歡迎來到生存模型的世界！

你好！歡迎來到你 CS2 之旅中最基礎的章節之一。如果你曾經好奇保險公司是如何決定人壽保險的保費，或是工程師如何預測機器零件何時會損壞，那麼你來對地方了。在本章中，我們將學習如何為「事件」發生的時間進行建模。通常我們討論的是人類的壽命，但這些概念同樣適用於任何會先「存活」一段時間然後「失效」的事物。不用擔心數學看起來很深奧——我們會把它拆解成容易理解的小部分！

大局觀：什麼是生存模型？

生存模型 (Survival Model) 只是一種描述某人（或某物）隨時間推移保持「存活」機率的方法。在精算工作中，我們不是在瞎猜；我們使用隨機變數 (Random Variables) 來捕捉壽命長短的不確定性。

1. 未來壽命隨機變數 \( T_x \)

想像一個今天剛好 x 歲的人。我們無法確切知道他們何時會去世，因此我們用隨機變數 \( T_x \) 來表示他們的剩餘壽命。
• \( T_x \) = 一個 x 歲的人的未來壽命。
• 如果一個 30 歲的人在 75 歲時去世，那麼 \( T_{30} = 45 \)。
• 這是一個連續 (Continuous) 隨機變數，因為死亡可能發生在任何微小的瞬間！

2. 生存函數：\( S_x(t) \)

生存函數 (Survival Function) 是本章最直觀的部分。它回答了這個問題：「一個 x 歲的人至少再多活 t 年的機率是多少？」
數學上，我們寫作：
\( S_x(t) = P(T_x > t) \)

要記住的關鍵性質：
• 在 \( t = 0 \) 時，機率為 1（你現在還活著！）：\( S_x(0) = 1 \)。
• 當 \( t \) 趨於無限大時，機率趨於 0（每個人最終都會去世）：\( S_x(\infty) = 0 \)。
• 函數絕不會增加。隨著時間流逝，你不可能變得「更活著」！

3. 分佈函數：\( F_x(t) \)

這是生存函數的相反（補數）。它是該人在 t 年內去世的機率。
\( F_x(t) = P(T_x \le t) = 1 - S_x(t) \)
小撇步：在精算符號中，我們通常用 \( {}_tq_x \) 表示這個值，用 \( {}_tp_x \) 表示生存機率。它們只是同一枚硬幣的兩面！

總結要點： \( T_x \) 是「計時器」，\( S_x(t) \) 是計時器仍在運行的機會，而 \( F_x(t) \) 是計時器已經停止的機會。

機率密度函數 (PDF)：\( f_x(t) \)

如果你還記得基本的統計學知識，PDF 告訴我們事件剛好在時間 \( t \) 發生的「相對可能性」。
對於生存模型，公式如下：
\( f_x(t) = \frac{d}{dt} F_x(t) = -\frac{d}{dt} S_x(t) \)

可以這樣想： 如果生存函數是一條向下的斜坡，那麼 PDF 就是它在任何特定時刻下降的速度。

生存模型的核心：死亡力 \( \mu_{x+t} \)

這是一個關鍵概念，學生常覺得很難。死亡力 (Force of Mortality) 是瞬時 (Instantaneous) 的死亡率。

雨的類比：
想像你正站在戶外。「死亡力」就像特定一秒鐘內雨的強度。它不是已經下的雨的總量（那是分佈函數），而是現在這一刻雨下得有多大。如果隨著時間推移雨勢變大，那麼「力」就在增加。

\( \mu_{x+t} \) 的公式：

\( \mu_{x+t} = \frac{f_x(t)}{S_x(t)} \)

這個公式告訴我們，現在這一刻的死亡風險取決於兩件事：此時的死亡密度 (\( f_x(t) \))，除以你必須先活著 (\( S_x(t) \)) 才有可能死亡的事實！

你知道嗎？ 我們對人稱之為「死亡力」，但在工程學中，它被稱為危險率 (Hazard rate) 或失效率 (Failure rate)。數學原理完全一樣！

連結各點：本質聯繫

你經常會被給予死亡力並要求找出生存函數。這是非常常見的考試任務。以下是「黃金方程式」：
\( S_x(t) = \exp \left( -\int_0^t \mu_{x+s} ds \right) \)

求解這些問題的步驟：
1. 取得死亡力 \( \mu \)。
2. 將其相對於時間從 0 到 \( t \) 進行積分。
3. 在結果前面加上負號。
4. 將 \( e \) 提升到該結果的冪次。

要避免的常見錯誤： 忘了負號！如果你的生存機率算出大於 1，你很可能忘了對積分取負值。

總結要點： 死亡力是風險的「強度」。如果你知道每個時間點的死亡力，你就能計算出存活到任何年齡的機率。

預期未來壽命

精算師喜歡計算「平均值」。我們使用兩種類型的期望值：

1. 完全預期未來壽命： \( \mathring{e}_x \)

這是 x 歲的人預計存活的平均總時間。因為這是一個連續的度量（包括年、日、秒），我們使用積分：
\( \mathring{e}_x = E[T_x] = \int_0^\infty S_x(t) dt \)
記憶輔助：\( e \) 上面的「圓圈」(ring) 代表「完全」(complete)—它測量了每一小段時間。

2. 截尾預期未來壽命： \( e_x \)

這是去世前完成的整數年數的平均值。我們忽略「多出來的」月和日。我們對此使用求和公式：
\( e_x = \sum_{k=1}^\infty S_x(k) \)
邏輯檢查：\( \mathring{e}_x \) 總是會比 \( e_x \) 大約 0.5 年，因為平均來說，人們死於他們最後一年的中間。

關鍵公式快速複習

別慌！ 如果你能記住這三個關係，你幾乎可以導出所有其他的公式：
1. \( F_x(t) = 1 - S_x(t) \)
2. \( f_x(t) = S_x(t) \mu_{x+t} \)
3. \( S_x(t) = e^{-\int \mu} \)

最後的鼓勵： 生存模型只是看待機率的一種特定方式。如果你習慣了 \( S_x(t) \) 是「活到時間 t 的機會」這個想法，剩下的微積分部分透過練習自然會融會貫通。繼續加油！