# Định lý Giới hạn Trung tâm (CLT): Trái tim của Thống kê Nếu [Luật Số Lớn]({{< ref "/posts/math/stats/law-of-large-numbers.md" >}}) cho ta biết rằng trung bình mẫu sẽ hội tụ về trung bình của quần thể, thì **Định lý Giới hạn Trung tâm (Central Limit Theorem - CLT)** tiến xa hơn một bước vĩ đại: nó cho ta biết *hình dáng* của sự phân tán xung quanh điểm hội tụ đó. Sự kỳ diệu của CLT nằm ở chỗ: **Không quan trọng quần thể gốc có hình thù kỳ dị đến mức nào (phân phối đều, lệch phải, hay thậm chí đứt gãy thành nhiều đỉnh), khi cỡ mẫu ($N$) đủ lớn, phân phối của trung bình mẫu sẽ luôn mang hình dáng của một quả chuông hoàn hảo (Phân phối chuẩn - Normal Distribution).** Dưới đây là một mô phỏng tương tác giúp bạn tự tay kiểm chứng phép màu này. Hãy thử chọn các quần thể gốc khác nhau, điều chỉnh cỡ mẫu $N$, và bấm rút mẫu để xem đường cong Gauss dần thành hình như thế nào.

Mô phỏng Định lý Giới hạn Trung tâm: Đường viền màu đỏ ở biểu đồ bên phải chính là phân phối chuẩn lý thuyết được tính toán từ kỳ vọng và phương sai của quần thể gốc. Khi số lượng mẫu (Count) tăng lên, biểu đồ cột (histogram) màu xanh sẽ tự động bám sát vào đường cong đỏ này.

--- ## 1. Phát biểu toán học Để hiểu rõ hơn về những gì diễn ra trong mô phỏng trên, hãy nhìn vào nền tảng toán học của nó. **Định lý (Lindeberg–Lévy CLT).** Cho dãy các biến ngẫu nhiên $X_1, X_2, \dots, X_n$ độc lập và cùng phân phối (i.i.d.) với kỳ vọng $\mu = E[X_i]$ và phương sai hữu hạn $\sigma^2 = \text{Var}(X_i) > 0$. Gọi $\bar{X}_n$ là trung bình mẫu: $$ \bar{X}_n = \frac{X_1 + X_2 + \dots + X_n}{n} $$ Khi đó, dãy biến ngẫu nhiên được chuẩn hóa $\sqrt{n}(\bar{X}_n - \mu)$ sẽ hội tụ theo phân phối (converge in distribution) về phân phối chuẩn với kỳ vọng $0$ và phương sai $\sigma^2$ khi $n \to \infty$: $$ \sqrt{n}(\bar{X}_n - \mu) \xrightarrow{d} \mathcal{N}(0, \sigma^2) $$ Hay viết một cách trực quan trong ứng dụng thống kê (với $n$ lớn): $$ \bar{X}_n \approx \mathcal{N}\left(\mu, \frac{\sigma^2}{n}\right) $$ ## 2. Giải mã hiện tượng "Quả chuông" Bạn có thể thấy qua widget ở trên, khi $N = 1$, phân phối của "trung bình mẫu" giống hệt phân phối của quần thể gốc. Nhưng ngay khi $N$ tăng lên (thường chỉ cần $N \ge 30$), một hiện tượng lạ xảy ra: - **Sai số bị triệt tiêu:** Các giá trị cực đoan (rất lớn hoặc rất nhỏ) hiếm khi xuất hiện cùng lúc trong cùng một mẫu. Một giá trị lớn sẽ có xu hướng bị bù trừ bởi một giá trị nhỏ, khiến trung bình mẫu bị "kéo" về phía tâm $\mu$. - **Độ thu hẹp:** Phương sai của trung bình mẫu là $\sigma^2/n$. Mẫu càng lớn, đường cong quả chuông càng hẹp lại và nhọn hoắt (điều này chính là gốc rễ để Luật Số Lớn hoạt động). - **Tính phổ quát:** Lý do sâu xa khiến phân phối chuẩn xuất hiện khắp nơi trong tự nhiên (chiều cao, cân nặng, sai số đo lường...) chính là vì các hiện tượng này thực chất là tổng hòa của vô số các yếu tố ngẫu nhiên độc lập bé nhỏ. Định lý Giới hạn Trung tâm chính là chiếc chìa khóa vạn năng cho phép các nhà thống kê sử dụng phân phối chuẩn để ước lượng khoảng tin cậy và kiểm định giả thuyết cho hầu như mọi loại dữ liệu trên đời, mà không cần biết phân phối gốc của chúng là gì. --- Bây giờ chúng ta đã có "quả chuông hoàn hảo" từ Định lý Giới hạn Trung tâm, làm sao để dùng nó ước lượng trong thực tế? Mời bạn khám phá tiếp một trong những ảo giác lớn nhất trong thống kê khoa học tại bài viết: **[Khoảng tin cậy (Confidence Interval): Sự thật về mức 95%]({{< ref "/posts/math/stats/confidence-interval.md" >}})**.