欢迎来到频率的世界！
在 Exam FAM（精算数学基础）的“损失严重性、频率与总损失模型”章节中，我们花费了很多时间在计算事物——具体来说，就是计算在特定期间内发生的索偿次数，这就是我们所说的频率 (Frequency)。与其死记硬背几十个互不相关的公式，精算师通常会使用两个“家族”或类别的分配：(a, b, 0) 类别和 (a, b, 1) 类别。
你可以把这些类别想象成一个“模板”。如果一个分配符合这个模板，我们就能使用一套标准规则来找出其概率。这一章就是你掌握这些模板的指南。如果刚开始觉得数学看起来有点复杂，别担心；我们会一步一步把它拆解开来！
1. 基础构建模块：(a, b, 0) 类别
(a, b, 0) 类别包含三个著名的离散分配：泊松分配 (Poisson)、二项分配 (Binomial) 以及 负二项分配 (Negative Binomial)。它们之所以被归为同一个“家族”，是因为连续概率的比率遵循一个非常具体的线性规律。
神奇公式
对于 (a, b, 0) 类别中的任何分配，发生 \(k\) 次索偿的概率 (\(p_k\)) 与发生 \(k-1\) 次索偿的概率 (\(p_{k-1}\)) 之间存在以下关系：
\(\frac{p_k}{p_{k-1}} = a + \frac{b}{k}, \quad k = 1, 2, 3, ...\)
等等，这是什么意思？ 想象你在爬梯子。每一级台阶 (\(p_k\)) 都与它下方的那一级 (\(p_{k-1}\)) 相关，通过一个随着高度 (\(k\)) 稍微变化的简单乘数来连接。(a, b, 0) 中的“0”告诉我们，这条规则从第一级台阶就开始生效，也就是从 \(p_0\) 开始。
认识家族成员
只有三种分配符合这条规则。以下是如何辨识它们的 a 和 b 参数的方法：
- 泊松分配 (Poisson, \(\lambda\))：
\(a = 0\)
\(b = \lambda\)
关键特征： 由于 \(a=0\)，比率仅为 \(\lambda/k\)。 - 二项分配 (Binomial, \(m, q\))：
\(a = \frac{-q}{1-q}\)
\(b = \frac{(m+1)q}{1-q}\)
关键特征： 在此类别中，\(a\) 永远是负数。 - 负二项分配 (Negative Binomial, \(r, \beta\))：
\(a = \frac{\beta}{1+\beta}\)
\(b = \frac{(r-1)\beta}{1+\beta}\)
关键特征： \(a\) 永远是正数且小于 1。
快速回顾： 如何判断你看到的是哪种分配？
- 如果 \(a < 0\)：它是 二项分配。
- 如果 \(a = 0\)：它是 泊松分配。
- 如果 \(a > 0\)：它是 负二项分配。
你知道吗？ 几何分配 (Geometric distribution) 其实就是 \(r = 1\) 的负二项分配。这意味着对于几何分配，\(b\) 将永远为 0！
总结要点： (a, b, 0) 类别利用简单的递归比率来计算概率。熟记 \((a, b)\) 与分配参数 (\(\lambda, m, q, r, \beta\)) 之间的关系，对于在考试中争取速度至关重要。
2. 进阶学习：(a, b, 1) 类别
有时候，现实世界的数据并不能完美契合 (a, b, 0) 分配。最常见的问题是什么？就是“零索偿”结果的数量，往往比模型预测的要多得多或少得多。这就是 (a, b, 1) 类别 派上用场的时候了。
差别在哪里？
(a, b, 1) 类别使用 完全相同 的递归公式：\(\frac{p_k}{p_{k-1}} = a + \frac{b}{k}\)。然而，它仅适用于 \(k = 2, 3, ...\)。零次索偿的概率 (\(p_0\)) 是“被破坏”或“被修改”的，不遵循该规则。
此类别包含两种分配：
- 零截尾 (Zero-Truncated, ZT)： 这些分配 完全没有零值 (\(p_0 = 0\))。想想医院的病人记录；如果你没有看诊，就不会出现在病人名单中！
- 零修正 (Zero-Modified, ZM)： 这些分配有一个 自定义的零概率 (\(p_0^M\))，由你自己设定。
如何计算 (a, b, 1) 的概率
要计算 (a, b, 1) 类别的概率，我们首先查看其“底层”的 (a, b, 0) 分配（我们称其概率为 \(p_k\)），然后再进行调整。
对于零截尾 (ZT)：
\(p_k^T = \frac{p_k}{1 - p_0}\)
解释： 我们取原始概率，并将其“拉伸”以填补因缺少零而留下的空白。
对于零修正 (ZM)：
\(p_k^M = \frac{1 - p_0^M}{1 - p_0} p_k\)
小贴士： 另一种思考方式是 \(p_k^M = (1 - p_0^M) p_k^T\)。你基本上是在说：“我预留了 \(p_0^M\) 的概率给零值，然后将剩余的概率分配给非零的结果。”
要避免的常见错误： 计算 (a, b, 1) 分配的比率时，请记住你能计算的第一个比率是 \(\frac{p_2}{p_1}\)。你 不能 使用该公式从 \(p_0\) 推算出 \(p_1\)，因为当 \(k=1\) 时，该规则并不适用！
总结要点： (a, b, 1) 类别其实就是 (a, b, 0) 类别加上一个在零点处的“特殊”概率。使用 ZT 或 ZM 公式来调整标准概率即可。
3. 综合运用：解题步骤
当你遇到题目要求计算这些类别的参数或概率时，请遵循以下步骤：
第一步：辨识类别
题目是否提到 \(p_0, p_1\) 和 \(p_2\)？检查一下比率。如果 \(\frac{p_1}{p_0}\) 和 \(\frac{p_2}{p_1}\) 都遵循相同的 \(a + b/k\) 规则，那就是 (a, b, 0)。如果只有后面的项遵循该规则，那就是 (a, b, 1)。
第二步：求解 a 和 b
如果你有两个比率，你就有两个方程式：
1. \(\frac{p_k}{p_{k-1}} = a + \frac{b}{k}\)
2. \(\frac{p_{k+1}}{p_{k}} = a + \frac{b}{k+1}\)
通过相减或代入法来求出 \(a\) 和 \(b\)。
第三步：辨识底层分配
一旦得到 \(a\)，就使用我们的“关键特征”清单：
- \(a\) 为正？负二项分配。
- \(a\) 为 0？泊松分配。
- \(a\) 为负？二项分配。
第四步：回答问题
题目可能会问平均值、方差或特定的概率。现在你已经知道分配及其参数（如 \(\lambda\) 或 \(\beta\)），你可以利用标准公式来完成计算。
别担心，如果刚开始觉得很难！ 最常见的挑战是求解 \(a\) 和 \(b\) 时所涉及的代数运算。多练习几组这样的方程式，这就会变成你的直觉了。
4. 快速回顾框
(a, b, 0) 表格总结：
- 泊松分配： \(a=0\), \(b=\lambda\), \(p_k/p_{k-1} = \lambda/k\)
- 二项分配： \(a < 0\), \(a = -q/(1-q)\)
- 负二项分配： \(a > 0\), \(a = \beta/(1+\beta)\)
(a, b, 1) 公式：
\(p_k^M = \frac{1 - p_0^M}{1 - p_0} p_k\)
关键词汇：
- 零截尾 (Zero-Truncated)： \(p_0\) 精确为 0。
- 零修正 (Zero-Modified)： \(p_0\) 为题目给定的特定数值。
你一定做得到的！理解这些参数之间的关系是通过 Exam FAM 的重要一步。继续练习那些比率吧！