AP Statistics

dữ liệu hai biếnbivariate data

bivariate dataVietnamese: dữ liệu hai biến

Dữ liệu hai biến (bivariate data) là tập dữ liệu trong đó mỗi đơn vị quan sát được ghi nhận đồng thời hai đặc trưng, nhằm tìm hiểu mối quan hệ giữa chúng.Bivariate data are data in which two characteristics are recorded on each observational unit, so that the relationship between them can be studied.

Trực giác: Giống như theo dõi cùng lúc cả nhiệt độ lẫn lượng kem bán được mỗi ngày — một con số không đủ, phải có đủ cặp mới thấy được xu hướng.Intuition: It is like recording both the temperature and the number of ice creams sold each day — a single number tells you nothing, but enough pairs reveal the trend.

Định nghĩa đầy đủFull definition1 phút đọc1 min read

Dữ liệu hai biến (bivariate data) gồm các cặp giá trị của hai đặc trưng được ghi trên cùng đơn vị quan sát để phân tích mối quan hệ giữa chúng.

Với hai biến phân loại, dữ liệu thường được tóm tắt bằng bảng hai chiều. Với hai biến định lượng, dùng biểu đồ phân tán để xét dạng, chiều, độ mạnh và điểm bất thường. Nếu quan hệ tuyến tính, có thể dùng đường hồi quy bình phương tối thiểu và hệ số tương quan $r$ , với $-1 \le r \le 1$ ; $r$ chỉ phản ánh liên hệ tuyến tính.

Bivariate data consist of paired values of two characteristics measured on the same observational unit, collected in order to analyze how the two are related.

When both variables are categorical, the data are usually summarized in a two-way table. When both are quantitative, a scatterplot is used to examine form, direction, strength, and unusual points. If the relationship is linear, a least-squares regression line and the correlation coefficient $r$ may be used, where $-1 \le r \le 1$ ; $r$ reflects only linear association.

Hay hiểu saiCommon misconceptions3 ý · 1 phút đọc3 points · 1 min read

$r$ và $r^2$ không thể dùng thay nhau.

Trong phân tích hai biến định lượng, $r$ cho biết chiều và độ mạnh của liên hệ tuyến tính; $r^2$ là tỉ lệ biến thiên của biến phản hồi được mô hình tuyến tính giải thích. Phần chưa giải thích là $1-r^2$ .

Đổi vai trò hai biến không giữ nguyên phương trình hồi quy.

Hệ số tương quan $r$ và $r^2$ không đổi, nhưng hồi quy đo sai lệch theo biến được dự đoán. Muốn dự đoán chiều ngược lại, phải chạy lại hồi quy sau khi hoán đổi hai biến.

Tương quan mạnh không chứng minh quan hệ nhân quả.

Với dữ liệu quan sát, biến gây nhiễu vẫn có thể chi phối cả hai biến. Hơn nữa, $r$ chỉ đo liên hệ tuyến tính, nên quan hệ cong rõ vẫn có thể cho $r$ gần $0$ .

$r$ and $r^2$ are not interchangeable.

For two quantitative variables, $r$ gives the direction and strength of the linear association, while $r^2$ is the proportion of the variation in the response variable explained by the linear model. The unexplained portion is $1-r^2$ .

Swapping the roles of the two variables changes the regression equation.

The values of $r$ and $r^2$ stay the same, but regression measures deviations in the variable being predicted. To predict in the other direction, exchange the variables and refit the regression.

A strong correlation does not establish causation.

With observational data, a confounding variable may be driving both variables. Also, $r$ measures only linear association, so a clearly curved relationship can still produce an $r$ near $0$ .

Mẹo phòng thiExam tips2 mẹo2 tips

Xem biểu đồ phân tán trước khi dùng $r$ .

$r$ chỉ phản ánh liên hệ tuyến tính. Khi mô tả hai biến định lượng, nêu chiều, dạng, độ mạnh và tên biến trong bối cảnh.

Diễn giải $r^2$ bằng biến thiên được giải thích.

Nêu tỉ lệ biến thiên của biến phản hồi được giải thích bởi quan hệ tuyến tính với biến giải thích; không viết rằng chính biến phản hồi được giải thích.

Look at the scatterplot before you rely on $r$ .

Correlation captures only linear association. When describing two quantitative variables, state direction, form, strength, and name the variables in context.

Interpret $r^2$ as explained variation.

Report the proportion of the variation in the response variable explained by its linear relationship with the explanatory variable; do not say that the response variable itself is explained.

Tần suất trong đề AP StatisticsHow often it shows up on AP StatisticsThường xuyênVery common

Khái niệm này sinh ra từ đâuWhere the concept comes from1 phút đọc1 min read

cuối thế kỷ 18Pierre-Simon LaplaceSir John Sinclair

Việc phân tích đồng thời hai đại lượng đo trên cùng một đối tượng gắn với nhà toán học và thiên văn học người Pháp Pierre-Simon Laplace vào cuối thế kỷ 18, khi ông tìm quy luật liên hệ giữa các số liệu quan sát được. Bản thân chữ "statistics" chỉ bước vào tiếng Anh năm 1791 qua Sir John Sinclair.

Analyzing two quantities measured on the same object at the same time is associated with the French mathematician and astronomer Pierre-Simon Laplace in the late 18th century, as he searched for regularities linking observational measurements. The word "statistics" itself entered English only in 1791, through Sir John Sinclair.

Vì sao mang đúng cái tên này? Cái tên nói thẳng ra cấu trúc của dữ liệu: tiền tố "bi-" nghĩa là hai, còn "variate" là đại lượng biến thiên, nên "bivariate data" chỉ loại dữ liệu mà trên mỗi cá thể hay mỗi đối tượng quan sát người ta ghi lại hai biến chứ không phải một. Vì vậy nó đối lập với dữ liệu một biến (univariate data), nơi mỗi đối tượng chỉ có một số đo và ta không thể hỏi câu hỏi "hai đại lượng này đi cùng nhau như thế nào". Chính vì có đủ hai tọa độ cho mỗi đối tượng mà ta mới vẽ được biểu đồ phân tán (scatterplot). Rộng hơn, chữ "statistics" bao quanh khái niệm này lại có gốc chẳng liên quan gì tới toán. Nó bắt nguồn từ tiếng Latinh mới statisticum collegium ("hội đồng nhà nước") và tiếng Ý statista ("chính khách"); dạng tiếng Đức Statistik do Gottfried Achenwall đưa ra năm 1749 vốn chỉ việc phân tích số liệu về nhà nước. Mãi đầu thế kỷ 19 từ này mới mang nghĩa thu thập và phân loại dữ liệu nói chung, sau khi Sir John Sinclair nhập nó vào tiếng Anh năm 1791 trong bộ Statistical Account of Scotland.

Nguồn đối chiếuSources

Thử nghiệm tương tácInteractive explorer

Xáo lại cách ghép cặp — hai cột số vẫn thế, nhưng r sụp về 0

Kéo tham số, thấy khái niệm chuyển động — đăng nhập để mở.Drag the parameters and watch the concept move — sign in to open.

Tạo tài khoảnCreate an account

Bạn nắm chắc chưa?Check your understanding

Quiz câu thật từ ngân hàng đềReal exam questions from our question bank

Vài câu thật gắn đúng khái niệm này, chấm ngay kèm giải thích từng đáp án — hệ thống ghi nhớ bạn nắm tới đâu.A few real questions on exactly this concept, graded instantly with an explanation for every choice — the system remembers how well you know it.

Tạo tài khoảnCreate an account

Học tiếp từ đâyKeep learning

Bài học chứa thuật ngữ nàyLesson that uses this termĐồ thị quan hệ giữa hai biến định lượngPhân tích hồi quy · khoácourse AP Statistics

Bài học chứa thuật ngữ nàyLesson that uses this termBảng & đồ thị cho hai biến phân loạiXác suất, biến ngẫu nhiên & phân phối xác suất · khoácourse AP Statistics

Bài học chứa thuật ngữ nàyLesson that uses this termHệ số tương quan rPhân tích hồi quy · khoácourse AP Statistics

Cần trướcLearn firstbiếnvariable

Dẫn tớiLeads tohồi quyregression bảng hai chiềutwo-way table

Mục tiêu và lộ trình unit ai cũng xem được — làm bài tập và lưu tiến độ thì cần đăng nhập.Anyone can view a unit's goals and roadmap — sign in to do the exercises and save your progress.

Hay nhầm vớiOften confused with

Thuật ngữTermKhác nhau ở đâuHow they differHay nhầm khiMixed up when

dữ liệu đơn biến (univariate data)univariate data

Khác nhau ở đâuHow they differDữ liệu đơn biến chỉ ghi một biến trên mỗi đối tượng và tập trung vào phân phối, trong khi dữ liệu hai biến ghi hai biến nhằm tìm mối liên hệ giữa chúng

Hay nhầm khiMixed up whenđề cho một bảng số liệu nhiều cột và hỏi cách phân tích phù hợp — cần xác định xem bài đang hỏi về phân phối của từng biến riêng lẻ hay về quan hệ giữa hai biến

Cùng chủ đềSame topic

Nguồn tham khảoReferences

[1]Barron_AP_Stat_2026. tr. 22, 154.