Catatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic. Dosen: Khreshna I.A. Syuhada, MSc. PhD.

Transkripsi

1 Catatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015

2 Tentang MA4181 (Pengantar) Proses Stokastik A. Jadwal kuliah: Selasa; 11-; R.9138 Kamis; 9-; R.9024 B. Silabus: Peubah acak dan distribusi Peluang bersyarat dan ekspektasi bersyarat Rantai Markov Distribusi eksponensial dan proses Poisson Topik khusus: Model AR, ARCH, dan INAR C. Buku teks: Sheldon Ross, 2010, Introduction to Probability Models, 10th ed. Karlin dan Taylor, 1998, An Introduction to Stochastic Modelling, 3rd ed. D. Penilaian: Ujian 1,2,3: 1 Oktober 2015 (30%) 29 Oktober 2015 (30%) 3 Desember 2015 (30%) Kuis (10%) MA4181 Pros.Stok. i K. Syuhada, PhD.

3 Daftar Isi 1 Peubah Acak dan Distribusi Pendahuluan Ruang Sampel dan Peluang Peubah Acak dan Fungsi Distribusi Distribusi Diskrit Distribusi Kontinu ii

4 BAB 1 Peubah Acak dan Distribusi Silabus: Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi (cumulative ddistribution function), distribusi diskrit (binomial, Poisson, geometrik), distribusi kontinu (normal, seragam/uniform, eksponensial). Tujuan: 1. Memahami definisi dan menentukan peubah acak (p.a) 2. Menghitung fungsi peluang (f.p) dan fungsi distribusi (f.d); f.p ke f.d; f.d ke f.p 3. Menghitung peluang suatu p.a dari distribusi diskrit atau kontinu 1.1 Pendahuluan Apa Proses Stokastik? Proses? Stokastik? Proses = runtunan perubahan (peristiwa) dl perkembangan sesuatu, rangkaian tindakan, pembuatan, atau pengolahan yg menghasilkan produk (KBBI, 2008) Stokastik = mempunyai unsur peluang atau kebolehjadian (KBBI, 2008) Definisi: Proses stokastik {Y t } adalah koleksi peubah acak dengan t menyatakan indeks waktu 1

5 (Contoh 1) Di perusahaan asuransi digunakan sistem Bonus Malus untuk menentukan besar premi. Setiap pemegang polis berada dalam suatu keadaan (state) dan premi tahunan merupakan fungsi dari keadaan ini. Keadaan pemegang polis berubah dari tahun ke tahun dengan memperhatikan banyak klaim yang telah dilakukan. Pemegang polis biasanya akan menurunkan status keadaan jika dia tidak memiliki klaim pada tahun sebelumnya dan akan menaikkan status keadaan jika memiliki setidaknya satu klaim. Untuk sistem Bonus Malus, misalkan s i (k) menyatakan keadaan pemegang polis berikut dari sebelumnya berada di keadaan i dan telah mengajukan k klaim. Jika banyak klaim yang dibuat adalah peubah acak berdistribusi Poisson dengan parameter θ, maka keadaan pemegang polis akan membentuk Rantai Markov dengan peluang transisi P ij. Berikut adalah contoh Sistem Bonus Malus dengan 4 keadaan: Keadaan apabila... Keadaan 0 klaim 1 klaim 2 klaim 3 klaim (Contoh 2) Dua orang pasien, A dan B, membutuhkan ginjal. Jika dia tidak mendapatkan ginjal baru, maka A akan meninggal setelah suatu waktu yang berdistribusi exponensial dengan parameter µ A. Begitu juga dengan B, akan meninggal setelah suatu waktu yang berdistribusi eksponensial dengan parameter µ B. Ginjal akan tersedia menurut proses Poisson dengan parameter λ. Telah ditentukan bahwa ginjal pertama yang datang diberikan ke pasien A (atau ke pasien B jika B masih hidup dan A meninggal saat itu) lalu ke pasien B (jika masih hidup). Berapa peluang B mendapat ginjal baru? (Contoh 3a) Model Autoregressive atau AR orde satu: Y t = α Y t 1 + ε t dimana ε t diasumsikan saling bebas dan berdistribusi identik. Model AR(1) dapat digunakan untuk memodelkan jumlah produksi, harga aset dsb. Perhatikan bahwa memprediksi Y n+1 merupakan salah satu bagian penting dari pemodelan stokastik/deret waktu. Prediksi terbaik untuk Y n+1 adalah E(Y n+1 Y n, α) MA4181 Pros.Stok. 2 K. Syuhada, PhD.

6 (Contoh 3b) Model Autoregressive Conditional Heteroscedastic atau ARCH dan Model Stochacti Volatility atau SV: dimana atau Y t = σ t + ε t σ t = α 0 + α 1 Y 2 t 1, ln σ t = γ + δ ln σ t 1 + η t, Model ARCH dan/atau SV sangat tepat untuk memodelkan imbal hasil (return) saham. (Contoh 4) Model Integer-Valued Autoregressive atau INAR orde satu: dimana Y t = α Y t 1 + ε t, α Y t 1 = W W Yt 1, dengan W i Bin(1, α), dan ε t P OI(λ). Model INAR(1) menggambarkan bahwa banyaknya pasien yang berada di IGD pada waktu t merupakan jumlah dari banyaknya pasien yang bertahan hidup dengan peluang α ditambah banyaknya pasien yang datang pada waktu (t 1, t] 1.2 Ruang Sampel dan Peluang Ilustrasi 1. Seorang agen asuransi menawarkan asuransi kesehatan kepada calon nasabah. Nasabah dapat memilih tepat 2 jenis asuransi dari pilihan A, B, C atau tidak memilih sama sekali. Proporsi nasabah memilih jenis asuransi A, B dan C, berturut-turut, adalah 1/4, 1/3 dan 5/12. Hitung peluang seorang nasabah memilih untuk tidak memilih jenis asuransi. 2. Catatan dalam perusahaan asuransi otomotif memberikan informasi bahwa (i) setiap pelanggan mengasuransikan setidaknya satu mobil (ii) 70% pelanggan mengasuransikan lebih dari satu mobil, dan (iii) 20% mengasuransikan jenis sports car. Dari pelanggan yang mengasuransikan lebih dari satu mobil, 15% mengasuransikan sports car. Hitung peluang bahwa MA4181 Pros.Stok. 3 K. Syuhada, PhD.

7 seorang pelanggan yang terpilih secara acak mengasuransikan tepat satu mobil dan ini bukan sports car. Ruang sampel dan Kejadian Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Ruang sampel S adalah himpunan dari semua hasil yang mungkin dari suatu percobaan. Anggota dari S disebut kejadian elementer. Kejadian adalah himpunan bagian dari ruang sampel atau koleksi dari kejadian-kejadian elementer. Peluang Peluang kejadian A adalah P (A) = lim n n(a) n Misalkan S adalah ruang sampel, A adalah kejadian. Peluang kejadian A adalah P (A) = n(a) n(s) Peluang atau ukuran peluang P pada lap-σ A adalah suatu pemetaan dari A terhadap selang [0, 1] yang memenuhi tiga aksioma berikut: 1. 0 P (A) 1, untuk setiap A A 2. P (S) = 1 3. Untuk himpunan terhitung kejadian-kejadian saling asing A 1, A 2,..., ( P i=1 A i ) = P (A i ) i=1 Teorema 1. P (A c ) = 1 P (A) 2. Jika A B maka P (A) P (B) 3. P (A B) = P (A) + P (B) P (A B) MA4181 Pros.Stok. 4 K. Syuhada, PhD.

8 1.3 Peubah Acak dan Fungsi Distribusi Ilustrasi 1. Maskapai penerbangan Serigala Air mengetahui bahwa lima persen pemesan tiket tidak akan datang untuk membeli tiketnya. Dengan alasan ini, maskapai tidak ragu untuk menjual 52 tiket penerbangan pada pesawat dengan kapasitas duduk 50 orang. Berapa peluang akan ada kursi yang tersedia untuk setiap pemesan tiket yang datang? 2. Misalkan X peubah acak berdistribusi Poisson dengan mean λ. Parameter λ berdistribusi eksponensial dengan mean 1. Tunjukkan bahwa P (X = n) = (1/2) n+1 Peubah Acak Peubah acak tidaklah acak dan bukanlah peubah Peubah acak adalah fungsi yang memetakan anggota S ke bilangan real R Peubah Acak Diskrit Peubah acak X dikatakan diskrit jika terdapat barisan terhitung dari bilangan {a i, i = 1, 2,... } sedemikian hingga P ( {X = a i } ) = P (X = a i ) = 1 i i Catatan: Sebuah peubah acak diskrit tidak selalu berasal ruang sampel diskrit. F X disebut fungsi distribusi (diskrit) dari X jika terdapat barisan terhitung {a i, i = 1, 2,... } dari bilangan real dan barisan {p i, i = 1, 2,... } dari bilangan positif yang bersesuaian sedemikian hingga p i = 1 dan i F X (x) = a i x p i MA4181 Pros.Stok. 5 K. Syuhada, PhD.

9 Jika diberikan himpunan terhitung {a i, i = 1, 2,... } dan bilangan positif {p i, i = 1, 2,... } sdh i p i = 1, fungsi peluang p X (x) adalah p X (x) = p i = P (X = a i ), dengan x = a i Fungsi distribusi (kumulatif): Sifat-sifat: F (x) = P (X x) (a) F fungsi tidak turun (b) lim x F (x) = 1 (c) lim x F (x) = 0 (d) F fungsi kontinu kanan Catatan: P (a < X b) = F (b) F (a) P (X b) P (X < b) P (X < b) = P ( { 1 }) lim X b n n = lim P ( X b 1 ) n n = lim F ( b 1 ) n n Peubah Acak Kontinu Misalkan X peubah acak dan fungsi distribusinya F X dapat diturunkan. Fungsi peluang f X adalah turunan dari fungsi distribusi, f X (x) = d dx F X(x) atau dengan kata lain F X (x) = x f X (t) dt Definisi: Jika X adalah peubah acak sedemikian hingga fungsi peluangnya ada (turunan dari fungsi distribusi) maka X dikatakan sebagai peubah acak MA4181 Pros.Stok. 6 K. Syuhada, PhD.

10 kontinu. Catatan: 1 = F X ( ) = P (a X b) = F X (b) F X (a) = P (X = a) = a a f X (t) dt = 0 f X (t) dt b a f X (t) dt Latihan: 1. Tentukan fungsi peluang dari fungsi distribusi berikut: 0, x < 3.1 3/5, 3.1 x < 0 F (x) = 7/10, 0 x < 1 1, 1 x 2. Tentukan fungsi peluang dari fungsi distribusi berikut: 0, x < x, 0 x < F (x) =, 1 x < , 2 x < 3 1, x 3 3. Diketahui fungsi peluang sebagai berikut: p, x = , x = , x = 20p f(x) = p, x = 3 4p, x = 4 0, yang lain Hitung P ( 1.9 X 3), F (2), F (F (3.1)) 1.4 Distribusi Diskrit (Ilustrasi B-1) Untuk menghadapi gempa yang sering terjadi, sebuah perusahaan asuransi menentukan premi atas gempa dengan menggunakan asumsiasumsi berikut: (i) setiap bulan paling banyak terjadi satu kali gempa (ii) peluang terjadi gempa adalah 0.05 (iii) banyak gempa di suatu bulan saling MA4181 Pros.Stok. 7 K. Syuhada, PhD.

11 bebas dengan banyak gempa di bulan yang lain. Tentukan peluang ada kurang dari tiga gempa dalam setahun. (Ilustrasi B-2) Sebuah studi dilakukan untuk memonitor kesehatan dua kelompok yang independen (berisi masing-masing 10 pemegang polis) selama periode waktu satu tahun. Setiap individu atau partisipan akan keluar (mengundurkan diri) dari studi tersebut dengan peluang 0.2, saling bebas antar individu. Hitung peluang bahwa setidaknya 9 partisipan, pada satu kelompok dan bukan kedua kelompok, ikut dalam studi tersebut hingga akhir. Distribusi Binomial Misalkan S = {sukses, gagal} adalah ruang sampel yang menotasikan sukses atau gagal dari suatu percobaan. Definisikan X(sukses) = 1 dan X(gagal) = 0 dan p X (1) = P (X = 1) = p p X (0) = P (X = 0) = 1 p dimana 0 p 1 adalah peluang diperoleh sukses. X dikatakan peubah acak Bernoulli dengan parameter p. Jika dilakukan n percobaan independen dan jika X menyatakan banyaknya sukses yang diperoleh maka X dikatakan sebagai peubah acak Binomial dengan parameter (n, p), dimana p X (k) = B(k; n, p) = C n k p k (1 p) n k (Ilustrasi P-1) Banyak klaim untuk setiap risiko dalam suatu kelompok risiko mengikuti distribusi Poisson. Banyak risiko (yang diharapkan) di kelompok risiko tersebut yang tidak mengajukan klaim adalah 96. Banyak risiko (yang diharapkan) di kelompok risiko tersebut yang mengajukan dua klaim adalah 3. Tentukan banyaknya risiko di kelompok tersebut yang memiliki 4 klaim. (Ilustrasi P-2) Misalkan N P OI(2). Dapatkah anda menghitung E(N N > 1)? Distribusi Poisson Misalkan X peubah acak dengan fungsi peluang λ λi p X (i) = e i! untuk i = 0, 1, 2,... dan λ > 0. parameter λ. X disebut peubah acak Poisson dengan MA4181 Pros.Stok. 8 K. Syuhada, PhD.

12 (Ilustrasi G-1) Diketahui N Geo(0.2). Hitung P (N = 1 N 1). (Ilustrasi G-2) Banyaknya kecelakaan adalah peubah acak geometrik dengan θ = 0.7; banyaknya klaim setiap kecelakaan berdistribusi Poisson dengan mean 3.1. Tentukan fpp untuk total banyaknya klaim (Ilustrasi G-3) Ini kisah masa lalu Nurul yang sempat diceritakan sesaat sebelum Nurul menikah. Katanya Ayahku meninggal waktu usiaku tiga tahun. Lalu Ibu kawin lagi. Dengan ayah tiriku, Ibu mendapat dua orang anak tiri dan melahirkan tiga orang anak. Ketika usiaku lima belas tahun, Ibu pun meninggal. Ayah tiriku kawin lagi dengan seorang janda yang sudah beranak dua. Ia melahirkan dua orang anak pula dengan ayah tiriku. Pertanyaan yang mungkin adalah... Distribusi Geometrik Misalkan percobaan-percobaan dilakukan hingga diperoleh sukses yang pertama. Percobaan-percobaan tersebut saling bebas dan memiliki peluang sukses p. Misalkan X menyatakan banyaknya percobaan yang dilakukan untuk mendapatkan sukses pertama tersebut, maka X dikatakan peubah acak Geometrik dengan parameter p. Fungsi peluangnya adalah p(n) = P (X = n) = (1 p) n 1 p, untuk n = 1, 2,... dan p > Distribusi Kontinu Distribusi Uniform Distribusi Eksponensial MA4181 Pros.Stok. 9 K. Syuhada, PhD.