Metode Fungsi Pembangkit Momen

Teorema 6.4.1

Jika 1 , , adalah variabel bebas acak dengan MGFs (), maka MGF dari = =1
adalah () = () ()

Bukti:

Perhatikan bahwa = (1 ++) = 1 jadi dengan sifat (5.2.6),

() = ( )

= ( 1 )

= ( 1 ) ( )

= () ()

Ini mempunyai bentuk yang special ketika 1 , , menyatakan sampel acak dari populasi
dengan pdf umum () dan MGF (), yakni

() = [()]

Seperti yang disebutkan pada bab 2, MGF dari suatu variabel acak secara unik menentukan
distribusinya.

Jelas bahwa MGF dapat digunakan sebagai teknik untuk menentukan distribusi dari sebuah
fungsi dari variabel acak, dan tidak diragukan lagi lebih penting daripada menghitung momen.
Pendekatan MGF sangat berguna untuk menentukan distribusi jumlah variabel acak bebas, dan
jika seringkali akan jauh lebih mudah daripada mencoba melakukan transformasi bersama. Jika
MGF dari suatu variabel dipastikan, maka perlu diketahui distribusi apa yang dimiliki oleh
MGFs tersebut. MGF dari banyak distribusi yang paling umum disertakan dalam Appendix B.

Example 6.4.4

Misal 1 , , variabel acak bebas binomial dengan masing parameter dan ,

~( , ), dan misalkan = =1 . Sehingga

() = () ()

= ( + ) ( + )
 = ( + ) ++

Sehingga MGF binomial dengan parameter + + dan , maka, ~( + + , ).

Example 6.4.5

Misal 1 , , variabel acak bebas ditribusi-Poisson, ~( ), dan misal = 1 + +

. MGF dari ialah () = exp[ ( 1)], dan karena itu MGF dari Y adalah

() = exp[ ( 1)] exp[ ( 1)]

= exp[( + + )( 1)]

dimana menunjukkan bahwa ~ (1 + + )

Example 6.4.6

misalkan 1 , , adalah variabel acak bebas distribusi gamma dengan masing parameter
bentuknya 1 , 2 , , , parameter skala umum , ~(, ), untuk = 1, , . MGF dari
adalah

() = (1 ) < 1/

Jika = =1 , maka MGF dari Y adalah

() = (1 )1 (1 )

= (1 )(1++)

Dan dipastikan, ~ (, 1 + + ). Tentu, ini konsisten dengan beberapa contoh diawal.

Example 6.4.7

Misal 1 , , variabel acak bebas distribusi normal, ~( , 2 ) dan misal = =1 .

MGF dari adalah

2 2
() = exp ( + )
2

Dan maka MGF dari Y adalah

2 2 2 2
() = exp ( + ) exp ( + )
2 2
 2 2 2 2
= exp ( + + + + )
2 2

= exp[( + + ) + ( 2 + + 2 )/2)]

yang menunjukkan bahwa ~(1 + + , 2 + + 2 ).

Ini termasuk kasus khusus dari sampel acak 1 , , dari sebuah populasi berdistribusi normal,
katakanlah ~(, 2 ). Pada kasus ini, = dan = 2 untuk setiap = 1, , dan karena
itu =1 ~(, 2 ). Ini juga mengikuti dengan mudah dalam hal ini bahwa mean sampel,
2
X ==1 /, adalah distribusi normal , X ~(, ).