LEAST-SQUARES FITTING
Deskripsi:
Pada bab ini akan dibahas mengenai analisis statistik dari beberapa hasil pengukuran pada
satu kuantitas tunggal dengan menggunakan grafik kurva y vs x. Hal tersebut menjadi pokok
bahasan yang paling menarik dalam statistik, tetapi karena pokok bahasan ini sederhana maka
harus dipahami dengan baik sebelum membahas hal yang lebih umum selanjutnya.
Manfaat:
Memberikan metode least-squares fitting yang benar saat melakukan beberapa pengukuran.
Relevansi:
Metode least-squares fitting merupakan salah satu metode yang digunakan untuk
menganalisis data hasil pengukuran dalam suatu grafik.
Learning Outcome:
Mahasiswa memahami dan mampu mengimplementasikan least-squares fitting pada suatu
data hasil pengukuran dengan benar.
MATERI:
Sepanjang bab ini, kita memiliki N pasang hasil pengukuran (1 , 1 ), , ( , ) dari dua
variabel x dan y. Masalah yang dihadapi yaitu bagaimana menemukan nilai-nilai terbaik dari
parameter dari kurva bahwa grafik y vs x agar sesuai dengan yang diharapkan. Kami
berasumsi bahwa hanya pengukuran y mengalami ketidakpastian yang cukup, sedangkan
untuk x diabaikan. [ Untuk kasus di mana kedua x dan y memiliki ketidakpastian yang
signifikan, lihat pembahasan berikut Persamaan ( 8.17 ) . ] Berbagai kemungkinan kurva
dapat dianalisis, dan ada dua asumsi yang berbeda tentang ketidakpastian dalam y. Beberapa
kasus yang lebih penting adalah sebagai berikut :
8.1 Kurva Garis Lurus, = +
Jika y yang diharapkan menyimpang pada garis lurus y = A + Bx, dan jika pengukuran y
memiliki ketidakpastian yang sama, maka estimasi terbaik untuk konstanta A dan B adalah:
dan
47
= 2 ()2
Berdasarkan poin-poin yang diamati, estimasi terbaik untuk ketidakpastian dalam pengukuran
y adalah
1
( )2
=
2
=1
Dan
Jika y yang diharapkan menyimpang pada garis lurus melewati titik pusat kurva (0,0) , y = Bx
, dan jika pengukuran y memiliki ketidakpastian yang sama, maka estimasi terbaik untuk
konstanta B adalah :
=
Berdasarkan poin diukur, estimasi terbaik untuk ketidakpastian dalam pengukuran y adalah :
=
dan ketidakpastian dalam B adalah :
1
( )2
1
=
48
Jika y diperkirakan akan terletak pada garis y = A + Bx, dan jika nilai yang diukur, telah
1
dan
dimana
= 2 ()2
=
Dan
maka metode least-squares fit dapat digunakan, meskipun persamaan yang cukup rumit jika n
besar. Curves bentuk
= () + () + . . . + () ,
dimana () , . . . , () adalah fungsi diketahui, juga dapat ditangani dengan cara yang sama.
Jika y diharapkan akan diberikan oleh fungsi eksponensial
= ,
maka kita bisa " melinierkan " masalah dengan menggunakan variabel = ( ) , yang
49
= () = () + ,
Kita kemudian dapat menerapkan linear least-square fit untuk z sebagai fungsi dari x.
Catatan, bagaimanapun, bahwa jika ketidakpastian dalam nilai yang terukur dari y semua
sama, dan kesamaannya pasti tidak benar dari nilai-nilai z . Kemudian, tegasnya, metode
least-square tertimbang harus digunakan.
Contoh:
Panjang vs Massa untuk Keseimbangan Pegas
Seorang siswa membuat skala untuk mengukur massa dengan pegas. Dia menempel ujung
atasnya pada dudukan yang kuat, tergantung sebuah panci dibawahnya, dan menempatkan 1
meter tongkat dibelakangnya untuk pengaturan pembacaan panjang pegas. Sebelum dia bisa
menggunakan skala, dia harus mengkalibrasi, yaitu, dia harus menemukan hubungan antara
massa dalam panci dan panjang pegas . Untuk melakukan kalibrasi ini, dia mendapat lima
massa 2 kg yang akurat, kemudian menambahkannya ke dalam pan satu per satu, merekam
panjang yang sesuai l , seperti yang ditunjukkan pada tiga kolom pertama dari Tabel 8.1.
Dengan asumsi pegas mematuhi hukum Hooke, ia mengantisipasi bahwa panjang l harus
menjadi fungsi linear dari m,
1 = +
, di mana k
adalah konstanta pegas biasa. ) Persamaan kalibrasi di atas akan membiarkan dia menemukan
massa m diketahui dari panjang l yang sesuai, setelah itu dia harus mencari nilai konstanta A
dan B. Untuk menemukan konstanta ini , dia menggunakan metode least-square. Apa
jawaban dia untuk A dan B? Plot data kalibrasi pada suatu gafik . Jika dia menempatkan
massa m diketahui dalam panci dan mengamati panjang pegas menjadi 1 = 53,2 cm , apakah
itu m ?
50
Seperti yang sering terjadi dalam masalah seperti itu, kedua variabel tersebut tidak disebut x
dan y , dan satu harus berhati-hati untuk mengidentifikasi yang mana. Membandingkan
dengan bentuk standar, y = A + Bx , kita melihat bahwa panjang 1 memainkan peran variabel
y, sedangkan massa m memainkan peran variabel x. Konstanta A dan B diberikan oleh
dengan penggantian
( Korespondensi ini ditunjukkan dengan judul "x " dan " y " dalam Tabel 8.1 . ) Untuk
menemukan A dan B , kita perlu menemukan jumlah , , ( )2 , , sehingga dua
kolom terakhir Tabel 8.1 menunjukkan jumlah mil dan Milt , dan jumlah yang sesuai akan
ditampilkan di bagian bawah setiap kolom.
Menghitung konstanta A dan B sekarang mudah. Penyebut adalah
= 2 ()2
5 1622 30 256,6
=
= 2,06 /
51
Gambar 8.2 . Sebuah plot data dari Tabel 8.1 dan garis kecocokan kalibrasi
Sebuah plot data dan garis kurva kalibrasi menggunakan nilai A dan B ditunjukkan pada
Gambar 8.2 . Jika massa m menarik pegas menjadi 53,2 cm, maka menurut persamaan
kalibrasi massa adalah
Latihan Soal:
(53,2 39,0)
=
= 6,9
2,06 /
poin tersebut ke dalam kurva y. Kalkulator Anda mungkin memiliki fungsi built-in untuk
menghitung A dan B, jika Anda tidak tahu bagaimana menggunakannya , luangkan waktu
untuk belajar dan kemudian memeriksa jawaban Anda sendiri untuk masalah ini .
2) Kerjakan soal nomor 8.7 pada teks buku wajib halaman 200.
52