Chapter 2

Konsep-konsep dasar
2.1

Proses Stokastik

Definisi 2.1.1. Proses stokastik adalah keluarga variabel random {Xt , t T } yag didefinisikan
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 geografis= 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.
Definisi 2.1.2. (Realisasi dari suatu proses stokastik)
Fungsi {X(), } pada T disebut realisasi atau sample-path dari proses {Xt , t T }.
Definisi 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!
Definisi 2.1.4. (Cumulative Distribution Function/CDF dari suatu proses stokastik).
Misalkan T menyatakan himpunan dari semua vektor {t = (t1 , t2 , . . . , tn ) T n : t1 < t2 < . . . <
tn , n = 1, 2, . . .}. Maka CDF (dimensi berhingga) dari {Xt , t T } adalah fungsi {Ft (), t T }
didefinisikan pada t = (t1 , t2 , . . . , tn ) , x = (x1 , . . . , xn ) Rn sebagai
FX (x, t) = Ft (x) = P (Xt1 x1 , . . . , Xtn < xn )
= F (Xt1 , Xt2 , . . . , Xtn (x1 , . . . , xn ; t1 , . . . , tn )
Definisi 2.1.5. (Fungsi mean)
m(t) = E(xt ) =

xdFx (x, t), t T

Fungsi ini menyatakan nilai rata-rata (leverage) dari proses pada keseluruhan waktu.
Definisi 2.1.6. (Fungsi kovariansi)
x (t, s) = Cov(Xt , Xs ) = E((Xt m(t))(Xs m(s))),
5

t, s T

CHAPTER 2. KONSEP-KONSEP DASAR

Definisi 2.1.7. (Fungsi korelasi)

(t, s) = p

(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
p
|(t, s)| (t, t)(s, s)
|(t, s)| 1, t, s T
4. Nonnegative definite
n X
n
X

xi (ti , tj )xj > 0

n X
n
X

xi (ti , tj )xj > 0

i=1 j=1

i=1 j=1

ti T, i = 1, 2, . . . , n

2.2

, xi R, i = 1, . . . n dan n N

Stasioner (Strictly) dan (Wide-Sense) Stasioner

Definisi 2.2.1. (W S Stasioner) Proses runtun waktu {Xt , t T } dengan T = Z = {0, 1, 2, . . .}

disebut proses W S stasioner jika
(i) E(|Xt |2 ) <

t Z.

(ii) E(Xt ) = konstanta, independen dengan t, t Z.

(iii) X (t, s) = X (t + h, s + h), t, s, h Z
Catatan:
Definisi di atas sering disebut sebagai stasioner dalam wide-sense, atau weakly stationary, covariance stasioner, atau stasioner pada/dalam orde ke 2. Dalam kuliah ini stasioner hampir selalu didefinisikani seperti di atas, kecuali disebutkan secara berbeda.
Jika {Xt } 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 sendirisendiri). Fungsi kovariansi untuk proses stasioner dapat didefinisikan ulang sebagai
X (h) = X (h, 0) = cov(Xt+h , Xt ), t, h Z
ditulis/dibaca sebagai kovariansi pada lag-h. Secara ekuivalen, fungsi korelasi dari proses
{Xt } stasioner pada lagh didefinisikan sebagai
X (h) =

X (h)
= cor(Xth , Xt )
X (0)

2.3. HUBUNGAN ANTARA STRICLY STASIONER DAN W S STASIONER

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 didefinisikan pada bilangan bulat adalah fungsi autokovariansi dari proses runtun waktu yang stasioner jika
dan hanya jika fungsi tersebut fungsi genap dan bersifat nonnegative definite. Nonnegative definite, disini didefinisikan sebagai, untuk ti T, i = 1, 2, . . . , n , xi R, i =
1, . . . n dan n N berlaku
n X
n
X
xi (ti tj )xj > 0
i=1 i=1

dengan
() adalah () atau ()
Definisi 2.2.2. (Strictly Stationer)
Proses stokastik {Xt , t T } disebut bersifat strictly stasioner jika fungsi distribusi (kumulatif )
gabungan (yakni CDF) dari (Xt1 , . . . , Xtk ) dan (Xt1 +h , . . . , Xtk +h ) sama untuk semua nilai k
Z+ dan untuk semua t1 , . . . , tk , 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?
Xt = Z0 cos (ct)
dengan Zt , 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(Xt ) = E(Z0 cos(ct) = E(Z0 ) cos(ct) = 0 dengan substitusi E(Z0 ) = 0, suatu konstanta
2. E(|Xt |2 ) = E(|Z0 cos ct|2 ) E(Z02 ) = 2 < dengan substitusi | cos ct| 1
3.
Cov(Xt+h , Xt ) = E(Xt+h Xt )
= E ((Z0 cos c(t + h))(Z0 cos ct))
= 2 cos[c(t + h)] cos[ct]
=

2
[cos(2ct + ch) + cos(ch)]
2

bergantung pada t jika c 6= 2.k, k Z+ . Dapat disimpulkan bahwa Xt bukan proses (W S)

stasioner.

2.3

Hubungan antara stricly stasioner dan W S stasioner

Jika {Xt } bersifat strictly stasioner maka dari definisi diperoleh

CHAPTER 2. KONSEP-KONSEP DASAR

Ambil k = 1 maka (Xt ) dan (Xt+h ) berdistribusi sama (identically distributed) untuk semua t Z. Jika E(|Xt |2 ) < maka E(Xt ) dan E(Xt+h ) sama atau konstan (tidak
dipengaruhi oleh waktu). Dengan alasan sama diperoleh var(Xt ) konstan, yakni berlaku
var(Xt+h ) = var(Xt )
Ambil k = 2, maka (Xt1 , Xt2 ) dan (Xt1 +h , Xt2 +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 {Xt } adalah barisan variabel random independen, sedemikian hingga
Xt Exp(1) t ganjil
Xt N (1, 1) t genap
maka:
1. E(Xt ) = 1 konstan, tidak dipengaruhi waktu.
2. EXt2 berhingga
3. V ar(Xt ) = X (0) = 1
Untuk h > 1, X (h) = cov(Xt+h, Xt ) = E(Xt Xt+h ) E(Xt )E(Xt+h ) = E(Xt )E(Xt+h )
E(Xt )E(Xt+h ) = 0
Terlihat proses diatas merupakan proses stasioner (W S). Akan tetapi {Xt } dan {Xt+h } memiliki
distribusi berbeda untuk h 6= 0 yakni {Xt } tidak bersifat strictly stasioner.
Contoh 2.3.2. Zt adalah random variabel iid dengan E(Zt ) = 0, var(Zt ) = z2 < . Definisikan
Xt = Zt + Zt1 , maka diperoleh EXt = 0, EXt2 < dan
Cov(Xt+h , Xt ) = Cov(Zt + Zt1 , Zt+h + Zt+h1 )

2
h=0
(1 + 2 )Z
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 Xt = Z1 cos(ct) + Z2 sin(ct)
b Xt = Z0 cos(ct)
c Xt = Zt Zt1
dimana Zt .t = 0, 1, 2, . . . adalah variabel random independen dengan mean 0 dan variansi
2