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=xSetxf(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 < 1 jika X ~ Exp().
Dengan menggunakan deret Taylor sendiri, turunan ke r dari
Mx(t) terhadap peubah t dapat dituliskan sebagai:
Mxt=1++21t22!++r1t2r!+
d1Mx(t)dt1t=0=r1
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=1etxpqx-1=petx=1et (x-1)qx-1=pet1-qet

Distribusi Poisson
X ~ Poi()
Mxt=x=1etxe-xx!=e-x=1(et)xx!=e(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()
fx=1e-x, 0<&x< 0 , untuk x lainnya

Fungsi Pembangkit Momennya

MXt=0etx1e-xdx=0e-1-txdx=-1-te-1-tx0=11-t

Perhatikan bahwa integral ini hanya terdefinisi saat t < 1

EKSISTENSI MGF

Tidak
momen. Ada
probabilitas

semua
dua
tidak

distribusi

memiliki

alasan

mengapa

mungkin

memiliki

fungsi
sebuah
fungsi

pembangkit
distribusi
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=

Momen Pusat ke R di Sekitar Rataan

Momen ke-r di sekitar rataan dari sebuah random variable X
dapat didefinisikan sebagai :
r=E[(X-)r]

Momen pertama jarang dibicarakan karena nilainya akan selalu

nol.
Mx't=0=EX-1=EX-=EX-=0

Momen kedua di sekitar rataan dari suatu distribusi adalah

varians.
Mx''t=0=EX-2=2

Momen ketiga di sekitar rataan digunakan menunjukkan

kemencengan suatu distribusi dan digunakan sebagai suatu
ukuran keasimetrisan.
Mx(3)t=0=EX-3
3=EX-33=33

3 = koefisien kemencengan kurva (skewness)

Jika suatu distribusi simetris di sekitar rataannyaf-x=f(+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()

Exp()

2/

Momen keempat di sekitar rataan digunakan menunjukkan

keruncingan (kurtosis) suatu distribusi. Kurtosis untuk distribusi
normal adalah34.
Mx(4)t=0=EX-4
4=EX-44=44

4 = 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 = R2

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()
M(1)t=-t2 ;EX=1
M(2)t=2-t3 ;EX2=22
M(r)t=(r+1)-tr+1 ;EXr=(r+1)r

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=0ktkk!=Ek=0Xktkk!=j=0etxjpxj

Jika

g(t)

dedifferentiate

sebanyak

kali

dan

t=0,

akan

didapatkan n:
dndtngtt=0=gn0=k=nk!ktk-nk-n!k!t=0=n

Contoh
Misalkan X ={1,2,3,,n} dan pxj=1n untuk 1jn (distribusi
uniform) maka
gt=j=1n1netj=1net+e2t++ent=etent-1net-1

Jika menggunakan rumus di atas akan terlihat seperti berikut:

1=g'0=1n1+2+3++n=n+12,
2=g''0=1n1+4+9++n2=n+12n+16

dan =1=n+12 dan 2=2-12=n-112.

Contoh
Misalkan X ={1,2,3,,n} dan pxj=njpjqn-j untuk 0jn (distribusi
Binomial), maka
gt=j=0netjnjpjqn-j=j=0nnjpetjqn-j=pet+qn

perhatikan bahwa
1=g'0=npet+qn-1pet|t=0=np,
2=g''0=nn-1p2+np,

maka =1=np, dan 2=2-12=np1-p.

Contoh
Misalkan X ={1,2,3,,n} dan pxj=qj-1p untuk semua j (distribusi
Geometric), maka
gt=j=1etjqj-1p=pet1-qet

dimana
1=g'0=pet1-qet2|t=0=1p,
2=g''0=pet+pqe2t1-qet3|t=0=1+qp2,
=1=1p, dan 2=2-12=qp2.

Contoh
Misalkan X ={1,2,3,,n} dan pxj=e-jj! untuk semua j (distribusi
Poisson dengan rataan ), maka
gt=j=0etje-jj!=e-j=0etjj!=e-eet=eet-1

dimana
1=g'0=eet-1et|t=0=,
2=g''0=eet-12e2t+et|t=0=2+,
=1=, dan 2=2-12=.
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=

Sehingga saat t=0

R't=M'(t)M(t)=E[X]1=
R''t=Mt M''t-[M'(t)]2M(t)2=1 . EX2-[E(X)]212=EX2-[E(X)]2=2

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)
X1

1/36

2/36

3/36

2/36

4/36

6/36

3/36

6/36

9/36

Sehingga sebaran peluang Y = X1 + X2 adalah:

Y

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)t1rt2s(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 masingmasing 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:
x=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=x2=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:
y=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=y2=2M(0,0)t22-M(0,0)t22
Adapun nilai E(XY) ditentukan dengan rumus sebagai berikut:

EXY=2M(t1,t2)t1t2t1=t2=0
=2M(0,0)t1t2

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,yt1tm,u1un=E(et1X1+
+tmXm+u1Y1++unYn)
=Eet1X1

Eet2X2

EetmXm[Eeu1Y1
EeunYn ]

Eeu2Y2

=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=i

dan

varXi=i2, i=1, 2, 3,,m

pembangkit momen dari

maka fungsi

x=x1,x2,,xm adalah:

Mxt1,

tm=exp(i=1mtii+12i=1mti2i2)
Jumlah

terhingga

peubah

acak

yang

saling

bebas

dan

berdistribusi normal adalah juga berdistribusi normal.

Korolari 3

S'=X1+X2++Xm
Mst=i=1mMxit=eti=1mi+12t2i=1
mi2
Misalkan

X1 , X2, , Xm sampel (contoh) acak dari populasi

berdistribusi normal dengan rata-rata

dan varians

makax berdistribusi normal dengan mean =

dan variansi =

2n.
Bukti
Akan dihitung MGF dari
adalah:

x= Sn. Dengan mengingat MGF S

Mst=exp ti=1mi+12t2i=1mi2
=exp t n + 12t2n 2
dan

Msnt=Mstn=exp t +t22n2

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(). Apakah
distribusi dari S=Xi ?

MSt=i=1n-t=-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(,) adalah

Dengan demikian S= Xi ~ Gamma(n;)

Pendekatan ini juga memberikan pembuktian yang mudah
bahwa jumlah dari independent normal variable adalah normal
juga. MGF dari random variable normal N(,2) adalah:
Mt=e1t+1212t2

Sehingga jika XiiidN(i,i2), i = 1,2, , n, maka

MXit=i=1neit+12i2t2=expti=1nii+t22i=1ni2

di mana MGF di atas adalah MGF dari distribusi N(i,i2),

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 :
Xt=EeitX=eitXdFXx=-fXxeitxdx
dimana t adalah bilangan riil, i adalah bilangan imajiner, dan E
melambangkan nilai

ekspektasi,

F(x) adalah fungsi

distribusi

kumulatif.
Bentuk

Xt=eitXdFXxmerupakan

suatu

Riemann-Stieltjes

integral dan selalu valid tanpa memperhatikan apakah fungsi

densitas ada.
Bentuk Xt=-fXxeitxdx hanya valid bila fungsi densitas
ada. Jika variabel acak X mempunyai pdf X 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
tRk
Xt=Eeit'X
Jika X adalah suatu matriks acak berdimensi k, maka untuk
tRkxp
Xt=Eeitrt'X
Jika X adalah variabel acak kompleks, maka untuk tC
Xt=EeiRetX
Jika X adalah vektor acak kompleks, maka untuk tCk
Xt=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.
Xt=EeiRtsXsds
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).
Xt=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 Xt 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
Degenerate a
Binomial B(n, p)
Poisson Pois()

Characteristic function (t)

Uniform U(a, b)

Laplace L(, b)
Normal N(, 2)
Chi-square 2k
Cauchy Cauchy(, )
Gamma (k, )
Exponential Exp()
Multivariate normal N(, )

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 {j(t)} juga akan konvergen, dan batas (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 {Xj} konvergen ke suatu fungsi yang
berKontinuitas pada titik asal maka 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 ketika kita mengetahui fungsi distribusi F
( atau densitas f). Dengan kata lain, jika kita mengetahui fungsi
karakteristik dan ingin menemukan fungsi distribusi yang
bersesuaian maka salah satu dari Teorema inversi dapat
digunakan:
Teorema. Jika fungsi karakteristik X 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 X berkaitan dengan ukuran Lebesgue :

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

distribusi FX, dua titik
adalah

a<b sedemikian hingga { x| a< x< b}

suatu himpunan kontinuitas

dari

X (dalam kasus

univariate, kondisi ini setara dengan kontinuitas FX pada titik a

dan b), maka:
FXb-FXa=12limT-T+Te-ita-e-itbitXtdt

jika X adalah skalar, dan

Xa<x<b=12limT-T+Te-ita-e-itbitXtdt
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

sepenuhnya

kumulatif

menentukan

(FXx=E1Xx)

perilaku

dan

yang

sifat-sifat

dengan
distribusi

peluang variabel acak X, fungsi karakteristik (Xx=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
x-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 , adalah mungkin

untuk merekonstruksi fungsi distribusi peluang kumulatif F yang
bersesuaian :
FXy-FXx=lim+12-+e-itx-e-ityitXtdt

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 variabelvariabel 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 Bochners

theorem, Khinchines, Mathiass, or Cramrs, serta Plyas
theorem. Teorema Polya menyediakan kondisi konveksitas yang
simple dan cukup. Fungsi karakteristik yang memenuhi kondisi
ini disebut Plya-type.
Bochners theorem. Suatu fungsi sembarang : Rn C adalah
fungsi karakteristik dari beberapa random variabel jika dan
hanya jika adalah nonnegative definite, kontinyu pada titik asal
dan (0) = 1.
Khinchines criterion. Suatu fungsi bernilai kompleks yang
kontinyu secara absolut 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 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.
Plyas theorem. Jika adalah suatu fungsi kontinyu bernilai riil
yang memenuhi syarat-syarat :
1. (0) = 1;
2. merupakan fungsi genap;
3.

() = 0;

4.

adalah fungsi konvex untuk t> 0

maka (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 nann(t) (dengan an0 ,

nan=1 ) dari sejumlah fungsi karakteristik yang berhingga

atau dapat dihitung juga merupakan fungsi karakteristik

Hasil perkalian dari sejumlah fungsi karakteristik

nn(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 adalah suatu fungsi karakteristik and adalah suatu

bilangan riil, maka , Re[], ||2, dan (t) 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 :
Snt=X1a1tX2a2tXnant

Secara khusus,

X+Yt=XtYt

Untuk melihatnya, tuliskan definisi fungsi karakteristik:

X+Yt=EeitX+Y=EeitXeitY=EeitXEeitY=XtYt

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 ratarata, Xt=Xtnn .
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-nXn0=i-ndndtnXtt=0.
Sebagai contoh, X memiliki Distribusi Cauchy standar maka
Fungsi

Xt=e-t.

menunjukkan

ini

tidak

bahwa

terdiferensiasi di t=0.
distribusi

Hal

Cauchy

ini
tidak

memiliki ekspektasi. Lihat juga bahwa fungsi karakteristik ratarata sampel X dari n pengamatan independen memiliki fungsi
karakteristik
Xt=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

parameter

skala

populasinya sendiri.
Contoh
Suatu

distribusi

gamma dengan

parameter bentuk k yang memiliki fungsi karakteristik

dan
1-it-k.

Misalkan X~k1, and Y~k2, 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 : Xt=1it-k1 dan Yt=1-it-k2 yang dengan independensi dan sifat dasar
fungsi karakteristik menyebabkan :

X+Yt=XtYt= 1-it-k11-it-k2=1-it-k1+k2.
Ini adalah fungsi karakteristik dari distribusi gamma parameter
skala dan parameter bentuk k1 + k2.
Dengan
Hasilnya

demikian
dapat

kita

dapat

diperluas

menyimpulkan

untuk

X+Y~k1+k2,.

variable-variabel

acak

berdistribusi gamma yang independen dengan parameter skala

yang sama, dan kita mendapatkan :
i 1, ,n : Xi~ki, i=1nXi~i=1nki,
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.unisofia.bg/vesta/virtual_labs/expect/expect5.html (diakses
tanggal 30 Juni 2010)
Moment-Generating Function,

http://mathworld.wolfram.com/MomentGeneratingFunction.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)