Metode Monte Carlo

Metode Monte Carlo adalah algoritma komputasi untuk mensimulasikan berbagai perilaku sistem fisika dan matematika. Metode Monte Carlo dapat diaplikasikan dalam berbagai bidang, mulai dari ekonomi, fisika, dan matematika. Cara mengaplikasinya berbeda dari satu bidang ke bidang lainnya, dan ada banyak sekali himpunan bagian Monte Carlo meskipun dalam satu bidang yang sama. Hal yang menyamakan semua itu adalah bahwa percobaan Monte Carlo membangkitkan bilangan acak untuk memeriksa permasalahan. Dasar dari metode ini adalah percobaan elemen kemungkinan dengan menggunakan sampel acak. Penggunaan klasik metode ini adalah untuk mengevaluasi integral definit, terutama integral multidimensi dengan syarat dan batasan yang rumit.

Simulasi Monte Carlo sering digunakan untuk melakukan analisa keputusan pada situasi yang melibatkan resiko yang melibatkan beberapa parameter untuk dilakukan pertimbangan secara simultan. Metode ini dapat digunakan secara luas karena didasarkan pada proses simulasi dengan pilihan kemungkinan secara random. Dengan demikian, jumlah iterasi yang dilakukan sangat menentukan tingkat ketelitian atas jawaban yang diperoleh. Metode ini seringkali juga disebut dengan metode percobaan statistik (the method of statistical trials).

Metode Bootstrap

Metode bootstrap adalah metode berbasis resampling data sampel dengan syarat pengembalian pada datanya dalam menyelesaikan statistik ukuran suatu sampel dengan harapan sampel tersebut mewakili data populai sebenarnya, biasanya ukuran resampling diambil secara ribuan kali agar dapat mewakili data populasinya. Metode ini bagus sekali untuk ukuran data sampel yang relatif kecil{ dalam bukunya Walpole data kecil yaitu n<30}.

Teknik bootstrap merupakan suatu metode resampling untuk memperkirakan distribusi probabilitas suatu statistik. Bootstrap diperkenalkan oleh Bradley Efron pada tahun 1979. Istilah bootstrap berasal dari ”pull oneself up by one’s bootstrap”, yang berarti berpijak diatas kaki sendiri, berusaha dengan sumber daya minimal. Dalam sudut pandang statistika, sumber daya minimal adalah data yang sedikit, data yang menyimpang dari asumsi tertentu, atau data yang tidak mempunyai asumsi apapun tentang distribusi populasinya. Teknik ini mampu menciptakan ukuran-ukuran dari ketakpastian dan bias, khususnya pada estimasi parameter dari variabel-variabel yang independen dan berdistribusi identik.