欢迎来到概率学的“核心”！

在考取 Exam P 的旅程中，你已经学会如何计算概率了。但作为一名精算师，你不能只满足于知道某件事“可能”发生，你更想知道“平均而言”会发生什么，以及风险的“分散程度”如何。本章将涵盖期望值、矩 (Moments) 与百分位数——这些工具能帮我们将整个分布浓缩成几个具代表性的数字。

如果这些术语起初听起来有点深奥，别担心。你可以把这一章想象成是在学习如何形容一个人：平均值 (Mean) 是他们的身高平均数，方差 (Variance) 是他们的身高与其他人相比的差异程度，而百分位数 (Percentiles) 则告诉我们他们在人群中的位置。让我们开始吧！

1. 矩：分布的“快照”

在物理学中，“矩”与物体的位置和转动有关。在概率论中，矩是描述数据点分布形状的量化指标。我们将其分为两类：原点矩 (Raw Moments) 与中心矩 (Central Moments)。

第 k 阶原点矩

第 k 阶原点矩就是随机变量 \( X \) 的 k 次方的期望值。我们通常用 \( \mu \) 来表示平均值。

公式： \( E[X^k] \)
• 若 \( k = 1 \)，即第 1 阶原点矩：\( E[X^1] \)，也就是平均值 (\( \mu \))。
• 若 \( k = 2 \)，即第 2 阶原点矩：\( E[X^2] \)。

第 k 阶中心矩

中心矩是相对于平均值 (\( \mu \)) 计算的。它告诉我们数据是如何在中心周围“摆动”的。

公式： \( E[(X - \mu)^k] \)
• 第 1 阶中心矩永远为 0，因为数据相对于平均值的平均偏差总和为零！\( E[X - \mu] = E[X] - \mu = 0 \)。
• 第 2 阶中心矩是最著名的：方差。

速查小框：
原点矩：以零为中心 (\( E[X^k] \))
中心矩：以平均值为中心 (\( E[(X - \mu)^k] \))

2. 方差与标准差

方差衡量随机变量的“分散程度”或“波动性”。在保险业中，高方差代表高风险，因为实际理赔额可能远高于（或远低于）预期。

“必背”公式：
\( Var(X) = E[X^2] - (E[X])^2 \)

记忆小技巧：要计算方差，请记住“平方的期望值”减去“期望值的平方”。

标准差 (\( \sigma \))：
方差的单位是“平方单位”（例如“美元的平方”），这很难直观理解。我们将其开根号，以回到原始的单位。
\( \sigma = \sqrt{Var(X)} \)

常见错误：
学生常混淆 \( E[X^2] \) 与 \( (E[X])^2 \)。它们截然不同！务必先透过积分 \( x^2 \cdot f(x) \) 计算出 \( E[X^2] \)，然后再减去平均值的平方。

重点总结：方差是第 2 阶中心矩，它告诉我们“平均”结果距离平均值有多远。

3. 众数：最受欢迎的那个

众数 (Mode) 是发生概率最高的 \( x \) 值。在概率密度函数 (pdf) 的图形上，众数就是山峰的“顶点”。

如何寻找：
1. 对于离散型变量：找出概率 \( P(X=x) \) 最高的那个 \( x \)。
2. 对于连续型变量：找出使密度函数 \( f(x) \) 达到最大的 \( x \)。这通常涉及对 \( f(x) \) 求导 \( f'(x) \)，令其等于 0 并解出 \( x \)。

你知道吗？如果一个分布有两个相同高度的峰值，它就可能不止一个众数（双峰分布）！

4. 中位数与百分位数

如果数据中存在极端异常值（例如某位亿万富翁走进当地酒吧），“平均值”往往会产生误导。在这种情况下，我们会使用百分位数 (Percentiles)。

中位数（第 50 百分位数）

中位数 (Median) 是中间值。一半的数据低于它，另一半则高于它。通常记作 \( m \) 或 \( \pi_{0.5} \)。

计算方法：
在以下方程式中解出 \( m \)：
\( F(m) = P(X \le m) = 0.5 \)

一般百分位数

第 p 百分位数 (记作 \( \pi_p \)) 是指小于或等于该值的概率恰好为 \( p \) 的数值。

连续型变量的计算步骤：
1. 找出累积分布函数 (CDF)，\( F(x) \)。
2. 令 \( F(\pi_p) = p \)。
3. 解出 \( \pi_p \)。

例子：若你想找第 75 百分位数（即第 3 四分位数），请解 \( F(x) = 0.75 \)。

类比：想象一长排按身高排列的人。如果你处于第 90 百分位数，代表你比队伍中 90% 的人都高。

速查小框：
平均值 (Mean)：平衡点（算术平均数）。
中位数 (Median)：50/50 的分割点。
众数 (Mode)：最频繁出现的点（峰值）。

5. 综合比较：平均值、中位数与众数

这三者之间的关系能告诉你分布的偏度 (Skewness)（偏斜程度）：

• 对称：平均值 = 中位数 = 众数（如同完美的钟形曲线）。
• 右偏（正偏）：平均值 > 中位数 > 众数。右侧有“长尾巴”。（在保险理赔中很常见！）
• 左偏（负偏）：平均值 < 中位数 < 众数。左侧有“长尾巴”。

Exam P 重点：SOA 很喜欢要求你在指数分布 (Exponential) 或均匀分布 (Uniform) 等特定分布下计算这些指标。务必先判断变量是离散还是连续，然后选择你的工具（离散用求和，连续用积分）。

最后的鼓励

这一章的重点在于如何汇总数据。如果矩的公式看起来很吓人，只要记住它们只是对 \( X \) 的值进行不同方式的“加权”而已。练习计算不同函数的第 2 阶原点矩 \( E[X^2] \)——一旦掌握了这一点，方差和标准差就会变得得心应手。你一定没问题的！