风险理论第三章.pptVIP

第三章 损失分布的修正理论 本章主要讨论修正损失分布的贝叶斯原理，以及损失变量的边缘分布理论和有关损失分布的Esscher变换问题。 第一节 损失分布的贝叶斯修正方法 统计推断利用三种信息：总体信息、样本信息、先验信息。 仅使用前两种的统计学是数理统计，三种信息都使用的是贝叶斯(Bayes)统计。 贝叶斯假设、贝叶斯公式、相应的归纳推理方法构成了贝叶斯原理。 在非寿险精算中，贝叶斯方法主要用于估计参数和修正损失分布、调整费率、校正责任准备金等。 一、贝叶斯方法的步骤 X的分布类型 ，密度函数族为 贝叶斯方法与经典的数理统计方法的基本区别： 把参数看做随机变量而不是普通变量。 （1）选择先验分布 设 的（边缘）分布函数和密度函数分别为 和 ，并称为先验分布和先验密度，他反应了评估者对参数 的情况有一个初步的看法或信念。（过去经验、知识或主观判断） （2）确定似然函数 评估人针对损失变量X进行一些试验或观察，以获的一些新的信息，假设所获得的观察值为x1, x2,…., xn,则在 =0的假定下，可构造似然函数，并记为 （3）确定参数 的后验分布 按照关于条件概率的贝叶斯公式，可以求得关于参数 的后验分布，利用观察值x1, x2,…., xn之后的 的分布函数 和密度函数 。对于密度而言，有 （4）选择差异函数 选择一个适当函数，如y=x2来刻画参数的真实值与估计值之间差距的严重程度，“差异函数”，本质上是评估人的“效用函数” （5）估计参数 根据所选择的差异函数和参数的后验分布，求使差异函数的期望值最小的 ，作为参数 的贝叶斯估计值。 离散情况：概率分布密度函数变为概率分布。 二、先验分布的确定 （一）数理统计方法 关于参数 取值情况的历史数据或样本信息，则可利用第二章的方法，对参数在其取值范围上的先验概率进行估计。 缺陷：要有足够样本信息。 （二）主观判断法 根据随机事件的客观条件或物理现象作出概率分布的判断。 如：古典概型，根据每一个基本事件的客观物理条件，有理由推断每一基本事件是等可能的。 几何概型，随机事件的客观条件爱你做出主观判断等。 （三）贝叶斯假设 （三）贝叶斯假设 贝叶斯假设存在问题： 1.均匀分布的存在性问题，参数 取值在一有限区间，均匀分布存在，反之不存在。（引入广义密度函数） 2.均匀假设分布假设很难与客观实际相符，一般的，参数不一定服从均匀分布。（先验均匀，后验不一定均匀，但贝叶斯估计只需要后验分布） 三、后验分布的确定 先验概率到后验概率直接利用贝叶斯公式 例，用X表示n重伯努利试验中的成功次数，设：每次成功的概率为p，即X~B(n,p).由于不知道p的大小，将其视为随机变量P并设其先验分布服从参数为 的Beta分布，试求P的后验分布。 解：由于p~Beta( ),先验密度为 又由于X~B(n,p)，其似然函数为 所以，正比式知P的后验密度可表示为 由此看出，P的后验分布仍是Beta分布，即分布为Beta( ) 五、差异函数与贝叶斯估计量 损失分布的未知参数 的贝叶斯估计值记为 ，如何确定这个函数？ 贝叶斯估计法:度量 与 的差异程度记为 被看做随机变量，不能直接求 的最小值，转而求其期望最小的值，即求解： 由于差异函数反映了评估者的价值判断，选择什么样的差异函数具有很强主观性。 介绍三种最常用的差异函数及其贝叶斯估计结果。 例 已知总体服从正态分布 ，其中 已知， 未知，假定 的先验分布为广义分布 ，求参数 的三种常用差异函数的贝叶斯估计值。 解：查表得 的后验分布为 ，其中 为总体的m个样本， 为样本的均值。 由于正态分布均匀值、中位数、众数都相等（三 位一体），所以参数 的三种贝叶斯估计量都相 同，即： （1） （2） （3） 贝叶斯估计提供了一种修正损失分布的方法，损失的总体分布基本上是根据数理统计方法确定，但这个总体分布是否完全符合客观实际，或是否适合变化了的新情况？ 贝叶斯方法就是利用新的样本信息，对总体参数进行更有效的估计，从而得到更符合实际的损失分布。 第二节 损失变量的边缘分布 一、损失变量的联合分分布与条件分布 1.联合分布 2.条件分布 二、损失变量的边缘分布 若在具有两个损机变量(X,