歡迎來到單變量隨機變量！

你好！如果你正在準備 Exam P，你應該已經意識到機率絕不僅僅是拋硬幣或擲骰子那麼簡單。在精算科學的世界裡，我們需要一套方法將現實世界中的不確定性轉化為數學模型以便進行分析。這正是隨機變量（Random Variables）的用途！請將本章視為你大廈的地基——只要掌握了這些變量的運作方式，Exam P 中其他所有內容都會迎刃而解。如果剛開始覺得有些抽象，請不用擔心；我們會一步一步為你拆解。

1. 什麼是隨機變量 (RV)？

簡單來說，隨機變量是一個將隨機試驗的結果賦予數值的規則。我們不再說「結果是正面」，而是說 \(X = 1\)。我們不再說「保險索償金額很大」，而是說 \(X = \$50,000\)。

\n\n

對於 Exam P，你需要掌握兩類主要的隨機變量：

\n

1. 離散型隨機變量（Discrete Random Variables）： 這些代表「可數」的對象。你可以把它們想像成梯級。例如：一年內發生的車禍次數（0, 1, 2...）或考試及格的人數。
\n2. 連續型隨機變量（Continuous Random Variables）： 這些代表「可測量」的對象。它們可以在一個範圍內取任何值。你可以把它們想像成平滑的滑梯。例如：發生索償前的精確時間，或索償的確切金額（例如：$1,250.42）。

快速複習：

• 離散型 = 計數 (0, 1, 2...)
• 連續型 = 測量 (任何數值，如 1.572...)

2. 機率質量函數 (PMF) - 針對離散型變量

對於離散型變量，我們使用機率質量函數 (PMF)，通常寫作 \(p(x)\) 或 \(P(X = x)\)。它告訴我們變量等於某個特定數值的確切機率。

PMF 的兩大黃金法則：
1. 每個單獨的機率必須介於 0 到 1 之間： \(0 \le P(X = x) \le 1\)。
2. 所有機率的總和必須恰好等於 1： \(\sum P(X = x) = 1\)。

範例：如果一個變量 X 可以是 1、2 或 3，且 \(P(X=1) = 0.2\)，\(P(X=2) = 0.5\)，那麼 \(P(X=3)\) 必須是 0.3，因為它們的總和必須為 1。

3. 機率密度函數 (PDF) - 針對連續型變量

這是事情變得比較「數學化」的地方。對於連續型變量，變量取某個精確數值（例如剛好 1.00000... 秒）的機率實際上為 0。相反，我們關注的是區間內的密度（density）。

機率密度函數 (PDF) 表示為 \(f(x)\)。要找出 \(X\) 落在 \(a\) 和 \(b\) 之間的機率，我們需要計算該區間在曲線下的面積，這通常透過積分來實現：

\(P(a \le X \le b) = \int_{a}^{b} f(x) dx\)

PDF 的兩大黃金法則：
1. 函數值永遠不能為負： \(f(x) \ge 0\)。
2. 整個曲線下的總面積必須等於 1： \(\int_{-\infty}^{\infty} f(x) dx = 1\)。

常見錯誤警示！

在離散型的 PMF 中，\(P(X=x)\) 就是機率。但在連續型的 PDF 中，\(f(x)\) **不是**機率，它是一個高度（密度）。只要曲線下的總面積保持為 1，\(f(x)\) 的值是可以大於 1 的！

4. 累積分配函數 (CDF)

累積分配函數 (CDF)，寫作 \(F(x)\)，就像是機率的「累計總和」。它告訴你隨機變量小於或等於某個特定值的機率。

定義： \(F(x) = P(X \le x)\)

為什麼 CDF 這麼有用？
它讓我們無需每次都重新進行積分，就能計算出變量落在某個範圍內的機率：
\(P(a < X \le b) = F(b) - F(a)\)

記憶小貼士：CDF 中的「C」

你可以把 CDF 想成 Collecting（收集）或 Cumulating（累計）。它收集了從圖表左側一直到點 \(x\) 的所有機率。

任何 CDF 的關鍵屬性：

• 它總是從 0 開始（在最左側： \(F(-\infty) = 0\)）。
• 它總是結束於 1（在最右側： \(F(\infty) = 1\)）。
• 它永遠不會下降；它是非遞減的。當你向右移動時，你會「收集」更多的機率。

你知道嗎？ 在保險領域，CDF 被用於計算索償金額低於特定自負額（deductible）的機率！

5. 連接 PDF 與 CDF

如果你喜歡微積分，你會喜歡這部分。PDF 和 CDF 是同一件事的兩個面向。你可以透過積分**和**微分**在兩者之間轉換。

1. 從 PDF 獲得 CDF： 對 PDF 從最小值積分到 \(x\)。
\(F(x) = \int_{-\infty}^{x} f(t) dt\)

2. 從 CDF 獲得 PDF： 對 CDF 求導。
\(f(x) = \frac{d}{dx} F(x)\)

步驟教學：從 PDF 求 CDF

假設給定 \(f(x) = 2x\)，且 \(0 < x < 1\)。
1. 建立積分式： \(\int_{0}^{x} 2t dt\)。
2. 積分： \([t^2]\) 從 \(0\) 到 \(x\)。
3. 計算： \(x^2 - 0^2 = x^2\)。
4. 完整定義 CDF：
\(F(x) = 0\)，當 \(x < 0\) 時
\(F(x) = x^2\)，當 \(0 \le x \le 1\) 時
\(F(x) = 1\)，當 \(x > 1\) 時

6. 總結與最後建議

重點摘要：
• PMF/PDF 提供的是「點」或「密度」視角。
• CDF 提供的是「累積到該點」的視角。
• 對於離散型變量，使用加總 (\(\Sigma\))。
• 對於連續型變量，使用積分 (\(\int\))。
• 務必檢查你的總機率（總和或積分）是否等於 1。如果不等於，你很可能在計算上出錯了。

別忘了： 在連續型分配中，\(P(X < x)\) 與 \(P(X \le x)\) 是一樣的，因為變量等於精確 \(x\) 的機率為零。但這對於離散型變量並不適用，所以處理離散問題時，請務必留意題目使用的是 "<" 還是 "\(\le\)"！

你做得很好！這些概念是你解決 Exam P 中幾乎所有問題的工具。請多練習在 PDF 和 CDF 之間進行轉換，直到這變成你的直覺為止。