Anda di halaman 1dari 19

Catatan Kuliah

MA4183 Model Risiko


Forecast and control your risk

Dosen: Khreshna I.A. Syuhada, MSc. PhD.

Kelompok Keilmuan Statistika - FMIPA


Institut Teknologi Bandung
2015

Tentang MA4183 Model Risiko

Jadwal kuliah: Selasa, 7-; Rabu, 14Ujian: 22/9/15; 3/11/15; 1/12/15 (@ 25%)
Kuis/Tugas 25%

Buku teks:
Yiu-Kuen Tse, 2009, Nonlife Actuarial Models: Theory, Methods and Evaluation
Stuart Klugman, Harry Panjer, Gordon Willmot, 2004, Loss Models

Jadwal Perkuliahan:
M1 (24/8): Pengantar: risiko dan statistika; Distribusi frekuensi klaim
M2 (31/8): Peubah acak Poisson*, Binomial dan Geometrik
M3 (7/9): Zero-modified and zero-truncated distributions
M4 (14/9): Compound distribution
M5 (21/9): Ujian 1, Selasa 22/09/2015
M6 (28/9): Fungsi kesintasan, fungsi kegagalan, distribusi campuran
M7 (5/10): Sifat deductible dan policy limit, transformasi peubah acak
M8 (12/10): Distribusi eksponensial dan Pareto, Sifat ekor distribusi
M9 (19/10): M10 (26/10): Agregasi kerugian
M11 (2/11): Ujian 2, Selasa 03/11/2015

Pengantar: Risiko dan Statistika

Risiko adalah sistem yang dapat dikendalikan.


Salah satu kegiatan penting dalam (men)transfer risiko adalah berasuransi; pemegang polis
(insured) menitipkan atau memindahkan risiko kepada pihak lain yaitu perusahaan asuransi (insurer) dan sebaliknya. Kedua subyek memiliki risiko, pemegang polis membayar premi
sedangkan perusahaan asuransi membayar klaim.
Untuk memahami risiko diperlukan kemampuan ilmu statistika yang baik, khususnya teori
peluang dan proses stokastik. Ilmu-ilmu tersebut mengajar logika ketidakpastian yang menjadi
roh risiko.

Bab 1 - Distribusi Frekuensi Klaim

Silabus: Distribusi binomial, geometrik dan Poisson; kelas distribusi (a, b, 0); zero-modified and
zero-truncated distributions; compound distribution
Asuransi berkaitan erat dengan risiko karena dengan produk asuransi-lah terjadi perpindahan
(tranfer) risiko dari pemegang polis kepada pihak asuransi. Pada pemodelan kerugian klaim
(claim losses) terdapat dua ukuran penting yang harus diperhatikan yaitu frekuensi klaim
(claim frequency) dan besar atau severitas klaim (claim severity).

1.1 Distribusi Binomial


Distribusi yang tepat untuk memodelkan frekuensi klaim adalah distribusi diskrit, antara lain
binomial, geometrik, negatif binomial dan Poisson. Misalkan peubah acak X menyatakan
banyak klaim yang diproses dari semua klaim yang masuk. Misalkan X B(n, ),
maka fungsi peluangnya
P (X = k) = Ckn k (1 )nk , k = 0, 1, 2, . . . , n

Sifat momen, atau momen ke-m, dapat ditentukan dengan memanfaatkan fungsi peluang (fp),
yaitu
m

E(X ) =

xm P (X = k).

k=0

Untuk m = 1, misalnya, didapat E(X) = , dst. Momen ke-m dapat pula ditentukan dengan
menggunakan fungsi pembangkit momen (fpm):
MX (t) =
Catatan: Fpm suatu peubah acak berkorespondensi satu-satu dengan distribusi peubah acak
tersebut.
Bagaimana dengan fungsi pembangkit peluang (fpp), manfaat apa yang dapat diperoleh dengan
fpp? Bagaimana menentukan peluang secara rekursif? Dapatkah ditentukan hubungan antara
fpm dan fpp?
4

Misalkan X1 , X2 , . . . , Xn sampel acak dari X yang berdistribusi binomial dengan parameter


(n, ). Parameter dapat ditaksir dengan menggunakan metode likelihood maksimum sbb:
Fungsi likelihood dan log-likelihood: ...
Turunan pertama terhadap parameter dan normalisasi: ...
b ...
Penaksir :
Turunan kedua terhadap parameter: ...

Tugas:
Pandang data berdistribusi binomial dengan berbagai nilai parameter. Lakukan analisis statistika deskriptif dan inferensial terhadap data tersebut.

1.2 Distribusi Geometrik


Distribusi lain yang dapat digunakan untuk memodelkan frekuensi klaim adalah distribusi
geometrik. Pertanyaannya, definisi peubah acak apakah yang tepat untuk menggambarkan
distribusi ini?
Misalkan X Geo() dengan fungsi peluang
p(x) = (1 )x1 , x = 1, 2, . . .
Kita dapat menentukan sifat momen seperti sebelumnya,
E(X) =

1
1
, V ar(X) = 2 ,

dan juga fpm dan fpp. Selain itu, misalkan X Geo(), kita dapat pula menentukan sifat
distribusi dari X + 1.
Namun yang menarik untuk dikaji adalah apakah sifat khusus yang hanya dimiliki distribusi
geometrik? Jelaskan!

1.3 Distribusi Poisson


Misalkan X peubah acak yang menyatakan banyaknya/frekuensi klaim pada suatu periode
waktu. Distribusi untuk X adalah Poisson dengan parameter . Ciri khas distribusi ini adalah
nilai mean dan variansi yang sama yaitu ,
E(X) = V ar(X) = .
Dalam praktiknya, mungkinkah kita memperoleh data dengan nilai mean sama dengan variansi?
(selanjutnya nanti akan dipelajari konsep overdispersion dan underdispersion)
Bagaimana kaitan antara distribusi Poisson dan Binomial? adakah manfaat yang dapat kita
ambil?
Teorema
Jika X1 , . . . , Xn peubah acak-peubah acak yang saling bebas dengan Xi P OI(i ) maka
X = X1 + + Xn P OI(1 + . . . + n ).

Misalkan X dan Y peubah acak Poisson dengan parameter, berturut-turut, 1 dan 2 . Kita
dapat menentukan distribusi X|X + Y = n sebagai berikut
P (X = k|X + Y = n)
=
=
=
=
=

P (X = k, X + Y = n)
P (X + Y = n)
P (X = k, Y = n k)
P (X + Y = n)
P (X = k) P (Y = n k)
P (X + Y = n)
((n k)!)1
exp(1 ) k1 (k!)1 exp(2 ) nk
2
exp((1 + 2 )) (1 + 2 )n (n!)1
)k (
)nk
(
n!
2
1
.
k!(n k)! 1 + 2
1 + 2

Dengan kata lain, X|X + Y = n B(n, 1 /(1 + 2 )).

1.4 Kelas Distribusi (a, b, 0)


Perhatikan fungsi peluang dari peubah acak Poisson():
f (x) =

e x
, x = 0, 1, 2, . . .
x!

yang dapat dituliskan rekursif dengan memperhatikan fungsi peluang untuk X = x 1,


f (x 1) =

e x1
.
(x 1)!

Diperoleh
f (x)
e x / e x1
=
f (x 1)
x!
(x 1)!

=
x
atau
( )

f (x 1), x = 1, 2, . . .
f (x) =
x

Distribusi-distribusi diskrit yang sudah dikenalkan sebelumnya (binomial, geometrik, binomial


negatif, Poisson) dapat dikelompokkan menjadi sebuah Kelas Distribusi (a, b, 0) dengan fungsi
peluang memenuhi sifat rekursif:
(
)
b
f (x) = a +
f (x 1), x = 1, 2, . . . ,
x
dengan a, b konstanta dan f (0) diberikan.
Catatan: Kelas distribusi (a, b, 1) dapat pula dibentuk dengan analogi.

1.5 Zero-Modified and Zero-Truncated Distributions


Misalkan X B(3, 0.4). Kita dapat menentukan distribusi peluang sebagai berikut:
Dalam aplikasi teori peluang, seringkali kita dihadapkan pada fenomena dimana peluang terjadinya 0 telah ditentukan, misalnya P (X = 0) = 0.3, atau bahkan mungkin tidak ada,
P (X = 0) = 0. Untuk itu, perlu adanya modifikasi fungsi peluang diatas. Distribusi yang
dihasilkan dikatakan sebagai zero-modified and zero-truncated distributions.
7

X
0
1
2
3

P (X = k)
0.216
0.432
0.288
0.064

Misalkan peubah acak X dari suatu distribusi (a, b, 0) memiliki fungsi peluang f (x). Misalkan
f M (x) fungsi peluang yang merupakan modifikasi dari f (x); f M (x) adalah fungsi peluang dari
distribusi (a, b, 1). Untuk f M (0) yang ditentukan, hubungan antara f M (x) dan f (x) adalah
f M (x) = c f (x), x = 1, 2, . . .
dengan c konstanta.
Catatan: Fungsi peluang f M (x) haruslah terdefinisi dengan baik; akibatnya, c dapat diperoleh,
c=

1 f M (0)
.
1 f (0)

Untuk distribusi Binomial dengan parameter (3, 0.4) diatas, kita dapat menghitung f M (k), k =
1, 2, 3 sebagai berikut:
1 f M (0)
f (1)
1 f (0)
1 0.3
0.432
=
1 0.216

f M (1) =

= 0.386.
Dengan cara sama, kita peroleh f M (2) = 0.258 dan f M (3) = 0.056.
Untuk zero-truncated distribution, nilai P (X = 0) = 0. Diperoleh nilai seperti tabel berikut:
X
0
1
2
3

P (X = k)
0.216
0.432
0.288
0.064

Zero-Modified
0.3
0.386
0.258
0.056

Zero-Truncated
0

Latihan:
1. Tentukan zero-modified distribution untuk X yang berdistribusi Poisson dengan parameter
2.5
2. Misalkan X adalah zero-truncated distribution dari X. Diketahui, fungsi peluang dan
fungsi pembangkit peluang X, berturut-turut, adalah fX (x) dan PX (t). Tentukan fungsi pembangkit peluang untuk X .

1.6 Compound distribution


Misalkan X1 , . . . , Xn sampel acak dari X dengan fungsi distribusi FX . Apakah yang dapat kita
katakan tentang distribusi
S = X1 + + Xn , ?
Bagaimana dengan
S = X1 + + XN , ?
(dimana N adalah peubah acak)
Jika N peubah acak bernilai integer yang saling bebas dengan X1 , . . . , XN , maka peubah acak
S = X1 + + XN
dikatakan memiliki compound distribution.
Catatan:
- Distribusi N disebut sebagai distribution pertama (primary distribution), sedangan distribusi
X dikatakan distribusi kedua (secondary distribution)
- Penamaan distribusi: primary-secondary distribution
- Distribusi compound Poisson adalah distribusi dengan distribusi pertama adalah distribusi
Poisson dan sebarang distribusi untuk distribusi kedua

Untuk menentukan distribusi S, perhatikan ilustrasi berikut. Misalkan Xi B(1, ) dan kita
tahu Xi = 0, 1. Sehingga nilai yang mungkin untuk S adalah {0, 1, 2}.
P (S = 0) = P (X1 = 0, X2 = 0)
= P (X1 = 0)P (X2 = 0)
= f (0)f (0)
P (S = 1) = P (X1 = 0, X2 = 1) + P (X1 = 1, X2 = 0)
= f (0)f (1) + f (1)f (0)
P (S = 2) = P (X1 = 1, X2 = 1)
= f (1)f (1)
Jadi, fungsi peluang S adalah
P (S = s) =

P (X1 = x, X2 = s x).

Dalam menentukan distribusi S dengan N peubah acak alias compound distribution, distribusi
N harus ditentukan lebih dahulu. Dengan demikian, kita peroleh
P (S = s) =

P (S|N = n)fN (n),

dengan sifat momen pertama


E(S) = E(E(S|N )) =
dan fungsi pembangkit momen MS (t) = .
Latihan:
1. Misalkan S1 memiliki compound distribution dengan distribusi pertama Poisson dengan
parameter 1 dan kedua Geometrik dengan parameter p1 . Misalkan S2 memiliki compound distribution dengan distribusi pertama Poisson dengan parameter 2 dan kedua Geometrik dengan
parameter p2 . Diketahui S1 dan S2 saling bebas. Misalkan S = S1 + S2 .
Hitung P (S = s), s = 0, 1, 2.
2. Tentukan fpm dan fpp dari dari geometric-binomial compound distribution.

10

Bab 2 - Distribusi Severitas Klaim

Silabus: Fungsi kesintasan, distribusi exponensial, Weibull dan Pareto; mixed and mixture
distributions; tail weight and CTE; Aplikasi: deductible, policy limit dan coinsurance
Severitas klaim atau claim severity menyatakan besar kerugian suatu klaim asuransi. Umumnya, severitas klaim dimodelkan dengan distribusi kontinu nonnegatif. Secara khusus, akan
dibahas distribusi eksponensial dan Pareto serta sifat-sifat yang menyertainya seperti sifat ekor
dan kuantil.

2.1 Aplikasi Dalam Asuransi


Salah satu motivasi yang dapat digunakan dalam mempelajari sifat-sifat khusus peubah acak
seperti sifat ekor, kuantil dll adalah manfaat atau aplikasi dalam bidang profesional seperti asuransi. Dalam hal ini, kajian aplikasi akan ditekankan pada pembayaran klaim oleh perusahaan
asuransi (insurer), khususnya pada kasus adanya modifikasi cakupan polis (policy coverage).
Pandang situasi seseorang mengasuransikan kendaraan yang dimilikinya. Tidak jarang pengendara bersikap ceroboh terhadap kendaraannya karena keyakinan akan dijamin oleh asuransi.
Untuk mengurangi risiko dan mengendalikan masalah-masalah perilaku pemegang polis (moral
hazard), perusahaan asuransi melakukan modifikasi cakupan polis seperti deductible, policy limits dan coinsurance.
Misalkan X menyatakan besar uang yang dibayar (amount paid) dalam suatu kejadian kerugian (loss event) dimana tidak ada modifikasi cakupan atau disebut ground-up loss. Misalkan
XL menyatakan besar uang yang dibayar dimana ada modifikasi cakupan atau cost per loss;
XP menyatakan besar uang yang dibayar dalam suatu kejadian pembayaran (payment event)
dimana ada modifikasi cakupan. Catatan: loss event terjadi jika terdapat kerugian, payment
event terjadi hanya jika pihak asuransi membayar kerugian.
Deductible
Suatu polis asuransi dengan per-loss deductible d tidak akan menbayar pada pemegang polis
(the insured) jika kerugian X kurang dari atau sama dengan d; akan membayar pemegang polis
sebesar X d jika kerugian X lebih dari d. Jadi, besar uang yang dibayar dalam suatu kejadian

11

kerugian, XL , adalah
XL = X d, untuk X > d,
dan XL = 0 untuk X d. Distribusi peluang untuk XL adalah...
Peubah acak XP (excess-loss variable) didefinisikan jika terjadi pembayaran, yaitu saat X > d,
XP = X d|X > d.
Fungsi kesintasan SXP adalah...
Catatan:
XL memiliki censored distribution, XP memiliki truncated distribution.
Latihan.
Misalkan X dan Y , dengan deductible d = 0.25. Hitung E(XL ), E(XP ), E(YL ), E(YP ), jika X
berdistribusi eksponensial dan Y berdistribusi lognormal.
Policy limit
Modifikasi lain dari cakupan polis adalah menentukan suatu nilai u yang ditentukan dari awal
dengan aturan
XU = u, untuk X u,
dan XU = X untuk X < u. Notasi: XU = X u.
Coinsurance
Dapatkah anda menjelaskan tentang Coinsurance?

2.2 Fungsi Kesintasan


Fungsi kesintasan (survival function) merupakan komplemen dari fungsi distribusi. Dapat pula
dikatakan bahwa fungsi kesintasan S(x) adalah nilai kumulatif peluang yang lebih besar dari
x atau
S(x) = 1 F (x) = P (X > x),
12

dengan sifat-sifat sbb:...


Fungsi hazard berkaitan dengan peluang mendapatkan kegagalan pada suatu waktu,
h(x) =

f (x)
S(x)

= P (x < X < x + dx|X > x)

Suatu peubah acak X dapat berdistribusi kontinu dan diskrit,

F (x) = P (X x) =

f (x) dx +

P (X = x)

dengan sifat ekspektasi...


Contoh: Misalkan X U (0, 10). Misalkan Y = X 2 untuk X > 2.

2.3 Distribusi Eksponensial dan Pareto


Misalkan X peubah acak eksponensial. Fungsi distribusi dan fungsi hazardnya dapat ditentukan sbb. Distribusi eksponensial sering digunakan untuk menentukan distribusi waktu antarkedatangan.
Peubah acak X berdistribusi Pareto dengan parameter > 0 dan > 0 jika fungsi distribusinya F (x). Distribusi ini cocok untuk memodelkan pendapatan. Karakteristik menarik
dari distribusi Pareto adalah tidak dimilikinya fpm dan dapat diturunkannya distribusi ini dari
distribusi eksponensial.
Misalkan X exp(), dengan berdistribusi Gamma(, ). Kita ketahui
fX (x|) = e x , x 0,
dan
f (|, ) =

( 1 )
()

1 e , 0.
1

13

Jadi,

fX (x|) f (|, )
0

[
]+1

=
x + 1
atau

fX (x|) f (|, ) =
0


,
(x + )+1

dengan = 1/, yang merupakan fungsi peluang dari distribusi Pareto(, ). Dengan kata
lain, gamma-exponensial mixture berdistribusi Pareto.

2.4 Transformasi Peubah Acak


Beberapa cara dapat digunakan untuk memanipulasi suatu peubah acak menjadi peubah acak
baru. Peubah acak baru ini diperoleh dengan membentuk fungsi peubah acak. Sebagai contoh,
diketahui peubah acak X dengan fungsi distribusi tertentu. Kita dapat membentuk fungsi
peubah acak
Y =
dsb.

1
X
;Y = X,

Contoh lain, misalkan X1 , . . . , Xn peubah acak dengan fungsi peluang fX1 , . . . , fXn .

Peubah acak baru X dapat dibentuk dengan fungsi peluang


fX (x) = p1 fX1 (x) + + pn fXn (x),
dengan pi 0,

n
i=1

pi = 1.

2.5 Sifat Ekor Pada Severitas Klaim


Severitas klaim dapat bernilai sangat besar walau dengan frekuensi yang kecil. Kerugian dengan
nilai ekstrim, yang terjadi pada ekor kanan (upper tail) distribusi, perlu diperhatikan karena
akan mempengaruhi kebijakan polis berikutnya. Distribusi dengan ekor tebal (fat/heavy/thick
14

tail) dapat diidentifikasi melalui eksistensi momen. Sebagai contoh, distribusi Pareto memiliki
hingga order . Jadi, jika < 2 maka distribusi Pareto tidak memiliki variansi. Artinya,
terdapat indikasi adanya distribusi ekor tebal.
Untuk membandingkan perilaku ekor distribusi, kita dapat menghitung limit rasio kedua fungsi
kesintasan. Semakin cepat suatu fungsi kesintasan menuju nol, maka semakin tipis ekor distribusi tersebut. Cara lain untuk menentukan ketebalan ekor adalah dengan menentukan (i)
fungsi hazard dan (ii) fungsi kuantil.
Misalkan X suatu kerugian acak atau random loss dengan fungsi distribusi FX . Kita dapat
menentukan suatu nilai d sedemikian hingga
P (X d ) = F (d ) = .
Dengan kata lain,
d = FX1 (),
atau d adalah -kuantil dari distribusi X. Keakuratan d dapat dihitung dengan peluang
cakupan atau coverage probability. Catatan: d sering dikatakan VaR (X) yang menyatakan
kerugian maksimum yang dapat ditolerir padan tingkat .
Ukuran lain yang dapat dihitung dengan memanfaatkan d adalah CTE atau Conditioan Tail
Expectation,
(
)
E X|X > d ,
yang, apabila kita menggunakan VaR (X), ukuran tersebut disebut Expected Shortfall (ES).
Perhatikan kasus distribusi eksponensial dengan parameter . Kita peroleh
(
) 1
E X VaR (X)|X > VaR (X) = = E(X).

Latihan:
MG, Soal 3.18, 4.20, 4.22, 4.52, 13.24,

15

Bab 3 - Model Kerugian Agregat

Silabus: Model risiko individu, model risiko kolektif


Informasi yang telah diperoleh tentang distribusi frekuensi dan severitas klaim bermanfaat
dalam membangun model risiko individu dan kolektif.
Pada model risiko individu (individual risk model), misalkan nilai/besar kerugian (loss) untuk setiap polis, Xi untuk i = 1, . . . , n, terjadi pada suatu blok (yang berisi sejumlah polis).
Asumsikan kerugian-kerugian tersebut saling bebas dan berdistribusi identik. Secara teori,
X1 , . . . , Xn dapat merupakan sampel acak dari X. Kerugian atau risiko agregatnya adalah
S = X1 + + Xn .
Dalam praktiknya, seringkali kerugian suatu polis bernilai nol. Dengan demikian, perlu diperhatikan bahwa X memiliki mixed distribution.
Pada model risiko kolektif, kerugian agregat diasumsikan mengikuti suatu distribusi majemuk
atau compound distribution,
S = X1 + + XN ,
dengan N peubah acak yang menyatakan frekuensi klaim dan X1 , . . . , XN peubah acak-peubah
acak, yang bersifat saling bebas dan berdistribusi identik (iid), menyatakan severitas klaim.

3.1 Model Risiko Individu


Misalkan Sn = X1 + X2 + + Xn . Pandang kasus n = 2. Perhatikan bahwa X1 dan X2
masing-masing dapat merupakan peubah acak diskrit atau kontinu.
Kedua peubah acak X1 dan X2 diskrit,
fS2 (s) = P (S2 = s) = P (X1 + X2 = s)
=

P (X1 = x, X2 = s x)

x=0

16

Kedua peubah acak X1 dan X2 kontinu,


fS2 (s) = fX1 +X2 (s)
s
s
=
fX1 (s x)fX2 (x) dx =
fXs (s x)fX1 (x) dx
0

(distribusi X1 dan X2 tidak harus identik)


Kedua peubah acak X1 dan X2 diskrit dan kontinu atau mixed distribution, atau
fXi (0) = 1 i ; fXi (x) = i fYi (x), x > 0,
untuk i = 1, 2. Catatan: Perhatikan transformasi peubah acak Yi .

Misalkan diketahui peluang adanya suatu klaim adalah 0.2. Hal ini dapat dinyatakan dalam
peubah acak Bernoulli I dengan parameter p = 0.2 atau P (I = 1) = 0.2. Jika suatu klaim
terjadi, besar kerugiannya merupakan peubah acak eksponensial dengan parameter = 1/2.
Kita ingin menentukan mean dan variansi kerugian agregat Sn untuk sejumlah n polis.
Secara umum, misalkan X = 0, dengan peluang 1 , dan X = Y , dengan peluang . Dengan
kata lain, X = IY , dengan I peubah acak Bernoulli dengan parameter . Mean dan variansi
X, berturut-turut, adalah E(X) = E(IY ) = E(I)E(Y ) = Y dan
V ar(X) = V ar(IY ) = E(IY Y )2
= E(I 2 Y 2 ) 2 Y E(IY ) + [E(IY )]2
= E(I 2 )E(Y 2 ) 2 [E(I)]2 [E(Y )]2 + [E(I)]2 [E(Y )]2
= E(I 2 )E(Y 2 ) [E(I)]2 [E(Y )]2
= E(I 2 )E(Y 2 ) [E(I)]2 [E(Y )]2 + [E(I)]2 E(Y 2 ) [E(I)]2 E(Y 2 )
(
)
(
)
2
2
2
2
2
2
= E(Y ) E(I ) [E(I)] + E(I ) E(Y ) [E(Y )]
= E(Y 2 )V ar(I) + E(I 2 )V ar(Y ).
Jadi, mean dan variansi kerugian agregat Sn adalah
E(S) = n E(S); V ar(S) = n V ar(X).
17

Untuk Y berdistribusi eksponensial dengan parameter = 1/2, mean kerugian dalam suatu
loss event (kejadian kerugian) adalah
E(Y ) = Y =

1
1
=
= 2.

0.5

Jadi, untuk suatu polis yang acak, mean kerugiannya adalah


E(X) = E(I)E(Y ) = (0.2)(2) = 0.4.
Sementara itu, apabila diketahui adalah n = 500 polis yang saling bebas, mean kerugian
agregatnya adalah
E(S) = n E(X) = (500)(0.4) = 200.

Latihan:
Suatu portofolio memiliki 100 polis asuransi yang saling bebas. Setiap polis memiliki peluang
0.2 untuk mengajukan klaim. Ketika suatu klaim diajukan, kerugian sebesar 10, 50, dan 80
memiliki peluang berturut-turut 0.4, 0.4, dan 0.2. Tentukan mean klaim agregate dari portofolio
tersebut.
Solusi:
Peubah acak yang menyatakan kerugian memiliki distribusi peluang:
Y =y
P (Y = y)

10 50 80
0.4 0.4 0.2

dengan mean E(Y ) = 10(0.4) + 50(0.4) + 80(0.2) = 40. Untuk suatu polis acak,
E(X) = (0.2)(40) = 8.
Jadi, suatu portofolio dengan 100 polis yang saling bebas memiliki mean agregat
E(S) = (100)(8) = 800.

18

3.2 Model Risiko Kolektif


Pandang kerugian agregat SN yang memiliki distribusi majemuk atau compound distribution
dengan distribusi pertama untuk N dan distribusi kedua untuk X. Asumsikan bahwa X dan
N saling bebas. Kita dapat menentukan beberapa sifat untuk S antara lain fungsi pembangkit
momen,
MS (t) = E(etS ) = E(et(X1 ++XN ) )
[ (
)]
= E E et(X1 ++XN ) |N
[ (
)
(
)]
= E E etX1 E etXN
[{ ( )} ]
N
= E E etX
[
]
N
= E {MX (t)}
[{
}N ]
= E elog MX (t)
[
]
= E elog MX (t)N
= MN (log MX (t))
Sedangkan mean dan variansi untuk S adalah
E(S) = E(N )E(X); V ar(S) = E(N )V ar(X) + V ar(N )[E(X)]2 .

Latihan:
1. Misalkan kerugian agregat S pada model risiko kolektif memiliki distribusi primer Poisson dengan parameter 100 dan distribusi sekunder eksponensial dengan parameter 0.5.
Tentukan peluang kerugian agregat kurang dari 180.
2. Misalkan kerugian agregat S pada model risiko kolektif memiliki distribusi primer Poisson
dengan parameter dan distribusi sekunder Pareto dengan parameter (, ). Tentukan
mean dan variansi kerugian agregat jika polis memiliki deductible d.
3. Misalkan kerugian agregat S hanya bernilai integer positif.
Diketahui E((S 2)+ ) = 1/5, E((S 3)+ ) = 0 dan fS (1) = 1/2.
Hitung E(S).

19