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.

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. 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. a<&x<b 0 . untuk x lainnya Fungsi pembangkit momennya Mxt=abetxb-adx=ebt-eatb-at Distribusi Eksponensial X ~ Exp(ϴ) fx=1θe-xθ.

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

Untuk memperkirakan distribusi. 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. 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=0.2. Misalnya MGF dapat digunakan untuk menunjukkan bahwa dengan semakin bertambahnya n. Untuk menentukan distribusi dari suatu fungsi random variable 3. . MXt=0=EX0=1 Mx't=0=EX1 Mx't=0=EX1 Mx''t=0=EX2 . . distribusi Bin(n. p) dapat mendekati distribusi normal. .

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

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

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

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. -∞<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 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!+… . maka Mx(t) akan mempunyai derivative untuk semua order.

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.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-112.3. .2.

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

μ=μ1=λ. 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 .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 .n} dan pxj=e-λλjj! untuk semua j (distribusi Poisson dengan rataan λ). dan didefinisikan oleh Rt=ln⁡[M(t)]. Dalam beberapa hal. akan lebih mudah bekerja dengan menggunakan logaritma dari MGF.3. yang sering disebut Cumulant-Generating Function (CGF). maka gt=j=0∞etje-λλjj!=e-λj=0∞λetjj!=e-λeλet=eλet-1 dimana μ1=g'0=eλet-1λet|t=0=λ. dan σ2=μ2-μ12=λ.…. μ2=g''0=eλet-1λ2e2t+λet|t=0=λ2+λ. R't=M'(t)M(t) R''t=Mt M''t-[M'(t)]2M(t)2 Sebelumnya.2.

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

&y=2436. dapat diketahui Fungsi kepekatan peluang bagi Y(y) adalah sebagai berikut : gy=136. &y=5936. 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=60. &y=31036. &y=41236. sebaran peluang bersamanya dapat dilakukan tanpa merinci sebaran peluang gabungannya. &y lainnya FUNGSI PEMBANGKIT MOMEN DUA ATAU LEBIH PEUBAH ACAK Fungsi Pembangkit Momen Gabungan .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.

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

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

0)∂t12t1=0 =∂2M(0.0)∂t12 Fungsi pembangkit momen marginal dari Y diperoleh dari fungsi pembangkit momen gabungan dengan mensubstitusikan t1 = 0. sehingga: M(0.0)∂t22-∂M(0.0)∂t1t1=0 =∂M(0.t2)∂t2t2=0 =∂M(0.0)∂t12-∂M(0.0)∂t22 Adapun penentuan varians dari Y digunakan rumus sebagai berikut: VarY=σy2=∂2M(0.0)∂t2 EY2=∂2M(0.0)∂t1 EX2=∂2M(t1.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.t2)∂t22t2=0 =∂2M(0.t2)∂t1∂t2t1=t2=0 =∂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)∂t12 Adapun penentuan varians dari X digunakan rumus sebagai berikut: VarX=σx2=∂2M(0.0)∂t1∂t2 .

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

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

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

Dalam hal ini.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. Contoh Misalkan X1. maka MGF itu secara unik menentukan CDF dari X. … . X2. Apakah distribusi dari S=ΣXi ? . 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). Xn merupakan identical independent random variable yang masing-masing berdistribusi Exp(λ). 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.

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

. 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.1). i adalah bilangan imajiner. Fungsi karakteristik dari suatu distribusi peluang diberikan oleh rumus berikut. dan E melambangkan nilai kumulatif. dimana X adalah setiap variabel acak dengan distribusi yang bersangkutan : φXt=EeitX=eitXdFXx=-∞∞fXxeitxdx dimana t adalah bilangan riil. Bentuk φXt=-∞∞fXxeitxdx hanya valid bila fungsi densitas ada. Jika variabel acak X mempunyai pdf ƒX maka fungsi karakteristiknya riil. fungsi karakteristik dari setiap variabel acak benar-benar menggambarkan distribusi peluangnya. 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. karena merupakan komponen transformasi imaginer fouriernya.

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

p(x) dapat dikembalikan dari φXt melalui inversi transformasi fourier. Demikian juga. 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.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. p) Poisson Pois(λ) Characteristic function φ(t) . (Berdasarkan konvensi yang umum. (6 ) Tentu saja. Berikut adalah fungsi karakteristik dari berbagai distribusi peluang. Distribution Degenerate δa Binomial B(n. bahkan ketika variabel acak tidak mempunyai suatu densitas. berikut bentuk alternatif dari tranformasi fourier yang kontinyu).

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

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

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

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

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

…. Pólya’s theorem. φ (0) = 1. Jika φ adalah suatu fungsi kontinyu bernilai riil yang memenuhi syarat-syarat : 1. Sebuah fungsi riil yang genap. dan semua p > 0. Di sini H2n menyatakan Hermite polynomial dengan derajat 2n. φ(∞) = 0. 2. . dan integrable secara absolut φ sama dengan 1 pada titik asal adalah sebuah fungsi karakteristik jika dan hanya jika untuk n = 0. 4. 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.Mathias’ theorem.1.2. 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. kontinyu. 3.

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

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

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

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