ยินดีต้อนรับสู่โลกของตัวแปรสุ่ม (Random Variables)!

ยินดีต้อนรับ! หากคุณกำลังเริ่มต้นเส้นทางสาย FRM บทเรื่อง ตัวแปรสุ่ม (Random Variables) ถือเป็นหนึ่งในก้าวที่สำคัญที่สุดของคุณ ทำไมนะเหรอ? ก็เพราะในโลกการเงิน เราไม่มีทางรู้ล่วงหน้าได้อย่างแม่นยำว่าราคาหุ้นหรืออัตราดอกเบี้ยในวันพรุ่งนี้จะเป็นเท่าไหร่ เราต้องรับมือกับความไม่แน่นอนอยู่ทุกเมื่อเชื่อวัน ตัวแปรสุ่มจึงเข้ามาช่วยให้เรามีเครื่องมือทางคณิตศาสตร์ในการ "จัดระเบียบ" ความไม่แน่นอนเหล่านั้น เพื่อให้เราสามารถวัดค่าความเสี่ยงได้ ไม่ต้องกังวลไปนะถ้าคณิตศาสตร์ไม่ใช่เรื่องโปรดของคุณ เพราะเราจะค่อยๆ ย่อยเรื่องนี้ให้เข้าใจง่ายด้วยตรรกะพื้นฐานและตัวอย่างจากสถานการณ์จริง

1. ตัวแปรสุ่มคืออะไรกันแน่?

ให้มองว่า ตัวแปรสุ่ม (Random Variable: RV) คือ "ตัวแทน" หรือ "ภาชนะ" สำหรับผลลัพธ์ที่เป็นไปได้ของการทดลองที่ยังไม่ได้เกิดขึ้น เรามักจะแทนค่าด้วยตัวอักษรภาษาอังกฤษตัวใหญ่ เช่น \( X \) หรือ \( Y \)

ตัวอย่าง: ลองจินตนาการว่าคุณโยนเหรียญหนึ่งเหรียญ คุณไม่รู้หรอกว่ามันจะออกหัวหรือก้อย ถ้าเรากำหนดให้ \( X = 1 \) เมื่อออกหัว และ \( X = 0 \) เมื่อออกก้อย ในกรณีนี้ \( X \) ก็คือตัวแปรสุ่มของเรานั่นเอง

ตัวแปรสุ่มแบบไม่ต่อเนื่อง (Discrete) vs. แบบต่อเนื่อง (Continuous)

นี่คือความแตกต่างสำคัญข้อแรกที่คุณต้องแยกให้ออก:

• ตัวแปรสุ่มแบบไม่ต่อเนื่อง (Discrete Random Variables): มี "ช่องว่าง" ระหว่างแต่ละค่า คุณสามารถนับจำนวนผลลัพธ์ได้ (เช่น 1, 2, 3...)
เปรียบเทียบ: เหมือนกับบันได คุณยืนอยู่ที่ขั้นที่ 1 หรือขั้นที่ 2 ได้ แต่คุณไม่สามารถยืนอยู่ที่ขั้น 1.5 ได้
ตัวอย่างทางการเงิน: จำนวนครั้งที่บริษัทผิดนัดชำระหนี้ในหนึ่งปี (0, 1, 2...)

• ตัวแปรสุ่มแบบต่อเนื่อง (Continuous Random Variables): สามารถรับค่าใดก็ได้ในช่วงที่กำหนด ไม่มีช่องว่างระหว่างค่า
เปรียบเทียบ: เหมือนกับสไลเดอร์ คุณสามารถอยู่ที่ระดับความสูงใดก็ได้ในเวลาใดก็ตาม
ตัวอย่างทางการเงิน: ผลตอบแทนรายวันที่แม่นยำของดัชนี S&P 500 (เช่น 1.25%, 1.251%, 1.2515%...)

ทบทวนสั้นๆ: ถ้าคุณใช้นิ้วมือนับได้ มักจะเป็น แบบไม่ต่อเนื่อง (Discrete) แต่ถ้าคุณต้องใช้เครื่องมือวัดอย่างไม้บรรทัดหรือนาฬิกาเพื่อวัดค่าให้แม่นยำ มักจะเป็น แบบต่อเนื่อง (Continuous)

2. การอธิบายความน่าจะเป็น: PMF, PDF, CDF และ Quantile Function

เราจะรู้ได้อย่างไรว่าผลลัพธ์หนึ่งๆ มีโอกาสเกิดขึ้นมากน้อยแค่ไหน? เราต้องใช้ฟังก์ชันเฉพาะทาง

สำหรับตัวแปรแบบไม่ต่อเนื่อง: PMF

Probability Mass Function (PMF) เขียนแทนด้วย \( P(X = x) \) คือฟังก์ชันที่บอกความน่าจะเป็นที่ตัวแปรนั้นจะมีค่าเท่ากับค่าใดค่าหนึ่งโดยเฉพาะ
กฎข้อที่ 1: ความน่าจะเป็นแต่ละค่าต้องอยู่ระหว่าง 0 ถึง 1 นั่นคือ \( 0 \leq P(X = x) \leq 1 \)
กฎข้อที่ 2: ผลรวมของความน่าจะเป็นทั้งหมดในทุกผลลัพธ์ที่เป็นไปได้ต้องเท่ากับ 1: \( \sum P(X = x) = 1 \)

สำหรับตัวแปรแบบต่อเนื่อง: PDF

Probability Density Function (PDF) เขียนแทนด้วย \( f(x) \) จะต่างออกไป สำหรับตัวแปรต่อเนื่อง ความน่าจะเป็นที่จะเกิดค่าจำนวนจริงค่าใดค่าหนึ่ง แบบเป๊ะๆ (เช่น ให้ได้ 1.000000% พอดี) แท้จริงแล้วจะมีค่าเป็น ศูนย์: \( P(X = x) = 0 \) แต่เราจะหาค่าความน่าจะเป็นในช่วงหนึ่งๆ โดยการหา พื้นที่ใต้กราฟ (Area under the curve) ระหว่างสองจุดแทน: \( P(a \leq X \leq b) = \int_{a}^{b} f(x)\,dx \)

ฟังก์ชันการแจกแจงสะสม (Cumulative Distribution Function: CDF)

Cumulative Distribution Function (CDF) เขียนแทนด้วย \( F(x) \) เปรียบเสมือน "ยอดรวมสะสม" ซึ่งบอกเราว่าตัวแปรสุ่มจะมีค่า น้อยกว่าหรือเท่ากับ ค่าใดค่าหนึ่ง: \( F(x) = P(X \leq x) \)
คุณสมบัติของ CDF: เป็นฟังก์ชันไม่ลด (non-decreasing) โดยเริ่มต้นที่ 0 (เมื่อ \( x \to -\infty \)) และมีค่าเข้าสู่ 1 (เมื่อ \( x \to \infty \)) สำหรับตัวแปรแบบต่อเนื่อง อนุพันธ์ของ CDF ก็คือ PDF นั่นเอง: \( f(x) = F'(x) \)

Quantile Function (Inverse CDF)

Quantile Function เขียนแทนด้วย \( Q(p) = F^{-1}(p) \) โดยที่ \( 0 < p < 1 \) ทำงานในทิศทางตรงกันข้ามกับ CDF อย่างสิ้นเชิง ในขณะที่ CDF รับค่า \( x \) แล้วให้ค่าความน่าจะเป็น \( p \) ออกมา ฟังก์ชัน quantile จะรับค่าความน่าจะเป็น \( p \) แล้วส่งกลับค่าขีดจำกัด (threshold value) \( x_p \) ที่ทำให้ \( P(X \leq x_p) = p \)
การประยุกต์ใช้ทางการเงิน: นี่คือแนวคิดพื้นฐานเบื้องหลัง Value at Risk (VaR) ซึ่งผู้จัดการความเสี่ยงใช้หาค่าผลขาดทุน ณ ระดับความเชื่อมั่นที่กำหนด (เช่น \( p = 0.05 \) หรือ \( p = 0.01 \))

3. ค่าคาดหมาย (Expected Value): "จุดศูนย์กลาง" ของข้อมูล

ค่าคาดหมาย (Expected Value) เขียนแทนด้วย \( E(X) \) หรือ \( \mu \) คือค่าเฉลี่ยในระยะยาว หรือโมเมนต์ประชากรลำดับที่ 1 (first population moment) ของตัวแปรสุ่ม เปรียบได้กับ "จุดศูนย์ถ่วง" ของข้อมูล

สำหรับตัวแปรแบบไม่ต่อเนื่อง คุณคำนวณได้โดยการนำผลลัพธ์แต่ละตัวคูณกับความน่าจะเป็นของมัน แล้วนำมาบวกกัน:
\( E(X) = \sum [x_i \cdot P(X = x_i)] \)

สำหรับตัวแปรแบบต่อเนื่อง จะคำนวณผ่านการอินทิเกรต:
\( E(X) = \int_{-\infty}^{\infty} x \cdot f(x)\,dx \)

ตัวอย่าง: ถ้ามีโอกาส 50% ที่จะได้เงิน $10 และโอกาส 50% ที่จะได้ $0 ค่าคาดหมายของคุณคือ:
\( (10 \cdot 0.5) + (0 \cdot 0.5) = \$5 \)

รู้หรือไม่? ค่าคาดหมายไม่จำเป็นต้องเป็นค่าที่เกิดขึ้นได้จริงในการสุ่มเพียงครั้งเดียว! จากตัวอย่างการโยนเหรียญข้างต้น คุณไม่มีทางได้รับเงิน $5 ในการสุ่มครั้งเดียวหรอก เพราะคุณจะได้แค่ $10 หรือไม่ก็ $0 เท่านั้น ค่าคาดหมายจึงเป็นตัวแทนของ ค่าเฉลี่ย จากการทดลองซ้ำๆ หลายครั้งอย่างเป็นอิสระต่อกัน

4. ความแปรปรวน (Variance) และส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation): การวัด "ความเสี่ยง"

ใน FRM ความเสี่ยงมักถูกนิยามว่าเป็น ความไม่แน่นอน หรือ การกระจายตัว ความแปรปรวนและส่วนเบี่ยงเบนมาตรฐานจะบอกเราว่าผลลัพธ์ต่างๆ "กระจายออก" จากค่าเฉลี่ยมากน้อยเพียงใด

ความแปรปรวน (Variance: \( \sigma^2 \)): คือโมเมนต์ศูนย์กลางลำดับที่ 2 (second central moment) นิยามโดยค่าเฉลี่ยของผลต่างยกกำลังสองจากค่าเฉลี่ย:
\( Var(X) = E[(X - \mu)^2] = E(X^2) - [E(X)]^2 \)
ความแปรปรวนที่สูงขึ้น หมายถึงการกระจายตัวที่มากขึ้นและความไม่แน่นอนที่สูงขึ้น

ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation: \( \sigma \)): คือ รากที่สองที่เป็นบวกของความแปรปรวน: \( \sigma = \sqrt{Var(X)} \) เรานิยมใช้ส่วนเบี่ยงเบนมาตรฐานบ่อยครั้งเนื่องจากมีหน่วยวัดเดียวกันกับตัวแปรตั้งต้น (เช่น ดอลลาร์ หรือ จุดเปอร์เซ็นต์)

5. ความเบ้ (Skewness) และความโด่ง (Kurtosis): รูปร่างของความเสี่ยง

นอกเหนือจากค่าเฉลี่ยและความแปรปรวน เรายังดูโมเมนต์มาตรฐานลำดับที่สูงกว่า (standardized higher moments) ซึ่งเป็นตัวกำหนดรูปร่างของการแจกแจง

ความเบ้ (Skewness - โมเมนต์มาตรฐานลำดับที่ 3): วัดความไม่สมมาตรรอบค่าเฉลี่ย:
\( Skew(X) = \frac{E[(X - \mu)^3]}{\sigma^3} \)
• การแจกแจงแบบสมมาตร (Symmetric Distribution): \( Skew = 0 \) (เช่น การแจกแจงแบบปกติมาตรฐาน)
• ความเบ้เป็นบวก (Positive Skew): หางยาวไปทางขวา (เกิดการขาดทุนเล็กน้อยบ่อยครั้ง แต่มีโอกาสได้กำไรก้อนโตนานๆ ครั้ง)
• ความเบ้เป็นลบ (Negative Skew): หางยาวไปทางซ้าย (เกิดกำไรเล็กน้อยบ่อยครั้ง แต่มีโอกาสขาดทุนมหาศาลนานๆ ครั้ง ซึ่งนี่คือลักษณะเฉพาะของความเสี่ยงด้านเครดิตและกลยุทธ์การ Short Options!)

ความโด่ง (Kurtosis - โมเมนต์มาตรฐานลำดับที่ 4): วัดความหนาของหางและความโด่งของยอดกราฟ:
\( Kurt(X) = \frac{E[(X - \mu)^4]}{\sigma^4} \)
• การแจกแจงแบบปกติจะมีค่าความโด่งเท่ากับ 3 พอดี
• ความโด่งส่วนเกิน (Excess Kurtosis): นิยามโดย \( Kurtosis - 3 \)
• หางหนา (Fat Tails / Leptokurtic): การแจกแจงที่มีความโด่งส่วนเกินมากกว่า 0 หมายความว่าเหตุการณ์สุดโต่ง (outliers) เกิดขึ้นบ่อยครั้งกว่าที่การแจกแจงแบบปกติจะคาดการณ์ไว้ ทำให้การสร้างแบบจำลองความเสี่ยงส่วนหาง (tail-risk modeling) มีความสำคัญอย่างยิ่งสำหรับผู้จัดการความเสี่ยง

6. การแปลงเชิงเส้น (Linear Transformations): ผลกระทบต่อตำแหน่ง มาตราส่วน และรูปร่าง

สมมติว่าเราแปลงตัวแปรสุ่ม \( X \) ไปเป็น \( Y = aX + b \) โดยที่ \( a \) และ \( b \) เป็นค่าคงที่ การเข้าใจว่าการเลื่อนเชิงเส้นนี้ส่งผลต่อค่าสถิติสรุปแต่ละตัวอย่างไรเป็นสิ่งจำเป็นอย่างยิ่งสำหรับการสอบ:

• ค่าเฉลี่ย (Mean): การเลื่อนตำแหน่งและการคูณมาตราส่วนส่งผลโดยตรงต่อค่าเฉลี่ย:
\( E(aX + b) = aE(X) + b \)

• ความแปรปรวน (Variance): การบวกค่าคงที่ \( b \) ไม่ได้เปลี่ยนแปลงการกระจายตัว ในขณะที่การปรับมาตราส่วนด้วย \( a \) จะส่งผลให้ค่ายกกำลังสอง:
\( Var(aX + b) = a^2 Var(X) \)

• ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation): การถอดรากที่สองของความแปรปรวนจะได้ค่าสัมบูรณ์ของ \( a \):
\( \sigma(aX + b) = |a|\sigma(X) \)

• มัธยฐาน (Median): เช่นเดียวกับค่าเฉลี่ย ค่ามัธยฐานจะเปลี่ยนไปตามทั้งมาตราส่วนและการเลื่อนตำแหน่ง:
\( Median(aX + b) = a \cdot Median(X) + b \)

• ส่วนเบี่ยงเบนควอร์ไทล์ (Interquartile Range: IQR): IQR คือระยะห่างระหว่างเปอร์เซ็นไทล์ที่ 75 และ 25 (\( Q_3 - Q_1 \)) การบวกค่าคงที่จะเลื่อนเปอร์เซ็นไทล์ทั้งสองเท่าๆ กัน จึงทำให้ระยะห่างเท่าเดิม ในขณะที่การคูณมาตราส่วนจะปรับขนาดของระยะห่างตามสัดส่วน:
\( IQR(aX + b) = |a| \cdot IQR(X) \)

• ความเบ้ (Skewness): การเลื่อนตำแหน่งด้วย \( b \) ไม่มีผลใดๆ การคูณมาตราส่วนด้วย \( a > 0 \) จะทำให้ความเบ้คงเดิม แต่การคูณด้วย \( a < 0 \) จะกลับทิศทางของหางกราฟ:
\( Skew(aX + b) = \text{sign}(a) \cdot Skew(X) \)

• ความโด่ง (Kurtosis): เนื่องจากถูกปรับมาตรฐานด้วย \( \sigma^4 \) ค่าความโด่งจึงไม่เปลี่ยนแปลง (invariant) ต่อการแปลงทั้งตำแหน่งและมาตราส่วน (ตราบใดที่ \( a \neq 0 \)):
\( Kurt(aX + b) = Kurt(X) \)

ไม่ต้องตื่นตระหนก! สรุปย่อเพื่อเตรียมสอบ

• Discrete = ผลลัพธ์นับจำนวนได้ (PMF); Continuous = ค่าต่อเนื่องไม่สิ้นสุด ความน่าจะเป็นวัดบนช่วง (PDF)
• CDF บอกค่า \( P(X \leq x) \); ส่วน Quantile Function คือฟังก์ชันผกผันของ CDF ซึ่งจะให้ค่า \( x \) สำหรับค่าความน่าจะเป็นสะสม \( p \) ที่กำหนด
• ค่าคาดหมาย: \( E(aX + b) = aE(X) + b \)
• การกระจายตัว: \( Var(aX + b) = a^2Var(X) \) และ \( \sigma(aX + b) = |a|\sigma(X) \); \( IQR(aX + b) = |a|IQR(X) \)
• รูปร่าง: ความโด่งไม่เปลี่ยนแปลงจากการแปลงเชิงเส้น; ส่วนความเบ้จะกลับเครื่องหมายหาก \( a < 0 \)
• ความโด่งส่วนเกิน (Excess Kurtosis) \( > 0 \) หมายถึงหางหนา (leptokurtic) บ่งชี้ถึงโอกาสเกิดความเคลื่อนไหวที่รุนแรงในตลาดที่สูงขึ้น