目錄
期望值和變異數常被一起教，所以初學者容易把它們混成「平均和分散」。這樣講沒有錯，但太粗。考試和 ML/AI 評估真正需要的是：期望值告訴你長期中心，變異數告訴你結果會不會晃。
平均高不代表穩。兩個模型的平均分數一樣，其中一個每次都差不多，另一個有時很好、有時很差，產品決策會完全不同。反過來，變異數小也不代表平均好。一個模型很穩定地答錯，波動很小，但沒有實用價值。
所以這篇要把兩個問題分開：長期平均在哪裡？波動有多大？這兩個問題會一路接到後面的標準誤、信賴區間、bias-variance tradeoff 和模型評估。
期望值是依機率加權的長期平均
如果一個隨機變數會取好幾個值，每個值出現機率不同，期望值就是把每個值乘上機率後加總。
離散情況可以寫成：
E[X] = sum x p(x)
這不是說下一次一定會出現 E[X]。擲一顆公平骰子的期望值是 3.5，但你永遠不會擲出 3.5。期望值描述的是長期平均，而不是單次預測。
這點在考試裡很重要。題目問「平均報酬」「長期損失」「預期得分」時，通常是在問期望值。你要把每個可能結果和它的機率配起來，而不是只看最大或最常出現的結果。
變異數是在問離平均有多遠
變異數描述結果圍繞期望值的波動。它不是直接平均 X 和 E[X] 的差，因為正負差會互相抵消；所以會平方後再平均。
常用公式是：
Var(X) = E[(X-E[X])^2]
計算時常用另一個等價式：
Var(X) = E[X^2] - E[X]^2
這個公式在離散題很好用。你先算 E[X]，再算 E[X^2]，最後相減。標準差則是變異數開根號，會回到原本單位，比較容易解釋。
一題完整算例
假設 X 表示某題人工評分：
| X | 意義 | 機率 |
|---|---|---|
| 0 | 錯誤 | 0.20 |
| 1 | 部分正確 | 0.50 |
| 2 | 完全正確 | 0.30 |
先算期望值：
E[X] = 00.20 + 10.50 + 2*0.30 = 1.10
這表示長期平均評分是 1.10。某一題不會得到 1.10 分；很多題或很多次評估平均下來，中心會靠近這個數字。
接著算 E[X^2]：
E[X^2] = 0^20.20 + 1^20.50 + 2^2*0.30 = 1.70
所以：
Var(X) = 1.70 - 1.10^2 = 0.49
標準差是 sqrt(0.49)=0.70。若你在考試中要解釋，可以寫：「此評分的長期平均為 1.10，標準差約 0.70，表示單題結果相對於平均仍有明顯波動。」
常見錯誤是只算 E[X] 就結束。若題目問風險、穩定度、波動或可靠性，變異數才是主角。
線性轉換要看平均和波動怎麼變
考試很愛問 aX+b。這類題目其實在測你有沒有分清楚位置和波動。
期望值會照線性轉換移動：
E[aX+b] = aE[X]+b
變異數則不同：
Var(aX+b) = a^2 Var(X)
加 b 只會把所有結果一起平移，不會改變波動。乘 a 會拉開或縮小距離，所以變異數會乘上 a^2。
例如分數 X 轉成 Y=10X+5。平均會變成 10E[X]+5；變異數會變成 100Var(X)。那個 +5 不會讓分數更不穩，只是整體往上移。
加總時要小心獨立
如果 X 和 Y 獨立，Var(X+Y)=Var(X)+Var(Y)。這是很常用的性質。
但如果不獨立，就不能直接加。兩個模型在同一批題目上的分數往往有關，因為同一題如果很難，兩個模型都可能錯。這時波動計算會牽涉 covariance。
這也是後面模型比較會強調 paired evaluation 的原因。兩個結果是否獨立，會直接影響不確定性估計。
這在 ML / AI 哪裡會用到
模型訓練中的 loss，可以先看成隨機變數。每筆資料都有一個 loss；平均 loss 是期望風險的樣本版本。你最小化訓練 loss，其實是在用樣本平均近似你真正關心的未來平均損失。
模型評估也要看 variance。若同一個模型在不同測試切分上的分數差很多，代表評估不穩。你不能只拿其中一次最高分當結論。這會接到 cross-validation、bootstrap 和 confidence interval。
Bias-variance tradeoff 也從這裡開始變得有意義。bias 偏高，代表模型系統性偏離目標；variance 偏高，代表模型對訓練資料太敏感。平均表現和波動要一起看，才知道模型問題在哪裡。
來源使用方式
- 官方考古題 PDF 只用來確認年份、科目名稱與題面，不把兩年題型當成完整範圍。
- grad-exam-prep 備考頁用來對齊學習路線、題型入口與練習節奏，不視為官方標準答案。
- OpenIntro、OpenStax 與其他開放教材用來核對公式、定義、假設與常見推導。
- Stanford CS109 與 scikit-learn 文件用來補 ML/AI 對接：模型訓練、評估、實驗與不確定性報告。
題型辨識提示
- 問長期平均、平均報酬、平均 loss，先想期望值。
- 問風險、穩定、波動，先想變異數或標準差。
- 看到 aX+b，記得平均和變異數的轉換規則不同。
- 加總多個隨機變數時，先檢查是否能假設獨立。
常見錯誤
- 把期望值當成下一次一定會出現的值。
- 只算平均，不看波動。
- 忘記 Var(aX+b) 裡的 a 要平方。
- 在模型比較中假設兩個分數獨立，卻沒有檢查資料是否成對。
練習題
- 給定 P(X=0)=0.25、P(X=4)=0.75，算 E[X]、E[X^2] 與 Var(X)。
- 若 Y=3X+2，寫出 E[Y] 和 Var(Y)。
- 用一段話解釋：為什麼平均 loss 不足以描述模型穩定度。
- 舉一個 bias 高和 variance 高的模型例子，各寫一句現象描述。
下一篇怎麼接
期望值和變異數告訴你單一隨機變數的中心與波動。下一篇會把很多樣本放在一起，處理樣本平均的波動，也就是標準誤和中央極限定理。
章節級參考對照
- OpenIntro / OpenStax：支撐 expectation、variance、standard deviation、linear transformation 與 independence。
- Stanford CS109：支撐期望與 variance 在機率模型中的角色。
- scikit-learn：支撐 loss、model stability、bias-variance 與模型評估語境。
參考資料
Loading...