FUNGSI PEMBANGKIT
MOMEN
DEFINISI MGF
Fungsi
Pembangkit
Momen
atau
Moment
generating
Teorema
Bukti
MYt=EetY=Eeat+btX=eatEe(bt)X=eatMXbt
Distribusi Poisson
X ~ Poi()
Mxt=x=1etxe-xx!=e-x=1(et)xx!=e(et-1)
Distribusi Uniform
X ~ U(a,b)
fx=1b-a, a<&x<b 0 , untuk x lainnya
Distribusi Eksponensial
X ~ Exp()
fx=1e-x, 0<&x< 0 , untuk x lainnya
EKSISTENSI MGF
Tidak
momen. Ada
probabilitas
semua
dua
tidak
distribusi
memiliki
alasan
mengapa
mungkin
memiliki
fungsi
sebuah
fungsi
pembangkit
distribusi
pembangkit
momen:
1. Pertama, semua momen distribusi mungkin tidak ada. Hal
ini dapat menunjukkan bahwa jika moment ke-n suatu
distribusi tidak ada, maka tidak ada momen dengan orde
yang lebih besar dari n. Kita akan melihat bahwa properti
yang paling penting dari MGF adalah bahwa, semua
momen distribusi dapat dihitung dari MGF ini. Jadi, jika
suatu distribusi tidak memiliki semua momen, ia pasti
tidak memiliki sebuah MGF. Kasus semacam ini terjadi,
misalnya, pada distribusi tn Student yang tidak memiliki
momen di luar momen ke (n - 1). Secara khusus, jika n =
1, distribusi t berubah menjadi distribusi Cauchy, yang
tidak memiliki momen.
2. Suatu distribusi mungkin saja memiliki semua momen,
dan namun tidak memiliki fungsi pembangkit momen
karena ekspresi mendefinisikan MGF akan mengarah
pada suatu kuantitas yang jumlahnya tak berhingga. Hal
ini terjadi, misalnya, dari distribusi lognormal.
DEFINISI MOMEN
Momen Pusat ke-R di Sekitar Titik Asal
Momen ke-r di sekitar titik asal dari sebuah random variable X
dapat didefinisikan sebagai E[Xr] asalkan nilai ekspektasi itu ada.
Untuk X diskrit dengan f peluang f(x) :
EXr=X1rfX1+X2rfX2++XnrfXn
=i=1nXirfXi
Dalam hal ini, E[Xr] merupakan turunan ke-r dari MXt=EetX saat
t=0.
MXt=0=EX0=1
Mx't=0=EX1
Mx't=0=EX1
Mx''t=0=EX2
.
.
.
Mx(r)t=0=EXr
Skewness
Bin(n; p)
Pois()
Exp()
2/
4 = koefisien kurtosis
Teorema
Jika momen ke-r dari suatu variable acak ada, maka momen ke-s
dari random variable itu pasti ada untuk semua nilai s < r.
Jadi dalam hal ini, kita harus meghitung E[R], E[R2], dan E[R4]
Contoh
X ~ Exp()
M(1)t=-t2 ;EX=1
M(2)t=2-t3 ;EX2=22
M(r)t=(r+1)-tr+1 ;EXr=(r+1)r
X ~ Geo(p), q = 1-p
M(1)t=pet1-qet+pqe2t(1-qet)2;EX=1p
M(1)t=pet1-qet+3pqe2t(1-qet)2+2pq2e3t(1-qet)3;EX2=5-6p+2p2p
Teorema
Jika Mx(t) dari suatu random variable X adalah terhingga dan ada
dalam suatu interval terbuka yang memuat 0, maka Mx(t) akan
mempunyai derivative untuk semua order.
MXrt=E[XretX]
MXr0=E[Xr]
Bukti
MX1t=ddt-etxfXxdx
=-ddtetxfXxdx
=-xetxfXxdx
=E[XretX]
MX(2)t=ddtMX1t
=-xddtetxfXxdx
=-x2etxfXxdx
=E[X2etX]
yang memberikan :
MXt=E 1+Xt+X2t22!+X3t33!+
=1+EXt+EX2t22!+EX3t33!+
Jika
g(t)
dedifferentiate
sebanyak
kali
dan
t=0,
akan
didapatkan n:
dndtngtt=0=gn0=k=nk!ktk-nk-n!k!t=0=n
Contoh
Misalkan X ={1,2,3,,n} dan pxj=1n untuk 1jn (distribusi
uniform) maka
gt=j=1n1netj=1net+e2t++ent=etent-1net-1
Contoh
Misalkan X ={1,2,3,,n} dan pxj=njpjqn-j untuk 0jn (distribusi
Binomial), maka
gt=j=0netjnjpjqn-j=j=0nnjpetjqn-j=pet+qn
perhatikan bahwa
1=g'0=npet+qn-1pet|t=0=np,
2=g''0=nn-1p2+np,
dimana
1=g'0=pet1-qet2|t=0=1p,
2=g''0=pet+pqe2t1-qet3|t=0=1+qp2,
=1=1p, dan 2=2-12=qp2.
Contoh
Misalkan X ={1,2,3,,n} dan pxj=e-jj! untuk semua j (distribusi
Poisson dengan rataan ), maka
gt=j=0etje-jj!=e-j=0etjj!=e-eet=eet-1
dimana
1=g'0=eet-1et|t=0=,
2=g''0=eet-12e2t+et|t=0=2+,
=1=, dan 2=2-12=.
Dalam beberapa hal, akan lebih mudah bekerja dengan menggunakan
logaritma dari MGF, yang sering disebut Cumulant-Generating Function
(CGF), dan didefinisikan oleh Rt=ln[M(t)].
R't=M'(t)M(t)
R''t=Mt M''t-[M'(t)]2M(t)2
Sebelumnya, telah diketahui bahwa :
Mt=0=EX0=1
M't=0=EX1=EX=
X2
F(x1,x2)
X1
1/36
2/36
3/36
2/36
4/36
6/36
3/36
6/36
9/36
G(y)
1/36
4/36
10/36
12/36
9/36
Mx1x2t1,t2=E(et1x1+t2x2)
Ex1rx2s=(r+s)t1rt2s(Mx1x2t1,t
2)t1=t2=0
untuk -h1 < t1 < h1 , -h2 < t2 < h2 , h1 > 0 , h2 > 0.
Untuk peubah acak X1 dan X2 yang bebas satu sama lain, maka:
Mx1x2t1,t2=-et1x1+t2x2f1x1f2x2dx2dx
1
=-et1x1f1x1dx1
.-
et2x2f2x2dx2
=Mx1t1Mx2t2
Fungsi Pembangkit Momen Gabungan Diskrit
Jika X dan Y adalah peubah acak diskrit dengan p(x,y) adalah
nilai fungsi peluang gabungan dari X dan Y di (x,y), maka fungsi
pembangkit momengabungan dari X dan Y didefinisikan sebagai :
MX,Ys,t=(x,y)Sexpsx+tyf(x,y)
Fungsi Pembangkit Momen Gabungan Kontinu
Jika X dan Y adalah peubah acak kontinu dengan f(x,y) adalah
nilai fungsi densitas gabungan dari X dan Y di (x,y), maka fungsi
pembangkit momen gabungan dari X dan Y didefinisikan sebagai:
MX,Ys,t=Sexpsx+tyfx,ydxdy
Berdasarkan fungsi pembangkit momen gabungan dari X dan Y,
kita dapat menentukan fungsi pembangkit momen masingmasing dari X dan Y yang dinamakan fungsi pembangkit momen
marginal dari X dan fungsi pembangkit momen marginal dari Y.
Fungsi pembangkit momen marginal dari X diperoleh dari fungsi
pembangkit momen gabungan dengan mensubstitusikan t2 = 0,
sehingga:
M(t1,0) = M(t1) = E[exp(t1X)]
EXY=2M(t1,t2)t1t2t1=t2=0
=2M(0,0)t1t2
Teorema
Suatu himpunan terhingga vektor acak, yang mempunyai
pembangkit momen bersama, dikatakan saling bebas, jika dan
hanya jika fungsi pembangkit momen bersama itu dapat
dinyatakan sebagai hasil kali masing-masing fungsi pembangkit
momen.
Bukti:
Untuk dua vektor acak, selengkapnya dapat diselesaikan dengan
induksi.
Misalkan vektor acak
x=x1,x2,,xm
y=y1,y,,yn
Mx,yt1tm,u1un=E(et1X1+
+tmXm+u1Y1++unYn)
=Eet1X1
Eet2X2
EetmXm[Eeu1Y1
EeunYn ]
Eeu2Y2
=Mx1t1
Mx2t2
MxmtmMY1u1MY2u2
MYn(un)
Dengan demikian, jika X1 , X2 .Xn saling bebas dengan MGF
Mx1(t), Mxn(t), serta jika S = X1 + X2+ .. + Xn , maka Ms(t) =
Mx1(t) Mx2(t) . Mxn(t)
Fungsi pembangkit momen jumlah peubah acak yang saling
bebas
yang
banyaknya
sama
dengan
hasil
kali
fungsi
Korolari 1
Jika X1, X2, ., Xn hasil pengamatan contoh acak dengan fungsi
pembangkit momen M(t) maka
a)
Korolari 2
Misalkan X1 , X2, , Xm adalah peubah acak yang saling bebas
dan
berdistribusi
normal
dengan
EXi=i
dan
maka fungsi
x=x1,x2,,xm adalah:
Mxt1,
tm=exp(i=1mtii+12i=1mti2i2)
Jumlah
terhingga
peubah
acak
yang
saling
bebas
dan
S'=X1+X2++Xm
Mst=i=1mMxit=eti=1mi+12t2i=1
mi2
Misalkan
dan varians
dan variansi =
2n.
Bukti
Akan dihitung MGF dari
adalah:
Mst=exp ti=1mi+12t2i=1mi2
=exp t n + 12t2n 2
dan
Msnt=Mstn=exp t +t22n2
Sifat-sifat yang paling penting dari MGF adalah bahwa jika dua
distribusi peluang memiliki MGF yang sama, maka mereka juga
identik pada semua poin (memiliki densitas/distribusi yang
sama). Dalam hal ini, untuk semua nilai t :
maka
untuk semua nilai x.
Contoh
Misalkan X1, X2, , Xn merupakan identical independent random
variable yang masing-masing berdistribusi Exp(). Apakah
distribusi dari S=Xi ?
MSt=i=1n-t=-tn
FUNGSI KARAKTERISTIK
DEFINISI
Dalam
teori
peluang,
fungsi
karakteristik
dari
ekspektasi,
distribusi
kumulatif.
Bentuk
Xt=eitXdFXxmerupakan
suatu
Riemann-Stieltjes
merupakan
transformasi
fouriernya.
Fungsi
karena
komponen
imaginer
yang
diperoleh
densitas,
fungsi
karakteristik
dapat
terlihat
sebagai
Distribution
Degenerate a
Binomial B(n, p)
Poisson Pois()
Uniform U(a, b)
Laplace L(, b)
Normal N(, 2)
Chi-square 2k
Cauchy Cauchy(, )
Gamma (k, )
Exponential Exp()
Multivariate normal N(, )
KONTINUITAS
Bijeksi menyatakan antara distribusi peluang dan fungsi
karakteristik adalah kontinyu. Sehingga kapan saja suatu urutan
fungsi distribusi {Fj(x)} konvergen (dengan lemah) ke beberapa
distribusi
F(x),
urutan
yang
bersesuaian
terhadap
fungsi
kasus
multivariate,
tersebut
dipahami
sebagai
dari
X (dalam kasus
, saat X adalah
sebuah random variabel scalar, dan
,
saat X adalah suatu random variabel vektor.
Teorema
(Gil-Pelaez).
Untuk
suatu
random
variabel
suatu
argumen
bernilai
riil,
tidak
seperti
fungsi
fungsi
distribusi
sepenuhnya
kumulatif
menentukan
(FXx=E1Xx)
perilaku
dan
yang
sifat-sifat
dengan
distribusi
sepenuhnya
menentukan
perilaku
dan
sifat-sifat
Catatan :
Bagaimanapun
fungsi
karakteristik
suatu
Umumnya,
diintegralkan
mungkin
hanya
dapat
diintegralkan
secara
fungsi
karakteristik
berguna
untuk
() = 0;
4.
Secara khusus,
X+Yt=XtYt
karakteristik
dapat
digunakan
untuk
fungsi
karakteristik
dapat
diturunkan
(differensialkan)
Xt=e-t.
menunjukkan
ini
tidak
bahwa
terdiferensiasi di t=0.
distribusi
Hal
Cauchy
ini
tidak
memiliki ekspektasi. Lihat juga bahwa fungsi karakteristik ratarata sampel X dari n pengamatan independen memiliki fungsi
karakteristik
Xt=e-tnn=e-t, menggunakan hasil dari bagian sebelumnya. Ini
adalah fungsi karakteristik dari distribusi Cauchy standard. Jadi,
rata-rata
sampel
memiliki
distribusi
yang
sama
dengan
parameter
skala
populasinya sendiri.
Contoh
Suatu
distribusi
gamma dengan
dan
1-it-k.
X+Yt=XtYt= 1-it-k11-it-k2=1-it-k1+k2.
Ini adalah fungsi karakteristik dari distribusi gamma parameter
skala dan parameter bentuk k1 + k2.
Dengan
Hasilnya
demikian
dapat
kita
dapat
diperluas
menyimpulkan
untuk
X+Y~k1+k2,.
variable-variabel
acak
2010)
Materi Pokok 23. TRANFORMASI PEUBAH ACAK DENGAN
FUNGSI PAMBANGKIT MOMEN (diakses tanggal
30 Juni 2010)
Materi Pokok 10. MOMEN DAN FUNGSI PEMBANGKIT