TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
Pendahuluan
1
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
Telah dijelaskan bahwa :
Jika MGF suatu distribusi ada Dia unik
dan keunikan MGF ini dapat menentukan distribusi dari suatu
variabel random.
Misal :
h ( x1 , x2 , , xn )
random
adalah p.d.f. bersama dari variabel-variabel
X 1 , X 2 , , X n
, dan
2
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
Y 1=u1 ( X 1 , X 2 , , X n )
Akan dicari
g1 ( y 1)
yang merupakan p.d.f. dari
Y1
dengan
menggunakan teknik MGF.
MGF dari
Y1
adalah :
M ( t )=E ( et Y )= e t y g 1 ( y 1 ) d y 1
1
Untuk menghitung
dahulu. Padahal
g1 ( y 1 )
M (t )
, kita harus mengetahui
g1 ( y 1)
terlebih
yang harus kita cari. Berarti, kita harus
menunjukkan bahwa MGF dari
Y1
menggunakan p.d.f. bersama dari
3
dapat dihitung dengan
X 1 , X 2 , , X n
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
Setelah nilainya diketahui dan karena MGF unik, maka
distribusi dari
Y1
baru dapat ditentukan.
Akan ditunjukkan :
E [e
t u1 ( X 1 , X2 , , X n )
]= et Y g 1 ( y 1 ) d y 1
1
Bukti :
Dapat kita cari :
t u X , X , , X )
]= e t u ( x , x , , x ) h ( x1 , x2 , , xn ) d x 1 d x n
E [e (
1
Persamaan di atas dapat dihitung.
Jika
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
t u X , X , , X )
]= et Y g 1 ( y 1 ) d y 1
E [e (
1
maka
bisa diperoleh.
g1 ( y 1)
Misalkan nilai dari :
E [e
t u1 ( X 1 , X2 , , X n )
ada di
]= e t u ( x , x , , x ) h ( x1 , x2 , , xn ) d x 1 d x n
1
h<t< h
Transformasinya adalah :
y 1=u1 ( x 1 , x 2 , , x n )
y 2=u2 ( x 1 , x 2 , , x n )
y n=u n ( x 1 , x 2 , , x n )
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
Jika transformasinya satu-satu
Inversnya :
x i=w i ( y 1 , y 2 , , y n ) ,i=1,2, , n
Jacobiannya :
Maka :
E [e
t u1 ( X 1 , X2 , , X n )
]= e t y h ( w1 , w2 , , wn )|J|d y 1 d y 2 d y n
1
et y g ( y 1 , y 2 , , y n ) d y 1 d y 2 d y n
1
et y g ( y 1 , y 2 , , y n ) d y 1 d y 2 d y n
1
t y1
g ( y 1 , y 2 , , y n ) d y 2 d y n d y1
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
et y g1 ( y1 ) d y1
1
(Terbukti).
Jika transformasinya tidak satu-satu
Inversnya :
x j=w ji ( y i , , y n ) , j=1, , n ; i=1, , k
(berarti ada
group invers).
Jacobian dari masing-masing group :
Maka :
7
J i ,i=1, , k
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
t u X , X , , X )
]= e t y h ( w1 , w2 , , wn )|J i|d y 1 d y 2 d y n
E [e (
1
i=1
et y g ( y 1 , y 2 , , y n ) d y 1 d y 2 d y n
1
et y g ( y 1 , y 2 , , y n ) d y 1 d y 2 d y n
1
t y1
g ( y 1 , y 2 , , y n ) d y 2 d y n d y1
et y g1 ( y1 ) d y1
1
(Terbukti).
Maka, terbukti :
E [e
t u1 ( X 1 , X2 , , X n )
]= et Y g 1 ( y 1 ) d y 1
1
Contoh 1
Misalkan
X1
dan
X2
adalah variabel-variabel random yang
saling bebas, dan mempunyai p.d.f. yang sama, yaitu :
8
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
x
f ( x )= , x=1,2,3.
6
0 , lainnya .
Maka, p.d.f. bersama dari
f ( x 1 , x 2 )=
X1
dan
X2
adalah :
x1 x2 x1 x2
=
, x 1=1,2,3 ; x2=1,2,3.
6 6
36
0 , lainnya .
Diketahui variabel random baru
Akan dicari p.d.f. dari
M ( t )=E ( etY )
E [e
t ( X 1+ X 2 )
E (et X et X )
1
E ( e t X ) E ( e t X ) ( X 1 dan X 2 saling bebas)
1
dengan menggunakan teknik MGF.
Jawab :
MGF dari
Y = X 1+ X 2
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
e t x f ( x 1 ) et x f ( x2 )
1
x1
x2
[ e t f ( 1 ) +e 2t f ( 2 )+ e3 t f ( 3 ) ][ et f (1 )+ e2 t f ( 2 ) + e3 t f ( 3 ) ]
][
][
1
2
3 t 1 2t 2 3t 3
e t + e2 t + e3 t
e +e + e
6
6
6
6
6
6
1
2
3 t 1 2t 2 3t 3
e t + e2 t + e3 t
e +e + e
6
6
6
6
6
6
1 2t 2 3t 3 4t 2 3t 4 4t 6 5t 3 4t 6 5t 9 6t
e + e + e + e + e + e + e + e + e
36
36
36
36
36
36
36
36
36
1 2 t 4 3 t 10 4 t 12 5 t 9 6 t
e + e + e + e + e
36
36
36
36
36
ty
e g ( y )
y
Karena :
A= {( x 1 , x 2 )x 1=1,2,3 ; x 2=1,2,3 }
10
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
dan transformasinya :
y=x 1 +x 2
Maka :
B={ y y=2,3,4,5,6 }
Dari hasil sebelumnya :
M ( t )=e
2t
1
3t 4
4 t 10
5 t 12
6t 9
ty
+e
+e
+e
+e
= e g ( y )
36
36
36
36
36 y
Maka :
y
Lainnya
g( y)
1
36
4
36
10
36
12
36
9
36
Contoh 2
Misal
X1
X 1 N ( 1 , 12 )
dan
X2
dan
X 2 N ( 2 , 22 )
saling bebas.
Didefinisikan :
Y = X 1X 2
Dengan menggunakan Teknik MGF, tentukan p.d.f. dari
11
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
Jawab :
MGF dari
M ( t )=E ( etY )
E [e
t ( X 1X 2 )
E (e
t X1 t X2
]
)
E ( e t X ) E ( et X ) (X 1 dan X 2 saling bebas)
1
E ( e t X ) E ( et X ) (X 1 dan X 2 saling bebas)
1
2 2
e
e
1 t +
1 t
2
( 1 2) t +
2 2
2 t +
2 t
2
( 12 + 22 ) t 2
2
Y N ( 1 2 , 12 + 22 )
12
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
Teorema 1
Misalkan
X 1 , X 2 , , X n
variabel-variabel random yang saling bebas,
dan masing-masing berdistribusi
Didefinisikan variabel random
N ( 1 , 12)
Y =k 1 X 1+ k 2 X 2+ +k n X n
konstanta real.
Maka,
Y N ( k 1 1+ +k n n , k 12 12 ++ k n2 n2 )
Bukti :
Karena
X 1 , X 2 , , X n
saling bebas, maka :
13
N ( 2 , 22)
, ...,
N ( n , n2 )
, di mana
k1 , , kn
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
M ( t )=E ( etY )
E [e
t (k 1 X 1+k 2 X2 ++k n Xn )
E (et k
X1
et k
X2
et k X )
E (et k
X1
et k
X2
et k X )
E (et k X ) E (et k X ) E (et k X )
1
1 k 1 t +
1 ( k1 t )
2
1 k 1 t +
1 k 1 t
2
e
e
e
(k 1 1 ) t+
2 k 2 t+
2 2
( k 12 12 ) t 2
2
2 (k 2 t )
2
2 k 2 t+
(k 1 1 +k 2 2+ +k n n )t +
n k n t+
2 2
2 k2 t
2
( k 2 2 ) t +
n (k n t )
2
n k nt +
( k 22 22 ) t 2
2
2 2
n kn t
2
( k n n ) t +
( k n2 n2 ) t 2
2
( k 12 12+ k 22 22++k n2 n2) t 2
2
Y N ( k 1 1 +k 2 2 ++k n n , k 12 12+ k 22 22+ +k n2 n2 )
Teorema 2
14
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
Jika
X 1 , X 2 , , X n
adalah variabel-variable random yang saling
bebas yang masing-masing mempunyai MGF
MGF dari :
n
Y = ai X i
i=1
di mana
a1 , a2 , , an
konstanta real, adalah :
M Y ( t )= M i ( ai t )
i=1
Bukti :
MGF dari
M Y ( t )=E ( e tY )
15
M i ( t ) ,i=1,2, , n
, maka
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
E [e
t (a1 X 1+a2 X2 ++an Xn )
E (e
a1 t X1 +a2 t X2 ++a n t X n
E (ea t X ea t X ea t X )
1
E ( e a t X ) E ( e a t X ) E ( ea t X ) ( X 1 dan X 2 saling bebas )
1
E [e
X 1 (a 1 t )
] E [ e X (a t ) ] E [ e X (a t ) ]
2
M 1 ( a 1 t ) M 2 ( a2 t ) M n ( an t )
n
M i ( ai t )
i=1
Corollary
Jika
adalah sampel random dari suatu distribusi yang
X 1 , X 2 , , X n
mempunyai MGF
a. MGF dari
n
M Y ( t ) = M ( t ) =[ M ( t ) ]
Y = X i
i=1
M (t )
, maka :
adalah :
i=1
16
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
n
b. MGF dari
( ) [ ( )]
t
t
M X ( t ) = M
=M
n
n
i=1
X =
i=1
Xi
n
adalah :
Bukti :
a. Misalkan
ai=1,i=1,2, , n
, maka
b. Misalkan
menurut teorema 2 :
1
ai= , i=1,2, , n
n
, maka
menurut teorema 2 :
Y = X i
Y =
i=1
i=1
Sehingga didapat :
n
M Y ( t ) = M ( t )= [ M ( t ) ]
Sehingga didapat :
i=1
( ) [ ( )]
t
t
M Y ( t )= M
=M
n
n
i=1
Xi
=X
n
17
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
Contoh 3
Misalkan
X 1 , X 2 , , X n
menyatakan outcome-outcome pada
Bernaulli Trials. Cari distribusi dari :
Y = X i
i=1
Jawab :
MGF dari
X i , i=1, ,n
Maka :
M ( t )=( 1 p )+ p e t
M Y ( t )= [ (1 p ) + p et ]
i=1
Jika :
[ ( 1 p ) + p e t ]
Y = X i
i=1
Y b ( n , p )
18
TEKNIK MOMENT-GENERATING-FUNCTION (MGF)
Contoh 4
Misalkan
X1 , X2 , X3
adalah sampel random berukuran 3 dari
distribusi eksponensial dengan mean
Cari distribusi dari :
Y = X 1+ X 2 + X 3
dan
X +X +X
X = 1 2 3
3
Jawab :
19
MGF dari
M ( t )=
X i , i=1,2,3
1
1
, t<
1t
MGF dari
M Y ( t )=[ ( 1t )1 ] =( 1t )3 ,t <
Maka :
Y Gamma ( =3, )
MGF dari
1 3
[( ) ] ( )
t
M X ( t ) = 1
3
= 1
t
3
,t <
Maka :
X Gamma =3,
3
)
Teorema 3
Misalkan
X 1 , X 2 , , X n
adalah variabel-variabel random yang saling
bebas dan masing-masing mempunyai distribusi
Maka, variabel random
Y = X 1+ X 2 ++ X n
square dengan derajat bebas
Atau
Y 2( r +r ++ r )
1
Bukti :
Karena
t Xi
M i ( t )=E ( e ) =( 12 t )
ri
2
1
, t< ,i=1,2, , n
2
( r 1) , ( r 2 ) , ,
( r n) .
mempunyai distribusi Chi-
r 1 +r 2 ++r n
Maka, dengan menggunakan teorema 2 diperoleh :
n
M Y ( t ) = M i ( t )
i=1
( 12t )
ri
2
i=1
( 12 t )
( 12 t )
Jadi,
r 1
2
( 12 t )
r 2
2
( 12t )
rn
2
( r1+r 2++r n)
2
( r1 +r2++ rn)
.
Teorema 4
Misalkan
X 1 , X 2 , , X n
dari distribusi
adalah sample random yang berukuran
N ( , 2)
Maka, variabel random
Y =
i=1
X i
square dengan derajat bebas
) mempunyai distribusi Chin
Bukti :
Misalkan
Karena
Maka
X i 2
Z i=
, i=1,2, , n
X i N ( , 2)
Z i 2( 1)
Berdasarkan Teorema 3, didapat :
Y 2
( )
1
i=1
Atau
Y 2( n )
Misalkan
p.d.f.
f (x , y)
Misalkan
dan
adalah variabel random yang mempunyai
.
( X1 , Y 1) ,( X2, Y 2) , , ( Xn , Y n)
adalah sampel random dari distribusi di
atas.
Maka p.d.f. bersama dari
( X1 , Y 1) ,( X2 , Y 2) , , ( X n , Y n)
adalah :
h=f ( x 1 , y 1 ) f ( x 2 , y 2 ) f ( x n , y n )
Misalkan
n
( X1 , Y 1) ,( X2, Y 2) , , ( Xn , Y n)
adalah sampel random yang berukuran
dari distribusi Bivariate Normal dengan p.d.f.
parameter
1 , 2 , 1 , 2
dan
f (x , y)
dan
Didefinisikan :
n
Xi
X = i=1
n
Yi
dan Y = i=1
n
Kita sebut
adalah mean dari
X 1 , X 2 , , X n
Kita sebut
adalah mean dari
Y 1 ,Y 2 , ,Y n
Karena
( X1 , Y 1) ,( X2, Y 2) , , ( Xn , Y n)
adalah :
h=f ( x 1 , y 1 ) f ( x 2 , y 2 ) f ( x n , y n )
.
.
saling bebas, maka p.d.f. bersamanya
Akan dicari p.d.f. bersama dari
MGF dari
dan
dan
adalah :
M ( t 1 ,t 2 )
E (e
+t Y
t1 X
2
et
X +t2 Y
h d x1 d y1 d x2 d y2 d xn d yn
t1 X i t 2 Y i
exp i=1 + i =1
h d x1 d y 1 d x2 d y 2 d x n d y n
n
n
exp
exp
t 1 ( X 1 + X 2+ + X n ) t 2 ( Y 1+ Y 2+ +Y n )
+
h d x1 d y1 d x2 d y2 d xn d yn
n
n
t 1 ( X 1 + X 2+ + X n ) t 2 ( Y 1+ Y 2+ +Y n )
+
f ( x1 , y1 ) f ( x2 , y2 ) f ( xn , yn )
n
n
d x 1 d y1 d x2 d y 2 d x n d y n
t 1 X1
n
t1X2
n
t1Xn
n
t 2Y 1
n
t 2Y 2
n
t 2 Yn
n
f ( x1 , y1 ) f ( x2 , y2 ) f ( xn , yn)
d x 1 d y1 d x2 d y 2 d x n d y n
n
i=1
t 1 X i +t2 Y i
n
f ( x i , y i) d x i d y i
Karena
dan
Xi
parameter
n
M ( t 1 ,t 2 )= M
i=1
Yi
berdistribusi Bivariate Normal dengan
dan
1 , 2 , 12 , 22
, maka :
( tn , tn )
1
di mana :
t t
t t
M 1 , 2 =exp 1 1 + 2 2 +
n n
n
n
( )
t1
t
+2 1 2 1
n
n
2
()
t2
2 t
+ 2 2
n
n
( )( ) ( )
Berarti :
n
t t
M ( t 1 ,t 2 )= exp 1 1 + 2 2 +
n
n
i=1
[(
2
1
t1 2
t
+ 2 1 2 1
n
n
2
( )
t2
t
+ 22 2
n
n
( )( ) ( )
1 2
1 2
2 2
t 1 +2
t 1t 2+
t
n
n
n 2
1
n n
exp
t +t +
n 1 1 2 2
2
i=1
)]
12 2
2
t 1 +2 1 2 t 1 t 2+ 2 t 22
n
n
n n
exp t 1 1 +t 2 2 +
2
Jadi,
dan
parameter
berdistribusi Bivariate Normal dengan
2
1 , 2 ,
1 2
,
n n
dan
