ยินดีต้อนรับสู่สถิติแบบเบย์ (Bayesian Statistics)!

ในการเดินทางบนเส้นทางวิชา CS1 ที่ผ่านมา คุณส่วนใหญ่จะได้ใช้สถิติแบบ ความถี่นิยม (Frequentist) ซึ่งเป็นโลกที่เราสมมติให้พารามิเตอร์ (เช่น ค่าเฉลี่ย \(\mu\)) เป็นตัวเลขที่คงที่แต่เราไม่ทราบค่า แต่ในวันนี้เรากำลังก้าวเข้าสู่โลกของ สถิติแบบเบย์ (Bayesian Statistics) ในโลกใบนี้ เราจะปฏิบัติกับพารามิเตอร์เสมือนว่าเป็น ตัวแปรสุ่ม (random variables) ซึ่งหมายความว่าเราสามารถมี "ความคิดเห็น" หรือความเชื่อเกี่ยวกับมันได้ตั้งแต่ก่อนที่จะเห็นข้อมูลเสียด้วยซ้ำ! ถ้ารู้สึกว่าแนวคิดนี้มันพลิกแพลงไปบ้าง ไม่ต้องกังวลนะ เราจะค่อยๆ ไปทีละขั้นตอนครับ

เมื่อจบเนื้อหาส่วนนี้ คุณจะเข้าใจวิธีนำความเชื่อเบื้องต้นของคุณมาผสมผสานกับหลักฐานใหม่ เพื่อสร้างข้อสรุปที่แม่นยำยิ่งขึ้น นี่คือหัวใจสำคัญของการใช้วิจารณญาณในงานคณิตศาสตร์ประกันภัยเลยล่ะ!

1. สามทหารเสือ: Prior, Likelihood และ Posterior

เพื่อให้เข้าใจสถิติแบบเบย์ คุณต้องรู้จักตัวละครหลัก 3 ตัวนี้ ลองมาใช้การเปรียบเทียบกับเรื่อง การพยากรณ์อากาศ กันครับ

A. การแจกแจงแบบก่อนหน้า (Prior Distribution) \(\pi(\theta)\)

Prior Distribution คือสิ่งที่คุณเชื่อเกี่ยวกับพารามิเตอร์ \(\theta\) ก่อน ที่คุณจะรวบรวมข้อมูลใดๆ มันคือ "ลางสังหรณ์" ของคุณที่มาจากประสบการณ์ในอดีต

ตัวอย่าง: ก่อนที่จะมองออกไปข้างนอก คุณคิดว่าวันนี้มีโอกาส 70% ที่ฝนจะตก เพราะตอนนี้เป็นเดือนเมษายนในลอนดอน

B. ฟังก์ชันภาวะน่าจะเป็น (Likelihood Function) \(f(x|\theta)\)

Likelihood คือความน่าจะเป็นที่คุณจะเห็นข้อมูล \(x\) ที่คุณสังเกตได้จริงๆ โดยกำหนดให้พารามิเตอร์ \(\theta\) นั้นเป็นจริง มันเปรียบเสมือน "หลักฐานชิ้นใหม่"

ตัวอย่าง: คุณมองออกไปนอกหน้าต่างแล้วเห็นเมฆครึ้มหนา "Likelihood" คือการบอกเราว่าเรามักจะเห็นเมฆครึ้มบ่อยแค่ไหนในช่วงเวลาที่ฝนกำลังจะตกจริงๆ

C. การแจกแจงแบบภายหลัง (Posterior Distribution) \(\pi(\theta|x)\)

Posterior Distribution คือความเชื่อที่ได้รับการอัปเดตเกี่ยวกับ \(\theta\) หลังจาก ที่นำข้อมูลใหม่มาพิจารณาแล้ว มันคือผลลัพธ์จากการผสมผสานระหว่าง Prior และ Likelihood ของคุณเข้าด้วยกัน

ตัวอย่าง: เมื่อนำความรู้เรื่องลอนดอนในเดือนเมษายนมารวมกับเมฆครึ้มที่คุณเพิ่งเห็น ตอนนี้คุณจึงมั่นใจ 95% แล้วว่าฝนจะตก

ทบทวนด่วน:
Prior: ความเชื่อก่อนเห็นข้อมูล
Likelihood: สิ่งที่ข้อมูลบอกเรา
Posterior: ความเชื่อที่อัปเดตแล้วหลังจากเห็นข้อมูล

2. สูตรทองคำ: ทฤษฎีบทของเบย์ (Bayes' Theorem)

ในวิชา CS1 เราใช้ทฤษฎีบทของเบย์รูปแบบเฉพาะเพื่อหาการแจกแจงแบบ Posterior ซึ่งรูปแบบที่เป็นทางการจะเป็นดังนี้:

\(\pi(\theta|x) = \frac{f(x|\theta)\pi(\theta)}{\int f(x|\theta)\pi(\theta) d\theta}\)

เดี๋ยว! อย่าเพิ่งตกใจไป! ตัวหาร (ส่วนที่อยู่ด้านล่าง) เป็นเพียงค่าคงที่เพื่อให้ความน่าจะเป็นรวมเท่ากับ 1 ในข้อสอบส่วนใหญ่นั้น เราจะใช้ ทางลัดความสัมพันธ์เชิงสัดส่วน (Proportionality Shortcut):

Posterior \(\propto\) Likelihood \(\times\) Prior

สัญลักษณ์ \(\propto\) หมายถึง "แปรผันตรงกับ" นี่คือเพื่อนที่ดีที่สุดของคุณในห้องสอบเลยครับ ถ้าคุณสามารถคูณ Likelihood กับ Prior แล้วจดจำ "รูปทรง" ของผลลัพธ์ได้ คุณก็ไม่จำเป็นต้องเสียเวลาไปทำ Integration ยากๆ ที่ตัวส่วนเลย!

3. การแจกแจงแบบก่อนหน้าคู่สังยุค (Conjugate Prior Distributions)

บางครั้งคณิตศาสตร์ก็ "คลิก" กันได้อย่างลงตัว Conjugate Prior คือชนิดของการแจกแจงแบบก่อนหน้าที่พิเศษ ซึ่งเมื่อนำไปรวมกับ Likelihood เฉพาะทางแล้ว จะส่งผลให้ได้ Posterior ที่อยู่ใน ตระกูลการแจกแจงเดียวกัน กับ Prior

มันมีประโยชน์อย่างไร?
ถ้าคุณเริ่มด้วยการแจกแจง Gamma และจบด้วย Gamma คุณก็ไม่ต้องทำแคลคูลัสที่ซับซ้อนเลย คุณแค่ต้องหาให้ได้ว่าพารามิเตอร์ (เช่น \(\alpha\) และ \(\beta\)) เปลี่ยนแปลงไปอย่างไร!

รู้หรือไม่? การใช้ Conjugate priors ก็เหมือนกับการใช้สูตรโกงในวิดีโอเกม มันช่วยให้คุณข้าม "บอสไฟต์" (การอินทิเกรตที่ยากลำบาก) และตรงไปรับรางวัล (ค่าพารามิเตอร์ของ Posterior) ได้เลย

4. "สามคู่หู" Conjugate ที่ต้องจำให้แม่น

ข้อสอบ IFoA มักจะทดสอบสามคู่นี้บ่อยมาก ถ้าคุณจำ "กฎการอัปเดต" เหล่านี้ได้ คุณจะประหยัดเวลาไปได้เยอะมากครับ

คู่ที่ 1: Poisson Likelihood + Gamma Prior

ถ้าข้อมูลของคุณ \(x_1, ..., x_n\) มีการแจกแจงแบบ Poisson(\(\lambda\)) และ Prior ของ \(\lambda\) คือ Gamma(\(\alpha, \beta\)):
Posterior ของ \(\lambda\) คือ Gamma(\(\alpha + \sum x_i, \beta + n\))

ตัวช่วยจำ:
นำ ผลรวมของข้อมูลที่สังเกตได้ ไปบวกกับ \(\alpha\)
นำ จำนวนข้อมูลที่สังเกตได้ (n) ไปบวกกับ \(\beta\)

คู่ที่ 2: Binomial Likelihood + Beta Prior

ถ้าข้อมูลของคุณมีการแจกแจงแบบ Binomial(\(n, \theta\)) (โดยที่ \(\theta\) คือความน่าจะเป็นที่จะสำเร็จ) และ Prior ของ \(\theta\) คือ Beta(\(\alpha, \beta\)):
Posterior ของ \(\theta\) คือ Beta(\(\alpha + \text{จำนวนครั้งที่สำเร็จ}, \beta + \text{จำนวนครั้งที่ล้มเหลว}\))

เคล็ดลับด่วน: ถ้าข้อมูลเป็นแบบ Bernoulli มันก็คือ Binomial ที่มี \(n=1\) กฎการอัปเดตใช้แบบเดียวกันเป๊ะ!

คู่ที่ 3: Normal Likelihood + Normal Prior

ถ้าข้อมูลมีการแจกแจงแบบ Normal(\(\theta, \sigma^2\)) (โดยทราบค่า \(\sigma^2\)) และ Prior ของ \(\theta\) คือ Normal(\(\mu_0, \sigma_0^2\)):
Posterior ก็จะเป็น Normal เช่นกัน สูตรสำหรับค่าเฉลี่ยและแปรปรวนที่อัปเดตแล้วอาจจะยาวกว่าคู่อื่นหน่อย แต่โดยพื้นฐานแล้วมันคือการ "ถ่วงน้ำหนัก" ระหว่างค่าเฉลี่ยของ Prior และค่าเฉลี่ยของกลุ่มตัวอย่างตามความแม่นยำ (precision) ของแต่ละอันครับ

5. ขั้นตอนสู่การหา Posterior แบบทีละขั้น

หากคุณเจอโจทย์ที่ไม่ได้อยู่ในคู่ Conjugate มาตรฐาน ให้ทำตามขั้นตอนดังนี้:

1. เขียน Prior \(\pi(\theta)\): ตัดค่าคงที่ใดๆ ที่ไม่มีตัวแปร \(\theta\) ทิ้งไป
2. เขียน Likelihood \(f(x|\theta)\): นี่คือความหนาแน่นร่วมของข้อมูล หากคุณมีข้อมูลอิสระ \(n\) ค่า ให้เอาความหนาแน่นของแต่ละตัวมาคูณกัน
3. คูณรวมกัน: \(\pi(\theta|x) \propto f(x|\theta) \times \pi(\theta)\)
4. ทำให้ง่ายขึ้น: จัดกลุ่มทุกพจน์ที่มี \(\theta\) ไว้ด้วยกัน และย้ายส่วนที่เหลือไปไว้ข้างๆ
5. ระบุการแจกแจง: ดูนิพจน์ที่ได้ มันดูเหมือน Kernel ของ Gamma หรือไม่? หรือ Beta? หรือ Normal? แล้วเทียบกับสูตรในชีท (Tables) เพื่อหาพารามิเตอร์ใหม่

6. ข้อผิดพลาดที่ควรระวัง

1. ลืม \(n\): ในการอัปเดตแบบ Poisson-Gamma อย่าลืมบวก \(\beta + n\) ถ้าคุณมีข้อมูล 10 ปี ค่า \(n=10\) นะครับ
2. สลับ \(\alpha\) กับ \(\beta\): ตรวจสอบตารางสูตรให้ดีเสมอสำหรับนิยามของ Gamma และ Beta เพราะบางตำราอาจใช้สัญลักษณ์สลับกัน!
3. คำนวณเยอะเกินจำเป็น: นักศึกษามักเสียเวลาคำนวณตัวส่วน (ค่า normalizing constant) ยกเว้นแต่โจทย์จะถามถึง "marginal distribution of x" โดยเฉพาะ คุณมักจะละมันไว้ได้โดยใช้เครื่องหมาย \(\propto\)

สรุปสาระสำคัญ

  • สถิติแบบเบย์ คือการอัปเดตความเชื่อเดิมด้วยข้อมูลใหม่
  • Posterior \(\propto\) Likelihood \(\times\) Prior
  • Conjugate Prior ทำให้ได้ Posterior ในตระกูลเดิม ช่วยให้คำนวณง่ายขึ้นมาก
  • Poisson คู่กับ Gamma; Binomial คู่กับ Beta; Normal คู่กับ Normal
  • เน้นไปที่ พจน์ที่มีตัวแปร \(\theta\) เสมอ และมองตัวอื่นเป็นค่าคงที่

ไม่ต้องกังวลถ้าช่วงแรกจะรู้สึกว่ามันยากนะ! สถิติแบบเบย์เป็นวิธีคิดที่ต่างออกไป เมื่อคุณฝึกใช้กฎการอัปเดตพารามิเตอร์สำหรับสามคู่หูนี้บ่อยๆ คุณจะพบว่าเรื่องนี้เป็นคะแนนที่เก็บได้ง่ายที่สุดในการสอบ CS1 เลยล่ะ