Академический Документы
Профессиональный Документы
Культура Документы
Kemudian untuk beberapa fungsi gi(x) dan g2(x) yang ekspektasinya ada(expectation exist)
a.
E [ a g1 ( X ) +b g2 ( X )+ c ]=aE g1 ( X ) +bE g2 ( X ) +c
b. Jika
g1 ( x ) 0 untuk semua
c. Jika
g1 ( x ) g2 ( x ) untuk semua
x , maka
d. Jika
a g 1 ( x ) b untuk semua
x , maka a Eg 1 ( X ) b
x , maka
Eg1 ( X ) 0
Eg1 ( X ) Eg2 ( X )
(atau
f X ( x ) ),
n , adalah
In=E [ X n ]
n=E [ X ]
dimana
X ,
n , adalah
=1I =E [ X ]
Teorema 1.2 variance dari sebuah random variable X adalah moment sentral kedua (second central
moment),
Var [ X ] =E [ XE [ X ] ]
Teorema 1.3 Jika X adalah random variable dengan varians tertentu, maka untuk konstanta a dan b
2
Var [ aX + b ] =a Var [ X ]
Varians dapat dihitung menggunakan
2
Var [ X ] =E [ X ] ( E [ X ] )
Sedangkan moment sentral ke tiga (3rd central moment) diketahui sebagai skewness dari sebuah distribusi
dan digunakan sebagai ukuran asimetris (measure of asymmetry). Jika sebuah distribusi adalah simetris
meannya
( f ( x )=f ( + x ) ) . Skewness akan bernilai 0. Jika nilai skewness tidak nol (non-zero),
distribusinya asimetris.
Moment sentral ke empat (4th central moment) adalah kurtosis. Digunakan sebagai ukuran dari
sebagaimana bobot ekor dari sebuah distribusi. Kurtosis dari distribusi normal adalah
Moment generating function (mgf), seperti yang digambarkan oleh namanya, mgf
dapat digunakan untuk membangkitkan moments (generate moments). Pada
prakteknya, hal ini lebih mudah dibeberapa persoalan untuk menghitung moment
secara langsung daripada menggunakan mgf. Bagaimanapun kegunaan utama dari
mgf adalah bukan untuk membangkitkan moments (generate moments), tetapi
untuk membantu dalam mengelompokkan sebuah distribusi. Sifat dari mgf ini dapat
menuntun kepada extremely powerful results jika digunakan dengan tepat.
The probability density function (variabel kontinyu) atau probability mass function
(variable diskrit) dari sebuah random variabel X berisi semua informasi tentang
variabel ini. Therefore, it seems that it should always be possible: Oleh karena itu,
ini terlihat bahwa harus selalu mungkin:
Untuk menghitung mean, varians, dan order moments yang lebih tinggi dari
Matematika akan berjalan ke dalam masalah yang sama cepat atau lambat yaitu
sebuah sifat tertentu dari fungsi f diperlukan, persamaan ada di sana, tetapi tidak
dapat diselesaikan dalam bentuk tertutup.
Sebuah ide yang kuat dan sangat umum, yang ada di bawah banyak samaran,
terdiri kemudian dalam perubahan fungsi asli f menjadi sebuah fungsi g terpilih
secara tepat dan baru,sedemikian rupa termasuk penghitungan sederhana pada g
akan membangun hasil yang diinginkan.
Kendalanya diolehkarenakan menghindar pada mengorbankan perubahan fungsi
asli f (original function) yang tepat. Cara ini digambarkan pada ilustrasi di bawah ini
The obstacle is therefore circumvented, at the expense of
appropriately transforming the original function f .
transformation
function g)
E [ e tX ] . Ekspektasi dari
e tX
e tX
berdistribusi kontinyu
E [ e tX ]= e tx f ( x ) dx
Dan untuk variable berdistribusi diskrit
Dimana
f (x)
Pengintegralan dilakukan terhadap x, oleh karena itu x tidak ditemukan pada hasil
akhir, yang ada hanya fungsi dari t. sedangkan pada variabel diskrit, indeks berjalan
untuk x, sehingga variable x juga tidak akan ditemukan pada penghitungn
ekspektasi itu, yang ada hanya fungsi dari t.
Jadi definisi dari moment generating function (mgf) dari variabel X atau dari pdf
f (x)
MX (t)
M (t )
atau
adalah
M X ( t ) =E [ etX ]
pada
h untuk
not exist) di sekitar 0, kita dapat katakana bahwa moment generating functionnya
tidak ada (does not exist).
Teorema 1.4 Jika X mempunyai MGF
M X ( t ) , maka
E [ X n ]=M nX ( 0 )
Dimana didefinisikan
M X (n ) ( 0 )=
dn
M X (t )
n
dt
t =0
M X (t)
pada saat
t =0
Bukti, asumsikan bahwa kita dapat menurunkan dibawah integral, kita dapatkan
d
d
M X ( t )= etx f X ( x ) dx
dt
dt
( dtd e ) f
tx
( x ) dx
( x etx ) f X ( x ) dx
E [ X etX ]
Jadi,
d
M ( t ) =E [ X etX ]|t=0=E [ X ]
dt X t=0
Maka,
d
M X ( t ) =E [ X n etX ]|t=0=E [ X n ]
n
dt
t=0
FX ( x )
a. Jika
semua
dan
dan
E [ X r ]=E [ Y r ]
untuk
r=0,1, 2, .
M X ( t ) =M Y ( t )
F X ( u )=FY ( u )
untuk semua
untuk semua
disekitar 0, maka
u .
{ X i , i=1,2, }
M X ( t ) . Dapat dikatakan
i
bahwa
lim M X ( t )=M X ( t )
t
, untuk semua
disekitar 0
6
MX (t)
Dan
MX (t)
untuk semua
dimana
FX
FX ( x )
yang
adalah
F X ( x )= F X ( x )
lim
i
convergen of cdf
Teorema 1.6 untuk a dan b konstan, mgf dari random variable
aX =b
adalah
sebagai berikut
M aX +b (t )=ebt M X ( at )
Bukti
M aX +b (t )=E [ e( aX+ B )t ]
e bt E [ e( at ) X ]
e bt M X ( at )
2. Differentiating under an integral sign
Maksud dari bagian ini adalah untuk menggolongkan kondisi di bawah operator
logic. Kita juga akan membicarakan mengenai pertukaran order dari penurunan dan
penjumlahan. Banyak dari kondisi ini dapat dibuat menggunakan teorema standar
dari kalkulus.
Teorema 2.1 (leibruts rule) jika
f ( x ; ), a ( ), b ()
maka
7
b ( )
d
d
d
d
f ( x , ) dx =f ( b ( ) , ) b ( )f ( a ( ) , )
a ( )+ f ( x , ) dx
d a ( )
d
d
d
a ()
Jika
b
b ()
dan
d
d
f ( x , ) dx=
f ( x , ) dx
d a
a d
Jadi secara umum jika kita mempunyai integral dari sebuah fungsi turunan terhadap
sebuah rank tertentu, jika range dari integral adalah terbatas , bagaimanapun,
permasalahan dapat muncul.
Pertanyaannya adalah apakah penggantian dari order dari differentiation dan
pengintegralan dibenarkan merupakan pertanyaan apakah limit dan pengintegralan
dapat saling mengganti, karena sebuah turunana merupakan sebuah jenis limit
yang mungkin. Katakana bahwa jika
maka
f ( x ,+ )f ( x , )
f ( x , )=lim
0
jadi kita dapatkan
f ( x ,+ ) f ( x , )
f ( x , ) dx= lim
dx
Sedangkan
f ( x , + )f ( x , )
d
f ( x , ) dx=lim
dx
g (x )
i.|h ( x , y )| g ( x )
h(x, y)
adalah pada
y0
yang memenuhi
untuk semua
dan
ii . g ( x ) dx < .
Maka
lim
h ( x , y ) dx= lim h ( x , y ) dx
y y 0
y y 0
g ( x ) , dengan
sebuah integral tertentu, yang meyakinkan bahwa integralnya tidak berlaku buruk.
Teorema 2.3 misalkan
lim
f ( x ,+ ) f ( x , )
=
f (x , )
0> 0
= 0
yaitu
g ( x , 0 ) dan sebuah
yaitu
i.
f ( x , + )f ( x , )
g ( x , 0 ) ,untuk semua x dan| | 0 ,
ii
g ( x , 0 ) dx < .
Maka
f ( x , ) dx|= =
f ( x , )| = dx .
d
0
sebagai sebuah variable, pernyataan dari teorema itu adalah untuk suatu nilai dari
= 0
yang mana
f ( x , )
(i)
dan
dapat diturunkan
( ii ) , urutan dari
f ( x , ) dx=
f ( x , ) dx
10
pe
n
x
()
n
x=0
pet +1p
etx f ( x)
etx p x ( 1 p)1x
x=0
x=0
pet
x=0
pet
pet
= [( q + [( q
q+ pe
Distribusi poisson
11
e
F(x)= x !
x=0,1,...
tx
Mx(t)=E( e )
etx e x !
x=0
e
x
( t)
x!
n
x=0
e
= e e
(e 1)
= e
a<x<b
tx
Mx(t)= E( e )
e tx F ( x )
1
dx
e tx ba
12
1
etx dx
= ba
b
1
e tx dx
= ba
a
1 1 tx b
e |
= ba t a
1 1 t(ba )
= ba t e
1
= t (ba)
et (ba)
x=1,2,...
tx
Mx(t)= E( e )
etx p
x=1
q x1
p
tx x
e q
= q
x=1
13
q et
q et
=
q e t +
p
q
p q et
= q (1q et )
p et
= (1q et )
Negative Binomial NB ( k , p )
x 1 p q
[
F(x)= k1 ]
k
xk
x=k,k=1,...
tx
Mx(t)= E( e )
k+n
x
k
p k ( 1 p ) ( 1 p ) e tx
(kx1
)
1
x=k
p
q
=(
x1 ( q e tx ) x
k 1
( )
k +n
k
x=k
14
p
q
et
q
=(
)
2
k
(
k
+1
)
t
(q et ) +
1+kq e +
2!
k
p
q
et
q
=(
1q et
k
pk ( q et )
= qk (1q e t )k
p et
1q et
e ( 1) x 1 e dx
0
( t )x
1
x 1 e
dx
() 0
tx
( )
1
() 1
( t)
15
( )
1
( ) (1t )
1t
16
Fungsi karakteristik
Diberikan sebuah subset A dari sebuah set yang besar, fungsi karakteristik
didefinisikan identik satu pada pada
XA
(t)
( a , b ) =( 1,1 )
( t )=F X [ P ( x ) ] ( t )
e itx P ( x ) dx
1
P ( x ) dx +it xP ( x ) dx + ( it )2 x2 P ( x ) dx +
2
k=0
(i t )k '
k! k
1
1
1
1+ it '1 t 2 '2 it 3 '3+ t 4 '4 +
2
3!
4!
Dimana
17
Sebuah distribusi statistic tidak di golongkan secara unik oleh momentnya, tetapi
adalah oleh fungsi karakteristiknya jika semua momentnya terhingga dan series
untuk fungsi karakteristiknya secara absolute konvergen didekat origin (Papoulis
1991, p. 116). Pada kasus ini pdfnya diberikan sebagai berikut
Atau cumulants
18