Parameter and function
2022-10-03
Nama : Muhammad Nabil Hilmi Miiftachurrizqi
NIM : 220605110056 Kelas : C
Mata Kuliah : Kalkulus
Dosen Pengampu : Prof.Dr. Suhartono, M.Kom
Jurusan : Teknik Informatika
Universitas : Universitas Islam Negeri Maulana Malik Ibrahim Malang
Parameter dan Fungsi
3.1 Parameter versus variabel Mengapa sebenarnya tidak ada perbedaan.
Perbedaan Newton antara a, b, c, dan x, y, z.
3.2 Parameter fungsi pemodelan Berikan parameterisasi eksponensial, sinus, hukum pangkat …
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 Setiap parameter memiliki dimensinya sendiri
3.4 Parameter danmakeFun() Jelaskan cara makeFun()kerjanya di sini. 1
3.5 Fungsi tanpa parameter: splines dan smooths JELASKAN 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.
Kadang-kadang, pilihan bentuk fungsi tertentu — eksponensial atau hukum pangkat, katakanlah — dimotivasi oleh pemahaman tentang proses yang terlibat dalam pola yang digunakan fungsi untuk dimodelkan. Namun di lain waktu, yang dibutuhkan hanyalah fungsi yang mengikuti data dan memiliki properti lain yang diinginkan, misalnya mulus atau meningkat dengan mantap.
“Smoothers” dan “splines” adalah dua jenis fungsi tujuan umum yang dapat menangkap pola dalam data, tetapi tidak ada bentuk aljabar sederhana. Membuat fungsi seperti itu sangat mudah, selama Anda dapat membebaskan diri dari gagasan bahwa fungsi harus selalu memiliki rumus.
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.
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':
##
## Dgf_point(height ~ age, data=datasets::Loblolly)
dataup1 = datasets::Loblolly
dataup1## height age Seed
## 1 4.51 3 301
## 15 10.89 5 301
## 29 28.72 10 301
## 43 41.74 15 301
## 57 52.70 20 301
## 71 60.92 25 301
## 2 4.55 3 303
## 16 10.92 5 303
## 30 29.07 10 303
## 44 42.83 15 303
## 58 53.88 20 303
## 72 63.39 25 303
## 3 4.79 3 305
## 17 11.37 5 305
## 31 30.21 10 305
## 45 44.40 15 305
## 59 55.82 20 305
## 73 64.10 25 305
## 4 3.91 3 307
## 18 9.48 5 307
## 32 25.66 10 307
## 46 39.07 15 307
## 60 50.78 20 307
## 74 59.07 25 307
## 5 4.81 3 309
## 19 11.20 5 309
## 33 28.66 10 309
## 47 41.66 15 309
## 61 53.31 20 309
## 75 63.05 25 309
## 6 3.88 3 311
## 20 9.40 5 311
## 34 25.99 10 311
## 48 39.55 15 311
## 62 51.46 20 311
## 76 59.64 25 311
## 7 4.32 3 315
## 21 10.43 5 315
## 35 27.16 10 315
## 49 40.85 15 315
## 63 51.33 20 315
## 77 60.07 25 315
## 8 4.57 3 319
## 22 10.57 5 319
## 36 27.90 10 319
## 50 41.13 15 319
## 64 52.43 20 319
## 78 60.69 25 319
## 9 3.77 3 321
## 23 9.03 5 321
## 37 25.45 10 321
## 51 38.98 15 321
## 65 49.76 20 321
## 79 60.28 25 321
## 10 4.33 3 323
## 24 10.79 5 323
## 38 28.97 10 323
## 52 42.44 15 323
## 66 53.17 20 323
## 80 61.62 25 323
## 11 4.38 3 325
## 25 10.48 5 325
## 39 27.93 10 325
## 53 40.20 15 325
## 67 50.06 20 325
## 81 58.49 25 325
## 12 4.12 3 327
## 26 9.92 5 327
## 40 26.54 10 327
## 54 37.82 15 327
## 68 48.43 20 327
## 82 56.81 25 327
## 13 3.93 3 329
## 27 9.34 5 329
## 41 26.08 10 329
## 55 37.79 15 329
## 69 48.31 20 329
## 83 56.43 25 329
## 14 3.46 3 331
## 28 9.05 5 331
## 42 25.85 10 331
## 56 39.15 15 331
## 70 49.12 20 331
## 84 59.49 25 331library(mosaicCalc)
gf_point(Seed ~ age, data=datasets::Loblolly)
dataup1 = datasets::Loblolly
dataup1## height age Seed
## 1 4.51 3 301
## 15 10.89 5 301
## 29 28.72 10 301
## 43 41.74 15 301
## 57 52.70 20 301
## 71 60.92 25 301
## 2 4.55 3 303
## 16 10.92 5 303
## 30 29.07 10 303
## 44 42.83 15 303
## 58 53.88 20 303
## 72 63.39 25 303
## 3 4.79 3 305
## 17 11.37 5 305
## 31 30.21 10 305
## 45 44.40 15 305
## 59 55.82 20 305
## 73 64.10 25 305
## 4 3.91 3 307
## 18 9.48 5 307
## 32 25.66 10 307
## 46 39.07 15 307
## 60 50.78 20 307
## 74 59.07 25 307
## 5 4.81 3 309
## 19 11.20 5 309
## 33 28.66 10 309
## 47 41.66 15 309
## 61 53.31 20 309
## 75 63.05 25 309
## 6 3.88 3 311
## 20 9.40 5 311
## 34 25.99 10 311
## 48 39.55 15 311
## 62 51.46 20 311
## 76 59.64 25 311
## 7 4.32 3 315
## 21 10.43 5 315
## 35 27.16 10 315
## 49 40.85 15 315
## 63 51.33 20 315
## 77 60.07 25 315
## 8 4.57 3 319
## 22 10.57 5 319
## 36 27.90 10 319
## 50 41.13 15 319
## 64 52.43 20 319
## 78 60.69 25 319
## 9 3.77 3 321
## 23 9.03 5 321
## 37 25.45 10 321
## 51 38.98 15 321
## 65 49.76 20 321
## 79 60.28 25 321
## 10 4.33 3 323
## 24 10.79 5 323
## 38 28.97 10 323
## 52 42.44 15 323
## 66 53.17 20 323
## 80 61.62 25 323
## 11 4.38 3 325
## 25 10.48 5 325
## 39 27.93 10 325
## 53 40.20 15 325
## 67 50.06 20 325
## 81 58.49 25 325
## 12 4.12 3 327
## 26 9.92 5 327
## 40 26.54 10 327
## 54 37.82 15 327
## 68 48.43 20 327
## 82 56.81 25 327
## 13 3.93 3 329
## 27 9.34 5 329
## 41 26.08 10 329
## 55 37.79 15 329
## 69 48.31 20 329
## 83 56.43 25 329
## 14 3.46 3 331
## 28 9.05 5 331
## 42 25.85 10 331
## 56 39.15 15 331
## 70 49.12 20 331
## 84 59.49 25 331library("xlsx")
write.xlsx(dataup1,"... lobolly.xlsx")library("readxl")
baca_xls = read_excel("... lobolly.xlsx")## New names:
## • `` -> `...1`baca_xls## # A tibble: 84 × 4
## ...1 height age Seed
## <chr> <dbl> <dbl> <chr>
## 1 1 4.51 3 301
## 2 15 10.9 5 301
## 3 29 28.7 10 301
## 4 43 41.7 15 301
## 5 57 52.7 20 301
## 6 71 60.9 25 301
## 7 2 4.55 3 303
## 8 16 10.9 5 303
## 9 30 29.1 10 303
## 10 44 42.8 15 303
## # … with 74 more rowsgf_point(height ~ age, data=datasets::Loblolly)
f1 <- spliner(height ~ age, data = datasets::Loblolly)## Warning in regularize.values(x, y, ties, missing(ties)): collapsing to unique
## 'x' valuesf2 <- connector(height ~ age, data = datasets::Loblolly)## Warning in regularize.values(x, y, ties, missing(ties), na.rm = na.rm):
## collapsing to unique 'x' valuesf1(age = 8)## [1] 20.68193## [1] 20.68193
f2(age = 8)## [1] 20.54729## [1] 20.54729
gf_point(height ~ age, data = datasets::Loblolly) %>%
slice_plot(f1(age) ~ age, color = "yellow") %>%
slice_plot(f2(age) ~ age, color="green")
findZeros(f1(age) - 35 ~ age, xlim=range(0,30))## age
## 1 12.6905## age
## 1 12.6905
findZeros(f2(age) - 35 ~ age, xlim=range(0,30))## age
## 1 12.9## age
## 1 12.9
f2## function (age)
## {
## x <- get(fnames[2])
## if (connect)
## SF(x)
## else SF(x, deriv = deriv)
## }
## <environment: 0x0000026dfeb03d78>## function (age)
## {
## x <- get(fnames[2])
## if (connect)
## SF(x)
## else SF(x, deriv = deriv)
## }
## <environment: 0x7ff1bf85ec18>
Cherry <- datasets::trees
gf_point(Volume ~ Girth, data = Cherry)
g1 = spliner(Volume ~ Girth, data = Cherry)## Warning in regularize.values(x, y, ties, missing(ties)): collapsing to unique
## 'x' valuesg2 = connector(Volume ~ Girth, data = Cherry)## Warning in regularize.values(x, y, ties, missing(ties), na.rm = na.rm):
## collapsing to unique 'x' valuesslice_plot(g1(x) ~ x, domain(x = 8:18)) %>%
slice_plot(g2(x) ~ x, color ="red") %>%
gf_point(Volume ~ Girth, data = Cherry) %>%
gf_labs(x = "Girth (inches)")
g3 <- smoother(Volume ~ Girth, data = Cherry, span=1.5)
gf_point(Volume~Girth, data=Cherry) %>%
slice_plot(g3(Girth) ~ Girth) %>%
gf_labs(x = "Girth (inches)")
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")
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)")
Sumber : https://dtkaplan.github.io/RforCalculus/representing-mathematical-functions.html