BAB 4

PEMBANGKIT VARIATE DARI DISTRIBUSI STANDAR

4.1 Distribusi Normal Standar

Distribusi Normal Standar sangat sering digunakan dan memiliki notasi sendiri.
Sebuah variate acak Z merupakan distribusi normal standar jika densitasnya adalah 𝜙 ,
dimana :

1 𝑧2
𝜙(𝑧) = 𝑒− 2
√2𝜋
𝑧
Pada selang (−∞, ∞). Distribusi komulatifnya adalah 𝜙(𝑧) = ∫−∞ 𝜙(𝑢)𝑑𝑢. Mudah
ditunjukan bahwa ekspektasi dan varian dari 𝑍 masing-masing adalah 0 dan 1.

Misalkan 𝑋 = 𝜇 + 𝜎𝑍 untuk setiap 𝜇 ∈ ℝ dan 𝜎 ≥ 0. Maka 𝑋 dikatakan

terdistribusi normal dengan mean 𝜇 dan varian 𝜎 2 . Densitas dari 𝑋 adalah

1 𝑥−𝜇 2
−[ ] /2
𝑓𝑥 (𝑥) = 𝑒 𝜎
√2𝜋𝜎

Dan dinotasikan 𝑋~𝑁(𝜇, 𝜎 2 ).

Hanya dua algoritma pendek yang menjelaskan pembangkit variate. Yang mana
dibutuhkan kebijakan kesepakatan antara kemudahan implementasi dan kecepatan
eksekusi. Pembaca menunjuk pada Devroye(1986) atau Dagpunar(1988) untuk metode
yang bisa jadi lebih cepat saat eksekusi dan lebih canggih dalam desain.

4.1.1 Metode Box Muller

Metode Box-Muller sederhana untuk di implementasikan dan menunjukan kecepatan

eksekusi. Kita mulai dengan menentukan dua variabel acak normal standar, 𝑋1 dan 𝑋2.
Densitas bersamanya adalah

1 −(𝑥 2 +𝑥 2 )/2
𝑓𝑥1 , 𝑥2 (𝑥1 , 𝑥2 ) = 𝑒 1 2
2𝜋
Didalam ℝ2 . Sekarang ditransformasikan ke bentuk polar dimana 𝑋1 = 𝑅 𝑐𝑜𝑠𝜃 dan 𝑋2 =
𝑅 𝑠𝑖𝑛𝜃. Maka densitas bersama dari 𝑅 dan 𝜃 diberikan oleh :

𝜕𝑥1 𝜕𝑥1
1 −𝑟 2 𝜕𝑟 𝜕𝜃 | 𝑑𝑟𝑑𝜃
𝑓𝑅,𝜃 (𝑟, 𝜃)𝑑𝑟𝑑𝜃 = 𝑒 2|
2𝜋 𝜕𝑥2 𝜕𝑥2
𝜕𝑟 𝜕𝜃

1 −𝑟 2
= 𝑒 2 𝑟𝑑𝑟𝑑𝜃
2𝜋

Pada selang 𝑟 ∈ (0, ∞) dan 𝜃 ∈ [0,2𝜋]. Ini menunjukan jika 𝑅 dan 𝜃 terdistribusi bebas
1
dengan 2 𝑅~𝐸𝑥𝑝(1) dan 𝜃~𝑈[0,2𝜋]. Oleh karena itu diberikan bilangan acak 𝑅1 dan 𝑅2 ,
1
dengan inversi, 2 𝑅 2 = − ln 𝑅1 atau 𝑅 = √−2 ln 𝑅 , dan 𝜃 = 2𝜋𝑅2 . Ditranformasikan

kembali ke dalam bentuk awal koordinat kartesius

𝑋1 = √−2𝑙𝑛𝑅1 cos(2𝜋𝑅2 )

𝑋1 = √−2𝑙𝑛𝑅1 sin(2𝜋𝑅2 )

Metode ini memberikan “ dua untuk harga satu”. Meskipun benar secara matematis,
secara umum tidak dipakai untuk hasil yang kecil dari variate tail yang diekspektasi. (lihat
Neave, 1973, dan Soal 1). Misalkan, menggunakan bentuk sinus, Nilai ekstrim tail dari
𝑋2 tidak mungkin kecuali 𝑅1 mendekati nol dan 𝑅2 sebaliknya. Namun, dengan
menggunakan sebuah congruential generator linier berganda dengan pengali kecil
memastikan jika 𝑅1 lebih kecil dari bilangan acak 𝑅2 . Tentu saja, ini salah satu cara untuk
menghindari kesalan saat mengacak output dari pembangkit seragam.

Biasanya suatu varian diketahui dalam bentuk Box-Muler “polar” digunakan

tanpa masalah pada variabel tail. Sekarang akan dijelaskan. Kita mengingat kembali jika
1
𝑋1 = 𝑅𝑐𝑜𝑠𝜃 dan 𝑋2 = 𝑅𝑠𝑖𝑛𝜃, dimana 𝑅 2 ~𝐸𝑥𝑝(1) dan 𝜃~𝑈[0,2𝜋]. Anggap titik
2

(𝑈, 𝑉) terdistribusi seragam pada lingkaran 𝐶 ≡ {(𝑢, 𝑣): 𝑢2 + 𝑣 2 ≤ 1}. Terlihat jelas,
tan−1(𝑈, 𝑉)~𝑈[0,2𝜋] dan tidak sulit untuk menunjukan 𝑈 2 + 𝑉 2 ~𝑈(0,1). Selanjutnya
dengan intuisi kedua variabel acak tersebut bersifat bebas (lihat sol 2 untuk turunan
𝑉
Jacobian dari transormasi). Oleh karena itu tan−1 (𝑈) = 2𝜋𝑅2 dan 𝑈 2 + 𝑉 2 = 𝑅2

dimana 𝑅1 dan 𝑅2 adalah bilangan acak. Sehingga (𝑈; 𝑉) dapat di terdistribusi seragam
pada persegi 𝐷 = {(𝑢, 𝑣): −1 ≤ 𝑢 ≤ 1, −1 ≤ 𝑣 ≤ 1}. Untuk 𝑈 2 + 𝑉 2 ≤ 1 kita
kembalikan dua normal standar bebas variate menjadi :

𝑈
𝑋1 = √−2ln(𝑈 2 + 𝑉 2 )
√𝑈 2 + 𝑉 2

𝑉
𝑋2 = √−2ln(𝑈 2 + 𝑉 2 )
√𝑈 2 + 𝑉 2

Sebuah prosedur Maple ‘STDNORM’ di tunjukan dalam Appendix 4.1

4.1.2 Tingkatan Pembungkus Metode Penolakan

Dalam contoh 3.3 metode penolakan dikembangkan untuk pengambilan sampel dari
keadaan normal terlipat sampel dari sebuah pembungkus normal. Sekarang mari kita
lihat bagaimana probabiltas diterima dari metode dapat ditingkatkan. Notasi umum
untuk pembungkus penolakan yaitu:
𝑥2
−
ℎ(𝑥) = 𝑒 2
dalam selang (−∞, ∞) dan sebuah fungsi utama

1 (|𝑥| ≤ 𝑐)
𝑔(𝑥) = { −𝜆(|𝑥|≤𝑐)
𝑒 (|𝑥| ≤ 𝑐)

Untuk 𝜆 > 0 dan 𝑐 > 0. Sekarang

𝑥2
𝑔(𝑥) 𝑒2 (|𝑥| ≤ 𝑐)
= { 𝑥2
ℎ(𝑥)
𝑒 2 − 𝜆|𝑥| + 𝜆𝑐 (|𝑥| ≤ 𝑐)

𝑥2
Kita tentukan 𝑔 bersyarat ℎ , sehingga 𝜆 dan c harus dipilih sedemikian hingga −
2

𝜆|𝑥| + 𝜆𝑐 ≥ 0 ∀|𝑥| > 𝑐. Probabilitas diterimanya adalah :

∞
∫−∞ ℎ(𝑥)𝑑𝑥 √2𝜋
∞ =
∫−∞ ℎ(𝑥)𝑑𝑥 1
2(𝑐 + )
𝜆

1 𝑥2
Oleh karena itu, kita harus meminimalkan 𝑐 + 𝜆 sedemikian hingga − 𝜆|𝑥| + 𝜆𝑐 ≥
2

0 ∀|𝑥| > 𝑐 . andaikan 𝑐 diberikan. Selanjutnya kita harus memaksimalkan 𝜆 sedemikian

𝑥2 𝑥2
hingga − 𝜆|𝑥| + 𝜆𝑐 ≥ 0 ∀|𝑥| > 𝑐. Jika 𝜆2 > 2𝜆𝑐 , itu jika 𝜆 > 2𝑐 , selanjutnya −
2 2
𝑥2
𝜆|𝑥| + 𝜆𝑐 ≥ 0 untuk beberapa |𝑥| > 𝑐. Karena 2
− 𝜆|𝑥| + 𝜆𝑐 ≥ 0 ∀|𝑥| dimana 𝜆 > 2𝑐
, yang berarti nilai maksimal dari 𝜆, diberikan 𝑐 ,adalah 𝜆 = 2𝑐. Artinya kita harus
1 √2
meminimalkan 𝑐 + 2𝑐 , di tentukan 𝑐 = dan 𝜆 = 2𝑐 = √2 , memberikan sebuah nilai
2

pada probabilitas peneriaan

√2𝜋 √𝜋
= = 0,88623
1 1 2
2( + )
√2 √2

Cacatan jika ini merupakan perbaikan dari metode milik Butcher (1961), dimana 𝑐 = 1
√𝜋
dan 𝜆 = 2 dengan sebuah probabilitas penerimaan = 0,83554, dan juga diperoleh
3

dalam contoh 3.3.

Prospektif variate dibangkitkan oleh inversi dari suatu CDF

1
( ) 𝑒 √2+1
√2 1 √2
= 𝑒 √2+1 (𝑥 < − ) ,
1 1 1 4 2
+2( )+
√2 √2 √2
1 1
+𝑥+
√2 √2 = √2𝑥 + 2 (|𝑥| ≤ √2) ,
𝐺(𝑥) =
1 1 1 2 2
+ 2( ) +
√2 √2 √2
4 1
− ( ) 𝑒 √2+1
√2 √2 1 √2
= 1 − 𝑒 √2+1 ( 𝑥 > ).
1 1 1 4 2
+ 2( ) +
{√2 √2 √2

Menerapkan inversi, diberikan sebuah bilangan random 𝑅1 , kita punya

√2[ln(4𝑅1 ) − 1] 1
(𝑅1 ≤ ) ,
2 4
1 3
𝑥 = √2(2𝑅1 − 1) ( < 𝑅1 ≤ ) ,
4 4
√2[1 − ln{4(1 − 𝑅1 )}] 3
( < 𝑅1 ) .
{ 2 4

Diberikan sebuah bilangan random kedua 𝑅2 , kemungkinan variate 𝑥 diterima jika

 𝑥2
−
𝑒 2 (|𝑥| ≤ 𝑐)
𝑅2 < { 𝑥 2
−( −𝜆|𝑥|+𝜆𝑐)
𝑒 2 (|𝑥| ≤ 𝑐)

Atau diberikan 𝐸 = − ln(𝑅2 ),

𝑥2 1
(|𝑥| ≤ ),
2 √2
𝐸>{ 2 (4.1)
𝑥2 (𝑥−√2) 1
− √2|𝑥|+= (|𝑥| ≤ ).
2 2 √2

Probabilitas penerimaan tinggi, tetapi tetap paling tidak satu evaluasi logaritma, 𝐸 untuk
setiap kemungkinan variate. Beberapa dapat diatasi dengan memberi Batasan disekitar

1
− 1 ≥ − ln 𝑅2 ≥ 1 − 𝑅2 .
𝑅2

Mari kita tunjukan bagian sebelah kanan dari persamaan (4.1) 𝑊. Misalkan 1 − 𝑅2 >
𝑊. Maka −𝑙𝑛𝑅2 > 𝑊 dan kemungkinan variate diterima. Misalkan − ln 𝑅2 >≠ 𝑊 tetapi
1
− 1 ≤ 𝑊. Maka − ln 𝑅2 ≤ 𝑊 dan kemungkinan variabel ditolak . hanya jika
𝑅2

keduanya sebelum dicoba gagal sehingga keputusan untuk menerima atau menolak tidak
meyakinkan. Pada beberapa kejadian yang dicoba explisit untuk − ln 𝑅2 > 𝑊. Dalam
terminologi Marsaglia(1977), fungsi− ln 𝑅2 adalah terbatas diantara 1/𝑅2 dan 1 − 𝑅2 .

4.2 Distribusi Lognormal

Distribusi ini paling banyak digunakan dalan matematika keuangan. Jika 𝑋 ~ 𝑁(𝜇, 𝜎 2 )
dan 𝑌 = 𝑒 𝑥 maka 𝑌 dikatakan memiliki sebuah distribusi lognormal. Dengan catatan 𝑌
selalu positif. Untuk sampel 𝑌 yang bernilai sampel 𝑋 dan ditentukan 𝑌 = 𝑒 𝑥 . Ini dipakai
untuk mengetahui expektasi dan standar deviasi 𝑌 yaitu:

𝜇+𝜎2
𝜇𝑦 = 𝑒 2

Dan

𝜎𝑦 = 𝐸(𝑌)√𝑒 𝜎 2 − 1