2.

1 FUNGSI PEMBANGKIT MOMEN

Nilai harapan khusus yang cukup berguna dikenal sebagai fungsi pembangkit
momen.
Definisi 2.5.1
Jika X adalah variabel random, maka nilai yang diharapkan
M X ( t )=E ( e tX )
disebut Fungsi Pembangkit Momen (FPM) dari X jika nilai yang diharapkan
ini ada untuk semua nilai t dalam beberapa interval bentuk −h< t<h untuk
beberapa h> ¿0.
Contoh 2.5.1
Asumsikan bahwa X adalah variabel acak bernilai terbatas diskrit dengan nilai
yang mungkin x 1 , … , x m. FPM adalah
m
M X ( t )=∑ e t x f X ( xi )
i

i=1

yang merupakan fungsi terdiferensiasi dari t, dengan turunan

m
M ' X ( t )=∑ x i et x f X ( x i )
i

i=1

dan, secara umum, untuk setiap bilangan bulat positif r,

m
M (Xr ) ( t )=∑ x ri e r x f X ( xi )
i

i =1

Perhatikan bahwa jika kita mengevaluasi M (Xr ) (t) pada t = O kita memperoleh
m
M (Xr ) ( 0 )=∑ x ri f X ( x i) =E ( X ' )
i=1

momen ke-2 tentang asal. Ini juga menunjukkan kemungkinan ekspansi dalam

E ( Xr)
rangkaian daya tentang t=0 , M x ( t ) =c 0+ c 1 t+ c 2 t 2+ … ,dimana c r = .
r!
Properti ini berlaku untuk variabel acak apa pun yang dimiliki FPM, meskipun
bukti umum agak sulit.

Teorema 2.5.1
Jika FPM dari X ada, maka
E ( X ' ) =M (Xr ) ( 0 )
dan
∞
E ( X ' )t r
M X ( t )=1+ ∑
i=1 r!
Bukti:
Kami akan mempertimbangkan kasus variabel acak kontinu X. FPM untuk
variabel acak kontinu adalah
∞
M X ( t )=∫ etx f X ( x ) dx
−∞

Ketika FPM ada, dapat ditunjukkan bahwa turunan ke-r ada, dan dapat
diperoleh dengan membedakan di bawah tanda integral,
∞
M (Xr ) ( t )= ∫ x r e rx f X ( x ) dx
−∞

dari mana untuk semua r = 1, 2, ....

∞ ∞
E ( X ' ) =∫ x f X ( x ) dx= ∫ x r e 0 x f X ( x ) dx=M (Xr ) ( 0 )
r

−∞ −∞

Ketika FPM ada, juga dapat ditunjukkan bahwa ekspansi rangkaian daya sekitar
nol adalah mungkin, dan dari hasil standar tentang rangkaian daya, koefisien
memiliki bentuk M (Xr ) ( 0 ) /r !. Kami menggabungkan ini dengan hasil di atas
untuk mendapatkan
M (Xr ) ( 0 ) t r
∞ ∞
E ( X ' )t r
M X ( t )=1+ ∑ =1+ ∑
i=1 r! i=1 r!
Kasing diskrit serupa.

Contoh 2.5.2
Pertimbangkan variabel acak berkesinambungan X dengan pdf f ( x )=e−x jika
x >0 dan nol sebaliknya. FPM adalah
∞
M X ( t )=∫ e tx e−x dx
0
 ∞
¿ ∫ e−(1−t ) x dx
0

∞
1 −(1−t ) x
¿
1−t
e
0
|
1
¿ , t<1
1−t
Derivatif ke-r adalah M Xr ( t )=r ! ( 1−t )
( ) −r −1
, dan dengan demikian momen ke r

adalah E ( X ' ) =M (Xr ) ( 0 ) =r !. Ini berarti, μ= E ( X )=1 !=1, dan variansinya adalah

Var ( X )=E ( X 2 )−μ2 =2−1=1.

Contoh 2.5.3
x+1
1
Variabel random diskrit X memiliki pdf f (x)= () 2
'jika x=0 , 1 ,2 , ... , dan nol

sebaliknya. FPM X adalah

∞ x+1
1
M X ( t )=∑ etx
x=0
()
2
∞ x
1 et
M X ( t )= ∑
2 x=0 2 ( )
Kami menggunakan identitas terkenal untuk seri geometris,
1
1+ s+ s2 + s3 +…= −1<s <1
1−s
et
dimana s= . FPM yang dihasilkan adalah
2
1
M X ( t )= t <ln 2
2−e t
−2
Derivatif pertama adalah M ' X ( t )=et ( 2−e t ) , dan dengan demikian
−2
E ( X ) =M ' X ( 0 )=e0 ( 2−e0 ) =1.Dimungkinkan untuk memperoleh turunan yang
lebih tinggi, tetapi kompleksitasnya meningkat dengan urutan turunannya.

SIFAT FUNGSI PEMBANGKIT MOMEN

Teorema 2.5.2
Jika Y =aX +b, maka M Y ( t )=e bt M X ( at )
Bukti:
M Y ( t )=E ( e tY )

¿ E ( e t ( aX+ b) )
¿ E ( e atX e bt )
¿ e bt E ( e atX )
¿ e bt M X ( at )
Salah satu aplikasi yang mungkin adalah dalam menghitung momen ke-rata
tentang mean, E [ ( X −μ ) r ]. Karena M X− μ ( t )=e−μt M X ( t ) ,
r d r −μt
E [ ( X −μ ) ] = [ e M X (t ) ] ¿t =0
d tr
Dapat ditunjukkan bahwa FPM secara unik menentukan distribusi.

Contoh 2.5.4
Misalkan, misalnya, bahwa X dan Y keduanya bernilai integer dengan set nilai
yang mungkin sama mengatakan 0, 1, dan 2 dan bahwa X dan Y memiliki FPM
yang sama,
2 2
M (t )=∑ e tx f X ( x )=∑ e tx f Y ( y )
x=0 x=0

jika kita membiarkan s=et dan c i=f Y ( i )−f X ( i ) untuk i=0 , 1 ,2 , maka kita

memiliki c 0 +c 1 s+ c 2 s2=0 untuk semua s>0. Satu-satunya koefisien yang

mungkin adalah c 0=c1 =c 2=0, yang menyiratkan bahwa f Y ( i )=f X ( i ) untuk

i=0 , 1 ,2 ,dan akibatnya X dan Y memiliki distribusi yang sama.
Dengan kata lain, X dan Y tidak dapat memiliki FPM yang sama tetapi pdf yang
berbeda. Dengan demikian, bentuk FPMmenentukan bentuk pdf.

Teorema 2.5.3 Ketunggalan

Jika X 1 dan X 1 masing-masing memiliki CDF F 1(x ) dan F 2( x ), dan MGF
M 1 (t) dan M 2 (t), maka F 1 ( x )=F 2( x) untuk semua x bilangan real jika dan

hanya jika M 1 ( t )=M 2 (t), untuk semua t dalam beberapa interval h<t <h
h> 0
Untuk variabel acak bernilai integer bernilai negatif, derivasi momen sering
dibuat lebih mudah ditelusuri dengan terlebih dahulu mempertimbangkan jenis
ekspektasi lain yang dikenal sebagai momen faktorial.

Momen Faktorial
Definisi 2.5.2
Momen faktorial X adalah
E [ X ( X −1 ) … ( X −r +1 ) ] (2.5.5)
dan fungsi pembuatan momen faktorial (FMGF) X adalah
G X ( t )=E ( t X ) (2.5.6)
jika harapan ini ada untuk semua t dalam beberapa interval untuk
1−h<t<1+ h.

Teorema 2.5.4
Jika X mempunyai sebuah FMGF, G X ( t ) maka
G ' X ( 1 )=E ( X ) (2.5.7)

G'X' ( 1 )=E [ X ( X −1 ) ] (2.5.8)

G (Xr ) (1 )=E [ X ( X−1 ) … ( X −r +1 ) ] (2.5.9)

Dimungkinkan untuk menghitung momen reguler dari momen faktorial. Sebagai

contoh, perhatikan itu E [ X ( X −1 ) ] =E ( X 2 −X ) =E ( X 2 )−E ( X ), maka

E ( X 2) =E ( X ) + E [ X ( X −1 ) ]
Contoh 2.5.5
Kami mempertimbangkan distribusi terpisah dari Contoh 2.5.3. FMGF dari X
adalah
G X ( t )=M X ( ln t )
1
¿ t< 2
2−t
Perhatikan bahwa derivatif yang lebih tinggi mudah diperoleh untuk FMGF,
yang bukan merupakan kasus untuk MGF. Secara khusus, turunan ke-r adalah
G (Xr ) ( t )=r ! ( 2−t )−r−1

Karena itu, E ( X ) =G ' X ( t )=1 ! ( 2−1 )−2=1, dan

E [ X ( X −1 ) ] =G (Xr ) (1 ) =2! ( 2−1 )−3=2. Mengikuti itu, E ( X 2) =E ( X ) +2=3, dan

demikian, Var ( X )=3−12=2.