Determine the characteristics of jointly distributed random variables

ยินดีต้อนรับสู่เรื่องการแจกแจงร่วม (Joint Distributions)!

ในการศึกษาที่ผ่านมา เราได้ดูตัวแปรสุ่ม (Random Variables: RVs) แบบแยกส่วนกันมาตลอด เช่น จำนวนการเคลมประกันของผู้ถือกรมธรรม์คนเดียว แต่ในโลกความเป็นจริงสถานการณ์มักไม่ได้เรียบง่ายขนาดนั้น! นักคณิตศาสตร์ประกันภัยมักจำเป็นต้องดูตัวแปรตั้งแต่สองตัวขึ้นไปพร้อมๆ กัน เช่น เราอาจต้องการทราบความสัมพันธ์ระหว่าง อายุ ของผู้ขับขี่กับ มูลค่า ของการเคลมประกัน นี่คือจุดที่ ตัวแปรสุ่มที่มีการแจกแจงร่วม (Jointly Distributed Random Variables) เข้ามามีบทบาทสำคัญ

ไม่ต้องกังวลไปนะถ้าตอนแรกจะรู้สึกว่ามันดูเป็นนามธรรมไปสักนิด แท้จริงแล้วเราก็แค่ขยับจากการดูตัวเลขตัวเดียว มาเป็นการดูตัวเลขเป็นคู่ (หรือเป็นกลุ่ม) ให้ลองจินตนาการว่าเหมือนกับการเปลี่ยนจากการมองกราฟเส้น 2 มิติ มาเป็นการมองแผนที่ 3 มิตินั่นเอง

1. การแจกแจงความน่าจะเป็นร่วม (Joint Probability Distributions)

เมื่อเรามีตัวแปรสุ่มสองตัวคือ \(X\) และ \(Y\) เราต้องการทราบความน่าจะเป็นที่ทั้งคู่จะเกิดค่าที่กำหนดขึ้น พร้อมๆ กัน

กรณีไม่ต่อเนื่อง (Discrete Case): ฟังก์ชันมวลความน่าจะเป็นร่วม (Joint PMF)

ถ้า \(X\) และ \(Y\) เป็นตัวแปรไม่ต่อเนื่อง เราจะใช้ Joint PMF เขียนแทนด้วย \( p(x, y) = P(X = x, Y = y) \)
กฎเหล็ก: ผลรวมของความน่าจะเป็นทั้งหมดในการแจกแจงร่วมต้องเท่ากับ 1 เสมอ
\( \sum_{all x} \sum_{all y} p(x, y) = 1 \)

กรณีต่อเนื่อง (Continuous Case): ฟังก์ชันความหนาแน่นความน่าจะเป็นร่วม (Joint PDF)

ถ้า \(X\) และ \(Y\) เป็นตัวแปรต่อเนื่อง เราจะใช้ Joint PDF เขียนแทนด้วย \( f(x, y) \) แทนที่จะเป็นตาราง ให้ลองจินตนาการถึง "พื้นผิว" หรือ "เนินเขา" ที่อยู่เหนือระนาบแบนๆ ปริมาตรที่อยู่ใต้พื้นผิวนี้นี่แหละคือค่าความน่าจะเป็น
กฎเหล็ก: ปริมาตรรวมทั้งหมดใต้พื้นผิวต้องเท่ากับ 1
\( \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} f(x, y) \,dx \,dy = 1 \)

ทบทวนสั้นๆ: ฟังก์ชันการแจกแจงสะสมร่วม (Joint CDF)

ฟังก์ชันการแจกแจงสะสมร่วม (Joint CDF) เขียนแทนด้วย \( F(x, y) \) คือความน่าจะเป็นที่ \(X\) มีค่าน้อยกว่าหรือเท่ากับ \(x\) และ \(Y\) มีค่าน้อยกว่าหรือเท่ากับ \(y\):
\( F(x, y) = P(X \le x, Y \le y) \)

ประเด็นสำคัญ: การแจกแจงร่วมใช้อธิบายว่าตัวแปรสองตัวมีพฤติกรรมอย่างไรเมื่ออยู่ด้วยกัน สำหรับตัวแปรไม่ต่อเนื่องให้คิดถึงตาราง ส่วนตัวแปรต่อเนื่องให้คิดถึงพื้นผิว 3 มิติ

2. การแจกแจงส่วนขอบ (Marginal Distributions)

บางครั้งเรามีข้อมูลการแจกแจงร่วม (ภาพรวมใหญ่) แต่เราต้องการโฟกัสแค่ตัวแปรใดตัวแปรหนึ่งเท่านั้น เราจะเรียกสิ่งนี้ว่าการหา การแจกแจงส่วนขอบ (Marginal Distribution)

เทคนิค "ตัดอีกตัวออกไป" (Summing Out Trick):
ในการหาการแจกแจงส่วนขอบของ \(X\) คุณจะต้อง "เพิกเฉย" หรือ "รวมค่า" ของ \(Y\) ออกไป:
- แบบไม่ต่อเนื่อง: \( p_X(x) = \sum_{all y} p(x, y) \)
- แบบต่อเนื่อง: \( f_X(x) = \int_{-\infty}^{\infty} f(x, y) \,dy \)

ช่วยจำ: ทำไมถึงเรียกว่า "Marginal" (ส่วนขอบ)?
ให้ลองนึกถึงตารางความน่าจะเป็น ถ้าคุณรวมตัวเลขในแถวหรือคอลัมน์แล้วเขียนผลรวมไว้ที่ ขอบ (margins) ของกระดาษ นั่นแหละคือการหา Marginal Distribution!

ประเด็นสำคัญ: การหาการแจกแจงส่วนขอบของตัวแปรหนึ่ง ให้ทำการอินทิเกรตหรือรวมผล (sum) ตลอดช่วงของตัวแปร อีกตัวหนึ่ง

3. การแจกแจงแบบมีเงื่อนไข (Conditional Distributions)

ในงานด้านคณิตศาสตร์ประกันภัย เรามักถามคำถามว่า "ความน่าจะเป็นของ \(X\) จะเป็นเท่าใด เมื่อทราบว่า \(Y\) มีค่าเท่านี้แล้ว?" นี่คือ การแจกแจงแบบมีเงื่อนไข (Conditional Distribution)

สูตรนี้มาจากกฎพื้นฐานความน่าจะเป็นที่ว่า \( P(A|B) = \frac{P(A \cap B)}{P(B)} \):
\( f(x|y) = \frac{f(x, y)}{f_Y(y)} \), โดยที่ \( f_Y(y) > 0 \)

เปรียบเทียบให้เห็นภาพ: สมมติว่าคุณกำลังดูส่วนสูง (\(X\)) และน้ำหนัก (\(Y\)) ของประชากร การแจกแจงส่วนขอบของส่วนสูงคือส่วนสูงของ ทุกคน แต่การแจกแจงแบบ มีเงื่อนไข ของส่วนสูง เมื่อกำหนดว่า คนนั้นหนัก 100 กก. จะเป็นเพียงการแจกแจงส่วนสูงของกลุ่มคนน้ำหนักมากกลุ่มนี้เท่านั้น

ข้อผิดพลาดที่พบบ่อย: ลืมว่าตัวแปรไหนต้องอยู่ตัวหาร! ให้หารด้วย Marginal Distribution ของตัวแปรที่คุณ "ทราบค่าแล้ว" (ตัวที่อยู่หลังขีดแนวตั้ง |) เสมอ

4. ความเป็นอิสระต่อกันของตัวแปรสุ่ม (Independence)

ตัวแปรสุ่มสองตัวจะเป็น อิสระต่อกัน (Independent) ก็ต่อเมื่อการทราบค่าของตัวแปรหนึ่งไม่ได้ให้ข้อมูลอะไรเกี่ยวกับอีกตัวแปรหนึ่งเลย

ในทางคณิตศาสตร์ \(X\) และ \(Y\) จะเป็นอิสระต่อกันก็ต่อเมื่อการแจกแจงร่วมเท่ากับผลคูณของการแจกแจงส่วนขอบ:
แบบไม่ต่อเนื่อง: \( p(x, y) = p_X(x) \cdot p_Y(y) \)
แบบต่อเนื่อง: \( f(x, y) = f_X(x) \cdot f_Y(y) \)

เคล็ดลับ: หากขอบเขต (limits) ของ \(X\) ขึ้นอยู่กับค่าของ \(Y\) (เช่น \( 0 < x < y < 1 \)) แสดงว่าตัวแปรทั้งสอง ไม่เป็นอิสระต่อกัน!

5. ค่าคาดหมายและความแปรปรวนร่วม (Expectations and Covariance)

เราจะอธิบาย "พฤติกรรมโดยเฉลี่ย" และ "ความเชื่อมโยง" ระหว่างตัวแปรสองตัวได้อย่างไร?

ค่าคาดหมายของฟังก์ชัน \( g(X, Y) \)

ในการหาค่าคาดหมายของฟังก์ชันสองตัวแปร เราจะนำฟังก์ชันนั้นไปคูณกับความน่าจะเป็นร่วมแล้วทำการหาผลรวมหรืออินทิเกรต:
\( E[g(X, Y)] = \int \int g(x, y) f(x, y) \,dx \,dy \)

ความแปรปรวนร่วม (Covariance)

ความแปรปรวนร่วม ใช้วัดความสัมพันธ์เชิงเส้นระหว่าง \(X\) และ \(Y\):
\( Cov(X, Y) = E[(X - E[X])(Y - E[Y])] \)
สูตรที่ใช้งานได้สะดวกกว่าในการคำนวณคือ:
\( Cov(X, Y) = E[XY] - E[X]E[Y] \)

• ถ้า \( Cov(X, Y) > 0 \): ตัวแปรทั้งสองเคลื่อนที่ไปในทิศทางเดียวกัน (เพิ่มขึ้นหรือลดลงพร้อมกัน)
• ถ้า \( Cov(X, Y) < 0 \): ตัวแปรเคลื่อนที่ไปในทิศทางตรงกันข้าม
• ถ้า \( X \) และ \( Y \) เป็นอิสระต่อกัน แล้ว \( Cov(X, Y) = 0 \) (หมายเหตุ: ในทางกลับกัน ถ้าเป็น 0 ไม่ได้แปลว่าเป็นอิสระต่อกันเสมอไป!)

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

Covariance อาจเป็นตัวเลขค่าใดก็ได้ ซึ่งทำให้เปรียบเทียบยาก สหสัมพันธ์ (Correlation) จึงปรับมาตราส่วนของ Covariance ให้เหลือค่าระหว่าง -1 ถึง +1:
\( \rho(X, Y) = \frac{Cov(X, Y)}{\sigma_X \sigma_Y} \)

โดยที่ \( \sigma_X \) และ \( \sigma_Y \) คือส่วนเบี่ยงเบนมาตรฐาน

ประเด็นสำคัญ: Covariance บอกทิศทางของความสัมพันธ์ แต่ Correlation บอกทั้งทิศทางและ ความแข็งแกร่ง ของความสัมพันธ์ในมาตราส่วนมาตรฐาน

6. ค่าคาดหมายและความแปรปรวนแบบมีเงื่อนไข

เรื่องนี้เป็น "ตัวทำคะแนน" ในข้อสอบ CS1 เลยล่ะ เพราะมันเกี่ยวข้องกับ กฎค่าคาดหมายรวม (Law of Total Expectation) และ กฎความแปรปรวนรวม (Law of Total Variance)

กฎค่าคาดหมายรวม (Adam's Law)

\( E[X] = E[E[X|Y]] \)
หมายความว่าค่าเฉลี่ยรวมของ \(X\) คือค่าเฉลี่ยของค่าเฉลี่ยแบบมีเงื่อนไขทั้งหมด

กฎความแปรปรวนรวม (Eve's Law)

\( Var(X) = E[Var(X|Y)] + Var(E[X|Y]) \)
ช่วยจำ: "Expectation of Variance บวก Variance of Expectation" (E-Var + Var-E)

กฎนี้มีประโยชน์อย่างไร?
ลองนึกภาพว่า \(X\) คือมูลค่าการเคลมรวมทั้งปี และ \(Y\) คือจำนวนอุบัติเหตุ การคำนวณ \(Var(X)\) โดยตรงอาจจะยาก แต่การคำนวณความแปรปรวนเมื่อทราบจำนวนอุบัติเหตุที่แน่นอนกลับง่ายกว่า กฎเหล่านี้ช่วยให้คุณ "ประกอบร่าง" ไปสู่ความแปรปรวนรวมได้โดยใช้ส่วนประกอบย่อยที่เป็นเงื่อนไขง่ายๆ

ประเด็นสำคัญ: กฎเหล่านี้จำเป็นอย่างยิ่งในการย่อยปัญหาที่ซับซ้อนให้กลายเป็นส่วนเล็กๆ ที่จัดการได้ง่ายขึ้นโดยใช้ข้อมูล "ที่กำหนดให้"

เช็คลิสต์สรุปบทเรียน

• คุณจำแนกได้หรือไม่ว่าการแจกแจงร่วมเป็นแบบไม่ต่อเนื่องหรือต่อเนื่อง?
• คุณจำได้ไหมว่าต้อง "sum out" หรือ "อินทิเกรต" ตัวแปรอื่นออกไปเพื่อหา Marginal?
• สัมประสิทธิ์สหสัมพันธ์ของคุณมีค่าอยู่ระหว่าง -1 ถึง 1 หรือเปล่า? ถ้าไม่ ให้ลองเช็คเลขที่คำนวณดูใหม่นะ!
• คุณฝึกใช้สูตร \( E[X] = E[E[X|Y]] \) สำหรับการแจกแจงแบบผสม (compound distributions) แล้วหรือยัง?

ไม่ต้องกังวลไปถ้าการอินทิเกรตสองชั้นหรือกฎแบบมีเงื่อนไขจะดูหนักหนาในช่วงแรก เมื่อฝึกฝนจนคล่อง คุณจะเริ่มมองว่ามันเป็นแค่ "สูตรทำอาหาร" ง่ายๆ สำหรับการรวมข้อมูลเข้าด้วยกันเท่านั้นเอง!