ยินดีต้อนรับสู่โลกแห่งการแจกแจง (Distributions)!
ยินดีต้อนรับว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! ในบทนี้ เราจะมาสำรวจ "ดีเอ็นเอ" ของวิชาคณิตศาสตร์ประกันภัย นั่นก็คือ การแจกแจงแบบตัวแปรเดียว (Univariate Distributions) ให้ลองจินตนาการว่าการแจกแจงคือรูปแบบหรือ "พิมพ์เขียว" ที่บอกเราว่าผลลัพธ์ต่างๆ มีโอกาสเกิดขึ้นได้มากน้อยเพียงใด ไม่ว่าคุณจะกำลังคาดการณ์ว่าวันนี้จะมีคนเคลมประกันกี่คน หรือแต่ละเคลมจะมีมูลค่าสูงแค่ไหน การแจกแจงเหล่านี้จะเป็นเครื่องมือที่สำคัญที่สุดของคุณเลยล่ะ
ถ้ารู้สึกว่าวิชาสถิติที่ผ่านมาดูแห้งแล้งหรือเข้าใจยาก ไม่ต้องกังวลนะ! เราจะมาย่อยเรื่องพวกนี้ให้เห็นภาพผ่านสถานการณ์จริง เพื่อให้คุณเข้าใจว่ามันนำไปใช้งานอย่างไร
1. การแจกแจงแบบไม่ต่อเนื่อง (Discrete Distributions): เครื่องมือสำหรับ "การนับ"
เราจะใช้การแจกแจงแบบไม่ต่อเนื่องเมื่อเราต้องการ นับ สิ่งของต่างๆ (1, 2, 3...) เพราะคุณไม่สามารถมีเคลมประกัน 2.5 ครั้งได้!
การแจกแจงแบบเบอร์นูลลี (Bernoulli Distribution): การลองผิดลองถูกแบบ "ใช่/ไม่ใช่"
นี่คือการแจกแจงที่ง่ายที่สุด มันจำลองการทดลองที่มีผลลัพธ์เพียง 2 รูปแบบ คือ สำเร็จ (1) หรือ ล้มเหลว (0)
ตัวอย่าง: การโยนเหรียญหนึ่งครั้ง หรือการตรวจสอบว่าผู้ถือกรมธรรม์จะต่ออายุสัญญาหรือไม่
คุณสมบัติสำคัญ: ถ้าความน่าจะเป็นที่จะสำเร็จคือ \(p\) ค่าเฉลี่ย (Mean) จะเท่ากับ \(p\) และความแปรปรวน (Variance) จะเท่ากับ \(p(1-p)\)
การแจกแจงแบบทวินาม (Binomial Distribution): การทดลองหลายครั้ง
หากคุณนำการทดลองแบบเบอร์นูลลีมาทำซ้ำๆ กัน คุณจะได้การแจกแจงแบบทวินาม ซึ่งบอกเราว่ามีความสำเร็จกี่ครั้งในการทดลองอิสระ \(n\) ครั้ง
ตัวอย่าง: ถ้าคุณมีผู้ถือกรมธรรม์ 100 คน จะมีกี่คนที่เคลมประกันในปีนี้? ผู้ถือกรมธรรม์แต่ละคนก็คือ "การทดลอง" หนึ่งครั้งนั่นเอง
ทบทวนสั้นๆ: สำหรับ \(X \sim Bin(n, p)\):
\(E[X] = np\)
\(Var(X) = np(1-p)\)
การแจกแจงแบบปัวซง (Poisson Distribution): เหตุการณ์ในห้วงเวลา
การแจกแจงแบบปัวซงใช้จำลองจำนวนเหตุการณ์ที่เกิดขึ้นในช่วงเวลาหรือพื้นที่ที่กำหนด
การเปรียบเทียบ: ลองจินตนาการว่าคุณยืนอยู่บนสะพานแล้วนับรถที่วิ่งผ่านข้างล่าง ถ้าคุณรู้ว่าโดยเฉลี่ยแล้วมีรถวิ่งผ่าน 10 คันต่อชั่วโมง การแจกแจงแบบปัวซงจะช่วยให้คุณคำนวณโอกาสที่เป๊ะๆ แล้วจะมีรถวิ่งผ่าน 15 คันในชั่วโมงถัดไปได้
รู้หรือไม่? ในการแจกแจงแบบปัวซง ค่าเฉลี่ยและความแปรปรวนจะเท่ากัน (\(\lambda\)) นี่คือ "ทางลัด" ยอดฮิตที่ใช้ทำข้อสอบเพื่อระบุว่าเป็นกระบวนการแบบปัวซง!
การแจกแจงแบบเรขาคณิต (Geometric) และนิเสธทวินาม (Negative Binomial): การรอคอยความสำเร็จ
การแจกแจงเหล่านี้เน้นไปที่ เมื่อไหร่ ที่ความสำเร็จจะเกิดขึ้น
- Geometric: ต้องทดลองกี่ครั้งกว่าจะสำเร็จเป็น ครั้งแรก? (เช่น ต้องตรวจสอบบ้านกี่หลังถึงจะเจอหลังที่ไฟไหม้?)
- Negative Binomial: ต้องทดลองกี่ครั้งกว่าจะสำเร็จเป็น ครั้งที่ k? (เช่น พนักงานขายต้องโทรศัพท์กี่ครั้งถึงจะปิดการขายได้ 3 ราย?)
ข้อผิดพลาดที่พบบ่อย: ตรวจสอบตารางสูตรของคุณเสมอ! บางตำรานิยามการแจกแจงเหล่านี้ด้วย "จำนวนครั้งที่ทดลอง" ในขณะที่บางตำรานับแค่ "จำนวนครั้งที่ล้มเหลว" สำหรับวิชา CS1 ทาง IFoA มักจะนิยามแบบ Geometric ว่าเป็นจำนวนครั้งที่ล้มเหลวก่อนจะสำเร็จครั้งแรก
สรุปประเด็นสำคัญ: ใช้การแจกแจงแบบไม่ต่อเนื่องสำหรับการนับ จำไว้ว่า Binomial ใช้กับจำนวนครั้งที่กำหนดไว้ตายตัว ส่วน Poisson ใช้กับช่วงเวลาที่กำหนดไว้
2. การแจกแจงแบบต่อเนื่อง (Continuous Distributions): เครื่องมือสำหรับ "การวัด"
เราจะใช้การแจกแจงแบบต่อเนื่องสำหรับ การวัด เช่น เวลา น้ำหนัก หรือเงิน ซึ่งค่าเหล่านี้สามารถเป็นตัวเลขใดก็ได้ในช่วงที่กำหนด (เช่น ยอดเคลมอาจเป็น 1,250.55 ปอนด์)
การแจกแจงแบบเอกซ์โพเนนเชียล (Exponential Distribution): ระยะเวลารอคอย
การแจกแจงแบบเอกซ์โพเนนเชียลเปรียบเสมือน "คู่หู" ของปัวซง ในขณะที่ปัวซงนับว่าเกิดเหตุการณ์ กี่ครั้ง เอกซ์โพเนนเชียลจะวัดว่า เวลาที่เว้นว่างระหว่างเหตุการณ์ นานเท่าไหร่
คุณสมบัติสำคัญ: ความไร้ความจำ (Memorylessness) นี่คือหัวข้อที่ออกสอบบ่อย! มันหมายความว่าโอกาสที่จะเกิดเหตุการณ์ในอีก 10 นาทีข้างหน้าจะมีค่าเท่าเดิมเสมอ ไม่ว่าคุณจะรอมานานหนึ่งชั่วโมงแล้วหรือเพิ่งมาถึงก็ตาม การแจกแจงนี้จะ "ลืม" อดีตไปจนหมดสิ้น
การแจกแจงแบบแกมมา (Gamma Distribution): การสะสมเวลารอคอย
หากคุณนำตัวแปรแบบเอกซ์โพเนนเชียลหลายๆ ตัวมารวมกัน คุณจะได้การแจกแจงแบบแกมมา ซึ่งมักใช้จำลองเวลารวมที่ต้องใช้สำหรับเหตุการณ์อิสระหลายๆ เหตุการณ์ หรือใช้จำลองขนาดของเคลมประกันเพราะมีความยืดหยุ่นและเป็นค่าบวกเสมอ
การแจกแจงแบบปกติ (Normal Distribution): เส้นโค้งรูประฆังที่โด่งดัง
การแจกแจงแบบปกติ \(N(\mu, \sigma^2)\) มีลักษณะสมมาตรและอธิบายปรากฏการณ์ธรรมชาติได้มากมาย ในงานด้านคณิตศาสตร์ประกันภัย เรามักสมมติว่า ผลรวม ของความเสี่ยงอิสระหลายๆ อย่างจะมีการแจกแจงแบบปกติ (ขอบคุณทฤษฎีขีดจำกัดส่วนกลาง - Central Limit Theorem)
การแจกแจงแบบล็อกนอร์มอล (Lognormal) และพาเรโต (Pareto): การจำลองความเสี่ยงขนาดใหญ่
เคลมประกันมักจะไม่สมมาตรเสมอไป บ่อยครั้งที่เรามีเคลมขนาดเล็กจำนวนมาก และมีบางเคลมที่ ใหญ่โตมหาศาล
- Lognormal: ถ้า \(\ln(X)\) เป็นปกติ แล้ว \(X\) ก็จะเป็นแบบล็อกนอร์มอล ซึ่งจะ "เบ้" ไปทางขวา (มีหางยาวทางขวา)
- Pareto: นี่คือการแจกแจงแบบ "หางหนา" (heavy-tailed) ใช้สำหรับความเสี่ยงระดับหายนะ (เช่น แผ่นดินไหว หรือไฟไหม้โรงงานขนาดใหญ่) ที่โอกาสเกิดเหตุการณ์สุดโต่ง (outlier) มีสูงกว่าที่การแจกแจงแบบปกติจะทำนายได้
สรุปประเด็นสำคัญ: การแจกแจงแบบต่อเนื่องใช้จำลองว่า "เท่าไหร่" หรือ "นานแค่ไหน" หากข้อมูลของคุณมีค่าที่สุดโต่ง ให้มองหา Lognormal หรือ Pareto แทนการใช้การแจกแจงแบบปกติ
3. การสร้างกลุ่มตัวอย่าง: การแปลงอินทิกรัลความน่าจะเป็น (Probability Integral Transform - PIT)
คอมพิวเตอร์สร้างตัวเลขสุ่มสำหรับการแจกแจงเฉพาะเจาะจงได้อย่างไร? พวกเขาใช้เทคนิคฉลาดๆ ที่เรียกว่า การแปลงอินทิกรัลความน่าจะเป็น (PIT)
แนวคิด
คอมพิวเตอร์ส่วนใหญ่สร้างตัวเลขสุ่ม \(U\) ระหว่าง 0 ถึง 1 ได้ง่ายมาก (ซึ่งคือ Uniform(0,1)) PIT บอกเราว่าเราสามารถเปลี่ยน \(U\) นั้นให้กลายเป็นค่าจากการแจกแจงแบบ ใดก็ได้ ที่เราต้องการ ตราบใดที่เราทราบฟังก์ชันการแจกแจงสะสม (CDF) ที่ชื่อว่า \(F(x)\)
ขั้นตอนการสร้างกลุ่มตัวอย่าง
- สร้างตัวเลขสุ่ม \(u\) จากการแจกแจงแบบ \(Uniform(0,1)\)
- กำหนดให้ \(u = F(x)\) โดยที่ \(F(x)\) คือ CDF ของการแจกแจงที่คุณต้องการ
- แก้สมการหาค่า \(x\) ซึ่งมักจะเขียนในรูป \(x = F^{-1}(u)\)
ตัวอย่าง: การสร้างกลุ่มตัวอย่างแบบเอกซ์โพเนนเชียล
CDF ของการแจกแจงแบบเอกซ์โพเนนเชียลคือ \(F(x) = 1 - e^{-\lambda x}\)
1. กำหนด \(u = 1 - e^{-\lambda x}\)
2. จัดรูปใหม่: \(1 - u = e^{-\lambda x}\)
3. ใส่ลอการิทึมธรรมชาติ: \(\ln(1-u) = -\lambda x\)
4. แก้หาค่า \(x\): \(x = -\frac{1}{\lambda} \ln(1-u)\)
เนื่องจาก \(1-u\) ก็มีการแจกแจงแบบ Uniform(0,1) เช่นกัน คุณจึงมักเห็นสูตรนี้ลดรูปเป็น \(x = -\frac{1}{\lambda} \ln(u)\)
เทคนิคช่วยจำ: ให้คิดว่า CDF เป็น "ล่ามแปลภาษา" คุณใส่ค่ามาตรฐาน (0 ถึง 1) เข้าไป แล้วมันจะแปลเป็น "ภาษา" ของการแจกแจงเฉพาะที่คุณต้องการ
สรุปประเด็นสำคัญ: ในการสร้างกลุ่มตัวอย่าง ให้กำหนดตัวเลขสุ่ม \(u\) ให้เท่ากับ CDF แล้วแก้หาค่า \(x\) นี่คือรากฐานของการจำลองแบบ มอนติคาร์โล (Monte Carlo simulation)
กล่องทบทวนสั้นๆ
เช็กลิสต์สำหรับสอบ:
• คุณแยกออกไหมว่าการแจกแจงไหนเป็น Discrete หรือ Continuous?
• คุณบอกได้ไหมว่าการแจกแจงแบบไหน ไร้ความจำ? (Exponential)
• คุณจำได้ไหมว่าการแจกแจงไหนมี ค่าเฉลี่ย = ความแปรปรวน? (Poisson)
• คุณสามารถทำขั้นตอน PIT เพื่อแก้หาค่า \(x\) ได้ไหม?
• จำไว้ว่า: การแจกแจงแบบ เบ้ (Skewed) (Lognormal/Pareto) มักจะอธิบายขนาดของเคลมได้ดีกว่าการแจกแจงแบบปกติ
ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ! คณิตศาสตร์ประกันภัยเป็นเรื่องของรูปแบบต่างๆ เมื่อคุณเริ่มคุ้นเคยกับ "นิสัย" ของการแจกแจงแต่ละตัว การเลือกใช้ให้ถูกก็จะกลายเป็นเรื่องธรรมชาติสำหรับคุณเอง หมั่นฝึกฝนการจัดรูป CDF บ่อยๆ นะ!