Phan phoi-chuan

TS Nguyen Ngoc Rang; Email: rangbvag@yahoo.com; Website: bvag.com.vn; trang:1
PHÂN PHỐI CHUẨN
Phân phối chuẩn (Normal distribution) được nêu ra bởi một người Anh gốc
Pháp tên là Abraham de Moivre (1733). Sau đó Gauss, một nhà toán học ngưới
Đức, đã dùng luật phân phối chuẩn để nghiên cứu các dữ liệu về thiên văn học
(1809) và do vậy cũng được gọi là phân phối Gauss. Theo từ điển bách khoa về
khoa học thống kê, có lẻ người đầu tiên dùng từ “normal” là ông C.S Pierce (1780)
vì vào thời đó người ta cho rằng mọi hiện tượng tự nhiên được coi như có phân
phối chuẩn nhưng thật ra còn có những luật phân phối khác. Tuy vậy hầu hết lý
thuyết thống kê được xây dựng trên nền tảng của phân phối chuẩn.
Như vậy từ “normal” được dùng theo thói quen nhưng thực ra không đúng, vì
vậy trong tiếng Việt ta không thể dịch là phân phối “bình thường” mà gọi là phân
phối chuẩn.
Hai thông số quan trọng trong một phân phối là giá trị trung tâm hay gọi là
trung bình µ và phương sai 2
(hoặc độ lệch chuẩn ) và thường biểu thị bằng X ~ N
(µ,2
) (N viết tắt từ normal).
Nếu phân phối chuẩn được chuẩn hóa với trung bình =0 và độ lệch chuẩn
=1, được viết tắt là: Z ~ N (=0, =1), được gọi là phân phối chuẩn chuẩn hóa
(standardized normal distribution) nghe có vẽ không được xuôi tai như tiếng Anh vì
chữ normal được dịch là chuẩn rồi, do vậy dùng từ phân phối chuẩn tắc có vẽ ổn
hơn !
Nói chung các đặc tính sinh trắc học của người khỏe mạnh (cân nặng, chiều
cao, trị số mạch, huyết áp, đường máu, số lượng hồng cầu), thường tuân theo luật
phân phối chuẩn. Ví dụ: xét nghiệm đường máu 100 người lớn khỏe mạnh các kết
quả thu thập trong bảng 10.1.
Bảng 10.1 Kết quả đường máu (mg%) 100 người lớn khỏe mạnh
97 100 94 106 103 108 97 92 113 112
88 108 95 101 124 95 119 99 84 93
82 114 88 85 79 90 104 104 109 98
94 89 102 98 93 102 102 102 110 109
94 114 106 109 103 90 93 83 104 106
100 111 101 88 80 91 103 91 91 119
97 116 118 117 95 92 123 81 102 95
106 106 95 103 96 89 94 122 110 104
84 108 104 98 98 97 105 109 98 86
105 97 87 111 107 115 96 94 79 107

Bảng 10.2 Biểu đồ cuống-lá của đường máu:
Nhìn vào biểu đồ cuống-lá ta thấy có:
2 người có trị đường máu <80mg%: 2%
14 người có trị đường máu 80-89mg%: 14%
33 người có trị đường máu 90-99mg%:33%
3 người có trị đường máu >120 mg%: 3%
Và biểu đồ tần suất (histogram) của phân phối đường máu (Biểu đồ 10.1):
Biểu đồ 10.1 Phân phối đường máu của 100 người lớn khỏe mạnh

Như vậy ta thấy phân phối lượng đường máu tuân theo luật chuẩn với trị số
trung bình µ=100 và độ lệch chuẩn =10 với:
68% giá trị quan sát nằm trong khoảng  của µ.
95% giá trị quan sát nằm trong khoảng 2 của µ.
99,7% giá trị quan sát nằm trong khoảng 3 của µ.
(còn gọi là luật 68-95-99,7)
10.1 Hàm mật độ phân phối chuẩn
Hàm mật độ phân phối chuẩn (Normal density probability function) có dạng
tổng quát như sau:
Trong đó:  = 3,14159...
e = 2,71828... (cơ số logarit Neper)
µ: trị số trung bình
 : độ lệch chuẩn
Biến ngẫu nhiên X có đơn vị là mg% bây giờ ta muốn chuyển đơn vị đo lường của
biến số X theo đơn vị đo lường tổng quát cho mọi phân phối chuẩn nghĩa là theo
đơn vị độ lệch chuẩn. Lúc đó phân phối chuẩn theo X sẽ trở thành phân phối chuẩn
tắc (standadized normal distribution) với biến số mới là Z.
Muốn đổi hàm y=f(x) ra hàm chuẩn tắc y=f(z) ta đặt:

-x
z 
Thế =100 và =10 ta có:
10
100-x
z 
Như vậy khi: x=80  z=-2
x=90  z=-1
x=100  z=0
x=110  z=+1
x=120  z=+2
Và đường cong chuẩn y=f(z) sẽ là:

Sơ đồ 10.1 Biến đổi phân phối chuẩn X (trị trung bình , độ lệch chuẩn ) thành
phân phối chuẩn tắc Z (trị trung bình=0, độ lệch chuẩn=1)
Tóm lại: Biến X tuân theo luật chuẩn với trung bình  và phương sai 2
thường được viết tắt là: X ~ N (,2
) và biến Z tuân theo phân phối chuẩn tắc có
=0 và 2
=1 được viết là Z ~ N(0,1). Như vậy lúc này Z có đơn vị là độ lệch (ví dụ:
1, 2 hoặc 3 độ lệch chuẩn so với trị trung bình) và không tùy thuộc vào đơn vị đo
lường theo biến X (ví dụ. mg% đường máu).
Phương trình đường cong chuẩn tắc theo Z sẽ là:
Lúc này muốn biết xác suất đường máu từ 100-110mg% (theo X) chỉ cần tính
xác suất từ 0 đến 1 đơn vị độ lệch chuẩn theo Z hoặc tìm diện tích dưới đường cong
từ 0 đến 1 (phần màu đậm-hình 3). Tích phân của hàm f(z) từ 0  1 chính là diện
tích dưới đường cong này. Trong thống kê gọi f(Z) là hàm xác suất chuẩn tích lũy
(cummulative normal probability function)
  2e
2
1
zf
2
π
z


Biểu đồ 10.2 Diện tích dưới đường cong chuẩn từ 0 +1
 
dz
2
z1
0
2
e
2
1
zf


π
Công thức tính tích phân hàm F(z) khá rắc rối thường ta dùng bảng Z-score
(phần phụ lục) để tính. Xem bảng khi z=0 z=1: F(z)=0,34
 
dz
2
z1
0
2
e
2
1
1z0P


π
= 0,34
Như vậy xác suất P (0 ≤ Z ≤1) là 0,34 hoặc xác suất những người có trị
đường máu từ X=100mg% (tương đương với Z=0) đến X=110 mg%(tương đương
với Z=1) là 34% (biểu đồ)
Các khoảng đặc biệt có thể tính nhẩm xác suất:

 
dz
2
z
0
-
2
e
2
1
0zP



π
= 0,5
 
dz
2
z
0
2
e
2
1
z0P


π
= 0,5
 
dz
2
z
-
2
e
2
1
z-P



π
= 1
Một ví dụ khác: Muốn tính xác suất của z từ - đến 1,2 ta lấy: xác suất
khoảng từ - đến 0 là p=0,50 cộng với xác suất khoảng từ 0 đến 1,2 là 0,38 (xem
bảng z-score phần phụ lục), tổng cộng 2 xác suất này là 0,88 (tương đương 88%
người có đường máu 115mg%) (1 đơn vị z bằng 10mg%)
10.2 Nhận biết một phân phối chuẩn trong SPSS
Có nhiều cách để đánh giá một phân phối chuẩn trong SPSS.
(1) Đơn giản nhất là xem biểu đồ với đường cong chuẩn (Histograms with normal
curve) với dạnh hình chuông đối xứng với tần số cao nhất nằm ngay giữa và
các tần số thấp dần nằm ở 2 bên. Trị trung bình (mean) và trung vị (mediane)
gần bằng nhau và độ xẹp (skewness) gần bằng zero.
(2) Vẽ biểu đồ xác suất chuẩn (normal Q-Q plot). Phân phối chuẩn khi biểu đồ
xác suất này có quan hệ tuyến tính (đường thẳng)
(3) Dùng phép kiểm định Kolmogorov-Smirnov khi cỡ mẫu lớn hơn 50 hoặc
phép kiểm Shapiro-Wilk khi cỡ mẫu nhỏ hơn 50. Được coi là có phân phối
chuẩn khi mức ý nghĩa (Sig.) lớn hơn 0,05.
Ví dụ 1. Khảo sát men ALT (U/L) trên 30 người bình thường, kết quả được nhập vào
SPSS như sau:

Và thực đơn Analyze > Descriptive Statistics> Frequencies…
Mở màn hình Frequencies. Nhắp chuyển biến ALT từ ô bên trái vào ô Variable(s).

Nhắp hộp thoại Statistics… Vào màn hình Statistics, đánh dấu nháy vào 4 ô: Mean,
Median, Std. deviation và Skewness và nhắp Continue
Nhấp tiếp hộp thoại Charts.. Đánh dấu vào ô tròn Histograms: và đánh dấy nháy vào
ô With Normal curve, nhắp Continue. Nhấn OK sẽ cho kết quả sau.

Trị trung bình (mean)= 23,97, trung vị (mediane)=24,00 và độ xiên(skewness)=0,533
Trong phân phối này, trị số trung bình và trung vị gần bằng nhau và độ xiên dao
động từ -1 đến +1. Như vậy đây có thể là một phân phối chuẩn. Thật vậy xem biểu
đồ phân phối với đường cong chuẩn có dạng hình chuông, có trị trung bình là 23,97
và số liệu phân phối khá đều 2 bên.

Để kiểm định Kolmogorov-Smirnov hoặc vẽ biểu đồ xác suất chuẩn Q-Q (Normal Q-
Q plot) vào thực đơn: Analyze> Descriptive Statistics> Explore…
Khi xuất hiện màn hình Explore, chuyển ALT từ ô bên trái vào ô Dependent List:

Nhấn vào hộp thoại Plots. Sau khi màn hình Explore:Plots xuất hiện, nhấp dấu nháy
vào ô Histogram và ô Normality plots with tests. Nhắp Continue và nhắp OK
Kết quả kiểm định phân phối chuẩn như sau:

Vì cỡ mẫu 30 (nhỏ hơn 50), dùng kiểm địnhShapiro-Wilk với Sig.=0,571 (lớn hơn
0,05). Chứng tỏ phân phối này là phân phối chuẩn.
Xem biểu đồ Normal Q-Q Plot bên dưới, các trị số quan sát và trị số mong đợi đều
nằm gần trên đường thẳng

Ví dụ 2. Khảo sát men ALT (U/L) trên 30 người mắc viêm gan siêu vi B mãn tính

Vào Analyze> Descriptive > Frequencies như phần trên
Kết quả
Phân phối này có trung bình (301,82) và trung vị (190,00) khá khác biệt. Hơn nữa độ
xẹp (2,17) lớn hơn +1, vì vậy có thể không phải là phân phối chuẩn. Thật vậy, xem
biểu đồ với đường cong chuẩn cho thấy số liệu không phân phối đều, tập trung
nhiều về phía đuôi trái và ít về phía đuôi phải (xẹp phải)

Để rõ hơn vào Analyze>Descriptives> Explore để xem kiểm định Kolmogorov-
Smirnov và biểu đố Normal Q-Q plot
Kiểm định Shapiro-Wilk với Sig=0,000 ( nhỏ hơn 0,05  bác bỏ giả thuyết không).
Như vậy phân phối này không phải là phân phối chuẩn. Trên biểu đồ Q-Q plot ta
thấy sự liên hệ giữa trị số quan sát và trị số mong đợi không nằm trên đường thẳng.
Tài liệu tham khảo:
1. Armitage P. and Berry G. The normal distribution, in Statistical methods in medical
research, 3rd
edition, Backwell Scientific publication 1994, pp;66-71.
2. Altman DG. The normal distribution. statistic notes.BMJ 1995; 310:298.
3. Website: http://www.stat.wvu.edu/SRS/Modules/Normal/normal.html truy cập
ngày 12/02/09.

Phụ lục 10.1 Tính xác suất p (hàng) theo Z (cột)
Ví dụ: Z=0  p= 0.50
Z=1  p= 0.84
Z=2  p= 0.97

Phan phoi-chuan

More Related Content

What's hot

Viewers also liked

Similar to Phan phoi-chuan

Phan phoi-chuan