Probabilities for linear combinations of random variables

ยินดีต้อนรับสู่โลกของ Linear Combinations!

สวัสดีว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! ในเส้นทางการเตรียมสอบ Exam P ที่ผ่านมา คุณน่าจะใช้เวลาส่วนใหญ่ไปกับการดูตัวแปรสุ่มแค่ตัวเดียว แต่ในโลกแห่งความเป็นจริง โดยเฉพาะในงานประกันภัย เราแทบจะไม่ดูแค่เรื่องเดียวโดดๆ เลย บริษัทประกันไม่ได้สนใจแค่กรมธรรม์ฉบับเดียว แต่พวกเขาสนใจ ผลรวมทั้งหมด (total sum) ของค่าสินไหมทดแทนจากกรมธรรม์ต่างๆ นี่คือจุดที่ linear combinations เข้ามามีบทบาทสำคัญ!

ในบทนี้ เราจะมาเรียนรู้วิธีการคำนวณค่าเฉลี่ย (mean), ความแปรปรวน (variance) และความน่าจะเป็น เมื่อเรานำตัวแปรสุ่มมาบวก ลบ หรือคูณด้วยค่าคงที่ ไม่ต้องกังวลนะถ้ามันดูเป็นนามธรรมในช่วงแรก เพราะเมื่อคุณจับทางของมันได้แล้ว นี่จะเป็นหัวข้อที่โกยคะแนนได้มากที่สุดบทหนึ่งในการสอบเลยล่ะ!

Linear Combination คืออะไรกันแน่?

ลองจินตนาการว่า linear combination เหมือนกับสูตรอาหารทางคณิตศาสตร์ หากคุณมีตัวแปรสุ่มสองตัวคือ \( X \) (สมมติว่าเป็นจำนวนเงินค่าสินไหมจากอุบัติเหตุรถยนต์) และ \( Y \) (จำนวนเงินค่าสินไหมจากเหตุไฟไหม้บ้าน) linear combination ก็คือตัวแปรใหม่ \( W \) ที่เกิดจากการนำตัวแปรเหล่านั้นมาคูณกับค่าคงที่แล้วนำมาบวกกันนั่นเอง

รูปแบบทั่วไปจะมีหน้าตาเป็นแบบนี้:
\( W = aX + bY + c \)

โดยที่ \( a \), \( b \), และ \( c \) เป็นค่าคงที่จำนวนจริง:
• \( a \) และ \( b \) คือน้ำหนักหรือตัวคูณปรับขนาด
• \( c \) คือค่าเลื่อนคงที่ (เปรียบเสมือนค่าธรรมเนียมดำเนินการคงที่ที่บวกเพิ่มเข้าไปในค่าสินไหม)

เปรียบเทียบให้เห็นภาพ

ลองจินตนาการว่าคุณกำลังซื้อแอปเปิล 2 ปอนด์ (ปริมาณแทนด้วย \( X \)) และกล้วย 3 ปอนด์ (ปริมาณแทนด้วย \( Y \)) ถ้าราคาต่อปอนด์เป็นค่าสุ่ม ค่าใช้จ่ายรวมของคุณคือ \( 2X + 3Y \) นี่แหละคือ linear combination!

ขั้นตอนที่ 1: การหาค่าคาดหมาย (ส่วนของความเป็นเชิงเส้น)

ค่าคาดหมาย (Expected Value) (หรือค่าเฉลี่ย) นั้นจัดการง่ายมาก มันเป็นไปตามกฎของ ความเป็นเชิงเส้นของค่าคาดหมาย (linearity of expectation) โดยคุณสามารถกระจายตัวดำเนินการค่าคาดหมายเข้าไปในแต่ละพจน์ได้เลย:

สูตร:
\( E[aX + bY + c] = aE[X] + bE[Y] + c \)

ทำไมถึงยอดเยี่ยมขนาดนี้: คุณ ไม่จำเป็น ต้องให้ \( X \) และ \( Y \) เป็นอิสระต่อกันเพื่อที่จะใช้สูตรนี้ มันเป็นจริงสำหรับตัวแปรสุ่มทั้งหมดที่มีค่าคาดหมายจำกัด

ทบทวนสั้นๆ: กฎของค่าคาดหมาย

• \( E[aX] = aE[X] \)
• \( E[X + Y] = E[X] + E[Y] \)
• \( E[c] = c \) (ค่าคาดหมายของค่าคงที่ ก็คือค่าคงที่ค่านั้นเอง)

ขั้นตอนที่ 2: การหาความแปรปรวน (Variance)

ความแปรปรวนเป็นการวัดการกระจายตัว ดังนั้นการบวกค่าคงที่เข้าไปจึงไม่เปลี่ยนค่าความแปรปรวน เมื่อนำตัวแปรมารวมกัน เราต้องคำนึงถึงความสัมพันธ์ระหว่างกันโดยใช้ ความแปรปรวนร่วม (Covariance)

สูตร:
\( Var(aX + bY + c) = a^2Var(X) + b^2Var(Y) + 2abCov(X, Y) \)

ข้อสังเกตสำคัญ: สังเกตว่า \( c \) หายไป และสัมประสิทธิ์ \( a \) และ \( b \) จะต้องถูก ยกกำลังสอง

Covariance คืออะไร?

Covariance \( Cov(X, Y) = E[XY] - E[X]E[Y] \) วัดความสัมพันธ์เชิงเส้นระหว่าง \( X \) และ \( Y \) หาก \( X \) และ \( Y \) เป็น อิสระต่อกัน (independent) แล้ว \( Cov(X, Y) = 0 \) ภายใต้ความเป็นอิสระต่อกัน สูตรความแปรปรวนจะลดรูปลงเหลือ:
\( Var(aX + bY) = a^2Var(X) + b^2Var(Y) \)

ข้อผิดพลาดที่พบบ่อย: การลบตัวแปร

เมื่อต้องหาความแปรปรวนของผลต่าง \( X - Y \) สัมประสิทธิ์ของ \( Y \) คือ \( -1 \) เนื่องจาก \( (-1)^2 = 1 \):
\( Var(X - Y) = Var(X) + Var(Y) - 2Cov(X, Y) \)
หาก \( X \) และ \( Y \) เป็น อิสระต่อกัน:
\( Var(X - Y) = Var(X) + Var(Y) \)
ห้ามนำความแปรปรวนมาลบกันเด็ดขาด! ความไม่แน่นอนจะบวกเพิ่มเข้าด้วยกันเสมอ

ขั้นตอนที่ 3: การคำนวณความน่าจะเป็นสำหรับ Linear Combinations

Exam P จะเน้นการคำนวณความน่าจะเป็นสำหรับ linear combinations ใน 2 รูปแบบหลัก ได้แก่: ตัวแปรสุ่มต่อเนื่องที่มีการแจกแจงแบบปกติ และ ตัวแปรสุ่มไม่ต่อเนื่องที่เป็นอิสระต่อกัน รวมถึงการประมาณค่าสำหรับกลุ่มตัวอย่างขนาดใหญ่ผ่าน ทฤษฎีบทขีดจำกัดส่วนกลาง (Central Limit Theorem)

รูปแบบที่ 1: ตัวแปรสุ่มต่อเนื่องที่มีการแจกแจงแบบปกติ

Linear combination ใดๆ ของตัวแปรสุ่มปกติที่เป็นอิสระต่อกันจะ มีการแจกแจงแบบปกติเช่นกัน หาก \( X \sim N(\mu_X, \sigma_X^2) \) และ \( Y \sim N(\mu_Y, \sigma_Y^2) \) เป็นอิสระต่อกัน และ \( W = aX + bY \) แล้ว:
• ค่าเฉลี่ย: \( \mu_W = a\mu_X + b\mu_Y \)
• ความแปรปรวน: \( \sigma_W^2 = a^2\sigma_X^2 + b^2\sigma_Y^2 \)
• การแจกแจง: \( W \sim N(\mu_W, \sigma_W^2) \)

ในการหาความน่าจะเป็น เช่น \( P(W \le w) \):
1. คำนวณส่วนเบี่ยงเบนมาตรฐาน: \( \sigma_W = \sqrt{\sigma_W^2} \)
2. แปลงเป็นค่ามาตรฐาน (Standardize): \( Z = \frac{W - \mu_W}{\sigma_W} \)
3. เปิดหาค่า \( P(Z \le z) = \Phi(z) \) จากตารางการแจกแจงปกติมาตรฐานที่มีให้ในข้อสอบ

รูปแบบที่ 2: ตัวแปรสุ่มไม่ต่อเนื่องที่เป็นอิสระต่อกัน

เมื่อ \( X \) และ \( Y \) เป็นตัวแปรสุ่มไม่ต่อเนื่องและเป็นอิสระต่อกัน ฟังก์ชันมวลความน่าจะเป็นของ \( W = aX + bY \) จะคำนวณได้โดยการรวมความน่าจะเป็นร่วมของทุกคู่ลำดับ \( (x, y) \) ที่สอดคล้องกับเงื่อนไข

เนื่องจาก \( X \) และ \( Y \) เป็นอิสระต่อกัน ความน่าจะเป็นร่วมจึงแยกตัวคูณได้เป็น: \( P(X = x, Y = y) = P(X = x)P(Y = y) \)

สูตร Discrete Convolution:
สำหรับผลรวม \( S = X + Y \):
\( P(S = s) = \sum_{x} P(X = x) P(Y = s - x) \)

ตัวอย่าง: สมมติว่าจำนวนครั้งของการเรียกร้องสินไหมที่เป็นอิสระต่อกัน \( X \) และ \( Y \) มีฟังก์ชันความน่าจะเป็นคือ \( P(X = 0) = 0.6 \), \( P(X = 1) = 0.4 \), และ \( P(Y = 0) = 0.7 \), \( P(Y = 1) = 0.3 \) ในการหาค่า \( P(X + Y = 1) \):
\( P(X + Y = 1) = P(X = 0, Y = 1) + P(X = 1, Y = 0) = (0.6)(0.3) + (0.4)(0.7) = 0.18 + 0.28 = 0.46 \)

ตระกูลการแจกแจงไม่ต่อเนื่องแบบพิเศษ:
• ถ้า \( X \sim \text{Poisson}(\lambda_1) \) และ \( Y \sim \text{Poisson}(\lambda_2) \) เป็นอิสระต่อกัน แล้ว \( X + Y \sim \text{Poisson}(\lambda_1 + \lambda_2) \)
• ถ้า \( X \sim \text{Binomial}(n_1, p) \) และ \( Y \sim \text{Binomial}(n_2, p) \) เป็นอิสระต่อกันโดยมีความน่าจะเป็นของความสำเร็จ \( p \) เท่ากัน แล้ว \( X + Y \sim \text{Binomial}(n_1 + n_2, p) \)

รูปแบบที่ 3: ทฤษฎีบทขีดจำกัดส่วนกลาง (การประมาณค่าความน่าจะเป็น)

เมื่อต้องจัดการกับ linear combination ของตัวแปรสุ่มที่เป็นอิสระต่อกันและมีการแจกแจงแบบเดียวกัน (i.i.d.) จำนวนมาก \( S_n = \sum_{i=1}^n X_i \) การแจกแจงที่แท้จริงอาจมีความซับซ้อน แต่ ทฤษฎีบทขีดจำกัดส่วนกลาง (CLT) จะช่วยให้เราประมาณค่าด้วยการแจกแจงปกติได้:

\( E[S_n] = n\mu \), \( \quad Var(S_n) = n\sigma^2 \)

สำหรับค่า \( n \) ที่มากเพียงพอ ผลรวมที่แปลงเป็นค่ามาตรฐานแล้วจะมีการแจกแจงใกล้เคียงกับการแจกแจงปกติมาตรฐาน:
\( Z = \frac{S_n - n\mu}{\sigma\sqrt{n}} \approx N(0, 1) \)

สรุปใจความสำคัญ

1. ค่าเฉลี่ยเป็นเชิงเส้น: กระจายค่าคาดหมายเข้าไปได้เสมอ: \( E[aX + bY] = aE[X] + bE[Y] \) โดยไม่ต้องคำนึงถึงความเป็นอิสระต่อกัน
2. ความแปรปรวนต้องพิจารณา covariance: \( Var(aX + bY) = a^2Var(X) + b^2Var(Y) + 2abCov(X, Y) \) หากเป็นอิสระต่อกัน พจน์ covariance จะเป็น 0
3. ปกติก็ยังคงเป็นปกติ: Linear combination ของตัวแปรสุ่มปกติที่เป็นอิสระต่อกันยังคงเป็นการแจกแจงปกติ ทำให้สามารถแปลงเป็นค่ามาตรฐาน \( Z \) ได้โดยตรง
4. ผลรวมของตัวแปรไม่ต่อเนื่องใช้ convolution: สำหรับตัวแปรสุ่มไม่ต่อเนื่องที่เป็นอิสระต่อกัน ให้รวมผลคูณ \( P(X = x)P(Y = y) \) ของทุกคู่ลำดับที่ให้ผลลัพธ์ตามค่าที่ต้องการ
5. CLT สำหรับผลรวมขนาดใหญ่: ประมาณค่าผลรวมของตัวแปรสุ่มแบบ i.i.d. โดยใช้การแจกแจงปกติที่มีค่าเฉลี่ยเป็น \( n\mu \) และส่วนเบี่ยงเบนมาตรฐานเป็น \( \sigma\sqrt{n} \)