Trong thống kê suy diễn, một bài toán cực kỳ phổ biến là kiểm tra xem tỷ lệ xuất hiện của một biến cố trong mẫu quan sát có đi ngược lại so với kỳ vọng ban đầu hay không. Phương pháp Kiểm định tỷ số hợp lý (Likelihood Ratio Test - LR Test) cung cấp một khuôn khổ toán học chặt chẽ để trả lời câu hỏi này.

1. Phát biểu bài toán

Giả sử ta thực hiện $N$ phép thử độc lập (Bernoulli trials). Trong mỗi phép thử, biến cố $A$ có xác suất xảy ra là $p$. Sau $N$ phép thử, ta ghi nhận được $x$ lần biến cố $A$ xảy ra.

Trong quản trị rủi ro tài chính, Value at Risk (VaR) là một con số ước lượng mức tổn thất tối đa có thể xảy ra trong một khoảng thời gian nhất định, với một độ tin cậy cho trước. Tuy nhiên, làm sao để biết mô hình VaR mà ngân hàng đang sử dụng có thực sự chính xác hay không? Đây là lúc quá trình Backtesting (kiểm định ngược) và đặc biệt là Kiểm định Kupiec POF (Proportion of Failures) phát huy tác dụng.

Trong thống kê suy diễn, các khái niệm như Giả thiết null ($H_0$), p-value, hay Sai lầm loại I và loại II thường khiến nhiều người đau đầu. Tuy nhiên, nếu bạn từng đọc truyện hay xem phim Thám tử lừng danh Conan, bạn sẽ nhận ra quá trình kiểm định thống kê rất giống với một cuộc điều tra phá án!

1. Giả thiết null ($H_0$) là “Suy đoán vô tội”

Trong mọi cuộc điều tra, cảnh sát luôn phải bắt đầu bằng nguyên tắc “suy đoán vô tội” - tức là mọi người đều vô tội cho đến khi có bằng chứng chứng minh điều ngược lại.

Trong thống kê, để tóm tắt một tập dữ liệu lớn bằng một con số duy nhất, chúng ta thường dùng các “đại lượng hướng tâm” (measures of central tendency). Ba khái niệm quen thuộc nhất là Mean (Trung bình cộng), Median (Trung vị), và Mode (Yếu vị).

Tuy nhiên, việc sử dụng sai đại lượng trong các bối cảnh khác nhau có thể bóp méo thực tế, dẫn đến những quyết định sai lầm. Dưới đây là cách phân biệt chúng và 3 ví dụ thực tế cho thấy khi nào một đại lượng thể hiện đúng bản chất của dữ liệu, trong khi hai đại lượng kia có thể gây ra những đánh giá sai lệch.

Trong quản trị rủi ro tài chính hay bảo hiểm, các mô hình phân phối truyền thống (như Phân phối Chuẩn) thường hoạt động cực kỳ mượt mà ở vùng trung tâm – nơi diễn ra 90% đến 95% các sự kiện bình thường của thị trường. Tuy nhiên, khi một cuộc khủng hoảng xảy ra (những sự kiện “Thiên nga đen”), các mô hình truyền thống này thường đánh giá quá thấp xác suất và mức độ thiệt hại thực tế, dẫn đến hậu quả thảm khốc.

Để hiểu được thuật toán tính đa thức Dual Grothendieck ($g_\lambda$), chúng ta cần nắm vững luật chơi nền tảng của nó: khái niệm Reverse Plane Partitions (RPP).

Hãy tưởng tượng bạn có một lưới các ô vuông (gọi là biểu đồ Young). Nhiệm vụ của bạn là điền các con số vào lưới sao cho:

1. Các số phải không giảm khi đi từ trái sang phải.
2. Các số phải không giảm khi đi từ trên xuống dưới.

Luật chơi này nghe có vẻ giống đa thức Schur truyền thống. Nhưng điểm làm nên sự độc đáo của Dual Grothendieck chính là cách tính điểm (weight): Nó đếm số cột chứa một giá trị, chứ không đếm tổng số lần giá trị đó xuất hiện.