ยินดีต้อนรับสู่โลกแห่งคณิตศาสตร์ประกันภัย!

ในบทนี้ เราจะเชื่อมโยงความรู้เรื่องความน่าจะเป็นพื้นฐานเข้ากับการประยุกต์ใช้จริงในงานประกันภัยครับ ที่ผ่านมาน้องๆ ได้เรียนรู้เกี่ยวกับตัวแปรสุ่มในภาพรวมมาแล้ว คราวนี้เรามาดูกันว่าบริษัทประกันภัยนำตัวแปรเหล่านั้นไปใช้คำนวณจำนวนเงินที่คาดว่าจะต้องจ่ายจริงได้อย่างไร

ถ้ารู้สึกว่าเนื้อหาดูนามธรรมไปหน่อยในตอนแรก ไม่ต้องกังวลนะ! ให้ลองมองว่าบทนี้คือ "ความน่าจะเป็นที่มีกฎเกณฑ์" เรานำความเสียหายพื้นฐาน (เช่น อุบัติเหตุรถยนต์) มาประยุกต์ใช้กับกฎต่างๆ (เช่น ค่าเสียหายส่วนแรกหรือวงเงินคุ้มครอง) เพื่อดูว่า "โมเมนต์" สุดท้าย (ค่าเฉลี่ยหรือความแปรปรวน) จะออกมาเป็นอย่างไร มาเริ่มลุยกันเลย!

1. ทำความรู้จักกับผู้เล่นสองฝั่ง: ความเสียหาย (Loss) กับ การจ่ายเงิน (Payment)

ก่อนที่เราจะเริ่มคำนวณหาโมเมนต์ เราต้องเข้าใจก่อนว่าเรากำลังวัดค่าอะไรอยู่ ในข้อสอบ Exam P มีความแตกต่างที่สำคัญมากระหว่าง ความเสียหาย (Loss) และ การจ่ายเงิน (Payment)

  • ความเสียหาย (Loss - X): คือมูลค่าความเสียหายที่เกิดขึ้นจริง เช่น ถ้าต้นไม้ล้มทับรถและเกิดความเสียหาย 5,000 ดอลลาร์ ดังนั้น \( X = 5000 \)
  • การจ่ายเงิน (Payment - Y): คือจำนวนเงินที่บริษัทประกันจ่ายจริงหลังจากนำกฎของกรมธรรม์มาคำนวณแล้ว ถ้าเจ้าของรถมีค่าเสียหายส่วนแรก (Deductible) 500 ดอลลาร์ บริษัทจะจ่ายเพียง 4,500 ดอลลาร์ ดังนั้น \( Y = 4500 \)

เคล็ดลับ: อ่านโจทย์ให้ดีเสมอว่าโจทย์ถามหาโมเมนต์ของ ความเสียหาย (Loss) หรือ การจ่ายเงิน (Payment) เพราะค่าทั้งสองนี้แทบจะไม่เท่ากันเลย!

2. "กฎของเกม": ค่าเสียหายส่วนแรกและวงเงินคุ้มครอง

ในโลกของ "ตัวแปรเดียว" (Univariate) เรามักจะปรับแก้ตัวแปรสุ่ม \( X \) ของเราด้วยสองวิธีหลักๆ คือ:

A. ค่าเสียหายส่วนแรก (Deductible - d)

ค่าเสียหายส่วนแรก คือจำนวนเงินที่ผู้เอาประกันต้องจ่ายเองก่อนที่ความคุ้มครองจะเริ่มทำงาน โดยตัวแปรการจ่ายเงิน \( Y \) นิยามได้ว่า:
\( Y = \max(0, X - d) \)

เปรียบเทียบ: ลองจินตนาการถึง "กฎส่วนสูง" ในสวนสนุก ถ้าคุณตัวสูงไม่ถึงเกณฑ์ (ค่า Deductible \( d \)) คุณก็อดเล่น (บริษัทจ่าย 0) แต่ถ้าคุณสูงกว่าเกณฑ์ คุณจะได้รับสิทธิ์เพียงแค่ส่วนที่ เกิน เส้นนั้นขึ้นไปเท่านั้น

B. วงเงินคุ้มครอง (Policy Limit - u)

วงเงินคุ้มครอง คือจำนวนเงินสูงสุดที่บริษัทประกันจะจ่าย โดยตัวแปรการจ่ายเงิน \( Y \) นิยามได้ว่า:
\( Y = \min(X, u) \)

เปรียบเทียบ: เหมือนกับบุฟเฟต์ "กินไม่อั้น" ที่มีเพดานกำหนด คุณจะกินเท่าไหร่ก็ได้ แต่พอถึงขีดจำกัด (เช่น 5 จาน) พนักงานก็จะหยุดเสิร์ฟ ถึงแม้ว่าคุณจะยังหิวอยู่ (ความเสียหายมากกว่านี้) แต่ "การจ่ายเงิน" ของร้านก็จะหยุดอยู่ที่ \( u \) เท่านั้น

3. การคำนวณโมเมนต์ที่หนึ่ง: ค่าคาดหมาย (Expected Value/Mean)

ค่าคาดหมาย (Expected Value) \( E[Y] \) คือ "ค่าเฉลี่ยในระยะยาว" ของเงินที่ต้องจ่าย เนื่องจาก \( Y \) เป็นฟังก์ชันของ \( X \) เราจึงใช้หลักการที่เรียกว่า Law of the Unconscious Statistician (LOTUS)

สำหรับค่าเสียหายส่วนแรก (d):

ถ้า \( X \) เป็นตัวแปรสุ่มต่อเนื่องที่มีฟังก์ชันความหนาแน่นน่าจะเป็น (PDF) คือ \( f(x) \):
\( E[Y] = \int_{d}^{\infty} (x - d) f(x) dx \)

ตรรกะทีละขั้นตอน:
1. ตั้งแต่ \( x = 0 \) ถึง \( x = d \) การจ่ายเงินเป็น 0 เราจึงไม่ต้องนำส่วนนี้มาคำนวณในอินทิกรัล
2. ตั้งแต่ \( x = d \) จนถึงอินฟินิตี้ การจ่ายเงินคือ \( x - d \)
3. นำจำนวนเงินที่จ่ายคูณกับความน่าจะเป็น \( f(x) \) แล้วอินทิเกรต!

สำหรับวงเงินคุ้มครอง (u):

\( E[Y] = \int_{0}^{u} x f(x) dx + \int_{u}^{\infty} u f(x) dx \)

ตรรกะทีละขั้นตอน:
1. ถ้าความเสียหายน้อยกว่าวงเงิน (จาก \( 0 \) ถึง \( u \)) บริษัทจ่ายเท่ากับความเสียหาย \( x \)
2. ถ้าความเสียหายมากกว่าวงเงิน (จาก \( u \) ถึงอินฟินิตี้) บริษัทจ่ายแค่ \( u \)
3. ข้อผิดพลาดที่พบบ่อย: ลืมส่วนที่สองของอินทิกรัล! แม้ความเสียหายจะมหาศาล บริษัทก็ยังจ่ายแค่ค่าลิมิต \( u \) เท่านั้น อย่าทิ้งเงินส่วนนี้ไปนะ!

รู้หรือไม่? มีทางลัดสำหรับการหาค่าเฉลี่ยด้วย! สำหรับตัวแปรสุ่มใดๆ ที่ไม่เป็นลบ:
\( E[\min(X, u)] = \int_{0}^{u} S(x) dx \)
โดยที่ \( S(x) \) คือ ฟังก์ชันการอยู่รอด (Survival Function) หรือ \( 1 - F(x) \) วิธีนี้มักจะอินทิเกรตได้ง่ายกว่าการใช้ฟังก์ชันความหนาแน่นมาก!

4. โมเมนต์ที่สองและความแปรปรวน

บริษัทประกันไม่ได้สนใจแค่ค่าเฉลี่ยเท่านั้น แต่ยังสนใจเรื่อง ความเสี่ยง (Risk) ด้วย ซึ่งความเสี่ยงวัดได้จาก ความแปรปรวน (Variance)

สูตรความแปรปรวนยังคงเป็นสูตรเดิมที่น้องๆ เคยเรียนมา:
\( Var(Y) = E[Y^2] - (E[Y])^2 \)

การหาโมเมนต์ที่สอง \( E[Y^2] \) สำหรับค่าเสียหายส่วนแรก \( d \) คือ:
\( E[Y^2] = \int_{d}^{\infty} (x - d)^2 f(x) dx \)

ทบทวนสั้นๆ:
- โมเมนต์ที่หนึ่ง = ค่าเฉลี่ย \( E[Y] \)
- โมเมนต์ที่สอง = \( E[Y^2] \)
- ความแปรปรวน = การกระจายตัวของเงินที่จ่าย

5. การทำงานกับตัวแปรสุ่มที่พบบ่อย

ในข้อสอบ Exam P น้องๆ มักจะเจอ การแจกแจงแบบเลขชี้กำลัง (Exponential Distribution) บ่อยๆ เพราะคุณสมบัติ "ความไร้ความจำ" (Memoryless property) ของมันช่วยให้คำนวณค่าเสียหายส่วนแรกได้ง่ายมาก

ถ้า \( X \sim \text{Exponential}(\theta) \):
1. ค่าเฉลี่ยของความเสียหายคือ \( E[X] = \theta \)
2. เมื่อมีค่าเสียหายส่วนแรก \( d \) ค่าเฉลี่ยของเงินที่ต้องจ่าย ภายใต้เงื่อนไขว่ามีการจ่ายเกิดขึ้นจริง ก็ยังคงเป็น \( \theta \) อยู่!
3. ค่าคาดหมายของการจ่ายเงินโดยรวมคือ \( E[Y] = \theta \cdot P(X > d) = \theta \cdot e^{-d/\theta} \)

เทคนิคจำ: สำหรับ Exponential distribution ค่าเสียหายส่วนแรกทำหน้าที่แค่ "ปรับสเกล" ค่าเฉลี่ยด้วยความน่าจะเป็นที่ความเสียหายจะเกินค่าเสียหายส่วนแรก เหมือนกับการที่การแจกแจงนั้น "เริ่มนับใหม่" ณ จุดที่เป็นค่าเสียหายส่วนแรกนั่นเอง

6. สรุปประเด็นสำคัญ

  • ความเสียหาย (Loss - X) คือความเสียหายรวม; การจ่ายเงิน (Payment - Y) คือเงินที่บริษัทจ่ายจริง
  • ค่าเสียหายส่วนแรก (Deductible) คือส่วนที่หักออกจากความเสียหาย: \( (X - d)_+ \)
  • วงเงินคุ้มครอง (Limit) คือเพดานสูงสุดของความเสียหาย: \( \min(X, u) \)
  • ค่าเฉลี่ยการจ่ายเงิน: ใช้ LOTUS เพื่ออินทิเกรตฟังก์ชันการจ่ายคูณกับฟังก์ชันความหนาแน่น
  • ทางลัดฟังก์ชันการอยู่รอด (Survival Function): \( E[\min(X, u)] = \int_{0}^{u} S(x) dx \) คือตัวช่วยประหยัดเวลาที่ดีที่สุดในห้องสอบ
  • ความแปรปรวน: คำนวณโมเมนต์ที่สองก่อนเสมอ แล้วค่อยลบด้วยค่าเฉลี่ยยกกำลังสอง

ให้กำลังใจทิ้งท้าย: การอินทิเกรตฟังก์ชันแบบแบ่งช่วง (ที่มีการเปลี่ยนสูตร ณ จุด \( d \) หรือ \( u \)) เป็นส่วนที่ท้าทายที่สุดของบทนี้ ลองฝึกตั้งโจทย์อินทิเกรตสำหรับ การแจกแจงแบบสม่ำเสมอ (Uniform distribution) ดูก่อน เพราะเป็นวิธีที่ง่ายที่สุดในการทำความเข้าใจขอบเขตก่อนจะขยับไปสู่โจทย์แคลคูลัสที่ยากขึ้น น้องทำได้แน่นอนครับ!