歡迎來到隨機變量的線性組合！
你好！今天我們將探討如何結合不同的隨機變量。你可以把這一章想像成「統計學的樂高積木」。我們將個別的數據塊（例如一個學生的身高）組合在一起，或者將其擴大倍數（例如全班學生的總身高），來看看會發生什麼變化。
如果起初覺得有些抽象也不用擔心。學完這些筆記後，你會發現這其實只是遵循幾條黃金法則而已。讓我們開始吧！
1. 單個變量的縮放與平移
假設你有一個隨機變量 \(X\)，這可以是蘋果的重量。如果我們將每個蘋果的重量加倍 (\(2X\))，或者給每個蘋果貼上一個 10g 的標籤 (\(X + 10\))，會發生什麼事呢？
期望值 (Mean)
期望值，即 \(E(X)\)，非常「聽話」。它會完全按照你的預期運作。如果你將數據乘以 \(a\) 再加上 \(b\)，平均值也會進行相同的運算。
公式： \(E(aX + b) = aE(X) + b\)
方差 (Variance)
方差，即 \(Var(X)\)，是用來衡量數據的離散程度。如果你給每個數值加上一個常數 \(b\)，離散程度是不會改變的（整個圖形只是平移了）。然而，如果你乘以一個常數 \(a\)，離散程度會變為原來的 \(a^2\) 倍。
公式： \(Var(aX + b) = a^2Var(X)\)
例子： 如果 \(E(X) = 10\) 且 \(Var(X) = 4\)，那麼 \(3X + 5\) 的平均值和方差分別是多少？
1. 新平均值： \(3(10) + 5 = 35\)
2. 新方差： \(3^2 \times 4 = 9 \times 4 = 36\)
小貼士： 在計算方差時，記得一定要將乘數平方！在計算方差時，常數 \(b\) 會被忽略，因為平移數據並不會讓它變得更「分散」或更「集中」。
重點總結： 平均值完全遵循公式；方差則忽略加減運算，並將乘數平方。
2. 結合兩個或多個變量
現在，如果我們有兩個不同的變量 \(X\) 和 \(Y\) 呢？例如，\(X\) 是麥片盒的重量，\(Y\) 是裡面玩具的重量。
和的期望值
再一次，平均值是非常友好的。要找出總平均值，只需將個別的平均值相加即可。
\(E(X + Y) = E(X) + E(Y)\)
\(E(X - Y) = E(X) - E(Y)\)
和的方差（針對獨立變量）
這是學生最容易絆倒的地方！如果 \(X\) 和 \(Y\) 是獨立的（意味著一個變量不會影響另一個），那麼它們的方差永遠是相加的，即使是在進行變量相減的情況下也是如此。
公式：
\(Var(X + Y) = Var(X) + Var(Y)\)
\(Var(X - Y) = Var(X) + Var(Y)\)
類比：「不確定性」規則
將方差想像成「不確定性」或「誤差」。如果你將兩個項目加在一起，你的不確定性會增加。如果你從一個項目中減去另一個，你仍然有兩個誤差來源，所以總體的不確定性仍然會增加。你不能減去不確定性！
你知道嗎？ 在劍橋 9709 課程大綱中，只有當變量獨立時，你才能使用這些方差公式。做題時一定要留意這個關鍵詞！
重點總結： 平均值可以相加或相減。方差則永遠相加（前提是變量必須是獨立的）。
3. 「加倍」與「兩個不同變量」的陷阱
這是整個章節中最常見的錯誤。請務必仔細看！
情況 A： \(2X\)（單個項目加倍）
這是一個蘋果，我們透過魔法讓它變得兩倍重。
\(Var(2X) = 2^2 \times Var(X) = 4Var(X)\)
情況 B： \(X_1 + X_2\)（兩個不同的蘋果）
這是從同一棵樹上摘下的兩個獨立蘋果。它們是相互獨立的。
\(Var(X_1 + X_2) = Var(X_1) + Var(X_2) = 2Var(X)\)
注意區別： \(4Var(X)\) 遠大於 \(2Var(X)\)。將一個變量加倍，比將兩個獨立變量相加要「風險更大」（離散程度更高）。
重點總結： 將一個變量乘以 \(n\) 與將該變量的 \(n\) 個獨立副本相加並不相同。
4. 正態分佈的線性組合
如果你的變量 \(X\) 和 \(Y\) 服從正態分佈，那麼它們的任何線性組合（例如 \(2X + 3Y\)）也將服從正態分佈。這非常有用，因為這意味著我們仍然可以使用 Z-表！
正態分佈問題的解題步驟：
1. 求新平均值： 使用 \(E(aX + bY)\) 規則。
2. 求新方差： 使用 \(Var(aX + bY)\) 規則。
3. 寫出新分佈： \(W \sim N(\mu_{new}, \sigma^2_{new})\)。
4. 標準化： 使用 \(Z = \frac{W - \mu}{\sigma}\)（記得使用標準差，即新方差的平方根）。
5. 求概率： 在正態分佈表中查出對應數值。
例子：
設 \(X \sim N(10, 4)\) 且 \(Y \sim N(12, 9)\)。求 \(P(X + Y > 25)\)。
- 新平均值： \(10 + 12 = 22\)
- 新方差： \(4 + 9 = 13\)
- 新分佈： \(S \sim N(22, 13)\)
- 標準化： \(Z = \frac{25 - 22}{\sqrt{13}} = \frac{3}{3.606} = 0.832\)
- 現在像平時一樣求解 \(P(Z > 0.832)\)。
重點總結： 如果輸入是正態分佈，輸出也一定是正態分佈。只需先算出新的平均值和方差即可！
5. 獨立泊松變量之和
如果你有兩個獨立的泊松變量 \(X \sim Po(\lambda_1)\) 和 \(Y \sim Po(\lambda_2)\)，它們的和也服從泊松分佈！
公式： \(X + Y \sim Po(\lambda_1 + \lambda_2)\)
注意：這僅適用於變量相加，不適用於減法或乘以常數。
避免常見錯誤
• 忘記對 \(a\) 平方： 在方差中，\(Var(3X)\) 是 \(9Var(X)\)，而不是 \(3Var(X)\)。
• 相減方差： 即使題目要求的是 \(Var(X - Y)\)，你也必須相加方差。
• 標準差與方差： 正態分佈的符號是 \(N(\mu, \sigma^2)\)。如果題目說標準差是 5，那麼你的方差是 25！開始計算前，一定要檢查你手上的是哪一個。
• 混淆 \(nX\) 與 \(X_1 + X_2 + ... + X_n\)： 仔細讀題。你是將一個測量值乘以 \(n\)，還是將 \(n\) 個獨立的測量值相加？
速查箱
期望值： \(E(aX + bY + c) = aE(X) + bE(Y) + c\)
方差： \(Var(aX \pm bY \pm c) = a^2Var(X) + b^2Var(Y)\)（僅限獨立時）
正態分佈： 正態變量的組合永遠是正態分佈。
泊松分佈： 泊松變量之和仍是泊松分佈（直接相加 \(\lambda\) 值）。
你一定可以做到的！跟著這些步驟練習幾道題目，你會發現這些「線性組合」其實只是一套合乎邏輯的規則。祝你學習順利！