PROSES STOKASTIK DAN SIFAT-SIFATNYA
Dalam pemodelan matematika, istilah stokastik dapat diklasifikasikan menjadi
deterministik" dan stokastik seringkali empat macam, yaitu:
didengar. Apa perbedaan mendasar antara
deterministik dan stokastik? Untuk
menjawab pertanyaan tersebut, perhatikan
gambar berikut ini:
Serangkaian pengamatan merupakan
proses deterministik apabila nilai dari
serangkaian pengamatan tersebut dapat
dirumuskan secara pasti, akan tetapi jika
pengamatan tersebut belum dapat
dirumuskan secara pasti dan didekati dengan
probabilistik disebut proses stokastik.
Konsep proses stokastik merupakan
perluasan dari konsep variabel acak dengan
memasukkan parameter waktu. Kata proses
dalam konteks ini berarti fungsi dari waktu.
Jadi proses stokastik dapat diartikan sebagai
fungsi stokastik dari waktu. Secara teoritis,
Y
suatu proses stokastik { t } adalah koleksi
peubah acak dengan t menyatakan
Yt
indeks waktu. sering disebut sebagai
keadaan dan t sering disebut sebagai
indeks /parameter. Berdasarkan jenis dari
ruang keadaan dan ruang parameter, proses
1) Proses stokastik dengan ruang keadaan
diskrit dan ruang parameter diskrit.
Salah satu contoh dari proses stokastik
ini adalah Frekuensi klaim suatu
perusahaan asuransi per bulan.
Berdasarkan contoh tersebut, Frekuensi
klaim suatu perusahaan asuransi
merupakan keadaan dengan bulan
merupakan indeks waktu. Ruang
keadaan pada contoh tersebut dihasilkan
dari proses menghitung (countable) dan
indeks waktunya adalah diskrit karena
bersifat bulanan.
2) Proses stokastik dengan ruang keadaan
kontinu dan ruang parameter diskrit.
Salah satu contoh dari proses stokastik
ini adalah Waktu antar kedatangan
klaim. Berdasarkan contoh tersebut,
Waktu antar kedatangan merupakan
keadaan dengan klaim merupakan
indeks waktu. Ruang keadaan pada
contoh tersebut merupakan sebuah
interval pada suatu garis bilangan real
sehingga termasuk variabel kontinu.
3) Proses stokastik dengan ruang keadaan
diskrit dan ruang parameter kontinu.
Berbeda dengan jenis pertama dan kedua
sebelumnya, indeks waktu pada proses
stokastik ini merupakan variabel
kontinu. Salah satu contohnya adalah
Banyak kejadian kecelakaan kendaraan
bermotor dalam suatu waktu tertentu.
Indeks waktu pada contoh tersebut
merupakan variabel kontinu karena
pengamatan dilakukan secara kontinu.
 Contoh ini juga merupakan salah satu Y r Y s
variabel acak hanya tergantung
contoh aplikasi dari Proses Renewal.
4) Proses stokastik dengan ruang keadaan pada panjang dari interval tersebut ( rs ) .
kontinu dan ruang parameter kontinu.
Besar pergerakan nilai saham pada suatu
Proses Markov
waktu tertentu merupakan salah satu
contoh jenis proses stokastik ini. {Y t , t 0 }
Suatu proses stokastik
Biasanya Model Gerak Brown
digunakan untuk memodelkan proses merupakan proses Markov jika memenuhi
stokastik seperti ini. sifat Markov berikut ini:
Untuk setiap q , r , s t , dimana
Salah satu hal penting untuk dibahas
dalam proses stokastik adalah sifat-sifat q r < s , distribusi Ys Yr
bersyarat
yang terdapat didalamnya. Berdasarkan
sifat-sifat tersebut dapat ditentukan model Ys
sama dengan distribusi bersyarat
yang tepat untuk proses stokastik {Y t } . {Y q , q r } atau dapat ditulis
Beberapa sifat-sifat dari proses stokastik ini
diberikan sebagai berikut: f ( y s y r ) =f ( y s y t , y t , , y r )
1 2

Kenaikan Saling Bebas (Independent

Increments) Dapat dikatakan bahwa proses markov
adalah suatu kejadian di masa yang akan
Suatu proses stokastik {Y t , t 0 } datang hanya bergantung pada keadaan
sekarang dan tidak dipengaruhi masa
dikatakan memiliki kenaikan saling bebas
lampau.
t , i=1,2, , n
jika untuk setiap i , dimana
Kestasioneran Kuat (Strictly Stationary)
t 1 <t 2 <<t n
, variabel acak
Suatu proses stokastik {Y t , t 0 }
Y 2Y 1 ,Y 3Y 2 , ,Y n Y n1
saling
dikatakan stasioner kuat jika untuk setiap
bebas. k >0 ,
Kenaikan Stasioner (Stationary
Increments) f ( yt , y t , , y t ) =f ( y t , y t , , yt
1 2 n 1+ h 2+ h n+ h
)

Suatu proses stokastik {Y t , t 0 }

dikatakan memiliki kenaikan stasioner jika
untuk setiap r , s t , dimana r < s ,
Biasanya sifat kestasioneran kuat ini sangat
sulit dipenuhi dalam suatu proses stokastik,
sehingga yang lebih sering digunakan adalah
sifat kestasioneran lemah.

Kestasioneran Lemah (Weakly Stationary)

Suatu proses stokastik {Y t , t 0 } Suatu proses stokastik {Y t , t 0 } memiliki
dikatakan stasioner lemah jika untuk setiap sifat martingale, jika
t ,
E [ Y t Y t , Y t , , Y t ] =Y t
n+ 1 1 2 n n

2
E [ Y t ]=
dan Var ( Y t ) =
Dengan kata lain, bahwa nilai mean dan
variansinya selalu bernilai konstan. Oleh
karena itu, kestasioneran lemah ini sering
disebut juga kestasioneran orde kedua.
Jika suatu proses stokastik memenuhi sifat
kestasioneran kuat, hal itu berarti memenuhi
juga sifat kestasioneran lemah. Akan tetapi,
tidak berlaku sebaliknya.
Martingale
Sifat martingale memberikan bahwa jika
diberikan data masa lalu sampai sekarang,
nilai kejadian (yang diharapkan) terjadi pada
masa yang akan dating adalah nilai kejadian
yang terjadi saat ini.
Sumber:
Bosq, D., and Nguyen, H.T. 1996. A Course
In Stochastic Processes Stochastic Models
and Statistical Inference: Springer-Science.
http://share.its.ac.id/course/view.php?
id=1103