Continuous distributions and their properties

บทนำสู่การแจกแจงแบบต่อเนื่อง (Introduction to Continuous Distributions)

ยินดีต้อนรับเข้าสู่หนึ่งในบทที่สำคัญที่สุดในการเรียน CS1 ของคุณ! ในบทก่อนหน้านี้ เราได้ทำความรู้จักกับการแจกแจงแบบไม่ต่อเนื่องไปแล้ว ซึ่งเป็นเรื่องของตัวแปรที่เราใช้วิธี "นับ" (เช่น จำนวนครั้งของการเคลมสินไหม) ในตอนนี้เราจะก้าวเข้าสู่โลกของตัวแปรแบบ ต่อเนื่อง ซึ่งเป็นเรื่องของการ "วัด" สิ่งต่าง ๆ ลองนึกถึงเวลาที่แน่นอนจนกว่าจะเกิดอุบัติเหตุรถยนต์ครั้งถัดไป หรือจำนวนเงินค่าสินไหมทดแทนที่แน่นอน เนื่องจากค่าเหล่านี้เป็นอะไรก็ได้ (เช่น 124.50 หรือ 124.5023...) เราจึงใช้การแจกแจงแบบต่อเนื่องในการสร้างแบบจำลอง

ไม่ต้องกังวลนะหากรู้สึกว่าเนื้อหาส่วนนี้ดูยากในตอนแรก! แม้ว่าคณิตศาสตร์จะเกี่ยวข้องกับแคลคูลัสบ้าง แต่แนวคิดหลักนั้นเรียบง่ายมาก นั่นคือเรากำลังดูลักษณะ "รูปร่าง" (shape) ของข้อมูลในช่วงใดช่วงหนึ่ง เมื่ออ่านโน้ตชุดนี้จบ คุณจะคุ้นเคยกับ "เครื่องมือทางคณิตศาสตร์ประกันภัย" ของการแจกแจงต่าง ๆ ที่ใช้ในการพยากรณ์อนาคต

หมายเหตุ: สำหรับวิธีการคำนวณโมเมนต์ (Moments) หรือการใช้ฟังก์ชันสร้างโมเมนต์ สามารถดูได้ในบท "Moment and cumulant generating functions" และสำหรับการใช้ "วิธีแปลงผันกลับ" (Inverse transform method) เพื่อสร้างตัวแปรเหล่านี้ สามารถดูได้ในบท "The Poisson process and simulation"

1. พื้นฐานสำคัญ: PDF และ CDF

ในโลกของตัวแปรต่อเนื่อง ความน่าจะเป็นที่ตัวแปรสุ่ม \(X\) จะมีค่า เท่ากับ ค่าใดค่าหนึ่งโดยเฉพาะนั้นจะเป็นศูนย์เสมอ: \(P(X = x) = 0\) ดังนั้น เราจะพูดถึงความน่าจะเป็นที่ \(X\) จะตกอยู่ใน ช่วง ใดช่วงหนึ่งแทน

• ฟังก์ชันความหนาแน่นของความน่าจะเป็น (PDF), \(f(x)\): แสดงถึง "ความสูง" ของเส้นโค้ง โดยพื้นที่ทั้งหมดใต้เส้นโค้งนี้ต้องเท่ากับ 1
• ฟังก์ชันการแจกแจงสะสม (CDF), \(F(x)\): คือความน่าจะเป็นที่ \(X\) จะมีค่าน้อยกว่าหรือเท่ากับค่า \(x\) ใด ๆ เขียนแทนด้วย: \(F(x) = P(X \le x)\)

เคล็ดลับ: ในการหาความน่าจะเป็นระหว่างจุดสองจุด \(a\) และ \(b\) คุณเพียงแค่คำนวณจาก \(F(b) - F(a)\)

2. การแจกแจงแบบสม่ำเสมอ (Uniform Distribution)

การแจกแจงแบบสม่ำเสมอ เป็นการแจกแจงแบบต่อเนื่องที่เรียบง่ายที่สุด โดยสมมติว่าทุก ๆ ช่วงที่มีความยาวเท่ากันภายในช่วง \([a, b]\) มีโอกาสเกิดขึ้นเท่ากันหมด ลองจินตนาการถึงลูกศรหมุนที่สมดุลอย่างสมบูรณ์ ซึ่งมีโอกาสที่จะหยุดที่ 0.1 เท่ากับโอกาสที่จะหยุดที่ 0.9

คุณสมบัติหลักสำหรับ \(X \sim U(a, b)\):

• PDF: \(f(x) = \frac{1}{b-a}\) สำหรับ \(a \le x \le b\)
• ค่าเฉลี่ย (Mean): \(E(X) = \frac{a+b}{2}\) (อยู่ตรงกลางพอดี!)
• ความแปรปรวน (Variance): \(Var(X) = \frac{(b-a)^2}{12}\)

3. การแจกแจงแบบเอกซ์โพเนนเชียล (Exponential Distribution)

การแจกแจงแบบเอกซ์โพเนนเชียล คือการแจกแจงของ "ระยะเวลารอคอย" นักคณิตศาสตร์ประกันภัยใช้สิ่งนี้เพื่อสร้างแบบจำลองของระยะเวลาระหว่างเหตุการณ์ที่เป็นอิสระต่อกัน เช่น ระยะเวลาระหว่างที่มีลูกค้าโทรเข้าศูนย์บริการลูกค้าสองสายที่ติดกัน

คุณสมบัติหลักสำหรับ \(X \sim Exp(\lambda)\):

• PDF: \(f(x) = \lambda e^{-\lambda x}\) สำหรับ \(x > 0\)
• CDF: \(F(x) = 1 - e^{-\lambda x}\)
• ค่าเฉลี่ย (Mean): \(E(X) = \frac{1}{\lambda}\)
• ความแปรปรวน (Variance): \(Var(X) = \frac{1}{\lambda^2}\)

รู้หรือไม่? การแจกแจงแบบเอกซ์โพเนนเชียลมีสมบัติ "ไร้ความจำ" (Memoryless) ซึ่งหมายความว่าหากคุณรอการเคลมสินไหมมาแล้ว 10 นาที ความน่าจะเป็นที่จะต้องรอต่อไปอีก 5 นาที จะเท่ากับความน่าจะเป็นที่คุณเพิ่งเริ่มรอตั้งแต่ต้นพอดี! (หมายเหตุ: นี่เป็นสมบัติพิเศษที่มีเฉพาะในการแจกแจงแบบต่อเนื่องประเภทนี้เท่านั้น)

4. การแจกแจงแบบปกติ (Normal Distribution)

การแจกแจงแบบปกติ หรือ "โค้งรูประฆังคว่ำ" เป็นการแจกแจงที่มีชื่อเสียงที่สุดในทางสถิติ มีลักษณะสมมาตรและกำหนดโดยค่าเฉลี่ย (\(\mu\)) และความแปรปรวน (\(\sigma^2\))

คุณสมบัติหลักสำหรับ \(X \sim N(\mu, \sigma^2)\):

• ค่าเฉลี่ย (Mean): \(E(X) = \mu\)
• ความแปรปรวน (Variance): \(Var(X) = \sigma^2\)
• การทำให้เป็นมาตรฐาน (Standardization): เรามักจะแปลง \(X\) ให้เป็นตัวแปร ปกติมาตรฐาน \(Z \sim N(0, 1)\) โดยใช้สูตร: \(Z = \frac{X - \mu}{\sigma}\)

ข้อผิดพลาดที่พบบ่อย: เมื่อใช้สูตร \(Z = \frac{X - \mu}{\sigma}\) อย่าลืมว่า \(\sigma\) คือ ส่วนเบี่ยงเบนมาตรฐาน (รากที่สองของความแปรปรวน) นักศึกษามักจะลืมถอดรากที่สองกันบ่อยมาก!

5. การแจกแจงแบบล็อกปกติ (Lognormal Distribution)

หาก ลอการิทึมธรรมชาติ ของตัวแปรมีการแจกแจงแบบปกติ ตัวแปรนั้นเองจะมีการแจกแจงแบบ ล็อกปกติ การแจกแจงนี้เป็นที่นิยมมากในวงการประกันภัยเพื่อใช้จำลองขนาดของค่าสินไหมทดแทน เนื่องจากมีลักษณะ "เบ้" (skewed) ซึ่งหมายความว่ามันมีส่วนหางที่ยาวไปทางขวาสำหรับกรณีการเคลมที่เกิดขึ้นยากแต่มีมูลค่าสูงมาก

นิยาม: ถ้า \(Y \sim N(\mu, \sigma^2)\) แล้ว \(X = e^Y\) จะเป็นการแจกแจงแบบล็อกปกติ

6. การแจกแจงแบบแกมมา (Gamma Distribution)

การแจกแจงแบบแกมมา มีความยืดหยุ่นมากกว่าแบบเอกซ์โพเนนเชียล ในขณะที่เอกซ์โพเนนเชียลใช้จำลองเวลาจนกว่าจะเกิดเหตุการณ์ แรก แต่แกมมาสามารถใช้จำลองเวลาจนกว่าจะเกิดเหตุการณ์ที่ \(n\) ได้

พารามิเตอร์: โดยปกติจะมีพารามิเตอร์รูปร่าง (\(\alpha\)) และพารามิเตอร์อัตรา (\(\lambda\))

• ค่าเฉลี่ย (Mean): \(E(X) = \frac{\alpha}{\lambda}\)
• ความแปรปรวน (Variance): \(Var(X) = \frac{\alpha}{\lambda^2}\)

หมายเหตุ: หาก \(\alpha = 1\) การแจกแจงแบบแกมมาจะกลายเป็นการแจกแจงแบบเอกซ์โพเนนเชียลนั่นเอง!

7. การแจกแจงแบบเบต้า (Beta Distribution)

การแจกแจงแบบเบต้า มีความพิเศษเพราะถูกกำหนดในช่วงที่จำกัด โดยมักจะเป็นช่วง \([0, 1]\) ทำให้เหมาะอย่างยิ่งสำหรับการสร้างแบบจำลองเกี่ยวกับ สัดส่วน หรือ เปอร์เซ็นต์ เช่น เปอร์เซ็นต์ของความเสียหายที่ได้รับความคุ้มครองภายใต้สัญญาประกันภัยต่อฉบับใดฉบับหนึ่ง

8. การแจกแจงสำหรับการอนุมานเชิงสถิติ

การแจกแจงสามประเภทต่อไปนี้ใช้เป็นหลักในการทำ "การทดสอบ" ข้อมูล คุณจะได้พบกับสิ่งเหล่านี้มากขึ้นในส่วน การอนุมานเชิงสถิติ (Statistical Inference) ของหลักสูตร

• ไคสแควร์ (\(\chi^2\)): เป็นกรณีพิเศษของการแจกแจงแบบแกมมา ใช้ในการทดสอบว่าแบบจำลองนั้นเหมาะสมกับข้อมูลเพียงใด (Goodness of Fit)
• การแจกแจงแบบที (t-distribution): มีลักษณะคล้ายการแจกแจงปกติแต่มี "หางที่หนากว่า" (fatter tails) เราใช้เมื่อมีขนาดตัวอย่างน้อยและไม่ทราบค่าความแปรปรวนที่แท้จริงของประชากร
• การแจกแจงแบบเอฟ (F-distribution): ใช้สำหรับการเปรียบเทียบความแปรปรวนสองชุด เพื่อดูว่ามีความแตกต่างกันอย่างมีนัยสำคัญหรือไม่

9. การหาค่าควอนไทล์และความน่าจะเป็น

ในการสอบ CS1 คุณจะต้องสามารถหาค่าความน่าจะเป็น (เช่น \(P(X < 10)\)) หรือ ควอนไทล์ (ค่า \(x\) ที่ทำให้ \(P(X < x) = 0.95\))

Paper A (การคำนวณด้วยมือ/การใช้ตาราง)

สำหรับ Paper A คุณมักจะต้องใช้หนังสือ Formulae and Tables สำหรับการแจกแจงแบบปกติ คุณจะเปิดหาค่าฟังก์ชัน "Phi" \(\Phi(z)\) เพื่อหาความน่าจะเป็น ส่วนการแจกแจงอื่น ๆ คุณอาจต้องใช้สูตร CDF โดยตรง

Paper B (การใช้โปรแกรม R)

ในการสอบที่ใช้ R (CS1B) คุณจะใช้คำสั่งมาตรฐาน ซึ่งทุกการแจกแจงจะมีคำนำหน้าดังนี้:

• p สำหรับความน่าจะเป็น (CDF): เช่น pnorm(x, mean, sd)
• q สำหรับควอนไทล์: เช่น qexp(0.95, rate)
• r สำหรับการสุ่มตัวอย่าง: เช่น rgamma(100, shape, rate)

สรุปประเด็นสำคัญ

• ตัวแปรแบบ ต่อเนื่อง ใช้การวัด ไม่ใช่การนับ
• การแจกแจงแบบ ปกติ เป็นเกณฑ์มาตรฐานที่มีลักษณะสมมาตร
• การแจกแจงแบบ ล็อกปกติ และ แกมมา เป็นสิ่งจำเป็นในการจำลองข้อมูลค่าสินไหมทดแทนที่มีลักษณะ "เบ้"
• การแจกแจงแบบ เอกซ์โพเนนเชียล ใช้สำหรับระยะเวลารอคอยและมีสมบัติ ไร้ความจำ ที่เป็นเอกลักษณ์
• สามารถหาค่า ควอนไทล์ และ ความน่าจะเป็น ได้โดยใช้ตารางสถิติใน Paper A หรือฟังก์ชันใน R สำหรับ Paper B

เยี่ยมมาก! คุณเพิ่งเรียนรู้ "ตัวละครหลัก" ในเรื่องความน่าจะเป็นแบบต่อเนื่องไปแล้ว พยายามฝึกฝนความเชื่อมโยงระหว่างการแจกแจงเหล่านี้ให้แม่นยำ เพราะสิ่งนี้คือรากฐานสำคัญของเกือบทุกอย่างในวิชาสถิติคณิตศาสตร์ประกันภัย!