Professional Documents
Culture Documents
Oleh :
Dewi Agita P. (08. 5602)
Dinny Pravitasari
Erma Ziamah Fathoni
SEKOLAH TINGGI ILMU STATISTIK
2009/2010
FUNGSI PEMBANGKIT
MOMEN
DEFINISI MGF
Mxt=x∈Setxf(x)
Mxt=Setxf(x) dx
Mxt=1+μ+μ21t22!+…+μr1t2r!+…
d1Mx(t)dt1t=0=μr1
Teorema
Misalkan Y adalah random variable di mana Y = a + bX. Jika Mx(t)
adalah fungsi pembangkit momen peubah acak X dan a dan b (b
≠ 0) adalah konstanta maka:
MYt=eatMXbt
Bukti
MYt=EetY=Eeat+btX=eatEe(bt)X=eatMXbt
MY(1)t=aeatMXbt+beatMX(1)bt
MY(1)0=aMX0+bMX(1)0= a+bE[X]
PERHITUNGAN MGF DARI BEBERAPA DISTRIBUSI PELUANG
Distribusi Geometri
X ~ Geo(p), q = 1-p
Mxt=x=1∞etxpqx-1=petx=1∞et (x-1)qx-1=pet1-qet
Distribusi Poisson
X ~ Poi(λ)
Mxt=x=1∞etxe-λλxx!=e-λx=1∞(etλ)xx!=eλ(et-1)
Distribusi Uniform
X ~ U(a,b)
Mxt=abetxb-adx=ebt-eatb-at
Distribusi Eksponensial
X ~ Exp(ϴ)
EKSISTENSI MGF
Tidak semua distribusi memiliki fungsi pembangkit
momen. Ada dua alasan mengapa sebuah distribusi
probabilitas tidak mungkin memiliki fungsi pembangkit
momen:
DEFINISI MOMEN
EXr=X1rfX1+X2rfX2+…+XnrfXn
=i=1nXirfXi
EXr=-∞∞XrfXdx
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
Mx't=0=EX1=EX=μ
μr=E[(X-μ)r]
Mx't=0=EX-μ1=EX-μ=EX-μ=0
Mx''t=0=EX-μ2=σ2
Mx(3)t=0=EX-μ3
α3=EX-μ3σ3=μ3σ3
Bin(n; p =0,5).
Distribution Skewness
Pois(λ) λ
Exp(λ) 2/ λ
Mx(4)t=0=EX-μ4
α4=EX-μ4σ4=μ4σ4
α4 = 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.
Momen ini dapat digunakan untuk menghitung rataan dan varian
dari random variable yang ditransformasi, serta untuk
menghitung koefisien kemencengan dan keruncingan kurva.
Contoh
Jadi dalam hal ini, kita harus meghitung E[R], E[R2], dan E[R4]
Momen pusat ke-r dari suatu random variable di sekitar titik asal
dapat diperoleh dengan menghitung turunan ke-r dari MGF
MXt=EetX saat t=0
Contoh
X ~ Exp(λ)
M(1)t=λλ-t2 ;EX=1λ
M(2)t=2λλ-t3 ;EX2=2λ2
M(r)t=Γ(r+1)λλ-tr+1 ;EXr=Γ(r+1)λr
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]
ey=1+y+y22!+y33!+… , -∞<y<∞
yang memberikan :
MXt=E 1+Xt+X2t22!+X3t33!+…
=1+EXt+EX2t22!+EX3t33!+…
gt=EetX=k=0∞μktkk!=Ek=0∞Xktkk!=j=0∞etxjpxj
Jika g(t) dedifferentiate sebanyak n kali dan t=0, akan
didapatkan μn:
dndtngtt=0=gn0=k=n∞k!μktk-nk-n!k!t=0=μn
Contoh
gt=j=1n1netj=1net+e2t+⋯+ent=etent-1net-1
μ1=g'0=1n1+2+3+⋯+n=n+12,
μ2=g''0=1n1+4+9+⋯+n2=n+12n+16
gt=j=0netjnjpjqn-j=j=0nnjpetjqn-j=pet+qn
perhatikan bahwa
μ1=g'0=npet+qn-1pet|t=0=np,
μ2=g''0=nn-1p2+np,
Contoh
gt=j=1∞etjqj-1p=pet1-qet
dimana
μ1=g'0=pet1-qet2|t=0=1p,
μ2=g''0=pet+pqe2t1-qet3|t=0=1+qp2,
gt=j=0∞etje-λλjj!=e-λj=0∞λetjj!=e-λeλet=eλet-1
dimana
μ1=g'0=eλet-1λet|t=0=λ,
μ2=g''0=eλet-1λ2e2t+λet|t=0=λ2+λ,
R't=M'(t)M(t)
R''t=Mt M''t-[M'(t)]2M(t)2
Mt=0=EX0=1
M't=0=EX1=EX=μ
R't=M'(t)M(t)=E[X]1=μ
R''t=Mt M''t-[M'(t)]2M(t)2=1 . EX2-[E(X)]212=EX2-[E(X)]2=σ2
MYt=Eety1=-∞∞ety1g(y1)dy1
Contoh
Jawab :
X2
F(x1,x2)
1 2 3
Y 2 3 4 5 6
MYt=EetY=Eet(X1+X2)=E[etX1etX2]
=EetX1EetX2=MX1tMX2t
EetX1=EetX2=16et+26e2t+36e3t
MYt=16et+26e2t+36e3t2
=136e2t+436e3t+1036e4t+1236e5t+936e6t
Mx1x2t1,t2=E(et1x1+t2x2)
Ex1rx2s=∂(r+s)∂t1r∂t2s(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
MX,Ys,t=(x,y)∈Sexpsx+tyf(x,y)
MX,Ys,t=Sexpsx+tyfx,ydxdy
μx=EX=∂M(t1,0)∂t1t1=0 =∂M(0,0)∂t1
EX2=∂2M(t1,0)∂t12t1=0 =∂2M(0,0)∂t12
VarX=σx2=∂2M(0,0)∂t12-∂M(0,0)∂t12
μy=EY=∂M(0,t2)∂t2t2=0 =∂M(0,0)∂t2
EY2=∂2M(0,t2)∂t22t2=0 =∂2M(0,0)∂t22
VarY=σy2=∂2M(0,0)∂t22-∂M(0,0)∂t22
EXY=∂2M(t1,t2)∂t1∂t2t1=t2=0
=∂2M(0,0)∂t1∂t2
Teorema
Bukti:
x=x1,x2,…,xm
y=y1,y,…,yn
Mx,yt1…tm,u1…un=E(et1X1+…
+tmXm+u1Y1+…+unYn)
=Eet1X1 Eet2X2 …
EetmXm[Eeu1Y1 Eeu2Y2
…EeunYn ]
=Mx1t1 Mx2t2…
MxmtmMY1u1MY2u2…
MYn(un)
Korolari 1
Jika X1, X2, …., Xn hasil pengamatan contoh acak dengan fungsi
pembangkit momen M(t) maka
Korolari 2
Mxt1, … ,
tm=exp(i=1mtiμi+12i=1mti2σi2)
Jumlah terhingga peubah acak yang saling bebas dan
berdistribusi normal adalah juga berdistribusi normal.
Korolari 3
S'=X1+X2+…+Xm
Mst=i=1mMxit=eti=1mμi+12t2i=1
mσi2
Misalkan X1 , X2, … , Xm sampel (contoh) acak dari populasi
berdistribusi normal dengan rata-rata µ dan varians σ 2
,
makax berdistribusi normal dengan mean = µ dan variansi =
σ2n.
Bukti
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
Jika MGF dari X ada untuk t dalam sebuah interval terbuka yang
memuat 0, maka MGF itu secara unik menentukan CDF dari X,
yaitu tidak ada dua distribusi berbeda yang memiliki nilai MGF
yang sama dalam interval yang memuat 0.
Contoh
Mt=eμ1t+12σ12t2
MXit=i=1neμit+12σi2t2=expti=1nμii+t22i=1nσi2
DEFINISI
Dalam teori peluang, fungsi karakteristik dari
setiap variabel acak benar-benar menggambarkan distribusi
peluangnya. Fungsi karakteristik dari suatu distribusi peluang
diberikan oleh rumus berikut, dimana X adalah setiap variabel
acak dengan distribusi yang bersangkutan :
φXt=EeitX=eitXdFXx=-∞∞fXxeitxdx
dimana t adalah bilangan riil, i adalah bilangan imajiner, dan E
melambangkan nilai ekspektasi, F(x) adalah fungsi distribusi
kumulatif.
Bentuk φXt=eitXdFXxmerupakan suatu Riemann-Stieltjes
integral dan selalu valid tanpa memperhatikan apakah fungsi
densitas ada.
Bentuk φXt=-∞∞fXxeitxdx hanya valid bila fungsi densitas
ada. Jika variabel acak X mempunyai pdf ƒX maka fungsi
karakteristiknya merupakan transformasi fouriernya. Fungsi
karakteristik dari sebuah PDF yang simetris (p(x)=p(-x)) adalah
riil, karena komponen imaginer yang diperoleh
dari x>0 menghapus bagian di mana x<0.
Contoh
Fungsi karakteristik dari random variable distribusi Uniform U(–
1,1).
Fungsi ini bernilai riil karena berhubungan dengan sebuah
random variable yangsimetris di sekitar titik asal. Namun,
umumnya fungsi karakteristik dapat bernilai kompleks.
Notasi fungsi karakteristik digeneralisasikan untuk variabel
acak multivariat dan random elements yang lebih kompleks.
Pada umumya beberapa definisi dinotasikan sepertiabawah ini:
• Jika X adalah suatu vektor acak berdimensi k, maka untuk
tЄRk
φXt=Eeit'X
• Jika X adalah suatu matriks acak berdimensi k, maka untuk
tЄRkxp
φXt=Eeitrt'X
• Jika X adalah variabel acak kompleks, maka untuk tЄC
φXt=EeiRetX
• Jika X adalah vektor acak kompleks, maka untuk tЄCk
φXt=EeiRet*X
• Jika X(s) adalah suatu proses stokastik, maka untuk semua
fungsi t(s) seperti integral ∫Rt(s)X(s) ds konvergen untuk
hampir semua bentuk X.
φXt=Eei∫RtsXsds
Di sini (') menyatakan transpose matriks, tr(·) – operator trace
matriks, Re adalah bagian nyata dari suatu bilangan kompleks, z
menandakan konjugasi kompleks dan (*) adalah konjugasi
transpose (z*= z').
FUNGSI KARAKTERISTIK DAN DERET FOURIER
Degenerate δa
Binomial B(n, p)
Poisson Pois(λ)
Uniform U(a, b)
Laplace L(μ, b)
Chi-square χ2k
Cauchy Cauchy(μ, θ)
Gamma Γ(k, θ)
Exponential Exp(λ)
KONTINUITAS
FORMULA INVERSI
Karena ada suatu korespondensi satu-satu antara cdf dan
fungsi karakteristik, selalu memungkinkan untuk menemukan
salah satu dari fungsi-fungsi ini jika kita mengetahui yang lain.
Rumusan dalam definisi fungsi karakteristik memungkinkan kita
untuk menghitung φ ketika kita mengetahui fungsi distribusi F
( atau densitas f). Dengan kata lain, jika kita mengetahui fungsi
karakteristik φ dan ingin menemukan fungsi distribusi yang
bersesuaian maka salah satu dari Teorema inversi dapat
digunakan:
, saat X adalah
sebuah random variabel scalar, dan
,
saat X adalah suatu random variabel vektor.
MOMEN-MOMEN
Fungsi karakteristik dapat digunakan untuk
menemukan momen dari suatu variabel acak. Asalkan nth momen
ada, fungsi karakteristik dapat diturunkan (differensialkan)
sebanyak n kali dan
EXn=i-nφXn0=i-ndndtnφXtt=0.
Sebagai contoh, X memiliki Distribusi Cauchy standar maka
φXt=e-t. Fungsi ini tidak terdiferensiasi di t=0. Hal ini
menunjukkan bahwa distribusi Cauchy tidak
memiliki ekspektasi. Lihat juga bahwa fungsi karakteristik rata-
rata sampel X dari n pengamatan independen memiliki fungsi
karakteristik
φXt=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
populasinya sendiri.
Contoh
Suatu distribusi gamma dengan parameter skala θ dan
parameter bentuk k yang memiliki fungsi karakteristik 1-θit-k.
Misalkan X~Γk1,θ and Y~Γk2,θ dengan X dan Y independen satu
sama lain, dan kita ingin tahu apakah distribusi dari X+Y.
Fungsi karakteristik dari X dan Y masing-masing adalah : φXt=1-
θit-k1 dan φYt=1-θit-k2 yang dengan independensi dan sifat dasar
fungsi karakteristik menyebabkan :
φX+Yt=φXtφYt= 1-θit-k11-θit-k2=1-θit-k1+k2.
Ini adalah fungsi karakteristik dari distribusi gamma parameter
skala θ dan parameter bentuk k1 + k2.
Dengan demikian kita dapat menyimpulkan X+Y~Γk1+k2,θ.
Hasilnya dapat diperluas untuk n variable-variabel acak
berdistribusi gamma yang independen dengan parameter skala
yang sama, dan kita mendapatkan :
∀i∈ 1, ⋯,n : Xi~Γki,θ ⇒ i=1nXi~Γi=1nki,θ
DAFTAR PUSTAKA
“Characteristic Function”,
http://su.wikipedia.org/wiki/Fungsi_karakteristik (diakses
tanggal 30 Juni 2010)
“Moment-Generating Function”,
http://mathworld.wolfram.com/Moment-
GeneratingFunction.html (diakses tanggal 30 Juni 2010)