S K R I P S I
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Sains
Program Studi Matematika
Disusun Oleh :
GEORGE RIDHO SETYAWAN NIM : 053114010
PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
T H E S I S
Presented As a Partial Fulfillment of The Requirements to Obtain The Sarjana Sains Degree
In Mathematics
by :
GEORGE RIDHO SETYAWAN Student Number : 053114010
MATHEMATICS STUDY PROGRAM DEPARTEMENT OF MATHEMATICS FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY YOGYAKARTA
RANDOM WALK DAN GERAK BROWN
Oleh:
George Ridho Setyawan NIM : 053114010
Telah disetujui oleh:
Pembimbing
Dipersiapkan dan ditulis oleh: George Ridho Setyawan
NIM : 053114010
Telah dipertahankan di depan Panitia Penguji Pada tanggal 15 Juli 2009
dan dinyatakan memenuhi syarat
Susunan Panitia Penguji
Ketua Ir. Ig. Aris Dwiatmoko, M.Sc.
Sekertaris Ch. Enny Murwaningtyas, S.Si., M.Si.
Anggota Lusia Krismiyati Budiasih, S.Si., M.Si.
Yogyakarta, 15 Juli 2009 Fakultas Sains Dan Teknologi Universitas Sanata Dharma Dekan
Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.
Yogyakarta, 25 Juni 2009 Penulis
I asked for strength
And God gave me difficulties to make me strong
I asked for wisdom
And God gave me problems to solve
I asked for prosperity
And God gave me a brain and brawn to work
I asked for courage
And God gave me dangers to overcome
I asked for love
And God gave me opportunities
I received nothing I wanted
I received everything I needed
ABSTRAK
Random walk merupakan sebuah teori dalam probabilitas yang menyatakan bahwa pergerakkan sebuah partikel bersifat random. Dalam random walk, probabilitas untuk bergerak naik maupun turun adalah sama. Random walk yang simetrik merupakan random walk yang mempunyai probabilitas yang sama untuk dua nilai yang berbeda. Random walk termasuk suatu proses stokastik yang bersifat diskret.
Gerak brown merupakan sebuah proses stokastik yang bersifat kontinu dan sering disebut sebagai Proses Wiener. Gerak brown dapat dibentuk dari sebuah random walk yang simetrik yaitu dengan mencari nilai limit dari distribusi random walk tersebut.
Random Walk and Brownian motion. According to random walk theory, a particle movement is random in nature. This movement whether up or down for two different values has an equal probability called symmetric random walk. Random walk is an example of discrete stochastic process.
On the other hand, Brownian motion is an example of continuous stochastic process which also known as Wiener process. Brownian motion can be formed from a symmetric random walk by counting the limit of its distribution.
juruselamat dalam hidupku yang oleh karena anugerah dan kemurahanNya sehingga skripsi ini dapat diselesaikan dengan baik. Skripsi ini ditulis untuk memenuhi salah satu syarat memperoleh gelar Sarjana Sains di Program Studi Matematika Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.
Skripsi ini dapat diselesaikan dengan baik atas bantuan, gagasan, dan dukungan dari berbagai pihak. Oleh karena itu, dalam kesempatan ini perkenankanlah penulis menghaturkan terima kasih kepada :
1. Ch. Enny Murwaningtyas, S.Si., M.Si. selaku dosen pembimbing yang telah banyak meluangkan waktu dan dengan penuh kesabaran membimbing penulis sehingga skripsi ini dapat diselesaikan dengan baik.
2. Yosef Agung Cahyanta, S.T., M.T., selaku Dekan Fakultas Sains dan Teknologi.
3. Lusia Krismiyati Budiasih, S.Si., M.Si., selaku Ketua Program Studi Matematika yang telah banyak membantu.
4. Ir. Ignatius Aris Dwiatmoko, M.Sc., selaku penguji yang telah banyak membantu dan memberi masukan kepada penulis.
5. Prof. Frans Susilo, S.J., selaku dosen pembimbing akademik.
6. Sudi Mungkasi, S.Si., M.Sc., dan Y.G. Hartono, S.Si., M.Sc., yang pernah menjadi dosen pembimbing akademik bagi penulis.
7. Herry Pribawanto Suryawan, S.Si., M.Si., yang memberikan banyak ilmu serta keramahan yang diberikan selama kuliah.
11.Kedua orang tuaku serta adik dan kakakku yang selalu memberikan dukungan kepadaku.
12.Eko Budi Santoso, S.E., M.Si. dan Irma Dhearni Saragih, S.E. yang sudah banyak membantu penulis serta memberikan dukungan selama penulis menyelesaikan skripsi ini.
13.Keluarga besar Jehovah Nissi dan Full Blast yang sudah memberikan semangat kepada penulis.
14.Teman-teman matematika angkatan 2005 : Ratna, Chris, Luis, Puput, Tyas, Nanin, Priskila,Vincent, Sisiria, Ine, Devi, Septi, Wuri, Susi, Echy, Dedy, Zetho, Yudhi, Sella, Vira.
15.Keluarga besar PMK Oikumene. 16.Keluarga besar Center City on A Hill.
17.Semua pihak yang telah ikut membantu penulis dalam menyelesaikan skripsi ini.
Walaupun penulis telah berusaha menyelesaikan skripsi ini dengan sebaik-baiknya, namun penulis menyadari bahwa dalam skripsi ini masih terdapat kekurangan dan kekeliruan. Oleh karena itu, penulis sangat mengharapkan saran dan kritik yang dapat membangun dan menyempurnakan skripsi ini.
Akhirnya, semoga skripsi ini dapat memberikan wawasan dan pengetahuan bagi pembaca demi perkembangan ilmu pengetahuan, khususnya matematika.
Yogyakarta, 15 Juli 2009
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma : Nama : George Ridho Setyawan
NIM : 053114010
Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma, Karya Ilmiah saya yang berjudul :
MODEL PERGERAKKAN HARGA SAHAM MENGGUNAKAN RANDOM WALK DAN GERAK BROWN
beserta perangkat-perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas, dan mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun member royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis.
Demikian pernyataan ini saya buat sebenarnya. Dibuat di Yogyakarta
Pada tanggal : 15 Juli 2009 Yang menyatakan
i
HALAMAN PERSETUJUAN PEMBIMBING iii
HALAMAN PENGESAHAN iv
HALAMAN KEASLIAAN KARYA v
HALAMAN PERSEMBAHAN vi
ABSTRAK vii
ABSTRACT viii
KATA PENGANTAR ix
DAFTAR ISI xii
DAFTAR TABEL xiv
DAFTAR GAMBAR xv
BAB I PENDAHULUAN
A. Latar Belakang Masalah 1
B. Perumusan Masalah 3
C. Pembatasan Masalah 3
D. Tujuan Penulisan 3
E. Metode Penulisan 4
F. Manfaat Penulisan 4
G. Sistematika Penulisan 4
BAB II LANDASAN TEORI
A. Probabilitas 6
B. Variabel Random dan Distribusinya 9
C. Distribusi Bernoulli dan Binomial 24
C. Konstruksi Gerak Brown Menggunakan Random Walk Simetrik 70
D. Ito’s Lemma 77
BAB IV MODEL PERGERAKKAN HARGA SAHAM
A. Model Random Walk 81
B. Model Gerak Brown 83
C. Perbandingan Model Random walk dengan Model Gerak Brown 88
BAB V PENUTUP
A. Kesimpulan 91
B. Saran 92
DAFTAR PUSTAKA 93
DAFTAR TABEL
Tabel 2.1 14
Tabel 3.1 61
Tabel 3.2 65
Tabel 4.1 86
DAFTAR GAMBAR
Gambar 2.1 32
Gambar 2.2 37
Gambar 3.1 39
Gambar 3.2 46
Gambar 3.3 71
Gambar 3.4 73
Gambar 4.1 82
Gambar 4.2 83
Gambar 4.3 87
Gambar 4.4 88
Gambar 4.5 90
BAB I PENDAHULUAN
A. Latar Belakang Masalah
Dalam bidang ekonomi saham merupakan suatu hal yang sering dibahas dan
diperbicangkan. Saham adalah surat tanda kepemilikan terhadap sebuah
perusahaan. Saham ditransaksikan di sebuah bursa efek melalui proses IPO
(Initial Public Offering). Dengan menerbitkan saham, yang berarti menjual
sebagian kepemilikan perusahaan kepada publik, perusahaan mendapatkan dana
segar yang dapat digunakan untuk tujuan ekspansi, operasional atau yang lainnya.
Dengan menerbitkan saham, nilai sebuah perusahaan menjadi lebih mudah untuk
diukur.
Saham termasuk instrumen investasi yang memiliki resiko tinggi karena
pergerakan harganya yang cepat. Pergerakan harga dari sebuah perusahaan
dipengaruhi oleh banyak hal seperti kinerja perusahaan, laporan keuangan
perusahaan, kondisi ekonomi, estimasi bisnis di masa yang akan datang, dan
banyak lainnya. Hal ini membuat harga saham berfluktuasi secara acak.
Pada interval diskret (misalnya pengamatan per detik), harga dari saham tersebut
diasumsikan dapat berubah menjadi lebih tinggi (meningkat) ataupun lebih
rendah (menurun) satu unit dari harga saham sebelumnya . Dengan kata lain jika
harga saham pada detik ke n adalah , maka harga saham pada detik ke n+1
Seiring dengan perkembangan zaman, pergerakan harga saham tersebut
kemudian dibawa ke dalam bentuk sebuah model matematika yang dapat
menggambarkan pola pergerakan harga saham tersebut. Salah satu model yang
dikembangkan adalah model random walk dan model gerak Brown.
Secara sederhana, random walk dapat digambarkan sebagai suatu
percobaan dimana perpindahan posisi seseorang ditentukan dengan pelemparan
sebuah koin. Bayangkan seseorang berdiri tepat pada titik asal (titik nol) pada
sebuah garis bilangan real. Orang tersebut akan berpindah tempat berdasarkan
hasil pelemparan sebuah koin yang akan dilemparkan sebanyak n kali
pelemparan. Jika hasil pelemparan koin adalah gambar (k), maka orang tersebut
akan bergerak ke arah kanan (arah positif). Demikian juga sebaliknya, jika hasil
pelemparan koin adalah angka (n-k), maka orang tersebut akan bergerak ke arah
kiri (arah negatif). Apabila peluang orang tersebut untuk berpindah ke arah kanan
adalah p dan peluang orang tersebut berpindah ke arah kiri adalah q, maka
diperoleh persamaan berikut
dan 1
Dalam percobaan tersebut, peluang seseorang bergerak ke kanan akan sama
besarnya dengan peluang orang tersebut bergerak ke kiri. Hal ini menunjukkan
bahwa pergerakan orang tersebut merupakan proses stokastik yang sederhana dan
bersifat random.
Gerak Brown pertama kali ditemukan oleh seorang ahli tanaman dari
Skotlandia yaitu Robert Brown. Gerak Brown merupakan suatu kejadian khusus
simetrik. Proses gerak Brown sering kali disebut proses Wiener, yaitu salah satu
proses stokastik yang sangat berguna dalam aplikasi teori probabilitas.
B. Rumusan Masalah
1. Apa yang dimaksud dengan Random Walk ?
2. Apa yang dimaksud dengan Gerak Brown ?
3. Bagaimana Random Walk dan Gerak Brown digunakan untuk
memodelkan pergerakan harga saham ?
C. Batasan Masalah
1. Random walk dan gerak Brown yang dibahas hanya yang berdimensi
Satu
2. Deret Taylor dan Maclaurin tidak dibahas secara mendalam
3. Eliminasi Gauss tidak dibahas secara mendalam
4. Sifat spatial homogeneity dari random walk tidak dibahas dan dibuktikan
5. Teorema 2.4.1 tidak dibuktikan
D. Tujuan Penulisan
Tujuan penulisan skripsi ini adalah untuk memenuhi syarat untuk
memperoleh gelar Sarjana Sains dalam matemetika. Selain itu penulisan skripsi
ini juga bertujuan :
1. Mempelajari dan memahami Random Walk.
2. Mempelajari dan memahami Gerak Brown.
4. Mempelajari hubungan antara random walk dan gerak Brown dalam
model pergerakan harga saham.
E. Manfaat Penulisan
Manfaat yang diperoleh dari penulisan skripsi ini adalah dapat memahami
teori Random Walk dan Gerak Brown serta penggunaanya dalam model harga
saham.
F. Metode Penulisan
Metode penulisan yang digunakan dalam penyusunan skripsi ini adalah
metode studi pustaka, yaitu dengan menggunakan buku-buku, jurnal ilmiah, dan
karangan ilmiah yang telah dipublikasikan. Oleh karena itu dalam karya ilmiah ini
tidak disajikan hal baru dalam bidang matematika. Juga akan digunakan program
Excel, Matlab dan SPSS.
G. Sistematika Penulisan
BAB I: PENDAHULUAN
Dalam bab I dibahas tentang latar belakang, perumusan masalah,
pembatasan masalah, tujuan penulisan, metode penulisan, manfaat
BAB II LANDASAN TEORI
Dalam bab II dibahas tentang probabilitas, variabel random, fungsi
distribusi probabilitas, nilai harapan dan variansi, fungsi
pembangkit momen, distribusi Bernoulli, distribusi binomial,
distribusi normal serta pendekatan normal terhadap binomial.
BAB III RANDOM WALK dan GERAK BROWN
Dalam Bab III dibahas tentang random walk, gerak Brown, dan
Ito’s Lemma.
BAB IV MODEL PERGERAKAN HARGA SAHAM
Dalam Bab IV dibahas tentang model pergerakan harga saham
menggunakan random walk dan gerak Brown.
BAB V PENUTUP
BAB II
LANDASAN TEORI A. Probabilitas
Ruang sampel (S) adalah himpunan yang unsur-unsurnya menyatakan semua
kemungkinan hasil suatu percobaan. Setiap unsur dari ruang sampel disebut titik
sampel. Kejadian (event) adalah himpunan bagian dari ruang sampel S.
Definisi 2.1.1
Peluang suatu kejadian A adalah jumlah bobot semua titik sampel yang termasuk
A, sehingga
0 1 , 0 , dan 1
Definisi 2.1.2 Probabilitas klasik
Jika suatu percobaan dapat menghasilkan N titik sampel yang berbeda dan
masing-masing berkemungkinan sama untuk terjadi, dan jika tepat ada sebanyak n
dari titik-titik sampel tersebut merupakan unsur dari kejadian A, maka probabilitas
kejadian A adalah :
P
Teorema 2.1.1 (Aturan Penjumlahan)
Bila A dan B dua kejadian sembarang, maka probabilitas terjadinya kejadian A
atau B adalah
Bukti :
Pendekatan yang akan digunakan adalah mengekspresikan kejadian dan A
sebagai gabungan dari kejadian yang saling lepas
′
′
dengan demikian
′
′
Sehingga
′
■
Jika A dan B adalah kejadian yang saling asing dengan 0, maka
aturan penjumlahan menjadi semakin sederhana yaitu
Probabilitas Bersyarat
Probabilitas terjadinya suatu kejadian B bila diketahui bahwa kejadian A telah
terjadi disebut probabilitas bersyarat dan dinyatakan dengan | . Lambang
| biasanya dibaca ‘probabilitas kejadian B terjadi bila diketahui kejadian A
Definisi 2.1.3
Probabilitas bersyarat B bila A diketahui, dinyatakan dengan | , ditentukan
oleh
| P A BP A dengan 0 (2.2)
Contoh 2.1.1
Peluang suatu penerbangan yang telah terjadwal teratur berangkat tepat waktu
0,83 ; peluang sampai tepat waktu 0,82 dan peluang berangkat
dan sampai tepat waktu 0,78. Cari peluang bahwa a). pesawat sampai
tepat waktu bila diketahui berangkat tepat waktu, dan b). Pesawat berangkat tepat
waktu jika diketahui sampai tepat waktu.
Jawab :
a) Peluang pesawat sampai tepat waktu jika diketahui berangkat tepat waktu
| ,, 0,94
b) Peluang pesawat berangkat tepat waktu bila diketahui sampai tepat waktu
| ,, 0,95
Teorema 2.1.2 (Aturan Perkalian)
Bila kejadian A dan B dapat terjadi pada suatu percobaan, maka
Bukti :
Bukti teorema ini akan diturunkan dari definisi probabilitas bersyarat (2.1.3)
| P A BP A
| ■
Definisi 2.1.4
Dua kejadian A dan B bebas jika dan hanya jika
B. Variabel Random dan Distribusinya
Gagasan untuk mendefinisikan sebuah fungsi yang dikenal dengan variabel
random timbul karena model-model matematika diekspresikan dalam bentuk
nilai-nilai numeris dari pada hasil percobaan asli seperti sisi, warna, atau yang
lain.
Definisi 2.2.1
Variabel random, misalnya X adalah fungsi yang didefinisikan pada ruang sampel
S, yang memetakan setiap elemen e∈S ke bilangan real.
Notasi : X(e)=x, e∈S
x∈R
Untuk lambang variabel random digunakan huruf-huruf kapital X, Y, Z,
sedangkan untuk melambangkan nilai variabel random yang mungkin, digunakan
Contoh 2.2.1
Jika seseorang melempar dua buah dadu secara bersamaan maka,
ruang sampel S = {(i,j)}| i,j∈{1, 2, 3, 4, 5, 6}}.
Variabel random X menyatakan jumlah bilangan yang muncul pada kedua buah
dadu maka X(i,j) = i + j, sehingga X(3,5) = 3 + 5 = 8
X(5,2) = 5 + 2 = 7
Konsep variabel random dapat dipahami sebagai sebuah pemetaan dari
himpunan S ke himpunan bilangan real. Kemudian konsep ini dipakai untuk
menghitung peluang timbulnya suatu kejadian.
Dengan mengambil contoh 2.2.1, didefinisikan kejadian memperoleh jumlah
bilangan maksimal adalah 3. Titik-titik sampel kejadian ini dapat dituliskan
sebagai }Y∈{2,3 atau dapat pula dinyatakan dalam interval Y ={y|y≤3}.
Dengan probabilitas :
12 1 36
3 )) 1 , 2 ( ), 2 , 1 ( ), 1 , 1 (( ) 3
(Y ≤ =P = =
P .
Variabel random diskret adalah variabel random yang didefinisikan pada
ruang sampel diskret dan nilainya berhingga atau tak berhingga terbilang.
Contoh 2.2.2
variabel random diskret :
o X = Banyaknya bayi yang lahir dalam waktu satu tahun di Yogyakarta.
Variabel random kontinu adalah variabel random yang didefinisikan pada
ruang sampel kontinu.
Contoh 2.2.3
Contoh variabel random kontinu adalah M = lamanya permainan catur dalam satu
babak. Meskipun dalam kenyataannya biasa diukur waktu hanya dengan satuan
terdekat seperti menit atau detik, secara teoritik dapat diukur waktu dengan
sembarang satuan kecil.
Definisi 2.2.2
Fungsi f(x) disebut sebagai fungsi probabilitas diskret X bila dan hanya bila
memenuhi syarat :
( i ) f(x)≥0 , untuk semua nilai x real
( ii ) ∑ 1
Definisi 2.2.3
Fungsi f(x) disebut fungsi densitas bagi variabel random kontinu X bila dan hanya
bila memenuhi syarat :
( i ) f(x)≥0 untuk semua nilai x real
( ii )
∫
∞∞ −
=1 ) (x dx
f
Fungsi Distribusi Kumulatif Diskret Definisi 2.2.4
F(x) = P(X≤x) untuk semua nilai real x.
Kadang-kadang fungsi F(x) disebut juga fungsi distribusi.
Fungsi Distribusi Kumulatif Kontinu Definisi 2.2.5
Fungsi distribusi kumulatif suatu variabel random X, dengan fungsi densitas f(x)
didefinisikan sebagai :
F(x) =
∫
∞ −x
dt t
f( )
Fungsi densitas f(x) merupakan derivatif dari F(x).
Fungsi Distribusi Kumulatif Diskret Bersama Definisi 2.2.6
Jika X dan Y adalah variabel random diskret yang didefinisikan pada ruang
probabilitas maka fungsi distribusi bersama X dan Y didefinisikan sebagai
FXY x, y P X x, Y y
Fungsi Distribusi Probabilitas Kontinu Bersama Definisi 2.2.7
Vektor variabel random berdimensi k, X X , X , … , X dikatakan kontinu jika
ada fungsi f X , X , … , X , yang disebut fungsi densitas bersama dari X
x , x , … , x … f t , … , t d X
t , … , dt
Untuk semua x x , x , … , x
Definisi 2.2.8 Variabel-variabel random saling bebas
Variabel-variabel random X , X , … , X dikatakan saling bebas bila untuk setiap
berlaku
P a X b , … , a X b P a X b
Nilai Harapan dan Variansi
Konsep nilai harapan memegang peranan yang sangat penting dalam
statistika. Contoh yang paling mudah adalah mean dan variansi suatu variabel
random. Keduanya adalah parameter-parameter yang hampir selalu muncul dalam
teknik-teknik analisis statistika elementer maupun lanjut. Nilai harapan
dinyatakan dalam definisi berikut
Definisi 2.2.9
, jika x diskret dengan fungsi probabilitas ∞
∞
Ditinjau dari segi variabel random yang diskret, maka nilai harapan E(X)
merupakan suatu nilai fungsi linear dari semua unsur di dalam domain fungsi
dengan peluang yang bersesuaian sebagai faktor pembobot.
Contoh 2.2.4
Dalam pelemparan sebuah mata dadu setimbang sebanyak satu kali, kita akan
menerima uang sebanyak titik pada sisi yang tampak. Untuk bermain satu kali
lemparan kita harus membayar c rupiah. Pertama-tama kita perhatikan bahwa
hadiah yang kita terima tiap permainan adalah variabel random dengan distribusi
probabilitas sebagai berikut :
Tabel 2.1 Tabel distribusi probabilitas
Hadiah X 1 2 3 4 5 6
P(X=x) 1/6 1/6 1/6 1/6 1/6 1/6
E(X) = 1.1/6 + 2. 1/6 + 3. 1/6 + 4. 1/6 +5. 1/6 + 6. 1/6 = 3,5 rupiah
Berapa rupiah yang harus kita bayar agar permainan tersebut adil ?
Permainan disebut adil jika 3,5 rupiah. Dengan demikian rata-rata hadiah
yang kita terima sama dengan banyaknya uang yang kita bayarkan untuk bermain.
Nilai harapan 3,5 dapat diinterprestasikan sebagai berikut : “ jika
permainan itu dapat diulang sebanyak-banyaknya, maka perbandingan antara
Sifat-sifat Nilai Harapan Definisi 2.2.10
Jika X adalah variabel random dan g(x) adalah fungsi dari variabel random X
maka, E[g(X)] =
⎪⎩
⎪
⎨
⎧∑
∫
= ∞ ∞ − n i ii p x p x
x g x f dx x f x g 1 ) ( as probabilit fungsi dengan diskret X jika ), ( ) ( ) ( densitas fungsi dengan kontinu X jika , ) ( ) ( Teorema 2.2.1
Jika X adalah variabel random dengan fungsi densitas f(x), a dan b konstanta, g(x)
dan h(x) fungsi-fungsi variabel random berharga real, maka
E[ag(x) + bh(x)] = a E[(g(x)] + b E[h(x)]
Bukti
Jika X adalah variabel random kontinu maka menurut definisi nilai harapan
E[ag(x)+bh(x)] =
∫
∞∞ −
+bh x f x dx x
ag( ) ( )] ( ) [
= a
∫
∫
∞ ∞ − ∞ ∞ −
+b h x f x dx dx
x f x
g( ) ( ) ( ) ( )
= aE[g(x)] + bE[h(x)] ▄
Sifat-sifat lain nilai harapan
Untuk a dan b bilangan konstan maka berlaku
1. E(a) = a
3. E(X + a) = E(X) + a
4. E(bX + a) = b E(X) + a
Bukti:
1. E(a) = a
Misalkan , maka
2. E(bX) = b E(X)
3. E(X + a) = E(X) + a
Teorema 2.2.2
Apabila , , … , merupakan variabel random yang saling bebas maka
E X X … X E X E X … E X
Bukti:
Teorema di atas akan dibuktikan menggunakan induksi matematika.
1. Rumus benar untuk 1
Akan ditunjukkan benar untuk 2,
dan merupakan variabel random yang saling bebas dengan dengan fungsi
distribusi gabungan P X , X . Karena variabel random tersebut saling bebas
maka dapat ditulis P X , X P P , sehingga
X ,X
P X , X
P P
P P
2. Diandaikan bahwa rumus benar untuk dimana 2
3. Akan ditunjukkan bahwa rumus benar untuk
… …
Definisi 2.2.11
Variansi variabel random X adalah :
Var X E X E X (2.4)
Teorema 2.2.3
Apabila X merupakan sebuah variabel random maka variansi dari X adalah
Var X E X E X
Bukti :
Berdasarkan definisi
2
2
2
■
Sifat-sifat lain variansi
Untuk a dan b bilangan konstan maka berlaku
1. Var(X + a) = Var(X)
2. Var(bX) = b2 Var(X) 3. Var(bX + a) = b2 Var(X)
Bukti :
2 2
2
2
2 2
2. Var(bX) = b2 Var(X)
2
2
2
2
2 2
Teorema 2.2.4
Apabila , , … , merupakan variabel random yang saling bebas maka
Var X X X Var X Var X Var X
Bukti :
Persamaan di atas benar untuk 1. Selanjutnya akan dibahas untuk 2,
berdasarkan definisi maka diperoleh
Var (X1 + X2) = E [((X1 + X2) - E [X1 + X2])2]
= E [ ( (X1+ X2 ) – E[X1 ] - E [X2 ] )2]
= E [((X1 - E [X1]) + (X2 - E [X2]))2]
= E [(X1- E [X1]) + (X2 - E [X2])2 +2(X1-E[X1])( X2-E[X2 ] )]
= E [(X1 - E [X1])2] + E [(X2 - E [X2])2] +
= Var (X1) + Var (X2) + 2E [(X1 - E [X1])( X2 - E [X2])]
Karena dan merupakan variabel random yang saling bebas maka
berdasarkan Definisi 2.2.8 diperoleh
E [(X1 - E [X1])( X2 - E [X2])] = E [X1 - E [X1]] E [X2 - E [X2]]
= (E[X1]-E[X1])(E[X2]-E[X2 ])
= 0
Sehingga,
Var (X1 + X2) = Var (X1) + Var (X2)
Diasumsikan bahwa rumus benar untuk k. Selanjutnya akan ditunjukkan bahwa
rumus benar untuk 1.
Var (X1 + … + Xk-1+ Xk ) = Var (X1 + … + Xk-1) + Var (Xk)
= Var (X1) + … + Var (Xk-1)+ Var (Xk) ■
Kovariansi Definisi 2.2.12
Kovariansi antara dua variabel random adalah ukuran sifat asosiasi (hubungan)
antara keduanya. Jika X dan Y merupakan dua variabel random maka kovariansi
dari X dan Y didefinisikan sebagai
Cov X, Y E X E X Y E Y
Sifat-sifat kovariansi 1. Cov X, X Var X
2. Cov X, Y Cov Y, X
Bukti :
1. Cov X, X Var X
Cov X, X E X E X X E X
E X E X
Var X
2. Cov X, Y Cov Y, X
Cov X, Y E X E X Y E Y
E XY XE Y YE X E X E Y
E YX YE X XE Y E Y E X
E Y E Y X E X
Cov Y, X
3. Cov X Y, Z Cov X, Z Cov Y, Z
Cov X Y, Z E X Y Z E X Y E Z
E XZ E YZ E X E Z E Y E Z
E XZ E X E Z E YZ E Y E Z
Cov X, Z Cov Y, Z
Definisi 2.2.13
Korelasi dari dua variabel random X dan Y ditulis , dan didefinisikan
sebagai
, Cov X, Y
Fungsi Pembangkit Momen
Salah satu nilai harapan khusus yang sangat berguna dalam teori
probabilitas dan statistika adalah konsep fungsi pembangkit momen.
Definisi 2.2.14
Jika X adalah variabel random, maka nilai harapan disebut
fungsi pembangkit momen dari X jika nilai harapan tersebut ada untuk semua t
dalam interval –h < t < h, untuk h > 0.
Teorema 2.2.5
Andaikan Y1,Y2,...,Yn adalah variabel random yang saling bebas dengan fungsi
pembangkit momen berturut MY1(t), MY2(t),...,MYn(t). Bila
maka fungsi pembangkit momen dari U adalah …
∏ (2.5)
Bukti :
… karena Yi saling bebas maka
…
…
C. Distribusi Bernoulli dan Distribusi Binomial
Distribusi Bernoulli didasarkan atas ruang sampel yang dibangkitkan dari
percobaan Bernoulli. Ruang sampel percobaan ini terdiri atas dua unsur yang
biasanya disimbolkan dengan sukses dan gagal masing-masing dengan peluang
timbulnya p dan 1 . Bila sukses disimbolkan dengan 1 dan gagal dengan
0, maka fungsi probabilitas Bernoulli dapat didefinisikan sebagai berikut :
Definisi 2.3.1
Bila X adalah variabel random Bernoulli maka distribusi probabilitas X adalah
x = 0,1 (2.6)
Dari fungsi probabilitas di atas dapat ditentukan nilai harapan dan variansi serta
fungsi pembangkit momen variabel random yang berdistribusi Bernoulli.
Nilai harapan dari distribusi Bernoulli dapat dicari dengan menggunakan Definisi
2.2.6 untuk variabel random yang diskret karena distribusi Bernoulli merupakan
distribusi probabilitas yang diskret.
∑
∑ 1
0 1 1 1
Jadi nilai harapan dari distribusi Bernoulli adalah p. Selanjutnya dengan
menggunakan Definisi 2.2.8 akan dicari variansi dari distribusi Bernoulli yaitu
Var (X) = E[x2] – (E[x])2
∑
∑ 1
0 1 1 1
0
Var (X) = E[x2] – (E[x])2
1
Selanjutnya untuk mencari Fungsi Pembangkit Momen (FPM) maka akan
digunakan Definisi 2.2.9.
Mx(t) = E[etx]
∑
∑ 1
1 1
1
1 1
Jadi FPM dari distribusi Bernoulli adalah 1 1 .
Distribusi Binomial
Suatu percobaan sering terdiri atas beberapa usaha, tiap usaha dengan dua
kemungkinan hasil yang dapat diberi nama sukses atau gagal. Hal ini dapat
atau usaha dapat menunjukkan apakah suatu barang cacat atau tidak cacat. Dapat
ditentukan atau dipilih salah satu hasil sebagai sukses. Hal ini juga benar bila
kartu ditarik secara berturutan dari sekotak kartu bridge dan tiap penarikan
disebut sukses atau gagal tergantung pada apakah kartu merah atau hitam yang
terambil. Proses seperti ini disebut proses Bernoulli.
Percobaan binomial merupakan percobaan yang terdiri atas
ulangan-ulangan percobaan Bernoulli. Percobaan binomial adalah percobaan yang
memiliki ciri-ciri berikut:
1. Percobaan terdiri atas n ulangan.
2. Dalam setiap ulangan, hasilnya dapat digolongkan sebagai sukses atau gagal.
3. Peluang sukses, yang dilambangkan dengan p, untuk setiap ulangan adalah
sama, tidak berubah-ubah.
4. Ulangan-ulangan tersebut bersifat bebas satu sama lain.
Banyaknya X yang sukses dalam n usaha bernoulli disebut peubah acak
binomial. Distribusi peluang peubah acak diskret ini disebut distribusi binomial
dan akan dinyatakan dengan ; , , karena nilainya tergantung pada
banyaknya usaha (n) dan peluang sukses dalam suatu usaha (p). Akan dicari
rumus yang akan memberikan peluang x sukses dalam n usaha suatu prcobaan
binomial. Pertama, pandang peluang sukses x dan gagal n-x dalam suatu urutan
tertentu. Karena usaha semuanya bebas maka peluang tiap hasil yang berbeda
dapat diperkalikan. Tiap sukses terjadi dengan peluang p dan tiap kegagalan
Sekarang harus ditentukan banyaknya semua titik sampel dalam percobaan
tersebut yang menghasilkan x yang sukses dan n-x yang gagal. Banyaknya ini
sama dengan banyaknya cara memisahkan n hasil menjadi dua kelompok
sehingga x hasil berada pada kelompok pertama dan sisanya n-x hasil pada
kelompok kedua. Jumlah ini dapat dinyatakan dengan .
Definisi 2.3.2
Apabila X1,...,Xn masing-masing merupakan variabel random yang saling bebas
dan berdistribusi Bernoulli, maka ∑ merupakan variabel random yang
berdistribusi Binomial yaitu :
; , , x = 0,1,2,...,n (2.7)
Contoh 2.3.1
Suatu suku cadang dapat menahan uji goncangan tertentu dengan peluang ¾.
Hitunglah peluang bahwa tepat 2 dari 4 suku cadang yang diuji tidak akan rusak.
Jawab:
Misalkan tiap pengujian bebas, jadi pengujian yang satu tidak mempengaruhi atau
dipengaruhi yang berikutnya. Jadi, 3 4 untuk tiap keempat pengujian,
sehingga
2; 4,
!
! !
Dari fungsi probabilitas di atas dapat ditentukan nilai harapan dan variansi serta
Nilai harapan dari distribusi binomial dapat dicari dengan menggunakan Definisi
2.2.6 untuk variabel random yang diskret karena distribusi binomial merupakan
distribusi probabilitas yang diskret.
E x ∑ p x
x ! ! !
!
! !
n 1
Jadi nilai harapan dari distribusi binomial adalah np.
Selanjutnya untuk mencari variansi dari distribusi binomial akan digunakan
definisi 2.2.8
E x x 1 1 p x
1
x x 1 ! ! !
!
! !
1
1
Var (x) = E[x2] – (E[x])2
1
Variansi dari distribusi binomial adalah .
Selanjutnya untuk mencari Fungsi Pembangkit Momen (FPM) maka akan
digunakan Definisi 2.2.9.
Mx(t) = E[etx]
∑
∑
∑
1 1
Contoh 2.3.2
Buktikan jika 1,2, … , merupakan variabel-variabel random yang
saling bebas dan berdistribusi Bernoulli, maka
merupakan variabel random yang berdistribusi binomial!
Jawab :
Untuk membuktikan bahwa Y berdistribusi binomial maka akan diguakan sebuah
metode dalam menentukan fungsi distribusi variabel random yaitu metode fungsi
pembangkit momen.
Jika berdistribusi bernoulli maka fungsi pembangkit momenya adalah
1 1
, maka fungsi pembangkit momenya adalah
…
…
1 1 1 1 … 1 1
1 1
Jika diperhatikan, persamaan terakhir yang diperoleh merupakan fungsi
pembangkit momen bagi variabel random Binomial. Jadi terbukti bahwa jika
1,2, … , merupakan variabel-variabel random yang saling bebas
dan berdistribusi Bernoulli, maka merupakan variabel
Definisi 2.3.3
Fungsi Gamma ditulis Γ(k), untuk semua k>0 didefinisikan sebagai
dt e t k
∫
k t∞ − − = Γ 0 1 )
( (2.8)
Fungsi Gamma memenuhi sifat-sifat :
π = Γ − = Γ − Γ − = Γ ) 2 / 1 ( )! 1 ( ) ( ) 1 ( ) 1 ( ) ( n n k k k
k>1, dan n = 1, 2, .. (2.9)
D. Distribusi Normal
Distribusi normal sangat penting baik dalam statistika teori maupun
terapan. Distribusi ini pertama kali dipelajari pada abad kedelapan belas, ketika
orang mengamati galat pengukuran berdistribusi simetrik dan berbentuk bel. De
Moivre mengembangkan bentuk matematik distribusi ini pada tahun 1733,
sebagai bentuk limit distribusi binomial. Laplace juga telah mengenal distribusi
ini sebelum tahun 1775. Gauss menurunkan persamaan distribusi ini dari suatu
studi tentang galat dalam pengukuran yang berulang-ulang dari kuantitas yang
sama, dan mempublikasikannya pada tahun 1809. Untuk menghormatinya
distribusi normal juga dikenal sebagai distribusi Gauss. Pada abad kedelapan
belas dan sembilan belas, berbagai usaha telah dilakukan untuk membuat
distribusi ini sebagai hukum probabilitas yang mendasari semua variabel kontinu,
Definisi 2.4.1
Suatu variabel random kontinu X dikatakan berdistribusi normal dengan mean µ
dan variansi σ2, apabila variabel itu mempunyai fungsi probabilitas yang berbentuk
f(x) =
2 2( ) 2
1
2
1 σ μ
π σ
− − x
e (2.10)
dengan
∞ < < ∞
− X σ >0 ∞
< < ∞
− μ 718π =3,14dan e=2, .
Jika fungsi probabilitas itu digambar, maka kita peroleh grafik seperti dalam
gambar dibawah ini dan dinamakan kurva normal.
Gambar 2.1 : kurva normal dengan mean µ dan variansi σ2
Berikut ini akan ditunjukkan bahwa distribusi normal memenuhi siat-sifat fungsi
densitas.
Pertama, harus ditunjukkan bahwa integral dari fungsi densitas normal adalah 1.
Kedua, harus ditunjukkan bahwa µ dan σ2 adalah mean dan variansi dari X.
Dengan mensubstitusikan
σ μ
− = x
z dan dx = σdz, didapat :
I = f x dx e z dz e z /2dz
0 2 / 2 2 2 1 2 2 1 ) , ; ( − ∞ − ∞ ∞ − ∞ ∞ −
∫
∫
=∫
= π π σ μBila dimisalkan w = z2/2, maka z = 2 dan dz = (ww -1/2/ 2)dw, sehingga I = w e−wdw
∞ −
∫
0 2 / 1 πDengan menggunakan fungsi Gamma didapat,
I=Γ(1/2) =1
π
Integran yang diperoleh dengan mensubstitusikan
σ μ
− = x
z memegang peranan
yang sangat penting dalam menentukan probabilitas variabel random normal.
Perhitungan menjadi lebih sederhana karena nilai probabilitas telah ditabelkan.
Fungsi densitas hasil transformasi dari X ke Z disebut Distribusi normal standar
yang fungsinya,
φ = − −∞< <∞ z e
z z ,
2 1 )
( 2
π (2.11)
Berikut ini dengan menggunakan Definisi 2.4.1 akan dicari nilai harapan dan
variansi dari variabel random X yang berdistribusi normal.
E(X) = x x dx
Misal z =
σ μ
− x
maka x = σz + µ dan dx = σdz sehingga diperoleh
E(X) = x e z σdz
π σ 2 2 1 2 1 − ∞ ∞ −
∫
= x e z dz 2 2 1 2 1 − ∞ ∞ −
∫
π= z e z dz
2 2 1 2 1 ) ( − ∞ ∞ −
∫
+ π μ σ=
∫
z e z dz∫
e z dz ∞ ∞ − − − ∞ ∞ − + 2 2 2 1 2 1 2 1 μ π σ= 1
2 1 2 2 1 ⋅ + − ∞ ∞ −
∫
μ πσ z e z dz
jika dimisalkan, -1/2z2 = w maka z = 2 dan z dz = -dw w atau dz =
z dw
= w dw
2 sehingga diperoleh
E(X) = μ
π σ ∞ − + ∞ −
∫
dz e z z 2 2 1 2 1 = μ π σ + −∫
∞ ∞ − dw ew 2 1 = μ π σ + ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ + −∫
∫
∞ − ∞ 0 0 2 e dw e dww w =
]
]
μ π σ + ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ + − − ∞ ∞ − − 0 2 1 0 21 2 2
= 0 + µ
= µ
E(X2) = x x dx
⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − −
∫
∞ ∞ − 2 2 2 1 exp 2 1 σ μ π σMisal, z =
σ μ
− x
maka x = σz + µ dan σdz = dx sehingga diperoleh
E(X2) =
∫
x e z dz ∞ ∞ − − σ π σ 2 2 1 2 2 1=
∫
z e z dz ∞ ∞ − − + 2 2 1 2 2 ) ( π μ σ= z z e z dz
2 2 1 2 2 2 2 ) 2 ( − ∞ ∞ −
∫
+ + π μ μσ σ =∫
∫
∫
∞ ∞ − − − ∞ ∞ − − ∞ ∞ − ++ ze dz e dz dz
e
z z2 z2 z2
2 1 2 2 1 2 1 2 2 2 2 2 2 π μ π μσ π σ
=
0
1
2
2 2 1 2 2 2⋅
+
+
− ∞ ∞ −∫
μ
π
σ
dz
e
z
z =∫
∞ ∞ − − + 2 2 1 2 2 22π μ
σ
dz e
z z
misal ½ z2 = w maka z = 2 dan z dz = dw sehingga diperoleh w E(X2) =
w dw e w w 2 2 2 2
∫
∞ ∞ − − π σ+ µ2
=
∫
w e wdw ∞ ∞ − − 2 1 2 π σ=
∫
w e wdw ∞ − 0 2 1 2 2 π σ+ µ2
dengan menggunakan persamaan (2.8) dan (2.9) didapatkan
E(X2) =
∫
w e wdw∞ − 0 2 1 2 2 π σ
+ µ2
= 2 (3/2) 2
Γ
π σ
+ µ2
= (1/2) 2 1 2 2 Γ π σ
+ µ2
= π π σ 2 1 2 2
+ µ2
= σ2 + µ2
. (2.12)
Dengan menggunakan persamaan (2.4) maka
Var(X) = E(X2) – [E(X)]2
= (σ2 +μ2) - µ2 = σ2 (2.13)
Hampiran Normal Terhadap Binomial
Peluang yang berkaitan dengan percobaan binomial dengan langsung
dapat diperoleh dari rumus distribusi binomial ; , atau dari tabel distribusi
bila n kecil. Bila n tidak ada dalam daftar tabel yang tersedia, maka peluang
binomial terpaksa dihitung dengan cara hampiran.
Distribusi normal sering merupakan hampiran yang baik terhadap
distribusi diskret. Distribusi normal merupakan distribusi hampiran yang
ditabelkan. Distribusi binomial dihampiri dengan baik oleh distribusi normal
dalam praktek bila digunakan fungsi distribusi kumulatif. Berikut ini akan
diberikan sebuah teorema yang memungkinkan penggunaan luas di bawah kurva
normal untuk menghampiri peluang binomial bila n cukup besar.
Teorema 2.4.1
Bila X peubah acak binomial dengan rataan dan variansi maka
bentuk limit distribusi
bila ∞ , adalah distribusi normal standar N z; 0,1 .
BAB III
RANDOM WALK dan GERAK BROWN
Suatu proses stokastik , merupakan kumpulan dari
variabel-variabel random. Jadi untuk setiap , merupakan variabel random.
Indeks t seringkali menggambarkan waktu dan lebih mengarah kepada hasil
atau keadaan dari proses tersebut pada waktu t.
Dalam bab III ini akan dibahas mengenai Random Walk dan Gerak Brown.
Random walk dan gerak Brown merupakan contoh dari suatu proses stokastik
dan sering digunakan dalam memodelkan pergerakan harga saham. Selain itu juga
akan dibahas mengenai Ito’s Lemma yang juga merupakan lemma yang cukup
penting dan sering digunakan dalam proses stokastik.
A. Random Walk
Secara harafiah random walk berarti langkah random. Suatu percobaan
sederhana dapat menggambarkan dengan jelas mengenai konsep dasar dari
random walk, yaitu pelemparan sebuah mata uang dua sisi. Bayangkan seseorang
yang berada pada titik nol (origin) pada sebuah garis bilangan real dan orang
tersebut akan melemparkan sebuah mata uang dua sisi yang seimbang . Apabila
dalam setiap kali pelemparan mata uang tersebut, muncul sisi gambar maka orang
tersebut akan berpindah satu unit langkah ke arah kanan ( positive direction) dan
jika muncul sisi angka maka orang tersebut akan berpindah satu unit langkah ke
Kejadian di atas merupakan suatu hal yang mengandung suatu ketidakpastian,
yaitu dalam hal ini peluang memegang peranan yang cukup penting. Bukan
sesuatu hal yang mudah dalam menentukan dengan tepat dan benar apakah orang
tersebut akan bergerak ke arah kanan ataupun sebaliknya, karena dalam situasi ini
orang tersebut mempunyai peluang yang sama besar untuk bergerak ke arah kanan
maupun kiri. Hal ini membuat orang tersebut akan bergerak secara acak
berdasarkan hasil pelemparan sebuah mata uang.
Dapat dikatakan bahwa kejadian perpindahan orang tersebut sebagai sebuah
random walk sederhana atau suatu sistem dinamis stokastik yang diskret yang
akan berkembang menjadi random walk.
Gambar 3.1 gambar random walk pada garis bilangan real
Definisi 3.1.1
Misalkan , , … , merupakan variabel random yang bernilai real dan
0 sehingga,
0 ∑
‐10
‐5 0 5 10 15
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57
S(n)
S(n)
maka barisan variabel random ∞ disebut sebagai random walk dengan
0 merupakan keadaan awal.
Apabila definisi ini dipersempit dengan mengasumsikan bahwa hanya bernilai
1 atau -1 dengan peluang yang sama, maka barisan variabel random ∞
disebut sebagai random walk sederhana.
Pembahasan selanjutnya mengenai random walk akan diawali dengan sebuah
aplikasi. Sebuah aplikasi yang cukup sederhana dari random walk adalah dalam
dunia ekonomi, dalam hal ini harga saham, yaitu situasi dimana seseorang yang
mempunyai saham dengan harga tertentu yang dilambangkan dengan S. Pada
interval diskret (misalnya pengamatan per detik), harga dari saham tersebut
diasumsikan dapat berubah menjadi lebih tinggi (meningkat) ataupun lebih
rendah (menurun) satu unit dari harga saham sebelumnya . Dengan kata lain jika
harga saham pada detik ke n adalah , maka harga saham pada detik ke n+1
adalah 1 1 atau 1 1. Sama seperti pada
pembahasan sebelumnya bahwa peluang harga saham tersebut untuk meningkat
akan sama besar dengan peluang harga saham tersebut untuk menurun. Asumsi ini
menghasilkan sebuah sifat yaitu sifat simetrik bagi random walk.
Definisi 3.1.2
Jika distribusi dari random walk mempunyai 1 1 , maka
random walk tersebut disebut sebagai random walk yang simetrik, dan
i. | 0 | 0 untuk setiap
, , , ( Spatial Homogeneity/ kesamaan tempat).
ii. | 0 | untuk setiap
, , , (Temporal Homogeneity/ kesamaan waktu).
Berdasarkan pembahasan di atas, apabila merupakan sebuah variabel
random yang dapat bernilai 1 atau -1 dengan nilai probabilitas yang sama dan
untuk 0, maka dapat dikatakan bahwa random walk dengan sejumlah n
langkah yang telah diambil sebagai jumlahan parsial dan ditulis
0 (3.1)
Variabel random merupakan bentuk umum dari variabel random
Bernoulli, karena merupakan sebuah variabel random yang menggambarkan
sebuah kejadian dengan dua kemungkinan hasil yaitu 1 dan -1. Apabila
merupakan variabel yang menyatakan harga saham pada hari ke-n dan 1
untuk harga saham pada hari sebelumnya, maka dan 1 dapat
dikurangkan dan diperoleh
0
1 0
1
Secara induksi rumus untuk mencari nilai dari variabel dapat didefinisikan
dengan menggunakan rumus 1 untuk 0, dimana 0
Apabila keadaan awal dari random walk adalah 0 dan jumlah langkah
yang telah ditempuh sebanyak 0, dimana 0 adalah banyaknya langkah ke
arah kanan (positif) dan 0 adalah banyaknya langkah ke arah kiri
(negatif) maka dapat dicari probabilitas bagi yang menyatakan keadaan atau
posisi dari sebuah random walk setelah menempuh sejumlah n langkah.
0 0 2
Jika diperhatikan dengan baik, 2 merupakan jumlahan dari variabel random
Xi yang saling bebas dan berdistribusi Bernoulli sehingga mengakibatkan variabel
0 berdistribusi binomial (Definisi 2.5.1). Untuk menyatakan posisi
atau tempat dari random walk setelah n langkah ditempuh dapat menggunakan
persamaan 0 2 , dan karena variabel 0 berdistribusi
binomial maka akan dicari peluang k sukses dari n langkah yang ada sehingga
dapat ditulis bahwa
0 2
(3.2)
Jika 0 0 maka variabel 0 dapat ditulis menjadi sebuah
variabel random yang baru yaitu 0 untuk 0,1, … sehingga
diperoleh suatu hubungan yaitu 0 0.
Lemma 3.1.1
Jika random walk yang didefinisikan seperti pada Persamaan (3.1) dengan
keadaan awal S 0 0, maka
1) 0 jika |m| ,
2) 0 jika n m gasal,
3) ⁄ , selainya.
Bukti :
1) 0
, 0 0
Jika merupakan variabel random yang dapat bernilai 1 atau -1 dengan
peluang yang sama, maka . Dengan demikian sebagai
jumlahan parsial untuk 0 tidak dapat mencapai nilai apabila
| | . Sehingga terbukti benar bahwa
0 | |
2) Berdasarkan Persamaan (3.2) dan 0 0, maka diperoleh 2
sehingga 2 . Hal ini menunjukan bahwa genap dan
kontradiksi dengan asumsi bahwa gasal. Jadi terbukti bahwa
0
3) Diasumsikan bahwa 2 dan genap. Dari asumsi tersebut diperoleh
kemudian dengan menggunakan rumus sebelumnya(Persamaan 3.2)
maka
■
Pada pembahasan sebelumnya, random walk dapat secara bebas bergerak ke
arah kiri maupun kanan berdasarkan jumlah langkah yang ada. Misalkan sebuah
batas diletakan pada jalur dari random walk. Diasumsikan bahwa keadaan awal
dari random walk adalah positif yaitu 0 0 dan diasumsikan juga bahwa
batas bawah dari random walk adalah 0. Apabila random walk mencapai nilai
batas tersebut dalam jumlah langkah yang berhingga, maka random walk akan
berada pada nilai batas tersebut. Dalam random walk keadaan seperti ini dikenal
sebagai kondisi penyerapan nilai batas ( Absorbing Boundary Condition ).
Sangat perlu untuk diperhatikan setiap nilai terkecil yang dicapai oleh
karena nilai batas pada 0 yang bersifat menyerap (absorbing). Oleh sebab itu
didefinisikan : 0 . Jika j adalah bilangan bulat positif
terkecil sedemikian hingga 0 0 , maka berdasarkan sifat
penyerapan nilai batas 0 untuk semua .
Lemma 3.1.2
Misalkan random walk yang didefinisikan seperti pada Persamaan (3.1) dengan
untuk 1,2, … , merupakan variabel random yang saling bebas dan identik
bahwa nilai batas pada 0 bersifat menyerap (absorbing). Jika , 0, | |
dan genap juga genap maka
∧ 0 | 0 ⁄ ⁄ (3.3)
Bukti :
Untuk membuktikan lemma di atas akan diawali dengan pembahasan mengenai
random walk tanpa nilai batas, yaitu variabel random yang mempunyai
keadaan awal 0 0 dan yang dapat bernilai negatif karena tidak
adanya batas. Dalam situasi ini dengan menggunakan aturan penjumlahan
diperoleh
| 0
∧ 0 0 ∧ 0 0 (3.4)
Berdasarkan sifat kesamaan tempat (spatial homogeneity) dari random walk,
maka di dapat
| 0 | 0 0
Menggunakan Lemma 3.1.1 bagian (iii) dengan | | karena akibat dari
| | dan genap maka rumus probabilitas di atas dapat ditulis
menjadi
| 0 0 ⁄ (3.5)
sekarang sifat simetrik dari random walk akan digunakan untuk random walk
yang tidak dibatasi
Seperti yang tampak pada Gambar 3.2, realisasi dari random walk yang
memotong sumbu x pada dapat direfleksikan di sekitar sumbu x. Random
walk yang tidak mempunyai batas mengakibatkan bahwa ada kemungkinan untuk
random walk tersebut mencapai daerah bagian bawah yaitu nilai negatif. Garis
putus-putus pada gambar di bawah ini menyatakan bahwa random walk mencapai
nilai negatif dan dapat direfleksikan di sekitar sumbu x sehingga diperoleh
gambar dari random walk yang selalu berada diatas sumbu x meskipun tidak
mempunyai batas.
Gambar 3.2 random walk yang simetri dengan keadaan awal 0
Nilai probabilitas dari random walk di atas sama dengan nilai dari setiap jalur
yang dicapai. Oleh karena itu berdasarkan sifat refleksif dari gambar di atas dan
dengan mengingat syarat bahwa | | dan genap, maka
∧ 0 | 0 | 0
| 0 0
j j
⁄ (3.6)
Berdasarkan hal ini, untuk membuktikan lemma di atas menjadi sedikit lebih
mudah yaitu dengan mensubtitusikan Persamaan 3.6 dan Persamaan 3.5 ke dalam
Persamaan 3.4 sehingga diperoleh
∧ 0 | 0
⁄ ⁄ ■
Contoh 3.1.1
Sebuah random walk yang simetrik dengan keadaan awal 0 10, berapakah
probabilitas bahwa 50 16 dan 0 0,1, … ,50 ?
Jawab :
Diketahui bahwa 50, 16, dan 10.
Untuk menghitung probabilitas di atas maka akan digunakan rumus
∧ 0 | 0
⁄ ⁄
⁄ ⁄
2
0.0787178
Mengingat bahwa notasi yang digunakan sangat panjang, maka dengan tujuan
mempermudah penulisan maka akan didefinisikan sebuah fungsi baru yaitu
Sebuah variabel random baru yaitu Ω akan didefinisikan sebagai waktu
penghentian ( stopping time ) jika nilai dari sebuah random walk sama dengan A
dalam kesempatan yang pertama. Selanjutnya akan dibahas mengenai probabilitas
bahwa Ω mempunyai nilai berupa bilangan asli dengan keadaan awal yang
diberikan 0 0 dengan parameter 0 dan nilai batas pada 0 bersifat
menyerap (absorbing). Andaikan bahwa keadaan awal dari random walk adalah
0 0, dengan menggunakan sifat kesamaan tempat (spatial
homegeneity) dari random walk maka diperoleh
0
0 0 0
Misalkan Ω menyatakan bahwa random walk pada langkah ke n mencapai
nilai 0 pada kesempatan yang pertama sehingga jika Ω berarti 0.
Ω jika dan hanya jika 1 1 , 0 dan 1, dimana
1 dan 1 1 , 0 merupakan kejadian yang saling bebas,
sehingga
Ω | 0
1 1 1 0 | 0
1| 0 1 1 0 | 0
1 1 0 | 0
, 1
Didefinisikan sebuah simbol baru yaitu yang menyatakan sembarang
jalur dalam interval diskret [0,A] dari 0 menuju A dan menjauhi 0. Sedangkan
merupakan sebuah simbol untuk menyatakan probabilitas dari sebuah
random walk yang berawal dari 0 dan melalui jalur . Akhirnya simbol
akan digunakan untuk menyatakan probabilitas dari random walk yang
berawal pada 0 dan akan mencapai nilai dengan menjauhi keadaan
0. Dengan menggunakan aturan penjumlahan pada prinsip probabilitas maka
diperoleh
Setiap pergerakan dari random walk untuk bergerak ke kanan ataupun ke kiri
adalah bebas dan tidak bergantung pada pergerakan sebelumnya, sehingga
keadaan awal 0 dari random walk tersebut dapat dibentuk menjadi dua
keadaan yaitu 1 1 dengan probabilitas dan 1 1 dengan
probabilitas sehingga rumus probabilitas di atas dapat ditulis menjadi
∑
1 1
0 1 2 1 (3.7)
Pada pembahasan sebelumnya dikatakan bahwa random walk hanya
mempunyai satu nilai batas yang bersifat menyerap yaitu 0. Selanjutnya random
bersifat menyerap yaitu 0 dan A. Karena kedua nilai batas tersebut bersifat
menyerap maka diperoleh 0 0 dan 1.
Teorema 3.1.1
Misalkan random walk yang didefinisikan seperti pada Persamaan (3.1) dengan
untuk 1,2, … , merupakan variabel random yang saling bebas dan identik
secara distribusi yang dapat bernilai 1 dengan probabilitas . Misalkan juga
bahwa nilai batas pada titik 0 dan A bersifat menyerap. Jika 0 0
maka
1. Probabilitas random walk mencapai nilai A tanpa harus mencapai nilai 0
adalah ⁄ ,
2. Probabilitas random walk mencapai nilai 0 tanpa harus mencapai nilai A
adalah 1 ⁄ .
Bukti
Pembuktian teorema di atas akan dilakukan dengan mencari solusi dari persamaan
linear (Persamaan 3.7).
Persamaan 3.7 di atas merupakan suatu sistem persamaan linear yang mempuyai
solusi yang juga merupakan nilai bagi untuk 1,2, … , 1 dengan nilai
0 0 dan 1. Jika ditulis dalam bentuk matriks maka diperoleh :
1 0 0 0 0 0 0 0
1 2 1 0 0 0 0 0
0 1 2 1 0 0 0 0
0 0 1 2 1 0 0 0
0 0 0 0 0 1 2 1
0 0 0 0 0 0 0 1
0 1 2 3
1
0 0 0 0
Untuk mempermudah menyelesaikan sistem persamaan linear tersebut akan
dibentuk matriks segitiga atas dengan menggunakan eliminasi Gauss. Eliminasi
Gauss bekerja dengan menambahkan perkalian skalar dengan baris pada baris
dibawahnya yang pada akhirnya akan menghasilkan matris segitiga atas yaitu
matriks dengan semua entri di bawah diagonal utama bernilai nol
⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − 1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 1 M L L M L L L L
Dengan mengalikan -1 pada baris pertama dan kemudian ditambahkan pada baris
kedua diperoleh ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − 1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0 1 M L L M L L L L
Selanjutnya baris kedua dikalikan dengan kemudian ditambahkan pada baris
⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − 1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0 1 2 3 M L L M L L L L
Langkah selanjutnya adalah dengan mengalikan pada baris ketiga dan
menjumlahkannya pada baris keempat dan diperoleh
⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − 1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0 1 3 4 2 3 M L L M L L L L
Misalkan bahwa eliminasi Gauss telah dikerjakan sampai pada baris ke i sehingga
bentuk dari matriks tersebut pada baris ke i dan i+1 adalah
0 0 0 0 1 2 1 0 0 0 0 0 1 0 0 1 L L L L − − − i i
Sekali lagi eliminasi Gauss dioperasikan yaitu dengan mengalikan 1 1 ⁄
pada baris ke i kemudian dijumlahkan pada baris ke i+1 sehingga diperoleh
0 0 0 0 1 0 0 0 0 0 0 1 0 0 ) 1 ( 1 L L L L i i i i + − − −
Apabila eliminasi Gauss dikerjakan terus hingga pada baris ke A maka akan
⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − 1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0 1 1 3 4 2 3 M L L M L L L L A A
Apabila matriks segitiga atas ini ditulis kembali berdasarkan sistem persamaan
linearnya maka diperoleh
1 0 0 0 0 0 0 0
0 2 1 0 0 0 0 0
0 0 1 0 0 0 0
0 0 0 1 0 0 0
0 0 0 0 0 0 1
0 0 0 0 0 0 0 1
0 1 2 3 1 0 0 0 0 0 1
Sistem persamaan linear yang baru ini akan sedikit mempermudah dalam mencari
semua nilai solusi yang mungkin bagi sistem persamaan linear tersebut. Apabila
nilai diketahui maka untuk menentukan nilai 1 dapat ditentukan
dengan menggunakan persamaan berikut
1 0
1 (3.8)
Misalkan diambil , seperti diketahui bahwa nilai batas pada A bersifat
menyerap sehingga 1, kemudian disubstitusikan pada Persamaan 3.8
Misalkan bahwa nilai diketahui, maka dengan mengambil
dan mensubtitusikannya pada Persamaan 3.8 diperoleh
1
1 (3.9)
Berdasarkan hasil yang sudah diperoleh maka dalam kasus yang lebih umum
dapat dikatakan bahwa . Apabila diambil maka
. Nilai dari solusi ini dapat ditulis dalam bentuk matriks berikut ini
0 1
1
0
1
Variabel menyatakan probabilitas dari sebuah random walk dengan
keadaan awal 0 akan mencapai titik 0 dan menjauhi titik .
Dengan mengganti variabel A pada Persamaan 3.7 dengan 0 maka diperoleh
sebuah persamaan
0 1 2 1 (3.10)
Untuk menyelesaikan sistem persamaan di atas dapat dilakukan sama seperti yang
sebelumnya dilakukan tetapi akan sedikit sulit. Oleh sebab itu akan digunakan
cara yang lebih mudah yaitu dengan menggunakan sifat simetrik dari random
ke atas akan sama dengan ketika bergerak ke bawah. Mengingat bahwa kedua
nilai batas (0 dan A) bersifat menyerap sehingga mengakibatkan 0 1 dan
0. Berdasarkan hal tersebut dan konsep mengenai probabilitas dari
semua kemungkinan kejadian yang terjadi adalah 1, maka dapat ditulis
1
1
1
Berdasarkan hasil terakhir yang diperoleh maka dapat ditulis semua nilai bagi
untuk 1,2, … , 1 dalam sebuah matriks di bawah ini
0 1
1
1
0
Sehingga diperoleh sebuah kesimpulan yaitu
dan 1 untuk 1,2, … , 1 ■
Misalkan 0, merupakan himpunan nilai batas yang bersifat menyerap dari
random walk berdimensi satu, maka dapat didefinisikan sebuah simbol yang
menyatakan nilai harapan untuk waktu penghentian bagi random walk yang
: waktu untuk random walk bergerak dari 0 untuk 0 ke B
dan mengikuti jalur .
Ω : nilai harapan .
Berdasarkan definisi nilai harapan maka diperoleh
Ω
Apabila random walk bergerak mulai dari nilai batas 0 maka nilai
harapannya adalah 0, sehingga Ω 0 Ω 0. Jalur dari dapat
dibentuk menjadi jalur yang berbentuk 1 atau 1 dengan
penambahan satu langkah, sehingga diperoleh
Ω ∑ 1 1
∑ ∑
∑
Ω 1 Ω 1 1
2 Ω 1 2Ω Ω 1 (3.11)
Teorema 3.1.2
Misalkan random walk yang didefinisikan seperti pada Persamaan (3.1) dengan
untuk 1,2, … , merupakan variabel random yang saling bebas dan identik
secara distribusi yang dapat bernilai 1 dengan probabilitas . Misalkan juga
random walk memotong nilai batas ( S = 0 atau S = A) setelah sejumlah langkah
yang telah ditempuh diberikan oleh rumus
Ω
Bukti
Pembuktian teorema ini akan dilakukan dengan mencari solusi dari persamaan
linear (3.11).
Persamaan 3.11 sering kali disebut sebagai Persamaan Poisson untuk waktu
penghentian. Dari persamaan Poisson ini dapat dibentuk sebuah sistem persamaan
linear untuk waktu penghentian dan ditulis dalam bentuk matriks berikut ini
( )
( )
( )
(
)
( )
⎥⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − = ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ Ω − Ω Ω Ω Ω ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − 0 2 2 2 0 1 2 1 0 1 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 1 2 1 0 0 0 0 0 0 1 M M L L M L L L A A B B B B BMatriks yang dibentuk dari Persamaan Poisson dikenal sebagai matriks
tridiagonal. Jika diperhatikan seluruh entri pada matriks tersebut bernilai nol
kecuali entri-entri pada diagonal utama, sub-diagonal, dan super diagonal. Banyak
metode yang dapat digunakan untuk menyelesaikan sistem persamaan linear,
tetapi metode yang akan digunakan adalah sama dengan yang sudah digunakan di
depan yaitu eliminasi Gauss. Operasi pertama yang dilakukan adalah
memperbesar matriks dengan menambah sebuah kolom pada sisi bagian kanan
⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − − 0 2 2 2 0 1 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 1 2 1 0 0 0 0 0 0 1 M L L M L L L
Apabila baris pertama dikalikan dengan -1 dan kemudian dijumlahkan dengan
baris kedua maka diperoleh
⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − − 0 2 2 2 0 1 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 1 2 0 0 0 0 0 0 0 1 M L L M L L L
Perhatikan sekarang bahwa semua entri pada kolom pertama sudah bernilai nol
kecuali entri pada diagonal utama. Selanjutnya hal yang sama akan dilakukan
untuk kolom yang kedua dengan mengalikan pada baris kedua dan
menjumlahkanya dengan baris ketiga sehingga menjadi
⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − − 0 2 3 2 0 1 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 1 2 3 M L L M L L L
Langkah selanjutnya adalah dengan mengalikan pada baris ketiga dan
⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − − − 1 0 4 3 2 0 1 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0 1 3 4 2 3 M L L M L L L L
Operasi baris elementer ini harus terus dilakukan sampai dua baris terakhir.
Andaikan eliminasi Gauss telah dioperasikan pada baris ke i pada matriks yang
diperbesar tersebut sehingga baris ke i dan i+1 dari matriks tersebut menjadi
seperti berikut 2 0 0 1 2 1 0 0 0 0 0 1 0 0 1 − − − − − i i i L L L L
Dengan mengalikan baris ke i dengan 1 1 ⁄ kemudian dijumlahkan dengan
baris i+1 dan menghasilkan
) 1 ( 0 0 1 0 0 0 0 0 0 1 0 0 ) 1 ( 1 + − − + − − − i i i i i i L L L L
Terlihat bahwa dengan melakukan eliminasi Gauss maka matriks yang diperbesar
ini menjadi matriks segitiga atas dan ditulis
Proses eliminasi Gauss sama halnya dengan menjumlahkan hasil kali persamaan
linear dengan persamaan linear yang lainya. Jika matriks segitiga atas tersebut
ditulis kembali berdasarkan Persamaan 3.11 maka diperoleh
( )
( )
( )
(
)
( )
⎥⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − = ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ Ω − Ω Ω Ω Ω ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − 0 3 2 0 1 2 1 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 1 1 2 3 A A A B B B B B A A M M L L M L L L (3.12)Sekarang sistem persamaan linear ini sudah dapat digunakan untuk mencari solusi
bagi nilai Ω untuk 1,2, … , 1.
Apabila nilai dari Ω diketahui maka dapat ditentukan nilai bagi Ω 1
dengan menggunakan persamaan
Ω 1 Ω
Ω 1 1 Ω (3.13)
Berdasarkan (3.12) nilai Ω 0, nilai ini akan digunakan sebagai substitusi
dalam Persamaan 3.13. Misalkan diambil dan dimasukkan ke dalam
persamaan 3.13, maka
Ω 1 1 Ω
1 0
1
Selanjutnya apabila diambil 1 dan disubstitusikan pada Persamaan 3.13
Ω 2 2 Ω 1
2 1
2 2
Dengan menggunakan induksi maka dapat dicari solusi yang lain. Misalkan
Ω diketahui, maka dengan mengambil kemudian
disubstitusikan ke dalam Persamaan 3.11
Ω 1 1 1
1 1
1
Ω 1 1 1 (3.14)
Sehingga dalam kasus yang lebih umum Ω . Dengan
mensubtitusikan ke dalam Persamaan 3.12 maka diperoleh
Ω ■
Contoh 3.1.2
Misalkan sebuah random walk simetrik berada dalam interval diskret {0,1,2,3,4}
dimana nilai batas pada 0 dan 4 bersifat menyerap. Jika 0 maka nilai
harapan untuk waktu penghentian dari random walk tersebut adalah
Dalam Teorema 3.2 dijelaskan mengenai jumlah langkah rata-rata yang
diperlukan oleh sebuah random walk simetrik untuk mencapai kedua titik batas
pada interval [0,A] berdasarkan titik awal atau keadaan awal. Selanjutnya akan
dibahas mengenai waktu untuk random walk berger