Biến ngẫu nhiên, PMF, PDF, CDF
- Discrete random variable có số kết quả đếm được; continuous random variable có vô số kết quả trong một khoảng.
- Hàm xác suất p(x) = P(X = x) thỏa 0 ≤ p(x) ≤ 1 và Σp(x) = 1. Biến rời rạc dùng PMF, biến liên tục dùng PDF.
- Với biến liên tục, xác suất tại một điểm bằng 0; PDF tỷ lệ với xác suất trong khoảng hẹp quanh điểm đó; xác suất của khoảng là diện tích dưới PDF.
- CDF: F(x) = P(X ≤ x), không giảm, đi từ 0 đến 1; P(a ≤ X ≤ b) = F(b) − F(a). Cermak: F(15) − F(0) = 0.70 − 0.40 = 30%.
Kỳ vọng, variance, covariance không điều kiện
- E(X) = Σ xi × P(xi); Var(X) = E{[X − E(X)]2} = E(X2) − [E(X)]2; độ lệch chuẩn là căn bậc hai của variance.
- Cov(X, Y) = E{[X − E(X)] × [Y − E(Y)]} = E(XY) − E(X)E(Y). Hai biến độc lập có covariance bằng 0.
- Security P và Q: E = 0.8% và 0.5%; variance 11.16 và 3.25; σ = 3.34% và 1.80%; covariance 6.0. Variance và covariance không có đơn vị phần trăm.
- Law of large numbers: trung bình mẫu hội tụ về kỳ vọng thật khi số quan sát tăng, nếu mẫu ngẫu nhiên và đại diện.
Phân phối rời rạc
- Bốn moment: mean, variance, skewness, kurtosis; excess kurtosis = kurtosis − 3.
- Discrete uniform: mean (a + b) ÷ 2, variance [(b − a + 1)2 − 1] ÷ 12; {1, …, 5} có mean 3, variance 2.
- Binomial: P(X = x) = nCx px(1 − p)n − x; E(X) = np, Var(X) = np(1 − p); skewness (1 − 2p) ÷ np(1 − p). Bernoulli là binomial một phép thử. DJIA: 5 × 0.67 = 3.35 ngày tăng, variance 1.1055.
- Mô hình giá nhị thức: Si,j = S0 × ui × dj; Orland $10 × 1.022 × 0.98043 = $9.80.
- Poisson: P(k) = (λt)ke−λt ÷ k!; mean = variance = λ; skewness 1 ÷ λ, excess kurtosis 1 ÷ λ. Giới hạn của binomial khi n → ∞, p → 0, np = λ. Ví dụ 800 trái phiếu, λ = 4: P(có vỡ nợ) = 1 − e−4 = 98.2%, P(đúng 3) = 19.5%.
Phân phối liên tục
- Continuous uniform: P(x1 ≤ X ≤ x2) = (x2 − x1) ÷ (b − a); mean (a + b) ÷ 2; variance (b − a)2 ÷ 12; excess kurtosis −1.2. Đoạn [2, 12], khoảng 4–8: 40%. Là nền của Monte Carlo simulation.
- Normal: xác định hoàn toàn bởi mean và variance; skewness 0, kurtosis 3; khoảng 68% trong ±1σ, 95% trong ±2σ. Standard normal là N(0, 1); F(−1) = 0.1587.
- Log-normal: biến có ln tuân theo normal distribution; chặn dưới tại 0, lệch phải; hợp với giá tài sản. Mean = eμ + σ²/2.
- ln(ST) = ln(S0) + T × (μ − σ2 ÷ 2); £10, μ = 6%, σ = 12%, ba năm: £11.72.
- Logistic: đối xứng, đuôi dày hơn chuẩn, excess kurtosis 1.2, variance s2π2 ÷ 3; dùng trong logistic regression, machine learning.
Phân phối đồng thời và kỳ vọng có điều kiện
- Joint CDF: F12(x1, x2) = P(X1 ≤ x1, X2 ≤ x2); độc lập thì bằng tích hai CDF. Marginal distribution là phân phối riêng của một biến.
- Contingency table: joint probability = ô ÷ tổng bảng; marginal = tổng dòng hoặc cột ÷ tổng bảng; conditional = ô ÷ tổng dòng hoặc cột điều kiện.
- E(X | S) = Σ Xi × P(Xi | S); Var(X | S) = E(X2 | S) − [E(X | S)]2; E(X) = Σ E(X | Si) × P(Si).
- Cây giá $10, p = 0.55: E(P3) = $10.06, Var ≈ 0.1182; biết P1 = $9.80: E = $9.84, Var ≈ 0.0757.
Bayesian updating
- P(A | B) = P(B | A) × P(A) ÷ P(B); P(B) cộng qua mọi kịch bản. Prior là xác suất trước thông tin, posterior là xác suất sau thông tin.
- Ví dụ kinh tế: prior 60%, P(B) = 42% + 8% = 50%, posterior 42% ÷ 50% = 84%.