前言：隨機變數的組合
歡迎來到統計學的進階領域！在你之前的學習中，你可能已經接觸過單一隨機變數（例如投擲一枚骰子的結果）。但在現實世界中，情況通常沒有那麼簡單。我們經常需要處理不同事件的組合。例如，你的總通勤時間其實就是步行時間和乘車時間的總和。
在本章中，我們將學習當我們對離散隨機變數進行加、減或乘法運算時，該如何計算其平均值（期望值）和變異數（離散程度）。如果一開始覺得有點棘手，不用擔心——我們會把它們拆解成一套簡單且通用的規則！
1. 基本概念：線性變換
在我們結合兩個不同的變數之前，先快速複習一下，如果只改變單一變數（將其乘以一個數值，即縮放；或加上一個常數，即平移），會發生什麼事。
若 \(X\) 為隨機變數，且 \(a\) 和 \(b\) 為常數：
1. 平均值： \(E(aX + b) = aE(X) + b\)
2. 變異數： \(Var(aX + b) = a^2Var(X)\)
為什麼會這樣？
想像全班同學在考試中每人都獲得額外 5 分。全班的平均分會增加 5 分。然而，分數的離散程度（變異數）會保持完全不變，因為大家的分數是一起提升的！但如果你把所有人的分數乘以 2，平均值會加倍，而離散程度則會增加 \(2^2 = 4\) 倍。
重點速覽：
- 加上常數 (\(b\)) 會影響平均值，但不會影響變異數。
- 乘以常數 (\(a\)) 會使平均值變為原來的 \(a\) 倍，變異數則變為原來的 \(a^2\) 倍。
2. 組合兩個變數：平均值法則
本章最好的消息是：平均值是非常友善的！無論兩個變數之間是否相關，還是完全獨立，它們的計算方式都和你預期的一模一樣。
對於任何兩個隨機變數 \(X\) 和 \(Y\)：
\(E(aX + bY) = aE(X) + bE(Y)\)
現實例子：
如果你每小時賺 10 元 (\(X\))，你的朋友每小時賺 12 元 (\(Y\))，你們兩人工作時數不同，你們總預期收入就是各自預期收入的總和。無論你們是在同一家店工作還是不同店，這個原則都適用！
核心觀點：你可以隨時直接對平均值進行加減。\(E(X - Y) = E(X) - E(Y)\)。
3. 組合兩個變數：共變異數與相關係數
在我們探討變數組合的變異數之前，我們需要先了解 \(X\) 和 \(Y\) 是如何「溝通」的。這就是共變異數 (Covariance) 和 相關係數 (Correlation) 的用武之地。
共變異數 \(Cov(X, Y)\)：這衡量了兩個變數一起變化的程度。
- 如果 \(Cov(X, Y)\) 為正值，當 \(X\) 上升時，\(Y\) 往往也會上升。
- 如果 \(Cov(X, Y)\) 為負值，當 \(X\) 上升時，\(Y\) 往往會下降。
- 如果 \(Cov(X, Y)\) 為零，表示兩者之間沒有線性關係。
相關係數 (\(\rho\))：這是共變異數的「標準化」版本，數值始終介於 -1 到 1 之間，比共變異數更容易解讀。
兩者之間的公式為：
\( \rho = \frac{Cov(X, Y)}{\sqrt{Var(X)Var(Y)}} \)
小知識：
相關係數不關心單位！無論你是用公分還是英吋來測量身高，身高與體重之間的相關係數始終保持不變。
4. 線性組合的變異數
計算組合變數的變異數比較複雜，因為我們必須考慮它們之間的相互影響。
通用公式：
\(Var(aX + bY) = a^2Var(X) + b^2Var(Y) + 2abCov(X, Y)\)
等等，如果是相減呢？
如果你要計算 \(Var(aX - bY)\)，公式會變成：
\(Var(aX - bY) = a^2Var(X) + b^2Var(Y) - 2abCov(X, Y)\)
常見錯誤警示！
學生經常忘記 \(a^2\) 和 \(b^2\)。請記住：變異數永遠與乘數的平方有關。即使你將變數乘以 -1，變異數也會乘以 \((-1)^2 = 1\)。變異數永遠是表示離散程度的正數！
5. 特殊情況：獨立變數
如果 \(X\) 和 \(Y\) 是獨立的（意即其中一個對另一個完全沒有影響），則 \(Cov(X, Y) = 0\)。這會讓我們的計算變得簡單許多！
對於獨立變數 \(X\) 和 \(Y\)：
1. \(E(aX + bY) = aE(X) + bE(Y)\)
2. \(Var(aX + bY) = a^2Var(X) + b^2Var(Y)\)
3. \(Var(aX - bY) = a^2Var(X) + b^2Var(Y)\)
仔細看看最後一條規則！
即使你是在相減兩個獨立變數，你依然要相加它們的變異數。
類比：想像你在裁切一塊木板。木板的長度有誤差 (\(X\))，你下鋸的位置也有誤差 (\(Y\))。當你把它們切下來時，最終成品的總「誤差」或「晃動」（變異數）會變大而不是變小，因為你有兩個隨機因素同時在起作用！
獨立變數總結表：
- 運算： \(X + Y\) \(\rightarrow\) 平均值： \(E(X)+E(Y)\) \(\rightarrow\) 變異數： \(Var(X)+Var(Y)\)
- 運算： \(X - Y\) \(\rightarrow\) 平均值： \(E(X)-E(Y)\) \(\rightarrow\) 變異數： \(Var(X)+Var(Y)\)
6. \(n\) 個獨立變數之和
有時候你處理的不只是 \(X\) 和 \(Y\)，而是同類型變數的多次觀察值（例如 10 個獨立蘋果的總重量）。
若 \(X_1, X_2, ..., X_n\) 是同一變數 \(X\) 的獨立觀察值：
\(E(X_1 + X_2 + ... + X_n) = nE(X)\)
\(Var(X_1 + X_2 + ... + X_n) = nVar(X)\)
重要區別：
\(X_1 + X_2\)（兩個不同的獨立蘋果）與 \(2X\)（將同一個蘋果的重量乘以 2）之間有巨大的差別。
- \(Var(X_1 + X_2) = Var(X) + Var(X) = 2Var(X)\)
- \(Var(2X) = 2^2Var(X) = 4Var(X)\)
將單一隨機測量值倍增的「風險」（變異數）遠大於進行兩次分開測量再相加！
逐步演練：解決典型問題
問題：設 \(X\) 為紅骰子的點數，\(Y\) 為藍骰子的點數。假設骰子是獨立的，求 \(S = 3X - Y\) 的平均值和變異數。
第一步：確認 \(X\) 和 \(Y\) 的性質。
對於均勻的 6 面骰子：\(E(X) = 3.5\) 且 \(Var(X) = \frac{35}{12} \approx 2.917\)。
第二步：求新的平均值。
\(E(3X - Y) = 3E(X) - E(Y)\)
\(E(3X - Y) = 3(3.5) - 3.5 = 10.5 - 3.5 = 7\)。
第三步：求新的變異數。
由於兩者獨立，使用 \(a^2Var(X) + b^2Var(Y)\) 規則。
\(Var(3X - Y) = 3^2Var(X) + (-1)^2Var(Y)\)
\(Var(3X - Y) = 9Var(X) + 1Var(Y)\)
\(Var(3X - Y) = 10 \times 2.917 = 29.17\)。
重點速覽：
- 你有相加變異數嗎？有！
- 你有將乘數（3 和 -1）平方嗎？有！
總結與關鍵要點
1. 平均值很簡單： 遵循算式中的符號即可。
2. 變異數比較棘手： 務必將常數平方，且若變數獨立，變異數項永遠要相加。
3. 共變異數很重要： 如果變數不獨立，必須加入 \(2abCov(X, Y)\) 項。
4. 獨立性是你的好朋友： 它透過消除共變異數項來簡化變異數公式。
5. \(n\) 個變數 vs. \(n \times\) 單個變數： 相加 \(n\) 個獨立複製品會得到 \(nVar(X)\)，但將一個變數乘以 \(n\) 則會得到 \(n^2Var(X)\)。
請多加練習這些規則！一旦你習慣了將變異數的常數平方並檢查獨立性，這些問題將成為你在考試中最有把握的「得分點」！