ยินดีต้อนรับสู่เรื่องแผนภาพต้นไม้ความน่าจะเป็น (Probability Trees) และค่าคาดหมายแบบมีเงื่อนไข (Conditional Expectations)!

ในโลกของการเงิน แทบไม่มีอะไรที่หยุดนิ่ง เราได้รับข้อมูลใหม่ๆ เข้ามาอยู่ตลอดเวลา ไม่ว่าจะเป็นธนาคารกลางประกาศขึ้นอัตราดอกเบี้ย, บริษัทรายงานผลประกอบการได้ดีกว่าที่คาด หรือรายงานการค้าระดับโลกถูกเผยแพร่ออกมา เราจะปรับความคาดหวังของเราตามข้อมูลใหม่เหล่านี้ได้อย่างไร? นี่คือสิ่งที่เราจะเรียนกันในบทนี้ครับ เรากำลังจะเรียนรู้วิธี "ปรับปรุงความเชื่อ" (update our beliefs) ของเราเมื่อมี "เงื่อนไข" ใหม่ๆ เกิดขึ้น ไม่ต้องกังวลนะถ้าตอนนี้รู้สึกว่ามันเป็นนามธรรมไปสักหน่อย เราจะใช้ตัวอย่างที่เห็นภาพได้จริงมาช่วยให้เข้าใจกันครับ!

1. ค่าคาดหมายแบบมีเงื่อนไข (Conditional Expectation)

เพื่อให้เข้าใจเรื่อง ค่าคาดหมายแบบมีเงื่อนไข (Conditional Expectation) เรามาเริ่มจาก ค่าคาดหมาย (Expected Value) แบบปกติกันก่อน ปกติแล้วเราจะคำนวณค่าเฉลี่ยจากทุกความเป็นไปได้ที่อาจเกิดขึ้น แต่ค่าคาดหมายแบบ "มีเงื่อนไข" คือสิ่งที่เราคาดว่าจะเกิดขึ้น โดยกำหนดว่ามีเหตุการณ์บางอย่างเกิดขึ้นแล้ว

ลองนึกภาพตาม: สมมติว่าคุณเป็นพ่อค้าขายแอปเปิ้ล ในวันปกติทั่วไปคุณคาดว่าจะขายได้ 100 ลูก แต่ถ้าคุณตื่นมาแล้วพบว่าฝนกำลังตกหนัก (นี่คือ "เงื่อนไข") คุณอาจจะปรับความคาดหวังลงเหลือแค่ 40 ลูก เพราะจะมีคนเดินผ่านหน้าร้านของคุณน้อยลง ความคาดหวังของคุณในตอนนี้จึงเป็น ค่าคาดหมายแบบมีเงื่อนไข ขึ้นอยู่กับสภาพอากาศนั่นเอง

ในทาง CFA เราคำนวณค่าคาดหมายของตัวแปรสุ่ม (เช่น ราคาหุ้น) โดยกำหนดว่าสถานการณ์เฉพาะเจาะจงบางอย่างได้เกิดขึ้นแล้ว
สูตรจะเป็นแบบนี้ครับ:
\( E(X | S) = \sum P(X_i | S) X_i \)
โดยที่:
\( E(X | S) \) = ค่าคาดหมายของ X โดยกำหนดว่าสถานการณ์ S ได้เกิดขึ้นแล้ว
\( P(X_i | S) \) = ความน่าจะเป็นที่ผลลัพธ์ \( X_i \) จะเกิดขึ้น โดยกำหนดว่าสถานการณ์ S เกิดขึ้นแล้ว

สิ่งที่ต้องจำให้แม่น:

ค่าคาดหมายแบบมีเงื่อนไขช่วยให้นักวิเคราะห์สามารถสร้างสถานการณ์สมมติแบบ "จะเกิดอะไรขึ้นถ้า..." ได้ เช่น "ผลตอบแทนที่คาดหวังของหุ้นตัวนี้จะเป็นเท่าไหร่ ถ้าเศรษฐกิจเข้าสู่ภาวะถดถอย?"

2. กฎความน่าจะเป็นรวม (Total Probability Rule)

บางครั้งเราต้องการหาความน่าจะเป็นโดยรวมของเหตุการณ์หนึ่ง แต่เหตุการณ์นั้นดันถูกอิทธิพลจากหลายสถานการณ์ที่แตกต่างกัน กฎความน่าจะเป็นรวม (Total Probability Rule) ช่วยให้เราคำนวณ "ภาพรวม" ได้โดยการนำ "ชิ้นส่วน" ของความน่าจะเป็นแบบมีเงื่อนไขทั้งหมดมารวมกัน

สูตรคำนวณ:
\( P(A) = P(A | S_1)P(S_1) + P(A | S_2)P(S_2) + ... + P(A | S_n)P(S_n) \)
ดูเหมือนจะซับซ้อน แต่จริงๆ แล้วมีตรรกะง่ายมากครับ มันบอกเราว่า: หากต้องการหาความน่าจะเป็นรวมของ \( A \) ให้ดูความน่าจะเป็นของ \( A \) ในทุกสถานการณ์ที่เป็นไปได้ (\( S \)) แล้วคูณกับโอกาสที่สถานการณ์นั้นจะเกิดขึ้นจริง

ตัวอย่าง:
สมมติว่ามีโอกาส 60% ที่เศรษฐกิจจะ "เฟื่องฟู" (Boom) และ 40% ที่จะเกิด "ภาวะถดถอย" (Recession)
- ในช่วงเศรษฐกิจเฟื่องฟู หุ้น X มีโอกาสปรับตัวขึ้น 80%
- ในช่วงเศรษฐกิจถดถอย หุ้น X มีโอกาสปรับตัวขึ้นเพียง 20%
การหา ความน่าจะเป็นรวม (Total Probability) ที่หุ้นจะปรับตัวขึ้นคือ:
\( P(Up) = (0.80 \times 0.60) + (0.20 \times 0.40) \)
\( P(Up) = 0.48 + 0.08 = 0.56 \) หรือ 56%

เคล็ดลับเล็กๆ:

ให้มองว่ากฎความน่าจะเป็นรวมคือ ค่าเฉลี่ยถ่วงน้ำหนัก (weighted average) ครับ คุณกำลังให้น้ำหนักกับผลลัพธ์ของแต่ละสถานการณ์ด้วยความน่าจะเป็นที่สถานการณ์นั้นจะเกิดขึ้นจริง

3. แผนภาพต้นไม้ความน่าจะเป็น (Probability Trees)

ถ้าคุณรู้สึกว่าสูตรต่างๆ เริ่มชวนงง แผนภาพต้นไม้ความน่าจะเป็น (Probability Trees) จะกลายเป็นเพื่อนที่ดีที่สุดของคุณ! แผนภาพต้นไม้คือแผนที่ภาพรวมของผลลัพธ์ที่เป็นไปได้ทั้งหมด มันมีประโยชน์มากสำหรับโจทย์ที่เกี่ยวข้องกับเหตุการณ์ที่ต่อเนื่องกัน (เหตุการณ์หนึ่งเกิดขึ้นตามหลังอีกเหตุการณ์หนึ่ง)

วิธีการวาดแผนภาพต้นไม้:

1. จุดเริ่มต้น (Root): เริ่มจากจุดเดียวทางด้านซ้าย
2. กิ่งก้าน (Branches): ลากเส้นสำหรับความเป็นไปได้ชุดแรก (เช่น เศรษฐกิจเฟื่องฟู vs ถดถอย) แล้วเขียนค่าความน่าจะเป็นกำกับไว้บนกิ่งนั้น
3. จุดเชื่อม (Nodes): ที่ปลายของกิ่งไม้ ให้ลากกิ่งใหม่สำหรับความเป็นไปได้ในลำดับถัดไป (เช่น หุ้นขึ้น vs หุ้นลง)
4. กฎของ 1: ผลรวมของความน่าจะเป็นที่แตกออกมาจากจุดเชื่อมเดียวกัน ต้องรวมกันได้ 1.0 (100%) เสมอ

การคำนวณด้วยแผนภาพต้นไม้:

- การหาความน่าจะเป็นร่วม (Joint Probability - ปลายทางของเส้นทาง): ให้นำความน่าจะเป็นตลอดแนวเส้นทางมา คูณกัน (ท่องไว้ว่า: "และ" = คูณ)
- การหาความน่าจะเป็นรวม (Total Probability): ให้นำความน่าจะเป็นร่วมของทุกเส้นทางที่นำไปสู่ผลลัพธ์ที่คุณต้องการมา บวกกัน (ท่องไว้ว่า: "หรือ" = บวก)

รู้หรือไม่?
แผนภาพต้นไม้ความน่าจะเป็นถูกใช้อย่างแพร่หลายในการ "วิเคราะห์การตัดสินใจ" (Decision Analysis) บริษัทใหญ่ๆ ใช้มันในการตัดสินใจว่าจะเปิดตัวสินค้าใหม่หรือไม่ โดยการเขียนแผนผังโอกาสความสำเร็จเทียบกับความล้มเหลวในทุกๆ ขั้นตอนของการพัฒนา

4. สูตรของเบย์ (Bayes' Formula)

สูตรของเบย์ (Bayes' Formula) มักเป็นส่วนที่นักเรียนรู้สึกว่าเข้าใจยากที่สุด แต่จริงๆ แล้วมันเป็นเพียงการต่อยอดจากสิ่งที่เราเรียนมาแล้ว สูตรนี้ช่วยให้เรา ย้อนกลับ (reverse) เงื่อนไขได้ มันช่วยตอบคำถามว่า: "ถ้ากำหนดว่าหุ้นปรับตัวขึ้นแล้ว โอกาสที่เราจะอยู่ในภาวะเศรษฐกิจเฟื่องฟูจริงๆ คือเท่าไหร่?"

แนวคิดสำคัญ:
เราเริ่มต้นจากความเชื่อเดิมก่อนที่จะมีข้อมูลใหม่ (เรียกว่า ความน่าจะเป็นก่อนหน้า หรือ Prior Probability) เมื่อได้รับข้อมูลใหม่เข้ามา เราจึงอัปเดตความเชื่อของเราเพื่อให้ได้ความน่าจะเป็นใหม่ (เรียกว่า ความน่าจะเป็นภายหลัง หรือ Posterior Probability)

สูตรคำนวณ:
\( P(Event | Information) = \frac{P(Information | Event)}{P(Information)} \times P(Event) \)

ขั้นตอนการใช้สูตรของเบย์:
1. ระบุค่า Prior ของคุณ: \( P(Event) \)
2. ระบุค่า Likelihood: \( P(Information | Event) \)
3. คำนวณ ความน่าจะเป็นรวม (Total Probability) ของข้อมูลใหม่: \( P(Information) \)
4. แทนค่าในสูตรเพื่อหาค่า Posterior

ข้อผิดพลาดที่ควรระวัง:

นักเรียนมักจะสับสนระหว่าง \( P(A|B) \) กับ \( P(B|A) \) จำไว้ว่าเส้นแนวตั้ง \( | \) แปลว่า "โดยกำหนดว่า" \( P(ฝนตก | เมฆมาก) \) คือโอกาสที่ฝนจะตกหากมีเมฆมาก ส่วน \( P(เมฆมาก | ฝนตก) \) คือโอกาสที่เมฆจะมากหากฝนกำลังตกอยู่ (ซึ่งเกือบจะเป็น 100%!) ทั้งสองค่านี้นั้นแตกต่างกันอย่างสิ้นเชิงเลยนะ!

5. สรุปและทบทวนอย่างรวดเร็ว

คุณผ่านมาได้ไกลมากแล้ว! นี่คือ "สรุปย่อ" สำหรับบทนี้ครับ:

  • Conditional Expectation: ค่าเฉลี่ยของผลลัพธ์ที่เราคาดไว้ หาก เงื่อนไขบางอย่างเกิดขึ้นจริง
  • Total Probability Rule: การแบ่งความน่าจะเป็นที่ซับซ้อนออกเป็นสถานการณ์ต่างๆ แล้วนำมาถ่วงน้ำหนักเพื่อหา "ภาพรวม"
  • Probability Trees: แผนที่ภาพรวมที่คุณต้อง คูณ ตัวเลขตามกิ่งก้าน และ บวก ผลลัพธ์จากทุกเส้นทางที่เกี่ยวข้อง
  • Bayes' Formula: วิธีทางคณิตศาสตร์ในการอัปเดตความเชื่อ "เดิม" (Prior) ให้กลายเป็นความเชื่อ "ใหม่" (Posterior) ตามหลักฐานข้อมูลที่ได้รับมา

คำให้กำลังใจทิ้งท้าย:
วิชา Quantitative Methods อาจดูเหมือนเน้นตัวเลขหนักมาก แต่จริงๆ แล้วมันเป็นเพียงวิธีการจัดระเบียบตรรกะเท่านั้น เวลาเจอโจทย์ปัญหา ลองวาด แผนภาพต้นไม้ (Probability Tree) ดูก่อนครับ บ่อยครั้งที่ภาพวาดจะเฉลยคำตอบให้คุณเห็นชัดเจนก่อนที่คุณจะได้หยิบเครื่องคิดเลขขึ้นมาเสียอีก!