library(plm)

## Warning: package 'plm' was built under R version 4.2.3

library(xlsx)

## Warning: package 'xlsx' was built under R version 4.2.3

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.2.3

library(dplyr)

## Warning: package 'dplyr' was built under R version 4.2.3

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:plm':
## 
##     between, lag, lead

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

setwd("C:/Users/HP/Documents/MPNN/")
data <- read.xlsx("dulieu.xlsx",2)
date = data$Date
exr = data$EXR
vni = data$VNI
dj = data$DJ
hnx = data$HNX
wti = data$WTI
xau = data$XAU
eur = data$EUR
data

1 Bài về nhà tuần 6 (câu 5)

Câu 5: Chạy mô hình với các phân phối khác nhau của các biến đầu vào.

Dựa vào kết quả mô nghiên cứu thì ta thấy 5 biến đầu vào ảnh hưởng đến tỷ giá hối đoái. Nhưng các yếu tố này đều không xác định được phân phối nên tác giả sẽ mô phỏng theo chuyển động Brown theo công thức sau:

\[S_t=S_0exp((\mu - \frac{\sigma^2}{2})t+ \sigma W_t\]

Trong đó:

\(S_0\): Giá ban đầu
\(R_i\) là tỷ giá sinh lời từ thời điểm i-1 đến thời điểm i

\[R_i=\frac{P_{i}-P_{i-1}}{P_{i-1}}\]

\(\mu\): Giá trị trung bình của tỷ giá sinh lời kỳ vọng

\[\hat{\mu} = \bar{R}= \frac{1}{N\delta t}\sum\limits_{i=1}^{N}R_i\]

\(\sigma\): Độ biến động của tỷ giá sinh lời kỳ vọng

\[\hat{\sigma} = \sqrt{\frac{1}{(N-1)\delta t}\sum\limits_{i=1}^{N}(R_i-\bar{R})^2}\]

với \(\delta t=1/N\) là thời gian mô phỏng trong 1 ngày; \(N\) là thời gian mô phỏng.

Quá trình Wiener một chiều theo phân phối chuẩn với \(W_t=W_t-W_0\) ~ \(N(0,t)\).

# Tính tỷ suất sinh lời của giá
data <- data %>% 
  mutate(r_vni = (vni - lag(vni))/lag(vni)) %>% 
  mutate(r_dj = (dj - lag(dj))/lag(dj)) %>%
  mutate(r_hnx = (hnx - lag(hnx))/lag(hnx)) %>%
  mutate(r_xau = (xau - lag(xau))/lag(xau)) %>%
  mutate(r_eur = (eur - lag(eur))/lag(eur)) 

#Loại bỏ hàng có NA
data <- na.omit(data)
data

1.1 Mô phỏng biến VNI

- Thông qua các kiểm định Shapiro-Wilk Test và Kolmogorov - Smirnov, biến VNI vẫn chưa xác định được phân phối cụ thể nên tác giả mô phỏng biến VNI theo chuyển động Brown:

set.seed(121)

gbm.f = function(n,S0,mu,sigma){
  t = 1
  t.s = seq(0,t,length = n)
  dt = t/n
  Bt = sqrt(t)*cumsum(rnorm((n),0,1))
  St = S0*exp((mu-sigma^2/2)*t.s + sigma*Bt)
  St # Kết quả của GBM
}
n <- 10000
S0 <- data$VNI[1]
mu <- (1/(n*(1/n)))*sum(data$r_vni) #tính lợi nhuận kỳ vọng giá
sigma <- sqrt((sum((data$r_vni-mu)^2))*(1/(n-1)*(1/n))) #tính độ biến động giá
VNI <- gbm.f(n,S0,mu,sigma)
plot(VNI, type = 'l', col = 'blue', main = "Chỉ số VN-Index", ylab = "VNI", xlab = "Ngày")

1.2 Mô phỏng biến DJ

- Thông qua các kiểm định Shapiro-Wilk Test và Kolmogorov - Smirnov, biến DJ vẫn chưa xác định được phân phối cụ thể nên tác giả mô phỏng biến DJ theo chuyển động Brown:

set.seed(121)

gbm.f = function(n,S0,mu,sigma){
  t = 1
  t.s = seq(0,t,length = n)
  dt = t/n
  Bt = sqrt(t)*cumsum(rnorm((n),0,1))
  St = S0*exp((mu-sigma^2/2)*t.s + sigma*Bt)
  St # Kết quả của GBM
}
n <- 10000
S0 <- data$DJ[1]
mu <- (1/(n*(1/n)))*sum(data$r_dj) #tính lợi nhuận kỳ vọng giá
sigma <- sqrt((sum((data$r_dj-mu)^2))*(1/(n-1)*(1/n))) #tính độ biến động giá
DJ <- gbm.f(n,S0,mu,sigma)
plot(DJ, type = 'l', col = 'blue', main = "Chỉ số DOWJONES", ylab = "DJ", xlab = "Ngày")

1.3 Mô phỏng biến HNX

- Thông qua các kiểm định Shapiro-Wilk Test và Kolmogorov - Smirnov, biến HNX vẫn chưa xác định được phân phối cụ thể nên tác giả mô phỏng biến HNX theo chuyển động Brown:

set.seed(121)

gbm.f = function(n,S0,mu,sigma){
  t = 1
  t.s = seq(0,t,length = n)
  dt = t/n
  Bt = sqrt(t)*cumsum(rnorm((n),0,1))
  St = S0*exp((mu-sigma^2/2)*t.s + sigma*Bt)
  St # Kết quả của GBM
}
n <- 10000
S0 <- data$HNX[1]
mu <- (1/(n*(1/n)))*sum(data$r_hnx) #tính lợi nhuận kỳ vọng giá
sigma <- sqrt((sum((data$r_hnx-mu)^2))*(1/(n-1)*(1/n))) #tính độ biến động giá
HNX <- gbm.f(n,S0,mu,sigma)
plot(HNX, type = 'l', col = 'blue', main = "Chỉ số HNX-Index", ylab = "HNX", xlab = "Ngày")

1.4 Mô phỏng biến XAU

- Thông qua các kiểm định Shapiro-Wilk Test và Kolmogorov - Smirnov, biến XAU vẫn chưa xác định được phân phối cụ thể nên tác giả mô phỏng biến XAU theo chuyển động Brown:

set.seed(121)

gbm.f = function(n,S0,mu,sigma){
  t = 1
  t.s = seq(0,t,length = n)
  dt = t/n
  Bt = sqrt(t)*cumsum(rnorm((n),0,1))
  St = S0*exp((mu-sigma^2/2)*t.s + sigma*Bt)
  St # Kết quả của GBM
}
n <- 10000
S0 <- data$XAU[1]
mu <- (1/(n*(1/n)))*sum(data$r_xau) #tính lợi nhuận kỳ vọng giá
sigma <- sqrt((sum((data$r_xau-mu)^2))*(1/(n-1)*(1/n))) #tính độ biến động giá
XAU <- gbm.f(n,S0,mu,sigma)
plot(XAU, type = 'l', col = 'blue', main = "Tỷ giá vàng", ylab = "XAU", xlab = "Ngày")

1.5 Mô phỏng biến EUR

set.seed(121)

gbm.f = function(n,S0,mu,sigma){
  t = 1
  t.s = seq(0,t,length = n)
  dt = t/n
  Bt = sqrt(t)*cumsum(rnorm((n),0,1))
  St = S0*exp((mu-sigma^2/2)*t.s + sigma*Bt)
  St # Kết quả của GBM
}
n <- 10000
S0 <- data$EUR[1]
mu <- (1/(n*(1/n)))*sum(data$r_eur) #tính lợi nhuận kỳ vọng giá
sigma <- sqrt((sum((data$r_eur-mu)^2))*(1/(n-1)*(1/n))) #tính độ biến động giá
EUR <- gbm.f(n,S0,mu,sigma)
plot(EUR, type = 'l', col = 'blue', main = "Tỷ giá EUR/VND", ylab = "EUR", xlab = "Ngày")

1.6 Mô phỏng mô hình tỷ giá hối đoái

EXR = 3.064e+04 - 1.976e+00*VNI + 4.292e-02*DJ - 9.206e-01*HNX - 1.130e+00*XAU - 1.559e-01*EUR
plot(EXR, type = 'l', col = 'blue', main = "Tỷ giá hối đoái", ylab = "EXR", xlab = "Ngày")

- Kiểm định độ chính xác của mô hình dự báo

library(MLmetrics)

## Warning: package 'MLmetrics' was built under R version 4.2.3

## 
## Attaching package: 'MLmetrics'

## The following object is masked from 'package:base':
## 
##     Recall

MAPE(exr,EXR)

## Warning in y_true - y_pred: longer object length is not a multiple of shorter
## object length

## [1] 0.01906484

Kết quả giá trị MAPE là 1,91% cho thấy mô hình mô phỏng giá cổ phiếu Ngân hàng BIDV có khả năng dự báo có độ chính xác cao.

2 Bài về nhà tuần 7 (câu 6)

Câu 6: Phân tích mô hình bằng các phương pháp thống kê

plot(EXR, type = 'l', col = 'blue', main = "Tỷ giá hối đoái", ylab = "EXR", xlab = "Ngày")

summary(EXR)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   22913   23115   23249   23304   23538   23714

Sau khi mô phỏng các yếu tố có ảnh hưởng đến tỷ giá hối đoái trong vòng 10000 ngày tới, ta thấy tỷ giá hối đoái có giá trị trung bình là 23.304 VND/USD và có giá trị trung vị là 23.249 VND/USD. Trong 10000 ngày tới, tỷ giá hối đoái đạt giá trị lớn nhất là 23.714 VND/USD và nhỏ nhất là 22.913 VND/USD. Thông qua biểu đồ, ta thấy sự biến động tỷ giá hối đoái có xu hướng tăng mạnh trong 5000 ngày tới cho thấy tỷ giá hối đoái có thể tăng lên trên 23.700 VND/USD.

# Đặt quy ước nếu tỷ lệ hối đoái có giá thấp hơn 23300VND/USD thì được xem là tỷ giá thấp, tỷ lệ hối đoái có giá cao hơn hoặc bằng 23300VND/USD thì được xem là tỷ giá cao
exrthap <- EXR[EXR < 23300]
exrcao <- EXR[EXR >= 23300]
table(cut(EXR,breaks = c(min(EXR),mean(EXR),max(EXR)),labels = c("thap","cao")))

## 
## thap  cao 
## 5543 4456

# Xác suất để tỷ giá thấp hơn 23300 VND/USD:
length(exrthap)/length(EXR)

## [1] 0.5457

Từ kết quả trên ta có xác suất để tỷ giá hối đoái Việt Nam có giá dưới 23.300 VND/USD là 54,57%, tức là trong 10000 ngày nữa xác suất để giá của tỷ giá hối đoái có giá dưới 23.300 VNĐ/USD là 54,57% cho thấy tỷ giá hối đoái có giá thấp hơn 23.300 là khá cao.

# Xác suất để tỷ giá cao hơn hoặc bằng 23300 VND/USD:
length(exrcao)/length(EXR)

## [1] 0.4543

Từ kết quả trên ta có xác suất để tỷ giá hối đoái Việt Nam có giá từ 23.300 VNĐ/USD trở đi là 45,43%, tức là trong 10000 ngày nữa xác suất để giá của tỷ giá hối đoái có giá từ 23.300 VNĐ/USD trở đi là 45,43% cho thấy tỷ giá hối đoái có giá từ 23.300 VND/USD trở đi là thấp.

2.1 Kết luận

Từ các kết quả trên thông qua việc mô phỏng ngẫu nhiên các yếu tố như chỉ số VN-Index, chỉ số DOWJONES, chỉ số HNX-Index, tỷ giá vàng và tỷ giá EUR/VND có tác động đến tỷ giá hối đoái Việt Nam thì ta thấy trong 10000 ngày nữa xác suất để tỷ giá hối đoái Việt Nam có giá dưới 23.300 VND/USD và xác suất tỷ giá hối đoái trên 23.300 VND/USD là xấp xỉ nhau nhưng khả năng tỷ giá dưới 23.300 cao gấp 1,2 lần. Điều này cho thấy tỷ giá hối đoái trong tương lai sẽ tăng so với giá gốc nhưng có giá thấp 23.300 VND/USD nhiều gây bất lợi cho nhà xuất khẩu. Vì vậy, dự báo được tỷ giá hối đoái có thể giúp các nhà hoạch định và ngân hàng trung ương đưa ra chính sách tỷ giá hối đoái phù hợp với nền kinh tế Việt Nam.

3 Bài về nhà tuần 5 (câu 4)

Câu 4: Xây dựng mô hình cho đối tượng cần mô phỏng và giải thích mô hình.

3.1 Dữ liệu nghiên cứu

Dữ liệu tỷ giá hối hối đoái, chỉ số VNI-Index, HNX-Index, Dowjones, tỷ giá vàng, giá dầu, tỷ giá EUR/VND tại Việt Nam từ trang web:https://vn.investing.com/ trong giai đoạn 2021 – 2022 với 498 quan sát được sử dụng để phục vụ cho nghiên cứu.

3.2 Mô hình nghiên cứu

Việc mô phỏng tỷ giá hối đoái là hết sức cần thiết. Quá trình mô phỏng này sẽ giúp nhà hoạch định chính sách và ngân hàng trung ương có những nhận định, quyết định đúng đắn hơn và đưa ra mục tiêu và lựa chọn chính sách tỷ giá hối đoái phù hợp với nền kinh tế Việt Nam. Mục tiêu của nghiên cứu này là xác định, kiểm tra và đánh giá các yếu tố ảnh hưởng đến tỷ giá hối đoái Việt Nam. Từ đó, xác định mức độ tác động của các yếu tố đến tỷ giá hối đoái. Để mô phỏng tỷ giá hối đoái Việt Nam trong thời gian tới, mô hình được xây dựng như sau:

\[EXR = \beta_0+\beta_1VNI+\beta_2DJ+\beta_2HNX+\beta_4WTI+\beta_5XAU+\beta_6EUR\] Trong đó:

EXR: Tỷ giá hối đoái (VND/USD)

VNI: Chỉ số VN-Index được niêm yết trên Sở Giao dịch Chứng khoán Hồ Chí Minh tại thị trường chứng khoán Việt Nam (điểm)

DJ: Chỉ số DOWNJONES trên thị trường chứng khoán Mỹ (điểm)

HNX: Chỉ số HNX-Index được niêm yết Sở Giao dịch Chứng khoán Hà Nội tại thị trường chứng khoán Việt Nam (điểm)

XAU: Tỷ giá vàng (USD/ounce)

WTI: Giá dầu giao ngay tại Mỹ (USD)

EUR: Tỷ giá giữa đồng euro và Việt Nam đồng (VND/EUR)

3.3 Kết quả mô hình hồi quy nghiên cứu

mh1 <- lm(exr ~ vni + dj + hnx + wti + xau + eur)
summary(mh1)

## 
## Call:
## lm(formula = exr ~ vni + dj + hnx + wti + xau + eur)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -435.2 -145.0  -46.6  109.8  699.3 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  3.130e+04  6.686e+02  46.804  < 2e-16 ***
## vni         -1.964e+00  2.615e-01  -7.510 2.81e-13 ***
## dj           4.381e-02  8.732e-03   5.018 7.33e-07 ***
## hnx         -1.029e+00  4.837e-01  -2.127   0.0339 *  
## wti         -1.706e+00  1.462e+00  -1.167   0.2437    
## xau         -1.136e+00  1.592e-01  -7.139 3.41e-12 ***
## eur         -1.757e-01  1.871e-02  -9.392  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 214.5 on 491 degrees of freedom
## Multiple R-squared:  0.834,  Adjusted R-squared:  0.832 
## F-statistic: 411.1 on 6 and 491 DF,  p-value: < 2.2e-16

Kết quả mô hình cho thấy biến WTI không có ý nghĩa thống kê, nghĩa là giá dầu không có ảnh hưởng đáng kể đến tỷ giá hối đoái Việt Nam nên tác giả bỏ biến WTI và chạy lại các biến VNI, DJ, HNX, XAU và EUR với biến phụ thuộc EXR.

mh2 <- lm(exr ~ vni + dj + hnx + xau + eur)
summary(mh2)

## 
## Call:
## lm(formula = exr ~ vni + dj + hnx + xau + eur)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -434.83 -145.65  -53.45  115.22  699.92 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  3.064e+04  3.697e+02  82.883  < 2e-16 ***
## vni         -1.976e+00  2.613e-01  -7.562 1.96e-13 ***
## dj           4.292e-02  8.701e-03   4.932 1.11e-06 ***
## hnx         -9.206e-01  4.749e-01  -1.938   0.0532 .  
## xau         -1.130e+00  1.591e-01  -7.101 4.35e-12 ***
## eur         -1.559e-01  7.927e-03 -19.670  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 214.6 on 492 degrees of freedom
## Multiple R-squared:  0.8335, Adjusted R-squared:  0.8318 
## F-statistic: 492.7 on 5 and 492 DF,  p-value: < 2.2e-16

Từ kết quả mô hình thể hiện các yếu tố có tác động đến tỷ giá hối đoái Việt Nam được xây dựng như sau:

\[EXR = 3.064e^{+04} - 1.976e^{+00}VNI + 4.292e^{-02}DJ - 9.206e^{-01}HNX - 1.130e^{+00}XAU\\ - 1.559e^{-01}EUR\]

Giá trị R-squared của mô hình là 0,8318 tức biến độc lập trong mô hình giải thích được 83,18% sự biến thiên của biến phụ thuộc.

Thông qua kết quả hồi quy cho thấy có 4 biến có ý nghĩa thống kê với mức ý nghĩa 5% là biến VNI, DJ, XAU và EUR có tác động đến tỷ giá hối đoái Việt Nam. Và có 1 biến có ý nghĩa thống kê với mức ý nghĩa 10% là biến HNX.

Chỉ số VN-Index có mối tương quan âm với tỷ giá hối đoái Việt Nam cho thấy khi chỉ số VN-Index tăng 1 điểm thì tỷ giá hối đoái giảm xuống \(1.976e^{+00}\) đơn vị trong điều kiện các yếu tố khác không đổi.
Chỉ số DOWNJONES có mối tương quan dương với tỷ giá hối đoái Việt Nam cho thấy khi chỉ số DJ tăng 1 điểm thì tỷ giá hối đoái tăng lên \(4.292e^{-02}\) đơn vị trong điều kiện các yếu tố khác không đổi.
Chỉ số HNX-Index có mối tương quan âm với tỷ giá hối đoái cho thấy khi chỉ số HNX-Index tăng 1 điểm thì tỷ giá hối đoái giảm xuống \(9.206e^{-01}\) đơn vị trong điều kiện các yếu tố khác không đổi.
Tỷ giá vàng có mối tương quan âm với tỷ giá hối đoái Việt Nam cho thấy khi giá vàng tăng 1 USD/ounce thì tỷ giá hối đoái giảm xuống \(1.130e^{+00}\) đơn vị trong điều kiện các yếu tố khác không đổi.
Tỷ giá EUR/VND có mối tương quan âm với tỷ giá hối đoái Việt Nam cho thấy khi tỷ giá EUR/VND tăng 1 VND/EUR thì tỷ giá hối đoái giảm xuống \(1.559e^{-01}\) đơn vị trong điều kiện các yếu tố khác không đổi.

4 Bài về nhà tuần 4 (câu 3)

Câu 3: Xác định phân phối cho các biến (ngẫu nhiên) đầu vào, giải thích.

4.1 Biến EXR

4.1.1 Thống kê mô tả EXR

summary(exr)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   22625   22836   23032   23175   23335   24871

sd(exr)

## [1] 523.3548

Biến tỷ giá hối đoái có giá trị trung bình là 23.175 VND/USD và giá trị trung vị là 23.032 VND/USD, với độ lệch chuẩn là 523,3548 trong giai đoạn 2021 – 2020. Biến EXR đạt giá trị lớn nhất là 24.871 VND/USD và nhỏ nhất là 22.625 VND/USD.

4.2 Biến VNI

4.2.1 Thống kê mô tả VNI

summary(vni)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   911.9  1182.3  1279.7  1282.9  1395.5  1528.6

sd(vni)

## [1] 151.6091

Biến chỉ số VNI-INDEX có giá trị trung bình là 1282,9 điểm và giá trị trung vị là 1279,7 điểm với độ lệch chuẩn là 151,6091 trong giai đoạn 2021 – 2022. Biến VNI đạt giá trị lớn nhất là 1528,6 điểm và nhỏ nhất là 911,9 điểm.

4.2.2 Kiểm định phân phối biến VNI

- Đồ thị Histogram

hist(vni)

- Đồ thị QQ-plot

qqnorm(vni)
qqline(vni)

Thông qua biểu đồ histogram và QQ-plot cho ta thấy những giá trị quan sát đa phần không nằm trên đường thẳng kì vọng của phân phối chuẩn do đó biến VNI không tuân theo phân phối chuẩn.

- Kiểm định phân phối VNI thông qua kiểm định Shapiro-Wilk Test

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến VNI tuân theo phân phối chuẩn

\(H_1\): Biến VNI không tuân theo phân phối chuẩn

shapiro.test(vni)

## 
##  Shapiro-Wilk normality test
## 
## data:  vni
## W = 0.96351, p-value = 8.816e-10

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến VNI không tuân theo phân phối chuẩn.

- Kiểm định phân phối VNI thông qua kiểm định Kolmogorov - Smirnov

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến VNI tuân theo phân phối mũ

\(H_1\): Biến VNI không theo phân phối mũ

ks.test(vni, y = 'pexp')

## Warning in ks.test.default(vni, y = "pexp"): ties should not be present for the
## Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  vni
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến VNI không tuân theo phân phối mũ.

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến VNI tuân theo phân phối đều

\(H_1\): Biến VNI không theo phân phối đều

ks.test(vni, y = 'punif')

## Warning in ks.test.default(vni, y = "punif"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  vni
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến VNI không tuân theo phân phối đều.

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến VNI tuân theo phân phối loga chuẩn

\(H_1\): Biến VNI không theo phân phối loga chuẩn

ks.test(vni, y = 'plnorm')

## Warning in ks.test.default(vni, y = "plnorm"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  vni
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến VNI không tuân theo phân phối loga chuẩn.

4.3 Biến DJ

4.3.1 Thống kê mô tả DJ

summary(dj)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   28730   32105   33904   33481   34805   36800

sd(dj)

## [1] 1778.319

Biến chỉ số DOWNJONES có giá trị trung bình là 33.481 điểm và giá trị trung vị là 33.904 điểm với độ lệch chuẩn là 1778,319 trong giai đoạn 2021 - 2022. Biến DJ đạt giá trị cao nhất là 36.800 điểm và thấp nhất là 28.730 điểm.

4.3.2 Kiểm định phân phối biến DJ

- Đồ thị histogram

hist(dj)

- Đồ thị QQ-plot

qqnorm(dj)
qqline(dj)

Thông qua biểu đồ histogram và QQ-plot cho ta thấy những giá trị quan sát đa phần không nằm trên đường thẳng kì vọng của phân phối chuẩn do đó biến DJ không tuân theo phân phối chuẩn.

- Kiểm định DJ theo phân phối chuẩn thông qua kiểm định Shapiro-Wilk Test

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến DJ tuân theo phân phối chuẩn

\(H_1\): Biến DJ không tuân theo phân phối chuẩn

shapiro.test(dj)

## 
##  Shapiro-Wilk normality test
## 
## data:  dj
## W = 0.96001, p-value = 2.211e-10

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến DJ không tuân theo phân phối chuẩn.

- Kiểm định phân phối DJ thông qua kiểm định Kolmogorov-Smirnov

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến DJ tuân theo phân phối mũ

\(H_1\): Biến DJ không theo phân phối mũ

ks.test(dj, y = 'pexp')

## Warning in ks.test.default(dj, y = "pexp"): ties should not be present for the
## Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  dj
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến DJ không tuân theo phân phối mũ.

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến DJ tuân theo phân phối đều

\(H_1\): Biến DJ không theo phân phối đều

ks.test(dj, y = 'punif')

## Warning in ks.test.default(dj, y = "punif"): ties should not be present for the
## Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  dj
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến DJ không tuân theo phân phối đều.

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến DJ tuân theo phân phối loga chuẩn

\(H_1\): Biến DJ không theo phân phối loga chuẩn

ks.test(dj, y = 'plnorm')

## Warning in ks.test.default(dj, y = "plnorm"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  dj
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến DJ không tuân theo phân phối loga chuẩn.

4.4 Biến HNX

4.4.1 Thống kê mô tả HNX

summary(hnx)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   175.8   272.0   305.4   322.1   384.9   493.8

sd(hnx)

## [1] 81.16287

Giá trị trung bình của chỉ số HNX-Index là 322,1 điểm và giá trị trung vị là 305,4 điểm với độ lệch chuẩn là 81,16287 trong giai đoạn 2021 - 2022. Trong đó, biến HNX có giá trị lớn nhất là 493,8 điểm và thấp nhất là 175,8 điểm.

4.4.2 Kiểm định phân phối biến HNX

- Đồ thị histogram

hist(hnx)

- Đồ thị QQ-plot

qqnorm(hnx)
qqline(hnx)

Thông qua biểu đồ histogram và QQ-plot cho ta thấy những giá trị quan sát đa phần không nằm trên đường thẳng kì vọng của phân phối chuẩn do đó biến HNX không tuân theo phân phối chuẩn.

- Kiểm định HNX theo phân phối chuẩn thông qua kiểm định Shapiro-Wilk Test

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến HNX tuân theo phân phối chuẩn

\(H_1\): Biến HNX không tuân theo phân phối chuẩn

shapiro.test(hnx)

## 
##  Shapiro-Wilk normality test
## 
## data:  hnx
## W = 0.94119, p-value = 3.887e-13

Thông qua kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Do đó, biến HNX không tuân theo phân phối chuẩn.

- Kiểm định phân phối HNX thông qua kiểm định Kolmogorov-Smirnov

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến HNX tuân theo phân phối mũ

\(H_1\): Biến HNX không theo phân phối mũ

ks.test(hnx, y = 'pexp')

## Warning in ks.test.default(hnx, y = "pexp"): ties should not be present for the
## Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  hnx
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến HNX không tuân theo phân phối mũ.

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến HNX tuân theo phân phối đều

\(H_1\): Biến HNX không theo phân phối đều

ks.test(hnx, y = 'punif')

## Warning in ks.test.default(hnx, y = "punif"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  hnx
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến HNX không tuân theo phân phối đều.

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến HNX tuân theo phân phối loga chuẩn

\(H_1\): Biến HNX không theo phân phối loga chuẩn

ks.test(hnx, y = 'plnorm')

## Warning in ks.test.default(hnx, y = "plnorm"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  hnx
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến HNX không tuân theo phân phối loga chuẩn.

4.5 Biến WTI

4.5.1 Thống kê mô tả WTI

summary(wti)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   47.28   66.21   75.08   80.92   97.01  128.26

sd(wti)

## [1] 19.01207

Biến giá dầu (WTI) có giá trị trung bình là 80,92 USD và giá trị trung vị là 75,08 USD với độ lệch chuẩn là 19,01207 trong giai đoạn 2021 - 2022. Biến WTI đạt giá trị cao nhất là 128,26 USD và nhỏ nhất là 47,28 USD.

4.5.2 Kiểm định phân phối biến WTI

- Đồ thị histogram

hist(wti)

- Đồ thị QQ-plot

qqnorm(wti)
qqline(wti)

Thông qua biểu đồ histogram và QQ-plot cho ta thấy những giá trị quan sát đa phần không nằm trên đường thẳng kì vọng của phân phối chuẩn do đó biến WTI không tuân theo phân phối chuẩn.

- Kiểm định WTI theo phân phối chuẩn thông qua kiểm định Shapiro-Wilk Test

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến WTI tuân theo phân phối chuẩn

\(H_1\): Biến WTI không tuân theo phân phối chuẩn

shapiro.test(wti)

## 
##  Shapiro-Wilk normality test
## 
## data:  wti
## W = 0.94138, p-value = 4.112e-13

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến WTI không tuân theo phân phối chuẩn.

- Kiểm định phân phối WTI thông qua kiểm định Kolmogorov-Smirnov

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến WTI tuân theo phân phối mũ

\(H_1\): Biến WTI không theo phân phối mũ

ks.test(wti, y = 'pexp')

## Warning in ks.test.default(wti, y = "pexp"): ties should not be present for the
## Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  wti
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến WTI không tuân theo phân phối mũ.

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến WTI tuân theo phân phối đều

\(H_1\): Biến WTI không theo phân phối đều

ks.test(wti, y = 'punif')

## Warning in ks.test.default(wti, y = "punif"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  wti
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến WTI không tuân theo phân phối đều.

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến WTI tuân theo phân phối loga chuẩn

\(H_1\): Biến WTI không theo phân phối loga chuẩn

ks.test(wti, y = 'plnorm')

## Warning in ks.test.default(wti, y = "plnorm"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  wti
## D = 0.99994, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến WTI không tuân theo phân phối loga chuẩn.

4.6 Biến XAU

4.6.1 Thống kê mô tả XAU

summary(xau)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1622    1754    1797    1801    1844    2052

sd(xau)

## [1] 75.37502

Biến giá vàng (XAU) có giá trị trung bình là 1.801 USD/ounce và giá trị trung vị là 1.797 USD/ounce với độ lệch chuẩn là 75,37502 trong giai đoạn 2021 - 2022. Biến XAU đạt giá trị cao nhất là 2.052 USD/ounce và nhỏ nhất là 1.622 USD/ounce.

4.6.2 Kiểm định phân phối biến XAU

- Đồ thị histogram

hist(xau)

- Đồ thị QQ-plot

qqnorm(xau)
qqline(xau)

Thông qua biểu đồ histogram và QQ-plot cho ta thấy những giá trị quan sát đa phần không nằm trên đường thẳng kì vọng của phân phối chuẩn do đó biến XAU tuân theo phân phối chuẩn.

- Kiểm định XAU theo phân phối chuẩn thông qua kiểm định Shapiro-Wilk Test

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến XAU tuân theo phân phối chuẩn

\(H_1\): Biến XAU không tuân theo phân phối chuẩn

shapiro.test(xau)

## 
##  Shapiro-Wilk normality test
## 
## data:  xau
## W = 0.99102, p-value = 0.004054

Dựa vào kết quả kiểm định cho thấy P_value < 0.05 nên ta có cơ sở bác bỏ giả thuyết \(H_0\). Do đó, biến DTA không tuân theo phân phối chuẩn.

- Kiểm định phân phối XAU thông qua kiểm định Kolmogorov - Smirnov

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến XAU tuân theo phân phối mũ

\(H_1\): Biến XAU không theo phân phối mũ

ks.test(xau, y = 'pexp')

## Warning in ks.test.default(xau, y = "pexp"): ties should not be present for the
## Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  xau
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến XAU không tuân theo phân phối mũ.

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến XAU tuân theo phân phối đều

\(H_1\): Biến XAU không theo phân phối đều

ks.test(xau, y = 'punif')

## Warning in ks.test.default(xau, y = "punif"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  xau
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến XAU không tuân theo phân phối đều.

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến XAU tuân theo phân phối loga chuẩn

\(H_1\): Biến XAU không theo phân phối loga chuẩn

ks.test(xau, y = 'plnorm')

## Warning in ks.test.default(xau, y = "plnorm"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  xau
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến XAU không tuân theo phân phối loga chuẩn.

4.7 Biến EUR

4.7.1 Thống kê mô tả EUR

summary(eur)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   22762   24730   25887   25910   27267   28458

sd(eur)

## [1] 1509.635

Biến tỷ giá EUR/VND (EUR) có giá trị trung bình là 25.910 VND/EUR và giá trị trung vị là 25.887 VND/EUR với độ lệch chuẩn là 1509,635 VND/EUR trong giai đoạn 2021 – 2022. Biến EUR đạt giá trị lớn nhất là 28.458 VND/EUR và nhỏ nhất là 22.762 VND/EUR.

4.7.2 Kiểm định phân phối biến EUR

- Đồ thị histogram

hist(eur)

- Đồ thị QQ-plot

qqnorm(eur)
qqline(eur)

Thông qua biểu đồ histogram và QQ-plot cho ta thấy những giá trị quan sát đa phần không nằm trên đường thẳng kì vọng của phân phối chuẩn do đó biến EUR không tuân theo phân phối chuẩn.

- Kiểm định EUR theo phân phối chuẩn thông qua kiểm định Shapiro-Wilk Test

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến EUR tuân theo phân phối chuẩn

\(H_1\): Biến EUR không tuân theo phân phối chuẩn

shapiro.test(eur)

## 
##  Shapiro-Wilk normality test
## 
## data:  eur
## W = 0.94971, p-value = 5.656e-12

Kết quả kiểm định cho thấy P_value < 0.05 nên ta có cơ sở để bác bỏ giả thuyết \(H_0\), nghĩa là biến EUR không tuân theo phân phối chuẩn.

- Kiểm định phân phối EUR thông qua kiểm định Kolmogorov - Smirnov

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến EUR tuân theo phân phối mũ

\(H_1\): Biến EUR không theo phân phối mũ

ks.test(eur, y = 'pexp')

## Warning in ks.test.default(eur, y = "pexp"): ties should not be present for the
## Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  eur
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến EUR không tuân theo phân phối mũ.

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến EUR tuân theo phân phối đều

\(H_1\): Biến EUR không theo phân phối đều

ks.test(eur, y = 'punif')

## Warning in ks.test.default(eur, y = "punif"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  eur
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến EUR không tuân theo phân phối đều.

Với cặp giả thuyết - đối thuyết:

\(H_0\): Biến EUR tuân theo phân phối loga chuẩn

\(H_1\): Biến EUR không theo phân phối loga chuẩn

ks.test(eur, y = 'plnorm')

## Warning in ks.test.default(eur, y = "plnorm"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  eur
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả kiểm định cho thấy P_value < 0.05 nên ta bác bỏ giả thuyết \(H_0\), nghĩa là biến EUR không tuân theo phân phối loga chuẩn.

5 Bài về nhà tuần 2-3 (câu 2)

Câu 2: Chọn và giải thích về đối tượng (vấn đề) cần mô phỏng (có ít nhất 6 biến ngẫu nhiên đầu vào)

5.1 Đề tài

Tỷ giá hối đoái đóng vai trò quan trọng trong việc đo lường khả năng cạnh tranh cho thấy sự mất cân bằng tỷ giá hối đoái có thể bóp méo giá cả và dẫn đến việc phân bổ nguồn lực không hiệu quả nên sẽ ảnh hưởng đến các mục tiêu của chính phủ trong việc quản lý kinh tế vĩ mô của đất nước. Trong xu thế mở cửa thương mại hiện nay, tỷ giá hối đoái là công cụ chủ yếu để nâng cao sức cạnh tranh trên thị trường thương mại quốc tế, tỷ giá hối đoái tác động đến nền kinh tế thông qua giá cả thị trường. Do đó, trong nghiên cứu người ta thường sử dụng tỷ giá hối đoái để đo lường năng lực cạnh tranh trong lĩnh vực thương mại quốc tế của một quốc gia. Thông qua việc nghiên cứu tác động của các nhân tố khác nhau đến tỷ giá hối đoái, có thể giúp các nhà hoạch định chính sách và ngân hàng trung ương đưa ra mục tiêu và lựa chọn chính sách tỷ giá hối đoái phù hợp với nền kinh tế Việt Nam. Vì vậy, tác giả sẽ tiến hành nghiên cứu tác động của các yếu tố đến tỷ giá hối đoái của Việt Nam trong giai đoạn từ năm 2021 đến năm 2022 nhằm đưa ra các yếu tố có ảnh hưởng đến tỷ giá hối đoái và từ đó mô phỏng tỷ giá hối đoái Việt Nam. Tác giả chọn đề tài “Mô phỏng các yếu tố ảnh hưởng đến tỷ giá hối đoái Việt Nam” để mô phỏng cho môn học này.

5.2 Chọn và giải thích đối tượng

5.2.1 Biến đầu ra

Tỷ giá hối đoái (EXR) được sử dụng là tỷ giá của đồng đô la Mỹ so với đồng Việt Nam. Đây là tỷ giá hối đoái phổ biến ở Việt Nam.

5.2.2 Biến đầu vào

1. Chỉ số VN-Index (VNI)

2. Chỉ số DOWNJONES (DJ)

3. Chỉ số HNX-Index (HNX)

4. Giá dầu (WTI)

5. Tỷ giá vàng (XAU)

6. Tỷ giá EUR/VND (EUR)

5.3 Mô hình

5.3.1 Dữ liệu nghiên cứu

Tác giả thu nhập dữ liệu tỷ giá hối hối đoái, chỉ số VNI-Index, HNX-Index, Dowjones, tỷ giá vàng, giá dầu, tỷ giá EUR/VND tại Việt Nam từ trang web:https://vn.investing.com/ trong giai đoạn 2021 – 2022 với 498 quan sát được sử dụng để phục vụ cho nghiên cứu.

5.3.2 Mô hình nghiên cứu

Để mô phỏng tỷ giá hối đoái, tác giả đề xuất mô hình nghiên cứu các yếu tố có ảnh hưởng đến tỷ giá hối đoái từ đó mô phỏng EXR, mô hình được xây dựng như sau:

\[EXR = \beta_0+\beta_1VNI+\beta_2DJ+\beta_2HNX+\beta_4WTI+\beta_5XAU+\beta_6EUR\] Trong đó:

EXR: Tỷ giá hối đoái (đồng)

VNI: Chỉ số VN-Index được niêm yết trên Sở Giao dịch Chứng khoán Hồ Chí Minh tại thị trường chứng khoán Việt Nam (điểm)

DJ: Chỉ số DOWNJONES trên thị trường chứng khoán Mỹ (điểm)

HNX: Chỉ số HNX-Index được niêm yết Sở Giao dịch Chứng khoán Hà Nội tại thị trường chứng khoán Việt Nam (điểm)

XAU: Tỷ giá vàng (USD/ounce)

WTI: Giá dầu giao ngay tại Mỹ (USD)

EUR: Tỷ giá giữa đồng euro và Việt Nam đồng (VND/EUR)

6 Bài về nhà tuần 1 (câu 1)

Câu 1: Mô phỏng ít nhất 5 biến ngẫu nhiên (có phân phối xác suất khác nhau), mô phỏng, vẽ đồ thị, tính toán các đặc trưng đo lường và giải thích ý nghĩa.

6.1 Mô phỏng các biến ngẫu nhiên

6.1.1 Cà phê đen

Mô phỏng ngẫu nhiên số ly cà phê đen bán được trong ngày có phân phối đều trong khoảng 25 - 35 ly:

cfd <- runif(1000,25,35)
cfd <- round(cfd, digits = 0)
hist(cfd)

6.1.2 Cà phê sữa

Mô phỏng ngẫu nhiên số ly cà phê sữa bán được trong ngày có phân phối Poisson với số ly trung bình quán được \(\lambda\) = 20 (ly/ngày):

cfs <- rpois(1000,20)
hist(cfs)

6.1.3 Nước cam

Mô phỏng ngẫu nhiên số ly nước cam bán được trong ngày có phân phối chuẩn với số ly kỳ vọng quán bán được \(\mu\) = 15 và độ chênh lệch quán bán được tối đa tối thiểu là \(\sigma^2\) = 7:

nc <- rnorm(1000, mean = 15, sd = sqrt(7))
nc <- round(nc, digits = 0)
hist(nc)

library(ggplot2)
nc <- as.data.frame(nc)
ggplot(nc, aes(nc)) + 
  geom_density(color = 'green')

6.1.4 Bạc xỉu

Mô phỏng ngẫu nhiên số ly bạc xỉu bán được trong ngày có phân phối mũ với xác suất là 50%:

bx <- rexp(1000,0.5)
bx <- round(bx, digits = 0)
hist(bx)

6.1.5 Trà đào

Mô phỏng ngẫu nhiên số ly trà đào bán được trong ngày có phân phối nhị thức với n = 1000 và xác suất ly trà đào bán được là 35%:

td <- rbinom(1000,35,0.35)
table(td)

## td
##   5   6   7   8   9  10  11  12  13  14  15  16  17  18  19  20  21  22 
##   4   9  32  48  76  95 143 146 126 112  84  64  26  20   7   4   3   1

hist(td)

6.2 Các đặc trưng đo lường

Với 5 biến ngẫu nhiên gồm cà phê đen (cfd), cà phê sữa (cfs), nước cam (nc), bạc xỉu (bx), trà đào (td) có những đặc trưng đo lường như sau:

library(fBasics)

## Warning: package 'fBasics' was built under R version 4.2.3

tong <- data.frame(cfd, cfs,nc,bx,td)
basicStats(tong)

Thông qua bảng thống kê mô tả, dữ liệu được thống kê mô tả từ dữ liệu ngẫu nhiên trong vòng 1000 ngày:

Số ly cà phê đen trung bình mà quán bán được mỗi ngày là 30 ly. Trong đó, số ly cà phê đen ít nhất quán bán được là 25 ly và nhiều nhất là 35 ly.
Trung bình cà phê sữa quán bán được là 20 ly mỗi ngày. Trong đó, có ngày quán bán được ít nhất là 9 ly và nhiều nhất là 34 ly.
Số ly nước cam trung bình mà quán bán được mỗi ngày là 15 ly. Trong đó, số ly nước cam ít nhất quán bán được là 6 ly và nhiều nhất là 24 ly.
Trung bình bạc xỉu quán bán được là 2 ly mỗi ngày. Trong đó, có ngày quán không bán được ly nào và có ngày quán bán được nhiều nhất là 13 ly bạc xỉu.
Trung bình một ngày số ly cà phê đen bán được là 12 ly. Trong đó, có ngày quán bán được ít nhất là 3 ly và nhiều nhất là 22 ly.

Mo phong ngau nhien

Vũ Trâm Anh

2023-08-04

1 Bài về nhà tuần 6 (câu 5)

1.1 Mô phỏng biến VNI

1.2 Mô phỏng biến DJ

1.3 Mô phỏng biến HNX

1.4 Mô phỏng biến XAU

1.5 Mô phỏng biến EUR

1.6 Mô phỏng mô hình tỷ giá hối đoái

2 Bài về nhà tuần 7 (câu 6)

2.1 Kết luận

3 Bài về nhà tuần 5 (câu 4)

3.1 Dữ liệu nghiên cứu

3.2 Mô hình nghiên cứu

3.3 Kết quả mô hình hồi quy nghiên cứu

4 Bài về nhà tuần 4 (câu 3)

4.1 Biến EXR

4.1.1 Thống kê mô tả EXR

4.2 Biến VNI

4.2.1 Thống kê mô tả VNI

4.2.2 Kiểm định phân phối biến VNI

4.3 Biến DJ

4.3.1 Thống kê mô tả DJ

4.3.2 Kiểm định phân phối biến DJ

4.4 Biến HNX

4.4.1 Thống kê mô tả HNX

4.4.2 Kiểm định phân phối biến HNX

4.5 Biến WTI

4.5.1 Thống kê mô tả WTI

4.5.2 Kiểm định phân phối biến WTI

4.6 Biến XAU

4.6.1 Thống kê mô tả XAU

4.6.2 Kiểm định phân phối biến XAU

4.7 Biến EUR

4.7.1 Thống kê mô tả EUR

4.7.2 Kiểm định phân phối biến EUR

5 Bài về nhà tuần 2-3 (câu 2)

5.1 Đề tài

5.2 Chọn và giải thích đối tượng

5.2.1 Biến đầu ra

5.2.2 Biến đầu vào

5.3 Mô hình

5.3.1 Dữ liệu nghiên cứu

5.3.2 Mô hình nghiên cứu

6 Bài về nhà tuần 1 (câu 1)

6.1 Mô phỏng các biến ngẫu nhiên

6.1.1 Cà phê đen

6.1.2 Cà phê sữa

6.1.3 Nước cam

6.1.4 Bạc xỉu

6.1.5 Trà đào

6.2 Các đặc trưng đo lường