第二章-1-精算数学.ppt

第二章 理赔额与理赔次数模型 §2.1 引言 解： Pareto分布的均值 有限期望值 * * §2.2 理赔额的分布 §2.3 理赔次数的分布 §2.4 模型选择与拟合 §2.1 引言 可保风险需要具备下列特征： ?（1）风险必须是非投机性的，即纯粹风险，损失必须是偶然的、意外的； （4）具有经济上的可行性：损失必须足够大，不能太小； （2）损失可以确定和用货币计量； （3）损失必须有大量相似或同类的独立风险单位； （5）巨灾损失一般不会发生。 一、损失额与理赔额的区别联系 损失额是指保险标的在保险事故中遭到的实际损失大小。 损失是不确定的，常用一随机变量描述。 理赔额是指保险公司按承保合同规定的保险责任所支付的实际费用，由实际损失决定，一般不超过损失额。 §2.2 理赔额的分布 理赔 完全理赔（理赔额=损失额） 部分理赔 赔偿限额 免赔额 比例分担免赔 （理赔额损失额） 二、几种常见的损失分布 在非寿险精算中，损失额是非负连续型随机变量，其分布一般是正偏斜的，密度函数在右边有长“尾巴” 。 x f(x) 则称 X 服从参数为 的指数分布. 若 r.v X具有概率密度 （一）指数分布 指数分布具有“无记忆性”，又称为寿命分布，常用于可靠性统计研究中，如元件的寿命. Gamma函数的性质 （二）Gamma分布 称为标准Gamma分布： 特别地， 指数分布 标准Gamma分布密度函数（theta=1） 性质1 当参数 越大，偏度越小，趋于无穷大时，Gamma分布近似正态分布。 性质3 Gamma分布乘以正常数r，仍是Gamma分布,参数 性质2 当参数 相同时，Gamma分布具有可加性， 即若 ，则 ～ ～ 几种特殊情况： 1） Gamma分布就是参数为 的指数分布 2） Gamma分布称为Erlang分布，密度函数为 从第一次索赔到恰好再出现n次索赔所需要的时间服从参数为n的Erlang分布。 n个独立同分布的指数r.v.之和 3） Gamma分布称为 n个独立的标准正态分布r.v.的平方和服从 数理统计中广泛应用 （三）Pareto分布 正偏，但尾部趋于零的速度比对数正态分布慢。 性质1 Pareto分布乘以正常数 r 仍然是Pareto分布，参数为 。 性质2 Pareto分布当均值 不变，当 时，该Pareto分布收敛到指数分布，参数为 （用分布函数自证！） Pareto分布密度函数（theta=1） （四）对数正态分布 ～ 若 r.v X的对数函数 则称X服从对数正态分布，参数为 ～ 期望、方差利用正态分布的特征函数或矩母函数求，此外，对数正态分布r.v.取值于某区间的概率可通过标准正态分布求。 对数正态分布密度函数（方差=1） r，t为正实数，X服从参数 的对数正态分布，则 仍然是对数正态分布，参数为 ) ( 2 s m， 性质1 性质2 正态分布经指数变换后即为对数正态分布；对数正态分布经过对数变换后即为正态分布。 （五）Weibull分布 若损失额 r.v X服从参数为 的Weibull 分布，则其分布函数和密度函数分别为 其均值 Weibull分布密度函数 性质1 当 时，Weibull分布就是参数为 的指数分布。 性质2 Weibull分布乘以正常数r后，仍然是Weibull分布，参数为 。 三、理赔额的分布 X：损失额，分布F（x） Y：理赔额，分布 一般X、Y不相等！ Y= Y未定义， 其他 情形1： 非零赔款！ Y= 情形2： 定义2.1 有限期望函数 其中F(x)和f (x)分别为X的分布函数和密度函数. 当X是非负r.v. , d 0, 由分部积分得 定义2.2 剩余期望函数 其中F(x)和f (x)分别为X的分布函数和密度函数. 说明 即为非零赔款的均值！ 定理2.1 设X表示实际损失额，若保单规定了免赔额为d，最高赔偿限额为u，比例分担额为 ，则平均理赔额为 Y*= 实际赔付 （含零赔款） 理赔额 （非零赔款） Y = 未定义 提示： 例1. 假设某汽车保险的损失分布是参数为 的Pareto分布， 1）假定保单规定免赔额为20，求保险公司支付的平均理赔额。 2）假定保单规定最高赔偿限额为200，求保险公司支付的平均理赔额。 3）假定保单同时规定保险公司赔偿损失额高于20元部分的比例为80%，求平均理赔