metode bootstrap

Latihan 1

# Menetapkan seed
set.seed(150)

# Membuat 1000 data berdistribusi normal
data_asli <- rnorm(1000, mean = 30, sd = 2.5)

# Menyimpan rata-rata dari 50 sampel
rata_sampel <- numeric(50)

# Mengambil sampel dan menghitung rata-ratanya
for(i in 1:50){
  sampel <- sample(data_asli, size = 100, replace = TRUE)
  rata_sampel[i] <- mean(sampel)
}

# Menampilkan hasil rata-rata sampel
rata_sampel

##  [1] 29.58649 30.12525 29.72561 29.68532 30.17665 29.99481 29.55218 30.06261
##  [9] 29.90820 30.30454 30.02140 29.75408 30.18747 29.66662 30.20242 29.96030
## [17] 29.97125 30.16690 30.13672 29.44397 29.98604 29.85408 29.40061 29.75643
## [25] 29.59990 30.02546 29.78812 30.00762 30.10077 30.37561 30.06380 29.88091
## [33] 29.65001 29.51120 30.18815 29.60349 29.51757 30.44890 29.87567 29.64721
## [41] 29.87687 29.87652 29.68353 29.71709 30.31018 29.83556 29.81679 29.93214
## [49] 29.81611 29.50694

# Rata-rata keseluruhan dari 50 rata-rata sampel
mean(rata_sampel)

## [1] 29.88572

Berdasarkan hasil simulasi, diperoleh 1000 data berdistribusi normal dengan rata-rata sekitar 30. Dari 50 kali pengambilan sampel, rata-rata setiap sampel cenderung mendekati rata-rata populasi meskipun terdapat sedikit variasi.

Latihan 2

# Menggabungkan dua histogram dalam satu tampilan
par(mfrow = c(1, 2))

# Histogram data asli
hist(data_asli,
     main = "Histogram 1000 Observasi",
     xlab = "Nilai",
     col = "skyblue",
     border = "black")

# Histogram rata-rata sampel
hist(rata_sampel,
     main = "Histogram 50 Rata-rata Sampel",
     xlab = "Rata-rata",
     col = "lightgreen",
     border = "black")

# Mengembalikan tampilan grafik seperti semula
par(mfrow = c(1,1))

Histogram data asli menunjukkan sebaran data yang mengikuti distribusi normal, sedangkan histogram rata-rata sampel lebih terpusat di sekitar nilai 30 dan memiliki penyebaran yang lebih sempit. Hal ini menunjukkan bahwa rata-rata sampel lebih stabil dibandingkan data asli.