欢迎来到保险数学的世界！

在本章中，我们将连接纯粹概率与现实世界保险应用之间的桥梁。到目前为止，你已经对随机变量有了概括性的了解。现在，我们要看看保险公司是如何利用这些变量来计算他们的预期赔付金额。

如果起初觉得这些概念有点抽象，请不要担心！你可以把这一章想象成“有规则的概率”。我们取一个基本的损失（例如车祸），并应用相关规则（例如免赔额和赔偿限额），来观察最终的“动差”（平均值或方差）是什么样子。让我们开始吧！

1. 认识两个主角：损失 (Loss) 与 赔付 (Payment)

在我们计算动差之前，必须先搞清楚我们测量的是什么。在 Exam P 考试中，损失 (Loss) 和 赔付 (Payment) 之间有很大的区别。

  • 损失 (X)： 这是发生的实际损害金额。如果一棵树倒在车上造成 5,000 美元的损失，那么 \( X = 5000 \)。
  • 赔付 (Y)： 这是保险公司在应用保单规则后实际支付的金额。如果车主有 500 美元的免赔额 (deductible)，保险公司只会支付 4,500 美元。因此，\( Y = 4500 \)。

小贴士： 务必仔细阅读题目，确认题目问的是损失的动差，还是赔付的动差。它们两者通常是不一样的！

2. “游戏规则”：免赔额与赔偿限额

在“单变量”(Univariate) 的世界里，我们通常会通过两种方式来调整随机变量 \( X \)：

A. 免赔额 (Deductible, d)

免赔额是保单持有人在保险开始赔付前必须支付的金额。赔付变量 \( Y \) 的定义为：
\( Y = \max(0, X - d) \)

类比： 想像游乐园里的“身高限制”。如果你没达到免赔额 \( d \) 的高度，你就不能玩（赔付为 0）。如果你达到了，你只能获得“超出阈值”部分的回馈。

B. 保单赔偿限额 (Policy Limit, u)

限额是保险公司支付的最高金额。赔付变量 \( Y \) 的定义为：
\( Y = \min(X, u) \)

类比： 这就像是有上限的“自助餐”。你可以随意吃，但一旦达到限额（例如 5 盘），服务生就不再提供餐点。即使你还很饿（损失更高），“赔付”也会在 \( u \) 处停止。

3. 计算一阶动差：期望值 (平均值)

期望值 \( E[Y] \) 是“长期平均”赔付金额。由于赔付 \( Y \) 是损失 \( X \) 的函数，我们使用无意识统计学家定律 (LOTUS) 来处理。

针对免赔额 (d)：

如果 \( X \) 是概率密度函数为 \( f(x) \) 的连续随机变量：
\( E[Y] = \int_{d}^{\infty} (x - d) f(x) dx \)

逐步逻辑：
1. 从 \( x = 0 \) 到 \( x = d \)，赔付为 0，我们忽略积分的这部分。
2. 从 \( x = d \) 到无限大，赔付为 \( x - d \)。
3. 将赔付金额乘以概率 \( f(x) \) 然后进行积分！

针对赔偿限额 (u)：

\( E[Y] = \int_{0}^{u} x f(x) dx + \int_{u}^{\infty} u f(x) dx \)

逐步逻辑：
1. 如果损失小于限额（从 \( 0 \) 到 \( u \)），保险公司支付全部损失 \( x \)。
2. 如果损失大于限额（从 \( u \) 到无限大），保险公司支付固定金额 \( u \)。
3. 常见错误： 忘了积分的第二部分！即使损失非常巨大，保险公司仍然支付限额 \( u \)。别把那笔钱漏掉了！

你知道吗？ 平均值还有一个捷径！对于任何非负随机变量：
\( E[\min(X, u)] = \int_{0}^{u} S(x) dx \)
其中 \( S(x) \) 是生存函数 (Survival Function) \( 1 - F(x) \)。这通常比积分密度函数简单得多！

4. 二阶动差与方差

保险公司不只在乎平均值，他们更在乎风险。风险是通过方差 (Variance) 来衡量的。

方差的公式与你之前学过的一样：
\( Var(Y) = E[Y^2] - (E[Y])^2 \)

若要寻找免赔额 \( d \) 下的二阶动差 \( E[Y^2] \)：
\( E[Y^2] = \int_{d}^{\infty} (x - d)^2 f(x) dx \)

快速复习：
- 一阶动差 = 平均值 \( E[Y] \)
- 二阶动差 = \( E[Y^2] \)
- 方差 = 赔付金额的离散程度。

5. 常见概率分布的应用

在 Exam P 中，你会经常看到指数分布 (Exponential Distribution)，因为它的“无记忆性”(memoryless) 使免赔额的问题处理起来非常简单。

如果 \( X \sim \text{Exponential}(\theta) \)：
1. 损失的平均值为 \( E[X] = \theta \)。
2. 有了免赔额 \( d \)，在已知发生赔付的情况下，预期赔付金额仍然是 \( \theta \)！
3. 总体的预期赔付为 \( E[Y] = \theta \cdot P(X > d) = \theta \cdot e^{-d/\theta} \)。

记忆辅助： 对于指数分布，免赔额只是将平均值根据“超过免赔额的概率”进行了“缩放”。这就像分布在免赔额点处“重新开始”了一样。

6. 重点总结

  • 损失 (X) 是总损害；赔付 (Y) 是保险公司支付的金额。
  • 免赔额会从损失中扣除：\( (X - d)_+ \)。
  • 限额会限制损失上限：\( \min(X, u) \)。
  • 平均赔付： 使用 LOTUS 将赔付函数与密度函数相乘后积分。
  • 生存函数捷径： \( E[\min(X, u)] = \int_{0}^{u} S(x) dx \) 是你在考试中节省时间的好帮手。
  • 方差： 务必先算二阶动差，再减去平均值的平方。

最后鼓励： 积分这些分段函数（公式在 \( d \) 或 \( u \) 处发生变化）是本章最困难的部分。建议先练习为均匀分布 (Uniform distribution) 设定积分——这是掌握边界条件最简单的方法，之后再去挑战更难的微积分。你一定做得到的！