MA4081
PENGANTAR PROSES STOKASTIK
“Orang Pintar Belajar Stokastik”
disusun oleh
Khreshna I.A. Syuhada, MSc. PhD.
B. Silabus:
C. Buku teks:
E. Penilaian:
• Kuis/PR/Kehadiran (10%)
2 Rantai Markov 1
2.1 Ilustrasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.2 Definisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.3 Peluang n-langkah . . . . . . . . . . . . . . . . . . . . . . . . . 6
iii
BAB 1
1.1 Peluang
Peluang adalah suatu konsep berpikir, bukan sekadar angka (walaupun wu-
judnya adalah angka diantara nol dan satu). Peluang berkaitan dengan meny-
atakan alasan atas suatu kejadian. Peluang, secara implisit, mengajak kita un-
tuk mempersiapkan diri menghadapi kejadian yang tidak terjadi (yang memi-
liki peluang kecil).
Contoh:
Setiap hari Laila pergi ke kampus dan berharap perkuliahan terjadi (untuk
setiap mata kuliah Laila sudah memiliki dugaan peluang terjadinya perkulia-
han tersebut). Jika suatu hari Laila tidak pergi ke kampus, akankah sebuah
perkuliahan benar-benar tidak terjadi?
Contoh:
Ini kisah masa lalu Tiani yang sempat diceritakan sesaat sebelum Tiani 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”. Adakah sosok seperti Tiani?
1
Catatan:
• 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.
n(A)
P (A) = lim
n→∞ n
n(A)
P (A) =
n(S)
Contoh:
Direktur perusahaan mengundang para karyawan yang memiliki setidaknya
satu anak laki-laki (L) ke acara syukuran khitanan. Seorang karyawan memi-
liki dua anak. Berapa peluang bahwa kedua anak karyawan adalah laki-laki,
diberikan bahwa karyawan tersebut diundang ke acara syukuran?
Solusi: Misalkan L kejadian memiliki anak laki-laki; LK kejadian memiliki
dua anak laki-laki; U kejadian diundang ke acara syukuran. Jadi,
P (LK ∩ U )
P (LK|U ) =
P (U )
P ({{LL} ∩ {LL, LLc , Lc L}})
=
P ({LL, LLc , Lc L})
P ({LL})
=
P ({LL, LLc , Lc L})
= (1/4)/(3/4) = 1/3
Contoh:
Sebagai seorang sekretaris, Dien tahu bahwa sebuah surat akan berada di salah
satu dari tiga buah kotak surat yang ada dengan peluang sama. Misalkan pi
adalah peluang bahwa Dien akan menemukan surat setelah mengecek kotak
surat i dengan cepat jika ternyata surat tersebut berada di kotak surat i,
Jika diketahui Dien mengecek kotak surat 1 dan tidak menemukan surat, maka
peluang bahwa surat itu ada di kotak surat 1 adalah
P (T |K1 )P (K1 )
P (K1 |T ) =
P (T |K1 )P (K1 ) + P (T |K2 )P (K2 ) + P (T |K3 )P (K3 )
(1 − p1 )(1/3)
=
(1 − p1 )(1/3) + 1/3 + 1/3
Contoh:
B dan G secara bersamaan menembak sasaran tertentu. Peluang tembakan
B mengenai sasaran adalah 0.7 sedangkan peluang tembakan G (bebas dari
tembakan B) mengenai sasaran adalah 0.4. Jika sebuah tembakan menge-
nai sasaran, berapa peluang bahwa itu tembakan G? Berapa peluang bahwa,
jika sasaran tertembak, kedua tembakan mengenai sasaran? Berapa peluang
bahwa, jika sasaran tertembak, tembakan G mengenai sasaran?
Solusi: Misalkan B kejadian B menembak sasaran. Misalkan G kejadian G
menembak sasaran. Misalkan T kejadian sebuah tembakan mengenai sasaran.
Misalkan S kejadian sasaran tertembak
P (G ∩ T )
P (G|T ) =
P (T )
P (G ∩ B c )
=
P (G ∩ B c ) + P (B ∩ Gc )
(0.4)(0.3)
=
(0.4)(0.3) + (0.7)(0.6)
P (G ∩ S)
P (G|S) =
P (S)
P (G ∩ S)
=
1 − P (Gc ∩ B c )
0.4
=
1 − (0.6)(0.3)
Peubah acak (p.a.) adalah alat untuk “memudahkan” kita dalam “menyeder-
hanakan” hitungan peluang; p.a. membuat kita bekerja dalam bilangan riil.
Catatan: Peubah acak berbeda dengan peubah!
P.a. berkaitan dengan distribusi atau, secara khusus, fungsi distribusi (kumu-
latif) (f.d.). Melalui f.d., p.a. akan makin memiliki makna dan aplikatif. Con-
toh, suatu p.a. menyatakan waktu tunggu seorang lulusan mendapat peker-
jaan. P.a. tersebut mengikuti distribusi eksponensial. Kita dapat memahami
perilaku p.a. (secara probabilistik) tersebut melalui f.d.
FX (x) = F (x) = P (X ≤ x)
dengan sifat-sifat:
(a) F fungsi tidak turun
(b) limx→∞ F (x) = 1
(c) limx→−∞ F (x) = 0
(d) F fungsi kontinu kanan
Catatan:
Jika X p.a. diskrit,
•
( { 1 })
P (X < b) = P X ≤b−
lim
n→∞ n
( 1)
= lim P X ≤ b −
n→∞ n
( 1)
= lim F b −
n→∞ n
Contoh:
Tentukan fungsi peluang dari f.d. berikut:
0, x<0
3 + 5, 0 ≤ x < 1
1 x
F (x) = 35 , 1≤x<2
9
, 2≤x<3
10
1, x≥3
Solusi:
Misalkan X p.a dengan f.d. FX (x). Kita dapat membentuk p.a. baru (menurut
konsep Transformasi Peluang) yaitu
dengan f.d.
FU (u) = P (U ≤ u)
= P (FX (X) ≤ u)
= P (X ≤ FX−1 (u))
= FX (FX−1 (u))
= u.
Contoh:
Jika X berdistribusi Uniform pada selang (-1,1), tentukan
(a) P (|X| > 1/2)
(b) fungsi peluang dari |X|.
Solusi:
Contoh:
Maskapai penerbangan mengetahui bahwa lima persen pemesan tiket tidak
akan datang untuk membeli tiketnya. Dengan alasan ini, maskapai tidak ragu
Contoh:
Misalkan X p.a. berdistribusi Poisson dengan mean λ. Parameter λ berdis-
tribusi eksponensial dengan mean 1. Tunjukkan bahwa
P (X = n) = (1/2)n+1
Solusi:
d
fX (x) = FX (x)
dx
atau, dengan kata lain,
∫ x
FX (x) = fX (t) dt
−∞
Jika X p.a. sedemikian hingga f.p.-nya ada (turunan dari f.d.) maka X
dikatakan sebagai peubah acak kontinu.
Catatan:
∫ ∞
1 = FX (∞) = fX (t) dt
−∞
∫ b
P (a ≤ X ≤ b) = FX (b) − FX (a) = fX (t) dt
∫ a a
P (X = a) = fX (t) dt = 0
a
F (x) = 1 − e−θx , x ≥ 0,
X = F −1 (U )
maka peubah acak X memiliki f.d. F . Contoh: Jika F (x) = 1 − e−x maka
F −1 (u) adalah nilai x sedemikian hingga
1 − e−x = u
atau
x = − log(1 − u)
F −1 (U ) = − log(1 − U )
Distribusi Bersama
Misalkan X dan Y p.a. dengan f.d. berturut-turut FX dan FY . Kita dapat
membangun f.d. dan f.p. bersama dari kedua peubah acak tersebut dari infor-
masi distribusi marginal dan sifat kebebasan. Distribusi bersama untuk dua
atau lebih p.a. sangat membantu dalam membangun model yang lebih rumit.
Hubungan antara f.d. marginal dan f.d. bersama adalah sebagai berikut: f.d.
marginal mungkin dapat membangun f.d. bersama; dengan f.d. bersama kita
dapat menentukan f.d. marginal.
Perhatikan bahwa (i) kondisi bahwa X dan Y terdefinisi pada ruang sampel
yang sama berarti dua p.a. tsb memberikan informasi secara bersamaan ter-
hadap keluaran (outcome) dari percobaan yang sama, (ii) {X = x, Y = y}
adalah irisan kejadian {X = x} dan {Y = y}; kejadian dimana X bernilai x
dan Y bernilai y.
dan
∑
pY (y) = pX,Y (x, y), y ∈ R
x
Contoh:
Diberikan data ttg jumlah kamar tidur dan kamar mandi dari 50 rumah yang
akan dijual sbb (X kamar tidur, Y kamar mandi):
X\Y 2 3 4 5 Total
2 3 0 0 0
3 14 12 2 0 28
4 2 11 5 1
Total 23 50
a. Hitung pX,Y (3, 2)
b. Tentukan f.p. bersama dari X dan Y
Solusi:
Contoh:
Misalkan kita punyai 2 komponen elektronik yang identik. Misalkan juga X
dan Y adalah waktu hidup (jam, diskrit). Asumsikan f.p. bersama dari X dan
Y adalah
Contoh:
Perhatikan soal diatas. Tentukan peluang bahwa kedua komponen elektronik
tsb bertahan lebih dari 4 jam. Tentukan peluang bahwa salah satu komponen
bertahan setidaknya 2 kali dari komponen yang lain.
Solusi:
Contoh:
Pandang 2 komponen elektronik A dan B dengan masa hidup X dan Y . Fungsi
Ekspektasi Bersyarat
Ilustrasi - Seorang narapidana terjebak dalam suatu sel penjara yang memiliki
tiga pintu. Pintu pertama akan membawanya ke sebuah terowongan dan kem-
bali ke sel dalam waktu dua hari. Pintu kedua dan ketiga akan membawanya
ke terowongan yang kembali ke sel dalam waktu masing-masing empat dan
satu hari. Asumsikan bahwa sang napi selalu memilih pintu 1, 2, dan 3 den-
gan peluang 0.5, 0.3 dan 0.2, berapa lama waktu rata-rata (expected number
of days) yang dibutuhkan untuk dia agar selamat?
Definisi:
Misalkan X dan Y adalah p.a. kontinu dengan f.p. bersama fX,Y (x, y). Jika
fX (x) > 0 maka ekspektasi bersyarat dari Y diberikan X = x adalah ekspek-
tasi dari Y relatif terhadap distribusi bersyarat Y diberikan X = x,
∫ ∞ ∫ ∞
fX,Y (x, y)
E(Y |X = x) = y dy = y fY |X (y|x) dy
−∞ fX (x) −∞
Proposisi
Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi
peluang bersama fX,Y (x, y). Misalkan ekspektasi dari Y hingga. Maka
∫ ∞
E(Y ) = E(Y |X = x) fX (x) dx
−∞
atau
Definisi:
Misalkan X dan Y adalah p.a. kontinu dengan f.p. bersama fX,Y (x, y). Jika
fX (x) > 0 maka variansi bersyarat dari Y diberikan X = x adalah variansi
dari Y relatif terhadap distribusi bersyarat Y diberikan X = x,
(( )2 )
V ar(Y |X = x) = E Y − E(Y |X = x) X = x
Contoh:
Misalkan X dan Y peubah acak kontinu dengan fungsi peluang bersama
f (x, y) = e−x(y+1) , 0 ≤ x, 0 ≤ y ≤ e − 1
( )
(a) Hitung P (X > 1|Y )= 12
(b) Hitung E X|Y = 12
Solusi:
Contoh:
Febri meninggalkan kantor setiap hari kerja antara pukul 6-7 malam. Jika
dia pergi t menit setelah pukul 6 maka waktu untuk mencapai rumah adalah
peubah acak berdistribusi Uniform pada selang (20, 20 + (2t)/3). Misalkan
Y adalah banyak menit setelah pukul 6 dan X banya menit untuk mencapai
rumah, berapa lama waktu mencapai rumah?
Solusi:
Contoh:
Zarudd saat ini berada di penjara Markas Brimob di Kelapa Dua, Depok. Dia
ingin melarikan diri (katanya sih ingin ke Bogota atau manalah) namun hal
ini tidak mudah. Fakta yang ada menunjukkan bahwa kalau Zarudd hendak
keluar dari penjara dia akan menghadapi tiga pintu. Pintu pertama akan
membawanya ke sebuah lorong dan kembali ke penjara dalam waktu dua jam.
Pintu kedua pun demikian, akan membawanya ke sebuah lorong dan kembali
ke penjara dalam waktu tiga jam. Sedangkan pintu ketigalah yang membawa
Zarudd langsung bebas. Jika Zarudd memilih pintu-pintu, yang belum di-
gunakannya, secara acak, berapa lama waktu rata-rata (expected number of
hours) yang dibutuhkan Zarudd untuk bebas?
Solusi:
Rantai Markov
2.1 Ilustrasi
(Ilustrasi 1) Perilaku bunuh diri kini kian menjadi-jadi. Hesti (nama sebe-
narnya) adalah sebuah contoh. Dia pernah melakukan percobaan bunuh diri,
namun gagal. Menurut pakar, kalau pada suatu waktu seseorang melakukan
percobaan bunuh diri maka besar kemungkinan dia akan melakukannya lagi di
masa mendatang. Jika seseorang belum pernah melakukan percobaan bunuh
diri, di masa mendatang orang tersebut akan mungkin melakukan percobaan
bunuh diri. Deskripsikan fenomena diatas sebagai model peluang (probability
model).
(Ilustrasi 2) “Pada 23 Juni lalu sekitar pukul 21.30 mobil yang dikemudikan
suami saya terperosok masuk lubang di jalan tol lingkar luar Jakarta, kira-kira
2 kilometer dari Pintu Tol Pondok Ranji arah Jakarta. Ban dan gading-gading
roda rusak. Esoknya saya mengajukan klaim asuransi Sinar Mas kepada SiMas
Bekasi. Pada 1 Juli saya mendapat jawaban bahwa klaim asuransi ditolak den-
gan alasan: bagian yang rusak hanya ban dan gading-gading roda. Tak menge-
nai badan mobil. Padahal, tercantum jelas di dalam pasal-pasal polis asuransi
maupun surat penolakan bahwa ban dan gading-gading roda tidak dijamin, ke-
cuali disebabkan oleh Pasal 1 angka 1.1. Isi pasal itu, pertanggungan ini men-
jamin kerusakan yang secara langsung disebabkan oleh tabrakan, benturan,
terbalik, tergelincir atau terperosok. Asuransi Sinar Mas berusaha menghin-
dar dari kewajiban dengan alasan mengada-ada, bahkan mengingkari aturan
yang dibuatnya sendiri” (Surat Pembaca KOMPAS; 03/08/2010). Andaikan
suatu hari saya mengajukan klaim lagi ke Asuransi Sinar Mas, berapa peluang
bahwa klaim saya akan diterima?
1
function of a brands’ relative frequency of purchase in both time-independent
and time-dependent situations”. Seorang konsumen pembeli merek barang A
diharapkan akan terus membeli barang A. Mungkinkah ini terjadi? Apakah
model statistika yang dapat dengan tepat (atau mendekati tepat) merinci pelu-
ang terjadinya hal ini? Apakah model ini membantu dalam strategi pemasaran
suatu barang?
(Ilustrasi 4) Akhir-akhir ini, hujan dan panas (baca: tidak hujan) datang
silih berganti tanpa bisa diduga. Kalau hari ini hujan, besok mungkin hu-
jan mungkin juga panas. Tentu saja peluang besok hujan akan lebih besar
dibanding peluang besok akan panas. Begitu pula jika hari ini panas. Besok
akan lebih mungkin panas dibandingkan hujan. Jika hari Senin hujan, berapa
peluang bahwa hari Selasa akan hujan? Berapa peluang bahwa hari Kamis
akan hujan?
• n = 0, 1, 2, . . .
•
( )
P Xn+1 = j|Xn = i, Xn−1 = in−1 , . . . , X1 = i1 , X0 = i0 = Pij (∗)
∑
∞
Pij ≥ 0, i, j ≥ 0; Pij = 1, i = 0, 1, . . .
j=0
P00 P01 P02 · · ·
P10 P11 P12 · · ·
.. .. ..
P= . . .
Pi0 Pi0 Pi0 · · ·
.. .. ..
. . .
P01 P12
P20
Perhatikan (*):
( )
P Xn+1 = j|Xn = i, Xn−1 = in−1 , . . . , X1 = i1 , X0 = i0
( )
= P Xn+1 = j|Xn = i
= Pij ,
yang disebut sebagai peluang transisi 1-langkah atau one-step transition prob-
ability.
Peluang bersama
( )
P Xn = i, Xn−1 = in−1 , . . . , X1 = i1 , X0 = i0
Contoh:
1. Jika, pada waktu t, Rez mengajukan klaim asuransi, maka Rez akan
mengajukan klaim pada waktu t + 1 dengan peluang α; jika Rez tidak
mengajukan klaim asuransi saat ini maka di masa depan Rez akan men-
gajukan klaim asuransi dengan peluang β. Matriks peluang transisinya
P (X0 = 0, X1 = 1, X2 = 2)
3. Keadaan hujan pada suatu hari bergantung pada keadaan hujan dalam
dua hari terakhir. Jika dalam dua hari terakhir hujan maka besok akan
hujan dengan peluang 0.7; Jika hari ini hujan dan kemarin tidak hujan
maka besok akan hujan dengan peluang 0.5; jika hari ini tidak hujan dan
kemarin hujan maka besok akan hujan dengan peluang 0.4; jika dalam
dua hari terakhir tidak hujan maka besok hujan dengan peluang 0.2.
Matriks peluang transisinya adalah...
4. Tiga item produk A dan tiga item produk B didistribusikan dalam dua
buah paket/kotak sedemikian hinga setiap paket terdiri atas tiga item
produk. Dikatakan bahwa sistem berada dalam keadaan i, i = 0, 1, 2, 3
jika dalam paket pertama terdapat i produk A. Setiap saat (langkah),
kita pindahkan satu item produk dari setiap paket dan meletakkan item
produk tersebut dari paket 1 ke paket 2 dan sebaliknya. Misalkan Xn
menggambarkan keadaan dari sistem setelah langkah ke-n. Matriks pelu-
ang transisinya adalah...
Hitung
P (X2 = 1, X3 = 1 | X1 = 0)
dan
P (X1 = 1, X2 = 1 | X0 = 0)
Persamaan Chapman-Kolmogorov
Misalkan Pijn menyatakan peluang transisi n-langkah suatu proses di keadaan
i akan berada di keadaan j,
1. Jika hari ini hujan maka besok akan hujan dengan peluang α = 0.7; jika
hari ini tidak hujan maka besok akan hujan dengan peluang β = 0.4.
Matriks peluang transisi 4 langkah adalah...
2. Keadaan hujan pada suatu hari bergantung pada keadaan hujan dalam
dua hari terakhir. Jika dalam dua hari terakhir hujan maka besok akan
hujan dengan peluang 0.7; Jika hari ini hujan dan kemarin tidak hujan
maka besok akan hujan dengan peluang 0.5; jika hari ini tidak hujan dan
kemarin hujan maka besok akan hujan dengan peluang 0.4; jika dalam
dua hari terakhir tidak hujan maka besok hujan dengan peluang 0.2.
Matriks peluang transisinya adalah sbb:
0.7 0 0.3 0
0.5 0 0.5 0
P= 0 0.4 0 0.6
0 0.2 0 0.8
Jika hari Senin dan Selasa hujan, berapa peluang bahwa hari Kamis akan
hujan?
αi = P (X0 = i), i ≥ 0,
∑∞
dimana i=0 αi = 1. Peluang tak bersyarat dapat dihitung dengan men-
syaratkan pada keadaan awal,
∑
∞ ∑
∞
P (Xn = j) = P (Xn = j|X0 = i) P (X0 = i) = Pijn αi
i=0 i=0
Contoh/Latihan: