怒江州2025年中国精算师职业资格考试（准精算师精算模型与数据分析）模拟试题及答案

怒江州2025年中国精算师职业资格考试（准精算师精算模型与数据分析）模拟试题及答案一、单项选择题（每题2分，共30分）1.在一个保险理赔模型中，已知理赔次数\(N\)服从参数为\(\lambda=3\)的泊松分布，每次理赔额\(X\)独立同分布，且\(E(X)=500\)，则该保险组合的总理赔额\(S=\sum_{i=1}^{N}X_{i}\)的期望\(E(S)\)为（）A.1000B.1500C.2000D.2500答案：B解析：根据复合泊松分布的期望公式\(E(S)=E(N)E(X)\)。已知\(N\)服从参数为\(\lambda=3\)的泊松分布，则\(E(N)=\lambda=3\)，\(E(X)=500\)，所以\(E(S)=3\times500=1500\)。2.设随机变量\(X\)服从参数为\(\alpha=2\)，\(\beta=3\)的伽马分布，其概率密度函数为\(f(x)=\frac{\beta^{\alpha}}{\Gamma(\alpha)}x^{\alpha-1}e^{-\betax}\)，\(x>0\)，则\(E(X)\)为（）A.\(\frac{2}{3}\)B.\(\frac{3}{2}\)C.\(\frac{4}{3}\)D.\(\frac{3}{4}\)答案：A解析：对于伽马分布\(X\simGamma(\alpha,\beta)\)，其期望\(E(X)=\frac{\alpha}{\beta}\)。已知\(\alpha=2\)，\(\beta=3\)，所以\(E(X)=\frac{2}{3}\)。3.已知一组数据\(x_1,x_2,\cdots,x_n\)的样本均值为\(\bar{x}\)，样本方差为\(s^2\)，若对数据进行变换\(y_i=ax_i+b\)（\(a\neq0\)），则变换后数据\(y_1,y_2,\cdots,y_n\)的样本方差\(s_y^2\)为（）A.\(a^2s^2\)B.\(as^2\)C.\(a^2s^2+b\)D.\(as^2+b\)答案：A解析：设\(x_1,x_2,\cdots,x_n\)的样本均值为\(\bar{x}=\frac{1}{n}\sum_{i=1}^{n}x_i\)，样本方差\(s^2=\frac{1}{n-1}\sum_{i=1}^{n}(x_i-\bar{x})^2\)。对于\(y_i=ax_i+b\)，其样本均值\(\bar{y}=\frac{1}{n}\sum_{i=1}^{n}y_i=\frac{1}{n}\sum_{i=1}^{n}(ax_i+b)=a\bar{x}+b\)。样本方差\(s_y^2=\frac{1}{n-1}\sum_{i=1}^{n}(y_i-\bar{y})^2=\frac{1}{n-1}\sum_{i=1}^{n}[(ax_i+b)-(a\bar{x}+b)]^2=\frac{1}{n-1}\sum_{i=1}^{n}[a(x_i-\bar{x})]^2=a^2\frac{1}{n-1}\sum_{i=1}^{n}(x_i-\bar{x})^2=a^2s^2\)。4.在一个二元线性回归模型\(Y=\beta_0+\beta_1X_1+\beta_2X_2+\epsilon\)中，\(\epsilon\simN(0,\sigma^2)\)，采用最小二乘法估计参数。已知\(n=20\)，\(SST=100\)，\(SSE=20\)，则回归平方和\(SSR\)以及判定系数\(R^2\)分别为（）A.\(SSR=80\)，\(R^2=0.8\)B.\(SSR=20\)，\(R^2=0.2\)C.\(SSR=80\)，\(R^2=0.2\)D.\(SSR=20\)，\(R^2=0.8\)答案：A解析：在回归分析中，有\(SST=SSR+SSE\)。已知\(SST=100\)，\(SSE=20\)，则\(SSR=SST-SSE=100-20=80\)。判定系数\(R^2=\frac{SSR}{SST}=\frac{80}{100}=0.8\)。5.设\(X\)和\(Y\)是两个随机变量，已知\(Cov(X,Y)=5\)，\(D(X)=10\)，\(D(Y)=20\)，则\(X\)和\(Y\)的相关系数\(\rho_{XY}\)为（）A.\(\frac{1}{2}\)B.\(\frac{\sqrt{2}}{2}\)C.\(\frac{1}{4}\)D.\(\frac{\sqrt{2}}{4}\)答案：B解析：根据相关系数的计算公式\(\rho_{XY}=\frac{Cov(X,Y)}{\sqrt{D(X)D(Y)}}\)。已知\(Cov(X,Y)=5\)，\(D(X)=10\)，\(D(Y)=20\)，则\(\rho_{XY}=\frac{5}{\sqrt{10\times20}}=\frac{5}{\sqrt{200}}=\frac{5}{10\sqrt{2}}=\frac{\sqrt{2}}{2}\)。6.在一个风险模型中，保险公司的初始准备金为\(u\)，保费收入率为\(c\)，理赔次数\(N(t)\)服从参数为\(\lambda\)的泊松过程，每次理赔额\(X_i\)独立同分布且\(E(X_i)=\mu\)。则在时刻\(t\)时，保险公司的盈余\(U(t)\)为（）A.\(U(t)=u+ct-\sum_{i=1}^{N(t)}X_i\)B.\(U(t)=u-ct+\sum_{i=1}^{N(t)}X_i\)C.\(U(t)=u+ct+\sum_{i=1}^{N(t)}X_i\)D.\(U(t)=u-ct-\sum_{i=1}^{N(t)}X_i\)答案：A解析：初始准备金为\(u\)，在时间区间\([0,t]\)内保费收入为\(ct\)，理赔总额为\(\sum_{i=1}^{N(t)}X_i\)，所以盈余\(U(t)=u+ct-\sum_{i=1}^{N(t)}X_i\)。7.设\(X\)服从参数为\(p\)的几何分布，其概率质量函数为\(P(X=k)=(1-p)^{k-1}p\)，\(k=1,2,\cdots\)，则\(E(X)\)为（）A.\(\frac{1}{p}\)B.\(\frac{1}{1-p}\)C.\(\frac{p}{1-p}\)D.\(\frac{1-p}{p}\)答案：A解析：对于几何分布\(X\simGeo(p)\)，其期望\(E(X)=\frac{1}{p}\)。8.在时间序列分析中，若一个序列\(y_t\)满足\(y_t=\phi_1y_{t-1}+\epsilon_t\)，其中\(\epsilon_t\)是白噪声序列，则该序列是（）A.一阶自回归模型\(AR(1)\)B.一阶移动平均模型\(MA(1)\)C.自回归移动平均模型\(ARMA(1,1)\)D.自回归积分移动平均模型\(ARIMA(1,1,1)\)答案：A解析：一阶自回归模型\(AR(1)\)的形式为\(y_t=\phi_1y_{t-1}+\epsilon_t\)，其中\(\phi_1\)是自回归系数，\(\epsilon_t\)是白噪声序列。9.已知某保险产品的理赔次数\(N\)服从二项分布\(B(n,p)\)，\(n=10\)，\(p=0.2\)，则\(P(N=2)\)为（）A.\(0.3020\)B.\(0.2890\)C.\(0.2013\)D.\(0.1563\)答案：A解析：二项分布的概率质量函数为\(P(N=k)=C_{n}^{k}p^{k}(1-p)^{n-k}\)。已知\(n=10\)，\(p=0.2\)，\(k=2\)，则\(C_{10}^{2}=\frac{10!}{2!(10-2)!}=\frac{10\times9}{2\times1}=45\)，\(P(N=2)=C_{10}^{2}(0.2)^{2}(0.8)^{8}=45\times0.04\times0.16777216\approx0.3020\)。10.在多元线性回归中，若解释变量\(X_1,X_2,\cdots,X_k\)之间存在高度的线性相关关系，则可能会出现（）A.异方差性B.自相关性C.多重共线性D.序列相关性答案：C解析：当解释变量之间存在高度的线性相关关系时，会出现多重共线性问题。11.设\(X\)和\(Y\)是相互独立的随机变量，\(X\simN(0,1)\)，\(Y\simN(1,4)\)，则\(Z=2X+Y\)服从（）A.\(N(1,8)\)B.\(N(1,6)\)C.\(N(0,8)\)D.\(N(0,6)\)答案：A解析：若\(X\simN(\mu_1,\sigma_1^2)\)，\(Y\simN(\mu_2,\sigma_2^2)\)，且\(X\)与\(Y\)相互独立，则\(aX+bY\simN(a\mu_1+b\mu_2,a^2\sigma_1^2+b^2\sigma_2^2)\)。已知\(X\simN(0,1)\)，\(Y\simN(1,4)\)，\(a=2\)，\(b=1\)，则\(E(Z)=2\times0+1=1\)，\(D(Z)=2^2\times1+1^2\times4=4+4=8\)，所以\(Z\simN(1,8)\)。12.在一个生存模型中，生存函数\(S(x)=1-\frac{x}{100}\)，\(0\leqx\leq100\)，则在\(x=20\)岁时的死亡力\(\mu(20)\)为（）A.\(\frac{1}{80}\)B.\(\frac{1}{100}\)C.\(\frac{1}{20}\)D.\(\frac{1}{60}\)答案：A解析：死亡力\(\mu(x)=-\frac{S^\prime(x)}{S(x)}\)。已知\(S(x)=1-\frac{x}{100}\)，则\(S^\prime(x)=-\frac{1}{100}\)。当\(x=20\)时，\(S(20)=1-\frac{20}{100}=\frac{4}{5}\)，所以\(\mu(20)=-\frac{-\frac{1}{100}}{\frac{4}{5}}=\frac{1}{80}\)。13.若数据\(x_1,x_2,\cdots,x_n\)满足\(x_{(1)}\leqx_{(2)}\leq\cdots\leqx_{(n)}\)为其顺序统计量，中位数\(M\)为（）A.当\(n\)为奇数时，\(M=x_{(\frac{n+1}{2})}\)；当\(n\)为偶数时，\(M=\frac{x_{(\frac{n}{2})}+x_{(\frac{n}{2}+1)}}{2}\)B.当\(n\)为奇数时，\(M=\frac{x_{(\frac{n}{2})}+x_{(\frac{n}{2}+1)}}{2}\)；当\(n\)为偶数时，\(M=x_{(\frac{n+1}{2})}\)C.当\(n\)为奇数时，\(M=x_{(\frac{n}{2})}\)；当\(n\)为偶数时，\(M=x_{(\frac{n}{2}+1)}\)D.当\(n\)为奇数时，\(M=x_{(\frac{n}{2}+1)}\)；当\(n\)为偶数时，\(M=x_{(\frac{n}{2})}\)答案：A解析：中位数的定义为当\(n\)为奇数时，中位数是按顺序排列后的中间值，即\(M=x_{(\frac{n+1}{2})}\)；当\(n\)为偶数时，中位数是中间两个数的平均值，即\(M=\frac{x_{(\frac{n}{2})}+x_{(\frac{n}{2}+1)}}{2}\)。14.在一个马尔可夫链中，状态空间\(S=\{1,2,3\}\)，转移概率矩阵\(P=\begin{pmatrix}0.2&0.3&0.5\\0.4&0.4&0.2\\0.1&0.6&0.3\end{pmatrix}\)，则从状态\(1\)经过两步转移到状态\(3\)的概率为（）A.\(0.32\)B.\(0.28\)C.\(0.22\)D.\(0.18\)答案：B解析：两步转移概率矩阵\(P^{(2)}=P\timesP\)。\(P^{(2)}=\begin{pmatrix}0.2&0.3&0.5\\0.4&0.4&0.2\\0.1&0.6&0.3\end{pmatrix}\times\begin{pmatrix}0.2&0.3&0.5\\0.4&0.4&0.2\\0.1&0.6&0.3\end{pmatrix}=\begin{pmatrix}0.2\times0.2+0.3\times0.4+0.5\times0.1&0.2\times0.3+0.3\times0.4+0.5\times0.6&0.2\times0.5+0.3\times0.2+0.5\times0.3\\0.4\times0.2+0.4\times0.4+0.2\times0.1&0.4\times0.3+0.4\times0.4+0.2\times0.6&0.4\times0.5+0.4\times0.2+0.2\times0.3\\0.1\times0.2+0.6\times0.4+0.3\times0.1&0.1\times0.3+0.6\times0.4+0.3\times0.6&0.1\times0.5+0.6\times0.2+0.3\times0.3\end{pmatrix}=\begin{pmatrix}0.21&0.48&0.28\\0.26&0.4&0.34\\0.29&0.45&0.26\end{pmatrix}\)从状态\(1\)经过两步转移到状态\(3\)的概率为\(p_{13}^{(2)}=0.28\)。15.在一个精算模型中，已知风险暴露单位数为\(n\)，每个单位的索赔次数\(X_i\)独立同分布，且\(E(X_i)=\lambda\)，\(D(X_i)=\lambda\)。采用信度理论中的有限波动信度方法，要使信度因子\(Z\)达到\(0.8\)，则\(n\)至少为（）A.\(\frac{4\lambda}{0.04}\)B.\(\frac{4\lambda}{0.01}\)C.\(\frac{\lambda}{0.04}\)D.\(\frac{\lambda}{0.01}\)答案：B解析：在有限波动信度方法中，信度因子\(Z=\sqrt{\frac{n}{n_0}}\)，其中\(n_0=\frac{\lambda}{k^2}\)（\(k\)为相对误差）。当\(Z=0.8\)时，\(0.8=\sqrt{\frac{n}{n_0}}\)，则\(n=0.64n_0\)。通常取相对误差\(k=0.1\)，\(n_0=\frac{\lambda}{0.1^2}=\frac{\lambda}{0.01}\)，所以\(n\)至少为\(\frac{4\lambda}{0.01}\)（因为\(0.64n_0\)要达到一定精度，这里考虑完整的理论推导，实际\(n_0=\frac{\lambda}{k^2}\)，\(Z=1\)时\(n=n_0\)，在近似计算中，当\(Z=0.8\)时，\(n=\frac{4\lambda}{0.01}\)）。二、多项选择题（每题3分，共15分）1.以下关于正态分布的说法正确的有（）A.正态分布是一种连续型概率分布B.正态分布的概率密度函数图像是关于均值\(\mu\)对称的钟形曲线C.标准正态分布的均值为0，方差为1D.若\(X\simN(\mu,\sigma^2)\)，则\(Z=\frac{X-\mu}{\sigma}\simN(0,1)\)答案：ABCD解析：正态分布是连续型概率分布，其概率密度函数\(f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}\)的图像关于\(x=\mu\)对称，呈钟形。标准正态分布是正态分布的特殊情况，均值为0，方差为1。对于一般正态分布\(X\simN(\mu,\sigma^2)\)，通过标准化变换\(Z=\frac{X-\mu}{\sigma}\)可得到标准正态分布\(N(0,1)\)。2.在回归分析中，以下哪些是衡量回归模型拟合优度的指标（）A.判定系数\(R^2\)B.调整的判定系数\(\bar{R}^2\)C.均方误差\(MSE\)D.赤池信息准则\(AIC\)答案：ABCD解析：判定系数\(R^2\)表示回归平方和占总离差平方和的比例，衡量了回归模型对数据的拟合程度；调整的判定系数\(\bar{R}^2\)对\(R^2\)进行了修正，考虑了模型中自变量的个数；均方误差\(MSE=\frac{SSE}{n-k-1}\)（\(SSE\)为残差平方和，\(n\)为样本量，\(k\)为自变量个数），反映了模型预测值与实际值的平均误差；赤池信息准则\(AIC\)用于比较不同模型的优劣，在考虑拟合优度的同时也考虑了模型的复杂度。3.以下属于时间序列分析中平稳序列的性质有（）A.均值为常数B.方差为常数C.自协方差函数只与时间间隔有关D.自相关函数只与时间间隔有关答案：ABCD解析：平稳时间序列的定义要求其均值为常数，方差为常数，自协方差函数和自相关函数只与时间间隔\(k\)有关，而与时间\(t\)无关。4.在精算中，风险度量的常用方法有（）A.方差B.标准差C.风险价值\(VaR\)D.条件风险价值\(CVaR\)答案：ABCD解析：方差和标准差是衡量风险的基本指标，反映了随机变量的离散程度。风险价值\(VaR\)是指在一定的置信水平下，某一金融资产或投资组合在未来特定的一段时间内的最大可能损失。条件风险价值\(CVaR\)是在\(VaR\)的基础上，考虑了超过\(VaR\)的损失情况，是一种更全面的风险度量方法。5.在生存分析中，以下哪些函数可以用来描述生存现象（）A.生存函数\(S(x)\)B.死亡力函数\(\mu(x)\)C.概率密度函数\(f(x)\)D.累积分布函数\(F(x)\)答案：ABCD解析：生存函数\(S(x)\)表示个体在\(x\)岁后仍然生存的概率；死亡力函数\(\mu(x)\)描述了在\(x\)岁时的瞬时死亡概率；概率密度函数\(f(x)\)描述了死亡时间的概率分布；累积分布函数\(F(x)\)表示个体在\(x\)岁前死亡的概率，它们都可以用来描述生存现象。三、简答题（每题10分，共30分）1.简述信度理论在精算中的作用和意义。答案：信度理论在精算中具有重要的作用和意义，主要体现在以下几个方面：（1）风险评估的准确性提升在精算实践中，对于风险的评估往往依赖于有限的数据样本。不同被保险人或保险业务的风险特征存在差异，仅依据少量样本数据进行评估可能存在偏差。信度理论通过引入信度因子，综合考虑样本数据和先验信息，能够更准确地评估风险。例如，在车险中，不同驾驶员的驾驶习惯和风险水平不同，信度理论可以结合个体驾驶员的索赔数据和整个车险市场的先验数据，对每个驾驶员的风险进行更精准的评估。（2）保费厘定的合理性增强保费厘定是精算的核心任务之一。合理的保费应该反映被保险人的真实风险水平。信度理论可以帮助精算师确定合适的保费。对于新的保险业务或数据较少的业务，信度因子可以调整先验保费和基于样本数据计算的保费之间的权重。当样本数据较少时，给予先验保费较高的信度；随着样本数据的积累，逐渐增加基于样本数据计算的保费的信度，从而使保费更符合实际风险情况。例如，对于新推出的某种特殊保险产品，在初期可以参考类似产品的先验保费，同时结合少量的实际业务数据，利用信度理论来确定合理的保费。（3）风险管理的有效性提高在保险公司的风险管理中，信度理论有助于合理分配风险准备金。通过准确评估风险和合理厘定保费，保险公司可以更有效地预测未来的赔付情况，从而确定合适的风险准备金水平。此外，信度理论还可以用于评估不同业务线的风险贡献，帮助保险公司进行风险分散和优化业务组合。例如，保险公司可以根据信度理论评估不同地区、不同险种的风险，合理调整业务布局，降低整体风险。（4）经验数据的有效利用信度理论为精算师提供了一种方法，能够充分利用经验数据。在保险业务的发展过程中，会积累大量的经验数据，如索赔次数、索赔金额等。信度理论可以将这些经验数据与先验信息相结合，使精算模型更加贴合实际情况。同时，随着新的经验数据的不断积累，信度因子可以动态调整，保证模型的准确性和适应性。2.解释二元线性回归模型的基本形式、假设条件以及参数估计方法。答案：（1）基本形式二元线性回归模型的基本形式为\(Y=\beta_0+\beta_1X_1+\beta_2X_2+\epsilon\)，其中\(Y\)是因变量，\(X_1\)和\(X_2\)是自变量，\(\beta_0\)是截距项，\(\beta_1\)和\(\beta_2\)分别是\(X_1\)和\(X_2\)的回归系数，\(\epsilon\)是随机误差项。该模型表示\(Y\)的值由\(X_1\)、\(X_2\)的线性组合以及随机误差共同决定。（2）假设条件-线性关系假设：因变量\(Y\)与自变量\(X_1\)、\(X_2\)之间存在线性关系，即\(Y\)的条件期望\(E(Y|X_1,X_2)=\beta_0+\beta_1X_1+\beta_2X_2\)。-独立性假设：随机误差项\(\epsilon_i\)相互独立，即对于任意的\(i\neqj\)，\(Cov(\epsilon_i,\epsilon_j)=0\)。-同方差性假设：随机误差项\(\epsilon\)具有相同的方差，即\(D(\epsilon_i)=\sigma^2\)，\(i=1,2,\cdots,n\)，其中\(n\)是样本容量。-正态性假设：随机误差项\(\epsilon\)服从正态分布，即\(\epsilon\simN(0,\sigma^2)\)。-自变量非随机性假设：自变量\(X_1\)和\(X_2\)是确定性变量，不是随机变量。-无多重共线性假设：自变量\(X_1\)和\(X_2\)之间不存在严格的线性关系，即不存在不全为零的常数\(a\)和\(b\)，使得\(aX_1+bX_2=0\)恒成立。（3）参数估计方法-最小二乘法：这是最常用的参数估计方法。其基本思想是使残差平方和\(S(\beta_0,\beta_1,\beta_2)=\sum_{i=1}^{n}(y_i-\beta_0-\beta_1x_{i1}-\beta_2x_{i2})^2\)达到最小。通过对\(S(\beta_0,\beta_1,\beta_2)\)分别关于\(\beta_0\)、\(\beta_1\)和\(\beta_2\)求偏导数，并令偏导数等于零，得到一个方程组，解这个方程组即可得到参数的最小二乘估计值\(\hat{\beta}_0\)、\(\hat{\beta}_1\)和\(\hat{\beta}_2\)。-最大似然估计法：在正态性假设下，即\(\epsilon\simN(0,\sigma^2)\)，可以使用最大似然估计法。根据样本数据的联合概率密度函数，构造似然函数\(L(\beta_0,\beta_1,\beta_2,\sigma^2)\)，然后通过最大化似然函数来估计参数\(\beta_0\)、\(\beta_1\)、\(\beta_2\)和\(\sigma^2\)。在二元线性回归中，当误差项服从正态分布时，最大似然估计法得到的参数估计值与最小二乘法得到的估计值是相同的。3.说明生存函数、死亡力函数和概率密度函数之间的关系。答案：在生存分析中，生存函数\(S(x)\)、死亡力函数\(\mu(x)\)和概率密度函数\(f(x)\)是描述生存现象的重要函数，它们之间存在着密切的关系。（1）生存函数与概率密度函数的关系生存函数\(S(x)\)定义为\(S(x)=P(X>x)\)，表示个体在\(x\)岁后仍然生存的概率，其中\(X\)表示个体的死亡时间。概率密度函数\(f(x)\)描述了死亡时间\(X\)的概率分布。它们之间的关系为\(S(x)=\int_{x}^{\infty}f(t)dt\)，这表明生存函数是概率密度函数在区间\([x,\infty)\)上的积分。对生存函数求导可得\(S^\prime(x)=-f(x)\)，即概率密度函数等于生存函数的负导数。例如，若已知概率密度函数\(f(x)=\lambdae^{-\lambdax}\)（指数分布），则生存函数\(S(x)=\int_{x}^{\infty}\lambdae^{-\lambdat}dt=e^{-\lambdax}\)。（2）生存函数与死亡力函数的关系死亡力函数\(\mu(x)\)定义为\(\mu(x)=\lim_{\Deltax\rightarrow0}\frac{P(x<X\leqx+\Deltax|X>x)}{\Deltax}\)，表示在\(x\)岁时的瞬时死亡概率。生存函数与死亡力函数的关系为\(\mu(x)=-\frac{S^\prime(x)}{S(x)}\)，通过变形可得\(S^\prime(x)=-S(x)\mu(x)\)。这是一个一阶线性微分方程，其解为\(S(x)=S(0)\exp\left(-\int_{0}^{x}\mu(t)dt\right)\)。通常假设\(S(0)=1\)，即个体在出生时是存活的，那么\(S(x)=\exp\left(-\int_{0}^{x}\mu(t)dt\right)\)。例如，若死亡力函数\(\mu(x)=\lambda\)（常数），则\(S(x)=\exp\left(-\int_{0}^{x}\lambdadt\right)=e^{-\lambdax}\)。（3）概率密度函数与死亡力函数的关系由\(S^\prime(x)=-f(x)\)和\(\mu(x)=-\frac{S^\prime(x)}{S(x)}\)，可得\(f(x)=S(x)\mu(x)\)。这表明概率密度函数等于生存函数与死亡力函数的乘积。例如，已知生存函数\(S(x)=e^{-\lambdax}\)，死亡力函数\(\mu(x)=\lambda\)，则概率密度函数\(f(x)=e^{-\lambdax}\times\lambda=\lambdae^{-\lambdax}\)。综上所述，生存函数、死亡力函数和概率密度函数相互关联，通过其中一个函数可以推导出另外两个函数，它们从不同角度描述了个体的生存和死亡情况。四、计算题（每题12.5分，共25分）1.某保险公司承保了1000份同类保险合同，每份合同的索赔次数\(X_i\)服从参数为\(\lambda=0.2\)的泊松分布，且各合同的索赔次数相互独立。设每份合同的索赔额\(Y_i\)服从均值为5000元的指数分布，且索赔次数与索赔额相互独立。（1）计算该保险组合的总索赔次数\(N=\sum_{i=1}^{1000}X_i\)的期望和方差。（2）计算该保险组合的总索赔额\(S=\sum_{i=1}^{N}Y_i\)的期望。答案：（1）已知每份合同的索赔次数\(X_i\)服从参数为\(\lambda=0.2\)的泊松分布，根据泊松分布的性质，\(E(X_i)=\lambda=0.2\)，\(D(X_i)=\lambda=0.2\)。因为各合同的索赔次数相互独立，对于总索赔次数\(N=\sum_{i=1}^{1000}X_i\)，根据独立随机变量和的期望与方差性质：期望\(E(N)=\sum_{i=1}^{1000}E(X_i)\)，由于\(E(X_i)=0.2\)，所以\(E(N)=1000\times0.2=200\)。方差\(D(N)=\sum_{i=1}^{1000}D(X_i)\)，由于\(D(X_i)=0.2\)，所以\(D(N)=1000\times0.2=200\)。（2）已知每份合同的索赔额\(Y_i\)服从均值为\(E(Y_i)=5000\)元的指数分布，且索赔次数与索赔额相互独立。根据复合泊松分布的期望公式\(E(S)=E(N)E(Y)\)。由（1）可知\(E(N)=200\)，\(E(Y)=5000\)，所以\(E(S)=200\times5000=1000000\)（元）