Phân phối chuẩn là phân phối xác suất có đồ thị hình chuông đối xứng, được xác định hoàn toàn bởi hai con số: trung bình (vị trí đỉnh chuông) và độ lệch chuẩn (độ bè của chuông). Nó còn được gọi là phân phối Gauss, theo tên Carl Friedrich Gauss, người dùng nó để mô tả sai số đo đạc trong thiên văn đầu thế kỷ 19. Hầu như mọi giáo trình xác suất thống kê đại học đều dành cho nó cả một chương, vì rất nhiều phương pháp phía sau dựa vào nó.
Bài này giúp bạn hiểu phân phối chuẩn bằng hình ảnh trước, công thức sau: hai tham số có nghĩa gì, quy tắc 68–95–99,7 dùng để ước lượng nhanh, điểm z để so sánh những thứ khác đơn vị, cách đọc bảng tra, và quan trọng không kém, khi nào dữ liệu không chuẩn và không nên ép nó thành chuẩn. Các số liệu minh hoạ là ví dụ giả định.
Hình chuông nói gì: hai tham số và diện tích dưới đường cong
Hãy hình dung đo chiều cao của rất nhiều người trưởng thành cùng giới trong một nhóm dân cư. Phần đông tụ quanh một giá trị giữa, càng xa giá trị đó càng ít người, và số người rất cao lẫn rất thấp đều hiếm như nhau. Vẽ tần suất lên đồ thị, bạn được một hình gần giống chiếc chuông. Phân phối chuẩn là mô hình toán học lý tưởng của hình dạng đó.
Tham số thứ nhất là trung bình, ký hiệu μ (đọc là muy). Nó quyết định đỉnh chuông nằm ở đâu trên trục ngang. Tăng μ thì cả chuông trượt sang phải, hình dạng không đổi. Tham số thứ hai là độ lệch chuẩn, ký hiệu σ (đọc là xích-ma). σ nhỏ thì chuông cao và hẹp, dữ liệu tụ sát trung bình; σ lớn thì chuông thấp và bè.
Điểm then chốt người mới học hay bỏ qua: với biến liên tục như chiều cao, xác suất nằm ở diện tích dưới đường cong chứ không phải ở chiều cao của đường cong. Xác suất một người cao đúng 165,000 cm là bằng 0; điều có ý nghĩa là xác suất cao từ 160 đến 170 cm, bằng phần diện tích dưới chuông giữa hai mốc đó. Tổng diện tích dưới cả đường cong luôn bằng 1, tức 100%.
Công thức hàm mật độ có chứa số e và số pi, nhìn khá đáng sợ, nhưng trong thực hành bạn hầu như không tính tích phân của nó bằng tay. Bạn dùng quy tắc ước lượng, bảng tra, hoặc hàm có sẵn trong bảng tính và máy tính cầm tay.
Quy tắc 68–95–99,7 để ước lượng trong đầu
Với mọi phân phối chuẩn, bất kể trung bình và độ lệch chuẩn là bao nhiêu, tỉ lệ dữ liệu nằm trong một, hai, ba độ lệch chuẩn quanh trung bình luôn cố định. Ví dụ giả định: chiều cao một nhóm có trung bình 165 cm, độ lệch chuẩn 6 cm.
| Khoảng | Tỉ lệ nằm trong khoảng | Với ví dụ 165 cm, độ lệch chuẩn 6 cm |
|---|---|---|
| Trung bình ± 1 độ lệch chuẩn | khoảng 68% | từ 159 đến 171 cm |
| Trung bình ± 2 độ lệch chuẩn | khoảng 95% | từ 153 đến 177 cm |
| Trung bình ± 3 độ lệch chuẩn | khoảng 99,7% | từ 147 đến 183 cm |
Từ quy tắc này suy ra được nhiều câu trả lời nhanh. Vì chuông đối xứng, phần nằm ngoài khoảng một độ lệch chuẩn là 32%, chia đều hai bên, nên khoảng 16% người cao hơn 171 cm. Tương tự, khoảng 2,5% cao hơn 177 cm. Con số chính xác hơn tra bảng là 15,9% và 2,3%; quy tắc chỉ dùng để ước lượng.
Quy tắc cũng giúp phát hiện số lạ: một giá trị cách trung bình hơn ba độ lệch chuẩn chỉ xuất hiện khoảng 3 lần trong 1.000 nếu dữ liệu thật sự chuẩn. Gặp nó nhiều hơn thế, hoặc là có lỗi nhập liệu, hoặc là dữ liệu không chuẩn như bạn tưởng.
Điểm z: đưa mọi phân phối chuẩn về cùng một thước đo
Điểm z cho biết một giá trị cách trung bình bao nhiêu độ lệch chuẩn. Công thức: z = (x − μ) / σ. Với ví dụ trên, một người cao 177 cm có z = (177 − 165) / 6 = 2, tức cao hơn trung bình hai độ lệch chuẩn. Người cao 159 cm có z = −1.
Sức mạnh của điểm z là so sánh những thứ khác đơn vị, khác thang đo. Ví dụ giả định: một sinh viên được 8 điểm môn giải tích trong lớp có trung bình 6,5 và độ lệch chuẩn 1; cùng lúc được 75 điểm một bài kiểm tra tiếng Anh thang 100 trong nhóm có trung bình 65, độ lệch chuẩn 10. Điểm z môn giải tích là 1,5; môn tiếng Anh là 1. So với bạn cùng nhóm, kết quả giải tích nổi bật hơn, dù 8 trên 10 nghe có vẻ thấp hơn 75 trên 100. Đây là phép so sánh vị trí tương đối, không nói gì về năng lực tuyệt đối.
Khi chuyển mọi giá trị x thành z, ta được phân phối chuẩn tắc với trung bình 0 và độ lệch chuẩn 1. Mọi bảng tra trong giáo trình đều in cho phân phối chuẩn tắc này. Vì vậy quy trình chuẩn luôn là: đổi sang z, rồi tra bảng.
Lỗi hay gặp: quên dấu âm, hoặc chia cho phương sai thay vì độ lệch chuẩn. Nếu đề cho phương sai bằng 36, độ lệch chuẩn là 6, không phải 36.
Đọc bảng phân phối chuẩn và kiểm bằng bảng tính
Bảng phân phối chuẩn tắc trong phần lớn giáo trình cho diện tích bên trái một giá trị z, gọi là hàm phân phối tích luỹ. Quy trình tra dưới đây áp dụng cho câu hỏi kiểu "bao nhiêu phần trăm người cao hơn 174 cm" với ví dụ giả định ở trên.
- Đổi sang z: (174 − 165) / 6 = 1,5.
- Tra bảng tại z = 1,50, được khoảng 0,9332. Đó là tỉ lệ người thấp hơn 174 cm.
- Câu hỏi là cao hơn, nên lấy phần bù: 1 − 0,9332 = 0,0668, tức khoảng 6,7%.
- Với z âm, dùng tính đối xứng: diện tích bên trái −1,5 bằng diện tích bên phải 1,5, cũng là 0,0668.
- Với câu hỏi "giữa hai giá trị", tra cả hai rồi trừ: tỉ lệ cao từ 159 đến 174 cm bằng diện tích trái của z = 1,5 trừ diện tích trái của z = −1, tức 0,9332 − 0,1587 = 0,7745.
- Kiểm lại bằng hàm phân phối chuẩn có sẵn trong bảng tính. Tên hàm khác nhau giữa các phần mềm và phiên bản, nên nhờ chatbot chỉ đúng tên hàm cho phần mềm bạn dùng, rồi tự nhập số.
Mẹo vẽ hình: trước khi tra, phác một chuông, đánh dấu vị trí z và tô phần diện tích cần tìm. Hầu hết lỗi lấy nhầm phần bù biến mất khi có hình trước mặt.
Một ví dụ trong kiểm soát chất lượng
Ví dụ giả định: một máy đóng gói gạo được chỉnh để mỗi túi nặng trung bình 5,02 kg, với độ lệch chuẩn 0,01 kg do dao động tự nhiên của máy. Nhãn ghi 5 kg. Hỏi tỉ lệ túi bị thiếu cân, tức nhẹ hơn 5 kg, là bao nhiêu nếu khối lượng có phân phối chuẩn?
Đổi sang z: (5 − 5,02) / 0,01 = −2. Diện tích bên trái z = −2 khoảng 0,0228, tức khoảng 2,3% số túi thiếu cân. Nếu muốn giảm xuống dưới 0,2%, có hai cách: dịch trung bình lên cao hơn, chấp nhận cho khách thêm gạo, hoặc giảm độ lệch chuẩn bằng cách bảo trì máy tốt hơn. Với trung bình 5,03 kg, z thành −3 và tỉ lệ thiếu cân chỉ còn khoảng 0,13%.
Ví dụ nhỏ này cho thấy vì sao người làm sản xuất quan tâm đến độ lệch chuẩn không kém trung bình. Giảm dao động cho phép đặt trung bình sát mức danh nghĩa hơn mà vẫn ít lỗi, tiết kiệm nguyên liệu trên hàng triệu sản phẩm. Các phương pháp quản lý chất lượng như biểu đồ kiểm soát đều xây trên ý tưởng này: đặt giới hạn cách trung bình ba độ lệch chuẩn, điểm nào vượt ra ngoài thì dừng lại tìm nguyên nhân.
Khi tự giải bài dạng này, hãy viết rõ giả định phân phối chuẩn, vì nếu máy thỉnh thoảng bị kẹt và cho ra túi rất nhẹ, đuôi bên trái sẽ dày hơn chuông Gauss và con số 2,3% sẽ đánh giá thấp thực tế.
Khi nào dữ liệu không chuẩn và cách nhận ra
Dữ liệu lệch một phía. Thời gian chờ, kích thước tệp, doanh số từng cửa hàng thường có đuôi kéo dài về bên phải: phần lớn nhỏ, một ít rất lớn. Ép những dữ liệu này vào phân phối chuẩn sẽ đánh giá thấp khả năng gặp giá trị cực lớn.
Dữ liệu bị chặn. Điểm thi có trần và sàn, số lượng không âm. Nếu trung bình nằm sát biên, chuông sẽ bị cắt cụt và quy tắc 68–95–99,7 không còn đúng.
Dữ liệu trộn nhiều nhóm. Chiều cao trộn cả nam và nữ có thể ra hình hai đỉnh. Trước khi giả định chuẩn, hỏi xem dữ liệu có gồm nhiều nhóm khác nhau không.
Cách kiểm bằng mắt. Vẽ biểu đồ tần suất xem có gần hình chuông và đối xứng không. Tốt hơn là biểu đồ phân vị so với phân vị chuẩn (Q-Q plot): nếu các điểm nằm gần một đường thẳng, dữ liệu gần chuẩn; cong ở hai đầu là dấu hiệu đuôi dày hoặc lệch.
Cách kiểm bằng kiểm định. Có các kiểm định như Shapiro–Wilk, nhưng với mẫu rất lớn chúng bác bỏ cả những sai lệch nhỏ không đáng kể, còn với mẫu nhỏ thì khó phát hiện sai lệch. Hình vẽ vẫn là bước đầu tiên.
Vì sao phân phối chuẩn xuất hiện nhiều đến vậy
Câu trả lời nằm ở định lý giới hạn trung tâm: tổng hoặc trung bình của nhiều yếu tố ngẫu nhiên nhỏ, độc lập, thường có phân phối gần chuẩn, kể cả khi từng yếu tố không chuẩn. Chiều cao chịu ảnh hưởng của rất nhiều gen và yếu tố môi trường cộng lại; sai số đo là tổng nhiều sai lệch nhỏ. Định lý này có bài riêng trong danh mục này, ở đây chỉ cần biết nó là lý do chuông Gauss phổ biến.
Hệ quả quan trọng cho người làm thống kê: dù dữ liệu gốc không chuẩn, trung bình mẫu đủ lớn vẫn xấp xỉ chuẩn. Đó là nền móng của khoảng tin cậy và kiểm định giả thuyết. Nhưng điều này không có nghĩa bản thân dữ liệu trở thành chuẩn khi thu nhiều hơn, một ngộ nhận khá phổ biến.
Khi học với chatbot, một bài tập tốt là yêu cầu: "Cho em năm ví dụ dữ liệu thực tế gần chuẩn và năm ví dụ không chuẩn, giải thích vì sao." Sau đó tự phản biện từng ví dụ. Chatbot đôi khi xếp thu nhập vào nhóm gần chuẩn, trong khi phân phối thu nhập thường lệch phải rõ rệt. Bắt được lỗi đó tức là bạn đã hiểu bài. Nếu bạn muốn nhờ AI phân tích một bộ số đo thật từ công việc, hãy bỏ mọi cột tên, mã nhân viên, địa chỉ trước khi dán; chỉ cần cột số.
Câu hỏi thường gặp
Phân phối chuẩn và phân phối chuẩn tắc khác nhau thế nào?
Phân phối chuẩn có trung bình và độ lệch chuẩn bất kỳ. Phân phối chuẩn tắc là trường hợp riêng có trung bình 0 và độ lệch chuẩn 1. Mọi phân phối chuẩn đều đưa về chuẩn tắc được bằng cách đổi sang điểm z.
Quy tắc 68–95–99,7 có dùng được cho mọi dữ liệu không?
Không. Quy tắc chỉ đúng cho dữ liệu gần chuẩn. Với dữ liệu lệch hoặc có nhiều nhóm trộn lẫn, tỉ lệ thực tế có thể khác xa. Bất đẳng thức Chebyshev cho một giới hạn yếu hơn nhưng đúng với mọi phân phối, ví dụ ít nhất 75% dữ liệu nằm trong hai độ lệch chuẩn.
Vì sao xác suất tại đúng một điểm của biến liên tục bằng 0?
Vì xác suất của biến liên tục được đo bằng diện tích dưới đường mật độ, và diện tích của một đoạn có độ rộng bằng 0 thì bằng 0. Câu hỏi có nghĩa luôn là xác suất nằm trong một khoảng.
Điểm z âm có nghĩa là gì?
Điểm z âm nghĩa là giá trị nằm dưới trung bình. Ví dụ z bằng âm 1,5 là thấp hơn trung bình một độ lệch chuẩn rưỡi. Dấu cho biết phía, độ lớn cho biết khoảng cách tính theo độ lệch chuẩn.
Có cần thuộc lòng bảng phân phối chuẩn không?
Không cần thuộc cả bảng. Nên nhớ vài mốc như z bằng 1 ứng với khoảng 84%, z bằng 1,96 ứng với 97,5% và z bằng 2 ứng với khoảng 97,7% diện tích bên trái, vì chúng xuất hiện liên tục trong khoảng tin cậy và kiểm định.
Làm sao biết dữ liệu của mình có gần chuẩn không?
Bắt đầu bằng biểu đồ tần suất và biểu đồ Q-Q. Nếu hình gần chuông đối xứng và các điểm Q-Q gần đường thẳng thì có thể dùng các phương pháp dựa trên chuẩn. Nếu lệch rõ, cân nhắc biến đổi dữ liệu hoặc dùng phương pháp phi tham số.