Least-Square Fitting PDF
Least-Square Fitting PDF
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 (𝑥1 , 𝑦1 ), … , (𝑥𝑁 , 𝑦𝑁 ) 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 :
∑𝑥 2 ∑𝑦 − ∑𝑥 ∑𝑥𝑦
𝐴=
∆
dan
47
𝑁∑𝑥𝑦 − ∑𝑥 ∑𝑦
𝐵=
∆
∆= 𝑁∑𝑥 2 − (∑𝑥)2
Berdasarkan poin-poin yang diamati, estimasi terbaik untuk ketidakpastian dalam pengukuran
y adalah
𝑁
1
𝛿𝑦 = �� � �(𝑦𝑖 − 𝐴 − 𝐵𝑥𝑖 )2
𝑁−2
𝑖=1
∑𝑥 2
𝜎𝐴 = 𝜎𝑦 �
∆
Dan
𝑁
𝜎𝐵 = 𝜎𝑦 �
∆
∑𝑥𝑦
𝐵=
∑𝑥 2
Berdasarkan poin diukur, estimasi terbaik untuk ketidakpastian dalam pengukuran y adalah :
1
𝜎𝑦 = � ∑(𝑦𝑖 − 𝐵𝑥𝑖 )2
𝑁−1
48
8.3 WEIGHT FIT UNTUK KURVA GARIS LURUS , 𝒚 = 𝑨 + 𝑩𝒙
Jika y diperkirakan akan terletak pada garis y = A + Bx, dan jika nilai 𝑦𝑖 yang diukur, telah
1
berbeda, dengan diketahui ketidakpastian 𝜎𝑖 , maka kami memperkenalkan 𝑤𝑖 = 𝜎2 , dan
𝑖
dan
∆= ∑𝑤 ∑𝑤𝑥 2 − (∑𝑤𝑥)2
∑𝑤𝑥 2
𝜎𝐴 = �
∆
Dan
∑𝑤
𝜎𝐵 = �
∆
𝑦 = 𝐴 + 𝐵𝑥 + . . . + 𝐻𝑥 𝑛 ,
maka metode least-squares fit dapat digunakan, meskipun persamaan yang cukup rumit jika n
besar. Curves bentuk
dimana 𝑓(𝑥) , . . . , 𝑘(𝑥) adalah fungsi diketahui, juga dapat ditangani dengan cara yang sama.
𝑦 = 𝐴𝑒 𝐵𝑥 ,
maka kita bisa " melinierkan " masalah dengan menggunakan variabel 𝑧 = 𝑙𝑛 ( 𝑦 ) , yang
harus memenuhi hubungan linear
49
𝑧 = 𝑙𝑛(𝑦) = 𝑙𝑛(𝐴) + 𝐵𝑥 ,
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 = 𝐴 + 𝐵𝑚
𝑔
( Di sini , konstanta A adalah panjang diturunkan dari pegas, dan B adalah 𝑙
, 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
Tabel 8.1 . Missa 𝑚𝑖 (dalam kg ) dan panjang 𝑙 ( dalam cm ) untuk pegas .
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
𝑥𝑖 ⟷ 𝑚𝑖 𝑑𝑎𝑛 𝑦𝑖 ⟷ 𝑙𝑖
( Korespondensi ini ditunjukkan dengan judul "x " dan " y " dalam Tabel 8.1 . ) Untuk
menemukan A dan B , kita perlu menemukan jumlah ∑𝑚𝑖 , ∑𝑙𝑖 , ∑(𝑚𝑖 )2 , ∑𝑚𝑖 𝑙𝑖 , sehingga dua
kolom terakhir Tabel 8.1 menunjukkan jumlah mil dan Milt , dan jumlah yang sesuai akan
ditampilkan di bagian bawah setiap kolom.
∆= 𝑁∑𝑚2 − (∑𝑚)2
= 5 × 220 × −302 = 200
∑𝑚2 ∑𝑙 − ∑𝑚 ∑𝑚𝑙
𝐴=
∆
220 × 256,6 − 30 × 1622
= = 39 𝑐𝑚
∆
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
𝑙 − 𝐴 (53,2 − 39,0)𝑐𝑚
𝑚= = = 6,9 𝑘𝑔
𝐵 2,06 𝑐𝑚/𝑘𝑔
Latihan Soal:
1) Gunakan metode least-square fit untuk menemukan garis 𝑦 = 𝐴 + 𝐵𝑥 sesuai dengan
tiga poin ( 1 , 6 ) , ( 3 , 5 ) , dan ( 5 , 1 ). Dengan menggunakan kertas grafik, plot tiga
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