確率変数の世界へようこそ！
ようこそ！FRMの学習の旅を始めるにあたり、確率変数（Random Variables）の章は最も重要なマイルストーンの一つです。なぜでしょうか？金融の世界では、明日株価や金利がどうなるかを完全に予測することは誰にもできないからです。私たちは毎日不確実性と向き合っています。確率変数は、その不確実性を数学的に「パッケージ化」し、リスクを測定するためのツールなのです。数学が苦手でも大丈夫です。シンプルな論理と実社会の例を使って、ステップバイステップで紐解いていきましょう。
1. 確率変数とは正確には何か？
確率変数 (Random Variable, RV)とは、まだ起きていない実験の起こり得る結果に対して用意された「プレースホルダー（場所取り）」や「入れ物」のようなものだと考えてください。通常、\( X \) や \( Y \) といった大文字で表します。
例：コイン投げを想像してください。表が出るか裏が出るかは分かりません。ここで「表が出たら \( X = 1 \)」、「裏が出たら \( X = 0 \)」と定義すると、この \( X \) が確率変数になります。
離散型と連続型確率変数
まず最初に、この2つの大きな区別を理解することが重要です。
• 離散型確率変数：値の間に「隙間」があるものです。結果を数えることができます（例：1, 2, 3...）。
例え：階段をイメージしてください。1段目や2段目に立つことはできますが、1.5段目に立つことはできません。
金融の例：1年間に企業がローンの債務不履行（デフォルト）を起こす回数（0, 1, 2...）。
• 連続型確率変数：ある範囲内のあらゆる値を取り得るものです。隙間はありません。
例え：滑り台をイメージしてください。どの高さにも止まることができます。
金融の例：S&P 500の正確な日次リターン（例：1.25%, 1.251%, 1.2515%...）。
クイック復習：指で数えられるなら離散型、ものさしや時計で正確に測定する必要があるなら連続型である可能性が高いです。
2. 確率を記述する：PMF、PDF、CDF、そして分位関数
結果がどれくらい起こりそうかを知るにはどうすればよいでしょうか？特定の関数を使います。
離散型変数の場合：PMF
確率質量関数（Probability Mass Function, PMF）は \( P(X = x) \) と書かれ、変数が特定の値をとる正確な確率を示します。
ルール1：個々の確率は必ず0から1の間であること：\( 0 \leq P(X = x) \leq 1 \)。
ルール2：起こり得るすべての結果にわたる確率の合計は必ず1になること：\( \sum P(X = x) = 1 \)。
連続型変数の場合：PDF
確率密度関数（Probability Density Function, PDF）は \( f(x) \) と書かれ、性質が異なります。連続型変数では、ちょうど1つの実数値（例：正確に1.000000%など）をとる確率は、実際にはゼロになります：\( P(X = x) = 0 \)。その代わり、2点間の曲線の下側の面積を積分することで区間の確率を求めます：\( P(a \leq X \leq b) = \int_{a}^{b} f(x)\,dx \)。
累積分布関数 (CDF)
累積分布関数（Cumulative Distribution Function, CDF）は \( F(x) \) と書かれ、「累計」のようなものです。確率変数が特定の値以下になる確率を表します：\( F(x) = P(X \leq x) \)。
CDFの性質：非減少関数であり、0から始まり（\( x \to -\infty \) のとき）、1に達します（\( x \to \infty \) のとき）。連続型変数の場合、CDFの導関数がPDFになります：\( f(x) = F'(x) \)。
分位関数（逆CDF）
分位関数（Quantile Function）は \( Q(p) = F^{-1}(p) \)（ただし \( 0 < p < 1 \)）と表され、CDFとまさに逆方向に機能します。CDFが値 \( x \) を受け取って確率 \( p \) を返すのに対し、分位関数は確率 \( p \) を受け取り、\( P(X \leq x_p) = p \) となる閾値 \( x_p \) を返します。
金融での応用：これはバリュー・アット・リスク（Value at Risk, VaR）の基礎となる概念であり、リスク管理者は所定の信頼水準（\( p = 0.05 \) や \( p = 0.01 \) など）における損失のカットオフ値を求めます。
3. 期待値：データの「中心」
期待値（Expected Value）は \( E(X) \) または \( \mu \) で表され、確率変数の長期的な平均値、すなわち母集団の1次モーメントです。いわば「重心」です。
離散型変数の場合、各結果にその確率を掛けて合計することで計算します：
\( E(X) = \sum [x_i \cdot P(X = x_i)] \)
連続型変数の場合、積分を用いて計算します：
\( E(X) = \int_{-\infty}^{\infty} x \cdot f(x)\,dx \)
例：10ドル儲かる確率が50%、0ドルの確率が50%の場合、期待値は：
\( (10 \cdot 0.5) + (0 \cdot 0.5) = \$5 \)。
知っていましたか？期待値は、1回の試行で実際に起こり得る値である必要はありません！上記のコイン投げの例では、1回の試行で5ドルを受け取ることはありません。10ドルか0ドルのどちらかです。期待値とは、多数の独立した試行を繰り返した時の平均を表しているに過ぎないのです。
4. 分散と標準偏差：リスクの測定
FRMにおいて、リスクはしばしば不確実性や散らばり具合（ばらつき）として定義されます。分散と標準偏差は、結果が平均からどれだけ「広がっているか」を示します。
分散 (\( \sigma^2 \))：2次中心モーメントであり、平均からの偏差の2乗の平均値として定義されます：
\( Var(X) = E[(X - \mu)^2] = E(X^2) - [E(X)]^2 \)
分散が大きいほど、ばらつきが大きく不確実性が高いことを意味します。
標準偏差 (\( \sigma \))：分散の正の平方根です：\( \sigma = \sqrt{Var(X)} \)。元の変数とまったく同じ単位（ドルやパーセンテージなど）で測定されるため、実務では標準偏差が頻繁に使われます。
5. 歪度と尖度：リスクの形状
平均と分散の先には、分布の形状を定義する標準化された高次モーメントがあります。
歪度（3次標準化モーメント）：平均の周りの非対称性を測定します：
\( Skew(X) = \frac{E[(X - \mu)^3]}{\sigma^3} \)
• 対称分布： \( Skew = 0 \)（例：標準正規分布）。
• 正の歪度：右に裾が長い（小さな損失が多く、たまに巨額の利益が出る）。
• 負の歪度：左に裾が長い（小さな利益が多く、たまに壊滅的な損失が出る—信用リスクやショート・オプション戦略の典型的なプロファイルです！）。
尖度（4次標準化モーメント）：裾の厚さと尖り具合を測定します：
\( Kurt(X) = \frac{E[(X - \mu)^4]}{\sigma^4} \)
• 正規分布の尖度は正確に3です。
• 超過尖度（Excess Kurtosis）： \( 尖度 - 3 \) で定義されます。
• ファットテール（急峻な分布：Leptokurtic）：超過尖度が0より大きい分布です。正規分布が予測する以上に極端な外れ値イベントが頻繁に発生するため、リスク管理者にとってテールリスクのモデリングが極めて重要になります。
6. 線形変換：位置、尺度、形状への影響
確率変数 \( X \) を \( Y = aX + b \) に変換する場合を考えます（ここで \( a \) と \( b \) は定数）。この線形変換が各要約統計量にどのように影響するかを理解することは、試験において不可欠です：
• 平均：平行移動とスケーリングの両方が直接影響します：
\( E(aX + b) = aE(X) + b \)
• 分散：定数 \( b \) を足しても散らばりは変わりませんが、\( a \) によるスケーリングは2乗されます：
\( Var(aX + b) = a^2 Var(X) \)
• 標準偏差：分散の平方根をとるため、\( a \) の絶対値になります：
\( \sigma(aX + b) = |a|\sigma(X) \)
• 中央値：平均と同様に、中央値も尺度と位置の移動の両方に追従します：
\( Median(aX + b) = a \cdot Median(X) + b \)
• 四分位範囲 (IQR)：IQRは第75パーセンタイルと第25パーセンタイルの距離です（\( Q_3 - Q_1 \)）。定数を足しても両方のパーセンタイルが等しく移動するため差は変わりませんが、スケーリングによってその距離は拡大・縮小されます：
\( IQR(aX + b) = |a| \cdot IQR(X) \)
• 歪度：位置の移動 \( b \) は影響を与えません。\( a > 0 \) によるスケーリングでは歪度は不変ですが、\( a < 0 \) の場合は裾の方向が反転します：
\( Skew(aX + b) = \text{sign}(a) \cdot Skew(X) \)
• 尖度：\( \sigma^4 \) で標準化されているため、尖度は位置および尺度の変換のいずれに対しても完全に不変です（\( a \neq 0 \) である限り）：
\( Kurt(aX + b) = Kurt(X) \)
パニックにならないで！試験前のクイックサマリー
• 離散型 = 数えられる結果（PMF）；連続型 = 無限の連続体、区間上の確率（PDF）。
• CDFは \( P(X \leq x) \) を与える；分位関数はその逆関数であり、指定された累積確率 \( p \) に対する値 \( x \) を返す。
• 期待値： \( E(aX + b) = aE(X) + b \)。
• 散らばり： \( Var(aX + b) = a^2Var(X) \) および \( \sigma(aX + b) = |a|\sigma(X) \)；\( IQR(aX + b) = |a|IQR(X) \)。
• 形状：尖度は線形変換によって変わらない；歪度は \( a < 0 \) の場合に符号が反転する。
• 超過尖度 \( > 0 \) はファットテール（Leptokurtic）を意味し、極端な市場の動きが起こる可能性が高いことを示す。