Pengantar Proses Stokastik

Transkripsi

1 Bab 3: Rantai Markov Diskrit Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia

2 Rantai Markov Rantai Markov Rantai Markov Misalkan sebuah proses stokastik {X t } dengan t = 0, 1, 2,.... Nilai yang mungkin dari X t adalah hingga atau terhitung Memiliki peluang transisi atau peluang berpindahnya keadaan i (pada waktu t) ke keadaan j (pada waktu t + 1) adalah P ij yaitu P(X t+1 = j X t = i, X t 1 = i t 1,..., X 1 = i 1, X 0 = i 0 ) = P ij Distribusi bersyarat X t+1 diberikan keadaan-keadaan lampau X 0, X 1,..., X t 1 dan keadaan sekarang X t, hanya bergantung pada keadaan sekarang (Sifat Markov) Maka proses stokastik demikian dikenal dengan nama Rantai Markov.

3 Rantai Markov Matriks Peluang Transisi Matriks Peluang Transisi P ij adalah peluang bahwa proses akan berada di keadaan j dari keadaan i P ij 0, i, j 0; P ij = 1, i = 0, 1,... j=0 Perhatikan P(X t+1 = j X t = i, X t 1 = i t 1,..., X 1 = i 1, X 0 = i 0 ) = P(X t+1 = j X t = i) = P ij disebut peluang transisi satu langkah.

4 Rantai Markov Matriks Peluang Transisi Misalkan P menyatakan matriks peluang transisi satu langkah P ij, maka P 00 P 01 P P 10 P 11 P P =... P i0 P i1 P i

5 Rantai Markov Matriks Peluang Transisi Atau dapat pula digambarkan sebagai berikut

6 Contoh 1 Rantai Markov Matriks Peluang Transisi Jika hari ini hujan, peluang besok hujan adalah α. Jika hari ini tidak hujan, peluang besok hujan adalah β. Misal: 0 : hujan 1 : tidak hujan Maka matriks peluang transisinya adalah ( ) α 1 α P = β 1 β

7 Contoh 2 Rantai Markov Matriks Peluang Transisi Dalam suatu hari, Gary bisa ceria (C), biasa saja (B), atau murung (M). Jika hari ini ceria, maka dia akan C, B, atau M besok dengan peluang masing-masing 0.5, 0.4, 0.1. Jika dia merasa biasa saja hari ini, maka dia akan C, B, atau M besok dengan peluang masing-masing 0.3, 0.4, 0.3. Jika dia merasa murung hari ini, maka dia akan C, B, atau M besok dengan peluang masing-masing 0.2, 0.3, 0.5.

8 Rantai Markov Matriks Peluang Transisi Misalkan keadaan 0 = C, keadaan 1 = B, dan keadaan 2 = M, maka matriks peluang transisinya adalah P =

9 Contoh 3 Rantai Markov Matriks Peluang Transisi Keadaan pada suatu hari: Jika dua hari terakhir hujan, peluang besok hujan 0.7 Jika hari ini hujan dan kemarin tidak hujan, peluang besok hujan 0.5 Jika hari ini tidak hujan dan kemarin hujan, peluang besok hujan 0.4 Jika hari ini dan kemarin tidak hujan, peluang besok hujan 0.2

10 Rantai Markov Matriks Peluang Transisi Misal: 0 : hujan 1 : tidak hujan Maka matriks peluang transisinya adalah P =

11 Matriks Stokastik Rantai Markov Matriks Stokastik Perhatikan matriks-matriks berikut: P = , P =

12 Rantai Markov Matriks Stokastik Matriks-matriks tersebut memiliki sifat-sifat berikut: Memiliki jumlah baris dan kolom sama, atau matriks bujursangkar Jumlah unsur-unsur di setiap baris adalah satu Tidak selalu memiliki jumlah unsur-unsur di setiap kolom sama dengan satu Nilai setiap unsurnya diantara nol dan satu Matriks dengan sifat-sifat tersebut dikatakan sebagai matriks stokastik.

13 Contoh 4 Rantai Markov Matriks Stokastik Suatu rantai Markov dengan keadaan-keadaan 0, 1, 2 mempunyai matriks peluang transisi P = dan P(X 0 = 0) = 0.3, P(X 0 = 1) = 0.4, P(X 0 = 2) = 0.3. Hitung P(X 0 = 0, X 1 = 1, X 2 = 2).

14 Rantai Markov Matriks Stokastik Penyelesaian: P(X 0 = 0, X 1 = 1, X 2 = 2) = P(X 2 = 2 X 1 = 1, X 0 = 0)P(X 1 = 1, X 0 = 0) = P(X 2 = 2 X 1 = 1, X 0 = 0)P(X 1 = 1 X 0 = 0)P(X 0 = 0) = P(X 2 = 2 X 1 = 1)P(X 1 = 1 X 0 = 0)P(X 0 = 0) = 0(0.2)(0.3) = 0

15 Contoh 5 Rantai Markov Matriks Stokastik Suatu rantai Markov dengan keadaan-keadaan 0, 1, P = Hitung P(X 2 = 1, X 3 = 1 X 1 = 0) dan P(X 1 = 1, X 2 = 1 X 0 = 0).

16 Rantai Markov Matriks Stokastik Penyelesaian: a. P(X 2 = 1, X 3 = 1 X 1 = 0) = P(X 3 = 1 X 2 = 1)P(X 2 = 1 X 1 = 0) = 0.6(0.2) = 0.12 b. P(X 1 = 1, X 2 = 1 X 0 = 0) = P(X 2 = 1 X 1 = 1)P(X 1 = 1 X 0 = 0) = 0.6(0.2) = 0.12

17 Contoh 6 Rantai Markov Matriks Stokastik Suatu matriks stokastik dengan keadaan-keadaan 0, 1, 2 Hitung E(X 2 X 1 = 2) P =

18 Rantai Markov Matriks Stokastik Penyelesaian: 2 E(X 2 X 1 = 2) = x 2 P(X 2 = x 2 X 1 = 2) x 2 =0 = 0 + (1) P(X 2 = 1 X 1 = 2) + (2) P(X 2 = 2 X 1 = 2) = 0

19 Rantai Markov Matriks Stokastik n-langkah Matriks Stokastik Pandang matriks stokastik satu-langkah: ( ) P = Selanjutnya, kita dapat menentukan matriks stokastik dua-langkah yaitu matriks yang didefinisikan pada ruang keadaan yang sama namun ruang waktu dua-langkah atau {t, t + 2}.

20 Rantai Markov Matriks Stokastik Ingat kembali matriks stokastik satu-langkah P ij = P(X t+1 = j X t = i) Kita dapat menentukan matriks stokastik dua-langkah yaitu Pij 2 = P(X t+2 = j X t = i) Dalam kasus ini ( P 2 P 2 = 00 P01 2 ) P10 2 P11 2

21 Rantai Markov Matriks Stokastik Kita bisa menggunakan law of total probability yaitu P00 2 = P(X t+2 = 0 X t = 0) = P(X t+2 = 0, X t+1 = 0 X t = 0) + P(X t+2 = 0, X t+1 = 1 X t = 0) = P(X t+2 = 0 X t+1 = 0, X t = 0)P(X t+1 = 0 X t = 0) + P(X t+2 = 0 X t+1 = 1, X t = 0)P(X t+1 = 1 X t = 0) = P(X t+2 = 0 X t+1 = 0)P(X t+1 = 0 X t = 0) + P(X t+2 = 0 X t+1 = 1)P(X t+1 = 1 X t = 0) = P 00 P 00 + P 10 P 01 = P 00 P 00 + P 01 P 10

22 Rantai Markov Matriks Stokastik Penyelesaian tersebut berlaku pula untuk P01 2, P2 10 dan P2 11. Atau sama saja dengan mengalikan dua matriks P yaitu P 2 = P.P ( ) ( ) P00 P = 01 P00 P. 01 P 10 P 11 P 10 P 11 ( ) P00 P = 00 + P 01 P 10 P 00 P 01 + P 01 P 11 P 10 P 00 + P 11 P 10 P 10 P 01 + P 11 P 11

23 Rantai Markov Matriks Stokastik Jadi, untuk contoh di atas P 2 00 = P 00 P 00 + P 01 P 10 = 0.3(0.3) + 0.7(0.5) = 0.44 atau, matriks stokastik dua-langkahnya adalah ( ) ( ) P = ( ) =

24 Rantai Markov Chapman-Komogorov Equations Chapman-Komogorov Equations Misalkan P n ij menyatakan peluang bahwa proses pada keadaan i akan berada pada keadaan j setelah n-transisi, P n ij = P (X t+n = j X t = i), n 0, i, j 0

25 Rantai Markov Chapman-Komogorov Equations Persamaan Chapman-Kolmogorov memberikan metode untuk menghitung peluang transisi n + m-langkah, yaitu P n+m ij = k=0 P n ik Pm kj untuk semua n, m 0, semua i, j P n ik Pm kj menyatakan peluang bahwa proses bermula pada keadaan i akan berpindah ke keadaan j dalam n + m transisi melalui keadaan k pada transisi ke-n.

26 Rantai Markov Chapman-Komogorov Equations P n+m ij = P(X n+m = j X 0 = i) = P(X n+m = j, X n = k X 0 = i) = = k=0 P(X n+m = j X n = k, X 0 = i)p(x n = k X 0 = i) k=0 Pkj m Pn ik = k=0 k=0 P n ik Pm kj

27 Contoh 7 Rantai Markov Chapman-Komogorov Equations Misalkan pada Contoh 1 diketahui α = 0.7 dan β = 0.4, maka tentukan peluang bahwa akan hujan pada empat hari dari hari ini diberikan bahwa hari ini hujan!

28 Rantai Markov Chapman-Komogorov Equations [ ] [ ] [ ] P 2 = = [ ] [ ] [ ] P 4 = = Jadi, P00 4 =

29 Contoh 8 Rantai Markov Chapman-Komogorov Equations Perhatikan Contoh 3, diberikan pada hari Senin dan Selasa hujan, berapa peluang bahwa pada hari Kamis akan hujan?

30 Rantai Markov Chapman-Komogorov Equations P 2 = = Senin Selasa Rabu Kamis atau 1 0

31 Rantai Markov Chapman-Komogorov Equations Peluang bahwa Kamis hujan adalah: P P P P = P P = = 0.61

32 Rantai Markov Peluang Transisi Tak Bersyarat Peluang Transisi Tak Bersyarat Peluang transisi P n ij yang sudah kita hitung di atas merupakan peluang bersyarat. Jika kita ingin menghitung peluang transisi tak bersyaratnya yaitu P(X n = j), maka kita bisa menggunakan law of total probability yaitu P(X n = j) = = P(X n = j X 0 = i) P(X 0 = i) i=0 Pij n α i i=0 dengan α i = P(X 0 = i), i 0 adalah peluang tak bersyarat pada keadaan awal atau t = 0, dan α i = 1 i=0

33 Rantai Markov Peluang Transisi Tak Bersyarat Sebagai contoh, berdasarkan Contoh 7, jika α 0 = 0.4, α 1 = 0.6, maka peluang (tak bersyarat) bahwa akan hujan empat hari setelah kita mempunyai data perubahan cuaca adalah P(X 4 = 0) = P(X 4 = 0 X 0 = 0)P(X 0 = 0) + P(X 4 = 0 X 0 = 1)P(X 0 = 1) = P 4 00 α 0 + P 4 10 α 1 = 0.4P P 4 10 = (0.4)(0.5749) + (0.6)(0.5668) = 0.57

34 Rantai Markov Kebebasan dalam Matriks Stokastik Peluang Transisi Tak Bersyarat Misalkan Maka, P = ( 0.4 ) P(X t = 0 X t 1 = 0) = P(X t = 0 X t 1 = 1) = 0.4 Kemudian, dengan law of total probability P(X t = 0) = P(X t = 0 X t 1 = 0)P(X t 1 = 0) + P(X t = 0 X t 1 = 1)P(X t 1 = 1) α = 0.4 α (1 α) Jadi, α = 0.4

35 Rantai Markov Peluang Transisi Tak Bersyarat Dengan kata lain P(X t = 0 X t 1 = 0) = 0.4 = P(X t = 0) Ini berarti bahwa peubah acak X t saling bebas.

36 Contoh-contoh Lain Rantai Markov Peluang Transisi Tak Bersyarat 1. Jika pada waktu t, Vanes mengajukan klaim asuransi, maka Vanes akan mengajukan klaim pada waktu t + 1 dengan peluang α; jika Vanes tidak mengajukan klaim asuransi saat ini maka di masa depan Vanes akan mengajukan klaim asuransi dengan peluang β. Matriks peluang transisinya adalah Keadaan: 0 : tidak mengajukan klaim 1 : mengajukan klaim P = ( 1 β ) β 1 α α

37 Rantai Markov Peluang Transisi Tak Bersyarat 2. Percobaan-percobaan dilakukan secara berurutan. Jika dalam dua percobaan terakhir SUKSES, maka peluang GAGAL pada percobaan berikut adalah 0.8. Dalam keadaan YANG LAIN, peluang GAGAL adalah 0.4.

38 Rantai Markov Peluang Transisi Tak Bersyarat Keadaan-keadaan: 0 (SS) : kemarin S, sekarang S 1 (SG) : kemarin S, sekarang G 2 (GS) : kemarin G, sekarang S 3 (GG) : kemarin G, sekarang G P =

39 Rantai Markov Peluang Transisi Tak Bersyarat 3. Tim sepakbola IKS UII akan memainkan tujuh rangkaian pertandingan. Hasil setiap pertandingan saling bebas. Setiap pertandingan akan dimenangkan oleh tim A dengan peluang α dan oleh tim B dengan peluang 1 α. Misalkan keadaan suatu sistem direpresentasikan oleh pasangan (a, b) di mana a menyatakan banyak pertandingan yang dimenangkan oleh A dan b adalah banyak pertandingan yang dimenangkan B. Bentuklah Rantai Markov untuk masalah tersebut. Catatan: a + b 7 dan rangkaian pertandingan akan berakhir jika a = 4 atau b = 4.

40 Rantai Markov Peluang Transisi Tak Bersyarat

41 Latihan 1 Rantai Markov Latihan 1. Laila adalah mahasiswa tingkat akhir di Farmasi UII. Dia tinggal tidak jauh dari kampus, cukup berjalan kaki saja dari tempat kos ke kampus dan sebaliknya. Akhir-akhir ini hujan datang hampir setiap hari. Mau tidak mau, Laila menggunakan payung dalam perjalanan kos-kampus atau kampus-kos. Jika hari hujan dan payung ada di tempat Laila berada, maka Laila akan menggunakan payung tersebut. Jika hari tidak hujan, Laila selalu lupa untuk membawa payung. Misalkan θ adalah peluang hujan setiap kali Laila akan menuju kampus atau kos. Jika Laila memiliki 3 buah payung, bentuklah suatu rantai Markov dari proses di atas!

42 Rantai Markov Latihan 2. Tiga bola putih dan tiga bola hitam diletakkan ke dalam dua kotak sedemikian rupa sehingga masing-masing kotak terdiri atas tiga bola. Kita katakan bahwa sistem berada pada keadaan i, i = 0, 1, 2, 3, jika kotak pertama terdiri atas i bola putih. Pada masing-masing langkah, kita ambil sebuah bola dari masing-masing kotak dan meletakkan bola dari kotak kedua ke kotak pertama dan sebaliknya. Buatlah matriks peluang transisi dari kejadian tersebut!

43 Rantai Markov Latihan 3. Menurut George, Christ, dan John, tanah Australia diberkahi dengan banyak hal kecuali cuaca yang baik. Mereka tidak pernah memiliki dua hari bercuaca baik secara berturut-turut. Jika mereka mendapatkan hari bercuaca baik, maka esok hari akan bersalju atau hujan dengan peluang sama. Jika hari ini mereka mengalami salju atau hujan maka besok akan bercuaca sama dengan peluang separuhnya. Jika terdapat perubahan cuaca dari salju atau hujan, hanya separuh dari waktu besok akan menjadi hari bercuaca baik. Tentukan matriks peluang transisi dari Rantai Markov yang dibentuk dari keadaan-keadaan di atas.

44 Rantai Markov Latihan 4. Sebuah Rantai Markov {X n, n 0} dengan keadaan-keadaan 0, 1, 2 mempunyai matriks peluang transisi sebagai berikut: P = Jika P(X 0 = 0) = P(X 0 = 1) = 1 4, tentukan E(X 2).

45 Rantai Markov Latihan 5. Seorang SPG berjuang untuk menjual suatu produk sebanyak i = 0, 1, 2 buah. Proses jumlah produk yang terjual {X n } membentuk Rantai Markov dengan matriks peluang transisi sebagai berikut: 0 1/2 1/2 P = 1/2 0 1/2 1/2 1/2 0 a. Hitung P(X n = 0 X 0 = 0) untuk n = 0, 1, 2 b. Hitung P(X 3 = 1 X 1 = 0)

46 Penyelesaian Rantai Markov Latihan 1. Keadaan-keadaan: Matriks peluang transisi: 0 : 0 payung di tempat Laila berada 1 : 1 payung di tempat Laila berada 2 : 2 payung di tempat Laila berada 3 : 3 payung di tempat Laila berada P = θ θ 0 1 θ θ 0 1 θ θ 0 0

47 Rantai Markov Latihan 2. Keadaan-keadaan: 0 : terdapat 0 bola putih di kotak pertama 1 : terdapat 1 bola putih di kotak pertama 2 : terdapat 2 bola putih di kotak pertama 3 : terdapat 3 bola putih di kotak pertama

48 Rantai Markov Latihan P 10 = P(X n = 0 X n 1 = 1) = P(P 12 H 21 ) = = 1 9 P 11 = P(P 12 P 21 ) + P(H 12 H 21 ) = = 4 9 P 12 = P(H 12 P 21 ) = = 4 9

49 Rantai Markov Latihan Jadi matriks peluang transisinya adalah: P =

50 Rantai Markov Latihan 3. Keadaan-keadaan: P = 0 : hujan 1 : baik 2 : salju

51 Rantai Markov Latihan 4. Matriks peluang transisi 2-langkah nya adalah: P 2 = = Untuk menghitung E(X 2 ) maka 2 E(X 2 ) = x 2 P(X 2 = x 2 ) x 2 =0 = 0.P(X 2 = 0) + 1.P(X 2 = 1) + 2.P(X 2 = 2)

52 Rantai Markov Latihan P(X 2 = 1) = P(X 2 = 1 X 0 = 0)P(X 0 = 0) + P(X 2 = 1 X 0 = 1)P(X 0 = 1) + P(X 2 = 1 X 2 = 2)P(X 2 = 2) = = 13 72

53 Rantai Markov Latihan P(X 2 = 2) = P(X 2 = 2 X 0 = 0)P(X 0 = 0) + P(X 2 = 2 X 0 = 1)P(X 0 = 1) + P(X 2 = 2 X 2 = 2)P(X 2 = 2) Jadi, = = E(X 2 ) = 2 x 2 P(X 2 = x 2 ) = 1.P(X 2 = 1) + 2.P(X 2 = 2) x 2 =0 = = 71 72

54 Rantai Markov Latihan 5. Solusi a. Matriks peluang transisi 2-langkahnya adalah 0 1/2 1/2 0 1/2 1/2 1/2 1/4 1/4 P 2 = 1/2 0 1/2 1/2 0 1/2 = 1/4 1/2 1/4 1/2 1/2 0 1/2 1/2 0 1/4 1/4 1/2 P(X 0 = 0 X 0 = 0) = P(X 0 = 0) P(X 1 = 0 X 0 = 0) = 0 P(X 2 = 0 X 0 = 0) = 1/2 b. P(X 3 = 1 X 1 = 0) = P01 2 = 1/4

55 Kelas Keadaan Kelas Keadaan dan Limit Peluang Kelas Keadaan Keadaan j dikatakan dapat diakses dari keadaan i jika P n ij > 0 untuk suatu n 0. i j Perhatikan bahwa hal ini mengakibatkan keadaan j dapat diakses dari keadaan i jika dan hanya jika, dimulai pada keadaan i, proses akan pernah masuk ke keadaan j. Dua keadaan i dan j yang dapat diakses satu sama lain dikatakan dapat berkomunikasi. i j

56 Kelas Keadaan dan Limit Peluang Kelas Keadaan Contoh: P = ( ) Apakah keadaan 1 bisa berkomunikasi dengan dirinya sendiri? Solusi: Jadi, 1 1 P 11 = 0 P 2 11 = P 10 P 01 + P 11 P 11 = 1(0.3) + 0 = 0.3 > 0

57 Kelas Keadaan dan Limit Peluang Kelas Keadaan Jenis keadaan: 1 Keadaan i berkomunikasi dengan keadaan i untuk semua i 0 2 Jika keadaan i berkomunikasi dengan keadaan j, maka keadaan j berkomunikasi dengan keadaan i 3 Jika keadaan i berkomunikasi dengan keadaan j dan keadaan j berkomunikasi dengan keadaan k, maka keadaan i berkomunikasi dengan keadaan k. Dua keadaan yang saling berkomunikasi dikatakan berada dalam kelas yang sama. Rantai Markov dikatakan tidak dapat direduksi jika hanya terdapat satu kelas keadaan, yaitu jika semua keadaan saling berkomunikasi satu sama lain. Sebuah keadaan yang tidak bisa berpindah ke keadaan yang lain dikatakan sebagai keadaan absorbing.

58 Kelas Keadaan dan Limit Peluang Kelas Keadaan Tentukan kelas keadaan dari Rantai Markov dengan peluang transisi P =

59 Kelas Keadaan dan Limit Peluang Kelas Keadaan a. 0 1 P 01 = 0 P 2 01 = P 00 P 01 + P 01 P 11 + P 02 P 21 = (0.4) = 0.12 > P 10 = 0.5 > Jadi, 0 1

60 Kelas Keadaan dan Limit Peluang Kelas Keadaan b. 1 2 P 12 = 0.5 > 0 P 21 = 0.4 > 0 Jadi, 1 2 c. 2 3 P 23 = 0.6 > 0 P 32 = 0 P 2 32 = P 30 P 02 + P 31 P 12 + P 32 P 22 + P 33 P 32 = (0.5) = 0.1 > 0 Jadi, 2 3

61 Kelas Keadaan dan Limit Peluang Kelas Keadaan Karena 0 1, 1 2, dan 2 3, maka masing-masing keadaan saling berkomunikasi sehingga kelas keadaannya adalah {0, 1, 2, 3} dan Rantai Markov tersebut tidak dapat direduksi.

62 Kelas Keadaan dan Limit Peluang Kelas Keadaan Tentukan kelas keadaan dari matriks peluang transisi berikut P = 1/2 1/4 1/4 1/4 1/4 1/2

63 Kelas Keadaan dan Limit Peluang Kelas Keadaan Solusi: Kelas keadaannya: {0} dan {1, 2}. Keadaan {0} bersifat absorbing.

64 Kelas Keadaan dan Limit Peluang Sifat Keadaan Keadaan Recurrent dan Transient Untuk setiap keadaan i, misalkan f i peluang bahwa dimulai dari keadaan i proses akan pernah kembali ke keadaan i. Keadaan i dikatakan recurrent jika f i = 1 dan dikatakan transient jika f i < 1. Jika keadaan i recurrent, maka proses akan terus kembali ke keadaan i dengan peluang satu. Dengan definisi Rantai Markov, proses akan dimulai lagi ketika kembali ke keadaan i, dan seterusnya, sehingga keadaan i akan dikunjungi lagi. Jika keadaan i recurrent maka dimulai dari keadaan i maka proses akan kembali ke keadaan i terus dan terus sebanyak tak hingga kali.

65 Kelas Keadaan dan Limit Peluang Sifat Keadaan Misalkan keadaan i transient. Setiap kali proses kembali ke keadaan i terdapat kemungkinan (peluang yang positif) sebesar 1 f i bahwa proses tidak pernah kembali ke keadaan i. Dengan demikian, dimulai dari keadaan i, peluang bahwa proses berada di i sebanyak tepat n periode/kali adalah f n 1 i (1 f i ), n 1. Jika keadaan i transient maka, dimulai dari keadaan i, banyak periode/kali bahwa proses akan berada di keadaan i adalah peubah acak geometri dengan parameter 1 f i

66 Kelas Keadaan dan Limit Peluang Sifat Keadaan Keadaan i recurrent jika dan hanya jika, dimulai dari keadaan i, maka banyak periode/kali yang diharapkan (expected number of time periods) bahwa proses akan berada di keadaan i adalah tak hingga.

67 Kelas Keadaan dan Limit Peluang Sifat Keadaan Misalkan I n = { 1, X n = i 0, X n i Misalkan I n menyatakan banyak periode/kali bahwa proses berada n=0 dalam keadaan i, dan [ ] E I n X 0 = i = n=0 = = E[I n X 0 = i] n=0 P(X n = i X 0 = i) n=0 n=0 P n ii

68 Proposisi Kelas Keadaan dan Limit Peluang Sifat Keadaan Keadaan i adalah Recurrent jika Pii n = n=1 Transient jika Pii n < n=1

69 Kelas Keadaan dan Limit Peluang Sifat Keadaan Misalkan Rantai Markov yang terdiri atas keadaan-keadaan 0, 1, 2, 3 mempunyai matriks peluang transisi 0 0 1/2 1/2 P = Tentukan keadaan mana yang transient dan mana yang recurrent.

70 Kelas Keadaan dan Limit Peluang Sifat Keadaan Solusi: Semua keadaan saling berkomunikasi dan semua keadaan bersifat recurrent

71 Kelas Keadaan dan Limit Peluang Sifat Keadaan Matriks peluang transisi 1/2 1/ /2 1/ P = 0 0 1/2 1/ /2 1/2 0 1/4 1/ /2 Tentukan kelas keadaan dan sifat-sifatnya

72 Kelas Keadaan dan Limit Peluang Sifat Keadaan Solusi: Rantai Markov tersebut terdiri atas tiga kelas yaitu {0, 1}, {2, 3}, dan {4}. Sifat-sifatnya: Kelas {0, 1} dan {2, 3} bersifat recurrent Kelas {4} bersifat transient

73 Kelas Keadaan dan Limit Peluang Limit Peluang Transisi Limit Peluang Transisi Misalkan matriks peluang transisi pada Rantai Markov adalah ( ) P = Maka matriks peluang transisi 4 dan 8 langkahnya adalah ( ) P = P 8 = ( )

74 Kelas Keadaan dan Limit Peluang Limit Peluang Transisi Perhatikan bahwa matriks P 8 hampir identik dengan matriks P 4. Selain itu, setiap baris dari P 8 memiliki unsur yang identik. Pada kenyataannya, sepertinya P n ij konvergen ke suatu nilai, untuk n, yang sama untuk semua i. Dengan kata lain, terdapat limit peluang bahwa proses akan berada di keadaan j setelah sekian langkah (transisi). Nilai limit ini saling bebas dengan nilai pada keadaan awal.

75 Kelas Keadaan dan Limit Peluang Limit Peluang Transisi Jika waktu kembali yang pertama dari keadaan i hanya dapat berupa kelipatan dari integer d > 1, keadaan tersebut disebut periodik. Keadaan yang memiliki periode 1 disebut aperiodik.

76 Kelas Keadaan dan Limit Peluang Limit Peluang Transisi Jika keadaan i recurrent, maka keadaan tersebut akan dikatakan positive recurrent jika, dimulai dari keadaan i, waktu harapan hingga proses kembali ke i adalah hingga. Pada Rantai Markov yang memiliki keadaan hingga, semua keadaan recurrent adalah positive recurrent. Suatu keadaan yang positive recurrent dan aperiodik disebut ergodik.

77 Teorema Kelas Keadaan dan Limit Peluang Limit Peluang Transisi Untuk Rantai Markov yang ergodik dan tidak dapat direduksi, lim n Pn ij ada dan saling bebas dari i. Misalkan π j = lim n Pn ij, j 0, maka π j adalah solusi nonnegatif tunggal dari dengan π j = 1. j=0 π j = π i Pij n, j 0, i=0

78 Kelas Keadaan dan Limit Peluang Limit Peluang Transisi Catatan: Perhatikan bahwa P(X n+1 = j) = = P(X n+1 = j X n = i) P(X n = i) i=0 P ij P(X n = i) i=0 Misalkan n dan asumsikan kita bisa menambahkan limit di dalam persamaan, maka π j = P ij π i i=0

79 Kelas Keadaan dan Limit Peluang Limit Peluang Transisi Limit peluang π j adalah peluang jangka panjang (long-run proportion of time) bahwa suatu proses akan berada di keadaan j. Jika Rantai Markov tidak dapat direduksi, maka terdapat solusi untuk π j = lim n Pn ij, j 0,, dengan π j = 1, jika dan hanya jika Rantai j Markov bersifat positive recurrent. Jika solusinya ada, maka solusi tersebut tunggal dan π j adalah proporsi jangka panjang bahwa Rantai Markov berada dalam keadaan j. Jika Rantai Markov aperiodik, maka π j adalah limit peluang bahwa rantai akan berada di keadaan j.

80 Kelas Keadaan dan Limit Peluang Limit Peluang Transisi Jika hari ini hujan, peluang besok hujan adalah α. Jika hari ini tidak hujan, peluang besok hujan adalah β. Misal: 0 : hujan 1 : tidak hujan Maka matriks peluang transisinya adalah ( ) α 1 α P = β 1 β dan kita mempunyai persamaan-persamaan π 0 = απ 0 + βπ 1 π 1 = (1 α)π 0 + (1 β)π 1 π 0 + π 1 = 1

81 Kelas Keadaan dan Limit Peluang Limit Peluang Transisi Maka diperoleh peluang hujan dan tidak hujan dalam jangka panjang adalah β π 0 = 1 + β α dan π 1 = 1 α 1 + β α

82 Kelas Keadaan dan Limit Peluang Limit Peluang Transisi Misalkan keadaan mood Gary disajikan dalam matriks peluang transisi P = Berapa peluang jangka panjang untuk masing-masing keadaan?

83 Kelas Keadaan dan Limit Peluang Limit Peluang Transisi Kita mempunyai persamaan: π 0 + π 1 + π 2 = 1 dan diperoleh solusinya yaitu π 0 = 0.5π π π 2 π 1 = 0.4π π π 2 π 2 = 0.1π π π 2 π 0 = 21 62, π 1 = 23 62, π 2 = 18 62

84 Latihan 2 Kelas Keadaan dan Limit Peluang Latihan 6. Tentukan kelas keadaan dan sifat-sifat dari matriks-matriks peluang transisi berikut a P = b P = 1/9 4/9 4/ /9 4/9 1/

85 Kelas Keadaan dan Limit Peluang Latihan 7. Percobaan-percobaan dilakukan secara berurutan. Jika dalam dua percobaan terakhir SUKSES, maka peluang SUKSES pada percobaan berikut adalah 0.8. Dalam keadaan YANG LAIN, peluang SUKSES adalah 0.5. Hitung peluang percobaan sukses untuk jangka panjang.

86 Penyelesaian Kelas Keadaan dan Limit Peluang Latihan 6. a. Kelas keadaan: {0, 1}, {2}, dan {3} Sifat keadaan: keadaan 0, 1, 3 recurrent dan keadaan 2 transient. b. Kelas keadaan: {0, 1, 2, 3}, Rantai Markov tidak dapat direduksi. Kelas keadaan: semua keadaan bersifat recurrent

87 Kelas Keadaan dan Limit Peluang Latihan 7. Keadaan-keadaan: 0 (SS) : kemarin S sekarang S 1 (SG) : kemarin S sekarang G 2 (GS) : kemarin G sekarang S 3 (GG) : kemarin G sekarang G P =

88 Kelas Keadaan dan Limit Peluang Latihan Kita peroleh persamaan-persamaan: π 0 = π 0 P 00 + π 1 P 10 + π 2 P 20 + π 3 P 30 = 0.8π π 2 π 1 = π 0 P 01 + π 1 P 11 + π 2 P 21 + π 3 P 31 = 0.2π π 2 π 2 = π 0 P 02 + π 1 P 12 + π 2 P 22 + π 3 P 32 = 0.5π π 3 π 3 = π 0 P 03 + π 1 P 13 + π 2 P 23 + π 3 P 33 = 0.5π π 3 dan π 0 + π 1 + π 2 + π 3 = 1

89 Kelas Keadaan dan Limit Peluang Latihan Diperoleh: π 0 = π 1 = π 2 = π 3 = Jadi, peluang SUKSES jangka panjang adalah π 0 + π 1 = 32 50

90 Pustaka Pustaka Pustaka Ross, Sheldon M Introduction to Probability Models; 9th Edition. New York: Academic Press. Syuhada, Khreshna I.A. Materi Kuliah: MA4181 Pengantar Proses Stokastik. Departemen Matematika ITB, Bandung. Taylor, Howard M. dan Samuel Karlin A First Course in Stochastic Processes; Second Edition. New York: Academic Press. Virtamo, J Queueing Theory/ Probability Theory.