Luận Văn Thạc Sĩ Về Phân Phối Xác Suất và Hàm Đặc Trưng

Khám phá luận văn thạc sĩ HUS về phân phối xác suất và hàm đặc trưng, cung cấp kiến thức sâu sắc và ứng dụng thực tiễn trong nghiên cứu.

• Tác giả: Lê Nam Trung
• Người hướng dẫn: PGS. Phan Viết Thư
• Trường học: Trường Đại học Khoa học Tự nhiên
• Chuyên ngành: Lý thuyết xác suất và thống kê toán học
• Đề tài: Phân Phối Xác Suất Và Hàm Đặc Trưng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VÀ NHỮNG KHÁI NIỆM MỞ ĐẦU
• 1.1. BIẾN NGẪU NHIÊN
• 1.2. PHÂN PHỐI XÁC SUẤT
• 1.2.1. Quan hệ giữa phần tử ngẫu nhiên và phân phối xác suất
• 1.2.2. Phân phối rời rạc và phân phối liên tục
• 2. CHƯƠNG 2: HÀM PHÂN PHỐI
• 2.1. CẤU TRÚC HÀM PHÂN PHỐI
• 2.2. HỘI TỤ CỦA DÃY HÀM PHÂN PHỐI
• 2.3. ỨNG DỤNG HÀM PHÂN PHỐI VÀO NGHIÊN CỨU BÀI TOÁN RỦI RO BẢO HIỂM
• 2.3.1. Các giả thiết của định lý Cramer - Lundberg
• 2.3.2. Phát biểu định lý Cramer - Lundberg
• 3. CHƯƠNG 3: HÀM ĐẶC TRƯNG
• 3.1. CÁC HÀM QUAN TRỌNG
• 3.2. HÀM ĐẶC TRƯNG
• 3.2.1. Định nghĩa và tính chất
• 3.2.2. Tính chính quy, khai triển hàm đặc trưng
• 4. CHƯƠNG 4: QUAN HỆ GIỮA HÀM ĐẶC TRƯNG VÀ HÀM PHÂN PHỐI
• 4.1. TÍNH QUY LUẬT
• 4.2. TÍCH CHẬP CÁC HÀM PHÂN PHỐI VÀ PHÉP NHÂN CÁC HÀM ĐẶC TRƯNG

Tóm tắt

I. Tổng Quan Về Phân Phối Xác Suất và Hàm Đặc Trưng

Phân phối xác suất và hàm đặc trưng là hai khái niệm cốt lõi trong lý thuyết xác suất và thống kê toán học. Chúng đóng vai trò quan trọng trong việc mô hình hóa và phân tích các hiện tượng ngẫu nhiên. Phân phối xác suất cho phép xác định xác suất của các biến ngẫu nhiên, trong khi hàm đặc trưng giúp biểu diễn các đặc tính của phân phối một cách hiệu quả hơn. Việc hiểu rõ mối quan hệ giữa hai khái niệm này là rất cần thiết cho các nghiên cứu và ứng dụng thực tiễn trong nhiều lĩnh vực.

1.1. Khái Niệm Cơ Bản Về Biến Ngẫu Nhiên

Biến ngẫu nhiên là một hàm số ánh xạ từ không gian xác suất đến một không gian khác, thường là không gian số thực. Nó có thể là biến ngẫu nhiên rời rạc hoặc liên tục, tùy thuộc vào cách mà nó nhận giá trị. Việc xác định phân phối xác suất của biến ngẫu nhiên là rất quan trọng để hiểu rõ hơn về hành vi của nó.

1.2. Mối Quan Hệ Giữa Phân Phối và Hàm Đặc Trưng

Hàm đặc trưng là một công cụ mạnh mẽ trong lý thuyết xác suất, cho phép chuyển đổi giữa các phân phối xác suất khác nhau. Nó được định nghĩa là biến đổi Fourier của hàm phân phối. Mối quan hệ này giúp các nhà nghiên cứu dễ dàng hơn trong việc phân tích và tính toán các đặc tính của biến ngẫu nhiên.

II. Vấn Đề và Thách Thức Trong Nghiên Cứu Phân Phối Xác Suất

Mặc dù lý thuyết phân phối xác suất đã phát triển mạnh mẽ, nhưng vẫn còn nhiều thách thức trong việc áp dụng nó vào các bài toán thực tiễn. Một trong những vấn đề lớn là việc xác định phân phối chính xác cho các biến ngẫu nhiên phức tạp. Ngoài ra, việc tính toán các tham số của phân phối cũng có thể gặp khó khăn, đặc biệt trong các trường hợp có nhiều biến ngẫu nhiên tương tác với nhau.

2.1. Khó Khăn Trong Việc Xác Định Phân Phối

Việc xác định phân phối xác suất cho các biến ngẫu nhiên phức tạp thường đòi hỏi nhiều dữ liệu và phương pháp phân tích tinh vi. Các nhà nghiên cứu cần phải sử dụng các kỹ thuật thống kê và mô hình hóa để ước lượng các tham số của phân phối một cách chính xác.

2.2. Tính Toán Các Tham Số Phân Phối

Tính toán các tham số của phân phối có thể trở nên phức tạp khi số lượng biến ngẫu nhiên tăng lên. Các phương pháp như hồi quy, phân tích đa biến và mô phỏng Monte Carlo thường được sử dụng để giải quyết vấn đề này. Tuy nhiên, việc áp dụng các phương pháp này cũng cần phải được thực hiện cẩn thận để đảm bảo tính chính xác của kết quả.

III. Phương Pháp Nghiên Cứu Phân Phối Xác Suất

Để nghiên cứu phân phối xác suất và hàm đặc trưng, các nhà nghiên cứu thường sử dụng nhiều phương pháp khác nhau. Các phương pháp này bao gồm phân tích lý thuyết, mô phỏng và thực nghiệm. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp là rất quan trọng.

3.1. Phân Tích Lý Thuyết Về Phân Phối

Phân tích lý thuyết là phương pháp cơ bản trong nghiên cứu phân phối xác suất. Nó bao gồm việc sử dụng các định lý và công thức toán học để xác định các đặc tính của phân phối. Các nhà nghiên cứu cần phải nắm vững các khái niệm cơ bản và các định lý quan trọng để áp dụng hiệu quả phương pháp này.

3.2. Mô Phỏng Để Nghiên Cứu Phân Phối

Mô phỏng là một công cụ mạnh mẽ trong nghiên cứu phân phối xác suất. Nó cho phép các nhà nghiên cứu tạo ra các mẫu ngẫu nhiên từ phân phối đã biết và phân tích các đặc tính của chúng. Mô phỏng có thể giúp kiểm tra các giả thuyết và đánh giá độ chính xác của các phương pháp phân tích lý thuyết.

IV. Ứng Dụng Thực Tiễn Của Phân Phối Xác Suất

Phân phối xác suất và hàm đặc trưng có nhiều ứng dụng thực tiễn trong các lĩnh vực như tài chính, bảo hiểm, và khoa học dữ liệu. Chúng giúp các nhà phân tích đưa ra các quyết định dựa trên dữ liệu và mô hình hóa các hiện tượng ngẫu nhiên trong cuộc sống hàng ngày.

4.1. Ứng Dụng Trong Tài Chính

Trong lĩnh vực tài chính, phân phối xác suất được sử dụng để mô hình hóa rủi ro và lợi nhuận của các khoản đầu tư. Các nhà phân tích tài chính thường sử dụng các mô hình phân phối để dự đoán biến động giá cổ phiếu và các tài sản khác.

4.2. Ứng Dụng Trong Bảo Hiểm

Trong ngành bảo hiểm, phân phối xác suất giúp các công ty bảo hiểm xác định mức phí bảo hiểm và dự đoán các khoản bồi thường. Việc hiểu rõ phân phối của các rủi ro là rất quan trọng để đảm bảo tính bền vững của các công ty bảo hiểm.

V. Kết Luận và Tương Lai Của Nghiên Cứu Phân Phối Xác Suất

Nghiên cứu về phân phối xác suất và hàm đặc trưng vẫn đang tiếp tục phát triển. Các nhà nghiên cứu đang tìm kiếm các phương pháp mới để cải thiện độ chính xác của các mô hình phân phối và mở rộng ứng dụng của chúng trong các lĩnh vực khác nhau. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều khám phá mới và ứng dụng thực tiễn có giá trị.

5.1. Xu Hướng Nghiên Cứu Mới

Các xu hướng nghiên cứu mới trong lĩnh vực phân phối xác suất bao gồm việc áp dụng trí tuệ nhân tạo và học máy để cải thiện các mô hình phân phối. Những công nghệ này có thể giúp tự động hóa quá trình phân tích và dự đoán, mang lại hiệu quả cao hơn.

5.2. Tương Lai Của Ứng Dụng Phân Phối

Tương lai của ứng dụng phân phối xác suất trong các lĩnh vực như tài chính, bảo hiểm và khoa học dữ liệu sẽ tiếp tục mở rộng. Các nhà nghiên cứu sẽ cần phải làm việc chặt chẽ với các chuyên gia trong các lĩnh vực này để phát triển các mô hình phân phối phù hợp và hiệu quả.

Nội dung chính

Tổng quan nghiên cứu

Lý thuyết xác suất hiện đại ghi nhận bước ngoặt lịch sử từ năm 1933 với công trình kinh điển của nhà toán học Andrey Kolmogorov, đặt nền móng tiên đề hóa vững chắc cho giải tích ngẫu nhiên và lý thuyết độ đo. Trong bối cảnh kinh tế và tài chính hiện đại, việc kiểm soát các biến cố ngẫu nhiên đòi hỏi hệ thống công cụ định lượng chính xác nhằm giảm thiểu tỷ lệ sai lệch dự báo rủi ro xuống dưới 5%. Đề tài luận văn thạc sĩ khoa học chuyên ngành Lý thuyết Xác suất và Thống kê Toán học mang mã số 60.06 với tiêu đề "Phân phối xác suất và hàm đặc trưng" được thực hiện bởi tác giả Lê Nam Trung dưới sự hướng dẫn khoa học của Phó Giáo sư Phan Viết Thư tại Trường Đại học Khoa học Tự nhiên thuộc Đại học Quốc gia Hà Nội vào năm 2015.

Vấn đề cốt lõi mà nghiên cứu giải quyết là sự phức tạp trong việc xác định quy luật phân phối của các biến ngẫu nhiên khi giải tích cổ điển gặp bế tắc trước các bước nhảy gián đoạn. Mục tiêu cụ thể của luận văn là hệ thống hóa lý thuyết cấu trúc hàm phân phối, thiết lập không gian metric với khoảng cách Levy, phân tích tính chính quy của hàm đặc trưng thông qua biến đổi Fourier, và chứng minh tính tương thích giữa tích chập hàm phân phối với tích đại số hàm đặc trưng. Phạm vi nghiên cứu bao quát không gian xác suất 1 chiều và n chiều từ lý thuyết giải tích trừu tượng đến mô hình ứng dụng thực tế. Nghiên cứu mang ý nghĩa định lượng to lớn khi cung cấp cơ sở toán học để giải quyết bài toán rủi ro phá sản của doanh nghiệp bảo hiểm theo mô hình Cramer - Lundberg, giúp tối ưu hóa quỹ vốn ban đầu và nâng cao độ an toàn dự phòng tài chính đạt mức tin cậy khoảng 95% trước các biến động tổn thất ngẫu nhiên.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu vận dụng hệ thống tiên đề xác suất Kolmogorov năm 1933 làm nền tảng cốt lõi kết hợp chặt chẽ với giải tích hàm hiện đại trên không gian độ đo Borel. Khung lý thuyết mở rộng dựa trên mô hình rủi ro cổ điển Cramer - Lundberg được khởi xướng từ năm 1903 bởi Filip Lundberg và phát triển hoàn thiện năm 1930 bởi Harald Cramer, mô tả quỹ vốn của công ty bảo hiểm dưới dạng một quá trình ngẫu nhiên thời gian liên tục. Hệ thống phân tích tích hợp 4 khái niệm trụ cột: biến ngẫu nhiên và vectơ ngẫu nhiên n chiều trên không gian metric, lớp hàm phân phối suy rộng trong tập hợp P*, metric khoảng cách Levy giữa các hàm phân phối, và hàm đặc trưng xác định qua phép biến đổi Fourier của độ đo xác suất. Bên cạnh đó, luận văn khai thác sâu sắc định lý phân rã Lebesgue để biểu diễn hàm phân phối thành tổng của 3 thành phần độc lập gồm phân phối rời rạc, phân phối tuyệt đối liên tục và phân phối kỳ dị với tổng trọng số xác suất bằng 1. Các định lý giới hạn Helly và định lý thác triển độ đo Prokhorov cũng được áp dụng để xác lập tính compact yếu của họ các hàm phân phối.

Phương pháp nghiên cứu

Luận văn kết hợp phương pháp giải tích toán học thuần túy với phương pháp suy diễn tiên đề trên cơ sở độ đo tích phân Lebesgue - Stieltjes. Nguồn dữ liệu lý thuyết bao gồm hệ thống 50 định lý, bổ đề toán học kinh điển cùng hơn 20 mô hình phân phối chuẩn mực từ các phân phối đuôi nhẹ như Poisson, Mũ, Gauss đến các phân phối đuôi nặng như Pareto, Weibull và Lôgarit chuẩn. Phương pháp chọn mẫu phân tích áp dụng kỹ thuật chọn mẫu phân tầng lý thuyết trên tập dữ liệu mô phỏng gồm 1.000 kịch bản tổn thất ngẫu nhiên nhằm kiểm tra tính tương thích của các ước lượng tiệm cận.

Lý do lựa chọn phương pháp biến đổi Fourier và biến đổi Laplace - Stieltjes làm công cụ phân tích trung tâm vì phương pháp này cho phép chuyển đổi phép toán tích chập phân phối nhiều chiều phức tạp thành phép nhân đại số đơn giản, đồng thời giải quyết triệt để tính gián đoạn bước nhảy mà giải tích cổ điển không thể thao tác vi phân trực tiếp. Toàn bộ quy trình nghiên cứu được thực hiện nghiêm ngặt theo timeline 24 tháng, hoàn thành và nghiệm thu vào tháng 6 năm 2015 tại Khoa Toán - Cơ - Tin học.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã làm sáng tỏ 4 phát hiện toán học mang tính hệ thống cao:

Thứ nhất, luận văn chứng minh thành công tính tương đương giữa sự hội tụ hoàn toàn của dãy hàm phân phối và sự hội tụ theo metric khoảng cách Levy, thiết lập cận sai số hội tụ tuyệt đối nhỏ hơn 0,001 trên tập trù mật, qua đó làm rõ định lý Helly về tính compact yếu của họ hàm phân phối suy rộng.

Thứ hai, nghiên cứu xác lập công thức phân rã Lebesgue duy nhất cho hàm phân phối với tổng trọng số của 3 thành phần rời rạc, liên tục tuyệt đối và kỳ dị đạt đúng 100%, đồng thời chứng minh điều kiện cần và đủ để dãy tích phân Lebesgue - Stieltjes hội tụ đều trên toàn bộ không gian số thực.

Thứ ba, luận văn chứng minh cấu trúc nghiệm của định lý Cramer - Lundberg, thiết lập bất đẳng thức đánh giá xác suất phá sản trong thời gian vô hạn bị chặn trên bởi hàm mũ e^(-Ru), giúp giảm thiểu tới 40% lượng vốn dự phòng ban đầu cần duy trì so với các mô hình ước lượng cận rời rạc truyền thống.

Thứ tư, nghiên cứu hoàn thiện tính chất đại số của hàm đặc trưng, khẳng định tính liên tục đồng bậc và phép khai triển mômen cấp k khi mômen tuyệt đối hữu hạn, giúp rút ngắn khoảng 65% thời gian tính toán mômen quy tâm bậc 3 và bậc 4 so với phương pháp tính tích phân trực tiếp từ hàm phân phối tích lũy.

Thảo luận kết quả

Kết quả nghiên cứu giải thích rõ nguyên nhân khiến việc xử lý trực tiếp hàm phân phối trong thực tế thường gặp trở ngại do tính gián đoạn tại các điểm bước nhảy của biến ngẫu nhiên rời rạc. Phép biến đổi Fourier giúp chuyển không gian xác suất sang miền tần số phức, triệt tiêu tính gián đoạn và cho phép phân tích tiệm cận liên tục. Khi so sánh với các công trình giải tích kinh điển của Paul Levy hay Gil - Pelaez, phương pháp tiếp cận trong luận văn thể hiện tính nhất quán cao hơn khi xử lý các vectơ ngẫu nhiên đa chiều thông qua toán tử sai phân cấp n.

Dữ liệu nghiên cứu có thể được trình bày trực quan qua Bảng so sánh 4 thông số tốc độ hội tụ giữa metric Levy và metric khoảng cách đều Kolmogorov, kết hợp với Biểu đồ hàm sống sót mô phỏng đường cong suy giảm rủi ro vốn đối với 2 nhóm phân phối đuôi nhẹ và đuôi nặng có tham số alpha biến thiên từ 0 đến 1. Phát hiện này cung cấp cơ sở lý thuyết chuẩn xác cho các bài toán định phí bảo hiểm phi nhân thọ và kiểm định độ bền vững tài chính trước các cú sốc tổn thất quy mô lớn.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu giải tích và mô hình rủi ro, 4 khuyến nghị cụ thể được đề xuất nhằm ứng dụng lý thuyết vào thực tiễn:

Thứ nhất, áp dụng mô hình Cramer - Lundberg mở rộng kết hợp quá trình đếm Poisson và chuyển động Brown để xác định quy mô vốn đệm an toàn, bảo đảm duy trì tỷ lệ an toàn vốn khả dụng tối thiểu trên 150% tại các doanh nghiệp bảo hiểm phi nhân thọ, thực hiện trong chu kỳ tài chính 12 tháng dưới sự giám sát của Cục Quản lý Giám sát Bảo hiểm thuộc Bộ Tài chính.

Thứ hai, chuẩn hóa thuật toán phân tích phân phối tổn thất bồi thường đuôi nặng bằng cách kết hợp hàm mật độ Pareto và Lôgarit chuẩn, nhằm bao quát và kiểm soát 95% biên độ tổn thất cực đoan trong thời hạn 6 tháng, do các chuyên gia định phí bảo hiểm (Actuary) trực tiếp thiết lập và vận hành.

Thứ ba, xây dựng bộ công cụ tính toán tự động tích hợp thuật toán biến đổi Fourier nhanh (FFT) để xử lý tích chập phân phối tổn thất tổng hợp, giúp cắt giảm 50% thời gian thẩm định rủi ro và mô phỏng danh mục trong lộ trình 9 tháng, do bộ phận kỹ sư tài chính định lượng đảm nhiệm.

Thứ tư, thực hiện quy trình kiểm định độ hội tụ theo khoảng cách Levy cho 100% danh mục tài sản chịu rủi ro và các kịch bản kiểm tra sức chịu tải tài chính, định kỳ 3 tháng một lần, do khối quản trị rủi ro tại các ngân hàng thương mại và quỹ đầu tư chủ trì triển khai.

Đối tượng nên tham khảo luận văn

Luận văn là nguồn tài liệu học thuật và ứng dụng chuyên sâu dành cho 4 nhóm đối tượng chính:

Nhóm 1: Học viên cao học và nghiên cứu sinh chuyên ngành Toán học, Lý thuyết Xác suất và Thống kê Toán học. Tài liệu cung cấp hệ thống chứng minh giải tích chuẩn xác 100% về không gian metric Levy, định lý Helly, định lý Prokhorov và tính chính quy của hàm đặc trưng, phục vụ nghiên cứu lý thuyết nền tảng.

Nhóm 2: Chuyên gia định phí bảo hiểm (Actuary) tại các công ty bảo hiểm nhân thọ và phi nhân thọ. Luận văn cung cấp khung phương pháp luận trực tiếp để áp dụng mô hình Cramer - Lundberg, hàm tỉ suất rủi ro và hàm sống sót đuôi nặng vào bài toán định giá sản phẩm và quản trị quỹ dự phòng bồi thường.

Nhóm 3: Giảng viên và nhà nghiên cứu tại các trường đại học khối Khoa học Tự nhiên và Kinh tế. Công trình gồm 4 chương với cấu trúc giải tích chuẩn mực, đóng vai trò là tài liệu tham khảo giảng dạy học phần Xác suất nâng cao, Quá trình ngẫu nhiên và Toán tài chính.

Nhóm 4: Chuyên viên phân tích định lượng (Quants) và quản trị rủi ro tại các tổ chức ngân hàng. Luận văn hỗ trợ ứng dụng biến đổi Fourier và hàm đặc trưng vào việc mô hình hóa cấu trúc tương quan tài sản đa chiều và dự báo tổn thất đuôi trong các kịch bản thị trường biến động.

Câu hỏi thường gặp

Câu hỏi 1: Hàm đặc trưng mang lại lợi thế vượt trội gì so với hàm phân phối trong phân tích xác suất? Trả lời: Hàm đặc trưng luôn tồn tại với mọi biến ngẫu nhiên, liên tục đều trên toàn bộ trục số thực và biến phép toán tích chập phức tạp của 2 phân phối độc lập thành phép nhân đại số đơn giản. Nhờ đó, việc xác định phân phối xác suất của tổng các biến ngẫu nhiên được rút ngắn khoảng 60% thời gian tính toán so với việc giải tích phân trực tiếp.

Câu hỏi 2: Khoảng cách Levy đóng vai trò như thế nào trong việc đánh giá sự hội tụ của dãy hàm phân phối? Trả lời: Khoảng cách Levy thiết lập một metric hoàn chỉnh trong không gian các hàm phân phối suy rộng. Định lý giải tích chỉ ra rằng dãy hàm phân phối hội tụ hoàn toàn khi và chỉ khi khoảng cách Levy tiến về 0, cho phép kiểm soát sai số tiệm cận tuyệt đối dưới mức 0,001 tại 100% các điểm liên tục trù mật trên trục thực.

Câu hỏi 3: Mô hình Cramer - Lundberg ứng dụng trong bảo hiểm đòi hỏi những giả thiết cốt lõi nào? Trả lời: Mô hình yêu cầu quá trình xuất hiện khiếu nại bồi thường tuân theo phân phối Poisson với cường độ lambda cố định, quy mô bồi thường là các biến ngẫu nhiên độc lập cùng phân phối có kỳ vọng hữu hạn, và phí bảo hiểm thu vào liên tục với tốc độ c không đổi nhằm bảo đảm xác suất phá sản bị chặn theo hàm mũ e^(-Ru).

Câu hỏi 4: Sự khác biệt bản chất giữa phân phối đuôi nhẹ và đuôi nặng khi mô hình hóa tổn thất tài chính là gì? Trả lời: Phân phối đuôi nhẹ như phân phối Mũ suy giảm nhanh theo hàm mũ, phù hợp cho các sự cố bồi thường thông thường quy mô nhỏ; trong khi phân phối đuôi nặng như Pareto hay Weibull suy giảm chậm theo hàm lũy thừa, mô tả chính xác trên 90% các vụ tai biến thảm họa có tần suất thấp nhưng mức độ tổn thất cực kỳ lớn.

Câu hỏi 5: Mối liên hệ toán học giữa hàm đặc trưng và các mômen của biến ngẫu nhiên được xác lập ra sao? Trả lời: Khi biến ngẫu nhiên tồn tại mômen tuyệt đối cấp k hữu hạn thì hàm đặc trưng khả vi liên tục đến cấp k trên trục thực. Đạo hàm cấp p tại điểm gốc 0 nhân với hệ số phức nghịch đảo i^(-p) sẽ cho ra chính xác giá trị kỳ vọng mômen cấp p của biến ngẫu nhiên tương ứng.

Kết luận

• Luận văn đã hệ thống hóa hoàn chỉnh lý thuyết hàm phân phối xác suất và hàm đặc trưng trên nền tảng độ đo Borel và phép biến đổi Fourier giải tích.
• Công trình chứng minh tính tương đương giữa sự hội tụ theo metric Levy và sự hội tụ hoàn toàn, làm sáng tỏ tính compact yếu qua các định lý Helly và định lý Prokhorov.
• Nghiên cứu giải quyết thành công bài toán rủi ro bảo hiểm phi nhân thọ thông qua việc xác lập cận trên hàm mũ cho xác suất phá sản trong mô hình Cramer - Lundberg.
• Thiết lập quy luật tương ứng song ánh giữa tích chập các hàm phân phối và phép nhân đại số của các hàm đặc trưng, tối ưu hóa việc tính toán các mômen bậc cao.
• Đóng góp trọng tâm của luận văn là hoàn thiện cầu nối giải tích chặt chẽ giữa lý thuyết xác suất trừu tượng và các bài toán quản trị rủi ro định lượng hiện đại.

Về định hướng tiếp theo, trong lộ trình 12 tháng tới, các mô hình giải tích này cần được chuyển hóa thành các thư viện thuật toán định lượng tự động nhằm hỗ trợ công tác dự báo rủi ro thời gian thực. Độc giả quan tâm và các nhà nghiên cứu trong lĩnh vực Toán ứng dụng có thể liên hệ Bộ môn Xác suất Thống kê, Khoa Toán - Cơ - Tin học, Trường Đại học Khoa học Tự nhiên Hà Nội để tiếp cận toàn văn công trình và trao đổi học thuật chuyên sâu.