TUGAS 5

I. Distribusi Geometri
Jadi, dalam membangkitkan distribusi Geometri, kami menggunakan metode transformasi invers
(TI). Alasan menggunakan metode tersebut karena distribusi geometri mempunyai CDF yang close
form.

Langkah-langkah :

1. Membangkitkan data Uniform(0,1) pada Ms. Excel.

2. Menentukan nilai p sebagai parameter. Disini kami menentukan p sebesar 0.4
3. Mendapatkan nilai PDF dan CDF dari distribusi geometrik

X PDF CDF
1 0.5 0.5
2 0.25 0.75
3 0.125 0.875
4 0.0625 0.9375
5 0.03125 0.96875
6 0.015625 0.984375
7 0.007813 0.992188
8 0.003906 0.996094
9 0.001953 0.998047
10 0.000977 0.999023

4. Langkah selanjutnya yaitu mendapatkan data baru berdistribusi geometri.

Bisa menggunaan fungsi VLOOKUP pada excel. Yaitu dengan tolak ukur CDF sebagai
pembanding. Apabila data bangkitan random uniform kurang dari CDF pada kolom 1, maka
sama dengan 1. Apabila data masuk range antara kolom 1 dan 2, maka sama dengan 2. Dan
seterusnya sampai CDF kurang dari 1, maka sama dengan 10.
5. Mengulangi langkah 4 hingga 1000 iterasi, untuk mendapatkan 1000 data yang berdistribusi
geometrik.

Hasil bangkitan 1000 data berdistribusi geometrik adalah sebagai berikut dengan parameter p yang
diinginkan 0.5, sementara p yang sebenarnya hasil output Easy Fit adalah 0.32787:
 Berikut merupakan grafik distribusi geometri dari 1000 data yang telah dibangkitkan

a. Grafik output easyFit

b. Grafik output excel

II. Distribusi Weibull

1. Membangkitkan variabel random berdistribusi weibull dengan menggunakan metode transformasi
invers, transformasi invers digunakan membangkitkan distribusi ini dengan alasan :

a. Fungsi dari distribusi weibull merupakan pdf

b. Fungsi dari distribusi weibull memiliki CDF yang closeform ( bisa diselesaikan )

Algoritma (digunakan α=1, β=2)

1. Bangkitkan data U~Uniform(0,1)
2. Cari invers dari CDF nya, dan dapatkan x=F-1(u)
3. Cari dan catat nilai x dari hasil invers CDF
4. Ulangi langkah 3 sampai 1000 iterasi, untuk mendapatkan 1000 data yang berdistribusi
weibull

2. Hasil bangkitan 1000 data berdistribusi weibull adalah sebagai berikut dengan parameter yang
diinginkan α=1, β=2, sementara α, β yang sebenarnya hasil output EasyFit adalah α=0,93578,
β=1,9474

3. Dibawah ini merupakan grafik distribusi weibull dari 1000 data yang telah dibangkitkan.
 a. Grafik output dari excel

b. Grafik output dari easyFit

III. Distribusi Beta

1. Membangkitkan variabel random berdistribusi beta dengan menggunakan metode komposisi,
transformasi komposisi digunakan membangkitkan distribusi ini dengan alasan fungsi dari distribusi
beta mempunyai fungsi cdf yang tidak closeform, sehingga untuk mendapatkan cdf sulit
diselesesaikan. Berikut fungsi pdf dari distribusi beta

Karena alasan diatas maka digunakan metode komposisi

Algoritma (digunakan α=1, β=2)

1. Bangkitkan data U~Uniform(0,1) sebanyak 4 kali masing-masing 1000 data
2. Bangkitkan E1~Eksponensial(1) dan E2~Eksponensial(2) sebanyak 2 kali masing-masing
1000 data kemudian cari invers dari CDF nya, dan dapatkan Ei=F-1(u)
3. Cari dan catat nilai x dari hasil invers CDF
4. Bangkitkan G1~Gamma(1) dan G2~Gamma(2) dari penjumlahan E1 untuk G1 dan E2 untuk
G2, masing-masing 1000 data. Ini biasa disebut metode convolution.
5. Bangkitkan 1000 data berdistribusi beta dengan rumus x= G1/(G1+G2)

2. Hasil bangkitan 1000 data berdistribusi beta adalah sebagai berikut dengan parameter yang
diinginkan α=1, β=2, sementara α, β yang sebenarnya hasil output EasyFit adalah α=1.6694, β=1,7502
3. Dibawah ini merupakan grafik distribusi beta dari 1000 data yang telah dibangkitkan.

a. Grafik output dari easyFit

Probability Density Function

0.14
0.13
0.12
0.11
0.1
0.09
0.08
f(x)

0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
0.2 0.4 0.6 0.8 1
x

Histogram Beta