pengantar proses stokastik
TRANSCRIPT
ii
PENGANTAR PROSES STOKASTIK
Penyusun : H. Sugiyarto, M.Si., Ph.D
Layout dan Desain Cover : Rizal Redita Putra
Galang Suryaputra
Imas Abu Yazid
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI TERAPAN
UNIVERSITAS AHMAD DAHLAN
iii
Kata Pengantar
Bismillahirrahmanirrahiim
Puji syukur Alhamdulillah penyusun panjatkan kepada Allah SWT atas berkat
rahmat dan hidayah-Nya sehingga penyusun dapat menyelesaikan buku dengan
judul โPengantar Proses Stokastikโ. Buku ini digunakan sebagai salah satu
pegangan untuk mata kuliah Proses Stokastik.
Buku ini terdiri dari 9 bab yaitu :
1. Teori Probabilitas
2. Variabel Acak dan Distribusinya
3. Proses Poisson
4. Proses Pembaharuan
5. Rantai Markov Waktu Diskrit
6. Rantai Markov Waktu Kontinu
7. Proses Pembaruan
8. Model Reliabilitas
9. Model Antrian
Penyusun menyadari bahwa buku ini masih banyak kekurangan. Oleh karena
itu, penulis mengharapkan kritik dan saran yang membangun demi
kesempurnaan buku ini. Akhir kata, penyusun berharap semoga buku ini dapat
memberikan manfaat bagi pengembangan ilmu pengetahuan khususnya pada
bidang Matematika
Yogyakarta, 2021
Penyusun
iv
Daftar ISI
Kata Pengantar .................................................................................. iii
Daftar ISI ........................................................................................... iv
BAB I
TEORI PROBABILITAS .......................................................................................................... 9
1.1. Ruang Sampel dan Kejadian .......................................................................................... 9
1.1.1. Ruang Sampel .......................................................................................................... 9
1.1.2. Kejadian ................................................................................................................... 9
1.2. Probabilitas ................................................................................................................... 13
1.3. Analisis Kombinasi ...................................................................................................... 18
1.4. Koefisien Binomial ...................................................................................................... 18
BAB II
VARIABEL ACAK DAN DISTRIBUSINYA ........................................................................ 31
2.1. Pendahuluan .................................................................................................................. 31
2.2. Variabel Acak dan Distribusi ........................................................................................ 31
2.3. Distribusi Diskrit ........................................................................................................... 33
2.3.1. Distribusi Bernoulli ................................................................................................ 33
2.3.2. Distribusi Binomial................................................................................................. 35
2.3.3. Distribusi Hipergeometrik ...................................................................................... 37
2.3.4. Distribusi Geometrik .............................................................................................. 40
2.3.5. Distribusi Binomial Negatif.................................................................................... 42
2.3.6. Distribusi Poisson ................................................................................................... 44
2.3.7. Distribusi Seragam (Uniform) ................................................................................ 46
2.4. Distribusi Kontinu ......................................................................................................... 48
2.4.1. Distribusi Seragam (uniform) ................................................................................. 48
2.4.2. Distribusi Gamma ................................................................................................... 49
2.4.3. Distribusi Eksponensial .......................................................................................... 51
2.4.4. Distribusi Weibull................................................................................................... 52
2.4.5. Distribusi Normal ................................................................................................... 54
v
BAB III
PROSES POISSON ................................................................................................................. 67
3.1. Proses Stokastik............................................................................................................. 67
3.2. Proses Poisson ............................................................................................................... 69
3.3. Proses Poisson Non-Homogen ...................................................................................... 72
BAB IV
PROSES PEMBAHARUAN ................................................................................................... 77
4.1. Pendahuluan .................................................................................................................. 77
4.2. Fungsi Pembaharuan ..................................................................................................... 77
4.3. Transformasi Laplace Stieltjes ...................................................................................... 78
4.4. Teorema Limit ............................................................................................................... 92
BAB V
RANTAI MARKOV WAKTU DISKRIT ............................................................................... 99
5.1. Pendahuluan .................................................................................................................. 99
5.2. Persamaan Chapman-Kolmogorov ............................................................................. 100
5.3. Klasifikasi Keadaan..................................................................................................... 106
5.4. Limit Probabilitas ........................................................................................................ 115
5.5. Rantai Markov dengan Keadaan Terbatas .................................................................. 123
BAB VI
RANTAI MARKOV WAKTU KONTINU........................................................................... 129
6.1. Pendahuluan ................................................................................................................ 129
6.2. Proses Kelahiran Murni ............................................................................................... 130
6.3. Proses Kematian Murni ............................................................................................... 142
6.4. Proses Kelahiran dan Kematian .................................................................................. 146
BAB VII
PROSES PEMBARUAN ....................................................................................................... 161
7.1. Pendahuluan ................................................................................................................ 161
vi
BAB VIII
MODEL RELIABILITAS ..................................................................................................... 179
8.1. Pendahuluan ................................................................................................................ 179
8.2. Distribusi Daya Tahan dan Rata-rata Kerusakan ........................................................ 179
8.3. Distribusi Kontinu ....................................................................................................... 180
8.3.1 Distribusi Seragam ๐ฟ ~ ๐ผ๐, ๐ ............................................................................... 180
8.3.2 Distribusi Eksponensial ๐ฟ~๐ฌ๐ฟ๐ท๐ ........................................................................ 181
8.3.3 Distribusi Gamma ๐ฟ~๐ฎ๐จ๐ด๐, ๐ ............................................................................ 181
8.3.4 Distribusi Weibull ๐ฟ~๐พ๐ฌ๐ฐ๐ถ, ๐ท ............................................................................ 181
8.3.5 Distribusi Normal ๐ฟ~๐ต๐,๐๐ ................................................................................ 182
8.3.6 Distribusi Lognormal ๐ฟ~๐ณ๐ถ๐ฎ ๐ต๐,๐๐ ................................................................. 183
8.4. Distribusi Diskrit ......................................................................................................... 183
8.4.1 Distribusi Seragam ๐ฟ~๐ผ(๐ช + ๐ณ, ๐ช + ๐ต๐ณ) ............................................................ 184
8.4.2 Distribusi Geometrik ๐ฟ~๐ฎ๐ฌ๐ถ(๐) ......................................................................... 184
8.4.3 Distribusi Binomial Negatif ๐ฟ~๐ต ๐ฉ(๐, ๐) ............................................................ 185
8.4.4 Distribusi Poisson ๐ฟ~๐ท๐ถ๐ฐ(๐) .............................................................................. 185
8.5. Teori Ketersediaan ...................................................................................................... 185
8.6. Model Pergantian ........................................................................................................ 187
8.6.1 Model Pergantian Usia .......................................................................................... 188
8.4.2. Model Pergantian Blok ......................................................................................... 190
8.7. Model Pemesanan ....................................................................................................... 196
BAB IX
MODEL ANTRIAN .............................................................................................................. 197
9.1. Pendahuluan ................................................................................................................ 197
9.2. Model Antrian Server Tunggal ................................................................................... 200
9.2.1. Model Antrian ๐ด/๐ด/๐/โ ................................................................................... 200
9.2.2. Model Antrian ๐ด/๐ด/๐/๐ต ................................................................................... 204
9.3. Model Antrian Beberapa Server .................................................................................. 206
9.3.1. Model antrian ๐ด/๐ด/๐/โ ..................................................................................... 206
9.3.2. Model Antrian ๐ด/๐ด/๐/๐ .................................................................................... 208
9.3.3 Model Antrian ๐ด/๐ด/โ/โ................................................................................... 209
9.4. Antrian dengan Populasi Terbatas............................................................................... 210
9.4.1 Model Antrian ๐ด/๐ด/๐/๐ฒ/๐ฒ ............................................................................... 211
vii
9.4.2 Model Antrian ๐ด/๐ด/๐/๐ฒ/๐ฒ ............................................................................... 212
9.4.3 Model Antrian ๐ด/๐ด/๐/๐/๐ ................................................................................. 214
DAFTAR PUSTAKA ..................................................................... 217
Teori Probabilitas 9
BAB I
TEORI PROBABILITAS
1.1. Ruang Sampel dan Kejadian
Pada subbab ini akan diberikan beberapa percobaan, yaitu melempar uang logam, melempar
dadu, mengambil kartu, dan lain-lain. Hasil percobaan tidak dapat diprediksi sebelumnya,
tetapi semua hasil yang mungkin dari suatu ekperimen dapat diprediksi menggunakan teori
probabilitas yaitu dengan memperhatikan uji coba random pada suatu percobaan. Hasil dari uji
coba random pada suatu percobaan disebut titik sampel. Titik sampel dinotasikan dengan ๐
(omega kecil).
1.1.1. Ruang Sampel
Ruang sampel merupakan himpunan semua hasil yang mungkin dari suatu percobaan. Ruang
sampel dinotasikan dengan ฮฉ (omega kapital).
1.1.2. Kejadian
Kejadian merupakan himpunan bagian dari ruang sampel. Kejadian dinotasikan dengan huruf
kapital, seperti (๐ด, ๐ต, ๐ถ, โฆ ).
Berikut adalah beberapa contoh ruang sampel dan kejadian
Contoh 1.1. Tentukan ruang sampel dari percobaan melempar 2 uang logam
Penyelesaian :
๐ = Ruang Sampel
๐ด = Muncul sisi angka
๐บ = Muncul sisi gambar
Ruang sampelnya adalah ๐ = (๐ด, ๐ด), (๐ด, ๐บ), (๐บ, ๐ด), (๐บ, ๐บ)
Contoh 1.2. Suatu percobaan mencatat sambungan telefon seluler yang terjadi secara
random pada interval waktu (0,20) detik. Tentukan ruang sampelnya dan tentukan kejadian
dari ruang sampel yang bersesuaian
Penyelesaian :
10 Pengantar Proses Stokastik
Proses ini mendefinisikan suatu percobaan dimana hasilnya adalah seluruh titik pada interval
waktu (0,20), sehingga ruang sampelnya adalah
๐ = ๐ฅ|0 โค ๐ฅ โค 20
Dibaca โ๐ adalah kumpulan semua ๐ฅ, dimana ๐ฅ berada pada interval waktu (0,20)โ. Sedangkan
kejadian dari ruang sampel adalah seluruh titik pada interval waktu (0,20).
Contoh 1.3. Tentukan beberapa kejadian berikut dari percobaan melempar 2 uang logam.
a) Kejadian muncul angka pada pelemparan pertama
b) Kejadian muncul paling sedikit satu angka
Penyelesaian :
Ruang sampel dari percobaan melempar 2 uang logam adalah
๐ = (๐ด, ๐ด), (๐ด, ๐บ), (๐บ, ๐ด), (๐บ, ๐บ)
a) Kejadian muncul angka pada pelemparan pertama adalah
๐ด = (๐ด, ๐ด), (๐ด, ๐บ)
b) Kejadian muncul paling sedikit satu angka adalah
๐ต = (๐ด, ๐ด), (๐ด, ๐บ), (๐บ, ๐ด)
Definisi 1.1. Untuk setiap kejadian ๐ด dan ๐ต pada ruang sampel ฮฉ , dapat didefinisikan :
1. Gabungan
๐ด โช ๐ต = ๐ โถ ๐ โ ๐ด ๐๐ก๐๐ข ๐ โ ๐ต
A B
Teori Probabilitas 11
2. Irisan
๐ด๐ต = ๐ด โฉ ๐ต = ๐ โถ ๐ โ ๐ด ๐๐ก๐๐ข ๐ โ ๐ต
3. Komplemen
๐ด๐ = ๐ โถ ๐ โ ๐ด
4. Eksklusi
๐ด๐ต = ๐
A B
A
A B
12 Pengantar Proses Stokastik
5. Inklusi
๐ด โ ๐ต(๐ก๐๐๐๐ ๐ก๐๐๐๐๐๐ข๐๐๐ ๐ด = ๐ต)
6. Selisih
๐ด โ ๐ต = ๐ด๐ต๐ = ๐ โถ ๐ โ ๐ด ๐๐๐ ๐ โ ๐ต
Contoh 1.4. Percobaan melempar satu keping uang logam, lalu ฮฉ = A, G, dimana ๐ด dan ๐บ
berturut-turut berarti bahwa yang muncul adalah โangkaโ dan โgambarโ.
Contoh 1.5. Jika melakukan percobaan melempar satu keping uang logam sebanyak ๐ kali
percobaan, maka jumlah dari semua hasil yang mungkin adalah 2 ร 2 ร 2 ร โฆร 2 =
2๐ (๐๐๐๐๐ ๐๐ ๐๐๐๐๐๐๐๐๐).
Contoh 1.6. Berdasarkan gambar pada Definisi 1.1, dapat ditunjukkan bahwa
๐ด๐ต โ ๐ต, ๐ด๐ต โ ๐ด,
๐ด โช ๐ต = ๐ด โช (๐ต โ ๐ด๐ต), ๐ด(๐ต โ ๐ด๐ต) = โ ,
๐ด โช ๐ต = ๐ต โช (๐ด โ ๐ด๐ต), ๐ต(๐ด โ ๐ด๐ต) = โ
๐ด๐ต adalah subset dari ๐ด atau ๐ต, ๐ด dan ๐ต โ ๐ด๐ต, ๐ต dan ๐ด โ ๐ด๐ต saling tidak berhubungan.
A B
A B
Teori Probabilitas 13
1.2. Probabilitas
Probabilitas adalah derajat atau tingkat kepastian dari munculnya hasil percobaan statistik atau
ukuran ketidakpastian suatu kejadian untuk terjadi. Probabilitas dilambangkan dengan ๐. Bila
kejadian ๐ด terjadi dalam ๐ cara dari seluruh ๐ cara yang mungkin terjadi dan masing-masing
๐ cara itu mempunyai kesempatan yang sama untuk muncul, maka probabilitas kejadian ๐ด
dinotasikan dengan ๐๐ด, dapat diperoleh dengan :
๐๐ด =๐(๐ด)
๐(๐)=๐
๐
Definisi 1.2. Diberikan kejadian ๐ด pada ruang sampel ฮฉ, bilangan real ๐๐ด terdefinisi dan
memenuhi sifat-sifat berikut:
1. 0 โค ๐๐ด โค 1
2. Pฮฉ = 1
3. Setiap barisan kejadian ๐ด1, ๐ด2, โฆ yang saling lepas ๐ด๐๐ด๐ = โ dengan ๐ โ ๐, maka
๐ โ๐ด๐
โ
๐=1
= โ๐๐ด๐
โ
๐=1
Teorema 1.1. Diberikan dua kejadian ๐ด dan ๐ต,
1. ๐๐ด๐ถ = 1 โ ๐๐ด
Bukti :
Kejadian ๐ด dan ๐ด๐ถ merupakan kejadian yang saling lepas dan exhaustive, maka ๐ด โช
๐ด๐ถ = ฮฉ, sehingga diperoleh :
1 = ๐ฮฉ
= ๐A โช AC
= ๐(A) + ๐(๐ด๐ถ)
Atau
๐๐ด๐ถ = 1 โ ๐๐ด
14 Pengantar Proses Stokastik
2. ๐๐ด โ ๐ต = ๐๐ด โ ๐๐ด๐ต
Bukti :
Berdasarkan definisi selisih dua kejadian, diketahui bahwa ๐ด โ ๐ต dan ๐ด๐ต saling lepas
dan diperoleh ๐ด = (๐ด โ ๐ต) โช ๐ด๐ต
Sehingga,
๐๐ด = ๐(๐ด โ ๐ต) โช ๐ด๐ต
= ๐๐ด โ ๐ต + ๐๐ด๐ต
Dapat juga ditulis
๐๐ด โ ๐ต = ๐๐ด โ ๐๐ด๐ต
3. Jika ๐ด โ ๐ต, maka ๐๐ด โค ๐๐ต
Bukti :
Jika ๐ด โ ๐ต maka ๐ต dapat dibentuk menjadi kejadian saling lepas antara kejadian ๐ด dan
kejadian ๐ต โ ๐ด โ ๐ต = ๐ด โช (๐ต โ ๐ด)
๐๐ต = ๐๐ด โช (๐ต โ ๐ด)
= ๐๐ด + ๐๐ต โ ๐ด
โฅ ๐๐ด
Untuk ๐๐ต โ ๐ด โฅ 0.
4. ๐๐ด โช ๐ต = ๐๐ด + ๐๐ต โ ๐๐ด๐ต
Bukti :
Kejadian ๐ด โช ๐ต dapat dibentuk menjadi kejadian saling lepas antara ๐ด โ ๐ต dan ๐ต.
๐ด โช ๐ต = (๐ด โ ๐ต) โช ๐ต.
๐๐ด โช ๐ต = ๐(๐ด โ ๐ต) โช ๐ต
= ๐๐ด โ ๐ต + ๐๐ต
= ๐๐ด โ ๐๐ด๐ต + ๐๐ต
= ๐๐ด + ๐๐ต โ ๐๐ด๐ต
Definisi 1.3. Untuk setiap kejadian ๐ด dan ๐ต dalam ruang sampel ฮฉ, probabilitas bersyarat
dari kejadian ๐ด dengan syarat ๐ต dapat didefinisikan sebagai
๐๐ด|๐ต =๐๐ด๐ต
๐๐ต, ๐๐ต > 0
Jika kejadian ๐ด dimana kejadian ๐ต saling bebas, maka
Teori Probabilitas 15
๐๐ด|๐ต =๐๐ด๐๐ต
๐๐ต= ๐๐ด
๐๐ต|๐ด =๐๐ด๐๐ต
๐๐ด= ๐๐ต
Jika kejadian ๐ด dan ๐ต saling lepas, maka
๐๐ด|๐ต = ๐๐ต|๐ด = 0
Hal ini karena dua kejadian yang terpisah maka tidak saling beririsan, sehingga ๐๐ด๐ต = 0.
Definisi 1.4. Untuk setiap ๐ kejadian ๐ด1, ๐ด2, โฆ , ๐ด๐ jika
๐๐ด๐1, ๐ด๐2, โฆ , ๐ด๐๐ = ๐๐ด๐1๐๐ด๐2โฆ๐๐ด๐๐
untuk 1 โค ๐1 < ๐2 < โฏ < ๐๐ โค ๐, 2 โค ๐ โค ๐, lalu kejadiannya ๐ด1, ๐ด2, โฆ , ๐ด๐ merupakan
kejadian saling lepas.
Definisi 1.5. (Kejadian saling lepas atau percobaan berulang) Dimisalkan ๐ด1, ๐ด2, โฆ , ๐ด๐
menjadi ๐ percobaan acak untuk sebuah ruang sampel ฮฉ. Percobaan acak disebut stochastically
independent atau statistically independent atau independent jika setiap ๐ด๐ โ ฮฉ (i = 1,2, โฆ , n).
๐๐ด1๐ด2โฆ๐ด๐ = ๐๐ด1๐๐ด2โฆ๐๐ด๐
Definisi 1.6. Kejadian ๐ด1, ๐ด2, โฆ , ๐ด๐ dari partisi sebuah ruang sampel ฮฉ, jika kejadian ๐ด๐
adalah kejadian saling lepas dan semestanya adalah ฮฉ. Jika
๐ด๐๐ด๐ = โ
Untuk setiap ๐ โ ๐, dan
๐ด1 โช ๐ด2 โช โฆโช ๐ด๐ = ฮฉ
maka kejadian ๐ด1, ๐ด2, โฆ , ๐ด๐ dari sebuah partisi.
Teorema 1.2. (Formula Probabilitas Total) misalkan ๐ด, ๐ต1, ๐ต2, โฆ , ๐ต๐ menyatakan kejadian
sedemikian sehingga ๐ต๐๐ต๐ = โ untuk setiap ๐ โ ๐ dan
16 Pengantar Proses Stokastik
๐ด โ (๐ต1 โช ๐ต2 โช โฆโช ๐ต๐)
maka
๐๐ด =โ๐๐ด|๐ต๐
๐
๐=1
๐๐ต๐
dimana ๐๐ต๐ > 0 (๐ = 1,2, โฆ , ๐)
Bukti :
Ingat bahwa ๐๐ด|๐ต๐๐๐ต๐ = ๐๐ด๐ต๐
Dan
(๐ด๐ต๐)(๐ด๐ต๐) = ๐ด(๐ต๐๐ต๐) = โ
untuk setiap ๐ โ ๐, memiliki
โ๐๐ด|๐ต๐๐๐ต๐
๐
๐=1
=โ๐๐ด๐ต๐
๐
๐=1
= ๐๐ด๐ต1 โช ๐ด๐ต2 โช โฆโช ๐ด๐ต๐
= ๐๐ด(๐ต1 โช ๐ต2 โช โฆโช ๐ต๐)
= ๐๐ด
Ingat bahwa teorema ini berlaku jika kejadian ๐ต1, ๐ต2, โฆ , ๐ต๐ berasal dari partisi, maka akan
selalu benar
๐ด โ (๐ต1 โช ๐ต2 โช โฆโช ๐ต๐) = ฮฉ
Teorema 1.3. (Teorema Bayes) misalkan ๐ด, ๐ต1, ๐ต2, โฆ , ๐ต๐ menyatakan kejadian sedemikian
sehingga ๐ต๐๐ต๐ = โ untuk setiap ๐ โ ๐ dan
๐ด โ (๐ต1 โช ๐ต2 โช โฆโช ๐ต๐)
dan
๐๐ต๐|๐ด =๐๐ด|๐ต๐๐๐ต๐
โ ๐๐ด|๐ต๐๐๐ต๐๐๐=1
dimana ๐๐ด > 0 ๐๐๐ ๐๐ต๐ > 0 ๐ข๐๐ก๐ข๐ ๐ = 1,2, โฆ , ๐.
Bukti :
Teori Probabilitas 17
Menggunakan kondisi probabilitas pada Definisi 1.2, didapat
๐๐ต๐|๐ด =๐๐ต๐
๐๐ด=๐๐ด|๐ต๐๐๐ต๐
๐๐ด
Dengan menggunakan rumus probabilitas total untuk penyebut pada sisi kanan dari persamaan
diatas.
Contoh 1.7. Pada percobaan melempar satu keeping koin, jika koin tersebut โseimbangโ
(simetris), maka
๐๐ด = ๐๐บ =1
2
Contoh 1.8. Seluruh mahasiswa dapat lulus pelajaran ๐ด dan ๐ต dengan probabilitas sebagai
berikut : ๐ด = 50%,๐ต = 40%,๐ด๐ต = 10%.
a. Probabilitas dapat lulus paling sedikit satu pelajaran?
๐๐ด โช ๐ต = ๐๐ด + ๐๐ต โ ๐๐ด๐ต = 0.5 + 0.4 โ 0.1 = 0.8
b. Probabilitas hanya lulus salah satu pelajaran ๐ด atau ๐ต
๐๐ด โ ๐ด๐ต = ๐๐ด โ ๐๐ด๐ต = 0.5 โ 0.1 = 0.4
๐๐ต โ ๐ด๐ต = ๐๐ต โ ๐๐ด๐ต = 0.4 โ 0.1 = 0.3
Contoh 1.9. Sebuah perusahaan memproduksi barang yang sama menggunakan tiga buah
mesin, yaitu ๐ต1, ๐ต2, ๐๐๐ ๐ต3, dimana masing-masing kapasitas produksinya adalah 60%, 30%,
dan 10% secara berturut-turut. Persentase dari barang rusak setiap mesin adalah 6%, 3%, dan
5% secara berturut-turut.
a. Hitunglah probabilitas terpilihnya barang rusak secara acak. Misalkan ๐ด adalah
kejadian terpilihnya barang rusak secara acak. Lalu, dengan menggunakan formula
probabilitas total, diperoleh
๐๐ด = โ ๐๐ด|๐ต๐๐๐ต๐๐๐=1
= (0.06 ร 0.60) + (0.03 ร 0.30) + (0.05 ร 0.10)
= 0.05
b. Hitunglah probabilitas terpilihnya barang rusak secara acak yang diproduksi oleh
mesin ๐ต1, ๐ต2, ๐๐๐ ๐ต3 secara berturut-turut. Gunakan formula Bayes, maka diperoleh
๐๐ต1|๐ด =๐๐ด|๐ต1๐๐ต1
๐๐ด=36
50= 72%
18 Pengantar Proses Stokastik
๐๐ต2|๐ด =๐๐ด|๐ต2๐๐ต2
๐๐ด=9
50= 18%
๐๐ต3|๐ด =๐๐ด|๐ต3๐๐ต3
๐๐ด=5
50= 10%
1.3. Analisis Kombinasi
Misalkan ๐ adalah bilangan real dan ๐ adalah bilangan integer non-negatif, didefinisikan
(๐)๐ = ๐(๐ โ 1)(๐ โ 2)โฆ (๐ โ ๐ + 1)
untuk ๐ = 0, (๐)0 = 1.
Diasumsikan ๐ bilangan integer non-negatif dan ๐ = ๐, maka
(๐)๐ = ๐(๐ โ 1)(๐ โ 2)โฆ2 โ 1 = ๐!
Notasi ๐! Dibaca ๐ faktorial yang berperan sebagai pusat analisis kombinatorial.
1.4. Koefisien Binomial
Asumsikan ๐ adalah bilangan real dan ๐ adalah bilangan integer non-negatif, koefisien
binomial didefinisikan sebagai berikut :
(๐๐) =๐ ๐ถ๐ =
(๐)๐๐!
=๐(๐ โ 1)(๐ โ 2)โฆ (๐ โ ๐ + 1)
๐!
untuk ๐ > 0. Jika ๐ = 0, maka (๐0) = 1
Jika ๐ = ๐ dan ๐ โฅ ๐ โฅ 0, maka
(๐)๐ = ๐(๐ โ 1)(๐ โ 2)โฆ (๐ โ ๐ + 1) =๐!
(๐ โ ๐)!
(๐๐) =
๐(๐ โ 1)(๐ โ 2)โฆ (๐ โ ๐ + 1)
๐!=
๐!
๐! (๐ โ ๐)!
Jika ๐ merupakan integer negatif, maka (๐๐) = 0.
Teori Probabilitas 19
Teorema 1.4. Jika sebuah operasi pada ๐ด1 dapat dilakukan dengan ๐1 cara berbeda, kemudian
operasi lain pada ๐ด2 dengan ๐2 cara berbeda, ๐ operasi pada ๐ด๐ dengan ๐๐ cara berbeda, maka
๐ operasi dapat dilakukan satu per satu dengan ๐1 โ ๐2โฆ๐๐ cara.
Bukti :
Pembuktian akan ditunjukkan menggunakan produk Cartesian.
๐ด1 ร ๐ด2 รโฆร ๐ด๐ = (๐ฅ1, ๐ฅ2, โฆ , ๐ฅ๐): ๐ฅ๐ โ ๐ด๐ , ๐ = 1,2, โฆ , ๐
dan ukuran produk Cartesian tersebut adalah ๐1 โ ๐2 โ โฆ โ ๐๐.
Definisi 1.7. Misalkan sebuah himpunan terdiri dari ๐ objek yang berbeda ๐1 , ๐2 , โฆ , ๐๐ .
Susunan yang berurutan ( ๐๐1 , ๐๐2 , โฆ , ๐๐๐ ) dari ๐ simbol disebut sampel terurut dari
himpunan berukuran ๐ . Sampel dengan pengembalian didefinisikan sebagai kenyataan bahwa
setiap pemilihan yang dibuat diambil dari semua objek dalam himpunan (dengan pengulangan).
Sampel tanpa pengembalian didefinisikan sebagai kenyataan bahwa sebuah objek yang sudah
dipilih dihapus dari himpunan (tanpa pengulangan) atau disebut juga permutasi.
Teorema 1.5. Misalkan ๐ dan ๐ bilangan bulat yang mana ๐ โฅ ๐ โฅ 0,
(i) Banyaknya sampel berurutan yang berbeda dengan ukuran ๐ diambil dengan
pengembalian dari suatu himpunan dengan ๐ objek adalah ๐๐.
(ii) Banyaknya sampel berurutan yang berbeda dengan ukuran ๐ diambil tanpa
pengembalian dari suatu himpunan dengan ๐ objek adalah (๐)๐.
(iii) Banyaknya kombinasi yang berbeda dengan ukuran ๐ yang diambil tanpa pengembalian
dari himpunan dengan ๐ objek adalah (๐๐).
(iv) Banyaknya kombinasi yang berbeda dengan ukuran ๐ yang diambil dengan
pengembalian dari himpunan dengan ๐ objek adalah
(๐ + ๐ โ 1๐ โ 1
) = (๐ + ๐ โ 1
๐)
Bukti :
(i) Bukti dapat ditunjukkan dengan menggunakan Prinsip Perkalian dari Teorema 1.4.
(ii) Dengan menggunakan Prinsip Perkalian dan ingat bahwa himpunan berkurang satu per
satu, maka didapat (๐)๐ cara.
(iii) Banyaknya ๐-permutasi adalah (๐)๐. Jika kita mengabaikan urutan, maka didapat
permutasi (๐)๐ = ๐! dimana sama dengan kombinasi. Dengan demikian, kita memiliki
(๐๐) =
(๐)๐
๐! kombinasi dari ๐ sampel yang diambil dari himpunan ๐.
(iv) Misalkan objek 1,2, โฆ , ๐. menggunakan pengulangan, didapat ๐-tupels
20 Pengantar Proses Stokastik
Contoh 1.10. Diberikan himpunan 3 objek (katakanlah ๐, ๐, ๐ ). Tentukan banyaknya cara
yang berbeda untuk ๐ = 3 dan sebutkan mereka berdasarkan teorema di atas.
1) 33 = 27 cara, Tidak ditampilkan adalah sisa urutan di mana ๐ atau ๐ muncul pertama
(ubah elemen pertama dalam tanda kurung di atas menjadi ๐ atau ๐ ).
2) ( 3 )3 = 3! = 6 cara, ( ๐๐๐ ) , ( ๐๐๐ ) , ( ๐๐๐ ) , ( ๐๐๐ ) , ( ๐๐๐ ) , ( ๐๐๐ ) .
3) ( 33 ) =
3!
3!= 1 cara, (๐๐๐).
( 32 ) =
3 โ 2
1 โ 2 = 3 cara, dan ( ๐๐ ) , ( ๐๐ ) , ( ๐๐ )
4) ( 3 + 3 โ 13 โ 1
) = ( 52 ) =
5 โ 4
1 โ 2 = 10 cara, dan
( ๐๐๐ ), ( ๐๐๐ ), ( ๐๐๐ ), ( ๐๐๐ ), ( ๐๐๐ ), ( ๐๐๐ ), ( ๐๐๐ ), ( ๐๐๐ ), ( ๐๐๐ ), ( ๐๐๐ ).
Teorema 1.6. Misalkan ๐ dan ๐ menjadi bilangan bulat yang mana ๐ โฅ ๐ โฅ 0
(i) (๐๐) = (
๐๐ โ ๐
).
(ii) (๐ + 1๐) = (
๐๐ โ 1
) + (๐๐).
(iii) (๐ + ๐ โ 1๐ โ 1
) = (โ1)๐โ1 (โ๐ โ 1๐ โ 1
).
(iv) (๐ + ๐)๐ = โ (๐๐)๐
๐=0 ๐๐๐๐โ๐.
Contoh 1.11. (Soal Ulang Tahun) Terdapat ๐ siswa di kelas. Jika kita berasumsi bahwa ulang
tahun setiap siswa memiliki kemungkinan yang sama dan kita mengabaikan tahun kabisat,
berapakah probabilitas bahwa semua siswa memiliki hari ulang tahun yang berbeda? Ada 365๐
cara di mana ๐ siswa berulang tahun. Kami memiliki (365)๐ cara dari semua ๐ berbeda ulang
tahun, di mana ๐ โค 365 . Artinya, probabilitas bahwa semua ๐ siswa memiliki hari ulang
tahun yang berbeda adalah
๐ =( 365 )๐365๐
= ( 1 โ1
365 ) ( 1 โ
2
365 ) โฏ ( 1 โ
๐ โ 1
365 )
Tabel 1.1 menunjukkan hasil komputasi untuk ๐ = 11,โฆ ,30 . Dari tabel ini kita melihat
bahwa, jika ada 23 siswa dalam satu kelas, kemungkinan setidaknya ada dua siswa yang
berulang tahun melebihi 1
2 . Kita menunjukkan perkiraan kasar untuk ๐ kecil. Memperluas sisi
kanan ๐ , kita mendekati dua suku ๐
๐ โ 1 โ 1 + 2 + โฏ + ๐ โ 1
365 = 1 โ
๐( ๐ โ 1 )
730
Tabel 1.1 juga menunjukkan perkiraan di atas yang cukup berguna dalam praktik untuk ๐ kecil.
Teori Probabilitas 21
Tabel 1.1 :
Contoh hasil dari masalah ulang tahun
๐ Eksak Aproksimasi
11 0.8589 0.8493
12 0.8330 0.8192
13 0.8056 0.7863
14 0.7769 0.7507
15 0.7471 0.7123
16 0.7164 0.6712
17 0.6850 0.6274
18 0.6531 0.5808
19 0.6209 0.5315
20 0.5886 0.4795
21 0.5563 0.4247
22 0.5243 0.3671
23 0.4927 0.3068
24 0.4617 0.2438
25 0.4313 0.1781
26 0.4018 0.1096
27 0.3731 0.0384
22 Pengantar Proses Stokastik
28 0.3455 -0.0356
29 0.3190 -0.1123
30 0.2937 -0.1918
Teorema 1.7. (Teorema Poincare atau Formula Eksklusi dan Inklusi) Untuk setiap kejadian
๐ด1, ๐ด2 , โฆ , ๐ด๐ ,
๐ ๐ด1 โช ๐ด2 โช โฏ โช ๐ด๐ = ๐1 โ ๐2 + โฏ + ( โ1 )๐โ1๐๐
dimana untuk setiap ๐ = 1,2, โฆ , ๐ , ๐๐ didefinisikan oleh
๐๐ = โ ๐ ๐ด๐1 ๐ด12 โฆ ๐ด๐๐
๐ 1 < ๐ 2 < โฆ < ๐ ๐
( ๐1 โฅ 1, ๐๐ โค ๐ )
yaitu penjumlahan semua kombinasi dari ๐ kejadian yang diambil ๐ pada satu waktu ( ๐ =
1,2, โฆ , ๐ ).
Contoh 1.12. (Pencocokan atau Kebetulan) Ada ๐ pasang suami istri di pesta topeng. Setiap
suami mengusulkan untuk menjadi pasangan dansa dari setiap istri yang dipilih secara acak.
Berapa probabilitas setidaknya satu suami memilih istrinya sendiri? Misalkan ๐ด๐ adalah
peristiwa suami ke -๐ memilih istrinya, di mana ๐ = 1,2, โฆ , ๐ . Maka ๐ ๐ด1 โช ๐ด2 โชโฏโช ๐ด๐
adalah probabilitas bahwa setidaknya satu suami memilih istrinya, yang diberikan dalam
Teorema 1.7. Jelas itu
๐ ๐ด๐ =( ๐ โ 1 )!
๐!
๐1 = โ๐ ๐ด๐
๐
๐=1
= ( ๐1 )( ๐ โ 1 )!
๐!= 1
๐ ๐ด๐๐ด๐ =( ๐ โ 2 )!
๐!
๐2 = โ๐ ๐ด๐๐ด๐
๐<๐
= ( ๐2 ) ๐ โ 2
๐! =
1
2!
dan, secara umum,
๐ ๐ด๐1 , ๐ด๐2 , โฆ ๐ด๐๐ =( ๐ โ ๐ )!
๐!
Teori Probabilitas 23
๐๐ = ( ๐๐ )( ๐ โ ๐ )!
๐! =
1
๐!
Suku terakhir dari Teorema 1.7. diberikan oleh
๐๐ = ๐ ๐ด1 , ๐ด2 , โฆ ๐ด๐ =1
๐!
Akhirnya, kita punya
๐ ๐ด1 โช ๐ด2 โชโฏโช ๐ด๐ = 1 โ1
2! +1
3! โ โฏ + ( โ1 )๐โ1
1
๐!
Jika ๐ cukup besar, kita memiliki pendekatan berikut :
๐ ๐ด1 โช ๐ด2 โชโฏโช ๐ด๐ โ 1 โ ๐โ1 = 0.63212
dengan
๐โ1 = 1 โ 1 +1
2! โ1
3! +1
4! โ โฏ
Tabel 1.2 menunjukkan probabilitas dengan komputasi untuk ๐ = 3,โฆ ,10 . Probabilitas dari
setidaknya satu kecocokan didekati dengan 1 โ ๐โ1 = 0.63212 bahkan jika ๐ bervariasi.
Inilah yang disebut masalah kecocokan (kebetulan atau rencontre) dan memiliki beberapa
variasi, mengingat perubahan dalam istilah yang relevan.
Table 1.2 :
Contoh dari masalah perbandingan
๐ Probabilitas
3 0.6667
4 0.6250
5 0.6333
6 0.6319
7 0.6321
8 0.6321
24 Pengantar Proses Stokastik
9 0.6321
10 0.6321
Teorema 1.8. (Koefisien Multinomial) Misalkan ๐ด terdiri dari ๐ objek dan ๐1, ๐2, โฆ , ๐๐
bilangan bulat positif yang mana ๐1 + ๐2 +โฏ+ ๐๐ = ๐. Maka terdapat
( ๐
๐1๐2 โฆ ๐๐ ) =
๐
๐1! ๐2! โฆ ๐๐!
partisi terurut yang berbeda dari ๐ด dari himpunan bagian terurut (๐ด1, ๐ด2, โฆ , ๐ด๐), dimana ๐ด๐
berisi ๐๐ objek, ๐ = 1,2, โฆ , ๐ . Persamaan tersebut disebut koefisien multinomial.
Bukti :
Pertama, kita buktikan tersebut untuk ๐ = 2. Persamaan terurut subset (๐ด1, ๐ด2 ) bentuk partisi
dan kita memilih ๐1 objek dari subset ๐ด1 dan kita memilih ๐2 = ๐ โ ๐1 objek dari subset ๐ด2
yang mana ukurannya adalah ๐ โ ๐1 . Maka
( ๐๐1 ) (๐ โ ๐1๐ โ ๐1
) =๐!
๐! ( ๐ โ ๐1 )! =
๐!
๐1! ๐2!
Secara umum, kita punya
(๐๐1) (๐ โ ๐1๐2
) (๐ โ ๐1 โ ๐2
๐3)โฆ(
๐ โ ๐1 โ โฆ โ ๐๐โ2๐๐โ1
) (๐ โ ๐1 โ โฆ โ ๐๐โ1
๐๐) =
๐!
๐1! ๐2!โฏ๐๐!
yang mana merupakan koefisien multinomial pada Teorema 1.7.
Contoh 1.13. (Ekspansi Multinomial)
(๐ฅ + ๐ฆ + ๐ง)๐ =โ(๐
๐1๐2๐3) ๐ฅ๐1 ๐ฆ๐2 ๐ง๐3
dimana penjumlahannya diatas semua kombinasi ๐1 + ๐2 + ๐3 = ๐, ๐1 , ๐2 , ๐3 โฅ 0 . Sebagai
contoh,
(๐ฅ + ๐ฆ + ๐ง)2 = ๐ฅ2 + ๐ฆ2 + ๐ง2 + 2๐ฅ๐ฆ + 2๐ฆ๐ง + 2๐ฅ๐ง
Maka
( 2200
) = ( 2020
) = ( 2002
) = 1
( 2110
) = ( 2011
) = ( 2101
) = 2
Teori Probabilitas 25
Contoh 1.14. (Distribusi Hipergeometri) Diberikan sebuah guci berisi ๐ bola berisi ๐1 bola
merah dan ๐2 = ๐ โ ๐1 bola hitam. Kami mengambil bola ๐ tanpa penggantian secara acak.
Berapa probabilitas ๐๐ bahwa ๐ bola merah ditarik (dan, tentu saja, (๐ โ ๐) bola hitam ditarik)?
Kita mengambil ๐ bola merah dari ๐1 bola merah, yaitu, (๐1๐) cara yang berbeda, dan (๐ โ ๐)
bola hitam dari ๐ โ ๐1 bola hitam, yaitu, (๐ โ ๐1๐ โ ๐
) cara yang berbeda. Jadi, sejak kita punya
(๐๐) berbagai cara mengambil bola ๐ dari ๐ bola, kita punya
๐๐ =( ๐1๐) ( ๐ โ ๐1๐ โ ๐
)
( ๐๐ )
=( ๐๐) (
๐ โ ๐๐1 โ ๐
)
(๐๐1)
dimana max(0, ๐ โ ๐2) โค ๐ โค min(๐, ๐1). Identitas terakhir berasal dari identitas dalam
teorema 1.6. poin (1).
Contoh 1.15. (Inspeksi Sampling) Dalam kendali mutu, kita sering menghadapi masalah
tipikal inspeksi sampling : Banyak ukuran ๐ tunduk pada inspeksi sampling. Ada ๐ bola
(barang) yang berisi ๐1 bola merah (barang cacat) dan ๐2 = ๐ โ ๐1 bola hitam (barang
nondefektif). Kami mengambil bola ๐ di mana ๐ bola merah dihitung. Namun, kami tidak dapat
mengetahui jumlah ๐1 item yang rusak sebelumnya. Masalah inspeksi pengambilan sampel
adalah bagaimana memperkirakan dan menguji jumlah ๐1 item yang cacat.
26 Pengantar Proses Stokastik
LATIHAN
1. Misalkan ๐ด, ๐ต, ๐ถ adalah tiga kejadian, ฮฉ adalah ruang sampel dan ๐ adalah kejadian
kosong. Buktikan operasi-operasi berikut :
a. ๐ด โช ๐ด = ๐ด, ๐ด โฉ ๐ด = ๐ด (Idempoten Laws)
b. (๐ด โช ๐ต) โช ๐ถ = ๐ด โช (๐ต โช ๐ถ), (๐ด๐ต)๐ถ = ๐ด(๐ต๐ถ) (Associative Laws)
c. ๐ด โช ๐ต = ๐ต โช ๐ด, ๐ด๐ต = ๐ต๐ด (Communicative Laws)
d. (๐ด โช ๐ต)๐ = ๐ด๐๐ต๐, (๐ด๐ต)๐ = ๐ด๐ โช ๐ต๐ (De Morganโs Laws)
Penyelesaian :
a. ๐ด โช ๐ด = ๐ด, ๐ด โฉ ๐ด = ๐ด (Idempoten Laws)
Diketahui ๐ด โ ๐ด โช ๐ด jika dan hanya jika ๐ด โช ๐ด โ ๐ด dan ๐ด โ ๐ด โช ๐ด
i. Ambil sebarang ๐ titik sampel dengan ๐ โ ๐ด โช ๐ด, maka ๐ โ ๐ด dan ๐ โ ๐ด
berakibat ๐ โ ๐ด, karena itu ๐ด โช ๐ด โ ๐ด.
ii. Ambil sebarang ๐ titik sampel dengan ๐ โ ๐ด, maka ๐ โ ๐ด dan ๐ โ ๐ด
maka dapat ditulis ๐ โ ๐ด โช ๐ด, berakibat ๐ด โ ๐ด โช
Dari i dan ii dapat disimpulkan bahwa ๐ด โ ๐ด โช ๐ด.
Diketahui ๐ด โ ๐ด โฉ ๐ด jika dan hanya jika ๐ด โฉ ๐ด โ ๐ด dan ๐ด โ ๐ด โฉ ๐ด
i. Ambil sebarang ๐ titik sampel dengan ๐ โ ๐ด โฉ ๐ด, maka ๐ โ ๐ด dan ๐ โ ๐ด
berakibat ๐ โ ๐ด, karena itu ๐ด โฉ ๐ด โ ๐ด.
ii. Ambil sebarang ๐ titik sampel dengan ๐ โ ๐ด, maka ๐ โ ๐ด dan ๐ โ ๐ด
maka dapat ditulis ๐ โ ๐ด โฉ ๐ด, berakibat ๐ด โ ๐ด โฉ ๐ด.
Dari i dan ii dapat disimpulkan bahwa ๐ด โ ๐ด โฉ ๐ด.
b. (๐ด โช ๐ต) โช ๐ถ = ๐ด โช (๐ต โช ๐ถ), (๐ด๐ต)๐ถ = ๐ด(๐ต๐ถ) (Associative Laws)
Diketahui (๐ด โช ๐ต) โช ๐ถ = ๐ด โช (๐ต โช ๐ถ) jika dan hanya jika (๐ด โช ๐ต) โช ๐ถ โ ๐ด โช
(๐ต โช ๐ถ) dan (๐ด โช ๐ต) โช ๐ถ โ (๐ด โช ๐ต) โช ๐ถ
i. Ambil sebarang ๐ โ (๐ด โช ๐ต) โช ๐ถ, berarti ๐ โ (๐ด โช ๐ต) atau ๐ โ ๐ถ.
Dengan demikian dapat dinyatakan bahwa (๐ โ ๐ด atau ๐ โ ๐ต) atau ๐ โ ๐ถ
pernyataan tersebut akan sama jika dinyatakan ๐ โ ๐ด atau (๐ โ ๐ต atau ๐ โ
๐ถ). Sehingga ๐ โ ๐ด atau ๐ โ (๐ต โช ๐ถ) dan dapat ditulis ๐ โ ๐ด โช (๐ต โช ๐ถ).
Jadi, (๐ด โช ๐ต) โช ๐ถ โ ๐ด โช (๐ต โช ๐ถ).
Teori Probabilitas 27
ii. Ambil sebarang ๐ โ ๐ด โช (๐ต โช ๐ถ), berarti ๐ โ ๐ด atau ๐ โ (๐ต โช ๐ถ).
Dengan demikian dapat dinyatakan bahwa ๐ โ ๐ด atau (๐ โ ๐ต atau ๐ โ ๐ถ)
pernyataan tersebut akan sama jika dinyatakan (๐ โ ๐ด atau ๐ โ ๐ต) atau
๐ โ ๐ถ. Sehingga ๐ โ (๐ด โช ๐ต) atau ๐ โ ๐ถ dan dapat ditulis ๐ โ (๐ด โช ๐ต) โช
๐ถ. Jadi, ๐ด โช (๐ต โช ๐ถ) โ (๐ด โช ๐ต) โช ๐ถ.
Dari i dan ii dapat disimpulkan bahwa (๐ด โช ๐ต) โช ๐ถ = ๐ด โช (๐ต โช ๐ถ).
c. ๐ด โช ๐ต = ๐ต โช ๐ด, ๐ด๐ต = ๐ต๐ด (Communicative Laws)
Diketahui ๐ด โช ๐ต = ๐ต โช ๐ด jika dan hanya jika ๐ด โช ๐ต โ ๐ต โช ๐ด dan ๐ต โช ๐ด โ ๐ด โช ๐ต
i. Ambil sebarang ๐ titik sampel dengan ๐ โ ๐ด โช ๐ต, maka ๐ โ ๐ด dan ๐ โ ๐ต
berakibat ๐ โ ๐ต โช ๐ด, karena itu ๐ด โช ๐ต โ ๐ต โช ๐ด.
ii. Ambil sebarang ๐ titik sampel dengan ๐ โ ๐ต โช ๐ด, maka ๐ โ ๐ต dan ๐ โ ๐ด
berakkibat ๐ โ ๐ด โช ๐ต, karena itu ๐ต โช ๐ด โ ๐ด โช ๐ต.
d. (๐ด โช ๐ต)๐ = ๐ด๐๐ต๐, (๐ด๐ต)๐ = ๐ด๐ โช ๐ต๐ (De Morganโs Laws)
Jika (๐ด โช ๐ต)๐ terjadi, maka ๐ด โช ๐ต tidak terjadi, sehingga ๐ด tidak terjadi (begitu
juga ๐ด๐ tidak); ๐ต tidak terjadi (begitu juga ๐ต๐), sehingga ๐ด๐ dan ๐ต๐ keduanya
terjadi. Oleh karena itu (๐ด โช ๐ต)๐ โ ๐ด๐๐ต๐
Jika ๐ด๐๐ต๐ terjadi, maka ๐ด๐ terjadi (dan ๐ด tidak), ๐ต๐ terjadi (sehingga ๐ต tidak). Oleh
karena itu, bukan ๐ด atau ๐ต yang terjadi, dengan demikian (๐ด โช ๐ต)๐ tidak. Sehingga
๐ด๐๐ต๐ โ (๐ด โช ๐ต)๐.
2. Buktikan bahwa jika 2 kejadian ๐ด dan ๐ต independen, maka ๐ด๐ dan ๐ต๐ juga independen.
Penyelesaian :
Diketahui bahwa ๐ด = (๐ด โฉ ๐ต) โช (๐ด โฉ ๐ต๐), (๐ด โฉ ๐ต), dan (๐ด โฉ ๐ต๐) saling asing, serta ๐ด
dan ๐ต independen. Maka diperoleh
๐(๐ด) = ๐[(๐ด โฉ ๐ต) โช (๐ด โฉ ๐ต๐)]
= ๐(๐ด โฉ ๐ต) + ๐(๐ด โฉ ๐ต๐)
= ๐(๐ด)๐(๐ต) + ๐(๐ด โฉ ๐ต๐)
Atau
๐(๐ด โฉ ๐ต๐) = ๐(๐ด) โ ๐(๐ด)๐(๐ต)
28 Pengantar Proses Stokastik
Sedemikian sehingga,
๐(๐ด)[1 โ ๐(๐ต)] = ๐(๐ด)๐(๐ต)
Jadi, terbukti ๐ด๐ dan ๐ต๐ juga independen.
3. Misalkan ๐ด dan ๐ต adalah dua kejadian ๐ด dan ๐ต, dengan
๐๐ด =1
3, ๐๐ต =
1
4. ๐๐ด โช ๐ต) =
1
2
(i) ๐๐ด|๐ต = ๐๐ด =1
3
(ii) ๐๐ต|๐ด = ๐๐ต =1
4
(iii) ๐๐ด โ ๐ต = ๐๐ด โ ๐๐ด๐ต =1
3โ (
1
3ร1
4) =
3
12=1
4
(iv) ๐๐ต โ ๐ด = ๐๐ต โ ๐๐ด๐ต =1
4โ (
1
3ร1
4) =
2
12=1
6
4. Berapa banyak cara yang dapat dilakukan untuk memilih seorang ketua dan 3 wakil ketua
dari 50 orang?
Penyelesaian :
Kejadian ini berulang dan tidak ada pengembalian, maka untuk memilih seorang ketua
dapat dicari dengan
(501) =
50!
1! (50 โ 1)!= 50 ๐๐๐๐
Untuk memilih 3 wakil ketua dapat dicari dengan
(501) (493) = 50 ร 18424 = 921200 ๐๐๐๐
5. Asumsikan bahwa setiap anak yang lahir kemungkinan besar adalah laki-laki atau
perempuan. Jika sebuah keluarga memiliki dua anak, berapakah probabilitas :
a. Kedua anak yang lahir perempuan?
b. Anak pertama yang lahir adalah perempuan?
c. Paling sedikit terdapat satu anak perempuan?
Penyelesaian :
Teori Probabilitas 29
a. Kedua anak yang lahir perempuan :
Misalkan ๐ adalah kedua anak perempuan, ๐ adalah anak tertua perempuan, dan
๐ adalah paling sedikit terrdapat satu anak perempuan.
๐(๐) =1
2 ; ๐(๐) =
1
2
b. Anak yang tertua adalah perempuan
๐(๐|๐) =๐(๐ โฉ ๐)
๐(๐)=
1412
=1
2
c. Paling sedikit terdapat satu anak perempuan adalah 1
3.
6. Berapakah probabilitas bersyarat bahwa dadu pertama adalah 6 dan jumlah dari kedua
dadu adalah 7?
Penyelesaian :
Misalkan ๐ด dan ๐ต masing-masing menunjukkan bahwa dadu pertama adalah 6 dan
jumlah dari kedua dadu adalah 7. Probabilitas yang diinginkan ๐(๐ต|๐ด), maka
๐(๐ด) =1
6 ; ๐(๐ต) =
1
6
๐(๐ต|๐ด) =๐(๐ต โฉ ๐ด)
๐(๐ด)=
13616
=1
6
7. Jika terdapat 10 titik dengan tidak ada 3 titik yang berada pada satu garis lurus, maka
banyak segitiga yang dapat dibuat dengan ketiga titik sudutnya dipilih dari 10 titik
tersebut?
Penyelesaian :
Untuk membuat segitiga, diperlukan 3 titik yang tidak berada pada satu garis dan arena
tidak ada 3 titik yang segaris, maka dapat dibuat segitiga sebanyak koombinasi 3 dari 10
titik, yaitu
(103) =
10!
3! 7!= 120 ๐ ๐๐๐๐ก๐๐๐
30 Pengantar Proses Stokastik
8. Diketahui terdapat 4 orang dari dari keempat orang tersebut dipilih 3 orang yang akan
duduk pada kursi membentuk lingkaran. Ada berapa banyak cara susunan yang mungkin
dibuat?
Penyelesaian :
Pertama, melakukan pemilihan 3 dari 4 orang yang tersedia, sehingga banyaknya cara
yang mungkin adalah
(43) =
4!
3! 1!= 4
Banyaknya cara untuk menyusun 3 orang yang duduk pada 3 kursi yang membentuk
lingkaran adalah (3 โ 1)! = 2! cara. Maka banyak cara yang mungkin dibuat adalah 4 ร
2 = 8 cara.
9. Misalkan ๐ adalah kejadian perempuan resign dan ๐ด, ๐ต, ๐ถ adalah kejadian orang keluar
dari toko
๐(๐ถ|๐) =๐(๐|๐ถ)๐(๐ถ)
๐(๐|๐ถ)๐(๐ถ) + ๐(๐|๐ต)๐(๐ต) + ๐(๐|๐ด)๐(๐ด)
=70 ร
100225
(70 ร100225
) + (60 ร75225
) + (50 ร50225
)
=70
225โ
140225โ
=1
2
Variabel Acak dan Distribusinya 31
BAB II
VARIABEL ACAK DAN DISTRIBUSINYA
2.1. Pendahuluan
Misalkan sebuah eksperimen mempunyai ruang sampel ฮฉ.Variabel acak adalah fungsi bernilai
real yang didefinisikan pada ruang sampel ฮฉ.
2.2. Variabel Acak dan Distribusi
Definisi 2.1. Misalkan sebuah eksperimen mempunyai ruang sampel ฮฉ. Variabel acak real
yang didefinisikan pada ruang sampel ฮฉ. Dengan kata lain, variabel acak ๐ pada ruang sampel
ฮฉ adalah fungsi dari ฮฉ di dalam bilangan real โ.
Jika ditentukan interval (๐, ๐] (๐ < ๐) pada โ maka probabilitasnya adalah
๐๐ < ๐ โค ๐ = ๐๐ ๐ ฮฉ โถ ๐(๐) โ (๐, ๐]
Definisi 2.2. Distribusi Probabilitas atau distribusi sederhana pada variabel acak ๐
didefinisikan untuk setiap bilangan real ๐ฅ oleh
๐น๐(๐ฅ) = ๐๐ โค ๐ฅ = ๐๐ ๐ ฮฉ โถ ๐(๐) โ (โโ, ๐ฅ]
Yang mana probabilitas variabel acak ๐ kurang dari sama dengan ๐ฅ.
Teorema 2.1. Distribusi ๐น๐(๐ฅ) pada variabel acak ๐ mengikuti :
a. ๐น๐(๐ฅ) monoton naik dan 0 ๐น๐(๐ฅ) 1.
b. ๐น๐(๐ฅ) kontinu kanan, limโโ0
๐น๐(๐ฅ + โ)= ๐น๐(๐ฅ).
c. lim๐ฅโโ
๐น๐(๐ฅ) = 1 dan lim lim๐ฅโโโ
๐น๐(๐ฅ) = 0.
variabel acak ๐ dikatakan diskrit jika untuk semua nilai yang mungkin diatas dapat dihitung
atau diubah. Untuk variabel acak diskrit, fungsi probabilitas ๐๐(๐ฅ๐) didefinisikan oleh
๐๐(๐ฅ๐) = ๐๐ = ๐ฅ๐ = ๐๐ ๐ ฮฉ โถ X(ฯ) = ๐ฅ๐
Dimana ๐๐(๐ฅ๐) โฅ 0 , ๐ = 1,2,3, โฆ dan โ ๐๐(๐ฅ๐) = 1โ๐=0 . Kemudian distribusi pada variabel
acak diskrit ๐ adalah
32 Pengantar Proses Stokastik
๐น๐(๐ฅ) = ๐๐ โค ๐ฅ = ๐๐ ๐ ฮฉ โถ X(ฯ) โ (โโ, ๐ฅ] =โ๐๐(๐ฆ)
๐ฆโค๐ฅ
Variabel acak ๐ dikatakan kontinu jika kepadatan ๐๐(๐ฅ) adalah
๐น๐(๐ฅ) = ๐๐ โค ๐ฅ = โซ๐๐(๐ฆ)๐๐ฆ
๐ฅ
โโ
Dimana
๐๐(๐ฅ) =๐๐น๐(๐ฅ)
๐๐ฅ. (2.2.6)
Ekspektasi variabel acak ๐ untuk diskrit dan kontinu,
๐ธ(๐) =
โ๐ฅ๐๐๐ฅ(๐ฅ๐)
โ
๐=1
, jika ๐ฅ ๐๐๐ ๐๐๐๐ก
โซ ๐ฅ ๐๐(๐ฅ)๐๐ฅ, jika ๐ฅ ๐๐๐๐ก๐๐๐ข
โ
โโ
Sehingga variansi variabel acak ๐
๐(๐ฅ) = ๐ธ((๐ โ ๐ธ(๐))2)
= โซ (๐ฅ โ ๐ธ(๐))2๐๐น๐(๐ฅ)โ
โโ
๐๐ฅ
= โซ (๐ฅ2 โ 2๐ฅ ๐ธ(๐) + ๐ธ(๐)2)๐๐น๐(๐ฅ)โ
โโ
๐๐ฅ
= โซ ๐ฅ2๐๐น๐(๐ฅ)โ
โโ
๐๐ฅ โ 2๐ธ(๐)โซ ๐ฅ ๐๐น๐(๐ฅ)โ
โโ
๐๐ฅ + ๐ธ(๐)2
= ๐ธ(๐2) โ 2๐ธ(๐)๐ธ(๐) + ๐ธ(๐)2
= ๐ธ(๐2) โ 2๐ธ(๐)2 + ๐ธ(๐)2
= ๐ธ(๐2) โ ๐ธ(๐)2 (2.2.8)
Dengan kata lain, rata-ratanya adalah ๐ธ(๐) dan standar deviasinya adalah akar positif dari
variansi (โ๐(๐ฅ)).Bentuk standar variabel acak ๐ ke ๐ didefinisikan
๐ =๐ โ ๐ธ(๐)
โ๐(๐ฅ), dimana ๐ธ(๐) = 0 dan ๐(๐) = 1.
Variabel Acak dan Distribusinya 33
Bentuk umumnya :
๐ธ(๐๐) = โซ ๐ฅ๐ ๐๐(๐ฅ)๐๐ฅ = โซ ๐ฅ๐๐๐น๐(๐ฅ)โ
โโ
๐๐ฅ
โ
โโ
, ๐ = 1,2,3,โฆ
๐ธ((๐ โ ๐ธ(๐))๐) = โซ (๐ฅ โ ๐ธ(๐))๐๐๐น๐(๐ฅ)โ
โโ
๐๐ฅ
๐๐ =๐ธ(๐ โ ๐ธ(๐)๐)
โ๐(๐ฅ)๐ , ๐ = 1,2,3, โฆ (dimensi momen)
Fungsi karakteristik variabel acak ๐ didefinisikan
๐๐(๐ข) = ๐ธ(๐๐๐ข๐) = โซ ๐๐๐ข๐๐๐น๐(๐ฅ)
โ
โโ
๐๐ฅ, ๐ = โโ1
Momen ke ๐ pada variabel acak ๐,
๐ธ(๐๐) = ๐โ๐๐๐๐๐(๐ข)
๐๐ข๐|๐ข=0
Dimana
๐๐(๐ข) = โ๐๐ข๐
๐!
โ
๐=0
โซ ๐ฅ๐๐๐น๐(๐ฅ)โ
โโ
๐๐ฅ
Fungsi Pembangkit Momen / MGF (Moment Generating Function)
๐๐(๐) = โซ ๐๐๐ฅ๐๐น๐(๐ฅ)โ
โโ
๐๐ฅ
2.3. Distribusi Diskrit
2.3.1. Distribusi Bernoulli
Peubah acak Bernoulli hanya mempunyai dua nilai yaitu 0 dan 1 dalam satu kali percobaan.
Peluang sukses dinyatakan dengan ๐ dan gagal dinyatakan dengan 1 โ ๐.
Definisi 2.3. Suatu peubah acak ๐ mempunyai distribusi bernoulli jika dan hanya jika
distribusi peluangnya diberikan dengan ๐(๐ฅ, ๐) = ๐๐ฅ(1 โ ๐)1โ๐ฅ = ๐๐ฅ(๐)1โ๐ฅ, untuk ๐ฅ = 0,1.
34 Pengantar Proses Stokastik
Definisi 2.4. Distribusi bernoulli memiliki rata-rata dan variansi sebagai berikut :
๐ธ[๐] = ๐
Dan
๐๐๐(๐) = ๐๐
Teorema 2.2.
Untuk Rataan
๐ธ(๐) = โ๐ฅ. ๐(๐ฅ, ๐)
1
๐ฅ=0
=โ๐ฅ. ๐๐ฅ๐1โ๐ฅ1
๐ฅ=0
= 0. ๐0๐1โ0 + 1. ๐1๐1โ1
= 0 + ๐
= ๐
Untuk Variansi
Diketahui bahwa :
๐๐๐(๐) = ๐ธ [(๐ฅ โ ๐ธ(๐))2]
= ๐ธ(๐2) โ [๐ธ(๐)]2
Untuk ๐ธ(๐) = ๐, kemudian mencari ๐ธ(๐2)
๐ธ(๐2) = โ๐ฅ2. ๐(๐ฅ, ๐)
1
๐ฅ=0
=โ๐ฅ2. ๐๐ฅ๐1โ๐ฅ1
๐ฅ=0
= 02. ๐0๐1โ0 + 12. ๐1๐1โ1
= 0 + ๐
= ๐
Jadi,
๐๐๐(๐) = ๐ธ [(๐ฅ โ ๐ธ(๐))2]
= ๐ธ(๐2) โ [๐ธ(๐)]2
= ๐ โ ๐2
= 1(1 โ ๐)
= ๐๐
Variabel Acak dan Distribusinya 35
Contoh 2.1. Sebuah uang logam dilempar satu kali, dicatat bahwa hasilnya muncul angka
โAโ dan gambar โGโ. berapa peluang yang muncul angka โAโ?
Penyelesaian :
Ruang sampel dari masalah diatas adalah ๐ = ๐ด, ๐บ dan dimisalkan kejadian muncul angka
adalah ๐ = ๐ด, dan muncul gambar adalah ๐ = ๐บ. Sehingga peluang muncul angka adalah
๐(๐ด) =๐(๐)
๐(๐)=1
2
Dalam hal ini sesuai dengan distribusi Bernoulli, yaitu ๐(๐ฅ; ๐) = ๐2(1 โ ๐)1โ๐ฅ, untuk ๐ฅ =
0,1. Setelah dilakukan pelemparan ternyata uang logam yang muncul adalah angka, berarti ๐ฅ =
1 atau berhasil. Jadi
๐(๐ฅ; ๐) = (0.5)1(0.5)1โ1 = 0.5
2.3.2. Distribusi Binomial
Merupakan probabilitas diskrit yang jumlah keberhasilannya dalam ๐ percobaan menghasilkan
sukses atau gagal saling bebas dan dimana setiap hasil percobaannya memiliki probabilitas ๐.
a) Ekspektasi
๐ธ(๐) =โ๐ฅ ๐(๐ฅ)
๐
๐ฅ=0
=โ๐ฅ (๐
๐) ๐๐ฅ(1 โ ๐)๐โ๐ฅ
๐
๐ฅ=0
=โ๐ฅ ๐!
๐ฅ! (๐ โ ๐ฅ)!๐๐ฅ(1 โ ๐)๐โ๐ฅ
๐
๐ฅ=0
=โ๐ฅ ๐(๐ โ 1)!
๐ฅ(๐ฅ โ 1)! (๐ โ ๐ฅ)!๐๐๐ฅโ1(1 โ ๐)๐โ๐ฅ
๐
๐ฅ=0
= npโ ๐(๐ โ 1)!
(๐ฅ โ 1)! (๐ โ ๐ฅ)!๐๐ฅโ1(1 โ ๐)๐โ๐ฅ
๐
๐ฅ=0
= ๐๐
๐ธ(๐2) = ๐ธ(๐)2 โ ๐ธ(๐) + ๐ธ(๐)
= ๐ธ(๐2 โ ๐) + (E(๐)
= ๐ธ(๐(๐ โ 1)) + ๐ธ(๐)
36 Pengantar Proses Stokastik
Dimana
๐ธ(๐(๐ โ 1)) = โ๐ฅ (๐ฅ โ 1)๐(๐ฅ)
๐
๐ฅ=0
= โ๐ฅ (๐ฅ โ 1) (๐
๐) ๐๐ฅ(1 โ ๐)๐โ๐ฅ
๐
๐ฅ=0
= โ๐ฅ(๐ฅ โ 1)๐!
๐ฅ! (๐ โ ๐ฅ)!๐๐ฅ(1 โ ๐)๐โ๐ฅ
๐
๐ฅ=0
= โ๐ฅ(๐ฅ โ 1)๐(๐ โ 1)(๐ โ 2)!
๐ฅ(๐ฅ โ 1)(๐ฅ โ 2)! (๐ โ ๐ฅ)!๐2๐๐ฅโ2(1 โ ๐)๐โ๐ฅ
๐
๐ฅ=0
= ๐(๐ โ 1)๐2โ (๐ โ 2)!
(๐ฅ โ 2)! (๐ โ ๐ฅ)!๐๐ฅโ2(1 โ ๐)๐โ๐ฅ
๐
๐ฅ=0
= ๐2๐2 โ n๐2
sehingga
๐ธ(๐2) = ๐ธ(๐(๐ โ 1)) + ๐ธ(๐)
= ๐2๐2 โ ๐๐2 + ๐๐
= ๐2๐2 + ๐๐(1 โ ๐)
b) Variansi
๐๐๐(๐) = ๐ธ([๐ โ ๐ธ(๐)]2)
= ๐ธ(๐2) โ [๐ธ(๐)]2
= ๐2๐2 + ๐๐(1 โ ๐) โ (๐๐)2
= ๐๐(1 โ ๐) = ๐๐๐
Contoh 2.2. Seorang pemain basket , melakukan tembakan sebanyak 10 kali dan peluang
untuk masuk adalah 0,3 untuk setiap tembakan. Berapa peluang untuk memenangkan 6 kali
tembakan?
Penyelesaian :
Variabel Acak dan Distribusinya 37
Misalkan ๐๐๐๐ ๐ข๐ = 0,3 dan ๐๐๐๐๐ข๐๐ = 0,7
๐(๐ฅ; 10,0,3) = (10๐ฅ) (0,3)๐ฅ(0,7)10โ๐ฅ
๐(6; 10,0,3) = (106) (0,3)6(0,7)4 = 210 . (0,3)6(0,7)4 = 0.037
2.3.3. Distribusi Hipergeometrik
Distribusi probabilitas hipergeometrik digunakan untuk menentukan probabilitas kemunculan
sukses jika sampling dilakukan tanpa pengembalian. Variabel random hipergeometrik adalah
jumlah sukses (๐ฅ) dalam ๐ pilihan, tanpa pengembalian, dari sebuah populasi terbatas ๐,
dimana ๐ท diantaranya adalah sukses dan (๐ โ ๐ท) adalah gagal.
Penurunan fungsi distribusi hipergeometrik diturunkan dengan menghitung kombinasi-
kombinasi yang terjadi. Kombinasi yang dapat dibentuk dari populasi berukuran ๐ untuk
sampel berukuran ๐ adalah kombinasi ๐ถ(๐, ๐). Jika sebuah variabel random (diskrit) ๐
menyatakan jumlah sukses, selanjutnya dapat dihitung kombinasi diperoleh ๐ฅ sukses dari
sejumlah ๐ท sukses dalam populasi yang diketahui yaitu ๐ถ(๐ท, ๐ฅ). dan demikian pula halnya
dapat dicari (๐ โ ๐ฅ) kombinasi gagal dari sisanya (๐ โ ๐ท), yaiu ๐ถ((๐ โ ๐ท), (๐ โ ๐ฅ)).
Suatu percobaan hipergeometrik memiliki sifat-sifat berikut :
1. Sampel acak ukuran ๐ diambil dari ๐ benda.
2. Sebanyak ๐ท benda dapat diberi nama sukses sedangkan sisanya ๐ โ ๐ท diberi nama
gagal.
Banyaknya keberhasilan ๐ dalam suatu percobaan hipergeometrik disebut peubah acak
hipergeometrik. Dengan demikian, distribusi peluang bagi peubah acak hipergeometrik
disebut distribusi hipergeometrik.
Dengan demikian :
Sukses ๐ถ(๐ท, ๐ฅ). ๐ถ((๐ โ ๐ท), (๐ โ ๐ฅ)) atau (๐ท๐ฅ) (๐โ๐ท
๐โ๐ฅ) yang diperoleh dari kombinasi yang
mungkin C(N,n) atau (๐๐).
Sebuah variabel random (diskrit) ๐ menyatakan jumlah sukses dalai percobaan bernoulli dan
total jumlah sukses ๐ท diketahui dari sebuah populasi berukuran ๐,
maka dikatakan ๐ฅ mengikuti distribusi hipergeometrik dengan fungsi densitas probabilitasnya:
๐(๐ฅ) =(๐ท๐ฅ)(๐โ๐ท๐โ๐ฅ
)
(๐๐)
, ๐ฅ = 1,2, โฆ ,min(๐, ๐ท)
38 Pengantar Proses Stokastik
Keterangan :
๐ = jumlah populasi
๐ = jumlah sampel
๐ท = jumlah sukses
๐ฅ = jumlah sukses terambil
Teorema 2.3. Jika ๐ ~ ๐ป๐๐(๐, ๐ท,๐) dimana ๐ = 1,2, โฆ ,๐; ๐ท = 0,1,2, . . . , ๐ (๐ variabel
random berdistribusi Hipergeometrik), maka :
1. Nilai Harapan/Mean : ๐ธ(๐ฅ) =๐๐ท
๐
2. Variansi : ๐(๐ฅ) =๐๐ท
๐(1 โ
๐ท
๐) (
๐โ๐
๐โ1)
Bukti :
Ekspektasi
๐ธ(๐) = โ๐ฅ๐(๐ฅ)
๐
๐ฅ=0
๐ธ(๐) = โ๐ฅ(๐ท๐ฅ)(๐โ๐ท๐โ๐ฅ
)
(๐๐)
๐
๐ฅ=0
๐ธ(๐) = โ๐ฅ๐ท!
๐ฅ! (๐ฅ โ ๐ท)!
(๐โ๐ท๐โ๐ฅ
)
(๐๐)
๐
๐ฅ=0
๐ธ(๐) = โ๐ฅ๐ท(๐ท โ 1)!
๐ฅ(๐ฅ โ 1)! (๐ฅ โ ๐ท)!
(๐โ๐ท๐โ๐ฅ
)
(๐๐)
๐
๐ฅ=0
๐ธ(๐) = ๐ทโ(๐ท โ 1)!
(๐ฅ โ 1)! (๐ฅ โ ๐ท)!
(๐โ๐ท๐โ๐ฅ
)
(๐๐)
๐
๐ฅ=0
Misalkan ๐ฆ = ๐ฅ โ 1
๐ธ(๐) = ๐ทโ(๐ท โ 1)!
((๐ฆ + 1) โ 1)! ((๐ฆ + 1) โ ๐ท)!
( ๐โ๐ท๐โ(๐ฆ+1)
)
(๐๐)
๐
๐ฆ=0
๐ธ(๐) = ๐ทโ(๐ท โ 1)!
๐ฆ! (๐ฆ โ (๐ท โ 1))!
((๐โ1)โ(๐ทโ1)(๐โ1)โ๐ฆ
)
(๐๐)
๐
๐ฆ=0
Variabel Acak dan Distribusinya 39
๐ธ(๐) = ๐ทโ(๐ทโ1๐ฆ) ((๐โ1)โ(๐ทโ1)
(๐โ1)โ๐ฆ)
(๐๐)(๐โ1๐โ1)
๐
๐ฆ=0
๐ธ(๐) =๐๐ท
๐โ
(๐ทโ1๐ฆ) ((๐โ1)โ(๐ทโ1)
(๐โ1)โ๐ฆ)
(๐โ1๐โ1)
๐
๐ฆ=0
๐ธ(๐) =๐๐ท
๐ ๐ป๐๐๐๐๐๐๐
Variansi
Ekspektasi perkalian ๐ฅ dan (๐ฅ โ 1) adalah
๐ธ(๐(๐ โ 1)) = ๐ธ(๐2) โ ๐ธ(๐)
Karena
๐ธ(๐) =๐๐ท
๐
Dan
๐ธ(๐ โ 1) =(๐ โ 1)(๐ท โ 1)
๐ โ 1
Maka
๐ธ(๐(๐ โ 1)) =๐๐ท
๐
(๐ โ 1)(๐ท โ 1)
๐ โ 1
๐ธ(๐(๐ โ 1)) =(๐ท โ 1)๐(๐ โ 1)
๐(๐ โ 1)
Sehingga
๐(๐) = ๐ธ(๐2) โ ๐2
๐(๐) = ๐ธ(๐(๐ โ 1)) + ๐ โ ๐2
๐(๐) =(๐ท โ 1)๐(๐ โ 1)
๐(๐ โ 1)+๐๐ท
๐โ (
๐๐ท
๐)2
๐(๐) =(๐ท โ 1)๐(๐ โ 1)
๐(๐ โ 1)+๐๐ท
๐โ (
๐2๐ท2
๐2)
40 Pengantar Proses Stokastik
๐(๐) = [(๐ท โ 1)๐(๐ โ 1) + ๐๐ท(๐ โ 1)
๐(๐ โ 1)] โ (
๐2๐ท2
๐2)
๐(๐) = [๐ท๐(๐ท๐ โ ๐ท โ ๐ + 1 + ๐ โ 1)
๐(๐ โ 1)] โ (
๐2๐ท2
๐2)
๐(๐) = [๐ท๐(๐ท๐ โ ๐ท โ ๐ + ๐)
๐(๐ โ 1)] โ (
๐2๐ท2
๐2)
๐(๐) = [๐ท๐(๐ท๐ โ ๐ท โ ๐ + ๐)๐ โ ๐2๐ท2(๐ โ 1)
๐2(๐ โ 1)]
๐(๐) = [๐ท๐(๐ท๐๐ โ ๐ท๐ โ ๐๐ + ๐2) โ ๐ท๐๐ + ๐๐ท
๐2(๐ โ 1)]
๐(๐) = [๐ท๐(โ๐ท๐ โ ๐๐ + ๐2 + ๐๐ท
๐2(๐ โ 1)]
๐(๐) =๐๐ท
๐[๐๐ท โ ๐ท๐ โ ๐๐ + ๐2
๐(๐ โ 1)]
๐(๐) =๐๐ท
๐[(๐ โ ๐)(๐ โ ๐ท)
๐(๐ โ 1)]
๐(๐) =๐๐ท
๐[(๐ โ ๐ท
๐) (
๐ โ ๐
(๐ โ 1))]
๐(๐) =๐๐ท
๐(1 โ
๐ท
๐) (
๐ โ ๐
(๐ โ 1)) ๐ป๐๐๐๐๐๐๐
2.3.4. Distribusi Geometrik
Bila uji coba yang bebas dan berulang-ulang dapat menghasilkan sukses dengan peluang ๐ =
1 โ ๐, maka distribusi peluang bagi peubah acak ๐, yaitu banyaknya uji coba sampai
munculnya sukses pertama
๐(๐ฅ; ๐) = ๐๐๐ฅโ1 ๐ข๐๐ก๐ข๐ ๐ฅ = 1,2,3, โฆ
Agar [๐ = ๐ฅ] terjadi, diperlukan permutasi tertentu yang terdiri dari ๐ฅ โ 1 kegagalan yang
diikuti dengan keberhasilan. Karena uji coba independent, probabilitas ini adalah hasil kali ๐
dengan ๐ฅ โ 1 faktor dari ๐ = 1 โ ๐. Karena 0 < ๐ < 1 dan
Variabel Acak dan Distribusinya 41
โ๐(๐ฅ; ๐) = ๐โ๐๐ฅโ1 = ๐(1 + ๐ + ๐2 +โฏ)
โ
๐ฅ=1
โ
๐ฅ=1
= ๐ (1
1 โ ๐) =
๐
๐= 1
Distribusi ๐ disebut distribusi geometrik
Dari sifat-sifat deret geometrik bahwa fungsi distribusi kumulatif pada ๐ adalah
๐(๐ฅ; ๐) =โ๐๐๐ฅโ1 ๐ข๐๐ก๐ข๐ ๐ฅ = 1,2,3, โฆ
โ
๐ฅ=1
Contoh 2.3. Probabilitas pemain bisbol tertentu mendapatkan pukulan adalah 0.3 , waktu
ancang-ancang pada pemukul adalah independent. Probabilitas bahwa ia membutuhkan lima
kali pukulan untuk mendapatkan pukulan pertamanya adalah ๐(5; 0.3) = 0.7 โ (0.3).
Mengingat ia telah berada diancang-ancang 10 kali tanpa pukulan, probabilitasnya masih
0.7*(0.3) yang dibutuhkan lima kali lagi pada pukulan untuk mendapatkan pukulan
pertamanya. Dan juga probabilitas bahwa lima atau kurang ancang-ancang untuk mendapat
pukulan pertamanya
๐บ(5; 0.3) = 1 โ (0.7)5 = 0.83193
Distribusi geometrik adalah satu-satunya distribusi probabilitas diskrit yang dimiliki yang
disebut no-memory property.
Teorema 2.4. No-Memory Property ๐ ~ ๐บ๐ธ๐(๐), dimana
๐[๐ > ๐ + ๐|๐ > ๐] = ๐[๐ > ๐]
Bukti :
๐[๐ > ๐ + ๐|๐ > ๐] =๐[๐ > ๐ + ๐]
๐[๐ > ๐]=(1 โ ๐)๐+๐
(1 โ ๐)๐
= (1 โ ๐)๐
= ๐[๐ > ๐]
Dengan demikian, diketahui bahwa uji coba diuji coba telah berlalu tanpa keberhasilan tidak
mempengaruhi kemungkinan ๐ lebih banyak uji coba yang diperlukan untuk memperoleh
keberhasilan. Artinya, mengalami beberapa kegagalan berturut-turut tidak berarti anda lebih
pantas untuk sukses.
42 Pengantar Proses Stokastik
Contoh 2.4. Lemparkan koin sampai angka pertama muncul. Jika ๐ adalah jumlah lemparan,
dan jika ๐ = ๐๐ป, maka ๐ ~ ๐บ๐ธ๐(๐). Tercatat hasil yang sesuai โtidak mendapatkan angkaโ
tidak diperlukan. Tentu saja itu karena kemungkinannya NOL. Jika ๐ด mewakili peristiwa โsatu
angka tidak pernah diperoleh, maka ๐ด adalah kejadian setidaknya satu angkaโ dan
๐(๐ด) = 1 โ ๐(๐ดโฒ) = 1 โโ๐(๐ฅ; ๐) = 1 โ 1 = 0
โ
๐ฅ=1
Rata-rata ๐ ~ ๐บ๐ธ๐(๐) diperoleh sebagai berikut :
๐ธ(๐) =โ๐๐๐ฅโ1โ
๐ฅ=1
=โ๐๐
๐๐๐๐ฅ
โ
๐ฅ=1
= ๐๐
๐๐โ๐๐ฅโ
๐ฅ=1
= ๐๐
๐๐(1 โ ๐)โ1
=1
๐
Yang berarti,
๐ธ(๐2) =1 + ๐
๐2
Sehingga
๐๐๐(๐ฅ) =๐
๐2
2.3.5. Distribusi Binomial Negatif
Dalam percobaan berulang secara independent, dengan ๐ menunjukkan keberhasilan dengan
probabilitas ๐ . Kemudian distribusi probabilitas ๐ adalah distribusi binomial negatif dengan
diskrit sebagai berikut :
Variabel Acak dan Distribusinya 43
๐(๐ฅ; ๐, ๐) = (๐ฅ โ 1๐ โ 1
)๐๐๐๐ฅโ๐ ๐ฅ = ๐, ๐ + 1, โฆ
Karena kejadian [๐ = ๐ฅ] terjadi, kita harus memperoleh keberhasilan yang pertama pada
percobaan ke ๐ dengan mendapatkan โ๐ โ 1 keberhasilan dalam percobaan ๐ฅ โ 1โ dan
kemudian mendapatkan โkeberhasilan pada percobaan ke ๐ฅโ demikianlah, kemungkinan
kejadian pertama dapat dinyatakan sebagai berikut :
(๐ฅ โ 1๐ โ 1
) ๐๐โ1(1 โ ๐)(๐ฅโ1)โ(๐โ1)
Dan mengalikannya dengan ๐, maka probabilitas kejadian kedua akan menghasilkan
persamaan
๐(๐ฅ; ๐, ๐) = (๐ฅ โ 1๐ โ 1
)๐๐๐๐ฅโ๐ ๐ฅ = ๐, ๐ + 1, โฆ
Notasi khusus yang menunjukkan bahwa ๐ memiliki distribusi binomial negatif ๐ ~ ๐๐ต(๐, ๐).
Mean dan variansi dengan menerapkan fungsi karakteristik distribusi binomial negatif
๐~๐๐ต(๐, ๐). Fungsi karakteristik
๐๐(๐ข) = (๐๐๐๐ข
1 โ ๐๐๐๐ข)
๐
Mean
๐ธ[๐] = [๐โ1๐๐๐(๐ข)
๐๐ข]๐ข=0
= ๐โ1 [๐ (๐๐๐๐ข
1 โ ๐๐๐๐ข)
๐โ1
(๐๐๐๐ข๐(1 โ ๐๐๐๐ข) โ ๐๐๐๐ข(๐๐๐๐ข๐)
(1 โ ๐๐๐๐ข)2)]
๐ข=0
= ๐โ1๐ [(๐(1)
1 โ ๐(1))
๐โ1
(๐๐(1 โ ๐) โ ๐(๐๐)
(1 โ ๐)2)]
= ๐(โ1)๐ [(๐(1)
1 โ ๐(1))
๐โ1
(๐๐ โ ๐๐๐ โ ๐(๐๐)
(1 โ ๐)2)]
= ๐(โ1)๐ [(๐(1)
1 โ ๐(1))
๐โ1
(๐(๐ โ ๐๐)
(1 โ ๐)2)]
= ๐โ1 (๐(๐ โ ๐๐)
(1 โ ๐)2)๐ (
๐(1)
1 โ ๐(1))
๐โ1
= ((๐ โ ๐๐)
(1 โ ๐)2)๐ (
๐
1 โ ๐)๐โ1
= ๐ [(1
1 โ ๐)๐โ1 ๐(1 โ ๐)
(1 โ ๐)2]
= ๐ (1
๐)
44 Pengantar Proses Stokastik
๐ธ[๐2] = [๐โ2๐2๐๐(๐ข)
๐๐ข2]๐ข=0
= ๐โ2 [๐2 (๐๐ + ๐2
๐2)]
=๐๐ + ๐2
๐2
Variansi
๐๐๐(๐) = ๐ธ[๐2] + ๐ธ[๐]2 =๐๐ + ๐2
๐2โ (
๐
๐)2
=๐๐
๐2
Contoh 2.5. Tim A melawan Tim B di tujuh permainan seri dunia. Artinya, seri berakhir
ketika salah satu tim menang dalam empat pertandingan. Untuk setiap pertandingan,
๐(๐ด๐๐๐๐๐๐) = 0.6 dan diasumsikan independen. Berapakah kemungkinan bahwa seri ini akan
berakhir tepat dalam enam pertandingan?
Jawab :
Kami memiliki ๐ฅ = 6, ๐ = 4 ๐๐๐ ๐ = 0.6, diperoleh :
๐(๐ด๐๐๐๐๐๐ ๐๐ 6 ๐ ๐๐๐) = ๐(6; 4,0.6)
= (53) (0.6)4(0.4)2
= 0.20736
๐(๐ต๐๐๐๐๐๐ ๐๐ 6 ๐ ๐๐๐) = ๐(6; 4,0.4)
= (53) (0.4)4(0.6)2
= 0.09216
2.3.6. Distribusi Poisson
Misalkan keadaan dimana jenis kejadian tertentu berulang, seperti panggilan telepon atau
kerusakan pada kabel yang panjang. Misalkan ๐(๐ก) menunjukkan banyaknya kejadian yang
terjadi dalam interval tertentu [0.1). Anggaplah juga asumsi berikut berlaku. Pertama,
kemungkinan bahwa suatu kejadian akan terjadi dalam interval pendek tertentu [๐ก, ๐ก +รท โ๐ก]
Variabel Acak dan Distribusinya 45
kira-kira sebanding dengan panjang interval, tidak bergantung pada posisi interval.
Selanjutnya, anggaplah bahwa kemunculan kejadian diinterval yang tidak tumpang tindih
adalah independen, dan probabilitas dua kejadian atau lebih dalam interval pendek [๐ก, ๐ก +รท โ๐ก]
dapat diabaikan. Jika asumsi ini menjadi valid sebagai โ๐ก โ 0 maka distribusi ๐(๐ก) akan
menjadi Poisson. Asumsi dan kesimpulan dinyatakan secara matematis pada teorema
Teorema 2.5. (Proses Poisson Homogen) Misalkan ๐(๐ก) menunjukkan jumlah kemunculan
interval [0, ๐ก], dan ๐๐(๐ก) = ๐[๐ ๐๐๐๐ข๐๐๐ข๐๐๐๐ ๐๐ข๐๐๐ ๐ [0, ๐ก]].
1) ๐(0) = 0
2) ๐[๐(๐ก + โ) โ ๐(๐ก) = ๐|๐(๐ ) = ๐] = ๐[๐(๐ก + โ) โ ๐(๐ก) = ๐], โ 0 โค ๐ โค
๐ก ๐๐๐ 0 < โ.
3) ๐[๐(๐ก + โ๐ก) โ ๐(๐ก) = 1] = ๐โ๐ก + ๐(โ๐ก) ๐ข๐๐ก๐ข๐ ๐๐๐๐๐๐๐๐ ๐๐๐๐ ๐ก๐๐ ๐ > 0
4) ๐[๐(๐ก + โ๐ก) โ ๐(๐ก) = 1] = ๐(โ๐ก)
jika sifat melalui 4 tahan, maka untuk semua ๐ก > 0
Bukti :
Kejadian bisa terjadi pada interval [0, (๐ก + โ๐ก)] dengan memiliki 0 kejadian pada [๐ก, ๐ก + โ๐ก]
dan ๐ kejadian pada [0, ๐ก], atau satu kejadian pada [๐ก, ๐ก + โ๐ก] dan ๐ โ 1 kejadian pada [0, ๐ก],
atau dua atau lebih kejadian pada [๐ก, ๐ก + โ๐ก]; jadi untuk ๐ > 0;
๐๐(๐ก + โ๐ก) = ๐๐โ1(๐ก)๐1(โ๐ก) + ๐(โ๐ก)
= ๐๐โ1(๐ก)[๐โ๐ก + ๐(โ๐ก)] + ๐๐(๐ก)[1 โ ๐โ๐ก โ ๐(โ๐ก)] + ๐(โ๐ก)
Tetapi
๐๐๐(๐ก)
๐๐ก= limโ๐กโ0
๐๐(๐ก + โ๐ก) โ ๐๐(๐ก)
โ๐ก
= limโ๐กโ0
๐๐โ1(๐ก)๐โ๐ก + ๐๐(๐ก) + ๐๐(๐ก)๐โ๐ก โ ๐๐(๐ก)
โ๐ก
= ๐[๐๐โ1(๐ก) โ ๐๐(๐ก)]
Untuk ๐ = 0
๐0(๐ก + โ๐ก) = ๐0(๐ก)๐0(โ๐ก)
= ๐0(๐ก)[1 โ ๐โ๐ก โ ๐(โ๐ก)]
๐๐0(๐ก)
๐๐ก= limโ๐กโ0
๐0(๐ก + โ๐ก) โ ๐0(๐ก)
โ๐ก
46 Pengantar Proses Stokastik
= limโ๐กโ0
โ๐โ๐ก๐0(๐ก) + ๐(โ๐ก)๐0(๐ก)
โ๐ก
= โ๐๐0(๐ก)
Dengan asumsi awal ๐0(0) = 1, penyelesaian persamaan diferensial diatas dapat diverifikasi
dengan mudah.
๐0(๐ก) = ๐โ๐๐ก
Begitu juga , jika ๐ = 1
๐๐1(๐ก)
๐๐ก= ๐[๐0(๐ก) โ ๐1(๐ก)]
= ๐[๐โ๐๐ก โ ๐1(๐ก)]
Dimana diberikan
๐1(๐ก) = ๐๐ก๐โ๐๐ก
Dapat ditunjukkan dengan induksi ini
๐๐(๐ก) =๐โ๐๐ก(๐๐ก)๐
๐! ๐ = 0,1,2, โฆ
2.3.7. Distribusi Seragam (Uniform)
Distribusi probabilitas diskrit yang paling sederhana adalah jika tiap nilai variabel random
memiliki probabilitas yang sama untuk terpilih. Distribusi probabilitas seperti ini disebut
Distribusi seragam atau Uniform Diskrit.
Jika variabel random ๐ bisa memiliki nilai ๐ฅ1, ๐ฅ2 , ๐ฅ3, โฆ , ๐ฅ๐ dan masing-masing bisa muncul
dengan probabilitas yang sama maka distribusi probabilitasnya diberikan oleh :
๐(๐ฅ, ๐) =1
๐, ๐ข๐๐ก๐ข๐ ๐ฅ = ๐ฅ1, ๐ฅ2, ๐ฅ3, โฆ , ๐ฅ๐.
Notasi ๐(๐ฅ, ๐) menyatakan nilai fungsi ๐ tergantung pada ๐. Ada yang menyebutkan fungsi
kepadatan probabilitas dari distribusi uniform diskrit sebagai berikut,
Suatu variabel random ๐ berdistribusi Uniform, jika fungsi kepadatan probabilitasnya
berbentuk ;
Variabel Acak dan Distribusinya 47
๐(๐ฅ) =
1
๐ฅ, ๐ฅ = 1,2,3, โฆ ,๐
0, ๐ข๐๐ก๐ข๐ ๐ฆ๐๐๐ ๐๐๐๐๐๐ฆ๐
Contoh 2.6. Jika sebuah dadu dilemparkan, tiap elemen ๐ = 1,2,3,4,5,6 muncul dengan
peluang 1
6. Jadi merupakan distribusi peluang seragam dengan ๐(๐ฅ, 6) =
1
6 dengan ๐ฅ =
1,2,3,4,5,6.
Histogram distribusi seragam selalu berbentuk persegi panjang dengan fungsi yang sama. Pada
contoh diatas, maka histogramnya adalah sebagai berikut :
Gambar 2.3.1 Distribusi Seragam Diskrit
Ekspektasi dan Variansi distribusi seragam ๐(๐ฅ, ๐) adalah
๐ =โ ๐ฅ๐ ๐๐=1
๐
Dan
๐2 =โ (๐ฅ๐ โ ๐)
2 ๐๐=1
๐
Bukti :
๐ = ๐ธ(๐) =โ๐ฅ๐๐(๐ฅ๐, ๐)
๐
๐=1
=โ๐ฅ๐1
๐
๐
๐=1
=โ ๐ฅ๐ ๐๐=1
๐
๐2 = ๐ธ[(๐ โ ๐)2] = โ(๐ฅ๐ โ ๐)2๐(๐ฅ๐, ๐)
๐
๐=1
=โ (๐ฅ๐ โ ๐)
2 ๐๐=1
๐
48 Pengantar Proses Stokastik
Contoh 2.7. Dari contoh 2.6, tentukan ekspektasi dan variansinya!
Penyelesaian :
๐ =โ ๐ฅ๐ ๐๐=1
๐=1 + 2 + 3 + 4 + 5 + 6
6= 3.5
๐2 =โ (๐ฅ๐ โ ๐)
2 ๐๐=1
๐=(1 โ 3.5)2 + (2 โ 3.5)2 +โฏ+ (6 โ 3.5)2
6=35
12
2.4. Distribusi Kontinu
2.4.1. Distribusi Seragam (uniform)
Densitas distribusi seragam dalam interval (๐, ๐) (๐ < ๐)
๐๐(๐ฅ) =1
๐ โ ๐ (๐ < ๐ฅ < ๐)
Distribusi yang sesuai
๐น๐(๐ฅ) =
0 (๐ฅ โค ๐)๐ฅ โ ๐
๐ โ ๐ (๐ < ๐ฅ < ๐)
1 (๐ฅ โฅ ๐)
๐ธ[๐] = โซ๐ฅ
๐ โ ๐
๐
๐
๐๐ฅ = [1
๐ โ ๐โ๐ฅ2
2]๐
๐
=1
๐ โ ๐โ๐2 โ ๐2
2
=๐ + ๐
2
๐ธ[๐2] = โซ๐ฅ2
๐ โ ๐
๐
๐
๐๐ฅ = [1
๐ โ ๐โ๐ฅ3
3]๐
๐
=1
๐ โ ๐โ๐3 โ ๐3
3
=๐2 + ๐๐ + ๐2
3
๐๐๐(๐) = ๐ธ[๐2] โ ๐ธ[๐]2 =๐2 + ๐๐ + ๐2
3โ (๐ + ๐
2)2
=(๐ โ ๐)2
12
Variabel Acak dan Distribusinya 49
Fungsi karakteristik
๐๐(๐ข) = โซ๐๐๐ข๐ฅ
๐ โ ๐
๐
๐
๐๐ฅ = [1
๐๐ข(๐ โ ๐)๐๐๐ข๐ฅ]
๐
๐
=๐๐๐ข๐ โ ๐๐๐ข๐
๐๐ข(๐ โ ๐)
Secara khusus, distribusi seragam ๐ ~ ๐(0,1) disebut distribusi seragam standar dan sesuai
dengan nomor acak yang kontinu pada interval [0,1].
Contoh 2.8. Suatu fungsi distribusi seragam didefinisikan pada interval (0,5). Hitunglah
peluang untuk ๐(๐ < 3)!
Penyelesaian :
๐(๐ < 3) = โซ1
5
3
0
๐๐ฅ = ๐น(3) โ ๐น(0)
=3 โ 0
5โ0 โ 0
5=3
5
2.4.2. Distribusi Gamma
Distribusi kontinu yang sering terjadi dalam aplikasi disebut distribusi gamma.nama dihasilkan
dari hubungan dengan fungsi yang disebut fungsi gamma.
Definisi 2.5. Fungsi gamma dilambangkan dengan ฮ(๐) untuk semua ๐ > 1, diberikan
ฮ(๐) = โซ ๐ก๐ฅโ1๐โ๐กโ
0
๐๐ก
Misalkan jika ๐ = 1, dimana ฮ(1) = โซ ๐โ๐กโ
0๐๐ก = 1. Fungsi gamma memiliki beberapa sifat
yang berguna seperti yang dinyatakan dalam teorema
Teorema 2.6. Fungsi gamma memenuhi sifat-sifat berikut:
ฮ(๐) = (๐ โ 1)ฮ(๐ โ 1) ๐ > 1
ฮ(๐) = (๐ โ 1)! ๐ = 1,2, โฆ
ฮ (1
2) = โ๐
Variable random kontinu ๐ dikatakan berdistribusi gamma dengan parameter ๐ > 0 dan ๐ >
0 jika memiliki bentuk fungsi kepadatan probabilitas
50 Pengantar Proses Stokastik
๐(๐ฅ; ๐, ๐) =
1
๐ โ ฮ(๐)๐ฅ๐โ1๐โ๐ฅ/๐ ๐ข๐๐ก๐ข๐ ๐ฅ > 0
0 ๐ข๐๐ก๐ข๐ ๐ฆ๐๐๐ ๐๐๐๐๐๐ฆ๐
Contoh 2.9. Jumlah harian (dalam inci) curah hujan terukur dilembah sungai adalah variabel
acak ๐~๐บ๐ด๐(0.2,6) menarik untuk diketahui kemungkinan bahwa jumlah curah hujan akan
melebihi tingkat tertentu, katakanlah 2 inci, ini akan menjadi
๐[๐ > 2] = โซ1
(0.2)6ฮ(6)
โ
2
๐ฅ6โ1๐โ(๐ฅ0.2)๐๐ฅ
= 1 โ ๐น(2; 0.2,6)
=โ10๐
๐!๐โ10 = 0.067
5
๐=0
Nilai mean dari ๐ ~ ๐บ๐ด๐(๐, ๐) diperoleh :
๐ธ(๐ฅ) = โซ ๐ฅ1
๐ โ ฮ(๐)๐ฅ๐โ1๐โ
๐ฅ๐๐๐ฅ
โ
2
=1
๐ โ ฮ(๐)โซ ๐ฅ(1+๐)โ1๐โ
๐ฅ๐๐๐ฅ
โ
2
=๐1+๐ โ ฮ(1 + ๐)
๐ โ ฮ(๐)โซ
1
๐1+๐ โ ฮ(๐)
โ
0
๐ฅ(1+๐)โ1๐โ๐ฅ๐๐๐ฅ
=๐1+๐ โ ฮ(1 + ๐)
๐ โ ฮ(๐)
=๐๐ฮ(๐)
ฮ(๐)
= ๐๐
๐ธ(๐2) = ๐2๐(1 + ๐)
๐๐๐(๐) = ๐2๐(1 + ๐) โ (๐๐)2 = ๐๐2
Fungsi Pembangkit Momen
๐๐ฅ(๐ก) = โซ ๐๐ก๐ฅ๐ฅ๐ฅโ1๐โ
๐ฅ๐
๐ โ ฮ(๐)๐๐ฅ
โ
0
Variabel Acak dan Distribusinya 51
=1
๐ โ ฮ(๐)โซ ๐ฅ๐โ1๐(๐กโ1/๐)/๐ฅ๐๐ฅโ
2
Subtitusi ๐ข = โ(๐ก โ1
๐) ๐ฅ,
๐๐ฅ(๐ก) = (1
๐โ ๐ก)
โ๐ 1
๐ โ ฮ(๐)โซ ๐ข๐โ1๐โ๐ข๐๐ขโ
2
๐๐ฅ(๐ก) = (1 โ ๐๐ก)โ๐ ๐ก < 1/๐
Dan
๐๐(๐)(๐ก) = (๐ + ๐ โ 1)โฆ (๐ + 1)๐๐๐(1 โ ๐๐ก)โ๐โ๐
=ฮ(๐ + ๐)
ฮ(๐)๐๐(1 โ ๐๐ก)โ๐โ๐
๐ธ(๐โฒ) =ฮ(๐ + ๐)
ฮ(๐)๐๐
Penurunan ini hanya valid jika ๐ adalah bilangan positif
Bentuk Deret pangkat
๐๐ฅ(๐ก) = 1 +โฮ(๐ + ๐)
ฮ(๐)
๐๐
๐!๐ก๐
โ
๐=1
Kasus khusus dari distribusi gamma dengan ๐ = 2 ๐๐๐ ๐ =๐ฃ
2 disebut sebagai chi-kuadrat
dengan derajat kebebasan ๐ฃ
2.4.3. Distribusi Eksponensial
Variabel random kontinu ๐ mempunyai distribusi eksponensial dengan parameter ๐ > 0 dalam
bentuk
๐(๐ฅ; 0) =
1
๐๐โ๐ฅ/๐ ๐ข๐๐ก๐ข๐ ๐ฅ > 0
0 ๐ข๐๐ก๐ข๐ ๐ฆ๐๐๐ ๐๐๐๐๐๐ฆ๐
Nilai kumulatif ๐ adalah
๐น(๐ฅ; ๐) = 1 โ ๐โ๐ฅ/๐ ๐ฅ > 0
52 Pengantar Proses Stokastik
Sehingga ๐ merupakan parameter skala yang dinotasikan ๐ ~ ๐บ๐ด๐(๐, 1) dapat digunakan
untuk menetapkan bahwa ๐ memiliki ๐(๐ฅ; 0) =1
๐๐โ๐ฅ/๐ ๐ข๐๐ก๐ข๐ ๐ฅ > 0 tetapi notasi yang
lebih sering digunakan adalah ๐ ~ ๐ธ๐๐(๐).
Teorema 2.7. Untuk variabel random kontinu ๐, ๐~๐ธ๐๐(๐) jika dan hanya jika
๐[๐ > ๐ + ๐ก๐ > ๐] = ๐[๐ > ๐ก]
Untuk setiap ๐ > 0 dan ๐ก > 0.
Bukti :
๐[๐ > ๐ + ๐ก|๐ > ๐] =๐[๐ > ๐ + ๐ก ๐๐๐ ๐ > ๐]
๐[๐ > ๐]
=๐[๐ > ๐ + ๐ก]
๐[๐ > ๐]
=๐โ(๐+๐ก)/๐
๐โ๐/๐
= ๐[๐ > ๐ก]
Contoh 2.10. Misalkan keadaan utuh suatu komponen memiliki masa hidup atau masa
kegagalan (dalam jam) ๐~๐ธ๐๐(๐). Probabilitas yang komponennya akan bertahan setidaknya
50 jam adalah
๐[๐ โฅ 50] = 1 โ ๐น(50; 100) = ๐โ0.5 = 0.6065
Jadi dari hubungan ke distribusi gamma bahwa ๐ธ(๐) = 1 ยท ๐ = ๐ dan ๐๐๐(๐) = 1 ยท ๐2 = ๐2
dengan demikian pada contoh sebelumnya, rata-rata masa hidup dari komponen adalah ๐ =
100 ๐๐๐ dan standar deviasi ๐ adalah 100 jam.
2.4.4. Distribusi Weibull
Distribusi Weibull biasanya digunakan untuk menyelesaikan masalah-masalah yang
menyangkut lama waktu (umur) suatu objek yang mampu bertahan hingga akhirnya objek
tersebut tidak berfungsi sebagaimana mestinya (rusak atau mati). Distribusi Weibull memiliki
parameter ๐ dan ๐, dimana parameter ๐ dan ๐ tersebut lebih besar dari 0.
a. Ekspektasi
๐ธ(๐) = โซ ๐ฅ ๐(๐ฅ)๐๐ฅ
โ
0
Variabel Acak dan Distribusinya 53
= โซ ๐ฅ๐ผ๐ฝ(๐ผ๐ฅ)๐ฝโ1๐โ(๐ผ๐ฅ)๐ฝ๐๐ฅ
โ
0
Misalkan
๐ข = ๐ผ๐ฅ๐ฝ
๐ฅ = 1
๐ผ๐ข1๐ฝ
๐๐ข = ๐ผ๐ฝ(๐ฅ๐ผ)๐ฝโ1๐๐ฅ
Maka
= โซ1
๐ผ๐ข1๐ฝ๐โ๐ข ๐๐ข
โ
0
Gunakan fungsi gamma
ะ(๐ผ) = โซ ๐ฅ๐ผโ1๐โ๐ฅ ๐๐ฅ
โ
0
; ๐ฅ > 0
Maka
๐ธ(๐) =1
๐ผะ (1 +
1
๐ฝ)
Sehingga
๐ธ(๐2) = โซ ๐ฅ2 ๐(๐ฅ)๐๐ฅ
โ
0
= โซ ๐ฅ2๐ผ๐ฝ(๐ผ๐ฅ)๐ฝโ1๐โ(๐ผ๐ฅ)๐ฝ๐๐ฅ
โ
0
= โซ (1
๐ผ๐ข1๐ฝ)
2
๐โ๐ข ๐๐ข
โ
0
=1
๐ผ2ะ (1 +
2
๐ฝ)
b. Variansi
๐๐๐(๐) = ๐ธ(๐2) โ ๐ธ(๐)2
=1
๐ผ2ะ (1 +
2
๐ฝ) โ (
1
๐ผะ (1 +
1
๐ฝ))
2
= [1
๐ผ2ะ (1 +
2
๐ฝ)] โ [(
1
๐ผะ (1 +
1
๐ฝ))
2
]
= (1
๐ผ)2
[ะ (1 +2
๐ฝ) โ ะ (1 +
1
๐ฝ)2
]
54 Pengantar Proses Stokastik
Contoh 2.11. Waktu kegagalan (dalam jam) sebuah komponen mesin dapat dimodelkan
sebagai sebuah variabel acak Weibull dengan ๐ฝ = 1 2โ dan ๐ฟ = 5000 jam. Tentukan rata โ rata
kegagalan
Penyelesaian :
๐ธ(๐) = 5000ะ [1 + (1
12
)]
= 5000ะ[3]
= 5000 ร 2!
= 10.000 ๐๐๐
2.4.5. Distribusi Normal
Distribusi Normal pertama kali diperkenalkan oleh braham de moivre pada tahun 1733 sebagai
suatu perkiraan untuk distribusi variabel acak binomial. Dimana sebuah variabel ๐ acak
mengikuti distribusi normal dengan mean ๐ dan variansi ๐2. Persamaan distribusi normal
secara umum :
๐(๐ฅ; ๐, ๐) =1
โ2๐๐๐โ[
๐ฅโ๐๐]2/2
Untuk โโ < ๐ฅ < โ, dimana โโ < ๐ < โ dan 0 < ๐ < โ. hal ini dinotasikan sebagai
๐ ~ ๐(๐, ๐2). Distribusi normal juga sering disebut distribusi Gaussian.
Mean dan variansi dengan menerapkan fungsi karakteristik distribusi normal ๐ ~ ๐(๐, ๐2).
Berdasarkan subsitusi ๐ง =๐ฅโ๐
๐, kita memiliki mean
๐ธ(๐) = โซ ๐ฅ1
โ2๐๐๐๐ฅ๐ [โ
1
2(๐ฅ โ ๐
๐)2
] ๐๐ฅ
โ
โโ
= โซ(๐ + ๐๐ง)โ (๐ง)๐๐ง
โ
โโ
= ๐ โซ โ (๐ง)๐๐ง + ๐ โซ ๐งโ (๐ง)๐๐ง
โ
โโ
โ
โโ
= ๐
Dan
Variabel Acak dan Distribusinya 55
๐ธ(๐2) = โซ ๐ฅ21
โ2๐๐๐๐ฅ๐ [โ
1
2(๐ฅ โ ๐
๐)2
] ๐๐ฅ
โ
โโ
= โซ(๐ + ๐๐ง)2โ (๐ง)๐๐ง
โ
โโ
= ๐2 โซ โ (๐ง)๐๐ง + 2๐๐ โซ ๐งโ (๐ง)๐๐ง + ๐2 โซ ๐ง2โ (๐ง)๐๐ง
โ
โโ
โ
โโ
โ
โโ
Variansi
๐๐๐(๐) = ๐ธ(๐2) โ ๐2 = (๐2 + ๐2) โ ๐2 = ๐2
Teorema 2.8. Jika ๐~๐(๐, ๐2) , maka
1. ๐ =๐โ๐
๐~๐(0,1)
2. ๐น๐ฅ(๐) = ๐ท (๐ฅโ๐
๐)
Bukti :
๐น๐ง(๐ง) = ๐[๐ โค ๐ง]
= ๐ [๐ โ ๐
๐โค ๐ง]
= ๐[๐ โค ๐ + ๐ง๐]
= โซ1
โ2๐๐๐๐ฅ๐ [โ
1
2(๐ฅ โ ๐
๐)2
] ๐๐ฅ
๐+๐ง๐
โโ
Setelah disubsitusi ๐ค =๐ฅโ๐
๐, kita mempunyai
๐น๐ง(๐ง) = โซ1
โ2๐๐โ๐ค
2/2๐๐ค
๐ง
โโ
Berikutnya dengan diferensiasi,
๐๐ง(๐ง) = ๐นโฒ๐ง(๐ง) =
1
โ2๐๐โ๐ฅ
2/2
Diperoleh,
๐น๐ฅ(๐ฅ) = ๐[๐ โค ๐ฅ] = ๐ [๐ โ ๐
๐โค๐ฅ โ ๐
๐] = ๐ท (
๐ฅ โ ๐
๐)
56 Pengantar Proses Stokastik
Contoh 2.12. Diberikan ๐ masa hidup baterai dalam berbulan-bulan dan asumsikan bahwa
aproksimasi ๐~๐(60,36). Fraksi baterai yang akan gagal dalam periode garansi empat tahun
diberikan sebagai berikut :
๐[๐ โค 48] = ๐ท (48 โ 60
6)
= ๐ท(โ2)
= 0.0228
Jika seseorang ingin mengetahui apakah masa garansi akan setara dengan 15% kegagalan,
maka,
๐[๐ โค 0] = ๐ท (๐ฅ0.05 โ 60
6) = 0.05
Yang berarti bahwa ๐ฅ0.05โ60
6= โ1.645 , dan ๐ฅ0.05 = โ1.645(6) + 60 = 50.13 bulan.
Teorema 2.9. Jika ๐~๐(๐, ๐2), maka
๐๐ฅ(๐ก) = ๐๐๐ก+๐2๐ก2/2
๐ธ(๐ โ ๐)2๐ =(2๐)! ๐2๐
๐! 2๐ ๐ = 1,2, โฆ
๐ธ(๐ โ ๐)2๐โ1 = 0 ๐ = 1,2, โฆ
Bukti :
Ditunjukkan persamaan, kita mencatat bahwa MGF (moment generating function) untuk
standar variabel random normal ditunjukkan oleh
๐๐ฅ(๐ก) = โซ1
โ2๐๐๐ก๐ง๐โ๐ฅ
2/2 ๐๐ง
โ
โโ
= โซ1
โ2๐๐โ(๐งโ๐ก)
2/2+๐ก2/2๐๐ฅ = ๐๐ก2/2
โ
โโ
Integral dari faktor pertama dalam integral kedua adalah 1, karena merupakan integral dengan
mean ๐ก dan variansi 1. Karena ๐ = ๐๐ + ๐,
๐๐ฅ(๐ก) = ๐๐๐+๐(๐ก) = ๐๐๐ก๐๐(๐๐ก) = ๐
๐๐ก+๐2๐ก2/2
Mengikuti dari ekspansi berikut, didapat :
Variabel Acak dan Distribusinya 57
๐๐โ๐(๐ก) = ๐๐2๐/2
=โ๐2๐๐ก2๐
2๐๐!
โ
๐=0
=โ๐2๐(2๐)! ๐ก2๐
2๐๐! (2๐)!
โ
๐=0
Ekspansi ini hanya mengandung kekuatan integer, dan koefisien dari ๐ก2๐/(2๐)! adalah 2๐๐กโ
kejadian dari (๐ โ ๐).
LATIHAN
1. Buktikan persamaan berikut
i. 1 + 2 +โฏ+ ๐ =๐(๐+1)
2
๐ = 1 โ 1 =1(1 + 1)
2
1 = 1
๐ = ๐ โ 1 + 2 +โฏ+ ๐ =๐(๐ + 1)
2
๐ = ๐ + 1 โ 1 + 2 +โฏ+ ๐ + (๐ + 1) =๐(๐ + 1)
2+ (๐ + 1)
=๐2 + ๐
2+ (๐ + 1)
=๐2 + ๐ + 2(๐ + 1)
2
=๐2 + ๐ + 2๐ + 2
2
=๐2 + 3๐ + 2
2
=(๐ + 1)(๐ + 2)
2
(๐ + 1)(๐ + 2)
2=๐(๐ + 1)
2=๐(๐ + 1)
2 ๐๐๐๐๐ข๐๐ก๐!
ii. 12 + 22 +โฏ+ ๐2 =๐(๐+1)(2๐+1)
6
๐ = 1 โ 12 =1(1 + 1) + (2 โ 1 + 1)
6
1 = 1
58 Pengantar Proses Stokastik
๐ = ๐ โ 12 + 22 +โฏ+ ๐2 =๐(๐ + 1)(2 + 1)
6
๐ = ๐ + 1 โ 12 + 22 +โฏ+ ๐2 + (๐ + 1)2 =(๐ + 1)(๐ + 2)(2๐ + 3)
6
๐(๐ + 1)(2๐ + 1)
6+ (๐ + 1)2 =
(๐ + 1)(๐ + 2)(2๐ + 3)
6
๐(๐ + 1)(2๐ + 1) + 6(๐ + 1)2
6=(๐ + 1)(๐ + 2)(2๐ + 3)
6
(๐ + 1)[๐(2๐ + 1) + 6(๐ + 1)]
6=(๐ + 1)(๐ + 2)(2๐ + 3)
6
(๐ + 1)(2๐2 + ๐ + 6๐ + 6)
6=(๐ + 1)(๐ + 2)(2๐ + 3)
6
(๐ + 1)(2๐2 + 7๐ + 6)
6=(๐ + 1)(๐ + 2)(2๐ + 3)
6
(๐ + 1)(2๐ + 3)(๐ + 2)
6=(๐ + 1)(๐ + 2)(2๐ + 3)
6 ๐๐๐๐๐ข๐๐ก๐!
iii. 13 + 23 +โฏ+ ๐3 = [๐(๐+1)
2]2
๐ = 1 โ 13 = [1(1 + 1)
2]
2
1 =1 โ 4
4
1 = 1
๐ = ๐ โ 13 + 23 +โฏ+ ๐3 = [๐(๐ + 1)
2]
2
๐ = ๐ + 1 โ 13 + 23 +โฏ+ ๐3 + (๐ + 1)3 = [๐(๐ + 1)
2]
2
+ (๐ + 1)3
=๐2(๐ + 1)2
4+4(๐ + 1)(๐ + 1)2
4
=(๐ + 1)2[๐2 + 4(๐ + 1)]
4
=(๐ + 1)2(๐2 + 4๐ + 1)
4
=(๐ + 1)2(๐ + 2)2
4
=(๐)2(๐ + 1)2
4
= [๐(๐ + 1)
2]
2
๐๐๐๐๐ข๐๐ก๐!
Variabel Acak dan Distribusinya 59
2. Misalkan ๐ adalah variabel random non-negatif dengan distribusi ๐น๐(๐ฅ). Diasumsikan
bahwa ๐น๐(0) = 0. Buktikan
๐ธ[๐] = โซ ๐ฅ๐โ
0
๐๐น๐(๐ฅ) = ๐โซ ๐ฅ๐โ1โ
0
[1 โ ๐น๐(๐ฅ)]๐๐ฅ ๐ = 1,2, โฆ
Bukti :
Telah diberikan persamaan
๐ธ[๐] = โซ [1 โ ๐น๐(๐ฅ)]โ
0
๐๐ฅ
Dan
๐ธ[๐2] = 2โซ ๐ฅโ
0
[1 โ ๐น๐(๐ฅ)]๐๐ฅ
Maka
๐ธ[๐] = โซ [1 โ ๐น๐(๐ฅ)]โ
0
๐๐ฅ = โซ (1 โ 1 + ๐โ๐๐ฅ)โ
0
๐๐ฅ
= โซ ๐โ๐๐ฅโ
0
๐๐ฅ
= [๐โ๐๐ฅ
โ๐]0
โ
=1
๐
๐ธ[๐๐] = โซ ๐ฅ๐โ
0
๐๐น๐(๐ฅ)
Dengan
๐ธ[๐] = โซ ๐ฅโ
0
๐๐น๐(๐ฅ) = โซ [1 โ ๐น๐(๐ฅ)]โ
0
๐๐ฅ
Maka
๐ธ[๐๐] = โซ ๐ฅ๐โ
0
๐๐น๐(๐ฅ) = โซ ๐ฅโ
0
๐ฅ๐โ1๐๐น๐(๐ฅ)
= โซ ๐ฅ๐โ1โ
0
๐ฅ๐๐น๐(๐ฅ)
= โซ ๐ฅ๐โ1โ
0
[1 โ ๐น๐(๐ฅ)]๐๐ฅ
60 Pengantar Proses Stokastik
3. Fungsi karakteristik ๐๐(๐ข) dari distribusi seragam ๐ ~ ๐(๐ถ + ๐ฟ, ๐ถ + ๐๐ฟ) diberikan
dalam persamaan (2.3.5). Hitung mean dan variansi dari distribusi seragam dengan
menerapkan persamaan (2.2.18)
Penyelesaian :
Persamaan (2.3.5)
๐๐(๐ข) = ๐ธ[๐๐๐ข๐] = โ
๐๐๐ข(๐ถ+๐ฟ)
๐
๐
๐=1
=๐๐๐ข(๐ถ+๐ฟ)(1 โ ๐๐๐ข๐ฟ๐)
๐(1 โ ๐๐๐ข๐ฟ)
Persamaan (2.2.18)
๐ธ[๐๐] = [๐โ๐๐๐๐๐(๐ข)
๐๐ข๐]๐ข=0
Mean
๐ธ[๐] = [๐โ1๐๐๐๐(๐ข)
๐๐ข๐]๐ข=0
= ๐โ1 [๐ (๐ถ๐๐๐ข +(๐๐๐๐ข๐ฟ + ๐๐๐ข๐ฟ๐)๐ฟ2๐๐๐ข๐
๐๐๐ข๐ฟ + ๐๐๐ข๐ฟ)]๐ข=0
= ๐โ1๐ [๐ถ(1)(๐(1) + 1)๐ฟ(1)
1 + 1]
= ๐ถ +(๐ + 1)๐ฟ
2
๐ธ[๐2] = [๐โ2๐๐๐๐(๐ข)
๐๐ข๐]๐ข=0
= ๐โ2 [๐2 (๐ถ2๐๐๐ข + (๐๐๐๐ข๐ฟ + ๐๐ข๐๐ฟ๐)๐ถ๐ฟ๐๐๐ข๐
+(๐๐๐๐ข๐ฟ + ๐๐๐ข๐ฟ๐)(2๐๐๐๐ข๐ฟ + ๐๐๐ข๐ฟ๐)๐ฟ2๐๐๐ข๐
3(๐๐๐ข๐ฟ + ๐๐๐ข๐ฟ))]๐ข=0
= ๐โ2๐2 [๐ถ2(1) + (๐(1) + 1)๐ถ๐ฟ(1) +(๐(1) + 1)(2๐(1) + 1)
3(1 + 1)]
= ๐ถ2 + (๐ + 1)๐ฟ๐ถ +(๐ + 1)(2๐ + 1)๐ฟ2
6
Variansi
๐๐๐(๐) = ๐ธ[๐2] + ๐ธ[๐]2
= [๐ถ2 + (๐ + 1)๐ฟ๐ถ +(๐ + 1)(2๐ + 1)๐ฟ2
6] + [๐ถ +
(๐ + 1)๐ฟ
2]
2
=(๐2 โ 1)๐ฟ2
12
Variabel Acak dan Distribusinya 61
4. Hitung mean dan variansi dengan menerapkan fungsi karakteristik distribusi binomial
negatif ๐~๐๐ต(๐, ๐).
Penyelesaian :
Fungsi karakteristik
๐๐(๐ข) = (๐๐๐๐ข
1 โ ๐๐๐๐ข)
๐
Mean
๐ธ[๐] = [๐โ1๐๐๐(๐ข)
๐๐ข]๐ข=0
= ๐โ1 [๐ (๐๐๐๐ข
1 โ ๐๐๐๐ข)
๐โ1
(๐๐๐๐ข๐(1 โ ๐๐๐๐ข) โ ๐๐๐๐ข(๐๐๐๐ข๐)
(1 โ ๐๐๐๐ข)2)]
๐ข=0
= ๐โ1๐ [(๐(1)
1 โ ๐(1))
๐โ1
(๐๐(1 โ ๐) โ ๐(๐๐)
(1 โ ๐)2)]
= ๐(โ1)๐ [(๐(1)
1 โ ๐(1))
๐โ1
(๐๐ โ ๐๐๐ โ ๐(๐๐)
(1 โ ๐)2)]
= ๐(โ1)๐ [(๐(1)
1 โ ๐(1))
๐โ1
(๐(๐ โ ๐๐)
(1 โ ๐)2)]
= ๐โ1 (๐(๐ โ ๐๐)
(1 โ ๐)2)๐ (
๐(1)
1 โ ๐(1))
๐โ1
= ((๐ โ ๐๐)
(1 โ ๐)2)๐ (
๐
1 โ ๐)๐โ1
= ๐ [(1
1 โ ๐)๐โ1 ๐(1 โ ๐)
(1 โ ๐)2]
= ๐ (1
๐)
๐ธ[๐2] = [๐โ2๐2๐๐(๐ข)
๐๐ข2]๐ข=0
= ๐โ2 [๐2 (๐๐ + ๐2
๐2)]
=๐๐ + ๐2
๐2
Variansi
๐๐๐(๐) = ๐ธ[๐2] + ๐ธ[๐]2 =๐๐ + ๐2
๐2โ (
๐
๐)2
=๐๐
๐2
62 Pengantar Proses Stokastik
5. Distribusi Gamma ๐~๐บ๐ด๐(๐, ๐)
Mean
๐ธ[๐] = โซ ๐ฅ โ ๐(๐ฅ)โ
0
๐๐ฅ = โซ ๐ฅโ
0
๐๐๐ฅ๐โ1๐โ๐๐ฅ
ฮ(๐)๐๐ฅ
=๐
๐โซ
๐๐+1๐ฅ๐๐โ๐๐ฅ
ฮ(๐ + 1)
โ
0
๐๐ฅ
=๐
๐
๐ธ[๐2] = โซ ๐ฅ2 โ ๐(๐ฅ)โ
0
๐๐ฅ =๐ + ๐2
๐2โซ
๐๐๐ฅ๐โ1๐โ๐๐ฅ
ฮ(๐ + 1)
โ
0
๐๐ฅ
=๐ + ๐2
๐2
Variansi
๐๐๐(๐) = ๐ธ[๐2] โ ๐ธ[๐]2 =๐ + ๐2
๐2โ (
๐
๐)2
=๐
๐2
6. Distribusi Weibull ๐~๐๐ธ๐ผ(๐ผ, ๐ฝ)
Mean
๐ธ[๐] = โซ ๐ฅ โ ๐(๐ฅ)โ
0
๐๐ฅ = โซ ๐ฅ๐ผ๐ฝ(๐ผ๐ฅ)๐ฝโ1โ
0
๐โ(๐ผ๐ฅ)๐ฝ๐๐ฅ
Misalkan :
๐ข = ๐ผ๐ฅ๐ฝ
๐ฅ =1
๐ผ๐ข1๐ฝ
๐๐ข = ๐ผ๐ฝ(๐ฅ๐ผ)๐ฝโ1๐๐ฅ
Maka
๐ธ[๐] = โซ1
๐ผ
โ
0
๐ข1๐ฝ๐โ๐ข๐๐ข =
1
๐ผโซ ๐ข
1๐ฝ
โ
0
๐๐ข๐๐ข
ฮ(๐ผ) = โซ ๐ฅ๐ผโ1โ
0
๐โ๐ฅ๐๐ฅ (๐ฅ > 0)
๐ธ[๐] =1
๐ผฮ (1 +
1
๐ฝ)
๐ธ[๐2] = โซ ๐ฅ2 โ ๐(๐ฅ)โ
0
๐๐ฅ = โซ ๐ฅ2โ
0
๐ผ๐ฝ(๐ผ๐ฅ)๐ฝโ1๐โ(๐ผ๐ฅ)๐ฝ๐๐ฅ
= โซ (1
๐ผ๐ข1๐ฝ)
2โ
0
๐โ๐ข๐๐ข
Variabel Acak dan Distribusinya 63
=1
๐ผ2ฮ (1 +
2
๐ฝ)
Variansi
๐๐๐(๐) = ๐ธ[๐2] โ ๐ธ[๐]2 =1
๐ผ2ฮ (1 +
2
๐ฝ) โ [
1
๐ผฮ (1 +
1
๐ฝ)]2
= [1
๐ผ2ฮ (1 +
2
๐ฝ)] โ [
1
๐ผ2ฮ (1 +
1
๐ฝ)2
]
= (1
๐ผ)2
[ฮ (1 +2
๐ฝ) โ ฮ (1 +
1
๐ฝ)2
]
7. Distribusi Lognormal ๐~๐ฟ๐๐บ๐(๐, ๐2)
Mean
๐ธ[๐] = โซ ๐ฅ โ ๐(๐ฅ)โ
โโ
๐๐ฅ = โซ ๐ฅโ
โโ
1
๐ฅ(2๐๐2)โ
12 exp [โ
1
2๐2(๐๐ ๐ฅ โ ๐)2] ๐๐ฅ
Misalkan :
๐ง =ln ๐ฅ ๐
๐
๐๐ง =1
๐ฅ๐๐๐ฅ
๐ฅ = exp(๐๐ง + ๐)
Maka
๐ธ[๐] = โซ exp(๐๐ง + ๐)โ
โโ
(2๐)โ12 exp (
1
2๐ง2) ๐๐ฅ
= exp (๐ +1
2๐2)โซ (2๐)โ
12
โ
โโ
exp (โ1
2(๐ก2 โ ๐2))๐๐ฅ
= exp (๐ +๐2
2)
๐ธ[๐2] = โซ ๐ฅ2 โ ๐(๐ฅ)โ
โโ
๐๐ฅ = โซ ๐ฅ2โ
โโ
1
๐ฅ(2๐๐2)โ
12 exp [โ
1
2๐2(๐๐ ๐ฅ โ ๐)2] ๐๐ฅ
Misalkan :
๐ง =ln ๐ฅ ๐
๐
๐๐ง =1
๐ฅ๐๐๐ฅ
๐ฅ = exp(๐๐ง + ๐)
Maka
๐ธ[๐2] = exp (๐ +1
2๐2)โซ (2๐)โ
12
โ
โโ
exp [1
2(๐ง2 โ ๐2)] ๐๐ฅ
64 Pengantar Proses Stokastik
= โซ exp(2๐๐ง + 2๐)โ
โโ
(2๐)โ12 exp (โ
1
2๐ง2) ๐๐ฅ
= exp(2๐) + 2๐2โซ (2๐)โ12
โ
โโ
exp [โ1
2(๐ง2 โ 4๐๐ง + 4๐2)2] ๐๐ฅ
= exp(2๐) + 2๐2โซ (2๐)โ12
โ
โโ
exp (โ1
2๐ง2 โ 2๐2) ๐๐ฅ
= exp(2๐) + 2๐2
Variansi
๐๐๐(๐) = ๐ธ[๐2] โ ๐ธ[๐]2 = exp(2๐ + 2๐2) โ [exp (๐ +1
2๐2)]
2
= exp(2๐ + 2๐2) โ exp (2๐ + ๐2)
8. Distribusi Beta ๐~๐ต๐ธ๐๐ด(๐ผ, ๐ฝ)
Mean
๐ธ[๐] = โซ ๐ฅ โ ๐(๐ฅ)โ
โโ
๐๐ฅ = โซ ๐ฅโ
โโ
1
๐ต(๐ผ, ๐ฝ)๐ฅ๐ผโ1(1 โ ๐ฅ)๐ฝโ1๐๐ฅ
=1
๐ต(๐ผ, ๐ฝ)โซ ๐ฅ๐ผโ1โ
โโ
(1 โ ๐ฅ)๐ฝโ1๐๐ฅ
=1
๐ต(๐ผ, ๐ฝ)๐ต(๐ผ, ๐ฝ)
=ฮ(๐ผ + ๐ฝ)ฮ(๐ผ)ฮ(๐ฝ)
ฮ(๐ผ)ฮ(๐ฝ)ฮ(๐ผ + ๐ฝ)
=(๐ผ โ ๐ฝ โ 1)! ๐ผ!
(๐ผ โ 1)! (๐ผ + ๐ฝ)!
=๐ผ
๐ผ + ๐ฝ
๐ธ[๐2] = โซ ๐ฅ2 โ ๐(๐ฅ)โ
โโ
๐๐ฅ = โซ ๐ฅ2โ
โโ
1
๐ต(๐ผ, ๐ฝ)๐ฅ๐ผโ1(1 โ ๐ฅ)๐ฝโ1๐๐ฅ
=1
๐ต(๐ผ, ๐ฝ)โซ ๐ฅ2+๐ผโ1โ
โโ
(1 โ ๐ฅ)๐ฝโ1๐๐ฅ
=1
๐ต(๐ผ, ๐ฝ)๐ต[(2 + ๐ผ), ๐ฝ]
=ฮ(๐ผ + ๐ฝ)ฮ(2 + ๐ผ)ฮ(๐ฝ)
ฮ(๐ผ)ฮ(๐ฝ)ฮ[(2 + ๐ผ) + ๐ฝ]
=ฮ(๐ผ + ๐ฝ)ฮ(2 + ๐ผ)
ฮ(๐ผ)ฮ(2 + ๐ผ + ๐ฝ)
=(๐ผ + ๐ฝ โ 1)! (๐ผ + 1)!
(๐ผ โ 1)! (๐ผ + ๐ฝ + 1)!
Variabel Acak dan Distribusinya 65
=๐ผ(๐ผ + 1)
(๐ผ + ๐ฝ)(๐ผ + ๐ฝ + 1)
Variansi
๐๐๐(๐) = ๐ธ[๐2] โ ๐ธ[๐]2 =๐ผ(๐ผ + 1)
(๐ผ + ๐ฝ)(๐ผ + ๐ฝ + 1)โ [
๐ผ
๐ผ + ๐ฝ]2
=1
๐ผ + ๐ฝ[๐ผ2 + ๐ผ
๐ผ + ๐ฝ + 1โ
๐ผ2
๐ผ + ๐ฝ]
=1
๐ผ + ๐ฝ[(๐ผ2 + ๐ผ)(๐ผ + ๐ฝ) โ ๐ผ2(๐ผ + ๐ฝ + 1)
(๐ผ + ๐ฝ + 1)(๐ผ + ๐ฝ)]
=1
๐ผ + ๐ฝ[๐ผ3 + ๐ผ2 + ๐ผ2๐ฝ + ๐ผ๐ฝ โ ๐ผ3 โ ๐ผ2 โ ๐ผ2๐ฝ
(๐ผ + ๐ฝ + 1)(๐ผ + ๐ฝ)]
=1
๐ผ + ๐ฝ[
๐ผ๐ฝ
(๐ผ + ๐ฝ + 1)(๐ผ + ๐ฝ)]
=๐ผ๐ฝ
(๐ผ + ๐ฝ)2(๐ผ + ๐ฝ + 1)
Proses Poisson 67
BAB III
PROSES POISSON
3.1. Proses Stokastik
Proses stokastik ๐(๐ก), ๐ก โฅ 0 dikatakan proses menghitung (counting process) jika ๐(๐ก) atau
๐๐ก menyatakan banyaknya kejadian yang terjadi selama waktu ๐ก.
Fenomena random dapat dijelaskan dengan proses Poisson didefinisikan secara tepat dan
membuat sketsa proses Poisson secara informal. Misal interval waktu [0, ๐ก] yang dibagi
menjadi ๐ interval waktu yang sama kecilnya, dimana ๐โ๐ก = ๐ก. Untuk setiap interval kecil
[๐โ๐ก, (๐ + 1)โ๐ก] (๐ = 0,1,2, โฆ , ๐ โ 1) menggunakan percobaan Bernoulli dengan
probabilitas ๐ adalah kedatangan pelanggan dan ๐ = 1 โ ๐ adalah probabilitas pelanggan tidak
datang yang diasumsikan tidak ada dua atau lebih pelanggan sekaligus yang dating dalam
interval yang kecil. Probabilitas bahwa ๐ pelanggan tiba pada interval waktu [0,1] ditunjukkan
oleh
(๐๐) ๐๐๐๐โ๐ =
(1 โ1๐) (1 โ
2๐)โฆ(1 โ
๐ โ 1๐ )
๐!(๐๐ก)๐ (1 โ
๐๐ก
๐)๐โ๐
dimana
(๐๐) =
๐(๐ โ 1)(๐ โ 2)โฆ (๐ โ ๐ + 1)
๐!=
๐ [๐ (1 โ1๐) (1 โ
2๐)โฆ(1 โ (
๐ โ 1๐ ))]
๐!
dan ๐ =๐๐ก
๐ maka ๐ = 1 โ ๐ = 1 โ
๐๐ก
๐
sehingga diperoleh
(๐๐)๐๐๐๐โ๐ =
๐(๐ โ 1)(๐ โ 2)โฆ (๐ โ ๐ + 1)
๐!๐๐๐๐โ๐
=
๐ [๐ (๐ โ1๐) (๐ โ
2๐)โฆ(1 โ (
๐ โ 1๐ ))]
๐!(๐๐ก
๐)๐
(1 โ๐๐ก
๐ )๐โ๐
= ๐๐(1 โ
1๐) (1 โ
2๐)โฆ(1 โ (
๐ โ 1๐ ))
๐!(๐๐ก๐
๐๐)(1 โ
๐๐ก
๐)๐โ๐
68 Pengantar Proses Stokastik
= ๐๐(1 โ
1๐) (1 โ
2๐)โฆ(1 โ (
๐ โ 1๐ ))
๐!(1
๐๐) (๐๐ก)๐ (1 โ
๐๐ก
๐)๐โ๐
=
(1 โ1๐) (1 โ
2๐)โฆ(1 โ (
๐ โ 1๐ ))
๐!(๐๐ก)๐ (1 โ
๐๐ก
๐)๐โ๐
maka diperoleh persamaan
๐๐(๐ก) = ๐ =(๐๐ก)๐
๐!= ๐โ๐๐ก (๐ = 0,1,2, โฆ )
yaitu probabilitas ๐๐(๐ก) = ๐ yang memenuhi distribusi Poisson ๐(๐ก) ~ ๐๐๐ผ(๐๐ก)
Dari asumsi diatas, turunan probabilitas kedatanngan pelanggan pada interval ๐. Perhatikan
distribusi geometri berikut :
๐๐๐โ1 = ๐ฮ๐ก (1 โ๐๐ก
๐)๐โ1
= ๐๐โ๐๐กฮ๐ก
dimana ๐ โ โ, ๐ = ๐ฮ๐ก dan ๐ก = ๐ฮ๐ก berarti bahwa probabilitas ๐๐1 โค ๐ก bahwa pelanggan
pertama tiba sampai waktu ๐ก adalah :
๐๐๐1 โค ๐ก = ๐๐โ๐๐ก๐๐ก
โซ๐๐๐1 โค ๐ก = โซ๐ ๐โ๐๐ก๐๐ก
Misalkan :
๐ฅ = โ๐๐ก
๐๐ฅ = โ๐๐๐ก
๐๐ก =๐๐ฅ
โ๐
Maka
๐๐1 โค ๐ก = ๐โซ๐โ๐๐ก ๐๐ก = ๐โซ๐๐ฅ
๐๐ฅ
โ๐
= โ1โซ๐๐ฅ ๐๐ฅ
= โ1(๐๐ฅ)
Proses Poisson 69
substitusi ๐ฅ = โ๐๐ก maka
๐๐1 โค ๐ก = 1 โ (๐โ๐๐ก) = 1 โ ๐โ๐๐ก
Untuk proses stokastik waktu kontinu ๐(๐ก), ๐ก โฅ 0 dikatakan independen increments jika
seluruh 0 โค ๐ก0 โค ๐ก1 โค โฏ โค ๐ก๐ variabel.
๐(๐ก1) โ ๐(๐ก0), ๐(๐ก2) โ ๐(๐ก1),โฆ , ๐(๐ก๐) โ ๐(๐ก๐โ1)
adalah independen, dimana ๐(๐ก๐) โ ๐(๐ก๐โ1) increment. Proses ๐(๐ก), ๐ก โฅ 0 disebut increment
stasioner jika ๐(๐ก + ๐ ) โ ๐(๐ก) memiliki distribusi yang sama untuk seluruh ๐ก โฅ 0. Proses
๐(๐ก), ๐ก โฅ 0 disebut increment independen stasioner jika ๐(๐ก2 + ๐ ) โ ๐(๐ก1 + ๐ ) memiliki
distribusi yang sama untuk seluruh ๐ก2 > ๐ก1 โฅ 0 dan ๐ > 0.
3.2. Proses Poisson
Proses perhitungan ๐(๐ก), ๐ก โฅ 0 adalah salah satu proses stokastik yang paling sederhana dan
mewakili jumlah kejadian yang merujuk pada pelanggan yang datang, parikel, pekerjaan,
transaksi, data, dll.
Definisi 3.1. Fungsi ๐(โ) dikatakan ๐(โ) jika
limโโ0
๐(โ)
โ= 0
Contoh 3.1. Untuk interval (waktu) kecil (โ > 0) diperoleh
๐โ๐โ = โ(โ๐โ)๐
๐!
โ
๐=0
= 1 โ ๐โ +(๐โ)2
2!โ(๐โ)3
3!+ โฏ
= 1 โ ๐โ + ๐(โ) (peluang tidak ada kejadian pada interval waktu yang kecil)
1 โ ๐โ๐โ = ๐โ + ๐(โ) (peluang ada kejadian pada interval waktu yang kecil)
Perhatikan bahwa ๐๐ โค ๐ก = 1 โ ๐โ๐๐ก dan ๐๐ > ๐ก = ๐โ๐๐ก untuk distribusi eksponensial
๐~๐ธ๐๐(๐).
70 Pengantar Proses Stokastik
Definisi 3.2. Proses perhitungan ๐(๐ก), ๐ก โฅ 0 disebut proses Poisson dengan parameter ๐ >
0 jika memenuhi kondisi berikut
i. ๐(0) = 0
ii. Proses ini memiliki kenaikan stasioner independen
iii. ๐๐(โ) = 1 = ๐โ + ๐(โ)
iv. ๐๐(โ) โฅ 2 = ๐(โ)
Untuk ๐ก โฅ 0 diperoleh
๐๐(๐ก) = ๐๐(๐ก) = ๐|๐(0) = 0 (๐ = 0,1,2, โฆ )
yang menunjukkan probabilitas bahwa kejadian ๐ terjadi pada interval waktu (0, ๐ก]. Perhatikan
bahwa ๐๐(๐ก) adalah fungsi probabilitas massa untuk ๐ก tetap, diperoleh
โ๐๐(๐ก) = 1
โ
๐=0
karena probabilitas total = 1, dengan menerapkan stasioner dari proses Poisson, diperoleh
๐๐(๐ก + โ) = ๐(๐ก) + ๐|๐(๐ก) =
1 โ ๐โ + ๐(โ) ๐ = 1
๐โ + ๐(โ) ๐ = ๐ + 1๐(โ) ๐ > ๐ + 1
dari persamaan diatas dan Definisi 3.2 diperoleh
๐๐(๐ก + โ) = ๐(๐(๐ก + โ) = 0) = ๐(๐(๐ก) = 0,๐(๐ก + โ) โ ๐(๐ก) = 0)
= ๐(๐(๐ก) = 0)๐(๐(๐ก + โ) โ ๐(๐ก) = 0)
= ๐0(๐ก)๐0(โ)
= ๐0(๐ก)(1 โ ๐โ + ๐(โ))
= ๐0(๐ก) โ ๐โ๐0(๐ก) + ๐(โ)
dimana ๐ = 0 dan
๐๐(๐ก + โ) = ๐(๐(๐ก + โ) = ๐)
= ๐(๐(๐ก) = ๐,๐(๐ก + โ) โ ๐(๐ก) = 0) + ๐(๐(๐ก) = ๐ โ 1,๐(๐ก + โ) โ ๐(๐ก) = 1)
+ ๐(๐(๐ก) โค ๐ โ 2)๐(๐(โ) โฅ 2)
= ๐๐(๐ก)๐0(โ) + ๐๐โ1(๐ก)๐1(โ) + ๐(โ)
Proses Poisson 71
= ๐๐(๐ก)(1 โ ๐โ + ๐(โ)) + ๐๐โ1(๐ก)(๐โ + ๐(โ)) + ๐(โ)
= (1 โ ๐โ)๐๐(๐ก) + ๐โ๐๐โ1(๐ก) + ๐(โ)
dari dua persamaan diatas dan asumsi โ โ 0 diperoleh persamaan diferensial
๐๐0(๐ก)
๐๐ก= โ๐๐0(๐ก)
๐๐๐(๐ก)
๐๐ก= ๐๐๐โ1(๐ก) โ ๐๐๐(๐ก)
dengan kondisi ๐0(0) = ๐๐(0) = 0 = 1 dan ๐๐(0) = ๐๐(0) = ๐ = 0 (๐ = 1,2, โฆ )
dengan Definisi 3.2 dari huruf (i).
Menerapkan teori dari persamaan diferensial diperoleh
๐๐(๐ก) =(๐๐ก)๐
๐!๐โ๐๐ก (๐ = 0,1,2, โฆ )
yang merupakan fungsi probabilitas massa dari distribusi Poisson dengan parameter ๐๐ก, yaitu
๐ก tetap ๐(๐ก)~๐๐๐ผ(๐๐ก).
Definisi 3.3. Proses perhitungan ๐(๐ก), ๐ก โฅ 0 disebut proses Poisson dengan parameter ๐ >
0 jika memenuhi kondisi berikut
i. ๐(0) = 0
ii. Proses ini memiliki kenaikan independen
iii. Probabilitas bahwa kejadian ๐ memenuhi semua interval ๐ก yang diberikan oleh
๐๐(๐ก + ๐ ) โ ๐(๐ ) = ๐ =(๐๐ก)๐
๐!๐โ๐๐ก
untuk semua ๐ , ๐ก โฅ 0 adalah ๐(๐ก + ๐ ) โ ๐(๐ )~๐๐๐ผ(๐๐ก) untuk ๐ , ๐ก โฅ 0.
Dari Definisi 3.3 memenuhui Definisi 3.2 ditunjukkan oleh
๐๐(โ) = 1 = ๐โ๐โ๐โ = ๐โ + ๐(โ)
๐๐(โ) = ๐ =(๐โ)๐
๐!๐โ๐โ = ๐(โ) (๐ = 2,3, โฆ )
dari pernyatan diatas bahwa ๐(โ)~๐๐๐ผ(๐โ), maka diperoleh bahwa kedua definisi tersebut
ekuivalen.
72 Pengantar Proses Stokastik
3.3. Proses Poisson Non-Homogen
Definisi 3.4. Proses perhitungan ๐(๐ก), ๐ก โฅ 0 dikatakan proses Poisson non-homogen atau
non-stasioner dengan fungsi intesitas ๐(๐ก) jika memenuhi
i. ๐(0) = 0
ii. Proses memiliki kenaikan independen
iii. ๐(๐ก + โ) โ ๐(๐ก) = 1 = ๐(๐ก)โ + ๐(โ)
iv. ๐๐(๐ก + โ) โ ๐(๐ก) โฅ 2 = ๐(โ)
Proses Poisson homogeny memiliki parameter ๐, sedangkan proses Poisson non-homogen
memiliki parameter ๐(๐ก) yang disebut fungsi intensitas, yaitu
๐(๐ก) = โซ ๐(๐ฅ)๐ก
0
๐๐ฅ
maka diperoleh
๐๐(๐ก) = ๐๐(๐ก) = ๐|๐(0) = 0 =[๐(๐ก)]๐
๐!๐โ๐(๐ก)
dimana ๐ธ[๐(๐ก)] = ๐(๐ก) merupakan mean dari ๐ก tetap dan disebut fungsi nilai mean.
Distribusi bersyarat dari waktu kedatangan ๐1 menunjukkan bahwa ๐(๐ก) = 1 adalah
๐๐1 โค ๐ |๐(๐ก) = 1 =๐๐1 โค ๐ ,๐(๐ก) = 1
๐๐(๐ก) = 1=๐๐(๐ ) = 1,๐(๐ก) โ ๐(๐ ) = 0
๐๐(๐ก) = 1
=๐(๐ )๐โ๐(๐ )๐[๐(๐ก)โ๐(๐ )]
๐(๐ก)๐โ๐(๐ก)
=๐(๐ )
๐(๐ก) (๐ โค ๐ก)
Teorema 3.1. Distribusi bersyarat dari waktu tunggu ๐1, ๐2, โฆ , ๐๐ menunjukkan bahwa
๐(๐ก) = ๐
๐๐1 โค ๐ 1, ๐2 โค ๐ 2, โฆ , ๐๐ โค ๐ ๐|๐(๐ก) = ๐ = ๐!โซ โซ โฆ๐ 2
๐ 1
๐ 1
0
โซโ ๐(๐ฅ๐)๐๐=1
[๐(๐ก)]๐
๐ ๐
๐ ๐โ1
๐๐ฅ1๐๐ฅ2โฆ๐๐ฅ๐
Densitas bersyarat dari ๐ waktu tunggu ๐1, ๐2, โฆ , ๐๐ menunjukkan bahwa ๐(๐ก) = ๐
๐(๐ก1, ๐ก2, โฆ , ๐ก๐|๐(๐ก) = ๐) =๐!
[๐(๐ก)]๐โ๐(๐ก๐)
๐
๐=1
Proses Poisson 73
LATIHAN
1. Buktikan persamaan
๐๐(๐ก) =(๐๐ก)๐
๐!๐โ๐๐ก (๐ = 0,1,2, โฆ )
Penyelesaian :
Misal ๐๐(๐ก) adalah peluang dari ๐ kedatangan dalam interval waktu ๐ก, dimana ๐ =
0,1,2,3, โฆ Peluang terjadi ๐ kedatangan dapat dinyatakan dengan mengembangkan
persamaan diferensial seperti pada penjelasan materi 3.2, maka diperoleh persamaan
๐๐0(๐ก)
๐๐ก= โ๐๐0(๐ก)
Untuk ๐ = 0 diperoleh
๐๐0(๐ก)
๐๐ก= โ๐๐0(๐ก)
๐๐0(๐ก)
๐๐ก= โ๐๐๐ก
ln ๐0(๐ก) = โ๐๐ก
๐0(๐ก) = ๐โ๐๐ก
Dan persamaan
๐๐๐(๐ก)
๐๐ก= ๐๐๐โ1(๐ก) โ ๐๐๐(๐ก)
Untuk ๐ = 1 diperoleh
๐๐1(๐ก)
๐๐ก= ๐๐0(๐ก) โ ๐๐1(๐ก)
๐๐1(๐ก)
๐๐ก+ ๐๐1(๐ก) = ๐๐0(๐ก)
๐๐1(๐ก)
๐๐ก+ ๐๐1(๐ก) = ๐๐
โ๐๐ก
๐๐๐ก๐๐1(๐ก)
๐๐ก+ ๐๐๐๐ก๐1(๐ก) = ๐
๐
๐๐ก(๐๐๐ก๐1(๐ก)) = ๐
๐๐๐ก๐1(๐ก) = โซ๐ ๐๐ก
๐1(๐ก) = ๐๐โ๐๐ก
Untuk ๐ = 2 diperoleh
๐๐2(๐ก)
๐๐ก= ๐๐1(๐ก) โ ๐๐2(๐ก)
๐๐2(๐ก)
๐๐ก+ ๐๐2(๐ก) = ๐๐1(๐ก)
๐๐2(๐ก)
๐๐ก+ ๐๐2(๐ก) = ๐๐๐ก๐
โ๐๐ก
74 Pengantar Proses Stokastik
๐๐๐ก๐๐2(๐ก)
๐๐ก+ ๐๐๐๐ก๐2(๐ก) = ๐
2๐ก
๐
๐๐ก(๐๐๐ก๐2(๐ก)) = ๐
2๐ก
๐๐๐ก๐2(๐ก) = โซ๐2๐ก ๐๐ก
๐2(๐ก) =1
2๐2๐ก2๐โ๐๐ก =
(๐๐ก)2
2 โ 1๐โ๐๐ก =
(๐๐ก)2
2!๐โ๐๐ก
Untuk ๐ = 3 diperoleh
๐๐3(๐ก)
๐๐ก= ๐๐2(๐ก) โ ๐๐3(๐ก)
๐๐3(๐ก)
๐๐ก+ ๐๐3(๐ก) = ๐๐2(๐ก)
๐๐3(๐ก)
๐๐ก+ ๐๐3(๐ก) = ๐
(๐๐ก)2
2๐โ๐๐ก
๐๐๐ก๐๐3(๐ก)
๐๐ก+ ๐๐๐๐ก๐3(๐ก) = ๐
(๐๐ก)2
2
๐
๐๐ก(๐๐๐ก๐3(๐ก)) =
1
2๐3๐ก2
๐๐๐ก๐3(๐ก) = โซ1
2๐3๐ก2 ๐๐ก
๐๐๐ก๐3(๐ก) =1
6๐3๐ก3
๐3(๐ก) =1
6๐3๐ก3๐โ๐๐ก =
(๐๐ก)3
3 โ 2 โ 1๐โ๐๐ก =
(๐๐ก)3
3!๐โ๐๐ก
Sehingga dapat diambil suatu rumus umum, yaitu :
๐๐(๐ก) =(๐๐ก)๐
๐!๐โ๐๐ก ๐ โฅ 0
Jadi, terbukti bahwa peluang dari ๐ kedatangan yang terjadi pada interval waktu ๐ก
adalah (๐๐ก)๐
๐!๐โ๐๐ก, dengan jumlah kedatangan yang terjadi pada interval waktu ๐ก adalah
variabel random yang mengikuti suatu distribusi Poisson dengan parameter ๐๐ก.
2. Untuk pembukaan toko dari jam 9 pagi hingga jam 6 sore. Pelanggan yang dating
mengikuti proses Poisson dengan 10 orang/jam selama jam kerja.
(i) Hitung mean dan variansi dari pelanggan yang dating selama jam kerja.
(ii) Hitung probabilitas bahwa tidak ada pelanggan yang dating selama setengah
jam.
Penyelesaian :
(i) Diketahui :
๐ = 10 ๐๐๐๐๐
๐ก = 0 (9 ๐๐๐๐)
๐ก = 9 (6 ๐ ๐๐๐)
Proses Poisson 75
Mean
๐ธ[๐(9)] = ๐๐ก = 10 โ 9 = 90 ๐๐๐๐๐
Variansi
๐๐๐(๐(9)) = 90 ๐๐๐๐๐2
(ii) ๐๐(0.5) = 0 = ๐โ๐๐ก = ๐โ0.5(10)
= ๐โ5
= 0.00673795
3. Untuk pembukaan toko dari jam 9 pagi hingga jam 6 sore. Pelanggan yang datang
mengikuti proses Poisson dengan waktu antar kedatangan rata-rata 6 menit.
a) Hitung probailitas ke- ๐ pelanggan (๐ = 0,1,2, โฆ ) tiba dalam waktu 1
2 jam.
b) Hitung mean dan variansi dari pelanggan yang dating lebih rendah dan lebih
tinggi untuk rata-rata ยฑ3โ๐๐๐.
Penyelesaian :
a) Diketahui waktu kedatangan antar pelanggan rata-rata 6 menit, maka 60 ๐๐๐๐๐ก
6 ๐๐๐๐๐ก=
10 maka dalam 1 jam ada 10 pelanggan yang dating sehingga ๐ = 10 dan ๐ก =
0.5
๐0(30) = ๐๐(30) = 0 = ๐โ๐๐ก
= ๐โ(0.5)10
= ๐โ5
= 0.00673795
๐1(30) = ๐๐(30) = 1 = ๐๐ก๐โ๐๐ก
= (0.5)(10)๐โ(0.5)10
= 5๐โ5
= 0.0336897
๐2(30) = ๐๐(30) = 2 =(๐๐ก)2
2!๐โ๐๐ก
=((0.5)(10))
2
2!๐โ(0.5)10
=25
2๐โ5
= 0.0842243
b) Diketahui
๐ = 10 ๐๐๐๐๐
๐ก = 0 (9 ๐๐๐๐)
๐ก = 9 (6 ๐ ๐๐๐)
76 Pengantar Proses Stokastik
Mean
๐ธ[๐(9)] = ๐๐ก = 10 โ 9 = 90 ๐๐๐๐๐
Variansi
๐๐๐(๐(9)) = 90 ๐๐๐๐๐2
Jumlah pelanggan
๐๐๐๐๐ = 90 + 3โ90 = 90 + 28.4605
= 118.4605 โ 119 ๐๐๐๐๐
๐ฟ๐๐ค๐๐ = 90 โ 3โ90 = 90 โ 28.4605
= 61.5395 โ 62 ๐๐๐๐๐
4. Misalkan ๐(๐ก), ๐ก โฅ 0 adalah proses Poisson. Tunjukkan bahwa
๐๐(๐ ) = ๐|๐(๐ก) = ๐ = (๐๐) (๐
๐ก)๐
(1 โ๐
๐ก)๐โ๐
(๐ = 0,1,2, โฆ , ๐)
untuk ๐ < ๐ก.
Penyelesaian :
๐๐(๐ ) = ๐|๐(๐ก) = ๐ =๐๐(๐ ) = ๐,๐(๐ก) = ๐
๐๐(๐ก) = ๐
=๐๐(๐ ) = ๐๐๐(๐ก โ ๐ ) = ๐ โ ๐
๐๐(๐ก) = ๐
=
[(๐๐ )๐
๐!๐โ๐๐ ] [
(๐(๐ก โ ๐ ))๐โ๐
(๐ โ ๐)!๐โ๐(๐กโ๐ )]
[(๐๐ก)๐
๐! ๐โ๐๐ก]
=๐!
๐! (๐ โ ๐)![(๐๐ )๐(๐(๐ก โ ๐ ))
๐โ๐(๐๐ก)โ๐๐โ๐๐ ๐โ๐(๐กโ๐ )๐๐๐ก]
= (๐๐) [๐๐+๐โ๐โ๐๐โ๐๐ โ๐(๐กโ๐ )+๐๐ก๐ ๐(๐ก โ ๐ )๐โ๐๐กโ๐]
= (๐๐) ๐ ๐(๐ก โ ๐ )๐โ๐๐กโ๐ (๐๐๐๐๐๐๐ ๐๐๐๐๐๐
๐ก๐
๐ก๐)
= (๐๐)๐ ๐
๐ก๐ (๐ก โ ๐ )๐โ๐๐กโ๐๐ก๐
= (๐๐) (๐
๐ก)๐
(๐ก โ ๐ )๐โ๐๐กโ๐๐ก๐
= (๐๐) (๐
๐ก)๐
(๐ก โ ๐ )๐โ๐๐กโ(๐โ๐)
= (๐๐) (๐
๐ก)๐
((๐ก โ ๐ )๐โ๐
๐ก)
= (๐๐) (๐
๐ก)๐
(๐ก โ ๐
๐ก)๐โ๐
= (๐๐) (๐
๐ก)๐
(1 โ๐
๐ก)๐โ๐
Proses Pembaharuan 77
BAB IV
PROSES PEMBAHARUAN
4.1. Pendahuluan
Definisi 4.1. Proses perhitungan ๐(๐ก), ๐ก โฅ 0 disebut sebagai proses pembaharuan jika
interval waktunya berdistribusi sama dan saling lepas dengan semua distribusinya ๐น(๐ก).
4.2. Fungsi Pembaharuan
Dari Definisi 4.1 dapat didefinisikan distribusi interval waktu identic secara umum, yaitu
๐น(๐ก) = ๐๐๐ โค ๐ก (๐ = 1,2, โฆ )
dengan variabel random ๐๐ merupakan variabel non-negatif untuk proses pembaharuan.
Misalkan ๐๐ adalah jumlahan waktu tunggu untuk kejadian ke-๐ dengan
๐๐ = ๐1 + ๐2 +โฏ+ ๐๐ (๐ = 1,2, โฆ )
dimana ๐0 = 0. Distribusi ๐๐๐ โค ๐ก merupakan distribusi dari jumlahan waktu tunggu untuk
kejadian ke-๐ dimana
๐๐๐ โค ๐ก = ๐น(๐)(๐ก) = ๐น โ ๐น โ โฆโ ๐น(๐ก) (๐ = 1,2, โฆ )
yang merupakan konvulasi Stieltjes ๐-kali lipat dan distribusi antar kedatangan ๐น(๐ก), maka
dapat didefinisikan
๐น(๐)(๐ก) = ๐น โ ๐น(๐โ1)(๐ก) = โซ ๐น(๐โ1)๐ก
0
(๐ก โ ๐ฅ)๐๐น(๐ฅ)
dengan (๐ = 1,2, โฆ ). Dimana ๐น(0)(๐ก) = 1(๐ก) fungsi langkah dan ๐น(1) = ๐น(๐ก), relasi antara ๐๐
dan ๐(๐ก), yaitu
๐๐ โค ๐ก โบ ๐(๐ก) โฅ ๐
maka terdapat
๐๐(๐ก) = ๐ = ๐๐(๐ก) โฅ ๐ โ ๐๐(๐ก) โฅ ๐ + 1 = ๐น(๐)(๐ก) โ ๐น(๐+1)(๐ก)
78 Pengantar Proses Stokastik
Mean dari variabel random ๐(๐ก) disebut sebagai fungsi pembaharuan ๐(๐ก) = ๐ธ[๐(๐ก)], yang
merupakan jumlah pembaharuan atau kejadian hingga waktu ๐ก, maka didefinisikan
๐(๐ก) = ๐ธ[๐(๐ก)] = โ ๐
โ
๐=1
๐๐(๐ก) = ๐ = โโ๐๐(๐ก) = ๐
๐
๐=1
โ
๐=1
= โ โ ๐๐(๐ก) = ๐
โ
๐=๐
โ
๐=1
= โ๐๐(๐ก) โฅ ๐
โ
๐=1
= โ๐น(๐)โ
๐=1
(๐ก)
4.3. Transformasi Laplace Stieltjes
Definisi 4.2. Transformasi Laplace-Stieltjes adalah transformasi integral yang mirip dengan
transformasi laplace.
Transformasi Laplace-Stieltjes adalah transformasi fungsi ๐: ๐ โ ๐ yang didefinisikan dari
integral Labergue-Stieltjes. Misalkan ๐น(๐ก) adalah fungsi yang terdefinisi dengan baik pada ๐ก,
untuk ๐ก โฅ 0 dan ๐ก merupakan jumlahan kompleks, maka jika ada
๐น(๐ก) = โซ ๐๐น(๐ฅ)๐ก
0
= โซ ๐(๐ฅ)๐ก
0
๐๐ฅ
maka transformasi Laplace-Stieltjes adalah
๐นโ(๐ก) = โซ ๐โ๐ ๐กโ
0
๐๐น(๐ก) = โซ ๐โ๐ ๐กโ
0
๐(๐ก)๐๐ก
Teorema 4.1. Untuk suatu nilai ๐ผ non-negatif terdapat
lim๐กโโ
๐น(๐ก)
๐ก๐ผ=
๐ถ
ฮ(๐ผ + 1)
maka didapat
lim๐ โ+0
๐ ๐ผ ๐นโ(๐ ) = ๐ถ
dimana ฮ(๐) = โซ ๐โ๐ฅโ
0๐ฅ๐โ1๐๐ฅ adalah fungsi gamma.
Proses Pembaharuan 79
Teorema 4.2. Jika ๐น(๐ก) fungsi yang tidak menurun dan transformasi Laplace-Stieltjes nya
adalah
๐นโ(๐ก) = โซ ๐โ๐ ๐กโ
0
๐๐น(๐ก)
Konvergen pada โ(๐ ) > 0, dan jika nilai ๐ผ non-negatif, maka
lim๐ โ+0
๐ ๐ผ ๐นโ(๐ ) = ๐ถ
Maka
lim๐กโโ
๐น(๐ก)
๐ก๐ผ=
๐
ฮ(๐ผ + 1)
Contoh 4.1. Jika diasumsikan ๐น(๐ก) = 1 โ ๐โ๐๐ก untuk
proses pembaharuan, maka terdapat
๐น(๐)(๐ก) = โซ๐(๐๐ฅ)๐โ1๐โ๐๐ฅ
(๐ โ 1)!
๐ก
0
๐๐ฅ =๐
(๐ โ 1)!โซ (๐๐ฅ)๐โ1๐ก
0
๐โ๐๐ฅ๐๐ฅ
Misalkan :
๐ข = ๐๐ฅ
๐๐ข
๐= ๐๐ฅ
Maka
๐น(๐)(๐ก) =๐
(๐ โ 1)!โซ ๐ข๐โ1๐ก
0
๐โ๐ข๐๐ข
๐=
1
(๐ โ 1)!โซ ๐ข๐โ1๐ก
0
๐โ๐ข๐๐ข
=1
(๐ โ 1)![๐ข๐โ1๐โ๐ข]0
๐ก
=1
(๐ โ 1)![(๐๐ฅ)๐โ1๐โ๐๐ฅ]
0
๐ก
=1
(๐ โ 1)![(๐๐ก)๐โ1๐โ๐๐ก] โ 0
=1
(๐ โ 1)!(๐๐ก)๐โ1๐โ๐๐ก
80 Pengantar Proses Stokastik
dengan ๐ = 1 โ ๐ maka
๐น(๐)(๐ก) =1
๐!(๐๐ก)๐๐โ๐๐ก =โ
(๐๐ก)๐
๐!
โ
๐=๐
๐โ๐๐ก
๐๐(๐ก) = ๐ = ๐น(๐)(๐ก) โ ๐น(๐+1)(๐ก) =โ(๐๐ก)๐
๐!
โ
๐=๐
๐โ๐๐ก โ โ(๐๐ก)๐
๐!
โ
๐=๐+1
๐โ๐๐ก
= โ(๐๐ก)๐
๐!
โ
๐=๐
๐โ๐๐ก โ (โ(๐๐ก)๐
๐!
โ
๐=๐
๐โ๐๐ก +(๐๐ก)๐
๐!๐โ๐๐ก)
= โ(๐๐ก)๐
๐!
โ
๐=๐
๐โ๐๐ก โโ(๐๐ก)๐
๐!
โ
๐=๐
๐โ๐๐ก +(๐๐ก)๐
๐!๐โ๐๐ก
=(๐๐ก)๐
๐!๐โ๐๐ก
๐(๐ก) = ๐ธ[๐(๐ก)] = โโซ๐(๐๐ฅ)๐โ1
(๐ โ 1)!
๐ก
0
โ
๐=1
๐โ๐๐ฅ๐๐ฅ
= โซ ๐โ๐๐ฅ๐ก
0
โ๐(๐๐ฅ)๐โ1
(๐ โ 1)!
โ
๐=1
๐๐ฅ
= โซ ๐โ๐๐ฅ๐ก
0
(๐(๐๐ฅ)1โ1
(1 โ 1)!+๐(๐๐ฅ)2โ1
(2 โ 1)!+๐(๐๐ฅ)3โ1
(3 โ 1)!+๐(๐๐ฅ)4โ1
(4 โ 1)!+ โฏ)๐๐ฅ
= โซ ๐๐๐ฅ๐ก
0
(๐(๐๐ฅ)0
0!+๐(๐๐ฅ)1
1!+๐(๐๐ฅ)2
2!+๐(๐๐ฅ)3
3!+ โฏ)๐๐ฅ
= โซ ๐โ๐๐ฅ๐ก
0
๐ (1 +๐๐ฅ
1!+(๐๐ฅ)2
2!+(๐๐ฅ)3
3!+ โฏ)๐๐ฅ
= ๐โซ ๐โ๐๐ฅ๐ก
0
(1 + ๐๐ฅ +(๐๐ฅ)2
2!+(๐๐ฅ)3
3!+ โฏ)๐๐ฅ
Ingat Deret Taylor
๐๐๐ฅ = โ๐๐ฅ
๐!
โ
๐=0
= 1 +๐๐ฅ
1!+(๐๐ฅ)2
2!+(๐๐ฅ)3
3!+ โฏ ๐ฅ โ (โโ,โ)
Proses Pembaharuan 81
Maka
๐(๐ก) = ๐โซ ๐โ๐๐ฅ๐ก
0
โ ๐๐๐ฅ๐๐ฅ = ๐โซ ๐๐ฅ๐ก
0
= ๐[๐ฅ]0๐ก
= ๐๐ก
Contoh 4.2. Diasumsikan bahwa
๐น(๐ก) = โซ ๐(๐๐ฅ)๐ก
0
๐โ๐๐ฅ๐๐ฅ = ๐2โซ ๐ฅ๐ก
0
๐โ๐๐ฅ๐๐ฅ
Misalkan :
๐ข = ๐ฅ
๐๐ข = ๐๐ฅ
๐ฃ = โ1
๐๐โ๐๐ฅ
๐๐ฃ = ๐โ๐๐ฅ
intervalnya diabaikan terlebih dahulu, maka
๐น(๐ก) = ๐2โซ๐ฅ ๐โ๐๐ฅ๐๐ฅ = ๐2 [๐ฅ (โ1
๐๐โ๐๐ฅ)โ
1
๐๐โ๐๐ฅ) ๐๐ฅ
= ๐2 [โ๐ฅ๐โ๐๐ฅ
๐+1
๐โซ๐โ๐๐ฅ ๐๐ฅ]
= ๐2 [โ๐ฅ๐โ๐๐ฅ
๐+ (
1
๐โ โ1
๐๐โ๐๐ฅ)]
= ๐2 [โ๐ฅ๐โ๐๐ฅ
๐โ1
๐2๐โ๐๐ฅ]
= โ๐๐ฅ๐โ๐๐ฅ โ ๐โ๐๐ฅ
82 Pengantar Proses Stokastik
Maka
๐น(๐ก) = โซ ๐๐ก
0
(๐๐ฅ)๐โ๐๐ฅ๐๐ฅ = [โ๐๐ฅ๐โ๐๐ฅ โ ๐โ๐๐ฅ]0
๐ก
= (โ๐๐ก๐โ๐๐ก โ ๐โ๐๐ก) โ (โ๐(0)๐0 โ ๐0)
= (โ๐๐ก โ 1)๐โ๐๐ก โ (โ1)
= 1 + (โ๐๐ก โ 1)๐โ๐๐ก
= 1 โ (1 + ๐๐ก)๐โ๐๐ก
Misalkan ๐๐~๐บ๐ด๐(๐, 2) dengan ๐ = 1,2,3, โฆ maka teradapat
๐๐(๐ก) = ๐ = โ(๐๐ก)๐
๐!
2๐+1
๐=2๐
๐โ๐๐ก (๐ = 0,1,2, โฆ )
=(๐๐ก)2๐
(2๐)!๐โ๐๐ก +
(๐๐ก)2๐+1
(2๐ + 1)!
dengan ๐ = 0,1,2, โฆ
Untuk ๐ = 0 maka
๐๐(๐ก) = ๐ =(๐๐ก)0
0!+
(๐๐ก)1
(0 + 1)!=1
1+๐๐ก
1= 1 + ๐๐ก
Untuk ๐ = 1 maka
๐๐(๐ก) = 1 =(๐๐ก)1
2!+(๐๐ก)2(1)+1
(2 + 1)!=๐๐ก
2!+(๐๐ก)3
3!
Gambar diatas menunjukkan hubungan antara proses pembaharuan yang berdistribusi
๐๐~๐บ๐ด๐(๐, 2) dengan proses Poisson yang berparameter ๐. Dapat dipahami bahwa terdapat
dua kejadian berurutan untuk proses Poisson dan proses pembaharuan dengan distribusi
Proses Pembaharuan 83
๐๐~๐บ๐ด๐(๐, 2) yang menyatakan bahwa distribusi dari jumlahan dua variabel independen
yang eksponensial adalah distribusi gamma order 2.
Fungsi pembaharuan ๐(๐ก) dapat didefinisikan sebagai
๐(๐ก) = โ๐
โ
๐=1
[(๐๐ก)2๐
(2๐)!๐โ๐๐ก +
(๐๐ก)2๐+1
(2๐ + 1)!๐โ๐๐ก]
= [(๐๐ก)2
2!๐โ๐๐ก +
(๐๐ก)3
3!๐โ๐๐ก] + [2 (
(๐๐ก)4
4!๐โ๐๐ก +
(๐๐ก)5
5!๐โ๐๐ก)]
+ [3 ((๐๐ก)6
6!๐โ๐๐ก +
(๐๐ก)7
7!๐โ๐๐ก)] + โฏ
=(๐๐ก)2
2๐โ๐๐ก +
(๐๐ก)3
6๐โ๐๐ก +
(๐๐ก)4
12๐โ๐๐ก +
(๐๐ก)5
60๐โ๐๐ก +
(๐๐ก)6
240๐โ๐๐ก
+(๐๐ก)7
1680๐โ๐๐ก +โฏ
=๐๐ก
2โ1
4+1
4๐โ2๐๐ก
Contoh 4.3. Untuk generalisasi Contoh 4.2, dengan menggunakan ๐ secara umum, dimana
๐ adalah bilangan bulat positif
๐น(๐ก) = โซ๐(๐๐ฅ)๐โ1๐โ๐๐ฅ
(๐ โ 1)!
๐ก
0
๐๐ฅ =โ(๐๐ก)๐
๐!
โ
๐=๐
๐โ๐๐ก
dengan ๐๐~๐บ๐ด๐(๐, ๐) (๐ = 1,2,3, โฆ ) maka terdapat
๐๐(๐ก) = ๐ = โ(๐๐ก)๐
๐!
๐๐+๐โ1
๐=๐๐
๐โ๐๐ก
Dan
๐(๐ก) =๐๐ก
๐+1
๐โ
ํ๐1 โ ํ๐
๐โ1
๐=1
[1 โ ๐โ๐๐ก(1โ๐๐)]
dimana ํ๐ = ๐2๐๐๐
๐ (๐ = 0,1,2,โฆ , ๐ โ 1) adalah akar persamaan ๐ ๐ = 1.
Fungsi pembaharuan ๐(๐ก) didefinisikan sebagai
84 Pengantar Proses Stokastik
๐(๐ก) = โ๐น(๐)(๐ก)
โ
๐=1
= ๐น(๐ก) + ๐น(2)(๐ก) + ๐น(3)(๐ก) + โฏ
= ๐น(๐ก) + ๐น โ ๐น(1)(๐ก) + ๐น โ ๐น(2)(๐ก) + โฏ
= ๐น(๐ก) +โ๐น โ ๐น(๐)(๐ก)
โ
๐=1
= ๐น(๐ก) + ๐น โโ๐น(๐)(๐ก)
โ
๐=1
= ๐น(๐ก) + ๐น โ ๐(๐ก)
= ๐น(๐ก) + โซ ๐(๐ก โ ๐ฅ)๐ก
0
๐๐น(๐ฅ)
dimana merupakan persamaan pembaharuan yang persaaan integral ๐น(๐ก) diketahui dan ๐(๐ก)
tidak diketahui.
Dari persamaan (kovalarinya)
๐(๐ก) = ๐น(๐ก) + โซ ๐(๐ก โ ๐ฅ)๐ก
0
๐๐น(๐ฅ)
dapat diperkenalkan persamaan transformasi Laplace-Stieltjes
๐นโ(๐ ) = โซ ๐โ๐ ๐กโ
0
๐๐น(๐ก)
Dan
๐โ(๐ ) = โซ ๐โ๐ ๐กโ
0
๐๐(๐ก)
Transformasi Laplace-Stieltjes dari
๐(๐ก) = ๐น(๐ก) + โซ ๐(๐ก โ ๐ฅ)๐ก
0
๐๐น(๐ฅ)
Adalah
๐โ(๐ ) = ๐นโ(๐ ) + ๐นโ(๐ )๐โ(๐ )
Proses Pembaharuan 85
Dan
๐โ(๐ ) =๐นโ(๐ )
1 โ ๐นโ(๐ )
Persamaan diatas menegaskan bahwa ๐นโ(๐ ) (yaitu ๐น(๐ก)) secara unik menentukan ๐โ(๐ ) (yaitu
๐(๐ก)) dan sebaliknya.
Contoh 4.4. Transformasi Laplace-Stieltjes dari ๐น(๐ก) = 1 โ ๐โ๐๐ก
๐นโ(๐ ) = โซ ๐โ๐ ๐กโ
0
๐๐น(๐ก) = โซ ๐โ๐ ๐กโ
0
๐(๐ก)๐๐ก
dimana ๐(๐ก) = ๐นโฒ(๐ก) dengan
๐น(๐ก) = 1 โ ๐โ๐๐ก
๐นโฒ(๐ก) = 0 โ (โ๐)๐โ๐๐ก
๐โฒ(๐ก) = ๐๐๐๐ก
Maka
๐นโ(๐ ) = โซ ๐โ๐ ๐กโ
0
๐๐โ๐๐ก๐๐ก = ๐โซ ๐โ๐ ๐กโ
0
๐โ๐๐ก๐๐ก
= ๐โซ ๐โ๐ ๐กโ๐๐กโ
0
๐๐ก
Misalkan :
๐ข = โ๐ ๐ก โ ๐๐ก
๐๐ข
๐๐ก= โ๐ โ ๐
๐๐ก =1
โ๐ โ ๐๐๐ข
Maka
๐นโ(๐ ) = ๐โซ ๐โ๐ ๐กโ๐๐กโ
0
๐๐ก = ๐โซ ๐๐ขโ
0
๐๐ข
โ๐ โ ๐
=๐
โ๐ โ ๐โซ ๐๐ขโ
0
๐๐ข
86 Pengantar Proses Stokastik
= [๐๐๐ข
โ๐ โ ๐]0
โ
= [๐๐โ๐ ๐กโ๐๐ก
โ๐ โ ๐]0
โ
= [๐๐โ(๐ +๐)๐ก
โ๐ โ ๐]0
โ
= โ๐๐โ(๐ +๐)โ
๐ + ๐โ (โ
๐๐โ(๐ +๐)0
๐ + ๐)
= 0 โ (๐(1)
๐ + ๐)
=๐
๐ + ๐
๐โ(๐ ) =๐นโ(๐ )
1 โ ๐นโ(๐ )=
๐๐ + ๐
1 โ๐
๐ + ๐
=
๐๐ + ๐
๐๐ + ๐
โ๐
๐ + ๐
=
๐๐ + ๐๐
๐ + ๐
=๐
๐
Contoh 4.5. Tentukan transformasi Laplace-Stieltjes dari ๐น(๐ก) = 1 โ (1 + ๐๐ก)๐โ๐๐ก
๐นโ(๐ ) = โซ ๐โ๐ ๐กโ
0
๐๐น(๐ก) = โซ ๐โ๐ ๐กโ
0
๐(๐ก)๐๐ก
Dengan
๐น(๐ก) = 1 โ (1 + ๐๐ก)๐ธโ๐๐ก
Proses Pembaharuan 87
๐โฒ(๐ก) = ๐(๐ก) =๐
๐๐ก+ [
๐
๐๐ก(โ1 โ ๐)๐โ๐๐ก]
๐(๐ก) = 0 + [๐
๐๐กโ ๐โ๐๐ก โ
๐
๐๐ก๐๐ก๐โ๐๐ก]
= 0 + [โ๐๐โ๐๐ก โ ((๐
๐๐ก๐๐ก) ๐โ๐๐ก + ๐๐ก (
๐
๐๐ก๐โ๐๐ก))]
= 0 + [โ๐๐โ๐๐ก โ ๐๐โ๐๐ก + ๐๐ก(โ๐๐โ๐๐ก)]
= 0 + [โ๐๐โ๐๐ก โ ๐๐โ๐๐ก โ ๐2๐ก๐โ๐๐ก]
= โ๐๐โ๐๐ก โ ๐๐โ๐๐ก + ๐2๐ก๐โ๐๐ก
= ๐2๐ก๐โ๐๐ก
Maka
๐นโ(๐ ) = โซ ๐โ๐ ๐กโ
0
๐(๐ก)๐๐ก = โซ ๐โ๐ ๐กโ
0
๐2๐โ๐๐ก๐ก๐๐ก
= ๐2โซ ๐โ๐ ๐กโ
0
๐ก๐โ๐๐ก๐๐ก
= ๐2โซ ๐กโ
0
๐โ๐ ๐กโ๐๐ก๐๐ก
Dengan
๐โฒ = ๐โ๐ ๐กโ๐๐ก
๐ = โ๐โ๐ ๐กโ๐๐ก
๐ + ๐
๐ = ๐ก
๐โฒ = 1 ๐๐ก
Maka
๐นโ(๐ ) = ๐2โซ ๐กโ
0
๐โ๐ ๐กโ๐๐ก๐๐ก = ๐2 (โ๐ก๐โ๐ ๐กโ๐๐ก
๐ + ๐โ โซ โ
๐โ๐ ๐กโ๐๐ก
๐ + ๐
โ
0
๐๐ก)
88 Pengantar Proses Stokastik
Misalkan :
๐ข = โ๐ ๐ก โ ๐๐ก
๐๐ข
๐๐ก= โ๐ โ ๐
๐๐ก =1
โ๐ โ ๐๐๐ข
Maka
๐นโ(๐ ) = ๐2 [โ๐ก๐โ๐ ๐กโ๐๐ก
๐ + ๐โ (โซ โ๐๐ข
โ
0
1
๐ + ๐
๐๐ข
โ(๐ + ๐) )]
= ๐2 [โ๐ก๐โ๐ ๐กโ๐๐ก
๐ + ๐โ (โซ
1
(๐ + ๐)2
โ
0
๐๐ข๐๐ข)]
= ๐2 [โ๐ก๐โ๐ ๐กโ๐๐ก
๐ + ๐โ (
1
(๐ + ๐)โซ ๐๐ขโ
0
๐๐ข)]
= ๐2 [โ๐ก๐โ๐ ๐กโ๐๐ก
๐ + ๐โ
๐๐ข
(๐ + ๐)2]0
โ
= ๐2 [โ๐ก๐โ๐ ๐กโ๐๐ก
๐ + ๐โ โ
๐โ๐ ๐กโ๐๐ก
(๐ + ๐)2]0
โ
= ๐2 [โ(๐ + ๐)๐ก๐โ(๐ +๐)๐ก
(๐ + ๐)2โ๐โ(๐ +๐)๐ก
(๐ + ๐)2]0
โ
= ๐2 [(โ(๐ + ๐)โ๐โ
(๐ + ๐)2โ
๐โ
(๐ + ๐)2)โ
(๐ + ๐)0๐0
(๐ + ๐)2โ
๐0
(๐ + ๐)2)
= ๐2 [0 โ (0 โ1
(๐ + ๐)2)]
= ๐2 [โ (โ1
(๐ + ๐)2)]
=๐2
(๐ + ๐)2
Proses Pembaharuan 89
๐โ(๐ ) =๐นโ(๐ )
1 โ ๐นโ(๐ )
=(๐
1 + ๐)2
1 โ (๐
๐ + ๐)2
=
๐2
(๐ + ๐)2
(๐ + ๐)2๐2
(๐ + ๐)2
=๐2
(๐ + ๐)2 โ ๐2
=๐2
(๐ 2 โ 2๐ ๐ + ๐2) โ ๐2
=๐2
๐ 2 โ 2๐ ๐
=๐2
๐ (๐ โ 2๐)
=๐
2๐ โ1
4โ2๐
๐ + 2๐
Momen ke-2 dari ๐(๐ก)
๐ธ[๐(๐ก)2] = โ ๐2
โ
๐=1
๐๐(๐ก) = ๐ = โ (2 โ๐(๐ + 1)
2โ๐)
โ
๐=1
๐๐(๐ก) = ๐
= 2โโ๐
๐
๐=1
โ
๐=1
๐๐(๐ก) = ๐ โ โ ๐
โ
๐=1
๐๐(๐ก) = ๐
= 2โ๐
โ
๐=1
โ ๐๐(๐ก) = ๐
โ
๐=๐
โ๐(๐ก)
= 2โ๐
โ
๐=1
๐๐๐ โค ๐ก โ ๐(๐ก)
= 2โ๐
โ
๐=1
[๐นโ(๐ )]๐ โ๐โ(๐ )
90 Pengantar Proses Stokastik
= 2๐นโ(๐ )
1 โ ๐นโ(๐ )
2
+๐นโ(๐ )
1 โ ๐น(๐ )
maka diperoleh
๐ธ[๐(๐ก)2] = 2๐ โ ๐(๐ก) + ๐(๐ก)
Dan
๐๐๐(๐(๐ก)) = 2๐ โ๐(๐ก) + [๐(๐ก)]2
Contoh 4.6. Tentukan transformasi Laplace-Stieltjes dari ๐น(๐ก) = 1 โ ๐โ๐๐ก
๐นโ(๐ ) = โซ ๐โ๐ ๐กโ
0
๐(๐ก)๐๐ก = โซ ๐โ๐ ๐กโ
0
๐๐โ๐๐ก๐๐ก
= ๐โซ ๐โ๐ ๐กโ
0
๐โ๐๐ก๐๐ก
= ๐โซ ๐โ๐ ๐กโ๐๐กโ
0
๐๐ก
Misalkan :
๐ข = โ๐ ๐ก โ ๐๐ก
๐๐ข
๐๐ก= โ๐ โ ๐
๐๐ก =1
โ๐ โ ๐๐๐ข
Maka
๐นโ(๐ ) = ๐โซ ๐๐ขโ
0
1
โ๐ โ ๐๐๐ข =
๐
โ๐ โ ๐โซ ๐๐ขโ
0
๐๐ข
= [๐๐๐ข
โ๐ โ ๐]0
โ
= [๐๐โ(๐ +๐)๐ก
โ๐ โ ๐]0
โ
= (๐๐โโ
โ๐ โ ๐) โ (
๐๐0
โ๐ โ ๐)
Proses Pembaharuan 91
=๐
๐ + ๐
โซ ๐โ๐ ๐กโ
0
๐๐ธ[๐(๐ก)2] = 2 ๐นโ(๐ )
1 = ๐นโ(๐ )
2
+๐นโ(๐ )
1 โ ๐นโ(๐ )
= 2
๐๐ + ๐
1 โ๐
๐ + ๐
2
+
๐๐ + ๐
1 โ๐
๐ + ๐
= 2
๐๐ + ๐
๐ + ๐ โ ๐๐ + ๐
2
+
๐๐ + ๐
๐ + ๐ โ ๐๐ + ๐
= 2(๐
๐ )2
+๐
๐
= 2๐2
๐ +๐
๐
๐ธ[๐(๐ก)2] = 2๐ โ ๐(๐ก) + ๐(๐ก)
Mencari ๐(๐ก)
๐(๐ก) = ๐ธ[๐(๐ก)] = โโซ๐(๐๐ฅ)๐โ1
(๐ โ 1)!
๐ก
0
โ
๐=1
๐โ๐๐ฅ๐๐ฅ
= ๐โซ ๐โ๐๐ก๐ก
0
โ(๐๐ฅ)๐โ1
(๐ โ 1)!
โ
๐=1
๐๐ฅ
= ๐โซ ๐โ๐๐ก๐ก
0
((๐๐ฅ)0
0!+(๐๐ฅ)1
1!+(๐๐ฅ)2
2!+ โฏ)๐๐ฅ
= ๐โซ ๐โ๐๐ก๐ก
0
โ ๐๐๐ก๐๐ก
= ๐โซ ๐๐ก๐ก
0
= ๐๐ก
92 Pengantar Proses Stokastik
๐ธ[๐(๐ก)2] = 2๐ โ ๐(๐ก) + ๐(๐ก)
= 2๐ โ ๐๐ก + ๐๐ก
= (๐๐ก)2 + ๐๐ก
= ๐2๐ก2 + ๐๐ก
๐๐๐(๐(๐ก)) = 2๐ โ๐(๐ก) + ๐(๐ก) โ (๐(๐ก))2
= 2๐ โ ๐๐ก + ๐๐ก โ (๐๐ก)2
= (๐๐ก)2 + ๐๐ก โ (๐๐ก)2
= ๐๐ก
4.4. Teorema Limit
Teorema pembaharuan memiliki banyak aplikasi dalam praktisnya. Fungsi pembaharuan
dilambangkan dengan ๐(๐ก) dan ๐๐๐(๐(๐ก)). Misalkan ๐, ๐2, ๐3 adalah mean, variansi dan
momen ketiga dari distribusi waktu antar kedatangan ๐น(๐ก). Mengembangkan ๐นโ(๐ ) dengan
memperhatikan ๐ dan momen kedua adalah ๐2 + ๐2 maka diperoleh
๐น โ (๐ ) = 1 โ ๐๐ +1
2( ๐2 + ๐2)๐ 2 โ
1
3!๐3๐
3 + ๐(๐ 3)
Mensubstitusi persamaan diatas ke persamaan
๐โ(๐ ) =๐นโ(๐ )
1 โ ๐นโ(๐ )
Dan
๐ธ[๐(๐ก)2] = 2 ๐นโ(๐ )
1 โ ๐นโ(๐ )
2
+๐นโ(๐ )
1 โ ๐นโ(๐ ),
dan membaliknya, maka didapatkan
๐(๐ก) =๐ก
๐+ (
๐2
2๐2โ1
2) + ๐(1)
Proses Pembaharuan 93
Dan
๐๐๐(๐(๐ก)) =๐2๐ก
๐3+ (
1
12+5๐4
4๐4โ2๐33๐3
) + ๐(1)
Yang merupakan bentuk asimtotik dan bias lenyap menjadi ๐ก โ โ.
Teorema 4.3. Untuk proses pembaharuan dengan probabilitas 1
๐(๐ก)
๐ก=1
๐
dimana ๐ = ๐ธ(๐๐) โค โ.
Bukti :
Dari definisi ๐(๐ก) dinyatakan bahwa ๐๐(๐ก) โค ๐ก < ๐๐(๐ก)+1 untuk semua nilai ๐ก โฅ 0. Dengan
membagi ketiga ruas pertidaksamaan dengan ๐(๐ก) diperoleh
๐๐(๐ก)
๐(๐ก)โค
๐ก
๐(๐ก)<๐๐(๐ก)+1๐(๐ก)
๐๐(๐ก)
๐(๐ก) adalah rata-rata waktu selang kedatangan ๐(๐ก) yang pertama. Dengan hukum bilangan
besar untuk ๐ โ โ
๐๐๐=๐1 + ๐2 +โฏ+ ๐๐
๐โ ๐ธ(๐๐) = ๐
Karena ๐(๐ก) โ โ untuk ๐ก โ โ diperoleh :
๐๐(๐ก)
๐(๐ก)โ ๐
Secara lebih lanjut dapat dituliskan
๐๐(๐ก)
๐(๐ก)= [
๐๐(๐ก)+1๐(๐ก) + 1
] [๐(๐ก) + 1
๐(๐ก)]
Maka
๐๐(๐ก)
๐(๐ก)โ ๐
94 Pengantar Proses Stokastik
Karena ๐ก
๐(๐ก) terletak diantara dua bilangan yang masing-masing konvergen ke ๐ jika ๐ก โ โ dan
๐ธ(๐) = ๐, maka nilai ๐ก yang besar diperoleh ๐๐(๐ก)
๐(๐ก)โ ๐ dengan probabilitas 1. Artinya dalam
jangka waktu yang panjang, rata-rata banyaknya pembaharuan per unit waktu sama dengan
kebalikan dari mean waktu selang kejadian antara dua pembaharuan berurutan.
Teorema 4.4. (Teorema Pembaruan Elementer) Untuk proses pembaharuan
๐(๐ก)
๐ก=1
๐
dengan ๐ก โ โ, dimana ๐ = ๐ธ[๐๐] adalah rata-rata antar waktu kedatangan.
Teorema 4.5. Untuk proses pembaharuan
๐๐๐(๐(๐ก))
๐กโ๐2
๐3
dengan ๐ก โ โ, dimana ๐ dan ๐ adalah rata-rata dan variansi dari waktu antar kedatangan.
Menggunakan bentuk asimtotik dalam persamaan ๐(๐ก) =๐ก
๐+ (
๐2
2๐2โ1
2) + ๐(1) dan
๐๐๐(๐(๐ก)) =๐2๐ก
๐3+ (
1
12+5๐4
4๐4โ2๐3
3๐3) + ๐(1). Didapatkan teorema yang sesuai dengan
teorema batas pusat untuk proses pembaharuan.
Teorema 4.5. Misalkan ๐ dan, diasumsikan berhingga, menyatakan rataan dan variansi dari
distribusi waktu antar kedatangan ๐น(๐ก)untuk proses renewal ๐(๐ก), ๐ก โฅ 0, maka
๐
๐(๐ก) โ
๐ก๐
โ๐2๐ก๐3
โค ๐ฆ
โ ฮฆ(๐ฆ) =1
โ2๐โซ ๐
โ๐ฅ2
2 ๐ฆ
โโ
Bukti :
Misalkan
๐(๐ก) < ๐ โ ๐๐ > ๐ก
Dan
๐ =๐ก
๐+ ๐ฆ๐โ
๐ก
๐3
Proses Pembaharuan 95
Maka
๐
๐(๐ก) โ
๐ก๐
โ๐2๐ก๐3
โค ๐ฆ
= ๐ ๐(๐ก) <๐ก
๐+ +๐ฆ๐โ
๐ก
๐3
= ๐๐(๐ก) < ๐
= ๐๐๐ > ๐ก
= ๐ ๐๐ โ ๐๐
โ๐2๐>๐ก โ ๐๐
โ๐2๐
= ๐
๐๐ โ ๐๐
๐โ๐>
๐ก โ ๐ (๐ก๐ + ๐ฆ๐โ
๐ก๐3)
๐โ๐ก๐ + ๐ฆ๐โ
๐ก๐3
= ๐
๐๐ โ ๐๐
๐โ๐>
๐ก โ ๐ก โ ๐๐ฆ๐โ๐ก๐3
๐โ๐ก๐ +
๐ฆ๐๐ โ
๐ก๐
= ๐
๐๐ โ ๐๐
๐โ๐>
โ๐๐ฆ๐๐ โ
๐ก๐
๐โ๐ก๐ +
๐ฆ๐๐ โ
๐ก๐
= ๐
๐๐ โ ๐๐
๐โ๐>
โ๐ฆโ๐ก๐
๐โโ๐ก๐ (โ
๐ก๐ +
๐ฆ๐๐ )
96 Pengantar Proses Stokastik
= ๐
๐๐ โ ๐๐
๐โ๐>
โ๐ฆโ๐ก๐
โ๐ก๐ +
๐ฆ๐๐ (โ
๐ก๐)
= ๐
๐๐ โ ๐๐
๐โ๐>
โ๐ฆ๐ โ๐ก๐
1๐โ๐ก๐ + ๐ฆ๐๐ (โ
๐ก๐)
= ๐
๐๐ โ ๐๐
๐โ๐>
โ๐ฆโ๐ก๐
โ๐ก๐ + ๐ฆ๐๐ (โ๐ก๐)
= ๐ ๐๐ โ ๐๐
๐โ๐> โ๐ฆโ
๐ก๐
๐ก๐ + ๐ฆ๐
= ๐ ๐๐ โ ๐๐
๐โ๐> โ๐ฆ(
๐ก๐ + ๐ฆ๐โ๐ก๐
๐ก๐)
โ12
= ๐ ๐๐ โ ๐๐
๐โ๐> โ๐ฆ(
โ๐ก๐โ๐ก๐ + ๐ฆ๐
โ๐ก๐โ๐ก๐)
โ12
= ๐ ๐๐ โ ๐๐
๐โ๐> โ๐ฆ (1 +
๐ฆ๐
โ๐ก๐)โ12
Dengan menggunakan teorema limit pusat diperoleh ๐๐โ๐๐
๐โ๐ konvergen menuju variable acak
normal dengan rataan 0 dan variansi 1. Selain itu karena โ๐ฆ (1 +๐ฆ๐
โ๐ก๐)โ1
2โ โ๐ฆ. Sehinga
diperoleh
๐(๐ก) โ๐ก๐
๐โ๐ก๐2
< ๐ฆ
โ1
โ2๐โซ ๐
โ๐ฅ2
2 ๐๐ฅโ
โ๐ฆ
.
Proses Pembaharuan 97
Karena
โซ ๐โ๐ฅ2
2 ๐๐ฅโ
โ๐ฆ
= โซ ๐โ๐ฅ2
2 ๐๐ฅ๐ฆ
โโ
maka terbukti bahwa
๐
๐(๐ก) โ
๐ก๐
โ๐2๐ก๐3
โค ๐ฆ
โ1
โ2๐โซ ๐
โ๐ฅ2
2 ๐ฆ
โโ
๐๐ฅ ๐ข๐๐ก๐ข๐ ๐ก โ โ
Rantai Markov Waktu Diskrit 99
BAB V
RANTAI MARKOV WAKTU DISKRIT
5.1. Pendahuluan
Definisi 5.1. (Shunji Osaki, 1992) Misalkan ๐(๐), ๐ = 0,1,2, โฆ sebuah proses stokastik
waktu diskrit dengan keadaan ๐ = 0,1,2, โฆ. Jika
๐๐(๐ + 1) = ๐ | ๐(0) = ๐0, ๐(1) = ๐1, โฆ , ๐(๐ โ 1) = ๐๐โ1, ๐(๐) = ๐
โบ ๐๐(๐ + 1) = ๐|๐(๐) = ๐ = ๐๐๐
(Artinya probabilitas kejadian besok ditentukan hari ini)
Dimana ๐(๐) = ๐ menyatakan proses berada dalam keadaan ๐(๐ = 0,1,2,โฆ) pada waktu ๐
(๐ = 0,1,2, โฆ . , )
untuk seluruh ๐0, ๐1, โฆ , ๐๐โ1, ๐, ๐ dan ๐, lalu proses itu disebut rantai Markov waktu diskrit dan
๐๐๐ disebut probabilitas transisi (stasioner).
Sebuah matriks ๐ท = [๐๐๐] disebut dengan probabilitas transisi matrix, dimana
๐๐๐ โฅ 0, โ๐๐๐ = 1
โ
๐=0
(๐, ๐ = 0,1,2, โฆ )
Contoh 5.1. Mengingat rantai Markov dua keadaan yaitu 0 dan 1, dengan matriks
probabilitas transisi berikut :
๐ =01[๐00 ๐01๐10 ๐11
]
= [0 11 0
]
100 Pengantar Proses Stokastik
Gambar 5.1 โ Sebuah diagram transisi state dari Contoh 5.1.
Artinya, pada waktu tertentu proses pindah ke keadaan lain dengan probabilitas dari 1. Dalam
gambar 5.1, dimana angka yang dilingkari menunjukan keadaan dan angka yang muncul pada
busur adalah probabilitas transisi.
Contoh 5.2. Mengingat rantai Markov dua keadaan. Secara umum, matriks probabilitas
transisi
๐ =01[๐00 ๐01๐10 ๐11
] = [1 โ ๐ ๐๐ 1 โ ๐
]
dimana 0 โค ๐ โค 1, 0 โค ๐ โค 1 dan |1 โ ๐ โ ๐| < 1. Sebuah keadaan diagram transisi
ditunjukkan pada gambar berikut. Berdasarkan kondisi |1 โ ๐ โ ๐| < 1 pada contoh ini, pada
Example 5.1 dengan ๐ = ๐ = 1.
Gambar 5.2 Diagram transisi state dari Contoh 5.2
5.2. Persamaan Chapman-Kolmogorov
Sebelumnya telah didefinisikan probabilitas transisi satu langkah pada persamaan
โ๐๐๐ = 1
โ
๐=0
Sifat probabilitas rantai Markov ๐(๐), ๐ = 0,1,2โฆ secara lengkap digambarkan dengan
probabilitas inisial (awal) dan probabilitas transisi sebagai berikut :
0 1
1
1
0 1
1
1
1-a 1-b
Keadaan (state)
Peluang transisi dari keadaan 1 ke 0
Peluang transisi dari keaadaan 1 ke keadaan 1
Peluang transisi dari keaadaan 1 ke keadaan 0
Rantai Markov Waktu Diskrit 101
๐๐(0) = ๐0, ๐(1) = ๐1, โฆ , ๐(๐) = ๐๐
โ ๐๐(๐) = ๐๐|๐(0) = ๐0, ๐(1) = ๐1, โฆ , ๐(๐ โ 1) = ๐๐โ1
โ ๐๐(0) = ๐0, ๐(1) = ๐1, โฆ , ๐(๐ โ 1) = ๐๐โ1
โ ๐๐๐โ1๐๐๐๐(0) = ๐0, ๐(1) = ๐1, โฆ , ๐(๐ โ 1) = ๐๐โ1
โโฏ
โ ๐๐๐โ1๐๐๐๐๐โ2๐๐โ1 โฆ๐๐0๐1๐๐(0) = ๐0
dimana ๐๐(0) = ๐0 adalah probabilitas awal. Misalkan ๐(0) menyatakan distribusi awal
๐(0) = [๐0(0), ๐1(0), โฆ ]
Dimana
๐๐(0) = ๐๐(0) = ๐ โฅ 0 (๐ = 0,1,2, โฆ )
merupakan probabilitas awal, sehingga
โ๐๐(0) = 1.
โ
๐=0
Selanjutnya akan dihitung ๐๐๐๐ melalui probabilitas transisi ๐๐๐ dengan ๐๐๐
0 = 0, ๐ โ ๐ dan ๐๐๐0 =
1. Probabilitas transisi ๐ langkah ๐๐๐๐ dapat dihitung dengan menjumlahkan seluruh probabilitas
perpindahan dari keadaan ๐ ke keadaan ๐ dalam ๐ langkah (0 โค ๐ โค ๐) dan perpindahan dari
keadaan ๐ ke keadaan ๐ pada sisa waktu ๐ โ ๐.
๐๐๐๐ = ๐๐(๐) = ๐|๐(0) = ๐ = โ๐๐(๐) = ๐|๐(0) = ๐๐๐(๐) = ๐|๐(๐) = ๐
โ
๐=0
.
๐๐๐๐ =โ๐๐๐
๐ ๐๐๐๐โ๐
โ
๐=1
.
persamaan ini disebut persamaan Chapman-Kolmogorov. Dalam bentuk matrix ditulis,
๐ท(๐) = [๐๐๐๐ ]
๐ท(๐) = ๐ท(๐). ๐ท(๐โ๐)
Catat bahwa, ๐ท(1) = ๐ท = [๐๐๐]. Secara rekursif memiliki matriks probabilitas transisi
๐ โlangkah :
102 Pengantar Proses Stokastik
๐ท(๐) = ๐ท(1). ๐ท(๐โ1)
= ๐ท. ๐ท(๐โ1)
= ๐ท2. ๐ท(๐โ2)
= โฏ
= ๐ท๐. ๐ท(๐โ๐)
= ๐ท๐
Artinya, matrix probabilitas transisi langkah ke-๐ diperoleh dari matriks ๐ท dipangkatkan ๐.
Sehingga didapatkan
๐ท๐ = ๐ท๐ . ๐ท๐โ๐
Seperti persamaan ๐๐๐โ1๐๐๐๐๐โ2๐๐โ1 โฆ ๐๐0๐1๐๐(0) = ๐0, maka probabilitas gabungan dapat
dihitung melalui probabilitas awal (seperti distribusi awal ๐0) dan probabilitas transisi (matriks
๐ท).
Misalkan,
๐๐(๐) = ๐๐(0) = ๐
= โ๐๐(๐) = ๐|๐(0) = ๐๐๐(0) = ๐
โ
๐=0
= โ๐๐(0)๐๐๐๐
โ
๐=0
(๐ = 0,1,2,โฆ )
merupakan probabilitas proses kejadian ๐ pada waktu ke ๐. Misalkan
๐(๐) = [๐0(๐), ๐1(๐),โฆ ]
merupakan distribusi ๐ langkah, sehingga berlaku
โ๐๐(๐) = 1.
โ
๐=0
Maka,
๐(๐) = ๐(0)๐ท๐.
Rantai Markov Waktu Diskrit 103
Contoh 5.3. (Contoh 5.1) Diberikan contoh numerik saat ๐ = 0.2 dan ๐ = 0.3, yaitu
๐ =01[๐00 ๐01๐10 ๐11
]
= [1 โ ๐ ๐๐ 1 โ ๐
]
= [1 โ 0.2 0.20.3 1 โ 0.3
]
= [0.8 0.20.3 0.7
]
๐2 = ๐ โ ๐
= [0.8 0.20.3 0.7
] โ [0.8 0.20.3 0.7
]
= [0.64 + 0.06 0.16 + .0140.24 + 0.21 0.06 + 0.49
]
= [0.7 0.30.45 0.55
]
๐3 = ๐ โ ๐ โ ๐
= [0.7 0.30.45 0.55
] โ [0.8 0.20.3 0.7
]
= [0.56 + 0.09 0.14 + 0.210.36 + 0.165 0.09 + 0.385
]
= [0.65 0.350.525 0.475
]
๐4 = ๐ โ ๐ โ ๐ โ ๐
= [0.65 0.350.525 0.475
] โ [0.8 0.20.3 0.7
]
= [0.52 + 0.105 0.13 + 0.2450.42 + 0.1425 0.105 + 0.3325
]
= [0.625 0.3750.5626 0.4375
]
104 Pengantar Proses Stokastik
Gambar 5.3 Kurva ๐๐๐๐ sebagai ๐ โ โ (๐ = 0.2 , ๐ = 0.3)
Contoh 5.4. (Contoh 5.2) Diberikan contoh numerik lainnya ketika ๐ = 0.6 dan ๐ = 0.9,
yaitu :
๐ =01[๐00 ๐01๐10 ๐11
]
= [1 โ ๐ ๐๐ 1 โ ๐
]
= [1 โ 0.6 0.60.9 1 โ 0.9
]
= [0.4 0.60.9 0.1
]
๐2 = ๐ โ ๐
= [0.4 0.60.9 0.1
] โ [0.4 0.60.9 0.1
]
= [0.16 + 0.54 0.24 + 0.060.36 + 0.09 0.54 + 0.01
]
= [0.7 0.30.45 0.55
]
๐3 = ๐ โ ๐ โ ๐
= [0.7 0.30.45 0.55
] โ [0.4 0.60.9 0.1
]
= [0.28 + 0.27 0.42 + 0.030.18 + 0.495 0.27 + 0.055
]
Rantai Markov Waktu Diskrit 105
= [0.55 0.450.675 0.325
]
๐4 = ๐ โ ๐ โ ๐ โ ๐
= [0.55 0.450.675 0.325
] โ [0.4 0.60.9 0.1
]
= [0.22 + 0.405 0.33 + 0.0450.27 + โ0.2925 0.405 + 0.0325
]
= [0.625 0.37505625 0.4375
]
Gambar 5.4 Kurva ๐๐๐๐ sebagai ๐ โ โ (๐ = 0.6 , ๐ = 0.9)
Pada Contoh 5.2 dapat diselesaikan
๐2 = [1 โ ๐ ๐๐ 1 โ ๐
] . [1 โ ๐ ๐๐ 1 โ ๐
]
= [(1 โ ๐)2 + ๐๐ (1 โ ๐)๐ + (1 โ ๐)๐
(1 โ ๐)๐ + (1 โ ๐)๐ ๐๐ + (1 โ ๐)2]
Secara umum, ๐-langkah matriks probabilitas transisi ditunjukkan dengan
๐๐ =1
๐ + ๐[๐ ๐๐ ๐
] +(1 โ ๐ โ ๐)๐
๐ + ๐[๐ โ๐โ๐ ๐
]
Contoh 5.5. Diberikan sebuah rantai Markov dua keadaan dengan matriks transisi sebagai
berikut :
๐ =01[๐00 ๐01๐10 ๐11
]
= [1 โ ๐ ๐1 โ ๐ ๐
]
106 Pengantar Proses Stokastik
dimana 0 < ๐ < 1, maka terdapat
๐2 = [1 โ ๐ ๐1 โ ๐ ๐
] โ [1 โ ๐ ๐1 โ ๐ ๐
]
= [(1 โ ๐)2 + ๐(1 โ ๐) ๐(1 โ ๐) + ๐2
(1 โ ๐)2 + ๐(1 โ ๐) ๐(1 โ ๐) + ๐2]
= [1 โ 2๐ + ๐2 + ๐ โ ๐2 ๐ โ ๐2 + ๐2
1 โ 2๐ + ๐2 + ๐ โ ๐2 ๐ โ ๐2 + ๐2]
= [1 โ ๐ ๐1 โ ๐ ๐
]
Secara umum, untuk probabilitas transisi ๐-langkah dapat ditulis
๐๐ = [1 โ ๐ ๐1 โ ๐ ๐
]
untuk sembarang ๐ > 0. Ini menyebabkan probabilitas transisi menjadi independen untuk
keadaan yang diberikan, maka
๐(๐) = ๐(0)๐0 = [1 โ ๐, ๐]
Secara umum, dapat diasumsikan bahwa probabilitas transisi ditulis
๐๐๐ = ๐.๐ > 0 (๐, ๐ = 0,1, โฆ )
Artinya, probabilitas transisi positif dan independen dari state saat ini dengan rantai Markov
disebut rantai Markov yang homogeny secara spasial.
5.3. Klasifikasi Keadaan
Teorema 5.1. (Shunji Osaki, 1992) Komunikasi adalah hubungan kesetaraan, yaitu;
(i) ๐ โ ๐.
(ii) Jika ๐ โ ๐, maka ๐ โ ๐ (simetri).
(iii) Jika ๐ โ ๐ dan ๐ โ ๐, maka ๐ โ ๐ (transitif).
Bukti :
(i) Dari definisi diketahui bahwa ๐๐๐0 = ๐ฟ๐๐ =
1, ๐ = ๐0, ๐ โ ๐
,. Jadi didapat ๐๐๐0 > 0, sehingga
๐ โ ๐.
Rantai Markov Waktu Diskrit 107
(ii) Karena ๐ โ ๐ maka ๐๐๐๐ > 0 dan ๐๐๐
๐ > 0 untuk suatu ๐, ๐ โฅ 0. Maka kita peroleh
bahwa ๐ โ ๐.
(iii) (i) dan (ii) jelas dari definisi komunikasi. Untuk pembuktian (iii), diasumsikan
bahwa ada bilangan bulat m dan n sedemikian rupa sehingga ๐๐๐๐ > 0 dan ๐๐๐
๐ > 0,
kemudian dari persamaan Chapman-Kolmogorv didapatkan
๐๐๐๐+๐ =โ๐๐๐
๐๐๐๐๐ โฅ
โ
๐=0
๐๐๐๐๐๐๐
๐ > 0,
yang menyiratkan ๐ โ ๐. Demikian pula dapat dibuktikan ๐ โ ๐.
Contoh 5.6. (Contoh 5.1 dan 5.2) Untuk kedua contoh (kecuali ๐ = ๐ = 0), dimiliki 0 โ 1
dan 1 โ 0, dimana satu kelas 0,1. Maka, ๐ = ๐ = 0 dari Contoh 5.2 menjadi dua kelas 0
dan 1.
Contoh 5.7. Diberikan sebuah rantai Markov dengan mengikuti probabilitas trasisi matriks
๐ =
0 1 2012[1 0 00 1 00 0 1
]
Jelas bahwa tidak ada transisi dari ๐ state manapun ke ๐(๐ โ ๐) kecuali dari statenya sendiri,
dengan tiga kelas 0, 1, dan 2.
Contoh 5.8. Diberikan sebuah rantai Markov dengan mengikuti probabilitas transisi matrix;
๐ =
0 1 2
[ 1 0 0
01
2
1
21
3
1
3
1
3]
Jelas bahwa 1 โ 2 dan 2 โ 0. Namun tidak ada transisi 0 โ 2. Yang mana mereka adalah
dua kelas 0 dan 1,2.
Definisi 5.2. (Shunji Osaki, 1992) Untuk sebuah rantai Markov, jika hanya terdapat satu
kelas komunikasi, rantai Markov disebut irreducible (tidak tereduksi). Berarti, untuk rantai
Markov irreducible, semua keadaan berkomunikasi satu sama lain.
108 Pengantar Proses Stokastik
Periode dari keadaan ๐ adalah pembagi persekutuan terbesar dari ๐ โฅ 1, sehingga ๐๐๐๐ > 0 dan
dinotasikan dengan ๐(๐). Jika ๐๐๐๐ = 0 untuk semua ๐ โฅ 1 maka ๐(๐) = 0. Jika ๐(๐) = 1 maka
state ๐ disebut aperiodic.
Teorema 5.2. (Shunji Osaki, 1992) Jika ๐ โ ๐, maka ๐(๐) = ๐(๐).
Bukti :
Terdapat bilangan bulat ๐ dan ๐ sedemikian sehingga ๐๐๐๐ > 0 dan ๐๐๐
๐ > 0, jika ๐๐๐๐ > 0, maka
๐๐๐๐+๐ โฅ ๐๐๐
๐๐๐๐๐ > 0,
๐๐๐๐+๐ +๐ โฅ ๐๐๐
๐๐๐๐๐ ๐๐๐
๐ > 0.
dari definisi diatas, ๐(๐) membagi ๐ +๐ dan ๐ + ๐ +๐, serta ๐ + ๐ +๐ โ (๐ +๐) = ๐ ,
dimana ๐๐๐๐ > 0. Karena ๐(๐) membagi ๐ maka ๐(๐) membagi ๐(๐). dengan argument yang
sama dapat ditunjukan bahwa ๐(๐) membagi ๐(๐). Jadi ๐(๐) = ๐(๐).
Contoh 5.9. Diberikan rantai Markov dengan matriks probabilitas transisi berikut
๐ =
0 1 2012[0 1 00 0 11 0 0
]
Jelas bahwa 0 โ 1 โ 2 โ 0, sehingga rantai Markov yang tak tereduksi. selanjutnya
๐003 = ๐00
6 = โฏ = 1, dimana keadaan 0 berkala dengan ๐(0) = 3. Tentu, ๐(๐) = 3 (๐ = 0,1,2)
dari Teorema 5.2.
Definisi 5.3. (Shunji Osaki, 1992) Jika ๐๐๐ = 1, maka keadaan ๐ dapat dikatakan berulang
(recurrent). Jika ๐๐๐ < 1, maka keadaan ๐ dikatakan sementara (transient).
Teorema 5.3. (Shunji Osaki, 1992)Keadaan ๐ recurrent jika dan hanya jika
โ๐๐๐๐ = โ
โ
๐=1
Keadaan ๐ transient jika dan hanya jika
Rantai Markov Waktu Diskrit 109
โ๐๐๐๐ < โ
โ
๐=1
Bukti :
Misalkan ๐ adalah banyaknya proses kembali ke keadaan ๐ yaitu
๐ =โ๐๐๐๐ = โ
โ
๐=1
dimana
1๐๐ = ๐ = 1, ๐๐ = ๐0, ๐๐ โ ๐
Misalkan ๐ adalah keadaan transient. Maka ๐๐๐ < 1 dan ๐ธ๐|๐0 = ๐ < โ. Maka
โ > ๐ธ๐ | ๐0 = ๐ = ๐ธ (โ1๐๐ = ๐ | ๐0 = ๐
โ
๐=1
)
=โ๐ธ1๐๐ = ๐ | ๐0 = ๐
โ
๐=1
=โ1 โ
โ
๐=1
๐๐๐ = ๐ | ๐0 = ๐ + 0 โ ๐๐๐ โ ๐ | ๐0 = ๐
=โ๐๐๐ = ๐ | ๐0 = ๐
โ
๐=1
=โ๐๐๐(๐)
โ
๐=1
Jadi terbukti
โ๐๐๐๐ < โ.
โ
๐=1
Misalkan
โ๐๐๐๐ < โ
โ
๐=1
Maka ๐ adalah peubah acak dengan mean berhingga, sehingga ๐ harus hingga.
Yaitu proses mulai dari keadaan ๐, dan kembali ke keadaan ๐ hanya dalam waktu
berhingga. Maka terdapat probabilitas positif bahwa proses mulai dari keadaan ๐,
dan tidak pernah kembali ke keadaan ๐. Dengan kata lain 1 โ ๐๐๐ > 0 dan ๐๐๐ <
1. Jadi terbukti keadaan ๐ transient.
110 Pengantar Proses Stokastik
Contoh 5.10. Diberikan rantai Markov dengan matriks probabilitas transisi berikut
๐ =
0 1
01[1 01
2
1
2
]
โ๐00๐ = 1 + 1 +โฏ = โ,
โ
๐=1
โ๐11๐ =
1
2+ (
1
2)2
+โฏ =
12
1 โ12
= 1 < โ,
โ
๐=1
yang mana keadaan 0 reccurent dan keadaan 1 transient.
Penyelesaian :
Mengunakan teorema 5.3
๐ = ๐1 =
0 1
01[1 01
2
1
2
]
๐2 = ๐. ๐ =01[1 01
2
1
2
] [1 01
2
1
2
] = [1 03
4
1
4
]
๐3 = ๐2. ๐01[1 03
4
1
4
] [1 01
2
1
2
] = [1 07
8
1
8
]
sehingga,
โ๐00๐ = ๐00
1 + ๐002 + ๐00
3 +โฏ = 1 + 1 + 1 +โฏ = โ
โ
๐=1
โ state 0 recurrent.
Rantai Markov Waktu Diskrit 111
โ๐11๐ = ๐11
1 + ๐112 + ๐11
3 +โฏ
โ
๐=1
=1
2+ (1/2) 2 + (1/2) 3 +โฏ =
12
1 โ12
= 1 < โ
โ state 1 recurrent.
dengan Definisi 5.3.2
๐00 = โ๐00๐
โ
๐=1
= ๐001 + ๐00
2 + ๐003 +โฏ
๐001 = ๐00 = 1, ๐00
2 = ๐01๐10 = 0(1
2) = 0
๐003 = ๐01
2 ๐10 = ๐01๐11๐10 = 0(1
2) (1
2) = 0
โฎ
๐00๐ = 0, ๐ โฅ 2
๐00 = โ๐00๐
โ
๐=1
= 1 โ ๐ ๐ก๐๐ก๐ 0 ๐๐๐๐ข๐๐๐๐๐ก
๐11 =โ๐11๐ = ๐11
1 + ๐112 + ๐11
3 +โฏ
โ
๐=1
๐111 = ๐11 =
1
2
๐112 = ๐10๐01 = (
1
2) . 0 = 0
๐113 = ๐10
2 ๐01 = ๐10๐00๐01= (1
2) . (1). 0 = 0
โฎ
112 Pengantar Proses Stokastik
๐11๐ = 0, ๐ โฅ 2
๐11 = โ๐11๐ =
1
2+ 0 + 0+. . . =
1
2< 1
โ
๐=1
โ ๐ ๐ก๐๐ก๐ 1 ๐ก๐๐๐๐ ๐๐๐๐ก.
Teorema 5.4 (Shunji Osaki, 1992) Jika state ๐ recurrent dan ๐ โ ๐, maka state ๐ juga recurrent.
Bukti :
Karena ๐ โ ๐ maka terdapat ๐, ๐ โฅ 1 sedemikian rupa sehingga ๐๐๐๐ > 0 dan ๐๐๐
๐ > 0. Untuk
setiap ๐ โฅ 0,
๐๐๐๐+๐ +๐ โฅ ๐๐๐
๐๐๐๐๐ ๐๐๐
๐ .
disimpulkan bahwa ๐
โ๐๐๐๐+๐ +๐ โฅ
๐
โ๐๐๐๐๐๐๐
๐ ๐๐๐๐
โ
๐ =0
= ๐๐๐๐๐๐๐
๐โ๐๐๐๐
๐
= โ,
Karena ๐ recurrent maka
โ๐๐๐๐ = โ
โ
๐ =1
Akibatnya
โ๐๐๐๐+๐ +๐
๐
= โ
Jadi, state ๐ berulang.
Contoh 5.11. (Random Walk satu dimensi) Diberikan rantai Markov yang ruang keadaannya
adalah himpunan semua bilangan bulat dan probabilitas bergerak ke kanan ๐, yaitu
๐๐,๐+1 = ๐, ๐๐,๐โ1 = 1 โ ๐ = ๐ (๐ = 0,ยฑ1,ยฑ2,โฏ )
dimana 0 < ๐ < 1. Maka matriks probabilitas transisinya
๐ = [
๐00 ๐01 ๐02 โฏ๐10 ๐11 ๐12 โฏ๐20 ๐21 ๐22 โฏโฎ โฎ โฎ โฑ
]
Rantai Markov Waktu Diskrit 113
๐ = [
๐00 ๐ ๐02 โฏ๐ ๐11 ๐ โฏ๐20 ๐ ๐22 โฏโฎ โฎ โฎ โฑ
]
Perhatikan bahwa semua bagian memiliki rantai Markov yang tidak dapat direduksi.
Selanjutnya di identifikasi apakah itu berulang atau sementara. Dengan menghitung
probabilitas transisi bahwa proses kembali ke dirinya sendiri pada 2๐ langkah dengan ๐
langkah kanan dan ๐ langkah kiri :
๐002๐ = (
2๐๐)๐๐๐๐ =
2๐!
๐! (2๐ โ ๐)!(๐๐)๐ =
(2๐)!
(๐!)2(๐๐)๐
Dengan mengaplikasikan formula Stirling :
๐!~ โ2๐๐๐+12๐โ๐
maka diperoleh
๐002๐ =
(2๐)!
(๐!)2(๐๐)๐
=โ2๐2๐
2๐+12๐โ2๐
(โ2๐๐๐+12๐โ๐)
2(๐๐)๐
=โ2๐2๐
2๐+12๐โ2๐
โ2๐๐๐+12๐โ๐โ2๐๐
๐+12๐โ๐
(๐๐)๐
=2๐2๐+
12
๐๐+12โ2๐๐
๐+12
(๐๐)๐
=2๐2๐2๐
12
๐๐๐12โ2๐๐๐๐
12
(๐๐)๐
=2๐2๐โ2๐
๐2๐๐โ2๐(๐๐)๐
=4๐
โ๐๐(๐๐)๐
=(4๐๐)๐
โ๐๐
114 Pengantar Proses Stokastik
Menjumlahkan ๐ kali maka
๐002๐ = โ
(4๐๐)๐
โ๐๐
โ
๐=1
konvergen jika 4๐๐ = 4๐(1 โ ๐) < 1 dan divergen jika 4๐๐ = 4๐(1 โ ๐) = 1, kesetaraan
berlaku untuk 4๐(1 โ ๐) โค 1 jika hanya jika ๐ =1
2.
4๐(1 โ ๐) = 4 (1
2) (1 โ
1
2) = 2 (
1
2) = 1
maka rantai tersebut recurrent jika ๐ =1
2 dan transien jika ๐ โ
1
2. Ketika ๐ =
1
2, rantai disebut
random walk simetris satu dimensi.
Teorema 5.5. (Shunji Osaki, 1992) Untuk rantai Markov, semua state dapat diklasifikasikan
ke dalam beberapa kelas berulang ๐ถ1, ๐ถ2, โฆ, dan state yang tersisa adalah sementara.
Bukti :
Misalkan ๐ถ1, ๐ถ2, โฆ menjadi kelas berulang dan ๐ menjadi set dari semua state sementara yang
tersisa untuk rantai Markov. Kemudian, semua set ๐ถ1, ๐ถ2, โฆ , ๐ terputus-putus dan lengkap.
๐ =
๐ถ1๐ถ2โฎ๐
[
๐1 0 โฏ 00 ๐2 โฏ 0โฎ๐ 1
โฎ๐ 2
โฑโฏ
โฎ๐
]
dimana submatrix ๐1, ๐2, โฆ adalah matriks probabilitas transisi untuk masing-masing kelas
berulang ๐ถ1, ๐ถ2, โฆ , ๐ adalah matriks persegi yang menjelaskan transisi di antara semua state
sementara untuk T, dan ๐ 1, ๐ 2, โฆ adalah (belum tentu persegi) matriks yang menjelaskan
transisi dari semua state sementara ke kelas berulang yang sesuai ๐ถ1, ๐ถ2, โฆ.
Contoh 5.12. Diberikan rantai markov dengan matriks probabilitas transisi :
๐ =
[ 3
4
1
40 0
1
3
2
30 0
0 01
2
1
2
01
3
1
3
1
3]
Rantai Markov Waktu Diskrit 115
Berdasarkan teorema 5.5, kelas recurrent dimiliki oleh submatriks yang simetris dan himpunan
keadaan yang transien memiliki submatriks yang tidak simetris. Sehingga jelas bahwa rantai
tersebut memiliki kelas recurrent 0,1 dan himpunan keaadaan yang transien 2,3. Karena
pada kelas 0,1 terdapat submatriks simetris yaitu
๐1 = [
3
4
1
41
3
2
3
]
sedangkan pada keadaan 2,3 terdapat submatriks yang tidak simetris yaitu
๐ 1 = [0
1
2
1
21
3
1
3
1
3
]
Jika digambarkan dalam diagram sebagai berikut :
Gambar 5.5. Diagram state transisi dari Example 5.11.
5.4. Limit Probabilitas
Definisi 5.4. (Shunji Osaki, 1992) Untuk rantai Markov, semua keadaan recurrent
diklasifikasikan kedalam positive (atau bukan-null) recurrent states atau null recurrent states
dengan ๐๐ < โ atau ๐๐ = โ,
๐๐ = ๐ธ๐ ๐|๐0 = ๐
= โ๐๐๐๐๐,
โ
๐=1
Menyatakan waktu recurrent rata-rata untuk keadaan ๐.
116 Pengantar Proses Stokastik
Teorema 5.6. (Shunji Osaki, 1992) Jika keadaan ๐ adalah recurrent dan aperiodic, maka
๐๐๐๐ โ
1
๐๐.
dengan ๐ โ โ, dimana ditafsirkan 1
๐๐ = 0 jika ๐๐ = โ (yaitu jika keadaan ๐ adalah null-
recurrent).
Bukti :
Jika keadaan ๐ adalah recurrent dan aperiodic, maka distribusi interarrival ๐๐๐๐, ๐ = 1,2, โฆ
tidak kisi. Mengaplikasikan Teorema dan diasumsikan ๐ฟ = 1, dimiliki
๐(๐) โ ๐(๐ โ 1) = ๐๐๐๐ โ
1
๐๐
dengan ๐ โ โ. Jika keadaan ๐ recurrent dan periodic dengan period ๐(๐), dengan
mengaplikasikan Blackwellโs dimiliki
๐(๐๐(๐)) โ ๐((๐ โ 1)๐(๐)) = ๐๐๐๐๐(๐)
โ๐(๐)
๐๐
dengan ๐ โ โ, dimana 1
๐๐= 0 jika state ๐ adalah null-recurrent (yaitu ๐๐ = โ).
Corollary 5.1. Jika keadaan ๐ adalah transient, maka ๐๐๐๐ โ 0. Dengan ๐ โ โ.
Mari perhatikan limit dari ๐๐๐๐ dengan ๐ โ โ pada umumnya. Seperti yang ditunjukan diatas,
kita fokus pada keadaan ๐ dan ๐ yang ditentukan, dimana ๐(0) = ๐, pemulaan keadaan. Rantai
markov mulai dari keadaan ๐, menuju keadaan ๐ dengan probability mass function ๐๐๐๐ dan
jarang kembali menuju keadaan ๐ dengan probability mass function ๐๐๐๐ , yang dianggap sebagai
proses renewal tertunda diskrit. Ingat bahwa ๐๐๐ menunjukan probabilitas transisi dari keadaan
๐ ke keadaan ๐.
Teorema 5.7. (Shunji Osaki, 1992) Jika keadaan ๐ adalah recurrent dan aperiodic, maka
๐๐๐๐ โ
๐๐๐
๐๐
dengan ๐ โ โ, dimana 1
๐๐= 0 jika ๐๐ = โ.
Rantai Markov Waktu Diskrit 117
Teorema 5.8. (Shunji Osaki, 1992) Jika suatu rantai Markov Irreducible, positive reccurent,
dan aperiodic (Rantai Markov Ergodik) maka terdapat limit probabilitas.
lim๐โโ
๐๐๐๐ = ๐๐ > 0 (๐, ๐ = 0,1,2, โฆ )
yang bebas dari keadaan awal ๐, dengan ๐๐ , ๐ = 0,1,2, . . tunggal dan merupakan solusi positif
dari
๐๐ =โ๐๐๐๐๐ (๐ = 0,1,2, . . )
โ
๐=0
โ๐๐ = 1,
โ
๐=0
dinamakan distribusi stasioner dari rantai Markov.
Contoh 5.13. (Contoh 5.3) Diberikan matriks probabilitas transisi
๐ = [0.8 0.20.3 0.7
]
Distribusi stasioner ๐ = [๐0 ๐1] diberikan oleh
๐๐ =โ๐๐๐๐๐
โ
๐=0
๐0 = ๐00๐0 + ๐10๐1 = 0.8๐0 + 0.3๐1
๐1 = ๐01๐0 + ๐11๐1 = 0.2๐0 + 0.7๐1
๐0 + ๐1 = 1
Dua persamaan pertama sama dengan
๐0 โ 0.8๐0 = 0.3๐1
0.2๐0 = 0.3๐1
2๐0 = 3๐1
๐1 โ 0.7๐1 = 0.2๐0
0.3๐1 = 0.2๐0
118 Pengantar Proses Stokastik
3๐1 = 2๐0
Sehingga sama dengan menyelesaikan persamaan 2๐0 = 3๐1 dan ๐0 + ๐1 = 1.
2๐0 โ 3๐1 = 0 ร 1 2๐0 โ 3๐1 = 0
๐0 + ๐1 = 1 ร 3 3๐0 + 3๐1 = 3
5๐0 = 3
๐0 =3
5= 0.6
0.6 + ๐1 = 1
๐1 = 1 โ 0.6 = 0.4
Contoh 5.14 (Example 5.4) Diberikan matriks probabilitas transisi
๐ = [0.4 0.60.9 0.1
]
Distribusi stasioner ๐ = [๐0 ๐1] diberikan oleh
๐๐ =โ๐๐๐๐๐
โ
๐=0
๐0 = ๐00๐0 + ๐10๐1 = 0.4๐0 + 0.9๐1
๐1 = ๐01๐0 + ๐11๐1 = 0.6๐0 + 0.1๐1
๐0 + ๐1 = 1
Dua persamaan pertama sama dengan
๐0 โ 0.4๐0 = 0.9๐1
0.6๐0 = 0.9๐1
6๐0 = 9๐1
๐1 โ 0.1๐1 = 0.6๐0
0.9๐1 = 0.6๐0
9๐1 = 6๐0
Rantai Markov Waktu Diskrit 119
Sehingga sama dengan menyelesaikan persamaan 6๐0 = 9๐1 dan ๐0 + ๐1 = 1.
6๐0 โ 9๐1 = 0 ร 1 6๐0 โ 9๐1 = 0
๐0 + ๐1 = 1 ร 9 9๐0 + 9๐1 = 9
15๐0 = 9
๐0 =9
15= 0.6
0.6 + ๐1 = 1
๐1 = 1 โ 0.6 = 0.4
Contoh 5.15 (Example 5.12) Rantai tidak dapat direduksi dan mempunyai kelas recurrent
0,1 dan himpunan keadaan yang transien 2,3. Submatriks dari kelas recurrent ๐1 diberikan
oleh
๐1 = [
3
4
1
41
3
2
3
]
Sehingga distribusi stasionermya diberikan oleh
๐0 = ๐00๐0 + ๐10๐1 =3
4๐0 +
1
3๐1
๐1 = ๐01๐0 + ๐11๐1 =1
4๐0 +
2
3๐1
๐0 + ๐1 = 1
Dua persamaan pertama sama dengan
๐0 โ3
4๐0 =
1
3๐1
1
4๐0 =
1
3๐1
3๐0 = 4๐1
120 Pengantar Proses Stokastik
๐1 โ2
3๐1 =
1
4๐0
1
3๐1 =
1
4๐0
4๐1 = 3๐0
Sehingga sama dengan menyelesaikan persamaan 3๐0 = 4๐1 dan ๐0 + ๐1 = 1.
3๐0 โ 4๐1 = 0 ร 1 3๐0 โ 4๐1 = 0
๐0 + ๐1 = 1 ร 4 4๐0 + 4๐1 = 4
7๐0 = 4
๐0 =4
7
4
7+ ๐1 = 1
๐1 = 1 โ4
7=3
7
Jika rantai dimulai dari ๐ = 0,1 โ ๐ถ1, berdasarkan teorema 5.8, maka probabilitas pembatasnya
adalah
lim๐โโ
๐๐๐๐ = ๐๐
lim๐โโ
๐๐0๐ = ๐0 =
4
7 (๐ = 0,1)
lim๐โโ
๐๐1๐ = ๐1 =
3
7 (๐ = 0,1)
Tetapi, jika rantai dimulai dari ๐ = 2,3 โ ๐, berdasarkan teorema 5.7, maka probabilitas
pembatasnya adalah
lim๐โโ
๐๐๐๐ =
๐๐๐
๐๐
Rantai Markov Waktu Diskrit 121
lim๐โโ
๐๐0๐ =
๐๐0๐0=4
7๐๐0 (๐ = 2,3)
lim๐โโ
๐๐1๐ =
๐๐1๐1=3
7๐๐1 (๐ = 2,3)
Berdasarkan Corollary 5.1, maka
lim๐โโ
๐๐๐๐ = 0 (๐, ๐ โ ๐)
Contoh 5.16. (Random Walk dengan pencerminan Barrier) Random walk dengan
pencerminan Barrier adalah rantai markov yang ruang keadaannya himpunan bilangan bulat
tidak negatif dan probabilitas transiennya diberikan oleh
๐๐,๐+1 = ๐๐, ๐๐,๐โ1 = 1 โ ๐๐ = ๐๐ (๐ = 1,2,โฏ )
dimana ๐0 = 1, sehingga
๐01 = ๐0 = 1
Matriks probabilitas transisinya
๐ = [
๐00 ๐01 ๐02 ๐03 โฏ๐10 ๐11 ๐12 ๐13 โฏ๐20 ๐21 ๐22 ๐23 โฏโฎ โฎ โฎ โฎ โฑ
]
๐ =
[ 0 1 0 0 โฏ๐๐ 0 ๐๐ 0 โฏ0 ๐2 0 ๐2 โฏ0 0 ๐3 0 โฏโฎ โฎ โฎ โฎ โฑ]
Jika digambarkan dalam diagram
Gambar 5.6. Sebuah diagram transisi state dari random walk.
Rantai diatas dapat direduksi, rekuren, dan periodik dengan periode 2. Diasumsikan bahwa
๐โ1 = 0, ๐0 = 1, dan ๐โ1 = 0, maka
122 Pengantar Proses Stokastik
๐๐ =โ๐๐๐๐๐
โ
๐=0
= ๐๐โ1๐๐โ1,๐ + ๐๐+1๐๐+1,๐ (๐ = 0,1,2,โฏ )
Perhatikan bahwa ๐0 = 1 dan ๐๐ + ๐๐ = 1, sehingga
๐1๐1 = ๐0๐0,
๐2๐2 โ ๐1๐1 = ๐1๐1 โ ๐0๐0,
๐3๐3 โ ๐2๐2 = ๐2๐2 โ ๐1๐1,
โฎ
๐๐+1๐๐+1 โ ๐๐๐๐ = ๐๐๐๐ โ ๐๐โ1๐๐โ1,
Menyimpulkan semua sisi;
๐๐+1๐๐+1 = ๐๐๐๐ (๐ = 0,1, โฆ )
yang menghasilkan
๐๐+1 = ๐0โ๐๐๐๐+1
(๐ = 0,1,2, โฆ )
๐
๐=0
Keadaan yang diperlukan dan cukup bahwa rantai positif recurrent adalah ๐0 > 0;
โ๐๐
โ
๐=0
= ๐0 [1 +โโ๐๐๐๐+1
๐
๐=0
โ
๐=0
] = 1
Artinya, keadaan tersebut diberikan oleh
โโ๐๐๐๐+1
< โ
๐
๐=0
โ
๐=0
Secara khusus, jika ๐๐ = ๐(๐๐ = ๐)(๐ = 1,2,3, โฆ ), kita memiliki keadaan yang cukup bahwa
๐ < ๐ (yaitu ๐ <1
2). Maka distribusi stasionernya ;
๐0 =๐ โ ๐
2๐, ๐๐ =
๐ โ ๐
2๐.1
๐(๐
๐)๐โ1
(๐ = 1,2, โฆ )
Rantai Markov Waktu Diskrit 123
5.5. Rantai Markov dengan Keadaan Terbatas
Teorema 5.9. (Shunji Osaki, 1992) Untuk rantai Markov keadaan terbatas :
(i) Tidak terdapat keadaan recurrent null.
(ii) Tidak semua keadaan adalah transient.
Bukti :
Untuk membuktikan (ii), jika semua keadaan transient, lim๐โโ
๐๐๐๐ = 0 untuk semua ๐, yang mana
berlawanan โ ๐๐๐0 ๐
๐=0 untuk semua ๐. Untuk membuktikan (i), jika keadaan ๐ adalah recurrent
null dan ruang keadaan adalah terbatas, maka waktu pengulangan rata-rata ๐๐ harus terbatas,
yang mana bertentangan pengulangan null. Karena ini, keadaan berulang (recurrent state)
adalah pengulangan positif.
Corollary 5.2. Rantai Markov keadaan terbatas yang tereduksi keadaan recurrent.
Bukti :
Jika rantai Markov aperiodic, ada distribusi stasioner yang unik dan positif yang merupakan
distribusi limit.
Dengan menerapkan Teorema 5.5 untuk rantai Markov keadaan terbatas, matriks probabilitas
transisi sebagai berikut ;
๐ =
๐ถ1๐ถ2โฎ๐
[
๐1 0 โฏ 00 ๐2 โฏ 0โฎ๐ 1
โฎ๐ 2
โฑโฏ
โฎ๐
]
Dimana ๐ถ1, ๐ถ2, โฆ , ๐ถ๐ merupakan semua set kelas perulangan positif dan ๐ adalah satu set sisa
state perulangan. Seperti pada Contoh 5.15, dapat diketahui bahwa probabilitas limit ๐๐๐โ =
lim๐โโ
๐๐๐๐ untuk semua state. Asumsikan bahwa semua state perulangan positif adalah aperiodic,
maka;
๐๐๐โ =
1
๐๐ (๐, ๐ โ ๐ถ๐; ๐ = 1,2, โฆ ,๐),
๐๐๐โ =
๐๐๐
๐๐ (๐ โ ๐, ๐ โ ๐ถ๐; ๐ = 1,2, โฆ ,๐),
๐๐๐โ = 0 (๐ โ ๐ถ๐, ๐ โ ๐ถ1; ๐ โ ๐),
๐๐๐โ = 0 (๐, ๐ โ ๐),
๐๐๐โ = 0 (๐ โ ๐ถ๐; ๐ = 1,2, โฆ ,๐; ๐ โ ๐)
124 Pengantar Proses Stokastik
Contoh 5.17. Diberikan rantai markov keadaan terbatas dengan matriks probabilitas transisi
๐ =
[ 1
4
3
40 0 0
1
2
1
20 0 0
0 0 1 0 01
20 0
1
4
1
4
01
3
1
30
1
3]
Rantai tersebut mempunyai dua kelas rekuren positif ๐ถ1 = 0,1 dan ๐ถ2 = 2, serta himpunan
keadaan transien ๐ = 3,4.
Gambar 5.7. State transisi diagram dari Contoh 5.17
Contoh 5.18. Diberikan rantai Markov keadaan terbatas dengan matriks probabilitas transisi
๐ =
0โฒ
1โฒ
2โฒ
3โฒ
4โฒ
5โฒ
6โฒ [ 0 0 0 0 1 0 00 0 1/3 1/3 0 0 1/30 0 1/2 0 0 1/2 00 0 0 1 0 0 01/2 0 0 0 1/2 0 00 0 3/4 0 0 1/4 00 1/2 0 0 1/2 0 0 ]
Rantai Markov Waktu Diskrit 125
Jika digambarkan pada diagram sebagai berikut :
Pelabelan dari keadaan baru sebagaimana sehingga 3โฒ = 0, 5โฒ = 1, 2โฒ = 2, 4โฒ = 3, 0โฒ = 4, 6โฒ =
5, 1โฒ = 6 menghasilkan matriks probabilitas transisi sebagai berikut :
๐ =
0123456 [ 1 0 0 0 0 0 00 1/4 3/4 0 0 0 00 1/2 1/2 0 0 0 00 0 0 1/2 1/2 0 00 0 0 1 0 0 00 0 0 1/2 0 0 1/21/3 0 1/3 0 0 1/3 0 ]
Sehingga kita mempunyai rantai yang mempunyai 3 kelas rekuren positif ๐ถ1 = 0, ๐ถ2 =
1,2, ๐ถ3 = 3,4, dan himpunan keadaan transien ๐ = 5,6 untuk keadaan yang diberi label.
Untuk kelas rekuren ๐ถ2 = 1,2, diketahui submatriks
๐2 = [
1
4
3
41
2
1
2
]
Sehingga distribusi stasionernya
๐1 = ๐11๐1 + ๐21๐2 =1
4๐1 +
1
2๐2
๐2 = ๐12๐1 + ๐22๐2 =3
4๐1 +
1
2๐2
๐1 + ๐2 = 1
Dua persamaan pertama sama dengan
๐1 โ1
4๐1 =
1
2๐2
3
4๐1 =
1
2๐2
126 Pengantar Proses Stokastik
6๐1 = 4๐2
๐2 โ1
2๐2 =
3
4๐1
1
2๐2 =
3
4๐1
4๐2 = 6๐1
Sehingga sama dengan menyelesaikan persamaan 6๐1 = 4๐2 dan ๐1 + ๐2 = 1.
6๐1 โ 4๐2 = 0 ร 1 6๐1 โ 4๐2 = 0
๐1 + ๐2 = 1 ร 4 4๐1 + 4๐2 = 4
10๐1 = 4
๐1 =4
10=2
5
2
5+ ๐2 = 1
๐2 = 1 โ2
5=3
5
Jika rantai dimulai dari ๐ = 1,2 โ ๐ถ1, berdasarkan teorema 5.8, maka probabilitas pembatasnya
adalah
lim๐โโ
๐๐๐๐ = ๐๐
lim๐โโ
๐๐1๐ = ๐1 =
2
5 (๐ = 1,2)
lim๐โโ
๐๐2๐ = ๐2 =
3
5 (๐ = 1,2)
Untuk kelas rekuren ๐ถ3 = 3,4, diketahui submatriks
๐3 = [1
2
1
21 0
]
Sehingga distribusi stasionernya
๐3 = ๐33๐3 + ๐43๐4 =1
2๐3 + ๐4
Rantai Markov Waktu Diskrit 127
๐4 = ๐34๐3 + ๐44๐4 =1
2๐3
๐3 + ๐4 = 1
Dua persamaan pertama sama dengan
๐3 โ1
2๐3 = ๐4
1
2๐3 = ๐4
๐3 = 2๐4
๐4 =1
2๐3
2๐4 = ๐3
Sehingga sama dengan menyelesaikan persamaan ๐3 = 2๐4 dan ๐3 + ๐4 = 1.
๐3 โ 2๐4 = 0
๐3 + ๐4 = 1
โ3๐4 = โ1
๐4 =1
3
๐3 +1
3= 1
๐3 = 1 โ1
3=2
3
Jika rantai dimulai dari ๐ = 3,4 โ ๐ถ1, berdasarkan teorema 5.8, maka probabilitas pembatasnya
adalah
lim๐โโ
๐๐๐๐ = ๐๐
lim๐โโ
๐๐3๐ = ๐3 =
2
3 (๐ = 3,4)
lim๐โโ
๐๐4๐ = ๐4 =
1
3 (๐ = 3,4)
128 Pengantar Proses Stokastik
Contoh 5.19 (Example 5.18) Turunan ๐๐๐ untuk ๐ โ ๐ = 5,6 dan ๐ โ ๐ถ๐ (๐ = 1,2,3).
[๐ฐ โ ๐ธ] = [1 00 1
] โ [0
1
21
30
] = [1 โ
1
2
โ1
31
]
Inversnya yaitu
[๐ฐ โ ๐ธ]โ1 =1
1 โ16
[1
1
21
31
] =1
56
[1
1
21
31
] =6
5[1
1
21
31
] = [
6
5
3
52
5
6
5
]
Dengan
๐น๐ = [01
3
] dan ๐น๐ = [0 0
01
3
]
Maka
[๐ฐ โ ๐ธ]โ1๐น๐ โ 1 = [
6
5
3
52
5
6
5
] [01
3
] [1] = [
1
52
5
] [1] = [
1
52
5
]
[๐ฐ โ ๐ธ]โ1๐น๐ โ 1 = [
6
5
3
52
5
6
5
] [0 0
01
3
] [11] = [
01
5
02
5
] [11] = [
1
52
5
]
[๐ฐ โ ๐ธ]โ1๐น๐ โ 1 = [
6
5
3
52
5
6
5
] [1
20
0 0
] [11] = [
3
50
1
50
] [11] = [
3
51
5
]
Karena (๐ = 5,6) dan (๐ = 0,1,2,3,4), maka
๐50 =1
5, ๐60 =
2
5, ๐51 =
1
5, ๐61 =
2
5
๐52 =1
5, ๐62 =
2
5, ๐53 =
3
5, ๐63 =
1
5, ๐54 =
3
5, ๐64 =
1
5
Rantai Markov Waktu Kontinu 129
BAB VI
RANTAI MARKOV WAKTU KONTINU
6.1. Pendahuluan
Definisi 6.1. Misalkan ๐(๐ก๐), ๐ก โฅ 01 menjadi proses stokastik dengan ruang keadaan ๐ =
0,1,2, โฆ , ๐, kecuali disebutkan sebelumnya. Jika
๐๐(๐ก) = ๐ฅ | ๐(๐ก1) = ๐ฅ1, ๐(๐ก2) = ๐ฅ2, โฆ , ๐(๐ก๐) = ๐ฅ๐ = ๐๐(๐ก) = ๐ฅ | ๐(๐ก๐) = ๐ฅ๐2
Note 1 : Himpunan kejadian ๐ waktu ke ๐ก dengan indeks ๐ dimana ๐ก merupakan waktu dengan
interval [0,โ)
Note 2 : Probabilitas kejadian-kejadian waktu ๐ก itu ditentukan oleh kejadian sebelumnya tanpa
memperhatikan kejadian pada masa lampau. Untuk setiap 0 โค ๐ก1 < ๐ก2 < โฏ < ๐ก๐ < ๐ก, lalu
proses tersebut disebut rantai Markov waktu kontinu. Untuk ๐ก โฅ 0, ๐ โฅ 0,
๐๐๐(๐ก) = ๐๐(๐ก + ๐ ) = ๐|๐(๐ ) = ๐3
Note 3 : Probabilitas transisi merupakan peluang dari kejadian waktu yang akan datang dimana
kejadian tersebut ditentukan oleh kejadian sebelumnya tanpa memperhatikan kejadian pada
masa lampau disebut probabilitas transisi (Probabilitas transisi merupakan perubahan dari satu
status ke status yang lain pada periode waktu berikutnya dan merupakan suatu proses random
yang dinyatakan dalam probabilitas), dimana diasumsikan bahwa ๐๐๐(๐ก) adalah waktu
independen dari ๐ , proses itu disebut stasioner (Proses stasioner merupakan proses stokastik
yang berdistribusi probabilitas gabungan tanpa syarta tidak berubah ketika bergeser waktu).
Untuk mendapatkan fungsi eksplisit ๐๐๐(๐ก) dengan menggunakan model yang spesifik,
didapatkan persamaan Chapman-Kolmogorov untuk rantai Markov waktu kontinu secara
umum. Probabilitas transisi ๐๐๐(๐ก + ๐ ) dapat dihitung dengan menjumlahkan seluruh keadaan
๐ pada waktu ๐ก dan pindah menuju keadaan ๐ dari ๐ pada waktu yang tersisa ๐ .
๐๐๐(๐ก + ๐ ) = โ๐๐๐(๐ก)๐๐๐(๐ )
โ
๐=0
130 Pengantar Proses Stokastik
6.2. Proses Kelahiran Murni
Definisi 6.2. Jika proses perhitungan ๐(๐ก), ๐ก โฅ 04 adalah rantai Markov dengan
probabilitas transisi stasioner dan memenuhi keadaan berikut :
1. ๐(0) = 0, (Proses kejadian kelahiran awal )
2. ๐๐(๐ก + โ) โ ๐(๐ก) = 1|๐(๐ก) = ๐ = ๐๐โ + ๐(โ), (Probabilitas dari kejadian kelahiran
pada waktu yang akan datang dikurang proses kelahiran waktu sekarang sama dengan 1,
dengan syarat proses kelahiran ๐ pada waktu sekarang sama dengan ๐)
3. ๐๐(๐ก + โ) โ ๐(๐ก) โฅ 2|๐(๐ก) = ๐ = ๐(โ), (Probabilitas dari kejadian kelahiran pada
waktu yang akan datang dikurang proses kelahiran waktu sekarang lebih dari sama dengan 2,
dengan syarat proses kelahiran ๐ pada waktu sekarang sama dengan ๐)
Kemudian proses ini disebut proses kelahiran murni dengan parameter ๐๐, ๐ = 0,1,2, โฆ
Note 4 : Himpunan kejadian proses kelahiran ๐ dengan waktu ๐ก, dimana ๐ก pada interval [0,โ)
Proses kelahiran murni adalah proses perhitungan dan direalisasikan pada Gambar 6.2.1.
Perhatikan bahwa proses tersebut adalah rantai Markov, yang berhubungan dengan probabilitas
transisi stasioner (dimana proses kelahiran murni tidak dipengaruhi oleh proses kematian, hal
ini mengakibatkan grafik naik terus)
๐๐๐(๐ก) = ๐๐(๐ก) = ๐|๐(0) = ๐ (๐, ๐ = 0,1,2, โฆ ),
yang memenuhi persamaan Chapman-Kolmogorov ๐๐๐(๐ก + ๐ ). Probabilitas transisi dengan
menentukan keadaan awal ๐(0) = 0 pada Definisi 6.1. (i) adalah
๐๐(๐ก) = ๐๐(๐ก) = ๐|๐(0) = 0 (๐ = 0,1,2, โฆ )
dan dapat dihitung. Pertimbangkan probabilitas ๐0(๐ก). Menentukan waktu ๐ก dan โ, dimana โ >
0 adalah interval waktu yang sangat kecil, diperoleh
Rantai Markov Waktu Kontinu 131
๐0(๐ก + โ) = ๐๐(๐ก + โ) = 0
= ๐๐(๐ก) = 0๐๐(๐ก + โ) โ ๐(๐ก) = 0|๐(๐ก) = 0
= ๐0(๐ก)[1 โ ๐0โ + ๐(โ)]
dimana ๐ = 0 dan untuk ๐ โฅ 1 diperoleh
๐๐(๐ก + โ) = ๐๐(๐ก + โ) = ๐
= ๐๐(๐ก) = ๐๐๐(๐ก + โ) โ ๐(๐ก) = 0|๐(๐ก) = ๐
= ๐๐(๐ก) = ๐ โ 1๐๐(๐ก + โ) โ ๐(๐ก) = 1|๐(๐ก) = ๐ โ 1
=โ๐๐(๐ก) = ๐ โ ๐
๐
๐=2
๐๐(๐ก + โ) โ ๐(๐ก) = ๐|๐(๐ก) = ๐ โ ๐
= ๐๐(๐ก)[1 โ ๐๐โ + ๐(โ)] + ๐๐โ1(๐ก)[๐๐โ1โ + ๐(โ)] + ๐(โ)
dari dua persamaan diatas dan asumsi bahwa โ โ 0 diperoleh persamaan diferensial
๐0โฒ (๐ก) =
๐๐0(๐ก)
๐๐ก = lim
โโ0
๐0(๐ก + โ) โ ๐0(๐ก)
โ
= limโโ0
๐0(๐ก)[1 โ ๐0โ + ๐(โ)] โ ๐0(๐ก)
โ
= limโโ0
๐0(๐ก)[1 โ ๐0โ + ๐(โ) โ 1]
โ
= ๐0(๐ก) limโโ0
โ๐0โ + ๐(โ)
โ
= โ๐0๐0(๐ก) + ๐0(๐ก) limโโ0
๐(โ)
โ
= โ๐0๐0(๐ก) + ๐0(๐ก)(0)
= โ๐0๐0(๐ก)
Sehingga,
๐๐โฒ (๐ก) =
๐๐๐(๐ก)
๐๐ก= โ๐๐๐๐(๐ก) + ๐๐โ1๐๐โ1(๐ก) (๐ = 1,2, โฆ )
๐๐โฒ (๐ก) =
๐๐๐(๐ก)
๐๐ก= limโโ0
๐๐(๐ก + โ) โ ๐๐(๐ก)
โ
132 Pengantar Proses Stokastik
๐๐โฒ (๐ก) = lim
โโ0
๐๐(๐ก + โ) โ ๐๐(๐ก)
โ
= limโโ0
๐๐(๐ก)[1 โ ๐๐โ + ๐(โ)] + ๐๐โ1(๐ก)[๐๐โ1โ + ๐(โ)] + ๐(โ) โ ๐๐(๐ก)
โ
= limโโ0
๐๐(๐ก) โ ๐๐โ๐๐(๐ก) + ๐(โ)๐๐(๐ก) + ๐๐โ1โ๐๐โ1(๐ก) + ๐(โ)๐๐โ1(๐ก) + ๐(โ) โ ๐๐(๐ก)
โ
= limโโ0
โ๐๐โ๐๐(๐ก) + ๐(โ)๐๐(๐ก) + ๐๐โ1โ๐๐โ1(๐ก) + ๐(โ)๐๐โ1(๐ก) + ๐(โ)
โ
= limโโ0
โ๐๐โ๐๐(๐ก) + ๐๐โ1โ๐๐โ1(๐ก)
โ+ limโโ0
๐(โ)๐๐(๐ก) + ๐(โ)๐๐โ1(๐ก) + ๐(โ)
โ
= โ๐๐๐๐(๐ก) + ๐๐โ1๐๐โ1(๐ก) + limโโ0
๐(โ)๐๐(๐ก) + ๐(โ)๐๐โ1(๐ก) + ๐(โ)
โ
= โ๐๐๐๐(๐ก) + ๐๐โ1๐๐โ1(๐ก) + 0 โ (๐๐๐๐๐๐ ๐๐๐๐๐ limโโ0
๐(โ)
โ= 0)
= โ๐๐๐๐(๐ก) + ๐๐โ1๐๐โ1(๐ก) โ (๐ = 1,2, โฆ )
Persamaan diferensial ๐๐(๐ก)(1 โ ๐๐โ) + ๐๐โ1(๐ก)(๐๐โ1โ) + ๐(โ) dan โ๐๐ ๐๐(๐ก) +
๐๐โ1๐๐โ1(๐ก) (๐ = 1, 2,โฏ ) disebut persamaan Kolmogorov lanjutan untuk proses
kelahiran murni. Kedua persamaan tersebut diselesaikan dengan aturan-aturan persamaan
diferensial dan diperoleh solusi sebagai berikut :
๐๐0(๐ก)
๐๐ก= โ๐0๐0(๐ก)
โซ ๐๐0(๐ก) = โซโ๐0๐0(๐ก) ๐๐ก
โซ1
๐0(๐ก)๐๐0(๐ก) = โซโ๐0 ๐๐ก
ln ๐0(๐ก) = โ๐0๐ก + ๐ถ
๐0(๐ก) = ๐ถ๐โ๐0๐ก
Rantai Markov Waktu Kontinu 133
Syarat awal :
๐0(0) = 1
๐0(๐ก) = ๐โ๐0๐ก
๐๐๐(๐ก)
๐๐ก+ ๐๐๐๐(๐ก) = ๐๐โ1๐๐โ1(๐ก)
๐๐๐๐ก๐๐๐(๐ก)
๐๐ก+ ๐๐๐๐ก๐๐๐๐(๐ก) = ๐
๐๐๐ก๐๐โ1๐๐โ1(๐ก)
โซ๐ (๐๐๐๐ก๐๐(๐ก)) = โซ๐๐๐๐ก๐๐โ1๐๐โ1(๐ก) ๐๐ก
๐๐๐๐ก๐๐ (๐ก) = ๐๐โ1โซ๐๐๐๐ก๐๐โ1(๐ก) ๐๐ก
๐๐(๐ก) = ๐๐โ1๐โ๐๐๐กโซ๐๐๐๐ก๐๐โ1(๐ก) ๐๐ก (๐ = 1, 2,โฏ )
Teorema 6.1. Untuk proses kelahiran murni ๐(๐ก), ๐ก โฅ 0 dengan parameter ๐๐, ๐ =
0,1,2, โฆ , dengan waktu antar kedatangan ๐๐+1(๐ = 0,1,2, โฆ ) independen dan terdistribusi
eksponensial dengan parameter ๐๐ (๐๐๐๐ = 1 ๐๐โ ).
Teorema 6.2. Untuk proses kelahiran murni ๐(๐ก), ๐ก โฅ 0 dengan parameter ๐๐, ๐ =
0,1,2, โฆ ,
โ๐๐(๐ก)
โ
๐=0
= 1
Karena jumlah dari semua probabilitas sama dengan , maka untuk setiap ๐ก โฅ 0 jika dan hanya
jika
โ1
๐๐
โ
๐=0
= โ
Contoh 6.1. Sebuah proses Poisson dapat diperoleh dengan mengasumsikan ๐๐ = ๐, (๐ =
0,1,2, โฆ ) untuk sebuah proses kelahiran murni. Tentu saja,
โ1
๐๐
โ
๐=0
=โ1
๐
โ
๐=0
= โ
134 Pengantar Proses Stokastik
Contoh 6.2. Berdasarkan proses kelahiran murni dengan parameter ๐๐ = 2๐๐. Lalu
โ1
๐๐
โ
๐=0
=1
๐โ
1
2๐
โ
๐=0
=2
๐< โ
Penyelesaian :
Ingat deret tak hingga
โ1
2๐
โ
๐=0
=1
20+ (โ
1
2๐
โ
๐=1
) = 1 + (1
2+1
4+1
8+โฏ) = 1 + 1 = 2
Maka
โ1
๐๐
โ
๐=0
=1
๐(โ
1
2๐
โ
๐=0
)
=1
๐(1
20+โ
1
2๐
โ
๐=1
)
=1
๐[1 + (
1
2+1
4+1
8+โฏ)]
=1
๐[1 + 1]
=2
๐< โ
Berarti bahwa kejadian itu terjadi jauh lebih sering dalam jangka waktu yang terbatas. Proses
dengan contoh ini tidak berlaku untuk proses kelahiran murni.
Yang menyiratkan bahwa peristiwa-peristiwa tersebut sering terjadi secara tak terhingga dalam
interval waktu yang terbatas. Proses dengan contoh ini tidak valid untuk merawat proses
kelahiran murni. Proses Yule dalam biologi dan proses Furry dalam fisika adalah contoh
terkenal dari kelahiran murni. Nama-nama proses tersebut berasal dari kontribusi Yule pada
teori matematika evolusi dan kontribusi Furry pada proses yang berhubungan dengan sinar
kosmik.
Untuk proses ๐โ + ๐(โ) untuk melahirkan anggota baru dalam interval waktu yang sangat
kecil. Mengingat bahwa ๐(0) = ๐, (๐ ๐๐๐๐๐๐๐๐ ๐๐ ๐๐) anggota pada waktu 0 dan diasumsikan
bahwa hubungan antar anggota independen, maka diperoleh
Rantai Markov Waktu Kontinu 135
๐๐(๐ก + โ) โ ๐(๐ก) = 1|๐(๐ก) = ๐ + ๐5 = (๐ + ๐1) [๐โ + ๐(โ)][1 โ ๐โ + ๐(โ)]๐+๐โ1
=(๐ + ๐)!
(๐ + ๐ โ 1)! 1![๐โ + ๐(โ)][1 โ ๐โ + ๐(โ)]๐+๐โ1
= (๐ + ๐)[๐โ + ๐(โ)][1 โ ๐โ + ๐(โ)]๐+๐โ1
= (๐ + ๐)[๐โ + ๐(โ)][1 โ ๐โ + ๐(โ)]๐[1 โ ๐โ + ๐(โ)]๐
1 โ ๐โ + ๐(โ)
= (๐ + ๐)๐โ + ๐(โ)
Karena ๐(โ) adalah angka yang sangat kecil maka perkalian dengan ๐(โ) menghasilkan ๐(โ)
itu sendiri
= (๐ + ๐)๐โ + ๐(โ)
yang berarti
๐๐+๐ = (๐ + ๐)๐
Note 5 : Proses probabilitas kejadian anggota baru yang dihasilkan dikurangi anggota sekarang
sama dengan 1, ditentukan oleh jumlah anggota sekarang ditambah jumlah anggota awal.
Contoh 6.3. (Proses Yule) Asumsikan ๐ = 1 untuk proses Yule, melabelkan kembali untuk
indeks
๐ = ๐, ๐ + 1, ๐ + 2,โฆ = 1,2,3, โฆ
sehingga dapat menyelesaikan ๐๐(๐ก)(๐ = 1,2,3, โฆ ) secara rekursif. Maka,
๐1(๐ก) = ๐โ๐๐ก,
๐2(๐ก) = ๐๐โ2๐๐กโซ ๐2๐๐ฅ
๐ก
0
๐1(๐ฅ)๐๐ฅ
= ๐๐โ2๐๐กโซ ๐2๐๐ฅ. ๐โ๐๐ฅ๐๐ฅ๐ก
0
= ๐๐โ2๐๐กโซ ๐๐๐ฅ๐๐ฅ๐ก
0
= ๐๐โ2๐๐ก [1
๐๐๐๐ฅ]
0
๐ก
136 Pengantar Proses Stokastik
= ๐๐โ2๐๐ก (1
๐๐๐๐ก โ
1
๐๐๐0)
= ๐๐โ2๐๐ก (1
๐๐๐๐ก โ
1
๐)
= ๐๐โ2๐๐ก.1
๐(๐๐๐ก โ 1)
= ๐โ2๐๐ก(๐๐๐ก โ 1)
= ๐โ2๐๐ก. ๐๐๐ก โ ๐โ2๐๐ก
= ๐โ๐๐ก โ ๐โ2๐๐ก
= ๐โ๐๐ก(1 โ ๐โ๐๐ก),
๐3(๐ก) = 2๐๐โ3๐๐กโซ ๐3๐๐ก
๐ก
0
๐2(๐ฅ)๐๐ฅ
= 2๐๐โ3๐๐กโซ ๐3๐๐ฅ(๐โ๐๐ฅ(1 โ ๐โ๐๐ฅ)๐ก
0
๐๐ฅ
= 2๐๐โ3๐๐กโซ (๐2๐๐ฅ(1 โ ๐โ๐๐ฅ))๐ก
0
๐๐ฅ
= 2๐๐โ3๐๐กโซ (๐2๐๐ฅ โ ๐๐๐ฅ)๐ก
0
๐๐ฅ
= 2๐๐โ3๐๐กโซ ๐2๐๐ฅ๐ก
0
๐๐ฅ โ โซ ๐๐๐ฅ๐ก
0
๐๐ฅ
Penyelesaian untuk
โซ ๐2๐๐ฅ๐ก
0
๐๐ฅ
Misalkan,
๐ข = 2๐๐ฅ, ๐๐ข
๐๐ฅ= 2๐, ๐๐ฅ =
1
2๐๐๐ข
Rantai Markov Waktu Kontinu 137
maka,
โซ ๐2๐๐ฅ๐ก
0
๐๐ฅ = โซ ๐๐ข.1
2๐๐๐ข
๐ก
0
=1
2๐โซ ๐๐ข๐๐ข๐ก
0
=1
2๐๐๐ข
dengan ๐ข = 2๐๐ฅ maka,
โซ ๐2๐๐ฅ๐ก
0
๐๐ฅ =๐2๐๐ฅ
2๐|๐ก0
Kemudian penyelesaian untuk
โซ ๐๐๐ฅ๐ก
0
๐๐ฅ
misal,
๐ข = ๐๐ก, ๐๐ข
๐๐ฅ= ๐, ๐๐ฅ =
1
๐๐๐ข
maka,
โซ ๐๐๐ก๐ก
0
๐๐ฅ = โซ ๐๐ข.๐๐ข
๐
๐ก
0
=1
๐โซ ๐๐ข๐๐ข๐ก
0
=1
๐๐๐ข
dengan ๐ข = ๐๐ฅ maka,
โซ ๐๐๐ก๐ก
0
๐๐ฅ =๐๐๐ฅ
๐|๐ก0
Sehingga
๐3(๐ก) = 2๐๐โ3๐๐กโซ ๐2๐๐ฅ
๐ก
0
๐๐ฅ โ โซ ๐๐๐ฅ๐ก
0
๐๐ฅ
= 2๐๐โ3๐๐ก [๐2๐๐ฅ
2๐โ๐๐๐ฅ
๐]0
๐ก
= 2๐๐โ3๐๐ก [๐2๐๐ฅ โ 2๐๐๐ฅ
2๐]0
๐ก
= 2๐๐โ3๐๐ก [๐2๐๐ก โ 2๐๐๐ก
2๐โ (
๐0 โ 2๐0
2๐)]
138 Pengantar Proses Stokastik
= 2๐๐โ3๐๐ก [๐2๐๐ก โ 2๐๐๐ก
2๐โ (1 โ 2
2๐)]
= 2๐๐โ3๐๐ก [๐2๐๐ก โ 2๐๐๐ก + 1
2๐]
= 2๐๐โ3๐๐ก.1
2๐[๐2๐๐ก โ 2๐๐๐ก + 1]
= ๐โ3๐๐ก[๐2๐๐ก โ 2๐๐๐ก + 1]
= ๐โ3๐๐ก. ๐2๐๐ก โ 2(๐โ3๐๐ก. ๐๐๐ก) + ๐โ3๐๐ก
= ๐โ๐๐ก โ 2๐โ2๐๐ก + ๐โ3๐๐ก
= ๐โ๐๐ก(1 โ 2๐โ2๐๐ก + ๐โ3๐๐ก)
= ๐โ๐๐ก(1 โ ๐โ๐๐ก)2,
๐๐+1(๐ก) = ๐๐๐โ(๐+1)๐๐กโซ ๐(๐+1)๐๐ก
๐ก
0
๐๐(๐ฅ)๐๐ฅ = ๐โ๐๐ก(1 โ ๐โ๐๐ก)
๐
dimana terlihat bahwa probabilitas transisi, ๐๐(๐ก) menunjukkan bahwa proses ini pada keadaan
๐ (๐ anggota) pada waktu ๐ก, mengingat bahwa keadaan 1 (1 anggota) pada waktu 0. Harus
menambahkan 1 sebagai indeks dalam persamaan.
Fungsi pembangkit untuk ๐๐(๐ก) (๐ = 1,2, โฆ ) dapat dengan mudah diperoleh dengan
menjumlahkan :
๐(๐ ) = โ๐๐(๐ก)
โ
๐=1
๐ ๐ =๐ ๐โ๐๐ก
1 โ (1 โ ๐โ๐๐ก)๐ (0 < |๐ | < 1)
Mengingat proses Yule dimana ๐(0) = ๐ adalah anggota pada waktu 0 pada umumnya.
Perhatikan bahwa proses tersebut independen dan tidak ada interaksi antar anggota yang
diberikan, anggap bahwa proses Yule dengan ๐(0) = ๐ sebagai jumlah r independen proses
Yule dengan ๐(0) = 1. Menyebabkan
๐๐๐(๐ก) = ๐๐(๐ก) = ๐|๐(0) = ๐ (๐ = ๐, ๐ + 1,โฆ )6
Note 6 : Peluang kejadian proses kelahiran anggota baru pada waktu sekarang sama dengan ๐
ditentukan oleh kelahiran awal sama dengan ๐ tanpa memperhatikan kejadian pada masa
lampau. menjadi probabilitas transisi dengan ๐(0) = ๐. Menyebabkan
Rantai Markov Waktu Kontinu 139
๐๐(๐ ) = โ๐๐๐(๐ก)๐ ๐
โ
๐=๐
(0 < |๐ | < 1)
Fungsi pembangkit untuk ๐๐๐(๐ก)(๐ = ๐, ๐ + 1,โฆ ). Maka diperoleh
๐๐(๐ ) = [๐(๐ )]๐ = [
๐ ๐โ๐๐ก
1 โ (1 โ ๐โ๐๐ก)๐ ]
๐
yang sesuai dengan fungsi karakteristik dari distribusi binomial negatif. Asumsikan ๐ =
๐๐๐ข, ๐ = ๐โ๐๐ก, maka diperoleh
๐๐๐(๐ก) = (๐ โ 1๐ โ ๐
) ๐โ๐๐๐ก(1 โ ๐โ๐๐ก)๐โ๐
=(๐ โ 1)(๐ โ 2)โฆ (๐ + 1)
(๐ก โ ๐)!๐โ๐๐ก๐(1 โ ๐โ๐๐ก)
๐โ๐
= (โ๐๐ โ ๐
) ๐โ๐๐ก๐[โ1(1 โ ๐โ๐๐ก๐)]๐โ๐
= (โ๐๐ โ ๐
) ๐โ๐๐ก๐(๐โ๐๐ก โ 1)๐โ๐
Misalkan :
๐ = ๐โ๐๐ก
Maka
๐๐๐(๐ก) = (โ๐๐ โ ๐
) ๐๐(1 โ ๐)๐โ๐ โน ๐๐๐(๐ก) = (๐ โ 1๐ โ 1
) ๐๐(1 โ ๐)๐โ๐
Maka ekspektasinya adalah
๐ธ[๐(๐ก)] = โ๐
โ
๐=0
๐๐๐(๐ก) = โ๐
โ
๐=0
(๐ โ 1๐ โ 1
) ๐๐(1 โ ๐)๐โ๐
= โ๐
โ
๐=0
(๐ โ 1)!
(๐ โ 1)! (๐ โ ๐)!๐๐(1 โ ๐)๐โ๐
= โ๐
โ
๐=0
๐
๐
(๐ โ 1)!
(๐ โ 1)! (๐ โ ๐)!
๐๐+1
๐(1 โ ๐)๐โ๐
= โ๐! ๐! (๐ โ 1)!
๐! (๐ โ 1)! (๐ โ ๐)!
โ
๐=0
๐๐+1
๐(1 โ ๐)๐โ๐
140 Pengantar Proses Stokastik
= โ๐๐! (๐ โ 1)!
๐! (๐ โ 1)! (๐ โ ๐)!
โ
๐=0
๐๐+1
๐(1 โ ๐)๐โ๐
= โ๐๐!
๐! (๐ โ ๐)!
โ
๐=0
๐๐+1
๐(1 โ ๐)๐โ๐
= โ๐
๐
โ
๐=0
๐!
๐! (๐ โ ๐)!๐๐+1(1 โ ๐)๐โ๐
=๐
๐โ
๐!
๐! (๐ โ ๐)!
โ
๐=0
๐๐+1(1 โ ๐)๐โ๐
=๐
๐(1)
=๐
๐
karena ๐ = ๐โ๐๐ก maka
๐ธ[๐(๐ก)] =๐
๐โ๐๐ก= ๐(๐โ๐๐ก)
โ1= ๐๐๐๐ก
Variansinya adalah
๐๐๐[๐(๐ก)] = ๐ธ[๐(๐ก)2] + ๐ธ[๐(๐ก)] โ ๐ธ[๐(๐ก)]2
= ๐ธ[๐(๐ก)2 + ๐(๐ก)] โ ๐ธ[๐(๐ก)] โ ๐ธ[๐(๐ก)]2
= ๐ธ[๐(๐ก)(๐(๐ก) + 1)] โ ๐ธ[๐(๐ก)] โ ๐ธ[๐(๐ก)]2
mencari ๐ธ[๐(๐ก)(๐(๐ก) + 1)]
๐ธ[๐(๐ก)(๐(๐ก) + 1)] = โ๐(๐ + 1)
โ
๐=0
(๐ โ 1๐ โ 1
)๐๐(1 โ ๐)๐โ๐
=โ๐(๐ + 1)
โ
๐=0
(๐ + 1)!
(๐ โ 1)! (๐ โ ๐)!๐๐(1 โ ๐)๐โ๐
=โ๐(๐ + 1)(๐ + 1)!
(๐ + 1)! (๐ โ ๐)!
โ
๐=0
๐๐+2
๐2(1 โ ๐)๐โ๐
Rantai Markov Waktu Kontinu 141
=โ๐(๐ + 1)
๐2
โ
๐=0
(๐ + 1)!
(๐ + 1)! (๐ โ ๐)!๐๐+2(1 โ ๐)๐โ๐
=๐(๐ก + 1)
๐2โ
(๐ + 1)!
(๐ + 1)! (๐ โ ๐)!
โ
๐=0
๐๐+2(1 โ ๐)๐โ๐
=๐(๐ก + 1)
๐2โ 1
=๐(๐ก + 1)
๐2
Maka
๐๐๐[๐(๐ก)] = ๐ธ[๐(๐ก)(๐(๐ก) + 1)] โ ๐ธ[๐(๐ก)] โ ๐ธ[๐(๐ก)]2
= (๐(๐ + 1)
๐2โ๐
๐) โ
๐2
๐2
= (๐(๐ + 1) โ ๐๐
๐2) โ
๐2
๐2
=๐2 + ๐ โ ๐๐
๐2โ๐2
๐2
=๐ โ ๐๐
๐2
=๐(1 โ ๐)
๐2
dengan ๐ = ๐โ๐๐ก, maka
๐๐๐[๐(๐ก)] =๐(1 โ ๐)
๐2=๐(1 โ ๐โ๐๐ก)
๐โ๐๐ก โ ๐โ๐๐ก= ๐(1 โ ๐โ๐๐ก)๐2๐๐ก
142 Pengantar Proses Stokastik
6.3. Proses Kematian Murni
Definisi 6.3. Jika sebuah proses stokastik ๐(๐ก), ๐ก โฅ 07 adalah sebuah rantai Markov dengan
probabilitas transisi stasioner dan memenuhi keadaan berikut :
(i) ๐(0) = ๐,
(ii) ๐๐(๐ก + โ) โ ๐(๐ก) = โ1 | ๐(๐ก) = ๐ = ๐๐โ + ๐(โ), (Probabilitas kejadian kematian
pada waktu yang akan datang dikurang proses kematian waktu sekarang sama dengan- 1,
dengan syarat proses kematian ๐ pada waktu sekarang sama dengan ๐)
(iii) ๐๐(๐ก + โ) โ ๐(๐ก) โฅ โ2 | ๐(๐ก) = ๐ = ๐(โ) (Probabilitas dari kejadian kematian pada
waktu yang akan datang dikurang proses kematian waktu sekarang lebih dari sama dengan -2,
dengan syarat proses kematian ๐ pada waktu sekarang sama dengan ๐)
lalu proses ini disebut proses kematian murni dengan parameter ๐๐, ๐ = 1,2, โฆ , ๐.
Note 7 : Himpunan kejadian proses kematian ๐ pada waktu ๐ก, dimana ๐ก pada interval [0,โ)
wajar bahwa dalam proses kelahiran murni, kejadian-kejadian sering terjadi untuk jangka
waktu yang tak terbatas (Teorema 6.2). Akan tetapi, dalam proses kematian murni, paling
banyak ๐ kejadian yang terjadi untuk jangka waktu tertentu, karena tidak ada kejadian yang
terjadi setelah proses tersebut mencapai keadaan 0, yakni keadaan 0 adalah keadaan yang
menyerap. Gambar 6.3.1 menunjukkan contoh fungsi dari proses kematian murni.
Menyebabkan
๐๐(๐ก) = ๐๐(๐ก) = ๐ | ๐(0) = ๐ (๐ = 0,1,2, โฆ , ๐)
Menjadi probabilitas transisi dengan kondisi awal ๐(0) = 0 pada Definisi 6.3. (i), memiliki
๐๐โฒ(๐ก) = โยต๐๐๐(๐ก)
๐๐โฒ(๐ก) = โยต๐๐๐(๐ก) + ยต๐+1๐๐+1(๐ก) (๐ = 1,2, . . . . . . . ๐ โ 1)
Rantai Markov Waktu Kontinu 143
๐0โฒ(๐ก) = ยต1๐1(๐ก)
merupakan persamaan Kolmogorov maju untuk proses kematian murni.
Contoh 6.4. Menetapkan parameter ๐๐ = ๐ (๐ = 1,2, โฆ , ๐) dan ๐๐(0) = 1, ๐๐(0) = 0 (๐ =
1,2, โฆ , ๐ โ 1), memiliki
๐๐(๐ก) =(๐๐ก)๐โ๐
(๐ โ ๐)!๐โ๐๐ก (๐ = 1,2, โฆ , ๐)
dan
๐0(๐ก) = 1 โโ๐๐(๐ก)
๐
๐=1
= 1 โโ(๐๐ก)๐โ๐
(๐ โ ๐)!
๐
๐=1
๐โ๐๐ก
= 1 โโ(๐๐ก)๐
๐!
๐โ1
๐=1
๐โ๐๐ก
โ ๐โ๐๐ฆ๐ โ๐๐๐๐๐ ๐๐๐๐๐๐ ๐ ๐๐๐๐๐๐ฆ๐ ๐๐๐๐๐๐๐๐ ๐๐๐๐ ๐=1 ๐ ๐๐๐๐๐ ๐โ1
yang dapat dideskripsikan oleh distribusi gamma ๐~๐บ๐ด๐(๐, ๐) (bagian 2.4.2), karena
probabilitas transisi ๐0(๐ก) adalah distribusi dari ๐ jumlah variabel random eksponensial yang
independen dengan parameter ๐.
Contoh 6.5. (Proses Kematian Murni dengan Tingkat Kematian Linear) Asumsikan bahwa
๐๐ = ๐๐ (๐ = 1,2, โฆ , ๐), yakni angka kematian sebanding dengan jumlah anggota yang hidup
dalam sebuah populasi. Menetapkan parameter ๐๐ = ๐๐ (๐ = 1,2, โฆ , ๐) dan ๐๐(0) =
1, ๐๐(0) = 0 (๐ = 1,2, โฆ , ๐ โ 1),
๐๐ (๐ก) = (๐๐) ๐โ๐๐๐ก(1 โ ๐โ๐๐ก)๐โ๐ (๐ = 0,1,2, โฆ , ๐)
Misalkan :
๐ = ๐โ๐๐ก
Maka
๐๐(๐ก) = (๐๐) ๐๐(1 โ ๐)๐โ๐ (๐ = 0,1,2, โฆ , ๐)
144 Pengantar Proses Stokastik
yaitu distribusi binomial ๐ ~ ๐ต(๐, ๐โ๐๐ก), maka ekspektasinya adalah
๐ธ[๐(๐ก)] = โ๐๐๐(๐ก)
๐
๐=0
=โ๐
๐
๐=0
(๐๐)๐๐(1 โ ๐)๐โ๐
=โ๐
๐
๐=0
๐!
๐! (๐ โ ๐)!๐๐(1 โ ๐)๐โ๐
=โ๐
๐
๐=0
๐(๐ โ 1)!
๐(๐ โ 1)! (๐ โ ๐)!๐๐๐โ1(1 โ ๐)๐โ๐
= ๐๐โ(๐ โ 1)!
(๐ โ 1)! (๐ โ ๐)!
๐
๐=0
๐๐โ1(1 โ ๐)๐โ๐
Misalkan
๐ โ 1 = ๐, ๐ = ๐ + 1
๐ โ 1 = ๐, ๐ = ๐ + 1
๐ โ ๐ = (๐ + 1) โ (๐ + 1)
= ๐ โ ๐
Maka
๐ธ[๐(๐ก)] = ๐๐โ(๐ โ 1)!
(๐ โ 1)! (๐ โ ๐)!
๐
๐=0
๐๐โ1(1 โ ๐)๐โ๐
= ๐๐ โ๐!
๐! (๐ โ ๐)!
๐+1
๐+1=0
๐๐(1 โ ๐)๐โ๐
= ๐๐(๐ + ๐)๐
= ๐๐(๐ + 1 โ ๐)๐
= ๐๐(1)๐
= ๐๐
Rantai Markov Waktu Kontinu 145
dimana ๐ = ๐โ๐๐ก
๐ธ[๐(๐ก)] = ๐๐โ๐๐ก
Variansinya adalah
๐๐๐[๐(๐ก)] = ๐ธ ([๐(๐ก) โ ๐ธ(๐(๐ก))]2)
= ๐ธ[๐(๐ก)2] โ ๐ธ[๐(๐ก)]2
mencari ๐ธ[๐(๐ก)2]
๐ธ[๐(๐ก)2] = ๐ธ[๐(๐ก)] โ ๐ธ[๐(๐ก)] + ๐ธ[๐(๐ก)]
= ๐ธ[๐(๐ก)2 โ ๐(๐ก)] + ๐ธ[๐(๐ก)]
= ๐ธ[๐(๐ก)(๐(๐ก) โ 1)] + ๐ธ[๐(๐ก)]
mencari ๐ธ[๐(๐ก)(๐(๐ก) โ 1)]
๐ธ[๐(๐ก)(๐(๐ก) โ 1)] = โ๐(๐ โ 1)
๐
๐=0
(๐๐) ๐๐(1 โ ๐)๐โ๐
= โ๐(๐ โ 1)
๐
๐=0
๐!
๐! (๐ โ ๐)!๐๐(1 โ ๐)๐โ๐
= โ๐(๐ โ 1)
๐
๐=0
๐(๐ โ 1)(๐ โ 2)!
๐(๐ โ 1)(๐ โ 2)! (๐ โ ๐)!๐2๐๐โ2(1 โ ๐)๐โ๐
= โ๐(๐ โ 1)(๐ โ 2)!
(๐ โ 2)! (๐ โ ๐)!
๐
๐=0
๐2๐๐โ2(1 โ ๐)๐โ๐
= ๐(๐ โ 1)๐2โ(๐ โ 2)!
(๐ โ 2)! (๐ โ ๐)!
๐
๐=0
๐๐โ2(1 โ ๐)๐โ๐
Misalkan :
๐ โ 2 = ๐, ๐ = ๐ + 2
๐ โ 2 = ๐, ๐ = ๐ + 2
๐ โ ๐ = ๐ + 2 โ (๐ + 2)
= ๐ โ ๐
146 Pengantar Proses Stokastik
Maka
๐ธ[๐(๐ก)(๐(๐ก) โ 1)] = ๐(๐ โ 1)๐2 โ๐!
๐! (๐ โ ๐)!
๐+2
๐+2=0
๐๐(1 โ ๐)๐โ๐
= ๐(๐ โ 1)๐2(๐ + ๐)๐
= ๐(๐ โ 1)๐2(๐ + (1 โ ๐))๐
= ๐(๐ โ 1)๐2(1)๐
= ๐(๐ โ 1)๐2
= ๐2๐2 โ ๐๐2
maka variansinya
๐๐๐[๐(๐ก)] = ๐ธ[๐(๐ก)2] โ ๐ธ[๐(๐ก)]2
= [๐ธ(๐(๐ก)(๐(๐ก) โ 1)) + ๐ธ(๐(๐ก))] โ ๐ธ[๐(๐ก)]2
= (๐2๐2 โ ๐๐2 + ๐๐) โ (๐๐)2
= ๐2๐2 โ ๐2๐2 + ๐๐(1 โ ๐)
= ๐๐(1 โ ๐)
dengan ๐ = ๐โ๐๐ก maka
๐๐๐[๐(๐ก)] = ๐๐โ๐๐ก(1 โ ๐โ๐๐ก)
6.4. Proses Kelahiran dan Kematian
Definisi 6.4. Jika sebuah proses stokastik ๐(๐ก), ๐ก โฅ 0 adalah sebuah rantai Markov dengan
probabilitas transisi stasioner dan memenuhi keadaan berikut :
a. ๐(0) = ๐,
b. ๐๐(๐ก + โ) โ ๐(๐ก) = 1|๐(๐ก) = ๐ = ๐๐โ + ๐(โ),
c. ๐๐(๐ก + โ) โ ๐(๐ก) = โ1|๐(๐ก) = ๐ = ๐๐โ + ๐(โ),
d. ๐๐๐ข๐ ๐๐ก๐๐ข ๐๐๐๐โ ๐๐๐๐๐ ๐ก๐๐ค๐ ๐ฆ๐๐๐ ๐ก๐๐๐๐๐๐ ๐๐ (๐ก, ๐ก + โ]|๐(๐ก) = ๐ = ๐(โ),
Rantai Markov Waktu Kontinu 147
maka proses tersebut dinamakan proses kelahiran dan kematian dengan parameter
๐๐, ๐๐+1, ๐ = 0,1,2, โฆ , dimana ๐๐ dan ๐๐+1 disebut angka kelahiran dan angka kematian
secara berturut-turut.
Definisi diatas dapat di interpretasikan sebagai berikut :
i. Memberikan kondisi awal ๐(0) = ๐, sehingga megimplikasikan
๐๐๐(๐ก) = ๐๐(๐ก) = ๐ | ๐(0) = ๐
๐๐๐(0) = ๐๐(0) = ๐ | ๐(0) = ๐ = 1
๐๐๐(0) = ๐๐(0) = ๐ | ๐(0) = ๐ = 0
ii. Menunjukkan bahwa laju kelahiran pada proses yang terjadi di keadaan ๐ adalah
๐๐.
iii. Menunjukkan bahwa laju kematian pada proses yang terjadi di keadaan ๐ adalah
๐๐.
iv. Menunjukkan bahwa probabilitas terjadinya 2 atau lebih kejadian di interval kecil
โ di abaikan.
Dari persamaan di definisi 6.4. ii., iii., iv, maka diperoleh
๐๐(๐ก + โ) โ ๐(๐ก) = 0 | ๐(๐ก) = 0 = 1 โ ๐0โ + ๐(โ)
๐๐(๐ก + โ) โ ๐(๐ก) = 0 | ๐(๐ก) = ๐ = 1 โ (๐๐ + ๐๐)โ + ๐(โ) (๐ = 0,1,2, โฆ )
Misalkan
๐๐๐(๐ก) = ๐๐(๐ก) = ๐ | ๐(0) = ๐
sebagai probabilitas proses yang terjadi pada keadaan ๐ di waktu ๐ก dengan syarat telah terjadi
proses pada keadaan ๐ di waktu 0.
Dengan mengaplikasikan persamaan Chapman-Kolmogorov, yaitu
๐๐๐(๐ก + ๐ ) = โ๐๐๐(๐ก)๐๐๐(๐ )
โ
๐=0
dan mengasumsikan waktu sebagai ๐ก dan โ, dimana โ > 0 adalah interval waktu yang sangat
kecil. Sehingga untuk ๐ = 0, diperoleh
๐๐0(๐ก + โ) = โ๐๐๐(๐ก)๐๐๐(โ)
โ
๐=0
= ๐๐0(๐ก)๐0๐(โ) + ๐๐1(๐ก)๐1๐(โ) +โ๐๐๐(๐ก)๐๐๐(โ)
โ
๐=2
148 Pengantar Proses Stokastik
= ๐๐0(๐ก)๐๐(๐ก + โ) โ ๐(๐ก) = 0 | ๐(๐ก) = 0 +
๐๐1(๐ก)๐๐(๐ก + โ) โ ๐(๐ก) = โ1 | ๐(๐ก) = 1 +
โ๐๐๐(๐ก)๐๐(๐ก + โ) โ ๐(๐ก) = โ๐ | ๐(๐ก) = ๐
โ
๐=2
= ๐๐0(๐ก)[1 โ ๐0โ + ๐(โ)] + ๐๐1(๐ก)[๐1โ + ๐(โ)] + ๐(โ)
dengan mengatur ulang kedua sisi,
๐๐0(๐ก + โ) = ๐๐0(๐ก) โ ๐0๐๐0(๐ก)โ + ๐๐0(๐ก)๐(โ) + ๐1๐๐1(๐ก)โ + ๐๐1(๐ก)๐(โ) + ๐(โ)
Kemudian jika kedua ruas kita turunkan terhadap ๐ก dan memisalkan โ โ 0, maka
๐๐๐0(๐ก)
๐๐ก= ๐๐0
โฒ (๐ก) = limโโ0
๐๐0(๐ก + โ) โ ๐๐0(๐ก)
โ
= limโโ0
๐๐0(๐ก) โ ๐0๐๐0(๐ก)โ + ๐๐0(๐ก)๐(โ) + ๐1๐๐1(๐ก)โ + ๐๐1(๐ก)๐(โ) + ๐(โ) โ ๐๐0(๐ก)
โ
= limโโ0
โ๐0๐๐0(๐ก)โ + ๐๐0(๐ก)๐(โ) + ๐1๐๐1(๐ก)โ + ๐๐1(๐ก)๐(โ) + ๐(โ)
โ
=โ๐0๐๐0(๐ก)โ + ๐1๐๐1(๐ก)โ
โ
=โ(โ๐0๐๐0(๐ก) + ๐1๐๐1(๐ก))
โ
= โ๐0๐๐0(๐ก) + ๐1๐๐1(๐ก)
Sehingga diperoleh secara umum untuk ๐
๐๐๐(๐ก + โ) = ๐๐๐โ1(๐ก)๐๐(๐ก + โ) โ ๐(๐ก) = 1 | ๐(๐ก) = ๐ โ 1 +
๐๐๐(๐ก)๐๐(๐ก + โ) โ ๐(๐ก) = 0 | ๐(๐ก) = ๐ +
๐๐๐+1(๐ก)๐๐(๐ก + โ) โ ๐(๐ก) = โ1 | ๐(๐ก) = ๐ + 1 +
โ ๐๐๐(๐ก)๐๐(๐ก + โ) โ ๐(๐ก) = ๐ โ ๐ | ๐(๐ก) = ๐
โ
๐=0๐โ ๐โ1,๐,๐+1
= ๐๐๐โ1(๐ก)[๐๐โ1โ + ๐(โ)] + ๐๐๐(๐ก)[1 โ (๐๐ + ๐๐)โ + ๐(โ)] +
๐๐๐+1(๐ก)[๐๐+1โ + ๐(โ)] + ๐(โ)
Rantai Markov Waktu Kontinu 149
= ๐๐โ1๐๐๐โ1(๐ก)โ + ๐๐๐โ1(๐ก)๐(โ) + ๐๐๐(๐ก) โ (๐๐ + ๐๐)๐๐๐(๐ก)โ +
๐๐๐(๐ก)๐(โ) + ๐๐+1๐๐๐+1(๐ก)โ + ๐๐๐+1(๐ก)๐(โ) + ๐(โ)
Kemudian jika kedua ruas kita turunkan terhadap ๐ก dan memisalkan โ โ 0, maka
๐๐๐๐(๐ก)
๐๐ก= ๐๐๐
โฒ (๐ก) = limโโ0
๐๐๐(๐ก + โ) โ ๐๐๐(๐ก)
โ
=๐๐โ1๐๐๐โ1(๐ก)โ โ (๐๐ + ๐๐)๐๐๐(๐ก)โ + ๐๐+1๐๐๐+1(๐ก)โ
โ
=โ (๐๐โ1๐๐๐โ1(๐ก) โ (๐๐ + ๐๐)๐๐๐(๐ก) + ๐๐+1๐๐๐+1(๐ก))
โ
= ๐๐โ1๐๐๐โ1(๐ก) โ (๐๐ + ๐๐)๐๐๐(๐ก) + ๐๐+1๐๐๐+1(๐ก)
Persamaan ๐๐0โฒ (๐ก) dan ๐๐๐
โฒ (๐ก) disebut persamaan Kolmogorov maju untuk proses kelahiran dan
kematian.
Teorema 6.3. Untuk proses kelahiran dan kematian ๐(๐ก), ๐ก โฅ 0 dengan parameter
๐๐, ๐๐+1, ๐ = 0,1,2, โฆ , ketika proses pada keadaan ๐ (๐ = 0,1,2, โฆ ) di waktu ๐ก, yaitu ๐(๐ก) =
๐, waktu antar kedatangan didistribusikan secara eksponensial dengan parameter ๐๐ + ๐๐, di
mana probabilitas untuk pindah ke keadaan berikutnya ๐ โ 1 atau ๐ + 1 adalah
๐๐๐๐ + ๐๐
Atau
๐๐๐๐ + ๐๐
Perhatikan bahwa ketika ๐ = 0, keadaan transisi yang mungkin hanya keadaan 1. Yaitu di
interpretasikan bahwa ๐0 = 0 mengimplikasikan
๐๐๐๐ + ๐๐
=๐0
๐0 + ๐0=
0
๐๐ + 0= 0
Dan
๐๐๐๐ + ๐๐
=๐0
๐0 + ๐0=
๐0๐0 + 0
= 1
150 Pengantar Proses Stokastik
Untuk proses kelahiran dan kematian ๐(๐ก), ๐ก โฅ 0 prosesnya bersifat stasioner kenaikan
independen yang menghasilkan distribusi eksponensial dari semua waktu antarkedatangan
antar transisi. Secara khusus, untuk keadaan ๐, waktu antar kedatangan didistribusikan secara
eksponensial dengan parameter ๐๐ + ๐๐, dan proses berpindah ke keadaan ๐ + 1 dengan
probabilitas ๐๐/(๐๐ + ๐๐) dan ke keadaan ๐ โ 1 dengan probabilitas ๐๐/(๐๐ + ๐๐).
Perhatikan bahwa
๐๐๐๐ + ๐๐
+๐๐
๐๐ + ๐๐= 1
menyiratkan bahwa tidak ada transisi lain kecuali keadaan ๐ โ 1 dan ๐ + 1.
Untuk menjelaskan persamaan diferensial ๐๐0โฒ (๐ก) dan ๐๐๐
โฒ (๐ก), kita analogkan model fisika
sederhana dari sebuah tangki air. Terdapat sebuah tangki air yang berisi air setinggi ๐ฅ(๐ก) pada
waktu ๐ก, dimana jumlah air yang masuk adalah ๐ผ per satuan waktu dan jumlah yang keluar
adalah ๐ per satuan waktu. Persamaan differensial dari ๐ฅ(๐ก) diberikan oleh
๐๐ฅ(๐ก)
๐๐ก= ๐ผ โ ๐
Jika kita mempertimbangkan dua model aliran dari tangki air, maka persamaan diferensialnya
menjadi
๐๐ฅ1(๐ก)
๐๐ก= ๐ผ1 โ ๐1 ,
๐๐ฅ2(๐ก)
๐๐ก= ๐ผ2 โ ๐2
dengan ๐1 = ๐ผ2. Dimana ๐ฅ1(๐ก) dan ๐ฅ2(๐ก) adalah tinggi tangki 1 dan 2 pada waktu ๐ก. Oleh
karena itu, kita juga dapat menuliskan persamaan differensial ๐๐0โฒ (๐ก) dan ๐๐๐
โฒ (๐ก) sebagai
๐๐๐๐(๐ก)
๐๐ก=
๐๐โ1๐๐๐โ1(๐ก) โ (๐๐ + ๐๐)๐๐๐(๐ก) + ๐๐+1๐๐๐+1(๐ก)
โ๐0๐๐0(๐ก) + ๐1๐๐1(๐ก) (๐ = 1,2,โฏ )(๐ = 0)
Contoh 6.6. (Proses Pertumbuhan Linear) Proses kelahiran dan kematian disebut proses
pertumbuhan linear jika
๐๐ = ๐๐, ๐๐+1 = (๐ + 1)๐ (๐ = 0,1,2, โฆ )
Contoh proses tersebut muncul dalam studi reproduksi biologis dan pertumbuhan populasi.
Perhatikan bahwa ๐0 = 0 dan keadaan 0 hanyalah keadaan menyerap, kita memiliki persamaan
maju Kolmogorov berikut :
๐๐0โฒ (๐ก) = โ๐0๐๐0(๐ก) + ๐1๐๐1(๐ก)
๐๐0โฒ (๐ก) = โ0๐๐0(๐ก) + ๐1๐๐1(๐ก)
Rantai Markov Waktu Kontinu 151
๐๐0โฒ (๐ก) = ๐1๐๐1(๐ก) (๐ = 0)
๐๐๐โฒ (๐ก) = ๐๐โ1๐๐,๐โ1(๐ก) โ (๐๐ + ๐๐)๐๐๐(๐ก) + ๐๐+1๐๐,๐+1(๐ก)
๐๐๐โฒ (๐ก) = (๐ โ 1)๐๐๐,๐โ1(๐ก) โ ๐(๐ + ๐)๐๐๐(๐ก) + (๐ + 1)๐๐๐,๐+1(๐ก) (๐ = 1,2,โฏ )
Diasumsikan ๐(0) = ๐ โฅ 1, ekspektasi pada waktu ๐ก adalah
๐(๐ก) = ๐ธ[๐(๐ก)] =โ๐๐๐๐(๐ก)
โ
๐=0
Jika kita mengalikan persamaan ๐๐๐โฒ (๐ก) dengan ๐ pada kedua sisi dan menjumlahkan sebanyak
๐, sehingga
๐๐๐โฒ (๐ก) = (๐ โ 1)๐๐๐,๐โ1(๐ก) โ ๐(๐ + ๐)๐๐๐(๐ก) + (๐ + 1)๐๐๐,๐+1(๐ก)
๐๐๐๐โฒ (๐ก) = ๐(๐ โ 1)๐๐๐,๐โ1(๐ก) + ๐(๐ + 1)๐๐๐,๐+1(๐ก) โ ๐
2(๐ + ๐)๐๐๐(๐ก)
โ๐๐๐๐โฒ (๐ก)
โ
๐=0
=โ(๐(๐ โ 1)๐๐๐,๐โ1(๐ก) + ๐(๐ + 1)๐๐๐,๐+1(๐ก) โ ๐2(๐ + ๐)๐๐๐(๐ก))
โ
๐=0
๐โฒ(๐ก) = (๐ โ ๐)โ๐๐๐๐(๐ก)
โ
๐=0
= (๐ โ ๐)๐(๐ก)
dengan kondisi awal ๐(0) = ๐. Sehingga solusi dari persamaan diatas adalah
๐(๐ก) = ๐๐(๐โ๐)๐ก
Misalkan kita membatasi perlakuan dari ๐(๐ก) sebagai ๐ก โ โ. Sehingga
lim๐กโโ
๐(๐ก) = 0๐โ
(๐ < ๐)(๐ = ๐)(๐ > ๐)
Jika ๐ > ๐, rata-rata populasi divergen. Jika ๐ = ๐, rata-rata populasi tdak berubah sepanjang
waktu. Jika ๐ < ๐, rata-rata populasi konvergen ke nol.
Misalkan diasumsikan secara umum bahwa semua parameter positif untuk proses kelahiran
dan kematian,
๐๐ > 0, ๐๐+1 > 0 (๐ = 0,1,2,โฏ )
Proses tersebut adalah proses yang irreducible dan rekuren. Namun, kita harus mengidentifikasi
apakah proses tersebut rekuren positif atau bukan. Mengingat kembali bahwa probabilitas
152 Pengantar Proses Stokastik
keadaan stabil artinya bahwa tinggi air tidak pernah berubah sepanjang waktu pada model
tangki air.
Jika terdapat probabilitas yang membatasi
๐๐ = lim๐กโโ
๐๐๐(๐ก)
yang mana independen pada keadaan awal ๐, maka
โ๐0๐0 + ๐1๐1 = 0
๐๐โ1๐๐โ1 โ (๐๐ + ๐๐)๐๐ + ๐๐+1๐๐+1 = 0
dengan mengasumsikan ๐๐๐โฒ (๐ก) = 0 dan mensubtitusikan ๐๐ untuk ๐๐๐(๐ก). Dari hukum total
probabilitas, kita punya
โ๐๐
โ
๐=0
= 1
Sehingga
โ๐0๐0 + ๐1๐1 = 0
๐0๐0 = ๐1๐1
๐0๐0 โ ๐1๐1 โ ๐1๐1 + ๐2๐2 = 0
๐1๐1 โ ๐0๐0 = ๐2๐2 โ ๐1๐1
๐1๐1 โ ๐2๐2 โ ๐2๐2 + ๐3๐3 = 0
๐2๐2 โ ๐1๐1 = ๐3๐3 โ ๐2๐2
โฎ
๐๐โ1๐๐โ1 โ ๐๐โ2๐๐โ2 = ๐๐๐๐ โ ๐๐โ1๐๐โ1
Menjumlahkan kedua sisi, diperoleh
๐0๐0 + ๐1๐1 โ ๐0๐0 + ๐2๐2 โ ๐1๐1 +โฏ+ ๐๐โ1๐๐โ1 โ ๐๐โ2๐๐โ2
โ ๐1๐1 + ๐2๐2 โ ๐1๐1 + ๐3๐3 โ ๐2๐2 +โฏ+ ๐๐๐๐ โ ๐๐โ1๐๐โ1
โ ๐๐โ1๐๐โ1 = ๐๐๐๐
Rantai Markov Waktu Kontinu 153
๐๐ =๐๐โ1
๐๐๐๐โ1 =
๐๐โ1๐๐โ2
๐๐๐๐โ1๐๐โ2 = โฏ =
๐๐โ1๐๐โ2โฏ๐0
๐๐๐๐โ1โฏ๐1๐0 = (โ
๐๐โ1๐๐
๐
๐=1
)๐0
โ๐๐
โ
๐=0
= ๐0 +โ๐๐
โ
๐=1
= ๐0 +โ(โ๐๐โ1๐๐
๐
๐=1
)๐0
โ
๐=1
= [1 +โโ๐๐โ1๐๐
๐
๐=1
โ
๐=1
] ๐0 = 1
Teorema 6.4. Untuk proses kelahiran dan kematian dengan parameter ๐๐, ๐๐+1, ๐ =
0,1,2, โฆ , jika kita asumsikan semua parameternya positif, yaitu
๐๐ > 0, ๐๐+1 > 0 (๐ = 0,1,2, โฆ )
ada probabilitas yang membatasi
๐๐ = lim๐กโ0
๐๐๐(๐ก) (๐, ๐ = 0,1,2, โฆ )
yang independen dari keadaan awal ๐ jika dan hanya jika
โโ๐๐โ1๐๐
๐
๐=1
< โ
โ
๐=0
dimana kita mendalilkan โ = 1๐๐=1 untuk ๐ = 0. Kemudian diberikan probabilitas pembatas
oleh
๐0 = [โโ๐๐โ1๐๐
๐
๐=1
โ
๐=0
]
โ1
๐๐ = (โ๐๐โ1๐๐
๐
๐=1
)๐0
Contoh 6.7. (๐ด๐๐ก๐๐๐๐ ๐/๐/1) Seperti sebuah contoh dari proses kelahiran dan kematian,
disebut antrian ๐/๐/1, dimana pelanggan datang pada laju Poisson ๐ dan dilayani secara
eksponensial pada laju ๐ dengan jumlah saluran hanya satu, dan ukuran antrian tidak terbatas.
Rinciannya akan dibahas pada Bab 9. Kemudian ๐๐ = ๐ dan ๐๐+1 = ๐ (๐ = 0,1,2,โฏ ) untuk
proses kelahiran dan kematian. Sehingga
โโ๐๐โ1๐๐
๐
๐=1
โ
๐=0
=โโ๐
๐
๐
๐=1
โ
๐=0
=โ(๐
๐)๐โ
๐=0
=1
1 โ ๐< โ
154 Pengantar Proses Stokastik
jika dan hanya jika ๐ < 1, dimana ๐ =๐
๐ disebut intensitas lalu lintas dari sistem. Artinya, jika
๐ < ๐, terdapat probabilitas pembatas
๐๐ = (1 โ ๐)๐๐ (๐ < 1; ๐ = 0,1,2,โฏ )
yang merupakan distribusi geometrik ๐ ~ ๐บ๐ธ๐(1 โ ๐).
Contoh 6.8. (๐๐๐ก๐๐๐๐ ๐/๐/โ) Sebagai contoh lain dari proses kelahiran dan kematian,
pertimbangkan antrian /๐/ โ ๐๐๐ก๐๐๐๐, dimana calon pelanggan tiba pada tingkat Poisson ๐
dan disajikan secara eksponensial pada tingkat ๐ dengan jumlah tak terbatas (yaitu: semua
pelanggan yang datang dilayani segera). Kemudian ๐๐ = ๐, ๐๐+1 = (๐ + 1)๐ (๐ =
0,1,2, โฆ ) untuk proses kelahiran dan kematian. Memverifikasi pada persamaan
โ โ๐๐โ1
๐๐
๐๐=1 < โโ
๐=0 dan mendapatkan ๐ข =๐
๐, kita dapatkan
โโ๐๐โ1๐๐
๐
๐=1
โ
๐=0
=โโ๐
(๐ + 1)๐
๐
๐=1
โ
๐=0
=โ1
๐!(๐
๐)๐โ
๐=0
= ๐๐ข < โ
yang valid untuk setiap intensitas lalu lintas ๐ข. Yaitu, untuk setiap ๐ dan ๐, ada probabilitas
terbatas
๐๐ =๐ข๐
๐!๐โ๐ข (๐ = 0,1,2, โฆ )
yang merupakan distribusi Poisson ๐~๐๐๐ผ(๐ข).
Gambar 6.4.6 diagram blok dari proses kelahiran dan kematian dengan keadaan terbatas.
Disini kita juga tertarik pada proses kelahiran dan kematian dengan ruang keadaan terbatas.
Misalkan ๐ = 0,1,2,โฏ ,๐, dimana ๐ terhingga. Kita mempunyai persamaan Kolmogorov maju
:
๐๐0โฒ (๐ก) = โ๐0๐๐0(๐ก) + ๐1๐๐1(๐ก) (๐ = 0)
๐๐๐โฒ (๐ก) = ๐๐โ1๐๐,๐โ1(๐ก) โ (๐๐ + ๐๐)๐๐๐(๐ก) + ๐๐+1๐๐,๐+1(๐ก) (๐ = 1,2,โฏ ,๐ โ 1)
๐๐๐โฒ (๐ก) = ๐๐โ1๐๐๐โ1(๐ก) โ ๐๐๐๐๐(๐ก) (๐ = ๐)
Rantai Markov Waktu Kontinu 155
Teorema 6.5. Untuk keadaan terbatas dari kelahiran dan kematian dengan parameter
๐๐, ๐๐+1, ๐ = 0,1,2, โฆ ,๐, dimana ๐ terbatas, jika menganggap bahwa semua parameter
positif,
๐๐ > 0, ๐๐+1 > 0 (๐ = 0,1,2, โฆ ,๐ โ 1)
kemudian ada batas-batas probabilitas
๐๐ = lim๐กโโ
๐๐๐(๐ก) =
[โโ
๐๐โ1๐๐
]
๐
๐=1
๐
๐=0
]
โ1
(๐ = 0)
(โ๐๐โ1/๐๐
๐
๐=1
)๐0 (๐ = 1,2, โฆ , ๐)
yang independen dari keadaan awal ๐, dimana kita mendalilkan โ = 1๐๐=1 untuk ๐ = 0.
Contoh 6.9. (๐๐๐ก๐๐๐๐ ๐/๐/1/๐) Diberikan antrian ๐/๐/1/๐, yaitu ketika potensi
pelanggan tiba di tingkat Poisson ๐ dan disajikan secara eksponensial pada kecepatan ๐ dengan
satu alur, dimana ukuran sistem maksimum (termasuk pelanggan yang dilayani) adalah ๐ <
โ. Menggunakan Teorema 6.5, diperoleh
๐๐ =
(1 โ ๐)๐๐
1 โ ๐๐+1 (๐ โ 1; ๐ = 0,1,2,โฆ ,๐)
1
๐ + 1 (๐ = 1; ๐ = 0,1,2, โฆ ,๐)
dimana ๐ = ๐/๐ adalah intensitas trafik. Perhatikan bahwa ada batas-batas kemungkinan ๐๐
terlepas dari jumlah ๐, karena kondisi persamaan
โ โ๐๐โ1๐๐
๐
๐=1
< โ
โ
๐=0
selalu pas untuk keadaan terbatas rantai Markov.
Contoh 6.10. (๐๐๐๐ก๐๐ ๐๐๐๐๐๐ฃ ๐๐ข๐ ๐๐๐๐๐๐๐) Untuk rantai Markov dua keadaan, memiliki
persamaan garis depan Kolmogorov berikut :
๐๐0โฒ (๐ก) = โ๐๐๐0(๐ก) + ๐๐๐1(๐ก) (๐ = 0,1),
๐๐1โฒ (๐ก) = ๐๐๐0(๐ก) โ ๐๐๐1(๐ก) (๐ = 0,1),
156 Pengantar Proses Stokastik
dimana diasumsikan ๐0 = ๐ dan ๐1 = ๐, untuk kesederhanaan. Menerapkan Teorema 6.5
dimiliki probabilitas terbatas sebagai berikut :
๐๐ = [โโ๐๐โ1๐๐
๐
๐=1
๐
๐=0
]
โ1
(๐ = 0)
๐๐ = (โ๐๐โ1๐๐
๐
๐=1
)๐0 (๐ = 1,2,โฏ ,๐)
๐0 = [1 +๐
๐]โ1
= [๐ + ๐
๐]โ1
=1
๐ + ๐๐
=๐
๐ + ๐
๐1 = (๐
๐) ๐0 = (
๐
๐) (
๐
๐ + ๐) =
๐
๐ + ๐
Penyelesaian persamaan diferensial tersebut dengan nilai awal ๐00(0) = 1 dan ๐01(0) = 0
sebagai berikut :
๐00(๐ก) =๐
๐ + ๐+
๐
๐ + ๐๐โ(๐+๐)๐ก
๐01(๐ก) =๐
๐ + ๐โ
๐
๐ + ๐๐โ(๐+๐)๐ก
Kita punya probabilitas dengan nilai awal ๐10(0) = 0 dan ๐11(0) = 1 sebagai berikut :
๐10(๐ก) =๐
๐ + ๐โ
๐
๐ + ๐๐โ(๐+๐)๐ก
๐11(๐ก) =๐
๐ + ๐+
๐
๐ + ๐๐โ(๐+๐)๐ก
Disetiap kasus kita punya probabilitas pembatas ๐๐ yang independen dengan distribusi awal.
Misalkan diasumsikan distribusi awal
๐๐(0) = 0 = ๐0 =๐
๐ + ๐
๐๐(0) = 1 = ๐1 =๐
๐ + ๐
Maka distribusi probabilitas transisi pada waktu ๐ก diberikan oleh
Rantai Markov Waktu Kontinu 157
๐(0)๐(๐ก) = [๐
๐ + ๐
๐
๐ + ๐] [๐00(๐ก) ๐01(๐ก)
๐10(๐ก) ๐11(๐ก)]
= [๐
๐ + ๐
๐
๐ + ๐]
[ ๐
๐ + ๐+
๐
๐ + ๐๐โ(๐+๐)๐ก
๐
๐ + ๐โ
๐
๐ + ๐๐โ(๐+๐)๐ก
๐
๐ + ๐โ
๐
๐ + ๐๐โ(๐+๐)๐ก
๐
๐ + ๐+
๐
๐ + ๐๐โ(๐+๐)๐ก
]
= [๐2 + ๐๐๐โ(๐+๐)๐ก
(๐ + ๐)2+๐๐ โ ๐๐๐โ(๐+๐)๐ก
(๐ + ๐)2๐๐ โ ๐๐๐โ(๐+๐)๐ก
(๐ + ๐)2+๐2 + ๐๐๐โ(๐+๐)๐ก
(๐ + ๐)2]
= [๐2 + ๐๐
(๐ + ๐)2๐๐ + ๐2
(๐ + ๐)2]
= [๐(๐ + ๐)
(๐ + ๐)(๐ + ๐)
๐(๐ + ๐)
(๐ + ๐)(๐ + ๐)]
= [๐
(๐ + ๐)
๐
(๐ + ๐)] = ๐(0)
yang mana independen pada waktu ๐ก.
Dengan mengasumsikan waktu โ dan ๐ก, dan memisalkan โ โ 0 untuk proses kelahiran dan
kematian, sehingga kita punya
๐0๐(โ + ๐ก) = โ๐๐๐(โ)๐๐๐(๐ก)
โ
๐=0
= ๐๐0(โ)๐0๐(๐ก) + ๐๐1(โ)๐1๐(๐ก) +โ๐๐๐(โ)๐๐๐(๐ก)
โ
๐=2
= ๐๐(๐ก + โ) โ ๐(๐ก) = 0 | ๐(๐ก) = 0๐0๐(๐ก) +
๐๐(๐ก + โ) โ ๐(๐ก) = โ1 | ๐(๐ก) = 1๐1๐(๐ก) +
โ๐๐(๐ก + โ) โ ๐(๐ก) = โ๐ | ๐(๐ก) = ๐๐๐๐(๐ก)
โ
๐=2
= [1 โ ๐0โ + ๐(โ)]๐0๐(๐ก) + [๐1โ + ๐(โ)]๐1๐(๐ก) + ๐(โ)
dengan mengatur ulang kedua sisi,
๐0๐(โ + ๐ก) = ๐0๐(๐ก) โ ๐0๐0๐(๐ก)โ + ๐0๐(๐ก)๐(โ) + ๐1๐1๐(๐ก)โ + ๐1๐(๐ก)๐(โ) + ๐(โ)
158 Pengantar Proses Stokastik
Kemudian jika kedua ruas kita turunkan terhadap ๐ก dan memisalkan โ โ 0, maka
๐๐0๐(๐ก)
๐๐ก= ๐0๐
โฒ (๐ก) = limโโ0
๐0๐(โ + ๐ก) โ ๐0๐(๐ก)
โ
= limโโ0
๐0๐(๐ก) โ ๐0๐0๐(๐ก)โ + ๐0๐(๐ก)๐(โ) + ๐1๐1๐(๐ก)โ + ๐1๐(๐ก)๐(โ) + ๐(โ) โ ๐0๐(๐ก)
โ
= limโโ0
โ๐0๐0๐(๐ก)โ + ๐0๐(๐ก)๐(โ) + ๐1๐1๐(๐ก)โ + ๐1๐(๐ก)๐(โ) + ๐(โ)
โ
=โ๐0๐0๐(๐ก)โ + ๐1๐1๐(๐ก)โ
โ
=โ (โ๐0๐0๐(๐ก) + ๐1๐1๐(๐ก))
โ
= โ๐0๐0๐(๐ก) + ๐1๐1๐(๐ก)
Sehingga diperoleh secara umum untuk ๐
๐๐๐(โ + ๐ก) = ๐๐(โ + ๐ก) โ ๐(๐ก) = 1 | ๐(๐ก) = ๐ โ 1๐๐โ1,๐(๐ก) +
๐๐(โ + ๐ก) โ ๐(๐ก) = 0 | ๐(๐ก) = ๐๐๐๐(๐ก) +
๐๐(โ + ๐ก) โ ๐(๐ก) = โ1 | ๐(๐ก) = ๐ + 1๐๐+1,๐(๐ก) = ๐ + 1๐๐+1,๐(๐ก)
= โ ๐๐(โ + ๐ก) โ ๐(๐ก) = ๐ โ ๐ | ๐(๐ก) = ๐๐๐๐(๐ก)
โ
๐=0๐โ ๐โ1,๐,๐+1
= [๐๐โ1โ + ๐(โ)]๐๐โ1,๐(๐ก) + [1 โ (๐๐ + ๐๐)โ + ๐(โ)]๐๐๐(๐ก) +
[๐๐+1โ + ๐(โ)]๐๐+1,๐(๐ก) + ๐(โ)
= ๐๐โ1๐๐โ1,๐(๐ก)โ + ๐๐โ1,๐(๐ก)๐(โ) +
๐๐๐(๐ก) โ (๐๐ + ๐๐)๐๐๐(๐ก)โ +
๐๐๐(๐ก)๐(โ) + ๐๐+1๐๐+1,๐(๐ก)โ + ๐๐+1,๐(๐ก)๐(โ) + ๐(โ)
Kemudian jika kedua ruas kita turunkan terhadap ๐ก dan memisalkan โ โ 0, maka
๐๐๐๐(๐ก)
๐๐ก= ๐๐๐
โฒ (๐ก) = limโโ0
๐๐๐(โ + ๐ก) โ ๐๐๐(๐ก)
โ
Rantai Markov Waktu Kontinu 159
=๐๐โ1๐๐โ1,๐(๐ก)โ โ (๐๐ + ๐๐)๐๐๐(๐ก)โ + ๐๐+1๐๐+1,๐(๐ก)โ
โ
=โ (๐๐โ1๐๐โ1,๐(๐ก) โ (๐๐ + ๐๐)๐๐๐(๐ก) + ๐๐+1๐๐+1,๐(๐ก))
โ
= ๐๐โ1๐๐โ1,๐(๐ก) โ (๐๐ + ๐๐)๐๐๐(๐ก) + ๐๐+1๐๐+1,๐(๐ก)
sebagai persamaan Kolmogorov mundur.
Untuk mengekspresikan bentuk matriks, kita perkenalkan generator sangat kecil untuk proses
kelahiran dan kematian :
๐ด =
[ โ๐0 ๐0 0 0 โฏ๐1 โ(๐1 + ๐1) ๐1 0 โฏ0 ๐2 โ(๐2 + ๐2) ๐2 โฏ0 0 ๐3 โ(๐3 + ๐3) โฏโฎ โฎ โฎ โฎ โฑ]
Kita dapat mengekspresikan persamaan Kolmogorov maju dalam bentuk matriks :
๐โฒ(๐ก) = ๐(๐ก)๐ด
dimana ๐โฒ(๐ก) = [๐๐๐โฒ (๐ก)]. Catatan bahwa kondisi awal diberikan oleh
๐(0) = ๐ผ
dimana ๐ผ adalah matriks identitas.
Kita juga dapat mengekspresikan persamaan Kolmogorov mundur dalam bentuk matriks :
๐โฒ(๐ก) = ๐ด๐(๐ก)
Jika persamaan Kolmogorov maju dan mundur dalam bentuk matriks mempunyai solusi yang
unik, maka solusi tersebut identik, yaitu
๐(๐ก) = ๐๐ด๐ก = ๐ผ +โ๐ด๐๐ก๐
๐!
โ
๐=1
Contoh 6.11. Diberikan proses Poisson dengan parameter ๐. Jika diasumsikan ๐(0) = ๐. Yaitu
keadaan awal adalah keadaan ๐ pada waktu 0, maka
๐๐๐(๐ก) = 0 (๐ < ๐), ๐๐๐(๐ก) =(๐๐ก)๐โ๐
(๐ โ ๐)!๐โ๐๐ก (๐ โฅ ๐)
160 Pengantar Proses Stokastik
Persamaan Kolmogorov maju diberikan oleh
๐๐๐` (๐ก) = โ๐๐๐๐(๐ก) + ๐๐๐๐โ1(๐ก)
Kemudian dapat dicatat bahwa ๐๐+1,๐(๐ก) = ๐๐,๐โ1(๐ก) karena kemungkinan dari transisi
diketahui bahwa (๐ โ 1) โ ๐ = ๐ โ (๐ + 1) kejadian berlangsung pada interval waktu ๐ก, yaitu
๐๐๐` (๐ก) = โ๐๐๐๐(๐ก) + ๐๐๐๐+1(๐ก)
yang merupakan persaman Kolmogorov mundur untuk proses Poisson.
Proses Pembaruan 161
BAB VII
PROSES PEMBARUAN
7.1. Pendahuluan
Proses pembaruan Markov merupakan proses stokastik dengan kombinasi dari rantai Markov
dan proses pembaruan. Didefinisikan proses pembaruan ๐(๐ก), ๐ก โฅ 0 sebagai proses
penghitungan yang menunjukkan jumlah pembaruan hingga waktu ๐ก. Proses pembaruan
Markov merupakan generalisasi dari proses pembaruan dimana waktu pembaruan ditentukan
berdasarkan rantai Markov.
Gambar 1 : Fungsi sampel dari proses stokastik (๐ฟ, ๐ป)
Misalkan ruang state ๐ = 0, 1, 2,โฏ ,๐ dimana ๐ terbatas. Diberikan dua vektor variabel
random ๐ dan ๐ pada proses pembaharuan Markov atau proses semi-Markov. Vektor variabel
random ๐ฟ adalah ๐(๐) โถ ๐ = 0, 1, 2,โฏ , dimana ๐(๐) = ๐ menunjukkan proses di state ๐
pada waktu diskrit ๐. Vektor variabel random ๐ป adalah ๐๐ โถ ๐ = 0, 1, 2,โฏ , ๐๐ menunjukkan
variabel random dari waktu kedatangan ke-๐ pada proses yang bergerak dari satu state ke state
lainnya (termasuk bergerak ke dirinya sendiri), ๐0 = 0.
Diberikan proses stokastik ๐(๐ก), ๐ก โฅ 0, dengan ๐(๐ก) = ๐ diartikan sebagai proses di state ๐
pada waktu ๐ก. Dimisalkan ๐ต(๐ก), ๐ก โฅ 0 suatu proses stokastik, vektor ๐ต(๐ก) didefinisikan
sebagai berikut :
162 Pengantar Proses Stokastik
๐ต(๐ก) = [๐0(๐ก)๐1(๐ก)โฏ๐๐(๐ก)]
dengan ๐๐(๐ก) = ๐ merupakan jumlah kedatangan random di state ๐ sebanyak ๐ pada interval
waktu (0, ๐ก]. Variabel random ๐(๐ก) dapat menentukan state pada waktu ๐ก, dan vektor variabel
random ๐(๐ก) dapat menentukan perumuman variabel random pembaruan di setiap state ๐ =
0, 1, 2,โฏ ,๐.
Definisi 7.1. Proses stokastik ๐(๐ก), ๐ก โฅ 0 disebut proses pembaharuan Markov jika
๐๐(๐ + 1) = ๐, ๐๐+1 โ ๐๐ โค ๐ก | ๐(0) = ๐0, โฏ , ๐(๐) = ๐; ๐0 = 0, ๐1 = ๐ก1, โฏ , ๐๐ = ๐ก๐
= ๐๐(๐ + 1) = ๐, ๐๐+1 โ ๐๐ โค ๐ก|๐(๐) = ๐, ๐๐ = ๐ก๐
= ๐๐๐(๐ก) (7.2)
Memenuhi untuk setiap ๐ = 0,1,2,โฏ ; ๐ = 0,1,2,โฏ ,๐ dan ๐ก โ [0,โ).
Note : ๐(๐ + 1) = ๐ merupakan proses pada waktu ๐ + 1 di state ๐. ๐๐+1 merupakan waktu
kedatangan ke-๐ + 1 dimana proses berpindah dari satu state ke state lainnya (termasuk
bergerak pada dirinya sendiri).
Probabilitas terjadinya pembaruan diwaktu mendatang dengan syarat terjadi proses pembaruan
saat ini dengan waktu pembaruan ๐ก๐.
Definisi 7.2. Proses stokastik ๐(๐ก), ๐ก โฅ 0 disebut proses semi-Markov jika persamaan
๐ต(๐ก) = [๐0(๐ก)๐1(๐ก)โฏ๐๐(๐ก)] memenuhi setiap ๐ = 0, 1, 2,โฏ ; ๐, ๐ = 0, 1, 2,โฏ ,๐ dan ๐ก โ
[0,โ).
Proses pembaharuan Markov dan proses semi-Markov dari sudut pandang proses stokastik
adalah sama. Pembeda antara kedua proses adalah vektor variabel random yang digunakan.
Pada proses pembaharuan Markov vektor variabel random ๐(๐ก), sedangkan pada proses semi-
Markov ๐(๐ก).
Diasumsikan proses dengan waktu homogen, yakni
๐๐,๐(๐ก) = ๐๐(๐ + 1) = ๐, ๐๐+1 โ ๐๐ โค ๐ก|๐(๐) = ๐, ๐๐ = ๐ก๐
Independen dengan ๐๐ = ๐ก๐. Selanjutnya, ๐๐๐(๐ก) disebut fungsi massa atau probabilitas transisi
satu langkah untuk proses pembaharuan Markov. Matriks ๐(๐ก) tersusun dari ๐๐๐(๐ก), yaitu
๐(๐ก) = [๐๐๐(๐ก)]
disebut kernel semi-Markov. Probabilitas transisi satu langkah merupakan probabilitas setelah
melakukan transisi dari state ๐ selanjutnya ke state ๐ selama kurun waktu kurang dari atau sama
dengan ๐ก. Probabilitas transisi satu langkah memenuhi persamaan berikut :
Proses Pembaruan 163
๐๐๐(๐ก) โฅ 0,โ๐๐๐(โ)
๐
๐=0
= 1 (๐, ๐ = 0,1,2,โฏ ,๐)
Misalkan
๐๐๐ = lim๐กโโ
๐๐๐(๐ก) = ๐๐(๐ + 1) = ๐|๐(๐) = ๐
dinotasikan sebagai probabilitas transisi yang mana proses dapat berpindah dari state ๐ ke state
๐, dengan mengabaikan waktu ketika berada di state ๐. Probabilitas transisi eventual memenuhi
:
๐๐๐ โฅ 0 (๐, ๐ = 0,1,2,โฏ ,๐)
โ๐๐๐
๐
๐=0
= 1 (๐ = 0,1,2,โฏ ,๐)
Rantai markov waktu diskrit ๐(๐), ๐ = 0,1,2,โฏ mempunyai probabilitas transisi yang
mungkin terjadi ๐๐๐ (๐, ๐ = 0,1,2,โฏ ,๐) yang disebut rantai Markov tertanam.
Jika ๐๐๐ > 0 untuk beberapa ๐ dan ๐, maka dapat didefinisikan
๐น๐๐(๐ก) =๐๐๐(๐ก)
๐๐๐
dan jika ๐๐๐ = 0 untuk beberapa state ๐ dan ๐, maka dapat didefinisikan ๐๐๐(๐ก) = 0 untuk setiap
๐ก โฅ 0 dan ๐น๐๐(๐ก) = 1(๐ก) (fungsi tangga). Distribusi ๐น๐๐(๐ก) adalah distribusi dari waktu tinggal
yang dihabiskan di state ๐ dengan state selanjutnya adalah state ๐.
Contoh 7.1. Diberikan suatu proses pembaharuan Markov ๐0(๐ก), ๐ก โฅ 0 dengan state
tunggal, yakni state 0, dimana ๐00 = 1 dan ๐น00 adalah distribusi yang berubah-ubah. Artinya,
proses pembaharuan Markov semacam itu merupakan proses pembaruan dengan distribusi
waktu antar kedatangan ๐น00(๐ก), yang telah dibahas secara menyeluruh pada Bab 4.
Contoh 7.2. (Rantai Markov Diskrit) Diberikan proses semi-markov ๐(๐ก), ๐ก โฅ 0, dimana
diasumsikan bahwa
๐๐๐(๐ก) = ๐๐๐1(๐ก โ 1)
untuk semua ๐, ๐ = 0,1,2,โฏ ,๐, dimana 1(๐ก โ 1) adalah fungsi tangga pada ๐ก = 1. Maka
proses semi-Markov ๐(๐ก), ๐ก โฅ 0 adalah rantai Markov waktu diskrit ๐(๐), ๐ = 0,1,2,โฏ
dengan probabilitas transisi ๐๐๐ (๐, ๐ = 0,1,2,โฏ ,๐).
164 Pengantar Proses Stokastik
Contoh 7.3. (Rantai Markov Kontinu) Diberikan suatu proses semi-markov ๐(๐ก), ๐ก โฅ 0,
dimana diasumsikan bahwa
๐๐๐(๐ก) = ๐๐๐(1 โ ๐โ๐๐๐ก)
jika ๐๐๐ > 0, dan
๐๐๐(๐ก) = 0
jika ๐๐๐ = 0 untuk semua ๐, ๐ = 0,1,2,โฏ ,๐; ๐ โ ๐; dan ๐๐๐(๐ก) = 0 (๐ = 0,1,2,โฏ ,๐).
Sehingga proses semi-markov adalah rantai markov waktu kontinu dengan generator yang
sangat kecil A dengan elemen bukan diagonalnya ๐๐๐๐๐ (๐ โ ๐) dan elemen diagonalnya
โ๐๐ (๐, ๐ = 0,1,2,โฏ ,๐).
Diketahui bahwa ๐๐๐(๐ก) = ๐๐๐๐น๐๐(๐ก) adalah probabilitas transisi satu langkah dari state ๐ ke
state ๐ untuk ๐, ๐ = 0,1,2,โฏ ,๐. Diasumsikan bahwa momen pertama dan kedua dari distribusi
waktu tingga ๐น๐๐(๐ก) ada, yaitu
๐๐๐ = โซ ๐ก๐๐น๐๐(๐ก)โ
0
, ๐๐๐(2)= โซ ๐ก2๐๐น๐๐(๐ก)
โ
0
(๐, ๐ = 0,1,2,โฏ ,๐)
Didefinisikan
๐ป๐(๐ก) =โ๐๐๐(๐ก)
๐
๐=0
(๐ = 0,1,2,โฏ ,๐)
yang mana disebut distribusi tak bersyarat pada state ๐, karena ๐ป๐(๐ก) merupakan distribusi yang
tidak menentukan state selanjutnya. Didefinisikan momen pertama dan kedua dari ๐ป๐(๐ก) adalah
๐๐ = โซ ๐ก๐๐ป๐(๐ก)โ
0
= โ๐๐๐๐๐๐
๐
๐=0
, ๐๐2
= โซ ๐ก2๐๐ป๐(๐ก)โ
0
= โ๐๐๐๐๐๐2
๐
๐=0
(๐ = 0,1,2,โฏ ,๐)
๐๐ disebut rata-rata tak bersyarat pada state ๐.
Didefinisikan fungsi pembaharuan Markov
Proses Pembaruan 165
๐๐๐(๐ก) = ๐ธ[๐๐(๐ก)|๐(0) = ๐] (๐, ๐ = 0,1,2,โฏ ,๐)
dimana fungsi pembaharuan diperumum dan merupakan ekspektasi banyak kedatangan sampai
state ๐ pada interval (0, ๐ก], mengingat proses dimulai di state ๐ pada waktu 0. Teori kombinasi
pembaharuan dan rantai Markov didefinisikan sebagai berikut :
๐๐๐(๐ก) = โโซ ๐๐๐(๐ก โ ๐ฅ)๐๐๐๐(๐ฅ)๐ก
0
+โซ [1 +๐๐๐(๐ก โ ๐ฅ)]๐๐๐๐(๐ฅ)๐ก
0
๐
๐=0๐โ ๐
= ๐๐๐(๐ก) +โโซ ๐๐๐(๐ก โ ๐ฅ)๐๐๐๐(๐ฅ)๐ก
0
๐
๐=0
= ๐๐๐(๐ก) +โ๐๐๐ โ ๐๐๐(๐ก)
๐
๐=0
notasi * menandakan konvolusi Stieltjes. Matriks M(๐ก) = [๐๐๐(๐ก)] dan ๐(๐ก) = [๐๐๐(๐ก)],
sehingga persamaan ๐๐๐(๐ก) = ๐๐๐(๐ก) + โ ๐๐๐ โ ๐๐๐(๐ก)๐๐=0 dapat dituliskan dalam bentuk
matriks :
M(๐ก) = Q(๐ก) + Q โ M(๐ก)
notasi * pada matriks menunjukkan perkalian matriks kecuali perkalian setiap elemen diganti
dengan konvolusi Stieltjes. Persamaan pembaharuan dalam bentuk matriks yang dapat
dituliskan sebagai berikut :
M(๐ก) = Q(๐ก) + Q โ M(๐ก)
M(๐ก) โ Q โ M(๐ก) = Q(๐ก) + Q โ M(๐ก) โ Q โ M(๐ก)
[I โ Q] โ M(๐ก) = Q(๐ก)
dimana ๐ฐ adalah matriks identitas dengan elemen diagonal 1(๐ก) (fungsi tangga).
Contoh 7.4. Diberikan proses kelahiran dan kematian dua langkah, maka
๐01(๐ก) = 1 โ ๐โ๐๐ก, ๐10(๐ก) = 1 โ ๐
โ๐๐ก, ๐00(๐ก) = ๐11(๐ก) = 0
Dengan transformasi Laplace-Stietjes,
๐๐๐โ (๐ ) = โซ ๐โ๐ ๐ก๐๐๐๐(๐ก)
โ
0
166 Pengantar Proses Stokastik
๐ธโ(๐ ) = [0
๐
๐ + ๐๐
๐ + ๐0]
Dan
๐ดโ(๐ ) = [๐ โ ๐โ(๐ )]โ1 โ ๐
=
[
[1 00 1
] โ [0
๐
๐ + ๐๐
๐ + ๐0]
] โ1
โ [1 00 1
]
=
[
[1 โ(
๐
๐ + ๐)
โ(๐
๐ + ๐) 1
]
] โ1
โ [1 00 1
]
=1
1.1 โ (โ(๐
๐ + ๐)(โ (
๐๐ + ๐)))
[1 โ(
๐
๐ + ๐)
โ(๐
๐ + ๐) 1
] โ [1 00 1
]
=
[ ๐ 2 + ๐๐ + ๐๐ + ๐ ๐
๐ 2 + ๐๐ + ๐ ๐
๐๐ + ๐๐
๐ 2 + ๐๐ + ๐ ๐
๐๐ + ๐ ๐
๐ 2 + ๐๐ + ๐ ๐
๐ 2 + ๐๐ + ๐๐ + ๐ ๐
๐ 2 + ๐๐ + ๐ ๐ ]
โ [1 00 1
]
๐ดโ(๐ ) =
[
๐๐
๐ 2 + ๐๐ + ๐ ๐
๐๐ + ๐๐
๐ 2 + ๐๐ + ๐ ๐๐๐ + ๐ ๐
๐ 2 + ๐๐ + ๐ ๐
๐๐
๐ 2 + ๐๐ + ๐ ๐]
=1
๐ (๐ + ๐ + ๐)[
๐๐ ๐(๐ + ๐)๐(๐ + ฮป) ๐๐
]
maka diperoleh
๐00โ (๐ ) = ๐11
โ (๐ ) =๐๐
๐ 2 + ๐ ๐ + ๐ ๐
๐10โ (๐ ) =
๐๐ + ๐ ๐
๐ 2 + ๐ ๐ + ๐ ๐=
๐(๐ + ๐)
๐ 2 + ๐ ๐ + ๐ ๐
Proses Pembaruan 167
๐01โ (๐ ) =
๐๐ + ๐๐
๐ 2 + ๐ ๐ + ๐ ๐=
๐(๐ + ๐)
๐ 2 + ๐ ๐ + ๐ ๐
Mencari ๐บ๐๐โ (๐ )
๐บ๐๐โ (๐ ) =
๐๐๐โ (๐ )
1 + ๐๐๐โ (๐ )
(๐, ๐ = 0,1,2, โฆ ,๐)
๐บ01โ (๐ ) =
๐01โ (๐ )
1 + ๐11โ (๐ )
=(๐(๐ + ๐)
๐ 2 + ๐ ๐ + ๐ ๐)
1 + (๐๐
๐ 2 + ๐ ๐ + ๐ ๐)
=(๐(๐ + ๐)
๐ 2 + ๐ ๐ + ๐ ๐)
(๐ 2 + ๐ ๐ + ๐ ๐ + ๐๐๐ 2 + ๐ ๐ + ๐ ๐
)
=๐(๐ + ๐)
๐ 2 + ๐ ๐ + ๐ ๐ + ๐๐
=๐(๐ + ๐)
(๐ + ๐)(๐ + ๐)
=๐
๐ + ๐
๐บ10โ (๐ ) =
๐10โ (๐ )
1 + ๐00โ (๐ )
=(๐(๐ + ๐)
๐ 2 + ๐ ๐ + ๐ ๐)
1 + (๐๐
๐ 2 + ๐ ๐ + ๐ ๐)
=(
๐(๐ + ๐๐ 2 + ๐ ๐ + ๐ ๐
)
(๐ 2 + ๐ ๐ + ๐ ๐ + ๐๐๐ 2 + ๐ ๐ + ๐ ๐
)
=๐(๐ + ๐)
๐ 2 + ๐ ๐ + ๐ ๐ + ๐๐
=๐(๐ + ๐)
(๐ + ๐)(๐ + ๐)
=๐
๐ + ๐
168 Pengantar Proses Stokastik
๐บ00โ (๐ ) = ๐บ11
โ (๐ ) =๐00โ (๐ )
1 + ๐00โ (๐ )
=(
๐๐๐ 2 + ๐ ๐ + ๐ ๐
)
1 + (๐๐
๐ 2 + ๐ ๐ + ๐ ๐)
=(
๐๐๐ 2 + ๐ ๐ + ๐ ๐
)
(๐ 2 + ๐ ๐ + ๐ ๐ + ๐๐๐ 2 + ๐ ๐ + ๐ ๐
)
=๐๐
๐ 2 + ๐ ๐ + ๐ ๐
=๐๐
(๐ + ๐)(๐ + ๐)
Ingat bahwa pada Contoh 4.4
๐น(๐ก) = 1 โ ๐โ๐๐ก
Maka
๐นโ(๐ ) =๐
๐ + ๐
maka dari kesamaan diatas jika memiliki
๐บ01โ (๐ ) =
๐
๐ + ๐ ๐๐๐๐ ๐บ01(๐ ) = 1 โ ๐
โ๐๐ก
๐บ10โ (๐ ) =
๐
๐ + ๐ ๐๐๐๐ ๐บ10(๐ ) = 1 โ ๐
โ๐๐ก
๐บ00โ (๐ ) = ๐บ11
โ (๐ ) = ๐๐
(๐ + ๐)(๐ + ๐)
Syarat 1 : jika ๐ โ ๐, maka ubah ke dalam bentuk (๐ + ๐)(๐ + ๐). Maka
๐๐
(๐ + ๐)(๐ + ๐)=
๐๐
(๐ + ๐)(๐ + ๐)โ (1)
Proses Pembaruan 169
=โ๐๐
(๐ + ๐)(๐ + ๐)โ (โ1)
=โ๐๐
(๐ + ๐)(๐ + ๐)โ(โ(๐ โ ๐))
(๐ โ ๐)
=โ๐๐(โ(๐ โ ๐))
(๐ + ๐)(๐ + ๐)(๐ โ ๐)
=โ๐๐(โ๐ + ๐)
(๐ + ๐)(๐ + ๐)(๐ โ ๐)
=โ๐๐2 โ ๐2๐
(๐ + ๐)(๐ + ๐)(๐ โ ๐)
=โ๐๐2 โ ๐2๐ โ ๐๐ ๐ + ๐๐ ๐
(๐ + ๐)(๐ + ๐)(๐ โ ๐)
=โ๐๐(๐ + ๐) + ๐๐(๐ + ๐)
(๐ + ๐)(๐ + ๐)(๐ โ ๐)
=โ๐๐(๐ + ๐)
(๐ + ๐)(๐ + ๐)(๐ โ ๐)+
๐๐(๐ + ๐)
(๐ + ๐)(๐ + ๐)(๐ โ ๐)
=โ๐๐
(๐ + ๐)(๐ โ ๐)+
๐๐
(๐ + ๐)(๐ โ ๐)
=๐๐
โ(๐ โ ๐)(๐ + ๐)+
๐๐
(๐ + ๐)(๐ โ ๐)
=๐๐
(๐ โ ๐)(๐ + ๐)+
๐๐
(๐ + ๐)(๐ โ ๐)
ingat bentuk ๐น(๐ก) = 1 โ ๐โ๐๐ก maka ๐นโ(๐ก) =๐
๐ +๐. Maka
=๐
๐ โ ๐โ๐
๐ + ๐+
๐
๐ โ ๐โ๐
๐ + ๐
=๐
๐ โ ๐(1 โ ๐โ๐๐ก) +
๐
๐ โ ๐(1 โ ๐โ๐๐ก)
Jadi ๐บ00(๐ ) = ๐บ11(๐ ) = ๐บ๐๐(๐ ) untuk syarat ๐ โ ๐ adalah
๐บ๐๐(๐ ) =๐
๐ โ ๐(1 โ ๐โ๐๐ก) +
๐
๐ โ ๐(1 โ ๐โ๐๐ก)
170 Pengantar Proses Stokastik
Syarat 2 : jika ๐ = ๐ (konsep seperti 4.3)
๐บ๐๐โ (๐ ) =
๐๐
(๐ + ๐)(๐ + ๐)=
๐๐
(๐ + ๐)2
=๐2
(๐ + ๐)2
= (๐
๐ + ๐)2
dapat dilihat dari Contoh 4.3. ketika punya
๐น(๐ก) = 1 โ (1 + ๐๐ก)๐โ๐๐ก
maka
๐นโ(๐ก) = (๐
๐ + ๐)
maka
๐บ๐๐(๐ก) = 1 โ (1 + ๐๐ก)๐โ๐๐ก
Diperoleh
๐บ01(๐ก) = 1 โ ๐โ๐๐ก
๐บ10(๐ก) = 1 โ ๐โ๐๐ก
๐บ๐๐(๐ก) =
๐
๐ โ ๐(1 โ ๐โ๐๐ก) +
๐
๐ โ ๐(1 โ ๐โ๐๐ก) ๐๐๐๐๐๐ ๐ โ ๐
1 โ (1 + ๐๐ก)๐โ๐๐ก ๐๐๐๐๐๐ ๐ = ๐
Mencari ๐๐๐(๐ก)
๐๐๐(๐ก) = ๐บ๐๐โ (๐ ) + ๐บ๐๐
โ (๐ )๐๐๐โ (๐ )
๐00(๐ ) = ๐00(๐ ) = ๐บ00โ (๐ ) + ๐บ00
โ (๐ ).๐00โ (๐ )
=๐๐
(๐ + ๐)(๐ + ๐)+
๐๐
(๐ + ๐)(๐ + ๐).
๐๐
๐ (๐ + ๐ + ๐)
=๐๐
(๐ + ๐)(๐ + ๐).โ๐ (๐ + ๐ + ๐)
โ๐ (๐ + ๐ + ๐)+
๐๐
(๐ + ๐)(๐ + ๐) .
๐๐
๐ (๐ + ๐ + ๐)
Proses Pembaruan 171
=๐๐ 2๐ + ๐2๐ ๐ + ๐๐ ๐ข2
(๐ + ๐)(๐ + ๐)(๐ (๐ + ๐ + ๐))+
๐2๐2
(๐ + ๐)(๐ + ๐)(๐ (๐ + ๐ + ๐))
=๐2๐2 + ๐๐ 2๐ + ๐2๐ ๐ + ๐๐ ๐ข2
๐ 4 + 2๐๐ 3 + 2๐ 3๐ + 3๐๐ 2๐ + ๐ 2๐2 + ๐2๐ 2 + ๐2๐ ๐ + ๐๐ ๐2
=๐๐ 2๐ + ๐2๐ ๐ + ๐๐ ๐ข2 โ ๐๐
๐๐ + ๐2 + 2๐๐ + ๐ ๐ + ๐2
=๐๐ 2๐ + ๐2๐ ๐ + ๐๐ ๐ข2 โ ๐๐
๐๐ + ๐2 + ๐๐ + ๐ ๐ + ๐๐ + ๐2
=๐๐ 2๐ + ๐2๐ ๐ + ๐๐ ๐ข2 โ ๐๐
(๐ + ๐)(๐ + ๐ + ๐)
=๐๐ ๐(๐ + ๐ + ๐) โ ๐๐
(๐ + ๐)(๐ + ๐ + ๐)
=๐๐ ๐(๐ + ๐ + ๐)
(๐ + ๐)(๐ + ๐ + ๐)โ
๐๐
(๐ + ๐)(๐ + ๐ + ๐)
=๐๐ ๐
๐ + ๐โ (
๐๐
๐ + ๐ .
1
๐ + ๐ + ๐)
=๐๐ ๐
๐ + ๐โ (
๐๐
๐ + ๐ .
1
๐ + ๐ + ๐ . 1)
=๐๐๐
๐ + ๐โ (
๐๐
๐ + ๐ .
1
๐ + ๐ + ๐ . ๐ + ๐
๐ + ๐)
๐00(๐ ) =๐๐๐
๐ + ๐โ (
๐๐
(๐ + ๐)2 .
(๐ + ๐)
๐ + (๐ + ๐))
Ingat bentuk ๐น(๐ก) = 1 โ ๐โ๐๐ก, ๐น(๐ก) =๐
๐ +๐ dengan parameter ๐, maka ketika kita punya
๐ + ๐
๐ + ๐ + ๐
dengan parameter ๐ + ๐ maka kita punya :
๐00(๐ ) = 1 โ ๐โ(๐+๐)๐ก
๐00(๐ ) =๐๐๐
๐ + ๐โ (
๐๐
(๐ + ๐)2 . (1 โ ๐โ(๐+๐)๐ก ))
172 Pengantar Proses Stokastik
๐00(๐ ) =๐๐๐
๐ + ๐โ
๐๐
(๐ + ๐)2 (1 โ ๐โ(๐+๐)๐ก )
๐01(๐ ) = ๐บ01โ (๐ ) + ๐บ01
โ (๐ ) + ๐11โ (๐ )
=๐
๐ + ๐+
๐
๐ + ๐+ (
๐
๐ (๐ + ๐ + ๐))
=๐
๐ + ๐+
๐
๐ + ๐+ (
๐
๐ (๐ + ๐ + ๐))
=๐
๐ + ๐+
๐2 ๐
(๐ + ๐)(๐ (๐ + ๐ + ๐))
=๐(๐ + ๐)(๐ (๐ + ๐ + ๐)) + ๐2๐(๐ + ๐)
(๐ + ๐)2(๐ (๐ + ๐ + ๐))
=(๐๐ + ๐2)(๐ 2 + ๐ ๐ + ๐ ๐) + ๐2๐๐ + ๐3๐
(๐ + ๐)2(๐ (๐ + ๐ + ๐))
=๐๐ 3 + ๐2๐ 2 + ๐๐ 2๐ + ๐2๐ 2 + ๐ ๐3 + ๐2๐ ๐ + ๐2๐๐ + ๐3๐
(๐ 2 + 2๐๐ + ๐2)(๐ 2 + ๐ ๐ + ๐ ๐)
=๐๐ 3 + 2๐2๐ 2 + ๐๐ 2๐ + ๐ ๐3 + 2๐2๐ ๐ + ๐3๐
(๐ 2 + 2๐๐ + ๐2)(๐ 2 + ๐ ๐ + ๐ ๐)
=๐๐ 2๐ + ๐2๐ ๐ + ๐๐ ๐2 + ๐2
๐๐ + ๐2 + 2๐๐ + ๐ ๐ + ๐2
=๐๐ 2๐ + ๐2๐ ๐ + ๐๐ ๐2 + ๐2
๐๐ + ๐2 + ๐๐ + ๐ ๐ + ๐๐ + ๐2
=๐๐ 2๐ + ๐2๐ ๐ + ๐๐ ๐2 + ๐2
(๐ + ๐)(๐ + ๐ + ๐)
=๐๐ ๐(๐ + ๐ + ๐) + ๐2
(๐ + ๐)(๐ + ๐ + ๐)
=๐๐ ๐(๐ + ๐ + ๐)
(๐ + ๐)(๐ + ๐ + ๐)+
๐2
(๐ + ๐)(๐ + ๐ + ๐)
=๐๐ ๐
๐ + ๐+ (
๐2
(๐ + ๐)(๐ + ๐ + ๐)(1))
Proses Pembaruan 173
=๐๐ ๐
๐ + ๐+ (
๐2
(๐ + ๐)(๐ + ๐ + ๐)
(๐ + ๐)
(๐ + ๐))
=๐๐ ๐
๐ + ๐+ (
๐2
(๐ + ๐)2(๐ + ๐)
(๐ + ๐ + ๐))
Ingat bentuk ๐นโ(๐ ) =๐
๐ +๐ maka ๐น(๐ ) = 1 โ ๐โ๐๐ dengan parameter ฮป maka
๐01(๐ ) =๐๐ ๐
๐ + ๐+
๐2
(๐ + ๐)2(1 โ ๐โ(๐+๐)๐ )
๐01(๐ก) =๐๐๐ก
๐ + ๐+
๐2
(๐ + ๐)2(1 โ ๐โ(๐+๐)๐ก)
๐10(๐ ) = ๐บ10โ (๐ ) + ๐บ10
โ (๐ ) + ๐11โ (๐ )
=๐
๐ + ๐+
๐
๐ + ๐+ (
๐๐
๐ (๐ + ๐ + ๐))
=๐
๐ + ๐+
๐2 ๐
(๐ + ๐)(๐ (๐ + ๐ + ๐))
=๐
๐ + ๐+
๐๐2
(๐ + ๐)(๐ 2 + ๐๐ + ๐๐ )
=๐(๐ + ๐)(๐ 2 + ๐๐ + ๐๐ ) + (๐ + ๐)๐๐2
(๐ + ๐)2(๐ 2 + ๐๐ + ๐๐ )
=(๐๐ + ๐2)(๐ 2 + ๐๐ + ๐๐ ) + ๐ ๐๐2 + ๐๐3
(๐ + ๐)2(๐ 2 + ๐๐ + ๐๐ )
=๐๐ 3 + ๐๐ 2๐ + ๐2๐ 2 + ๐2๐ 2 + ๐2๐๐ + ๐3๐ + ๐2๐๐ + ๐๐3
(๐ + ๐)2(๐ 2 + ๐๐ + ๐๐ )
=๐๐ 3 + ๐๐ 2๐ + 2๐2๐ 2 + 2๐2๐๐ + ๐3๐ +๐๐3
(๐ + ๐)2(๐ 2 + ๐๐ + ๐๐ )
=๐๐ 3 + ๐๐ 2๐ + 2๐2๐ 2 + 2๐2๐๐ + ๐3๐ +๐๐3
(๐ 2 + 2๐ ๐ + ๐2)(๐ 2 + ๐๐ + ๐๐ )
=๐๐ 2๐ + ๐2๐ ๐ + ๐๐ ๐2 + ๐2
๐๐ + ๐2 + 2๐๐ + ๐ ๐ + ๐2
174 Pengantar Proses Stokastik
=๐๐ 2๐ + ๐2๐ ๐ + ๐๐ ๐2 + ๐2
๐๐ + ๐2 + ๐๐ + ๐ ๐ + ๐๐ + ๐2
=๐๐ 2๐ + ๐2๐ ๐ + ๐๐ ๐2 + ๐2
๐๐ + ๐2 + ๐๐ + ๐ ๐ + ๐๐ + ๐2
=๐๐ 2๐ + ๐2๐ ๐ + ๐๐ ๐2 + ๐2
(๐ + ๐)(๐ + ๐ + ๐)
=๐๐ ๐(๐ + ๐ + ๐) + ๐2
(๐ + ๐)(๐ + ๐ + ๐)
=๐๐ ๐(๐ + ๐ + ๐)
(๐ + ๐)(๐ + ๐ + ๐)+
๐2
(๐ + ๐)(๐ + ๐ + ๐)
=๐๐ ๐
๐ + ๐+ (
๐2
(๐ + ๐)(๐ + ๐ + ๐)(1))
=๐๐ ๐
๐ + ๐+ (
๐2
(๐ + ๐)(๐ + ๐ + ๐)
(๐ + ๐)
(๐ + ๐))
=๐๐ ๐
๐ + ๐+ (
๐2
(๐ + ๐)2(๐ + ๐)
(๐ + ๐ + ๐))
Ingat bentuk ๐นโ(๐ ) =๐
๐ +๐ maka
๐น(๐ ) = 1 โ ๐โ๐๐
dengan parameter ๐ maka
๐10(๐ ) =๐๐ ๐
๐ + ๐+
๐2
(๐ + ๐)2(1 โ ๐โ(๐+๐)๐ )
๐10(๐ก) =๐๐๐ก
๐ + ๐+
๐2
(๐ + ๐)2(1 โ ๐โ(๐+๐)๐ก)
Mencari ๐00โ (๐ ) โ maka ๐ = 0
Mencari ๐ป๐ โ (๐ )
๐ป๐ โ (๐ ) =โ๐๐๐โ (๐ )
๐
๐=0
Proses Pembaruan 175
๐ป๐ โ (๐ ) =โ๐๐0โ (๐ )
๐
๐=0
๐ป๐ โ (๐ ) = ๐01โ (๐ ) + ๐11
โ (๐ )
Diketahui
๐ป๐ โ (๐ ) = [0
๐
๐ + ๐๐
๐ + ๐0]
๐00โ (๐ ) = 0
๐11โ (๐ ) = 0
๐01โ (๐ ) =
๐
๐ + ๐
๐10โ (๐ ) =
๐
๐ + ๐
๐ป0โ(๐ ) =
๐
๐ + ๐
Mencari ๐๐๐โ (๐ ), ๐ = 0
๐๐๐โ (๐ ) = 1 โ ๐ป๐โ(๐ ) = 1
๐00โ (๐ ) =
1 โ ๐ป0โ(๐ )
1 โ ๐บ00โ (๐ )
=(1 โ
๐๐ + ๐
)
(1 โ๐๐
(๐ + ๐)(๐ + ๐))
=
๐ + ๐ โ ๐๐ + ๐
(๐ + ๐)(๐ + ๐) โ ๐๐(๐ + ๐)(๐ + ๐)
=๐ (๐ + ๐)
(๐ + ๐)(๐ + ๐) โ ๐๐
๐00โ (๐ ) =
๐ (๐ + ๐)
๐ 2 + ๐ ๐ + ๐ ๐ + ๐๐ โ ๐๐
176 Pengantar Proses Stokastik
=๐ (๐ + ๐)
๐ 2 + ๐ ๐ + ๐ ๐
=๐ (๐ + ๐)
๐ (๐ + ๐ + ๐)
๐00โ (๐ ) =
๐ + ๐
๐ + ๐ + ๐
Mencari ๐11โ (๐ )
๐ป๐โ(๐ )
๐ป๐โ(๐ ) = โ๐๐๐
โ (๐ )
๐
๐=0
= ๐0๐โ (๐ ) + ๐1๐
โ (๐ )
๐ป๐โ(๐ ) = ๐00
โ (๐ ) + ๐10โ (๐ )
Diketahui
๐ธโ(๐ ) = [0
๐
๐ + ๐๐
๐ + ๐0]
๐ธ00โ (๐ ) = 0
๐ธ10โ (๐ ) =
๐
๐ + ๐
Maka
๐ป๐โ(๐ ) = 0 +
๐
๐ + ๐=
๐
๐ + ๐
Mencari ๐๐๐โ (๐ )
๐๐๐โ (๐ ) =
1 โ ๐ป๐โ(๐ )
1 โ ๐บ๐๐โ (๐ )
=1 โ
๐๐ + ๐
1 โ๐๐
(๐ + ๐)๐ + ๐
=(๐ + ๐ โ ๐๐ + ๐ )
((๐ + ๐)(๐ + ๐) โ ๐๐
(๐ + ๐))
Proses Pembaruan 177
=๐ (๐ + ๐)
(๐ + ๐)(๐ + ๐) โ ๐๐
=๐ (๐ + ๐)
๐ 2 + ๐ ๐ + ๐ ๐ + ๐๐ โ ๐๐=
๐ (๐ + ๐)
๐ 2 + ๐ ๐ + ๐ ๐
=๐ (๐ + ๐)
๐ (๐ + ๐ + ๐)
๐11โ (๐ ) =
๐ + ๐
๐ + ๐ + ๐
Mencari ๐10โ (๐ )
๐๐๐โ (๐ ) = ๐บ๐๐
โ (๐ )๐๐๐โ (๐ )
๐10โ (๐ ) = ๐บ10
โ (๐ )๐00โ (๐ )
=๐
๐ + ๐ .
๐ + ๐
๐ + ๐ + ๐
๐10โ (๐ ) =
๐
๐ + ๐ + ๐
Mencari ๐01โ (๐ )
๐๐๐โ (๐ ) = ๐บ๐๐
โ (๐ )๐๐๐โ (๐ )
๐01โ (๐ ) = ๐บ01
โ (๐ )๐11โ (๐ )
=๐
๐ + ๐ .
๐ + ๐
๐ + ๐ + ๐
๐01โ (๐ ) =
๐
๐ + ๐ + ๐
Jadi, diperoleh
๐11โ (๐ ) =
๐ + ๐
๐ + ๐ + ๐
๐01โ (๐ ) =
๐
๐ + ๐ + ๐
๐10โ (๐ ) =
๐
๐ + ๐ + ๐
๐00โ (๐ ) =
๐ + ๐
๐ + ๐ + ๐
Model Reliabilitas 179
BAB VIII
MODEL RELIABILITAS
8.1. Pendahuluan
Pada bab ini akan didiskusikan model realibilitas. Pada subab 8.2, akan dikenalkan konsep
yang disebut rata-rata kerusakan untuk distribusi daya tahan dari sebuah item. Pada subab 8.3,
akan dikembangkan teori untuk sistem satu unit yang diasumsikan keadaan โnaikโ dan โturunโ.
Pada subab 8.4, akan didiskusikan model pergantian. Dua model, yaitu model pergantian usia
dan model pergantian blok. Pada subab 8.5, akan dikembangkan model pemesanan yang
merupakan perluasan dari model pergantian.
8.2. Distribusi Daya Tahan dan Rata-rata Kerusakan
Definisi 8.1. Item adalah sebuah bentuk yang tidak spesifik yang digunakan untuk
menotasikan setiap produk, termasuk sistem, bahan-bahan, bagian-bagian, sub perangkat,
peralatan, asessoris, dll.
Definisi 8.2. Kerusakan adalah kejadian atau keadaan yang tidak bisa di kendalikan, yang
mana setiap item atau bagian dari item tidak sesuai seperti yang ditentukan sebelumnya.
Definisi 8.3. Kerusakan acak yaitu kerusakan yang dapat diprediksi hanya pada pengertian
probabilistik dan stokastik.
Misalkan ๐ daya tahan dari sebuah sistem atau item, distribusi dari daya tahan ke kerusakan
diberikan oleh
๐น(๐ก) = ๐๐ โค ๐ก (๐ก โฅ 0)
Probabilitas bertahan dari ๐ diberikan oleh
(๐ก) = 1 โ ๐น(๐ก) = ๐๐ > ๐ก (๐ก โฅ 0)
yang merupakan probabilitas sebuat item bertahan sampai waktu ๐ก dan disebut dengan fungsi
reabilitas dari item.
180 Pengantar Proses Stokastik
Tingkat kerusakan didefinisikan oleh
๐(๐ก) =๐(๐ก)
(๐ก) (๐ก โฅ 0)
dengan (๐ก) > 0. Diasumsikan bahwa ๐น(0) = 0, sehingga (๐ก) = 1. Maka
(๐ก) = exp [โโซ ๐(๐ฅ)๐๐ฅ๐ก
0
]
dan
๐(๐ก) =๐(๐ก)
(๐ก)
๐(๐ก) = ๐(๐ก)(๐ก) = ๐(๐ก) exp [โโซ ๐(๐ฅ)๐๐ฅ๐ก
0
]
yang mana berturut-turut merupakan fungsi realibilitas dan probablitas kepadatan dengan
tingkat kerusakan ๐(๐ก). Sedangkan โซ ๐(๐ฅ)๐๐ฅ๐ก
0 disebut fungsi hazard.
Definisi 8.4. Jika tingkat kerusakan ๐(๐ก) tidak menurun, distribusi daya tahan ๐น(๐ก) disebut
IFR (tingkat kerusakan meningkat). Jika ๐(๐ก) tidak meningkat, maka ๐น(๐ก) disebut DFR (tingkat
kerusakan menurun).
8.3. Distribusi Kontinu
8.3.1 Distribusi Seragam ๐ฟ ~ ๐ผ(๐, ๐)
๐น(๐ก) =๐ก โ ๐
๐ โ ๐
๐(๐ก) =1
๐ โ ๐
Maka
(๐ก) = 1 โ ๐น(๐ก) = 1 โ๐ก โ ๐
๐ โ ๐=๐ โ ๐ โ ๐ก + ๐
๐ โ ๐=๐ โ ๐ก
๐ โ ๐
Model Reliabilitas 181
Sehingga tingkat kerusakan ๐(๐ก) diberikan oleh
๐(๐ก) =๐(๐ก)
(๐ก)=
1๐ โ ๐๐ โ ๐ก๐ โ ๐
=1
๐ โ ๐ก (๐ < ๐ก < ๐)
yang mana fungsi tersebut meningkat, jadi distribusi seragam adalah IFR.
8.3.2 Distribusi Eksponensial ๐ฟ~๐ฌ๐ฟ๐ท(๐)
๐น(๐ก) = 1 โ ๐โ๐๐ก
๐(๐ก) = ๐๐โ๐๐ก
Maka
(๐ก) = 1 โ ๐น(๐ก) = 1 โ 1 + ๐โ๐๐ก = ๐โ๐๐ก
Sehingga tingkat kerusakan ๐(๐ก) diberikan oleh
๐(๐ก) =๐(๐ก)
(๐ก)=๐๐โ๐๐ก
๐โ๐๐ก= ๐ (๐ก โฅ 0)
yang mana fungsi tersebut konstan. Tingkat kerusakan konstan jika hanya jika ๐น(๐ก)
adalah distribusi eksponensial. Oleh karena itu, berdasarkan definisi 8.2.4, distribusi
eksponensial termasuk keduanya IFR dan DFR.
8.3.3 Distribusi Gamma ๐ฟ~๐ฎ๐จ๐ด(๐, ๐)
8.3.4 Distribusi Weibull ๐ฟ~๐พ๐ฌ๐ฐ(๐ถ, ๐ท)
๐น(๐ก) = 1 โ ๐โ(๐ผ๐ก)๐ฝ
๐(๐ก) = ๐ผ๐ฝ(๐ผ๐ก)๐ฝโ1๐โ(๐ผ๐ก)๐ฝ
Maka
(๐ก) = 1 โ ๐น(๐ก) = 1 โ 1 + ๐โ(๐ผ๐ก)๐ฝ= ๐โ(๐ผ๐ก)
๐ฝ
Sehingga tingkat kerusakan ๐(๐ก) diberikan oleh
๐(๐ก) =๐(๐ก)
(๐ก)=๐ผ๐ฝ(๐ผ๐ก)๐ฝโ1๐โ(๐ผ๐ก)
๐ฝ
๐โ(๐ผ๐ก)๐ฝ
= ๐ผ๐ฝ(๐ผ๐ก)๐ฝโ1 = ๐ฝ๐ผ๐ฝ๐ก๐ฝโ1 (๐ก โฅ 0)
Jika 0 < ๐ฝ โค 1, maka ๐น(๐ก) adalah DFR. Jika ๐ฝ โฅ 1, maka ๐น(๐ก) adalah IFR. Sedangkan jika
๐ฝ = 1, maka ๐น(๐ก) konstan.
182 Pengantar Proses Stokastik
8.3.5 Distribusi Normal ๐ฟ~๐ต(๐,๐๐)
Domain dari distribusi normal adalah (โโ,โ), jika diaplikasikan ke distribusi daya tahan
[0,โ). Sehingga disebut dengan distribusi normal yang dipotong.
๐(๐ก) =1
๐๐โ2๐๐โ
12(๐กโ๐๐)2
(๐ก โฅ 0,โโ < ๐ < โ, ๐ > 0)
dimana
๐ = โซ1
๐โ2๐๐โ
12(๐ฅโ๐๐)2
๐๐ฅโ
0
Misalkan ๐ = 3๐, maka
๐ = โซ1
๐โ2๐๐โ
12(๐ฅโ3๐๐
)2
๐๐ฅโ
0
=1
๐โ2๐โซ ๐โ
12(๐ฅ๐โ3)
2
๐๐ฅโ
0
=1
๐โ2๐โซ ๐
โ12(๐ฅ2
๐2โ6๐ฅ๐+9)๐๐ฅ
โ
0
=1
๐โ2๐โซ ๐
(โ๐ฅ2
2๐2+6๐ฅ2๐โ92)๐๐ฅ
โ
0
=1
๐โ2๐[
1
(โ๐ฅ๐2+3๐)๐(โ
๐ฅ2
2๐2+6๐ฅ2๐โ92)]
0
โ
=1
๐โ2๐[
๐2
(3๐ โ ๐ฅ)๐(โ
๐ฅ2
2๐2+6๐ฅ2๐โ92)]0
โ
=1
3โ2๐๐(โ4.5) = 0.9987
Jika ๐ = 2.5๐, maka
๐ = โซ1
๐โ2๐๐โ
12(๐ฅโ2.5๐๐
)2
๐๐ฅโ
0
=1
๐โ2๐โซ ๐โ
12(๐ฅ๐โ2.5)
2
๐๐ฅโ
0
Model Reliabilitas 183
=1
๐โ2๐โซ ๐
โ12(๐ฅ2
๐2โ5๐ฅ๐+6.25)
๐๐ฅโ
0
=1
๐โ2๐โซ ๐
(โ๐ฅ2
2๐2+5๐ฅ2๐โ6.252)๐๐ฅ
โ
0
=1
๐โ2๐[
1
(โ๐ฅ๐2+2.5๐ )
๐(โ
๐ฅ2
2๐2+5๐ฅ2๐โ6.252)]
0
โ
=1
๐โ2๐[
๐2
(2.5๐ โ ๐ฅ)๐(โ
๐ฅ2
2๐2+5๐ฅ2๐โ6.252)]0
โ
=1
2.5โ2๐๐(โ3.125) = 0.9938
Sehingga jika ๐ โฅ 2.5๐, diasumsikan ๐ = 1. Jadi, ๐น(๐ก) pada distribusi ini IFR.
8.3.6 Distribusi Lognormal ๐ฟ~๐ณ๐ถ๐ฎ ๐ต(๐, ๐๐)
Distribusi lognormal memiliki tingkat kerusakan meningkat (IFR) di fase awal dan menurun
(DFR) di fase setelahnya.
8.4. Distribusi Diskrit
Fungsi kepadatan probabilitas (pmf) dari distribusi diskrit diberikan oleh ๐(๐) (๐ = 1,2,3,โฏ ).
Fungsi reliabilitas (๐) diberikan oleh
(๐ โ 1) =โ๐(๐)
โ
๐=๐
(๐ = 1,2,3,โฏ )
Tingkat kerusakan didefinisikan dengan
๐(๐) =๐(๐)
(๐ โ 1)=
๐(๐)
โ ๐(๐)โ๐=๐
Catatan bahwa
1 โ ๐(๐) = 1 โ๐(๐)
โ ๐(๐)โ๐=๐
=โ ๐(๐)โ๐=๐
โ ๐(๐)โ๐=๐
โ๐(๐)
โ ๐(๐)โ๐=๐
=โ ๐(๐)โ๐=๐+1
โ ๐(๐)โ๐=๐
184 Pengantar Proses Stokastik
(๐ โ 1) =โ๐(๐)
โ
๐=๐
=โ[1 โ ๐(๐)]
๐โ1
๐=1
Sehingga
๐(๐) =๐(๐)
(๐ โ 1)
๐(๐) = ๐(๐)(๐ โ 1) = ๐(๐)โ[1 โ ๐(๐)]
๐โ1
๐=1
Definisi 8.5. Jika tingkat kerusakan ๐(๐) tidak menurun di ๐, distribusi daya tahan diskrit
๐น(๐) disebut IFR (tingkat kerusakan meningkat). Jika ๐(๐) tidak meningkat, maka ๐น(๐)
disebut DFR (tingkat kerusakan menurun).
8.4.1 Distribusi Seragam ๐ฟ~๐ผ(๐ช + ๐ณ, ๐ช + ๐ต๐ณ)
๐(๐ถ + ๐๐ฟ) =1
๐
Sehingga fungsi reliabilitasnya
(๐ โ 1) = (๐ถ + (๐ โ 1)๐ฟ) =๐ โ ๐ + 1
๐
Tingkat kerusakan ๐(๐) diberikan oleh
๐(๐) =๐(๐)
(๐ โ 1)=
1๐
๐ โ ๐ + 1๐
=1
๐ โ ๐ + 1
yang mana fungsi tersebut meningkat di ๐ (IFR).
Untuk distribusi bernoulli dan distribusi binomial sangat jarang di aplikasikan di distribusi daya
tahan.
8.4.2 Distribusi Geometrik ๐ฟ~๐ฎ๐ฌ๐ถ(๐)
๐(๐) = ๐๐๐โ1
Sehingga fungsi reliabilitas (๐ โ 1) diberikan oleh
(๐ โ 1) =โ๐(๐)
โ
๐=๐
=โ๐๐๐โ1โ
๐=๐
= ๐๐โ1
Model Reliabilitas 185
Tingkat kerusakan ๐(๐) diberikan oleh
๐(๐) =๐(๐)
(๐ โ 1)=๐๐๐โ1
๐๐โ1= ๐
yang mana fungsi tersebut konstan di ๐.
8.4.3 Distribusi Binomial Negatif ๐ฟ~๐ต ๐ฉ(๐, ๐)
8.4.4 Distribusi Poisson ๐ฟ~๐ท๐ถ๐ฐ(๐)
8.5. Teori Ketersediaan
Definisi 8.6. Perbaikan yaitu semua kegiatan yang cukup untuk mempertahankan sebuah
item atau memulihkan ke kondisi yang sudah di tentunkan.
Definisi 8.7. Pemeliharaan adalah perhitungan dari kemampuan sebuah item
mempertahankan atau memulihkan ke kondisi yang sudah di tentunkan ketika perawatan
dilakukan oleh orang dengan kemampuan tertentu, menggunakan prosedur yang telah di
deskripsikan sebelumnya.
Definisi 8.8. Pemeliharaan korektif yaitu semua kegiatan yang dilakukan karena hasil dari
kerusakan, untuk memulihkan sebuah item ke kondisi yang sudah di tentunkan. Pemeliharaan
korektif bisa termasuk setiap atau semua step : lokalisasi, isolasi, membongkar, menukar
tempat, perakitan kembali, keselarasan, dan pemeriksaan.
Definisi 8.9. Pemeliharaan preventif adalah semua kegiatan yang dilakukan pada sebuah
percobaan untuk mempertahankan item pada kondisi yang sudah di tentunkan dengan
memberikan inspeksi, deteksi, dan prevensi sistematik dari kerusakan.
Definisi 8.10. Pemeliharaan terjadwal adalah pemeliharaan preventif yang di deskripsikan
sebelumnya pada masa hidup item.
186 Pengantar Proses Stokastik
Definisi 8.11. Waktu naik : Periode waktu selama sebuah item melakukan fungsi yang
diperlukan.
Definisi 8.12. Waktu turun : Periode waktu selama sebuah item tidak pada kondisi melakukan
fungsi yang di perlukan.
Misalkan ๐๐ dan ๐๐ (๐ = 1,2,โฏ ) dinotasikan sebagai daya tahan (up time/waktu naik) dan
pemeliharaan (down time/waktu turun) dari sebuah item. Maka
๐น(๐ก) = ๐๐๐ โค ๐ก (๐ก โฅ 0, ๐ = 1,2,โฏ )
๐บ(๐ก) = ๐๐๐ โค ๐ก (๐ก โฅ 0, ๐ = 1,2,โฏ )
Definisi 8.13. Reliabilitas ๐ (๐ก) adalah probabilitas dari sebuah item melakukan fungsi yang
diperlukan untuk periode yang diharapkan pada waktu [0, ๐ก].
Fungsi realibilitas diberikan oleh
๐ (๐ก) = 1 โ ๐น(๐ก) (๐ก โฅ 0)
Waktu rata-rata kerusakan (MTTF) diberikan oleh
๐๐๐๐น = โซ ๐ก ๐๐น(๐ก)โ
0
= โซ ๐ก ๐(๐ก) ๐๐กโ
0
= โซ ๐ (๐ก) ๐๐กโ
0
jika ๐ (0) = 1.
Definisi 8.14. Interval reliabilitas ๐ (๐ฅ, ๐ก) adalah probabilitas bahwa pada waktu yang telah
ditentukan ๐ก, sebuah item mengoperasikan dan akan terus beroperasi untuk interval durasi ๐ฅ.
Definisi 8.15. Interval terbatas reliabilitas ๐ (๐ฅ,โ) didefinisikan sebagai
๐ (๐ฅ,โ) = lim๐กโโ
๐ (๐ฅ, ๐ก)
Definisi 8.16. Ketersediaan ๐ด(๐ก) adalah probabilitas bahwa sebuah item beroperasi pada
waktu yang di tentukan ๐ก.
Model Reliabilitas 187
Definisi 8.17.
Ketersediaan terbatas
๐ด = lim๐กโโ
๐ด(๐ก)
Ketersediaan rata-rata di [0, ๐]
๐ด๐๐ฃ(๐) =1
๐โซ ๐ด(๐ก) ๐๐ก๐
0
Ketersediaan terbatas rata-rata
๐ด๐๐ฃ(โ) = lim๐โโ
1
๐โซ ๐ด(๐ก) ๐๐ก๐
0
Definisi 8.18. Ketersediaan bersama ๐ด๐๐๐๐๐ก(๐ฅ, ๐ก) pada waktu ๐ก dan ๐ก + ๐ฅ adalah probabilitas
bahwa sistem beroperasi pada ๐ก dan beroperasi lagi pada ๐ก + ๐ฅ. Ketersediaan bersama terbatas
didefinisikan dengan
๐ด๐๐๐๐๐ก(๐ฅ,โ) = lim๐กโโ
๐ด๐๐๐๐๐ก(๐ฅ, ๐ก)
Konvolusi Stieltjes dari ๐น(๐ก) dan ๐บ(๐ก) yaitu
๐ป(๐ก) = ๐น โ ๐บ(๐ก)
yang merupakan distribusi dari penjumlahan semua waktu naik dan waktu turun.
Fungsi pembaruan dengan distribusi antar kedatangan ๐ป(๐ก) yaitu
๐๐ป(๐ก) = โ๐ป(๐)(๐ก)
โ
๐=1
8.6. Model Pergantian
Pada subbab ini diasumsikan bahwa daya tahan sebuah item di atur oleh distribusi waktu
kontinu ๐น(๐ก) (๐ก โฅ 0) dengan rata-rata 1
๐. Kita akan meminimalkan tingkat biaya (yaitu
ekspektasi biaya per unit waktu pada keadaan stabil) atau memaksimalkan batasan
ketersediaan.
188 Pengantar Proses Stokastik
8.6.1 Model Pergantian Usia
Definisi 8.19. Pergantian usia adalah sebuah item yang digantikan karena kerusakan atau pada
usia ๐ก0 yang pertama.
Definisi 8.20. Pergantian blok adalah sebuah item di operasi yang digantikan karena kerusakan
dan pada waktu ๐, 2๐, 3๐,โฏ.
Sebuah proses pembaruan menjadi proses pembaruan yang terpotong dengan waktu antar
kedatangan ๐๐, ๐ก0 (๐ = 1,2,โฏ ). Misalkan ๐1 dan ๐2 dinotasikan sebagai biaya kerusakan
(pemeliharaan korektif) dan pergantian terjadwal (pemeliharaan preventif). Diasumsikan
bahwa
๐1 > ๐2
Tingkat biaya yang di ekspektasi
๐ถ(๐ก0) =๐1๐๐๐ โค ๐ก0 + ๐2๐๐๐ > ๐ก0
๐ธ[min๐๐, ๐ก0]
karena siklus berakhir pada min๐๐, ๐ก0 (๐ = 1,2,โฏ ) dan berulang. Catatan bahwa
๐ธ[min๐๐, ๐ก0] = โซ ๐ก ๐๐น(๐ก)๐ก0
0
+ ๐ก0(๐ก0) = โซ (๐ก) ๐๐ก๐ก0
0
dimana (๐ก) = 1 โ ๐น(๐ก) = ๐๐๐ > ๐ก. Sehingga
๐ถ(๐ก0) =๐1๐น(๐ก0) + ๐2(๐ก0)
โซ (๐ก) ๐๐ก๐ก00
Teorema 8.1.
(i) Jika ๐(โ) = lim๐กโโ
๐(๐ก) ada dan ๐(โ) > ๐พ, terdapat berhingga ๐ก0 yang mana
๐ถ(โ) > ๐ถ(๐ก0), dimana ๐พ =๐๐๐
(๐1โ๐2)
(ii) Jika ๐(๐ก) kontinu dan monoton naik dengan ๐(โ) > ๐พ, maka terdapat ๐ก0โ berhingga
dan unik yang sesuai dengan persamaan berikut :
๐(๐ก0)โซ (๐ก) ๐๐ก๐ก0
0
โ ๐น(๐ก0) =๐2
๐1 โ ๐2
dan
๐ถ(๐ก0โ) = (๐1 โ ๐2)๐(๐ก0
โ)
Model Reliabilitas 189
(iii) Jika ๐(๐ก) kontinu dan motonon naik dengan ๐(โ) > ๐พ, maka terdapat ๐ก0 berhingga
dan unik yang sesuai ๐(๐ก0) = ๐พ, dimana ๐ก0 > ๐ก0โ dan ๐ก0 adalah batas atas dari titik
optimal ๐ก0โ.
Contoh 8.1. Distribusi daya tahan diasumsikan berdistribusi gamma dengan order 2, yaitu
๐๐~๐บ๐ด๐(2๐, 2):
๐น(๐ก) = 1 โโ(2๐๐ก)๐
๐!๐โ2๐๐ก
1
๐=0
= 1 โ ((2๐๐ก)0
0!๐โ2๐๐ก +
(2๐๐ก)1
1!๐โ2๐๐ก)
= 1 โ (๐โ2๐๐ก + 2๐๐ก๐โ2๐๐ก)
= 1 โ (1 + 2๐๐ก)๐โ2๐๐ก
dimana 1
๐ adalah rata-rata daya tahan. Tingkat kerusakan diberikan oleh
๐(๐ก) =
๐(๐๐ก)๐โ1๐โ๐๐ก
(๐ โ 1)!
โ(๐๐ก)๐
๐! ๐โ๐๐ก๐โ1๐=0
=
2๐(2๐๐ก)2โ1๐โ2๐๐ก
(2 โ 1)!
(1 + 2๐๐ก)๐โ2๐๐ก
=2๐(2๐๐ก)1๐โ2๐๐ก
(1)!โ
1
(1 + 2๐๐ก)๐โ2๐๐ก
=4๐2๐ก
(1)!โ
1
(1 + 2๐๐ก)
=4๐2๐ก
1 + 2๐๐ก
dan ๐(โ) = 2๐. Jika ๐(โ) = lim๐กโโ
๐(๐ก) = lim๐กโโ
4๐2๐ก
1+2๐๐ก= 2๐ dengan ๐พ =
๐๐1
(๐1โ๐2), maka
๐(โ) > ๐พ
2๐ >๐๐1
(๐1 โ ๐2)
2๐๐1 โ ๐๐1 > 2๐๐2
190 Pengantar Proses Stokastik
๐๐12๐
> ๐2
๐12> ๐2
Kemudian terdapat titik ๐ก0โ berhingga dan unik yang memenuhi teorema 8.4.1 dan
๐ถ(๐ก0โ) = (๐1 โ ๐2)๐(๐ก0
โ) = (๐1 โ ๐2)4๐2๐ก0
โ
1 + 2๐๐ก0โ
Tetapi, jika ๐1
2โค ๐2, maka ๐ก0
โ = โ. Yang berarti tidak ada pemeliharaan terjadwal (hanya
pemeliharaan korektif).
8.4.2. Model Pergantian Blok
Untuk model pergantian blok tidak membutuhkan pengamatan usia sebuah item, tetapi
menggantikan pada ๐, 2๐, 3๐,โฏ yang lebih mudah diberikan dalam bentuk umum. Terdapat
tiga variasi model pergantian blok :
a) Item yang gagal digantikan secara langsung pada saat kerusakan
b) Item yang gagal tetap ada tidak dapat di operasikan sampai pergantian terjadwal
selanjutnya
c) Item yang gagal mengalami perbaikan minimal
Model I
Item yang gagal digantikan oleh item baru selama interval pergantian ๐ dan pergantian
terjadwal untuk item yang tidak gagal dilakukan pada ๐, 2๐, 3๐,โฏ.
Tingkat ekspektasi biaya
๐ถ1(๐) =๐1๐(๐) + ๐2
๐=๐1 โซ ๐(๐ก) ๐๐ก
๐
0+ ๐2
๐
dimana
๐(๐) = โ๐น(๐)(๐)
โ
๐=1
merupakan fungsi pembaruan, ๐(๐ก) =๐๐(๐ก)
๐๐ก adalah kepadatan pembaruan, ๐1 adalah biaya
pergantian untuk item yang rusak, ๐2 adalah biaya pergantian terjadwal untuk item yang tidak
rusak. Untuk meminimalkan tingkat ekspektasi biaya, dapat dengan menselisihkan dan
menyamadengankan ke 0
Model Reliabilitas 191
๐ถ1(๐) =๐1 โซ ๐(๐ก) ๐๐ก
๐
0+ ๐2
๐
๐1๐๐(๐) = ๐1โซ ๐(๐ก) ๐๐ก๐
0
+ ๐2
๐1๐๐(๐) โ ๐1โซ ๐(๐ก) ๐๐ก๐
0
= ๐2
๐1 (๐๐(๐) โ โซ ๐(๐ก) ๐๐ก๐
0
) = ๐2
๐๐(๐) โ โซ ๐(๐ก) ๐๐ก๐
0
=๐2๐1
Ini merupakan kondisi cukup untuk terdapat ๐โ, sehingga menghasilkan tingkat ekspektasi
biaya
๐ถ1(๐โ) = ๐1๐(๐
โ)
Contoh 8.2. Distribusi daya tahan diasumsikan berdistribusi gamma dengan order 2 yaitu
๐๐~๐บ๐ด๐(2๐, 2). Berdasarkan contoh 4.2,
๐(๐ก) =๐๐ก
2โ1
4+1
4๐โ2๐๐ก
๐(๐ก) =2๐๐ก
2โ1
4+1
4๐โ4๐๐ก
๐(๐ก) = ๐๐ก โ1
4+1
4๐โ4๐๐ก
dan
๐(๐ก) =๐๐(๐ก)
๐๐ก= ๐ โ
4๐
4๐โ4๐๐ก = ๐(1 โ ๐โ4๐๐ก)
๐(๐) = ๐(1 โ ๐โ4๐๐)
Sehingga
๐๐(๐) โ โซ ๐(๐ก) ๐๐ก๐
0
=๐2๐1
192 Pengantar Proses Stokastik
๐๐(๐) โ ๐(๐ก) = ๐ (๐(1 โ ๐โ4๐๐)) โ (๐๐ก โ1
4+1
4๐โ4๐๐ก)
= ๐๐(1 โ ๐โ4๐๐) โ ๐๐ก +1
4โ1
4๐โ4๐๐ก
= ๐๐(1 โ ๐โ4๐๐) โ ๐๐ก +1
4โ1
4๐โ4๐๐ก
=1
4(โ4๐๐๐โ4๐๐ + 1 โ ๐โ4๐๐ก)
=1
4(1 โ ๐โ4๐๐ก โ 4๐๐๐โ4๐๐)
=๐2๐1
Jika ๐2
๐1โฅ1
4, maka menunjukkan pergantian tidak terjadwal (yaitu sebuah item digantikan hanya
saat kerusakan). Jika ๐2
๐1<1
4, maka terdapat ๐โ yang berhingga dan unik yang merupakan
peminimal dari ๐ถ1(๐) dan menghasilkan ekspektasi biaya
๐ถ1(๐โ) = ๐1๐(๐
โ) = ๐1๐(1 โ ๐โ4๐๐โ)
Model II
Diasumsikan bahwa kerusakan terdeteksi hanya pada ๐, 2๐, 3๐,โฏ. Sebuah item selalu
digantikan pada ๐, 2๐, 3๐,โฏ, tetapi tidak digantikan pada waktu kerusakan, dan tetap ada tidak
dapat di operasikan untuk durasi waktu dari kejadian kerusakan sampai terdeteksi.
Ekspektasi durasi per siklus diberikan oleh
โซ (๐ โ ๐ก) ๐๐น(๐ก) = โซ ๐น(๐ก) ๐๐ก๐
0
๐
0
Ekspektasi rata-rata biaya
๐ถ2(๐) =๐1 โซ ๐น(๐ก) ๐๐ก
๐
0+ ๐2
๐
dimana ๐1 adalah biaya kerusakan per unit waktu dan ๐2 adalah biaya pergantian untuk item
yang tidak gagal.
Contoh 8.3. Berdasarkan persamaan berikut,
๐๐(๐) โ โซ ๐(๐ก) ๐๐ก๐
0
=๐2๐1
Model Reliabilitas 193
maka
๐๐น(๐) โ โซ ๐น(๐ก) ๐๐ก๐
0
= โซ [๐น(๐) โ ๐น(๐ก)] ๐๐ก๐
0
Diasumsikan ๐ โ โ, maka
lim๐โโ
โซ [๐น(๐) โ ๐น(๐ก)] ๐๐ก๐
0
= โซ [๐น(โ) โ (1 โ (๐ก))] ๐๐กโ
0
= โซ (๐ก) ๐๐กโ
0
=1
๐
Jika 1
๐>๐2
๐1, terdapat ๐โ yang optimal yang mana merupakan solusi terbatas dan unik untuk
โซ [๐น(๐) โ ๐น(๐ก)] ๐๐ก๐
0
=๐2๐1
Jika diasumsikan distribusinya sama dengan contoh 8.4.2, maka
๐น(๐ก) = 1 โ (1 + 2๐๐ก)๐โ2๐๐ก
๐น(๐) = 1 โ (1 + 2๐๐)๐โ2๐๐
๐น(๐) โ ๐น(๐ก) = 1 โ (1 + 2๐๐)๐โ2๐๐ โ (1 โ (1 + 2๐๐ก)๐โ2๐๐ก)
= 1 โ (1 + 2๐๐)๐โ2๐๐ โ 1 + (1 + 2๐๐ก)๐โ2๐๐ก
= (1 + 2๐๐ก)๐โ2๐๐ก โ (1 + 2๐๐)๐โ2๐๐
= ๐โ2๐๐ก + 2๐๐ก๐โ2๐๐ก โ (1 + 2๐๐)๐โ2๐๐
โซ [๐น(๐) โ ๐น(๐ก)] ๐๐ก๐
0
= โซ [๐โ2๐๐ก + 2๐๐ก๐โ2๐๐ก โ (1 + 2๐๐)๐โ2๐๐] ๐๐ก๐
0
= [โ1
2๐๐โ2๐๐ก โ ๐ก๐โ2๐๐ก โ
๐โ2๐๐ก
๐โ ๐ก(1 + 2๐๐)๐โ2๐๐]
0
๐
= [โ1
2๐๐โ2๐๐ก โ ๐ก๐โ2๐๐ก โ
๐โ2๐๐ก
๐โ ๐ก๐โ2๐๐ โ ๐ก2๐๐๐โ2๐๐]
0
๐
= โ1
2๐๐โ2๐๐ โ ๐๐โ2๐๐ โ
๐โ2๐๐
๐โ ๐๐โ2๐๐ โ ๐22๐๐โ2๐๐ +
1
2๐+1
๐
= โ1
2๐๐โ2๐๐ โ 2๐๐โ2๐๐ โ
๐โ2๐๐
๐โ ๐22๐๐โ2๐๐ +
1
2๐+1
๐
194 Pengantar Proses Stokastik
=1
2๐[โ๐โ2๐๐ โ 4๐๐๐โ2๐๐ โ 2๐โ2๐๐ โ ๐24๐2๐โ2๐๐ + 1 + 2]
=1
2๐[2 โ ๐โ2๐๐(2 + 4๐๐ + 4๐2๐2)]
=๐2๐1
dan ekspektasi biayanya adalah
๐ถ2(๐โ) = ๐1๐น(๐
โ) = ๐1[1 โ (1 + 2๐๐โ)๐โ2๐๐
โ]
Model III
Diasumsikan bahwa perbaikan minimal dilakukan ketika item rusak dan rata-rata kerusakan
tidak terganggu oleh setiap perbaikan. Jika proses stokastik mempresentasikan jumlah minimal
perbaikan sampai waktu ke ๐ก, proses ๐(๐ก), ๐ก โฅ 0 diatur oleh proses poisson nonhomogen
dengan fungsi rata-rata
ฮ(๐ก) = โซ ๐(๐ฅ)๐๐ฅ๐ก
0
yang merupakan fungsi hazard.
Ekspektasi biaya untuk Model III yaitu
๐ถ3(๐) =๐1 โซ ๐(๐ก) ๐๐ก
๐
0+ ๐2
๐
dimana ๐1 adalah biaya kerusakan per unit waktu dan ๐2 adalah biaya pergantian untuk item
yang tidak gagal
Contoh 8.4. Jika diasumsikan bahwa distribusinya sama dengan contoh 8.2 dan contoh 8.1,
yaitu ๐๐~๐บ๐ด๐(2๐, 2), maka
๐(๐ก) =4๐2๐ก
1 + 2๐๐ก
Terdapat ๐โ yang unik yang memenuhi
๐๐(๐) โ โซ ๐(๐ก) ๐๐ก๐
0
=๐2๐1
Model Reliabilitas 195
dengan
๐(๐) =4๐2๐
1 + 2๐๐
Dan
โซ ๐(๐ก) ๐๐ก๐
0
= โซ4๐2๐ก
1 + 2๐๐ก ๐๐ก
๐
0
= 4๐2โซ๐ก
1 + 2๐๐ก ๐๐ก
๐
0
= 4๐2 [โln(2๐๐ก + 1) โ 2๐๐ก
4๐2]0
๐
= [โ ln(2๐๐ก + 1) + 2๐๐ก]0๐
= โ ln(2๐๐ + 1) + 2๐๐
Maka
๐๐(๐) โ โซ ๐(๐ก) ๐๐ก๐
0
= ๐(4๐2๐
1 + 2๐๐) + ln(2๐๐ + 1) โ 2๐๐
=4๐2๐2
1 + 2๐๐+ ln(2๐๐ + 1) โ 2๐๐
=4๐2๐2
1 + 2๐๐+ ln(2๐๐ + 1) โ
2๐๐(1 + 2๐๐)
1 + 2๐๐
= ln(2๐๐ + 1) +4๐2๐2
1 + 2๐๐โ2๐๐ + 4๐2๐2
1 + 2๐๐
= ln(2๐๐ + 1) โ2๐๐
1 + 2๐๐
=๐2๐1
Ekspektasi biayanya adalah
๐ถ3(๐โ) =
๐1 โซ ๐(๐ก) ๐๐ก๐
0+ ๐2
๐=4๐1๐
2๐โ
1 + 2๐๐โ
196 Pengantar Proses Stokastik
8.7. Model Pemesanan
Disini di asumsikan bahwa sebuah item untuk setiap pergantian hanya dapat di gantikan dengan
urutan yang ditempuh. Variabel random ๐ dinotasikan sebagai daya tahan sebuah item yang
beroperasi dengan distribusi ๐น(๐ก) ๐ก โฅ 0 dengan rata-rata 1
๐.
Model I
Misalkan sebuah siklus dari awal item beroperasi sampai item digantikan. Maka terdapat tiga
ekspektasi biaya yang diberikan, yaitu
(i) Ekspektasi biaya kekurangan
๐1 [โซ ๐ฟ๐๐น(๐ก)๐ก0
0
+โซ (๐ก0 + ๐ฟ โ ๐ก)๐๐น(๐ก)๐ก0+๐ฟ
๐ก0
] = ๐1โซ ๐น(๐ก)๐๐ก๐ก0+๐ฟ
๐ก0
(ii) Ekspektasi biaya inventaris
๐2โซ (๐ก โ ๐ก0 โ ๐ฟ)๐๐น(๐ก)โ
๐ก0+๐ฟ
= ๐2
(iii) Ekspektasi biaya pemesanan
Model Antrian 197
BAB IX
MODEL ANTRIAN
9.1. Pendahuluan
Telah diamati bahwa banyak orang menunggu layanan. Contoh dari menunggu dapat
ditemukan di supermarket, restoran, bank, dan sebagainya. Seperti menunggu adalah garis
tunggu nyata yang dapat diamati secara langsung. Namun, ada beberapa garis tunggu yang
tidak dapat diamati secara langsung. Misalnya, sering gagal menyambungkan panggilan
telepon karena saluran sibuk.
Model antrian adalah model stokastik yang timbul dari antrian atau menunggu layanan. Pada
bab ini diperkenalkan beberapa istilah seperti pelanggan, layanan, dan server Misalnya, teori
lalu lintas atau teori kemacetan pelanggan digantikan oleh panggilan, waktu layanan oleh
waktu penahanan, dan server melalui saluran telepon.
Gambar 9.1. (a) Antrian server tunggal, dan (b) antrian server multiple
Untuk menjelaskan model antrian, kita harus menentukan enam item berikut :
1) Populasi
Populasi (atau sumber) pelanggan potensial terbatas atau tidak terbatas. Sebagian
besar model antrian diasumsikan memiliki populasi yang tak terbatas, di mana
pelanggan dari populasi yang tidak terbatas dapat tiba di fasilitas layanan. Namun,
jika mempertimbangkan masalah perbaikan, masalah seperti itu memiliki populasi
terbatas sejak jumlah mesin (yang merupakan pelanggan potensial) terbatas.
(a)
(b)
antrian
antrian
server
server
server
on service
on service
198 Pengantar Proses Stokastik
2) Distribusi Waktu antar Kedatangan
Untuk menggambarkan pola kedatangan antrian, kita dapat mempertimbangkan
waktu interarrival distribusi untuk pelanggan yang tiba. Beberapa distribusi waktu
interarrival dapat dipertimbangkan. Kami menyajikan distribusi waktu kedatangan
antar berikut.
a. Kedatangan Poisson (Notasi : ๐ด)
Pelanggan potensial tiba di fasilitas layanan dengan kedatangan Poisson.
Distribusi waktu antarkedatangan untuk kedatangan pelanggan menurut
distribusi eksponensial :
๐น(๐ก) = 1 โ ๐โ๐๐ก (๐ก โฅ 0),
di mana ๐ adalah parameter dari proses Poisson (tingkat kedatangan di teori
antrian) dan 1
๐ adalah rata-rata waktu kedatangan untuk setiap pelanggan.
Parameter ๐ disebut nilai kedatangan dalam teori antrian.
b. Distribusi k-Erlang (Notasi : ๐ฌ๐)
Distribusi waktu interarrival untuk pelanggan yang tiba mematuhi Distribusi
k-Erlang :
๐น(๐ก) = โซ๐๐ (๐๐๐ฅ)๐โ1๐โ๐๐๐ฅ
(๐ โ 1)!
๐ก
0
๐๐ฅ (๐ก โฅ 0, ๐ > 0),
Dengan ๐ : bilangan bulat positif
Yang merupakan distribusi gamma dari jenis khusus yaitu, ๐ ~ ๐บ๐ด๐(๐๐, ๐).
Rata-rata dan varians distribusi k-Erlang diberikan oleh
๐ธ[๐] =1
๐ ๐๐๐(๐) =
1
๐๐2 .
c. Distribusi Degenerate (Notasi : ๐ซ)
Distribusi waktu interarrival untuk pelanggan yang tiba adalah pelanggan
reguler, yaitu setiap pelanggan tiba secara teratur di ๐ก =1
๐ :
๐น(๐ก) = 0 (๐ก <
1
๐)
1 (๐ก โฅ1
๐)
di mana rata-rata dan varians distribusi degenerate diberikan oleh
๐ธ[๐] =1
๐, ๐๐๐(๐) = 0
d. Distribusi Umum (Notasi : ๐ฎ atau ๐ฎ๐ฐ)
Diberikan bahwa waktu interarrival untuk pelanggan yang tiba adalah variabel
acak independen dan didistribusikan secara identik dengan distribusi terpenuhi
๐น(๐ก) (๐ก โฅ 0). Digunakan notasi ๐บ atau ๐บ๐ผ yang menunjukkan distribusi
umum atau distribusi umum independen. Artinya, pelanggan yang tiba
Model Antrian 199
mematuhi proses perpanjangan dengan distribusi waktu antar kedatangan
๐น(๐ก).
3) Distribusi Waktu Layanan
Distribusi waktu layanan, menggunakan tarif layanan ๐ bukannya tingkat kedatangan
๐. Kami mencatat bahwa kedatangan Poisson berarti bahwa pelanggan tiba satu per-
satu dengan mengikuti proses Poisson. Namun, jika kita mempertimbangkan
distribusi waktu layanan sebagai proses Poisson, distribusi waktu layanan mematuhi
distribusi eksponensial untuk pelanggan yang tiba jika setidaknya ada satu pelanggan
yang tiba. Dengan demikian, kami menyebut distribusi waktu layanan seperti itu
sebagai Layanan eksponensial.
4) Kapasitas Sistem Antrian Maksimum
Kita dapat mempertimbangkan dua kategori kapasitas sistem antrian maksimum:
kapasitas maksimum diasumsikan tidak terbatas, yaitu semua pelanggan yang tiba
dapat diperbolehkan menunggu layanan terlepas dari panjang antrean. Atau, kapasitas
maksimum diasumsikan terbatas, yaitu jika pelanggan tiba ketika maksimum
kapasitas telah tercapai (yaitu, tidak ada ruang untuk mengantri), pelanggan ditolak.
Secara khusus, jika tidak ada ruang antrian, kita berbicara tentang "sistem kerugian,"
contoh yang mengantri model dalam teori lalu lintas.
5) Jumlah Saluran Layanan
Diberikan model antrian server tunggal sebagai salah satu model antrian paling
sederhana. Jika ada lebih dari satu server, disebut model antrian multiple server.
6) Disiplin Antrian
Aturan yang menentukan urutan layanan disebut disiplin antrian. Antrian paling
populer dan terkenal disiplin First Come First Served (FCFS). Terdapat disiplin
antrian lainnya seperti Last Come First Served (LCFS) dan Random Selection for
Service (RSS).
Notasi Kendall untuk model antrian :
๐ด/๐ต/๐/๐พ/๐/๐
๐ด menyatakan pola kedatangan, ๐ต menyatakan pola layanan, ๐ menyatakan jumlah
saluran layanan, ๐พ menyatakan kapasitas system antrian maksimum, ๐ menyatakan
ukuran dari populasi, dan ๐ menyatakan disiplin antrian. ๐,๐ธ๐, ๐ท, ๐บ, ๐๐๐ ๐บ๐ผ untuk
๐ด ๐๐๐ ๐ต. Kapasitas sistem antrian maksimum mengacu pada jumlah maksimum
pelanggan dalam antrian dan saluran layanan.
Misalnya, model antrian ๐/๐/1/โ/โ/๐น๐ถ๐น๐ adalah model dengan kedatangan
poisson, layanan eksponensial, server tunggal, kapasitas tidak terbatas, populasi tidak
terbatas dan kedatangan pertama, disiplin antrian pelayanan pertama.
200 Pengantar Proses Stokastik
9.2. Model Antrian Server Tunggal
Perhatikan model antrian server tunggal dengan kedatangan Poisson dan layanan eksponensial.
Diasumsikan bahwa populasi dari calon pelanggan tidak terbatas dan disiplin antrian adalah
FCFS.
Misalkan ๐น(๐ก) = 1 โ ๐๐๐ก menjadi distribusi waktu interarrival untuk pelanggan yang tiba.
Untuk kecil โ > 0, maka
๐น(โ) = 1 โ ๐โ๐โ = ๐โ + ๐(โ)
Artinya, tingkat kedatangan (kelahiran) untuk proses kelahiran dan kematian diberikan oleh
๐๐ = ๐ (๐ = 0, 1, 2, . . . )
yang konstan terlepas dari berbagai ๐. Perhatikan rata-rata waktu interarrival adalah diberikan
oleh 1
๐.
Misalkan ๐บ(๐ก) = 1 โ ๐โ๐๐ก menjadi distribusi waktu layanan untuk pelanggan yang tiba.
Seperti dengan Persamaan 9.2.1, diperoleh
๐บ(โ) = 1 โ ๐โ๐โ = ๐โ + ๐(โ),
untuk kecil โ > 0, yang menyiratkan tingkat layanan (kematian)
๐๐+1 = ๐ (๐ = 0, 1, 2, . . . ).
Perhatikan bahwa waktu layanan rata-rata diberikan oleh 1/๐.
9.2.1. Model Antrian ๐ด/๐ด/๐/โ
Seperti yang dijelaskan di atas, kita asumsikan bahwa
๐๐ = ๐, ๐๐+1 = ๐ (๐ = 0 , 1 , 2, . . . ) ,
Untuk model antrian ๐/๐/1/โ.
diasumsikan bahwa
๐ =๐
๐< 1 ๐๐ก๐๐ข ๐ < ๐
(๐ < 1 agar sistem antrian stabil. Karena bila ๐ โฅ 1 jumlah antrian akan mendekati tak
hingga), dimana
Model Antrian 201
๐ =๐
๐=[tingkat kedatangan]
[tingkat layanan]=1๐โ
1๐โ =
[rata โ rata waktu layanan]
[rata โ rata waktu interarrival]
Dari Teorema 6.4 dan Contoh 6.7, diperoleh
๐๐ = (๐
๐)๐
๐0 = ๐๐๐0 ๐๐๐๐๐๐ ๐0 = 1 โ ๐
Sehingga
๐๐ = (1 โ ๐)๐๐ (๐ = 0, 1, 2, . . . ),
yang merupakan distribusi geometri ๐ ~ ๐บ๐ธ๐(1 โ ๐). Perhatikan bahwa ๐๐ berarti
probabilitas pembatas bahwa ada pelanggan ๐ dalam sistem, yaitu, (๐ โ 1) pelanggan yang
menunggu layanan dan pelanggan yang dilayani dalam keadaan stabil, sehingga diperoleh rata-
rata :
๐ฟ = ๐ธ[๐] =โ๐(1 โ ๐)
โ
๐=1
๐๐ =๐
1 โ ๐ ,
๐ฟ = ๐ธ[๐]
= โ๐๐๐
โ
๐=0
= โ๐๐๐(1 โ ๐)
โ
๐=0
= (1 โ ๐)โ๐(๐๐๐โ1)
โ
๐=0
= (1 โ ๐)โ๐
โ
๐=0
(๐๐)โฒ= ๐(1 โ ๐)โ(๐๐)
โฒ
โ
๐=0
= ๐(1 โ ๐) (1
1 โ ๐)
โฒ
=๐
1 โ ๐
Artinya, rata-rata banyaknya pelanggan dalam sistem antrian diberikan oleh ๐ฟ.
๐ฟ๐ merupakan jumlah rata-rata pelanggan dalam antrian yang belum dilayani. Jika pelanggan
๐ berada di sistem, maka jumlah pelanggan yang menunggu layanan adalah ๐ โ 1, sehingga
diperoleh :
202 Pengantar Proses Stokastik
๐ฟ๐ =โ(๐ โ 1)๐๐
โ
๐=1
=โ๐๐๐
โ
๐=1
โโ๐๐
โ
๐=1
= ๐ฟ โ ๐ =๐2
1 โ ๐
๐ฟ๐ =โ(๐ โ 1)๐๐
โ
๐=1
= โ๐๐๐
โ
๐=1
โโ๐๐
โ
๐=1
= ๐ฟ โ (1 โ ๐0)
= ๐ฟ โ (1 โ (1 โ ๐))
= ๐ฟ โ ๐
=๐
1 โ ๐โ ๐
=๐2
1 โ ๐
Dimana
๐ ๐๐๐๐๐ฆ๐๐๐๐ ๐๐๐๐๐๐๐๐๐ข๐ ๐๐๐๐๐ ๐๐๐๐๐๐๐ ๐ ๐ก๐๐๐๐ = ๐0 = 1 โ ๐,
๐ ๐๐๐๐๐ฆ๐๐๐๐ ๐ ๐๐๐ข๐ ๐๐๐๐๐ ๐๐๐๐๐๐๐ ๐ ๐ก๐๐๐๐ =โ ๐๐
โ
๐=1
= ๐
Rata-rata waktu tunggu dalam antrian diberikan oleh :
๐๐ = ๐ธ[๐] = โซ ๐ก๐๐๐ โค ๐ก
โ
0
=๐
๐(1 โ ๐)
Diketahui bahwa waktu layanan ๐ tidak independen dari waktu tunggu ๐ dan memenuhi
distribusi eksponensial ๐๐ โค ๐ก = 1 โ ๐โ๐๐ก , maka distribusi waktu yang dihabiskan dalam
sistem sebagai konvolusi Stieltjes berikut :
๐๐ + ๐ โค ๐ก = โซ๐๐ โค ๐ก โ ๐ฅ๐๐๐ โค ๐ฅ
๐ก
0
Model Antrian 203
= โซ[1 โ ๐๐โ๐(1โ๐)(๐กโ๐ฅ)]๐๐โ๐๐ฅ ๐๐ฅ
๐ก
0
= 1 โ ๐โ๐(1โ๐)๐ก
yang merupakan distribusi eksponensial dengan parameter ๐(1 โ ๐). Rata-rata waktu yang
dihabiskan dalam sistem diberikan oleh
๐ = ๐ธ[๐ + ๐] =1
๐(1 โ ๐),
Jumlah kumulatif pelanggan yang telah tiba dan pelanggan yang menyelesaikan layanan ๐๐
dan ๐ (๐ โ ๐) pada waktu ๐ก, masing-masing, di mana ๐ฟ pada rata-rata jumlah pelanggan
dalam sistem, ๐ adalah waktu rata-rata dihabiskan dalam sistem, dan jumlah rata-rata
pelanggan dalam antrian ๐ฟ๐, dan rata-rata waktu tunggu ๐๐, Kami memiliki jumlah rata-rata
pelanggan dalam sistem setelah mengurangi ๐(๐ โ๐) dari ๐๐ :
๐ฟ = ๐๐ โ ๐(๐ โ ๐ = ๐๐
๐ฟ๐ = ๐๐๐
yang merupakan Formula Little. Kami harus mencatat Formula Little untuk memvariasikan ๐.
Artinya, jika tingkat kedatangan ๐๐ tergantung pada negara ๐, kita harus menerapkan tingkat
kedatangan aktual ๐๐:
๐๐ =โ๐๐๐๐
โ
๐=0
di mana ๐๐ adalah probabilitas pembatas. Misalnya, jika kita mempertimbangkan antrian
dengan populasi terbatas, karena tingkat kedatangan ๐๐ tergantung pada state ๐ (pada Bagian
9.4).
Contoh 9.1. Pemrosesan kata di kantor kecil bisa dirumuskan dalam istilah model antrian
๐/๐/1/โ. Asumsikan bahwa rata-rata waktu kedatangan untuk kata pemrosesan adalah 25
menit dan waktu layanan rata-rata untuk pemrosesan kata adalah 15 Menit. Hitung yang berikut
ini :
(i) Probabilitas bahwa pengolah kata sibuk.
(ii) Rata-rata waktu tunggu.
(iii) Jika permintaan pemrosesan kata meningkat dan rata-rata waktu yang dihabiskan
dalam sistem lebih dari 45 menit, kita harus memperkenalkan pengolah kata lain.
Bagaimana caranya kami memutuskan waktu kedatangan rata-rata kritis?
204 Pengantar Proses Stokastik
Solusi :
(i) Perhatikan bahwa 1 ๐โ = 25 menit dan 1 ๐โ = 15 menit. Kita mempunyai traffic
intensitas ๐ = ๐/๐ = 3/5. Dengan demikian, ๐๐ ๐๐๐ข๐ = ๐ = 3/5.
(ii) ๐๐ =1
๐(1โ๐)= 22,5 menit.
(iii) Dengan asumsi itu ๐ tidak diketahui, kami memiliki ketidaksetaraan berikut :
๐ = 1
๐(1 โ ๐)=
1๐โ
1 โ ๐ ๐โ=
15
1 โ 15๐โฅ 45
yang menyiratkan 1 ๐โ โค 22.5 menit. Artinya, jika waktu kedatangan rata-rata untuk
pemrosesan kata kurang dari atau sama dengan 22.5 menit., kita harus memperkenalkan kata
lain prosesor.
9.2.2. Model Antrian ๐ด/๐ด/๐/๐ต
Dalam subbagian sebelumnya, kami telah berasumsi bahwa sistem antrian maksimum
kapasitas tak terbatas. Diasumsikan di sini bahwa maksimum kapasitas sistem antrian adalah
๐ terbatas. Artinya, ada maksimum (๐ โ 1) pelanggan yang menunggu untuk layanan
ditambah pelanggan yang dilayani.
Untuk model antrian ๐/๐/1/๐, semua parameter positif :
๐๐ = ๐ > 0, ๐๐+1 = ๐ > 0 (๐ = 0, 1, 2, โฆ , ๐ โ 1)
Dari Teorema 6.5 dan Contoh 6.9, kami memiliki probabilitas pembatas :
๐๐ =
(1 โ ๐)๐๐
1 โ ๐๐+1 (๐ โ 1; ๐ = 0, 1, 2, โฆ ,๐)
1
๐ + 1 (๐ = 1; ๐ = 0, 1, 2, โฆ ,๐)
di mana ๐ = ๐ ๐โ adalah intensitas lalu lintas.
Sarana jumlah pelanggan dalam sistem dan dalam antrean diberikan oleh
๐ฟ =โ๐๐๐
๐
๐=0
= ๐1 โ (๐ + 1)๐๐ + ๐๐๐+1
(1 โ ๐)(1 โ ๐๐+1)
๐ฟ๐ =โ(๐ โ 1)๐๐
๐
๐=1
= ๐ฟ โ (1 โ ๐0)
Model Antrian 205
masing-masing, untuk ๐ โ 1. Untuk ๐ = 1, kami telah mempunyai
๐ฟ =โ๐๐๐
๐
๐=0
=๐
2
๐ฟ๐ =โ(๐ โ 1)๐๐
๐
๐=1
= ๐ฟ โ (1 โ ๐0) =๐(๐ โ 1)
2(๐ + 1)
Probabilitas bersyarat yang ada ๐ pelanggan dalam sistem mengingat bahwa pelanggan dapat
bergabung dengan sistem diberikan oleh
๐๐ =๐๐
1 โ ๐๐ (๐ = 0, 1, 2, โฆ ,๐ โ 1)
karena kita tidak dapat bergabung dengan sistem jika ada ๐ pelanggan dalam sistem.
Probabilitas bahwa pelanggan bergabung dengan antrian sebelum (๐ + 1) pelanggan telah
selesai dilayanani sampai waktu ๐ก diberikan oleh
1 โ โซ๐(๐๐ฅ)๐๐โ๐๐ฅ
๐!
๐ก
0
๐๐ฅ = โ(๐๐ก)๐
๐!
๐
๐=0
๐โ๐๐ก (๐ = 0, 1, โฆ ,๐ โ 1)
yang merupakan probabilitas kelangsungan hidup dari distribusi gamma ๐บ๐ด๐ (๐, ๐ + 1).
Distribusi ๐ + ๐ diberikan
๐๐ + ๐ โค ๐ก = 1 โโ ๐๐
๐โ1
๐=0
โ(๐๐ก)๐
๐!๐โ๐๐ก
๐
๐=0
Kami memiliki distribusi ๐ :
๐๐ โค ๐ก = 1 โโ ๐๐+1
๐โ2
๐=0
โ(๐๐ก)๐
๐!๐โ๐๐ก
๐
๐=0
Rata-rata waktu yang dihabiskan dalam sistem diberikan
๐ = ๐ธ[๐ + ๐] = โ ๐๐
๐โ1
๐=0
๐ + 1
๐
=
1 โ (๐ + 1)๐๐ + ๐๐๐+1
๐(1 โ ๐)(1 โ ๐๐), (๐ โ 1)
๐ + 1
2๐, (๐ = 1)
206 Pengantar Proses Stokastik
Kami memiliki rata-rata waktu tunggu :
๐๐ = ๐ธ[๐] = โ ๐๐+1
๐โ2
๐=0
๐ + 1
๐
=
๐1 โ ๐ ๐๐โ1 + (๐ โ 1)๐๐
๐(1 โ ๐)(1 โ ๐๐), (๐ โ 1)
๐ โ 1
2๐, (๐ = 1)
Mari kita verifikasi Formula Little untuk model antrian ๐/๐/1/๐. Perhatikan bahwa
tidak mungkin untuk bergabung dengan antrian ketika antrian penuh yaitu, negara
bagian ๐, kita telah tingkat kedatangan aktual berikut
๐๐ = โ ๐๐๐
๐โ1
๐=0
= (1 โ ๐๐)๐
Menggunakan tingkat kedatangan aktual ๐๐, kami memiliki Formula Little berikut :
๐ฟ = ๐๐๐
๐ฟ๐ = ๐๐๐๐
9.3. Model Antrian Beberapa Server
Diberikan model antrian beberapa server di mana ada satu antrian dan beberapa server. Jika
pelanggan dalam antrian menemukan server kosong, kepala pelanggan dalam antrian mengisi
saluran layanan yang kosong, dimana pertama datang lebih dulu aturan yang ditayangkan
diterapkan. Pada bagian ini kita membahas tiga kelipatan berikut model antrian server :
(i) Model Antrian ๐/๐/๐/โ
(ii) Model Antrian ๐/๐/๐/๐
(iii) Model Antrian ๐/๐/โ/โ
9.3.1. Model antrian ๐ด/๐ด/๐/โ
Diasumsikan untuk model antrian ๐/๐/๐/โ adalah sebagai berikut :
๐๐ = ๐ (๐ = 0, 1, 2, โฆ )
Model Antrian 207
๐๐ = ๐๐, (๐ = 0, 1, 2, โฆ , ๐)
๐๐, (๐ = ๐, ๐ + 1, ๐ + 2,โฆ )
Mengacu pada Teorema 6.4, kita memiliki kondisi yang diperlukan dan cukup agar batas
probabilitas yang ada :
โโ๐๐โ1๐๐
๐
๐=1
โ
๐=0
=โ1
๐!
๐โ1
๐=0
(๐
๐)๐
+1
๐!(๐
๐)๐
[1 + (๐
๐๐) + (
๐
๐๐)2
+โฏ]
= โ๐ข๐
๐!
๐โ1
๐=0
+๐ข๐
๐!โ๐๐
โ
๐=0
= โ๐ข๐
๐!
๐โ1
๐=0
+๐ข๐
๐! (1 โ ๐)< โ
yang berarti ๐ < 1, di mana ๐ข = ๐ ๐โ dan ๐ = ๐ข ๐โ = ๐ (๐๐)โ . Dengan asumsi ๐ < 1, kita
memiliki probabilitas yang membatasi :
๐0 = [โ๐ข๐
๐!
๐โ1
๐=0
+๐ข๐
๐! (1 โ ๐)]
โ1
๐๐ =
๐ข๐
๐!๐0, (๐ = 1, 2, โฆ , ๐)
๐ข๐
๐!(๐ข
๐)๐โ๐
๐0, (๐ = ๐, ๐ + 1,โฆ )
Mari kita hitung ๐ฟ๐, jumlah rata-rata pelanggan dalam antrian. jumlah saluran layanan adalah
๐, kami mempunyai
๐ฟ๐ =โ(๐ โ ๐)
โ
๐=๐
๐๐ = ๐0๐ข๐
๐!(0 + 1๐ + 2๐2 + 3๐3 +โฏ) =
๐0๐ข๐๐
๐! (1 โ ๐)2
Dengan menerapkan Rumus Little, kita memiliki rata-rata waktu tunggu :
๐๐ =๐ฟ๐
๐
Perhatikan bahwa rata-rata waktu layanan adalah 1
๐, kami memiliki rata-rata waktu yang
dihabiskan di system :
๐ = ๐๐ +1
๐
208 Pengantar Proses Stokastik
Sekali lagi menerapkan Rumus Little, kita memiliki ๐ฟ = ๐๐, jumlah rata-rata pelanggan
dalam sistem.
Probabilitas pelanggan baru datang harus menunggu layanan adalah diberikan oleh :
๐ ๐๐๐๐๐๐๐๐๐ ๐ฆ๐๐๐ ๐๐๐ก๐๐๐ ๐๐๐๐ข๐๐๐๐ข ๐๐๐ฆ๐๐๐๐ = โ๐๐
โ
๐=๐
=๐ข๐
๐! (1 โ ๐) ๐0
Itu berarti waktu tunggu diberikan oleh
๐๐ =
๐ถ (๐, ๐ข)๐โ
๐(1 โ ๐)
9.3.2. Model Antrian ๐ด/๐ด/๐/๐
Perhatikan model antrian ๐/๐/๐/๐ di mana sistem antriannya maksimal kapasitas sama
dengan jumlah saluran layanan.
Mengacu pada Teorema 6.5, kita memiliki probabilitas pembatas terlepas dari ๐ = ๐ข ๐โ =
๐ ๐๐โ :
๐๐ =๐ข๐
๐!๐0 (๐ = 1, 2, . . ., ๐),
dimana
๐0 = [1 +๐ข
1!+๐ข2
2!+ โฏ+
๐ข๐
๐!]
โ1
Kita mempunyai
๐๐ =
๐ข๐
๐! ๐โ๐ข
โ๐ข๐
๐!๐๐=0 ๐โ๐ข
(๐ = 0, 1, 2, โฆ , ๐)
yang dapat dengan mudah dihitung dengan tabel distribusi Poisson. Khususnya,
๐๐ =๐ข๐๐!โ
1 + ๐ข +๐ข2
2! + โฏ+๐ข๐
๐!
= ๐ต(๐, ๐ข)
yang disebut Formula B Erlang atau Formula Loss Erlang dan merupakan probability bahwa
pelanggan harus berpaling tanpa layanan.
Model Antrian 209
Tarif kedatangan sebenarnya diberikan oleh
๐๐ = ๐ (1 โ ๐๐) = ๐ [1 โ ๐ต (๐, ๐ข)].
Perhatikan bahwa ๐ฟ๐ = ๐๐ = 0 karena tidak ada antrian nyata dalam model antrian
๐/๐/๐/๐, kami memiliki jumlah rata-rata pelanggan dalam sistem:
๐ฟ =โ๐๐๐
๐
๐=0
= ๐ข๐0โ๐ข๐
๐!
๐โ1
๐=0
= ๐ข[1 โ ๐ต(๐, ๐ข)]
Kami dapat dengan mudah memverifikasi Rumus Little :
๐ =๐ฟ
๐๐=1
๐
di mana 1
๐ adalah waktu layanan rata-rata untuk model antrian ๐/๐บ/๐/๐. Sistem antrian seperti
itu disebut sistem yang kokoh.
9.3.3 Model Antrian ๐ด/๐ด/โ/โ
Untuk model antrian ๐/๐/โ/โ, semua pelanggan yang datang dapat dilayani segera karena
jumlah saluran layanan tidak terbatas. Mengacu pada Contoh 6.4.3, kami memiliki
probabilitas pembatas :
๐๐ =๐ข๐
๐!๐โ๐ข (๐ = 0, 1, 2, โฆ . )
yang merupakan distribusi Poisson ๐ ~ ๐๐๐ผ (๐ข).
Menggunakan fakta bahwa ๐ ~ ๐๐๐ผ (๐ข), kami memiliki jumlah rata-rata pelanggan dalam
system :
๐ฟ = ๐ข
Menerapkan Formula Little, kami mempunyai
๐ =๐ข
๐=1
๐,
yang secara alami merupakan rata-rata waktu layanan. Perhatikan bahwa tidak ada antrian,
kami memiliki ๐ฟ๐ = ๐๐ = 0.
Seperti yang ditunjukkan pada Contoh, kami telah memperoleh hasil analitik untuk sebuah
Model antrian ๐/๐/โ/โ. Artinya, kemungkinan ada ๐ pelanggan dilayani pada waktu ๐ก
mengingat tidak ada pelanggan pada ๐ก = 0 diberikan oleh
210 Pengantar Proses Stokastik
๐ ๐ ๐๐๐๐๐๐๐๐๐ ๐๐๐๐๐ฆ๐๐๐ ๐๐๐๐ ๐ค๐๐๐ก๐ข ๐ก =(๐ ๐๐ก)๐
๐!๐โ๐๐๐ก (๐ = 0, 1, 2, . . . ),
yaitu, probabilitas bahwa ๐ pelanggan dilayani pada waktu ๐ก mengikuti non-homogen proses
Poisson dengan fungsi nilai rata-rata
๐๐๐ก = ๐โซ[1 โ ๐บ(๐ฅ)]๐๐ฅ
๐ก
0
dimana ๐บ(๐ก) adalah distribusi waktu yang berubah-ubah. Jika ๐ก โ โ, kita mempunyai
๐ ๐ ๐๐๐๐๐๐๐๐๐ ๐๐๐๐๐ฆ๐๐๐ ๐๐๐๐๐ ๐๐๐๐๐๐ ๐ ๐ ๐๐๐ =๐ข๐
๐!๐โ๐ข (๐ = 0, 1, 2, โฆ ),
Dimana
lim๐กโโ
๐๐๐ก = ๐โซ[1 โ ๐บ(๐ฅ)]๐๐ฅ
โ
0
=๐
๐= ๐ข
Secara khusus, jika kita mengasumsikan distribusi waktu pelayanan eksponensial ๐บ(๐ก) = 1 โ
๐โ๐๐ก, kami mempunyai
๐๐๐ก = ๐โซ[1 โ ๐บ(๐ฅ)]๐๐ฅ
๐ก
0
=๐
๐(1 โ ๐โ๐๐ก)
yang merupakan fungsi nilai rata-rata dari proses Poisson non-homogen. Di mana ๐๐ =
๐, ๐๐+1 = (๐ + 1)๐, ๐โ(0) = 1, dan ๐0๐(0) = 0 (๐ โฅ 1).
9.4. Antrian dengan Populasi Terbatas
Telah dianggap bahwa kegagalan (kedatangan) tingkat adalah ๐ untuk setiap mesin dan
perbaikan (service) nilai ๐ untuk setiap tukang. Jika ada ๐ mesin yang beroperasi, di mana ๐ =
1, 2, . . . , ๐พ, maka probabilitas bahwa salah satu dari ๐ mesin rusak kecil interval โ > 0
diberikan oleh
(๐
1) (1 โ ๐โ๐โ)๐โ(๐โ1)๐โ = ๐๐โ + ๐(โ)
Artinya , tingkat kegagalan bervariasi tergantung pada jumlah mesin yang beroperasi.
Model Antrian 211
Pada bagian ini kita membahas model antrian berikut dengan populasi terbatas. yaitu:
Model Antrian ๐/๐/1/๐พ/๐พ
Model Antrian ๐/๐/๐/๐พ/๐พ
Model Antrian ๐/๐/๐/๐/๐
9.4.1 Model Antrian ๐ด/๐ด/๐/๐ฒ/๐ฒ
Misalkan ๐ menjadi jumlah mesin yang gagal, di mana ๐ = 1, 2, . . . , ๐พ. Perhatikan itu tingkat
kegagalan adalah ๐ untuk setiap mesin dan tingkat perbaikan adalah ๐ untuk setiap tukang, kita
mempunyai
๐๐ = (๐พ โ ๐)๐ (๐ = 0, 1, 2, โฆ , ๐พ โ 1)
๐๐ = ๐ (๐ = 0, 1, 2, โฆ , ๐พ)
Mengacu pada Teorema 6.5, kita mempunyai
๐๐ =๐พ!
(๐พ โ ๐)!(๐
๐)๐
๐0 (๐ = 0, 1, 2, โฆ , ๐พ),
Dimana
๐0 = [โ๐พ!
(๐พ โ ๐)!(๐
๐)๐๐พ
๐=0
]
โ1
Probabilitas bahwa setidaknya ada mesin yang diperbaiki diberikan oleh
๐ ๐ ๐๐ก๐๐๐๐๐๐ฆ๐ ๐๐๐ ๐๐ ๐๐๐๐๐๐๐๐๐๐ =โ๐๐
๐พ
๐=1
= 1 โ ๐0
= 1 โ1
โ๐พ!
(๐พ โ ๐)!(๐๐)
๐๐พ๐=0
= 1 โ ๐ต(๐พ,๐๐โ )
dimana ๐ต(๐พ,๐๐โ ) adalah Formula B Erlang
212 Pengantar Proses Stokastik
Tingkat kegagalan (kedatangan) sebenarnya diberikan oleh
๐๐ = โ ๐๐๐๐
๐พโ1
๐=0
= (1 โ ๐0)๐
Kita juga bisa mendapatkan tingkat kegagalan aktual sebagai berikut: 1 ๐โ adalah chine gagal,
๐๐ adalah menunggu perbaikan, dan 1 ๐โ adalah diperbaiki. Memperhatikan bahwa ada K
mesin, kita mempunyai
๐๐ =๐พ
1๐โ + ๐๐ +
1๐โ
๐๐ =๐พ
1๐โ + ๐๐ +
1๐โ
(1 โ ๐0)๐ =๐พ
1๐โ + ๐๐ +
1๐โ
(1 ๐โ + ๐๐ + 1๐โ )(1 โ ๐0)๐ = ๐พ
(1 ๐โ + ๐๐ + 1๐โ ) =
๐พ
(1 โ ๐0)๐
๐๐ =๐พ
(1 โ ๐0)๐โ1
๐โ1
๐
Waktu rata-rata yang dihabiskan dalam sistem diberikan oleh
๐ = ๐๐ +1
๐=
๐พ
(1 โ ๐0)๐โ1
๐
Menggunakan ๐๐ dalam Persamaan. (9.4.7) dan Rumus Little, kita mempunyai
๐ฟ = ๐๐๐
๐ฟ๐ = ๐๐๐๐
9.4.2 Model Antrian ๐ด/๐ด/๐/๐ฒ/๐ฒ
Diberikan model antrian serupa dengan tukang reparasi. Kami kembali mendefinisikan state ๐
sedemikian rupa sehingga jumlah mesin yang gagal adalah ๐, dimana ๐ = 0, 1, 2, โฆ , ๐พ. Semua
parameter diberikan oleh
๐๐ = (๐พ โ ๐)๐ (๐ = 0, 1, 2, โฆ , ๐พ โ 1),
Model Antrian 213
Mengacu pada Teorema 6.5, kita mempunyai
๐๐ =
(
๐พ
๐) (๐
๐)๐
๐0, (๐ = 0, 1, 2, โฆ , ๐)
๐!
๐! ๐๐โ๐(๐พ
๐) (๐
๐)๐
๐0, (๐ = ๐, ๐ + 1,โฆ , ๐พ)
๐0 = [โ(๐พ
๐) (๐
๐)๐๐
๐=0
+ โ๐!
๐! ๐๐โ๐(๐พ
๐) (๐
๐)๐๐พ
๐=๐+1
]
โ1
Jumlah rata-rata pelanggan dalam sistem dan dalam antrian masing-masing diberikan oleh
๐ฟ = โ ๐๐๐
๐พ
๐=0
,
๐ฟ๐ = โ(๐ โ ๐)๐๐
๐พ
๐=๐
Namun, kami dapat memperoleh waktu tunggu rata-rata ๐๐ seperti yang telah kami tunjukkan
dalam Persamaan berikut :
Tingkat kegagalan aktual diberikan oleh
๐๐ =๐พ
1๐โ + ๐๐ +
1๐โ
Menggunakan Rumus Little, kami memiliki waktu tunggu rata-rata :
๐๐ =๐ฟ๐
๐๐ = (
1
๐+๐๐ +
1
๐)(๐ฟ๐
๐พ) =
๐ฟ๐ (1๐+1๐)
๐พ โ ๐ฟ๐
Artinya, ๐๐ bisa diturunkan dari ๐ฟ๐, begitu pula sebaliknya. Waktu rata-rata yang dihabiskan
di sistem diberikan oleh
๐ = ๐๐ +1
๐
yang menyiratkan
๐ฟ = ๐๐๐
dari Formula Little.
214 Pengantar Proses Stokastik
Kami memperkenalkan kuantitas yang berikut tentukan masalah tukang :
Jumlah rata-rata mesin yang sedang diperbaiki
๐ฟ๐ = โ ๐๐๐
๐
๐=0
+ ๐ โ ๐๐
๐พ
๐=๐+1
Rata-rata jumlah tukang yang menganggur
๐ฟ๐ = โ(๐ โ ๐)๐๐
๐
๐=0
Koefisien kerugian untuk mesin
๐๐ = [๐๐ข๐๐๐โ ๐๐๐ก๐ โ ๐๐๐ก๐ ๐๐๐ ๐๐ ๐๐๐๐๐ ๐๐๐ก๐๐๐๐]
[๐๐ข๐๐๐โ ๐๐๐ ๐๐] =๐ฟ๐
๐พ
Koefisien perbaikan mesin
๐๐ = [๐๐ข๐๐๐โ ๐๐๐ก๐ โ ๐๐๐ก๐ ๐๐๐ ๐๐ ๐ ๐๐๐๐๐ ๐๐๐๐๐๐๐๐๐๐]
[๐๐ข๐๐๐โ ๐๐๐ ๐๐] =๐ฟ๐๐พ
Koefisien kerugian bagi tukang reparasi
๐ ๐ = [๐๐๐ก๐ โ ๐๐๐ก๐ ๐๐ข๐๐๐โ ๐ก๐ข๐๐๐๐ ๐ฆ๐๐๐ ๐๐๐๐๐๐๐๐๐ข๐]
[๐๐ข๐๐๐โ ๐ก๐ข๐๐๐๐] =๐ฟ๐๐
Koefisien operasi untuk mesin
๐๐ค = [๐๐๐ก๐ โ ๐๐๐ก๐ ๐๐ข๐๐๐โ ๐ก๐ข๐๐๐๐ ๐ฆ๐๐๐ ๐๐๐๐๐๐๐๐๐ ๐]
[๐๐ข๐๐๐โ ๐ก๐ข๐๐๐๐] = 1 โ
๐ฟ
๐พ
Dimana
๐๐ +๐๐ +๐๐ค = 1
9.4.3 Model Antrian ๐ด/๐ด/๐/๐/๐
Menerapkan hasil di sub-bagian sebelumnya dengan mengasumsikan ๐พ = ๐, kita mempunyai
๐๐ = (๐
๐) (
๐
๐ + ๐)๐
(๐
๐ + ๐)๐โ๐
(๐ = 0, 1, 2, โฆ , ๐)
yang merupakan distribusi binomial ๐ ~ ๐ต (๐, >๐
๐+๐). Jumlah rata-rata pelanggan dalam
sistem diberikan oleh
๐ฟ =๐๐
๐ + ๐
Model Antrian 215
Tingkat kegagalan sebenarnya diberikan oleh
๐๐ =โ๐๐๐๐
๐โ1
๐=0
=๐๐๐
๐ + ๐
dan waktu rata-rata yang dihabiskan dalam sistem diberikan oleh
๐ =1
๐=๐ฟ
๐๐
yang memverifikasi Rumus Little.
Diperoleh hasil analisis, yaitu transien solusi untuk model antrian ๐/๐/๐/๐/๐ secara umum
sebagai berikut: Mengacu pada Contoh 6.10, kami mempunyai
๐00(๐ก) = ๐
๐ + ๐+
๐
๐ + ๐๐โ(๐+๐)๐ก
๐01(๐ก) = ๐
๐ + ๐โ
๐
๐ + ๐๐โ(๐+๐)๐ก
yang merupakan kemungkinan bahwa mesin sedang beroperasi dan diperbaiki pada waktunya
๐ก, masing-masing, mengingat beroperasi pada ๐ก = 0. Karena ada ๐ mesin di paralel, dan
dengan asumsi bahwa semua mesin ๐ beroperasi pada ๐ก = 0, kita memiliki berikut
kemungkinan bahwa mesin ๐ sedang diperbaiki pada waktu ๐ก:
๐0๐(๐ก) = (๐
๐) [๐00(๐ก)]
๐โ๐[๐01(๐ก)]๐ (๐ = 0,1,2, . . . , ๐),
yang merupakan solusi transien untuk model antrian ๐/๐/๐/๐/๐. Tentu saja, jika ๐ก โ โ, kita
mempunyai
๐๐ = lim๐กโโ
๐0๐(๐ก) (๐ = 0,1,2, . . . , ๐),
Dalam teori antrian, itu adalah sangat sulit atau tidak mungkin untuk mendapatkan transien
solusi secara analitis. Untungnya, kami berhasil mendapatkan transient tersebut solusi dari
sudut pandang yang berbeda. Kami juga telah menunjukkan solusi transien untuk model antrian
๐/๐บ/โ dari sudut pandang proses Poisson.
Pengantar Proses Stokastik 217
DAFTAR PUSTAKA
Feller, William. 1957. An Introduction to Probability Theory and Its Applications, New
York: John Wiley.
Fisz, Marek. 1963. Probability Theory and Mathematical Statistics, New York: John Wiley.
Parzen, Emanuel. 1960. Modern Probability Theory and Its Applications, New York: John
Wiley.
S. Ross. 2010. A First Course in Probability (Eighth Edition), New Jersey: Prentice Hall.
Chung, Kai-Lai. 1960. Markov Chains with Stationary Transition Probabilities. Berlin:
Springer.
Karlin, Samuel dan H. Taylor. 1975. A First Course in Stochastic Processes (Second
Edition). New York: Academic Press.
Kemeny, John George dan J. L. Snell. 1960. Finite Markov Chains. New Jersey: Van
Nostrand Reinhold Princeton.
Ross, Sheldon M. 1996. Stochastic Processes (Second Edition). New York: John Wiley.
Cramรฉr, Harald and M. Leadbetter. 1996. Stationary and Related Stochastic Processes. New
York: John Wiley.
Cox, D R and H. D. Miller. 1965. The Theory of Stochastic Processes. Methuen, London.
Drake, A W. 1967. Fundamentals of Applied Probability Theory. New York: McGraw-Hill.
Parzen, Emanuel. 1962. Stochastic Processes. Holden-Day, San Francisco, California.
Ross, Sheldon M. 1996. Stochastic Processes (Second Edition). New York: John Wiley.
Modica, Giuseppe dan Laura Poggiolini. 2013. A First Course in Probability and Markov
Chains. United Kingdom: John Wiley&Sons Ltd.
Capasso, Vincenzo dan David Bakstein. 2015. An Introduction to Continuous-Time
Stochastic Processes (Third Edition). New York: Springer.
Girardin, Valerie dan Nikolaos Limnios. 2018. Applied Probability From Random Sequences
to Stochastic Processes. Swiss: Springer.
Beichelt, Frank. 2016. Applied Probability and Stochastic Processes (Second Edition).
London: CRC Press.
Takacs, L. 1962. Introduction to the Theory of Queues. London and New York: Oxford
University Press.
Wolff. 1989. Stochastic Modeling and the Theory of Queues. New Jersey: Prentice Hall.
218 Pengantar Proses Stokastik
Barlow, R E and F. Proschan. 1975. Statistical Theory of Reliability and Life Testing. New
York: Holt.
Collet, Jean-Francois. 2018. Discrete Stochastic Processes and Applications. Prancis:
Springer
Ross, Sheldon M. 2010. Introduction to Probability Models (Tenth Edition). United States of
America: Elseiver
Wibisono, Yusuf. 2015. Metode Statistik. Yogyakarta: Gadjah Mada University Press