Variance and standard deviation for conditional and marginal distributions

ยินดีต้อนรับสู่โลกแห่งความแปรปรวน!

ในการเดินทางของเราผ่านเรื่อง ตัวแปรสุ่มหลายตัวแปร (Multivariate Random Variables) เราได้เรียนรู้วิธีหา "ค่าเฉลี่ย" (expected value) ของตัวแปรหนึ่งเมื่อเราทราบข้อมูลของอีกตัวแปรหนึ่งไปแล้ว แต่ในฐานะนักคณิตศาสตร์ประกันภัยทุกคนจะบอกคุณว่า ค่าเฉลี่ยเป็นเพียงแค่ครึ่งหนึ่งของความจริงเท่านั้น การที่จะบริหารความเสี่ยงได้อย่างแท้จริง เราจำเป็นต้องรู้ว่าข้อมูลนั้น "กระจายตัว" ห่างจากค่าเฉลี่ยมากน้อยเพียงใด นั่นคือจุดที่ ความแปรปรวน (Variance) และ ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation) จะเข้ามามีบทบาทครับ

ในบทนี้ เราจะมาดูแนวคิดเหล่านี้ผ่านมุมมอง 2 ด้าน คือ: 1. Marginal: การมองตัวแปรหนึ่งโดยเพิกเฉยต่ออีกตัวแปรหนึ่ง 2. Conditional: การดูว่าการกระจายตัวของตัวแปรหนึ่งเปลี่ยนไปอย่างไร เมื่อเราทราบข้อมูลเฉพาะเจาะจงของอีกตัวแปรหนึ่ง

ถ้ารู้สึกว่ามันดูเป็นนามธรรมไปนิดในตอนแรก ไม่ต้องกังวลนะ เราจะค่อยๆ ย่อยไปทีละขั้นตอนด้วยการเปรียบเทียบที่เข้าใจง่ายกัน!

1. ความแปรปรวนและส่วนเบี่ยงเบนมาตรฐานส่วนขอบ (Marginal Variance and Standard Deviation)

เวลาที่เราพูดถึง Marginal Variance เรากำลัง "ซูมเอาต์" ครับ ถึงแม้ว่าเราจะมี Joint distribution (X และ Y อยู่ด้วยกัน) แต่เราเลือกที่จะโฟกัสแค่ตัวแปรเดียวและละอีกตัวแปรหนึ่งไปเลย

วิธีคำนวณ:

การหาความแปรปรวนของ \( X \) หรือที่เขียนแทนด้วย \( Var(X) \) อันดับแรกคุณต้องหา Marginal Distribution ของ \( X \) ให้ได้ก่อน ถ้าคุณมี Joint PDF หรือ PMF อยู่แล้ว ให้คุณ "รวม" (sum out) หรือ "อินทิเกรต" (integrate out) ตัวแปร \( Y \) ออกไปครับ

เมื่อได้ Marginal distribution แล้ว สูตรที่ใช้ก็คือสูตรเดียวกับที่คุณเรียนในเรื่องความน่าจะเป็นตัวแปรเดียวเลย:
\( Var(X) = E[X^2] - (E[X])^2 \)

ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation) ก็คือการถอดรากที่สองของความแปรปรวนนั่นเอง:
\( \sigma_X = \sqrt{Var(X)} \)

ทบทวนสั้นๆ: จำไว้ว่า \( E[X^2] \) สำหรับตัวแปรต่อเนื่องคือ \( \int x^2 f_X(x) dx \) และสำหรับตัวแปรไม่ต่อเนื่องคือ \( \sum x^2 p_X(x) \)

ประเด็นสำคัญ: Marginal variance ปฏิบัติต่อตัวแปรเหมือนกับว่าไม่มีตัวแปรคู่หูอยู่เลย มันวัด "ความเสี่ยง" หรือ "การกระจายตัว" ทั้งหมดของตัวแปรเดียวนั้นในภาพรวมทั้งหมดครับ

2. ความแปรปรวนแบบมีเงื่อนไข (Conditional Variance)

ตรงนี้แหละที่เริ่มสนุก! Conditional Variance เขียนแทนด้วย \( Var(Y|X=x) \) เป็นการวัดการกระจายตัวของ \( Y \) โดยที่มีเงื่อนไขว่าเรารู้ค่าที่แน่นอนของ \( X \) แล้ว

ลองนึกภาพแบบนี้:

สมมติว่าคุณกำลังดูความสูงของผู้ใหญ่ (\( Y \)) ซึ่ง Marginal Variance คือการกระจายตัวของความสูงของ ทุกคน แต่ถ้าผมบอกคุณว่าคนนี้อายุ 12 ปี (\( X=12 \)) Conditional Variance ก็คือการกระจายตัวของความสูง เฉพาะในกลุ่มเด็ก 12 ปีเท่านั้น ปกติแล้วการกระจายตัวของเด็ก 12 ปีจะมีช่วงที่แคบกว่าการกระจายตัวของคนทั้งโลกมาก!

สูตรการคำนวณ:

ตรรกะยังคงเหมือนกับความแปรปรวนมาตรฐาน แต่เราใช้ค่าคาดหมายแบบมีเงื่อนไข (conditional expectation):
\( Var(Y|X=x) = E[Y^2|X=x] - (E[Y|X=x])^2 \)

ขั้นตอนการทำ:

1. หา conditional PDF/PMF: \( f_{Y|X}(y|x) = \frac{f(x,y)}{f_X(x)} \)
2. คำนวณค่าคาดหมายแบบมีเงื่อนไข: \( E[Y|X=x] \)
3. คำนวณโมเมนต์อันดับสองแบบมีเงื่อนไข: \( E[Y^2|X=x] \)
4. แทนค่าลงในสูตรข้างบน

ข้อผิดพลาดที่พบบ่อย: อย่าลืมว่า \( Var(Y|X=x) \) มักจะเป็น ฟังก์ชันของ x ไม่ใช่แค่ตัวเลขตัวเดียว (เว้นแต่ว่า \( X \) และ \( Y \) จะเป็นอิสระต่อกัน) ถ้าคุณแทนค่า x ด้วยตัวเลขเฉพาะเจาะจง คุณจะได้ค่าออกมาเป็นตัวเลข แต่ถ้าคุณติดค่าตัวแปร \( X \) ไว้ คุณจะได้ออกมาเป็นตัวแปรสุ่มตัวใหม่ครับ!

3. กฎความแปรปรวนรวม (Law of Total Variance - กฎ "EVVE")

นี่อาจจะเป็นสูตรที่สำคัญที่สุดในบทนี้สำหรับสอบ Exam P เลยก็ว่าได้ เพราะมันเชื่อมโยงระหว่าง Marginal variance และ Conditional variance เข้าด้วยกัน ทำให้เราสามารถหาความแปรปรวนรวมของ \( Y \) ได้โดยแบ่งออกเป็นสองส่วนตาม \( X \)

สูตร:

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

เทคนิคช่วยจำ: "EVVE"
Expected Value of the Variance + Variance of the Expected Value.

มันหมายความว่าอะไรจริงๆ กันแน่?

ลองเปรียบเทียบกันดู สมมติว่าคุณต้องการหาความแปรปรวนของอุณหภูมิในสหรัฐอเมริกาทั้งประเทศในวันนี้ (\( Var(Y) \))

1. \( E[Var(Y|X)] \) (ความแปรปรวน "ภายใน" กลุ่ม): นี่คือค่าเฉลี่ยของความแปรปรวนในแต่ละเมือง โดยเฉลี่ยแล้วอุณหภูมิในเมืองเดียวแกว่งตัวมากแค่ไหน?
2. \( Var(E[Y|X]) \) (ความแปรปรวน "ระหว่าง" กลุ่ม): นี่คือความแปรปรวนของค่าเฉลี่ยอุณหภูมิของแต่ละเมือง ค่าเฉลี่ยอุณหภูมิของเมืองไมอามีต่างจากอุณหภูมิเฉลี่ยของเมืองแองเคอเรจมากแค่ไหน?

รู้ไหม? สิ่งนี้มักถูกเรียกว่า สูตรการแยกส่วนความแปรปรวน (Variance Decomposition Formula) เพราะมันแยกความเสี่ยงรวมออกเป็น "ความสุ่มที่อธิบายไม่ได้" และ "ความแปรปรวนที่คาดการณ์ได้"

ประเด็นสำคัญ: ถ้าคุณต้องการ \( Var(Y) \) แล้วโจทย์ให้ข้อมูลแบบมีเงื่อนไขมา อย่าเพิ่งตกใจ! แค่หาชิ้นส่วนต่างๆ เพื่อมาเข้าสูตร EVVE ก็พอ

4. สมบัติและความสัมพันธ์ที่สำคัญ

นี่คือ "เคล็ดลับ" สำหรับการสอบ:

1. ความเป็นอิสระต่อกัน (Independence): ถ้า \( X \) และ \( Y \) เป็นอิสระต่อกัน การรู้ค่า \( X \) จะไม่ช่วยให้คุณรู้อะไรเกี่ยวกับ \( Y \) เลย ดังนั้น:
\( E[Y|X] = E[Y] \)
\( Var(Y|X) = Var(Y) \)

2. ส่วนเบี่ยงเบนมาตรฐาน ไม่สามารถนำมาบวกกันโดยตรงได้:
อย่าลืมเด็ดขาดว่า \( \sigma_{Y|X} = \sqrt{Var(Y|X)} \) คุณไม่สามารถเอาส่วนเบี่ยงเบนมาตรฐานมาบวกกันดื้อๆ ได้ ให้คำนวณด้วย ความแปรปรวน (Variance) ก่อนเสมอ แล้วค่อยถอดรากที่สองในขั้นตอนสุดท้าย

3. ตัวแปร "ชั้นใน": ในนิพจน์ \( Var(E[Y|X]) \) ตัวเทอม \( E[Y|X] \) คือ ตัวแปรสุ่ม ที่เป็นฟังก์ชันของ \( X \) ตอนที่คุณหาความแปรปรวนของมัน ให้ปฏิบัติต่อมันเหมือนกับฟังก์ชัน \( g(X) \) อื่นๆ ได้เลยครับ

รายการตรวจสอบสรุปย่อ

- [ ] Marginal Variance: ใช้ Marginal distribution; ไม่ต้องสนตัวแปรอื่น
- [ ] Conditional Variance: การกระจายตัวของตัวแปรหนึ่งเมื่ออีกตัวหนึ่งถูกตรึงค่าไว้ (\( x \))
- [ ] กฎ EVVE: \( Var(Y) = E[Var(Y|X)] + Var(E[Y|X]) \)
- [ ] ฟังก์ชัน vs. ค่าคงที่: \( Var(Y|X=x) \) เป็นตัวเลข; \( Var(Y|X) \) เป็นตัวแปรสุ่ม
- [ ] ขั้นตอนสุดท้าย: ส่วนเบี่ยงเบนมาตรฐานคือรากที่สองของความแปรปรวนเสมอ

ไม่ต้องกังวลถ้ากฎความแปรปรวนรวม (Law of Total Variance) จะดูเยอะเกินไปในตอนแรก ลองฝึกโจทย์ที่ต้องคำนวณส่วน "ภายใน" และ "ระหว่าง" แยกกันดู แล้วคุณจะเริ่มเห็นรูปแบบเอง! คุณทำได้แน่นอน!