ยินดีต้อนรับสู่การสร้างแบบจำลองความถี่ (Frequency Modeling)!

ในบทนี้ เราจะมาเจาะลึกด้าน "ความถี่" (Frequency) ในคณิตศาสตร์ประกันภัยกันครับ ในขณะที่ ระดับความรุนแรง (Severity) จะดูว่าการเคลมแต่ละครั้งมีมูลค่า "เท่าไหร่" แต่ ความถี่ (Frequency) จะดูว่าการเคลมเกิดขึ้น "บ่อยแค่ไหน" เพื่อให้ชีวิตง่ายขึ้น นักคณิตศาสตร์ประกันภัยจึงใช้การแจกแจงสองตระกูลพิเศษที่เรียกว่าคลาส (a,b,0) และ (a,b,1) ครับ

ไม่ต้องตกใจถ้าชื่อพวกนี้ฟังดูเหมือนรหัสลับ! พออ่านโน้ตชุดนี้จบ คุณจะเห็นว่ามันเป็นวิธีอันชาญฉลาดในการจัดกลุ่มการแจกแจงความถี่ที่เราพบบ่อยที่สุด (Poisson, Binomial และ Negative Binomial) เข้าด้วยกันโดยใช้ความสัมพันธ์แบบลำดับเวียนเกิด (Recursive relationship) ที่เรียบง่าย มาเริ่มกันเลย!

คลาส (a,b,0): รากฐานที่สำคัญ

คลาส (a,b,0) คือตระกูลของการแจกแจงความน่าจะเป็นแบบไม่ต่อเนื่อง (Discrete probability distributions) ซึ่งความน่าจะเป็นของการเคลม \(k\) ครั้ง แทนด้วย \(p_k\) สามารถหาได้จากความน่าจะเป็นของการเคลม \(k-1\) ครั้งครับ

"สูตรวิเศษ" ที่ใช้กำหนดคลาสนี้คือ:

\[ \frac{p_k}{p_{k-1}} = a + \frac{b}{k}, \text{ สำหรับ } k = 1, 2, 3, \dots \]

ลองจินตนาการว่ามันเหมือนกับสูตรทำอาหารแบบวนซ้ำ ถ้าคุณรู้จุดเริ่มต้น (\(p_0\)) และรู้ค่าของ a กับ b คุณก็จะสามารถหาค่าความน่าจะเป็นอื่นๆ ได้ทั้งหมดโดยไม่จำเป็นต้องใช้ฟังก์ชันมวลความน่าจะเป็น (Probability mass function) เต็มๆ ตลอดเวลา!

ทำความรู้จักสมาชิกในตระกูล (a,b,0)

สำหรับการสอบ FAM มีสมาชิกหลักเพียง 3 ตัวที่คุณต้องรู้จัก ซึ่งแต่ละตัวจะมีค่า a และ b เฉพาะตัวดังนี้ครับ:

1. Poisson Distribution (\(\lambda\))
Poisson ถือเป็น "มาตรฐานทองคำ" สำหรับเหตุการณ์ที่เกิดขึ้นแบบสุ่ม
\(a = 0\)
\(b = \lambda\)
เคล็ดลับ: เนื่องจาก \(a=0\) อัตราส่วนจึงเหลือเพียง \( \frac{p_k}{p_{k-1}} = \frac{\lambda}{k} \)

2. Binomial Distribution (\(n, q\))
ใช้เมื่อมีการทดลองจำนวนแน่นอน (เช่น จำนวนกรมธรรม์ \(n\) ฉบับ) และมีความน่าจะเป็นในการเคลมคือ \(q\)
\(a = \frac{-q}{1-q}\)
\(b = \frac{(n+1)q}{1-q}\)
ข้อสังเกต: สำหรับ Binomial distribution ค่า a จะเป็นค่าลบเสมอ!

3. Negative Binomial Distribution (\(r, \beta\))
ใช้เมื่อความถี่มีการ "กระจายตัว" (ความผันผวน) มากกว่า Poisson
\(a = \frac{\beta}{1+\beta}\)
\(b = \frac{(r-1)\beta}{1+\beta}\)
ข้อสังเกต: สำหรับ Negative Binomial distribution ค่า a จะเป็นค่าบวกเสมอ!

4. Geometric Distribution (\(\beta\))
นี่คือกรณีพิเศษของ Negative Binomial เมื่อ \(r = 1\)
\(a = \frac{\beta}{1+\beta}\)
\(b = 0\)

ทบทวนสั้นๆ: วิธีระบุการแจกแจง

ถ้าโจทย์ให้ค่า \(a\) หรืออัตราส่วนความน่าจะเป็นมา คุณสามารถระบุได้ทันทีว่ามันคือการแจกแจงแบบไหน:
- ถ้า \(a < 0\): คือ Binomial
- ถ้า \(a = 0\): คือ Poisson
- ถ้า \(a > 0\): คือ Negative Binomial

ประเด็นสำคัญ: คลาส (a,b,0) ครอบคลุมเวอร์ชัน "มาตรฐาน" ของการแจกแจงความถี่ ซึ่งสูตรนี้จะเริ่มทำงานตั้งแต่ \(k=1\) เป็นต้นไป

คลาส (a,b,1): ตระกูล "ดัดแปลง"

บางครั้งข้อมูลการเคลมในโลกแห่งความเป็นจริงอาจไม่เข้ากับโมเดล (a,b,0) ได้พอดี ส่วนใหญ่มักเป็นเพราะจำนวน "การเคลมศูนย์ครั้ง" นั้นสูงหรือต่ำกว่าที่เราคาดการณ์ไว้ ซึ่งนี่คือที่มาของ คลาส (a,b,1) ครับ

คลาส (a,b,1) ใช้ สูตรเวียนเกิดเดียวกับ คลาส (a,b,0) เลย แต่มีเงื่อนไขสำคัญคือ: มันจะเริ่มทำงานที่ \(k = 2, 3, \dots\) เท่านั้น

ค่าความน่าจะเป็นที่ศูนย์ หรือ \(p_0\) จะถือว่าเป็น "ค่าอิสระ" (Arbitrary) ซึ่งสามารถเป็นค่าเท่าไหร่ก็ได้เพื่อให้เข้ากับข้อมูลได้พอดี โดยมีการแจกแจงแบบ (a,b,1) สองประเภทที่คุณต้องรู้ครับ:

1. การแจกแจงแบบ Zero-Truncated (ZT)

ในการแจกแจงแบบ Zero-Truncated เราสมมติว่าเหตุการณ์ "ศูนย์" เป็นไปไม่ได้ บางทีเราอาจกำลังดูข้อมูลเฉพาะคนที่เคลมอย่างน้อยหนึ่งครั้งแล้ว ในกรณีนี้ \(p_0^T = 0\)

วิธีคำนวณ:
1. นำความน่าจะเป็นจาก (a,b,0) เดิม คือ \(p_k\)
2. หารด้วย \((1 - p_0)\)
\[ p_k^T = \frac{p_k}{1 - p_0} \]

2. การแจกแจงแบบ Zero-Modified (ZM)

ในการแจกแจงแบบ Zero-Modified เราจะกำหนดค่า \(p_0^M\) เองด้วยมือให้เป็นค่าที่ต้องการ (สมมติให้เป็น \(g_0\)) ซึ่งเป็นเรื่องปกติเมื่อข้อมูลมี "เลขศูนย์เยอะเกินไป" (Zero-Inflation)

วิธีคำนวณ:
1. หาความน่าจะเป็นแบบ Zero-truncated คือ \(p_k^T\)
2. ปรับขนาด (Scale) ด้วยความน่าจะเป็นที่เหลือ: \( (1 - p_0^M) \)
\[ p_k^M = \frac{1 - p_0^M}{1 - p_0} \times p_k \]

เปรียบเทียบ: ไนท์คลับสุดพิเศษ

ลองนึกภาพไนท์คลับ (ซึ่งก็คือการแจกแจง):
- (a,b,0): กฎการเข้าเหมือนกันสำหรับทุกคน รวมถึงคนแรกในแถวด้วย
- Zero-Truncated (a,b,1): จุด "ศูนย์" ถูกกั้นด้วยเชือกกำมะหยี่ ไม่มีใครอยู่ในหมวด "ไม่เคลม" ได้
- Zero-Modified (a,b,1): มีกฎ VIP พิเศษสำหรับคนที่อยู่ในจุด "ไม่เคลม" (\(p_0^M\)) แต่คนอื่นๆ ในแถว (\(k=1, 2, 3...\)) จะปฏิบัติตามกฎมาตรฐาน (a,b,0) เพียงแต่ถูกปรับขนาดลงมาให้สอดคล้องกัน

รู้หรือไม่? สมาชิกทุกตัวของคลาส (a,b,0) ถือเป็นส่วนหนึ่งของคลาส (a,b,1) ในทางเทคนิค แต่ไม่ใช่ว่าสมาชิกของ (a,b,1) ทุกตัวจะเป็น (a,b,0) เปรียบได้กับรูปสี่เหลี่ยมจัตุรัสทุกรูปเป็นสี่เหลี่ยมผืนผ้า แต่ไม่ใช่สี่เหลี่ยมผืนผ้าทุกรูปจะเป็นสี่เหลี่ยมจัตุรัสนั่นเองครับ

ขั้นตอนการแก้โจทย์ปัญหา (a,b,k)

ถ้าคุณเจอโจทย์ที่ถามหาความน่าจะเป็นในคลาสเหล่านี้ ให้ทำตามขั้นตอนดังนี้:

ขั้นตอนที่ 1: ระบุคลาส เป็น (a,b,0) หรือ (a,b,1)? ให้ดูว่าความสัมพันธ์เวียนเกิดใช้ได้ตั้งแต่ \(k=1\) หรือเริ่มที่ \(k=2\)
ขั้นตอนที่ 2: ระบุการแจกแจง ใช้เครื่องหมายของ a (ลบ = Binomial, ศูนย์ = Poisson, บวก = Negative Binomial)
ขั้นตอนที่ 3: หาพารามิเตอร์ ใช้ค่า \(p_k\) ที่ให้มาเพื่อหาค่า \(a\) และ \(b\)
ขั้นตอนที่ 4: ปรับค่าสำหรับ ZT หรือ ZM ถ้าเป็นคลาส (a,b,1) ให้หาค่า \(p_0\) แบบ "มาตรฐาน" ก่อน แล้วจึงใช้สูตรดัดแปลงเพื่อหาค่า \(p_k\) ที่โจทย์ต้องการ

ข้อควรระวังที่พบบ่อย

1. สลับ a กับ b: จำไว้เสมอว่าสูตรคือ \(a + b/k\) ถ้าคุณสลับกัน ค่าความน่าจะเป็นจะผิดพลาดมหาศาล!
2. ลืม \(p_0\): ในคลาส (a,b,1) การเวียนเกิดไม่ได้บอกคุณว่า \(p_1\) คืออะไรเมื่อเทียบกับ \(p_0\) คุณต้องใช้สูตร "ดัดแปลง" เพื่อเชื่อมช่องว่างระหว่าง \(p_0\) และ \(p_1\)
3. พารามิเตอร์ 'r' ของ Negative Binomial: จำไว้ว่าในคลาส (a,b,0) สำหรับ Negative Binomial ค่า \(b = (r-1)a / (a/ (1+\beta))\) ถ้า \(r=1\) (Geometric) จะได้ \(b=0\)

สรุปประเด็นสำคัญสำหรับวันสอบ

1. สูตร (a,b,0): \( \frac{p_k}{p_{k-1}} = a + \frac{b}{k} \) เริ่มที่ \(k=1\)
2. เครื่องหมายของ 'a': \(a < 0\) (Binomial), \(a = 0\) (Poisson), \(a > 0\) (Neg. Binomial)
3. ข้อแตกต่างของ (a,b,1): ความสัมพันธ์เวียนเกิดเริ่มที่ \(k=2\) เท่านั้น และ \(p_0\) จะมีความพิเศษ
4. สูตร ZM: \( p_k^M = \frac{1-p_0^M}{1-p_0} p_k \) ซึ่งเชื่อมความน่าจะเป็นที่ดัดแปลงเข้ากับแบบมาตรฐาน

ไม่ต้องกังวลถ้ารู้สึกว่ามันยากในตอนแรก! ยิ่งฝึกฝนการระบุ "a" และ "b" จากชุดตัวเลขความน่าจะเป็นบ่อยๆ คุณจะเข้าใจได้เองโดยธรรมชาติ คุณทำได้อยู่แล้ว!