บทนำ: ทำความเข้าใจกับความสุ่ม (Making Sense of Randomness)

ยินดีต้อนรับเข้าสู่การเดินทางสู่โลกของ กระบวนการสโตแคสติก (Stochastic Processes)! ถ้าชื่อนี้ฟังดูน่ากลัวไปสักนิด ไม่ต้องกังวลนะ เพราะจริงๆ แล้วคุณเข้าใจแนวคิดนี้โดยสัญชาตญาณอยู่แล้ว ในโลกของคณิตศาสตร์ประกันภัย เราแทบจะไม่รู้เลยว่าอะไรจะเกิดขึ้นต่อไปในอนาคต เราไม่รู้ว่าวันที่แน่นอนที่การเรียกร้องค่าสินไหมจะเข้ามา หรือราคาหุ้นในวันพรุ่งนี้จะเป็นเท่าไหร่ กระบวนการสโตแคสติก ก็คือวิธีทางคณิตศาสตร์ที่ใช้จำลองว่าตัวแปรสุ่มหนึ่งๆ เปลี่ยนแปลงไปตามเวลาอย่างไร ลองคิดภาพว่ามันเหมือนกับ "ภาพยนตร์เรื่องหนึ่งที่มีความสุ่ม" มากกว่าที่จะเป็นเพียง "ภาพนิ่ง" เมื่อจบเนื้อหาบทนี้ คุณจะสามารถจำแนกประเภทของกระบวนการต่างๆ และเข้าใจคุณสมบัติพื้นฐานที่ทำให้กระบวนการเหล่านี้ทำงานได้

1. กระบวนการสโตแคสติกคืออะไร?

อธิบายให้ง่ายที่สุด กระบวนการสโตแคสติกคือกลุ่มของตัวแปรสุ่มที่ถูกจัดลำดับด้วยเวลา เรามักจะเขียนแทนด้วย \( \{X_t : t \in T\} \) ส่วนประกอบสำคัญ: 1. ปริภูมิสถานะ (State Space - \(S\)): คือเซตของค่าทั้งหมดที่เป็นไปได้ที่ตัวแปรสุ่มนั้นจะเป็นไปได้ หากเรากำลังนับจำนวนคนในคิว ปริภูมิสถานะจะเป็น \( \{0, 1, 2, ...\} \) 2. เซตของดัชนี (Index Set - \(T\)): คือตัวแทนของเวลา ซึ่งอาจเป็นแบบไม่ต่อเนื่อง (เช่น ทุกวันตอนเที่ยง) หรือแบบต่อเนื่อง (เช่น ณ ช่วงเวลาใดๆ ก็ได้) ตัวอย่างเปรียบเทียบในชีวิตจริง: ลองจินตนาการว่าคุณกำลังติดตามระดับน้ำขึ้นน้ำลง "ปริภูมิสถานะ" คือระดับความสูงที่เป็นไปได้ทั้งหมด (เช่น 0 ถึง 10 เมตร) ส่วน "เซตของดัชนี" คือเวลาในแต่ละวัน เนื่องจากระดับน้ำสามารถวัดได้ทุกเสี้ยววินาที นี่จึงเป็นกระบวนการแบบ เวลาต่อเนื่อง (continuous time)

2. การจำแนกประเภทของกระบวนการสโตแคสติก

หนึ่งในงานที่พบบ่อยในการสอบคือการระบุประเภทของกระบวนการ โดยเราจะจำแนกตามว่า เวลา และ ปริภูมิสถานะ เป็นแบบไม่ต่อเนื่องหรือต่อเนื่อง

A. เวลาไม่ต่อเนื่อง, ปริภูมิสถานะไม่ต่อเนื่อง

ตัวอย่าง: จำนวนการเรียกร้องค่าสินไหมที่บริษัทประกันได้รับในแต่ละวัน เวลาจะเดินไปเป็นขั้นๆ (วันที่ 1, วันที่ 2) และจำนวนการเรียกร้องจะเป็นตัวเลขจำนวนเต็ม

B. เวลาต่อเนื่อง, ปริภูมิสถานะไม่ต่อเนื่อง

ตัวอย่าง: จำนวนการเรียกร้องค่าสินไหมทั้งหมดที่ได้รับตั้งแต่ต้นปีจนถึงเวลา \(t\) การเรียกร้องสามารถเกิดขึ้นได้ตลอดเวลา (เวลาต่อเนื่อง) แต่จำนวนรวมยังคงเป็นเลขจำนวนเต็ม (สถานะไม่ต่อเนื่อง)

C. เวลาไม่ต่อเนื่อง, ปริภูมิสถานะต่อเนื่อง

ตัวอย่าง: ราคาปิดของหุ้น ณ สิ้นแต่ละวัน เวลาเป็นแบบไม่ต่อเนื่อง (รายวัน) แต่ราคาหุ้นสามารถเป็นทศนิยมกี่ตำแหน่งก็ได้ (ต่อเนื่อง)

D. เวลาต่อเนื่อง, ปริภูมิสถานะต่อเนื่อง

ตัวอย่าง: ผลตอบแทนของพันธบัตรรัฐบาลที่วัดอย่างต่อเนื่องตลอดทั้งวัน ทั้งเวลาและค่าของผลตอบแทนสามารถเป็นค่าใดก็ได้ในช่วงที่กำหนด
ทบทวนสั้นๆ: ตาราง 2x2
- เวลาไม่ต่อเนื่อง (Discrete Time): เวลาเป็นลำดับของจุด: \( t = 0, 1, 2... \) - เวลาต่อเนื่อง (Continuous Time): เวลาเป็นช่วง: \( [0, \infty) \) - สถานะไม่ต่อเนื่อง (Discrete State): ค่าที่นับได้ (0, 1, 2...) - สถานะต่อเนื่อง (Continuous State): ค่าที่เป็นจำนวนจริงใดๆ ในช่วงหนึ่ง

3. คุณสมบัติหลักของกระบวนการสโตแคสติก

เพื่อให้ทำงานกับกระบวนการเหล่านี้ได้ง่ายขึ้น เราจะมองหา "พฤติกรรม" หรือคุณสมบัติเฉพาะบางอย่าง

คุณสมบัติมาร์คอฟ (Markov Property)

นี่อาจเป็นแนวคิดที่สำคัญที่สุดในวิชา CS2 เลยก็ว่าได้ กระบวนการหนึ่งจะมี คุณสมบัติมาร์คอฟ ก็ต่อเมื่ออนาคตขึ้นอยู่กับ สถานะปัจจุบัน เท่านั้น ไม่ขึ้นอยู่กับเส้นทางที่ผ่านมา การเปรียบเทียบกับปลาทอง: ลองนึกภาพปลาทองในโถ ถ้าคุณต้องการทำนายว่าอีก 10 วินาทีปลาทองจะอยู่ที่ไหน คุณต้องรู้แค่ว่า ตอนนี้ มันอยู่ที่ไหน การรู้ว่าเมื่อ 5 นาทีที่แล้วมันอยู่ตรงไหนไม่ได้ช่วยอะไรเลย "ความจำ" ของกระบวนการนี้ลึกแค่เพียงก้าวเดียวเท่านั้น ทางคณิตศาสตร์: \( P(X_{t+n} = y | X_t = x, X_{t-1} = x_{t-1}, ..., X_0 = x_0) = P(X_{t+n} = y | X_t = x) \)

สถานีภาพ (Stationarity)

กระบวนการหนึ่งจะเป็น "สถานีภาพ" (stationary) หากคุณสมบัติทางสถิติไม่เปลี่ยนแปลงตามกาลเวลา โดยมีสองประเภทหลักที่คุณต้องรู้: 1. สถานีภาพแบบเข้ม (Strict Stationarity): การแจกแจงร่วมทั้งหมดจะคงที่เสมอไม่ว่าจะเลื่อนเวลาไปอย่างไร ซึ่งเป็นเงื่อนไขที่เข้มงวดมากและหาได้ยากในชีวิตจริง 2. สถานีภาพแบบอ่อน (Weak/Second-Order Stationarity): เราสนใจเพียงแค่ "โมเมนต์" (moments) สองตัวแรก: - ค่าเฉลี่ย \( E[X_t] \) เป็นค่าคงที่ (ไม่ขึ้นกับ \(t\)) - ความแปรปรวนร่วม (Covariance) ระหว่างสองจุด \( Cov(X_t, X_{t+k}) \) ขึ้นอยู่กับแค่ ระยะห่าง (lag) (\(k\)) ระหว่างจุดนั้น ไม่ได้ขึ้นอยู่กับเวลาที่แท้จริง (\(t\))
ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ...
ลองคิดถึงน้ำพุสิ ในขณะที่ละอองน้ำแต่ละหยดกำลังเคลื่อนที่ (ความสุ่ม) แต่ "รูปทรง" และ "ความสูง" โดยรวมของน้ำพุนั้นดูคงที่เมื่อเวลาผ่านไป

4. ส่วนเพิ่ม (Increments): การเปลี่ยนแปลงตามเวลา

เรามักจะศึกษา ส่วนเพิ่ม (increments) ของกระบวนการ ซึ่งก็คือการเปลี่ยนแปลงในช่วงเวลาหนึ่ง: \( X_{t+s} - X_t \) ส่วนเพิ่มที่เป็นอิสระต่อกัน (Independent Increments): การเปลี่ยนแปลงของกระบวนการในช่วงเวลาที่ไม่ซ้อนทับกันจะเป็นอิสระต่อกัน ตัวอย่างเช่น จำนวนการเรียกร้องค่าสินไหมที่เข้ามาในช่วง 9 โมงเช้าถึง 10 โมงเช้า ไม่มีผลกระทบต่อจำนวนที่จะเข้ามาในช่วงบ่าย 2 ถึงบ่าย 3 ส่วนเพิ่มที่เป็นสถานีภาพ (Stationary Increments): การแจกแจงของการเปลี่ยนแปลงขึ้นอยู่กับ ความยาว ของช่วงเวลาเท่านั้น ไม่ใช่ เวลาเริ่มต้น จำนวนการเรียกร้องค่าสินไหมในทุกๆ ช่วง 1 ชั่วโมงจะมีการแจกแจงแบบเดียวกัน ไม่ว่าจะเป็นเช้าวันจันทร์หรือดึกวันศุกร์

5. ตัวอย่างที่พบบ่อยที่ควรจำ

การเดินสุ่ม (Random Walk)

จินตนาการถึงคนคนหนึ่งยืนอยู่บนเส้นตรง ทุกๆ วินาทีเขาจะโยนเหรียญ ถ้าออกหัว เขาจะก้าวไปทางขวา (+1) ถ้าออกก้อย เขาจะก้าวไปทางซ้าย (-1) - นี่เป็นกระบวนการแบบ เวลาไม่ต่อเนื่อง, สถานะไม่ต่อเนื่อง - เป็นตัวอย่างคลาสสิกของ กระบวนการมาร์คอฟ (Markov Process)

กระบวนการปัวซง (Poisson Process)

ใช้ในการจำลองการมาถึงของเหตุการณ์ต่างๆ (เช่น การเรียกร้องค่าสินไหมประกันภัย หรือสายเรียกเข้าโทรศัพท์) - มี ส่วนเพิ่มที่เป็นอิสระต่อกัน - เป็นกระบวนการแบบ เวลาต่อเนื่อง, สถานะไม่ต่อเนื่อง

6. ข้อผิดพลาดทั่วไปที่ควรหลีกเลี่ยง

- สับสนระหว่างสถานะกับเวลา: ให้ถามตัวเองเสมอว่า "ฉันกำลังวัดอะไร?" (สถานะ) และ "ฉันกำลังวัดตอนไหน?" (เวลา) - คิดไปเองว่าทุกกระบวนการเป็นมาร์คอฟ: บางกระบวนการมี "ความจำระยะยาว" ที่ซึ่ง 10 ก้าวที่ผ่านมามีความสำคัญ กระบวนการเหล่านี้ไม่ใช่กระบวนการมาร์คอฟ - สับสนเรื่องส่วนเพิ่ม: จำไว้ว่า ส่วนเพิ่มที่เป็นอิสระ (Independent) หมายถึงความสัมพันธ์ระหว่างช่วงเวลา ส่วน ส่วนเพิ่มที่เป็นสถานีภาพ (Stationary) หมายถึงการแจกแจงของการเปลี่ยนแปลงตัวมันเอง

สรุปและประเด็นสำคัญ

- กระบวนการสโตแคสติก คือลำดับของตัวแปรสุ่มที่เปลี่ยนไปตามเวลา - กระบวนการต่างๆ ถูกจำแนกตาม เวลา (ไม่ต่อเนื่อง/ต่อเนื่อง) และ ปริภูมิสถานะ (ไม่ต่อเนื่อง/ต่อเนื่อง) - คุณสมบัติมาร์คอฟ หมายความว่าอนาคตเป็นอิสระจากอดีต โดยขึ้นอยู่กับปัจจุบันเท่านั้น - สถานีภาพแบบอ่อน ต้องการให้ค่าเฉลี่ยคงที่ และความแปรปรวนร่วมขึ้นอยู่กับระยะห่างของเวลาเท่านั้น - ส่วนเพิ่มที่เป็นอิสระต่อกัน หมายความว่าสิ่งที่เกิดขึ้นในช่องเวลาหนึ่งจะไม่ส่งผลต่ออีกช่องเวลาหนึ่ง เคล็ดลับการทบทวน: เวลาดูโจทย์กระบวนการใหม่ๆ ให้ลองวาดกราฟออกมา ถ้าแกนนอน (เวลา) เป็นจุดๆ แสดงว่าเป็นเวลาไม่ต่อเนื่อง ถ้าแกนตั้ง (ค่า) เป็นจุดๆ แสดงว่าเป็นปริภูมิสถานะไม่ต่อเนื่อง!