covariance, correlation, and momentsriped.utcc.ac.th/tee/wp-content/uploads/sites/3/2019/09/... ·...
TRANSCRIPT
Covariance, Correlation, and Moments
รศ.ดร. วีระชาติ กิเลนทองมหาวิทยาลัยหอการคาไทย
©Kilenthong 2019
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 1 / 29
นิยาม: ความแปรปรวนรวมและสหสัมพันธ (Covariance andCorrelation)
ความแปรปรวนรวมและสหสัมพันธ (Covariance and Correlation) คือ “ความสัมพันธระหวางตัวแปรสุม” เปนสิ่งที่นักวิเคราะหตองการทราบ
Definitionกำหนดให X และ Y เปนตัวแปรสุมที่คาคาดหมายมีคาจำกัด และ E [X] = µX และ E [Y] = µYความแปรปรวนรวม (covariance) ของ X และ Y นิยามไดเปน
Cov [X, Y] = E [(X− µX) (Y− µY)] (1)
ถาคาคาดหมายมีคาจำกัด
ความแปรปรวนรวม (covariance) ก็คือคาคาดหมายของฟงกชันของ “ตัวแปรสุม” อยางหนึ่งนั่นเอง
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 2 / 29
ทฤษฎี: ความแปรปรวนรวม(Covariance)
Theoremสำหรับตัวแปรสุม X และ Y ที่ความแปรปรวนรวม (covariance) มีคาจำกัดใดๆ
Cov [X, Y] = E [XY]− E [X] E [Y] (2)
Proof.กำหนดให E [X] = µX และ E [Y] = µY
Cov [X, Y] = E [(X− µX) (Y− µY)] = E [XY− µXY− µYX+ µXµY]
= E [XY]− µXE [Y]− µYE [X] + µXµY= E [XY]− µXµY = E [XY]− E [X] E [Y]
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 3 / 29
ขอสังเกตของความแปรปรวนรวม (Covariance)
ขอจำกัดอยางหนึ่งคือการที่ขนาดของความแปรปรวนรวม (covariance) ขึ้นอยูกับขนาดของแตละตัวแปรการเปรียบเทียบคาความแปรปรวนรวม (covariance) บอกไดยาก วาตัวแปรคูใดมีความสัมพันธระหวางกัน (association) มากกวากันเราตองหานิยามคาสถิติที่บอกถึง ความสัมพันธแตไมขึ้นอยูกับขนาดของแตละตัวแปรโดยตรง หรือมีการปรับขนาด (re-scaling) นั่นเอง
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 4 / 29
นิยาม: สหสัมพันธ (Correlation)
Definitionกำหนดให X และ Y เปนตัวแปรสุมที่ความแปรปรวน (variance) มีคาจำกัด นั่นคือ σ2X <∞และ σ2Y <∞ สหสัมพันธ (correlation) ของ X และ Y นิยามไดเปน
ρ [X, Y] = Cov [X, Y]σXσY
(3)
คาสมบูรณของสหสัมพันธมีคานอยกวาหรือเทากับหนึ่งเสมอ
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 5 / 29
ทฤษฎี: สหสัมพันธ (Correlation)Theoremสำหรับตัวแปรสุม X และ Y ใดๆ ที่ E [XY] หาคาได
(E [XY])2 ≤ E[X2]E[Y2]
(4)
ความสัมพันธนี้เปนจริงในรูปแบบสมการก็ตอเมื่อมีจำนวนจริงที่ไมเทากับศูนย a ̸= 0 และb ̸= 0 ที่ทำให aX+ bY = 0 ดวยความนาจะเปนเทากับหนึ่ง
Proof.สำหรับกรณีที่ E
[X2]= ∞ หรือ E
[Y2]= ∞ ไมจำเปนตองพิสูจนอะไรมากเพราะพจน
ดานขวาเทากับอนันตดังนั้นอสมการที่ 4 เปนจริงในกรณีที่ E
[X2]= 0 นั้นสามารถพิสูจนไดโดยเริ่มจาก Pr (X = 0) = 1 ดังนั้น
E [XY] = 0 ซึ่งมีผลทำใหอสมการที่นี้ปนจริงเชนกันE[Y2]= 0 ก็สามารถพิสูจนไดในทำนองเดียวกัน
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 6 / 29
พิสูจน: สหสัมพันธ (Correlation)Proof.
กรณีที่ 0 < E[X2
]< ∞ และ 0 < E
[Y2]< ∞ ซึ่งสามารถพิสูจนไดโดยเริ่มจากการพิจารณาความสัมพันธตอไปนี้
สำหรับคาจำนวนจริงที่ไมเทากับศูนย a, b ใดๆI
E[(aX + bY)2
]= a2E
[X2
]+ b2E
[Y2
]+ 2abE [XY] ≥ 0 (5)
E[(aX − bY)2
]= a2E
[X2
]+ b2E
[Y2
]− 2abE [XY] ≥ 0 (6)
I หากเลือก a =√
E[Y2
]และ b =
√E[X2
]จะสามารถเขียนสมการที่ 5 และ 6 ตามลำดับ ไดใหมเปน
E [XY] ≥ −√
E[X2
]E[Y2
](7)
E [XY] ≤√
E[X2
]E[Y2
](8)
(E [XY])2 ≤ E[X2
]E[Y2
](9)
I สรุปไดวา
E[(aX + bY)2
]= 0 ⇒ Pr (aX + bY = 0) = 1
E[(aX − bY)2
]= 0 ⇒ Pr (aX − bY = 0) = 1
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 7 / 29
ทฤษฎี: อสมการโคชีและชวารซ (Cauchy-Schwarz Inequality)
Theorem (อสมการโคชีและชวารซ (Cauchy-Schwarz Inequality))กำหนดให X และ Y เปนตัวแปรสุมที่ความแปรปรวน (variance) มีคาจำกัด นั่นคือ σ2X <∞และ σ2Y <∞ สหสัมพันธ (correlation) ของ X และ Y มีคาอยูระหวาง [−1, 1] นั่นคือ
− 1 ≤ ρ [X, Y] ≤ 1 (10)
และความแปรปรวนรวม (covariance) ของ X และ Y มีความสัมพันธกับความแปรปรวน(variance) ของแตละตัวแปรสุมดังนี้
(Cov [X, Y])2 ≤ σ2Xσ2Y (11)
โดยที่ อสมการที่ จะเปนจริงในรูปแบบสมการก็ตอเมื่อ มีจำนวนจริงที่ไมเทากับศูนย a, b ̸= 0
และจำนวนจริง c ที่ทำให aX+ bY = c ดวยความนาจะเปนเทากับ 1
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 8 / 29
พิสูจน: ทฤษฎีของอสมการโคชีและชวารซ (Cauchy-SchwarzInequality)Proof.ประยุกตใชทฤษฎีบทกอนหนานี้ เพื่อแสดงวา
(Cov [X, Y])2 = (E [(X− µX) (Y− µY)])2 ≤ E
[(X− µX)
2]E[(Y− µY)
2]= σ2Xσ
2Y
ซึ่งจะเปนจริงในรูปแบบสมการก็ตอเมื่อมีจำนวนจริงที่ไมเทากับศูนย a ̸= 0 และ b ̸= 0 ที่ทำใหaX+ bY = 0 ดวยความนาจะเปนเทากับหนึ่ง เชนเดียวกับกรณีของทฤษฎีกอนหนานี้ ยิ่งไปกวานั้นความสัมพันธที่ไดนำไปสูขอสรุปที่วา
−σXσY ≤ Cov [X, Y] ≤ σXσY ⇒ −1 ≤ Cov [X, Y]σXσY
≤ 1 ⇒ −1 ≤ ρ [X, Y] ≤ 1
“คาสมบูรณของสหสัมพันธมีคานอยกวาหรือเทากับหนึ่ง” เสมอรศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 9 / 29
นิยาม: สหสัมพันธเชิงบวกและเชิงลบ (positively and negativelycorrelated)
Definitionตัวแปรสุม X และ Y มีสหสัมพันธเชิงบวก (positively correlated) ถา ρ [X, Y] > 0 และมีสหสัมพันธเชิงลบ (negatively correlated) ถา ρ [X, Y] < 0 สวนกรณีที่ ρ [X, Y] = 0หมายความวา X และ Y ไมมีสหสัมพันธ (uncorrelated)
ความสัมพันธระหวางความเปนอิสระตอกัน (independent) และการไมมีสหสัมพันธ(uncorrelated) ซึ่งกลาววา “ตัวแปรสุมที่เปนอิสระตอกันตองไมมีสหสัมพันธ”
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 10 / 29
ทฤษฎี: การไมมีสหสัมพันธ (uncorrelated)Theoremถาตัวแปรสุม X และ Y เปนอิสระตอกัน (independent) และ σ2X <∞ และ σ2Y <∞ แลว
Cov [X, Y] = ρ [X, Y] = 0 (12)
Proof.เนื่องจาก X และ Y เปนอิสระตอกัน (independent)
E [XY] = E [X] E [Y] ซึ่งหมายความวา E [XY]− E [X] E [Y] = Cov [X, Y] = 0
ผลที่ตามมาอีกอยางหนึ่งก็คือ ρ [X, Y] = 0
ตัวแปรสุมที่ไมมีสหสัมพันธอาจจะไมเปนอิสระตอกันก็ไดสะทอนใหเห็นวา การเปนอิสระตอกัน (independent) นั้นเปน “ขอจำกัดที่เขมขนมากกวา” การไมมีสหสัมพันธ (uncorrelated)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 11 / 29
ตัวอยาง: คาสหสัมพันธ และ การเปนอิสระตอกันExampleกำหนดให X เปนตัวแปรสุมที่มีคาที่เปนไปไดสามคาคือ {−1, 0, 1} และมีความนาจะเปนเทากับ
Pr (X = −1) = Pr (X = 0) = Pr (X = 1) =1
3
สมมุติให Y = X2 ดังนั้น X และ Y ไมเปนอิสระตอกันอยางชัดเจน สวนที่เหลืออยูคือการตรวจสอบวา X และ Y มีสหสัมพันธตอกันหรือไม?
หาวา E [X] = 0
คาสหสัมพันธของ X และ Y
Cov [X, Y] = E [XY]− E [X] E [Y] = E [XY]= Pr (X = −1, Y = 1) (−1) + Pr (X = 0, Y = 0) (0)
+ Pr (X = 1, Y = 1) (1)
= −1
3+ 0 +
1
3= 0
X และ Y ไมมีสหสัมพันธ (uncorrelated) ทั้งที่ไมเปนอิสระตอกัน
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 12 / 29
ขอสังเกต: คาสหสัมพันธ และ การเปนอิสระตอกัน
ตัวอยางนี้คือความสัมพันธระหวาง X และ Y เปนแบบไมเปนเชิงเสน (nonlinear)I มีสวนสำคัญที่ทำใหเกิดปรากฏการณที่ตัวแปรสุมสองตัวที่ไมเปนอิสระตอกัน แตกลับไมมีสห
สัมพันธ (uncorrelated)แตถาความสัมพันธของตัวแปรเปนแบบเชิงเสน (linear) จะสามารถสรุปไดวา ตัวแปรสุมสองตัวที่ไมเปนอิสระตอกันจะมีสหสัมพันธตอกัน
Theoremกำหนดให X เปนตัวแปรสุมที่ 0 < σ2X <∞ และ Y = aX+ b สำหรับคาคงที่ a ̸= 0 และ bแลวสามารถสรุปไดวา
1 ถา a > 0 แลว ρ [X, Y] = 1
2 ถา a < 0 แลว ρ [X, Y] = −1
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 13 / 29
สหสัมพันธใชวัดความสัมพันธเชิงเสนเปนหลักTheoremกำหนดให X และ Y เปนตัวแปรสุมที่ความแปรปรวน (variance) มีคาจำกัด นั่นคือ σ2X <∞และ σ2Y <∞ ถา |ρ [X, Y] | = 1 แลว จะตองมีคาคงที่ a ̸= 0, b ̸= 0, และ c ที่ทำใหaX+ bY = c ดวยความนาจะเปนเทากับหนึ่ง
Proof.เริ่มจากอสมการโคชีและชวารซ (Cauchy-Schwarz Inequality)
(Cov [X, Y])2 ≤ σ2Xσ2Y
ซึ่งจะเปนจริงในรูปแบบสมการก็ตอเมื่อมีจำนวนจริงที่ไมเทากับศูนย a, b ̸= 0 และจำนวนจริง cที่ทำให aX+ bY = c ดวยความนาจะเปนเทากับ 1 ซึ่งหมายความวา ถา
(Cov [X, Y])2 = σ2Xσ2Y
ก็ตอเมื่อมีจำนวนจริงที่ไมเทากับศูนย a, b ̸= 0 และจำนวนจริง c ที่ทำให aX+ bY = c ดวยความนาจะเปนเทากับ 1
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 14 / 29
ทฤษฎี: ผลรวมเชิงเสนของความแปรปรวนรวมสำหรับตัวแปรสุม 2 ตัว
Theoremถา X และ Y เปนตัวแปรสุมที่ความแปรปรวน (variance) มีคาจำกัด นั่นคือ σ2X <∞ และσ2Y <∞ แลว
Var [aX+ bY+ c] = a2Var [X] + b2Var [Y] + 2abCov [X, Y] (13)
ทฤษฎีบทตอไปนี้แสดงวิธีการคำนวณคาความแปรปรวนของผลรวมของตัวแปรสุมสองตัวซึ่งรวมทั้งกรณีที่ตัวแปรสุมทั้งสองมีสหสัมพันธตอกันดวย
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 15 / 29
ทฤษฎี: ผลรวมเชิงเสนของความแปรปรวนรวมสำหรับตัวแปรสุมหลายตัวTheoremถา X1, . . . , Xn เปนตัวแปรสุมที่ความแปรปรวน (variance) มีคาจำกัด นั่นคือ Var [Xi] <∞แลว
Var[ n∑
i=1
aiXi
]=
n∑i=1
a2i Var [Xi] + 2aiaj∑i<j
Cov [Xi, Xj] (14)
Proof.
Var[ n∑
i=1
aiXi
]= Cov
[ n∑i=1
aiXi,n∑
j=1
ajXj
]=
n∑i=1
n∑j=1
aiajCov [Xi, Xj]
=n∑
i=1
a2i Cov [Xi, Xi] +∑i ̸=j
aiajCov [Xi, Xj]
=
n∑i=1
a2i Var [Xi] + 2aiaj∑i<j
Cov [Xi, Xj]
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 16 / 29
ตัวอยาง: ขอบเขตของคาคาดหมายและความแปรปรวนของกลุมหลักทรัพย(mean-variance frontier)
Example (ขอบเขตของคาคาดหมายและความแปรปรวนของกลุมหลักทรัพย(mean-variance frontier))กำหนดให Ri แทนอัตราผลตอบแทนรวม (gross return) ตอปของกองทุนรวม (mutual fund) iสำหรับ i = 1, . . . , n และกำหนดให αi ∈ [0, 1] โดยที่ ∑i αi = 1 แทนสัดสวนการลงทุนในกองทุน i ของกลุมหลักทรัพย (portfolio) ที่สนใจสิ่งที่ตองการทราบคือกลุมหลักทรัพย (portfolio) คืออัตราผลตอบแทนรวมของกลุมหลักทรัพย(portfolio) หลังจากลงทุนเปนเวลาหนึ่งป
R =
n∑i=1
αiRi
ซึ่งเปนตัวแปรสุมเพราะเปนฟงกชันของตัวแปรสุม
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 17 / 29
รูปแสดงขอบเขตของคาคาดหมายและความแปรปรวนของกลุมหลักทรัพย(mean-variance frontier)
ยกตัวอยางกองทุนรวม 5 กองทุน ซึ่งประกอบไปดวย ABSM, 1AMSET50, BTP, CGLTF,ABAG และใชขอมูลอัตราผลตอบแทนรวมสุทธิตั้งแต11/9/2017 จนถึง 11/9/2018 และแสดงเปนกราฟความสัมพันธและจัดกลุมหลักทรัพยไดคือ
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 18 / 29
โมเมนตและฟงกชันกอกำเนิดโมเมนต (Moments and MomentGenerating Function)
ที่ผานมา คุณสมบัติทั้งหมดของตัวแปรสุมในรูปของ ฟงกชันการแจกแจง (distributionfunction) ไมวาจะเปนในรูปของฟงกชันความหนาแนนของความนาจะเปน (p.d.f.) หรือฟงกชันความนาจะเปนสะสม (C.D.F.)“คาคาดหมาย (expectation)” เปนเครื่องมือที่ชวย “สรุปคุณสมบัติของการแจกแจง”ใหเขาใจไดงายและสะดวกมากยิ่งขึ้น แต คาคาดหมาย (expectation) อันเดียว “ไมสามารถบงบอก” ถึงคุณสมบัติของการแจกแจงไดครบถวนหากรวบรวมเอาคาคาดหมายของฟงกชันยกกำลังของตัวแปรสุมสำหรับทุกๆ คายกกำลังที่เปนจำนวนเต็มบวกแลวก็จะไดคุณสมบัติที่ครบถวนตามที่ตองการ นักสถิติมักเรียกคาคาดหมายของฟงกชันยกกำลังของตัวแปรสุมวา คาโมเมนต (moment)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 19 / 29
โมเมนตและฟงกชันกอกำเนิดโมเมนต (Moments and MomentGenerating Function)
ที่สำคัญเราสามารถรวบรวมเอาคาโมเมนตทั้งหมดนั้นมาไวดวยกันในรูปของฟงกชัน โดยเรียกฟงกชันนี้วา ฟงกชันกอกำเนิดโมเมนต (moment generating function หรือm.g.f.)การแจกแจงอันใดอันหนึ่ง มีฟงกชันกอกำเนิดโมเมนต (m.g.f.) ไดเพียงอันเดียว(unique)โมเมนต (moment) ที่ k ของ X คือคาคาดหมายของ Xk ซึ่งแทนดวย E
[Xk]
I µ = E [X] แทนคาคาดหมายของ X
สวน E[(X− µ)k
]นั้นจะถูกเรียกวา โมเมนตศูนยกลาง (central moment) ที่ k ของ
XI โมเมนตศูนยกลางที่สองก็คือคาความแปรปรวน E
[(X− µ)
2]= Var(X)
I สวนโมเมนตศูนยกลางที่สามนั้นใชเพื่อบงบอกถึงความสมมาตร (symmetry) ของการแจกแจงซึ่งวัดดวยคาสถิติที่เรียกวาความเบ (skewness) ซึ่งนิยามไดเปน E[(X−µ)3]
σ3
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 20 / 29
ทฤษฎี: โมเมนตที่มีคาจำกัดทฤษฎีบทนี้แสดงวาหากโมเมนตที่ k มีคาจำกัด คาโมเมนตที่ต่ำกวานั้น (สำหรับ j < k) จะมีคาจำกัดเสมอ หมายความวาหากเราสามารถหาคาโมเมนตในอันดับที่สูงของการแจกแจงได เรายอมสามารถหาคาโมเมนตในอันดับที่ต่ำลงมาไดเสมอ
Theoremถา E [|X|k] <∞ สำหรับคาจำนวนเต็มบวก k แลว E [|X|j] <∞ สำหรับคาจำนวนเต็มบวก j ใดๆ ที่j < k
Proof.กำหนดให j และ k โดยที่ j < k
E[|X|j
]=
∫ ∞
−∞|x|jf (x) dx =
∫|x|≤1
|x|jf (x) dx +∫|x|>1
|x|jf (x) dx
≤∫|x|≤1
f (x) dx +∫|x|>1
|x|jf (x) dx ≤∫|x|≤1
f (x) dx +∫|x|>1
|x|kf (x) dx
≤∫|x|≤1
f (x) dx +∫|x|>1
|x|kf (x) dx +∫|x|≤1
|x|kf (x) dx
= Pr (|X| ≤ 1) + E[|X|k
]< ∞
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 21 / 29
นิยาม: ฟงกชันกอกำเนิดโมเมนต (m.g.f.)Definitionกำหนดให X เปนตัวแปรสุม สำหรับคาจำนวนจริง t ใดๆ นิยามฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของ Xเปน
ψ (t) = E[etX
](15)
ทฤษฎีบทนี้นำเสนอวิธีการคำนวณหาคาโมเมนตตางๆ จากฟงกชันกอกำเนิดโมเมนต (m.g.f.)
Theoremกำหนดให X เปนตัวแปรสุมที่ฟงกชันกอกำเนิดโมเมนต (m.g.f.) มีคาจำกัดทุกๆ คา t ที่อยูรอบๆ ศูนย (t insome open interval around zero) ดังนั้น สำหรับคาจำนวนเต็มบวก n ใดๆ โมเมนตที่ n ของ X มีคาเทากับอนุพันธลำดับที่ n ของฟงกชันกอกำเนิดโมเมนต (m.g.f.) ψ (t) ที่ t = 0 นั่นคือ
E [Xn] = ψn (0) (16)
โดยที่ ψn (0) หมายถึงอนุพันธลำดับที่ n ของฟงกชัน ψ (t) ที่ t = 0
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 22 / 29
ทฤษฎี: ฟงกชันกอกำเนิดโมเมนตของฟงกชันเชิงเสนของตัวแปรสุม
Theoremกำหนดให X เปนตัวแปรสุมที่ฟงกชันกอกำเนิดโมเมนต (m.g.f.) เทากับ ψx (t) และY = aX+ b สำหรับจำนวนจริง a และ b ใดๆ แลว ตัวแปรสุมที่ฟงกชันกอกำเนิดโมเมนต(m.g.f.) ของ Y เทากับ
ψy (t) = ebtψx (at) (17)
Proof.
ψy (t) = E[etY
]= E
[et(aX+b)
]= ebtE
[e(at)X
]= ebtψx (at)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 23 / 29
ฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของตัวแปรสุมที่เปนอิสระตอกัน(independent)
ทฤษฎีบทตอไปนี้แสดงถึงวิธีการหาฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของตัวแปรสุมที่เกิดจากการบวกกันของตัวแปรสุมที่เปนอิสระตอกัน (independent)
Theoremสมมุติให X1, . . . , Xn เปนตัวแปรสุมที่เปนอิสระตอกัน (independent) ที่มีฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของแตละตัวแปรเทากับ ψi (t) สำหรับ i = 1, . . . , n และกำหนดใหY =
∑ni=1 Xi ดังนั้น ฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของ Y เทากับ
ψY (t) =n∏
i=1
ψi (t) (18)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 24 / 29
นิยาม: คามัธยฐาน (median)
นิยามของคามัธยฐาน (median) จำเปนตองกำหนดใหครอบคลุมทั้งกรณีของตัวแปรสุมตอเนื่องและไมตอเนื่อง ดังนี้
Definitionคามัธยฐาน (median) m ของการแจกแจงของตัวแปรสุม X ตองสอดคลองกับเงื่อนไขตอไปนี้
Pr (X ≤ m) ≥ 1
2และ Pr (X ≥ m) ≥ 1
2(19)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 25 / 29
ตัวอยาง: ในกรณีที่มีคามัธยฐานคาเดียวและ มีคาที่ชัดเจน
ตัวอยางตอไปนี้ชวยใหเขาใจนิยามของคามัธยฐาน (median) ไดดียิ่งขึ้น
Exampleพิจารณาตัวแปรสุมไมตอเนื่อง X ที่มีการแจกแจงดังนี้
Pr (X = 1) = 0.2, Pr (X = 3) = 0.4, Pr (X = 5) = 0.1, Pr (X = 7) = 0.3
ในกรณีนี้ จะเห็นไดวาคามัธยฐาน m = 3 เพราะ
Pr (X ≤ 3) = 0.6 ≥ 0.5 และ Pr (X ≥ 3) = 0.8 ≥ 0.5
ยิ่งไปกวานั้น คาที่เปนไปไดของตัวแปรสุม X คาอื่นไมสามารถเปนคามัธยฐานได ดังนั้น m = 3จึงเปนคามัธยฐานเพียงคาเดียว (unique)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 26 / 29
ตัวอยาง: ในกรณีที่มีคามัธยฐานคาเดียว แตมีคาอยูระหวางคาของตัวแปรสุม
Exampleพิจารณาตัวแปรสุมไมตอเนื่อง X ที่มีการแจกแจงตางออกไปจากตัวอยางกอนหนานี้เล็กนอย
Pr (X = 1) = 0.1, Pr (X = 3) = 0.4, Pr (X = 5) = 0.2, Pr (X = 7) = 0.3
ซึ่งจะเห็นไดวา
Pr (X ≤ 3) = 0.5 และ Pr (X ≥ 5) = 0.5
ดังนั้น คาจำนวนจริง m ที่อยูระหวางชวง 3 ≤ m ≤ 5 ลวนเปนคามัธยฐานทั้งสิ้นเพราะสอดคลองกับสมการที่ 19 กลาวคือ คามัธยฐานในกรณีนี้ไมมากกวาหนึ่งคา (not unique) ในทางปฏิบัติ จึงมักนิยมที่จะใชคากึ่งกลางของชวงดังกลาวแทนคามัธยฐาน ซึ่งในกรณีมีคาเทากับ 4
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 27 / 29
ตัวอยาง: คามัธยฐานในกรณีที่มีคามัธยฐานมากกวาหนึ่งคา
กรณีที่มีคามัธยฐานมากกวาหนึ่งคาสามารถเกิดขึ้นกับการแจกแจงแบบตอเนื่องไดเชนกัน ดังแสดงในตัวอยางตอไปนี้Example
พิจารณาตัวแปรสุม X ที่มีการแจกแจงตอเนื่องและมีฟงกชันความหนาแนนของความนาจะเปน (p.d.f.) เทากับ
f (x) =
14
สำหรับ − 1 ≤ x ≤ 112, สำหรับ 3 ≤ x ≤ 4
0, สำหรับกรณีอื่น
สามารถใชคำนวณหาฟงกชันความนาจะเปนสะสม (C.D.F.) ไดเปน
F (x) =
0, สำหรับ − ∞ ≤ x ≤ −114
+ 14x, สำหรับ − 1 ≤ x ≤ 1
12, สำหรับ 1 ≤ x ≤ 3
−1 + 12x, สำหรับ 3 ≤ x ≤ 4
1, สำหรับ 4 ≤ x ≤ ∞
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 28 / 29
กราฟแสดงคามัธยฐานในกรณีที่มีคามัธยฐานมากกวาหนึ่งคาดูรูปประกอบ จะเห็นไดวา คาจำนวนจริง m ที่อยูระหวาง 1 ≤ m ≤ 3 ลวนแตมีผลทำใหPr (X ≤ m) ≥ 1
2 และ Pr (X ≥ m) ≥ 12 นั่นหมายความวา คาจำนวนจริงเหลานี้ลวน
เปนคามัธยฐานในทำนองเดียวกับตัวอยางกอนหนานี้ ในทางปฏิบัติมักนิยมที่จะใชคากึ่งกลางของชวงดังกลาวแทนคามัธยฐาน ซึ่งในกรณีมีคาเทากับ 2
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Covariance, Correlation, and Moments 29 / 29