📊 4.2 — Compound Distributions

≡Ringkasan Cepat›

Topik: Compound Distributions | Bobot: ~10–15% | Difficulty: Hard Ref: Klugman et al. (2019), Loss Models 5th ed., Bab 7.1–7.2, 9; Tse (2009) Bab 3 | Prereq: 2.1 Frequency MGF and PGF, 1.1 Moment and Probability Generating Functions, 4.1 Individual and Collective Risk Models

Section 0 — Pemetaan Topik

Topik TA2	Sub-topik ID	Skill Diuji	Bobot	Difficulty	Prerequisite	Connected Topics	Referensi
Model Agregat	4.2	Mendefinisikan distribusi majemuk (compound); menentukan PGF dan MGF dari $S$; mengidentifikasi kelas compound Poisson dan sifat-sifatnya; membuktikan bahwa jumlah compound Poisson independen adalah compound Poisson	10–15%	Hard	2.1 Frequency MGF and PGF, 1.1 Moment and Probability Generating Functions, 4.1 Individual and Collective Risk Models	4.3 Mean Variance and Stop-Loss, 4.5 Panjer Recursive Formula, 2.4 Mixed Frequency Distributions	Klugman et al. (2019) Bab 7.1–7.2, 9; Tse (2009) Bab 3

Section 1 — Intuisi

Bayangkan sebuah perusahaan asuransi kendaraan bermotor di Indonesia yang harus memperkirakan total pembayaran klaim selama satu tahun. Dua komponen utama yang tidak pasti adalah: berapa banyak klaim yang akan masuk (frekuensi), dan berapa besar setiap klaim itu (besar klaim / severity). Jika ada tiga klaim masuk, total pembayaran adalah jumlah dari ketiga klaim tersebut. Jika tidak ada klaim, total adalah nol. Total pembayaran adalah jumlah dari sejumlah acak variabel acak — inilah inti dari distribusi majemuk (compound distribution).

Yang membuat distribusi compound menjadi sangat powerful adalah cara kerjanya secara matematis. Alih-alih memotret semua kemungkinan kombinasi frekuensi dan severity satu per satu — yang jumlahnya tak terbatas — kita bisa memanfaatkan Probability Generating Function (PGF) dan Moment Generating Function (MGF). Dua alat transformasi ini berperilaku seperti “jembatan”: PGF dari total agregat $S$ dapat dinyatakan langsung dalam PGF frekuensi $N$ dan PGF severity $X$ melalui satu komposisi fungsi yang elegan. Dari jembatan ini, semua momen ($E(S)$, $\text{Var}(S)$) dan bahkan distribusi penuh dari $S$ dapat diturunkan.

Kelas compound Poisson mendapat perhatian khusus karena dua sifat uniknya. Pertama, jumlah dari beberapa distribusi compound Poisson yang independen — misalnya gabungan portofolio klaim motor dari berbagai cabang — tetap merupakan compound Poisson. Ini menyederhanakan analisis portofolio gabungan secara dramatis. Kedua, setiap distribusi compound Poisson dengan besar klaim integer positif dapat dikaitkan dengan distribusi frekuensi tertentu melalui dekomposisi Panjer — sifat ini adalah fondasi dari formula rekursif Panjer di topik 4.5 Panjer Recursive Formula.

Section 2 — Definisi Formal

ℹDefinisi Matematis — Distribusi Compound›

Misalkan $N$ adalah variabel acak diskrit non-negatif (frekuensi) dan $X_1, X_2, \ldots$ adalah variabel acak i.i.d. (besar klaim individual) yang independen dari $N$. Aggregate loss atau compound random variable didefinisikan sebagai:

$$S = X_1 + X_2 + \cdots + X_N = \sum_{i=1}^{N} X_i$$

dengan konvensi $S = 0$ jika $N = 0$.

Simbol	Makna	Catatan
$S$	Aggregate loss (total klaim)	Variabel acak yang dipelajari
$N$	Frekuensi klaim (jumlah klaim)	Diskrit, $N \geq 0$
$X_i$	Besar klaim ke-$i$	i.i.d., independen dari $N$
$P_N(z)$	PGF dari $N$	$P_N(z) = E[z^N]$
$P_X(z)$	PGF dari $X_i$ (jika diskrit)	$P_X(z) = E[z^{X_i}]$
$M_X(t)$	MGF dari $X_i$	$M_X(t) = E[e^{tX_i}]$
$M_S(t)$	MGF dari $S$	$M_S(t) = E[e^{tS}]$
$P_S(z)$	PGF dari $S$ (jika $X_i$ diskrit integer)	$P_S(z) = E[z^S]$
$\mu_X$	$E(X_i)$	Mean besar klaim individual
$\sigma_X^2$	$\text{Var}(X_i)$	Variansi besar klaim individual

Rumus Utama

MGF dari $S$ (kunci utama — berlaku umum):

$$M_S(t) = P_N(M_X(t))$$

Label: MGF dari $S$ adalah komposisi PGF frekuensi $N$ dengan MGF severity $X$; ini adalah “master formula” compound distribution.

PGF dari $S$ (jika $X_i$ diskrit integer non-negatif):

$$P_S(z) = P_N(P_X(z))$$

Label: Analog dengan MGF, tapi untuk kasus $X_i$ diskrit; PGF dari $S$ adalah komposisi PGF $N$ dengan PGF $X$.

Mean agregat (via Law of Total Expectation):

$$E(S) = E(N) \cdot E(X)$$

Label: Mean total klaim = mean frekuensi × mean besar klaim individual.

Variance agregat (via Law of Total Variance):

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

Label: Dua komponen — variasi dalam besar klaim dan variasi dalam frekuensi.

Variance agregat — bentuk alternatif:

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

Label: Berguna jika diketahui $E(X^2)$ dan excess dispersion dari $N$.

Compound Poisson — MGF:

$$\text{Jika } N \sim \text{Poisson}(\lambda), \text{ maka } M_S(t) = \exp\!\left\{\lambda[M_X(t) - 1]\right\}$$

Label: Substitusi langsung PGF Poisson $P_N(z) = e^{\lambda(z-1)}$ ke dalam master formula.

Compound Poisson — Variance (khusus):

$$\text{Jika } N \sim \text{Poisson}(\lambda): \quad \text{Var}(S) = \lambda \cdot E(X^2)$$

Label: Untuk Poisson, $\text{Var}(N) = E(N) = \lambda$, sehingga $\text{Var}(S) = \lambda \text{Var}(X) + \lambda[E(X)]^2 = \lambda E(X^2)$.

Reproduktivitas Compound Poisson — jumlah independen:

$$\text{Jika } S_1 \sim \text{CP}(\lambda_1, F_X) \text{ dan } S_2 \sim \text{CP}(\lambda_2, F_X) \text{ independen:}$$ $$S_1 + S_2 \sim \text{CP}(\lambda_1 + \lambda_2, F_X)$$

Label: Jumlah dua compound Poisson dengan severity yang sama tetap compound Poisson; rate-nya dijumlahkan.

Reproduktivitas — severity berbeda:

$$\text{Jika } S_k \sim \text{CP}(\lambda_k, F_{X_k}) \text{ independen, } k = 1, \ldots, m:$$ $$\sum_{k=1}^m S_k \sim \text{CP}\!\left(\sum_k \lambda_k,\; F_X^*\right)$$ $$F_X^*(x) = \sum_{k=1}^m \frac{\lambda_k}{\lambda} F_{X_k}(x), \quad \lambda = \sum_k \lambda_k$$

Label: Severity gabungan adalah mixture tertimbang dari masing-masing severity dengan bobot $\lambda_k/\lambda$.

Asumsi Eksplisit

1. $X_1, X_2, \ldots$ adalah i.i.d. — setiap klaim individu berdistribusi identik dan saling independen.
2. $N$ independen dari semua $X_i$ — frekuensi tidak bergantung pada besarnya klaim.
3. $X_i > 0$ hampir pasti — besar klaim adalah positif (tidak ada klaim bernilai nol).
4. MGF dari $X_i$ terdefinisi di sekitar $t = 0$ — agar $M_S(t)$ valid.
5. $S = 0$ ketika $N = 0$ — tidak ada klaim berarti tidak ada pembayaran.

Section 3 — Jembatan Logika

◈Dari Definisi ke Rumus›

Master formula $M_S(t) = P_N(M_X(t))$ terasa seperti “sulap”, tetapi derivasinya sangat natural. Kuncinya adalah kondisioning atas $N$: pertama-tama anggap $N$ sudah diketahui nilainya $n$. Maka $S = X_1 + \cdots + X_n$ adalah jumlah dari $n$ variabel i.i.d., sehingga $M_{S\|N=n}(t) = [M_X(t)]^n$ (sifat MGF dari jumlah i.i.d.). Lalu kita “rata-ratakan” atas semua kemungkinan $n$ menggunakan $E_N[\cdot]$ — dan itulah yang menghasilkan PGF dari $N$ yang dievaluasi di $M_X(t)$.

◈Support dan Domain›

• $S \geq 0$ selalu, dengan $P(S = 0) = P(N = 0) = p_0^N > 0$.
• Jika $X_i$ kontinu, maka $S$ memiliki mixed distribution: point mass di 0 dan distribusi kontinu untuk $S > 0$.
• Jika $X_i$ diskrit integer positif, maka $S$ diskrit dengan $P(S = 0) = P(N = 0)$ dan $P(S = k)$ untuk $k \geq 1$ dihitung via konvolusi atau Panjer.
• Domain $t$ untuk $M_S(t)$: harus ada $h > 0$ sehingga $M_X(t) < \infty$ untuk $t \in (-h, h)$.

Derivasi Master Formula $M_S(t) = P_N(M_X(t))$ — Step by Step:

Step 1 — Kondisikan pada $N$:

$$M_S(t) = E[e^{tS}] = E\!\left[E[e^{tS} \mid N]\right]$$

Step 2 — Evaluasi ekspektasi bersyarat. Given $N = n$, $S = \sum_{i=1}^n X_i$:

$$E[e^{tS} \mid N = n] = E\!\left[\exp\!\left(t \sum_{i=1}^n X_i\right)\right] = \prod_{i=1}^n E[e^{tX_i}] = [M_X(t)]^n$$

Di sini kita gunakan independensi dan identitas distribusi $X_i$.

Step 3 — Ambil ekspektasi luar atas $N$:

$$M_S(t) = E\!\left[[M_X(t)]^N\right] = \sum_{n=0}^{\infty} [M_X(t)]^n \cdot P(N = n)$$

Step 4 — Kenali definisi PGF. Bandingkan dengan $P_N(z) = E[z^N] = \sum_{n=0}^\infty z^n P(N=n)$. Dengan $z = M_X(t)$:

$$M_S(t) = P_N(M_X(t)) \qquad \checkmark$$

Derivasi Compound Poisson Variance — Step by Step:

Step 1 — Gunakan formula umum:

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

Step 2 — Substitusi $E(N) = \text{Var}(N) = \lambda$ (sifat Poisson):

$$\text{Var}(S) = \lambda\,\text{Var}(X) + \lambda\,[E(X)]^2$$

Step 3 — Faktorkan:

$$= \lambda\!\left[\text{Var}(X) + [E(X)]^2\right] = \lambda\, E(X^2)$$

karena $\text{Var}(X) + [E(X)]^2 = E(X^2)$.

Derivasi Reproduktivitas Compound Poisson — Step by Step:

Step 1 — Tulis MGF masing-masing:

$$M_{S_1}(t) = \exp\!\left\{\lambda_1[M_{X_1}(t) - 1]\right\}, \quad M_{S_2}(t) = \exp\!\left\{\lambda_2[M_{X_2}(t) - 1]\right\}$$

Step 2 — MGF jumlah = produk MGF (independensi):

$$M_{S_1 + S_2}(t) = M_{S_1}(t) \cdot M_{S_2}(t) = \exp\!\left\{\lambda_1[M_{X_1}(t)-1] + \lambda_2[M_{X_2}(t)-1]\right\}$$

Step 3 — Susun ulang dengan $\lambda = \lambda_1 + \lambda_2$:

$$= \exp\!\left\{(\lambda_1 + \lambda_2)\!\left[\frac{\lambda_1 M_{X_1}(t) + \lambda_2 M_{X_2}(t)}{\lambda_1 + \lambda_2} - 1\right]\right\}$$

Step 4 — Identifikasi MGF severity campuran:

$$M_{X^*}(t) = \frac{\lambda_1}{\lambda} M_{X_1}(t) + \frac{\lambda_2}{\lambda} M_{X_2}(t)$$

Ini adalah MGF dari mixture dengan bobot $\lambda_1/\lambda$ dan $\lambda_2/\lambda$. Maka:

$$M_{S_1+S_2}(t) = \exp\!\left\{\lambda[M_{X^*}(t) - 1]\right\}$$

yang merupakan MGF compound Poisson$(\lambda, F_{X^*})$. $\checkmark$

✘Dilarang›

1. Jangan tukar urutan komposisi: $M_S(t) = P_N(M_X(t))$, bukan $M_N(M_X(t))$ — yang digunakan adalah PGF dari $N$ (bukan MGF), dievaluasi di $M_X(t)$.
2. Jangan gunakan $\text{Var}(S) = \lambda E(X^2)$ untuk distribusi frekuensi selain Poisson — formula ini hanya berlaku karena $E(N) = \text{Var}(N) = \lambda$ pada Poisson. Untuk NegBin, gunakan formula umum.
3. Jangan asumsikan reproduktivitas berlaku untuk semua compound distribution — sifat reproduktivitas (bahwa jumlah tetap compound dari kelas yang sama) adalah keistimewaan compound Poisson. Compound NegBin atau compound Binomial tidak memiliki sifat ini secara umum.

Section 4 — Contoh Soal

Soal A — Fundamental

Soal: Frekuensi klaim $N \sim \text{Poisson}(\lambda = 5)$. Besar klaim individual $X \sim \text{Exponential}(\theta = 200)$, sehingga $E(X) = 200$ dan $E(X^2) = 2\theta^2 = 80000$. Hitung $E(S)$ dan $\text{Var}(S)$.

✓Solusi Soal A›

Pendekatan: Terapkan rumus langsung compound distribution: $E(S) = E(N)E(X)$ dan $\text{Var}(S) = \lambda E(X^2)$ (compound Poisson shortcut).

1. Identifikasi Variabel

• $N \sim \text{Poisson}(\lambda = 5)$: $E(N) = \text{Var}(N) = 5$
• $X \sim \text{Exp}(\theta = 200)$: $E(X) = 200$, $\text{Var}(X) = \theta^2 = 40000$, $E(X^2) = 2\theta^2 = 80000$

2. Identifikasi Distribusi / Model Compound Poisson dengan severity Exponential. Gunakan shortcut $\text{Var}(S) = \lambda E(X^2)$ karena $N$ Poisson.

3. Setup Persamaan

$$E(S) = E(N) \cdot E(X) = \lambda \cdot \theta$$ $$\text{Var}(S) = \lambda \cdot E(X^2) = \lambda \cdot 2\theta^2$$

4. Eksekusi Aljabar

$$E(S) = 5 \times 200 = 1000$$ $$\text{Var}(S) = 5 \times 80000 = 400000$$

Verifikasi via formula umum: $\text{Var}(S) = 5 \times 40000 + 5 \times (200)^2 = 200000 + 200000 = 400000$ ✓

5. Verification $E(S) = 1000$: rata-rata 5 klaim masing-masing 200 — masuk akal. $\text{Var}(S) = 400000$, sehingga $\text{SD}(S) = 632.5$. Coefficient of variation $= 632.5/1000 = 63.2\%$ — tinggi karena Exponential memiliki CV = 1 dan frekuensi bervariasi.

Hasil: $E(S) = 1000$ dan $\text{Var}(S) = 400{,}000$.

▲Exam Tips — Soal A›

Target waktu: 2 menit. Common trap: Menggunakan formula umum $E(N)\text{Var}(X) + \text{Var}(N)[E(X)]^2$ tanpa menyederhanakan — hasilnya sama tetapi lebih lama. Shortcut: Untuk compound Poisson, $\text{Var}(S) = \lambda E(X^2)$ selalu — hafalkan, ini menghemat setengah langkah.

---

Soal B — Exam-Typical

Soal: Sebuah portofolio terdiri dari dua kelas polis yang independen. Kelas A: $S_A \sim \text{CP}(\lambda_A = 3,\, X_A \sim \text{Exp}(\theta_A = 1000))$. Kelas B: $S_B \sim \text{CP}(\lambda_B = 7,\, X_B \sim \text{Exp}(\theta_B = 500))$. Tentukan distribusi dari total agregat $S = S_A + S_B$: identifikasi $\lambda$ dan distribusi severity campuran $F_{X^*}$.

✓Solusi Soal B›

Pendekatan: Gunakan reproduktivitas compound Poisson. Rate total = $\lambda_A + \lambda_B$; severity campuran adalah mixture tertimbang dengan bobot $\lambda_k / \lambda$.

1. Identifikasi Variabel

• $S_A \sim \text{CP}(3, \text{Exp}(1000))$: $E(X_A) = 1000$
• $S_B \sim \text{CP}(7, \text{Exp}(500))$: $E(X_B) = 500$
• $$\lambda = \lambda_A + \lambda_B = 3 + 7 = 10$$

2. Identifikasi Distribusi / Model Compound Poisson dengan reproduktivitas. Severity gabungan $X^*$ adalah mixture dari $\text{Exp}(1000)$ dan $\text{Exp}(500)$ dengan bobot $\lambda_A/\lambda = 0.3$ dan $\lambda_B/\lambda = 0.7$.

3. Setup Persamaan

$$S = S_A + S_B \sim \text{CP}(\lambda_A + \lambda_B,\; F_{X^*})$$ $$F_{X^*}(x) = \frac{\lambda_A}{\lambda} F_{X_A}(x) + \frac{\lambda_B}{\lambda} F_{X_B}(x)$$

4. Eksekusi Aljabar

$$\lambda = 10$$ $$F_{X^*}(x) = 0.3(1 - e^{-x/1000}) + 0.7(1 - e^{-x/500})$$ $$= 1 - 0.3e^{-x/1000} - 0.7e^{-x/500}$$

Mean severity campuran:

$$E(X^*) = 0.3 \times 1000 + 0.7 \times 500 = 300 + 350 = 650$$ $$E(S) = \lambda \cdot E(X^*) = 10 \times 650 = 6500$$

Verifikasi: $E(S_A) + E(S_B) = 3 \times 1000 + 7 \times 500 = 3000 + 3500 = 6500$ ✓

5. Verification $E(S) = E(S_A) + E(S_B) = 6500$ ✓ — linearitas ekspektasi konsisten. $F_{X^*}(0) = 0$ ✓, $F_{X^*}(\infty) = 1$ ✓. Bobot $0.3 + 0.7 = 1$ ✓.

Hasil: $S \sim \text{CP}\!\left(10,\; F_{X^*}\right)$ dengan $F_{X^*}(x) = 1 - 0.3e^{-x/1000} - 0.7e^{-x/500}$ dan $E(S) = 6500$.

▲Exam Tips — Soal B›

Target waktu: 4 menit. Common trap: Menjumlahkan rate dan menggunakan salah satu severity saja — severity harus di-mix. Shortcut: Verifikasi $E(S)$ selalu bisa dilakukan dengan linearitas: $E(S) = E(S_A) + E(S_B)$, tidak perlu melalui severity campuran.

---

Soal C — Challenging

Soal: $N \sim \text{NegBin}(r = 4,\, \beta = 2)$, sehingga $E(N) = 8$, $\text{Var}(N) = 24$. Besar klaim $X$ memiliki distribusi dengan $E(X) = 500$, $E(X^2) = 400000$ (sehingga $\text{Var}(X) = 150000$). (a) Hitung $E(S)$ dan $\text{Var}(S)$. (b) Tulis $M_S(t)$ dalam bentuk eksplisit menggunakan MGF NegBin: $P_N(z) = \left(\frac{1}{1 - \beta(z-1)}\right)^r$. (c) Jika ada portofolio kedua independen $S_2 \sim \text{CP}(\lambda = 8, F_X)$ dengan severity yang sama, apakah $S + S_2$ tetap compound NegBin? Jelaskan.

✓Solusi Soal C›

Pendekatan: (a) Gunakan formula umum variance compound. (b) Substitusi $M_X(t)$ ke PGF NegBin. (c) Terapkan argumen reproduktivitas — compound Poisson tertutup, compound NegBin tidak.

1. Identifikasi Variabel

• $N \sim \text{NegBin}(r = 4, \beta = 2)$: $E(N) = r\beta = 8$, $\text{Var}(N) = r\beta(1+\beta) = 24$
• $X$: $E(X) = 500$, $E(X^2) = 400000$, $\text{Var}(X) = E(X^2) - [E(X)]^2 = 400000 - 250000 = 150000$
• $S_2 \sim \text{CP}(\lambda = 8, F_X)$: frekuensi Poisson, severity sama dengan $X$

2. Identifikasi Distribusi / Model Untuk (a): compound NegBin — gunakan formula umum, bukan shortcut Poisson. Untuk (b): substitusi $z = M_X(t)$ ke PGF NegBin. Untuk (c): argumen MGF untuk memeriksa closure.

3. Setup Persamaan

$$E(S) = E(N) \cdot E(X)$$ $$\text{Var}(S) = E(N)\,\text{Var}(X) + \text{Var}(N)\,[E(X)]^2$$ $$M_S(t) = P_N(M_X(t)) = \left(\frac{1}{1 - \beta(M_X(t) - 1)}\right)^r$$

4. Eksekusi Aljabar

(a) Momen $S$:

$$E(S) = 8 \times 500 = 4000$$ $$\text{Var}(S) = 8 \times 150000 + 24 \times (500)^2 = 1{,}200{,}000 + 6{,}000{,}000 = 7{,}200{,}000$$

(b) MGF dari $S$:

$$M_S(t) = \left(\frac{1}{1 - 2(M_X(t) - 1)}\right)^4 = \left(\frac{1}{3 - 2M_X(t)}\right)^4$$

(c) Reproduktivitas:

MGF dari $S_2 \sim \text{CP}(8, F_X)$:

$$M_{S_2}(t) = e^{8(M_X(t)-1)}$$

MGF dari $S + S_2$:

$$M_{S+S_2}(t) = M_S(t) \cdot M_{S_2}(t) = \left(\frac{1}{3 - 2M_X(t)}\right)^4 \cdot e^{8(M_X(t)-1)}$$

Bentuk ini tidak dapat dinyatakan sebagai $P_N(M_X(t))$ untuk distribusi frekuensi standar apapun — ini bukan compound NegBin maupun compound Poisson. Reproduktivitas tidak berlaku untuk gabungan compound NegBin dan compound Poisson.

5. Verification $E(S) = 4000$: 8 klaim × 500 per klaim ✓. $\text{Var}(S) = 7.2 \times 10^6$: jauh lebih besar dari compound Poisson ($\lambda E(X^2) = 8 \times 400000 = 3.2 \times 10^6$) karena $\text{Var}(N) = 24 > E(N) = 8$ pada NegBin — overdispersion memperbesar variance agregat ✓. Kesimpulan (c): reproduktivitas hanya berlaku antar sesama compound Poisson.

Hasil: (a) $E(S) = 4000$, $\text{Var}(S) = 7{,}200{,}000$; (b) $M_S(t) = (3 - 2M_X(t))^{-4}$; (c) $S + S_2$ bukan compound NegBin — reproduktivitas gagal.

▲Exam Tips — Soal C›

Target waktu: 7 menit. Common trap: Menggunakan $\text{Var}(S) = \lambda E(X^2)$ padahal frekuensi NegBin bukan Poisson — shortcut ini hanya untuk Poisson. Shortcut: Untuk (c), cukup tunjukkan bahwa $M_S(t) \cdot M_{S_2}(t)$ tidak memiliki bentuk $\exp\{\lambda(M_X(t)-1)\}$ atau $(1 - \beta(M_X(t)-1))^{-r}$ — tidak perlu algebra panjang.

Section 5 — Verifikasi & Sanity Check

✓Cross-Check 1 — Linearitas $E(S)$ Selalu verifikasi:›

$$E(S) = E(N) \cdot E(X)$$

Jika soal melibatkan beberapa sub-portofolio independen, gunakan additivitas ekspektasi:

$$E(S_1 + S_2 + \cdots) = E(S_1) + E(S_2) + \cdots$$

Ini harus konsisten tanpa perlu menghitung severity campuran.

✓Cross-Check 2 — Batas Variance›

Untuk compound Poisson($\lambda$):

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

Artinya $\text{Var}(S) \geq E(N) \cdot [E(X)]^2$ selalu. Jika hasil Anda memberi variance yang lebih kecil dari ini, ada kesalahan.

Untuk compound NegBin (overdispersed), $\text{Var}(S)$ harus lebih besar dari compound Poisson dengan parameter yang sama: $\text{Var}(N)_\text{NB} > E(N)$ memperbesar komponen kedua.

✓Cross-Check 3 — MGF di $t = 0$ Harus selalu berlaku $M_S(0) = 1$:›

$$M_S(0) = P_N(M_X(0)) = P_N(1) = \sum_{n=0}^\infty 1^n P(N=n) = 1 \checkmark$$

Gunakan ini sebagai cek cepat bahwa MGF yang diturunkan tidak mengandung kesalahan aljabar.

Metode Alternatif

Untuk menghitung $\text{Var}(S)$ via MGF secara langsung: diferensiasi $M_S(t)$ dua kali di $t = 0$ untuk mendapatkan $E(S^2)$, lalu $\text{Var}(S) = E(S^2) - [E(S)]^2$. Metode ini lebih panjang tetapi berguna saat formula langsung tidak tersedia atau sebagai verifikasi.

Section 6 — Visualisasi Mental

Struktur Hierarkis Compound Distribution:

Level Frekuensi:   N ~ Poisson(λ) atau NegBin(r,β) atau lainnya
                         ↓ (N menentukan jumlah komponen)
Level Severity:    X_1, X_2, ..., X_N   (i.i.d., independen dari N)
                         ↓ (dijumlahkan)
Output Agregat:    S = X_1 + X_2 + ... + X_N

Distribusi $S$ — Gambaran Visual:

• Sumbu-X: total klaim $S \geq 0$; sumbu-Y: probabilitas/densitas $f_S(s)$.
• $P(S = 0) = P(N = 0) > 0$ — selalu ada spike di $s = 0$.
• Untuk $S > 0$: kurva semakin landai dan ekornya semakin tebal seiring $\lambda$ atau $E(X)$ membesar.
• Compound Poisson dengan $\lambda$ besar mendekati distribusi Normal (CLT) — kurva lonceng di sekitar $\mu_S = \lambda E(X)$.

Reproduktivitas Compound Poisson — Visual:

Portofolio A:  S_A ~ CP(λ_A, F_A)
               [●●●●●●●●●●●] ← λ_A klaim, severity F_A

Portofolio B:  S_B ~ CP(λ_B, F_B)
               [●●●●●●●●●●●●●●●●●] ← λ_B klaim, severity F_B

Gabungan:      S = S_A + S_B ~ CP(λ_A+λ_B, F*)
               [●●●●A●●B●●A●B●●●●B●●A●] ← klaim tercampur
               F* = (λ_A·F_A + λ_B·F_B) / (λ_A+λ_B)

Setiap klaim dalam portofolio gabungan dipilih secara acak dari A (prob $\lambda_A/\lambda$) atau B (prob $\lambda_B/\lambda$) — itulah mengapa severity campuran adalah mixture.

Hubungan Visual ↔ Rumus

Elemen Visual	Komponen Rumus
Spike di $S = 0$	$P(S = 0) = P(N = 0) = P_N(0)$
Pusat distribusi $S$	$E(S) = E(N) \cdot E(X)$
Lebar distribusi $S$	$\text{Var}(S) = E(N)E(X^2)$ (Poisson) atau lebih besar (NegBin)
Ekor kanan yang tebal	Severity $X$ dengan ekor berat mewariskan ekor ke $S$
Gabungan dua portofolio	$\lambda = \lambda_A + \lambda_B$; severity campuran $F^*$
Bentuk “lonceng” saat $\lambda$ besar	CLT berlaku: $S \approx N(\lambda\mu_X, \lambda\sigma_X^2 + \lambda\mu_X^2)$ — lihat 4.4 Aggregate Distribution Approximation

Section 7 — Jebakan Umum

⬡Kesalahan Parametrisasi›

Salah: Menggunakan MGF dari $N$ dalam master formula: $M_S(t) = M_N(M_X(t))$. Benar: Yang digunakan adalah PGF dari $N$: $M_S(t) = P_N(M_X(t))$. MGF dan PGF berbeda — $P_N(z) = E[z^N]$, bukan $E[e^{tN}]$.

Salah: Untuk compound NegBin, menggunakan $\text{Var}(S) = E(N) \cdot E(X^2)$. Benar: Formula $\lambda E(X^2)$ eksklusif untuk compound Poisson. Untuk NegBin selalu gunakan $E(N)\text{Var}(X) + \text{Var}(N)[E(X)]^2$.

⬡Kesalahan Konseptual›

1. Compound vs. Mixed: Compound Poisson adalah $S = \sum_{i=1}^N X_i$ (jumlah acak dari severity). Mixed Poisson (topik 2.4 Mixed Frequency Distributions) adalah $N$ dengan $\lambda$ yang acak — dua konsep berbeda yang sering tertukar.
2. Reproduktivitas bukan universal: Hanya compound Poisson yang closed under penjumlahan dengan struktur compound Poisson yang lain. Compound Binomial atau compound NegBin tidak memiliki sifat ini.
3. $S = 0$ bukan mustahil: Bahkan portofolio besar punya probabilitas nol klaim, $P(S = 0) = P(N = 0) > 0$. Jangan anggap $S$ selalu positif.
4. PGF hanya untuk diskrit: $P_S(z) = P_N(P_X(z))$ valid hanya ketika $X_i$ diskrit integer non-negatif. Untuk $X_i$ kontinu, gunakan $M_S(t) = P_N(M_X(t))$.

⬡Kesalahan Interpretasi Soal›

• “Aggregate claims” atau “total loss” → ini adalah $S = \sum X_i$, bukan $E(S)$.
• “Expected aggregate” → ini adalah $E(S) = E(N) \cdot E(X)$.
• “Two independent portfolios” → MGF total = produk MGF masing-masing; periksa apakah keduanya compound Poisson sebelum mengklaim reproduktivitas.
• “Variance of aggregate” untuk Poisson vs. NegBin → beda formula, jangan satukan.

▲Red Flags — Keyword di Soal›

• “Compound Poisson” → periksa apakah soal meminta reproduktivitas atau Panjer (keduanya butuh compound Poisson sebagai syarat)
• “MGF of $S$” atau “PGF of $S$” → gunakan komposisi $P_N(\cdot)$ dengan $M_X(t)$ atau $P_X(z)$
• “Sum of independent compound Poisson” → langsung jumlahkan rate; mix severity dengan bobot proporsional
• “NegBin frequency” → jangan pakai shortcut Poisson untuk variance; gunakan formula umum

Section 8 — Ringkasan Eksekutif

≡Must-Remember›

1. Master formula MGF: $M_S(t) = P_N\!\left(M_X(t)\right)$

2. Master formula PGF (jika $X$ diskrit): $P_S(z) = P_N\!\left(P_X(z)\right)$

3. Mean dan Variance umum: $E(S) = E(N)\,E(X)$ $\text{Var}(S) = E(N)\,\text{Var}(X) + \text{Var}(N)\,[E(X)]^2$

4. Compound Poisson shortcut: $\text{Var}(S) = \lambda\,E(X^2) \quad \text{(hanya jika } N \sim \text{Poisson)}$

5. Reproduktivitas compound Poisson: $\text{CP}(\lambda_1, F_1) + \text{CP}(\lambda_2, F_2) = \text{CP}\!\left(\lambda_1+\lambda_2,\; \tfrac{\lambda_1 F_1 + \lambda_2 F_2}{\lambda_1+\lambda_2}\right)$

Kapan Digunakan

• Soal melibatkan jumlah dari sejumlah acak variabel acak (total klaim portofolio).
• Diminta menghitung $E(S)$, $\text{Var}(S)$, atau MGF/PGF dari $S$.
• Diminta menggabungkan beberapa sub-portofolio compound Poisson independen.
• Soal menyebutkan “collective risk model”, “aggregate loss”, atau “compound distribution”.

Kapan TIDAK Boleh Digunakan

• Jika soal tentang model risiko individual ($S = \sum_{i=1}^n X_i$ dengan $n$ tetap) — gunakan pendekatan individual, bukan compound. Lihat 4.1 Individual and Collective Risk Models.
• Jika soal meminta distribusi lengkap dari $S$ secara rekursif — itu adalah domain 4.5 Panjer Recursive Formula.
• Jika soal meminta pendekatan distribusi Normal atau Lognormal untuk $S$ — itu adalah domain 4.4 Aggregate Distribution Approximation.

Quick Decision Tree

graph TD
    A["Soal tentang total aggregate loss S?"] --> B{"Frekuensi N diketahui distribusinya?"}
    B -->|"N ~ Poisson(lambda)"| C["Compound Poisson<br>Var(S) = lambda * E(X^2)<br>MGF: exp{lambda(M_X(t)-1)}"]
    B -->|"N ~ NegBin(r, beta)"| D["Compound NegBin<br>Var(S) = E(N)Var(X) + Var(N)[E(X)]^2<br>MGF: P_N(M_X(t))"]
    B -->|"N lainnya"| E["Formula umum<br>E(S) = E(N)E(X)<br>Var(S) = E(N)Var(X) + Var(N)[E(X)]^2"]
    C --> F{"Ada gabungan portofolio independen?"}
    F -->|"Ya, semua CP"| G["Reproduktivitas:<br>lambda_total = sum lambda_k<br>F* = mixture severity"]
    F -->|"Tidak / campuran CP dan non-CP"| H["Gunakan MGF produk:<br>M_(S1+S2)(t) = M_S1(t) * M_S2(t)"]
    G --> I["Selesai — cek E(S) via linearitas"]
    D --> I
    E --> I
    H --> I

---

❝Follow-up Options›

1. “Berikan contoh soal menghitung $P(S = k)$ untuk compound Poisson dengan severity diskrit menggunakan konvolusi”
2. “Jelaskan hubungan 4.2 Compound Distributions dengan 4.5 Panjer Recursive Formula — bagaimana struktur compound Poisson memungkinkan rekursi Panjer?”
3. “Jelaskan hubungan 4.2 Compound Distributions dengan 2.4 Mixed Frequency Distributions — bedakan compound vs. mixed”
4. “Generate notes 4.3 Mean Variance and Stop-Loss sebagai kelanjutan topik ini”

📖 Ref: Klugman, Panjer & Willmot (2019), Loss Models 5th ed., Bab 7.1–7.2, 9; Tse (2009) Bab 3 | 🗓️ 2026-04-17 | #TA2 #CompoundDistribution #CompoundPoisson #ModelAgregat