歡迎來到參數生存模型的世界！
你好！歡迎來到 Exam FAM 當中最實用的章節之一。到目前為止，你可能已經學過如何利用生命表（那些包含大量數字的表格）來查看死亡率。但如果我們可以用簡單的數學公式來描述人類的壽命呢？這正是參數生存模型 (parametric survival models) 的作用！
我們不再需要從表格中查找 \(l_x\) 數值，而是直接使用方程式來計算一個人存活或死亡的概率。這就像從紙本地圖（生命表）轉換為 GPS（公式）：兩者都能帶你到達目的地，但一旦你掌握了「規則」，公式通常會更流暢、更易於計算。讓我們開始吧！
1. 基礎：死亡力 (\(\mu_x\))
在我們探討具體模型之前，必須先了解推動它們的「引擎」：死亡力 (force of mortality)，記作 \(\mu_x\)。簡單來說，這是一個人在 \(x\) 歲時的瞬時死亡風險。
若要計算 \(x\) 歲的人再存活 \(t\) 年的概率（記作 \({}_t p_x\)），我們使用這條基本關係式：
\({}_t p_x = e^{-\int_0^t \mu_{x+s} ds}\)
別擔心，如果這看起來很複雜，那是正常的！ 你並不總是需要進行艱深的微積分計算。我們學習的許多模型都有從這個積分導出的「捷徑」公式。關鍵在於：只要你知道 \(\mu\) 的公式，就能找到生存概率。
快速複習：基本概念
• \({}_t p_x\)： \(x\) 歲的人存活到 \(x+t\) 歲的概率。
• \({}_t q_x\)： \(x\) 歲的人在 \(x+t\) 歲之前死亡的概率。請記住：\({}_t q_x = 1 - {}_t p_x\)。
• \(\mu_x\)： 在精確年齡 \(x\) 時的「危險率」或死亡力。
核心重點： 參數模型為 \(\mu_x\) 提供了函數形式，我們隨後利用它來計算生存概率。
2. 指數模型 (常數死亡力)
指數模型 (Exponential Model) 是你將遇到的最簡單模型。它假設無論你多大，死亡風險都是一樣的。就像一個燈泡——它不會「變老」，只是最終以恆定的速率壞掉。
公式：
\(\mu_x = \mu\) (對所有 \(x\) 而言皆為常數)
生存概率：
\({}_t p_x = e^{-\mu t}\)
例子： 如果常數死亡力為 0.02，一個 30 歲的人存活 10 年的概率為 \(e^{-0.02 \times 10} = e^{-0.2} \approx 0.8187\)。
你知道嗎？ 在此模型中，\({}_t p_x\) 並不取決於當前年齡 \(x\)。一個 20 歲的人和一個 80 歲的人在未來 5 年內存活的概率是一樣的。雖然這對於長期的人類壽命來說不切實際，但它對於短期或特定類型的保險風險非常有用。
核心重點： 常數死亡力意味著 \({}_t p_x = e^{-\mu t}\)。簡單又方便！
3. 貢珀茲定律 (Gompertz Law)
Benjamin Gompertz 在 1825 年發現了一個現象：隨著人類年齡增長，死亡風險呈指數級上升。這就是貢珀茲定律 (Gompertz Law)。
公式：
\(\mu_x = B \cdot c^x\)
其中 \(B > 0\) 且 \(c > 1\)。
生存概率：
\({}_t p_x = \exp \left[ -\frac{B \cdot c^x}{\ln c} (c^t - 1) \right] \)
類比： 想像一個雪球從山上滾下來。當它滾得越遠（你年齡越大），它的速度和質量增長得越快。這就是貢珀茲模型中死亡風險的表現方式。
記憶小技巧： Gompertz 以 G 開頭，就像 Growth（增長）。風險以幾何速率增長。
核心重點： 貢珀茲模型用於描述衰老。如果你看到公式中年齡 \(x\) 位於指數位置（例如 \(c^x\)），那你就是在處理貢珀茲模型！
4. 馬克漢姆定律 (Makeham Law)
Makeham 決定改善 Gompertz 的觀點。他意識到人類死亡不僅僅是因為「衰老」。有時人們會因為意外或與年齡無關的「壞運氣」而死亡。於是他為貢珀茲模型增加了一個常數項。
公式：
\(\mu_x = A + B \cdot c^x\)
組成部分：
• \(A\)： 與年齡無關的組成部分（意外、雷擊等）。
• \(B \cdot c^x\)： 與年齡相關的組成部分（身體的磨損）。
生存概率：
\({}_t p_x = e^{-At} \cdot \exp \left[ -\frac{B \cdot c^x}{\ln c} (c^t - 1) \right] \)
常見錯誤： 在生存公式中忘記將 \(A\) 乘以 \(t\)。請記住，意外風險 (\(A\)) 是隨時間 \(t\) 累積的！
核心重點： 馬克漢姆 = 貢珀茲 + 意外常數。這是精算科學中最著名的人類死亡率模型。
5. 韋伯分佈模型 (Weibull Model)
韋伯分佈模型 (Weibull Model) 是另一種模擬風險上升的方法，但它不是使用指數增長（如 \(c^x\)），而是使用年齡的冪函數。
公式：
\(\mu_x = k \cdot x^n\)
（在某些教科書中，這會用不同的希臘字母如 \(\alpha\) 和 \(\beta\) 表示，所以考試時一定要檢查題目給出的參數！）
生存概率：
若 \(\mu_x = k \cdot x^n\)，則生存概率需要透過積分得出。FAM 常見的形式為：
\({}_t p_x = e^{-[k(x+t)^{n+1} - kx^{n+1}] / (n+1)}\)
現實例子： 韋伯分佈常被用於工程學，以模擬機械零件的「故障率」。有些零件會早期失效（嬰兒死亡率），有些則會隨著磨損而增加失效頻率。
核心重點： 如果你看到年齡 \(x\) 被加上冪次（例如 \(x^2\) 或 \(x^3\)），請聯想到韋伯模型！
6. 快速參考總結表
在最終複習時，可以使用此表來釐清各個模型：
| 模型 | 死亡力 (\(\mu_x\)) | 特性 |
|---|---|---|
| 指數模型 | \(\mu\) | 常數；年齡無影響。 |
| 貢珀茲 | \(B \cdot c^x\) | 風險隨年齡呈指數增長。 |
| 馬克漢姆 | \(A + B \cdot c^x\) | 貢珀茲 + 常數意外風險。 |
| 韋伯 | \(k \cdot x^n\) | 風險遵循年齡的冪函數。 |
7. 成功秘訣
1. 注意變數： 小心 \(x\)（當前年齡）和 \(t\)（未來時間）。在考試中，題目可能會問一個 40 歲的人在 50 歲之前死亡的概率。這裡 \(x=40\)，\(t=10\)。
2. 積分是你的好朋友： 如果你忘記了 \({}_t p_x\) 的特定捷徑公式，只需記住黃金法則：\({}_t p_x = e^{-\int_0^t \mu_{x+s} ds}\)。你在這些模型中遇到的大多數積分都是基本的冪函數或指數函數規則。
3. 合理性檢查： 生存概率 (\(p\)) 應始終在 0 到 1 之間。如果你算出像 1.2 或 -0.5 這樣的數字，請停下來檢查你的代數計算！
你一定做得到的！ 這些模型因為充滿了指數符號，初看可能令人畏懼，但只要你能識別出規律（指數模型 = 常數，貢珀茲 = \(c^x\)，韋伯 = \(x^n\)），你很快就能輕鬆應對這些題目了。