1. Variabel Acak

klasifikasi <- data.frame(
  Variabel = c("Jumlah komentar per unggahan", "Durasi video yang ditonton (detik)"),
  Tipe = c("Diskrit", "Kontinu"),
  Alasan = c("Dapat dihitung satu per satu (0, 1, 2, ...)",
             "Dapat bernilai desimal berapa pun dalam suatu rentang")
)
kable(klasifikasi, row.names = FALSE)
Variabel Tipe Alasan
Jumlah komentar per unggahan Diskrit Dapat dihitung satu per satu (0, 1, 2, …)
Durasi video yang ditonton (detik) Kontinu Dapat bernilai desimal berapa pun dalam suatu rentang

2. Distribusi Binomial

Diketahui: n = 10 dan p = 0,25.

n <- 10
p <- 0.25

cat("P(X = 2)         =", dbinom(2, size = n, prob = p), "\n")
## P(X = 2)         = 0.2815676
cat("Rata-rata        =", n * p, "\n")
## Rata-rata        = 2.5
cat("Standar deviasi  =", sqrt(n * p * (1 - p)), "\n")
## Standar deviasi  = 1.369306

3. Distribusi Poisson

Diketahui: λ = 8 unggahan foto per menit.

lambda <- 8

cat("P(X = 5)  =", dpois(5, lambda), "\n")
## P(X = 5)  = 0.09160366
cat("P(X > 12) =", 1 - ppois(12, lambda), "\n")
## P(X > 12) = 0.0637972

4. Distribusi Normal dan Standardisasi Z

Diketahui: μ = 3 detik dan σ = 0,5 detik.

mu <- 3
sigma <- 0.5

# a) P(loading > 4 detik)
z <- (4 - mu) / sigma
cat("Nilai Z                       =", z, "\n")
## Nilai Z                       = 2
cat("P(loading > 4 detik)          =", 1 - pnorm(z), "\n")
## P(loading > 4 detik)          = 0.02275013
# b) Batas waktu 5% loading terlama
cat("Batas 5% loading terlama (detik) =", qnorm(0.95, mean = mu, sd = sigma), "\n")
## Batas 5% loading terlama (detik) = 3.822427