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.Misalkan Y adalah random variable di mana Y = a + bX. 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] .

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. untuk x lainnya Fungsi pembangkit momennya Mxt=abetxb-adx=ebt-eatb-at Distribusi Eksponensial X ~ Exp(ϴ) fx=1θe-xθ. a<&x<b 0 . 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 .PERHITUNGAN MGF DARI BEBERAPA DISTRIBUSI PELUANG Distribusi Geometri X ~ Geo(p).b) fx=1b-a.

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

. Untuk menentukan distribusi dari suatu fungsi random variable 3. . .2. 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. Misalnya MGF dapat digunakan untuk menunjukkan bahwa dengan semakin bertambahnya n. 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. p) dapat mendekati distribusi normal. E[Xr] merupakan turunan ke-r dari MXt=EetX saat t=0. distribusi Bin(n.

Mx't=0=EX-μ1=EX-μ=EX-μ=0 Momen kedua di sekitar rataan dari suatu distribusi adalah varians. 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. Sebaliknya. 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(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). koefisien kemencengan kurvanya akan bernilai nol.

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

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 .EXr=Γ(r+1)λr X ~ Geo(p). kita harus meghitung E[R]. q = 1-p M(1)t=pet1-qet+pqe2t(1-qet)2.EX=1λ M(2)t=2λλ-t3 . Contoh Hitung rataan dan varian dari A = πR2 Jadi dalam hal ini. E[R2]. serta untuk menghitung koefisien kemencengan dan keruncingan kurva.Momen ini dapat digunakan untuk menghitung rataan dan varian dari random variable yang ditransformasi.EX2=2λ2 M(r)t=Γ(r+1)λλ-tr+1 .EX2=5-6p+2p2p Teorema .EX=1p M(1)t=pet1-qet+3pqe2t(1-qet)2+2pq2e3t(1-qet)3.

Jika Mx(t) dari suatu random variable X adalah terhingga dan ada dalam suatu interval terbuka yang memuat 0. 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!+… . maka Mx(t) akan mempunyai derivative untuk semua order. -∞<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 .

Jika g(t) dedifferentiate sebanyak n kali dan t=0. μ2=g''0=1n1+4+9+⋯+n2=n+12n+16 dan μ=μ1=n+12 dan σ2=μ2-μ12=n-112. akan didapatkan μn: dndtngtt=0=gn0=k=n∞k!μktk-nk-n!k!t=0=μn Contoh Misalkan X ={1.…. .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+12.2.3.

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

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

x2.xn) untuk Y1 = u (X1.Misalkan X1. Contoh Ambil peubah acak X1 dan X2 bebas dan mempunyai fungsi masa peluang sama yaitu: fx=16 . X2. 3. 3. 3 maka nilai Y = 2. 5.…. …. 2.untuk x lainnyya Cari sebaran peluang Y = X1 + X2 Jawab : Untuk X1 =1. ….2. …. 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.untuk x=1. dan X2 = 1.Xn) dan akan dicari g(y1) yang merupakan fungsi kepekatan peluang Y1.x2) 1 X1 1 1/36 2 2/36 3 3/36 . X2. 4. 6 dan sebaran peluang Y dengan mudah dilihat dalam tabel sebaran peluang gabungan: X2 F(x1.3 0 .Xn adalah h (x1. 2. X2.Xn merupakan contoh acak dari suatu sebaran dengan fungsi kepekatan peluang f(x) dan fungsi kepekatan peluang gabungan X1.

&y=31036. &y=60.2 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. &y=5936. dapat diketahui Fungsi kepekatan peluang bagi Y(y) adalah sebagai berikut : gy=136. &y lainnya FUNGSI PEMBANGKIT MOMEN DUA ATAU LEBIH PEUBAH ACAK Fungsi Pembangkit Momen Gabungan . &y=41236. sebaran peluang bersamanya dapat dilakukan tanpa merinci sebaran peluang gabungannya. &y=2436. 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.

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

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

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

y. Bukti: Untuk dua vektor acak.Teorema Suatu himpunan terhingga vektor acak.yn Mx. yang mempunyai pembangkit momen bersama. selengkapnya dapat diselesaikan dengan induksi. dikatakan saling bebas.yt1…tm.…. Misalkan vektor acak x=x1.xm y=y1.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.x2.….

+ Xn .. Xm adalah peubah acak yang saling bebas dan berdistribusi normal dengan EXi=μi dan . X2. X2 …. … . ….=Mx1t1 MYn(un) Mx2t2… MxmtmMY1u1MY2u2… Dengan demikian. serta jika S = X1 + X2+ …. X2. Mxn(t) Fungsi pembangkit momen jumlah peubah acak yang saling bebas yang banyaknya sama dengan hasil kali fungsi pembangkit momen masing-masing. Korolari 1 Jika X1. 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 . maka Ms(t) = Mx1(t) Mx2(t) ……. jika X1 ..Xn saling bebas dengan MGF Mx1(t). …… Mxn(t).

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

yaitu tidak ada dua distribusi berbeda yang memiliki nilai MGF yang sama dalam interval yang memuat 0. maka mereka juga identik pada semua poin (memiliki densitas/distribusi yang sama). Apakah distribusi dari S=ΣXi ? .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. X2. Teorema [Uniqueness theorem] Jika MGF dari X ada untuk t dalam sebuah interval terbuka yang memuat 0. untuk semua nilai t : maka untuk semua nilai x. Xn merupakan identical independent random variable yang masing-masing berdistribusi Exp(λ). maka MGF itu secara unik menentukan CDF dari X. Contoh Misalkan X1. Dalam hal ini. … .

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

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

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. Namun. Notasi fungsi karakteristik digeneralisasikan untuk variabel acak multivariat dan random elements yang lebih kompleks. maka untuk tЄRkxp φXt=Eeitrt'X • Jika X adalah variabel acak kompleks. φXt=Eei∫RtsXsds Di sini (') menyatakan transpose matriks. tr(·) – operator trace matriks. z menandakan konjugasi kompleks dan (*) adalah konjugasi transpose (z*= z').Fungsi ini bernilai riil karena berhubungan dengan sebuah random variable yangsimetris di sekitar titik asal. . maka untuk tЄRk φXt=Eeit'X • Jika X adalah suatu matriks acak berdimensi k. Pada umumya beberapa definisi dinotasikan sepertiabawah ini: • Jika X adalah suatu vektor acak berdimensi k. umumnya fungsi karakteristik dapat bernilai kompleks. maka untuk tЄCk φXt=EeiRet*X • Jika X(s) adalah suatu proses stokastik. Re adalah bagian nyata dari suatu bilangan kompleks.

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

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

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

PENGGUNAAN FUNGSI KARAKTERISTIK Fungsi karakteristik selalu ada ketika diperlakukan sebagai fungsi suatu argumen bernilai riil. saat X adalah suatu random variabel vektor.jika X adalah skalar. saat X adalah sebuah random variabel scalar. Ada hubungan antara sifat-sifat fungsi karakteristik suatu distribusi dan sifat-sifat distribusi. Fungsi karakteristik memberikan suatu cara alternatif untuk menggambarkan suatu variabel acak. tidak seperti fungsi pembangkit momen. dan μXa<x<b=12πlimT→∞-T+Te-ita-e-itbitφXtdt jika X adalah variabel vektor acak. Teorema. dan . Sebagaimana halnya . artinya adalah suatu titik diskontinuitas dari FX) maka . jika x adalah titik kontinuitas dari FX maka : Formula inversion untuk distribusi multivariate tersedia. Teorema (Gil-Pelaez). Jika a adalah sebuah atom dari X (dalam kasus univariate. seperti keberadaan momen dan keberadaan suatu fungsi densitas. Untuk suatu random variabel univariat 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. Maksudnya. masing-masing dari variable acak tersebut adalah transformasi fourier dari yang lainnya. namun keduanya memberikan pengertian yang berbeda untuk memahami jenis variabel acak kita. dua distribusi peluang tidak akan pernah memiliki fungsi karakteristik yang sama. bahkan ketika pdf atau mgf tidak Suatu fungsi karakteristik ada untuk sembarang variabel acak. fungsi karakteristik (φXx=EeitX ) juga sepenuhnya menentukan perilaku distribusi peluang variabel acak X.fungsi distribusi kumulatif (FXx=E1X≤x) yang dengan distribusi sifat-sifat sepenuhnya dengan menentukan perilaku dan sifat-sifat dan peluang variabel acak X. Jika suatu variabel acak merupakan suatu fungsi kepadatan (densitas) maka fungsi karakteristik merupakan dualitasnya. pada kasus khusus. Dua pendekatan tersebut sama dalam artian pengetahuan mengenai salah satu fungsi dapat selalu digunakan untuk menemukan fungsi yang lain. X2 : Dengan kata lain. Bagaimanapun. untuk sembarang 2 random variabel X1. Lebih dari itu. Dalam hal ini. Bagaimanapun fungsi karakteristik suatu distribusi selalu ada. akan ada perbedaan apakah fungsi ini dapat diwakili sebagai ekspresi yang menyertakan fungsi standard sederhana. . ada suatu bijeksi antara fungsi karakteristik dan fungsi peluang kumulatif.

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

kontinyu. 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. Di sini H2n menyatakan Hermite polynomial dengan derajat 2n. Sebuah fungsi riil yang genap. 2. Jika φ adalah suatu fungsi kontinyu bernilai riil yang memenuhi syarat-syarat : 1. φ adalah fungsi konvex untuk t> 0 maka φ(t) adalah fungsi karakteristik dari suatu distribusi simetris yang kontinyu secara mutlak. dan integrable secara absolut φ sama dengan 1 pada titik asal adalah sebuah fungsi karakteristik jika dan hanya jika untuk n = 0. .Mathias’ theorem. 4.…. dan semua p > 0. φ merupakan fungsi genap. 3. φ(∞) = 0. φ (0) = 1.2. Pólya’s theorem.1.

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

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

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

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

Sign up to vote on this title
UsefulNot useful