[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_m%E1%BA%ABu%20ng%E1%BA%ABu%20nhi%C3%AAn{\"limit\":5}":3,"_public_topic_byId_mẫu ngẫu nhiên":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":17,"definition":21,"discipline":22,"references":23,"faqs":52,"createUser":62,"publishUser":66,"keywords":70,"keywordCount":81,"enrichTopicLink":82,"status":83,"createTime":84,"updateTime":85,"publishTime":86,"linkEnrichedTime":87,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":88,"relateTopics":89},"mẫu ngẫu nhiên","Mẫu ngẫu nhiên: Bản chất, phương pháp chọn và tính cỡ mẫu","Mẫu ngẫu nhiên là tập hợp quan sát chọn từ tổng thể theo xác suất khách quan, đóng vai trò nền tảng cho suy diễn thống kê, ước lượng tham số và kiểm định.","\u003Cp>Mẫu ngẫu nhiên (tiếng Anh: random sample) trong lý thuyết xác suất và thống kê toán học được định nghĩa chuẩn tắc là một dãy các biến ngẫu nhiên độc lập và cùng phân phối (independent and identically distributed - i.i.d.) tuân theo quy luật phân phối xác suất của tổng thể nghiên cứu. Trong thực tiễn điều tra và lý thuyết chọn mẫu từ tổng thể hữu hạn, khái niệm này được triển khai dưới dạng mẫu xác suất (probability sample), trong đó mỗi phần tử thuộc tổng thể đều có một xác suất khách quan, đã biết trước và lớn hơn không để được lựa chọn vào mẫu. Bản chất cốt lõi của mẫu ngẫu nhiên nằm ở cơ chế chọn lọc xác suất (probability sampling), giúp loại bỏ định kiến thiên lệch chọn mẫu chủ quan (selection bias) của người điều tra trong quá trình rút đơn vị vào mẫu. Trong lý thuyết xác suất và thống kê suy diễn, mẫu ngẫu nhiên đóng vai trò là nhịp cầu thực nghiệm duy nhất cho phép áp dụng các định lý giới hạn để ngoại suy, ước lượng các tham số chưa biết của tổng thể và kiểm định các giả thuyết khoa học với độ tin cậy được định lượng chính xác.\u003C\u002Fp>\n\n\u003Ch2>Bản chất lý thuyết và vai trò trong suy diễn thống kê\u003C\u002Fh2>\n\u003Cp>Trong thực tiễn {{topic|%7B%22topic%22%3A%22nghi%C3%AAn%20c%E1%BB%A9u%20khoa%20h%E1%BB%8Dc%22%7D}} xã hội, kinh tế học, y sinh học và kỹ thuật công nghiệp, việc quan sát hoặc đo lường toàn bộ mọi cá thể trong một tổng thể (tổng điều tra toàn bộ) thường là điều bất khả thi do sự giới hạn về ngân sách tài chính, quỹ thời gian, nhân lực thực địa, hoặc do bản chất phá hủy của quy trình thử nghiệm (chẳng hạn như kiểm tra độ bền kéo đứt của vật liệu hay thử nghiệm độc tính của dược phẩm). Do đó, phương pháp chọn mẫu là giải pháp khoa học mang tính tất yếu.\u003C\u002Fp>\n\u003Cp>Tuy nhiên, độ tin cậy của mọi kết luận suy diễn từ mẫu phụ thuộc hoàn toàn vào phương thức thu thập dữ liệu. Lý thuyết thống kê phân định rạch ròi giữa hai trường phái lấy mẫu cơ bản:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Mẫu xác suất (mẫu ngẫu nhiên):\u003C\u002Fstrong> Mọi đơn vị trong tổng thể đều có cơ hội được chọn với xác suất tính toán được. Nguyên lý ngẫu nhiên hóa (randomization) hoạt động như một cơ chế loại bỏ sự thiên lệch có hệ thống (systematic bias), cho phép đo lường và kiểm soát sai số lấy mẫu thông qua các công cụ toán học xác suất.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Mẫu phi xác suất:\u003C\u002Fstrong> Bao gồm các phương pháp như lấy mẫu thuận tiện (convenience sampling), lấy mẫu định mức (quota sampling), lấy mẫu quả cầu tuyết (snowball sampling) hay lấy mẫu phán đoán (purposive sampling). Trong các kỹ thuật này, xác suất được chọn của từng phần tử là ẩn số, không thể tính toán được sai số chọn mẫu và mọi kết luận ngoại suy ra tổng thể đều thiếu cơ sở toán học vững chắc.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Nhờ tuân thủ nghiêm ngặt nguyên lý xác suất, các thống kê mẫu (chẳng hạn như trung bình mẫu, tỷ lệ mẫu hay phương sai mẫu) trở thành các biến ngẫu nhiên có quy luật {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20ph%E1%BB%91i%20x%C3%A1c%20su%E1%BA%A5t%22%7D}} xác định (gọi là phân phối chọn mẫu - sampling distribution). Điều này đặt nền móng cho hai nhánh lớn của thống kê suy diễn: lý thuyết {{topic|%7B%22topic%22%3A%22%C6%B0%E1%BB%9Bc%20l%C6%B0%E1%BB%A3ng%20tham%20s%E1%BB%91%22%7D}} (gồm ước lượng điểm và ước lượng khoảng tin cậy) và lý thuyết {{topic|%7B%22topic%22%3A%22ki%E1%BB%83m%20%C4%91%E1%BB%8Bnh%20gi%E1%BA%A3%20thuy%E1%BA%BFt%22%7D}} thống kê.\u003C\u002Fp>\n\n\u003Ch2>Lịch sử phát triển và nền tảng toán học của lý thuyết chọn mẫu\u003C\u002Fh2>\n\u003Cp>Lý thuyết chọn mẫu hiện đại không hình thành một cách ngẫu nhiên mà là kết quả của các cuộc tranh luận học thuật sâu sắc trong lịch sử thống kê học nửa đầu thế kỷ hai mươi. Bước ngoặt lịch sử quan trọng nhất diễn ra vào năm 1934, khi nhà toán học người Ba Lan Jerzy Neyman công bố công trình chuyên khảo mang tính thời đại trên tạp chí Journal of the Royal Statistical Society (Neyman, 1934).\u003C\u002Fp>\n\u003Cp>Trước năm 1934, giới thống kê quốc tế bị chia rẽ giữa hai quan điểm: phương pháp chọn mẫu ngẫu nhiên (random sampling) do Arthur Bowley khởi xướng và phương pháp chọn mẫu có chủ đích đại diện (purposive selection) do hai nhà thống kê người Ý là Corrado Gini và Luigi Galvani ủng hộ. Trong công trình năm 1934, Jerzy Neyman đã sử dụng {{topic|%7B%22topic%22%3A%22d%E1%BB%AF%20li%E1%BB%87u%20th%E1%BB%B1c%20nghi%E1%BB%87m%22%7D}} quy mô lớn của cuộc điều tra dân số Ý để chứng minh một cách chặt chẽ về mặt toán học rằng phương pháp chọn mẫu có chủ đích dẫn đến sai số rất nghiêm trọng và không thể đưa ra bất kỳ ước lượng khoảng tin cậy nào có giá trị. Đồng thời, Neyman đã chính thức thiết lập nền tảng toán học cho phương pháp chọn mẫu ngẫu nhiên phân tầng (stratified random sampling), phát triển công thức phân bổ tối ưu kích thước mẫu giữa các tầng (sau này được lịch sử vinh danh là phép phân bổ Neyman - Neyman allocation), và khai sinh khái niệm khoảng tin cậy (confidence interval) trong thống kê toán học thực nghiệm.\u003C\u002Fp>\n\u003Cp>Tiếp nối nền tảng của Neyman, vào năm 1952, hai nhà thống kê Daniel Horvitz và Donovan Thompson đã công bố một công trình đột phá trên tạp chí Journal of the American Statistical Association (Horvitz & Thompson, 1952). Hai tác giả đã tổng quát hóa lý thuyết chọn mẫu không hoàn lại từ các tổng thể hữu hạn bằng cách đề xuất ước lượng Horvitz-Thompson. Đây là một công cụ toán học đột phá chứng minh rằng: khi biết trước xác suất bao hàm bậc một của mỗi phần tử, ta luôn xây dựng được một ước lượng không chệch cho tổng của tổng thể (và cho trung bình tổng thể khi quy mô $N$ đã biết trước), ngay cả khi các phần tử có xác suất được chọn hoàn toàn không đồng đều. Đồng thời, lý thuyết cũng chỉ rõ việc ước lượng phương sai và thiết lập khoảng tin cậy bắt buộc phải dựa trên các xác suất bao hàm bậc hai giữa mọi cặp phần tử.\u003C\u002Fp>\n\u003Cp>Sang thế kỷ hai mươi mốt, lý thuyết chọn mẫu tiếp tục được hệ thống hóa, mở rộng và ứng dụng vào các hệ thống dữ liệu phức tạp. Giáo trình kinh điển của Steven Thompson xuất bản năm 2012 (Thompson, 2012) và chuyên khảo sâu sắc của Sharon Lohr xuất bản năm 2021 (Lohr, 2021) đã hoàn thiện khung lý thuyết suy diễn dựa trên thiết kế mẫu (design-based inference), kết hợp hài hòa giữa toán học giải tích xác suất và các kỹ thuật mô phỏng tính toán hiện đại.\u003C\u002Fp>\n\n\u003Ch2>Các thiết kế chọn mẫu ngẫu nhiên cơ bản\u003C\u002Fh2>\n\u003Cp>Tùy thuộc vào cấu trúc của tổng thể nghiên cứu, mức độ sẵn có của khung chọn mẫu (sampling frame), cũng như các điều kiện về địa lý và chi phí {{topic|%7B%22topic%22%3A%22kh%E1%BA%A3o%20s%C3%A1t%20th%E1%BB%B1c%20%C4%91%E1%BB%8Ba%22%7D}}, các nhà thống kê phân chia mẫu ngẫu nhiên thành bốn thiết kế cơ bản:\u003C\u002Fp>\n\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Phương pháp chọn mẫu\u003C\u002Fth>\n      \u003Cth>Đặc điểm thiết kế kỹ thuật\u003C\u002Fth>\n      \u003Cth>Ưu điểm nổi bật\u003C\u002Fth>\n      \u003Cth>Hạn chế và thách thức\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Chọn mẫu ngẫu nhiên đơn giản (Simple Random Sampling - SRS)\u003C\u002Ftd>\n      \u003Ctd>Mọi tập hợp con (mẫu) kích thước $n$ khả dĩ từ tổng thể $N$ đều có xác suất được lựa chọn bằng nhau và bằng $1\u002F\\binom{N}{n}$ (đối với chọn mẫu không hoàn lại); từ đó mỗi phần tử đều có cùng xác suất bao hàm bậc một bằng nhau là $n\u002FN$. Có thể thực hiện theo cơ chế hoàn lại hoặc không hoàn lại.\u003C\u002Ftd>\n      \u003Ctd>Cấu trúc toán học trong sáng, công thức tính sai số chuẩn đơn giản, không đòi hỏi thông tin bổ trợ trước về tổng thể.\u003C\u002Ftd>\n      \u003Ctd>Đòi hỏi phải lập được khung mẫu đầy đủ cho toàn bộ cá thể; chi phí đi lại thu thập dữ liệu rất tốn kém nếu tổng thể phân tán rộng.\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Chọn mẫu ngẫu nhiên phân tầng (Stratified Random Sampling)\u003C\u002Ftd>\n      \u003Ctd>Tổng thể được chia thành các tầng (strata) đồng nhất bên trong và dị biệt giữa các tầng; chọn mẫu ngẫu nhiên độc lập trong từng tầng.\u003C\u002Ftd>\n      \u003Ctd>Giảm phương sai sai số chọn mẫu (tăng độ chính xác); đảm bảo mẫu có đủ đại diện cho các phân nhóm thiểu số hoặc quan trọng.\u003C\u002Ftd>\n      \u003Ctd>Đòi hỏi phải có thông tin biến phân tầng chính xác cho toàn bộ tổng thể trước khi tiến hành chọn mẫu; phân bổ tầng phức tạp.\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Chọn mẫu ngẫu nhiên chùm \u002F cụm (Cluster Sampling)\u003C\u002Ftd>\n      \u003Ctd>Tổng thể được chia thành các cụm (chùm) tự nhiên; chọn ngẫu nhiên một số cụm và tiến hành điều tra toàn bộ hoặc một phần các phần tử trong cụm.\u003C\u002Ftd>\n      \u003Ctd>Tiết kiệm tối đa chi phí hành chính và đi lại; chỉ cần lập danh sách các đơn vị trong những cụm được chọn ngẫu nhiên.\u003C\u002Ftd>\n      \u003Ctd>Hiệu ứng thiết kế làm tăng phương sai sai số so với chọn mẫu ngẫu nhiên đơn cùng kích thước do sự tương đồng nội cụm.\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Chọn mẫu ngẫu nhiên hệ thống (Systematic Sampling)\u003C\u002Ftd>\n      \u003Ctd>Chọn ngẫu nhiên một điểm xuất phát trong khoảng bước nhảy $k$, sau đó cứ cách đều một khoảng $k$ đơn vị lại chọn một phần tử vào mẫu.\u003C\u002Ftd>\n      \u003Ctd>Thao tác lấy mẫu tại hiện trường vô cùng nhanh chóng, trực quan; phân bổ mẫu trải đều khắp không gian hoặc danh sách khảo sát.\u003C\u002Ftd>\n      \u003Ctd>Rất dễ phát sinh sai số chệch có hệ thống nếu danh sách tổng thể vô tình có tính chu kỳ tuần hoàn trùng khớp với bước nhảy $k$.\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Cp>Trong chọn mẫu ngẫu nhiên đơn giản không hoàn lại từ tổng thể hữu hạn có kích thước $N$ với cỡ mẫu $n$, xác suất để một phần tử bất kỳ được lựa chọn vào mẫu bằng đúng tỷ lệ lấy mẫu $n\u002FN$. Đối với chọn mẫu phân tầng, nhà nghiên cứu có thể áp dụng quy tắc phân bổ tỷ lệ (proportional allocation) trong đó kích thước mẫu của mỗi tầng tỷ lệ thuận với quy mô dân số của tầng đó, hoặc áp dụng quy tắc phân bổ tối ưu của Neyman (Neyman, 1934) nhằm cực tiểu hóa phương sai sai số với một tổng kích thước mẫu $n$ cố định (khi chi phí đơn vị khảo sát giữa các tầng tương đương nhau), hoặc công thức phân bổ tối ưu tổng quát có xét đến chi phí biến thiên giữa các tầng.\u003C\u002Fp>\n\n\u003Ch2>Thuật toán xác định kích thước mẫu và định lý thống kê chi phối\u003C\u002Fh2>\n\u003Cp>Một câu hỏi trung tâm mang tính quyết định trong mọi thiết kế khảo sát thực nghiệm là: Cần thu thập bao nhiêu quan sát để mẫu ngẫu nhiên đại diện một cách đáng tin cậy cho tổng thể? Cơ sở toán học để trả lời câu hỏi này dựa trên Định lý giới hạn trung tâm (Central Limit Theorem) và Luật số lớn (Law of Large Numbers).\u003C\u002Fp>\n\u003Cp>Theo Định lý giới hạn trung tâm, khi kích thước mẫu đủ lớn, phân phối xác suất của trung bình mẫu sẽ tiệm cận về phân phối chuẩn (phân phối Gauss), bất kể phân phối xác suất ban đầu của tổng thể gốc có dạng đối xứng hay lệch. Trong thực hành thống kê toán học cổ điển, các tài liệu nhập môn thường đưa ra quy tắc ngón tay cái yêu cầu kích thước mẫu tối thiểu từ 30 quan sát trở lên để xấp xỉ phân phối chuẩn phát huy hiệu lực. Tuy nhiên, chuyên khảo của Sharon Lohr chỉ ra rằng đối với các cuộc khảo sát thực địa từ tổng thể hữu hạn có phân phối lệch nặng (như thu nhập hay biến số môi trường), cỡ mẫu 30 thường là không đủ, đòi hỏi kích thước mẫu lớn hơn rất nhiều hoặc phải áp dụng {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20ph%C3%A1p%20suy%20di%E1%BB%85n%22%7D}} dựa trên mô hình (Lohr, 2021).\u003C\u002Fp>\n\u003Cp>Đối với bài toán ước lượng một tỷ lệ trong tổng thể vô hạn (hoặc tổng thể hữu hạn rất lớn) theo phương thức chọn mẫu ngẫu nhiên đơn giản, công thức xác định kích thước mẫu tối thiểu được Sharon Lohr trình bày chi tiết như sau (Lohr, 2021):\u003C\u002Fp>\n\u003Cp>Kích thước mẫu ban đầu $n_0$ được tính bằng tỷ số giữa tích của bình phương giá trị tới hạn chuẩn tắc với phương sai của biến ngẫu nhiên Bernoulli (biến chỉ báo cá thể mang đặc tính nghiên cứu), chia cho bình phương sai số biên cho phép:\u003C\u002Fp>\n\u003Cp>$$n_0 = \\frac{z^2 p(1-p)}{e^2}$$\u003C\u002Fp>\n\u003Cp>Trong đó:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>$z$ là giá trị tới hạn của phân phối chuẩn tắc tương ứng với độ tin cậy mong muốn. Với độ tin cậy truyền thống là 95%, giá trị tới hạn hai phía chuẩn xác là $z = 1.96$.\u003C\u002Fli>\n  \u003Cli>$e$ là sai số biên chấp nhận được (margin of error), phản ánh khoảng chênh lệch tối đa giữa tỷ lệ ước lượng từ mẫu và tỷ lệ thực của tổng thể. Trong các cuộc điều tra xã hội học và dịch tễ học tiêu chuẩn, giá trị này thường được ấn định ở mức 0.05 (tức 5%).\u003C\u002Fli>\n  \u003Cli>$p$ là tỷ lệ kỳ vọng xuất hiện đặc tính nghiên cứu trong tổng thể. Trong trường hợp chưa có bất kỳ thông tin nào từ các nghiên cứu trước đây, nhà thống kê áp dụng kịch bản thận trọng nhất bằng cách giả định $p = 0.5$. Giá trị này tối đa hóa phương sai của biến ngẫu nhiên Bernoulli, tạo ra tích số phân tán $p(1 - p) = 0.5 \\times 0.5 = 0.25$.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Thay các tham số chuẩn trên vào thuật toán tính cỡ mẫu:\u003C\u002Fp>\n\u003Cp>Giá trị tử số bằng bình phương của 1.96 nhân với 0.25, cho kết quả là 3.8416 nhân 0.25, bằng 0.9604. Mẫu số là bình phương của 0.05, tức bằng 0.0025. Phép chia 0.9604 cho 0.0025 mang lại giá trị kích thước mẫu chính xác là 384.16 quan sát (Lohr, 2021). Do số quan sát thực tế phải là một số nguyên, nhà nghiên cứu làm tròn lên thành 385 quan sát (hoặc ghi nhận 384 quan sát làm ngưỡng lý thuyết nền) để đảm bảo độ tin cậy không bị thấp hơn ngưỡng mục tiêu.\u003C\u002Fp>\n\u003Cp>Trong tình huống nghiên cứu một tổng thể hữu hạn có quy mô $N$ không quá lớn và tỷ lệ lấy mẫu vượt quá 5% tổng thể, công thức trên được điều chỉnh thông qua hệ số hiệu chỉnh tổng thể hữu hạn (finite population correction - fpc). Nhờ hệ số hiệu chỉnh này, kích thước mẫu thực tế cần khảo sát sẽ giảm xuống đáng kể so với con số 385, giúp tối ưu hóa chi phí mà vẫn bảo toàn trọn vẹn độ chính xác suy diễn.\u003C\u002Fp>\n\n\u003Ch2>Phân biệt sai số chọn mẫu và sai số phi chọn mẫu\u003C\u002Fh2>\n\u003Cp>Trong mọi công trình nghiên cứu sử dụng mẫu ngẫu nhiên, tổng sai số điều tra luôn được cấu thành từ hai nhóm sai số có bản chất toán học và thực địa hoàn toàn khác biệt:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Sai số chọn mẫu (Sampling error):\u003C\u002Fstrong> Là sự chênh lệch tất yếu giữa tham số của mẫu và tham số thực của tổng thể, phát sinh do việc chỉ quan sát một phần tập hợp thay vì toàn bộ cá thể. Sai số chọn mẫu mang tính ngẫu nhiên, có thể định lượng được thông qua phương sai và khoảng tin cậy, đồng thời luôn có xu hướng giảm dần khi tăng kích thước mẫu $n$.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Sai số phi chọn mẫu (Non-sampling error):\u003C\u002Fstrong> Là những sai lệch phát sinh từ các khiếm khuyết trong quy trình tổ chức và kỹ thuật đo lường thực địa. Nhóm sai số này bao gồm sai số khung chọn mẫu (khung mẫu bị thiếu sót hoặc chứa phần tử trùng lặp), sai số không trả lời (bệnh nhân hoặc người dân từ chối hợp tác khảo sát), sai số đo lường (bảng câu hỏi mập mờ, thiết bị cân đo thiếu chuẩn xác), và sai số nhập liệu xử lý dữ liệu. Điểm nguy hiểm nhất của sai số phi chọn mẫu là chúng không thể tự động triệt tiêu khi tăng kích thước mẫu; thậm chí nếu tăng quy mô mẫu quá mức kiểm soát, sai số phi chọn mẫu có thể trầm trọng hơn do khó quản lý chất lượng thực địa.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Do đó, một thiết kế mẫu ngẫu nhiên xuất sắc không đơn thuần là chạy theo kích thước mẫu khổng lồ, mà là sự cân bằng tối ưu giữa việc kiểm soát sai số chọn mẫu bằng các thuật toán phân bổ tầng, chùm khoa học và việc siết chặt quy trình giám sát thực địa để triệt tiêu sai số phi chọn mẫu.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng thực tiễn trong nghiên cứu khoa học và công nghệ\u003C\u002Fh2>\n\u003Cp>Mẫu ngẫu nhiên là công cụ phương pháp luận không thể thay thế trong mọi lĩnh vực khoa học thực nghiệm và quản trị hiện đại:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Thử nghiệm lâm sàng y sinh học (RCT):\u003C\u002Fstrong> Trong các {{topic|%7B%22topic%22%3A%22th%E1%BB%AD%20nghi%E1%BB%87m%20l%C3%A2m%20s%C3%A0ng%20ng%E1%BA%ABu%20nhi%C3%AAn%22%7D}} có đối chứng, việc phân bổ bệnh nhân ngẫu nhiên vào nhóm can thiệp và nhóm chứng là tiêu chuẩn vàng duy nhất để loại trừ các biến gây nhiễu tiềm ẩn, qua đó chứng minh quan hệ nhân quả thực sự của {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20ph%C3%A1p%20%C4%91i%E1%BB%81u%20tr%E1%BB%8B%22%7D}} mới.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Kiểm định chất lượng trong {{topic|%7B%22topic%22%3A%22s%E1%BA%A3n%20xu%E1%BA%A5t%20c%C3%B4ng%20nghi%E1%BB%87p%22%7D}}:\u003C\u002Fstrong> Trong dây chuyền sản xuất hàng loạt vi mạch điện tử, ô tô hoặc dược phẩm, việc lấy mẫu ngẫu nhiên định kỳ để kiểm tra phá hủy hoặc nghiệm thu chất lượng theo giới hạn chất lượng chấp nhận được (AQL) giúp doanh nghiệp kiểm soát tỷ lệ phế phẩm mà không cần kiểm tra từng thành phẩm đơn lẻ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Điều tra thống kê kinh tế xã hội và dư luận:\u003C\u002Fstrong> Các cơ quan thống kê quốc gia sử dụng các thiết kế mẫu ngẫu nhiên nhiều giai đoạn (multistage random sampling) để thực hiện các cuộc khảo sát mức sống hộ gia đình, biến động dân số và tỷ lệ thất nghiệp với độ chính xác cao, cung cấp căn cứ vững chắc cho việc hoạch định chính sách vĩ mô.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Tóm lại, mẫu ngẫu nhiên là một phát kiến vĩ đại của nền thống kê học hiện đại. Việc thấu hiểu sâu sắc bản chất xác suất, cơ chế phân bổ thiết kế mẫu và quy tắc kiểm soát sai số cho phép các nhà khoa học trích xuất được những tri thức chân thực, khách quan và đáng tin cậy nhất về thế giới thực từ những tập hợp quan sát hữu hạn.\u003C\u002Fp>\n",[18,19,20],"mẫu xác suất","probability sample","random sampling","Mẫu ngẫu nhiên trong thống kê toán là tập hợp biến ngẫu nhiên độc lập cùng phân phối, và trong điều tra tổng thể hữu hạn là mẫu xác suất có xác suất chọn đã biết và lớn hơn không, cho phép suy diễn tham số tổng thể với độ tin cậy định lượng.","NATURAL_SCIENCES",[24,31,38,45],{"citationText":25,"title":26,"authors":27,"source":28,"year":29,"doi":30,"url":10},"Neyman, J. (1934). On the Two Different Aspects of the Representative Method: The Method of Stratified Sampling and the Method of Purposive Selection. Journal of the Royal Statistical Society, 97(4), 558-625.","On the Two Different Aspects of the Representative Method: The Method of Stratified Sampling and the Method of Purposive Selection","Jerzy Neyman","Journal of the Royal Statistical Society",1934,"10.2307\u002F2342192",{"citationText":32,"title":33,"authors":34,"source":35,"year":36,"doi":37,"url":10},"Horvitz, D. G., & Thompson, D. J. (1952). A Generalization of Sampling Without Replacement from a Finite Universe. Journal of the American Statistical Association, 47(260), 663-685.","A Generalization of Sampling Without Replacement from a Finite Universe","Daniel G. Horvitz, Donovan J. Thompson","Journal of the American Statistical Association",1952,"10.1080\u002F01621459.1952.10483446",{"citationText":39,"title":40,"authors":41,"source":42,"year":43,"doi":44,"url":10},"Thompson, S. K. (2012). Sampling (3rd ed.). John Wiley & Sons.","Sampling","Steven K. Thompson","John Wiley & Sons",2012,"10.1002\u002F9781118162934",{"citationText":46,"title":47,"authors":48,"source":49,"year":50,"doi":51,"url":10},"Lohr, S. L. (2021). Sampling: Design and Analysis (3rd ed.). Chapman and Hall\u002FCRC.","Sampling: Design and Analysis","Sharon L. Lohr","Chapman and Hall\u002FCRC",2021,"10.1201\u002F9780429298899",[53,56,59],{"question":54,"answer":55},"Mẫu ngẫu nhiên khác gì so với mẫu phi xác suất?","Mẫu ngẫu nhiên đảm bảo mọi phần tử đều có xác suất được chọn lớn hơn không và tính toán được, giúp triệt tiêu sự thiên lệch chủ quan và cho phép tính sai số mẫu. Ngược lại, mẫu phi xác suất (như mẫu thuận tiện, mẫu định mức) không biết được xác suất chọn nên không thể ngoại suy thống kê tin cậy.",{"question":57,"answer":58},"Khi nào nên chọn mẫu ngẫu nhiên phân tầng thay vì chọn mẫu ngẫu nhiên đơn?","Nên dùng chọn mẫu ngẫu nhiên phân tầng khi tổng thể gồm nhiều phân nhóm có đặc tính dị biệt lớn giữa các tầng nhưng đồng nhất bên trong từng tầng. Phân tầng giúp giảm phương sai sai số ước lượng và bảo đảm các nhóm thiểu số có đủ đại diện trong mẫu.",{"question":60,"answer":61},"Tại sao công thức tính cỡ mẫu ước lượng tỷ lệ thường chọn p = 0.5?","Giá trị p = 0.5 là kịch bản thận trọng nhất vì nó tối đa hóa phương sai của biến ngẫu nhiên Bernoulli p(1-p) = 0.25, từ đó đảm bảo kích thước mẫu tính ra đủ lớn để đạt độ tin cậy mong muốn ngay cả khi không có thông tin tiên nghiệm về tỷ lệ thực của tổng thể.",{"id":63,"researcherId":10,"name":64,"imageUrl":65},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":67,"researcherId":10,"name":68,"imageUrl":69},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[71,72,73,74,75,76,77,78,79,80],"nghiên cứu khoa học","phân phối xác suất","ước lượng tham số","kiểm định giả thuyết","dữ liệu thực nghiệm","khảo sát thực địa","phương pháp suy diễn","thử nghiệm lâm sàng ngẫu nhiên","phương pháp điều trị","sản xuất công nghiệp",10,true,"PUBLISHED","2025-12-01T09:43:02.600+00:00","2026-09-03T10:07:41.628+00:00","2026-09-03T09:55:05.852+00:00","2026-09-03T10:07:41.296+00:00",0,[90,93,96,99,102,105,108,111,114,117],{"id":91,"title":92,"term":91,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"mô hình lý thuyết","Mô hình lý thuyết là gì? Các nghiên cứu về Mô hình lý thuyết",{"id":94,"title":95,"term":94,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"cơ sở vật chất","Cơ sở vật chất là gì? Các công bố khoa học về Cơ sở vật chất",{"id":97,"title":98,"term":97,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"in silico","In silico là gì? Các công bố khoa học về In silico",{"id":100,"title":101,"term":100,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI",{"id":103,"title":104,"term":103,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chuột cống trắng","Chuột cống trắng là gì? Các công bố khoa học về Chuột cống trắng",{"id":106,"title":107,"term":106,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phương pháp luận","Phương pháp luận là gì? Các nghiên cứu khoa học liên quan",{"id":109,"title":110,"term":109,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"bộ lọc kalman","Bộ lọc kalman là gì? Các nghiên cứu khoa học về Bộ lọc kalman",{"id":112,"title":113,"term":112,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"thí nghiệm vật lí","Thí nghiệm vật lí là gì? Các công bố khoa học về Thí nghiệm vật lí",{"id":115,"title":116,"term":115,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực nghiên cứu khoa học","Năng lực nghiên cứu khoa học là gì? Các bài báo phân tích",{"id":118,"title":119,"term":118,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"whoqol bref","WHOQOL-BREF là gì? Các nghiên cứu khoa học về WHOQOL-BREF"]