#No.4
set.seed(123)
data <- rnorm(100) # Membuat 100 data dari N(0,1)
data_lebih_besar_1 <- data[data > 1] # Mengambil data > 1
jumlah_data <- length(data_lebih_besar_1) # Menghitung jumlah data tersisa
print(jumlah_data)## [1] 17#No.6
set.seed(123) # Menetapkan seed untuk reproduktifitas
data <- rnorm(100, mean = 70, sd = 5) # Membuat data normal
max(data) # Menghitung nilai maksimum## [1] 80.93666#No.7
set.seed(123) # Menetapkan seed untuk reproduktifitas
data <- rnorm(100) # Membuat 100 data dari distribusi normal N(0, 1)
# Menghitung rata-rata dan standar deviasi
rata_rata <- mean(data)
sd_data <- sd(data)
# Menghitung batas atas dan bawah
batas_atas <- rata_rata + 2 * sd_data
batas_bawah <- rata_rata - 2 * sd_data
# Menghitung jumlah data di luar batas
data_di_luar_batas <- data[data < batas_bawah | data > batas_atas]
jumlah_data_di_luar_batas <- length(data_di_luar_batas)
# Menampilkan hasil
print(jumlah_data_di_luar_batas)## [1] 5#No.8
set.seed(123) # Atur seed untuk hasil yang reproduktif
x <- 1:10
y <- 2 * x + rnorm(10, 0, 1) # y = 2x + noise (N(0,1))
model <- lm(y ~ x) # Fit model regresi
summary(model) # Lihat ringkasan (termasuk estimasi slope)##
## Call:
## lm(formula = y ~ x)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.1348 -0.5624 -0.1393 0.3854 1.6814
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.5255 0.6673 0.787 0.454
## x 1.9180 0.1075 17.835 1e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9768 on 8 degrees of freedom
## Multiple R-squared: 0.9755, Adjusted R-squared: 0.9724
## F-statistic: 318.1 on 1 and 8 DF, p-value: 1e-07#No.9
set.seed(123) # Menetapkan seed untuk reproduktifitas
x <- c(5, 8, 12, 13, 15, 18, 21) # Membuat vektor x
bootstrap_median <- replicate(10000, median(sample(x, replace = TRUE))) # Melakukan bootstrap
confidence_interval <- quantile(bootstrap_median, c(0.025, 0.975)) # Menghitung interval kepercayaan 95%
print(confidence_interval) # Menampilkan interval kepercayaan## 2.5% 97.5%
## 8 18#No.11
set.seed(123) # Menetapkan seed untuk reproduktifitas
data <- runif(100, min = 20, max = 80) # Membuat 100 data dari distribusi uniform
range_data <- max(data) - min(data) # Menghitung range
print(range_data) # Menampilkan range## [1] 59.6187#No.12
set.seed(123) # Menetapkan seed untuk reproduktifitas
x <- c(5, 7, 8, 10, 12) # Membuat vektor x
bootstrap_means <- replicate(1000, mean(sample(x, replace = TRUE))) # Melakukan bootstrap
mean_of_means <- mean(bootstrap_means) # Menghitung rata-rata dari rata-rata bootstrap
print(mean_of_means) # Menampilkan rata-rata## [1] 8.3572#No.13
set.seed(123) # Menetapkan seed untuk reproduktifitas
data <- rpois(100, lambda = 4) # Membuat 100 data dari distribusi Poisson dengan lambda = 4
modus <- as.numeric(names(sort(table(data), decreasing = TRUE)[1])) # Menghitung modus
print(modus) # Menampilkan modus## [1] 2#No.14
set.seed(123) # Menetapkan seed untuk reproduktifitas
data1 <- rnorm(50, mean = 100, sd = 15) # Membuat 50 data dari N(100, 15)
data2 <- rnorm(50, mean = 80, sd = 10) # Membuat 50 data dari N(80, 10)
data_gabungan <- c(data1, data2) # Menggabungkan data
rata_rata_gabungan <- mean(data_gabungan) # Menghitung rata-rata dari data gabungan
print(rata_rata_gabungan) # Menampilkan rata-rata## [1] 90.99007#No.15
set.seed(42) # Menetapkan seed untuk reproduktifitas
x1 <- rnorm(100) # Membuat vektor x1
x2 <- x1 + rnorm(100, 0, 0.01) # Membuat vektor x2 dengan multikolinearitas tinggi
x3 <- rnorm(100) # Membuat vektor x3
y <- 3 + 2 * x1 - 1 * x3 + rnorm(100) # Membuat vektor y
model <- lm(y ~ x1 + x2 + x3) # Membuat model regresi linier
summary(model) # Menampilkan ringkasan model##
## Call:
## lm(formula = y ~ x1 + x2 + x3)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.7944 -0.5867 -0.1038 0.6188 2.3280
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.03150 0.08914 34.007 <2e-16 ***
## x1 1.17483 9.89434 0.119 0.906
## x2 0.88292 9.89031 0.089 0.929
## x3 -1.03161 0.08882 -11.614 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8867 on 96 degrees of freedom
## Multiple R-squared: 0.8927, Adjusted R-squared: 0.8893
## F-statistic: 266.2 on 3 and 96 DF, p-value: < 2.2e-16#No.16
set.seed(123) # Menetapkan seed untuk reproduktifitas
data <- rexp(100, rate = 1) # Membuat 100 data dari distribusi eksponensial dengan rate = 1
median_data <- median(data) # Menghitung median dari data
print(median_data) # Menampilkan median## [1] 0.847754#No.17
set.seed(123) # Menetapkan seed untuk reproduktifitas
hasil <- rbinom(1000, size = 10, prob = 0.3) # Melakukan simulasi
rata_rata <- mean(hasil) # Menghitung rata-rata jumlah sukses
print(rata_rata) # Menampilkan rata-rata## [1] 2.989#No.18
set.seed(123) # Menetapkan seed untuk reproduktifitas
data <- rbinom(100, size = 10, prob = 0.3) # Membuat 100 data dari distribusi binomial
rata_rata <- mean(data) # Menghitung rata-rata dari data
print(rata_rata) # Menampilkan rata-rata## [1] 3.02#No.19
set.seed(123) # Menetapkan seed untuk reproduktifitas
data <- sample(c("A", "B", "C"), 100, replace = TRUE, prob = c(0.2, 0.3, 0.5)) # Membuat data kategorik
jumlah_B <- sum(data == "B") # Menghitung jumlah kategori "B"
print(jumlah_B) # Menampilkan jumlah kategori "B"## [1] 29#No.20
set.seed(123) # Menetapkan seed untuk reproduktifitas
data <- rnorm(100, mean = 50, sd = 10) # Membuat 100 data dari distribusi normal
standar_deviasi <- sd(data) # Menghitung standar deviasi dari data
print(standar_deviasi) # Menampilkan standar deviasi## [1] 9.128159