[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C3%A2n%20ph%E1%BB%91i{\"limit\":5}":3,"_public_topic_byId_phân phối":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":17,"englishTitle":18,"synonyms":10,"definition":19,"discipline":20,"references":21,"faqs":42,"createUser":52,"publishUser":56,"keywords":60,"keywordCount":71,"enrichTopicLink":72,"status":73,"createTime":74,"updateTime":75,"publishTime":76,"linkEnrichedTime":77,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":78,"relateTopics":79},"phân phối","Phân phối là gì? Các nghiên cứu khoa học về Phân phối","Phân phối là mô hình toán học mô tả cách các giá trị của một biến ngẫu nhiên xuất hiện và phân bố trong không gian mẫu dựa trên xác suất. Có hai loại chính là phân phối rời rạc và phân phối liên tục, mỗi loại tương ứng với bản chất của dữ liệu và được biểu diễn bằng hàm xác suất riêng. ","\u003Cp>\u003Cstrong>Phân phối\u003C\u002Fstrong> (\u003Cem>probability distribution\u003C\u002Fem>, hay \u003Cem>phân phối xác suất\u003C\u002Fem>) là hàm toán học hoặc quy luật gán giá trị xác suất cho mỗi biến cố hoặc khoảng giá trị khả dĩ của một biến ngẫu nhiên trong không gian mẫu. Phân phối xác suất mô tả cách các giá trị của một biến ngẫu nhiên được phân bố trong không gian mẫu. Nó cho biết khả năng xảy ra của mỗi giá trị cụ thể mà biến đó có thể nhận. Phân phối là khái niệm trung tâm trong xác suất, thống kê và khoa học dữ liệu, đóng vai trò nền tảng trong mô hình hóa dữ liệu, phân tích thống kê, và thuật toán học máy.\n\u003C\u002Fp>\n\u003Cp>\n  Một phân phối có thể được biểu diễn bằng bảng (với dữ liệu rời rạc), biểu đồ, hoặc công thức toán học. Phân phối giúp mô tả xu hướng trung tâm, độ biến thiên, và hình dạng tổng thể của dữ liệu. Phân tích phân phối của dữ liệu là bước đầu tiên và không thể thiếu trong bất kỳ quy trình {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} chuyên nghiệp nào.\n\u003C\u002Fp>\n\u003Cp>\n  Có hai loại phân phối chính dựa theo đặc tính {{topic|%7B%22topic%22%3A%22bi%E1%BA%BFn%20ng%E1%BA%ABu%20nhi%C3%AAn%22%7D}}: rời rạc và liên tục. Ví dụ, số lần xuất hiện của mặt “ngửa” khi tung đồng xu là biến rời rạc, còn chiều cao người là biến liên tục. Các phân phối như nhị thức, Poisson, Bernoulli thuộc nhóm rời rạc; còn chuẩn, mũ, đều là phân phối liên tục.\n\u003C\u002Fp>\n\n\u003Ch2>Phân loại phân phối xác suất\u003C\u002Fh2>\n\u003Cp>\n  Việc phân loại phân phối giúp {{topic|%7B%22topic%22%3A%22l%E1%BB%B1a%20ch%E1%BB%8Dn%20m%C3%B4%20h%C3%ACnh%22%7D}} phù hợp với bản chất của dữ liệu và mục tiêu phân tích. Các phân phối có thể được phân chia theo tính chất của biến ngẫu nhiên hoặc theo số lượng biến được mô tả.\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Phân phối rời rạc (Discrete distribution)\u003C\u002Fstrong>: Biến ngẫu nhiên có thể nhận giá trị riêng biệt, thường là số nguyên. Mỗi giá trị có xác suất riêng được mô tả bởi hàm khối xác suất (PMF).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân phối liên tục (Continuous distribution)\u003C\u002Fstrong>: Biến ngẫu nhiên có thể nhận vô số giá trị trong một khoảng thực. Xác suất được tính thông qua {{topic|%7B%22topic%22%3A%22h%C3%A0m%20m%E1%BA%ADt%20%C4%91%E1%BB%99%20x%C3%A1c%20su%E1%BA%A5t%22%7D}} (PDF).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\n  Một số phân phối còn được phân loại theo ứng dụng hoặc cấu trúc thống kê:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Phân phối đơn biến (Univariate)\u003C\u002Fstrong>: Mô tả một biến ngẫu nhiên duy nhất.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân phối đa biến (Multivariate)\u003C\u002Fstrong>: Mô tả đồng thời nhiều biến có quan hệ tương quan.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân phối hỗn hợp (Mixture Distribution)\u003C\u002Fstrong>: Tổ hợp của nhiều phân phối thành phần.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\n  Bảng sau đây minh họa phân loại cơ bản:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Loại phân phối\u003C\u002Fth>\n      \u003Cth>Đặc điểm\u003C\u002Fth>\n      \u003Cth>Ví dụ phổ biến\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Rời rạc\u003C\u002Ftd>\n      \u003Ctd>Giá trị rời rạc, có thể đếm\u003C\u002Ftd>\n      \u003Ctd>Bernoulli, Binomial, Poisson\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Liên tục\u003C\u002Ftd>\n      \u003Ctd>Giá trị liên tục trong một khoảng\u003C\u002Ftd>\n      \u003Ctd>Normal, Exponential, Uniform\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Hỗn hợp\u003C\u002Ftd>\n      \u003Ctd>Kết hợp nhiều phân phối thành phần\u003C\u002Ftd>\n      \u003Ctd>Gaussian Mixture Model (GMM)\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Biến ngẫu nhiên và hàm phân phối\u003C\u002Fh2>\n\u003Cp>\n  Một phân phối luôn gắn liền với một biến ngẫu nhiên \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript>. Nếu \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> là biến rời rạc, nó có thể nhận các giá trị \u003Cscript type=\"math\u002Ftex\">\\{x_1, x_2, ..., x_n\\}\u003C\u002Fscript> với xác suất tương ứng. Ta định nghĩa hàm khối xác suất (PMF) như sau:\n\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\nP(X = x_i) = p(x_i), \\quad \\sum_{i=1}^{n} p(x_i) = 1\n\u003C\u002Fscript>\n\u003Cp>\n  Nếu \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> là biến liên tục, xác suất không được gán cho từng giá trị cụ thể mà thông qua hàm mật độ xác suất (PDF). Xác suất xảy ra trong khoảng [a, b] được tính bằng tích phân:\n\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\nP(a \\leq X \\leq b) = \\int_a^b f(x) \\, dx\n\u003C\u002Fscript>\n\u003Cp>\n  Hàm phân phối tích lũy (CDF) áp dụng cho cả rời rạc và liên tục, mô tả xác suất để biến ngẫu nhiên nhỏ hơn hoặc bằng một giá trị nhất định:\n\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\nF(x) = P(X \\leq x)\n\u003C\u002Fscript>\n\u003Cp>\n  CDF luôn tăng đơn điệu và có giá trị nằm trong khoảng [0, 1]. Đối với biến liên tục, PDF có thể được lấy bằng đạo hàm của CDF:\n\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\nf(x) = \\frac{dF(x)}{dx}\n\u003C\u002Fscript>\n\n\u003Ch2>Các phân phối rời rạc quan trọng\u003C\u002Fh2>\n\u003Cp>\n  Trong thực tế, nhiều hiện tượng có thể được mô hình hóa bằng các phân phối rời rạc. Chúng mô tả tình huống có số lượng kết quả rời rạc như đếm số lần xảy ra một sự kiện, hoặc xác suất của các phép thử thành công.\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Bernoulli\u003C\u002Fstrong>: Mô hình hóa kết quả nhị phân (0 hoặc 1), ví dụ: tung đồng xu một lần.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Binomial\u003C\u002Fstrong>: Mô hình hóa số lần thành công trong \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> phép thử Bernoulli độc lập.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Poisson\u003C\u002Fstrong>: Mô hình hóa số lần xảy ra của một sự kiện trong một khoảng thời gian nhất định.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\n  Hàm xác suất của phân phối nhị thức được định nghĩa như sau:\n\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\nP(X = k) = \\binom{n}{k} p^k (1-p)^{n-k}\n\u003C\u002Fscript>\n\u003Cp>\n  Trong đó:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript>: số phép thử\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">k\u003C\u002Fscript>: số lần thành công\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">p\u003C\u002Fscript>: xác suất thành công trong một phép thử\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\n  Phân phối Poisson có hàm xác suất:\n\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\nP(X = k) = \\frac{\\lambda^k e^{-\\lambda}}{k!}\n\u003C\u002Fscript>\n\u003Cp>\n  Với \u003Cscript type=\"math\u002Ftex\">\\lambda\u003C\u002Fscript> là số lần xảy ra trung bình trong một đơn vị thời gian hoặc không gian. Phân phối này thường được dùng trong viễn thông, sinh học, và logistics.\n\u003C\u002Fp>\n\u003Ch2>Các phân phối liên tục quan trọng\u003C\u002Fh2>\n\u003Cp>\n  Phân phối liên tục được sử dụng để mô tả các đại lượng có thể nhận giá trị bất kỳ trong một khoảng thực. Chúng phổ biến trong mô hình hóa đo lường, thời gian, giá trị thực, và rất quan trọng trong các {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20x%C3%A1c%20su%E1%BA%A5t%22%7D}} liên tục.\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Phân phối chuẩn (Normal Distribution)\u003C\u002Fstrong>: Mô hình hóa các hiện tượng tự nhiên như chiều cao, điểm thi, {{topic|%7B%22topic%22%3A%22sai%20s%E1%BB%91%20%C4%91o%20l%C6%B0%E1%BB%9Dng%22%7D}}. Đường cong hình chuông, đối xứng quanh trung bình.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân phối mũ (Exponential Distribution)\u003C\u002Fstrong>: Dùng để mô tả thời gian giữa các sự kiện xảy ra ngẫu nhiên và độc lập theo thời gian, như thời gian chờ giữa hai cuộc gọi.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân phối đều (Uniform Distribution)\u003C\u002Fstrong>: Xác suất đồng đều trong một khoảng nhất định. Thường dùng trong mô phỏng hoặc khi chưa có thông tin gì về xác suất thực tế.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\n  Hàm mật độ xác suất (PDF) của phân phối chuẩn:\n\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\nf(x) = \\frac{1}{\\sqrt{2\\pi\\sigma^2}} \\exp\\left(-\\frac{(x - \\mu)^2}{2\\sigma^2}\\right)\n\u003C\u002Fscript>\n\u003Cp>\n  Trong đó \u003Cscript type=\"math\u002Ftex\">\\mu\u003C\u002Fscript> là trung bình, \u003Cscript type=\"math\u002Ftex\">\\sigma\u003C\u002Fscript> là độ lệch chuẩn. Phân phối chuẩn chuẩn hóa có \u003Cscript type=\"math\u002Ftex\">\\mu = 0\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">\\sigma = 1\u003C\u002Fscript>. Các giá trị trong khoảng \u003Cscript type=\"math\u002Ftex\">[-3\\sigma, 3\\sigma]\u003C\u002Fscript> chiếm khoảng 99.7% dữ liệu.\n\u003C\u002Fp>\n\n\u003Ch2>Tham số của phân phối\u003C\u002Fh2>\n\u003Cp>\n  Mỗi phân phối được đặc trưng bởi một tập hợp tham số, xác định hình dạng, vị trí, và độ lan rộng của nó. Việc hiểu và ước lượng các tham số là cốt lõi trong thống kê suy diễn.\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Phân phối\u003C\u002Fth>\n      \u003Cth>Tham số\u003C\u002Fth>\n      \u003Cth>Ý nghĩa\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Chuẩn (Normal)\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\mu, \\sigma\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Trung bình và độ lệch chuẩn\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Nhị thức (Binomial)\u003C\u002Ftd>\n      \u003Ctd>n, p\u003C\u002Ftd>\n      \u003Ctd>Số phép thử và xác suất thành công\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Mũ (Exponential)\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\lambda\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Tốc độ xảy ra của sự kiện\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>\n  Việc {{topic|%7B%22topic%22%3A%22%C6%B0%E1%BB%9Bc%20l%C6%B0%E1%BB%A3ng%20tham%20s%E1%BB%91%22%7D}} có thể được thực hiện qua phương pháp hợp lý cực đại (Maximum Likelihood Estimation – MLE) hoặc Bayesian inference. Ví dụ, MLE của trung bình từ mẫu là trung bình cộng của các giá trị quan sát.\n\u003C\u002Fp>\n\n\u003Ch2>Đặc trưng của phân phối\u003C\u002Fh2>\n\u003Cp>\n  Ngoài tham số, các đặc trưng thống kê như kỳ vọng, phương sai, độ lệch (skewness) và độ nhọn (kurtosis) giúp mô tả tính chất tổng thể của một phân phối và so sánh giữa các phân phối khác nhau.\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Kỳ vọng\u003C\u002Fstrong> (mean): Giá trị trung bình của biến ngẫu nhiên.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phương sai\u003C\u002Fstrong> (variance): Đo mức độ phân tán xung quanh trung bình.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Skewness\u003C\u002Fstrong>: Đo độ bất đối xứng của phân phối.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Kurtosis\u003C\u002Fstrong>: Đo mức độ tập trung (sharpness) của đỉnh phân phối.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\n  Công thức:\n\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\nE[X] = \\int_{-\\infty}^{\\infty} x f(x) dx\n\u003C\u002Fscript>\n\u003Cscript type=\"math\u002Ftex\">\nVar(X) = E[(X - \\mu)^2]\n\u003C\u002Fscript>\n\u003Cp>\n  Phân phối chuẩn có skewness = 0, kurtosis = 3. Các giá trị lệch chuẩn biểu thị rằng dữ liệu có đuôi dài hơn hoặc ngắn hơn so với chuẩn.\n\u003C\u002Fp>\n\n\u003Ch2>Phân phối lấy mẫu và luật lớn số\u003C\u002Fh2>\n\u003Cp>\n  Trong thống kê suy diễn, ta không quan sát toàn bộ tổng thể mà lấy mẫu. Phân phối lấy mẫu (sampling distribution) mô tả sự phân bố của một thống kê (như trung bình mẫu) qua nhiều mẫu khác nhau.\n\u003C\u002Fp>\n\u003Cp>\n  \u003Cstrong>Luật số lớn (LLN)\u003C\u002Fstrong>: Khi số lượng mẫu tăng, trung bình mẫu sẽ hội tụ về trung bình của tổng thể.\n\u003C\u002Fp>\n\u003Cp>\n  \u003Cstrong>Định lý giới hạn trung tâm (CLT)\u003C\u002Fstrong>: Với kích thước mẫu đủ lớn, phân phối của trung bình mẫu sẽ xấp xỉ phân phối chuẩn, bất kể phân phối gốc là gì.\n\u003C\u002Fp>\n\u003Cp>\n  Hai định lý trên là cơ sở cho nhiều bài toán thống kê hiện đại, bao gồm {{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}}, xây dựng khoảng tin cậy và mô hình hóa học máy.\n\u003C\u002Fp>\n\n\u003Ch2>Phân phối trong học máy và dữ liệu lớn\u003C\u002Fh2>\n\u003Cp>\n  Trong học máy, phân phối dữ liệu ảnh hưởng trực tiếp đến hiệu suất và độ tin cậy của mô hình. Hiểu phân phối giúp chọn đúng thuật toán, giảm thiểu sai số và tránh hiện tượng overfitting.\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Class imbalance\u003C\u002Fstrong>: Dữ liệu bị lệch phân phối giữa các lớp gây khó khăn cho các thuật toán phân loại.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Anomaly detection\u003C\u002Fstrong>: Mô hình học được phân phối bình thường và xác định điểm bất thường là các điểm lệch khỏi phân phối đó.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Generative models\u003C\u002Fstrong>: GANs, VAEs mô phỏng {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20ph%E1%BB%91i%20x%C3%A1c%20su%E1%BA%A5t%22%7D}} để sinh dữ liệu mới.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\n  Công cụ như \u003Ca href=\"https:\u002F\u002Fwww.tensorflow.org\u002Fprobability\" target=\"_blank\">TensorFlow Probability\u003C\u002Fa> hoặc \u003Ca href=\"https:\u002F\u002Fpyro.ai\" target=\"_blank\">Pyro\u003C\u002Fa> giúp xây dựng mô hình xác suất linh hoạt trong môi trường học sâu.\n\u003C\u002Fp>\n\n\u003Ch2>Kiểm định giả thuyết và sự phù hợp của phân phối\u003C\u002Fh2>\n\u003Cp>\n  Kiểm định giả thuyết là quá trình đánh giá xem dữ liệu thực tế có phù hợp với một giả định về phân phối hay không. Một số kiểm định thống kê thường dùng gồm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Kolmogorov-Smirnov (KS)\u003C\u002Fstrong>: So sánh CDF của dữ liệu với CDF lý thuyết.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Chi-squared\u003C\u002Fstrong>: So sánh tần suất quan sát và tần suất mong đợi.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Anderson-Darling\u003C\u002Fstrong>: Nhấn mạnh sai lệch ở phần đuôi phân phối.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\n  Ngoài kiểm định định lượng, các phương pháp trực quan như histogram, Q-Q plot, hoặc box plot cũng giúp đánh giá hình dạng và sự phù hợp của phân phối dữ liệu.\n\u003C\u002Fp>\n\u003Cp>\n  Một {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20th%E1%BB%91ng%20k%C3%AA%22%7D}} tốt không chỉ dựa vào độ chính xác mà còn cần phù hợp về mặt phân phối dữ liệu. Nếu dữ liệu đầu vào lệch khỏi phân phối giả định, kết quả thống kê có thể bị sai lệch nghiêm trọng.\n\u003C\u002Fp>","Phân phối","probability distribution","Phân phối xác suất là hàm toán học hoặc quy luật gán giá trị xác suất cho mỗi biến cố hoặc khoảng giá trị khả dĩ của một biến ngẫu nhiên trong không gian mẫu.","NATURAL_SCIENCES",[22,29,36],{"citationText":23,"title":24,"authors":25,"source":26,"year":27,"doi":28,"url":10},"Forbes, C., Evans, M., Hastings, N., & Peacock, B. (2010). Statistical Distributions. Wiley.","Statistical Distributions","Forbes, Evans, Hastings, Peacock","Wiley",2010,"10.1002\u002F9780470627242",{"citationText":30,"title":31,"authors":32,"source":33,"year":34,"doi":35,"url":10},"Johnson, N. L., Kemp, A. W., & Kotz, S. (2005). Univariate Discrete Distributions. Wiley.","Univariate Discrete Distributions","Johnson, Kemp, Kotz","Wiley Series in Probability and Statistics",2005,"10.1002\u002F0471715816",{"citationText":37,"title":38,"authors":39,"source":33,"year":40,"doi":41,"url":10},"Kotz, S., Balakrishnan, N., & Johnson, N. L. (2000). Continuous Multivariate Distributions. Wiley.","Continuous Multivariate Distributions","Kotz, Balakrishnan, Johnson",2000,"10.1002\u002F0471722065",[43,46,49],{"question":44,"answer":45},"Phân phối rời rạc và phân phối liên tục khác nhau thế nào?","Phân phối rời rạc mô tả biến ngẫu nhiên nhận các giá trị đếm được và được đặc trưng bởi hàm khối xác suất (PMF), trong khi phân phối liên tục mô tả biến nhận giá trị trên một khoảng liên tục và được đặc trưng bởi hàm mật độ xác suất (PDF) với xác suất tại một điểm đơn lẻ bằng 0.",{"question":47,"answer":48},"Ý nghĩa của quy tắc 68-95-99.7 trong phân phối chuẩn là gì?","Trong phân phối chuẩn, khoảng 68% dữ liệu nằm trong vòng 1 độ lệch chuẩn quanh giá trị trung bình, khoảng 95% nằm trong vòng 2 độ lệch chuẩn, và 99.7% nằm trong vòng 3 độ lệch chuẩn.",{"question":50,"answer":51},"Định lý giới hạn trung tâm có vai trò gì đối với các phân phối xác suất?","Định lý giới hạn trung tâm khẳng định rằng tổng hoặc trung bình của một số lượng lớn các biến ngẫu nhiên độc lập và có cùng phân phối sẽ tiệm cận về phân phối chuẩn, bất kể phân phối gốc ban đầu là gì.",{"id":53,"researcherId":10,"name":54,"imageUrl":55},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":57,"researcherId":10,"name":58,"imageUrl":59},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[61,62,63,64,65,66,67,68,69,70],"phân tích dữ liệu","biến ngẫu nhiên","lựa chọn mô hình","hàm mật độ xác suất","mô hình xác suất","sai số đo lường","ước lượng tham số","kiểm định giả thuyết","phân phối xác suất","mô hình thống kê",10,true,"PUBLISHED","2025-04-26T09:21:18.038+00:00","2026-09-05T11:24:41.167+00:00","2025-08-26T16:11:48.736+00:00","2026-09-05T11:24:40.769+00:00",348,[80,83,86,89,92,95,98,101,104,107],{"id":81,"title":82,"term":81,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"bibliometrics","Bibliometrics là gì? Các nghiên cứu khoa học về Bibliometrics",{"id":84,"title":85,"term":84,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chuỗi markov","Chuỗi markov là gì? Các công bố khoa học về Chuỗi markov",{"id":87,"title":88,"term":87,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":90,"title":91,"term":90,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"học thuật","Học thuật là gì? Các nghiên cứu khoa học về Học thuật",{"id":93,"title":94,"term":93,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":96,"title":97,"term":96,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"arima","Arima là gì? Các công bố khoa học về Arima",{"id":99,"title":100,"term":99,"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":102,"title":103,"term":102,"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":105,"title":106,"term":105,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực số","Năng lực số là gì? Các công bố nghiên cứu khoa học liên quan",{"id":108,"title":109,"term":108,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"khảo nghiệm","Khảo nghiệm là gì? Các công bố khoa học về Khảo nghiệm"]