Recognizing the (a,b,0) and (a,b,1) classes and their relationships

度数モデルへようこそ！

この章では、アクチュアリー数学の「度数（Frequency）」について深く掘り下げていきます。重大度（Severity）が「クレームがいくらかかるか」を扱うのに対し、度数（Frequency）は「どのくらいの頻度でクレームが発生するか」を扱います。実務や試験での計算を楽にするために、アクチュアリーは(a,b,0)クラスと(a,b,1)クラスと呼ばれる2つの特別な確率分布の族を利用します。

名前が暗号のように聞こえても心配しないでください！このノートを読み終える頃には、これらが単純な漸化式を用いて主要な度数分布（ポアソン、二項、負の二項分布）を分類するための賢い方法に過ぎないことが分かるはずです。さあ、一緒に見ていきましょう！

(a,b,0)クラス：基礎知識

(a,b,0)クラスとは、\(k\)回クレームが発生する確率 \(p_k\) を、\(k-1\)回発生する確率から導き出すことができる離散確率分布の族のことです。

このクラスを定義する「魔法の公式」は以下の通りです：

\[ \frac{p_k}{p_{k-1}} = a + \frac{b}{k}, \text{ for } k = 1, 2, 3, \dots \]

これは「再帰的なレシピ」のようなものだと考えてください。出発点である \(p_0\) と、定数 a と b の値さえ分かっていれば、毎回複雑な確率質量関数を使わなくても、分布内の他のすべての確率を求めることができるのです！

(a,b,0)ファミリーの構成メンバー

試験（Exam FAM）で覚えるべき主要なメンバーは以下の3つだけです。それぞれに固有の a と b の値があります：

1. ポアソン分布 (\(\lambda\))
ランダムな事象発生における「ゴールドスタンダード」です。
\(a = 0\)
\(b = \lambda\)
ワンポイントアドバイス：\(a=0\) なので、比率は単純に \( \frac{p_k}{p_{k-1}} = \frac{\lambda}{k} \) となります。

2. 二項分布 (\(n, q\))
固定された試行回数（\(n\) 件の保険契約など）があり、クレーム発生確率が \(q\) の場合に使用します。
\(a = \frac{-q}{1-q}\)
\(b = \frac{(n+1)q}{1-q}\)
注目：二項分布の場合、a は常に負になります！

3. 負の二項分布 (\(r, \beta\))
ポアソン分布よりも度数が「広がり（分散）」を持っている場合に使用します。
\(a = \frac{\beta}{1+\beta}\)
\(b = \frac{(r-1)\beta}{1+\beta}\)
注目：負の二項分布の場合、a は常に正になります！

4. 幾何分布 (\(\beta\))
これは負の二項分布において \(r = 1\) とした場合の特別なケースです。
\(a = \frac{\beta}{1+\beta}\)
\(b = 0\)

クイック復習：分布の識別方法

もし \(a\) の値や確率の比率が与えられたら、すぐにどの分布かを見分けることができます：
- \(a < 0\) なら：二項分布
- \(a = 0\) なら：ポアソン分布
- \(a > 0\) なら：負の二項分布

重要なポイント：(a,b,0)クラスは、\(k=1\) からこの漸化式が成立する「標準的な」度数分布を網羅しています。

(a,b,1)クラス：「修正」ファミリー

現実のクレームデータが(a,b,0)モデルに完璧に当てはまらないことがあります。その多くは、「クレームゼロ」の件数が予想よりも極端に多かったり少なかったりするためです。そこで登場するのが (a,b,1)クラス です。

(a,b,1)クラスは(a,b,0)と同じ漸化式を使いますが、大きな違いがあります。それは、\(k = 2, 3, \dots\) から計算が始まるという点です。

ゼロにおける確率 \(p_0\) は「任意」に設定可能です。データにフィットさせるために必要な値を設定できます。(a,b,1)クラスには大きく分けて2つのタイプがあります：

1. ゼロ切断分布 (Zero-Truncated: ZT)

ゼロ切断分布では、ゼロになることはあり得ないと仮定します。例えば、少なくとも一度はクレームを請求した人のデータのみを対象にする場合などがこれに当たります。この場合、\(p_0^T = 0\) です。

計算方法：
1. 元の(a,b,0)の確率 \(p_k\) を用意します。
2. それを \((1 - p_0)\) で割ります。
\[ p_k^T = \frac{p_k}{1 - p_0} \]

2. ゼロ修正分布 (Zero-Modified: ZM)

ゼロ修正分布では、\(p_0^M\) をあらかじめ特定の値（\(g_0\) としましょう）に設定します。データに「ゼロが多すぎる（ゼロ過剰）」場合に一般的です。

計算方法：
1. ゼロ切断確率 \(p_k^T\) を求めます。
2. 残りの確率 \((1 - p_0^M)\) を掛けてスケーリングします。
\[ p_k^M = \frac{1 - p_0^M}{1 - p_0} \times p_k \]

例え話：高級ナイトクラブ

ナイトクラブ（分布）を想像してください。
- (a,b,0)：行列の最初の人を含め、全員に同じ入場ルールが適用されます。
- ゼロ切断 (a,b,1)：「ゼロ」の場所はベルベットのロープで封鎖されており、誰も「クレームゼロ」のカテゴリーに入ることはできません。
- ゼロ修正 (a,b,1)：「クレームゼロ」の場所（\(p_0^M\)）には特別なVIPルールがありますが、行列の他の人たち（\(k=1, 2, 3 \dots\)）は、全体のバランスに合わせてスケーリングされた上で、標準の(a,b,0)ルールに従います。

豆知識：(a,b,0)クラスのすべてのメンバーは技術的に(a,b,1)クラスのメンバーでもありますが、すべての(a,b,1)が(a,b,0)であるとは限りません！「すべての正方形は長方形だが、すべての長方形が正方形とは限らない」のと同じ関係ですね。

ステップバイステップ：(a,b,k)問題の解き方

これらのクラスに関する問題に遭遇したら、以下のステップに従ってください：

ステップ1：クラスを識別する。 (a,b,0)か(a,b,1)か？漸化式が \(k=1\) で成り立つか、\(k=2\) から始まるかを確認します。
ステップ2：分布を識別する。 a の符号を使います（負＝二項、ゼロ＝ポアソン、正＝負の二項）。
ステップ3：パラメータを求める。 与えられた \(p_k\) の値を使って \(a\) と \(b\) を特定します。
ステップ4：ZTまたはZMの調整。 (a,b,1)クラスであれば、まず「標準の」\(p_0\) を計算し、修正公式を適用して求めたい \(p_k\) を導き出します。

よくある落とし穴

1. a と b の取り違え： 公式は必ず \(a + b/k\) です。逆にすると確率がとんでもないことになります！
2. \(p_0\) を忘れる： (a,b,1)クラスにおいて、漸化式だけでは \(p_1\) が \(p_0\) に対してどうなるかは分かりません。「修正」公式を使って \(p_0\) と \(p_1\) のギャップを埋める必要があります。
3. 負の二項分布の 'r' パラメータ： (a,b,0)クラスにおける負の二項分布の \(b\) の値を混同しないように。\(r=1\)（幾何分布）のときは \(b=0\) になることをお忘れなく。

試験当日に向けた重要ポイント

1. (a,b,0) 公式： \( \frac{p_k}{p_{k-1}} = a + \frac{b}{k} \) （\(k=1\) から開始）
2. 'a' の符号： \(a < 0\)（二項）、\(a = 0\)（ポアソン）、\(a > 0\)（負の二項）
3. (a,b,1) の違い： 漸化式が \(k=2\) から始まる。\(p_0\) は特別扱い。
4. ZM 公式： \( p_k^M = \frac{1-p_0^M}{1-p_0} p_k \)。これで修正版と標準版の確率を結びつけます。

最初は難しく感じるかもしれませんが、大丈夫です！確率のリストから「a」や「b」を見分ける練習を繰り返せば、自然と直感的に解けるようになります。あなたなら絶対に大丈夫です！