度数分布の選択へようこそ！
未来の保険数理士の皆さん、ようこそ！これまでの学習で、ポアソン分布や負の二項分布といった個々の分布については学んできたことと思います。しかし、現実世界（そしてExam FAMの試験本番）では、データには「どの分布を使いなさい」というラベルなんてついていません。この章では、「分布の探偵」になるための方法を学びます。データの特性や数学的なパターンを読み解き、保険金請求件数（度数）に最適なモデルを選ぶ方法をマスターしましょう。最初はたくさんの数学が出てきて大変そうに見えるかもしれませんが、大丈夫です。パターンさえつかめれば、まるで絵合わせゲームのように簡単になりますよ！
1. 「ビッグスリー」の比較：平均 vs. 分散
選択肢を絞り込むための最も簡単な方法は、平均 \( E[N] \) と分散 \( Var(N) \) の関係を調べることです。保険数理の世界では、この2つの関係を「分散度（dispersion）」と呼びます。
こんな風に考えてみてください。1か月に10件の請求があると予想される場合、その数値はどれくらい変動しますか？常に9、10、11件というように安定していますか？それとも、0から50件まで激しく変動しますか？
- ポアソン分布（バランス型モデル）： 平均と分散が等しくなります。 \( E[N] = Var(N) = \lambda \)。これを等分散（equidispersion）と呼びます。
- 二項分布（安定型モデル）： 分散が平均より小さくなります。 \( Var(N) < E[N] \)。これを過小分散（underdispersion）と呼びます。これは、請求件数に上限がある場合（例えば、部屋の中に10人しかいなければ、10件以上の請求はあり得ないなど）に起こります。
- 負の二項分布（変動型モデル）： 分散が平均より大きくなります。 \( Var(N) > E[N] \)。これを過大分散（overdispersion）と呼びます。保険では請求が「固まる（clump）」ことが多いため、非常によく見られる分布です。
クイック復習ボックス：
標本平均 \(\approx\) 標本分散 \(\rightarrow\) ポアソン分布
標本平均 \(>\) 標本分散 \(\rightarrow\) 二項分布
標本平均 \(<\) 標本分散 \(\rightarrow\) 負の二項分布
2. (a, b, 0) クラス：数学的な秘密兵器
保険数理士は、(a, b, 0) クラスに属する分布を特定するために、特別な公式を使います。このクラスには先ほどの「ビッグスリー」が含まれます。このルールでは、連続する確率の比が線形パターンに従うとされています：
\( \frac{p_k}{p_{k-1}} = a + \frac{b}{k} \) （ここで \( k = 1, 2, 3, \dots \)）
a の値を見るだけで、すぐに分布を特定できます：
1. ポアソン分布： \( a = 0 \)。 （比率は \( b/k \) にのみ依存します）
2. 二項分布： \( a < 0 \)。
3. 負の二項分布： \( a > 0 \)。
たとえ話の時間です！ 階段を上っているところを想像してください。現在の段と次の段の高さにはルールがあります。ルールが一定なら（ポアソン）、階段は予測可能です。階段を上るほど段が低くなるなら（二項）、いつか天井に突き当たります。逆に、階段がどんどん高くなっていくなら（負の二項）、月まで届いてしまいそうですよね！
重要なポイント：
問題で確率のリスト（\( p_0, p_1, p_2 \) など）が与えられたら、比率 \( \frac{p_k}{p_{k-1}} \) を計算してみましょう。もし \( k \) が増えるにつれて比率が減少するものの正の値のままであれば、a をチェックしてください。もし \( a > 0 \) なら、それは負の二項分布です！
3. ゼロ過剰への対処：(a, b, 1) クラス
現実のデータでは、0が「多すぎる」場合や、逆に「全くない」場合があります。例えば、「入院回数」を調べる際、0回の人を対象外にしたり（ゼロ切断：Zero-Truncated）、標準的なポアソン分布が予測するよりも0回の人が圧倒的に多かったり（ゼロ修正：Zero-Modified）することがあります。
(a, b, 1) クラスは、\( k = 2 \) からパターンが始まるため、\( p_1 \) が \( p_0 \) とは異なる計算式で求められます。
- ゼロ切断（ZT）： 分布は \( k=1 \) から始まります。 \( k=0 \) の確率は存在しません。「請求が1件以上ないと入会できない」というクラブのようなものです。
- ゼロ修正（ZM）： ゼロの確率 \( p_0^M \) を手動で特定の値に設定し、残りの分布を調整して確率の合計が1になるようにします。
難しそうに見えても心配しないで！ 修正後の確率 \( p_k^M \) の公式は、元の \( p_k \) をスケール変換したものにすぎません：
\( p_k^M = \frac{1 - p_0^M}{1 - p_0} p_k \)
ここで、\( p_0^M \) は新しい修正済みゼロ確率、\( p_0 \) は元の「ビッグスリー」分布でのゼロ確率です。
4. ステップ・バイ・ステップ：分布の選び方
度数分布表に基づいて分布を選ぶ試験問題に直面したときは、次の手順に従ってください：
ステップ 1： 標本平均 (\( \bar{x} \)) と標本分散 (\( s^2 \)) を計算する。
ステップ 2： 両者を比較する。\( s^2 > \bar{x} \) なら負の二項分布、\( s^2 \approx \bar{x} \) ならポアソン分布を疑う。
ステップ 3： 比率 \( k \cdot \frac{p_k}{p_{k-1}} \) を確認する。これを \( k \) に対してプロットすると、直線の傾きから a と b がわかります。
ステップ 4： \( p_0 \) を見る。データ内の実際の \( p_0 \) が選んだモデルの予測値よりずっと高いなら、ゼロ修正版の分布が必要な可能性が高いです。
よくある間違い： 多くの学生が、負の二項分布の分散公式が \( r \beta (1+\beta) \) であることを忘れてしまいます。この \( (1+\beta) \) の項があるため、分散は必ず平均 \( r \beta \) より大きくなります。データの分散の方が小さい場合は、絶対に負の二項分布を選ばないように！
5. グラフィカルな手法（「直感」チェック）
知っていましたか？ 保険数理士はよく「比率プロット（Ratio Plot）」を使って、どの分布がフィットするかを確認します。\( k \frac{p_k}{p_{k-1}} \) を \( k \) に対してプロットし、点が一直線に並べば、それが (a, b, 0) または (a, b, 1) 分布であることの証明になります。
- 水平線： ポアソン分布 (\( a=0 \))。
- 右肩上がりの直線： 負の二項分布 (\( a>0 \))。
- 右肩下がりの直線： 二項分布 (\( a<0 \))。
重要ポイントのまとめ：
度数分布を選択するコツは、パターンを照らし合わせることです。まずは平均と分散の関係で当たりをつけ、\( (a, b, 0) \) の漸化式で数学的に証明し、0のカテゴリが他のデータと比べて異常ならゼロ修正を検討してください。この3つのツールをマスターすれば、あなたも度数モデルのシャーロック・ホームズになれます！