Upload
diah-lestari
View
227
Download
0
Embed Size (px)
Citation preview
8/16/2019 Rantai Markov Diskrit
1/34
i
ESTIMASI INTERVAL KONFIDENSI UNTUK
PROBABILITAS TRANSISI RANTAI MARKOV DISKRIT
Oleh
NUR ITSNAINI HASANAH
M0105054
SKRIPSI
ditulis dan diajukan untuk memenuhi sebagian persyaratan
memperoleh gelar Sarjana Sains Matematika
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET
SURAKARTA
2011
8/16/2019 Rantai Markov Diskrit
2/34
ii
SKRIPSIESTIMASI INTERVAL KONFIDENSI UNTUK
PROBABILITAS TRANSISI RANTAI MARKOV DISKRIT
yang disiapkan dan disusun oleh
NUR ITSNAINI HASANAH
M0105054
dibimbing oleh
Pembimbing I,
Dra. Yuliana Susanti, M.Si NIP. 19611219 198703 2 001
Pembimbing II,
Drs. Pangadi, M.Si NIP. 19571012 199103 1 001
telah dipertahankan di depan Dewan Penguji
pada hari Senin tanggal 7 Februari 2011
dan dinyatakan telah memenuhi syarat.
Anggota Tim Penguji Tanda tangan
1. Drs. Sugiyanto, M.Si NIP. 19611224 199203 1 003 1.
2. Dra. Etik Zukhronah, M.Si NIP. 19661213 099203 2 001 2.
3. Drs. Muslich, M.Si NIP. 19521118 197903 1 001 3.
Surakarta, Maret 2011Disahkan olehFakultas Matematika dan Ilmu Pengetahuan Alam
Dekan,
Prof. Dr. Sutarno, M.Sc, Ph.D NIP. 19600809 198612 1 001
Ketua Jurusan Matematika,
Drs. Sutrima, M.Si NIP. 19661007 199302 1 001
8/16/2019 Rantai Markov Diskrit
3/34
iii
ABSTRAK
NUR ITSNAINI HASANAH, 2011, ESTIMASI INTERVAL KONFIDENSI
UNTUK PROBABILITAS TRANSISI RANTAI MARKOV DISKRIT
ABSTRAK . Rantai Markov diskrit adalah proses stokastik dengan ruang state dan ruang parameternya diskrit serta memenuhi sifat Markov. Rantai Markovditentukan dengan probabilitas awal dan probabilitas transisi. Jika probabilitastransisi tidak diketahui maka perlu untuk membuat inferensi tentang probabilitastransisi dari data. Salah satu cara penyelesaian analisis statistik pada rantaiMarkov adalah membawa rantai Markov tersebut ke metode chi kuadrat yangdiaplikasikan dalam kasus multinomial. Tujuan dari penulisan ini adalahmenyajikan interval konfidensi untuk probabilitas transisi rantai Markov diskrit.
Hasil pembahasan menunjukkan bahwa interval konfidensi 100(1- )%untuk 6 . ditentukan oleh U p p L p ijijij ˆˆ dengan L p ijˆ sebagai batas bawah
interval dan U p ijˆ sebagai batas atas interval, untuk i, j = 1,2,…, r.
Kata kunci : interval konfidensi, probabilitas transisi, rantai Markov diskrit.
8/16/2019 Rantai Markov Diskrit
4/34
iv
ABSTRACT
NUR ITSNAINI HASANAH, 2011, CONFIDENCE INTERVAL FORTRANSITION PROBABILITY FROM DISCRETE MARKOV CHAIN
ABSTRACT . The discrete markov chain is stochastic process whose state and parameter space are discrete and satisfies Markov property. It depends on initialstate and transition probability. If the transition probability is unknown so itarises the problem of making inferences about them from data. One of the way tosolve the statistical analysis of markov chain is to carry over the markov chain tothe chi square methods which applied in the multinomial case. The aim of thistask is to find confidence interval for transition probability from discrete markovchain.
The result shows that the 100(1- )% confidence interval for transition probability 6 . is determined by U p p L p ijijij ˆˆ where L p ijˆ as lower bound and
U p ijˆ as upper bound, for i, j = 1,2,…, r .
Key words: confidence interval, transition probability, discrete markov chain.
8/16/2019 Rantai Markov Diskrit
5/34
v
PERSEMBAHAN
Karya tulis ini penulis persembahkan untuk
Bapak Ibu dan keluarga yang penulis sayangi.
Orang-orang yang memberi nasihat, saran, dan kritik pada penulis.
8/16/2019 Rantai Markov Diskrit
6/34
vi
KATA PENGANTAR
Bismillahirrahmanirrahim.
Alhamdulillah, segala puji hanya bagi Allah ‘Azza wa Jalla yang telah
memberikan pertolongan dan rahmat-Nya sehingga penulis dapat menyelesaikan
skripsi ini. Semoga shalawat dan salam senantiasa tercurah kepada Nabi
Muhammad Shallallahu ‘alaihi wa Sallam, keluarga dan para shahabatnya. Pada
kesempatan ini penulis mengucapkan terima kasih kepada:
1. Ibu Dra. Yuliana Susanti, M.Si selaku pembimbing I atas bimbingan dan
arahannya dalam mengerjakan skripsi ini,
2. Bapak Drs. Pangadi, M.Si selaku pembimbing II atas bimbingan dan
arahannya,
3. NOVI MOTOR Kartasura, atas kesediaannya memberikan informasi yang
dibutuhkan penulis,
4. Semua pihak yang membantu dalam penyelesaian skripsi ini.
Penulis berharap semoga penulisan skripsi ini bermanfaat bagi pembaca.
Februari 2011
Penulis
8/16/2019 Rantai Markov Diskrit
7/34
vii
DAFTAR ISI
HALAMAN JUDUL ……………………………………………………….. i
PENGESAHAN ……………………………………………………………... ii
ABSTRAK ………………………………………………………………….. iii
ABSTRACT ………………………………………………………………….. iv
PERSEMBAHAN …………………………………………………………… v
KATA PENGANTAR ………………………………………………………. vi
DAFTAR ISI ………………………………………………………………... viiDAFTAR SIMBOL …………………………………………………………. viii
BAB I PENDAHULUAN ……………………………………………………
1.1 Latar belakang Masalah ………………………………………………….
1.2 Rumusan Masalah ……………………………………………………….
1.3 Batasan Masalah …………………………………………………………
1.4 Tujuan dan Manfaat Penulisan …………………………………………..
BAB II LANDASAN TEORI ………………………………………………..
2.1 Tinjauan Pustaka …………………………………………………………
2.2 Kerangka Pemikiran ……………………………………………………..
1
1
2
3
3
4
4
12
BAB III METODE PENULISAN …………………………………………... 13
BAB IV PEMBAHASAN …………………………………………………...
4.1 Model Rantai Markov ……………………………………………………
4.2 Penduga Maksimum Likelihood …………………………………………
4.3 Distribusi Asimtotik dari Penduga 6 . …………………………………...
4.4 Interval Konfidensi untuk Probabilitas Transisi …………………………
4.5 Contoh Kasus …………………………………………………………….
14
14
15
17
19
22
BAB V PENUTUP …………………………………………………………..
5.1 Kesimpulan ………………………………………………………………
5.2 Saran ……………………………………………………………………..
26
26
26
DAFTAR PUSTAKA ………………………………………………………. 27
LAMPIRAN ………………………………………………………………… 28
8/16/2019 Rantai Markov Diskrit
8/34
viii
DAFTAR SIMBOL
S : ruang sampel
: ruang parameter
: parameter
X : variabel random
x : nilai variabel random
f ( x) : fungsi kepadatan probabilitas ( probability density function ) dari
variabel random X F ( x) : fungsi distribusi kumulatif dari variabel random X
, , … , : fungsi kepadatan probabilitas bersama dari variabel random
, … ,
| : fkp bersyarat dari 2 x diberikan 1 = 1
: harga harapan dari X
z : variansi dari X
, : kovariansi dari X dan Y
: fungsi pembangkit momen
L( ) : fungsi likelihood
, , : gradien , ,
6 . : probabilitas transisi dari state i ke state j
6 . : penduga probabilitas transisi
. : jumlah transisi dari state i ke state j
8/16/2019 Rantai Markov Diskrit
9/34
1
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Proses stokastik merupakan cara untuk mempelajari hubungan dinamis
dari suatu runtun peristiwa atau proses yang kejadiannya bersifat tidak pasti.
Proses stokastik banyak digunakan untuk memodelkan perubahan dari sebuah
sistem yang mengandung ketidakpastian sehingga model deterministik tidak dapat
digunakan untuk menganalisis sistem tersebut.
Ross (1983) memberikan definisi proses stokastik }),({ T t t X Î sebagai
barisan variabel random yang diberi indeks waktu t yang nilainya berubah-ubah
sesuai dengan himpunan indeks T . Nilai dari variabel random X (t ) tersebut
dinamakan state pada saat t . Menurut Parzen (1962), proses stokastik parameter
diskrit { },...2,1,0),( =t t X atau proses stokastik parameter kontinu { }0),( ³t t X
disebut sebagai proses Markov jika untuk sembarang harga nt t t t ...210
probabilitas bersyarat dari )( nt X diberikan )(),...,( 10 -nt X t X hanya bergantung pada )( 1-nt X atau bisa dituliskan sebagai
])(,...,)()([ 1100 -- === nnnn xt X xt X xt X P = ])()([ 11 -- == nnnn xt X xt X P .
Pada dasarnya proses stokastik dikelompokkan berdasarkan sifat ruang
parameter dan sifat ruang state (state space ). Berdasarkan sifat ruang
parameternya, proses stokastik digolongkan menjadi proses stokastik parameter
diskrit dan proses stokastik parameter kontinu. Berdasarkan sifat ruang state -nya,
proses stokastik digolongkan menjadi proses stokastik dengan ruang state diskrit
dan proses stokastik dengan ruang state kontinu.
Rantai Markov waktu diskrit T t X t Î,{ } adalah proses stokastik yang
mempunyai ruang state berupa himpunan berhingga atau terhitung dengan
himpunan indeks T = {0, 1, 2,…} yang memenuhi
],...,,[ 111100 -- ==== nnnn x X x X x X x X P = ][ 11 -- == nnnn x X x X P .
8/16/2019 Rantai Markov Diskrit
10/34
2
Proses Markov dikatakan sebagai rantai Markov jika ruang state nya diskrit.
Probabilitas bersyarat ][ 1 i X j X P nn ==
- biasa disebut dengan probabilitastransisi rantai Markov.
Jika probabilitas transisi tidak diketahui atau probabilitas transisi tersebut
merupakan fungsi dari parameter yang tidak diketahui maka perlu untuk membuat
inferensi tentang probabilitas transisi dari data empiris. Dalam statistik, inferensi
adalah proses penarikan kesimpulan tentang distribusi populasi berdasarkan
distribusi sampel yang diambil dari populasi tersebut. Salah satu cabang penting
dari inferensi statistik adalah estimasi (pendugaan) yang terdiri dari dua macamyaitu estimasi titik dan estimasi interval. Tujuan estimasi titik adalah menduga
nilai parameter yang tidak diketahui. Estimasi titik sendiri tidak memberikan
informasi akurasinya. Estimasi interval diperlukan untuk mengetahui seberapa
dekat atau seberapa besar harapan estimasi titik itu mendekati nilai yang
sebenarnya. Selain itu, estimasi interval sendiri bisa digunakan dalam proses
pengambilan kesimpulan.
Dalam banyak literatur, kebanyakan para peneliti mengunakan metode
maksimum likelihood untuk mengestimasi probabilitas transisi rantai markov
sebagaimana dalam Spring 2009. Sulistyowati (2003) telah membahas tentang
estimasi titik dan uji hipotesis dalam rantai Markov. Oleh karena itu, dalam
skripsi ini akan dibahas mengenai interval konfidensi untuk probabilitas transisi
rantai Markov dan dikaji ulang tentang pendugaan probabilitas transisi rantai
Markov dengan metode maksimum likelihood.
1.2 Rumusan Masalah
Permasalahan yang dibahas dalam penulisan skripsi ini adalah bagaimana
menentukan interval konfidensi untuk probabilitas transisi rantai Markov diskrit.
8/16/2019 Rantai Markov Diskrit
11/34
3
1.3 Batasan Masalah
Berdasarkan pada rumusan masalah di atas, pembahasan dalam skripsi ini
dibatasi pada penerapan metode maksimum likelihood dalam mengestimasi
probabilitas transisi rantai Markov orde satu dengan ruang state berhingga
(diskrit).
1.4 Tujuan dan Manfaat Penulisan
Tujuan dari penulisan skripsi ini adalah mampu menyajikan interval
konfidensi untuk probabilitas transisi rantai Markov diskrit. Dengan tercapainya
tujuan ini, penulisan skripsi ini diharapkan dapat menambah pengetahuan tentang
inferensi statistik pada rantai Markov khususnya pada estimasi interval konfidensi
probabilitas transisinya.
8/16/2019 Rantai Markov Diskrit
12/34
4
BAB II
LANDASAN TEORI
2.1 Tinjauan Pustaka
Untuk mendukung pembahasan dalam skripsi ini dibutuhkan teori-teori
dasar berikut.
2.1.1. Ruang Sampel, Kejadian, Probabilitas dan Variabel Random
Beberapa definisi yang berkaitan dengan ruang sampel, kejadian,
probabilitas dan variabel random berikut diambil dari Bain dan Engelhardt (1992).
Definisi 2.1.1 Ruang sampel S dari suatu percobaan adalah himpunan semua
hasil (outcome) yang mungkin dari percobaan tersebut.
Definisi 2.1.2 Suatu kejadian (event) adalah sembarang subset dari hasil yang
termuat dalam ruang sampel.
Definisi 2.1.3 Probabilitas adalah kemungkinan terjadinya suatu peristiwa
diantara keseluruhan peristiwa yang mungkin terjadi.
Definisi 2.1.4 Variabel random X adalah suatu fungsi yang memetakan setiap
hasil yang mungkin e dalam ruang sampel S dengan bilangan real sedemikian
sehingga X(e) = x, x Î R.
Definisi 2.1.5 Jika himpunan semua nilai yang mungkin dari variabel random X
merupakan himpunan terhitung * , * , … ,* atau * , * , … maka variabel
random X disebut variabel random diskrit. Fungsi * = [ = * ] untuk x =
* , * , … disebut fungsi kepadatan probabilitas diskrit.
Definisi 2.1.6 Fungsi distribusi kumulatif dari variabel random X didefinisikan
untuk sembarang bilangan real dengan * = [ ≤ * ] .
Definisi 2.1.7 Variabel random X disebut variabel random kontinu jika fungsi
distribusi kumulatifnya bisa dinyatakan sebagai * = % .
Definisi 2.1.8 Fungsi kepadatan probabilitas bersama dari variabel random
diskrit X = , … , didefinisikan sebagai * , * , … ,* = [ = * , =
* , … , = * ] .
8/16/2019 Rantai Markov Diskrit
13/34
5
Definisi 2.1.9 Jika 1 X dan 2 X merupakan variabel random diskrit atau kontinu
dengan fungsi kepadatan probabilitas bersama * , * ) maka fungsi kepadatan probabilitas bersyarat dari 2 x diberikan 1 X = 1 x didefinisikan sebagai
* | * =,
untuk nilai-nilai 1 x sedemikian sehingga * > 0 dan nol untuk nilai yang lain.
Definisi 2.1.10 Jika X variabel random dengan fungsi kepadatan probabilitas
)( x f maka harga harapan (expected value) dari X didefinisikan sebagai
* = ∑ * * ) jika X diskrit
* = * * ) %* jika X kontinu
Definisi 2.1.11 Variansi dari variabel random X diberikan oleh
l * = [ − ) ]
Definisi 2.1.12 Kovariansi dari pasangan variabel random X dan Y didefinisikan
dengan
)])([(),( y x Y X E Y X Cov m m --=
Definisi 2.1.13 Jika X variabel random maka)()( tX X e E t M =
Disebut fungsi pembangkit momen dari X jika harga harapan ini ada untuk semua
nilai t dalam suatu interval ht h
8/16/2019 Rantai Markov Diskrit
14/34
6
dengan * * …* =!
! !… ! .
Distribusi multinomial digunakan ketika dipunyai sebuah percobaan dengan k
kemungkinan hasil, yang masing-masing terjadi dengan probabilitas i p .
Percobaaan diulang sebanyak n kali dan k X X X ,...,, 21 mengukur jumlah
kejadian masing-masing kelas (hasil). Karena terdapat n percobaan, maka
jumlah keseluruhan hasil adalah n xk
ii =å
=1 , dan karena probabilitas memperoleh
hasil i sebesar i p , maka 11 =å=k
ii p .
2.1.3. Distribusi Normal, Gamma dan Chi Kuadrat
Definisi berikut diambil dari Bain dan Engelhardt (1992).
Definisi 2.1.11 Suatu variabel random X mengikuti distribusi normal dengan
mean m dan variansi 2s jika mempunyai fungsi kepadatan probabilitas
2]/)[( 2
2
1
),;( s m
s p s m -= x
e x f
untuk ¥
8/16/2019 Rantai Markov Diskrit
15/34
7
Definisi 2.1.14 Jika X ~ GAM ( 2,2v ) maka variabel X dikatakan berdistribusi
2 c dengan derajat bebas v dinotasikan dengan X ~ 2 c (v).
Teorema 2.1.1 Jika X ~ 2 c (v) maka
v X Var
v X E
t t M v x
2)(
)(
)21()( 2
==
-= -
Teorema 2.1.2 Jika )(~ 2 ii v X c , i = 1,..., n, maka
)(~1
2
1åå
===
n
ii
n
ii v X Y c .
Teorema 2.1.3 Jika )1,0(~ N Z maka )1(~ 22 c Z .
Teorema 2.1.4 (Teorema Limit Pusat) Jika n X X ,..,1 adalah sampel random
dari sebuah distribusi dengan mean m dan variansi 2s , maka distribusi limit
dari s
m
n
n X
Z
n
i
i
n
-
=
å=1 adalah distribusi normal standar, )1,0(~ N Z Z
d n ¾® ¾
untuk ¥®n .
Definisi 2.1.15 Misalkan ,..., 21 Y Y adalah deretan variabel random dengan fungsi
distribusi kumulatif ),...(),( 21 yG yG sedemikian sehingga untuk tiap n = 1, 2, ...
berlaku ][)( yY P yG nn £= . Jika untuk suatu fungsi distribusi kumulatif )( yG
berlaku )()(lim yG yG nn =¥® untuk semua nilai y dan )( yG kontinu maka ,..., 21 Y Y
dikatakan konvergen dalam distribusi ke )(~ yGY yang dinotasikan dengan
Y Y d n ¾® ¾ .
2.1.4. Metode Maksimum Likelihood
Metode maksimum likelihood adalah metode yang cukup sering digunakan
untuk menduga nilai parameter. Ide dasar metode ini adalah menggunakan sebuah
8/16/2019 Rantai Markov Diskrit
16/34
8
nilai dari ruang parameter yang menghasilkan peluang terbesar untuk menduga
nilai parameter yang tidak diketahui. Berikut ini adalah beberapa definisi tentang
fungsi likelihood dan penduga maksimum likelihood yang dinyatakan oleh Bain
dan Engelhardt (1992).
Definisi 2.1.16 Fungsi kepadatan probabilitas bersama dari n variabel random
n X X ,..,1 yang diberi nilai n x x ,..,1 adalah );,..,( 1 q n x x f dan disebut sebagai
fungsi likelihood. Untuk n x x ,..,1 tetap, fungsi likelihood adalah fungsi dari q
yang dinotasikan dengan L( q ). Jika n X X ,..,1 adalah sampel random dari
);( q x f maka
L(q ) = );()...;( 1 q q n x f x f .
Definisi 2.1.17 Misalkan L( q ) = );,..,( 1 q n x x f , WÎq , merupakan fungsi
likelihood. Untuk suatu himpunan pengamatan { n x x ,..,1 }, nilai q ̂ di dalam W
yang memaksimumkan L( q ) disebut penduga maksimum likelihood dari q . Jadi,
q ̂ adalah nilai dari q yang memenuhi
);,..,( 1 q n x x f = );,...,( 1 q q n x x f maksWÎ .
2.1.5. Metode Pengali Lagrange
Metode Pengali Lagrange digunakan untuk mencari nilai maksimum atau
nilai minimum fungsi f ( x, y, z ) terhadap kendala g( x, y, z ) = k . Langkahnya adalah
a. Menyelesaikan persamaan Lagrange
),,(),,( z y xg z y x f Ñ=Ñ l
konstanta l disebut pengali Lagrange .
b. Menghitung f di semua titik ( x, y, z ) yang dihasilkan dari langkah (a). Nilai
yang terbesar adalah nilai maksimum f , sedangkan nilai yang terkecil adalah
nilai minimum f .
(Dawkins, 2007 ).
8/16/2019 Rantai Markov Diskrit
17/34
9
2.1.6. Statistik Cukup
Definisi 2.1.18 (Bain dan Engelhardt, 1992)
Suatu fungsi variabel random yang tidak bergantung pada parameter yang tidak
diketahui disebut statistik.
Definisi 2.1.19 (Bain dan Engelhardt, 1992)
Misalkan X = ),..,( 1 n X X mempunyai fungsi kepadatan probabilitas bersama
);,..,( 1 q n x x f dan T = ),..,( 1 k T T adalah sebuah vektor statistik. T adalah statistik
cukup bersama untuk q jika fungsi kepadatan probabilitas bersyarat )(v f t V tidak
bergantung pada q , dengan V merupakan vektor statistik yang lain. Dalam kasus
satu dimensi cukup dikatakan bahwa T adalah statistik cukup untuk q .
Definisi 2.1.20 Kriteria Faktorisasi (Bain dan Engelhardt, 1992)
Jika X mempunyai fungsi kepadatan probabilitas bersama );,..,( 1 q n x x f dan T =
),..,( 1 k T T maka k T T ,..,1 merupakan statistik cukup bersama untuk q jika dan
hanya jika
),...,();();,..,(11 nn
x xht g x x f q q =
dengan g(t; q ) tidak bergantung pada n x x ,..,1 dan h( n x x ,..,1 ) tidak mengandung
q .
Menurut Laurence dan Chein-I Chang (1993), dalam model rantai Markov
bisa ditunjukkan bahwa state awal dan jumlah transisi membentuk suatu statistik
cukup dengan kriteria faktorisasi.
2.1.7. Interval Konfidensi untuk q Definisi 2.1.21 (Bain dan Engelhardt, 1992)
Misalkan n X X ,..,1 mempunyai fungsi kepadatan probabilitas bersama
);,..,( 1 q n x x f . Sedangkan L dan U adalah statistik dengan ),..,( 1 n X X l L = dan
),..,( 1 n X X uU = . Jika diketahui suatu data percobaan n x x ,..,1 , maka dipunyai
nilai pengamatan ),..,( 1 n x xl dan ),..,( 1 n x xu . Interval ( ),..,( 1 n x xl , ),..,( 1 n x xu )
dikatakan sebagai interval konfidensi 100 ( a -1 )% untuk q jika
8/16/2019 Rantai Markov Diskrit
18/34
10
a q -=
8/16/2019 Rantai Markov Diskrit
19/34
8/16/2019 Rantai Markov Diskrit
20/34
12
0][lim 0 >===¥® jnn i X j X P p , untuk j = 1, 2,…, r .
Konvergensi di atas menyatakan bahwa dalam jangka waktu yang lama
( ∞ ), probabilitas proses berada di state j adalah jp , tanpa memperhatikan
dimana rantai tersebut berawal.
Beberapa definisi tentang sifat state rantai Markov berikut dinyatakan oleh
Ross (1983).
Definisi 2.1.22 State j dikatakan dapat dicapai dari state i , j i ® , jika terdapat
0³n sedemikian sehingga 0>nij p . Jika ji ® dan i j ® maka i dan j
dikatakan saling berkomunikasi, ditulis ji « .
Suatu rantai Markov dikatakan irreducible jika semua state-nya saling
berkomunikasi satu sama lain.
Definisi 2.1.23 Untuk sebarang i dan j, nij f menyatakan probabilitas dari state i
pertama kali tiba di j dalam n langkah, yang dinyatakan sebagai
}1,...,2,1,,Pr{ 0 i X nk j X j X f k nn
ij =-=¹== .
Definisi 2.1.24 Suatu state i dikatakan recurrent jika 1=ii f (probabilitas bahwa
i akan kembali ke i adalah 1) sedangkan state i dikatakan non-recurrent atau
transient jika 1
8/16/2019 Rantai Markov Diskrit
21/34
13
BAB III
METODE PENULISAN
Dalam penulisan skripsi ini metode yang digunakan adalah studi literatur,
yaitu keseluruhan bahan untuk penelitian ini diambil dari buku-buku referensi
terutama yang berhubungan dengan proses stokastik (rantai Markov) dan inferensi
statistik khususnya tentang estimasi interval konfidensi.
Sesuai dengan tujuan penulisan, yaitu menyajikan interval konfidensi pada
rantai Markov diskrit, maka langkah-langkah yang ditempuh dalam penelitian iniadalah
1. Mengkaji ulang penduga maksimum likelihood untuk probabilitas transisi
rantai Markov.
2. Mengkaji ulang distribusi asimtotik dari penduga ij p .
3. menentukan interval konfidensi simultan untuk probabilitas sel dalam
distribusi multinomial.
4.
menentukan interval konfidensi untuk probabilitas transisi rantai Markov.
8/16/2019 Rantai Markov Diskrit
22/34
14
BAB IV
PEMBAHASAN
Pada bab ini dibahas tentang penduga maksimum likelihood untuk
probabilitas transisi rantai Markov diskrit, sifat-sifat penduganya dan interval
konfidensinya.
4.1 Model Rantai Markov
Misalkan { X k } adalah rantai markov dengan ruang state berhingga, dengan
ij p menyatakan probabilitas proses berada di state j pada waktu k dan berada di
state i pada waktu k – 1,
][ 1 i X j X P p k k ij === - , untuk i, j = 1, 2, …, r
dan probabilitas awal
][ 0 i X P p i == .
Misalkan x = },...,,{ 10 n x x x adalah sampel dari rantai Markov orde satu
dengan probabilitas transisi ij p dan probabilitas awal i p . Jika x adalah realisasi
dari variabel random X maka probabilitas bahwa X = x adalah
],...,,[ 1100 nn x X x X x X P ===
= ´== -- ],...,[ 1100 nn x X x X P ][ 11 -- == nnnn x X x X P
= ],...,[ 2200 -- == nn x X x X P . ][ 2211 ---- == nnnn x X x X P . ][ 11 -- == nnnn x X x X P
= ][.][ 001100 x X x X P x X P === … ][ 11 -- == nnnn x X x X P
=nn x x x x x
p p p1100
...-
= Õ === -r
jinn j X i X P x X P
,100 ][.][
= Õr
jiij x p p
,0
.
Kemudian didefinisikan ijs adalah jumlah transisi dari state i ke j, maka
8/16/2019 Rantai Markov Diskrit
23/34
15
],...,,[ 1100 nn x X x X x X P === = 0 x p Õr
ji
sij
ij p,
. (4.1)
Berdasarkan definisi 2.1.20, persamaan (4.1) menunjukkan bahwa ijs dan
state awal membentuk suatu statistik cukup yaitu T = { ijs x ,0 } dengan
),...,( 1 n x xh = 1.
4.2 Penduga Maksimum Likelihood untuk ij p
Misalkan },...,,{ 10 n x x x adalah realisasi dari n + 1 variabel random.
Fungsi likelihood untuk sampel ini adalah
L( p ) = ],...,,[ 1100 nn x X x X x X P === = 0 x p Õr
ji
sij
ij p,
(4.2)
dengan ijs menyatakan jumlah transisi satu langkah dari state i ke j.
Fungsi log-likelihood dari persamaan (4.2) adalah
å+=r
ji
ijij x ps p p L,
lnln)(ln0
. (4.3)
Untuk memperoleh estimasinya, persamaan (4.3) diturunkan terhadap ij p ,
diperoleh
ij
ij
ij p
s
p p L =
¶¶ )(ln
.
Jika persamaan di atas disamadengankan nol maka hasilnya akan menyatakan
bahwa estimasi probabilitas transisi bernilai ¥ . Oleh karena itu, digunakan
metode Pengali Lagrange untuk memaksimumkan ln L( p ). Didefinisikan fungsitujuan dari permasalahan ini adalah memaksimumkan )(ln p L , dengan r
konstrain, 1=år
jij p , untuk masing-masing i, dan r l l l ,...,, 21 sebagai konstanta
pengali Lagrange . Diperoleh fungsi baru,
M = ÷÷ ø
öççè
æ -- åå
=1)(ln
1
r
jij
r
ii p p L l
8/16/2019 Rantai Markov Diskrit
24/34
16
= ÷÷
ø
öçç
è
æ --+ ååå
=1lnln
1,
0
r
jij
r
ii
r
jiijij x p ps p l
Untuk memaksimumkan fungsi )(ln p L , maka fungsi M di atas diturunkan
terhadap ij p dan il .
§ 0=¶M¶
ij p
0=- iij
ij
p
sl
i
ijij
s p
l =
§ 0=¶M¶
il
1=år
jij p
Karena persamaan konstrain,
1=år j i
ijsl
Û ir
jijs l =å
maka diperoleh penduga maksimum likelihood untuk ij p yaitu
å=
=r
jij
ijij
s
s p
1
ˆ .
Dengan demikian matriks estimasi probabilitas transisinya adalah
ú
úúúúúúúúúúú
û
ù
ê
êêêêêêêêêêê
ë
é
=
úúúú
û
ù
êêêê
ë
é
=
ååå
ååå
ååå
===
===
===
r
jrj
rr n
jrj
r r
jrj
r
r
j j
r r
j j
r
j j
r
j j
r r
j j
r
j j
rr r r
r
r
s
s
s
s
s
s
s
s
s
s
s
s
s
s
s
s
s
s
p p p
p p p
p p p
P
11
2
1
1
12
2
12
22
12
21
11
1
11
12
11
11
21
22221
11211
ˆˆˆ
ˆˆˆ
ˆˆˆ
.
8/16/2019 Rantai Markov Diskrit
25/34
17
4.3 Distribusi Asimtotik dari Penduga ij p
Misalkan prosesnya dianggap stasioner, maka bisa diasumsikan bahwaik i i X P p p === ][ untuk semua k . Kemudian ip mengandung informasi tentang
probabilitas transisi ij p karena memenuhi persamaan å=
=r
k kuuu p
1
p p .
Menurut Sulistyowati (2003),
ii
n ns
p =÷ ø öç
è æ
¥®lim p . (4.4)
Selanjutnya, persamaan (4.4) akan digunakan untuk mengetahui distribusiasimtotik dari penduga ij p . Berikut ini penjelasan Billingsley (1960) tentang
distribusi asimtotik dari penduga ij p . Misalkan β = 6144 , … ,14 , … ,1 4 , …1
adalah vektor parameter dan β = ( 144 , … ,1̂4 , … ,1̂ 4 , …1̂ ) adalah vektor
penduga parameter dengani
ijij s
s p =ˆ , maka ( β − β ) konvergen dalam
distribusi ke distribusi normal dengan mean 0 dan matriks kovariansi S yang
komponennya diberikan oleh
, = ( 1 − 1 1 ) . (4.5)
denganîíì=
01
uvd untuk u = v
untuk u ≠ v
Misalkan diketahui variabel random independen 1 X dan inW (i = 1, 2,…, r
; n = 1, 2,…) sedemikian sehingga & 4 = = dan ijin p jW P == ][ .
Selanjutnya variabel inW diilustrasikan dalam bentuk berikut
,...,...,,............................
,...,...,,
,...,...,,
21
22221
11211
rnr r
n
n
W W W
W W W
W W W
.
Mula-mula 1 X disampel. Misalkan diperoleh 1 X = i, maka variabel pertama baris
ke-i disampel, hasilnya 2 X . Misalkan 2 X = j, maka variabel pertama pada baris
ke- j disampel, hasilnya 3 X , dan seterusnya. Kemudian 2 X didefinisikan sebagai
8/16/2019 Rantai Markov Diskrit
26/34
18
11 xW dan seterusnya sampai 1+n X didefinisikan sebagai n xnW . Pengilustrasian di
atas bisa ditulis}12,,{}11,{ 111 1 +££===+££= -- nk xW x X nk x X k k xk k k .
Karena variabel-variabel tersebut independen, maka
}{}...{}{}11,{ 12111 1 +====+££= nnaak k awPawPa xPnk a xP n
=1a
p21aa
p ...1+nn aa
p .
Sehingga jelas bahwa, untuk i tetap, ),...,( 1 ir i ss adalah jumlah transisi untuk
),...,( 1 iisi ww . Karena s
i dekat dengan
inp (berdasarkan persamaan (4.4)), maka
),...,( 1 ir i ss bisa dibandingkan dengan ),...,( 1 ir i f f yang merupakan jumlah transisi
dari ),...,( ][1 inii ww p . Karena masing-masing baris inw independen, kemudian
berdasarkan teorema limit pusat untuk percobaan multinomial, variabel random
i
ijiijij
n
pn f
p
p g
][-= akan berdistribusi normal asimtotik dengan matriks kovariansi
yang diberikan oleh persamaan (4.5). Selanjutnya, variabel random
i
ijiijij
n
pss
p g
-=' akan mempunyai distribusi limit yang sama dengan ijg karena
n
pss
n
pn f ijiijijiij --- ][ p
konvergen dalam probabilitas ke 0 pada saat n ® ∞. Kemudian, berdasarkan
persamaan (4.4), variabel F ij = )ˆ( b b -is mempunyai distribusi limit yang sama
dengan . Hal ini bisa dibuktikan dengan uraian berikut.
Variabel = ( − ) bisa dinyatakan dengan = /
.
= − 1
= −
= − 1 .
8/16/2019 Rantai Markov Diskrit
27/34
19
=(
. =/
Karena ( / ) → , maka dan mempunyai distribusi yang sama.
4.4 Interval Konfidensi untuk Probabilitas Transisi
Salah satu cara sistematis untuk menyelesaikan analisis statistik pada
rantai Markov adalah membawa rantai Markov tersebut ke metode chi kuadrat
yang diaplikasikan dalam kasus multinomial. Oleh karena itu, sebelum membahas
interval konfidensi untuk probabilitas transisi rantai Markov, terlebih dahulu
dibahas tentang interval konfidensi untuk parameter multinomial (dalam hal ini
adalah probabilitas sel).
4.4.1 Interval Konfidensi untuk Parameter Multinomial
Distribusi multinomial digunakan untuk situasi dimana terdapat lebih dari
2 hasil yang mugkin pada setiap percobaan. Dengan kata lain, untuk n percobaan
independen, terdapat k hasil yang mungkin yang masing-masing memiliki
probabilitas.
Sebelum menurunkan interval konfidensi simultan, digunakan
pertidaksamaan Bonferroni untuk mempertimbangkan semua parameter secara
simultan. Untuk masing-masing parameter yang tak diketahui i p , i = 1, 2, …, k ,
ada interval ( uili p p , ), masing-masing dengan koefisien konfidensi k a
. Anggap E i
adalah kejadian dimana ( uili p p , ) mengandung i p . Sehingga i E merupakan
komplemen dari E i , atau kejadian dimana ( uili p p , ) tidak mengandung i p .
Probabilitas i E menjadi
k E P i
a =][ untuk i = 1, 2, …, k. (4.6)
Untuk memperoleh interval konfidensi simultan, semua kejadian E i harus
terjadi secara simultan. Sehubungan dengan probabilitas simultan semua kejadian
dan komplemennya, diperoleh
8/16/2019 Rantai Markov Diskrit
28/34
20
]...[1]...[ 11 k k E E P E E P ÈÈ-=ÇÇ
dan jelas bahwa& 4 … ≤ & 4 + … + & .
Sehingga
& 4 ∩ …∩ ≥ 1 − 6& 4 + … + & . (4.7)
Dengan mensubstitusikan persamaan (4.6) ke persamaan (4.7), bisa disimpulkan
bahwa
& 4 ∩ …∩ ≥ 1 − .
Hasil di atas menyatakan bahwa untuk parameter yang tak diketahui 14 , … ,1 ,
jika ( 11 , ul p p ),…,( uk lk p p , ) adalah interval konfidensi 100[1- k a
]% untuk tiap i p ,
i = 1, 2, …, k , maka probabilitas paling sedikit (1 - a ) bahwa interval konfidensi
ini secara simultan mengandung k p p ,...,1 .
Untuk menurunkan interval konfidensi, masing-masing parameter i p , i =
1, 2, …, k diperlakukan sebagai sebuah variabel random binomial. Pendekatan
normal untuk variabel binomial menyatakan
n p p
p p Z
ii
ii
)1(
)ˆ(--= ~ Z a /2 (0,1).
Dengan mengkuadratkan variabel di atas, diperoleh
)1(~)1(
)ˆ( 22
2a c
ii
ii
p p
p pn Z
--= (4.8)
dengan )1(2a c adalah batas atas (1-a ) dari distribusi chi kuadrat dengan derajat
bebas satu.
Pertidaksamaan Bonferroni diterapkan pada variabel chi kuadrat untuk
memperhitungkan semua parameter secara simultan. Persamaan (4.8) ditulis
kembali menjadi
( 1 − 1 ) = ,4 1 (1 − 1 ) .
Persamaan di atas kemudian diberlakukan untuk semua parameter ( 1 ,…, 1 ) dan
diganti dengan . Sehingga diperoleh
8/16/2019 Rantai Markov Diskrit
29/34
21
)1()ˆ( 2 1,/2
iik ii p p p pn -=- a c untuk semua i = 1, 2, …, k. (4.9)
Persamaan (4.9) diuraikan menjadi61̂ − 21 1 + 1 = ,4 1 − ,4 1
1 − 2 1 1̂ + 1 = ,4 1 − ,4 1
+ ,4 1 + ( − 2 1 − ,4 ) 1 + 1 = 0
Sehingga diperoleh interval konfidensi untuk probabilitas multinomial yaitu
)(2
)ˆ)((4)ˆ2()ˆ2(2
1,/
221,/
221,/
21,/
k
ik k ik iui n
pnn pn pn p
a
a a a
c
c c c
++---+---
= sebagai batas
atas interval dan
)(2
)ˆ)((4)ˆ2()ˆ2(2
1,/
221,/
221,/
21,/
k
ik k ik ili n
pnn pn pn p
a
a a a
c
c c c +
+-------= sebagai batas
bawah interval.
4.4.2 Interval Konfidensi untuk Probabilitas Transisi Rantai Markov DiskritInterval konfidensi untuk probabilitas transisi rantai Markov ditentukan
dengan analog pada distribusi multinomial. Misalkan { X k } adalah rantai markov
dengan ruang state berhingga, dengan ij p menyatakan probabilitas proses berada
di state j pada waktu k dan berada di state i pada waktu k – 1.
Diketahui matriks jumlah transisi S berikut
S =
úúúú
û
ù
êêêê
ë
é
rr r r
r
r
sss
sss
sss
...
...
...
21
22221
11211
.
Matriks di atas bisa dituliskan dalam bentuk tabel berikut.
8/16/2019 Rantai Markov Diskrit
30/34
22
State 1 2 … r Jumlah
1 11s 12s … r s1 =å=r
j js
11 1s
2 21s 22s … r s2 =å=
r
j js
12 2s
…
r 1r s 2r s … rr s =å=
r
jrjs
1r s
Karena 11
=å=
r
jij p , maka interval konfidensi 100(1- a )% untuk probabilitas transisi
1 bisa ditentukan dengan
)1()ˆ( 2 1,/2
ijijr ijiji p p p ps -=- a c untuk i, j = 1, 2, …, r
yang mempunyai penyelesaian
)(2
)ˆ)((4)ˆ2()ˆ2(ˆ
21,/
221,/
221,/
21,/
r i
ijir ir ijir iji
ij
s
pss ps psU p
a
a a a
c
c c c
+
+---+---= (4.10)
sebagai batas atas interval dan
)(2
)ˆ)((4)ˆ2()ˆ2(ˆ
21,/
221,/
221,/
21,/
r i
ijir ir ijir iji
ij s
pss ps ps L p
a
a a a
c
c c c
+
+-------= (4.11)
sebagai batas bawah interval.
4.5 Contoh Kasus
Dianggap bahwa penjualan dan pembelian mobil menurut jenis badan
mobil memenuhi sifat Markov. Artinya seseorang memutuskan untuk membeli
mobil berdasarkan bentuk badan mobil yang dia miliki sebelumnya. Jenis badan
mobil yang diamati adalah sedan, pick up, dan wagon (kijang). Data diperoleh
dari hasil penjualan dan pembelian mobil dalam satu tahun terakhir (tahun 2009 –
2010) dari dealer mobil NOVI MOTOR Kartasura yang melayani penjualan mobil
dengan cara tukar tambah. Data disajikan dalam tabel berdasarkan pada model
badan ( body ) mobil berikut.
8/16/2019 Rantai Markov Diskrit
31/34
23
Mobil yang
dibeli
Mobil yang
dijual
Jumlah
Pick up Pick up 48
Pick up Sedan 13
Pick up Wagon 11
Sedan Pick up 36
Sedan Sedan 35
Sedan Wagon 47
Wagon Pick up 37
Wagon Sedan 13
Wagon Wagon 36
Misalkan state 1 untuk mobil jenis pick up, state 2 untuk sedan, dan state 3 untuk
wagon. Misalkan ijs menyatakan jumlah konsumen yang mengganti mobil i
dengan mobil j , untuk i, j = 1, 2, 3. Nilai dari ijs dapat dinyatakan dalam tabel
berikut.
1(pick up) 2(sedan) 3(wagon) is
1(pick up) 48 13 11 72
2(sedan) 36 35 47 118
3(wagon) 37 13 36 86
js 121 61 94 276
Jika diasumsikan bahwa perpindahan jenis badan mobil dianggap stabil maka
dapat ditentukan estimasi probabilitas transisi denganå
=
=r
jij
ijij
s
s p
1
ˆ . Matriks
estimasi probabilitas transisi untuk masalah ini adalah
8/16/2019 Rantai Markov Diskrit
32/34
8/16/2019 Rantai Markov Diskrit
33/34
25
)7311,5(2
)ˆ)(7311,5(4)7311,5ˆ2()7311,5ˆ2(,ˆ
3
23333
2333333
33
+
+---±---=
s
pss ps ps LU p
Hasilnya ditunjukkan pada tabel berikut.
ij p ij p̂ Interval konfidensi 95 %
Batas bawah Batas atas
11 p 0,6667 0,525822 0,845322
12 p 0,1805 0,097001 0,335877
13 p 0,1528 0,077405 0,301632
21 p 0,3051 0,21462 0,433725
22 p 0,2966 0,207268 0,424434
23 p 0,3983 0,297546 0,533172
31 p 0,4302 0,310731 0,595603
32 p 0,1152 0,055897 0,237418
33 p 0,4186 0,300271 0,583559
Dari hasil yang diperoleh, terlihat bahwa dengan tingkat kepercayaan 95%,
jumlah pembeli yang tetap mempertahankan mobil jenis pick up sekitar
52,5822% sampai dengan 84,5322%, yang menukar pick up dengan sedan 9,7%
sampai dengan 33,5877%, dan seterusnya.
8/16/2019 Rantai Markov Diskrit
34/34
26
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan pembahasan pada bab sebelumnya, dapat diambil kesimpulan
bahwa interval konfidensi 100(1- a )% untuk probabilitas transisi Z 6 ditentukan oleh
U p p L p ijijij ˆˆ ££ , dengan
)(2
)ˆ)((4)ˆ2()ˆ2(ˆ
21,/
221,/
221,/
21,/
r i
ijir ir ijir iji
ij s
pss ps psU p
a
a a a
c
c c c
+
+---+---=
sebagai batas atas interval dan
)(2
)ˆ)((4)ˆ2()ˆ2(ˆ
21,/
221,/
221,/
21,/
r i
ijir ir ijir iji
ij s
pss ps ps L p
a
a a a
c
c c c
+
+-------=
sebagai batas bawah interval, untuk i, j = 1, 2, …, r .
5.2 Saran
Dalam penulisan skripsi ini, pembahasan mengenai interval konfidensi pada
rantai Markov didasarkan pada analogi dari distribusi multinomial. Sebagai saran,
penentuan interval konfidensi bisa juga ditentukan dengan metode bootstrap atau
metode yang lainnya.