Proses Stokastik

Probabilitas dan Statistika Sarjana

12/12/2018 1
 Definisi
Proses Stokastik adalah suatu peubah acak yang
bergantung pada waktu, X(t, ω), di mana
• t  T adalah waktu, dengan T = {0, 1, 2, 3, …}
atau {-2, -1, 0, 1, …} untuk t diskret dan T =
{0,} atau {- },} untuk t kontinu.
• ω  Ω adalah hasil dari percobaan statistika,
dengan Ω adalah ruang sampel.
• Nilai X(t, ω) disebut states.

12/12/2018 2
 Contoh Kejadian Stokastik
Kejadian stokastik: kebolehjadian yang hanya dapat ditentukan distribusi frekuensinya.
Kejadian stokastik ini tidak dapat ditentukan fungsinya dengan pasti, namun hanya
berupa kisaran fungsi yang nilainya belum dapat ditetapkan.
Contoh:
1. Jumlah daun yang berguguran setiap harinya. Helai-helai daun berguguran dari
hari ke hari, namun belum dapat dipastikan berapa jumlahnya dan fungsi seperti
apa yang dapat menggambarkan proses bergugurnya daun-daun tersebut.
2. Jumlah penumpang bus. Sebagai contoh jumlah penumpang ketika pagi hari,
mendekati jam kerja sangat banyak. Jumlah ini akan berangsur-angsur menurun
ketika jam kerja sudah dimulai dan menjelang jam istirahat. Jumlah penumpang
akan kembali naik ketika jam pulang kerja. Hal ini berlangsung hampir setiap hari,
namun tidak dapat dipastikan fungsi apa yang mendekatinya.
3. Jumlah pengunjung Istana Maimun. Jumlah pengunjung Istana Maimun akan
meningkat tajam pada saat liburan sekolah maupun weekend. Namun setiap
harinya juga terdapat pengunjung yang jumlahnya tidak menentu. Dari jumlah
pengunjung ini tidak dapat ditentukan fungsi yang pasti, namun dapat didekati
dengan suatu fungsi interval yang bentuknya akan meningkat pada saat weekend
ataupun liburan.

12/12/2018 3
Klasifikasi dan contoh proses stokastik
1. Proses stokastik dengan ruang paramater diskrit,
ruang keadaan diskrit.
3
2

1 2 3 4 5 6 7 …

Contoh:
o Banyaknya HP terjual di suatu toko perhari.
o Banyaknya bakteri pada generasi ke-n

4
2. Proses stokastik dengan ruang paramater diskrit,
ruang keadaan kontinu.

Contoh:
oVolume curah hujan tiap hari dalam satu bulan.

5
3. Proses stokastik dengan ruang paramater kontinu,
ruang keadaan diskrit.

1 2 3 4 5

Contoh:
o Banyaknya call yang datang pada suatu sentral dalam
interval [0,t]
oBanyaknya pengunjung toko “P” dalam interval [0,t].
oBanyaknya kendaraan yang masuk gerbang tol Medan
pada interval waktu t sebarang. 6
4. Proses stokastik dengan ruang paramater kontinu,
ruang keadaan kontinu.

Contoh:
oTemperatur udara di Laguboti dalam interval (0,t).
oVolume susu formula yang diminum bayi A pada selang
waktu t sebarang.

7
 Rantai Markov
• Proses stokastik 𝑋(𝑡) disebut Markov jika untuk semua
𝑡1 < ⋯ < 𝑡𝑛 < 𝑡 dan semua set 𝐴; 𝐴1 , … , 𝐴𝑛 berlaku
𝑃*𝑋(𝑡) ∈ 𝐴|𝑋(𝑡1 ) ∈ 𝐴1 , … , 𝑋(𝑡𝑛 ) ∈ 𝐴𝑛 + = 𝑃*𝑋(𝑡) ∈ 𝐴|𝑋(𝑡𝑛 ) ∈ 𝐴𝑛 +
atau
𝑃 masa datang masa lalu, sekarang = 𝑃 masa datang sekarang
• Definisi tersebut memiliki arti bahwa fenomena masa datang
hanya dipengaruhi oleh fenomena masa sekarang dan tidak
dipengaruhi oleh masa lalu.
• Rantai Markov dengan waktu diskret (Diskret Time Markov
Chain) adalah suatu proses markov dengan waktu diskret dan
𝑋(𝑡) memiliki nilai diskret.

12/12/2018 8
 Contoh kasus dan masalah Notasi
Proses Markov Bukan Proses markov
Misalkan 𝑋(𝑡) adalah jumlah Misalkan 𝑌(𝑡) menjadi nilai
total koneksi internet didaftarkan dari beberapa saham atau
oleh beberapa penyedia layanan
internet pada saat t. Biasanya, indeks pasar pada waktu t. Jika
orang terhubung ke internet pada kita tahu 𝑌(𝑡), kita juga ingin
waktu yang acak, terlepas dari tahu 𝑌(𝑡 − 1) untuk
berapa banyak koneksi sudah
pernah terbuat. Oleh karena itu, memprediksi 𝑌(𝑡 + 1)?
jumlah koneksi dalam satu menit
hanya akan tergantung pada
jumlah saat ini. Misalnya, jika 999
koneksi telah terdaftar pada
pukul 10, maka jumlah mereka
akan melebihi 1000 selama menit
berikutnya terlepas dari kapan
dan bagaimana 999 ini koneksi
dibuat di masa lalu.

12/12/2018 9
 Secara matematis peluang perpindahan dari state i
ke j dalam waktu t dinyatakan sebagai:

𝑝𝑖𝑗 𝑡 = 𝑃(𝑋(𝑡 + 1) = 𝑗| 𝑋(𝑡) = 𝑖)

= 𝑃 𝑋 𝑡 + 1 = 𝑗 𝑋 𝑡 = 𝑖, 𝑋 𝑡 − 1 = ℎ, 𝑋(𝑡 − 2) = 𝑔, … )

Peluang perpindahan h-langkah (h-step probability

transition): ( h )
pij (t )  P( X (t  h)  j | X (t )  i )

Sebuah rantai Markov homogen jika semua

peluang transisi adalah independen dari t. Menjadi
homogen berarti bahwa transisi dari i ke j memiliki
peluang yang sama setiap saat.
pij(t )  pij dan pij( h ) (t )  pijh
12/12/2018 10
 Pendekatan Matriks
Matriks transisi:
P00 P01 P02 P03 
P10 P11 P12 P13 
P20 P21 P22 P23 
P
   
Pi 0 Pi1 Pi 2 Pi 3 
    .

P(2) = P.P = P2
P(h) = P.P…P = Ph

12/12/2018 11
 Contoh
Sebuah komputer digunakan oleh 2 user yang
mengirim task ke komputer tersebut secara
jarak jauh dan saling bebas. Pada setiap menit,
setiap user connect menjadi disconect
peluangnya 0,5 sedangkan peluang user
disconect kemuadian connect dengan task baru
adalah 0,2. Jika X(t) adalah banyaknya user yang
connect pada waktu t, tentukan matriks peluang
transisi langkah ke-2!
12/12/2018 12
 Steady state distribution
• Setelah markov chain mengalami transisi yang
banyak, state dapat stabil dengan definisi:

• Menghitung distribusi steady-state

12/12/2018 IFY 13
 Steady state distribution
• Soal cuaca (wheather)

12/12/2018 IFY 14
 Latihan
Berapakah peluang user yang connect pada soal
latihan mengalami stedy state, berapakah
peluang masing-masing pengguna komputer
tersebut dalam jangka panjang?

12/12/2018 IFY 15
 Regular Markov

12/12/2018 IFY 16
 Irregular Markov

Absorbing state Absorbing Zone (tidak bisa

keluar dari zona 3,4,5)
Tidak bisa keluar dari state 4
Seperti segitiga bermuda

12/12/2018 IFY 17
 Percobaan Bernoulli
Banyak Sukses Binomial
Sukses ke-1 Geometrik
Eksponensial
• Menggambarkan waktu
yang dibutuhkan untuk
menyelesaikan sesuatu
(waktu antar kejadian)
• Contoh: waktu tunggu,
waktu antar kedatangan
job, umur hardware, waktu
kegagalan, waktu antara
panggilan telepon.
• Memoryless: setelah
menunggu t waktu akan
"dilupakan“.
12/12/2018 IFY
Proses Poisson
Poisson
Eksponensial
Poisson
• Mendeskripsikan jumlah
kejadian per interval
waktu/wilayah (kejadian
antar waktu)
• Contoh: jumlah job yang
menunggu dalam selang
waktu, job yang dikerjakan
dalam selang waktu,
banyak kegagalan dalam
selang waktu, jumlah
panggilan telepon dalam
selang waktu
18
 Proses Counting
A stochastic process X is counting if X(t) is the number of items
counted by the time t.
Binomial
• Binomial process X(n) is the number of
successes in the first n independent
Bernoulli trials, where n = 0, 1, 2, . . ..
• The “time” variable n actually measures
the number of trials. It is not expressed
in minutes or seconds. However, it can
be related to real time
12/12/2018
Poisson
• Poisson process is a continuous-time
counting stochastic process obtained
from a Binomial counting process
when its frame size ∆ decreases to 0
while the arrival rate λ remains
constant.
IFY 19
 Contoh Binomial
(Mainframe computer). Jobs are sent to a mainframe computer at a
rate of 2 jobs per minute. Arrivals are modeled by a Binomial counting
process.
(a) Choose such a frame size that makes the probability of a new job
during each frame equal 0.1.
(b) Using the chosen frames, compute the probability of more than 3
jobs received during
one minute.
(c) Compute the probability of more than 30 jobs during 10 minutes.
(d) What is the average interarrival time, and what is the variance?
(e) Compute the probability that the next job does not arrive during
the next 30 seconds.

12/12/2018 IFY 20
 Contoh Poisson
1. (Web site hits). The number of hits to a certain web
site follows a Poisson process with the intensity
parameter λ = 7 hits per minute. On the average,
how much time is needed to get 10,000 hits? What
is the probability that
this will happen within 24 hours?
2. (Mainframe computer, revisited). Let us now model
the job arrivals with a Poisson process. Keeping the
same arrival rate λ = 2 min-1, this will remove a
perhaps unnecessary assumption that no more
than 1 job can arrive during any given frame.

12/12/2018 IFY 21
 Referensi
• Baron. 2015. Probability and Statistics for
computer science.
https://ww2.ii.uj.edu.pl/~z1099839/naukowe/
RP/rps-michael-byron.pdf
• Winston. 2012. Operation Research. Chapter
17

12/12/2018 IFY 22