ยินดีต้อนรับสู่เรื่อง Severity Models: การเปรียบเทียบหางของส่วนแจกแจง (Distribution Tails)!

ในโลกของการประกันภัย เราไม่ได้กังวลแค่เรื่องอุบัติเหตุเล็กๆ น้อยๆ ทั่วไป แต่เรากังวลถึงมหันตภัยครั้งใหญ่ระดับ "ครั้งหนึ่งในชีวิต" ต่างหาก การ เปรียบเทียบหางของส่วนแจกแจง (Comparing distribution tails) คือวิธีที่นักคณิตศาสตร์ประกันภัยใช้ตัดสินว่าแบบจำลองทางคณิตศาสตร์แบบไหนที่คาดการณ์ความเสียหายที่ "ใหญ่และรุนแรง" ได้แม่นยำกว่ากัน

ในบทนี้ เราจะเรียนรู้วิธีการเปรียบเทียบส่วนแจกแจงความเสียหายสองแบบ เพื่อตัดสินว่าตัวไหน "หนากว่า" (มีโอกาสเกิดเคลมก้อนโตได้มากกว่า) ไม่ต้องกังวลนะถ้าฟังดูเป็นนามธรรมไปนิด เรามีตัวอย่างเปรียบเทียบให้เห็นภาพแน่นอน!

1. "หาง" คืออะไรกันแน่?

ลองจินตนาการถึงกราฟของส่วนแจกแจงความเสียหายดูนะ "หาง" (Tail) คือส่วนที่อยู่ทางขวาสุดของเส้นกราฟ ซึ่งเป็นส่วนที่แทนค่าความเสียหายจำนวนมหาศาล เมื่อเราบอกว่าส่วนแจกแจงมี หางหนา (Heavy tail) หมายความว่าเส้นกราฟยังคง "สูง" อยู่เป็นเวลานานเมื่อเราขยับไปทางขวา ซึ่งสื่อว่าโอกาสเกิดเคลมขนาดใหญ่มีมากกว่าเมื่อเทียบกับส่วนแจกแจงแบบ หางบาง (Light-tailed)

ลองคิดแบบนี้: ส่วนแจกแจงแบบ "หางบาง" เหมือนนักวิ่งระยะสั้นที่หมดแรงเร็วมาก ความน่าจะเป็นลดลงจนเป็นศูนย์อย่างรวดเร็ว ส่วน "หางหนา" เหมือนนักวิ่งมาราธอนที่ความน่าจะเป็นยังคงอยู่แม้ว่าค่าความเสียหายจะสูงมากก็ตาม

ทบทวนสั้นๆ: ทำไมเราต้องสนใจ?
ถ้าคุณใช้แบบจำลองแบบ "หางบาง" กับความเสี่ยงที่มี "หางหนา" (เช่น ความเสียหายจากพายุเฮอริเคน) คุณจะประเมินต้นทุนของเคลมใหญ่ต่ำเกินไปอย่างมหาศาล และนั่นคือเหตุผลที่ทำให้บริษัทประกันล้มละลายได้เลยนะ!

2. วิธีที่ 1: การเปรียบเทียบฟังก์ชันการอยู่รอด (Survival Functions)

วิธีที่ตรงไปตรงมาที่สุดในการเปรียบเทียบส่วนแจกแจงสองแบบ สมมติว่าเป็น \(X\) และ \(Y\) คือการดู ฟังก์ชันการอยู่รอด (Survival Functions) ของทั้งสองตัว นั่นคือ \(S_X(x)\) และ \(S_Y(x)\) ในขณะที่ \(x\) เข้าใกล้ค่าอนันต์ (\(\infty\))

เราจะพิจารณาลิมิตของอัตราส่วน:
\[ \lim_{x \to \infty} \frac{S_X(x)}{S_Y(x)} \]

  • ถ้าลิมิตเป็น \(\infty\): ส่วนแจกแจง \(X\) มี หางหนากว่า \(Y\)
  • ถ้าลิมิตเป็น \(0\): ส่วนแจกแจง \(X\) มี หางบางกว่า \(Y\)
  • ถ้าลิมิตเป็น ค่าคงที่บวก: ถือว่าหางของทั้งสองตัวมี น้ำหนักพอๆ กัน

เคล็ดลับนักสอบ: ถ้าฟังก์ชันการอยู่รอดคำนวณยาก ให้ใช้ฟังก์ชันความหนาแน่น (Density Functions: \(f(x)\)) แทนได้เลย! ผลลัพธ์ของลิมิตจะออกมาเท่ากัน

รู้หรือไม่? นี่คือจุดที่ กฎของโลปีตาล (L'Hôpital's Rule) จะกลายเป็นเพื่อนสนิทของคุณ ถ้าคุณเจอรูปแบบที่ยังหาค่าไม่ได้อย่าง \(\frac{\infty}{\infty}\) ก็แค่ดิฟ (Derivative) ทั้งเศษและส่วนเลย!

3. วิธีที่ 2: ฟังก์ชันอัตราความเสี่ยง (Hazard Rate Function)

อัตราความเสี่ยง (Hazard Rate) ซึ่งนิยามว่า \(h(x) = \frac{f(x)}{S(x)}\) จะบอกถึงอัตราการเกิดเหตุ (หรือเคลม) ใน "เสี้ยววินาทีนั้น" โดยมีเงื่อนไขว่าเคลมนั้นมีขนาดถึง \(x\) แล้ว

กฎเหล็กในการดูน้ำหนักของหางโดยใช้อัตราความเสี่ยงคือ:
อัตราความเสี่ยงต่ำกว่า = หางหนากว่า

ทำไมถึงเป็นแบบนั้น? เพราะถ้าอัตราความเสี่ยงมีค่าลดลง แปลว่าเมื่อความเสียหายยิ่งใหญ่ขึ้น "แรงกดดัน" ที่จะทำให้เคลมหยุดเพิ่มขนาดนั้นกลับลดลงนั่นเอง

การจำแนกประเภททั่วไป:

  1. อัตราความเสี่ยงลดลง (DHR - Decreasing Hazard Rate): หางจะหนา (เช่น Pareto)
  2. อัตราความเสี่ยงคงที่: นี่คือ Exponential distribution ซึ่งถือเป็น "เกณฑ์มาตรฐาน" ของเรา
  3. อัตราความเสี่ยงเพิ่มขึ้น (IHR - Increasing Hazard Rate): หางจะบาง (เช่น Normal distribution)

ข้อสรุปสำคัญ:

ถ้า \(\lim_{x \to \infty} h_X(x) = 0\) แสดงว่าส่วนแจกแจง \(X\) มักจะมีหางที่หนามาก แต่ถ้าลิมิตเป็น \(\infty\) ก็แสดงว่าหางบางมากนั่นเอง

4. วิธีที่ 3: อายุขัยคงเหลือเฉลี่ย (Mean Residual Life - MRL)

อายุขัยคงเหลือเฉลี่ย (Mean Residual Life) หรือ \(e(x)\) คือค่าคาดหมายของความเสียหายส่วนเกินที่เหลืออยู่ เมื่อเราทราบแล้วว่าความเสียหายนั้นเกิน \(x\) ไปแล้ว

\[ e(x) = E[X - x | X > x] = \frac{\int_{x}^{\infty} S(t) dt}{S(x)} \]

ความสัมพันธ์กับหางคือ:

  • ถ้า \(e(x)\) เพิ่มขึ้น ตาม \(x\): หางจะ หนา (ยิ่งเสียหายไปมากเท่าไหร่ ก็ยิ่งคาดว่าจะเสียหายเพิ่มมากขึ้นไปอีก!)
  • ถ้า \(e(x)\) คงที่: นี่คือลักษณะของ Exponential distribution
  • ถ้า \(e(x)\) ลดลง ตาม \(x\): หางจะ บาง

การเปรียบเทียบ: ลองนึกถึง "การประชุมที่ไม่มีวันจบ" ถ้าการประชุมยิ่งนานไปเท่าไหร่ คุณก็ยิ่ง คาดหวัง ว่ามันจะลากยาวออกไปอีก การประชุมแบบนั้นก็คือ "อายุขัยคงเหลือเฉลี่ยเพิ่มขึ้น"—และมีหางที่หนามากๆ!

5. การเปรียบเทียบส่วนแจกแจงที่พบบ่อย ("ลำดับชั้น")

สำหรับการสอบ ASTAM คุณควรจดจำระดับ "ความหนา" ของส่วนแจกแจงมาตรฐานไว้ โดยเรียงจาก หนาที่สุด ไปถึง บางที่สุด:

1. Pareto: ราชาแห่งหางหนา อัตราความเสี่ยงลดลงจนเป็นศูนย์ และเป็นหางแบบ "Power-law"
2. Lognormal: หางหนาเช่นกัน แต่โดยทั่วไปถือว่า "หนาน้อยกว่า" Pareto (ที่มี \(\alpha\) น้อยๆ) อัตราความเสี่ยงของมันก็ลดลงจนเป็นศูนย์
3. Weibull (ที่ \(\tau < 1\)): หางหนา
4. Exponential: เส้นแบ่งตรงกลาง อัตราความเสี่ยงคงที่ (\(1/\theta\))
5. Weibull (ที่ \(\tau > 1\)): หางบาง อัตราความเสี่ยงเพิ่มขึ้น
6. Gamma: โดยทั่วไปหางบาง (อัตราความเสี่ยงเพิ่มขึ้นไปสู่ค่าคงที่ \(1/\theta\))

เทคนิคการจำ: "Please Let Everyone Go" (Pareto > Lognormal > Exponential > Gamma) วิธีนี้ครอบคลุมคำถามเปรียบเทียบส่วนใหญ่ในข้อสอบเลยนะ!

6. ข้อผิดพลาดที่ควรหลีกเลี่ยง

  • สับสนระหว่าง \(h(x)\) กับ \(S(x)\): จำไว้ว่าอัตราความเสี่ยงที่ น้อยกว่า หมายถึงหางที่ หนากว่า อย่าสลับกันนะ!
  • ลืมดูพารามิเตอร์: บางส่วนแจกแจงอย่าง Weibull สามารถเป็นได้ทั้งหางหนาหรือหางบาง ขึ้นอยู่กับค่าพารามิเตอร์ ต้องตรวจสอบพารามิเตอร์รูปร่าง (\(\tau\)) ทุกครั้ง
  • พลาดเรื่องแคลคูลัส: เวลาหาลิมิตของอัตราส่วน นักศึกษามักลืมจัดรูปนิพจน์ให้ง่ายก่อนใช้กฎของโลปีตาล จัดรูปก่อนเพื่อประหยัดเวลาเสมอ!

7. ตารางสรุปภาพรวม

ลักษณะของหางหนา (Heavier Tail):
- อัตราส่วนฟังก์ชันการอยู่รอด \(\to \infty\)
- อัตราความเสี่ยง \(h(x) \to 0\) หรือมีค่าลดลง
- อายุขัยคงเหลือเฉลี่ย \(e(x)\) มีค่าเพิ่มขึ้น
- มีโอกาสเกิดค่าที่สุดโต่งได้สูง

ลักษณะของหางบาง (Lighter Tail):
- อัตราส่วนฟังก์ชันการอยู่รอด \(\to 0\)
- อัตราความเสี่ยง \(h(x) \to \infty\) หรือมีค่าเพิ่มขึ้น
- อายุขัยคงเหลือเฉลี่ย \(e(x)\) มีค่าลดลง
- มีโอกาสเกิดค่าที่สุดโต่งได้ต่ำ

ฝึกฝนการหาลิมิตเหล่านี้บ่อยๆ นะ! ยิ่งเปรียบเทียบฟังก์ชันเหล่านี้มากเท่าไหร่ ความเข้าใจเรื่อง "ความหนา" ของหางก็จะกลายเป็นสัญชาตญาณไปเอง คุณทำได้แน่นอน!