P. 1
Mgf Dan Fs. Karakteristik

Mgf Dan Fs. Karakteristik

|Views: 2,264|Likes:

More info:

Published by: Dewi Agita Pradaningtyas on Dec 14, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

05/29/2013

pdf

text

original

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

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

a<&x<b 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.PERHITUNGAN MGF DARI BEBERAPA DISTRIBUSI PELUANG Distribusi Geometri X ~ Geo(p). 0<&x<∞ 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 .b) fx=1b-a.

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

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. E[Xr] merupakan turunan ke-r dari MXt=EetX saat t=0. 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. p) dapat mendekati distribusi normal. MXt=0=EX0=1 Mx't=0=EX1 Mx't=0=EX1 Mx''t=0=EX2 . distribusi Bin(n. .2. Untuk memperkirakan distribusi. Untuk menentukan distribusi dari suatu fungsi random variable 3. .

. 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. 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(r)t=0=EXr Momen pertama di sekitar titik asal dari suatu distribusi adalah rata-ratanya. Mx''t=0=EX-μ2=σ2 Momen ketiga di sekitar rataan digunakan menunjukkan kemencengan suatu distribusi dan digunakan sebagai suatu ukuran keasimetrisan. Mx't=0=EX-μ1=EX-μ=EX-μ=0 Momen kedua di sekitar rataan dari suatu distribusi adalah varians.

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

q = 1-p M(1)t=pet1-qet+pqe2t(1-qet)2.EX=1p M(1)t=pet1-qet+3pqe2t(1-qet)2+2pq2e3t(1-qet)3. Contoh Hitung rataan dan varian dari A = πR2 Jadi dalam hal ini. E[R2]. serta untuk menghitung koefisien kemencengan dan keruncingan kurva.EX2=5-6p+2p2p Teorema .EX=1λ M(2)t=2λλ-t3 .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 . 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].

-∞<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. 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.Jika Mx(t) dari suatu random variable X adalah terhingga dan ada dalam suatu interval terbuka yang memuat 0. Cara lain untuk memperoleh hasil semacam ini adalah melalui ekspansi deret Taylor ey=1+y+y22!+y33!+… .

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+12.2. μ2=g''0=1n1+4+9+⋯+n2=n+12n+16 dan μ=μ1=n+12 dan σ2=μ2-μ12=n-112.….Jika g(t) dedifferentiate sebanyak n kali dan t=0. akan didapatkan μn: dndtngtt=0=gn0=k=n∞k!μktk-nk-n!k!t=0=μn Contoh Misalkan X ={1.

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

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

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

&y=41236. &y=60. sebaran peluang bersamanya dapat dilakukan tanpa merinci sebaran peluang gabungannya. &y=31036. &y=5936.2 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=2436. &y lainnya FUNGSI PEMBANGKIT MOMEN DUA ATAU LEBIH PEUBAH ACAK Fungsi Pembangkit Momen Gabungan . 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. dapat diketahui Fungsi kepekatan peluang bagi Y(y) adalah sebagai berikut : gy=136.

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

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

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

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

X2. Korolari 1 Jika X1. X2. … .=Mx1t1 MYn(un) Mx2t2… MxmtmMY1u1MY2u2… Dengan demikian. …… Mxn(t). Mxn(t) Fungsi pembangkit momen jumlah peubah acak yang saling bebas yang banyaknya sama dengan hasil kali fungsi pembangkit momen masing-masing. …. maka Ms(t) = Mx1(t) Mx2(t) ……..Xn saling bebas dengan MGF Mx1(t). Xm adalah peubah acak yang saling bebas dan berdistribusi normal dengan EXi=μi dan . serta jika S = X1 + X2+ …. X2 …. + Xn . 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x berdistribusi normal dengan mean = µ dan variansi = σ2n. Mxt1.varXi=σi2. tm=exp(i=1mtiμi+12i=1mti2σi2) Jumlah terhingga peubah acak yang saling bebas dan berdistribusi normal adalah juga berdistribusi normal.…. 2. Xm sampel (contoh) acak dari populasi dan varians σ 2 berdistribusi normal dengan rata-rata µ .m pembangkit momen dari maka fungsi x=x1.xm adalah: … . Dengan mengingat MGF S . i=1.x2. … . Bukti Akan dihitung MGF dari adalah: x= Sn. Korolari 3 S'=X1+X2+…+Xm Mst=i=1mMxit=eti=1mμi+12t2i=1 mσi2 Misalkan X1 .…. X2. 3.

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

λ) Pendekatan ini juga memberikan pembuktian yang mudah bahwa jumlah dari independent normal variable adalah normal juga. Sebagaimana pembahasan sebelumnya kita ketahui bahwa MGF Gamma(α. .MSt=i=1nλλ-t=λλ-tn Perhatikan bahwa MGF di atas bukan MGF exponensial.σi2). Jadi. maka MXit=i=1neμit+12σi2t2=exp⁡ti=1nμii+t22i=1nσi2 di mana MGF di atas adalah MGF dari distribusi N(Σμi. MGF dari jumlah RV di atas tidak berdistribusi exponensial.σ2) adalah: Mt=eμ1t+12σ12t2 Sehingga jika XiiidN(μi. …. MGF dari random variable normal N(µ.Σσi2). n.λ) adalah Dengan demikian S= ΣXi ~ Gamma(n. i = 1.2.

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

φXt=Eei∫RtsXsds Di sini (') menyatakan transpose matriks. umumnya fungsi karakteristik dapat bernilai kompleks. maka untuk tЄRkxp φXt=Eeitrt'X • Jika X adalah variabel acak kompleks. . Re adalah bagian nyata dari suatu bilangan kompleks.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. tr(·) – operator trace matriks. maka untuk semua fungsi t(s) seperti integral ∫Rt(s)X(s) ds konvergen untuk hampir semua bentuk X. z menandakan konjugasi kompleks dan (*) adalah konjugasi transpose (z*= z'). Namun. 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. maka untuk tЄC φXt=EeiRetX • Jika X adalah vektor acak kompleks. Pada umumya beberapa definisi dinotasikan sepertiabawah ini: • Jika X adalah suatu vektor acak berdimensi k.

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

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

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

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

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

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

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

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

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

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

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->