Expected values: moments, mode, median, and percentiles

ยินดีต้อนรับสู่ "หัวใจสำคัญ" ของวิชาความน่าจะเป็น!

ในการเดินทางเพื่อเตรียมสอบ Exam P คุณได้เรียนรู้วิธีหาความน่าจะเป็นกันมาแล้ว แต่ในฐานะนักคณิตศาสตร์ประกันภัย (Actuary) เราไม่ได้ต้องการทราบเพียงแค่ว่าบางอย่าง "อาจจะ" เกิดขึ้นหรือไม่ แต่เราต้องการทราบว่า "โดยเฉลี่ยแล้ว" จะเกิดอะไรขึ้น และความเสี่ยงนั้น "กระจายตัว" มากน้อยแค่ไหน บทนี้จะครอบคลุมเนื้อหาเรื่อง ค่าคาดหมาย (Expected Values), โมเมนต์ (Moments) และเปอร์เซ็นไทล์ (Percentiles) ซึ่งเป็นเครื่องมือที่เราใช้สรุปข้อมูลการแจกแจงทั้งหมดให้ออกมาเป็นตัวเลขเพียงไม่กี่ตัวที่มีความหมาย

ถ้ารู้สึกว่าคำศัพท์เหล่านี้ฟังดูคณิตศาสตร์จ๋าเกินไปในตอนแรก ไม่ต้องกังวลนะ ลองจินตนาการว่าบทนี้คือการเรียนรู้วิธีอธิบายลักษณะของคนคนหนึ่ง: ค่าเฉลี่ย (Mean) ก็คือความสูงเฉลี่ยของเขา, ความแปรปรวน (Variance) คือความแตกต่างของความสูงเมื่อเทียบกับคนอื่น, และ เปอร์เซ็นไทล์ (Percentiles) คือการบอกว่าเขายืนอยู่ตรงจุดไหนเมื่อเทียบกับคนหมู่มาก มาเริ่มลุยกันเลย!

1. โมเมนต์: "ภาพถ่าย" ของการแจกแจง

ในวิชาฟิสิกส์ "โมเมนต์" เกี่ยวข้องกับตำแหน่งและการหมุนของวัตถุ ส่วนในวิชาความน่าจะเป็น โมเมนต์ คือการวัดเชิงปริมาณของรูปร่างชุดข้อมูล โดยเราแบ่งออกเป็น 2 ประเภท คือ โมเมนต์ดิบ (Raw Moments) และ โมเมนต์กลาง (Central Moments)

โมเมนต์ดิบอันดับที่ k (The k-th Raw Moment)

โมเมนต์ดิบอันดับที่ k คือค่าคาดหมายของตัวแปรสุ่ม \( X \) ที่ยกกำลังด้วย \( k \) โดยปกติเราจะใช้สัญลักษณ์ \( \mu \) แทนค่าเฉลี่ย

สูตร: \( E[X^k] \)
• ถ้า \( k = 1 \) จะได้โมเมนต์ดิบอันดับที่ 1: \( E[X^1] \) ซึ่งก็คือ ค่าเฉลี่ย (Mean) (\( \mu \)) นั่นเอง
• ถ้า \( k = 2 \) จะได้โมเมนต์ดิบอันดับที่ 2: \( E[X^2] \)

โมเมนต์กลางอันดับที่ k (The k-th Central Moment)

โมเมนต์กลาง จะคำนวณโดยอ้างอิงจากค่าเฉลี่ย (\( \mu \)) มันบอกเราว่าข้อมูล "เหวี่ยง" ไปรอบๆ จุดศูนย์กลางอย่างไร

สูตร: \( E[(X - \mu)^k] \)
• โมเมนต์กลางอันดับที่ 1 จะมีค่าเป็น 0 เสมอ เพราะผลรวมของส่วนเบี่ยงเบนจากค่าเฉลี่ยย่อมเท่ากับศูนย์เสมอ! \( E[X - \mu] = E[X] - \mu = 0 \)
• โมเมนต์กลางอันดับที่ 2 คือตัวที่โด่งดังที่สุด: ความแปรปรวน (Variance)

กล่องทบทวนด่วน:
โมเมนต์ดิบ: มีศูนย์เป็นจุดศูนย์กลาง (\( E[X^k] \))
โมเมนต์กลาง: มีค่าเฉลี่ยเป็นจุดศูนย์กลาง (\( E[(X - \mu)^k] \))

2. ความแปรปรวนและส่วนเบี่ยงเบนมาตรฐาน

ความแปรปรวน (Variance) ใช้วัดการ "กระจายตัว" หรือ "ความผันผวน" ของตัวแปรสุ่ม ในโลกของการประกันภัย ความแปรปรวนสูงหมายถึงความเสี่ยงสูง เพราะค่าสินไหมทดแทนจริงอาจสูงกว่า (หรือต่ำกว่า) ที่คาดการณ์ไว้มาก

สูตรที่ "ต้องรู้":
\( Var(X) = E[X^2] - (E[X])^2 \)

เทคนิคการจำ: เพื่อหาความแปรปรวน ให้นำ "ค่าเฉลี่ยของตัวที่ยกกำลังสอง" ลบด้วย "ค่าเฉลี่ยที่ยกกำลังสอง"

ส่วนเบี่ยงเบนมาตรฐาน (\( \sigma \)):
ความแปรปรวนมีหน่วยเป็น "หน่วยยกกำลังสอง" (เช่น ดอลลาร์กำลังสอง) ซึ่งเห็นภาพได้ยาก เราจึงต้องถอดรากที่สองเพื่อให้กลับมาเป็นหน่วยเดิม
\( \sigma = \sqrt{Var(X)} \)

ข้อผิดพลาดที่พบบ่อย:
นักศึกษามักสับสนระหว่าง \( E[X^2] \) กับ \( (E[X])^2 \) ซึ่งสองค่านี้ต่างกันมาก! อย่าลืมหาค่า \( E[X^2] \) ด้วยการอินทิเกรต \( x^2 \cdot f(x) \) ก่อน แล้วค่อยนำไปลบด้วยค่าเฉลี่ยที่ยกกำลังสอง

สรุปประเด็นสำคัญ: ความแปรปรวนคือโมเมนต์กลางอันดับที่ 2 มันบอกเราว่าผลลัพธ์โดยเฉลี่ยอยู่ห่างจากค่ากลางแค่ไหน

3. ฐานนิยม (Mode): ยอดฮิตประจำกลุ่ม

ฐานนิยม (Mode) คือค่าของ \( x \) ที่มีโอกาสเกิดขึ้นได้มากที่สุด บนกราฟความหนาแน่นของความน่าจะเป็น (pdf) ฐานนิยมคือจุดที่ "สูงสุด" ของยอดเขานั่นเอง

วิธีหาค่า:
1. สำหรับตัวแปรแบบ ไม่ต่อเนื่อง (Discrete): ให้ดูว่า \( x \) ตัวไหนที่มีค่าความน่าจะเป็น \( P(X=x) \) สูงที่สุด
2. สำหรับตัวแปรแบบ ต่อเนื่อง (Continuous): ให้หาค่า \( x \) ที่ทำให้ฟังก์ชันความหนาแน่น \( f(x) \) สูงที่สุด โดยทั่วไปคือการหาอนุพันธ์ \( f'(x) \), จับเท่ากับ 0 แล้วแก้สมการหา \( x \)

รู้หรือไม่? การแจกแจงหนึ่งๆ อาจมีฐานนิยมมากกว่าหนึ่งค่า (Bimodal) ก็ได้ ถ้ามียอดเขาที่สูงเท่ากันสองจุด!

4. มัธยฐานและเปอร์เซ็นไทล์

บางครั้ง "ค่าเฉลี่ย" (Mean) ก็อาจทำให้เข้าใจผิดได้หากมีค่าที่โดดไปจากกลุ่มมากๆ (เช่น มหาเศรษฐีเดินเข้ามาในบาร์ท้องถิ่น) ในกรณีนี้ เราจะใช้ เปอร์เซ็นไทล์ (Percentiles) แทน

มัธยฐาน (Median หรือ เปอร์เซ็นไทล์ที่ 50)

มัธยฐาน (Median) คือค่ากึ่งกลาง ข้อมูลครึ่งหนึ่งจะอยู่ต่ำกว่าค่านี้ และอีกครึ่งหนึ่งจะอยู่สูงกว่า มักเขียนแทนด้วย \( m \) หรือ \( \pi_{0.5} \)

การคำนวณ:
แก้สมการหาค่า \( m \) จากสมการนี้:
\( F(m) = P(X \le m) = 0.5 \)

เปอร์เซ็นไทล์ทั่วไป

เปอร์เซ็นไทล์ที่ p (p-th percentile) (เขียนแทนด้วย \( \pi_p \)) คือค่าที่ทำให้ความน่าจะเป็นที่จะน้อยกว่าหรือเท่ากับค่านี้เท่ากับ \( p \)

ขั้นตอนสำหรับตัวแปรแบบต่อเนื่อง:
1. หาฟังก์ชันการแจกแจงสะสม (CDF) หรือ \( F(x) \)
2. ตั้งสมการ \( F(\pi_p) = p \)
3. แก้สมการหาค่า \( \pi_p \)

ตัวอย่าง: ถ้าต้องการเปอร์เซ็นไทล์ที่ 75 (ควอไทล์ที่ 3) ให้แก้สมการ \( F(x) = 0.75 \)

การเปรียบเทียบ: ลองจินตนาการถึงแถวคนที่เรียงตามความสูง ถ้าคุณอยู่ที่เปอร์เซ็นไทล์ที่ 90 แสดงว่าคุณสูงกว่าคน 90% ในแถวนั้น

กล่องทบทวนด่วน:
ค่าเฉลี่ย (Mean): จุดสมดุล (ค่าเฉลี่ยเลขคณิต)
มัธยฐาน (Median): จุดแบ่งครึ่ง 50/50
ฐานนิยม (Mode): จุดที่เกิดขึ้นบ่อยที่สุด (ยอดเขา)

5. สรุปภาพรวม: การเปรียบเทียบค่าเฉลี่ย มัธยฐาน และฐานนิยม

ความสัมพันธ์ของทั้งสามค่านี้จะบอกถึง ความเบ้ (Skewness) ของการแจกแจงของคุณ:

• สมมาตร (Symmetric): ค่าเฉลี่ย = มัธยฐาน = ฐานนิยม (เหมือนกราฟระฆังคว่ำที่สมบูรณ์แบบ)
• เบ้ขวา (Right-Skewed / Positive Skew): ค่าเฉลี่ย > มัธยฐาน > ฐานนิยม ซึ่งจะมี "หางยาว" ไปทางขวา (พบบ่อยมากในข้อมูลค่าสินไหมทดแทน!)
• เบ้ซ้าย (Left-Skewed / Negative Skew): ค่าเฉลี่ย < มัธยฐาน < ฐานนิยม ซึ่งจะมี "หางยาว" ไปทางซ้าย

ประเด็นสำคัญสำหรับ Exam P: ข้อสอบ SOA ชอบให้คำนวณค่าเหล่านี้จากการแจกแจงเฉพาะทาง เช่น Exponential หรือ Uniform ให้เริ่มจากการระบุประเภทของตัวแปรให้ได้ก่อนว่าเป็นแบบไม่ต่อเนื่องหรือต่อเนื่อง แล้วจึงเลือกเครื่องมือให้ถูก (ใช้การรวมยอดสำหรับแบบไม่ต่อเนื่อง และการอินทิเกรตสำหรับแบบต่อเนื่อง)

ส่งท้ายด้วยกำลังใจ

บทนี้ทั้งหมดคือเรื่องของการสรุปข้อมูล ถ้าสูตรโมเมนต์ดูน่ากลัว ให้จำไว้ว่ามันเป็นเพียงวิธีต่างๆ ในการ "ถ่วงน้ำหนัก" ค่าของ \( X \) เท่านั้น ลองฝึกคำนวณโมเมนต์ดิบอันดับที่ 2 \( E[X^2] \) สำหรับฟังก์ชันต่างๆ ดู แล้วคุณจะพบว่าเมื่อเชี่ยวชาญส่วนนี้แล้ว ความแปรปรวนและส่วนเบี่ยงเบนมาตรฐานจะกลายเป็นเรื่องง่ายสำหรับคุณแน่นอน คุณทำได้อยู่แล้ว!