Phân phối là gì? Các nghiên cứu khoa học về Phân phối

Giới thiệu về khái niệm phân phối

Phân phối xác suất mô tả cách các giá trị của một biến ngẫu nhiên được phân bố trong không gian mẫu. Nó cho biết khả năng xảy ra của mỗi giá trị cụ thể mà biến đó có thể nhận. Phân phối là khái niệm trung tâm trong xác suất, thống kê và khoa học dữ liệu, đóng vai trò nền tảng trong mô hình hóa dữ liệu, phân tích thống kê, và thuật toán học máy.

Một phân phối có thể được biểu diễn bằng bảng (với dữ liệu rời rạc), biểu đồ, hoặc công thức toán học. Phân phối giúp mô tả xu hướng trung tâm, độ biến thiên, và hình dạng tổng thể của dữ liệu. Phân tích phân phối của dữ liệu là bước đầu tiên và không thể thiếu trong bất kỳ quy trình phân tích dữ liệu chuyên nghiệp nào.

Có hai loại phân phối chính dựa theo đặc tính biến ngẫu nhiên: rời rạc và liên tục. Ví dụ, số lần xuất hiện của mặt “ngửa” khi tung đồng xu là biến rời rạc, còn chiều cao người là biến liên tục. Các phân phối như nhị thức, Poisson, Bernoulli thuộc nhóm rời rạc; còn chuẩn, mũ, đều là phân phối liên tục.

Phân loại phân phối xác suất

Việc phân loại phân phối giúp lựa chọn mô hình phù hợp với bản chất của dữ liệu và mục tiêu phân tích. Các phân phối có thể được phân chia theo tính chất của biến ngẫu nhiên hoặc theo số lượng biến được mô tả.

• Phân phối rời rạc (Discrete distribution): Biến ngẫu nhiên có thể nhận giá trị riêng biệt, thường là số nguyên. Mỗi giá trị có xác suất riêng được mô tả bởi hàm khối xác suất (PMF).
• Phân phối liên tục (Continuous distribution): Biến ngẫu nhiên có thể nhận vô số giá trị trong một khoảng thực. Xác suất được tính thông qua hàm mật độ xác suất (PDF).

Một số phân phối còn được phân loại theo ứng dụng hoặc cấu trúc thống kê:

• Phân phối đơn biến (Univariate): Mô tả một biến ngẫu nhiên duy nhất.
• Phân phối đa biến (Multivariate): Mô tả đồng thời nhiều biến có quan hệ tương quan.
• Phân phối hỗn hợp (Mixture Distribution): Tổ hợp của nhiều phân phối thành phần.

Bảng sau đây minh họa phân loại cơ bản:

Loại phân phối	Đặc điểm	Ví dụ phổ biến
Rời rạc	Giá trị rời rạc, có thể đếm	Bernoulli, Binomial, Poisson
Liên tục	Giá trị liên tục trong một khoảng	Normal, Exponential, Uniform
Hỗn hợp	Kết hợp nhiều phân phối thành phần	Gaussian Mixture Model (GMM)

Biến ngẫu nhiên và hàm phân phối

Một phân phối luôn gắn liền với một biến ngẫu nhiên $X$. Nếu $X$ là biến rời rạc, nó có thể nhận các giá trị $\{x_1, x_2, ..., x_n\}$ với xác suất tương ứng. Ta định nghĩa hàm khối xác suất (PMF) như sau:

$P(X = x_i) = p(x_i), \quad \sum_{i=1}^{n} p(x_i) = 1$

Nếu $X$ là biến liên tục, xác suất không được gán cho từng giá trị cụ thể mà thông qua hàm mật độ xác suất (PDF). Xác suất xảy ra trong khoảng [a, b] được tính bằng tích phân:

$P(a \leq X \leq b) = \int_a^b f(x) \, dx$

Hàm phân phối tích lũy (CDF) áp dụng cho cả rời rạc và liên tục, mô tả xác suất để biến ngẫu nhiên nhỏ hơn hoặc bằng một giá trị nhất định:

$F(x) = P(X \leq x)$

CDF luôn tăng đơn điệu và có giá trị nằm trong khoảng [0, 1]. Đối với biến liên tục, PDF có thể được lấy bằng đạo hàm của CDF:

$f(x) = \frac{dF(x)}{dx}$

Các phân phối rời rạc quan trọng

Trong thực tế, nhiều hiện tượng có thể được mô hình hóa bằng các phân phối rời rạc. Chúng mô tả tình huống có số lượng kết quả rời rạc như đếm số lần xảy ra một sự kiện, hoặc xác suất của các phép thử thành công.

• Bernoulli: Mô hình hóa kết quả nhị phân (0 hoặc 1), ví dụ: tung đồng xu một lần.
• Binomial: Mô hình hóa số lần thành công trong $n$ phép thử Bernoulli độc lập.
• Poisson: Mô hình hóa số lần xảy ra của một sự kiện trong một khoảng thời gian nhất định.

Hàm xác suất của phân phối nhị thức được định nghĩa như sau:

$P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}$

Trong đó:

• $n$: số phép thử
• $k$: số lần thành công
• $p$: xác suất thành công trong một phép thử

Phân phối Poisson có hàm xác suất:

$P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!}$

Với $\lambda$ là số lần xảy ra trung bình trong một đơn vị thời gian hoặc không gian. Phân phối này thường được dùng trong viễn thông, sinh học, và logistics.

Các phân phối liên tục quan trọng

Phân phối liên tục được sử dụng để mô tả các đại lượng có thể nhận giá trị bất kỳ trong một khoảng thực. Chúng phổ biến trong mô hình hóa đo lường, thời gian, giá trị thực, và rất quan trọng trong các mô hình xác suất liên tục.

• Phân phối chuẩn (Normal Distribution): Mô hình hóa các hiện tượng tự nhiên như chiều cao, điểm thi, sai số đo lường. Đường cong hình chuông, đối xứng quanh trung bình.
• Phân phối mũ (Exponential Distribution): Dùng để mô tả thời gian giữa các sự kiện xảy ra ngẫu nhiên và độc lập theo thời gian, như thời gian chờ giữa hai cuộc gọi.
• Phân phối đều (Uniform Distribution): Xác suất đồng đều trong một khoảng nhất định. Thường dùng trong mô phỏng hoặc khi chưa có thông tin gì về xác suất thực tế.

Hàm mật độ xác suất (PDF) của phân phối chuẩn:

$f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left(-\frac{(x - \mu)^2}{2\sigma^2}\right)$

Trong đó $\mu$ là trung bình, $\sigma$ là độ lệch chuẩn. Phân phối chuẩn chuẩn hóa có $\mu = 0$, $\sigma = 1$. Các giá trị trong khoảng $[-3\sigma, 3\sigma]$ chiếm khoảng 99.7% dữ liệu.

Tham số của phân phối

Mỗi phân phối được đặc trưng bởi một tập hợp tham số, xác định hình dạng, vị trí, và độ lan rộng của nó. Việc hiểu và ước lượng các tham số là cốt lõi trong thống kê suy diễn.

Phân phối	Tham số	Ý nghĩa
Chuẩn (Normal)	$\mu, \sigma$	Trung bình và độ lệch chuẩn
Nhị thức (Binomial)	n, p	Số phép thử và xác suất thành công
Mũ (Exponential)	$\lambda$	Tốc độ xảy ra của sự kiện

Việc ước lượng tham số có thể được thực hiện qua phương pháp hợp lý cực đại (Maximum Likelihood Estimation – MLE) hoặc Bayesian inference. Ví dụ, MLE của trung bình từ mẫu là trung bình cộng của các giá trị quan sát.

Đặc trưng của phân phối

Ngoài tham số, các đặc trưng thống kê như kỳ vọng, phương sai, độ lệch (skewness) và độ nhọn (kurtosis) giúp mô tả tính chất tổng thể của một phân phối và so sánh giữa các phân phối khác nhau.

• Kỳ vọng (mean): Giá trị trung bình của biến ngẫu nhiên.
• Phương sai (variance): Đo mức độ phân tán xung quanh trung bình.
• Skewness: Đo độ bất đối xứng của phân phối.
• Kurtosis: Đo mức độ tập trung (sharpness) của đỉnh phân phối.

Công thức:

$E[X] = \int_{-\infty}^{\infty} x f(x) dx$ $Var(X) = E[(X - \mu)^2]$

Phân phối chuẩn có skewness = 0, kurtosis = 3. Các giá trị lệch chuẩn biểu thị rằng dữ liệu có đuôi dài hơn hoặc ngắn hơn so với chuẩn.

Phân phối lấy mẫu và luật lớn số

Trong thống kê suy diễn, ta không quan sát toàn bộ tổng thể mà lấy mẫu. Phân phối lấy mẫu (sampling distribution) mô tả sự phân bố của một thống kê (như trung bình mẫu) qua nhiều mẫu khác nhau.

Luật số lớn (LLN): Khi số lượng mẫu tăng, trung bình mẫu sẽ hội tụ về trung bình của tổng thể.

Định lý giới hạn trung tâm (CLT): Với kích thước mẫu đủ lớn, phân phối của trung bình mẫu sẽ xấp xỉ phân phối chuẩn, bất kể phân phối gốc là gì.

Hai định lý trên là cơ sở cho nhiều bài toán thống kê hiện đại, bao gồm kiểm định giả thuyết, xây dựng khoảng tin cậy và mô hình hóa học máy.

Phân phối trong học máy và dữ liệu lớn

Trong học máy, phân phối dữ liệu ảnh hưởng trực tiếp đến hiệu suất và độ tin cậy của mô hình. Hiểu phân phối giúp chọn đúng thuật toán, giảm thiểu sai số và tránh hiện tượng overfitting.

• Class imbalance: Dữ liệu bị lệch phân phối giữa các lớp gây khó khăn cho các thuật toán phân loại.
• Anomaly detection: Mô hình học được phân phối bình thường và xác định điểm bất thường là các điểm lệch khỏi phân phối đó.
• Generative models: GANs, VAEs mô phỏng phân phối xác suất để sinh dữ liệu mới.

Công cụ như TensorFlow Probability hoặc Pyro giúp xây dựng mô hình xác suất linh hoạt trong môi trường học sâu.

Kiểm định giả thuyết và sự phù hợp của phân phối

Kiểm định giả thuyết là quá trình đánh giá xem dữ liệu thực tế có phù hợp với một giả định về phân phối hay không. Một số kiểm định thống kê thường dùng gồm:

• Kolmogorov-Smirnov (KS): So sánh CDF của dữ liệu với CDF lý thuyết.
• Chi-squared: So sánh tần suất quan sát và tần suất mong đợi.
• Anderson-Darling: Nhấn mạnh sai lệch ở phần đuôi phân phối.

Ngoài kiểm định định lượng, các phương pháp trực quan như histogram, Q-Q plot, hoặc box plot cũng giúp đánh giá hình dạng và sự phù hợp của phân phối dữ liệu.

Một mô hình thống kê tốt không chỉ dựa vào độ chính xác mà còn cần phù hợp về mặt phân phối dữ liệu. Nếu dữ liệu đầu vào lệch khỏi phân phối giả định, kết quả thống kê có thể bị sai lệch nghiêm trọng.

Tài liệu tham khảo

• Casella, G., & Berger, R. L. (2002). Statistical Inference. Duxbury Press.
• Rice, J. A. (2006). Mathematical Statistics and Data Analysis. Duxbury Press.
• Wasserman, L. (2004). All of Statistics. Springer.
• Statlect: Probability Distributions
• NIST: Distribution Identification
• ScienceDirect: Modeling Distributions in Data Streams