第四节 概率的分布.pptVIP

第四节 概率分布 概率分布是显示各种结果发生概率的函数，它可以用来描述损失原因所致各种损失发生可能性大小的分布情况。根据损失的概率分布情况，风险经理可以得到很多管理决策的依据。 假设某公司车队有100辆车．过去一年中发生的交通事故记录如下： 使用这个历史数据作为我们要讨论的概率分布的基础。画出概率分布图。 一、实际分布与理论分布 实际分布是指根据取得的实际数据画出的分布图。以上我们讨论的都是实际分布。在假设所有记录准确的前提下，实际分布无疑是一种很好的表示现有数据的方法。但是，这样的过程不仅费时，而且很多的分布在总体上是相似的。这种相似的特点，使得我们可以利用一些与实际分布情况类似的理论分布来分析实际问题，从而简化分析的过程。 这里有一个前提，就是存在一些和实际情况相匹配的理论分布；从而可以根据实际情况去进行选择。从广义上看，这些理论分布分成两类，即离散型概率分布和连续型概率分布。 在风险管理中，有三个与企业密切相关的随机变量。它们是：企业在一个特定时期内（通常是一年）将会发生的损失数，用随机变量N来表示；在一次发生时损失的数额，用L来表示；在一个特定时期内企业所有损失的数额，用随机变量T来表示。因此随机变量N与损失的频率有关，随机变量L与损失程度有关。如果我们用L1表示在给定年份内发生的第一个损失的损失程度，用L2表示在给定年份内发生的第二个损失的损失程度，以此类推，则T= L1+L2+…+LN。下面我们分别讨论N、L和T的分布。 二、损失次数的分布 1.二项式模型： 二项分布是分析损失次数的比较有效的一种模型。如果我们可以得到有关损失次数的一些数据，就可以用二项分布来分析。二项分布模型假定： (1)风险单位有两种可能结果，即0或1，即没有哪个风险单位会在所考虑的时间内发生多余两次的损失； (2)每个风险单位都以相同的概率p发生损失，1-p就是没发生损失的概率; (3)n个风险单位是相互独立的。 在此条件下，总的损失次数的概率分布可以通过以下公式得到： ,k=0,1,2,…,n,则EN=np,varN=np(1-p) 二项式模型中只有一个参数，这就是每个风险单位发生损失的概率p，这需要通过历史数据计算得到。 可以看出对参数p的估计是解决问题的关键。在应用二项式模型时我们不必把自己仅仅局限在所考虑的财产上，而是可以关注同类损失与所考虑的财产相近的数量的众多的其他财产，根据其损失数据找到规律。 例如，假设在全国范围内，上一年同类房屋每10万栋就有10栋失火，因此，我们有理由估计p=0.0001。这样，就可以分析上述拥有100栋房屋的出租经理面临的问题，这里n=100，则P(N=0)=0.990049, P(N=1)=0. 009901, P(N=2)=0.000049,被烧掉的房屋的期望值为EN=np=0.1，方差varN=0.009999. 2.泊松模型： 在二项式模型中风险单位数n是必须的。如果可能损失次数不是有限的，就无法用二项式模型。 如果在过去一段时间内，每个短小的时间间隔内财产发生损失的概率相同，而且损失发生与否与其他的时间间隔不相关，那么就可以用泊松模型来分析。 其中，λ是在所考虑的时间内的平均损失次数，e=2.718是自然对数。破松分布也是有一个参数决定：λ=EN,它可以通过所观察到的数据加以估计。 例：某设备在过去5年内每年的损失次数如下： 2 0 1 0 如果我们不用这里的概率分布模型，而仅仅根据历史数据来确定损失次数的分布，就会出现问题。因为在这种情况下，P(N=0)=0.4, P(N=1)=0.4, P(N=2)=0.2,即P(N2)=0,说明该设备在一年内发生损失的次数不会超过两次。显然仅靠5年的观察就得到这样的结论是不可靠的。5年中未观察到超过2次损失的情况，并不能保证以后每年都不会出现损失超过两次的情况。 用泊松模型可以解决这个问题，首先估计λ，根据数据可以得到5年的平均损失次数(1+2+0+1+0)/5=0.8,代人泊松模型就可以计算： 三、负二项分布 它表示，已知一个事件在伯努利试验中每次的出现机率是p，在一连串伯努利试验中，一件事件刚好在第r +k次试验出现第r次的机率。 4.泊松过程 在实际问题中，常常要观测到时刻t时某事件出现的次数，如： 1.在某路口到t时刻经过的汽车数目； 2.在收银台到t时刻到达的顾客人数； 3.某地区到t时刻某年龄段的死亡人数； 4.保险公司到t时刻接到的索赔次数。 以上均用{X(t)，t≥0}来描述随机变量，它是随时间的变化而改变的，称之为随机过程。 （一）计数过程 如果