欢迎来到线性组合（Linear Combinations）的世界！

各位准精算师们好！在准备 Exam P 的过程中，大家可能已经花了很多时间研究单一随机变量。但在现实世界中，特别是在保险业，我们很少只看单一件事。保险公司关心的不仅仅是一份保单，而是各保单理赔的总和。这就是线性组合派上用场的时候了！

在这一章中，我们将学习如何计算当我们对随机变量进行加、减或放大缩小时，它们的期望值（Mean）、方差（Variance）和概率（Probabilities）。如果起初觉得这些概念有点抽象，请不用担心；一旦你掌握了其中的规律，这将会成为考试中得分最多的部分之一！

究竟什么是线性组合？

你可以把线性组合想象成一个数学食谱。如果你有两个随机变量，\( X \)（例如车祸的理赔金额）和 \( Y \)（例如住宅火灾的理赔金额），线性组合就是将它们分别乘上常数再相加，从而产生一个新变量 \( W \)。

其一般形式如下：
\( W = aX + bY + c \)

其中 \( a \)、\( b \) 和 \( c \) 都是实数常数：
• \( a \) 和 \( b \) 是权重或放大缩小系数。
• \( c \) 是一个固定的平移量（例如每笔理赔额外加收的一笔固定行政费）。

简单类比

想象你要买 2 磅苹果（数量由 \( X \) 表示）和 3 磅香蕉（数量 \( Y \)）。如果每磅的价格是随机的，你的总成本就是 \( 2X + 3Y \)。这就是一个线性组合！

第一步：求期望值（线性部分）

期望值（或平均数）的性质非常好。它遵循期望值的线性性质（Linearity of Expectation）。你可以直接把期望值算子分配给算式中的每一项：

公式：
\( E[aX + bY + c] = aE[X] + bE[Y] + c \)

为什么这很好用： 使用此公式时，你不需要 \( X \) 和 \( Y \) 相互独立。它对所有具有有限期望值的随机变量都成立。

快速复习：期望值的运算规则

• \( E[aX] = aE[X] \)
• \( E[X + Y] = E[X] + E[Y] \)
• \( E[c] = c \) （常数的期望值就是该常数本身）

第二步：求方差

方差衡量的是离散程度，因此加上常数并不会改变方差。当组合变量时，我们必须使用协方差（Covariance）来考虑它们之间的关系。

公式：
\( Var(aX + bY + c) = a^2Var(X) + b^2Var(Y) + 2abCov(X, Y) \)

重要提醒： 注意常数 \( c \) 消失了，且系数 \( a \) 和 \( b \) 都要平方。

什么是协方差？

协方差 \( Cov(X, Y) = E[XY] - E[X]E[Y] \) 衡量 \( X \) 与 \( Y \) 之间的线性关联。如果 \( X \) 和 \( Y \) 是独立的，那么 \( Cov(X, Y) = 0 \)。在独立的情况下，方差公式简化为：
\( Var(aX + bY) = a^2Var(X) + b^2Var(Y) \)

常见陷阱：变量相减

当计算差值 \( X - Y \) 的方差时，\( Y \) 的系数为 \( -1 \)。由于 \( (-1)^2 = 1 \)：
\( Var(X - Y) = Var(X) + Var(Y) - 2Cov(X, Y) \)
如果 \( X \) 和 \( Y \) 是独立的：
\( Var(X - Y) = Var(X) + Var(Y) \)
千万不要把方差相减！ 不确定性是会累加的。

第三步：计算线性组合的概率

Exam P 主要着重于在两种主要情境下计算线性组合的概率：连续正态随机变量和独立离散随机变量，以及通过中心极限定理（Central Limit Theorem）进行的大样本近似。

情境 1：连续正态随机变量

独立正态随机变量的任何线性组合也呈正态分布。如果 \( X \sim N(\mu_X, \sigma_X^2) \) 与 \( Y \sim N(\mu_Y, \sigma_Y^2) \) 独立，且 \( W = aX + bY \)，则：
• 期望值： \( \mu_W = a\mu_X + b\mu_Y \)
• 方差： \( \sigma_W^2 = a^2\sigma_X^2 + b^2\sigma_Y^2 \)
• 分布： \( W \sim N(\mu_W, \sigma_W^2) \)

要计算如 \( P(W \le w) \) 的概率：
1. 计算标准差： \( \sigma_W = \sqrt{\sigma_W^2} \)。
2. 进行标准化： \( Z = \frac{W - \mu_W}{\sigma_W} \)。
3. 在考试提供的标准正态分布表中查出 \( P(Z \le z) = \Phi(z) \)。

情境 2：独立离散随机变量

当 \( X \) 和 \( Y \) 为离散且独立时，\( W = aX + bY \) 的概率质量函数（PMF）是通过将所有满足条件的数对 \( (x, y) \) 之联合概率相加求得。

因为 \( X \) 和 \( Y \) 独立，联合概率可以因式分解： \( P(X = x, Y = y) = P(X = x)P(Y = y) \)。

离散卷积（Convolution）公式：
对于总和 \( S = X + Y \)：
\( P(S = s) = \sum_{x} P(X = x) P(Y = s - x) \)

例子：假设独立的理赔次数 \( X \) 和 \( Y \) 之概率函数为 \( P(X = 0) = 0.6 \)、\( P(X = 1) = 0.4 \)，以及 \( P(Y = 0) = 0.7 \)、\( P(Y = 1) = 0.3 \)。求 \( P(X + Y = 1) \)：
\( P(X + Y = 1) = P(X = 0, Y = 1) + P(X = 1, Y = 0) = (0.6)(0.3) + (0.4)(0.7) = 0.18 + 0.28 = 0.46 \)。

常见的特殊离散分布族：
• 如果 \( X \sim \text{Poisson}(\lambda_1) \) 与 \( Y \sim \text{Poisson}(\lambda_2) \) 独立，则 \( X + Y \sim \text{Poisson}(\lambda_1 + \lambda_2) \)。
• 如果 \( X \sim \text{Binomial}(n_1, p) \) 与 \( Y \sim \text{Binomial}(n_2, p) \) 独立且成功概率 \( p \) 相同，则 \( X + Y \sim \text{Binomial}(n_1 + n_2, p) \)。

情境 3：中心极限定理（概率近似）

当处理大量独立同分布（i.i.d.）随机变量的线性组合 \( S_n = \sum_{i=1}^n X_i \) 时，精确分布可能非常复杂，但中心极限定理（CLT）允许我们使用正态分布进行近似：

\( E[S_n] = n\mu \)， \( \quad Var(S_n) = n\sigma^2 \)

当 \( n \) 足够大时，标准化后的总和近似于标准正态分布：
\( Z = \frac{S_n - n\mu}{\sigma\sqrt{n}} \approx N(0, 1) \)

总结与重点摘要

1. 期望值呈线性： 无论是否独立，永远可以直接分配期望值：\( E[aX + bY] = aE[X] + bE[Y] \)。
2. 方差需要协方差： \( Var(aX + bY) = a^2Var(X) + b^2Var(Y) + 2abCov(X, Y) \)。如果独立，协方差项为 0。
3. 正态分布保持正态： 独立正态变量的线性组合仍为正态，可直接标准化为 \( Z \)。
4. 离散总和使用卷积： 对于独立离散变量，将得出目标值的所有数对之乘积 \( P(X = x)P(Y = y) \) 相加。
5. 大量总和使用 CLT： 使用期望值为 \( n\mu \)、标准差为 \( \sigma\sqrt{n} \) 的正态分布来近似 i.i.d. 变量的总和。