保险精算学幻灯片.pptVIP

没有 nway 损失分布理论 损失分布和理赔分布概念的区别 损失分布一般分解为平均单次损失量的分布和损失次数的分布 损失分布的标志值：最大及最小损失、平均损失、中位数、众数、方差或标准差、极差 损失数据的拟合步骤 整理有关同质保险标的的实际损失数据，计算出相关标志值。 根据数据描绘出损失分布密度的直方图和分布函数图。 根据直方图和分布函数图的特征，选择一个合适的拟合分布。 估计所选拟合分布的参数，得到基于估计的拟合分布。 对该拟合分布进行拟合优度检验，并得出接受与否的结论。 损失数据拟合的简单实例 设某保险公司在某一保险会计年度内，某种承保标的同质的小型汽车发生碰撞损失额度记录数据如下（单位：元）： 3965 2500 1100 500 2000 2900 555 1100 3800 2000 1050 3900 125 350 5200 1200 2600 100 970 210 1300 2300 4950 750 3300 4200 200 2980 2700 1100 150 5500 1995 750 1700 4800 990 1800 1650 1500 5500 5200 4950 4800 4200 3965 3900 3800 3300 2980 2900 2700 2600 2500 2300 2000 2000 1995 1800 1700 1650 1500 1300 1200 1100 1100 1100 1050 990 970 750 750 555 500 350 210 200 150 125 100 5400 极差 1675 中位数 1528.43 标准差 2018.5 平均损失 2336105 方差 5500 最大损失 1100 众数 100 最小损失 40 合计 100.0% 5.0% 2 5101 到 6100 6 95.0% 7.5% 3 4101 到 5100 5 87.5% 10.0% 4 3101 到 4100 4 77.5% 15.0% 6 2101 到 3100 3 62.5% 22.5% 9 1101 到 2100 2 40.0% 40.0% 16 100 到 1100 1 累积频率 频率 频数 分组 序号 频率 P 损失额 X 0 0.1 2.1 1.1 3.1 5.1 4.1 6.1 40% 22.5% 7.5% 15% 10% 5% 频率 P 损失额 X 0 0.1 2.1 1.1 3.1 5.1 4.1 6.1 40% 常用的损失分布——索赔频率 泊松分布（poisson distribution）。参数为 的泊松分布的概率函数为 泊松分布的均值和方差相等，均为参数 。 泊松分布具有下述性质： 1）可加性：若 和 分别是参数为 和 的泊松随机变量，则 是参数 的泊松随机变量。 2）当参数很小时，泊松分布近似二项分布；较大时，近似正态分布。 3）若事故发生时间间隔服从指数分布，则一个固定的时间区间内发生 事故的次数服从泊松分布。 常用的损失分布——索赔频率 负二项分布（negative binomial distribution）。参数为 和 的 负二项分布的均值和方差分别为 和 。 负二项分布具有下述性质： 1）负二项分布有两个参数，因此其概率函数具有更大的灵活性。 2）方差大于均值。 3）负二项分布有时又称为混合泊松分布，即假设泊松分布的参数 服从伽马分布。 4）当r=1时，负二项分布等同于几何分布。 常用的损失分布——索赔频率 二项分布（binomial distribution）。参数为n和p的二项分布的均值和方差分别为np和np(1-p)。 二项分布具有下述性质： 1）二项分布的方差小于其均值。 2）二项分布描述n个独立同分布的风险所组成的风险集合的索赔 频率，该集合中每个风险发生损失的概率均为p。 3）若用二项分布描述索赔频率，意味着索赔频率存在一个最大 值，即二项分布的参数n。 常用的损失分布——损失强度 伽马分布（gamma distribution）。针对正随机变量，拥有正参数为 r 和 k 的伽马分布的均值和方差分别为 r/k 和 r/(k^2)，其中 r 称为形状参数， k 称为尺度参数。 伽马分布具有下述性质： 1）固定尺度参数，改变形状参数的取值可改变伽马分布的形状。 2）伽马分布是右偏的，当 r 无穷大时，伽马分布近似于正态分布。 3）当 r = 1 时，伽马分布就是参