Metode Monte Carlo

Telah diketahui bahwa R menyediakan banyak distribusi peluang yang dapat digunakan untuk berbagai
keperluan dalam analisis statistik. Distribusi tersebut antara lain: beta, binomial, cauchy, chi-squared,
exponensial, F, gamma, geometric, hipergeometrik, log-normal, logistik, negatif binomial, normal, poisson,
stable, student t, uniform, weibull, dan wilcoxon. Ekpresi R untuk masing-maing distribusi adalah beta,
binom, cauchy, chisq, exp, f, gamma, geom, hyper, lnorm, logis, nbinom, norm,
pois, stab, t, unif, weibull, wilcox dan menambah satu huruf awalan r, p, d, atau q
yang masing-masing menyatakan pembangkitan random, peluang, densitas dan quantil. Di samping itu ekspresi
untuk masing-masing distribusi memerlukan argumen dan parameter sesuai dengan yang diperlukan.
Teknik atau metode Monte Carlo adalah cara mendapatkan solusi pendekatan dengan cara
membuat simulasi dengan bilangan random secara berulang-ulang dari sebuah sampel yang diberikan.
Prinsip kerjanya mirip seperti cara kerja mesin rolet. Sebenarnya tidak ada prosedur baku dalam metode
Monte Carlo namun beberapa contoh berikut dapat memberikan gambaran tentang penerapannya.

Simulasi pelambungan koin setimbang

function (n=100)
{
x1<-sample(c(0,1),n, replace=T) #0=M, 1=B
pm=length(x1[x1==0])/n
pb=length(x1[x1==1])/n
cat ("P(M) = ", round(pm, 2), "\n")
cat ("P(B) = ", round(pb, 2), "\n")
}
1
Jika koin benar-benar setimbang maka hasil simulasi akan mengarah pada hasil P ( M )=P ( B ) =
2
Simulasi pelambungan 2 koin setimbang
Mahasiswa diharapkan mencoba membuat simulasi pelambungan 2 koin setimbang sekaligus. Jika pada
pelambungan satu koin ruang sampelnya berupa (M,B) yang diasosiasikan dengan (0,1)maka pada
pelambungan dua koin sekaligus perlu dicari asosiasi dari ruang sampel (MM, MB, BM, BB)

Menghitung Pendekatan Integral tertentu

b
1. Diberikan I =∫ f ( x ) dx maka I merupakan luas
a

daerah di bawah kurva f (x) dan di atas sumbu x

serta dibatasi oleh a di kiri dan b di kanan.
2. Dibentuk empat persegi panjang yang menutup I
dengan sisi horisontal sepanjang [ a , b ]dan sisi
vertikal sepanjang [0 , h] yang dipilih sedemikian
hingga f ( x ) ≤h untuk setiap x ∈[a , b]
I
3. Dibentuk rasio antara I dan luas empat persegi panjang yaitu r =
( b−a ) h
4. Dibentuk variabel pencacah M ← 0
5. Diambil bilangan random x dalam interval [a , b] dan y dalam interval [0 , h]
¿ ¿

6. Jika y < f ( x ) maka M =M +1

¿ ¿
7. Langkah 5 dan 6 diulang sebanyak n kali yang cukup besar
M M ( b−a ) h
8. Karena diharapkan nilai r ≅ maka nilai pendekatan dari I adalah I ≅
n n

Contoh:
1
I =∫ √ 1−x 2 dx
0

Ide Penyelesaian:

Gambar di kanan adalah juring sebuah lingkaran dengan persamaan x 2+ y 2=1, sehingga bagian yang
diwarnai adalah daerah di bawah kurva y= √ 1− x2. Data random U(0,1) sebanyak n diambil untuk
mewakili x dan diambil pula n data random U(0,1) yang lain untuk mewakili y . Untuk setiap pasangan
( x i , y i ) terdapat dua kemungkinan yaitu y i < √ 1−x 2i yang berarti y i berada pada daerah yang diwarnai,
atau y i ≥ 1−x 2i yang berarti y i berada di luar daerah yang diwarnai. Banyaknya titik y yang berada pada
√
daerah yang diwarnai dibagi dengan n menyatakan pendekatan proporsi luas daerah yang diwarnai
terhadap luas persegi.

koin1<-function (n=100)
{
M<-0
x<-runif(n, 0, 1)
y<-runif(n, 0, 1)
fx<-sqrt(1-x*x)
M<-length(y[y<fx])
Itopi<-M/n
cat("Pendekatan I = ", round(Itopi,4), "\n")
return (Itopi)
}

Mahasiswa hendaknya mencoba menghitung nilai dari I berikut ini dengan simulasi Monte Carlo
1,96 −1 2
1 2
x
I= ∫ e dx
0 √2 π
Bandingkan hasilnya jika menggunakan perhitungan peluang P ( 0 ≤ X ≤ 1,96 ) dengan X N (0,1)

Simulasi Pada Penaksiran Parameter

Misalkan diberikan sampel univariat atau multivariat berukuran n yaitu X 1 , X 2 , … X n. Setiap titik sampel
dipasangkan secara tunggal dengan nomor indeksnya, yaitu 1 ,2 , … , n. Algoritma Monte Carlo dapat
dituliskan sebagai berikut
 1. Pilih secara random satu nomor di antara 1 ,2 , … , n. Nomor terpilih menyatakan indeks dari titik
sampel terpilih.
2. Ulangi langkah 1 sebanyak n kali, sehingga diperoleh sampel baru berukuran n
3. Ulangi langkah 1 dan 2 sebanyak B kali, sehingga diperoleh sampel Monte Carlo sebanyak B
sampel
4. Sampel hasil simulasi Monte Carlo digunakan untuk menaksir parameter yang diminati.

Contoh

Diberikan x adalah sampel random dari distribusi Bin(n , p) sebanyak 50 titik sebagai berikut
58584244557545585636535545554744127653
662863574563
Dasar Teori: Jika x Bin(n , p) maka μ x =np dan σ 2x =np ( 1−p )=npq
Dari data di atas penaksir untuk μ x dan σ 2x sebagai berikut

xbar=mean(x) #4,9
skuadrat=var(x) #2,66

Selanjutnya p dan n ditaksir sebagai berikut

qtopi=skuadrat/xbar
ptopi=1-qtopi # 0.4564765
ntopi=xbar/ptopi #10,7 dibulatkan 10 atau 11

Penaksiran p dan n dengan simulasi Monte Carlo dapat dituliskan sebagai berikut,

MC<-function (x,B=2*length(x))
{
n=length(x)
X=NULL
for( i in 1:B){
x1=sample(x,n,replace=T)
X=cbind(X,x1)
}
xbar=mean(apply(X,2,mean))
skuadrat=mean(apply(X,2,var))
qtopi=skuadrat/xbar
ptopi=1-qtopi
ntopi=xbar/ptopi
return(c(xbar, skuadrat, ptopi, ntopi))
}

Catatan: Data di atas diperoleh dari ekspresi x=rbinom(50,10,0.5)