Markov Chains
Markov Chains
Industrial engineering
MARKOV CHAINS
14/08/2015
Operations Research
Stochastic process
Sample space (ruang sample): all
possible outcome
Random variable:
Operations Research
Stochastic process
Notasi
X(t); t T
T
t
X(t)
:
:
:
:
stage
set of index
parameter
state of the process
pada time t
State space
Operations Research
Stochastic process
Klasifikasi Stochastic Process berdasar
State Space dan Parameter
Parameter
State Space
Discrete
Continue
Discrete
DS DP SP
DS CP SP
Continue
CS DP SP
CS CP SP
14/08/2015
Operations Research
Stochastic process
Pengamatan pada sebuah bank
DS DP SP
Operations Research
Stochastic process
Pengamatan pada sebuah bank
DS CP SP
Operations Research
Stochastic process
Pengamatan pada sebuah bank
CS DP SP
Bila kita ingin mengetahui berapa lama
seorang customer harus menunggu
sebelum dilayani
State space: waiting time kontinyu
Parameter: n = customer index diskrit
X(n): lamanya customer ke-n harus
menunggu sebelum dilayani
14/08/2015
Operations Research
Stochastic process
Pengamatan pada sebuah bank
CS CP SP
Bila kita ingin mengetahui berapa lama waktu
yang diperlukan untuk melayani semua
customer yang ada dalam bank dalam suatu
waktu
State space: lama to clean out kontinyu
Parameter: t = time index kontinyu
X(t): waktu yang diperlukan untuk clean out
customer pada waktu t
14/08/2015
Operations Research
Markov Property
Future event hanya tergantung pada
the most recent event
P[X(tn+1) = Xn+1 | X(tn) = Xn, X(tn-1) = Xn-1,
, X(t0) = X0]
14/08/2015
Operations Research
10
Markov Property
Stochastic Process yang memenuhi
markov property disebut Markov
Process
Markov Process dengan Discrete
State Space disebut Markov Chain
14/08/2015
Operations Research
11
Markov Chain
14/08/2015
Operations Research
12
Markov Chain
Kondisi Steady State: Stasioner
P[Xt+1 = j | Xt = i] = P[X1 = j|X0 = i] = Pij
dan
0 pij 1
p
j 1
ij
Operations Research
13
Markov Chain
Pij
p11
p
21
...
pm1
p12
p22
...
pm 2
14/08/2015
...
...
...
...
Operations Research
p1m 1
p2 m 1
... 1
pmm 1
14
Markov Chain
14/08/2015
Operations Research
15
Markov Chain
State space : D(n) = banyaknya
permintaan kamera
Parameter : n = index hari
X(n) : level of inventory pada hari ke-n
Level inventory today: the most recent
event
14/08/2015
Operations Research
16
Markov Chain
X(n+1) =
X(n) > 0 inventory > 0, tidak melakukan
pemesanan, hanya mampu memenuhi
permintaan sampai sebesar inventory
X(n+1) = X(n) D(n)
X(n) = 0 inventory = 0, melakukan
pemesanan sebanyak 3 unit, mampu
melayani sampai 3 unit
X(n+1) = X(n) + 3 D(n)
14/08/2015
Operations Research
17
Markov Chain
Problem Discrete Parameter
Markov Chain
Cari One-Step Transition Probability
Matrix
14/08/2015
Operations Research
18
Markov Chain
PDn d
d!
1
e
PDn d
d!
e ; mean 1
14/08/2015
Operations Research
19
Markov Chain
e 1
; i 0, j i
i j !
PX n 1 j | X n i 1
e
; i 0, j 3
3 j !
14/08/2015
Operations Research
20
Markov Chain
m = 4 {0, 1, 2, 3}
Pij
0,080
0,632
0,264
0,080
m
1 pij
0,368
0
0 1
0,368 0,368
0 1
j 1
14/08/2015
Operations Research
21
Persamaan
Chapman-Kolmogorov
M
k 0
v 1
M
k 0
v n 1
M
k 0
n 2, v 1
M
k 0
14/08/2015
Operations Research
22
Persamaan
Chapman-Kolmogorov
P(2) = P . P = P2
P(m) = P . P . P . . P (m kali)
P(m+n) = P(m) . P(n)
P(n) = P. P(n-1) = P(n-1) . P
14/08/2015
Operations Research
23
Persamaan
Chapman-Kolmogorov
Pij
0,249
0,283
0,351
0,249
Operations Research
24
Persamaan
Chapman-Kolmogorov
Pij
0,289
0,282
0,284
0,289
Operations Research
25
Persamaan
Chapman-Kolmogorov
14/08/2015
Operations Research
26
j 1
14/08/2015
Operations Research
27
1 2 1 2 0
P 1 2 1 4 1 4
1 3 0 2 3
14/08/2015
Operations Research
28
1 2 1 2 0 1
3 1 2 1 4 1 4 0
1 3 0 2 3 0
1 2 1 2
1 2 3 1 2 3 4
1 3
0
0 0
1 0 0
0 1
0
1 4 0
1 3
1 1 1 2 1 3
2
2
3
1 1 3 2
2
4
1 2 1 3
4
3
1 2 3
14/08/2015
0
0
0
1
Operations Research
29
14/08/2015
Operations Research
30
1 2
0,080
0,632
3
0,264
0,080
1 2
0
0,368 0,368
0
0,184 0,368 0,368 0
0 0 0
1 0 0
0
0 1 0
0 0 1
0,368
0,368
0,920 0,184
0,632 0,632
0
0
0
3
0,264
0,368 0,632
0
0
,
080
0
,
184
0
,
368
0
,
632
0 1 2 3 1
14/08/2015
Operations Research
31
14/08/2015
Operations Research
32
Operations Research
33
C(j)
C(0)
C(1)
C(2)
C(3)
Operations Research
34
14/08/2015
Operations Research
35
Operations Research
36
j $2 MaxD j ,0$10, j 0
C j
$10 3$3 MaxD 3,0$10, j 0
14/08/2015
Operations Research
37
Probability
Expected
demand
0,10
0(0,10) = 0,00
0,30
1(0,30) = 0,30
0,40
2(0,40) = 0,80
16
0,15
3(0,15) = 0,45
0,05
4(0,05) = 0,20
1,75
35
14/08/2015
Operations Research
Expected
Revenue
38
C(0)
C(1)
C(2)
C(3)
= $10 + 3 . $3 +
$10 [1(0,05)]
= $19,5
= 1 . $2 + $10 [1(0,40) +
2(0,15) + 3(0,05)] = $10,5
= 2 . $2 + $10 [1(0,15) +
2(0,05)]
= $6,5
= 3 . $2 + $10 [1(0,05)] = $6,5
14/08/2015
Operations Research
39
Expected cost/day
Operations Research
40
MARKOVIAN DECISION
MODELS: EXAMPLE
14/08/2015
Operations Research
41
Problem
14/08/2015
Operations Research
42
Condition
Good as new
14/08/2015
Operations Research
43
Transition matrix
State
7/8
1/16
1/16
3/4
1/8
1/8
1/2
1/2
14/08/2015
Operations Research
44
Cost of Defect
State
$1,000
$3,000
14/08/2015
Operations Research
45
Possible Decisions
Decision
Action
Cost
Do nothing
$2,000
$4,000
14/08/2015
Operations Research
$2,000/day
46
Decision
$4,000
$6,000
$1,000
$4,000
$6,000
$3,000
$4,000
$6,000
$4,000 ()
$6,000
14/08/2015
Operations Research
47
Possible Policy
State
Possible Decision
1 or 3
1, 2, or 3
2 or 3
14/08/2015
Operations Research
48
Possible Policy
Policy
Verbal Description
d0(R)
d1(R)
d2(R)
d3(R)
Ra
Do nothing in states 0, 1, 2
Replace in state 3
Rb
Do nothing in states 0, 1
Replace in state 3
Overhaul in state 2
Rc
Do nothing in states 0, 1
Replace in states 2, 3
Rd
Do nothing in state 0
Replace in states 1, 2, 3
14/08/2015
Operations Research
49
Transition matrix of Ra
State
7/8
1/16
1/16
1/8
1/8
14/08/2015
Operations Research
50
Transition matrix of Rb
State
7/8
1/16
1/16
1/8
1/8
14/08/2015
Operations Research
51
Transition matrix of Rc
State
7/8
1/16
1/16
1/8
1/8
14/08/2015
Operations Research
52
Transition matrix of Rd
State
7/8
1/16
1/16
14/08/2015
Operations Research
53
Verbal Description
C0(R)
Ra
Do nothing in states 0, 1, 2
Replace in state 3
Rb
Do nothing in states 0, 1
Replace in state 3
Overhaul in state 2
Rc
Do nothing in states 0, 1
Replace in states 2, 3
Rd
Do nothing in state 0
Replace in states 1, 2, 3
14/08/2015
C1(R)
Operations Research
C2(R)
C3(R)
54
Ra
0
1 2
0 7 8 1 16 1 16 1
0 3 4 1 8 1 8 0
3
0 0 1 2 1 2 0
1 0
0
0 0
1 7 8
0 1 4
0 1 2 3
0
0
0
1
14/08/2015
0 0 0
1 0 0
0
0 1 0
0 0 1
1 16 1 16
1 8 1 8
0
1 2 1 2
0
1
Operations Research
55
Ra
0 3 0
7 8 0 1 4 1 0
1 16 0 1 8 1 1 2 2 0
1 16 0 1 8 1 1 2 2 3 0
0 1 2 3 1
14/08/2015
Operations Research
56
Ra
2
0
13
7
1
13
2
2
13
2
3
13
14/08/2015
Operations Research
57
Ra
the long - run expected average cost per day is given by
0 0 1,0001 3,000 2 6,0003
2
7
2
2
0 1,000 3,000 6,000
13
13
13
13
7,000 6,000 12,000
13
25,000
13
$1,923.08
14/08/2015
Operations Research
58
Rb
2
0
21
15 5
1
21 7
2
2
21
2
3
21
14/08/2015
Operations Research
59
Rc
2
0
11
7
1
11
1
2
11
1
3
11
14/08/2015
Operations Research
60
Rd
16 1
0
32 2
14 7
1
32 16
1
2
32
1
3
32
14/08/2015
Operations Research
61
E(C)
Ra
Rb
Rc
Rd
$1,923
$1,667
$1,727
$3,000
14/08/2015
Kebijakan yang
dipilih adalah
kebijakan Rb
karena biayanya
terendah
Operations Research
62
14/08/2015
Operations Research
63
Sebuah pabrik mempunyai satu mesin utama yang menjadi ujung tombak salah satu proses produksinya.
Oleh karena penggunaan yang sering, mesin tersebut cepat rusak dan berpengaruh pada kualitas dan
kuantitas keluarannya, oleh karena itu, pada akhir tiap minggu, pemeriksaan yang menyeluruh
dilakukan dan menyatakan kondisi mesin yang digolongkan menjadi empat state yang mungkin:
State
0
1
2
Kondisi
Baik seperti baru
Ada kerusakan tapi masih bisa beroperasi
Tidak dapat beroperasi
Setelah data historis pada hasil pemeriksaan ini diperoleh, analisis statistik digunakan untuk mengetahui
bagaimana perubahan state mesin dari minggu ke minggu. Matriks berikut ini menunjukkan frekuensi
relatif (probabilitas) dari tiap transisi yang mungkin dari state yang satu pada minggu tertentu (baris
pada matriks) ke state yang lainnya pada minggu berikutnya (kolom pada matriks).
State
Awal
0
1
2
0
1/4
0
0
Akhir
1
1/2
2/3
0
2
1/4
1/3
1
Pada saat sebelum mencapai state 2, biaya bisa terjadi dari memproduksi barang cacat. Ekspektasi biaya
per minggu dari sumber ini adalah sebagai berikut:
State
0
1
2