歡迎來到總損失近似值（Aggregate Loss Approximations）的世界！

你好！如果你正在準備 Exam FAM，你一定知道計算總索賠額（我們稱之為總損失，即 \(S\)）的確切分佈簡直是一場惡夢。在現實生活中，一家保險公司可能會有成千上萬筆索賠。想要精確計算出每一種可能的結果，幾乎是不可能的任務。

這就是近似值 (Approximations) 發揮作用的時候了！在這一章中，我們將學習如何運用兩個著名的「捷徑」——常態分佈 (Normal Distribution) 與 對數常態分佈 (Log-normal Distribution)——來估算總損失的行為。這些工具能幫助精算師在無需超級電腦的情況下，判斷公司需要多少資本才能保持償付能力。

1. 基礎知識：\(S\) 的期望值與變異數

在進行任何近似之前，我們必須先掌握總損失 \(S\) 的「中心」與「離散程度」。請記住，\(S\) 是隨機數量的索賠 (\(N\)) 乘以其隨機大小 (\(X\)) 的總和。

「必背」公式：
1. 期望值（平均值）： \(E[S] = E[N] \times E[X]\)
2. 變異數： \(Var(S) = E[N] \times Var(X) + Var(N) \times (E[X])^2\)

比喻： 把 \(E[S]\) 想成一堆磚塊的平均高度。它取決於你平均有多少塊磚頭 (\(E[N]\))，以及每一塊磚頭平均有多厚 (\(E[X]\))。變異數公式之所以比較複雜，是因為它同時考慮了索賠數量與單筆索賠金額兩者的不確定性！

快速回顧：常見的頻率分佈

在計算 \(Var(N)\) 時，別忘了這些分佈：
• 卜瓦松分佈 (Poisson)： \(E[N] = Var(N) = \lambda\)
• 負二項分佈 (Negative Binomial)： \(Var(N) > E[N]\)
• 二項分佈 (Binomial)： \(Var(N) < E[N]\)

2. 常態近似 (Normal Approximation)

常態近似依賴於中央極限定理 (Central Limit Theorem)。它指出，如果索賠數量足夠多，總損失的分佈就會開始呈現鐘形曲線，而不論個別索賠的分佈長得如何。

如何使用：

我們假設 \(S\) 服從常態分佈：\(S \sim N(E[S], Var(S))\)。
若要找出總損失小於某個數值 \(k\) 的機率，我們使用 Z-score 公式：
\(Z = \frac{k - E[S]}{\sqrt{Var(S)}}\)

逐步流程：
1. 利用頻率與嚴重程度的平均值算出 \(E[S]\)。
2. 使用第 1 節的公式算出 \(Var(S)\)。
3. 將數值代入 Z-score 公式。
4. 在標準常態分佈表 (\(\Phi\) 表) 中查出對應的機率。

常見錯誤提醒：
學生常忘記對變異數取平方根。Z-score 公式需要的是標準差 \(\sigma_S = \sqrt{Var(S)}\)，而不是變異數本身！

你知道嗎？ 常態近似通常在預期索賠數量 (\(E[N]\)) 非常大時效果較好。然而，它有一個重大缺陷：常態分佈在理論上可能出現負值，但保險損失永遠不可能小於零！

3. 對數常態近似 (Log-normal Approximation)

由於保險損失通常呈現偏態 (Skewed)（即很多小額索賠，少數巨額索賠）且總為正值，因此對數常態近似通常比常態近似更為貼切。

核心概念：

我們假設損失的自然對數 \(\ln(S)\) 服從常態分佈。這意味著 \(S\) 本身是服從對數常態分佈。我們需要找出兩個參數：\(\mu\) 與 \(\sigma^2\)。注意：這些不是 \(S\) 的平均值與變異數，而是 \(\ln(S)\) 的平均值與變異數！

如何求解參數：

為了讓對數常態分佈與我們的總損失匹配，我們使用動差法 (Method of Moments)。你將會被給予（或自行計算出）\(E[S]\) 與 \(E[S^2]\)。
記得 \(E[S^2] = Var(S) + (E[S])^2\)。

利用以下兩個「神奇」公式求出 \(\sigma^2\) 與 \(\mu\)：
1. \(\sigma^2 = \ln\left(\frac{E[S^2]}{(E[S])^2}\right) = \ln\left(1 + \frac{Var(S)}{(E[S])^2}\right)\)
2. \(\mu = \ln(E[S]) - 0.5\sigma^2\)

機率計算步驟：
如果你需要求出 \(Pr(S \le k)\)：
1. 使用上述公式找出 \(\mu\) 與 \(\sigma\)。
2. 將問題轉換到對數空間：\(Pr(\ln(S) \le \ln(k))\)。
3. 計算 Z-score：\(Z = \frac{\ln(k) - \mu}{\sigma}\)。
4. 使用常態分佈表查詢機率。

重點總結： 對數常態分佈是「右偏」的，這比起對稱的常態分佈，更能準確反映大多數保險索賠數據的特性。

4. 常態 vs. 對數常態：該選哪一個？

在考試環境中，題目通常會告訴你使用哪一個。不過，以下是一些分辨技巧：

• 使用常態近似的情況： 索賠數量非常大，且分佈相對對稱時。
• 使用對數常態近似的情況： 分佈有明顯偏態，或是你想確保模型不會產生負損失時。

記憶小撇步：
Normal 是 Nice（好用且簡單，直接使用 \(E[S]\) 與 \(Var(S)\)）。
Log-normal Loves Logs（需要使用 \(\ln\) 及匹配動差）。

5. 總結與快速回顧

1. 總期望值： \(E[S] = E[N]E[X]\)。
2. 總變異數： \(Var(S) = E[N]Var(X) + Var(N)E[X]^2\)。
3. 常態 Z-score： \(Z = (k - E[S]) / \sqrt{Var(S)}\)。
4. 對數常態參數： 匹配 \(E[S]\) 與 \(E[S^2]\) 以求得 \(\mu\) 與 \(\sigma^2\)。
5. 對數常態 Z-score： \(Z = (\ln(k) - \mu) / \sigma\)。

如果剛開始覺得很難，不用擔心！ 最常見的錯誤通常是變異數公式中的算術粗心，或是搞混了對數常態的參數。多練習幾題需要計算 \(Var(S)\) 的題目，這些步驟很快就會變成你的肌肉記憶。

專家提示： 在處理對數常態問題時，請務必留意題目是否給了你變異係數 (Coefficient of Variation, CV)。\(CV = \sqrt{Var(S)} / E[S]\)。如果有給，\(\sigma^2\) 的公式會變得更簡單：\(\sigma^2 = \ln(1 + CV^2)\)！