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