Membuat Simulasi Variabel Random

#Simulasi untuk Distribusi Poisson

set.seed(1)
n = 100
lambda = 3
poisson_data = rpois(n, lambda)
#Membuat Plot
boxplot(poisson_data,
        main = "Boxplot Distribusi Poisson",
        xlab = "Jumlah Kejadian",
        col = "skyblue")

#Simulasi Data Kontinu (Distribusi Normal)

set.seed(2)
n = 500
mu = 50
sigma = 20
normal_data = rnorm(n, mean = mu, sd = sigma)

hist(normal_data,
     breaks = 30,
     main = "Histogram Distribusi Normal",
     xlab = "Nilai",
     col = "darkred")

#Contoh Kasus

# Mengatur seed agar hasil simulasi bisa direproduksi
set.seed(42)
n_jam = 100
lambda_kedatangan = 30

# Menghasilkan data random Poisson
kedatangan_pelanggan = rpois(n_jam, lambda_kedatangan)
kedatangan_pelanggan

##   [1] 37 26 30 23 29 38 29 41 29 37 42 22 37 35 34 32 35 25 28 20 39 31 31 27 20
##  [26] 24 32 33 35 26 26 25 33 28 46 34 26 41 33 31 25 39 33 14 33 30 36 28 31 28
##  [51] 39 33 31 38 31 23 24 34 34 38 24 34 32 25 32 30 25 29 23 28 29 23 34 37 27
##  [76] 33 34 26 23 42 36 35 24 29 26 27 35 27 29 30 27 25 27 18 22 28 30 25 24 38

#Rata-rata kedatangan pelanggan
mean_Kedatangan = mean(kedatangan_pelanggan)
cat("Rata-rata jumlah kedatangan pelanggan:", mean_Kedatangan, "\n")

## Rata-rata jumlah kedatangan pelanggan: 30.24

prob_kedatangan = sum(kedatangan_pelanggan > 35) / n_jam
cat("Probabilitas jumlah kedatangan pelanggan > 35 dalam 1 jam:", prob_kedatangan, "\n")

## Probabilitas jumlah kedatangan pelanggan > 35 dalam 1 jam: 0.18

• Simulasi ini memodelkan tentang kedatangan pelanggan ke suatu kafe dengan distribusi Poisson

• Rata-rata kedatangan pelanggan perjam sekitar 30 pelanggan perjam.

• Probabilitas kedatangan pelanggan di atas 35 pelanggan dalam 1 jam adalah 0,18.