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
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