Menghasilkan peubah acak diskret

Simulasi Monte Carlo di Python

Izzy Weber

Curriculum Manager, DataCamp

Impor yang diperlukan

import scipy.stats as st

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

Sebaran uniform diskret

Fungsi massa peluang (PMF) teoretis: Fungsi massa peluang teoretis untuk sebaran uniform diskret

Sampling dari sebaran uniform diskret

low = 3 
high = 21
samples = st.randint.rvs(low, high, size=1000)
samples_dict = {"nums":samples}
sns.histplot(x="nums", data=samples_dict, bins=6, binwidth=0.3)

grafik sampel dari sebaran uniform diskret

Sebaran geometrik

Distribusi peluang jumlah percobaan, $X$, hingga sukses pertama, dengan peluang sukses $p$.

Fungsi massa peluang, p = 0.5 Fungsi massa peluang teoretis untuk sebaran geometrik dengan p = 0.5

Sebaran geometrik

Fungsi massa peluang, p = 0.3 Fungsi massa peluang teoretis untuk sebaran geometrik dengan p = 0.3

Sampling dari sebaran geometrik

p = 0.2
samples = st.geom.rvs(p, size=1000)
samples_dict = {"nums":samples}
sns.histplot(x="nums", data=samples_dict)

grafik sampel dari sebaran geometrik

Lebih banyak sebaran probabilitas diskret

Poisson (scipy.stats.poisson)
- Probabilitas jumlah kejadian dalam interval waktu/ruang tetap
Binomial (scipy.stats.binom)
- Probabilitas jumlah sukses dalam $n$ percobaan independen
Dan lainnya!

¹ https://docs.scipy.org/doc/scipy/reference/stats.html#discrete-distributions

Ayo berlatih!

Simulasi Monte Carlo di Python