✖

การแจกแจงความน่าจะเป็น

การแจกแจงความน่าจะเป็น (probability distribution) ของตัวแปรสุ่มบอกว่าความน่าจะเป็นที่ตัวแปรสุ่มจะมีค่าค่าหนึ่งเป็นเท่าใด

การแจกแจงของตัวแปรไม่ต่อเนื่อง

ให้มีตัวแปรสุ่มไม่ต่อเนื่องตัวหนึ่ง ตัวอย่างเช่น อาจติดตามว่าลุงบุญมีซึ่งเป็นคอชาไทยตัวยงของหมู่บ้านดื่มชาไทยวันละกี่แก้ว หลังจากติดตามลุงบุญมีตลอดหนึ่งเดือน ได้ตารางดังนี้

วันที่ ชาไทย (แก้ว) วันที่ ชาไทย (แก้ว) วันที่ ชาไทย (แก้ว)
1 5 11 10 21 4
2 10 12 5 22 6
3 4 13 12 23 10
4 4 14 10 24 10
5 5 15 12 25 4
6 4 16 12 26 5
7 0 17 6 27 10
8 5 18 10 28 5
9 4 19 6 29 0
10 5 20 10 30 10

จะเห็นว่าช่วงต้นเดือนลุงบุญมียังดื่มน้อยอยู่บ้าง แต่หลังจากนั้นก็ดื่มแก้วแล้วแก้วเล่า และสัปดาห์ที่เริ่มตั้งแต่วันที่ 11 คงเป็นสัปดาห์ที่หนักมาก ให้ตัวแปรสุ่มไม่ต่อเนื่องนี้แทนด้วย X ต่อไปเราสนใจว่าความน่าจะเป็นที่ลุงบุญมีจะดื่มชาไทย x แก้วในวันใดวันหนึ่งของเดือนเป็นเท่าใด

ก่อนหาความน่าจะเป็น ให้สร้างแผนภูมิแท่งแสดงความถี่ธรรมดาก่อน หาจำนวนแก้วของชาไทยที่ลุงบุญมีดื่มในแต่ละวัน แล้วนำไปเขียนในแผนภูมิแสดงความถี่ ตัวอย่างเช่น ลุงบุญมีดื่มสิบแก้วทั้งหมดเก้าวัน ค่าสิบแก้วจึงมีแท่งที่มีความสูงเก้า:

อ่านแผนภูมิได้ว่า ในเดือนนี้มีสามวันที่ลุงบุญมีดื่มชาไทยหกแก้ว

ความน่าจะเป็นที่ลุงบุญมีจะดื่มชาไทยสิบแก้วในหนึ่งวันเป็นเท่าใด เขียนอย่างเป็นทางการได้ดังนี้ ให้ฟังก์ชันความน่าจะเป็นแทนด้วย P คำถามเรื่องสิบแก้วเขียนได้เป็น P(X = 10) ซึ่งหมายถึงความน่าจะเป็นที่ตัวแปรสุ่ม X มีค่าเท่ากับสิบเป็นเท่าใด

ความน่าจะเป็นนี้เท่ากับความถี่สัมพัทธ์ของค่านั้น จึงสร้างแผนภูมิความถี่สัมพัทธ์เพิ่มอีกหนึ่งแผนภูมิ:

ตอนนี้บอกได้ว่า P(X = 10) เท่ากับ 0.3 คือ 30%

ความน่าจะเป็นเชิงประจักษ์และความน่าจะเป็นเชิงทฤษฎี

ตัวอย่างเช่น ลูกเต๋าธรรมดาลูกหนึ่ง ลองทอดลูกเต๋านี้ 600 ครั้ง ตามความน่าจะเป็นเชิงทฤษฎีแบบคลาสสิก โอกาสที่จะได้แต้ม 1 แต้ม 2 … แต้ม 6 เท่ากันทุกแต้ม ลูกเต๋าแต่ละหน้ามีความน่าจะเป็นที่จะขึ้นเท่ากับ 16 ในทางทฤษฎีล้วน ๆ เมื่อทอดลูกเต๋าหกร้อยครั้ง แต่ละหน้าจึงควรขึ้นหนึ่งร้อยครั้งพอดี

แน่นอนว่าสิ่งนี้คงไม่เกิดขึ้นจริง ในการทดลองของเราอาจได้ผลดังนี้

แต้มบนลูกเต๋า จำนวนครั้งที่ขึ้น ความถี่สัมพัทธ์
1 105 0.175
2 103 0.171666
3 90 0.15
4 96 0.16
5 100 0.16666
6 106 0.17666

จะเห็นว่าความถี่สัมพัทธ์ของการได้แต้ม 1 ซึ่งก็คือความน่าจะเป็นด้วย เท่ากับ 0.175 หรือ 17.5% ค่านี้ใกล้กับความน่าจะเป็น 16 ซึ่งเท่ากับ 0.16666… แต่ก็ไม่ตรงกันพอดี

ไม่ได้หมายความว่าความน่าจะเป็นแบบใดแบบหนึ่งผิด การสร้างลูกเต๋าที่สมดุลอย่างสมบูรณ์ไม่ใช่เรื่องง่ายเลย และการทดลองทอดลูกเต๋า 600 ครั้งเองก็อาจทำได้ยากเช่นกัน

ความน่าจะเป็นเชิงทฤษฎีจึงใช้ได้ภายใต้สภาวะอุดมคติ ซึ่งทอดลูกเต๋าไปเรื่อย ๆ ไม่สิ้นสุด ยิ่งทอดลูกเต๋าที่สมดุลสมบูรณ์นานเท่าใด ความถี่สัมพัทธ์ของแต่ละแต้มก็จะยิ่งเข้าใกล้ความน่าจะเป็นเชิงทฤษฎีมากขึ้นเท่านั้น

ดังนั้นจึงแยกความน่าจะเป็นเป็นสองแบบ คือความน่าจะเป็นเชิงทฤษฎี ซึ่งอาศัยสภาวะอุดมคติ และความน่าจะเป็นเชิงประจักษ์ (empirical probability) ซึ่งหาได้จากความถี่สัมพัทธ์ของข้อมูลของเรา

การหาความน่าจะเป็นเชิงประจักษ์ควรมีข้อมูลจำนวนมากพอ ตัวอย่างเช่น เราติดตามลุงบุญมีคอชาไทยของเราเพียงหนึ่งเดือน แต่ถ้าติดตามอย่างน้อยหนึ่งปีจะดีกว่ามาก

การแจกแจงของตัวแปรต่อเนื่อง

สำหรับตัวแปรต่อเนื่อง จะไม่หาความน่าจะเป็นที่จุดใดจุดหนึ่ง แต่หาบนช่วงเสมอ ความน่าจะเป็นจะเท่ากับพื้นที่ใต้เส้นโค้ง การคำนวณจึงต้องใช้ปริพันธ์ กราฟของตัวแปรต่อเนื่องอาจเป็นดังรูป เช่น การวัดค่าความคลาดเคลื่อนบางอย่างในหน่วยเซนติเมตร:

การแจกแจงความน่าจะเป็นของตัวแปรต่อเนื่อง

บนแกน X เป็นค่าในหน่วยเซนติเมตร บนแกน Y เป็นความถี่สัมพัทธ์ สมมติว่าวัดได้เฉพาะค่าในช่วง [−4, 4] ความน่าจะเป็นเชิงประจักษ์ที่จะวัดค่าความคลาดเคลื่อนได้ในช่วงนี้จึงเท่ากับ 1 คือ 100%

พื้นที่เกี่ยวข้องกับเรื่องนี้อย่างไร กล่าวได้ว่าพื้นที่ ∫−44p(x) เมื่อ p เป็นฟังก์ชันความน่าจะเป็น แทน 100% ดังกล่าว ถ้าถามว่าความน่าจะเป็นเชิงประจักษ์ที่ค่าจะอยู่ในช่วง [0, 4] เป็นเท่าใด จะได้รูปดังนี้

ความน่าจะเป็นเชิงประจักษ์สำหรับ x \in \left[0, 4\right]

ส่วนที่แรเงาในรูปก่อนหน้าแทน 100% ส่วนในรูปนี้แทน 50% เพราะพื้นที่เป็นครึ่งหนึ่งอย่างเห็นได้ชัด ความน่าจะเป็นเชิงประจักษ์เขียนได้อย่างแม่นยำในรูปอัตราส่วน:

∫04p(x)∫−44p(x)

กฎของจำนวนมาก

หัวข้อก่อนหน้าเกี่ยวข้องกับกฎของจำนวนมาก (law of large numbers) ที่รู้จักกันดี กฎนี้กล่าวอย่างไม่เป็นทางการว่า เมื่อทำการทดลองที่เป็นอิสระต่อกันเป็นจำนวนมาก ความถี่สัมพัทธ์ (ความน่าจะเป็นเชิงประจักษ์) จะเข้าใกล้ความน่าจะเป็นเชิงทฤษฎี

นึกภาพได้อีกครั้งจากการโยนเหรียญ เหรียญอาจขึ้นหัวหรือก้อย แต่ละด้านมีความน่าจะเป็น 12 คือ 50% ถ้าโยนเหรียญสี่ครั้ง อาจขึ้นหัวสามครั้งและก้อยหนึ่งครั้ง ความถี่สัมพัทธ์จึงเป็น 34 และ 14 ซึ่งห่างจาก 12 พอสมควร

ถ้าโยนทั้งหมดสิบครั้ง อาจขึ้นหัวเจ็ดครั้งและก้อยสามครั้ง ได้ความถี่ 710 และ 310 ซึ่งยังห่างจาก 12 อยู่มาก แต่ก็ใกล้หนึ่งส่วนสองมากกว่าความถี่ครั้งก่อน

ทำต่อไปเช่นนี้ได้เรื่อย ๆ ถ้าโยนเหรียญหนึ่งพันครั้ง อาจขึ้นหัว 520 ครั้งและก้อย 480 ครั้ง ได้ความถี่ 1325 และ 1225 ซึ่งใกล้หนึ่งส่วนสองมากแล้ว (เพื่อให้เห็นภาพ 1325=0.52)

สังเกตว่าแม้ความถี่สัมพัทธ์จะใกล้หนึ่งส่วนสองมากขึ้น แต่ความถี่กลับห่างจากความถี่ “ในอุดมคติ” มากขึ้น เมื่อโยนเหรียญสิบครั้ง ความถี่ในอุดมคติของแต่ละด้านคือ 5 คือขึ้นหัวห้าครั้งและก้อยห้าครั้ง เพราะขึ้นหัวเจ็ดครั้ง จึงต่างกันสองครั้ง: 7 − 5 = 2 ผลการโยน “ต่างไปสองครั้ง” จากสถานการณ์ในอุดมคติ

แต่เมื่อโยนเหรียญหนึ่งพันครั้ง ขึ้นหัว 520 ครั้ง ซึ่งต่างจากอุดมคติ 20 ครั้ง เพราะในกรณีอุดมคติแต่ละด้านควรขึ้น 500 ครั้ง จึงดูเหมือนว่ายิ่งโยนมากครั้ง ผลก็ยิ่งห่างออกไป

แต่ไม่เป็นปัญหาเลย กฎของจำนวนมากไม่ได้กล่าวว่าความถี่จะเข้าใกล้อุดมคติ แต่กล่าวว่าความถี่สัมพัทธ์จะเข้าใกล้ และความถี่สัมพัทธ์ก็เข้าใกล้จริง กล่าวคือ ความถี่อาจห่างออกไป แต่ความถี่สัมพัทธ์จะเข้าใกล้มากขึ้น