ยินดีต้อนรับสู่โลกแห่งโมเมนต์ (Moments)!

สวัสดีว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! วันนี้เราจะมาเจาะลึกส่วนสำคัญในบท แบบจำลองความเสียหาย ความถี่ และแบบจำลองรวม (Severity, Frequency, and Aggregate Models) นั่นคือเรื่อง การจำแนกการแจกแจงด้วยการมีอยู่ของโมเมนต์ (Characterizing distributions by the existence of moments)

ถ้าคุณเคยสงสัยว่า "ความเสียหายจะคาดเดาไม่ได้ขนาดที่หาค่าเฉลี่ยไม่ได้เลยเชียวหรือ?" ถ้าใช่... คุณมาถูกที่แล้วครับ ในบทนี้เราจะมาเรียนรู้วิธีดูว่าการแจกแจงแบบไหนที่ "นิสัยดี" (well-behaved) หรือแบบไหนที่มี "หางหนา" (heavy tail) จนสร้างความเสี่ยงให้กับบริษัทประกันภัย ไม่ต้องกังวลถ้าคณิตศาสตร์ดูยากในตอนแรก เราจะค่อยๆ ย่อยไปทีละขั้นตอน!

1. "โมเมนต์" คืออะไร และทำไมถึงต้อง "มีอยู่"?

ก่อนจะไปถึงเนื้อหาที่ลึกซึ้ง เรามาดูพื้นฐานกันก่อน ในคณิตศาสตร์ประกันภัย โมเมนต์ดิบอันดับที่ \(k\) (k-th raw moment) นิยามว่าเป็นค่าคาดหมายของตัวแปรสุ่ม \(X\) ที่ยกกำลัง \(k\) เขียนแทนด้วย \(E[X^k]\)

  • โมเมนต์อันดับที่ 1 (\(k=1\)) คือ ค่าเฉลี่ย (Mean) หรือความเสียหายเฉลี่ย
  • โมเมนต์อันดับที่ 2 (\(k=2\)) ใช้ในการหา ความแปรปรวน (Variance) หรือความผันผวน

แนวคิดเรื่อง "การมีอยู่" (Existence): เมื่อเราพูดว่าโมเมนต์ "มีอยู่" หมายความว่าเมื่อเราคำนวณทางคณิตศาสตร์ (ปกติคือการอินทิเกรต) ผลลัพธ์ที่ได้ต้องเป็น ตัวเลขที่มีค่าจำกัด (finite number) ถ้าคำนวณออกมาแล้วได้ "อนันต์" (infinity) เราจะบอกว่าโมเมนต์นั้น ไม่มีอยู่จริง (does not exist)

เปรียบเทียบกับชีวิตประจำวัน

ลองจินตนาการว่าการแจกแจงของประกันภัยเหมือนภูเขาลูกใหญ่ ภูเขาส่วนใหญ่จะมีจุดสูงสุดแล้วค่อยๆ ลาดลงมาจนถึงพื้นดิน ถ้าความลาดชันนั้นสูงชันมาก (หางบาง/light tail) เราจะสามารถวัด "ปริมาตร" ของภูเขาลูกนั้นได้อย่างง่ายดาย แต่ถ้าความลาดชันนั้นทอดยาวออกไปเรื่อยๆ โดยไม่ยอมแตะพื้นดินเสียที (หางหนา/heavy tail) "ปริมาตร" ของมันอาจจะมหาศาลจนเราไม่สามารถระบุเป็นตัวเลขค่าเดียวได้ นั่นแหละคือลักษณะของการแจกแจงที่โมเมนต์ไม่มีอยู่จริง!

2. การแจกแจงแบบพาเรโต (Pareto Distribution): "พระเอก" ของบทนี้

ในการสอบ Exam FAM การแจกแจงแบบพาเรโต เป็นตัวอย่างที่นิยมนำมาออกสอบเพื่อทดสอบความเข้าใจเรื่องการมีอยู่ของโมเมนต์มากที่สุด พาเรโตขึ้นชื่อเรื่องการมี "หางที่หนา" ซึ่งหมายความว่ามันทำนายโอกาสที่จะเกิดความเสียหายรุนแรงระดับหายนะได้สูง

สำหรับการแจกแจงแบบพาเรโตที่มีพารามิเตอร์ \(\theta\) (scale) และ \(\alpha\) (shape):

กฎสำคัญ: โมเมนต์อันดับที่ \(k\) คือ \(E[X^k]\) จะมีอยู่ ก็ต่อเมื่อ \(k < \alpha\)

ทำไมเรื่องนี้ถึงสำคัญ?
ถ้าการแจกแจงพาเรโตมีค่า \(\alpha = 1.5\):
- โมเมนต์อันดับที่ 1 (ค่าเฉลี่ย) มีอยู่ เพราะ \(1 < 1.5\)
- โมเมนต์อันดับที่ 2 (การคำนวณความแปรปรวน) ไม่มีอยู่ เพราะ \(2\) ไม่น้อยกว่า \(1.5\)
- นั่นหมายความว่าความเสียหายมีความผันผวนสูงมากจนในทางทฤษฎีแล้ว ความแปรปรวนมีค่าเป็นอนันต์!

ตัวช่วยจำ: กฎ "อัลฟ่าคือเจ้านาย"

ให้คิดว่า \(\alpha\) คือ ปริมาณ "พื้นที่" ที่การแจกแจงนั้นมีให้สำหรับโมเมนต์ ถ้าคุณต้องการโมเมนต์อันดับที่ \(k\) มันต้อง "พอดี" อยู่ภายใต้เพดานของ \(\alpha\) ถ้า \(k\) พยายามจะทะลุเพดาน \(\alpha\) ออกไป โมเมนต์นั้นก็จะ "ระเบิด" กลายเป็นอนันต์ทันที

3. การเปรียบเทียบความหนาของหาง

เหตุผลหลักที่เราตรวจสอบว่าโมเมนต์มีอยู่หรือไม่ ก็เพื่อตัดสินว่า "หาง" ของการแจกแจงนั้นหนาแค่ไหน ซึ่งบอกให้นักคณิตศาสตร์ประกันภัยรู้ว่ากรมธรรม์นั้นมีความเสี่ยงมากเพียงใด

  • การแจกแจงหางบาง (Light-Tailed Distributions): อย่างเช่น Exponential หรือ Normal จะมี ทุกโมเมนต์ คุณจะหาโมเมนต์อันดับที่ 100 หรือ 1,000 ก็ยังได้ โดยทั่วไปแล้วมีความเสี่ยงต่อความเสียหายสุดโต่งน้อยกว่า
  • การแจกแจงหางปานกลาง (Medium-Tailed Distributions): การแจกแจง Log-normal เป็นกรณีพิเศษ ทุกโมเมนต์ของมันมีอยู่จริง (เหมือนหางบาง) แต่กลับ ไม่มี Moment Generating Function (MGF) ทำให้มันมีความเสี่ยงมากกว่า Exponential แต่ก็น้อยกว่า Pareto
  • การแจกแจงหางหนา (Heavy-Tailed Distributions): การแจกแจงอย่าง Pareto หรือ Burr จะมี เพียงบางโมเมนต์เท่านั้นที่หาค่าได้ กลุ่มนี้ "เสี่ยงที่สุด" เพราะความเสียหายระดับใหญ่ๆ เกิดขึ้นได้บ่อยกว่า

สรุปสั้นๆ ให้จำง่าย:
- ทุกโมเมนต์มีอยู่: Gamma, Exponential, Normal, Log-normal
- มีเพียงบางโมเมนต์: Pareto, Burr, Log-logistic

4. ขั้นตอนการทดสอบการมีอยู่ของโมเมนต์

เมื่อคุณอยู่ในห้องสอบและต้องตัดสินใจว่า \(E[X^k]\) มีอยู่หรือไม่สำหรับฟังก์ชันการอยู่รอด (survival function) \(S(x)\) ให้ใช้ตรรกะนี้:

ขั้นที่ 1: ดูพฤติกรรมของการแจกแจงเมื่อ \(x\) เข้าใกล้ค่าอนันต์ (\(x \to \infty\))

ขั้นที่ 2: ใช้สูตรของโมเมนต์ดิบ: \(E[X^k] = \int_0^\infty k \cdot x^{k-1} S(x) dx\)

ขั้นที่ 3: ตรวจสอบว่าอินทิกรัลลู่เข้าหรือไม่ สำหรับพาเรโต \(S(x)\) จะมีรูปเป็น \(x^{-\alpha}\) เมื่อคูณกับ \(x^{k-1}\) คุณจะได้พจน์ \(x^{k - \alpha - 1}\) การอินทิกรัลจะลู่เข้าก็ต่อเมื่อเลขชี้กำลังน้อยกว่า \(-1\) ซึ่งนำกลับไปสู่กฎเดิมของเราคือ \(k < \alpha\)

รู้หรือไม่?

การแจกแจง Log-normal มักจะเป็น "ข้อสอบหลอก" ใน Exam FAM บ่อยครั้งที่นักเรียนคิดว่าในเมื่อหางของมัน "หนา" โมเมนต์บางตัวก็น่าจะไม่มีอยู่จริง แต่ที่จริงแล้ว ทุกๆ กำลัง ของ \(X\) สำหรับ Log-normal นั้นมีค่าคาดหมายที่จำกัด! ความ "หนา" ของมันแสดงให้เห็นผ่านการที่ MGF ของมันเป็นอนันต์ ไม่ใช่ที่โมเมนต์ของมัน

5. ข้อผิดพลาดที่ควรหลีกเลี่ยง

1. สับสนระหว่าง \(\alpha\) กับ \(k\): จำไว้เสมอว่าพารามิเตอร์ของการแจกแจง (\(\alpha\)) คือ ขีดจำกัด และโมเมนต์ที่คุณต้องการหา (\(k\)) คือ ผู้ท้าชิง ผู้ท้าชิงต้องมีค่าน้อยกว่าขีดจำกัดเสมอ

2. ลืมไปว่าโมเมนต์ต้องเป็นบวก: โดยปกติเราจัดการกับความเสียหายที่ \(X > 0\) ดังนั้นเราจะสนใจแค่ \(k > 0\) เท่านั้น

3. มองข้ามพารามิเตอร์ Scale: แม้ว่า \(\theta\) (scale) จะสำคัญในการคำนวณ ค่า ของโมเมนต์ แต่มัน ไม่มีผล ต่อการมีอยู่ของโมเมนต์เลย มีเพียงพารามิเตอร์รูปทรง (shape parameters) อย่าง \(\alpha\) เท่านั้นที่เป็นตัวตัดสิน

6. สรุปใจความสำคัญ

ประเด็นที่ 1: โมเมนต์บอกลักษณะเฉพาะของการแจกแจง (ค่าเฉลี่ย, ความแปรปรวน ฯลฯ)

ประเด็นที่ 2: ถ้าโมเมนต์มีค่าเป็นอนันต์ เราจะบอกว่ามัน "ไม่มีอยู่จริง" ซึ่งเกิดขึ้นในการแจกแจงหางหนา เช่น Pareto

ประเด็นที่ 3: สำหรับการแจกแจง Pareto นั้น \(E[X^k]\) จะมีอยู่ก็ต่อเมื่อ \(k < \alpha\) ซึ่งเป็นคอนเซปต์ที่ออกสอบบ่อยที่สุด

ประเด็นที่ 4: ความหนาของหางเป็นช่วงไล่ระดับ การรู้เรื่องการมีอยู่ของโมเมนต์จะช่วยให้เราวางตำแหน่งการแจกแจงลงในระดับความเสี่ยงเพื่อบริหารจัดการความเสี่ยงด้านประกันภัยได้ดีขึ้น

ฝึกฝนต่อไปนะครับ! การตรวจสอบการมีอยู่ของโมเมนต์ก็เหมือนกับการเป็นนักสืบ คุณแค่ต้องมองหาเบาะแสจากพารามิเตอร์เพื่อดูว่าการแจกแจงมีพฤติกรรมอย่างไรที่ค่าสุดโต่ง คุณทำได้แน่นอน!