ยินดีต้อนรับสู่โลกแห่งค่าคาดหมาย (Expectations)!

สวัสดีครับ! ยินดีต้อนรับเข้าสู่หนึ่งในบทที่สำคัญที่สุดในการเดินทางสาย CS1 ของคุณ หากคุณเคยสงสัยว่าบริษัทประกันภัยตัดสินใจอย่างไรว่าจะเรียกเก็บเบี้ยประกันเท่าไหร่ หรือนักพนันคำนวณเงินรางวัลที่จะได้รับอย่างไร คำตอบทั้งหมดรวมอยู่ที่นี่แล้ว นั่นคือเรื่องของ ค่าคาดหมาย (Expectations) ครับ

ในบทนี้ เราจะมาเรียนรู้วิธีการคำนวณ "ค่าเฉลี่ยในระยะยาว" ของตัวแปรสุ่มกัน ไม่ต้องกังวลไปนะครับหากคณิตศาสตร์ในตอนแรกดูน่ากลัว เราจะค่อยๆ ย่อยมันทีละขั้นตอนด้วยการเปรียบเทียบที่เข้าใจง่ายและตัวอย่างที่ชัดเจน มาเริ่มกันเลย!

1. ค่าคาดหมายคืออะไร?

ให้มองว่า ค่าคาดหมาย (Expected Value) (เขียนแทนด้วย \(E[X]\)) คือ จุดศูนย์ถ่วง (center of gravity) ของการแจกแจงความน่าจะเป็น มันคือค่าเฉลี่ยที่คุณจะได้รับหากคุณทำการทดลองซ้ำๆ เป็นล้านๆ ครั้งครับ

กรณีตัวแปรสุ่มแบบไม่ต่อเนื่อง (Discrete Case)

หากตัวแปรสุ่ม \(X\) ของคุณเป็นแบบไม่ต่อเนื่อง (หมายความว่าคุณนับผลลัพธ์ได้ เช่น การทอดลูกเต๋า) ค่าคาดหมายจะเป็น ค่าเฉลี่ยแบบถ่วงน้ำหนัก (weighted average) โดยนำค่าที่เป็นไปได้แต่ละค่ามาคูณกับความน่าจะเป็นที่จะเกิดขึ้น แล้วนำมารวมกันทั้งหมด

\(E[X] = \sum x \cdot P(X = x)\)

ตัวอย่าง: ลองจินตนาการถึงเกมที่คุณมีโอกาสชนะ $10 อยู่ 20% และโอกาสได้ $0 อยู่ 80%
\(E[X] = (10 \times 0.20) + (0 \times 0.80) = \$2\) \n
ถึงแม้ว่าในการเล่นจริงคุณจะไม่มีทางชนะได้เงิน $2 เป๊ะๆ ในเกมเดียว แต่ถ้าคุณเล่นไป 1,000 ครั้ง คุณก็คาดหวังได้ว่าจะมีค่าเฉลี่ยอยู่ที่เกมละ $2 นั่นเอง

\n\n

กรณีตัวแปรสุ่มแบบต่อเนื่อง (Continuous Case)

\n

หาก \(X\) เป็นแบบต่อเนื่อง (เช่น เวลาที่แน่นอนที่ใช้ในการแจ้งเคลมประกัน) เราจะใช้ การอินทิเกรต (integration) แทนการบวกเลขแบบปกติครับ แนวคิดยังคงเดิม เพียงแต่ใช้กับเส้นโค้งที่ต่อเนื่องแทน

\n

\(E[X] = \int_{-\infty}^{\infty} x \cdot f(x) \, dx\)

\n

ทบทวนสั้นๆ: วิธีจำง่ายๆ ในการหาค่าคาดหมายคือ: ค่าที่ได้รับ \(\times\) ความน่าจะเป็น แล้วนำไปรวม (หรืออินทิเกรต) ทั้งหมด!

\n\n

2. คุณสมบัติของค่าคาดหมาย

\n

ค่าคาดหมายเป็นสิ่งที่ "จัดการง่าย" เพราะมันมีกฎพื้นฐานที่ช่วยให้ชีวิตเราสะดวกขึ้นเยอะครับ:

\n

1. ความเป็นเชิงเส้น (Linearity): \(E[aX + b] = aE[X] + b\) หากคุณเพิ่มค่าเคลมประกันของทุกคนเป็นสองเท่าแล้วบวกเพิ่มอีก $5 ค่าเฉลี่ยของค่าเคลมก็จะเพิ่มขึ้นเป็นสองเท่าและบวกเพิ่มอีก $5 เช่นกัน
2. การรวมกัน (Sums): \(E[X + Y] = E[X] + E[Y]\) ค่าเฉลี่ยของผลรวมย่อมเท่ากับผลรวมของค่าเฉลี่ยแต่ละตัว

ข้อผิดพลาดที่พบบ่อย:

นักเรียนหลายคนมักคิดว่า \(E[X^2]\) มีค่าเท่ากับ \((E[X])^2\) ซึ่ง ไม่เป็นความจริง! อย่าลืมคำนวณ \(E[X^2]\) แยกออกมาโดยใช้สูตร \(\sum x^2 \cdot P(X=x)\) เสมอครับ

3. ค่าคาดหมายแบบมีเงื่อนไข (Conditional Expectation)

ตรงนี้แหละครับที่น่าสนใจ บางครั้งเราจะมีข้อมูลเพิ่มเข้ามา เช่น ค่าเคลมประกันโดยเฉลี่ย ถ้าเรารู้ว่า ผู้เอาประกันภัยอายุต่ำกว่า 25 ปี จะเป็นเท่าไหร่?

ค่าคาดหมายแบบมีเงื่อนไข \(E[X|Y=y]\) คือค่าเฉลี่ยของ \(X\) ที่คำนวณเฉพาะกรณีที่ \(Y\) มีค่าเท่ากับ \(y\) เท่านั้น

วิธีคำนวณ:

1. หาค่าความน่าจะเป็นแบบมีเงื่อนไข \(P(X|Y)\) หรือฟังก์ชันความหนาแน่นแบบมีเงื่อนไข \(f(x|y)\)
2. ใช้สูตรค่าคาดหมายมาตรฐาน แต่ให้ใช้ความน่าจะเป็นแบบมีเงื่อนไขแทนตัวเดิม

\(E[X|Y=y] = \sum x \cdot P(X=x|Y=y)\) (แบบไม่ต่อเนื่อง)
\(E[X|Y=y] = \int x \cdot f(x|y) \, dx\) (แบบต่อเนื่อง)

รู้หรือไม่? ในงานด้านคณิตศาสตร์ประกันภัย เราใช้ค่าคาดหมายแบบมีเงื่อนไขในการทำ Experience Rating เช่น ถ้าคนขับรถเกิดอุบัติเหตุ 3 ครั้งในหนึ่งปี เราจะใช้ข้อมูลเฉพาะเจาะจงนั้นมา "กำหนดเงื่อนไข" เพื่อปรับค่าคาดหมายของค่าเคลมในอนาคตของเขาครับ!

4. กฎค่าคาดหมายรวม (Law of Total Expectation)

นี่คือหัวข้อโปรดของผู้ออกข้อสอบ IFoA เลยครับ! มันยังเป็นที่รู้จักในชื่อ Law of Iterated Expectations หรือ Tower Property อีกด้วย

กฎนี้กล่าวว่า: \(E[X] = E[E[X|Y]]\)

หมายความว่ายังไงนะ?
ลองคิดแบบนี้ครับ: หากต้องการหาค่าเฉลี่ยรวมของ \(X\) คุณสามารถหาค่าเฉลี่ยของแต่ละกลุ่มย่อย (\(E[X|Y]\)) ก่อน แล้วจึงนำค่าเฉลี่ยของกลุ่มเหล่านั้นมาหาค่าเฉลี่ยอีกทีหนึ่ง

เปรียบเทียบ: การสอบในโรงเรียน

ลองนึกภาพว่าคุณต้องการหาค่าเฉลี่ยคะแนนสอบของทั้งโรงเรียน
1. หาค่าเฉลี่ยคะแนนของแต่ละห้องเรียนก่อน (\(E[X|Class]\))
2. จากนั้นหาค่าเฉลี่ยของค่าเฉลี่ยแต่ละห้อง โดยถ่วงน้ำหนักตามจำนวนนักเรียนในแต่ละห้อง
นั่นจะทำให้คุณได้ค่าเฉลี่ยรวมของทั้งโรงเรียน (\(E[X]\)) นั่นเองครับ

5. ความแปรปรวน (Variance) และความแปรปรวนแบบมีเงื่อนไข

ค่าคาดหมายบอกเราว่า "จุดศูนย์กลาง" อยู่ที่ไหน แต่ ความแปรปรวน (Variance) บอกเราว่าข้อมูลกระจายตัวออกจากจุดกลางมากน้อยเพียงใด
สูตรมาตรฐานคือ: \(Var(X) = E[X^2] - (E[X])^2\)

กฎความแปรปรวนรวม (Law of Total Variance)

สูตรนี้อาจดูน่ากลัว แต่ลองมาดูไส้ในกันครับ:
\(Var(X) = E[Var(X|Y)] + Var(E[X|Y])\)

เทคนิคการจำ: "ค่าคาดหมายของความแปรปรวน บวกกับ ความแปรปรวนของค่าคาดหมาย" (E-V บวกกับ V-E)

สูตรนี้ช่วยแยกความเสี่ยงรวมออกเป็นสองส่วน:
1. \(E[Var(X|Y)]\): ความผันผวน "ภายในกลุ่ม" (ค่าเฉลี่ยของความไม่แน่นอนที่เกิดขึ้นภายในแต่ละกลุ่ม)
2. \(Var(E[X|Y])\): ความผันผวน "ระหว่างกลุ่ม" (ค่าเฉลี่ยของกลุ่มต่างๆ แตกต่างกันมากน้อยแค่ไหน)

6. สรุปใจความสำคัญ

ยินดีด้วยครับ! คุณได้ทำความเข้าใจแนวคิดหลักในการประเมินค่าคาดหมายแล้ว นี่คือสิ่งที่คุณควรจำไว้สำหรับการทบทวน:

- ค่าคาดหมายคือค่าเฉลี่ยแบบถ่วงน้ำหนัก: นำผลลัพธ์มาคูณกับความน่าจะเป็น
- ความเป็นเชิงเส้น (Linearity): คุณสามารถดึงค่าคงที่ออกจากเครื่องหมายค่าคาดหมายได้
- เงื่อนไข (Conditionality): ใช้ \(E[X|Y]\) เมื่อคุณมีข้อมูลเพิ่มเติมที่ทำให้ค่าความน่าจะเป็นเปลี่ยนไป
- กฎค่าคาดหมายรวม (Law of Total Expectation): \(E[X] = E[E[X|Y]]\) ใช้เมื่อ \(X\) ขึ้นอยู่กับปัจจัยอื่นอย่าง \(Y\)
- กฎความแปรปรวนรวม (Law of Total Variance): \(Var(X) = E[Var(X|Y)] + Var(E[X|Y])\) ใช้สำหรับแยกองค์ประกอบความเสี่ยงจากแหล่งต่างๆ

เคล็ดลับสุดท้าย: เมื่อเจอโจทย์ที่ตัวแปรสุ่มหนึ่งขึ้นอยู่กับอีกตัวหนึ่ง (เช่น จำนวนการเคลมขึ้นอยู่กับสภาพอากาศ) ให้คิดถึงเรื่อง ค่าคาดหมายแบบมีเงื่อนไข ทันที! ฝึกฝนบ่อยๆ แล้วสูตรเหล่านี้จะกลายเป็นเรื่องที่ง่ายเหมือนการหายใจครับ!