Makalah
Pengantar Proses Stokastik
“Persamaan Diferensial Kolmogorov dan Limit Peluang
pada Rantai Markov Kontinu”
Disusun oleh :
Kata Pengantar
Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas segala nikmat
dan karunia-Nya sehingga makalah tentang Pengantar Proses Stokastik dengan judul
Makalah yang mengangkat topik tentang proses stokastik ini disusun sebagai salah
satu tugas dalam Mata Kuliah Pengantar Proses Stokastik di Jurusan Matematika FMIPA
Unsrat Manado dengan dosen penanggung jawab Bapak Yohanes Langi, S.Si,M.Si.
Penulis meyakini bahwa makalah ini masih jauh dari kesempurnaan. Oleh karena itu,
penulis sangat mengharapkan masukan dan kritik yang konstruktif dari pembaca baik dari
Demikianlah makalah ini kami susun. Besar harapan kami semoga makalah ini dapat
Penyusun
Daftar Isi
Kata Pengantari
Daftar Isiii
BAB I
meyatakan peluang bahwa proses tersebut akan bertransisi ke state j, maka qij menyatakan
laju proses yang berada di state i akan bertransisi ke state j.
Karena
v i=∑ v i P ij =∑ qij
∀j ∀j
dan
Pij qij
Pij = =
vi ∑ � ाा �ij
∀j
maka dapat dilihat bahwa kwantitas qij menetukan parameter dari proses.
Misalkan
Pij ( t )=P( X ( t +s )= ´j X ( s )=i)
yaitu peluang bahwa sistem saat s berada di state i akan bertransisi ke state j dalam t satuan
waktu kemudian. Kita bertujuan untuk merumuskan sistem persamaan diferensial untuk
bertransisi Pij . Untuk melakuka hal ini kita perlukan dua lemma berikut.
Lemma 4.3
1−P ij (h)
a. li m =v i
h →0 h
P (h)
b. li m ij =q ij, ji ka i≠ j .
h →0 h
Lemma 4.4
∞
Pi j ( t + s )=∑ Pi k ( t ) Pk j ( s) .
k=0
Bukti : Agar proses beralih dari state i ke state j dalam waktu t+ s maka proses tersebut
harus berada pada suatu state pada waktu t. Sehingga :
Pi j ( t+ s )=P ( X ( t + s ) = j∨ X ( 0 )=i )
∞
¿ ∑ P ( X ( t +s )= j , X ( t )=k∨X ( 0 )=i )
k →0
∞
¿ ∑ P ( X ( t +s )= j∨X ( t )=k , X ( 0 )=i ) P ( X ( t )= j,∨X ( 0 )=i )
k →0
∞
¿ ∑ P ( X ( � ፰+ s )= j∨ X ( t )=k ) P ( X ( t )=k∨X ( 0 )=i )
k →0
∞
¿ ∑ Pi j ( s ) Pi j ( t ) .
k →0
System persamaan (4.2) dikenal dengan Persamaan Chapman-Kolmogorov. Dari lemma 4.4
kita kita peroleh :
∞
Pi j ( h+t )−Pi j ( t )= ∑ P i k ( h ) Pk j ( t )−Pi j ( t )
k →0
¿ ∑ Pi k ( h ) P k j ( t )−( 1−Pi j ( h ) ) Pi j ( t ) .
k ≠i
li m
h →0
Pi j ( h+ t )−P i j ( t )
h
=li m
h →0 ( ∑
k ≠i
Pi k ( h )
h (
Pk j ( t ) −
1−Pi j ( h )
h ) )
Pi j ( t ) .
Dengan menukarkan urutan limit dan penjumlahan (dapat dibuktikan bahwa langkah ini
adalah valid), serta dengan penerapan lemma 4.3, maka kita peroleh teorema berikut :
P' i j ( t ) =∑ q i j , Pk j ( t )−v i Pk j (t )
k ≠i
P' i j ( t ) =∑ q i j , Pk j ( t )−v i Pk j (t )
k ≠i
Contoh 1
Kita perhatikan proseskelahiran murni dengan laju kelahiran saat system berada pada state i
adalah ⋋i . Karena yang terjadi hanya kelahiran, maka Pi ,i+ 1=1 ,q i ,i+ 1=v i P i ,i+1 =v i , dan
v i=⋋i .
t
⋋i μi
¿ ( ⋋ i+ μ i ) Pi+1 , j ( t ) + ( ⋋i + μi ) P i+1 , j ( t )−� ᵮ i+1 , j ( t ) Pi j ¿ )
( ⋋ i+ μ i ) ( ⋋i + μi )
¿ ⋋ i Pi+1 , j ( t ) + μi Pi+1 , j ( t ) −( ⋋i + μi ) Pi j ( t ) .
Kita dapat menurunkan sistem persamaan diferensial yang berbeda dengan yang di atas, yang
dikenal dengan persamaan maju kolmogorov.
∞
Pi j ( t+h )−Pi j ( t )=∑ Pi k ( t ) Pk j ( h ) −Pi j (t)
k=0
�<¿ j j (h)
1−¿
¿
¿ ∑ Pi k (t ) Pk j ( h )−¿
k≠ j
li m
h →0
Pi j ( t +h )−Pi j ( t )
h
=li m
h →0 (∑k≠ j
P �<�k ( t )
Pi k ( h ) 1−P j j (h)
h (−
h )
Pi j (t ) )
Dengan mengasumsikan penukaran urutan limit dan penjumlahan dapat dilakukan, serta
dengan penerapan lemma 4.3, maka kita peroleh
Perlu di catat bahwa asumsi di atas (urutan limit dan penjumlahan dapat ditukarkan ) tidak
selalu benar. Akan tetapi, pada kebanyakan model, termasuk semua proses kelahiran dan
kematian, serta semua model dengan state finite, asumsi di atas adalah benar. Selanjutnya,
semua keadaan sehingga asumsi di atas berlaku kita sebut bahwa asumsi kereguleran
terpenuhi. Akhirnya kita peroleh teorema berikut.
Jika asumsi kereguleran terpenuhi, maka untuk semua state i,j dan waktu t ≥ 0 , berlaku
BAB II
LIMIT PELUANG PADA RANTAI MARKOV KONTINU
Limit Peluang
Seperti hasil dasar pada rantai markov dengan waktu diskrit, peluang bahwa suatu rantai
markov dengan waktu kontinu berada pada suatu state j pada waktu t sering konvergen ke
suatu nilai limit, yang tidak bergantung pada state awal. Misalkan kita definisikan
P j =li m Pi j ( t ) ,
t →0
Kita asumsikan bahwa limit itu ada, serta tidak bergantung pada state awal i.
Untuk menurunkan sistem persamaan untuk P j , pertama kita memperhatikan sistem
persamaan maju :
Jika t→∞ dan kita asumsikan bahwa urutan limit dan penjumlahan dapat ditukarkan,
maka kita peroleh :
li m Pi j ( t ) , ¿ li m
t→0 (∑ q
t→0 k ≠ j
kj Pi k ( t )−v i Pi j (t ) =∑ q k j Pi k (t )−v i Pi j
) k≠ j
Akan tetapi karena Pi j ( t ) adalah fungsi terbatas (nilai fungsi peluang selalu antara 0 dan
1), maka diperoleh bahwa: jika P'i j ( t ) konvergen maka pasti konvergen ke 0. Sehingga
kita memiliki
0=∑ q k j Pi k ( t )−v i Pi j
k≠ j
Atau
v i Pi j=∑ qk j Pi k (4.3)
k≠ j
Untuk semua state j. Akhirnya kita bisa menggunakan persamaan (4.3) Dan
∑ P j=1 (4.4)
∀j
i. Kita telah mengasumsikan bahwa limit Pj ada. Syarat cukup agar asumsi
ini benar adalah:
a. Semua state dari ramtai markov adalah berkomunikasi, yaitu jika mulai dari
state i maka ada peluang positif akan berubah ke state j, untuk semua i dan j.
b. Rantai markov yang bersangkutan adalah recurrent positif, yaitu jika mulai
dari sembarangan state, maka nilai harapan dari waktu untuk kembali ke state
tersebut adalah finit.
Jika asumsi (a) dan (b) terpenuhi, maka limit peluang ada dan memenuhi
persamaan (4.3) dan (4.4). selain itu, Pj mempunyai interpretasi sebagai
proporsi ke state waktu dalam jangka panjang bahwa proses berada di state j.
Jika prosese berada di state j, ia akan meninggalkan state j dengan laju v j . Karena
Pj adalah proporsi waktu proses berada di state j, maka kita peroleh
Denga logika serupa, jika proses berada di state k, ia akan memasuki state j dengan
laju q k j . Karena Pk menyatakan proporsi waktu bahwa system berada di state
k, laju dari system bertransisi dari k ke j adalah
∑ q k j Pk =l a ju p r o s es me masuki s t ate j
k≠ j
Oleh karena itu, persamaan (4.3) menyatakan kesamaan laju system masuk state j dan keluar
dari state j.
iii. Jika limit peluang Pj ada, kita sebut rantai markov yang bersangkutan,
adalah ergodik (ergodic). Nilai pj kadang kala disebut peluang stasioner, Karen adapat
ditunjukkan bahwa (seperti pada kasus rantai markov dengan waktu diskrit) jika state
mula-mula dipilih bersadarkan sebaran dari { P j } maka peluang bahwa system
berada pada state j pada waktu t adalah P j , untuk semua t.
Sekarang kita tentukan limit peluang untuk proses kelahiran dan kematian. Dari
persamaa (4.3), dengan menyamakan laju proses keluar dan masuk ke state 0.1,2,…
kita peroleh
⋋ 0 P0 =μ 1 P1
( ⋋ 1+ μ 1) P1=⋋0 P0 + μ2 P2
( ⋋ 2+ μ 2 ) P2=⋋1 P1+ μ 3 P3
⋮
( ⋋ n+ μ n ) P n=⋋ n−1 Pn−1 + Pn−1
⋋ 0 P0 =μ 1 P1
⋋ 1 P1=μ2 P2
μ2 P2 =μ 3 P3
⋮
⋋0
P 1= P
μ1 0
⋋ ⋋ ⋋
P 2= 1 P 1= 1 0 P 0
μ2 μ 2 μ1
⋋2 ⋋2 ⋋1 ⋋ 0
P 3= P 2= P
μ3 μ3 μ 2 μ1 0
⋮
⋋ n−1 ⋋n−1 ⋋n−2 … ⋋1 ⋋ 0
P n= P n−1= P .
μn μn μn−1 … μ 2 μ1 0
∞
Dengan menggunakan fakta bahwa ∑ Pn =1, kita peroleh :
n=0
∞
⋋n −1 ⋋ n−2 … ⋋ 1 ⋋0
1=P0 + P0 ∑
n=0 μ n μn−1 … μ 2 μ1
Atau
1
P 0= ∞
⋋ ⋋ … ⋋ n−1
1+ ∑ 0 1
n=0 μ 1 μ2 … μ n
⋋ 0 ⋋1 … ⋋n−1
P n= ∞
,n ≥ 1
⋋ ⋋ … ⋋n−1 (4.7)
(
⋋ 1 ⋋ 2 … ⋋n 1+ ∑ 0 1
n=0 μ1 μ 2 … μn
)
Persamaan (4.7) juga memperlihatkan syarat perlu agar limit peluang ada, yaitu
∞
⋋ ⋋ …⋋
∑ μ 0 �<1 � …n−1
μ
<∞
n=0 1 2 n
Dapat ditunjukkan pula bahwa ini merupakan syarat cukup agar limit peluang ada.
Contoh 1
Kita perhatikan antrian M /M /1 dengan λn =λ dan μn=μ . Dari persamaaan
4.7 kita peroleh :
n
λ
( ) = λ 1− λ ; n≥ 0
μ n
P n= ∞ ( μ) ( μ)
n
(1+∑ ( μ ) )
n=1
λ
Asalkan λ /μ<1 . Secara intuitif juga bisa dimengerti bahwa λ haruslah lebih
kecil dari μ agar limit peluang ada. Jika λ> μ maka laju kedatangan nasabah
adalah lebbih besar dari laju pelayanan sehingga ukuran antrian akan menuju tak-
hingga. Untuk kasus λ=μ , sistem akan berperilaku seperti jalan acak simetris,
sehingga limit peluang juga tidak ada.
Referensi :
Mangku, Wayan I. Pengantar Proses Stokastik. IPB Bogor.