[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_bi%E1%BA%BFn%20ng%E1%BA%ABu%20nhi%C3%AAn%20%C4%91%E1%BB%99c%20l%E1%BA%ADp{\"limit\":5}":3,"_public_topic_byId_biến ngẫu nhiên độc lập":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":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":17,"publishUser":21,"keywords":25,"keywordCount":18,"enrichTopicLink":26,"status":27,"createTime":28,"updateTime":29,"publishTime":30,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":31,"relateTopics":32},"biến ngẫu nhiên độc lập","Biến ngẫu nhiên độc lập là gì? Các bài nghiên cứu khoa học","Biến ngẫu nhiên độc lập là hai biến mà xác suất đồng thời xảy ra bằng tích các xác suất riêng lẻ, phản ánh sự không ảnh hưởng lẫn nhau. Trong trường hợp rời rạc hoặc liên tục, tính độc lập được xác định thông qua hàm phân phối hoặc hàm mật độ xác suất tách rời. ","\u003Cdiv>\u003Ch2>Giới thiệu về biến ngẫu nhiên\u003C\u002Fh2>\n\u003Cp>\nBiến ngẫu nhiên (random variable) là một hàm ánh xạ từ không gian mẫu – tập hợp tất cả các kết quả có thể xảy ra của một thí nghiệm ngẫu nhiên – vào tập hợp các số thực. Mỗi kết quả trong không gian mẫu được gán một giá trị số cụ thể thông qua biến ngẫu nhiên, cho phép định lượng các hiện tượng không chắc chắn. Đây là khái niệm then chốt trong lý thuyết xác suất và đóng vai trò nền tảng trong thống kê, học máy và các lĩnh vực liên quan đến mô hình hóa dữ liệu.\n\u003C\u002Fp>\n\u003Cp>\nCó hai loại biến ngẫu nhiên phổ biến:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Biến ngẫu nhiên rời rạc: có thể nhận giá trị từ một tập hợp hữu hạn hoặc đếm được, ví dụ như số lần tung được mặt ngửa khi tung đồng xu ba lần.\u003C\u002Fli>\n  \u003Cli>Biến ngẫu nhiên liên tục: nhận giá trị từ một khoảng liên tục trên trục số thực, ví dụ như chiều cao của một người trong quần thể.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nSự phân biệt giữa hai loại biến này thể hiện rõ qua hàm phân phối xác suất:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Biến rời rạc dùng hàm khối xác suất (PMF - Probability Mass Function): \u003Cscript type=\"math\u002Ftex\">P(X = x)\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>Biến liên tục dùng hàm mật độ xác suất (PDF - Probability Density Function): \u003Cscript type=\"math\u002Ftex\">f(x)\u003C\u002Fscript>, với xác suất được tính bằng tích phân: \u003Cscript type=\"math\u002Ftex\">P(a \\leq X \\leq b) = \\int_a^b f(x) \\, dx\u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Khái niệm biến ngẫu nhiên độc lập\u003C\u002Fh2>\n\u003Cp>\nHai biến ngẫu nhiên \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> được gọi là độc lập nếu xác suất đồng thời của chúng xảy ra bằng tích các xác suất riêng biệt. Cụ thể, với mọi tập hợp đo được \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">B\u003C\u002Fscript>, điều kiện độc lập được định nghĩa như sau:\n\u003Cscript type=\"math\u002Ftex\">\nP(X \\in A, Y \\in B) = P(X \\in A) \\cdot P(Y \\in B)\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nNếu điều kiện trên đúng với mọi tập \u003Cscript type=\"math\u002Ftex\">A, B\u003C\u002Fscript>, ta kết luận rằng hai biến hoàn toàn độc lập. Ngược lại, nếu tồn tại ít nhất một cặp tập hợp làm sai điều kiện trên, hai biến không độc lập. Đây là điều kiện xác suất quan trọng nhất để kiểm tra tính độc lập trong mô hình hóa thống kê và học máy.\n\u003C\u002Fp>\n\u003Cp>\nTính độc lập mang ý nghĩa rằng biết giá trị của một biến không cung cấp thông tin gì về biến còn lại. Nói cách khác, sự xuất hiện của một biến không ảnh hưởng đến phân bố xác suất của biến kia. Tính chất này có vai trò cốt lõi trong thiết kế mô hình xác suất hiệu quả và đơn giản.\n\u003C\u002Fp>\n\n\u003Ch2>So sánh độc lập và không tương quan\u003C\u002Fh2>\n\u003Cp>\nKhái niệm \"không tương quan\" (uncorrelated) và \"độc lập\" (independent) thường bị nhầm lẫn trong thực hành thống kê. Một cặp biến được gọi là không tương quan nếu hiệp phương sai của chúng bằng 0:\n\u003Cscript type=\"math\u002Ftex\">\n\\mathrm{Cov}(X, Y) = \\mathbb{E}[(X - \\mathbb{E}[X])(Y - \\mathbb{E}[Y])] = 0\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nKhông tương quan chỉ phản ánh mối quan hệ tuyến tính giữa hai biến. Tuy nhiên, nó không loại trừ khả năng tồn tại mối liên hệ phi tuyến giữa chúng. Do đó, hai biến có thể không tương quan nhưng vẫn phụ thuộc nhau. Ví dụ kinh điển là khi \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> tuân theo phân phối chuẩn và \u003Cscript type=\"math\u002Ftex\">Y = X^2\u003C\u002Fscript>, ta có:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\mathrm{Cov}(X, Y) = 0\u003C\u002Fscript>, nhưng\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> phụ thuộc hoàn toàn vào \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nTrái lại, nếu hai biến ngẫu nhiên độc lập, thì luôn có \u003Cscript type=\"math\u002Ftex\">\\mathrm{Cov}(X, Y) = 0\u003C\u002Fscript>. Sự độc lập là điều kiện mạnh hơn nhiều so với không tương quan. Độc lập bao hàm sự vắng mặt hoàn toàn của mọi loại phụ thuộc – tuyến tính hoặc phi tuyến. Vì lý do này, trong các mô hình thống kê có độ tin cậy cao, các giả định về độc lập luôn được ưu tiên hơn giả định không tương quan.\n\u003C\u002Fp>\n\u003Cp>\nBảng so sánh nhanh giữa hai khái niệm:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Thuộc tính\u003C\u002Fth>\n      \u003Cth>Không tương quan\u003C\u002Fth>\n      \u003Cth>Độc lập\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Hiệp phương sai\u003C\u002Ftd>\n      \u003Ctd>Luôn bằng 0\u003C\u002Ftd>\n      \u003Ctd>Có thể khác 0 nếu không độc lập\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Mối liên hệ phi tuyến\u003C\u002Ftd>\n      \u003Ctd>Có thể tồn tại\u003C\u002Ftd>\n      \u003Ctd>Không tồn tại\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Hàm phân phối kết hợp\u003C\u002Ftd>\n      \u003Ctd>Không tách được\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">P(X,Y) = P(X)P(Y)\u003C\u002Fscript>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Hệ quả\u003C\u002Ftd>\n      \u003Ctd>Không suy ra độc lập\u003C\u002Ftd>\n      \u003Ctd>Luôn suy ra không tương quan\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>\nTham khảo chi tiết hơn tại \u003Ca href=\"https:\u002F\u002Fwww.statlect.com\u002Ffundamentals-of-probability\u002Findependence-of-random-variables\" target=\"_blank\">Statlect - Independence of Random Variables\u003C\u002Fa>.\n\u003C\u002Fp>\n\n\u003Ch2>Biến ngẫu nhiên độc lập rời rạc\u003C\u002Fh2>\n\u003Cp>\nVới biến ngẫu nhiên rời rạc, điều kiện kiểm tra độc lập được đơn giản hóa nhờ sử dụng hàm khối xác suất. Cụ thể, nếu \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> là hai biến rời rạc, thì chúng độc lập khi và chỉ khi:\n\u003Cscript type=\"math\u002Ftex\">\nP(X = x_i, Y = y_j) = P(X = x_i) \\cdot P(Y = y_j)\n\u003C\u002Fscript>\nvới mọi giá trị \u003Cscript type=\"math\u002Ftex\">x_i\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">y_j\u003C\u002Fscript> trong miền giá trị của chúng.\n\u003C\u002Fp>\n\u003Cp>\nĐể dễ hình dung, hãy xét bảng phân phối xác suất sau:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>X\\Y\u003C\u002Fth>\n      \u003Cth>0\u003C\u002Fth>\n      \u003Cth>1\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>0\u003C\u002Ftd>\n      \u003Ctd>0.2\u003C\u002Ftd>\n      \u003Ctd>0.3\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>1\u003C\u002Ftd>\n      \u003Ctd>0.1\u003C\u002Ftd>\n      \u003Ctd>0.4\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>\nTổng từng dòng (biên theo \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript>) và từng cột (biên theo \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript>) lần lượt là:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">P(X = 0) = 0.2 + 0.3 = 0.5\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">P(Y = 1) = 0.3 + 0.4 = 0.7\u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nNếu \u003Cscript type=\"math\u002Ftex\">P(X=0, Y=1) = 0.3\u003C\u002Fscript>, trong khi \u003Cscript type=\"math\u002Ftex\">P(X=0)\\cdot P(Y=1) = 0.5 \\cdot 0.7 = 0.35\u003C\u002Fscript>, ta thấy điều kiện không thỏa mãn. Do đó, \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> không độc lập.\n\u003C\u002Fp>\n\u003Cp>\nPhương pháp bảng phối hợp là cách kiểm tra trực quan và hiệu quả cho bài toán rời rạc, đặc biệt trong giáo dục hoặc khi xử lý dữ liệu định lượng dạng bảng.\n\u003C\u002Fp>\n\u003Ch2>Biến ngẫu nhiên độc lập liên tục\u003C\u002Fh2>\n\u003Cp>\nTrong trường hợp các biến ngẫu nhiên liên tục, điều kiện độc lập không còn dựa vào xác suất rời rạc mà phải được xác định thông qua hàm mật độ xác suất (PDF - Probability Density Function). Hai biến ngẫu nhiên liên tục \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> được gọi là độc lập nếu hàm mật độ xác suất kết hợp của chúng có thể phân tách thành tích của hai hàm mật độ riêng biệt:\n\u003Cscript type=\"math\u002Ftex\">\nf_{X,Y}(x, y) = f_X(x) \\cdot f_Y(y)\n\u003C\u002Fscript>\nvới mọi giá trị \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">y\u003C\u002Fscript> trong miền xác định.\n\u003C\u002Fp>\n\u003Cp>\nNói cách khác, nếu ta biết phân bố của từng biến riêng lẻ và có thể nhân chúng lại để thu được phân bố kết hợp, thì hai biến là độc lập. Nếu không thể thực hiện phân tách như vậy, thì tồn tại mối phụ thuộc giữa chúng, dù có thể rất phức tạp và không tuyến tính.\n\u003C\u002Fp>\n\u003Cp>\nVí dụ đơn giản: Nếu \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> đều tuân theo phân phối chuẩn chuẩn (\u003Cscript type=\"math\u002Ftex\">\\mathcal{N}(0,1)\u003C\u002Fscript>) và là độc lập, thì phân phối kết hợp là:\n\u003Cscript type=\"math\u002Ftex\">\nf_{X,Y}(x, y) = \\frac{1}{2\\pi} e^{-\\frac{x^2 + y^2}{2}}\n\u003C\u002Fscript>\nVới hàm mật độ của từng biến là:\n\u003Cscript type=\"math\u002Ftex\">\nf_X(x) = \\frac{1}{\\sqrt{2\\pi}} e^{-\\frac{x^2}{2}}, \\quad f_Y(y) = \\frac{1}{\\sqrt{2\\pi}} e^{-\\frac{y^2}{2}}\n\u003C\u002Fscript>\nTa dễ dàng xác nhận rằng:\n\u003Cscript type=\"math\u002Ftex\">\nf_{X,Y}(x, y) = f_X(x) \\cdot f_Y(y)\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nTrong thực tế, khi làm việc với dữ liệu liên tục, ta thường dùng các phương pháp như kiểm định thống kê hoặc phân tích mô hình để xác minh giả định độc lập. Tính độc lập trong trường hợp liên tục không dễ kiểm tra trực tiếp như biến rời rạc, nhưng vẫn tuân theo nguyên lý phân tách mật độ xác suất nêu trên.\n\u003C\u002Fp>\n\n\u003Ch2>Kiểm định tính độc lập\u003C\u002Fh2>\n\u003Cp>\nTrong thực hành thống kê, việc kiểm định tính độc lập giữa hai biến là một bước quan trọng trong phân tích dữ liệu. Có nhiều phương pháp để đánh giá, tùy thuộc vào kiểu dữ liệu và mối quan hệ nghi ngờ giữa hai biến.\n\u003C\u002Fp>\n\u003Cp>\nCác kỹ thuật phổ biến bao gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Kiểm định Chi-Square:\u003C\u002Fstrong> Áp dụng cho dữ liệu phân loại, sử dụng bảng chéo để kiểm tra sự phụ thuộc.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Hệ số tương quan Spearman hoặc Kendall:\u003C\u002Fstrong> Đánh giá mối quan hệ đơn điệu, dùng cho biến thứ tự hoặc liên tục không chuẩn.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Kiểm định Hoeffding hoặc Mutual Information:\u003C\u002Fstrong> Áp dụng cho dữ liệu liên tục, phát hiện mối liên hệ phi tuyến.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nVí dụ, kiểm định Chi-Square hoạt động bằng cách so sánh phân bố quan sát được và phân bố kỳ vọng nếu hai biến là độc lập. Ta tính thống kê:\n\u003Cscript type=\"math\u002Ftex\">\n\\chi^2 = \\sum_{i,j} \\frac{(O_{ij} - E_{ij})^2}{E_{ij}}\n\u003C\u002Fscript>\nvới \u003Cscript type=\"math\u002Ftex\">O_{ij}\u003C\u002Fscript> là tần số quan sát và \u003Cscript type=\"math\u002Ftex\">E_{ij} = \\frac{O_{i\\cdot} \\cdot O_{\\cdot j}}{N}\u003C\u002Fscript> là tần số kỳ vọng nếu độc lập.\n\u003C\u002Fp>\n\u003Cp>\nNếu giá trị \u003Cscript type=\"math\u002Ftex\">\\chi^2\u003C\u002Fscript> vượt ngưỡng tới hạn theo phân phối \u003Cscript type=\"math\u002Ftex\">\\chi^2\u003C\u002Fscript>, ta bác bỏ giả thuyết độc lập. Phương pháp này được tích hợp trong hầu hết các phần mềm thống kê như R, SPSS, Python (scipy.stats).\n\u003C\u002Fp>\n\u003Cp>\nĐể tìm hiểu thêm về các kiểm định này, có thể xem tại \u003Ca href=\"https:\u002F\u002Fwww.itl.nist.gov\u002Fdiv898\u002Fhandbook\u002Feda\u002Fsection3\u002Feda35f.htm\" target=\"_blank\">NIST - Engineering Statistics Handbook: Test for Independence\u003C\u002Fa>.\n\u003C\u002Fp>\n\n\u003Ch2>Tính chất của các biến ngẫu nhiên độc lập\u003C\u002Fh2>\n\u003Cp>\nBiến ngẫu nhiên độc lập có một số tính chất toán học nổi bật, thường được sử dụng trong chứng minh và phân tích lý thuyết:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Nếu \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> độc lập, thì:\n  \u003Cscript type=\"math\u002Ftex\">\n  \\mathbb{E}[XY] = \\mathbb{E}[X] \\cdot \\mathbb{E}[Y]\n  \u003C\u002Fscript>\n  \u003C\u002Fli>\n  \u003Cli>Phương sai của tổng các biến độc lập bằng tổng các phương sai:\n  \u003Cscript type=\"math\u002Ftex\">\n  \\mathrm{Var}(X + Y) = \\mathrm{Var}(X) + \\mathrm{Var}(Y)\n  \u003C\u002Fscript>\n  \u003C\u002Fli>\n  \u003Cli>Hàm đặc trưng hoặc hàm sinh moment của tổng là tích của từng hàm riêng lẻ.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nTổng của các biến độc lập tuân theo nhiều phân bố quan trọng. Ví dụ:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Tổng của hai biến nhị phân độc lập là biến phân phối nhị thức.\u003C\u002Fli>\n  \u003Cli>Tổng của nhiều biến chuẩn độc lập là biến chuẩn (do định lý cộng chuẩn).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nTrong thống kê suy diễn, tính độc lập của các sai số trong mô hình hồi quy là giả định then chốt để đảm bảo tính không thiên lệch và hiệu quả của ước lượng. Tương tự, trong lý thuyết thông tin và mã hóa, các nguồn thông tin độc lập giúp tối ưu hóa dung lượng và khả năng nén dữ liệu.\n\u003C\u002Fp>\n\n\u003Ch2>Phân biệt với tính độc lập có điều kiện\u003C\u002Fh2>\n\u003Cp>\nTính độc lập có điều kiện (conditional independence) là một khái niệm nâng cao, thường gặp trong thống kê Bayes và mô hình đồ thị xác suất (probabilistic graphical models). Ta nói rằng \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> độc lập có điều kiện theo \u003Cscript type=\"math\u002Ftex\">Z\u003C\u002Fscript> nếu:\n\u003Cscript type=\"math\u002Ftex\">\nP(X \\in A, Y \\in B \\mid Z = z) = P(X \\in A \\mid Z = z) \\cdot P(Y \\in B \\mid Z = z)\n\u003C\u002Fscript>\ncho mọi tập hợp \u003Cscript type=\"math\u002Ftex\">A, B\u003C\u002Fscript>, và mọi giá trị \u003Cscript type=\"math\u002Ftex\">z\u003C\u002Fscript> thuộc miền của \u003Cscript type=\"math\u002Ftex\">Z\u003C\u002Fscript>.\n\u003C\u002Fp>\n\u003Cp>\nTính chất này nghĩa là, khi biết giá trị của biến \u003Cscript type=\"math\u002Ftex\">Z\u003C\u002Fscript>, hai biến \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> trở nên độc lập. Đây là khái niệm cốt lõi trong các mô hình như:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Mạng Bayes (Bayesian networks)\u003C\u002Fli>\n  \u003Cli>Mô hình Markov ẩn (HMMs)\u003C\u002Fli>\n  \u003Cli>Inference trong machine learning\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nVí dụ thực tiễn: giả sử biến \"thời tiết\" ảnh hưởng cả \"số người đi chơi công viên\" và \"doanh thu bán kem\". Nếu đã biết thời tiết hôm đó, thì hai biến còn lại gần như không ảnh hưởng trực tiếp lẫn nhau – chúng độc lập có điều kiện theo thời tiết.\n\u003C\u002Fp>\n\u003Cp>\nKhả năng mô hình hóa mối quan hệ điều kiện là điểm mạnh lớn trong phân tích thống kê hiện đại, giúp giảm chiều dữ liệu và xác định nguyên nhân tiềm ẩn.\n\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.probabilitycourse.com\u002F\" target=\"_blank\">ProbabilityCourse.com - Free Probability Textbook\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.statlect.com\u002Ffundamentals-of-probability\u002Findependence-of-random-variables\" target=\"_blank\">Statlect - Independence of Random Variables\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.itl.nist.gov\u002Fdiv898\u002Fhandbook\u002Feda\u002Fsection3\u002Feda35f.htm\" target=\"_blank\">NIST - Engineering Statistics Handbook: Tests for Independence\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Focw.mit.edu\u002Fcourses\u002F18-05-introduction-to-probability-and-statistics-spring-2014\u002F\" target=\"_blank\">MIT OpenCourseWare - Introduction to Probability and Statistics\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fprojecteuclid.org\u002Fjournals\u002Fstatistical-science\u002Fvolume-19\u002Fissue-2\u002FOn-Measures-of-Dependence\u002F10.1214\u002F088342304000000185.full\" target=\"_blank\">Project Euclid - On Measures of Dependence\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":22,"researcherId":10,"name":23,"imageUrl":24},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[13],false,"PUBLISHED","2025-12-01T11:32:53.237+00:00","2025-12-04T08:17:00.240+00:00","2025-12-04T08:17:00.213+00:00",113,[33,43,46,49,54,64,73,78,83,93],{"id":34,"title":35,"term":34,"englishTitle":36,"definition":37,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"định lý","Định lý là gì? Các bài báo nghiên cứu khoa học liên quan","theorem","Định lý (theorem) là một mệnh đề toán học đã được chứng minh là đúng một cách logic và chặt chẽ từ một hệ thống các tiên đề, định nghĩa và các định lý đã được chứng minh trước đó.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":44,"title":45,"term":44,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"nhiễu gaussian","Nhiễu gaussian là gì? Các bài nghiên cứu khoa học liên quan",{"id":47,"title":48,"term":47,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"hội tụ","Hội tụ là gì? Các nghiên cứu khoa học liên quan đến Hội tụ",{"id":50,"title":51,"term":50,"englishTitle":52,"definition":53,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"hàm kết hợp","Hàm kết hợp là gì? Lý thuyết Copula và ứng dụng đa biến","Copula","Hàm kết hợp (thường được gọi trong cộng đồng toán học và thống kê quốc tế là hàm copula) là một hàm phân phối xác suất đồng thời đa biến mà trong đó tất cả các phân phối biên thành phần đều là các phân phối xác suất đều trên đoạn đơn vị, đóng vai trò then chốt trong việc phân tách cấu trúc phụ thuộc ngẫu nhiên khỏi các phân phối biên riêng lẻ.",{"id":55,"title":56,"term":55,"englishTitle":57,"definition":58,"discipline":59,"disciplineCode":60,"disciplineLabel":61,"disciplineColor":62,"disciplineIcon":63},"chỉ số chất lượng","Chỉ số chất lượng là gì? Khái niệm, cơ chế và ứng dụng","Quality indicator \u002F Quality index","Chỉ số chất lượng là thước đo định lượng tổng hợp được sử dụng để đánh giá mức độ đáp ứng các tiêu chuẩn, yêu cầu kỹ thuật và hiệu quả vận hành của sản phẩm, dịch vụ hoặc quy trình.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":65,"title":66,"term":65,"englishTitle":65,"definition":67,"discipline":68,"disciplineCode":69,"disciplineLabel":70,"disciplineColor":71,"disciplineIcon":72},"phytoremediation","Phytoremediation là gì? Các nghiên cứu khoa học liên quan","Phytoremediation là công nghệ sinh học môi trường sử dụng thực vật xanh và hệ vi sinh vật rễ cộng sinh để hấp thu, tích lũy, chuyển hóa hoặc cố định các chất ô nhiễm độc hại trong đất, bùn và nước.","AGRICULTURAL_SCIENCES","agricultural-sciences","Khoa học nông nghiệp","#2F9E44","sprout",{"id":74,"title":75,"term":74,"englishTitle":76,"definition":77,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"asteraceae","Asteraceae là gì? Khái niệm, cơ chế và ứng dụng","Asteraceae \u002F Compositae","Asteraceae (họ Cúc) là một trong những họ thực vật có hoa lớn nhất và đa dạng nhất, đặc trưng bởi cụm hoa dạng đầu (capitulum) gồm nhiều hoa nhỏ tập hợp trên một đế hoa chung, mang giá trị dược liệu, nông nghiệp và sinh thái phong phú.",{"id":79,"title":80,"term":79,"englishTitle":81,"definition":82,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"glutathione","Glutathione là gì? Các nghiên cứu khoa học về Glutathione","Glutathione (GSH)","Glutathione là một tripeptide nội bào trọng yếu gồm ba axit amin (L-glutamate, L-cysteine và glycine), đóng vai trò là chất chống oxy hóa chủ đạo và chất duy trì cân bằng oxy hóa khử (redox) trong tế bào.",{"id":84,"title":85,"term":84,"englishTitle":86,"definition":87,"discipline":88,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"quyền quyết định","Quyền quyết định là gì? Khái niệm, cơ chế và ứng dụng","Decision-making autonomy \u002F Decision-making authority","Quyền quyết định (decision-making autonomy\u002Fauthority) là thẩm quyền hoặc năng lực tự chủ hợp pháp của một cá nhân, tập thể hoặc tổ chức trong việc lựa chọn giữa các phương án hành động và chịu trách nhiệm về kết quả của lựa chọn đó.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":94,"title":95,"term":94,"englishTitle":96,"definition":97,"discipline":59,"disciplineCode":60,"disciplineLabel":61,"disciplineColor":62,"disciplineIcon":63},"bán dẫn","Bán dẫn là gì? Khái niệm, cơ chế và ứng dụng","Semiconductor","Bán dẫn là nhóm vật liệu có độ dẫn điện nằm ở khoảng trung gian giữa chất dẫn điện và chất cách điện, có thể điều chỉnh và kiểm soát khả năng dẫn điện thông qua nhiệt độ, chiếu sáng hoặc kỹ thuật pha tạp tạp chất (doping)."]