Anda di halaman 1dari 37

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]
PERHITUNGAN MGF DARI BEBERAPA DISTRIBUSI PELUANG

Distribusi Geometri

X ~ Geo(p), 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,b)

fx=1b-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, 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
Tidak semua distribusi memiliki fungsi pembangkit
momen. Ada dua alasan mengapa sebuah distribusi
probabilitas tidak mungkin memiliki fungsi pembangkit
momen:

1. Pertama, semua momen distribusi mungkin tidak ada. Hal


ini dapat menunjukkan bahwa jika moment ke-n suatu
distribusi tidak ada, maka tidak ada momen dengan orde
yang lebih besar dari n. Kita akan melihat bahwa properti
yang paling penting dari MGF adalah bahwa, semua
momen distribusi dapat dihitung dari MGF ini. Jadi, jika
suatu distribusi tidak memiliki semua momen, ia pasti
tidak memiliki sebuah MGF. Kasus semacam ini terjadi,
misalnya, pada distribusi tn Student yang tidak memiliki
momen di luar momen ke (n - 1). Secara khusus, jika n =
1, distribusi t berubah menjadi distribusi Cauchy, yang
tidak memiliki momen.

2. Suatu distribusi mungkin saja memiliki semua momen,


dan namun tidak memiliki fungsi pembangkit momen
karena ekspresi mendefinisikan MGF akan mengarah
pada suatu kuantitas yang jumlahnya tak berhingga. Hal
ini terjadi, misalnya, dari distribusi lognormal.

MENGAPA KITA MENGGUNAKAN MGF?

1. Untuk menghitung momen-momen. Akan lebih mudah


menghitung momen menggunakan MGF daripada dengan
langsung menghitung E[Xr].
2. Untuk menentukan distribusi dari suatu fungsi random
variable
3. Untuk memperkirakan distribusi. Misalnya MGF dapat
digunakan untuk menunjukkan bahwa dengan semakin
bertambahnya n, distribusi Bin(n; p) dapat mendekati
distribusi normal.

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.

MXt=0=EX0=1
Mx't=0=EX1
Mx't=0=EX1
Mx''t=0=EX2

.
Mx(r)t=0=EXr

Momen pertama di sekitar titik asal dari suatu distribusi adalah


rata-ratanya.

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-μ1=EX-μ=EX-μ=0

Momen kedua di sekitar rataan dari suatu distribusi adalah


varians.

Mx''t=0=EX-μ2=σ2

Momen ketiga di sekitar rataan digunakan menunjukkan


kemencengan suatu distribusi dan digunakan sebagai suatu
ukuran keasimetrisan.

Mx(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,
koefisien kemencengan kurva tidak bernilai nol, maka distribusi
yang bersangkutan asimetris.

Namun demikian, distribusi yang asimetris dapat memiliki


koefisien kemencengan kurva = 0.

Contoh distribusi yang simetris adalah distribusi normal, Beta(a;


a),

Bin(n; p =0,5).

Contoh distribusi yang asimetris antara lain :

Distribution Skewness

Bin(n; p) np(1- p)(1- 2p)

Pois(λ) λ

Exp(λ) 2/ λ

Momen keempat di sekitar rataan digunakan menunjukkan


keruncingan (kurtosis) suatu distribusi. Kurtosis untuk distribusi
normal adalah3σ4.

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.
Momen ini dapat digunakan untuk menghitung rataan dan varian
dari random variable yang ditransformasi, serta untuk
menghitung koefisien kemencengan dan keruncingan kurva.

Contoh

Hitung rataan dan varian dari A = πR2

Jadi dalam hal ini, kita harus meghitung E[R], E[R2], 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 ;EX2=2λ2
M(r)t=Γ(r+1)λλ-tr+1 ;EXr=Γ(r+1)λr

X ~ Geo(p), 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;EX2=5-6p+2p2p

Teorema
Jika Mx(t) dari suatu random variable X adalah terhingga dan ada
dalam suatu interval terbuka yang memuat 0, 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. Cara lain untuk


memperoleh hasil semacam ini adalah melalui ekspansi deret
Taylor

ey=1+y+y22!+y33!+… , -∞<y<∞

yang memberikan :

MXt=E 1+Xt+X2t22!+X3t33!+…
=1+EXt+EX2t22!+EX3t33!+…

MENENTUKAN NILAI TENGAH DAN RAGAM MELALUI MGF


Misalkan ada random variable X dengan MGF g(t) sebagai berikut
:

gt=EetX=k=0∞μktkk!=Ek=0∞Xktkk!=j=0∞etxjpxj
Jika g(t) dedifferentiate sebanyak n kali dan t=0, akan
didapatkan μn:

dndtngtt=0=gn0=k=n∞k!μktk-nk-n!k!t=0=μn

Contoh

Misalkan X ={1,2,3,…,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,

μ2=g''0=1n1+4+9+⋯+n2=n+12n+16

dan μ=μ1=n+12 dan σ2=μ2-μ12=n-112.


Contoh

Misalkan X ={1,2,3,…,n} dan pxj=njpjqn-j untuk 0≤j≤n (distribusi


Binomial), maka

gt=j=0netjnjpjqn-j=j=0nnjpetjqn-j=pet+qn

perhatikan bahwa

μ1=g'0=npet+qn-1pet|t=0=np,

μ2=g''0=nn-1p2+np,

maka μ=μ1=np, dan σ2=μ2-μ12=np1-p.

Contoh

Misalkan X ={1,2,3,…,n} dan pxj=qj-1p untuk semua j (distribusi


Geometric), maka

gt=j=1∞etjqj-1p=pet1-qet

dimana

μ1=g'0=pet1-qet2|t=0=1p,

μ2=g''0=pet+pqe2t1-qet3|t=0=1+qp2,

μ=μ1=1p, dan σ2=μ2-μ12=qp2.


Contoh

Misalkan X ={1,2,3,…,n} dan pxj=e-λλjj! untuk semua j (distribusi


Poisson dengan rataan 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,

μ=μ1=λ, dan σ2=μ2-μ12=λ.

Dalam beberapa hal, akan lebih mudah bekerja dengan menggunakan


logaritma dari MGF, yang sering disebut Cumulant-Generating Function
(CGF), dan didefinisikan oleh Rt=ln⁡[M(t)].

R't=M'(t)M(t)
R''t=Mt M''t-[M'(t)]2M(t)2

Sebelumnya, 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 . EX2-[E(X)]212=EX2-[E(X)]2=σ2

TRANFORMASI PEUBAH ACAK DENGAN FUNGSI


PEMBANGKIT MOMEN

Fungsi Pembangkit Momen Fungsi Peubah Acak


Misalkan X1, X2, …,Xn merupakan contoh acak dari suatu
sebaran dengan fungsi kepekatan peluang f(x) dan fungsi
kepekatan peluang gabungan X1, X2, …,Xn adalah h (x1,x2,…,xn)
untuk Y1 = u (X1, X2, …,Xn) dan akan dicari g(y1) yang merupakan
fungsi kepekatan peluang Y1.

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.

Contoh

Ambil peubah acak X1 dan X2 bebas dan mempunyai fungsi masa


peluang sama yaitu:

fx=16 ,untuk x=1,2,3 0 ,untuk x lainnyya

Cari sebaran peluang Y = X1 + X2

Jawab :

Untuk X1 =1, 2, 3, dan X2 = 1, 2, 3 maka nilai Y = 2, 3, 4, 5, 6 dan


sebaran peluang Y dengan mudah dilihat dalam tabel sebaran
peluang gabungan:

X2
F(x1,x2)
1 2 3

X1 1 1/36 2/36 3/36


2 2/36 4/36 6/36

3 3/36 6/36 9/36

Sehingga sebaran peluang Y = X1 + X2 adalah:

Y 2 3 4 5 6

G(y) 1/36 4/36 10/36 12/36 9/36

Dengan menggunakan fungsi pembangkit momen, sebaran


peluang bersamanya dapat dilakukan tanpa merinci sebaran
peluang gabungannya.

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, &y=2436, &y=31036, &y=41236, &y=5936, &y=60, &y


lainnya

FUNGSI PEMBANGKIT MOMEN DUA ATAU LEBIH PEUBAH


ACAK

Fungsi Pembangkit Momen Gabungan


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. Dalam hal ini, fungsi
pembangkit momen gabungan dapat digunakan untuk
memperoleh momen-momen, baik untuk satu peubah acak
maupun dua peubah acak.

Jika X dan Y adalah dua peubah acak, baik diskrit maupun


kontinu, maka fungsi pembangkit momen gabungan dari X dan Y
(dinotasikan dengan M(t1,t2)) didefinisikan sebagai:

Mx1x2t1,t2=E(et1x1+t2x2)

Ex1rx2s=∂(r+s)∂t1r∂t2s(Mx1x2t1,t
2)t1=t2=0
untuk -h1 < t1 < h1 , -h2 < t2 < h2 , h1 > 0 , h2 > 0.

Untuk peubah acak X1 dan X2 yang bebas satu sama lain, maka:

Mx1x2t1,t2=-∞∞-
∞∞et1x1+t2x2f1x1f2x2dx2dx
1
=-∞∞et1x1f1x1dx1 .-∞∞
et2x2f2x2dx2

=Mx1t1Mx2t2

Fungsi Pembangkit Momen Gabungan Diskrit

Jika X dan Y adalah peubah acak diskrit dengan p(x,y) adalah


nilai fungsi peluang gabungan dari X dan Y di (x,y), maka fungsi
pembangkit momengabungan dari X dan Y didefinisikan sebagai :

MX,Ys,t=(x,y)∈Sexpsx+tyf(x,y)

Fungsi Pembangkit Momen Gabungan Kontinu

Jika X dan Y adalah peubah acak kontinu dengan f(x,y) adalah


nilai fungsi densitas gabungan dari X dan Y di (x,y), maka fungsi
pembangkit momen gabungan dari X dan Y didefinisikan sebagai:

MX,Ys,t=Sexpsx+tyfx,ydxdy

Berdasarkan fungsi pembangkit momen gabungan dari X dan Y,


kita dapat menentukan fungsi pembangkit momen masing-
masing dari X dan Y yang dinamakan fungsi pembangkit momen
marginal dari X dan fungsi pembangkit momen marginal dari Y.

Fungsi pembangkit momen marginal dari X diperoleh dari fungsi


pembangkit momen gabungan dengan mensubstitusikan t2 = 0,
sehingga:

M(t1,0) = M(t1) = E[exp(t1X)]


Penentuan momen-momen dari peubah acak X berdasarkan
fungsi pembangkit momennya digunakan rumus sebagai berikut:

μx=EX=∂M(t1,0)∂t1t1=0 =∂M(0,0)∂t1

EX2=∂2M(t1,0)∂t12t1=0 =∂2M(0,0)∂t12

Adapun penentuan varians dari X digunakan rumus sebagai


berikut:

VarX=σx2=∂2M(0,0)∂t12-∂M(0,0)∂t12

Fungsi pembangkit momen marginal dari Y diperoleh dari fungsi


pembangkit momen gabungan dengan mensubstitusikan t1 = 0,
sehingga:

M(0,t2) = M(t2) = E[exp(t2Y)]

Penentuan momen-momen dari peubah acak Y berdasarkan


fungsi pembangkit momennya digunakan rumus sebagai
berikut:

μy=EY=∂M(0,t2)∂t2t2=0 =∂M(0,0)∂t2

EY2=∂2M(0,t2)∂t22t2=0 =∂2M(0,0)∂t22

Adapun penentuan varians dari Y digunakan rumus sebagai


berikut:

VarY=σy2=∂2M(0,0)∂t22-∂M(0,0)∂t22

Adapun nilai E(XY) ditentukan dengan rumus sebagai berikut:

EXY=∂2M(t1,t2)∂t1∂t2t1=t2=0
=∂2M(0,0)∂t1∂t2
Teorema

Suatu himpunan terhingga vektor acak, yang mempunyai


pembangkit momen bersama, dikatakan saling bebas, jika dan
hanya jika fungsi pembangkit momen bersama itu dapat
dinyatakan sebagai hasil kali masing-masing fungsi pembangkit
momen.

Bukti:

Untuk dua vektor acak, selengkapnya dapat diselesaikan dengan


induksi.

Misalkan vektor acak

x=x1,x2,…,xm

y=y1,y,…,yn

Mx,yt1…tm,u1…un=E(et1X1+…
+tmXm+u1Y1+…+unYn)

=Eet1X1 Eet2X2 …
EetmXm[Eeu1Y1 Eeu2Y2
…EeunYn ]
=Mx1t1 Mx2t2…
MxmtmMY1u1MY2u2…
MYn(un)

Dengan demikian, jika X1 , X2 ….Xn saling bebas dengan MGF


Mx1(t), …… Mxn(t), serta jika S = X1 + X2+ ….. + Xn , maka Ms(t) =
Mx1(t) Mx2(t) ……. Mxn(t)

Fungsi pembangkit momen jumlah peubah acak yang saling


bebas yang banyaknya sama dengan hasil kali fungsi
pembangkit momen masing-masing.

Korolari 1

Jika X1, X2, …., 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 , X2, … , Xm adalah peubah acak yang saling bebas

dan berdistribusi normal dengan EXi=μi dan


varXi=σi2, i=1, 2, 3,…,m maka fungsi

pembangkit momen dari x=x1,x2,…,xm adalah:

Mxt1, … ,
tm=exp(i=1mtiμi+12i=1mti2σi2)
Jumlah terhingga peubah acak yang saling bebas dan
berdistribusi normal adalah juga berdistribusi normal.

Korolari 3

S'=X1+X2+…+Xm

Mst=i=1mMxit=eti=1mμi+12t2i=1
mσi2
Misalkan X1 , X2, … , Xm sampel (contoh) acak dari populasi
berdistribusi normal dengan rata-rata µ dan varians σ 2
,
makax berdistribusi normal dengan mean = µ dan variansi =

σ2n.
Bukti

Akan dihitung MGF dari x= Sn. Dengan mengingat MGF S


adalah:
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, maka mereka juga
identik pada semua poin (memiliki densitas/distribusi yang
sama). Dalam hal ini, untuk semua nilai t :

maka

untuk semua nilai x.

Teorema [Uniqueness theorem]

Jika MGF dari X ada untuk t dalam sebuah interval terbuka yang
memuat 0, maka MGF itu secara unik menentukan CDF dari X,
yaitu tidak ada dua distribusi berbeda yang memiliki nilai MGF
yang sama dalam interval yang memuat 0.

Contoh

Misalkan X1, X2, … , Xn merupakan identical independent random


variable yang masing-masing berdistribusi Exp(λ). Apakah
distribusi dari S=ΣXi ?
MSt=i=1nλλ-t=λλ-tn

Perhatikan bahwa MGF di atas bukan MGF exponensial. Jadi, MGF


dari jumlah RV di atas tidak berdistribusi exponensial.
Sebagaimana pembahasan sebelumnya kita ketahui bahwa MGF
Gamma(α,λ) adalah

Dengan demikian S= ΣXi ~ Gamma(n;λ)

Pendekatan ini juga memberikan pembuktian yang mudah


bahwa jumlah dari independent normal variable adalah normal
juga. MGF dari random variable normal N(µ,σ2) adalah:

Mt=eμ1t+12σ12t2

Sehingga jika XiiidN(μi,σi2), i = 1,2, …, n, maka

MXit=i=1neμit+12σi2t2=exp⁡ti=1nμii+t22i=1nσi2

di mana MGF di atas adalah MGF dari distribusi N(Σμi,Σσi2),


FUNGSI KARAKTERISTIK

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

Contoh
Fungsi karakteristik dari random variable distribusi Uniform U(–
1,1).
Fungsi ini bernilai riil karena berhubungan dengan sebuah
random variable yangsimetris di sekitar titik asal. Namun,
umumnya fungsi karakteristik dapat bernilai kompleks.
Notasi fungsi karakteristik digeneralisasikan untuk variabel
acak multivariat dan random elements yang lebih 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, maka untuk
tЄRkxp
φXt=Eeitrt'X
• Jika X adalah variabel acak kompleks, maka untuk tЄC
φXt=EeiRetX
• Jika X adalah vektor acak kompleks, maka untuk tЄCk
φXt=EeiRet*X
• Jika X(s) adalah suatu proses stokastik, 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, tr(·) – operator trace
matriks, Re adalah bagian nyata dari suatu bilangan kompleks, z
menandakan konjugasi kompleks dan (*) adalah konjugasi
transpose (z*= z').
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; berikut bentuk alternatif dari
tranformasi fourier yang kontinyu).
φXt=eitX=-∞∞eitXpxdx=-∞∞e-itXpxdx=Pt
Di mana P(t) melambangkan transformasi fourier yang
kontinyu dari pdf p(x). Demikian juga, p(x) dapat dikembalikan
dari φXt melalui inversi transformasi fourier. Fungsi karakteristik
suatu distribusi dengan fungsi densitas f adalah sebanding
dengan kebalikan tranformasi fourier dari f.
(6
)

Tentu saja, bahkan ketika variabel acak tidak mempunyai


suatu densitas, fungsi karakteristik dapat terlihat sebagai
transformasi fourier yang merupakan ukuran yang berhubungan
dengan variabel acak.

Berikut adalah fungsi karakteristik dari berbagai distribusi


peluang.

Distribution Characteristic function φ(t)

Degenerate δa

Binomial B(n, p)

Poisson Pois(λ)
Uniform U(a, b)

Laplace L(μ, b)

Normal N(μ, σ2)

Chi-square χ2k

Cauchy Cauchy(μ, θ)

Gamma Γ(k, θ)

Exponential Exp(λ)

Multivariate normal N(μ, Σ)

KONTINUITAS

Bijeksi menyatakan antara distribusi peluang dan fungsi


karakteristik adalah kontinyu. 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, dan batas φ(t) akan
menyesuaikan dengan fungsi karakteristik hukum F. Secara lebih
formal, ini dinyatakan sebagai :

Teorema Kontinuitas Levy. Suatu urutan {Xj} dari n-variate


variabel acak konvergen ke distribusi variabel acak X jika dan
hanya jika urutan {φXj} konvergen ke suatu fungsi φ yang
berKontinuitas pada titik asal maka φ adalah fungsi karakteristik
X. Teorema ini sering digunakan untuk membuktikan hukum
bilangan-bilangan besar, dan Teorema limit sentral.

FORMULA INVERSI
Karena ada suatu korespondensi satu-satu antara cdf dan
fungsi karakteristik, selalu memungkinkan untuk menemukan
salah satu dari fungsi-fungsi ini jika kita mengetahui yang lain.
Rumusan dalam definisi fungsi karakteristik memungkinkan kita
untuk menghitung φ ketika kita mengetahui fungsi distribusi F
( atau densitas f). Dengan kata lain, jika kita mengetahui fungsi
karakteristik φ dan ingin menemukan fungsi distribusi yang
bersesuaian maka salah satu dari Teorema inversi dapat
digunakan:

Teorema. Jika fungsi karakteristik φX dapat diintegralkan, maka


FX pasti kontinyu dan oleh karena itu, X memiliki pdf sebagai
berikut:

saat X adalah skalar;


Pada kasus multivariate, pdf tersebut dipahami sebagai
turunan dari distribusi μX berkaitan dengan ukuran Lebesgue λ:

Teorema (Levy). Jika φX adalah fungsi karakteristik dari fungsi


distribusi FX, dua titik a<b sedemikian hingga { x| a< x< b}
adalah suatu himpunan kontinuitas dari μX (dalam kasus
univariate, kondisi ini setara dengan kontinuitas FX pada titik a
dan b), maka:
FXb-FXa=12πlimT→∞-T+Te-ita-e-itbitφXtdt
jika X adalah skalar, dan
μXa<x<b=12πlimT→∞-T+Te-ita-e-itbitφXtdt
jika X adalah variabel vektor acak.

Teorema. Jika a adalah sebuah atom dari X (dalam kasus


univariate, artinya adalah suatu titik diskontinuitas dari FX) maka

, saat X adalah
sebuah random variabel scalar, dan

,
saat X adalah suatu random variabel vektor.

Teorema (Gil-Pelaez). Untuk suatu random variabel


univariat X, jika x adalah titik kontinuitas dari FX maka :

Formula inversion untuk distribusi multivariate tersedia.

PENGGUNAAN FUNGSI KARAKTERISTIK


Fungsi karakteristik selalu ada ketika diperlakukan sebagai
fungsi suatu argumen bernilai riil, tidak seperti fungsi
pembangkit momen. Ada hubungan antara sifat-sifat fungsi
karakteristik suatu distribusi dan sifat-sifat distribusi, seperti
keberadaan momen dan keberadaan suatu fungsi densitas.
Fungsi karakteristik memberikan suatu cara alternatif
untuk menggambarkan suatu variabel acak. Sebagaimana halnya
fungsi distribusi kumulatif (FXx=E1X≤x) yang dengan
sepenuhnya menentukan perilaku dan sifat-sifat distribusi
peluang variabel acak X, fungsi karakteristik (φXx=EeitX ) juga
dengan sepenuhnya menentukan perilaku dan sifat-sifat
distribusi peluang variabel acak X. Dua pendekatan tersebut
sama dalam artian pengetahuan mengenai salah satu fungsi
dapat selalu digunakan untuk menemukan fungsi yang lain,
namun keduanya memberikan pengertian yang berbeda untuk
memahami jenis variabel acak kita. Bagaimanapun, pada kasus
khusus, akan ada perbedaan apakah fungsi ini dapat diwakili
sebagai ekspresi yang menyertakan fungsi standard sederhana.
Jika suatu variabel acak merupakan suatu fungsi kepadatan
(densitas) maka fungsi karakteristik merupakan dualitasnya.
Maksudnya, masing-masing dari variable acak tersebut adalah
transformasi fourier dari yang lainnya. Jika suatu variabel acak
mempunyai suatu fungsi pembangkit momen maka fungsi
karakteristik dapat diperluas menjadi daerah yang kompleks
sehingga
φx-it=MXt
Catatan : Bagaimanapun fungsi karakteristik suatu
distribusi selalu ada, bahkan ketika pdf atau mgf tidak
ada.

Suatu fungsi karakteristik ada untuk sembarang variabel


acak. Lebih dari itu, ada suatu bijeksi antara fungsi karakteristik
dan fungsi peluang kumulatif. Dalam hal ini, untuk sembarang 2
random variabel X1, X2 :

Dengan kata lain, dua distribusi peluang tidak akan pernah


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

Bochner’s theorem. Suatu fungsi sembarang φ: Rn  C adalah


fungsi karakteristik dari beberapa random variabel jika dan
hanya jika φ adalah nonnegative definite, kontinyu pada titik asal
dan φ(0) = 1.

Khinchine’s criterion. Suatu fungsi bernilai kompleks yang


kontinyu secara absolut φ sama dengan 1 pada titik asal adalah
sebuah fungsi karakteristik jika dan hanya jika fungsi tersebut
dapat mewakili
Mathias’ theorem. Sebuah fungsi riil yang genap, kontinyu, dan
integrable secara absolut φ sama dengan 1 pada titik asal adalah
sebuah fungsi karakteristik jika dan hanya jika

untuk n = 0,1,2,…, dan semua p > 0. Di sini H2n menyatakan


Hermite polynomial dengan derajat 2n.

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.

Pólya’s theorem. Jika φ adalah suatu fungsi kontinyu bernilai riil


yang memenuhi syarat-syarat :
1. φ (0) = 1;
2. φ merupakan fungsi genap;
3. φ(∞) = 0;
4. φ adalah fungsi konvex untuk t> 0

maka φ(t) adalah fungsi karakteristik dari suatu distribusi


simetris yang kontinyu secara mutlak.
Akibat teorema kontinuitas di atas, fungsi karakteristik
seringkali digunakan untuk membuktikan Teorema limit sentral
(CLT). Manipulasi aljabar utama yang terlibat dalam membuat
perhitungan dengan fungsi karakteristik adalah mengenali fungsi
sebagai fungsi karakteristik dari suatu distribusi tertentu.

SIFAT-SIFAT FUNGSI KARAKTERISTIK


• Suatu kombinasi linier yang konvex nanφn(t) (dengan an≥0 ,
• 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. Hal yang sama
berlaku pula untuk suatu hasil perkalian tak terhingga yang
konvergen ke sebuah fungsi yang kontinyu pada titik asal.
• Jika φ adalah suatu fungsi karakteristik and α adalah suatu
bilangan riil, maka φ, Re[φ], |φ|2, dan φ(αt) juga merupakan
fungsi karakteristik.

Fungsi karakteristik yang sangat berguna untuk menangani


kasus fungsi variabel acak yang independen. Sebagai contoh,
jika X1, X2, ..., Xn adalah barisan variabel acak yang independent (
tidak harus terdistribusi secara identik), dan
Sn=i=1naiXi
dimana ai adalah tetap, maka fungsi karakteristik untuk Sn
diberikan oleh :
φSnt=φX1a1tφX2a2t…φXnant

Secara khusus, φX+Yt=φXtφYt


Untuk melihatnya, tuliskan definisi fungsi karakteristik:
φX+Yt=EeitX+Y=EeitXeitY=EeitXEeitY=φXtφYt
Amati bahwa independensi dari variabel X dan Y diperlukan
untuk menetapkan persamaan ekspresi keempat dan ketiga.
Kasus khusus lain yang menarik adalah ketika ai = 1 / n dan Sn
adalah rata-rata sampel. Dalam hal ini, penulisan X untuk rata-
rata, φXt=φXtnn .

MOMEN-MOMEN
Fungsi karakteristik dapat digunakan untuk
menemukan momen dari suatu variabel acak. Asalkan nth momen
ada, fungsi karakteristik dapat diturunkan (differensialkan)
sebanyak n kali dan
EXn=i-nφXn0=i-ndndtnφXtt=0.
Sebagai contoh, X memiliki Distribusi Cauchy standar maka
φXt=e-t. Fungsi ini tidak terdiferensiasi di t=0. Hal ini
menunjukkan bahwa distribusi Cauchy tidak
memiliki ekspektasi. Lihat juga bahwa fungsi karakteristik rata-
rata sampel X dari n pengamatan independen memiliki fungsi
karakteristik
φXt=e-tnn=e-t, menggunakan hasil dari bagian sebelumnya. Ini
adalah fungsi karakteristik dari distribusi Cauchy standard. Jadi,
rata-rata sampel memiliki distribusi yang sama dengan
populasinya sendiri.

Contoh
Suatu distribusi gamma dengan parameter skala θ dan
parameter bentuk k yang memiliki fungsi karakteristik 1-θit-k.
Misalkan X~Γk1,θ and Y~Γk2,θ dengan X dan Y independen satu
sama lain, dan kita ingin tahu apakah distribusi dari X+Y.
Fungsi karakteristik dari X dan Y masing-masing adalah : φXt=1-
θit-k1 dan φYt=1-θit-k2 yang dengan independensi dan sifat dasar
fungsi karakteristik menyebabkan :
φX+Yt=φXtφYt= 1-θit-k11-θit-k2=1-θit-k1+k2.
Ini adalah fungsi karakteristik dari distribusi gamma parameter
skala θ dan parameter bentuk k1 + k2.
Dengan demikian kita dapat menyimpulkan X+Y~Γk1+k2,θ.
Hasilnya dapat diperluas untuk n variable-variabel acak
berdistribusi gamma yang independen dengan parameter skala
yang sama, dan kita mendapatkan :
∀i∈ 1, ⋯,n : Xi~Γki,θ ⇒ i=1nXi~Γi=1nki,θ
DAFTAR PUSTAKA

“Chapter 10. Generating Functions” (diakses tanggal 30


Juni 2010)

“Characteristic Function”,
http://su.wikipedia.org/wiki/Fungsi_karakteristik (diakses
tanggal 30 Juni 2010)

“Characteristic Function (Probability Theory)”,


http://en.academic.ru/dic.nsf/enwiki/1524436 (diakses
tanggal 30 Juni 2010)

“Characteristic Function (Probability Theory)”,


http://en.wikipedia.org/wiki/Characteristic_function_(proba
bility_theory)

Irwin, Mark E. “Moment Generating Function”, Statistics


110, Harvard University, Summer 2006 (diakses
tanggal 30 Juni 2010)

“Materi Pokok 18. FUNGSI PEMBANGKIT MOMEN PEUBAH


ACAK KONTINU KHUSUS” (diakses tanggal 30 Juni
2010)

“Materi Pokok 23. TRANFORMASI PEUBAH ACAK DENGAN


FUNGSI PAMBANGKIT MOMEN” ” (diakses tanggal
30 Juni 2010)

“Materi Pokok 10. MOMEN DAN FUNGSI PEMBANGKIT


MOMEN FUNGSI PEMBANGKIT MOMEN DUA PEUBAH
ACAK”
“Moment Generating Function”,
http://www.aiaccess.net/English/Glossaries/GlosMod/e_gm
_momgen.htm (diakses tanggal 30 Juni 2010)

“Moment Generating Function”, Ecole Polytechnique Federale De


Laussanne. (diakses tanggal 30 Juni 2010)

“Moment Generating Function”,


http://en.wikipedia.org/wiki/Moment-generating_function
(diakses tanggal 30 Juni 2010)

“Moment Generating Function”, http://www.fmi.uni-


sofia.bg/vesta/virtual_labs/expect/expect5.html (diakses
tanggal 30 Juni 2010)

“Moment-Generating Function”,
http://mathworld.wolfram.com/Moment-
GeneratingFunction.html (diakses tanggal 30 Juni 2010)

“STK 203 TEORI STATISTIKA I” (diakses tanggal 30 Juni


2010)

“The Moment Generating Function”,


http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES
/SHUTLER3/node2.html (diakses tanggal 30 Juni 2010)