本来想把公式总结一下，然则前人之述备矣(参考https://bbs.pinggu.org/thread-2150209-1-1.html)。不过Exam C自学下来，感觉如能在学习前大概知道会讲些什么，我想或许是有益的。

在我看来ExamC由五个部分的知识组成：损失与总损失模型->经验模型->参数模型(含假设检验)->信度理论->模拟。

------回顾部分------

损失与总损失模型：除了重复概率论的知识之外，着重谈论了保单(尤其是带免赔、限额、分保、通胀修正)，以及兼顾索赔次数和单次损失金额的总损失问题。

------模型建立------

经验模型：经验模型，即对于每个观测到的数据赋予同等概率，其建立取决于数据类型。如果是个体数据，则可以用经验方法、Nelson-Åalen法、Kaplan-Meier法以及核密度模型，这些不同的方法，对分布函数有着不同的生成方式；如果是分组数据，可以采用卵形线(ogive)。

参数模型：参数模型与经验模型不同在于：参数模型直接假设观测数据符合某种概率模型，而剩下的事情，其一是估计概率模型的参数，其二是检验模型是否有效。参数估计方法有矩估计、分位点匹配、最大似然法(MLE)、贝叶斯估计(着重放在信度理论中理解)；假设检验有p-p图、Kolmogorov-Smirnov检验、Anderson-Darling检验、Chi-squaregoodness-of-fit检验、Likelihood ratio test(似然比检验)、Schwarz Bayesian准则。

这两部分重在记忆，理解上倒不是很难。N-A法和K-M法在运用前需要先建立一张表格，宜多看习题体会。

------信度理论------

信度理论：在前一部分“模型建立”中，考虑的是全部的数据。但是全部中的部分可能表现优于/劣于全体(例如有些保单赔付情况很少，而另一些则明显高于整体，于是前者很可能要求降低保费)。信度理论着重解决全体中的部分，应当如何调整才是合适的。方法主要有两类：频率学派的方法(有限波动信度理论)、贝叶斯学派的方法(最大精度信度理论)。

频率学派的方法比较容易理解，它在处理问题时是从一个类似区间估计的角度出发的。

贝叶斯学派的最大精度信度理论内容比较丰富，与此前几乎所有的方法都不相同。它首先假设存在一个先验概率，其后通过实际观察，修正这个先验概率，然后预测未来。但在操作上会比较复杂，其原因在于贝叶斯方法在计算上有困难，因此产生了一类估计方法。第一类是已知先验分布的情况，用Bühlmann和Bühlmann-Straub，后者是对前者在多期情况下(每期风险暴露,exposure)的拓展；另一类是未知先验分布的情况，需要用已有数据进行估计，有非参数估计和半参数估计，后者是已知一部分分布的情况而对前者进行的简化。

信度理论在考试中占据比重较大，不仅需要记忆，更需要理解，并多看习题体会参数确定方式(尤其是参数n/m的确定)。

------模拟------

这一部分考试涉及不多，在习题中多多体会即可。

如有问题，还请指出~~