PROYEK AKHIR

METODE RESAMPLING

Disusun oleh:
Fayyadh Ghaly (21337036)

Dosen Pengampu :
Dodi Vionanda, M. Si., Ph.D.

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI PADANG
2023
Proyek 1
Bangkitlah dua gugus data dengan menggunakan rscipt berikut:
set.seed(1)
data.1 = rnorm(100,5,2)
set.seed(1)
data.2 = rnorm(10000,5,2)

Untuk kedua gugus data di atas lakukanlah pendugaan selang kepercayaan 95% untuk rataan
dan median dengan:
1. menggunakan 100 sampel bootstrap

2. menggunakan 500 sampel boostrap

3. menggunakan 1000 sampel boostrap

 Huruf a dan b menunjukkan data yang digunakan, a untuk data.1 dan b untuk data.2.
Sedangkan angkan 100, 500 dan 1000 menunjukkan jumlah sampel bootstrap. Berdasarkan
simulasi di atas, kita dapat melihat dari 2 sudut pandang, yaitu berdasarkan jumlah amatan
pada data awal dan berdasarkan pada jumlah sampel bootstrap yang digunakan.
Pertama, kita lihat berdasarkan jumlah amatan pada data awal, yaitu 100(a) dan
10000(b). Dari kasus di atas, data.2 yang memiliki 10000 amatan menghasilkan penduga
selang kepercayaan yang lebih kecil dibandingkan data.1 dengan hanya 100 amatan, baik
untuk rataan maupun median. Hal ini menunjukkan bahwa amatan yang lebih besar akan
menghasilkan penduga yang lebih kecil.
Selanjutnya kita lihat berdasarkan jumlah sampel bootstrap yang digunakan, 100, 500
dan 1000. Berdasarkan kasus di ats, ketika jumlah sampel bootstrap yang digunakan lebih
besar maka selang kepercayaan yang dihasilkan akan semakin kecil. Meskipun interval
penduga selangnya semakin kecil, namun batas selang yang dihasilkan tidak konsiten,
misalkan pada batas atas rataan yang dihasilkan oleh bootstrap 1000 adalah sebesar 5.578465,
batas atas bootstrap 500 sebesar 5.581231 dan batas atas bootstrap 100 sebesar 5.513991.
Dari penjelasan di atas, dapat disimpulkan bahwa jumlah amatan pada data dan
jumlah sampel bootstrap yang digunakan akan mempengaruhi penduga selang kepercayaan,
baik untuk rataan ataupun median. Semakin besar amatan pada data maka penduga selang
kepercayaan akan semakin kecil. Begitupun dengan jumlah sampel bootstrap, penggunaan
jumlah sampel yang lebih besar akan menghasilkan penduga selang kepercayaan yang
semakin kecil.
Untuk data 100
#membangkitkan data
set.seed(1)
data.1 = rnorm(100,5,2)
data.2 = rnorm(10000,5,2)

#membuat sampel bootstraps untuk data = 100

B.a.100 <- 100
rataan.boot.a.100 <- c()
median.boot.a.100 <- c()
for (i in 1:B.a.100){
set.seed(i)
boot.data.a.100 <- sample(data.1,length(data.1), replace = TRUE)
rataan.boot.a.100[i] <- mean(boot.data.a.100)
median.boot.a.100[i] <- median(boot.data.a.100)
}

#mengurutkan nilai
urut.rataan.a.100 <- sort(rataan.boot.a.100)
urut.median.a.100 <- sort(median.boot.a.100)
#membuat selang kepercayaan
ci.rataan.a.100 <- quantile(urut.rataan.a.100, c(0.025,0.975))
ci.rataan.a.100
ci.median.a.100 <- quantile(urut.median.a.100, c(0.025,0.975))
ci.median.a.100

#membuat sampel botstrap untuk data = 1000

B.b.100 <- 100
rataan.boot.b.100 <- c()
median.boot.b.100 <- c()
for (i in 1:B.b.100){
set.seed(i)
boot.data.b.100 <- sample(data.2,length(data.2), replace = TRUE)
rataan.boot.b.100[i] <- mean(boot.data.b.100)
median.boot.b.100[i] <- median(boot.data.b.100)
}

#mengurutkan nilai
urut.rataan.b.100 <- sort(rataan.boot.b.100)
urut.median.b.100 <- sort(median.boot.b.100)

#membuat selang kepercayaan

ci.rataan.b.100 <- quantile(urut.rataan.b.100, c(0.025,0.975))
ci.rataan.b.100
ci.median.b.100 <- quantile(urut.median.b.100, c(0.025,0.975))
ci.median.b.100

Untuk data 500

#membangkitkan data
set.seed(1)
data.1 = rnorm(100,5,2)
set.seed(1)
data.2 = rnorm(10000,5,2)

#membuat sampel bootstraps untuk data = 100

B.a.500 <- 500
rataan.boot.a.500 <- c()
median.boot.a.500 <- c()
for (i in 1:B.a.500){
set.seed(i)
boot.data.a.500 <- sample(data.1,length(data.1), replace = TRUE)
rataan.boot.a.500[i] <- mean(boot.data.a.500)
median.boot.a.500[i] <- median(boot.data.a.500)
}

#mengurutkan nilai
urut.rataan.a.500 <- sort(rataan.boot.a.500)
urut.median.a.500 <- sort(median.boot.a.500)

#membuat selang kepercayaan

ci.rataan.a.500 <- quantile(urut.rataan.a.500, c(0.025,0.975))
ci.rataan.a.500
ci.median.a.500 <- quantile(urut.median.a.500, c(0.025,0.975))
ci.median.a.500

#membuat sampel botstrap untuk data = 1000

B.b.500 <- 500
rataan.boot.b.500 <- c()
median.boot.b.500 <- c()
for (i in 1:B.b.500){
 set.seed(i)
boot.data.b.500 <- sample(data.2,length(data.2), replace = TRUE)
print(boot.data.b.500)
rataan.boot.b.500[i] <- mean(boot.data.b.500)
median.boot.b.500[i] <- median(boot.data.b.500)
}

#mengurutkan nilai
urut.rataan.b.500 <- sort(rataan.boot.b.500)
urut.median.b.500 <- sort(median.boot.b.500)

#membuat selang kepercayaan

ci.rataan.b.500 <- quantile(urut.rataan.b.500, c(0.025,0.975))
ci.rataan.b.500
ci.median.b.500 <- quantile(urut.median.b.500, c(0.025,0.975))
ci.median.b.500

Untuk data 1000

#membangkitkan data
set.seed(1)
data.1 = rnorm(100,5,2)
set.seed(1)
data.2 = rnorm(10000,5,2)

#membuat sampel bootstraps untuk data = 1000

B.a.1000 <- 1000
rataan.boot.a.1000 <- c()
median.boot.a.1000 <- c()
for (i in 1:B.a.1000){
set.seed(i)
boot.data.a.1000 <- sample(data.1,length(data.1), replace = TRUE)
rataan.boot.a.1000[i] <- mean(boot.data.a.1000)
median.boot.a.1000[i] <- median(boot.data.a.1000)
}

#mengurutkan nilai
urut.rataan.a.1000 <- sort(rataan.boot.a.1000)
urut.median.a.1000 <- sort(median.boot.a.1000)

#membuat selang kepercayaan

ci.rataan.a.1000 <- quantile(urut.rataan.a.1000, c(0.025,0.975))
ci.rataan.a.1000
ci.median.a.1000 <- quantile(urut.median.a.1000, c(0.025,0.975))
ci.median.a.1000

#membuat sampel botstrap untuk data = 1000

B.b.1000 <- 1000
rataan.boot.b.1000 <- c()
median.boot.b.1000 <- c()
for (i in 1:B.b.1000){
set.seed(i)
boot.data.b.1000 <- sample(data.2,length(data.2), replace = TRUE)
rataan.boot.b.1000[i] <- mean(boot.data.b.1000)
median.boot.b.1000[i] <- median(boot.data.b.1000)
}

#mengurutkan nilai
urut.rataan.b.1000 <- sort(rataan.boot.b.1000)
urut.median.b.1000 <- sort(median.boot.b.1000)
#membuat selang kepercayaan
ci.rataan.b.1000 <- quantile(urut.rataan.b.1000, c(0.025,0.975))
ci.rataan.b.1000
ci.median.b.1000 <- quantile(urut.median.b.1000, c(0.025,0.975))
ci.median.b.1000