歡迎來到聯合分佈（Joint Distributions）的世界！

在先前的學習中，我們探討的都是單一隨機變數（Random Variables, RVs），例如單一保單持有人的索償次數。但在現實世界中，情況往往沒那麼簡單！精算師經常需要同時考慮兩個或以上的變數。舉例來說，我們可能想知道司機的年齡與其保險索償成本之間的關係。這時候，就需要用到聯合分佈隨機變數（Jointly Distributed Random Variables）了。

如果初看之下覺得抽象，請不必擔心。我們本質上只是從觀察單一數值，轉變為觀察成對（或一組）的數值。你可以把它想像成從 2D 線圖升級到 3D 地圖的概念。

1. 聯合機率分佈（Joint Probability Distributions）

當我們有兩個隨機變數 \(X\) 和 \(Y\) 時，我們會想知道它們同時取特定值的機率。

離散情況：聯合機率質量函數（Joint Probability Mass Function, PMF）

若 \(X\) 和 \(Y\) 是離散的，我們使用聯合 PMF，記作 \( p(x, y) = P(X = x, Y = y) \)。
黃金法則：聯合分佈中所有機率的總和必須等於 1。
\( \sum_{all x} \sum_{all y} p(x, y) = 1 \)

連續情況：聯合機率密度函數（Joint Probability Density Function, PDF）

若 \(X\) 和 \(Y\) 是連續的，我們使用聯合 PDF，記作 \( f(x, y) \)。與其想像成表格，不如把它想像成平面上方的一個「曲面」或「山丘」。曲面下的體積即代表機率。
黃金法則：曲面下的總體積必須等於 1。
\( \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} f(x, y) \,dx \,dy = 1 \)

快速複習：聯合累積機率分佈函數（Joint CDF）

聯合累積機率分佈函數（Joint Cumulative Distribution Function, CDF），記作 \( F(x, y) \)，是指 \(X\) 小於或等於 \(x\) 且 \(Y\) 小於或等於 \(y\) 的機率：
\( F(x, y) = P(X \le x, Y \le y) \)

重點總結：聯合分佈描述了兩個變數如何共同表現。對於離散變數，想像成一個表格；對於連續變數，則想像成一個 3D 曲面。

2. 邊際分佈（Marginal Distributions）

有時候，我們已經掌握了聯合分佈（「大局」），但只想聚焦於其中一個變數。這就稱為求邊際分佈（Marginal Distribution）。

「消去法」（Summing Out Trick）：
要找出 \(X\) 的邊際分佈，你實際上是「忽略」或「加總消去」了 \(Y\)。
- 離散： \( p_X(x) = \sum_{all y} p(x, y) \)
- 連續： \( f_X(x) = \int_{-\infty}^{\infty} f(x, y) \,dy \)

記憶小撇步：為什麼叫「邊際」（Marginal）？
想像一個機率表格。如果你將每一列（或每一行）加總，並把總數寫在紙張的邊緣（margins），你就找到了邊際分佈！

重點總結：要得到一個變數的邊際分佈，只需對另一個變數的整個取值範圍進行積分或加總即可。

3. 條件分佈（Conditional Distributions）

在精算工作中，我們常會問：「在已知 \(Y\) 值的情況下，\(X\) 的機率是多少？」。這就是條件分佈（Conditional Distribution）。

其公式源自基本的機率法則 \( P(A|B) = \frac{P(A \cap B)}{P(B)} \)：
\( f(x|y) = \frac{f(x, y)}{f_Y(y)} \)，前提是 \( f_Y(y) > 0 \)

類比：想像你在觀察人口的身高（\(X\)）和體重（\(Y\)）。身高的邊際分佈是所有人的身高。但給定體重為 100kg 的條件下，身高的條件分佈則僅是指該特定重磅群體的身高分佈。

常見錯誤：搞錯分母放哪個變數！永遠記得要除以給定變數（即垂直線 | 後面的那個變數）的邊際分佈。

4. 隨機變數的獨立性（Independence of Random Variables）

如果知道一個變數的值完全無法提供關於另一個變數的任何資訊，這兩個隨機變數就是獨立的（independent）。

從數學上來說，\(X\) 和 \(Y\) 獨立，若且唯若它們的聯合分佈等於其邊際分佈的乘積：
離散： \( p(x, y) = p_X(x) \cdot p_Y(y) \)
連續： \( f(x, y) = f_X(x) \cdot f_Y(y) \)

實用提示：如果 \(X\) 的取值範圍（限制條件）取決於 \(Y\) 的值（例如 \( 0 < x < y < 1 \)），那麼這兩個變數就不是獨立的！

5. 期望值與共變異數（Expectations and Covariance）

我們該如何描述兩個變數的「平均」表現及其「連結」呢？

函數 \( g(X, Y) \) 的期望值

要計算兩個變數函數的期望值，我們將該函數乘以聯合機率，然後進行加總或積分：
\( E[g(X, Y)] = \int \int g(x, y) f(x, y) \,dx \,dy \)

共變異數（Covariance）

共變異數用來衡量 \(X\) 與 \(Y\) 之間的線性關係。
\( Cov(X, Y) = E[(X - E[X])(Y - E[Y])] \)
計算時更實用的公式是：
\( Cov(X, Y) = E[XY] - E[X]E[Y] \)

  • 若 \( Cov(X, Y) > 0 \)：兩者呈正相關（同步上升或同步下降）。
  • 若 \( Cov(X, Y) < 0 \)：兩者呈負相關（方向相反）。
  • 若 \( X \) 和 \( Y \) 獨立，則 \( Cov(X, Y) = 0 \)。 (注意：反之則不一定成立！)

相關係數（Correlation Coefficient, \( \rho \)）

共變異數的數值範圍沒有限制，這使得比較變得困難。相關係數將共變異數標準化，範圍落在 -1 到 +1 之間：
\( \rho(X, Y) = \frac{Cov(X, Y)}{\sigma_X \sigma_Y} \)

其中 \( \sigma_X \) 和 \( \sigma_Y \) 分別是標準差。

重點總結：共變異數顯示關係的方向；相關係數則在標準刻度上同時顯示了方向與強度。

6. 條件期望值與條件變異數（Conditional Expectation and Variance）

這些是 CS1 考試中的「重頭戲」，涉及全期望公式（Law of Total Expectation）與全變異數公式（Law of Total Variance）。

全期望公式（Adam's Law）

\( E[X] = E[E[X|Y]] \)
這意味著 \(X\) 的總平均值等於所有條件平均值的平均值。

全變異數公式（Eve's Law）

\( Var(X) = E[Var(X|Y)] + Var(E[X|Y]) \)
記憶小撇步：「期望值的變異數 加上 變異數的期望值」（E-Var + Var-E）。

為什麼這很有用？
想像 \(X\) 是一年內的總索償額，而 \(Y\) 是意外發生的次數。直接計算 \(Var(X)\) 可能很困難，但若已知特定意外次數下的變異數，計算起來就簡單多了。這些法則讓你能夠利用較簡單的條件組件，「累積」出總變異數。

重點總結：這些法則是將複雜問題分解為基於「已知」資訊的較小、可管理部分的關鍵。

學習清單

  • 你能分辨一個聯合分佈是離散還是連續的嗎？
  • 你記得為了求出邊際分佈，要將另一個變數「消去」嗎？
  • 你的相關係數是否介於 -1 到 1 之間？如果不是，請檢查你的計算！
  • 你是否練習過使用 \( E[X] = E[E[X|Y]] \) 來處理複合分佈？

如果這些二重積分或條件法則讓你覺得沈重，請不用擔心。隨著練習，你會發現它們其實只是組合數據的簡單「食譜」而已！