02 · Calculus

The Language of Change and Accumulation

Overview modul Calculus: limits, derivatives, integrals, multivariate calculus, optimization, dan Taylor series.

Tentang Modul Ini

Calculus adalah jantung dari banyak teori statistik dan machine learning modern. Bukan sekadar “menghitung turunan” — calculus memberi kita bahasa untuk membicarakan perubahan, akumulasi, dan aproksimasi yang muncul di setiap sudut analisis kuantitatif.

Modul ini didesain untuk mem-bridge kalkulus SMA/awal kuliah dengan aplikasi yang benar-benar kita butuhkan. Kita tidak akan membuktikan setiap teorema secara rigorous, tapi kita akan memahami mengapa setiap konsep penting dan di mana dia muncul dalam pekerjaan nyata.

Mengapa Calculus Penting untuk Econometrics & ML?

Coba bayangkan:

Gradient descent (algoritma training di balik neural networks): pada dasarnya adalah mengikuti arah turunan (derivative) sampai mencapai minimum.
Maximum Likelihood Estimation: mencari $\theta$ yang memaksimalkan $\ell(\theta)$ — problem kalkulus.
OLS derivation: meminimalkan $\sum (y_i - x_i'\beta)^2$ dengan mengambil turunan dan set ke nol.
Delta method (approximasi distribusi fungsi estimator): bergantung pada Taylor expansion.

Hampir tidak ada teknik statistik atau ML lanjut yang tidak melibatkan calculus secara fundamental.

Topics dalam Modul Ini

#	Topik	Konten Utama
2.1	Limits & Continuity	Epsilon-delta, L’Hopital, limit penting
2.2	Derivatives	Definisi, chain rule, product rule, partial derivatives
2.3	Integrals	FTC, substitution, integration by parts, expectation
2.4	Multivariate Calculus	Gradient, Jacobian, Hessian, directional derivatives
2.5	Optimization	FOC, SOC, Lagrange multipliers, KKT conditions
2.6	Taylor Series	Taylor expansion, common series, approximation order

Prereqs & Connections

graph TD
  F[01 Foundations] --> C[02 Calculus]
  C --> LA[03 Linear Algebra]
  C --> P[04 Probability]
  C --> S[05 Statistics]
  C --> E[06 Econometrics Math]
  C --> ML[07 ML Math]
  style C fill:#2563EB,color:#fff

Calculus adalah prerequisite langsung untuk modul Probability (expectation sebagai integral), Statistics (MLE, delta method), Econometrics (OLS derivation, GMM), dan ML (gradient descent, backpropagation).

Peta Konsep

graph LR
  L[Limits] --> D[Derivatives]
  D --> PD[Partial Derivatives]
  PD --> G[Gradient]
  G --> O[Optimization]
  L --> I[Integrals]
  I --> E[Expectation]
  D --> T[Taylor Series]
  T --> A[Approximation]
  O --> KKT[KKT Conditions]
  G --> H[Hessian]
  H --> SOC[2nd-Order Conditions]

Estimasi Waktu

Baca + latihan: 8–12 jam total
Per topik: sekitar 60–120 menit
Topik paling penting untuk mulai: Derivatives dan Optimization

Tips Belajar

Calculus paling efektif dipelajari dengan:

Pahami geometri dulu — apa artinya turunan secara visual sebelum menghafal rumus
Latih manipulasi — banyak derivasi econometrics adalah “just calculus” yang panjang
Hubungkan ke aplikasi — setiap konsep punya counterpart langsung dalam statistik/ML
Jangan skip multivariate — hampir semua aplikasi nyata terjadi di $\mathbb{R}^n$, bukan $\mathbb{R}^1$

--- title: "02 · Calculus" subtitle: "The Language of Change and Accumulation" description: "Overview modul Calculus: limits, derivatives, integrals, multivariate calculus, optimization, dan Taylor series." number-sections: false toc: true --- ## Tentang Modul Ini Calculus adalah jantung dari banyak teori statistik dan machine learning modern. Bukan sekadar "menghitung turunan" — calculus memberi kita bahasa untuk membicarakan perubahan, akumulasi, dan aproksimasi yang muncul di setiap sudut analisis kuantitatif. Modul ini didesain untuk mem-*bridge* kalkulus SMA/awal kuliah dengan aplikasi yang benar-benar kita butuhkan. Kita tidak akan membuktikan setiap teorema secara rigorous, tapi kita akan memahami *mengapa* setiap konsep penting dan *di mana* dia muncul dalam pekerjaan nyata. ::: {.callout-note title="Mengapa Calculus Penting untuk Econometrics & ML?"} Coba bayangkan: - **Gradient descent** (algoritma training di balik neural networks): pada dasarnya adalah mengikuti arah turunan (derivative) sampai mencapai minimum. - **Maximum Likelihood Estimation**: mencari $\theta$ yang memaksimalkan $\ell(\theta)$ — problem kalkulus. - **OLS derivation**: meminimalkan $\sum (y_i - x_i'\beta)^2$ dengan mengambil turunan dan set ke nol. - **Delta method** (approximasi distribusi fungsi estimator): bergantung pada Taylor expansion. Hampir tidak ada teknik statistik atau ML lanjut yang tidak melibatkan calculus secara fundamental. ::: ## Topics dalam Modul Ini | # | Topik | Konten Utama | |---|-------|-------------| | 2.1 | [Limits & Continuity](01-limits-continuity.qmd) | Epsilon-delta, L'Hopital, limit penting | | 2.2 | [Derivatives](02-derivatives.qmd) | Definisi, chain rule, product rule, partial derivatives | | 2.3 | [Integrals](03-integrals.qmd) | FTC, substitution, integration by parts, expectation | | 2.4 | [Multivariate Calculus](04-multivariate-calc.qmd) | Gradient, Jacobian, Hessian, directional derivatives | | 2.5 | [Optimization](05-optimization.qmd) | FOC, SOC, Lagrange multipliers, KKT conditions | | 2.6 | [Taylor Series](06-taylor-series.qmd) | Taylor expansion, common series, approximation order | ## Prereqs & Connections ```{mermaid} graph TD F[01 Foundations] --> C[02 Calculus] C --> LA[03 Linear Algebra] C --> P[04 Probability] C --> S[05 Statistics] C --> E[06 Econometrics Math] C --> ML[07 ML Math] style C fill:#2563EB,color:#fff ``` Calculus adalah prerequisite langsung untuk modul Probability (expectation sebagai integral), Statistics (MLE, delta method), Econometrics (OLS derivation, GMM), dan ML (gradient descent, backpropagation). ## Peta Konsep ```{mermaid} graph LR L[Limits] --> D[Derivatives] D --> PD[Partial Derivatives] PD --> G[Gradient] G --> O[Optimization] L --> I[Integrals] I --> E[Expectation] D --> T[Taylor Series] T --> A[Approximation] O --> KKT[KKT Conditions] G --> H[Hessian] H --> SOC[2nd-Order Conditions] ``` ## Estimasi Waktu - Baca + latihan: **8–12 jam** total - Per topik: sekitar 60–120 menit - Topik paling penting untuk mulai: **Derivatives** dan **Optimization** ## Tips Belajar Calculus paling efektif dipelajari dengan: 1. **Pahami geometri** dulu — apa artinya turunan secara visual sebelum menghafal rumus 2. **Latih manipulasi** — banyak derivasi econometrics adalah "just calculus" yang panjang 3. **Hubungkan ke aplikasi** — setiap konsep punya counterpart langsung dalam statistik/ML 4. **Jangan skip multivariate** — hampir semua aplikasi nyata terjadi di $\mathbb{R}^n$, bukan $\mathbb{R}^1$