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.

clustering assignment

This report presents an exploratory data analysis of the SwiftKey text prediction dataset using RStudio.