Concepts of survival models

ยินดีต้อนรับสู่บทเรียนเรื่องแบบจำลองการอยู่รอด (Survival Models)!

สวัสดีครับ! ยินดีต้อนรับสู่หนึ่งในบทเรียนที่เป็นพื้นฐานสำคัญที่สุดในเส้นทางวิชา CS2 ของคุณ หากคุณเคยสงสัยว่าบริษัทประกันภัยตัดสินใจอย่างไรว่าจะเรียกเก็บเบี้ยประกันชีวิตเท่าไหร่ หรือวิศวกรทำนายได้อย่างไรว่าเครื่องจักรจะพังลงเมื่อไหร่ คุณมาถูกที่แล้วครับ ในบทนี้เราจะมาเรียนรู้วิธีสร้างแบบจำลอง "เวลาจนกว่าจะเกิดเหตุการณ์บางอย่าง" โดยปกติเรามักจะพูดถึงชีวิตคน แต่แนวคิดเหล่านี้สามารถนำไปประยุกต์ใช้กับอะไรก็ตามที่ "อยู่รอด" ได้ช่วงเวลาหนึ่งแล้วจึง "ล้มเหลว" ไม่ต้องกังวลไปนะครับถ้าเห็นคณิตศาสตร์แล้วรู้สึกหนักใจ เราจะค่อยๆ ย่อยไปทีละส่วนพร้อมกัน!

ภาพรวม: แบบจำลองการอยู่รอด (Survival Model) คืออะไร?

แบบจำลองการอยู่รอด (Survival Model) เป็นเพียงวิธีการอธิบายความน่าจะเป็นที่ใครบางคน (หรือบางสิ่ง) จะ "ยังมีชีวิตอยู่" เมื่อเวลาผ่านไป ในงานด้านคณิตศาสตร์ประกันภัย เราไม่ได้เดาสุ่มนะครับ แต่เราใช้ ตัวแปรสุ่ม (random variables) เพื่อจับความไม่แน่นอนว่าชีวิตหนึ่งจะยืนยาวแค่ไหน

1. ตัวแปรสุ่มสำหรับอายุขัยที่เหลืออยู่ \( T_x \)

สมมติว่าคนคนหนึ่งมีอายุ x ปีเป๊ะๆ ในวันนี้ เราไม่รู้หรอกว่าเขาจะเสียชีวิตเมื่อไหร่ ดังนั้นเราจึงแทน อายุขัยที่เหลืออยู่ ของเขาด้วยตัวแปรสุ่ม \( T_x \)
• \( T_x \) = อายุขัยในอนาคตของคนที่ปัจจุบันอายุ \( x \) ปี
• ถ้าคนอายุ 30 ปีเสียชีวิตตอนอายุ 75 ปี ดังนั้น \( T_{30} = 45 \)
• นี่คือตัวแปรสุ่มแบบ ต่อเนื่อง (continuous) เพราะความตายสามารถเกิดขึ้นได้ในเสี้ยววินาที!

2. ฟังก์ชันการอยู่รอด (Survival Function): \( S_x(t) \)

ฟังก์ชันการอยู่รอด (Survival Function) คือส่วนที่เข้าใจง่ายที่สุดในบทนี้ มันตอบคำถามที่ว่า: "คนที่มีอายุ x ปี จะมีโอกาสรอดชีวิตต่อไปได้อย่างน้อยอีก t ปี เท่าไหร่?"
ในทางคณิตศาสตร์ เราเขียนแทนด้วย:
\( S_x(t) = P(T_x > t) \)

สมบัติสำคัญที่ควรจำ:
• ณ เวลา \( t = 0 \) ความน่าจะเป็นคือ 1 (คุณยังมีชีวิตอยู่ ณ ตอนนี้!): \( S_x(0) = 1 \)
• เมื่อ \( t \) เข้าใกล้ infinity ความน่าจะเป็นจะเข้าใกล้ 0 (ทุกคนต้องจากไปในที่สุด): \( S_x(\infty) = 0 \)
• ฟังก์ชันนี้ไม่มีทางเพิ่มขึ้น เพราะเมื่อเวลาผ่านไป คุณไม่สามารถ "มีชีวิตอยู่มากขึ้น" ได้!

3. ฟังก์ชันการแจกแจง (Distribution Function): \( F_x(t) \)

นี่คือส่วนตรงกันข้าม (complement) ของฟังก์ชันการอยู่รอด มันคือความน่าจะเป็นที่คนคนนั้นจะ เสียชีวิตภายใน \( t \) ปี
\( F_x(t) = P(T_x \le t) = 1 - S_x(t) \)
เคล็ดลับ: ในสัญลักษณ์คณิตศาสตร์ประกันภัย เรามักใช้ \( {}_tq_x \) แทนค่านี้ และใช้ \( {}_tp_x \) แทนความน่าจะเป็นในการอยู่รอด ซึ่งทั้งคู่เป็นเพียงสองด้านของเหรียญเดียวกันครับ!

สรุปใจความสำคัญ: \( T_x \) คือ "นาฬิกาจับเวลา", \( S_x(t) \) คือโอกาสที่นาฬิกายังเดินอยู่ และ \( F_x(t) \) คือโอกาสที่นาฬิกาหยุดเดินแล้ว

ฟังก์ชันความหนาแน่นของความน่าจะเป็น (PDF): \( f_x(t) \)

ถ้าคุณยังจำสถิติพื้นฐานได้ PDF จะบอกเราเกี่ยวกับ "ความเป็นไปได้สัมพัทธ์" ที่เหตุการณ์จะเกิดขึ้น ณ เวลา \( t \) พอดีเป๊ะ
สำหรับแบบจำลองการอยู่รอด สูตรคือ:
\( f_x(t) = \frac{d}{dt} F_x(t) = -\frac{d}{dt} S_x(t) \)

ลองคิดแบบนี้ครับ: ถ้าฟังก์ชันการอยู่รอดคือความชันที่ลาดลงมา PDF ก็คือ ความเร็ว ที่มันกำลังลดลง ณ ขณะใดขณะหนึ่งนั่นเอง

"หัวใจ" ของแบบจำลองการอยู่รอด: อัตราการตาย (Force of Mortality) \( \mu_{x+t} \)

นี่เป็นแนวคิดสำคัญที่นักเรียนมักจะสับสน อัตราการตาย (Force of Mortality) คืออัตราการเสียชีวิตแบบ ทันทีทันใด (instantaneous rate)

เปรียบเทียบกับสายฝน:
ลองจินตนาการว่าคุณยืนอยู่ข้างนอก "อัตราการตาย" ก็เหมือนกับ ความแรง ของฝนในเสี้ยววินาทีนั้นๆ มันไม่ใช่ปริมาณน้ำฝนรวมทั้งหมดที่ตกลงมา (นั่นคือฟังก์ชันการแจกแจง) แต่เป็นความแรงของฝนที่ตกอยู่ ณ ขณะนี้ ถ้าฝนตกหนักขึ้นเรื่อยๆ เมื่อวันเวลาผ่านไป แสดงว่า "แรง" นี้ก็กำลังเพิ่มขึ้นครับ

สูตรสำหรับ \( \mu_{x+t} \):

\( \mu_{x+t} = \frac{f_x(t)}{S_x(t)} \)

สูตรนี้บอกเราว่าความเสี่ยงที่จะเสียชีวิต ในทันทีนี้ ขึ้นอยู่กับสองสิ่ง: ความหนาแน่นของการเสียชีวิตในเสี้ยววินาทีนั้น (\( f_x(t) \)) หารด้วยข้อเท็จจริงที่ว่าคุณต้องมีชีวิตอยู่ (\( S_x(t) \)) ถึงจะเสียชีวิตได้!

คุณรู้หรือไม่? เราเรียกสิ่งนี้ว่า "force of mortality" สำหรับมนุษย์ แต่ในทางวิศวกรรม เราเรียกว่า อัตราอันตราย (hazard rate) หรือ อัตราการพัง (failure rate) ซึ่งก็คือคณิตศาสตร์ชุดเดียวกันเป๊ะเลยครับ!

เชื่อมโยงทุกอย่างเข้าด้วยกัน: ความสัมพันธ์ที่ขาดไม่ได้

บ่อยครั้งที่คุณจะได้รับโจทย์ที่กำหนดอัตราการตายมาให้ และให้หาฟังก์ชันการอยู่รอด นี่เป็นโจทย์สอบที่พบบ่อยมาก นี่คือ "สมการทองคำ" ครับ:
\( S_x(t) = \exp \left( -\int_0^t \mu_{x+s} ds \right) \)

ขั้นตอนการแก้โจทย์:
1. นำอัตราการตาย \( \mu \) มาใช้
2. ทำการอินทิเกรตเทียบกับเวลาจาก 0 ถึง \( t \)
3. เติมเครื่องหมายลบไว้ข้างหน้าผลลัพธ์
4. ยกกำลัง \( e \) ด้วยผลลัพธ์นั้น

ข้อผิดพลาดที่พบบ่อย: ลืมใส่เครื่องหมายลบ! ถ้าความน่าจะเป็นในการอยู่รอดของคุณออกมามากกว่า 1 แสดงว่าคุณอาจลืมกลับเครื่องหมายของผลอินทิเกรตครับ

สรุปใจความสำคัญ: อัตราการตายคือ "ความเข้มข้น" ของความเสี่ยง ถ้าคุณรู้อัตรานี้ในทุกช่วงเวลา คุณก็สามารถคำนวณความน่าจะเป็นที่จะมีชีวิตรอดจนถึงอายุใดก็ได้

อายุขัยคาดหมาย (Expected Future Lifetime)

นักคณิตศาสตร์ประกันภัยชอบคำนวณ "ค่าเฉลี่ย" มากครับ เราใช้ค่าคาดหมายสองประเภท:

1. อายุขัยคาดหมายแบบต่อเนื่อง (Complete Expected Future Lifetime): \( \mathring{e}_x \)

นี่คือ เวลาเฉลี่ยทั้งหมด ที่คาดว่าคนที่อายุ \( x \) ปี จะมีชีวิตอยู่ เนื่องจากเป็นหน่วยวัดแบบต่อเนื่อง (รวมปี วัน และวินาที) เราจึงใช้การอินทิเกรต:
\( \mathring{e}_x = E[T_x] = \int_0^\infty S_x(t) dt \)
เทคนิคช่วยจำ: วงกลม (ring) บนตัว \( e \) หมายถึง "complete" (ครบถ้วน)—มันวัดทุกเศษเสี้ยวของเวลาเลยครับ

2. อายุขัยคาดหมายแบบปีเต็ม (Curtate Expected Future Lifetime): \( e_x \)

นี่คือ จำนวนปีเต็มเฉลี่ย ที่มีชีวิตอยู่ก่อนเสียชีวิต เราไม่สนใจเศษเดือนเศษวัน เราจึงใช้การหาผลรวม (summation):
\( e_x = \sum_{k=1}^\infty S_x(k) \)
เช็กความเข้าใจ: \( \mathring{e}_x \) จะมากกว่า \( e_x \) ประมาณ 0.5 ปีเสมอ เพราะโดยเฉลี่ยแล้วคนเรามักจะเสียชีวิตในช่วงครึ่งปีสุดท้ายของชีวิตครับ

ทบทวนสูตรสำคัญอย่างรวดเร็ว

ไม่ต้องตื่นตระหนกครับ! หากคุณจำความสัมพันธ์ 3 อย่างนี้ได้ คุณจะสามารถพิสูจน์สูตรอื่นๆ แทบทั้งหมดได้เลย:
1. \( F_x(t) = 1 - S_x(t) \)
2. \( f_x(t) = S_x(t) \mu_{x+t} \)
3. \( S_x(t) = e^{-\int \mu} \)

กำลังใจทิ้งท้าย: แบบจำลองการอยู่รอดเป็นเพียงวิธีการมองความน่าจะเป็นในรูปแบบเฉพาะ หากคุณคุ้นเคยกับแนวคิดที่ว่า \( S_x(t) \) คือ "โอกาสที่จะรอดไปถึงเวลา t" แล้ว แคลคูลัสที่เหลือก็จะเข้าที่เข้าทางเองเมื่อคุณได้ฝึกฝน สู้ต่อไปนะครับ!