Pembangkitan Bilangan Acak

Berdistribusi
Normal
Gustriza Erda
Distribusi Gaussian (Normal)
fungsi kepekatan (density function) sebagai berikut

rnorm(n, mean = 0, sd = 1)
● Distribusi ini memiliki parameter berupa rata-rata Μ (mean) dan
simpangan baku σ (standard deviation).
● Distribusi normal dengan rata-rata = 0 dan simpangan baku = 1
disebut dengan distribusi normal standar (Z distribution).
LET’S PRACTICE!
LET’S PRACTICE!
bangkitkan bilangan acak sebanyak 100 dari
sebaran normal dengan μ = 0 dan σ =1
LET’S PRACTICE!
Bangkitkan 100 bilangan acak normal
Bagaimana apabila
fungsi untuk
pembangkitan
peubah acak belum
tersedia ?
Teknik Pembangkitan Bilangan Acak
1 inverse-transform method

jika X adalah peubah acak kontinyu

dengan cdf F(x), maka
U = F(X) ~ Uniform (0,1)
Inverse-transform Method
Teknik Pembangkitan Bilangan Acak
1 inverse-transform method

jika X adalah peubah acak kontinyu

dengan cdf F(x), maka
U = F(X) ~ Uniform (0,1)

2 Direct Transformation
LET’S PRACTICE!
Membangkitkan X~ Normal (10,1)
sebanyak 100
Membangkitkan X~ Normal (10,1) sebanyak 100

Bangkitkan U ~ uniform (0,1)

Gunakan fungsi CDF dari sebaran

yang diinginkan untuk
mendapatkan X~F¹(U)
 Membangkitkan X~ Normal (10,1) sebanyak 100
r <- runif(100)
x <- qnorm(r, mean = 10, sd = 1) #invers dari fungsi sebaran kumulatif
hist(x, prob = TRUE) # untuk melihat pola hasil datanya
lines(sbx, dnorm(sbx, mean = 10, sd = 1)) # gunakan denisty
LET’S PRACTICE!
Simulasi Membangkitkan Populasi
yang mengikuti Sebaran Normal
Simulasi 1 bangkitkan populasi yang mengikuti sebaran normal
dengan n = 10.000, µ = 20 dan σ = 10

Membangkitkan
Populasi 2 Ambil sampel secara acak sampel sebanyak 5, 10, 30
dan 50 dari populasi yang dibangkitkan

yang mengikuti
Sebaran Normal 3 hitung statistic dari setiap sampel yang terambil

4 Ulangi langkah 2-3 sebanyak 100 kali

5 Sajikan bentuk sebaran dari statistik tersebut dan

hitung nilai harapannya
01
bangkitkan populasi yang
mengikuti sebaran normal.
set.seed(10)
pop.norm<-rnorm(n=10000, mean=20, sd=10)
pop.norm
Simulasi 1 bangkitkan populasi yang mengikuti sebaran normal
dengan µ = 20 dan σ = 10

Membangkitkan
Populasi 2 Ambil sampel secara acak sampel sebanyak 5, 10, 30
dan 50 dari populasi yang dibangkitkan

yang mengikuti
Sebaran Normal 3 hitung statistic dari setiap sampel yang terambil

4 Ulangi langkah 2-3 sebanyak 100 kali

5 Sajikan bentuk sebaran dari statistik tersebut dan

hitung nilai harapannya
 bangkitkan populasi yang
01 mengikuti sebaran normal.
#menetapkan set
set.seed(10)
#membangkitkan bilangan normal mean=20, sd=10
pop.norm<-rnorm(n=100000, mean=20, sd=10)
pop.norm
hist(pop.norm, main = "Normal Distribution")
abline(v=mean(pop.norm), lty=2, lwd=3, col="blue")
02 Ambil sampel secara acak
sampel sebanyak 5, 10, 30 dan 50
dari populasi yang dibangkitkan
a5<-sample(pop.norm,5)
a5
a10<-sample(pop.norm,10)
a10
a30<-sample(pop.norm,30)
A30
a50<-sample(pop.norm,50)
a50
 hitung statistic dari setiap
03 sampel yang terambil
#menghitung simpangan baku
#menghitung mean
sawal<-sd(pop.norm)
mawal<-mean(pop.norm)
s5<-sd(a5)
m5<-mean(a5)
s10<-sd(a10)
m10<-mean(a10)
s30<-sd(a30)
m30<-mean(a30)
s50<-sd(a50)
m50<-mean(a50)
sawall<-rbind(sawal,s5,s10, s30,s50)
mawall<-rbind(mawal,m5,m10, m30,m50)

cbind(mawal,sawal)
04 Ulangi langkah 2-3 sebanyak
100 kali
#n=5
iterasi<-###
n<-#
means.s5<-rep(NA, iterasi)
sd.s5<-rep(NA, #######)
for (i in 1:#######){
d<-sample(pop.norm, #)
means.s5[i]<-####(d)
sd.s5[i]<-sd(#)
}
04 Ulangi langkah 2-3 sebanyak
100 kali
#n=5 #n=10 #n=30
iterasi<-100 iterasi<-100 iterasi<-100
n<-5 n<-10 n<-30
means.a5<-rep(NA, iterasi) means.a10<-rep(NA, iterasi) means.a30<-rep(NA, iterasi)
sd.a5<-rep(NA, iterasi) sd.a10<-rep(NA, iterasi) sd.a30<-rep(NA, iterasi)
for (i in 1:iterasi){ for (i in 1:iterasi){ for (i in 1:iterasi){
d<-sample(pop.norm, n) d<-sample(pop.norm, n) d<-sample(pop.norm, n)
means.a5[i]<-mean(d) means.a10[i]<-mean(d) means.a30[i]<-mean(d)
sd.a5[i]<-sd(d) sd.a10[i]<-sd(d) sd.a30[i]<-sd(d)
} } }
04 Ulangi langkah 2-3 sebanyak
100 kali
#n=50
iterasi<-100
n<-50
means.a50<-rep(NA, iterasi)
sd.a50<-rep(NA, iterasi)
for (i in 1:iterasi){
d<-sample(pop.norm, n)
means.a50[i]<-mean(d)
sd.a50[i]<-sd(d)
}
 Sajikan bentuk sebaran dari statistik
05 tersebut dan hitung nilai harapannya
#n5
par(mfrow=c(1,2))
hist(###)
abline(v=mean(###), lty=2, lwd=3, col="blue")
abline(v=mean(###), lty=2, lwd=3, col="red")
hist(###)
abline(v=sd(###), lty=2, lwd=3, col="green")
abline(v=mean(###), lty=2, lwd=3, col="yellow")
 Sajikan bentuk sebaran dari statistik
05 tersebut dan hitung nilai harapannya
#10
par(mfrow=c(1,2))
hist(means.a10)
abline(v=mean(pop.norm), lty=2, lwd=3, col="blue")
abline(v=mean(means.a10), lty=2, lwd=3, col="red")
hist(sd.a10)
abline(v=sd(pop.norm), lty=2, lwd=3, col="green")
abline(v=mean(sd.a10), lty=2, lwd=3, col="yellow")
 Sajikan bentuk sebaran dari statistik
05 tersebut dan hitung nilai harapannya
#n30
par(mfrow=c(1,2))
hist(means.a30)
abline(v=mean(pop.norm), lty=2, lwd=3, col="blue")
abline(v=mean(means.a30), lty=2, lwd=3, col="red")
hist(sd.a30)
abline(v=sd(pop.norm), lty=2, lwd=3, col="green")
abline(v=mean(sd.a30), lty=2, lwd=3, col="yellow")
 Sajikan bentuk sebaran dari statistik
05 tersebut dan hitung nilai harapannya
#n50
par(mfrow=c(1,2))
hist(means.a50)
abline(v=mean(pop.norm), lty=2, lwd=3, col="blue")
abline(v=mean(means.a50), lty=2, lwd=3, col="red")
hist(sd.a50)
abline(v=sd(pop.norm), lty=2, lwd=3, col="green")
abline(v=mean(sd.a50), lty=2, lwd=3, col="yellow")
 #summary
mmawal<- mean(pop.norm)

05 mm5<- mean(means.a5)
mm10<- mean(means.a10)
mm30<- mean(means.a30)
mm50<- mean(means.a50)
mmfinal<-rbind(mmawal, mm5,mm10, mm30,mm50)
mmfinal
sdawal<- sd(pop.norm)
sd5<- mean(sd.a5)
sd10<- mean(sd.a10)
sd30<- mean(sd.a30)
sd50<- mean(sd.a50)
sdfinal<-rbind(sdawal, sd5,sd10, sd30,sd50)
sdfinal
cbind(mmfinal,sdfinal)
05 #perbandingan
awal<-cbind(mawall,sawall)
awal
final<-cbind(mmfinal,sdfinal)
final

perbandinganmean<-cbind(mawall,mmfinal)
perbandinganmean

perbandingansd<-cbind(sawall,sdfinal)
perbandingansd
Kesimpulan apa yang
bisa diambil ?
 Thanks!
CREDITS: This presentation template was created by Slidesgo
and includes icons by Flaticon, infographics & images by
Freepik and content by Eliana Delacour
Please keep this slide for attribution