歡迎來到線性組合（Linear Combinations）的世界！

各位準精算師們好！在準備 Exam P 的過程中，大家可能已經花了很多時間研究單一隨機變數。但在現實世界中，特別是在保險業，我們很少只看單一件事。保險公司關心的不僅僅是一份保單，而是各保單理賠的總和。這就是線性組合派上用場的時候了！

在這一章中，我們將學習如何計算當我們對隨機變數進行加、減或放大縮小時，它們的期望值（Mean）、變異數（Variance）和機率（Probabilities）。如果起初覺得這些概念有點抽象，請不用擔心；一旦你掌握了其中的規律，這將會成為考試中得分最多的部分之一！

究竟什麼是線性組合？

你可以把線性組合想像成一個數學食譜。如果你有兩個隨機變數，\( X \)（例如車禍的理賠金額）和 \( Y \)（例如住宅火災的理賠金額），線性組合就是將它們分別乘上常數再相加，從而產生一個新變數 \( W \)。

其一般形式如下：
\( W = aX + bY + c \)

其中 \( a \)、\( b \) 和 \( c \) 都是實數常數：
• \( a \) 和 \( b \) 是權重或放大縮小係數。
• \( c \) 是一個固定的平移量（例如每筆理賠額外加收的一筆固定行政費）。

簡單類比

想像你要買 2 磅蘋果（數量由 \( X \) 表示）和 3 磅香蕉（數量 \( Y \)）。如果每磅的價格是隨機的，你的總成本就是 \( 2X + 3Y \)。這就是一個線性組合！

第一步：求期望值（線性部分）

期望值（或平均數）的性質非常好。它遵循期望值的線性性質（Linearity of Expectation）。你可以直接把期望值算子分配給算式中的每一項：

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

為什麼這很好用： 使用此公式時，你不需要 \( X \) 和 \( Y \) 相互獨立。它對所有具有有限期望值的隨機變數都成立。

快速複習：期望值的運算規則

• \( E[aX] = aE[X] \)
• \( E[X + Y] = E[X] + E[Y] \)
• \( E[c] = c \) （常數的期望值就是該常數本身）

第二步：求變異數

變異數衡量的是離散程度，因此加上常數並不會改變變異數。當組合變數時，我們必須使用共變異數（Covariance）來考慮它們之間的關係。

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

重要提醒： 注意常數 \( c \) 消失了，且係數 \( a \) 和 \( b \) 都要平方。

什麼是共變異數？

共變異數 \( Cov(X, Y) = E[XY] - E[X]E[Y] \) 衡量 \( X \) 與 \( Y \) 之間的線性關聯。如果 \( X \) 和 \( Y \) 是獨立的，那麼 \( Cov(X, Y) = 0 \)。在獨立的情況下，變異數公式簡化為：
\( Var(aX + bY) = a^2Var(X) + b^2Var(Y) \)

常見陷阱：變數相減

當計算差值 \( X - Y \) 的變異數時，\( Y \) 的係數為 \( -1 \)。由於 \( (-1)^2 = 1 \)：
\( Var(X - Y) = Var(X) + Var(Y) - 2Cov(X, Y) \)
如果 \( X \) 和 \( Y \) 是獨立的：
\( Var(X - Y) = Var(X) + Var(Y) \)
千萬不要把變異數相減！ 不確定性是會累加的。

第三步：計算線性組合的機率

Exam P 主要著重於在兩種主要情境下計算線性組合的機率：連續常態隨機變數和獨立離散隨機變數，以及透過中央極限定理（Central Limit Theorem）進行的大樣本近似。

情境 1：連續常態隨機變數

獨立常態隨機變數的任何線性組合也呈常態分佈。如果 \( X \sim N(\mu_X, \sigma_X^2) \) 與 \( Y \sim N(\mu_Y, \sigma_Y^2) \) 獨立，且 \( W = aX + bY \)，則：
• 期望值： \( \mu_W = a\mu_X + b\mu_Y \)
• 變異數： \( \sigma_W^2 = a^2\sigma_X^2 + b^2\sigma_Y^2 \)
• 分佈： \( W \sim N(\mu_W, \sigma_W^2) \)

要計算如 \( P(W \le w) \) 的機率：
1. 計算標準差： \( \sigma_W = \sqrt{\sigma_W^2} \)。
2. 進行標準化： \( Z = \frac{W - \mu_W}{\sigma_W} \)。
3. 在考試提供的標準常態分佈表中查出 \( P(Z \le z) = \Phi(z) \)。

情境 2：獨立離散隨機變數

當 \( X \) 和 \( Y \) 為離散且獨立時，\( W = aX + bY \) 的機率質量函數（PMF）是透過將所有滿足條件的數對 \( (x, y) \) 之聯合機率相加求得。

因為 \( X \) 和 \( Y \) 獨立，聯合機率可以因式分解： \( P(X = x, Y = y) = P(X = x)P(Y = y) \)。

離散褶積（Convolution）公式：
對於總和 \( S = X + Y \)：
\( P(S = s) = \sum_{x} P(X = x) P(Y = s - x) \)

例子：假設獨立的理賠次數 \( X \) 和 \( Y \) 之機率函數為 \( P(X = 0) = 0.6 \)、\( P(X = 1) = 0.4 \)，以及 \( P(Y = 0) = 0.7 \)、\( P(Y = 1) = 0.3 \)。求 \( P(X + Y = 1) \)：
\( P(X + Y = 1) = P(X = 0, Y = 1) + P(X = 1, Y = 0) = (0.6)(0.3) + (0.4)(0.7) = 0.18 + 0.28 = 0.46 \)。

常見的特殊離散分佈族：
• 如果 \( X \sim \text{Poisson}(\lambda_1) \) 與 \( Y \sim \text{Poisson}(\lambda_2) \) 獨立，則 \( X + Y \sim \text{Poisson}(\lambda_1 + \lambda_2) \)。
• 如果 \( X \sim \text{Binomial}(n_1, p) \) 與 \( Y \sim \text{Binomial}(n_2, p) \) 獨立且成功機率 \( p \) 相同，則 \( X + Y \sim \text{Binomial}(n_1 + n_2, p) \)。

情境 3：中央極限定理（機率近似）

當處理大量獨立同分佈（i.i.d.）隨機變數的線性組合 \( S_n = \sum_{i=1}^n X_i \) 時，精確分佈可能非常複雜，但中央極限定理（CLT）允許我們使用常態分佈進行近似：

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

當 \( n \) 足夠大時，標準化後的總和近似於標準常態分佈：
\( Z = \frac{S_n - n\mu}{\sigma\sqrt{n}} \approx N(0, 1) \)

總結與重點摘要

1. 期望值呈線性： 無論是否獨立，永遠可以直接分配期望值：\( E[aX + bY] = aE[X] + bE[Y] \)。
2. 變異數需要共變異數： \( Var(aX + bY) = a^2Var(X) + b^2Var(Y) + 2abCov(X, Y) \)。如果獨立，共變異數項為 0。
3. 常態分佈保持常態： 獨立常態變數的線性組合仍為常態，可直接標準化為 \( Z \)。
4. 離散總和使用褶積： 對於獨立離散變數，將得出目標值的所有數對之乘積 \( P(X = x)P(Y = y) \) 相加。
5. 大量總和使用 CLT： 使用期望值為 \( n\mu \)、標準差為 \( \sigma\sqrt{n} \) 的常態分佈來近似 i.i.d. 變數的總和。