Professional Documents
Culture Documents
PRAKTIKUM KE : 01
MATA KULIAH : SIMULASI KOMPUTER
SKS : 3 SKS
STATUS MK : WAJIB
DOSEN PENGAMPUH : MUHAMMAD KASIM AIDID, S.Si., M.Si.
PROGRAM STUDI : STATISTIKA
OLEH :
LABORATORIUM STATISTIKA
MARET, 2018
1
Judul : Membangkitkan Data dari N(0,1) dengan Tranformasi Box-Muller
PENDAHULUAN
Perangkat lunak sebagai media pembelajaran telah menjadi sebuah tren dikalangan
masyarakat. Perangkat lunak (Software) merupakan istilah yang dgunakan untuk
menggambarkan intruksi-intruksi yang memberitahu perangkat keras untuk
melakukan suatu tugas sesuai perintah. Perangkat lunak kemudian menjadi salah
satu pendukung untuk media pembelajaran seperti simulasi Komputer (Yuniar
Rahmah, Desember, 2016).
Banyak Percobaan simulasi memerlukan sampel acak dari distribusi tidak seragam,
seperti distribusi normal, eksponensial, beta, gamma, chi-square, log-normal,
Cauchy, dan Weibull. Dapat dibuktikan bahwa sampel-sampel dari distribusi
sembarang dapat dibangkitkan dengan menggunakan bilangan-bilangan acak
2
terdistribusi seragam dalam interval (0,1). Kenyataannya, sampai saat ini tidak ada
metode praktis yang cepat dalam pembangkitan sampel sampe-sampel dari suatu
distribusi sembarang, kecuali melalui bilangan-bilangan acak terdistribusi seragam.
Terdapat banyak teknik khusus untuk mengkonversi bilangan-bilangan acak
terdistribusi seragam ke dalam berbagai distribusi lain.
Semua transformasi di atas pada dasarnya telah dibahas pada matakuliah Statistika
Matematika. Satu metode yang lazim digunakan untuk membangkitkan sampel
acak dari distribusi normal standar adalah dengan menggunakan hubungan berikut,
yang disebut dengan Transformasi Box-Muller.
3
Z2 = √(−2 ln U2 sin(2πU2)
Tujuan dari praktikum ini adalah untuk memahami dan mengingat kembali jenis-
jenis transformasi peubah acak serta dapat menggunakannya dalam simulasi,
khususnya dalam membangkitkan sampel dari peubah acak dengan distribusi
tertentu.
HASIL
b) 𝑍2 = √(−2 𝑙𝑛 𝑈2 sin(2𝜋𝑈2)
u1<-runif(n,0,1)
u2<-runif(n,0,1)
4
z1<-sqrt(-2*log(u1))*cos(2*pi*u2)
z2<-sqrt(-2*log(u1))*sin(2*pi*u2)
z<-c(z1,z2)
x<-seq(min(z),max(z),0.1)
y<-dnorm(x,0,1)
lines(x,y)
> u2<-runif(50,0,1)
> u2
> z1<-sqrt(-2*log(u1))*cos(2*pi*u2)
> z1
> z2<-sqrt(-2*log(u1))*sin(2*pi*u2)
> z2
> z<-c(z1,z2)
> z
> plot(density(z),xlab = 'x',ylab = 'p')
> x<-seq(min(z),max(z),0.1)
> x
> y<-dnorm(x,0,1)
> y
> lines(x,y)
5
> nortest::ad.test(z)
> nortest::cvm.test(z)
> nortest::lillie.test(z)
2. Percobaan kedua
> #program inti untuk membangkitkan 2*50 data normal standa
r
> u1<-runif(50,0,1)
> u1
> u2<-runif(50,0,1)
> u2
> z1<-sqrt(-2*log(u1))*cos(2*pi*u2)
> z1
> z2<-sqrt(-2*log(u1))*sin(2*pi*u2)
> z2
> z<-c(z1,z2)
> z
> y<-dnorm(x,0,1)
> y
> lines(x,y)
6
> nortest::cvm.test(z)
> nortest::lillie.test(z)
PEMBAHASAN
7
DAFTAR PUSTAKA