2.Bayes方法。在保險實務中，尤其是在非壽險中，往往難以獲得足夠的樣本信息，或者因為僅有的理賠記錄不符合對統計樣本的理論要求。這時，對損失分布的估計就需要摻入評估人的主觀判斷，並利用新獲得的分布來修正原來的估計。這就是估計損失概率分布的貝葉斯原理。
統計推斷通常可以利用三種信息：總體信息、樣本信息和先驗信息。僅僅使用前兩種信息的統計學派稱為經典統計，三種信息都使用的是貝葉斯統計。
貝葉斯統計方法起源於英國學者貝葉斯（Bayes，T.R.1702-1761）的一篇論文《論有關機遇問題的求解》。貝葉斯在該文中提出了著名的貝葉斯公式和一種歸納推理的方法。此後，數學家拉普拉斯用貝葉斯的方法導出了重要的相繼律。隨後，貝葉斯方法逐漸得到人們的廣泛重視。伴隨著近代概率論的發展，貝葉斯方法從20世紀30年代逐漸發展成為一個有影響的統計學派，在工業、經濟、管理等領域中得到了廣泛應用。在非壽險精算中，貝葉斯方法主要用於估計損失分布、調整費率、校正保費等問題。
設損失變量X的分布類型為，在連續情形下相應的密度函數族為，估計參數的貝葉斯方法與經典的數理統計方法的一個基本區別就是把參數看做隨機變量而不是普通變量，因而可以記作黑體的，這樣本身應有一個概率分布。在此假定下，參數估計的貝葉斯方法可概括為以下步驟：
步驟1：選擇先驗分布。設的分布函數和密度函數分別為和，稱為先驗分布和先驗密度，它反映了評估者對參數的情況有一個初步的看法或者信念。這種信念可能建立在研究者過去關於的經驗認識之上，也可以看成是一種純主觀的判斷。
步驟2：確定似然函數。
步驟3：確定參數的後驗分布。
步驟4：選擇損失函數。選擇一個函數，比如平方函數來刻畫參數的真實值與估計值之間差距的嚴重程度，習慣上稱該函數為“損失函數”。但它的含義不是指賠付損失，它在本質上是評估人的“效用函數”。
步驟5：估計參數。根據所選擇的損失函數和參數的後驗分布，通過求損失函數的期望值的最小值的解作為參數的貝葉斯估計值。
與數理統計方法相比，貝葉斯方法明確地認可研究者的主觀判斷。如果把參數估計的貝葉斯方法分成兩個階段，第一個階段是根據所選擇的先驗概率並利用新的觀察信息求出後驗概率，第二個階段是根據所選擇的損失函數並利用求最小平均損失來求未知參數的貝葉斯估計。第一階段的主觀性體現在對先驗分布的選擇上，第二階段的主觀性則體現在對損失函數的選擇上。
未知參數估計值記作，由於建立在後驗分布的基礎之上，因而與先驗分布有關且是觀察值的函數。如何確定這個函數呢？數理統計中的矩方法通過令樣本矩等於總體矩來確定，這裏確實也隱含著某種主觀性。而貝葉斯估計方法則是明確地承認確定估計量過程中的主觀性，這種主觀性表現為未知參數的估計值與真實值之間的誤差對研究者來說究竟有多嚴重，或理解為會造成多大的損失，而這隻能由研究者自己來判斷。
3.隨機模擬法。客觀世界的某些現象之間存在著某種相似性，因而可以從一種現象出發研究另一種現象。比如在分析一個係統時，可先構造一個與該係統相似的模型，通過在模型上進行試驗來研究原係統，這就是模擬。隨機係統可以用概率模型來描述並進行試驗，稱為隨機模擬法，又稱為蒙特卡羅（MonteCarlo）方法或統計試驗法。
模擬在非壽險精算中的用途非常廣泛，即可以用於確定性問題，又可用於隨機問題。當某一問題用傳統的方法處理有較大難度或計算過於繁雜時，就可以采取模擬方法。例如在分析保險資產與負債比策略、聚合理賠風險等問題時，都可用到模擬方法。一般來說，在以下幾種情況下，模擬方法將發揮其獨特的作用：
（1）在費用和時間上均難以對風險係統進行大量實測；
（2）由於實際風險係統的損失後果嚴重而不能進行實測；
（3）難以對複雜的風險係統構造精確的解析模型；
（4）用解析模型不易求解；
（5）為了對解析模型進行驗證。
模擬的基本步驟是：（1）建立恰當模型；（2）設計實驗方法；（3）從一個或多個概率分布中重複生成隨機數；（4）分析結果。