Jawab :

No 1.

Menggunakan prinsip-prinsip probabilitas. Misalkan X adalah jumlah lemparan yang dibutuhkan

untuk mendapatkan dua dari tiga kepala terakhir.

Maka,

P ( X=2 )= p2
2
P ( X=3 )=( 1− p ) p
2
2p 3
P ( X=4 )=( 1− p ) + ( 1− p ) p
3
2p 4
P ( X=5 )=( 1− p ) + ( 1− p ) p
4 2 3

P ( X=6 )=( 1−p )2 p + (1− p )3 p + ( 1− p )2 p

Kita dapat menuliskan E[N] sebagai:

E[N] = 2P(X=2) + 3P(X=3) + 4P(X=4) + 5P(X=5) + 6P(X=6) + ...

Dengan menggunakan deret geometri,

Diperoleh E[N]

3 ( 1− p ) p2
E [ N ] =2 p +
2

1−( 1−p ) p
2
3 ( 1− p ) p
E [ N ] =2 p +
2

2− p

No 2

Untuk menghitung nilai E[X|Y=i], kita perlu mengetahui nilai E[X|Y] terlebih dahulu.

Kita dapat menggunakan rumus umum untuk menghitung E[X|Y]:

E [ X|Y ]=∑ x ( x∗P ( X= x|Y ))

Deterministic Optimization and Stochastic Processes

Maka,

P(Y =1)=P (1,1)+ P(2,1)+ P(3,1)=1/3

P(Y =2)=P (1,2)+ P(2,2)+ P(3,2)=1/6

P(Y =3)=P(1,3)+ P (2,3)+ P (3,3)=5/18

Kemudian, kita dapat menghitung P(X=x|Y=i) untuk setiap nilai x dan i dengan menggunakan rumus yang
sama:

P ( 1 ,i )
P ( X=1|Y =i )=
P ( Y =i )

P ( 2 ,i )
P ( X=2|Y =i )=
P ( Y =i )

P ( 3 , i)
P ( X=3|Y =i )=
P (Y =i )

Dengan menggunakan nilai-nilai ini, kita dapat menghitung E[X|Y] sebagai berikut:

Petama,

E [ X|Y =1 ] =( 1∗P ( X =1|Y =1 ) ) + ( 2∗P ( X=2|Y =1 ) ) + ( 3∗P ( X=3|Y =1 ) )

( )( )( )
1 1 1
1∗ 2∗ 3∗
9 3 9
¿ + +
1 1 1
3 3 3

¿ 3.33

Kedua,

E [ X|Y =2 ] =( 1∗P ( X =1|Y =2 ) ) + ( 2∗P ( X=2|Y =2 ) ) + ( 3∗P ( X=3|Y =2 ) )

Deterministic Optimization and Stochastic Processes

 ( )( )( )
1 1
1∗ 3∗
9 2∗0 18
¿ + +
1 1 1
6 6 6

¿ 1. 67

Ketiga,

E [ X|Y =3 ] =( 1∗P ( X =1|Y =3 ) ) + ( 2∗P ( X =2|Y =3 ) ) + ( 3∗P ( X =3|Y =3 ) )

( )( )( )
1 1
2∗ 3∗
1∗0 6 9
¿ + +
5 5 5
18 18 18

¿ 2.4

Jadi, nilai E[X|Y=1] adalah 3.33, E[X|Y=2] adalah 1.67, dan E[X|Y=3] adalah 2.4

NO. 3

Tidak ada dua hari cerah berturut-turut, maka hari-hari dapat diwakili oleh urutan cerah (C), berawan
(B), dan hujan (H). Kita dapat menentukan kemungkinan urutan ini dengan mengikuti aturan-aturan
yang diberikan dalam soal:

 Jika hari pertama adalah C, maka hari kedua bisa B atau H.

 Jika hari pertama adalah B, maka hari kedua bisa C atau H (karena tidak boleh ada dua hari
berturut-turut dengan cuaca yang sama).

 Jika hari pertama adalah H, maka hari kedua bisa H atau B.

Dengan menggabungkan semua kemungkinan ini, kita dapat membuat tabel sebagai berikut:

Hari Pertama Hari Kedua

C B atau H

B C atau H

Deterministic Optimization and Stochastic Processes

 H B atau H

Dari tabel ini, kita dapat menghitung proporsi hari cerah, berawan, dan hujan sebagai berikut:

Proporsi hari cerah: 1/3 (karena hanya ada satu kemungkinan hari cerah dalam tabel di atas).

Proporsi hari berawan: 2/6 = 1/3 (karena ada dua kemungkinan hari berawan dalam tabel di atas).

Proporsi hari hujan: 2/6 = 1/3 (karena ada dua kemungkinan hari hujan dalam tabel di atas).

No 4.

Masalah ini dapat diselesaikan dengan menggunakan distribusi steady state dari rantai Markov, yang
dapat ditemukan dengan memecahkan persamaan πP = π, di mana π adalah vektor probabilitas steady
state dan P adalah matriks probabilitas transisi.

Dari matriks probabilitas transisi yang diberikan, kita dapat menuliskan matriks P sebagai:

P=

[0.7 0.2 0.1]

[0.2 0.6 0.2]

[0.1 0.4 0.5]

Kemudian, kita dapat menuliskan persamaan πP = π sebagai:

π1(0.7) + π2(0.2) + π3(0.1) = π1

π1(0.2) + π2(0.6) + π3(0.4) = π2

π1(0.1) + π2(0.2) + π3(0.5) = π3

Kita juga tahu bahwa π1 + π2 + π3 = 1.

persamaan pertama:

π1(0.7) + π2(0.2) + π3(0.1) = π1

Deterministic Optimization and Stochastic Processes

π1(0.7 - 1) = -π2(0.2) - π3(0.1)

π1(-0.3) = -π2(0.2) - π3(0.1)

π1 = (0.2π2 + 0.1π3) / 0.3 (…….1)

persamaan kedua dan ketiga dengan cara pengerjaan persamaan pertama maka diperoleh

π2 = (0.2π1 + 0.4π2 + 0.2π3) / 0.6 (…….2)

π3 = (0.1π1 + 0.2π2 + 0.5π3) / 0.8 (…….3)

Kemudian, kita dapat menggunakan persamaan π1 + π2 + π3 = 1 untuk menghilangkan satu variabel dan
memecahkan sistem persamaan tersebut.

Substitusikan nilai π1 dari persamaan pertama ke dalam persamaan kedua dan ketiga:

π2 = (0.2(0.2π2 + 0.1π3) / 0.3 + 0.4π2 + 0.2π3) / 0.6

π3 = (0.1(0.2π2 + 0.1π3) / 0.3 + 0.2π2 + 0.5π3) / 0.8

π 2=
( 0.2 ( 0.2 π 2+ 0.1 π 3 )
0.3
+ 0.4 π 2+ 0.2 π 3 )

0.6

π 3=
( 0.1 ( 0.2 π 2+0.1 π 3 )
0.3
+0.2 π 2+0.5 π 3)

0.8

Sederhanakan dan kelompokkan variabel π2 dan π3:

π2 ( 0.2 −
0.2 0.4
+
0.3 0.6 0.6 ) +π 3 (
0.3 0.8 0.8 )
0.1 0.2 0.5
− + =0

Dari sini kita bisa mendapatkan nilai π2 dan π3:

π2 = 0.357

π3 = 0.286

Deterministic Optimization and Stochastic Processes

Dan karena π1 + π2 + π3 = 1, maka:

π1 = 0.357

atau dapat juga menggunakan eliminasi gaus jorda

Jadi, persentase karyawan di setiap klasifikasi adalah 35.7% untuk klasifikasi pertama, 35.7% untuk
klasifikasi kedua, dan 28.6% untuk klasifikasi ketiga.

Deterministic Optimization and Stochastic Processes