[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_th%E1%BB%91ng%20k%C3%AA%20%C4%91%E1%BB%A7{\"limit\":5}":3,"_public_topic_byId_thống kê đủ":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":10,"enrichTopicLink":26,"status":27,"createTime":28,"updateTime":29,"publishTime":30,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":31,"relateTopics":32},"thống kê đủ","Thống kê đủ là gì? Các bài nghiên cứu khoa học liên quan","Thống kê đủ là đại lượng thống kê chứa toàn bộ thông tin cần thiết về tham số trong dữ liệu mẫu, giúp rút gọn dữ liệu mà không mất thông tin. Một thống kê đủ thỏa mãn điều kiện rằng phân phối của mẫu ban đầu, khi biết thống kê đó, không còn phụ thuộc vào tham số cần ước lượng.","\u003Cdiv>\u003Ch2>Khái niệm thống kê đủ\u003C\u002Fh2>\n\u003Cp>Thống kê đủ là một trong những khái niệm trọng tâm của thống kê suy luận, đóng vai trò nền tảng trong việc phân tích và ước lượng tham số. Một thống kê được gọi là đủ nếu nó chứa toàn bộ thông tin về một tham số chưa biết mà có thể rút ra từ dữ liệu mẫu. Khi đã biết giá trị của thống kê đủ, mọi phần còn lại của dữ liệu không cung cấp thêm thông tin gì về tham số cần suy luận.\u003C\u002Fp>\n\u003Cp>Khái niệm này được Ronald Fisher đưa ra vào đầu thế kỷ 20 như một cách tiếp cận tối ưu để rút gọn dữ liệu mà vẫn duy trì tính đầy đủ thông tin về tham số. Ví dụ, nếu từ một mẫu gồm nhiều biến ngẫu nhiên, ta có thể tìm được một đại lượng tổng hợp – thống kê đủ – thì việc phân tích chỉ cần dựa trên đại lượng đó thay vì toàn bộ dữ liệu thô.\u003C\u002Fp>\n\u003Cp>Vai trò của thống kê đủ trong các mô hình thống kê là rất lớn, đặc biệt khi số lượng dữ liệu nhiều hoặc có cấu trúc phức tạp. Trong thực tiễn, nó giúp giảm tải tính toán, nâng cao hiệu quả thống kê và giữ lại toàn bộ thông tin cần thiết về tham số mục tiêu.\u003C\u002Fp>\n\n\u003Ch2>Định nghĩa hình thức và điều kiện của thống kê đủ\u003C\u002Fh2>\n\u003Cp>Giả sử có một mẫu ngẫu nhiên \u003Cscript type=\"math\u002Ftex\"> X = (X_1, X_2, \\dots, X_n) \u003C\u002Fscript> từ một phân phối có hàm mật độ hoặc hàm khối xác suất phụ thuộc vào một tham số \u003Cscript type=\"math\u002Ftex\"> \\theta \u003C\u002Fscript>, ta định nghĩa một thống kê \u003Cscript type=\"math\u002Ftex\"> T(X) \u003C\u002Fscript> là đủ cho \u003Cscript type=\"math\u002Ftex\"> \\theta \u003C\u002Fscript> nếu phân phối có điều kiện của dữ liệu gốc \u003Cscript type=\"math\u002Ftex\"> X \u003C\u002Fscript> khi đã biết \u003Cscript type=\"math\u002Ftex\"> T(X) \u003C\u002Fscript> không còn phụ thuộc vào \u003Cscript type=\"math\u002Ftex\"> \\theta \u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Về mặt toán học, điều kiện đủ được biểu diễn như sau:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">P(X | T(X) = t, \\theta) = P(X | T(X) = t)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Điều đó nghĩa là một khi biết giá trị của \u003Cscript type=\"math\u002Ftex\"> T(X) \u003C\u002Fscript>, thông tin còn lại trong \u003Cscript type=\"math\u002Ftex\"> X \u003C\u002Fscript> không giúp ích gì thêm cho việc suy đoán giá trị của \u003Cscript type=\"math\u002Ftex\"> \\theta \u003C\u002Fscript>. Đây là điều kiện quan trọng đảm bảo việc rút gọn dữ liệu không gây mất mát thông tin về tham số.\u003C\u002Fp>\n\u003Cp>Để xác định thống kê đủ trong thực tế, ta thường sử dụng điều kiện phân tích Neyman–Fisher (Neyman-Factorization Theorem). Theo đó, nếu ta có thể viết hàm mật độ xác suất của dữ liệu dưới dạng:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">f(x|\\theta) = g(T(x), \\theta) \\cdot h(x)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>trong đó \u003Cscript type=\"math\u002Ftex\"> T(x) \u003C\u002Fscript> là một hàm chỉ phụ thuộc vào dữ liệu, và \u003Cscript type=\"math\u002Ftex\"> h(x) \u003C\u002Fscript> không liên quan đến tham số \u003Cscript type=\"math\u002Ftex\"> \\theta \u003C\u002Fscript>, thì \u003Cscript type=\"math\u002Ftex\"> T(x) \u003C\u002Fscript> là một thống kê đủ cho \u003Cscript type=\"math\u002Ftex\"> \\theta \u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Bảng dưới đây tóm tắt điều kiện Neyman–Fisher:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Thành phần\u003C\u002Fth>\n      \u003Cth>Vai trò\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">g(T(x), \\theta)\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Phụ thuộc vào thống kê và tham số\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">h(x)\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Chỉ phụ thuộc vào dữ liệu, không chứa tham số\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Ví dụ cơ bản về thống kê đủ\u003C\u002Fh2>\n\u003Cp>Một trong những ví dụ kinh điển là trường hợp mẫu ngẫu nhiên từ phân phối chuẩn. Giả sử \u003Cscript type=\"math\u002Ftex\"> X_1, X_2, \\dots, X_n \\sim \\mathcal{N}(\\mu, \\sigma^2) \u003C\u002Fscript> với \u003Cscript type=\"math\u002Ftex\"> \\sigma^2 \u003C\u002Fscript> đã biết. Khi đó, trung bình mẫu \u003Cscript type=\"math\u002Ftex\"> \\bar{X} = \\frac{1}{n} \\sum X_i \u003C\u002Fscript> là thống kê đủ cho \u003Cscript type=\"math\u002Ftex\"> \\mu \u003C\u002Fscript>. Lý do là hàm mật độ của \u003Cscript type=\"math\u002Ftex\"> X \u003C\u002Fscript> có thể phân tích theo dạng phù hợp với tiêu chuẩn Neyman–Fisher.\u003C\u002Fp>\n\u003Cp>Trong một ví dụ khác, nếu \u003Cscript type=\"math\u002Ftex\"> X_i \\sim \\text{Bernoulli}(p) \u003C\u002Fscript>, thì tổng số thành công \u003Cscript type=\"math\u002Ftex\"> T(X) = \\sum X_i \u003C\u002Fscript> là thống kê đủ cho tham số \u003Cscript type=\"math\u002Ftex\"> p \u003C\u002Fscript>. Trong phân phối Poisson \u003Cscript type=\"math\u002Ftex\"> X_i \\sim \\text{Poisson}(\\lambda) \u003C\u002Fscript>, thì tổng \u003Cscript type=\"math\u002Ftex\"> T = \\sum X_i \u003C\u002Fscript> cũng là thống kê đủ cho \u003Cscript type=\"math\u002Ftex\"> \\lambda \u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Các ví dụ này chứng minh rằng nhiều đại lượng quen thuộc trong thực hành thống kê thực chất là thống kê đủ. Việc nhận diện được chúng không chỉ giúp đơn giản hóa quá trình phân tích mà còn có thể sử dụng cho các kỹ thuật ước lượng nâng cao.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Với phân phối nhị thức: thống kê đủ là tổng số lần thành công\u003C\u002Fli>\n  \u003Cli>Với phân phối chuẩn: trung bình mẫu là đủ cho trung bình tổng thể (khi phương sai biết)\u003C\u002Fli>\n  \u003Cli>Với Poisson: tổng số sự kiện là thống kê đủ cho tốc độ xảy ra\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Vai trò trong lý thuyết ước lượng\u003C\u002Fh2>\n\u003Cp>Thống kê đủ đóng vai trò thiết yếu trong việc xây dựng các ước lượng có tính hiệu quả cao. Theo định lý Rao–Blackwell, nếu ta có một ước lượng ban đầu và một thống kê đủ, thì việc lấy kỳ vọng có điều kiện của ước lượng ban đầu theo thống kê đủ sẽ cho một ước lượng tốt hơn (hoặc bằng về phương sai), đồng thời giữ nguyên độ chệch.\u003C\u002Fp>\n\u003Cp>Giả sử \u003Cscript type=\"math\u002Ftex\"> \\delta(X) \u003C\u002Fscript> là một ước lượng bất kỳ của \u003Cscript type=\"math\u002Ftex\"> \\theta \u003C\u002Fscript>, và \u003Cscript type=\"math\u002Ftex\"> T(X) \u003C\u002Fscript> là thống kê đủ cho \u003Cscript type=\"math\u002Ftex\"> \\theta \u003C\u002Fscript>, thì:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\delta^*(X) = E[\\delta(X) | T(X)]\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>là một ước lượng mới có phương sai nhỏ hơn hoặc bằng phương sai của \u003Cscript type=\"math\u002Ftex\"> \\delta(X) \u003C\u002Fscript>. Điều này được minh chứng rõ ràng trong thực tiễn, đặc biệt trong các mô hình tuyến tính hoặc khi làm việc với các phân phối xác suất cổ điển.\u003C\u002Fp>\n\u003Cp>Thống kê đủ cũng là nền tảng cho định lý Lehmann–Scheffé, nơi kết hợp điều kiện đầy đủ và không chệch để xây dựng ước lượng tốt nhất không chệch (UMVUE – uniformly minimum variance unbiased estimator).\u003C\u002Fp>\u003Ch2>Thống kê tối thiểu đủ\u003C\u002Fh2>\n\u003Cp>Một thống kê đủ được gọi là tối thiểu đủ nếu nó là hàm của bất kỳ thống kê đủ nào khác, nghĩa là nó giữ lại đúng lượng thông tin cần thiết về tham số mà không dư thừa. Tối thiểu đủ đảm bảo sự cô đọng dữ liệu một cách tối ưu: loại bỏ tất cả phần thông tin thừa nhưng vẫn bảo toàn đầy đủ thông tin liên quan đến tham số.\u003C\u002Fp>\n\u003Cp>Hình thức toán học của thống kê tối thiểu đủ được xây dựng từ lý thuyết các lớp tương đương (equivalence classes) dựa trên tỷ lệ giữa hàm mật độ xác suất. Hai điểm dữ liệu \u003Cscript type=\"math\u002Ftex\"> x \u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\"> y \u003C\u002Fscript> được coi là tương đương nếu:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\frac{f(x|\\theta)}{f(y|\\theta)} \\text{ không phụ thuộc vào } \\theta\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Một thống kê tối thiểu đủ sẽ xác định mỗi lớp tương đương như một giá trị khác nhau, từ đó xây dựng nên dạng rút gọn dữ liệu tối ưu. Đây là một công cụ rất mạnh trong phân tích thống kê, nhất là khi ta muốn đơn giản hóa các tính toán mà vẫn đảm bảo tính chính xác.\u003C\u002Fp>\n\n\u003Ch2>Thống kê đầy đủ\u003C\u002Fh2>\n\u003Cp>Khái niệm thống kê đầy đủ (complete statistic) là phần mở rộng quan trọng của thống kê đủ. Một thống kê \u003Cscript type=\"math\u002Ftex\"> T(X) \u003C\u002Fscript> được gọi là đầy đủ nếu mọi hàm đo được \u003Cscript type=\"math\u002Ftex\"> g(T(X)) \u003C\u002Fscript> thỏa mãn \u003Cscript type=\"math\u002Ftex\"> E_\\theta[g(T(X))] = 0 \u003C\u002Fscript> với mọi \u003Cscript type=\"math\u002Ftex\"> \\theta \u003C\u002Fscript> đều dẫn đến \u003Cscript type=\"math\u002Ftex\"> P(g(T(X)) = 0) = 1 \u003C\u002Fscript>. Điều này có nghĩa là không tồn tại hàm không tầm thường nào có kỳ vọng bằng 0 với mọi \u003Cscript type=\"math\u002Ftex\"> \\theta \u003C\u002Fscript> trừ phi hàm đó bằng 0 gần như chắc chắn.\u003C\u002Fp>\n\u003Cp>Thống kê đầy đủ giúp đảm bảo tính duy nhất của ước lượng. Trong lý thuyết ước lượng, nếu một thống kê vừa đủ vừa đầy đủ thì bất kỳ ước lượng không chệch nào là hàm của thống kê đó đều là ước lượng không chệch tốt nhất (UMVUE – uniformly minimum variance unbiased estimator). Đây là nội dung chính của định lý Lehmann–Scheffé.\u003C\u002Fp>\n\u003Cp>Ví dụ điển hình là trong phân phối chuẩn \u003Cscript type=\"math\u002Ftex\"> X_1, ..., X_n \\sim \\mathcal{N}(\\mu, \\sigma^2) \u003C\u002Fscript>, nếu \u003Cscript type=\"math\u002Ftex\"> \\mu \u003C\u002Fscript> là tham số cần ước lượng và \u003Cscript type=\"math\u002Ftex\"> \\sigma^2 \u003C\u002Fscript> đã biết, thì \u003Cscript type=\"math\u002Ftex\"> \\bar{X} \u003C\u002Fscript> vừa là thống kê đủ, vừa là đầy đủ cho \u003Cscript type=\"math\u002Ftex\"> \\mu \u003C\u002Fscript>, từ đó \u003Cscript type=\"math\u002Ftex\"> \\bar{X} \u003C\u002Fscript> là UMVUE cho \u003Cscript type=\"math\u002Ftex\"> \\mu \u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Ch2>Thống kê đủ trong thống kê Bayes\u003C\u002Fh2>\n\u003Cp>Trong phân tích Bayes, thống kê đủ giúp đơn giản hóa việc tính toán phân phối hậu nghiệm. Nếu \u003Cscript type=\"math\u002Ftex\"> T(X) \u003C\u002Fscript> là một thống kê đủ cho tham số \u003Cscript type=\"math\u002Ftex\"> \\theta \u003C\u002Fscript>, thì phân phối hậu nghiệm phụ thuộc vào dữ liệu thông qua \u003Cscript type=\"math\u002Ftex\"> T(X) \u003C\u002Fscript> thay vì toàn bộ dữ liệu:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">p(\\theta | X) = p(\\theta | T(X))\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Điều này giúp rút gọn số chiều của bài toán và cải thiện hiệu quả tính toán. Trong thực hành Bayes, đặc biệt với các phương pháp gần đúng như ABC (Approximate Bayesian Computation), việc tìm được một thống kê đủ là điều kiện tiên quyết để xây dựng thuật toán hiệu quả.\u003C\u002Fp>\n\u003Cp>Ngoài ra, trong phân tích Bayes, thống kê đủ còn đóng vai trò quan trọng trong cập nhật niềm tin (prior to posterior updating). Khi một thống kê đủ được sử dụng, việc cập nhật từ phân phối tiên nghiệm sang phân phối hậu nghiệm trở nên dễ hiểu và chính xác hơn vì không bỏ sót thông tin.\u003C\u002Fp>\n\n\u003Ch2>Thống kê đủ và lý thuyết thông tin\u003C\u002Fh2>\n\u003Cp>Thống kê đủ có thể được phân tích từ góc nhìn lý thuyết thông tin như một phép nén dữ liệu không mất mát thông tin liên quan đến tham số. Trong ngữ cảnh này, thống kê đủ chính là lượng thông tin cần giữ lại để suy đoán tham số, đồng thời loại bỏ nhiễu không liên quan.\u003C\u002Fp>\n\u003Cp>Khái niệm này kết nối với thông tin Fisher – một thước đo lượng thông tin có trong dữ liệu về tham số. Nếu một thống kê đủ có cùng thông tin Fisher như toàn bộ dữ liệu gốc, thì ta đảm bảo không mất mát thông tin khi rút gọn.\u003C\u002Fp>\n\u003Cp>Trong thiết kế thử nghiệm, thống kê đủ còn là tiêu chuẩn lựa chọn thiết kế tốt. Nếu một phép đo tạo ra thống kê đủ cho tham số, ta có thể rút gọn toàn bộ quá trình phân tích chỉ dựa trên đại lượng đó mà vẫn thu được các kết luận chính xác như khi sử dụng toàn bộ dữ liệu.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong thực tiễn và thống kê tính toán\u003C\u002Fh2>\n\u003Cp>Thống kê đủ được ứng dụng rộng rãi trong nhiều lĩnh vực: phân tích dữ liệu lớn, học máy, thống kê y sinh, kỹ thuật và tài chính. Trong các thuật toán Monte Carlo như MCMC (Markov Chain Monte Carlo), việc rút gọn dữ liệu qua thống kê đủ giúp giảm số chiều và tăng tốc độ hội tụ của chuỗi Markov.\u003C\u002Fp>\n\u003Cp>Trong lĩnh vực học máy, thống kê đủ được xem là đặc trưng (feature) tối ưu vì nó duy trì toàn bộ thông tin cần thiết cho một nhiệm vụ suy luận. Ví dụ, khi thiết kế mô hình học có giám sát, nếu ta sử dụng thống kê đủ thay cho toàn bộ dữ liệu, mô hình học vẫn có thể đạt hiệu suất tương đương nhưng chi phí tính toán thấp hơn nhiều.\u003C\u002Fp>\n\u003Cp>Đặc biệt trong Approximate Bayesian Computation (ABC), thống kê đủ là nền tảng. Khi không thể tính phân phối hậu nghiệm chính xác, ABC sử dụng thống kê đủ để xây dựng thuật toán gần đúng mà vẫn giữ được tính chính xác cao. Tìm hiểu thêm tại \u003Ca href=\"https:\u002F\u002Fwww.stat.cmu.edu\u002F~kass\u002Fpapers\u002Fsuffstat.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">CMU – Sufficient Statistics Notes\u003C\u002Fa>.\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>Casella, G., & Berger, R. L. (2002). Statistical Inference (2nd ed.). Duxbury Press.\u003C\u002Fli>\n  \u003Cli>Lehmann, E. L., & Casella, G. (1998). Theory of Point Estimation (2nd ed.). Springer.\u003C\u002Fli>\n  \u003Cli>Bickel, P. J., & Doksum, K. A. (2015). Mathematical Statistics: Basic Ideas and Selected Topics. CRC Press.\u003C\u002Fli>\n  \u003Cli>Rao, C. R. (1992). Information and the Accuracy Attainable in the Estimation of Statistical Parameters. \u003Ci>Statistical Science\u003C\u002Fi>, 7(4), 436–456. \u003Ca href=\"https:\u002F\u002Fprojecteuclid.org\u002Feuclid.ss\u002F1177011477\" target=\"_blank\" rel=\"noopener noreferrer\">https:\u002F\u002Fprojecteuclid.org\u002Feuclid.ss\u002F1177011477\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>Kass, R. E., & Vos, P. W. (1997). Geometrical Foundations of Asymptotic Inference. Wiley.\u003C\u002Fli>\n  \u003Cli>CMU Department of Statistics. Sufficient Statistics Notes. \u003Ca href=\"https:\u002F\u002Fwww.stat.cmu.edu\u002F~kass\u002Fpapers\u002Fsuffstat.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">https:\u002F\u002Fwww.stat.cmu.edu\u002F~kass\u002Fpapers\u002Fsuffstat.pdf\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\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},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[13],false,"PUBLISHED","2025-06-19T08:17:09.178+00:00","2025-09-18T08:49:49.884+00:00","2025-06-25T14:09:30.038+00:00",281,[33,43,53,58,68,78,83,93,98,103],{"id":34,"title":35,"term":34,"englishTitle":36,"definition":37,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"ước lượng không thiên lệch","Ước lượng không thiên lệch là gì? Bất đẳng thức Cramér-Rao, định lý Rao-Blackwell và UMVUE","unbiased estimation","Ước lượng không thiên lệch (ước lượng không chệch) là ước lượng điểm trong thống kê toán học có giá trị kỳ vọng toán học của thống kê mẫu bằng chính xác giá trị thực của tham số tổng thể cần ước lượng.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":44,"title":45,"term":44,"englishTitle":46,"definition":47,"discipline":48,"disciplineCode":49,"disciplineLabel":50,"disciplineColor":51,"disciplineIcon":52},"bệnh đa dây thần kinh tiểu đường","Bệnh đa dây thần kinh tiểu đường: Cơ chế và chẩn đoán","diabetic polyneuropathy","Bệnh đa dây thần kinh tiểu đường là tình trạng tổn thương các dây thần kinh ngoại biên lan toả, đối xứng và phụ thuộc chiều dài sợi trục ở người bệnh đái tháo đường.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":54,"title":55,"term":54,"englishTitle":56,"definition":57,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"vi khuẩn methanotroph","Vi khuẩn methanotroph: Đặc điểm sinh học và ứng dụng","methanotrophic bacteria","Vi khuẩn methanotroph là nhóm vi sinh vật hiếu khí chuyên hoá có khả năng sử dụng methane làm nguồn cung cấp carbon và năng lượng duy nhất cho quá trình sống.",{"id":59,"title":60,"term":59,"englishTitle":61,"definition":62,"discipline":63,"disciplineCode":64,"disciplineLabel":65,"disciplineColor":66,"disciplineIcon":67},"bác hồ","Bác Hồ là ai? Các bài báo nghiên cứu khoa học liên quan","Ho Chi Minh","Bác Hồ (Chủ tịch Hồ Chí Minh, 1890–1969) là vị lãnh tụ vĩ đại của phong trào giải phóng dân tộc Việt Nam, người sáng lập Đảng Cộng sản Việt Nam và khai sinh nước Việt Nam Dân chủ Cộng hòa, danh nhân văn hóa kiệt xuất được quốc tế tôn vinh.","HUMANITIES","humanities","Nhân văn và nghệ thuật","#9333EA","book-open",{"id":69,"title":70,"term":69,"englishTitle":71,"definition":72,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"giáo dục nghệ thuật","Giáo dục nghệ thuật là gì? Vai trò và các lý thuyết","arts education","Giáo dục nghệ thuật là quá trình dạy và học nhằm bồi dưỡng tri giác thẩm mỹ, năng lực sáng tạo và khả năng tư duy phản biện của người học thông qua các hình thái nghệ thuật khác nhau.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":79,"title":80,"term":79,"englishTitle":81,"definition":82,"discipline":48,"disciplineCode":49,"disciplineLabel":50,"disciplineColor":51,"disciplineIcon":52},"thể tích tim","Thể tích tim là gì? Các bài nghiên cứu khoa học liên quan","Cardiac volume","Thể tích tim là thể tích máu chứa trong các buồng tim tại các thời điểm then chốt của chu chuyển tim, đặc biệt là thể tích cuối tâm trương (EDV) và thể tích cuối tâm thu (ESV), phản ánh khả năng giãn nở nạp máu và hiệu quả bơm máu của cơ tim.",{"id":84,"title":85,"term":84,"englishTitle":86,"definition":87,"discipline":88,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"maximum likelihood classification mlc","Maximum likelihood classification: Nguyên lý và ứng dụng","maximum likelihood classification","Maximum likelihood classification (MLC) là thuật toán phân loại có giám sát gán từng pixel vào lớp có xác suất hậu nghiệm cực đại dựa trên định lý Bayes và giả định phân phối chuẩn đa biến.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":94,"title":95,"term":94,"englishTitle":96,"definition":97,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"phát sinh nhiệt","Phát sinh nhiệt là gì? Các nghiên cứu khoa học liên quan","Thermogenesis","Phát sinh nhiệt là quá trình sinh lý sản xuất nhiệt năng bên trong cơ thể sinh vật nhằm duy trì nhiệt độ cơ thể ổn định (ở động vật hằng nhiệt) hoặc hỗ trợ quá trình thụ phấn (ở một số thực vật sinh nhiệt).",{"id":99,"title":100,"term":99,"englishTitle":101,"definition":102,"discipline":48,"disciplineCode":49,"disciplineLabel":50,"disciplineColor":51,"disciplineIcon":52},"phục hồi chức năng tim mạch","Phục hồi chức năng tim mạch là gì? Các nghiên cứu khoa học","Cardiac rehabilitation","Phục hồi chức năng tim mạch là chương trình can thiệp đa thành phần, toàn diện bao gồm tập luyện thể lực có giám sát, giáo dục sức khỏe, điều chỉnh các yếu tố nguy cơ tim mạch và hỗ trợ tâm lý nhằm phục hồi thể chất, nâng cao chất lượng sống và giảm tỷ lệ tử vong ở bệnh nhân tim mạch.",{"id":104,"title":105,"term":104,"englishTitle":106,"definition":107,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"khí khổng","Khí khổng là gì? Các bài báo nghiên cứu khoa học liên quan","Stoma","Khí khổng là những cấu trúc lỗ hiển vi trên bề mặt biểu mô lá và thân non của thực vật, được giới hạn bởi cặp tế bào hình hạt đậu chuyên trách điều hòa trao đổi khí (CO2 và O2) và quá trình thoát hơi nước."]