Định lý Giới hạn Trung tâm là gì?
Định lý Giới hạn Trung tâm (Central Limit Theorem - CLT) là một trong những nền tảng quan trọng nhất của thống kê. Định lý này khẳng định rằng khi bạn lấy nhiều mẫu ngẫu nhiên có cỡ mẫu n từ bất kỳ tổng thể nào với trung bình \(\mu\) và độ lệch chuẩn \(\sigma\), thì phân phối của các trung bình mẫu sẽ tiến gần đến phân phối chuẩn khi n tăng lên — bất kể hình dạng ban đầu của tổng thể ra sao. Công cụ này giúp bạn xác định hai tham số then chốt của phân phối mẫu đó: trung bình và sai số chuẩn.
Cách sử dụng máy tính
Hãy nhập trung bình tổng thể (\(\mu\)), độ lệch chuẩn tổng thể (\(\sigma\)) và cỡ mẫu (n) của bạn. Công cụ sẽ trả về trung bình của phân phối mẫu (bằng đúng \(\mu\)), sai số chuẩn của trung bình (SE) và phương sai của trung bình mẫu (\(\sigma^{2}/n\)). Một quy tắc kinh nghiệm phổ biến là khi n ≥ 30 thì phép xấp xỉ phân phối chuẩn sẽ đáng tin cậy.
Giải thích công thức
CLT cho chúng ta biết hai điều về phân phối mẫu của trung bình. Thứ nhất, tâm của nó trùng với tổng thể: $$\mu_{\bar{x}} = \mu$$ Thứ hai, độ phân tán của nó thu hẹp lại khi mẫu lớn hơn: $$SE = \frac{\sigma}{\sqrt{n}}$$ Vì việc chia cho \(\sqrt{n}\) làm giảm độ biến thiên, nên mẫu càng lớn thì ước lượng trung bình thực càng chính xác. Phương sai của trung bình mẫu đơn giản là bình phương của sai số chuẩn, tức \(\sigma^{2}/n\).
Ví dụ minh họa
Giả sử một tổng thể có \(\mu = 100\) và \(\sigma = 15\), và bạn lấy các mẫu với cỡ mẫu \(n = 36\). Khi đó \(\mu_{\bar{x}} = 100\), và $$SE = \frac{15}{\sqrt{36}} = \frac{15}{6} = 2{,}5$$ Phương sai của trung bình mẫu là $$\frac{15^{2}}{36} = \frac{225}{36} = 6{,}25$$ Như vậy, các trung bình mẫu sẽ tập trung sát quanh giá trị 100 với sai số chuẩn chỉ 2,5.
Câu hỏi thường gặp
Tổng thể có bắt buộc phải tuân theo phân phối chuẩn không? Không. Đó chính là sức mạnh của CLT — với n đủ lớn, phân phối mẫu của trung bình sẽ xấp xỉ chuẩn ngay cả khi tổng thể bị lệch.
Cỡ mẫu bao nhiêu là "đủ lớn"? Hướng dẫn phổ biến là n ≥ 30, tuy nhiên với những tổng thể lệch nhiều thì có thể cần cỡ mẫu lớn hơn.
Vì sao sai số chuẩn giảm đi khi mẫu lớn hơn? Khi lấy trung bình của nhiều quan sát hơn, các nhiễu ngẫu nhiên triệt tiêu lẫn nhau, nhờ đó ước lượng trung bình trở nên ổn định hơn khi n tăng.
