Linear combinations of random variables

随机变量的线性组合 (Paper 6, 第 6.2 节)

哈喽！欢迎来到统计学 P2 中最实用且经常出现的考点：随机变量的线性组合 (Linear Combinations of Random Variables)。别被这个长长的名字吓到了——这一章其实就是在教你，当我们把不同的随机结果结合、相加或相减时，该如何计算它们的平均值（期望值）和方差（离散程度）。

可以这样想：如果你知道早上通勤时间 (\(X\)) 和下午回程时间 (\(Y\)) 的平均值与波动性，那么你要如何算出全天总交通时间 (\(X + Y\)) 的平均值和波动性呢？这一章就是给你这些简单的规则来解决问题！

1. 单一随机变量的变换：\(aX + b\)

在我们合并两个变量（如 \(X+Y\)）之前，先来看看如何变换单一变量 \(X\)。这在计算成本、调整测量刻度或单位转换时非常有用。

A. 期望值的规则（平均值）

期望值（\(E\)）用来衡量分布的中心。它遵循非常直观的规则：

规则 1：缩放与平移

\(E(aX + b) = aE(X) + b\)

类比：想象 \(X\) 是咖啡的价格，其 \(E(X) = \$4\)。如果政府征收 \(\$0.50\) 的定额税 (\(b=0.5\))，然后店家将原价加倍 (\(a=2\))，那么新的期望价格就是 \(2(\$4) + \$0.50 = \$8.50\)。期望值很简单，它是线性的。

B. 方差的规则（离散程度）

方差 (\(Var\)) 用来衡量围绕平均值的离散程度或波动性。这里是学生最容易犯错的地方，请务必留意！

规则 2：方差不受平移影响

对每个数值加上或减去一个常数 (\(b\)) 只会移动整个分布，但不会改变数值之间的离散程度。

\(Var(X + b) = Var(X)\)

规则 3：方差会将缩放因子平方

如果你将变量乘以一个常数 \(a\)，则离散程度会乘以 \(a^2\)。这是因为方差是利用与平均值的平方差计算出来的。

\(Var(aX + b) = a^2 Var(X)\)

重点：常数 \(b\) 在方差计算中会完全消失。

2. 合并两个独立随机变量：\(aX \pm bY\)

在现实生活中，我们很少只处理一个变量。我们需要合并两个（或多个）不同变量的规则，例如计算两个随机挑选的苹果的总重量 (\(X+Y\))。

以下方差规则的关键前提是：变量 \(X\) 和 \(Y\) 必须是独立的。（在 AS & A Level 数学中，除非题目另有说明，否则通常假设它们是独立的。）

A. 合并后的期望值规则

期望值依然非常直接，并且永远按线性方式合并：

规则 4：和与差的期望值

总和的平均值等于平均值的总和；差的平均值等于平均值的差。

\(E(aX + bY) = aE(X) + bE(Y)\)

注：即使 X 和 Y 不独立，此规则依然成立，但课程重点在于将其与方差的独立性假设结合应用。

B. 合并方差的黄金法则

这是本章中最重要且最常被误用的公式。

规则 5：方差永远相加（针对独立变量）

无论你是在计算总和的方差 (\(X+Y\))，还是差值的方差 (\(X-Y\))，个别的方差永远相加。

\(Var(aX \pm bY) = Var(aX) + Var(bY) = a^2 Var(X) + b^2 Var(Y)\)

为什么即使是减法，方差也要相加？
类比：考虑两个行程时间 X 和 Y。如果你计算总时间 \(X+Y\)，不确定性增加了；如果你计算两者之差 \(X-Y\)，不确定性同样增加了！你对 X 不确定，对 Y 也不确定。相减并不会神奇地抵消不确定性，反而会使其累积。你对最终结果的掌握度降低了，这意味着离散程度（方差）变大了。

常见错误提醒！
绝对不要写 \(Var(X - Y) = Var(X) - Var(Y)\)。这是错误的。如果你看到变量之间有减号，大脑请立即切换成方差相加模式：\(Var(X - Y) = Var(X) + Var(Y)\)。

3. 合并特定分布

当合并随机变量时，所得分布的形状很重要，特别是如果你打算计算概率（例如使用正态分布表）。关键概念是：对于某些常见的分布，线性组合的结果通常会保持在相同的分布族群中。

A. 正态变量的线性组合

如果 \(X\) 服从正态分布，且 \(Y\) 也服从正态分布，那么它们的线性组合一定服从正态分布（前提是它们独立）。

如果 \(X \sim N(\mu_X, \sigma_X^2)\) 且 \(Y \sim N(\mu_Y, \sigma_Y^2)\)，且两者独立，那么：

\(aX \pm bY \sim N \left( E(aX \pm bY), \ Var(aX \pm bY) \right)\)

这意味着什么：如果你将两个正态变量相加或相减，新的变量依然是正态分布。你只需要利用第 2 节的规则计算出新的平均值和方差即可。

情境范例：成年男性体重 (\(M\)) 服从正态分布，儿童体重 (\(C\)) 也服从正态分布。如果你各选一人，总重量 (\(M+C\)) 也会是正态分布。这非常重要，因为这意味着你可以使用标准正态分布 (\(Z\)) 来计算总重量的概率。

B. 泊松变量的线性组合

课程大纲要求你掌握两个独立泊松变量之和的结果。至于泊松变量的缩放或相减，通常超出了 Paper 6 的考核范围。

规则 6：独立泊松变量之和

如果 \(X\) 和 \(Y\) 是独立的泊松分布，则它们的和 \(X+Y\) 也服从泊松分布，其平均参数 (\(\lambda\)) 为两者之和。

如果 \(X \sim Po(\lambda_X)\) 且 \(Y \sim Po(\lambda_Y)\)，且两者独立，那么：

\(X + Y \sim Po(\lambda_X + \lambda_Y)\)

情境范例：Jane 收到的邮件数 (\(X\)) 服从 \(Po(2)\)，David 收到的邮件数 (\(Y\)) 服从 \(Po(3)\)。如果两者独立，两人收到的总邮件数 (\(X+Y\)) 服从 \(Po(2+3) = Po(5)\)。

这个特性与一般规则一致，因为对于泊松分布而言，\(E(X) = \lambda\) 且 \(Var(X) = \lambda\)。

• \(E(X+Y) = E(X) + E(Y) = \lambda_X + \lambda_Y\)
• \(Var(X+Y) = Var(X) + Var(Y) = \lambda_X + \lambda_Y\)

因为新变量 \(X+Y\) 的平均值和方差都是 \(\lambda_X + \lambda_Y\)，它完全符合参数为 \(\lambda_X + \lambda_Y\) 的泊松分布定义。

4. 解题步骤策略

大多数涉及线性组合的题目，都需要在计算概率之前，细心地应用期望值和方差规则。

范例：总生产时间

组装零件 A 的时间（以分钟计）为 \(T_A \sim N(10, 4)\)。组装零件 B 的时间为 \(T_B \sim N(15, 9)\)。一名工人在独立的情况下完成了 3 个零件 A 和 2 个零件 B。试求总时间 \(T_{Total}\) 的分布。

步骤 1：定义合并后的变量。
总时间为 5 个独立观测值的总和： \(T_{Total} = T_{A1} + T_{A2} + T_{A3} + T_{B1} + T_{B2}\)

步骤 2：计算期望值 (\(E\))。

\(E(T_{Total}) = E(T_{A1} + T_{A2} + T_{A3} + T_{B1} + T_{B2}) = 3E(T_A) + 2E(T_B)\)
\(E(T_{Total}) = 3(10) + 2(15) = 30 + 30 = 60 \text{ 分钟}\)

步骤 3：计算方差 (\(Var\))。

由于这些零件是独立完成的，因此它们各自的方差相加：

\(Var(T_{Total}) = Var(T_{A1}) + Var(T_{A2}) + Var(T_{A3}) + Var(T_{B1}) + Var(T_{B2}) = 3Var(T_A) + 2Var(T_B)\)
\(Var(T_{Total}) = 3(4) + 2(9) = 12 + 18 = 30\)

步骤 4：说明结果的分布。

由于 \(T_A\) 和 \(T_B\) 均为正态分布，独立正态变量之和也服从正态分布。

\(T_{Total} \sim N(60, 30)\)

接着，你就可以使用这个新分布，通过标准正态分布的 Z 变换来解决任何概率问题。

关于平方系数与独立观测值之和的重要提示：
\(X_1 + X_2 + X_3\) 与 \(3X\) 之间的区别常令人困惑。

• 如果你处理的是三个独立观测值之和（例如三个不同且随机选取的零件），其方差为 \(Var(X_1) + Var(X_2) + Var(X_3)\)。如果它们分布相同，这就等于 \(3 Var(X)\)。
• 如果你处理的是一个观测值乘以 3（单一物品缩放），其方差为 \(Var(3X) = 3^2 Var(X) = 9 Var(X)\)。

请务必确保你的公式反映了题目的实际情况：你是在计算多个独立物品的总和，还是在对单一物品进行缩放？