Rantai Markov
1.1 ILUSTRASI
(Ilustrasi 1) 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 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 gadi-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; 3/08/2010). Andaikan su-
atu hari saya mengajukan klaim lagi ke Asuransi Sinar Mas, berapa peluang
bahwa klaim saya akan diterima?
1
lewati (Dalam praktiknya, Swari harus bertelanjang kaki jika ternyata sandal
crocs yang harus dipakai. Tak lain alasannya karena sang ayah tidak suka
apabila Swari memakai sandal crocs). 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?
•
( )
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
Contoh/Latihan:
1. Jika hari ini hujan maka besok akan hujan dengan peluang α; jika hari ini
tidak hujan maka besok akan hujan dengan peluang β. Matriks peluang
transisinya adalah...
( )
α 1−α
P=
β 1−β
dengan keadaan-keadaan:
’0’ hujan
’1’ tidak hujan
0 0.2 0 0.8
dengan keadaan-keadaan:
’0’ (00) = hari ini dan kemarin hujan
’1’ (10) = hari ini hujan, kemarin tidak hujan
’2’ (01) = hari ini tidak hujan, kemarin hujan
’3’ (11) = hari ini dan kemarin tidak hujan
3. 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...
0 1 0 0
1/9 4/9 4/9 0
P=
0 4/9 4/9 1/9
0 0 1 0
dengan keadaan-keadaan:
’0’ terdapat 0 produk A di paket pertama
’1’ terdapat 1 produk A di paket pertama
’2’ terdapat 2 produk A di paket pertama
’3’ terdapat 3 produk A di paket pertama
dengan keadaan-keadaan:
’0’ cuaca hujan
’1’ cuaca baik
’2’ cuaca salju
dengan keadaan-keadaan:
’0’ (4,0) = 4 sepatu didepan, 0 dibelakang
’1’ (3,1) = 3 sepatu didepan, 1 dibelakang
’2’ (2,2) = 2 sepatu didepan, 2 dibelakang
’3’ (1,3) = 1 sepatu didepan, 3 dibelakang
’4’ (0,4) = 0 sepatu didepan, 4 dibelakang
Persamaan Chapman-Kolmogorov
Misalkan Pijn menyatakan peluang transisi n-langkah suatu proses di keadaan
i akan berada di keadaan j,
Contoh/Latihan:
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...
( )
4 0.5749 0.4251
P =
0.5668 0.4332
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:
1. Pandang soal yang lalu dengan matriks peluang transisi:
( )
0.7 0.3
P=
0.4 0.6
Keadaan:
‘1’ jumlah uang sebanyak 1 yang H punya di akhir bulan
Peluang uangnya akan 1 atau kurang setiap saat selama 4 bulan berikut
4
adalah P31 = 201/256.
Solusi:
Keadaan: 0, 1, 2, 3, 4, 5, yang menyatakan jumlah orang yang sakit.
P00 = 1, P55 = 1. Cukup jelas. Jika tidak ada/semua orang sakit maka PASTI
keadaan berubah ke tidak ada/semua orang sakit.
C1i C15−i
Pi,i+1 = 0.1 = 0.01(i)(5 − i),
C25
Kode MATLAB
function transprob;
clear
clc
P = zeros(m,m);
for i = 1:m
for j = 1:m
if i == j
P(i,j) = 1 - 0.01*(i-1)*(5-(i-1));
elseif i+1 == j
P(i,j) = 0.01*(i-1)*(5-(i-1));
else
P(i,j) = 0;
end
end
end
% n-step probability
% Chapman-Kolmogorov Equation
---------------------------------------------------------------
m = 6
1.0000 0 0 0 0 0
0 0.9600 0.0400 0 0 0
0 0 0.9400 0.0600 0 0
0 0 0 0.9400 0.0600 0
0 0 0 0 0.9600 0.0400
0 0 0 0 0 1.0000
1.0000 0 0 0 0 0
0 0.9216 0.0760 0.0024 0 0
0 0 0.8836 0.1128 0.0036 0
0 0 0 0.8836 0.1140 0.0024
0 0 0 0 0.9216 0.0784
0 0 0 0 0 1.0000
Kode R
Keadaan j dikatakan dapat diakses (accessible) dari keadaan i jika Pijn > 0
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.
Catatan:
Dua keadaan i dan j yang saling akses satu sama lain dikatakan berkomunikasi
(communicate). Notasi: i ↔ j.
Sifat-sifat:
1. Keadaan i berkomunikasi dengan keadaan i untuk semua i ≥ 0
2. Jika keadaan i berkomunikasi dengan keadaan j maka keadaan j berko-
munikasi dengan keadaan i
3. Jika keadaan i berkomunikasi dengan keadaan j dan keadaan j berkomu-
nikasi dengan keadaan k maka keadaan i berkomunikasi dengan keadaan
k
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.
Contoh/Latihan:
1. Tentukan kelas keadaan dari rantai Markov dengan peluang transisi
berikut:
(i)
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
(ii)
0 1 0 0
1/9 4/9 4/9 0
P=
0 4/9 4/9 1/9
0 0 1 0
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 0.25 0.25 0.25
0 0 0 1
Misalkan
{
1, Yn = i;
In =
∑0, Yn ̸= 1.
∞
Misalkan n=0 In menyatkan banyaknya periode proses berada dalam keadaan
i, dan
(∞ )
∑ ∑
∞
E In |Y0 = i = Piin
n=0 n=0
Contoh/Latihan:
Tentukan keadaan mana yang recurrent dan keadaan mana yang tran-
sient!
Definisi:
1 − fi = P (Ti = ∞|Y0 = i)
Teorema:
Jika N banyak kunjungan ke keadaan i diberikan Y0 = i, maka
Contoh/Latihan: