歡迎來到多變量矩的世界！

你好！你已經學會了如何求單一變量的平均值（期望值）和變異數。現在，我們即將踏入多變量的世界。你可以把這想像成從單純觀察一個人的身高，進階到研究其身高與體重之間的關係。

在這一章，我們會探討「矩」（moments）——這只是一個統計學上的高級詞彙，用來描述平均值與離散程度——也就是當兩個或多個變量產生交互作用時的情況。別擔心，儘管看到雙重積分或求和符號可能會讓你覺得有點「複雜」，但只要掌握其中的規律，你會發現它們其實非常容易處理！

1. 聯合期望值 (Joint Expected Values)

如果我們有兩個隨機變量 \(X\) 和 \(Y\)，我們有時需要求出一個同時包含兩者的函數的平均值，例如 \(E[X + Y]\) 或 \(E[XY]\)。這就被稱為聯合期望值。

要計算任何函數 \(g(X, Y)\) 的期望值，你只需要將該函數乘以聯合機率密度（或質量）函數，然後對所有範圍進行加總或積分即可。

對於離散變量：

\( E[g(X, Y)] = \sum_{x} \sum_{y} g(x, y) \cdot p(x, y) \)

對於連續變量：

\( E[g(X, Y)] = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} g(x, y) \cdot f(x, y) \,dy \,dx \)

類比：想像地板上有一個方格網。每個方格上都寫著一個數值，同時每個方格也代表一定的「權重」（機率）。要算出整個房間的總體平均值，你只需將每個方格的數值乘以其對應的權重，然後全部加總起來。

快速複習：請記住期望值具有線性性質！這意味著 \(E[aX + bY + c] = aE[X] + bE[Y] + c\)。即使 \(X\) 和 \(Y\) 彼此相關，這個特性依然成立！

2. 協方差 (Covariance)：衡量變量間的關係

協方差衡量的是兩個變量如何共同變化。如果當 \(X\) 增加時 \(Y\) 也增加，則協方差為正；如果當 \(X\) 增加時 \(Y\) 減少，則協方差為負。

在 Exam P 中你最常使用的公式是：

\( \mathbf{Cov(X, Y) = E[XY] - E[X]E[Y]} \)

重要提示：如果 \(X\) 和 \(Y\) 是獨立的，那麼 \(E[XY] = E[X]E[Y]\)，這意味著它們的協方差為 0。但要小心！協方差為 0 不一定代表它們是獨立的（不過在 Exam P 的考試範圍內，這通常暗示沒有線性關係）。

相關係數 (\(\rho\))

協方差可以是任何數值，這使得它難以進行比較。相關係數將協方差縮放至 -1 到 1 之間。

\( \rho_{XY} = \frac{Cov(X, Y)}{\sigma_X \sigma_Y} \)

其中 \(\sigma_X\) 和 \(\sigma_Y\) 分別是 \(X\) 和 \(Y\) 的標準差。

關鍵點：協方差告訴你關係的方向；相關係數則同時告訴你關係的方向與強度。

3. 條件矩 (Conditional Moments)

有時我們會獲得關於其中一個變量的已知資訊，並要求求出另一個變量的平均值或變異數。這些就是條件矩。

條件期望值 (Conditional Expectation)

給定 \(Y = y\) 的情況下，\(X\) 的條件平均值為：

\( E[X | Y = y] = \int x \cdot f_{X|Y}(x|y) \,dx \)

本質上，你將 \(Y\) 視為常數，並使用條件機率密度函數來計算平均值。

條件變異數 (Conditional Variance)

這衡量的是在已知 \(Y\) 的情況下，\(X\) 的離散程度：

\( Var(X | Y = y) = E[X^2 | Y = y] - (E[X | Y = y])^2 \)

你知道嗎？ \(E[X|Y]\) 本身其實就是一個隨機變量，因為它的取值取決於 \(Y\) 最後呈現的結果！這就引出了本章最重要的兩個定理。

4. 重點大將：疊代期望值與全變異數公式

這兩個公式在 Exam P 中是「黃金法則」。你幾乎肯定會在考試中用到它們。

疊代期望值定律 (Law of Iterated Expectations / Adam's Law)

此定律指出，「平均值的平均值」等於總體的平均值。

\( \mathbf{E[X] = E[E[X|Y]]} \)

例子：如果你想找出全校學生的平均身高，你可以先算出每個班級的平均身高 (\(E[X|Y]\))，然後再對這些平均值取平均。

全變異數定律 (Law of Total Variance / Eve's Law)

這個定律將總變異數拆解為兩部分：組內變異數（within groups）和組間變異數（between groups）。

\( \mathbf{Var(X) = E[Var(X|Y)] + Var(E[X|Y])} \)

記憶法：許多學生將其記為 "EV + VE" (Expected Value of Variance + Variance of Expected Value，即變異數的期望值 + 期望值的變異數)。

如果剛開始覺得這很難理解，別擔心！ 只要記住第一部分 (\(E[Var]\)) 處理的是條件組內的「雜訊」，而第二部分 (\(Var(E)\)) 處理的是各組「平均值」本身的變化幅度。

5. 避免常見錯誤

1. 混淆邊際機率與條件機率：務必檢查你應該使用 \(f(x)\)（邊際）還是 \(f(x|y)\)（條件）。如果題目說「給定 \(Y=2\)...」，你必須使用條件密度函數！

2. 忘記將平均值平方：在使用變異數公式 \(Var(X) = E[X^2] - (E[X])^2\) 時，學生經常忘記將後一項平方。這同樣適用於條件變異數！

3. 假設 \(E[XY] = E[X]E[Y] \)：只有當變量獨立時這才成立。如果聯合密度函數 \(f(x,y)\) 無法分解為 \(f(x)f(y)\)，你必須進行積分 \(xy \cdot f(x,y)\)。

6. 總結清單

在進行練習題之前，請確保你能：

  • 使用雙重積分或雙重求和計算 \(E[XY]\)。
  • 求出 \(Cov(X, Y)\)，並理解對於獨立變量，該值為 0。
  • 計算相關係數，並確認其值落在 -1 到 1 之間。
  • 應用疊代期望值定律來簡化複雜問題。
  • 使用 Eve's Law (EV + VE) 來找出變量的總變異數。

最後的小撇步：當你看到題目中一個變量的行為取決於另一個變量時（例如：「索賠數量 \(N\) 取決於風險類別 \(\Theta\)」），這是一個非常明顯的提示，暗示你要使用全期望值或全變異數定律！