Perjalan acak (random walk) dan Distribusi Log-normal

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

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 > maka 𝑉𝑎𝑟[𝑋(𝑡)] = 0 bila ∆𝑡 → 0 . Jika 𝑘 < maka 𝑉𝑎𝑟[𝑋(𝑡)] = ∞ . Sehingga
2 2
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
√𝜎 2 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.
● 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')
 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
1 − (ln 𝑢−𝜇)
1 2
𝑃(ln 𝑋 < 𝑦) = ∫ 𝑒 2𝜎 𝑑𝑢
𝜎√2𝜋 𝑢
0

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

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

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

2) 1 ∞ 2
/2𝜎 2 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)
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)