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.
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)
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
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))
}