frequency distribution

statistics ထဲမှာ frequency distribution တွေ အမျိုးမျိုး ရှိပါတယ်။ ဒေတာတွေ ကို စုစည်းပြီး ပုံစံတွေ ကို ရှာဖွေဖို့ အတွက် အရမ်း အသုံးဝင်ပါတယ်။ အထူးသဖြင့် လူနာတွေ ဒါမှမဟုတ် ရောဂါတွေ ကို ခွဲခြမ်းစိတ်ဖြာ ကြည့်ဖို့ အတွက် အရမ်း ကောင်းပါတယ်။
အဓိက အမျိုးအစားတွေ ကို တစ်ခုချင်း ပွားကြတာပေါ့။

ပထမ အနေနဲ့ ဒေတာ စုစည်း နည်း အမျိုးအစား တွေ ကို စပြောချင်ပါတယ်။ ရိုးရိုး ဒေတာ တွေ ကို ဇယား လို စုစည်း ပြီး ကြည့်ရလွယ်အောင် လုပ်ပေးတာပါ။

၁။ Ungrouped Frequency Distribution –

ဒေတာ တစ်ခုချင်း၊ တစ်ခုချင်းစီရဲ့ အကြိမ်နှုန်း ကို ရေးထားတာပါ။ ဒေတာ နည်းနည်း ရှိရင် အရမ်း အဆင်ပြေပါတယ်။

ဆေးခန်း ငယ်လေး တစ်ခု မှာ နေ့စဉ် လူနာ ရောဂါ လက္ခဏာ တွေ ကို မှတ်တမ်း တင်တယ်ဆိုပါစို့တနင်္လာ မှာ ၅၀ ယောက်၊ အင်္ဂါ မှာ ၃၀ ယောက် ဆိုပြီး ရေးထားတာမျိုးပါ။ ဘယ် ရောဂါက ဘယ်နေ့ မှာ ပိုများလဲ ဆိုတာ ချက်ချင်းမြင်နိုင်ပါတယ်။


၂။ Grouped Frequency Distribution –

ဒေတာ တွေ ကို အုပ်စု ခွဲ ထား ပြီး အကြိမ်နှုန်း ရေး တာပါ။ ဒေတာ များများ ရှိရင် အရမ်း အဆင်ပြေ ပါတယ်။

ဆေးရုံ မှာ သွေးတွင်းသကြား ပမာဏ တွေ ကို အုပ်စု ခွဲ တယ်ဆိုပါစို့၊ <100 mg/dL (normal)၊ 100-125 mg/dL (prediabetes)၊ >125 mg/dL (diabetes) ဆိုပြီးအကြမ်းဖျဉ်းခွဲမယ်ပေါ့။ ၅၀၀ စစ်ဆေးတာမှာ ၄၀% လောက်ကက prediabetes မှာ ရှိတယ်ဆိုတာမျိုးကို  မြင်ရနိုင်ပါတယ်။

နောက်တစ်ခုက ကိုယ်အလေးချိန်ကိုအုပ်စု ခွဲပြီး လိုအပ်တဲ့ကုသမှုပေးတာမျိုးပေါ့။ ဝလွန်းတဲ့ အုပ်စု ကို အာဟာရပညာရှင်တွေနဲ့  စောင့်ရှောက်မှုပေးတာမျိုးပေါ့။ ပြည်သူ့ကျန်းမာရေးအတွက်လည်း သုံးလို့ရပါတယ်။

၃။ Cumulative Frequency Distribution –

အကြိမ်နှုန်းတွေကို စုစုပေါင်း ရေးထားတာမျိုးပါ။ ဘယ်လောက်ပမာဏ အထိရောက်လဲဆိုတာ မြင်နိုင်ပါတယ်။ ဂရပ်လို ပုံဆွဲလို့ ရပါတယ်။

ကင်ဆာ မှတ်တမ်းမှာ ရောဂါရှာဖွေ ပြီး နောက် ရှင်သန်ချိန်တွေ ကို စုစည်းတယ်ဆိုပါစို့၊ ၁ နှစ် အောက် ၅၀ ယောက်၊ ၂ နှစ် အထိ ၁၂၀ ယောက်၊ ၅ နှစ် မှာ ၈၀% ဆိုတာမျိုးပြလို့ရပါတယ်။ ရှင်သန် နိုင်မှုကို ဂရပ်ဆွဲကြည့်နိုင်ပါတယ်။


၄။ Relative Frequency Distribution –

စုပေါင်းထဲမှာ ရာခိုင်နှုန်းရေးထားတာမျိုးပါ။ အကြိမ်နှုန်း အများအနည်း မဟုတ်ပဲ အချိုးကို ကြည့် နိုင်ပါတယ်။

ဆေးရုံရဲ့ အရေးပေါ် ဌာန မှာ လူနာရောက်ရှိတဲ့အကြောင်းရင်းမှာ ၃၅%  ရာခိုင်နှုန်း က ဏ်ရာ၊ ၂၅% က နှလုံး၊ ၁၅% က အသက်ရှူလမ်းကြောင်းဆိုင်ရာ ဆိုပြီး ပြင်ပလူနာစာရင်းကနေ ခွဲထုတ်ပြသလို့ ရပါတယ်။

နောက်ထပ် အထူး အမျိုးအစား တွေ လည်း ရှိပါတယ်။ ဥပမာ exclusive series ၊ inclusive series၊ open-end series တွေဖြစ်ပါတယ်။

ဒါ တွေ က healthcare analytics မှာ အခြေခံ ဖြစ်ပါတယ်။ EHR ဒါမှမဟုတ် ဆေးပညာ စမ်းသပ် မှုတွေမှာလည်း အသုံးချနိုင်ပါတယ်။

နောက်တစ်ခုကတော့ probability distributions တွေပါ။ ဒါ တွေ က ဒေတာ ပုံစံ ကို ခန့်မှန်း ပြီး ခန့်မှန်း တွက်ချက် ရန် သုံး တာ ပါ။ ရိုးရိုး ဇယား မဟုတ်ပဲ ဖြစ်နိုင်ချေ နဲ့ ဆက်စပ် ပါတယ်။

၁။ Normal Distribution –
ချိန်ခွင်လျှာ ပုံ လို လှုပ်ရှား တာ။ အလယ် မှာ များ ပြီး ဘေး တွေ က လျော့ နည်းပါတယ်။ သဘာဝ ဖြစ်စဉ် တော်တော်များများ မှာ တွေ့ ရပါတယ်။ ခေါင်းလောင်းပုံစံလို့လည်း လူသိများပါတယ်။

လူကြီးတွေရဲ့ အရပ်ကို လေ့လာရာမှာ ပျမ်းမျှ ၁၇၀ စင်တီမီတာ၊ စံကွဲပြားမှု ၁၀ စင်တီမီတာ ဆို တာမျိုးပါ။ အလယ်မှာ အကြိမ်နှုန်းများ ပါတယ်။


၂။ Binomial Distribution –

လုပ်ဆောင်မှု မား မှာ အောင်မြင်မှု အရေအတွက် ကို ခန့်မှန်း တာမျိုးပါ။ လုပ်ဆောင်မှု n လုပ်ရင် အောင်မြင်မှု ဖြစ်နိုင်ချေ p ပါ။

ဆေးဝါး စမ်းသပ်မှုမှာ လူ ၁၀၀ ယောက် နဲ့ ကိုယ်ခံအားတုံ့ပြန်မှုကို စစ်တယ်ဆိုပါစို့၊ n=20၊ p=0.8 ဆို ပျမ်းမျှ ၁၆ ယောက် အောင်မြင်ပါတယ်။


၃။ Poisson Distribution –

ရှားပါး ဖြစ်ရပ် တွေ ကို ရေတွက်တာမျိုးမှာ သုံးပါတယ်။ အချိန် ဒါမှမဟုတ် နေရာ ကန့်သတ်ချက် မှာ ဖြစ်ရင် ပျမ်းမျှ λ နဲ့ ပါ။


အသုံးချ ပုံက အရင်းအမြစ် ခွဲဝေဖို့ပါ။ ဥပမာ ဖလူ ရာသီ မှာ လူနာ ရောက်ရှိ မှု ကို ခန့်မှန်း ပြီး ICU ဝန်ထမ်း ချ တာ။ ရောဂါ ကူးစက်မှု ပြဿနာကို ခန့်မှန်းတာမျိုးမှာလည်း အသုံးပြုပါတယ်။

၄။ Uniform Distribution –

ဖြစ်နိုင်ချေတွေ အားလုံး တူညီခဲ့ရင် သုံးပါတယ်။

ဥပမာ ဆေးခန်းမှာ လူနာရောက်ရှိချိန်က မနက် ၉ နာရီ ကနေ ညနေ ၅ နာရီ အထိ ညီမျှစွာ ရှိတယ်ဆိုပါစို့။ စောင့်ဆိုင်း ချိန်ကို အကောင်း ဆုံး လုပ်နိုင်ဖို့  စီစဉ်တာမျိုးမှာ သုံးနိုင်ပါတယ်။

၅။ Exponential Distribution –

Poisson မှာ ဖြစ်ရပ် တွေ ကြား ချိန် ကို ခန့်မှန်း တာပါ။ နှုန်း λ နဲ့ ပျမ်းမျှ 1/λ ပါ။

COPD လို နာတာရှည်ရောဂါမှာ ရောဂါပြန်ဖြစ်နိုင်ချိန် ကြားကာလ တစ်လလျှင် λ=0.5 ဆို ပျမ်းမျှ ၂ လ ကြာနိုင်ပါတယ်။

ဒါတွေက အကြမ်းဖျဉ်း စာရင်းအင်းပညာကို ကျန်းမာရေးမှာ ဘယ်လိုသုံးနိုင်လဲဆိုတာ ရေးပြတာပါ။
လက်တွေ့ တွက်ချက်မှု၊ ခန့်မှန်းမှုတွေက ဒီထက် ပိုမိုရှုပ်ထွေးပါတယ်။

နပေတိုး
M.Med.Sc (HA&HM)