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，而是數以千計保單的總和。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「送分」最多的得分區之一！

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 \( c \) 都是普通數字（常數）。
• \( a \) 和 \( b \) 是權重（放大縮小係數）。
• \( c \) 是一個固定的平移量（例如每筆理賠都會額外加收一筆固定的處理費）。

簡單類比

想像你要買 2 磅蘋果 (\( X \)) 和 3 磅香蕉 (\( Y \))。如果每磅的價格因為每日波動而是一個隨機變數，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（簡單的部分）

期望值（或平均數）的性質非常好。它遵循線性性質（Linearity）。簡單來說，就是你可以直接把 \( E[\cdot] \) 符號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，你不需要知道 \( X \) 和 \( Y \) 是否獨立。它永遠適用！如果你要將兩個變數相加，只需要將它們的平均值相加即可。就是這麼簡單。

快速複習：E 的運算規則

• \( E[cX] = cE[X] \)
• \( E[X + Y] = E[X] + E[Y] \)
• \( E[c] = c \) （常數的平均值就是該常數本身！）

第二步：求變異數（棘手的部分）

變異數比期望值要敏感得多。它不會簡單地相加，因為變數之間可能存在「交互作用」。這種交互作用由共變異數（Covariance）來衡量。

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！變異數衡量的是離散程度，將分配平移一個固定值並不會改變其「分散」的程度。另外，注意係數 \( a \) 和 \( b \) 都要平方。

等等，什麼是共變異數？

共變異數 \( Cov(X, Y) \) 告訴我們變數是否傾向於同向變動。
• 如果 \( Cov(X, Y) > 0 \)：當 \( X \) 上升時，\( Y \) 傾向於上升。
• 如果 \( Cov(X, Y) < 0 \)：當 \( X \) 上升時，\( Y \) 傾向於下降。
• 如果 \( Cov(X, Y) = 0 \)：兩者之間不存在線性關係。

你知道嗎？ 如果 \( X \) 和 \( Y \) 是獨立的，那麼 \( Cov(X, Y) = 0 \)。這會讓公式變得更簡單：
\( Var(aX + bY) = a^2Var(X) + b^2Var(Y) \)

常見陷阱：減號

學生在處理變數相減時經常犯錯。如果你要計算 \( Var(X - Y) \)，公式是：
\( Var(X - Y) = Var(X) + Var(Y) - 2Cov(X, Y) \)
如果它們是獨立的，則變為：
\( Var(X - Y) = Var(X) + Var(Y) \)
千萬不要把變異數相減！ 變異數衡量的是不確定性；如果你將兩個不確定的事物結合起來，總體不確定性通常會增加，而不是減少。

第三步：計算機率

既然我們已經有了新的期望值和新的變異數，我們該如何計算實際機率（例如 \( P(X + Y > 10) \)）呢？

方法 A：常態分佈（最常見）

如果題目告訴你 \( X \) 和 \( Y \) 是常態分佈，那麼它們的任何線性組合也一定是常態分佈。這是一個非常強大的捷徑！

步驟：
1. 求新的期望值： \( \mu_W = E[aX + bY] \)。
2. 求新的變異數： \( \sigma^2_W = Var(aX + bY) \)。
3. 開根號求新的標準差： \( \sigma_W \)。
4. 使用 Z-score 公式： \( Z = \frac{W - \mu_W}{\sigma_W} \)。
5. 查標準常態分配表求機率。

方法 B：動差母函數（MGF）技巧

如果變數不是常態分佈，我們有時會使用 MGF。獨立變數之和的 MGF 等於它們各自 MGF 的乘積。
\( M_{X+Y}(t) = M_X(t) \cdot M_Y(t) \)

如果你能辨識出最終的 MGF 屬於某種特定的分佈（例如 Gamma 或 Poisson），你就可以利用該分佈的特性來解題。

總結與重點摘要

1. 期望值很容易： 直接分配算式即可，不用管是否獨立。
2. 變異數要小心： 記得係數要平方，且必須包含 \( 2abCov(X, Y) \) 項（除非題目說明兩者獨立）。
3. 共變異數是關鍵： \( Cov(X, Y) = E[XY] - E[X]E[Y] \)。
4. 常態分佈保持常態： 常態變數的和仍為常態。這是你在 Exam P 中許多考題的「好朋友」。
5. 注意單位： 如果題目要求變數之和的標準差，別忘了對最終算出的變異數開根號！

如果覺得共變異數的部分很複雜，別擔心！只要記住：獨立 = 共變異數為 0。大多數考試題目要麼會直接給你共變異數，要麼會告訴你變數是獨立的，以減輕你的負擔。你一定沒問題的！