欢迎来到频率模型 (Frequency Modeling)！

在本章中，我们将深入探讨精算数学中的“频率”部分。如果说严重程度 (Severity) 是处理理赔“金额是多少”，那么频率 (Frequency) 就是在处理理赔“发生得多么频繁”。为了让计算更简单，精算师使用了两类特殊的概率分配，称为 (a,b,0) 和 (a,b,1) 类。

别担心这些名称听起来像秘密代码！看完这份笔记后，你会发现它们其实只是运用简单的递归关系（Recursive relationship），将最常见的频率分配（泊松、二项与负二项分配）归纳起来的巧妙方法。让我们开始吧！

(a,b,0) 类：基础篇

(a,b,0) 类是一组离散概率分配，其中发生 \(k\) 次理赔的概率（记作 \(p_k\)）可以通过发生 \(k-1\) 次理赔的概率推导出来。

定义此类别的“神奇公式”为：

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

你可以把它想象成一个递归食谱。如果你知道起点 (\(p_0\)) 以及 a 和 b 的数值，你就能算出该分配中任何一个概率，而不需要每次都使用完整的概率质量函数！

认识 (a,b,0) 家族的成员

在 FAM 考试中，你只需要掌握这个家族的三个主要成员。每个成员都有特定的 a 和 b 值：

1. 泊松分配 (Poisson Distribution) (\(\lambda\))
泊松是随机事件发生的“黄金标准”。
\(a = 0\)
\(b = \lambda\)
小贴士：由于 \(a=0\)，比率简化为 \( \frac{p_k}{p_{k-1}} = \frac{\lambda}{k} \)。

2. 二项分配 (Binomial Distribution) (\(n, q\))
用于试验次数固定（如 \(n\) 张保单）且理赔概率为 \(q\) 的情况。
\(a = \frac{-q}{1-q}\)
\(b = \frac{(n+1)q}{1-q}\)
注意：对于二项分配，a 永远是负数！

3. 负二项分配 (Negative Binomial Distribution) (\(r, \beta\))
当频率比泊松分配更“分散”（波动较大）时使用。
\(a = \frac{\beta}{1+\beta}\)
\(b = \frac{(r-1)\beta}{1+\beta}\)
注意：对于负二项分配，a 永远是正数！

4. 几何分配 (Geometric Distribution) (\(\beta\))
这是负二项分配在 \(r = 1\) 时的特殊情况。
\(a = \frac{\beta}{1+\beta}\)
\(b = 0\)

快速复习：如何识别分配

如果你已知 \(a\) 或概率的比率，你可以立即判断出它是哪种分配：
- 如果 \(a < 0\)：这是二项分配。
- 如果 \(a = 0\)：这是泊松分配。
- 如果 \(a > 0\)：这是负二项分配。

重点总结： (a,b,0) 类涵盖了“标准”版本的频率分配，其公式从 \(k=1\) 开始即适用。

(a,b,1) 类：“修正”家族

有时候，现实世界的理赔数据并不完全符合 (a,b,0) 模型——通常是因为“零理赔”的数量比预期多得多或少得多。这时就需要 (a,b,1) 类了。

(a,b,1) 类使用与 (a,b,0) 类相同的递归公式，但有一个重大前提：它只能从 \(k = 2, 3, \dots\) 开始运作。

零点的概率 \(p_0\) 是“任意的”，可以根据拟合数据的需要进行调整。你需要掌握两类型的 (a,b,1) 分配：

1. 零截断分配 (Zero-Truncated, ZT)

在零截断分配中，我们假设“零”是不可能的。也许我们只观察那些已经至少提交过一次理赔的保户。在这种情况下，\(p_0^T = 0\)。

计算方法：
1. 取得原始 (a,b,0) 的概率 \(p_k\)。
2. 将其除以 \((1 - p_0)\)。
\[ p_k^T = \frac{p_k}{1 - p_0} \]

2. 零修正分配 (Zero-Modified, ZM)

在零修正分配中，我们手动将 \(p_0^M\) 设定为一个特定值（我们称之为 \(g_0\)）。当数据中“零过多”（零膨胀）时，这种情况很常见。

计算方法：
1. 算出零截断概率 \(p_k^T\)。
2. 根据剩余概率进行缩放： \( (1 - p_0^M) \)。
\[ p_k^M = \frac{1 - p_0^M}{1 - p_0} \times p_k \]

类比：独家夜店

想象一家夜店（代表分配）：
- (a,b,0)： 入场规则对每个人都一样，包括队伍中的第一个人。
- 零截断 (a,b,1)： “零”的位置被丝绒绳拦住了。没有人能处于“零理赔”的类别。
- 零修正 (a,b,1)： 针对“零理赔”的位置有一条特殊的 VIP 规则 (\(p_0^M\))，但排队中的其他人 (\(k=1, 2, 3...\)) 都遵循标准的 (a,b,0) 规则，只是按比例缩放以适应整体概率。

你知道吗？ (a,b,0) 类的每个成员在技术上都是 (a,b,1) 类的成员，但并非每个 (a,b,1) 成员都是 (a,b,0) 成员！这就像所有的正方形都是长方形，但并非所有的长方形都是正方形一样。

逐步教学：解决 (a,b,k) 问题

如果你遇到询问这些类别概率的问题，请按照以下步骤操作：

第一步：识别类别。 是 (a,b,0) 还是 (a,b,1)？观察递归公式是从 \(k=1\) 还是 \(k=2\) 开始。
第二步：识别分配。 利用 a 的正负号（负数 = 二项，零 = 泊松，正数 = 负二项）。
第三步：寻找参数。 使用给定的 \(p_k\) 值来解出 \(a\) 和 \(b\)。
第四步：针对 ZT 或 ZM 进行调整。 如果是 (a,b,1) 类，先算出“标准”的 \(p_0\)，然后套用修正公式求出题目要求的 \(p_k\)。

常见避坑指南

1. 混淆 a 和 b： 永远记住公式是 \(a + b/k\)。如果弄反了，算出来的概率会错得离谱！
2. 忘记 \(p_0\)： 在 (a,b,1) 类中，递归关系无法告诉你 \(p_1\) 相对于 \(p_0\) 的关系。你必须使用“修正”公式来链接 \(p_0\) 和 \(p_1\)。
3. 负二项参数 'r'： 记住，在 (a,b,0) 类的负二项分配中，\(b = (r-1)a\)。如果 \(r=1\)（几何分配），则 \(b=0\)。

考试重点总结

1. (a,b,0) 公式： \( \frac{p_k}{p_{k-1}} = a + \frac{b}{k} \)，从 \(k=1\) 开始。
2. 'a' 的符号： \(a < 0\)（二项），\(a = 0\)（泊松），\(a > 0\)（负二项）。
3. (a,b,1) 差异： 递归关系仅从 \(k=2\) 开始，\(p_0\) 是特殊的。
4. ZM 公式： \( p_k^M = \frac{1-p_0^M}{1-p_0} p_k \)。这将修正后的概率与标准概率链接起来。

如果一开始觉得困难，别担心！你练习从一串概率中识别 "a" 和 "b" 的次数越多，就会变得越直觉。你一定可以做到的！