Luật Số Lớn: Quy luật trong cái ngẫu nhiên

Hãy tưởng tượng bạn đang tung một đồng xu hoàn toàn cân bằng. Kết quả của mỗi lần tung là ngẫu nhiên, không ai có thể đoán trước. Lần 1 có thể là Ngửa, lần 2 cũng có thể là Ngửa, và không có gì ngăn cản việc bạn tung được 5 lần Ngửa liên tiếp. Sự ngẫu nhiên ở quy mô nhỏ luôn đầy rẫy sự bất ngờ.

Nhưng điều gì sẽ xảy ra nếu bạn tung đồng xu đó 1.000 lần, hay 10.000 lần?

Dù không thể biết trước kết quả của một lần tung cụ thể, ta vẫn có thể mô tả hành vi dài hạn của tỷ lệ trung bình. Mối liên hệ giữa kết quả riêng lẻ và trung bình dài hạn được phát biểu chính xác bởi Luật Số Lớn (Law of Large Numbers - LLN).

1. Trực giác đằng sau Luật Số Lớn

Về mặt trực giác, Luật Số Lớn phát biểu rằng: với các giả thiết thích hợp, khi số phép thử tăng, trung bình mẫu hội tụ về giá trị kỳ vọng của biến ngẫu nhiên. Phát biểu này là một kết quả tiệm cận; nó không bảo đảm trung bình của mọi mẫu hữu hạn đều gần giá trị kỳ vọng.

Với đồng xu cân bằng, xác suất ra mặt Ngửa là $0.5$ (hay 50%). Khi số lần tung còn ít, tỷ lệ mặt Ngửa có thể dao động mạnh; chẳng hạn, 8 lần Ngửa trong 10 lần tung cho tỷ lệ $0.8$. Khi số lần tung $N$ tăng, tỷ lệ này hội tụ về $0.5$ theo Luật Số Lớn, dù trên từng quãng hữu hạn nó vẫn có thể lệch khỏi $0.5$.

$$ \frac{1}{n} \sum_{i=1}^{n} X_i \xrightarrow{\mathrm{a.s.}} E[X] $$

(Đây là dạng mạnh của định luật khi $X_1,X_2,\ldots$ độc lập, cùng phân phối và có kỳ vọng hữu hạn. Trong ví dụ này, $X_i$ nhận giá trị $1$ nếu Ngửa và $0$ nếu Sấp, còn $E[X]=0.5$.)

2. Thí nghiệm tương tác: Trăm nghe không bằng một thấy

Để quan sát trực tiếp hiện tượng hội tụ, ta có thể mô phỏng nhiều lần tung đồng xu bằng công cụ dưới đây.

Bạn có thể bấm “Tung 1 lần” để quan sát từng kết quả, hoặc “Tung 100 lần” để chạy nhanh một loạt phép thử. Trục tung biểu diễn tỷ lệ mặt Ngửa tính đến thời điểm hiện tại. Trục hoành là tổng số lần đã tung ($N$). Đường đứt nét màu đỏ là mốc kỳ vọng lý thuyết $0.5$.

Cách đọc biểu đồ:

• Giai đoạn đầu ($N < 100$): Tỷ lệ có thể dao động đáng kể, chẳng hạn vượt $0.6$ hoặc xuống dưới $0.4$. Một đoạn mô phỏng ngắn vì thế chưa cung cấp nhiều bằng chứng về xác suất Ngửa dài hạn của đồng xu.
• Giai đoạn sau ($N$ tiến về 1000): Dao động tương đối thường hẹp dần và đường tỷ lệ có xu hướng tiến gần $0.5$. Sự hội tụ không nhất thiết đơn điệu: tỷ lệ vẫn có thể tạm thời đi xa khỏi $0.5$, và một mô phỏng hữu hạn không tự nó chứng minh định lý.

3. Các phiên bản của Luật Số Lớn: Yếu và Mạnh

Trong toán học chặt chẽ, “Luật số lớn” không phải là một định lý duy nhất mà là một họ các định lý, khác nhau ở điều kiện đầu vào và mức độ hội tụ. Chúng được chia làm hai nhóm chính:

3.1. Luật Số Lớn Yếu (Weak Law of Large Numbers - WLLN)

Luật yếu khẳng định rằng trung bình mẫu hội tụ theo xác suất (convergence in probability) về kỳ vọng. Nghĩa là khi cỡ mẫu $n$ càng lớn, xác suất để trung bình mẫu sai lệch khỏi kỳ vọng thực tế một lượng $\epsilon$ (dù nhỏ đến đâu) sẽ tiến dần về 0. Tuy nhiên, nó vẫn để ngỏ một khả năng cực kỳ nhỏ là đôi khi trung bình mẫu có thể “nhảy” chệch ra ngoài.

$$ \bar{X}_n = \frac{1}{n}\sum_{i=1}^{n} X_i $$

Khi đó, với mọi $\epsilon > 0$, ta có:

$$ \lim_{n \to \infty} P\left( \left| \bar{X}_n - \mu \right| \ge \epsilon \right) = 0 $$

Ký hiệu ngắn gọn: $\bar{X}_n \xrightarrow{P} \mu$.

Một số định lý tiêu biểu:

• Luật Khinchin: Áp dụng cho các biến độc lập, cùng phân phối (i.i.d) và chỉ yêu cầu kỳ vọng hữu hạn (không cần phương sai).
• Luật Chebyshev: Áp dụng rộng hơn cho các biến không cần cùng phân phối, miễn là phương sai của chúng bị chặn.
• Luật Markov: Một dạng tổng quát hóa từ bất đẳng thức Chebyshev.

3.2. Luật Số Lớn Mạnh (Strong Law of Large Numbers - SLLN)

Luật mạnh khẳng định rằng trung bình mẫu hội tụ hầu như chắc chắn (almost surely convergence) về kỳ vọng. Điều này có nghĩa là khi $n$ tiến tới vô cực, quỹ đạo của trung bình mẫu chắc chắn sẽ “bám chặt” lấy giá trị kỳ vọng mà không bao giờ lệch ra ngoài nữa (với xác suất bằng 1). Nó mang tính khẳng định đanh thép hơn luật yếu.

Phát biểu toán học (Luật Kolmogorov đệ nhất): Cho một dãy các biến ngẫu nhiên độc lập và cùng phân phối (i.i.d), có cùng kỳ vọng hữu hạn $\mu$. Với trung bình mẫu $\bar{X}_n$ được định nghĩa như trên, ta có:

$$ P\left( \lim_{n \to \infty} \bar{X}_n = \mu \right) = 1 $$

Ký hiệu ngắn gọn: $\bar{X}_n \xrightarrow{\text{a.s.}} \mu$.

Một số định lý tiêu biểu:

• Luật Kolmogorov: Phiên bản SLLN phổ biến nhất. Áp dụng cho các biến i.i.d, chỉ cần có kỳ vọng hữu hạn. Công thức toán học được nhắc tới ở phần 1 chính là dạng phổ biến này.
• Luật Borel: Đây là phiên bản sơ khai nhất, chỉ áp dụng cho phân phối Bernoulli (như việc tung đồng xu liên tục).

Tóm lại, Yếu và Mạnh khác nhau ở chỗ:

• Về trực giác: Luật yếu nói rằng “nhìn chung, xác suất xảy ra sai lệch lớn là rất thấp”, còn luật mạnh khẳng định “chắc chắn 100% về dài hạn sai số sẽ bằng 0”.
• Về công thức toán học: Sự khác biệt nằm ở vị trí của phép lấy giới hạn. Luật yếu là giới hạn của xác suất ($\lim P = 0$), trong khi Luật mạnh là xác suất của giới hạn ($P(\lim \dots) = 1$).

4. Tại sao điều này lại quan trọng?

Luật Số Lớn là viên gạch nền tảng của toàn bộ ngành xác suất thống kê và các ngành công nghiệp xoay quanh nó.

• Ngành bảo hiểm: Họ không thể biết năm nay bạn có gặp tai nạn hay không (sự ngẫu nhiên nhỏ). Nhưng nhờ có dữ liệu của hàng triệu khách hàng, họ có thể tính toán gần như chính xác tỷ lệ người gặp tai nạn trong năm đó, từ đó đưa ra mức phí bảo hiểm có lời mà không sợ phá sản.
• Sòng bài (Casino): Nhiều trò chơi được thiết kế sao cho lợi suất kỳ vọng nghiêng về phía nhà cái. Khi số ván độc lập tăng, lợi suất trung bình quan sát được có xu hướng tiến gần lợi suất kỳ vọng; điều này không bảo đảm nhà cái có lãi trong mọi phiên chơi hữu hạn.

Trực giác sâu hơn: Luật Số Lớn không có nghĩa là “quy luật bù trừ” (Gambler’s Fallacy). Nếu bạn vừa tung được 10 lần Ngửa liên tiếp, đồng xu không hề “ghi nhớ” điều đó để tự động ra Sấp ở lần tiếp theo nhằm bù lại. Xác suất lần 11 vẫn y nguyên là 50/50. Sự hội tụ xảy ra đơn giản là vì 10 lần Ngửa ban đầu sẽ bị “pha loãng” và chìm nghỉm trong đại dương của 1.000, 10.000 lần tung tiếp theo, chứ không phải vì một thế lực vô hình nào cố bẻ cong kết quả để bù đắp cho bạn.

👉 Đọc thêm: Ngụy Biện Con Bạc: Lời Nói Dối Của “Quy Luật Bù Trừ” để hiểu sâu hơn về cơ chế sai số tăng dưới tuyến tính và sự sụp đổ của chiến thuật gấp thếp.

Luật Số Lớn cho thấy ta có thể mô tả hành vi tiệm cận của trung bình mẫu ngay cả khi từng kết quả riêng lẻ vẫn ngẫu nhiên. Điểm quan trọng là kết luận này luôn đi kèm các giả thiết xác suất và không thay thế việc đánh giá sai số ở cỡ mẫu hữu hạn.