歡迎來到索賠金額（Severity）的世界！

在 Exam FAM 的「索賠金額、索賠次數與總額模型（Severity, Frequency, and Aggregate Models）」章節中，我們不僅要看索賠發生了多少次（這是 Frequency），還要看這些索賠的成本究竟是「多少」。這就是我們所說的索賠金額（Severity）。

在本章中，我們將學習如何運用動差（Moments）和百分位數（Percentiles）來描述這些索賠金額的「行為」。你可以把它們想像成概率分佈的 DNA——它們告訴我們數據的中心在哪裡、分佈有多廣，以及我們是否需要預防系統中可能出現的巨大「衝擊」。如果現在覺得這些概念有點抽象，不用擔心！我們會一步一步為你拆解！

1. 原始動差（Raw Moments）：測量「大小」

描述一個分佈最簡單的方法就是透過它的原始動差。原始動差本質上就是隨機變量的冪次期望值。

定義：隨機變量 \(X\) 的第 \(k\) 個原始動差記為 \(E[X^k]\)（有時寫作 \(\mu'_k\)）。

第一個原始動差：平均數（Mean）

第 1 個原始動差（\(k=1\)）最為人熟知：即平均數（Mean）（\(\mu\)）。它代表你在長期內預期會看到的「平均」索賠金額。
\(E[X] = \int_{0}^{\infty} x \cdot f(x) \, dx\)（適用於連續變量）
\(E[X] = \sum x \cdot p(x)\)（適用於離散變量）

高階原始動差

隨著 \(k\) 增大（如 \(E[X^2], E[X^3]\)），我們給予較大的索賠金額更多的「權重」。這就是為什麼高階動差對分佈的「尾部」（即非常大的索賠）非常敏感。

快速複習：
- 第 1 動差 = 中心（平均數）
- 第 2 動差 = 有助於測量離散程度（變異數）

2. 中心動差（Central Moments）：測量「離散程度」

原始動差關注的是相對於零的距離，而中心動差關注的是相對於平均數的距離。這能告訴我們實際索賠金額在平均值周圍的波動程度。

定義：第 \(k\) 個中心動差記為 \(E[(X - \mu)^k]\)（有時寫作 \(\mu_k\)）。

變異數（Variance, \(\sigma^2\)）

第 2 個中心動差就是變異數。它告訴我們索賠金額有多「不可預測」。
\(\text{Var}(X) = E[(X - \mu)^2] = E[X^2] - (E[X])^2\)

常見錯誤：學生經常混淆 \(E[X^2]\) 和 \((E[X])^2\)。請記住：平方的平均值並不等於平均值的平方！

標準差（Standard Deviation, \(\sigma\)）

由於變異數的單位是「單位的平方」（例如元平方），我們取平方根來回到原始單位。
\(\sigma = \sqrt{\text{Var}(X)}\)

變異係數（Coefficient of Variation, CV）

這是一個非常實用的「現實世界」指標，用於衡量相對風險。
\(CV = \frac{\sigma}{\mu}\)
比喻：對 $1,000 的索賠而言，$100 的波動（CV = 0.1）算是「穩定」；但對 $50 的索賠而言，$100 的波動（CV = 2.0）就是「極度不可預測」！

重點總結：中心動差幫助我們理解索賠金額的風險與波動性。

3. 偏度與峰度（Skewness and Kurtosis）：風險的「形狀」

保險索賠很少呈「常態分佈」。它們通常包含少數幾筆非常大的索賠和大量的小額索賠。我們使用偏度和峰度來描述這種「傾斜度」。

偏度（Skewness）

偏度衡量不對稱性。
- 正偏（右偏，Positive Skew）：大多數保險分佈都是這種形式！右邊有一條長長的尾巴，代表非常大的索賠。
- 零偏（Zero Skew）：完美對稱（如常態分佈）。

峰度（Kurtosis）

峰度衡量尾部有多「肥厚」。高峰度意味著「極端事件」（黑天鵝事件）發生的頻率比常態分佈所預期的更高。

你知道嗎？精算師非常重視偏度，因為單一重大的颶風或山火索賠金額可能抵過成千上萬筆小額索賠。這種「尾部風險」正是保險業最具挑戰性的地方！

4. 百分位數與分位數（Percentiles and Quantiles）

有時我們不想要平均值，而是想知道：「索賠金額在 95% 的情況下都會低於多少？」這就是百分位數的用途。

定義：第 \(p\) 百分位數（或 \(100p\) 分位數）是數值 \(x_p\)，使得索賠金額小於或等於 \(x_p\) 的概率為 \(p\)。
\(F(x_p) = P(X \le x_p) = p\)

VaR (Value at Risk)：在精算與金融領域，第 \(p\) 百分位數通常被稱為 VaR。例如，99% VaR 指的是我們預期只有 1% 的機率會超過的索賠金額。

例子：如果汽車保險索賠的第 95 百分位數是 $10,000，這意味著 95% 的索賠都在 $10,000 或以下，只有 5% 的索賠大於 $10,000。

5. 有限期望值（Limited Expected Value, LEV）

這是 Exam FAM 的一個至關重要**的概念。在現實世界中，保險公司對單一索賠的賠付金額通常設有「上限」（\(u\)）。

定義：有限期望值 \(E[X \land u]\)，是指如果我們對每一筆索賠金額都設一個上限 \(u\)，所得出的索賠期望值。

\(E[X \land u] = \int_{0}^{u} x \cdot f(x) \, dx + u \cdot [1 - F(u)]\)

思考方式：
1. 對於小於上限的索賠，保險公司支付實際金額 (\(x\))。
2. 對於大於上限的索賠，保險公司僅支付上限金額 (\(u\))。

記憶小技巧：將 LEV 想像成「如果保險公司對理賠金額設有天花板，保險公司實際平均需承擔的金額」。

6. 快速複習總結表

平均數（\(\mu\)）： \(E[X]\) - 平均索賠金額。
變異數（\(\sigma^2\)）： \(E[X^2] - \mu^2\) - 索賠的離散程度。
CV： \(\sigma / \mu\) - 相對波動率。
百分位數（\(x_p\)）： \(F(x_p) = p\) - 特定概率下的「界限值」。
LEV（\(E[X \land u]\)）： 當設有上限 \(u\) 時的平均索賠金額。

最後的鼓勵

剛開始接觸索賠金額模型時，可能會覺得計算與公式很繁重。如果覺得棘手，請不要擔心！掌握這一章的秘訣在於識別出動差和百分位數只是描述同一組「索賠數據」的不同方式而已。請持續練習 Exam FAM 公式表中的特定分佈（如 Gamma 分佈、Pareto 分佈和指數分佈），因為它們有預先推導好的動差公式，這將為你節省大量時間！