1. Simulasi Distribusi Diskrit dan Kontinu Dalam statistik, simulasi sering dilakukan dengan membangkitkan bilangan acak (random variable generation). A. Distribusi Diskrit (Binomial)Distribusi ini memodelkan jumlah keberhasilan dalam n percobaan.
# Simulasi 1000 data random binomial
set.seed(123) # Agar hasil tetap sama saat dijalankan ulang
n <- 10
p <- 0.5
data_diskrit <- rbinom(1000, size = n, prob = p)

# Visualisasi dengan Barplot
counts <- table(data_diskrit)
barplot(counts, main="Simulasi Distribusi Binomial (n=10, p=0.5)",
        xlab="Jumlah Sukses", ylab="Frekuensi", col="skyblue")

B. Distribusi Kontinu (Normal) Distribusi ini berbentuk lonceng simetris yang sering ditemukan di alam. - Parameter: μ=0 (rata-rata), σ=1 (standar deviasi).

# Simulasi 1000 data random normal
mu <- 0
sigma <- 1
data_kontinu <- rnorm(1000, mean = mu, sd = sigma)

# Visualisasi dengan Histogram dan Garis Densitas
hist(data_kontinu, breaks=30, prob=TRUE, main="Simulasi Distribusi Normal",
     xlab="Nilai", col="lightgreen", border="white")
lines(density(data_kontinu), col="darkgreen", lwd=2)

2. Buat studi kasus sendiri yang melibatkan simulasi visualisasi variabel random dari distribusi yang telah dipelajari.

Analisis Kualitas Produksi Baterai di Pabrik “Volt-Tech” Skenario: Sebuah pabrik baterai ingin memprediksi dua hal:

Jumlah Baterai Cacat (Diskrit - Distribusi Poisson): Berdasarkan data historis, rata-rata ditemukan 2 baterai cacat setiap 1 jam produksi.

Daya Tahan Baterai (Kontinu - Distribusi Eksponensial): Rata-rata baterai bertahan selama 500 jam sebelum mulai drop secara signifikan.

# 1. Simulasi Jumlah Cacat per Jam selama 100 jam produksi
rata_cacat <- 2
simulasi_cacat <- rpois(100, lambda = rata_cacat)

# 2. Simulasi Daya Tahan 100 unit Baterai (dalam jam)
# Rate = 1/Mean
rata_tahan <- 500
simulasi_daya <- rexp(100, rate = 1/rata_tahan)

# Tampilkan Statistik Ringkasan
cat("--- Statistik Simulasi Volt-Tech ---\n")
## --- Statistik Simulasi Volt-Tech ---
cat("Rata-rata cacat per jam (simulasi):", mean(simulasi_cacat), "\n")
## Rata-rata cacat per jam (simulasi): 2.09
cat("Persentase baterai bertahan > 700 jam:", mean(simulasi_daya > 700) * 100, "%\n")
## Persentase baterai bertahan > 700 jam: 26 %
# Visualisasi Sederhana
par(mfrow=c(1,2)) # Membagi layar grafik jadi 2
hist(simulasi_cacat, main="Cacat per Jam", col="salmon")
hist(simulasi_daya, main="Daya Tahan (Jam)", col="gold")

Pabrik dapat menggunakan simulasi ini untuk manajemen risiko. Misalnya, jika simulasi menunjukkan bahwa 25% baterai mati sebelum 700 jam, mereka mungkin perlu mengevaluasi bahan baku atau proses kontrol kualitas.