ยินดีต้อนรับสู่เรื่องตัวแปรสุ่มทางเดียว (Univariate Random Variables)!

สวัสดีครับ! หากคุณกำลังเตรียมตัวสอบ Exam P คุณคงตระหนักแล้วว่าวิชาความน่าจะเป็นไม่ใช่แค่เรื่องของการโยนเหรียญหรือทอดลูกเต๋าเท่านั้น ในโลกของคณิตศาสตร์ประกันภัย (Actuarial Science) เราจำเป็นต้องมีเครื่องมือที่ช่วยแปลงความไม่แน่นอนในโลกความเป็นจริงให้กลายเป็นสมการทางคณิตศาสตร์ที่เรานำไปคำนวณต่อได้ นั่นแหละคือสิ่งที่ ตัวแปรสุ่ม (Random Variables) ทำหน้าที่นี้! ให้มองบทนี้เป็นเหมือนฐานรากของบ้านครับ ถ้าคุณเข้าใจว่าตัวแปรเหล่านี้ทำงานอย่างไร เรื่องอื่นๆ ใน Exam P ก็จะเริ่มกระจ่างขึ้นเอง ไม่ต้องกังวลหากรู้สึกว่ามันดูเป็นนามธรรมในช่วงแรก เราจะค่อยๆ ย่อยไปทีละขั้นตอนครับ

1. ตัวแปรสุ่ม (Random Variable - RV) คืออะไร?

พูดให้ง่ายที่สุด ตัวแปรสุ่ม คือกฎที่ใช้กำหนดค่าตัวเลขให้กับผลลัพธ์ที่ได้จากการทดลองแบบสุ่ม แทนที่เราจะพูดว่า "ผลลัพธ์คือหัว" เราก็พูดว่า \(X = 1\) แทนที่จะพูดว่า "การเคลมประกันครั้งนี้มีมูลค่าสูงมาก" เราก็พูดว่า \(X = \$50,000\)

\n\n

ตัวแปรสุ่มที่คุณต้องรู้จักสำหรับ Exam P มี 2 ประเภทหลักๆ คือ:

\n

1. ตัวแปรสุ่มแบบไม่ต่อเนื่อง (Discrete Random Variables): สิ่งเหล่านี้คือสิ่งที่เรา "นับ" ได้ ให้จินตนาการว่าเป็นขั้นบันได ตัวอย่างเช่น จำนวนอุบัติเหตุทางรถยนต์ในหนึ่งปี (0, 1, 2...) หรือจำนวนคนที่สอบผ่าน
\n2. ตัวแปรสุ่มแบบต่อเนื่อง (Continuous Random Variables): สิ่งเหล่านี้คือสิ่งที่เรา "วัด" ได้ ซึ่งสามารถมีค่าเป็นอะไรก็ได้ในช่วงที่กำหนด ให้จินตนาการว่าเป็นทางสไลเดอร์ที่ราบเรียบ ตัวอย่างเช่น เวลาที่ผ่านไปจนกว่าจะเกิดการเคลม หรือมูลค่าความเสียหายที่แน่นอน (เช่น \$1,250.42)

ทบทวนสั้นๆ:

• ไม่ต่อเนื่อง (Discrete) = การนับ (0, 1, 2...)
• ต่อเนื่อง (Continuous) = การวัด (ค่าใดๆ เช่น 1.572...)

2. ฟังก์ชันมวลความน่าจะเป็น (Probability Mass Function - PMF) - สำหรับตัวแปรไม่ต่อเนื่อง

สำหรับตัวแปรแบบไม่ต่อเนื่อง เราจะใช้ ฟังก์ชันมวลความน่าจะเป็น (PMF) ซึ่งมักเขียนแทนด้วย \(p(x)\) หรือ \(P(X = x)\) มันจะบอกเราถึงความน่าจะเป็นที่ตัวแปรนั้นจะมีค่าเท่ากับค่าใดค่าหนึ่งโดยเฉพาะ

กฎทอง 2 ข้อของ PMF:
1. ความน่าจะเป็นแต่ละค่าต้องอยู่ระหว่าง 0 ถึง 1: \(0 \le P(X = x) \le 1\).
2. ผลรวมของความน่าจะเป็นทั้งหมดต้องเท่ากับ 1 พอดี: \(\sum P(X = x) = 1\).

ตัวอย่าง: หากตัวแปร X สามารถเป็น 1, 2 หรือ 3 โดยที่ \(P(X=1) = 0.2\) และ \(P(X=2) = 0.5\) แล้ว \(P(X=3)\) จะต้องเท่ากับ 0.3 เพราะผลรวมของทั้งหมดต้องเท่ากับ 1

3. ฟังก์ชันความหนาแน่นความน่าจะเป็น (Probability Density Function - PDF) - สำหรับตัวแปรต่อเนื่อง

ตรงนี้แหละที่จะเริ่มมีความเป็น "คณิตศาสตร์" มากขึ้น สำหรับตัวแปรแบบต่อเนื่อง ความน่าจะเป็นที่จะเกิดเลข เป๊ะๆ เพียงเลขเดียว (เช่น 1.00000... วินาทีพอดี) จริงๆ แล้วคือ 0 แต่เราจะดู ความหนาแน่น (Density) ในช่วงใดช่วงหนึ่งแทน

ฟังก์ชันความหนาแน่นความน่าจะเป็น (PDF) เขียนแทนด้วย \(f(x)\) ในการหาความน่าจะเป็นที่ \(X\) จะอยู่ระหว่างจุด \(a\) กับ \(b\) เราจะหา พื้นที่ใต้กราฟ โดยใช้การอินทิเกรต:

\(P(a \le X \le b) = \int_{a}^{b} f(x) dx\)

กฎทอง 2 ข้อของ PDF:
1. ฟังก์ชันต้องไม่เป็นค่าลบ: \(f(x) \ge 0\).
2. พื้นที่รวมทั้งหมดใต้กราฟต้องเท่ากับ 1: \(\int_{-\infty}^{\infty} f(x) dx = 1\).

แจ้งเตือนข้อผิดพลาดที่พบบ่อย!

ใน PMF แบบไม่ต่อเนื่อง \(P(X=x)\) คือความน่าจะเป็น แต่ใน PDF แบบต่อเนื่อง \(f(x)\) ไม่ใช่ ความน่าจะเป็น แต่มันคือส่วนสูง (ความหนาแน่น) เป็นไปได้ที่ \(f(x)\) จะมีค่ามากกว่า 1 ตราบใดที่พื้นที่รวมทั้งหมดใต้กราฟยังคงเป็น 1!

4. ฟังก์ชันการแจกแจงสะสม (Cumulative Distribution Function - CDF)

ฟังก์ชันการแจกแจงสะสม (CDF) หรือ \(F(x)\) เปรียบเสมือน "ผลรวมสะสม" ของความน่าจะเป็น มันจะบอกคุณว่าความน่าจะเป็นที่ตัวแปรสุ่มจะมีค่า น้อยกว่าหรือเท่ากับ ค่าๆ หนึ่งนั้นเป็นเท่าใด

นิยาม: \(F(x) = P(X \le x)\)

ทำไม CDF ถึงมีประโยชน์?
มันช่วยให้เราคำนวณความน่าจะเป็นในช่วงได้โดยไม่ต้องอินทิเกรตใหม่ทุกครั้ง:
\(P(a < X \le b) = F(b) - F(a)\)

ตัวช่วยจำ: ตัวอักษร "C" ใน CDF

ให้คิดว่า CDF คือการ Collecting (รวบรวม) หรือ Cumulating (สะสม) มันจะรวบรวมความน่าจะเป็นทั้งหมดจากด้านซ้ายของกราฟมาจนถึงจุด \(x\) ของคุณ

คุณสมบัติที่สำคัญของทุก CDF:

• มันจะเริ่มต้นที่ 0 เสมอ (ทางซ้ายสุด: \(F(-\infty) = 0\)).
• มันจะจบที่ 1 เสมอ (ทางขวาสุด: \(F(\infty) = 1\)).
• มันจะไม่ลดลงเลย มันเป็นฟังก์ชัน ไม่ลด (non-decreasing) เพราะยิ่งขยับไปทางขวา คุณก็จะ "สะสม" ความน่าจะเป็นเพิ่มขึ้นเรื่อยๆ

รู้หรือไม่? ในงานประกันภัย CDF ถูกนำมาใช้เพื่อหาความน่าจะเป็นที่มูลค่าความเสียหายจะต่ำกว่าค่าเสียหายส่วนแรก (deductible) ที่กำหนดไว้!

5. ความเชื่อมโยงระหว่าง PDF และ CDF

ถ้าคุณชอบแคลคูลัส คุณจะชอบส่วนนี้ครับ PDF และ CDF เป็นเหมือนสองด้านของเหรียญเดียวกัน คุณสามารถเปลี่ยนจากอย่างหนึ่งไปอีกอย่างหนึ่งได้โดยใช้ การอินทิเกรต (Integration) และ การหาอนุพันธ์ (Differentiation)

1. การหา CDF จาก PDF: ให้อินทิเกรต PDF จากค่าที่เป็นไปได้ต่ำสุดไปจนถึง \(x\)
\(F(x) = \int_{-\infty}^{x} f(t) dt\)

2. การหา PDF จาก CDF: ให้หาอนุพันธ์ (ดิฟ) ของ CDF
\(f(x) = \frac{d}{dx} F(x)\)

ขั้นตอนการหา CDF จาก PDF:

สมมติว่าคุณมี \(f(x) = 2x\) สำหรับ \(0 < x < 1\)
1. ตั้งสมการอินทิเกรต: \(\int_{0}^{x} 2t dt\)
2. อินทิเกรต: \([t^2]\) จาก \(0\) ถึง \(x\)
3. แทนค่า: \(x^2 - 0^2 = x^2\)
4. สรุป CDF ให้สมบูรณ์:
\(F(x) = 0\) สำหรับ \(x < 0\)
\(F(x) = x^2\) สำหรับ \(0 \le x \le 1\)
\(F(x) = 1\) สำหรับ \(x > 1\)

6. สรุปและคำแนะนำทิ้งท้าย

ประเด็นสำคัญ:
• PMF/PDF ให้มุมมองแบบ "ณ จุดๆ หนึ่ง" หรือ "ความหนาแน่น"
• CDF ให้มุมมองแบบ "สะสมมาถึงจุดนี้"
• สำหรับตัวแปร ไม่ต่อเนื่อง ให้ใช้ผลรวม (\(\Sigma\))
• สำหรับตัวแปร ต่อเนื่อง ให้ใช้การอินทิเกรต (\(\int\))
• ตรวจสอบเสมอว่าความน่าจะเป็นรวม (ผลรวมหรือผลอินทิเกรต) เท่ากับ 1 ถ้าไม่เท่า แสดงว่าคุณอาจคำนวณผิด

อย่าลืมว่า: ในการแจกแจงแบบต่อเนื่อง \(P(X < x)\) มีค่าเท่ากับ \(P(X \le x)\) เพราะความน่าจะเป็นที่ตัวแปรจะมีค่า เท่ากับ \(x\) พอดีนั้นเป็นศูนย์ แต่กฎนี้ใช้ไม่ได้กับตัวแปรแบบไม่ต่อเนื่อง ดังนั้นต้องระวังให้ดีว่าโจทย์ใช้เครื่องหมาย "<" หรือ "\(\le\)" ในกรณีที่ไม่ต่อเนื่องครับ!

คุณทำได้ดีมากครับ! แนวคิดเหล่านี้คือเครื่องมือที่คุณจะใช้แก้โจทย์แทบทุกข้อใน Exam P ฝึกเปลี่ยนไปมาระหว่าง PDF และ CDF จนกว่าจะคล่องเหมือนเป็นสัญชาตญาณนะครับ