Kita melihat bahwa varians dari distribusi eksponensial berhubungan langsung dengan

parameter λ . Gambar 2.3.1 menunjukkan beberapa distribusi eksponensial yang sesuai

dengan nilai λ yang berbeda. Perhatikan bagaimana distribusi lebih terkonsentrasi pada
meannya untuk nilai λ yang lebih kecil. dari varians eksponensial, sebagai fungsi dari λ,
adalah kasus khusus dari perilaku varians yang diringkas dalam teorema berikut.

Teorema 2.3.4 Jika X adalah variabel acak dengan varians terbatas, maka untuk sembarang
konstanta a dan b,
2
var ( aX +b ) =a var x
Bukti dari defenisi kita miliki berikut
var ( aX +b ) = E ((aX, + b) - E( aX +b ¿) ¿2
= E (aX - aE X ¿ ¿2
= a 2E(X- E X ¿ ¿2
= a 2 var X
Terkadang lebih mudah menggunakan rumus alternatif untuk varians, yang diberikan oleh

(2.3.1) Var X = E X 2 - (E X ¿ ¿2
Mengubah sebuah bentuk dengan menilai,

Var X=E ( X−EX )2=E [ X 2−2 XEX + ( EX )2 ] ¿ E X 2−2 ( EX )2 + ( EX )2¿ E X 2− ( EX )2 ,

Dimana kita menggunakan fakta bahwa E ( XEX )=( EX ) ( EX )=( EX)2, karena ( EX ) adalah konstan.
Sekarang kita menggambarkan perhitungan beberapa momen dengan distribusi diskrit.

Contoh 2.3.5 (Varians Binomial ) Dengan X binomial (n , p ¿yaitu

P ( X=x ) = ( nx) p (1− p)

x n−x
, x =0 ,1 , … , n .

Sebelumnya kita mengetahui bahwa ( EX )=np . Untuk menghitung Var X , pertama-tama kita
menghitung E X 2 .

Sehingga kita mempunyai

n
(2.3.2)
x=0 x ()
E X 2 =∑ x 2 n p x (1−p)n −x

Dalam urutuan menjumlahkan rangkaian, kita harus melakuakan manipulasi koefisesn binomial pada
cara yang sama untuk itu gunakan pada EX (Contoh 2.2.3) Kita tulis sebagai berikut

(2.3.3) x
2
(nx)=x ( x−1)n! (!n−x ) ! =xn( n−1
x −1)

Jumlah pada (2.3.2) berdasrakan x=0 adalah 0 dan menggunakan (2.3.3) kita memilki
 n n−1

x=1
( )
x−1 y=0 y ( )
E X 2 =n ∑ x n−1 p x ( 1− p ) ¿ n ∑ ( y +1 ) n−1 p y ( 1− p )
n−x n−1− y (dengan

n−1 n

y=0 y ( )
y=x −1) ¿ np ∑ ( y +1 ) n−1 p y ( 1−p )
n−1− y
+ np ∑ x
x=1
n−1 x
x−1
p ( 1−p )
n−x
( )
Sekang, dengan mudah kita melihat bawha awal penjulahan sama dengan (n−1) p (sehingga artinya
binomial ( ( n−1 ) , p ) , dimana penjumlahan yang kedua sama denga 1, oleh karena itu
2 2
(2.3.4) E X =n ( n−1 ) p +np
Dengan menggunakan (2.3.1), kita memilki
2 2 2
Var X=n ( n−1 ) p +np−( np ) =−n p + np=np ( 1−p )
Perhitungan dari hasil kejadian yang tertinggi adalah dengan cara menganalogikan, tetapi biasanya
manipulasi matematika menjadi cukup terlibat. Pada aplikasi, momen orde 3 atau 4 kadang-kadang
menarik, tetapi biasanya alasan sedikit statistika untuk memeriksa momen tertinggi daripada ini.

Sekarang kita memperkenalkan sebuah fungsi tersebut terkait dengan distribusi peluang, the
moment generating function (mgf ), sesuai Namanya, mgf dapat digunakan untuk membangkitkan
momen. Pada preaktiknya, hal tersebut lebih muda pada kasus untuk menghitung momen secara
langsung dariapada menggunakan (mgf ), Bagaimanapun, kegunaan utama (mgf ) adalah bukan
untuk membangkitkan momen, tetapi untuk membantu menggamabrkan sebuah distribusi. Tetapi
hal ini dapat membantu menghasilhkan hasil yang sangat kuat apabila digunakan dengan benar.

Defenisi 2.3.6 Dengan X adalah variable acak dengan cdf F X . Fungsi pembangkit momen (mgf)
pada X ( ¿ F X ) ,dinotasikan oleh M X ( t )adalah
tX
M X ( t )=E e
Dengan ketentuan bahwa ekpektasi yang ada untuk t pada beberapa persekitaran 0. Yaitu terdapat
h> 0 sehingga, untuk semua t pada −h< t<h , EetX ada. Jika ekepktasi tidak ada pada persekitaran
0, kita menganggap bahwa fungsi pembangkit momen juga tidak ada.

Secara lebih eksplisit, kita dapat menulis mgf dari X sebagai berikut
∞
M X ( t )=∫ e fx ( x ) dx
tx
Jika X adalah kontinu
−∞

Or

M X ( t )=∑ e P(X =x)

tx
Jika X adalah diskrit
x

Hal ini sangat mudah dilihat bagaimana mgf mgf mebangkitkan momen. Kita menjumlahkan hasilnya
pada teorema berikut

Teorema 2.3.7 Jika X mempunyai mgf M X ( t ) , kemudian

n (n )
E X =M X ( 0 ) ,
Di mana kita mendefinisikan
 |
n
(n ) d
M X ( 0 )= n
M X (t )
dt t =0

Yaitu, momen ke n sama dengan turunan ke n pada M X ( t )penaksir pada t=0

Bukti: Dengan asumsi bahwa kita menurunkan dibawah tanda integral (lihat bagian berikut), kita
memilki

( )
∞ ∞ tx ∞
d d d
M X ( t ) = ∫ e fx ( x ) dx¿ ∫ e fx ( x ) dx¿ ∫ ( xe ) fx ( x ) dx ¿ EX etX
tx tx
dt dt ∞ ∞ dt ∞

Dengan mekian

d
|
M (t ) = EX etX|t=0=EX
dt X t =0
Melanjutkan dengan cara menganalogikan, kita menetukan bahwa

|
n
d
M X (t ) = E X e |t =0=E X
n tX n
n
dt t =0

Contoh 2.3.8 (mgf Gamma) Pada Contoh 2.1.6 kita menemukan sebuah kasus spesial dari pdf
gamma,

1 α −1 −x / β
f ( x )= α
x e ,0 < x< ∞ ,α >0 , β> 0 ,
Ӷ(α) β
Dimana Ӷ (α) dinotasikan sebagai fungsi gamma, beberapa rumus yang di berikan pada bagian 3.3.
mgf yaitu sebagai berikut

− ( −t ) x
∞ −x ∞ 1
1 1
α∫ α∫
α−1 β α −1 β
M X ( t )= x e dx ¿ x e dx
Ӷ (α) β 0 Ӷ (α) β 0
−x / (
Ӷ −βt )
∞ β
1
α∫
α −1
¿ x e dx
Ӷ (α) β 0
Kita sekarang mengetahu integral pada (2.3.6) sebagai kernel dari pdf gamma yang lain. (Fungsi
kernel adalah bagian utama fungsi, bagian yang tersisa Ketika konstanta diabaikan). Menggunakan
fakta tersebut, untuk setiap konstanta positif a dan b,

1 α −1 −x / β
f ( x )= α
x e
Ӷ(α) β
Adalah pdf, kita memilki bahwa
∞ −x

∫x α −1
e β
dx=1
0

Dan karenanya
∞ −x
(2.3.6) ∫ x α −1 e β dx=¿ Ӷ (α ) β ¿
α

0
Aplikasikan (2.3.6) ke (2.3.5), kita memiliki

( ) ( ) Jika t< 1β
α α
1 β 1
M X ( t )= α
Ӷ (α ) =
Ӷ (α) β 1−βt 1−βt

Jika t ≥ 1/ β , kemudian banyaknya ( 1β )−t , pada integral (2.3.5), adalah tidak positif dan integral
pada (2.3.6) adalah tak hingga. Sehingga , mgf dari distribusi gamma ada hanya jika t <1/ β . (Pada
bagian 3.3 kita akan menyelidiki fungsi gamma lebih detail)

Rataan dari distribusi gamma yaitu sebagi berikut

EX=
d
dt
MX (t) =
t=0
| αβ
( 1−βt )α+1 | t=0
=αβ

Pada kejadian yang lain dapat di hitung dengan cara yang sama.

Contoh 2.3.9 (mgf Binomial) Untuk ilustrasi kedua dari perhitungan fungsi pembangkit momen, kita
mempertimbangkan distribusi diskrit, distribusi binomial. Distribusi Binomial dengan parameter (n,p)
pmf yaitu pada (2.1.3). Sehingga
n n

()
M X ( t )=∑ etx n p x ( 1− p ) =∑ n ( p et ) ( 1− p ) ()
n− x x n− x

x=0 x x x
Rumus Binomial (Lihat teorema 3.2.2) yaitu
n
(2.3.7) ∑ (nx ) u x v n−x =( u+ v )n
x

Sehingga, dengan u=p et dan v=1− p, kita memiliki

n
M X ( t )=[ p e t +(1− p) ]

Disebutkan sebelumnya, kegunaan utama dari fungsi pembangkit momen adalah bukan untuk
menghasilkan momen. Lebih tepatnya, kegunaanya sesuai dengan faktanya, pada banyak kasus
fungsi pembangkit momen dapat menggambarkan sebuah distribusi. Bagaimanapun, beberapa
kesulitan teknis yang terkait dengan penggunaan momen untuk menggambarkan sebuah distribusi,
yang mana kita akan menyelidikinya.

Jika terdapat mgf, hal tesebut menggambarkan sekumpulan momen tak hingga. Pertanyaan dasar
yaitu apakah menggambarkan sekumpulan momen tak hingga secara unik menetukan sebuah fungsi
distribusi. Jawaban dari pertanyaan tersebut , sayangnya adalah tidak. Menggambarkan sekumpulan
momen, tidaklah cukup untuk menentukan sebuah distribusi yang unik, karena terdapat dua
kemungkinan yang berbeda pada variable acak yang memilki momen yang sama.

Contoh 2.3.10 (Momen Nonunique) mempertimbangkan 2 pdf sebagai berikut

2
− ( logx )
1
f 1 ( x )= e 2
, 0 ≤ x< ∞ f 2 ( x )=f 1 ( x ) [ 1+sin ( 2 πlogx ) ] , 0 ≤ x < ∞
√ 2 πx
(Pdf dari f 1adalah kasus spesial dari sebuah lognormal pdf )
Hal ini dapat diperlihatkan bahwa jika X f 1 ( x ) kemudian
2

E X r1=er / 2 , r =0 ,1 , … ,