Rantai Markov
KLASIFIKASI STATE RANTAI MARKOV
SIFAT-SIFAT STATE
DARI SUATU RANTAI
MARKOV
State dalam rantai Markov mempunyai
sifat berlainan, beberapa sifat
state yang akan dipelajari
diantaranya :
1. State Absorbing
State ini mempunyai sifat P(a,a)=1
2. State Transien
Suatu state yS disebut Transien
jika yy =Py (Ty<) <1
Ini berarti bahwa rantai Markov yang
bermula dari y belum tentu (belum pasti)
kembali ke-y. Ada kemungkinan tidak
kembali ke-y dan
P(dari y tidak kembali ke-y) =1-P(dari y
kembali ke-y) =1-yy >0
3. State Rekuren
Suatu state yS disebut rekuren, jika
yy=Py (Ty<)=1
Ini berarti bahwa rantai Markov yang
bermula dari y pasti akan kembali ke-y pada
suatu waktu yang berhingga. Ingat bahwa :
xy=Px(Ty<)
• Jika y state absorbing, maka y
merupakan state rekuren. Ini dapat
diperlihatkan berdasarkan kenyataan
bahwa y state absorbing maka
P(y,y)=Py(Ty=1)=1
• Ini berarti bahwa yy=1, akibatnya y
merupakan state rekuren
• Namun belum tentu berlaku
kebalikannya
• Dibentuk suatu fungsi indikator untuk
himpunan {y} demikian :
1; z y
I y (Z )
0; z y
Sedangkan N(y) menyatakan banyak kali rantai
Markov berada pada state y.
• Karena Iy(Xn)=1 bila rantai pada state y atau
Xn=y, dan Iy(Xn)=0 bila Xny maka terdapat
hubungan:
Px(N(y)1)=Px(Ty)=xy
• Seandainya m dan n bilangan bulat
positif, maka probabilitas rantai Markov
mulai dari x berkunjung pertama ke-y
setelah m langkah= Px(Ty=m), dan
kunjungan berikutnya ke-y setelah n
langkah berikutnya memiliki probabilitas
= Py(Ty=n), sehingga probabilitas rantai
Markov mulai dari x berkunjung pertama
ke-y setelah m langkah dan kunjungan
berikutnya ke-y setelah n langkah
berikutnya =
Px(Ty=m). Py(Ty=n)
• Px(N(y) 2)=
x y P (T m) y y P (T n) xy yy
m 1 n 1
A, B : konstanta
Perlihatkan bahwa :
a. E(Xn+1) = A E(Xn) + B
b. Jika A 1, maka E(Xn) =
B n B
A E (X 0 )
1 A 1 A
n 1
2. ij
(n)
f f
ij 1
, bila f ii f (n)
ii 1
n 1 n 1
maka state i disebut transient
Pada umumnya cukup sulit untuk
menggunakan rumus-rumus tersebut
untuk mengecek apakah suatu state
rekurent atau transient.
Walaupun misal semua state adalah
rekurent, tetapi sulit membuktikan
bahwa f
ii
f (n) 1
n 1
ii
Contoh suatu matriks transisi:
0 1 2 3 4 0 1 2 3 4
01 3 0 0 0 0 0 0 0
4 4
11 1 0 0 0 1 0 0 0
P 2 2 2 P 2 0 0 0 0
0 0 1 0 0
3 0 0 1 2 0 3 0 0 0
3 3
4 1 0 0 0 0
4 0 0 0
Matriks transisi menunjukkan bahwa:state 0
dan 1 membentuk satu kelas dan saling
berkomunikasi, state 2 berkomunikasi
dengan dirinya sendiri, {3,4} transient
State 2 : absorbing; State (0,1) : recurent
State (3,4) : transient
Contoh suatu matriks transisi:
0 1 2 3 0 1 2 3
0 1 0 0 0 0 0 0 0
1 0 0 0
0 0 0 1
P
P 1
2 0 0
2 12 1
2
0 0
3 0
3 13 1
3
1
3
0
State 0 : absorbing
State 1 : transient
State 2 : transient
State 3 : transient
Contoh suatu matriks transisi:
0 1 2 3 0 1 2 3
0 1 0 0 0 0 0 00
1 0 0
1 0 0 1
P
P 1 2 2
2
2 13 1
3
0 1
3
3
31 1 1 1
4 4 4 4
State 0 : absorbing
State 1 : transient
State {2,3} : rekurent
Contoh suatu matriks transisi:
0 1 2 3 0 1 2 3
1 1 0 0 0
0 2 2
1 1 1 0 1
P
P 1
13 1
3
1
3
1 2
2
4 4 4 4
3
31 1 1 1
4 4 4 4
0 1 2
0 0 1 1
2 2
P 11 0 1
2 2
2 1 1 0
2 2
3
P ( X 1 k ) P ( X 1 k | X 0 i ) pi
i 0
1 3 1
P( X 1 k | X 0 i)
4 i 0 4
Untuk n=2 , pada semua k berlaku:
3
P( X 2 k ) P( X
j ,i 0
2 k | X 1 j ) P ( X 1 j | X 0 i ) pi
1 3 3
P( X 2 k | X 1 j ) P ( X 1 j | X 0 i )
4 j 0 i 0
1 3 1
P( X 2 k | X 1 j )
4 j 0 4
Demikian berlaku untuk n=3, pada semua k,
sehingga terbukti bahwa P(Xn=k)=0,25 untuk
k=0,1,2,3 pada semua n.