欢迎来到联合分布（Joint Distributions）的世界！

在先前的学习中，我们探讨的都是单一随机变量（Random Variables, RVs），例如单一保单持有人的索赔次数。但在现实世界中，情况往往没那么简单！精算师经常需要同时考虑两个或以上的变量。举例来说，我们可能想知道司机的年龄与其保险索赔成本之间的关系。这时候，就需要用到联合分布随机变量（Jointly Distributed Random Variables）了。

如果初看之下觉得抽象，请不必担心。我们本质上只是从观察单一数值，转变为观察成对（或一组）的数值。你可以把它想象成从 2D 线图升级到 3D 地图的概念。

1. 联合概率分布（Joint Probability Distributions）

当我们有两个随机变量 \(X\) 和 \(Y\) 时，我们会想知道它们同时取特定值的概率。

离散情况：联合概率质量函数（Joint Probability Mass Function, PMF）

若 \(X\) 和 \(Y\) 是离散的，我们使用联合 PMF，记作 \( p(x, y) = P(X = x, Y = y) \)。
黄金法则：联合分布中所有概率的总和必须等于 1。
\( \sum_{all x} \sum_{all y} p(x, y) = 1 \)

连续情况：联合概率密度函数（Joint Probability Density Function, PDF）

若 \(X\) 和 \(Y\) 是连续的，我们使用联合 PDF，记作 \( f(x, y) \)。与其想象成表格，不如把它想象成平面上方的一个“曲面”或“山丘”。曲面下的体积即代表概率。
黄金法则：曲面下的总体积必须等于 1。
\( \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} f(x, y) \,dx \,dy = 1 \)

快速复习：联合累积概率分布函数（Joint CDF）

联合累积概率分布函数（Joint Cumulative Distribution Function, CDF），记作 \( F(x, y) \)，是指 \(X\) 小于或等于 \(x\) 且 \(Y\) 小于或等于 \(y\) 的概率：
\( F(x, y) = P(X \le x, Y \le y) \)

重点总结：联合分布描述了两个变量如何共同表现。对于离散变量，想象成一个表格；对于连续变量，则想象成一个 3D 曲面。

2. 边缘分布（Marginal Distributions）

有时候，我们已经掌握了联合分布（“大局”），但只想聚焦于其中一个变量。这就称为求边缘分布（Marginal Distribution）。

“消去法”（Summing Out Trick）：
要找出 \(X\) 的边缘分布，你实际上是“忽略”或“加总消去”了 \(Y\)。
- 离散： \( p_X(x) = \sum_{all y} p(x, y) \)
- 连续： \( f_X(x) = \int_{-\infty}^{\infty} f(x, y) \,dy \)

记忆小撇步：为什么叫“边缘”（Marginal）？
想象一个概率表格。如果你将每一列（或每一行）加总，并把总数写在纸张的边缘（margins），你就找到了边缘分布！

重点总结：要得到一个变量的边缘分布，只需对另一个变量的整个取值范围进行积分或加总即可。

3. 条件分布（Conditional Distributions）

在精算工作中，我们常会问：“在已知 \(Y\) 值的情况下，\(X\) 的概率是多少？”。这就是条件分布（Conditional Distribution）。

其公式源自基本的概率法则 \( P(A|B) = \frac{P(A \cap B)}{P(B)} \)：
\( f(x|y) = \frac{f(x, y)}{f_Y(y)} \)，前提是 \( f_Y(y) > 0 \)

类比：想象你在观察人口的身高（\(X\)）和体重（\(Y\)）。身高的边缘分布是所有人的身高。但给定体重为 100kg 的条件下，身高的条件分布则仅是指该特定重磅群体身高分布。

常见错误：搞错分母放哪个变量！永远记得要除以给定变量（即垂直线 | 后面的那个变量）的边缘分布。

4. 随机变量的独立性（Independence of Random Variables）

如果知道一个变量的值完全无法提供关于另一个变量的任何信息，这两个随机变量就是独立的（independent）。

从数学上来说，\(X\) 和 \(Y\) 独立，若且唯若它们的联合分布等于其边缘分布的乘积：
离散： \( p(x, y) = p_X(x) \cdot p_Y(y) \)
连续： \( f(x, y) = f_X(x) \cdot f_Y(y) \)

实用提示：如果 \(X\) 的取值范围（限制条件）取决于 \(Y\) 的值（例如 \( 0 < x < y < 1 \)），那么这两个变量就不是独立的！

5. 期望值与协方差（Expectations and Covariance）

我们该如何描述两个变量的“平均”表现及其“链接”呢？

函数 \( g(X, Y) \) 的期望值

要计算两个变量函数的期望值，我们将该函数乘以联合概率，然后进行加总或积分：
\( E[g(X, Y)] = \int \int g(x, y) f(x, y) \,dx \,dy \)

协方差（Covariance）

协方差用来衡量 \(X\) 与 \(Y\) 之间的线性关系。
\( Cov(X, Y) = E[(X - E[X])(Y - E[Y])] \)
计算时更实用的公式是：
\( Cov(X, Y) = E[XY] - E[X]E[Y] \)

  • 若 \( Cov(X, Y) > 0 \)：两者呈正相关（同步上升或同步下降）。
  • 若 \( Cov(X, Y) < 0 \)：两者呈负相关（方向相反）。
  • 若 \( X \) 和 \( Y \) 独立，则 \( Cov(X, Y) = 0 \)。 (注意：反之则不一定成立！)

相关系数（Correlation Coefficient, \( \rho \)）

协方差的数值范围没有限制，这使得比较变得困难。相关系数将协方差标准化，范围落在 -1 到 +1 之间：
\( \rho(X, Y) = \frac{Cov(X, Y)}{\sigma_X \sigma_Y} \)

其中 \( \sigma_X \) 和 \( \sigma_Y \) 分别是标准差。

重点总结：协方差显示关系的方向；相关系数则在标准刻度上同时显示了方向与强度。

6. 条件期望值与条件方差（Conditional Expectation and Variance）

这些是 CS1 考试中的“重头戏”，涉及全期望公式（Law of Total Expectation）与全方差公式（Law of Total Variance）。

全期望公式（Adam's Law）

\( E[X] = E[E[X|Y]] \)
这意味着 \(X\) 的总平均值等于所有条件平均值的平均值。

全方差公式（Eve's Law）

\( Var(X) = E[Var(X|Y)] + Var(E[X|Y]) \)
记忆小撇步：“期望值的方差 加上 方差的期望值”（E-Var + Var-E）。

为什么这很有用？
想象 \(X\) 是一年内的总索赔额，而 \(Y\) 是意外发生的次数。直接计算 \(Var(X)\) 可能很困难，但若已知特定意外次数下的方差，计算起来就简单多了。这些法则让你能够利用较简单的条件组件，“累积”出总方差。

重点总结：这些法则是将复杂问题分解为基于“已知”信息的较小、可管理部分的关键。

学习清单

  • 你能分辨一个联合分布是离散还是连续的吗？
  • 你记得为了求出边缘分布，要将另一个变量“消去”吗？
  • 你的相关系数是否介于 -1 到 1 之间？如果不是，请检查你的计算！
  • 你是否练习过使用 \( E[X] = E[E[X|Y]] \) 来处理复合分布？

如果这些二重积分或条件法则让你觉得沉重，请不用担心。随着练习，你会发现它们其实只是组合数据的简单“食谱”而已！