TA2 · Materi 2.4

Mixed Frequency Distributions

Hard Bobot: 5–10% Klugman, Panjer & Willmot (2019), Loss Models 5th ed., Bab 7.3–7.5

TA2MixedFrequencyMixedPoissonModelFrekuensiTeoriRisiko

📊 2.4 — Mixed Frequency Distributions

≡Ringkasan Cepat›

Topik: Mixed Frequency Distributions | Bobot: ~5–10% | Difficulty: Hard Ref: Klugman et al. (2019), Loss Models 5th ed., Bab 7.3–7.5 | Prereq: 2.1 Frequency MGF and PGF, 2.2 (a,b,0) and (a,b,1) Distribution Classes

Section 0 — Pemetaan Topik

Topik TA2	Sub-topik ID	Skill Diuji	Bobot	Difficulty	Prerequisite	Connected Topics	Referensi
Model Frekuensi Klaim	2.4	Menentukan distribusi frekuensi campuran, khususnya mixed Poisson; menghitung PMF, mean, variance, dan PGF distribusi campuran	5–10%	Hard	2.1 Frequency MGF and PGF, 2.2 (a,b,0) and (a,b,1) Distribution Classes	2.3 Frequency Model Selection, 2.5 Exposure Effect on Frequency, 4.2 Compound Distributions	Klugman et al. (2019) Bab 7.3–7.5

Section 1 — Intuisi

Bayangkan sebuah perusahaan asuransi kendaraan bermotor yang mengelola ribuan polis. Secara intuitif, tidak semua pengemudi memiliki profil risiko yang sama. Ada pengemudi yang sangat berhati-hati dan jarang sekali mengajukan klaim, ada yang ceroboh dan sering klaim, dan ada yang berada di antaranya. Jika kita menganggap seluruh portofolio itu homogen dan memodelkannya dengan satu distribusi Poisson tunggal, kita kehilangan informasi penting ini. Hasilnya? Model yang terlalu optimistis pada ekor distribusi — kita meremehkan probabilitas frekuensi klaim yang sangat tinggi.

Di sinilah distribusi frekuensi campuran (mixed frequency distribution) masuk. Ide dasarnya sederhana: parameter distribusi frekuensi — misalnya $\lambda$ pada distribusi Poisson — bukan sebuah konstanta, melainkan sebuah variabel acak yang mencerminkan heterogenitas portofolio. Setiap tertanggung menarik parameter $\lambda$ -nya sendiri dari suatu distribusi tertentu (disebut mixing distribution), lalu frekuensi klaim mereka berdistribusi Poisson dengan $\lambda$ tersebut. Ketika kita amati seluruh portofolio tanpa mengetahui siapa “tipe” mana, distribusi yang kita lihat adalah rata-rata tertimbang dari semua Poisson ini — itulah distribusi mixed Poisson.

Konsekuensi yang sangat penting dan sering diuji: distribusi mixed Poisson hampir selalu memiliki overdispersion, yaitu $\text{Var}(N) > E(N)$ . Ini berbeda dari Poisson murni di mana $\text{Var}(N) = E(N)$ . Overdispersion adalah sinyal klinis bahwa portofolio kita heterogen dan mixing sedang terjadi. Dalam praktik aktuaria Indonesia, ini relevan saat kita membangun model frekuensi untuk klaim motor, properti, atau kesehatan di mana segmentasi pemegang polis tidak sempurna.

Section 2 — Definisi Formal

ℹDefinisi Matematis — Mixed Distribution›

Misalkan $N \mid \Lambda = \lambda$ berdistribusi dengan PMF $p(n \mid \lambda)$ dan $\Lambda$ adalah variabel acak dengan CDF $U(\lambda)$ . Distribusi tidak bersyarat (unconditional / marginal) dari $N$ adalah:

p(n) = \int_0^\infty p(n \mid \lambda) \, dU(\lambda) = E_\Lambda[p(n \mid \Lambda)]

Simbol	Makna	Catatan
$N$	Variabel acak frekuensi klaim yang diamati	Variabel diskrit tidak negatif
$\Lambda$	Parameter acak (mixing variable)	Variabel kontinu, $\Lambda > 0$
$p(n \mid \lambda)$	PMF bersyarat dari $N$ given $\Lambda = \lambda$	Seringkali Poisson: $e^{-\lambda}\lambda^n/n!$
$U(\lambda)$	CDF dari distribusi mixing $\Lambda$	Disebut juga structural distribution
$f_\Lambda(\lambda)$	PDF dari $\Lambda$ (jika kontinu)	Contoh: Gamma, Inverse Gaussian
$P_N(z)$	PGF dari $N$	$P_N(z) = E[z^N]$
$P_{N\\|\lambda}(z)$	PGF bersyarat dari $N$ given $\lambda$	Untuk Poisson: $e^{\lambda(z-1)}$

Rumus Utama

PMF distribusi mixed (umum):

p(n) = \int_0^\infty p(n \mid \lambda) \, f_\Lambda(\lambda) \, d\lambda

Label: Integral dari PMF bersyarat terhadap mixing distribution; ini adalah marginalisasi atas $\Lambda$ .

PGF distribusi mixed (kunci utama):

P_N(z) = E_\Lambda\left[P_{N\|\Lambda}(z)\right] = \int_0^\infty P_{N\|\lambda}(z) \, f_\Lambda(\lambda) \, d\lambda

Label: PGF dari distribusi campuran adalah ekspektasi dari PGF bersyarat; sangat berguna untuk mixed Poisson.

Mean (via Law of Total Expectation):

E(N) = E_\Lambda[E(N \mid \Lambda)] = E(\Lambda)

Label: Untuk mixed Poisson ( $E(N\|\lambda) = \lambda$ ), mean sama dengan mean dari mixing distribution.

Variance (via Law of Total Variance):

\text{Var}(N) = E_\Lambda[\text{Var}(N \mid \Lambda)] + \text{Var}_\Lambda[E(N \mid \Lambda)]

Label: Dua komponen: variasi within-group dan variasi between-group.

Variance — mixed Poisson spesifik:

\text{Var}(N) = E(\Lambda) + \text{Var}(\Lambda)

Label: Untuk Poisson, $\text{Var}(N\|\lambda) = \lambda$ , sehingga $E[\text{Var}(N\|\Lambda)] = E(\Lambda)$ dan komponen kedua adalah $\text{Var}(\Lambda)$ .

Overdispersion mixed Poisson:

\text{Var}(N) - E(N) = \text{Var}(\Lambda) \geq 0

Label: Karena $\text{Var}(\Lambda) \geq 0$ , mixed Poisson selalu overdispersed (atau equidispersed jika $\Lambda$ degenerate).

PGF mixed Poisson:

P_N(z) = M_\Lambda(z - 1)

Label: PGF dari mixed Poisson sama dengan MGF dari $\Lambda$ yang dievaluasi di $(z-1)$ .

Asumsi Eksplisit

Diberikan $\Lambda = \lambda$ , frekuensi klaim $N \mid \Lambda = \lambda$ berdistribusi Poisson( $\lambda$ ) — ini adalah asumsi khusus untuk mixed Poisson.
$\Lambda > 0$ hampir pasti (almost surely) agar $\lambda$ valid sebagai parameter Poisson.
$\Lambda$ dan $N$ bersifat conditionally independent across policyholders diberikan $\lambda$ .
Mixing distribution $U(\lambda)$ adalah distribusi yang valid (CDF yang well-defined).
$E(\Lambda) < \infty$ agar $E(N)$ terdefinisi; $E(\Lambda^2) < \infty$ agar $\text{Var}(N)$ terdefinisi.

Section 3 — Jembatan Logika

◈Dari Definisi ke Rumus›

Kunci untuk memahami mixed Poisson adalah Law of Total Expectation dan Law of Total Variance. Kita tidak pernah mengamati $\Lambda$ secara langsung — kita hanya mengamati $N$ . Karena $\Lambda$ tersembunyi (latent), kita rata-ratakan (marginalize) semua kemungkinan nilai $\lambda$ dengan bobotnya masing-masing (yaitu $f_\Lambda(\lambda)$ ). Ini menghasilkan distribusi marginal $N$ yang merupakan campuran dari tak hingga banyak distribusi Poisson.

◈Support dan Domain›

$N \in \{0, 1, 2, 3, \ldots\}$ — frekuensi klaim adalah integer non-negatif.
$\Lambda \in (0, \infty)$ — harus positif agar valid sebagai parameter Poisson.
$z \in [0, 1]$ saat mengevaluasi PGF untuk keperluan probabilitas; $z$ bisa kompleks untuk analisis analitik.

Derivasi Variance Mixed Poisson — Step by Step:

Step 1 — Gunakan Law of Total Variance:

\text{Var}(N) = E[\text{Var}(N \mid \Lambda)] + \text{Var}[E(N \mid \Lambda)]

Step 2 — Substitusi properti distribusi Poisson ( $E(N\|\lambda) = \lambda$ dan $\text{Var}(N\|\lambda) = \lambda$ ):

= E[\Lambda] + \text{Var}[\Lambda]

Step 3 — Interpretasi:

\text{Var}(N) = \underbrace{E(\Lambda)}_{\text{komponen "Poisson"}} + \underbrace{\text{Var}(\Lambda)}_{\text{komponen heterogenitas}}

Komponen pertama adalah variance yang “sudah ada” jika populasi homogen (pure Poisson). Komponen kedua adalah excess variance akibat heterogenitas portofolio.

Derivasi PGF Mixed Poisson — Step by Step:

Step 1 — Definisi PGF:

P_N(z) = E[z^N] = E_\Lambda\left[E[z^N \mid \Lambda]\right]

Step 2 — PGF Poisson bersyarat adalah $E[z^N \mid \Lambda = \lambda] = e^{\lambda(z-1)}$ :

P_N(z) = E_\Lambda\left[e^{\Lambda(z-1)}\right]

Step 3 — Kenali bentuk MGF: $E[e^{t\Lambda}]$ dengan $t = z - 1$ adalah definisi MGF dari $\Lambda$ :

P_N(z) = M_\Lambda(z - 1)

Step 4 — Implikasi: Mengetahui MGF dari $\Lambda$ langsung memberikan PGF dari $N$ . Ini adalah shortcut paling powerful untuk mixed Poisson.

✘Dilarang›

Jangan samakan $\text{Var}(N) = E(N)$ untuk mixed Poisson — ini hanya berlaku untuk Poisson murni (pure Poisson). Mixed Poisson selalu memiliki $\text{Var}(N) \geq E(N)$ .
Jangan lupa komponen kedua dalam Law of Total Variance. Sering kali peserta hanya menghitung $E[\text{Var}(N\|\Lambda)]$ dan melewatkan $\text{Var}[E(N\|\Lambda)]$ .
Jangan tukar argumen pada rumus PGF: $P_N(z) = M_\Lambda(z-1)$ , bukan $M_\Lambda(z)$ . Argumen MGF adalah $(z-1)$ , bukan $z$ .

Section 4 — Contoh Soal

Soal A — Fundamental

Soal: Frekuensi klaim $N$ mengikuti distribusi mixed Poisson di mana mixing variable $\Lambda \sim \text{Gamma}(\alpha, \theta)$ dengan $\alpha = 3$ dan $\theta = 2$ (sehingga $E(\Lambda) = \alpha\theta = 6$ dan $\text{Var}(\Lambda) = \alpha\theta^2 = 12$ ). Tentukan $E(N)$ dan $\text{Var}(N)$ .

✓Solusi Soal A›

Pendekatan: Gunakan rumus langsung mixed Poisson: $E(N) = E(\Lambda)$ dan $\text{Var}(N) = E(\Lambda) + \text{Var}(\Lambda)$ .

1. Identifikasi Variabel

$\Lambda \sim \text{Gamma}(\alpha = 3, \theta = 2)$
$E(\Lambda) = \alpha \theta = 3 \times 2 = 6$
$\text{Var}(\Lambda) = \alpha \theta^2 = 3 \times 4 = 12$

2. Identifikasi Distribusi / Model Mixed Poisson dengan Gamma mixing → hasilnya adalah distribusi Negative Binomial (fakta klasik yang sering diuji).

3. Setup Persamaan

E(N) = E(\Lambda) = 6

\text{Var}(N) = E(\Lambda) + \text{Var}(\Lambda)

4. Eksekusi Aljabar

E(N) = 6

\text{Var}(N) = 6 + 12 = 18

5. Verification $\text{Var}(N) = 18 > E(N) = 6$ ✓ — overdispersion terkonfirmasi. Rasio $\text{Var}/E = 3 > 1$ konsisten dengan Negative Binomial yang memang selalu overdispersed.

Hasil: $E(N) = 6$ , $\text{Var}(N) = 18$ . Excess variance sebesar $\text{Var}(\Lambda) = 12$ mencerminkan heterogenitas portofolio.

▲Exam Tips — Soal A›

Target waktu: 2 menit. Common trap: Menggunakan $\text{Var}(N) = E(N) = 6$ (formula Poisson murni). Shortcut: Hafalkan bahwa untuk mixed Poisson, $\text{Var}(N) = E(\Lambda) + \text{Var}(\Lambda)$ , tidak perlu integrasi apa pun.

Soal B — Exam-Typical

Soal: $N \mid \Lambda = \lambda$ berdistribusi Poisson( $\lambda$ ) dan $\Lambda$ berdistribusi Inverse Gaussian dengan mean $\mu = 4$ dan parameter shape $\beta$ sehingga $\text{Var}(\Lambda) = \mu^3/\beta = 8$ . Tentukan $P_N(z)$ dalam bentuk closed-form, dan hitung $P(N = 0)$ .

✓Solusi Soal B›

Pendekatan: Gunakan $P_N(z) = M_\Lambda(z-1)$ . Cari MGF Inverse Gaussian, substitusi, lalu evaluasi di $z = 0$ untuk $P(N = 0)$ .

1. Identifikasi Variabel

$\mu = E(\Lambda) = 4$
$\text{Var}(\Lambda) = \mu^3/\beta = 64/\beta = 8 \Rightarrow \beta = 8$
MGF Inverse Gaussian $(\mu, \beta)$ : $M_\Lambda(t) = \exp\!\left\{\frac{\beta}{\mu}\left(1 - \sqrt{1 - \frac{2\mu^2 t}{\beta}}\right)\right\}$

2. Identifikasi Distribusi / Model Mixed Poisson dengan Inverse Gaussian mixing menghasilkan distribusi Poisson-Inverse Gaussian (PIG), dikenal memiliki ekor lebih tebal dari Negative Binomial.

3. Setup Persamaan

P_N(z) = M_\Lambda(z - 1) = \exp\!\left\{\frac{\beta}{\mu}\left(1 - \sqrt{1 - \frac{2\mu^2(z-1)}{\beta}}\right)\right\}

4. Eksekusi Aljabar

Substitusi $\mu = 4$ , $\beta = 8$ :

\frac{\beta}{\mu} = \frac{8}{4} = 2, \qquad \frac{2\mu^2}{\beta} = \frac{2 \times 16}{8} = 4

P_N(z) = \exp\!\left\{2\left(1 - \sqrt{1 - 4(z-1)}\right)\right\}

Untuk $P(N = 0)$ , evaluasi $P_N(z)$ di $z = 0$ :

P_N(0) = \exp\!\left\{2\left(1 - \sqrt{1 - 4(0-1)}\right)\right\} = \exp\!\left\{2\left(1 - \sqrt{5}\right)\right\}

= \exp\!\left\{2(1 - 2.2361)\right\} = \exp\!\left\{2(-1.2361)\right\} = \exp(-2.4721) \approx 0.0844

5. Verification $P(N=0) \approx 0.0844$ . Cross-check dengan batas: jika ini Poisson murni dengan $\lambda = 4$ , maka $P(N=0) = e^{-4} \approx 0.0183$ . Mixed Poisson-IG memberikan $P(N=0)$ yang lebih besar karena massa probabilitas tersebar, termasuk di ekor kiri — masuk akal.

Hasil: $P_N(z) = \exp\!\left\{2\left(1 - \sqrt{5 - 4z}\right)\right\}$ dan $P(N = 0) \approx 0.0844$ .

▲Exam Tips — Soal B›

Target waktu: 4 menit. Common trap: Salah mensubstitusi argumen MGF — ingat selalu $M_\Lambda(z-1)$ , bukan $M_\Lambda(z)$ . Shortcut: Kenali kombinasi (mixing, hasil) yang umum: Gamma → NegBin, Inverse Gaussian → PIG, ETNB → Poisson-ETNB.

Soal C — Challenging

Soal: Sebuah portofolio asuransi terdiri dari dua kelas pemegang polis: 40% adalah pengemudi berisiko rendah (low risk) dengan frekuensi klaim Poisson( $\lambda_L = 1$ ), dan 60% adalah pengemudi berisiko tinggi (high risk) dengan frekuensi klaim Poisson( $\lambda_H = 4$ ). Seorang pemegang polis dipilih secara acak dari portofolio ini. Misalkan $N$ adalah frekuensi klaimnya. (a) Tentukan $P(N = 0)$ dan $P(N = 1)$ . (b) Hitung $E(N)$ dan $\text{Var}(N)$ . (c) Tentukan distribusi $\Lambda$ (mixing distribution) dan verifikasi bahwa $\text{Var}(N) - E(N) = \text{Var}(\Lambda)$ .

✓Solusi Soal C›

Pendekatan: $\Lambda$ adalah variabel acak diskrit (dua titik: $\lambda_L = 1$ dengan prob $0.4$ , $\lambda_H = 4$ dengan prob $0.6$ ). Gunakan marginalisasi langsung untuk PMF dan rumus mixed Poisson untuk momen.

1. Identifikasi Variabel

$P(\Lambda = 1) = 0.4$ , $P(\Lambda = 4) = 0.6$
$N \mid \Lambda = 1 \sim \text{Poisson}(1)$ , $N \mid \Lambda = 4 \sim \text{Poisson}(4)$

2. Identifikasi Distribusi / Model Ini adalah discrete mixture of Poissons — mixing distribution $\Lambda$ adalah diskrit, bukan kontinu. Prinsip marginalisasi tetap sama: jumlahkan (bukan integrasikan) atas nilai-nilai $\Lambda$ .

3. Setup Persamaan

P(N = n) = 0.4 \cdot \frac{e^{-1} \cdot 1^n}{n!} + 0.6 \cdot \frac{e^{-4} \cdot 4^n}{n!}

E(\Lambda) = 0.4(1) + 0.6(4), \qquad E(\Lambda^2) = 0.4(1)^2 + 0.6(4)^2

4. Eksekusi Aljabar

(a) PMF:

P(N = 0) = 0.4 \cdot e^{-1} + 0.6 \cdot e^{-4} = 0.4(0.36788) + 0.6(0.01832)

= 0.14715 + 0.01099 = 0.15814

P(N = 1) = 0.4 \cdot e^{-1} \cdot 1 + 0.6 \cdot e^{-4} \cdot 4 = 0.4(0.36788) + 0.6(0.07326)

= 0.14715 + 0.04396 = 0.19111

(b) Momen:

E(\Lambda) = 0.4(1) + 0.6(4) = 0.4 + 2.4 = 2.8

E(N) = E(\Lambda) = 2.8

E(\Lambda^2) = 0.4(1) + 0.6(16) = 0.4 + 9.6 = 10

\text{Var}(\Lambda) = E(\Lambda^2) - [E(\Lambda)]^2 = 10 - (2.8)^2 = 10 - 7.84 = 2.16

\text{Var}(N) = E(\Lambda) + \text{Var}(\Lambda) = 2.8 + 2.16 = 4.96

(c) Verifikasi:

\text{Var}(N) - E(N) = 4.96 - 2.8 = 2.16 = \text{Var}(\Lambda) \checkmark

5. Verification $P(N=0) \approx 0.158$ — lebih tinggi dari Poisson( $2.8$ ) murni di mana $P(N=0) = e^{-2.8} \approx 0.061$ . Ini wajar: mixing menambah massa di $N=0$ karena sebagian besar polis tipe low-risk (Poisson(1)) memiliki $P(N=0)$ besar. Overdispersion: $\text{Var}(N) = 4.96 \gg E(N) = 2.8$ ✓.

Hasil: $P(N=0) \approx 0.1581$ , $P(N=1) \approx 0.1911$ ; $E(N) = 2.8$ , $\text{Var}(N) = 4.96$ ; identitas overdispersion terkonfirmasi.

▲Exam Tips — Soal C›

Target waktu: 6 menit. Common trap: Menggunakan rumus kontinu ( $\int$ ) padahal mixing distribution diskrit — cukup gunakan penjumlahan. Shortcut: Selalu hitung $E(\Lambda)$ dan $E(\Lambda^2)$ terlebih dahulu; semua momen $N$ mengikuti otomatis. Jika soal meminta $P(N=n)$ lebih dari 2 nilai, cari PGF dulu lalu differentiate.

Section 5 — Verifikasi & Sanity Check

✓Cross-Check 1 — Overdispersion Index›

Hitung dispersion index $D = \text{Var}(N) / E(N)$ . Untuk mixed Poisson:

D = \frac{E(\Lambda) + \text{Var}(\Lambda)}{E(\Lambda)} = 1 + \frac{\text{Var}(\Lambda)}{E(\Lambda)} = 1 + \text{CV}^2(\Lambda) \cdot E(\Lambda) / E(\Lambda)

Lebih mudah: $D = 1 + \text{Var}(\Lambda)/E(\Lambda) \geq 1$ selalu. Jika hasil Anda memberi $D < 1$ , ada kesalahan.

✓Cross-Check 2 — Konsistensi PGF dengan Momen›

Dari PGF $P_N(z)$ , momen dapat diturunkan:

E(N) = P_N'(1) \qquad \text{dan} \qquad E(N(N-1)) = P_N''(1)

Sehingga $\text{Var}(N) = P_N''(1) + P_N'(1) - [P_N'(1)]^2$ . Gunakan ini untuk memverifikasi momen dari PGF yang diperoleh via $P_N(z) = M_\Lambda(z-1)$ .

✓Cross-Check 3 — Nilai PMF›

Pastikan $\sum_{n=0}^{\infty} p(n) = 1$ . Untuk soal diskrit (finite mixture), hitung secara partial sum dan pastikan mendekati 1 untuk $n$ yang cukup besar.

Metode Alternatif

Untuk kasus khusus Poisson-Gamma (mixing distribution Gamma( $\alpha, \theta$ )), distribusi marginal $N$ adalah Negative Binomial dengan parameter $r = \alpha$ dan $\beta = \theta$ :

p(n) = \binom{n + \alpha - 1}{n} \left(\frac{1}{1+\theta}\right)^\alpha \left(\frac{\theta}{1+\theta}\right)^n, \quad n = 0, 1, 2, \ldots

Artinya, PMF bisa langsung dihitung menggunakan formula Negative Binomial tanpa integrasi — ini adalah shortcut yang sangat menghemat waktu di ujian.

Section 6 — Visualisasi Mental

Distribusi Mixed Poisson — Gambaran Visual:

Bayangkan sumbu-X adalah jumlah klaim $n = 0, 1, 2, \ldots$ dan sumbu-Y adalah probabilitas $p(n)$ .

Poisson( $\lambda = 1$ ): Distribusi “ramping” dengan puncak di sekitar $n = 0$ – $1$ , ekor cepat menipis.
Poisson( $\lambda = 4$ ): Distribusi lebih “lebar” dengan puncak di $n = 3$ – $4$ , ekor lebih tebal.
Mixed (40% Poisson(1) + 60% Poisson(4)): Distribusi bimodal dengan dua tonjolan kecil di kiri (dari komponen $\lambda=1$ ) dan di tengah (dari komponen $\lambda=4$ ), ekor secara keseluruhan lebih tebal dari kedua komponen individual di mean $\bar{\lambda} = 2.8$ .

Perbandingan Ekor:

Semakin besar $\text{Var}(\Lambda)$ , semakin tebal ekor distribusi marginal $N$ . Secara visual, mixed Poisson “lebih datar dan lebih lebar” dibanding Poisson murni dengan mean yang sama — ini adalah signature overdispersion.

Representasi Hierarkis:

Level 1 (Unobserved):  Λ ~ f_Λ(λ)   [mixing distribution]
                              ↓
Level 2 (Observed):    N | Λ = λ ~ Poisson(λ)
                              ↓
Marginal:              N ~ Mixed Poisson

Struktur hierarkis dua-level ini adalah fondasi model hierarchical / random effects dalam aktuaria.

Hubungan Visual ↔ Rumus

Elemen Visual	Komponen Rumus
Lebar distribusi marginal	$\text{Var}(N) = E(\Lambda) + \text{Var}(\Lambda)$
Komponen kiri (rendah $\lambda$ )	$p(n) = \int \ldots$ — kontribusi $\lambda$ kecil
Tinggi ekor distribusi	Dikontrol oleh ekor $f_\Lambda(\lambda)$ — tebal = ekor berat
Ketinggian puncak	$E(N) = E(\Lambda)$ — puncak sekitar mean $\Lambda$
Dua tonjolan (discrete mixture)	Setiap komponen Poisson menyumbang satu “puncak lokal”

Section 7 — Jebakan Umum

⬡Kesalahan Parametrisasi›

Salah: Menggunakan $\text{Var}(N) = E(\Lambda) = \mu$ (formula Poisson murni). Benar: $\text{Var}(N) = E(\Lambda) + \text{Var}(\Lambda)$ untuk mixed Poisson. Komponen $\text{Var}(\Lambda)$ tidak boleh diabaikan — bahkan sering lebih besar dari $E(\Lambda)$ .

Salah: Menggunakan $P_N(z) = M_\Lambda(z)$ . Benar: $P_N(z) = M_\Lambda(z - 1)$ . Argumen MGF adalah $(z-1)$ , bukan $z$ . Ini mengikuti dari substitusi PGF Poisson $e^{\lambda(z-1)}$ .

⬡Kesalahan Konseptual›

Confusing compound vs. mixed: Distribusi compound Poisson adalah $S = X_1 + \cdots + X_N$ (jumlah acak dari klaim); distribusi mixed Poisson adalah $N$ dengan $\lambda$ acak. Keduanya berbeda — jangan tukar.
Assuming unimodal: Mixed Poisson tidak selalu unimodal. Discrete mixture bisa bimodal atau multimodal, terutama jika komponen-komponen $\lambda$ berjauhan.
Ignoring discrete mixing: Mixing distribution tidak harus kontinu. Finite mixture (diskrit) juga valid dan menghasilkan distribusi mixed Poisson yang sah.
Menyamakan mixed Poisson dengan Negative Binomial: Poisson-Gamma memang menghasilkan NegBin, tetapi mixed Poisson dengan mixing distribution lain (Inverse Gaussian, Lognormal, dsb.) menghasilkan distribusi yang berbeda dari NegBin.

⬡Kesalahan Interpretasi Soal›

Soal berbunyi “parameter $\lambda$ varies across policyholders” → ini adalah cue untuk mixed Poisson, bukan pure Poisson.
Soal menyebutkan “randomly selected policyholder” dari populasi heterogen → distribusi yang diminta adalah distribusi marginal (campuran), bukan bersyarat.
Soal meminta “variance exceeds mean” atau “overdispersed” → ini ciri khas mixed Poisson; jangan gunakan pure Poisson.

▲Red Flags — Keyword di Soal›

“Mixing distribution”, “structural distribution”, “heterogeneous portfolio” → gunakan framework mixed Poisson
“Given $\Lambda = \lambda$ , $N$ is Poisson( $\lambda$ )” → setup bersyarat; cari distribusi marginal
" $\text{Var}(N) > E(N)$ " atau “overdispersion” → konsistensi dengan mixed Poisson, tidak dengan pure Poisson
“PGF of $N$ ” untuk mixed Poisson → langsung $P_N(z) = M_\Lambda(z-1)$ ; cari MGF $\Lambda$ terlebih dahulu
“Two types of policyholders” atau “proportion $p$ are low-risk” → discrete finite mixture

Section 8 — Ringkasan Eksekutif

≡Must-Remember›

PMF marginal: $p(n) = E_\Lambda\!\left[\frac{e^{-\Lambda}\Lambda^n}{n!}\right] = \int_0^\infty \frac{e^{-\lambda}\lambda^n}{n!} f_\Lambda(\lambda)\,d\lambda$
Mean mixed Poisson: $E(N) = E(\Lambda)$
Variance mixed Poisson: $\text{Var}(N) = E(\Lambda) + \text{Var}(\Lambda)$
Overdispersion: $\text{Var}(N) - E(N) = \text{Var}(\Lambda) \geq 0$
PGF = MGF of mixing: $P_N(z) = M_\Lambda(z - 1)$
Combo klasik: Poisson + Gamma mixing $\Rightarrow$ Negative Binomial

Kapan Digunakan

Soal menyebutkan bahwa $\lambda$ dalam distribusi Poisson bervariasi antar pemegang polis (acak).
Soal menyebutkan portofolio heterogen dengan beberapa tipe risiko.
Diminta menghitung distribusi frekuensi klaim untuk pemegang polis yang dipilih secara acak dari populasi campuran.
Diminta menunjukkan atau membuktikan overdispersion ( $\text{Var}(N) > E(N)$ ).
Diminta PGF dari distribusi frekuensi campuran.

Kapan TIDAK Boleh Digunakan

Jika $\lambda$ sudah diketahui dan konstan (pure Poisson) — tidak ada mixing.
Jika soal meminta distribusi bersyarat $N \mid \Lambda = \lambda$ — itu Poisson biasa, bukan marginal.
Jika distribusi frekuensi yang dimaksud adalah compound (jumlah agregat klaim) — itu bukan mixing, itu compound distribution (Topik 4.2 Compound Distributions).

Quick Decision Tree

graph TD
    A["Soal tentang frekuensi klaim N"] --> B{"Apakah lambda diketahui dan konstan?"}
    B -->|"Ya"| C["Pure Poisson<br>Var = E = lambda"]
    B -->|"Tidak / lambda adalah variabel acak"| D{"Bentuk mixing distribution?"}
    D -->|"Gamma(alpha, theta)"| E["Hasil: Negative Binomial<br>E(N) = alpha*theta<br>Var(N) = alpha*theta*(1+theta)"]
    D -->|"Inverse Gaussian"| F["Hasil: Poisson-IG<br>PGF = M_Lambda(z-1)"]
    D -->|"Diskrit / finite mixture"| G["Discrete mixture<br>p(n) = sum_k w_k * Poisson(lambda_k)"]
    D -->|"Distribusi lain"| H["Gunakan:<br>E(N) = E(Lambda)<br>Var(N) = E(Lambda) + Var(Lambda)<br>PGF = M_Lambda(z-1)"]
    G --> I["E(N) = sum w_k * lambda_k<br>Var(N) = E(Lambda) + Var(Lambda)"]

❝Follow-up Options›

“Berikan contoh soal variasi Poisson-Inverse Gaussian dengan perhitungan PMF lengkap”
“Jelaskan hubungan 2.4 Mixed Frequency Distributions dengan 4.2 Compound Distributions — apa bedanya mixing vs compounding?”
“Buat flashcard 1-halaman untuk topik ini”
“Generate notes 2.5 Exposure Effect on Frequency sebagai kelanjutan topik ini”

📖 Ref: Klugman, Panjer & Willmot (2019), Loss Models 5th ed., Bab 7.3–7.5 | 🗓️ 2026-04-17 | #TA2 #MixedFrequency #MixedPoisson