ยินดีต้อนรับสู่โลกของการทำงานร่วมกันของตัวแปรสุ่ม!

จนถึงตอนนี้ คุณอาจจะคุ้นเคยกับการมองตัวแปรสุ่มอย่าง X และ Y ว่าเป็นตัวใครตัวมัน แต่ในโลกความเป็นจริง และโดยเฉพาะในข้อสอบ Exam P ตัวแปรสุ่มมักจะมีความเกี่ยวข้องกันเสมอ ตัวอย่างเช่น ปริมาณน้ำฝน (X) อาจมีความสัมพันธ์กับจำนวนร่มที่ขายได้ (Y)

ในบทนี้ เราจะมาเรียนรู้วิธีวัด "ปฏิสัมพันธ์" นั้นกัน เราจะเน้นไปที่เครื่องมือสำคัญสองอย่างคือ ความแปรปรวนร่วม (Covariance) และ สัมประสิทธิ์สหสัมพันธ์ (Correlation Coefficient) ซึ่งจะบอกเราว่าตัวแปรเหล่านั้นเคลื่อนไหวไปในทิศทางเดียวกัน ขัดแย้งกัน หรือไม่สนใจกันเลย ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ เพราะเมื่อคุณเห็นรูปแบบของมันแล้ว นี่จะเป็นหนึ่งในหัวข้อที่เข้าใจง่ายที่สุดในเนื้อหาทั้งหมดเลย!

1. ความแปรปรวนร่วม (Covariance): "ทิศทาง" ของความสัมพันธ์

Covariance คือมาตรวัดว่าตัวแปรสุ่มสองตัวเปลี่ยนแปลงไปพร้อมกันอย่างไร ถ้า X เพิ่มขึ้น แล้ว Y มักจะเพิ่มขึ้นตามไปด้วยไหม? ถ้าใช่ แสดงว่าตัวแปรเหล่านั้นมีความแปรปรวนร่วมเป็นบวก

นิยามแบบ "ทางการ"

Covariance ของ X และ Y เขียนแทนด้วย \(Cov(X, Y)\) นิยามโดย:
\(Cov(X, Y) = E[(X - E[X])(Y - E[Y])]\)

สูตร "ลัดสำหรับสอบ" (ต้องจำให้แม่น!)

แม้ว่านิยามด้านบนจะช่วยให้เข้าใจที่มา แต่ในห้องสอบคุณควรใช้สูตรลัดนี้เพราะคำนวณได้เร็วกว่ามาก:
\(Cov(X, Y) = E[XY] - E[X]E[Y]\)

ทบทวนสั้นๆ: อย่าลืมว่า \(E[XY]\) คือ "ค่าคาดหมายของผลคูณ" สำหรับตัวแปรไม่ต่อเนื่อง (Discrete) ให้คุณนำ \(x \cdot y\) แต่ละคู่คูณกับความน่าจะเป็นร่วม (Joint Probability) แล้วหาผลรวม สำหรับตัวแปรต่อเนื่อง (Continuous) คุณจะต้องใช้การอินทิเกรตสองชั้น

วิธีตีความผลลัพธ์:

  • Covariance เป็นบวก: X และ Y เคลื่อนที่ไปในทิศทาง เดียวกัน (ตัวอย่าง: ส่วนสูงและน้ำหนัก)
  • Covariance เป็นลบ: X และ Y เคลื่อนที่ไปในทิศทาง ตรงกันข้าม (ตัวอย่าง: ราคาสินค้าและจำนวนยอดขาย)
  • Covariance เป็นศูนย์: ไม่มีความสัมพันธ์เชิงเส้นระหว่าง X และ Y

ข้อควรระวัง: นักเรียนมักเข้าใจผิดว่าถ้า Covariance เป็น 100 แสดงว่าความสัมพันธ์ "แข็งแกร่งกว่า" ถ้าเป็น 10 ซึ่งไม่จำเป็นต้องเป็นเช่นนั้นเสมอไป! เพราะค่า Covariance ขึ้นอยู่กับ หน่วยวัด (เช่น นิ้ว เทียบกับ ไมล์) นั่นคือเหตุผลที่เราจำเป็นต้องใช้สัมประสิทธิ์สหสัมพันธ์

จุดสำคัญที่ต้องจำ:

Covariance บอก ทิศทาง ของความสัมพันธ์ให้คุณทราบ แต่ค่าตัวเลขของมันตีความได้ยากหากมองโดดๆ เพราะมันขึ้นอยู่กับขนาด (Scale) ของตัวแปรนั้นๆ

2. สัมประสิทธิ์สหสัมพันธ์ (\(\rho\)): "ความแข็งแกร่ง" ของความสัมพันธ์

Correlation Coefficient (แทนด้วยตัวอักษรกรีก rho, \(\rho\)) เปรียบเสมือน Covariance ที่ถูก "ปรับมาตรฐาน" แล้ว มันจะตัดหน่วยวัดทิ้งไป ทำให้เราเห็นชัดเจนว่าความสัมพันธ์เชิงเส้นนั้นแข็งแกร่งแค่ไหน

สูตรการคำนวณ

\(\rho_{X,Y} = \frac{Cov(X, Y)}{\sigma_X \sigma_Y}\)

โดยที่ \(\sigma_X\) และ \(\sigma_Y\) คือ ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation) ของ X และ Y

กฎทองของ Correlation

  1. ช่วงของค่า: ค่าของ \(\rho\) จะอยู่ระหว่าง -1 ถึง 1 เสมอ (\(-1 \le \rho \le 1\))
  2. \(\rho = 1\): ความสัมพันธ์เชิงเส้นแปรผันตรงอย่างสมบูรณ์แบบ ถ้าวาดกราฟ ทุกจุดจะเรียงตัวบนเส้นตรงที่มีความชันเป็นบวกพอดี
  3. \(\rho = -1\): ความสัมพันธ์เชิงเส้นแปรผันผกผันอย่างสมบูรณ์แบบ
  4. \(\rho = 0\): ไม่มีความสัมพันธ์เชิงเส้นเลย

เปรียบเทียบให้เห็นภาพ: ให้คิดว่า Covariance เหมือน ความเร็วและทิศทาง ของลม แต่ Correlation เหมือน คะแนนเปอร์เซ็นต์ ตั้งแต่ -100% ถึง +100% ที่บอกว่าคนสองคนเต้นเข้าจังหวะกันได้เป๊ะแค่ไหน

จุดสำคัญที่ต้องจำ:

Correlation ไม่มีหน่วยและอยู่ระหว่าง -1 ถึง 1 เสมอ มันบอกทั้ง ทิศทาง และ ความแข็งแกร่ง ของความสัมพันธ์เชิงเส้นระหว่าง X และ Y

3. ความเป็นอิสระต่อกัน (Independence) กับ Covariance

หัวข้อนี้เป็นหัวข้อโปรดของคนออกข้อสอบ Exam P เลย! คุณต้องเข้าใจความเชื่อมโยงระหว่างความเป็นอิสระและ Covariance ให้ดี

ถ้า X และ Y เป็นอิสระต่อกัน...

หาก X และ Y เป็นอิสระต่อกัน (Independent) แล้ว จะได้ว่า:

  • \(E[XY] = E[X]E[Y]\)
  • \(Cov(X, Y) = 0\)
  • \(\rho_{X,Y} = 0\)

"กับดัก" ที่ต้องระวัง!

ความเป็นอิสระทำให้เกิด Covariance เป็นศูนย์ แต่ Covariance เป็นศูนย์ ไม่ได้หมายความว่าต้องเป็นอิสระต่อกันเสมอไป!
ตัวแปรสองตัวอาจมีค่า Covariance เป็น 0 แต่ยังมีความสัมพันธ์กันในรูปแบบอื่นที่ไม่ใช่เชิงเส้น (เช่น เป็นรูปวงกลมหรือรูปตัว U) ถ้าโจทย์บอกว่า "X และ Y เป็นอิสระต่อกัน" คุณสามารถสรุปได้ทันทีว่า Covariance คือ 0 แต่ถ้าโจทย์บอกว่า "Covariance คือ 0" คุณ สรุปไม่ได้ ว่ามันเป็นอิสระต่อกัน เว้นแต่โจทย์จะให้ข้อมูลเพิ่มเติมมา

รู้หรือไม่? ความแตกต่างนี้เกิดขึ้นเพราะ Covariance วัดความสัมพันธ์แบบ เชิงเส้น เท่านั้น มัน "ตาบอด" ต่อความสัมพันธ์ที่อยู่ในรูปแบบของเส้นโค้ง!

4. สมบัติของ Covariance (ทางลัดที่มีประโยชน์)

การจำสมบัติเหล่านี้ได้จะช่วยให้คุณประหยัดเวลาในห้องสอบได้หลายนาทีเลย:

  • \(Cov(X, X) = Var(X)\) (Covariance ของตัวแปรตัวเดิม ก็คือค่าความแปรปรวนนั่นเอง!)
  • \(Cov(X, Y) = Cov(Y, X)\) (ลำดับก่อนหลังไม่มีผล)
  • \(Cov(aX + b, cY + d) = ac \cdot Cov(X, Y)\) (การบวกค่าคงที่ไม่มีผลต่อ Covariance แต่การคูณมีผล!)
จุดสำคัญที่ต้องจำ:

เมื่อคุณเลื่อนค่าตัวแปรสุ่ม (บวก/ลบ) ค่า Covariance จะยังคงเดิม แต่เมื่อคุณปรับสเกลตัวแปรสุ่ม (คูณ/หาร) ค่า Covariance จะถูกปรับสเกลตามผลคูณของตัวเลขเหล่านั้น

5. ความแปรปรวนของผลรวมและผลต่าง

บ่อยครั้งที่ Exam P จะถามหาค่าความแปรปรวนของตัวแปรใหม่ที่เกิดจากการนำ X และ Y มารวมกัน นี่คือจุดที่ Covariance จะได้แสดงฝีมือ

สูตรสำหรับผลรวม

\(Var(X + Y) = Var(X) + Var(Y) + 2Cov(X, Y)\)

สูตรสำหรับผลต่าง

\(Var(X - Y) = Var(X) + Var(Y) - 2Cov(X, Y)\)

ระวังให้ดี! ในสูตรของผลต่าง ค่าความแปรปรวนของแต่ละตัวยังคงต้อง บวก เข้าด้วยกัน มีเพียงพจน์ของ Covariance เท่านั้นที่ถูกลบออก นี่เป็นจุดที่นักเรียนมักทำเครื่องหมายผิดบ่อยที่สุด!

การรวมเชิงเส้นทั่วไป

ถ้าคุณมีค่าคงที่ \(a\) และ \(b\):
\(Var(aX + bY) = a^2Var(X) + b^2Var(Y) + 2abCov(X, Y)\)

เทคนิคช่วยจำ: สูตรนี้หน้าตาเหมือนกับการกระจายทางพีชคณิตของ \((a+b)^2 = a^2 + b^2 + 2ab\) เป๊ะเลย แค่เปลี่ยนตัวแปรเป็น Variance และ Covariance เท่านั้น!

รายการตรวจสอบสำหรับสอบ

ก่อนที่คุณจะไปทำโจทย์ฝึกหัด ตรวจสอบให้แน่ใจว่าคุณสามารถ:

  • คำนวณหา \(E[X]\), \(E[Y]\) และ \(E[XY]\) จาก Joint Distribution ได้
  • ใช้สูตรลัด \(Cov(X, Y) = E[XY] - E[X]E[Y]\) ได้อย่างคล่องแคล่ว
  • แปลง Covariance เป็น Correlation โดยใช้ส่วนเบี่ยงเบนมาตรฐานได้
  • จำให้ขึ้นใจว่า อิสระต่อกัน \(\implies\) Covariance = 0
  • ใช้สูตร \(Var(X \pm Y)\) ได้ถูกต้อง โดยเฉพาะพจน์ \(2Cov(X, Y)\)

ฝึกฝนต่อไปนะ! Covariance เปรียบเสมือน "กาว" ที่เชื่อมโยงตัวแปรต่างๆ เข้าด้วยกัน และถ้าคุณเชี่ยวชาญมัน โจทย์ยากๆ เกี่ยวกับ Joint Distribution ก็จะดูจัดการได้ง่ายขึ้นเยอะเลย คุณทำได้อยู่แล้ว!