Calculations for the (a,b,0) and (a,b,1) classes

ยินดีต้อนรับสู่โลกแห่งความถี่ของการเกิดเคลม (Claim Frequencies)!

ในส่วนของ "แบบจำลองความรุนแรง ความถี่ และความเสียหายรวม" (Severity, Frequency, and Aggregate Models) สำหรับข้อสอบ FAM เราจะใช้เวลาส่วนใหญ่ไปกับการทำความเข้าใจเรื่อง ความถี่ (Frequency) ซึ่งเป็นเพียงคำเรียกสวยหรูในทางคณิตศาสตร์ประกันภัยที่ถามว่า "เหตุการณ์หนึ่งๆ เกิดขึ้นกี่ครั้ง?"

แทนที่จะต้องท่องจำสูตรนับสิบสำหรับแต่ละการแจกแจง นักคณิตศาสตร์ประกันภัยได้จัดกลุ่มการแจกแจงไว้เป็น 2 "ตระกูล" หลักๆ คือ ตระกูล (a,b,0) และ ตระกูล (a,b,1) ตระกูลเหล่านี้ช่วยให้เราใช้สูตรเวียนเกิด (recursive formula) เพียงสูตรเดียวในการหาความน่าจะเป็นของการแจกแจงที่พบบ่อยที่สุดในโลกแห่งความเป็นจริง ไม่ต้องกังวลหากในตอนแรกมันดูเหมือนเป็นคณิตศาสตร์ที่ซับซ้อนนะ เมื่อเห็นรูปแบบของมันแล้ว คุณจะพบว่ามันเหมือนกับการทำอาหารตามสูตรเป๊ะเลย!

เคล็ดลับสำคัญ: สูตรเวียนเกิด (The Recursive Formula)

ความมหัศจรรย์ของตระกูลเหล่านี้อยู่ที่ความสัมพันธ์ง่ายๆ ระหว่างความน่าจะเป็นที่จะเกิดเคลม \(k\) ครั้ง กับความน่าจะเป็นที่จะเกิดเคลม \(k-1\) ครั้ง สำหรับการแจกแจงใดๆ ในตระกูลเหล่านี้ ความน่าจะเป็นจะเป็นไปตามกฎดังนี้:

\[ \frac{p_k}{p_{k-1}} = a + \frac{b}{k} \]

โดยที่:
\(p_k\) คือความน่าจะเป็นที่จำนวนเคลม \(N\) เท่ากับ \(k\)
\(a\) และ \(b\) คือค่าคงที่เฉพาะของการแจกแจงนั้นๆ
\(k\) คือจำนวนครั้งที่เกิดเคลม (1, 2, 3...)

ลองเปรียบเทียบดูนะ: ลองนึกภาพว่าคุณกำลังปีนบันได กฎ (a,b,0) จะบอกคุณอย่างแม่นยำว่าต้องออกแรงเท่าไหร่เพื่อปีนไปขั้นถัดไป โดยพิจารณาจากขั้นที่คุณยืนอยู่ คุณไม่จำเป็นต้องกระโดดจากพื้นขึ้นไปที่ขั้นที่ 10 คุณแค่ต้องรู้วิธีข้ามจากขั้นที่ 9 ไปยังขั้นที่ 10 เท่านั้น!

กล่องทบทวนด่วน:
ถ้าคุณรู้ค่า \(p_0\) และรู้ค่า \(a\) กับ \(b\) คุณก็จะหาค่า \(p_1\) ได้ และเมื่อได้ \(p_1\) คุณก็จะหา \(p_2\) ต่อไปได้เรื่อยๆ! มันคือปฏิกิริยาลูกโซ่นั่นเอง

ส่วนที่ 1: ตระกูล (a,b,0)

ตระกูล (a,b,0) คือตระกูล "พื้นฐาน" โดยเริ่มนับจาก \(k=0\) และใช้สูตรเวียนเกิดได้สำหรับทุกค่า \(k = 1, 2, 3, ...\) ซึ่งมีสมาชิกอยู่เพียง 3 ประเภทในกลุ่มนี้:

1. การแจกแจงปัวซง (Poisson Distribution)

ปัวซงเปรียบเสมือนอาหารหลักของเรื่องความถี่ โดยสมมติว่าเหตุการณ์ต่างๆ เกิดขึ้นอย่างอิสระด้วยอัตราที่คงที่
สำหรับ Poisson(\(\lambda\)):
\(a = 0\)
\(b = \lambda\)
\(p_0 = e^{-\lambda}\)

เทคนิคการจำ: Poisson ขึ้นต้นด้วยตัว "P" และในสูตร (a,b,0) ค่า \(a\) คือ 0 จำง่ายๆ ว่า "Poisson ไม่มี a" (Poisson has Zero 'a')

2. การแจกแจงทวินาม (Binomial Distribution)

ใช้เมื่อจำนวนครั้งของการทดลอง (\(n\)) คงที่ และมีโอกาสสำเร็จ (\(q\)) ที่แน่นอน
สำหรับ Binomial(\(n, q\)):
\(a = \frac{-q}{1-q}\)
\(b = \frac{(n+1)q}{1-q}\)
\(p_0 = (1-q)^n\)

หมายเหตุ: ในการแจกแจงแบบทวินาม ค่า \(a\) จะเป็น ลบ เสมอ เพราะจำนวนผลลัพธ์ที่เป็นไปได้มีจำกัด (คุณไม่สามารถมีเคลมมากกว่า \(n\) ครั้งได้)

3. การแจกแจงทวินามนิเสธ (Negative Binomial Distribution)

มักใช้เมื่อความถี่ของการเกิดเคลมมีการ "กระจายตัว" (ผันผวน) มากกว่าการแจกแจงแบบปัวซง
สำหรับ Negative Binomial(\(r, \beta\)):
\(a = \frac{\beta}{1+\beta}\)
\(b = \frac{(r-1)\beta}{1+\beta}\)
\(p_0 = (1+\beta)^{-r}\)

ตารางสรุปสำหรับตระกูล (a,b,0)

Poisson: \(a=0, b=\lambda\)
Binomial: \(a < 0\)
Neg. Binomial: \(a > 0\)

ส่วนที่ 2: ตระกูล (a,b,1)

บางครั้งกรณี "ศูนย์" (0 ครั้ง) อาจไม่เป็นไปตามรูปแบบปกติ เช่น กรมธรรม์อาจมีค่าเสียหายส่วนแรก (deductible) ที่ต่ำมากจนไม่เคยมีการรายงานเหตุการณ์ที่ไม่มีเคลม หรืออาจมีการให้โบนัสสำหรับผู้ที่ไม่เกิดเคลมเลย นี่คือจุดที่ตระกูล (a,b,1) เข้ามามีบทบาท

ในตระกูล (a,b,1) สูตรเวียนเกิด ยังคงใช้ได้ แต่ต้องเริ่มนับตั้งแต่ \(k=2\) ขึ้นไป ความสัมพันธ์ระหว่าง \(p_0\) และ \(p_1\) จะถูก "ตัดออก" หรือปรับเปลี่ยนไป

มีการแจกแจง 2 ประเภทในตระกูลนี้:

1. Zero-Truncated (ZT)

คือการแจกแจงที่ ไม่มีทางเกิด 0 นั่นคือ \(p_0^T = 0\)
หากคุณเห็นตัวยก \(T\) (เช่น \(p_k^T\)) หมายความว่ามันคือ Truncated (ถูกตัดทิ้ง)

2. Zero-Modified (ZM)

คือการแจกแจงที่มีการกำหนดความน่าจะเป็นของ 0 ขึ้นมาใหม่ ซึ่งเรียกว่า \(p_0^M\) และค่าความน่าจะเป็นที่เหลือ (\(p_1, p_2, ...\)) จะถูกปรับเพื่อให้ผลรวมทั้งหมดเท่ากับ 100%

คุณรู้หรือไม่?
การแจกแจงแบบ Zero-Modified แท้จริงแล้วก็คือ "ค่าเฉลี่ยถ่วงน้ำหนัก" ระหว่างจุดที่พุ่งขึ้นที่ศูนย์ (spike at zero) กับการแจกแจงแบบ Zero-Truncated นั่นเอง!

การคำนวณความน่าจะเป็นในตระกูล (a,b,1)

หากคุณต้องหาความน่าจะเป็นสำหรับ Zero-Modified (\(M\)) ให้ทำตามขั้นตอนดังนี้:

ขั้นตอนที่ 1: หาค่าความน่าจะเป็นของ 0 ในรูปแบบ "ปกติ" (a,b,0) ซึ่งเรียกว่า \(p_0\)
ขั้นตอนที่ 2: ระบุค่าความน่าจะเป็นที่ปรับเปลี่ยนใหม่สำหรับศูนย์ คือ \(p_0^M\) (โจทย์มักจะกำหนดมาให้)
ขั้นตอนที่ 3: คำนวณค่าความน่าจะเป็นที่หนึ่งที่ปรับเปลี่ยนใหม่ (\(p_1^M\)) โดยใช้สูตรนี้:
\[ p_1^M = \frac{p_0^M - 1}{p_0 - 1} \cdot p_1 \]
ขั้นตอนที่ 4: ใช้สูตรเวียนเกิดมาตรฐาน (\(p_k = p_{k-1}(a + b/k)\)) เพื่อหาค่าความน่าจะเป็นอื่นๆ ที่ตามมา (\(p_2, p_3, ...\)) โดยเริ่มจาก \(p_1^M\)

ข้อผิดพลาดที่พบบ่อย: นักเรียนหลายคนพยายามใช้สูตรเวียนเกิด (a,b,0) เพื่อหาค่าจาก \(p_0^M\) ไปยัง \(p_1^M\) ซึ่ง ห้ามทำเด็ดขาด! สูตรเวียนเกิดใช้ได้สำหรับ \(k \ge 2\) เท่านั้นในตระกูล (a,b,1) คุณต้องใช้สูตรใน "ขั้นตอนที่ 3" เพื่อกระโดดจาก \(p_0\) ไป \(p_1\) ก่อนเสมอ

สรุปความแตกต่าง

ตระกูล (a,b,0): เริ่มเวียนเกิดที่ \(k=1\) ประกอบด้วย Poisson, Binomial และ Negative Binomial
ตระกูล (a,b,1): เริ่มเวียนเกิดที่ \(k=2\) ประกอบด้วยเวอร์ชัน Zero-Truncated และ Zero-Modified ของกลุ่มข้างต้น
เครื่องหมายของ "a":
- ถ้า \(a=0\): เป็นการแจกแจงแบบ Poisson
- ถ้า \(a<0\): เป็นการแจกแจงแบบ Binomial
- ถ้า \(a>0\): เป็นการแจกแจงแบบ Negative Binomial

ให้กำลังใจทิ้งท้าย

ตระกูล (a,b,0) และ (a,b,1) เป็นเพียงเครื่องมือที่ช่วยให้ชีวิตคุณง่ายขึ้น แทนที่จะต้องเรียนรู้ฟังก์ชันความน่าจะเป็น (PMF) 10 แบบที่แตกต่างกัน คุณเพียงแค่รู้วิธีใช้อัตราส่วนเวียนเกิดนี้ก็พอ ฝึกฝนการแยกให้ออกว่าโจทย์ถามหาการแจกแจงแบบ "Truncated" (ไม่มีเลขศูนย์) หรือ "Modified" (มีเลขศูนย์พิเศษ) เพียงเท่านี้ คุณก็จะเชี่ยวชาญแบบจำลองความถี่แล้ว!

ประเด็นสำคัญ: ตรวจสอบเสมอว่าการแจกแจงเป็นแบบ "Zero-Modified" หรือไม่ก่อนเริ่มคำนวณ ถ้าใช่ ให้จัดการกับ \(p_1\) ด้วยสูตรพิเศษก่อน จากนั้นปล่อยให้การเวียนเกิดทำงานส่วนที่เหลือให้คุณ!