歡迎來到機率學的「核心」！

在考取 Exam P 的旅程中，你已經學會如何計算機率了。但作為一名精算師，你不能只滿足於知道某件事「可能」發生，你更想知道「平均而言」會發生什麼，以及風險的「分散程度」如何。本章將涵蓋期望值、矩 (Moments) 與百分位數——這些工具能幫我們將整個分佈濃縮成幾個具代表性的數字。

如果這些術語起初聽起來有點深奧，別擔心。你可以把這一章想像成是在學習如何形容一個人：平均值 (Mean) 是他們的身高平均數，變異數 (Variance) 是他們的身高與其他人相比的差異程度，而百分位數 (Percentiles) 則告訴我們他們在人群中的位置。讓我們開始吧！

1. 矩：分佈的「快照」

在物理學中，「矩」與物體的位置和轉動有關。在機率論中，矩是描述數據點分佈形狀的量化指標。我們將其分為兩類：原點矩 (Raw Moments) 與中心矩 (Central Moments)。

第 k 階原點矩

第 k 階原點矩就是隨機變數 \( X \) 的 k 次方的期望值。我們通常用 \( \mu \) 來表示平均值。

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

第 k 階中心矩

中心矩是相對於平均值 (\( \mu \)) 計算的。它告訴我們數據是如何在中心周圍「擺動」的。

公式： \( E[(X - \mu)^k] \)
• 第 1 階中心矩永遠為 0，因為數據相對於平均值的平均偏差總和為零！\( E[X - \mu] = E[X] - \mu = 0 \)。
• 第 2 階中心矩是最著名的：變異數。

速查小框：
原點矩：以零為中心 (\( E[X^k] \))
中心矩：以平均值為中心 (\( E[(X - \mu)^k] \))

2. 變異數與標準差

變異數衡量隨機變數的「分散程度」或「波動性」。在保險業中，高變異數代表高風險，因為實際理賠額可能遠高於（或遠低於）預期。

「必背」公式：
\( Var(X) = E[X^2] - (E[X])^2 \)

記憶小技巧：要計算變異數，請記住「平方的期望值」減去「期望值的平方」。

標準差 (\( \sigma \))：
變異數的單位是「平方單位」（例如「美元的平方」），這很難直觀理解。我們將其開根號，以回到原始的單位。
\( \sigma = \sqrt{Var(X)} \)

常見錯誤：
學生常混淆 \( E[X^2] \) 與 \( (E[X])^2 \)。它們截然不同！務必先透過積分 \( x^2 \cdot f(x) \) 計算出 \( E[X^2] \)，然後再減去平均值的平方。

重點總結：變異數是第 2 階中心矩，它告訴我們「平均」結果距離平均值有多遠。

3. 眾數：最受歡迎的那個

眾數 (Mode) 是發生機率最高的 \( x \) 值。在機率密度函數 (pdf) 的圖形上，眾數就是山峰的「頂點」。

如何尋找：
1. 對於離散型變數：找出機率 \( P(X=x) \) 最高的那個 \( x \)。
2. 對於連續型變數：找出使密度函數 \( f(x) \) 達到最大的 \( x \)。這通常涉及對 \( f(x) \) 求導 \( f'(x) \)，令其等於 0 並解出 \( x \)。

你知道嗎？如果一個分佈有兩個相同高度的峰值，它就可能不只一個眾數（雙峰分佈）！

4. 中位數與百分位數

如果數據中存在極端異常值（例如某位億萬富翁走進當地酒吧），「平均值」往往會產生誤導。在這種情況下，我們會使用百分位數 (Percentiles)。

中位數（第 50 百分位數）

中位數 (Median) 是中間值。一半的數據低於它，另一半則高於它。通常記作 \( m \) 或 \( \pi_{0.5} \)。

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

一般百分位數

第 p 百分位數 (記作 \( \pi_p \)) 是指小於或等於該值的機率恰好為 \( p \) 的數值。

連續型變數的計算步驟：
1. 找出累積分布函數 (CDF)，\( F(x) \)。
2. 令 \( F(\pi_p) = p \)。
3. 解出 \( \pi_p \)。

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

類比：想像一長排按身高排列的人。如果你處於第 90 百分位數，代表你比隊伍中 90% 的人都高。

速查小框：
平均值 (Mean)：平衡點（算術平均數）。
中位數 (Median)：50/50 的分割點。
眾數 (Mode)：最頻繁出現的點（峰值）。

5. 綜合比較：平均值、中位數與眾數

這三者之間的關係能告訴你分佈的偏度 (Skewness)（偏斜程度）：

• 對稱：平均值 = 中位數 = 眾數（如同完美的鐘形曲線）。
• 右偏（正偏）：平均值 > 中位數 > 眾數。右側有「長尾巴」。（在保險理賠中很常見！）
• 左偏（負偏）：平均值 < 中位數 < 眾數。左側有「長尾巴」。

Exam P 重點：SOA 很喜歡要求你在指數分佈 (Exponential) 或均勻分佈 (Uniform) 等特定分佈下計算這些指標。務必先判斷變數是離散還是連續，然後選擇你的工具（離散用求和，連續用積分）。

最後的鼓勵

這一章的重點在於如何彙總數據。如果矩的公式看起來很嚇人，只要記住它們只是對 \( X \) 的值進行不同方式的「加權」而已。練習計算不同函數的第 2 階原點矩 \( E[X^2] \)——一旦掌握了這一點，變異數和標準差就會變得得心應手。你一定沒問題的！