Dữ liệu trong thế giới thực mà chúng ta đang sống chưa bao giờ ngăn nắp. Có dữ liệu lệch về một phía, có dữ liệu có nhiều đỉnh, lại có dữ liệu phân tán hỗn độn mà không theo bất kỳ quy luật nào.
Tuy nhiên, ngay cả trong những dữ liệu hỗn độn như vậy, các nhà thống kê vẫn ước lượng chính xác được đặc điểm của toàn thể. Khi khảo sát chiều cao trung bình của toàn bộ người trưởng thành tại Hàn Quốc hay tỷ lệ ủng hộ trong một cuộc bầu cử toàn quốc, bí quyết nào giúp dự đoán kết quả với độ chính xác cao mà không cần điều tra tất cả mọi người?
Cốt lõi của điều đó là định lý giới hạn trung tâm (Central Limit Theorem, CLT), được xem là một trong những định lý đẹp đẽ và mạnh mẽ nhất của thống kê học.
Trong thống kê học, toàn bộ tập hợp mà chúng ta thực sự muốn tìm hiểu được gọi là tổng thể (Population), còn tập hợp gồm một phần được chọn ra từ tổng thể do những hạn chế thực tế được gọi là mẫu (Sample).
Vấn đề là khó biết trước tổng thể mà chúng ta muốn phân tích có tuân theo phân phối chuẩn, tức phân phối đối xứng hình chuông, hay không. Dù không biết chính xác phân phối của tổng thể, chúng ta vẫn có thể suy luận, nhưng phải kiểm tra cách lấy mẫu và các điều kiện về phân phối mà phương pháp sử dụng yêu cầu.
Dạng cơ bản của định lý giới hạn trung tâm xét trung bình của các giá trị quan sát độc lập và cùng phân phối. Nếu trung bình tổng thể hữu hạn và phương sai lớn hơn 0 đồng thời hữu hạn, thì khi kích thước mẫu tăng, phân phối của trung bình mẫu đã chuẩn hóa tiến gần đến phân phối chuẩn tắc.
Cơ chế của định lý giới hạn trung tâm
Định nghĩa toán học của định lý giới hạn trung tâm
Định lý giới hạn trung tâm được diễn đạt theo ngôn ngữ học thuật như sau.
[Định nghĩa]
Gọi X̄ₙ là trung bình của X₁, …, Xₙ độc lập và cùng phân phối, với trung bình tổng thể là μ và phương sai là σ² (0 < σ² < ∞). Khi n → ∞, √n(X̄ₙ − μ)/σ hội tụ theo phân phối về phân phối chuẩn tắc N(0, 1). Do đó, với n đủ lớn, có thể xấp xỉ phân phối của X̄ₙ bằng N(μ, σ²/n). Ở đây, σ² là phương sai tổng thể, cần phân biệt với phương sai mẫu s². Kích thước mẫu cần thiết thay đổi tùy theo các đặc điểm như độ lệch và đuôi của phân phối tổng thể, vì vậy n = 30 không phải là tiêu chuẩn chung luôn bảo đảm đủ lớn.
Có 3 điểm cốt lõi cần ghi nhớ ở đây.
- Nếu thỏa mãn các điều kiện độc lập, cùng phân phối, trung bình hữu hạn và phương sai dương hữu hạn, định lý có thể áp dụng ngay cả khi tổng thể có phân phối đều, phân phối mũ hoặc phân phối bất đối xứng.
- Đối tượng được xấp xỉ bằng phân phối chuẩn là “phân phối của trung bình mẫu”, chứ không phải các giá trị quan sát ban đầu. Có thể hiểu điều này bằng cách cố định n, lặp lại việc lấy mẫu theo cùng một cách và tính một giá trị trung bình cho mỗi mẫu.
- Trong các điều kiện trên, sai số chuẩn của trung bình mẫu là σ/√n. Nếu không biết độ lệch chuẩn tổng thể σ, ta dùng độ lệch chuẩn mẫu s để ước lượng bằng s/√n.
Ví dụ trực quan giúp dễ hiểu: Tung xúc xắc
Nếu khái niệm định lý giới hạn trung tâm còn khó hình dung, hãy cùng xem xét thí nghiệm tung xúc xắc đơn giản nhất.
Khi tung 1 con xúc xắc, xác suất xuất hiện mỗi mặt từ 1 đến 6 đều bằng nhau, với mẫu số là 6 và tử số là 1. Nếu biểu diễn phân phối xác suất này bằng đồ thị, ta sẽ có dạng phân phối đều (Uniform Distribution) phẳng. Hình dạng này khác xa hình chuông.
Bây giờ, hãy tăng dần số lần tung xúc xắc, tức kích thước mẫu n, và tính “trung bình” số chấm.
1 con xúc xắc (n=1): Các giá trị trung bình có thể xuất hiện là 1, 2, 3, 4, 5, 6, và xác suất xuất hiện của mọi mặt đều bằng nhau. (Dạng đường thẳng nằm ngang)
Trung bình của 2 con xúc xắc (n=2): Để trung bình số chấm của hai con xúc xắc bằng 1, chỉ có thể xuất hiện cặp (1, 1), nhưng để bằng 3.5, có rất nhiều tổ hợp như (1, 6), (2, 5), (3, 4). Đồ thị có dạng tam giác, nhô cao ở giữa (3.5) và thấp dần về hai đầu.
Trung bình của 30 con xúc xắc (n=30): Nếu lặp lại hàng nghìn lần quá trình tung 30 con xúc xắc rồi tính trung bình, các giá trị cực đoan như trung bình bằng 1 hoặc 6 hầu như không xuất hiện, còn phần lớn giá trị tập trung dày đặc quanh 3.5.
Lúc này, biểu đồ tần số của các trung bình mẫu nhìn chung tiến gần đến hình chuông. Tuy nhiên, kết quả của một số hữu hạn lần thí nghiệm không tạo thành đường cong chuẩn hoàn hảo, và trung bình số chấm xúc xắc vẫn nhận các giá trị rời rạc. Ví dụ này giả định mỗi con xúc xắc đều cân bằng và các lần tung độc lập với nhau.
Những hàm ý cốt lõi của định lý giới hạn trung tâm
[Hàm ý 1] Tính tự chủ của phân phối
Trong các điều kiện đã nêu, có thể áp dụng phép xấp xỉ chuẩn cho trung bình mẫu ngay cả khi tổng thể bất đối xứng hoặc lệch về một phía. Giá trị n cần thiết cho phép xấp xỉ thay đổi tùy theo phân phối.
[Hàm ý 2] Nâng cao độ chính xác của ước lượng
Trong các điều kiện trên, khi n tăng, sai số chuẩn giảm, khiến trung bình mẫu tập trung sát hơn quanh trung bình tổng thể. Điều này không có nghĩa là trung bình của từng mẫu đều tiến gần hơn sau mỗi lần lấy mẫu.
[Hàm ý 3] Vận dụng kỹ thuật chuẩn hóa
Khi các điều kiện được đáp ứng và phép xấp xỉ chuẩn đủ chính xác, có thể sử dụng phân phối xấp xỉ của trung bình mẫu đã chuẩn hóa để tính khoảng tin cậy và p-value. Nếu không biết σ, cũng cần tính đến sự bất định của việc ước lượng.
Các ứng dụng trong đời sống và kinh doanh
Định lý giới hạn trung tâm không chỉ dừng lại ở một lý thuyết học thuật mà còn đóng vai trò công cụ cốt lõi trong vô số lĩnh vực của xã hội hiện đại.
Khảo sát dư luận bầu cử của các đài truyền hình
Việc khảo sát toàn bộ 4 chục triệu cử tri trên cả nước là bất khả thi xét về chi phí và thời gian. Các tổ chức thăm dò dư luận thường lấy mẫu gồm từ 1,000 đến 2,000 người để khảo sát tỷ lệ ủng hộ. Với mẫu xác suất phù hợp và các điều kiện xấp xỉ được đáp ứng, có thể xấp xỉ phân phối của tỷ lệ mẫu bằng phân phối chuẩn để tính biên sai số. Chẳng hạn, giả sử lấy mẫu ngẫu nhiên đơn với n = 1,000, tỷ lệ 50% và bỏ qua hiệu chỉnh tổng thể hữu hạn, biên sai số ở mức tin cậy 95% là khoảng ±3.1 điểm phần trăm. Đây không phải là tổng sai số bao gồm cả sai số do không phản hồi hay sai số đo lường.
Quản lý chất lượng trong sản xuất tại nhà máy (6 Sigma)
Tại các nhà máy sản xuất chất bán dẫn hoặc đồ uống, không thể đo khối lượng và độ dày của tất cả sản phẩm được sản xuất mỗi giờ. Người ta liên tục tính trung bình của các sản phẩm được lấy mẫu ngẫu nhiên và dựa vào định lý giới hạn trung tâm để phát hiện theo thời gian thực xem có bất thường trong quy trình vượt ra ngoài phạm vi bình thường, tức các giới hạn kiểm soát, hay không.
Thử nghiệm A/B trong dịch vụ công nghệ thông tin
Khi kiểm chứng hiệu quả của một thiết kế nút mới trên trang web hoặc một thuật toán đề xuất, có thể so sánh thời gian lưu lại trung bình hoặc chênh lệch tỷ lệ thanh toán giữa hai nhóm người dùng. Định lý giới hạn trung tâm hỗ trợ các kiểm định xấp xỉ với mẫu lớn trong những điều kiện phù hợp, nhưng bản thân nó không phải là giả định nền tảng của mọi t-test hay Z-test. Cũng cần kiểm tra việc phân nhóm ngẫu nhiên, tính độc lập của các giá trị quan sát và các điều kiện kiểm định phù hợp với chỉ số đang xét.
Trụ cột của thống kê học giúp kiểm soát thế giới bất định
Định lý giới hạn trung tâm được đánh giá là đặc biệt vĩ đại trong thống kê học vì nó đóng vai trò “cầu nối giữa thế giới dữ liệu thực tế phức tạp, hỗn độn và thế giới phân phối chuẩn rõ ràng, có hệ thống”.
Ngay cả khi không biết hoàn toàn phân phối của tổng thể, ta vẫn có thể suy luận thống kê về trung bình nếu kiểm tra được cách lấy mẫu phù hợp và các điều kiện của định lý. Chỉ riêng mẫu lớn không giải quyết được thiên lệch chọn mẫu hay sai số đo lường.
Ngày nay, khi phân tích dữ liệu và trí tuệ nhân tạo đang dẫn dắt toàn xã hội, định lý giới hạn trung tâm đang trở thành một lộ trình chính xác và vững chắc, giúp rút ra những kết luận đáng tin cậy giữa biển dữ liệu.
