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，而是数以千计保单的总和。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“送分”最多的得分区之一！

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 \( c \) 都是普通数字（常数）。
• \( a \) 和 \( b \) 是权重（放大缩小系数）。
• \( c \) 是一个固定的平移量（例如每笔理赔都会额外加收一笔固定的处理费）。

简单类比

想象你要买 2 磅苹果 (\( X \)) 和 3 磅香蕉 (\( Y \))。如果每磅的价格因为每日波动而是一个随机变量，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（简单的部分）

期望值（或平均数）的性质非常好。它遵循线性性质（Linearity）。简单来说，就是你可以直接把 \( E[\cdot] \) 符号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，你不需要知道 \( X \) 和 \( Y \) 是否独立。它永远适用！如果你要将两个变量相加，只需要将它们的平均值相加即可。就是这么简单。

快速复习：E 的运算规则

• \( E[cX] = cE[X] \)
• \( E[X + Y] = E[X] + E[Y] \)
• \( E[c] = c \) （常数的平均值就是该常数本身！）

第二步：求方差（棘手的部分）

方差比期望值要敏感得多。它不会简单地相加，因为变量之间可能存在“交互作用”。这种交互作用由协方差（Covariance）来衡量。

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！方差衡量的是离散程度，将分配平移一个固定值并不会改变其“分散”的程度。另外，注意系数 \( a \) 和 \( b \) 都要平方。

等等，什么是协方差？

协方差 \( Cov(X, Y) \) 告诉我们变量是否倾向于同向变动。
• 如果 \( Cov(X, Y) > 0 \)：当 \( X \) 上升时，\( Y \) 倾向于上升。
• 如果 \( Cov(X, Y) < 0 \)：当 \( X \) 上升时，\( Y \) 倾向于下降。
• 如果 \( Cov(X, Y) = 0 \)：两者之间不存在线性关系。

你知道吗？ 如果 \( X \) 和 \( Y \) 是独立的，那么 \( Cov(X, Y) = 0 \)。这会让公式变得更简单：
\( Var(aX + bY) = a^2Var(X) + b^2Var(Y) \)

常见陷阱：减号

学生在处理变量相减时经常犯错。如果你要计算 \( Var(X - Y) \)，公式是：
\( Var(X - Y) = Var(X) + Var(Y) - 2Cov(X, Y) \)
如果它们是独立的，则变为：
\( Var(X - Y) = Var(X) + Var(Y) \)
千万不要把方差相减！ 方差衡量的是不确定性；如果你将两个不确定的事物结合起来，总体不确定性通常会增加，而不是减少。

第三步：计算概率

既然我们已经有了新的期望值和新的方差，我们该如何计算实际概率（例如 \( P(X + Y > 10) \)）呢？

方法 A：正态分布（最常见）

如果题目告诉你 \( X \) 和 \( Y \) 是正态分布，那么它们的任何线性组合也一定是正态分布。这是一个非常强大的捷径！

步骤：
1. 求新的期望值： \( \mu_W = E[aX + bY] \)。
2. 求新的方差： \( \sigma^2_W = Var(aX + bY) \)。
3. 开根号求新的标准差： \( \sigma_W \)。
4. 使用 Z-score 公式： \( Z = \frac{W - \mu_W}{\sigma_W} \)。
5. 查标准正态分布表求概率。

方法 B：矩母函数（MGF）技巧

如果变量不是正态分布，我们有时会使用 MGF。独立变量之和的 MGF 等于它们各自 MGF 的乘积。
\( M_{X+Y}(t) = M_X(t) \cdot M_Y(t) \)

如果你能辨识出最终的 MGF 属于某种特定的分布（例如 Gamma 或 Poisson），你就可以利用该分布的特性来解题。

总结与重点摘要

1. 期望值很容易： 直接分配算式即可，不用管是否独立。
2. 方差要小心： 记得系数要平方，且必须包含 \( 2abCov(X, Y) \) 项（除非题目说明两者独立）。
3. 协方差是关键： \( Cov(X, Y) = E[XY] - E[X]E[Y] \)。
4. 正态分布保持正态： 正态变量的和仍为正态。这是你在 Exam P 中许多考题的“好朋友”。
5. 注意单位： 如果题目要求变量之和的标准差，别忘了对最终算出的方差开根号！

如果觉得协方差的部分很复杂，别担心！只要记住：独立 = 协方差为 0。大多数考试题目要么会直接给你协方差，要么会告诉你变量是独立的，以减轻你的负担。你一定没问题的！