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. 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] . 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.

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

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

.2. 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 menentukan distribusi dari suatu fungsi random variable 3. distribusi Bin(n. MXt=0=EX0=1 Mx't=0=EX1 Mx't=0=EX1 Mx''t=0=EX2 . . Misalnya MGF dapat digunakan untuk menunjukkan bahwa dengan semakin bertambahnya n. E[Xr] merupakan turunan ke-r dari MXt=EetX saat t=0. . 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.

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

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

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

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. 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. -∞<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 . Cara lain untuk memperoleh hasil semacam ini adalah melalui ekspansi deret Taylor ey=1+y+y22!+y33!+… .

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.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. . μ2=g''0=1n1+4+9+⋯+n2=n+12n+16 dan μ=μ1=n+12 dan σ2=μ2-μ12=n-112.3.2.

3. .n} dan pxj=qj-1p untuk semua j (distribusi Geometric). dan σ2=μ2-μ12=qp2.…. μ2=g''0=nn-1p2+np. μ2=g''0=pet+pqe2t1-qet3|t=0=1+qp2. Contoh Misalkan X ={1.2. maka gt=j=0netjnjpjqn-j=j=0nnjpetjqn-j=pet+qn perhatikan bahwa μ1=g'0=npet+qn-1pet|t=0=np. maka gt=j=1∞etjqj-1p=pet1-qet dimana μ1=g'0=pet1-qet2|t=0=1p. μ=μ1=1p.3.….Contoh Misalkan X ={1. dan σ2=μ2-μ12=np1-p.2. maka μ=μ1=np.n} dan pxj=njpjqn-j untuk 0≤j≤n (distribusi Binomial).

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

Xn) dan akan dicari g(y1) yang merupakan fungsi kepekatan peluang Y1. 6 dan sebaran peluang Y dengan mudah dilihat dalam tabel sebaran peluang gabungan: X2 F(x1.Xn adalah h (x1. 5.3 0 .xn) untuk Y1 = u (X1. dan X2 = 1.x2. 3 maka nilai Y = 2. 4. X2.x2) 1 X1 1 1/36 2 2/36 3 3/36 . X2.Xn merupakan contoh acak dari suatu sebaran dengan fungsi kepekatan peluang f(x) dan fungsi kepekatan peluang gabungan X1. …. 3.untuk x lainnyya Cari sebaran peluang Y = X1 + X2 Jawab : Untuk X1 =1. 2.untuk x=1. X2.2. 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. 2. …. 3. …. Contoh Ambil peubah acak X1 dan X2 bebas dan mempunyai fungsi masa peluang sama yaitu: fx=16 .Misalkan X1.….

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=41236. &y=31036. 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 . sebaran peluang bersamanya dapat dilakukan tanpa merinci sebaran peluang gabungannya. &y=5936. &y=60. &y=2436.

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

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

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

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

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 . 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. + Xn . Korolari 1 Jika X1. …. … . X2.=Mx1t1 MYn(un) Mx2t2… MxmtmMY1u1MY2u2… Dengan demikian. X2..Xn saling bebas dengan MGF Mx1(t). jika X1 .. Xm adalah peubah acak yang saling bebas dan berdistribusi normal dengan EXi=μi dan . maka Ms(t) = Mx1(t) Mx2(t) ……. …… Mxn(t).

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

yaitu tidak ada dua distribusi berbeda yang memiliki nilai MGF yang sama dalam interval yang memuat 0. maka MGF itu secara unik menentukan CDF dari X. 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. 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. Dalam hal ini. Contoh Misalkan X1. X2. maka mereka juga identik pada semua poin (memiliki densitas/distribusi yang sama). … . untuk semua nilai t : maka untuk semua nilai x.

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

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

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

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

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

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

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

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

Ada berbagai teori yang mencoba menjelaskan hal ini. Ada ketertarikan untuk menemukan kriteria yang simple ketika suatu fungsi yang ditemukan bisa jadi merupakan fungsi karakteristik suatu Random variabel. Khinchine’s criterion. or Cramér’s.Misalkan ada suatu fungsi karakteristik φ. serta Pólya’s theorem. Pendekatan fungsi karakteristik berguna untuk menganalisis kombinasi linier variabel acak yang bebas. diantaranya adalah Bochner’s theorem. kontinyu pada titik asal dan φ(0) = 1. dibanding Lebesgue-Integrable. 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. Teorema Polya menyediakan kondisi konveksitas yang simple dan cukup. 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 . Suatu fungsi sembarang φ: Rn  C adalah fungsi karakteristik dari beberapa random variabel jika dan hanya jika φ adalah nonnegative definite. Bochner’s theorem. diintegralkan ini adalah suatu improper integral. fungsi yang mungkin hanya dapat diintegralkan secara besyarat. Aplikasi penting yang lain yaitu dalam teori dekomposabilitas variabelvariabel acak. Fungsi karakteristik yang memenuhi kondisi ini disebut Pólya-type. Khinchine’s. Mathias’s.

….Mathias’ theorem. 2. φ (0) = 1.1. Jika φ adalah suatu fungsi kontinyu bernilai riil yang memenuhi syarat-syarat : 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. kontinyu. Di sini H2n menyatakan Hermite polynomial dengan derajat 2n. . dan integrable secara absolut φ sama dengan 1 pada titik asal adalah sebuah fungsi karakteristik jika dan hanya jika untuk n = 0. φ(∞) = 0.2. φ merupakan fungsi genap. dan semua p > 0. φ adalah fungsi konvex untuk t> 0 maka φ(t) adalah fungsi karakteristik dari suatu distribusi simetris yang kontinyu secara mutlak. 3. Sebuah fungsi riil yang genap. 4. Pólya’s theorem.

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

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

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

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

Sign up to vote on this title
UsefulNot useful