FUNGSI PEMBANGKIT MOMEN DAN FUNGSI KARAKTERISTIK

Disusun untuk memenuhi Tugas Akhir Semester Genap pada mata kuliah Statistik Matematik II Tingkat 2A Oleh : Dewi Agita P. (08. 5602) Dinny Pravitasari Erma Ziamah Fathoni

SEKOLAH TINGGI ILMU STATISTIK 2009/2010

FUNGSI PEMBANGKIT MOMEN
DEFINISI MGF Fungsi Pembangkit Momen atau Moment generating function (MGF) dari sebuah RV X dapat didefinisikan sebagai:
Mxt=EetX untuk t dalam R

di mana T = {t ∈ R : MX (t) < ∞}. Jika X memiliki distribusi diskrit, dengan densitas f, maka
Mxt=x∈Setxf(x)

Jika X memiliki distribusi kontinu, dengan densitas f, maka
Mxt=Setxf(x) dx

Definisi MGF tergantung pada distribusi dan pilihan nilai t. Misalnya, Mx(t) didefinisikan untuk semua t jika X normal, tidak didefinisikan untuk t mana pun jika X adalah Cauchy dan didefinisikan untuk t < 1θ jika X ~ Exp(θ). Dengan menggunakan deret Taylor sendiri, turunan ke r dari Mx(t) terhadap peubah t dapat dituliskan sebagai:
Mxt=1+μ+μ21t22!+…+μr1t2r!+… d1Mx(t)dt1t=0=μr1 drMx(t)dtr=xxretxfx bila x diskret-∞∞xretxf(x) dx bila x kontinu

Teorema

Jika Mx(t) adalah fungsi pembangkit momen peubah acak X dan a dan b (b ≠ 0) adalah konstanta maka: MYt=eatMXbt Bukti MYt=EetY=Eeat+btX=eatEe(bt)X=eatMXbt Dengan sedikit manipulasi aljabar dari hasil perhitungan di atas. dapat kita simpulkan bahwa: • • • Mx + a (t) = eat Mx (t) Max (t) = Mx (at) M(x + a) / b (t) = eat/b Mx (t/b) Hasil ini dapat pula digunakan untuk membuktikan Ea+bX=a+bE[X] karena MY(1)t=aeatMXbt+beatMX(1)bt MY(1)0=aMX0+bMX(1)0= a+bE[X] .Misalkan Y adalah random variable di mana Y = a + bX.

a<&x<b 0 .PERHITUNGAN MGF DARI BEBERAPA DISTRIBUSI PELUANG Distribusi Geometri X ~ Geo(p). untuk x lainnya Fungsi Pembangkit Momennya MXt=0∞etx1θe-xθdx=0∞θe-1θ-txdx=-θ1θ-te-1θ-tx0∞=11-θt Perhatikan bahwa integral ini hanya terdefinisi saat t < 1θ EKSISTENSI MGF . untuk x lainnya Fungsi pembangkit momennya Mxt=abetxb-adx=ebt-eatb-at Distribusi Eksponensial X ~ Exp(ϴ) fx=1θe-xθ.b) fx=1b-a. 0<&x<∞ 0 . q = 1-p Mxt=x=1∞etxpqx-1=petx=1∞et (x-1)qx-1=pet1-qet Distribusi Poisson X ~ Poi(λ) Mxt=x=1∞etxe-λλxx!=e-λx=1∞(etλ)xx!=eλ(et-1) Distribusi Uniform X ~ U(a.

Kasus semacam ini terjadi. . yang tidak memiliki momen. Hal ini terjadi. dari distribusi lognormal. Suatu distribusi mungkin saja memiliki semua momen. Hal ini dapat menunjukkan bahwa jika moment ke-n suatu distribusi tidak ada.Tidak momen. semua momen distribusi dapat dihitung dari MGF ini. MENGAPA KITA MENGGUNAKAN MGF? 1.1). pada distribusi tn Student yang tidak memiliki momen di luar momen ke (n . Kita akan melihat bahwa properti yang paling penting dari MGF adalah bahwa. Untuk menghitung momen-momen. Jadi. Secara khusus. 2. jika n = 1. maka tidak ada momen dengan orde yang lebih besar dari n. ia pasti tidak memiliki sebuah MGF. misalnya. Ada probabilitas momen: semua dua tidak distribusi alasan mungkin memiliki mengapa memiliki fungsi sebuah fungsi pembangkit distribusi pembangkit 1. semua momen distribusi mungkin tidak ada. Pertama. dan namun tidak memiliki fungsi pembangkit momen karena ekspresi mendefinisikan MGF akan mengarah pada suatu kuantitas yang jumlahnya tak berhingga. jika suatu distribusi tidak memiliki semua momen. Akan lebih mudah menghitung momen menggunakan MGF daripada dengan langsung menghitung E[Xr]. distribusi t berubah menjadi distribusi Cauchy. misalnya.

distribusi Bin(n.2. Untuk menentukan distribusi dari suatu fungsi random variable 3. E[Xr] merupakan turunan ke-r dari MXt=EetX saat t=0. Misalnya MGF dapat digunakan untuk menunjukkan bahwa dengan semakin bertambahnya n. . p) dapat mendekati distribusi normal. Untuk X diskrit dengan f peluang f(x) : EXr=X1rfX1+X2rfX2+…+XnrfXn =i=1nXirfXi Untuk X kontinu dengan f kepekatan f (x) : EXr=-∞∞XrfXdx Dalam hal ini. Untuk memperkirakan distribusi. MXt=0=EX0=1 Mx't=0=EX1 Mx't=0=EX1 Mx''t=0=EX2 . . DEFINISI MOMEN Momen Pusat ke-R di Sekitar Titik Asal Momen ke-r di sekitar titik asal dari sebuah random variable X dapat didefinisikan sebagai E[Xr] asalkan nilai ekspektasi itu ada. .

Sebaliknya. Mx't=0=EX-μ1=EX-μ=EX-μ=0 Momen kedua di sekitar rataan dari suatu distribusi adalah varians. koefisien kemencengan kurvanya akan bernilai nol. Mx't=0=EX1=EX=μ Momen Pusat ke R di Sekitar Rataan Momen ke-r di sekitar rataan dari sebuah random variable X dapat didefinisikan sebagai : μr=E[(X-μ)r] Momen pertama jarang dibicarakan karena nilainya akan selalu nol. Mx''t=0=EX-μ2=σ2 Momen ketiga di sekitar rataan digunakan menunjukkan kemencengan suatu distribusi dan digunakan sebagai suatu ukuran keasimetrisan. .Mx(r)t=0=EXr Momen pertama di sekitar titik asal dari suatu distribusi adalah rata-ratanya. Mx(3)t=0=EX-μ3 α3=EX-μ3σ3=μ3σ3 α3 = koefisien kemencengan kurva (skewness) Jika suatu distribusi simetris di sekitar rataannyafμ-x=f(μ+x).

Bin(n.p)(1.koefisien kemencengan kurva tidak bernilai nol. Beta(a. maka momen ke-s dari random variable itu pasti ada untuk semua nilai s < r. Contoh distribusi yang simetris adalah distribusi normal. p =0. . maka distribusi yang bersangkutan asimetris.5). Kurtosis untuk distribusi normal adalah3σ4. Contoh distribusi yang asimetris antara lain : Distribution Bin(n. p) Pois(λ) Exp(λ) Skewness np(1. Mx(4)t=0=EX-μ4 α4=EX-μ4σ4=μ4σ4 α4 = koefisien kurtosis Teorema Jika momen ke-r dari suatu variable acak ada. distribusi yang asimetris dapat memiliki koefisien kemencengan kurva = 0. Namun demikian. a).2p) λ 2/ λ Momen keempat di sekitar rataan digunakan menunjukkan keruncingan (kurtosis) suatu distribusi.

EX2=5-6p+2p2p Teorema .Momen ini dapat digunakan untuk menghitung rataan dan varian dari random variable yang ditransformasi.EXr=Γ(r+1)λr X ~ Geo(p).EX=1λ M(2)t=2λλ-t3 .EX2=2λ2 M(r)t=Γ(r+1)λλ-tr+1 . Contoh Hitung rataan dan varian dari A = πR2 Jadi dalam hal ini. serta untuk menghitung koefisien kemencengan dan keruncingan kurva. q = 1-p M(1)t=pet1-qet+pqe2t(1-qet)2. kita harus meghitung E[R]. E[R2].EX=1p M(1)t=pet1-qet+3pqe2t(1-qet)2+2pq2e3t(1-qet)3. dan E[R4] MENGHITUNG MOMEN MENGGUNAKAN MGF Momen pusat ke-r dari suatu random variable di sekitar titik asal dapat diperoleh dengan menghitung turunan ke-r dari MGF MXt=EetX saat t=0 Contoh X ~ Exp(λ) M(1)t=λλ-t2 .

MXrt=E[XretX] MXr0=E[Xr] Bukti MX1t=ddt-∞∞etxfXxdx =-∞∞ddtetxfXxdx =-∞∞xetxfXxdx =E[XretX] MX(2)t=ddtMX1t =-∞∞xddtetxfXxdx =-∞∞x2etxfXxdx =E[X2etX] dan seterusnya dapat dibuktikan dengan induksi. Cara lain untuk memperoleh hasil semacam ini adalah melalui ekspansi deret Taylor ey=1+y+y22!+y33!+… . -∞<y<∞ yang memberikan : MXt=E 1+Xt+X2t22!+X3t33!+… =1+EXt+EX2t22!+EX3t33!+… MENENTUKAN NILAI TENGAH DAN RAGAM MELALUI MGF Misalkan ada random variable X dengan MGF g(t) sebagai berikut : gt=EetX=k=0∞μktkk!=Ek=0∞Xktkk!=j=0∞etxjpxj . maka Mx(t) akan mempunyai derivative untuk semua order.Jika Mx(t) dari suatu random variable X adalah terhingga dan ada dalam suatu interval terbuka yang memuat 0.

2. .Jika g(t) dedifferentiate sebanyak n kali dan t=0.3.….n} dan pxj=1n untuk 1≤j≤n (distribusi uniform) maka gt=j=1n1netj=1net+e2t+⋯+ent=etent-1net-1 Jika menggunakan rumus di atas akan terlihat seperti berikut: μ1=g'0=1n1+2+3+⋯+n=n+12. akan didapatkan μn: dndtngtt=0=gn0=k=n∞k!μktk-nk-n!k!t=0=μn Contoh Misalkan X ={1. μ2=g''0=1n1+4+9+⋯+n2=n+12n+16 dan μ=μ1=n+12 dan σ2=μ2-μ12=n-112.

maka μ=μ1=np. μ2=g''0=nn-1p2+np.3. dan σ2=μ2-μ12=np1-p.2.3.…. dan σ2=μ2-μ12=qp2. Contoh Misalkan X ={1.…. maka gt=j=0netjnjpjqn-j=j=0nnjpetjqn-j=pet+qn perhatikan bahwa μ1=g'0=npet+qn-1pet|t=0=np.n} dan pxj=njpjqn-j untuk 0≤j≤n (distribusi Binomial).2.Contoh Misalkan X ={1. μ2=g''0=pet+pqe2t1-qet3|t=0=1+qp2. . maka gt=j=1∞etjqj-1p=pet1-qet dimana μ1=g'0=pet1-qet2|t=0=1p.n} dan pxj=qj-1p untuk semua j (distribusi Geometric). μ=μ1=1p.

yang sering disebut Cumulant-Generating Function (CGF).Contoh Misalkan X ={1. R't=M'(t)M(t) R''t=Mt M''t-[M'(t)]2M(t)2 Sebelumnya.…. akan lebih mudah bekerja dengan menggunakan logaritma dari MGF.3. Dalam beberapa hal. maka gt=j=0∞etje-λλjj!=e-λj=0∞λetjj!=e-λeλet=eλet-1 dimana μ1=g'0=eλet-1λet|t=0=λ. dan didefinisikan oleh Rt=ln⁡[M(t)]. telah diketahui bahwa : Mt=0=EX0=1 M't=0=EX1=EX=μ Sehingga saat t=0 R't=M'(t)M(t)=E[X]1=μ R''t=Mt M''t-[M'(t)]2M(t)2=1 .n} dan pxj=e-λλjj! untuk semua j (distribusi Poisson dengan rataan λ). EX2-[E(X)]212=EX2-[E(X)]2=σ2 TRANFORMASI PEUBAH ACAK DENGAN FUNGSI PEMBANGKIT MOMEN Fungsi Pembangkit Momen Fungsi Peubah Acak . μ2=g''0=eλet-1λ2e2t+λet|t=0=λ2+λ. dan σ2=μ2-μ12=λ. μ=μ1=λ.2.

untuk x lainnyya Cari sebaran peluang Y = X1 + X2 Jawab : Untuk X1 =1. X2.xn) untuk Y1 = u (X1. …. 3. 2.Xn) dan akan dicari g(y1) yang merupakan fungsi kepekatan peluang Y1. dan X2 = 1.x2) 1 X1 1 1/36 2 2/36 3 3/36 . X2. …. …. X2.…. 3. Bila fungsi pembangkit momen bagi Y1 ada maka untuk peubah acak kontinu dapat ditulis : MYt=Eety1=-∞∞ety1g(y1)dy1 Dan jika fungsi pembangkit momen bagi Y1 terlihat merupakan fungsi pembangkit momen tertentu maka dengan sendirinya fungsi kepekatan peluang bagi Y1 dapat ditentukan.2. 6 dan sebaran peluang Y dengan mudah dilihat dalam tabel sebaran peluang gabungan: X2 F(x1. Contoh Ambil peubah acak X1 dan X2 bebas dan mempunyai fungsi masa peluang sama yaitu: fx=16 .untuk x=1. 3 maka nilai Y = 2.Xn adalah h (x1. 5.Misalkan X1.3 0 . 4.x2. 2.Xn merupakan contoh acak dari suatu sebaran dengan fungsi kepekatan peluang f(x) dan fungsi kepekatan peluang gabungan X1.

&y=60. &y=41236.2 3 2/36 3/36 4/36 6/36 6/36 9/36 Sehingga sebaran peluang Y = X1 + X2 adalah: Y G(y) 2 1/36 3 4/36 4 10/36 5 12/36 6 9/36 Dengan menggunakan fungsi pembangkit momen. Misalkan Fungsi pembangkit momen Y = My(t) MYt=EetY=Eet(X1+X2)=E[etX1etX2] =EetX1EetX2=MX1tMX2t EetX1=EetX2=16et+26e2t+36e3t MYt=16et+26e2t+36e3t2 =136e2t+436e3t+1036e4t+1236e5t+936e6t Dari hasil di atas. &y lainnya FUNGSI PEMBANGKIT MOMEN DUA ATAU LEBIH PEUBAH ACAK Fungsi Pembangkit Momen Gabungan . &y=31036. dapat diketahui Fungsi kepekatan peluang bagi Y(y) adalah sebagai berikut : gy=136. &y=2436. sebaran peluang bersamanya dapat dilakukan tanpa merinci sebaran peluang gabungannya. &y=5936.

baik diskrit maupun kontinu. fungsi pembangkit momen gabungan dapat digunakan untuk memperoleh momen-momen. maka fungsi pembangkit momen gabungan dari X dan Y (dinotasikan dengan M(t1. Dalam hal ini.t2=E(et1x1+t2x2) Ex1rx2s=∂(r+s)∂t1r∂t2s(Mx1x2t1. -h2 < t2 < h2 .Fungsi pembangkit momen gabungan atau Joint MGF dapat didefinisikan sebagai fungsi pembangkit momen yang diperoleh berdasarkan fungsi peluang gabungan atau fungsi densitas gabungan dari dua peubah acak. baik untuk satu peubah acak maupun dua peubah acak.t2=-∞∞∞∞et1x1+t2x2f1x1f2x2dx2dx 1 . h2 > 0. Jika X dan Y adalah dua peubah acak. h1 > 0 .t2)) didefinisikan sebagai: Mx1x2t1. Untuk peubah acak X1 dan X2 yang bebas satu sama lain.t 2)t1=t2=0 untuk -h1 < t1 < h1 . maka: Mx1x2t1.

0) = M(t1) = E[exp(t1X)] .y) Fungsi Pembangkit Momen Gabungan Kontinu Jika X dan Y adalah peubah acak kontinu dengan f(x.y).-∞∞ Jika X dan Y adalah peubah acak diskrit dengan p(x.Ys. sehingga: M(t1.=-∞∞et1x1f1x1dx1 et2x2f2x2dx2 =Mx1t1Mx2t2 Fungsi Pembangkit Momen Gabungan Diskrit .t=Sexpsx+tyfx.y) adalah nilai fungsi densitas gabungan dari X dan Y di (x.Ys.y). Fungsi pembangkit momen marginal dari X diperoleh dari fungsi pembangkit momen gabungan dengan mensubstitusikan t2 = 0.ydxdy Berdasarkan fungsi pembangkit momen gabungan dari X dan Y. maka fungsi pembangkit momengabungan dari X dan Y didefinisikan sebagai : MX.t=(x.y)∈Sexpsx+tyf(x. maka fungsi pembangkit momen gabungan dari X dan Y didefinisikan sebagai: MX. kita dapat menentukan fungsi pembangkit momen masingmasing dari X dan Y yang dinamakan fungsi pembangkit momen marginal dari X dan fungsi pembangkit momen marginal dari Y.y) adalah nilai fungsi peluang gabungan dari X dan Y di (x.

0)∂t12 Fungsi pembangkit momen marginal dari Y diperoleh dari fungsi pembangkit momen gabungan dengan mensubstitusikan t1 = 0.t2)∂t1∂t2t1=t2=0 =∂2M(0.0)∂t22 Adapun nilai E(XY) ditentukan dengan rumus sebagai berikut: EXY=∂2M(t1.0)∂t1∂t2 .0)∂t22 Adapun penentuan varians dari Y digunakan rumus sebagai berikut: VarY=σy2=∂2M(0.0)∂t1t1=0 =∂M(0.0)∂t12t1=0 =∂2M(0.0)∂t22-∂M(0. sehingga: M(0.0)∂t2 EY2=∂2M(0.0)∂t12 Adapun penentuan varians dari X digunakan rumus sebagai berikut: VarX=σx2=∂2M(0.t2)∂t2t2=0 =∂M(0.Penentuan momen-momen dari peubah acak X berdasarkan fungsi pembangkit momennya digunakan rumus sebagai berikut: μx=EX=∂M(t1.0)∂t12-∂M(0.t2) = M(t2) = E[exp(t2Y)] Penentuan momen-momen dari peubah acak Y berdasarkan fungsi pembangkit momennya digunakan rumus sebagai berikut: μy=EY=∂M(0.t2)∂t22t2=0 =∂2M(0.0)∂t1 EX2=∂2M(t1.

dikatakan saling bebas.x2.u1…un=E(et1X1+… +tmXm+u1Y1+…+unYn) =Eet1X1 …EeunYn ] Eet2X2 … EetmXm[Eeu1Y1 Eeu2Y2 .…. jika dan hanya jika fungsi pembangkit momen bersama itu dapat dinyatakan sebagai hasil kali masing-masing fungsi pembangkit momen.…. Misalkan vektor acak x=x1. selengkapnya dapat diselesaikan dengan induksi.y.xm y=y1.Teorema Suatu himpunan terhingga vektor acak. yang mempunyai pembangkit momen bersama.yt1…tm. Bukti: Untuk dua vektor acak.yn Mx.

Xn hasil pengamatan contoh acak dengan fungsi pembangkit momen M(t) maka a) Fungsi pembangkit momen Y=i=1nXi adalah MY(t)=i=1nMt=Mtn b) Fungsi pembangkit momen X=i=1n1nXi adalah MX(t)=i=1nMtn=Mtnn Korolari 2 Misalkan X1 . ….Xn saling bebas dengan MGF Mx1(t). …… Mxn(t). X2. X2. jika X1 . serta jika S = X1 + X2+ …. Korolari 1 Jika X1.. Mxn(t) Fungsi pembangkit momen jumlah peubah acak yang saling bebas yang banyaknya sama dengan hasil kali fungsi pembangkit momen masing-masing. X2 …. … .=Mx1t1 MYn(un) Mx2t2… MxmtmMY1u1MY2u2… Dengan demikian. Xm adalah peubah acak yang saling bebas dan berdistribusi normal dengan EXi=μi dan . maka Ms(t) = Mx1(t) Mx2(t) ……. + Xn ..

… . Dengan mengingat MGF S . Korolari 3 S'=X1+X2+…+Xm Mst=i=1mMxit=eti=1mμi+12t2i=1 mσi2 Misalkan X1 . i=1.varXi=σi2.m pembangkit momen dari maka fungsi x=x1. 3. Bukti Akan dihitung MGF dari adalah: x= Sn. Mxt1. X2.…. tm=exp(i=1mtiμi+12i=1mti2σi2) Jumlah terhingga peubah acak yang saling bebas dan berdistribusi normal adalah juga berdistribusi normal. makax berdistribusi normal dengan mean = µ dan variansi = σ2n.….x2. 2. Xm sampel (contoh) acak dari populasi dan varians σ 2 berdistribusi normal dengan rata-rata µ .xm adalah: … .

Dalam hal ini. Apakah distribusi dari S=ΣXi ? . X2. untuk semua nilai t : maka untuk semua nilai x. Contoh Misalkan X1. maka MGF itu secara unik menentukan CDF dari X. Teorema [Uniqueness theorem] Jika MGF dari X ada untuk t dalam sebuah interval terbuka yang memuat 0. … . yaitu tidak ada dua distribusi berbeda yang memiliki nilai MGF yang sama dalam interval yang memuat 0. Xn merupakan identical independent random variable yang masing-masing berdistribusi Exp(λ).Mst=exp ti=1mμi+12t2i=1mσi2 =exp t n μ+ 12t2n σ2 dan Msnt=Mstn=exp t μ+t22σn2 Sifat-sifat yang paling penting dari MGF adalah bahwa jika dua distribusi peluang memiliki MGF yang sama. maka mereka juga identik pada semua poin (memiliki densitas/distribusi yang sama).

maka MXit=i=1neμit+12σi2t2=exp⁡ti=1nμii+t22i=1nσi2 di mana MGF di atas adalah MGF dari distribusi N(Σμi. n. MGF dari jumlah RV di atas tidak berdistribusi exponensial. Jadi.λ) Pendekatan ini juga memberikan pembuktian yang mudah bahwa jumlah dari independent normal variable adalah normal juga.λ) adalah Dengan demikian S= ΣXi ~ Gamma(n.2.MSt=i=1nλλ-t=λλ-tn Perhatikan bahwa MGF di atas bukan MGF exponensial. Sebagaimana pembahasan sebelumnya kita ketahui bahwa MGF Gamma(α. …. MGF dari random variable normal N(µ.σ2) adalah: Mt=eμ1t+12σ12t2 Sehingga jika XiiidN(μi.Σσi2).σi2). . i = 1.

Fungsi karakteristik dari suatu distribusi peluang diberikan oleh rumus berikut.1). dan E melambangkan nilai kumulatif. karena merupakan komponen transformasi imaginer fouriernya. Bentuk φXt=eitXdFXxmerupakan ekspektasi. i adalah bilangan imajiner. fungsi karakteristik dari setiap variabel acak benar-benar menggambarkan distribusi peluangnya. yang Fungsi karakteristik dari sebuah PDF yang simetris (p(x)=p(-x)) adalah diperoleh dari x>0 menghapus bagian di mana x<0. . F(x) adalah fungsi suatu distribusi Riemann-Stieltjes integral dan selalu valid tanpa memperhatikan apakah fungsi densitas ada.FUNGSI KARAKTERISTIK DEFINISI Dalam teori peluang. Contoh Fungsi karakteristik dari random variable distribusi Uniform U(– 1. Bentuk φXt=-∞∞fXxeitxdx hanya valid bila fungsi densitas ada. dimana X adalah setiap variabel acak dengan distribusi yang bersangkutan : φXt=EeitX=eitXdFXx=-∞∞fXxeitxdx dimana t adalah bilangan riil. Jika variabel acak X mempunyai pdf ƒX maka fungsi karakteristiknya riil.

tr(·) – operator trace matriks. umumnya fungsi karakteristik dapat bernilai kompleks. maka untuk tЄC φXt=EeiRetX • Jika X adalah vektor acak kompleks. . maka untuk semua fungsi t(s) seperti integral ∫Rt(s)X(s) ds konvergen untuk hampir semua bentuk X. maka untuk tЄCk φXt=EeiRet*X • Jika X(s) adalah suatu proses stokastik. Notasi fungsi karakteristik digeneralisasikan untuk variabel acak multivariat dan random elements yang lebih kompleks. Pada umumya beberapa definisi dinotasikan sepertiabawah ini: • Jika X adalah suatu vektor acak berdimensi k. Re adalah bagian nyata dari suatu bilangan kompleks. maka untuk tЄRk φXt=Eeit'X • Jika X adalah suatu matriks acak berdimensi k. maka untuk tЄRkxp φXt=Eeitrt'X • Jika X adalah variabel acak kompleks. φXt=Eei∫RtsXsds Di sini (') menyatakan transpose matriks.Fungsi ini bernilai riil karena berhubungan dengan sebuah random variable yangsimetris di sekitar titik asal. z menandakan konjugasi kompleks dan (*) adalah konjugasi transpose (z*= z'). Namun.

berikut bentuk alternatif dari tranformasi fourier yang kontinyu). p) Poisson Pois(λ) Characteristic function φ(t) . bahkan ketika variabel acak tidak mempunyai suatu densitas. fungsi karakteristik dapat terlihat sebagai transformasi fourier yang merupakan ukuran yang berhubungan dengan variabel acak. Demikian juga. (6 ) Tentu saja. Distribution Degenerate δa Binomial B(n. φXt=eitX=-∞∞eitXpxdx=-∞∞e-itXpxdx=Pt Di mana P(t) melambangkan transformasi fourier yang kontinyu dari pdf p(x). (Berdasarkan konvensi yang umum. Berikut adalah fungsi karakteristik dari berbagai distribusi peluang. p(x) dapat dikembalikan dari φXt melalui inversi transformasi fourier.FUNGSI KARAKTERISTIK DAN DERET FOURIER Fungsi karakteristik berhubungan erat dengan transformasi fourier : fungsi karakteristik suatu pdf p(x) merupakan hubungan yang kompleks dari transformasi fourier kontinyu dari p(x). Fungsi karakteristik suatu distribusi dengan fungsi densitas f adalah sebanding dengan kebalikan tranformasi fourier dari f.

urutan yang bersesuaian terhadap fungsi karakteristik {φj(t)} juga akan konvergen. b) Normal N(μ. dan batas φ(t) akan menyesuaikan dengan fungsi karakteristik hukum F. Σ) KONTINUITAS Bijeksi menyatakan antara distribusi peluang dan fungsi karakteristik adalah kontinyu. Sehingga kapan saja suatu urutan fungsi distribusi {Fj(x)} konvergen (dengan lemah) ke beberapa distribusi F(x). θ) Gamma Γ(k. θ) Exponential Exp(λ) Multivariate normal N(μ.Uniform U(a. σ2) Chi-square χ2k Cauchy Cauchy(μ. Suatu urutan {Xj} dari n-variate variabel acak konvergen ke distribusi variabel acak X jika dan hanya jika urutan {φXj} konvergen ke suatu fungsi φ yang berKontinuitas pada titik asal maka φ adalah fungsi karakteristik . ini dinyatakan sebagai : Teorema Kontinuitas Levy. Secara lebih formal. b) Laplace L(μ.

Jika φX adalah fungsi karakteristik dari fungsi distribusi FX. selalu memungkinkan untuk menemukan salah satu dari fungsi-fungsi ini jika kita mengetahui yang lain. Pada kasus multivariate. pdf tersebut dipahami sebagai turunan dari distribusi μX berkaitan dengan ukuran Lebesgue λ: Teorema (Levy). X memiliki pdf sebagai berikut: saat X adalah skalar. maka: FXb-FXa=12πlimT→∞-T+Te-ita-e-itbitφXtdt . Rumusan dalam definisi fungsi karakteristik memungkinkan kita untuk menghitung φ ketika kita mengetahui fungsi distribusi F ( atau densitas f). Jika fungsi karakteristik φX dapat diintegralkan. FORMULA INVERSI Karena ada suatu korespondensi satu-satu antara cdf dan fungsi karakteristik. Teorema ini sering digunakan untuk membuktikan hukum bilangan-bilangan besar. dua titik adalah a<b sedemikian hingga { x| a< x< b} dari μX (dalam kasus suatu himpunan kontinuitas univariate. maka FX pasti kontinyu dan oleh karena itu. jika kita mengetahui fungsi karakteristik φ dan ingin menemukan fungsi distribusi yang bersesuaian maka salah satu dari Teorema inversi dapat digunakan: Teorema.X. kondisi ini setara dengan kontinuitas FX pada titik a dan b). dan Teorema limit sentral. Dengan kata lain.

Sebagaimana halnya . dan . Untuk suatu random variabel univariat X. Jika a adalah sebuah atom dari X (dalam kasus univariate. Teorema. tidak seperti fungsi pembangkit momen. Fungsi karakteristik memberikan suatu cara alternatif untuk menggambarkan suatu variabel acak. Ada hubungan antara sifat-sifat fungsi karakteristik suatu distribusi dan sifat-sifat distribusi. PENGGUNAAN FUNGSI KARAKTERISTIK Fungsi karakteristik selalu ada ketika diperlakukan sebagai fungsi suatu argumen bernilai riil. dan μXa<x<b=12πlimT→∞-T+Te-ita-e-itbitφXtdt jika X adalah variabel vektor acak. seperti keberadaan momen dan keberadaan suatu fungsi densitas. artinya adalah suatu titik diskontinuitas dari FX) maka . saat X adalah sebuah random variabel scalar. jika x adalah titik kontinuitas dari FX maka : Formula inversion untuk distribusi multivariate tersedia. Teorema (Gil-Pelaez).jika X adalah skalar. saat X adalah suatu random variabel vektor.

namun keduanya memberikan pengertian yang berbeda untuk memahami jenis variabel acak kita. untuk sembarang 2 random variabel X1. dua distribusi peluang tidak akan pernah memiliki fungsi karakteristik yang sama. ada suatu bijeksi antara fungsi karakteristik dan fungsi peluang kumulatif. Dalam hal ini. Maksudnya. Dua pendekatan tersebut sama dalam artian pengetahuan mengenai salah satu fungsi dapat selalu digunakan untuk menemukan fungsi yang lain. Bagaimanapun. Lebih dari itu. pada kasus khusus. X2 : Dengan kata lain. akan ada perbedaan apakah fungsi ini dapat diwakili sebagai ekspresi yang menyertakan fungsi standard sederhana. Bagaimanapun fungsi karakteristik suatu distribusi selalu ada. masing-masing dari variable acak tersebut adalah transformasi fourier dari yang lainnya. bahkan ketika pdf atau mgf tidak Suatu fungsi karakteristik ada untuk sembarang variabel acak. Jika suatu variabel acak merupakan suatu fungsi kepadatan (densitas) maka fungsi karakteristik merupakan dualitasnya. .fungsi distribusi kumulatif (FXx=E1X≤x) yang dengan distribusi sifat-sifat sepenuhnya dengan menentukan perilaku dan sifat-sifat dan peluang variabel acak X. fungsi karakteristik (φXx=EeitX ) juga sepenuhnya menentukan perilaku distribusi peluang variabel acak X. Jika suatu variabel acak mempunyai suatu fungsi pembangkit momen maka fungsi karakteristik dapat diperluas menjadi daerah yang kompleks sehingga φx-it=MXt Catatan : ada.

diintegralkan ini adalah suatu improper integral. fungsi yang mungkin hanya dapat diintegralkan secara besyarat. serta Pólya’s theorem. yaitu integral di mana nilai mutlaknya mungkin tak hingga. dibanding Lebesgue-Integrable.Misalkan ada suatu fungsi karakteristik φ. Teorema Polya menyediakan kondisi konveksitas yang simple dan cukup. Ada berbagai teori yang mencoba menjelaskan hal ini. Bochner’s theorem. Ada ketertarikan untuk menemukan kriteria yang simple ketika suatu fungsi yang ditemukan bisa jadi merupakan fungsi karakteristik suatu Random variabel. Khinchine’s. Pendekatan fungsi karakteristik berguna untuk menganalisis kombinasi linier variabel acak yang bebas. Suatu fungsi bernilai kompleks yang kontinyu secara absolut φ sama dengan 1 pada titik asal adalah sebuah fungsi karakteristik jika dan hanya jika fungsi tersebut dapat mewakili . or Cramér’s. Fungsi karakteristik yang memenuhi kondisi ini disebut Pólya-type. kontinyu pada titik asal dan φ(0) = 1. diantaranya adalah Bochner’s theorem. adalah mungkin untuk merekonstruksi fungsi distribusi peluang kumulatif F yang bersesuaian : FXy-FXx=limτ→+∞12π-τ+τe-itx-e-ityitφXtdt Umumnya. Mathias’s. Suatu fungsi sembarang φ: Rn  C adalah fungsi karakteristik dari beberapa random variabel jika dan hanya jika φ adalah nonnegative definite. Aplikasi penting yang lain yaitu dalam teori dekomposabilitas variabelvariabel acak. Khinchine’s criterion.

Teorema Polya dapat digunakan untuk membangun suatu contoh dari dua variabel acak yang memiliki fungsi karakteristik bersamaan dalam suatu interval terhingga tetapi berbeda di luar interval tersebut. φ (0) = 1. dan integrable secara absolut φ sama dengan 1 pada titik asal adalah sebuah fungsi karakteristik jika dan hanya jika untuk n = 0. .…. Sebuah fungsi riil yang genap. 2.2. Pólya’s theorem.Mathias’ theorem. kontinyu. φ(∞) = 0. Jika φ adalah suatu fungsi kontinyu bernilai riil yang memenuhi syarat-syarat : 1. 4. φ merupakan fungsi genap. 3. dan semua p > 0.1. φ adalah fungsi konvex untuk t> 0 maka φ(t) adalah fungsi karakteristik dari suatu distribusi simetris yang kontinyu secara mutlak. Di sini H2n menyatakan Hermite polynomial dengan derajat 2n.

Sebagai contoh. dan φ(αt) juga merupakan fungsi karakteristik... SIFAT-SIFAT FUNGSI KARAKTERISTIK • • • Suatu kombinasi linier yang konvex nanφn(t) (dengan an≥0 . Fungsi karakteristik yang sangat berguna untuk menangani kasus fungsi variabel acak yang independen. tuliskan definisi fungsi karakteristik: φX+Yt=EeitX+Y=EeitXeitY=EeitXEeitY=φXtφYt . φX+Yt=φXtφYt Untuk melihatnya. |φ|2. Manipulasi aljabar utama yang terlibat dalam membuat perhitungan dengan fungsi karakteristik adalah mengenali fungsi sebagai fungsi karakteristik dari suatu distribusi tertentu.. X2. Xn adalah barisan variabel acak yang independent ( tidak harus terdistribusi secara identik).Akibat teorema kontinuitas di atas. • Jika φ adalah suatu fungsi karakteristik and α adalah suatu bilangan riil. maka φ. nan=1 ) dari sejumlah fungsi karakteristik yang berhingga atau dapat dihitung juga merupakan fungsi karakteristik Hasil perkalian dari sejumlah fungsi karakteristik nφn(t) juga merupakan fungsi karakteristik. jika X1. . fungsi karakteristik seringkali digunakan untuk membuktikan Teorema limit sentral (CLT). Re[φ]. maka fungsi karakteristik untuk Sn diberikan oleh : φSnt=φX1a1tφX2a2t…φXnant Secara khusus. dan Sn=i=1naiXi dimana ai adalah tetap. Hal yang sama berlaku pula untuk suatu hasil perkalian tak terhingga yang konvergen ke sebuah fungsi yang kontinyu pada titik asal.

MOMEN-MOMEN Fungsi ada.θ dengan X dan Y independen satu . φXt=φXtnn . Jadi. Dalam hal ini.Amati bahwa independensi dari variabel X dan Y diperlukan untuk menetapkan persamaan ekspresi keempat dan ketiga. Fungsi ini tidak terdiferensiasi di t=0. distribusi Cauchy Hal ini tidak menunjukkan bahwa memiliki ekspektasi. menggunakan hasil dari bagian sebelumnya. Kasus khusus lain yang menarik adalah ketika ai = 1 / n dan Sn adalah rata-rata sampel. fungsi karakteristik karakteristik dapat digunakan untuk menemukan momen dari suatu variabel acak. rata-rata sampel memiliki distribusi yang sama dengan populasinya sendiri.θ and Y~Γk2. Asalkan nth momen dapat diturunkan (differensialkan) sebanyak n kali dan EXn=i-nφXn0=i-ndndtnφXtt=0. X memiliki Distribusi Cauchy standar maka φXt=e-t. dan kita ingin tahu apakah distribusi dari X+Y. Sebagai contoh. Ini adalah fungsi karakteristik dari distribusi Cauchy standard. parameter bentuk k yang memiliki fungsi karakteristik sama lain. Lihat juga bahwa fungsi karakteristik ratarata sampel X dari n pengamatan independen memiliki fungsi karakteristik φXt=e-tnn=e-t. Contoh Suatu distribusi gamma dengan parameter skala θ dan 1-θit-k. penulisan X untuk ratarata. Fungsi karakteristik dari X dan Y masing-masing adalah : φXt=1θit-k1 dan φYt=1-θit-k2 yang dengan independensi dan sifat dasar fungsi karakteristik menyebabkan : Misalkan X~Γk1.

http://su.org/wiki/Fungsi_karakteristik (diakses tanggal 30 Juni 2010) “Characteristic Function (Probability Theory)”. dan kita mendapatkan : ∀i∈ 1. Harvard University. http://en.θ . Summer 2006 (diakses tanggal 30 Juni 2010) “Materi Pokok 18.academic. http://en. acak diperluas untuk variable-variabel berdistribusi gamma yang independen dengan parameter skala yang sama. Statistics 110.org/wiki/Characteristic_function_(proba bility_theory) Irwin. FUNGSI PEMBANGKIT MOMEN PEUBAH ACAK KONTINU KHUSUS” (diakses tanggal 30 Juni 2010) “Materi Pokok 23.n DAFTAR PUSTAKA “Chapter 10.wikipedia. Generating Functions” (diakses tanggal 30 Juni 2010) “Characteristic Function”. Mark E.nsf/enwiki/1524436 (diakses tanggal 30 Juni 2010) “Characteristic Function (Probability Theory)”.ru/dic. Ini adalah fungsi karakteristik dari distribusi gamma parameter skala θ dan parameter bentuk k1 + k2. “Moment Generating Function”.φX+Yt=φXtφYt= 1-θit-k11-θit-k2=1-θit-k1+k2.θ ⇒ i=1nXi~Γi=1nki.θ. ⋯ : Xi~Γki.wikipedia. Dengan Hasilnya demikian dapat kita dapat menyimpulkan n X+Y~Γk1+k2. MOMEN DAN FUNGSI PEMBANGKIT MOMEN FUNGSI PEMBANGKIT MOMEN DUA PEUBAH ACAK” . TRANFORMASI PEUBAH ACAK DENGAN FUNGSI PAMBANGKIT MOMEN” ” (diakses tanggal 30 Juni 2010) “Materi Pokok 10.

ed. (diakses tanggal 30 Juni 2010) “Moment Generating Function”.wikipedia. http://www.fmi.org/wiki/Moment-generating_function (diakses tanggal 30 Juni 2010) “Moment Generating Function”.ac. Ecole Polytechnique Federale De Laussanne.uk/rbf/CVonline/LOCAL_COPIES /SHUTLER3/node2. http://en.inf.html (diakses tanggal 30 Juni 2010) “STK 203 TEORI STATISTIKA I” (diakses tanggal 30 Juni 2010) “The Moment Generating Function”.bg/vesta/virtual_labs/expect/expect5. http://mathworld.html (diakses tanggal 30 Juni 2010) .htm (diakses tanggal 30 Juni 2010) “Moment Generating Function”.“Moment Generating Function”.aiaccess.wolfram.html (diakses tanggal 30 Juni 2010) “Moment-Generating Function”. http://homepages.com/MomentGeneratingFunction.unisofia. http://www.net/English/Glossaries/GlosMod/e_gm _momgen.

Sign up to vote on this title
UsefulNot useful