ยินดีต้อนรับสู่บท Severity Distributions (การแจกแจงความรุนแรงของความเสียหาย)!
ยินดีด้วยที่คุณก้าวเข้ามาสู่หนึ่งในบทที่สำคัญที่สุดในการเตรียมสอบ Exam FAM! ในโลกของการประกันภัย เราให้ความสำคัญกับสองสิ่งหลักคือ Frequency (ความถี่ของการเกิดเหตุการณ์) และ Severity (มูลค่าความเสียหายในแต่ละเหตุการณ์) ในส่วนนี้เราจะโฟกัสไปที่เรื่อง Severity กันแบบเต็มๆ เลยครับ
ให้ลองมองการแจกแจงความรุนแรง (Severity distributions) เหมือน "เมนู" ที่มีรูปทรงหลากหลายครับ เคลมประกันบางอย่าง เช่น กระจกรถยนต์แตก มักจะเป็นเคสเล็กๆ ที่คาดเดาได้ง่าย แต่บางอย่างเช่น ความเสียหายจากพายุเฮอริเคน อาจมีความรุนแรงมหาศาล การเลือกใช้การแจกแจงให้เหมาะสมก็เหมือนกับการเลือกเครื่องมือให้ถูกกับงานนั่นเอง ไม่ต้องกังวลนะถ้าเห็นสมการคณิตศาสตร์แล้วรู้สึกน่ากลัวในตอนแรก เราจะค่อยๆ ย่อย "ตระกูล" ของการแจกแจงเหล่านี้ให้เข้าใจง่ายขึ้น เพื่อให้คุณเห็นความสัมพันธ์ของมันครับ!
1. Severity Distribution คืออะไรกันแน่?
Severity distribution คือการแจกแจงความน่าจะเป็นที่ใช้จำลอง ขนาด ของการสูญเสียที่เกิดขึ้นในหนึ่งครั้ง เนื่องจากมูลค่าเคลมไม่สามารถติดลบได้ การแจกแจงเหล่านี้จึงนิยามสำหรับ \(x > 0\)
ทบทวนสั้นๆ: - PDF \(f(x)\): ความน่าจะเป็นที่เคลมจะมีขนาดเท่ากับค่าใดค่าหนึ่งพอดี - CDF \(F(x)\): ความน่าจะเป็นที่เคลมจะมีขนาด น้อยกว่าหรือเท่ากับ \(x\) - Survival Function \(S(x)\): ความน่าจะเป็นที่เคลมจะมีขนาด มากกว่า \(x\) ในทางประกันภัย เราชอบ \(S(x)\) มากเพราะมันบอกให้เรารู้เกี่ยวกับความเสียหายก้อนใหญ่ๆ ที่น่ากลัวนั่นเอง!
2. "แผนผังตระกูล" ของการแจกแจง
การแจกแจงส่วนใหญ่ที่ใช้ใน FAM มักจะอยู่ในตระกูลที่ชัดเจน การเข้าใจความสัมพันธ์เหล่านี้จะช่วยให้คุณจำสูตรได้ง่ายขึ้นมาก ถ้าคุณรู้จัก "พ่อแม่" คุณก็มักจะเดา "ลูก" ของมันได้ไม่ยากครับ
ตระกูล Transformed Beta
ตระกูลนี้เปรียบเสมือน "คุณปู่คุณย่า" ของหลายๆ การแจกแจง เพียงแค่ปรับค่าพารามิเตอร์ คุณก็สามารถเปลี่ยนการแจกแจง Transformed Beta ให้กลายเป็น Pareto, Burr หรือ Loglogistic ได้ เคล็ดลับ: โดยปกติคุณไม่จำเป็นต้องจำสูตรของ Transformed Beta ที่ยาวเหยียด แต่ควรจำให้ได้ว่ามันคือ "ร่มคันใหญ่" ที่ครอบคลุมการแจกแจงที่มีหางหนา (heavy-tailed) หลายๆ ตัวเอาไว้
ตระกูล Transformed Gamma
ตระกูลนี้ประกอบไปด้วย Gamma, Exponential และ Weibull ซึ่งโดยทั่วไปมักใช้กับเคสที่มี "หางบาง" กว่า (นั่นคือ โอกาสเกิดเคลมมหาศาลจะมีน้อยกว่าตระกูล Beta)
หัวใจสำคัญ: การแจกแจงเหล่านี้ไม่ใช่แค่สูตรสุ่มๆ แต่มันเชื่อมโยงกันผ่านการแปลงทางคณิตศาสตร์ ถ้าคุณเห็นสูตรที่ดูคล้ายกับตัวอื่นแต่มีเลขยกกำลังเพิ่มมา นั่นมีความเป็นไปได้สูงมากว่ามันคือเวอร์ชันที่ถูก "แปลง" มานั่นเอง!
3. รู้จักกับการแจกแจง "ตัวท็อป"
มาดูกันว่ามีตัวไหนบ้างที่คุณจะเจอในข้อสอบบ่อยที่สุด
การแจกแจง Exponential (ตัวพื้นฐาน)
เป็นโมเดลที่ง่ายที่สุด โดยสมมติว่าความน่าจะเป็นของการเกิดเคลมคงที่ตลอดเวลา - ตัวช่วยจำ: คิดซะว่ามันเป็นตัวที่ "เรียบง่ายที่สุด" มันไม่มี "ความจำ" (Memoryless) และมีหางที่เบามาก - สูตร: \(F(x) = 1 - e^{-x/\theta}\)
การแจกแจง Gamma
ให้คิดว่าการแจกแจง Gamma คือ ผลรวม ของการแจกแจง Exponential หลายๆ ตัว - ถ้าคุณมีเคลมอิสระ 3 รายการที่แต่ละตัวมีการแจกแจงแบบ Exponential โดยมีค่าเฉลี่ย \(\theta\), ผลรวมทั้งหมดของมันจะมีการแจกแจงแบบ Gamma ที่มีค่า shape \(\alpha = 3\) และ scale \(\theta\)
การแจกแจง Pareto (ตัวสร้างความรุนแรง)
นี่คือซูเปอร์สตาร์ของโมเดล Severity เลยครับ มันมีลักษณะ Heavy-tailed (หางหนา) ซึ่งหมายความว่ามันทำนายโอกาสที่จะเกิดเคลมระดับ "หายนะ" ได้สูงกว่าปกติ - ตัวอย่างในชีวิตจริง: การฟ้องร้องความผิดพลาดทางการแพทย์ (Malpractice) หรือความรับผิดทางกฎหมายมักจะเป็นแบบ Pareto เพราะเคลมส่วนใหญ่จะมีขนาดเล็ก แต่บางครั้งอาจเกิดการชดเชยระดับหลายล้านได้ - ข้อควรระวัง: อย่าสับสนระหว่างพารามิเตอร์ทั้งสองตัว โดยทั่วไป \(\alpha\) (alpha) คือ shape และ \(\theta\) (theta) คือ scale ยิ่งค่า \(\alpha\) น้อย หางยิ่ง "หนา" (หมายถึงมีความเสี่ยงสูงมาก!)
การแจกแจง Lognormal
ถ้าคุณนำขนาดเคลมไปหาค่า natural log (\(ln(X)\)) แล้วผลลัพธ์ที่ได้ดูเหมือนเส้นโค้งปกติ (Bell Curve) นั่นแปลว่าข้อมูลเดิมของคุณมีการแจกแจงแบบ Lognormal - รู้หรือไม่? นี่เป็นเรื่องปกติมากในการประกันภัยทรัพย์สิน เพราะบ้านส่วนใหญ่มีค่าซ่อมแซมอยู่ในระดับกลางๆ โดยมีน้อยมากที่จะราคาถูกเกินไปหรือแพงมหาศาล
4. ความหนาของหาง: ใคร "เสี่ยง" ที่สุด?
ส่วนสำคัญของ Exam FAM คือการเปรียบเทียบ "ความหนาของหาง" ซึ่งเป็นวิธีเรียกสวยหรูของคำถามที่ว่า: "การแจกแจงไหนมีโอกาสทำให้เกิดเคลมยักษ์ได้มากกว่ากัน?"
ลำดับความหนา (จากบางที่สุดไปหนาที่สุด): 1. Normal (บางมาก - โอกาสเกิดเคลมยักษ์แทบเป็นศูนย์) 2. Exponential (ปานกลางค่อนไปทางบาง) 3. Gamma (ขึ้นอยู่กับค่า shape แต่โดยทั่วไปค่อนข้างบาง) 4. Lognormal (ปานกลางค่อนไปทางหนา) 5. Pareto (หนามาก!) 6. Cauchy (หนาที่สุด - แม้จะเจอใน FAM น้อยหน่อย)
วิธีทดสอบความหนาของหางในห้องสอบ: ถ้าโจทย์ให้คุณเปรียบเทียบการแจกแจงสองตัว ให้ดูอัตราส่วนของ Survival Function: \[ \lim_{x \to \infty} \frac{S_1(x)}{S_2(x)} \] ถ้าลิมิตออกมาเป็น infinity แสดงว่าการแจกแจงที่ 1 มี หางที่หนากว่า การแจกแจงที่ 2 การเปรียบเทียบ: ให้จินตนาการถึงการวิ่งแข่งไปสู่ศูนย์ การแจกแจงที่ "หนากว่า" คือตัวที่ยังคงค่าเหนือศูนย์ได้นานที่สุดในขณะที่กราฟขยับไปทางขวา
5. ความสัมพันธ์และการแปลงรูป
คุณสามารถสร้างการแจกแจงใหม่จากของเก่าได้ด้วย 3 เทคนิคนี้:
1. การคูณด้วยค่าคงที่ (Scale Transformation): ถ้า \(X\) คือการแจกแจงหนึ่ง, แล้ว \(Y = cX\) จะเป็นการเปลี่ยนค่า scale (\(\theta\)) เท่านั้น แต่มันไม่เปลี่ยน "รูปทรง" ของตระกูลมัน - ตัวอย่าง: การเปลี่ยนหน่วยเงินจากดอลลาร์เป็นยูโร
2. การยกกำลัง (Power Transformation): ถ้า \(X\) เป็น Exponential, แล้ว \(X^{1/\tau}\) จะกลายเป็น Weibull - วิธีจำ: "Power to the Weibull!"
3. การใช้เลขชี้กำลัง (Exponentiation): ถ้า \(X\) เป็น Normal, แล้ว \(e^X\) จะกลายเป็น Lognormal (ชื่อมันบอกอยู่แล้ว!)
สรุปสั้นๆ: - หางบาง: Exponential, Gamma - หางหนา: Pareto, Lognormal, Burr - วิธีทำให้หางหนาขึ้น: ลดค่า shape (\(\alpha\)) หรือใช้การแปลงแบบยกกำลัง (Power transformation)
6. สรุปใจความสำคัญ
- ทำไมต้องสน: สินค้าประกันภัยแต่ละประเภทต้องการโมเดลที่ต่างกัน คุณคงไม่ใช้โมเดล Exponential ที่ "บาง" มาใช้กับสินค้าประเภท Liability ที่ "หนา" แน่นอน
- "Scale" (\(\theta\)): มักเกี่ยวกับหน่วยเงินหรือขนาด การเปลี่ยน scale ไม่เปลี่ยน "ความเสี่ยง" พื้นฐานของรูปทรง
- "Shape" (\(\alpha\)): นี่คือพารามิเตอร์ที่สำคัญที่สุด เพราะมันกำหนดพฤติกรรมของหาง
- การเปรียบเทียบหาง: ใช้ลิมิตของอัตราส่วน survival function ตัวที่ "ค้างอยู่เหนือกว่า" เมื่อเข้าสู่ infinity คือตัวที่หนากว่า
ไม่ต้องกังวลถ้าเรื่องนี้ดูยากในตอนแรก! ยิ่งคุณฝึกแยกแยะการแจกแจงเหล่านี้ในตารางของ SOA ได้บ่อยเท่าไหร่ ความสัมพันธ์เหล่านี้ก็จะกลายเป็นเรื่องธรรมชาติสำหรับคุณเอง สู้ๆ ครับ!