library(mosaicCalc)
## Loading required package: mosaic
## Registered S3 method overwritten by 'mosaic':
##   method                           from   
##   fortify.SpatialPolygonsDataFrame ggplot2
## 
## The 'mosaic' package masks several functions from core packages in order to add 
## additional features.  The original behavior of these functions should not be affected by this.
## 
## Attaching package: 'mosaic'
## The following objects are masked from 'package:dplyr':
## 
##     count, do, tally
## The following object is masked from 'package:Matrix':
## 
##     mean
## The following object is masked from 'package:ggplot2':
## 
##     stat
## The following objects are masked from 'package:stats':
## 
##     binom.test, cor, cor.test, cov, fivenum, IQR, median, prop.test,
##     quantile, sd, t.test, var
## The following objects are masked from 'package:base':
## 
##     max, mean, min, prod, range, sample, sum
## Loading required package: mosaicCore
## 
## Attaching package: 'mosaicCore'
## The following objects are masked from 'package:dplyr':
## 
##     count, tally
## 
## Attaching package: 'mosaicCalc'
## The following object is masked from 'package:stats':
## 
##     D

BAB 3 PARAMETER DAN FUNGSI

3.1 Parameter versus variabel Variabel dan parameter adalah dua istilah yang banyak digunakan dalam matematika dan fisika. Keduanya sering disalahpahami sebagai entitas yang sama. Variabel adalah entitas yang berubah sehubungan dengan entitas lain. Parameter adalah entitas yang digunakan untuk menghubungkan variabel.

3.2 Parameter fungsi pemodelan Parameter, yakni nilai yang tetap pada suatu saat, tapi bisa berubah pada waktu yang berbeda. SEDANGKAN Pemodelan adalah proses membangun atau membentuk suatu model dari suatu sistem nyata dalam bahasa formal tertentu. Idenya adalah untuk membuat argumen ke fungsi matematika berdimensi.

Parameter dan logaritma – Anda dapat mengambil log apa pun yang Anda suka. Satuan muncul sebagai konstanta

3.3 Polinomial dan parameter Dalam matematika, polinomial atau suku banyak adalah pernyataan matematika yang melibatkan jumlahan perkalian pangkat dalam satu atau lebih variabel dengan koefisien.

3.4 Parameter dan makeFun() 3.5 Fungsi tanpa parameter: splines dan smooths Hiper-parameter ini adalah angka yang mengatur bentuk fungsi, tetapi dapat diatur secara sewenang-wenang dan masih cocok dengan data. Parameter hiper tidak disetel langsung oleh data.

Model matematika berusaha menangkap pola di dunia nyata. Ini berguna karena model dapat lebih mudah dipelajari dan dimanipulasi daripada dunia itu sendiri. Salah satu kegunaan paling penting dari fungsi adalah untuk mereproduksi atau menangkap atau memodelkan pola yang muncul dalam data.

“Smoothers” dan “splines” adalah dua jenis fungsi tujuan umum yang dapat menangkap pola dalam data, tetapi tidak ada bentuk aljabar sederhana. Smoother dan splines tidak ditentukan oleh bentuk dan parameter aljabar, tetapi oleh data dan algoritma. Sebagai ilustrasi, pertimbangkan beberapa data sederhana. Kumpulan data Loblollyberisi 84 pengukuran usia dan tinggi pinus loblolly.

summary(cars)
##      speed           dist       
##  Min.   : 4.0   Min.   :  2.00  
##  1st Qu.:12.0   1st Qu.: 26.00  
##  Median :15.0   Median : 36.00  
##  Mean   :15.4   Mean   : 42.98  
##  3rd Qu.:19.0   3rd Qu.: 56.00  
##  Max.   :25.0   Max.   :120.00
library(mosaic)
gf_point(height ~ age, data=datasets::Loblolly)

Beberapa pinus berusia tiga tahun dengan tinggi yang sangat mirip diukur dan dilacak dari waktu ke waktu: usia lima tahun, usia sepuluh tahun, dan seterusnya. Pohon-pohon berbeda satu sama lain, tetapi semuanya sangat mirip dan menunjukkan pola sederhana: pertumbuhan linier pada awalnya yang tampaknya menurun seiring waktu. Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.

Definisi fungsi-fungsi ini mungkin tampak aneh pada awalnya — mereka sepenuhnya ditentukan oleh data: tidak ada parameter

library(mosaicCalc)
Cherry <- datasets::trees
gf_point(Volume ~ Girth, data = Cherry)

library(xlsx)
library(mosaicCalc)
g1 = spliner(Volume ~ Girth, data = Cherry)
## Warning in regularize.values(x, y, ties, missing(ties)): collapsing to unique
## 'x' values
g2 = connector(Volume ~ Girth, data = Cherry)
## Warning in regularize.values(x, y, ties, missing(ties), na.rm = na.rm):
## collapsing to unique 'x' values
slice_plot(g1(x) ~ x, domain(x = 8:20)) %>%
  slice_plot(g2(x) ~ x, color ="red") %>%
  gf_point(Volume ~ Girth, data = Cherry) %>%
  gf_labs(x = "Girth (inches)")

Masing-masing fungsi bersikeras melewati setiap titik data. (Satu-satunya pengecualian adalah dua titik dengan keliling 13 inci. Tidak ada fungsi yang dapat melewati kedua titik dengan keliling 13, jadi fungsi membagi selisih dan melewati rata-rata dari dua titik.)

g4 <- smoother(Volume ~ Girth, data=Cherry, span=1.0)
gf_point(Volume~Girth, data = Cherry) %>%
  slice_plot(g4(Girth) ~ Girth) %>%
  gf_labs(x = "Girth (inches)", y = "Wood volume")

mereka membangun fungsi smooth yang mendekati data.

library(devtools)
## Loading required package: usethis
g5 <- smoother(Volume ~ Girth+Height, 
               data = Cherry, span = 1.0)
gf_point(Height ~ Girth, data = Cherry) %>%
  contour_plot(g5(Girth, Height) ~ Girth + Height) %>%
  gf_labs(x = "Girth (inches)", 
          y = "Height (ft)", 
          title = "Volume (ft^3)")

Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.