ยินดีต้อนรับสู่โลกของผลรวมความเสียหาย (Aggregate Losses)!

สวัสดีครับว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! จนถึงตอนนี้ในการเดินทางในวิชา FAM คุณน่าจะได้ใช้เวลาไปมากกับการทำความเข้าใจเรื่อง ความรุนแรง (Severity) (ต้นทุนของเคลมต่อหนึ่งครั้ง) และ ความถี่ (Frequency) (จำนวนครั้งที่เกิดเคลม) มาแล้ว ตอนนี้เรากำลังจะนำสองสิ่งนี้มารวมกันเพื่อดู ผลรวมความเสียหาย (Aggregate Loss: \(S\)) ซึ่งก็คือยอดเงินรวมทั้งหมดที่บริษัทประกันภัยต้องจ่ายในช่วงเวลาหนึ่งนั่นเอง

ในบทนี้ เราจะมาสำรวจวิธีการคำนวณการแจกแจงของผลรวมความเสียหายโดยใช้ วิธีการสังวัตนาการ (Convolution Method) และวิธีการคำนวณค่าสินไหมทดแทนสำหรับ การประกันภัยแบบหยุดความเสียหาย (Stop-Loss Insurance) ไม่ต้องกังวลนะหากคำศัพท์เหล่านี้ฟังดูน่ากลัว เราจะค่อยๆ ย่อยให้เป็นชิ้นเล็กๆ ที่เข้าใจง่ายกัน!

1. วิธีการสังวัตนาการ (Convolution Method): การรวมทุกอย่างเข้าด้วยกัน

ลองจินตนาการว่าคุณมีกล่องปริศนาอยู่สองใบ กล่อง A มีเงินจำนวนหนึ่งแบบสุ่ม และกล่อง B ก็มีเงินจำนวนหนึ่งแบบสุ่ม การสังวัตนาการ (Convolution) ก็เป็นเพียงวิธีทางคณิตศาสตร์ที่ดูหรูหราในการหาความน่าจะเป็นของ ยอดรวม เงินที่คุณจะมีเมื่อนำกล่องทั้งสองใบมารวมกัน

ในทางคณิตศาสตร์ประกันภัย หาก \(X_1\) คือต้นทุนของเคลมแรก และ \(X_2\) คือต้นทุนของเคลมที่สอง ผลรวมความเสียหายคือ \(S = X_1 + X_2\) หากเคลมทั้งสองเป็นอิสระต่อกัน เราจะใช้ Convolution เพื่อหาการแจกแจงความน่าจะเป็นของ \(S\)

สูตรการคำนวณเป็นอย่างไร

สำหรับตัวแปรสุ่มแบบไม่ต่อเนื่อง (Discrete Random Variables) ความน่าจะเป็นที่ผลรวมความเสียหาย \(S\) เท่ากับค่า \(x\) ใดค่าหนึ่งคือ:
\(f_S(x) = P(S=x) = \sum_{y} f_{X_1}(y) \cdot f_{X_2}(x-y)\)

ให้คิดแบบนี้: การจะได้ผลรวมเป็น \(x\) คุณอาจจะได้ \(y\) จากเคลมแรก และส่วนที่เหลือ (\(x-y\)) จากเคลมที่สอง คุณแค่ต้องนำวิธีที่เป็นไปได้ทั้งหมดที่ทำให้เกิดผลลัพธ์นี้มาบวกกัน!

ตัวอย่างทีละขั้นตอน

สมมติว่าเคลมที่ 1 (\(X_1\)) และเคลมที่ 2 (\(X_2\)) มีการแจกแจงดังนี้:
- \(P(X=1) = 0.7\)
- \(P(X=2) = 0.3\)

ความน่าจะเป็นที่ผลรวมความเสียหาย \(S = X_1 + X_2\) จะเท่ากับ 3 คือเท่าใด?
1. ระบุรูปแบบที่เป็นไปได้: เพื่อให้ได้ผลรวมเป็น 3 เราสามารถเป็น (1, 2) หรือ (2, 1)
2. คำนวณความน่าจะเป็น:
- กรณีที่ 1: \(P(X_1=1) \cdot P(X_2=2) = 0.7 \cdot 0.3 = 0.21\)
- กรณีที่ 2: \(P(X_1=2) \cdot P(X_2=1) = 0.3 \cdot 0.7 = 0.21\)
3. รวมผลลัพธ์: \(0.21 + 0.21 = 0.42\).
ดังนั้น \(f_S(3) = 0.42\)

เคล็ดลับเล็กๆ: หากคุณมีเคลมมากกว่าสองเคลม (เช่น \(S = X_1 + X_2 + X_3\)) คุณเพียงแค่ทำ Convolution ของสองเคลมแรกเพื่อให้ได้การแจกแจงแบบ "ชั่วคราว" แล้วนำผลลัพธ์นั้นไป Convolution กับเคลมที่สามต่อได้เลย!

ข้อผิดพลาดที่พบบ่อย: ตรวจสอบให้แน่ใจว่าผลรวมของความน่าจะเป็นทั้งหมดในชุดการแจกแจงของ \(S\) เท่ากับ 1.0 เสมอ ถ้าไม่เท่า แสดงว่าคุณลืมพิจารณาบางกรณีไป!

ประเด็นสำคัญที่ควรจำ:

Convolution คือกระบวนการหาการแจกแจงความน่าจะเป็นของผลรวมของตัวแปรสุ่มที่เป็นอิสระต่อกัน โดยการไล่คำนวณความเป็นไปได้ทั้งหมดของผลลัพธ์ที่จะนำไปสู่ผลรวมนั้นๆ

2. การประกันภัยแบบหยุดความเสียหาย (Stop-Loss Insurance): ค่าเสียหายส่วนแรกในภาพรวม

คุณคงรู้จัก ค่าเสียหายส่วนแรก (Deductible) สำหรับการเคลมรถยนต์เป็นรายครั้งมาแล้ว การประกันภัยแบบ Stop-Loss ก็มีลักษณะคล้ายกัน แต่ใช้กับ ผลรวมความเสียหายทั้งหมด ตลอดทั้งปี ซึ่งช่วยปกป้องผู้เอาประกัน (มักเป็นบริษัทที่รับความเสี่ยงเองสำหรับพนักงาน) จาก "ปีที่โชคร้าย" ที่มีเคลมเกิดขึ้นจำนวนมากพร้อมๆ กัน

บริษัทประกันจะจ่ายเงินในส่วนที่ผลรวมความเสียหาย \(S\) เกินจาก ค่าเสียหายส่วนแรกของ Stop-Loss (\(d\))

สูตรค่าสินไหมทดแทนที่คาดหวัง

ค่าสินไหมทดแทนที่คาดหวังสำหรับการประกันภัย Stop-Loss เขียนแทนด้วย \(E[(S-d)_+]\) โดยเครื่องหมาย "+" เล็กๆ หมายถึง "เอาเฉพาะกรณีที่เป็นบวกเท่านั้น" (ถ้า \(S < d\) ค่าสินไหมจะเป็นศูนย์)

สำหรับการคำนวณในการแจกแจงแบบไม่ต่อเนื่อง:
\(E[(S-d)_+] = \sum_{x > d} (x-d) \cdot P(S=x)\)

ขั้นตอนการคำนวณ:
1. ลิสต์ค่าที่เป็นไปได้ทั้งหมดของผลรวมความเสียหาย \(S\)
2. หาความน่าจะเป็นที่แต่ละค่าจะเกิดขึ้น
3. สำหรับแต่ละค่า \(x\) ที่ มากกว่า ค่าเสียหายส่วนแรก \(d\) ให้นำ \(x\) ลบด้วย \(d\)
4. นำผลลัพธ์ไปคูณกับความน่าจะเป็นของ \(x\)
5. นำผลคูณเหล่านั้นมารวมกัน

ความสัมพันธ์ที่เป็นประโยชน์

มีสมการสำคัญที่คุณ ต้อง จำให้ได้สำหรับสอบ FAM:
\(E[S] = E[S \wedge d] + E[(S-d)_+]\)

สรุปง่ายๆ คือ: ค่าความเสียหายเฉลี่ยรวม เท่ากับ จำนวนเงินเฉลี่ยที่ ผู้เอาประกัน จ่าย (ความเสียหายที่จำกัดไว้) บวกกับจำนวนเงินเฉลี่ยที่ บริษัทประกัน จ่าย (ค่าสินไหม Stop-Loss)

รู้หรือไม่? บ่อยครั้งนี่คือวิธีแก้โจทย์ที่เร็วที่สุด! หากข้อสอบให้ \(E[S]\) และ \(E[S \wedge d]\) มา คุณไม่จำเป็นต้องไล่บวกเลขให้เสียเวลา แค่นำมาลบกันก็ได้คำตอบแล้ว!

ประเด็นสำคัญที่ควรจำ:

การประกันภัยแบบ Stop-Loss จะครอบคลุมเฉพาะส่วน "หาง" ของการแจกแจงผลรวมความเสียหาย ต้นทุนที่คาดหวังคือค่าเฉลี่ยถ่วงน้ำหนักของความเสียหายที่เกินจากค่าเสียหายส่วนแรกไป

3. ทางลัดและเทคนิคช่วยจำ

สูตรการคำนวณแบบวนซ้ำ (Recursive) สำหรับ Stop-Loss แบบไม่ต่อเนื่อง

หากคุณต้องการคำนวณค่าสินไหม Stop-Loss ที่คาดหวังสำหรับค่าเสียหายส่วนแรกที่ \(d+1\) และคุณรู้ค่าสำหรับ \(d\) อยู่แล้ว คุณสามารถใช้ทางลัดนี้ได้ (ในกรณีที่ \(S\) มีเฉพาะค่าที่เป็นจำนวนเต็ม):
\(E[(S-(d+1))_+] = E[(S-d)_+] - P(S > d)\)

เทคนิคช่วยจำ: ให้ลองจินตนาการว่าเป็นเหมือนบันได เมื่อค่าเสียหายส่วนแรกเพิ่มขึ้นทีละขั้น ค่าสินไหมที่คาดหวังจะลดลงตามความน่าจะเป็นที่คุณจะอยู่ที่ขั้นนั้นหรือสูงกว่า

ปัญหาการไม่มีเคลม (Zero-Claim)

บางครั้งมีความเป็นไปได้ที่จะเกิดเคลมเป็น 0 ครั้ง หาก \(N=0\) ดังนั้น \(S=0\)
- ถ้า \(d=0\) ดังนั้น \(E[(S-0)_+] = E[S]\)
- ถ้า \(d > 0\) กรณีที่เป็นศูนย์จะไม่ถูกนำมาคำนวณค่าสินไหม Stop-Loss (เพราะ 0 ไม่ได้มากกว่า \(d\))

รายการตรวจสอบความสำเร็จ

1. คุณทำ Convolution ได้หรือยัง? หากให้การแจกแจงอิสระสองชุดมา คุณสามารถหาความน่าจะเป็นของผลรวมได้ใช่ไหม?
2. คุณเข้าใจสูตร Stop-Loss หรือไม่? คุณสามารถคำนวณ \(E[(S-d)_+]\) ได้ทั้งวิธีบวกตรงๆ และวิธี \(E[S] - E[S \wedge d]\) ใช่ไหม?
3. ระวังเรื่องค่าเสียหายส่วนแรก (Deductible): ใน Stop-Loss ค่า \(d\) จะใช้กับ ผลรวมทั้งหมด ไม่ใช่แยกตามรายเคลม อย่าสับสนนะ!

ไม่ต้องกังวลนะถ้ารู้สึกว่ามันยากในตอนแรก! แบบจำลองรวม (Aggregate Models) มักจะเป็นส่วนที่ใช้การคำนวณหนักที่สุดในข้อสอบ ลองฝึกโจทย์แนว "ผลรวมของลูกเต๋า" เพื่อให้คุ้นมือกับจังหวะของ Convolution แล้วตรรกะของ Stop-Loss จะกลายเป็นเรื่องง่ายสำหรับคุณเอง คุณทำได้แน่นอน!