BAB IV : APLIKASI PADA MATRIKS STOKASTIK 56
BAB IV
APLIKASI PADA MATRIKS
STOKASTIK
Salah satu aplikasi dari Teori Perron-Frobenius yang paling terkenal adalah penurunan secara aljabar untuk beberapa sifat yang dimiliki oleh matriks stokastik. Penurunan sifat matriks stokastik ini lebih dikhusukan untuk matriks stokastik berdasarkan teori rantai Markov diskrit. Pada bab ini akan difokuskan aplikasi Teori Perron-Frobenius dalam mencari distribusi limit dari rantai Markov tersebut.
4.1 Matriks Stokastik dan Rantai Markov
Matriks persegi nonnegatif disebut stokastik baris, yaitu jika jumlah pada setiap barisnya adalah satu. Secara umum, stokastik baris ini cukup disebut dengan stokastik. Matriks stokastik kolom sendiri didefinisikan serupa, yaitu jika jumlah pada setiap kolomnya adalah satu.. Namun, pada pembahasan tugas akhir ini dibatasi hanya untuk kasus matriks stokastik (baris).
Matriks stokastik berperan penting dalam teori rantai Markov yang merupakan bagian dari proses stokastik. Proses stokastik itu sendiri didefinisikan sebagai barisan peubah acak
{
X tt, ∈T , yaitu untuk setiap}
t∈T kita mempunyaiBAB IV : APLIKASI PADA MATRIKS STOKASTIK
peubah acak . Seringkali kita menginterpretasikan indeks t sebagai waktu, karena banyak sekali proses stokatik yang terjadi pada suatu selang waktu. Nilai peubah acak disebut dengan keadaan pada saat t. Himpunan T disebut ruang parameter atau ruang indeks dari proses stokastik dan himpunan semua nilai yang mungkin disebut dengan ruang keadaan (state). Proses stokastik dengan ruang parameter diskrit dan ruang keadaan diskrit ini dikenal dengan rantai Markov. Rantai Markov ini memiliki sifat khusus, yaitu
t X t X t X
(
t+1 = j/ t = it, t−1= it−1,..., 0 = i0) (
t+1= j/ = it)
P X S X S X S X S =P X S Xt Suntuk setiap t=0,1, 2...., dengan ruang keadaannya adalah
{
S S1, 2,....,Sn}
. Sifat khusus tersebut menyatakan bahwa prosesnya bersifat memoryless, yaitu peluang kejadian pada periode berikutnya hanya dipengaruhi periode saat ini sedangkan periode sebelumnya tidak memiliki pengaruh apapun.Rantai Markov dapat dinyatakan dengan menggunakan matriks stokastik. Untuk membuktikan hal tersebut, perhatikan bahwa nilai
adalah peluang berada di state
(
/ 1)
ij t j t i
p =P X =S X − =S
j
S pada periode ke-t diberikan bahwa pada periode ke-
(
t−1)
berada di states Si. Nilai p disebut dengan peluang transisi ij dari state Si ke state S pada periode ke-j t. Matriks peluang transisimerupakan matriks nonnegatif dan jumlah dari elemen pada setiap barisnya pasti bernilai satu, sehingga
( )
( )
× = ⎣⎡
n n t pij t
P ⎤⎦
( )
tP adalah matriks stokastik. Jika,
peluang transisi tidak bergantung pada waktu (yaitu pij
( )
t = p untuk setiap ij t), maka rantai tersebut dikatakan stasioner atau homogen dan matriks transisinya adalah matriks stokastik konstan P= ⎣ ⎦⎡ ⎤pij .BAB IV : APLIKASI PADA MATRIKS STOKASTIK
Selanjutnya, akan disajikan beberapa teorema yang menunjukkan sifat matriks stokastik. Pada teorema berikut ini diberikan nilai spectral radius untuk matriks stokastik.
Teorema 4.1 Misalkan Pn n× adalah matriks stokastik, maka ρ
( )
P =1.Bukti. Matriks adalah matriks dengan jumlah elemen pada setiap barisnya
adalah satu atau ×
n n
P
1 ∞ =
P atau secara ekivalen, Pe=e, dimana e adalah vektor dengan elemennya bernilai satu. Karena
( )
1, e adalah pasangan karakteristik untuk setiap matriks stokastik dan karena ρ( )
∗ ≤ ∗ untuk setiap norm matriks, maka 1≤ρ( )
P ≤ P ∞ =1 ⇒ ρ( )
P =1= ⎜
⎝ ⎠
P
.
Lebih jauh lagi, e adalah vektor karakteristik positif yang berkorespondensi dengan . Namun, hal ini bukan berarti bahwa adalah vektor Perron untuk karena bisa tidak tak tereduksi. Sebagai contoh, perhatikan matriks . Matriks tidak tak tereduksi dan bukan vektor Perron untuk P .
( )
1 ρ P = e P P 0.5 0.5 0 1 ⎛ ⎞ ⎟ P e4.2 Vektor Distribusi Peluang
Vektor distribusi peluang didefinisikan sebagai vektor nonnegatif
(
1 2)
pT = p p, ,...,pn dimana 1 1 = =∑
n j jp . Untuk Rantai Markov dengan buah state, vektor distribusi peluang langkah ke-k didefinisikan sebagai
n
( )
(
1( ) ( )
2( )
)
pT k = p k ,p k ,...,pn k , k=0,1, 2,..., dimana pj
( )
k =P X(
k =Sj)
. Dengan kata lain, p k adalah peluang berada di state j( )
S setelah buah j langkah tetapi sebelum langkah ke-(k 1
BAB IV : APLIKASI PADA MATRIKS STOKASTIK
( )
(
1( ) ( )
2( )
)
pT 0 = p 0 ,p 0 ,...,pn 0 , dimana pj
( )
0 =P X(
0 =Sj)
, yaitu peluang bahwa rantai dimulai dari state S . jLangkah ke- dari distribusi dapat diuraikan dengan menggunakan teori peluang. Kita tahu bahwa
k
(
)
( )
( )
P E∪F =P E +P F jika E dan F kejadian yang saling bebas. Peluang bersyarat E jika diberikan kejadian F adalah
(
\)
(
) ( )
P E F =P E∩F /P F . Untuk menentukan komponen ke- , yaitu pada j
( )
1 j p T( )
1 p diberikan T( )
0 p , tulis( )
(
)
(
)
(
) (
)
(
(
)
(
)
(
)
( )
1 1 0 1 0 2 0 1 0 1 1 0 2 1 0 1 0 1 0 1 0 1 1 1 .... ... / 0 , untuk setiap 1, 2,..., = = = ⎡ ⎤ = = = ⎣ = ∩ = ∪ = ∪ ∪ = ⎦ ⎡ ⎤ = ⎣ = ∩ = ∪ = ∩ = ∪ ∪ = ∩ = ⎦ ⎡ ⎤ = ⎣ = ∩ = ⎦ ⎡ ⎤ = ⎡⎣ = ⎤⎦ ⎣ = = ⎦ = =∑
∑
∑
j j j n j j j n j i i n i j i i n i ij i p P X S P X S X S X S X S P X S X S X S X S X S X S P X S X S P X S P X S X S p p j n)
nAkibatnya, pT
( )
1 = pT( )
0 P . Hal ini menunjukkan bahwa distribusi yangterjadi satu langkah selanjutnya setelah kita mulai dengan . Namun, sifat khusus memoryless pada rantai Markov menyatakan bahwa kejadian pada langkah ke- hanya bergantung kejadian pada langkah ke-
(
. Akibatnya( )
0 T p k k−1)
( )
2 =( )
1 T Tp p P , pT
( )
3 = pT( )
2 P , dan seterusnya. Dengan melakukansubtitusi, kita bisa memperoleh
( )
(
)
(
)
2(
1 2 ... 0 = − = − = = T T T T p k p k P p k P p)
k P .Jadi, distribusi pada langkah ke- tersebut ditentukan dari distribusi awal dan matriks transisi dari hasil kali vektor-matriks adalah
k
( )
=( )
0T T
BAB IV : APLIKASI PADA MATRIKS STOKASTIK
Misalkan Pk = ⎣⎡pij( )k ⎤⎦ dan jika kita tuliskan
( )
0 iT T
p = untuk (4.1), maka kita e peroleh pj
( )
k = pij( )k untuk setiap i=1, 2,...,n. Dengan demikian, kita peroleh kesimpulan bahwa elemen ke-( )
i j dari matriks , adalah peluang transisi dari state ke statek
P
i
S S dengan tepat langkah. Oleh karena itu, j biasa disebut dengan matriks transisi langkah ke- k .
k Pk
4.3 Distribusi Limit dari Rantai Markov
Dalam menganalisis limit dari rantai Markov, kita dapat membagi matriks stokastik menjadi dua bagian berdasarkan sifat tereduksinya, yaitu matriks stokastik tak tereduksi dan matriks stokastik tereduksi. Untuk matriks stokastik tak tereduksi, kita bisa melihat kasus dimana ada (yaitu primitif) dan tidak ada (yaitu imprimitif). Begitu pula untuk matriks stokastik tereduksi, kita bisa melihat kasus dimana li ada dan tidak ada.
lim →∞ k k P P lim →∞ k k P P m →∞ k k P lim→∞ k k P
4.3.1 Distribusi Limit dari Matriks Stokastik Tak Tereduksi
Untuk kasus matriks stokastik tak tereduksi, kita bisa membaginya menjadi dua bagian, yaitu matriks primitif dan matriks imprimitif. Jika P adalah matriks primitif, maka kita tahu bahwa nilai dari ada. Vektor Perron untuk adalah , yaitu vektor distribusi seragam. Misalkan lim →∞ k k P P e n/
(
1, 2,...., T n)
π = π π π adalah vektor Perron untuk PT, maka
(
)
(
)
1 2 1 2 1 2 / lim 0 / π π π π π π π π π π π π π π →∞ ⎡ ⎤ ⎢ ⎥ ⎢ ⎥ = = = = ⎢ ⎥ ⎢ ⎥ ⎣ ⎦ n T T n k T T T k n e n e e e n e P > (4.2)berdasarkan Teorema 3.19. Oleh karena itu, jika primitif maka distribusi limit peluangnya ada dan diberikan oleh
BAB IV : APLIKASI PADA MATRIKS STOKASTIK lim
( )
lim( )
0( )
0 π π →∞ = →∞ = T T k T T k p k k p P p e = T . (4.3)Selanjutnya, jika adalah matriks imprimitif, kita tahu bahwa terdapat buah nilai karakteristik pada lingkaran spektral dan tidak ada (Definisi 3.18 dan Teorema 3.19). Akibatnya,
P 1 h> lim →∞ k k P
( )
lim Tk→∞p k juga tidak ada.
Dalam statistika, li ini tidak ada disebabkan oleh setiap state pada rantai Markov bersifat periodik, yaitu untu periode lebih besar dari satu, suatu state akan kembali pada state yang sama. Akibatnya, nilai
akan konvergen ke suatu bentuk tertentu untuk k ganjil dan akan konvergen ke suatu bentuk yang berbeda untuk genap. Namun, pada tugas akhir ini pembahasan mengenai bentuk tersebut tidak akan dibahas. Kita akan melihat bentuk limit yang lain dari matriks transisi ini.
m →∞ k k P lim →∞ k k P k lim →∞ k k P
)
Kita tahu bahwa setiap nilai karakteristik pada lingkaran satuan adalah simple berdasarkan Teorema 3.22, artinya P adalah Cesaro Summable
dari Teorema 3.23. Akibatnya jika adalah vektor Perron untuk P
maka terdapat vektor Perron kiri, sebut / e n
(
1, 2,...., T n π = π π π , sehingga(
)
(
)
1 2 1 1 2 1 2 / lim 0 / π π π π π π π π π π π π π π − →∞ ⎡ ⎤ ⎢ ⎥ + + + = = = =⎢ ⎥> ⎢ ⎥ ⎢ ⎥ ⎣ ⎦ n T k T n T T T k n e n e e k e n e I P Pyang mempunyai nilai limit yang sama pada (4.2) untuk kasus primitif. Jadi, distribusi peluang langkah ke- mempunyai limit Cesaro yang diberikan oleh
BAB IV : APLIKASI PADA MATRIKS STOKASTIK
( )
( )
(
)
( )
1( )
0 1 1 lim lim 0 0 π π →∞ − →∞ ⎡ + + + − ⎤ = ⎢ ⎥ ⎣ ⎦ ⎡ + + + ⎤= = ⎢ ⎥ ⎣ ⎦ T T T k k T T k p p p k k p p k I P P T T eyang memiliki bentuk yang sama dengan kasus primitif pada (4.3). Limit Cesaro ini tidak bergantung pada distribusi awal sama halnya untuk kasus ketika limitnya ada.
Selanjutnya, kita akan menginterpretasikan maksud dari limit Cesaro ini. Caranya adalah dengan memfokuskan pada salah satu state, sebut S . j Kemudian, kita definisikan sebuah barisan peubah acak
{ }
yang menyatakan jumlah kunjungan ke state0 k k Z ∞= j S . Misal, 0
1, jika rantai dimulai dari
0, lainnya ⎧ = ⎨ ⎩ j state S Z dan untuk i>1,
1, jika rantai berada di setelah langkah ke - 0, lainnya ⎧ = ⎨ ⎩ j i state S i Z
Perhatikan bahwa Z0+ + +Z1 .... Zk−1 adalah jumlah kunjungan ke state S j
sebelum langkah ke- , maka k
(
Z0+Z1+....+Zk−1)
/k menyatakan fraksi dari waktu untuk sampai di S sebelum langkah ke- . Nilai ekspetasi j dari k i Z adalah[ ]
i 1.(
i 1)
0.(
i 0)
(
i 1)
j(
)
E Z = P Z = + P Z = =P Z = = p i .Karena ekspetasi bersifat linear, maka ekspetasi dari waktu berada di S j sebelum langkah ke- k adalah
BAB IV : APLIKASI PADA MATRIKS STOKASTIK
[ ] [ ]
[
]
( )
( )
(
)
( )
( )
(
)
0 1 1 0 1 .... 1 .... 0 1 .... 1 p 0 p 1 .... p 1 π − − + + + + + + ⎡ ⎤ = ⎢ ⎥ ⎣ ⎦ ⎡ ⎤ + + + − + + + − = = ⎢ ⎥ ⎣ ⎦ k k T T T j j j j j E Z E Z E Z Z Z Z E k k p p p k k k k →Dengan kata lain, fraksi waktu untuk kurun waktu yang cukup lama yang dihabiskan di state S adalah j πj, yaitu komponen ke- dari limit Cesaro atau komponen ke- dari vektor Perron kiri .
j j P Ketika lim T
( )
k→∞p k ada, maka( )
( )
0( )
1(
1)
lim lim T T T T k k p p p k p k k →∞ →∞ ⎡ + + + − ⎤ = ⎢ ⎥ ⎣ ⎦.Jadi, interpretasi dari distribusi limit, lim T
( )
k→∞p k , untuk kasus matriks
primitif akan sama halnya dengan interpretasi dari limit Cesaro untuk kasus matriks imprimitif.
Berikut ini adalah ringkasan mengenai sifat-sifat yang dimiliki oleh rantai Markov tak tereduksi.
Teorema 4.2 Misal adalah matriks peluang transisi untuk rantai
Markov tak tereduksi dengan state
P
{
S S1, 2,...,Sn}
, yaitu adalah matriksstokastik tak tereduksi berukuran n
P
n
× . Misalkan pula π adalah vektor T
Perron kiri untuk . Pernyataan berikut benar untuk setiap vektor distribusi awal
P
( )
0T
p .
(a). Matriks transisi langkah ke- adalah k k karena elemen
ke-P
( )
i j ,dari Pk adalah peluang transisi dari state S ke state j dalam k langkah.
i
BAB IV : APLIKASI PADA MATRIKS STOKASTIK
(b). Vektor distribusi langkah ke- diberikan oleh k pT
( )
k = pT( )
0 Pk.(c). Jika primitif dan jika adalah vektor dengan elemennya bernilai satu maka
P e lim π →∞ = k k P e T dan lim T
( )
T k→∞p k =π .(d). Jika P imprimitif, maka
1 lim π − →∞ + + + k = T k k e I P P dan
( )
0( )
1(
1)
lim T T T T k p p p k k π →∞ ⎡ + + + − ⎤ = ⎢ ⎥ ⎣ ⎦ .(e). Tanpa memperhatikan primitif ataupun imprimitif, elemen ke-, yaitu
P
j πj, pada π menyatakan fraksi waktu untuk kurun T
waktu yang cukup lama bahwa rantai berada di state S . j
(f). Vektor π biasa disebut dengan vektor distribusi stasioner untuk T rantai karena vektor distribusi ini tunggal yang memenuhi πT =πT
P .
4.3.2 Distribusi Limit dari Matriks Stokastik Tereduksi
Karena Teorema Perron-Frobenius tidak secara langsung dapat dipakai untuk rantai Markov tereduksi (rantai untuk matriks tereduksi), strateginya adalah dengan melakukan manipulasi untuk matriks tereduksi tersebut.
P
Jika tereduksi maka terdapat matriks permutasi Q dan matriks persegi
dan sehingga P X Z T = ⎢⎡ ⎤⎥ ⎣ ⎦ X Y Q PQ
0 Z . Untuk mempermudah penulisan,
kita notasikan dengan ~⎡⎢ ⎤⎥
⎣ ⎦
X Y
P
0 Z . Jika atau tereduksi, maka
permutasi simetri lainnya bisa diperoleh untuk menghasilkan
BAB IV : APLIKASI PADA MATRIKS STOKASTIK ~ ⎡ ⎤ ⎡ ⎤ ⎢ ⎢ ⎥ ⎢ ⎣ ⎦ ⎢ ⎥ ⎣ ⎦ R S T X Y 0 U V 0 Z 0 0 W ⎥
⎥ , dimana , , dan adalah matriks
persegi. Dengan mengulang proses yang sama sehingga dihasilkan
R U W 11 12 1 21 22 2 ~ ⎡ ⎤ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ ⎦ … … … k k kk X X X X X X P 0 0 X ,
dimana setiap Xii tak tereduksi atau Xii =
[ ]
01 1× . Jika terdapat baris dengan elemen tak nol hanya terdapat pada blok diagonal, maka permutasikan secara simetris semua baris ke bagian bawah sehingga diperoleh 11 12 1 1, 1 1, 2 1 22 2 2, 1 2, 2 2 , 1 , 2 1, 1 2, 2 ~ + + + + + + + + + + ⎡ ⎤ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ ⎦ r r r m r r r m rr r r r r rm r r r r mm P P P P P P 0 P P P P P 0 0 P P P P P 0 0 0 P 0 0 0 0 0 0 P 0 0 0 0 0 0 P (4.4)dimana setiap P11,...,Prr tak tereduksi atau
[ ]
01 1× , dan tak tereduksi (setiap bloknya tidak mungkin nol karena setiap barisnya harus berjumlah 1).1, 1,..., + +
r r mm
P P
Seperti yang telah disebutkan dalam bab sebelumnya pada Definisi 3.9, efek dari permutasi simetri adalah mengubah posisi titik pada atau pada rantai Markov. Ketika state dalam rantai diubah posisinya sehingga memiliki bentuk seperti (4.4), kita sebut dalam bentuk cannonical untuk matriks tereduksi. Ketika dalam bentuk cannonical, subset dari
( )
G P
P P
BAB IV : APLIKASI PADA MATRIKS STOKASTIK
state yang berkorespondensi dengan Pkk untuk 1≤ ≤ disebut dengan k r kelas transien ke- (karena ketika kita keluar dari state tersebut, maka kelas transien ini tidak dapat dimasuki kembali) sedangkan subset dari state yang berkorespondensi dengan
k
, + +
r j r j
P untuk j≥1 disebut dengan kelas ergodik ke- . Setiap kelas ergodik adalah rantai Markov tak tereduksi yang kembali ke state dirinya sendiri yang berada pada rantai tereduksi berukuran besar. Untuk selanjutnya, kita akan mengasumsikan bahwa state dalam rantai tereduksi telah diurutkan atau diubah sehingga dalam bentuk cannonical. Matriks stokastik yang berada dalam bentuk cannonical tersebut akan dinotasikan dengan
j
P P
P.
Pada bab sebelumnya dinyatakan bahwa jika matriks stokastik tak tereduksi mempunya buah nilai karakteristik pada lingkaran satuannya maka buah nilai karakteristik ini adalah akar ke- dan setiap akarnya adalah nilai karakteristik simple untuk . Hal yang sama tidak bisa dikatakan untuk matriks stokastik tereduksi, tetapi dengan bentuk cannonical (4.4) bisa berlaku seperti pada teorema berikut ini.
P
h
h h
P
Teorema 4.3 Nilai karakteristik satuan untuk matriks stokastik
didefinisikan sebagai nilai karakteristik pada lingkaran satuan. Untuk setiap matriks stokastik Pn n× , pernyataan berikut benar.
Setiap nilai karakteristik satuan dari adalah semisimple. P
Setiap nilai karakteristik satuan mempunyai bentuk untuk suatu .
2k i h/ e π λ=
k< ≤h n
Bukti. Jika tak tereduksi maka hal ini telah dibuktikan pada Teorema
3.22. Jika tereduksi, misalkan terdapat permutasi simetri sehingga P
berada dalam bentuk cannonical seperti pada (4.4) maka
P P
( )
1BAB IV : APLIKASI PADA MATRIKS STOKASTIK
untuk setiap k=1, 2,...,r. Hal ini berlaku jika Pkk =
[ ]
01 1×. Perhatikan untuk Pkk(
1≤ ≤k r tak tereduksi. Karena pasti terdapat blok)
Pkj,k≠ jyang mempunyai elemen tak nol, maka Pkke≤e dan dimana adalah vektor dengan elemennya bernilai 1. Jika
≠
kke e
P e
( )
1ρ Pkk = , maka hal ini akan membuat Pkke=e berdasarkan Teorema 3.20 (kontradiksi). Jadi haruslah
ρ
( )
Pkk <1 untuk setiap k=1, 2,...,r. (4.5) Akibatnya, nilai karakteristik satuan untuk P adalah koleksi atau kumpulan dari nilai karakteristik satuan dari matriks tak tereduksi . Namun, setiap nilai karakteristik dari adalah simple dan merupakan akar semesta (Teorema 3.22). Akibanya, jika1, 1,..., + +
r r mm
P P Pr i r i+ +,
λ adalah nilai karakteristik satuan untuk P maka λ pasti merupakan suatu akar semesta. Walaupun nilai λ bisa muncul lebih dari satu kali karena λ muncul lebih dari satu Pr i r i+ +, , hal ini pasti merupakan kasus dimana
( )
( )
ma λ =mg λ . Jadi, λ adalah nilai karakteristik semisimple untuk P.
Untuk mencari bentuk distribusi limit dari rantai Markov tereduksi maka kita asumsikan bahwa P berada dalam bentuk cannonical (4.4). Namun
sebelumnya, kita akan membuktikan terlebih dahulu bahwa setiap matriks stokastik bersifat Cesaro Summable (Teorema 2.28).
Teorema 4.4 Setiap matriks stokastik adalah Cesaro Summable, yaitu
1 .... lim − →∞ + + + k k k I P P ada.
BAB IV : APLIKASI PADA MATRIKS STOKASTIK
Nilai dari limitnya adalah proyektor G pada N I P sepanjang
(
−)
.(
−)
R I P
Bukti. Bentuk dan interpretasi dari Cesaro Summable untuk matriks
tak tereduksi telah dibuktikan sebelumnya. Jadi, kita hanya perlu membuktikan untuk kasus adalah matriks tereduksi. Misalkan
bentuk cannonical (4.4), dimana
P P 11 12 22 0 ⎛ ⎞ = ⎜ ⎝ ⎠ T T P T ⎟ dan (4.6) 11 1 1, 1 1 11 12 , 1 1, 1 12 , , + + + + ⎛ ⎞ ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ =⎜ ⎟ = ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ ⎝ ⎠ ⎛ ⎞ ⎜ ⎟ = ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ … … … r r m rr r r rm r r mm T P P P P T T P P P P P
Kita tahu dari (4.5) bahwa ρ
( )
Pkk <1 untuk setiap k =1, 2,...,r, sehingga( )
11 1 ρ T < . Akibatnya, 11 11 1 11 .... lim lim 0 − →∞ →∞ + + + = = k k k k k I T T T .Selanjutnya, masing-masing dari adalah matriks stokastik tak tereduksi, maka jika
1, 1,..., + +
r r mm
P P
πT
j adalah vektor Perron kiri untuk P , jj
, maka berdasarkan hasil sebelumnya pada (4.2) kita peroleh
1 + ≤ ≤ r j m 22 1 1 22 .... lim π π + − →∞ ⎛ ⎞ + + + ⎜ ⎟ =⎜ ⎟= ⎜ ⎟ ⎝ ⎠ T r k k T m e k e I T T E.
Lebih jauh lagi, jelas berdasarkan Teorema 3.19 bahwa ada jika
dan hanya jika masing-masing dari adalah primitif. Dalam hal ini, . 22 lim →∞ k k T 1, 1,..., + + r r mm P P 22 lim →∞ = k k T E
BAB IV : APLIKASI PADA MATRIKS STOKASTIK
Oleh karena itu, semua limitnya (baik untuk limit Cesaro ataupun limit biasa) akan berbentuk
1 .... lim lim − →∞ →∞ ⎛ ⎞ + + + = = = ⎜ ⎟ ⎝ ⎠ k k k k k 0 Z I P P G 0 E P
)
P)
(jika ada).Untuk menentukan bentuk dari Z , kita akan menggunakan fakta bahwa
(karena G adalah proyektor pada ) untuk menuliskan
( )
=(
− R G N I N I P(
− .( )
11 12(
)
11 12 22 − − ⎛ ⎞⎛ ⎞ − = ⇒ ⎜ ⎟⎜ ⎟= ⇒ − = − ⎝ ⎠ ⎝ ⎠ I T T 0 Z I P G 0 0 I T Z T E 0 I T 0 EKarena I T− 11 adalah matriks nonsingular ( karena ρ
( )
T11 <1), akibatnya(
)
111 12 −
= −
Z I T T E.
Berikut ini adalah ringkasan mengenai sifat-sifat yang dimiliki oleh rantai Markov tereduksi.
Teorema 4.5 Misalkan state pada rantai Markov tereduksi telah
diurutkan sedemikian rupa sehingga matriks transisi berada dalam bentuk cannonical 11 12 22 ⎛ ⎞ = ⎜ ⎟ ⎝ ⎠ T T P 0 T
seperti pada (4.4) dan (4.6). Misalkan pula πTj adalah vektor Perron kiri untuk P jj
(
r+ ≤ ≤1 j m)
, maka I T nonsingular dan − 11
(
)
1 1 11 12 .... lim − − →∞ ⎛ ⎞ + + + = ⎜ − ⎟ ⎜ ⎟ ⎝ ⎠ k k k I P P 0 I T T E 0 E , dimana 1 π π + ⎛ ⎞ ⎜ ⎟ = ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ T r T m e e E .BAB IV : APLIKASI PADA MATRIKS STOKASTIK Lebih jauh lagi, lim
→∞
k
k P ada jika dan hanya jika masing-masing dari
adalah primitif. Dalam hal ini, 1, 1,..., r r mm P+ + P
(
)
1 11 12 lim − →∞ ⎛ − ⎞ = ⎜⎜ ⎟⎟ ⎝ ⎠ k k 0 I T T E P 0 E .Berdasarkan Teorema 4.5, kita bisa menyimpulkan bahwa setiap rantai Markov tereduksi pada akhirnya akan terabsorpsi (terperangkap) pada salah satu dari kelas-kelas ergodik, yaitu pada salah satu bagian rantai yang didefinisikan di Pr j r+ , +j, untuk suatu j≥1. Jika imprimitif, maka prosesnya akan terus berosilasi kelas ergodik ke- selamanya sedangkan jika , r j r+ +j P j , r j r+ +j
P primitif maka prosesnya akan berakhir pada
steady-state yang didefinisikan oleh vektor Perron dari Pr j r+ ,+j.
Tidak banyak yang bisa dikatakan mengenai limit dari matriks stokastik tereduksi ini. Namun, masih terdapat beberapa pertanyaan mengenai kelas ergodik manakah suatu rantai akan berakhir dan berapa lama waktu yang diperlukan untuk mencapainya tersebut. Sampai sejauh ini, jawaban atas pertanyaan tersebut masih bergantung pada state mana rantai dimulai atau kita perlu mengetahui distribusi awalnya.
4.4 Contoh Kasus Perhitungan Distribusi Limit dari Rantai Markov
Untuk mendapatkan gambaran atau deskripsi yang jelas mengenai perhitungan mengenai limit distribusi dari matriks transisi rantai Markov, berikut ini akan diberikan dua contoh kasus, yaitu kasus 1 dimana matriks stokastiknya bersifat tak tereduksi dan kasus 2 dimana matriks stokastiknya bersifat tereduksi. Contoh kasus ini diperoleh dari buku An Introduction to Stochastic Modeling (Taylor and Karlin).
BAB IV : APLIKASI PADA MATRIKS STOKASTIK
4.4.1 Kasus 1 : Matriks Stokastik Tak Tereduksi
Dalam ilmu sosiologi, kelas sosial untuk generasi berikutnya secara berturut-turut dalam suatu keluarga dapat dipandang sebagai rantai Markov. Dalam hal ini, pekerjaan seorang anak diasumsikan hanya bergantung pada pekerjaan ayahnya dan tidak bergantung pada pekerjaan kakeknya. Pekerjaan tersebut membagi kelas sosial masyarakat menjadi tiga kelas, yaitu kelas bawah, kelas menengah, dan kelas atas. Dengan kata lain, pekerjaan ini menentukan sesorang untuk masuk kelas sosial tertentu. Misalkan peluang transisi tersebut diberikan sebagai berikut.
Kelas Bawah Kelas Menengah Kelas Atas Kelas Bawah Kelas Menengah Kelas Atas Pekerjaan Anak 0.40 0.50 0.10 Pekerjaan 0.05 0.70 0.25 Ayah 0.05 0.50 0.45 (4.7)
Sebut matriks transisi pada (4.7) adalah . Berdasarkan matriks transisi diatas bisa kita peroleh
P
( ) {
1, 1/ 5, 7 / 20}
σ P = . Hal ini jelas bahwa P adalah matriks nonnegatif dengan spectral radius ρ
( )
P =1.Dengan memisalkan dalam populasi tertentu, kondisi sosial pada kasus ini memiliki distribusi awal seragam, yaitu pT
( ) (
0 = 1/ 3,1/ 3,1/ 3)
. Jika matriks transisi seperti yang diberikan pada (4.7), maka peluang seorang anak memiliki pekerjaan dengan kelas bawah setelah 3 turunan adalah . Secara keseluruhan, distribusi pada langkah ke-3 adalah( )
( )
3 1 1 p 3 p 0 0.0879 ⎡ ⎤ =⎡ ⎤ = ⎣ T ⎦ ⎣ T P ⎦( ) (
)
pT 3 = 0.0879; 0.6227; 0.2894 .BAB IV : APLIKASI PADA MATRIKS STOKASTIK Karena P primitif, maka lim k dan
k→∞P lim
( )
Tk→∞p k ada. Nilai limit tersebut
ditentukan oleh vektor Perron kiri dari matriks yang bisa diperoleh
dengan menghitung vektor tak nol dan
menormalisasikannya sehingga diperoleh
P
(
T v∈N I−P)
1 / T T v v π = . Dari persamaan diperoleh bahwa(
T)
0 v − = I P vT =(
0.1104; 0.8971; 0.4278)
maka dan(
0.0769; 0.6250; 0.2981)
πT = 0.0769 0.6250 0.2981 lim 0.0769 0.6250 0.2981 0.0769 0.6250 0.2981 →∞ ⎛ ⎞ ⎜ ⎟ = ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ k k P dan( ) (
)
lim 0.0769; 0.6250; 0.2981 →∞ = T k p k .Limit dari distribusi ini bisa diinterpretasikan bahwa setelah kurun waktu yang lama, sebesar 7.69% dari populasi akan berada pada kelas bawah, sebesar 62.50% dari populasi akan berada kelas menengah, dan sisanya sebesar 29.81% dari populasi akan berada pada kelas atas.
4.4.2 Kasus 2 : Matriks Stokastik Tereduksi
Salah satu hal yang mempengaruhi kelajuan suatu populasi adalah usia produktif dari wanita. Perubahan struktur dalam masyarakat seperti peningkatan usia nikah dini, banyaknya janda yang menikah lagi, dan perceraian mempunyai dampak yang cukup signifikan dalam pertumbuhan rata-rata populasi. Untuk melihat kecenderungan pertambahan populasi beberapa tahun kedepan berdasarkan usia produktif wanita berdasarkan statusnya, salah satu model yang dapat dikembangkan adalah dengan membaginya menjadi 7 state. Kita bisa memandang model ini sebagai rantai Markov. Ketujuh state tersebut adalah
E1 : Migrasi
BAB IV : APLIKASI PADA MATRIKS STOKASTIK E3 : Belum Menikah E4 : Menikah E5 : Bercerai E6 : Janda E7 : Meninggal 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 0 0 0 0 0 0 0.02 0 0.90 0 0 0 0 .08 0.02 0 0.50 0 .4 0 0 0 0 .08 0.03 0 0 0 .6 0 0.20 0.10 0 .07 0.02 0 0 0 .4 0 0.50 0 0 .08 0.01 0 0 0 .4 0 0 0.50 0 .09 0 0 0 0 0 0 1 = E E E E E E E E E E E E E E P (4.8)
Berdasarkan matriks transisi (4.8), kita bisa perhatikan bahwa state untuk migrasi dan meninggal merupakan state terabsorpsi. Dengan menggunakan Progrma Matlab, kita permutasikan matriks P sehingga P
berada dalam bentuk canonical seperti berikut ini.
2 3 4 5 6 1 7 2 3 4 5 6 1 7 0 0.90 0 0 0 0.02 0 .08 0 0.50 0.40 0 0 0.02 0 .08 0 0 0.60 0 .2 0 0.10 0.03 0 .07 0 0 0.40 0 .5 0 0 0.02 0 .08 0 0 0.40 0 0.50 0.01 0 .09 0 0 0 0 0 1 0 0 0 0 0 0 0 1 = E E E E E E E E E E E E E E P
Selanjutnya, matriks dalam bentuk cannoncial tersebut kita cari nilai limitnya berdasarkan Teorema 4.5 dengan menggunakan program Matlab, yaitu
BAB IV : APLIKASI PADA MATRIKS STOKASTIK ( )1 11 12 0 0 0 0 0 0.236 0.76 0 0 0 0 0 0.240 0.76 0 0 0 0 0 0.250 0.75 lim 0 0 0 0 0 0.240 0.76 0 0 0 0 0 0.220 0.78 0 0 0 0 0 1 0 0 0 0 0 0 0 1 − →∞ ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎛ − ⎞ ⎜ ⎟ =⎜⎜ ⎟ ⎜⎟= ⎟ ⎝ ⎠ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ k k 0 I T T I P 0 I 4 0 0 0 0
Berdasarkan hasil tersebut, bisa kita perhatikan bahwa untuk periode yang cukup lama, setiap wanita akan terperangkap dalam state terabsorpsi. Dalam hal ini, state terabsorpsi tersebut adalah migrasi dan meninggal. Sebelum memasuki state terabsorpsi, setiap wanita akan berada pada status masa pertumbuhan, belum menikah, menikah, bercerai, atau janda yang disebut dengan state transien. Peluang transisi setiap wanita untuk terperangkap di suatu state terabsorpsi masih bergantung pada state awalnya seperti yang terlihat pada (4.8). Namun, peluang seseorang meninggal lebih besar dibandingkan peluang seseorang melakukan migrasi setelah jangka waktu yang cukup lama.