1.
PENDAHULUAN
1.1
Latar Belakang
Sebagian besar penelitian probabilitas menangani proses percobaan
independen, ini merupakan proses dasar teori probabilitas klasik dan mengarah ke
statistik. Kita telah melihat bahwa ketika urutan eksperimen membentuk
independen maka hasil yang mungkin untuk setiap percobaan adalah sama dan
terjadi dengan probabilitas yang sama.
1.2
Perumusan Masalah
Markov Chain sangat berkaitan erat dengan teori probabilitas. Untuk
memberikan dasar analisis terlebih dahulu kita harus mengetahui asumsi, definisi,
sampai beberapa teorema yang diperlukan. Maka masalah yang akan dalam
makalah ini adalah apakah proses stokastik itu yang merupakan dasar dari
Markov Chain, bagaimana prinsip dasar, teorema yang berlaku, statys-status
Markov Chain, lalu bagaimana penerapan atau aplikasinya
1.3
Tujuan Penulisan
LANDASAN TEORI
2.1
Proses Acak
Pengelompokkan tipe populasi dari proses acak bisa digambarkan sebagai
jika X adalah proses acak, maka populasi dari proses acak adalah semua nilai
yang mungkin yang bisa dimasukkan dalam suatu proses contohnya
S y : X (t ) y, untuk t T
Jika X adalah proses acak yang menggambarkan suatu persamaan, maka populasi
dari X dapat digambarkan sebagai suatu nilai yang memenuhi persamaan tersebut.
Jika populasi dari S dari suatu proses acak X dapat dihiting (contoh S={1,2,3,...}),
dalam hal ini X disebut Discrete Time Random Process perubahan state terjadi
pada titik-titik integer. Jika populasi dari S dari suatu proses acak X tidak dapat
dihitung ( contoh S = ) maka X disebut Continuous Time Random Process
perubahan state (discrete state) terjadi pada sembarang waktu.
Markov Chain merupakan proses acak di mana semua informasi tentang
masa depan terkandung di dalam keadaan sekarang (yaitu orang tidak perlu
memeriksa masa lalu untuk menentukan masa depan). Untuk lebih tepatnya,
proses memiliki properti Markov, yang berarti bahwa bentuk ke depan hanya
tergantung pada keadaan sekarang, dan tidak bergantung pada bentuk sebelumnya.
Dengan kata lain, gambaran tentang keadaan sepenuhnya menangkap semua
informasi yang dapat mempengaruhi masa depan dari proses evolusi. Suatu
Markov Chain merupakan proses stokastik berarti bahwa semua transisi adalah
probabilitas (ditentukan oleh kebetulan acak dan dengan demikian tidak dapat
diprediksi secara detail, meskipun mungkin diprediksi dalam sifat statistik),
(www.wikipedia.org).
2.3
eksperimen
2,
3,......
1,
dengan sifat Markov yaitu, mengingat keadaan masa depan dan masa
rantai
Markov
orde
di
mana
adalah
terbatas,
n)
dari (X
n)
n =
(X
n,
X n -1,
..., X
n - m 1
), yang
2. Irreduceable Chain
Jika dalam suatu rantai Markov setiap status reachable dari setiap status
lainnya, rantai tersebut adalah irreduceable.
3. Periodic State
Suatu status i disebut periodic dengan peroda d > 1, jika pnii > 0, hanya untuk
n = d, 2d, 3d,. . .; sebaliknya jika pnii > 0, hanya untuk n = 1, 2, 3, ... maka
status tersebut disebut aperiodic.
4. Probability of First Return
Probabilitas kembali pertama kalinya ke status i terjadi dalam n transisi
setelah meninggalkan i.
f i(n ) P X n i , X k i
untuk k 1, 2,.....,n 1 X 0 i
f i f i(n )
n 1
6. Transient State
Suatu status disebut transient jika probabilitas fi < 1; yaitu bahwa setelah dari
i melalui sejumlah transisi terdapat kemungkinan tidak dapat kembali ke i.
7. Recurrent State
Suatu status disebut recurrent jika probabilitas fi = 1; yaitu bahwa setelah dari
i melalui sejumlah transisi selalu ada kemungkinan untuk kembali ke i.
8. Mean Recurrent Time of State
Untuk suatu status recurrent, jumlah step rata-rata untuk kembali ke status i
m i nf i(n )
n 1
Teorema-Teorema
2.5.1
a.
b.
c.
Suatu Rantai Markov irreducible jika dan hanya jika didalamnya hanya
terdiri atas tepat satu kelas ekivalensi.
d.
e.
2.5.2
terjadi:
a.
b.
c.
2.5.3
selalu ada dan independent dari distribusu probabilitas status awal (0) = (0(0) , 1(0)
, 2(0), ..).
Jika seluruh status tidak positif recurrent (jadi seluruhnya recurrent null atau
seluruhnya transient), maka j = 0 untuk semua j dan tidak terdapat distribusi
probabilitas stasioner.
4.
4.1
Aplikasi
4.1.1
Fisika
Sistem Markovian muncul secara luas dalam termodinamika dan mekanika
Kimia
Sebuah algoritma yang berdasarkan rantai Markov digunakan untuk
yang sudah terikat untuk itu). Ini kemudian transisi ke keadaan berikutnya ketika
sebuah fragmen yang melekat padanya.
4.1.3
Pengujian
Beberapa teoretikus telah mengusulkan gagasan tentang rantai Markov uji
Teori Queueing
Rantai Markov juga dapat digunakan untuk model berbagai proses dalam
teori queueing, dan statistik. Seperti model ideal dapat menangkap banyak
statistik keteraturan sistem. Bahkan tanpa menjelaskan struktur penuh dari sistem
sempurna, seperti model-model sinyal dapat sangat efektif memungkinkan
kompresi data melalui pengkodean entropi teknik seperti pengkodean aritmatika.
Mereka juga memungkinkan efektif estimasi keadaan dan pengenalan pola.
Dunia sistem telepon selular tergantung pada algoritma Viterbi untuk kesalahankoreksi, sementara model Markov tersembunyi adalah secara ekstensif digunakan
dalam pengenalan suara dan juga dalam bioinformatika, misalnya untuk daerah
pengkode / gen prediksi
4.1.5
Statistik
Metode Rantai Markov juga menjadi sangat penting untuk menghasilkan
Ilmu sosial
Rantai Markov biasanya digunakan dalam menggambarkan argumen, di
mana saat ini kondisi konfigurasi struktural hasil masa depan. Contoh adalah
umumnya berpendapat hubungan antara pembangunan ekonomi dan bangkitnya
demokrasi. Sekali suatu keadaan mencapai tingkat tertentu perkembangan
ekonomi, konfigurasi faktor struktural, seperti ukuran borjuis komersial, rasio
tinggal di pedesaan perkotaan, tingkat politik mobilisasi, dll, akan menghasilkan
probabilitas yang lebih tinggi transisi dari otoriter aturan demokratis
4.2
Pembahasan
Cuaca kota Bekasi dapat diperkirakan sebagai berikut
1. Jika hari ini cerah maka besok akan berpeluang 60% cuaca cerah, 30%
berawan, dan 10% akan turun hujan.
2. Jika hari ini berawan maka besok akan berpeluang 40% cuaca cerah, 45%
berawan, dan 15% akan turun hujan.
3. Jika hari ini hujan maka besok akan berpeluang 15% cuaca cerah, 60%
berawan, dan 25% akan turun hujan
Jika pada hari Jumat hujan maka perkiraan cuaca hari Senin?
Terlihat jelas bahwa perkiraan cuaca dapat diselesaikan dengan Discrete Time
Markov Chain
1. Proses selanjutnya hanya tergantung pada proses saat ini.
2. Waktu diskrit dan populasi diskrit.
3. Stasioner dari waktu ke waktu
Discrete Time Markov Chain terdapat 3 fase, kita misalkan 1= cerah, 2= berawan,
3= hujan, dan sebelum hari Jumat kita anggap 0, maka
(0) (0, 0 ,1)
.3
.1
.6
P .4 .45 .15
.15 .6 .25
Matrik transisi
.3
.45
.6
.1
.15 .15, .6, .25
.25
maka 15% peluang akan cerah, 60% akan berawan, dan 25% hujan
Cuaca pada hari Minggu (2)
.6
(2) (1)P (.15, .6, .25) .4
.15
.3
.45
.6
.1
.15 .3675, .465, .1675
.25
maka 42% peluang akan cerah, 42% akan berawan, dan 15% hujan
Akan sangat bermanfaat menampilkan Discrete Time Markov Chain secara grafis.
Lingkaran melambangkan fase dan anak panah diberi angka peluang yang akan
terjadi, dari soal diatas model grafiknya
5.
KESIMPULAN
Kesimpulan yang dapat diambil pada penulisan makalah tentang Markov
Chain adalah:
1. Proses stokastik adalah suatu kejadian tertentu dari suatu rangkaian
eksperimen tergantung dari beberapa kemungkinan kejadian.
2. Prinsip dasar Markov Chain adalah sebuah Proses Markov dengan populasi
yang diskrit ( dapat dihitung) yang berada pada suatu discrete state (position)
dan diizinkan untuk berubah state pada time discrete. Sebuah rantai Markov
adalah suatu urutan dari variabel-variabel acak X
1,
2,
3,......
dengan sifat
Markov yaitu, mengingat keadaan masa depan dan masa lalu keadaan yang
independen, dengan kata lain:
Nilai yang mungkin untuk membentuk Xi S disebut ruang keadaan rantai.
3. Teorema- teorema yang berlaku pada Markov Chain yaitu teorema mengenai
Relasi Ekovalensi, teorema mengenai Irreducible, teorema mengenai Limiting
Probability
4. Status-status Markov Chain adalah Reachable State, Irreduceable Chain,
Periodic State, Probability of First Return, Probability of Ever Return,
Transient State, Recurrent State, Mean Recurrent Time of State, Null
Recurrent State, Positive Recurrent State, Communicate Stat, dan Ergodic.
5. Perhitungan Markov Chain didapatkan hasil cuaca pada hari Senin (3)
(3) (2)P (.4316, .42, .1484)
maka 42% peluang akan cerah, 42% akan berawan, dan 15% hujan
6.
DAFTAR PUSTAKA