Creating new distributions: multiplication, powers, exponentiation, mixing, and splicing

ยินดีต้อนรับสู่ห้องปฏิบัติการ: การสร้างการแจกแจงใหม่!

ในการเดินทางสายคณิตศาสตร์ประกันภัยของคุณ คุณคงได้พบกับ "เซเลบ" ของโลกการแจกแจงมาบ้างแล้ว ไม่ว่าจะเป็น Exponential, Gamma หรือ Pareto แต่ในโลกของข้อมูลประกันภัยจริงนั้นมีความซับซ้อนกว่ามาก บางครั้งการแจกแจงมาตรฐานก็ไม่สามารถอธิบายข้อมูลค่าสินไหมทดแทนได้เป๊ะๆ เสมอไป

ให้ลองจินตนาการว่าบทนี้เหมือนกับ เวิร์กชอป DIY แทนที่จะไปหาซื้อการแจกแจงสำเร็จรูปใหม่ๆ เราจะนำสิ่งที่เรามีอยู่แล้วมาดัดแปลง ปรับยืด เพิ่มพลัง หรือแม้แต่เอามาเย็บต่อกันเหมือนผ้าห่มงานฝีมือ เมื่อจบบทนี้ คุณจะรู้วิธี "วิศวกรรม" การแจกแจงเพื่อใช้ในสถานการณ์การสร้างแบบจำลองค่าความเสียหาย (Severity Model) แทบทุกรูปแบบ

ทบทวนสั้นๆ: อย่าลืมว่า Severity Model คือสิ่งที่ใช้อธิบายขนาดของความเสียหาย ในบทนี้เรากำลังมองหาวิธีสร้าง CDF (\(F(x)\)) และ PDF (\(f(x)\)) ใหม่ๆ เพื่อเป็นตัวแทนของขนาดความเสียหายเหล่านั้นให้ดียิ่งขึ้น

1. การคูณ (การปรับขนาดการแจกแจง - Scaling)

นี่เป็นวิธีที่ง่ายที่สุดในการสร้างการแจกแจงใหม่ หากคุณมีตัวแปรสุ่ม \(X\) (แทนค่าสินไหม) และคุณคูณมันด้วยค่าคงที่ \(c > 0\) คุณจะได้ตัวแปรสุ่มตัวใหม่คือ \(Y = cX\)

ทำไมต้องทำแบบนี้?
ลองจินตนาการว่าคุณมีการแจกแจงค่าสินไหมในสกุลเงินดอลลาร์สหรัฐฯ แต่คุณต้องการให้มันเป็นสกุลเงินยูโร หรือลองคิดว่าค่าสินไหมทุกรายการเพิ่มขึ้น 5% เนื่องจากภาวะเงินเฟ้อ นี่คือสิ่งที่เราเรียกว่าการ ปรับขนาด (Scaling) การแจกแจงนั่นเอง

ทางคณิตศาสตร์:
ถ้า \(Y = cX\) ดังนั้น Cumulative Distribution Function (CDF) ใหม่จะเป็น:
\(F_Y(y) = F_X(y/c)\)

และ Probability Density Function (PDF) ใหม่จะเป็น:
\(f_Y(y) = \frac{1}{c} f_X(y/c)\)

แนวคิดสำคัญ: พารามิเตอร์มาตราส่วน (Scale Parameter: \(\theta\))
ในการแจกแจงหลายๆ ตัวของ SOA พารามิเตอร์ \(\theta\) มักจะเป็น Scale Parameter หากคุณคูณทั้งการแจกแจงด้วย \(c\) โดยปกติคุณก็แค่คูณ \(\theta\) เดิมด้วย \(c\) เพื่อให้ได้พารามิเตอร์ตัวใหม่ ตัวอย่างเช่น ถ้า \(X \sim \text{Exponential}(\theta)\) แล้ว \(cX \sim \text{Exponential}(c\theta)\)

ข้อควรระวัง:
อย่าลืมหารด้วย \(c\) ที่อยู่ข้างในฟังก์ชัน และอย่าลืมคูณด้วย \(1/c\) ที่ข้างนอกเมื่อหาค่า PDF นะ!

ประเด็นสำคัญ: การคูณการแจกแจงด้วยค่าคงที่ \(c\) คือการ "ยืด" การแจกแจง รูปทรงโดยรวมจะยังคงคล้ายเดิม แต่มาตราส่วน (Scale) จะเปลี่ยนไป

2. การแปลงด้วยเลขยกกำลัง (Power Transformations)

ถ้าเรานำการแจกแจงมาเพิ่มด้วยเลขยกกำลังล่ะ? หาก \(X\) คือตัวแปรเริ่มต้นของเรา เราสามารถสร้าง \(Y = X^{1/\tau}\) (หรือ \(Y = X^\tau\)) ขึ้นมาได้

ทางคณิตศาสตร์:
ถ้า \(Y = X^{1/\tau}\) ดังนั้น \(X = Y^\tau\) ค่า CDF จะกลายเป็น:
\(F_Y(y) = F_X(y^\tau)\)

ตระกูล "การแจกแจงที่ถูกแปลง":
นี่คือวิธีที่เราได้การแจกแจงที่มีชื่อเสียงที่สุดในตาราง ASTAM:
1. Transformed Gamma: สร้างโดยการนำการแจกแจง Gamma มายกกำลัง
2. Burr Distribution: สร้างโดยการนำการแจกแจง Pareto มายกกำลัง

ตัวช่วยจำ:
ให้มองว่าเลขยกกำลัง \(\tau\) (tau) คือ "ความอึด" (Toughness) การยกกำลังค่าสินไหมจะเปลี่ยนความ "หนา" ของหางการแจกแจง ยิ่งเลขยกกำลังสูงขึ้น ก็อาจจะทำให้โอกาสเกิดค่าสินไหมขนาดใหญ่สูงขึ้นหรือต่ำลงได้

ประเด็นสำคัญ: การแปลงด้วยเลขยกกำลังจะเปลี่ยน รูปทรง (Shape) และ น้ำหนักของหาง (Tail weight) ทำให้โอกาสที่จะเกิดค่าสุดโต่ง (Extreme values) เปลี่ยนแปลงไป

3. การยกกำลังด้วยเลขฐานธรรมชาติ (Exponentiation)

ในการแปลงนี้ เรานำตัวแปรสุ่ม \(X\) มาทำเป็น \(Y = e^X\)

ตัวอย่างที่โด่งดัง: Lognormal
ถ้า \(X\) มีการแจกแจงแบบปกติ (Normal distribution) แล้ว \(Y = e^X\) จะมีการแจกแจงแบบ Lognormal ซึ่งถือเป็นหนึ่งในการแจกแจงที่สำคัญที่สุดสำหรับขนาดความเสียหาย เพราะค่าที่ได้จะเป็นบวกเสมอและมีหางที่เบ้ขวา (เหมาะกับค่าสินไหมประกันภัยมาก!)

ทางคณิตศาสตร์:
ถ้า \(Y = e^X\) ดังนั้น \(X = \ln(Y)\) ค่า CDF คือ:
\(F_Y(y) = F_X(\ln y)\)

เกร็ดน่ารู้:
เรามักใช้คำนำหน้าว่า "Log-" สำหรับการแจกแจงใหม่เหล่านี้ (เช่น Loglogistic, Lognormal) ซึ่งหมายความว่าถ้าคุณใส่ ลอการิทึม ให้กับขนาดค่าสินไหมของคุณ ผลลัพธ์จะกลับไปมีการแจกแจงแบบตั้งต้น

ประเด็นสำคัญ: การใช้เลขฐานธรรมชาติ (Exponentiation) มีไว้เพื่อสร้างการแจกแจงที่เป็นบวกอย่างแน่นอน และมักจะมีหางที่ "หนา" และยาวมาก

4. การผสมการแจกแจง (Mixing Distributions)

การผสมก็เหมือนกับการทำ สมูทตี้ คุณไม่ได้นำยอดค่าสินไหมมาบวกกัน แต่คุณกำลังบอกว่าสินไหมรายการหนึ่งมีโอกาสที่จะมาจาก "การแจกแจง A" และอีกโอกาสหนึ่งที่จะมาจาก "การแจกแจง B"

การผสมแบบไม่ต่อเนื่อง (Discrete Mixtures):
สมมติว่าคุณมีผู้ขับขี่สองประเภท: "ปลอดภัย" (การแจกแจง \(F_1\)) และ "เสี่ยง" (การแจกแจง \(F_2\)) ถ้า 70% ของผู้ขับขี่คือกลุ่มปลอดภัย และ 30% คือกลุ่มเสี่ยง การแจกแจงรวมจะเป็น:
\(F(x) = 0.70 F_1(x) + 0.30 F_2(x)\)

สูตรทั่วไป:
\(F(x) = \sum_{i=1}^{n} a_i F_i(x)\) โดยที่น้ำหนัก \(a_i\) ต้องรวมกันได้ 1 (\(\sum a_i = 1\))

ขั้นตอนการผสม:
1. ระบุการแจกแจงแต่ละตัว (\(F_1, F_2, ...\))
2. ระบุน้ำหนัก (โอกาสที่จะอยู่ในแต่ละกลุ่ม)
3. นำแต่ละ CDF หรือ PDF คูณกับน้ำหนักของมัน
4. นำมารวมกัน!

ข้อผิดพลาดที่พบบ่อย:
นักศึกษามักสับสนระหว่าง "การผสม (Mixing)" กับ "การบวกตัวแปรสุ่ม (Adding)"
- การผสม: "สินไหมนี้มาจากประเภท A หรือ B"
- การบวก: "สินไหมรวมคือผลรวมของ สินไหม A และ สินไหม B"
ทางคณิตศาสตร์ทั้งสองอย่างนี้ต่างกันมาก! การผสมใช้ค่าน้ำหนัก แต่การบวกต้องใช้การคอนโวลูชัน (Convolution) ซึ่งยากกว่ามาก

ประเด็นสำคัญ: การผสมช่วยให้คุณสร้างแบบจำลองประชากรที่มีกลุ่มย่อยซึ่งมีพฤติกรรมแตกต่างกันได้

5. การต่อการแจกแจง (Splicing Distributions)

การต่อคือวิธีแบบ "แฟรงเกนสไตน์" คุณใช้การแจกแจงหนึ่งสำหรับสินไหมขนาดเล็ก และใช้อีกการแจกแจงหนึ่งสำหรับสินไหมขนาดใหญ่ นี่เป็นเรื่องปกติมากในประกันภัย เพราะสินไหมเล็กๆ น้อยๆ อย่าง "ถอยรถชน" มีพฤติกรรมต่างจาก "ความเสียหายสิ้นเชิง" (Total loss) อย่างสิ้นเชิง

การเปรียบเทียบ:
ลองจินตนาการถึงร้านค้าที่ขายของราคา $1 ถึง $10 โดยใช้รายการราคาหนึ่ง และของที่ราคาเกิน $10 ใช้อีกรายการราคาที่ต่างกันโดยสิ้นเชิง จุดที่กฎเปลี่ยนไป ($10) เรียกว่า เกณฑ์ (Threshold) หรือ จุดเชื่อม (Join point)

ทางคณิตศาสตร์:
PDF ของการแจกแจงที่ถูกต่อกันจะมีหน้าตาแบบนี้:
\(f(x) = \begin{cases} a_1 f_1(x) & 0 < x < k \\ a_2 f_2(x) & x > k \end{cases}\)

กฎสำคัญ: พื้นที่ใต้กราฟต้องเท่ากับ 1!
สิ่งที่สำคัญที่สุดที่ต้องจำคือพื้นที่ทั้งหมดภายใต้ PDF ที่ต่อกันต้องเท่ากับ 1 คุณมักจะต้อง "ปรับขนาด" แต่ละส่วนโดยใช้น้ำหนัก (\(a_i\)) เพื่อให้มันเชื่อมต่อกันได้อย่างถูกต้อง

ตัวอย่างของการต่อ:
คุณอาจใช้การแจกแจง Exponential สำหรับสินไหมระหว่าง $0 ถึง $5,000 (ช่วง "ลำตัว") และใช้การแจกแจง Pareto สำหรับสินไหมที่เกิน $5,000 (ช่วง "หาง")

ทบทวนสั้นๆ: วิธีจัดการกับการต่อ
- ตรวจสอบเกณฑ์ (Thresholds - \(k\))
- ตรวจสอบให้แน่ใจว่าผลรวมของความน่าจะเป็นในทุกช่วงเท่ากับ 1
- หากโจทย์ถามถึง CDF ให้หาปริพันธ์ (integrate) ทีละส่วนอย่างระมัดระวัง โดยนำความน่าจะเป็นสะสมจากส่วนก่อนหน้ามาคำนวณต่อด้วย

ประเด็นสำคัญ: การต่อช่วยให้คุณ "เย็บ" แบบจำลองที่ต่างกันเข้าด้วยกันเพื่อจับพฤติกรรมที่แตกต่างกันในขนาดสินไหมที่ต่างกันได้

สรุปสุดท้าย: กล่องเครื่องมือของคุณ

ถ้ารู้สึกว่าการแปลงเหล่านี้ยากในตอนแรก ไม่ต้องกังวลนะ! แค่จำไว้ว่าเครื่องมือแต่ละอย่างทำอะไรกับ "รูปทรง" ของข้อมูลของคุณบ้าง:

- การคูณ: เปลี่ยน มาตราส่วน (Scale) (เช่น สกุลเงิน/เงินเฟ้อ)
- การยกกำลัง: เปลี่ยน น้ำหนักของหาง (Tail weight) (เช่น Burr, Transformed Gamma)
- การยกกำลังด้วยเลขฐานธรรมชาติ: สร้างการแจกแจงที่เป็น ค่าบวกเสมอ (เช่น Lognormal)
- การผสม: รวม กลุ่มคนที่แตกต่างกัน (เช่น กลุ่มปลอดภัย vs กลุ่มเสี่ยง)
- การต่อ: รวม ขนาดสินไหมที่แตกต่างกัน (เช่น สินไหมเล็ก vs สินไหมใหญ่)

คุณทำได้แน่นอน! เครื่องมือเหล่านี้คือรากฐานสำหรับการสร้างแบบจำลองขั้นสูงที่คุณจะต้องใช้ในส่วนที่เหลือของข้อสอบ ASTAM ต่อไป สู้ๆ นะ!