#1.

# Simulasi Distribusi Poisson (Diskrit)
set.seed(84)

n_simulasi <- 2044
lambda_kejadian <- 2

poisson_data <- rpois(n_simulasi, lambda = lambda_kejadian)
summary(poisson_data)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   1.000   2.000   2.039   3.000  10.000
#Histogram
hist(poisson_data, breaks = 30,
     main = "Histogram Distribusi Poisson",
     xlab = "Jumlah Kejadian",
     col = "deepskyblue4")

#Simulasi Distribusi Eksponensial (Kontinu)

set.seed(177)
simulasi2 <- 1549
rate_waktu <- 1

eks_data <- rexp(simulasi2, rate = rate_waktu)
summary(eks_data)
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## 0.000683 0.272643 0.696522 1.003414 1.402950 8.874779
#Histogram
hist(eks_data, breaks = 30,
     main = "Histogram Distribusi Eksponensial (Kontinu)",
     xlab = "Waktu",
     col = "darkslateblue")

#2. SIMULASI BERAT TOMAT MENGGUNAKAN DISTRIBUSI NORMAL Parameter Simulasi - Rata-rata: 125 gram - Standar deviasi: 8 gram - Jumlah sampel: 1000 buah

# Simulasi Data
set.seed(98)

n_tomat <- 1000
mean_berat <- 125
sd_berat <- 8

data_tomat <- rnorm(n_tomat, mean = mean_berat, sd = sd_berat)
summary(data_tomat)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   99.55  119.77  124.97  124.87  130.09  154.07
# Histogram
hist(data_tomat, breaks = 30,
     main = "Histogram Distribusi Berat Tomat",
     xlab = "Berat (gram)",
     col = "darkred")

- Hasil simulasi menunjukkan bahwa data simulasi memiliki rata-rata yang hampir sama dengan rata-rata yang diberikan. - Nilai Mean (124.87) dan Median (124.97) sangat berdekatan, menunjukkan bahwa data memiliki ditribusi normal. - Rentang data berada di 99.55 hingga 154.07.