4proses Stokastik
4proses Stokastik
3
Stokastik Proses dalam peramalan cuaca:
Markov Chain
Peluang cuaca besok dipengaruhi oleh cuaca hari ini
Jika hari ini hujan 40% kemungkinan besok hujan
60% kemungkinan besok tidak hujan
0.4 0.6
0.8
Hujan Tidak
Hujan
0.2
4
Discrete Time Markov Chain
Pr{ X n 1 j | X n i, X n 1 in 1 , , X 1 i1 , X 0 i0 }
Pr X n 1 j | X n i Pij
Transition
Probability
Proses stokastik dengan memori yang terbatas
Hujan : 1
Xn
Tidak Huja n : 0
Cuaca pada suatu hari hanya dipengaruhi oleh cuaca pada
hari sebelumnya
Digambarkan dalam transition probability function:
Pr X n 1 j | X n i Pij
Transition probability dinyatakan secara
lengkap dalam transition probability matrice
Ukuran matriks bersesuaian dengan jumlah
seluruh state yang mungin
Pada kasus cuaca: ada 2 kemungkinan
Matriks berukuran 2 2
0 1
0.6
P 0 0.8 0.2 0.4 0.8
1 0.6 0.4
Hujan Tidak
0 1 Hujan
P 0 P00 P01
1 P10 P11 0.2
Sifat Discrete Time Markov Chain (lanjut)
State berupa bilangan bulat tidak negatif {0, 1, 2, }
Xn = j :
Rantai markov pada waktu n berada pada state j.
Peluang transisi satu langkah Pij:
Peluang Xn+1 berada pada state j dengan syarat Xn berada pada
state i
Peluang transisi satu langkah untuk seluruh kemungkinan
nilai i dan j dinyatakan dalam transition probability matrix
P ij 1
dan j untuk i = 0, 1, 2,
Matriks peluang transisi dan sebaran peluang untuk initial
process dapat mendefinisikan proses secara lengkap:
Peluang gabungan dari proses Markov sejak proses tersebut
dimulai
Pr{ X 0 i0 , X 1 i1 , X 2 i2 ,, X n 1 in 1 , X n in }
Pr{ X 0 i0 , X 1 i1 , X 2 i2 ,, X n 1 in 1 , X n in }
Pr{ X 0 i0 , X 1 i1 , X 2 i2 ,, X n 1 in 1}
Pr X n in X 0 i0 , X 1 i1 , X 2 i2 ,, X n 1 in 1
Dengan sifat bahwa nilai peubah pada waktu ke
n+1 hanya tergantung pada nilai peubah pada
waktu ke n (waktu sebelumnya)
Pr X n in X 0 i0 , X 1 i1 , X 2 i2 ,, X n 1 in 1 Pr X n in X n 1 in 1
Di mana Pr X 0 i0 pi 0
Contoh:
Misalkan pada kasus cuaca:
Peluang hari hujan adalah 0.3
Peluang hari tidak hujan adalah 0.7
Pr X 0 1 p1 0.3 Pr X 0 0 p 0 0.7
Dengan matriks peluang transisi yang sudah
didefinisikan:
0 1
P 0 0.8 0.2
1 0.6 0.4
0.2
Peluang hari ini hujan dengan syarat kemarin tidak hujan
adalah 0.2
Bagaimana peluang bahwa besok hujan jika kemarin tidak
hujan?
Kemarin Hari ini Besok
Tidak 0. Tidak 0. P012 P00 P01 P01P11
Huja Huja
Huja 8 2 n
n n 0.8 0.2 0.2 0.4
0.
Huja 0.
2 n 4 0.24
Perhatikan bahwa:
1
P P00 P01 P01P11 P0 k Pk 1
2
01
k 0
Yang merupakan elemen untuk baris nol kolom 1 pada
matriks P2
0 1
0.8 0.2 0.8 0.2 0 0.56 0.24
P
2
0 .6 0. 4
0. 6 0 .4
1 0.72 0.28
Transisi n langkah dari Rantai Markov
(lanjut)
Peluang transisi n langkah dari rantai Markov
memenuhi (Chapman-Kolmogorov equations):
P (n)
ij Pik Pkj( n 1)
k 0
P( n ) P P
P P n
nfaktor
Contoh:
Misalkan bahwa produk yang dihasilkan oleh suatu
mesin dapat digolongkan menjadi defective atau
non-defective (cacat dan tidak cacat)
0, jikaprodukke n tidakcacat
Xn
1, jikaprodukke n cacat
Dengan matriks peluang transisi:
0 1
P 0 0.99 0.01
1 0.08 0.92
X n n 1, jika 0 X n 2
X n 1
2 n 1, jika X n 0
2, 1, 0, -1 adalah kemungkinan state
dari Xn
Xn adalah rantai markov (diskrit) karena:
State Xn+1 tergantung dari state di periode
sebelumnya, Xn
Transition probability dari sistem sediaan ini adalah:
Pij Pr X n 1 j | X n i
Pr X n n 1 j | X n i , jika s i S
Pij
Pr S n 1 j | X n i ,jika i s
0 j=0+2-
0=2
P02 Prn 1 0 0.5
i=0
1 j=0+2-1=1 P01 Pr n 1 1 0.4
0 j=-1+3-
0=2
P1, 2 Pr n 1 0 0.5
i=-1
1 j=-1+3-
1=1
P1,1 Pr n 1 1 0.4
2
j=-1+3-
2=0 P1, 0 Pr n 1 2 0.1
Dengan matriks peluang transisi
selengkapnya:
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
Contoh Rantai Markov Pada Sistem Antrian
Prn k ak
k menunjukkan kemungkinan jumlah
a
pelanggan yang datang, k = 0, 1, 2, k
0, ak
k 0
Jumlah pelanggan di awal periode n+1 (Xn+1)
tergantung pada:
Jumlah pelanggan di awal periode sebelumnya (Xn)
Jumlah pelanggan yang datang di periode n, (n )
X n 1 n , jika X n 0
X n 1
n , jika X n 0
Dengan peluang transisi jika Xn>0:
Pij Pr X n 1 j | X n i Pr X n 1 n j | X n i
Pri 1 n j Prn j 1 i
X n 1 n , jika X n 0
X n 1
n , jika X n 0
P0 j Pr X n 1 j | X n 0 Prn j a j
P1 j Pr X n 1 j | X n 1 Pr n j a j
Jika Xn=2: Dst untuk i yang
lainnya
P2 j Pr X n 1 j | X n 2 Prn j 1 a j 1
Dengan matriks peluang tansisi selengkapnya
0 1 2 3 4
0 a0 a1 a2 a3 a4
1 a0 a1 a2 a3 a4
P 2 0 a0 a1 a2 a3
3 0 0 a0 a1 a2
4 0 0 0 a0 a!