Part V: 統計應用總整理

在前面四個部分，我們學習了微積分的基礎概念：函數、極限、連續性、微分、積分、多變量微積分。現在，我們要將這些數學工具應用到醫學統計的實際問題中。

為什麼微積分對統計這麼重要？

統計學的核心是處理不確定性，而微積分提供了精確描述不確定性的語言：

機率分布：用連續函數描述隨機變數的行為
最大概似估計：用微分找到最佳參數值
迴歸分析：用偏微分推導迴歸係數
存活分析：用積分計算存活機率
貝氏統計：用積分更新機率信念

本部分章節安排

Chapter 13: 機率分布

連接 PDF 和 CDF 的微積分關係，理解常見分布的數學形式，用積分計算期望值和變異數。

關鍵概念：

$f(x) = \frac{d}{dx}F(x)$（PDF 是 CDF 的導數）
$F(x) = \int_{-\infty}^{x} f(t)dt$（CDF 是 PDF 的積分）
$E[X] = \int_{-\infty}^{\infty} x f(x)dx$（期望值的積分定義）

Chapter 14: 最大概似估計

統計推論的基石，用微分找到最能解釋觀察資料的參數值。

關鍵概念：

Likelihood function 的建構
Log-likelihood 的微分
Score function: $U(\theta) = \frac{\partial}{\partial\theta}\log L(\theta)$
Fisher Information: $I(\theta) = -E\left[\frac{\partial^2}{\partial\theta^2}\log L(\theta)\right]$

Chapter 15: 迴歸分析

用偏微分推導迴歸係數，理解為什麼 OLS 和 MLE 在常態假設下等價。

關鍵概念：

殘差平方和最小化：$\frac{\partial}{\partial\beta} SSR = 0$
Logistic regression 的 log-odds 和微分
多元迴歸的偏微分

Chapter 16: 存活分析

時間到事件資料的微積分處理，理解 hazard 的瞬時概念。

關鍵概念：

Survival function: $S(t) = 1 - F(t)$
Hazard function: $h(t) = \frac{f(t)}{S(t)} = -\frac{d}{dt}\log S(t)$
Cumulative hazard: $H(t) = \int_0^t h(u)du$

Chapter 17: 貝氏統計

用積分更新機率信念，理解共軛先驗的數學原理。

關鍵概念：

貝氏定理的連續版本：$p(\theta|x) = \frac{p(x|\theta)p(\theta)}{\int p(x|\theta)p(\theta)d\theta}$
Prior × Likelihood → Posterior
Beta-Binomial 的共軛關係

學習目標

完成本部分後，你將能夠：

✅ 理解機率分布的微積分基礎 ✅ 用微分推導 MLE 估計值 ✅ 理解迴歸係數的數學來源 ✅ 掌握存活分析的 hazard 概念 ✅ 理解貝氏更新的積分過程

學習建議

這五章是全書的高潮，將前面學的所有微積分工具整合應用。建議：

不要急：這些章節資訊密度高，需要時間消化
動手做：每個 R 範例都實際執行，修改參數觀察變化
連結前面章節：看到微分/積分時，回想前面學的概念
重視視覺化：圖形比公式更能幫助理解

讓我們開始這趟統計應用的旅程！

# Part V: 統計應用總整理 {.unnumbered} 在前面四個部分，我們學習了微積分的基礎概念：函數、極限、連續性、微分、積分、多變量微積分。現在，我們要將這些數學工具應用到醫學統計的實際問題中。 ## 為什麼微積分對統計這麼重要？統計學的核心是**處理不確定性**，而微積分提供了精確描述不確定性的語言： - **機率分布**：用連續函數描述隨機變數的行為 - **最大概似估計**：用微分找到最佳參數值 - **迴歸分析**：用偏微分推導迴歸係數 - **存活分析**：用積分計算存活機率 - **貝氏統計**：用積分更新機率信念 ## 本部分章節安排 ### Chapter 13: 機率分布 {#sec-distributions} 連接 PDF 和 CDF 的微積分關係，理解常見分布的數學形式，用積分計算期望值和變異數。 **關鍵概念**： - $f(x) = \frac{d}{dx}F(x)$（PDF 是 CDF 的導數） - $F(x) = \int_{-\infty}^{x} f(t)dt$（CDF 是 PDF 的積分） - $E[X] = \int_{-\infty}^{\infty} x f(x)dx$（期望值的積分定義） ### Chapter 14: 最大概似估計 {#sec-mle} 統計推論的基石，用微分找到最能解釋觀察資料的參數值。 **關鍵概念**： - Likelihood function 的建構 - Log-likelihood 的微分 - Score function: $U(\theta) = \frac{\partial}{\partial\theta}\log L(\theta)$ - Fisher Information: $I(\theta) = -E\left[\frac{\partial^2}{\partial\theta^2}\log L(\theta)\right]$ ### Chapter 15: 迴歸分析 {#sec-regression} 用偏微分推導迴歸係數，理解為什麼 OLS 和 MLE 在常態假設下等價。 **關鍵概念**： - 殘差平方和最小化：$\frac{\partial}{\partial\beta} SSR = 0$ - Logistic regression 的 log-odds 和微分 - 多元迴歸的偏微分 ### Chapter 16: 存活分析 {#sec-survival} 時間到事件資料的微積分處理，理解 hazard 的瞬時概念。 **關鍵概念**： - Survival function: $S(t) = 1 - F(t)$ - Hazard function: $h(t) = \frac{f(t)}{S(t)} = -\frac{d}{dt}\log S(t)$ - Cumulative hazard: $H(t) = \int_0^t h(u)du$ ### Chapter 17: 貝氏統計 {#sec-bayesian} 用積分更新機率信念，理解共軛先驗的數學原理。 **關鍵概念**： - 貝氏定理的連續版本：$p(\theta|x) = \frac{p(x|\theta)p(\theta)}{\int p(x|\theta)p(\theta)d\theta}$ - Prior × Likelihood → Posterior - Beta-Binomial 的共軛關係 ## 學習目標完成本部分後，你將能夠： ✅ 理解機率分布的微積分基礎 ✅ 用微分推導 MLE 估計值 ✅ 理解迴歸係數的數學來源 ✅ 掌握存活分析的 hazard 概念 ✅ 理解貝氏更新的積分過程 ## 學習建議這五章是全書的**高潮**，將前面學的所有微積分工具整合應用。建議： 1. **不要急**：這些章節資訊密度高，需要時間消化 2. **動手做**：每個 R 範例都實際執行，修改參數觀察變化 3. **連結前面章節**：看到微分/積分時，回想前面學的概念 4. **重視視覺化**：圖形比公式更能幫助理解讓我們開始這趟統計應用的旅程！