APLIKASI NILAI HARAPAN

(MOMENT, MGF & PGF)

 MOMENT
Definisi:
moment ke-r thd origin dari random variable X:
r

x f ( x) bila X diskret
r ' E ( X )
r x


r
x f ( x)dx bila X kontinu

Dan moment ke-r terhadap rata-rata adalah:

( x ) f ( x)
r
bila X diskret
r x



( x ) r f ( x)dx bila X kontinu
 MOMENT
Atau r E[ X ) r

Sehingga 0 1
1 E[ X E( X )] E( X ) E( X ) 0
2 E[( X ) 2 ] 2
 MOMENT
Hubungan r dan 'r
r ' jr '
r r 1 ... (1) r j j ... (1) r 0' r
'
r
1 j
Mengingat bahwa '1 dan '0 1 maka
2
'
2
2

3 3' 3 2' 2 3
4 4 6 3
'
4
'
3
'
2
2 4
MOMENT GENERATING FUNCTION (MGF)
Untuk beberapa distribusi, kadang cukup sulit
mendapatkan nilai ekspektasi dan moment
secara langsung.
Sehingga diperlukan fungsi pembangkit (generating
function)
Yang akan dibahas:
1. Moment Generating Function (MGF)
2. Probability Generating Function (PGF) / Factorial
Moment Generating Function (FMGF)
MOMENT GENERATING FUNCTION (MGF)
Definisi:
Jika X adalah random variable, maka
f ( x) bila X diskret
e tx

M X (t ) E (e )
tX x

f ( x)dx bila X kontinu

tx
e

disebut Moment Generating Function (MGF) dari X jika nilai

harapannya ada untuk setiap nilai t dalam interval h<t<h,
dan h>0 atau konvergen.
MOMENT GENERATING FUNCTION (MGF)
Contoh:
Diasumsikan X adalah random variable diskret
dengan nilai x1 ,..., xm. Maka
M X (t ) i 1 e f ( xi )
m txi
MGF
M (t ) i 1 xi e f ( xi )
' m txi
X

M (t ) i 1 x e f ( xi )
r m r txi
X i

Jika t=0 maka

M (0) i 1 xir f ( xi ) E ( X r )
r m
X
MOMENT GENERATING FUNCTION (MGF)
Teorema 1.
Misalkan X suatu peubah acak dengan MGF M X (t )
maka: d k M X (t )
k
'
k
dt t 0
Teorema 2:
Misalkan X dan Y adalah dua peubah acak dengan
MGF masing masing M X (t ) dan M Y (t )
Bila M X (t ) MY (t ) untuk setiap nilai t, maka X
dan Y mempunyai distribusi peluang yang sama.
MOMENT GENERATING FUNCTION (MGF)
Teorema 3: M X a (t ) e M X (t )
at

Teorema 4: M aX (t ) M X (at )
Teorema 5: M aX b (t ) e bt
M X (at )
Teorema 6:
Bila X 1 , X 2 ,....., X n peubah acak bebas dengan MGF
masing-masing M X (t ), M X (t ),...., M X (t )
1 2 n

dan Y X 1 X 2 ..... X n maka

M Y (t ) M X 1 (t ).M X 2 (t ).....M X n (t )
MOMENT GENERATING FUNCTION (MGF)
Teorema 7:
Jika MGF dari X ada (exist) maka
E ( X r ) M Xr (0) untuk semua r=1,2,...
Dan

E ( X r )t r
M X (t ) 1
r 1 r!
MOMENT GENERATING FUNCTION (MGF)
Contoh 1.
Diketahui random variable X dengan pdf
x
f ( x) e , untuk x 0

1
M X (t ) e e dx
tx x
,t 1
0
1 t
E( X ) M ' X (t 0) 1
E( X ) M
2 2
X (t 0) 2
 PROBABILITY GENERATING FUNCTION
(PGF)
Definisi:
Anggaplah X adalah random variabel diskret dengan
pdf f(x) dan space R. Jika
(t ) E (t X ) t x f ( x)
xR

Exist dan finite untuk nilai t dalam interval yang

mencakup t=0 dan t=1. Fungsi (t ) disebut
probability generating function (PGF) dari X
 PROBABILITY GENERATING FUNCTION
(PGF)
Contoh:
Diketahui X random variabel distribusi geometri
dengan pdf
f ( x) (1 p) x 1 p, x 1,2,3,...
Dimana 0<p<1. Maka
x 1

(t ) t x (1 p) x 1 p pt (1 p)t
x 1 x 1

pt
dengan syarat 1 (1 p)t 1
1 (1 p)t
 PROBABILITY GENERATING FUNCTION
(PGF)
Yaitu jika 1 1
t
((1 p) (1 p)

(t ) exist dan bahwa interval dari t memuat t=0 dan

t=1 karena 0<p<1.
 PROBABILITY GENERATING FUNCTION
(PGF)
Untuk mempertegas kegunaan PGF, digunakan
contoh kasus polinomial binomial
n x
f ( x) p (1 p) n x , x 1,2,3,...n
x
(t ) f (0) f (1)t f (2)t 2 ... f (n)t n
' (t ) f (1) 2 f (2)t 3 f (3)t ... nf (n)t
2 n 1

Untuk t=0, diperoleh ' (0) f (1) P( X 1)

" (t ) 2 f (2) (3)(2) f (3)t ... (n)(n 1) f (n)t n2
Untuk t=0, diperoleh " (0) 2 f (2) 2 P( X 2)
 PROBABILITY GENERATING FUNCTION
(PGF)
Dengan kata lain:
" (0) " ' (0)
P( X 2) P( X 3)
2! 3!
Secara umum:
r (0)
P( X r ) , r 0,1,2,..., n
r!
n
n n
n
(t ) t p (1 p) ( pt ) x (1 p) n x
x x n x

x 0 x x 0 x

[(1 p) pt ]n , t
' (t ) n[(1 p) pt ]n1 ( p)
" (t ) (n)( n 1)[(1 p) pt ]n2 ( p 2 )
 PROBABILITY GENERATING FUNCTION
(PGF)
Untuk t=0, maka
(0) (1 p) n P( X 0)
' (0) n(1 p) n1 p P( X 1)
" (0) n(n 1)(1 p) n2 p 2 2! P( X 2)

Untuk t=1 maka

(1) [(1 p) p]n 1
' (1) n[(1 p) p]n1 p np
" (1) n(n 1)[(1 p) p]n2 p 2 n(n 1) p 2
 PROBABILITY GENERATING FUNCTION
(PGF)
Sehingga ' (1) E ( X ) dan " (2) E[ X ( X 1)]
Jika kita menukar order dari turunan dengan penjumlahan
maka diperoleh:
' (t ) xt x 1 f ( x)
xR
" (t ) x( x 1)t x 2 f ( x)
xR

r (t ) x( x 1)...( x r 1)t x r f ( x)
xR
r (1) x( x 1)...( x r 1) f ( x)
xR

E[ X ( X 1)...( X r 1)] E[( X )r ]

 PROBABILITY GENERATING FUNCTION
(PGF)
E[ X ( X 1)...( X r 1)] E[( X )r ] sering disebut
faktorial moment. Sehingga probability generating
function sering disebut factorial moment generating
function.
Kita catat bahwa:
' (1) E ( X )
" (1) ' (1) [ ' (1)]2 E[ X ( X 1)] E ( X ) [ E ( X )]2
E ( X 2 ) [ E ( X )]2 2
 PROBABILITY GENERATING FUNCTION
(PGF)
Jadi
Faktorial Moment ke-r dari X adalah
E[ X ( X 1)...( X r 1)]
Faktorial Moment Generating Moment (FMGF) dari X adalah
GX (t ) E (t )
X

Jika nilai harapan/ekspektasinya ada untuk semua t dalam

interval 1-h<t<1+h
Hubungan MGF dan FMGF:
GX (t ) E (t X ) E (e X lnt ) M X (ln t )
 PROBABILITY GENERATING FUNCTION
(PGF)
Teorema:
Jika X mempunyai sebuah FMGF, GX (t ) maka
G X' (1) E ( X )
G X" (1) E[ X ( X 1)]
G Xr (1) E[ X ( X 1)...( X r 1)]