歡迎來到母函數（Generating Functions）的世界！
歡迎！如果你曾經對複雜的機率分佈感到不知所措，那你一定會喜歡這一章。你可以把母函數想像成隨機變數的「DNA 圖譜」或是「數位指紋」。我們不用處理冗長雜亂的機率表或複雜的積分，而是將所有資訊打包成一個簡潔優美的代數函數。
讀完這些筆記後，你將會發現，這些函數讓我們只需透過微積分就能輕鬆求出分佈的平均值和變異數。更棒的是，它們讓兩個隨機變數相加的過程變得像乘法一樣簡單！如果一開始覺得有點難也不用擔心，我們會一步一步來。
1. 什麼是母函數？
簡單來說，母函數是一種將數值序列（例如機率）表示為冪級數系數的方法。在精算統計學（Actuarial Statistics）中，我們主要關注兩種類型：
- 動差母函數 (Moment Generating Functions, MGFs)：適用於離散型和連續型變數。
- 機率母函數 (Probability Generating Functions, PGFs)：主要用於取非負整數值（0, 1, 2...）的離散型變數。
類比：手提箱
想像你有一堆物品（機率或動差）要攜帶。你可以把它們全部抱在懷裡，那樣會很混亂。或者，你可以把它們裝進一個手提箱（即母函數）裡。當你需要特定的物品時，只要用特定的方法「打開」這個箱子，就能把它取出來！
快速回顧：
母函數只是一個數學上的「包裝」，用來盛載有關隨機變數 \( X \) 的所有重要資訊。
2. 機率母函數 (PGF)
PGF 是專門為取值為 \( 0, 1, 2, \dots \) 的離散型隨機變數所設計的。
隨機變數 \( X \) 的 PGF，記作 \( G_X(s) \)，定義如下：
\( G_X(s) = E[s^X] = \sum_{k=0}^{\infty} P(X=k)s^k \)
為什麼這很有用？
如果你將總和展開，它看起來像這樣：
\( G_X(s) = P(X=0)s^0 + P(X=1)s^1 + P(X=2)s^2 + \dots \)
\( X = k \) 的機率就是 \( s^k \) 前面的系數。只要有了 PGF，你就擁有了該分佈的所有機率值！
你知道嗎？
PGF 中的 "s" 在現實中並沒有實際意義——它只是一個佔位符（虛擬變數），幫助我們透過冪次來整理機率。
關鍵特性：從 PGF 求平均值與變異數
要從 PGF 取得平均值（期望值），我們需要進行微分，然後代入 \( s = 1 \)：
1. \( E[X] = G'_X(1) \)
2. \( E[X(X-1)] = G''_X(1) \)
3. 由此，你可以利用以下公式求出變異數： \( Var(X) = G''_X(1) + G'_X(1) - [G'_X(1)]^2 \)
常見錯誤： 學生經常在微分後忘記代入 \( s=1 \)。請務必記住：微分給出的是一個函數公式，但你需要計算 \( s=1 \) 時的值才能得到動差！
3. 動差母函數 (MGF)
MGF 是精算統計學中的「主力」。它適用於幾乎所有的分佈（常態分佈、指數分佈、伽瑪分佈等）。
隨機變數 \( X \) 的 MGF，記作 \( M_X(t) \)，定義如下：
\( M_X(t) = E[e^{tX}] \)
如何計算：
對於離散型變數： \( M_X(t) = \sum e^{tx} P(X=x) \)
對於連續型變數： \( M_X(t) = \int_{-\infty}^{\infty} e^{tx} f(x) dx \)
為什麼叫「動差」母函數？
我們這樣稱呼它，是因為我們可以利用它來「產生」該分佈的動差（平均值、 \( E[X^2] \)、 \( E[X^3] \) 等）。
若要找出第 \( n \) 個動差（\( E[X^n] \)）：
1. 將 \( M_X(t) \) 對 \( t \) 微分 \( n \) 次。
2. 代入 \( t = 0 \)。
求平均值的步驟：
1. 求出 \( M'_X(t) \)。
2. \( E[X] = M'_X(0) \)。
3. 若要計算變異數，先求出 \( M''_X(0) \)（即 \( E[X^2] \)），然後使用標準公式： \( Var(X) = E[X^2] - (E[X])^2 \)。
重點總結： MGF 將積分/求和問題轉化為微積分（微分）問題，這通常更容易解決！
4. MGF 的重要特性
這是 MGF 在 IFoA 考試中真正大放異彩的地方。這兩個特性是高分關鍵！
特性 1：線性變換
如果我們有一個新的隨機變數 \( Y = aX + b \)，則 \( Y \) 的 MGF 為：
\( M_Y(t) = e^{bt} M_X(at) \)
例子： 如果你知道 \( X \) 的 MGF，而你需要 \( 3X + 5 \) 的 MGF，你只需在原 MGF 中將 \( t \) 替換為 \( 3t \)，然後乘以 \( e^{5t} \) 即可。
特性 2：獨立隨機變數的和
這是母函數的「魔法」。如果 \( X \) 和 \( Y \) 是獨立的隨機變數，且 \( Z = X + Y \)，那麼：
\( M_Z(t) = M_X(t) \times M_Y(t) \)
記憶小撇步： 在「現實世界」中將獨立變數相加，等同於在「母函數世界」中將它們的 MGF 相乘。相乘兩個函數可比在密度函數上執行複雜的數學運算（稱為「卷積」）簡單多了！
5. 唯一性與常見的 MGF
CS1 中最重要的規則之一是唯一性定理（Uniqueness Theorem）：如果兩個隨機變數具有相同的 MGF，它們一定具有相同的分佈。這是一種一一對應的關係。
在考試中，如果你將兩個 MGF 相乘，而結果看起來與卜瓦松分佈（Poisson distribution）的 MGF 完全一樣，你可以自信地指出這個總和遵循卜瓦松分佈。
快速回顧：常見的 MGF
- 卜瓦松 (Poisson) \( (\lambda) \)： \( M_X(t) = \exp(\lambda(e^t - 1)) \)
- 指數 (Exponential) \( (\lambda) \)： \( M_X(t) = \frac{\lambda}{\lambda - t} \)，當 \( t < \lambda \)
- 常態 (Normal) \( (\mu, \sigma^2) \)： \( M_X(t) = \exp(\mu t + \frac{1}{2}\sigma^2 t^2) \)
6. 總結與最後小撇步
母函數只是讓生活變得更輕鬆的工具。我們不用直接計算機率，而是在「轉換域」中操作，那裡的數學通常更簡潔。
- PGF 用於離散整數： \( E[s^X] \)。求動差時使用 \( s=1 \)。
- MGF 適用於所有情況： \( E[e^{tx}] \)。求動差時使用 \( t=0 \)。
- 獨立性是關鍵： 只有當變數獨立時，才能將 MGF 相乘。
- 線性關係： \( M_{aX+b}(t) = e^{bt}M_X(at) \)。
最後的鼓勵：
如果代數看起來很嚇人，別擔心。多練習計算上述常見 MGF 的微分。一旦你掌握了「微分並代入零」的流程，你會發現這些題目是 CS1 考試中最容易預測的分數來源！