ยินดีต้อนรับสู่โลกของ Multivariate Moments!

สวัสดีครับ! คุณได้เรียนรู้วิธีหาค่าเฉลี่ย (Expected Value) และความแปรปรวน (Variance) สำหรับตัวแปรเดียวมาแล้ว ตอนนี้เรากำลังก้าวเข้าสู่โลกของ Multivariate หรือตัวแปรพหุครับ ลองนึกภาพว่าแทนที่จะมองแค่ส่วนสูงของคนคนเดียว เรากำลังมองถึงความสัมพันธ์ระหว่างส่วนสูง และ น้ำหนักของเขาดูสิครับ

ในบทนี้ เราจะมาสำรวจ "Moment" ซึ่งก็เป็นคำหรูๆ ในทางสถิติที่หมายถึงค่าเฉลี่ยและการกระจายตัว เมื่อมีตัวแปรตั้งแต่สองตัวขึ้นไปทำงานร่วมกัน ไม่ต้องกังวลไปนะครับถ้าเห็นสมการแล้วดู "วุ่นวาย" ด้วยอินทิกรัลสองชั้นหรือผลรวมต่างๆ พอคุณมองเห็นแพทเทิร์นของมันแล้ว ทุกอย่างจะจัดการได้ง่ายขึ้นเยอะเลยครับ!

1. Joint Expected Values (ค่าคาดหมายร่วม)

ถ้าเรามีตัวแปรสุ่มสองตัวคือ \(X\) และ \(Y\) เราอาจต้องการหาค่าเฉลี่ยของฟังก์ชันที่เกี่ยวข้องกับทั้งสองตัว เช่น \(E[X + Y]\) หรือ \(E[XY]\) ซึ่งเราเรียกสิ่งนี้ว่า Joint Expected Value ครับ

การหาค่าคาดหมายของฟังก์ชันใดๆ \(g(X, Y)\) นั้นง่ายมาก เพียงแค่นำฟังก์ชันนั้นไปคูณกับ Joint Probability Density (หรือ Mass) Function แล้วทำการรวมค่า (Sum) หรืออินทิเกรต (Integrate) ให้ครอบคลุมทุกค่าที่เป็นไปได้ครับ

สำหรับตัวแปรไม่ต่อเนื่อง (Discrete Variables):

\( E[g(X, Y)] = \sum_{x} \sum_{y} g(x, y) \cdot p(x, y) \)

สำหรับตัวแปรต่อเนื่อง (Continuous Variables):

\( E[g(X, Y)] = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} g(x, y) \cdot f(x, y) \,dy \,dx \)

การเปรียบเทียบ: ลองจินตนาการถึงตารางกระเบื้องบนพื้นดูครับ แต่ละช่องมีตัวเลขเขียนไว้ และแต่ละช่องก็มี "น้ำหนัก" (ความน่าจะเป็น) ของตัวเองอยู่ การจะหาค่าเฉลี่ยรวมของห้องนี้ ก็แค่เอาค่าของกระเบื้องแต่ละแผ่นคูณกับน้ำหนักของมัน แล้วจับมาบวกกันให้หมดครับ

ทบทวนสั้นๆ: อย่าลืมว่าค่าคาดหมายมีคุณสมบัติเชิงเส้น (Linearity)! นั่นหมายความว่า \(E[aX + bY + c] = aE[X] + bE[Y] + c\) ซึ่งสูตรนี้ใช้ได้เสมอแม้ว่า \(X\) และ \(Y\) จะขึ้นต่อกัน (Dependent) ก็ตามครับ!

2. Covariance: การวัดความสัมพันธ์

Covariance (ความแปรปรวนร่วม) ใช้วัดว่าตัวแปรสองตัวเคลื่อนไหวไปในทิศทางเดียวกันอย่างไร ถ้า \(X\) เพิ่มขึ้นเมื่อ \(Y\) เพิ่มขึ้น Covariance จะเป็นบวก แต่ถ้า \(X\) ลดลงเมื่อ \(Y\) เพิ่มขึ้น ค่าที่ได้จะเป็นลบครับ

สูตรที่คุณจะได้ใช้บ่อยที่สุดในข้อสอบ Exam P คือ:

\( \mathbf{Cov(X, Y) = E[XY] - E[X]E[Y]} \)

ข้อควรระวัง: หาก \(X\) และ \(Y\) เป็น อิสระต่อกัน (Independent) จะได้ว่า \(E[XY] = E[X]E[Y]\) ซึ่งหมายความว่า Covariance เป็น 0 ครับ แต่ต้องระวังให้ดี! การที่ Covariance เป็น 0 ไม่ได้ หมายความว่าตัวแปรทั้งสองจะเป็นอิสระต่อกันเสมอไป (แม้ว่าในขอบเขตของ Exam P มักจะสื่อถึงการไม่มีความสัมพันธ์เชิงเส้นก็ตามครับ)

Correlation (ความสัมพันธ์เชิงสหสัมพันธ์ \(\rho\))

ค่า Covariance อาจเป็นตัวเลขอะไรก็ได้ ซึ่งทำให้เปรียบเทียบได้ยาก Correlation จึงช่วยปรับสเกล Covariance ให้อยู่ในช่วง -1 ถึง 1 ครับ

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

โดยที่ \(\sigma_X\) และ \(\sigma_Y\) คือส่วนเบี่ยงเบนมาตรฐานของ \(X\) และ \(Y\) ครับ

ประเด็นสำคัญ: Covariance บอกทิศทางของความสัมพันธ์ ส่วน Correlation บอกทั้งทิศทางและความแข็งแกร่งของความสัมพันธ์นั้นครับ

3. Conditional Moments (โมเมนต์แบบมีเงื่อนไข)

บางครั้งเราได้รับข้อมูลเกี่ยวกับตัวแปรหนึ่งมา แล้วโจทย์ให้เราหาค่าเฉลี่ยหรือความแปรปรวนของอีกตัวแปรหนึ่ง สิ่งนี้เรียกว่า Conditional Moments ครับ

Conditional Expectation (ค่าคาดหมายแบบมีเงื่อนไข)

ค่าเฉลี่ยของ \(X\) เมื่อทราบว่า \(Y = y\) คือ:

\( E[X | Y = y] = \int x \cdot f_{X|Y}(x|y) \,dx \)

สรุปง่ายๆ คือ คุณมองว่า \(Y\) เป็นค่าคงที่ และใช้ Conditional Density ในการหาค่าเฉลี่ยครับ

Conditional Variance (ความแปรปรวนแบบมีเงื่อนไข)

ค่านี้ใช้วัดการ "กระจายตัว" ของ \(X\) หลังจากที่เราทราบค่าของ \(Y\) แล้ว:

\( Var(X | Y = y) = E[X^2 | Y = y] - (E[X | Y = y])^2 \)

คุณรู้หรือไม่? \(E[X|Y]\) จริงๆ แล้วเป็น ตัวแปรสุ่ม ชนิดหนึ่ง เพราะค่าของมันขึ้นอยู่กับว่า \(Y\) จะออกมาเป็นอะไร! นี่จะนำเราไปสู่สองกฎที่สำคัญที่สุดในบทนี้ครับ

4. กฎระดับเทพ: Double Expectation และ Total Variance

สองสูตรนี้คือ "ทองคำของ Exam P" เลยครับ คุณมีโอกาสสูงมากที่จะต้องได้ใช้มันแน่นอน

The Law of Iterated Expectations (กฎของ Adam)

กฎนี้กล่าวว่า "ค่าเฉลี่ยของค่าเฉลี่ย" ก็คือค่าเฉลี่ยรวมนั่นเองครับ

\( \mathbf{E[X] = E[E[X|Y]]} \)

ตัวอย่าง: หากคุณต้องการหาความสูงเฉลี่ยของนักเรียนทั้งโรงเรียน คุณสามารถหาค่าเฉลี่ยความสูงในแต่ละห้องเรียน (\(E[X|Y]\)) แล้วค่อยนำค่าเหล่านั้นมาหาค่าเฉลี่ยอีกทีก็ได้ครับ

The Law of Total Variance (กฎของ Eve)

กฎนี้แยกความแปรปรวนรวมออกเป็นสองส่วน: ความแปรปรวน ภายใน กลุ่ม และความแปรปรวน ระหว่าง กลุ่มครับ

\( \mathbf{Var(X) = E[Var(X|Y)] + Var(E[X|Y])} \)

ตัวช่วยจำ: นักเรียนหลายคนจำว่า "EV + VE" (Expected Value of Variance + Variance of Expected Value) ครับ

ไม่ต้องกังวลถ้าตอนแรกจะดูงงๆ! แค่จำไว้ว่าส่วนแรก (\(E[Var]\)) คือการจัดการกับ "สัญญาณรบกวน" ภายในกลุ่มที่มีเงื่อนไข และส่วนที่สอง (\(Var(E)\)) คือการจัดการว่าตัว "ค่าเฉลี่ย" เองนั้นเปลี่ยนไปมากน้อยแค่ไหนครับ

5. ข้อผิดพลาดที่พบบ่อย (ที่ควรเลี่ยง!)

1. สับสนระหว่าง Marginal กับ Conditional: ต้องเช็คเสมอว่าควรใช้ \(f(x)\) (Marginal) หรือ \(f(x|y)\) (Conditional) ถ้าโจทย์บอกว่า "กำหนดให้ \(Y=2\)..." คุณต้องใช้ Conditional Density เท่านั้นครับ!

2. ลืมยกกำลังสองค่าเฉลี่ย: ในสูตรความแปรปรวน \(Var(X) = E[X^2] - (E[X])^2\) นักเรียนมักลืมยกกำลังสองพจน์หลัง ซึ่งรวมถึงในความแปรปรวนแบบมีเงื่อนไขด้วยครับ!

3. ทึกทักเอาเองว่า \(E[XY] = E[X]E[Y]\): กฎนี้เป็นจริง เฉพาะตอนที่ตัวแปรเป็นอิสระต่อกันเท่านั้น ถ้า Joint Density \(f(x,y)\) ไม่สามารถแยกตัวประกอบเป็น \(f(x)f(y)\) ได้ คุณต้องอินทิเกรต \(xy \cdot f(x,y)\) เท่านั้นครับ

6. เช็คลิสต์สรุปบทเรียน

ก่อนจะไปเริ่มทำโจทย์ฝึกหัด ตรวจสอบให้มั่นใจว่าคุณสามารถ:

  • คำนวณ \(E[XY]\) โดยใช้อินทิกรัลสองชั้นหรือผลรวมสองชั้นได้
  • หา \(Cov(X, Y)\) และเข้าใจว่ามันจะเป็น 0 เมื่อตัวแปรเป็นอิสระต่อกัน
  • คำนวณ ค่าสัมประสิทธิ์สหสัมพันธ์ (Correlation coefficient) และตรวจดูว่าได้ค่าระหว่าง -1 ถึง 1 หรือไม่
  • ใช้ Law of Iterated Expectations เพื่อทำให้โจทย์ที่ซับซ้อนดูง่ายขึ้น
  • ใช้ กฎของ Eve (EV + VE) เพื่อหาความแปรปรวนรวมของตัวแปร

เคล็ดลับสุดท้าย: เมื่อเห็นโจทย์ที่พฤติกรรมของตัวแปรหนึ่งขึ้นอยู่กับอีกตัวหนึ่ง (เช่น "จำนวนคำเรียกร้อง \(N\) ขึ้นอยู่กับประเภทความเสี่ยง \(\Theta\)") นั่นคือคำใบ้สำคัญให้ใช้กฎของ Total Expectation หรือ Total Variance ครับ!