disusun oleh
Khreshna I.A. Syuhada, MSc. PhD.
B. Silabus:
• Rantai Markov
C. Buku teks:
D. Penilaian:
• Ujian 1,2,3:
30 September 2014 (30%)
28 Oktober 2014 (30%)
2 Desember 2014 (30%)
• Kuis (10%)
3 Rantai Markov 1
3.1 Ilustrasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
3.2 De nisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.3 Peluang n-langkah . . . . . . . . . . . . . . . . . . . . . . . 5
3.4 Jenis Keadaan . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.5 Limit Peluang Transisi . . . . . . . . . . . . . . . . . . . . 11
ii
BAB 1
Peluang dan Peubah Acak
Tujuan:
2. Menghitung fungsi peluang (f.p) dan fungsi distribusi (f.d); f.p ke f.d; f.d ke
f.p
1.1 Pendahuluan
1
(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 pe-megang
polis berubah dari tahun ke tahun dengan memperhatikan banyak klaim yang telah
dilakukan. Pemegang polis biasanya akan menurunkan sta-tus keadaan jika dia
tidak memiliki klaim pada tahun sebelumnya dan akan menaikkan status keadaan
jika memiliki setidaknya satu klaim. Untuk sistem Bonus Malus, misalkan si(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 parame-ter , maka keadaan pemegang polis akan
membentuk Rantai Markov dengan peluang transisi Pij . Berikut adalah contoh
Sistem Bonus Malus dengan 4 keadaan:
Keadaan apabila...
Keadaan 0 klaim 1 klaim 2 klaim 3 klaim
1 1 2 3 4
2 1 3 4 4
3 2 4 4 4
4 3 4 4 4
(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 A. Begitu juga dengan B, akan
meninggal setelah suatu waktu yang berdistribusi eksponensial dengan parameter
B. Ginjal akan tersedia menurut proses Poisson dengan parameter . 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?
Yt = Yt−1 + "t
dimana "t diasumsikan saling bebas dan berdistribusi identik. Model AR(1) dapat
digunakan untuk memodelkan jumlah produksi, harga aset dsb. Per-hatikan bahwa
memprediksi Yn+1 merupakan salah satu bagian penting dari pemodelan
stokastik/deret waktu. Prediksi terbaik untuk Yn+1 adalah
E(Yn+1|Yn; b)
Y t = t + "t
dimana
2
t = 0 + 1 Yt −1;
atau
ln t = + ln t−1 + t;
Model ARCH dan/atau SV sangat tepat untuk memodelkan imbal hasil (re-turn)
saham.
Yt = ◦ Yt−1 + "t;
dimana
◦ Yt−1 = W1 + · · · + WYt 1 ;
Ilustrasi
• 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 atau ukuran peluang P pada lap- 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 A1; A2; : : :,
∞
( ∪ ) ∑∞
P Ai =P (Ai)
i=1 i=1
Teorema
1. P (Ac) = 1 − P (A)
3. P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
Ilustrasi
P (X = n) = (1=2)n+1
Peubah Acak
Catatan:
Sebuah peubah acak diskrit tidak selalu berasal ruang sampel diskrit.
FX disebut fungsi distribusi (diskrit) dari X jika terdapat barisan terhitung {ai; i =
1; 2; : : : } dari bilangan real dan barisan {pi; i = 1; 2; : : : } dari bilangan positif
yang bersesuaian sedemikian hingga
∑
pi = 1
i
dan
∑
FX (x) = pi
ai≤x
dengan x = ai
F (x) = P (X ≤ x)
Sifat-sifat:
• P (X ≤ b) ≠ P (X < b)
•
1
P (X < b) = P nlim X b− n
( →∞ { ≤ 1 })
= lim P X b
)
n→∞ ( ≤1 − n
= lim F b
)
n→∞ ( −n
Peubah Acak Kontinu
Misalkan X peubah acak dan fungsi distribusinya FX dapat diturunkan. Fungsi
peluang fX adalah turunan dari fungsi distribusi,
d
f (x) = F (x)
X dx X
Definisi: Jika X adalah peubah acak sedemikian hingga fungsi peluangnya ada
(turunan dari fungsi distribusi) maka X dikatakan sebagai peubah acak
∫
P (X = a) = aa fX (t) dt = 0
Latihan:
1. Tentukan fungsi peluang dari fungsi distribusi berikut:
2.
0; x < −3:1
≤
F (x) = 3=5; −3:1 ≤ x < 0
7=10; 0 x<1
2.
1;
Tentukan fungsi peluang dari fungsi distribusi berikut:
1≤x
3.
3 ≤
0; 5
x<0
1
+
x
; 0
≤ x<1
9
3 5
F (x) = ; 1 x<2 ≥
1;
10 ; 2
x
≤ x<3
3
p; x = −1:9
0:1; x = −0:1
0:3; x = 20p
f(x) =
p; x=3
4p; x=4
0; yang lain
Hitung P
(
1: 9 X 3) ;F (2)
;FF (
(3 : 1))
− ≤| |≤
1.4 Distribusi Diskrit
(Ilustrasi B-1) Pasien di IGD adalah orang-orang yang dianggap dekat den-gan
kematian. Kesembuhan dari penyakit yang dideritanya bagi mereka adalah seperti
mimpi. Untuk bisa bertahan hidup dari hari ke hari sudahlah meru-pakan
mukjizat. Asumsikan bahwa setiap orang memiliki peluang untuk dapat
MA4181 Pros.Stok. 7 K. Syuhada, PhD.
bertahan hidup sampai hari esok sebesar i, dengan i menyatakan orang ke-i; i = 1;
2; : : :. Jika jumlah pasien IGD pada suatu hari adalah 5 orang, berapa peluang
besok hanya akan ada 2 orang saja yang masih hidup?
(Ilustrasi B-2) Misalkan sebuah mesin dari pesawat akan rusak (saat ter-bang)
dengan peluang 1-p, saling bebas antara mesin satu dan yang lain. Mis-alkan
sebuah pesawat akan melakukan penerbangang sukses jika setidaknya 50% mesin
bekerja dengan baik (tidak rusak). Untuk p berapa, sebuah pe-sawat dengan 4
mesin akan lebih disukai (terbang lebih baik) dibandingkan dengan pesawat
dengan 2 mesin?
P (X ≥ 2) = P (X = 2) + P (X = 3) + P (X = 4)
P (X ≥ 1) = 1 − P (X = 0) = 1 − (1 − p)2 · · · ∗ ∗
Syarat: * lebih besar dari **. Diperoleh p > 2=3.
Distribusi Binomial
Misalkan S = {sukses; gagal} adalah ruang sampel yang menotasikan 'sukses' atau
'gagal' dari suatu percobaan.
De nisikan X(sukses) = 1 dan X(gagal) = 0 dan
pX (1) = P (X = 1) = p
pX (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
(Ilustrasi P-1) Banyaknya kecelakaan yang terjadi di tol setiap hari berdis-tribusi
Poisson dengan parameter = 3. Berapa peluang tidak ada kecelakaan pada hari ini?
Misalkan X menyatakan banyak kecelakaan.
P (X = 0) = exp(−3)
Distribusi Poisson
Misalkan X peubah acak dengan fungsi peluang
i
pX (i) = e−
i!
untuk i = 0; 1; 2; : : : dan > 0. X disebut peubah acak Poisson dengan parameter .
(Ilustrasi G-1) Ini kisah masa lalu Nurul yang sempat diceritakan sesaat se-belum
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...
• Berapa peluang bahwa orang yang dinikahi Nurul tidak memiliki hubun-gan
darah?
• Jika Nurul tidak ingin menikah dengan saudara sedarah, berapa peluang
bahwa Nurul akhirnya menikahi orang yang bukan saudara sedarah?
(Ilustrasi G-2) Tiga remaja makan disuatu restoran. Untuk menentukan siapa yang
akan membayar, mereka sepakat untuk mengundi dengan melan-tunkan koin.
Seseorang dengan hasil lantunan yang berbeda dengan yang lain wajib membayar
makanan yang telah dipesan. Jika X menyatakan banyaknya lantunan koin yang
harus dilakukan, tentukan (i) P (X = 3) (ii) P (X > 4)
Peluang 'sukses' (ada yang lantunannya berbeda alias ada yang bayar) adalah 3/4.
Dengan demikian X ∼ Geo(3=4).
P (X = 3) = (1=4)2(3=4) = 3=64
P (X > 4) = 1 − P (X ≤ 4) = 1=256
Distribusi Geometrik
Misalkan percobaan-percobaan dilakukan hingga diperoleh sukses yang per-tama.
Percobaan-percobaan tersebut saling bebas dan memiliki peluang suk-ses p.
Misalkan X menyatakan banyaknya percobaan yang dilakukan untuk
p(n) = P (X = n) = (1 − p)n−1 p;
untuk n = 1; 2; : : : dan p > 0.
Tujuan:
1. Menentukan fungsi peluang bersama dan fungsi peluang marginal
2. Menghitung peluang bersyarat dan menghitung ekspektasi bersyarat
3. Memahami dan menghitung ekspektasi melalui ekspektasi bersyarat
4. Memahami konsep kovariansi dan korelasi
Misalkan X dan Y ada peubah acak-peubah acak diskrit yang terde nisi di ruang
sampel yang sama. Fungsi peluang bersama dari X dan Y adalah
pX;Y (x; y) = P (X = x; Y = y)
1
Catatan:
1. Kondisi bahwa X dan Y terde nisi pada ruang sampel yang sama berarti dua
peubah acak tsb memberikan informasi secara bersamaan terhadap kelu-aran
(outcome) dari percobaan yang sama
2. {X = x; Y = y} adalah irisan kejadian {X = x} dan {Y = y}; kejadian dimana X
bernilai x dan Y bernilai y
Misalkan X dan Y peubah acak-peubah acak diskrit yang dide nisikan pada ruang
sampel yang sama. Maka,
∑ ∑
pX (x) = pX;Y (x; y); x ∈ R dan pY (y) = pX;Y (x; y); y ∈ R
y x
adalah fungsi peluang marginal dari X dan fungsi peluang marginal dari Y .
Latihan:
1. 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
dimana 0 < p < 1. Tentukan dan identi kasikan fungsi peluang marginal dari
X dan Y .
Misalkan X dan Y adalah peubah acak-peubah acak yang terde nisi di ruang
sampel yang sama. Fungsi distribusi bersama dari X dan Y , FX;Y adalah
Misalkan X dan Y peubah acak-peubah acak terde nisi di ruang sampel yang sama.
Untuk semua bilangan riil a; b; c; d dimana a < b dan c < d,
P (a < X ≤ b; c < Y ≤ d) = FX;Y (b; d) −FX;Y (b; c) −FX;Y (a; d) + FX;Y (a; c)
atau
∫b ∫d
P (a ≤ X ≤ b; c ≤ Y ≤ d) = a c fX;Y (x; y) dxdy
dengan
@2 @2
fX;Y (x; y) = @x @y FX;Y (x; y) = @y @x FX;Y (x; y):
Suatu fungsi peluang bersama fX;Y (x; y) dari peubah acak X dan Y memenuhi 2
sifat berikut
1. f (x; y) ≥ 0 untuk semua (x; y) ∈ R
2
X;Y
∫ ∞∫∞
2. f (x; y) dxdy = 1
−∞ −∞ X;Y
Latihan:
2
fX;Y (x; y) = x2(x − 1) y−(2x−1)=(x−1); x > 1; y > 1
a. Tentukan fX (x)
b. Jika besar klaim awal yang diberikan adalah 2, tentukan peluang bahwa
klaim yang diterima berikutnya adalah antara 1 dan 3.
Jika pX (x) = 0, kita de niskan pY |X (y|x) = 0 namun tidak dikatakan sebagai fungsi
peluang bersyarat.
Catatan: Fungsi peluang bersyarat adalah fungsi peluang!
Misalkan X dan Y adalah peubah acak-peubah acak diskrit. Kedua peubah acak ini
dikatakan saling bebas (independen) jika dan hanya jika
Latihan:
2.2 Ekspektasi
dan
∫
∞
E(X) = x fX (x) dx
−∞
Sifat-sifat ekspektasi:
∫
1. E(g(X)) = −∞∞ g(x) fX (x) dx
2. E(a X + b Y ) = a E(X) + b E(Y )
3. E(XY ) = E(X) E(Y ), jika X dan Y saling bebas.
∫
4. E(X) = 0∞ P (X > x) dx, untuk X > 0 (*)
∫
6. E((X − X )r) = −∞∞ (x − X )r fX (x) dx (momen pusat ke-r)
7. E((X − X )2) = V ar(X) = E(X2) − (E(X))2
Deviasi standar dari X adalah akar kuadrat Variansi dari X.
∫
8. E(etX ) = −∞∞ etx fX (x) dx = MX (t) (fungsi pembangkit momen)
Latihan:
y 0 1 2 3 4 5 6
p(y) 0.1 0.2 0.3 0.2 0.1 0.05 0.05
Tentukan E(Xk); k = 2; 3
4. Misalkan X peubah acak berdistribusi Poisson dengan parameter . Tun-
jukkan bahwa:
( ) ( )
E Xn = E (X + 1)n−1
0; x < −2
≤
0:2; −2 ≤ x < 0
≤ ≤
0:5; 0 x < 2:2
F (x) = 0:6; 2:2: x < 3
0:6 + q; 3 x<4
≥
0:6 + 2q; 4 ≤ x < 5:5
1; x 5:5
dan diketahui P (X > 3:3) = 0:25.
a. Tentukan fungsi pembangkit momen dari X atau MX (t)
b. Gunakan MX (t) untuk menentukan E(X).
Ilustrasi 2. Seorang narapidana terjebak dalam suatu sel penjara yang memiliki
tiga pintu. Pintu pertama akan membawanya ke sebuah terowon-gan dan kembali
ke sel dalam waktu dua hari. Pintu kedua dan ketiga akan membawanya ke
terowongan yang kembali ke sel dalam tempo masing-masing empat dan satu hari.
Asumsikan bahwa sang napi selalu memilih pintu 1, 2, dan 3 dengan peluang 0.5,
0.3 dan 0.2, berapa lama waktu rata-rata (expected number of days) yang
dibutuhkan untuk dia agar selamat?
Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi peluang
bersama fX;Y (x; y). Jika fX (x) > 0 maka ekspektasi bersyarat dari Y diberikan X =
x adalah ekspektasi dari Y relatif terhadap distribusi bersyarat
Y diberikan X = x,
∞ fX;Y (x; y) ∞
∫ y ∫
E(Y |X = x) = −∞ fX (x) dy = −∞ y fY |X (y|x) dy
atau
Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi peluang
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,
( ( ) X = x)
V ar(Y |X = x) = E Y − E(Y |X = x) 2
Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi peluang
bersama fX;Y (x; y). Misalkan variansi dari Y hingga. Maka
Latihan:
1. 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. Tentukan fY (y)
b. Hitung P (X > 1|Y = 12 )
c. Hitung E(X|Y = 12 )
2. K 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 Seragam 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?
Akibatnya,
Sifat-sifat kovariansi
• Cov(X; Y ) = Cov(Y; X)
• Cov(X; X) = V ar(X)
• Cov(a X; Y ) = a Cov(X; Y )
∑n ∑m ∑ n
∑ m
( X; )
• Cov i=1 i j=1 Yj = i=1 j=1 Cov(Xi; Yj )
Perhatikan bahwa:
∑i ∑ ∑
n n n
( ) ( X; X)
V ar =1 Xi = Cov i=1 i j=1 j
n n
∑∑
= Cov(Xi; Xj )
i=1
∑
j=1 ∑∑
n
= V ar(Xi) + Cov(Xi; Xj )
i=1
i̸=j
Korelasi antara peubah acak X dan Y , dinotasikan (X; Y ), dide nisikan se-bagai
Cov(X; Y
−1 ≤ (X; Y ) ≤ 1
Koe sien korelasi adalah ukuran dari derajat kelinieran antara X dan Y . Nilai (X; Y
) yang dekat dengan +1 atau −1 menunjukkan derajat kelinieran yang tinggi. Nilai
positif korelasi mengindikasikan nilai Y yang cenderung membe-sar apabila X
membesar. Jika (X; Y ) = 0 maka dikatakan X dan Y tidak berkorelasi.
Latihan:
1. Tunjukkan bahwa
P (I = 1) = P (I = 0) = 1=2:
Dide nisikan
Tunjukkan bahwa
Cov(X; Y ) = 0
Silabus: De nisi rantai Markov, sifat Markov, peluang transisi n-langkah, per-
samaan Chapman-Kolmogorov, jenis keadaan, recurrent dan transient, limit
peluang transisi (kestasioneran).
Tujuan:
3.1 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).
1
(Ilustrasi 2) Loyalitas konsumen terhadap suatu merek barang. Wilkie (1994)
mende nisikan \brand loyalty as a favorable attitude toward and con-sistent
purchase of a particular brand". Lyong (1998): \brand loyalty is a 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 3) 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?
(Ilustrasi 4) Sebagai calon atlet, setiap pagi Swari meninggalkan rumahnya untuk
berlari pagi. Swari akan pergi lewat pintu depan atau belakang den-gan peluang
sama. Ketika meninggalkan rumah, Swari memakai sepatu olah raga atau
bertelanjang kaki jika sepatu tidak tersedia di depan pintu yang dia lewati. Ketika
pulang, Swari akan masuk lewat pintu depan atau belakang dan meletakkan
sepatunya dengan peluang sama. Diketahui bahwa Swari memiliki 4 pasang
sepatu olah raga. Berapa peluang bahwa Swari akan sering berolah raga dengan
bertelanjang kaki?
3.2 De nisi
•
( )
P Xn+1 = j|Xn = i; Xn−1 = in−1; : : : ; X1 = i1; X0 = i0 = Pij (∗)
Pij ≥ 0; i; j ≥ 0; j=0
Pij = 1; i = 0; 1; : : :
P P P
00 01 02
· · ·
P10 P11 P12 · · ·
... · · ·
P= .. .. ..
Pi0 Pi0
... Pi0
. .
.
. . .
Perhatikan (*):
( )
P X = j|X = i; X =i ; : : : ; X =i ; X =i
n +1( n )
n −1 n−1 1 1 0 0
= 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
dapat dihitung dengan sifat peluang bersyarat berikut.
P Xn = i; Xn−1 = in−1; : : : ; X1 = i1; X0 = i0
(
(− − ) )
( =i
= P Xn 1 n 1; : : : ; X1 = i1; X0 = i0 )
× P X =i|X =i ; : : : ; X = i ; X =i
( n n−1 n−1 1 ) 1 0( 0 )
= P Xn−1 = in−1; : : : ; X1 = i1; X0 = i0 × P Xn = i | Xn−1 =i
n−1
= ···
= p · · ·P
i0 in 1;in
Latihan:
1. Jika, pada waktu t, Rez mengajukan klaim asuransi, maka Rez akan
mengajukan klaim pada waktu t + 1 dengan peluang ; jika Rez tidak
mengajukan klaim asuransi saat ini maka di masa depan Rez akan men-
gajukan klaim asuransi dengan peluang . 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...
P (X2 = 1; X3 = 1 | X1 = 0)
dan
P (X1 = 1; X2 = 1 | X0 = 0)
7. Sebagai calon atlet, setiap pagi Swari meninggalkan rumahnya untuk berlari
pagi. Swari akan pergi lewat pintu depan atau belakang dengan peluang
sama. Ketika meninggalkan rumah, Swari memakai sepatu olah raga atau
bertelanjang kaki. Ketika pulang, Swari akan masuk lewat pintu depan atau
belakang dan meletakkan sepatunya dengan peluang sama. Diketahui bahwa
Swari memiliki 4 pasang sepatu olah raga. Ben-tuklah suatu Rantai Markov
dari proses diatas.
Persamaan Chapman-Kolmogorov
Misalkan Pijn menyatakan peluang transisi n-langkah suatu proses di keadaan i
akan berada di keadaan j,
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
P= 0:5 0 0:5 0
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?
i = P (X0 = i); i ≥ 0;
∑∞
dimana i=0 i = 1. Peluang tak bersyarat dapat dihitung dengan men-syaratkan pada
keadaan awal,
∑ ∑i
∞ ∞
n
P (Xn = j) = P (Xn = j|X0 = i) P (X0 = i) =Pij i
i=0 =0
Latihan:
1. Pandang soal yang lalu dengan matriks peluang transisi:
0:7 0:3
(
P= 0:4 0:6 )
Jika diketahui 0 = P (X0 = 0) = 0:4 dan 1 = P (X0 = 1) = 0:6, maka peluang
(tak bersyarat) bahwa hari akan hujan 4 hari lagi adalah...
Keadaan:
`1' jumlah uang sebanyak 1 yang H punya di akhir bulan `2'
jumlah uang sebanyak 2 yang H punya di akhir bulan `3'
jumlah uang sebanyak 3 yang H punya di akhir bulan
P2 + P3 + P4 P1 0
P= P+P P2 P1
3 P
P4 4 3 P1 + P2
3=4 1=4 0
P= 1=2 1=4 1=4
1=4 1=4 1=2
Peluang uangnya akan 1 atau kurang setiap saat selama 4 bulan berikut
adalah P314 = 201=256.
Keadaan j dikatakan dapat diakses (accessible) dari keadaan i jika P n > 0 ij untuk
suatu n ≥ 0. Akibatnya, keadaan j dapat diakses dari keadaan i jika dan hanya jika
dimulai dari keadaan i proses akan masuk ke keadaan j. Jika keadaan j tidak dapat
diakses dari keadaan i maka peluang masuk ke keadaan j dari keadaan i adalah nol.
Dua keadaan i dan j yang saling akses satu sama lain dikatakan berkomunikasi
(communicate). Notasi: i ↔ j.
Dua keadaan yang berkomunikasi dikatakan berada dalam kelas (class) yang
sama. Setiap dua kelas dari keadaan-keadaan dapat `identik' (identical) atau
`saling asing' (disjoint). Rantai Markov dikatakan tidak dapat direduksi (irre-
ducible) jika hanya terdapat sebuah kelas dan semua keadaan berkomunikasi satu
sama lain.
Latihan:
1. Tentukan kelas keadaan dari rantai Markov dengan peluang transisi berikut:
(i)
0:7 0 0:3 0
P= 0:5 0 0:5 0
0 0:4 0 0:6
0 0:2 0 0:8
(ii)
0 1 0 0
P= 1=9 4=9 4=9 0
0 = = =
9 9
0 40 41 1 09
(iii)
1 0 0
P= 1=2 1=4 1=4
P = 00 5 0:33 0:67
MA4181 Pros.Stok. 8 K. Syuhada, PhD.
Apakah rantai Markov dengan peluang transisi diatas tidak dapat dire-duksi
(irreducible)?
3. Apakah yang dapat anda katakan tentang rantai Markov dengan matriks
peluang transisi berikut:
0:5 0:5 0 0
0:5 0:5 0 0
P= 0:25 :25 0:25 0:25
0 00 0 1
Sifat Keadaan Recurrent dan Transient
Untuk setiap keadaan i, misalkan fi peluang bahwa dimulai dari keadaan i proses
akan pernah kembali ke keadaan i. Keadaan i dikatakan recurrent jika fi = 1.
Dikatakan transient jika fi < 1.
\Keadaan i recurrent jika dan hanya jika, dimulai dari keadaan i, maka banyak
periode/kali yang diharapkan (expected number of time periods) bahwa proses
akan berada di keadaan i adalah tak hingga"
1; Yn = i;
{
In = 0; Yn ̸= i:
Misalkan ∞
n=0
In menyatkan banyak periode/kali bahwa proses berada dalam
∑
keadaan i ,dan
∑ ∑
( ∞ ∞
E In |Y0 = i ) = E(In|Y0 = i)
n=0 n=0
∞
∑
=P (Yn = i|Y0 = i)
n=0
∞
∑
= Piin
n=0
Proposisi
Keadaan i adalah
∑ ∑
∞ ∞
Catatan:
• Pada rantai Markov dengan keadaan hingga, tidak semua keadaan bersi-fat
transient (Mengapa?)
• Semua keadaan pada rantai Markov (hingga) yang tidak dapat direduksi
adalah recurrent (PENTING!)
Latihan:
0 0 0:5 0:5
0 1 0 0
P=
1 0 0 0
0 1 0 0
0:5 0:5 0 0 0
0:5 0:5 0 0 0
P= 0 0
0 0:5 0:5
0 0:5 0:5
00
?
0:5 0:5 0 0
0:5 0:5 0 0
P= 0:25 :25 0:25 0:25
0 00 0 1
Tentukan keadaan mana yang recurrent dan keadaan mana yang tran-sient!
1 0 0 0 0 0
0 0:96 0:04 0 0 0
0 0 0:94 0:06 0 0
P= 0 0 0 0:94 0:06 0
0 0 0 0 0:96 0:04
0 0 0 0 0 1
Tentukan sifat keadaan dari rantai Markov diatas.
Misalkan matriks peluang transisi pada rantai Markov dengan dua keadaan adalah
( )
0:5 0:5 ;
P=
0:7 0:3
dan matriks peluang transisi 4 dan 8 langkahnya:
Teorema
Untuk rantai Markov yang ergodik dan tidak dapat direduksi,
lim Pijn
n→∞
j = lim Pijn; j ≥ 0;
n→∞
• Perhatikan bahwa ∑i
∑
∞ ∞
P (Xn+1 = j) = P (Xn+1 = j|Xn = i) P (Xn = i) =Pij P (Xn = i)
=0 i=0
• Jika rantai Markov tidak dapat direduksi, maka terdapat solusi untuk
∑
i Pij ; j ≥ 0;
j=
i
dengan ∑
j j = 1, JIKA dan HANYA JIKA rantai Markov bersifat
positive recurrent. Jika solusinya ada maka solusi tersebut tunggal dan j
adalah proporsi jangka panjang bahwa rantai Markov berada dalam keadaan
j. Jika rantai Markov aperiodik maka j adalah limit peluang bahwa rantai
akan berada di keadaan j.
Latihan:
1. Jika hari ini hujan maka besok akan hujan dengan peluang ; jika hari ini
tidak hujan maka besok akan hujan dengan peluang . Jika ′0′ adalah keadaan
hujan dan ′1′ adalah keadaan tidak hujan maka peluang hujan dan tidak
hujan untuk jangka adalah...
= 0 0+ 1
1 = (1 − ) 0 + (1 − ) 1
0+ 1=1
Kita peroleh peluang hujan dan tidak hujan pada jangka panjang:
0 = 1+ −
MA4181 Pros.Stok. 13 K. Syuhada, PhD.
dan
1−
1 =
1+ −
Catatan: