Proses Stokastik
description
Transcript of Proses Stokastik
Proses Stokastik
adalah suatu keluarga peubah acak Xt atau X(t), di mana t Tdengan T = {1, 2, 3, …} untuk t diskret dan T = {0,} untuk t kontinu.ContohPada percobaan pelemparan mata uang berkali – kali
X1 adalah peubah acak yang berhubungan dengan pelemparan pertamaX2 adalah peubah acak yang berhubungan dengan pelemparan kedua
Xn adalah peubah acak yang berhubungan dengan pelemparan ke-n
X1 sampai Xn ini disebut keluarga peubah acak yang dapat juga disebut proses stokastik.
Definisi proses stokastik :
Contoh Perhatikan banyaknya kelahiran di suatu
tempat pada suatu hari. Bila Xt adalah banyaknya kelahiran pada (0,t) dengan t [0,1440], maka kumpulan dari Xt adalah proses stokastik.
Definisi Proses Markov adalah proses stokastik yang
mempunyai sifat bahwa jika nilai Xt telah diketahui, maka Xs di mana s > t tidak dipengaruhi oleh Xu di mana u < t.
Definisi tersebut memiliki arti bahwa fenomena masa datang hanya dipengaruhi oleh fenomena masa sekarang dan tidak dipengaruhi oleh masa lalu.
Rantai Markov dengan waktu diskret (Diskret Time Markov Chain) adalah suatu proses markov dengan waktu diskret dan Xt memiliki nilai diskret.
RANTAI MARKOV
Secara matematis Proses Markov dapat dinyatakan sebagai berikut:P(Xn+1=j| X1 = i1, X2=i2, …, Xn=in) = P(Xn+1 =j|Xn = in)
Xn = j artinya rantai markov pada waktu n berada pada state j. Peluang Xn+1 berada pada state j jika Xn berada pada state i dilambangkan dengan
1, nnijP
Peluang ini juga dinamakan peluang transisi satu langkah (one-step transition probability) dan secara matematis dapat dinyatakan sebagai berikut P(Xn+1=j|Xn=i).
Bila peluang transisi satu langkah bebas terhadap peubah waktu n, maka rantai markov mempunyai peluang transisi yang stasioner atau = Pij
1, nnijP
Secara umum, peluang transisi diatur dalam suatu matriks yang dinamakan matriks peluang transisi.
Baris ke – i+1 dari P adalah sebaran peluang dari nilai Xn+1 dibawah kondisi Xn= i.
Jika banyaknya state terhingga maka P adalah matriks kuadrat terhingga
.
P
3210
23222120
13121110
03020100
iiii PPPP
PPPP
PPPP
PPPP
Nilai Pij memenuhi kondisi
Pij 0 untuk semua i dan j
dan untuk i = 0, 1, 2, …
j
ijP 1
Jika matriks peluang transisi P dan sebaran peluang X0 diketahui, maka perilaku dari rantai markov dapat diketahui. Pernyataan ini akan ditunjukkan dalam penjelasan berikut: Misalkan diketahui matriks peluang transisi dan P(X0=i) = pi, maka kita dapat mencari P(X0=i0, X1=i1, X2 = i2, …, Xn=in)
Berdasar definisi peluang bersyarat kita dapatkanP(X0=i0, X1=i1, X2 = i2, …, Xn=in)
=P(Xn=in| X0=i0, X1=i1, X2 = i2, …, Xn-1=in-1) P(X0=i0, X1=i1, X2 = i2, …, Xn-1=in-1)
Berdasar definisi rantai markov kita dapatkanP(X0=i0, X1=i1, X2 = i2, …, Xn=in)
= P(Xn=in| Xn-1=in-1) P(X0=i0, X1=i1, X2 = i2, …, Xn-1=in-1)
= P(X0=i0, X1=i1, X2 = i2, …, Xn-1=in-1)
Melalui induksi akan kita dapatkanP(X0=i0, X1=i1, X2 = i2, …, Xn=in) =
nnnn iiiiiii PPPp ,11,2100
Analisis dari rantai markov berpusat pada perhitungan peluang kemungkinan realisasi proses yang mungkin. Perhitungan ini berpusat pada matriks peluang transisi n langkah P(n) = . melambangkan peluang proses pindah dari state i ke state j dalam n langkah. Secara formal dapat dinyatakan sebagai =P(Xm+n=j|Xm=i).
Matriks Peluang Transisi Rantai Markov
)(nijP
)(nijP
)(nijP
Sifat Markov memungkinkan kita menyatakan dalam theorema berikutTheoremaPeluang transisi n langkah dari rantai markov memenuhi
Di mana
Dari teori matriks, maka persamaan dalam teorema ini adalah rumus untuk perkalian matriks, sehingga P(n) = PP(n-1). Dengan mengiterasikan rumus ini kita dapatkan
Dengan kata lain, peluang transisi n langkah adalah isi matriks Pn.
0
)1()(
k
nkjik
nij PPP
ji
jiPij ,0
,1)0(
n
nfaktor
n PPPPP )(
Matriks Peluang Transisi RegulerMisalkan P (matriks peluang transisi) mempunyai sifat jika dipangkatkan k, Pk mempunyai elemen yang semuanya positif, maka P dikatakan regulerRantai Markov yang reguler memiliki limiting probability distribution = (0, 1, …, N); di mana j>0 dan =1 dan sebaran ini bebas dari state awal
THE LONG RUN BEHAVIOR OF MARKOV CHAIN
j
j
Untuk matriks peluang transisi yang regular , j = 0, 1, …, N
Contoh Rantai Markov regular dengan matriks peluang transisi
Mempunyai limiting probability distribution 0 1
0lim )( j
nij
nP
bb
aa
1
1P
ba
b
ba
aba
b
ba
a
n
1
0lim nP
Contoh numerik dapat ditunjukkan, misalkan rantai markov memiliki matriks peluang transisi
Beberapa pangkat pertama dari P adalah
Limiting distribution-nya adalah b/(a+b) = 0.5282 dan a/(a+b) = 0.4718.
25.075.0
67.033.0P
5650.04350.0
3886.06114.02 P4327.05673.0
5068.04932.03 P4883.05117.0
4572.05328.04 P
4560.05350.0
4780.05220.05P
4747.05253.0
4693.05307.06 P4706.05294.0
4729.05271.07 P
Untuk semua matriks peluang transisi dengan state 0, 1, 2, …,N yang memenuhi dua kondisi berikut adalah regular Untuk setiap pasang state i,j, terdapat path
(jalur) k1, k2, …, kr di mana Pik1Pk1k2 ... Pkrj>0 Terdapat minimal satu state di mana Pii>0
TheoremaMisalkan P adalah matriks peluang transisi suatu rantai markov regular dengan state 0, 1, 2, …, N, maka limiting probability distribution =(0, 1, 2, …,N) adalah solusi unik dari sistem persamaan berikut = P dan
1i
i
Bila diketahui rantai markov dengan matriks peluang transisi
0 1 2
Carilah limiting probability distributionnya!
Contoh
45.050.005.0
25.07.005.0
1.05.04.0
2
1
0
P
=P
Sehingga kita memiliki persamaan, yaitu
Jawab
45.050.005.0
25.07.005.0
1.05.04.0
210210
210210210210 45.025.01.05.07.05.005.005.04.0
2100 05.005.04.0
2101 5.07.05.0
2102 45.025.01.0 1210
Solusi dari sistem persamaan di samping adalah0 = 0.077, 1 = 0.625, 2 = 0.298
Sehingga limiting probability distribution-nya adalah
0 1 2
298.0625.0077.0
298.0625.0077.0
298.0625.0077.0
2
1
0
lim
n
nP