Professional Documents
Culture Documents
MA4081
PENGANTAR PROSES STOKASTIK
Cerdas dan Stokastik
disusun oleh
Khreshna I.A. Syuhada, MSc. PhD.
B. Silabus:
C. Buku teks:
E. Penilaian:
Kuis (10%)
Presentasi (15%)
3 Rantai Markov 1
3.1 Ilustrasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
3.2 Definisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.3 Peluang n-langkah . . . . . . . . . . . . . . . . . . . . . . . 10
3.4 Program MATLAB . . . . . . . . . . . . . . . . . . . . . . . 13
3.5 Jenis Keadaan . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.6 Limit Peluang Transisi . . . . . . . . . . . . . . . . . . . . 21
iii
BAB 1
Tujuan:
2. Menghitung fungsi peluang (f.p) dan fungsi distribusi (f.d); f.p ke f.d; f.d
ke f.p
1.1 Pendahuluan
1
1.2 Ilustrasi
P (G T )
P (G|T ) =
P (T )
P (G B c )
=
P (G B c ) + P (B Gc )
(0.4)(0.3)
=
(0.4)(0.3) + (0.7)(0.6)
P (G S) P (B S)
P (G B|S) =
P (S)
P (G)P (B)
=
1 P (Gc B c )
(0.4)(0.7)
=
1 (0.6)(0.3)
P (G S)
P (G|S) =
P (S)
P (G S)
=
1 P (Gc B c )
0.4
=
1 (0.6)(0.3)
2. Jika diketahui Ega mengecek kotak surat 1 tidak menemukan surat, be-
rapa peluang bahwa surat itu ada di kotak surat 1?
Jika diketahui Ega mengecek kotak surat 1 dan tidak menemukan surat, maka
peluang bahwa surat itu ada di kotak surat 1 adalah
P (T |K1 )P (K1 )
P (K1 |T ) =
P (T |K1 )P (K1 ) + P (T |K2 )P (K2 ) + P (T |K3 )P (K3 )
(1 p1 )(1/3)
=
(1 p1 )(1/3) + 1/3 + 1/3
Misalkan X peubah acak yang menyatakan banyaknya orang yang tidak datang
dengan peluang sukses (tidak datang) 0.05.
X B(52, 0.05).
P (X 2) = 1 [P (X = 0) + P (X = 1)]
= 1 (0.05)0 (0.95)52 52(0.05)1 (0.95)51
= 0.74
P (X = n) = (1/2)n+1
P (X = n) = P (X = n|) e d
0
e n
= e d
n!
0
1
= e2 n d
n!
0
1
= (1/2)n+1 es sn ds
n! 0
Ruang sampel S adalah himpunan dari semua hasil yang mungkin dari
suatu percobaan. Anggota dari S disebut kejadian elementer.
Kejadian adalah himpunan bagian dari ruang sampel atau koleksi dari
kejadian-kejadian elementer.
Peluang
n(A)
P (A) = lim
n n
Teorema
1. P (Ac ) = 1 P (A)
3. P (A B) = P (A) + P (B) P (A B)
Peubah Acak
Peubah acak tidaklah acak dan bukanlah peubah
P.A. Diskrit
Peubah acak X dikatakan diskrit jika terdapat barisan terhitung dari bilangan
{ai , i = 1, 2, . . . } sedemikian hingga
( )
P {X = ai } = P (X = ai ) = 1
i i
Catatan:
Sebuah peubah acak diskrit tidak selalu berasal ruang sampel diskrit.
dan
FX (x) = pi
ai x
pX (x) = pi = P (X = ai ),
dengan x = ai
F (x) = P (X x)
Sifat-sifat:
P (X b) = P (X < b)
(
{ 1 })
P (X < b) = P X b
lim
n n
( 1)
= lim P X b
n n
( 1)
= lim F b
n n
P.A. Kontinu
Misalkan X peubah acak dan fungsi distribusinya FX dapat diturunkan. Fungsi
peluang fX adalah turunan dari fungsi distribusi,
d
fX (x) = FX (x)
dx
atau dengan kata lain
x
FX (x) = fX (t) dt
P (X = a) = fX (t) dt = 0
a
2. Tentukan
fungsi peluang dari fungsi distribusi berikut:
0, x<0
3 + 5, 0 x < 1
1 x
F (x) = 53 , 1x<2
,
9
2x<3
10
1, x3
3. Diketahui
fungsi peluang sebagai berikut:
p, x = 1.9
0.1, x = 0.1
0.3, x = 20p
f (x) =
p, x=3
4p, x = 4
0, yang lain
Hitung P (1.9 |X| 3), F (2), F (F (3.1))
(Ilustrasi B-1) Pasien di IGD adalah orang-orang yang dianggap dekat den-
gan kematian. Kesembuhan dari penyakit yang dideritanya bagi mereka adalah
seperti mimpi. Untuk bisa bertahan hidup dari hari ke hari sudahlah meru-
pakan mukjizat. Asumsikan bahwa setiap orang memiliki peluang untuk dapat
bertahan hidup sampai hari esok sebesar i , dengan i menyatakan orang ke-
i, i = 1, 2, . . .. Jika jumlah pasien IGD pada suatu hari adalah 5 orang, berapa
peluang besok hanya akan ada 2 orang saja yang masih hidup?
(Ilustrasi B-2) Misalkan sebuah mesin dari pesawat akan rusak (saat ter-
bang) dengan peluang 1-p, saling bebas antara mesin satu dan yang lain. Mis-
alkan sebuah pesawat akan melakukan penerbangang sukses jika setidaknya
50% mesin bekerja dengan baik (tidak rusak). Untuk p berapa, sebuah pe-
sawat dengan 4 mesin akan lebih disukai (terbang lebih baik) dibandingkan
dengan pesawat dengan 2 mesin?
P (X 2) = P (X = 2) + P (X = 3) + P (X = 4)
P (X 1) = 1 P (X = 0) = 1 (1 p)2
Distribusi Binomial
Misalkan S = {sukses, gagal} adalah ruang sampel yang menotasikan sukses
atau gagal dari suatu percobaan.
Definisikan X(sukses) = 1 dan X(gagal) = 0 dan
pX (1) = P (X = 1) = p
pX (0) = P (X = 0) = 1 p
dimana 0 p 1 adalah peluang diperoleh sukses. X dikatakan peubah
acak Bernoulli dengan parameter p. Jika dilakukan n percobaan independen
dan jika X menyatakan banyaknya sukses yang diperoleh maka X dikatakan
sebagai peubah acak Binomial dengan parameter (n, p), dimana
P (X = 0) = exp(3)
Distribusi Poisson
Misalkan X peubah acak dengan fungsi peluang
i
pX (i) = e
i!
untuk i = 0, 1, 2, . . . dan > 0. X disebut peubah acak Poisson dengan
parameter .
(Ilustrasi G-1) Ini kisah masa lalu Nurul yang sempat diceritakan sesaat se-
belum Nurul menikah. Katanya Ayahku meninggal waktu usiaku tiga tahun.
Lalu Ibu kawin lagi. Dengan ayah tiriku, Ibu mendapat dua orang anak tiri
dan melahirkan tiga orang anak. Ketika usiaku lima belas tahun, Ibu pun
meninggal. Ayah tiriku kawin lagi dengan seorang janda yang sudah beranak
dua. Ia melahirkan dua orang anak pula dengan ayah tiriku. Pertanyaan
yang mungkin adalah...
Berapa peluang bahwa orang yang dinikahi Nurul tidak memiliki hubun-
gan darah?
Jika Nurul tidak ingin menikah dengan saudara sedarah, berapa peluang
bahwa Nurul akhirnya menikahi orang yang bukan saudara sedarah?
P (X > 4) = 1 P (X 4) = 1/256
p(n) = P (X = n) = (1 p)n1 p,
Distribusi Normal
Definisi: Peubah acak kontinu X adalah peubah acak Normal atau GAUSS
dengan parameter dan 2 jika fungsi peluang fX nya sbb:
1
fX (x) = exp((x )2 / 2 2 ), x
2
Diskusi:
Ukuran ideal jumlah mahasiswa di kelas ProsStok adalah 60 orang. Namun
demikian, Departemen MA ITB mencatat bahwa biasanya hanya 30 persen
mahasiswa saja dari total yang terdaftar yang benar-benar hadir dalam perku-
liahan. Jika MA ITB memutuskan menerima 180 mahasiswa untuk kelas
ProsStok, berapa peluang bahwa lebih dari 60 orang hadir di kelas?
Distribusi Uniform
Contoh/Latihan:
1. Jika X berdistribusi Uniform pada selang (-1,1), tentukan P (|X| > 1/2),
tentukan fungsi peluang dari |X|.
Distribusi Gamma
Definisi: Peubah acak kontinu X adalah peubah acak Gamma jika memiliki
fungsi peluang
1 x
f (x) = x e , x>0
()
Diskusi.
1. Jelaskan/Buktikan:
(n) = (n 1)! n = 1, 2, . . .
( )
1 (2n)!
n+ =
2 n! 22n
2. Apa yang dapat kita katakan tentang distribusi Gamma jika = 1, <
1, > 1?
Tujuan:
1
Misalkan X dan Y ada peubah acak-peubah acak diskrit yang terdefinisi di
ruang sampel yang sama. Fungsi peluang bersama dari X dan Y adalah
pX,Y (x, y) = P (X = x, Y = y)
Catatan:
1. Kondisi bahwa X dan Y terdefinisi pada ruang sampel yang sama berarti 2
peubah acak tsb memberikan informasi secara bersamaan terhadap keluaran
(outcome) dari percobaan yang sama
Proposisi
Fungsi peluang bersama pX,Y memenuhi sifat-sifat berikut:
1. pX,Y (x, y) 0, (x, y)
2. (x, y) R2 : pX,Y (x, y) = 0 terhitung
3. x,y pX,Y (x, y) = 1
Proposisi
Misalkan X dan Y peubah acak-peubah acak diskrit yang didefinisikan pada
ruang sampel yang sama. Maka,
pX (x) = pX,Y (x, y), x R
y
dan
pY (y) = pX,Y (x, y), y R
x
adalah fungsi peluang marginal dari X dan fungsi peluang marginal dari Y .
Contoh/Latihan:
1. Diberikan data ttg jumlah kamar tidur dan kamar mandi dari 50 rumah
yang akan dijual sbb (X kamar tidur, Y kamar mandi):
X\Y 2 3 4 5 Total
2 3 0 0 0
3 14 12 2 0 28
4 2 11 5 1
Total 23 50
Solusi:
X\Y 2 3 4 5 Total
2 0.06 0.00 0.00 0.00 0.06
3 0.28 0.24 0.04 0.00 0.56
4 0.04 0.22 0.10 0.02 0.38
Total 0.38 0.46 0.14 0.02 1.00
X\Y 0 1 2 3 Total
0 1/8 3/16 3/32 1/64 27/64
1 3/16 3/16 3/64 0 27/64
2 3/32 3/64 0 0 9/64
3 1/64 0 0 0 1/64
Total 27/64 27/64 9/64 1/64 1
Solusi:
pX,Y (x, y) = p2 (1 p)x+y2
x>4 y>4 x=5 y=5
= = (1 p)8
P (X 2Y ) + P (Y 2X) = 2 P (X 2Y )
=2 p2 (1 p)x+y2
y=1 x=2y
2(1 p)
= =
3 3p + p2
Contoh:
Misalkan sebuah titik diambil secara acak dari
Proposisi.
Misalkan X dan Y peubah acak-peubah acak terdefinisi di ruang sampel yang
P (a < X b, c < Y d) = FX,Y (b, d) FX,Y (b, c) FX,Y (a, d) + FX,Y (a, c)
Definisi.
Misalkan X dan Y adalah peubah acak-peubah acak yang didefinisikan pada
ruang sampel yang sama. Fungsi non-negatif fX,Y adalah fungsi peluang
bersama dari X dan Y untuk semua bilangan riil a, b, c, d dimana a < b dan
c < d,
b d
P (a X b, c Y d) = fX,Y (x, y) dxdy
a c
Catatan:
2 2
fX,Y (x, y) = FX,Y (x, y) = FX,Y (x, y)
x y y x
Proposisi.
Suatu fungsi peluang bersama fX,Y (x, y) dari peubah acak X dan Y memenuhi
2 sifat berikut
1. fX,Y (x, y) 0 untuk semua (x, y) R2
2. fX,Y (x, y) dxdy = 1
Proposisi
Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi
peluang bersama fX,Y (x, y). Maka
fX (x) = fX,Y (x, y)dy, x R
dan
fY (y) = fX,Y (x, y)dx, y R
Contoh/Latihan:
(ii) f (x, y) = c x y 2 , 0 x 1, 0 y 1
Solusi:
a. Untuk menentukan c:
y
1= c (y 2 x2 ) ey dx dy = 8c
0 y
Jadi c = 1/8.
c.
y/2
P (Y > 2X) = c (y 2 x2 ) ey dx dy =
0 y
b. P (X < Y ) = e( x+ y) dy dx
0 x
= =
+
a. Tentukan fX (x)
b. Jika besar klaim awal yang diberikan adalah 2, tentukan peluang
bahwa klaim yang diterima berikutnya adalah antara 1 dan 3.
Solusi:
2
a. fX (x) = y (2x1)/(x1) dy
1 x2 (x 1)
=
) (
fX,Y (x, y) 3
b. P (1 < Y < 3|X = 2) = dy
1 fX (x) X=2
= = 8/9
pX,Y (x, y)
pY |X (y|x) = , y R
pX (x)
Proposisi.
Misalkan X dan Y adalah peubah acak-peubah acak diskrit. Kedua peubah
acak ini dikatakan saling bebas (independen) jika dan hanya jika
Contoh/Latihan:
Solusi:
Misalkan N menyatakan banyak kecelakaan per tahun yang berdistribusi
Poisson dengan mean , dimana berdistribusi Gamma dengan param-
eter s dan (Catatan: adalah huruf besar dari ).
P ( = , N = n)
f|N (|n) =
P (N = n)
1
= P (N = n| = ) f ()
P (N = n)
1 e n s 1 s
= e
P (N = n) n! ()
= C n+1 e(s+1) ,
Solusi:
Peubah acak Z berdistribusi Poisson:
e z
fZ (z) = , z = 0, 1, 2, . . .
z!
Untuk Z = z, maka kedatangan pasien laki-laki adalah peubah acak
Binomial dengan parameter (z, p):
FY (y) = P (Y y)
= P (X n y)
= P (X y 1/n )
= FX (y 1/n ) = y 1/n
FY (y) = P (Y y) = P (X 2 y)
= P ( y X y)
= FX ( y) FX ( y)
FZ (z) = P (Z z) = P (X/Y z)
= P (X zY )
zy
= fX (x) fY (y) dx dy
0 0
zy
= fY (y) fX (x) dx dy
0 0
= fY (y) FX (zy) dy
0
Misalkan X dan Y saling bebas dan kita ingin menentukan fungsi distribusi
dan fungsi peluang X + Y ,
FZ (z) = P (Z z) = P (X + Y z)
= P (X zY )
zy
= fX (x) fY (y) dx dy
zy
= fX (x) dx fY (y) dy
= FX (z y) fY (y) dy,
dimana fungsi distribusi FX+Y ini disebut konvolusi dari distribusi FX dan
FY . Fungsi peluangnya adalah
d
fX+Y (z) = FX (z y) fY (y) dy
dz
d
= FX (z y) fY (y) dy
dz
= fX (z y) fY (y) dy
dan
E(X) = x fX (x) dx
Contoh/Latihan:
SIFAT-SIFAT EKSPEKTASI
1. E(g(X)) = g(x) fX (x) dx
Contoh/Latihan:
y 0 1 2 3 4 5 6
p(y) 0.1 0.2 0.3 0.2 0.1 0.05 0.05
Solusi:
P (Y 3) = 0.4 = P (sukses) = p
Solusi:
Solusi:
2 2
f (x) dx = c(4x 2x2 ) dx = 1
0 0
Diperoleh c = 3/8.
E(X) = x 3/8 (4x 2x2 ) dx = 1
3/2
P (1/2 < X < 3/2) = 3/8 (4x 2x2 ) dx = 11/16
1/2
4. Diketahui:
1
f (x) = ( x)r1 exp( x)
(r)
Tentukan E(X k ), k = 2, 3
Solusi:
X Gamma(r, )
MX (t) = , MX (t) =
1 n
= C n+1 pi+1 q ni
(n + 1)p i=0 i+1
1
n+1
= C n+1 pj q n+1j
(n + 1)p j=1 j
1 [ ]
= 1 C0n+1 p0 q n+10
(n + 1)p
1 ( )
= 1 q n+1
(n + 1)p
p + q q n+1
=
(n + 1)p
p + q(1 q n )
=
(n + 1)p
(a) Berapa persen mhs menghabiskan waktu lebih dari 150 menit utk
belajar ProsStok ?
(b) Berapa rata-rata lama waktu mhs belajar ProsStok ?
(c) Jika seorang mhs menghabiskan waktu lebih dari 130 menit, berapa
peluang mhs itu selesai belajar kurang dari 4.5 jam ?
(d) Hitung P (X = 2), P (X = 3), P (X = E(X)), P (X < E(X))
Solusi:
3 6
(a) P (X > 2.5) = 2.5
(x 2) dx + 4
1/4 dx
(b) E(X) = 10/3
(c) P (X < 4.5|X > 13/6) = P (13/6 < X < 4.5)/P (X > 13/6)
(d) P (X = E(X)) = 0, P (X < E(X)) = P (X < 10/3) = 1/2
Bukti:
( )
E X n
= in e i / i!
i=0
= in e i / i!
i=1
= in1 e i / (i 1)!
i=1
= (j + 1)n1 e j+1 / j!
j=0
= (j + 1)n1 e j / j!
j=0
( )
= E (X + 1)n1
p(2) = 0.2, p(0) = 0.3, p(2.2) = 0.1, p(3) = q, p(4) = q, p(5.5) = 0.42q
b.
MX (t) = 0.2 e2t + 0.3 + 0.1 e2.2t + 0.15 e3t + 0.15 e4t + 0.1 e5.5t
= 0.4 e2t + 0.22 e2.2t + 0.45 e3t + 0.6 e4t + 0.55 e5.5t
MX (0) = 0.4 + 0.22 + 0.45 + 0.6 + 0.55 = 1.42
Proposisi.
Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi
peluang bersama fX,Y (x, y). Misalkan ekspektasi dari Y hingga. Maka
E(Y ) = E(Y |X = x) fX (x) dx
atau
Latihan:
f (x, y) = ex(y+1) , 0 x, 0 y e 1
a. Tentukan fY (y)
b. Hitung P (X > 1|Y = 21 )
c. Hitung E(X|Y = 12 )
Solusi:
1 ex(y+1)
P (X > 1|Y = ) = dx
2 1/(y + 1)
1
3 3 x
= e 2 dx
1 2
= e3/2
2. K meninggalkan kantor setiap hari kerja antara pukul 6-7 malam. Jika
dia pergi t menit setelah pukul 6 maka waktu untuk mencapai rumah
adalah peubah acak berdistribusi Seragam pada selang (20, 20 + (2t)/3).
Misalkan Y adalah banyak menit setelah pukul 6 dan X banya menit
untuk mencapai rumah, berapa lama waktu mencapai rumah?
Solusi:
Akibatnya,
Definisi:
Kovariansi antara peubah acak X dan Y , dinotasikan Cov(X, Y ), adalah
(( )( ))
Cov(X, Y ) = E X E(X) Y E(Y )
Sifat-sifat kovariansi
Cov(X, Y ) = Cov(Y, X)
Cov(X, X) = V ar(X)
Cov(a X, Y ) = a Cov(X, Y )
( m )
Cov n
i=1 Xi , j=1 Yj = ni=1 mj=1 Cov(Xi , Yj )
Perhatikan bahwa:
( n ) ( n )
n
V ar Xi = Cov Xi , Xj
i=1 i=1 j=1
n
n
= Cov(Xi , Xj )
i=1 j=1
n
= V ar(Xi ) + Cov(Xi , Xj )
i=1 i=j
Cov(X, Y
(X, Y ) = ,
V ar(X) V ar(Y )
1 (X, Y ) 1
Koefisien korelasi adalah ukuran dari derajat kelinieran antara X dan Y . Nilai
(X, Y ) yang dekat dengan +1 atau 1 menunjukkan derajat kelinieran yang
tinggi. Nilai positif korelasi mengindikasikan nilai Y yang cenderung membe-
sar apabila X membesar. Jika (X, Y ) = 0 maka dikatakan X dan Y tidak
berkorelasi.
Latihan:
1. Tunjukkan bahwa
P (I = 1) = P (I = 0) = 1/2.
Didefinisikan
Y = X, jika I = 1; Y = X, jika I = 0
Tunjukkan bahwa
Cov(X, Y ) = 0
Rantai Markov
Silabus: Definisi rantai Markov, sifat Markov, peluang transisi n-langkah, per-
samaan Chapman-Kolmogorov, jenis keadaan, recurrent dan transient, limit
peluang transisi (kestasioneran).
Tujuan:
3.1 Ilustrasi
(Ilustrasi 1) Perilaku bunuh diri kini kian menjadi-jadi. Hesti (nama sebe-
narnya) adalah sebuah contoh. Dia pernah melakukan percobaan bunuh diri,
namun gagal. Menurut pakar, kalau pada suatu waktu seseorang melakukan
percobaan bunuh diri maka besar kemungkinan dia akan melakukannya lagi di
masa mendatang. Jika seseorang belum pernah melakukan percobaan bunuh
diri, di masa mendatang orang tersebut akan mungkin melakukan percobaan
bunuh diri. Deskripsikan fenomena diatas sebagai model peluang (probability
model).
1
(Ilustrasi 2) Pada 23 Juni lalu sekitar pukul 21.30 mobil yang dikemudikan
suami saya terperosok masuk lubang di jalan tol lingkar luar Jakarta, kira-kira
2 kilometer dari Pintu Tol Pondok Ranji arah Jakarta. Ban dan gadi-gading
roda rusak. Esoknya saya mengajukan klaim asuransi Sinar Mas kepada SiMas
Bekasi. Pada 1 Juli saya mendapat jawaban bahwa klaim asuransi ditolak den-
gan alasan: bagian yang rusak hanya ban dan gading-gading roda. Tak menge-
nai badan mobil. Padahal, tercantum jelas di dalam pasal-pasal polis asuransi
maupun surat penolakan bahwa ban dan gading-gading roda tidak dijamin, ke-
cuali disebabkan oleh Pasal 1 angka 1.1. Isi pasal itu, pertanggungan ini men-
jamin kerusakan yang secara langsung disebabkan oleh tabrakan, benturan,
terbalik, tergelincir atau terperosok. Asuransi Sinar Mas berusaha menghin-
dar dari kewajiban dengan alasan mengada-ada, bahkan mengingkari aturan
yang dibuatnya sendiri (Surat Pembaca KOMPAS; 03/08/2010). Andaikan
suatu hari saya mengajukan klaim lagi ke Asuransi Sinar Mas, berapa peluang
bahwa klaim saya akan diterima?
(Ilustrasi 5) Akhir-akhir ini, hujan dan panas (baca: tidak hujan) datang
silih berganti tanpa bisa diduga. Kalau hari ini hujan, besok mungkin hu-
jan mungkin juga panas. Tentu saja peluang besok hujan akan lebih besar
dibanding peluang besok akan panas. Begitu pula jika hari ini panas. Besok
akan lebih mungkin panas dibandingkan hujan. Jika hari Senin hujan, berapa
peluang bahwa hari Selasa akan hujan? Berapa peluang bahwa hari Kamis
akan hujan?
n = 0, 1, 2, . . .
( )
P Xn+1 = j|Xn = i, Xn1 = in1 , . . . , X1 = i1 , X0 = i0 = Pij ()
Pij 0, i, j 0; Pij = 1, i = 0, 1, . . .
j=0
P00 P01 P02
P10 P11 P12
.. .. ..
P= . . .
Pi0 Pi0 Pi0
.. .. ..
. . .
P01 P12
P20
yang disebut sebagai peluang transisi 1-langkah atau one-step transition prob-
ability.
Peluang bersama
( )
P Xn = i, Xn1 = in1 , . . . , X1 = i1 , X0 = i0
Contoh/Latihan:
1. Jika, pada waktu t, Rez mengajukan klaim asuransi, maka Rez akan
mengajukan klaim pada waktu t + 1 dengan peluang ; jika Rez tidak
mengajukan klaim asuransi saat ini maka di masa depan Rez akan men-
gajukan klaim asuransi dengan peluang . Matriks peluang transisinya
adalah...
( )
1
P=
1
dengan keadaan-keadaan:
0 tidak mengajukan klaim
1 mengajukan klaim
P (X0 = 0, X1 = 1, X2 = 2)
Solusi: 0
3. Keadaan hujan pada suatu hari bergantung pada keadaan hujan dalam
dua hari terakhir. Jika dalam dua hari terakhir hujan maka besok akan
hujan dengan peluang 0.7; Jika hari ini hujan dan kemarin tidak hujan
maka besok akan hujan dengan peluang 0.5; jika hari ini tidak hujan dan
kemarin hujan maka besok akan hujan dengan peluang 0.4; jika dalam
dua hari terakhir tidak hujan maka besok hujan dengan peluang 0.2.
Matriks peluang transisinya adalah...
0.7 0 0.3 0
0.5 0 0.5 0
P=
0 0.4 0 0.6
0 0.2 0 0.8
dengan keadaan-keadaan:
0 (00) = hari ini dan kemarin hujan
1 (10) = hari ini hujan, kemarin tidak hujan
2 (01) = hari ini tidak hujan, kemarin hujan
3 (11) = hari ini dan kemarin tidak hujan
4. Tiga item produk A dan tiga item produk B didistribusikan dalam dua
buah paket/kotak sedemikian hinga setiap paket terdiri atas tiga item
produk. Dikatakan bahwa sistem berada dalam keadaan i, i = 0, 1, 2, 3
jika dalam paket pertama terdapat i produk A. Setiap saat (langkah),
kita pindahkan satu item produk dari setiap paket dan meletakkan item
produk tersebut dari paket 1 ke paket 2 dan sebaliknya. Misalkan Xn
menggambarkan keadaan dari sistem setelah langkah ke-n. Matriks pelu-
ang transisinya adalah...
0 1 0 0
1/9 4/9 4/9 0
P=
0 4/9 4/9 1/9
0 0 1 0
dengan keadaan-keadaan:
0 cuaca hujan
1 cuaca baik
2 cuaca salju
Hitung
P (X2 = 1, X3 = 1 | X1 = 0)
dan
P (X1 = 1, X2 = 1 | X0 = 0)
dengan keadaan-keadaan:
0 (4,0) = 4 sepatu didepan, 0 dibelakang
1 (3,1) = 3 sepatu didepan, 1 dibelakang
2 (2,2) = 2 sepatu didepan, 2 dibelakang
3 (1,3) = 1 sepatu didepan, 3 dibelakang
4 (0,4) = 0 sepatu didepan, 4 dibelakang
Persamaan Chapman-Kolmogorov
Misalkan Pijn menyatakan peluang transisi n-langkah suatu proses di keadaan
i akan berada di keadaan j,
Contoh/Latihan:
1. Jika hari ini hujan maka besok akan hujan dengan peluang = 0.7; jika
hari ini tidak hujan maka besok akan hujan dengan peluang = 0.4.
Matriks peluang transisi 4 langkah adalah...
( )
4 0.5749 0.4251
P =
0.5668 0.4332
2. Keadaan hujan pada suatu hari bergantung pada keadaan hujan dalam
dua hari terakhir. Jika dalam dua hari terakhir hujan maka besok akan
hujan dengan peluang 0.7; Jika hari ini hujan dan kemarin tidak hujan
maka besok akan hujan dengan peluang 0.5; jika hari ini tidak hujan dan
kemarin hujan maka besok akan hujan dengan peluang 0.4; jika dalam
dua hari terakhir tidak hujan maka besok hujan dengan peluang 0.2.
Matriks peluang transisinya adalah sbb:
0.7 0 0.3 0
0.5 0 0.5 0
P= 0 0.4 0 0.6
0 0.2 0 0.8
Jika hari Senin dan Selasa hujan, berapa peluang bahwa hari Kamis akan
hujan?
i = P (X0 = i), i 0,
dimana i=0 i = 1. Peluang tak bersyarat dapat dihitung dengan men-
syaratkan pada keadaan awal,
P (Xn = j) = P (Xn = j|X0 = i) P (X0 = i) = Pijn i
i=0 i=0
Contoh/Latihan:
1. Pandang soal yang lalu dengan matriks peluang transisi:
( )
0.7 0.3
P=
0.4 0.6
Keadaan:
1 jumlah uang sebanyak 1 yang H punya di akhir bulan
Peluang uangnya akan 1 atau kurang setiap saat selama 4 bulan berikut
4
adalah P31 = 201/256.
Solusi:
Keadaan: 0, 1, 2, 3, 4, 5, yang menyatakan jumlah orang yang sakit.
P00 = 1, P55 = 1. Cukup jelas. Jika tidak ada/semua orang sakit maka PASTI
keadaan berubah ke tidak ada/semua orang sakit.
C1i C15i
Pi,i+1 = 0.1 = 0.01(i)(5 i),
C25
Kode MATLAB
function transprob;
clear
clc
P = zeros(m,m);
for i = 1:m
for j = 1:m
if i == j
P(i,j) = 1 - 0.01*(i-1)*(5-(i-1));
elseif i+1 == j
P(i,j) = 0.01*(i-1)*(5-(i-1));
else
P(i,j) = 0;
end
end
end
% n-step probability
% Chapman-Kolmogorov Equation
---------------------------------------------------------------
m = 6
1.0000 0 0 0 0 0
0 0.9600 0.0400 0 0 0
0 0 0.9400 0.0600 0 0
0 0 0 0.9400 0.0600 0
0 0 0 0 0.9600 0.0400
0 0 0 0 0 1.0000
1.0000 0 0 0 0 0
0 0.9216 0.0760 0.0024 0 0
0 0 0.8836 0.1128 0.0036 0
0 0 0 0.8836 0.1140 0.0024
0 0 0 0 0.9216 0.0784
0 0 0 0 0 1.0000
Keadaan j dikatakan dapat diakses (accessible) dari keadaan i jika Pijn > 0
untuk suatu n 0. Akibatnya, keadaan j dapat diakses dari keadaan i jika
dan hanya jika dimulai dari keadaan i proses akan masuk ke keadaan j. Jika
keadaan j tidak dapat diakses dari keadaan i maka peluang masuk ke keadaan
j dari keadaan i adalah nol.
Catatan:
Dua keadaan i dan j yang saling akses satu sama lain dikatakan berkomunikasi
(communicate). Notasi: i j.
Sifat-sifat:
1. Keadaan i berkomunikasi dengan keadaan i untuk semua i 0
2. Jika keadaan i berkomunikasi dengan keadaan j maka keadaan j berko-
munikasi dengan keadaan i
3. Jika keadaan i berkomunikasi dengan keadaan j dan keadaan j berkomu-
nikasi dengan keadaan k maka keadaan i berkomunikasi dengan keadaan
k
Dua keadaan yang berkomunikasi dikatakan berada dalam kelas (class) yang
sama. Setiap dua kelas dari keadaan-keadaan dapat identik (identical) atau
saling asing (disjoint). Rantai Markov dikatakan tidak dapat direduksi (irre-
ducible) jika hanya terdapat sebuah kelas dan semua keadaan berkomunikasi
satu sama lain.
Contoh/Latihan:
1. Tentukan kelas keadaan dari rantai Markov dengan peluang transisi
berikut:
(i)
0.7 0 0.3 0
0.5 0 0.5 0
P=
0 0.4 0 0.6
0 0.2 0 0.8
(ii)
0 1 0 0
1/9 4/9 4/9 0
P=
0 4/9 4/9 1/9
0 0 1 0
Apakah rantai Markov dengan peluang transisi diatas tidak dapat dire-
duksi (irreducible)?
3. Apakah yang dapat anda katakan tentang rantai Markov dengan matriks
peluang transisi berikut:
0.5 0.5 0 0
0.5 0.5 0 0
P=
0.25 0.25 0.25 0.25
0 0 0 1
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
Misalkan
{
1, Yn = i;
In =
0, Yn = i.
Misalkan n=0 In menyatkan banyak periode/kali bahwa proses berada dalam
keadaan i, dan
( )
E In |Y0 = i = E(In |Y0 = i)
n=0 n=0
= P (Yn = i|Y0 = i)
n=0
= Piin
n=0
Proposisi
Keadaan i adalah
recurrent jika Piin = ; transient jika Piin <
n=0 n=0
Pada rantai Markov dengan keadaan hingga, tidak semua keadaan bersi-
fat transient (Mengapa?)
Semua keadaan pada rantai Markov (hingga) yang tidak dapat direduksi
adalah recurrent (PENTING!)
Contoh/Latihan:
Tentukan keadaan mana yang recurrent dan keadaan mana yang tran-
sient!
Misalkan matriks peluang transisi pada rantai Markov dengan dua keadaan
adalah
( )
0.5 0.5
P= ,
0.7 0.3
dan matriks peluang transisi 4 dan 8 langkahnya:
( )
4 0.5840 0.4160
P = ,
0.5824 0.4176
( )
8 0.5833 0.4167
P = ,
0.5833 0.4167
...dst. Matriks P 8 hampir identik dengan P 4 (benar-benar identik dengan P 10 ).
Selain itu, setiap baris dari P 8 memiliki unsur yang identik. Nampaknya, Pijn
konvergen ke suatu nilai, untuk n , yang sama untuk semua i. Dengan
kata lain, terdapat limit peluang (limiting probability) bahwa proses akan
berada di keadaan j setelah sekian/banyak langkah/transisi. Nilai limit ini
saling bebas dengan nilai pada keadaan awal.
Teorema
Untuk rantai Markov yang ergodik dan tidak dapat direduksi,
lim Pijn
n
j = lim Pijn , j 0,
n
j = i Pijn , j 0,
i=0
dengan j=0 j = 1.
Catatan:
Perhatikan bahwa
P (Xn+1 = j) = P (Xn+1 = j|Xn = i) P (Xn = i) = Pij P (Xn = i)
i=0 i=0
Jika rantai Markov tidak dapat direduksi, maka terdapat solusi untuk
j = i Pij , j 0,
i
dengan j j = 1, JIKA dan HANYA JIKA rantai Markov bersifat
positive recurrent. Jika solusinya ada maka solusi tersebut tunggal dan
j adalah proporsi jangka panjang bahwa rantai Markov berada dalam
keadaan j. Jika rantai Markov aperiodik maka j adalah limit peluang
bahwa rantai akan berada di keadaan j.
Contoh/Latihan:
1. Jika hari ini hujan maka besok akan hujan dengan peluang ; jika hari
ini tidak hujan maka besok akan hujan dengan peluang . Jika 0 adalah
keadaan hujan dan 1 adalah keadaan tidak hujan maka peluang hujan
dan tidak hujan untuk jangka adalah...
0 = 0 + 1
1 = (1 ) 0 + (1 ) 1
0 + 1 = 1
Kita peroleh peluang hujan dan tidak hujan pada jangka panjang:
0 =
1+
dan
1
1 =
1+
Catatan:
Tujuan:
4.1 Ilustrasi
Asumsi laju konstan dalam praktiknya jarang dipenuhi. Misalnya, laju adanya
telepon masuk akan berbeda setiap waktu dalam suatu hari. Namun, jika kita
perhatikan selang waktu pada saat laju konstan, maka distribusi eksponensial
1
Table 4.1: Percobaan Bernoulli vs Proses Poisson.
dapat dikatakan model yang cukup baik untuk melihat waktu saat telepon
masuk akan terjadi lagi.
Misalkan disebuah Bank terdapat 2 orang teller yang sibuk melayani nasabah.
Tidak ada orang lain yang antri. Seseorang K yang datang akan dilayani
salah satu teller yang telah selesai dengan nasabah sebelumnya. Jika waktu
melayani dari teler ke-i adalah peubah acak ekspoensial dengan parameter i ,
hitung E(T ), dimana T adalah waktu yang dihabiskan K di Bank.
f (x) = ex , x 0.
Peubah acak tersebut disebut peubah acak eksponensial dan distribusinya dise-
but distribusi eksponensial. Sifat distribusi dan momennya antara lain:
1. Fungsi distribusi: F (x) =
2. Ekspektasi: E(X) =
3. Fungsi pembangkit momen atau f.p.m: M (t) =
X = F 1 (U )
1 ex = u
atau
x = log(1 u)
F 1 (U ) = log(1 U )
Contoh:
Misalkan X menyatakan waktu tunggu seseorang mendapatkan kebahagiaan.
Peluang orang tsb menunggu lebih dari 7 tahun setelah dia menunggu lebih
dari 5 tahun sama dengan peluang dia menunggu lebih dari 2 tahun. Orang itu
tidak lagi mengingat bahwa dia telah menunggu selama 5 tahun. Itu sebabnya
dikatakan sifat tanpa memori.
Perhatikan:
( )
( ) P X > s + t, X > t
P X >s+t X >t = ( )
P X>t
( )
P X >s+t
= ( )
P X>t
( )
=P X>s
Akibatnya:
( ) ( ) ( )
P X >s+t =P X >s P X >t
Sifat tanpa memori ini tidak dipenuhi oleh distribusi lain. Sebagai contoh,
misalkan X U (0, 1), maka
( ) ( )
P X >s+t =1P X <s+t
= 1 FX (s + t) = 1 (s + t)
= (1 s)(1 t)
= (1 FX (s)) (1 FX (t))
( ) ( )
=P X>s P X>t
Contoh/Latihan:
SA ~ Exp( 1) SB ~ Exp( 2)
dimana jika sesuatu memiliki waktu hidup X dan telah bertahan selama
waktu t maka laju r(t) akan mengukur peluang sesuatu itu tidak dapat berta-
han pada waktu tambahan dt. Dengan kata lain
( ) f (t) dt
P X (t, t + dt) | X > t
1 F (t)
Pandang dua buah p.a eksponensial X1 dan X2 yang saling bebas dengan
parameter 1 dan 2 , maka
P (X1 < X2 ) = fX1 ,X2 (x1 , x2 ) dx2 dx1
= 1 e1 x1 2 e2 x2 dx2 dx1
0 x1
1
= =
1 + 2
Solusi:
Fungsi peluang untuk statistik terurut ke-k adalah:
n
fX(k) (x) = Ck1,1,nk (FX (x))k1 fX (x) (1 FX (x))nk
Misalkan disebuah Bank terdapat 2 orang teller yang sibuk melayani nasabah.
Tidak ada orang lain yang antri. Seseorang K yang datang akan dilayani
salah satu teller yang telah selesai dengan nasabah sebelumnya. Jika waktu
melayani dari teler ke-i adalah peubah acak ekspoensial dengan parameter i ,
hitung E(T ), dimana T adalah waktu yang dihabiskan K di Bank.
Solusi:
E(T ) = E(T |R1 < R2 ) P (R1 < R2 ) + E(T |R2 < R1 ) P (R2 < R1 )
=
dimana
Solusi (alternatif):
E(T ) = E(min(R1 , R2 ) + S)
=
dimana
1 2
E(S) = E(S|R1 < R2 ) + E(S|R2 < R1 )
1 + 2 1 + 2
Contoh/Latihan:
1. Pandang soal sebelumnya (Uvi, Ivi, Ovi) dengan distribusi waktu layanan
teller A dan B memiliki parameter yang berbeda. Berapa peluang Ovi
bukanlah nasabah terakhir keluar dari bank?
2. Misalkan Ita memasuki sebuah bank yang memiliki seorang teller. Ita
melihat ada 5 nasabah di bank, 1 orang sedang dilayani dan 4 orang
yang lain antre. Ita pun antre. Jika waktu layanan berdistribusi den-
gan parameter , berapa lama waktu (expected amount of time) yang
dihabiskan Ita di bank?
Bagaimana dengan
4. Disebuah toko ada 2 petugas jaga. Tiga orang: Fer, Fir dan Fur datang
ke toko bersamaan. Fer dan Fir langsung mendatangi petugas toko,
sedangkan Fur menunggu (baca: antri). Berapa peluang bahwa Fer
masih berada di toko setelah Fir dan Fur pergi apabila waktu layanan:
(a) untuk setiap pertugas adalah tepat (tidak acak) 10 menit?
(b) adalah i dengan peluang 1/3, i = 1, 2, 3?
(c) berdistribusi eksponensial dengan mean 1/?
5. Jika X1 dan X2 peubah acak-peubah acak kontinu non negatif yang saling
bebas, tunjukkan
r1 (t)
P (X1 < X2 | min(X1 , X2 ) = t) = ,
r1 (t) + r2 (t)