Tugas Personal ke-2
Minggu 3/ Sesi 4
1. (10 point) Fungsi massa probabilitas gabungan dari X dan Y, p(x, y), seperti pada data
berikut ini:
Jawab :
- p(Y = i) untuk setiap i (1,2,3)
p(Y = 1) = p(1,1) + p(2,1) + p(3,1) =
p(Y = 2) = p(1,2) + p(2,2) + p(3,2) =
p(Y = 3) = p(1,3) + p(2,3) + p(3,3) =
- Menghitung E[X|Y = i], dengan rumus : E[X|Y = i] = ,
dimana p(X = x|Y = i) =
Untuk Y = 1 :
p(X = 1|Y = 1) =
p(X = 2|Y = 1) =
p(X = 3|Y = 1) =
E[X|Y = 1] =
Deterministic Optimization and Stochastic Processes – R2
Untuk Y = 2
p(X = 1|Y = 2) =
p(X = 2|Y = 2) =
p(X = 3|Y = 2) =
E[X|Y = 2] =
Untuk Y = 3
p(X = 1|Y = 3) =
p(X = 2|Y = 3) =
p(X = 3|Y = 3) =
E[X|Y = 3] =
-Nilai E[X|Y = i] untuk setiap i = 1, 2, 3 adalah :
E[X|Y = 1] = 2
E[X|Y = 2] =
E[X|Y = 3] = 2,4
2. (30 point) A. Suppose that whether or not it rains today depends on previous weather
conditions through the last three days. Show how this system may be analyzed by using
a Markov chain. How many states are needed? Jika diketahui turun atau tidaknya hujan
hari ini bergantung pada kondisi cuaca sebelumnya selama tiga hari terakhir.
Tunjukkan bagaimana sistem ini dapat dianalisis dengan menggunakan rantai Markov.
Berapa banyak states yang dibutuhkan dalam pemodelan kasus ini?
(30 point) B. Suppose that if it has rained for the past three days, then it will rain today
with a probability 0.8; if it did not rain for any of the past three days, then it will rain
Deterministic Optimization and Stochastic Processes – R2
today with a probability 0.2; and in any other case the weather today will, with
probability 0.6, be the same as the weather yesterday. Determine P for this Markov
chain. Misalkan tiga hari terakhir turun hujan, maka hari ini akan turun hujan dengan
probabilitas 0,8; jika tidak turun hujan selama tiga hari terakhir, maka hari ini akan
turun hujan dengan probabilitas 0,2; dan jika tidak, cuaca hari ini, dengan probabilitas
0,6, akan sama dengan cuaca kemarin. Tentukan P untuk rantai Markov ini.
a) Setiap state dalam rantai markov akan mewakili urutan tiga hari terakhir apakah
hujan
(H) atau tidak hujan (N). Karena ada dua kemungkinan untuk setiap hari (hujan atau
tidak hujan), jumlah kombinasi untuk tiga hari adalah : 23 = 8 states.
- HHH (Hujan-Hujan-Hujan)
- HHN (Hujan-Hujan-Tidak hujan)
- HNH (Hujan-Tidak hujan-Hujan)
- HNN (Hujan-Tidak hujan-Tidak hujan)
- NHH (Tidak hujan-Hujan-Hujan)
- NHN (Tidak hujan-Hujan-Tidak hujan)
- NNH (Tidak hujan-Tidak hujan-Hujan)
- NNN (Tidak hujan-Tidak hujan-Tidak hujan)
b) Menganalisis probabilitas untuk setiap state dengan kondisi yang telah diberikan :
- State HHH (Hujan-Hujan-Hujan) :
• Jika hari ini hujan (HHH - HHH), maka probabilitas = 0,8
• Jika hari ini tidak hujan (HHH - HHN), maka probabilitas = 0,2
Deterministic Optimization and Stochastic Processes – R2
- State HHN (Hujan-Hujan-Tidak hujan) :
• Jika hari ini hujan (HHN - HNH), maka probabilitas = 0,6
• Jika hari ini tidak hujan (HHN - HNN), maka probabilitas = 0,4
- State HNH (Hujan-Tidak hujan-Hujan) :
• Jika hari ini hujan (HNH - HHH), maka probabilitas = 0,6
• Jika hari ini tidak hujan (HNH - HHN), maka probabilitas = 0,4
- State HNN (Hujan-Tidak hujan-Tidak hujan) :
• Jika hari ini hujan (HNN - NHH), maka probabilitas = 0,6
• Jika hari ini tidak hujan (HNN - NHN), maka probabilitas = 0,4
- State NHH (Tidak hujan-Hujan-Hujan) :
• Jika hari ini hujan (NHH - HHH), maka probabilitas = 0,6
• Jika hari ini tidak hujan (NHH - HHN), maka probabilitas = 0,4
- State NHN (Tidak hujan-Hujan-Tidak hujan) :
• Jika hari ini hujan (NHN - HNH), maka probabilitas = 0,6
• Jika hari ini tidak hujan (NHN - HNN), maka probabilitas = 0,4
- State NNH (Tidak hujan-Tidak hujan-Hujan) :
• Jika hari ini hujan (NNH - NHH), maka probabilitas = 0,6
• Jika hari ini tidak hujan (NNH - NHN), maka probabilitas = 0,4
- State NNN (Tidak hujan-Tidak hujan-Tidak hujan) :
• Jika hari ini hujan (NNN - NNH), maka probabilitas = 0,2
• Jika hari ini tidak hujan (NNN - NNN), maka probabilitas = 0,8
Deterministic Optimization and Stochastic Processes – R2
Berikut merupakan matriks transisi P untuk rantai markov :
3. (30 point) Sebuah organisasi memiliki N karyawan di mana N adalah jumlah yang
besar. Setiap karyawan memiliki salah satu dari tiga kemungkinan klasifikasi pekerjaan
dan mengubah klasifikasi (secara mandiri) menurut rantai Markov dengan probabilitas
transisi sebagai berikut:
Berapa persentase karyawan di setiap klasifikasi?
Jawab :
- Distribusi stasioner π = [π1,π2,π3] adalah vektor yang memenuhi persamaan πP
=π.
- Pindahkan πi ke kiri dan menyederhanakan persamaan:
- π merupakan vektor probabilitas, maka : π1 + π2 + π3 = 1. Kemudian
susunpersamaan dalam bentuk matriks :
-
Deterministic Optimization and Stochastic Processes – R2
- Lakukan operasi baris untuk mengeliminasi variabel dan menentukan solusi :
(Eliminasi Gauss-Jordan)
Baris ketiga : - 0,5π3 = 0 π3 = 0
Baris kedua : -0,4𝜋2 + 0,1𝜋3 𝜋2 = 0
Baris pertama : 𝜋1 + 1,2𝜋2 + 1,1𝜋3 𝜋1 = 1
- Karena hasil di atas tidak memiliki jumlah total =1, maka dilakukan perbaikan
kesalahan eliminasi :
Gunakan persamaan 1 dan 2 :
- 0.3𝜋1 + 0.2𝜋2 + 0.1 𝜋1 = 0
0.2𝜋1 - 0.4𝜋2 + 0.2𝜋3 = 0
Substitusi : 0.2𝜋2 = 0.3𝜋1 𝜋2 = 1,5𝜋1
Normalisasi : 𝜋1 + 1,5𝜋1 + 𝜋3 = 1 2,5𝜋1 + 𝜋3 = 1
Substitusi 𝜋3 : 2,5𝜋1 + 0,5𝜋1 = 1 3𝜋1 = 1 𝜋1 = = 0,3
Hitung π2 : π2 = 1,5 x 0,3 = 0,45
Hitung π3 : π3 = 1 - π1 - π2 = 1 – 0,3 – 0,45 = 0,25
Maka distribusi stasioner 𝜋 adalah :
𝜋=
Jadi, persentase karyawan di setiap klasifikasi pekerjaan adalah :
• Klasifikasi 1 : 30%
Deterministic Optimization and Stochastic Processes – R2
• Klasifikasi 2 : 45%
• Klasifikasi 3 : 25%
==END==
Deterministic Optimization and Stochastic Processes – R2