ยินดีต้อนรับสู่โลกของตัวแปรสุ่มมูลค่าปัจจุบัน (Present Value Random Variables)!
สวัสดีครับ! ถ้าคุณเดินทางมาถึงจุดนี้ในการเตรียมตัวสอบวิชาคณิตศาสตร์ประกันภัยแล้ว แสดงว่าคุณได้ผ่านพื้นฐานเรื่องอัตราดอกเบี้ยและแบบจำลองการมีชีวิตรอดมาเป็นที่เรียบร้อยแล้ว ตอนนี้เราจะนำทั้งสองเรื่องมาผนวกเข้าด้วยกัน! ในบทนี้เราจะมาสำรวจ ตัวแปรสุ่มมูลค่าปัจจุบัน (Present Value (PV) Random Variables) ซึ่งเปรียบเสมือน "หัวใจ" ของคณิตศาสตร์ประกันชีวิต โดยสิ่งที่เราพยายามหาคำตอบคือ: "ถ้าฉันสัญญาว่าจะจ่ายเงิน 1 ดอลลาร์ให้ใครสักคนในวันที่เขาเสียชีวิต สัญญานั้นจะมีมูลค่าเป็นเงินกี่บาทในวันนี้?"
เนื่องจากเราไม่ทราบว่าใครจะเสียชีวิต เมื่อไหร่ มูลค่าปัจจุบันจึงถือเป็น ตัวแปรสุ่ม ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ... เราจะค่อยๆ ย่อยมันออกเป็นส่วนง่ายๆ ตั้งแต่การหาค่าเฉลี่ย (Mean) ไปจนถึงการวัดความเสี่ยง (Variance)
1. ทำความเข้าใจตัวแปรสุ่ม \(Z\)
ในการประกันชีวิต เรามักเรียกตัวแปรสุ่มของมูลค่าปัจจุบันว่า \(Z\) ซึ่งแสดงถึงมูลค่าในปัจจุบันของเงินผลประโยชน์ที่จะจ่ายในอนาคต
สำหรับกรมธรรม์ประกันชีวิตตลอดชีพ (Whole Life Insurance) ที่จ่ายเงิน 1 ดอลลาร์ ณ ขณะที่เสียชีวิต:
\(Z = v^{T_x}\)
โดยที่:
- \(v\) คือตัวคูณลดค่า (discount factor) ซึ่งเท่ากับ \(\frac{1}{1+i}\)
- \(T_x\) คือระยะเวลาที่เหลืออยู่ของชีวิตบุคคลที่มีอายุ \(x\) ปี
คำอุปมา: ลองนึกภาพว่าคุณมีคูปองพิซซ่าฟรีหนึ่งใบ แต่คุณจะใช้ได้ก็ต่อเมื่อฝนตกเท่านั้น เนื่องจากคุณไม่รู้ว่าฝนจะตกเมื่อไหร่ "มูลค่า" ของคูปองนี้ในวันนี้จึงขึ้นอยู่กับความน่าจะเป็นที่ฝนจะตกในแต่ละวัน และความสำคัญของพิซซ่าที่คุณมองในอนาคต
ประเภทหลักของ \(Z\):
- การประกันภัยแบบต่อเนื่อง (Continuous Insurance): จ่ายเงินผลประโยชน์ ณ ขณะที่เสียชีวิตพอดี (\(Z = v^{T_x}\))
- การประกันภัยแบบไม่ต่อเนื่อง (Discrete Insurance): จ่ายเงินผลประโยชน์ ณ สิ้นปีที่เสียชีวิต (\(Z = v^{K_x+1}\))
2. ค่าเฉลี่ย: มูลค่าปัจจุบันทางคณิตศาสตร์ประกันภัย (APV)
ค่าเฉลี่ย (Mean) ของ \(Z\) คือจำนวนเงินที่เราคาดว่าจะต้องจ่าย โดยคิดลดกลับมาเป็นมูลค่าปัจจุบัน ในทางคณิตศาสตร์ประกันภัย เราเรียกสิ่งนี้ว่า เบี้ยประกันภัยสุทธิครั้งเดียว (Net Single Premium) หรือ มูลค่าปัจจุบันทางคณิตศาสตร์ประกันภัย (Actuarial Present Value หรือ APV)
สำหรับการประกันชีวิตตลอดชีพแบบต่อเนื่อง สัญลักษณ์คือ \(\bar{A}_x\):
\(E[Z] = \bar{A}_x = \int_{0}^{\infty} v^t \cdot f_x(t) \, dt\)
สำหรับการประกันชีวิตตลอดชีพแบบไม่ต่อเนื่อง สัญลักษณ์คือ \(A_x\):
\(E[Z] = A_x = \sum_{k=0}^{\infty} v^{k+1} \cdot {}_k p_x \cdot q_{x+k}\)
ทบทวนสั้นๆ: จำไว้ว่า \(E[Z]\) เป็นเพียงค่าเฉลี่ยถ่วงน้ำหนัก (weighted average) เรานำเวลาที่จ่ายเงินที่เป็นไปได้ทั้งหมดมาคิดมูลค่าปัจจุบัน แล้วคูณด้วยความน่าจะเป็นที่จะเสียชีวิต ณ เวลานั้นๆ
สรุปประเด็นสำคัญ: ค่าเฉลี่ยบอก "ราคาที่เป็นธรรม" ที่เราควรเรียกเก็บสำหรับการประกันภัย หากเรายังไม่คำนึงถึงเรื่องความเสี่ยงหรือกำไร
3. ความแปรปรวน: การวัดความเสี่ยง
บริษัทประกันภัยไม่ได้สนใจแค่ค่าเฉลี่ยเท่านั้น พวกเขาต้องทราบด้วยว่าผลลัพธ์จริงอาจแตกต่างจากค่าเฉลี่ยมากน้อยเพียงใด ซึ่งนี่คือหน้าที่ของ ความแปรปรวน (Variance)
สูตรของความแปรปรวนคือสูตรเดียวกับที่คุณเรียนในวิชาสถิติ:
\(Var(Z) = E[Z^2] - (E[Z])^2\)
เคล็ดลับ "กฎของโมเมนต์ (Rule of Moments)":
การคำนวณ \(E[Z^2]\) อาจดูน่ากลัว แต่มีทางลัดที่นักคณิตศาสตร์ประกันภัยนิยมใช้! ในการหาโมเมนต์อันดับสอง (\(E[Z^2]\)) ให้คุณคำนวณ APV โดยใช้ อัตราดอกเบี้ยใหม่
หากอัตราดอกเบี้ยเดิมคือ \(i\) ตัวเวอร์ชัน "ยกกำลังสอง" จะใช้แรงอัตราดอกเบี้ยเป็น สองเท่า ของเดิม (\(2\delta\)) หรือใช้ตัวคูณลดค่าที่ ยกกำลังสอง (\(v^2\))
เราแทนสัญลักษณ์นี้ด้วย \({}^2 A_x\)
\(Var(Z) = {}^2 A_x - (A_x)^2\)
ข้อผิดพลาดที่ควรหลีกเลี่ยง: ข้อผิดพลาดที่พบบ่อยมากคือการคิดว่า \(E[Z^2]\) มีค่าเท่ากับ \((E[Z])^2\) ซึ่งไม่ใช่! ให้คำนวณ "โมเมนต์อันดับสอง" (\({}^2 A_x\)) แยกออกมาต่างหากเสมอ โดยการนำตัวคูณลดค่าไปยกกำลังสองภายในขั้นตอนการคำนวณค่าคาดหมาย
4. ความน่าจะเป็นของ \(Z\)
บางครั้งข้อสอบจะถามว่า: "ความน่าจะเป็นที่มูลค่าปัจจุบันของผลประโยชน์จะมากกว่า 0.5 คือเท่าใด?"
ในการแก้ปัญหานี้ คุณต้อง "ถอดการคิดลดค่า" (un-discount) เพื่อหาค่าเวลา \(t\)
ขั้นตอนการคำนวณ:
- ตั้งอสมการ: \(P(Z > k)\)
- แทนค่าคำจำกัดความของ \(Z\): \(P(v^T > k)\)
- ใส่ Natural Log ทั้งสองข้างเพื่อแก้หา \(T\)
- เนื่องจาก \(v\) มีค่าน้อยกว่า 1 เครื่องหมายอสมการจะต้องกลับด้าน!
- แปลงข้อความนั้นให้เป็นความน่าจะเป็นของการมีชีวิตรอด เช่น \({}_t p_x\) หรือความน่าจะเป็นของการเสียชีวิต \({}_t q_x\)
คุณรู้หรือไม่? ยิ่งเวลาผ่านไป มูลค่าปัจจุบัน \(Z\) จะ น้อยลง นั่นเป็นเพราะเงิน 1 ดอลลาร์ที่จ่ายในอีก 50 ปีข้างหน้า มีค่าน้อยกว่าเงิน 1 ดอลลาร์ที่จ่ายในวันพรุ่งนี้มาก!
5. ความแปรปรวนร่วม (Covariance) ของตัวแปรสุ่มมูลค่าปัจจุบัน
ในบางกรณี คุณอาจมีผลประโยชน์การประกันภัยสองประเภทสำหรับคนคนเดียวกัน (เช่น กรมธรรม์ประกันชีวิตตลอดชีพและเงินบำนาญ) ความแปรปรวนร่วม (Covariance) จะวัดว่าตัวแปรสุ่มสองตัวนี้แปรผันไปในทิศทางเดียวกันอย่างไร
\(Cov(Z_1, Z_2) = E[Z_1 Z_2] - E[Z_1]E[Z_2]\)
หากผลประโยชน์ทั้งสองจ่ายโดยอิงจากเวลาเสียชีวิตเดียวกัน พวกมันจะมีความสัมพันธ์กันสูง (highly correlated) ตัวอย่างเช่น ถ้าใครบางคนเสียชีวิตเร็ว เงินจ่ายประกันชีวิตจะมีมูลค่าสูง (PV สูง) แต่เงินบำนาญจะหยุดจ่ายเร็ว (PV ต่ำ) ซึ่งผลลัพธ์นี้มักจะทำให้เกิด ความแปรปรวนร่วมเป็นลบ (negative covariance)!
สรุปประเด็นสำคัญ: ความแปรปรวนร่วมเป็นสิ่งสำคัญในการทำความเข้าใจเรื่อง "การป้องกันความเสี่ยง (hedging)" หากมูลค่าหนึ่งเพิ่มขึ้นในขณะที่อีกมูลค่าลดลง ความเสี่ยงโดยรวมของบริษัทประกันก็จะลดลง
6. สรุปและเคล็ดลับฉบับย่อ
ตารางสรุป:
- \(Z\) คือตัวแปรสุ่มสำหรับมูลค่าปัจจุบันของผลประโยชน์
- \(E[Z]\) คือสัญลักษณ์ทางคณิตศาสตร์ประกันภัย (เช่น \(A_x\) หรือ \(\bar{A}_x\))
- \(Var(Z) = {}^2 A - (A)^2\) ให้ใช้กฎ "แรงอัตราดอกเบี้ยสองเท่า" สำหรับพจน์แรก
- การหา ความน่าจะเป็น ให้แก้สมการอสมการเพื่อหา \(T\) หรือ \(K\)
ตัวช่วยจำ: นึกถึง "กฎเลขสอง" สำหรับความแปรปรวน คือ โมเมนต์ อันดับสอง (Second) ใช้แรงอัตราดอกเบี้ย สอง (Two) เท่า
ไม่ต้องกังวลถ้าเริ่มแรกจะดูงงๆ! สิ่งสำคัญที่สุดคือการทำความคุ้นเคยกับการเปลี่ยนไปมาระหว่างตัวแปรสุ่ม \(Z\) กับเวลาที่เสียชีวิต \(T\) เมื่อไหร่ที่คุณ "มองเห็น" ว่า \(Z\) เป็นเพียงฟังก์ชันหนึ่งของเวลา ความน่าจะเป็นและค่าเฉลี่ยต่างๆ จะเริ่มสมเหตุสมผลขึ้นมาเอง ฝึกฝนการทำอินทิกรัลและผลรวมบ่อยๆ นะครับ!