歡迎來到隨機變量（Random Variables）的世界！
歡迎你！如果你正剛開始準備 FRM 考試，隨機變量這一章絕對是你最重要的里程碑之一。為什麼呢？因為在金融領域，我們永遠無法確切預測明天的股價或利率是多少。我們每天都在與「不確定性」打交道，而隨機變量正是我們將這種不確定性「打包」起來，以便進行風險衡量的數學工具。不用擔心數學不是你的強項，我們將會運用簡單的邏輯和真實世界的例子，一步步為你拆解其中的奧秘。
1. 到底什麼是隨機變量？
你可以把隨機變量（Random Variable, RV）想像成一個尚未發生的實驗結果的「佔位符」或「容器」。我們通常用大寫字母，如 X 或 Y 來表示它們。
例子： 想像你在拋硬幣。你無法預測會是正面還是反面。如果我們定義：若是正面，X = 1；若是反面，X = 0，那麼 X 就是我們的隨機變量。
離散型與連續型隨機變量
這是你首先必須弄清楚的一大區分：
• 離散型隨機變量 (Discrete Random Variables)： 這些數值之間有「間隙」。你可以數得出具體的結果（例如：1, 2, 3...）。
類比： 想像樓梯。你可以站在第 1 階或第 2 階，但不可能站在第 1.5 階。
金融例子： 一間公司在一年內貸款違約的次數（0, 1, 2...）。
• 連續型隨機變量 (Continuous Random Variables)： 這些可以在某個範圍內取任何數值，中間沒有間隙。
類比： 想像溜滑梯。你可以隨時處於任何一個高度。
金融例子： 標準普爾 500 指數的精確每日回報率（例如：1.25%, 1.251%, 1.2515%...）。
小複習： 如果你可以用手指數出來，那通常就是離散型；如果你需要用秤或時鐘精確測量，那通常就是連續型。
2. 描述概率：PMF、PDF 與 CDF
我們如何得知某個結果發生的可能性？這就需要用到特定的函數。
離散型變量：PMF
概率質量函數 (Probability Mass Function, PMF)，記作 \( P(X = x) \)，告訴我們變量等於某個特定值的準確概率。
規則 1： 每一個獨立的概率必須介於 0 到 1 之間。
規則 2： 所有概率的總和必須等於 1。
連續型變量：PDF
概率密度函數 (Probability Density Function, PDF)，記作 \( f(x) \)，情況則有些不同。對於連續型變量，出現「精確單一數值」（例如精確的 1.000000%）的概率實際上是 零！相反，我們通過計算兩個點之間曲線下的面積來求得概率。
累積分布函數 (CDF)
CDF，記作 \( F(x) \)，就像是一個「累計總額」。它告訴我們隨機變量小於或等於某個數值的概率：\( F(x) = P(X \leq x) \)。
記憶小撇步： 「Cumulative」意為「累計」。它是指直到該點為止所有發生的總和。
重點總結： PMF/PDF 告訴你某個特定點或密度，而 CDF 告訴你的是「目前累積的總量」。
3. 期望值 (Expected Value)：數據的「中心」
期望值，記作 \( E(X) \) 或 \( \mu \) (mu)，是隨機變量的長期平均值，也就是數據的「重心」。
對於離散型變量，計算方法是將每個結果乘以其發生的概率，然後相加：
\( E(X) = \sum [x_i \cdot P(x_i)] \)
例子： 如果你有 50% 的機會賺取 \$10，且有 50% 的機會賺取 \$0，你的期望值為：
\( (10 \cdot 0.5) + (0 \cdot 0.5) = \$5 \)。
你知道嗎？ 期望值不一定要是一個「可能發生的數值」！在上面的例子中，你實際上不可能單次拿到 \$5；你只會拿到 \$10 或 \$0。期望值僅僅是多次嘗試後的平均值。
4. 方差與標準差：衡量「風險」
在 FRM 中，風險通常被定義為不確定性或離散程度 (Dispersion)。方差和標準差告訴我們結果偏離平均值的「散開程度」。
方差 (\( \sigma^2 \))： 偏離平均值之平方差的平均數。
\( Var(X) = E[(X - \mu)^2] \)
方差越大，代表風險越高，不確定性越強。
標準差 (\( \sigma \))： 這就是方差的平方根。我們比較常使用它，因為它的單位與原始數據相同（例如美元或百分比）。
方差計算步驟：
1. 先求出期望值（平均值）。
2. 用每個結果減去平均值（得到離差）。
3. 將每個離差平方（消除負號）。
4. 將每個平方後的離差乘以其概率。
5. 將結果相加！
5. 線性組合的重要規則
有時我們需要轉換數據（例如將回報從小數轉換為百分比）。你必須了解這會如何影響平均值和方差。設 a 和 b 為常數。
期望值的規則：
\( E(aX + b) = aE(X) + b \)
邏輯： 如果你把每個人的薪水加倍 (\( a=2 \))，並給他們 \$5 的獎金 (\( b=5 \))，平均薪水也會加倍並增加 \$5。很直觀吧！
方差的規則：
\( Var(aX + b) = a^2 Var(X) \)
常見錯誤： 學生常忘記將常數 a 平方，並且忘記 b 會消失。為什麼 b 會消失呢？因為將常數加到每個值上，只會將整組數據平移，並不會改變它們「散開」的程度！
6. 偏度 (Skewness) 與峰度 (Kurtosis)：風險的形狀
除了平均值和方差，我們還要觀察分布的「形狀」。
偏度： 衡量不對稱性。
• 正偏 (Positive Skew)： 右側有長尾（多次小虧損，少數巨大收益）。
• 負偏 (Negative Skew)： 左側有長尾（多次小收益，少數巨大虧損——這正是風險經理最恐懼的情況！）。
峰度： 衡量「尖峰程度」，更重要的是，衡量尾部的厚度 (Fat tails)。
• 超額峰度 (Excess Kurtosis)： 計算公式為 \( Kurtosis - 3 \)。
• 厚尾 (Leptokurtic)： 高峰度意味著極端事件（異常值）發生的頻率高於常態分布的預期。在金融領域，「厚尾」代表市場崩盤發生的次數比我們預期的還要頻繁！
重點總結：
1. 平均值 (1st Moment)： 中心在哪裡？
2. 方差 (2nd Moment)： 散開程度有多寬？
3. 偏度 (3rd Moment)： 是否有傾斜？
4. 峰度 (4th Moment)： 尾部有多危險？
別慌！考試重點快速摘要
• 離散型 = 可數；連續型 = 可測量。
• CDF 永遠是小於或等於 x 的概率。
• 期望值 是加權平均的結果。
• 方差 是衡量風險的工具；記住當移動常數 a 出方差公式時，要將它平方：\( a^2 Var(X) \)。
• 厚尾 (高峰度) 就是金融世界中的「黑天鵝」。
繼續練習平均值和方差的計算。一旦掌握這些，這一章最難的部分就被你攻克了！