歡迎來到複合分佈（Compound Distributions）的世界！

你好！今天，我們要深入探討 CS2 課程中最實用且令人興奮的章節之一：複合分佈。如果你曾好奇保險公司是如何計算一年內預計賠付的總金額，那麼你來對地方了。

乍看之下，這個主題似乎是一座公式堆砌成的大山，但請放心！我們會將其拆解成容易消化的小單元。你可以把它想像成一個「兩步走」的過程：首先，計算發生了多少次事件；其次，查看每次事件的規模大小。讓我們開始吧！

1. 到底什麼是複合分佈？

簡單來說，複合分佈代表了一個隨機變數的隨機總和。在風險建模的世界中，我們通常用它來表示總賠付額 (Aggregate Claim Amount, S)。

想像你經營一家小型保險公司。有兩件事是不確定的：
1. N (頻率/次數)：這個月有多少人會提出索償？
2. X (嚴重程度/賠付額)：對於每個提出索償的人，賠付金額是多少？

總成本 \( S \) 就是所有單一索償的總和：

\( S = X_1 + X_2 + X_3 + ... + X_N \)

重要提示：如果 \( N = 0 \)，則 \( S = 0 \)。如果沒人提出索償，總賠付額當然為零！

核心假設

為了讓數學運算簡便，我們通常假設兩件事：
1. 單一賠付額 (\( X_1, X_2, ... \)) 是獨立且分佈相同 (i.i.d.) 的。這意味著每一次賠付都像重新擲一次相同的骰子。
2. 賠付次數 (\( N \)) 與賠付金額大小 (\( X \)) 是獨立的。頻率的高低不會改變單次索償的嚴重程度。

重點總結：複合分佈結合了「有多少次？」(\( N \)) 和「每次多少錢？」(\( X \)) 來告訴我們「總金額是多少」(\( S \))。

2. S 的期望值與變異數

別讓符號把你嚇跑了！我們可以利用 \( N \) 和 \( X \) 的性質，找出總索償額 \( S \) 的期望值（平均值）和變異數。

期望值 (Mean)

這非常直觀。如果你預期會有 10 次索償，而每次平均賠付 $500，你預期總賠付金額就是 $5,000。

\( E[S] = E[N] \times E[X] \)

變異數 (Variance)

變異數稍微「複雜」一點，因為它包含兩個部分。它考慮了索償次數的不確定性以及每次索償金額大小的不確定性。

\( Var(S) = E[N]Var(X) + Var(N)(E[X])^2 \)

記憶小撇步：可以把它想像成「全變異數公式」(Law of Total Variance)。第一部分 (\( E[N]Var(X) \)) 是來自賠付金額大小的變異，而第二部分 (\( Var(N)(E[X])^2 \)) 則是來自賠付次數的變異。

快速複習箱：
- 總平均值：平均頻率 \(\times\) 平均嚴重程度
- 總變異數：(平均頻率 \(\times\) 嚴重程度變異數) + (頻率變異數 \(\times\) 平均嚴重程度的平方)

3. 生成函數 (Generating Functions)

在 CS2 中，我們經常使用動差生成函數 (MGFs) 和機率生成函數 (PGFs) 來描述分佈。對於複合分佈，存在一個非常巧妙的關係。

如果 \( S \) 是一個複合分佈，其 MGF \( M_S(t) \)，可以透過將 \( X \) 的 MGF 「代入」到 \( N \) 的 MGF 中得到：

\( M_S(t) = M_N(\ln M_X(t)) \)

等等，為什麼會有自然對數？因為總和的 MGF 涉及指數函數！如果你處理的是 PGF（通常用於離散的索償次數 \( N \)），公式看起來會更簡潔：

\( G_S(t) = G_N(G_X(t)) \)

如果一開始覺得很複雜也沒關係！只要記住，「總和」的生成函數就是各個組成部分的生成函數進行複合（Composition，即函數套函數）即可。

你知道嗎？這種數學上的「嵌套」結構，就是為什麼複合分佈有時被稱為「停止總和」(stopped-sum) 分佈的原因！

4. 明星級分佈：複合卜瓦松分佈 (Compound Poisson Distribution)

你會遇到最常見的複合分佈就是複合卜瓦松分佈。當賠付次數 \( N \) 服從參數為 \( \lambda \) 的卜瓦松分佈時，就會出現這種情況。

為什麼它很特別？

因為對於卜瓦松分佈，其平均值與變異數是相等的！(\( E[N] = Var(N) = \lambda \))。這大大簡化了我們的公式：

\( E[S] = \lambda E[X] \)

\( Var(S) = \lambda E[X^2] \)

常見錯誤：學生經常忘記在複合卜瓦松分佈中，\( Var(S) \) 使用的是 \( E[X^2] \)（原始二階動差），而不是 \( Var(X) \)。在計算時務必檢查清楚！

可加性 (Additivity)

如果你有兩個獨立的複合卜瓦松風險（例如：一個是汽車保險，另一個是房屋保險），它們的總和同樣是複合卜瓦松分佈！你只需要將它們的 \( \lambda \) 值相加即可。這使得它在大型保險組合建模中非常受歡迎。

重點總結：複合卜瓦松分佈是風險建模中的「黃金標準」，因為它在數學上非常「規整」且易於合併計算。

5. 現實案例：麵包店

讓我們將其應用到現實中。想像一家麵包店：
- 每小時的顧客人數 (\( N \)) 服從參數 \( \lambda = 10 \) 的卜瓦松分佈。
- 每個顧客的消費金額 (\( X \)) 服從常態分佈，平均為 $15，標準差為 $3。

第一步：預計總銷售額
\( E[S] = E[N] \times E[X] = 10 \times 15 = \$150 \)

第二步：總銷售額變異數
我們知道 \( Var(X) = 3^2 = 9 \)。
\( Var(S) = E[N]Var(X) + Var(N)(E[X])^2 \)
\( Var(S) = (10 \times 9) + (10 \times 15^2) = 90 + 2250 = 2340 \)

關鍵啟示：儘管個別消費金額相當穩定（變異數低），但總銷售額的變異數很高，因為顧客的人數會隨機波動。

6. 總結與最終建議

我們已經涵蓋了複合分佈的核心內容。以下是考試的「必知」要點：

1. 定義： \( S \) 是 \( N \) 個隨機變數的總和。

2. 公式： 熟記平均值和變異數公式；它們是你最好的朋友。

3. 獨立性： 在套用這些公式前，務必確認頻率與嚴重程度是否互相獨立。

4. 複合卜瓦松： 記住它的特殊性質，特別是簡化後的變異數公式 (\( \lambda E[X^2] \)) 以及可以將獨立卜瓦松過程直接相加的特性。

繼續練習吧！複合分佈只是基礎積木。一旦你掌握了這些，CS2 中更複雜的模型也會感覺容易駕馭得多。你一定可以做到的！