Pengantar Proses Stokastik
Bab 3: Rantai Markov DiskritAtina Ahdika, S.Si, M.Si
Statistika FMIPA Universitas Islam Indonesia
Rantai Markov
Misalkan sebuah proses stokastik{Xt} dengant= 0,1,2, . . ..
Nilai yang mungkin dari Xt adalah hingga atau terhitung
Memiliki peluang transisi atau peluang berpindahnya keadaan ”i” (pada waktut) ke keadaan ”j” (pada waktut+ 1) adalah
Pij yaitu
P(Xt+1=j|Xt =i,Xt−1 =it−1, . . . ,X1 =i1,X0 =i0) =Pij
Distribusi bersyarat Xt+1 diberikan keadaan-keadaan lampau
X0,X1, . . . ,Xt−1 dan keadaan sekarangXt, hanya bergantung
pada keadaan sekarang (Sifat Markov)
Matriks Peluang Transisi
Pij adalah peluang bahwa proses akan berada di keadaanj dari
keadaani
Pij ≥0, i,j ≥0;
∞
X
j=0
Pij = 1, i = 0,1, . . .
Perhatikan
P(Xt+1 =j|Xt =i,Xt−1 =it−1, . . . ,X1 =i1,X0 =i0)
=P(Xt+1 =j|Xt =i)
Contoh 1
Jika hari ini hujan, peluang besok hujan adalahα. Jika hari ini tidak hujan, peluang besok hujan adalahβ.
Misal: ’0’ : hujan ’1’ : tidak hujan
Maka matriks peluang transisinya adalah
P =
α 1−α β 1−β
Contoh 2
Dalam suatu hari, Gary bisa ceria (C), biasa saja (B), atau murung (M). Jika hari ini ceria, maka dia akan C,B, atauM
besok dengan peluang masing-masing 0.5,0.4,0.1. Jika dia merasa
biasa saja hari ini, maka dia akanC,B, atauM besok dengan
peluang masing-masing 0.3,0.4,0.3. Jika dia merasa murung hari
ini, maka dia akanC,B, atau M besok dengan peluang
Misalkan keadaan 0 =C, keadaan 1 =B, dan keadaan 2 =M, maka matriks peluang transisinya adalah
P =
0.5 0.4 0.1 0.3 0.4 0.3 0.2 0.3 0.5
Contoh 3
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
Misal: ’0’ : hujan ’1’ : tidak hujan
Maka matriks peluang transisinya adalah
Matriks Stokastik
Perhatikan matriks-matriks berikut:
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
Contoh 4
Suatu rantai Markov dengan keadaan-keadaan ’0,1,2’ mempunyai
matriks peluang transisi
P =
0.1 0.2 0.7 0.9 0.1 0 0.1 0.8 0.1
danP(X0= 0) = 0.3,P(X0 = 1) = 0.4,P(X0 = 2) = 0.3. Hitung
Penyelesaian:
P(X0 = 0,X1= 1,X2= 2)
=P(X2 = 2|X1= 1,X0 = 0)P(X1 = 1,X0= 0)
=P(X2 = 2|X1= 1,X0 = 0)P(X1 = 1|X0 = 0)P(X0= 0)
=P(X2 = 2|X1= 1)P(X1 = 1|X0= 0)P(X0 = 0)
Contoh 5
Suatu rantai Markov dengan keadaan-keadaan ’0,1,2’
P =
0.7 0.2 0.1 0 0.6 0.4 0.5 0 0.5
Penyelesaian:
a.
P(X2= 1,X3= 1|X1 = 0)
=P(X3 = 1|X2 = 1)P(X2 = 1|X1 = 0)
= 0.6(0.2) = 0.12
b.
P(X1= 1,X2= 1|X0 = 0)
=P(X2 = 1|X1 = 1)P(X1 = 1|X0 = 0)
Contoh 6
Suatu matriks stokastik dengan keadaan-keadaan ’0,1,2’
Penyelesaian:
E(X2|X1 = 2) = 2
X
x2=0
x2P(X2 =x2|X1 = 2)
= 0 + (1)P(X2 = 1|X1= 2) + (2)P(X2 = 2|X1= 2)
Matriks Stokastik
n
-langkah
Pandang matriks stokastik satu-langkah:
P =
0.3 0.7 0.5 0.5
Ingat kembali matriks stokastik satu-langkah
Pij =P(Xt+1=j|Xt =i)
Kita dapat menentukan matriks stokastik dua-langkah yaitu
Pij2 =P(Xt+2=j|Xt =i)
Dalam kasus ini
P2 =
P002 P012 P2
10 P112
Kita bisa menggunakanlaw of total probability yaitu
P002 =P(Xt+2= 0|Xt = 0)
=P(Xt+2= 0,Xt+1 = 0|Xt = 0) +P(Xt+2= 0,Xt+1 = 1|Xt = 0)
=P(Xt+2= 0|Xt+1= 0,Xt = 0)P(Xt+1= 0|Xt = 0)
+P(Xt+2= 0|Xt+1= 1,Xt = 0)P(Xt+1 = 1|Xt = 0)
=P(Xt+2= 0|Xt+1= 0)P(Xt+1 = 0|Xt = 0)
+P(Xt+2= 0|Xt+1= 1)P(Xt+1= 1|Xt = 0)
=P00P00+P10P01
Penyelesaian tersebut berlaku pula untukP2
01,P102 danP112 . Atau
sama saja dengan mengalikan dua matriksP yaitu
Jadi, untuk contoh di atas
P002 =P00P00+P01P10
= 0.3(0.3) + 0.7(0.5) = 0.44
atau, matriks stokastik dua-langkahnya adalah
Chapman-Komogorov Equations
MisalkanPn
ij menyatakan peluang bahwa proses pada keadaani
akan berada pada keadaanj setelah n-transisi,
Persamaan Chapman-Kolmogorov memberikan metode untuk
menghitung peluang transisin+m-langkah, yaitu
Pijn+m=
∞
X
k=0
PiknPkjm untuk semuan,m≥0,semuai,j
Pn
ikPkjm menyatakan peluang bahwa proses bermula pada keadaani
akan berpindah ke keadaanj dalamn+m transisi melalui keadaan
Contoh 7
Misalkan pada Contoh 1 diketahuiα= 0.7 dan β = 0.4, maka
Contoh 8
P2 =
Peluang bahwa Kamis hujan adalah:
P00.00P00.00+P00.01P01.10=P 2
00.00+P 2 00.10
Peluang Transisi Tak Bersyarat
Peluang transisiPn
ij yang sudah kita hitung di atas merupakan
peluang bersyarat. Jika kita ingin menghitung peluang transisi tak bersyaratnya yaituP(Xn=j), maka kita bisa menggunakan law of
total probability yaitu
Sebagai contoh, berdasarkan Contoh 7, jikaα0= 0.4, α1 = 0.6,
maka peluang (tak bersyarat) bahwa akan hujan empat hari setelah kita mempunyai data perubahan cuaca adalah
P(X4= 0) =P(X4= 0|X0= 0)P(X0= 0) +P(X4= 0|X0= 1)P(X0= 1) =P4
00α0+P104 α1 = 0.4P4
00+ 0.6P104
Kebebasan dalam Matriks Stokastik
Misalkan
P =
0.4 0.6 0.4 0.6
Maka,
P(Xt = 0|Xt−1= 0) =P(Xt = 0|Xt−1 = 1)
= 0.4
Kemudian, denganlaw of total probability
P(Xt = 0) =P(Xt = 0|Xt−1 = 0)P(Xt−1 = 0)
Dengan kata lain
P(Xt = 0|Xt−1 = 0) = 0.4 =P(Xt = 0)
Contoh-contoh Lain
1. Jika pada waktut, 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
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,
3. Tim sepakbola IKS UII akan memainkan tujuh rangkaian pertandingan. Hasil setiap pertandingan saling bebas. Setiap
pertandingan akan dimenangkan oleh tim A dengan peluangα
dan oleh tim B dengan peluang 1−α. Misalkan keadaan
suatu sistem direpresentasikan oleh pasangan (a,b) di manaa
menyatakan banyak pertandingan yang dimenangkan oleh A
danb adalah banyak pertandingan yang dimenangkan B.
Bentuklah Rantai Markov untuk masalah tersebut.
Catatan: a+b≤7 dan rangkaian pertandingan akan berakhir
Latihan 1
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 θadalah peluang hujan setiap kali Laila akan
4. Sebuah Rantai Markov{Xn,n ≥0} dengan keadaan-keadaan
0,1,2 mempunyai matriks peluang transisi sebagai berikut:
5. Seorang SPG berjuang untuk menjual suatu produk sebanyak
i = 0,1,2 buah. Proses jumlah produk yang terjual {Xn}
membentuk Rantai Markov dengan matriks peluang transisi sebagai berikut:
P =
0 1/2 1/2
1/2 0 1/2
1/2 1/2 0
Kelas Keadaan
Keadaanj dikatakan ”dapat diakses” dari keadaani jikaPn ij >0
untuk suatun≥0.
i →j
Perhatikan bahwa hal ini mengakibatkan keadaanj dapat diakses
dari keadaani jika dan hanya jika, dimulai pada keadaani, proses
akan pernah masuk ke keadaanj. Dua keadaani danj yang dapat
diakses satu sama lain dikatakan dapat berkomunikasi.
Contoh:
P =
0.7 0.3
1 0
Apakah keadaan ’1’ bisa berkomunikasi dengan dirinya sendiri? Solusi:
P11= 0
P112 =P10P01+P11P11= 1(0.3) + 0 = 0.3>0
Jenis keadaan:
1 Keadaan i berkomunikasi dengan keadaani 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 keadaank, maka keadaan i
berkomunikasi dengan keadaan k.
Dua keadaan yang saling berkomunikasi dikatakan berada dalam
kelas yang sama. Rantai Markov dikatakan tidak dapat direduksi
a. 0↔1
P01= 0
P012 =P00P01+P01P11+P02P21
= 0 + 0 + 0.3(0.4) = 0.12>0
∴0→1
P10= 0.5>0
b. 1↔2
P12= 0.5>0
P21= 0.4>0
Jadi, 1↔2
c. 2↔3
P23= 0.6>0
P32= 0
P322 =P30P02+P31P12+P32P22+P33P32
Karena 0↔1, 1↔2 , dan 2↔3, maka masing-masing keadaan saling berkomunikasi sehingga kelas keadaannya adalah{0,1,2,3}
Tentukan kelas keadaan dari matriks peluang transisi berikut
P =
1 0 0
1/2 1/4 1/4 1/4 1/4 1/2
Solusi:
Kelas keadaannya: {0}dan{1,2}. Keadaan {0} bersifat
Keadaan Recurrent dan Transient
Untuk setiap keadaani, misalkan fi peluang bahwa dimulai dari
keadaani proses akan pernah kembali ke keadaan i. Keadaan i
dikatakanrecurrent jikafi = 1 dan dikatakantransient jikafi <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 keadaani,
dan seterusnya, sehingga keadaan i akan dikunjungi lagi. Jika
keadaan i recurrent maka dimulai dari keadaani maka proses
akan kembali ke keadaan i terus dan terus sebanyak tak
Misalkan keadaan i transient. Setiap kali proses kembali ke
keadaan i terdapat kemungkinan (peluang yang positif)
sebesar 1−fi bahwa proses tidak pernah kembali ke keadaan
i. Dengan demikian, dimulai dari keadaani, peluang bahwa
proses berada di i sebanyak tepat n periode/kali adalah
fn−1
i (1−fi),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
Keadaani recurrent jika dan hanya jika, dimulai dari keadaan i,
maka banyak periode/kali yang diharapkan (expected number of
Misalkan
In menyatakan banyak periode/kali bahwa proses
berada dalam keadaani, dan
Proposisi
Keadaani adalah
Recurrent jika
∞
P
n=1
Pn ii =∞
Transient jika
∞
P
n=1
Misalkan Rantai Markov yang terdiri atas keadaan-keadaan 0,1,2,3 mempunyai matriks peluang transisi
P =
Solusi:
Semua keadaan saling berkomunikasi dan semua keadaan bersifat
Matriks peluang transisi
Solusi:
Rantai Markov tersebut terdiri atas tiga kelas yaitu{0,1},{2,3},
dan{4}. Sifat-sifatnya:
Kelas{0,1} dan{2,3} bersifatrecurrent
Limit Peluang Transisi
Misalkan matriks peluang transisi pada Rantai Markov adalah
P =
0.5 0.5 0.7 0.3
Maka matriks peluang transisi 4 dan 8 langkahnya adalah
Perhatikan bahwa matriksP8 hampir identik dengan matriksP4.
Selain itu, setiap baris dariP8 memiliki unsur yang identik. Pada kenyataannya, sepertinyaPn
ij konvergen ke suatu nilai, untuk
n→ ∞, yang sama untuk semua i. Dengan kata lain, terdapat
limit peluang bahwa proses akan berada di keadaanj setelah
Jika keadaani recurrent, maka keadaan tersebut akan dikatakan
positive recurrent jika, dimulai dari keadaani, waktu harapan
hingga proses kembali kei adalah hingga. Pada Rantai Markov
yang memiliki keadaan hingga, semua keadaanrecurrent adalah
Teorema
Untuk Rantai Markov yang ergodik dan tidak dapat direduksi,
lim
n→∞P
n ij
ada dan saling bebas darii. Misalkan
πj = lim
n→∞P
n
ij, j ≥0,
makaπj adalah solusi nonnegatif tunggal dari
πj =
∞
X
i=0
Catatan:
Misalkan n→ ∞ dan asumsikan kita bisa menambahkan limit
di dalam persamaan, maka
πj =
∞
X
Limit peluang πj 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 πj = lim
hanya jika Rantai Markov bersifat positive recurrent. Jika solusinya ada, maka solusi tersebut tunggal dan πj adalah
proporsi jangka panjang bahwa Rantai Markov berada dalam
keadaan j. Jika Rantai Markov aperiodik, maka πj adalah
Jika hari ini hujan, peluang besok hujan adalahα. Jika hari ini tidak hujan, peluang besok hujan adalahβ.
Misal: ’0’ : hujan ’1’ : tidak hujan
Maka matriks peluang transisinya adalah
P =
α 1−α β 1−β
dan kita mempunyai persamaan-persamaan
π0 =απ0+βπ1
Maka diperoleh peluang hujan dan tidak hujan dalam jangka panjang adalah
π0 = β
1 +β−α
dan
π1 =
1−α
Misalkan keadaan mood Gary disajikan dalam matriks peluang transisi
P =
0.5 0.4 0.1 0.3 0.4 0.3 0.2 0.3 0.5
Kita mempunyai persamaan:
π0= 0.5π0+ 0.3π1+ 0.2π2 π1= 0.4π0+ 0.4π1+ 0.3π2 π2= 0.1π0+ 0.3π1+ 0.5π2 π0+π1+π2= 1
dan diperoleh solusinya yaitu
π0=
21
62, π1 =
23
62, π2 =
Latihan 2
6. Tentukan kelas keadaan dan sifat-sifat dari matriks-matriks peluang transisi berikut
a. 0.25 0.25 0.25 0.25
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
Pustaka
Ross, Sheldon M. 2007. 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. 1975. A First Course
in Stochastic Processes; Second Edition. New York: Academic Press.