"1a. Simulasi Distribusi Diskrit (Binomial)"
## [1] "1a. Simulasi Distribusi Diskrit (Binomial)"
set.seed(123)

n <- 10
p <- 0.7
simulasi <- rbinom(1000, size = n, prob = p)

summary(simulasi)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   2.000   6.000   7.000   7.011   8.000  10.000
hist(simulasi,
     main="Simulasi Distribusi Binomial",
     xlab="Jumlah Mahasiswa Lulus",
     col="skyblue",
     breaks=10)

"Di contoh ini, digunakan distribusi Binomial karena terdapat jumlah percobaan yang tetap (10 mahasiswa) dengan dua kemungkinan hasil yaitu lulus/tidak lulus dan peluang sukses yang konstan (0,7). Simulasi ini dilakukan sebanyak 1000 kali untuk melihat bagaimana distribusi jumlah mahasiswa yang lulus terbentuk dan membandingkannya dengan nilai harapan teoritis E(X)=np."
## [1] "Di contoh ini, digunakan distribusi Binomial karena terdapat jumlah percobaan yang tetap (10 mahasiswa) dengan dua kemungkinan hasil yaitu lulus/tidak lulus dan peluang sukses yang konstan (0,7). Simulasi ini dilakukan sebanyak 1000 kali untuk melihat bagaimana distribusi jumlah mahasiswa yang lulus terbentuk dan membandingkannya dengan nilai harapan teoritis E(X)=np."
"1b. Simulasi Distribusi Kontinu (Normal)"
## [1] "1b. Simulasi Distribusi Kontinu (Normal)"
set.seed(123)

simulasi_normal <- rnorm(1000, mean = 170, sd = 5)

summary(simulasi_normal)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   156.0   166.9   170.0   170.1   173.3   186.2
hist(simulasi_normal,
     main="Simulasi Distribusi Normal",
     xlab="Tinggi Badan (cm)",
     col="lightgreen",
     breaks=20)

curve(dnorm(x, mean=170, sd=5)*1000*5,
      col="red",
      add=TRUE)

"Pada contoh ini digunakan distribusi Normal untuk mensimulasikan tinggi badan mahasiswa dengan rata-rata 170 cm dan standar deviasi 5 cm. Simulasi ini dilakukan sebanyak 1000 data untuk menunjukkan bahwa hasil empiris akan mendekati bentuk kurva lonceng (bell curve) sesuai teori distribusi normal."
## [1] "Pada contoh ini digunakan distribusi Normal untuk mensimulasikan tinggi badan mahasiswa dengan rata-rata 170 cm dan standar deviasi 5 cm. Simulasi ini dilakukan sebanyak 1000 data untuk menunjukkan bahwa hasil empiris akan mendekati bentuk kurva lonceng (bell curve) sesuai teori distribusi normal."
"2. Studi Kasus Simulasi Variabel Random"
## [1] "2. Studi Kasus Simulasi Variabel Random"
set.seed(123)

hari <- 30
pembeli_potensial <- 50
prob_beli <- 0.4
harga <- 15000

jumlah_terjual <- rbinom(hari, size=pembeli_potensial, prob=prob_beli)

pendapatan <- jumlah_terjual * harga

summary(pendapatan)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  210000  273750  315000  313000  356250  435000
hist(pendapatan,
     main="Simulasi Pendapatan Harian",
     xlab="Pendapatan (Rp)",
     col="orange",
     breaks=10)

mean(pendapatan)
## [1] 313000
"Pada studi kasus ini diasumsikan terdapat 50 pembeli  setiap hari dengan peluang membeli sebesar 0,4. Karena jumlah percobaan tetap dan setiap pembeli memiliki peluang yang sama, maka digunakan distribusi Binomial untuk mensimulasikan jumlah produk yang terjual. Pendapatan dihitung berdasarkan jumlah produk terjual dikalikan harga per unit dan di simulasikan selama 30 hari."
## [1] "Pada studi kasus ini diasumsikan terdapat 50 pembeli  setiap hari dengan peluang membeli sebesar 0,4. Karena jumlah percobaan tetap dan setiap pembeli memiliki peluang yang sama, maka digunakan distribusi Binomial untuk mensimulasikan jumlah produk yang terjual. Pendapatan dihitung berdasarkan jumlah produk terjual dikalikan harga per unit dan di simulasikan selama 30 hari."