Bab 1

Pendahuluan Umum

Pada bagian ini dibahas review Teori Peluang

dan pengertian Proses Stokastik.
1.1

Ruang Contoh, Kejadian dan Peluang

Pada pemodelan stokastik kita sering perlu

memeriksa validitas dari suatu model dengan
menggunakan data empirik. Agar bisa memperoleh data empirik yang menggambarkan perilaku suatu fenomena, kadangkala kita perlu
mengadakan percobaan yang dapat diulang dalam kondisi yang sama. Meskipun diulang dalam kondisi yang sama, hasil dari percobaan
ini tidak dapat ditebak dengan tepat, namun
kita mengetahui semua kemungkinan hasilnya.
Percobaan semacam ini disebut percobaan acak.

Bab 1. Pendahuluan Umum

Denisi 1.1 (Ruang Contoh dan Kejadian)

Himpunan semua hasil dari suatu percobaan
acak disebut ruang contoh (ruang sampel),
dinotasikan dengan . Himpunan bagian dari
suatu ruang contoh disebut kejadian.
Denisi 1.2 (Medan-)
Medan- adalah suatu himpunan F yang anggotanya adalah himpunan bagian dari ruang
contoh serta memenuhi syarat-syarat berikut
(i) ; 2 F.

(ii) Jika A1; A2; : : : 2 F maka [1

i=1Ai 2 F.
(iii) Jika A 2 F maka Ac 2 F, dengan Ac
menyatakan komplemen dari himpunan A.
Jadi, suatu himpunan F disebut medan- (eld) jika ; adalah anggota F, F tertutup
terhadap operasi union takhingga, dan F tertutup terhadap operasi komplemen.

1.1 Ruang Contoh, Kejadian dan Peluang

Denisi 1.3 (Ukuran Peluang)

Suatu ukuran peluang P pada (; F) adalah
suatu fungsi P : F ! [0; 1] yang memenuhi
syarat-syarat berikut
(i) P(;) = 0 dan P() = 1.
(ii) jika A1; A2; : : : 2 F adalah himpunanhimpunan yang saling lepas, yaitu Ai\Aj =
; untuk setiap pasangan i; j dengan i 6
= j,
maka
1
X
1
P(Ai):
P ([i=1Ai) =
i=1

Pasangan (; F; P) disebut ruang peluang (probability space).

Denisi 1.4 (Kejadian Bebas)
Kejadian A dan B dikatakan saling bebas jika
P(A \ B) = P(A)P(B):
Secara umum, himpunan kejadian fAi; i 2 Ig
disebut saling bebas jika
Y
P(Ai)
P (\i2J Ai) =
i2J

untuk setiap himpunan bagian berhingga J

dari I.

1.2

Bab 1. Pendahuluan Umum

Peubah Acak dan Sebarannya

Denisi 1.5 (Peubah Acak)

Suatu peubah acak (random variable) adalah
suatu fungsi X : ! R dengan sifat bahwa
untuk setiap x 2 R, f! 2 ; X(!) xg 2
F.
Denisi 1.6 (Fungsi Sebaran)
Fungsi sebaran (distribution function) dari
suatu peubah acak X adalah fungsi FX : R !
[0; 1] yang diberikan oleh FX (x) = P(X
x).
Denisi 1.7 (Peubah Acak Diskret)
Peubah acak X dikatakan diskret jika nilainya
hanya pada himpunan bagian yang tercacah
fx1; x2; : : :g dari R.

Suatu himpunan bilangan C disebut tercacah

jika C terdiri atas bilangan berhingga atau
anggota C dapat dikorespondensikan 11 dengan bilangan bulat positif.

1.2 Peubah Acak dan Sebarannya

Denisi 1.8 (Fungsi Masa Peluang)

Fungsi masa peluang (probability mass function) dari suatu peubah acak diskret X adalah
fungsi pX : R ! [0; 1] yang diberikan oleh
pX (x) = P(X = x).
Denisi 1.9 (Peubah Acak Kontinu)
Peubah acak X dikatakan kontinu jika fungsi
sebarannya dapat diekspresikan sebagai
Z

x f (u)du
FX (x) = 1

untuk suatu fungsi f : R ! [0; 1) yang dapat diintegralkan. Selanjutnya fungsi f = fX

disebut fungsi kepekatan peluang (probability density function) bagi X.

1.3

Bab 1. Pendahuluan Umum

Momen, Nilai Harapan dan Ragam

Denisi 1.10 (Momen)

(i) Jika X adalah peubah acak diskret dengan
fungsi masa peluang pX , maka momen ke-k
dari X didenisikan sebagai
E(X k ) =

8i

xki pX (xi)

jika jumlah di atas konvergen. Jika jumlah di atas divergen, maka momen ke-k dari
peubah acak X adalah tidak ada.
(ii) Jika X adalah peubah acak kontinu dengan
fungsi kepekatan peluang fX , maka momen
ke-k dari X didenisikan sebagai
Z
k
1 xk f (x)dx
E(X ) = 1
X

jika integral di atas konvergen. Jika integral di atas divergen, maka momen ke-k
dari peubah acak X adalah tidak ada.
Momen pertama dari suatu peubah acak X
disebut nilai harapan (expected value) dari
X, dan dilambangkan dengan E(X).

1.3 Momen, Nilai Harapan dan Ragam

Denisi 1.11 (Momen Pusat)

Momen pusat ke-k dari suatu peubah acak X
didenisikan sebagai momen ke-k dari peubah
acak (X EX), yaitu E(X EX)k .
Momen pusat pertama adalah nol. Momen
pusat ke-2 dari X disebut ragam (variance)
dari X, dan dinotasikan dengan var(X) atau
2 .
X
Denisi 1.12 (Fungsi Pembangkit Momen)
Fungsi pembangkit momen (moment generating function) dari suatu peubah acak X
didenisikan sebagai
0

MX (t) = E @etX A
untuk t 2 R sehingga nilai harapan di atas
ada.
Momen ke-k dari peubah acak X dapat diperoleh dengan cara menentukan turunan ke-k
dari fungsi pembangkit moment MX (t) untuk
nilai t = 0. Jadi,
(k)

E(X k ) = MX (0):

Bab 1. Pendahuluan Umum

Denisi 1.13 (Fungsi Pembangkit Peluang)

Fungsi pembangkit peluang (probability generating function) dari suatu peubah acak X
didenisikan sebagai
0

GX (s) = E @sX A
untuk s 2 R sehingga nilai harapan di atas
ada.
Adalah mudah untuk memverikasi pola berikut:
G0X (1) = EX, G00X (1) = EX(X 1), dan
seterusnya. Secara umum dapat ditulis
(k)
E (X(X 1)(X 2) : : : (X k + 1)) = GX (1):

1.4 Sebaran Bersyarat dan Nilai Harapan Bersyarat

1.4

Sebaran Bersyarat dan Nilai Harapan Bersyarat

Denisi 1.14 (Fungsi Sebaran Bersama)

Fungsi sebaran bersama dari dua peubah acak
X dan Y adalah fungsi F : R2 ! [0; 1] yang
diberikan oleh
FX;Y (x; y) = F (x; y) = P(X x; Y y):

Untuk selanjutnya hanya akan diberikan contoh pola untuk peubah acak kontinu. Pola
untuk peubah acak diskret dapat diperoleh dengan cara serupa, misalnya dengan mengganti
fungsi kepekatan peluang dengan fungsi masa
peluang, dan dengan mengganti integral dengan notasi penjumlahan.

10

Bab 1. Pendahuluan Umum

Denisi 1.15 (Sebaran Bersama Dua Peubah

Acak Kontinu)
Peubah acak X dan Y disebut dua peubah
acak kontinu yang menyebar bersama jika untuk setiap x; y 2 R fungsi sebaran bersamanya
dapat diekspresikan sebagai
y Zx
F (x; y) = 1 1 f (u; v)dudv
untuk suatu fungsi f : R2 ! [0; 1] yang terinZ

tegralkan. Selanjutnya, fungsi f disebut fungsi

kepekatan peluang bersama dari peubah acak
X dan Y .
Dari ekspresi di atas dapat dilihat hubungan
berikut
@ @
f (x; y) =
(F (x; y)) :
@x @y

1.4 Sebaran Bersyarat dan Nilai Harapan Bersyarat

11

Denisi 1.16 (Fungsi Sebaran dan Kepekatan

Peluang Marginal)
Misalkan X dan Y adalah peubah acak kontinu yang menyebar bersama dengan fungsi sebaran bersama F (x; y) dan fungsi kepekatan
peluang bersama f (x; y). Fungsi sebaran marginal
dari peubah acak X dan Y adalah berturutturut
FX (x) = P(X x) = F (x; 1)
FY (y) = P(Y y) = F (1; y):
Fungsi kepekatan peluang marginal dari peubah
acak X dan Y adalah berturut-turut
1 f (x; y)dy;
fX (x) = 1
Z
1 f (x; y)dx:
fY (y) = 1
Z

12

Bab 1. Pendahuluan Umum

Denisi 1.17 (Fungsi Sebaran Bersyarat)

Fungsi sebaran bersyarat dari X dengan syarat
Y = y, ditulis FXjY (xjy) atau P(X xjY =
y), diberikan oleh
f (u; y)
x
du
FXjY (xjy) = u=1
fY (y)
Z

untuk sembarang x sehingga fY (y) 0.

Denisi 1.18 (Fungsi Kepekatan Peluang Bersyarat)
Fungsi kepekatan peluang bersyarat dari X
dengan syarat Y = y, ditulis fXjY (xjy), diberikan
oleh
f (x; y)
fXjY (xjy) =
fY (y)
untuk sembarang x sehingga fY (y) 0.

1.4 Sebaran Bersyarat dan Nilai Harapan Bersyarat

13

Denisi 1.19 (Nilai Harapan Bersyarat)

Nilai harapan bersyarat dari X dengan syarat
Y = y, ditulis E(XjY = y), diberikan oleh
1 xf
E(XjY = y) = 1
XjY (xjy)dx:
Z

Teorema 1.1 Untuk setiap peubah acak X

dan Y maka berlaku
E(X) = E(E(XjY )):
Dengan kata lain, jika Y adalah peubah acak
diskret maka
E(X) =

8y

(E(XjY = y))P(Y = y);

dan jika Y adalah peubah acak kontinu maka

1 (E(XjY = y))f (y)dy:
E(X) = 1
Y
Z

Bukti dari teorema ini dapat dilihat di Ross

(2000).

14

Bab 1. Pendahuluan Umum

Ide penentuan nilai harapan lewat nilai harapan bersyarat dapat juga diterapkan untuk
menentukan nilai peluang lewat peluang bersyarat. Misalkan E adalah sembarang kejadian dan X adalah peubah acak indikator dari
E, yaitu X = 1 jika E terjadi dan X = 0
jika E tidak terjadi. Dengan demikian maka
E(X) = P(E), dan untuk setiap peubah acak
Y kita memiliki E(XjY = y) = P(EjY =
y): Sehingga berdasarkan Teorema di atas kita
peroleh hasil berikut.
Corollary 1.2 Misalkan E adalah sembarang
kejadian dan Y adalah suatu peubah acak.
Jika Y adalah peubah acak diskret maka
P(E) =

8y

(P(EjY = y))P(Y = y);

dan jika Y adalah peubah acak kontinu maka

1 (P(EjY = y))f (y)dy:
P(E) = 1
Y
Z

1.4 Sebaran Bersyarat dan Nilai Harapan Bersyarat

15

Contoh 1.1 Misalkan X dan Y adalah peubah

acak kontinu yang saling bebas, dengan fungsi
kepekatan peluang masing-masing adalah fX
dan fY . Tentukan P(X < Y ).
Jawab:
1 (P(X < Y jY = y))f (y)dy
P(X < Y ) = 1
Y
Z

1 (P(X < yjY = y))f (y)dy

= 1
Y
Z

1 (P(X < y))f (y)dy

= 1
Y
Z

Z
!
y
1
= 1 1 fX (x)dx fY (y)dy:
Z

16

1.5

Bab 1. Pendahuluan Umum

Pengertian Proses Stokastik

Denisi 1.20 Proses stokastik X = fX(t); t 2

T g adalah suatu koleksi (gugus, himpunan,
atau kumpulan) dari peubah acak (random
variables) yang memetakan suatu ruang contoh (sample space) ke suatu ruang state
(state space) S.
Jadi, untuk setiap t pada gugus (himpunan)
indeks T , X(t) adalah suatu peubah acak.
Kita sering menginterpretasikan t sebagai waktu
(meskipun dalam berbagai penerapannya t tidak
selalu menyatakan waktu), dan X(t) kita sebut sebagai state (keadaan) dari proses pada
waktu t.
Ruang state S mungkin berupa:
(a) S = Z (gugus bilangan bulat(integer)),
atau anak gugusnya.
(b) S = R (gugus bilangan nyata (real)), atau
anak gugusnya.

1.5 Pengertian Proses Stokastik

17

Denisi 1.21 Suatu proses stokastik X disebut proses stokastik dengan waktu diskret
(discrete-time stochastic process) jika gugus
indeks T adalah gugus tercacah (countable
set), sedangkan X kita sebut proses stokastik dengan waktu kontinu (continuous-time
stochastic process) jika T adalah suatu interval.
Contoh gugus indeks T pada proses stokastik
dengan waktu diskret adalah T = f0; 1; 2; : : :g,
sedangkan contoh gugus indeks T pada proses
stokastik dengan waktu kontinu adalah T =
[0; 1), atau gugus bilangan nyata.
Proses kedatangan pelanggan (customers)
pada suatu antrian mungkin dapat dimodelkan dengan proses stokastik. Sedangkan layanan
yang diperlukan mungkin juga dapat dimodelkan dengan proses stokastik yang lain. Interaksi dari kedua proses ini akan membentuk suatu proses stokastik yang baru, misalnya
barisan dari ketertundaan pelanggan.

18

Bab 1. Pendahuluan Umum

Denisi 1.22 : Suatu proses stokastik dengan waktu kontinu fX(t); t 2 T g disebut
memiliki inkremen bebas (independent increments) jika untuk semua t0 < t1 < t2 <
tn, peubah acak X(t1)X(t0); X(t2)X(t1); : : : ;
X(tn1) adalah bebas (independent).
Dengan kata lain, suatu proses stokastik dengan waktu kontinu X disebut memiliki inkremen bebas jika proses berubahnya nilai pada
interval waktu yang tidak tumpang tindih (tidak
overlap) adalah bebas.
Denisi 1.23 : Suatu proses stokastik dengan waktu kontinu fX(t); t 2 T g disebut
memiliki inkremen stasioner (stationary increments) jika X(t + s) X(t) memiliki sebaran yang sama untuk semua nilai t.
Dengan kata lain, suatu proses stokastik dengan waktu kontinu X disebut memiliki inkremen stasioner jika sebaran (distribusi) dari perubahan nilai antara sembarang dua titik hanya
tergantung pada jarak antara kedua titik tersebut, dan tidak tergantung dari lokasi titiktitik tersebut.

1.5 Pengertian Proses Stokastik

19

Catatan 1.1 :
1. Kita sebut proses fX(t); t 2 T g adalah
pada state x pada waktu t, jika kejadian
fX(t) = xg telah terjadi.

2. Memodelkan suatu fenomena ke dalam model

dengan waktu diskret maupun waktu kontinu, kadang-kadang semata-mata masalah
pilihan. Sebagai contoh, kita dapat memodelkan rata-rata stok pasar sebagai proses
stokastik dengan waktu diskret fX(t); t =
0; 1; 2; : : :g, dengan X(t) menyatakan ratarata stok pasar pada akhir hari ke t, dan
t = 0 menyatakan hari ini. Di lain pihak,
jika kita ingin memantau stok pasar secara
kontinu, maka kita menggunakan proses stokastik dengan waktu kontinu.

20

Bab 1. Pendahuluan Umum

Latihan 1.1:
(1) Misalkan MX (t) adalah fungsi pembangkit
momen dari peubah acak X. Perlihatkan
(k)
bahwa E(X k ) = MX (0).
(2) Misalkan GX (s) adalah fungsi pembangkit
peluang dari peubah acak X. Perlihatkan
bahwa E(X(X 1)(X 2) : : : (X k +
(k)
1)) = GX (1).
(3) Misalkan X adalah peubah acak eksponensial dengan rataan 1= dan Y adalah peubah
acak eksponensial dengan rataan 1=. Perlihatkan bahwa

P(X < Y ) =
:
+