Professional Documents
Culture Documents
MA5161 MatKeu - Sem I 23-24 - 4
MA5161 MatKeu - Sem I 23-24 - 4
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)
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
−∞
= 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
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:')