1. Modelkan pendapatan bulanan dari 1000 pegawai

dengan menggunakan distribusi Normal(μ = 10.000.000, σ = 200.000).

# Set seed untuk reproduksibilitas
set.seed(123)

# Parameter distribusi
n <- 1000
mean_salary <- 10000000
sd_salary <- 200000

# Simulasi pendapatan pegawai
salaries <- rnorm(n, mean_salary, sd_salary)

# Menampilkan ringkasan data
summary(salaries)
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
##  9438045  9874335 10001842 10003226 10132920 10648208
# Plot histogram
hist(salaries, breaks = 30, col = "skyblue", main = "Distribusi Pendapatan Pegawai", xlab = "Pendapatan (Rp)")

2. Modelkan jumlah pelanggan per hari dengan distribusi Poisson

(λ = 35)

# Set seed untuk konsistensi hasil
set.seed(123)

# Parameter distribusi
lambda <- 35
days <- 30  # Misalnya selama satu bulan

# Simulasi jumlah pelanggan per hari selama 30 hari
customers <- rpois(days, lambda)

# Menampilkan ringkasan data
summary(customers)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   24.00   28.50   34.00   34.03   39.00   45.00
# Plot jumlah pelanggan harian
barplot(customers, names.arg = 1:days, col = "lightgreen", main = "Jumlah Pelanggan Harian", xlab = "Hari", ylab = "Jumlah Pelanggan")

2 Kasus tambahan dengan melibatkan distribusi variabel random

kasus 1

Waktu Antara Panggilan Masuk ke Call Center sebuah call center menerima panggilan pelanggan dengan rata-rata setiap 5 menit sekali. Distribusi waktu antar panggilan mengikuti Eksponensial(λ = 1/5) menit.

# Set seed
set.seed(123)

# Parameter distribusi eksponensial
lambda_call <- 1/5  # Rata-rata waktu antar panggilan = 5 menit

# Simulasi waktu antar kedatangan 100 panggilan
n_calls <- 100
call_interarrival_times <- rexp(n_calls, rate = lambda_call)

# Menampilkan ringkasan data
summary(call_interarrival_times)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.023   1.570   4.239   5.229   7.344  36.055
# Plot histogram
hist(call_interarrival_times, breaks = 30, col = "cyan", main = "Distribusi Waktu Antar Panggilan", xlab = "Waktu (menit)")

Kasus 2

Waktu Keberangkatan Bus di Terminal Misalkan bus di terminal berangkat dengan rata-rata setiap 15 menit sekali. Waktu antar keberangkatan bus mengikuti Distribusi Eksponensial(λ = 1/15) menit.

# Set seed
set.seed(123)

# Parameter distribusi eksponensial
lambda_bus <- 1/15  # Rata-rata waktu antar keberangkatan = 15 menit

# Simulasi waktu antar keberangkatan untuk 50 bus
n_buses <- 50
bus_departure_times <- rexp(n_buses, rate = lambda_bus)

# Menampilkan ringkasan data
summary(bus_departure_times)
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
##   0.4373   6.5245  12.6688  16.9556  20.3972 108.1651
# Plot histogram
hist(bus_departure_times, breaks = 30, col = "magenta", main = "Distribusi Waktu Antar Keberangkatan Bus", xlab = "Waktu (menit)")