TEKNIK INFORMATIKA
|| UNIBBA
PERTEMUAN KE-6
Pembangkit Bilangan dan Variabel Acak
(3 SKS – 16 X PERTEMUAN)
simulasi
Fenomena
RNG
probabilistik
modeling
4
Pendahuluan
▸ Sifat probabilitistik pada sistem nyata mempunyai pola
distribusi probabilistik tertentu.
▸ Variabel acak yang mempunyai pola distribusi tertentu,
secara umum dapat diperoleh dengan cara :
RNG •U(0,1)
• Agar
Tranformasi berdistribusi
tertentu
5
Probabilistic Density Function (PDF)
▸ ILUSTRASI MASALAH No. mhs Nilai
1 90
▸ Data hasil ujian pemrograman dari 10
2 80
mahasiswa IF adalah seperti tabel 1.
3 80
Dapat dinyatakan bahwa nilai rata-rata
4 70
programming adalah 65. 5 70
▸ Tetapi hanya 3 mhs yg nilainya kurang 6 70
dari 65 dan 7 orang lainnya lebih dari 7 70
rata-rata. Jadi rata-rata tidak 8 60
menggambakan kondisi yang 9 40
sebenarnya. 10 20
Fungsi kepadatan probabilitas atau
Fungsi kepadatan
Probability Densityprobabilitas atau
Function (PDF)
Probability
menyatakan Density Function (PDF)
nilai probabilitas dari setiap
menyatakan nilai probabilitas
kejadian X dan dituliskan dengandari p(X)
setiap
kejadian X dan dituliskan dengan p(X)
7
Contoh Kasus
▸ Diketahui data jumlah panggilan telepon setiap detiknya yang diambil pada 16 detik sebagai berikut:
▸ 6 7 1 7 4 3 6 1 1 5 5 7 2 4 3 2
▸ s=1 2 3 4 5 6 7
▸ Menghitung histogram
▸ h=3 2 2 2 2 2 3
▸ Menghitung fungsi kepadatan probabilitas dengan histogram dibagi dengan jumlah kejadian
▸ f = h/sum(h)
▸ f = 0.1875 0.1250 0.1250 0.1250 0.1250 0.1250 0.1875
8
Cumulative Density Function (CDF)
▸ Suatu random variabel diartikan sebagai nilai suatu random variabel yang mempunyai
distribusi yang berbeda-beda fungsinya harus terlebih dahulu melalui distribusi
Cummulative Density Function (CDF) dari suatu random variabel. Pengambilan random
variabel melalui CDF ini dikenal dengan istilah Inverse Transformation Method (metode
Invers Transformasi)
▸ Fungsi kepadatan kumulatif (Cumulative Density Function) adalah suatu fungsi yang
menyatakan probabilitas terjadinya kejadian sampai kejadian tertentu.
9
Contoh CDF
10
▸ Diartikan sebagai nilai suatu random
variabel yang mempunyai distribusi
tertentu untuk mengambil random
variabel dari beberapa distribusi yang
Transformasi berbeda-beda fungsinya harus terlebih
Invers dahulu melalui distribusi dari suatu
random variabel. Pengambilan random
variabel melalui CDF ini dikenal
dengan istilah Inverse Transformation
Method (Metode Transformasi Invers)
11
▸ Algoritma untuk membangkitkan variabel acak X
yang punya distribusi F adalah :
1. Bangkitkan bilangan acak U(0,1)
12
Pembangkit Random Varibel Diskrit
x = kebutuhan 0 5 10 15 20
1 1 1 1 1
f(x) = P (X=x) 6 4 3 6 12
5
6
Bilangan acak
7
4 r
6 12
3
6
2
6
1
6
0 x
5 10 15 20 25
Lanjut
2. F(x) = P(X ≤ x) = r
= fungsi distribusi kumulatif
Lanjut
3. t = variable integrasi
x
Maka r = F(x) = ∫ f(t)
Min x
di mana r sebagai bilangan acak.
Dari r = F(x)
Dapat diselesaikan x dalam r melalui transformasi invers:
x = F-1 (r)
Membangkitkan random variate yang
berdistribusi kontinu dengan fungsi
sbb : 2 x ,0 x 1
f ( x)
0 , x lainnya
Contoh 1
• Ubah PDF ke CDF :
F x f x .dx
x
2 x.dx
0
x2
20
• Hitung X = F-1 (U), dimana :
U = F(x)
U = x2
x = √U
Jadi, F-1(x) = √U
22
Maka diperoleh variabel acak : Jika dicari rata-ratanya :
x1 U 1 0,3062
n
x1
x2 U 2 0,7955 x i 1
n
x3 U 3 0,9354 x x2 xn
1
x4 U 4 0,6903 n
0,7359
x5 U 5 0,9520
23
Contoh 2
Misalkan x berdistribusi eksponensial dengan mean , maka fungsi
distribusinya adalah :
x
1 e , untuk x 0
f x
0 , untuk x lainnya
x
1U e
ln 1 U ln e x
x
ln 1 U
x ln 1 U
Karena (1-U) dan U diambil dari distribusi yang sama U(0,1), maka
dimungkinkan sekali mengganti (1-U) dengan U untuk U antara 0 dan 1.
Variabel
Acak
Distribusi
Normal Untuk menghasilkan variabel acak
yang berdistribusi standar normal
dengan dan , maka algoritmanya :
• Bangkitkan bilangan acak Ui(0,1) dan Ui+1(0,1)
• Hitung nilai Z=(-2lnUi)1/2 cos (2Ui+1) atau
• Z=(-2lnUi)1/2 sin (2Ui+1)
•Hitung X = + Z
28
Pembangkit Variabel Acak Distribusi Poisson
Distribusi poisson memiliki kaitan erat dengan distribusi eksponensial,
sering digunakan pada simulasi yang berhubungan dengan peristiwa
kedatangan dan kepergian.
Perlu diketahui bahwa jika waktu antar kejadian berdistribusi
eksponensial maka jumlah kejadian yang terjadi pada selang waktu
tertentu akan berdistribusi poisson. Distribusi ini memiliki densitas
peluang :
t x e t
F ( x)
x
Nilai Akhir Frekuensi
1 – 34 8
Contoh 35 – 49 25
Kasus 3 50 – 64 33
Jika diketahui data 65 – 79 28
nilai akhir mata kuliah 80 – 100 6
1
2
3
4
5
Simulasi Kasus 3
Jika diketahui jumlah pemesanan
ayam goreng di sebuah restoran cepat
saji terdistribusi Poisson. Dan rata-rata
pemesanan sebesar 3 potong ayam
goreng per jam (berdasarkan
Contoh pengamatan selama 60 hari).
Kasus 4
Simulasikan jumlah pemesanan (order)
ayam goreng untuk lima orang
konsumen dengan asumsi
a = 7, m = 128, dan Z0 = 12357
32
Simulasi Kasus 4
F = e - = Lamda = rata-rata
Jumlah Order
i k Zi Ui Pk Pk < ( X = k – 1)
1
2
3
4
5
6
...
...
...
33
Next …