ยินดีต้อนรับสู่โลกแห่งการทำให้เป็นข้อมูลแบบไม่ต่อเนื่อง (Discretization)!

สวัสดีครับ! หากคุณกำลังเตรียมตัวสอบ Exam ASTAM คุณคงทราบดีแล้วว่าวิชาคณิตศาสตร์ประกันภัยมักเกี่ยวข้องกับการแจกแจงแบบต่อเนื่อง (Continuous Distributions) ที่ซับซ้อน เช่น การแจกแจงแบบแกมมา (Gamma) หรือพาเรโต (Pareto) แต่ผมมีเคล็ดลับจะบอกครับ: คอมพิวเตอร์และสูตรเวียนเกิดบางสูตร (เช่น Panjer’s recursion) ทำงานได้ดีกว่ามากเมื่อเจอกับตัวเลขแบบ ไม่ต่อเนื่อง (Discrete) หรือเลขจำนวนเต็มอย่าง 0, 1, 2 เป็นต้น

ในบทนี้ เราจะมาเรียนรู้วิธีการนำการแจกแจงแบบต่อเนื่องที่ราบเรียบมา "หั่น" ให้กลายเป็นเวอร์ชันแบบไม่ต่อเนื่อง ซึ่งเราเรียกขั้นตอนนี้ว่า การทำเป็นข้อมูลไม่ต่อเนื่อง (Discretization) ให้ลองจินตนาการว่าเหมือนกับการนำทางลาดเรียบๆ มาปรับให้กลายเป็นบันไดครับ วิธีนี้จะช่วยให้การคำนวณสำหรับ แบบจำลองความเสียหายรวม (Aggregate Loss Models) จัดการได้ง่ายขึ้นมาก เรามาเริ่มกันเลยครับ!

ทำไมเราต้องทำ Discretization?

ในส่วนของ "Aggregate Models" ของบทเรียน คุณมักจะต้องคำนวณความเสียหายรวม \(S = X_1 + X_2 + ... + X_N\) ในขณะที่ความเสียหายแต่ละรายการ (\(X\)) มักจะเป็นแบบต่อเนื่อง แต่การคำนวณรวมกันจะทำได้เร็วขึ้นมากหากเรามองว่า \(X\) เป็นตัวแปรแบบไม่ต่อเนื่อง การทำ Discretization จึงเป็นสะพานที่พาเราไปสู่จุดนั้นครับ

รู้หรือไม่? นักคณิตศาสตร์ประกันภัยใช้เทคนิคเหล่านี้เพื่อทำให้ "แบบจำลองความเสี่ยงรวม (Collective Risk Models)" ง่ายขึ้น เพื่อให้พวกเขาสามารถกำหนดราคาเบี้ยประกันได้รวดเร็วโดยไม่สูญเสียความแม่นยำมากเกินไป!


วิธีที่ 1: วิธีการปัดเศษ (Method of Rounding)

วิธีการปัดเศษ (Method of Rounding) (บางครั้งเรียกว่า Mass Dispersal Method) เป็นวิธีที่เข้าใจง่ายที่สุดในการทำ Discretization เราเพียงแค่เลือก "ขนาดช่วง" (เรียกว่า span แทนด้วย h) แล้วปัดเศษค่าต่อเนื่องทุกค่าให้เป็นพหุคูณที่ใกล้ที่สุดของ \(h\)

วิธีการทำงาน:

สมมติว่าเรามีช่วง \(h = 1\) หากความเสียหายคือ 1.2 เราจะปัดเป็น 1 ถ้าเป็น 1.8 เราจะปัดเป็น 2 ในการหาความน่าจะเป็นของจุดไม่ต่อเนื่องที่ระบุ \(x_j = jh\) เราจะรวบรวมความน่าจะเป็นทั้งหมดจากการแจกแจงแบบต่อเนื่องที่ "ใกล้เคียงที่สุด" กับจุดนั้น

สูตรที่คุณต้องทราบมีดังนี้:

\( f_0 = P(X < h/2) = F(h/2) \)

\( f_j = P(jh - h/2 \le X < jh + h/2) = F(jh + h/2) - F(jh - h/2) \) สำหรับ \(j = 1, 2, ...\)

การเปรียบเทียบในชีวิตประจำวัน:

ลองจินตนาการว่ามีถังน้ำวางเรียงกันโดยห่างกันจุดละ 1 เมตร คุณมีสายยาง (คือการแจกแจงแบบต่อเนื่อง) ฉีดน้ำไปตามแนวเส้นนั้น วิธีการปัดเศษ ก็เหมือนกับการบอกว่า น้ำทั้งหมดที่ตกลงมาภายในรัศมีครึ่งเมตรของถังใบไหน ก็จะไหลลงไปในถังใบนั้นครับ

ทบทวนสั้นๆ: พื้นฐานการปัดเศษ

1. h คือ span (ระยะห่างระหว่างจุดไม่ต่อเนื่อง)
2. \(f_0\) นั้นพิเศษกว่าเพื่อน; มันจะมองแค่ "ไปข้างหน้า" จากศูนย์ไปจนถึงครึ่งหนึ่งของช่วง
3. \(f_j\) จะมองย้อนกลับไปครึ่งช่วงและมองไปข้างหน้าครึ่งช่วงครับ


วิธีที่ 2: การจับคู่โมเมนต์เฉพาะจุด (Local Moment Matching)

ถ้ารู้สึกว่าวิธีนี้ดูเป็นวิชาการมากขึ้น ไม่ต้องกังวลนะครับ! วิธี Local Moment Matching เป็นวิธีที่ซับซ้อนขึ้นอีกนิด แทนที่จะแค่ปัดเศษ เราต้องการให้การแจกแจงแบบไม่ต่อเนื่องนี้ "ทำหน้าที่" เหมือนตัวต่อเนื่องโดยการรักษาค่า ค่าเฉลี่ย (Mean) (และบางครั้งอาจรวมถึงโมเมนต์ที่สูงกว่า) ให้คงเดิมภายในแต่ละช่วง

การจับคู่โมเมนต์ที่หนึ่ง (ค่าเฉลี่ย)

โดยปกติใน ASTAM เราจะเน้นไปที่การจับคู่ โมเมนต์ที่หนึ่ง นั่นหมายความว่าสำหรับช่วงใดๆ \([jh, (j+1)h]\) ค่าเฉลี่ยของมวลความน่าจะเป็นแบบไม่ต่อเนื่องที่เรากำหนดไว้ที่จุดปลายทั้งสองข้าง ต้องเท่ากับค่าเฉลี่ยของมวลความน่าจะเป็นจากการแจกแจงแบบต่อเนื่องในช่วงนั้นๆ

สำหรับแต่ละช่วง \([jh, (j+1)h]\) เราจะกระจายมวลความน่าจะเป็นไปยังจุดปลายสองจุด คือ (\(jh\)) และ (\((j+1)h\))

ขั้นตอนการทำ:
1. คำนวณมวลความน่าจะเป็นในช่วงนั้น: \(m_0^j = \int_{jh}^{(j+1)h} f(x) dx = F((j+1)h) - F(jh)\)
2. คำนวณค่าเฉลี่ยเฉพาะช่วง (Local mean): \(m_1^j = \int_{jh}^{(j+1)h} x f(x) dx\)
3. จัดสรรค่ามวลให้กับจุดปลายโดยใช้น้ำหนักเหล่านี้:
มวลที่เพิ่มให้จุด \(jh\) คือ: \( \frac{(j+1)h \cdot m_0^j - m_1^j}{h} \)
มวลที่เพิ่มให้จุด \((j+1)h\) คือ: \( \frac{m_1^j - jh \cdot m_0^j}{h} \)

การเปรียบเทียบ "ตาชั่งคานดีด":

จินตนาการถึงไม้กระดก (Seesaw) ระหว่างจุด \(jh\) และ \((j+1)h\) มวลแบบต่อเนื่องวางอยู่ที่ไหนสักแห่งบนไม้กระดกนั้น เพื่อที่จะรักษาสมดุลของไม้กระดกให้เหมือนเดิมเป๊ะ คุณต้องแบ่งมวลนั้นลงไปที่ปลายทั้งสองด้าน ถ้า "น้ำหนัก" นั้นค่อนไปทางด้านขวา ปลายด้านขวาก็จะได้รับมวลไปมากกว่าครับ!

ประเด็นสำคัญที่ต้องจำ:

ในวิธีนี้ จุดแบบไม่ต่อเนื่องแต่ละจุด \(jh\) (ยกเว้นจุดศูนย์) จริงๆ แล้วจะได้รับ "การสมทบ" จาก สอง ช่วงที่อยู่ติดกัน: ช่วงที่อยู่ทางซ้ายและช่วงที่อยู่ทางขวาของมันครับ


ข้อผิดพลาดทั่วไปที่ควรหลีกเลี่ยง

1. ลืมค่า Span (h): นักศึกษามักลืมใส่ค่า \(h\) ในการคำนวณ ถ้าโจทย์ถามหา span เท่ากับ 2 จุดที่คุณต้องใช้คือ 0, 2, 4, 6... ไม่ใช่ 0, 1, 2, 3 นะครับ!

2. คำนวณ \(m_1^j\) ผิด: จำไว้ว่า \(m_1^j\) คืออินทิกรัลของ \(x \cdot f(x)\) สำหรับการแจกแจงหลายประเภท (เช่น Exponential) คุณอาจต้องใช้วิธีการอินทิเกรตทีละส่วน (Integration by Parts) หรือใช้สูตรสำหรับ Limited Expected Value เพื่อหาค่านี้ให้ง่ายขึ้น

3. จุดปลาย (Endpoints): ในวิธี Rounding ตัว \(f_0\) จะครอบคลุมแค่ครึ่งช่วง แต่ในวิธี Moment Matching จุดต่างๆ จะถูกสร้างขึ้นจากสองช่วงที่ติดกันเสมอ ดังนั้นต้องตรวจสอบขอบเขตให้ดีนะครับ


สรุปและประเด็นสำคัญ

Discretization เป็นสิ่งสำคัญสำหรับการคำนวณความเสียหายรวมในทางปฏิบัติ คุณมีเครื่องมือหลักๆ สองอย่างในมือ:

Method of Rounding (วิธีปัดเศษ):
- ง่ายและรวดเร็ว
- ใช้ค่า CDF (\(F(x)\)) ที่จุดกึ่งกลางระหว่างค่าแบบไม่ต่อเนื่องของคุณ
- เหมาะสำหรับการประมาณค่าแบบรวดเร็ว

Local Moment Matching (วิธีจับคู่โมเมนต์):
- แม่นยำกว่าเพราะสามารถรักษาค่าเฉลี่ยของการแจกแจงไว้ได้
- ต้องคำนวณมวล (\(m_0\)) และค่าเฉลี่ยเฉพาะช่วง (\(m_1\)) สำหรับแต่ละช่วง
- จำไว้ว่าจุด \(f_j\) แต่ละจุดคือผลรวมของสองส่วน: ส่วนที่มาจากช่วงที่สิ้นสุดที่ \(j\) และอีกส่วนที่มาจากช่วงที่เริ่มต้นที่ \(j\)

หมั่นฝึกฝนการคำนวณเหล่านี้ให้คล่องนะครับ! เมื่อไหร่ที่คุณจับจังหวะการทำอินทิกรัลได้แล้ว หัวข้อนี้จะเป็น "คะแนนฟรี" ในห้องสอบแน่นอน คุณทำได้อยู่แล้ว!