Định lý Giới hạn Trung tâm: Một khái niệm then chốt trong thống kê được giải thích

Nếu chúng ta lấy rất nhiều mẫu ngẫu nhiên từ hầu như bất kỳ kiểu phân phối dữ liệu nào, một điều bất ngờ sẽ xảy ra. Trung bình của các mẫu đó bắt đầu trông giống như một phân phối chuẩn – đường cong hình chuông quen thuộc. Đó là nội dung cốt lõi của định lý giới hạn trung tâm (CLT).

Đây là một vấn đề lớn trong xác suất và thống kê vì nó có nghĩa là chúng ta có thể đưa ra dự đoán chính xác và rút ra kết luận về toàn bộ quần thể, ngay cả khi chỉ nhìn vào các mẫu nhỏ.

Điểm đặc biệt hữu ích của CLT là nó hoạt động ngay cả khi dữ liệu gốc không tuân theo phân phối chuẩn. Hãy cùng tìm hiểu chi tiết và xem cách chúng ta có thể tính toán nó. 

Định lý Giới hạn Trung tâm là gì?

Định lý giới hạn trung tâm, hay CLT, là một ý tưởng trong thống kê cho rằng nếu chúng ta lấy một loạt mẫu ngẫu nhiên từ bất kỳ quần thể nào và xem xét các giá trị trung bình của các mẫu đó, thì những giá trị trung bình này sẽ bắt đầu tạo thành một đường cong chuẩn, hình chuông, ngay cả khi quần thể ban đầu trông hoàn toàn không chuẩn.

Điều này liên hệ với luật số lớn, vốn cho chúng ta biết rằng khi thu thập nhiều dữ liệu hơn, trung bình mẫu sẽ tiến ngày càng gần đến trung bình thật của toàn bộ quần thể. CLT tiến thêm một bước — nó cho biết trung bình mẫu trở nên chính xác hơn và mô hình của các giá trị trung bình đó trở nên có thể dự đoán được. Khóa học Nhập môn Thống kê của chúng tôi có các bài tập thực hành để bạn làm quen với mối quan hệ và khác biệt giữa CLT và luật số lớn, nếu bạn muốn tìm hiểu sâu hơn phần này.

Một cách tuyệt vời để thấy điều này trong thực tế là tung xúc xắc. Nếu chỉ tung một lần, ta nhận được một số ngẫu nhiên từ 1 đến 6. Nhưng sau đủ nhiều lần tung, giá trị trung bình sẽ ổn định quanh 3,5 (giá trị trung bình thật của một con xúc xắc công bằng). Làm điều này lặp đi lặp lại, phân phối của các giá trị trung bình đó bắt đầu trông giống như một đường cong chuẩn.

Công thức Định lý Giới hạn Trung tâm

Đây là công thức cơ bản cho định lý giới hạn trung tâm:

Trong công thức này:

• X là phân phối lấy mẫu của trung bình mẫu, phân phối này tuân theo phân phối chuẩn. 

• N là phân phối chuẩn.

• 𝜇 là trung bình quần thể.

• σ là độ lệch chuẩn của quần thể.

• n là kích thước mẫu.

Khi kích thước mẫu lớn hơn, độ lệch chuẩn của phân phối lấy mẫu nhỏ lại. Càng thu thập nhiều dữ liệu, các trung bình mẫu càng tập trung chặt quanh trung bình thật của quần thể.

Điều kiện của Định lý Giới hạn Trung tâm

Để định lý giới hạn trung tâm hoạt động như kỳ vọng, có một vài điều kiện cần xem xét:

• Kích thước mẫu đủ lớn: Kích thước mẫu phải đủ lớn. Thông thường, mẫu từ 30 trở lên được xem là tốt. Nhưng nếu quần thể mà chúng ta lấy mẫu bị lệch hoặc có nhiều ngoại lệ, có thể cần mẫu lớn hơn để thấy đường cong hình chuông đẹp xuất hiện.
• Mẫu độc lập và phân phối đồng nhất (i.i.d.): Các mẫu lấy cần phải độc lập và phân phối đồng nhất (i.i.d.). Nghĩa là mỗi mẫu được chọn ngẫu nhiên và đến từ cùng một quần thể. Nếu không đúng, kết quả có thể không đáng tin cậy.
• Phương sai quần thể hữu hạn: Quần thể mà chúng ta lấy mẫu phải có phương sai hữu hạn. Nếu dữ liệu đến từ một phân phối có phương sai vô hạn, như phân phối Cauchy, CLT sẽ không áp dụng cho những trường hợp đó.

Ví dụ về Định lý Giới hạn Trung tâm

Giả sử chúng ta muốn biết mỗi ngày một quán cà phê địa phương bán bao nhiêu cốc cà phê. Qua nhiều năm, số cốc bán ra mỗi ngày có thể theo một phân phối giống như hình tôi đưa vào đây. Hầu hết các ngày, họ bán từ 80 đến 120 cốc. Nhưng vào những ngày bận rộn như ngày lễ hoặc sự kiện đặc biệt, họ bán 150 thậm chí 180 cốc. Trong trường hợp này, dữ liệu hơi lệch (không đều).

Biểu đồ không đều. Ảnh: Tác giả.

Giả sử chúng ta lấy một mẫu nhỏ. Chọn ngẫu nhiên 5 ngày trong năm và xem số cốc bán trong những ngày đó. 

95, 102, 85, 110, 120Được hỗ trợ bởi

Giá trị trung bình từ mẫu này là:

Mean = 95+102+85+110+1205 = 102.4 cupsĐược hỗ trợ bởi

Biểu đồ 5 cốc. Ảnh: Tác giả.

Điều đó cho chúng ta một ước lượng của trung bình quần thể, nhưng vì mẫu nhỏ nên có thể chưa chính xác. Nếu lặp lại quá trình này 10 lần, mỗi lần chọn ngẫu nhiên 5 ngày, tính trung bình và ghi lại kết quả. 10 trung bình mẫu sẽ là: 

97.6, 105.8, 93.4, 110.2, 99.0, 102.4, 101.2, 107.5, 96.3, 94.1Được hỗ trợ bởi

Nếu vẽ các giá trị này trong biểu đồ tần suất, chúng ta sẽ thấy một dạng hình chuông thô, nhưng có thể vẫn còn không đều. Và độ phân tán của các trung bình này nhỏ hơn độ phân tán trong quần thể. 

Biểu đồ 10 cốc. Ảnh: Tác giả.

Bây giờ, hãy lấy một mẫu lớn hơn. Lần này, chúng ta chọn ngẫu nhiên 50 ngày và tính trung bình số cốc bán được:

98, 104, 87, 112, 105, 100, 108, 95, 102, 106,
92, 115, 97, 101, 109, 103, 96, 110, 104, 98,
100, 102, 89, 107, 94, 111, 108, 90, 100, 103,
106, 99, 96, 112, 105, 97, 100, 104, 93, 110,
107, 102, 95, 101, 99, 103, 109, 98, 94, 100Được hỗ trợ bởi

Khi tính trung bình của mẫu này, chúng ta được:

Mean = 101.2 cupsĐược hỗ trợ bởi

Ước lượng này gần hơn nhiều với trung bình quần thể là 100, và vì kích thước mẫu lớn hơn nên đây là ước lượng chính xác hơn.

Nếu lặp lại quá trình này nhiều lần, mỗi lần chọn ngẫu nhiên 50 ngày, tính trung bình và vẽ các trung bình đó trong biểu đồ tần suất, dù dữ liệu gốc bị lệch, chúng ta sẽ thấy một đường cong hình chuông mượt, rõ ràng. Đó chính là sức mạnh của định lý giới hạn trung tâm.

Biểu đồ đều. Ảnh: Tác giả.

Chúng ta thậm chí có thể tính độ phân tán đó bằng công thức này:

Ở đây:

• µ (trung bình quần thể) = 100

• σ (độ lệch chuẩn quần thể) = 15

• n (kích thước mẫu) = 50

Vậy, độ lệch chuẩn của các trung bình mẫu là:

Điều này cho biết các trung bình mẫu sẽ rất gần 100 cốc với chỉ một sai lệch nhỏ (khoảng 2,12 cốc).

Vì sao Định lý Giới hạn Trung tâm quan trọng

Chúng ta đều biết dữ liệu trong thế giới thực có thể kỳ lạ và khó đoán. Nhưng định lý giới hạn trung tâm cho chúng ta một cách đáng tin cậy để hiểu chuyện gì đang xảy ra và đưa ra quyết định tốt hơn dựa trên đó. Hãy cùng hiểu rõ hơn tầm quan trọng của nó. 

Suy luận thống kê

Trong thống kê, định lý giới hạn trung tâm là lý do vì sao các kiểm định tham số như t-test, ANOVA và hồi quy hoạt động như chúng vốn có. Các kiểm định này dựa trên ý tưởng rằng dữ liệu mẫu đến từ một quần thể có các đặc trưng cố định.

Nếu không có định lý giới hạn trung tâm, chúng ta sẽ không thể tin cậy vào những kiểm định đó. Và nhờ định lý này, các kiểm định tham số thường mạnh hơn kiểm định phi tham số, vốn không đưa ra giả định về phân phối của dữ liệu.

Ứng dụng trong ngành

Nó cũng xuất hiện trong rất nhiều tình huống thực tế. Trong tài chính, các nhà phân tích dùng nó để ước tính lợi nhuận cổ phiếu trung bình dựa trên hiệu suất trong quá khứ. Trong thăm dò và khảo sát, nó đưa ra dự đoán về toàn bộ quần thể bằng cách thu thập một mẫu phản hồi. Trong học máy và dữ liệu lớn, chúng ta dùng nó ở nơi các mô hình được huấn luyện trên mẫu. Ví dụ, một ứng dụng phim có thể dùng một mẫu hoạt động của người dùng để xây dựng hệ thống gợi ý.

Máy tính Định lý Giới hạn Trung tâm

Độ lệch chuẩn là một con số cho biết các giá trị phân tán như thế nào so với trung bình. Khi xem xét các trung bình mẫu (trung bình từ những mẫu khác nhau), chúng ta muốn biết các giá trị trung bình đó biến thiên bao nhiêu. Để làm điều đó, ta có thể dùng công thức này:

Điều này cho biết khi chia độ lệch chuẩn quần thể cho căn bậc hai của kích thước mẫu, ta sẽ nhận được độ lệch chuẩn của phân phối lấy mẫu. Khi kích thước mẫu tăng, giá trị tổng thể giảm. 

Hãy xem một ví dụ nhanh:

Bạn có thể thấy trung bình giữ nguyên, nhưng độ lệch chuẩn liên tục thu hẹp. Điều này cho thấy mẫu càng lớn thì càng chính xác và nhất quán.

Định lý Giới hạn Trung tâm trong Khoa học Dữ liệu

Trong khoa học dữ liệu, chúng ta thường làm việc với mẫu chứ không phải toàn bộ quần thể. CLT giúp chúng ta hiểu cách các kết quả từ mẫu hành xử và cho biết rằng nếu lấy đủ nhiều mẫu, các giá trị trung bình của chúng sẽ bắt đầu trông giống như một phân phối chuẩn, ngay cả khi dữ liệu gốc hoàn toàn không như vậy.

Điều này cũng mang lại một số lợi ích lớn trong thực tế. Trong học máy, chúng ta thường dùng các kỹ thuật như bootstrapping để ước tính giá trị. Nhờ CLT, chúng ta có thể tự tin rằng các ước tính đó là chính xác.

Nó cũng là nhân tố chủ chốt trong A/B testing. Khi một công ty thử hai phiên bản của một trang web hoặc tính năng, CLT giúp chúng ta xác định liệu kết quả có ý nghĩa hay chỉ là nhiễu ngẫu nhiên.

Ngay cả trong học tăng cường, nơi hệ thống học qua thử và sai, CLT cũng làm dịu sự hỗn loạn. Khi có nhiều dữ liệu hơn, các giá trị trung bình trở nên ổn định hơn, giúp hệ thống học nhanh và tốt hơn.

Cuối cùng, bạn cũng sẽ thấy CLT trong kiểm định giả thuyết và phân tích chuỗi thời gian. Nó giúp các nhà khoa học dữ liệu kiểm tra ý tưởng và theo dõi xu hướng với độ tự tin cao hơn.

Tổng kết

Định lý giới hạn trung tâm có thể nghe có vẻ kỹ thuật nếu bạn mới làm quen với thống kê, nhưng đây là một trong những lý do lớn giúp chúng ta làm được những điều thông minh với dữ liệu. Nó biến tính ngẫu nhiên thành thứ mà chúng ta có thể hiểu và tin cậy. Thực tế, nó là một trong những nền tảng của mô hình thống kê và là kiến thức bắt buộc cho bất kỳ ai làm việc với dữ liệu. 

Nếu bạn muốn khám phá thêm, hãy đọc về luật số lớn và các phân phối xác suất — tất cả đều liên quan chặt chẽ với nhau.