[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_hi%E1%BB%87p%20ph%C6%B0%C6%A1ng%20sai{\"limit\":5}":3,"_public_topic_byId_hiệp phương sai":79},{"code":4,"data":5,"meta":20},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":52,"vietnamLatest":78},[],[8,24,39],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":19,"totalCitation":20,"url":21,"doi":22,"summary":23},"69c06e3f-958a-45b1-920a-7ed79b2fadbc","Tính toán ước lượng ma trận hiệp phương sai từ dữ liệu trong hai lớp","Ridge estimation of covariance matrix from data in two classes",[13,14],"Yi Zhou","Bin Zhang",2,"Institute of Mathematics, Czech Academy of Sciences",false,"2024-02-22",2024,null,"https:\u002F\u002Farticles.math.cas.cz\u002F10.21136\u002FAM.2024.0157-23","10.21136\u002FAM.2024.0157-23","\u003Cp>\u003Cb>Đề xuất thuật toán tối ưu ước lượng ma trận phân tán\u003C\u002Fb> từ nguồn dữ liệu hỗn hợp hai lớp gồm tập mẫu chuẩn và tập mẫu chứa thành phần nhiễu ngoại lai. Phương pháp tối đa hóa hàm hợp lý giúp bảo toàn cấu trúc ma trận \u003Cb class=\"publication-topic-keywords\">hiệp phương sai\u003C\u002Fb> thực tế và triệt tiêu sai số do quan sát dị biệt. Mô hình mang lại độ chính xác cao khi tính toán ma trận \u003Cb class=\"publication-topic-keywords\">hiệp phương sai\u003C\u002Fb> trong xử lý tín hiệu.\u003C\u002Fp>",{"publicationId":25,"title":26,"originalTitle":27,"authorNames":28,"authorCount":32,"journalName":33,"vietnamJournal":17,"publishDate":34,"publishYear":35,"totalCitation":20,"url":36,"doi":37,"summary":38},"7b31bfb4-76bf-454d-a868-c48cbcb7fae7","Kiểm định khối chéo cho ma trận hiệp phương sai có chiều cao","Block-diagonal test for high-dimensional covariance matrices",[29,30,31],"Jiayu Lai","Xiaoyi Wang","Kaige Zhao",4,"TEST","2022-12-26",2022,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs11749-022-00842-x","10.1007\u002Fs11749-022-00842-x","\u003Cp>\u003Cb>Xây dựng kiểm định thống kê khối chéo không tham số\u003C\u002Fb> dành cho ma trận ngẫu nhiên có số chiều biến quan sát lớn hơn cỡ mẫu khảo sát. Nghiên cứu phân tích cấu trúc phụ thuộc ngầm của ma trận \u003Cb class=\"publication-topic-keywords\">hiệp phương sai\u003C\u002Fb> phục vụ tối ưu hóa danh mục đầu tư tài chính và phân tích chuỗi di truyền sinh học. Thống kê kiểm định ma trận \u003Cb class=\"publication-topic-keywords\">hiệp phương sai\u003C\u002Fb> đạt phân phối chuẩn tiệm cận vững.\u003C\u002Fp>",{"publicationId":40,"title":41,"originalTitle":42,"authorNames":43,"authorCount":45,"journalName":46,"vietnamJournal":17,"publishDate":47,"publishYear":48,"totalCitation":20,"url":49,"doi":50,"summary":51},"2866ff03-2fa1-4ee2-a8a7-600fe76a608c","Kiểm định ma trận hiệp phương sai bằng phương pháp tìm kiếm chiếu và phương pháp bootstrap","Tests of covariance matrix by using projection pursuit and bootstrap method",[44],"Jing Ping",1,"Applied Mathematics-A Journal of Chinese Universities","1998-09-01",1998,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs11766-998-0024-4","10.1007\u002Fs11766-998-0024-4","\u003Cp>\u003Cb>Nghiên cứu phát triển phương pháp thống kê suy diễn mới\u003C\u002Fb> nhằm kiểm định sự bằng nhau của ma trận phân tán đa biến trên tập dữ liệu số chiều lớn. Tác giả kết hợp thuật toán tìm kiếm hình chiếu với kỹ thuật tái chọn mẫu \u003Ci>bootstrap\u003C\u002Fi> để phân tích ma trận \u003Cb class=\"publication-topic-keywords\">hiệp phương sai\u003C\u002Fb> trong điều kiện điểm dữ liệu thưa thớt. Kết quả mô phỏng Monte Carlo cho thấy độ mạnh vượt trội của phép kiểm định ma trận \u003Cb class=\"publication-topic-keywords\">hiệp phương sai\u003C\u002Fb> cải tiến.\u003C\u002Fp>",[53,69],{"publicationId":54,"title":55,"originalTitle":20,"authorNames":56,"authorCount":60,"journalName":61,"vietnamJournal":62,"publishDate":63,"publishYear":64,"totalCitation":65,"url":66,"doi":67,"summary":68},"71ccee36-8098-4328-ae5e-85534f0351ab","Xây dựng giải pháp tối ưu việc xác định các tham số của hàm hiệp phương sai lý thuyết trong phương pháp LSC",[57,58,59],"Nguyễn Thành Lê","Đinh Xuân Mạnh","Nguyễn Văn Sáng",3,"Tạp chí Khoa học Đo đạc và Bản đồ",true,"2021-09-25",2021,0,"https:\u002F\u002Fjgac.vn\u002Fjournal\u002Farticle\u002Fview\u002F542","10.54491\u002Fjgac.2021.49.542","\u003Cp>\u003Cb>Xây dựng giải pháp giải tích tối ưu hóa việc xác định tham số hàm tương quan\u003C\u002Fb> trong phương pháp bình sai chuẩn bình phương bé nhất (\u003Ci>LSC\u003C\u002Fi>) trắc địa. Nghiên cứu chuẩn hóa các hệ số thực nghiệm của hàm \u003Cb class=\"publication-topic-keywords\">hiệp phương sai\u003C\u002Fb> lý thuyết nhằm nâng cao độ chính xác nội suy dị thường trọng lực. Kết quả tính toán hàm \u003Cb class=\"publication-topic-keywords\">hiệp phương sai\u003C\u002Fb> góp phần xây dựng mô hình Geoid địa phương tin cậy.\u003C\u002Fp>",{"publicationId":70,"title":71,"originalTitle":20,"authorNames":20,"authorCount":20,"journalName":72,"vietnamJournal":62,"publishDate":73,"publishYear":74,"totalCitation":20,"url":75,"doi":76,"summary":77},"4dd05421-02d0-45b2-9a70-cc346632c2f7","XÁC ĐỊNH CÁC THAM SỐ CỦA MÔ HÌNH HÀM HIỆP ƯỚC PHƯƠNG SAI DỊ THƯỜNG TRỌNG LỰC Ở VIỆT NAM","Vietnam Journal of Earth Sciences","2005-03-27",2005,"https:\u002F\u002Fvjs.ac.vn\u002Findex.php\u002Fjse\u002Farticle\u002Fview\u002F9412","10.15625\u002F0866-7187\u002F27\u002F2\u002F9412","\u003Cp>\u003Cb>Nghiên cứu ứng dụng mô hình Jordan cải tiến\u003C\u002Fb> để xác định các tham số đặc trưng cho trường dị thường trọng lực thực tế tại lãnh thổ Việt Nam. Phân tích số liệu đo đạc trọng lực chi tiết cho phép thiết lập chính xác các bán kính tương quan của hàm \u003Cb class=\"publication-topic-keywords\">hiệp phương sai\u003C\u002Fb> không gian. Kết quả mô hình hóa hàm \u003Cb class=\"publication-topic-keywords\">hiệp phương sai\u003C\u002Fb> cung cấp cơ sở dữ liệu quan trọng cho ngành bản đồ học.\u003C\u002Fp>",[],{"code":4,"data":80,"meta":20},{"id":81,"title":82,"description":83,"content":84,"term":81,"englishTitle":20,"synonyms":20,"definition":20,"discipline":20,"references":20,"faqs":20,"createUser":85,"publishUser":20,"keywords":89,"keywordCount":107,"enrichTopicLink":62,"status":108,"createTime":109,"updateTime":110,"publishTime":20,"linkEnrichedTime":20,"publicationScanTime":111,"contentErrorMessage":20,"viewCount":112,"relateTopics":113},"hiệp phương sai","Hiệp phương sai là gì? Các nghiên cứu khoa học về khái niệm này","Hiệp phương sai là một chỉ số thống kê đo mức độ hai biến ngẫu nhiên thay đổi cùng nhau, phản ánh mối quan hệ tuyến tính giữa chúng. Giá trị dương cho thấy hai biến tăng hoặc giảm cùng chiều, giá trị âm thể hiện chúng biến đổi ngược chiều, còn giá trị gần 0 cho thấy không liên hệ tuyến tính.\n","\u003Ch2>Giới thiệu về hiệp phương sai\u003C\u002Fh2>\u003Cp>Hiệp phương sai (covariance) là một khái niệm trong thống kê mô tả cách hai {{topic|%7B%22topic%22%3A%22bi%E1%BA%BFn%20ng%E1%BA%ABu%20nhi%C3%AAn%22%7D}} thay đổi cùng nhau như thế nào. Khi hai biến có xu hướng tăng hoặc giảm cùng nhau, giá trị của hiệp phương sai sẽ dương. Ngược lại, nếu một biến tăng trong khi biến còn lại giảm, thì hiệp phương sai sẽ mang giá trị âm. Đây là công cụ cơ bản để đánh giá mối quan hệ tuyến tính giữa hai đại lượng, từ đó giúp định hướng phân tích sâu hơn trong nhiều lĩnh vực như học máy, tài chính, kinh tế lượng hoặc vật lý thống kê.\u003C\u002Fp>\u003Cp>Ví dụ đơn giản: nếu ta quan sát chiều cao và cân nặng của một nhóm người, khả năng cao hai biến này có hiệp {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20sai%22%7D}} dương, vì những người cao hơn thường cũng nặng hơn. Tuy nhiên, mức độ mạnh yếu của mối quan hệ đó chưa thể hiện rõ chỉ qua dấu của hiệp phương sai.\u003C\u002Fp>\u003Cp>Không giống như phương sai – đo độ {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%A1n%22%7D}} của một biến duy nhất – hiệp phương sai mở rộng khái niệm này cho hai biến, nhằm xác định mức độ phụ thuộc tuyến tính giữa chúng. Tuy nhiên, hiệp phương sai phụ thuộc vào đơn vị đo lường của hai biến, do đó giá trị tuyệt đối của nó không dễ diễn giải trừ khi các biến đã được chuẩn hóa.\u003C\u002Fp>\u003Ch2>Định nghĩa toán học\u003C\u002Fh2>\u003Cp>Trong thống kê lý thuyết, hiệp phương sai giữa hai biến ngẫu nhiên \\( X \\) và \\( Y \\) được định nghĩa là {{topic|%7B%22topic%22%3A%22k%E1%BB%B3%20v%E1%BB%8Dng%22%7D}} của tích giữa độ lệch của mỗi biến so với trung bình của chính nó:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\text{Cov}(X, Y) = \\mathbb{E}[(X - \\mathbb{E}[X])(Y - \\mathbb{E}[Y])]\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong bối cảnh dữ liệu {{topic|%7B%22topic%22%3A%22th%E1%BB%B1c%20nghi%E1%BB%87m%22%7D}}, khi chỉ có một mẫu gồm \\( n \\) cặp dữ liệu quan sát được, ta sử dụng công thức ước lượng sau:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\text{Cov}(X, Y) = \\frac{1}{n - 1} \\sum_{i=1}^{n} (x_i - \\bar{x})(y_i - \\bar{y})\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó:\u003C\u002Fp>\u003Cul>\u003Cli>\\( x_i, y_i \\) là giá trị quan sát thứ \\( i \\) của hai biến.\u003C\u002Fli>\u003Cli>\\( \\bar{x}, \\bar{y} \\) là trung bình mẫu của từng biến.\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Cách tính này giúp ta có một ước lượng không chệch của hiệp phương sai tổng thể khi mẫu được lấy ngẫu nhiên và độc lập. Nếu dùng mẫu toàn bộ dân số, mẫu số sẽ là \\( n \\) thay vì \\( n - 1 \\).\u003C\u002Fp>\u003Cp>Để trực quan hơn, dưới đây là ví dụ về cách tính hiệp phương sai từ một bảng dữ liệu mẫu:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Quan sát\u003C\u002Fth>\u003Cth>X\u003C\u002Fth>\u003Cth>Y\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>3\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>7\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>6\u003C\u002Ftd>\u003Ctd>9\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Cp>Tính trung bình \\( \\bar{x} = 4 \\), \\( \\bar{y} = 6.33 \\), sau đó áp dụng {{topic|%7B%22topic%22%3A%22c%C3%B4ng%20th%E1%BB%A9c%22%7D}} hiệp phương sai mẫu:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\text{Cov}(X,Y) = \\frac{1}{2} \\left[(2 - 4)(3 - 6.33) + (4 - 4)(7 - 6.33) + (6 - 4)(9 - 6.33)\\right]\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Kết quả: hiệp phương sai dương, thể hiện mối quan hệ cùng chiều giữa X và Y.\u003C\u002Fp>\u003Ch2>Ý nghĩa của hiệp phương sai\u003C\u002Fh2>\u003Cp>Hiệp phương sai không chỉ phản ánh mối quan hệ tuyến tính giữa hai biến mà còn cho biết hướng thay đổi của chúng. Tuy nhiên, điều quan trọng là phải hiểu rằng giá trị hiệp phương sai không chuẩn hóa, nên khó đánh giá trực tiếp độ mạnh yếu của mối quan hệ.\u003C\u002Fp>\u003Cp>Giải thích dấu của hiệp phương sai:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Hiệp phương sai dương\u003C\u002Fstrong>: Khi \\( X \\) tăng, \\( Y \\) có xu hướng tăng theo và ngược lại.\u003C\u002Fli>\u003Cli>\u003Cstrong>Hiệp phương sai âm\u003C\u002Fstrong>: Khi \\( X \\) tăng, \\( Y \\) có xu hướng giảm.\u003C\u002Fli>\u003Cli>\u003Cstrong>Hiệp phương sai bằng 0\u003C\u002Fstrong>: Không tồn tại mối quan hệ tuyến tính giữa hai biến (nhưng có thể vẫn tồn tại mối quan {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20phi%20tuy%E1%BA%BFn%22%7D}}).\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Giá trị hiệp phương sai phụ thuộc trực tiếp vào đơn vị đo của dữ liệu. Do đó, nếu ta đo chiều cao bằng centimet và cân nặng bằng kilogram, giá trị hiệp phương sai sẽ khác nếu chuyển sang inch và pound. Điều này làm cho việc so sánh các hiệp phương sai giữa các cặp biến khác nhau trở nên {{topic|%7B%22topic%22%3A%22kh%C3%B3%20kh%C4%83n%22%7D}} nếu không chuẩn hóa dữ liệu.\u003C\u002Fp>\u003Cp>Vì lý do đó, trong thực tế, người ta thường kết hợp hiệp phương sai với các chỉ số khác để có cái nhìn toàn diện hơn về mối quan hệ giữa các biến.\u003C\u002Fp>\u003Ch2>So sánh với hệ số tương quan\u003C\u002Fh2>\u003Cp>Hệ số tương quan Pearson là {{topic|%7B%22topic%22%3A%22bi%E1%BA%BFn%20th%E1%BB%83%22%7D}} chuẩn hóa của hiệp phương sai. Nó loại bỏ ảnh hưởng của đơn vị đo và giá trị tuyệt đối của độ biến thiên bằng cách chia cho tích độ lệch chuẩn của hai biến:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\rho_{X,Y} = \\frac{\\text{Cov}(X, Y)}{\\sigma_X \\sigma_Y}\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Hệ số này luôn nằm trong khoảng từ -1 đến 1, với các ý nghĩa cụ thể:\u003C\u002Fp>\u003Cul>\u003Cli>\\( \\rho = 1 \\): Mối quan hệ tuyến tính hoàn hảo cùng chiều.\u003C\u002Fli>\u003Cli>\\( \\rho = -1 \\): Mối quan hệ tuyến tính hoàn hảo ngược chiều.\u003C\u002Fli>\u003Cli>\\( \\rho = 0 \\): Không có mối quan hệ tuyến tính.\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Hệ số tương quan có thể so sánh được giữa các cặp biến khác nhau nhờ tính chuẩn hóa. Đây là lý do tại sao trong {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}}, người ta thường sử dụng cả hiệp phương sai và hệ số tương quan để phân tích mối quan hệ giữa các biến.\u003C\u002Fp>\u003Cp>Tham khảo thêm về sự khác biệt và {{topic|%7B%22topic%22%3A%22m%E1%BB%91i%20li%C3%AAn%20h%E1%BB%87%22%7D}} giữa hai khái niệm này tại \u003Ca href=\"https:\u002F\u002Fcorporatefinanceinstitute.com\u002Fresources\u002Fdata-science\u002Fcovariance-vs-correlation\u002F\">Corporate Finance Institute - Covariance vs. Correlation\u003C\u002Fa>.\u003C\u002Fp>\u003Ch2>Ma trận hiệp phương sai\u003C\u002Fh2>\u003Cp>Khi làm việc với nhiều biến ngẫu nhiên, việc tính toán hiệp phương sai cho từng cặp riêng lẻ là không thực tế. Thay vào đó, ta sử dụng một cấu trúc gọi là ma trận hiệp phương sai (covariance matrix) – một ma trận vuông trong đó mỗi phần tử đại diện cho hiệp phương sai giữa hai biến cụ thể. Đây là công cụ trung tâm trong thống kê đa biến, giúp {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20h%C3%B3a%22%7D}} sự liên kết giữa các biến trong không gian nhiều chiều.\u003C\u002Fp>\u003Cp>Giả sử ta có một tập dữ liệu gồm \\( p \\) biến \\( X_1, X_2, ..., X_p \\). Khi đó, ma trận hiệp phương sai \\( \\Sigma \\) được biểu diễn như sau:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\Sigma = \\begin{bmatrix} \\text{Var}(X_1) & \\text{Cov}(X_1, X_2) & \\cdots & \\text{Cov}(X_1, X_p) \\\\ \\text{Cov}(X_2, X_1) & \\text{Var}(X_2) & \\cdots & \\text{Cov}(X_2, X_p) \\\\ \\vdots & \\vdots & \\ddots & \\vdots \\\\ \\text{Cov}(X_p, X_1) & \\text{Cov}(X_p, X_2) & \\cdots & \\text{Var}(X_p) \\end{bmatrix}\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Một số đặc điểm của ma trận hiệp phương sai:\u003C\u002Fp>\u003Cul>\u003Cli>Ma trận luôn {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%91i%20x%E1%BB%A9ng%22%7D}} vì \\( \\text{Cov}(X_i, X_j) = \\text{Cov}(X_j, X_i) \\).\u003C\u002Fli>\u003Cli>Các phần tử trên đường chéo chính là phương sai của từng biến.\u003C\u002Fli>\u003Cli>Ma trận này thường là dương bán xác định (positive semi-definite).\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Trong ứng dụng thực tế, ma trận hiệp phương sai là đầu vào thiết yếu của các thuật toán như Phân tích Thành phần Chính (PCA), hồi quy tuyến tính đa biến, hoặc mô hình Gaussian đa chiều.\u003C\u002Fp>\u003Ch2>Ứng dụng trong học máy\u003C\u002Fh2>\u003Cp>Hiệp phương sai có vai trò nền tảng trong nhiều {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%22%7D}} học máy. Một ví dụ điển hình là phân tích thành phần chính (PCA – Principal Component Analysis), phương pháp giảm chiều dữ liệu dựa vào việc phân tích ma trận hiệp phương sai để tìm các chiều phương sai lớn nhất.\u003C\u002Fp>\u003Cp>PCA hoạt động bằng cách tính toán các vector riêng (eigenvectors) và giá trị riêng ({{topic|%7B%22topic%22%3A%22eigenvalues%22%7D}}) của ma trận hiệp phương sai của tập dữ liệu. Những vector riêng tương ứng với giá trị riêng lớn nhất sẽ xác định hướng chính của sự biến thiên – các thành phần chính – trong tập dữ liệu. Việc này giúp nén dữ liệu hiệu quả mà vẫn giữ được thông tin quan trọng nhất.\u003C\u002Fp>\u003Cp>Ứng dụng PCA và hiệp phương sai trong học máy có thể kể đến:\u003C\u002Fp>\u003Cul>\u003Cli>Giảm chiều trong xử lý ảnh, nhận dạng khuôn mặt.\u003C\u002Fli>\u003Cli>Tiền xử lý dữ liệu trước khi huấn luyện mô hình học có giám sát.\u003C\u002Fli>\u003Cli>Phân tích cụm (clustering) và {{topic|%7B%22topic%22%3A%22tr%E1%BB%B1c%20quan%20h%C3%B3a%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} cao chiều.\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Tài liệu hướng dẫn chi tiết có thể xem tại \u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fdecomposition.html#pca\">Scikit-learn - PCA Module\u003C\u002Fa>.\u003C\u002Fp>\u003Ch2>Ứng dụng trong tài chính\u003C\u002Fh2>\u003Cp>Trong lĩnh vực tài chính định lượng, hiệp phương sai là công cụ cốt lõi trong quản lý rủi ro và tối ưu hóa {{topic|%7B%22topic%22%3A%22danh%20m%E1%BB%A5c%20%C4%91%E1%BA%A7u%20t%C6%B0%22%7D}}. Theo Lý thuyết Danh mục Hiện đại (Modern Portfolio Theory) của Harry Markowitz, sự biến động tổng thể của danh mục không chỉ phụ thuộc vào phương sai của từng tài sản, mà còn vào hiệp phương sai giữa các tài sản đó.\u003C\u002Fp>\u003Cp>Hiệp phương sai giúp xác định mức độ phân tán chung của các tài sản:\u003C\u002Fp>\u003Cul>\u003Cli>Hiệp phương sai dương cao: Các tài sản biến động cùng chiều, làm tăng rủi ro danh mục.\u003C\u002Fli>\u003Cli>Hiệp phương sai âm: Các tài sản có xu hướng bù trừ cho nhau, giúp giảm rủi ro tổng thể.\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Ví dụ, một danh mục gồm cổ phiếu và trái phiếu thường có hiệp phương sai âm do thị trường cổ phiếu và thị trường nợ thường di chuyển ngược chiều trong các chu kỳ kinh tế. Việc lựa chọn các tài sản có tương quan thấp hoặc âm giúp xây dựng danh mục có độ ổn định cao hơn.\u003C\u002Fp>\u003Cp>Một số ứng dụng cụ thể:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Phân tích\u003C\u002Fth>\u003Cth>Vai trò của hiệp phương sai\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Ước lượng rủi ro danh mục\u003C\u002Ftd>\u003Ctd>Tính toán phương sai tổng thông qua ma trận hiệp phương sai\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Tối ưu hóa đầu tư\u003C\u002Ftd>\u003Ctd>Tìm trọng số phân bổ tài sản sao cho phương sai danh mục nhỏ nhất\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Hệ thống hóa mô hình VAR (Value at Risk)\u003C\u002Ftd>\u003Ctd>Ước tính phân phối xác suất lợi nhuận dựa trên ma trận hiệp phương sai\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Cp>Chi tiết về ứng dụng trong đầu tư có thể xem thêm tại \u003Ca href=\"https:\u002F\u002Fwww.cfainstitute.org\u002Fen\u002Fresearch\u002Ffoundation\u002F2003\u002Fmodern-portfolio-theory-and-investment-analysis\">CFA Institute - Modern Portfolio Theory\u003C\u002Fa>.\u003C\u002Fp>\u003Ch2>Hạn chế của hiệp phương sai\u003C\u002Fh2>\u003Cp>Dù hiệp phương sai là công cụ mạnh mẽ, nó vẫn có những hạn chế đáng lưu ý. Trước hết, giá trị hiệp phương sai bị ảnh hưởng bởi đơn vị đo lường của dữ liệu. Điều này khiến cho việc so sánh giá trị hiệp phương sai giữa các cặp biến khác nhau trở nên thiếu tin cậy nếu không được chuẩn hóa.\u003C\u002Fp>\u003Cp>Thứ hai, hiệp phương sai chỉ đo lường quan hệ tuyến tính. Do đó, nếu hai biến có mối quan hệ phi tuyến (chẳng hạn dạng parabol), giá trị hiệp phương sai có thể gần bằng 0 dù mối liên kết thực sự là rất mạnh. Điều này dễ gây hiểu lầm nếu chỉ dựa vào một chỉ số duy nhất.\u003C\u002Fp>\u003Cp>Ngoài ra, hiệp phương sai rất nhạy với ngoại lệ (outliers). Một vài giá trị cực đoan có thể làm sai lệch toàn bộ kết quả ước lượng. Trong các trường hợp như vậy, các phương pháp như tương quan Spearman hoặc các chỉ số dựa trên phân vị sẽ đáng tin cậy hơn.\u003C\u002Fp>\u003Ch2>Hiệp phương sai trong dữ liệu thực\u003C\u002Fh2>\u003Cp>Khi áp dụng vào dữ liệu thực, hiệp phương sai thường được tính toán như một bước trong phân tích sơ bộ để đánh giá mối quan hệ giữa các biến. Tuy nhiên, cần thận trọng trong khâu tiền xử lý dữ liệu, bao gồm:\u003C\u002Fp>\u003Cul>\u003Cli>Kiểm tra và loại bỏ ngoại lệ.\u003C\u002Fli>\u003Cli>Chuẩn hóa dữ liệu nếu các biến có đơn vị đo khác nhau.\u003C\u002Fli>\u003Cli>Kiểm tra giả định phân phối chuẩn (nếu dùng trong mô hình thống kê cổ điển).\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Việc sử dụng hiệp phương sai không nên tách rời khỏi bối cảnh dữ liệu. Ví dụ, trong các bộ dữ liệu tài chính với tần suất cao (high-frequency trading), biến động lớn trong ngắn hạn có thể tạo ra giá trị hiệp phương sai cao nhưng không phản ánh xu hướng dài hạn.\u003C\u002Fp>\u003Cp>Một ví dụ điển hình là việc phân tích thị trường chứng khoán: nếu tính hiệp phương sai giữa chỉ số S&P 500 và lợi nhuận một cổ phiếu công nghệ trong năm 2022, ta có thể phát hiện mức độ nhạy cảm của cổ phiếu đó với biến động thị trường nói chung.\u003C\u002Fp>\u003Ch2>Kết luận\u003C\u002Fh2>\u003Cp>Hiệp phương sai là công cụ thống kê quan trọng dùng để đo lường sự thay đổi cùng nhau của hai biến. Từ biểu thức đơn giản trong toán học, nó mở rộng thành ma trận hiệp phương sai trong phân tích dữ liệu nhiều chiều, phục vụ các ứng dụng thực tiễn trong học máy và tài chính.\u003C\u002Fp>\u003Cp>Tuy nhiên, cần sử dụng hiệp phương sai một cách có phán đoán, đi kèm các công cụ phân tích khác để đánh giá đầy đủ mối quan hệ giữa các biến, tránh hiểu nhầm do đơn vị đo hoặc ảnh hưởng của các ngoại lệ.\u003C\u002Fp>",{"id":86,"researcherId":20,"name":87,"imageUrl":88},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[90,91,92,93,94,95,96,97,98,99,100,101,102,103,104,105,106],"biến ngẫu nhiên","phương sai","phân tán","kỳ vọng","thực nghiệm","công thức","hệ phi tuyến","khó khăn","biến thể","phân tích dữ liệu","mối liên hệ","mô hình hóa","đối xứng","thuật toán","eigenvalues","trực quan hóa dữ liệu","danh mục đầu tư",17,"PUBLISHED","2025-05-20T02:27:22.306+00:00","2026-08-30T04:13:01.745+00:00","2026-08-30T04:13:01.743+00:00",1106,[114,117,120,123,126,129,132,135,138,141],{"id":115,"title":116,"term":115,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"ngữ nghĩa","Ngữ nghĩa là gì? Các nghiên cứu khoa học về Ngữ nghĩa",{"id":118,"title":119,"term":118,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"năng lực mô hình hóa toán học","Năng lực mô hình hóa toán học là gì? Các nghiên cứu khoa học",{"id":121,"title":122,"term":121,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"mô hình lý thuyết","Mô hình lý thuyết là gì? Các nghiên cứu về Mô hình lý thuyết",{"id":124,"title":125,"term":124,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"hứng thú học tập","Hứng thú học tập là gì? Các công bố khoa học về Hứng thú học tập",{"id":127,"title":128,"term":127,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"bibliometrics","Bibliometrics là gì? Các nghiên cứu khoa học về Bibliometrics",{"id":130,"title":131,"term":130,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"chuỗi markov","Chuỗi markov là gì? Các công bố khoa học về Chuỗi markov",{"id":133,"title":134,"term":133,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"matlab simulink","Matlab simulink là gì? Các công bố khoa học về Matlab simulink",{"id":136,"title":137,"term":136,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":139,"title":140,"term":139,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"thành tựu","Thành tựu là gì? Các công bố khoa học về Thành tựu",{"id":142,"title":143,"term":142,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"học thuật","Học thuật là gì? Các nghiên cứu khoa học về Học thuật"]