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

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

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

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

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

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

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

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!+… .

μ2=g''0=1n1+4+9+⋯+n2=n+12n+16 dan μ=μ1=n+12 dan σ2=μ2-μ12=n-112.….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. .3. 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=0.2.

dan σ2=μ2-μ12=np1-p.3.3. maka μ=μ1=np.2.…. μ2=g''0=nn-1p2+np. μ2=g''0=pet+pqe2t1-qet3|t=0=1+qp2.n} dan pxj=qj-1p untuk semua j (distribusi Geometric). μ=μ1=1p. dan σ2=μ2-μ12=qp2.…. maka gt=j=1∞etjqj-1p=pet1-qet dimana μ1=g'0=pet1-qet2|t=0=1p.Contoh Misalkan X ={1. . maka gt=j=0netjnjpjqn-j=j=0nnjpetjqn-j=pet+qn perhatikan bahwa μ1=g'0=npet+qn-1pet|t=0=np.2. Contoh Misalkan X ={1.n} dan pxj=njpjqn-j untuk 0≤j≤n (distribusi Binomial).

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

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

&y=60. &y lainnya FUNGSI PEMBANGKIT MOMEN DUA ATAU LEBIH PEUBAH ACAK Fungsi Pembangkit Momen Gabungan . &y=41236. &y=2436.2 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. dapat diketahui Fungsi kepekatan peluang bagi Y(y) adalah sebagai berikut : gy=136. sebaran peluang bersamanya dapat dilakukan tanpa merinci sebaran peluang gabungannya. &y=31036. &y=5936.

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

Fungsi pembangkit momen marginal dari X diperoleh dari fungsi pembangkit momen gabungan dengan mensubstitusikan t2 = 0.0) = M(t1) = E[exp(t1X)] .Ys.y)∈Sexpsx+tyf(x.t=(x.t=Sexpsx+tyfx.y) adalah nilai fungsi densitas gabungan dari X dan Y di (x.y) Fungsi Pembangkit Momen Gabungan Kontinu Jika X dan Y adalah peubah acak kontinu dengan f(x. sehingga: M(t1. maka fungsi pembangkit momengabungan dari X dan Y didefinisikan sebagai : MX. maka fungsi pembangkit momen gabungan dari X dan Y didefinisikan sebagai: MX. kita dapat menentukan fungsi pembangkit momen masingmasing dari X dan Y yang dinamakan fungsi pembangkit momen marginal dari X dan fungsi pembangkit momen marginal dari Y.y) adalah nilai fungsi peluang gabungan dari X dan Y di (x.y).-∞∞ Jika X dan Y adalah peubah acak diskrit dengan p(x.ydxdy Berdasarkan fungsi pembangkit momen gabungan dari X dan Y.Ys.=-∞∞et1x1f1x1dx1 et2x2f2x2dx2 =Mx1t1Mx2t2 Fungsi Pembangkit Momen Gabungan Diskrit .y).

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

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

…. Korolari 1 Jika X1. Xm adalah peubah acak yang saling bebas dan berdistribusi normal dengan EXi=μi dan . 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 .=Mx1t1 MYn(un) Mx2t2… MxmtmMY1u1MY2u2… Dengan demikian. X2 ….Xn saling bebas dengan MGF Mx1(t). X2. maka Ms(t) = Mx1(t) Mx2(t) ……. …… Mxn(t).. serta jika S = X1 + X2+ …. … . Mxn(t) Fungsi pembangkit momen jumlah peubah acak yang saling bebas yang banyaknya sama dengan hasil kali fungsi pembangkit momen masing-masing. + Xn . 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 .…. makax berdistribusi normal dengan mean = µ dan variansi = σ2n.xm adalah: … .x2. … . 3. Dengan mengingat MGF S .…. Bukti Akan dihitung MGF dari adalah: x= Sn. i=1. 2.varXi=σi2. X2.m pembangkit momen dari maka fungsi x=x1. Mxt1. tm=exp(i=1mtiμi+12i=1mti2σi2) Jumlah terhingga peubah acak yang saling bebas dan berdistribusi normal adalah juga berdistribusi normal.

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

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

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

Re adalah bagian nyata dari suatu bilangan kompleks. 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. Namun. maka untuk tЄRkxp φXt=Eeitrt'X • Jika X adalah variabel acak kompleks. maka untuk tЄC φXt=EeiRetX • Jika X adalah vektor acak kompleks. umumnya fungsi karakteristik dapat bernilai kompleks. maka untuk semua fungsi t(s) seperti integral ∫Rt(s)X(s) ds konvergen untuk hampir semua bentuk X. φXt=Eei∫RtsXsds Di sini (') menyatakan transpose matriks.Fungsi ini bernilai riil karena berhubungan dengan sebuah random variable yangsimetris di sekitar titik asal. z menandakan konjugasi kompleks dan (*) adalah konjugasi transpose (z*= z'). . 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. tr(·) – operator trace matriks.

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

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

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

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

X2 : Dengan kata lain. untuk sembarang 2 random variabel X1. 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.fungsi distribusi kumulatif (FXx=E1X≤x) yang dengan distribusi sifat-sifat sepenuhnya dengan menentukan perilaku dan sifat-sifat dan peluang variabel acak X. fungsi karakteristik (φXx=EeitX ) juga sepenuhnya menentukan perilaku distribusi peluang variabel acak X. Jika suatu variabel acak mempunyai suatu fungsi pembangkit momen maka fungsi karakteristik dapat diperluas menjadi daerah yang kompleks sehingga φx-it=MXt Catatan : ada. Bagaimanapun. masing-masing dari variable acak tersebut adalah transformasi fourier dari yang lainnya. Lebih dari itu. bahkan ketika pdf atau mgf tidak Suatu fungsi karakteristik ada untuk sembarang variabel acak. namun keduanya memberikan pengertian yang berbeda untuk memahami jenis variabel acak kita. 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. pada kasus khusus. . ada suatu bijeksi antara fungsi karakteristik dan fungsi peluang kumulatif. Maksudnya. dua distribusi peluang tidak akan pernah memiliki fungsi karakteristik yang sama.

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

1. kontinyu. . Di sini H2n menyatakan Hermite polynomial dengan derajat 2n.2. 3.…. Jika φ adalah suatu fungsi kontinyu bernilai riil yang memenuhi syarat-syarat : 1. φ(∞) = 0. 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. dan semua p > 0.Mathias’ theorem. 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. 2. Pólya’s theorem. Sebuah fungsi riil yang genap. φ (0) = 1. φ merupakan fungsi genap. 4.

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

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

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

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

Sign up to vote on this title
UsefulNot useful