[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_t%C3%ADnh%20ch%E1%BA%A5t%20t%E1%BA%ADp%20trung{\"limit\":5}":3,"_public_topic_byId_tính chất tập trung":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":26,"enrichTopicLink":27,"status":28,"createTime":29,"updateTime":30,"publishTime":31,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":32,"relateTopics":33},"tính chất tập trung","Tính chất tập trung là gì? Các bài báo nghiên cứu khoa học","Tính chất tập trung là chỉ số thống kê phản ánh giá trị trung tâm của một tập dữ liệu, thể hiện giá trị điển hình mà các quan sát khác hội tụ về. Ba đại lượng chính gồm trung bình, trung vị và mode, được sử dụng tùy theo loại dữ liệu và mục tiêu phân tích để mô tả xu hướng trung tâm. ","\u003Cdiv>\u003Ch2>Định nghĩa tính chất tập trung trong thống kê\u003C\u002Fh2>\n\u003Cp>\nTính chất tập trung, hay \u003Cem>measure of central tendency\u003C\u002Fem>, là khái niệm dùng để mô tả vị trí trung tâm của một tập hợp dữ liệu, thể hiện giá trị điển hình mà các quan sát khác có khuynh hướng hội tụ về. Nó phản ánh ý nghĩa đại diện của dữ liệu, giúp hiểu nhanh “giá trị trung bình” hoặc “giá trị trung tâm” mà bộ dữ liệu muốn biểu đạt. Khái niệm này là lõi trong thống kê mô tả vì nó cho phép cô đọng thông tin đa chiều thành một đại lượng dễ hiểu.\n\u003C\u002Fp>\n\u003Cp>\nCác chỉ số đo tính chất tập trung thường được sử dụng là trung bình số học, trung vị và mode. Mỗi chỉ số mang một ý nghĩa thống kê khác nhau và phù hợp với các loại dữ liệu khác nhau. Việc lựa chọn đúng chỉ số tập trung giúp phân tích dữ liệu trở nên chính xác hơn, đặc biệt khi dữ liệu bị lệch hoặc chứa ngoại lệ.\n\u003C\u002Fp>\n\u003Cp>\nTính chất tập trung có vai trò then chốt không chỉ trong lý thuyết thống kê mà còn trong ứng dụng thực tiễn như kinh tế học, xã hội học, tâm lý học, tin học và khoa học dữ liệu. Ví dụ, khi khảo sát thu nhập trung bình của một cộng đồng, chỉ số này giúp ta hiểu “người trung bình” trong nhóm là ai, từ đó hỗ trợ hoạch định chính sách xã hội phù hợp hơn.\n\u003C\u002Fp>\n\n\u003Ch2>Phân biệt ba loại chỉ số tập trung phổ biến\u003C\u002Fh2>\n\u003Cp>\nBa đại lượng chính thể hiện tính chất tập trung gồm: \u003Cstrong>trung bình số học (mean)\u003C\u002Fstrong>, \u003Cstrong>trung vị (median)\u003C\u002Fstrong>, và \u003Cstrong>mode\u003C\u002Fstrong> – giá trị xuất hiện nhiều nhất. Trung bình số học tính tổng tất cả quan sát rồi chia cho số lượng; trung vị là giá trị giữa khi dữ liệu được sắp; mode là giá trị có tần suất lớn nhất.\n\u003C\u002Fp>\n\u003Cp>\nViệc hiểu rõ sự khác biệt giữa ba chỉ số ấy là cần thiết vì mỗi chỉ số phản ánh đặc trưng dữ liệu khác nhau. Trung bình dễ bị ảnh hưởng bởi ngoại lệ hoặc dữ liệu lệch; trong khi đó trung vị ít bị ảnh hưởng và mode phản ánh xu hướng phổ biến nhất trong tập dữ liệu. Việc chọn đại lượng tập trung phù hợp sẽ giúp phân tích dữ liệu một cách chính xác và logic hơn.\n\u003C\u002Fp>\n\u003Cp>\nDưới đây là bảng so sánh nhanh giữa ba chỉ số này:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Chỉ số\u003C\u002Fth>\n      \u003Cth>Định nghĩa\u003C\u002Fth>\n      \u003Cth>Ưu điểm\u003C\u002Fth>\n      \u003Cth>Hạn chế\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Trung bình (Mean)\u003C\u002Ftd>\n      \u003Ctd>Tổng các giá trị chia cho số quan sát\u003C\u002Ftd>\n      \u003Ctd>Dễ tính, phổ cập\u003C\u002Ftd>\n      \u003Ctd>Bị ảnh hưởng bởi ngoại lệ\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Trung vị (Median)\u003C\u002Ftd>\n      \u003Ctd>Giá trị đứng giữa khi sắp xếp dữ liệu\u003C\u002Ftd>\n      \u003Ctd>Ổn định với dữ liệu lệch\u003C\u002Ftd>\n      \u003Ctd>Không phản ánh tần suất\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Mode\u003C\u002Ftd>\n      \u003Ctd>Giá trị xuất hiện nhiều nhất\u003C\u002Ftd>\n      \u003Ctd>Phản ánh xu hướng phổ biến\u003C\u002Ftd>\n      \u003Ctd>Không luôn tồn tại hoặc có thể có nhiều mode\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Công thức tính các đại lượng tập trung\u003C\u002Fh2>\n\u003Cp>\nCông thức tính trung bình số học cho mẫu được biểu diễn như sau:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\n\\bar{x} = \\frac{1}{n} \\sum_{i=1}^{n} x_i\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nTrong đó \u003Cscript type=\"math\u002Ftex\">x_i\u003C\u002Fscript> là các giá trị quan sát, và \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> là số lượng phần tử trong tập dữ liệu. Việc tính trung bình sẽ cho ta giá trị trung tâm nếu dữ liệu phân bố đối xứng và không có ngoại lệ lớn.\n\u003C\u002Fp>\n\u003Cp>\nVới trung vị: nếu dữ liệu được sắp xếp và có số lượng quan sát \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> lẻ thì trung vị là giá trị chính giữa; nếu \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> chẵn thì trung vị là trung bình cộng của hai giá trị giữa. Mode là giá trị hoặc các giá trị có tần suất lớn nhất – có thể không tồn tại hoặc có nhiều hơn một trong cùng tập dữ liệu.\n\u003C\u002Fp>\n\u003Cp>\nViệc hiểu rõ công thức và điều kiện ứng dụng giúp người phân tích lựa chọn đúng đại lượng tập trung phù hợp với mục tiêu phân tích, tránh sai lệch và hiểu nhầm khi báo cáo kết quả thống kê.\n\u003C\u002Fp>\n\u003Ch2>Ý nghĩa và ứng dụng của tính chất tập trung\u003C\u002Fh2>\n\u003Cp>\nTính chất tập trung giúp người phân tích dữ liệu nhanh chóng nắm bắt giá trị điển hình trong một tập hợp quan sát. Việc xác định giá trị trung tâm không chỉ mang ý nghĩa thống kê mà còn hữu ích trong thực tiễn như phân tích thu nhập, điểm thi, chi phí sản xuất hay lượng tiêu thụ hàng hóa.\n\u003C\u002Fp>\n\u003Cp>\nCác ứng dụng cụ thể:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Y tế cộng đồng: Trung bình tuổi mắc bệnh giúp xác định nhóm nguy cơ.\u003C\u002Fli>\n  \u003Cli>Marketing: Mode hành vi mua sắm chỉ ra xu hướng phổ biến.\u003C\u002Fli>\n  \u003Cli>Chính sách xã hội: Trung vị thu nhập được dùng để xác định chuẩn nghèo.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nViệc áp dụng tính chất tập trung giúp giảm thiểu dữ liệu phức tạp thành các chỉ số dễ hiểu, từ đó hỗ trợ ra quyết định, xây dựng chính sách, và so sánh các nhóm dân cư hoặc các thời kỳ khác nhau.\n\u003C\u002Fp>\n\n\u003Ch2>Mối liên hệ giữa tính chất tập trung và phân tán\u003C\u002Fh2>\n\u003Cp>\nTính chất tập trung luôn gắn liền với các chỉ số phân tán như phương sai, độ lệch chuẩn. Hai tập dữ liệu có cùng trung bình nhưng mức độ biến thiên khác nhau sẽ phản ánh tính chất khác nhau. Việc kết hợp cả hai loại chỉ số giúp hiểu đầy đủ về dữ liệu.\n\u003C\u002Fp>\n\u003Cp>\nVí dụ: Hai tập dữ liệu có trung bình bằng 50 nhưng một tập có độ lệch chuẩn 2 và một tập có độ lệch chuẩn 15 – sự đồng đều trong phân bố hoàn toàn khác nhau. Điều này cho thấy, chỉ dựa vào trung bình sẽ không đủ để nhận xét toàn diện về dữ liệu.\n\u003C\u002Fp>\n\n\u003Ch2>Ảnh hưởng của ngoại lệ (outlier) đến chỉ số tập trung\u003C\u002Fh2>\n\u003Cp>\nCác giá trị ngoại lệ có thể làm lệch trung bình, khiến nó không còn phản ánh đúng xu hướng trung tâm của dữ liệu. Trong trường hợp này, trung vị trở thành đại lượng ổn định hơn, ít chịu ảnh hưởng bởi các giá trị cực đoan.\n\u003C\u002Fp>\n\u003Cp>\nVí dụ: Mức lương trung bình tại một quốc gia có thể bị kéo lên do vài tỷ phú, trong khi trung vị lương phản ánh mức thu nhập của đại đa số dân cư. Do đó, khi phân tích dữ liệu lệch hoặc có outlier rõ rệt, nên kết hợp trung bình, trung vị và mode để có đánh giá toàn diện.\n\u003C\u002Fp>\n\n\u003Ch2>Tính chất tập trung trong phân phối chuẩn\u003C\u002Fh2>\n\u003Cp>\nTrong phân phối chuẩn (normal distribution), trung bình, trung vị và mode đều trùng nhau, điều này cho thấy sự đối xứng và tính đại diện cao của giá trị trung tâm. Khi dữ liệu phân phối lệch, thứ tự của ba chỉ số sẽ thay đổi:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Lệch phải: Mode < Median < Mean\u003C\u002Fli>\n  \u003Cli>Lệch trái: Mean < Median < Mode\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nHiểu rõ mối quan hệ này giúp nhà phân tích dự đoán được mức độ lệch chuẩn và chọn chỉ số trung tâm phù hợp để báo cáo và đưa ra quyết định chính xác.\n\u003C\u002Fp>\n\n\u003Ch2>Vai trò trong mô hình hóa và học máy\u003C\u002Fh2>\n\u003Cp>\nTrong khoa học dữ liệu và học máy, tính chất tập trung được sử dụng để xử lý dữ liệu thiếu, chuẩn hóa dữ liệu và khởi tạo mô hình. Trung bình thường dùng để điền khuyết giá trị thiếu, trong khi trung vị được sử dụng khi dữ liệu nhiễu hoặc lệch.\n\u003C\u002Fp>\n\u003Cp>\nMột số thuật toán machine learning ứng dụng tính chất tập trung:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>K-means clustering: sử dụng trung bình của cụm để cập nhật centroid.\u003C\u002Fli>\n  \u003Cli>Naïve Bayes: giả định phân phối chuẩn với trung bình và phương sai làm tham số.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nDo đó, hiểu rõ và áp dụng đúng các chỉ số tập trung trong mô hình hóa dữ liệu là yếu tố quan trọng nâng cao độ chính xác của dự báo và phân loại.\n\u003C\u002Fp>\n\n\u003Ch2>Hạn chế và sai lầm phổ biến khi sử dụng\u003C\u002Fh2>\n\u003Cp>\nTrung bình không thích hợp với dữ liệu định tính như màu sắc, ngành nghề, hay dữ liệu phân phối lệch. Lạm dụng chỉ số tập trung mà không đánh giá phân tán và ngoại lệ có thể dẫn đến quyết định sai lầm hoặc hiểu nhầm về đặc tính dữ liệu.\n\u003C\u002Fp>\n\u003Cp>\nDo đó, các chuyên gia thống kê khuyến nghị:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Luôn kết hợp đánh giá tính chất phân tán với tính chất tập trung.\u003C\u002Fli>\n  \u003Cli>Chọn chỉ số phù hợp với loại dữ liệu và mục tiêu phân tích.\u003C\u002Fli>\n  \u003Cli>Đối với dữ liệu nhiễu hoặc lệch mạnh, ưu tiên trung vị hoặc mode thay vì trung bình.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fstattrek.com\u002Fstatistics\u002Fdictionary.aspx?definition=Central_tendency\" target=\"_blank\">StatTrek – Central Tendency\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.khanacademy.org\u002Fmath\u002Fstatistics-probability\u002Fsummarizing-quantitative-data\" target=\"_blank\">Khan Academy – Summarizing Quantitative Data\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.investopedia.com\u002Fterms\u002Fc\u002Fcentral-tendency.asp\" target=\"_blank\">Investopedia – Central Tendency\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fcorporatefinanceinstitute.com\u002Fresources\u002Fknowledge\u002Fother\u002Fcentral-tendency\u002F\" target=\"_blank\">CFI – Central Tendency\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.ncbi.nlm.nih.gov\u002Fpmc\u002Farticles\u002FPMC3775042\u002F\" target=\"_blank\">NCBI – Mean, Median, Mode: When and Why\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":22,"researcherId":10,"name":23,"imageUrl":24},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[13],1,false,"PUBLISHED","2025-11-10T03:47:44.602+00:00","2025-11-13T17:39:15.971+00:00","2025-11-13T17:39:15.968+00:00",93,[34,37,48,59,65,76,82,88,94,100],{"id":35,"title":36,"term":35,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"laser nội mạch","Laser nội mạch là gì? Các công bố khoa học về Laser nội mạch",{"id":38,"title":39,"term":40,"englishTitle":41,"definition":42,"discipline":43,"disciplineCode":44,"disciplineLabel":45,"disciplineColor":46,"disciplineIcon":47},"web holes","Web holes là gì? Các công bố khoa học về Web holes","Web holes","Web openings \u002F Web holes in steel beams","Web holes là các lỗ khoét kỹ thuật trên bản bụng của dầm thép hoặc dầm liên hợp nhằm tạo lối đi cho các đường ống kỹ thuật cơ điện, giúp tối ưu hóa chiều cao tầng và giảm trọng lượng bản thân của kết cấu công trình.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":49,"title":50,"term":51,"englishTitle":52,"definition":53,"discipline":54,"disciplineCode":55,"disciplineLabel":56,"disciplineColor":57,"disciplineIcon":58},"tiêm ngoài màng cứng","Tiêm ngoài màng cứng là gì? Các công bố khoa học về Tiêm ngoài màng cứng","Tiêm ngoài màng cứng","Epidural injection \u002F Epidural steroid injection","Tiêm ngoài màng cứng là thủ thuật đưa thuốc tê hoặc corticosteroid vào khoang ngoài màng cứng của tủy sống nhằm giảm đau cấp tính, gây tê phẫu thuật hoặc điều trị các bệnh lý đau rễ thần kinh cột sống.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":60,"title":61,"term":62,"englishTitle":63,"definition":64,"discipline":54,"disciplineCode":55,"disciplineLabel":56,"disciplineColor":57,"disciplineIcon":58},"thang điểm asian pacific colorectal screening apcs","Thang điểm asian pacific colorectal screening apcs là gì?","Thang điểm asian pacific colorectal screening apcs","Asia-Pacific Colorectal Screening score","Thang điểm asian pacific colorectal screening apcs là công cụ lượng hóa nguy cơ lâm sàng được thiết kế nhằm phân tầng khả năng xuất hiện tân sinh đại trực tràng tiến triển ở những người trưởng thành không có triệu chứng.",{"id":66,"title":67,"term":68,"englishTitle":69,"definition":70,"discipline":71,"disciplineCode":72,"disciplineLabel":73,"disciplineColor":74,"disciplineIcon":75},"thay đổi lớp phủ sử dụng đất","Thay đổi lớp phủ sử dụng đất là gì? Khái niệm và phương pháp","Thay đổi lớp phủ sử dụng đất","land use and land cover change","Thay đổi lớp phủ sử dụng đất là quá trình biến đổi trạng thái sinh vật lý trên bề mặt đất cùng với sự chuyển dịch về mục đích và phương thức quản lý, khai thác tài nguyên đất đai của con người theo thời gian.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":77,"title":78,"term":79,"englishTitle":80,"definition":81,"discipline":54,"disciplineCode":55,"disciplineLabel":56,"disciplineColor":57,"disciplineIcon":58},"bệnh dại","Bệnh dại là gì? Ý nghĩa và ứng dụng chuyên sâu","Bệnh dại","rabies","Bệnh dại là bệnh truyền nhiễm cấp tính do virus dại thuộc họ Rhabdoviridae lây truyền qua vết cắn hoặc niêm mạc nhiễm nước bọt động vật, gây tổn thương viêm não tủy tiến triển với tỷ lệ tử vong gần như 100% một khi xuất hiện triệu chứng.",{"id":83,"title":84,"term":85,"englishTitle":86,"definition":87,"discipline":54,"disciplineCode":55,"disciplineLabel":56,"disciplineColor":57,"disciplineIcon":58},"phòng ngừa ung thư","Phòng ngừa ung thư là gì? Ý nghĩa và ứng dụng chuyên sâu","Phòng ngừa ung thư","cancer prevention","Phòng ngừa ung thư là tập hợp các biện pháp y tế công cộng và can thiệp lâm sàng chủ động nhằm giảm tỷ lệ mắc và tử vong do ung thư thông qua loại bỏ yếu tố nguy cơ, tiêm chủng dự phòng, tầm soát phát hiện sớm và hóa dự phòng.",{"id":89,"title":90,"term":91,"englishTitle":92,"definition":93,"discipline":43,"disciplineCode":44,"disciplineLabel":45,"disciplineColor":46,"disciplineIcon":47},"hiệu suất dự đoán","Hiệu suất dự đoán là gì? Ý nghĩa và ứng dụng chuyên sâu","Hiệu suất dự đoán","predictive performance","Hiệu suất dự đoán là mức độ chính xác và độ tin cậy của một mô hình thống kê hoặc máy học khi tổng quát hóa để đưa ra dự báo trên tập dữ liệu kiểm thử độc lập mà mô hình chưa từng được huấn luyện.",{"id":95,"title":96,"term":97,"englishTitle":98,"definition":99,"discipline":43,"disciplineCode":44,"disciplineLabel":45,"disciplineColor":46,"disciplineIcon":47},"chẩn đoán lỗi","Chẩn đoán lỗi là gì? Ý nghĩa và ứng dụng chuyên sâu","Chẩn đoán lỗi","fault diagnosis","Chẩn đoán lỗi (Fault Diagnosis) là quy trình kỹ thuật nhằm phát hiện sự xuất hiện của lỗi (Fault Detection), định vị thành phần bị hỏng (Fault Isolation) và xác định bản chất cũng như mức độ nghiêm trọng của lỗi (Fault Identification) trong một hệ thống kỹ thuật.",{"id":101,"title":102,"term":103,"englishTitle":104,"definition":105,"discipline":43,"disciplineCode":44,"disciplineLabel":45,"disciplineColor":46,"disciplineIcon":47},"hiệu năng mạng","Hiệu năng mạng là gì? Ý nghĩa và ứng dụng chuyên sâu","Hiệu năng mạng","network performance","Hiệu năng mạng là tập hợp các chỉ số định lượng đánh giá chất lượng truyền tải dữ liệu và mức độ đáp ứng dịch vụ của một hệ thống mạng máy tính hoặc viễn thông, bao gồm băng thông, thông lượng, độ trễ, độ trôi trễ và tỷ lệ mất gói tin."]