ยินดีต้อนรับสู่โลกของ Linear Combinations!

สวัสดีว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! ในเส้นทางการเตรียมสอบ Exam P ที่ผ่านมา คุณน่าจะใช้เวลาส่วนใหญ่ไปกับการดูตัวแปรสุ่มแค่ตัวเดียว แต่ในโลกแห่งความเป็นจริง โดยเฉพาะในงานประกันภัย เราแทบจะไม่ดูแค่เรื่องเดียวโดดๆ เลย บริษัทประกันไม่ได้สนใจแค่กรมธรรม์ฉบับเดียว แต่พวกเขาสนใจ ผลรวมทั้งหมด (total sum) ของกรมธรรม์นับพันฉบับ นี่คือจุดที่ Linear Combinations เข้ามามีบทบาทสำคัญ!

ในบทนี้ เราจะมาเรียนรู้วิธีการคำนวณค่าเฉลี่ย (mean), ความแปรปรวน (variance) และความน่าจะเป็น เมื่อเรานำตัวแปรสุ่มมาบวก ลบ หรือคูณด้วยค่าคงที่ ไม่ต้องกังวลนะถ้ามันดูเป็นนามธรรมในช่วงแรก เพราะเมื่อคุณจับทางของมันได้แล้ว นี่จะเป็นหัวข้อที่ "โกยคะแนน" ได้มากที่สุดบทหนึ่งในการสอบเลยล่ะ!

Linear Combination คืออะไรกันแน่?

ลองจินตนาการว่า Linear Combination เหมือนกับ "สูตรอาหารทางคณิตศาสตร์" หากคุณมีตัวแปรสุ่มสองตัวคือ \( X \) (สมมติว่าเป็นค่าสินไหมจากอุบัติเหตุรถยนต์) และ \( Y \) (ค่าสินไหมจากเหตุไฟไหม้บ้าน) Linear Combination ก็คือตัวแปรใหม่ \( W \) ที่เกิดจากการนำ \( X \) และ \( Y \) มาคูณกับค่าคงที่แล้วนำมาบวกกันนั่นเอง

รูปแบบทั่วไปจะมีหน้าตาเป็นแบบนี้:
\( W = aX + bY + c \)

โดยที่ \( a \), \( b \), และ \( c \) เป็นเพียงตัวเลขทั่วไป (ค่าคงที่)
• \( a \) และ \( b \) คือน้ำหนัก (ตัวคูณปรับขนาด)
• \( c \) คือค่าคงที่ที่ถูกบวกเพิ่มเข้ามา (เปรียบเสมือนค่าธรรมเนียมดำเนินการคงที่ที่บวกเพิ่มเข้าไปในทุกกรมธรรม์)

เปรียบเทียบให้เห็นภาพ

ลองจินตนาการว่าคุณกำลังซื้อแอปเปิล 2 ปอนด์ (\( X \)) และกล้วย 3 ปอนด์ (\( Y \)) ถ้าหากราคาต่อปอนด์เป็นตัวแปรสุ่มที่เปลี่ยนแปลงได้ทุกวัน ค่าใช้จ่ายรวมของคุณคือ \( 2X + 3Y \) นี่แหละคือตัวอย่างของ Linear Combination!

ขั้นตอนที่ 1: การหาค่าคาดหมาย (Expected Value) (ส่วนที่ "ง่าย")

ค่าคาดหมาย (Expected Value) หรือค่าเฉลี่ยนั้นจัดการง่ายมาก มันเป็นไปตามกฎของ ความเป็นเชิงเส้น (Linearity) ซึ่งก็คือการบอกว่าคุณสามารถกระจายสัญลักษณ์ \( E[\cdot] \) เข้าไปในแต่ละส่วนของสมการได้เลย

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

ทำไมถึงเยี่ยมขนาดนี้: เพราะคุณ ไม่จำเป็น ต้องรู้ว่า \( X \) และ \( Y \) เป็นอิสระต่อกันหรือไม่ เพื่อที่จะใช้สูตรนี้ มันใช้ได้ตลอดทุกครั้ง! ถ้าคุณกำลังบวกตัวแปรสองตัว คุณก็แค่บวกค่าเฉลี่ยของมันเข้าด้วยกัน ง่ายแค่นี้เลย

ทบทวนสั้นๆ: กฎของ E

• \( E[cX] = cE[X] \)
• \( E[X + Y] = E[X] + E[Y] \)
• \( E[c] = c \) (ค่าเฉลี่ยของค่าคงที่ ก็คือค่าคงที่ค่านั้นเอง!)

ขั้นตอนที่ 2: การหาความแปรปรวน (Variance) (ส่วนที่ "ชวนงง")

ความแปรปรวนจะละเอียดอ่อนกว่าค่าเฉลี่ยเล็กน้อย มันไม่ได้บวกกันได้ตรงๆ เพราะตัวแปรอาจมีการ "ปฏิสัมพันธ์" กัน ซึ่งการปฏิสัมพันธ์นี้วัดได้จาก ความแปรปรวนร่วม (Covariance)

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

ข้อควรจำ: สังเกตว่าค่าคงที่ \( c \) หายไป! ความแปรปรวนเป็นการวัดการกระจายตัว ดังนั้นการเลื่อนการกระจายตัวไปข้างหน้าหรือหลังด้วยค่าคงที่ จะไม่ทำให้ความ "กว้าง" ของการกระจายเปลี่ยนไป และอย่าลืมว่าสัมประสิทธิ์ \( a \) และ \( b \) ต้องถูก ยกกำลังสอง ด้วยนะ

เดี๋ยวนะ แล้ว Covariance คืออะไร?

Covariance \( Cov(X, Y) \) บอกเราว่าตัวแปรทั้งสองเคลื่อนไหวไปในทิศทางเดียวกันหรือไม่
• ถ้า \( Cov(X, Y) > 0 \): เมื่อ \( X \) เพิ่มขึ้น \( Y \) มักจะเพิ่มขึ้นด้วย
• ถ้า \( Cov(X, Y) < 0 \): เมื่อ \( X \) เพิ่มขึ้น \( Y \) มักจะลดลง
• ถ้า \( Cov(X, Y) = 0 \): ไม่มีความสัมพันธ์เชิงเส้นระหว่างกัน

คุณทราบหรือไม่? ถ้า \( X \) และ \( Y \) เป็น อิสระต่อกัน (Independent) แล้ว \( Cov(X, Y) = 0 \) ซึ่งจะทำให้สูตรสั้นลงมาก:
\( Var(aX + bY) = a^2Var(X) + b^2Var(Y) \)

ข้อผิดพลาดที่พบบ่อย: เครื่องหมายลบ

นักเรียนมักทำพลาดเวลาต้องลบตัวแปร หากคุณกำลังหา \( Var(X - Y) \) สูตรจะเป็น:
\( Var(X - Y) = Var(X) + Var(Y) - 2Cov(X, Y) \)
และหากมันเป็น อิสระต่อกัน สูตรจะกลายเป็น:
\( Var(X - Y) = Var(X) + Var(Y) \)
ห้ามนำความแปรปรวนมาลบกันเด็ดขาด! ความแปรปรวนคือการวัดความไม่แน่นอน หากคุณนำความไม่แน่นอนสองอย่างมารวมกัน ความไม่แน่นอนโดยรวมมักจะเพิ่มขึ้น ไม่ใช่ลดลง

ขั้นตอนที่ 3: การคำนวณความน่าจะเป็น

ตอนนี้เราได้ค่าเฉลี่ยใหม่และค่าความแปรปรวนใหม่แล้ว เราจะหาความน่าจะเป็นจริงๆ ได้อย่างไร (เช่น \( P(X + Y > 10) \))?

วิธี A: การแจกแจงปกติ (Normal Distribution) (ที่ใช้บ่อยที่สุด)

ถ้าโจทย์บอกว่า \( X \) และ \( Y \) มีการ แจกแจงแบบปกติ แล้ว Linear Combination ของมันก็จะมี การแจกแจงแบบปกติเช่นกัน นี่คือทางลัดที่ช่วยประหยัดเวลาได้มหาศาล!

ขั้นตอนการทำ:
1. หาค่าเฉลี่ยใหม่: \( \mu_W = E[aX + bY] \)
2. หาค่าความแปรปรวนใหม่: \( \sigma^2_W = Var(aX + bY) \)
3. ถอดสแควร์รูทเพื่อหาค่าเบี่ยงเบนมาตรฐานใหม่: \( \sigma_W \)
4. ใช้สูตร Z-score: \( Z = \frac{W - \mu_W}{\sigma_W} \)
5. เปิดตารางการแจกแจงปกติมาตรฐานเพื่อหาความน่าจะเป็น

วิธี B: เทคนิค Moment Generating Function (MGF)

ถ้าตัวแปรไม่ได้แจกแจงแบบปกติ บางครั้งเราจะใช้ MGF โดย MGF ของผลรวมของตัวแปรที่ อิสระต่อกัน จะเท่ากับ ผลคูณ ของ MGF ของแต่ละตัว
\( M_{X+Y}(t) = M_X(t) \cdot M_Y(t) \)

หากคุณจำได้ว่า MGF ที่ได้นั้นตรงกับรูปแบบการแจกแจงแบบใด (เช่น Gamma หรือ Poisson) คุณก็สามารถแก้โจทย์ความน่าจะเป็นโดยใช้คุณสมบัติของการแจกแจงนั้นๆ ได้เลย

สรุปใจความสำคัญ

1. ค่าเฉลี่ยนั้นง่าย: แค่กระจายค่าคาดหมายเข้าไป ความเป็นอิสระต่อกันไม่มีผลใดๆ
2. ความแปรปรวนต้องระวัง: อย่าลืมยกกำลังสองสัมประสิทธิ์ และอย่าลืมพจน์ \( 2abCov(X, Y) \) ยกเว้นโจทย์จะบอกว่าตัวแปรเป็นอิสระต่อกัน
3. Covariance คือหัวใจ: \( Cov(X, Y) = E[XY] - E[X]E[Y] \)
4. ปกติก็ยังคงเป็นปกติ: ผลรวมของตัวแปรปกติยังคงเป็นตัวแปรปกติ นี่คือ "เพื่อนที่ดีที่สุด" สำหรับโจทย์ Exam P หลายข้อ
5. ดูหน่วยให้ดี: ถ้าโจทย์ถามหาค่าเบี่ยงเบนมาตรฐานของผลรวม อย่าลืมถอดสแควร์รูทจากค่าความแปรปรวนที่คุณคำนวณได้ตอนจบด้วยนะ!

ไม่ต้องกังวลไปถ้าเรื่อง Covariance จะดูหนักหนาสาหัส! แค่จำไว้ว่า: อิสระต่อกัน = Covariance เป็น 0 โจทย์สอบส่วนใหญ่จะให้ค่า Covariance มาหรือไม่ก็บอกมาตรงๆ ว่าตัวแปรเป็นอิสระต่อกัน เพื่อให้ชีวิตคุณง่ายขึ้น สู้ๆ นะ คุณทำได้!