[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_%C6%B0%E1%BB%9Bc%20l%C6%B0%E1%BB%A3ng%20c%E1%BB%B1c%20%C4%91%E1%BA%A1i%20kh%E1%BA%A3%20n%C4%83ng{\"limit\":5}":3,"_public_topic_byId_%C6%B0%E1%BB%9Bc%20l%C6%B0%E1%BB%A3ng%20c%E1%BB%B1c%20%C4%91%E1%BA%A1i%20kh%E1%BA%A3%20n%C4%83ng":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":17,"synonyms":18,"definition":22,"discipline":23,"references":24,"faqs":78,"createUser":91,"publishUser":95,"keywords":96,"keywordCount":92,"enrichTopicLink":97,"status":98,"createTime":99,"updateTime":100,"publishTime":101,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":102,"wikidataId":10,"relateTopics":103},"ước lượng cực đại khả năng","Ước lượng cực đại khả năng là gì? Bản chất và ứng dụng","Ước lượng cực đại khả năng là phương pháp thống kê tìm tham số mô hình nhằm tối đa hóa hàm khả năng của dữ liệu quan sát, đảm bảo tính vững và hiệu quả.","\u003Cp>Ước lượng cực đại khả năng là phương pháp thống kê suy diễn nhằm tìm kiếm giá trị tham số chưa biết của mô hình xác suất sao cho hàm khả năng của tập dữ liệu quan sát đạt giá trị lớn nhất. Phương pháp này dựa trên nguyên lý trực quan rằng trong số các giá trị tham số khả dĩ, giá trị được chọn làm ước lượng phải là giá trị làm cho mẫu dữ liệu thực tế thu thập được có xác suất xuất hiện cao nhất. Trong lý thuyết thống kê hiện đại, ước lượng cực đại khả năng giữ vai trò nền tảng cho việc xây dựng ước lượng điểm, khoảng tin cậy và các thủ tục kiểm định giả thuyết thống kê.\u003C\u002Fp>\n\n\u003Ch2>Bản chất toán học và nguyên lý hoạt động\u003C\u002Fh2>\n\n\u003Cp>Nguyên lý cực đại khả năng xuất phát từ việc đảo ngược vai trò của biến ngẫu nhiên và tham số trong hàm mật độ xác suất. Khi mô hình hóa một hiện tượng ngẫu nhiên, ta thường giả định dữ liệu tuân theo một phân phối xác suất xác định bởi vector tham số nhưng giá trị cụ thể của vector này chưa được biết.\u003C\u002Fp>\n\n\u003Ch3>Hàm khả năng và hàm log-khả năng\u003C\u002Fh3>\n\n\u003Cp>Giả sử ta thu thập được một mẫu ngẫu nhiên gồm các quan sát độc lập và cùng phân phối, ký hiệu là vector quan sát \u003Cscript type=\"math\u002Ftex\">X = (X_1, X_2, \\dots, X_n)\u003C\u002Fscript>, trong đó \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> là kích thước mẫu quan sát. Giả sử mỗi biến ngẫu nhiên \u003Cscript type=\"math\u002Ftex\">X_i\u003C\u002Fscript> có hàm mật độ xác suất đối với biến liên tục hoặc hàm khối xác suất đối với biến rời rạc là \u003Cscript type=\"math\u002Ftex\">f(x_i; \\theta)\u003C\u002Fscript>, với \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript> là vector tham số thuộc không gian tham số \u003Cscript type=\"math\u002Ftex\">\\Theta\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Cp>Khi các giá trị quan sát cụ thể \u003Cscript type=\"math\u002Ftex\">x = (x_1, x_2, \\dots, x_n)\u003C\u002Fscript> đã được ghi nhận cố định, hàm mật độ đồng thời được xem như một hàm số của riêng tham số \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript>. Hàm số này được gọi là hàm khả năng, ký hiệu là \u003Cscript type=\"math\u002Ftex\">L(\\theta; x)\u003C\u002Fscript> hoặc viết gọn là \u003Cscript type=\"math\u002Ftex\">L(\\theta)\u003C\u002Fscript>:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">L(\\theta; x) = \\prod_{i=1}^n f(x_i; \\theta)\u003C\u002Fscript>\n\n\u003Cp>Trong thực hành giải tích và tính toán số học, việc thao tác trực tiếp trên tích của nhiều hàm mật độ thường gặp trở ngại do hiện tượng tràn số dưới khi tích các số nhỏ hơn một tiến dần về không. Để khắc phục, ta lấy logarit tự nhiên của hàm khả năng để thu được hàm log-khả năng, ký hiệu là \u003Cscript type=\"math\u002Ftex\">\\ell(\\theta; x)\u003C\u002Fscript>:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\ell(\\theta; x) = \\ln L(\\theta; x) = \\sum_{i=1}^n \\ln f(x_i; \\theta)\u003C\u002Fscript>\n\n\u003Cp>Do hàm logarit tự nhiên là hàm đơn điệu tăng ngặt trên tập số thực dương, giá trị tham số \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript> tối đa hóa hàm khả năng \u003Cscript type=\"math\u002Ftex\">L(\\theta)\u003C\u002Fscript> cũng chính là giá trị tối đa hóa hàm log-khả năng \u003Cscript type=\"math\u002Ftex\">\\ell(\\theta)\u003C\u002Fscript>. Ước lượng cực đại khả năng, ký hiệu là \u003Cscript type=\"math\u002Ftex\">\\hat{\\theta}\u003C\u002Fscript>, được định nghĩa chính thức bằng biểu thức:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\hat{\\theta} = \\arg\\max_{\\theta \\in \\Theta} \\ell(\\theta; x)\u003C\u002Fscript>\n\n\u003Ch3>Phương trình khả năng và hàm điểm\u003C\u002Fh3>\n\n\u003Cp>Khi hàm log-khả năng khả vi đối với vector tham số \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript>, việc tìm điểm cực đại thường quy về việc xác định điểm dừng thông qua đạo hàm bậc nhất. Vector đạo hàm riêng bậc nhất của hàm log-khả năng theo tham số được gọi là hàm điểm hoặc vector điểm, ký hiệu là \u003Cscript type=\"math\u002Ftex\">S(\\theta)\u003C\u002Fscript>:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">S(\\theta) = \\nabla_\\theta \\ell(\\theta; x) = \\sum_{i=1}^n \\nabla_\\theta \\ln f(x_i; \\theta)\u003C\u002Fscript>\n\n\u003Cp>Hệ phương trình xác định điểm dừng thu được bằng cách cho vector điểm bằng vector không được gọi là hệ phương trình khả năng:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">S(\\theta) = 0\u003C\u002Fscript>\n\n\u003Cp>Nghiệm của hệ phương trình này là các điểm dừng tiềm năng. Để khẳng định một điểm dừng thực sự là điểm cực đại địa phương, ma trận Hessian chứa các đạo hàm riêng bậc hai của hàm log-khả năng, ký hiệu là \u003Cscript type=\"math\u002Ftex\">H(\\theta) = \\nabla_\\theta^2 \\ell(\\theta; x)\u003C\u002Fscript>, phải là ma trận nửa xác định âm hoặc xác định âm tại điểm đó:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">H(\\hat{\\theta}) \u003C 0\u003C\u002Fscript>\n\n\u003Ch3>Tính bất biến hàm số của ước lượng cực đại khả năng\u003C\u002Fh3>\n\n\u003Cp>Một ưu điểm giải tích nổi bật của ước lượng cực đại khả năng là tính bất biến hàm số đối với các phép biến đổi tham số. Giả sử \u003Cscript type=\"math\u002Ftex\">\\hat{\\theta}\u003C\u002Fscript> là ước lượng cực đại khả năng của vector tham số \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript>, và xét một hàm số \u003Cscript type=\"math\u002Ftex\">g(\\theta)\u003C\u002Fscript> chuyển không gian tham số sang một không gian mới. Khi đó, ước lượng cực đại khả năng của đại lượng chuyển đổi \u003Cscript type=\"math\u002Ftex\">g(\\theta)\u003C\u002Fscript> chính là giá trị hàm tính tại ước lượng cực đại khả năng ban đầu:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\widehat{g(\\theta)} = g(\\hat{\\theta})\u003C\u002Fscript>\n\n\u003Cp>Tính chất này nghiệm đúng cho mọi hàm chuyển đổi, kể cả các hàm không đơn ánh. Đây là đặc điểm vượt trội so với các phương pháp ước lượng không chệch, bởi nếu \u003Cscript type=\"math\u002Ftex\">\\hat{\\theta}\u003C\u002Fscript> là ước lượng không chệch của \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript> thì thông thường \u003Cscript type=\"math\u002Ftex\">g(\\hat{\\theta})\u003C\u002Fscript> không còn là ước lượng không chệch của \u003Cscript type=\"math\u002Ftex\">g(\\theta)\u003C\u002Fscript> do bất đẳng thức Jensen.\u003C\u002Fp>\n\n\u003Ch2>Lịch sử hình thành và cơ sở lý thuyết\u003C\u002Fh2>\n\n\u003Cp>Khái niệm khả năng và phương pháp tối đa hóa khả năng đã trải qua quá trình phát triển sâu sắc trong lịch sử thống kê toán học, gắn liền với những tên tuổi đặt nền móng cho lý thuyết suy diễn thống kê hiện đại.\u003C\u002Fp>\n\n\u003Cp>Phương pháp ước lượng tham số hệ thống đầu tiên là phương pháp moment, do nhà thống kê học Karl Pearson đề xuất vào năm 1894. Phương pháp moment dựa trên việc đồng nhất các moment lý thuyết của phân phối với các moment thực nghiệm của mẫu dữ liệu. Dù phương pháp moment có ưu thế về tính toán trực tiếp, các ước lượng thu được thường không đạt phương sai tối thiểu.\u003C\u002Fp>\n\n\u003Cp>Vào năm 1922, nhà toán học và sinh học Ronald Fisher công bố công trình chuyên khảo mang tính bước ngoặt, chính thức đặt nền móng toán học cho lý thuyết ước lượng thống kê. Trong bài báo này, Ronald Fisher phân định rạch ròi giữa khái niệm xác suất và khái niệm khả năng. Ông chỉ ra rằng khả năng không phải là thước đo xác suất trên không gian tham số, mà là thước đo mức độ hợp lý của các tham số khi đã biết dữ liệu mẫu. Ronald Fisher đã bác bỏ việc lạm dụng tiên nghiệm đều trong suy diễn nghịch đảo cổ điển và đề xuất phương pháp ước lượng cực đại khả năng như một nguyên lý suy diễn độc lập.\u003C\u002Fp>\n\n\u003Cp>Đến năm 1925, Ronald Fisher hoàn thiện công trình lý thuyết của mình, đưa ra định nghĩa định lượng về lượng thông tin mà một quan sát mang lại về tham số, đại lượng ngày nay được vinh danh là thông tin Fisher. Ronald Fisher chứng minh rằng ước lượng cực đại khả năng có tính hiệu quả tiệm cận, tức là trong giới hạn mẫu lớn, không một ước lượng nào có thể đạt phương sai nhỏ hơn phương sai của nghiệm cực đại khả năng.\u003C\u002Fp>\n\n\u003Cp>Nền tảng kiểm định dựa trên hàm khả năng tiếp tục được củng cố vào năm 1938 khi Samuel Wilks chứng minh định lý về phân phối tiệm cận của tỷ số khả năng. Định lý Wilks chỉ ra rằng đại lượng kiểm định tỷ số khả năng khi nhân với hệ số âm hai sẽ tiệm cận phân phối Khi bình phương với bậc tự do bằng số lượng ràng buộc tham số. Kết quả này cung cấp công cụ mạnh mẽ để kiểm định các giả thuyết phức tạp trong các mô hình tham số đa chiều.\u003C\u002Fp>\n\n\u003Cp>Tính vững nhất quán của ước lượng cực đại khả năng được nhà toán học Abraham Wald chứng minh một cách chặt chẽ dưới các điều kiện topo và giải tích tổng quát vào năm 1949. Công trình của Abraham Wald giải quyết các câu hỏi hóc búa về tính hội tụ theo xác suất và hội tụ hầu chắc chắn của ước lượng cực đại khả năng về giá trị chân thực của tham số khi kích thước mẫu tiến tới vô cùng.\u003C\u002Fp>\n\n\u003Ch2>Tính chất tiệm cận và điều kiện chính quy\u003C\u002Fh2>\n\n\u003Cp>Sức mạnh lý thuyết của ước lượng cực đại khả năng thể hiện rõ nhất qua các tính chất tiệm cận khi kích thước mẫu \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> tăng dần đến vô cùng, với điều kiện mô hình thỏa mãn các điều kiện chính quy tiêu chuẩn.\u003C\u002Fp>\n\n\u003Ch3>Các điều kiện chính quy của bài toán\u003C\u002Fh3>\n\n\u003Cp>Để ước lượng cực đại khả năng sở hữu các tính chất tiệm cận tối ưu, mô hình xác suất cần thỏa mãn các giả định chính quy sau đây:\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>Không gian tham số \u003Cscript type=\"math\u002Ftex\">\\Theta\u003C\u002Fscript> là tập mở trong không gian Euclid đa chiều và tham số là phân biệt được, nghĩa là hai giá trị tham số khác nhau sẽ sinh ra hai phân phối xác suất khác nhau.\u003C\u002Fli>\n\u003Cli>Miền xác định của biến ngẫu nhiên, tức tập hợp các điểm có mật độ xác suất dương, không phụ thuộc vào giá trị của tham số \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript>.\u003C\u002Fli>\n\u003Cli>Hàm log-khả năng khả vi liên tục đến cấp ba theo vector tham số trên toàn bộ không gian tham số.\u003C\u002Fli>\n\u003Cli>Các phép toán đạo hàm theo tham số và tích phân theo miền biến ngẫu nhiên có thể hoán đổi thứ tự cho nhau đối với hàm mật độ xác suất.\u003C\u002Fli>\n\u003Cli>Ma trận thông tin Fisher là hữu hạn và xác định dương tại giá trị chân thực của tham số.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch3>Tính vững tiệm cận\u003C\u002Fh3>\n\n\u003Cp>Dưới các điều kiện chính quy, ước lượng cực đại khả năng \u003Cscript type=\"math\u002Ftex\">\\hat{\\theta}_n\u003C\u002Fscript> có tính vững tiệm cận, nghĩa là chuỗi ước lượng hội tụ theo xác suất về giá trị chân thực của tham số, ký hiệu là \u003Cscript type=\"math\u002Ftex\">\\theta_0\u003C\u002Fscript>, khi kích thước mẫu \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> tiến tới vô cùng:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\hat{\\theta}_n \\xrightarrow{P} \\theta_0 \\quad \\text{khi} \\quad n \\to \\infty\u003C\u002Fscript>\n\n\u003Cp>Trong nhiều trường hợp tổng quát hơn đã được Abraham Wald khảo sát, tính vững còn đạt được ở mức độ hội tụ hầu chắc chắn theo luật số lớn.\u003C\u002Fp>\n\n\u003Ch3>Tính chuẩn tiệm cận\u003C\u002Fh3>\n\n\u003Cp>Bên cạnh việc hội tụ về giá trị thực, sai số chuẩn hóa của ước lượng cực đại khả năng còn có phân phối giới hạn là phân phối chuẩn đa biến. Cụ thể, khi nhân độ lệch giữa ước lượng và giá trị chân thực với căn bậc hai của kích thước mẫu, phân phối tiệm cận được mô tả bởi:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\sqrt{n}(\\hat{\\theta}_n - \\theta_0) \\xrightarrow{d} \\mathcal{N}\\left(0, I_1(\\theta_0)^{-1}\\right)\u003C\u002Fscript>\n\n\u003Cp>Trong biểu thức trên, ký hiệu \u003Cscript type=\"math\u002Ftex\">\\xrightarrow{d}\u003C\u002Fscript> biểu thị sự hội tụ theo phân phối, và \u003Cscript type=\"math\u002Ftex\">I_1(\\theta_0)\u003C\u002Fscript> là ma trận thông tin Fisher cho một quan sát đơn lẻ.\u003C\u002Fp>\n\n\u003Ch3>Tính hiệu quả tiệm cận và ma trận thông tin Fisher\u003C\u002Fh3>\n\n\u003Cp>Ma trận thông tin Fisher đo lường lượng thông tin mà mẫu ngẫu nhiên mang lại về tham số chưa biết. Với một quan sát đơn lẻ, ma trận thông tin Fisher được xác định qua kỳ vọng của tích ngoài của vector điểm:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">I_1(\\theta) = \\mathbb{E}\\left[ \\left(\\nabla_\\theta \\ln f(X; \\theta)\\right) \\left(\\nabla_\\theta \\ln f(X; \\theta)\\right)^T \\right]\u003C\u002Fscript>\n\n\u003Cp>Dưới các điều kiện chính quy cho phép hoán đổi đạo hàm và tích phân, ma trận thông tin Fisher còn được tính thông qua kỳ vọng đổi dấu của ma trận đạo hàm riêng bậc hai:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">I_1(\\theta) = -\\mathbb{E}\\left[ \\nabla_\\theta^2 \\ln f(X; \\theta) \\right]\u003C\u002Fscript>\n\n\u003Cp>Đối với mẫu gồm \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> quan sát độc lập, tổng lượng thông tin Fisher bằng \u003Cscript type=\"math\u002Ftex\">I_n(\\theta) = n I_1(\\theta)\u003C\u002Fscript>. Bất đẳng thức Cramér-Rao chỉ ra rằng ma trận hiệp phương sai của mọi ước lượng không chệch luôn bị chặn dưới bởi nghịch đảo của ma trận thông tin Fisher. Do phân phối tiệm cận của ước lượng cực đại khả năng đạt đúng ma trận hiệp phương sai bằng nghịch đảo thông tin Fisher, ước lượng cực đại khả năng được khẳng định là có tính hiệu quả tiệm cận tuyệt đối.\u003C\u002Fp>\n\n\u003Ch2>Hạn chế, phản chứng và các trường hợp không chính quy\u003C\u002Fh2>\n\n\u003Cp>Mặc dù sở hữu các tính chất tiệm cận mạnh mẽ, ước lượng cực đại khả năng không phải là phương pháp tối ưu vô điều kiện. Trong thực tế mô hình hóa, phương pháp này bộc lộ những hạn chế đáng kể khi cỡ mẫu nhỏ hoặc khi các giả định chính quy bị vi phạm.\u003C\u002Fp>\n\n\u003Ch3>Độ chệch trong mẫu hữu hạn: Trường hợp phương sai phân phối chuẩn\u003C\u002Fh3>\n\n\u003Cp>Ước lượng cực đại khả năng không đảm bảo tính không chệch trong mẫu có kích thước hữu hạn. Minh họa kinh điển cho hiện tượng này là bài toán ước lượng kỳ vọng và phương sai của mẫu tuân theo phân phối chuẩn \u003Cscript type=\"math\u002Ftex\">\\mathcal{N}(\\mu, \\sigma^2)\u003C\u002Fscript>, với \u003Cscript type=\"math\u002Ftex\">\\mu\u003C\u002Fscript> là giá trị trung bình và \u003Cscript type=\"math\u002Ftex\">\\sigma^2\u003C\u002Fscript> là phương sai.\u003C\u002Fp>\n\n\u003Cp>Ước lượng cực đại khả năng cho giá trị trung bình là trung bình mẫu:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\hat{\\mu} = \\frac{1}{n} \\sum_{i=1}^n X_i\u003C\u002Fscript>\n\n\u003Cp>Ước lượng này là một ước lượng không chệch vì kỳ vọng toán học của nó bằng đúng \u003Cscript type=\"math\u002Ftex\">\\mu\u003C\u002Fscript>. Tuy nhiên, ước lượng cực đại khả năng cho phương sai có dạng:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\hat{\\sigma}^2 = \\frac{1}{n} \\sum_{i=1}^n (X_i - \\hat{\\mu})^2\u003C\u002Fscript>\n\n\u003Cp>Khi tính kỳ vọng toán học của ước lượng phương sai này, ta thu được kết quả:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\mathbb{E}[\\hat{\\sigma}^2] = \\frac{n-1}{n} \\sigma^2 = \\sigma^2 - \\frac{\\sigma^2}{n}\u003C\u002Fscript>\n\n\u003Cp>Biểu thức trên cho thấy ước lượng cực đại khả năng của phương sai bị chệch âm, tức là luôn đánh giá thấp phương sai thực tế của tổng thể một lượng tỷ lệ nghịch với kích thước mẫu. Dù độ chệch này triệt tiêu khi kích thước mẫu tiến tới vô cùng, trong các nghiên cứu với cỡ mẫu nhỏ, việc sử dụng trực tiếp ước lượng cực đại khả năng dẫn đến việc đánh giá sai độ phân tán của dữ liệu. Để khắc phục, các nhà thống kê phải thay thế mẫu số bằng số bậc tự do hiệu chỉnh là \u003Cscript type=\"math\u002Ftex\">n-1\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Ch3>Nghịch lý Neyman-Scott: Khi số lượng tham số tăng theo cỡ mẫu\u003C\u002Fh3>\n\n\u003Cp>Một trong những phản chứng sâu sắc nhất đối với tính vững của ước lượng cực đại khả năng được Jerzy Neyman và Elizabeth Scott phát hiện vào năm 1948, được biết đến với tên gọi nghịch lý Neyman-Scott.\u003C\u002Fp>\n\n\u003Cp>Xét bài toán thu thập \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> cặp quan sát độc lập, mỗi cặp gồm hai biến ngẫu nhiên tuân theo phân phối chuẩn có kỳ vọng riêng biệt nhưng chung phương sai. Khi đó, số lượng tham số kỳ vọng riêng tăng tuyến tính theo kích thước mẫu, tạo thành chuỗi các tham số gây nhiễu vô hạn. Jerzy Neyman và Elizabeth Scott đã chứng minh rằng khi kích thước mẫu tiến tới vô cùng, ước lượng cực đại khả năng của phương sai chung không hội tụ về phương sai chân thực mà hội tụ về một nửa giá trị chân thực:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\hat{\\sigma}^2 \\xrightarrow{P} \\frac{1}{2} \\sigma^2 \\quad \\text{khi} \\quad n \\to \\infty\u003C\u002Fscript>\n\n\u003Cp>Nghịch lý này chứng minh rằng khi số chiều của không gian tham số tăng cùng tốc độ với kích thước mẫu, ước lượng cực đại khả năng hoàn toàn mất tính vững tiệm cận.\u003C\u002Fp>\n\n\u003Ch3>Vi phạm điều kiện biên: Phân phối đều liên tục\u003C\u002Fh3>\n\n\u003Cp>Khi miền xác định của biến ngẫu nhiên phụ thuộc trực tiếp vào tham số, điều kiện chính quy của Ronald Fisher bị vi phạm, khiến các công cụ giải tích thông thường không còn áp dụng được. Xét biến ngẫu nhiên tuân theo phân phối đều trên đoạn từ không đến \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript>, ký hiệu là \u003Cscript type=\"math\u002Ftex\">U(0, \\theta)\u003C\u002Fscript>, với \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript> là tham số cận trên dương.\u003C\u002Fp>\n\n\u003Cp>Hàm mật độ xác suất của mỗi quan sát bằng nghịch đảo của \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript> trên khoảng xác định và bằng không ở ngoài khoảng đó. Do đó, hàm khả năng có giá trị dương khi và chỉ khi mọi quan sát đều nhỏ hơn hoặc bằng \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript>:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">L(\\theta; x) = \\frac{1}{\\theta^n} \\quad \\text{với} \\quad \\theta \\ge \\max_{1 \\le i \\le n} x_i\u003C\u002Fscript>\n\n\u003Cp>Hàm khả năng là một hàm giảm ngặt theo \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript> trên miền xác định hợp lệ, do đó đạo hàm không bao giờ triệt tiêu. Giá trị làm cực đại hóa hàm khả năng chính là giá trị biên nhỏ nhất có thể của tham số, tức là thống kê thứ tự lớn nhất của mẫu quan sát:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\hat{\\theta} = \\max_{1 \\le i \\le n} X_i\u003C\u002Fscript>\n\n\u003Cp>Ước lượng này luôn nhỏ hơn hoặc bằng giá trị chân thực của tham số, dẫn đến độ chệch âm trong mẫu hữu hạn. Tốc độ hội tụ của ước lượng trong trường hợp phi chính quy này đạt bậc tỷ lệ nghịch với \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript>, nhanh hơn đáng kể so với tốc độ chuẩn thông thường là căn bậc hai của kích thước mẫu.\u003C\u002Fp>\n\n\u003Ch3>Hàm khả năng không bị chặn: Mô hình hỗn hợp Gauss\u003C\u002Fh3>\n\n\u003Cp>Trong các mô hình thống kê phức tạp như mô hình hỗn hợp Gauss, hàm khả năng có thể không bị chặn trên không gian tham số. Nếu một thành phần của mô hình hỗn hợp có tâm kỳ vọng trùng khít với đúng một quan sát trong mẫu và phương sai của thành phần đó tiến dần về không, hàm mật độ tại điểm đó sẽ tiến tới vô cùng, kéo theo hàm khả năng tiến tới vô cùng.\u003C\u002Fp>\n\n\u003Cp>Hiện tượng này tạo ra các điểm kỳ dị vô hạn trên bề mặt hàm khả năng. Cực đại toàn cục trong trường hợp này là các nghiệm suy biến không mang ý nghĩa thực tiễn. Khi áp dụng phương pháp cực đại khả năng cho các mô hình hỗn hợp, mục tiêu thực tế là tìm kiếm các điểm cực đại địa phương có ý nghĩa thống kê thay vì cố gắng tìm cực đại toàn cục.\u003C\u002Fp>\n\n\u003Ch2>Phương pháp tính toán và các biến thể mở rộng\u003C\u002Fh2>\n\n\u003Cp>Trong đa số các ứng dụng thực tế ngoài các phân phối cơ bản, hệ phương trình khả năng là hệ phương trình phi tuyến không có nghiệm giải tích đóng. Việc tìm kiếm ước lượng cực đại khả năng đòi hỏi các thuật toán tối ưu hóa số học và các biến thể lý thuyết thích nghi.\u003C\u002Fp>\n\n\u003Ch3>Thuật toán kỳ vọng cực đại cho dữ liệu khuyết thiếu\u003C\u002Fh3>\n\n\u003Cp>Khi tập dữ liệu quan sát bị khuyết thiếu một phần hoặc mô hình chứa các biến tiềm ẩn không thể quan sát trực tiếp, việc tối đa hóa hàm khả năng biên thường trở nên vô cùng phức tạp. Vào năm 1977, Arthur Dempster, Nan Laird và Donald Rubin đã công bố khuôn khổ thuật toán kỳ vọng cực đại, thường gọi tắt là thuật toán EM, mở ra bước đột phá cho bài toán này.\u003C\u002Fp>\n\n\u003Cp>Thuật toán hoạt động thông qua việc lặp đi lặp lại hai bước tính toán tuần tự:\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>Bước kỳ vọng: Tính kỳ vọng toán học của hàm log-khả năng đầy đủ đối với phân phối có điều kiện của các biến khuyết thiếu khi biết dữ liệu quan sát và giá trị tham số hiện tại.\u003C\u002Fli>\n\u003Cli>Bước cực đại hóa: Tìm giá trị tham số mới tối đa hóa hàm kỳ vọng vừa xây dựng được ở bước trước.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>Arthur Dempster, Nan Laird và Donald Rubin đã chứng minh rằng mỗi vòng lặp của thuật toán luôn đảm bảo làm tăng đơn điệu giá trị của hàm khả năng quan sát, giúp thuật toán hội tụ tin cậy về điểm dừng cục bộ.\u003C\u002Fp>\n\n\u003Ch3>Ước lượng tựa cực đại khả năng khi mô hình sai dạng\u003C\u002Fh3>\n\n\u003Cp>Trong thực tiễn phân tích kinh tế lượng và chuỗi thời gian, việc định dạng chính xác phân phối xác suất của dữ liệu là điều hiếm khi đạt được tuyệt đối. Vào năm 1982, nhà kinh tế lượng Halbert White đã phát triển lý thuyết ước lượng tựa cực đại khả năng.\u003C\u002Fp>\n\n\u003Cp>Halbert White chứng minh rằng khi ta tối đa hóa một hàm khả năng dựa trên phân phối giả định sai, ước lượng thu được vẫn hội tụ theo xác suất về giá trị tham số tối thiểu hóa khoảng cách thông tin Kullback-Leibler giữa phân phối thực tế và họ phân phối giả định. Hơn nữa, phân phối tiệm cận của ước lượng vẫn duy trì tính chuẩn, với ma trận hiệp phương sai tiệm cận có cấu trúc dạng bánh kẹp sandwich vững chắc trước hiện tượng phương sai thay đổi và phân phối sai dạng.\u003C\u002Fp>\n\n\u003Ch3>Ước lượng cực đại khả năng có phạt và điều chuẩn\u003C\u002Fh3>\n\n\u003Cp>Khi số lượng tham số cần ước lượng lớn so với kích thước mẫu, ước lượng cực đại khả năng truyền thống thường gặp hiện tượng quá khớp và có phương sai lớn. Để khắc phục, kỹ thuật cực đại khả năng có phạt bổ sung một hàm số phạt điều chuẩn vào hàm log-khả năng:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\hat{\\theta}_{\\text{pen}} = \\arg\\max_{\\theta} \\left[ \\ell(\\theta; x) - \\lambda P(\\theta) \\right]\u003C\u002Fscript>\n\n\u003Cp>Trong biểu thức trên, \u003Cscript type=\"math\u002Ftex\">\\lambda\u003C\u002Fscript> là tham số điều chuẩn không âm và \u003Cscript type=\"math\u002Ftex\">P(\\theta)\u003C\u002Fscript> là hàm phạt độ lớn tham số. Dạng phạt theo chuẩn bậc hai tương đương với ước lượng co rút nhằm giảm phương sai, trong khi dạng phạt theo chuẩn bậc một thúc đẩy tính thưa thớt của vector nghiệm, hỗ trợ lựa chọn biến tự động trong các mô hình dữ liệu nhiều chiều.\u003C\u002Fp>\n\n\u003Ch2>So sánh ước lượng cực đại khả năng với các phương pháp khác\u003C\u002Fh2>\n\n\u003Cp>Để định vị rõ nét vai trò của ước lượng cực đại khả năng trong bức tranh tổng thể của thống kê toán học, bảng dưới đây đối chiếu phương pháp này với phương pháp moment và các hướng tiếp cận suy diễn Bayes.\u003C\u002Fp>\n\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Tiêu chí so sánh\u003C\u002Fth>\n\u003Cth>Phương pháp moment\u003C\u002Fth>\n\u003Cth>Ước lượng cực đại khả năng\u003C\u002Fth>\n\u003Cth>Cực đại hậu nghiệm và suy diễn Bayes\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>Triết lý cơ bản\u003C\u002Ftd>\n\u003Ctd>Đồng nhất các moment lý thuyết của phân phối với moment thực nghiệm của mẫu\u003C\u002Ftd>\n\u003Ctd>Tìm giá trị tham số làm cho mẫu dữ liệu quan sát có độ hợp lý cao nhất\u003C\u002Ftd>\n\u003Ctd>Kết hợp thông tin tiên nghiệm về tham số với hàm khả năng để tìm phân phối hậu nghiệm\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Yêu cầu giả định\u003C\u002Ftd>\n\u003Ctd>Chỉ cần tồn tại các cấp moment tương ứng của phân phối xác suất\u003C\u002Ftd>\n\u003Ctd>Cần biết chính xác dạng hàm mật độ hoặc hàm khối xác suất của mô hình\u003C\u002Ftd>\n\u003Ctd>Cần biết dạng hàm khả năng và xác định hàm mật độ phân phối tiên nghiệm\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Độ phức tạp tính toán\u003C\u002Ftd>\n\u003Ctd>Thường dẫn đến hệ phương trình đại số đơn giản, dễ giải trực tiếp\u003C\u002Ftd>\n\u003Ctd>Thường dẫn đến hệ phương trình phi tuyến phức tạp, đòi hỏi tối ưu số\u003C\u002Ftd>\n\u003Ctd>Đòi hỏi tối ưu hóa phi tuyến hoặc tích phân phức tạp qua mô phỏng chuỗi Markov Monte Carlo\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Hiệu quả tiệm cận\u003C\u002Ftd>\n\u003Ctd>Phương sai tiệm cận thường lớn hơn, không đạt cận dưới Cramér-Rao\u003C\u002Ftd>\n\u003Ctd>Đạt hiệu quả tiệm cận tối ưu, phương sai bằng nghịch đảo thông tin Fisher\u003C\u002Ftd>\n\u003Ctd>Tiệm cận tương đương với cực đại khả năng khi kích thước mẫu tiến tới vô cùng\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Ứng xử trong mẫu nhỏ\u003C\u002Ftd>\n\u003Ctd>Có thể cho ra các ước lượng nằm ngoài không gian tham số hợp lệ\u003C\u002Ftd>\n\u003Ctd>Luôn nằm trong không gian tham số nhưng có thể bị chệch\u003C\u002Ftd>\n\u003Ctd>Tận dụng thông tin tiên nghiệm giúp ổn định nghiệm và giảm phương sai hiệu quả\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Tính bất biến hàm số\u003C\u002Ftd>\n\u003Ctd>Không thỏa mãn tính bất biến hàm số đối với các phép biến đổi phi tuyến\u003C\u002Ftd>\n\u003Ctd>Thỏa mãn tính bất biến hàm số cho mọi phép biến đổi tham số bất kỳ\u003C\u002Ftd>\n\u003Ctd>Không thỏa mãn tính bất biến đối với điểm cực đại hậu nghiệm do ảnh hưởng của định thức Jacobian\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Cp>Về mặt quan hệ lý thuyết, ước lượng cực đại khả năng có mối liên hệ mật thiết với phương pháp cực đại hậu nghiệm trong thống kê Bayes. Khi phân phối tiên nghiệm được chọn là phân phối đều không chứa thông tin, hàm mật độ tiên nghiệm là một hằng số trên không gian tham số. Khi đó, việc tối đa hóa mật độ xác suất hậu nghiệm hoàn toàn trùng khớp với việc tối đa hóa hàm khả năng. Theo nghĩa này, ước lượng cực đại khả năng có thể được diễn giải như một trường hợp đặc biệt của ước lượng cực đại hậu nghiệm dưới góc nhìn Bayes không có thông tin tiên nghiệm.\u003C\u002Fp>\n\n\u003Ch2>Phạm vi ứng dụng và thực tiễn triển khai\u003C\u002Fh2>\n\n\u003Cp>Nhờ nền tảng lý thuyết vững chắc và khả năng thích ứng linh hoạt, ước lượng cực đại khả năng đã trở thành tiêu chuẩn vàng trong nhiều ngành khoa học thực nghiệm và công nghệ hiện đại.\u003C\u002Fp>\n\n\u003Cp>Trong kinh tế lượng và khoa học xã hội, phương pháp này là công cụ chủ đạo để ước lượng các mô hình biến phụ thuộc rời rạc như hồi quy logistic và hồi quy probit, các mô hình dữ liệu đếm như hồi quy Poisson, cũng như các hệ mô hình phương trình đồng thời và mô hình chuỗi thời gian tự hồi quy tích hợp trung bình trượt.\u003C\u002Fp>\n\n\u003Cp>Trong học máy và trí tuệ nhân tạo, phần lớn các thuật toán học có giám sát đều được thiết lập dựa trên nguyên lý cực đại khả năng. Việc tối thiểu hóa hàm mất mát entropy chéo trong huấn luyện mạng nơ-ron phân loại đa lớp thực chất tương đương về mặt toán học với việc tối đa hóa hàm log-khả năng của mô hình phân phối đa thức. Tương tự, phương pháp bình phương tối thiểu thông thường trong hồi quy tuyến tính chính là nghiệm cực đại khả năng khi giả định sai số ngẫu nhiên tuân theo phân phối chuẩn độc lập có cùng phương sai.\u003C\u002Fp>\n\n\u003Cp>Trong thống kê sinh học và y tế công cộng, ước lượng cực đại khả năng là nền tảng cho việc phân tích sống sót thông qua mô hình hồi quy rủi ro tỷ lệ, tính toán nguy cơ tương đối trong các nghiên cứu bệnh chứng, và ước tính tần số alen trong di truyền học quần thể. Tính chuẩn tiệm cận của phương pháp cho phép xây dựng các khoảng tin cậy và thực hiện các kiểm định tỷ số khả năng phục vụ việc đưa ra kết luận khoa học tin cậy trong các thử nghiệm lâm sàng.\u003C\u002Fp>\n","maximum likelihood estimation",[19,20,21],"ước lượng hợp lý cực đại","ước lượng khả năng cực đại","MLE","Ước lượng cực đại khả năng là phương pháp thống kê suy diễn nhằm ước lượng các tham số chưa biết của mô hình xác suất bằng cách tìm giá trị tham số tối đa hóa hàm khả năng dựa trên tập dữ liệu quan sát. Phương pháp này đóng vai trò nền tảng trong suy diễn thống kê tham số và học máy hiện đại.","NATURAL_SCIENCES",[25,32,39,45,52,59,65,72],{"citationText":26,"title":27,"authors":28,"source":29,"year":30,"doi":31,"url":10},"Pearson, K. (1894). Contributions to the mathematical theory of evolution. Philosophical Transactions of the Royal Society of London. (A.), 185, 71-110.","III. Contributions to the mathematical theory of evolution","Pearson, K.","Philosophical Transactions of the Royal Society of London. (A.)",1894,"10.1098\u002Frsta.1894.0003",{"citationText":33,"title":34,"authors":35,"source":36,"year":37,"doi":38,"url":10},"Fisher, R. A. (1922). On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character, 222(594-604), 309-368.","On the mathematical foundations of theoretical statistics","Fisher, R. A.","Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character",1922,"10.1098\u002Frsta.1922.0009",{"citationText":40,"title":41,"authors":35,"source":42,"year":43,"doi":44,"url":10},"Fisher, R. A. (1925). Theory of Statistical Estimation. Mathematical Proceedings of the Cambridge Philosophical Society, 22(5), 700-725.","Theory of Statistical Estimation","Mathematical Proceedings of the Cambridge Philosophical Society",1925,"10.1017\u002Fs0305004100009580",{"citationText":46,"title":47,"authors":48,"source":49,"year":50,"doi":51,"url":10},"Wilks, S. S. (1938). The Large-Sample Distribution of the Likelihood Ratio for Testing Composite Hypotheses. The Annals of Mathematical Statistics, 9(1), 60-62.","The Large-Sample Distribution of the Likelihood Ratio for Testing Composite Hypotheses","Wilks, S. S.","The Annals of Mathematical Statistics",1938,"10.1214\u002Faoms\u002F1177732360",{"citationText":53,"title":54,"authors":55,"source":56,"year":57,"doi":58,"url":10},"Neyman, J., & Scott, E. L. (1948). Consistent Estimates Based on Partially Consistent Observations. Econometrica, 16(1), 1-32.","Consistent Estimates Based on Partially Consistent Observations","Neyman, J., & Scott, E. L.","Econometrica",1948,"10.2307\u002F1914288",{"citationText":60,"title":61,"authors":62,"source":49,"year":63,"doi":64,"url":10},"Wald, A. (1949). Note on the Consistency of the Maximum Likelihood Estimate. The Annals of Mathematical Statistics, 20(4), 595-601.","Note on the Consistency of the Maximum Likelihood Estimate","Wald, A.",1949,"10.1214\u002Faoms\u002F1177729952",{"citationText":66,"title":67,"authors":68,"source":69,"year":70,"doi":71,"url":10},"Dempster, A. P., Laird, N. M., & Rubin, D. B. (1977). Maximum Likelihood from Incomplete Data Via the EM Algorithm. Journal of the Royal Statistical Society Series B: Statistical Methodology, 39(1), 1-38.","Maximum Likelihood from Incomplete Data Via the EM Algorithm","Dempster, A. P., Laird, N. M., & Rubin, D. B.","Journal of the Royal Statistical Society Series B: Statistical Methodology",1977,"10.1111\u002Fj.2517-6161.1977.tb01600.x",{"citationText":73,"title":74,"authors":75,"source":56,"year":76,"doi":77,"url":10},"White, H. (1982). Maximum Likelihood Estimation of Misspecified Models. Econometrica, 50(1), 1-25.","Maximum Likelihood Estimation of Misspecified Models","White, H.",1982,"10.2307\u002F1912526",[79,82,85,88],{"question":80,"answer":81},"Ước lượng cực đại khả năng khác gì so với phương pháp moment?","Phương pháp moment đồng nhất các moment lý thuyết của phân phối với các moment thực nghiệm của mẫu dữ liệu, thường có cách tính toán đơn giản nhưng kém hiệu quả hơn trong mẫu lớn. Ngược lại, ước lượng cực đại khả năng khai thác toàn bộ dạng hàm mật độ xác suất để tối đa hóa hàm khả năng, đạt được phương sai tiệm cận nhỏ nhất theo cận Cramér-Rao khi thỏa mãn các điều kiện chính quy.",{"question":83,"answer":84},"Tại sao thường tối đa hóa hàm log-khả năng thay vì hàm khả năng trực tiếp?","Đối với các mẫu quan sát độc lập, hàm khả năng là tích của nhiều hàm mật độ xác suất, dễ dẫn đến hiện tượng tràn số dưới trong tính toán số học. Phép biến đổi logarit tự nhiên chuyển tích thành tổng các số hạng mà không làm thay đổi vị trí điểm cực đại do tính đồng biến ngặt của hàm logarit, giúp việc lấy đạo hàm và giải hệ phương trình tối ưu hóa trở nên thuận tiện và ổn định hơn.",{"question":86,"answer":87},"Ước lượng cực đại khả năng có luôn luôn không chệch không?","Không, ước lượng cực đại khả năng không đảm bảo tính không chệch trong mẫu hữu hạn. Một ví dụ kinh điển là ước lượng cực đại khả năng của phương sai trong phân phối chuẩn luôn đánh giá thấp phương sai thực tế một lượng tỷ lệ nghịch với cỡ mẫu, dù tính chệch này sẽ triệt tiêu khi kích thước mẫu tiến tới vô cùng.",{"question":89,"answer":90},"Ước lượng cực đại khả năng liên hệ như thế nào với suy diễn Bayes?","Trong khuôn khổ suy diễn Bayes, ước lượng cực đại khả năng tương đương với ước lượng cực đại hậu nghiệm khi giả định phân phối tiên nghiệm là phân phối đều không mang thông tin. Khi bổ sung phân phối tiên nghiệm có thông tin, ước lượng cực đại hậu nghiệm hoạt động tương tự như một dạng ước lượng cực đại khả năng có thành phần phạt điều chuẩn.",{"id":92,"researcherId":10,"name":93,"imageUrl":94},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":92,"researcherId":10,"name":93,"imageUrl":94},[13],false,"PUBLISHED","2025-12-01T11:20:56.452+00:00","2026-10-04T07:33:48.661+00:00","2026-10-04T07:33:48.624+00:00",0,[104,112,117,122,127,132,137,142,147,152],{"id":105,"title":106,"term":105,"englishTitle":105,"definition":107,"discipline":23,"disciplineCode":108,"disciplineLabel":109,"disciplineColor":110,"disciplineIcon":111},"proton","Proton là gì? Cấu trúc và ứng dụng của Proton","Proton là một hạt hạ nguyên tử bền vững thuộc nhóm baryon cấu tạo từ hai quark lên và một quark xuống, mang điện tích nguyên tố dương và có khối lượng nghỉ xấp xỉ 1.6726 x 10^-27 kg nằm trong hạt nhân nguyên tử.","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":113,"title":114,"term":113,"englishTitle":115,"definition":116,"discipline":23,"disciplineCode":108,"disciplineLabel":109,"disciplineColor":110,"disciplineIcon":111},"nhiệt độ nóng chảy","Nhiệt độ nóng chảy là gì? Các nghiên cứu khoa học liên quan","nhiet do nong chay","khái niệm và đối tượng nghiên cứu cơ bản trong khoa học tự nhiên, phản ánh các đặc trưng bản chất, cơ chế vận hành và các quy luật tương tác hệ thống trong thực tiễn.",{"id":118,"title":119,"term":118,"englishTitle":120,"definition":121,"discipline":23,"disciplineCode":108,"disciplineLabel":109,"disciplineColor":110,"disciplineIcon":111},"hằng số tốc độ","Hằng số tốc độ là gì? Các bài nghiên cứu khoa học liên quan","rate constant","Hằng số tốc độ (Reaction Rate Constant, ký hiệu k) là một hệ số tỷ lệ đặc trưng trong phương trình động học biểu thị tốc độ của phản ứng hóa học khi nồng độ của tất cả các chất phản ứng bằng đơn vị.",{"id":123,"title":124,"term":123,"englishTitle":125,"definition":126,"discipline":23,"disciplineCode":108,"disciplineLabel":109,"disciplineColor":110,"disciplineIcon":111},"động vật linh trưởng","Động vật linh trưởng là gì? Tiến hóa Perelman, giải phẫu Fleagle và Estrada","primates","Động vật linh trưởng là một bộ thú có vú bậc cao đặc trưng bởi bàn tay ngón cái đối diện, thị giác lập thể 3D và vỏ não phát triển, tiến hóa qua các nhánh Mũi ướt và Mũi khô theo nghiên cứu Perelman-Fleagle.",{"id":128,"title":129,"term":128,"englishTitle":130,"definition":131,"discipline":23,"disciplineCode":108,"disciplineLabel":109,"disciplineColor":110,"disciplineIcon":111},"đồng vị","Đồng vị là gì? Phân loại và ứng dụng trong khoa học hiện đại","isotope","Đồng vị là các biến thể của cùng một nguyên tố hóa học có cùng số proton trong hạt nhân nhưng khác nhau về số neutron, dẫn đến khối lượng nguyên tử khác nhau.",{"id":133,"title":134,"term":133,"englishTitle":135,"definition":136,"discipline":23,"disciplineCode":108,"disciplineLabel":109,"disciplineColor":110,"disciplineIcon":111},"chu trình sinh địa hóa","Chu trình sinh địa hóa: Khái niệm, nguyên lý và ứng dụng","Biogeochemical cycle","Chu trình sinh địa hóa là một thuật ngữ và phạm trù học thuật then chốt trong lĩnh vực natural sciences, phản ánh các nguyên lý, cơ chế và phương pháp luận chuyên sâu đã được chuẩn hóa trong nghiên cứu và ứng dụng thực tiễn.",{"id":138,"title":139,"term":138,"englishTitle":140,"definition":141,"discipline":23,"disciplineCode":108,"disciplineLabel":109,"disciplineColor":110,"disciplineIcon":111},"ethylene","Ethylene là gì? Cấu trúc hóa học, vai trò sinh học và ứng dụng","Ethylene","Ethylene (ethene, công thức hóa học C2H4) là một hydrocarbon không no thuộc nhóm anken đơn giản nhất, tồn tại ở thể khí không màu, đồng thời là một phytohormone dạng khí điều hòa sự chín và rụng ở thực vật.",{"id":143,"title":144,"term":143,"englishTitle":145,"definition":146,"discipline":23,"disciplineCode":108,"disciplineLabel":109,"disciplineColor":110,"disciplineIcon":111},"không khí ẩm","Không khí ẩm là gì? Các công bố khoa học về Không khí ẩm","moist air","Không khí ẩm là hỗn hợp nhiệt động học giữa không khí khô và hơi nước, có các thông số đặc trưng gồm độ ẩm tương đối, độ ẩm tuyệt đối và nhiệt độ điểm sương.",{"id":148,"title":149,"term":148,"englishTitle":150,"definition":151,"discipline":23,"disciplineCode":108,"disciplineLabel":109,"disciplineColor":110,"disciplineIcon":111},"hệ số phân bố","Hệ số phân bố là gì? Ý nghĩa trong hóa học và dược lý","Partition Coefficient","Hệ số phân bố (partition coefficient, ký hiệu P hoặc log P) là đại lượng nhiệt động học biểu thị tỷ lệ nồng độ cân bằng của một chất tan không phân ly giữa hai dung môi không trộn lẫn (thường là 1-octanol và nước).",{"id":153,"title":154,"term":153,"englishTitle":153,"definition":155,"discipline":23,"disciplineCode":108,"disciplineLabel":109,"disciplineColor":110,"disciplineIcon":111},"phytoplankton","Phytoplankton là gì? Vai trò sinh thái, chu trình carbon và hiện tượng nở hoa","Phytoplankton (thực vật phù du) là tập hợp các vi sinh vật tự dưỡng quang hợp trôi nổi trong các thủy vực nước ngọt và đại dương, đóng vai trò sản xuất sơ cấp nền tảng của lưới thức ăn thủy sinh và điều hòa chu trình carbon toàn cầu."]