Tuton – Sesi 1
BMP SATS4422 – Modul 1
Capaian Pembelajaran Khusus
dengan :
= himpunan waktu
= state space (himpunan state), yaitu kumpulan
semua yang mungkin.
Rantai Markov
Rantai Markov (Markov chain) atau proses Markov adalah suatu
proses stokastik yang memenuhi sifat Markov (Markov property)
Sifat Markov : Prediksi state proses pada saat t +1 hanya ditentukan
oleh state proses pada saat t.
= 0,1,2,...; ,
Rantai Markov …
Rantai Markov ditentukan oleh:
• distribusi awal,
• peluang transisi atau , yang disebut parameter proses
Markov
Misalkan:
hujan = 1, tidak hujan = 0 Ω = {0, 1} (two state)
=
Non Contoh :
Contoh 1.5
Proses Bernoulli. Misal barisan peubah acak Bernoulli dengan
dan Koleksi peubah acak dinamakan proses Bernoulli.
Metode:
• Observasi dalam selang waktu tertentu
• Simulasi, lihat BMP hal 1.6 – 1.8
• Metode Kuadrat Terkecil, lihat BMP hal.
1.9 – 1.15
Metode Observasi
Contoh pada kasus Contoh 1.4.
Curah hujan (rainfall). Misal menyatakan keadaan cuaca (hujan atau
tidak hujan) pada hari t. Sate space dari rantai Markov , t = 0, 1, …
adalah Ω = {Hujan = 1, Tidak hujan = 0).
Misalkan dari observasi di lapangan selama 2.437 hari memberikan matriks
frekuensi transisi berikut:
( )
1 2
0
3 3
( 𝑥 1 , 𝑥 2 , 𝑥 3 ) = ( 𝑥1 , 𝑥 2 , 𝑥 3 ) 1 0
2
3 3
1 0 0
( )
1 2
0
3 3
( 𝑥1 , 𝑥 2 , 𝑥 3 ) = ( 𝑥1 , 𝑥 2 , 𝑥 3 ) 1 0
2
3 3
1 0 0
Distribusi stationer
Terima kasih
Selamat belajar!