TA2 · Materi 2.1

Frequency MGF and PGF

Medium Bobot: 5–10% Klugman, Panjer & Willmot (2019), Loss Models 5th ed., Bab 6

TA2FrekuensiKlaimMGFPGFTeoriRisiko

📊 2.1 — Frequency MGF and PGF

≡Ringkasan Cepat›

Topik: Fungsi Pembangkit Momen & Probabilitas untuk Model Frekuensi | Bobot: ~5–10% | Difficulty: Medium Ref: Klugman et al. (2019), Bab 6 | Prereq: 1.1 Moment and Probability Generating Functions

Section 0 — Pemetaan Topik

Topik TA2	Sub-topik ID	Skill Diuji	Bobot	Difficulty	Prerequisite	Connected Topics	Referensi
Model Frekuensi Klaim	2.1	Menentukan MGF dan PGF untuk distribusi frekuensi; menghitung momen dan probabilitas dari kedua fungsi	5–10%	Medium	1.1 Moment and Probability Generating Functions	2.2 (a,b,0) and (a,b,1) Distribution Classes, 2.4 Mixed Frequency Distributions, 4.2 Compound Distributions	Klugman et al. (2019), Bab 6

Section 1 — Intuisi

Bayangkan Anda adalah seorang aktuaris di perusahaan asuransi kendaraan bermotor. Setiap bulan, ratusan nasabah mengajukan klaim. Anda perlu memodelkan berapa banyak klaim yang masuk — bukan seberapa besar nilai klaim tersebut, melainkan jumlahnya. Inilah yang disebut model frekuensi klaim: suatu distribusi probabilitas atas bilangan cacah $N = 0, 1, 2, 3, \ldots$ yang merepresentasikan banyaknya klaim dalam satu periode.

Masalahnya, distribusi frekuensi memiliki banyak bentuk — Poisson, Binomial, Negatif Binomial, dan lainnya. Untuk masing-masing, kita perlu bisa menghitung rata-rata klaim, variansi, bahkan peluang tepat $k$ klaim terjadi. Menghitung ini langsung dari distribusi probabilitas bisa sangat melelahkan. Di sinilah Fungsi Pembangkit menjadi alat yang ampuh.

Terdapat dua fungsi pembangkit utama: MGF (Moment Generating Function) dan PGF (Probability Generating Function). Keduanya adalah cara untuk “mengemas” seluruh distribusi ke dalam satu fungsi yang kompak. Ketika kita turunkan (differentiate) fungsi tersebut, informasi tentang momen atau probabilitas “keluar” dengan sendirinya. Khusus untuk distribusi frekuensi (diskrit, bernilai non-negatif), PGF sangat elegan: turunan ke- $k$ di titik nol langsung memberi probabilitas $P(N=k)$ , dikali faktorial.

Section 2 — Definisi Formal

ℹDefinisi Matematis›

Misalkan $N$ adalah variabel acak diskrit non-negatif (banyaknya klaim) dengan fungsi massa probabilitas $p_k = P(N = k)$ untuk $k = 0, 1, 2, \ldots$

MGF: $M_N(t) = E[e^{tN}] = \sum_{k=0}^{\infty} e^{tk} p_k$

PGF: $P_N(z) = E[z^N] = \sum_{k=0}^{\infty} z^k p_k$

Simbol	Makna	Catatan
$N$	Variabel acak frekuensi klaim	Diskrit, bernilai $0, 1, 2, \ldots$
$p_k$	$P(N = k)$ , fungsi massa probabilitas	$\sum_{k=0}^{\infty} p_k = 1$
$M_N(t)$	MGF dari $N$	Terdefinisi di sekitar $t = 0$
$P_N(z)$	PGF dari $N$	$P_N(1) = 1$ ; konvergen untuk $\\|z\\| \leq 1$
$E[N]$	Mean frekuensi klaim	Rata-rata jumlah klaim per periode
$\text{Var}(N)$	Variansi frekuensi klaim	Ukuran sebaran jumlah klaim

Rumus Utama

Hubungan MGF dan PGF:

P_N(z) = M_N(\ln z) \quad \text{atau ekuivalen} \quad M_N(t) = P_N(e^t)

Label: Substitusi $z = e^t$ menghubungkan kedua fungsi secara langsung.

Momen dari MGF:

E[N^r] = M_N^{(r)}(0) = \left. \frac{d^r}{dt^r} M_N(t) \right|_{t=0}

Label: Turunan ke- $r$ dari MGF di $t=0$ menghasilkan momen ke- $r$ .

Momen dari PGF — Factorial Moments:

E[N(N-1)(N-2)\cdots(N-r+1)] = P_N^{(r)}(1) = \left. \frac{d^r}{d z^r} P_N(z) \right|_{z=1}

Label: Turunan ke- $r$ dari PGF di $z=1$ menghasilkan factorial moment ke- $r$ .

Mean dari PGF:

E[N] = P_N'(1)

Variansi dari PGF:

\text{Var}(N) = P_N''(1) + P_N'(1) - [P_N'(1)]^2

Label: Variansi diperoleh dari momen faktorial pertama dan kedua.

Probabilitas dari PGF:

p_k = P(N = k) = \frac{P_N^{(k)}(0)}{k!}

Label: Koefisien deret Taylor PGF di sekitar $z=0$ adalah peluang $P(N=k)$ .

PGF Distribusi Utama:

\text{Poisson}(\lambda): \quad P_N(z) = e^{\lambda(z-1)}

\text{Binomial}(m, q): \quad P_N(z) = [1 - q + qz]^m

\text{Negatif Binomial}(r, \beta): \quad P_N(z) = \left[\frac{1}{1 + \beta(1-z)}\right]^r

MGF Distribusi Utama:

\text{Poisson}(\lambda): \quad M_N(t) = e^{\lambda(e^t - 1)}

\text{Binomial}(m, q): \quad M_N(t) = [1 - q + qe^t]^m

\text{Negatif Binomial}(r, \beta): \quad M_N(t) = \left[\frac{1}{1 + \beta(1-e^t)}\right]^r

Asumsi Eksplisit

$N$ adalah variabel acak diskrit non-negatif ( $N \in \{0, 1, 2, \ldots\}$ ).
$\sum_{k=0}^{\infty} p_k = 1$ — distribusi terdefinisi dengan baik.
MGF diasumsikan terdefinisi di sekitar $t = 0$ (ada interval terbuka yang memuat $t=0$ ).
PGF konvergen setidaknya untuk $|z| \leq 1$ , sehingga $P_N(1) = 1$ selalu valid.
Jika distribusi memiliki support terbatas (mis. Binomial), MGF dan PGF terdefinisi di seluruh $\mathbb{R}$ dan $\mathbb{C}$ .

Section 3 — Jembatan Logika

◈Dari Definisi ke Rumus›

PGF lahir dari ekspansi deret pangkat (power series). Karena $N$ hanya bernilai $0, 1, 2, \ldots$ , kita dapat menulis $E[z^N] = \sum_{k=0}^{\infty} z^k p_k$ — ini persis deret pangkat dengan koefisien $p_k$ . Akibatnya, $p_k$ dapat “diekstrak kembali” dengan menurunkan $k$ kali lalu evaluasi di $z=0$ : $p_k = P_N^{(k)}(0)/k!$ . Inilah kekuatan utama PGF untuk frekuensi.

◈Support dan Domain›

PGF selalu konvergen untuk $|z| \leq 1$ karena $\sum |z|^k p_k \leq \sum p_k = 1$ .
MGF mungkin tidak ada untuk semua distribusi, tetapi PGF selalu ada untuk distribusi diskrit non-negatif.
Di titik $z = 1$ : $P_N(1) = \sum p_k = 1$ selalu terpenuhi — gunakan ini untuk sanity check.
Di titik $z = 0$ : $P_N(0) = p_0 = P(N=0)$ — PGF di nol adalah peluang tidak ada klaim!

Derivasi: Mean dan Variansi dari PGF

Langkah 1 — Turunkan PGF sekali:

P_N'(z) = \frac{d}{dz} \sum_{k=0}^{\infty} z^k p_k = \sum_{k=1}^{\infty} k z^{k-1} p_k

Langkah 2 — Evaluasi di $z=1$ :

P_N'(1) = \sum_{k=1}^{\infty} k \cdot 1^{k-1} p_k = \sum_{k=0}^{\infty} k \cdot p_k = E[N]

Ini membuktikan $E[N] = P_N'(1)$ .

Langkah 3 — Turunkan PGF dua kali:

P_N''(z) = \sum_{k=2}^{\infty} k(k-1) z^{k-2} p_k

Langkah 4 — Evaluasi di $z=1$ :

P_N''(1) = \sum_{k=0}^{\infty} k(k-1) p_k = E[N(N-1)] = E[N^2] - E[N]

Ini adalah factorial moment kedua.

Langkah 5 — Susun variansi:

\text{Var}(N) = E[N^2] - (E[N])^2 = \left[P_N''(1) + P_N'(1)\right] - \left[P_N'(1)\right]^2

Derivasi: PGF Poisson

Langkah 1 — Mulai dari definisi:

P_N(z) = \sum_{k=0}^{\infty} z^k \cdot \frac{e^{-\lambda}\lambda^k}{k!}

Langkah 2 — Keluarkan faktor $e^{-\lambda}$ :

P_N(z) = e^{-\lambda} \sum_{k=0}^{\infty} \frac{(z\lambda)^k}{k!}

Langkah 3 — Kenali deret eksponensial $\sum_{k=0}^{\infty} \frac{x^k}{k!} = e^x$ dengan $x = z\lambda$ :

P_N(z) = e^{-\lambda} \cdot e^{z\lambda} = e^{\lambda(z-1)}

Hasil: $P_N(z) = e^{\lambda(z-1)}$ .

Langkah 4 — Verifikasi mean: $P_N'(z) = \lambda e^{\lambda(z-1)}$ , sehingga $P_N'(1) = \lambda = E[N]$ . ✓

✘Dilarang›

Jangan evaluasi PGF di $z > 1$ sembarangan — deret mungkin tidak konvergen di luar radius $|z| \leq 1$ .
Jangan tukar $P_N^{(k)}(0)$ dengan $P_N^{(k)}(1)$ — evaluasi di $z=0$ memberi probabilitas, di $z=1$ memberi momen faktorial.
Jangan lupa faktor $k!$ saat mengambil probabilitas dari PGF: $p_k = P_N^{(k)}(0) / k!$ , bukan $P_N^{(k)}(0)$ saja.

Section 4 — Contoh Soal

Soal A — Fundamental

Jumlah klaim mingguan $N$ berdistribusi Poisson dengan parameter $\lambda = 3$ . Tentukan: (a) $E[N]$ dan $\text{Var}(N)$ menggunakan PGF. (b) $P(N = 2)$ menggunakan PGF.

✓Solusi Soal A›

Pendekatan: Turunkan PGF Poisson dan evaluasi di $z=1$ untuk momen, di $z=0$ untuk probabilitas.

1. Identifikasi Variabel

$N \sim \text{Poisson}(\lambda = 3)$
$P_N(z) = e^{\lambda(z-1)} = e^{3(z-1)}$

2. Identifikasi Distribusi / Model Distribusi Poisson dengan $\lambda = 3$ . PGF berbentuk eksponensial $e^{\lambda(z-1)}$ .

3. Setup Persamaan

P_N'(z) = 3e^{3(z-1)}, \quad P_N''(z) = 9e^{3(z-1)}

4. Eksekusi Aljabar

(a) Mean dan Variansi:

E[N] = P_N'(1) = 3e^{3(1-1)} = 3e^0 = 3

\text{Var}(N) = P_N''(1) + P_N'(1) - [P_N'(1)]^2 = 9 + 3 - 9 = 3

(b) Probabilitas $P(N=2)$ :

p_2 = \frac{P_N''(0)}{2!} = \frac{9e^{3(0-1)}}{2} = \frac{9e^{-3}}{2} \approx \frac{9 \times 0.0498}{2} \approx 0.2240

Verifikasi via formula langsung: $p_2 = \frac{e^{-3} \cdot 3^2}{2!} = \frac{9e^{-3}}{2}$ ✓

5. Verification Untuk Poisson, $E[N] = \text{Var}(N) = \lambda = 3$ . Kedua nilai sama. ✓ Magnitude $p_2 \approx 0.224$ masuk akal sebagai mode distribusi Poisson( $\lambda=3$ ).

Hasil: $E[N] = 3$ , $\text{Var}(N) = 3$ , $P(N=2) = \frac{9e^{-3}}{2} \approx 0.2240$

▲Exam Tips — Soal A›

Target waktu: 2–3 menit. Common trap: Lupa faktor $k! = 2$ saat menghitung $p_2$ dari turunan kedua PGF. Shortcut: Untuk Poisson, mean = variansi = $\lambda$ — konfirmasi ini sebagai sanity check instan.

Soal B — Exam-Typical

Jumlah klaim bulanan $N$ berdistribusi Negatif Binomial dengan parameter $r = 2$ dan $\beta = 1.5$ . (a) Tentukan PGF dari $N$ . (b) Hitung $E[N]$ , $E[N^2]$ , dan $\text{Var}(N)$ menggunakan PGF. (c) Hitung $P(N = 0)$ dan $P(N = 1)$ dari PGF.

✓Solusi Soal B›

Pendekatan: Gunakan PGF Negatif Binomial, turunkan secara analitik untuk momen, evaluasi di $z=0$ untuk probabilitas.

1. Identifikasi Variabel

$N \sim \text{NegBin}(r=2, \beta=1.5)$
Mean teoritis: $r\beta = 2 \times 1.5 = 3$
Variansi teoritis: $r\beta(1+\beta) = 2 \times 1.5 \times 2.5 = 7.5$

2. Identifikasi Distribusi / Model Negatif Binomial — dipilih karena variansi > mean (overdispersion), cocok untuk data klaim yang mengelompok (contagious).

3. Setup Persamaan

P_N(z) = \left[\frac{1}{1 + \beta(1-z)}\right]^r = \left[\frac{1}{1 + 1.5(1-z)}\right]^2 = \left[\frac{1}{2.5 - 1.5z}\right]^2

4. Eksekusi Aljabar

(a) PGF:

P_N(z) = (2.5 - 1.5z)^{-2}

(b) Turunan pertama:

P_N'(z) = -2(2.5 - 1.5z)^{-3} \cdot (-1.5) = 3(2.5 - 1.5z)^{-3}

E[N] = P_N'(1) = 3(2.5 - 1.5)^{-3} = 3(1)^{-3} = 3 \checkmark

Turunan kedua:

P_N''(z) = 3 \cdot (-3)(2.5 - 1.5z)^{-4} \cdot (-1.5) = 13.5(2.5 - 1.5z)^{-4}

P_N''(1) = 13.5(1)^{-4} = 13.5

E[N^2] = P_N''(1) + P_N'(1) = 13.5 + 3 = 16.5

\text{Var}(N) = E[N^2] - (E[N])^2 = 16.5 - 9 = 7.5 \checkmark

(c) Probabilitas:

p_0 = P_N(0) = (2.5 - 0)^{-2} = 2.5^{-2} = 0.16

p_1 = \frac{P_N'(0)}{1!} = \frac{3(2.5)^{-3}}{1} = \frac{3}{15.625} = 0.192

5. Verification $E[N] = r\beta = 3$ ✓; $\text{Var}(N) = r\beta(1+\beta) = 7.5$ ✓. $p_0 + p_1 = 0.16 + 0.192 = 0.352$ ; masuk akal karena $P(N \geq 2) = 0.648$ .

Hasil: $P_N(z) = (2.5-1.5z)^{-2}$ ; $E[N]=3$ , $E[N^2]=16.5$ , $\text{Var}(N)=7.5$ ; $p_0=0.16$ , $p_1=0.192$ .

▲Exam Tips — Soal B›

Target waktu: 3–4 menit. Common trap: Kesalahan saat menerapkan chain rule pada turunan $(2.5-1.5z)^{-2}$ — jangan lupa mengalikan dengan $-1.5$ dari turunan bagian dalam. Shortcut: Evaluasi di $z=1$ selalu memberi $(2.5-1.5)^{-k} = 1^{-k} = 1$ — kalkulasi jauh lebih sederhana.

Soal C — Challenging

Diketahui PGF dari suatu distribusi frekuensi $N$ adalah:

P_N(z) = \frac{0.4}{1 - 0.6z}

(a) Identifikasi distribusi $N$ beserta parameternya. (b) Hitung $E[N]$ , $\text{Var}(N)$ . (c) Misalkan $S = X_1 + X_2 + \cdots + X_N$ adalah model agregat dengan klaim individual $X_i$ i.i.d. berdistribusi Eksponensial dengan mean 1000, independen dari $N$ . Tentukan $E[S]$ dan $\text{Var}(S)$ .

✓Solusi Soal C›

Pendekatan: Kenali bentuk PGF → identifikasi distribusi → hitung momen → gunakan formula model agregat kolektif.

1. Identifikasi Variabel

$P_N(z) = \frac{0.4}{1-0.6z}$ — bentuk geometri
$X_i \sim \text{Exp}(\theta = 1000)$ , jadi $E[X] = 1000$ , $E[X^2] = 2\theta^2 = 2{,}000{,}000$ , $\text{Var}(X) = \theta^2 = 1{,}000{,}000$

2. Identifikasi Distribusi / Model PGF Geometric dengan parameter $\beta$ : $P_N(z) = \frac{1}{1+\beta} \cdot \frac{1}{1 - \frac{\beta}{1+\beta}z}$ .

Bandingkan: $\frac{0.4}{1-0.6z}$ . Maka $\frac{1}{1+\beta} = 0.4 \Rightarrow \beta = 1.5$ . Cek: $\frac{\beta}{1+\beta} = \frac{1.5}{2.5} = 0.6$ ✓.

Jadi $N \sim \text{Geometric}(\beta = 1.5)$ (kasus khusus NegBin dengan $r=1$ ).

3. Setup Persamaan

P_N'(z) = \frac{0.4 \times 0.6}{(1-0.6z)^2} = \frac{0.24}{(1-0.6z)^2}

P_N''(z) = \frac{0.24 \times 2 \times 0.6}{(1-0.6z)^3} = \frac{0.288}{(1-0.6z)^3}

4. Eksekusi Aljabar

(b) Momen $N$ :

E[N] = P_N'(1) = \frac{0.24}{(0.4)^2} = \frac{0.24}{0.16} = 1.5

P_N''(1) = \frac{0.288}{(0.4)^3} = \frac{0.288}{0.064} = 4.5

\text{Var}(N) = 4.5 + 1.5 - (1.5)^2 = 4.5 + 1.5 - 2.25 = 3.75

Verifikasi: Geometric, $E[N] = \beta = 1.5$ ✓; $\text{Var}(N) = \beta(1+\beta) = 1.5 \times 2.5 = 3.75$ ✓

(c) Model Agregat $S$ :

E[S] = E[N] \cdot E[X] = 1.5 \times 1000 = 1500

\text{Var}(S) = E[N] \cdot \text{Var}(X) + \text{Var}(N) \cdot (E[X])^2

= 1.5 \times 1{,}000{,}000 + 3.75 \times (1000)^2 = 1{,}500{,}000 + 3{,}750{,}000 = 5{,}250{,}000

5. Verification $\text{Var}(S) > E[N] \cdot \text{Var}(X)$ karena variansi frekuensi juga berkontribusi. Rasio $\text{Var}(S)/E[S]^2 = 5{,}250{,}000/2{,}250{,}000 = 2.33 > 1$ — menunjukkan dispersi tinggi yang konsisten dengan Geometric distribution.

Hasil: $N \sim \text{Geometric}(\beta=1.5)$ ; $E[N]=1.5$ , $\text{Var}(N)=3.75$ ; $E[S]=1{,}500$ , $\text{Var}(S)=5{,}250{,}000$ .

▲Exam Tips — Soal C›

Target waktu: 4–6 menit. Common trap: Soal C menghubungkan PGF dengan model agregat — jangan lupa formula $\text{Var}(S) = E[N]\text{Var}(X) + \text{Var}(N)(E[X])^2$ , bukan hanya $E[N]\text{Var}(X)$ . Shortcut: Kenali bentuk PGF langsung: $\frac{c}{1-dz}$ selalu Geometric; $e^{\lambda(z-1)}$ selalu Poisson.

Section 5 — Verifikasi & Sanity Check

✓Sanity Check 1 — PGF di

z=1

Untuk semua distribusi diskrit,

P_N(1) = 1

tanpa kecuali. Gunakan ini untuk verifikasi PGF Anda: substitusi

z=1

, pastikan hasilnya 1. Contoh: Poisson:

e^{\lambda(1-1)} = e^0 = 1

✓; NegBin:

[1/(1+\beta \cdot 0)]^r = 1

✓.›

✓Sanity Check 2 — PGF di

z=0

adalah

p_0

P_N(0) = \sum_{k=0}^{\infty} 0^k p_k = p_0 \cdot 1 + 0 + 0 + \cdots = p_0

. Jika soal memberi PGF, evaluasi di

z=0

untuk mendapat

P(N=0)

secara instan. Contoh: Poisson:

P_N(0) = e^{\lambda(0-1)} = e^{-\lambda} = p_0

✓.›

✓Sanity Check 3 — Relasi MGF–PGF›

$M_N(\ln z) = P_N(z)$ . Substitusi $t = \ln z$ (atau $z = e^t$ ) harus menghasilkan ekspresi yang sama. Contoh Poisson: $M_N(t) = e^{\lambda(e^t-1)}$ , substitusi $t = \ln z$ : $e^{\lambda(z-1)} = P_N(z)$ ✓.

Metode Alternatif

Untuk menghitung momen, dapat juga menggunakan MGF langsung:

E[N] = M_N'(0), \quad E[N^2] = M_N''(0), \quad \text{Var}(N) = M_N''(0) - [M_N'(0)]^2

PGF lebih natural untuk distribusi frekuensi karena:

Koefisiennya langsung berupa probabilitas.
PGF selalu konvergen untuk $|z| \leq 1$ .
PGF distribusi komposit (compound) memiliki bentuk yang elegan: $P_S(z) = P_N(P_X(z))$ .

Section 6 — Visualisasi Mental

Kurva PGF Poisson( $\lambda=3$ ): Fungsi $P_N(z) = e^{3(z-1)}$ adalah kurva eksponensial yang melewati titik $(0, e^{-3}) \approx (0, 0.050)$ di sumbu- $y$ dan $(1, 1)$ di kanan. Fungsi ini cekung ke atas (convex), meningkat dari kiri ke kanan. Nilai di $z=0$ adalah $p_0$ ; kemiringan di $z=1$ adalah mean $\lambda$ .

Ilustrasi umum untuk PGF frekuensi:

P_N(z)
  1.0  ─────────────────────● z=1: P_N(1) = 1 (always)
       ╱
  0.5 ╱                        kemiringan di z=1 = E[N]
     ╱
 p_0 ●─────────────────────────────────────────
     0                    1.0         z
     ↑                    ↑
  P_N(0)=p_0         P_N(1)=1
  P'_N(1)=E[N]
  P''_N(1)=E[N(N-1)]

Perbandingan bentuk PGF tiga distribusi utama:

Distribusi	Bentuk PGF	Karakteristik Kurva
Poisson( $\lambda$ )	$e^{\lambda(z-1)}$	Kurva eksponensial, konveks
Binomial( $m,q$ )	$(1-q+qz)^m$	Polinomial derajat $m$ , linear jika $m=1$
NegBin( $r,\beta$ )	$[1+\beta(1-z)]^{-r}$	Hiperbola, tumbuh lebih cepat dari Poisson

Hubungan Visual ↔ Rumus

Elemen Visual	Komponen Rumus
Titik potong sumbu- $y$ ( $z=0$ )	$P_N(0) = p_0 = P(N=0)$
Titik ujung kanan ( $z=1$ )	$P_N(1) = 1$
Kemiringan di $z=1$	$P_N'(1) = E[N]$
Kelengkungan di $z=1$	$P_N''(1) = E[N(N-1)]$
Koefisien suku ke- $k$ dalam deret Taylor	$p_k = P_N^{(k)}(0)/k!$

Section 7 — Jebakan Umum

⬡Kesalahan Parametrisasi›

NegBin konvensi berbeda-beda: Klugman menggunakan $(r, \beta)$ di mana mean $= r\beta$ , variansi $= r\beta(1+\beta)$ . Beberapa referensi lain menggunakan $(r, p)$ di mana $p = 1/(1+\beta)$ . Cek selalu: “mean berapa?” sebelum menulis PGF.

Klugman: $P_N(z) = [1/(1+\beta(1-z))]^r$
Konvensi alternatif: $P_N(z) = [p/(1-(1-p)z)]^r$ Konversi: $p = 1/(1+\beta)$ , $1-p = \beta/(1+\beta)$ .

⬡Kesalahan Konseptual›

MGF vs PGF — mana yang digunakan? Turunan MGF di $t=0$ → momen biasa. Turunan PGF di $z=1$ → momen faktorial. Turunan PGF di $z=0$ dibagi $k!$ → probabilitas $p_k$ .
Lupa faktor $k!$ : $p_k = P_N^{(k)}(0)/k!$ , bukan $P_N^{(k)}(0)$ . Ini bukan kesalahan kecil — akan memberi jawaban salah besar.
Momen faktorial vs momen biasa: $P_N''(1) = E[N(N-1)] \neq E[N^2]$ . Untuk mendapat $E[N^2]$ : tambahkan $E[N]$ , yaitu $E[N^2] = P_N''(1) + P_N'(1)$ .
Asumsi konvergensi: Jangan gunakan PGF di $|z| > 1$ tanpa memverifikasi konvergensinya terlebih dahulu.

⬡Kesalahan Interpretasi Soal›

Soal bertanya “factorial moment kedua”: ini adalah $P_N''(1)$ , bukan $E[N^2]$ .
Soal bertanya “momen kedua”: ini $E[N^2] = P_N''(1) + P_N'(1)$ .
“PGF dievaluasi di $z=0$ ” → jawaban adalah $p_0$ , bukan 0.
Jika soal memberikan MGF dan meminta PGF, ingat $P_N(z) = M_N(\ln z)$ .

▲Red Flags›

Kata “tentukan probabilitas $P(N=k)$ dari PGF” → turunkan $k$ kali, evaluasi di $z=0$ , bagi $k!$ .
Kata “tentukan mean menggunakan PGF” → turunkan sekali, evaluasi di $z=1$ .
Bentuk PGF diberikan dan diminta identifikasi distribusi → kenali: $e^{\lambda(z-1)}$ =Poisson, $(1-q+qz)^m$ =Binomial, $[1/(1+\beta(1-z))]^r$ =NegBin.
Soal melibatkan model kolektif $S = \sum_{i=1}^N X_i$ → butuh $E[N]$ dan $\text{Var}(N)$ dari PGF, lalu gunakan conditional variance formula.

Section 8 — Ringkasan Eksekutif

≡Must-Remember›

Hubungan dasar: $P_N(z) = M_N(\ln z)$ dan $M_N(t) = P_N(e^t)$
Momen dari PGF:
$E[N] = P_N'(1), \quad \text{Var}(N) = P_N''(1) + P_N'(1) - [P_N'(1)]^2$
Probabilitas dari PGF:
$p_k = \frac{P_N^{(k)}(0)}{k!}$
PGF tiga distribusi utama:
$\text{Poisson: } e^{\lambda(z-1)}, \quad \text{Binomial: } (1-q+qz)^m, \quad \text{NegBin: } \left[\frac{1}{1+\beta(1-z)}\right]^r$
Sanity checks wajib: $P_N(1) = 1$ selalu; $P_N(0) = p_0$ ; $P_N'(1) = E[N]$

Kapan Digunakan

Soal meminta mean, variansi, atau momen distribusi frekuensi via PGF/MGF.
Soal meminta peluang $P(N=k)$ dari PGF.
Soal meminta identifikasi distribusi dari bentuk PGF yang diberikan.
Sebagai alat perantara untuk soal model agregat (Topik 4) di mana $E[N]$ dan $\text{Var}(N)$ diperlukan.
Topik 2.4 (Mixed Frequency): PGF campuran $P_N(z) = \int P_{N|\Lambda}(z) f(\lambda)\,d\lambda$ .

Kapan TIDAK Boleh Digunakan

Untuk distribusi kontinu (besar klaim) — gunakan MGF biasa, bukan PGF.
Untuk momen bersyarat tanpa kondisi yang jelas — PGF hanya untuk distribusi marginal.
Jika distribusi tidak memiliki support di $\{0, 1, 2, \ldots\}$ — PGF tidak terdefinisi.

Quick Decision Tree

graph TD
    A["Soal melibatkan distribusi frekuensi N"] --> B{"Apa yang diminta?"}
    B --> |"Mean atau Var(N)"| C["Turunkan PGF<br>Evaluasi di z=1<br>E[N] = P'(1)"]
    B --> |"P(N=k)"| D["Turunkan k kali<br>Evaluasi di z=0<br>p_k = P^(k)(0)/k!"]
    B --> |"Identifikasi distribusi"| E{"Bentuk PGF?"}
    B --> |"Momen faktorial ke-r"| F["Turunkan r kali<br>Evaluasi di z=1<br>P^(r)(1)"]
    E --> |"exp(lambda*(z-1))"| G["Poisson(lambda)"]
    E --> |"(1-q+qz)^m"| H["Binomial(m,q)"]
    E --> |"[1/(1+beta*(1-z))]^r"| I["NegBin(r,beta)"]
    C --> J["Var(N) = P''(1)+P'(1)-[P'(1)]^2"]

❝Follow-up Options›

“Berikan contoh soal variasi tentang PGF distribusi campuran (mixed Poisson)”
“Jelaskan hubungan 2.1 Frequency MGF and PGF dengan 4.2 Compound Distributions dan PGF model agregat”
“Buat flashcard 1-halaman untuk topik ini”

📖 Ref: Klugman, Panjer & Willmot (2019), Loss Models 5th ed., Bab 6 | 🗓️ 2026-04-16 | #TA2 #FrekuensiKlaim #MGF #PGF