ยินดีต้อนรับสู่โลกของ Multivariate Moments!

สวัสดีครับ! คุณได้เรียนรู้วิธีหาค่าเฉลี่ย (ค่าคาดหมาย) และความแปรปรวนสำหรับตัวแปรเดียวมาแล้ว ตอนนี้เรากำลังก้าวเข้าสู่บริบทของ Multivariate หรือตัวแปรพหุครับ ลองนึกภาพว่านี่คือการเปลี่ยนจากการดูแค่จำนวนการเรียกร้องค่าสินไหมของผู้ถือกรมธรรม์คนเดียว มาเป็นการดูการแจกแจงร่วมของตัวแปรไม่ต่อเนื่องหลายตัว เช่น ความถี่ในการเรียกร้องค่าสินไหมและระดับความเสี่ยงของผู้ถือกรมธรรม์

ในบทนี้ เราจะมาสำรวจ "โมเมนต์" (Moments) ซึ่งครอบคลุมถึงค่าคาดหมาย ความแปรปรวน ส่วนเบี่ยงเบนมาตรฐาน และความแปรปรวนร่วม เมื่อเราทำงานกับการแจกแจงแบบไม่ต่อเนื่องทั้งแบบร่วม (Joint) แบบมีเงื่อนไข (Conditional) และแบบชายขอบ (Marginal) ภายใต้หลักสูตรของ Exam P การแจกแจงแบบพหุตัวแปรสำหรับโมเมนต์ร่วม มีเงื่อนไข และชายขอบ จะถูกประเมินในบริบทของตัวแปรไม่ต่อเนื่อง (Discrete) ครับ

1. ค่าคาดหมายร่วม (Joint Expected Values)

เมื่อทำงานกับตัวแปรสุ่มไม่ต่อเนื่องสองตัวคือ \(X\) และ \(Y\) โดยมีฟังก์ชันมวลความน่าจะเป็นร่วม (Joint Probability Mass Function) คือ \(p(x, y) = P(X = x, Y = y)\) เรามักต้องการหาค่าเฉลี่ยของฟังก์ชันที่เกี่ยวข้องกับทั้งสองตัวแปร เช่น \(E[XY]\) หรือ \(E[X + Y]\) ซึ่งสิ่งนี้เรียกว่า ค่าคาดหมายร่วม (Joint Expected Value) ครับ

ในการหาค่าคาดหมายของฟังก์ชันใดๆ \(g(X, Y)\) ให้นำค่าของฟังก์ชันที่แต่ละจุดคูณกับความน่าจะเป็นร่วม แล้วทำการรวมค่า (Sum) ให้ครอบคลุมทุกค่าที่เป็นไปได้ของ \(x\) และ \(y\):

\( E[g(X, Y)] = \sum_{x} \sum_{y} g(x, y) \cdot p(x, y) \)

การเปรียบเทียบ: ลองจินตนาการถึงตารางกระเบื้องบนพื้นดูครับ แต่ละช่องแทนคู่ลำดับ \((x, y)\) ที่มีผลตอบแทน \(g(x, y)\) และมี "น้ำหนัก" ความน่าจะเป็น \(p(x, y)\) การจะหาค่าคาดหมายรวม ก็แค่นำผลตอบแทนของกระเบื้องแต่ละแผ่นคูณกับน้ำหนักความน่าจะเป็นของมัน แล้วจับมาบวกกันให้หมดครับ

ทบทวนสั้นๆ: ค่าคาดหมายมีคุณสมบัติเชิงเส้นเสมอ: \(E[aX + bY + c] = aE[X] + bE[Y] + c\) ความเป็นเชิงเส้นนี้ใช้ได้เสมอไม่ว่า \(X\) และ \(Y\) จะเป็นอิสระต่อกันหรือขึ้นต่อกันก็ตามครับ!

2. โมเมนต์ชายขอบ (Marginal Moments)

ก่อนที่จะประเมินความสัมพันธ์แบบมีเงื่อนไขหรือความแปรปรวนร่วม เรามักจำเป็นต้องหาโมเมนต์ของแต่ละตัวแปรแยกกันก่อน ซึ่งสิ่งเหล่านี้เรียกว่า โมเมนต์ชายขอบ (Marginal Moments) ครับ

อันดับแรก ให้หาผลรวมเหนืออีกตัวแปรหนึ่งเพื่อให้ได้ ฟังก์ชันความน่าจะเป็นชายขอบ (Marginal Probability Function):

\( p_X(x) = \sum_{y} p(x, y) \quad \text{และ} \quad p_Y(y) = \sum_{x} p(x, y) \)

ค่าคาดหมายชายขอบ (Marginal Expected Value)

ค่าเฉลี่ยชายขอบสามารถคำนวณได้โดยตรงจากฟังก์ชันความน่าจะเป็นชายขอบ (หรือหาโดยตรงจากผลรวมร่วม):

\( E[X] = \sum_{x} x \cdot p_X(x) = \sum_{x} \sum_{y} x \cdot p(x, y) \)

ความแปรปรวนและส่วนเบี่ยงเบนมาตรฐานชายขอบ (Marginal Variance and Standard Deviation)

ในการคำนวณความแปรปรวนชายขอบ ให้คำนวณโมเมนต์ดิบอันดับที่สอง \(E[X^2] = \sum_x x^2 \cdot p_X(x)\) จากนั้นจึงใช้สูตรความแปรปรวน:

\( Var(X) = E[X^2] - (E[X])^2 \)

ส่วนเบี่ยงเบนมาตรฐานคือรากที่สองของความแปรปรวน: \( \sigma_X = \sqrt{Var(X)} \)

3. โมเมนต์แบบมีเงื่อนไข (Conditional Moments)

เมื่อเราได้รับข้อมูลเฉพาะเจาะจงเกี่ยวกับตัวแปรหนึ่ง (เช่น ทราบว่า \(Y = y\)) เราจะอัปเดตความน่าจะเป็นของเราไปเป็น ฟังก์ชันความน่าจะเป็นแบบมีเงื่อนไข (Conditional Probability Function):

\( p_{X|Y}(x|y) = P(X = x \mid Y = y) = \frac{p(x, y)}{p_Y(y)}, \quad \text{สำหรับ } p_Y(y) > 0 \)

ค่าคาดหมายแบบมีเงื่อนไข (Conditional Expectation)

ค่าเฉลี่ยแบบมีเงื่อนไขของ \(X\) เมื่อกำหนด \(Y = y\) คือค่าคาดหมายที่คิดเทียบกับการแจกแจงแบบมีเงื่อนไขนี้:

\( E[X \mid Y = y] = \sum_{x} x \cdot p_{X|Y}(x|y) \)

ในที่นี้ เราจะมองว่า \(y\) เป็นค่าคงที่คงตัวในขณะที่ทำการรวมค่าตามทุกค่าที่เป็นไปได้ของ \(x\)

ความแปรปรวนและส่วนเบี่ยงเบนมาตรฐานแบบมีเงื่อนไข (Conditional Variance and Standard Deviation)

ความแปรปรวนแบบมีเงื่อนไขใช้วัดการกระจายตัวของ \(X\) เมื่อทราบว่า \(Y = y\):

\( Var(X \mid Y = y) = E[X^2 \mid Y = y] - (E[X \mid Y = y])^2 \)

โดยที่ \(E[X^2 \mid Y = y] = \sum_x x^2 \cdot p_{X|Y}(x|y)\) และส่วนเบี่ยงเบนมาตรฐานแบบมีเงื่อนไขคือ \( \sigma_{X|Y=y} = \sqrt{Var(X \mid Y = y)} \)

ข้อสังเกต: \(E[X \mid Y]\) จริงๆ แล้วตัวมันเองเป็น ตัวแปรสุ่ม ชนิดหนึ่ง เพราะค่าเชิงตัวเลขของมันขึ้นอยู่กับผลลัพธ์ของ \(Y\)

4. ความแปรปรวนร่วมและสหสัมพันธ์ (Covariance and Correlation)

Covariance (ความแปรปรวนร่วม) ใช้วัดความสัมพันธ์เชิงเส้นระหว่างตัวแปรสุ่มสองตัว:

\( Cov(X, Y) = E[(X - E[X])(Y - E[Y])] = E[XY] - E[X]E[Y] \)

ความเป็นอิสระต่อกัน: หาก \(X\) และ \(Y\) เป็นตัวแปรสุ่มไม่ต่อเนื่องที่เป็นอิสระต่อกัน จะได้ว่า \(p(x, y) = p_X(x)p_Y(y)\) ซึ่งส่งผลให้ \(E[XY] = E[X]E[Y]\) และทำให้ \(Cov(X, Y) = 0\) ทั้งนี้ โปรดทราบว่าการที่ \(Cov(X, Y) = 0\) บ่งบอกถึงการไม่มีความสัมพันธ์เชิงเส้น แต่โดยทั่วไปแล้วไม่ได้การันตีว่าตัวแปรทั้งสองจะเป็นอิสระต่อกันเสมอไปครับ

สัมประสิทธิ์สหสัมพันธ์ (Correlation Coefficient: \(\rho\))

Correlation (สหสัมพันธ์) ช่วยปรับสเกล Covariance ให้เป็นค่าไร้มิติและถูกจำกัดขอบเขตให้อยู่ระหว่าง -1 ถึง 1:

\( \rho_{XY} = \frac{Cov(X, Y)}{\sigma_X \sigma_Y} = \frac{Cov(X, Y)}{\sqrt{Var(X) \cdot Var(Y)}} \)

5. ค่าคาดหมายซ้อนและความแปรปรวนรวม (Double Expectation and Total Variance)

เอกลักษณ์พื้นฐานสองข้อนี้ช่วยให้คุณสามารถประเมินโมเมนต์ชายขอบได้โดยการวางเงื่อนไขบนตัวแปรตัวกลาง

กฎการทำซ้ำค่าคาดหมาย (The Law of Iterated Expectations)

ค่าเฉลี่ยรวมก็คือค่าคาดหมายของค่าเฉลี่ยแบบมีเงื่อนไขนั่นเอง:

\( E[X] = E[E[X \mid Y]] = \sum_{y} E[X \mid Y = y] \cdot p_Y(y) \)

กฎความแปรปรวนรวม (The Law of Total Variance)

ความแปรปรวนรวมจะถูกแยกออกเป็นค่าคาดหมายของความแปรปรวนแบบมีเงื่อนไข บวกกับความแปรปรวนของค่าคาดหมายแบบมีเงื่อนไข:

\( Var(X) = E[Var(X \mid Y)] + Var(E[X \mid Y]) \)

ตัวช่วยจำ: จำง่ายๆ ว่า "EV + VE" (Expected Value of Variance + Variance of Expected Value) ครับ

6. ข้อผิดพลาดที่พบบ่อย (ที่ควรเลี่ยง!)

1. สับสนระหว่างแบบชายขอบ (Marginal) กับแบบมีเงื่อนไข (Conditional): ตรวจสอบตัวส่วนเสมอ การแจกแจงชายขอบจะใช้ผลรวมแบบไม่มีเงื่อนไข \(p_X(x) = \sum_y p(x, y)\) ในขณะที่การแจกแจงแบบมีเงื่อนไขจำเป็นต้องหารด้วยความน่าจะเป็นชายขอบของเงื่อนไขที่กำหนด: \(p_{X|Y}(x|y) = p(x,y) / p_Y(y)\)

2. ลืมยกกำลังสองค่าเฉลี่ย: ทั้งในความแปรปรวนชายขอบ \(Var(X) = E[X^2] - (E[X])^2\) และความแปรปรวนแบบมีเงื่อนไข \(Var(X|Y=y) = E[X^2|Y=y] - (E[X|Y=y])^2\) ต้องแน่ใจว่าได้ลบด้วย กำลังสอง ของค่าคาดหมายเสมอ

3. ทึกทักเอาเองว่า \(E[XY] = E[X]E[Y]\): เอกลักษณ์นี้เป็นจริงเฉพาะเมื่อ \(X\) และ \(Y\) เป็นอิสระต่อกันเท่านั้น เมื่อตัวแปรขึ้นต่อกัน ให้คำนวณ \(E[XY] = \sum_x \sum_y xy \cdot p(x, y)\) โดยใช้ตารางแจกแจงร่วมครับ

7. เช็คลิสต์สรุปบทเรียน

ก่อนจะไปเริ่มทำโจทย์ฝึกหัดเกี่ยวกับโมเมนต์ของตัวแปรไม่ต่อเนื่องพหุตัวแปร ตรวจสอบให้มั่นใจว่าคุณสามารถ:

• สร้างการแจกแจงชายขอบโดยการรวมค่าตามแถวหรือคอลัมน์ของตารางความน่าจะเป็นร่วมได้

• คำนวณค่าคาดหมายชายขอบ ความแปรปรวน และส่วนเบี่ยงเบนมาตรฐาน: \(E[X]\), \(Var(X)\) และ \(\sigma_X\) ได้

• สร้างการแจกแจงความน่าจะเป็นแบบมีเงื่อนไข \(p_{X|Y}(x|y)\) และคำนวณโมเมนต์แบบมีเงื่อนไข \(E[X \mid Y = y]\) และ \(Var(X \mid Y = y)\) ได้

• คำนวณ \(E[XY]\), ความแปรปรวนร่วม \(Cov(X, Y) = E[XY] - E[X]E[Y]\) และสัมประสิทธิ์สหสัมพันธ์ \(\rho_{XY}\) ได้

• ประยุกต์ใช้ Law of Iterated Expectations และ Law of Total Variance (EV + VE) ได้