Proses Stokastik
(MMM 5403)Silabus
Status: Wajib Minat StatistikaRantai Markov, klasifikasi rantai Markov. Limit rantai Markov dan aplikasinya. Rantai Markov kontinu, contoh-contoh klasik. Proses renewal, variasi dan generalisasinya.
Proses Stokastik
Stokastik (stochastic)Berasal dari bahasa Yunani
stokhastikos ( ́ ) : able to guess stokhos: target
Studi tentang fenomena random atau proses random
Contoh
1. Banyaknya kecelakaan kendaraan bermotor di suatu kota di suatu waktu tertentu
2. Lama antrian pada suatu tempat pelayanan (kasir di mall, check in di bandara, counter di bank, dst)
3. Nilai stock(saham) pada saat tertentu 4. Kecepatan angin pada lokasi tertentu,
ketinggian tertentu dan saat tertentu 5. Contoh lain ....
Definisi
Suatu proses stokastik adalah kumpulan variabel random berindeks { : ∈ }pada ruang probabilitas {Ω, ℱ, }yang bernilai . Himpunan sering disebut sebagai state space; adalah himpunan indeks (index set)
Himpunan indeks dapat berupa bilangan bulat ℤ atau bilangan real ℛ. Dalam banyak aplikasi himpunan indeks adalah waktu = { ≥ 0}
Klasifikasi menurut
Berindeks diskrit (waktu diskrit) bila = ℤContoh
# adalah nilai stock(saham) harian, $, %, … ,
indeksnya ' ∈ ℤ(
Berindeks kontinu (waktu kontinu) bila = ℛ
Contoh
) adalah banyaknya kecelakaan dalam suatu waktu
tertentu { ): ≥ 0}
Klasifikasi menurut
multidimensiContoh:
Kecepatan angin pada suatu lokasi * di bumi
{ +: * ∈ ℛ,}
dengan lokasi ditentukan oleh lintang, bujur dan ketinggian
Catatan terkait
• Urutan dari indeks menunjukkan
perkembangan, proses atau evolusi dari fenomena random yang menjadi perhatian • Urutan menjadi “hilang” atau lebih sulit
ditentukan untuk indeks yang multidimensi. Proses seperti ini sering dinamakan random fields
Variabel random
dan
• dapat berupa bilangan random diskrit atau kontinu
• Realisasi proses stokastik { } adalah - ∈ Ω, disebut juga sebagai sample paths
Karakteristik Proses Stokastik
• State space (status) , yang merupakan
kumpulan nilai-nilai yang mungkin dari proses stokastik )
• Himpunan indeks , yang sering disebut time parameter
• Distribusi bersama variabel random )
Memodelkan Proses Stokastik
Untuk sekumpulan pengamatan %, ., … , # , distribusi bersama ) adalah( )0 ≤ x%; )4 ≤ x.; … ; )5 ≤ x6)
Sample Path
#(-)1 2 3 ...
Sample Path
)(-) 0Random Walk
# # = $+ 9 : # :;% 1 2 3 0 # ' 4 5 6 1 2 -2 -1 :adalah v.r. Bernoulli bernilai +1atau −1Random Walk
1. Homogen secara spasial (spatially homogeneous),
# = > $ = ? = # = > + @ $ = ? + @
2. Homogen menurut waktu (temporally homogeneous) # = > $ = ? =
A(# = > A = ?
3. Mempunyai sifat Markov
A(# = > $, %, … , A = A(# = > A ,
' ≥ 0
Independent Increments
Proses stokastik { , ∈ }dikatakan memiliki “penambahan independen” (independentincrements) bila untuk semua % < . < ⋯ < #, berlaku variabel random
. − % , , − . … # − #E%
yang independen
Untuk proses stokastik waktu diskrit
= 0,1,2, … , : = G − 1, : = :E%,
Latihan
1. Amatilah suatu proses di sekitar saudara, jelaskan proses tersebut, klasifikasikan , dan distribusi ) (sesuai asumsi)
2. Tunjukkan bahwa proses dengan penambahan independen (independent increment process) selalu merupakan proses Markov
Rantai Markov
Definisi
Proses stokastik waktu diskrit # adalah suatu Rantai Markov (Markov Chain) bila memenuhi # = I $ = J$, % = J%, … , #E% = J#E%
= ( # = I ∣ #E% = J#E%)
Untuk semua ' ≥ 1dan semua
I, J$, J%, … , J#E% ∈
Rantai Homogen
Definisi
Rantai dikatakan homogen bila
#(% = > # = G = % = > $ = G , untuk semua ', G, >
Contoh: Rantai Markov yang Homogen
Tunjukkan bahwa barisan variabel random independen yang mempunyai nilai berhingga adalah suatu Rantai Markov. Dalam kondisi apa rantai tersebut homogen?
Jawab:
Diketahui $, %, … , #variabel random independen. # = J# $ = J$, … , #E% = J#E%
= ( # = J#, $= J$, … , #E% = J#E%)/ ( $= J$, … , #E%= J#E%)
karena independen,
= # = J# (juga untuk ( # ∣ #E%) = ( # = J#))
Matriks Transisi
Matriks transisi M = {N:O}adalah matriks bujursangkar × | |N:O = #(% = > # = G Msuatu matriks stokastik, bila
(a) Mempunyai elemen non-negatif, N:O ≥ 0, untuk semua G, >
(b) Mempunyai jumlah baris 1, ∑ NO :O = 1, untuk semua G
Matriks Transisi
Matriks transisi n langkahM S, S + ' = N:O(S, S + ')
dengan
N:O S, S + ' = A(# = > A = G Dengan asumsi homegenitas
M S, S + 1 = M
Contoh 1: Matriks Transisi
Diberikan { #; ' > 0}adalah rantai Markov dengan status 0,1,2dan matriks transisi3/4 1/4 0 1/4 1/2 1/4
0 3/4 1/4
dan distribusi awal $ = G = %
,, G = 0,1,2.
Contoh 1: Matriks Transisi (lanjutan)
Hitung 1. N.% 2. N%. 3. . = 2, % = 1 $ = 2 4. ( .= 2, % = 1, $ = 2) 5. ( , = 1, . = 2, % = 1, $ = 2)
Persamaan Chapman-Kolmogorov
Teorema N:O S, S + ' + Y = 9 N:+ S, S + ' N+O(S + ', S + ' + Y) + Bukti:...(di papan tulis)
Persamaan Chapman-Kolmogorov
Sehingga M S, S + ' + Y = M S, S + ' M(S + ', S + ' + Y) Dan M S, S + ' = M# Karena M S, S + ' = M(0, '), M S, S + ' sering ditulis M#, dan N:O ' = N:O(S, S + ')Persamaan Chapman-Kolmogorov
Fungsi prob # Z:(#) = ( # = G) [(#) = Z :(#): G ∈ Lemma[(A(#) = [(A)M# ;untuk S = 0 [(#) = [($)M#
Proses random dari rantai Markov ditentukan oleh matriks transisi Mdan nilai probabilitas awal [($)
(Bukti menggunakan Teorema Chapman-Kolmogorov)
Contoh: Transisi 2 Langkah
Matriks transisi 2 langkah dari proses { #; ' >0}contoh di depan 3/4 1/4 0 1/4 1/2 1/4 0 3/4 1/4 3/4 1/4 0 1/4 1/2 1/4 0 3/4 1/4 = 5/8 5/16 1/16 5/16 1/2 3/16 3/16 9/16 1/4
Latihan 1
1. Suatu dadu dilempar berkali-kali. Yang mana dari pernyataan di bawah ini merupakan Rantai Markov?
1) Bilangan (mata dadu) terbesar #yang muncul pada lemparan ke-'
2) Bilangan _#bernilai 6dalam 'lemparan
3) Pada saat Y, waktu `asejak kemunculan 6terakhir
4) Pada saat Y, waktu basampai muncul 6berikutnya
2. Diberikan { #: ' ≥ 0}adalah simple random walk
dengan $ = 0, tunjukkan bahwa # = | #|adalah rantai Markov dan tuliskan probabilitas transisi dari rantai ini.
Latihan 2
Suatu sistem komunikasi melakukan transmisi digit 0 dan 1 melalui beberapa tahap. Diberikan { #; ' ≥ 1}adalah proses digit melewati tahap ke-'dan $ adalah digit awal. Probabilitas digit tidak berubah ketika melewati suatu tahap adalah c, dan Njika digit berubah, N + c = 1. a. Tuliskan matriks transisi untuk proses ini. b. Tunjukkan bahwa A = 1 2 +12 c − N A 12 −12 c − N A 1 2 −12 c − N A 12 +12 c − N A
Klasifikasi Status
• persistent (recurrent) • transient• null dan non-null • periodic, aperiodic • ergodik
Persistent dan Transient
Definisi
Status Gdisebut persistent (recurrent) bila
# = G untuk beberapa ' ≥ 1 $ = G = 1
Probabilitas kembali ke status G, untuk suatu proses yang dimulai dari G, adalah 1. Jika probabilitas kurang dari 1 disebut transient
First Passage Time
Probabilitas kunjungan pertama ke status > diawali
dari status G, dalam ' langkah
q:O '
= % ≠ >, . ≠ >, … , #E% ≠ >, # = > $ = G Probabilitas bahwa rantai pernah mengunjungi >, dimulai dari G
q:O = 9 q:O s #;%
(')
Status > persistent jhjqOO = 1 (jhj: iff)
Mean recurrent time
Mean recurrent time t: suatu status Gt: = u v: $ = G
= w9 'q# ::(') jika G persistent ∞ jika G transient
Null dan Non-Null
Definisi
Status G yang persistent disebut Nullbila t: = ∞ Status G yang persistent disebut Non-Null
(positif) bila t: < ∞
Periode
DefinisiPeriode suatu status
{ G = gcd ': N:: ' > 0 • Status G Neriodicjika { G > 1 • Status G ?periodicjika { G = 1
• Status G }rgodic jika persistent, non-nulldan aperiodic
Klasifikasi Rantai
• Communicates (terhubung)
–G terhubung dengan >, ditulis G → >jika rantai pernah berada di >dengan probabilitas bukan nol, atau N:O S > 0,untuk S ≥ 0
• Intercommunicate (saling terhubung)
–G dan >saling terhubung bila G → >dan > → G atau ditulis G ↔ >
Klasifikasi Rantai
Himpunan status `• Closed, bila N:O = 0untuk semua G ∈ `, > ∉ ` – Tidak ada state di luar ` yang dapat dicapai dari `
– Jika hanya terdiri atas satu state dinamakan absorbing
• Gabsorbing jhj N:: = 1 dan N:O = 0
• Irreducible, bila G ↔ >untuk semua G, > ∈ ` – Semua status dapat dicapai dari status yang lain
Contoh: Klasifikasi
Diketahui matriks transisi suatu Rantai= 1/2 0 1/20 1 0 0 1 0 irreducible, . = 1/2 0 1/20 1 0 1/2 0 1/2 , =
Contoh: Klasifikasi (lanjutan)
Secara umum
.# = .; .#(% = Periodik 2
Distribusi Stasioner
Definisi
Vektor [dikatakan distribusi stasioner suatu Rantai bila [ = (ZO: > ∈ ) sedemikian sehingga 1. ZO ≥ 0untuk semua >, dan ∑ ZO O = 1
2. [ = [M, yaitu ZO = ∑ Z: :N:O, untuk semua > Dikatakan stasioner karena
[M• = [M M = [M = [,
jadi [M‚ = [untuk semua ' ≥ 0
Persistensi Kunjungan
Teorema
Jika status > persistent, maka untuk setiap status * yang dapat dikunjungi dari status >, qO+ = 1 Bukti
....
Distribusi Stasioner sebagai suatu Limit
Teorema
Untuk suatu rantai yang irreducible dan ergodic, limit
ZO = lim#→sN:O(')
ada dan independen terhadap status awal >. Bukti: ....
Menghitung
Menggunakan [ = [Matau [(M − ƒ) = 0...(1)dan ketentuan bahwa ∑ ZO O = 1...(2)
Dapat dicari [ = (ZO: > ∈ )yang memenuhi (1) dan (2)
Matriks (M − ƒ)mempunyai rank − 1, bersama dengan ∑ ZO O = 1, ZO dapat dicari penyele
Contoh: distribusi stasioner
Diketahui matriks transisi suatu Rantai sbb.:= 1/20 2/3 1/30 1/2 1/2 1/2 0
Hitung ., ,, „ untuk ' → ∞?
Contoh: distribusi stasioner
Dapat disusun sistem persamaan linear
[(M − ƒ) = 0dan ∑ ZO O = 1 −Z% +12 Z. +12 Z, = 0 2 3 Z% − Z. +12 Z, = 0 Z% + Z. + Z, = 1 Diperoleh Z% = 1/3, Z. = 10/27, Z, = 8/27
Contoh: distribusi stasioner (2)
Diberikan Rantai Markov= 1 − ?@ 1 − @ 0 < ?, @ < 1? Hitung distribusi stasioner rantai di atas!
Inferensi untuk Rantai Markov
Diberikan Rantai Markov dengan Sstatus dan matriks transisi M = N:O ,dan ':O,yaitu transisi empiris (data) dari status Gke >, dengan total banyaknya observasi
(_ + 1)
∑AO;%':O = ':⦁dan ∑ 'A:;% :O = '⦁O G, > = 1,2, … , S
Dengan estimasi Maximum Likelihood (distribusi multinomial) diperoleh
N̂:O =':O': ⦁
Uji Hipotesis
Menguji apakah data mengikuti model rantai Markov dengan probabilitas transisi M
‰$: M = M$ Digunakan statistik Š = 9 9':⦁ N̂:O − N$:O . N$:O A O;% A :;% , G, > = 1,2, … , S
Untuk _besar, Šakan berdistribusi . dengan derajad bebas m(S − 1)
Contoh: Uji Hipotesis
Diperoleh data empiris curah hujan dengan status 0=hari kering ; 1=hari hujan sebagai berikut
0 1 total
0 175 49 224
1
total 22348 14596 144368
Apakah data tersebut mengikuti model rantai Markov dengan matriks transisi 1/2 1/2
1/2 1/2 ?
Contoh: Uji Hipotesis
Diperoleh 9 9':⦁ N‹:O − N$:O . N$:O A O;% A :;% = 86,875
Dengan derajad bebas 2. Diperoleh p-value yang sangat kecil, sehingga ‰$ ditolak.
Latihan 1
Tiga anak bermain bola dalam formasi lingkaran, tiap anak diberi nama 1,2,3 .Setiap anak
memiliki peluang yang sama untuk melempar ke dua anak yang lain. Carilah matriks transisi
untuk proses Markov ini. Hitung
. = 1 $ = 1 , . = 2 $ = 3 ,
Latihan 2
Diketahui matriks transisi suatu Rantai sbb.: = 1 0 00 1 0
N% N. N,
dengan ∑NO = 1. Hitung distribusi limit [.
Latihan 3
Misalkan menurut ahli sosiologi dalam suatu komunitas atau populasi diasumsikan bahwa kelas sosial seseorang dipengaruhi oleh orang tuanya saja dan bukan oleh kakek/neneknya dengan matriks probabilitas transisi:
Dalam jangka panjang, berapa persentase orang yang akan berada di kelas menengah?
Latihan 3 (lanjutan)
Apabila diperoleh data frekuensi empiris dari populasi tersebut sebagai berikut
apakah data empiris mengikuti model yang diajukan oleh ahli sosiologi tersebut? ( = 0,05)