Anda di halaman 1dari 4

Chapter 2

Konsep-konsep dasar
2.1 Proses Stokastik
Denisi 2.1.1. Proses stokastik adalah keluarga variabel random {X
t
, t T} yag didenisikan
pada ruang probabilitas (, F, P).
Disini T menunjukkan suatu himpunan beranggotakan titik waktu
Jika T = R atau R
+
, model disebut continuous time series
Jika T = Z atau N
+
,model disebut discrete time series
Jika T = lokasi geogras= G, model disebut spatial time series. Untuk {Z, G} dikenal model
runtun waktu space time/spatio temporal.
Dalam kuliah ini, hanya digunakan pada T = Z atau N, yakni model runtun waktu diskrit. Hal ini
dikarenakan pada aplikasi empiris yang akan dipelajari pada kuliah, waktu yang bersifat kontinu
sering didekati dengan melakukan diskritisasi terhadap waktu pengamatan.
Denisi 2.1.2. (Realisasi dari suatu proses stokastik)
Fungsi {X(), } pada T disebut realisasi atau sample-path dari proses {X
t
, t T}.
Denisi 2.1.3. Suatu time series adalah proses stokastik dimana T adalah himpunan titik
waktu. Terminologi time series (atau runtun waktu) lebih mengacu kepada realisasi dari proses!
Denisi 2.1.4. (Cumulative Distribution Function/CDF dari suatu proses stokastik).
Misalkan T menyatakan himpunan dari semua vektor {t = (t
1
, t
2
, . . . , t
n
)

T
n
: t
1
< t
2
< . . . <
t
n
, n = 1, 2, . . .}. Maka CDF (dimensi berhingga) dari {X
t
, t T} adalah fungsi {F
t
(), t T }
didenisikan pada t = (t
1
, t
2
, . . . , t
n
)

, x = (x
1
, . . . , x
n
) R
n
sebagai
F
X
(x, t) = F
t
(x) = P(X
t1
x
1
, . . . , X
tn
< x
n
)
= F(X
t1
, X
t2
, . . . , X
tn
(x
1
, . . . , x
n
; t
1
, . . . , t
n
)
Denisi 2.1.5. (Fungsi mean)
m(t) = E(x
t
) =

xdF
x
(x, t), t T
Fungsi ini menyatakan nilai rata-rata (leverage) dari proses pada keseluruhan waktu.
Denisi 2.1.6. (Fungsi kovariansi)

x
(t, s) = Cov(X
t
, X
s
) = E((X
t
m(t))(X
s
m(s))), t, s T
5
6 CHAPTER 2. KONSEP-KONSEP DASAR
Denisi 2.1.7. (Fungsi korelasi)
(t, s) =
(t, s)

(t, t) (s, s)
Sifat-sifat fungsi korelasi proses stokastik
1. Simetri: (t, s) = (s, t), (t, s) = (s, t), t, s T
2. Positivity: (t, t) 0 dan (t, t) = 1, t T
3. Ketidaksamaan Schwarz
|(t, s)|

(t, t)(s, s)
|(t, s)| 1, t, s T
4. Nonnegative denite
n

i=1
n

j=1
x
i
(t
i
, t
j
)x
j
0
n

i=1
n

j=1
x
i
(t
i
, t
j
)x
j
0
t
i
T, i = 1, 2, . . . , n , x
i
R, i = 1, . . . n dan n N
2.2 Stasioner (Strictly) dan (Wide-Sense) Stasioner
Denisi 2.2.1. (WS Stasioner) Proses runtun waktu {X
t
, t T} dengan T = Z = {0, 1, 2, . . .}
disebut proses W S stasioner jika
(i) E(|X
t
|
2
) < t Z.
(ii) E(X
t
) = konstanta, independen dengan t, t Z.
(iii)
X
(t, s) =
X
(t +h, s +h), t, s, h Z
Catatan:
Denisi di atas sering disebut sebagai stasioner dalam wide-sense, atau weakly station-
ary, covariance stasioner, atau stasioner pada/dalam orde ke 2. Dalam kuliah ini sta-
sioner hampir selalu didenisikani seperti di atas, kecuali disebutkan secara berbeda.
Jika {X
t
} stasioner, maka
X
(t, s) =
X
(t s, 0) yakin fungsi kovariansi hanya bergantung
kepada jarak waktu (t s) (tetapi idak bergantung kepada t dan/atau s secara sendiri-
sendiri). Fungsi kovariansi untuk proses stasioner dapat didenisikan ulang sebagai

X
(h) =
X
(h, 0) = cov(X
t+h
, X
t
), t, h Z
ditulis/dibaca sebagai kovariansi pada lag-h. Secara ekuivalen, fungsi korelasi dari proses
{X
t
} stasioner pada lagh didenisikan sebagai

X
(h) =

X
(h)

X
(0)
= cor(X
th
, X
t
)
2.3. HUBUNGAN ANTARA STRICLY STASIONER DAN W S STASIONER 7
Sifat-sifat fungsi kovariansi dan korelasi proses stasioner
1. Positivity: (0) 0, (0) = 1
2. Simetri : (h) = (h)dan (h) = (h), suatu fungsi genap/even function.
3. Ketidaksamaan Schwarz: |(h)| (0), |(h)| 1, h T
4. Karakterisasi fungsi autokovariansi: Fungsi berharga real yang didenisikan pada bi-
langan bulat adalah fungsi autokovariansi dari proses runtun waktu yang stasioner jika
dan hanya jika fungsi tersebut fungsi genap dan bersifat nonnegative denite. Nonneg-
ative denite, disini didenisikan sebagai, untuk t
i
T, i = 1, 2, . . . , n , x
i
R, i =
1, . . . n dan n N berlaku
n

i=1
n

i=1
x
i
(t
i
t
j
)x
j
> 0
dengan
() adalah () atau ()
Denisi 2.2.2. (Strictly Stationer)
Proses stokastik {X
t
, t T} disebut bersifat strictly stasioner jika fungsi distribusi (kumulatif )
gabungan (yakni CDF) dari (X
t1
, . . . , X
t
k
)

dan (X
t1+h
, . . . , X
t
k
+h
) sama untuk semua nilai k
Z
+
dan untuk semua t
1
, . . . , t
k
, h Z. Dengan kata lain, seluruh sifat-sifat statistik dari proses
yang bersifat strictly stasioner tidak berubah karena pergeseran waktu.
Contoh 2.2.3. Tunjukkan apakah proses berikut stasioner atau tidak?
X
t
= Z
0
cos (ct)
dengan Z
t
, t = 0, 1, . . . , suatu variabel random independen dengan mean 0 dan variansi
2
<
dan c suatu konstanta.
Jawab : Akan ditunjukkan apakah sifat-sifat proses W S stasioner berlaku atau tidak.
1. E(X
t
) = E(Z
0
cos(ct) = E(Z
0
) cos(ct) = 0 dengan substitusi E(Z
0
) = 0, suatu konstanta
2. E(|X
t
|
2
) = E(|Z
0
cos ct|
2
) E(Z
2
0
) =
2
< dengan substitusi | cos ct| 1
3.
Cov(X
t+h
, X
t
) = E(X
t+h
X
t
)
= E ((Z
0
cos c(t +h))(Z
0
cos ct))
=
2
cos[c(t +h)] cos[ct]
=

2
2
[cos(2ct +ch) + cos(ch)]
bergantung pada t jika c = 2.k, k Z
+
. Dapat disimpulkan bahwa X
t
bukan proses (W S)
stasioner.
2.3 Hubungan antara stricly stasioner dan W S stasioner
Jika {X
t
} bersifat strictly stasioner maka dari denisi diperoleh
8 CHAPTER 2. KONSEP-KONSEP DASAR
Ambil k = 1 maka (X
t
) dan (X
t+h
) berdistribusi sama (identically distributed) untuk se-
mua t Z. Jika E(|X
t
|
2
) < maka E(X
t
) dan E(X
t+h
) sama atau konstan (tidak
dipengaruhi oleh waktu). Dengan alasan sama diperoleh var(X
t
) konstan, yakni berlaku
var(X
t+h
) = var(X
t
)
Ambil k = 2, maka (X
t1
, X
t2
) dan (X
t1+h
, X
t2+h
) memiliki fungsi distribusi gabungan yang
sama, yakni fungsi kovariansi yang sama untuk semua h Z
Dari analisa diatas diperoleh proses strictly stasioner yang memiliki momen orde kedua yang
berhingga akan bersifat W-S stasioner. Namun secara umum tidak berlaku sebaliknya, seperti
yang ditunjukkan dengan contoh berikut.
Contoh 2.3.1. Diketahui {X
t
} adalah barisan variabel random independen, sedemikian hingga
X
t
Exp(1) t ganjil
X
t
N(1, 1) t genap
maka:
1. E(X
t
) = 1 konstan, tidak dipengaruhi waktu.
2. EX
2
t
berhingga
3. V ar(X
t
) =
X
(0) = 1
Untuk h 1,
X
(h) = cov(X
t+h,
X
t
) = E(X
t
X
t+h
) E(X
t
)E(X
t+h
) = E(X
t
)E(X
t+h
)
E(X
t
)E(X
t+h
) = 0
Terlihat proses diatas merupakan proses stasioner (WS). Akan tetapi {X
t
} dan {X
t+h
} memiliki
distribusi berbeda untuk h = 0 yakni {X
t
} tidak bersifat strictly stasioner.
Contoh 2.3.2. Z
t
adalah random variabel iid dengan E(Z
t
) = 0, var(Z
t
) =
2
z
< . Denisikan
X
t
= Z
t
+Z
t1
, maka diperoleh EX
t
= 0, EX
2
t
< dan
Cov(X
t+h
, X
t
) = Cov(Z
t
+Z
t1
, Z
t+h
+Z
t+h1
)
=

(1 +
2
)
2
Z
h = 0

2
Z
h = 1
0 |h| > 1
Terlihat proses ini merupakan proses stasioner (dan dapat ditunjukkan juga merupakan proses
strictly stasioner)
Tugas :
1. Amati apakah proses berikut stasioner atau tidak?
a X
t
= Z
1
cos(ct) +Z
2
sin(ct)
b X
t
= Z
0
cos(ct)
c X
t
= Z
t
Z
t1
dimana Z
t
.t = 0, 1, 2, . . . adalah variabel random independen dengan mean 0 dan variansi