20 September 2023
1
a. Pertandingan sepak bola. Jawaban : Penyelesaian :
State Space (Ruang Keadaan):
S = {s1 , s2 , . . . , sn }
2
3. Sebuah pabrik mempunyai 2 mesin, dimana satu beroperasi, yang lain se-
bagai cadangan. Probabilitas mesin rusak adalah p, dianggap kerusakan
terjadi pada akhir kerja. Perusahaan mempekerjakan seorah ahli operasi
mesin tersebut dan diperlukan waktu 2 hari untuk memperbaiki kerusakan
yang terjadi. Definisikan suatu proses stokastik yang menggambarkan
proses kerja mesin di pabrik tersebut. Tulis semua transisi yang mungkin
antara state-state yang ada.
Penyelesaian :
Misal :
State 0 : Mesin Rusak
State 1 : Mesin Baik
S = {0, 1}
P01 = P [Xn+1 = 1|Xn = 0] = q
P00 = P [Xn+1 = 0|Xn = 0] = 1 − q
P10 = P [Xn+1 = 0|Xn = 1] = p
P11 = P [Xn+1 = 1|Xn = 1] = 1 − p
Matrix Transisi yang didapat :
P00 P01 1−q q
=
P10 P11 p 1−p
3
a. Penyebaran suatu jenis penyakit.
Penyelesaian:
• State space:
– Susceptible (S) - Individu yang rentan terkena penyakit
– Recovered (R) - Individu yang telah sembuh dari penyakit
– Infected (I) - Individu yang telah terinfeksi penyakit.
• Parameter space: hal yang mempengaruhi penyebaran penyakit
seperti
– penularan
– terkena benda yang terkontaminasi
– masa inkubasi
b. Proses peminjaman buku di perpustakaan
Penyelesaian:
• State space:
– jumlah buku yang dipinjam
– berapa lama buku dipinjam.
– total buku diperpustakaan
– kategori buku diperpustakaan
• Parameter space:
– rata-rata waktu peminjaman buku
– jumlah buku yang dapat dipinjam
– jumlah peminjam yang aktif
• model proses stokastik dari dua peristiwa berikut adalah untuk
memahami state space parameter dan parameter space sesuai
peristiwa yang diamati dalam masing-masing kasus.
5. Eksperimen : 3 dadu sisi 6 dilempar. Tentukan spesifikasi proses stokastik
yang terjadi :
a. Proses stokastik Xn , yang menggambarkan jumlah titik pada lem-
paran ke-n, dapat dinyatakan sebagai berikut:
Xn = A + B + C (1)
di mana A, B, dan C adalah hasil lemparan dadu pertama, kedua,
dan ketiga secara independen.
b. Yn , dengan n ≥ 1, menggambarkan banyaknya titik maksimum pada
lemparan ke-n. Yn adalah banyaknya titik maksimum pada lemparan
ke-n. Untuk menentukan Yn , kita harus memperhatikan titik maksi-
mum pada masing-masing lemparan. Pada setiap lemparan, ada satu
titik maksimum yang dapat muncul, yaitu 6. Jadi, jika kita menamai
hasil lemparan dadu pertama A, hasil lemparan dadu kedua B, dan
hasil lemparan dadu ketiga C, maka:
4
Yn = (A == 6?1 : 0) + (B == 6?1 : 0) + (C == 6?1 : 0)
Yn adalah proses stokastik yang menggambarkan banyaknya titik
maksimum pada lemparan ke-n.
c. {Zn , n ≥ 1}, di mana Zn adalah jumlah titik maksimum sampai
lemparan ke-n. Untuk menghitung Zn , kita perlu menjumlahkan
jumlah titik maksimum pada setiap lemparan dari n = 1 hingga
n = n. Ini adalah proses stokastik yang kumulatif. Mari kita gunakan
Yn yang sudah kita definisikan sebelumnya:
n
X
Zn = Yk
k=1
- X(t): Banyaknya pasien yang datang selama interval waktu (0, t).
- State space: Bilangan bulat non-negatif (0, 1, 2, 3, . . .).
- Parameter space : Faktor-faktor yang mempengaruhi jumlah pasien
yang datang, seperti musim, hari kerja, promosi rumah sakit, dll.
b. Variabel Y (t):
5
• State Space (Ruang Keadaan): Dalam proses ini, ruang
keadaan terdiri dari nilai-nilai diskrit atau terpisah. Contohnya
adalah model Markov untuk prediksi cuaca, di mana keadaan
bisa menjadi ”cerah” (0), ”berawan” (1), atau ”hujan” (2). Ru-
ang keadaannya adalah {0, 1, 2}.
• Parameter Space (Ruang Parameter): Proses Markov diskrit-
diskrit ini memiliki matriks probabilitas transisi sebagai parame-
ter utamanya. Matriks ini memuat probabilitas peralihan antara
keadaan-keadaan diskrit dalam sistem seiring waktu. Ruang pa-
rameter terdiri dari semua probabilitas ini, dan itu juga bersifat
diskrit.
b. Diskrit - Kontinu: Proses Poisson
• State Space (Ruang Keadaan): Ruang keadaan dalam proses
Poisson biasanya terdiri dari bilangan bulat non-negatif yang
mewakili jumlah kejadian yang terjadi dalam interval waktu ter-
tentu. Contoh: jumlah pesanan yang diterima dalam satu jam.
• Parameter Space (Ruang Parameter): Proses Poisson memi-
liki parameter λ (lambda) yang merupakan tingkat kejadian acak
dalam waktu tertentu. Lambda adalah angka kontinu yang posi-
tif dan menggambarkan intensitas atau tingkat kejadian acak.
c. Kontinu - Diskrit: Proses Wiener (Proses Brownian Diskrit)
• State Space (Ruang Keadaan): Dalam proses Wiener, ru-
ang keadaan adalah posisi partikel atau variabel kontinu dalam
interval waktu tertentu. Ini biasanya dalam tiga dimensi un-
tuk menggambarkan pergerakan partikel dalam ruang. Namun,
ketika kita mengamati keadaan pada titik-titik waktu tertentu,
keadaan menjadi diskrit.
• Parameter Space (Ruang Parameter): Parameter utama
dalam proses Wiener adalah σ (sigma), yang menggambarkan
tingkat variasi atau fluktuasi acak dari pergerakan partikel atau
variabel. Sigma adalah angka kontinu yang mengendalikan be-
sarnya fluktuasi.
d. Kontinu - Kontinu: Proses Diffusi (Proses Brownian Kontinu)
• State Space (Ruang Keadaan): Dalam proses diffusi, ruang
keadaan adalah variabel kontinu yang berubah seiring waktu.
Ini adalah ruang keadaan kontinu yang sering digunakan untuk
menggambarkan pergerakan zarah dalam media cair atau gas.
• State Space (Ruang Keadaan): Dalam proses diffusi, ruang
keadaan adalah variabel kontinu yang berubah seiring waktu.
Ini adalah ruang keadaan kontinu yang sering digunakan untuk
menggambarkan pergerakan zarah dalam media cair atau gas.