Semester Ganjil
Proses Stokastik
X X t , t T .
Peubah acak yang merupakan fungsi dari t
3
Stokastik Proses dalam peramalan cuaca: Markov Chain
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
Nilai peubah pada waktu ke n+1 hanya tergantung pada nilai peubah pada
waktu ke n (waktu sebelumnya)
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
P00 P01 P02 P03
P P11 P12 P13
10
P P21 P22 P23
P 20
Pi 0 Pi1 Pi 2 Pi 3
.
Syarat bagi elemen transition probability matrix
Pij 0 untuk semua i dan j
dan P
j
ij 1untuk 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 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 i0
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?
0 1
0.8 0.2 0.8 0.2 0 0.56 0.24
P
2
0.72 0.28
0 .6 0 .4 0 .6 0 . 4 1
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”)