歡迎來到多變量隨機變量！

在之前的章節中，我們探討了單一隨機變量（例如單一股票的回報率）。但在現實的金融世界中，資產並非孤立存在！它們之間會互相影響。如果科技板塊崩盤，蘋果 (Apple) 和微軟 (Microsoft) 的股價很可能會同時下跌。多變量隨機變量 (Multivariate Random Variables) 正是研究兩個或多個變量如何共同表現的學問。掌握這一點是建立多元化投資組合和管理風險的秘訣所在。

如果初看這些概念覺得抽象，請不必擔心！我們會運用簡單的類比和逐步解析，讓你輕鬆掌握！

1. 聯合機率分佈 (Joint Probability Distributions)

當我們同時觀察兩個變量（設為 \( X \) 和 \( Y \)）時，會使用聯合機率分佈。它描述的是 \( X \) 取某個特定值，且 \( Y \) 同時取某個特定值的機率。

離散聯合分佈 (Discrete Joint Distributions)

可以將其想像成一張簡單的表格。假設 \( X \) 是利率的變動（上升或下跌），而 \( Y \) 是股價的變動（上升或下跌）。聯合機率就是位於「利率上升」與「股價下跌」交叉處的數值。

黃金法則：聯合機率分佈表中所有機率的總和必須永遠等於 1.0。

連續聯合分佈 (Continuous Joint Distributions)

對於連續變量，我們使用聯合機率密度函數 (Joint Probability Density Function, PDF)，記作 \( f(x, y) \)。與其想成一張平面表格，不如將其想像成一座 3D 山峰。這座山峰下方的總「體積」必須等於 1。要計算某個範圍的機率，理論上會使用微積分（二重積分），但對於 FRM 考試，重點在於概念上的理解：總面積/體積始終是 100%。

快速複習：聯合機率就是「AND」機率——即兩件事同時發生的可能性。

2. 邊際與條件分佈 (Marginal and Conditional Distributions)

有時我們擁有全局視野（聯合分佈），但只想專注於其中特定的一部分。

邊際機率 (Marginal Probability)

邊際機率是指某個變量發生的機率，而不論另一個變量如何變化。
簡單技巧：想像一張機率表。如果你將單一橫行或單一縱列的所有數值相加，並將總和寫在紙張的「邊際 (margin)」處，你便求出了邊際機率！

\( P(X = x) = \sum P(X=x, Y=y) \) （針對所有可能的 \( y \)）

條件機率 (Conditional Probability)

這是在已知 \( Y \) 已經發生的情況下，\( X \) 發生的機率。我們寫作 \( P(X|Y) \)。

公式： \( P(X|Y) = \frac{P(X, Y)}{P(Y)} \)

類比：想像一個房間裡的人。已知外面正在下雪 (Y)，某人穿著外套 (X) 的機率。知道下雪會改變你的「基礎」群體，使得他們穿外套的可能性大增。

關鍵要點：邊際機率 = 單一變量的總計。條件機率 = 根據新資訊更新後的機率。

3. 隨機變量的獨立性 (Independence of Random Variables)

如果一個事件的發生對於另一個事件的發生完全沒有提供任何資訊，那麼這兩個變量就是獨立的 (Independent)。
在數學上，若 \( X \) 和 \( Y \) 獨立，則：
1. \( P(X, Y) = P(X) \times P(Y) \)
2. \( P(X|Y) = P(X) \)

常見錯誤：學生經常將「互斥 (Mutually Exclusive)」與「獨立」混淆。如果兩個事件是互斥的（例如硬幣拋擲出的正反面），它們不是獨立的——事實上，它們高度相關，因為如果其中一個發生，另一個就不可能發生！

4. 共變異數與相關係數 (Covariance and Correlation)

這是 FRM 的核心課題。我們需要衡量變量如何共同變動。

共變異數 (Covariance)

共變異數衡量兩個變量之間線性關係的方向。

  • 正共變異數：它們朝相同方向變動。
  • 負共變異數：它們朝相反方向變動。
  • 零共變異數：無線性關係。

共變異數的公式為：
\( Cov(X, Y) = E[(X - \mu_X)(Y - \mu_Y)] \)
或是更簡便的「計算用」版本：
\( Cov(X, Y) = E(XY) - E(X)E(Y) \)

相關係數 (\( \rho \))

共變異數難以解讀，因為它取決於單位（例如美元與百分比）。相關係數將其標準化為介於 -1 到 +1 之間的數字。

公式： \( \rho_{XY} = \frac{Cov(X, Y)}{\sigma_X \sigma_Y} \)

你知道嗎？相關係數為 +1 意味著兩個變量完美同步變動。相關係數為 -1 意味著它們完美反向變動。相關係數為 0 意味著不存在線性關係。

關鍵要點：相關係數就是「經過縮放」的共變異數。它讓比較不同資產組合之間的關係變得更容易。

5. 組合變量的期望值與變異數 (Expectations and Variances of Combined Variables)

在金融領域，我們經常創建投資組合（變量的總和）。你需要知道如何計算這些組合的預期回報與風險。

總和的期望值 (Expected Value of a Sum)

這很簡單！總和的期望值就是各期望值的總和：
\( E(aX + bY) = aE(X) + bE(Y) \)

總和的變異數（「風險」公式）

這對考試非常重要。當你組合兩個變量時，變異數不僅僅是它們各自變異數的和——你必須考慮它們的共變異數！
\( Var(aX + bY) = a^2 Var(X) + b^2 Var(Y) + 2ab Cov(X, Y) \)

由於 \( Cov(X, Y) = \rho_{XY} \sigma_X \sigma_Y \)，我們也可以寫作：
\( Var(aX + bY) = a^2 \sigma_X^2 + b^2 \sigma_Y^2 + 2ab \rho_{XY} \sigma_X \sigma_Y \)

記憶輔助：想想代數展開式 \( (a+b)^2 = a^2 + b^2 + 2ab \)。變異數公式遵循相同的模式，只是在 \( 2ab \) 的部分加上了「共變異數」項！

6. 二元常態分佈 (The Bivariate Normal Distribution)

二元常態分佈描述兩個皆呈常態分佈的變量。要完整描述這種關係，你只需要 5 個參數：
1. X 的平均值 (\( \mu_X \))
2. Y 的平均值 (\( \mu_Y \))
3. X 的變異數 (\( \sigma_X^2 \))
4. Y 的變異數 (\( \sigma_Y^2 \))
5. 它們之間的相關係數 (\( \rho \))

必須記住的關鍵特性：

對於大多數分佈而言，「零相關」不一定意味著變量是獨立的。然而，對於常態分佈，如果相關係數為零，那麼這兩個變量就是獨立的。這是考試中非常熱門的「陷阱題」！

快速總結：多變量有助於我們理解資產的「共同變動」。通過掌握聯合、邊際與條件機率，並學會總和變異數公式，你距離精通投資組合理論已經不遠了！