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