Catatan Kuliah

MA4081
PENGANTAR PROSES STOKASTIK
Cerdas dan Stokastik

disusun oleh
Khreshna I.A. Syuhada, MSc. PhD.

Kelompok Keilmuan STATISTIKA - FMIPA

Institut Teknologi Bandung
2011
Tentang MA4081 (Pengantar) Proses Stokastik
A. Jadwal kuliah:

Selasa; 13-14.40; R.9231

Kamis; 13-14.40; R.9307

B. Silabus:

Peubah acak dan distribusi (1 minggu)

Peluang bersyarat dan ekspektasi bersyarat (1 minggu)

Rantai Markov (4.5 minggu)

Distribusi eksponensial dan proses Poisson (3.5 minggu)

Topik khusus: Model AR dan INAR (2.5 minggu)

C. Buku teks:

Sheldon Ross, 2007, Introduction to Probability Models, 9th ed.

Karlin dan Taylor, 1998, An Introduction to Stochastic Modelling, 3rd

ed.

E. Penilaian:

Ujian 1,2,3 (75%):

23 Agustus 2011 (25%)
11 Oktober 2011 (25%)
8 November 2011 (25%)

Kuis (10%)

Presentasi (15%)

MA4081 Pros.Stok. i K. Syuhada, PhD.

Matriks kegiatan perkuliahan

Table 1: Materi kuliah MA4081 (Pengantar) Proses Stokastik.

Minggu- Materi Keterangan

1 Peubak acak dan distribusi Penjelasan kuliah
2 Peluang dan ekspektasi bersyarat
3 Ujian 1 23 Agustus 2011
3-7 Rantai Markov
8 Ujian 2 11 Oktober 2011
8-9 Distribusi Eksponensial
10-11 Proses Poisson
12 Ujian 3 8 November 2011
12-13 Topik Khusus: Model AR
14 Topik Khusus: Model INAR
15 Presentasi

MA4081 Pros.Stok. ii K. Syuhada, PhD.

Daftar Isi

1 Peubah Acak dan Distribusi 1

1.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Ilustrasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Ruang Sampel dan Peluang . . . . . . . . . . . . . . . . . 5
1.4 Peubah Acak dan Fungsi Distribusi . . . . . . . . . . . . 6
1.5 Distribusi Diskrit . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Distribusi Kontinu . . . . . . . . . . . . . . . . . . . . . . . 12

2 Peluang dan Ekspektasi Bersyarat 1

2.1 Fungsi Peluang Bersama . . . . . . . . . . . . . . . . . . . 1
2.2 Ekspektasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Ekspektasi Bersyarat . . . . . . . . . . . . . . . . . . . . . . 18

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

4 Distribusi Eksponensial dan Proses Poisson 1

4.1 Ilustrasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
4.2 Peubah Acak Eksponensial . . . . . . . . . . . . . . . . . . 2
4.3 Jumlah P.A Eksponensial dan Statistik Terurut . . . . 6
4.4 Aplikasi P.A Eksponensial dalam Antrian . . . . . . . . 7

iii
BAB 1

Peubah Acak dan Distribusi

Silabus: Konsep peubah acak, fungsi peluang (probability density function),

fungsi distribusi (cumulative ddistribution function), distribusi diskrit (bino-
mial, Poisson, geometrik), distribusi kontinu (normal, seragam/uniform, ek-
sponensial).

Tujuan:

1. Memahami definisi dan menentukan peubah acak (p.a)

2. Menghitung fungsi peluang (f.p) dan fungsi distribusi (f.d); f.p ke f.d; f.d
ke f.p

3. Menghitung peluang suatu p.a dari distribusi diskrit atau kontinu

1.1 Pendahuluan

Apa Proses Stokastik? Proses? Stokastik?

Proses = runtunan perubahan (peristiwa) dl perkembangan sesuatu,

rangkaian tindakan, pembuatan, atau pengolahan yg menghasilkan pro-
duk (KBBI, 2008)

Stokastik = mempunyai unsur peluang atau kebolehjadian (KBBI, 2008)

Definisi: Proses stokastik {Yt } adalah koleksi peubah acak dengan t

menyatakan indeks waktu

1
1.2 Ilustrasi

(Ilustrasi 1) B dan G secara bersamaan menembak sasaran tertentu. Pelu-

ang tembakan B mengenai sasaran adalah 0.7 sedangkan peluang tembakan
G (bebas dari tembakan B) mengenai sasaran adalah 0.4. Pertanyaan yang
mungkin adalah...
1. Jika sebuah tembakan mengenai sasaran, berapa peluang bahwa itu tem-
bakan G?
2. Berapa peluang bahwa, jika sasaran tertembak, kedua tembakan menge-
nai sasaran?
3. Berapa peluang bahwa, jika sasaran tertembak, tembakan G mengenai
sasaran?

Misalkan B kejadian B menembak sasaran

Misalkan G kejadian G menembak sasaran
Misalkan T kejadian sebuah tembakan mengenai sasaran
Misalkan S kejadian sasaran tertembak

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)

MA4081 Pros.Stok. 2 K. Syuhada, PhD.

(Ilustrasi 2) Sebagai seorang sekretaris, Ega tahu bahwa sebuah surat akan
berada di salah satu dari tiga buah kotak surat yang ada. Misalkan pi adalah
peluang bahwa Ega akan menemukan surat setelah mengecek kotak surat j
dengan cepat jika ternyata surat tersebut berada di kotak surat j, j = 1, 2, 3.
Pertanyaan yang mungkin adalah...

1. Misalkan Ega mengecek kotak surat 1 tidak menemukan surat. Berapa

peluang hal itu akan terjadi?

2. Jika diketahui Ega mengecek kotak surat 1 tidak menemukan surat, be-
rapa peluang bahwa surat itu ada di kotak surat 1?

Misalkan Kj , j = 1, 2, 3 adalah kejadian surat berada di kotak surat j. Mis-

alkan T kejadian mengecek kotak surat 1 tidak mendapatkan surat. Peluang
hal itu akan terjadi adalah

P (T ) = P (T |K1 )P (K1 ) + P (T |K2 )P (K2 ) + P (T |K3 )P (K3 )

= (1 p1 )(1/3) + 1/3 + 1/3

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

(Ilustrasi 3) Maskapai penerbangan mengetahui bahwa lima persen pemesan

tiket tidak akan datang untuk membeli tiketnya. Dengan alasan ini, maskapai
tidak ragu untuk menjual 52 tiket penerbangan pada pesawat dengan kapasitas
duduk 50 orang. Berapa peluang akan ada kursi yang tersedia untuk setiap
pemesan tiket yang datang?

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

MA4081 Pros.Stok. 3 K. Syuhada, PhD.

(Ilustrasi 4) Misalkan X peubah acak berdistribusi Poisson dengan mean
. Parameter berdistribusi eksponensial dengan mean 1. Tunjukkan bahwa

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

MA4081 Pros.Stok. 4 K. Syuhada, PhD.

1.3 Ruang Sampel dan Peluang

Ruang sampel dan Kejadian

Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin

secara acak.

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

Peluang kejadian A adalah

n(A)
P (A) = lim
n n

Misalkan S adalah ruang sampel, A adalah kejadian. Peluang kejadian

A adalah
n(A)
P (A) =
n(S)

Peluang atau ukuran peluang P pada lap- A adalah suatu pemetaan

dari A terhadap selang [0, 1] yang memenuhi tiga aksioma berikut:

1. 0 P (A) 1, untuk setiap A A

2. P (S) = 1
3. Untuk himpunan terhitung kejadian-kejadian saling asing A1 , A2 , . . .,
(
)

P Ai = P (Ai )
i=1 i=1

Teorema

1. P (Ac ) = 1 P (A)

2. Jika A B maka P (A) P (B)

3. P (A B) = P (A) + P (B) P (A B)

MA4081 Pros.Stok. 5 K. Syuhada, PhD.

1.4 Peubah Acak dan Fungsi Distribusi

Peubah Acak
Peubah acak tidaklah acak dan bukanlah peubah

Peubah acak adalah fungsi yang memetakan anggota S ke bilangan

real R

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.

FX disebut fungsi distribusi (diskrit) dari X jika terdapat barisan terhitung

{ai , i = 1, 2, . . . } dari bilangan real dan barisan {pi , i = 1, 2, . . . } dari bilangan
positif yang bersesuaian sedemikian hingga

pi = 1
i

dan

FX (x) = pi
ai x

Jika diberikan himpunan terhitung {ai , i = 1, 2, . . . } dan bilangan positif

{pi , i = 1, 2, . . . } sdh i pi = 1, fungsi peluang pX (x) adalah

pX (x) = pi = P (X = ai ),

dengan x = ai

Fungsi distribusi (kumulatif):

F (x) = P (X x)

Sifat-sifat:

(a) F fungsi tidak turun

MA4081 Pros.Stok. 6 K. Syuhada, PhD.

(b) limx F (x) = 1
(c) limx F (x) = 0
(d) F fungsi kontinu kanan Catatan:

P (a < X b) = F (b) F (a)

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

Definisi: Jika X adalah peubah acak sedemikian hingga fungsi peluangnya

ada (turunan dari fungsi distribusi) maka X dikatakan sebagai peubah acak
kontinu. Catatan:

1 = FX () = fX (t) dt

b
P (a X b) = FX (b) FX (a) = fX (t) dt
a a

P (X = a) = fX (t) dt = 0
a

MA4081 Pros.Stok. 7 K. Syuhada, PhD.

Contoh/Latihan:

1. Tentukan fungsi peluang dari fungsi distribusi berikut:

0, x < 3.1

3/5, 3.1 x < 0
F (x) =

7/10, 0x<1


1, 1x

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))

MA4081 Pros.Stok. 8 K. Syuhada, PhD.

1.5 Distribusi Diskrit

(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?

Misalkan X menyatakan banyak mesin baik (tidak rusak). Untuk pesawat

bermesin 4:

P (X 2) = P (X = 2) + P (X = 3) + P (X = 4)

= 6p2 (1 p)2 + 4p3 (1 p) + p4

sedangkan untuk pesawat bermesin 2:

P (X 1) = 1 P (X = 0) = 1 (1 p)2

Syarat: * lebih besar dari **. Diperoleh p > 2/3.

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

pX (k) = B(k; n, p) = Ckn pk (1 p)nk

MA4081 Pros.Stok. 9 K. Syuhada, PhD.

(Ilustrasi P-1) Banyaknya kecelakaan yang terjadi di tol setiap hari berdis-
tribusi Poisson dengan parameter = 3. Berapa peluang tidak ada kecelakaan
pada hari ini?
Misalkan X menyatakan banyak kecelakaan.

P (X = 0) = exp(3)

(Ilustrasi P-2) Misalkan X peubah acak Poisson dengan parameter . Tun-

jukkan bahwa P (X = i) naik secara monoton sebelum kemudian turun secara
monoton untuk i semakin besar.

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?

(Ilustrasi G-2) Tiga remaja makan disuatu restoran. Untuk menentukan

siapa yang akan membayar, mereka sepakat untuk mengundi dengan melan-
tunkan koin. Seseorang dengan hasil lantunan yang berbeda dengan yang lain
wajib membayar makanan yang telah dipesan. Jika X menyatakan banyaknya
lantunan koin yang harus dilakukan, tentukan (i) P (X = 3) (ii) P (X > 4)
Peluang sukses (ada yang lantunannya berbeda alias ada yang bayar) adalah
3/4. Dengan demikian X Geo(3/4).

P (X = 3) = (1/4)2 (3/4) = 3/64

P (X > 4) = 1 P (X 4) = 1/256

MA4081 Pros.Stok. 10 K. Syuhada, PhD.

Distribusi Geometrik
Misalkan percobaan-percobaan dilakukan hingga diperoleh sukses yang per-
tama. Percobaan-percobaan tersebut saling bebas dan memiliki peluang suk-
ses p. Misalkan X menyatakan banyaknya percobaan yang dilakukan untuk
mendapatkan sukses pertama tersebut, maka X dikatakan peubah acak Ge-
ometrik dengan parameter p. Fungsi peluangnya adalah

p(n) = P (X = n) = (1 p)n1 p,

untuk n = 1, 2, . . . dan p > 0.

MA4081 Pros.Stok. 11 K. Syuhada, PhD.

1.6 Distribusi Kontinu

(Ilustrasi) Riset bidang psikologi melibatkan pengukuran perilaku. Hasil-hasil

pengukuran akan berbeda antara individu satu dengan yang lainnya. Namun
demikian, sesungguhnya hasil-hasil tersebut dapat diprediksi sebagai kelom-
pok individu. Salah satu pola umum pada hasil pengukuran (tentunya berupa
angka) adalah bahwa kebanyakan pengukuran-pengukuran tersebut terkonsen-
trasi di sekitar mean dari distribusi tersebut. Ada sedikit hasil pengukuran
yang jauh dari mean. Apabila distribusi frekuensi digambarkan, akan tampak
kurva berbentuk bel (bell-shaped curve) yang disebut DISTRIBUSI NOR-
MAL.
Ketika hasil pengukuran membentuk suatu distribusi normal, ada beberapa
hal yang dapat diprediksi. Pertama, mean, median dan modus sama. Kedua,
seseorang dapat memperkirakan seberapa jauh (dari mean) hasil pengukuran
akan terjadi. Dengan demikian, akan dapat ditentukan skor/nilai mana yang
lebih mungkin terjadi dan peluang/proporsi nilai diatas atau dibawah nilai
tersebut.
Kebanyakan hasil pengukuran perilaku mengikuti distribusi normal. Mis-
alnya, nilai IQ. Meannya 100 dan umumnya IQ seseorang akan berada diantara
85-115 atau 15 nilai dari mean. Jika psikolog mengetahui mean dan deviasi
standar maka akan dapat ditentukan proporsi skor/nilai yang berada dise-
tiap daerah jangkauan (range). Tentu saja, terlepas dari keumuman distribusi
normal, terdapat beberapa kasus dengan nilai/hasil pengukuran yang tidak
berdistribusi normal. Kenormalan atau ketidaknormalan data sangat penting
dalam menentukan uji statistik yang bersesuaian.

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?

Teorema Limit DeMoivre-Laplace

Jika Sn menyatakan banyaknya sukses yang terjadi pada n percobaan inde-

MA4081 Pros.Stok. 12 K. Syuhada, PhD.

penden, dengan peluang sukses adalah p, maka untuk setiap a < b,
( )
Sn np
P a b (b) (a),
np(1 p)

untuk n . (pendekatan Normal untuk Binomial akan baik jika np(1 p)

besar, np(1 p) 10)

Distribusi Uniform

Definisi: Peubah acak kontinu X dikatakan berdistrbusi seragam pada selang

(a, b) jika fungsi peluang fX nya sbb:
1
fX (x) = , axb
ba

Contoh/Latihan:

1. Jika X berdistribusi Uniform pada selang (-1,1), tentukan P (|X| > 1/2),
tentukan fungsi peluang dari |X|.

2. Misalkan lama (dalam menit) mahasiswa mengikuti kuliah ProsStok adalah

peubah acak dengan fungsi peluang seperti gambar dibawah berikut.
Tentukan peluang seorang mahasiswa mengikuti kuliah lebih dari 15
menit? antara 20 dan 35 menit?

Distribusi Gamma

Peubah acak Gamma: Misalkan percobaan Bernoulli diulang-ulang se-

banyak n kali, maka banyaknya sukses yang diperoleh adalah peubah acak
berdistribusi Binomial dengan parameter n dan p, dimana p adalah peluang
sukses. Jika kita memandang banyaknya percobaan Bernoulli yang dilakukan
sampai diperoleh (dan termasuk) sukses ke-r, maka kita dapatkan peubah acak
beristribusi Binomial negatif dengan parameter r dan p. Peubah acak Gamma
adalah analogi dalam bentuk kontinu untuk peubah acak Binomial negatif.
Dalam hal ini kita pandang peubah acak Binomial negatif ini sebagai waktu
yang diberikan untuk sukses ke-r.

Definisi: Peubah acak kontinu X adalah peubah acak Gamma jika memiliki
fungsi peluang
1 x
f (x) = x e , x>0
()

MA4081 Pros.Stok. 13 K. Syuhada, PhD.

dimana dan adalah bilang real positif. Kita katakan X berdistribusi
Gamma dengan parameter dan ; x Gamma(, ).

Definisi Fungsi Gamma:

(t) = xt1 ex dx
0

Catatan: (t + 1) = t (t), t > 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?

3. Jika membesar maka fungsi peluang Gamma nampak seperti fungsi

peluang Normal. Berikan ilustrasi pada = 2 dan = 1/2, 1, 5/2, 5

MA4081 Pros.Stok. 14 K. Syuhada, PhD.

BAB 2

Peluang dan Ekspektasi

Bersyarat

Silabus: Fungsi peluang bersama, fungsi peluang marginal, peluang bersyarat,

ekspektasi, ekspektasi bersyarat, kovariansi, korelasi.

Tujuan:

1. Menentukan fungsi peluang bersama dan fungsi peluang marginal

2. Menghitung peluang bersyarat

3. Menghitung ekspektasi bersyarat

4. Memahami dan menghitung ekspektasi melalui ekspektasi bersyarat

5. Memahami konsep kovariansi dan korelasi

2.1 Fungsi Peluang Bersama

Ilustrasi. Sebuah perusahaan asuransi menduga bahwa setiap orang akan

mengalami dan memiliki parameter kecelakaan. Banyaknya kecelakaan pada
seseorang setiap tahun berdistribusi Poisson dengan parameter . Perusahaan
juga menduga bahwa pemegang polis baru akan memiliki parameter kecelakaan
yang nilainya adalah peubah acak gamma dengan parameter s dan . Jika se-
orang pemegang polis baru mengalami n kecelakan di tahun pertama, kita
dapat menentukan peluang bersyarat (yang artinya juga menentukan peluang
bersama) dari parameter kecelakaannya. Selain itu, kita juga dapat menen-
tukan banyak kecelakaan (yang diharapkan) pada tahun berikutnya.

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

2. {X = x, Y = y} adalah irisan kejadian {X = x} dan {Y = y}; kejadian

dimana X bernilai x dan Y bernilai y

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

MA4081 Pros.Stok. 2 K. Syuhada, PhD.

 a. Hitung pX,Y (3, 2)
b. Tentukan fungsi peluang bersama dari X dan Y

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

2. Misalkan kita punyai 2 komponen elektronik yang identik. Misalkan juga

X dan Y adalah waktu hidup (jam, diskrit). Asumsikan fungsi peluang
bersama dari X dan Y adalah

pX,Y (x, y) = p2 (1 p)x+y2 , x, y N

dimana 0 < p < 1. Tentukan dan identifikasikan fungsi peluang marginal

dari X dan Y .
Solusi:


pX (x) = pX,Y (x, y) = p2 (1 p)x+y2
y y=1


= p2 (1 p)x2 (1 p)y = p (1 p)x1
y=1

3. Diantara 8 orang politisi: 2 Golkar, 2 Demokrat, 4 PDIP. Tiga dari 8

politisi ini dipilih secara acak dengan pengembalian. Misalkan X adalah
banyaknya Golkar, Y banyaknya Demokrat. Tentukan fungsi peluang
bersama X dan Y . Hitung P (X = Y )
Solusi:
3
pX,Y (x, y) = Cx,y,3xy (1/4)x (1/4)y (1/2)3xy , x, y = 0, 1, 2, 3

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

MA4081 Pros.Stok. 3 K. Syuhada, PhD.

 4. Pandang keadaan pada soal 2. Tentukan peluang bahwa (a) kedua kom-
ponen elektronik tsb bertahan lebih dari 4 jam? (b) salah satu komponen
bertahan setidaknya 2 kali dari komponen yang lain?

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

Definisi: Misalkan X dan Y adalah peubah acak-peubah acak yang terdefinisi

di ruang sampel yang sama. Fungsi distribusi bersama dari X dan Y , FX,Y
adalah

FX,Y (x, y) = P (X x, Y y), x, y R

Contoh:
Misalkan sebuah titik diambil secara acak dari

{(x, y) R2 : 0 < x < 1, 0 < y < 1}

Misalkan X dan Y menyatakan koordinat x dan y dari titik yang terpilih.

Tentukan fungsi distribusi bersama dari X dan Y .
Jawab:
Kasus 1: x < 0, y < 0
Kasus 2: 0 x < 1, 0 y < 1
Kasus 3: 0 x < 1, y 1
Kasus 4: x 1, 0 y < 1
Kasus 5: x 1, y 1

Proposisi.
Misalkan X dan Y peubah acak-peubah acak terdefinisi di ruang sampel yang

MA4081 Pros.Stok. 4 K. Syuhada, PhD.

sama. Untuk semua bilangan riil a, b, c, d dimana a < b dan c < d,

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

adalah fungsi peluang marginal dari X dan Y .

Contoh/Latihan:

1. Misalkan X dan Y memiliki fungsi peluang bersama

(i) f (x, y) = c (y 2 x2 ) ey , y x y, 0 < y <

(ii) f (x, y) = c x y 2 , 0 x 1, 0 y 1

MA4081 Pros.Stok. 5 K. Syuhada, PhD.

 a. Tentukan c
b. Tentukan fungsi peluang marginal X dan Y
c. Hitung P (Y > 2X)
d. Apakah X dan Y saling bebas?

Solusi:
a. Untuk menentukan c:
y
1= c (y 2 x2 ) ey dx dy = 8c
0 y

Jadi c = 1/8.

b. Fungsi peluang marginal:

fX (x) = 1/4 e|x| (1 + |x|)

fY (y) = 1/6 y 3 ey , y 0

c.
y/2
P (Y > 2X) = c (y 2 x2 ) ey dx dy =
0 y

d. X dan Y tidak saling bebas.

Catatan: X dan Y saling bebas jika

f (x, y) = fX (x) fY (y)

2. Pandang 2 komponen elektronik A dan B dengan masa hidup X dan Y .

Fungsi peluang bersama dari X dan Y adalah

fX,Y (x, y) = exp(x + y), x, y > 0

dimana > 0, > 0

a. Tentukan peluang bahwa kedua komponen berfungsi pada saat t
b. Tentukan peluang bahwa komponen A adalah komponen yang per-
tama kali rusak
c. Tentukan peluang bahwa komponen B adalah komponen yang per-
tama kali rusak

MA4081 Pros.Stok. 6 K. Syuhada, PhD.

 Solusi:

a. P (X > t, Y > t) = e( x+ y) dy dx
t t
= = e(+)t

b. P (X < Y ) = e( x+ y) dy dx
0 x

= =
+

3. Ketika kebakaran terjadi dan dilaporkan ke perusahaan asuransi, perusa-

haan asuransi tersebut segera membuat perkiraan awal X yaitu besar
nilai klaim yang akan diberikan. Setelah klaim dihitung secara lengkap,
perusahaan harus melunasi pembayaran klaim sebesar Y . Perusahaan
menentukan bahwa X dan Y memiliki fungsi peluang bersama
2
fX,Y (x, y) = y (2x1)/(x1) , x > 1, y > 1
x2 (x 1)

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

MA4081 Pros.Stok. 7 K. Syuhada, PhD.

Definisi: Misalkan X dan Y adalah peubah acak-peubah acak diskrit. Jika
pX (x) > 0 maka fungsi peluang bersyarat dari Y diberikan X = x (notasi:
pY |X (y|x)), adalah

pX,Y (x, y)
pY |X (y|x) = , y R
pX (x)

Jika pX (x) = 0, kita definiskan pY |X (y|x) = 0 namun tidak dikatakan sebagai

fungsi peluang bersyarat.
Catatan: Fungsi peluang bersyarat adalah fungsi peluang!

Proposisi.
Misalkan X dan Y adalah peubah acak-peubah acak diskrit. Kedua peubah
acak ini dikatakan saling bebas (independen) jika dan hanya jika

pX,Y (x, y) = pX (x) pY (y) x, y R

Contoh/Latihan:

1. Sebuah perusahaan asuransi menduga bahwa setiap orang akan men-

galami dan memiliki parameter kecelakaan. Banyaknya kecelakaan pada
seseorang setiap tahun berdistribusi Poisson dengan parameter . Pe-
rusahaan juga menduga bahwa pemegang polis baru akan memiliki pa-
rameter kecelakaan yang nilainya adalah peubah acak gamma dengan
parameter s dan . Jika seorang pemegang polis baru mengalami n
kecelakan di tahun pertama, tentukan peluang bersyarat dari parame-
ter kecelakaannya. Tentukan banyak kecelakaan (yang diharapkan) pada
tahun berikutnya.

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) ,

dengan C konstanta. Fungsi peluang f|N haruslah berdistribusi Gamma

MA4081 Pros.Stok. 8 K. Syuhada, PhD.

 dengan parameter s + 1 dan n + . Jadi,

(s + 1)n+ n+1 (s+1)

f|N (|n) = e
(n + )

Banyak kecelakaan yang diharapkan (expected number of accidents),

E(|N = n), adalah nilai harapapan (expected value) dari distribusi
Gamma dengan parameter s + 1 dan n + yaitu (n + )/(s + 1).

2. Banyaknya orang Z yang datang ke ruang UGD selama sejam memi-

liki distribusi Poisson dengan parameter . Peluang orang yang datang
adalah laki-laki adalah p dan peluang perempuan datang adalah q. Mis-
alkan X dan Y berturut-turut adalah banyaknya laki-laki dan perem-
puan yang datang ke UGD selama sejam.
a. Tunjukan bahwa X P OI(p) dan Y P OI(q)
b. Apakah X dan Y saling bebas?

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):

fX|Z (x|z) = Cxz px (1 p)zx , x = 0, 1, . . . , z

dan untuk pasien perempuan:

fY |Z (y|z) = Cyz q x (1 q)zy , y = 0, 1, . . . , z

Sehingga fungsi peluang bersama X dan Y diberikan Z = z:

z
fX,Y |Z (x, y|z) = Cx,y px q y , x + y = z

Untuk mendapatkan fungsi peluang marginal dari X, kita hitung

fX (x) = fX,Z (x, z) = fX|Z (x|z) fZ (z)
z z
p x
e (p)
= =
x!
Jadi, X P OI(p). Dengan cara sama, kita peroleh Y P OI(q).
Selanjutnya, untuk menentukan apakah X dan Y saling bebas kita tun-

MA4081 Pros.Stok. 9 K. Syuhada, PhD.

 jukkan bahwa

fX,Y (x, y) = fX,Y,Z (x, y, z) = fX,Y |Z (x, y|z) fZ (z) = fX (x) fY (y)
z z

Misalkan X berdistribusi Uniform pada selang (0, 1). Misalkan Y = X n . Maka

FY (y) = P (Y y)
= P (X n y)
= P (X y 1/n )
= FX (y 1/n ) = y 1/n

dan fungsi peluang dari Y adalah

fY (y) = (1/n) y 1/n1 , 0 y 1

Misalkan X peubah acak kontinu dengan fungsi peluang fX . Misalkan Y = X 2 ,

FY (y) = P (Y y) = P (X 2 y)

= P ( y X y)

= FX ( y) FX ( y)

dan fungsi peluangnya adalah

1 ( )
fY (y) = fX ( y) fX ( y)
2 y

Misalkan X dan Y peubah acak-peubah acak positif saling bebas. Misalkan

(i) Z = X/Y (ii) Z = XY , maka

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

MA4081 Pros.Stok. 10 K. Syuhada, PhD.

dan fungsi peluangnya:

fX/Y (z) = = y 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

Tentukan distribusi dari X + Y jika X dan Y peubah acak-peubah acak saling

bebas berdistribusi (i) Uniform(0, 1) (ii) Poisson dengan parameter i .

MA4081 Pros.Stok. 11 K. Syuhada, PhD.

2.2 Ekspektasi

Definisi: Nilai harapan/ekspektasi (expected value/expectation) atau ek-

spektasi dari peubah acak diskrit/kontinu X adalah

E(X) = x pX (x)
x

dan

E(X) = x fX (x) dx

dimana pX dan fX adalah fungsi peluang dari X.

Catatan:
1. Ekspektasi adalah rata-rata tertimbang (weighted average) dari nilai yang
mungkin dari X
2. Ekspektasi = mean = momen pertama
3. Ekspektasi suatu peubah acak adalah nilai rata-rata (long-run average
value) dari percobaan bebas yang berulang
3. Apakah ekspektasi harus berhingga? (Diskusi!)

Contoh/Latihan:

1. Pengurus dan Anggota KOHATI sebanyak 120 orang akan berangkat

ke Jakarta dengan menggunakan 3 bis. Ada 36 mahasiswa di bis 1,
40 mahasiswa di bis 2 dan 44 mahasiswa di bis 3. Ketika bis sampai
tujuan, seorang mahasiswa dipilih secara acak. Misalkan X menyatakan
banyaknya mahasiswa di bis dimana seseorang tersebut terpilih. Hitung
E(X). (Solusi: 40.2667)

2. Jika X P ois(), tentukan E(X). (Solusi: )

3. Misalkan X adalah peubah acak dengan nilai yang mungkin 1, 0, 1 dan

peluang:

p(1) = 0.2, p(0) = 0.5, p(1) = 0.3

Hitung E(X 2 ). (Solusi: 0.5)

SIFAT-SIFAT EKSPEKTASI

1. E(g(X)) = g(x) fX (x) dx

2. E(a X + b Y ) = a E(X) + b E(Y )

MA4081 Pros.Stok. 12 K. Syuhada, PhD.

 3. E(XY ) = E(X) E(Y ), jika X dan Y saling bebas.

4. E(X) = 0 P (X > x) dx, untuk X > 0 (*)

5. E(X r ) = xr fX (x) dx (momen ke-r)

6. E((X X )r ) = (x X )r fX (x) dx (momen pusat ke-r)

7. E((X X )2 ) = V ar(X) = E(X 2 ) (E(X))2

Deviasi standar dari X adalah akar kuadrat Variansi dari X.

8. E(etX ) = etx fX (x) dx = MX (t) (fungsi pembangkit momen)

9. MX (0) = E(X), MX (0) = E(X 2 )

Contoh/Latihan:

1. Misalkan Y menunjukkan banyaknya gol yang diciptakan oleh seorang

pemain sepak bola di suatu pertandingan yang terpilih acak:

y 0 1 2 3 4 5 6
p(y) 0.1 0.2 0.3 0.2 0.1 0.05 0.05

Misalkan W adalah banyaknya pertandingan dimana seorang pemain

sepak bola menciptakan 3 atau lebih gol dalam 4 pertandingan terpilih
acak. Berapa nilai harapan banyak pertandingan dimana pemain men-
ciptakan 3 atau lebih gol?

Solusi:

P (Y 3) = 0.4 = P (sukses) = p

E(W ) = n p = 4 (0.4) = 1.6

2. Misalkan X peubah acak dengan MX (t) sebagai fungsi pembangkit mo-

men. Didefinisikan f (t) = ln MX (t). Tunjukkan bahwa f (0) = V ar(X)

Solusi:

f (t) = MX (t)/MX (t)

MX (t) MX (t) (MX (t))2

f (t) =
(MX (t))2

MA4081 Pros.Stok. 13 K. Syuhada, PhD.

 saat t = 0,

MX (0) MX (0) (MX (0))2

f (0) = = E(X 2 ) (E(X))2 = V ar(X)
(MX (0))2

dimana MX (0) = 1, MX (0) = E(X), MX (0) = E(X 2 ).

3. Diketahui fungsi peluang:

f (x) = c (4x 2x2 ), 0 < x < 2

Hitung E(X) dan P (1/2 < X < 3/2)

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, )

dengan MX (t) = (1 t)r .

MX (t) = , MX (t) =

5. Diketahui X B(n, p). Buktikan:

( )
1 p + q(1 q n )
E =
X +1 (n + 1)p

MA4081 Pros.Stok. 14 K. Syuhada, PhD.

 Bukti:
( )
n
1 1
E = n!(n i)! i! pi q ni
X +1 i=0
i+1
n
= n!(n i)! (i + 1)! pi q ni
i=0

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

6. Misalkan X menyatakan lama (jam) mhs belajar ProsStok dan fungsi

peluang X adalah sbb:
{
x 2, 2 x < 3
f (x) = 1
4
, 4<x<6

(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

MA4081 Pros.Stok. 15 K. Syuhada, PhD.

 7. Misalkan X peubah acak berdistribusi Poisson dengan parameter . Tun-
jukkan bahwa:
( ) ( )
E X n = E (X + 1)n1

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

8. Misalkan X peubah acak dengan fungsi distribusi

0, x < 2



0.2, 2 x < 0


0.5, 0 x < 2.2
F (x) = 0.6, 2.2. x < 3



0.6 + q, 3x<4



0.6 + 2q, 4 x < 5.5

1, x 5.5

dan diketahui P (X > 3.3) = 0.25.

a. Tentukan fungsi pembangkit momen dari X atau MX (t)
b. Gunakan MX (t) untuk menentukan E(X).
Solusi:

p(2) = 0.2, p(0) = 0.3, p(2.2) = 0.1, p(3) = q, p(4) = q, p(5.5) = 0.42q

P (X > 3.3) = p(4) + p(5.5) = q + 0.4 2q = 0.25 q = 0.15

MA4081 Pros.Stok. 16 K. Syuhada, PhD.

 a.

MX (t) = E(etX ) = etx p(x)
= e2t p(2) + e0t p(0) + e2.2t p(2.2) + e3t p(3) + e4t p(4) + e5.5t p(5.5)
= 0.2 e2t + 0.3 + 0.1 e2.2t + 0.15 e3t + 0.15 e4t + 0.1 e5.5t

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

MA4081 Pros.Stok. 17 K. Syuhada, PhD.

2.3 Ekspektasi Bersyarat

Ilustrasi 1. Misalkan banyaknya kecelakaan kerja rata-rata per minggu di

suatu pabrik adalah empat. Misalkan banyaknya buruh yang terluka/cedera
setiap kecelakaan adalah peubah acak yang saling bebas dengan mean dua.
Asumsikan bahwa banyaknya buruh yang terluka di setiap kecelakaan saling
bebas dengan banyaknya kecelakaan yang terjadi. Berapa banyak orang ter-
luka rata-rata per minggu?

Ilustrasi 2. Seorang narapidana terjebak dalam suatu sel penjara yang

memiliki tiga pintu. Pintu pertama akan membawanya ke sebuah terowon-
gan dan kembali ke sel dalam waktu dua hari. Pintu kedua dan ketiga akan
membawanya ke terowongan yang kembali ke sel dalam tempo masing-masing
empat dan satu hari. Asumsikan bahwa sang napi selalu memilih pintu 1, 2,
dan 3 dengan peluang 0.5, 0.3 dan 0.2, berapa lama waktu rata-rata (expected
number of days) yang dibutuhkan untuk dia agar selamat?

Definisi: Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan

fungsi peluang bersama fX,Y (x, y). Jika fX (x) > 0 maka ekspektasi bersyarat
dari Y diberikan X = x adalah ekspektasi dari Y relatif terhadap distribusi
bersyarat Y diberikan X = x,

fX,Y (x, y)
E(Y |X = x) = y dy = y fY |X (y|x) dy
fX (x)

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

E(Y ) = E(E(Y |X = x))

Definisi: Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan

fungsi peluang bersama fX,Y (x, y). Jika fX (x) > 0 maka variansi bersyarat
dari Y diberikan X = x adalah variansi dari Y relatif terhadap distribusi
bersyarat Y diberikan X = x,
(( )2  )
V ar(Y |X = x) = E Y E(Y |X = x) X = x

MA4081 Pros.Stok. 18 K. Syuhada, PhD.

Proposisi.
Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi
peluang bersama fX,Y (x, y). Misalkan variansi dari Y hingga. Maka

V ar(Y ) = E(V ar(Y |X = x)) + V ar(E(Y |X))

Latihan:

1. Misalkan X dan Y peubah acak kontinu dengan fungsi peluang bersama

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:

Y U (0, 60), X|Y = y U (20, 20 + (2y)/3).

60
E(X) = E(X|Y = y) fY (y) dy = 30
0

3. Jika Xi Bin(ni , p), tentukan E(X1 + X2 |X1 )

4. Jika X dan Y peubah acak-peubah acak Poisson saling bebas dengan

parameter x dan y , tentukan E(X|X + Y = n). Bagaimana jika X
dan Y berdistribusi Geometrik identik dengan parameter p?

MA4081 Pros.Stok. 19 K. Syuhada, PhD.

Kita ketahui bahwa jika X dan Y saling bebas maka

fX,Y (x, y) = fX (x) gY (y),

Akibatnya,

E(XY ) = E(X) E(Y )

Konsekuensi ini juga berlaku untuk setiap fungsi g dan h,

( ) ( ) ( )
E g(X)h(Y ) = E g(X) E h(Y )

Definisi:
Kovariansi antara peubah acak X dan Y , dinotasikan Cov(X, Y ), adalah
(( )( ))
Cov(X, Y ) = E X E(X) Y E(Y )

Catatan: Jika X dan Y saling bebas maka Cov(X, Y ) = 0 (implikasi).

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

Korelasi antara peubah acak X dan Y , dinotasikan (X, Y ), didefinisikan se-

bagai

Cov(X, Y
(X, Y ) = ,
V ar(X) V ar(Y )

MA4081 Pros.Stok. 20 K. Syuhada, PhD.

asalkan V ar(X) dan V ar(Y ) bernilai positif. Dapat ditunjukkan pula bahwa

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

Cov(X, E(Y |X)) = Cov(X, Y )

2. Misalkan X peubah acak normal standar dan I (bebas dari X) sdh

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

MA4081 Pros.Stok. 21 K. Syuhada, PhD.

BAB 3

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:

1. Mempelajari model rantai Markov

2. Menghitung peluang transisi n-langkah

3. Menerapkan persamaan Chapman-Kolmogorov

4. Menentukan keadaan yang dapat diakses dan berkomunikasi

5. Menentukan keadaan-keadaan recurrent dan transient

6. Menghitung peluang transisi untuk jangka panjang

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 3) Permainan. Foto.

(Ilustrasi 4) Loyalitas konsumen terhadap suatu merek barang. Wilkie (1994)

mendefinisikan brand loyalty as a favorable attitude toward and consistent
purchase of a particular brand. Lyong (1998): brand loyalty is a function of
a brands relative frequency of purchase in both time-independent and time-
dependent situations. Seorang konsumen pembeli merek barang A diharap-
kan akan terus membeli barang A. Mungkinkah ini terjadi? Apakah model
statistika yang dapat dengan tepat (atau mendekati tepat) merinci peluang
terjadinya hal ini? Apakah model ini membantu dalam strategi pemasaran
suatu barang?

(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?

(Ilustrasi 6) Sebagai calon atlet, setiap pagi Swari meninggalkan rumahnya

untuk berlari pagi. Swari akan pergi lewat pintu depan atau belakang den-
gan peluang sama. Ketika meninggalkan rumah, Swari memakai sepatu olah
raga atau bertelanjang kaki jika sepatu tidak tersedia di depan pintu yang dia
lewati. Ketika pulang, Swari akan masuk lewat pintu depan atau belakang dan
meletakkan sepatunya dengan peluang sama. Diketahui bahwa Swari memiliki
4 pasang sepatu olah raga. Berapa peluang bahwa Swari akan sering berolah
raga dengan bertelanjang kaki?

MA4081 Pros.Stok. 2 K. Syuhada, PhD.

(Ilustrasi 7) Hutang tak terbayar.
Hutang atau rugi dimasa depan, milik siapa?
Perlukah kita mengetahui (baca: memprediksi) kerugian dimasa depan?
Bagaimana memodelkan kerugian?
segmentation algorithm?
Markov chain?
accounts behavioural score?

0.85 0.09 0.01 0.00 0.01 0.01 0.03
0.05 0.76 0.12 0.04 0.01 0.00 0.02

0.03 0.08 0.70 0.15 0.03 0.00 0.01

P= 0.01 0.04 0.03 0.70 0.12 0.00 0.00

0.00 0.02 0.07 0.03 0.88 0.00 0.00

0.00 0.00 0.00 0.00 0.00 1.00 0.00
0.00 0.00 0.00 0.00 0.00 0.00 1.00

MA4081 Pros.Stok. 3 K. Syuhada, PhD.

3.2 Definisi

Proses stokastik {Xn } adalah Rantai Markov:

n = 0, 1, 2, . . .

nilai yang mungkin adalah hingga atau terhitung

( )
P Xn+1 = j|Xn = i, Xn1 = in1 , . . . , X1 = i1 , X0 = i0 = Pij ()

distribusi bersyarat Xn+1 , diberikan keadaan-keadaan lampau (past states)

X0 , X1 , . . . , Xn1 dan keadaan sekarang (present state) Xn , hanya bergan-
tung pada keadaan sekarang (Sifat Markov)

keadaan-keadaan (states): i0 , i1 , . . . , in1 , i, j

Pij peluang bahwa proses akan berada di keadaan j dari keadaan i;

Pij 0, i, j 0; Pij = 1, i = 0, 1, . . .
j=0

Matriks peluang transisi Pij adalah

P00 P01 P02
P10 P11 P12

.. .. ..
P= . . .

Pi0 Pi0 Pi0
.. .. ..
. . .

MA4081 Pros.Stok. 4 K. Syuhada, PhD.

 P02

P01 P12

P00 0 P11 1 P22 2 ...

P10 P21

P20

Figure 3.1: Diagram transisi keadaan atau state transition diagram

MA4081 Pros.Stok. 5 K. Syuhada, PhD.

Perhatikan (*):
( )
P Xn+1 = j|Xn = i, Xn1 = in1 , . . . , X1 = i1 , X0 = i0
( )
= P Xn+1 = j|Xn = i
= Pij ,

yang disebut sebagai peluang transisi 1-langkah atau one-step transition prob-
ability.

Peluang bersama
( )
P Xn = i, Xn1 = in1 , . . . , X1 = i1 , X0 = i0

dapat dihitung dengan sifat peluang bersyarat berikut.

( )
P Xn = i, Xn1 = in1 , . . . , X1 = i1 , X0 = i0
( )
= P Xn1 = in1 , . . . , X1 = i1 , X0 = i0
( )
P Xn = i | Xn1 = in1 , . . . , X1 = i1 , X0 = i0
( ) ( )
= P Xn1 = in1 , . . . , X1 = i1 , X0 = i0 P Xn = i | Xn1 = in1
=
= pi0 Pin1 ,in

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

2. Suatu rantai Markov dengan keadaan-keadaan 0, 1, 2 memiliki matriks

peluang transisi:

MA4081 Pros.Stok. 6 K. Syuhada, PhD.


0.1 0.2 0.7
P = 0.9 0.1 0
0.1 0.8 0.1

dan P (X0 = 0) = 0.3, P (X0 = 1) = 0.4, P (X0 = 2) = 0.3.

Hitung

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

MA4081 Pros.Stok. 7 K. Syuhada, PhD.

 dengan keadaan-keadaan:
0 terdapat 0 produk A di paket pertama
1 terdapat 1 produk A di paket pertama
2 terdapat 2 produk A di paket pertama
3 terdapat 3 produk A di paket pertama

5. Menurut Kemeny, Snell dan Thompson, Tanah Australia diberkahi den-

gan 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 pelu-
ang sama. Jika hari ini mereka mengalami salju atau hujan maka be-
sok akan bercuaca sama dengan peluang separuhnya. Jika terdapat pe-
rubahan 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 diatas.

1/2 1/4 1/4
P = 1/2 0 1/2
1/4 1/4 1/2

dengan keadaan-keadaan:
0 cuaca hujan
1 cuaca baik
2 cuaca salju

6. Suatu rantai Markov dengan keadaan-keadaan 0, 1, 2 memiliki matriks

peluang transisi:

0.7 0.2 0.1
P = 0 0.6 0.4
0.5 0 0.5

Hitung

P (X2 = 1, X3 = 1 | X1 = 0)

dan

P (X1 = 1, X2 = 1 | X0 = 0)

Solusi: 0.12; 0.12

7. Sebagai calon atlet, setiap pagi Swari meninggalkan rumahnya untuk

berlari pagi. Swari akan pergi lewat pintu depan atau belakang dengan

MA4081 Pros.Stok. 8 K. Syuhada, PhD.

 peluang sama. Ketika meninggalkan rumah, Swari memakai sepatu olah
raga atau bertelanjang kaki. Ketika pulang, Swari akan masuk lewat
pintu depan atau belakang dan meletakkan sepatunya dengan peluang
sama. Diketahui bahwa Swari memiliki 4 pasang sepatu olah raga. Ben-
tuklah suatu Rantai Markov dari proses diatas.

3/4 1/4 0 0 0
1/4 1/2 1/4 0 0

P=
0 1/4 1/2 1/4 0

0 0 1/4 1/2 1/4
0 0 0 1/4 3/4

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

MA4081 Pros.Stok. 9 K. Syuhada, PhD.

3.3 Peluang n-langkah

Persamaan Chapman-Kolmogorov
Misalkan Pijn menyatakan peluang transisi n-langkah suatu proses di keadaan
i akan berada di keadaan j,

Pijn = P (Yk+n = j|Yk = i), n 0, i, j 0.

Persamaan Chapman-Kolmogorov adalah alat untuk menghitung peluang tran-

sisi n + m-langkah:


Pijn+m = m
Pikn Pkj , (Buktikan!)
k=0

untuk semua n, m 0 dan semua i, j. Pikn Pkj m

menyatakan peluang suatu
proses dalam keadaan i akan berada di keadaan j dalam n+m transisi, melalui
keadaan k dalam n transisi/langkah.

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?

MA4081 Pros.Stok. 10 K. Syuhada, PhD.


0.49 0.12 0.21 0.18
0.35 0.2 0.15 0.3
P2 =
0.2 0.12 0.2 0.4

0.1 0.16 0.1 0.64

2 2
Peluang hujan pada hari Kamis adalah P00 + P01 = 0.49 + 0.12 = 0.61

Peluang Transisi Tak Bersyarat

Misalkan

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

Jika diketahui 0 = P (X0 = 0) = 0.4 dan 1 = P (X0 = 1) = 0.6, maka

peluang (tak bersyarat) bahwa hari akan hujan 4 hari lagi adalah...
4 4
P (X4 = 0) = 0.4 P00 + 0.6 P10
= (0.4)(0.5749) + (0.6)(0.5668) = 0.57

2. Seorang pensiunan H menerima 2 (juta rupiah) setiap awal bulan. Banyaknya

uang yang diperlukan H untuk dibelanjakan selama sebulan saling bebas
dengan banyaknya uang yang dia punya dan sama dengan i dengan pelu-
ang Pi , i = 1, 2, 3, 4, 4i=1 Pi = 1. Jika H memiliki uang lebih dari 3 di
akhir bulan, dia akan memberikan sejumlah uang lebih dari 3 itu kepada
orang lain. Jika setelah dia menerima uang diawal bulan H memiliki
uang 5, berapa peluang uangnya akan 1 atau kurang setiap saat selama
4 bulan berikut?

Keadaan:
1 jumlah uang sebanyak 1 yang H punya di akhir bulan

MA4081 Pros.Stok. 11 K. Syuhada, PhD.

 2 jumlah uang sebanyak 2 yang H punya di akhir bulan
3 jumlah uang sebanyak 3 yang H punya di akhir bulan

Matriks peluang transisi

P2 + P3 + P4 P1 0
P= P3 + P4 P2 P1
P4 P3 P1 + P2

Misalkan Pi = 1/4, i = 1, 2, 3, 4. Maka matriks peluang transisinya

adalah

3/4 1/4 0
P = 1/2 1/4 1/4
1/4 1/4 1/2

Peluang uangnya akan 1 atau kurang setiap saat selama 4 bulan berikut
4
adalah P31 = 201/256.

MA4081 Pros.Stok. 12 K. Syuhada, PhD.

3.4 Program MATLAB

Model penyebaran suatu penyakit adalah sbb: Jumlah populasi adalah N = 5,

sebagian sakit dan sisanya sehat. Dalam setiap waktu, 2 orang akan dipilih se-
cara acak dari populasi tersebut dan keduanya berinteraksi. Pemilihan orang-
orang tersebut dilakukan sdh interaksi antara setiap pasangan adalah sama.
Jika satu orang dari suatu pasangan sakit, yang lain sehat, maka penyakit akan
disebarkan ke orang yang sehat dengan peluang 0.1. Diluar kondisi tersebut,
tidak ada penyakit yang disebarkan. Misalkan Xn menyatakan jumlah orang
yang sakit dalam populasi diakhir periode ke-n. Bentuklah suatu matriks pelu-
ang transisi yang mungkin.

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

Pii = 1 0.01(i)(5 i),

untuk i = 1, 2, 3, 4.

1 0 0 0 0 0
0 0.96 0.04 0 0 0

0 0 0.94 0.06 0 0
P = 0 0


0 0.94 0.06 0
0 0 0 0 0.96 0.04
0 0 0 0 0 1

Kode MATLAB

function transprob;

% the function calculate transition probability for a Markov chain

%
% created by K Syuhada, 12/03/2011

clear
clc

MA4081 Pros.Stok. 13 K. Syuhada, PhD.

m = input(m = ); % number of states

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

display(matriks peluang transisi:)

display(P)

% n-step probability
% Chapman-Kolmogorov Equation

n = input(n = ); % number of steps

Pn = P^n;

display(matriks peluang transisi n-langkah:)

display(Pn)

---------------------------------------------------------------

m = 6

matriks peluang transisi:

P =

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

MA4081 Pros.Stok. 14 K. Syuhada, PhD.

n = 2

matriks peluang transisi n-langkah:

Pn =

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

MA4081 Pros.Stok. 15 K. Syuhada, PhD.

3.5 Jenis Keadaan

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

MA4081 Pros.Stok. 16 K. Syuhada, PhD.

 (iii)

1 0 0
P = 1/2 1/4 1/4
1/4 1/4 1/2

2. Diketahui matrik peluang transisi:

0.5 0.5 0
P = 0.5 0.25 0.25
0 0.33 0.67

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

MA4081 Pros.Stok. 17 K. Syuhada, PhD.

Sifat-sifat KEADAAN - Recurrent dan Transient
Untuk setiap keadaan i, misalkan fi peluang bahwa dimulai dari keadaan i
proses akan pernah kembali ke keadaan i. Keadaan i dikatakan recurrent jika
fi = 1. Dikatakan transient jika fi < 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.
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 keadaan i, peluang bahwa proses berada di i sebanyak tepat n pe-
riode/kali adalah fin1 (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 geometrik dengan parameter 1 fi .

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

MA4081 Pros.Stok. 18 K. Syuhada, PhD.

Catatan:

Pada rantai Markov dengan keadaan hingga, tidak semua keadaan bersi-
fat transient (Mengapa?)

Jika keadaan i recurrent dan keadaan i berkomunikasi (communicate)

dengan keadaan j maka keadaan j recurrent (Bagaimana jika keadaan
i transient?)

Semua keadaan pada rantai Markov (hingga) yang tidak dapat direduksi
adalah recurrent (PENTING!)

Contoh/Latihan:

1. Misalkan rantai Markov dengan keadaan 0,1,2,3 memiliki matriks pelu-

ang transisi:

0 0 0.5 0.5
1 0 0 0
P=
0

1 0 0
0 1 0 0

Tentukan keadaan mana yang recurrent dan keadaan mana yang tran-
sient!

2. Bagaimana dengan rantai Markov dengan matriks peluang transisi:

0.5 0.5 0 0 0
0.5 0.5 0 0 0

P=
0 0 0.5 0.5 0 ?

0 0 0.5 0.5 0
0.25 0.25 0 0 0.5

3. Misalkan rantai Markov dengan keadaan 0,1,2,3 memiliki matriks pelu-

ang transisi:

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
Tentukan keadaan mana yang recurrent dan keadaan mana yang tran-
sient!

MA4081 Pros.Stok. 19 K. Syuhada, PhD.

 4. Model penyebaran penyakit memiliki matriks peluang transisi sebagai
berikut:

1 0 0 0 0 0
0 0.96 0.04 0 0 0

0 0 0.94 0.06 0 0
P =



0 0 0 0.94 0.06 0
0 0 0 0 0.96 0.04
0 0 0 0 0 1

Tentukan sifat keadaan dari rantai Markov diatas.

MA4081 Pros.Stok. 20 K. Syuhada, PhD.

3.6 Limit Peluang Transisi

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.

Perhatikan 2 sifat keadaan berikut:

Keadaan i dikatakan memiliki periode d jika Piin = 0 untuk n yang tidak dapat
dibagi oleh d (d suatu integer). Contoh, suatu proses dimulai dari keadaan i
akan kembali ke i pada waktu 2, 4, 6, 8, . . . , maka keadaan i memiliki periode
2. Suatu keadaan yang memiliki periode 1 disebut aperiodik. Jika keadaan
i memiliki periode d dan keadaan i berkomunikasi dengan keadaan j maka
keadaan j juga memiliki periode d.
Jika keadaan i recurrent, maka keadaan tersebut akan dikatakan positive re-
current jika, dimulai dari keadaan i, waktu harapan hingga proses kembali
ke i adalah hingga. Pada rantai Markove yang memiliki keadaan hingga, se-
mua keadaan yang recurrent adalah positive recurrent. Suatu keadaan yang
positive recurrent dan aperiodik disebut ergodik.

Teorema
Untuk rantai Markov yang ergodik dan tidak dapat direduksi,

lim Pijn
n

ada dan saling bebas dari i. Misalkan

j = lim Pijn , j 0,
n

MA4081 Pros.Stok. 21 K. Syuhada, PhD.

maka j adalah solusi nonnegatif tunggal dari

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

Limit peluang 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

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...

Matriks peluang transisi:

( )
1
P= ,
1

MA4081 Pros.Stok. 22 K. Syuhada, PhD.

 dan kita punyai persamaan-persamaan:

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+

2. Percobaan-percobaan dilakukan secara berurutan. Jika dalam dua per-

cobaan 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.

3. Pandang pelantunan-pelantunan sebuah koin (dengan peluang muncul

MUKA adalah ) yang saling bebas. Berapa banyak lantunan dibu-
tuhkan yang diharapkan (expected number of tosses needed) agar pola
HT HT muncul? (Perhatikan catatan dibawah)

Catatan:

Peluang jangka panjang j , j 0, disebut juga peluang stasioner (sta-

tionary probability). Jika keadaan awal dipilih berdasarkan peluang
j , j 0, maka peluang akan menjadi keadaan j pada setiap waktu
n adalah sama dengan j .

Untuk keadaan j, definisikan mjj yaitu banyak transisi yang diharapkan

(expected number of transitions) hingga suatu rantai Markov, dimulai
dari keadaan j akan kembali ke keadaan tersebut:
1
j =
mjj

MA4081 Pros.Stok. 23 K. Syuhada, PhD.

BAB 4

Distribusi Eksponensial dan

Proses Poisson

Silabus: Distribusi eksponensial, sifat tanpa memory (memoryless property),

jumlah p.a eksponensial, statistik terurut eksponensial, antrian.

Tujuan:

1. Mempelajari distribusi eksponensial

2. Mempelajari dan menggunakan sifat tanpa memori

3. Memahami dan menggunakan sifat jumlah p.a eksponensial

4. Menghitung statistik terurut eksponensial

5. Mempelajari aplikasi distribusi eksponensial dalam antrian

4.1 Ilustrasi

Distribusi eksponensial dapat dipandang sebagai analog (kontinu) dari dis-

tribusi geometrik. Kita ketahui bahwa distribusi geometrik memodelkan banyaknya
percobaan yang dibutuhkan oleh suatu proses diskrit untuk mengubah keadaan.
Sedangkan distribusi eksponensial menjelaskan waktu untuk proses kontinu
untuk mengubah keadaan (lihat Tabel 4.1).

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.

Percobaan Bernoulli Proses Poisson

Bnyk sukses Distribusi Binomial Distribusi Poisson
Wkt utk sukses I Distribusi Geometrik Distribusi Eksponensial

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.

4.2 Peubah Acak Eksponensial

Misalkan X peubah acak kontinu dengan fungsi peluang

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) =

Data berdistribusi eksponensial (contoh: Y exp(1/3)) dapat dibangkitkan

menggunakan kode berikut:
y = exprnd(3,10,1);
hist(y)

Membangkitkan data dapat pula menggunakan teknik simulasi stokastik yang

sederhana yaitu Invers Transformation Method. Misalkan U peubah acak
Uniform(0, 1). Untuk setiap fungsi distribusi kontinu F , jika kita definisikan
peubah acak X sbb:

X = F 1 (U )

MA4081 Pros.Stok. 2 K. Syuhada, PhD.

maka peubah acak X memiliki fungsi distribusi F . Contoh. Jika F (x) =
1 ex maka F 1 (u) adalah nilai x sedemikian hingga

1 ex = u

atau

x = log(1 u)

Jadi, jika U adalah peubah acah Uniform(0,1) maka

F 1 (U ) = log(1 U )

adalah peubah acak Eksponensial dengan mean 1 (parameter 1).

Sifat Tanpa Memori

Misalkan X peubah acak. Sifat tanpa memori (memoryless property) pada X
adalah sifat dimana peluang X lebih dari s + t dengan syarat/diberikan X
lebih dari t sama dengan peluang X lebih dari s, atau
(  ) ( )
P X > s + t X > t = P X > s

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

MA4081 Pros.Stok. 3 K. Syuhada, PhD.

yang dipenuhi HANYA oleh X berdistribusi Eksponensial dengan parameter
. Buktinya sbb: Misalkan X Exp(), maka
( ) ( )
P X >s+t =1P X <s+t
= 1 FX (s + t)
( )
= 1 1 exp( s t)
= exp( s t)
= exp( s) exp( 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:

1. Misalkan waktu tunggu (dalam menit) antrian di Bank derdistribusi ek-

sponensial dengan mean 10. Peluang bahwa seorang nasabah menunggu
lebih dari 15 menit untuk dilayani adalah... Sedangkan peluang seseo-
rang menunggu lebih dari 15 menit setelah dia menunggu lebih dari 10
menit adalah...

2. Misalkan disebuah Bank terdapat 2 orang teller A dan B yang sibuk

melayani nasabah Uvi dan Ivi. Tidak ada orang lain yang antri. Seseo-
rang, Ovi, yang datang akan dilayani salah satu teller yang telah selesai
dengan nasabahnya. Diketahui waktu layanan (service time) teler A dan
B berturut-turut adalah peubah acak eksponensial dengan parameter
1 dan 2 . Misalkan 1 = 2 = . Berapa peluang bahwa Ovi adalah
nasabah terakhir yang akan meninggalkan Bank?

3. Banyaknya uang yang terlibat dalam kecelakaan adalah peubah acak

eksponensial dengan mean 1000. Banyaknya uang yang dibayar oleh
perusahaan asuransi tergantung apakah klaim pemegang polis lebih dari
400. Tentukan nilai harapan dan variansi banyak uang yang dibayar
perusahaan asuransi pada setiap kecelakaan.

MA4081 Pros.Stok. 4 K. Syuhada, PhD.

 Teller A Teller B

SA ~ Exp( 1) SB ~ Exp( 2)

Figure 4.1: Antrian di Bank dengan 2 teller

4. Misalkan masa hidup (lifetime) sebuah lampu, sebelum akhirnya mati/terbakar,

adalah p.a eksponensial dengan mean 10 (jam). Misalkan Ani memasuki
ruangan dan mendapatkan lampu mati/terbakar. Jika Ani ingin bekerja
di ruangan itu selama 5 jam, berapa peluang bahwa Ani dapat menyele-
saikan pekerjaannya sebelum lampu mati/terbakar/padam?

Fungsi Laju Kegagalan

Sifat tanpa memori dapat juga diilustrasikan dengan fungsi LG atau laju kega-
galan (failure/hazard rate function) dari distribusi eksponensial. Misalkan
peubah acak X memiliki fungsi peluang f dan fungsi distribusi F . Fungsi LG
didefinisikan
f (t)
r(t) = ,
1 F (t)

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)

atau peluang bersyarat bahwa sesuatu (dengan umur t) akan gagal.

MA4081 Pros.Stok. 5 K. Syuhada, PhD.

4.3 Jumlah P.A Eksponensial dan Statistik Terurut

Misalkan X1 , . . . , Xn sampel acak berdistribusi eksponensial. Misalkan

n
Y = Xi ,
i=n

maka distribusi dari Y dapat ditentukan dengan metode fungsi pembangkit

momen,

MY (t) = E(exp(tY )) = E(exp(t[X1 + + Xn ]))

=

Jadi, Y . . ., dengan mean dan variansi....

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

Statistik Terurut Eksponensial

Misalkan X1 , . . . , Xn sampel acak berukuran n dari distribusi eksponensial
dengan parameter . Akan ditentukan distribusi dari Y(k) , statistik terurut
ke-k. Ambil kasus untuk k = 1 dan/atau k = n.

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

Untuk s.a berukuran 2 dari distribusi eksponensial dengan parameter ,

2
fX(1) (x) = C0,1,1 (1 ex )11 ex (ex )21
= 2 e2x

MA4081 Pros.Stok. 6 K. Syuhada, PhD.

4.4 Aplikasi P.A Eksponensial dalam Antrian

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

E(T |R1 < R2 ) = E(S + R1 |R1 < R2 )

= E(S|R1 < R2 ) + E(R1 |R1 < R2 )
=

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?

MA4081 Pros.Stok. 7 K. Syuhada, PhD.

 3. Manakah pernyataan yang BENAR?

E(X 2 |X > 1) = E((X + 1)2 )

E(X 2 |X > 1) = E(X 2 ) + 1

E(X 2 |X > 1) = (E(X) + 1)2 )

Bagaimana dengan

E(X|X > 1)?

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)

dimana ri (t) fungsi LG untuk Xi .

MA4081 Pros.Stok. 8 K. Syuhada, PhD.