DIKTAT

PENGANTAR STOKHASTIK

Oleh

Drs. Yerizon, M. Si
Dra. Minora Longgom Nasution

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI PADANG
2003

i
 KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT, yang telah memberikan rahmat
dan karunia-Nya, sehingga penulis dapat menyelesaikan diktat “Pengantar Stokhastik” ini.
Diktat ini penulis susun dengan maksud agar mahasiswa pengikut mata kuliah
Pengantar Stokhastik dapat lebih mudah mempelajari dan memahami materi mata kuliah ini.
Karena materi Pengantar Stokhastik agak sulit dipahami dibandingkan dengan materi
matematika lainnya. Untuk itu diktat ini disusun sedemikian rupa sehingga lebih mudah
dipahami. Disamping manfaat bagi mahasiswa, diharapkan diktat ini juga bermanfaat bagi
dosen yang mengajarkan mata kuliah ini.
Penulis menyadari, bahwa diktat ini masih jauh dari sempurna, untuk itu penulis sangat
mengharapkan kritik dan saran dari semua pihak, demi kesempurnaan diktat ini pada edisi-
edisi berikutnya. Pada kesempatan ini penulis juga mengucapkan terima kasih banyak kepada
semua pihak yang telah membantu dalam penyusunan diktat ini.
Akhirnya penulis mengharapkan agar diktat ini dapat bermanfaat sebagai mana
mestinya.

Padang, Oktober 2003

Penulis

ii
 DAFTAR ISI

Halaman
KATA PENGANTAR i
DAFTAR ISI ii
BAB 1 PENDAHULUAN 1
1.1 Peluang 1
1.2 Distribusi Peluang Diskret Khusus 8
1.3 Beberapa Distribusi Peluang Kontinu 21
BAB 2 RANTAI MARKOV WAKTU DISKRIT 26
2.1 Pengantar 26
2.2 Matriks Peluang Transisi 29
2.3 Beberapa Model Rantai Markov 33
2.4 Analisis Langkah Pertama Sederhana 36
2.5 Beberapa Rantai Markov Khusus 40
BAB 3 PRILAKU JANGKA PANJANG RANTAI MARKOV 46
3.1 Matriks Peluang Transisi Reguler 46
3.2 Klasifikasi State 49
3.3 Teorema Limit Dasar dari Rantai Markov 54
BAB 4 RANTAI MARKOV WAKTU KONTINU 57
4.1 Pengantar 57
4.2 Proses Kelahiran Murni 58
4.3 Proses Kematian Murni 61
4.4 Proses Kelahiran dan Kematian 63
BAB 5 MODEL ANTRIAN 68
5.1 Proses Antrian 68
5.2 Model Antrian Pelayan Tunggal 68
5.3 Model Antrian Pelayan Majemuk 72
5.4 Antrian dengan Populasi Hingga 75
DAFTAR KEPUSTAKAAN 79

iii
1.2 Distribusi Peluang Diskret Khusus
Banyak peubah acak yang dihasilkan dalam percobaan statistika mempunyai sifat
yang sama dan pada dasarnya dapat dinyatakan dengan distribusi peluang yang sama.
Misalnya semua peubah acak yang menyatakan banyaknya sukses dalam n usaha bebas
dalam suatu percobaan. Jika peluang sukses tidak berubah pada tiap n usaha, mempunyai
ciri umum yang sama dan karenanya dapat dinyatakan dengan rumus tunggal.
Orang harus hati-hati memilih distribusi peluang yang tepat menggambarkan
pengamatan yang dihasilkan oleh percobaan. Dalam bagian ini akan dibahas beberapa
distribusi peluang diskret. Tapi sebelumnya akan disajikan kembali beberapa definisi dan
teorema yang berkaitan dengan distribusi peluang diskret.

Definisi 1.2.1
Fungsi f(x) adalah suatu fungsi peluang atau distribusi peluang suatu peubah acak
diskret X jika memenuhi,
a. f(x)  0
b.  f ( x)  1
x
c. P(X = x) = f(x)

Definisi 1.2.2
Misalkan X suatu peubah acak diskret dengan distribusi peluang f(x), maka nilai
harapan X adalah E(x) =  xf ( x) .
x

Teorema 1.2.1
Variansi peubah acak X adalah 2 = E(x2) – [E(x)]2 = E(x2) - 2

Bukti:
2 = E(x - )2
= E(x2 - 2x + 2)
= E(x2) - 2E(x) + 2 (karena E(x) = )
= E(x2) - 22 + 2
= E(x2) - 2
Distribusi Seragam(Uniform)
Distribusi peluang diskret yang paling sederhana adalah yang peubah acaknya
memperoleh semua harganya dengan peluang sama. Distribusi peluang semacam ini
disebut distribusi seragam atau uniform.

8
 Definisi 1.2.3
Misalkan peubah acak X mempunyai distribusi uniform diskret. Maka distribusi
peluangnya diberikan dengan
1
f(x ; k) = . untuk x = x1, x2, x3, …xk.
k
dimana xi  xj dengan i  j.

Notasi f(x;k) telah dipakai sebagai pengganti f(x) untuk menunjukkan bahwa distribusi
seragam tersebut bergantung pada parameter k.

Teorema 1.2.2
Rataan dan variansi distribusi uniform diskret f(x ; k) adalah
k k

 xi  (x i  )2
 i 1
dan 2  i 1

k k

Bukti :
Untuk membuktikan teorema 1.2.2 dilakukan sebagai berikut :
 Menurut definisi 1.2.2 di atas, maka diperoleh,
k

k
x k x i
  E(x)   x i f(x i ; k)   i  i 1

i 1 i 1 k k
 Dari teorema 1.2.1, diperoleh,
k
 2  E(x i -  ) 2   (x i -  ) 2 f(x i ; k)
i 1

k
(x   ) 2  (x i  )2
 i  i 1

i 1 k k
Contoh
Bila sebuah dadu dilantunkan satu kali, berapa peluang yang muncul tiap mata dadu,
kemudian tentukan rata-rata dan variansinya.
Jawab
Ruang sampel dari masalah di atas adalah S = {1, 2, 3, 4, 5, 6}. Jadi peluang yang muncul
tiap mata dadu adalah 1/6, hal ini merupakan distribusi uniform sehingga peluangnya f(x;
6) = 1/6, untuk x = 1, 2, 3, 4, 5, dan 6.
Berdasarkan teorema 1.2.2 di atas maka diperoleh
1  2  3  4  5  6 21
=   3,5 dan
6 6
(1  3,5) 2  (2  3,5) 2  ....  (6  3,5) 2 35
 =
2

6 12

9
Distribusi Bernoulli
Peubah acak bernoulli hanya mempunyai dua nilai yaitu 0 dan 1 dalam satu kali
percobaan. Nilai 0 dan 1 ini biasanya dikaitkan dengan “gagal” dan “sukses”. Dan peluang
sukses dinyatakan dengan p dan gagal dengan 1 - p. Untuk lebih jelasnya perhatikan
definisi berikut.

Definisi 1.2.4
Suatu peubah acak X dikatakan mengikuti distribusi Bernoulli dengan parameter p jika
hanya mempunyai dua kemungkinan nilai yaitu 0 dan 1 dan distribusi peluangnya
didefinisikan dengan
f(x; p) = px(1-p)1-x = px(q)1-x , untuk x = 0, 1

Distribusi bernoulli biasa juga dilambangkan dengan X ~ Bernoulli(p). Rataan dan variansi
dari distribusi Bernoulli dinyatakan dengan teorema berikut.

Teorema 1.2.3
Distribusi Bernoulli f(x; p) mempunyai rata-rata dan variansi
 = p dan 2 = pq

Bukti :
Dari definisi 1.2.2 dan 1.2.4, diperoleh
1 1
  E(x)   xf(x ; p) =  xp x
q 1- x
x 0 x 0

= 0.p0q1-0 + 1p1q1-1 = p
Dari teorema 1.2.1 diperoleh,
 2  E(x i -  ) 2  E(x2) – [E(x)]2
Dari hasil   E(x) = p, sekarang akan dicari E(x2) sebagai berikut
1 1
  E(x 2 )   x 2 f(x ; p) = x 2
p x q 1- x
x 0 x 0

= 02.p0q1-0 + 12 p1q1-1 = p
Jadi  2  E(x i -  ) 2  E(x2) – [E(x)]2 = p – p2 = p(1-p) = pq.
Contoh
Sebuah mata uang dilempar satu kali, dicatat bahwa hasilnya yang muncul muka “M” dan
belakang “B”. Tentukan peluang muncul muka, rata-rata dan variansinya
Jawab
Ruang sampel dari masalah di atas adalah S = {M, B} dan misalkan kejadian muncul muka
adalah A = {M}, dan Belakang adalah C = {B}.

10
 n(A) 1
Sehingga peluang muncul muka adalah P(M) = = , dalam hal ini sesuai dengan
n(s) 2
distribusi bernoulli yaitu f(x; p) = px(1-p)1-x, untuk x = 0, 1.
Karena p = 0,5 dan dari definisi 1.2.4, f(x; p) = (0,5)x(0,5)1-x, untuk x = 0, 1. Setelah
dilakukan pelemparan ternyata mata uang muncul adalah muka, berarti x = 1 atau berhasil.
Akibatnya f(x; p) = (0,5)1(0,5)1-1 = 0,5.
Berdasarkan teorema 1.2.3, diperoleh  = p = 0,5 dan 2 = 0,5.0,5 = 0,25

Distribusi Binomial
Suatu peubah acak Binomial dapat dipandang sebagai jumlah n peubah acak
Bernoulli, yakni banyaknya yang berhasil dalam n usaha Bernoulli.
Suatu percobaan Binomial memenuhi persyaratan berikut :
a. percobaan terdiri atas n usaha yang berulang.
b. Tiap usaha memberikan hasil yang dapat ditentukan sukses atau gagal.
c. Peluang sukses, dinyatakan dengan p, tidak berubah dari usaha yang satu ke
yang berikutnya.
d. Tiap usaha, bebas dengan usaha yang lainnya.

Definisi 1.2.6
Definisi 1.2.5
Bila suatu usaha binomial dapat menghasilkan sukses dengan peluang p dan gagal
Banyaknya sukses X dalan n usaha suatu percobaan binomial disebut suatu
dengan peluang q = 1 – p, maka distribuasi peluang acak binomial X, yaitu banyaknya
peubah acak binomial.
sukses dalam n usaha bebas adalah
n
b(x;n,p) =  p x q n - x , x = 0, 1, 2, …., n.
x

Distribusi bernoulli biasa juga dilambangkan dengan X ~ B(n,p). Rataan dan variansi dari
distribusi Binomial dinyatakan dengan teorema berikut.

Teorema 1.2.4
Distribusi binomial b(x;n,p) mempunyai rata-rata dan variansi
 = np dan 2 = npq

Bukti
Berdasarkan definisi 1.2.2, diperoleh
n
n n
n!
 = E(x) =  x p x (1  p) n -x =
x 1  x 
 x x! (n - x)! p
x 1
x
(1  p) n - x

11
 n n
x n! n!
= 
x 1 x(x - 1)! (n - x)!
p x (1  p) n -x =  (x - 1)!(n - x)! p
x 1
x
(1  p) n -x

n n
n (n - 1)! n(n - 1)!
= 
x 1 (x - 1)! (n - x)!
p x -11 (1  p) n -x =  (x - 1)!(n - x)! p p
x 1
x -1
(1  p) n - x

n
 n - 1 x -1 n
 n - 1
= np   p (1  p) n -x . Maka diperoleh   x - 1p x -1
(1  p) n -x = 1, sehingga  =
x 1  x - 1  x 1  
E(x) = np. Selanjutnya akan dibuktikan 2 = npq sebagai berikut :
Sekarang akan dicari E(x2) = E[x(x -1)] + E(x)
Untuk mendapatkan E(x2) terlebih dahulu kita cari E[x(x -1)] sebagai berikut :
n
n n
n!
E[x(x-1)] =  x(x - 1) x p x
(1  p) n -x =  x(x - 1) x! (n - x)! p x
(1  p) n -x
x 1   x 1

n n
x (x - 1)n! n!
= 
x 1 x(x - 1)(x - 2)! (n - x)!
p x (1  p) n -x =  (x - 2)!(n - x)! p
x 1
x
(1  p) n -x

n n
n (n - 1)(n - 2)! x -2 2 n (n - 1)(n - 2)!
= 
x 1 (x - 2)! (n - x)!
p (1  p) n -x =  (x - 2)!(n - x)! p
x 1
2
p x -2 (1  p) n -x

n
 n - 2
= n(n-1)p2   x - 2 p x -2
(1  p) n -x
x 1  
n
 n - 2
Karena   x - 2 p x -2
(1  p) n -x = 1, maka diperoleh E[x(x-1)] = n(n-1)p2. Akibatnya E(x2)
x 1  
= E[x(x -1)] + E(x) = n(n-1)p2 + np.
Jadi 2 = E(x2) – [E(x)]2 = n(n-1)p2 + np – (np)2
= n2p2 – np2 + np – n2p2
= np (1-p) = npq
Contoh
1. Sebuah tes benar-salah terdiri dari 10 pertanyaan. Berapa peluang untuk memperoleh 8
jawaban yang benar?. Tentukan rata-rata dan variansinya.
Jawab

10  1   1 
x 10- x

P(benar) = ½ dan p(salah) = ½, maka b(x;10,1/2) =     

 x  2   2 

10  1   1 
8 10- 2

p(delapan jawaban adalah benar) = b(8;10,1/2) =     

 8  2   2 

10  1   1 
8 2

=     
 8  2   2 
10
10!  1 
=  
8!(10  8)!  2 

12
 10
10.9.8!  1 
=  
8!.2!  2 
10
1
= 45  
2
Maka diperoleh
 = np = 4.0,2 = 0,8 dan 2 = npq = 4.0,2.0,8 = 0,64.
2. Sebuah pesawat dengan 4 mesin dapat terbang jika sekurang-kurangnya 2 mesinnya
bekerja. Berapa peluang pesawat itu dapat terbang dengan baik jika mesin-mesinya
beroperasi secara independen dan tiap-tiap kerusakannya (mesin tidak berfungsi)
mempunyai peluang q.
Jawab
Missal p = 1- q = peluang mesin yang tidak rusak, q peluang pesawat itu dapat terbang jika
sekurang-kurangnya 2 mesin bekerja.
4
b(x;4 , q) =  1 - q  q 4-x , x = 0, 1, 2, 3, 4
x

x
 4  4  4
P(terbang baik) =  1 - q  q 0 +  1 - q 3 q1 +  1 - q 2 q 2
4

 
4 3  2
= 1 - 4q + 6q2 – 4q3 + q4 + 4(1 – 3q + 3q2 – q3)
+ 6(1- 2q + q2) q2
= 1 - 4q + 6q2 – 4q3 + q4 + 4 – 12q + 12q2 - 4q3 + 6q2
- 12q3 + 6q4
= 1 - 4q3 + 3q4

Teorema 1.2.5
X
Jika X mempunyai distribusi binomial dengan parameter n dan p dan Y = maka E(y)
n
p(1  p)
= p dan  2y 
n

13
Distribusi Multinomial
Distribusi multinomial merupakan perluasan dari distribusi binomial.

Definisi 1.2.7
Bila suatu usaha tertentu dapat menghasilkan k macam hasil E1, E2, E3,….,Ek dengan
peluang p1, p2, p3,….,pk, maka distribusi peluang acak X1, X2, X3,….,Xk, yang
menyatakan terjadinya E1, E2, E3,….,Ek dalam n usaha bebas ialah
 n  x1 x 2
f(x1, x2 ,…., xk; p1, p2, p3,.,pk, n) =   p1 , p 2 ,...., p kx k
 x 1 , x 2 ,...., x k 
k k
dengan  x i = n dan
i 1
p
i 1
i =1

Contoh
Bila dua dadu dilantunkan enam kali, berapakah peluang mendapat jumlah 7 atau 11
muncul dua kali, sepasang bilangan yang sama satu kali, dan pasangan lainnya tiga kali.
Jawab
Misalkan kejadian berikut menyatakan
E1 : jumlah 7 atau 11
E2 : pasangan bilangan yang sama muncul
E3 : baik pasangan yang sama maupun jumlah 7 atau 11
tidak muncul.
Ruang sampel dari soal di atas adalah S = {(1,1),(1,2),…,(6,6)}
Maka peluang p1 = P(E1) = 8/36 = 2/9
p2 = P(E2) = 6/36 = 1/6
p3 = P(E3) = 22/36 = 11/18
dengan menggunakan distribusi Multinomial x1 = 2, x2 = 1, dan x3 = 3, maka diperoleh
peluangnya, yaitu

 6   2   1  11 
2 3


f(2,1,3; 2/9,1/6,11/18, 6) =  
     
 2, 1, 3   9   6  18 
2 3
6!  2   1  11 
=      = 0,1127.
2!1!3!  9   6  18 

Distribusi Hipergeometrik
Misalkan suatu contoh berukuran n diambil secara acak (tanpa pengembalian) dari
sebuah kantong yang berisi N buah benda yang mengandung k yang sukses dan N – k yang
gagal.

14
 Definisi 1.2.8
Distribusi peluang peubah acak hipergeometrik X, yaitu banyaknya sukses dalam
sampel acak ukuran n yang diambil dari N benda yang mengandung k bernama sukses
dan N – k bernama gagal adalah
 k  N - k 
  
 x  n - x 
h(x;N,n,k) = , untuk x = 0, 1, 2,….., n.
N
 
 n

Contoh
Suatu kantor mempunyai 10 orang pekerja yang terdiri dari 3 orang pria dan 7 orang
wanita. Manajer memilih empat diantara mereka secara random untuk mengikuti kursus
singkat guna peningkatan kualitas.
a) Berapa peluang akan terpilihnya jumlah yang sama antara p dan w.
b) Berapa peluang wanita lebih banyak dari pria
Jawab
a) Dari soal diketahui bahwa N = banyak pekerja dikantor, akan dipilih empat dari sepuluh
untuk mengikuti kursus, jadi n = 4, karena ada 3 pria maka k = 3. karena yang akan dipilih
harus 2 pria dan 2 wanita maka disini jelas p = 2 dan w = 2
 3 10 - 3 
  
 2  4 - 2  63
jadi P(p=2, w=2) = = = 0,3
10  210
 
 4
b) Disini jelas bahwa kemungkinan wanita 4 atau 3.
 7 10 - 7   7 10 - 7  7! 3! 7! 3!
     
 4  4 - 4   
3 4 - 3  = 4!3! 0!3! + 3!4! 1!2!
Sehingga P(wanita > pria) = +
10  10  10! 10!
   
 4  4 4!6! 4!6!

7.6.5 7.6.5 3

= 3 .2 . 1 3.2.1 1 = 35  105 = 145
10.9.8.7 210 210
4.3.2.1

Teorema 1.2.6
Rataan dan variansi distribusi hipergeometrik h(x;N,n,k) adalah
nk N-n k  k
 dan 2  .n. 1  
N N -1 N  N 

15
Distribusi Poisson
Percobaan yang menghasilkan peubah acak X yang bernilai numerik, yaitu
banyaknya sukses selama selang waktu tertentu atau dalam daerah tertentu, disebut
percobaan Poisson. Panjang selang waktu tersebut dapat berupa menit, jam, hari dan
sebagainya. Misalnya X menyatakan banyaknya hubungan telepon sejam yang diterima
suatu kantor.
Suatu percobaan Poisson memiliki sifat sebagai berikut.
1. banyaknya sukses terjadi dalam suatu selang waktu atau daerah tertentu tidak
terpengaruh oleh (bebas dari) apa yang terjadi pada selang waktu atau daerah lain
yang terpilih.
2. peluang terjadinya suatu sukses (tunggal) dalam selang waktu yang amat pendek
atau dalam daerah yang kecil sebanding dengan panjang selang waktu atau besarnya
daerah dan tidak bergantung pada banyaknya sukses yang terjadi di luar selang
waktu atau daerah tersebut.
3. peluang terjadinya lebih dari satu sukses dalam selang waktu yang pendek atau
daerah yang sempit tersebut dapat diabaikan.

Definisi 1.2.9
Banyaknya sukses X dalam suatu percobaan Poisson disebut suatu peubah acak Poisson.

Distribusi peluang suatu peubah acak Poisson X disebut distribusi Poisson dan
dinyatakan dengan p(x,μ) atau X ~ POI(λ), karena nilainya hanya bergantung pada μ, yaitu
rata-rata banyaknya sukses yang terjadi dalam selang waktu atau daerah tertentu.

Definisi 1.2.10
Distribusi peluang peubah acak Poisson X, yang menyatakan banyaknya sukses yang
terjadi dalam suatu selang waktu atau daerah tertentu, diberikan oleh
e   x
p( x;  )  , x  0, 1, 2, ... dan  menyatakan rata-rata banyaknya sukses yang
x!
terjadi dalam selang waktu atau daerah tertentu tersebut dan e = 2, 71828…

Teorema 1.2.7
Rataan dan variansi distribusi Poisson p(x;  ) adalah sama, yaitu 

Bukti :

e -  x 
e -  x 
e -  x 
e -   x -1  
e -   x -1
E(x) = x
x 0 x!
= x
x 1 x!
= x
x 1 x(x - 1)!
= 
x 1 (x - 1)!
=  
x 1 (x - 1)!

16
 
e -   x -1
Karena 
x 1 (x - 1)!
= 1 maka E(x) =  . Kemudian variansi distribusi Poisson diperoleh

dengan mula-mula mencari


e -  x
E[x(x-1)] =  x(x - 1)
x 0 x!

e -  x
=  x(x - 1)
x 2 x!

e -  x
=  x(x - 1)
x 2 x(x - 1)(x - 2)!

e -   x -2  2 
e -   x -2
= = 2 
x 2 (x - 2)! x 2 (x - 2)!


e -   x -2
Karena 
x 1 (x - 2)!
= 1, maka E[x(x-1)] =  2 . Maka E(x2) = E[x(x-1)] + E(x) =  2 +  .

Jadi var(x) = E(x2) – [E(x)]2 =  2 +  -  2 = 

Contoh
1. Rata-rata terjadinya kecelakaan di persimpang jalan adalah tiga kali dalam satu minggu.
Berapakah peluang terjadi kecelakaan tepat lima kali dalam satu minggu. Tentukan
rata-rata dan variansinya
Jawab
e   x
Dari soal diketahui  = 3 dan x = 5. Untuk itu p( x;  )  , x  0, 1, 2, ...
x!
e -3 35
Sehingga P(3) = = 0,1008. Karena rata-rata  =  maka  = 3. dan variansi 2 = 
5!
sehingga 2 = 3
2. Misalkan diketahui bahwa jumlah kendaraan pada persimpangan tertentu dalam interval
(0, t) mengikuti distribusi poison X(t) dan rata-rata adalah 3t (t dalam satuan menit).
a) Tentukan peluang akan lewat paling sedikit 2 kendaraan dalam interval (0, t).
b) Misalkan kejadian A paling sedikit 4 kendaraan lewat selama menit pertama
dan kejadian B paling banyak 2 kendaraan lewat selama menit kedua. Tentukan
peluang terjadinya A dan B.
c) Tentukan rata-rata dan variansinya
Jawab
e 3t (3t ) x
a) Poisson(3t) = p(3t )  ,
x!

17
Peluang untuk jumlah kendaraan yang lewat paling banyak 2, merupakan komplemen dari

e 3t 3t 
1 x


x 0 x!
= e-3t + 3t e-3t, sehingga

P(jumlah kendaraan lewat  2) = 1 – (e-3t + 3t e-3t).

e 3t 3t  e 3 3

k x k x
b). P(A) = 
x4 x!
, untuk t = 1 maka P(A) = 
x4 x!

e 3t 3t  e 3 3

2 x 2 x
P(B) = 
x 0 x!
, untuk t = 1 maka P(B) = 
x 0 x!
,

e 3 3 e 3 3
3 x 2 x
P(A) P(B) = {1-  }  ,
x 0 x! x 0 x!
= (0,3856413)(0,4177639) = 0,161107 = 0,16
c). Karena rata-rata  =  maka  = 3t dan variansi 2 =  maka 2 = 3t.

Distribusi Binomial Negatif

Misalkan suatu percobaan yang berbagai sifatnya sama dengan percobaan binomial,
kecuali di sini usaha diulangi sampai terjadi sejumlah sukses tertentu. Ingin diketahui
peluang bahwa sukses ke k terjadi pada usaha ke x. Percobaan semacam ini disebut
percobaan binomial negatif.

Definisi 1.2.11
Banyaknya usaha X untuk menghasilkan k sukses dalam suatu percobaan binomial
negatif disebut peubah binomial negatif.

Distribusi peluang peubah binomial negatif akan dinyatakan dengan b*(x;k,p) atau X ~
NB(p,r), karena nilainya tergantung pada banyaknya sukses yang diinginkan dan peluang
sukses dalam usaha tertentu.

Definisi 1.2.12
Bila usaha yang saling bebas dilakukan berulang kali menghasilkan sukses dengan
peluang p sedangkan gagal dengan peluang q = 1 – p, maka distribusi peluang peubah
acak X, diberikan oleh
 x - 1 k x -k
b*(x; k, p) =  p q x = k, k + 1, k + 2,…..
 k - 1

18
Contoh
1. Misalkan seseorang melantunkan tiga uang logam sekaligus. Tentukan probabilitis ia
akan mendapat semuanya muka atau semuanya belakang yang kedua kalinya terjadi
pada lantunan kelima.
Jawab
Dengan menggunakan distribusi binomial negatif untuk x = 5, k = 2 dan p = ¼ diperoleh

 4  1   3 
2 3
35 27
b (5; 2,1/4) =     
*
=4 =
1  4   4 
5
4 256
2. Suatu kejadian yang saling bebas akan berhasil dengan peluang 0,4 dan gagal dengan
peluang 0,6. Berapakah peluang terjadi 2 berhasil dari 5 usaha.
Jawab
Dengan menggunakan distribusi binomial negatif untuk x = 5, k = 3 dan p = 0,4
 4
diperoleh b*(5; 3,0,4) =  0,4 0,6 = 6 0,4 0,6
2 3 2 3

 2
Distribusi Geometrik
Misalkan suatu kejadian E yang saling bebas mempunyai peluang p yang tidak
berubah pada setiap usaha tertentu. Misalkan X banyaknya usaha yang diperlukan agar E
terjadi sekali, maka X berdistribusi geometri.

Definisi 1.2.13
Distribusi geometric yaitu bila usaha yang saling bebas dan dilakukan berulang kali
menghasilkan sukses dengan peluang p dan gagal dengan peluang q = 1 – p, maka
distribusi peluang peubah acak X, yaitu banyaknya usaha yang berakhir pada sukses
yang pertama, diberikan oleh
g(x; p) = p qx-1 x = 1, 2, 3, …

Distribusi geometri biasa juga dilambangkan dengan X ~ GEO(p). Rataan dan variansinya
adalah seperti teorema berikut.

Teorema 1.2.8
Rata-rata dan variansi distribusi Geometri g(x; p) adalah
1 q
= dan 2 = 2
p p

Contoh
Dalam suatu proses produksi diketahui bahwa rata-rata 1 di antara 100 butir hasil produksi,
cacat. Berapa peluang memeriksa 5 butir dan baru menemukan yang cacat pada yang
kelima?. Tentukan rata-rata dan variansinya.

19
Jawab
Gunakan distribusi goemetri dan dari soal diperoleh x = 5 dan p = 0,01, maka g(5; 0,01) =
(0,01)(0,99)4 = 0,0096.
1 1
Karena rata-rata  = maka  = = 100
p 0,01
q 0,99 100
Dan variansi 2 = 2
maka 2 = 2
=
p (0,01) 99

Latihan 1.2
1. Dari 5 kunci pada suatu rantai kunci, misalkan tepat satu yang membuka suatu gembok,
tetapi tidak diketahui yang mana. Misalkan X banyak kunci yang dicobakan dalam
usaha membuka gembok, dengan pemisalan bahwa kunci dicoba secara acak tanpa
pengembalian. Hitunglah fungsi peluangnya X serta tentukan nilai rata-rata dan
variansinya.
2. Lampu hijau pada suatu persimpangan, nyala selama 15 detik, kuning 5 detik, dan
merah 55 detik. Misalkan bahwa keadaan lalu-lintas mengakibatkan variasi acak dalam
waktu tiba di persimpangan, sehingga “mendapat lampu hijau” merupakan kejadian
yang berpeluang disebut “berhasil” dan kita tiba pada setiap saat dalam siklus lampu
dengan peluang yang sama. Cari distribusi X yang menyatakan bahwa banyaknya yang
berhasil dalam suatu usaha perjalanan ke persimpangan itu, kemudian tentukan rata-rata
dan variansinya.
3. Seorang pemain basket, melakukan tembakan sebanyak 10 kali dan peluang untuk masuk
0,3 tiap-tiap tembakan. Berapa peluang untuk memenangkan 6 kali tembakan.
4. Jika peluang menang dari kuda pacuan yang kita pilih = 0,2 dan x adalah nomor pilihan
yang terdiri dari 20 pilihan.
a. berapa peluang jika nomor 4 yang terpilihan
b. Berapa peluang paling banyak 4 nomor yang terpilih
c. Hitunglah rata-rata dan variansinya
5. Menurut teori genetika, persilangan tertentu sejenis marmut akan menghasilkan
keturunan berwarna merah, hitam dan putih dalam perbandingan 8 : 4 : 4. Carilah
peluang bahwa lima dari 8 turunan akan berwarna merah, dua hitam dan satu putih.
6. Seorang tukang ketik rata-rata melakukan dua kesalahan per halaman. Berapakah
peluang dia melakukan empat atau lebih kesalahan pada halaman berikut yang dia
ketik?

20
1.3 Beberapa Distribusi Peluang Kontinu
Pada bagian ini akan dibahas akan dibahas beberapa distribusi peluang kontinu.
Tapi sebelumnya akan disajikan kembali beberapa definisi dan teorema yang berkaitan
dengan distribusi peluang kontinu.

Definisi 1.3.1
Fungsi f(x) adalah fungsi padat peluang peubah acak kontinu X, yang didefinisikan di
atas himpunan semua bilangan real R, bila
1. f(x)  0 untuk semua x  R.

2.

 f(x) dx 1
b
3. P(a < x < b) =  f(x) dx
a

Definisi 1.3.2
Misalkan X suatu peubah acak kontinu dengan distribusi peluang f(x), maka Nilai

harapan (rata-rata) X adalah E(x) =  x f(x) dx .


Distribusi Normal
Distribusi normal merupakan distribusi kontinu yang terpenting dalam seluruh
bidang statistika. Distribusi ini sering pula disebut distribusi Gauss.

Definisi 1.3.3
Fungsi padat peubah acak normal X, dengan rataan  dan variansi 2 , adalah F(x)
1  (x- ) 
2

1 - 
2  

= n(x; ,) = e , untuk (- < x < ),
2 
dengan  = 3,14159….. dan e = 2,71828….

Definisi 1.3.4
Distribusi peubah acak normal dengan rataan nol dan variansi 1 disebut distribusi
normal baku.

Selanjutnya akan dibuktikan bahwa parameter  dan 2 adalah betul rataan dan
variansi distribusi normal sebagai berikut:
Terlebih dahulu akan ditunjukkan rataan yaitu dengan menggunakan definisi di atas,
tulislah
 1  x-  2  1  x-  2
1 -   1 -  
E(X) =  x e 2  
dx = x e
2  
dx.
 2  2  

21
Dengan menganti Z =
x -   atau x = Z +  dan dx =  dz, diperoleh

 1  1
1 - z2 1 - z2
E(x) =
2   (  z)e

2
 dz =
2  (  z)e

2
dz

 
 
1 1
- z2 - z2
=
2 

e 2
dz +
2 z e

2
dz

dari sini kita lihat satu persatu agar mudah mengintegralnya.

 

1 1
- z2 1 - z2
Untuk
2 

e 2
dz = 
2 

e 2
dz =  ,

 1
1 - z2
Berdasarkan definisi di atas maka diperolah
2 

e 2
dz = 1, hal ini merupakan luas

dibawah kurva normal dengan rataan nol dan variansi 1. sedangkan untuk


1 1
- z2 - z2

2 z e

2
dz = 0, karena fungsi ze 2
merupakan fungsi ganjil.

Jadi E(x) = .
Sekarang akan dibuktikan variansi 2, sesuai dengan teorema di atas yaitu 2 =
E(x2) – 2 = E(x - )2. Dari sini terlebih dahulu akan dicari E(x - )2 sebagai berikut :
1  x -  2
 -  
1
 (x -  )
2  
E(x - )2 = 2
e dx
 2 

1  x -  2
 -  
1
 (x -  )
2 2  
= e dx.
2  

Dengan menganti Z =
x -   atau x = Z +  dan dx =  dz, diperoleh

 1
1 - z2
E(x - )2 =  (z) e  dz
2 2
2  

 1
2 - z2
z
2
= e2 dz
2 

Dari sini dengan menggunakan integral parsial, misal u = z dan


2
ze
-z 2 / 2
v= dz =  e -z /2
,


 1   1
- z2 - z2
z 
2 -z 2 / 2
sehingga e2 dz = z.{ - e }+ e2 dz
  

22
   1
- z2

-z 2 / 2
= -ze + e2 dz
 

 1
2 - z2
Jadi E(x - ) = z
2 2
e2 dz
2 

 1
2  - z2

2
= { - z e -z / 2 + e2 dz }
2  

 1 
2
1
- z2 1 - z2
= {0 +  e 2 dz }= 2  e 2
dz
2  2 

 1
1 - z2
Karena
2 

e 2
dz merupakan distribusi normal baku dengan parameter  = 0 dan 2

 1
1 - z2
= 1 dan dengan menggunakan definisi di atas maka diperoleh
2 

e 2
dz = 1

Jadi E(x - )2 = 2

Jadi terbukti bahwa parameter dari distribusi normal adalah  dan 2.

Distribusi Eksponensial
Distribusi eksponensial biasa dinotasikan dengan X ~ EXP(λ), dan mempunyai
fungsi padat peluang seperti definisi berikut.

Definisi 1.3.5
Fungsi padat peluang distribusi eksponensial diberikan oleh

λe λ , x0
f ( x)  

0, x0

Teorema 1.3.1
Rata-rata dan variansi distribusi eksponensial adalah
1 1
= dan 2 =
 λ2

Bukti.
Rataan dapat dihitung dengan cara berikut
 
E[ X ]   x e  λx dx = - xe λx |
0 + e
 λx
dx
0 0

1 1
=  e  λx |
0 =
λ 

23
Variansi dapat dihitung dengan cara berikut
 1
 2   x 2 λe  λx dx  E[ X ]2 =
0 2
Distribusi Gamma
Distribusi gamma biasa dinotasikan dengan X ~ GAM(λ,k), dan mempunyai fungsi
padat peluang seperti definisi berikut.

Definisi 1.3.6
Fungsi padat peluang distribusi eksponensial diberikan oleh

λ k x k 1e  λx
f ( x)  , untuk x ≥ 0
Γ(k)
dimana

(k )   e  x x k 1dx
0

Dengan menggunakan integral parsial maka diperoleh,

 
(k )  e  x x k 1 |  x k 2
0  ( k  1)  e x dx  (k  1)(k  1) dan  (1)   e  x dx  1
0 0

Teorema 1.3.2
Rata-rata dan variansi distribusi eksponensial adalah
k k
= dan 2 =
 λ2

Bukti.
Rataan dapat dihitung dengan cara berikut
 λ k x k 1e λx k  λ k 1x k e λx k
E[X ]   x dx =  dx =
0 Γ(k)  0 Γ(k  1) 
Variansi dapat dihitung dengan cara berikut
k
 2  E[ X 2 ]  E[ X ]2 =
2
Perlu dicatat bahwa GAM(λ,1) = EXP(λ).

24
Latihan 1.3
1. Misalkan X adalah berapa kali sisi gambar muncul bila sekeping uang logam
setimbang dilemparkan 40 kali. Hitunglah peluang bahwa X = 20. Gunakan
hampiran normal dan kemudian bandingkan dengan nilai peluang pastinya.
2. Untuk menentukan keefektifan suatu diit tertentu dalam menurunkan kadar
kolesterol di dalam darah, 100 orang menjalani diit ini. Setelah berdiit selama
beberapa lama yang dianggap cukup, kadar kolesterol mereka diukur. Ahli gizi yang
melakukan percobaan ini telah memutuskan untuk menyarankan diit ini bila
sedikitnya 65 persen dari orang-orang tersebut menunjukkan penurunan kadar
kolesterol setelah menjalani diit tersebut. Berapa peluang bahwa ahli gizi itu akan
merekomendasikan diit tersebut bila sesungguhnya diit tersebut tidak berpengaruh
pada kadar kolesterol di dalam darah.
3. Suatu ujian sering dianggap baik (dalam arti memberikan perpencaran skor nilai
bagi yang menempuhnya) jika skor ujian yang dihasilkannya dapat dihampiri oleh
suatu fungsi kepekatan normal.dosen sering menggunakan nilai skor ujian untuk
menduga parameter normal  dan 2, dan kemudian menetapkan nilai A bagi
mereka yang memperoleh nilai lebih besar daripada  + , B bagi mereka yang
nilainya antara  dan  + , C bagi mereka yang nilainya antara  -  dan , D
bagi mereka yang nilainya antara  - 2 dan  - , dan E bagi mereka yang nilainya
dibawah  - 2. Hitunglah berapa persen peluang masing-masing mahasiswa yang
mendapat niali A, B, C, D, dan E.
1  x -  2
 -  
1

2  
4. Buktikan e dx = 1
 2 
x-
5. Buktikan jika X  N(x;,), maka  N(x;0,1)


25
 BAB 1
PENDAHULUAN
1.1 Peluang
Pengertian pokok dalam teori peluang adalah eksperimen yang hasilnya (outcome)
tidak dapat ditentukan sebelumnya. Eksperimen merupakan suatu percobaan yang dapat
diulang dengan kondisi yang sama, sedangkan hasilnya belum tentu sama. Ruang sampel
suatu eksperimen adalah himpunan semua hasil eksperimen yang mungkin. Suatu event
atau kejadian adalah himpunan bagian dari ruang sampel.

Definisi 1.1.1
Misalkan A adalah sebarang kejadian dalam ruang sampel S Peluang dari kejadian A
adalah P{A} yang memenuhi tiga aksioma berikut.
(i). 0 ≤ P{A} ≤ 1.
(ii). P{S} = 1
(iii). Untuk sebarang barisan kejadian-kejadian A1, A2, ... yang saling lepas,
  
P   An    P{ An }
n 1  n 1

Ada beberapa aturan yang berlaku dalam teori peluang, seperti dalam teorema berikut.

Teorema 1.1.1
Misalkan A dan B adalah sebarang kejadian. Maka
(i). P{Ac} = 1 – P{A}
(ii). P{A - B} = P{A} – P{A∩B}
(iii). Jika A  B maka P{A} ≤ P{B}
(iv). P{A  B} = P{A} + P{B} - P{A∩B}

Bukti.
(i). Karena A  Ac = S dan A∩Bc = Ǿ, maka kita punya
1 = P{S} = P{ A  Ac} = P{A} + P{Ac}
(ii). Karena kejadian A – B dan A∩B saling lepas dan (A – B)  A∩B = A maka
P{A} = P{(A – B)  A∩B}= P{A – B} + P{A∩B}.
(iii). Jika A  B, maka B dapat dikomposisikan dalam kejadian saling lepas A dan B – A.
Maka P{B} = P{A  (B – A)} = P{A} + {B – A}  P{A}
(iv). Kejadian A  B dapat dikomposisikan dalam kejadian saling lepas A - B dan B.
Maka P{A  B} = P{(A – B)  B} = P{A - B} + P{B}= P{A}- P{A∩B} + P{B}.
Karena P{A - B} = P{A}- P{A∩B}.

1
Dari teorema di atas maka diperoleh akibat berikut.

Akibat 1.1.1
Untuk sebarang kejadian A, B dan C maka
P{A  B  C} = P{A} + P{B}+ P{C}- P{A∩B}- P{B∩C} - P{A∩C}
+ P{A∩B∩C}

Peluang terjadinya suatu kejadian B bila diketahui bahwa kejadian A telah terjadi
disebut peluang bersyarat dan dinyatakan dengan P(B | A). Lambang P(B | A) biasanya
dibaca “peluang B terjadi bila diketahui A” atau “peluang B, bila A diketahui dan
didefinisikan sebagai berikut.

Definisi 1.1.2
Untuk sebarang kejadian A dan B dalam ruang sampel S, peluang bersyarat dari
kejadian A, jika diberikan B didefinisikan dengan
P{ A  B}
P{ A | B}  , P{B}  0 atau P{ A  B}  P{ A | B}P{B}
P{B}

Jika P{ A  B}  P{ A}P{B} atau ekivalen dengan P{ A | B}  P{ A} maka kejadian

A dan B dikatakan mutually independent atau independent. Dari teorema di atas dapat
dikatakan bahwa peluang A dan B terjadi serentak sama dengan peluang A terjadi dikalikan
dengan peuang terjadinya B bila A telah terjadi.
Secara umum dapat ditulis.

Akibat 1.1.2
Untuk sebarang kejadian A1, A2, …, An berlaku
P{A1  A2  ...  An }  P{A1}P{A2 | A1}P{A3 | A1  A2 }...P{An | A1  A2 ...  An }

Definisi berikut memberikan pengertian tentang partisi dari suatu ruang sampel.

Definisi 1.1.3
Kejadian A1, A2, …, An adalah partisi dari ruang sampel S. Jika kejadian Ai adalah
saling lepas dan gabungannya S yaitu jika
Ai  A j   untuk i  j dan A1  A2  ...  An  S

maka kejadian A1, A2, …, An membentuk sebuah partisi.

2
Teorema berikut dikenal sebagai formula peluang total.

Teorema 1.1.2 (Formula Peluang Total)

Misalkan A, B1, B2, ..., Bn menunjukkan kejadian sehingga Bj ∩ Bj = Ǿ untuk sebarang i
≠ j dan A  (B1  B2  …  Bn. Maka
n
P{ A}   P{ A | Bi }P{Bi }
i 1
di mana P{Bi} > 0. (i = 1, 2, …, n)
Bukti.
Jelas bahwa P{A|Bi}P{Bi} = P{A ∩ Bj} dan (A ∩ Bi)(A ∩ Bj) = A ∩( Bi ∩ Bj)= Ǿ untuk
sebarang i ≠ j. Kita punya
n n
 P{ A | Bi }P{Bi } =  P{ A  Bi } = P{A  B1  A  B2  ...  A  Bn } =
i 1 i 1

P{A  ( B1  B2  ...  Bn )} = P{A}. Teorema di atas valid jika kejadian B1, B2, ..., Bn
berbentuk sebuah partisi. Karena A  (B1  B2  …  Bn}= S
Teorema berikut dikenal sebagai teorema Bayes.

Teorema 1.1.3 (Teorema Bayes)

Misalkan A, B1, B2, ..., Bn menunjukkan kejadian sehingga Bj ∩ Bj = Ǿ untuk sebarang i
≠ j dan A  (B1  B2  …  Bn. Maka
P{ A | Bi }P{Bi }
P{Bi | A} 
n
 P{ A | Bi }P{Bi }
i 1

di mana P(A) > 0 dan P{Bi} > 0. (i = 1, 2, …, n)

Bukti.
Dengan menggunakan peluang bersyarat dalam definisi 1.1.2 kita punya
P{Bi  A}
P{Bi | A} 
P{ A}
selanjutnya dengan menggunakan formula peluang total untuk penyebut dari sisi kanan
maka terbukti teorema di atas.
Contoh.
1. Sebuah perusahaan memproduksi produk yang sama dengan menggunakan tiga mesin
yang berbeda, katakan B1, B2 dan B3 yang masing-masing dengan kapasitas produksi
60%, 30%, dan 10%. Persentase produksi yang cacat tiap mesin adalah 6%, 3%, dan
5%.
a. Hitunglah peluang, bahwa produk diambil secara acak adalah cacat.
b. Hitunglah peluang bersyarat, bahwa produk cacat yang diambil secara acak berasal
dari mesin B1, B2 dan B3

3
Jawab.
a. Misalkan A adalah kejadian bahwa produk yang diambil secara acak adalah cacat.
Maka dengan menggunakan formula peluang total kita punya
3
P{ A}   P{ A | Bi }P{Bi }
i 1

= P{A|B1}P{B1} + P{A|B2}P{B2} + P{A|B3}P{B3}

= 0,06 x 0,60 + 0,03 x 0,30 + 0,05 x 0,10
= 0,05
b. Dengan menggunakan formula Bayes diperoleh
P{ A | B1}P{B1} 36
P{B1 | A}  = = 72 %.
P{ A} 50
P{ A | B2 }P{B2 } 9
P{B2 | A}  = = 18 %.
P{ A} 50
P{ A | B3 }P{B3 } 5
P{B3 | A}  = = 10 %.
P{ A} 50
2. Pada suatu perguruan tinggi, 40 % laki-laki dan 1 % wanita tingginya lebih dari 6 kaki.
Selanjutnya 60 % mahasiswa adalah wanita. Jika seorang mahasiswa dipilih secara acak
dan tingginya lebih dari 6 kaki, maka berapa peluang yang terpilih tersebut adalah
wanita?.
Jawab.
Misalkan W = {mahasiswa yang tingginya lebih dari 6 kaki} dan P(W|A) adalah peluang
bersyarat bahwa seorang mahasiswa adalah wanita jika diberikan mahasiswa yang
tingginya lebih dari 6 kaki. Dengan menggunakan teorema Bayes diperoleh
P{W }P{ A | W } (60%)(1%) 3
P{W | A}  = =
P{W }P( A | W )  P( M ) P( A | M ) (40%)( 4%)  (60%)(1%) 11

Harapan Matematika
Selanjutnya akan ditinjau tentang nilai harapan (ekspektasi) atau rataan dari suatu
peubah acak X. Rataan atau nilai harapan dari suatu peubah acak dapat diperoleh dengan
mengalikan setiap nilai peubah acak tersebut dengan padanannya dan kemudian
menjumlahkan hasilnya. Bila peubahnya kontinu, definisi harapan matematika pada
dasarnya masih tetap sama, yaitu dengan mengganti penjumlahan dengan integral seperti
definisi berikut.

4
 Definisi 1.1.4
Misalkan X adalah suatu peubah acak dengan distribusi peluang f(x). Maka nilai
harapan X atau harapan matematik X adalah
E ( X )   xf ( x) bila X diskret
x


E ( X )   xf ( x)dx bila X kontinu
. 

Sekarang pandanglah fungsi g(x) dari peubah acak X, yaitu tiap nilai g(x) dapat
ditentukan bila diketahui nilai X. Misalnya bila X bernilai 2 maka g(X) bernilai g(2).
Khususnya bila X peubah acak diskret dengan distribusi peluang f(x), x = -1, 0, 1, 2 dan
g(X) = X2, maka
P[g(X) = 0] = P(X = 0) = f(0)
P[g(X) = 1] = P(X = -1) + P(X = 1) = f(-1) + f(1)
P[g(X) = 4] = P(X = 2) = f(2)
Dengan menggunakan definisi 1.1.4 maka diperoleh
E[ g ( X )]   g ( x) P[ g ( X )  g ( x)]
g ( x)

= 0.P[g(X) = 0] + 1.P[g(X) = 1] + 4.P[g(X) = 4]

= 0.f(0) + 1.[f(-1) + f(1)] + 4.f(2)
=  g ( x) f ( x)
x

Hasil ini diperluas secara umum seperti teorema berikut.

Teorema 1.1.4
Misalkan X suatu peubah acak dengan distribusi peluang f(x). Nilai harapan fungsi g(x)
adalah
E ( X )   g ( x) f ( x) bila X diskret
x


E ( X )   g ( x) f ( x)dx bila X kontinu


Contoh.
Misalkan X suatu peubah acak dengan distribusi peluang sebagai berikut.
x 0 1 2 3
f(x) 1/3 1/2 0 1/6
2
Hitunglah nilai harapan dari Y = (X – 1) .

5
Jawab.
Penggunaan teorema 1.1.4 diperoleh
3
E[( X  1) 2 ]   ( x  1) 2 f ( x)
x 0

= (-1)2f(0) + (0)2f(1) + (1)2f(2) + (2)2f(3)

= (1)(1/3) + (0)(1/2) + (1)(0) + (4)(1/6)
= 1.
Sekarang pengertian harapan matematik dapat diperluas dengan dua peubah acak X
dan Y dengan distribusi peluang f(x,y).

Definisi 1.1.5
Bila X dan Y peubah acak dengan distribusi peluang gabungan f(x,y) maka nilai
harapan fungsi g(X,Y) adalah
E[ g ( X , Y )]    g ( x, y ) f ( x, y ) bila X dan Y diskret
x y

 
E[ g ( X , Y )]    g ( x, y ) f ( x, y )dxdy bila X dan Y kontinu
 

Contoh.
Hitunglah E(Y/X) untuk fungsi padat
 x(1  3 y 2 )
 , 0  x  2, 0  y  1
f ( x, y )   4
 0 untuk x lainnya

Jawab.
Dengan menggunakan definisi 1.1.5 diperoleh

X 1 2 y (1  3 y 2 )
E( )    dxdy
Y 00 4

1 ( y  3y3 )
=  dy
0 2

5
=
8

Latihan 1.1
1. Buktikan P(A – B) = P(A) – P(A∩B)
2. Buktikan P{A  B  C} = P{A} + P{B}+ P{C}- P{A∩B}- P{B∩C} - P{A∩C}+
P{A∩B∩C}
3. Buktikan P(Ǿ) = 0.

6
4. Buktikan peluang bersyarat memenuhi aksioma dalam definisi 1.1.1.
5. Misalkan Z adalah peubah acak diskrit yang mempunyai kemungkinan nilai 0, 1, 2, 3
dan fungsi massa peluang
p(0) = ¼ p(2) = 1/8
p(1) = ½ p(3) = 1/8
a. Tentukan rata-rata E[Z]
b. Hitung variansi Var[Z]
6. Tentukan mean dan variansi dari peubah acak dengan fungsi padat peluang
 x, untuk 0  x  1

f ( x)  2  x, untuk1  x  2
 0, untukxlainnya


7
 BAB 2
RANTAI MARKOV WAKTU DISKRIT
2.1. Pengantar
Sejak abad yang lalu disadari akan manfaat dari model yang menggunakan peluang
dibanding model yang deterministik (tertentu). Banyak phenomena fisika dan ilmu lainnya
sekarang dipelajari adalah phenomena yang acak. Bahkan dalam phenomena sosial, teknik
dan managemen pun diselidiki phenomena yang acak. Secara statistika hal menunjukkan
bahwa kebutuhan akan peubah acak yang tergantung pada waktu (time) atau ruang (ruang)
sangat terasa. Proses stokhastik (Stochastic Processes) adalah himpunan peubah acak yang
merupakan fungsi dari waktu atau sering juga disebut proses acak.
Contoh dari proses stokhastik adalah sebagai berikut.
1. Misalkan Xn menyatakan hasil lemparan ke-n dari sebuah dadu. Maka {Xn , n > 1}
merupakan himpunan peubah acak, sehingga membentuk proses stokhastik.
2. Misalkan X(t) menyatakan banyaknya pengunjung yang masuk toko swalayan selama
suatu periode waktu tertentu (0,t). Maka {X(t), t  T} merupakan sebuah proses
stokhastik.

Definisi 2.1.1
Himpunan harga-harga yang mungkin untuk suatu peubah acak Xn dari suatu proses
stokhastik {Xn, n ≥ 1} disebut ruang state (state space)

Dari contoh 1, ruang statenya adalah {1, 2, 3, 4, 5, 6}.Untuk contoh 2, setiap harga t akan
menghasilkan suatu peubah acak X(t) dan mempunyai ruang statenya sendiri. Misalnya
ingin dicari ruang state X(2), yaitu banyaknya pengunjung selama 2 jam. Maka ruang
statenya adalah {0, 1, 2, …}. Begitu juga untuk X(3) dan seterusnya.
Salah satu proses stokhastik yang penting adalah proses (rantai) Markov yang
didefinisikan sebagai berikut.

Definisi 2.1.2
Sebuah proses stokastik {Xn, n = 0, 1, 2, …} disebut proses (rantai) Markov waktu
diskrit jika
P{Xn+1= j | X0 = i0, …, Xn-1= in-1, Xn = i} = P{Xn+1= j | Xn = i}
untuk setiap waktu n dan setiap state i0, i1, …, in-1, i, j.

Artinya peluang terjadinya kejadian pada hari ini hanya bergantung pada kejadian hari
kemarin, kejadian besok hanya bergantung pada hari ini dan seterusnya.
Proses stokhastik dispesifikasikan ke dalam empat kelompok yaitu
1. waktu diskrit dan ruang state diskrit, seperti dalam pelemparan sebuah dadu.
2. waktu diskrit dan ruang state kontinu, curah hujan setiap hari.

26
3. waktu kontinu dan ruang state diskrit, banyak pasien yang datang ke rumah sakit.
4. waktu kontinu dan ruang state kontinu, temperatur suatu daerah pada suatu interval
waktu
Definisi 2.1.3.
Peluang transisi satu langkah (one-step transition probability) didefinisikan sebagai

Pijn,n1  P{ X n1  j | X n  i}

Kita akan membicarakan rantai Markov yang mempunyai peluang transisi stationer
(stationary transition probabilities), yaitu peluang transisi yang bebas dari waktu n,

sehingga Pijn,n 1  Pij dan memeuhi

Pij  0 untuk i, j = 0, 1, 2, …


 Pij  1 untuk i = 0, 1, 2, …
j 0

Definisi 2.1.4 .
Matriks peluang transisi satu langkah dari rantai Markov didefinisikan sebagai
 P00 P01 P02 P03 . . .
P P11 P12 P13 . . .
 10
 
P  Pij   . . . . . . .
 
 Pi 0 Pi1 Pi 2 Pi3 . . .
 . . . . . . .

Contoh
1. Seorang pegawai pergi bekerja setiap hari dengan kereta api atau bus. Dia tidak pernah
naik kereta api dua hari berturut-turut. Tapi jika hari ini naik bus maka hari berikutnya
dia bisa naik bus lagi atau kereta api. Ini merupakan rantai Markov, karena pilihan
untuk esok hanya bergantung pada pilihan hari ini. Ruang state dari proses ini adalah {t
(kereta api), b (bus)}. Maka matriks peluang transisinya adalah
t b
t  0 1 
 
b 1 / 2 1 / 2 
2. Tiga orang anak A, B dan C sedang berlatih main bola. A selalu menendang bola ke B
dan B selalu menendang bola ke C, tapi C menendang bola kepada yang disukainya,
bisa ke A atau ke B. Misalkan Xn menunjukkan anak ke-n yang menendang bola. Ini
merupakan rantai Markov, karena pilihan anak menendang hanya bergantung pada
yang terakhir memegang bola. Ruang state dari proses ini adalah {A, B, C}. Maka
matriks peluang transisinya adalah

27
 A B C
A  0 1 0
 
B  0 0 1
C 1 / 2 1 / 2 0 

Teorema 2.1.1
Jika P{X 0  i0 }   i0 maka

P{X 0  i0 , X1  i1,..., X n  in }   i0 Pi 0 , i1 Pi1, i2 ...Pin 1, in .

Bukti.
Misalkan P{X 0  i0 }   i0 .

P{X 0  i0 , X1  i0 ,..., X n  in}

= P{X 0  i0 , X1  i0 ,..., X n1  in1} . P{ X n  in | X 0  i0 , X1  i0 ,..., X n1  in1}

= P{X 0  i0 , X1  i0 ,..., X n1  in1} . P{X n  in | X n1  in1}

= P{X 0  i0 , X1  i0 ,..., X n1  in1} . Pin 1 ,in

Dengan cara induksi kita akan peroleh

= P{ X 0  i0 ,}Pi 0 ,i0 Pi1 ,i2 ...Pin  2 ,in 1 , Pin 1 ,in
=  i0 Pi 0 , i1 Pi1 , i2 ...Pi n  2 , i n 1 , Pin 1 , in

Definisi 2.1.5
Suatu state i dikatakan state menyerap (absorbing state) jika Pii = 1 atau Pij = 0
untuk i  j

Contoh.
1. Misalkan seorang pejudi mempunyai modal awal M dolar. Tiap kali main dia pasang
$1. peluang dia menang p dan kalah 1-p = q. Modal penjudi tersebut dapat mencapai 0
(habis) dan akan tetap sama dengan 0 untuk seterusnya. Tentukan fungsi peluang
transisi dari proses tersebut.
Jawab.
Misalkan Xn , n ≥ 0 menyatakan banyaknya modal penjudi pada waktu n. Maka diperoleh
 p , j  i 1

Pi, j   q , j  i - 1
0 , j lainnya

2. Misalkan {Xn} adalah rantai Markov dengan ruang state {0, 1, 2} mempunyai matriks
peluang transisi

28
 0 1 2
0  0,1 0,2 0,7 
P  1 0,9 0,1 0 
 
2  0,1 0,8 0,1 

dan distribusi awal π0 = P{X0 = 0} = 0,3, π1 = P{X0 = 1} = 0,4, π2 = P{X0 = 2} = 0,3.

Tentukanlah P{X0 = 0, X1 = 1, X2 = 2}.
Jawab.
P{X0 = 0, X1 = 1, X2 = 2} =  0 P0,1P1,2 = (0,3)(0,2)(0) = 0.
Latihan 2.1
1. Seorang mahasiswa mempunyai kebiasaan belajar sebagai berikut. Jika dia belajar pada
suatu malam, dia 70 % pasti tidak belajar pada malam berikutnya. Jika peluang dia
tidak belajar dua malam berturut-turut, maka tentukanlah matriks peluang transisi dari
proses tersebut.
2. Misalkan {Xn} adalah rantai Markov dengan ruang state {0, 1, 2} mempunyai matriks
peluang transisi
0 1 2
0 0,2 0,3 0,5
P  1  0,8 0,1 0,1 
 
2 0,7 0,1 0,2

dan distribusi awal π0 = P{X0 = 0} = 0,4, π1 = P{X0 = 1} = 0,5, π2 = P{X0 = 2} = 0,1.

Tentukanlah P{X0 = 0, X1 = 1, X2 = 2}, P{X0 = 1, X1 = 0, X2 = 2}, P{X0 = 2, X1 = 1, X2
= 2}, P{X0 = 1, X1 = 1, X2 = 0}.
3. Misalkan pesan biner 0 dan 1 dikirim melalui chanel yang terdiri dari beberapa stage,
dimana pengiriman melalui setiap stage mempunyai peluang kesalahan yang tetap yaitu
sebesar α. Misalkan X0 = 0 adalah sinyal yang dikirim dan Xn adalah sinyal yang
diterima di stage ke-n. Asumsikan { Xn } adalah rantai Markov dengan peluang-peluang
transisi P00 = P11 = 1 -  dan P01 = P10 =  dimana 0 <  < 1.
a. Tentukan peluang bahwa tidak terjadi kesalahan sampai stage ke-n = 2.
b. Tentukan peluang bahwa sebuah sinyal yang benar diterima di stage 2.
Petunjuk: P{ X0 = 0, X1 = 0, X2 = 0} + P{ X0 = 0, X1 = 1, X2 = 0}
2.2. Matriks Peluang Transisi

Teorema 2.2.1
Peluang transisi n-langkah dari Rantai Markov memenuhi

Pij(n)   Pik Pkj(n 1) (*)
k 0
1 , i  j
dimana kita definisikan Pij  
0 , i  j

29
Persamaan (*) disebut persamaan Chapman-Kolmogorov dan diinterpretasikan seperti
gambar berikut..

j
k
i

0 r r n-r n

Gambar 1. Interpretasi dari persamaan (*)

Bukti.
(n) 
Pij = P{X n  j | X 0  i} = P{X n  j,  {X 1  k} | X 0  i}
k 0


=  P{X n  j, X1  k | X 0  i}
k 0
 
=  P{ X1  k | X 0  i} .  P{X n  j | X 0  i, X1  k}
k 0 k 0
 
=  Pik .  P{X n  j | X1  k}
k 0 k 0
 (n 1)
=  Pik Pkj
k 0
Dari teori matriks kita mengenali bahwa relasi (*) adalah formula untuk perkalian matriks,
sehingga P(n) = PxP(n-1) . Dengan iterasi formula ini maka diperoleh
P(n) = PxPxPx...xP = Pn,
(n)
Dengan kata lain Pij adalah elemen dari matriks Pn. Jadi

30
 P (n) P (n) P (n) P (n) . . .
 00 01 02 03 
 
(n) (n) (n) (n)
(n)  P P P P . . . 
Pn  P   10 11 12 13
ij . . . . . . .
 (n) (n) (n) (n) 
Pi0 Pi1 Pi2 Pi3 . . .
 . . . . . . .
Contoh.
Misalkan {Xn} adalah rantai Markov dengan ruang state {0, 1, 2} mempunyai matriks
peluang transisi
 0,1 0,2 0,7 
 
P  0,2 0,2 0,6
0,6 0,1 0,3

a. Tentukanlah matriks peluang transisi dua langkah P2.

b. Tentukan P{X 3  1 | X1  0}

c. Tentukan P{X 3  1 | X 0  0}

Jawab.
a. Untuk menentukan P2 ada dua cara yang bisa dilakukan yaitu dengan menggunakan
teorema 2.2 dan dengan mengalikan matriks P dengan dirinya sendiri.
Cara I.

(2) 2
P00   P0k Pk0 P00 P00  P01 P10  P02 P20
k 0

= (0,1)(0,1) + (0,2)(0,2) + (0,7)(0,6) = 0,47

Dengan cara yang sama diperoleh
(2) (2) (2)
P01  0,13 P02  0,40 P10  0,42

(2) (2) (2)

P11  0,14 P12  0,13 P20  0,26

(2) (2)
P21  0,17 P22  0,57

 
0,47 0,13 0,40
(2) 
2 
Maka P  P  0,42 0,14 0,44
ij
0,26 0,17 0,57 

Cara II.
 0,1 0,2 0,7   0,1 0,2 0,7  0,47 0,13 0,40
2     
P  PxP  0,2 0,2 0,6 0,2 0,2 0,6  0,42 0,14 0,44
0,6 0,1 0,3 0,6 0,1 0,3 0,26 0,17 0,57 

(2)
b. P{X 3  1 | X1  0} = P01  0,13

31
 (3)
c. P{X 3  1 | X 0  0} = P01

2 2
=  P0k Pk1
k 0
(2) (2) (2)
= P00 P01 + P01 P11 + P02 P21

= (0,1)(0,13) + (0,2)(0,14) + (0,7)(0,17)

= 0,16
Latihan 2.2
1. Misalkan matriks peluang transisi dari suatu rantai Markov adalah
 1 0 
P   
1 / 2 1 / 2 
(3) (3)
Tentukanlah P21 , P11 .

2. Sebuah partikel bergerak diantara state 0, 1, 2 menurut proses Markov yang mempunyai
matriks peluang transisi

0 1 2
0 0 0,5 0,5
P  
1 0,5 0 0,5
2 0,5 0,5 0 
Misalkan Xn menunjukkan posisi partikel pada gerakan ke-n. Hitunglah
P{X n  0 | X 0  0} untuk n = 0, 1, 2, 3, 4.

3. Misalkan pesan biner 0 dan 1 dikirim melalui chanel yang terdiri dari beberapa stage,
dimana pengiriman melalui setiap stage mempunyai peluang kesalahan yang tetap yaitu
sebesar α. Misalkan X0 = 0 adalah sinyal yang dikirim dan Xn adalah sinyal yang
diterima di stage ke-n. Asumsikan { Xn } adalah rantai Markov dengan peluang-peluang
transisi P00 = P11 = 1 -  dan P01 = P10 =  dimana 0 <  < 1. Tentukan
P{X 5  0 | X 0  0} , peluang transmisi yang benar melalui stage.

4. Misalkan Xn menunjukkan kualitas barang ke-n yang diproduksi oleh suatu sistem
produksi dengan Xn = 0 berarti “Bagus” dan Xn = 1 berarti “Cacat”. Anggap Xn adalah
rantai Markov dengan matriks peluang transisi
0 1
P  0 0,99 0,01
1 0,12 0,88
Tentukan peluang bahwa item keempat adalah cacat jika diberikan item pertama cacat.
5. Misalkan Xn adalah sebuah rantai Markov dua state dengan matriks peluang transisi

32
 0 1
P  0  α 1- α 
1 1-β β 
Maka Zn = (Xn-1, Xn) adalah rantai Markov yang mempunyai empat state yaitu (0,0),
(0,1), (1,0) dan (1,1). Tentukan matriks peluang transisinya.

2.3. Beberapa Model Rantai Markov

2.3.1. Model Inventory
Misalkan sebuah barang harus tersedia agar dapat memenuhi permintaan. Asumsikan
penambahan barang dilakukan pada akhir periode ke-n = 0, 1, 2, …. Misalkan δn
menyatakan total permintaan komoditi selama periode n, adalah peubah acak yang
mempunyai fungsi distribusi bebas dari periode waktu,
P{δ n  k}  a k untuk k = 0, 1, 2, …..


dimana ak ≥ 0 dan  a k  1 . Banyak stok diperiksa setiap akhir periode. Kebijakan
k 0
penambahan stok ditentukan oleh dua bilangan non-negatif s dan S > s dengan interpretasi
sebagai berikut. Jika pada akhir periode jumlah stok tidak lebih besar dari s maka stok
harus ditambah sehingga mencapai S. Jika stok lebih dari s maka tidak ada penambahan
stok. Misalkan Xn menyatakan banyaknya stok pada akhir periode n. Maka state yang
mungkin untuk proses {Xn} adalah
S, S-1, …, +1, 0, -1, -2, ….
Menurut aturan kebijakan inventory, diperoleh
X  δ jika s  X n  S
Xn   n n
 S  δ n 1 jika Xn s
Maka fungsi peluang transisinya dapat didefinisikan sebagai berikut.

Pij = P{X n 1  j | X n  i}

P{δ n 1  i - j } jika s  i  S
=
 P{δ n 1 S- j} jika i s

Contoh.
Dalam penyediaan spare part, dengan permintaan yang mungkin 0, 1, 2 dalam sebarang
periode dan
P{δ n  0}  0,5 P{δ n  1}  0,4 P{δ n  2}  0,1

Misalkan s = 0 dan S = 2. Maka ruang state dari proses {Xn} adalah {2, 1, 0, -1}. State -1
akan terjadi jika jumlah stok 1 dan permintaan 2. Maka matriks peluang transisinya adalah

33
 P10 = P{X n 1  0 | X n  1} Jika Xn = 1 dan Xn+1 = 0 maka berarti terdapat satu

= P{δ n  1}  0,4 permintaan, sehingga δ n  1

P11 = P{X n 1  1 | X n  1} Jika Xn = 1 dan Xn+1 = 1 maka berarti tidak ada

= P{δ n  0}  0,5 permintaan, sehingga δ n  0

Dengan cara yang sama maka diperoleh matriks peluang transisinya yaitu,

1 0 1 2
1  0 0,1 0,4 0,5
 0,1 0,4 0,5
P 0  0 
1 0,1 0,4 0,5 0 
 
20 0,1 0,4 0,5

2.3.2. Rantai Ehrenfest

Misalkan tersedia dua kotak dan d buah bola dengan nomor 1, 2, ..., d. Pada awalnya
sebuah bola berada di dalam kotak pertama, sedangkan sisanya berada di kotak kedua.
Tersedia undian dengan nomor 1, 2, ..., d. Kemudian diambil selembar undian secara acak
(undian dikembalikan sebelum pengambilan berikutnya). Bola dengan nomor yang sama
dengan nomor undian yang terambil dipindahkan dari kotaknya dimasukkan ke kotak lain.
Proses ini dilakukan tak hingga kali. Tentukan fungsi peluang transisi dari proses ini.
Jawab.
Misalkan Xn menyatakan banyaknya bola pada kotak pertama setelah pengambilan (trial)
ke-n. Maka { Xn } adalah rantai Markov dengan ruang keadaan (state) S = {0, 1, 2, …, d}

Kotak I Kotak II Undian

i bola pada (d-i) bola

waktu n pada waktu n

Karena ada i bola pada kotak I, maka undian juga ada k. Maka peluang untuk mengambil
bola dari kotak I adalah i/d dan bola ini dipindahkan ke kotak II. Maka
i
P{ Xn+1 = i-1 | Xn = i } = Pi,(i-1) =
d

34
Dengan cara yang sama diperoleh
d -i
P{ Xn+1 = i+1 | Xn = i } = Pi,(i+1) =
d
P{ Xn+1 = j | Xn = i } = Pi,j = 0 untuk j  i + 1 dan j  i - 1
Maka fungsi peluang transisinya adalah

 i/d , j  i -1

Pi, j  (d  i)/d , j  i 1
 0, j lainnya
Untuk d = 3 maka matriks peluang transisinya adalah
 0 1 0 0 
 
1/ 3 0 2 / 3 0 
P
 0 2 / 3 0 1 / 3
 
 0 0 1 0 
Latihan 2.3
1. Misalkan model inventory suku cadang yang diperbaiki 0, 1, dan 2 diminta dalam
sebarang periode dengan
P{ δn = 0} = 0,4 P{ δn = 1} = 0,3 P{ δn = 2} = 0,3
dan misalkan s = 0 dan S = 3. Tentukan matriks peluang transisi untuk rantai Markov
{Xn} dimana Xn didefinisikan sebagai jumlah barang yang tersedia pada akhir period
eke-n.
2. Sebuah kotak A dan B memuat N bola. Sebuah bola diambil secara acak diantara N
bola yang ada. Kemudian kotak dipilih secara acak (A terpilih dengan peluang p dan B
terpilih dengan peluang q) dan bola yang terambil ditempatkan ke dalam kotak ini. State
dari tiap pengambilan dinyatakan sebagai banyaknya bola di kotak A. Tentukanlah
matriks peluang transisi dari rantai Markov ini.
3. Sebuah kotak A dan B memuat N bola. Misalkan pada waktu t terdapat tepat k bola di
A. Pada waktu t+1 sebuah kotak dipilih secara acak dalam proporsi isinya (yaitu A
terpilih dengan peluang k/N dan B terpilih dengan peluang (N-k)/N). Kemudian bola
dipilih dari A dengan peluang p atau dari B dengan peluang q dan ditempatkan ke
dalam kotak yang terpilih sebelumnya. Tentukanlah matriks peluang transisi dari rantai
Markov ini.
4. Misalkan model inventory yang direview secara periodik dan δn adalah total permintaan
dalam periode n dan Xn adalah jumlah barang di akhir periode n. Sebuah kebijakan (s,
S) dgunakan: Jika stok di akhir periode tersebut tidak lebih besar dari s, maka stok
ditambah sampai ke tingkat S. Jika tidak, tidak ada penambahan stok.

35
 a. Anggap s = 1, S = 4 dan X0 = S = 4. Jika δ1 = 2, δ2 = 3, δ3 = 4, δ4 = 0, δ5 = 2, δ6 = 1
δ7 = 2, δ8 = 2, berapa tingkat stok Xn di akhir periode n = 1, 2, …, 8.
b. Anggap δn , δn , … adalah peubah acak independen dimana P{ δn = 0} = 0,1,
P{ δn = 1} = 0,3, P{ δn = 2} = 0,3, P{ δn = 3} = 0,2, dan P{ δn = 4} = 0,1. Maka X0 ,
X1 , …. adalah rantai Markov. Tentukan P41 dan P04.
2.4. Analisis Langkah Pertama Sederhana
Misalkan {Xn} adalah rantai Markov dengan matriks peluang transisi

0 1 2
0 1 0 0
P 
1 α β γ

2  0 0 1 

dimana  > 0, β > 0, γ > 0 dan α + β + γ = 1. Jika proses mulai di state 1 maka proses akan
terserap di state 0 atau state 2. Sekarang timbul dua pertanyaan berapa lama waktu
dibutuhkan dan berapa rata-rata banyaknya langkah dibutuhkan sehingga proses terserap.
Kedua pertanyaan tersebut dengan mudah dapat dijawab dengan menggunakan analisis
langkah pertama sebagai berikut.
Misalkan
T = min { n ≥ 0 | Xn = 0 atau Xn = 2 }
adalah waktu yang dibutuhkan proses sampai terserap. Selanjutnya misalkan u adalah
peluang proses sampai ke state menyerap dan v adalah rata-rata banyaknya langkah
dibutuhkan sampai proses ke state menyerap, jika dimulai di state 1 (X0 = 1) , sehingga
u = P{X T  0 | X 0  1} .

v = E{ T | X 0  1}
Untuk menentukan u dan v digunakan analisis langkah pertama
Ada 3 kemungkinan untuk X1 yaitu X1 = 0, X1 = 2 dan X1 = 1.
Kemungkinan I, X1 = 0
Maka diperoleh T = 1, sehingga P{X T  0 | X 0  1} = P{X1  0 | X 0  1} =  dan jika

X0 = 0 maka P{X T  0 | X 0  0} = P{X1  0 | X 0  0} = 1.

Kemungkinan II, X1 = 2.
Maka diperoleh T = 1, sehingga P{X T  2 | X 0  1} = P{X1  2 | X 0  1} = γ dan

P{X T  0 | X1  2} = P{X1  0 | X1  2} = 0.

Kemungkinan III, X1 = 1.
Maka diperoleh P{X1  1 | X 0  1} = β dan P{X T  0 | X1  1} = u.

36
Maka
u = P{X T  0 | X 0  1}

2
=  P{X T  0, X1  k | X 0  1}
k 0
2
=  P{X T  0 | X 0  1, X1  k }P{X1  k | X 0  1}
k 0
2
=  P{X T  0 | X1  k }P{X1  k | X 0  1}
k 0
= P{X T  0 | X1  0} . P{X1  0 | X 0  1} +

P{X T  0 | X1  1} . P{X1  1 | X 0  1} +

P{X T  0 | X1  2} . P{X1  2 | X 0  1}

= 1() + u(β) + 0(γ)

Sehingga diperoleh
α α
u atau u 
1-β αγ
Selanjutnya rata-rata waktu yang dibutuhkan sampai proses terserap adalah
v = E{T | X 0  1}

2
= 1   E{T, X1  k | X 0  1}
k 0
2
= 1   E{T | X 0  1, X1  k }P{X1  k | X 0  1}
k 0
2
= 1   E{T | X1  k }P{X1  k | X 0  1}
k 0
= 1 + E{T | X1  0} . P{X1  0 | X 0  1} +

E{T | X1  1} . P{X1  1 | X 0  1} +

E{T | X1  2} . P{X1  2 | X 0  1}

= 1 + (0)() + (v)(β) + (0)(γ)

1
Sehingga diperoleh v 
1-β
Selanjutnya kita akan melihat untuk rantai Markov empat state dengan matriks peluang
transisi

37
 0 1 2 3
0 1 0 0 0 
 P13 
P  1  P10 P11 P12

2  P20 P21 P22 P23 
 
3 0 0 0 1 

Penyerapan terjadi di state 0 dan 3 dan state 1 dan 2 adalah “transient”.

Misalkan
T = min{ n ≥ 0 | Xn = 0 atau Xn = 3 }
ui = P{X T  0 | X 0  i} untuk i = 1,2

vi = E{T | X 0  i} untuk i = 1,2

Maka u0 = 1, u3 = 0 dan v0 = v3 = 0. Ada dua kemungkinan untuk keadaan awal yaitu
X0 = 1 dan X0 = 2.
Misalkan X0 = 1.
Maka dengan menggunakan analisis langkah pertama diperoleh
u1 = P{X T  0 | X 0  1}

3
=  P{X T  0, X1  k | X 0  1}
k 0
3
=  P{X T  0 | X 0  1, X1  k }P{X1  k | X 0  1}
k 0
3
=  P{X T  0 | X1  k }P{X1  k | X 0  1}
k 0
= P{X T  0 | X1  0} . P{X1  0 | X 0  1} +

P{X T  0 | X1  1} . P{X1  1 | X 0  1} +

P{X T  0 | X1  2} . P{X1  2 | X 0  1} +

P{X T  0 | X1  3} . P{X1  3 | X 0  1}

= (u0)P10 + (u1)P11 + (u2)P12 + (u3)P13

Dengan cara yang sama jika X0 = 2 maka diperoleh
u2 = (u0)P20 + (u1)P21 + (u2)P22 + (u3)P23
Secara umum kita punya
n
ui   u j Pij untuk i = 0, 1, 2, …, n
j 0
Selanjutnya untuk rata-rata waktu yang diperlukan untuk penyerapan adalah

38
 n
vi  1   v j Pij untuk i = 0, 1, 2, …, n
j 0
Contoh.
Seekor tikus dimasukkan ke dalam “Maze” berikut
0 1 7
food
2 3 4

8 5 6
shock
Jika tikus bergerak secara acak di dalamnya, tentukanlah peluang tikus terserap di ruang
makanan (ruang 7) sebelum kena setrum (ruang 8) jika tikus dilepas di ruang i.
Jawab.
Misalkan Xn adalah ruangan yang ditempati tikus pada langkah ke-n. Matriks peluang
transisinya adalah
 0 1/2 1/2 0 0 0 0 0 0
 
1/3 0 0 1/3 0 0 0 1/3 0 
1/3 0 0 1/ 3 0 0 0 0 1 / 3
 
 0 1/ 4 1/ 4 1/ 4 1/ 4 0 0 0 
P 0 0 0 1/ 3 0 0 1/ 3 1/ 3 0 
 
0 0 0 1/ 3 0 0 1 / 3 0 1 / 3
0 0 0 0 1/ 2 1/ 2 0 0 0 
 
0 0 0 0 0 0 0 1 0 
0 1 
 0 0 0 0 0 0 0
Misalkan ui = ui(7) adalah peluang penyerapan di ruang makanan (ruang 7), jika tikus
dilepaskan di ruang i. Maka diperoleh persamaan
u0  (1/2) u1  (1 / 2)u 2
u1  1 / 3 (1 / 3)u 0  (1 / 3)u3
u2  (1 / 3)u0  (1 / 3)u3
u3  (1 / 4)u1  (1 / 4)u 2  (1 / 4)u 4  (1 / 4)u5
u4  1/ 3  (1 / 3)u3  (1 / 3)u 6
u5  (1 / 3)u3  (1 / 3)u 6
u6  (1 / 2)u 4  (1 / 2)u5

Persamaan di atas mempunyai solusi u0 = u6 = ½, u1 = u4 = 2/3, u2 = u5 = 1/3, u3 = ½,

u7 = 1 dan u8 = 0. Jadi jika tikus dilepas di ruang 0 atau di ruang 6 maka peluangnya sampai
di ruang makanan (ruang 7) adalah ½.

39
Latihan 2.4
1. Temukan peluang dan rata-rata waktu, untuk mencapai state 3 jika dimulai di state 0
dari rantai Markov dengan matriks peluang transisi
0,4 0,3 0,2 0,1
 
 0 0,7 0,2 0,1
P
0 0 0,9 0,1
 
0 0 0 1
2. Seekor tikus putih dimasukkan ke dalam ruang 4 dari “Maze” berikut.
3
1 2
food
6
4 5

7
shock
Jika tikus bergerak secara acak di dalamnya, tentukanlah peluang tikus terserap di
ruang makanan (ruang 3) sebelum kena setrum (ruang 7).
3. Misalkan matriks peluang transisi dari suatu rantai Markov adalah

q p 0 0 0
q 0 p 0 0

 
P  q 0 0 p 0
 
q 0 0 0 p
0 0 0 0 1 

dimana p + q = 1. Tentukan rata-rata waktu yang dibutuhkan untuk mencapai state 4

jika dimulai di state 0. Yaitu temukan E { T | X0 = i } dimana T = min{n ≥ 0 | Xn = 4}
Petunjuk: Misalkan vi = E{ T | X0 = i } untuk i = 0, 1, 2, 3, 4. Buktikan persamaan
untuk vi , i = 0, 1, 2, 3, 4. dengan menggunakan analisis langkah pertama dengan
syarat batas v4 = 0, kemudian tentukan v0.
2.5. Beberapa Rantai Markov Khusus
2.5.1. Rantai Markov Dua State
Misalkan

1  a a 
P  dimana 0 < a, b < 1
 b 1b 

adalah matriks peluang transisi dari rantai Markov dua state.

40
 Teorema 2.5.1
Matriks peluang transisi n-langkah dari rantai Markov dua state adalah

1 b a  (1 a b) n  a  a 
Pn  
a  b b a 
  (**)
a  b b b 

Bukti.
Untuk membuktikan teorema ini dikerjakan dengan induksi matematika. Untuk n = 1
diperoleh

1 b a  (1 a b)  a  a 
P1  
a  b b a 
 
a  b b b 

1 b  a  a 2  ab a  a  a 2  ab 
=  
a  b  b  b  ab  b 2 a  b  ab  b 2 

1  a a 
=   =P
 b 1b 

b a   a  a
Untuk melengkapi bukti ini kita misalkan A    dan B   b b  . Maka
b a   
n 1 n
persamaan (**) akan mejadi P  (a  b) [ A  (1  a  b) B] dan

b a  1  a a  b a 
AP       b a   A
b a  b 1  b   
 a  a  1  a a   a  a
BP       (1  a  b)    (1  a  b) B
  b b  b 1  b    b b 
k 1 k
Misalkan persamaan (**) benar untuk n =k yaitu P  (a  b) [ A  (1  a  b) B] .
Akan ditunjukkan juga benar untuk n = k + 1.

P k 1  P k P  (a  b) 1[ A  (1  a  b) k B]P

 (a  b) 1[ AP  (1  a  b) k BP ]

 (a  b) 1[ A  (1  a  b) k 1 B]

 P k 1
2.5.2 Gerak Random Satu Dimensi
Gerak Random Satu Dimensi adalah rantai Markov yang mempunyai ruang state bilangan
bulat non negatif a, a+1, …, b.sehingga, jika proses sekarang berada pada state i maka pada

41
saat berikutnya proses berada pada state i, i – 1 atau i + 1. Bentuk dari matriks peluang
transisinya adalah
0 1 2 ... i 1 i i 1
0  r0 p0 0 ... 0 ... 
1 q1 r1 p1 ... 0 ... 
 
2 0 q2 r2 ... 0 ... 
. 
.
. 
P  . 
i 
 0 . qi ri pi 0 
 . 
 
 .
 
 
 
dimana
pi > 0 qi > 0 ri ≥ 0
p0 ≥ 0 r0 ≥ 0 r0 + p0 = 1
qi + ri + pi = 1 untuk i = 1, 2, 3, ...
P{ Xn+1 = i+1 | Xn = i } = pi,
P{ Xn+1 = i-1 | Xn = i } = qi,
P{ Xn+1 = i | Xn = i } = ri,
Jika pk = p dan qk = q = 1 – p untuk semua k  1 dan r0 = 1 maka diperoleh matriks peluang
transisinya
0 1 2 3 N - 2 N -1 N
0
 1 0 0 0 ... 0 0 0
1 
q 0 p 0 ... 0 0 0 
2  
0 q 0 p ... 0 0 0
.  
P  . . . . . . . 
. 
. . . . . . .
.  
. . . . . . .
N 1  
0 0 0 0 ... q 0 p 
N 
0 0 0 0 ... 0 0 1 
dan teorema berikut.

42
 Teorema 2.5.2
Misalkan ui adalah peluang gerak random mencapai state 0 sebelum mencapai state N
atau ui = P{Xn mencapai state 0 sebelum state N | X0 = i}. Maka
 Ni
 , jika p  q  1/2
N
ui  
(q/p) i  (q/p) N
 , jika p  q
 1  (q/p) N

Bukti.
Dari analisis langkah pertama diperoleh
ui = ui-1q + ui.0 + ui+1p = ui+1p + ui-1q untuk i = 1, 2, …, N-1
dan u0 = 1, uN = 0. Selanjutnya definisikan
yi = ui – ui-1 dan ui = (1)ui = (p + q)ui
Maka diperoleh
ui+1p + ui-1q = ui = (p + q)ui = pui + qui
Untuk i = 1 diperoleh pu2 + qu0 = pu1 + qu1
pu2 + q = pu1 + qui
p(u2 - u1) = q(u1 – 1)
py2 = qy1
y2 = (q/p)y1
Untuk i = 2 diperoleh pu3 + qu1 = pu2 + qu2
p(u3 – u2) = q(u2 – u1)
py3 = qy2
y3 = (q/p)y2
y3 = (q/p) (q/p)y1
y3 = (q/p)2y1
Dengan cara yang sama maka diperoleh,
Untuk i = N yN = (q/p)N-1y1
Selanjutnya kita juga punya
y1 = u1 – u0 = u1 – 1 y1 = u1 – u0 = u1 – 1
y2 = u2 – u1 y1 + y2 = u1 – u0
y3 = u3 – u2 y1 + y2 + y3 = u3 – 1
. .
. .
. .
yi = ui – ui-1 y1 + y2 + y3 + …+ yi = ui – 1

43
Sehingga
ui = 1 + y1 + y2 + y3 + …+ yi
= 1 + y1 + (q/p) y1 + (q/p)2y1 + …+ (q/p)I-1y1
ui = 1 + [1 + (q/p) + (q/p)2 + … + (q/p)2]y1 (*)
Karena uN = 0 maka
uN = 1 + [1 + (q/p) + (q/p)2 + … + (q/p)N-1]y1
0 = 1 + [1 + (q/p) + (q/p)2 + … + (q/p)N-1]y1
1
y1  (**)
1  (q/p)  (q/p) 2    (q/p) N -1
Dengan mensubstitusikan (**) ke (*) diperoleh
1  (q/p)  (q/p) 2    (q/p) i -1
ui  1  (***)
1  (q/p)  (q/p) 2    (q/p) N -1
Dengan menggunakan deret geometri maka (***) menjadi
 i
 1- , jika p  q  1/2
 N
ui  
1 - (q/p) i
 1 , jika p  q

 1  (q/p) N

 Ni
 , jika p  q  1/2
N
ui  
(q/p) i  (q/p) N
 , jika p  q
 1  (q/p) N

Teorema 2.5.3
Misalkan vi adalah rata-rata waktu yang dibutuhkan sebuah gerak random mencapai
state 0 sebelum mencapai state N atau vi = E{ T | X0 = i}. Maka

 i(N - i) , jika p  q  1/2

vi   i  N(N -1)  i(i -1)
 , jika p  q
 N  2p  2p

Bukti.
Dari analisis langkah pertama diperoleh
vi = 1 + qvi-1 + vi.0 + vi+1p = 1 + p vi+1 + qvi-1 untuk i = 1, 2, …, N-1
dan v0 = 0, vN = 0. Misalkan p = q = ½. Dan definisikan yi = vi – vi-1, sehingga,
Untuk i = 1 diperoleh v1 = 1 + pv2 + qv0
v1 = 1 + (1/2)v2 + (1/2)v0
-1 = (1/2)(v2 – v1) - (1/2)(v1 – v0)
-1 = (1/2)y2 – (1/2)y1

44
 Untuk i = 2 diperoleh -1 = (1/2)(v3 – v2) - (1/2)(v2 – v1)
-1 = (1/2)y3 – (1/2)y2
-1 = (1/2)y3 – (-1 + (1/2)y1)
-2 = (1/2)y3 – (1/2)y1
Dengan cara yang sama maka diperoleh,
Untuk i = N-1 -1 = (1/2)(vN – vN-1) - (1/2)(vN-1 – vN-2)
-1 = (1/2)yN – (1/2)yN-1
- (N-1) = (1/2)yN – (1/2)y1
Secara umum diperoleh (1/2)yi = (1/2)y1 – ( i – 1 ) atau yi = y1 – 2(i – 1).
Selanjutnya kita juga punya
y1 = v1 – v0 = v1 y1 = v1 – v0 = v1
y2 = v2 – v1 y1 + y2 = v2
y3 = v3 – v2 Y1 + y2 + y3 = v3
. .
. .
. .
yi = vi – vi-1 y1 + y2 + y3 + …+ yi = vi
Maka
vi = y1 + (y1 – 2)+ (y1 – 2(2)) + …+ y1 – 2(i – 1)
vi = i y1 – 2 [1+2+ … + (i – 1)]
vi = i vi – i(i – 1)
Karena uN = 0 maka
0 = Nv1 – N(N-1) atau v1 = N – 1.
Jadi vi = i (N – 1) – i(i – 1) = i(N – i).
Latihan 2.5
1. Peluang menang seorang penjudi dalam suatu permainan pelemparan dadu adalah p =
0,4929. Misalkan pemain A sebagai pelempar, dengan modal $5 dan B $10, dengan
taruhan $1 per ronde. Berapa peluang pemain A bangkrut sebelum pemain B.
2. Tentukan peluang penjudi bangkrut untuk A, bila kedua pemain mempunyai modal
masing-masing $50, dan taruhan $1 tiap ronde, dimana peluang menang pemain A tiap
ronde adalah
a. p = 0,49292929
b. p = 0,5029237
Berapa peluang penjudi bangkrut bila tiap pemain mempunyai modal $500.
3. Tentukan Pn untuk n = 2, 3, 4, 5 untuk rantai Markov yang mempunyai matriks peluang
 0,4 0,6 
transisi P   
 0,7 0,3 

45
 BAB 3
PRILAKU JANGKA PANJANG RANTAI MARKOV
3.1 Matriks Peluang Transisi Reguler

Definisi 3.1.1
Matriks peluang transisi P = {Pij} disebut regular jika semua elemen matriks Pk adalah
positif untuk suatu k ε Z.
Contoh.
 0 1  1 / 2 1 / 2 
Misalkan P    maka P 2    mempunyai semua elemennya positif
1 / 2 1 / 2 1 / 4 3 / 4
 1 0 
yaitu . Jadi dalam hal ini k = 2. Jadi P adalah regular. Selanjutnya matriks P   
1 / 2 1 / 2
 1 0   1 0 
bukan matriks regular karena P 2    , P3    dan untuk setiap P
n

3 / 4 1 / 4  15 / 16 1 / 16 
elemen baris pertamanya selalu 1 dan 0.
Fakta yang terpenting dari rantai Markov regular adalah keberadaan distribusi limit
peluang (limiting probability distribution). Jika P = {Pij} adalah regular maka kita punya
distribusi limit peluang (limiting probability distribution) π = (π0, π1, …, πN) dimana

πj = lim Pij( n) > 0 untuk j = 0, 1, …, N dan   j  1`

n  j

Distribusi ini bebas dari state awal.

Contoh.
1  a a 
Misalkan P    . Matriks P adalah regular jika a > 0 dan b < 1. Maka kita punya
 b 1  b
1 b a  (1  a  b) n  a  a 
Pn   . Karena |1 – a - b| < 1 maka
a  b b a  a  b  b b 
 b
a 

a  b
lim Pij( n) =  a  b
a b
n   
a  b
a  b
b a
Jika a = 0,67 dan b = 0,75 maka diperoleh π = (π0, π1) = ( , ) = (0,53;0,47).
ab ab

Teorema 3.1.1
Misalkan P adalah matriks peluang transisi regular pada state 0, 1, …, N. Maka
distribusi limit π = (π0, π1, …, πN) adalah solusi uniq non-negative dari persamaan
N N
πj =   k Pkj , j = 0, 1, …, N dan  k  1 (*)
k 0 k 0

46
Bukti.
Karena P adalah regular maka terdapat distribusi limit peluang π = (π0, π1, …, πN) dimana

πj = lim Pij( n) > 0 untuk j = 0, 1, …, N dan   j  1` . Karena

n  j

N
Pij(n)   Pik(n 1) Pkj
k 0

maka
N
πj = lim Pij( n) = lim  Pik(n 1) Pkj
n k 0
n 

N
=  lim Pik(n 1) Pkj
k 0 n
N
=   k Pkj , j = 0, 1, …, N.
k 0

dan
N
 k  1
k 0

Selanjutnya akan ditunjukkan bahwa solusi tersebut uniq (tunggal).

Misalkan x0, x1, …, xN adalah solusi lain dari persamaan (*). Maka kita peroleh
N
xj =  xk Pkj , j = 0, 1, …, N (**)
k 0

N
 xk  1
k 0

Akan ditunjukkan bahwa xj = πj.

Kalikan kedua ruas persamaan (**) dari kanan dengan Pjl, lalu dijumlahkan atas j, maka
N
xjPjl =  xk PkjPjl
k 0

N N N
 x j Pjl =   xk Pkj Pjl
j 0 j 0 k 0

N
xl =  xk Pkl( 2) l = 0, 1, …, N.
k 0

Pengulangan langkah ini sebanyak n kali akan menghasilkan

N
xl =  xk Pkl( n) l = 0, 1, …, N.
k 0

47
 N N
xl = lim  xk Pkl(n) =  xk l .
n  k  0 k 0

N
Karena  xk  1 maka terbukti xj = πj.
k 0

Contoh.
Sosiolog sering mengasumsikan bahwa kelas sosial dari suatu generasi dapat dipandang
sebagai rantai Markov. Karena itu pekerjaan seorang putra diasumsikan hanya bergantung
kepada pekeerjaan bapaknya bukan pada kakeknya. Misalkan matriks peluang transisinya
adalah
Kelas putera
0 1 2
0 0,40 0,50 0,10 
Kelas Bapak 1 0,05 0,70 0,25
 
2 0,05 0,50 0,45

Dimana 0 = kelas bawah, 1 = kelas menengah dan 2 = kelas atas. Tentukan dalam jangka
panjang peluang seorang putera menjadi kelas bawah, menengah dan atas?.
Jawab.
Kita akan tentukan distribusi limit peluang π = (π0, π1, π2). Dari MPT kita peroleh persamaan
Latihan 3.1
1. Hitunglah distribusi limit peluang untuk matriks peluang transisi
0 1 2 3
0 12
0 0,1 0,2 0,3 0,4
01/2 0
1/2
 0 0,3 0,3 0,4 
P  dan P  1
1 1/3 1/3 1/3  
  2  0 0 0,6 0,4

2 1/6 1/2 1/3
3  1 0 0 0 
2. Tunjukkan bahwa matriks peluang transisi

0 1 2 3 4
0  0 1/ 2 1/ 2 0 0 
1 1 / 2 0 1 / 2 0 0 
P  
2 1 / 3 1 / 3 0 1 / 3 0 
3 0 0 1 / 2 0 1 / 2
4 1 / 2 0 0 1 / 2 0 

adalah regular dan hitung distribusi limitnya.

3. Hitunglah distribusi limit peluang untuk matriks peluang transisi

48
 0 1 2 3
0 12
0 1 / 2 0 0 1 / 2
0 1/2 1/2
0 
1
a. P   b. P  1 0 0 0 
1 1/3 1/2 1/6   
  2  0 1/ 2 1/ 3 1/ 6

2  0 1/4 3/4 
3  0 0 1 0 

0 1 2 3
0  0 0 1 0 
c. P  1  0 0 0 1 
 
2 1 / 4 1 / 4 1 / 4 1 / 4
3  0 0 1 / 2 1 / 2

3.2 Klasifikasi State

3.2.1 Rantai Markov Tak Tereduksi (Irreducible)

Definisi 3.2.1

a. State j dikatakan dapat dicapai (accessible) dari state i jika Pij( n)  0 untuk suatu

n ≥ 0 dan dinotasikan dengan i → j.

b. Jika state i dapat dicapai dari state j dan state j dapat dicapai dari state i maka i dan j
dikatakan berkomunikasi dan dinotasikan dengan i ↔ j.

Jika dua state i dan j tidak berkomunikasi maka maka Pij( n)  0 atau Pji( n)  0 untuk semua
n ≥ 0.

Teorema 3.2.1
Komunikasi adalah sebuah relasi ekivalen yaitu
a. i ↔ i (refleksif)
b. Jika i ↔ j maka j ↔ i (simetri)
c. Jika i ↔ j dan j ↔ k maka i ↔ k (transitif)

Bukti.
 1, i  j
a. Dari definisi diketahui bahwa Pij(0)   ij   . Jadi didapat Pii(0)  0 , sehingga
0, i  j
i↔i

b. Karena i ↔ j maka Pij( n)  0 dan Pji(m)  0 untuk suatu m, n ≥ 0. Maka kita peroleh

bahwa j ↔ i.
( n)
c. Karena i ↔ j dan j ↔ k maka Pij(m)  0 dan Pjk  0 untuk suatu m, n ≥ 0. Maka


Pik(m n)   Pil(m) Plk(n)  Pij(m) Pjk
( n)
 0 . Dengan cara yang sama kita dapat
l 0

49
 menunjukkan bahwa terdapat v ≥ 0 sehingga Pki(v)  0 . Jadi terbukti i ↔ k.

Definisi 3.2.2
Himpunan C disebut kelas komunikasi jika semua state di C saling berkomunikasi.
Sebuah rantai Markov dikatakan tak tereduksi (irreducible) jika hanya mempunyai satu
3.2.2
kelasPeriode dari rantai Markov
komunikasi.

Definisi 3.2.3
Periode dari state i adalah adalah pembagi persekutuan terbesar dari n ≥ 1 sehingga
Pii( n)  0 dan dinotasikan dengan d(i). Jika Pii( n)  0 untuk semua n ≥ 1 maka d(i) = 0.
Jika d(i) = 1 maka state i disebut aperiodik.

Contoh.
Misalkan sebuah rantai Markov mempunyai matriks peluang transisi
0 1 2 3
0  0 1 0 0
1  0 0 1 0
 
2  0 0 0 1

3 1 / 2 0 1 / 2 0
Tentukan periode dari state 0.
Jawab.
( 2) (3) ( 4) (5)
Setelah dihitung diperoleh P 0 , P 0 , P00  0 , P00  1 / 2 , P00  0 ,
00 00
( 6) ( n)
P00  1 / 4 . Jadi P00  0 untuk n ε {4, 6, 8, ... }, sehingga d(0) = 2.

Teorema 3.2.2
Jika i ↔ j maka d( i ) = d( j )

Bukti

Karena i ↔ j maka terdapat m dan n sehingga Pij( m)  0 dan P ji( n)  0 . Maka

Pjjn  m  Pjin Pijm  0 dan Pjjn  s  m  Pjin Piis Pijm  0

Dari definisi periode, maka d(j) membagi (n + m) dan (n + s + m) serta ( n + s + m)-(n + m)

= s. Karena d(i) membagi s maka d(j) membagi d(i). Dengan argumen yang sama dapat
ditunjukkan bahwa d(i) membagi d(j). Jadi d(i) = d(j).
Contoh.
Misalkan sebuah rantai Markov mempunyai matriks peluang transisi

50
 0 1 2
0 0 1 0
P 
0 1
. Tentukan periode dari semua state.
1 0
2 1 0 0

Jawab.
Jelas bahwa 0 → 1 → 2 → 0, sehingga rantai Markov tersebut tak tereduksi. Selanjutnya
(3) (6)
P00  P00  ...  1 , sehingga d(0) = 3. Karena semua state berkomunikasi maka d(i) = 3

untuk i = 0, 1, 2.
3.2.3 State Recurrent dan Transient.
Kita definisikan untuk setiap bilangan bulat n ≥ 1

fii( n)  P{ X n  i, X v  i, v  1,2,..., n  1 | X 0  i}

( 0)
denga f ii  0 untuk setiap i. Dengan kata lain fii(n) adalah peluang sistem mulai dari

state i dan kembali untuk pertama kali ke state i setelah n langkah.

Teorema 3.2.3
n
Pii(n)   fii(k ) Pii(n  k ) untuk n ≥ 1 dan fii(1)  Pii dan fii(0)  0 untuk setiap i.
k 0

Bukti.
Misalkan Ek adalah kembali pertama ke state i terjadi transisi ke-k. Maka
P{ Ek} = P{ Ek | X0 = i}.P{Xn = i | Xk = i}

= fii( k )  Pii( n  k ) untuk 1 ≤ k ≤ n.

Jadi
  
P{Xn = i | X0 = i} =  P{Ek } =  fii( k ) Pii( n  k ) =  fii(k ) Pii(n  k )
k 1 k 1 k 0

 N
Selanjutnya kita misalkan fii   fii(n)  lim  fii
( n)
.
n 0 N  n 0

Definisi 3.2.4
Jika fii  1 maka state i dikatakan recurrent.

Jika fii  1 maka state i dikatakan transient.

51
 Teorema 3.2.4

Sebuah state i adalah recurrent jika dan hanya jika  Pii( n)   . Atau ekivalen dengan
k 1


Sebuah state i adalah transient jika dan hanya jika  Pii( n)   .
k 1

Bukti.

Misalkan M adalah banyaknya proses kembali ke state i yaitu M  1{ X n  i} dimana
n 1

 1, X n  i
1{ X n  i}  
0, X n  i
(  ). Misalkan i adalah state transient. Maka fii  1 dan E{M | X0 = i} < ∞. Maka

∞ > E{M | X0 = i} = E ( {1{ X n  i} | X 0  i})
n 1


=  E{1{ X n  i} | X 0  i}
n 1


= 1.P{ X n  i | X 0  i}  0.P{ X n  i | X 0  i}
n 1


=  P{ X n  i | X 0  i}
n 1


=  Pii(n)
n 1


Jadi terbukti  Pii(n) < ∞.
n 1


(  ). Misalkan  Pii(n) < ∞. Maka M adalah peubah acak dengan mean berhingga, sehingga
n 1

M harus hingga. Yaitu proses mulai dari state i, dan kembali pertama ke state i hanya dalam
waktu berhingga. Maka terdapat peluang positif bahwa proses mulai dari state i, dan tidak
pernah kembali ke state i. Dengan kata lain 1- fii > 0 atau fii < 1. Jadi terbukti state i
transient.
Contoh
Misalkan sebuah rantai Markov mempunyai matriks peluang transisi
0 1
P  0 1 0 
1 / 2 1 / 2
1 

52
Tentukan apakah kedua state transient atau recurrent.
Jawab.
Jelas berlaku
  1/ 2
n n 2
 P00  1  1  ...   dan  P11  1 / 2  (1 / 2)  ...  1 .
n 1 n 1 1  1/ 2
Maka menurut teorema 3.4 diperoleh state 0 recurrent dan state 1 transient.

Akibat 3.2.1
Jika i ↔ j dan i recurrent maka j recurrent.

Bukti.

Karena i ↔ j maka terdapat m,n ≥ 1 sedemikian sehingga Pij( n)  0 dan Pji(m)  0 .

Misalkan v > 0. Maka


Pjj(m n v)   Pjk
( m) ( n ) ( v )
Pkl Plj  Pji(m) Pii(n) Pijv
k 0

Dijumlahkan atas v sehingga diperoleh

 (m n  v)  
 Pjj   Pji(m) Pii(v) Pij(n)  Pji(m) Pij(v)  Pii(v)
v 0 v 0 v 0

 
Karena i recurrent maka  Pii(v)   . Akibatnya  Pjj(m n  v)   . Jadi j recurrent.
v 1 v 0

Latihan 3.2
1. Tentukan kelas komunikasi dan periode untuk setiap state dari rantai Markov yang
mempunyai matriks peluang transisi
0 1 2 3 4 5
0 2 0
1 / 0 0 1/ 2 0 
1 0 0 1 0 0 0 
 
2 0

0 0 1 0 0

3 0 0 0 0 1 0 
4 0 0 0 0 0 1 
 
5 0 0 1/ 3 1/ 3 0 1 / 3

2. Tentukan state transient dan state recurrent dari rantai Markov yang mempunyai matriks
peluang transisi

53
 0 1 2 3 4 5
0 1 / 3 0 1 / 3 0 0 1 / 3
1 1 / 2 1 / 4 1 / 4 0 0 0 
 
2 0

0 0 0 1

0
3 1 / 4 1 / 4 1 / 4 0 0 1 / 4
4 0 0 1 0 0 0 
 0 
5 0 0 0 0 1 

3. Tentukan semua kelas komunikasi dari rantai Markov dengan state {0, 1, 2, 3, 4, 5} yang
mempunyai matriks peluang transisi

1 / 3 0 2/3 0 0 0  1 0 0 0 0 0
 0 1/ 4 0 3/ 4 0 0   0 3 / 4 1/ 4 0 0 0
2 / 3 0 1/ 3 0 0 0
  
0 1/ 8 7 / 8 0 0 0
a.   b.  
 0 1/ 5 0 4/5 0 0  1 / 4 1 / 4 0 1 / 8 3 / 8 0
1 / 4 1/ 4 0 0 1 / 4 1 / 4 1 / 3 0 1 / 6 1 / 4 1 / 4 0
1 / 6   0 
 1/ 6 1 / 6 1 / 6 1 / 6 1 / 6  0 0 0 0 1
4. Tunjukkan bahwa rantai Markov dengan state berhingga yang tak tereduksi dan
aperiodik adalah regular dan recurrent.
( n)
5. Tentukan f 00 , n = 1, 2, 3, 4, 5 untuk rantai Markov yang mempunyai matriks peluang

transisi
0 1 2 3
0  0 1/ 2 0 1 / 2
1  0 0 1 0 
 
2  0 0 0 1

3 1 / 2 0 0 1 / 2

3.3 Teorema Limit Dasar dari Rantai Markov

Misalkan i adalah state recurrent. Maka

fii( n)  P{ X n  i, X v  i, v  1,2,..., n  1 | X 0  i}

adalah distribusi peluang dari waktu kembali pertama Ri = min {n ≥ 1 ; Xn= i}.
Yaitu
( n)
f ii  P{Ri  n | X 0  i} , n = 1, 2, 3, …
 ( n)
Karena i recurrent maka f ii   f ii  1
n1
Ri adalah peubah acak bernilai hingga.
Rata-rata waktu mengunjungi state i adalah

54
 mi = E{Ri | X0 = i}
 ( n)
=  nf ii
n1
Setelah mulai di state i, maka rata-rata proses dalam state sekali untuk setiap
mi = E[Ri | X0 = i] satuan waktu.

Teorema 3.3.1
a. Misalkan rantai Markov aperiodik irreducible recurrent. Maka
1 1
lim Pii( n)  
n   ( n) mi
 nf ii
n0
( n) ( n)
b. Dibawah kondisi a) maka lim P ji  lim pii untuk setiap state j.
n  n

Definisi 3.3.1
Distribusi peluang {πi}, j = 0, 1, 2, … dikatakan distribusi peluang stasioner dari rantai
Markov jika
 
 i  0,   i  1 dan  j    i Pij untuk j  0, 1, ...
i 0 i 0

Istilah stasioner diturunkan dari sifat bahwa rantai Markov mulai pada distribusi stasioner
akan mengikuti distribusi ini pada semua waktu. Secara formal jika P{X0 = i } = πi maka
P{Xn = i } = πi untuk semua n = 1, 2, ....
Sebuah distribusi limit, bila ada, selalu sebuah distribusi stasioner, tapi belum tentu
berlaku sebaliknya. Terdapat distribusi stasioner tetapi tidak mempunyai distribusi limit.
Contohnya, tidak terdapat distribusi limit untuk untuk rantai Markov periodik dengan
matriks peluang transisi
0 1
P   
1 0
Tapi punya distribusi stasioner yaitu π = (1/2 , 1/2), karena
0 1
(1 / 2,1 / 2)   (1 / 2,1 / 2)
1 0

55
Latihan 3.3
1. Tentukan distribusi stasioner dari rantai Markov periodik yang mempunyai matriks
peluang transisi
0 1 2 3
0  0 1/ 2 0 1/ 2 
 
1 1 / 4 0 3 / 4 0 
2  0 1 / 3 0 2 / 3
 
1 / 2 0 1 / 2 
3  0 
2. Misalkan rantai Markov dengan ruang state {0, 1} mempunyai matriks peluang transisi
0 1
0 1    
 
1   1   

a. Buktikan bahwa (π0, π1) = (β/(α+β), α/(α+β))

b. Tunjukkan bahwa distribusi kembali pertama ke state 0 diberikan dengan
(1)
f 00 ( n)
 (1   ) dan f 00  αβ(1  β) n  2 untuk n = 2, 3, …

( n)
c. Hitung rata-rata waktu kembali m0   nf 00 dan buktikan π0 = 1/m0.
n 1

3. Tentukan distribusi stasioner dari rantai Markov yang mempunyai matriks peluang
transisi
0 1 2 3
0  0 0 1/ 2 1/ 2 
 
1  0 0 1/ 3 2 / 3
2 1 / 4 3 / 4 0 0 
 
1 / 3 2 / 3 0 0 
3 
4. Tentukan periode dari state 0, dari rantai Markov yang mempunyai matriks peluang
transisi
3 2 1 0 1  2  3  4
3 0 0 0 1 0 0 0 0
 
2 1 0 0 0 0 0 0 0
1 0 1 0 0 0 0 0 0
 
0 0 0 1/ 2 0 1/ 2 0 0 0
1 0 0 0 0 0 1 0 0 

2 0 0 0 0 0 0 1 0
 
3 0 0 0 0 0 0 0 1
4 0 0 0 1 0 0 0 0 


56
 BAB 4
RANTAI MARKOV WAKTU KONTINU
4.1. Pengantar
Rantai Markov waktu kontinu memainkan peranan yang penting dalam teori dan
aplikasi dalam banyak bidang. Diantaranya dalam teori antrian dan penyediaan,
pertumbuhan populasi, biologi, ekonomi, sistem rekayasa, dan ilmu sosial. Sebelumnya kita
perkenalkan dulu fungsi o(h) seperti definisi berikut.

Definisi 4.1.1
f(h)
Fungsi f(h) dikatakan o(h) jika lim
h 0 h

Contoh.
Untuk interval (waktu) kecil, kita punya

(λh) 2 (λh) 3
1  e  λh  λh    ...  λh  o(h)
2! 3!

(λh) 2 (λh) 3
e  λh  1  λh    ...  1  λh  o(h)
2! 3!
Persamaan di atas menunjukkan bahwa peluang terjadinya suatu kejadian dalam interval
kecil h > 0 adalah λh  o(h) dan tidak terjadinya adalah 1 - λh  o(h)
Dalam bagian ini kita membatasi pembicaraan kita dalam kasus di mana {X(t)}
adalah proses Markov dengan peluang transisi stasioner. Karena itu fungsi peluang transisi
untuk t > 0
Pij(t) = P{X(t + u) = j | X(u) =i}, i, j = 0, 1, 2, …
bebas dari u ≥ 0.

Definisi 4.1.2
Proses Stokhastik {X(t) | t ≥ 0} adalah sebuah rantai Markov waktu kontinu jika untuk
setiap s, t ≥ 0 dan bilangan bulat tak negatif i, j, x(u), 0 ≤ u ≤ s maka
P{X(t + s) = j | X(s) = i, X(u) = x(u), 0 ≤ u ≤ s} = P{X(t + s) = j | X(s) = i}

Untuk sebarang t ≥ 0, s ≥ 0 maka

Pij(t) = P{X(t+s) = j | X(s) = i}
disebut peluang transisi, di mana diasumsikan Pij(t) bebas dari waktu s, sehingga proses ini
adalah stasioner. Dalam bab ini kita akan mengembangkan rantai Markov kontinu dengan
peluang transisi stasioner.

57
 Definisi 4.1.3
Persamaan Chapman-Kolmogorov untuk rantai Markov waktu kontinu adalah
4.2 Proses Kelahiran Murni

Pij (t  s)   Pik (t ) Pkj ( s)
k 0

untuk sebarang i dan j.

4.2 Proses Kelahiran Murni

Definisi 4.2.1
Misalkan {λk} adalah sebuah barisan bilangan positif. Proses kelahiran murni adalah
proses Markov yang memenuhi:
(i). Pk,k+1(h) = P{X(t + h) – X(t) = 1 | X(t) = k}= λkh + o(h) dengan h → 0+
(ii). Pk,k(h) = P{X(t + h) – X(t) = 0 | X(t) = k}= 1 - λkh + o(h) dengan h → 0+
(iii). P{X(t + h) – X(t) < 0 | X(t) = k}= 0, dengan k ≥ 0.
(iv). X(0) = 0.

Di sini X(t) tidak menunjukkan ukuran dari populasi tetapi lebih menunjukkan banyaknya
kelahiran selama interval waktu (0, t].

X(t)

5
4
3
2
1
0

Gambar 2. Fungsi sampel dari Proses Kelahiran Murni t

Teorema 4.2.1
Misalkan Pn(t) = P{X(t) = n} dan X(0) = 0. Maka Pn(t) memenuhi sistem persamaan
diferensial berikut.

P0' (t)  λ 0 P0 (t)

'
Pn (t)  λ n Pn (t)  λ n -1Pn -1 (t), n  1

dengan syarat batas P0 (0)  1. dan Pn (0)  0, n  0

58
Bukti.

( t) m e  λt
Untuk membuktikan persamaan pertama kita misalkan Pm (t)  . untuk m = 0,
m!
 λt '  λt
1, 2, .... Maka P0 (t)  e , sehingga P0 (t)  λe  -  P0 (t)
Berikutnya akan dibuktikan persamaan kedua.

Pn (t  h) =  P{X(t  h)  n | X(t)  k}P{X(t)  k}
k 0

=  Pk (t).P{X(t  h)  n | X(t)  k}
k 0

=  Pk (t).P{X(t  h) - X(t)  n - k | X(t)  k}
k 0

Untuk k = 0, 1, …, n-2 kita punya

P{X(t  h) - X(t)  n - k | X(t)  k}  P{X(t  h) - X(t)  n - k | X(t)  k}

 o1, k (h )  o2, k (h)

atau
P{X(t  h) - X(t)  n - k | X(t)  k}  o 3, n, k (h) untuk k = 0, 1, …, n-2

Maka
n2
Pn (t  h)  Pn (t)[1 - λ n h  o 2, n (h)]  Pn -1 (t)[λ n -1h  o1, n (h)]   Pk (t).o 3, n, k (h )
k 0
atau
Pn (t  h) - Pn (t)  Pn (t)[-λ n h  o 2, n (h)]  Pn -1 (t)[λ n -1h  o1, n (h)]  o n (h )

Jika persamaan ini dibagi dengan h dan diambil limitnya untuk h menuju 0 maka diperoleh
'
Pn (t)  λ n Pn (t)  λ n -1Pn -1 (t)

X(t)
1 - λkh + o(h)
k
k
k-1
λk-1h + o(h)
k-2

.
. o(h)
.

0 t t+ h

Gambar 2. Interpretasi dari teorema 4.1

59
Persamaan dari teorema 4.2.1 secara rekursif dapat diselesaikan dengan menggunakan
sistem persamaan berikut.

P0 (t)  e  λ 0 t

Pn (t)  λ n 1e λ n t 0t e λ n x Pn 1 (x)dx (n  1, 2, ...)

dengan syarat batas P0 (0)  1. dan Pn (0)  0, n  0

Bila semua parameter kelahiran λ1 , λ2 , …, λN berbeda yaitu λj  λk untuk j  k maka

persamaan di atas dapat diselesaian dengan formula eksplisit

P0 (t)  e λ 0 t

1 1
P1 (t)  λ0 ( eλ0t  e  λ1 t )
λ1 - λ 0 λ 0 - λ1
dan Pn(t) = P{X(t) = n | X(0) = 0}

= λ0 … λn-1 [ B0, n e λ 0 t  ...  Bn, n e λ n t ]

1
dimana B 0, n 
(λ1  λ 0 )...( λ n  λ 0 )

1
B k, n  untuk 0 < k < n
(λ 0  λ k )...(λ k -1  λ k )( λ k 1  λ k )...(λ n  λ k )

1
dan B n, n 
(λ 0  λ n )...( λ n -1  λ n )
Untuk membuktikan hal ini memenuhi persamaan, kita substitusikan ke persamaan
tersebut. Untuk n = 1 diperoleh

Pn (t)  λ n 1e λ n t 0t e λ n x Pn 1 (x)dx

P1 (t)  λ 0e λ1t 0t e λ1x P0 (x)dx

P1 (t)  λ 0e λ1t 0t e λ1x e -λ 0 x dx

P1 (t)  λ 0 e  λ1t (λ 0  λ n ) 1[1  e ( λ 0 - λ1 )t ]

1 1
P1 (t)  λ0 ( eλ0t  e  λ1 t )
λ1 - λ 0 λ 0 - λ1
Bukti dapat diteruskan dengan menggunakan induksi.

Teorema 4.2.2
Untuk proses kelahiran murni {X(t), t ≥ 0} dengan parameter {λk, k = 0, 1, 2, …} maka
  1
 Pn (t )  1 untuk semua t ≥ 0 jika dan hanya jika  
n 0 k 0 λ k

60
 Proses Yule dalam biologi dan proses Furry dalam fisika dikenal dengan baik
sebagai contoh dari proses kelahiran murni. Yule terkenal dengan teori matematika untuk
evolusi dan Furry dengan proses tentang yang berhubungan dengan sinar kosmik. Untuk
proses Yule kita asumsikan bahwa setiap anggota dalam suatu populasi mempunyai
peluang λh + o(h) memberikan anggota baru dalam suatu interval waktu. Misalkan
diberikan X(0) = i ( i bilangan Asli) banyak anggota pada waktu 0, dan asumsikan setiap
anggota saling bebas dan tidak ada interaksi, maka kita punya
 k  1
P{ X(t + h) – X(t) = 1 | X(t) = k + i} =  [λh  o(h)][1 - λh  o(h)] k  i -1
 1 
= (k  i)λ)  o(h)
yang berakibat λk+1 = (k + i)λ.
Contoh (Proses Yule)
Dengan mengasumsikan i = 1 untuk proses Yule, kita dapat menyelesaikan P k(t) (k = 1, 2,
3, …) secara rekursif. Yaitu,
t
P1 (t )  e λt , P2 (t )  λe  2λt  e 2λx P1 ( x)dx e  λt (1  e  λt ) ,
0

t
P3 (t )  2λe  3λt  e 3λx P2 ( x)dx e  λt (1  e  λt ) 2 dan
0

t
Pk 1 (t )  kλe  ( k 1) λt  e ( k 1) λx Pk ( x)dx e  λt (1  e  λt ) k
0

di mana peluang transisi Pk(t) menunjukkan bahwa proses dalam state k (k anggota) pada
waktu t, jika diberikan dalam state 1 (1 anggota) pada waktu 0.
Fungsi pembangkit untuk Pk(t) (k = 1, 2, 3, …) diperoleh dengan
menjumlahkannya atas k,
 se  λt
g ( s)   Pk (t ) s k  (0  | s |  1)
k 1 1  (1  e  λt ) s
Mean dan variansinya adalah

E[ X (t )]  re λt dan Var[ X (t )]  r (1  e λt )e 2λt

4.3 Proses Kematian Murni
Proses kematian murni adalah komplemen dari proses kelahiran murni. Proses
kematian murni bergerak melalui state N, N-1, …, 2, 1 dan otomatis terserap di state 0.
Proses ini ditandai dengan parameter kematian μk untuk k = 1, 2, …, N dimana sojourn
time dalam state k berdistribusi eksponensial dengan parameter μk, semua sojourn time
saling bebas.

61
 Definisi 4.3.1
Misalkan {μk} adalah sebuah barisan bilangan positif. Proses kematian murni adalah
proses Markov yang memenuhi:
(i). Pk,k-1(h) = P{X(t + h) – X(t) = -1 | X(t) = k}= μkh + o(h)
(ii). Pk,k(h) = P{X(t + h) – X(t) = 0 | X(t) = k}= 1 - μkh + o(h)
(iii). P{X(t + h) – X(t) > 0 | X(t) = k}= 0, dengan k ≥ 0.

Bila semua parameter kematian μ1 , μ2 , …, μN berbeda yaitu μj  μk untuk j  k maka kita

punya peluang transisi eksplisit
t
PN (t)  e  μN dan untuk n < N
μ n t μ N t
Pn(t) = P{X(t) = n | X(0) = N}= μn+1μn+2 …μN[ A n, n e  ...  A N, n e ]

dimana
1
A k, n 
(μ N  μ k )...(μ k 1  μ k )(μ k -1  μ k )...(μ n  μ k )

X(t)

5
4
3
2
1
0

Gambar 2. Fungsi Sampel dari Proses Kematian Murni t

Dalam proses kelahiran murni adalah alami, kejadiannya terjadi tak hingga kali dalam
sebuah interval waktu sangat kecil. Tapi dalam proses kematian murni, paling banyak n
kejadian terjadi untuk sebarang interval waktu, karena tidak ada kejadian terjadi sehingga
proses mencapai state 0, yaitu state menyerap. Misalkan
Pk(t) = P{X(t) = k | X(0) = n} (k = 0, 1, 2, …, n)
adalah peluang transisi dengan menetapkan kondisi awal X(0) = n. Maka kita punya

Pn' (t )  μ n Pn (t )

Pk' (t )  μ k Pk (t )  μ k 1Pk 1 (t ) (k  1, 2, ..., n - 1)

P0' (t )  μ1 P1 (t )

62
Sistem persamaan ini disebut persamaan forward Kolmogorov untuk proses kematian
murni. Dengan menetapkan parameter {μk, k = 1, 2, …, n}, dapat diperoleh peluang transisi
Pk(t) (k = 0, 1, 2, …, n).
Contoh
Dengan menetapkan μk = μ (k = 0, 1, 2, …, n) dan Pn(0) = 1, Pk(0) = 0 (k = 0, 1, 2, …, n-1),
maka diperoleh

(μt) n  k  μt
Pk (t )  e (k  1, 2, ..., n)
(n - k)!
dan
n
P0 (t )  1   Pk (t )
k 1

n (μt) n  k
= 1  e  μt
k 1 ( n  k )!

n 1 (μt) k
= 1  e  μt
k 0 k!
yang dapat digambarkan oleh distribusi gamma X ~ GAM(μ, n), karena peluang transisi
P0(t) adalah distribusi dari jumlah n peubah acak bebas eksponensial dengan parameter μ.
4.4 Proses Kelahiran dan Kematian
Proses Kelahiran dan Kematian merupakan kombinasi dari proses kelahiran murni
dan kematian murni yang contoh fungsinya dapat dilihat pada gambar 2.

X(t)

Gambar 2. Fungsi Sampel dari Proses Kelahiran dan Kematian t

63
 Definisi 4.4.1
Misalkan {λk} dan {μk} adalah barisan bilangan positif. Proses kelahiran dan kematian
adalah proses Markov yang memenuhi:
(i). Pk,k+1(h) = P{X(t + h) – X(t) = 1 | X(t) = k}= λkh + o(h)
(ii) Pk,k-1(h) = P{X(t + h) – X(t) = -1 | X(t) = k}= μkh + o(h)
(ii). Pk,k(h) = P{X(t + h) – X(t) = 0 | X(t) = k}= 1 – (λk + μk)h + o(h)
(iii). Pij(0) = δij
(iv). λ0 > 0, μ0 = 0, λk, μk > 0, k = 1, 2, 3, ….

Misalkan
Pij (t )  P{X (t )  j | X (0)  i} (i, j = 0, 1, 2, …)

adalah peluang transisi stasioner bahwa proses pada state j pada waktu t, jika diberikan
proses pada state i pada waktu 0. Dengan menggunakan persamaan Chapman-Kolmogorov
dan asumsikan waktu t dan h > 0 interval waktu yang sangat kecil, untuk j = 0 maka kita
punya
Pi0 (t  h)  Pi0 (t ) P{X (t  h)  X (t )  0 | X (t )  0}

 Pi1 (t ) P{X (t  h)  X (t )  1 | X (t )  1}

  Pik (t ) P{ X (t  h)  X (t )  k | X (t )  k}
k 2

= Pi0(t)[1 - λ0h + o(h)] + Pi1(t)[μ1h + o(h)] + o(h)

Dengan menyusun kembali dan mengambil h → 0 diperoleh
dPi 0 (t )
Pi'0 (t )  = - λ0 Pi0(t) + μ1 Pi1(t)
dt
Secara serupa maka untuk j diperoleh
Pij (t  h)  Pi, j 1 (t ) P{X (t  h)  X (t )  1 | X (t )  j  1}

 Pij (t ) P{X (t  h)  X (t )  0 | X (t )  j}

 Pi, j 1 (t ) P{X (t  h)  X (t )  1 | X (t )  j  1}


  Pik (t ) P{ X (t  h)  X (t )  j  k | X (t )  k}
k  2,
k  j 1, j , j 1

= Pi,j-1(t)[λj-1h + o(h)] + Pij(t)[1 – (λj + μj)h + o(h)]

+ Pi,j+1(t)[ μj+1h + o(h)] + o(h)
Dengan menyusun kembali dan mengambil h → 0 diperoleh

Pij' (t ) = λj-1 Pi,j-1(t) - (λj + μj)Pij(t) + μj+1 Pi,j+1(t) (j = 1, 2, ...)

64
 Definisi 4.4.2
Persamaan forward Kolmogorov untuk proses kelahiran dan kematian adalah
dPi 0 (t )
Pi'0 (t )  = - λ0 Pi0(t) + μ1 Pi1(t)
dt

Pij' (t ) = λj-1 Pi,j-1(t) - (λj + μj)Pij(t) + μj+1 Pi,j+1(t) (j = 1, 2, ...)

dengan kondisi awal

Pii(0) = 1, Pij(0) = 0 (i ≠ j

Kita akan bahas perhitungan secara numerik dari peluang transisi untuk rantai Markov state
berhinga yang umum. Untuk menjelaskan persamaan diferensial dalam teorema 4.4.2 , kita
analogikan modelnya seperti tangki air. Misalkan sebuah tangki mempunyai ketinggian air
x(t) pada waktu t, di mana air yang masuk adalah I perunit waktu dan air yang keluar O
perunit waktu. Persamaan diferensial yang berhubungan dengan x(t) adalah
dx(t )
 I O
dt
Jika ada dua tangki air yang bertingkat maka persamaan diferensialnya adalah
dx1 (t ) dx 2 (t )
 I1  O1 ,  I 2  O2 (O1  I 2 )
dt dt
dimana x1(t) dan x2(t) tinggi air pada tangki 1 dan 2 pada waktu t.
Contoh (Proses Pertumbuhan Linear)
Suatu proses kelahiran dan kematian Proses Pertumbuhan Linear jika
λ k  kλ , μ k 1  (k  1)μ (k = 0, 1, 2, …)
Contoh dari proses seperti ini ditemukan dalam reproduksi dan pertumbuhan populasi.
Dengan menetapkan λ0 = 0 dan hanya state 0 sebagai state menyerap, maka kita punya
persamaan maju Kolmogorov:

Pi'0 (t )  μPi1 (t )

Pij' (t )  ( j  1)λPi, j 1 (t )  j (λ  μ ) Pij (t )  ( j  1)μPi, j 1 (t ) (j = 1, 2, …)

Dengan mengasumsikan X(0) = i ≥ 1, maka ekspektasi pada waktu t adalah


M (t )  E[ X (t )]   jPij (t )
j 0

Jika dikalikan persamaan Pij' (t ) dengan j pada kedua sisi dan menjumlahkannya atas j

maka diperoleh

M ' (t )  (λ  μ)M (t )

65
dengan kondisi awal M(0) = i. Solusi dari persamaan ini adalah

M (t )  ie (λ  μ )t
Limit dari M(t) untuk t →∞ adalah
0 (   )

lim M (t )  i (   )
t    (   )

Ini berarti bahwa jika rata-rata kelahiran λ lebih besar dari rata-rata kematian, maka rata-
rata populasi divergen. Jika rata-rata kelahiran λ sama dengan rata-rata kematian, maka
rata-rata populasi tidak pernah berubah. Jika rata-rata kelahiran λ lebih kecil dari rata-rata
kematian, maka rata-rata populasi akan konvergen menuju 0 yaitu lenyap..

Teorema 4.4.1
Untuk proses kelahiran dan kematian {X(t), t ≥ 0}dengan parameter {λk, μk+1 > 0, k = 0,
1, 2, 3, ….}, jika X(t) = i maka waktu antar kedatangan berdistribusi eksponensial
dengan parameter λi+ μi > 0, dimana peluang pindah ke state i - 1 atau i + 1 adalah μi /
(λi + μi ) atau λi / (λi + μi ).

Catatan. Bila i = 0 maka peluang perpindahan state hanya state 1 (yaitu μ0 = 0 berakibat μ0
/ (λ0 + μ0) = 0 dan λ0 / (λ0 + μ0 ) = 1)

Teorema 4.4.2
Untuk proses kelahiran dan kematian {X(t), t ≥ 0}dengan parameter {λk, μk+1 > 0, k = 0,
1, 2, 3, ….}, dengan semua parameter positif yaitu
λk > 0, μk+1 > 0, (k = 0, 1, 2, 3, ….)
maka terdapat limit peluang
p j  lim Pij (t ) , (i, j = 0, 1, 2, 3, ….)
t 0

yang bebas dari state awal jika dan hanya jika

 λ k 1
j
  
j  0 k 1 μ k

j
dimana  .  1 untuk j = 0.
k 1

Limit peluang tersebut diberikan oleh

1
  j λ   j λ 
p0     k 1  dan p j    k 1  p0
 j  0 k 1 μ k  k 1 μ k 

66
 Teorema 4.4.3
Untuk proses kelahiran dan kematian {X(t), t ≥ 0}dengan parameter {λk, μk+1 > 0, k =
0, 1, 2, ….N} di mana N berhingga, dengan semua parameter positif yaitu
λk > 0, μk+1 > 0, (k = 0, 1, 2, … N-1)
maka terdapat limit peluang
 N j 1

   λ k 1  , ( j  0)
 j  0 k 1 μ k 
p j  lim Pij (t ) =  
t    j λ k 1 
   μ  p0 , ( j  1,2,..., N )
 k 1 k 
j
yang bebas dari state awal i dimana  .  1 untuk j = 0.
k 1

Latihan
1. Hitung mean dan variansi dari proses Yule di mana X(0) = 1.
2. Misalkan proses kelahiran murni pada state 0, 1, …, N dengan λk = (N-k)λ untuk k = 0,
1, …, N dan X(0) = 0. Tentukan Pn(t) = P{X(t) = n}.
3. Tentukan peluang transisi untuk untuk proses kematian murni digambarkan dengan
X(0) = 3, μ3 = 1, μ2 = 2 dan μ1 = 3.
4. Untuk proses kematian linear dengan X(0) = N = 5 dan α = 2, tentukan P{X(t) = 2}.
5. Tentukan distribusi stasioner, bila ada, untuk proses kelahiran dan kematian yang
mempunyai parameter konstant λn = λ dan μn = μ untuk n = 1, 2, ….

67
 BAB 5
MODEL ANTRIAN
5.1 Proses Antrian
Kita sering melihat orang menunggu untuk dilayani, seperti di super market, bank
dan sebagainya. Hal ini dapat kita lihat secara langsung, namun ada yang tidak bisa dilihat
seperti panggilan telepon karena sibuk, pesawat yang menunggu untuk mendarat karena
lalu lintas udara yang sibuk. Suatu trasaksi harus menunggu untuk diproses karena prosesor
sedang sibuk.
Model antrian adalah model stokhastik yang membentuk garis tunggu atau antrian.
Kita akan meninjau model antrian ini dengan menggunakan pengembangan dari proses
stokhastik yang telah dijabarkan pada bagian terdahulu. Khususnya banyak model antrian
yang dapat dianalisa dengan menggunakan proses kelahiran dan kematian.
5.2 Model Antrian Pelayan Tunggal
Di sini kita akan membahas model antrian dengan kedatangan Poisson (Poisson
Arrival) dan pelayanan eksponensial (Exponential Service). Kita asumsikan pelanggan tak
hingga dan disiplin antrian FCFS.
Misalkan F(t) = 1 – e-λt adalah distribusi waktu antar kedatangan dari kedatangan
pelanggan. Maka untuk h > 0, kita kita punya
F(h) = 1 – e-λh = λh + o(h)
Yaitu rata-rata kedatangan (birth) untuk proses kelahiran dan kematian adalah
λk = λ (k = 0, 1, 2, …)
Dengan catatan bahwa rata-rata waktu antar kedatangan adalah 1/λ.
Misalkan G(t) = 1 – e-μt adalah distribusi waktu antar kedatangan dari kedatangan
pelanggan. Maka untuk h > 0, kita kita punya
G(h) = 1 – e-μh = μh + o(h)
Yaitu rata-rata pelayanan (death) untuk proses kelahiran dan kematian adalah
μk+1 = μ (k = 0, 1, 2, …)
Dengan catatan bahwa rata-rata waktu pelayanan adalah 1/μ.
Selanjutnya kita akan membahas model antrian M/M/1 dengan rata-rata kedatangan λk = λ
dan rata-rata pelayanan μk+1 = μ.
5.2.1 Model Antrian M/M/1/∞
Kita asumsikan rata-rata kedatangan λk = λ dan rata-rata pelayanan μk+1 = μ. Menurut
teorema 4.4 syarat perlu dan cukup agar limit peluang p j  lim Pij (t ) ada adalah
t 0

 j λ  λj 
k 1 
     (ρ)  
j
 
j  0 k 1 μ k j 0  μ  j 0

68
 j
dimana  .  1 untuk j = 0. Dalam hal ini kita asumsikan
k 1

λ
ρ  1 atau λ < μ
μ
di mana
λ [rata  rata kedatangan ] 1/μ [rata  rata waktu pelayanan]
ρ   
μ [rata - rata pelayanan] 1/λ [rata - rata waktu antar kedatangan ]
yang disebut dengan intensitas lalu lintas (traffic intensity) dalam teori antrian. Disini syarat
cukup dan perlu yang harus dipenuhi adalah ρ < 1 yaitu [rata-rata waktu antar kedatangan =
1/λ] > [rata-rata waktu pelayanan = 1/μ]. Jika ρ ≥ 1 maka tidak terdapat limit peluang pj (j =
0, 1, 2, …), karena panjang antrian menjadi takhingga.
Misalkan {X(t), t ≥ 0} adalah sebuah proses kelahiran dan kematian yang
menggambarkan sebuah model antrian M/M/1/∞. Prilaku dalam keadaan “steady-state”
dinyatakan dengan X(∞) = X. Maka menurut teorema 4.4 terdapat limit peluang
pj = (1 – ρ)ρj, (j = 0, 1, 2, …)
yang berdistribusi geometric X ~ GEO(1 – ρ). Perlu dicatat bahwa pj berarti limit peluang
dengan terdapat j pelanggan dalam sistem , yaitu ada (j-1) pelanggan menunggu untuk
dilayani dan seorang pelanggan telah dilayani dalam “steady-state”. Mean dan variansi dari
X diberikan dengan
 ρ
L  E[X]   j(1 - ρ)ρ j 
j 1 1 ρ

ρ
Var(X)  E[X 2 ] - E[X] 2 
(1 - ρ) 2
Misalkan Lq adalah rata-rata banyaknya pelanggan dalam sebuah antrian yaitu rata-rata
banyaknya pelanggan menunggu untuk dilayani. Jika ada j pelanggan dalam sistem maka j -
1 pelanggan menunggu untuk dilayani. Maka kita punya,
   ρ2
L q   (j  1)p j   j p j   p j  L  ρ 
j 1 j 1 j 1 1 ρ

dimana
P{pelayan bebas dalam keadaan “steady state} = p0 = 1 – ρ

P{pelayan sibuk dalam keadaan “steady state} =  p j = ρ
j 1

Kita menyebut ρ sebagai faktor utilisasi (utilization factor) karena P{Pelayan sibuk} = ρ.

69
Contoh.
Pemrosesan kata (word processing) dalam sebuah kantor dapat diformulasikan dalam
model antrian M/M/1/∞. Asumsikan rata-rata waktu kedatangan pemrosesan kata adalah 25
menit dan rata-rata waktu pelayanan adalah 15 menit. Hitunglah.
a. Peluang bahwa pemrosesan kata sibuk.
b. Rata-rata waktu tunggu.
c. Jika permintaan untuk pemrosesan kata naik dan rata-rata waktu yang dihabiskan
sistem di atas 45 menit, kita seharusnya memperkenalkan pemrosesan kata yang lain.
Jawab.
a. Dari soal diketahui bahwa 1/λ = 25 menit, 1/μ = 15 menit. Intesintas lalu lintas
ρ = λ/μ = 3/5. Maka P{sibuk} = ρ = 3/5.
ρ
b. Wq  = 22,5 menit.
μ(1  ρ)
c. Asumsikan bahwa λ tak diketahui, maka kita punya ketaksamaan
ρ 1/μ 15
Wq  = =  45
μ(1  ρ) 1  λ/μ 1  15λ
yang berakibat 1/λ ≤ 22,5 menit. Yaitu jika rata-rata waktu untuk pemrosesan lebih kecil
atau sama dengan 22,5 menit maka kita seharusnya memperkenalkan pemrosesan kata yang
lain.
5.2.2 Model Antrian M / M / 1 / N
Dalam bagian ini kita asumsikan bahwa kapasitas maksimum dari sistem antrian adalah
hingga yaitu sebanyak N. Yaitu maksimum (N-1) pelanggan menunggu untuk dilayani dan
satu orang sedang dilayani.
Untuk model antrian M/M/1/N, semua parameter positif yaitu,
λk = λ > 0, μk+1 = μ > 0, (k = 0, 1, 2, … N-1)
maka terdapat limit peluang
 (1  ρ)ρ j
 , (   1; j  0, 1, 2, ..., N)
1  ρ N 1
pj  
 1 , (   1; j  0, 1, 2, ..., N)
 N  1

di mana ρ = λ/μ adalah intensitas lalulintas dari antrian.

Rata-rata jumlah pelanggan dalam sistem dan dalam antrian secara berturut-turut adalah
Untuk ρ  1,
N 1  (N  1)ρ N  Nρ N 1
L   jp j  ρ
j 0 (1  ρ)(1  ρ N 1 )

70
 N
L q   (j - 1)p j  L  (1  p0 )
j 1

Untuk ρ = 1,
N N
L   jp j 
j 0 2

N N(N - 1)
L q   (j - 1)p j  L  (1  p0 ) 
j 1 2(N  1)

Misalkan U dan V berturut-turut adalah waktu tunggu dalam antrian dan waktu pelayanan
dan U+V adalah waktu yang dihabiskan dalam sistem tersebut. Peluang bersyarat bahwa
seorang pelanggan ingin bergabung dalam antrian jika sudah terdapat j pelanggan dalam
antrian adalah
pj
qj  , (j = 0, 1, 2, …, N-1)
1  pN
karena kita tidak dapat bergabung jika sudah terdapat N pelanggan dalam antrian. Peluang
bahwa seorang pelanggan telah bergabung dalam antrian sebelum pelanggan ke (n+1) telah
selesai dilayani sampai waktu t adalah
t μ(μx) n e μx n ( t) n  μt
1  dx   e , (n = 0, 1, …, N-1)
0 n! k  0 k!

yang mana peluang keberhasilannya berdistribusi gamma GAM(μ, n+1). Distribusi dari (U
+ V) diberikan dengan kedua persamaan di atas yaitu
N 1 j ( t ) k
P{U  V  t}  1   q j  e  μt
j 0 k 0 k!

Kemudian dstribusi dari U adalah

N 2 j ( t ) k
P{U  t}  1   q j 1  e  μt
j 0 k 0 k!

Rata-rata waktu yang dihabiskan dalam antrian adalah

N 1 j 1
W = E[U + V] =  q j
j 0 

1  ( N  1)  N  N N 1
 , (   1)
  (1   )(1   N
)
=
 N 1, (   1)
 2

Rata-rata waktu waktu tunggu dalam antrian adalah

71
 N 2 j 1
W = E[U] =  q j 1
j 0 

 1  N N 1  ( N  1)  N
 , (   1)
  (1   )(1   N )
=
 N 1, (   1)
 2

Rata-rata kedatangan aktual

N 1
 a   p j   (1  p N )
j 0

Dengan menggunakan rata-rata kedatangan aktual kita punya Formula kecil berikut,
L = λaW dan Lq = λaWq
5.3 Model Antrian Pelayan Majemuk
5.3.1 Model Antrian M/M/c/∞
Untuk model antrian ini kita asumsikan
 k  , (k  0, 1, 2, ...)

 k (k  0, 1, 2, ..., c)
k  
c (k  c, c  1, c  2, ...)
Agar limit peluang ada maka syarat perlu dan cukup yang harus dipenuhi adalah

 c 1 1  λ  j c 2 
j λ 1λ      
  k 1 =       1        ...
j  0 k 1 μ k j  0 j!  μ  c!  μ    c   c  
 
c 1 u j uc  n
=   
j  0 j! c! n  0

c 1 u j uc
=   
j  0 j! c!(1   )

yang mengakibatkan ρ < 1 dimana u = λ/μ dan ρ = u/c = λ/(cμ). Dengan mengasumsikan ρ
< 1 maka kita punya lomit peluang
1
 c 1 u j uc 
p0     
 j  0 j! c!(1   ) 
 uj
 p0 (j  1, 2, ..., c)
 j!
pj   j c
c
u  u  (j  c, c  1, ...)
 c!  c  p0

Rata-rata banyaknya pelanggan dalam antrian adalah

72
  uc p uc
L q   (j - c)p j  p0 (0  1  2  2  3 3  ...)  0
j c c! c!(1 -  ) 2
Dengan menggunakan Formula Kecil, kita punya rata-rata waktu tunggu
Lq
Wq 

Rata-rata waktu pelayanan adalah 1/μ, sehingga rata-rata waktu yang dihabiskan selama
antri adalah
1
W  Wq 

Peluang dari seorang pelanggan yang baru saja datang harus menunggu untuk dilayani
adalah
 uc
P{pelanggan yang baru datang, menunggu untuk dilayani} =  p j  p0
j c c!(1   )

Yang disebut Formula C Erlangs.

uc u c / c!
C ( c, u )  p0 
c!(1   )  c 1 u j uc 
(1   )    
 j  0 j! c!(1   ) 

Dengan menggunakan Formula C Erlang, kita punya distribusi waktu tunggu

P{U  t}  1  C (c, u)e -ct(1-  )

Rata-rata waktu tunggu adalah
C ( c, u ) / 
Wq 
c(1   )
5.3.2 Model Antrian M/M/c/c
Dalam model antrian ini kapasitas maksimum antrian sama dengan banyaknya canel
pelayanan. Seorang pelanggan mendatangi sebuah sistem maka ia langsung dapat dilayani
jika paling sedikit satu pelayan sedang kosong. Sebaliknya jika tidak ada pelayan yang
kosong maka ia harus pergi tanpa dilayani.
Berdasarkan bagian sebelumnya, maka kita punya limit peluang

uj
pj  p0 (j  1, 2, ..., c) (*)
j!
dimana
1
 u u2 uc 
p0  1    ...  
 1! 2! c! 

dengan menulis ulang persamaan (*) maka kita punya

73
 u j  u  c u j  u 
pj  e /  e ( j  0, 1, 2, ..., c)
j!  j  0 j! 
 
yang dapat dihitung dengan mudah dengan table distribusi Poisson. Khususnya

u c / c!
pc   B (c, u )
1  u  u 2 / 2!...  u c / c!
yang disebut dengan Formula B Erlang atau Erlang’s Loss Formula yaitu peluang bahwa
seorang pelanggan harus pergi tanpa dilayani.
Rata-rata kedatangan actual diberikan oleh
a   (1  pc )  [1  B(c, u)]
Perlu dicatat bahwa Lq = Wq = 0, karena tidak ada garis antrian dalam model ini. Rata-rata
banyaknya pelanggan dalam sistem adalah
c c 1 u j
L   jp j  up0   u[1  B(c, u )]
j 0 j  0 j!

Kita dengan mudah dapat membuktikan Formula Kecil

L 1
W  
a 
5.3.3 Model Antrian M/M/∞/∞
Dalam model antrian M/M/∞/∞ semua pelanggan yang datang dapat langsung dilayani,
karena banyaknya canel pelayanan tak hingga. Kita dapat mendekati model antrian ini
dengan model M/M/c/c dengan c cukup besar. Maka kita punya limit peluang

u j u
pj  e ( j  0, 1, 2, ...)
j!
yang mana X berdistribusi Poisson X ~ POI(u).
Karena X ~ POI(u) maka kita punya rata-rata banyaknya pelanggan dalam sistem adalah
L=u
Dengan menggunakan Formula Kecil maka kita punya rata-rata waktu pelayanan yaitu
W=u/λ=1/μ
Karena tidak ada antrian maka kita juga punya
Lq = Wq = 0
Peluang j pelanggan telah dilayani pada waktu t, dengan syarat tidak ada pelanggan pada t
= 0 diberikan oleh

( p t) j  p t
P{j pelanggan telah dilayani pada waktu t} = e (j = 0, 1, 2, ...)
j!
Yaitu peluang bahwa j pelanggan telah dilayani pada waktu t mengikuti proses Poisson
non-homogen dengan fungsi nilai rata-rata

74
 t
p t    [1 - G(x)]dx
0

di mana G(t) adalah sebarang distribusi waktu. Jika t → ∞ maka kita punya

u j u
P{j pelanggan telah dilayani dalam steady state} = e (j = 0, 1, 2, ...)
j!
di mana
 
lim p t    [1 - G(x)]dx  u
t  0 
Khususnya jika kita asumsikan distribusi waktu pelayanan G(x) berdistribusi eksponensial
yaitu G(x) = 1- e-μt, maka kita punya fungsi nilai rata-rata
t 
p t    [1 - G(x)]dx  (1  e   t )
0 
Fungsi nilai rata-rata ini dapat diselesaikan dengan persamaan Kolmogorov’s forward di
mana λk = λ, μk+1 = (k+1)μ, P00(0) = 1 dan P0j(0) = 0 untuk j ≥ 1.
5.4 Antrian dengan Populasi Hingga
Dalam bagian ini kita memusatkan perhatian pada model antrian M/M dengan populasi
hingga. Contoh khusus dari model antrian ini adalah dalam masalah perbaikan mesin
(machine repairman problems). Dalam pasal ini kita akan menggunakan istilah-istilah
dalam masalah perbaikan (repairman problem). Misalkan kita mempunyai K mesin yang
dapat dioperasikan. Jika salah satu dari mesin rusak, maka mesin harus langsung diperbaiki
atau menunggu untuk diperbaiki jika repairman sibuk. Asumsikan rata-rata kerusakan
(kedatangan) adalah λ untuk setiap mesin dan rata-rata perbaikan (pelayanan) adalah μ
untuk setiap repairman. Jika terdapat n mesin yang sedang dioperasikan, di mana n = 1, 2,
…, K, maka peluang satu dari n mesin rusak untuk interval kecil h > 0 diberikan oleh
n
 (1  e   h )e  (n 1) h  n h  o(h)
1
yaitu rata-rata kerusakan bervariasi bergantung pada banyaknya mesin yang sedang
dioperasikan.
5.4.1 Model Antrian M/M/1/K/K
Misalkan state j adalah jumlah mesin rusak, di mana j = 1, 2, …, K. Maka kita punya
 j ( K  j ) (j  0, 1, 2, ..., K - 1)

 j  (j  1, 2, ..., K)
j
K!   
dan pj    p0 ( j  0, 1, 2, ..., K )
( K  j )!   

75
di mana
1
 K K!    
j
p0      
 j  0 ( K  j )!    
 
Peluang terdapat paling sedikit satu mesin yang telah diperbaiki diberikan oleh
K
P{paling sedikit satu mesin selesai diperbaiki} =  p j
j 1

= 1  p0

1
= 1
j
K K!   
  
j  0 ( K  j )!   

= 1  B( K ,  /  )
di mana B(K, μ/λ) adalah Formula B Erlang.
Rata-rata kerusakan (kedatangan) aktual diberikan oleh
K 1
 a    j p j  (1  p0 ) 
j 0

Selanjutnya kita punya

K K 1 1
 a dan Wq   
1 /   Wq  1 /  (1  p0 )   

Rata-rata waktu yang dihabiskan dalam sistem diberikan oleh

1 K 1
W  Wq   
 (1  p0 )  
Penggunaan λa dan Formula Kecil kita punya
L   aW dan Lq   aWq

Kita dapat menghitung L dan Lq sebagai berikut

K K
L   jp j dan Lq   ( j  1) p j
j 0 j 1

76
5.4.2 Model Antrian M/M/c/K/K
Misalkan state j adalah jumlah mesin rusak, di mana j = 1, 2, …, K. Maka kita punya
 j ( K  j ) (j  0, 1, 2, ..., K - 1)

 j (j  1, 2, ..., c)
 j 
c (j  c, c  1, ..., K)
dan
  K    j
    p0 ( j  0, 1, 2, ..., K )
 j 
p j      j
 j!  K   
  
 j- c  j    p0 ( j  c, c  1, ..., K )
 c!c   
di mana

 c  K    j j  1
K j!  K   
p0            
 j  0  j    j c
 j  0 c!c  j    

Rata-rata banyak pelanggan dalam sistem dan dalam antrian diberikan oleh
K K
L   jp j dan Lq   ( j  c ) p j
j 0 j 1

Rata-rata kerusakan (kedatangan) aktual diberikan oleh

K
 a
1 /   Wq  1 / 

Dengan menggunakan Formula Kecil maka kita punya rata-rata waktu tunggu diberikan
oleh
Lq 1 1  Lq 
Wq     Wq   

a     K 
yang mengakibatkan
1 1
Lq   
Wq    
K  Lq

Yaitu Wq dapat diturunkan dari Lq. Rata-rata waktu yang dihabiskan dalam sistem
diberikan oleh
W = Wq + 1/μ
yang mengakibatkan L   aW

77
Selanjutnya akan diperkenalkan beberapa besaran dalam masalah repairman
• Rata-rata banyak mesin yang telah diperbaiki
c K
Lr   jp j  c  pj
j 0 j  c 1

• Rata-rata banyak repairman idle

c
Li   (c  j ) p j
j 0

• Koefisien Loss untuk mesin

[rata  rata banyak mesin dalam antrian] Lq

Mq  
[banyak mesin] K
• Koefisien perbaikan untuk mesin
[rata  rata banyak mesin yang telah diperbaiki ] Lr
Mr  
[banyak mesin] K
• Koefisien Loss untuk repairman
[rata  rata banyak repairman idle] Li
Ri  
[banyak repairman] c
• Koefisien operasi untuk mesin
[rata  rata banyak mesin yang beroperasi ] L
Mw   1
[banyak mesin] K
di mana
Mq + Mr +Mw = 1

5.4.3 Model Antrian M/M/c/c/c

Penggunaan akibat dalam bagian terdahulu dan dengan mengasumsikan K = c maka kita
punya
j c j
 c      
p j       ( j  0,1,2,..., c)
 j        
yang berdistribusi Binomial X ~ B(c, λ/(λ+μ))
Rata-rata banyak pelanggan dalam sistem adalah
c
L

Rata-rata kerusakan (kedatangan) aktual diberikan oleh
c 1 c
 a  p j j 
j 0 

78
Rata-rata waktu yang dihabiskan dalam sistem diberikan oleh
1 1
W  
 a
Latihan
1. Counter di sebuah toko hamburger dilayani oleh satu pelayan dan dapat
diformulasikan sebagai model antrian M/M/1/∞. Pelanggan datang menurut Proses
Poisson dengan 45 orang per jam dan dilayani dengan rata-rata waktu pelayanan 1
menit. Tentukan (i) peluang pelayan sibuk, (ii) rata-rata banyak pelanggan dalam
antrian, (iii) rata-rata waktu tunggu untuk pelayanan, dan (iv) peluang bahwa
seorang pelanggan menunggu lebih dari 4 menit dalam antrian.
2. Seorang sekretaris menerima pekerjaan olah kata. Model ini dapat diformulasikan
sebagai model antrian M/M/1/∞. Pekerjaan datang dengan rataan Poisson enam
pekerjaan per-jam dan dilayani dengan rata-rata waktu pelayanan 8 menit per-
pekerjaan. Tentukan (i) peluang bahwa sekretaris sibuk, (ii) rata-rata banyak
pekerjaan dalam sistem, (iii) rata-rata waktu yang dihabiskan dalam sistem, dan (iv)
peluang bahwa kedatangan pekerjaan akan lengkap di bawah 40 menit.
3. Untuk model antrian M/M/1/∞, buktikan bahwa peluang terdapat n atau lebih
pelanggan dalam sistem adalah ρn.
4. Sebuah klinik gigi mempunyai ruang tunggu untuk 4 orang dan dilayani oleh
seorang dokter gigi. Model ini dapat diformulasikan sebagai model antrian
M/M/1/5. Pasien datang dengan rataan Poisson 2 orang per-jam dan dokter gigi
menghabiskan waktu rata-rata 20 menit per-pasien. Dentukan (i) peluang bahwa
dokter gigi sibuk, (ii) rata-rata banyaknya pasien dalam sistem, dan (iii) rata-rata
waktu tunggu.

DAFTAR KEPUSTAKAAN
Chung, Kai Lai. (1967). Markov Chain, Springer-Verlag Berlin, Berlin.
Osaki, Shunji. (1992), Applied Stochastic System Modelling, Springer-Verlag.
Parzen, Emanuel. (1962), Stochastic Processes, Holden-Day Inc. San Fransisco.
Ross, Seldon M. (1983), Stochastic Processes, John Willey & Son Inc.
Taylor, Howard. (1984) An Introduction Stochastic Modeling, Academic Press.
Tijms, Henk C. (1986), Stochastic Modelling and Analysis, John Willey .

79