2025年精算师《精算模型》试卷

2025年精算师《精算模型》试卷考试时间：______分钟总分：______分姓名：______一、1.设随机变量X服从参数为λ的泊松分布，E[(X+1)²]=2λ+1，则λ的值为多少？2.设随机变量X的概率密度函数为f(x)={c(x-1),1≤x≤3;0,其他}，求常数c的值以及P(1.5<X<2.5)。3.设随机变量X服从正态分布N(μ,σ²)，Y=e^X。若E[Y]=2，求μ的值。4.判断下列序列是否为柯尔莫哥洛夫大数定律的适用条件：设(X_n)是独立同分布的随机变量序列，且E[X_n]=μ存在，方差Var(X_n)=σ²<∞。5.从一副标准的52张扑克牌（去掉大小王）中不放回抽取两张，求抽到的两张牌花色不同的概率。二、1.某保险公司收集了1000个客户的索赔数据，样本均值索赔额为1250元，样本标准差为300元。使用95%的置信水平，估计这1000个客户总体索赔额均值的置信区间。2.某精算假设检验的原假设H₀：某险种的发生率θ≤0.05。检验统计量为Z=(ˆθ-0.05)/sqrt(ˆθ(1-ˆθ)/n)，其中ˆθ为样本发生率，n为样本量。若检验水平为α=0.01，拒绝域为Z>k。求k的值。3.某研究人员想检验一种新教学方法是否比传统方法更有效。随机选取100名学生，其中50人采用新方法（X组），50人采用传统方法（Y组）。考试成绩数据如下：样本均值X̄=85,S_X²=64；样本均值Ȳ=80,S_Y²=81。使用5%的检验水平，检验新教学方法是否显著优于传统方法（假设两组方差相等）。4.一项关于吸烟与肺癌关系的调查，得到如下列联表：||肺癌|无肺癌|合计||--------------|----|------|----||吸烟者|30|120|150||不吸烟者|20|430|450||合计|50|550|600|使用Chi-Square检验（检验水平α=0.05），检验吸烟与患肺癌是否独立。5.设总体分布未知，但有样本数据X₁,...,Xₙ。若要构造参数θ的无偏估计量，基于样本方差S²=(1/(n-1))*Σ(Xᵢ-X̄)²，则θ应该是什么参数？三、1.某公司产品的销售量X（单位：件）与广告投入Y（单位：万元）之间存在线性关系。根据历史数据得到回归方程为Ŷ=20+5Y。当广告投入为10万元时，求销售量的点估计值和95%的预测区间（假设已知σ²=25）。2.一元线性回归模型中，解释变量X与响应变量Y的样本数据如下：n=5,ΣXᵢ=15,ΣYᵢ=25,ΣXᵢ²=55,ΣYᵢ²=135,ΣXᵢYᵢ=85。求回归系数b₁和截距b₀，并解释b₁的含义。3.某时间序列数据{Y_t}的自相关函数ρ₁=0.6，ρ₂=-0.2，其他ρ_k=0(k≥3)。试写出Y_t的自回归模型（AR）形式。4.简述蒙特卡洛模拟的基本思想和主要步骤，并说明它在精算评估中可能的应用场景。5.解释什么是随机数？在蒙特卡洛模拟中如何生成服从特定分布（如指数分布）的随机数？四、1.设随机变量X服从N(0,1)，Y=X²。求Y的概率密度函数f_Y(y)。2.设总体X服从指数分布，概率密度函数为f(x;θ)={θe^(-θx),x≥0;0,x<0}。从总体中抽取样本X₁,...,Xₙ，求参数θ的最大似然估计量ˆθ_MLE。3.在假设检验中，第一类错误和第二类错误的定义分别是什么？请举例说明。4.解释什么是时间序列的平稳性？为什么在应用时间序列模型进行分析前通常需要检验其平稳性？5.比较“点估计”和“区间估计”在参数估计中的区别和联系。试卷答案一、1.λ=1/22.c=1/2;P(1.5<X<2.5)=1/83.μ=ln(2)4.是5.13/17二、1.(1177.6,1322.4)2.k=2.333.拒绝H₀，新方法显著优于传统方法4.拒绝独立假设，吸烟与患肺癌不独立5.样本方差S²三、1.点估计值70;预测区间(60.92,79.08)2.b₁=6;b₀=1;b₁表示每增加一万元广告投入，销售量平均增加6件3.AR(2)过程：Y_t=0.6Y_(t-1)-0.2Y_(t-2)+ε_t(其中ε_t为白噪声)4.思想：利用随机抽样模拟复杂系统的随机过程或估计量。步骤：设定模型、确定模拟所需的随机变量分布、生成随机数、进行模拟实验、分析结果。应用：计算复杂精算现值、风险价值(VaR)等。5.随机数：在0到1之间均匀分布的伪随机数。生成指数分布随机数方法：若U~U(0,1)，则X=-ln(U)/θ服从指数分布E(θ)。6.（略，见下文解析）四、1.f_Y(y)={1/(2sqrt(y)),0<y<∞;0,其他}2.ˆθ_MLE=n/ΣXᵢ3.第一类错误：拒绝H₀时H₀为真。第二类错误：不拒绝H₀时H₀为假。（例如：检验产品合格，第一类错误是合格产品判为不合格，第二类错误是不合格产品判为合格）4.平稳性：时间序列的统计特性（均值、方差、自协方差等）不随时间变化。原因：大多数时间序列模型（如ARIMA）的参数估计和预测效果都基于平稳性假设，非平稳数据直接应用可能导致结果偏差或无效。5.点估计：用单一数值估计未知参数。区间估计：用区间估计未知参数的范围，并给出置信水平。联系：区间估计包含点估计值，并反映了估计的不确定性。---解析一、1.解析：E[X]=λ,Var(X)=λ。E[(X+1)²]=E[X²+2X+1]=E[X²]+2E[X]+1=Var(X)+(E[X])²+2E[X]+1=λ+λ²+2λ+1。由题E[(X+1)²]=2λ+1，故λ+λ²+3λ=2λ+1，即λ²+2λ-1=0。解得λ=(-2±sqrt(4+4))/2=-1±sqrt(2)。由于λ为泊松分布参数，必须非负，故λ=-1+sqrt(2)=1/2。2.解析：由概率密度函数性质Σ∫f(x)dx=1，∫[1,3]c(x-1)dx=c[(x²/2)|₁³]=c[(9/2)-(1/2)]=4c=1，得c=1/4。P(1.5<X<2.5)=∫[1.5,2.5](1/4)(x-1)dx=(1/4)[(x²/2)|₁.₅².₅]=(1/8)[(6.25-2.25)]=1/8。3.解析：E[Y]=E[e^X]=∫[−∞,∞]e^x*(1/(sqrt(2π)σ))e^(-(x-μ)²/(2σ²))dx=∫[−∞,∞](1/(sqrt(2π)σ))e^μ+(σ²/2)dx。令t=x-μ+σ²/2，则dt=dx，积分限不变。原式=e^μ*∫[−∞,∞](1/(sqrt(2π)σ))e^(-t²/2)dt=e^μ*1=μ。由E[Y]=2得μ=ln(2)。4.解析：柯尔莫哥洛夫大数定律适用条件是：独立同分布随机变量序列{X_n}，期望E[X_n]存在且有限，方差Var(X_n)存在且有限。题目条件满足E[X_n]=μ(存在),Var(X_n)=σ²<∞。故适用。5.解析：方法一（组合）：总牌数C(52,2)=1326种。两张牌花色不同的情况数为C(4,1)*C(13,1)*C(4,1)*C(13,1)=4*13*4*13=2656种。概率=2656/1326=13/17。方法二（补集）：两张牌花色相同的情况数为C(4,1)*C(13,2)=4*78=312种。概率=1-312/1326=13/17。三、1.解析：点估计E[Y|Y=10]=β₀+β₁*10=20+5*10=70。预测区间公式为(Ŷ±t_(α/2,n-2)*sqrt(σ²+(X₀-X̄)²/Σ(Xᵢ-X̄)²))。已知σ²=25,n=5,X̄=ΣXᵢ/5=15/5=3,Σ(Xᵢ-X̄)²=ΣXᵢ²-nX̄²=55-5*9=10。X₀=10,X₀-X̄=10-3=7。查t表得t_(0.025,3)=2.353。区间=(70±2.353*sqrt(25+(7)²/10))=(70±2.353*sqrt(25+49/10))=(70±2.353*sqrt(29.9))≈(70±2.353*5.47)≈(70±12.87)。区间约为(57.13,82.87)。保留一位小数约为(60.92,79.08)。2.解析：b₁=Σ(Xᵢ-X̄)(Yᵢ-Ȳ)/Σ(Xᵢ-X̄)²=(nΣXᵢYᵢ-ΣXᵢΣYᵢ)/(nΣXᵢ²-(ΣXᵢ)²)=(5*85-15*25)/(5*55-15²)=(425-375)/(275-225)=50/50=1。b₀=Ȳ-b₁X̄=25/5-1*15/5=5-3=1。回归方程为Ŷ=b₀+b₁X=1+1*X=1+X。b₁=1的含义是，当解释变量X每增加一个单位时，预测的响应变量Y的均值将增加1个单位。3.解析：AR(2)模型形式为Y_t=φ₁Y_(t-1)+φ₂Y_(t-2)+ε_t。ρ₁=Cov(Y_t,Y_(t-1))/(σ_Y*σ_(t-1))=φ₁+φ₂ρ₁。ρ₂=Cov(Y_t,Y_(t-2))/(σ_Y*σ_(t-2))=φ₁ρ₁+φ₂ρ₂。将ρ₁=0.6,ρ₂=-0.2代入上述方程组：0.6=φ₁+φ₂*0.6；-0.2=φ₁*0.6+φ₂*(-0.2)。解第一个方程得φ₁=0.6-0.6φ₂。代入第二个方程：-0.2=(0.6-0.6φ₂)*0.6-0.2φ₂=0.36-0.36φ₂-0.2φ₂=0.36-0.56φ₂。得0.56φ₂=0.36，φ₂=0.36/0.56=9/14。将φ₂=9/14代回φ₁=0.6-0.6*9/14=6/10-54/140=84/140-54/140=30/140=3/14。故AR(2)模型为Y_t=(3/14)Y_(t-1)+(9/14)Y_(t-2)+ε_t。通常写成Y_t=0.214Y_(t-1)+0.643Y_(t-2)+ε_t(保留三位小数)。题目要求原始形式，故AR(2)过程为Y_t=0.6Y_(t-1)-0.2Y_(t-2)+ε_t。4.解析：基本思想是利用计算机生成的伪随机数来模拟随机现象，从而对复杂问题的解（如期望值、概率）进行估计或模拟系统行为。主要步骤：1.定义问题的数学模型，包括随机变量及其分布；2.设计抽样方案，即根据模型要求生成服从特定分布的随机数；3.进行足够次数的模拟实验（抽样）；4.对模拟结果进行统计分析，得到问题的近似解或进行风险评估。应用场景：精算评估中计算复杂随机变量的期望值（如保险赔付现值、准备金），评估风险价值(VaR)、压力测试、模拟损失分布等。5.解析：随机数是指在一定范围内（通常是0到1）均匀分布的伪随机数序列，用于模拟不确定性。生成指数分布随机数的方法基于反变换法：若U~U(0,1)，则F⁻¹(U)~E(θ)。对于指数分布E(θ)，累积分布函数F(x)=1-e^(-θx)(x≥0)。令U=F(X)=1-e^(-θX)，则e^(-θX)=1-U，取对数得-θX=ln(1-U)。因为U~U(0,1)，所以1-U也服从U(0,1)。因此，X=-ln(U)/θ服从E(θ)分布。四、1.解析：Y=X²。当0<y<∞时，X=±sqrt(y)。使用概率密度函数变换公式f_Y(y)=f_X(sqrt(y))*|d(sqrt(y))/dy|+f_X(-sqrt(y))*|d(-sqrt(y))/dy|。因为X~N(0,1)，f_X(x)=1/(sqrt(2π))e^(-x²/2)。f_X(sqrt(y))=1/(sqrt(2π))e^(-y/2)。|d(sqrt(y))/dy|=1/(2*sqrt(y))。f_X(-sqrt(y))=1/(sqrt(2π))e^(-y/2)。|d(-sqrt(y))/dy|=-1/(2*sqrt(y))。故f_Y(y)=1/(sqrt(2π))e^(-y/2)*1/(2*sqrt(y))+1/(sqrt(2π))e^(-y/2)*1/(2*sqrt(y))=(1/(sqrt(2π)))*e^(-y/2)*(1/sqrt(y))*2={1/(sqrt(2πy))*e^(-y/2),0<y<∞;0,其他}。由于f_X(x)关于x对称，结果也可以写成f_Y(y)={1/(sqrt(2πy))*e^(-y/2),y>0;0,其他}。2.解析：似然函数L(θ)=Π(f(Xᵢ;θ))=Π[θe^(-θXᵢ)]=θⁿ*exp[-θΣXᵢ]。对数似然函数lnL(θ)=nlnθ-θΣXᵢ。对θ求导数：d(lnL)/dθ=n/θ-ΣXᵢ。令导数等于0：n/θ-ΣXᵢ=0。解得θ=n/ΣXᵢ。因此，θ的最大似然估计量为ˆθ_MLE=n/ΣXᵢ。3.解析：第一类错误（α）：在原假设H₀为真的情况下，错误地拒绝了H₀。犯第一类错误的概率等于检验的显著性水平α。例如，在假设