簡介：為什麼隨機變數很重要？

歡迎！如果你曾經好奇風險管理師是如何預測股市崩盤的機率，或是每月貸款違約的數量，那麼你來對地方了。在金融世界中，我們無法百分之百確定未來，但我們可以使用隨機變數 (Random Variables) 來為各種可能性建立模型。本章將涵蓋你在 FRM 之路中會不斷用到的機率學「基礎組件」。別擔心，如果公式乍看之下很嚇人，我們會把它們拆解成簡單且貼近生活的概念。

1. 全盤概覽：離散 vs. 連續

在我們深入探討之前，請記住隨機變數主要分為兩種類型：
1. 離散型 (Discrete)： 你可以數出來的事物（例如：銀行系統故障的天數）。
2. 連續型 (Continuous)： 你可以測量的事物（例如：投資組合的精確報酬率百分比）。
你可以把離散型想像成梯子的階梯，而連續型則像平滑的滑梯。

2. 常見的離散分配

伯努利分配 (Bernoulli Distribution)

伯努利分配是最簡單的分配。它為僅有兩種結果的單次試驗建模：成功 (1) 或 失敗 (0)。
範例： 單一借款人要麼違約，要麼不違約。
• 成功機率： \( p \)
• 失敗機率： \( 1 - p \)
• 平均值（期望值）： \( E(X) = p \)
• 變異數： \( Var(X) = p(1 - p) \)

二項分配 (Binomial Distribution)

如果你將一連串獨立的伯努利試驗相加，就會得到二項分配。它告訴我們在 \( n \) 次獨立試驗中，恰好出現 \( x \) 次成功的機率。
範例： 如果你有 10 筆獨立貸款，恰好有 2 筆違約的機率是多少？
• 關鍵參數： \( n \)（試驗次數）和 \( p \)（成功機率）。
• 平均值： \( n \times p \)
• 變異數： \( n \times p \times (1 - p) \)
常見錯誤： 學生常忘記二項分配要有效，試驗必須獨立。如果一筆貸款違約導致另一筆違約機率增加，那麼二項模型就不再是最佳選擇！

卜瓦松分配 (Poisson Distribution)

卜瓦松分配用於為特定時間或空間區間內事件發生的次數建立模型。
範例： 銀行伺服器每週遭受的網路攻擊次數。
• 關鍵參數： \( \lambda \) (Lambda)，即平均發生率。
• 獨特屬性： 平均值與變異數皆等於 \( \lambda \)。
快速複習： 如果你看到關於「一小時內發生次數」的題目，請想到卜瓦松分配！

重點總結： 離散分配幫助我們計算結果。伯努利用於單一「是/否」事件，二項分配用於多次「是/否」事件，而卜瓦松則用於統計一段時間內的事件頻率。

3. 常見的連續分配

連續均勻分配 (Continuous Uniform Distribution)

在此分配中，特定區間 \( [a, b] \) 內的所有數值出現的機率皆相等。機率密度函數 (PDF) 是一條平坦的水平線。
• 平均值： \( \frac{a + b}{2} \)（正好是中間點）。
• 變異數： \( \frac{(b - a)^2}{12} \)

常態分配 (Normal Distribution)

這是分配中的「王者」，也就是著名的鐘形曲線 (Bell Curve)。它是對稱的，由平均值 \( \mu \) 和標準差 \( \sigma \) 定義。
• 偏態 (Skewness)： 0（完美對稱）。
• 峰態 (Kurtosis)： 3（或「超額峰態」為 0）。
你知道嗎？ 在風險管理中，我們常使用標準常態分配 (Standard Normal Distribution) (\( Z \))，其平均值為 0，標準差為 1。你可以使用 \( Z = \frac{X - \mu}{\sigma} \) 將任何常態數值轉換為 Z 分數。

對數常態分配 (Lognormal Distribution)

如果一個變數的自然對數呈現常態分配，那麼該變數本身就是對數常態。
為什麼重要： 我們使用對數常態來為資產價格（如股票）建模。為什麼呢？因為股價不可能為負，而對數常態分配在零處有下限，且向右偏斜。
記憶小撇步： 報酬率通常假設為常態分配；價格則假設為對數常態分配。

學生 t 分配 (Student’s t-Distribution)

t 分配看起來像常態分配，但有「更肥的尾部」(Fat tails)。這意味著它預測極端事件（離群值）發生的機率更高。
• 參數： 由「自由度」(Degrees of Freedom, df) 定義。
• 經驗法則： 隨著自由度增加，t 分配會變得愈來愈像常態分配。
為什麼我們喜歡它： 金融市場發生的「崩盤」比常態分配預測的更多。t 分配能更好地捕捉這種「尾部風險」。

卡方 (\( \chi^2 \)) 與 F 分配

這些主要用於統計檢定，而非資產價格建模。
• 卡方分配： 用於檢定變異數與適配度。它總是正值且向右偏斜。
• F 分配： 用於比較兩個不同的變異數。當你想知道一個投資組合是否比另一個波動更大時，就會用到它。

重點總結： 連續分配用於為測量數據建模。常態分配是標準，對數常態用於價格，而 t 分配適用於我們預期會有更多極端「驚喜」的情況。

4. 中央極限定理 (CLT)：統計學的魔法

中央極限定理是 FRM 中最重要的概念之一。它指出，如果你從任何分配（即使是奇怪、非對稱的分配）中抽取足夠大的樣本，該樣本的總和或平均值將會遵循常態分配。
• 厲害之處： 它讓我們即使在原始數據雜亂無章的情況下，只要樣本數足夠大（通常 \( n > 30 \)），依然可以使用常態分配的工具來分析。

5. 成功總結清單

快速複習盒：
• 伯努利： 單次擲硬幣（1 或 0）。
• 二項分配： 多次擲硬幣；試驗必須獨立。
• 卜瓦松： 計算一段時間內的到達次數/事件次數。
• 常態分配： 鐘形曲線，標準常態分配平均值=0，標準差=1。
• 對數常態： 右偏，無負值（適用於股價）。
• 學生 t 分配： 肥尾，用於小樣本或高風險資產。
• 卡方/F 分配： 用於檢定變異數。

別擔心，如果起初覺得這些很棘手！ 掌握本章的關鍵在於辨識哪種分配適合特定情境。當你看到「違約次數」，想到二項分配；看到「股價」，想到對數常態；看到「肥尾」，想到學生 t 分配。你可以做到的！