Conditional and marginal probability functions (discrete)

ยินดีต้อนรับสู่โลกของตัวแปรพหุ (Multivariate Variables)!

ตลอดการเดินทางในวิชาความน่าจะเป็นที่ผ่านมา คุณคงใช้เวลาส่วนใหญ่ไปกับการศึกษาตัวแปรสุ่มทีละตัว เช่น จำนวนการเคลมประกันรถยนต์ของลูกค้าต่อปี แต่ในโลกความเป็นจริง (และในข้อสอบ Exam P) เหตุการณ์ต่างๆ มักไม่เกิดขึ้นอย่างโดดเดี่ยว เรามักจะพิจารณาตัวแปรสองตัวขึ้นไปพร้อมๆ กันเสมอ ตัวอย่างเช่น บริษัทประกันอาจต้องการดูจำนวนการเคลมประกันรถยนต์และจำนวนการเคลมประกันบ้านของลูกค้าคนเดียวกัน

ในบทนี้ เราจะมาเรียนรู้วิธีการ "แยก" ตัวแปรหนึ่งออกมาจากกลุ่ม (ความน่าจะเป็นส่วนขอบ - Marginal Probability) และวิธีการอัปเดตความรู้เกี่ยวกับตัวแปรหนึ่งเมื่อเรารู้ข้อมูลของอีกตัวแปรหนึ่งแล้ว (ความน่าจะเป็นแบบมีเงื่อนไข - Conditional Probability) ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ เราจะค่อยๆ ย่อยให้เข้าใจง่ายขึ้นทีละขั้นตอนผ่านตารางและตัวอย่างเปรียบเทียบ!

1. ภาพรวม: ฟังก์ชันมวลความน่าจะเป็นร่วม (Discrete Joint PMFs)

ก่อนที่เราจะเข้าสู่เรื่องส่วนขอบและเงื่อนไข ต้องจำไว้ว่าสำหรับตัวแปรไม่ต่อเนื่อง เราจะใช้ ฟังก์ชันมวลความน่าจะเป็นร่วม (Joint Probability Mass Function หรือ Joint PMF) เขียนแทนด้วย \( p(x, y) = P(X = x, Y = y) \) ให้ลองจินตนาการว่านี่คือตารางที่ทุกช่องแสดงถึงความน่าจะเป็นที่ \( X \) และ \( Y \) จะเกิดขึ้นพร้อมกัน

2. ฟังก์ชันความน่าจะเป็นส่วนขอบ (Marginal Probability): การหาค่า "รวม"

ลองนึกภาพว่าคุณมีตารางแสดงความน่าจะเป็นที่คนๆ หนึ่งเลี้ยงสุนัข \( X \) ตัว และแมว \( Y \) ตัว ถ้าผมถามว่า "ความน่าจะเป็นที่คนๆ หนึ่งเลี้ยงสุนัข 2 ตัว โดยไม่สนว่าจะเลี้ยงแมวกี่ตัวนั้นเป็นเท่าไหร่?" สิ่งที่คุณกำลังมองหาคือ ความน่าจะเป็นส่วนขอบ (Marginal Probability) ของ \( X \)

ในการหาค่าความน่าจะเป็นส่วนขอบของ \( X \) คุณแค่ต้องบวกค่าความน่าจะเป็นทั้งหมดในแถว (หรือคอลัมน์) ที่ \( X = x \) นั้นเข้าด้วยกัน เป็นการ "รวมค่าออก" (summing out) ของตัวแปรที่คุณไม่ได้สนใจนั่นเอง

สูตร:
การหาค่า Marginal PMF ของ \( X \):
\( p_X(x) = \sum_{all y} p(x, y) \)

การหาค่า Marginal PMF ของ \( Y \):
\( p_Y(y) = \sum_{all x} p(x, y) \)

ตัวอย่างเปรียบเทียบง่ายๆ:
ลองนึกถึงสเปรดชีต ค่าความน่าจะเป็นแบบ Joint คือตัวเลขที่อยู่ตรงกลางตาราง ส่วนค่าความน่าจะเป็นแบบ Marginal คือผลรวมที่เขียนอยู่ตรง ขอบ (Margins) (ด้านขวาสุดหรือล่างสุด) หลังจากที่คุณบวกตัวเลขในแถวและคอลัมน์แล้ว นั่นคือเหตุผลที่มันถูกเรียกว่าความน่าจะเป็น "ส่วนขอบ" (Marginal) ไงล่ะ!

ทบทวนด่วน: กฎของความน่าจะเป็นส่วนขอบ

1. ความน่าจะเป็นส่วนขอบ \( p_X(x) \) ต้องอยู่ระหว่าง 0 ถึง 1 เสมอ
2. ถ้าคุณรวมความน่าจะเป็นส่วนขอบทั้งหมดของ \( X \) จะต้องได้เท่ากับ 1 ( \( \sum p_X(x) = 1 \) )

3. ฟังก์ชันความน่าจะเป็นแบบมีเงื่อนไข (Conditional Probability): การจำกัดโฟกัส

ความน่าจะเป็นแบบมีเงื่อนไขคือเรื่องของ ข้อมูลใหม่ ถ้าผมบอกคุณว่า "กำหนดให้คนๆ นี้เลี้ยงแมว 1 ตัวพอดี ความน่าจะเป็นที่เขาจะเลี้ยงสุนัข 2 ตัวเป็นเท่าไหร่?" ผมได้เปลี่ยน "จักรวาล" ของความเป็นไปได้ไปแล้ว เราไม่ต้องสนใจคนที่เลี้ยงแมว 0 ตัวหรือ 2 ตัวอีกต่อไป เราสนใจแค่แถว "เลี้ยงแมว 1 ตัว" เท่านั้น

สูตร:
ค่า Conditional PMF ของ \( X \) เมื่อกำหนดให้ \( Y=y \) คือ:
\( p_{X|Y}(x|y) = P(X=x | Y=y) = \frac{p(x, y)}{p_Y(y)} \)

หมายเหตุ: สูตรนี้จะใช้ได้ก็ต่อเมื่อ \( p_Y(y) > 0 \) เท่านั้น เพราะคุณไม่สามารถสร้างเงื่อนไขกับสิ่งที่ไม่มีโอกาสเกิดขึ้นเลยได้!

คำอธิบายทีละขั้นตอน:
1. ระบุ "สิ่งที่กำหนดให้" (Given): ดูค่าของตัวแปรที่คุณได้รับข้อมูลว่าเกิดขึ้นจริง (เช่น \( Y = y \))
2. หา "แถบข้อมูล" (Slice): มองแค่แถวหรือคอลัมน์ในตาราง Joint ที่ตรงกับค่านั้นๆ
3. ปรับสเกลใหม่ (Re-scale): นำค่าความน่าจะเป็นในช่องนั้นหารด้วยผลรวมความน่าจะเป็นของแถวหรือคอลัมน์นั้นทั้งหมด (Marginal) เพื่อให้มั่นใจว่าค่าความน่าจะเป็นแบบมีเงื่อนไขใหม่ของคุณบวกกันได้ 1 พอดี

ข้อผิดพลาดที่พบบ่อย

นักเรียนมักลืมหารด้วยความน่าจะเป็นส่วนขอบ อย่าลืมว่าการแจกแจงแบบมีเงื่อนไขก็ถือเป็นการแจกแจงความน่าจะเป็นที่สมบูรณ์ในตัวเอง ถ้าคุณไม่หารด้วย Marginal ค่าความน่าจะเป็นของคุณจะไม่รวมกันได้ 1!

4. ความเป็นอิสระต่อกัน (Independence) ในกรณีตัวแปรไม่ต่อเนื่อง

เราจะรู้ได้อย่างไรว่าตัวแปรสองตัว \( X \) และ \( Y \) ไม่มีผลต่อกันเลย? ในทางความน่าจะเป็น เราเรียกว่ามันเป็นอิสระต่อกัน (Independent)

บททดสอบ:
\( X \) และ \( Y \) เป็นอิสระต่อกันก็ต่อเมื่อ:
\( p(x, y) = p_X(x) \cdot p_Y(y) \)
สำหรับทุกๆ คู่ของ \( (x, y) \)

หรือถ้าจะให้ง่ายกว่านั้นคือ ตัวแปรจะเป็นอิสระต่อกันถ้าความน่าจะเป็นแบบมีเงื่อนไขมีค่าเท่ากับความน่าจะเป็นส่วนขอบ:
\( p_{X|Y}(x|y) = p_X(x) \)

รู้หรือไม่? ถ้าคุณเจอแค่ ช่องเดียว ในตาราง Joint ที่ \( p(x,y) \neq p_X(x)p_Y(y) \) ตัวแปรทั้งสองถือว่ามีความสัมพันธ์กัน (Dependent) ทันที! คุณไม่ต้องเช็คทั้งตารางถ้าเจอจุดที่ไม่เท่ากันตั้งแต่แรก

5. ตัวอย่างการคำนวณ

ลองดูตาราง Joint PMF สำหรับ \( X \) (จำนวนอุบัติเหตุ) และ \( Y \) (จำนวนยานพาหนะ):

\( X=0, Y=1: 0.40 \)
\( X=0, Y=2: 0.10 \)
\( X=1, Y=1: 0.20 \)
\( X=1, Y=2: 0.30 \)

โจทย์ข้อ 1: หาความน่าจะเป็นส่วนขอบ \( p_X(1) \)
บวกค่าความน่าจะเป็นทั้งหมดที่ \( X=1 \):
\( p_X(1) = P(X=1, Y=1) + P(X=1, Y=2) = 0.20 + 0.30 = 0.50 \)

โจทย์ข้อ 2: หาความน่าจะเป็นแบบมีเงื่อนไข \( P(Y=2 | X=0) \)
ขั้นแรก หาค่า Marginal \( p_X(0) \):
\( p_X(0) = 0.40 + 0.10 = 0.50 \)
จากนั้นใช้สูตร:
\( P(Y=2 | X=0) = \frac{P(X=0, Y=2)}{p_X(0)} = \frac{0.10}{0.50} = 0.20 \)

สรุปประเด็นสำคัญ

1. Marginals: คิดว่าเป็น "ยอดรวม" ให้บวกตัวแปรที่คุณไม่ต้องการออกไป
2. Conditionals: คิดว่าเป็น "การตัดแบ่ง (Slice)" ให้นำค่าในตาราง Joint หารด้วยผลรวม Marginal ของเงื่อนไขนั้นๆ
3. Independence: ถ้าค่าความน่าจะเป็นร่วมเกิดจากการคูณกันของค่า Marginal ทั้งสอง แสดงว่าตัวแปรไม่มีผลต่อกัน
4. ตรวจสอบคำตอบ: ความน่าจะเป็นส่วนขอบของตัวแปรเดียวต้องรวมกันได้ 1 และความน่าจะเป็นแบบมีเงื่อนไขของแต่ละเงื่อนไขก็ต้องรวมกันได้ 1 เช่นกัน

ไม่ต้องกังวลถ้านิยามการรวม (Summation) ดูน่ากลัว แค่จำไว้ว่า Marginal คือค่าที่อยู่ตามขอบของตาราง ส่วน Conditional คือการ "ซูม" เข้าไปดูแค่แถวหรือคอลัมน์ใดคอลัมน์หนึ่งเท่านั้นเอง!