Anda di halaman 1dari 3

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 1) Proses stokastik dengan ruang keadaan
menjawab pertanyaan tersebut, perhatikan diskrit dan ruang parameter diskrit.
Salah satu contoh dari proses stokastik
gambar berikut ini:
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
Serangkaian pengamatan merupakan bersifat bulanan.
2) Proses stokastik dengan ruang keadaan
proses deterministik apabila nilai dari
kontinu dan ruang parameter diskrit.
serangkaian pengamatan tersebut dapat
Salah satu contoh dari proses stokastik
dirumuskan secara pasti, akan tetapi jika
ini adalah Waktu antar kedatangan
pengamatan tersebut belum dapat
klaim. Berdasarkan contoh tersebut,
dirumuskan secara pasti dan didekati dengan
Waktu antar kedatangan merupakan
probabilistik disebut proses stokastik.
keadaan dengan klaim merupakan
Konsep proses stokastik merupakan indeks waktu. Ruang keadaan pada
perluasan dari konsep variabel acak dengan contoh tersebut merupakan sebuah
memasukkan parameter waktu. Kata proses interval pada suatu garis bilangan real
dalam konteks ini berarti fungsi dari waktu. sehingga termasuk variabel kontinu.
Jadi proses stokastik dapat diartikan sebagai 3) Proses stokastik dengan ruang keadaan
fungsi stokastik dari waktu. Secara teoritis, diskrit dan ruang parameter kontinu.
Berbeda dengan jenis pertama dan kedua
Y
suatu proses stokastik { t } adalah koleksi sebelumnya, indeks waktu pada proses
stokastik ini merupakan variabel
peubah acak dengan t menyatakan kontinu. Salah satu contohnya adalah
Yt Banyak kejadian kecelakaan kendaraan
indeks waktu. sering disebut sebagai
bermotor dalam suatu waktu tertentu.
keadaan dan t sering disebut sebagai Indeks waktu pada contoh tersebut
merupakan variabel kontinu karena
indeks /parameter. Berdasarkan jenis dari
pengamatan dilakukan secara kontinu.
ruang keadaan dan ruang parameter, proses
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 }


Biasanya sifat kestasioneran kuat ini sangat
dikatakan memiliki kenaikan stasioner jika sulit dipenuhi dalam suatu proses stokastik,
sehingga yang lebih sering digunakan adalah
untuk setiap r , s t , dimana r < s ,
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 ) = Sifat martingale memberikan bahwa jika
diberikan data masa lalu sampai sekarang,
Dengan kata lain, bahwa nilai mean dan nilai kejadian (yang diharapkan) terjadi pada
variansinya selalu bernilai konstan. Oleh masa yang akan dating adalah nilai kejadian
karena itu, kestasioneran lemah ini sering yang terjadi saat ini.
disebut juga kestasioneran orde kedua.
Sumber:
Jika suatu proses stokastik memenuhi sifat Bosq, D., and Nguyen, H.T. 1996. A Course
kestasioneran kuat, hal itu berarti memenuhi In Stochastic Processes Stochastic Models
juga sifat kestasioneran lemah. Akan tetapi, and Statistical Inference: Springer-Science.
http://share.its.ac.id/course/view.php?
tidak berlaku sebaliknya.
id=1103
Martingale