Đề thi, bài tập trắc nghiệm online Thống kê trong kinh tế và kinh doanh – Đề 11

Mức ý nghĩa α (alpha) trong kiểm định giả thuyết đại diện cho xác suất tối đa mà chúng ta sẵn sàng chấp nhận để mắc sai số loại I (Type I error), tức là bác bỏ giả thuyết không (Null hypothesis) khi nó thực sự đúng. Khi α = 0.05, chúng ta chấp nhận rủi ro 5% bác bỏ giả thuyết không khi nó đúng. Mức ý nghĩa α được chọn trước khi thực hiện kiểm định và là một ngưỡng để quyết định bác bỏ hay không bác bỏ giả thuyết không.

Sai số loại II (Type II error) xảy ra khi chúng ta không bác bỏ giả thuyết không (Null hypothesis) mặc dù nó thực sự sai. Nói cách khác, chúng ta kết luận rằng không có đủ bằng chứng để bác bỏ giả thuyết không, trong khi trên thực tế, giả thuyết đối (Alternative hypothesis) mới là đúng.

Tính trung thực và khách quan là nguyên tắc đạo đức quan trọng trong báo cáo kết quả thống kê. Điều này bao gồm việc trình bày tất cả các kết quả quan trọng (cả có ý nghĩa thống kê và không có ý nghĩa), thảo luận về hạn chế của phương pháp và dữ liệu, và tránh trình bày kết quả một cách thiên vị hoặc gây hiểu lầm. Báo cáo nên rõ ràng, dễ hiểu và phù hợp với đối tượng người đọc.

Trong thống kê, 'dân số' (population) không chỉ giới hạn ở con người mà đề cập đến toàn bộ tập hợp các đối tượng, cá thể hoặc đơn vị mà nhà nghiên cứu quan tâm và muốn đưa ra kết luận. Ví dụ, trong một nghiên cứu thị trường, dân số có thể là tất cả khách hàng tiềm năng của một sản phẩm, hoặc tất cả các giao dịch bán hàng trong một năm.

Phương pháp lấy mẫu ngẫu nhiên đơn giản (Simple random sampling) là một phương pháp lấy mẫu xác suất, trong đó mỗi phần tử trong tổng thể có cơ hội được chọn vào mẫu là như nhau và việc chọn một phần tử không ảnh hưởng đến cơ hội chọn các phần tử khác. Điều này đảm bảo tính công bằng và giúp mẫu có khả năng đại diện cho tổng thể hơn so với các phương pháp lấy mẫu phi ngẫu nhiên.

Phương pháp trung bình trượt (Moving average) là một kỹ thuật làm mịn chuỗi thời gian phổ biến. Bằng cách tính trung bình của một số quan sát liên tiếp, trung bình trượt giúp loại bỏ các biến động ngắn hạn và nhiễu, làm nổi bật xu hướng và các mô hình dài hạn trong dữ liệu.

Thống kê mô tả (Descriptive statistics) phù hợp nhất khi mục tiêu là tóm tắt và trình bày thông tin từ dữ liệu một cách rõ ràng và dễ hiểu. Trong nghiên cứu kinh doanh, thống kê mô tả thường được sử dụng để mô tả đặc điểm của khách hàng, thị trường, sản phẩm, hoặc hiệu suất kinh doanh dựa trên dữ liệu thu thập được. Các mục tiêu khác như dự báo, phân tích quan hệ nhân quả, và kiểm định giả thuyết thường cần đến thống kê suy diễn (Inferential statistics).

Độ lệch chuẩn (Standard deviation) là một thước đo mức độ phân tán hoặc biến động của một tập dữ liệu. Nó cho biết các giá trị trong tập dữ liệu phân tán rộng hay hẹp xung quanh giá trị trung bình. Độ lệch chuẩn càng lớn, dữ liệu càng phân tán rộng hơn.

Khi kích thước mẫu (sample size) tăng lên, thông tin từ mẫu về tổng thể trở nên nhiều hơn và chính xác hơn. Điều này dẫn đến việc ước lượng tham số tổng thể trở nên chính xác hơn, và do đó độ rộng của khoảng tin cậy (confidence interval) sẽ giảm xuống. Khoảng tin cậy hẹp hơn cho thấy ước lượng chính xác hơn.

Chỉ số giá tiêu dùng (CPI - Consumer Price Index) là một chỉ số kinh tế quan trọng được sử dụng để đo lường lạm phát. CPI theo dõi sự thay đổi giá cả trung bình của một giỏ hàng hóa và dịch vụ tiêu dùng phổ biến theo thời gian. Sự gia tăng của CPI cho thấy mức giá chung đang tăng, tức là lạm phát.

Kiểm soát chất lượng thống kê (Statistical Quality Control - SQC) là một tập hợp các kỹ thuật thống kê được sử dụng để giám sát và cải thiện chất lượng trong quy trình sản xuất. SQC sử dụng các công cụ như biểu đồ kiểm soát (control charts), biểu đồ Pareto, và phân tích năng lực quy trình để xác định và giải quyết các vấn đề chất lượng, giảm thiểu biến động và cải thiện hiệu quả sản xuất. Các lựa chọn khác (SWOT, Porter's 5 forces, PESTEL) là các công cụ phân tích chiến lược kinh doanh, không trực tiếp liên quan đến cải thiện quy trình sản xuất bằng thống kê.

Trong phân tích hồi quy tuyến tính đơn giản, biến độc lập (Independent variable) được sử dụng để giải thích hoặc dự đoán sự thay đổi của biến phụ thuộc (Dependent variable). Vì vậy, biến độc lập còn được gọi là biến giải thích (Explanatory variable) hoặc biến dự báo (Predictor variable).

Hệ số tương quan Pearson (Pearson correlation coefficient) đo lường độ mạnh và hướng của mối quan hệ tuyến tính giữa hai biến định lượng. Giá trị của hệ số tương quan nằm trong khoảng từ -1 đến +1. Giá trị gần +1 cho thấy mối quan hệ tuyến tính dương mạnh, gần -1 cho thấy mối quan hệ tuyến tính âm mạnh, và gần 0 cho thấy mối quan hệ tuyến tính yếu hoặc không có.

Khoảng tin cậy (Confidence interval) là một khoảng giá trị được xây dựng từ dữ liệu mẫu để ước lượng một tham số tổng thể (ví dụ: trung bình tổng thể, tỷ lệ tổng thể). Khoảng tin cậy thường được đi kèm với một mức độ tin cậy (ví dụ: 95%, 99%), thể hiện xác suất tham số tổng thể thực sự nằm trong khoảng ước lượng đó.

Phân tích phương sai (ANOVA - Analysis of Variance) là một phương pháp thống kê được sử dụng để so sánh trung bình của ba nhóm hoặc tổng thể trở lên. ANOVA kiểm tra xem có sự khác biệt đáng kể về trung bình giữa các nhóm hay không bằng cách phân tích sự biến thiên trong và giữa các nhóm.

Giá trị P (P-value) là xác suất quan sát được kết quả mẫu (hoặc kết quả cực đoan hơn) nếu giả thuyết không (Null hypothesis) là đúng. Giá trị P càng nhỏ, bằng chứng chống lại giả thuyết không càng mạnh. Thông thường, nếu P-value nhỏ hơn mức ý nghĩa α (ví dụ: 0.05), chúng ta bác bỏ giả thuyết không.

Trong phân tích rủi ro tài chính, phương sai (variance) và độ lệch chuẩn (standard deviation) của lợi nhuận đầu tư là các thước đo phổ biến để đánh giá mức độ biến động hoặc rủi ro của khoản đầu tư. Phương sai càng lớn, lợi nhuận càng biến động mạnh, và do đó rủi ro càng cao.

Thống kê suy diễn (Inferential statistics) là nhánh của thống kê tập trung vào việc sử dụng dữ liệu mẫu để đưa ra kết luận, suy luận hoặc dự đoán về tổng thể mà mẫu được rút ra. Các kỹ thuật thống kê suy diễn bao gồm kiểm định giả thuyết, ước lượng khoảng tin cậy, và phân tích hồi quy. Mục tiêu là suy rộng thông tin từ mẫu ra tổng thể.

Thống kê mô tả (Descriptive statistics) tập trung vào việc mô tả các đặc điểm chính của dữ liệu thu thập được thông qua các phương pháp như tóm tắt, trình bày dữ liệu bằng bảng biểu, đồ thị, và tính toán các chỉ số mô tả (ví dụ: trung bình, độ lệch chuẩn).

Trong phân tích chuỗi thời gian, thành phần xu hướng (Trend) thể hiện sự biến động dài hạn và có hướng (tăng hoặc giảm) của chuỗi dữ liệu theo thời gian. Xu hướng phản ánh sự thay đổi cơ bản và kéo dài trong dữ liệu, không bao gồm các biến động ngắn hạn hoặc theo mùa.

Kiểm định T độc lập (Independent samples T-test) là phương pháp thống kê phù hợp để so sánh trung bình của hai nhóm độc lập. Trong trường hợp này, chúng ta muốn so sánh mức độ hài lòng trung bình của khách hàng giữa hai nhóm sản phẩm khác nhau. Các lựa chọn khác không phù hợp: Hệ số tương quan đo lường mối quan hệ giữa hai biến, ANOVA dùng cho so sánh từ 3 nhóm trở lên, Chi-bình phương dùng cho dữ liệu định tính.

Biểu đồ cột (Bar chart) là lựa chọn tốt nhất để so sánh các giá trị riêng biệt (trong trường hợp này là doanh số bán hàng) giữa các danh mục khác nhau (khu vực). Biểu đồ đường thích hợp cho việc theo dõi xu hướng theo thời gian, biểu đồ phân tán thể hiện mối quan hệ giữa hai biến số, và biểu đồ hộp thể hiện phân phối và các giá trị ngoại lệ của một tập dữ liệu.

Giá trị trung vị (Median) là giá trị chia tập dữ liệu đã sắp xếp thành hai phần bằng nhau. Để tìm trung vị, trước tiên cần sắp xếp dữ liệu theo thứ tự tăng dần (hoặc giảm dần), sau đó xác định giá trị ở vị trí chính giữa. Nếu số lượng quan sát là số chẵn, trung vị là trung bình cộng của hai giá trị ở giữa.

Phân tích hồi quy (Regression analysis) là một phương pháp thống kê mạnh mẽ được sử dụng để mô hình hóa và phân tích mối quan hệ giữa một biến phụ thuộc (ví dụ: doanh thu bán hàng) và một hoặc nhiều biến độc lập (ví dụ: chi phí quảng cáo). Phân tích hồi quy có thể giúp xác định độ mạnh và hướng của mối quan hệ, cũng như dự đoán giá trị của biến phụ thuộc dựa trên các biến độc lập.

Dữ liệu định tính (Qualitative data) thể hiện các thuộc tính hoặc đặc điểm không đo lường được bằng số, thường được phân loại thành các nhóm hoặc hạng mục. Mức độ hài lòng của khách hàng là một ví dụ về dữ liệu định tính, được biểu diễn bằng các hạng mục như 'Rất hài lòng', 'Hài lòng',... Ngược lại, doanh thu, số lượng khách hàng, và chi phí sản xuất là dữ liệu định lượng (Quantitative data), có thể đo lường và biểu diễn bằng số.

Mô hình ARIMA (Autoregressive Integrated Moving Average) là một lớp mô hình thống kê mạnh mẽ được sử dụng rộng rãi trong phân tích chuỗi thời gian và dự báo. ARIMA có khả năng mô hình hóa và dự báo các chuỗi thời gian dựa trên các mẫu tự tương quan và trung bình trượt trong dữ liệu quá khứ. Nó đặc biệt hữu ích cho các chuỗi thời gian có tính dừng hoặc có thể được chuyển đổi thành tính dừng.

Phân cụm khách hàng (Customer segmentation) là một kỹ thuật marketing quan trọng, sử dụng các phương pháp thống kê như phân tích cụm (cluster analysis) để chia thị trường thành các nhóm khách hàng có đặc điểm tương đồng. Việc phân cụm giúp doanh nghiệp hiểu rõ hơn về nhu cầu, hành vi của từng nhóm khách hàng, từ đó triển khai các chiến lược marketing, sản phẩm, và dịch vụ phù hợp, hiệu quả hơn.

Trong kỷ nguyên dữ liệu lớn (Big Data), thống kê càng trở nên quan trọng hơn. Các phương pháp thống kê mạnh mẽ được sử dụng để xử lý, phân tích và trích xuất thông tin, tri thức giá trị từ lượng dữ liệu khổng lồ, phức tạp. Thống kê không chỉ giúp mô tả dữ liệu mà còn cho phép thực hiện suy diễn, dự báo, và đưa ra quyết định dựa trên dữ liệu lớn.

Trong thống kê, mẫu (sample) là một tập hợp con các phần tử được chọn từ tổng thể (population) để nghiên cứu. Trong trường hợp này, 100 khách hàng được phỏng vấn là mẫu, được chọn từ tổng thể là tất cả khách hàng của công ty. Mục đích là sử dụng thông tin từ mẫu để suy rộng ra kết luận về tổng thể.

Trong quản lý rủi ro tín dụng, thống kê đóng vai trò quan trọng trong việc phân tích dữ liệu lịch sử và hiện tại để dự báo xác suất vỡ nợ của khách hàng. Các mô hình thống kê như hồi quy logistic và cây quyết định được sử dụng để xây dựng mô hình chấm điểm tín dụng, đánh giá rủi ro của từng khách hàng và đưa ra quyết định cho vay phù hợp.