Proses Wiener (disebut juga Gerak Brown)

Sumber : Roberts, A. J. : “Elementary Calculus of Financial Mathematics” , SIAM, 2009

Tulis
∆𝑡 = ℎ, 𝑡𝑗 = 𝑗ℎ, 𝑡 = 0 saat mulai proses, 𝑊𝑗 nilai proses saat 𝑡𝑗 yang memenuhi hubungan

𝑊𝑗+1 = 𝑊𝑗 + √ℎ 𝑍𝑗 dengan 𝑍𝑗 ~𝑁(0,1) dan 𝑊0 = 0

Akan dibangun proses Wiener 𝑊(𝑡) yang dikaitkan dengan situasi untuk ℎ → 0. Perhatikan
proses W pada saat 𝑡 = 𝑛ℎ dengan mengambil n langkah waktu dengan lebar selang waktu h
untuk sampai ke saat t . Sehingga 𝑊(𝑡) dihampiri oleh n inkremen acak dengan variansi h :

𝑊𝑛 = 𝑊𝑛−1 + √ℎ 𝑍𝑛−1

= 𝑊𝑛−2 + √ℎ 𝑍𝑛−2 + √ℎ 𝑍𝑛−1

=⋯

= 𝑊0 + ∑𝑛−1
𝑗=0 √ℎ 𝑍𝑗

Karena 𝑊0 = 0 dan √ℎ 𝑍𝑗 ~ 𝑁(0, ℎ) maka 𝑊(𝑡) = 𝑊(𝑛ℎ) = ∑𝑛−1

𝑗=0 √ℎ 𝑍𝑗 ~𝑁(0, 𝑛ℎ) = 𝑁(0, 𝑡)

Sehingga diperoleh 𝑊(𝑡) ~ 𝑁(0, 𝑡) .

Selanjutnya juga akan kita lihat bahwa 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) ~ 𝑁(0, 𝑡) dan, lebih jauh lagi, tidak
bergantung (bebas) dari kejadian proses yang terjadi sebelum saat s.
Misalkan saat s berkaitan dengan langkah ke 𝑗 = 𝑙 dan saat 𝑠 + 𝑡 berkaitan dengan 𝑗 = 𝑙 + 𝑛

𝑊𝑙+𝑛 = 𝑊𝑙+𝑛−1 + √ℎ 𝑍𝑙+𝑛−1

= 𝑊𝑙+𝑛−2 + √ℎ 𝑍𝑙+𝑛−2 + √ℎ 𝑍𝑙+𝑛−1

= ⋯

= 𝑊𝑙 + ∑𝑙+𝑛−1
𝑗=𝑙 √ℎ 𝑍𝑗

Karena ∑𝑙+𝑛−1
𝑗=𝑙 √ℎ 𝑍𝑗 ~ 𝑁(0, 𝑛ℎ) = 𝑁(0, 𝑡) maka

𝑊(𝑡 + 𝑠) − 𝑊(𝑠) = 𝑊𝑙+𝑛 − 𝑊𝑙 ~ 𝑁(0, 𝑡) .

Perhatikan bahwa penjumlahan dari inkremen-inkremen tersebut hanya melibatkan peubah acak-
peubah acak 𝑍𝑗 untuk 𝑙 ≤ 𝑗 < 𝑙 + 𝑛 yang tidak melibatkan √ℎ 𝑍𝑗 untuk 𝑗 < 𝑙 , sehingga

bebas dari 𝑊(𝑡) untuk 𝑡 ≤ 𝑠 . Jadi setelah saat 𝑡 = 𝑠 , perubahan pada proses W dari W(s) tidak
bergantung (bebas) dari W(t) untuk t ≤ s .
Definisi. Proses Wiener atau Gerak Brown, dinotasikan 𝑊(𝑡), memenuhi sifat-sifat berikut :
∗ 𝑊(𝑡) kontinu
∗ 𝑊(0) = 0
∗ 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) ~ 𝑁(0, 𝑡) untuk 𝑡, 𝑠 ≥ 0
∗ 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) bebas dari proses sebelum saat 𝑠
Kontinu tapi tidak diferensiabel
Telah diketahui bahwa 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) ~ 𝑁(0, 𝑡). Selanjutnya untuk t yang kecil kita
tuliskan 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) = √𝑡 𝑍𝑡 dengan 𝑍𝑡 ~ 𝑁(0,1). Walaupun 𝑍𝑡 nilainya berubah
terhadap t , tetapi karena berasal dari distribusi normal dengan rataan 0 dan variansi 1, sehingga
bila 𝑡 → 0, maka hampir pasti √𝑡 𝑍𝑡 → 0. Maka juga hampir pasti 𝑊(𝑡 + 𝑠) → 𝑊(𝑠) bila 𝑡 → 0
sehingga W kontinu (hampir pasti).
Selanjutnya akan diberikan ilustrasi bahwa proses Wiener tidak diferensiabel dimana-mana. Jika
suatu fungsi f diferensiabel di titik s, maka 𝑓(𝑡 + 𝑠) − 𝑓(𝑠) ≈ 𝑡𝑓 ′(𝑠) . Jadi 𝑓(𝑡 + 𝑠) − 𝑓(𝑠)
turun secara linear terhadap t . Sementara itu untuk proses Wiener 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) turun
secara lebih lambat mengikuti √𝑡 . Jadi proses Wiener memiliki ‘kemiringan’ garis singgung
yang jauh lebih curam dan lebih ‘berosilasi’ dibandingkan fungsi-fungsi yang diferensiabel.
(Sebagai contoh untuk 𝑓(𝑡) = 𝑒 𝑡 , maka 𝑓(𝑡 + 𝑠) − 𝑓(𝑠) = 𝑒 𝑡+𝑠 − 𝑒 𝑠 = (𝑒 𝑡 − 1)𝑒 𝑠 ≈ 𝑡 𝑒 𝑠 ).
Ini mengindikasikan bahwa proses Wiener memiliki ‘infinite slope’ disetiap titik sehingga tidak
diferensiabel dimana-mana.

Contoh 1. Diberikan 𝑍 ~ 𝑁(0,1) . Selidiki apakah 𝑊(𝑡) = 𝑍√𝑡 suatu proses Wiener ?
∗ 𝑊(𝑡) kontinu ? Ya, jelas dipenuhi.
∗ 𝑊(0) = 0 ? Ya, jelas dipenuhi.
∗ 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) ~ 𝑁(0, 𝑡) untuk 𝑡, 𝑠 ≥ 0 ? Perhatikan 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) =
2
𝑍(√𝑡 + 𝑠 − √𝑠) ; yang memiliki variansi (√𝑡 + 𝑠 − √𝑠) = 𝑡 − 2√𝑠(𝑡 + 𝑠) ≠ 𝑡 sehingga
𝑊(𝑡) tidak memenuhi sifat ke 3.

Jadi walaupun 𝑊(𝑡) = 𝑍√𝑡 ~ 𝑁(0, 𝑡) tetapi karena tidak memenuhi seluruh sifat proses Wiener
maka dia bukan proses Wiener.
Contoh 2. Diberikan 𝑊(𝑡) dan 𝑊 ̃ (𝑡) dua buah proses Wiener yang saling bebas dan bilangan 𝜌
dengan 0 < 𝜌 < 1 . Perlihatkan bahwa kombinasi linear 𝑋(𝑡) = 𝜌 𝑊(𝑡) + √1 − 𝜌2 𝑊 ̃ (𝑡) juga
merupakan suatu proses Wiener.
Berikut ini suatu script simulasi proses Wiener
% Realisasi Proses Wiener (disebut juga Gerak Brown) W(t)
clc
m = 1 ; % satu simulasi lintasan
%m = 3 ; % tiga simulasi lintasan
n = 300 ;
t = linspace(0,1,n+1)' ;
h = diff(t(1:2)) ;
dw = sqrt(h) * randn(n,m) ;
w = cumsum([zeros(1,m) ; dw]) ;
plot(t,w)
xlabel('t')
ylabel('W(t)')
grid on
title ('Realisasi Proses Wiener ( disebut juga Gerak Brown )')

Contoh hasil eksekusi script diatas

● Perhatikan kembali model return harga saham
𝑆(𝑡 + ∆𝑡) − 𝑆(𝑡)
= 𝜇 ∆𝑡 + 𝜎 √∆𝑡 𝑍𝑡 dengan 𝑍𝑡 ~ 𝑁(0,1)
𝑆(𝑡)

∆𝑆𝑡 = 𝜇 𝑆𝑡 ∆𝑡 + 𝜎 𝑆𝑡 √∆𝑡 𝑍𝑡 = 𝜇 𝑆𝑡 ∆𝑡 + 𝜎 𝑆𝑡 ∆𝑊𝑡 dengan ∆𝑊𝑡 = √∆𝑡 𝑍𝑡

𝑑𝑆 = 𝜇 𝑆 𝑑𝑡 + 𝜎 𝑆 𝑑𝑊 (bentuk diferensial nya)
Tuliskan dalam bentuk

𝑆𝑗+1 = 𝑆𝑗 + 𝜇 𝑆𝑗 ℎ + 𝜎 𝑆𝑗 √ℎ 𝑍𝑗 dengan ℎ = ∆𝑡

Berikut script simulasi nya, dengan mengambil 𝑆0 = 2 , 𝜇 = 2 , 𝜎 = 0.2 , 0.5 dan 1.5
% Simulasi pergerakan harga saham dengan model PDS
% dS = mu.S.dt + sigma.S.dW
%mu = 2 ; sigma = 0.2 ;
mu = 2 ; sigma = 0.5 ;
%mu = 2 ; sigma = 1.5 ;
n = 1000 ; m = 5 ;
t = linspace(0,1,n+1)' ;
h = diff(t(1:2)) ;
s = 2*ones(n+1,m) ;
for j = 1 : n
dw = randn(1,m) * sqrt(h) ;
s(j+1,:) = s(j,:) + mu*s(j,:)*h +sigma*s(j,:).*dw ;
end
plot(t,s)
grid on
xlabel('t')
ylabel('S(t)','rotation',0)
title ('Simulasi gerak Brown eksponensial untuk harga saham ')

dengan parameter 𝜇 = 2 , 𝜎 = 0.5

● Pertumbuhan linear dengan gangguan noise
Persamaan diferensial stokastik
𝑑𝑋 = 𝜇 𝑑𝑡 + 𝜎 𝑑𝑊 dengan 𝜇 dan 𝜎 bernilai konstan
Evaluasi numerik pada saat 𝑡𝑗

∆𝑋𝑗 = 𝜇 ∆𝑡𝑗 + 𝜎 ∆𝑊𝑗

Dengan melakukan penjumlahan

𝑛−1 𝑛−1 𝑛−1

∑(𝑋𝑗+1 − 𝑋𝑗 ) = ∑ 𝜇 (𝑡𝑗+1 − 𝑡𝑗 ) + ∑ 𝜎 (𝑊𝑗+1 − 𝑊𝑗 )

𝑗=0 𝑗=0 𝑗=0

yang menghasilkan
𝑋𝑛 − 𝑋0 = 𝜇 (𝑡𝑛 − 𝑡0 ) + 𝜎 (𝑊𝑛 − 𝑊0 )
𝑋𝑛 = 𝑋0 + 𝜇 𝑡𝑛 + 𝜎 𝑊𝑛 karena 𝑡0 = 𝑊0 = 0
Sehingga dengan mengambil 𝑚𝑎𝑘𝑠𝑗 ∆𝑡𝑗 → 0 diperoleh solusi

𝑋(𝑡) = 𝑋0 + 𝜇 𝑡 + 𝜎 𝑊(𝑡) .

● Gerak Brown eksponensial

Persamaan diferensial stokastik
𝑑𝑋 = 𝜇 𝑋 𝑑𝑡 + 𝜎 𝑋 𝑑𝑊
Evaluasi numerik pada saat 𝑡𝑗
∆𝑋𝑗
∆𝑋𝑗 = 𝜇 𝑋𝑗 ∆𝑡𝑗 + 𝜎 𝑋𝑗 ∆𝑊𝑗 → = 𝜇 ∆𝑡𝑗 + 𝜎 ∆𝑊𝑗
𝑋𝑗

Perhatikan

∆ ln 𝑋𝑗 = ln 𝑋𝑗+1 − ln 𝑋𝑗 = 𝑙𝑛 (𝑋𝑗 + 𝑋𝑗+1 − 𝑋𝑗 ) − 𝑙𝑛 𝑋𝑗 = 𝑙𝑛 ( 𝑋𝑗 + ∆ 𝑋𝑗 ) − 𝑙𝑛 𝑋𝑗

2
∆𝑋𝑗 ∆𝑋𝑗 1 ∆𝑋𝑗
= 𝑙𝑛 (1 + )= − (𝑋 ) + ⋯
𝑋𝑗 𝑋𝑗 2 𝑗

1 2
= (𝜇 ∆𝑡𝑗 + 𝜎 ∆𝑊𝑗 ) − (𝜇 ∆𝑡𝑗 + 𝜎 ∆𝑊𝑗 ) + ⋯
2

1 2 1 2
= 𝜇 ∆𝑡𝑗 + 𝜎 ∆𝑊𝑗 − 𝜇2 (∆𝑡𝑗 ) − 𝜇 𝜎 ∆𝑡𝑗 ∆𝑊𝑗 − 𝜎 2 (∆𝑊𝑗 ) + ⋯
2 2

Dengan melakukan penjumlahan dikedua ruas dari 𝑗 = 0 sampai 𝑗 = 𝑛 − 1 serta mengingat

𝑡0 = 0 dan 𝑊0 = 0 serta dengan mengambil ∆𝑡𝑗 = 𝑡𝑗+1 − 𝑡𝑗 = ℎ untuk setiap 𝑗 diperoleh
1 1
ln 𝑋𝑛 − ln 𝑋0 = 𝜇 𝑡𝑛 + 𝜎 𝑊𝑛 − 𝜇2 ℎ 𝑡𝑛 − 𝜇 𝜎 ℎ 𝑊𝑛 − 𝜎 2 𝑡𝑛 + ⋯
2 2
Dengan mengambil ℎ → 0 dan mengasumsikan suku-suku h orde >1 menuju 0, diperoleh
1
ln 𝑋(𝑡) − ln 𝑋0 = 𝜇 𝑡 + 𝜎 𝑊(𝑡) − 𝜎2 𝑡
2

yang menghasilkan
1
𝑋(𝑡) = 𝑋0 exp [(𝜇 − 𝜎 2 ) 𝑡 + 𝜎 𝑊(𝑡)]
2

Berikut hasil simulasi program diatas dengan 𝑆0 = 1 , 𝜇 = 1 dan 𝜎 = 2

Berikut adalah penjelasan dari hasil-hasil diatas :

𝑛−1 𝑛−1
2
∑(∆𝑡𝑗 ) = ∑ ℎ2 = 𝑛 ℎ2 = ℎ 𝑡𝑛 → 0 bila ℎ → 0
𝑗=0 𝑗=0

∑𝑛−1 𝑛−1 2
𝑗=0 ∆𝑡𝑗 ∆𝑊𝑗 = ℎ ∑𝑗=0 ∆𝑊𝑗 = ℎ 𝑊𝑛 ~ 𝑁(0, ℎ 𝑡) jadi menuju 0 (hampir pasti) bila h → 0.

2 2𝑛−1 2 2
∑𝑛−1 𝑛−1 𝑛−1 𝑛−1
𝑗=0 (∆𝑊𝑗 ) = ∑𝑗=0 (√ℎ𝑍𝑗 ) = ℎ ∑𝑗=0 𝑍𝑗 = ℎ ∑𝑗=0 1 + ℎ ∑𝑗=0 (𝑍𝑗 − 1)

2
= 𝑡𝑛 + 𝑌 dengan 𝑌 = ℎ ∑𝑛−1
𝑗=0 (𝑍𝑗 − 1).

2 2
Khususnya 𝐸[𝑌] = ℎ ∑𝑛−1
𝑗=0 𝐸[𝑍𝑗 − 1] = 0 karena 𝐸[𝑍𝑗 ] = 1.

Sementara itu
2
𝑉𝑎𝑟[𝑌] = ℎ2 ∑𝑛−1
𝑗=0 𝑉𝑎𝑟[𝑍𝑗 − 1] karena 𝑍𝑗 saling bebas

= ℎ2 𝑛 𝑉𝑎𝑟[𝑍 2 − 1] karena 𝑍𝑗 berdistri identik dengan 𝑍 ~ 𝑁(0,1)

= ℎ2 𝑛 𝐸[(𝑍 2 − 1)2 ] karena 𝐸[𝑍𝑗 2 − 1] = 0

= ℎ2 𝑛 𝐸[𝑍 4 − 2 𝑍 2 + 1] = ℎ2 𝑛 (3 − 2 + 1) = 2 ℎ2 𝑛
= 2 ℎ 𝑡𝑛
→ 0 bila ℎ → 0 untuk seluruh 𝑡𝑛 .
Karena 𝑉𝑎𝑟[𝑌] → 0 dan 𝐸[𝑌] = 0 maka 𝑌 → 0 hampir pasti bila ℎ → 0 .
2
Sehingga ∑𝑛−1
𝑗=0 (∆𝑊𝑗 ) → 𝑡𝑛 hampir pasti .

2 2
Karena ∑𝑛−1 𝑛−1
𝑗=0 (∆𝑊𝑗 ) hampir pasti menuju 𝑡𝑛 = ∑𝑗=0 ∆𝑡𝑗 ini seperti bila " (∆𝑊𝑗 ) = ∆𝑡𝑗 "

Secara simbolis dalam kalkulus stokastik dituliskan aturan :

(𝑑𝑡)2 = 0 , 𝑑𝑡 𝑑𝑊 = 0 dan (𝑑𝑊)2 = 𝑑𝑡 .

● Formula Ito untuk penyelesaian beberapa PDS

Misalkan 𝑓(𝑡, 𝑤) fungsi dua peubah yang smooth.
Selanjutnya perhatikan proses Ito 𝑋(𝑡) = 𝑓(𝑡, 𝑊(𝑡)) , dengan 𝑊(𝑡) suatu proses Wiener.

Dengan menuliskan 𝑋(𝑡 + ∆𝑡) = 𝑋 + ∆𝑋 dan 𝑊(𝑡 + ∆𝑡) = 𝑊 + ∆𝑊 perhatikan bahwa

𝑋 + ∆𝑋 = 𝑓(𝑡 + ∆𝑡 , 𝑊 + ∆𝑊)
𝜕𝑓 𝜕𝑓 𝜕2 𝑓 𝜕2𝑓 𝜕2𝑓
= 𝑓(𝑡, 𝑊) + ∆𝑡 + ∆𝑊 + 12 (∆𝑡)2 + ∆𝑡 ∆𝑊 + 12 (∆𝑊)2 + ⋯
𝜕𝑡 𝜕𝑤 𝜕𝑡 2 𝜕𝑡 𝜕𝑤 𝜕𝑤 2

𝜕𝑓 𝜕𝑓 𝜕2 𝑓
≈𝑋+ ∆𝑡 + ∆𝑊 + 12 (∆𝑊)2 (dgn "(∆𝑡)2 = ∆𝑡 ∆𝑊 = 0 d an (∆𝑊)2 = ∆𝑡")
𝜕𝑡 𝜕𝑤 𝜕𝑤 2

Selanjutnya dengan mengambil limit ∆𝑡 → 0 , diperoleh

𝜕𝑓 1 𝜕 2 𝑓 𝜕𝑓
𝑑𝑋 = ( + 2 ) 𝑑𝑡 + 𝑑𝑊
𝜕𝑡 𝜕𝑤 2 𝜕𝑤

suatu bentuk khusus dari formula Ito, yang memberikan bentuk diferensial dari proses Ito X yang
bergantung pada suatu proses Wiener.
2
Contoh 1. Tentukan diferensial dari 𝑋(𝑡) = (𝑡 + 𝑊(𝑡)) dan juga PDS untuk 𝑋(𝑡) tersebut.

→ Disini 𝑓(𝑡, 𝑤) = (𝑡 + 𝑤)2 , sehingga 𝑓𝑡 = 𝑓𝑤 = 2(𝑡 + 𝑤) dan 𝑓𝑤𝑤 = 2 ; Sehingga

𝑑𝑋 = [2 (𝑡 + 𝑤) + 1] 𝑑𝑡 + 2 (𝑡 + 𝑤) 𝑑𝑊

Karena 𝑡 + 𝑊 = √𝑋 , maka dari hasil diatas diperoleh PDS untuk X

𝑑𝑋 = [2 √𝑋 + 1] 𝑑𝑡 + 2 √𝑋 𝑑𝑊

Contoh 2. Tentukan diferensial dari 𝑋(𝑡) = 𝑐 𝑒𝑥𝑝[𝑎𝑡 + 𝑏𝑊(𝑡)] dan juga PDS untuk 𝑋(𝑡) tsb.
→ Disini 𝑓(𝑡, 𝑤) = 𝑐 𝑒 𝑎𝑡+𝑏𝑤 , sehingga 𝑓𝑡 = 𝑎𝑐 𝑒 𝑎𝑡+𝑏𝑤 , 𝑓𝑤 = 𝑏 𝑐 𝑒 𝑎𝑡+𝑏𝑤 , 𝑓𝑤𝑤 = 𝑏 2 𝑐 𝑒 𝑎𝑡+𝑏𝑤 .
Sehingga dengan formula Ito diatas diperoleh
1
𝑑𝑋 = (𝑎𝑐 𝑒 𝑎𝑡+𝑏𝑤 + 2 𝑏2 𝑐 𝑒 𝑎𝑡+𝑏𝑤) 𝑑𝑡 + 𝑏 𝑐 𝑒 𝑎𝑡+𝑏𝑤 𝑑𝑊

= 𝑐 𝑒 𝑎𝑡+𝑏𝑤 [(𝑎 + 12 𝑏2 ) 𝑑𝑡 + 𝑏 𝑑𝑊]

atau dapat ditulis 𝑑𝑋 = (𝑎 + 12 𝑏2 ) 𝑋 𝑑𝑡 + 𝑏 𝑋 𝑑𝑊.

PDS tsb sama dengan bentuk PDS Gerak Brown Eksponensial jika 𝜇 = (𝑎 + 12 𝑏2 ) dan 𝜎 = 𝑏 .
Sehingga solusi PDS Gerak Brown Eksponensial diberikan oleh

𝑋(𝑡) = 𝑐 𝑒𝑥𝑝[(𝜇 − 12 𝜎 2 ) 𝑡 + 𝜎 𝑊(𝑡)]

seperti yang telah diperoleh sebelumnya dengan 𝑐 = 𝑋(0).

Berikut diberikan bentuk umum dari formula Ito , yang sering dikenal sebagai lemma Ito.
Teorema. (Formula Ito)
Misalkan 𝑓(𝑡, 𝑥) fungsi yang ‘smooth’ dan X suatu proses Ito dengan drift 𝜇(𝑡, 𝑋) dan
volatilitas 𝜎(𝑡, 𝑋) , dengan 𝑑𝑋 = 𝜇 𝑑𝑡 + 𝜎 𝑑𝑊; Maka 𝑌(𝑡) = 𝑓(𝑡, 𝑋(𝑡)) juga suatu proses Ito
dengan bentuk diferensial diberikan oleh :
𝜕𝑓 𝜕𝑓 𝜕2𝑓
𝑑𝑌 = 𝑑𝑡 + 𝑑𝑋 + 12 (𝑑𝑋)2 (∗)
𝜕𝑡 𝜕𝑥 𝜕𝑥 2

(pada (𝑑𝑋)2 hanya diambil (𝑑𝑊)2 → 𝑑𝑡 )

dengan turunan-turunan parsial dievaluasi di (𝑡, 𝑋) . Bentuk diatas selanjutnya dapat dituliskan
𝜕𝑓 𝜕𝑓 1 2 𝜕 2 𝑓 𝜕𝑓
𝑑𝑌 = ( + 𝜇 +2𝜎 ) 𝑑𝑡 + 𝜎 𝑑𝑊 (∗∗)
𝜕𝑡 𝜕𝑥 𝜕𝑥 2 𝜕𝑥

Contoh .
2
Telah didapat bahwa bila 𝑋(𝑡) = (𝑡 + 𝑊(𝑡)) , maka 𝑑𝑋 = [2 √𝑋 + 1] 𝑑𝑡 + 2 √𝑋 𝑑𝑊 ;
selanjutnya tentukan 𝑑𝑌 untuk 𝑌 = 𝑒 𝑋 .
→ Gunakan formula Ito dengan 𝑓(𝑡, 𝑥) = 𝑒 𝑥 , 𝑓𝑡 = 0 𝑑𝑎𝑛 𝑓𝑥 = 𝑓𝑥𝑥 = 𝑒 𝑥 :
1
𝑑𝑌 = 𝑓𝑥 𝑑𝑋 + 2 𝑓𝑥𝑥 (𝑑𝑋)2
2
= 𝑒 𝑋 {[2 √𝑋 + 1] 𝑑𝑡 + 2 √𝑋 𝑑𝑊} + 12 𝑒 𝑋 {[2 √𝑋 + 1] 𝑑𝑡 + 2 √𝑋 𝑑𝑊}
2
= 𝑒 𝑋 {[2 √𝑋 + 1] 𝑑𝑡 + 2 √𝑋 𝑑𝑊 + 1
2
4 (√𝑋) (𝑑𝑊)2 }

= 𝑒 𝑋 {[1 + 2 √𝑋 + 2 𝑋] 𝑑𝑡 + 2 √𝑋 𝑑𝑊}

Catatan
Pada kalkulus diperoleh : 𝑑(𝑓𝑔) = 𝑓 𝑑𝑔 + 𝑔 𝑑𝑓 .
Misalkan 𝑋(𝑡) dan 𝑌(𝑡) dua proses stokastik dengan bentuk diferensial masing-masing
𝑑𝑋 = 𝜇 𝑑𝑡 + 𝜎 𝑑𝑊 dan 𝑑𝑌 = 𝜗 𝑑𝑡 + 𝜌 𝑑𝑊
Maka 𝑑(𝑋𝑌) = (𝑋 + 𝑑𝑋) (𝑌 + 𝑑𝑌) − 𝑋 𝑌
= 𝑋 𝑑𝑌 + 𝑌 𝑑𝑋 + 𝑑𝑋 𝑑𝑌 = 𝑋 𝑑𝑌 + 𝑌 𝑑𝑋 + 𝜎𝜌 𝑑𝑡
dengan mengingat (𝑑𝑊)2 = 𝑑𝑡 , (𝑑𝑡)2 = 0 dan 𝑑𝑡 𝑑𝑊 = 0 .