1 Newton-Raphson Tentukan akar f(x) = x³ − x − 2 dengan x0 = 1,5 dan tol 10−10. Bandingkan jumlah iterasi dengan Bisection pada [1, 2] dan dengan uniroot.
f <- function(x) sin(x)
trapezoid <- function(f, a, b, n) {
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
y <- f(x)
h * (y[1] / 2 + sum(y[-c(1, n + 1)]) + y[n + 1] / 2)
}
simpson_comp <- function(f, a, b, n) {
if (n %% 2 != 0) {
stop("n harus genap untuk metode Simpson.")
}
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
y <- f(x)
ganjil <- seq(2, n, by = 2)
genap <- if (n >= 4) seq(3, n - 1, by = 2) else integer(0)
h / 3 * (
y[1] + y[n + 1] +
4 * sum(y[ganjil]) +
2 * sum(y[genap])
)
}
nilai_eksak <- 2
n <- c(4, 8, 16, 32)
hasil_trap <- sapply(n, function(k) trapezoid(f, 0, pi, k))
hasil_simp <- sapply(n, function(k) simpson_comp(f, 0, pi, k))
galat_trap <- abs(hasil_trap - nilai_eksak)
galat_simp <- abs(hasil_simp - nilai_eksak)
rasio_trap <- c(NA, galat_trap[-length(galat_trap)] / galat_trap[-1])
rasio_simp <- c(NA, galat_simp[-length(galat_simp)] / galat_simp[-1])
data.frame(
n = n,
Trapesium = hasil_trap,
Galat_Trapesium = galat_trap,
Rasio_Galat_Trapesium = rasio_trap,
Simpson = hasil_simp,
Galat_Simpson = galat_simp,
Rasio_Galat_Simpson = rasio_simp
)
## n Trapesium Galat_Trapesium Rasio_Galat_Trapesium Simpson Galat_Simpson
## 1 4 1.896119 0.103881102 NA 2.004560 4.559755e-03
## 2 8 1.974232 0.025768398 4.031337 2.000269 2.691699e-04
## 3 16 1.993570 0.006429656 4.007741 2.000017 1.659105e-05
## 4 32 1.998393 0.001606639 4.001930 2.000001 1.033369e-06
## Rasio_Galat_Simpson
## 1 NA
## 2 16.94006
## 3 16.22381
## 4 16.05529
Interpretasi Soal 1
Nilai eksak integral sin(x) dari 0 sampai π adalah 2. Ketika n dinaikkan dari 4 sampai 32, galat kedua metode terus mengecil. Pada n = 32, galat Trapesium sebesar 0,001607 dan galat Simpson sebesar 0,00000103. Jadi galat Simpson sekitar 1.555 kali lebih kecil. Rasio galat Trapesium berturut-turut 4,031; 4,008; dan 4,002, mendekati 4. Ini sesuai orde galat O(h²), karena setiap h dibagi dua, galat turun sekitar empat kali. Rasio galat Simpson berturut-turut 16,94; 16,22; dan 16,06, mendekati 16. Ini sesuai orde O(h⁴), karena setiap h dibagi dua, galat turun sekitar enam belas kali. Jadi Simpson lebih akurat dan lebih cepat konvergen daripada Trapesium untuk fungsi yang mulus seperti sin(x).
f_gamma <- function(x) {
dgamma(x, shape = 3, rate = 2)
}
integran <- function(x) {
x * f_gamma(x)
}
simpson <- function(f, a, b, tol = 1e-8, max.iter = 20) {
n <- 2
S_lama <- simpson_comp(f, a, b, n)
for (iter in 1:max.iter) {
n <- 2 * n
S_baru <- simpson_comp(f, a, b, n)
galat <- abs(S_baru - S_lama) / 15
if (galat < tol) {
return(list(integral = S_baru, galat = galat, n = n, iterasi = iter))
}
S_lama <- S_baru
}
warning("Toleransi belum tercapai.")
list(integral = S_baru, galat = galat, n = n, iterasi = max.iter)
}
hasil_simpson <- simpson(integran, a = 0, b = 20, tol = 1e-8)
hasil_integrate <- integrate(integran, lower = 0, upper = 20)
nilai_teoritis <- 3 / 2
nilai_teoritis
## [1] 1.5
data.frame(
Metode = c("Simpson", "integrate()", "Teoritis"),
Nilai_E_X = c(
hasil_simpson$integral,
hasil_integrate$value,
nilai_teoritis
)
)
## Metode Nilai_E_X
## 1 Simpson 1.5
## 2 integrate() 1.5
## 3 Teoritis 1.5
Interpretasi Soal 2
Nilai harapan distribusi Gamma(3, 2) secara teoritis adalah α/β = 3/2 = 1,5. Simpson menghasilkan 1,4999999988 dengan n = 2048 subinterval setelah 10 kali penggandaan, dan perkiraan galatnya sekitar 1,2 × 10⁻⁹. Fungsi integrate() menghasilkan 1,5. Ketiga nilai (Simpson, integrate(), dan teoritis) sangat dekat, sehingga metode Simpson dapat dipercaya. Integral dihitung pada selang [0, 20] sebagai pengganti [0, ∞). Hal ini dapat diterima karena ekor distribusi Gamma(3, 2) di atas 20 nilainya hampir nol. Kriteria berhenti memakai selisih dua hasil berurutan dibagi 15, yaitu perkiraan galat Simpson.
f <- function(x) 5 * x^4
nilai_eksak <- 1
cari_n_trap <- function(epsilon, max_n = 1000000) {
n <- 1
while (n <= max_n) {
galat <- abs(trapezoid(f, 0, 1, n) - nilai_eksak)
if (galat <= epsilon) return(n)
n <- n + 1
}
NA
}
cari_n_simp <- function(epsilon, max_n = 1000000) {
n <- 2
while (n <= max_n) {
galat <- abs(simpson_comp(f, 0, 1, n) - nilai_eksak)
if (galat <= epsilon) return(n)
n <- n + 2
}
NA
}
k <- 2:16
epsilon <- 2^(-k)
n_trap <- sapply(epsilon, cari_n_trap)
n_simp <- sapply(epsilon, cari_n_simp)
hasil_n <- data.frame(
k = k,
epsilon = epsilon,
n_Trapesium = n_trap,
n_Simpson = n_simp
)
hasil_n
## k epsilon n_Trapesium n_Simpson
## 1 2 2.500000e-01 3 2
## 2 3 1.250000e-01 4 2
## 3 4 6.250000e-02 6 2
## 4 5 3.125000e-02 8 4
## 5 6 1.562500e-02 11 4
## 6 7 7.812500e-03 15 4
## 7 8 3.906250e-03 21 4
## 8 9 1.953125e-03 30 6
## 9 10 9.765625e-04 42 6
## 10 11 4.882812e-04 59 8
## 11 12 2.441406e-04 83 8
## 12 13 1.220703e-04 117 10
## 13 14 6.103516e-05 166 12
## 14 15 3.051758e-05 234 14
## 15 16 1.525879e-05 331 16
plot(
epsilon,
n_trap,
type = "b",
log = "xy",
xlab = expression(epsilon),
ylab = "Jumlah subinterval minimum (n)",
main = "Perbandingan Jumlah Subinterval Minimum"
)
lines(epsilon, n_simp, type = "b", lty = 2)
legend(
"topleft",
legend = c("Trapesium", "Simpson"),
lty = c(1, 2),
pch = 1
)
Interpretasi Soal 3
Untuk f(x) = 5x⁴ pada [0, 1] (nilai eksak 1), Trapesium membutuhkan jauh lebih banyak subinterval daripada Simpson untuk mencapai toleransi yang sama. Pada ε = 2⁻², Trapesium membutuhkan n = 3 dan Simpson n = 2. Pada ε = 2⁻¹⁶, Trapesium membutuhkan n = 331, sedangkan Simpson hanya n = 16, atau sekitar 21 kali lebih sedikit. Perbedaan ini mengikuti orde galatnya. Galat Trapesium sebanding dengan 1/n², sehingga n yang dibutuhkan tumbuh seperti ε^(-1/2). Galat Simpson sebanding dengan 1/n⁴, sehingga n tumbuh seperti ε^(-1/4). Pada grafik skala log-log, garis Trapesium terlihat lebih curam daripada garis Simpson. Jadi semakin ketat toleransinya, Simpson semakin efisien.
4 Proyek mini Taksir MLE parameter bentuk Gamma (α) dari data Anda dengan Newton (rumus di bawah, f′ = 1/α − trigamma(α)), α0 = 1/(2s). Bandingkan dengan MASS::fitdistr.
newtonraphson <- function(fun, x0, tol = 1e-10, maxiter = 100) {
x <- x0
for (i in 1:maxiter) {
v <- fun(x)
x_new <- x - v[1] / v[2]
if (abs(x_new - x) < tol) return(x_new)
x <- x_new
}
warning("Tidak konvergen dalam maxiter iterasi")
x
}
berat <- c(79.6, 84.4, 67.6, 78.4, 65)
x <- berat
s <- log(mean(x)) - mean(log(x))
fg <- function(a) c(log(a) - digamma(a) - s, 1/a - trigamma(a))
a0 <- 1 / (2 * s)
cat("alpha0 =", a0, "\n")
cnt_g <- 0
fg_cnt <- function(a) { cnt_g <<- cnt_g + 1; fg(a) }
a_newton <- newtonraphson(fg_cnt, a0, tol = 1e-10)
iter_gm <- cnt_g
cat("Jumlah iterasi Newton-Raphson =", iter_gm, "\n")
print(a_newton, digits = 10)
library(MASS)
fit <- fitdistr(x, "gamma")
print(fit$estimate)
cat("Selisih shape (Newton - fitdistr) =", a_newton - fit$estimate["shape"], "\n")
Interpretasi Soal 4
Dengan nilai awal α₀ = 99,8407, Newton-Raphson konvergen dalam 4 iterasi ke α̂ ≈ 100,0071. Hasil MASS::fitdistr hampir sama dengan hasil Newton, dan selisihnya sangat kecil (isi angka shape dari outputmu di sini). Selisih kecil ini wajar karena Newton menyelesaikan persamaan skor ln α − ψ(α) = s dengan toleransi 10⁻¹⁰, sedangkan fitdistr memaksimalkan log-likelihood secara numerik dengan toleransi yang lebih longgar. Data hanya terdiri dari 5 pengamatan dan α̂ cukup besar, sehingga log-likelihood sangat datar di sekitar maksimum. Karena itu perbedaan kecil pada α̂ hampir tidak mengubah nilai likelihood. Koefisien variasi distribusi Gamma sama dengan 1/√α, sehingga α̂ ini berarti variasi data sekitar 10 persen dari rata-ratanya, yaitu data relatif seragam. Kesimpulannya, kedua metode memberi hasil yang hampir identik, dan Newton-Raphson cepat serta akurat.
You can also embed plots, for example:
Note that the echo = FALSE parameter was added to the
code chunk to prevent printing of the R code that generated the
plot.