Laporan ini membahas fungsi Simulasi Monte Carlo untuk memodelkan ketidakpastian data historis permintaan harian. Simulasi stokastik ini dieksekusi secara komparatif dengan melakukan replikasi sampel jangka panjang yang masif, yaitu sebesar 1.000, 5.000, dan 20.000 hari pengamatan. Berdasarkan hasil pemetaan bilangan acak diskret (skala 1–100) menggunakan batas interval kumulatif, dilakukan analisis kedekatan rata-rata empiris hasil simulasi terhadap nilai ekspektasi teoretisnya sebesar 70.00. Hasil pengujian menunjukkan bahwa peningkatan jumlah replikasi simulasi secara signifikan mereduksi fluktuasi error acak dan meningkatkan kestabilan estimasi. Fenomena konvergensi ini secara empiris membuktikan berlakunya Hukum Bilangan Besar (Law of Large Numbers), sekaligus menegaskan keandalan metode Monte Carlo dalam membantu perencanaan inventori dan pengambilan keputusan berbasis risiko operasional.

Laporan ini membahas penerapan metode simulasi untuk mempelajari ketidakpastian estimasi dan selang kepercayaan (interval kepercayaan) 95%. Simulasi dilakukan secara dinamis untuk mengevaluasi pengaruh tiga faktor utama terhadap lebar interval, yaitu ukuran sampel (n), variabilitas data melalui nilai standar deviasi (SD), serta tingkat pengetahuan standar deviasi populasi (kondisi sigma diketahui menggunakan distribusi z dan sigma tidak diketahui menggunakan distribusi t). Pada bagian hasil simulasi, kombinasi seluruh parameter dianalisis secara komparatif melalui pendekatan tabel ringkasan dan visualisasi grafik menggunakan library ggplot2. Hasil praktikum menunjukkan bahwa ukuran sampel yang lebih besar mempersempit rentang estimasi, sedangkan variabilitas data yang tinggi memperlebar rentang tersebut. Selain itu, penggunaan distribusi t terbukti mengompensasi ketidakpastian tambahan pada sampel kecil sebelum akhirnya konvergen dengan distribusi z saat ukuran sampel membesar. Pendekatan simulasi ini memberikan pemahaman mendalam mengenai presisi estimasi parameter populasi dalam statistika inferensial.

Laporan ini membahas penerapan simulasi variabel acak pada bahasa pemrograman R menggunakan beberapa jenis distribusi probabilitas. Pada bagian pertama dilakukan simulasi distribusi diskrit menggunakan distribusi Poisson untuk memodelkan jumlah kejadian dalam suatu interval tertentu. Selanjutnya dilakukan simulasi distribusi kontinu menggunakan distribusi Normal untuk menggambarkan data yang bersifat kontinu dengan karakteristik kurva lonceng yang simetris. Pada bagian studi kasus, simulasi digunakan untuk memodelkan jumlah kecelakaan di Tol Cipali per bulan selama dua tahun dengan asumsi rata-rata kejadian tertentu menggunakan distribusi Poisson. Hasil simulasi kemudian dianalisis dengan menghitung rata-rata, probabilitas kejadian tertentu, serta ringkasan statistik deskriptif dari data yang dihasilkan. Pendekatan ini menunjukkan bagaimana simulasi dalam R dapat digunakan untuk memahami perilaku variabel acak dan membantu analisis fenomena yang bersifat probabilistik.

Laporan ini membahas dasar struktur data pada bahasa pemrograman R melalui empat poin eksperimen utama. Pertama, dilakukan analisis terhadap sifat homogen pada vektor, di mana R melakukan coercion atau pemaksaan tipe data menjadi karakter ketika terdapat elemen teks di dalamnya. Hal ini berbeda dengan List yang bersifat heterogen, sehingga mampu mempertahankan tipe data asli dari setiap elemennya tanpa adanya perubahan paksa. Perbedaan mendasar ini krusial untuk dipahami agar kita tidak salah dalam memilih wadah penyimpanan data sesuai dengan kebutuhan analisis. Kedua, laporan ini mengeksplorasi manipulasi Data Frame sebagai struktur data tabular yang menyerupai tabel Excel. Teknik pemanggilan data atau indexing dilakukan dengan prinsip koordinat [Baris, Kolom] di dalam square brackets, di mana posisi koma menjadi penentu dimensi mana yang ingin diakses. Eksperimen ini juga mencakup identifikasi missing value atau data kosong menggunakan fungsi is.na(). Fungsi ini sangat penting dalam tahap data cleaning karena memungkinkan kita mendeteksi letak nilai NA secara akurat melalui output boolean (TRUE/FALSE) sebelum data tersebut diproses lebih lanjut dalam analisis statistik.