i SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Sains
Program Studi Matematika
Disusun Oleh : RIDWAN RAHADIYANTO
NIM : 033114011
PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
i THESIS
Presented As a Partial Fulfillment of The Requirements to Obtain The Sarjana Sains Degree
In Mathematics
by :
Ridwan Rahadiyanto Student Number : 033114011
MATHEMATICS STUDY PROGRAM DEPARTEMENT OF MATHEMATICS FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY YOGYAKARTA
LAMPIRAN Data Harga Saham
Harga saham IBM harian : Tanggal Harga
28-Sep-01 86.01 30-Jul-01 99.13 4-Jun-01 106.42 6-Apr-01 91.62 9-Feb-01 104.76 27-Sep-01 84.39 27-Jul-01 98.05 1-Jun-01 105.72 5-Apr-01 91.86 8-Feb-01 106.72 26-Sep-01 85.61 26-Jul-01 99.27 31-May-01 104.7 4-Apr-01 86.05 7-Feb-01 109.35 25-Sep-01 88.57 25-Jul-01 98.23 30-May-01 105.49 3-Apr-01 84.55 6-Feb-01 106.69 24-Sep-01 88.89 24-Jul-01 97.87 29-May-01 107.95 2-Apr-01 88.54 5-Feb-01 104.84 21-Sep-01 84.86 23-Jul-01 99.13 25-May-01 110.32 30-Mar-01 89.96 2-Feb-01 103.02 20-Sep-01 87.58 20-Jul-01 98.99 24-May-01 112 29-Mar-01 88.89 1-Feb-01 106.55 19-Sep-01 90.02 19-Jul-01 97.39 23-May-01 109.94 28-Mar-01 88.31 31-Jan-01 104.64 18-Sep-01 90.4 18-Jul-01 97.66 22-May-01 110.51 27-Mar-01 93.07 30-Jan-01 108.95 17-Sep-01 87.53 17-Jul-01 101.64 21-May-01 111.48 26-Mar-01 89.23 29-Jan-01 107.42 10-Sep-01 90.46 16-Jul-01 100.97 18-May-01 109.98 23-Mar-01 87.46 26-Jan-01 106.69 7-Sep-01 90.57 13-Jul-01 101.64 17-May-01 107.76 22-Mar-01 83.34 25-Jan-01 103.47 6-Sep-01 91.9 12-Jul-01 100.44 16-May-01 108.44 21-Mar-01 83.32 24-Jan-01 103.18 5-Sep-01 94.1 11-Jul-01 97.25 15-May-01 106.36 20-Mar-01 82.59 23-Jan-01 101.89 4-Sep-01 95.17 10-Jul-01 95.48 14-May-01 105.41 19-Mar-01 86.61 22-Jan-01 101.43 31-Aug-01 93.72 9-Jul-01 98.07 11-May-01 104.71 16-Mar-01 84.27 19-Jan-01 103.94 30-Aug-01 94.11 6-Jul-01 99.73 10-May-01 107.88 15-Mar-01 89.38 18-Jan-01 101.19 29-Aug-01 97.64 5-Jul-01 104.98 9-May-01 109.55 14-Mar-01 88.82 17-Jan-01 90.34 28-Aug-01 98.41 3-Jul-01 105.8 8-May-01 110.22 13-Mar-01 92.03 16-Jan-01 86.65 27-Aug-01 100.2 2-Jul-01 107.09 7-May-01 108.41 12-Mar-01 89.32 12-Jan-01 87.64 24-Aug-01 100.33 29-Jun-01 106.29 4-May-01 108.37 9-Mar-01 92.87 11-Jan-01 87.53 23-Aug-01 96.58 28-Jun-01 107.79 3-May-01 106.35 8-Mar-01 99.59 10-Jan-01 87.3 22-Aug-01 97.48 27-Jun-01 106.31 2-May-01 107.94 7-Mar-01 100.6 9-Jan-01 86.48 21-Aug-01 95.54 26-Jun-01 105.86 1-May-01 110.85 6-Mar-01 99.15 8-Jan-01 87.41 20-Aug-01 97.62 25-Jun-01 105.49 30-Apr-01 107.7 5-Mar-01 98.13 5-Jan-01 87.82 17-Aug-01 98.07 22-Jun-01 105.7 27-Apr-01 108.69 2-Mar-01 95.69 4-Jan-01 87.07 16-Aug-01 99.16 21-Jun-01 105.45 26-Apr-01 106.39 1-Mar-01 99.19 3-Jan-01 88.4 15-Aug-01 98.47 20-Jun-01 105.91 25-Apr-01 107.42 28-Feb-01 93.44 2-Jan-01 79.24 14-Aug-01 99.58 19-Jun-01 107.54 24-Apr-01 105.38 27-Feb-01 95.96
13-Aug-01 99.27 18-Jun-01 107.01 23-Apr-01 104.76 26-Feb-01 98.49 10-Aug-01 98.41 15-Jun-01 106.38 20-Apr-01 107.41 23-Feb-01 97.28
v
hidup adalah pembelajaran
hidup adalah perjuangan
hidup adalah perbuatan
hidup adalah sebuah perjalanan
hidup adalah pilihan-pilihan
hidup adalah tanggungjawab hidup adalah penantian
hidup adalah menyayangi hidup adalah memahami
hidup adalah mencintai
hidup adalah memberi
hidup adalah menikmati hidup adalah akhir
melalui hidup kita belajar banyak hal dan satu hal yang pasti
“ susahku saiki durung cukup kanggo
mbayar senengku mbesuk, gusti ra bakalan
menehi cobaan sing ora iso dihadapi
hambane ”
vi
Pergerakan harga saham pada dasarnya tidak dapat diprediksi dengan pasti, tetapi pergerakan tersebut dapat diperkirakan. Untuk memperkirakan pergerakan harga saham, maka akan dibuat suatu model matematika yang memanfaatkan pembangkitan bilangan random sebagai sampel data harga sahamnya. Melalui model matematika tersebut dapat diperoleh suatu simulasi pergerakan harga saham.
vii
possible to make some predictions. A mathematical model is designed in order to estimate the movement of asset price. This model uses random numbers as the sample of the asset price and can be used as a simulation model of the movement of asset price.
viii
yang telah diberikan sehingga penulis dapat menyelesaikan skripsi ini.
Dalam penulisan skripsi ini, penulis banyak menemui hambatan dan kesulitan. Namun, berkat bantuan dan dukungan dari banyak pihak, akhirnya skripsi ini dapat terselesaikan. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada :
1. Ibu Ch. Enny Murwaningtyas, S.Si, M.Si, selaku dosen pembimbing skripsi dan dosen pembimbing akademik yang selalu sabar dan memberi semangat kepada penulis selama kuliah dan penyusunan skripsi ini.
2. Bapak Yosef Agung Cahyanta, S.T., M.T, selaku Dekan Fakultas Sains dan Teknologi.
3. Ibu Lusia Krismiyati Budiasih S.Si, M.Si, selaku Ketua Program Studi Matematika yang telah banyak membantu dan memberi saran.
4. Bapak Ir. Ignatius Aris Dwiatmoko, M.Sc, selaku penguji yang telah banyak memberikan masukan kepada penulis.
5. Bapak dan Ibu Dosen Fakultas Sains dan Teknologi yang telah memberikan bekal ilmu yang sangat berguna bagi penulis.
6. Bapak Tukijo dan Ibu Linda yang telah memberikan pelayanan administrasi selama penulis kuliah.
7. Perpustakaan USD yang telah memberikan fasilitas dan kemudahan kepada penulis.
8. Kedua orang tua dan ade’ku yang selalu memberikan dukungan untuk hidupku.
9. Dek ayoe yang telah menemani saat-saat akhir penulisan, Gimbo yang telah memberikan pelajaran hidup yang sangat berharga.
ix
kasih atas keceriaan selama kuliah bareng.
13.Anak-anak kos Pake : Kelik, Asok, Sandex, Mas Jo, Usup, Ijuk, Uduk, Otonx, Mas Wawan yang telah banyak memberikan banyak bantuan selama pengerjaan skripsi ini.
14.Komunitas Kodox Ijo : Didied, Gon-gon, Don Pelikpo, Topan, Tpe, Baiban, yang telah memberikan banyak masukan mengenai pengerjaan skripsi.
15.Personil kos Rafli : Moestapa, Tora, mehonx, Fajar, Briti, dan Kang Moejhi yang selalu memberikan semangat dan juga Anggey n Ana atas nasehat-nasehatnya.
16. Angota-anggota ITI : Gondrong , RT, Betut, Sumin, Gawer, Leo, Ooz, Jaja, dogox, Lili, lia dan anggota-anggota yang lainnya yang telah memberikan banyak pengetahuan tentang sintak-sintak program dan software.
17.Anak-anak KKN : Soesoeh, Poli, Desi, Evi, Lusi, Lian, Helen, Reni makasih untuk kekompakan dan semangatnya.
18.Gank Psycho : Cazanopa, Kotong, Tombir, Antoks, Yanu, Sobir, KampretZ, Gondel, Arex, Gendut (Teman kita yang telah berpulang, moga-moga diterima disisinya), Thika, Imel, Linda, Ling-ling, Utut, terima kasih atas persabatannya.
x
satu disini. Tiada yang sempurna, demikian juga skripsi ini. Masukan dan kritikan yang membangun untuk kesempurnaan skripsi ini menjadi kehormatan bagi penulis.
xi
HALAMAN JUDUL……….. i
HALAMAN JUDUL (INGGRIS)……….. i
HALAMAN PERSETUJUAN PEMBIMBING………... ii
HALAMAN PENGESAHAN………...………. iii
HALAMAN KEASLIAN KARYA………...……… iv
HALAMAN PERSEMBAHAN………... v
ABSTRAK………... vi
ABSTRACT……… vii
KATA PENGANTAR……… viii
DAFTAR ISI……….. xi
DAFTAR TABEL………. xiv
DAFTAR GAMBAR………. xv
BAB I PENDAHULUAN A. Latar Belakang……… 1
B. Perumusan Masalah……… 4
C. Pembatasan Masalah………... 4
D. Tujuan Penulisan………... 4
E. Metode Penulisan………... 5
xii
A. Variabel Random ……….... 7
B. Fungsi Probabilitas 1. Fungsi Distribusi Kumulatif Diskret………. 10
2. Fungsi Distribusi Kumulatif Kontinu……… 10
3. Fungsi Densitas……….. 10
C. Nilai Harapan dan Variansi……… 11
D. Distribusi Normal……… 14
E. Fungsi Variabel Random……… 22
F. Distribusi Lognormal……….. 27
G. Teorema Limit Pusat……….. 31
H. Interval Kepercayaan ……… 32
I. Simulasi Komputer………. 38
J. Penduga Densitas Kernel……… 44
K. Kuantil-Kuantil Plot……… 47
L. Teorema Limit Pusat Dalam Simulasi Komputer……….. 54
BAB III MODEL MATEMATIKA PERGERAKAN HARGA SAHAM A. Pergerakan Harga Saham……… 59
B. Model Matematis Harga Saham 1. Model Saham Diskret……… 68
2. Model Harga Saham Kontinu……… 69
xiii 1. Pola Pergerakan Harga Saham
dengan Skala Waktu yang Berbeda……….. 95
2. Jumlah Kuadrat Return………. 100
BAB IV APLIKASI PADA HARGA SAHAM INDONESIA Analisa harga saham Indonesia……… 108
BAB V PENUTUP A. Kesimpulan ………118
B. Saran………118
DAFTAR PUSTAKA……….119
xiv
Tabel 2.2.1 ………..………... 9
Tabel 2.3.1 ……….………... 12
Tabel 2.9.1 ……….……….. 41
Tabel 2.9.2 ………... 43
Tabel 3.1.1 ………... 65
xv
Gambar 2.4.1 ………... 16
Gambar 2.7.1 ……….. 34
Gambar 2.7.2 ……….. 37
Gambar 2.10.1 ……….………. 45
Gambar 2.10.2 ……….. 45
Gambar 2.10.3 ……….. 46
Gambar 2.10.4 ……….. 47
Gambar 2.11.1 ……….. 51
Gambar 2.11.2 ……….. 52
Gambar 2.11.3 ……….. 54
Gambar 2.12.1 ……….. 56
Gambar 2.12.2 ……….. 57
Gambar 3.1.1 ……….. 60
Gambar 3.1.2 ……….. 61
Gambar 3.1.3 ……….. 63
Gambar 3.1.4 ……….. 64
Gambar 3.1.5 ……….. 64
Gambar 3.1.6 ……….. 67
Gambar 3.1.7 ……….. 68
Gambar 3.2.1 ……….. 82
xvi
Gambar 3.3.3 ……….. 90
Gambar 3.3.4 ……….. 92
Gambar 3.3.5.1 ………... 92
Gambar 3.3.5.2 ……….. 93
Gambar 3.3.6 ………. 94
Gambar 3.3.7 ………. 94
Gambar 3.3.8 ………. 96
Gambar 3.3.9 ………. 101
Gambar 3.3.10 ………. 105
Gambar 3.3.11 ………. 105
Gambar 3.3.12 ………. 106
Gambar 3.3.13 ………. 106
Gambar 3.3.14 ………. 107
Gambar 4.1 ………. 108
Gambar 4.2 ………. 109
Gambar 4.3 ………. 109
Gambar 4.4 ………. 110
Gambar 4.5 ………. 110
Gambar 4.6 ………. 112
Gambar 4.7 ………. 113
xvii
Gambar 4.11 ………. 114
Gambar 4.12 ………. 116
A. Latar Belakang
Dalam kehidupan sehari-hari kadang dijumpai pemberitaan tentang saham,
pergerakan harga saham, investasi dalam bentuk saham, dan jual beli saham.
Tetapi belum tentu setiap orang tahu tentang definisi dan seluk beluk pergerakan
harga saham. Definisi saham itu sendiri adalah suatu obyek finansial yang
nilainya diketahui pada saat ini, tetapi dapat berubah pada masa yang akan datang.
Harga saham pada dasarnya digunakan sebagai ukuran kepercayaan seorang
investor. Hal ini akan dipengaruhi faktor-faktor yang ada seperti berita yang
sedang berkembang, keadaan geografis, desas-desus, spekulasi dan lain
sebagainya. Pergerakan harga saham yang sedang berkembang menggambarkan
semua informasi untuk diketahui investor dan semua perubahan pada harga akan
memberikan informasi baru (hipotesis efisiensi pasar). Menurut hipotesis efisiensi
pasar, jika ingin memprediksi harga saham untuk masa yang akan datang maka
harus diketahui secara lengkap tentang sejarah dari data harga saham sebelumnya
dan faktor-faktor lain seperti keadaan perusahaan, keadaan geografis, spekulasi
dan lain sebagainya. Tetapi pada pembahasan kali ini hanya akan digunakan
sejarah dari data harga saham sebelumnya untuk memprediksi pergerakan harga
saham. Karena pergerakan harga saham pada dasarnya tidak dapat diprediksi
tersebut. Definisi dari model matematika itu sendiri adalah representasi simbolik
yang melibatkan formulasi matematika.
Jika diberikan harga saham S0 pada saat t = 0, tujuannya adalah untuk
membuat model matematika yang mendeskripsikan harga saham S(t) pada waktu t
(0 ≤t ≤T). Seperti yang telah disebutkan diatas, karena pergerakan harga saham
pada dasarnya tidak dapat diprediksi secara pasti, maka S(t) merupakan sebuah
variabel random untuk setiap t. Meskipun harga saham biasanya dibulatkan
menjadi satu atau dua tempat desimal, diasumsikan bahwa harga saham memiliki
nilai ≥ 0. Model harga saham ada dua macam model yaitu model saham diskret
dan model saham kontinu.
Pada perubahan yang tidak dapat diprediksi secara pasti akan ditambahkan
sebuah kenaikan fluktuasi random pada persamaan. Supaya tepat dimisalkan ti =
iδt, dimana δtadalah interval waktu kecil, sehingga harga saham dapat ditentukan
pada titik-titik diskret {ti}.
Model waktu diskretnya adalah,
S(ti+1) = S(ti) + µ δtS(ti) + σ δtYiS(ti) , dimana
• µ adalah parameter konstan (biasanya µ > 0, sehingga µδtS(ti)
menggambarkan sebuah pergerakan naik pada harga saham).
• σ ≥ 0 adalah parameter konstan yang menentukan kekuatan fluktuasi
random, dan disebut volatilitas.
• Y0,Y1,Y2,…adalah bilangan random yang berdistribusi identik dan
Untuk mendapatkan sebuah model perubahan relatif dalam interval waktu δt,
dimisalkan δt → 0 dengan tujuan untuk mendapatkan sebuah model yang valid
untuk t yang kontinu dalam interval 0 ≤ t ≤ T . Pergerakan harga saham yang
diberikan pada bursa-bursa saham pada dasarnya pergerakan secara diskret tetapi
semakin kecil interval perubahan waktunya, harga saham tidak lagi bersifat
diskret. Oleh karena itu pergerakan harga saham akan didekatkan pada model
saham kontinu.
Misalkan interval waktu [0, t] dengan t = Lδt. Diketahui S(0) = S0, dan dari
model diskret diperoleh S(δt), S(2δt), .., S(Lδt=t).
Maka model waktu kontinunya pada saat t adalah
S(t) = S eµ−2σ )t+σ tZ 1
( 0
2
, dimana Z berdistribusi N(0,1).
Kemudian model matematis tersebut disimulasikan. Pertama-tama akan
digunakan komputer untuk membangkitkan bilangan random dan dari bilangan
random ini digunakan untuk membangkitkan nilai variabel random. Kemudian
akan ditunjukkan bagaimana menggunakan variabel random untuk
B. Perumusan Masalah
Masalah yang akan dibahas pada skripsi ini adalah :
1. Bagaimana menyusun model saham kontinu dari model saham diskret?
2. Bagaimana cara menyimulasikan model matematika dari pergerakan harga
saham?
3. Bagaimana mengaplikasikan model tersebut pada pergerakan harga saham
di Indonesia?
C. Pembatasan Masalah
1. Teorema Limit Pusat tidak dibuktikan.
2. Model yang akan dibahas dalam skripsi ini hanya model return harga
saham, model harga saham diskret dan model harga saham kontinu.
3. Hanya akan digunakan sejarah dari data harga saham untuk menganalisa
pergerakan harga saham.
4. Program yang digunakan adalah Exel, SPSS, dan Matlab.
5. Grafik frekuensi relatif, penduga densitas kernel dan grafik kumulatif pada
bab II dan bab III berupa histogram, tetapi karena keterbatasan Matlab
maka tampak seperti grafik bar.
D. Tujuan Penulisan
Tujuan dari penulisan dari skripsi ini adalah untuk membuat model
simulasi tersebut pergerakan suatu saham dapat dianalisa, sehingga dapat
diperoleh prediksi pergerakannya untuk waktu yang akan datang.
E. Metode Penulisan
Penulisan skripsi ini menggunakan metode studi pustaka, yaitu dengan
menggunakan buku-buku, jurnal, dan makalah yang telah dipublikasikan,
sehingga tidak ditemukan hal baru.
F. Manfaat Penulisan
Manfaat dari penulisan skripsi ini adalah dapat dipahami hubungan model
saham diskret dan model saham kontinu. Selain itu pembaca dapat juga
memperoleh prediksi tentang pergerakan harga saham untuk waktu yang akan
datang.
G. Sistematika Penulisan
BAB I: PENDAHULUAN
Dalam bab I dibahas tentang latar belakang, perumusan
masalah, pembatasan masalah, tujuan penulisan, metode
BAB II: LANDASAN TEORI
Dalam bab II akan dibahas tentang variabel random, fungsi
probabilitas, nilai harapan dan variansi, distribusi normal,
fungsi variabel random, distribusi lognormal, teorema limit
pusat, interval konvidensi, simulasi komputer, penduga
densitas kernel, kuantil-Kuantil plot, dan teorema limit pusat
dalam simulasi komputer.
BAB III: MODEL MATEMATIKA DAN SIMULASI
PERGERAKAN HARGA SAHAM
Dalam bab III ini akan dibahas tentang pergerakan harga
saham, model matematika harga saham dan juga komputasi
aset path.
BAB IV: APLIKASI PADA HARGA SAHAM INDONESIA
Dalam bab IV ini akan diberikan contoh analisa data harga
saham yang ada di Indonesia dengan menggunakan model
harga saham dan komputasi asset path.
BAB V: PENUTUP
Dalam bab V ini akan diberikan tentang kesimpulan dan
A. Variabel Random
Gagasan untuk mendefinisikan sebuah fungsi yang dikenal dengan
variabel random timbul karena model-model matematika diekspresikan dalam
bentuk nilai-nilai numeris daripada hasil percobaan asli seperti sisi, warna, atau
yang lain.
Definisi 2. 1.1:
Variabel random, misalnya X adalah fungsi yang didefinisikan pada ruang sampel
S, yang memetakan setiap elemen e∈S kebilangan 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
huruf-huruf kecil yang bersesuaian seperti x, y, z.
Contoh 2. 1.1:
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(1,2) = 1 + 2 = 3
Konsep variabel random dapat dipahami sebagai sebuah pemetaan dari
himpunan S kehimpunan bilangan bilangan real. Kemudian konsep ini dipakai
untuk menghitung peluang timbulnya suatu kejadian.
Dengan mengambil contoh 2.1.1, didefinisikan kejadian memperoleh jumlah
bilangan maksimal 3. Titik-titik sampel kejadian ini dapat dituliskan sebagai Y =
2,3 atau 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 Dan Variabel Random Kontinu Definisi 2. 1.2:
Variabel random diskret adalah variabel random yang nilainya berhingga atau
takberhingga terbilang, selain ini disebut variabel random kontinu.
Contoh 2.1.2:
variabel random diskret :
o X = Banyaknya kecelakaan mobil dalam waktu satu tahun di
Yogyakarta.
o S = Frekuensi denyut jantung permenit. variabel random kontinu :
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, seara teoritik dapat diukur waktu dengan
B. Fungsi Probabilitas Definisi 2.2.1:
Fungsi f(xi) = P(X = xi), i = 1, 2, 3,… yang menyatakan probabilitas untuk
semua kemungkinan nilai variabel random diskret X disebut fungsi probabilitas.
Fungsi probabilitas tersebut dapat dinyatakan dalam rumus fungsi atau tabel yang
memuat pasangan nilai variabel random x berikut dengan peluangnya yang
disebut distribusi probabilitas.
Contoh 2.2.1:
Sebuah koin dilemparkan sebanyak 2 kali dan X adalah variabel random yang
menyatakan banyaknya muka yang diperoleh. Variabel random X yang memiliki
distribusi probabilitas sebagai berikut :
Tabel 2.2.1 Tabel distribusi probabilitas
X 0 1 2
P(X=x)
4 1
2 1
4 1
Definisi 2.2.2 :
Probabilitas dari a ≤ X ≤ b ditentukan oleh integral f(x) dengan batas bawah x = a
dan batas atas x = b, dengan X adalah variabel random kontinu dan f adalah fungsi
P(a≤ X ≤b) =
∫
b
a
dx x
f( ) . (2.1)
1. Fungsi Distribusi Kumulatif Diskret Definisi 2.2.3:
Fungsi distribusi kumulatif suatu variabel random diskret X didefinisikan sebagai
F(x) = P(X≤x) untuk semua nilai real x.
Kadang-kadang fungsi F(x) disebut juga fungsi distribusi.
2. Fungsi Distribusi Kumulatif Kontinu Definisi 2.2.4:
Fungsi distribusi kumulatif suatu variabel random X, dengan fungsi densitas f(x)
didefinisikan sebagai :
F(x) =
∫
∞ −x
dt t
f( ) (2. 2)
Fungsi densitas f(x) merupakan derivatif dari F(x).
3. Fungsi Densitas
Pada fungsi distribusi yang mengandung titik-titik terputus yang berhingga
banyaknya, loncatan yang terdapat pada suatu titik terputus merupakan
probabilitas timbulnya variabel random X pada titik tersebut. Kemudian dapat
pula disimpulkan bahwa pada ruang sampel kontinu, peluang timbulnya variabel
peluang suatu variabel random kontinu selalu dinyatakan dalam peluang bernilai
dalam interval.
Definisi 2.2.5:
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
C. Nilai Harapan
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. Yang dimaksud dengan
nilai harapan dinyatakan dalam definisi berikut,
Definisi 2.3.1:
E(X) =
⎪ ⎪ ⎩ ⎪⎪ ⎨ ⎧
∫ ∑
∞
∞ −
=
) ( densitas fungsi
dengan kontinu X jika , ) (
) ( as probabilit fungsi
dengan diskret x jika ), (
1
x f dx
x xf
x p x
p x
n
i i i
(2.3)
Ditinjau dari segi variabel random yang diskret, maka nilai harapan E(X)
merupakan suatu nilai fungsi linear dari semua unsur didalam domain fungsi
Contoh 2.3.1:
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 2.3.1 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 c = 3, 5 rupiah. Dengan demikian rata-rata hadiah
yang kita terima sama dengan banyaknya uang yang kita bayarkan untuk bermain.
Nilai harapan E(X) = 3, 5 dapat diinterprestasikan sebagai berikut : “ jika
permainan itu dapat diulang sebanyak-banyaknya, maka perbandingan antara
jumlah hadiah dengan banyaknya kali permainan adalah 3, 5”.
Sifat-sifat Nilai Harapan Definisi 2.3.2:
Jika X adalah variabel random dan g(x) adalah fungsi dari variabel random X
E[g(X)] =
⎪⎩
⎪
⎨
⎧∑
∫
= ∞
∞ −
n
i
i
i 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 , ) ( )
( (2.4)
Teorema 2.3.1:
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)] (2. 5)
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)] ▄
Definisi 2.3.3:
Variansi variabel random X adalah :
Var(X) = E[(x-µ)2] (2. 6)
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
Sifat-sifat lain variansi :
Untuk a dan b bilangan konstan maka berlaku
1. Var(X) tidak negatif
2. Var(X + a) = Var(X)
3. Var(bX) = b2 Var(X)
4. Var(bX + a) = b2 Var(X)
Definisi 2.3.4:
Fungsi Gamma ditulis Γ(k), untuk semua k>0 didefinisikan sebagai
dt e t k
∫
k t∞ − −
= Γ
0 1
)
( (2.7)
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, .. (2.8)
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
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,
maka digunakan nama distribusi normal.
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 (2.9)
dengan
∞ < < ∞
− X σ >0
∞ < < ∞
− µ π =3,14dan e=2,718.
Jika fungsi probabilitas itu digambar, maka kita peroleh grafik seperti dalam
Gambar 2.4.1. : 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 µ
Bila dimisalkan w = z2/2, maka z = 2w dan dz = (w-1/2/ 2 )dw, sehingga
I = w e−wdw
∞ −
∫
02 / 1
π
Dengan 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
Berikut ini dengan menggunakan persamaan (2.3) akan dicari nilai harapan dan
variansi dari variabel random X yang berdistribusi normal.
E(X) = x x dx
⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − −
∫
∞ ∞ − 2 2 1 exp 2 1 σ µ π σMisal z = σ
µ
−
x
maka x = σz + µ dan dx = σdz sehingga diperoleh
E(X) = x e zσdz
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 = 2w dan z dz = -dw
atau dz = z dw
= w dw
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 02 e dw e dw
w w =
]
]
µ π σ + ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ + − − ∞ ∞ − − 0 2 1 0 21 2 2
2 z z e e =
(
)
µ π σ − + − + − ( −∞) ( −∞ ) 2 00 e e e
e
= 0 + µ
= µ (2.10)
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
=
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 = 2w dan z dz = dw sehingga diperoleh
E(X2) =
w dw e w w 2 2 2 2
∫
∞ ∞ − − π σ+ µ2
=
∫
w e wdw∞ ∞ − − 2 1 2 π σ
+ µ2
=
∫
w e wdw∞ − 0 2 1 2 2 π σ
+ µ2
dengan menggunakan persamaan (2.7) dan (2.8) 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. (2.11)
Dengan menggunakan persamaan (2.6) maka
Var(X) = E(X2) – [E(X)]2
Sekarang akan dicari nilai E(X4)
E(X4) = x x dx
⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − −
∫
∞ ∞ − 2 4 2 1 exp 2 1 σ µ π σMisal, z = σ
µ
−
x
maka x = σz + µ dan σdz = dx sehingga diperoleh
E(X4) =
∫
x e z dz∞ ∞ − − σ π σ 2 2 1 4 2 1
=
∫
z e z dz∞ ∞ − − + 2 2 1 4 2 ) ( π µ σ
= z z z z e z dz
2 2 1 4 3 2 2 2 3 3 4 4 2 ) 4 6 4 ( − ∞ ∞ −
∫
+ + + + π µ µ σ µ σ µσ σ= z e z dz z e z dz z e z dz
2 2 2 2 1 2 2 2 2 1 3 3 2 1 4 4 2 6 2 4 2 − ∞ ∞ − − ∞ ∞ − − ∞ ∞ −
∫
∫
∫
+ + π µ σ π µσ π σ∫
∫
∞ ∞ − − − ∞ ∞ − ++ z e z dz e z dz
2 2 2 1 4 2 1 3 2 2 4 π µ π µ σ ………. *
untuk
∫
∫
∞ ∞ − − − ∞ ∞ − = 2 2 2 1 4 4 2 1 4 4 2 2 z z e z dz e z π σ π σ dz
misal ½ z2 = w maka z = 2w dan z dz = dw maka ruas kanan bagian pertama
persamaan * menjadi
∫
∫
∞ ∞ − − ∞ ∞ − − = w dw e w dz ez z w
2 4 2 2 2 4 2 1 4 4 2 π σ π σ =
∫
∞ ∞ − − w dw e w2 w4
=
∫
∞ ∞ − − dw e w2 w3 4 2 π σ =
∫
∞ − 0 2 3 4 4 dw e w w π σdengan menggunakan persamaan (2.7) dan (2.8) didapatkan
∫
z e z dz∞ ∞ − − 2 2 1 4 4 2π σ = ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ Γ 2 5 4 4 π σ = ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ Γ 2 3 2 3 4 4 π σ = ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ Γ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ 2 1 2 1 6 4 π σ
= 4
4 4 3 3 2 1
3 π σ
π σ π σ = = ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ Γ
untuk
∫
∫
∞ ∞ − − − ∞ ∞ − = 2 2 2 1 3 3 2 1 3 3 2 4 2
4 z z
e z dz e z π µσ π µσ dz
misal ½ z2 = w maka z = 2w dan z dz = dw maka ruas kanan bagian kedua pada
persamaan * menjadi
( )
∫
∫
∞ ∞ − − ∞ ∞ − − = w dw e w w dz ez z w
2 2 2 2 4 2 4 2 1 3 2 1 3 3 2 π µσ π µσ =
∫
∞ ∞ − − dw we w π µσ 2 8 3 =∫
∞ − 0 3 2 16 dw we w π µσ=
( )
22
16 3Γ
π µσ
= 1
( )
12
16 3 Γ
π µσ
= 0
( )
02
16 3 Γ
π µσ
= 0
untuk z e z dz
2 2 1 2 2 2 2 6 − ∞ ∞ −
∫
π µ σmisal ½ z2 = w maka z = 2w dan z dz = dw maka ruas kanan bagian
ketiga pada persamaan * menjadi
dz e
z z2
2 1 2 2 2 2 6 − ∞ ∞ −
∫
π µ σ = w dw e w w 2 2 26 2 2 ∞ −
∞
−
∫
dz e z z2
2 1 2 2 2 2 6 − ∞ ∞ −
∫
π µ σ= w e−wdw
∞ ∞ −
∫
2 1 2 2 6 π µ σ= w e−wdw
∞
∫
0 2 1 2 2 12 π µ σdengan persamaan (2.7) dan (2.8) didapatkan
dz e z z2
2 1 2 2 2 2 6 − ∞ ∞ −
∫
π µ σ= 12 (3/2)
2 2 Γ π µ σ
= (1/2) 2 1
12 2 2 Γ
π µ σ = π π µ σ 2 1 12 2 2
= 6σ2µ2
untuk z e z dz
2 2 1 3 2 4 − ∞ ∞ −
∫
π µ σ = 0untuk
∫
∞ ∞ − − dz e z 2 2 1 4 2π µ= µ4
Jadi E(X4) = z e z dz z e z dz z e z dz
2 2 2 2 1 2 2 2 2 1 3 3 2 1 4 4 2 6 2 4 2 − ∞ ∞ − − ∞ ∞ − − ∞ ∞ −
∫
∫
∫
+ + π µ σ π µσ π σ∫
∫
∞ ∞ − − − ∞ ∞ − ++ z e z dz e z dz
2 2 2 1 4 2 1 3 2 2 4 π µ π µ σ
= 3σ4+ 2 2
6σ µ +µ4
Sehingga nilai
E(X4) = 3σ4+ 6σ2µ2+µ4. (2.13)
E. Fungsi Variabel Random
Salah satu tujuan dari statistika adalah membuat kesimpulan tentang
populasi berdasarkan informasi yang terdapat dalam sampel dan menentukan
ukuran yang sesuai untuk menarik kesimpulan. Topik fungsi variabel random
yang dipakai untuk menduga dan mengambil kesimpulan tentang parameter
merupakan fungsi dari n buah pengamatan random yang terdapat dalam sampel.
Sebagai gambaran, dalam masalah pendugaan rata-rata populasi, dari
sampel random berukuran n akan didapatkan pengamatan y1, y2, .., yn. Maka akan
digunakan rata-rata sampel
n y y
n
i i
∑
=
= 1 (2.14)
sebagai penduga rata-rata populasi µ. Pertanyaan yang dapat diajukan adalah
seberapa baikah y sebagai panduga dariµ. Jawabannya tergantung pada sifat
dari variabel random Y1, Y2, .., Yn.
Kebaikan dari suatu penduga dapat diukur, misalnya dengan kesalahan
pendugaan, yaitu selisih antara penduga dan parameter yang diduga (dalam hal ini
y dan µ). Karena Y1, Y2, .., Yn adalah variabel-variabel random dalam sampel
berulang, maka Y adalah juga variabel random yang merupakan fungsi dari Y1,
Y2, .., Yn. Dengan demikian, tidak dapat ditentukan secara pasti bahwa kesalahan
pendugaan akan kurang dari suatu bilangan tertentu, misalnya B. Akan tetapi, jika
dapat ditentukan distribusi probilitas dari Y, maka distribusi ini dapat dipakai
untuk menentukan probabilitas bahwa kesalahan pengukuran kurang dari atau
sama dengan B.
Untuk menentukan distribusi probabilitas dari fungsi suatu variabel Y1,
Y2, .., Yn harus ditemukan terlebih dahulu distribusi probabilitas bersama dari
diperoleh berdasarkan pengambilan sampel secara random. Hal ini berarti bahwa
pengambilan sampel dari populasi berhingga akan menghasilkan percobaan yang
tidak bebas, tetapi percobaan ini secara esensial menjadi percobaan bebas jika
ukuran populasi relatif besar dibandingkan dengan ukuran sampelnya.
Pada pembahasan selanjutnya akan diasumsikan bahwa populasi
berukuran relatif besar terhadap sampel, sehingga variabel random yang terkait
saling bebas satu dengan yang lainnya. Dengan demikian, baik untuk variabel
random diskret maupun kontinu, distribusi probabilitas bersama Y1, Y2, .., Yn yang
berasal dari populasi yang sama adalah
f(y1, y2, .., yn) = p(y1)p(y2)..p(yn)
Selanjutnya pernyataan “Y1, Y2, .., Yn adalah sampel random dari f(y)”
diartikan sebagai “variabel-variabel random Y1, Y2, .., Yn adalah saling bebas
dengan distribusi bersama f(y)”.
Menentukan Distribusi Probabilitas Fungsi Variabel Random
Untuk menentukan distribusi probabilitas suatu fungsi variabel random
dapat ditempuh dengan 3 metode, yaitu metode fungsi distribusi, metode
transformasi, dan metode fungsi pembangkit momen. Dalam skripsi ini akan
digunakan metode transformasi satu-satu untuk menentukan distribusi probabilitas
suatu fungsi variabel random.
Metode Tranformasi satu-satu
Pertama-tama diasumsikan tranformasi variabel-variabel dalam satu
y = u(x) mempunyai persamaan tunggal, misalnya x = w(y), maka tranformasi
tersebut adalah tranformasi satu-satu.
Teorema 2.5.1:
Andaikan X adalah variabel random diskret dengan distribusi probabilitas fx(x)
dan Y = u(x) mendefinisikan trnsformasi satu-satu. Dengan kata lain persamaan Y
= u(x) mempunyai penyelesaian tunggal x = w(y). Maka distribusi probabilitas
dari Y adalah
Fy(y) = fx(w(y)) y∈B = {y|fy(y)>0} (2.15)
Bukti :
Fy(y) = P[Y=y] = P[u(X)=y]=P[X=w(y)]=fx(w(y)) ▄
Contoh 2.5.1:
Andaikan X~GEO(p), yaitu
Fx(x) = pqx-1 x = 1, 2, 3, ..
Tentukan distribusi probabilitas dari Y = X-1
Jawab :
Y = X-1, maka u(x)= x-1, w(y) = y+1, sehingga fy(y) = fx(y+1) = pqy, y = 0, 1, 2, ..
Teorema 2.5.2:
Andaikan X adalah variabel random kontinu dengan fungsi densitas fx(x), dan
Y=u(x) mendefinisikan transformasi satu-satu A = {x| fx(x)>0} ke B = {y|
fy(y)>0} dengan transformasi invers x = w(y). Jika turunan (d/dy)w(y) kontinu
dan tak nol pada B, maka fungsi densitas dari Y adalah
Fy(y) = fx(w(y)) w(y)
dy d
Bukti :
Jika y=u(x) adalah fungsi satu-satu, maka ada dua kemungkinan yaitu monoton
naik atau turun.
Pada kasus monoton naik, u(x) ≤y bila dan hanya bila x≤w(y). Sehingga
FY(y) = P[u(X)≤y] = P[X≤w(y)] = Fx(w(y)), akibatnya
fY(y) = ( ( )) ( )
) ( )) (
( w y
dy d y w F y dw
d y
w F dy
d
x
x =
= fx(w(y)) w(y)
dy d
, karena dalam kasus ini (d/dy)w(y)>0
Pada kasus monoton turun, u(x) ≤y bila dan hanya bila w(y) ≤ x. Sehingga
FY(y) = = P[u(X)≤y] = P[X≥w(y)] = 1-Fx(w(y)), dan
fY(y) = ( ( )) w(y)
dy d y w fx
−
= ( ( )) w(y)
dy d y w
fx , karena dalam kasus ini (d/dy)w(y)<0 ▄
Turunan dari w(y) disebut sebagai Jacobian dari transformasi dan disimbolkan
dengan J = (d/dy)w(y). Dapat dilihat pula bahwa mentransformasi variabel
kontinu ekuivalen dengan mengganti variabel dalam integral, sehingga metode
transformasi disebut juga metode penggantian peubah.
Contoh 2.5.2:
Andaikan variabel random X mempunyai distribusi
∞ < < −
= e− x
x
F x
x( ) 1 ,0
2
Jawab :
Dapat ditunjukkan bahwa fx(x) = 2e-2x, karena Y = ex maka transformasi inversnya
x = w(y) = ln(y), J = w’(y) = 1/y, sehingga dengan menggunakan persamaan
(2.16) didapatkan
fx(y) = fx(ln y)
y
1
= ⎟⎟ < <∞
⎠ ⎞ ⎜⎜ ⎝ ⎛
−
y y
e y 1 , 1 2 2ln
= 2y-3, y∈B = (1, ∞)
F. Distribusi Lognormal Teorema 2.6.1:
Jika X adalah variabel random yang berdistribusi normal dengan mean µ dan
variansi σ2, dan jika X = ln y, maka fungsi densitas untuk Y adalah
f(y) =
⎪⎩
⎪
⎨
⎧
− − , >02 1
, 0
2 2 / 2 )
(ln y
e y
selainnya
y µ σ
π σ
(2.17)
Bukti :
Fungsi probabilitas dari distribusi normal adalah
f(x) =
2
2( )
2 1
2
1 µ
σ π σ
−
− x
e . ………. **
Dengan menggunakan persamaan (2.16) akan didapatkan fungsi densitas untuk Y.
fx(x) =
2
2( )
2 1
2
1 σ µ
π σ
−
− x
Jika x = ln Y maka persamaan ** menjadi
fx(ln y) =
2
2(ln )
2 1
2
1 σ µ
π σ
−
− y
e
X = w(y) = ln y
w’(y) = 1/y
fy(y) = fx(w(y)) w(y)
dy d
fy(y) = fx(ln y)
y
1
=
2
2(ln )
2 1
2
1 σ µ
π σ − − y e ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ y 1 f(y) = 2
2(ln )
2 1 2 1 µ σ π σ − − y e y ▄
Sekarang akan dicari nilai harapan dan variansi dari distribusi lognormal tersebut.
E(Y) = e dy
y y y 2 ln 2 1 2
1 − ⎜⎝⎛ − ⎟⎠⎞ ∞ ∞ −
∫
σ µ πσ = e dy
y 2 ln 2 1 2 1 ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − − ∞ ∞ −
∫
σ µ π σmisal z = σ
µ
−
y
ln
maka y = eσz+µ dan dy = σeσz+µdz sehingga diperoleh
E(Y) = e z e z dz
2
2 1
2
1 + −
∞ ∞ −
∫
σ σ µ π σ= e z e z dz
2
2 1
2
1 + −
∞ ∞ −
∫
σ µπ
= eµ e z σzdz
π + − ∞ ∞ −
∫
2 21
= e e 2(z 2 z)dz 1 2 2 1 σ µ π − − ∞ ∞ −
∫
= e e 2(z ) 2dz
1 2 2
2
1 σ σ
µ π + − − ∞ ∞ −
∫
misal w = z−σ maka z=w+σ dan dz = dw sehingga diperoleh
E(Y) = e e 2w 2dw
1 2 2
2 1 σ µ π + − ∞ ∞ −
∫
= e e w dw
2 2 2 1 2 2 1 − ∞ ∞ − +
∫
π σ µmisal v = 2 2 1
w maka w= 2v dan dw
( )
v 2dv1
2 −
= sehingga diperoleh
E(Y) = dv
v e e v 2 1 2 1 2 0 2 2 − ∞ +
∫
π σ µ= e +
∫
∞ v−2e−vdv1 0 2 1 2 π σ µ
= 2 1 (1/2)
2 Γ + π σ µ e = π π σ µ 1 2 2 + e
= 2
2 σ µ+
e (2.18)
E(Y2) = e dy
y y y 2 ) ln ( 2 1 2 2
1 σ µ
π σ − − ∞ ∞ −
∫
= y e dy
y )2
ln ( 2 1
2
1 σ µ
= x e dy
y )2
ln ( 2 1
2
1 σ µ
π σ − − ∞ ∞ −
∫
misal z = σ
µ −
y
ln
maka y = eσz+µ dan dy = σeσz+µdz sehingga diperoleh
E(Y2) = σeσz µe z eσz µdz
π σ + − ∞ ∞ − +
∫
2 21
2 1
= e z e z dz
2 2 1 2 2 2
1 ∞ −
∞ −
+
∫
σ µπ
= e e ze z dz
2 2 1 2 2 2
1 ∞ −
∞
−
∫
σ µ
π
= e µ e z σz dz
π 2 2 1 2 2 2
1 ∞ − + ∞
−
∫
= e e 2(z 4 z) dz
1 2 2 2 1 σ µ π − − ∞ ∞ −
∫
= e e z dz
2 2 2 ) 2 ( 2 1 2 2
1 σ σ
µ π + − − ∞ ∞ −
∫
misal w = z−2σ maka z = w+2σ dan dw = dz sehingga diperoleh
E(Y2) = e e w dw
2 2 2 2 1 2 2 1 σ µ π + − ∞ ∞ −
∫
= e e w dw
2 2 2 1 2 2 2
1 ∞ −
∞ − +
∫
π σ µmisal v = 2 2 1
w maka w= 2v dan dv
v dw
2 1
= sehingga diperoleh
E(Y2) = dv
v e e v 2 1 2 1 2 0 2
2 2 −
= dv v e
e 1 v 1
0 2
2 2 −
∞ +
∫
π σ µ
= e e vv 2dv
1
0 2
2 2 1 − −
∞ +
∫
π σ µ
= π
π σ
µ 2 1
2 2 +
e
= e2µ+2σ2 (2.19)
Dengan menggunakan persamaan (2.6) maka didapatkan
Var (Y) = E(Y2) –
[
E( )
Y]
2= e2µ+2σ2 ( 2 )2
2 σ µ+
− e
= e2µ+2σ2 −e2µ+σ2
= e2µ+σ2(eσ2 −1) (2.20)
G. Teorema Limit Pusat
Teorema berikut menyatakan bahwa rata-rata suatu sampel yang terdiri
dari n buah variabel random yang berdistribusi secara tidak normal tetapi identik
(Y1,Y2,...,Yn memiliki fungsi densitas yang sama) serta bebas stokastik terhadap
sesamanya, distribusinya akan mendekati distribusi normal dengan bertambahnya
Teorema 2.7.1 (Teorema Limit Pusat) :
Andaikan Y1,Y2,...,Yn adalah variabel-variabel random yang berdistribusi
bebas stokastik identik dengan E(Yi)=µ dan variansinya ( )=σ2<∞ i
Y
V , maka
untuk n→∞
n Y Zn
/
_
σ µ
−
= (2.21)
akan berdistribusi normal standar.
H. Interval Kepercayaan
Nilai pendugaan suatu parameter
^
θ berdasarkan penduga titik, bukanlah
suatu konstanta yang menunjukkan dengan tepat beberapa nilai yang sebenarnya
melainkan suatu variabel random. Apabila penyebaran
^
θ dapat diketahui, maka
dapatlah ditentukan suatu interval dengan peluang tertentu mencakup nilai
parameter
^
θ yang sebenarnya. Interval seperti ini disebut penduga interval atau
lebih dikenal dengan interval kepercayaan. Titik tertinggi dan terendah dari
interval kepercayaan disebut batas kepercayaan atas dan batas kepercayaan bawah.
Probabilitas dari interval kepercayaan disebut koefisien kepercayaan.
Misalkan 1
^
θ dan 2 ^
θ adalah batas kepercayaan bawah dan atas untuk
parameter θ, sehingga jika
α θ
θ
θ ⎟= −
⎠ ⎞ ⎜
⎝
⎛ < <
1
2 ^ 1
^
probabilitas, 1−α adalah koefisien kepercayaan. Interval random yang dihasilkan
oleh 1 ^
θ dan 2 ^
θ dikatakan interval kepercayaan dua sisi.
Sedangkan interval kepercayaan satu sisi dinyatakan dalam
α θ
θ ⎟= −
⎠ ⎞ ⎜
⎝
⎛ <1 1
^
P (2.23)
yang akan menghasilkan interval satu sisi bawah yaitu ⎟
⎠ ⎞ ⎜ ⎝ ⎛ ,∞
1 ^
θ dan
α θ
θ ⎟= −
⎠ ⎞ ⎜
⎝ ⎛ <
1
2 ^
P (2.24)
yang akan menghasilkan interval satu sisi atas yaitu ⎟
⎠ ⎞ ⎜
⎝ ⎛ ∞− 2
^
,θ .
Salah satu metode yang berguna untuk menentukan interval kepercayaan
adalah metode pivot. Metode ini tergantung pada penentuan besaran pivot yang
memiliki dua karakteristik :
1. Kuantitas pivot merupakan fungsi dari pengukuran sampel dan
parameter θ yang tidak diketahui.
2. Kuantitas pivot memiliki distribusi probabilitas yang tidak tergantung
pada parameter θ .
Contoh 2.8.1:
Misalkan ditentukan suatu pengamatan tunggal Y dari suatu distribusi
eksponensial dengan rata-rata θ . Tentukan interval kepercayaan θ dengan
Jawab :
Fungsi densitas untuk Y adalah :
⎩ ⎨ ⎧
= 1 − , ≥0 , 0
/ )
( e y
selainnya y
y f
θ
θ
Jika U = Y/θ maka Y=Uθ dan Y’ = θ, menggunakan metode transformasi maka
fungsi densitas eksponensial menjadi :
⎩ ⎨ ⎧ = − , >0
, 0
)
( e y
selainnya u
y f
Sehingga variabel U = Y/θ adalah fungsi dari Y dan θ , dan distribusi dari U
tidak tergantung dari θ . Maka dapat digunakan U = Y/θ sebagai besaran pivot.
Karena akan ditentukan penduga interval dengan koefisien kepercayaan 0,90,
maka terlebih dahulu ditentukan nilai a dan b sehingga
(
a<U <b)
=0,90P
Gambar 2.7.1. Grafik fungsi densitas eksponensial
Salah satu cara untuk menentukan nilai a dan b adalah
∫
==
<a ae−udu
U P
0
05 , 0 )
(
f(u)
0,90 0,05
0,05
1−e−a =0,05
kedua ruas dikurangi 1 dan dikalikan 1, maka persamaan menjadi
e−a=0,95
kedua ruas dilogaritmakan, maka persamaan menjadi
−a=−ln(0,95)
kedua ruas dikalikan 1, maka persamaan menjadi
a=ln(0,95)
a=0,051.
Sedangkan > =
∫
− =0
05 , 0 )
(
b udu
e b U P
e−b =0,05
kedua ruas dilogaritmakan, maka persamaan menjadi
−b=−ln(0,05)
kedua ruas dikalikan 1, maka persamaan menjadi
b=ln(0,05)
a=2,996
atau dengan kata lain a = 0,051 dan b = 2,996.
Jadi diperoleh
⎟ ⎠ ⎞ ⎜
⎝
⎛ < < =
< <
= (0,051 2,996) 0,051 2,996 90
, 0
θ
Y P
U P
Karena akan mencari penduga interval untuk θ , maka dengan memanipulasi
⎟ ⎠ ⎞ ⎜
⎝
⎛ < < =
⎟ ⎠ ⎞ ⎜
⎝
⎛ < < =
< < =
051 , 0 996
, 2 996
, 2 1 051 , 0 ) 996 , 2 051
, 0 ( 90 ,
0 P Y Y
Y Y
P Y
P θ
θ θ
Jadi batas bawah dan atas untuk interval kepercayaan θ adalah Y/2,996 dan
Y/0,051. Untuk menentukan nilai numerik dari batas ini, maka perlu dilakukan
pengamatan sehingga dihasilkan nilai Y dan nilai ini disubstitusikan sehingga nilai
itu menghasilkan nilai numerik untuk batas interval kepercayaan θ.
Interval Kepercayaan Sampel Besar
Untuk parameter target θ adalah µ, p,µ1−µ2, atau p1− p2 maka untuk
sampel besar
^
^
θ σ
θ θ− =
Z (2.25)
akan mendekati distribusi normal standar. Ini berarti bentuk
^
^
θ σ
θ θ− =
Z adalah
suatu besaran pivot, dan metode pivot dapat digunakan untuk menentukan
penduga interval untuk parameter target θ .
Contoh 2.8.2:
Misalkan
^
θ adalah suatu statistik yang berdistribusi normal dengan rata-rata dan
variansi θ dan 2
θ
σ . Tentukan interval kepercayaan untuk θ yang memiliki
koefisien kepercayaan
(
1−α)
.Besaran ^ ^ θ σ θ θ− = Z
mempunyai distribusi normal standar. Sehingga nilai dua ekor dari distribusi ini
adalah
2
α
Z
− dan
2
α
Z , sedemikian sehingga P
(
−Zα/2 <Z <Zα/2)
=1−αGambar 2.7.2. Grafik fungsi densitas N(0, 1)
Substitusikan Z ke dalam pernyataan probabilitas diatas, maka diperoleh
α σ θ θ α θ α = − ⎟⎟ ⎟ ⎠ ⎞ ⎜⎜ ⎜ ⎝ ⎛ < − <
− /2 1
^ 2 / ^ Z Z P
jika kedua ruas dikalikan dengan ^ θ
σ maka diperoleh
α σ θ θ σ θ α θ α ⎟⎠⎞= − ⎜ ⎝
⎛− < − < 1
^
^ /2
^ 2
/ Z
Z P
dan kurangkan kedua sisi dengan
^
θ, maka diperoleh
α σ θ θ σ θ θ α θ α ⎟⎠⎞= − ⎜ ⎝
⎛− − <− <− 1
^
^ /2
^ 2 / ^ Z Z P
kalikan kedua ruas dengan -1, maka diperoleh 0 2
/
α α/2
α σ
θ θ σ θ
θ α θ
α ⎟= −
⎠ ⎞ ⎜
⎝
⎛ − < < +
1 ^
^ /2
^ 2
/ ^
Z Z
P
Jadi diperoleh batas kepercayaan bawah dan atas untuk θ adalah :
Batas kepercayan bawah = /2 ^
^
θ
α σ
θ−Z dan
Batas kepercayan atas = /2 ^
^
θ
α σ
θ+Z
Contoh diatas dapat digunakan untuk menentukan interval kepercayaan sampel
besar untuk µ, p,µ1−µ2, dan p1 - p2, dengan menggunakan penduga parameter.
I. Simulasi Komputer
Model yang akan dikembangkan untuk penafsiran harga saham akan
meliputi bilangan random dan akan digunakan simulasi komputer untuk
melakukan percobaan, menggambarkan pemikiran dan juga untuk menduga
kuantitas yang tidak dapat ditunjukkan secara analitik. Simulasi disini dapat
diartikan sebagai suatu sistem yang digunakan untuk memecahkan atau
menguraikan persoalan-persoalan dalam kehidupan nyata yang penuh dengan
ketidakpastian dengan tidak atau menggunakan model atau metode tertentu dan
lebih ditekankan pada pemakaian komputer untuk mendapatkan solusinya.
Simulasi menyangkut pembangkitan proses serta pengamatan dari proses untuk
menarik kesimpulan dari sistem yang diwakili. Sedangkan menurut Naylor (1966
dalam Rubinstein & Melamed) simulasi adalah teknik numerik untuk melakukan
eksperimen pada komputer, yang melibatkan jenis matematika dan model tertentu
Menurut Borowsky & Borwein simulasi didefinisikan sebagai teknik untuk
membuat konstruksi model matematika untuk suatu proses atau situasi, dalam
rangka menduga secara karakteristik atau menyelesaikan masalah berkaitan
dengannya dengan menggunakan model yang diajukan.
Beberapa keuntungan simulasi :
o Menghemat waktu
o Dapat melebar-luaskan waktu
o Mengoreksi kesalahan-kesalahan perhitungan
o Dapat dihentikan dan dijalankan kembali
o Mudah diperbanyak
Jika didalam suatu laboratorium simulasi unsur manusianya dikeluarkan maka
yang tertinggal adalah komputer, prosedur operasi, fungsi-fungsi matematis dan
juga distribusi probabilitas, maka akan diperoleh inti dari simulasi komputer.
Simulasi komputer hanya menggunakan komputer untuk memecahkan masalah
sesuai kebutuhan yang kemudian diprogramkan kedalam komputer. Semua
tingkah laku yang dijadikan sebagai persoalan dialihkan kedalam program,
termasuk ketentuan logika pengambilan keputusan dan pelaksanaannya.
Didalam model pergerakan harga saham akan digunakan bilangan random.
Bilangan random itu sendiri adalah suatu bilangan yang diambil dari sekumpulan
bilangan, dimana tiap-tiap elemen dari kumpulan bilangan ini mempunyai peluang
yang sama untuk terambil. Berdasarkan pada tingkat kesulitan untuk memprediksi
bilangan yang akan dibangkitkan selanjutnya maka bilangan random dibagi
random semu (Pseudo-Random). Didalam skripsi ini hanya akan digunakan
bilangan random pseudo .
Bilangan random pseudo adalah kumpulan bilangan yang dihasilkan
menggunakan algoritma yang menerapkan rumus matematika untuk menghasilkan
bilangan yang terlihat acak. Salah satu algoritma untuk pembangkitan bilangan
random pseudo adalah Linear Congruential Generator (LCG). Algoritma LCG
mempunyai bentuk
m b
ax
xn=( n−1+ )mod (2.26)
dengan,
n
x = bilangan random ke n
1
− n
x = bilangan random ke n-1
m =angka modulo
a dan b merupakan konstanta dalam LCG, dengan a adalah faktor pengali dan b
adalah increament factor
Contoh 2.9.1:
Membangkitkan bilangan random sebanyak 8 kali dengan a = 2, b = 7, m = 10 dan
x(0) = 2.
Jawab :
X(1) = (2(2) + 7) mod 10 = 1
X(2) = (2(1) + 7) mod 10 = 9
X(3) = (2(9) + 7) mod 10 = 5
X(4) = (2(5) + 7) mod 10 = 7
X(6) = (2(1) + 7) mod 10 = 9
X(7) = (2(9) + 7) mod 10 = 5
X(8) = (2(5) + 7) mod 10 = 7
Bilangan yang dibangkitkan adalah : 1, 9, 5, 7, 1, 9, 5, 7
Didalam komputer bilangan random yang dibangkitkan adalah bilangan random
pseudo. Disini akan digunakan program Matlab untuk membangkitkan bilangan
random pseudo berdistribusi tertentu. Pada Tabel 2.9.1 berikut akan ditunjukkan
dua himpunan yang terdiri dari sepuluh bilangan. Bilangan-bilangan ini diperoleh
dengan membangkitkan bilangan random pseudo dengan menggunakan fungsi
rand dan randn pada Matlab untuk memperoleh sampel U(0,1) dan N(0,1).
Tabel 2.9.1 Sepuluh bilangan random pseudo
berdistribusi U(0,1) dan N(0,1)
U(0,1) N(0,1)
0.9501 -0.4326
0.2311 -1.6656
0.6068 0.1253
0.4860 0.2877
0.8913 -1.1465
0.7621 1.1909
0.4565 1.1892
0.0185 -0.0376
0.8214 0.3273
Dapat dilihat pada Tabel 2.9.1 bahwa dugaan sampel U(0,1) tersebar dalam
interval (0,1), sedangkan dugaan sampel N(0,1) berada disekitar nol.
Berikut ini akan dibandingkan rata-rata dan variansi yang didapat secara
teoritis dari suatu distribusi tertentu dengan rata-rata dan variansi yang didapat
dari pembangkitan bilangan random. Secara teoritis untuk distribusi N(0,1)
dengan menggunakan persamaan (2.3) dan (2.6) nilai harapan dan variansinya
adalah sebagai berikut,
E(X) = x x dx
⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − −
∫
∞ ∞ − 2 1 0 2 1 exp 2 1 1π = 0
Var(X) = E(X2) – [E(X)]2
= 2
2 2 1 1 0 2 1 exp 2 1 1 − ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − −
∫
∞ ∞ − dx x xπ = 1
sedangkan untuk U(0,1) nilai harapan dan variansinya,
E(X) = dx
a b x
∫
∞ ∞ − − 1 =∫
∫
∫
∞ ∞ − + − + b b a a dx dx a b xdx 1 0
0 = ) ( 2 2 2 a b a b − − = 2 1
Var(X) = E(X2) – [E(X)]2
= 2 2 2 2 ) ( 2 1 ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ − − − −
∫
∞ ∞− b a
a b dx a b
x =
2 2 2 3 3 ) ( 2 ) (
3 ⎟⎟⎠
⎞ ⎜⎜ ⎝ ⎛ − − − − − a b a b a b a b = 12 1 4 1 3
1− =
.
Sekarang akan digunakan pembangkitan bilangan random dengan M sampel
{ }
M i i =1ξ untuk mencari rata-rata
∑
= = M i i M M 1 1 ξµ (2.27)
∑
=− −
= M
i
M i M
M 1
2 2
) (
1
1 ξ µ
σ (2.28)
untuk bilangan random berdistribusi N(0,1) dan U(0,1). Setelah didapat bilangan
random berdistribusi N(0,1) dan U(0,1), kemudian dicari rata-rata dan variansinya
dengan mengetikkan pada ‘command window’ mean(A) dan var(A) (A ada