Conditional probabilities for random variables

ยินดีต้อนรับสู่โลกของ "จะเกิดอะไรขึ้นถ้า..."

สวัสดีว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! วันนี้เราจะมาเจาะลึกหนึ่งในหัวข้อที่นำไปใช้งานได้จริงมากที่สุดใน Exam P นั่นคือ ความน่าจะเป็นแบบมีเงื่อนไขสำหรับตัวแปรสุ่ม (Conditional Probabilities for Random Variables) ถ้าคุณแม่นพื้นฐานความน่าจะเป็นแบบมีเงื่อนไขมาบ้างแล้ว (เช่น \(P(A|B)\)) คุณก็ถือว่าเดินมาครึ่งทางแล้ว! ตอนนี้เราแค่กำลังนำกฎเหล่านั้นมาปรับใช้กับ ตัวแปรสุ่ม เท่านั้นเอง

ลองนึกภาพความน่าจะเป็นแบบมีเงื่อนไขว่าเป็นเหมือน "ตัวกรอง" (Filter) แทนที่เราจะดูผลลัพธ์ที่เป็นไปได้ทั้งหมด เราจะดูแค่เฉพาะกลุ่มย่อยที่เราสนใจเท่านั้น ทำไมเรื่องนี้ถึงสำคัญ? ในทางประกันภัย เรามักจะเจอคำถามอย่างเช่น "ถ้ากำหนดให้ค่าสินไหมทดแทนเกินค่าเสียหายส่วนแรก (Deductible) ไปแล้ว โอกาสที่มันจะเกิน $1,000 มีเท่าไหร่?" นั่นแหละคือสิ่งที่เรากำลังจะเรียนรู้วิธีคำนวณกันในวันนี้!

1. หัวใจสำคัญ: การย่อจักรวาลให้เล็กลง

เมื่อเราพูดถึงความน่าจะเป็นแบบมีเงื่อนไขของตัวแปรสุ่ม \(X\) ปกติแล้วเราจะได้รับข้อมูลบางอย่างที่ช่วยจำกัดขอบเขตของ \(X\) เราจะเขียนแทนด้วย \(P(X \in A | X \in B)\)

นิยาม:
\n\(P(X \in A | X \in B) = \frac{P(X \in A \cap B)}{P(X \in B)}\)

ไม่ต้องกลัวสัญลักษณ์พวกนี้นะ! ให้จำง่ายๆ แบบนี้:
\n1. ตัวหาร (Denominator): นี่คือ "จักรวาลใหม่" ของคุณ เราสนใจแค่ผลลัพธ์ที่ \(X\) อยู่ในเซต \(B\) เท่านั้น
\n2. ตัวตั้ง (Numerator): นี่คือ "ส่วนที่ซ้อนทับกัน" (Overlap) คือจากจักรวาลใหม่ของเรา มีผลลัพธ์กี่อย่างที่สอดคล้องกับเงื่อนไข \(A\) ด้วย?

เปรียบเทียบในชีวิตประจำวัน: ร้านกาแฟ

ลองจินตนาการว่าคุณอยู่ในร้านกาแฟ ให้ตัวแปรสุ่ม \(X\) คือราคาเครื่องดื่ม
\nเหตุการณ์: ความน่าจะเป็นที่เครื่องดื่มราคามากกว่า $5 (\(X > 5\)) คือเท่าไหร่?
เงื่อนไข: มีคนบอกคุณว่า "ฉันรู้แน่นอนว่าเครื่องดื่มแก้วนี้เป็นไซส์ใหญ่ (\(X \ge 4\))"
"จักรวาล" ของคุณก็หดเล็กลงแล้ว คุณไม่ต้องสนใจเครื่องดื่มไซส์เล็กหรือกลางอีกต่อไป คุณสนใจแค่โอกาสที่ราคาจะ > $5 เมื่อเทียบกับ กลุ่มของเครื่องดื่มที่ราคาอย่างน้อย $4 เท่านั้น

ทบทวนสั้นๆ: เมื่อไหร่ก็ตามที่คุณเห็นคำว่า "กำหนดให้" (given), "ถ้า" (if) หรือ "ภายใต้เงื่อนไขที่" (provided that) ให้รู้เลยว่าคุณกำลังเจอกับความน่าจะเป็นแบบมีเงื่อนไข ข้อมูลที่ตามหลังคำเหล่านี้จะต้องถูกนำไปวางไว้ที่ ตัวหาร ของคุณเสมอ

2. ความน่าจะเป็นแบบมีเงื่อนไขสำหรับตัวแปรสุ่มแบบไม่ต่อเนื่อง (Discrete Variables)

สำหรับตัวแปรแบบไม่ต่อเนื่อง (เช่น จำนวนอุบัติเหตุ) เราจะใช้การรวมผล (Sum) เพื่อหาความน่าจะเป็นที่ \(X = x\) โดยกำหนดให้ \(X\) อยู่ในช่วง \(B\):

\(P(X = x | X \in B) = \frac{P(X = x)}{P(X \in B)}\) ถ้า \(x\) อยู่ใน \(B\), และเท่ากับ \(0\) ในกรณีอื่น

ข้อผิดพลาดที่พบบ่อย: อย่าลืมปรับสเกลใหม่ (Re-scale)! เนื่องจาก "จักรวาล" ของเราเล็กลง ความน่าจะเป็นของผลลัพธ์ที่เหลืออยู่จะต้องถูกหารด้วยความน่าจะเป็นรวมของเงื่อนไข เพื่อให้ผลรวมทั้งหมดกลับมาเป็น 1 (หรือ 100%) เหมือนเดิม

3. ความน่าจะเป็นแบบมีเงื่อนไขสำหรับตัวแปรสุ่มแบบต่อเนื่อง (Continuous Variables)

นี่คือจุดที่ Exam P ชอบนำมาทดสอบมากที่สุด สำหรับตัวแปรสุ่มต่อเนื่องที่มีฟังก์ชันความหนาแน่นของความน่าจะเป็น (pdf) คือ \(f(x)\) ตรรกะยังคงเหมือนเดิม แต่เราจะใช้ การอินทิเกรต (Integration) เข้ามาช่วย

สมมติว่าเราต้องการหา \(P(X \le a | X > c)\) ซึ่งพบบ่อยมากในเรื่องค่าเสียหายส่วนแรกของประกันภัย!
สูตรจะเป็นดังนี้:
\(P(X \le a | X > c) = \frac{P(c < X \le a)}{P(X > c)}\)

ขั้นตอนการทำ:
1. หาตัวหาร: คำนวณหา \(P(X > c)\) โดยการอินทิเกรต pdf ตั้งแต่ \(c\) ถึงอนันต์ หรือใช้ \(1 - F(c)\)
2. หาตัวตั้ง: คำนวณความน่าจะเป็นของส่วนที่ซ้อนทับกัน ในกรณีนี้คือพื้นที่ระหว่าง \(c\) กับ \(a\)
3. หาร: นำตัวตั้งหารด้วยตัวหารตามสูตร

รู้หรือไม่?

ในทางประกันภัย ถ้า \(X\) คือความสูญเสีย และ \(d\) คือค่าเสียหายส่วนแรก เงื่อนไข \(X > d\) หมายความว่าบริษัทประกันจะต้องจ่ายเงินจริง การคำนวณ \(P(X > x | X > d)\) จะช่วยให้นักคณิตศาสตร์ประกันภัยหาโอกาสที่จะต้องจ่ายเงิน "ก้อนใหญ่" ได้ เมื่อรู้แล้วว่ามีการจ่ายเงินเกิดขึ้นแน่นอน

4. พลังพิเศษของนักคณิตศาสตร์ประกันภัย: คุณสมบัติไร้ความทรงจำ (Memoryless Property)

ไม่ต้องกังวลถ้าการอินทิเกรตดูเป็นงานหนัก เพราะมีทางลัดสำหรับสองการแจกแจงพิเศษ! นี่คือสิ่งที่คุณ "ต้องรู้" สำหรับการสอบ

การแจกแจงแบบเอกซ์โพเนนเชียล (Exponential Distribution) (ต่อเนื่อง) และ การแจกแจงแบบเรขาคณิต (Geometric Distribution) (ไม่ต่อเนื่อง) เป็นการแจกแจงที่มีคุณสมบัติ ไร้ความทรงจำ (Memoryless)

แนวคิด: "ความน่าจะเป็นที่จะต้องรออีก \(t\) นาที ไม่ขึ้นอยู่กับว่าคุณรอมานานเท่าไหร่แล้ว"

คณิตศาสตร์:
\(P(X > s + t | X > s) = P(X > t)\)

ตัวอย่าง: ถ้าอายุการใช้งานของหลอดไฟมีการแจกแจงแบบเอกซ์โพเนนเชียล และมันใช้งานมาแล้ว 100 ชั่วโมง (\(s=100\)) ความน่าจะเป็นที่มันจะใช้งานได้ อีก 50 ชั่วโมง (\(t=50\)) จะเท่ากับความน่าจะเป็นที่หลอดไฟ แกะกล่องใหม่ จะใช้งานได้ 50 ชั่วโมงพอดีเป๊ะ

เทคนิคช่วยจำ: นึกถึงตัวแปรสุ่มแบบ "ปลาทอง" เพราะมันลืมทุกอย่างที่เกิดขึ้นในอดีตไปหมดแล้ว! มีแค่การแจกแจงแบบ Exponential และ Geometric เท่านั้นที่มีนิสัยแบบปลาทองนี้

5. เคล็ดลับสำคัญและกับดักที่พบบ่อย

1. กับดักคำว่า "และ" (And Trap): เมื่อคำนวณตัวตั้ง \(P(A \cap B)\) ต้องแน่ใจว่าคุณหาจุดที่ เงื่อนไขทั้งสอง เป็นจริงพร้อมกัน ถ้าโจทย์ถามหา \(P(X < 10 | X > 5)\) ตัวตั้งของคุณคือ \(P(5 < X < 10)\)

2. ภาษาของคำว่า "อย่างน้อย": ถ้าโจทย์บอกว่า "X เป็นอย่างน้อย 10" หมายถึง \(X \ge 10\) ถ้าโจทย์บอกว่า "มากกว่า 10" หมายถึง \(X > 10\) สำหรับตัวแปรต่อเนื่อง เครื่องหมายเท่ากับอาจไม่ส่งผลต่อการคำนวณ แต่สำหรับตัวแปรไม่ต่อเนื่อง มันเปลี่ยนทุกอย่าง!

3. กฎของส่วนเติมเต็ม (Complement Rule): บางครั้งการคำนวณตัวหารด้วย \(1 - P(\text{ไม่ใช่ } B)\) จะง่ายกว่ามาก ถ้าเงื่อนไขคือ \(X > 1\) และช่วงของ \(X\) คือ 0 ถึง 100 การคำนวณ \(1 - P(X \le 1)\) คือเพื่อนที่ดีที่สุดของคุณเลย

สรุปสาระสำคัญ

• สูตร: เริ่มต้นที่ \(P(A|B) = \frac{P(A \cap B)}{P(B)}\) เสมอ
• ตัวหาร: คือความน่าจะเป็นของเงื่อนไข (สิ่งที่อยู่หลังคำว่า "กำหนดให้")
• ตัวตั้ง: คือความน่าจะเป็นที่ทั้งเหตุการณ์และเงื่อนไขเกิดขึ้นพร้อมกัน
• คุณสมบัติไร้ความทรงจำ: ใช้กับ Exponential และ Geometric เพื่อประหยัดเวลา—ข้ามการอินทิเกรตไปได้เลย!
• การปรับสเกล: ความน่าจะเป็นแบบมีเงื่อนไขสร้างการแจกแจง "ใหม่" บนโดเมนที่จำกัด ซึ่งต้องรวมกันได้ 100% เสมอ

หมั่นฝึกฝนบ่อยๆ นะ! เมื่อคุณคุ้นเคยกับการ "ย่อจักรวาล" แล้ว โจทย์เหล่านี้จะกลายเป็นข้อที่คุณโปรดปรานที่สุดในการสอบเลยล่ะ คุณทำได้แน่นอน!