欢迎来到分布的世界！

欢迎你，未来的精算师！在本章中，我们将探讨精算科学的“DNA”：单变量分布 (univariate distributions)。你可以把分布想象成一种规律或“蓝图”，它告诉我们不同结果出现的可能性。无论是你要预测今天有多少人会提出保险索赔，还是预测这些索赔的金额大小，这些分布都是你最重要的工具。

如果以前觉得统计学有点枯燥，别担心！我们会将这些概念拆解到现实场景中，让你清楚看到它们是如何运作的。

1. 离散分布：你的“计数”工具

当我们进行计数（1, 2, 3...）时，我们会用到离散分布。你总不能有 2.5 宗保险索赔吧！

伯努利分布 (Bernoulli Distribution)：非黑即白的试验

这是最简单的分布。它模拟只有两种可能结果的单次试验：成功 (1) 或失败 (0)。

例子：掷一次硬币，或者检查某位保单持有人是否续保。

关键属性：若成功概率为 \(p\)，其平均值 (Mean) 为 \(p\)，方差 (Variance) 为 \(p(1-p)\)。

二项分布 (Binomial Distribution)：多次试验

如果你将多个伯努利试验加总起来，就会得到二项分布。它告诉我们在 \(n\) 次独立试验中，成功发生的次数。

例子：如果你有 100 位保单持有人，今年有多少人会提出索赔？每位持有人就是一次“试验”。

重点复习：对于 \(X \sim Bin(n, p)\)：
\(E[X] = np\)
\(Var(X) = np(1-p)\)

泊松分布 (Poisson Distribution)：时间内的事件

泊松分布模拟在固定的时间或空间区间内，事件发生的次数。

类比：想象你站在桥上数着桥下经过的车辆。如果你知道平均每小时有 10 辆车经过，泊松分布能帮你计算下一个小时正好有 15 辆车经过的概率。

你知道吗？在泊松分布中，平均值与方差相等 (\(\lambda\))。这是考试时识别泊松过程的一个经典“捷径”！

几何分布与负二项分布：等待成功的到来

这些分布的重点在于成功何时发生。

  • 几何分布 (Geometric)：要经过多少次试验才能等到第一次成功？（例如：我要检查多少间房子才能找到一间有火灾损毁的？）
  • 负二项分布 (Negative Binomial)：要经过多少次试验才能等到第 k 次成功？（例如：销售员要打多少通电话才能达成 3 笔交易？）

常见错误：务必查阅你的公式表！这些分布的某些版本计算的是“试验总次数”，而另一些计算的是“失败次数”。在 CS1 中，IFoA 通常将几何分布定义为第一次成功前的“失败次数”。

重点总结：计数时请使用离散分布。记住，二项分布用于固定次数的试验，而泊松分布则用于固定的时间窗口。

2. 连续分布：你的“测量”工具

连续分布用于测量数值，如时间、重量或金额。这些数值在范围内可以是任何值（例如：一笔索赔可能是 £1,250.55）。

指数分布 (Exponential Distribution)：等待时间

指数分布是泊松分布的“拍档”。泊松分布计算事件发生的次数，而指数分布则测量事件发生的时间间隔。

关键特性：无记忆性 (Memorylessness)。这是考试热门考点！这意味着无论你已经等了一小时还是刚到，接下来 10 分钟内发生事件的概率都是一样的。该分布会“忘记”过去。

伽马分布 (Gamma Distribution)：累加等待时间

如果你将多个指数变量相加，就会得到伽马分布。它通常用于模拟多个独立事件发生的总时间，或由于其灵活性及恒正的特性，被用于模拟索赔金额。

正态分布 (Normal Distribution)：著名的钟形曲线

正态分布 \(N(\mu, \sigma^2)\) 是对称的，描述了许多自然现象。在精算工作中，我们常假设多个独立风险的总和遵循正态分布（这多亏了中心极限定理）。

对数正态分布 (Lognormal) 与帕累托分布 (Pareto)：模拟大型风险

保险索赔并不总是对称的。通常情况下，我们有很多小额索赔，但也有极少数的巨额索赔。

  • 对数正态分布：如果 \(\ln(X)\) 是正态分布，则 \(X\) 为对数正态分布。它向右“偏斜”（右尾较长）。
  • 帕累托分布：这是一种“厚尾”分布。它用于灾难性风险（如地震或大型工业火灾），其中极端“异常值”事件发生的概率比正态分布所预测的要高得多。

重点总结：连续分布用来模拟“有多少”或“多久”。如果你的数据有极端值，请考虑使用对数正态或帕累托分布，而不是正态分布。

3. 生成样本：概率积分变换 (PIT)

电脑如何模拟特定分布的随机数？它们使用一种称为概率积分变换 (Probability Integral Transform, PIT) 的巧妙技巧。

概念

大多数电脑可以轻易生成一个 0 到 1 之间的随机数 \(U\)（即 Uniform(0,1) 分布）。PIT 告诉我们，只要知道目标分布的累积分布函数 (CDF)，即 \(F(x)\)，我们就可以将 \(U\) 转换为任何想要的分布值。

步骤拆解：如何生成样本

  1. 从 \(Uniform(0,1)\) 分布中生成一个随机数 \(u\)。
  2. 令 \(u = F(x)\)，其中 \(F(x)\) 是你想要采样的分布的 CDF。
  3. 解出 \(x\)。这通常写作 \(x = F^{-1}(u)\)。

例子：生成指数分布样本
指数分布的 CDF 为 \(F(x) = 1 - e^{-\lambda x}\)。
1. 令 \(u = 1 - e^{-\lambda x}\)
2. 移项：\(1 - u = e^{-\lambda x}\)
3. 取自然对数：\(\ln(1-u) = -\lambda x\)
4. 解出 \(x\)：\(x = -\frac{1}{\lambda} \ln(1-u)\)
由于 \(1-u\) 同样是 Uniform(0,1)，你通常会看到简化版本为 \(x = -\frac{1}{\lambda} \ln(u)\)。

记忆口诀：把 CDF 想象成一位“翻译官”。你给它一个标准化的数值（0 到 1），它就会把它翻译成你特定分布的“语言”。

重点总结：要生成样本，将随机数 \(u\) 设为 CDF 并解出 \(x\)。这是蒙特卡洛模拟 (Monte Carlo simulation) 的基石。

重点复习箱

考试清单：
• 你分得清哪些分布是离散型 vs 连续型吗？
• 你能识别出具有无记忆性的分布吗？（指数分布）
• 你知道哪个分布满足平均值 = 方差吗？（泊松分布）
• 你会进行 PIT 步骤来求解 \(x\) 吗？
• 记住：对于索赔金额，偏斜分布（对数正态/帕累托）通常比正态分布更适用。

如果一开始觉得很棘手，别担心！精算统计学的核心在于掌握规律。一旦你认出了每个分布的“个性”，选择正确的分布就会变得得心应手。继续多练习那些 CDF 的移项运算吧！