P10-1 P10-2
P10-3 P10-4
P10-5 P10-6
Baik dalam model epidemik deterministik maupun stokastik Untuk itu diperlukan beberapan pemahaman proses
tujuan kajian adalah untuk mempelajari perilaku sistem stokastik, terutama dalam hal:
penyebaran penyakit. 1. Rantai Markov
2. Proses Kelahiran dan Kematian
Dalam model deterministik dipelajari beberapa hal terkait 3. Proses Bercabang
kestabilan sistem: bilangan reproduksi dasar, titik tetap bebas 4. Jalan Acak
penyakit, dan titik tetap endemik. Dalam model stokastik 5. Persamaan Diferensial Kolmogorov
dipelajari sebaran peluang stasioner, sebaran peluang durasi
bebas penyakit, ukuran akhir populasi, serta rata-rata durasi
bebas penyakit.
1
9/10/2021
P10-7 P10-8
P10-9 P10-10
Mean = 28.86
Median = 25
IQR = 22
9 10
Gambler ruin-02.r
GitHubGist, https://gist.github.com/tcspears/702ec9ccea4c3f70a367. 210821 59
P10-11 P10-12
10:03:46 12 59
2
9/10/2021
P10-13 P10-14
1 1 1 1
P10-15 P10-16
P10-17 P10-18
3
9/10/2021
P10-19 P10-20
S(t): Susceptible, jumlah individu yang dapat tertular Dalam model epidemik 𝑆𝐼, individu yang telah terinfeksi
penyakit (rentan) pada waktu t, tetap dalam kondisi terinfeksi selamanya.
I(t): Infection, jumlah individu yang sedang terinfeksi atau
yang pernah terinfeksi pada waktu t. Contohnya adalah kasus infeksi influenza.
Model populasi tertutup Individu rentan dapat menjadi terinfeksi dengan laju
𝑁 =𝑆 𝑡 +𝐼 𝑡 . sebanding dengan banyaknya individu rentan dan
banyaknya individu terinfeksi.
N adalah ukuran populasi (konstan).
P10-21 P10-22
Skema
Persamaan diferensial
𝛽
𝑁
𝑆𝐼
model epidemik SI Karena N konstan, maka S dapat dinyatakan sebagai
𝜆 𝜆 𝑆 = 𝑁−𝐼
adalah:
𝜇 𝜇 𝑑𝑆 𝛽 sehingga persamaan diferensial = 𝑆𝐼, akan menjadi
= − 𝑆𝐼
𝜆: laju kelahiran [18-30] /1000 wanita/thn 𝑑𝑡 𝑁 𝑑𝐼 𝛽 𝐼
𝜇: laju kematian [14-20]/1000 orang/tahun 𝑑𝐼 𝛽 = 𝑁 − 𝐼 𝐼 = 𝛽𝐼 1 − .
= 𝑆𝐼. 𝑑𝑡 𝑁 𝑁
Populasi tertutup: 𝜆 = 𝜇
(kematian karena infeksi diabaikan).
𝑑𝑡 𝑁 Persamaan tersebut merupakan persamaan diferensial logistik,
𝑑𝑦 𝑦
= 𝑟𝑦 1 − ,
𝛽: laju transmisi, banyaknya terjadi kontak per unit waktu antara individu 𝑑𝑡 𝐾
rentan dan terinfeksi sehingga individu rentan menjadi terinfeksi (1/unit dengan 𝑦 = 𝐼, 𝑟 = 𝛽, dan 𝐾 = 𝑁.
waktu)
P10-23 P10-24
Friday, September 10, 2021 Peluang Transisi dalam Rantai Markov Dengan Waktu Kontinu
4
9/10/2021
P10-25 P10-26
P10-27 P10-28
P10-29 P10-30
5
9/10/2021
P10-31 P10-32
Selanjutnya dilambangkan peluang transisi: Laju infeksi per satuan waktu adalah , yang artinya jika
𝑝 (𝑛 + 1, 𝑛) = Prob 𝐼 =𝑗𝐼 =𝑖 .
Proses dikatakan time homogenous jika 𝑝 (𝑛 + 1, 𝑛) tidak saat ini terdapat s individu rentan dan i individu terinfeksi,
tergantung pada 𝑛, sehingga dapat dinyatakan dengan 𝑝 . Jika maka banyaknya individu baru yang terinfeksi dalam
1. 𝑗 − 𝑖 = 𝑘, artinya dalam waktu 1 satuan, individu terinfeksi selang waktu satu satuan adalah .
bertambah sebanyak k individu
2. jika k = 0 atau (𝑗 − 𝑖 = 0), artinya tidak ada individu terinfeksi Karena s = N − i, maka = .
yang baru.
3. Tidak mungkin 𝑗 − 𝑖 < 0 karena merupakan proses kelahiran
murni (tidak ada individu terinfeksi yang sembuh).
P10-33 P10-34
P10-35 P10-36
Atau dinyatakan dalam bentuk fungsi peluang sebagai Fungsi peluang transisi di atas dapat dirumuskan ke dalam bentuk matriks
peluang transisi sebagai berikut.
berikut. dari i
𝛽𝑖 𝑁 − 𝑖 𝑝 0 0 … 0 0
, 𝑗 = 𝑖+1 0 𝑝 0 … 0 0
𝑁 0 𝑝 𝑝 … 0 0
𝑝 = 𝛽𝑖 𝑁 − 𝑖 𝑷= 𝑝 = 0 0 𝑝 … 0 0 ke - j
1− , 𝑗=𝑖 ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝑁
0 0 0 … 𝑝 , 0
0 , selainnya 0 0 0 … 𝑝 , 𝑝
𝑝 menyatakan peluang bahwa pada waktu awal berada di state i dan pada
Jumlah dari peluang transisi tersebut sama dengan satu. satu langkah berikutnya berada di state j.
6
9/10/2021
P10-37 P10-38
𝑝 , =
𝛽 𝑁−𝑖 𝑖
(𝛽) 0 𝑁 − 0 Fungsi peluang transisi di atas dapat dirumuskan ke dalam bentuk matriks
𝑁
𝑝 =1− =1−0=1 peluang transisi sebagai berikut.
𝑁 dari i
Karena Σ𝑝 = 1, ∀𝑗, dan 𝑝 = 1, maka 𝑃
𝑝 … 0
1 0 0 … 0 0
0 𝑝 0 … 0 0
𝑝 = 0, untuk j= 1,2, … , 𝑁 0
0
…
…
0
0 0 𝑝 𝑝 … 0 0
= 0 … 0
⋮ ⋱ ⋮ 𝑷=𝑝 = 0 0 𝑝 … 0 0 ke - j
0 … 0
𝛽 𝑁 𝑁−𝑁 0 … 𝑝
⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝑝 =1− = 1. 0 0 0 … 𝑝 , 0
𝑁 0 0 0 … 𝑝 , 1
Karena Σ𝑝 = 1, ∀𝑗, dan 𝑝 = 1, maka 𝑝 menyatakan peluang bahwa pada waktu awal berada di state i dan pada
𝑝 = 0, untuk 𝑗 = 0,1,2, … 𝑁 − 1 satu langkah berikutnya berada di state j.
P10-39 P10-40
Matriks 𝑷 disebut juga sebagai matriks stochastic, karena jumlah unsur dalam kolom
yang sama dengan satu.
Dengan menggunakan sifat Markov dan peluang transisi di atas, maka 𝑝 𝑛 + 1 dapat
dirumuskan sebagai
𝑃 𝑋 =𝑖 =𝑃 𝑋 = 𝑖 𝑋 = 𝑖−1 𝑃 𝑋 =𝑖−1 +
𝑃 𝑋 =𝑖𝑋 =𝑖 𝑃 𝑋 =𝑖
Sehingga
𝛽 𝑖−1 𝑁−𝑖+1
𝑝 𝑛+1 = 𝑝 𝑛
𝑁
𝛽𝑖 𝑁 − 𝑖
+ 1− 𝑝 𝑛 ,
𝑁
𝑖 = 1,2, … , 𝑁.
P10-41 P10-42
7
9/10/2021
P10-43 P10-44
Friday, September 10, 2021 STOCHASTIC EPIDEMIOLOGY Friday, September 10, 2021 STOCHASTIC EPIDEMIOLOGY
P10-45 P10-46
I: …
P10-47 P10-48
The
image
part
8
9/10/2021
P10-49
Pertemuan 13-2
Friday, September 10, 2021 STOCHASTIC EPIDEMIOLOGY