ยินดีต้อนรับสู่โลกของมาร์คอฟเชน (Markov Chains)!

สวัสดีครับ! วันนี้เราจะมาเจาะลึกหนึ่งในเครื่องมือที่สวยงามและมีประโยชน์ที่สุดในชุดเครื่องมือของนักคณิตศาสตร์ประกันภัย นั่นคือ มาร์คอฟเชน (Markov Chains) ไม่ว่าคุณกำลังคำนวณความน่าจะเป็นที่ผู้ขับขี่จะเลื่อนระดับส่วนลด "No Claims Discount" หรือกำลังทำนายว่าผู้ถือกรมธรรม์จะยังคงมีสุขภาพดีอยู่หรือไม่ มาร์คอฟเชนคือแบบจำลองที่คุณต้องหยิบมาใช้แน่นอนครับ

ไม่ต้องกังวลไปนะครับถ้าชื่อ "กระบวนการสโตแคสติก" (stochastic process) ฟังดูน่ากลัว แท้จริงแล้วมาร์คอฟเชนก็คือวิธีการมองว่าสิ่งต่างๆ เปลี่ยนแปลงไปตามเวลาอย่างไร โดยมีหัวใจสำคัญอยู่ที่ อนาคตขึ้นอยู่กับสถานะปัจจุบันเท่านั้น มาค่อยๆ ทำความเข้าใจไปทีละขั้นตอนกันเลยครับ!

1. มาร์คอฟเชนคืออะไร?

มาร์คอฟเชนคือ กระบวนการสโตแคสติก (stochastic process) (กลุ่มของตัวแปรสุ่มที่ระบุด้วยดัชนีเวลา) ซึ่งเคลื่อนที่ไปมาระหว่าง "สถานะ" ต่างๆ ใน ปริภูมิสถานะแบบไม่ต่อเนื่อง (discrete state space)

"กฎทอง": สมบัติของมาร์คอฟ (Markov Property)

สิ่งสำคัญที่สุดที่ต้องจำให้ขึ้นใจคือ สมบัติของมาร์คอฟ (Markov Property) ซึ่งกล่าวว่า พฤติกรรมในอนาคตของกระบวนการขึ้นอยู่กับ สถานะปัจจุบัน เท่านั้น โดยไม่ขึ้นกับลำดับของเหตุการณ์ที่เกิดขึ้นก่อนหน้านั้น กล่าวอีกนัยหนึ่งคือ กระบวนการนี้ ไม่มีความทรงจำ ครับ

\( P(X_{n+1} = j | X_n = i, X_{n-1} = i_{n-1}, ..., X_0 = i_0) = P(X_{n+1} = j | X_n = i) \)

เปรียบเทียบ: กบกับใบบัว
ลองนึกภาพกบที่กระโดดไปมาบนใบบัวในสระดูนะครับ ถ้ากบอยู่บนใบบัว A ความน่าจะเป็นในการกระโดดครั้งถัดไปไปยังใบบัว B จะขึ้นอยู่กับ สถานะปัจจุบันที่มันอยู่บน A เพียงอย่างเดียว มันไม่สำคัญเลยว่ากบตัวนั้นจะกระโดดมาจากใบบัว C หรือ D ประวัติการเดินทางก่อนหน้านี้ไม่มีผลต่อการกระโดดครั้งต่อไปเลยครับ!

ทบทวนสั้นๆ:
- ปริภูมิสถานะ (State Space - S): เซตของ "ตำแหน่ง" หรือ "สถานะ" ทั้งหมดที่เป็นไปได้ (เช่น {สุขภาพดี, ป่วย, เสียชีวิต})
- เวลาแบบไม่ต่อเนื่อง (Discrete Time): เราพิจารณากระบวนการ ณ ช่วงเวลาที่ระบุชัดเจน (เวลา 0, 1, 2...)

2. ความน่าจะเป็นในการเปลี่ยนสถานะและ TPM

เราจะเปลี่ยนจากสถานะหนึ่งไปยังอีกสถานะหนึ่งได้อย่างไร? เราใช้สิ่งที่เรียกว่า ความน่าจะเป็นในการเปลี่ยนสถานะ (transition probabilities)

ความน่าจะเป็นในการเปลี่ยนสถานะใน 1 ก้าว

ความน่าจะเป็นในการเปลี่ยนจากสถานะ \( i \) ไปยังสถานะ \( j \) ใน 1 ช่วงเวลาเขียนได้ว่า:
\( p_{ij} = P(X_{n+1} = j | X_n = i) \)

เมทริกซ์ความน่าจะเป็นในการเปลี่ยนสถานะ (Transition Probability Matrix - TPM)

เมื่อเรามีหลายสถานะ เราจะจัดระเบียบค่าความน่าจะเป็นเหล่านี้ลงในเมทริกซ์จัตุรัสที่มักจะแทนด้วย \( P \) โดยแต่ละแถวจะแสดงถึง สถานะเริ่มต้น และแต่ละคอลัมน์จะแสดงถึง สถานะปลายทาง

กฎสำคัญของ TPM:
1. สมาชิกแต่ละตัวต้องมีค่าอยู่ระหว่าง 0 ถึง 1 (เพราะเป็นความน่าจะเป็น!)
2. ผลรวมของทุกแถวต้องเท่ากับ 1 เพราะกระบวนการ จำเป็น ต้องไปที่ไหนสักแห่ง (แม้จะเป็นการอยู่ที่สถานะเดิมก็ตาม)

รู้หรือไม่?
ในการสอบ IFoA ข้อผิดพลาดที่พบบ่อยคือการรวมค่าในแนวคอลัมน์แทนที่จะเป็นแนวแถว อย่าลืมตรวจสอบเสมอว่า: แถว = "จาก", คอลัมน์ = "ไป", ผลรวมแถว = 1

3. ความเป็นเอกพันธ์ตามเวลา (Time-Homogeneity)

ในวิชา CS2 เรามักจะจัดการกับมาร์คอฟเชนที่ เป็นเอกพันธ์ตามเวลา (Time-Homogeneous) ซึ่งหมายความว่ากฎเกณฑ์ต่างๆ จะไม่เปลี่ยนแปลงตามเวลา ความน่าจะเป็นในการเปลี่ยนจากสถานะ A ไป B ในวันนี้ จะเป็นค่าเดียวกับที่จะเกิดขึ้นในสัปดาห์หน้า

ตัวอย่าง: การโยนเหรียญที่ยุติธรรมเป็นกระบวนการที่เป็นเอกพันธ์ตามเวลา เพราะความน่าจะเป็นที่เหรียญจะออกหัวมีค่า 0.5 เสมอ
กรณีที่ไม่ใช่: อัตราการตายของมนุษย์ ไม่ใช่ กระบวนการที่เป็นเอกพันธ์ตามเวลา เพราะความน่าจะเป็นที่จะ "เปลี่ยน" จากสถานะ "มีชีวิต" ไปเป็น "เสียชีวิต" ในปีถัดไปจะเพิ่มขึ้นเมื่อคุณมีอายุมากขึ้น

4. การเคลื่อนที่ไปไกลขึ้น: การเปลี่ยนสถานะหลายก้าว

ถ้าเราอยากรู้ความน่าจะเป็นที่จะอยู่ในสถานะ \( j \) หลังจากผ่านไป สอง ก้าว หรือ \( n \) ก้าวล่ะ?

สมการแชปแมน-คอลโมโกรอฟ (Chapman-Kolmogorov Equations)

สมการนี้บอกเราว่า การจะไปจาก \( i \) ไปยัง \( j \) ใน \( m+n \) ก้าว เราต้องผ่านสถานะตัวกลาง \( k \) ที่ก้าวที่ \( m \) เสียก่อน

\( p_{ij}^{(m+n)} = \sum_{k \in S} p_{ik}^{(m)} p_{kj}^{(n)} \)

เคล็ดลับ "วิเศษ":
หากต้องการหาเมทริกซ์การเปลี่ยนสถานะแบบ \( n \) ก้าว คุณแค่ยกกำลังเมทริกซ์การเปลี่ยนสถานะแบบ 1 ก้าวด้วย \( n \)!
\( P^{(n)} = P^n \)

ดังนั้น ถ้าอยากได้ความน่าจะเป็นแบบ 2 ก้าว ให้คำนวณ \( P \times P \) ถ้าอยากได้ 3 ก้าว ก็คำนวณ \( P \times P \times P \)

5. การจำแนกสถานะ

สถานะแต่ละอย่างไม่ได้ถูกสร้างมาให้เท่ากัน เราจึงต้องจำแนกสถานะเพื่อเข้าใจพฤติกรรม "ระยะยาว" ของมาร์คอฟเชน

  • Irreducible (ไม่สามารถลดทอนได้): เชนจะเป็นแบบ irreducible หากคุณสามารถเดินทางจากสถานะใดๆ ไปยังสถานะอื่นใดก็ได้ในที่สุด โดยไม่มี "กับดัก" หรือเกาะที่แยกตัวโดดเดี่ยว
  • Periodicity (คาบ): สถานะหนึ่งจะมีคาบ \( d \) หากกระบวนการสามารถกลับมายังสถานะเดิมได้ในจำนวนก้าวที่เป็นพหุคูณของ \( d \) เท่านั้น หาก \( d=1 \) จะเรียกสถานะว่า aperiodic (ลองนึกถึงนาฬิกา: เข็มจะกลับมาที่เลข "12" ทุกๆ 12 ชั่วโมง)
  • Recurrent vs. Transient:
    - Recurrent (สถานะหมุนเวียน): หากคุณเริ่มที่สถานะนี้ คุณจะมั่นใจได้เลย (ความน่าจะเป็นเท่ากับ 1) ว่าจะกลับมาที่นี่ได้อีกในที่สุด
    - Transient (สถานะชั่วคราว): มีโอกาสที่คุณอาจจะออกจากสถานะนี้ไปและ ไม่กลับมาอีกเลย

เทคนิคช่วยจำ:
ลองนึกถึง Absorbing State (สถานะดูดกลืน) (เช่น สถานะ "เสียชีวิต" ในแบบจำลองประกันชีวิต) ว่าเป็นหลุมดำครับ เมื่อใดก็ตามที่คุณก้าวเข้าไป คุณจะไม่มีวันออกมาได้ นี่คือสถานะหมุนเวียนแบบพิเศษชนิดหนึ่ง

6. การแจกแจงแบบคงที่ (Stationary Distributions - \( \pi \))

หากเราปล่อยให้มาร์คอฟเชนทำงานไปนานๆ มันจะเข้าสู่รูปแบบที่คงที่หรือไม่? "สภาวะคงที่" นี้เรียกว่า การแจกแจงแบบคงที่ (Stationary Distribution) ซึ่งแทนด้วยเวกเตอร์ \( \pi \)

ในการหา \( \pi \) เราจะแก้สมการเหล่านี้:
1. \( \pi P = \pi \) (การแจกแจงจะยังคงเดิมหลังจากผ่านไปอีกก้าวหนึ่ง)
2. \( \sum \pi_i = 1 \) (ผลรวมของความน่าจะเป็นทั้งหมดต้องเท่ากับ 1)

ขั้นตอนการแก้หา \( \pi \):
1. ตั้งสมการเมทริกซ์ \( \pi P = \pi \) ซึ่งจะทำให้ได้ระบบสมการเชิงเส้น
2. สมการหนึ่งในระบบจะซ้ำซ้อน (ไม่จำเป็น) ให้ตัดออกหนึ่งสมการ
3. แทนที่สมการที่ตัดออกด้วย "เงื่อนไขการทำให้เป็นบรรทัดฐาน" (normalizing condition): \( \pi_1 + \pi_2 + ... + \pi_n = 1 \)
4. แก้สมการหาค่าที่ไม่ทราบค่า

ประเด็นสำคัญ:
หากมาร์คอฟเชนเป็นแบบ irreducible และ aperiodic แล้ว การแจกแจงจะลู่เข้าสู่การแจกแจงแบบคงที่ \( \pi \) เสมอ ไม่ว่าคุณจะเริ่มที่จุดไหนก็ตาม!

7. ข้อควรระวังที่พบบ่อย

1. การลืมกฎ "ไม่มีความทรงจำ": หากโจทย์ข้อสอบระบุว่าความน่าจะเป็นเปลี่ยนไปตาม ระยะเวลาที่คุณอยู่ในสถานะ นั่นอาจจะไม่ใช่แค่ Markov Chain ธรรมดา! (คุณอาจจำเป็นต้องสร้างสถานะเพิ่มเติมเพื่อทำให้มันเป็นไปตามหลักการมาร์คอฟ)
2. ลำดับการคูณเมทริกซ์: จำไว้ว่า โดยทั่วไปเรามักใช้ \( \text{Row Vector} \times \text{Matrix} \). ลำดับการคูณมีความสำคัญมากในพีชคณิตเมทริกซ์!
3. การข้ามขั้นตอนการตรวจผลรวม: ตรวจสอบเสมอว่าค่า \( \pi \) สุดท้ายของคุณรวมกันได้ 1 พอดีเป๊ะ

ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ! บ่อยครั้งที่คณิตศาสตร์ดูน่ากลัวกว่าความเป็นจริง เมื่อคุณคุ้นเคยกับการ "กระโดด" ระหว่างสถานะโดยใช้ TPM แล้ว คุณจะเห็นว่ามาร์คอฟเชนเป็นเพียงวิธีการที่มีเหตุผลในการทำแผนที่อนาคตเท่านั้นเองครับ

ทบทวนสรุป

สมบัติของมาร์คอฟ: สนใจแค่ปัจจุบันก็พอ
TPM: ผลรวมแถวต้องเป็น 1, \( P_{ij} \) คือ "จาก \( i \) ไป \( j \)"
n-step: ใช้การยกกำลังเมทริกซ์ (\( P^n \))
Stationary Distribution: แก้สมการ \( \pi P = \pi \) และ \( \sum \pi = 1 \)
สถานะ: สามารถเป็น irreducible, periodic, recurrent หรือ transient ได้