1 / 37

Kuliah #5 Markov Processes

Kuliah #5 Markov Processes. Hendrawan hend@telecom.ee.itb.ac.id. Outline. Markov Processes Discrete Time Markov Chain Homogeneous, Irreducible, Transient/Recurrent, Periodic/Aperiodic Ergodic Stationary Probability Transient Behavior Birth-Death Process. Markov Processes.

edric
Download Presentation

Kuliah #5 Markov Processes

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Kuliah #5Markov Processes Hendrawan hend@telecom.ee.itb.ac.id

  2. Outline • Markov Processes • Discrete Time Markov Chain • Homogeneous, Irreducible, Transient/Recurrent, Periodic/Aperiodic • Ergodic • Stationary Probability • Transient Behavior • Birth-Death Process

  3. Markov Processes • X(t) adalah suatu Markov Process jika memenuhi Markov (Memoryless) Property • X(t) hanya tergantung pd kondisi (state) saat ini • Sejarah masa lalu summarized pd kondisi (state) saat ini

  4. Dari Markov Processes … • Discrete Time Markov Process: Perubahan state terjadi pd titik-titik integer • Continuous Time Markov Process: Perubahan state terjadi pd sembarang waktu

  5. Dari Markov Processes … • Markov Chain: Discrete State Space Markov Process • Discrete Time Markov Chain: Perubahan state (discrete state) terjadi pd titik-titik integer • Continuous Time Markov Chain Perubahan state (discrete state) terjadi pd sembarang waktu

  6. Discrete Time Markov Chains • Dp berada pd satu Discrete state (position) dan diizinkan utk berubah state pd Waktu discrete

  7. Discrete Time Markov Chains

  8. Discrete Time Markov Chains • Dari initial probability dan one-step transition probability, • Kita dp mencari probability of being in various states at time n

  9. Homogeneous Markov Chain • Jika transition probabilities adalah independent thd n, maka disebut Homogeneous Markov Chain • Let pij ≡ P[Xn = j | Xn-1= i ] • Kita ada pd state i dan akan menuju pd state j pd langkah berikutnya • State transition prob. Hanya akan tergantung pd initial probability dan transition probability, tdk tergantung pd transition time

  10. Homogeneous Markov Chain • m-step transition probabilities adalah:

  11. Homogeneous Markov Chain

  12. Irreducible Markov Chain • Suatu Markov Chain adalah irreducible jika setiap state dp dicapai dari setiap state lain dlm jumlah step yg terbatas/finite

  13. Not Irreducible Markov Chain • Kasus 1 • Utk A = set semua states dlm suatu Markov chain • A1 ⊂ A • Jika tdk ada satu one-step transition dari state A1 ke A1c • A1 didefinisikan sbg “Closed”

  14. Not Irreducible Markov Chain • Kasus 2 • Utk A = set semual states pd suatu Markov chain • A1 ⊂ A • Jika A1 terdiri dari satu atau lebih state Ei dimana begitu berada pd state Ei, proses tdk dp bergerak ke state-state lain • Ei disebut “Absorbing State” • pii = 1

  15. Transient atau Recurrent States • fj(n) = P[proses pertama-tama kembali ke state j setelah meninggalkan state j pd n steps] • fj = P[proses kembali ke state j setelah meninggalkan state j] • Mj = Mean recurrence time dari state j

  16. Transient atau Recurrent States • Jika fj < 1 • State Ej disebut “Transient State” • Jika fj = 1 • State Ej disebut “Recurrent State” • Jika Mj = ∞ • State Ej disebut “Recurrent Null State” • Jika Mj < ∞ • State Ej disebut “Recurrent Nonnull State”

  17. Periodic atau Aperiodic • Mis β = integer • Jika step-step yg hanya mungkin proses kembali ke state Ei adalah β, 2β, 3β, … • Jika β > 1 dan β adalah integer terbesar • State Ei disebut “Periodic” • Recurrence time utk state Ej memp. period β • Jika β = 1 • State Ei disebut “Aperiodic”

  18. Ergodicity • Ej = Ergodic jika • Ej = Aperiodic dan Recurrent Nonnull • fj = 1, Mj < ∞, dan β = 1 • Suatu Markov Chain adalah ergodic • jika semua states dari Markov Chain adalah ergodic • Jika jumlah states adalah terbatas/finite dan semua states dari Markov Chain adalah aperiodic, dan irreducible

  19. Teorema 1 • States dari suatu irreducible Markov Chain adalah • semua transient atau • semua recurrent nonnull atau • semua recurrent null • Jika periodic, maka semua states memp. Periodsa sama β

  20. Definisi • Mis j(n)= P[menemukan sistem pd state Ej pd step ke-n] j(n) = P[Xn = j] • Mis j = Stationary Probability = P[ada pd state j pd sembarang waktu] = limiting state probabilities

  21. Teorema 2 • Pd suatu irreducible dan aperiodic, homogeneous Markov Chain, • Limiting state probabilities [j] selalu eksis dan independent dari initial state probability distribution [j(0)]

  22. Teorema 2 • Apakah • Kasus (a) • Semua state adalah transient atau • Semua state adalah recurrent null  j = 0 j  Tdk ada stationary distribution eksis • Atau kasus (b) • Semua state adalah recurrent nonnull  j > 0 j  Stationary distribution eksis  j = 1/Mj

  23. Solusi untuk j

  24. Contoh Markov Chain • Mengendara dari kota ke kota

  25. Contoh Markov Chain • Mis P = Matriks transition probability = [pij] • Mis  = [0, 1, 2, …] • dari Balance equation  = P

  26. Contoh Markov Chain

  27. Contoh Markov Chain

  28. Contoh Markov Chain • Ini adalah stationary (equilibrium) state probability • Ini adalah ergodic Markov Chain • Jumlah state terbatas • Irreducible

  29. Transient Behavior • Kita ingin tahu probabilitas menemukan proses dlm state Ej pd waktu n • (n) = [0(n) ,1(n) ,2(n) , …] • Dari Transition Probability P • Kita dp kalkulasi: (1) = (0)P (n) = (n-1)P • Dg recursive: (n) = (0)Pn

  30. Transient Behavior • Dari stationary probability • Dari (n) = (n-1) P • Cat: solusi  independen dari (0)

  31. Transient Behavior

  32. Birth-Death Process • Suatu Markov Process • Homogeneous, aperiodic, dan irreducible • Discrete time / Continuous time • Perubahan state hanya dp terjadi antar tetangga

  33. Birth-Death Process • Ukuran populasi • Sistem ada dlm state Ek jika terdiri dari k anggota • Perubahan dlm ukuran populasi terjadi paling banyak satu • Ukuran bertambah satu  “Birth” • Ukuran berkurang satu  “Death” • Transition probabilities pijtdk berubah dg waktu

  34. Birth-Death Process

  35. Birth-Death Process • i = death (berkurang satu dlm ukuran populasi) • 0 = 0 (tdk ada population  no death) • λi = birth (bertambah satu dlm populasi) • λi > 0 (birth dibolehkan) • Pure Birth = tdk ada pengurangan/ decrement, hanya penambahan/increment • Pure Death = tdk ada penambahan/ increment, hanya pengurangan/ decrement

  36. Model Teori Antrian • Populasi = pelanggan/customers dlm sistem antrian • Death = satu pelanggan meninggalkan sistem • Birth = stau pelanggan datang ke sistem

  37. Matriks Transisi

More Related