歡迎來到損失程度分配（Severity Distributions）的世界！

歡迎來到 Exam FAM 學習旅程中最重要的一個章節！在保險世界裡，我們主要關心兩件事：頻率（Frequency）（事件發生的頻率）以及損失程度（Severity）（每次事件造成的金額）。在本節中，我們將全神貫注於損失程度。

你可以把損失程度分配想像成一份「形狀菜單」。有些保險理賠（例如碎掉的擋風玻璃）通常金額較小且可以預測；而其他的（例如颶風造成的破壞）則可能非常龐大。選擇正確的分配就像是為工作選擇合適的工具。別擔心如果這些數學公式起初看起來很嚇人——我們會將這些「分配家族」拆解開來，讓你看出它們之間是如何相互關聯的！

1. 到底什麼是損失程度分配？

損失程度分配是一種用於建模單次損失大小的機率分配。由於理賠金額不可能為負，因此這些分配通常定義在 \(x > 0\) 的範圍內。

快速複習： - 機率密度函數 (PDF) \(f(x)\)： 理賠金額剛好為某個特定數值的可能性。 - 累積分配函數 (CDF) \(F(x)\)： 理賠金額小於或等於 \(x\) 的機率。 - 生存函數 (Survival Function) \(S(x)\)： 理賠金額超過 \(x\) 的機率。在保險業中，我們非常重視 \(S(x)\)，因為它能告訴我們關於那些巨大的、可怕的損失風險！

2. 分配的「族譜」

FAM 中使用的大多數損失程度分配都屬於特定的家族。理解這些關係能幫助你更輕鬆地記住公式。如果你認識「父母」，通常就能推導出「孩子」。

Transformed Beta 家族

這就像是許多分配的「祖父母」。透過改變參數，你可以將 Transformed Beta 分配轉變為 Pareto、Burr 或 Loglogistic 分配。 小貼士：你通常不需要背誦龐大的 Transformed Beta 公式，但你應該知道它是許多重尾（heavy-tailed）分配的「保護傘」。

Transformed Gamma 家族

這個家族包括 Gamma、Exponential 和 Weibull 分配。這些分配通常用於「較輕」的尾部（意味著與 Beta 家族相比，發生鉅額理賠的可能性較低）。

關鍵要點： 分配不僅僅是隨機的公式，它們是透過數學變換聯繫在一起的。如果你看到一個公式看起來跟另一個很像，只是多了一個指數，那它很可能就是「變換後」的版本！

3. 認識「明星」分配

讓我們來看看在考試中最常出現的幾種特定分配。

指數分配 (Exponential Distribution)（「基準線」）

這是最簡單的模型。它假設理賠發生的機率隨時間保持不變。 - 記憶法： 可以把它想成最「無聊」的分配。它沒有「記憶」，尾部也非常簡單。 - 公式： \(F(x) = 1 - e^{-x/\theta}\)

Gamma 分配

你可以把 Gamma 分配想像成幾個指數分配的總和。 - 如果你有 3 個獨立的理賠，每個都服從平均值為 \(\theta\) 的指數分配，那麼它們的總和就會服從形狀參數 \(\alpha = 3\) 且尺度參數 \(\theta\) 的 Gamma 分配。

Pareto 分配（「重磅級選手」）

這是損失程度模型中的超級巨星。它具有重尾（heavy-tailed）特性，意味著它預測到發生巨大「災難性」理賠的機率較高。 - 真實案例： 醫療事故或責任險理賠通常服從 Pareto 分配，因為大多數理賠金額很小，但少數賠償可能高達數百萬美元。 - 要避免的錯誤： 不要搞混這兩個參數。通常 \(\alpha\) (alpha) 是形狀參數，而 \(\theta\) (theta) 是尺度參數。\(\alpha\) 越小，代表尾部越「重」（風險越高！）。

對數常態分配 (Lognormal Distribution)

如果你對理賠金額取自然對數 (\(ln(X)\))，結果呈現常態（鐘形曲線）分配，那麼原始的理賠金額就是對數常態分配。 - 你知道嗎？ 這在財產保險中非常普遍。大多數房子的維修費用屬於中等金額，極端便宜或極端昂貴的案例非常少。

4. 尾部權重：誰的「風險」最高？

Exam FAM 的一個重點就是比較「尾部權重」。這只是一種時髦的說法，問的是：「哪種分配更有可能產生巨額理賠？」

重量級層級（從最輕到最重）： 1. 常態 (Normal)（非常輕——產生巨額理賠幾乎不可能） 2. 指數 (Exponential)（中等偏輕） 3. Gamma（取決於形狀，但通常較輕） 4. 對數常態 (Lognormal)（中等偏重） 5. Pareto（非常重！） 6. Cauchy（極重——但在 FAM 中較少見）

考試中如何測試尾部權重： 如果你被要求比較兩個分配，請查看它們生存函數的比率： \[ \lim_{x \to \infty} \frac{S_1(x)}{S_2(x)} \] 如果極限值趨向於無限大，則分配 1 比分配 2 具有更重的尾部。 比喻：想像一場跑向零的比賽。越「重」的分配，就是當我們向圖表的右側移動時，它留在零之上的時間越長的那一個。

5. 關係與變換

你可以使用以下三種技巧從舊的分配中創造出新的分配：

1. 乘以常數（尺度變換）： 如果 \(X\) 是一個分配，那麼 \(Y = cX\) 只是改變了尺度參數 (\(\theta\))。它不會改變家族的「形狀」。 - 例子： 將理賠金額從美元換算成歐元。

2. 冪次變換： 如果 \(X\) 是指數分配，那麼 \(X^{1/\tau}\) 就會變成 Weibull 分配。 - 記憶口訣： "Power to the Weibull!"

3. 指數化： 如果 \(X\) 是常態分配，那麼 \(e^X\) 就是對數常態分配。（名字裡就寫出來了！）

快速複習框： - 輕尾： 指數、Gamma。 - 重尾： Pareto、對數常態、Burr。 - 要使尾部變重： 減小形狀參數 (\(\alpha\)) 或使用冪次變換。

6. 總結與關鍵要點

- 為什麼我們要關心： 不同的保險產品需要不同的模型。你絕不會對一個「重尾」的責任險產品使用一個「輕尾」的指數模型。

- 「尺度」 (\(\theta\))： 通常與貨幣或金額大小有關。改變尺度不會改變形狀的基本「風險程度」。

- 「形狀」 (\(\alpha\))： 這是最重要的參數。它決定了尾部的表現方式。

- 比較尾部： 使用生存函數比率的極限。在無窮遠處「保持較大值」的那一個，就是尾部較重的那個。

如果起初覺得棘手，別擔心！你練習在 SOA 表格中識別這些分配的次數越多，這些關係就會越像直覺一樣自然。你一定可以做到的！