1. Simulasi Diskrit Simulasi Mesin Produksi Sebuah mesin memproduksi 20 barang per hari. Probabilitas barang cacat adalah 0,1. Kita ingin mensimulasikan jumlah barang cacat selama 1000 hari.
set.seed(14)

n_sim <- 1000
size_barang <- 20
p_cacat <- 0.1

binom_sim <- rbinom(n_sim, size = size_barang, prob = p_cacat)

Histogram

hist(binom_sim,
     breaks =15,
     main = "Simulasi Distribusi Binomial",
     xlab = "Jumlah Barang Cacat",
     col = "purple")

Rata-Rata Simulasi

mean(binom_sim)
## [1] 1.951

Probabilitas lebih dari 5 barang cacat

mean(binom_sim >5)
## [1] 0.012
  1. Simulasi Distribusi Kontinu Simulasi Waktu Belajar Waktu belajar mahasiswa rata-rata 5 jam per hari dengan standar deviasi 1 jam.
set.seed(123)

n_sim <- 100
mean_jam <- 5
sd_jam <- 1

normal_sim <- rnorm(n_sim, mean = mean_jam, sd = sd_jam)

Histogram

hist(normal_sim,
     breaks = 20,
     main = "Simulasi Distribusi Normal",
     xlab = "Jam Belajar",
     col = "lightblue")

Rata-Rata Simulasi

mean(normal_sim)
## [1] 5.090406

Rata-Rata Belajar Lebih dari 7 Jam

mean(normal_sim > 7)
## [1] 0.03

#Studi Kasus: Jumlah Pengunjung Toko# Sebuah toko rata-rata dikunjungi 40 pelanggan per hari. Kita ingin mensimulasikan jumlah pelanggan selama 30 hari menggunakan distribusi Poisson.

set.seed(125)

customers <- rpois(30, lambda = 40)

customers
##  [1] 45 36 51 37 26 31 38 42 37 36 44 33 29 47 30 38 36 32 40 40 43 39 37 42 40
## [26] 55 34 48 37 38

Histogram

hist(customers,
     breaks = 20,
     main = "Simulasi Jumlah Pelanggan Toko",
     xlab = "Jumlah Pelanggan",
     col = "lightyellow")

Rata-Rata

mean(customers)
## [1] 38.7

Probabilitas Pelanggan Lebih dari 50

mean(customers > 50)
## [1] 0.06666667