เทคนิคเบื้องต้น การนำเสนอผลงานด้วย Power Point อ. ดร. พรสิริ สืบพงษ์สังข์
รศ.ดร. วีระชาติ กิเลนทอง...
Transcript of รศ.ดร. วีระชาติ กิเลนทอง...
การแจกแจงปกติ (Normal Distributions)
รศ.ดร. วีระชาติ กิเลนทองมหาวิทยาลัยหอการคาไทย
©Kilenthong 2019
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 1 / 40
การแจกแจงปกติ (Normal Distribution)
การแจกแจงปกติ (normal distribution) เปนหนึ่งในรูปแบบของการแจกแจงที่ไดรับความนิยมสูงสุด ซึ่งมีเหตุผลหลักสามประการดังนี้
1 คุณสมบัติทางสถิติที่ทำใหสะดวกตอการวิเคราะห⋆ ผลรวมของตัวแปรสุมที่แตละตัวมีการแจกแจงปกตจิะมีการแจกแจงปกติ⋆ การแจกแจงปกติสามารถอธิบายไดดวย พารามิเตอรเพียงสองตัว คือ คาความคาดหมาย
(mean) µ และคาความแปรปรวน (variance) σ2
2 การแจกแจงของตัวประมาณคา (estimator) หรือตัวทำนาย (predictor) สวนใหญจะอยูในรูปแบบที่เกี่ยวของกับการแจกแจงปกติ เมื่อจำนวนตัวอยางมากขึ้นเรื่อยๆ จาก“ทฤษฎีบทลิมิตของคากลาง (Central Limit Theorem)” ซึ่งจะนำเสนอในบทถัดๆ ไป ไดระบุวาคาเฉลี่ยของตัวอยางจะลูเขาสู (converge) การแจกแจงปกติ (normal distribution)
3 จากการสังเกตในธรรมชาติพบวา มีปรากฏการณจำนวนไมนอยที่นำไปสูการแจกแจงที่มีลักษณะคลายกับการแจกแจงปกติ (normal distribution)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 2 / 40
รูปขอมูลตัวอยางของการแจกแจงปกติ (Normal Distribution)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 3 / 40
การแจกแจงปกติมาตรฐาน (Standard Normal Distribution Function)การแจกแจงปกติที่มีความพิเศษคือ “การแจกแจงปกติมาตรฐาน (standard normaldistribution)” ซึ่งมีฟงกชันความหนาแนนของความนาจะเปน (p.d.f.) เทากับ
ϕ (z) = 1√2π
e− z22 (1)
“ฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของตัวแปรสุม Z” ที่มีการแจกแจงปกติมาตรฐาน(standard normal distribution) เทากับ
ψz (t) = E[etZ
]=
∫ ∞
−∞etz 1√
2πe− z2
2 dz
=
∫ ∞
−∞e t2
21√2π
e−(z2−2tz+t2)
2 dz =∫ ∞
−∞e t2
21√2π
e− (z−t)22 dz
= e t22
∫ ∞
−∞
1√2π
e− z̃22 dz̃ = e t2
2
โดยที่ในขั้นตอนกอนสุดทายใชเทคนิคการเปลี่ยนตัวแปร z̃ = z− tรศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 4 / 40
คาความคาดหมาย (mean) และคาความแปรปรวน (variance) ของการแจกแจงปกติมาตรฐาน (standard normal distribution)
คาความคาดหมาย (mean) และคาความแปรปรวน (variance) หาไดจาก ฟงกชันกอกำเนิดโมเมนต (m.g.f.) จากทฤษฎีบทที่กอนหนา
E [Z] = ddtψz (t)
∣∣∣∣t=0
=ddte
t22
∣∣∣∣t=0
= te t22
∣∣∣∣t=0
= 0 (2)
Var [Z] = E[Z2]=
d2dt2 e
t22
∣∣∣∣t=0
=
[e t2
2 + t2e t22
] ∣∣∣∣t=0
= 1 (3)
การแจกแจงปกติมาตรฐาน (standard normal distribution) คือ การแจกแจงแบบปกติที่มี “คาความคาดหมายเทากับศูนยและคาความแปรปรวนเทากับหนึ่ง” ซึ่งมักเขียนแทนการแจกแจงแบบนี้ดวย N (0, 1)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 5 / 40
ฟงกชันเชิงเสนของการแจกแจงปกติ (Normal Distribution Function)เราสามารถสรางตัวแปรสุม X ที่มีการการแจกแจงปกติ (normal distribution) ที่มีคาความคาดหมาย (mean) เทากับ µ และคาความแปรปรวน (variance) เทากับ σ2 ไดจากตัวแปรสุม Z โดยใชความสัมพันธเชิงเสนตอไปนี้
X = σZ+ µ (4)
ดังนั้น ฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของตัวแปรสุม X เทากับ
ψx (t) = eµte (σt)22 = eµt+ 1
2σ2t2 (5)
คาความคาดหมาย (mean) และคาความแปรปรวน (variance) คือ
E [X] = ddtψx (t)
∣∣∣∣t=0
=ddte
µt+ 12σ
2t2∣∣∣∣t=0
=(µ+ tσ2
)eµt+ 1
2σ2t2
∣∣∣∣t=0
= µ
Var [X] = E[X2]− µ2 =
d2dt2 e
µt+ 12σ
2t2∣∣∣∣t=0
− µ2
=[σ2eµt+ 1
2σ2t2 +
(µ+ tσ2
)2 eµt+ 12σ
2t2] ∣∣∣∣
t=0
= σ2 + µ2 − µ2 = σ2
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 6 / 40
การแจกแจงปกติ (Normal Distribution Function)
ตัวแปรสุม X = σZ+ µ มีการการแจกแจงปกติ (normal distribution) ที่คาความคาดหมาย (mean) เทากับ µ และคาความแปรปรวน (variance) เทากับ σ2 ซึ่งมีฟงกชันความหนาแนนของความนาจะเปน (p.d.f.) เทากับ
f (x) = 1√2πσ2
e−(x−µ)22σ2 (6)
และสามารถเขียนแทนการแจกแจงแบบนี้ดวย N(µ, σ2
)หากทราบวาตัวแปรสุม X มีการการแจกแจงปกติ (normal distribution) ที่คาความคาดหมาย (mean) เทากับ µ และคาความแปรปรวน (variance) เทากับ σ2 ̸= 0 แลวก็จะทราบทันทีวาตัวแปรสุม Z = X−µ
σ จะมีการแจกแจงปกติมาตรฐาน (standard normaldistribution)การแปลงคารูปแบบนี้คือการปรับคะแนนมาตรฐาน (standardized score) ซึ่งนิยมใชในการปรับคาผลลัพธหรือผลการทดสอบใหอยูในรูปของตัวแปรที่มีการแจกแจงปกติมาตรฐาน
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 7 / 40
ตัวอยาง: การประยุกตใชในแบบจำลองทางการเงินExampleแบบจำลองทางการเงินมักสมมุติใหมูลคาของหลักทรัพย ณ เวลา t เปนไปตามความสัมพันธตอไปนี้
V (t) = V0etr
โดยที่ V0 คือมูลคาของหลักทรัพย ณ เวลาที่ t = 0 และ r คืออัตราผลตอบแทนสุทธิ (net return) ของหลักทรัพยดังกลาว ซึ่งเปนตัวแปรสุมที่มีการแจกแจงปกติ (normal distribution) โดยที่คาคาดหมายมีคาเทากับ µ และคาความเบี่ยงเบนมาตรฐาน (standard deviation) ซึ่งในทางการเงินมักเรียกวา ความผันผวน (volatility) มีคาเทากับ σ(r ∼ N(µ, σ2))
คาคาดหมาย (mean) ของมูลคาของหลักทรัพย ณ เวลา t มีคาเทากับ
E [V (t)] = E[V0etr
]= V0E
[etr]
สังเกตไดวา E[etr]คือฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของตัวแปรสุมที่มีการแจกแจงแบบปกติ N
(µ, σ2
)ซึ่งมีคาเทากับ eµt+ 1
2σ2t2 (ดูสมการที่ 5 ประกอบ) ดังนั้น คาคาดหมาย (mean) ของมูลคาของหลักทรัพย ณ
เวลา t มีคาเทากับ
E [V (t)] = V0eµt+ 12σ2t2
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 8 / 40
ทฤษฎี: ความสมมาตรของการแจกแจงปกติTheorem (ความสมมาตรของการแจกแจงปกติ)สำหรับคาจำนวนจริง z ใดๆ
Φ(−z) = 1− Φ(z) (7)
และสำหรับ 0 < p < 1
Φ−1 (p) = −Φ−1 (1− p) (8)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 9 / 40
การพิสูจน: ความสมมาตรของการแจกแจงปกติProof.
เริ่มจากความสัมพันธที่วา
Pr (Z ≤ −z) + Pr (Z > −z) = 1
เนื่องจากการแจกแจงปกติเปนการแจกแจงที่สมมาตร (symmetric) ทำใหPr (Z > −z) = Pr (Z ≤ z) ดังนั้น
Pr (Z ≤ −z) + Pr (Z ≤ z) = 1 ⇒ Φ(−z) = 1− Φ(z)
สมการที่ 8 พิสูจนไดดวยการแทนคา z = Φ−1 (p) และสวนกลับของมัน Φ(z) = p ลงในดานซายและดานขวาสมการที่ 7 ตามลำดับ
Φ(−Φ−1 (p)
)= 1− p ⇒ −Φ−1 (p) = Φ−1 (1− p)
สอดคลองกับสมการที่ 8
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 10 / 40
ทฤษฎี: ความสัมพันธระหวางการแจกแจงปกติและการแจกแจงปกติมาตรฐาน
Theoremกำหนดให X เปนตัวแปรสุมที่มีแจกแจงปกติ (normal distribution) ดวยคาคาดหมาย (mean)µ และคาความแปรปรวน (variance) σ2 และกำหนดให F แทนฟงกชันความนาจะเปนสะสม(C.D.F.) ของ X ดังนั้น ตัวแปรสุม Z = X−µ
σ มีการแจกแจงปกติมาตรฐาน (standard normaldistribution) โดยที่ สำหรับคาจำนวนจริง x ใดๆ
F (x) = Φ
(x− µ
σ
)(9)
และสำหรับคาจำนวนจริง 0 < p < 1 ใดๆ
F−1 (p) = µ+ σΦ−1 (p) (10)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 11 / 40
ตัวอยาง: การหาความนาจะเปนของการแจกแจงแบบปกติExampleสมมุติใหตัวแปรสุม X มีการแจกแจงแบบปกติ ดวยดวยคาคาดหมาย (mean) µ = 10 และคาความแปรปรวน (variance) σ2 = 5 คำถามก็คือ ความนาจะเปนที่ X จะมีคาอยูในชวง 5 < X < 15 มีคาเทาใด?เริ่มจากการแปลงตัวแปรสุมใหเปนแบบปกติมาตรฐานดวยฟงกชัน Z = X−µ
σ
Pr (5 < X < 15) = Pr(5− 10
5<
X− 10
5<
15− 10
5
)= Pr (−1 < Z < 1)
ซึ่งสามารถเขียนในรูปของ Φ ไดเปน
Pr (−1 < Z < 1) = Pr (|Z| < 1) = Φ (1)− Φ (−1) ≈ 0.6826
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 12 / 40
ทฤษฎี: ฟงกชันเชิงเสน (linear) ของตัวแปรสุมปกติจะยังมีการแจกแจงปกติTheorem (ฟงกชันเชิงเสน (linear) ของตัวแปรสุมปกติจะยังมีการแจกแจงปกติ)ถา X เปนตัวแปรสุมที่มีการแจกแจงปกติ (normally distributed) ดวยคาคาดหมาย (mean) µ และคาความแปรปรวน (variance) σ2 และ Y = aX+ b สำหรับคาคงที่ a และ b โดยที่ a ̸= 0 แลว Y จะมีการแจกแจงปกติ (normally distributed) ดวยคาคาดหมาย (mean) aµ+ b และคาความแปรปรวน(variance) a2σ2
Proof.ฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของตัวแปรสุม X เทากับ
ψx (t) = eµt+ 12σ2t2
ดังนั้น ฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของตัวแปรสุม Y = aX + b เทากับ
ψy (t) = ebtψx (at) = ebteµat+ 12σ2a2t2 = e(aµ+b)t+ 1
2 (a2σ2)t2
ซึ่งเปนฟงกชันที่ตรงกับรูปแบบของฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของการแจกแจงปกติ ที่มี คาคาดหมาย (mean) aµ+ bและ คาความแปรปรวน (variance) a2σ2
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 13 / 40
ทฤษฎี: การแจกแจงปกติ (normally distributed) ของตัวแปรสุมที่เปนอิสระตอกัน
Theorem (ตัวแปรสุมที่เปนอิสระตอกัน)
ถาตัวแปรสุม X1, . . . , Xn เปนอิสระตอกัน และ Xi มีการแจกแจงปกติ (normally distributed)ดวยคาคาดหมาย (mean) µi และคาความแปรปรวน (variance) σ2i สำหรับ i = 1, . . . , nแลว Y =
∑ni=1 aiXi + b มีการแจกแจงปกติ (normally distributed) ดวยคาคาดหมาย
(mean) ∑ni=1 aiµi + b และคาความแปรปรวน (variance) ∑n
i=1 a2i σ2i
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 14 / 40
พิสูจน: การแจกแจงปกติ (normally distributed) ของตัวแปรสุมที่เปนอิสระตอกัน
Proof.ฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของ Xi เทากับ
ψi (t) = eµit+ 12σ2i t2
เนื่องจากตัวแปรสุมเหลานี้เปนอิสระตอกัน ฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของ Y เทากับ
ψY (t) =n∏
i=1
ebtψi (ait) =n∏
i=1
ebteµiait+ 12σ2i a2i t2 = e(
∑ni=1 aiµi+b)t+ 1
2(∑n
i=1 a2i σ2i )t2
ซึ่งบงบอกวา Y มีการแจกแจงปกติ (normally distributed) ดวยคาคาดหมาย (mean)∑ni=1 aiµi + b และคาความแปรปรวน (variance) ∑n
i=1 a2i σ2i
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 15 / 40
นิยาม: คาเฉลี่ยของตัวอยางสุม (random sample)
Definitionกำหนดให X1, . . . , Xn เปนตัวแปรสุม คาคาดหมายของตัวอยาง (sample mean) นิยามไดเปน
Xn =∑n
i=1 Xin (11)
หากพิจารณาจากขอมูล (observed data) n ตัวอยาง คาเฉลี่ย (average) นั้นหมายถึงx̄n =
∑ni=1 xin โดยที่ xi คือคาที่เกิดขั้นจริง (realized value) ของตัวแปรสุม Xi หรือคาตัว
แปรของตัวอยาง 1, . . . , nคาเฉลี่ย (average) x̄n คือสำเนาจากตัวอยาง (sample counterpart) ของคาคาดหมายของตัวอยาง (sample mean) Xn สิ่งที่แตกตางกันก็คือ คาเฉลี่ย (average) x̄n เปนจำนวนจริงคาหนึ่ง สวนคาคาดหมายของตัวอยาง (sample mean) Xn เปนตัวแปรสุม
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 16 / 40
ทฤษฎี: คาเฉลี่ยของตัวอยางสุม (random sample) ที่สุมมาจากการแจกแจงปกติ (normal distribution) จะมีการแจกแจงปกติTheoremสมมุติให X1, . . . , Xn เปนตัวแปรสุมที่นำไปสูตัวอยางสุม (random sample) ขนาด n และแตละตัวเปนตัวแปรสุมที่มีการแจกแจงปกติ (normally distributed) ดวยคาคาดหมาย (mean)µ และคาความแปรปรวน (variance) σ2 ดังนั้น คาคาดหมายของตัวอยาง (sample mean) Xnเปนตัวแปรสุมที่มีการแจกแจงปกติ (normally distributed) ดวยคาคาดหมาย (mean) µ และคาความแปรปรวน (variance) σ2
n นั่นคือ
Xn ∼ N(µ,σ2
n
)(12)
Proof.ทฤษฎีบทนี้เปนผลมาจากการประยุกตใชทฤษฎีบทที่แลวโดยกำหนดให ai = 1
n และ b = 0 ซึ่งชวยใหสรุปไดวา Xn =∑n
i=1 Xin
เปนตัวแปรสุมที่มีการแจกแจงปกติ (normally distributed) ดวย คาคาดหมาย (mean) ∑ni=1
1n µ = µ และ คาความ
แปรปรวน (variance) ∑ni=1
(1n)2σ2 = σ2
n
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 17 / 40
ความนาจะเปนและ σ
การประยุกตใชการแจกแจงปกติ (และการแจกแจงที) ในการทดสอบสมมุติฐานทำไดโดยงายI การใชงานในลักษณะของเกณฑมาตรฐาน (benchmark) คือ ที่สองเทาของคาเบี่ยงเบนมาตรฐาน 2σ
จะหมายถึงประมาณรอยละ 95I สามเทาของคาเบี่ยงเบนมาตรฐาน 3σ จะหมายถึงมากกวารอยละ 99I เกณฑมาตรฐานแบบนี้ชวยใหนักวิเคราะหสามารถอานผลการประมาณคาไดอยางรวดเร็วโดยไมตองพึ่ง
ตารางสถิติ
การแจกแจงอันหนึ่งที่เชื่อมโยงกับการแจกแจงปกติคือ การแจกแจงปกติดวยล็อก (lognormal distribution)ซึ่งหมายถึงการแจกแจงของตัวแปรสุมที่ล็อกการิธึมของตัวแปรนั้นมีการแจกแจงปกติ (normal distribution)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 18 / 40
นิยาม: การแจกแจงปกติดวยล็อก (lognormal distribution)Definitionถา ln X มีการแจกแจงปกติ (normal distribution) ดวยคาคาดหมาย (mean) µ และคาความแปรปรวน (variance) σ2 แลว ตัวแปรสุม X จะมีการแจกแจงปกติดวยล็อก (lognormaldistribution) ที่มีพารามิเตอร µ และ σ2
ฟงกชันความหนาแนนของความนาจะเปน (p.d.f.) ของตัวแปรสุม X ที่มีการแจกแจงปกติดวยล็อก (lognormal distribution) สำหรับพารามิเตอร µ และ σ2 เทากับ
f (x) =
1
x√2πσ2
e−(ln x−µ)2
2σ2 สำหรับ x > 0,
0, สำหรับกรณีอื่น(13)
ฟงกชันความนาจะเปนสะสม (C.D.F.) เทากับ
F (x) = Pr (X ≤ x) = Pr( ln X− µ
σ≤ ln x− µ
σ
)= Φ
( ln x− µ
σ
)(14)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 19 / 40
คาคาดหมาย (mean) และคาความแปรปรวน (variance)ของการแจกแจงปกติดวยล็อก (lognormal distribution)
การหาคาคาดหมาย (mean) และคาความแปรปรวน (variance) นั้นมีเทคนิคหนึ่งที่ชวยใหคำนวณหาคาไดงายคือ การใชฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของตัวแปรที่มีการแจกแจงปกติ ซึ่งในที่นี้หมายถึง Y = ln X
ψY (t) = E[etY
]= eµt+ 1
2σ2t2
สมการสุดทายเปนผลมาจากการที่ Y = ln X มีการแจกแจงปกติ (normal distribution) ดวยคาคาดหมาย (mean) µ และคาความแปรปรวน (variance) σ2 ในขณะเดียวกัน เราสามารถเขียนฟงกชันกอกำเนิดโมเมนต (m.g.f.) ในรูปของ X ไดเปน
ψY (t) = E[etY
]= E
[et ln X] = E
[Xt]
คาคาดหมายของ X เทากับ
E [X] = ψY (1) = eµ+ 12σ2
คาความแปรปรวนของ X เทากับ
Var [X] = E[X2
]− E [X]2 = ψY (2)− ψY (1)2
= e2µ+2σ2−
(eµ+ 1
2σ2
)2= e2µ+σ2
[eσ2
− 1]
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 20 / 40
ตัวอยาง: การคำนวณราคาอนุพันธเพื่อซื้อ (call options)Exampleสมมุติใหราคาหลักทรัพย ณ เวลา t, St , มีการแจกแจงปกติดวยล็อก (lognormal distribution) นั่นคือ St = S0eZt โดยที่ Zt มีการแจกแจงปกติ (normal distribution) ที่มีคาคาดหมาย (mean) µt และคาความแปรปรวน (variance) σ2t
ความสะดวกในการคำนวณ สามารถเขียน Zt ในรูปของตัวแปรสุมที่มีการแจกแจงปกติมาตรฐาน (standard normaldistribution) Z ไดเปน
Zt = µt + σ√
tZ
สามารถเขียนราคาหลักทรัพยในรูปการแจกแจงปกติมาตรฐาน (standard normal distribution) Z ไดเปน
St = S0eµt+σ√tZ
พิจารณาอนุพันธเพื่อซื้อ (call options) ซึ่งหมายถึงอนุพันธที่ใหสิทธิแกผูซื้อในการซื้อหลักทรัพยที่ราคาอางอิง (strike price)K ณ เวลาที่กำหนด T แตไมจำเปนตองใชสิทธิ์นั้นถาไมตองการ ดังนั้นมูลคา (value) ของอนุพันธเพื่อซื้อ (call option) ณเวลาที่กำหนด T มีคาเทากับ
V (S) = max {S − K, 0} =
{ S − K, ถา S > K0, ถาเปนอยางอื่น
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 21 / 40
วิธีทำ: การคำนวณราคาอนุพันธเพื่อซื้อ (call options)
Exampleการกำหนดราคาอนุพันธ (option pricing) ในที่นี้จะประยุกตใชหลักการเปนกลางตอความเสี่ยง (risk neutrality)กำหนดวา คาคาดหมายของมูลคาของหลักทรัพยควรจะมีคาเทากับผลลัพธที่ไดจากการฝากเงินแบบไมมีความเสี่ยงที่อัตราดอกเบี้ย r นั่นคือ ertS0 = E [St] ซึ่งมีผลทำใหสามารถสรุปไดวา
ertS0 = E[S0eµt+σ√tZ
]⇒ ert = eµt+σ2
2t ⇒ µ = r − σ2
2
หลักการเปนกลางตอความเสี่ยง (risk neutrality) ยังระบุวาราคาอนุพันธเพื่อซื้อ, C (K, T), ควรจะมีคาเทากับคาคาดหมายของมูลคาของอนุพันธที่ปรับสวนลด (discount) ดวยอัตราดอกเบี้ย r นั่นคือ
C (K, T) = e−rTE [V (ST)] = e−rTE [max {ST − K, 0}]
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 22 / 40
วิธีทำ: การคำนวณราคาอนุพันธเพื่อซื้อ (call options) Con’t
Exampleเพื่อจะคำนวณคาคาดหมายนี้ จำเปนตองแยกออกเปนสองกรณีคือ
1 กรณีที่ ST > K ซึ่งจะเปนจริงก็ตอเมื่อ
S0eµT+σ√
TZ> K ⇒ Z >
ln KS0
− µTσ√
T≡ z̄T
2 กรณีที่ ST > K ซึ่งจะเปนจริงก็ตอเมื่อ
Z <ln K
S0− µT
σ√
T≡ z̄T
ราคาอนุพันธเพื่อซื้อ (call options) ที่สามารถใชสิทธิ์ได ณ เวลา T ที่ราคาอางอิง (strike price) K มีคาเทากับ
C (K, T) = e−rTE [max {ST − K, 0}] = e−rT∫ ∞
z̄T
[S0eµT+σ
√Tz − K
]ϕ (z) dz (15)
= e−rT+µTS0∫ ∞
z̄Teσ
√Tzϕ (z) dz − Ke−rT
∫ ∞
z̄Tϕ (z) dz
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 23 / 40
วิธีทำ: การคำนวณราคาอนุพันธเพื่อซื้อ (call options), Black-ScholesModelExample
พิจารณาการอินทิเกรตในพจนแรกดานขวา ดังนี้
∫ ∞
z̄Teσ
√Tzϕ (z) dz =
∫ ∞
z̄Teσ
√Tz 1
√2π
e−z22 dz = e
σ2
2T∫ ∞
z̄T
1√
2πe−
(z−σ√
T)22 dz
= eσ2
2T∫ ∞
z̄T−σ√
T
1√
2πe−
z22 dz = e
σ2
2T [
1 − Φ(̄zT − σ
√T)]
= eσ2
2TΦ
(σ√
T − z̄T)
เปนผลมาจากการเปลี่ยนรูปใหเปนกำลังสองสัมบูรณ สวนสมการที่สามเปนผลมาจากการเปลี่ยนตัวแปรอินทิเกรตจาก z เปน z − σ√
T และ สมการสุดทายเปนผลมาจากคุณสมบัติความสมมาตรของการแจกแจงปกติมาตรฐาน เมื่อแทนคากลับเขาไปในสมการราคาอนุพันธเพื่อซื้อ (call options) จะไดวา
C (K, T) = e−rT+µTS0eσ2
2TΦ
(σ√
T − z̄T)− Ke−rT
Φ (−z̄T)
= e−rT+µT+σ2
2TΦ
(σ√
T − z̄T)− Ke−rT
Φ (−z̄T)
C (K, T) = S0Φ(σ√
T − z̄T)− Ke−rT
Φ (−z̄T)
เมื่อแทนคา µ = r − σ2
2และ z̄T =
ln KS0
−(r−σ2
2
)T
σ√
T
สมการนี้คือสมการที่มีชื่อเสียงของ Black-Scholes สำหรับการกำหนดราคาอนุพันธ (option pricing)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 24 / 40
ฟงกชันความหนาแนนของความนาจะเปน (p.d.f.) ของการแจกแจงปกติมาตรฐานหลายตัวแปร (Multivariate Normal Distribution)
สิ่งที่ขาดหายไปจากฟงกชันความหนาแนนความนาจะเปน (p.d.f.) ของตัวแปรสุมตัวเดียว คือ ความแปรปรวน (covariance) หรือสหสัมพันธ (correlation) ซึ่งจะปรากฏในกรณีที่มีตัวแปรหลายตัวเริ่มจากตัวแปรสุมปกติมาตรฐานที่เปนอิสระตอกัน ซึ่งเขียนแทนดวยเวคเตอรสุม (random vector)Z = [Z1, . . . , Zn]
′โดยที่ X′ หมายถึง เมทริกซสลับเปลี่ยน (transpose matrix) ของ X และ
Zi ∼ N (0, 1) มีการแจกแจงปกติมาตรฐาน (standard normal) และเปนอิสระตอกัน(independent)นั่นคือตัวแปรสุมเหลานี้มีการแจกแจงเหมือนกันและเปนอิสระตอกัน (identically andindependently distributed หรือ i.i.d.) ซึ่งในกรณีที่การแจกแจงเปนแบบปกติมาตรฐาน สามารถเขียนแทนดวย Z ∼ N (0, In)ฟงกชันความหนาแนนของความนาจะเปน (p.d.f.) ของ Z คือ
f (z) =n∏
i=1
ϕ (zi) =n∏
i=1
(1
2π
) 12
exp{−1
2z2i}
=
(1
2π
) n2
exp{−1
2
n∑i=1
z2i}
=1
(2π)n2
exp{−1
2z′z
}(16)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 25 / 40
ฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของการแจกแจงปกติมาตรฐานหลายตัวแปร (Multivariate Normal Distribution)
สมการขางตนเปนผลมาจากการที่ตัวแปรทั้งหมดมีการแจกแจงปกติมาตรฐานเหมือนกันและเปนอิสระตอกัน (i.i.d.)ชัดเจนวา คาคาดหมาย (mean) และเมทริกซของคาความแปรปรวนรวม (covariance matrix)ของ Z มีคาเทากับ 0 และ In ตามลำดับสวนฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของ Z สามารถเขียนไดเปน
ψz (t) = E[exp
{Z′ t
}]= E
[exp
{ n∑i=1
Ziti}]
= E[ n∏
i=1
exp {Ziti}]
=
n∏i=1
E [exp {Ziti}] =n∏
i=1
ψz (ti) =n∏
i=1
e 12 t2i
= exp{1
2
n∑i=1
t2i}
= exp{1
2t′ t}
(17)
เราสามารถสรางเวคเตอรของตัวแปรสุมปกติ (normal random vector) X ที่มีคาคาดหมาย(mean) เทากับ µ และเมทริกซของคาความแปรปรวนรวม (covariance matrix) เทากับ Σ
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 26 / 40
การสรางเวคเตอรของตัวแปรสุมปกติ (normal random vector) ของการแจกแจงปกติหลายตัวแปร (Multivariate Normal Distribution)
ในการสรางเวคเตอรของตัวแปรสุมปกติ (normal random vector) จะคลายกับตัวแปรสุมตัวเดียวที่มีการแจกแจงปกติแบบมาตรฐาน แตมี ความยุงยากทางเทคนิค ในการนิยามคาความเบี่ยงเบนในรูปของเมทริกซ ซึ่งตองใชเทคนิคที่เรียกวา การแยกสวนสเปกตรัล (spectral decomposition)เริ่มจากคุณสมบัติที่สำคัญอันหนึ่งของเมทริกซของคาความแปรปรวนรวม (variance-covariance matrix) Σ คือมันเปน เมทริกซจัตุรัสและสมมาตร (symmetric square matrix) และ คุณสมบัติเปนบวกเกือบแนนอน (positivesemidefinite) ซึ่งทำใหสามารถใชหลักการทางพีชคณิตเชิงเสน (linear algebra) แยกสวน Σ ออกไดเปน
Σ = Γ′ΛΓ (18)
โดยที่ Λ เปนเมทริกซแนวทแยง (diagonal matrix)
Λ =
λ1 0 · · · 0 00 λ2 · · · 0 0...
.... . .
......
0 0 · · · λn−1 00 0 · · · 0 λn
(19)
และ Γ เปนเมทริกซตั้งฉาก (orthogonal matrix) นั่นคือ Γ−1 = Γ′
สรุปไดวา Γ′Γ = I โดยทั่วไปเพื่อความสะดวก เรามักจะเรียงลำดับ λi จากมากไปหานอย นั่นคือ
λ1 ≥ λ2 ≥ · · · ≥ λn ≥ 0 และเรียก λi แตละตัววา คาลักษณะเฉพาะ (eigenvalue) สวนคอลัมนที่ i แตละอัน(สอดคลองกับ λi) ซึ่งแทนดวย γ i มักเรียกวาเวคเตอรลักษณะเฉพาะ (eigenvector) ของ Σ
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 27 / 40
การสรางเวคเตอรของตัวแปรสุมปกติ (normal random vector) ของการแจกแจงปกติหลายตัวแปร (Multivariate Normal Distribution) Con’ t
จากการที่ เราสามารถเขียนเมทริกซของคาความแปรปรวนรวม (variance-covariance matrix) Σ ในรูปของคาลักษณะเฉพาะ (eigenvalue) และเวคเตอรลักษณะเฉพาะ (eigenvector) ไดดังนี้
Σ = Γ′ΛΓ =
n∑i=1
λiγ iγ′i (20)
ประโยชนที่สำคัญของการแยกสวนนี้ก็คือ การไดมาซึ่งเมทริกซแนวทแยง (diagonal matrix) Λ ซึ่งคาลักษณะเฉพาะ(eigenvalue) λi แตละคามีคาไมติดลบ (nonnegative) ซึ่งชวยใหสามารถนิยามรากที่สอง (square root) ของ Λ ไดเปน
Λ12 =
√λ1 0 · · · 0 00
√λ2 · · · 0 0
......
. . ....
...0 0 · · ·
√λn−1 0
0 0 · · · 0√λn
(21)
ซึ่งมีคุณสมบัติคลายกับรากกำลังสองของจำนวนจริง นั่นคือ
Λ12 Λ
12 = Λ (22)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 28 / 40
การสรางเวคเตอรของตัวแปรสุมปกติ (normal random vector) ของการแจกแจงปกติหลายตัวแปร (Multivariate Normal Distribution) Con’ t
เราสามารถเขียนสมการการแยกสวนสเปกตรัล (spectral decomposition) ใหมไดเปน
Σ = Γ′Λ
12 Λ
12 Γ =
(Γ
′Λ
12 Γ
)(Γ
′Λ
12 Γ
)(23)
ใชคุณสมบัติการตั้งฉาก (orthogonal) ของเมทริกซ Γ นั่นคือ ΓΓ′= I ผลที่ตามมาจากสมการที่ 23 คือ ทำใหสามารถ
นิยามรากที่สอง (square root) ของ Σ ไดเปน
Σ12 = Γ
′Λ
12 Γ (24)
หากเมทริกซของคาความแปรปรวนรวม (variance-covariance matrix) Σ เปนบวกแนนอน (positive definite หรือp.d.) แลวคาลักษณะเฉพาะ (eigenvalue) มีคาเปนบวกทุกคา นั่นคือ λi > 0 สำหรับทุกๆ i = 1, . . . , n ซึ่งมีผลทำใหคาดีเทอรมิแนนต (determinant) ของ Λ 1
2 มีคามากกวาศูนยอยางแนนอน ทำใหสามารถหาเมทริกซสวนกลับ (inversematrix) ของ Λ 1
2 ได ดังนั้น จึงสามารถนิยามเมทริกซสวนกลับ (inverse matrix) ของ Σ 12 ไดเปน
Σ− 12 = Γ
′Λ− 1
2 Γ (25)
โดยที่ Λ− 12 แทนเมทริกซสวนกลับ (inverse matrix) ของ Λ 1
2
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 29 / 40
ฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของการแจกแจงปกติหลายตัวแปร(Multivariate Normal Distribution)
สรางเวคเตอรของตัวแปรสุมปกติ (normal random vector) X ∼ N (µ,Σ) ที่มีคาคาดหมาย (mean) เทากับ µ และเมทริกซของคาความแปรปรวนรวม (covariance matrix) เทากับ Σ โดยกำหนดให
X = Σ12 Z+ µ (26)
ฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของ X เทากับ
ψx (t) = E[exp
{X′ t
}]= E
[exp
{(Σ
12 Z+ µ
)′
t}]
= exp{µ
′ t}
E[exp
{Z′ (
Σ12 t)}]
= exp{µ
′ t}
exp{1
2
(Σ
12 t)′ (
Σ12 t)}
= exp{µ
′ t+ 1
2t′Σt
}(27)
ประยุกตใชฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของ Z ในสมการที่ 17 โดยใช Σ 12 t แทน t สังเกตดวยวา ฟงกชันกอกำเนิด
โมเมนต (m.g.f.) ในที่นี้สามารถหาคาไดตราบเทาที่เมทริกซของคาความแปรปรวนรวม (variance-covariance matrix) Σเปนบวกเกือบแนนอน (p.s.d.) ในขณะที่ ฟงกชันความหนาแนนของความนาจะเปน (p.d.f.) ของ X จะหาคาไดก็ตอเมื่อ Σ
เปนบวกแนนอน (p.d.) ทั้งนี้เพราะการแปลงฟงกชันความหนาแนนของความนาจะเปน (p.d.f.) จำเปนตองใชคาดีเทอรมิแนนต (determinant) ของ Σ− 1
2
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 30 / 40
ฟงกชันความหนาแนนของความนาจะเปน (p.d.f.) ของการแจกแจงปกติหลายตัวแปร (Multivariate Normal Distribution)
หาก Σ เปนบวกแนนอน (p.d.) แลว จะสามารถเขียนสมการที่ 26 ใหมไดเปน
Z = Σ− 12 (X− µ) (28)
ดังนั้น ฟงกชันความหนาแนนของความนาจะเปน (p.d.f.) ของ X คือ
f (x) = 1
(2π)n2 | detΣ|
12
exp{−1
2(x− µ)
′Σ−1 (x− µ)
}(29)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 31 / 40
ทฤษฎี: ความสัมพันธเชิงเสนของการแจกแจงปกติหลายตัวแปร(Multivariate Normal Distribution)Theoremกำหนดให X เปนเวคเตอรของตัวแปรสุม n ตัว ซึ่งมีการแจกแจงรวมแบบปกติ นั่นคือX ∼ N (µ,Σ) และ Y = AX+ b โดยที่ A เปนเมทริกซของคาคงที่ขนาด m× n และ b เปนเวคเตอรของคาคงที่ m ตัว แลว Y ∼ N
(Aµ+ b,AΣA′
)Proof.ฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของ Y เทากับ
ψy (t) = E[exp
{Y′ t
}]= E
[exp
{(AX+ b)′ t
}]= exp
{b′ t
}E[exp
{X′ (A′ t
)}]= exp
{b′ t
}exp
{µ
′ (A′ t)+
1
2
(A′ t
)′
Σ(A′ t
)}= exp
{(Aµ+ b)′ t+ 1
2t′(AΣA′) t
}
นั่นคือ Y ∼ N(Aµ+ b, AΣA′
)รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 32 / 40
ประโยชนในการแปลงตัวแปรสุมในรูปแบบฟงกชันเชิงเสน (lineartransformation)
ทฤษฎีบทดานบนยังชวยใหสามารถหาการแจกแจงของตัวแปรสุมเพียงบางสวนในกรณีที่การแจกแจงรวมเปนแบบปกติ โดยเริ่มจากการที่สามารถแบงเวคเตอร X ออกไดเปนสองสวน คือ
X =
[XmXk
](30)
โดยที่ Xm คือเวคเตอรของตัวแปรสุมที่สนใจ โดยในที่นี้กำหนดใหมีขนาด m ในขณะที่ตัวแปรสุม Xkมีขนาด k = n−mกำหนดให b = 0 และ
A =
[Imm 0mk0km 0kk
](31)
จะทำใหฟงกชันที่เกิดจากการแปลงคาโดยใช A และ b เทากับ
Y =[Imm 0mk
] [XmXk
]= Xm
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 33 / 40
สรุป: การแปลงตัวแปรสุมในรูปแบบฟงกชันเชิงเสน (lineartransformation)
เราสามารถแบง คาคาดหมาย (mean) และเมทริกซความแปรปรวนรวม (variance-covariance matrix) ของ X ไดเปน
µ =
[µmµk
](32)
และ
Σ =
[Σmm ΣmkΣkm Σkk
](33)
โดยที่ Σmk คือเมทริกซความแปรปรวนรวม (variance-covariance matrix) ระหวาง Xm และ Xkคาคาดหมาย (mean) และเมทริกซความแปรปรวนรวม (variance-covariance matrix) ของ Y สามารถแบงสวนไดเปน[Imm 0mk
] [µmµk
]= µm (34)
และ [Imm 0mk] [Σmm Σmk
Σkm Σkk
] [ Imm0mk
]= Σmm (35)
สรุปไดวา Y = Xm ∼ N (µm,Σmm) กลาวคือ การแจกแจงรวมเปนแบบปกติ แลวการแจกแจงของตัวแปรสุมบางสวนก็จะมีการแจกแจงปกติเชนกัน โดยที่คาคาดหมาย (mean) และคาความแปรปรวน (variance) ของชุดตัวแปรบางสวนสามารถหาไดจากคาสถิติของตัวแปรสุมทั้งหมดไดไมยากนัก
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 34 / 40
ตัวอยาง: การหาฟงกชันความหนาแนนของความนาจะเปนรวม (p.d.f.)ของ X1 และ X2Exampleพิจารณาตัวแปรสุมสองตัว X1 และ X2 ที่มีการแจกแจงปกติ (normally distributed) ดวยคาคาดหมาย (µ1, µ2) และเมทริกซความแปรปรวนรวม (variance-covariancematrix)
Σ =
[σ21 σ12
σ12 σ22
]
จะเห็นไดวา det Σ = σ21σ
22 − σ2
12 = σ21σ
22
(1 − ρ2
)โดยที่ ρ แทนคาสหสัมพันธระหวาง X1 และ X2 ดังนั้น สวนกลับ (inverse) ของ Σ เทากับ
Σ−1
=1
σ21σ
22
(1 − ρ2
) [σ22 −σ12
−σ12 σ21
]
สามารถคำนวณไดวา
(x − µ)′Σ
−1(x − µ) = [x1 − µ1, x2 − µ2]
1
σ21σ
22
(1 − ρ2
) [σ22 −σ12
−σ12 σ21
] [x1 − µ1x2 − µ2
]
=1
1 − ρ2
[( x1 − µ1
σ1
)2− 2ρ
( x1 − µ1
σ1
)( x2 − µ2
σ2
)+
( x2 − µ2
σ2
)2]
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 35 / 40
วิธีทำ: การหาฟงกชันความหนาแนนของความนาจะเปนรวม (p.d.f.) ของX1 และ X2Example
ฟงกชันความหนาแนนของความนาจะเปนรวม (p.d.f.) ของ X1 และ X2 คือ
f (x1, x2) =1
2πσ1σ2√
1 − ρ2e−
Q2 (36)
โดยที่
Q =1
1 − ρ2
[( x1 − µ1
σ1
)2− 2ρ
( x1 − µ1
σ1
)( x2 − µ2
σ2
)+
( x2 − µ2
σ2
)2](37)
ถา ρ = 0 แลว ฟงกชันความหนาแนนของความนาจะเปนรวม (p.d.f.) ของ X1 และ X2 คือ
f (x1, x2) =1
2πσ1σ2√
1 − ρ2exp
{−
1
2
[( x1 − µ1
σ1
)2+
( x2 − µ2
σ2
)2]}
=
1√2πσ2
1
e− 1
2
( x1−µ1σ1
)2 1√
2πσ22
e− 1
2
( x2−µ2σ2
)2 = f1 (x1) f2 (x2)
หมายความวา X1 และ X2 เปนอิสระตอกัน กลาวคือ ในกรณีของการแจกแจงปกติ (normal distribution) การไมมีสหสัมพันธ (uncorrelated) หมายถึงการเปนอิสระตอกัน (independent) ดวย
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 36 / 40
ทฤษฎี: ความเปนอิสระตอกัน (independent) ของตัวแปรสุมTheoremกำหนดให X ∼ N (µ,Σ) และสามารถแยกสวนไดเปนสองสวนคือ X = (Xm, Xk) ซึ่งสอดคลองกับสมการที่ 30, 32, และ 33 ดังนั้น Xm และ Xk เปนอิสระตอกัน(independent) ก็ตอเมื่อ (if and only if) Σmk = 0
Proof.พิจารณาฟงกชันกอกำเนิดโมเมนต (m.g.f.) ของ X ในรูปของ tm และ tk
ψ (tm, tk) = exp{µm′tm + µk′tk +
1
2
[t′mΣmmtm + t
′kΣmmtk + t
′mΣmktk + t
′kΣkmtm
]}= exp
{µm′tm + µk′tk +
1
2
[t′mΣmmtm + t
′kΣmmtk
]}exp
{1
2
[t′mΣmktk + t
′kΣkmtm
]}(38)
ψ (tm, tk) = exp{µm′tm +
1
2
[t′mΣmmtm
]}exp
{µk′tk +
1
2
[t′kΣmmtk
]}= exp
{µm′tm + µk′tk +
1
2
[t′mΣmmtm + t
′kΣmmtk
]}(39)
exp{
1
2
[t′mΣmktk + t
′kΣkmtm
]}= 1 ⇒ t
′mΣmktk + t
′kΣkmtm = 0
ซึ่งจะเปนจริงก็ตอเมื่อ Σmk = Σ′km = 0
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 37 / 40
ทฤษฎี: การแจกแจงแบบมีเงื่อนไข (conditional distribution) เปนการแจกแจงแบบปกติ (normal)
Theoremกำหนดให X ∼ N (µ,Σ) และสามารถแยกสวนไดเปนสองสวนคือ X = (Xm, Xk) ซึ่งสอดคลองกับสมการที่ 30, 32, และ 33 และสมมุติวา Σ เปนบวกแนนอน (positive definite)ดังนั้น การแจกแจงแบบมีเงื่อนไข (conditional distribution) ของ Xm เมื่อทราบ Xk เปนแบบปกติ (normal) นั่นคือ
Xm∣∣Xk ∼ N
(µm +ΣmkΣ−1
kk (Xk − µk) ,Σmm −ΣmkΣ−1kk Σkm
)(40)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 38 / 40
การพิสูจน: การแจกแจงแบบมีเงื่อนไข (conditional distribution)เปนการแจกแจงแบบปกติ (normal)Proof.
กำหนดให W = Xm − ΣmkΣ−1kk Xk และ
[WX2
]=
[Im −ΣmkΣ
−1kk
0 Ik
] [X1X2
]
คำนวณหาเมทริกซของคาความแปรปรวน (variance-covariance matrix) ไดเปน
[Im −ΣmkΣ
−1kk
0 Ik
] [Σmm ΣmkΣkm Σkk
] [ Im 0
−ΣmkΣ−1kk Ik
]=
[Σmm − ΣmkΣ
−1kk Σkm 0
0 Σkk
]
เห็นไดวา W และ Xk เปนอิสระตอกัน (independent) ดังนั้น การแจกแจงแบบมีเงื่อนไข W∣∣Xk จะเหมือนกับการแจกแจงของ W ซึ่งเปนการแจกแจงปกติ
(normal distribution) ดวยคาคาดหมาย (mean) เทากับ µm − ΣmkΣ−1kk µk และสามารถสรุปไดวา
W∣∣Xk ∼ N
(µm − ΣmkΣ
−1kk µk,Σmm − ΣmkΣ
−1kk Σkm
)
ในขณะเดียวกัน เนื่องจากสิ่งที่เราสนใจคือการแจกแจงแบบมีเงื่อนไขเมื่อทราบ Xk ดังนั้น การบวกเพิ่มดวยฟงกชันของ Xk เขาไปยอมมีผลตอเชนเดียวกับการบวกเพิ่มดวยคาคงที่ ซึ่งมีผลตอคาคาดหมาย แตไมมีผลตอคาความแปรปรวนเราสามารถคำนวณหา Xm ไดจาก W + ΣmkΣ
−1kk Xk = Xm ดังนั้น การแจกแจงแบบมีเงื่อนไข (conditional distribution) ของ Xm เมื่อทราบ Xk เทากับ
Xm∣∣Xk ∼ N
(µm − ΣmkΣ
−1kk µk + ΣmkΣ
−1kk Xk,Σmm − ΣmkΣ
−1kk Σkm
)รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 39 / 40
ตัวอยาง: การคำนวณหาคาคาดหมายแบบมีเงื่อนไข (conditional mean)Exampleเชนเดียวกับตัวอยางที่แลว สมมุติใหตัวแปรสุม X1 และ X2 มีการแจกแจงปกติ (normally distributed) ดวยคาคาดหมาย(µ1, µ2) และเมทริกซความแปรปรวนรวม (variance-covariance matrix)
Σ =
[σ21 σ12σ12 σ2
2
]
ใชสมการที่ 40 เพื่อคำนวณหาคาคาดหมายแบบมีเงื่อนไข (conditional mean) ของ X1 เมื่อทราบ X2 = x2 ไดเปน
E [X1|X2 = x2] = µ1 +Σ12Σ−122 (X2 − µ2) = µ1 + (ρσ1σ2)
(σ22
)−1(x2 − µ2)
= µ1 + ρσ1
σ2(x2 − µ2)
ฟงกชันเชิงเสน (linear function) ของ x2 สังเกตวาเราไมไดกำหนดหรือบังคับใหคาคาดหมายแบบมีเงื่อนไข (conditionalmean) นี้มีความสัมพันธเชิงเสนแตอยางใด แตคุณสมบัติของการแจกแจงปกติ นอกจากนี้ ยังสามารถเขียนในรูปของตัวแปรสุมไดเปน
E [X1|X2] = µ1 + ρσ1
σ2(X2 − µ2) (41)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Popular Distributions 40 / 40