Simulasi Monte Carlo PDF
Simulasi Monte Carlo PDF
Tugas ini disusun untuk memenuhi tugas dari mata kuliah Desain Riset
Dosen Pengampu :
Achmad Bachrudin, Drs., MS.
Disusun Oleh
Anis Khoirunnisa 140610160001
Altriani Efendi 140610160039
Eva Noer Cholis R 140610160041
Putri Elizabet 140610160089
Ganjar Wijaya 140610160092
Kelompok 6
Desain Riset
Kelas A dan Kelas B
Dengan menyebut nama Allah SWT yang Maha Pengasih lagi Maha
Panyayang, penulis panjatkan puji syukur atas kehadirat-Nya, yang telah
melimpahkan rahmat, hidayah, dan inayah-Nya sehingga penulis dapat
menyelesaikan makalah tugas mata kuliah Desain Riset mengenai Simulasi
Monte Carlo.
Adapun makalah ini telah penulis usahakan semaksimal mungkin dan
tentunya dengan bantuan dari berbagai pihak sehingga dapat memperlancar
pembuatan makalah ini. Untuk itu penulis tidak lupa menyampaikan banyak
terima kasih kepada semua pihak yang telah membantu dalam pembuatan
makalah ini.
Meski demikian, penulis meyakini masih banyak yang perlu diperbaiki dalam
penyusunan makalah ini. Sehingga sangat diharapkan kritik dan saran dari
pembaca sekalian sebagai bahan evaluasi penulis.
Demikian penulis sampaikan, semoga makalah ini dapat memberikan manfaat
bagi para pembacanya.
Penulis
i
DAFTAR ISI
ii
BAB I
PENDAHULUAN
1
critical value dari jumlah sampel dan simpangan baku yang telah ditentukan
dengan menggunakan metode simulasi Monte Carlo?
1.3 Tujuan
Tujuan dalam penelitian ini adalah untuk mendapatkan penyelesaian
penentuan empirical critical value dari jumlah sampel dan simpangan baku
yang telah ditentukan dengan menggunakan metode simulasi Monte Carlo.
2
BAB II
LANDASAN TEORI
3
menghasilkan bilangan acak dari Monte Carlo merupakan cara yang
paling baik terutama untuk suatu distribusi diskrit empiris.
4
5
BAB III
ANALISIS DAN PEMBAHASAN
3.1 Soal
Dengan hipotesis :
H0 : μ = 50
H1 : μ ≠ 50
̅
6
Dari hasil perhitungan diatas didapat empirical critical value untuk n =
30 dan = 3 adalah sebesar 0.0522 > α = 0.05 maka H0 diterima
artinya μ = 50. Dari perhitungan tersbut juga dilakukan replikasi
sebanyak 5000 kali agar diperoleh kesimpulan yang konstan.
Karena simulasi ini bersifat random maka hasilnya akan berubah-ubah
setiap kali dilakukan perhitungan (di run) tetapi nilai tersbut tidak
akan merubah hasil untuk kesimpulan hipotesisnya. Untuk itu
pembuktiannya adalah sebagai berikut :
7
Untuk n = 50
> #UNTUK n=50 dan sigma=3
> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(50, 50, 3)
+ Sy <- sqrt(var(yN) / 50)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <- qt(0.975, df = 49)
+ if(abs(tobs) > qt(0.975, df = 49))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0482
8
> #UNTUK n=50 dan sigma=3
> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(50, 50, 3)
+ Sy <- sqrt(var(yN) / 50)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <- qt(0.975, df = 49)
+ if(abs(tobs) > qt(0.975, df = 49))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0488
Untuk n = 75
> #UNTUK n=75 dan sigma=3
> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(75, 50, 3)
+ Sy <- sqrt(var(yN) / 75)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <- qt(0.975, df = 74)
+ if(abs(tobs) > qt(0.975, df = 74))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0472
9
akan merubah hasil untuk kesimpulan hipotesisnya. Untuk itu
pembuktiannya adalah sebagai berikut :
Untuk n = 100
>#UNTUK n=100 dan sigma=3
> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(100, 50, 3)
+ Sy <- sqrt(var(yN) / 100)
10
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <-qt(0.975, df = 99)
+ if(abs(tobs) > qt(0.975, df = 99))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.046
11
+ ttbl <-qt(0.975, df = 99)
+ if(abs(tobs) > qt(0.975, df = 99))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0486
12
BAB IV
KESIMPULAN
13
DAFTAR PUSTAKA
14
LAMPIRAN
Syntax Software R :
#UNTUK n=30 dan sigma=3
reject <- numeric(1)
for(i in 1:5000){
yN <- rnorm(30, 50, 3)
Sy <- sqrt(var(yN) / 30)
muY <- sum(yN) / length(yN)
tobs <- (muY - 50) / Sy
ttbl <- qt(0.975, df = 29)
if(abs(tobs) > qt(0.975, df = 29))
reject <- 1 + reject
}
reject / 5000
15
#UNTUK n=100 dan sigma=3
reject <- numeric(1)
for(i in 1:5000){
yN <- rnorm(100, 50, 3)
Sy <- sqrt(var(yN) / 100)
muY <- sum(yN) / length(yN)
tobs <- (muY - 50) / Sy
ttbl <-qt(0.975, df = 99)
if(abs(tobs) > qt(0.975, df = 99))
reject <- 1 + reject
}
reject / 5000
16