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單一保單持有人索償次數，進階到研究多個離散變量的聯合分佈，例如索償頻率與保單持有人的風險等級。

在這一章，我們會探討在聯合、條件和邊際離散分佈中的「矩」（moments）——包括期望值、變異數、標準差和協方差。在 Exam P 的考核範圍內，聯合、條件和邊際矩的多變量分佈均是在離散情境下進行評估的。

1. 聯合期望值 (Joint Expected Values)

當處理具有聯合機率質量函數 \(p(x, y) = P(X = x, Y = y)\) 的兩個離散隨機變量 \(X\) 和 \(Y\) 時，我們經常需要求出一個同時包含兩者的函數的平均值，例如 \(E[XY]\) 或 \(E[X + Y]\)。這就被稱為聯合期望值。

要計算任何函數 \(g(X, Y)\) 的期望值，只需將每個點的函數值乘以聯合機率，然後對所有可能的 \(x\) 和 \(y\) 取值進行加總即可：

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

類比：想像地板上有一個方格網。每個方格代表一組 \((x, y)\)，上面有回報數值 \(g(x, y)\) 和機率權重 \(p(x, y)\)。要算出總體的期望值，你只需將每個方格的回報乘以其機率權重，然後全部加總起來。

快速複習：期望值永遠具有線性性質：\(E[aX + bY + c] = aE[X] + bE[Y] + c\)。無論 \(X\) 和 \(Y\) 是獨立還是相關，這個線性性質都依然成立！

2. 邊際矩 (Marginal Moments)

在評估條件關係或協方差之前，我們經常需要分別計算每個變量的矩。這些就是邊際矩。

首先，對另一個變量求和以獲得邊際機率函數：

\( p_X(x) = \sum_{y} p(x, y) \quad \text{與} \quad p_Y(y) = \sum_{x} p(x, y) \)

邊際期望值 (Marginal Expected Value)

邊際平均值可以直接從邊際機率函數計算（或直接由聯合求和計算）：

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

邊際變異數與標準差 (Marginal Variance and Standard Deviation)

要計算邊際變異數，先計算二階原點矩 \(E[X^2] = \sum_x x^2 \cdot p_X(x)\)，然後套用變異數公式：

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

標準差是變異數的平方根：\( \sigma_X = \sqrt{Var(X)} \)。

3. 條件矩 (Conditional Moments)

當獲得關於其中一個變量的特定資訊時（例如已知 \(Y = y\)），我們會將機率更新為條件機率函數：

\( p_{X|Y}(x|y) = P(X = x \mid Y = y) = \frac{p(x, y)}{p_Y(y)}, \quad \text{其中 } p_Y(y) > 0 \)

條件期望值 (Conditional Expectation)

給定 \(Y = y\) 的情況下，\(X\) 的條件平均值是根據此條件分佈所取的期望值：

\( E[X \mid Y = y] = \sum_{x} x \cdot p_{X|Y}(x|y) \)

此處，在對 \(x\) 的所有可能取值求和時，\(y\) 被視為固定常數。

條件變異數與標準差 (Conditional Variance and Standard Deviation)

條件變異數衡量的是在已知 \(Y = y\) 的情況下，\(X\) 的離散程度：

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

其中 \(E[X^2 \mid Y = y] = \sum_x x^2 \cdot p_{X|Y}(x|y)\)。條件標準差為 \( \sigma_{X|Y=y} = \sqrt{Var(X \mid Y = y)} \)。

提示：\(E[X \mid Y]\) 本身就是一個隨機變量，因為它的數值取決於 \(Y\) 的結果。

4. 協方差與相關係數 (Covariance and Correlation)

協方差衡量兩個隨機變量之間的線性關係：

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

獨立性：如果 \(X\) 和 \(Y\) 是獨立的離散隨機變量，則 \(p(x, y) = p_X(x)p_Y(y)\)，這意味著 \(E[XY] = E[X]E[Y]\)，因此 \(Cov(X, Y) = 0\)。請注意，\(Cov(X, Y) = 0\) 表示沒有線性關係，但在一般情況下不一定保證獨立性。

相關係數 (\(\rho\))

相關係數將協方差標準化，使其無量綱化並限制在 -1 到 1 之間：

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

5. 雙重期望值與全變異數 (Double Expectation and Total Variance)

這兩個基本恆等式讓你能夠透過對中間變量進行條件約束來求出邊際矩。

疊代期望值定律 (The Law of Iterated Expectations)

總體平均值等於條件平均值的期望值：

\( E[X] = E[E[X \mid Y]] = \sum_{y} E[X \mid Y = y] \cdot p_Y(y) \)

全變異數定律 (The Law of Total Variance)

總變異數可拆解為條件變異數的期望值加上條件期望值的變異數：

\( Var(X) = E[Var(X \mid Y)] + Var(E[X \mid Y]) \)

記憶法：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)。

6. 避免常見錯誤

1. 混淆邊際與條件：務必檢查分母。邊際分佈使用無條件求和 \(p_X(x) = \sum_y p(x, y)\)，而條件分佈則需要除以已知條件的邊際機率：\(p_{X|Y}(x|y) = p(x,y) / p_Y(y)\)。

2. 忘記將平均值平方：在邊際變異數 \(Var(X) = E[X^2] - (E[X])^2\) 和條件變異數 \(Var(X|Y=y) = E[X^2|Y=y] - (E[X|Y=y])^2\) 中，務必記得減去期望值的平方。

3. 假設 \(E[XY] = E[X]E[Y]\)：這個等式只有當 \(X\) 和 \(Y\) 獨立時才成立。當變量彼此相關時，請使用聯合分佈表計算 \(E[XY] = \sum_x \sum_y xy \cdot p(x, y)\)。

7. 總結清單

在處理多變量離散矩的練習題之前，請確保你能：

• 透過將聯合機率表的列或行求和來建構邊際分佈。

• 計算邊際期望值、變異數和標準差：\(E[X]\)、\(Var(X)\) 和 \(\sigma_X\)。

• 建構條件機率分佈 \(p_{X|Y}(x|y)\) 並計算條件矩 \(E[X \mid Y = y]\) 及 \(Var(X \mid Y = y)\)。

• 計算 \(E[XY]\)、協方差 \(Cov(X, Y) = E[XY] - E[X]E[Y]\) 和相關係數 \(\rho_{XY}\)。

• 應用疊代期望值定律和全變異數定律 (EV + VE)。