ยินดีต้อนรับสู่โลกของ Linear Combinations!

สวัสดี! วันนี้เราจะมาเรียนรู้วิธีจัดการกับ "ทีม" ของตัวแปรสุ่มกัน ในบทก่อนหน้านี้ คุณใช้เวลาส่วนใหญ่ไปกับการดูตัวแปรเดี่ยวๆ (เช่น ค่าเสียหายจากการเคลมประกันหนึ่งรายการ) แต่ในโลกแห่งความเป็นจริง—และในข้อสอบ Exam P—เรามักจะเจอกับตัวแปรหลายตัวผสมกัน

ลองนึกภาพว่ามันเหมือนกับการบริหารพอร์ตการลงทุน คุณไม่ได้สนใจแค่หุ้นตัวเดียว แต่คุณสนใจมูลค่ารวมของหุ้นทั้งหมดที่มี บทนี้จะสอน "ทางลัด" ทางคณิตศาสตร์ในการหา ค่าเฉลี่ย (Expected Value) และ ความแปรปรวน (Variance) ของกลุ่มตัวแปรเหล่านี้โดยที่คุณไม่ต้องนั่งทำแคลคูลัสกองโต

ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ... เมื่อคุณเริ่มเห็นแพทเทิร์นของมันแล้ว นี่คือหนึ่งในหัวข้อที่ "เก็บแต้ม" ได้ง่ายที่สุดในข้อสอบเลยล่ะ!

1. พลังพิเศษของค่าคาดหมาย: ความเป็นเชิงเส้น (Linearity)

ค่าคาดหมาย (Expected Value) หรือค่าเฉลี่ยนั้นเป็นมิตรอย่างเหลือเชื่อ มันทำตามกฎที่เรียกว่า ความเป็นเชิงเส้น (Linearity)

ถ้าคุณมีตัวแปรสุ่มสองตัวคือ \(X\) และ \(Y\) และมีค่าคงที่ \(a\), \(b\) และ \(c\) ค่าคาดหมายของผลรวมนั้นจะเป็นไปตามที่คุณคาดหวังไว้เป๊ะเลย:

\( E[aX + bY + c] = aE[X] + bE[Y] + c \)

ทำไมสิ่งนี้ถึงเป็นพลังพิเศษ? เพราะกฎนี้ใช้ได้ ไม่ว่า \(X\) และ \(Y\) จะเป็นอิสระต่อกันหรือไม่! พวกมันจะเป็นเพื่อนสนิทกัน เป็นศัตรูคู่อาฆาต หรือเป็นคนแปลกหน้าต่อกันก็ได้ ค่าคาดหมายก็ยังคงบวกกันแบบเชิงเส้นได้เสมอ

ตัวอย่างจากชีวิตจริง: การไปซื้อของชำ

ลองนึกภาพว่า \(X\) คือราคาของนมหนึ่งแกลลอน และ \(Y\) คือราคาของขนมปังหนึ่งแถว ถ้าคุณซื้อนม 2 แกลลอน (\(2X\)) และขนมปัง 3 แถว (\(3Y\)) และคุณต้องเสียค่าธรรมเนียมถุงอีก 1 ดอลลาร์ (\(c\)) ค่าใช้จ่ายรวมโดยเฉลี่ยของคุณก็คือ:
2 คูณราคาเฉลี่ยของนม + 3 คูณราคาเฉลี่ยของขนมปัง + ค่าธรรมเนียม 1 ดอลลาร์

สรุปประเด็นสำคัญ:
• \( E[X + Y] = E[X] + E[Y] \)
• \( E[aX] = aE[X] \)
• \( E[c] = c \) (ค่าเฉลี่ยของค่าคงที่ ก็คือตัวมันเอง!)

2. ความแปรปรวนร่วม (Covariance): การวัดความสัมพันธ์

ก่อนที่เราจะพูดถึงความแปรปรวน (Variance) เราต้องรู้จักกับ ความแปรปรวนร่วม (Covariance) ก่อน ซึ่งใช้วัดว่าตัวแปรสองตัวเคลื่อนไหวไปพร้อมกันอย่างไร

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

จุดที่ควรจำ:
1. ถ้า \(X\) และ \(Y\) เป็น อิสระต่อกัน (Independent) แล้ว \(Cov(X, Y) = 0\) (แต่ระวังนะ: ในทางกลับกัน \(Cov = 0\) ไม่ได้แปลว่าอิสระเสมอไป!)
2. \(Cov(X, X)\) ก็คือการเขียนแบบเก๋ๆ ของ \(Var(X)\) นั่นเอง
3. ถ้า \(Cov(X, Y)\) เป็นบวก แสดงว่าพวกมันมักจะเพิ่มขึ้นไปพร้อมกัน ถ้าเป็นลบ เมื่อตัวหนึ่งขึ้น อีกตัวหนึ่งมักจะลง

3. ความแปรปรวนของ Linear Combination: วิธี "FOIL"

ความแปรปรวนนั้น "ดื้อ" กว่าค่าคาดหมายนิดหน่อย มันไม่สามารถบวกกันตรงๆ ได้ง่ายๆ เพราะตัวแปรอาจส่งผลกระทบต่อกันและกัน

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

จำสูตรนี้อย่างไรดี?

ลองนึกย้อนกลับไปตอนมัธยมที่เรากระจายพจน์กำลังสอง: \((m + n)^2 = m^2 + n^2 + 2mn\)
สูตรความแปรปรวนดูคล้ายกันมาก!
• พจน์ \(a^2\) และ \(b^2\) คือพจน์ที่ยกกำลังสอง
• พจน์ \(2abCov(X, Y)\) คือ "พจน์กลาง" ที่เอาไว้คิดผลกระทบจากการที่ตัวแปรสัมพันธ์กัน

คำเตือนเรื่องข้อผิดพลาดที่พบบ่อย! นักเรียนมักลืม ยกกำลังสองค่าคงที่ ถ้าคุณเห็น \(Var(3X)\) คำตอบคือ \(9Var(X)\) ไม่ใช่ \(3Var(X)\)

ถ้าตัวแปรเป็นอิสระต่อกันล่ะ?

นี่คือกรณีที่สวยหรูที่สุด! ถ้า \(X\) และ \(Y\) เป็นอิสระต่อกัน ความแปรปรวนร่วมจะเป็น ศูนย์ ทำให้สูตรเหลือเพียง:
\( Var(aX + bY) = a^2Var(X) + b^2Var(Y) \)

คุณรู้หรือไม่? แม้ว่าคุณจะกำลัง ลบ ตัวแปรที่เป็นอิสระต่อกันสองตัว คุณก็ยังต้อง บวก ความแปรปรวนของพวกมันอยู่ดี!
\( Var(X - Y) = Var(X) + (-1)^2Var(Y) = Var(X) + Var(Y) \)
เปรียบเทียบ: ถ้าคุณมีแหล่งของความไม่แน่นอนสองอย่าง การเอาตัวหนึ่งไปลบอีกตัวไม่ได้ช่วยให้ชีวิตคุณแน่นอนขึ้น แต่มันเป็นการเพิ่มความวุ่นวายเข้าไปอีก!

4. สัมประสิทธิ์สหสัมพันธ์ (Correlation Coefficient: \(\rho\))

บางครั้งข้อสอบจะให้ สัมประสิทธิ์สหสัมพันธ์ (\(\rho\)) มาแทนที่จะให้ Covariance มาตรงๆ สหสัมพันธ์เป็นเพียงเวอร์ชันที่ "ปรับมาตรฐาน" แล้วของ Covariance ซึ่งจะมีค่าอยู่ระหว่าง -1 ถึง 1 เสมอ

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

หรือถ้าจัดรูปใหม่เพื่อใช้คำนวณความแปรปรวน:
\( Cov(X, Y) = \rho_{XY} \cdot \sigma_X \cdot \sigma_Y \)
(โดยที่ \(\sigma\) คือส่วนเบี่ยงเบนมาตรฐาน ซึ่งเท่ากับ \(\sqrt{Var}\))

5. ขั้นตอนทีละสเต็ป: การแก้โจทย์ Linear Combination

เมื่อคุณเจอโจทย์ที่ถามหาความแปรปรวนของ \(aX + bY\) ให้ทำตามขั้นตอนนี้:

ขั้นที่ 1: ระบุค่า \(Var(X)\) และ \(Var(Y)\)
ขั้นที่ 2: ดูความสัมพันธ์ พวกมันเป็นอิสระต่อกันไหม? ถ้าไม่ ให้หา \(Cov(X, Y)\) หรือสัมประสิทธิ์สหสัมพันธ์ \(\rho\)
ขั้นที่ 3: ยกกำลังสองค่าคงที่ (\(a^2\) และ \(b^2\))
ขั้นที่ 4: แทนค่าทุกอย่างลงใน "สูตรใหญ่": \(a^2Var(X) + b^2Var(Y) + 2abCov(X, Y)\)
ขั้นที่ 5: เช็กเครื่องหมายให้ดี! ถ้าคุณกำลังคำนวณ \(Var(X - Y)\) ค่า \(b\) จะเท่ากับ \(-1\) ซึ่งจะทำให้พจน์กลางติดลบเป็น \(-2Cov(X, Y)\)

6. สรุปประเด็นสำคัญ

• ค่าเฉลี่ยนั้นง่าย: แทนค่าแล้วตอบได้เลย \(E[aX + bY + c] = aE[X] + bE[Y] + c\)
• ความแปรปรวนต้องยกกำลังสอง: ต้องยกกำลังสองสัมประสิทธิ์เสมอ (\(a \rightarrow a^2\))
• พจน์ปฏิสัมพันธ์: อย่าลืมพจน์ \(2abCov(X, Y)\) เว้นแต่คุณจะมั่นใจ 100% ว่าตัวแปรเป็นอิสระต่อกัน
• ความเป็นอิสระคือของขวัญ: มันทำให้ \(Cov(X, Y) = 0\) ซึ่งช่วยลดขั้นตอนการทำงานได้เยอะมาก
• ค่าคงที่ไม่มีความแปรปรวน: \(Var(X + 5) = Var(X)\) การบวกเลขเข้าไปเป็นการเลื่อนข้อมูล แต่ไม่ได้เปลี่ยนว่าข้อมูล "กระจายตัว" มากแค่ไหน

หมั่นฝึกฝนสูตรเหล่านี้ไว้ให้แม่น! นี่คือหัวใจสำคัญของคณิตศาสตร์ประกันภัยเลยนะ คุณทำได้อยู่แล้ว!