Simulasi dan Komputasi Matematika

(kelas AK)

MA2151 – Simulasi dan Komputasi Matematika

(kelas AK)
Semester I 2022-2023
Prof. Dr. Kuntjoro Adji Sidarto

Matematika - FMIPA ITB

Outcomes Matakuliah

Setelah mengikuti matakuliah ini mahasiswa diharapkan memiliki

kemampuan dalam
1. Mengidentifikasi masalah yang dapat diselesaikan dengan
bantuan simulasi
2. Berpikir algoritmis dalam penyelesaian masalah
3. Menggunakan bahasa pemrograman tingkat tinggi (Matlab)
4. Menjelaskan beberapa contoh model dan simulasi
• Materi perkuliahan MA2151 Simulasi dan Komputasi Matematika
(kelas AK)

- Topik yang dibahas dalam dalam matakuliah ini meliputi :

pemrograman dan pemecahan masalah, dasar-dasar
algoritma, pengantar matematika komputasi, teknik
simulasi, metode simulasi Monte Carlo, pemanfaatan pada
beberapa masalah dalam matematika keuangan dan
aktuaria, model berdasarkan data, masalah sistem dinamik
sederhana.
● Buku referensi

- Trembley, J.P. and Bunt, R. B. : “An Introduction to Computer

Science . An Algorithm Approach.”

- Angela B. Shiflet and George W. Shiflet : “Introduction to

Computational Sciences. Modeling and Simulation for the
Sciences.” (Second edition) (2014), Princeton University Press.

• Penilaian : - Ujian 1 , Ujian 2 , Ujian 3

- Tugas-tugas / PR
● Algorithms
- An algorithm is a set of instructions to construct an approximate
solution to a mathematical problem.

- A basic requirement for an algorithm is that the error can be

made as small as we like. Usually, the higher the accuracy we
demand, the greater is the amount of computation required.

- An algorithm is convergent if it produces a sequence of values

which converge to the desired solution of the problem.
Solution of Nonlinear Equations
f x  0
Definition (root of an Equation, Zero of a
Function)
• Assume that f (x) is a continuous function. Any number r for which
f (r) = 0 is called a root of the equation f (x) = 0. Also, we say r is a
zero of the function f (x) .

• The equation 2x2 + 5x - 3 = 0 has two real roots r1 = 0.5 and r2 = -3 ,

whereas the corresponding function
f (x) = 2x2 + 5x - 3 = (2x - 1) (x + 3)
has two real zeros, r1 = 0.5 and r2 = -3 .
Theorem (Intermediate Value Theorem)
• Assume f  C [a,b] and L is any number between f (a) and f (b).
Then there exists a number c , with c (a,b) such that f (c) = L .

• Suppose f is a continuous function on [a,b], with f (a) and f (b) of

opposite sign. By the Intermediate Value Theorem, there exists a
number c in (a,b) with f (c) = 0 .
The Bisection Method
• To find a solution to f (x) = 0 given the continuous function f on the
interval [a,b], where f (a) and f (b) have opposite signs.

• Choose c = (a + b)/2 be the midpoint of [a,b]

if f (a) . f (c) < 0, a zero lies in [a,c].
if f (c) . f (b) < 0, a zero lies in [c,b].
if f (c) = 0 , then the zero is c .
Step 1: Find a and b with a < b such that f(a) f(b) < 0
Step 2: Set c = ( a + b)/2 and evaluate f (c). If f(c)= 0 then r = c and stop.
Otherwise continue to Step 3.
Step 3: If f (a).f (c) < 0 then reset b = c. Otherwise reset a = c.
Step 4: If b – a < ẟ then stop. Use (a + b)/2 as the approximation to r.
Otherwise return to Step 2
Theorem (Bisection Theorem)
• Assume that f  C [a,b] and f (a) f (b) < 0. The Bisection method
generates a sequence {cn } n 0 approximating a zero r [a,b] of f
with

ba
r  cn  n1 for n  0,1,2, ,
2
that is

lim cn  r.
n
 Computational illustration
• Find x in [ 0 , 2 ] such that x sin x = 1. Equivalently, we want to solve f (x) = 0,
where f (x) = x sin x – 1 in [ 0 , 2 ] .
• Find x in [ 0 , 6 ] such that x^3 - 10*x^2 + 29*x - 20.0 = 0. Equivalently we
want to solve f (x) = 0, where f (x) = x^3 - 10*x^2 + 29*x - 20.0 in [ 0 , 6 ] .

• function f = f1__(x)
f = x * sin(x) -1;
• function f = f1_(x)
f = x.^3 - 10*x.^2 + 29*x - 20.0;
%%% plot grafik fungsi : y(x) = x*sin(x) - 1 di [ 0 , 2 ] dan
%%% y(x) = x^3 - 10*x^2 + 29*x - 20.0 di [ 0 , 6 ]
%%
f = inline( ' x*sin(x) - 1 ' )
fplot ( f , [ 0 2 ] )
hold on
f = inline ('0')
fplot ( f , [ 0 2 ] )
%%
%f = inline ('x^3 - 10*x^2 + 29*x - 20.0')
%fplot (f, [0 6])
%fplot (f, [3.5 4.5])
%hold on
%f = inline ('0')
%fplot (f, [0 6])
%fplot (f, [3.5 4.5])
%%
grid on
xlabel('x')
ylabel('y')
title('Plot grafik fungsi y(x) = x*sin(x) - 1', 'FontSize', 10)
%title('Plot grafik fungsi y(x) = x^3 - 10*x^2 + 29*x - 20.0 = (x-1) (x-4) (x-5)' , 'FontSize', 10)
function akar = metoda_bagidua(fungsi,a,b,delta)
% Mencari sebuah akar persamaan f(x) = 0 dengan metoda bagidua (bisection)
% Dipanggil dengan : akar = metoda_bagidua(f,a,b,delta)
% fungsi adalah : f(x)
% a : batas kiri selang pencarian ; b : batas kanan selang pencarian
% dengan f(a) f(b) <= 0
% delta adalah : ketelitian lebar selang pencarian yang diinginkan
% Contoh : akar = metoda_bagidua('f1__',0,2,0.00001) dan akar = metoda_bagidua('f1_',3.5,4.5,0.00001)
fa = feval(fungsi,a);
fb = feval(fungsi,b);
while abs(a-b) > delta
c = (a+b)/2 ;
fc = feval(fungsi,c) ;
if fa*fc<=0
% Terdapat akar diselang [ a , c ] ;
b = c;
fb = fc ;
else
% Terdapat akar diselang [ c , b ].
a=c;
fa = fc ;
end
end
akar = (a+b)/2 ;
Newton’s method
•Use a Taylor series approach. Suppose we wish to
compute a sequence x0 , x1 , x2 , that converge to a
solution x* . Expand f (xn ) for small  by
f (xn ) f (xn ) f '(xn ) O( 2 )
Ignoring the O( 2 ) term and setting
f (xn ) f '(xn ) 0
f ( xn )
gives
f '(xn )
It follows that if xn is close to a solution x* then
xn+1 = xn - f  xn  / f'  xn 
should be even closer. Given a starting value x0 , the
above iteration defines Newton’s method.
• Since we discarded an O  δ 2  term, we may expect
that the error xn - x  squares as n increase to n+1 ;
that is, if xn - x* = O  δ  then xn+1 - x* = O  δ 2  .
• More clearly, using f  x*  = 0 and assuming f'  xn   0
in the above iteration formula, a Taylor series gives
xn+1 - x* = xn - x* -  f  xn  - f  x*   / f'  x n 


*


= xn - x -  xn - x  f'  x  + O  x n - x  / f'  x n 
*  * 2 



 O  xn - x 
* 2
 Theorem

• Suppose that f has a continuous second derivative,

and suppose x* satisfies f (x*) = 0 and f ’(x*) ≠ 0 .
Then there exists a ẟ > 0 such that for x0 - x * < δ
the sequence given by xn+1 = xn - f  xn  / f'  xn  is
well defined for all n > 0 ,
limn xn - x* = 0
and there exists a constant C such that
* 2
xn+1 - x  C xn - x
*
Note
* 2
• The bound xn+1 - x  C xn - x shows that
*

Newton’s method has quadratic or second order

convergence. However, the result requires the
starting value x0 to be chosen sufficiently close to x*
In practice Newton’s method works well when a
suitable x0 found, but may fail to converge
otherwise.
The time value of money

Model Suku Bunga

Suku Bunga (Interest Rate)

Besar bunga (interest) merupakan ‘kompensasi’ yang diberikan oleh peminjam

modal kepada pemilik modal atas penggunaan modal selama periode waktu
tertentu. Dapat dipandang sebagai semacam ‘uang sewa’ modal yang digunakan
peminjam karena pemilik modal kehilangan kesempatan untuk menggunakan dana
tersebut saat dalam periode peminjaman.

Bagi seseorang yang menyimpan uang nya di bank maka bank akan memberikan
bunga sebesar suatu fraksi (persentase) dari besarnya uang yang disimpan tersebut,
yang dikenal sebagai suku bunga (interest rate) yang dinyatakan sebagai persentase
dari uang yang disimpan tsb. per tahun.

Misalkan suatu bank memberikan suku bunga sebesar 5% per tahun bagi penyimpan uang di bank
tersebut. Jika kita menyimpan $100 sekarang, maka satu tahun dari sekarang bank akan
membayarkan uang sebesar $5 asalkan kita tidak mengambil uang kita tsb. selama periode satu
tahun tsb.
Simple Interest

Misalkan :
r : suku bunga per tahun
P : besarnya uang yang disimpan di bank sebagai pokok
A : jumlah dari pokok dan bunga yang diperoleh
Jika pada t  0 kita menyimpan uang di bank tsb sebesar P, diakhir tahun uang kita menjadi
A  P  rP  P 1  r 
Jika kita tidak mengambil uang tsb dari bank maka diakhir tahun kedua uang kita menjadi
A  P 1  r   rP 1  r   P 1  r 
2

Jika situasi diatas diteruskan, maka t tahun sejak kita menyimpan pokok sebesar P uang kita menjadi
A  t   P 1  r  t  0,1, 2,
t

Formula diatas dikenal sebagai formula simple interest.

Compound Interest
Misalkan r suku bunga per tahun yang dibayarkan sebanyak n kali per tahun dalam n perioda.
Sebagai contoh jika dibayarkan tiap bulan maka n = 12.
Maka besarnya bunga per periode yang dibayarkan adalah sebesar r/n . Sementara itu banyaknya
periode pembayaran bunga dalam t tahun adalah nt .

Diperoleh formula untuk compound interest :

nt
 r
A  t   P 1  
 n
Contoh : Misalkan suku bunga pertahun r = 5% yang dibayarkan tiap bulan. Untuk P = $100 maka
setelah t = 3 tahun, diperoleh
12  3
 0.05 
A  100 1    116.15
 12 
Sementara itu bila digunakan simple interest rate dengan r = 5% , setelah 3 tahun diperoleh $115.76 .
Perhatikan: diperoleh hasil yang lebih baik bagi depositur dengan compound interest rate
dibandingkan dengan simple interest rate.
Continuously Compounded Interest

Akan ditentukan nilai A yang memenuhi

nt
 r
A  lim P 1  
n 
 n
ln 1  r n 
n
 r
Tulis y  1  r n 
n
, maka ln y  ln 1    .
 n 1/ n

Sehingga lim ln y  lim

d
dn  ln 1     lim
r
n r
r (aturan l'Hopital)
n  n  d
dn  n
1 n  1  r
n

Maka lim y  e r .
n 

Dengan demikian diperoleh A  P e rt .

Present Value

Salah satu masalah yang sering dihadapi dalam kajian matematika keuangan adalah membandingkan
nilai suatu investasi sekarang dengan nilai investasi tsb disuatu waktu dimasa yang akan datang. Yaitu
membandingkan antara nilai sekarang (present value) suatu investasi terhadap nilai akumulasi (future
value) nya.

Nilai akumulasi (future value) dalam waktu t tahun dari sekarang dari suatu investasi sebesar P ,
diketahui suku bunga (kontinu) per tahun sebesar r , diberikan oleh
A  P er t
Sementara itu nilai sekarang (present value) dari dana sebesar A pada saat t , diketahui suku bunga
(kontinu) per tahun sebesar r , diberikan oleh
P  Ae  r t

Sehingga jika seseorang menginginkan mempunyai dana sebesar A pada saat t tahun dari saat
sekarang, dengan membuka deposito di bank yang memberikan suku bunga (kontinu) per tahun sebesar
r maka hendaknya orang tsb. sekarang mendepositokan dana sebesar P .
 Dalam hal suku bunga per tahun r dibayarkan sebanyak n kali (kasus diskrit) per tahun, maka future value
untuk P dalam t tahun kedepan, diberikan oleh nt
 r
A  P 1  
Sehingga diperoleh pula  n
n t
 r
P  A 1  
 n
Dengan mengambil n = 1 , diperoleh kasus yang berpadanan dengan simple interest.

Ilustrasi 1
Seorang investor akan menerima pembayaran dari hasil usaha investasinya pada tiap akhir tahun dari enam
tahun kedepan seperti diberikan pada tabel berikut

Tahun 1 2 3 4 5 6
Pembayaran 465 233 632 365 334 248

Jika besarnya suku bunga pertahun adalah 4% yang dibayarkan tiap bulan, berapakah besarnya present value
dari investasi tersebut ?

PV  465 1  0.04 12   233 1  0.04 12   632 1  0.04 12   365 1  0.04 12   334 1  0.04 12   248 1  0.04 12 
12 24 36 48 60 72
 2004.91

Perhatikan bahwa PV dari pembayaran hasil investasi berbeda dari jumlah penerimaan pembayaran total dari
investasi (yaitu 2277)
Ilustrasi 2 Menentukan besarnya angsuran dari pinjaman
Seseorang meminjam dana sebesar P ke suatu bank yang memberlakukan suku bunga pertahun sebesar r
yang dibayarkan sebanyak n kali per tahun. Lamanya waktu pinjaman adalah t tahun. Pengembalian pinjaman
dilakukan dengan cara mengangsur tiap bulan dengan besarnya angsuran tetap (konstan). Penentuan besarnya
angsuran per bulan tersebut dapat dilakukan dengan menggunakan prinsip bahwa nilai sekarang (present value)
dari seluruh pembayaran angsuran harus sama dengan besarnya pinjaman tersebut.

Misalkan besarnya angsuran yang konstan tersebut adalah x . Bila angsuran pertama dilakukan diakhir bulan
pertama pinjaman, maka nilai sekarang dari seluruh pembayaran angsuran diberikan oleh
1  1  r n  1  1  r n 
 nt  nt

x 1  r n   x 1  r n    x 1  r n   x 1  r n 
1 2  nt 1
x
1  1  r n 
1 r
n

Dengan demikian diperoleh hubungan antara besarnya suku bunga, frekuensi pembayaran bunga pertahun,
lama waktu peminjaman, besarnya pokok pinjaman, dan besarnya angsuran perbulan dinyatakan oleh
persamaan berikut
n   r
 nt

Px 1  1   
r   n  
Jadi jika besarnya pinjaman adalah $1000 dengan lama pinjaman 5 tahun pada tingkat suku bunga per tahun
5% yang dibayarkan tiap bulan, maka besarnya angsuran tetap per bulan diberikan oleh
1
 12  5 
x  1000  0.05 12  1  1  0.05 12    18.87
 
Ilustrasi 3 Perencanaan dana pensiun
Seseorang yang saat ini berusia 25 tahun dan sudah bekerja merencanakan untuk pensiun pada usia 65 tahun.
Untuk waktu 40 tahun kedepan dia menyisihkan sebagian dari gajinya untuk ditabung di bank yang memberikan
suku bunga per tahun sebesar 10% yang dibayarkan tiap bulan. Dia merencanakan kelak setelah pensiun untuk
dapat mengambil ‘uang pensiun’ dari tabungannya tsb setiap bulan uang sebesar $1500 untuk jangka waktu 30
tahun kedepan. Berapakah uang yang harus disisihkan dari gajinya tiap bulan agar dapat memenuhi keinginannya
tersebut ?.

Besarnya uang yang harus ditabung per bulan hingga tiba saat pensiun nya dapat ditentukan dengan
menyamakan present value dari seluruh uang yang ditabung tiap bulan dengan present value dari seluruh
pengambilan ‘uang pensiun’ tiap bulan setelah pensiun.

Uang yang ditabung pertama kali dilakukan sebulan dari saat sekarang, sementara ‘uang pensiun’ pertama kali
diambil dari bank 481 bulan dari sekarang. Misalkan x menyatakan besarnya uang yang harus ditabung tiap bulan.
Present value dari seluruh uang yang ditabung tiap bulan hingga saat pensiunnya tiba adalah sebesar

1 1  1  12 
 480
480 0.10

 x 1  0.1012   x 1  0.1012 
i
 117.765 x
1  1  
1
i 1 0.01
12
Sementara itu present value dari seluruh pengambilan ‘uang pensiun’ diberikan oleh

 481 1  1  12 
 360
840 0.10

 1500 1  0.1012   1500 1  0.1012 

i
 3182.94
1  1  
1
i  481 0.10
12

Dengan demikian diperoleh x = $ 27.03 per bulan.

Jika orang tsb. menunda untuk menabung hingga saat usia nya 35 tahun, sedangkan faktor-faktor yang lain tetap
sama maka diperoleh
360 720

 x 1  0.1012   113.951 x dan  1500 1  0.1012   8616.38

i i

i 1 i 361

yang memberikan x = $ 75.61 per bulan. Menunggu 10 tahun untuk memulai menabung bagi persiapan dana
pensiun dalam kasus tersebut menyebabkan besarnya uang yang harus ditabung per bulan menjadi hampir
berlipat tiga.
Pemodelan Matematika
Model pertumbuhan populasi
 Tahap-tahap pembuatan model matematika

1. Perumusan 3. Merumuskan
masalah 2. Asumsi-asumsi
untuk model masalah
nyata matematika

6. Validasi 5. Interpretasi 4. Menyelesaikan

model solusi masalah
matematika

7. Menggunakan model :
- menerangkan
- prediksi , - memutuskan
- mendesain
 Tabel 1 Jumlah Penduduk USA

Tahun N ( juta )

0 1790 3.9
1 1800 5.3
2 1810 7.2
3 1820 9.6
4 1830 12.9
5 1840 17.1
6 1850 23.2
7 1860 31.4
8 1870 38.6
9 1880 50.2
10 1890 62.9
11 1900 76.0
12 1910 92.0
13 1920 106.5
14 1930 123.2
 Data Jumlah Penduduk USA Th. 1790 - 1930

140.0

120.0

100.0
Jumlah Penduduk (juta)

80.0

60.0

40.0

20.0

0.0
0 2 4 6 8 10 12 14 16
Waktu (pe r 10 tahun)
 Model Pertumbuhan Populasi I

 N  N (t ) : besarnya (banyaknya individu dalam) populasi pada saat t

b : banyaknya kelahiran dalam selang waktu 'pendek' t
d : banyaknya kematian dalam selang waktu 'pendek' t

Asumsi :
b sebanding dengan N (t ) dan t ; b  N (t ) t  b   N t
d sebanding dengan N (t ) dan t ; d  N (t ) t  d   N t
( dan  konstanta-konstanta kesebandingan)
 Perubahan besarnya populasi, N , dalam selang waktu t :
N  b  d   N t   N t  (   ) N t   N t dgn.     
Bagilah kedua ruas dengan t dan mengambil limit untuk t  0 :
N dN
lim N  N
t 0 t dt

Jika pada t  0 diketahui N (0)  N 0 maka diperoleh solusi :

ln N   t  ln N 0 atau N (t )  N 0e t

Dari data pada tabel didapat:

N 0  3.9  106 , N1  5.3 106 yang memberikan   0.307
 Tabel 2

Tahun N ( juta ) Prediksi Galat

model I %

0 1790 3.9 3.90 0

1 1800 5.3 5.30 0
2 1810 7.2 7.21 0
3 1820 9.6 9.80 2
4 1830 12.9 13.32 3
5 1840 17.1 18.10 6
6 1850 23.2 24.61 6
7 1860 31.4 33.45 7
8 1870 38.6 45.47 18
9 1880 50.2 61.81 23
10 1890 62.9 84.02 34
11 1900 76.0 114.21 50
12 1910 92.0 155.24 69
13 1920 106.5 211.03 98
14 1930 123.2 286.86 133
 350.0

300.0

250.0

Jumlah penduduk (dalam juta) 200.0

data asli
model I

150.0

100.0

50.0

0.0
0 2 4 6 8 10 12 14 16
Waktu (per 10 tahun)
 Model I

1. Menerangkan dN
dan memprediksi 2. Laju pertumbuhan 3.  N
dt
pertumbuhan sebanding dengan N
populasi N (0)  N 0

6. Kurang memadai 5. Pertumbuhan 4.

untuk populasi USA eksponensial N (t )  N 0 e  t
kurun waktu (tak terbatas)
1820 - 1930 untuk   0
 Model Pertumbuhan Populasi II

 N m : maksimum banyaknya individu dalam populasi

Asumsi :
 N 
N sebanding dengan: (i) N (t ), (ii) t dan (iii) 1  
 N m 

proporsi 'sisa' banyaknya individu dalam populasi yg. belum digunakan

 N   N 
 Sehingga N  N 1   t  N   N 1   t
 Nm   Nm 
Hasil tsb. memberikan besarnya laju pertumbuhan populasi:
dN  N 
  N 1  
dt  N m 
Jika pada t  0, diketahui N (0)  N 0 , maka diperoleh solusi:
Nm
N (t ) 
  N m    Nm t 
1  1   e 
  N 0  
Perhatikan bahwa:
(i ) N (t )  N m bila t  
dN
(ii ) Untuk N 0  N m :  0 bila N (t )  N m
dt

Dengan menggunakan
N 0  3.9*106 ,   0.313 dan N m  197 *106
diperoleh hasil seperti pada tabel.
 Tabel 3

Tahun N ( juta ) Prediksi Galat Prediksi Galat

model I % model II %

0 1790 3.9 3.90 0 3.90 0

1 1800 5.3 5.30 0 5.29 0
2 1810 7.2 7.21 0 7.17 0
3 1820 9.6 9.80 2 9.68 1
4 1830 12.9 13.32 3 13.00 1
5 1840 17.1 18.10 6 17.35 1
6 1850 23.2 24.61 6 22.99 -1
7 1860 31.4 33.45 7 30.14 -4
8 1870 38.6 45.47 18 39.03 1
9 1880 50.2 61.81 23 49.75 -1
10 1890 62.9 84.02 34 62.25 -1
11 1900 76.0 114.21 50 76.27 0
12 1910 92.0 155.24 69 91.31 -1
13 1920 106.5 211.03 98 106.70 0
14 1930 123.2 286.86 133 121.69 -1
 Prediksi Model I dan II

350.0

300.0

250.0
Jumlah Penduduk (juta)

200.0
Data asli
Model I
Model II
150.0

100.0

50.0

0.0
0 2 4 6 8 10 12 14 16
Waktu (per 10 tahun)
 Model II

2. Laju pertumbuhan 3.
dN  N 
sebanding dengan   N 1  
dt  N m 
N
(i) N dan (ii) 1  N (0)  N 0
Nm

4.
6. Cukup 5. Bila t   Nm
memadai untuk N (t ) 
(i) N (t )  N m   N m   N m t 
populasi USA 1  1   e 
kurun waktu (ii)
dN
0   N 0  
1820 - 1930 dt
% Script model Angsuran Kredit Pemilikan Rumah (KPR)
% Nama script : Angsuran_KPR.m
% Dipanggil di Command Window dengan mengetikkan : Angsuran_KPR
clc
b = [ 80000 ] ;
for k = 1 : 240
b(k+1) = b(k) + 0.01 * b(k) - 880.87 ;
end
b
plot ( b , '.' )
xlabel ( ' Bulan angsuran ( = k ) ' )
ylabel ( ' Sisa pinjaman ke bank ' )
title ( ' Angsuran KPR Rumah ' )
Perjalan acak, Distribusi Log-normal dan Model Pergerakan Harga
Saham

Teorema Limit Pusat

Misalkan 𝑋1 , 𝑋2 , 𝑋3 , ⋯ adalah barisan peubah acak yang saling bebas dan berdistribusi identik,
masing-masing dengan mean 𝜇 dan variansi 𝜎 2 .
𝑋1 +𝑋2 +⋯+𝑋𝑛 −𝑛𝜇
Maka bila 𝑛 → ∞ peubah acak akan berdistribusi normal baku.
𝜎 √𝑛

𝑋1 +𝑋2 +⋯+𝑋𝑛−𝑛𝜇 1 𝑎 2
Yaitu 𝑃 { ≤ 𝑎} → ∫ 𝑒 −𝑥 /2 𝑑𝑥 bila 𝑛 → ∞
𝜎 √𝑛 √2𝜋 −∞

𝑋1 +𝑋2 +⋯+𝑋𝑛 −𝑛𝜇

atau ~ 𝑁(0,1) bila 𝑛 → ∞ .
𝜎√𝑛

Ilustrasi
Jika X berdistribusi binomial dengan parameter n dan p , maka X berdistribusi seperti
distribusi dari penjumlahan n peubah acak Bernoulli masing-masing dengan parameter p .
Sehingga dengan teorema limit pusat diperoleh :
𝑋−𝐸(𝑋) 𝑋−𝑛𝑝
= ~ 𝑁(0,1) (𝑛 → ∞)
√𝑉𝑎𝑟(𝑋) √𝑛𝑝(1−𝑝)

Perjalanan Acak Simetri 1 Dimensi

Perhatikan suatu partikel bergerak sepanjang garis, berangkat dari titik 0. Setiap satu satuan
waktu partikel bergerak kekiri atau kekanan sejauh satu satuan jarak, dengan peluang kekiri atau
kekanan diberikan oleh
1
𝑝𝑖,𝑖+1 = = 𝑝𝑖,𝑖−1 𝑖 = 0, ±1, ±2. ⋯
2
Selanjutnya proses dipercepat dengan mengambil langkah yang semakin pendek dan juga selang
waktu yang semakin pendek. Untuk tiap satuan waktu ∆𝑡 melangkah kekiri atau kekanan sejauh
∆𝑥 , dengan peluang yang sama besar.
Misalkan 𝑋(𝑡) posisi partikel pada saat t dengan 𝑡 = 𝑛∆𝑡 ( 𝑛 = 0,1,2, ⋯ ) , maka
𝑋(𝑡) = 0 + 𝑋1 ∆𝑥 + 𝑋2 ∆𝑥 + ⋯ + 𝑋𝑛 ∆𝑥
dengan 𝑋𝑖 = 1 bila langkah ke i , dengan panjang ∆𝑥 , ke kanan
𝑋𝑖 = −1 bila langkah ke i , dengan panjang ∆𝑥 , ke kiri
1
𝑋𝑖 diasumsikan saling bebas dan 𝑝(𝑋𝑖 = 1) = = 𝑝(𝑋𝑖 = −1) .
2

1
Perhatikan bahwa 𝑋𝑖 merupakan peubah acak Bernoulli, dengan
1 1
𝐸(𝑋𝑖 ) = 1. 𝑝(𝑋𝑖 = 1) + (−1). 𝑝(𝑋𝑖 = −1) = 1. − 1. = 0
2 2
𝑉𝑎𝑟(𝑋𝑖 ) = 𝐸(𝑋𝑖 2 ) − [𝐸(𝑋𝑖 )]2 = (1)2 . 𝑝(𝑋𝑖 = 1) + (−1)2 . 𝑝(𝑋𝑖 = −1) − (0)2 = 1

Sehingga :
𝐸[𝑋(𝑡)] = 𝐸[0 + 𝑋1 ∆𝑥 + 𝑋2 ∆𝑥 + ⋯ + 𝑋𝑛 ∆𝑥] = (∆𝑥)[ ∑𝑛1 𝐸 (𝑋𝑖 ) ] = (∆𝑥). 0 = 0
𝑉𝑎𝑟[𝑋(𝑡)] = 𝑉𝑎𝑟[0 + 𝑋1 ∆𝑥 + 𝑋2 ∆𝑥 + ⋯ + 𝑋𝑛 ∆𝑥]
= (∆𝑥)2 [∑𝑛1 𝑉𝑎𝑟(𝑋𝑖 )] = (∆𝑥)2 . 𝑛
𝑡
= (∆𝑥)2 . ∆𝑡

Selanjutnya kita akan membawa ∆𝑥 dan ∆𝑡 menuju 0 . Diusahakan agar proses pengambilan
limit tersebut tidak menghasilkan hasil yang trivial . Misalkan jika diambil ∆𝑥 = ∆𝑡 dan ∆𝑡 → 0
maka akan didapat 𝐸[𝑋(𝑡)] dan 𝑉𝑎𝑟[𝑋(𝑡)] keduanya menuju 0 , sehingga 𝑋(𝑡) akan sama
𝑡
dengan 0 dengan peluang 1. Jika dipilih ∆𝑥 = (∆𝑡)𝑘 untuk suatu k maka (∆𝑥)2 . = (∆𝑡)2𝑘−1 . 𝑡
∆𝑡
1 1
Untuk 𝑘 > 2 maka 𝑉𝑎𝑟[𝑋(𝑡)] = 0 bila ∆𝑡 → 0 . Jika 𝑘 < 2 maka 𝑉𝑎𝑟[𝑋(𝑡)] = ∞ . Sehingga
agar diperoleh nilai 𝑉𝑎𝑟[𝑋(𝑡)] yang hingga tetapi tidak sama dengan 0, maka dipilih ∆𝑥 = √∆𝑡 ,
yang memberikan 𝑉𝑎𝑟[𝑋(𝑡)] = 𝑡 untuk ∆𝑡 → 0 . Selanjutnya dengan mengambil bentuk yang
lebih umum, yaitu ∆𝑥 = 𝜎√∆𝑡 dengan 𝜎 > 0 suatu konstanta (sering disebut sebagai
volatilitas), diperoleh 𝑉𝑎𝑟[𝑋(𝑡)] = 𝜎 2 𝑡 untuk ∆𝑡 → 0 .
𝑋(𝑡)−𝐸[𝑋(𝑡)]
Sehingga bentuk , dengan pemilihan ∆𝑥 = 𝜎√∆𝑡 untuk ∆𝑡 → 0 , berdasarkan
√𝑉𝑎𝑟𝑋(𝑡)
Teorema Limit Pusat akan berdistribusi normal baku yaitu 𝑁(0,1). Atau dengan mengingat
𝑋(𝑡)
𝐸[𝑋(𝑡)] = 0 dan 𝑉𝑎𝑟[𝑋(𝑡)] = 𝜎 2 𝑡 diperoleh ~ 𝑁(0,1) , sehingga
√𝜎2 𝑡
𝑋(𝑡) ~ 𝑁(0, 𝜎 2 𝑡)
Perhatikan bahwa karena 𝑉𝑎𝑟[𝑋(𝑡)] = 𝜎 2 𝑡 maka ‘prediksi’ posisi partikel untuk nilai t yang
besar akan semakin kurang akurat.

2
Sementara itu informasi yang lebih menarik dapat kita peroleh jika kita buat plot posisi partikel 𝑋(𝑡)
sebagai fungsi dari t. Akan diperoleh lintasan partikel dalam bentuk lintasan zigzag dengan menjalankan
program berikut.

%
% Simulasi Perjalanan Acak Simetri Vertikal 1 Dimensi
clc
clear
n = 500 ; % banyaknya langkah
sigma = 1.5 ; % volatilitas
T = 3 ; % total waktu
dt = T/n ; % delta t
dx = sigma*sqrt(dt) ; % delta x
t_i =linspace(0, T, n+1) ; % diskritisasi dari t
figure(1)
X_i = 2*(rand(1,n) < 0.5) - 1 ; % nilai x_i adalah 1 atau -1
X = dx*cumsum( X_i ) ;
% Menggambar lintasan partikel
plot(t_i , [ 0 , X ])
grid on
title(' Simulasi Perjalanan Acak Vertikal Simetri 1 dimensi')
xlabel('t')
ylabel('X(t) : posisi partikel')

3
 Peubah Acak Lognormal
Peubah acak 𝑋 disebut suatu peubah acak lognormal dengan parameter-parameter µ dan σ bila
𝑌 = ln 𝑋 merupakan suatu peubah acak yang berdistribusi normal dengan ekspektasi µ dan
variansi 𝜎 2 . Dalam kaitan dengan peubah acak lognormal, parameter-parameter µ dan σ sering
disebut sebagai drift dan volatilitas. Peubah acak lognormal merupakan suatu peubah acak
kontinu dengan daerah definisi pada selang (0, ∞). Untuk peubah acak normal 𝑌 dengan
ekspektasi µ dan variansi 𝜎 2 kita memiliki
𝑦
1 2 /2𝜎 2
𝑃(𝑌 < 𝑦) = ∫ 𝑒 −(𝑡−𝜇) 𝑑𝑡
𝜎 √2𝜋
−∞

Dengan melakukan substitusi 𝑡 = ln 𝑢, diperoleh

𝑒𝑦
2
11 − (ln 𝑢−𝜇)
2
𝑃(ln 𝑋 < 𝑦) = ∫ 𝑒 2𝜎 𝑑𝑢
𝜎√2𝜋 𝑢
0

= 𝑃(𝑋 < 𝑒 𝑦 )

4
Dengan demikian suatu peubah acak lognormal dengan parameter-parameter µ dan σ memiliki
fungsi padat peluang yang diberikan oleh
1 2 /2𝜎 2
𝑓(𝑥) = 𝑒 −(𝑙𝑛 𝑥 − 𝜇) (0 < 𝑥 < ∞)
(𝜎√2𝜋)𝑥
Sehingga peluang peubah acak lognormal 𝑋 bernilai lebih kecil dari 𝑦 > 0 diberikan oleh
𝑦
2
1 − (ln 𝑥−𝜇)
12
𝑃(𝑋 < 𝑦) = ∫ 𝑒 2𝜎 𝑑𝑥
𝜎√2𝜋 𝑥
0

Lemma : Jika 𝑋 suatu peubah acak lognormal dengan parameter-parameter 𝜇 dan σ maka
2 /2 2 2
𝐸(𝑋) = 𝑒 𝜇+𝜎 𝑑𝑎𝑛 𝑉𝑎𝑟(𝑋) = 𝑒 2𝜇+𝜎 (𝑒 𝜎 − 1)

Bukti : Karena 𝑋 suatu peubah acak lognormal, maka 𝑌 = ln 𝑋 merupakan peubah acak
berdistribusi normal dengan 𝐸(𝑌) = 𝜇 dan 𝑉𝑎𝑟(𝑌) = 𝜎 2 . Sehingga
∞
1 (𝑦−𝜇)2
𝑦 − 2𝜎2
𝐸(𝑋) = ∫ 𝑒 𝑒 𝑑𝑦
𝜎√2𝜋
−∞
2
(𝑦−(𝜇+𝜎2 )) 𝜎2
1 ∞ −
= ∫ 𝑒 2𝜎2 𝑒 𝜇+ 2 𝑑𝑦
𝜎√2𝜋 −∞
2
𝜎2 (𝑦−(𝜇+𝜎2 ))
𝜇+ 1∞ −
= 𝑒 2 ∫ 𝑒 2𝜎2 𝑑𝑦
𝜎√2𝜋 −∞

𝜎2
𝜇+
= 𝑒 2

2
(𝑦−(𝜇+𝜎2 ))
1 ∞ −
karena integral ∫ 𝑒
𝜎√2𝜋 −∞
2𝜎2 𝑑𝑦 = 1 yang merepresentasikan luas daerah dibawah
kurva distribusi normal dengan ekspektasi 𝜇 + 𝜎 2 dan variansi 𝜎 2 . Selanjutnya
2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))
(𝑦−𝜇)2 2
1∞ − 2 /2
= ∫ 𝑒 2𝑦 𝑒 2𝜎2
𝜎√2𝜋 −∞
𝑑𝑦 − (𝑒 𝜇+𝜎 )

1 ∞ 2
/2𝜎2 2 2
= ∫ 𝑒 −(𝑦−(𝜇+2𝜎))
𝜎√2𝜋 −∞
𝑒 2(𝜇+𝜎 ) 𝑑𝑦 − 𝑒 2𝜇+𝜎

2) 1 ∞ 2
/2𝜎2 2
= 𝑒 2(𝜇+𝜎 ∫ 𝑒 −(𝑦−(𝜇+2𝜎)) 𝑑𝑦 − 𝑒 2𝜇+𝜎
𝜎 √2𝜋 −∞
2 2
= 𝑒 2(𝜇+𝜎 ) − 𝑒 2𝜇+𝜎
2 2
= 𝑒 2𝜇+𝜎 (𝑒 𝜎 − 1)

5
Grafik FPP peubah acak lognormal dengan parameter-parameter 𝜇 dan 𝜎
1 2 /2𝜎 2
𝑓(𝑥) = 𝑒 −(𝑙𝑛 𝑥 − 𝜇) (0 < 𝑥 < ∞)
(𝜎√2𝜋)𝑥

% Plot Fungsi padat peluang distribusi Log Normal

%
clc ; clf ;
x = linspace(0.01,4,500);
mu = 0.05 ;

sigma = 0.3;
a = ((log(x)- mu).^2)/(2*sigma^2);
b = x*sigma*sqrt(2*pi);
y1 = exp(-a)./b;
plot(x,y1,'r-')
ylim([0 1.5])
hold on

sigma = 0.5;
a = ((log(x)- mu).^2)/(2*sigma^2);
b = x*sigma*sqrt(2*pi);
y2 = exp(-a)./b;
plot(x,y2,'b:')

legend('\sigma = 0.3', '\sigma = 0.5', 1)

title('Grafik Fungsi Padat Peluang Log Normal , \mu = 0.05')
xlabel('x')
ylabel('f(x)', 'rotation', 0)

6
 Pemanfaatan pada model harga saham
Jika 𝑆(𝑡) menyatakan harga saham pada saat t , maka telah diperoleh bahwa
𝑆(𝑡) 1
𝑙𝑛 𝑆(0) ~ 𝑁 ((𝜇 − 2 𝜎 2 ) 𝑡 , 𝜎 2 𝑡 )

𝑆(𝑡)
yang menunjukkan bahwa 𝑙𝑛 𝑆(0) , yaitu return (kontinu) harga saham pada saat t berdistribusi
1
normal dengan dengan mean 𝜇̃ = (𝜇 − 2 𝜎 2 ) 𝑡 dan variansi 𝜎̃ 2 = 𝜎 2 𝑡 . Dari hubungan
tersebut dapat dinyatakan/tuliskan pula bahwa
𝑆(𝑡) 1
𝑙𝑛 𝑆(0) = 𝜇̃ + 𝜎̃ 𝑍 = (𝜇 − 2 𝜎 2 ) 𝑡 + 𝜎 √𝑡 𝑍 dengan 𝑍 ~ 𝑁(0,1) .

Dengan demikian diperoleh formulasi harga saham pada saat t sebagai :

1 2 )𝑡+ 𝜎
𝑆(𝑡) = 𝑆(0) 𝑒 (𝜇−2 𝜎 √𝑡 𝑍
dengan 𝑍 ~ 𝑁(0,1)
Sehingga dari bahasan tentang distibusi lognormal diatas, kita peroleh bahwa return (kontinu)
𝑆(𝑡) 1
harga saham pada saat t, yaitu 𝑙𝑛 𝑆(0) , berdistribusi normal dengan ekspektasi 𝜇̃ = (𝜇 − 2 𝜎 2 ) 𝑡
dan variansi 𝜎̃ 2 = 𝜎 2 𝑡 . Sementara itu harga sahamnya sendiri, yaitu 𝑆(𝑡), berdistri lognormal
1
dengan parameter drift 𝜇̃ = (𝜇 − 𝜎 2 ) 𝑡 dan volatilitas 𝜎̃ = 𝜎 √𝑡 .
2

7
Selanjutnya ekspresi untuk ekspektasi, momen orde dua dan variansi dari 𝑆(𝑡) , dapat diperoleh
dengan bantuan lemma diatas sebagai berikut
1 2 )𝑡+ (𝜎 2
𝑆(𝑡) 2 /2
= 𝑒 (𝜇−2 𝜎 𝑡)/2
𝐸 [𝑆(0)] = 𝑒 𝜇̃ + 𝜎̃ = 𝑒 𝜇𝑡
1 2 )𝑡
𝑆(𝑡) 2 2 + 𝜎2 𝑡 2 2
𝑉𝑎𝑟 [𝑆(0)] = 𝑒 2𝜇̃+𝜎̃ (𝑒 𝜎̃ − 1) = 𝑒 2(𝜇−2 𝜎 (𝑒 𝜎 𝑡
− 1) = 𝑒 2𝜇𝑡 (𝑒 𝜎 𝑡
− 1)

𝑆(𝑡) 2 𝑆(𝑡) 𝑆(𝑡) 2 2 2 )𝑡

𝐸 [(𝑆(0)) ] = 𝑉𝑎𝑟 [𝑆(0)] + (𝐸 [𝑆(0) ]) = 𝑒 2𝜇𝑡 (𝑒 𝜎 𝑡
− 1) + (𝑒 𝜇 𝑡 )2 = 𝑒 (2𝜇 + 𝜎

yang memberikan
𝐸[𝑆(𝑡)] = 𝑆(0) 𝑒 𝜇 𝑡 .
2 )𝑡
𝐸[𝑆(𝑡)2 ] = 𝑆(0)2 𝑒 (2𝜇 + 𝜎 .
2
𝑉𝑎𝑟[𝑆(𝑡)] = 𝑆(0)2 𝑒 2𝜇𝑡 (𝑒 𝜎 𝑡
− 1) .

Simulasi lintasan pergerakan harga saham

Berikut suatu kode program MATLAB untuk simulasi model pergerakan harga saham yang
berdistribusi lognormal.
% Simulasi lintasan gerak harga saham
% Plot lintasan harga-harga saham dengan model lognormal
% (formulasi diskrit)
clc ; clf ;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%S = 1; mu = 0.05; sigma = 0.3; L = 252; T = 1; dt = T/L; M = 1;
S = 6987; mu = 0.3; sigma = 0.3; L = 252; T = 1; dt = T/L; M = 1;
%S = 6987; mu = 0.3; sigma = 0.3; L = 252; T = 1; dt = T/L; M = 3;
%S = 6987; mu = 0.3; sigma = 0.8; L = 252; T = 1; dt = T/L; M = 50;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
t_waktu = [0:dt:T];
S_hargasaham = S*cumprod(exp((mu-0.5*sigma^2)*dt + sigma*sqrt(dt)*randn(M,L)),2);
S_hargasaham = [S*ones(M,1) S_hargasaham]; % menambahkan harga saham awal
figure(1)
plot(t_waktu,S_hargasaham)
title('Simulasi 1 lintasan harga saham')
%title('Simulasi 3 lintasan harga saham')
%title('Simulasi 50 lintasan harga saham')
gtext ('\mu = 0.3, \sigma = 0.3, T = 1, S_0 = 6987, L = 252')
grid on
xlabel('t'), ylabel('S(t)')

8
9