simulasi ini mengevaluasi pengaruh ukuran sampel (n), variabilitas data (SD), dan tingkat pengetahuan parameter populasi terhadap lebar rentang Interval Kepercayaan (CI) 95%. Berdasarkan pengujian tiga skenario mandiri, diperoleh kesimpulan bahwa peningkatan ukuran sampel secara konsisten mempersempit lebar interval sehingga meningkatkan presisi estimasi. Sebaliknya, peningkatan variabilitas data (standar deviasi) memperlebar interval akibat meningkatnya ketidakpastian dalam populasi. Terakhir, kondisi di mana standar deviasi populasi tidak diketahui (menggunakan distribusi t) menghasilkan rentang interval yang lebih lebar dibandingkan dengan kondisi standar deviasi diketahui (menggunakan distribusi Z), guna mengompensasi bias ketidakpastian tambahan, terutama pada ukuran sampel yang kecil (n = 5).

Simulasi ini menerapkan metode Bootstrap untuk menganalisis karakteristik statistik dari suatu populasi buatan yang berdistribusi normal. Melalui proses penarikan sampel acak dengan pengembalian (resampling with replacement) sebanyak 50 kali pengulangan, nilai rata-rata dari setiap sampel dihitung dan disimpan untuk dievaluasi penyebarannya melalui visualisasi histogram. Hasil visualisasi tersebut menunjukkan bahwa distribusi rata-rata sampel bootstrap memusat secara sempit di sekitar nilai parameter asli populasi dibandingkan dengan sebaran data aslinya, yang secara empiris membuktikan bekerjanya Teorema Limit Pusat dan konsistensi metode Bootstrap dalam mengestimasi parameter populasi.

Simulasi Variabel Random ini bertujuan untuk membuktikan bagaimana karakteristik data acak yang dihasilkan oleh dua jenis distribusi peluang yang berbeda, yaitu Distribusi Bernoulli (diskret) dan Distribusi Gaussian (kontinu). Pada Distribusi Bernoulli, digunakan untuk memodelkan kejadian yang hasilnya hanya memiliki dua kemungkinan, yaitu sukses (1) atau gagal (0). Karena sifatnya diskret, histogramnya cuma akan memunculkan dua batang tegak pada angka 0 dan 1. Sedangkan pada Distribusi Gaussian, digunakan untuk memodelkan variabel kontinu yang nilainya menyebar secara simetris di sekitar rata-rata (mean). Hasil histogram dengan 30 breaks tersebut akan membentuk kurva mirip lonceng (bell-shaped curve) khas distribusi normal.

Simulasi Monte Carlo digunakan untuk memprediksi hasil atau perilaku suatu sistem di masa depan yang penuh ketidakpastian dengan cara membangkitkan angka acak berulang-ulang berdasarkan data probabilitas maasa lalu. Dokumen ini berisikan simulasi untuk memodelkan jumlah permintaan barang guna melihat rata-rata perkiraan permintaan dalam jangka waktu tertentu, mulai dari 5 hari sampai 1000 hari ke depan.

Dokumen ini membahas dasar penggunaan perangkat lunak R dalam pengolahan dan manipulasi data. Pembahasan meliputi pembuatan dan eksplorasi struktur data seperti vector, list, dan data frame, serta teknik pemanggilan elemen data dan penanganan nilai hilang (missing value). Analisis disertai dengan penerapan langsung menggunakan R untuk memperkuat pemahaman konsep dasar analisis data.