Pembangkit Random Variate

Slides:



Advertisements
Presentasi serupa
DISTRIBUSI MULTIVARIAT
Advertisements

EKSPEKTASI DAN VARIANSI
SIMULASI MONTE CARLO.
Metode Statistika (STK211)
Bab 4. Variabel Acak dan Distribusi Probabilitas
TRANSFORMASI RANDOM VARIABEL
BAB 10 DISTRIBUSI TEORITIS
Pendahuluan Landasan Teori.
DISTRIBUSI PELUANG.
BY MUH.YUSAN NAIM. BAB II DISTRIBUSI BINOMIAL DIGUNAKAN UNTUK MENYELESAIKAN PERSOALAN-PERSOALAN PROBABILITAS VARIABEL RANDOM YANG BERSIFAT BINOMIAL ATAU.
Distribusi Probabilitas
DISTRIBUSI PROBABILITAS MARGINAL & BERSYARAT
VARIABEL RANDOM.
DISTRIBUSI TEORETIS.
Distribusi Probabilitas Kontinu()
TRANSFORMASI VARIABEL RANDOM DISKRIT
Oleh : FITRI UTAMININGRUM, ST, MT
BAB VII Simulasi Monte Carlo.
BAB VII Simulasi Monte Carlo.
Fungsi distribusi dari Y adalah : G(y)=Pr(Y≤y)=Pr(u(X ≤y)=Pr(X≤w(y))=
Konsep Dasar Probabilitas
Pembangkit Random Number. Definisi _1 (i). Himp. Semua hasil yang mungkin dari suatu eksperimen dan dinyatakan dengan S. (i). Himp. Semua hasil yang mungkin.
BAB IV PEMBANGKIT RANDOM VARIATE
PEMBANGKIT RANDOM NUMBER
OFC-11: Pengertian Random Number
Pembangkit Random Number
PROBABILITY DAN JOINT DENSITY FUNCTION
RANDOM VARIATE DISTRIBUSI DISKRIT
F2F-7: Analisis teori simulasi
BAB VI Metode Rejection.
BAB IV PEMBANGKIT RANDOM VARIATE
Random variate Distribusi Kontinu dan Diskrit
BAB 7 METODE REJECTION.
Distribusi Variabel Acak
Analisis Output Pemodelan Sistem.
Pertemuan 18 Aplikasi Simulasi
VARIABEL RANDOM VARIABEL RANDOM (VR) pada dasarnya adalah bilangan random. Misalkan kita melempar 3 koin, maka ruang sampelnya adalah: Beberapa contoh.
Metode Statistika (STK211)
BAB IV PEMBANGKIT RANDOM VARIATE
Distribusi Normal.
Random Variate Distribusi Kontinu dan Diskrit
Distribusi Probabilitas Uniform Diskrit
Fungsi Distribusi normal
Probabilitas dan Statistika
Simulasi Monte Carlo.
RNG ‘n Teori Game Pertemuan 4 MOSI T.Informatika Ganjil 2008/2009
SIMULATION (STATISTICAL INSIDE).
DISTRIBUSI PROBABILITAS TEORITIS
Probabilitas & Distribusi Probabilitas
DISUSUN OLEH : IPHOV KUMALA SRIWANA
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1
DISTRIBUSI VARIABEL RANDOM “DISKRIT” KHUSUS “ Bernoulli ” PMtk III B
Simulasi Monte Carlo Pertemuan 5 MOSI T.Informatika Ganjil 2008/2009
Pembangkit Random Number
Random Variable (Peubah Acak)
DISTRIBUSI PROBABILITAS DISKRET
Bagian 5 – DISTRIBUSI KONTINYU Laboratorium Sistem Produksi 2004
PEMBANGKIT RANDOM VARIATE
PEMBANGKIT RANDOM NUMBER
DISTRIBUSI PROBABILITAS TEORITIS
RNG MUHAMMAD YUSUF Teknik Informatika – Universitas Trunojoyo
HARGA HARAPAN.
PEUBAH ACAK & DISTRIBUSI PELUANG. PENGERTIAN PEUBAH ACAK STATISTIKA  Penarikan kesimpulan tentang (karakteristik dan sifat) populasi. Contoh : Pemeriksaan.
Teknik Simulasi Bilangan Random oleh Veni Wedyawati, S.Kom, M. Kom
BAB 10 DISTRIBUSI PROBABILITAS Pada berbagai peristiwa dalam probabilitas jika frekuensi percobaannya banyak, maka untuk peristiwa yang bersifat independent.
HARGA HARAPAN.
DISTRIBUSI PROBABILITAS TEORITIS
Random Variate Distribusi Kontinu dan Diskrit
Metode Statistika (STK211)
Pembangkitan Peubah Acak Kontinyu I
Transcript presentasi:

Pembangkit Random Variate BAB IV Pembangkit Random Variate

DEFINISI : Suatu random variate diartikan sebagai nilai suatu nilai random variabel yang mempunyai distribusi tertentu. Salah satu teknik untuk membangkitkan random variate yaitu Inverse Transformation Method (Metode Invers Transformasi). Inverse Transformation Method dapat dipergunakan untuk membangkitkan random variate baik dari data distribusi yang aktual terjadi maupun melalui berbagai teori distribusi probabilitas.

CDF (Cumulative Distribution Function) CDF Diskrit F(x) = P[X ≤ x] CDF Kontinu

Pembangkit Random Variate Diskret Random Variabel yang dinyatakan dengan f(x) X = demand 10 20 30 40 f(x) = P (X = x) 1/8 1/4 1/2 1/16

CDF (Cumulative Distribution Function) fungsi demand X = demand 10 20 30 40 f(x) = P(X = x) 1/8 1/4 1/2 1/16 F(x) 3/8 7/8 15/16 16/16

Hasil Random Number di Komputer Tabel simulasi dari tabel distribusi diskrit (untuk Random Number menggunakan rumus Arithmatic RN dengan Zo = 12357, a = 19, m = 128, c = 237) No. Urut Random Number Demand X F(x) Tag Number Hasil Random Number di Komputer 0.09375 0.1250 0.000 ≤ X ≤0.1250 0.6328125 10 0.3750 0.1250 < X ≤ 0.3750 20 0.8750 0.3750 < X ≤ 0.8750 0.4765 30 0.9375 0.8750 < X ≤ 0.9375 0.9065 40 0.9999 0.9375 < X ≤ 0.9999

Hasil dari kelima random number yang ditarik, angka yang terbaik adalah 20. Jadi, Demand = X = 20

F(x) 16 / 16 15 / 16 7/8 3 / 8 1 / 8 10 20 30 40

Pembangkit random Variate Kontinu

1,00 0,4965 0,0937 0,3062 0,6903 1,0

Bila ingin membangkitkan random variate untuk nilai X maka akan ditransformasikan menjadi sebagai berikut : F(X) = X2, misalkan F(X) = R R = X2 X =

SIMULASI PADA PERMAINAN Pelemparan Mata Uang Pelemparan Dadu

a. Pelemparan Mata Uang Akan ditentukan mata dadu mana yg akan sering muncul (muka atau belakang) dari n kali pelemparan menggunakan random number. Adapun langkahnya kita hanya membuat tag number dari dist. Prob.nya. Ilustrasinya sebagai berikut:

b. Pelemparan Dadu Tidak berbeda dgn pelemparan mata uang, dimana langkahnya ad/ dg membuat tag number dari distribusi probnya kemudian tentukan RN, setelah itu RN yg diperoleh di analisis terhadap tag numbernya.