损失次数模型-几何分布

损失次数模型-几何分布

——非寿险精算的基本理论

1、定义

在$n$次伯努利试验中，试验$k$次才得到第一次成功的机率（成功概率为$p$）。详细地说是：前$k-1$次皆失败，第$k$次成功的概率。这里的实验次数$k$是一个随机变量，这个随机变量的分布就是几何分布。

大家看到这个定义之后是不是想到了负二项分布的定义：一个成功概率为$p$的伯努利试验，不断重复，直至失败$r$次。此时成功的次数为一个随机变量，用$X$表示。称$X$服从负二项分布，记作$X\sim NB(r,p)$。当负二项分布的$r=1$时，负二项分布就是几何分布。

*上面提到了伯努利实验，关于伯努利实验的性质，大家可以参考我之前写的文章损失次数模型-二项分布里面提到了伯努利实验的性质。

2、概率密度函数

$P(X=k)=(1-p{)}^{k-1}p$

• 公式释义：

$k$：一组实验中，实验次数为$k$；

$p$：一次伯努利实验中，成功的概率；

$1-p$：一次伯努利实验中，失败的概率；

一次伯努利试验只有两个结果，成功或失败。成功的概率为$p$，则失败的概率就是$1-p$

$P(X=k)$：一组$k$次伯努利实验中，第$k$次才成功的概率；

• 例子

我们现在做一组5次抛硬币实验，每次实验中正面向上的概率为0.5，则5次实验中，第五次实验才出现正面向上的概率是多少？

带入公式求解

$P(X=5)=(1-0.5{)}^{5-1}0.5^1=0.03125$

<公式理解>

5次抛硬币实验中，第五次才出现正面向上，说明前面四次全是反面向上，第五次才是正面向上，所以公式可列为：$(1-0.5{)}^{5-1}0.5^1$，前面代表4次反面向上，后面代表最后一次正面向上。

3、均值和方差

$$E(X)=\frac{1}{p}$$

$$D(X)=\frac{1-p}{p^2}$$

通过之前写的几期发现，大家好像并不喜欢看推导过程，可能是太枯燥，哈哈哈~所以这里就不写推导过程了，主要注重知识的运用方面。想看推导过程的小伙伴可以看参考资料里面的参考文章

4、几何分布在精算中的应用

4.1、定义

假设损失次数$N$服从参数为$\beta$的几何分布，则发生$k$次损失的概率为:
$$P(N=k)=\frac{{\beta }^k}{(1+\beta {)}^{k+1}}$$

几何分布的均值和方差为：

$E(N)=\beta$

$D(N)=\beta (1+\beta )$

这里的$\beta =\frac{1-p}{p}$，将$\beta$带入后我们会发现上述均值公式与我们前面提到的均值公式不一样，这是因为几何分布有两种不同的情况：①为得到1次成功而进行$n$次伯努利试验，$n$的概率分布，取值范围为1，2，3，…；这种情况得到的期望和方差就是我们在3、均值和方差中提到的结果。②$m=n-1$次失败，第$n$次成功，$m$的概率分布，取值范围为0，1，2，3，…；这种情况的均值为$E(X)=\frac{1-p}{p}$，方差与第①种相同。非寿险精算中采用的是第②种。

4.2、性质

（1）几何分布是负二项分布当$r=1$时的特例。

（2）几何分布具有无记忆性。如果用几何分布描述损失次数，则在给定发生$m$次损失的情况下，以后的损失次数分布与$m$无关。换而言之，如果损失次数服从几何分布，则未来损失次数的分布不受已经发生损失次数的影响。

（3）几何分布的众数恒为0。

5、软件实操

因为几何分布只有一个参数，所以每次只需要改变一下其$p$值看一下图像变化即可。

画图代码

import numpy as np
import matplotlib.pyplot as plt

def bpmf(max_n,p):
    '''
    Parameters
    ----------
    max_n : int
        几何分布的最大实验次数.
    p : float
        几何分布中，每次实验的成功的概率.

    Returns
    -------
    k_sample: list
        几何分布中，实验次数.
    probability : lsit
        几何分布中，对应成功次数的概率.
    '''
    n=max_n
    p=p
    k_sample=np.arange(1,n+1)#会返回一个1至sample的连续整数列表
    probability=[]
    for k in k_sample:
        temp = (1-p)**(k-1)*p#计算二项分布的概率
        probability.append(temp)
    return k_sample,probability


n=20
p=0.2
plt.subplot(1,1,1)#定义图片的布局，针对一张图片来说可以省略该代码
k,probability=bpmf(n,p)#调用自定义的二项分布函数
plt.plot(k,probability,"r",label="p="+str(p))#画曲线图，并定义曲线为红色"r"，并显示图例label（后面是图例名称）
plt.plot(k,probability,"ro")#画散点图，并定义散点为红色
plt.title("Geometric distribution")#设置图片标题
plt.xlabel("The k success")#设置图片x轴说明
plt.ylabel("probability")#设置图片y轴说明
plt.legend(loc=0)#将图例放在合适的位置，让系统自动查找

输出结果

从图片可以看出，随着实验次数的增多，几何分布的概率越小，最后趋于0。从图形也看出，几何分布与正态分布有明显差异，因此并不能用正态分布近似几何分布。

—End—

*** 参考资料 ***

1、《非寿险精算学》孟生旺著

2、数学基础 | 几何分布 - 知乎 (zhihu.com)

3、几何分布_百度百科 (baidu.com)