BAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE)

dokumen-dokumen yang mirip
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET

Representasi sinyal dalam impuls

MACAM-MACAM TEKNIK MEMBILANG

PEMBAHASAN SOAL OSN MATEMATIKA SMP TINGKAT PROPINSI 2011 OLEH :SAIFUL ARIF, S.Pd (SMP NEGERI 2 MALANG)

BAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C.

Deret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka

Deret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka

Gambar 3.1Single Channel Multiple Phase

MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK. Masalah 1 Terdapat berapa carakah kita dapat memilih 2 baju dari 20 baju yang tersedia?

MODUL BARISAN DAN DERET

TEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS

Bab 16 Integral di Ruang-n

BAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi

Penggunaan Transformasi z

MAKALAH TEOREMA BINOMIAL

BAB II LANDASAN TEORI. persamaan yang mengandung diferensial. Persamaan diferensial

MODUL 1.03 DINAMIKA PROSES. Oleh : Ir. Tatang Kusmara, M.Eng

Mata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 5

3. Integral (3) (Integral Tentu)

Sifat-sifat Fungsi Karakteristik dari Sebaran Geometrik

BAB 2 LANDASAN TEORI

Peluang Suatu Kejadian, Kaidah Penjumlahan, Peluang Bersyarat, Kaidah Perkalian dan Kaidah Baiyes

PERCOBAAN 4 VARIABEL ACAK DAN DISTRIBUSI PROBABILITASNYA

Bab 5 Sinyal dan Sistem Waktu Diskrit. Oleh: Tri Budi Santoso Laboratorium Sinyal, EEPIS-ITS

Bab 6: Analisa Spektrum

BARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain.

Aplikasi Sistem Orthonormal Di Ruang Hilbert Pada Deret Fourier

Peubah Acak. Peubah Acak Diskrit dan Distribusi Peluang. Peubah Acak. Peubah Acak

BAB 2 LANDASAN TEORI. lebar pita sinyal tersebut. Pada kebanyakan aplikasi, termasuk kamera digital video dan

Sinyal dan Sistem Waktu Diskrit ET 3005 Pengolahan Sinyal Waktu Diskrit EL 5155 Pengolahan Sinyal Waktu Diskrit

PENYELESAIAN PERSAMAAN DIFERENSIAL LANE-EMDEN MENGGUNAKAN METODE TRANSFORMASI DIFERENSIAL

1) Leptokurtik Merupakan distribusi yang memiliki puncak relatif tinggi

STUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS

1 n MODUL 5. Peubah Acak Diskret Khusus

Pemilihan Kapasitas Dan Lokasi Optimal Kapasitor Paralel Pada Sistem Distribusi Daya Listrik

BAHAN AJAR DIKLAT GURU MATEMATIKA

BAB II TINJAUAN PUSTAKA. membahas distribusi normal dan distribusi normal baku, penaksir takbias μ dan σ,

SIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL

Perluasan Uji Kruskal Wallis untuk Data Multivariat

Distribusi Pendekatan (Limiting Distributions)

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 2 LANDASAN TEORI

Mata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4

BAB 6 NOTASI SIGMA, BARISAN DAN DERET

MINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA

Bab 3 Metode Interpolasi

II. TINJAUAN PUSTAKA. Secara umum apabila a bilangan bulat dan b bilangan bulat positif, maka ada tepat = +, 0 <

UNIVERSITAS INDONESIA DISTRIBUSI BANYAK SINGGAH DARI SUATU RANDOM WALK DAN UJI KERANDOMAN SKRIPSI RANTI NUGRAHENI

Model Antrian Multi Layanan

Distribusi Peluang BERBAGAI MACAM DISTRIBUSI SAMPEL. Distribusi Peluang 5/6/2012

BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI

JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN

BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran

PEMBUKTIAN SIFAT RUANG BANACH PADA D(K)

Metode Perhitungan Grafik Dalam Geolistrik Tahanan Jenis Bumi Dengan Derajat Pendekatan Satu

ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan

2 BARISAN BILANGAN REAL

PERTEMUAN 6-MPC 2 PRAKTIK. Oleh: Adhi Kurniawan SEKOLAH TINGGI ILMU STATISTIK

An = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3

1.1 METODE PENGEMBANGAN PENDEKATAN RATA- RATA SAMPEL UNTUK PROGRAM STOKASTIK DUA TAHAP. Faridawaty Marpaung. Abstrak

Modul Kuliah statistika

Jurnal MIPA 38 (1) (2015): Jurnal MIPA.

BAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara

MODUL BARISAN DAN DERET

KALKULUS 4. Dra. D. L. Crispina Pardede, DEA. SARMAG TEKNIK MESIN

MODUL BEBERAPA MACAM SEBARAN TEORITIS BEBERAPA MACAM SEBARAN TEORITIS

7. Perbaikan Kualitas Citra

Selang Kepercayaan (Confidence Interval) Pengantar Penduga titik (point estimator) telah dibahas pada kuliah-kuliah sebelumnya. Walau statistikawan

PERBANDINGAN PENDEKATAN SEPARABLE PROGRAMMING DENGAN THE KUHN-TUCKER CONDITIONS DALAM PEMECAHAN MASALAH NONLINEAR

InfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 1, No.2, September 2012

GRAFIKA

1. Integral (1) Pembahasan yang akan kita lakukan hanya mengenai bentuk persamaan diferensial seperti contoh yang pertama.

Haryoso Wicaksono, S.Si., M.M., M.Kom. 8

Teorema Nilai Rata-rata

IV. METODE PENELITIAN

MODUL BEBERAPA MACAM SEBARAN TEORITIS

BAB 6. DERET TAYLOR DAN DERET LAURENT Deret Taylor

BAB 1 PENDAHULUAN Latar Belakang

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya

BAB VIII KONSEP DASAR PROBABILITAS

Konvolusi pada Distribusi dengan Support Kompak

PEMBAHASAN SALAH SATU PAKET SOAL UN MATEMATIKA SMA PROGRAM IPS TAHUN PELAJARAN 2012/2013

BAB I PENDAHULUAN. A. Latar Belakang. B. Tujuan dan Sasaran. C. Ruang Lingkup

TUGAS ANALISIS REAL LANJUT. a b < a + A. b + B < A B.

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

9 Departemen Statistika FMIPA IPB

PENDUGA TERBAIK UNTUK DISTRIBUSI PARETO DENGAN MENGGUNAKAN TEOREMA BATAS BAWAH CRAMMER-RAO SKRIPSI

MENGUJI KEMAKNAAN SAMPEL TUNGGAL

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data

PENJADWALAN JOBS PADA SINGLE MACHINE DENGAN MEMINIMUMKAN VARIANS WAKTU PENYELESAIAN JOBS (Studi Kasus di P.T. XYZ )

Gerak Brown Fraksional dan Sifat-sifatnya

BAB 4: PELUANG DAN DISTRIBUSI NORMAL.

MANAJEMEN RISIKO INVESTASI

BAB V ANALISA PEMECAHAN MASALAH

BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP

PembangkitVariabelRandom

Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai

SEBARAN t dan SEBARAN F

Transkripsi:

BAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE) 5.1. Pembagit Radom Variate Disrit Suatu Radom Variate diartia sebagai ilai suatu radom variate yag mempuyai distribusi tertetu. Utu megambil radom variate dari beberapa distribusi yag berbeda-beda fugsiya harus terlebih dahulu melalui distribusi cummulative distributio fuctio (CDF) dari suatu radom variabel. Pegambila radom variate melalui CDF dieal dega istilah Iverse Trasformatio Method (Metode trasformasi Ivers). Metode ii dapat diperguaa utu membagita radom variate bai dari data distribusi yag atual terjadi maupu melalui berbagai teori distribusi probabilitas. Jia fugsi distribusi itu adalah disrit maa prosedur yag diperlua utu membagita radom variate dari f() sbb: a. Plot f() cari CDF dari radom variate b. Pilih RGN dega rumus RNG dari omputer utu < RGN i < 1utu i = 1,,.. c. Tempata RN yag diperoleh pada f() ais da memotog fugsi disrit melalui garis horizotal d. Garis horizotal dari ais f() ii dapat memotog fugsi f() atau pada tempat yag tida bersambug pada f() e. Meurua garis dari titi potog pada fugsi f() yag disotiue itu pada sumbu sehigga diperoleh ilai dari adalah radom variate dari f() Cotoh : Dietahui suatu radom variate diyataa dega f() sbb: X = demad 1 3 4 F() = P(X=) 1/8 1/4 1/ 1/16 1/16 Tetua berapa harga demad () terbai! Pemodela &Simulasi : Radom variate geerator 4

Peyelesaia : CDF fugsi Demad : X = demad 1 3 4 F() = P(X=) 1/8 1/4 1/ 1/16 1/16 F() 1/8 3/8 7/8 15/16 16/16 Tabel di atas meujua apabila radom umber (RN) yag diamati dari omputer da emudia disusu dalam suatu tabel simulasi dari tabel disrit distribusi maa diperoleh : Tabel Simulasi dari Tabel Disrit Distribusi RNG Demad () F() Batas Nilai Hasil RN Komputer.938.15.-.15.638 1.375.151-.375.875.875.3751-.875.4765 3.9375.8751-.9375.96 4.9999.9376-.9999 3 Dari tabel di atas diperoleh demad () yag terbai adalah. 5.. Pembagit Radom Variate Kotiu Membagita radom variate distribusi otiu dapat dicotoha melalui fugsi matematis. Cotoh fugsi matematis sbb : F( ) utu 1 utu yag laiya Fugsi distribusi/matematis di atas harus dijadia fugsi umulatif dega megitegralaya. f ( ) y f ( ) ydy y Pemodela &Simulasi : Radom variate geerator 5

Jia igi membagita radom variate utu ilai maa aa ditrasformasia mejadi : F() = R = X = R misal F() = R Misala a = 19; Z = 1357; C = 37; da m = 18, tetua X optimal dega RNG megguaa LCG. X X i RNG = R X = R 1,938,36,638,7955 3,875,9354 4,4765,693 5,96,9519 X 3,6793 3,6793 5,7359 Jadi RNG dega fugsi F() = X =R didapat X optimal =,7359 < X< 1 5.3. Radom Variate Distribusi Desitas (Kepadata) Dietahui suatu fugsi desitas dega rumus: F( ) a(1 ) utu 1 utu yag laiya Kemudia di-itegrala utu medapata distribusi umulatif. f ( ) y f ( ) a ( y a(1 y) dy a ) a ( (1 y) dy Cari ilai utu fugsi desitas yaitu f() = 1 utu 1 a ( ) = 1 utu = 1 maa ) 1 a (1 ) 1 1 a (1 ) 1 1 a a 1 1 a 1 a Pemodela &Simulasi : Radom variate geerator 6

Jia a =, maa radom variabelya : F( ) R a( ) a R R 4 4R 1 1 1 R i R =RNG X 1 =1 + 1-R X =1-1-R 1,938 1,9519,481,638 1,66,394 3,875 1,3536,6464 4,4765 1,735,765 5,96 1,363,6935 Cotoh simulasi pada permaia : Ada dua orag A da B, aa bertadig lempar mata uag. Jia yag yag mucul lebih baya gambar maa pertadiga aa dimeaga oleh A da sebaliya jia yag baya mucul adalah aga maa yag meag B. Mata uag yag diguaa mempuyai dua mua yag berarti esempata utu meag dari A da B adalah sama yaitu 5% : 5%. Tetua siapa yag meag jia dilaua sebaya 1 pelempara dega a=7; c=; Z =1357 da m = 17. Peyelesaia : X Gambar Aga F() = P() ½ ½ F() ½ =,5 /=,9999 Tag umber,-,5,51-,9999 Pemodela &Simulasi : Radom variate geerator 7

Utu a=7; c=; Z =1357 da m = 17 i Z RNG X 1 3,1765 gambar 4,353 gambar 3 11,647 aga 4 9,594 aga 5 1,759 aga 6 16,9411 aga 7 1,588 aga 8,1176 gambar 9 14,835 aga 1 13,7647 aga Dari tabel diatas gambar : aga = 3 : 7 maa pertadiga tersebut dimeaga oleh B. 5.4. Disret Radom Number Suatu asus adag-adag tida perlu mecari iterval yag tepat dari bilaga aca diatara dua bilaga probabilitas sehigga variabel aca yag dihasila ilai yag sama maa hal itu mugi dapat dilaua dega megguaa salah satu dari ilai 1,, 3,.., yaitu dega probabilitas P(=) = 1/, utu = 1,,..,. Dega model yag terdapat dalam betu tag umber simulatio CDF didapat ilaiilai dari dega rumus : Jia =, -1/ U / -1 U Dimaa : X = It (U) + 1...(1) X = bilaga aca It = iteger U= Radom Number = bilaga 1,,.., Pembagit variabel aca disrit ii sagat petig dalam simulasi yag diguaa utu berbagai persoala distribusi disrit yag belum dietahui. Cotoh : Dalam meghitug rata-rata igi memperiraa C i1 C( i) / Pemodela &Simulasi : Radom variate geerator 8

Dimaa = cuup besar da C(i) utu i = 1,,..,. Utu megatasi esulita dalam meguraia hal ii, maa dapat megguaa jia X adalah variabel aca yag uiform atas bilaga 1,,.., sehigga aa diperoleh variabel aca C() yag aa meghasila rata-rata sbb: C X i1 i1 C( i). P( I) C( i) / C Jia dibagita disret radom uiform variabel X i utu i = 1,,.., da radom umber µ i da X i = It ( µ i ) + 1 maa setiap dari radom variabel C(X i ) aa diperoleh rata-rata = C i1 C( i ) C...() utu X i = It ( µ i ) + 1 K = 1,,.., C = rata-rata dari C(i) Cotoh : Suatu betu simulasi dari pegambila radom umber omputer sebaya ali da dega medapata periraa dari e i1 1 / utu = 1 da = 5 Pertayaa : 1. Perhituga prosimasiya. Perhituga juga rata-rata utu RN 5 ali Peyelesaia : 1. Dietahui i = 1,,.., utu = 1 X i = It ( µ i ) + 1 Maa dapat dirumusa : 5 i1 5 ( ) /1 i /1 i y e i1 e 5 y i 1 y i y i e i /1 Pemodela &Simulasi : Radom variate geerator 9

Misala RNG utu = 5 sudah ada sbb : R1 =,5481; R =,5683; R3 =,4373; R4 =,85; R5 =,657, maa : i RNG=µ X i = It ( µ i ) + 1 Y i =e i/1 1,5481 6 1,81,5683 7,137 3,4373 5 1,6487 4,85 9,4595 5,657 8,55 y i = 1,1695 y 5 y i i1 1,1695 Rata-rata = Y = 1,1695/5 =,339 Cara e- : Y C 5 i1 e i /1 Y i1 e i / i Y e i / 1,3664,47 3,397 4,4919 5,4415 Y,3 1,81/5 =,3664 Ii berarti dari rata-rata pearia RNG aa diperoleh Y =,3 Pemodela &Simulasi : Radom variate geerator 3

Bila megguaa rumus () maa aa lagsug diperoleh : i Y i = e i/1 1 (,718) 1/1 = 1,15 1,14 3 1,3499 4 1,4918 5 1,6487 Y c = e i/1 = 6,817 Ii meujua dega tida megguaa radom umber, diperoleh : y 5 y i i1 1,1695 Y c = e i/1 = 6,817 3,355 medeati (RN) =,3 dega pegambila radom umber yag cuup baya aa medeati pada etepata. Pemodela &Simulasi : Radom variate geerator 31