ยินดีต้อนรับสู่โลกแห่งความถี่ (Frequency)!
ในหัวข้อ "แบบจำลองความรุนแรง ความถี่ และผลรวม" (Severity, Frequency, and Aggregate Models) ของการสอบ Exam FAM เรามักจะใช้เวลาส่วนใหญ่ไปกับการนับสิ่งต่างๆ โดยเฉพาะอย่างยิ่ง "จำนวนครั้งของการเกิดเคลม" ในช่วงเวลาที่กำหนด ซึ่งสิ่งนี้แหละที่เราเรียกว่า ความถี่ (Frequency) แทนที่จะต้องท่องจำสูตรที่ดูไม่เกี่ยวข้องกันจำนวนมาก นักคณิตศาสตร์ประกันภัยเลือกใช้การแจกแจงแบบ "ตระกูล" หรือกลุ่มหลักๆ สองกลุ่ม คือ กลุ่ม (a, b, 0) และกลุ่ม (a, b, 1)
ลองคิดว่ากลุ่มเหล่านี้เปรียบเสมือน "แม่พิมพ์" (Template) หากการแจกแจงใดเข้าข่ายแม่พิมพ์นี้ เราก็สามารถใช้กฎมาตรฐานชุดเดียวกันเพื่อหาค่าความน่าจะเป็นได้เลย บทนี้จะเป็นไกด์นำทางให้คุณเชี่ยวชาญแม่พิมพ์เหล่านี้เอง ถ้ารู้สึกว่าคณิตศาสตร์ดูยากในตอนแรก ไม่ต้องกังวลนะ เราจะค่อยๆ เจาะลึกไปทีละขั้น!
1. รากฐานสำคัญ: การแจกแจงกลุ่ม (a, b, 0)
กลุ่ม (a, b, 0) คือกลุ่มของการแจกแจงแบบไม่ต่อเนื่อง (Discrete Distribution) ที่โด่งดัง 3 ชนิด ได้แก่ Poisson, Binomial และ Negative Binomial สิ่งที่ทำให้พวกมันเป็น "ครอบครัว" เดียวกันก็คือ อัตราส่วนของความน่าจะเป็นที่ต่อเนื่องกันจะมีรูปแบบเชิงเส้นที่ชัดเจนมากๆ
สูตรมหัศจรรย์
สำหรับการแจกแจงใดๆ ในกลุ่ม (a, b, 0) ความน่าจะเป็นของการเกิดเคลม \(k\) ครั้ง (\(p_k\)) จะมีความสัมพันธ์กับความน่าจะเป็นของการเกิดเคลม \(k-1\) ครั้ง (\(p_{k-1}\)) ด้วยสูตรนี้:
\(\frac{p_k}{p_{k-1}} = a + \frac{b}{k}, \quad k = 1, 2, 3, ...\)
เดี๋ยวสิ นี่หมายความว่าอย่างไร? ลองจินตนาการว่าคุณกำลังปีนบันได แต่ละขั้น (\(p_k\)) จะสัมพันธ์กับขั้นที่อยู่ข้างล่าง (\(p_{k-1}\)) ด้วยตัวคูณง่ายๆ ซึ่งค่าตัวคูณนี้จะเปลี่ยนแปลงไปเล็กน้อยเมื่อคุณปีนสูงขึ้น (\(k\)) ส่วนตัวเลข "0" ในชื่อ (a, b, 0) กำลังบอกเราว่ากฎนี้เริ่มใช้ได้ตั้งแต่ขั้นแรกสุดเลย คือเริ่มตั้งแต่ \(p_0\) เป็นต้นไป
ทำความรู้จักสมาชิกในครอบครัว
มีการแจกแจงเพียง 3 ชนิดเท่านั้นที่เข้าเงื่อนไขนี้ นี่คือวิธีจำแนกพารามิเตอร์ a และ b ของแต่ละชนิด:
- Poisson (\(\lambda\)):
\(a = 0\)
\(b = \lambda\)
ลักษณะเด่น: เนื่องจาก \(a=0\) อัตราส่วนจึงเหลือเพียง \(\lambda/k\) เท่านั้น - Binomial (\(m, q\)):
\(a = \frac{-q}{1-q}\)
\(b = \frac{(m+1)q}{1-q}\)
ลักษณะเด่น: ค่า \(a\) จะติดลบเสมอ - Negative Binomial (\(r, \beta\)):
\(a = \frac{\beta}{1+\beta}\)
\(b = \frac{(r-1)\beta}{1+\beta}\)
ลักษณะเด่น: ค่า \(a\) จะเป็นบวกเสมอและน้อยกว่า 1
ทบทวนด่วน: คุณจะรู้ได้อย่างไรว่ากำลังดูการแจกแจงแบบไหนอยู่?
- ถ้า \(a < 0\): คือ Binomial
- ถ้า \(a = 0\): คือ Poisson
- ถ้า \(a > 0\): คือ Negative Binomial
รู้หรือไม่? การแจกแจงแบบ Geometric แท้จริงแล้วก็คือ Negative Binomial ที่มีค่า \(r = 1\) นั่นเอง หมายความว่าสำหรับการแจกแจงแบบ Geometric ค่า \(b\) จะเป็น 0 เสมอ!
สรุปประเด็นสำคัญ: กลุ่ม (a, b, 0) ใช้อัตราส่วนแบบเวียนเกิด (Recursive Ratio) ง่ายๆ ในการหาความน่าจะเป็น การจำความสัมพันธ์ระหว่าง \((a, b)\) กับพารามิเตอร์ของการแจกแจงแต่ละชนิด (\(\lambda, m, q, r, \beta\)) ให้แม่นยำเป็นสิ่งจำเป็นมากเพื่อความรวดเร็วในการทำข้อสอบ
2. ยกระดับขึ้นไปอีกขั้น: การแจกแจงกลุ่ม (a, b, 1)
บางครั้ง ข้อมูลในโลกความเป็นจริงก็ไม่เข้ากับกลุ่ม (a, b, 0) ได้อย่างสมบูรณ์แบบ ปัญหาที่พบบ่อยที่สุดคืออะไร? คือจำนวนผลลัพธ์ที่เป็น "ศูนย์เคลม" นั้นมีสูงเกินไปหรือน้อยเกินไปเมื่อเทียบกับที่แบบจำลองทำนายไว้ นี่แหละคือจุดที่กลุ่ม (a, b, 1) เข้ามามีบทบาท
มีความแตกต่างอย่างไร?
กลุ่ม (a, b, 1) ใช้สูตรการเวียนเกิด ตัวเดิมเป๊ะๆ คือ \(\frac{p_k}{p_{k-1}} = a + \frac{b}{k}\) แต่กฎนี้จะเริ่มใช้ได้สำหรับ \(k = 2, 3, ...\) เท่านั้น ส่วนความน่าจะเป็นที่จุดศูนย์ (\(p_0\)) จะถูกทำให้ "เสียไป" หรือ "ปรับเปลี่ยน" ไปแล้ว จึงไม่เป็นไปตามกฎของ (a, b, 0)
การแจกแจงในกลุ่มนี้มี 2 ประเภท:
- Zero-Truncated (ZT): การแจกแจงเหล่านี้ ไม่มีค่าศูนย์เลย (\(p_0 = 0\)) ลองนึกถึงบันทึกผู้ป่วยในโรงพยาบาลดูสิ คุณคงไม่สามารถเป็นผู้ป่วยได้ถ้าคุณมาโรงพยาบาลด้วยจำนวนครั้งเป็นศูนย์!
- Zero-Modified (ZM): การแจกแจงเหล่านี้จะมีค่าความน่าจะเป็นที่จุดศูนย์แบบ กำหนดเอง (\(p_0^M\)) ซึ่งคุณเลือกค่าเองได้
วิธีการคำนวณความน่าจะเป็นของ (a, b, 1)
ในการหาค่าความน่าจะเป็นของกลุ่ม (a, b, 1) เราจะเริ่มจากการดูการแจกแจง "พื้นฐาน" แบบ (a, b, 0) (สมมติให้ค่าความน่าจะเป็นคือ \(p_k\)) จากนั้นค่อยทำการปรับค่า
สำหรับ Zero-Truncated (ZT):
\(p_k^T = \frac{p_k}{1 - p_0}\)
คำอธิบาย: เรานำความน่าจะเป็นเดิมมา "ยืด" ออกเพื่อถมช่องว่างที่หายไปของศูนย์
สำหรับ Zero-Modified (ZM):
\(p_k^M = \frac{1 - p_0^M}{1 - p_0} p_k\)
เคล็ดลับ: อีกวิธีในการคิดคือ \(p_k^M = (1 - p_0^M) p_k^T\) คุณกำลังบอกว่า "ฉันจะกันความน่าจะเป็น \(p_0^M\) ไว้สำหรับศูนย์ และนำความน่าจะเป็นที่เหลือไปกระจายให้กับผลลัพธ์ที่ไม่ใช่ศูนย์นั่นเอง"
ข้อผิดพลาดที่ต้องระวัง: เวลาคำนวณอัตราส่วนสำหรับ (a, b, 1) อย่าลืมว่าอัตราส่วนแรกที่คุณคำนวณได้คือ \(\frac{p_2}{p_1}\) คุณ ไม่สามารถ ใช้สูตรเพื่อหา \(p_1\) จาก \(p_0\) ได้ เพราะกฎมันไม่ได้ใช้ได้ที่จุด \(k=1\)!
สรุปประเด็นสำคัญ: กลุ่ม (a, b, 1) ก็คือกลุ่ม (a, b, 0) ที่มีความน่าจะเป็น "พิเศษ" ตรงจุดศูนย์ ใช้สูตร ZT หรือ ZM เพื่อปรับค่าความน่าจะเป็นมาตรฐานให้ถูกต้อง
3. สรุปขั้นตอนการแก้โจทย์
เมื่อคุณเจอโจทย์ที่ถามหาพารามิเตอร์หรือความน่าจะเป็นในกลุ่มเหล่านี้ ให้ทำตามขั้นตอนดังนี้:
ขั้นตอนที่ 1: ระบุกลุ่ม
โจทย์พูดถึง \(p_0, p_1\) และ \(p_2\) หรือไม่? ให้ลองเช็คอัตราส่วน ถ้า \(\frac{p_1}{p_0}\) และ \(\frac{p_2}{p_1}\) เป็นไปตามกฎ \(a + b/k\) แบบเดียวกัน แสดงว่าเป็น (a, b, 0) แต่ถ้ากฎนั้นเริ่มใช้ได้ที่ตัวเลขถัดไป แสดงว่าเป็น (a, b, 1)
ขั้นตอนที่ 2: แก้หาค่า a และ b
หากคุณมีอัตราส่วนสองชุด คุณจะมีสมการสองชุด:
1. \(\frac{p_k}{p_{k-1}} = a + \frac{b}{k}\)
2. \(\frac{p_{k+1}}{p_{k}} = a + \frac{b}{k+1}\)
ใช้การลบสมการหรือแทนค่าเพื่อหา \(a\) และ \(b\)
ขั้นตอนที่ 3: ระบุการแจกแจงพื้นฐาน
เมื่อได้ค่า \(a\) แล้ว ให้ใช้รายการ "ลักษณะเด่น" ของเรา:
- \(a\) เป็นบวก? Negative Binomial
- \(a\) เป็นศูนย์? Poisson
- \(a\) ติดลบ? Binomial
ขั้นตอนที่ 4: ตอบคำถาม
โจทย์อาจถามหาค่าเฉลี่ย ความแปรปรวน หรือความน่าจะเป็นเฉพาะจุด ในเมื่อตอนนี้คุณรู้แล้วว่าเป็นการแจกแจงชนิดไหนและมีพารามิเตอร์เป็นอะไร (เช่น \(\lambda\) หรือ \(\beta\)) คุณก็สามารถใช้สูตรมาตรฐานในการหาคำตอบได้เลย
ไม่ต้องกังวลถ้าช่วงแรกมันจะดูซับซ้อน! ความท้าทายส่วนใหญ่คือเรื่องพีชคณิตในการแก้หาค่า \(a\) และ \(b\) ฝึกแก้สมการชุดนี้สักสองสามข้อ แล้วคุณจะทำได้คล่องเหมือนเป็นสัญชาตญาณเลยล่ะ
4. สรุปทบทวนฉบับย่อ
สรุปตาราง (a, b, 0):
- Poisson: \(a=0\), \(b=\lambda\), \(p_k/p_{k-1} = \lambda/k\)
- Binomial: \(a < 0\), \(a = -q/(1-q)\)
- Neg. Binomial: \(a > 0\), \(a = \beta/(1+\beta)\)
สูตร (a, b, 1):
\(p_k^M = \frac{1 - p_0^M}{1 - p_0} p_k\)
คำศัพท์หลัก:
- Zero-Truncated: \(p_0\) เป็น 0 พอดี
- Zero-Modified: \(p_0\) คือค่าเฉพาะที่โจทย์กำหนดให้
คุณทำได้อยู่แล้ว! การเข้าใจความสัมพันธ์ระหว่างพารามิเตอร์เหล่านี้คือบันไดก้าวใหญ่สู่การสอบผ่าน FAM ฝึกฝนอัตราส่วนเหล่านี้ต่อไปนะ!