风险管理4-2风险衡量.pptVIP

Chapter4-2 风险衡量的数量方法;四、损失频率与损失幅度的估测;关于二项分布的两个极限分布：;B.泊松定理;2、用泊松分布估测损失次数 设有众多风险单位，每一风险单位发生事故的概率相同，每年估计平均发生λ次风险事故，则一年中发生致损事故数X为一服从参数为λ的泊松分布，分布律为 k=0,1,2… 该分布的期望与标准差分别为 和 。 e=2.71828，k可无限取值，不限制事故次数。 关键问题是通过损失资料获得λ的估值，例如一个车队在过去的三年内共发生二次碰撞事故，即每年平均约2/3次，则λ估值为2/3。;*;*;*;（二）每次事故的损失金额 风险事故发生的次数是离散型随机变量，全部可能发生的次数与其相应的概率都可以一一列举出来，但每次风险事故所致的损失金额一般来说不能全部列举，它是连续型随机变量，只可以在某一区间取值，只可以确定在某一区间的概率，而不是某一特定值的概率。 估测每次事故的损失金额，我们主要利用正态分布、对数正态分布等，计算出一次事故中损失金额可能取值的范围及其概率。;正态分布：指变量的频数或频率呈中间最多，两端 逐渐对称地减少，表现为钟形的一种概率分布。从理论上说，若随机变量x的概率密度函数为：;标准正态分布与正态分布的转换;正态分布曲线下的面积;例3；某地若干年间夏季出现暴雨共84次，每次暴雨以 一天计算，一个夏季（5~9月）共153天。表每次暴雨 造成的损失频率分布表，试估算下次暴雨的（1）期望 损失；（2）损失额落在什么区间的概率为95%；（3） 损失额大于100万的概率的多大？;（1）用损失资料的平均值去估计正态分布的数学期望 ;，因而下一次暴雨的期望损失是81.19万元。 ;;附：列维—林德伯格中心极限定理及应用;列维—林德伯格中心极限定理的应用;正态变量的线性变换具有不变性 ; 若总体 ，X1, X2,‥,Xn是取自总体X的样本, ，则;区间估计的实质;A、当样本容量大时，已知样本均值 和总体标准差 ，估计总体均值 （p176） 样本容量较大时，样本均值服从正态分布 服从标准正态分?? ;例：已知某地七岁男童身高的标准差为4.38cm。为了估计七岁男童的平均身高（总体均数），研究者从所有符合要求的七岁男童中抽取100人，测得这100个男童的平均身高为120.18cm，求置信度为95%的该地区7岁男童平均身高的可信区间。;B、样本容量较小，总体为正态分布，但 未知，估计总体均值 由于 未知，用样本标准差代替，则统计量 则区间估计如下： ;例：某地为了估计七岁男童的平均身高（总体均数），研究者从所有符合要求的七岁男童中抽取25人，测得这25个男童的平均身高为120.18cm，标准差4.33cm。求置信度为95%的该地区7岁男童平均身高的可信区间。;C、当?未知但n足够大时（ n 100），t分布近似u分布，可以 u 界值代替 t 界值，估计总体均数的可信区间。 ;例：某地为了估计七岁男童的平均身高（总体均数），研究者从所有符合要求的七岁男童中抽取100人，测得这100个男童的平均身高为120.18cm，标准差4.33cm。求置信度为95%的该地区7岁男童平均身高的可信区间。;所需暴露单位的数量（样本容量）;;样本容量较小，总体为正态分布，估计总体方差 此时统计量为 则区间估计如下： ;2、用对数正态分布估测损失值 很多损失分布并不是正态分布，而常常是分布密度呈右偏状， 即小额损失发生概率大，大额损失发生概率小，如对数正态分布。 对数正态分布是其对数为正态分布的任意随机变量的概率分布。如果 Y 是对数正态分布，则 log(Y) 为正态分布。 对于 x 0，对数正态分布的概率分布函数为 其中 μ 与 σ 分别是变量取对数后的平均值与标准差。 随机变量的期望值： ;;对每个数据取自然对数得到另一个序列：0.693,0.693,0.693,1.099,1.099,1.099,1.099,1.099,1.099,1.386,1.386,1.386,1.386,1.386,1.609,1.609,1.609,1.609,1.792,1.792,1.792,1.946,1.946,2.079,2.197。新数据的分组及其他相关数据;因其取对数的数据构成的经验分布与正态分布近似，故取对数后损失服从N（1.39, 0.462），这样火灾损失服从参数为1.39，0.462的对数正态分布。对数正态分布的数学期望等于