欢迎来到随机变量的线性组合！
你好！今天我们将探讨如何结合不同的随机变量。你可以把这一章想象成“统计学的乐高积木”。我们将个别的数据库（例如一个学生的身高）组合在一起，或者将其扩大倍数（例如全班学生的总身高），来看看会发生什么变化。
如果起初觉得有些抽象也不用担心。学完这些笔记后，你会发现这其实只是遵循几条黄金法则而已。让我们开始吧！
1. 单个变量的缩放与平移
假设你有一个随机变量 \(X\)，这可以是苹果的重量。如果我们将会每个苹果的重量加倍 (\(2X\))，或者给每个苹果贴上一个 10g 的标签 (\(X + 10\))，会发生什么事呢？
期望值 (Mean)
期望值，即 \(E(X)\)，非常“听话”。它会完全按照你的预期运作。如果你将数据乘以 \(a\) 再加上 \(b\)，平均值也会进行相同的运算。
公式： \(E(aX + b) = aE(X) + b\)
方差 (Variance)
方差，即 \(Var(X)\)，是用来衡量数据的离散程度。如果你给每个数值加上一个常数 \(b\)，离散程度是不会改变的（整个图形只是平移了）。然而，如果你乘以一个常数 \(a\)，离散程度会变为原来的 \(a^2\) 倍。
公式： \(Var(aX + b) = a^2Var(X)\)
例子： 如果 \(E(X) = 10\) 且 \(Var(X) = 4\)，那么 \(3X + 5\) 的平均值和方差分别是多少？
1. 新平均值： \(3(10) + 5 = 35\)
2. 新方差： \(3^2 \times 4 = 9 \times 4 = 36\)
小贴士： 在计算方差时，记得一定要将乘数平方！在计算方差时，常数 \(b\) 会被忽略，因为平移数据并不会让它变得更“分散”或更“集中”。
重点总结： 平均值完全遵循公式；方差则忽略加减运算，并将乘数平方。
2. 结合两个或多个变量
现在，如果我们有两个不同的变量 \(X\) 和 \(Y\) 呢？例如，\(X\) 是麦片盒的重量，\(Y\) 是里面玩具的重量。
和的期望值
再一次，平均值是非常友好的。要找出总平均值，只需将个别的平均值相加即可。
\(E(X + Y) = E(X) + E(Y)\)
\(E(X - Y) = E(X) - E(Y)\)
和的方差（针对独立变量）
这是学生最容易绊倒的地方！如果 \(X\) 和 \(Y\) 是独立的（意味着一个变量不会影响另一个），那么它们的方差永远是相加的，即使是在进行变量相减的情况下也是如此。
公式：
\(Var(X + Y) = Var(X) + Var(Y)\)
\(Var(X - Y) = Var(X) + Var(Y)\)
类比：“不确定性”规则
将方差想象成“不确定性”或“误差”。如果你将两个项目加在一起，你的不确定性会增加。如果你从一个项目中减去另一个，你仍然有两个误差来源，所以总体的不确定性仍然会增加。你不能减去不确定性！
你知道吗？ 在剑桥 9709 课程大纲中，只有当变量独立时，你才能使用这些方差公式。做题时一定要留意这个关键词！
重点总结： 平均值可以相加或相减。方差则永远相加（前提是变量必须是独立的）。
3. “加倍”与“两个不同变量”的陷阱
这是整个章节中最常见的错误。请务必仔细看！
情况 A： \(2X\)（单个项目加倍）
这是一个苹果，我们透过魔法让它变得两倍重。
\(Var(2X) = 2^2 \times Var(X) = 4Var(X)\)
情况 B： \(X_1 + X_2\)（两个不同的苹果）
这是从同一棵树上摘下的两个独立苹果。它们是相互独立的。
\(Var(X_1 + X_2) = Var(X_1) + Var(X_2) = 2Var(X)\)
注意区别： \(4Var(X)\) 远大于 \(2Var(X)\)。将一个变量加倍，比将两个独立变量相加要“风险更大”（离散程度更高）。
重点总结： 将一个变量乘以 \(n\) 与将该变量的 \(n\) 个独立副本相加并不相同。
4. 正态分布的线性组合
如果你的变量 \(X\) 和 \(Y\) 服从正态分布，那么它们的任何线性组合（例如 \(2X + 3Y\)）也将服从正态分布。这非常有用，因为这意味着我们仍然可以使用 Z-表！
正态分布问题的解题步骤：
1. 求新平均值： 使用 \(E(aX + bY)\) 规则。
2. 求新方差： 使用 \(Var(aX + bY)\) 规则。
3. 写出新分布： \(W \sim N(\mu_{new}, \sigma^2_{new})\)。
4. 标准化： 使用 \(Z = \frac{W - \mu}{\sigma}\)（记得使用标准差，即新方差的平方根）。
5. 求概率： 在正态分布表中查出对应数值。
例子：
设 \(X \sim N(10, 4)\) 且 \(Y \sim N(12, 9)\)。求 \(P(X + Y > 25)\)。
- 新平均值： \(10 + 12 = 22\)
- 新方差： \(4 + 9 = 13\)
- 新分布： \(S \sim N(22, 13)\)
- 标准化： \(Z = \frac{25 - 22}{\sqrt{13}} = \frac{3}{3.606} = 0.832\)
- 现在像平时一样求解 \(P(Z > 0.832)\)。
重点总结： 如果输入是正态分布，输出也一定是正态分布。只需先算出新的平均值和方差即可！
5. 独立泊松变量之和
如果你有两个独立的泊松变量 \(X \sim Po(\lambda_1)\) 和 \(Y \sim Po(\lambda_2)\)，它们的和也服从泊松分布！
公式： \(X + Y \sim Po(\lambda_1 + \lambda_2)\)
注意：这仅适用于变量相加，不适用于减法或乘以常数。
避免常见错误
• 忘记对 \(a\) 平方： 在方差中，\(Var(3X)\) 是 \(9Var(X)\)，而不是 \(3Var(X)\)。
• 相减方差： 即使题目要求的是 \(Var(X - Y)\)，你也必须相加方差。
• 标准差与方差： 正态分布的符号是 \(N(\mu, \sigma^2)\)。如果题目说标准差是 5，那么你的方差是 25！开始计算前，一定要检查你手上的是哪一个。
• 混淆 \(nX\) 与 \(X_1 + X_2 + ... + X_n\)： 仔细读题。你是将一个测量值乘以 \(n\)，还是将 \(n\) 个独立的测量值相加？
速查箱
期望值： \(E(aX + bY + c) = aE(X) + bE(Y) + c\)
方差： \(Var(aX \pm bY \pm c) = a^2Var(X) + b^2Var(Y)\)（仅限独立时）
正态分布： 正态变量的组合永远是正态分布。
泊松分布： 泊松变量之和仍是泊松分布（直接相加 \(\lambda\) 值）。
你一定可以做到的！跟着这些步骤练习几道题目，你会发现这些“线性组合”其实只是一套合乎逻辑的规则。祝你学习顺利！