Describe random sampling and the sampling distributions of statistics commonly used in statistical inference

ยินดีต้อนรับสู่สะพานแห่งการอนุมานเชิงสถิติ!

ตลอดเส้นทางของวิชา CS1 ที่ผ่านมา คุณได้เรียนรู้เกี่ยวกับตัวแปรสุ่มและการแจกแจงความน่าจะเป็นในรูปแบบต่างๆ มาแล้ว ตอนนี้เรากำลังก้าวเข้าสู่หัวข้อที่น่าตื่นเต้นที่สุด นั่นก็คือ การอนุมานเชิงสถิติ (Statistical Inference) ซึ่งเปรียบเสมือนเวทมนตร์ในโลกสถิติ! เพราะเราจะใช้ข้อมูลเพียงกลุ่มเล็กๆ ที่เรียกว่า กลุ่มตัวอย่าง (Sample) มาคาดการณ์ข้อมูลของกลุ่มใหญ่ทั้งหมดที่เรียกว่า ประชากร (Population)

ลองจินตนาการว่าคุณเป็นเชฟครับ คุณไม่จำเป็นต้องกินซุปทั้งหม้อเพื่อเช็กว่ารสชาติเป็นอย่างไร แค่ชิมซุปหนึ่งช้อนที่คลุกเคล้ามาอย่างดีก็พอแล้ว ในบทนี้เราจะมาเรียนกันว่า "ซุปหนึ่งช้อน" (ตัวอย่าง) นั้นทำงานอย่างไร และสะท้อนภาพรวมของ "ซุปทั้งหม้อ" (ประชากร) ได้อย่างไร ไม่ต้องกังวลนะถ้าช่วงแรกจะรู้สึกว่าเป็นเรื่องนามธรรม เพราะเราจะค่อยๆ เจาะลึกไปทีละสเต็ปครับ!

1. การสุ่มตัวอย่าง (Random Sampling) คืออะไร?

เพื่อให้มั่นใจว่า "ซุปหนึ่งช้อน" ของเราเป็นตัวแทนที่ดีของทั้งหม้อ ทุกส่วนของซุปต้องมีโอกาสถูกตักขึ้นมาเท่าๆ กัน นี่คือหัวใจสำคัญของ การสุ่มตัวอย่างแบบสุ่ม (Random Sampling)

ในเชิงคณิตศาสตร์ประกันภัย เราจะกล่าวว่า \(X_1, X_2, ..., X_n\) เป็น กลุ่มตัวอย่างสุ่ม (Random sample) ขนาด \(n\) ก็ต่อเมื่อ:

• ค่า \(X_i\) แต่ละค่ามาจากแหล่งกำเนิดหรือการแจกแจงเดียวกัน (เป็น Identically Distributed)
• ค่าของข้อมูลตัวหนึ่งไม่ส่งผลกระทบต่ออีกตัวหนึ่ง (เป็น Independent)

คุณจะเห็นคำย่อที่เรียกกันจนคุ้นหูว่า i.i.d. (Independent and Identically Distributed) ถ้าเห็นคำนี้ในข้อสอบเมื่อไหร่ ให้จำไว้เลยว่ามันคือรหัสลับที่แปลว่า "นี่คือกลุ่มตัวอย่างสุ่มที่สมบูรณ์แบบนะ"

2. สถิติทดสอบ (Statistic) กับ พารามิเตอร์ (Parameter)

ก่อนไปต่อ เรามาเคลียร์ความแตกต่างของสองคำนี้ที่มักทำให้นักศึกษาจำสับสนกันก่อนดีกว่า:

• พารามิเตอร์ (Parameter): คือค่าคงที่ (ที่มักไม่ทราบค่าที่แท้จริง) ซึ่งอธิบายลักษณะของ ประชากร (Population) ทั้งหมด เช่น ค่าเฉลี่ยประชากร (\(\mu\)) หรือความแปรปรวนประชากร (\(\sigma^2\))
• สถิติทดสอบ (Statistic): คือค่าที่เราคำนวณได้จาก กลุ่มตัวอย่าง (Sample) ของเรา เช่น ค่าเฉลี่ยตัวอย่าง (\(\bar{X}\)) หรือความแปรปรวนตัวอย่าง (\(S^2\))

เคล็ดลับจำง่ายๆ: จำว่า P สำหรับ Population/Parameter และ S สำหรับ Sample/Statistic ครับ!

การแจกแจงของกลุ่มตัวอย่าง (Sampling Distribution) คืออะไร?

สมมติว่าคุณสุ่มคนมา 10 คนแล้วคำนวณหาความสูงเฉลี่ย จากนั้นคุณสุ่ม อีก 10 คนแล้วคำนวณใหม่ คุณจะได้ค่าเฉลี่ยที่ต่างออกไปเล็กน้อยในแต่ละครั้ง หากคุณทำแบบนี้ซ้ำๆ เป็นพันครั้งแล้วนำค่าเฉลี่ยทั้งหมดมาวาดกราฟ การแจกแจงที่เกิดขึ้นนั้นแหละครับที่เราเรียกว่า การแจกแจงของกลุ่มตัวอย่าง (Sampling Distribution)

3. การแจกแจงของค่าเฉลี่ยตัวอย่าง (\(\bar{X}\))

ค่าเฉลี่ยตัวอย่างเป็นสถิติที่เราใช้บ่อยที่สุด พฤติกรรมของมันจะขึ้นอยู่กับว่ามันถูกสุ่มมาจากประชากรแบบไหน

กรณี A: สุ่มจากประชากรที่มีการแจกแจงปกติ (Normal Distribution)

ถ้าประชากรของคุณมีการแจกแจงปกติอยู่แล้ว เช่น \(X \sim N(\mu, \sigma^2)\) แล้วค่าเฉลี่ยตัวอย่างก็จะมีการแจกแจงปกติเช่นกัน!

\(\bar{X} \sim N(\mu, \frac{\sigma^2}{n})\)

ประเด็นสำคัญ: ค่าเฉลี่ยของค่าเฉลี่ยตัวอย่างจะเท่ากับค่าเฉลี่ยของประชากร (\(\mu\)) แต่ การกระจายตัว (ความแปรปรวน) จะน้อยลง ยิ่งคุณมีขนาดตัวอย่าง (\(n\)) มากขึ้นเท่าไหร่ คุณก็จะยิ่งมั่นใจในผลลัพธ์มากขึ้นเท่านั้น ความแปรปรวนจึงลดลงครับ

กรณี B: ทฤษฎีขีดจำกัดกลาง (Central Limit Theorem - CLT)

แล้วถ้าประชากร ไม่เป็น การแจกแจงปกติล่ะ? (เช่น เป็น Exponential หรือ Gamma) นี่คือจุดที่ ทฤษฎีขีดจำกัดกลาง (CLT) จะเข้ามาช่วยชีวิตเรา! ทฤษฎีนี้ระบุว่าถ้าขนาดตัวอย่าง \(n\) ของคุณ "ใหญ่พอ" (โดยทั่วไปคือ \(n > 30\)) การแจกแจงของค่าเฉลี่ยตัวอย่างจะมีลักษณะ ใกล้เคียงการแจกแจงปกติ (Approximately Normal) เสมอ ไม่ว่าประชากรต้นทางจะมีรูปร่างเป็นอย่างไรก็ตาม

\(\bar{X} \approx N(\mu, \frac{\sigma^2}{n})\)

เปรียบเทียบ: ลองนึกถึงฝูงชนที่กำลังเดินเล่น แต่ละคนอาจจะมีพฤติกรรมแปลกๆ ต่างกันไป (การแจกแจงต่างกัน) แต่เมื่อคุณมองดู "พฤติกรรมเฉลี่ย" ของฝูงชนนั้น มันมักจะมีรูปแบบเป็นระเบียบตามเส้นโค้งรูประฆังคว่ำนั่นเอง

4. การแจกแจงของความแปรปรวนตัวอย่าง (\(S^2\))

ในขณะที่ค่าเฉลี่ยมีการแจกแจงปกติ แต่ ความแปรปรวนตัวอย่าง มีเส้นทางของมันเอง เมื่อเราสุ่มตัวอย่างจาก ประชากรที่มีการแจกแจงปกติ เราจะใช้ การแจกแจงไคสแควร์ (\(\chi^2\)) เพื่ออธิบายความแปรปรวน

สูตรที่ต้องจำคือ:

\(\frac{(n-1)S^2}{\sigma^2} \sim \chi^2_{n-1}\)

โดยที่:

• \(n\) คือขนาดตัวอย่าง
• \(S^2\) คือความแปรปรวนตัวอย่าง
• \(\sigma^2\) คือความแปรปรวนประชากร
• \(n-1\) เรียกว่า องศาความเป็นอิสระ (Degrees of freedom)

ข้อผิดพลาดที่พบบ่อย: นักศึกษามักเผลอใช้ \(n\) แทนที่จะเป็น \(n-1\) ในทางสถิติ เราจะ "เสีย" องศาความเป็นอิสระไปหนึ่งหน่วยเพราะเราใช้ค่าเฉลี่ยตัวอย่างไปคำนวณความแปรปรวน จำไว้แค่นี้ครับ: ถ้าเป็นความแปรปรวน ต้องใช้ \(n-1\)!

5. การแจกแจงทีของสติวเดนต์ (Student’s t-distribution)

ในโลกความเป็นจริง เราแทบจะไม่รู้ค่าความแปรปรวนประชากรที่แท้จริง (\(\sigma^2\)) เลย หากเราไม่รู้ \(\sigma^2\) เราก็ต้องใช้ความแปรปรวนตัวอย่าง (\(S^2\)) แทน เมื่อเราทำเช่นนั้น การแจกแจงปกติจะไม่แม่นยำอีกต่อไป เราจึงต้องเปลี่ยนไปใช้ t-distribution แทน

สถิติทดสอบคือ: \(T = \frac{\bar{X} - \mu}{S / \sqrt{n}}\)

ซึ่งจะมีการแจกแจงแบบ \(t_{n-1}\) (t-distribution ที่มีองศาความเป็นอิสระ \(n-1\))

รู้หรือไม่? t-distribution มีรูปร่างคล้ายการแจกแจงปกติมาก แต่จะมี "หางที่หนากว่า" เพื่อชดเชยความไม่แน่นอนที่เราต้องไปประมาณค่าความแปรปรวนเพิ่มขึ้น และเมื่อ \(n\) มีขนาดใหญ่มากๆ t-distribution ก็จะค่อยๆ กลายเป็นการแจกแจงปกติไปในที่สุด!

6. การเปรียบเทียบสองความแปรปรวน: การแจกแจงเอฟ (F-distribution)

บางครั้งนักคณิตศาสตร์ประกันภัยจำเป็นต้องเปรียบเทียบความผันผวน (ความแปรปรวน) ของสองกลุ่ม (เช่น ปริมาณการเรียกร้องค่าสินไหมในสองภูมิภาคที่ต่างกัน) เพื่อการนี้ เราจะดูอัตราส่วนระหว่างความแปรปรวนตัวอย่างของทั้งสองกลุ่ม

หากเรามีกลุ่มตัวอย่างอิสระสองชุดจากประชากรที่มีการแจกแจงปกติ อัตราส่วน:

\(F = \frac{S_1^2 / \sigma_1^2}{S_2^2 / \sigma_2^2} \sim F_{n_1-1, n_2-1}\)

สิ่งนี้จะเป็นไปตาม F-distribution ซึ่งจะมีองศาความเป็นอิสระสองชุดเสมอ คือชุดสำหรับตัวเศษและชุดสำหรับตัวส่วนครับ

ตารางสรุปเพื่อความเข้าใจ

นี่คือสรุปภาพรวมเพื่อช่วยให้คุณแม่นยำขึ้นครับ:

สถิติทดสอบ	การแจกแจง	กรณีที่ใช้
ค่าเฉลี่ยตัวอย่าง (\(\bar{X}\))	ปกติ (\(N\))	ทราบค่า \(\sigma^2\) หรือ \(n\) มีขนาดใหญ่ (CLT)
ความแปรปรวนตัวอย่าง (\(S^2\))	ไคสแควร์ (\(\chi^2\))	อนุมานเกี่ยวกับ \(\sigma^2\) (กรณีประชากรปกติ)
ค่าเฉลี่ย (กรณีใช้ \(S^2\))	t-distribution	ไม่ทราบค่า \(\sigma^2\) (กรณีประชากรปกติ)
อัตราส่วนความแปรปรวนสองชุด	F-distribution	เปรียบเทียบความแปรปรวนของสองประชากรปกติ

สรุปและประเด็นสำคัญ

• การสุ่มตัวอย่าง ต้องเป็นอิสระและมาจากแหล่งเดียวกัน (i.i.d.)
• ค่าเฉลี่ยตัวอย่าง (\(\bar{X}\)) จะมีการแจกแจงปกติถ้าประชากรปกติ หรือเป็นปกติโดยประมาณเมื่อ \(n\) มีขนาดใหญ่ (ขอบคุณ ทฤษฎีขีดจำกัดกลาง!)
• ความคลาดเคลื่อนมาตรฐาน (Standard Error) ของค่าเฉลี่ยคือ \(\sigma / \sqrt{n}\) สังเกตว่ามันจะเล็กลงเรื่อยๆ เมื่อ \(n\) เพิ่มขึ้น!
• การแจกแจงไคสแควร์ คือพระเอกสำหรับการทำงานกับความแปรปรวนตัวอย่าง
• ใช้ t-distribution เมื่อไม่ทราบ \(\sigma^2\) และต้องใช้ \(S^2\) เข้ามาแทนที่
• ใช้ F-distribution เมื่อต้องการเปรียบเทียบความแปรปรวนของสองประชากร

ส่งท้าย: คุณเพิ่งจะเข้าใจภาษาหลักของการอนุมานเชิงสถิติไปแล้วนะครับ! การแจกแจงเหล่านี้เป็นเครื่องมือที่คุณจะต้องใช้ไปตลอดคอร์ส CS1 เพื่อสร้างช่วงความเชื่อมั่นและทำการทดสอบสมมติฐาน ฝึกฝนสูตรเหล่านี้บ่อยๆ แล้วมันจะกลายเป็นเรื่องที่คุณทำได้โดยอัตโนมัติแน่นอนครับ!