欢迎来到索赔频率（Claim Frequencies）的世界！

在 FAM 考试的“严重性、频率与总和模型”（Severity, Frequency, and Aggregate Models）单元中，我们花了不少时间探讨频率（Frequency）——这其实就是精算界的一种说法，用来问：“某件事发生了多少次？”

为了避免在每个可能的分佈中死记硬背数十个不同的公式，精算师运用了两类名为 (a,b,0) 类与 (a,b,1) 类的分佈。这些类别让我们能用一个简单的递归公式（recursive formula），就能找出实现生活中常见分佈的概率。如果一开始觉得很数学化也不用担心；一旦你看懂了当中的规律，就像按照食谱煮菜一样简单！

核心秘诀：递归公式

这些类别的奥秘在于发生 \(k\) 次索赔的概率与发生 \(k-1\) 次索赔的概率之间的一个单一关系。对于这些类别中的任何分佈，其概率都遵循以下规则：

\[ \frac{p_k}{p_{k-1}} = a + \frac{b}{k} \]

其中：
\(p_k\) 是索赔次数 \(N\) 等于 \(k\) 的概率。
\(a\) 与 \(b\) 是该分佈特有的常数。
\(k\) 是索赔次数 (1, 2, 3...)。

比喻时间：想象你在爬梯子。(a,b,0) 规则就像告诉你，根据你目前所站的阶梯，爬到下一阶需要多少力气。你不需要从地面直接跳到第 10 阶；你只需要知道怎么从第 9 阶爬到第 10 阶就好！

复习锦囊：
如果你知道 \(p_0\) 以及 \(a\) 和 \(b\) 的值，你就能算出 \(p_1\)。一旦有了 \(p_1\)，你就能算出 \(p_2\)，以此类推！这是一场连锁反应。

第一部分：(a,b,0) 类

(a,b,0) 类是“基础”家族。它从 \(k=0\) 开始，并对所有 \(k = 1, 2, 3, ...\) 的值遵循递归公式。这个专属俱乐部里只有三位成员：

1. 泊松分佈 (Poisson Distribution)

泊松是频率计算中的“家常便饭”。它假设事件是以恒定速率独立发生的。
对于 Poisson(\(\lambda\))：
\(a = 0\)
\(b = \lambda\)
\(p_0 = e^{-\lambda}\)

记忆小撇步：Poisson 以 "P" 开头，而在 (a,b,0) 公式中，\(a\) 是 0。“Poisson 没有 a (Zero 'a')。”

2. 二项分佈 (Binomial Distribution)

当试验次数固定 (\(n\)) 且成功概率 (\(q\)) 也固定时使用。
对于 Binomial(\(n, q\))：
\(a = \frac{-q}{1-q}\)
\(b = \frac{(n+1)q}{1-q}\)
\(p_0 = (1-q)^n\)

注意：在二项分佈中，\(a\) 永远是负数。这是因为可能结果的数量是有限的（你不可能有超过 \(n\) 次的索赔）。

3. 负二项分佈 (Negative Binomial Distribution)

通常用于索赔频率比泊松分佈更“分散”（波动性更大）的情况。
对于 Negative Binomial(\(r, \beta\))：
\(a = \frac{\beta}{1+\beta}\)
\(b = \frac{(r-1)\beta}{1+\beta}\)
\(p_0 = (1+\beta)^{-r}\)

(a,b,0) 类总结表

Poisson: \(a=0, b=\lambda\)
Binomial: \(a < 0\)
Neg. Binomial: \(a > 0\)

第二部分：(a,b,1) 类

有时，“零”的情况并不符合上述规律。例如，保单可能设有非常小的免赔额，导致零索赔的事件从未被上报，或者存在零索赔奖励。这就是 (a,b,1) 类发挥作用的地方。

在 (a,b,1) 类中，递归公式依然适用，但仅从 \(k=2\) 开始。\(p_0\) 与 \(p_1\) 之间的关系被“打破”或修正了。

此类包含两类分佈：

1. 零截断分佈 (Zero-Truncated (ZT) Distributions)

这些分佈不可能为零。概率 \(p_0^T = 0\)。
如果你看到上标 \(T\)（如 \(p_k^T\)），即代表截断 (Truncated)。

2. 零修正分佈 (Zero-Modified (ZM) Distributions)

这些分佈为零设定了自定义的概率，我们称之为 \(p_0^M\)。其余的概率 (\(p_1, p_2, ...\)) 会相应调整，确保总和维持在 100%。

你知道吗？
零修正分佈其实就是将“零点处的巨大尖峰”与“零截断分佈”进行“加权平均”！

计算 (a,b,1) 类的概率

如果你需要计算零修正 (Modified, \(M\)) 分佈的概率，请按照以下步骤：

步骤 1：找出“常规”(a,b,0) 的零概率 \(p_0\)。
步骤 2：找出题目给定的新修正零概率 \(p_0^M\)。
步骤 3：使用以下公式计算第一个修正概率 \(p_1^M\)：
\[ p_1^M = \frac{p_0^M - 1}{p_0 - 1} \cdot p_1 \]
步骤 4：使用标准递归公式 (\(p_k = p_{k-1}(a + b/k)\))，根据 \(p_1^M\) 找出所有后续概率 (\(p_2, p_3, ...\))。

常见错误：许多学生试图直接用 (a,b,0) 的递归关系从 \(p_0^M\) 推导至 \(p_1^M\)。千万不要这样做！在 (a,b,1) 类中，递归仅适用于 \(k \ge 2\)。你必须使用上述“步骤 3”的公式来跨越 \(p_0\) 与 \(p_1\) 之间的障碍。

主要差异总结

(a,b,0) 类：递归从 \(k=1\) 开始。包含 Poisson、Binomial 和 Negative Binomial。
(a,b,1) 类：递归从 \(k=2\) 开始。包含上述分佈的零截断 (Zero-Truncated) 和零修正 (Zero-Modified) 版本。
"a" 的符号：
- 若 \(a=0\)：它是 Poisson 的变体。
- 若 \(a<0\)：它是 Binomial 的变体。
- 若 \(a>0\)：它是 Negative Binomial 的变体。

最后的鼓励

(a,b,0) 和 (a,b,1) 类别只是让你事半功倍的工具。与其死记 10 个不同的概率质量函数 (PMF)，你只需要掌握如何运用这个递归比率。多练习分辨题目要求的是“截断”(无零) 还是“修正”(特殊零) 分佈，你很快就能精通频率模型了！

关键重点：在开始计算之前，务必检查该分佈是否为“零修正”(Zero-Modified)。如果是，请先用特殊公式处理 \(p_1\)，然后再让递归公式完成剩下的工作！