CURVE FITTING (KURVA YANG TEPAT)

PT5.1 MOTIVASI

Data sering diberikan untuk nilai-nilai diskrit sepanjang kontinum. Namun, Anda
mungkin memerlukan perkiraan pada titik-titik antara nilai-nilai diskrit. Bagian dari buku ini
menjelaskan teknik untuk menyesuaikan kurva data tersebut untuk mendapatkan perkiraan
menengah. Selain itu, Anda mungkin memerlukan versi sederhana dari fungsi yang rumit.
Salah satu cara untuk melakukan hal ini adalah untuk menghitung nilai fungsi di sejumlah
nilai diskrit sepanjang kisaran yang menarik. Kemudian, fungsi sederhana dapat diturunkan
untuk menyesuaikan nilai-nilai ini. Kedua aplikasi ini dikenal sebagai kurva pas atau curve
fitting.
Ada dua pendekatan umum untuk curve fitting yang dibedakan satu sama lain atas
dasar jumlah kesalahan yang terkait dengan data. Pertama, di mana data menunjukkan tingkat
signifikan kesalahan atau “noise,” strategi adalah untuk memperoleh kurva tunggal yang
mewakili kecenderungan umum dari data. Karena setiap titik data individu mungkin salah,
kita tidak berusaha untuk memotong setiap titik. Sebaliknya, kurva dirancang untuk
mengikuti pola titik-titik yang diambil sebagai sebuah kelompok. Salah satu pendekatan alam
ini disebut kuadrat-regresi ( Gambar. PT5.1 Sebuah).
Kedua, di mana data tersebut dikenal sangat tepat, pendekatan dasar adalah untuk
menyesuaikan kurva atau serangkaian kurva yang lulus langsung melalui masing-masing
titik. Data tersebut biasanya berasal dari tabel. Contohnya adalah nilai untuk kepadatan air
atau untuk kapasitas panas gas sebagai fungsi temperatur.
Estimasi nilai antara titik diskrit terkenal disebut interpolasi ( Gambar. PT5.1 b dan c).

Metode nonkomputer PT5.1.1 untuk Curve Fitting

Metode paling sederhana untuk pas kurva data adalah untuk merencanakan poin dan
kemudian sketsa garis yang secara visual sesuai dengan data. Meskipun ini adalah pilihan
yang valid ketika perkiraan cepat diperlukan, hasilnya tergantung pada sudut pandang
subjektif dari orang sketsa kurva.
Sebagai contoh, Gambar. PT5.1 menunjukkan sketsa dikembangkan dari set data
yang sama oleh tiga insinyur. Yang pertama tidak berusaha untuk menghubungkan titik-titik,
melainkan, ditandai tren umum dari data dengan garis lurus (Gambar. PT5.1 Sebuah).
Insinyur kedua digunakan segmen garis lurus atau interpolasi linier untuk menghubungkan
titik-titik (Gbr. PT5.1 b). Ini adalah praktek yang sangat umum di bidang teknik. Jika nilai-
nilai yang benar-benar dekat untuk menjadi linear atau berjarak dekat, pendekatan seperti itu
memberikan estimasi yang memadai untuk banyak perhitungan teknik. Namun, di mana
hubungan yang mendasari sangat lengkung atau data secara luas spasi, kesalahan yang
signifikan dapat diperkenalkan dengan interpolasi linier tersebut. Insinyur ketiga digunakan
kurva untuk mencoba untuk menangkap meanderings disarankan oleh data (Gambar. PT5.1
c). Seorang insinyur keempat atau kelima kemungkinan akan berkembang cocok alternatif.
jelas, Tujuan kami di sini adalah untuk mengembangkan metode yang sistematis dan objektif
untuk tujuan menurunkan kurva tersebut.
 GAMBAR PT5.1
Tiga upaya untuk cocok dengan “terbaik” kurva melalui lima titik data. ( Sebuah) Kuadrat-
regresi, ( b) interpolasi linear, dan ( c) interpolasi lengkung.

PT5.1.2 Curve Fitting dan Teknik Praktek

Paparan pertama Anda untuk curve fitting mungkin untuk menentukan nilai
menengah dari tabulasi data contoh-untuk, dari tabel bunga untuk Ekonomi Teknik atau dari
tabel uap untuk termodinamika. Sepanjang sisa karir Anda, Anda akan memiliki kesempatan
sering untuk memperkirakan nilai menengah dari table tersebut.
Meskipun banyak dari sifat teknis banyak digunakan telah ditabulasi, ada banyak lagi
yang besar yang tidak tersedia dalam bentuk yang nyaman ini. kasus khusus dan konteks
masalah baru sering mengharuskan Anda mengukur data. Anda sendiri dan mengembangkan
hubungan prediktif Anda sendiri. Dua jenis aplikasi umumnya ditemui ketika pas data
percobaan: analisis trend dan pengujian hipotesis. Analisis kecenderungan mewakili proses
menggunakan pola data untuk membuat prediksi. Untuk kasus-kasus dimana data diukur
dengan presisi tinggi, Anda mungkin memanfaatkan interpolasi polinomial. Data tidak tepat
sering dianalisis dengan regresi kuadrat-terkecil.
Analisis kecenderungan dapat digunakan untuk memprediksi atau perkiraan nilai dari
variable dependen. Hal ini dapat melibatkan ekstrapolasi luar batas data diamati atau
interpolasi dalam kisaran data. Semua bidang teknik umumnya melibatkan masalah jenis ini.
Sebuah aplikasi rekayasa kedua eksperimental kurva pas pengujian hipotesis. Di sini,
model matematika yang ada dibandingkan dengan data yang diukur. Jika koefisien model
yang tidak diketahui, mungkin perlu untuk menentukan nilai-nilai yang paling sesuai dengan
data yang diamati. Di sisi lain, jika perkiraan koefisien model yang sudah tersedia, mungkin
tepat untuk membandingkan nilai prediksi model dengan nilai-nilai yang diamati untuk
menguji kecukupan model. Seringkali, model-model alternatif dibandingkan dan “terbaik”
satu dipilih atas dasar pengamatan empiris.
Selain aplikasi teknik di atas, kurva fitting penting dalam metode numerik lainnya
seperti integrasi dan solusi perkiraan persamaan diferensial. Akhirnya, teknik kurva-pas
dapat digunakan untuk menurunkan fungsi sederhana untuk mendekati fungsi rumit.

PT5.2 LATAR BELAKANG MATEMATIKA

Latar belakang matematika prasyarat untuk interpolasi ditemukan dalam bahan pada
ekspansi deret Taylor dan perbedaan terbagi terbatas diperkenalkan di Bab. 4. Leastsquares
regresi memerlukan informasi tambahan dari bidang statistik. Jika Anda sudah familiar
dengan konsep mean, standar deviasi, jumlah sisa dari kuadrat, distribusi normal, dan interval
kepercayaan, merasa bebas untuk melewati halaman berikut dan langsung melanjutkan ke
PT5.3. Jika Anda tidak terbiasa dengan konsep-konsep ini atau membutuhkan review, bahan
berikut ini dirancang sebagai pengenalan singkat dengan topik ini.
PT5.2.1 Statistik Sederhana
Misalkan dalam program studi teknik, beberapa pengukuran terbuat dari kuantitas
tertentu. Sebagai contoh, Tabel PT5.1 berisi 24 bacaan dari koefisien ekspansi termal
dari baja struktural. Diambil pada nilai nominal, data menyediakan jumlah terbatas
informasi-yaitu, bahwa nilai-nilai berkisar dari minimal 6,395 maksimum 6,775.
wawasan tambahan dapat diperoleh dengan meringkas data dalam satu atau lebih
yang dipilih statistik yang menyampaikan informasi sebanyak mungkin tentang
karakteristik khusus dari kumpulan data. Ini statistik deskriptif yang paling sering
dipilih untuk mewakili (1) lokasi pusat distribusi data dan (2) tingkat penyebaran
kumpulan data.

TABLE PT5.1 Pengukuran koefisien ekspansi termal dari baja structural

[ × 10−6 in / (in · F)].

6.495 6.595 6.615 6.635 6.485 6.555

6.665 6.505 6.435 6.625 6.715 6.655
6.755 6.625 6.715 6.575 6.655 6.605
6.565 6.515 6.555 6.395 6.755 6.685

Statistik lokasi yang paling umum adalah mean aritmetik. Itu mean aritmetik ( ý)
sampel didefinisikan sebagai jumlah dari titik data individual ( y i) dibagi dengan
jumlah poin (n), atau

ý=
∑ yi (PT5.1)
n
dimana summati di ( dan semua penjumlahan berhasil dalam pengantar ini) adalah
dari i = 1 sampai n.
Ukuran yang paling umum dari penyebaran untuk sampel adalah standar
deviasi ( S y ) tentang mean,
 Sy
Sy=
√ n−1
(PT5.2)

dimana St adalah total penjumlahan kuadrat hasil antara titik-titik data dan mean,
atau
St =∑ ¿ ¿ (PT5.3)
Dengan demikian, jika pengukuran individu yang tersebar luas di seluruh mean, St
(dan, akibatnya, S y ) akan besar. Jika mereka dikelompokkan erat, standar deviasi
akan menjadi kecil. Penyebaran juga dapat diwakili oleh kuadrat dari standar deviasi,
yang disebut perbedaan:
S y 2=∑ ¿¿ ¿ (PT5.4)
Perhatikan bahwa denominator di kedua pers. (PT5.2) dan (PT5.4) adalah n-1.
Kuantitas n-1 disebut sebagai derajat kebebasan. Karenanya S t dan s y dikatakan
berdasarkan n - 1 derajat kebebasan. nomenklatur ini berasal dari fakta bahwa
jumlah dari jumlah yang di atasnya St didasarkan (yaitu, ý− y1 , ý− y 2 , … .., ý− y n)
adalah nol. Akibatnya, jika ýdikenal dan n-1 dari nilai-nilai yang ditentukan, nilai
yang tersisa adalah tetap. Dengan demikian, hanya n - 1 dari nilai-nilai dikatakan
bebas ditentukan. pembenaran lain untuk membaginya dengan n - 1 adalah
kenyataan bahwa tidak ada hal seperti penyebaran titik data tunggal. Untuk kasus di
mana n = 1, pers. (PT5.2) dan (PT5.4) menghasilkan hasil yang berarti tak terhingga.
Perlu dicatat bahwa alternatif, formula yang lebih nyaman tersedia untuk
menghitung standar deviasi,
S y 2=∑ y i2 −¿ ¿ ¿
Versi ini tidak membutuhkan precomputation dari ý dan menghasilkan hasil yang
identik sebagai Eq. (PT5.4).
Sebuah statistik akhir yang memiliki utilitas dalam mengukur penyebaran data
adalah koefisien variasi (cv). Statistik ini adalah rasio standar deviasi untuk mean.
 Dengan demikian, ia menyediakan ukuran normal dari spread. Hal ini sering
dikalikan dengan 100 sehingga dapat dinyatakan dalam bentuk persen:
Sy
c . v=¿ 100 % (PT5.5)
ý
CONTOH PT5.1 Statistik sederhana Sampel
Pernyataan masalah. Menghitung mean, varians, standar deviasi, dan koefisien variasi untuk
data pada Tabel PT5.1.

TABLE PT5.2 Perhitungan statistik untuk pembacaan koefisien termal ekspansi. Frekuensi
dan
batas dikembangkan untuk membangun histogram pada Gambar. PT5.2.
 Penyelesaian. Data tersebut akan ditambahkan (Tabel PT5.2), dan hasilnya
digunakan untuk menghitung [Eq. (PT5.1)]
158,4
ý= =6.6
24
Seperti pada Tabel PT5.2, jumlah dari kuadrat hasil adalah 0,217000, yang
dapat digunakan untuk menghitung standar deviasi [Eq. (PT5.2)]:
0,217000
Sy=
√ 24−1
=0 . 097133

varians [Eq. (PT5.4)]:

S y 2=0. 009435
dan koefisien variasi [Eq. (PT5.5)]:
0 .097133
c . v=¿ 100 %=1.47 %
6.6
PT5.2.2 Distribusi Normal
Karakteristik lain yang menyandang pada diskusi ini adalah data distribusi
-yaitu, bentuk dengan data yang tersebar di sekitar mean. Sebuah histogram
memberikan representasi visual yang sederhana distribusi. Seperti yang terlihat pada
Tabel PT5.2, histogram dibangun dengan menyortir pengukuran ke dalam interval.
Unit pengukuran diplot pada absis dan frekuensi terjadinya setiap interval diplot pada
ordinat. Dengan demikian, lima dari pengukuran jatuh antara 6.60 dan 6.64. Seperti
pada Gambar. PT5.2, histogram menunjukkan bahwa sebagian besar data yang
dikelompokkan dekat dengan nilai rata-rata 6,6.
Jika kita memiliki satu set yang sangat besar data, histogram sering dapat
didekati dengan kurva mulus. Simetris, kurva berbentuk lonceng ditumpangkan pada
Gambar. PT5.2 adalah salah satu ciri khas seperti bentuk distribusi normal.
Mengingat cukup pengukuran tambahan, histogram untuk kasus ini akhirnya bisa
mendekati distribusi normal.
 Konsep dari mean, standar deviasi, jumlah sisa kotak, dan distribusi normal
semua memiliki relevansi besar untuk praktek rekayasa. Avery contoh sederhana
adalah menggunakan mereka untuk mengukur kepercayaan diri yang dapat dianggap
berasal dari suatu pengukuran tertentu. Jika kuantitas terdistribusi secara normal,
kisaran yang didefinisikan oleh ý−S y sampai ý +S y akan mencakup sekitar 68 persen
dari total pengukuran. Demikian pula, kisaran yang didefinisikan oleh ý−2 S y
s ampai ý +2 S y akan mencakup sekitar 95 persen.
Misalnya, untuk data pada Tabel PT5.1 ( ý=6.6 dan S y =0 .097133 ) kita
dapat membuat pernyataan bahwa sekitar 95 persen dari pembacaan harus jatuh
antara 6,405734 dan 6,794266. Jika seseorang mengatakan kepada kita bahwa mereka
telah mengukur nilai 7,35, kita akan menduga bahwa pengukuran mungkin keliru.
Bagian berikut menguraikan evaluasi tersebut.

PT5.2.3 Estimasi Interval Keyakinan

Seperti harus jelas dari bagian sebelumnya, salah satu tujuan utama dari statistik
adalah untuk memperkirakan sifat dari populasi berdasarkan terbatas mencicipi
diambil dari populasi itu.

GAMBAR PT5.2
Sebuah histogram digunakan untuk menggambarkan distribusi data. Karena jumlah
data yang menunjukkan kenaikan, histogram bisa mendekati halus kurva, berbentuk
lonceng yang disebut distribusi normal.

Jelas, tidak mungkin untuk mengukur koefisien ekspansi termal untuk setiap bagian
dari baja struktural yang pernah diproduksi. Akibatnya, seperti yang terlihat pada
Tabel PT5.1 dan PT5.2, kita dapat secara acak membuat sejumlah pengukuran dan,
atas dasar sampel, mencoba untuk mengkarakterisasi sifat dari seluruh populasi.
Karena kita “menyimpulkan” sifat dari populasi yang tidak diketahui dari
sampel yang terbatas, usaha ini disebut inferensi statistik. Karena hasil sering
dilaporkan sebagai perkiraan parameter populasi, proses ini juga disebut sebagai
perkiraan.
Kami telah menunjukkan bagaimana kita memperkirakan tendensi sentral
(mean sampel, ý) dan spread (deviasi standar sampel dan varians) dari sampel yang
terbatas. Sekarang, kita akan jelaskan secara singkat bagaimana kita dapat
melampirkan pernyataan probabilistik untuk kualitas perkiraan ini. Secara khusus,
kita akan membahas bagaimana kita dapat menentukan interval kepercayaan sekitar
perkiraan kami dari mean. Kami telah memilih topik tertentu ini karena relevansi
langsung terhadap model regresi kita akan menjelaskan di Chap. 17.
Perhatikan bahwa dalam pembahasan berikut, nomenklatur yang ý dan S y
mengacu pada sampel mean dan standar deviasi masing-masing. nomenklatur yang μ
dan σ mengacu pada rata-rata populasi dan standar deviasi masing-masing. Kadang-
kadang disebut sebagai “diperkirakan” berarti dan standar deviasi, sedangkan yang
terakhir kadang-kadang disebut “benar” berarti dan standar deviasi.
Sebuah estimator Interval memberikan rentang nilai di mana parameter
diharapkan untuk berbohong dengan probabilitas yang diberikan. interval tersebut
digambarkan sebagai satu-sisi atau twosided. Seperti namanya, sebuah satu sisi
Interval mengungkapkan keyakinan kita bahwa estimasi parameter kurang dari atau
lebih besar dari nilai sebenarnya. Sebaliknya, Interval dua sisi penawaran dengan
proposisi yang lebih umum bahwa perkiraan setuju dengan kebenaran dengan tidak
ada pertimbangan untuk tanda perbedaan tersebut. Karena lebih umum, kita akan
fokus pada interval dua sisi.

GAMBAR PT5.3
Sebuah selang kepercayaan dua sisi. Absis besaran di ( Sebuah) ditulis dalam unit
alami dari variabel acak y. Versi dinormalisasi dari absis di ( b) memiliki mean di
asal dan skala sumbu sehingga standar deviasi sesuai dengan nilai unit.

Interval dua sisi dapat dijelaskan oleh pernyataan

P{L ≤ μ ≤ U} = 1 – α
yang berbunyi, “probabilitas bahwa mean sejati y, μ, jatuh dalam terikat dari L untuk
U adalah 1 - α. " Kuantitas α disebut tingkat signifikansi. Jadi masalah
mendefinisikan interval kepercayaan mengurangi ke memperkirakan L dan U.
Meskipun tidak mutlak diperlukan, adalah kebiasaan untuk melihat interval dua sisi
dengan α probabilitas merata sebagai α / 2 di setiap ekor distribusi, seperti pada
Gambar. PT5.3.
 Jika varians sebenarnya dari distribusi y, σ 2, dikenal (yang tidak biasanya
terjadi), teori statistik menyatakan bahwa mean sampel ý berasal dari distribusi
normal dengan mean μ dan varians σ 2 / n ( Kotak PT5.1). Dalam kasus diilustrasikan
pada Gambar. PT5.3, kita benar-benar tidak tahu μ. Oleh karena itu, kita tidak tahu di
mana kurva normal persis terletak sehubungan dengan ý untuk menghindari dilema
ini, kita menghitung jumlah yang baru, estimasi standar normal
ý−μ
ź= (PT5.6)
σ /√n
yang mewakili jarak dinormalisasi antara ý dan μ. Menurut teori statistik, kuantitas
ini harus terdistribusi secara normal dengan rata-rata 0 dan varians 1. Selanjutnya,
probabilitas bahwa ź akan jatuh dalam wilayah unshaded Gambar. PT5.3

Kotak PT5.1 Sebuah Sedikit Statistik

Kebanyakan insinyur mengambil beberapa kursus untuk menjadi mahir statistik.
Karena Anda mungkin tidak telah mengambil kursus tersebut belum, kami ingin
menyebutkan beberapa ide yang mungkin bisa membuat bagian sekarang ini lebih
koheren.
Seperti yang telah kita menyatakan, “permainan” dari statistik inferensial
mengasumsikan bahwa variabel acak Anda sampling, y, memiliki mean yang benar
( μ) dan varians ( σ 2). Selanjutnya, dalam diskusi ini, kami juga menganggap bahwa
ia memiliki distribusi tertentu: distribusi normal. Varians dari distribusi normal ini
memiliki nilai yang terbatas yang menentukan “penyebaran” dari distribusi normal.
Jika varians besar, distribusi yang luas. Sebaliknya, jika varians kecil, distribusi
sempit. Dengan demikian, varians benar mengkuantifikasi ketidakpastian intrinsik
dari variabel acak.
Dalam permainan statistik, kita mengambil sejumlah pengukuran kuantitas ini
disebut sampel. Dari contoh ini, kita dapat menghitung perkiraan rata-rata ( ý) dan
varians (S y 2). Semakin Measuressurements kita ambil, lebih baik perkiraan perkiraan

nilai-nilai yang benar. Artinya,sebagai n → ∞, ý → μ dan S y 2 → σ 2.

Misalkan kita ambil n sampel dan menghitung perkiraan rata-rata ý 1.
Kemudian, kami mengambil lagi n sampel dan menghitung lagi, ý 2. Kita dapat terus
mengulangi proses ini sampai kita telah menghasilkan sampel berarti:
ý 1 , y´2 , ý 3 , … . , y´m , dimana m besar. Kita kemudian dapat mengembangkan histogram
sarana ini dan menentukan “distribusi sarana,” serta “berarti sarana” dan Sekarang
muncul pertanyaan “standar deviasi berarti.”: apakah distribusi baru ini sarana dan
statistiknya berperilaku dalam mode diprediksi?
Ada teorema sangat penting dikenal sebagai Teorema Limit Sentral yang berbicara
langsung untuk pertanyaan ini. Hal ini dapat dinyatakan sebagai biarkan y 1, y 2, . . . .
y n menjadi sapel acak berukuran n dari distribusi dengan mean μ dan varians σ 2.
Kemudian, untuk n besar, ý adalah kira-kira normal dengan mean μ dan varians σ 2/ n.
Selanjutnya, untuk n besar,variabel acak ( ý−μ)/(σ / √ n ) adalah sekitar standar normal.
Dengan demikian, teorema menyatakan hasil luar biasa yang th e distribusi
berarti selalu akan terdistribusi secara normal terlepas dari distribusi yang mendasari
variabel-variabel acak! Hal ini juga menghasilkan hasil yang diharapkan yang
diberikan sampel cukup besar, rata-rata dari sarana ini akan bertemu pada populasi
yang sebenarnya berarti μ.
Selanjutnya, teorema mengatakan bahwa sebagai ukuran sampel bertambah
besar, varians dari cara harus mendekati nol. Ini masuk akal, karena jika n kecil,
perkiraan pribadi kita dari mean harus miskin dan varians dari sarana harus besar.
Sebagai n meningkat, perkiraan kami dari mean akan meningkatkan dan karenanya
penyebaran mereka harus menyusut. The Central Teorema Limit rapi mendefinisikan
persis bagaimana penyusutan ini berkaitan dengan kedua varians benar dan ukuran
sampel, yaitu sebagai σ 2/ n.
 Akhirnya, teorema menyatakan hasil penting yang telah kita diberikan sebagai
Persamaan. (PT5.6). Seperti ditunjukkan dalam bagian ini, hasil ini merupakan dasar
untuk membangun interval kepercayaan untuk mean.

harus 1 - α. Oleh karena itu, pernyataan tersebut dapat dibuat bahwa

ý−μ ý−μ
<−Z a / 2 atau >Z a /2
σ /√n σ /√n

dengan probabilitas α.
Kuantitas z α / 2 adalah variabel acak normal standar. Ini adalah jarak yang diukur
sepanjang sumbu dinormalisasi atas dan di bawah rata-rata yang meliputi 1 – α probabilitas
(Gambar. PT5.3 b). nilai-nilai z α / 2 ditabulasikan dalam buku-buku statistik (misalnya,
Milton dan Arnold, 2002). Mereka juga dapat dihitung dengan menggunakan fungsi untuk
paket perangkat lunak seperti Excel, MATLAB, dan Mathcad. Sebagai contoh, untuk α =
0,05 (dengan kata lain, mendefinisikan selang meliputi 95%), z α / 2 sama dengan sekitar
1,96. Ini berarti bahwa selang waktu sekitar rata-rata lebar ± 1,96 kali standar deviasi akan
mencakup sekitar 95% dari distribusi.
Hasil ini dapat diatur kembali untuk menghasilkan
L≤μ≤U
dengan probabilitas 1 - α, dimana

σ σ
L= ý − Z a /2 U =ý− Z a/ 2 (PT5.7)
√n √n

Sekarang, meskipun hal tersebut memberikan perkiraan L dan U, itu didasarkan pada
pengetahuan tentang varian yang benar σ. Fo r kasus kami, kami tahu pada l y estimasi
varians s y. Alternatif langsung akan mengembangkan versi Persamaan. (PT5.6) berdasarkan
s y,
ý −μ
t= (PT5.8)
Sy / √ n

Bahkan ketika kita sampl e dari distribusi normal, fraksi ini tidak akan terdistribusi secara
normal, terutama ketika n kecil. Hal tersebut ditemukan oleh WS Gossett bahwa variabel
acak yang didefinisikan oleh Persamaan. (PT5.8) mengikuti disebut murid- t, atau hanya,
distribusi t.
Untuk kasus ini,

Sy Sy
L= ý − t a , n−1 U =ý+ t a , n−1 (PT5.9)
√n 2 √n 2

dimana t α / 2, n - 1 adalah variabel acak standar untuk t distribusi untuk probabilitas α / 2.

Seperti halnya untuk z α / 2, nilai-nilai ditabulasikan dalam buku-buku statistik dan juga
dapat dihitung dengan menggunakan paket perangkat lunak dan perpustakaan. Sebagai
contoh, jika α = 0,05 dan n = 20, t α / 2, n - 1 = 2,086. Itu t distribusi dapat dianggap sebagai
modifikasi dari distribusi normal yang menyumbang fakta bahwa kita memiliki perkiraan
yang tidak sempurna dari standar deviasi. Kapan n kecil, cenderung datar dari normal (lihat
Gambar. PT5.4). Oleh karena itu, untuk kecil

GAMBAR PT5.4
Perbandingan distribusi normal dengan t distribusi untuk n = 3 dan n = 6. Perhatikan
bagaimana t distribusi umumnya datar.
 nomor pengukuran, ia menghasilkan lebih luas dan interval kepercayaan karenanya
lebih konservatif. Sebagai n tumbuh lebih besar, t distribusi konvergen pada normal.

CONTOH PT5.2 Confidence Interval pada Mean

Pernyataan masalah. Tentukan mean dan sesuai 95% interval kepercayaan untuk data
dari Tabel PT5.1. Lakukan tiga perkiraan berdasarkan ( Sebuah) pertama 8, ( b)
pertama 16, dan ( c) semua 24 pengukuran.
Solusi. ( Sebuah) Deviasi mean dan standar untuk pertama 8 poin

2
52.72 347.4814−( 52.72 ) /8 = 0.089921
ý=
8
=6.59 Sy=
√ 8−1

Yang sepantasnya t statistic dapat dihitung sebagai

t 0,05 / 2,8 - 1 = t 0.025,7 = 2.364623

yang dapat digunakan untuk menghitung interval

 0.089921
L=6.59− 2.364623=6 . 5148
√8
0.089921
U =6.59+ 2.364623=6 . 6652
√8
or
6.5148 ≤ μ ≤ 6.6652

GAMBAR PT5.5
Perkiraan rata-rata dan 95% interval kepercayaan untuk nomor yang berbeda dari
ukuran sampel.

Dengan demikian, berdasarkan delapan pertama pengukuran, kami menyimpulkan

bahwa ada kemungkinan 95% bahwa mean sebenarnya berada dalam kisaran 6,5148-
6,6652.
Dua kasus lainnya untuk ( b) 16 poin dan ( c) 24 poin dapat dihitung dengan
cara yang sama dan hasil tabulasi bersama dengan kasus ( Sebuah) sebagai
 Hasil ini, yang juga diringkas dalam Gambar. PT5.5, menunjukkan hasil yang
diharapkan bahwa selang kepercayaan menjadi lebih sempit seperti n meningkatkan.
Dengan demikian, semakin banyak pengukuran yang kita ambil, perkiraan kami dari
nilai sebenarnya menjadi lebih halus.

Di atas adalah salah satu contoh sederhana bagaimana statistik dapat digunakan untuk
membuat penilaian mengenai data pasti. Konsep-konsep ini juga akan memiliki relevansi
langsung dengan diskusi kita dari model regresi. Anda dapat berkonsultasi buku statistik
dasar (misalnya, Milton dan Arnold, 2002) untuk mendapatkan informasi tambahan pada
subjek.

PT5.3 ORIENTASI
Sebelum kita lanjutkan ke metode numerik untuk curve fitting, beberapa orientasi
mungkin bisa membantu. Berikut ini dimaksudkan sebagai gambaran dari materi
yang dibahas dalam Bagian Lima. Selain itu, kami telah merumuskan beberapa tujuan
untuk membantu memfokuskan upaya Anda ketika mempelajari materi.

PT5.3.1 Lingkup dan Preview

Gambar PT5.6 memberikan gambaran visual material yang akan dibahas
dalam Bagian Lima. Bab 17 dikhususkan untuk kuadrat-regresi. Pertama kita akan
belajar bagaimana menyesuaikan “terbaik” garis lurus melalui serangkaian titik data
pasti. Teknik ini disebut regresi linier. Selain membahas bagaimana menghitung
kemiringan dan intercept dari garis lurus ini, kami juga menyajikan metode kuantitatif
dan visual untuk mengevaluasi keabsahan hasil.
Selain pas garis lurus, kami juga menyajikan teknik umum untuk pas “terbaik
'' polinomial. Dengan demikian, Anda akan belajar untuk mendapatkan polinomial
parabola, kubik, atau lebih tinggi-order yang optimal sesuai data yang pasti. regresi
linier adalah bagian dari pendekatan yang lebih umum ini, yang disebut regresi
polinomial.
Topik berikutnya tercakup dalam Chap. 17 adalah regresi linier berganda. Hal
ini dirancang untuk kasus di mana variabel dependen y adalah fungsi linear dari dua
atau lebih variabel independen x 1, x 2, . . . . x m. Pendekatan ini memiliki utilitas
khusus untuk mengevaluasi data eksperimen dimana variabel bunga tergantung pada
sejumlah faktor yang berbeda.
GAMBAR PT5.6
Skema organisasi materi di Bagian Lima: Curve Fitting.
Setelah regresi berganda, kita menggambarkan bagaimana polinomial dan
regresi ganda keduanya subset dari umum linear kuadrat-terkecil Model. Antara lain,
ini akan memungkinkan kami untuk memperkenalkan representasi matriks ringkas
regresi dan membahas sifat statistiknya umum.
 Akhirnya, bagian terakhir dari Chap. 17 yang dikhususkan untuk regresi
nonlinear. Pendekatan ini dirancang untuk menghitung kuadrat-cocok dari persamaan
nonlinear data.
Di Chap. 18, teknik kurva-pas alternatif disebut interpolasi dijelaskan. Seperti
dibahas sebelumnya, interpolasi digunakan untuk memperkirakan nilai menengah
antara titik data yang tepat. Dalam Chap. 18, polinomial berasal untuk tujuan ini.
Kami memperkenalkan konsep dasar interpolasi polinomial dengan menggunakan
garis lurus dan parabola untuk menghubungkan titik-titik. Kemudian, kami
mengembangkan prosedur umum untuk pas suatu n th-order polinomial. Dua format
disajikan untuk mengekspresikan polynomial tersebut dalam bentuk persamaan. Yang
pertama, disebut Newton interpolasi polinomial, adalah lebih ketika urutan yang tepat
dari polinomial tidak diketahui. Yang kedua, yang disebut Lagrange interpolasi
polinomial, memiliki kelebihan ketika urutan yang tepat diketahui terlebih dahulu.
Bagian berikutnya dari Chap. 18 menyajikan teknik alternatif untuk pas poin
data yang tepat. Teknik ini, yang disebut interpolasi spline, cocok polinomial untuk
data tetapi secara piecewise. Dengan demikian, itu sangat cocok untuk data pas yang
umumnya halus namun menunjukkan perubahan lokal tiba-tiba. Akhirnya, kami
menyediakan pengenalan singkat interpolasi multidimensi.
Bab 19 penawaran dengan Fourier transform pendekatan kurva pas di mana
fungsi periodik yang cocok untuk data. penekanan kami pada bagian ini akan berada
di Fast Fourier Transform. Pada akhir bab ini, kami juga menyertakan gambaran
beberapa paket perangkat lunak yang dapat digunakan untuk curve fitting. Ini adalah
Excel, MATLAB, dan Mathcad.
Bab 20 dikhususkan untuk aplikasi teknik yang menggambarkan utilitas
metode numerik dalam konteks masalah rekayasa. Contoh diambil dari empat daerah
khusus utama kimia, sipil, listrik, dan teknik mesin. Selain itu, beberapa aplikasi
menggambarkan bagaimana paket perangkat lunak dapat diterapkan untuk pemecahan
 masalah rekayasa. Akhirnya, sebuah epilog disertakan pada akhir Bagian Lima. Ini
berisi ringkasan rumus penting dan konsep yang berkaitan dengan kurva fitting serta
diskusi tentang pengorbanan antara teknik dan saran untuk studi di masa depan.
Tujuan PT5.3.2 dan Tujuan
Tujuan studi. Setelah menyelesaikan Bagian Kelima, Anda harus telah sangat
meningkatkan kemampuan Anda untuk menyesuaikan kurva data. Secara umum,
Anda harus telah menguasai teknik, telah belajar untuk menilai keandalan jawaban,
dan mampu memilih metode yang disukai (atau metode) untuk masalah tertentu.
Selain tujuan-tujuan umum, konsep-konsep tertentu dalam Tabel PT5.3 harus
berasimilasi dan menguasai.
Tujuan komputer. Anda telah disediakan dengan algoritma komputer sederhana untuk
menerapkan teknik yang dibahas di Bagian Lima. Anda juga mungkin memiliki akses
ke paket perangkat lunak dan perpustakaan. Semua memiliki utilitas sebagai alat
belajar.
Algoritma pseudo disediakan untuk sebagian besar metode di Bagian Lima.
Informasi ini akan memungkinkan Anda untuk memperluas perpustakaan perangkat
lunak Anda untuk memasukkan teknik luar regresi polinomial. Sebagai contoh, Anda
mungkin menemukan itu berguna dari sudut pandang profesional untuk memiliki
perangkat lunak untuk melaksanakan regresi linier berganda, Newton interpolasi
polinomial, kubik spline interpolasi, dan Fast Fourier Transform.
Selain itu, salah satu tujuan Anda yang paling penting harus menguasai
beberapa paket perangkat lunak generalpurpose yang banyak tersedia. Secara khusus,
Anda harus menjadi mahir menggunakan alat ini untuk menerapkan metode numerik
untuk pemecahan masalah rekayasa.

TABLE PT5.3 Tujuan studi khusus untuk Bagian Lima.

1. Memahami perbedaan mendasar antara regresi dan interpolasi dan menyadari
mengapa membingungkan dua dapat menyebabkan masalah serius
2. Memahami derivasi dari regresi linier kuadrat-dan dapat menilai keandalan fit
menggunakan penilaian grafis dan kuantitatif
3. Tahu bagaimana linearize data dengan transformasi
4. Memahami situasi di mana jumlahnya banyak, beberapa, dan nonlinear regresi
sesuai
5. Jadilah mampu mengenali model linear umum, memahami formulasi matriks
umum kuadrat terkecil linier, dan tahu bagaimana untuk menghitung interval
kepercayaan untuk parameter
6. Memahami bahwa ada satu dan hanya satu polinomial derajat n atau kurang yang
melewati tepat melalui n + 1 poin
7. Tahu bagaimana untuk mendapatkan polinomial interpolasi orde pertama Newton
8. Memahami analogi antara polinomial Newton dan perluasan seri Taylor dan
bagaimana kaitannya dengan kesalahan pemotongan
9. Kenali bahwa Newton dan Lagrange persamaan formulasi hanya berbeda sama
interpolasi polinomial dan memahami keunggulan masing-masing dan kerugian
10. Sadari bahwa hasil yang lebih akurat umumnya diperoleh jika data yang
digunakan untuk interpolasi ini berpusat di sekitar dan dekat dengan titik yang
tidak diketahui
11. Sadarilah bahwa titik data tidak harus sama spasi maupun dalam urutan tertentu
untuk baik Newton atau Lagrange polinomial
12. Tahu mengapa formula interpolasi equispaced memiliki utilitas
13. Kenali kewajiban dan risiko yang terkait dengan ekstrapolasi
14. Memahami mengapa fungsi spline memiliki utilitas untuk data dengan local area
perubahan mendadak
15. Memahami bagaimana polinomial interpolasi dapat diterapkan dalam dua dimensi
16. Kenali bagaimana seri Fourier digunakan untuk menyesuaikan data dengan fungsi
periodik
17. Memahami perbedaan antara frekuensi dan waktu domain
 BAB 17
KUADRAT-REGRESI

Di mana kesalahan substansial terkait dengan data, interpolasi polinomial adalah

tidak pantas dan dapat menghasilkan hasil yang kurang memuaskan saat digunakan untuk
memprediksi nilai menengah. Data eksperimental sering jenis ini. Sebagai contoh, Gambar.
17,1 Sebuah menunjukkan tujuh titik data eksperimen berasal menunjukkan variabilitas yang
signifikan. inspeksi visual dari data menunjukkan hubungan positif antara y dan x. Artinya,
tren secara keseluruhan menunjukkan nilai-nilai yang lebih tinggi dari y.
Berhubungan dengan nilai-nilai yang lebih tinggi dari x. Sekarang, jika keenam-order
interpolasi polynomial dilengkapi data ini (Gbr. 17.1 b), itu akan berlalu persis melalui
semua poin. Namun, karena variabilitas dalam data,
kurva berosilasi secara luas dalam interval antara poin. Secara khusus, diinterpolasi nilai-
nilai di x = 1,5 dan x = 6.5 tampak baik di luar kisaran yang disarankan oleh data.
Amore strategi yang tepat untuk kasus tersebut adalah untuk menurunkan fungsi
aproksimasi yang sesuai dengan bentuk atau kecenderungan umum dari data tanpa harus
cocok dengan poin individu. Gambar 17.1 c menggambarkan bagaimana garis lurus dapat
digunakan untuk umum mencirikan tren data tanpa melalui titik tertentu.
Salah satu cara untuk menentukan garis pada Gambar. 17.1 c adalah untuk
memeriksa secara visual data diplot dan kemudian sketsa “terbaik” garis melalui titik.
Meskipun seperti “bola mata” pendekatan memiliki daya tarik akal sehat dan berlaku untuk
“back-of-the-amplop” perhitungan, mereka kekurangan karena mereka adalah sewenang
wenang. Artinya, kecuali poin mendefinisikan garis lurus sempurna (dalam hal ini,
interpolasi akan sesuai), analis yang berbeda akan menggambar garis yang berbeda.
Untuk menghapus subjektivitas ini, beberapa kriteria harus dirancang untuk
membangun dasar untuk cocok. Salah satu cara untuk melakukan ini adalah untuk
mendapatkan kurva yang meminimalkan perbedaan antara titik data dan kurva. Sebuah
teknik untuk mencapai tujuan ini, disebut kuadrat-regresi, akan dibahas dalam bab ini.
17.1 REGRESI LINIER
Contoh paling sederhana dari pendekatan kuadrat-sepatutnya garis lurus untuk satu
set pengamatan berpasangan: ( x 1, y 1), ( x 2, y 2), . . . , ( x n, y n). Ekspresi matematika
untuk garis lurus adalah
y = a0 + a1x + e

GAMBAR 17.1 ( Sebuah) Data menunjukkan kesalahan signifikan. ( b) Polinomial fit

berosilasi di luar jangkauan data. ( c) Lebih hasil yang memuaskan dengan menggunakan
kuadrat-fit.
dimana Sebuah 0 dan Sebuah 1 adalah koefisien yang mewakili mencegat dan lereng,
masing-masing, dane adalah kesalahan, atau sisa, antara model dan observasi, yang dapat
direpresentasikan dengan menata ulang Persamaan. (17.1) sebagai
e = y − a0 − a1x
Dengan demikian, kesalahan, atau sisa, adalah perbedaan antara nilai sebenarnya dari y dan
nilai perkiraan, Sebuah 0 + Sebuah 1 x, diprediksi oleh persamaan linear.
17.1.1 Kriteria untuk “Best” Fit
Salah satu strategi untuk pas “terbaik” line melalui data akan meminimalkan jumlah
kesalahan residual untuk semua data yang tersedia, seperti di

n n

∑ ei=∑ ¿ ¿yi − a0 − a1xi ) (17.2)

i=1 i=1

dimana n = jumlah total poin. Namun, ini merupakan kriteria yang tidak memadai, seperti
yang digambarkan oleh Gambar. 17,2 Sebuah yang menggambarkan fit dari garis lurus ke
dua poin. Jelas, paling cocok adalah

GAMBAR 17.2
Contoh beberapa kriteria untuk “cocok” yang memadai untuk regresi: ( Sebuah)
meminimalkan jumlah dari residu, ( b) meminimalkan jumlah nilai absolut dari
residual, dan ( c) meminimalkan kesalahan maksimum setiap titik individu.
garis yang menghubungkan titik-titik. Namun, setiap garis lurus melewati titik tengah garis
yang menghubungkan (kecuali garis sempurna vertikal) menghasilkan nilai minimal
Persamaan. (17.2) sama dengan nol karena kesalahan membatalkan.
Oleh karena itu, kriteria logis lain mungkin untuk meminimalkan jumlah dari nilai
absolut dari perbedaan, seperti dalam

n n

∑|ei|=∑ | yi−a 0−a 1 xi|

i=1 i=1

Gambar 17.2 b menunjukkan mengapa kriteria ini juga tidak memadai. Selama empat titik
yang ditunjukkan, setiap garis lurus yang berada dalam garis putus-putus akan
meminimalkan jumlah nilai absolut. Dengan demikian, kriteria ini juga tidak menghasilkan
cocok unik.
Athird strategi pas garis terbaik adalah minimax kriteria. Dalam teknik ini, garis
dipilih yang meminimalkan jarak maksimum yang titik individu jatuh dari garis. Seperti
digambarkan dalam Gambar. 17,2 c, Strategi ini tidak cocok untuk regresi karena
memberikan pengaruh yang tidak semestinya untuk outlier, yaitu, satu titik dengan kesalahan
besar. Perlu dicatat bahwa prinsip minimax kadang-kadang cocok untuk pas fungsi sederhana
untuk fungsi yang rumit (Carnahan, Luther, dan Wilkes, 1969).
Sebuah strategi yang mengatasi kekurangan dari pendekatan tersebut adalah untuk
meminimalkan jumlah kuadrat dari residual antara diukur y dan y dihitung dengan model
linear

n n n
Sr=∑ ei =∑ ( yi , measured− yi, model) =∑ ( yi−a 0−a1 xi)2 (17.2)
2 2

i=1 i=1 i=1

Kriteria ini memiliki sejumlah keuntungan, termasuk fakta bahwa itu menghasilkan garis
unik untuk satu set data. Sebelum membahas sifat ini, kami akan menyajikan teknik untuk
menentukan nilai-nilai Sebuah 0 dan Sebuah 1 yang meminimalkan Persamaan. (17.3).

17.1.2 Least-Squares Fit dari Garis Lurus

Untuk menentukan nilai untuk Sebuah 0 dan Sebuah 1, Eq. (17.3) dibedakan sehubungan
dengan masing-masing koefisien:

Perhatikan bahwa
kita telah
menyederhanakan simbol penjumlahan; kecuali dinyatakan lain, semua penjumlahan adalah
dari i = 1 untuk n. Pengaturan derivatif ini sama dengan nol akan menghasilkan minimum S
r. Jika hal ini dilakukan, persamaan dapat dinyatakan sebagai
Sekarang, menyadari bahwa Sebuah 0 = na 0, kita dapat mengekspresikan persamaan sebagai
satu set dari dua persamaan linear simultan dengan dua tidak diketahui (a0 dan a1):

Ini disebut persamaan normal. Mereka dapat diselesaikan secara simultan

(17.6)
Hasil ini kemudian dapat b e digunakan di conjunc tion dengan Persamaan. (17.4) untuk
memecahkan

(17.7)
dimana ý dan x́ adalah sarana y dan x, masing-masing.
CONTOH 17.1 Linear Regression
Soal Pernyataan. Fit garis lurus ke x dan y nilai dalam dua kolom pertama
dari Tabel
 TABEL 17.1 Perhitungan untuk analisis kesalahan dari fit linear.

Oleh karena itu, kuadrat-terkecil cocok adalah

y = 0.07142857 + 0.8392857 x

garis, bersama dengan data, ditunjukkan pada Gambar. 17.1 c.

17.1.3 Kuantifikasi Kesalahan Regresi Linier

Setiap jalur lain dari yang dihitung dalam Contoh 17.1 hasil dalam jumlah yang lebih besar
dari kuadrat residual. Dengan demikian, garis adalah unik dan dalam hal kriteria yang kami
pilih adalah “terbaik” garis melalui titik. Sejumlah sifat tambahan dari fit ini dapat dijelaskan
dengan memeriksa lebih dekat cara di mana residu dihitung. Ingat bahwa jumlah kuadrat
didefinisikan sebagai [Eq. (17.3)]

n n
Sr=∑ ei 2 =∑ ( yi−a 0−a 1 xi)2 (17.8)
i=1 i=1

Perhatikan kesamaan antara pers. (PT5.3) dan (17,8). Dalam kasus yang pertama,
kuadrat residual yang mewakili kuadrat dari perbedaan antara data dan perkiraan tunggal
ukuran tendensi sentral-mean. Dalam Persamaan. (17,8), kuadrat residual merupakan kuadrat
jarak vertikal antara data dan ukuran lain dari kecenderungan-garis lurus pusat (Gambar.
17.3).

Analogi dapat diperpanjang untuk kasus-kasus di mana (1) penyebaran titik-titik di

sekitar garis adalah sama besarnya sepanjang seluruh rentang data dan (2) distribusi titik-titik
ini tentang garis normal. Hal ini dapat dibuktikan bahwa jika kriteria ini terpenuhi, kuadrat-
regresi akan memberikan yang terbaik (yaitu, yang paling mungkin) estimasi a0 dan a1 (
Draper dan Smith, 1981). Ini disebut Prinsip kemungkinan maksimum di

GAMBAR 17.3

Sisa dalam regresi linear merupakan jarak vertikal antara titik data dan garis lurus.
statistik. Selain itu, jika kriteria ini terpenuhi, “standar deviasi” untuk garis regresi dapat
ditentukan sebagai [dibandingkan dengan Eq. (PT5.2)]

(17.9)

dimana s y / x disebut s Tanda rd error dari estimasi. Subskrip notasi “ y / x ”Menunjuk

bahwa kesalahan adalah untuk nilai prediksi y sesuai dengan nilai tertentu x. Juga, perhatikan
bahwa kita sekarang membagi dengan n - 2 karena dua estimates- Data yang diturunkan
Sebuah 0 dan Sebuah 1 - digunakan untuk menghitung S r; dengan demikian, kita telah
kehilangan dua derajat kebebasan. Seperti diskusi kita tentang standar deviasi di PT5.2.1,
pembenaran lain untuk membaginya dengan n - 2 adalah bahwa tidak ada hal seperti
“penyebaran data” di sekitar garis lurus yang menghubungkan dua titik. Dengan demikian,
untuk kasus di mana n = 2, Eq. (17,9) menghasilkan hasil berarti tak terhingga.

Sama seperti halnya dengan standar deviasi, standard error dari estimasi
mengkuantifikasi penyebaran data. Namun, s y / x mengkuantifikasi penyebaran sekitar garis
regresi seperti ditunjukkan pada Gambar. 17.4 b berbeda dengan standar deviasi asli s y yang
diukur spread sekitar mean ( Gambar. 17.4 Sebuah).

Konsep di atas dapat digunakan untuk mengukur “kebaikan” dari fit kami. Hal ini
sangat berguna untuk perbandingan dari beberapa regresi (Gbr. 17,5). Untuk melakukan ini,
kita kembali ke data asli dan menentukan Total jumlah kuadrat sekitar mean untuk variabel
dependen (dalam kasus kami, y). Seperti halnya untuk Eq. (PT5.3), jumlah ini ditunjuk S t.
Ini adalah besarnya kesalahan residual terkait dengan variabel dependen sebelum regresi.
Setelah melakukan regresi, kita dapat menghitung S r, jumlah dari kuadrat residual sekitar
garis regresi. Ini mencirikan sisa kesalahan yang tersisa setelah regresi. Oleh karena itu,
kadang-kadang disebut jumlah dijelaskan kuadrat. Itu

GAMBAR 17.4

Data regresi menunjukkan ( Sebuah) penyebaran data di sekitar mean dari variabel
dependen dan ( b) penyebaran data di sekitar garis paling cocok. Penurunan spread
untuk pergi dari ( Sebuah) untuk ( b), seperti yang ditunjukkan oleh kurva berbentuk
lonceng di sebelah kanan, mewakili peningkatan karena regresi linier.
 GAMBAR 17.5

Contoh regresi linier dengan ( Sebuah) kecil dan ( b) kesalahan residual

besar.

Perbedaan antara dua kuantitas, S t - S r, mengkuantifikasi peningkatan atau kesalahan

pengurangan karena menggambarkan data dalam hal garis lurus bukan sebagai nilai rata-rata.
Karena besarnya kuantitas ini adalah skala tergantung, perbedaan tersebut dinormalisasi
untuk S t untuk menghasilkan

(17.10)
dimana r 2 disebut t dia coe fficient determinasi dan r adalah koefisien korelasi (= √ r 2).
Untuk cocok, S r = 0 dan r = r 2 = 1, menandakan bahwa garis menjelaskan 100 persen dari
variabilitas data. Untuk r = r 2 = 0, S r = S t dan cocok mewakili tidak ada perbaikan.
Sebuah Sebuah formulasi lternative untuk r yang lebih nyaman untuk implementasi computer

(17.11)

CONTOH 17.2 Estimasi Kesalahan untuk Linear Least-Squares Fit

Pernyataan masalah. Menghitung total deviasi standar, standard error dari

estimasi, dan koefisien korelasi untuk data pada Contoh 17.1.

Solusi. Penjumlahan dilakukan dan disajikan dalam Tabel 17.1. Deviasi

standar [Eq. (PT5.2)]
 Sebelum melanjutkan ke program komputer untuk regresi linier, kata
hati-hati adalah dalam rangka. Meskipun koefisien korelasi memberikan
ukuran berguna kebaikan-of-fit, Anda harus berhati-hati untuk tidak
menganggap lebih makna daripada dibenarkan. Hanya karena r adalah
“menutup” untuk 1 tidak berarti bahwa fit adalah tentu “baik.” Sebagai
contoh, adalah mungkin untuk mendapatkan nilai yang relatif tinggi r ketika
mendasari hubungan antara y dan x bahkan tidak linear. Draper dan Smith
(1981) memberikan bimbingan dan materi tambahan mengenai penilaian
hasil untuk regresi linear. Selain itu, minimal, Anda harus selalu memeriksa
plot dari data bersama dengan kurva regresi Anda. Seperti dijelaskan di
bagian selanjutnya, paket perangkat lunak mencakup kemampuan seperti
itu.

Program Komputer 17.1.4 untuk Linear Regression

Ini adalah masalah yang relatif sepele untuk mengembangkan pseudocode untuk
regresi linier (Gambar. 17,6). Seperti disebutkan di atas, pilihan yang merencanakan penting
untuk penggunaan yang efektif dan interpretasi regresi. kemampuan tersebut termasuk dalam
paket populer seperti software MATLAB dan Excel. Jika bahasa komputer Anda memiliki
kemampuan merencanakan, kami sarankan Anda memperluas program Anda untuk
memasukkan sebidang y melawan x, menunjukkan baik data dan garis regresi.
Dimasukkannya kemampuan akan sangat meningkatkan utilitas dari program dalam konteks
problemsolving.
 GAMBAR 17.6
Algoritma untuk regresi linier.
 Linear Regression Menggunakan Pernyataan Masalah Komputer. Kita dapat
CONTOH 17.3 menggunakan perangkat lunak berbasis

TABEL 17.2 Diukur dan dihitung kecepatan untuk penerjun jatuh

pada nilai diketahui waktu dan membandingkan hasil ini dengan kecepatan
diprediksi sesuai dengan masing-masing model.

Program seperti percobaan-pengumpulan data dilaksanakan, dan hasilnya

tercantum dalam kolom ( Sebuah) Tabel 17.2. kecepatan dihitung untuk
masing-masing model tercantum dalam kolom ( b) dan ( c).

Solusi. Kecukupan model dapat diuji dengan memplot kecepatan model

dihitung versus kecepatan diukur. regresi linear dapat digunakan untuk
menghitung kemiringan dan mencegat plot. Baris ini akan memiliki
kemiringan 1, intercept dari 0, dan r 2 = 1 jika model sesuai dengan data
sempurna. Penyimpangan yang signifikan dari nilai-nilai ini dapat digunakan
sebagai indikasi ketidakcukupan model.

Gambar 17.7 Sebuah dan b adalah plot baris dan data untuk regresi kolom ( b)
dan ( c), masing-masing, dibandingkan kolom ( Sebuah). Untuk model
pertama [Eq. (1.10) seperti digambarkan pada Gambar. 17,7 Sebuah],
 v Model = - 0,859 + 1,032 v mengukur
dan untuk model kedua [Eq. (E17.3.1) seperti digambarkan pada Gambar.
17,7 b],
v Model = 5,776 + 0,752 v mengukur
plot ini menunjukkan bahwa regresi linier antara data dan masing-masing
model sangat signifikan. Kedua model mencocokkan data dengan koefisien
korelasi lebih besar dari 0,99.
Namun, model dijelaskan oleh Persamaan. (1.10) sesuai dengan kriteria uji
hipotesis kami jauh lebih baik dari yang dijelaskan oleh Persamaan. (E17.3.1)
karena kemiringan dan mencegat lebih hampir sama dengan 1 dan 0. Jadi,
meskipun masing-masing plot baik dijelaskan oleh garis lurus, Persamaan.
(1.10) tampaknya menjadi model yang lebih baik daripada Persamaan.
(E17.3.1).

GAMBAR 17,7

(Sebuah) Hasil menggunakan regresi linier untuk membandingkan prediksi

dihitung dengan model teoritis [Eq. (1.10)] terhadap nilai yang terukur. ( b)
 Hasil menggunakan regresi linier untuk membandingkan prediksi dihitung
dengan model empiris [Eq. (E17.3.1)] terhadap nilai yang terukur.

Pengujian model dan seleksi adalah kegiatan umum dan sangat penting
dilakukan pada semua bidang teknik. materi latar belakang yang disediakan
dalam bab ini, bersama-sama dengan perangkat lunak Anda, harus
memungkinkan Anda untuk mengatasi banyak masalah praktis dari jenis ini.

Ada satu kekurangan dengan analisis dalam Contoh 17.3. Contoh itu ambigu karena
model empiris [Eq. (E17.3.1)] jelas kalah dengan Persamaan. (1.10). Dengan demikian,
lereng dan intercept untuk mantan yang jauh lebih dekat ke hasil yang diinginkan dari 1 dan
0, yang jelas model mana yang lebih unggul.

Namun, anggaplah bahwa lereng yang 0,85 dan mencegat itu 2. Jelas ini akan
membuat kesimpulan bahwa kemiringan dan mencegat adalah 1 dan 0 terbuka untuk
diperdebatkan. Jelas, daripada mengandalkan pada penilaian subjektif, itu akan lebih baik
untuk mendasarkan kesimpulan seperti pada kriteria kuantitatif. Hal ini dapat dilakukan
dengan menghitung interval kepercayaan untuk parameter model dengan cara yang sama
yang kami kembangkan interval kepercayaan untuk mean di Sec. PT5.2.3. Kami akan
kembali ke topik ini pada akhir bab ini.

17.1.5 Linearisasi nonlinier Hubungan

Regresi linier menyediakan teknik yang kuat untuk pas garis terbaik untuk data.
Namun, hal itu ditautkan pada kenyataan bahwa hubungan antara variabel dependen dan
independen adalah linear. Hal ini tidak selalu terjadi, dan langkah pertama dalam analisis
regresi harus untuk merencanakan dan memeriksa secara visual data untuk memastikan
apakah model linear berlaku. Sebagai contoh, Gambar. 17,8 menunjukkan beberapa data
yang jelas lengkung. Dalam beberapa kasus, teknik seperti regresi polinomial, yang
dijelaskan dalam Sec. 17,2, sesuai. Bagi orang lain, transformasi dapat digunakan untuk
mengungkapkan data dalam bentuk yang kompatibel dengan regresi linier.
GAMBAR 17.8
(a) Data yang tidak cocok untuk regresi linear kuadrat terkecil. ( b) Indikasi bahwa
parabola adalah lebih baik.

Salah satu contoh adalah eksponensial Model

y = α 1 eβ 1 x (17.12)

dimana α 1 dan β 1 adalah konstanta. Model ini digunakan dalam berbagai

bidang teknik untuk menandai jumlah yang meningkat (positif β 1) atau
menurunkan (negatif β 1) pada tingkat yang berbanding lurus dengan besarnya
mereka sendiri. Misalnya, pertumbuhan penduduk atau peluruhan radioaktif
dapat menunjukkan perilaku seperti itu. Seperti digambarkan dalam Gambar.
17.9 Sebuah, persamaan merupakan hubungan nonlinear (untuk β 1 = 0)
antara y dan x.
 Contoh lain dari model nonlinear adalah persamaan listrik sederhana

y = α 2 xβ 2 (17.13)

GAMBAR 17.9

(a) Eksponensial persamaan ( b) persamaan kekuasaan, dan ( c) persamaan saturasi-

pertumbuhan-tingkat. bagian ( d), (e), dan ( f) adalah versi linier dari persamaan ini yang
dihasilkan dari transformasi sederhana.

dimana α 2 dan β 2 adalah koefisien konstan. Model ini diterapkan secara luas di semua
bidang teknik. Seperti digambarkan dalam Gambar. 17.9 b, persamaan (untuk β 2 = 0 atau 1)
adalah nonlinear.
Contoh ketiga model nonlinear adalah persamaan saturasi pertumbuhan tingkat [ingat Eq.
(E17.3.1)]

x
y=α 3 (17.14)
β 3+ x

dimana α 3 dan β 3 adalah koefisien konstan. Model ini, yang sangat cocok untuk
karakteristik laju pertumbuhan penduduk di bawah kondisi yang membatasi, juga merupakan
hubungan nonlinear antara y dan x ( Gambar. 17,9 c) bahwa tingkat off, atau “jenuh”, seperti
x meningkatkan.

Teknik regresi nonlinier yang tersedia untuk menyesuaikan persamaan ini untuk data
eksperimen langsung. (Perhatikan bahwa kita akan membahas regresi nonlinear di Sec.
17,5.) Namun, alternatif sederhana adalah dengan menggunakan manipulasi matematika
untuk mengubah persamaan menjadi bentuk linear. Kemudian, regresi linier sederhana dapat
digunakan untuk menyesuaikan persamaan data.

Sebagai contoh, Persamaan. (17,12) dapat linierisasi dengan mengambil logaritma

natural untuk menghasilkan

ln y = ln α 1 + β1 x ln e

Tetapi karena ln e = 1

ln y = ln α 1 + β 1 x (17.15)

Dengan demikian, plot ln y melawan x akan menghasilkan garis lurus dengan kemiringan β 1
dan intercept dari ln α 1 (Fig. 17.9d).

Persamaan (17,13) adalah linierisasi dengan mengambil basis-10 logaritma untuk

memberikan log y = β2 log x + log α2
(17.16)
 Dengan demikian, plot log y dibandingkan log x akan menghasilkan garis lurus
dengan kemiringan β 2 dan intercept dari log α 2 ( Gambar.17,9 e).

Persamaan (17.14) adalah linierisasi dengan membalik itu untuk memberikan

1 β3 1 1
= + (17.17)
y α3 x α3

Dengan demikian, sebidang 1 / y dibandingkan l / x akan linear, dengan kemiringan β 3 /

α 3 dan intercept dari 1 / α 3 (Gbr. 17.9 f).

Dalam bentuk mereka berubah, model ini dapat menggunakan regresi linier untuk
mengevaluasi koefisien konstan. Mereka kemudian bisa diubah kembali ke negara asal
mereka dan digunakan untuk tujuan prediksi. Contoh 17.4 menggambarkan prosedur ini
untuk Persamaan. (17,13). Selain itu, Sec. 20,1 memberikan contoh rekayasa dari jenis yang
sama dari perhitungan.

CONTOH 17.4 Linierisasi dari Pernyataan Daya

Persamaan Masalah. Fit Persamaan. (17,13) dengan data pada Tabel 17.3
menggunakan transformasi logaritmik dari data.

Solusi. Gambar 17.10 a. adalah plot dari data asli dalam keadaan
untransformed nya. Gambar 17.10 b menunjukkan plot data berubah. regresi
Alinear dari data log-transformasi menghasilkan hasil

log y = 1.75 log x − 0.300

TABEL 17.3 Data untuk menjadi bugar untuk persamaan kekuasaan.

 GAMBAR 17.10

(a) Plot data untransformed dengan persamaan kekuatan yang sesuai

dengan data. ( b) Plot data ditransformasikan digunakan untuk
menentukan koefisien dari persamaan kekuasaan.

Dengan demikian, mencegat, log α 2, sama - 0,300, dan karena itu, dengan
mengambil antilogarithm itu, α 2 = 10 - 0,3 = 0,5. lereng adalah β 2 = 1,75.

Akibatnya, persamaan daya y = 0,5 x 1,75

 kurva ini, seperti yang diplot pada Gambar. 17.10 Sebuah, menunjukkan
cocok.

17.1.6 Komentar Umum Regresi Linear

Sebelum melanjutkan ke lengkung dan regresi linier berganda, kita harus

menekankan sifat pengantar dari bahan di atas regresi linear. Kami telah berfokus pada
derivasi sederhana dan penggunaan praktis dari persamaan sesuai data. Anda harus
menyadari fakta bahwa ada aspek-aspek teoritis regresi yang penting praktis tetapi berada di
luar cakupan buku ini. Sebagai contoh, beberapa asumsi statistik yang melekat di linear
prosedur kuadrat-terkecil adalah

1. Setiap x memiliki nilai tetap; tidak acak dan dikenal tanpa kesalahan.
2. Itu y nilai-nilai variabel acak independen dan semua memiliki varians yang sama.
3. Itu y Nilai untuk diberikan x harus terdistribusi normal.
Asumsi tersebut relevan dengan derivasi yang tepat dan penggunaan regresi. Sebagai contoh,
asumsi pertama berarti (1) x nilai harus bebas dari kesalahan dan (2) regresi y melawan x
adalah tidak sama dengan x melawan y ( mencoba Prob. 17,4 pada akhir bab ini). Anda
disarankan untuk berkonsultasi dengan referensi lain seperti Draper dan Smith (1981) untuk
menghargai aspek dan nuansa regresi yang berada di luar cakupan buku ini.

17.2 REGRESI POLINOMIAL

Dalam Sec. 17.1, prosedur dikembangkan untuk mendapatkan persamaan garis lurus
dengan menggunakan kriteria kuadrat-terkecil. Beberapa data rekayasa, meskipun
menunjukkan pola ditandai seperti terlihat pada Gambar. 17,8, buruk diwakili oleh garis
lurus. Untuk kasus ini, kurva akan lebih cocok untuk menyesuaikan data. Sebagaimana
dibahas dalam bagian sebelumnya, salah satu metode untuk mencapai tujuan ini adalah
dengan menggunakan transformasi. Alternatif lain adalah dengan menyesuaikan polinomial
untuk data menggunakan regresi polinomial.
 Prosedur kuadrat-terkecil dapat segera diperluas untuk menyesuaikan data untuk
polinomial tingkat tinggi. Sebagai contoh, misalkan kita cocok dengan orde kedua polinomial
atau kuadrat:

di mana semua penjumlahan adalah dari i = 1 sampai n. Perhatikan bahwa di atas tiga
persamaan linear dan memiliki tiga diketahui: Sebuah 0, Sebuah 1, dan Sebuah 2. Koefisien
yang tidak diketahui dapat dihitung langsung dari data yang diamati.
CONTOH 17,5 Regresi polinomial

Pernyataan masalah. Pasanglah orde kedua polinomial untuk data di dua

kolom

pertama dari Tabel 17.4.

TABEL 17.4 Perhitungan untuk analisis kesalahan kuadrat kuadrat-cocok
 FIGURE 17.11
Fit of a second-order polynomial.
 Koefisien determinasi adalah

r 2 = 2513,39 - 3,74657 = 0,99851

2513,39

dan koefisien korelasi adalah r = 0,99925.

Hasil ini menunjukkan bahwa 99,851 persen dari ketidakpastian asli telah dijelaskan oleh
model. Hasil ini mendukung kesimpulan bahwa persamaan kuadrat merupakan fit sangat
baik, seperti juga terlihat dari Gambar. 17,11.

17.2.1 untuk Regresi Polinomial Algoritma

Algoritma untuk regresi polinomial yang digambarkan pada Gambar. 17,12. Perhatikan
bahwa tugas utama adalah generasi dari koefisien dari persamaan yang normal [Eq. (17,19)].
(Pseudocode untuk mencapai ini disajikan pada Gambar. 17,13.) Kemudian, teknik dari tiga
bagian dapat diterapkan untuk menyelesaikan persamaan-persamaan simultan untuk
koefisien.

Masalah potensial yang terkait dengan pelaksanaan regresi polinomial pada komputer
adalah bahwa persamaan normal cenderung sakit-AC. Hal ini terutama berlaku untuk versi
yang lebih tinggi-order. Untuk kasus ini, koefisien dihitung mungkin sangat rentan terhadap
kesalahan round-off, dan akibatnya, hasilnya bisa tidak akurat. Antara lain, masalah ini
terkait dengan struktur persamaan normal dan fakta bahwa untuk tingkat tinggi polinomial
persamaan normal dapat memiliki koefisien yang sangat besar dan sangat kecil. Hal ini
karena koefisien penjumlahan dari data diangkat ke kekuasaan.
 Meskipun strategi untuk mengurangi kesalahan round-off dibahas di Bagian Tiga, seperti
berputar, dapat membantu untuk memperbaiki sebagian masalah ini, alternatif yang
sederhana adalah dengan menggunakan komputer dengan presisi tinggi. Untungnya, masalah
yang paling praktis terbatas pada polinomial orde yang lebih rendah yang round-off biasanya
diabaikan. Dalam situasi di mana versi yang lebih tinggi-order yang diperlukan, alternatif
lain yang tersedia untuk jenis tertentu data. Namun, teknik ini (seperti polinomial orthogonal)
berada di luar cakupan buku ini. pembaca harus berkonsultasi teks pada regresi, seperti
Draper dan Smith (1981), untuk informasi tambahan mengenai masalah dan alternatif yang
mungkin.

GAMBAR 17,12

Algoritma untuk pelaksanaan regresi linear polinomial dan beberapa.

Langkah 1: Agar masukan dari polinomial untuk menjadi bugar, m.

Langkah 2: jumlah masukan dari titik data, n.

Langkah 3: Jika n <m + 1, mencetak pesan kesalahan yang regresi tidak mungkin dan
mengakhiri proses. Jika n ≥ m + 1, melanjutkan.
Langkah 4: Menghitung unsur-unsur persamaan normal dalam bentuk matriks yang
diperbesar.

Langkah 5: Memecahkan matriks yang diperbesar untuk koefisien Sebuah 0, Sebuah 1,

Sebuah 2, . . . . Sebuah m, menggunakan eliminasi metode.

Langkah 6: Mencetak koefisien

17.3 MULTIPLE REGRESI LINEAR

Sebuah perpanjangan berguna regresi linier adalah kasus di mana y adalah fungsi linear dari
dua atau lebih variabel independen. Sebagai contoh, y mungkin fungsi linear dari x 1 dan x 2,
seperti dalam

y = a 0 + a 1 x 1 + a2 x 2 + e

Seperti persamaan sebuah sangat berguna ketika pas data percobaan dimana variabel yang
dipelajari sering merupakan fungsi dari dua variabel lainnya. Untuk kasus dua dimensi ini,
regresi “garis” menjadi “pesawat” (Gambar. 17,14).

GAMBAR 17.14

y
penggambaran grafis dari regresi linier
berganda mana y adalah fungsi linear
dari x 1 dan x 2
 Seperti dengan kasus-kasus sebelumnya, “terbaik” nilai-nilai
koefisien ditentukan dengan menyiapkan jumlah kuadrat dari residual,

Sr ( y saya - Sebuah 0 - Sebuah 1 x 1 saya -

=n Sebuah 2 x 2 i) 2 (17,21)
i=1
dan membedakan sehubungan dengan masing-masing
koefisien yang tidak diketahui,
∂S=-2 ( y saya - Sebuah 0 - Sebuah 1 x 1 saya -
r Σ Sebuah 2 x 2 i)
∂ Sebuah 0

∂Sr
= - 2 Σ x 1 i ( y saya - Sebuah 0 - Sebuah 1 x 1 saya - Sebuah 2 x
2 i)
∂ Sebuah 1

∂Sr
= - 2 Σ x 2 i ( y saya - Sebuah 0 - Sebuah 1 x 1 saya - Sebuah 2 x
2 i)
∂ Sebuah 2
 Koefisien menghasilkan jumlah minimum dari kuadrat residual yang
diperoleh dengan menetapkan derivatif parsial sama dengan nol dan
mengekspresikan hasil dalam bentuk matriks sebagai

••
•• •••
• =
Sebua ••• y
•• n x1 x2 h0 saya •••
saya saya
x1
x1 x 2 1 saya x Sebu
saya saya 2 saya ah 1 x 1 saya y saya (17,22)
x1
x2 saya x x 2 2 Sebu
saya 2 saya saya ah 2 x 2 saya y saya

CONTOH 17,6 Regresi Linear

Pernyataan masalah. Berikut ini data yang dihitung dari persamaan y = 5 + 4

x1-

3 x 2:
 x1 x2 y
0 0 5
2 1 10
2,5 2 9

1 3 0
4 6 3
7 2 27

Gunakan regresi linier untuk menyesuaikan data ini.

Larutan. Penjumlahan yang dibutuhkan untuk mengembangkan Persamaan.

(17,22) dihitung pada Tabel 17.5. Hasilnya adalah

••
•• •• •••
6 • = •
Sebua ••• •
h0 54 •
16,5 14
 16,5 76,25 48 Sebu
14 ah 1 243,5
5 Sebu
48 4 ah 2 100

yang dapat diselesaikan dengan menggunakan metode seperti eliminasi

Gauss untuk

Sebuah 0 = 5 Sebuah 1 = 4 Sebuah 2 = - 3

yang konsisten dengan persamaan asli dari mana data itu berasal.
TABEL 17.5 Perhitungan yang diperlukan untuk mengembangkan persamaan
normal untuk Contoh 17,6.

y x1 x2 x 12 x 22 x1x2 x1y x2y

5 0 0 0 0 0 0 0
10 2 1 4 1 2 20 10
9 2,5 2 6,25 4 5 22,5 18

0 1 3 1 9 3 0 0
3 4 6 16 36 24 12 18
27 7 2 49 4 14 189 54
54 16,5 14 76,25 54 48 243,5 100

Kasus dua dimensi di atas dapat dengan mudah diperluas untuk m dimensi,
seperti dalam

y = a 0 + Sebuah 1 x 1 + Sebuah 2 x 2 + · + Sebuah m x m + e

di mana standard error dirumuskan sebagai

 √

Sr

sy/x=

n - ( m + 1)

dan koefisien d eterminatio n dihitung seperti pada Persamaan. (17.10).

Algoritma untuk mengatur persamaan normal tercantum dalam Gambar.
17,15.

Meskipun mungkin ada kasus-kasus tertentu di mana suatu variabel

linear terkait dengan dua atau lebih variabel lain, regresi linier berganda
memiliki utilitas tambahan dalam derivasi dari persamaan kekuatan
bentuk umum

y=a0x
Sebuah 1
1x
Sebuah2
·x
2Sebuah
 m
m

GAMBAR 17,15

Pseudocode untuk merakit unsur-unsur persamaan normal untuk

regresi berganda. Perhatikan bahwa selain dari menyimpan variabel
independen dalam x 1, saya, x 2, saya, dll, 1 harus disimpan dalam x
0, saya untuk algoritma ini bekerja.

DOFOR i 1, order 1

DOFOR j 1, i jumlah 0

DOFOR

1, n

sum sum x saya 1, x j 1,

END DO a aku

j Singkatnya

seb
uah
Ji sum
END DO
jumlah 0
DOF
OR
1,
n
sum sum
yx saya 1,
END
DO a
i,
ju
meme ml
san 2 ah

END DO
 persamaan tersebut sangat berguna ketika pas data percobaan. Untuk
menggunakan regresi linear, persamaan diubah dengan mengambil
logaritma untuk menghasilkan

mencatat y = mencatat Sebuah 0 + Sebuah 1 mencatat x 1 + Sebuah 2

mencatat x 2 + · + Sebuah m mencatat x m

Transformasi ini adalah semangat yang sama yang digunakan dalam

Sec. 17.1.5 dan Contoh 17,4 cocok persamaan daya saat y adalah fungsi
dari variabel tunggal x. Bagian 20.4 memberikan contoh dari aplikasi
tersebut selama dua variabel independen.

17.4 GENERAL LINEAR KUADRAT TERKECIL

Untuk saat ini, kami telah berfokus pada mekanisme memperoleh

kuadrat-cocok dari beberapa fungsi sederhana untuk data. Sebelum
beralih ke regresi nonlinear, ada beberapa masalah yang kita ingin
mendiskusikan untuk memperkaya pemahaman Anda tentang materi
sebelumnya.

17.4.1 Umum Matrix Formulasi untuk Linear Least Squares

Di halaman-halaman sebelumnya, kami telah memperkenalkan tiga
jenis regresi: linear sederhana, jumlahnya banyak, dan beberapa
linear. Bahkan, ketiga milik umum Model leastsquares linear berikut:

y = a 0 z 0 + Sebuah 1 z 1 + Sebuah 2 z 2 + · +
Sebuah m z m + e (17,23)

dimana z 0, z 1, . . . . z m adalah m + 1 fungsi dasar. Hal ini dapat dengan

mudah melihat bagaimana sederhana dan beberapa jatuh regresi linier dalam
model-bahwa ini adalah, z 0 = 1, z 1 = x 1, z 2 = x 2, . . . . z m = x m.

Selanjutnya, regresi polinomial juga termasuk jika fungsi dasar yang

monomials sederhana seperti di z 0 = x 0 = 1, z 1 = x,

z 2 = x 2, . . . . z m = x m.

Perhatikan bahwa terminologi “linear” hanya merujuk

ketergantungan model pada perusahaan parameter-yaitu, Sebuah 'S.
Seperti dalam kasus regresi polinomial, fungsi sendiri dapat sangat
nonlinear. Sebagai contoh, z 'S dapat sinusoid, seperti dalam
 y = a 0 + Sebuah 1 cos ( ω t) + a 2 dosa( ω t)

seperti format adalah dasar dari analisis Fourier dijelaskan dalam Bab. 19.

Di sisi lain, model sederhana yang tampak seperti

f (x) = a 0 ( 1 - e - Sebuah 1 x)

benar-benar nonlinear karena tidak dapat dimanipulasi ke dalam format

Persamaan. (17,23). Kami akan beralih ke model tersebut di akhir bab ini.

Untuk saat ini, Persamaan. (17,23) dapat dinyatakan dalam notasi matriks sebagai

{ Y} = [Z] {A} + {E} (17,24)

di mana [ Z] adalah matriks dari nilai-nilai dihitung dari fungsi dasar

di nilai yang diukur dari variabel independen,

••••• ··· ••••

••• ••••
 z 01
z 11 zm1
z 02
z 12 ··· zm2

[ Z] . . .
=
. . .
. . .
z0n
z1n ··· zMN
dimana m adalah jumlah variabel dalam model dan n adalah jumlah titik
data. Karena n ≥ m + 1, Anda harus menyadari bahwa sebagian besar
waktu, [ Z] bukan matriks persegi.

Kolom vektor { Y} mengandung nilai-nilai yang diamati dari variabel

dependen

{ Y} = T y 1 y 2· · · y n

Kolom vektor { SEBUAH} mengandung koefisien yang tidak diketahui

{ SEBUAH} = T Sebuah 0 Sebuah·· ·1 Sebuah m

dan vektor kolom { E} mengandung residu

{ E} = T e 1 e 2 ··· en

Seperti yang dilakukan di seluruh bab ini, jumlah dari kuadrat residual
untuk model ini dapat didefinisikan
sebagai
( )2
Σ Σ
y saya Sebua
Sr=n -m h j z Ji
i j
= =
1 0

Kuantitas ini dapat diminimalkan dengan mengambil derivatif parsial

sehubungan dengan masing-masing koefisien dan pengaturan persamaan
yang dihasilkan sama dengan nol. Hasil dari proses ini adalah persamaan
normal yang dapat dinyatakan secara singkat dalam bentuk matriks
sebagai

[[ Z] T [ Z]] {A} = {[Z] T { Y}}

(17,25)

Hal ini dapat ditunjukkan Persamaan itu. (17,25), pada kenyataannya,

setara dengan persamaan normal dikembangkan sebelumnya untuk linear
sederhana, jumlahnya banyak, dan regresi linier berganda.

motivasi utama kami untuk hal tersebut telah untuk menggambarkan

kesatuan antara tiga pendekatan dan untuk menunjukkan bagaimana
mereka semua dapat dinyatakan hanya dalam notasi matriks yang sama.
Notasi matriks juga akan memiliki relevansi ketika kita beralih ke
regresi nonlinear di bagian terakhir dari bab ini.

FromEq. (PT3.6), ingat bahwa inverse thematrix dapat digunakan untuk

memecahkan Persamaan. (17,25), seperti dalam

{ A} = [[Z] T [ Z]] - 1 {[ Z] T { Y}} (17,26)

Seperti yang telah kita pelajari di Bagian Tiga, ini merupakan

pendekatan efisien untuk memecahkan satu set persamaan simultan.
Namun, dari perspektif statistik, ada sejumlah alasan mengapa kita
mungkin tertarik dalam memperoleh terbalik dan memeriksa koefisien
nya. Alasan-alasan ini akan dibahas selanjutnya.

17.4.2 Aspek statistik dari Least-Squares Teori

Dalam Sec. PT5.2.1, kami meninjau sejumlah statistik deskriptif yang

dapat digunakan untuk menggambarkan sampel. Ini termasuk mean
aritmetik, standar deviasi, dan varians.
 Selain menghasilkan solusi untuk koefisien regresi, perumusan
matriks persamaan. (17,26) memberikan estimasi statistik mereka. Hal
ini dapat ditunjukkan (Draper dan Smith,

1981) bahwa diagonal dan off-diagonal segi matriks [[ Z] T [ Z]] - 1

memberikan, masing-masing, varians dan covariances 1 dari Sebuah 'S.
Jika elemen diagonal

1 kovarians adalah statistik yang mengukur ketergantungan satu variabel yang

lain. Dengan demikian, cov ( x, y) menunjukkan ketergantungan x dan y.
Misalnya, cov ( x, y) = 0 akan menunjukkan bahwa x dan y benar-benar
independen.
[[ Z] T [ Z]] - 1
ditetapkan sebagai z - 1 i,
i,

var ( Sebuah saya -

1) = i,zi -s12 y / x (17.27)
dan
cov ( Sebuah saya -
1, Sebuah j - 1) = z -
1 (17.28)
aku j
s 2y /
x

Statistik ini memiliki sejumlah aplikasi penting. Untuk tujuan kita

sekarang, kita akan menggambarkan bagaimana mereka dapat digunakan
untuk mengembangkan interval kepercayaan untuk mencegat dan
kemiringan.

Menggunakan pendekatan yang sama dengan yang di Sec. PT5.2.3,

dapat ditunjukkan bahwa bawah dan atas batas pada mencegat dapat
dirumuskan sebagai (lihat Milton dan Arnold, 1995, untuk rincian)
 L = a 0 - t α / 2, n - 2 s (a 0) U=a0+t
α / 2, n - 2 s (a 0) (17,29)

dimana s (a j) = standard error koefisien Sebuah j = √ var ( Sebuah j).

Dengan cara yang sama, bawah dan atas batas di lereng dapat
dirumuskan sebagai

L = a 1 - t α / 2, n - 2 s (a 1) U=a1+t
α / 2, n - 2 s (a 1) (17.30)

Contoh berikut menggambarkan bagaimana interval ini dapat

digunakan untuk membuat kesimpulan kuantitatif terkait dengan
regresi linier.

CONTOH 17,7 Interval Keyakinan untuk Linear Regression

Pernyataan masalah. Pada Contoh 17.3, kami menggunakan regresi untuk

mengembangkan eratnya berikut

tionship antara pengukuran dan prediksi Model:

 y = - 0,859 + 1,032 x

dimana y = model prediksi dan x = pengukuran. Kami menyimpulkan

bahwa ada kesepakatan yang baik antara kedua karena mencegat itu
kurang lebih sama dengan 0 dan lereng kurang lebih sama dengan 1.
Recompute regresi tetapi menggunakan thematrix pendekatan untuk
memperkirakan kesalahan standar untuk parameter. Kemudian
mempekerjakan kesalahan ini untuk mengembangkan interval keyakinan,
dan menggunakan ini untuk membuat pernyataan probabilistik mengenai
goodness of fit.

Larutan. Data dapat ditulis dalam format matriks untuk regresi linier sederhana
seperti:

•••••• •••••••• ••••••••••••••••••

••• • ••••••••••••••••
1
10 8,953
1 16,3 1 16,405
23 22,607
[ Z] { Y}
= . . = .
 . . .
. . .
1
50 49,988

Matrix transposisi dan perkalian kemudian dapat digunakan untuk menghasilkan persamaan normal
seperti

[[ Z] T [
Z]] { A} = {[Z] T
{ Y}}
[1 ] { Sebuah}=0
5 { 552,741 }
548,3
548,3 Sebuah 1
22.191,21 22.421,43
Matrix inversi dapat digunakan untuk mendapatkan kemiringan dan mencegat
sebagai

{[ Z] T {
[[ Z] T [ Z]] - 1 Y}}
{ A} =
] }={-
{ 552,741 0,85872 }
= [ 0.688414 - 0,01701
- 0,01701 0,000465 22.421,43 1.031592

Dengan demikian, mencegat dan lereng ditentukan sebagai Sebuah 0 = -

0,85872 dan Sebuah 1 = 1.031592, masing-masing. Nilai-nilai ini pada
gilirannya dapat digunakan untuk menghitung standard error dari
estimasi sebagai s y / x = 0,863403. Nilai ini dapat digunakan bersama
dengan elemen-elemen diagonal dari invers matriks untuk menghitung
kesalahan standar koefisien,

s (a 0)
=√ z - 1 11 s 2
y / x = √ 0.688414 (0.863403) 2
= 0.716372
 s (a 1) z - 1 22
=√ s2 √ 0.000465 (0.863403) 2 =
y / 0.018625
x=

Statistik, t α / 2, n - 1 dibutuhkan untuk sebuah kepercayaan int 95%

erval dengan n - 2 = 15 - 2 = 13 derajat kebebasan dapat ditentukan dari
tabel statistik atau menggunakan perangkat lunak. Kami menggunakan
fungsi Excel, TINV, untuk datang dengan nilai yang tepat, seperti dalam

= TINV (0,05, 13)

yang menghasilkan nilai 2,160368. Persamaan (17.29) dan (17.30)

kemudian dapat digunakan untuk menghitung interval kepercayaan
sebagai

Sebuah 0 = - 0,85872 ± 2.160368 (0.716372)

= - 0,85872 ± 1.547627 = [ - 2,40634, 0.688912]

Sebuah 1 = 1.031592 ± 2.160368 (0.018625)

 = 1.031592 ± 0.040237 = [0.991355, 1.071828]

Perhatikan bahwa nilai-nilai yang diinginkan (0 untuk intercept dan

slope dan 1 untuk mencegat) jatuh dalam interval. Atas dasar analisis ini
kita bisa membuat pernyataan berikut mengenai lereng: Kami memiliki
alasan kuat untuk percaya bahwa kemiringan garis regresi sebenarnya
terletak dalam interval dari 0.991355 ke 1,071828. Karena 1 jatuh dalam
interval ini, kami juga memiliki alasan yang kuat untuk percaya bahwa
hasilnya mendukung kesepakatan antara pengukuran dan model. Karena
nol jatuh dalam interval intercept, pernyataan serupa dapat dibuat
mengenai mencegat.

Seperti yang disebutkan sebelumnya di Sec. 17.2.1, persamaan normal

terkenal illconditioned. Oleh karena itu, jika diselesaikan dengan teknik
konvensional seperti LU dekomposisi, koefisien dihitung dapat sangat
rentan terhadap kesalahan round-off. Sebagai konsekuensi, algoritma
orthogonalization lebih canggih, seperti QR faktorisasi, tersedia untuk
menghindari masalah. Karena teknik ini berada di luar cakupan buku ini,
pembaca harus berkonsultasi teks pada regresi, seperti Draper dan Smith
(1981), untuk informasi tambahan mengenai masalah dan alternatif yang
mungkin. Moler (2004) juga menyediakan diskusi yang bagus dari topik
dengan penekanan pada metode numerik.
 Hal tersebut di atas adalah pengenalan terbatas pada topik kaya
inferensi statistik dan hubungannya dengan regresi. Ada banyak subleties
yang berada di luar cakupan buku ini. Motivasi utama kami adalah untuk
menggambarkan kekuatan dari pendekatan matriks untuk umum linear
kuadrat terkecil. Selain itu, perlu dicatat bahwa paket perangkat lunak
seperti Excel, MATLAB, dan Mathcad dapat menghasilkan kuadrat-
regresi cocok bersama dengan informasi yang relevan dengan statistik
inferensial. Kami akan mengeksplorasi beberapa kemampuan ini ketika
kita menjelaskan paket ini pada akhir Chap. 19.

17,5 NONLINIER REGRESI

Ada banyak kasus di bidang teknik di mana model nonlinear harus

sesuai dengan data. Dalam konteks ini, model ini didefinisikan
sebagai orang-orang yang memiliki ketergantungan nonlinear pada
parameter mereka. Sebagai contoh,

f (x) = a 0 ( 1 - e - Sebuah 1 x) + e (17,31)

Persamaan ini tidak dapat dimanipulasi sehingga sesuai dengan bentuk umum
dari Persamaan. (17,23).
{ D} =
[Z j
 Seperti kuadrat terkecil linier, regresi nonlinear didasarkan pada
penentuan nilai-nilai parameter yang meminimalkan jumlah kuadrat dari
residual. Namun, untuk kasus nonlinier, solusinya harus melanjutkan
dalam mode berulang.

Itu Metode Gauss-Newton adalah salah satu algoritma untuk

meminimalkan jumlah kuadrat dari residual antara data dan persamaan
nonlinear. Konsep utama yang mendasari teknik ini adalah bahwa
ekspansi deret Taylor digunakan untuk menyatakan persamaan nonlinear
asli dalam perkiraan bentuk, linear. Kemudian, teori kuadrat-terkecil dapat
digunakan untuk mendapatkan estimasi baru dari parameter yang bergerak
ke arah meminimalkan sisa.

Untuk menggambarkan bagaimana hal ini dilakukan, pertama

hubungan antara persamaan nonlinear dan data dapat dinyatakan secara
umum sebagai

y i = f (x i; Sebuah 0, Sebuah 1, . . . . Sebuah m) + e saya

dimana y i = nilai diukur dari variabel dependen, f (x saya; Sebuah 0, Sebuah

1, . . . . Sebuah m) = persamaan yang merupakan fungsi dari variabel
independen x saya dan fungsi nonlinear dari parameter
Sebuah 0, Sebuah 1, . . . . Sebuah m, dan e i = kesalahan acak. Untuk
kenyamanan, model ini dapat dinyatakan dalam bentuk singkatan dengan
menghilangkan parameter,

y i = f (x i) + e saya (17.32)
Model nonlinear dapat diperluas dalam serangkaian Taylor di sekitar
nilai-nilai parameter dan dibatasi setelah
turunan pertama. Sebagai contoh, untuk kasus dua
parameter,
f (x i) j + 1 = f (x i) j + ∂ Sebuah 0 + ∂ f (x
f (x aku j aku j Sebuah 1 (17,33)
∂
Sebua
h0 ∂ Sebuah 1

dimana j = menebak awal, j + 1 = prediksi, Sebuah 0 = Sebuah 0, j + 1 -

Sebuah 0, j, dan Sebuah 1 = Sebuah 1, j + 1 -

Sebuah 1, j. Dengan demikian, kami telah linierisasi model asli

sehubungan dengan parameter. Persamaan (17.33) dapat diganti menjadi
Persamaan. (17.32) untuk menghasilkan
 y saya - f (x i) j = ∂ f (x aku j Sebuah 0 + ∂ f (x aku j Sebuah 1 +
e saya

∂ Sebuah 0 ∂ Sebuah 1

atau dalam bentuk matriks [dibandingkan dengan Eq. (17,24)],

] { SEBUAH} + {E}
(17,34)
di mana [ Z j] adalah matriks derivatif parsial dari fungsi dievaluasi pada
menebak awal j,

•••••••• ••••••••

∂ f 1 / ∂ Sebuah 0 ∂ f 1 / ∂ Sebuah 1

∂ f 2 / ∂ Sebuah 0 ∂ f 2 / ∂ Sebuah 1

[ Z j] . .
=
. .
. .

∂ f n / ∂ Sebuah 0 ∂ f n / ∂ Sebuah 1

dimana n = jumlah titik data dan ∂ f saya/ ∂ Sebuah k = turunan parsial dari
fungsi sehubungan dengan k th parameter dievaluasi pada saya data titik th.
Vektor { D} mengandung perbedaan antara pengukuran dan nilai-nilai
fungsi,

••••••••••••••• •••••••••••••••
 y 1 - f (x 1)

y 2 - f (x 2)

{ D} .
=
.
.
yn-f
(x n)

dan vektor { SEBUAH} berisi perubahan nilai parameter,

•••••••••••••
•••••••••••••
Sebuah
0
Sebuah
1

{ A} .
=
.
 .
Sebuah
m

Menerapkan linear kuadrat-teori untuk Persamaan. (17,34) menghasilkan

persamaan normal setelah [ingat Eq.

(17.25)]:

[[ Z j] T [ Z j]] { A} = {[Z j] T { D}}

(17,35)

Dengan demikian, pendekatan terdiri dari pemecahan Persamaan. (17,35)

untuk { SEBUAH}, yang dapat digunakan untuk menghitung nilai
ditingkatkan untuk parameter, seperti dalam

Sebuah 0, j + 1 = Sebuah 0, j + Sebuah 0

dan
 Sebuah 1, j + 1 = Sebuah 1, j + Sebuah 1

Prosedur ini diulang sampai larutan konvergen-yaitu, sampai

|||| 100%
| ε a | k = |||| Sebuah
k, j + 1 - Sebuah k, j (17,36)
Sebuah k, j + 1

turun di bawah kriteria berhenti diterima.

CONTOH 17,9 Gauss-Newton Cara

Pernyataan masalah. Fit fungsi f (x; a 0, Sebuah 1) = Sebuah 0 ( 1 - e - Sebuah 1 x)

untuk data:

x 0,25 0,75 1,25 1,75 2,25

y 0,28 0,57 0,68 0,74 0,79

Gunakan tebakan awal Sebuah 0 = 1.0 dan Sebuah 1 = 1.0 untuk

parameter. Perhatikan bahwa untuk tebakan ini, jumlah awal dari kuadrat
residual adalah 0,0248.

Larutan. Derivatif parsial dari fungsi sehubungan dengan parameter

(E17.
∂f 9.1)
= 1 - e - Sebuah
1x
∂
Sebu
ah 0
dan
 (E17.
∂f 9.2)

= Sebuah 0 xe -
Sebuah 1 x
∂
Sebu
ah 1
Persamaan (E17.9.1) dan (E17.9.2) dapat digunakan untuk mengevaluasi
matriks
••••
•••••• ••
0. 2212
0.1947

0,5276
0,3543
[ Z 0] 0,7135
= 0,3581
0,8262
0,3041
0,8946
0,2371
Matriks ini dikalikan dengan hasil
transpose] di
[ Z 0] T [ Z 0] =
 [ 2,3193 0,9489
0,9489 0,4404
yang pada gilirannya dapat
terbalik untuk menghasilkan

[[ Z 0] T [ Z 0]] - 1 = [ 3,6397 ]
- 7,8421
- 7,8421 19,1678

Vektor { D} terdiri dari perbedaan antara pengukuran dan prediksi Model,

•••••
••••••• •••••••••••• •••••
•••• •••••••••= •
0,28 -
0,2212 0,0588
0,57 -
0,5276 0,0424
{ D} 0.68 -
= 0,7135 - 0,0335
0,74 -
0,8262 - 0,0862
0.79 -
0,8946 - 0,1046
 Hal ini dikalikan
dengan [ Z 0] T
memberi
]
[Z 0] T { D} = [ - 0,1533
-0,0365

Vektor { SEBUAH} kemudian dihitung dengan memecahkan Persamaan.

(17,35) untuk

A = { - 0,2714
0,5019
yang dapat ditambahkan ke parameter
awal menebak untuk menghasilkan
{ Sebuah} }+{- }=
= 0{ 1.0 0,2714 { 0,7286 }
Sebuah 1
1.0 0,5019 1,5019
Dengan demikian, perkiraan peningkatan parameter yang Sebuah 0
= 0,7286 dan Sebuah 1 = 1,5019. Parameter baru menghasilkan
jumlah kuadrat dari residual sama dengan 0,0242. Persamaan
(17.36) dapat digunakan untuk menghitung ε 0 dan

ε 1 sama dengan 37 dan 33 persen, masing-masing. perhitungan

kemudian akan diulang sampai nilai-nilai ini jatuh di bawah kriteria
berhenti yang ditentukan. Hasil akhir adalah Sebuah 0 = 0,79186
dan Sebuah 1 = 1,6751. koefisien ini memberikan jumlah kuadrat
dari residual dari 0,000662.

Apotential masalah dengan metode Gauss-Newton yang

dikembangkan ke titik ini adalah bahwa derivatif parsial dari
fungsi mungkin sulit untuk mengevaluasi. Akibatnya, banyak
program komputer menggunakan persamaan perbedaan untuk
mendekati derivatif parsial. Salah satu metode adalah

∂ f saya
~ = f (x i; Sebuah 0, . . . . Sebuah k + δ Sebuah k, . . . . Sebuah m) -
f (x i; Sebuah 0, . . . . Sebuah k, . . . . Sebuah m) (17,37
)
∂ Sebuah k δ Sebuah k
 dimana δ = perturbasi pecahan kecil.

Metode Gauss-Newton memiliki sejumlah kekurangan lainnya mungkin:

1. Ini mungkin bertemu perlahan-lahan.

2. Mungkin berosilasi secara luas, yaitu, terus berubah arah.

3. Ini mungkin tidak bertemu sama sekali.

Modifikasi dari metode (Booth dan Peterson, 1958; Hartley,

1961) telah dikembangkan untuk memperbaiki kekurangan.

Selain itu, meskipun ada beberapa pendekatan tegas dirancang

untuk regresi, pendekatan yang lebih umum adalah dengan
menggunakan rutinitas optimasi nonlinier seperti yang dijelaskan
di Bagian Empat. Untuk melakukan hal ini, tebakan untuk
parameter dibuat, dan jumlah kuadrat dari residual dihitung.
Misalnya, untuk Eq. (17,31) itu akan dihitung sebagai
 Σ

S r = n [ y saya - Sebuah 0 ( 1 - e - Sebuah 1 x i)] 2

(17,38)

i=1

Kemudian, parameter akan disesuaikan sistematis untuk

meminimalkan S r menggunakan teknik pencarian dari tipe yang
diuraikan sebelumnya di Chap. 14. Kami akan menggambarkan
bagaimana hal ini dilakukan ketika kita menjelaskan aplikasi
perangkat lunak pada akhir Chap. 19.
 BAB 18

INTERPOLASI
Anda akan sering memiliki kesempatan untuk memperkirakan nilai antara-antara data
yang tepat poinnya. Metode yang paling umum digunakan untuk tujuan ini adalah interpolasi
polinomial. Ingat bahwa rumus umum untuk polinomik n-order adalah

f ( x )=a0 +a1 x+ a2 x 2 +…+ an x n (18.1)

Untuk titik data n + 1, ada satu dan hanya satu polinomial orde n yang melewati semua
titik. Misalnya, hanya ada satu garis lurus (yaitu, polinom orde pertama) yang menghubungkan
dua titik (Gambar 18.1a). Demikian pula, hanya satu parabola menghubungkan satu set tiga titik
(Gambar 18.lb). Interpolasi polinomial terdiri dari penentuan polinomial n-order unik yang
sesuai dengan poin data n + 1. Polinomial ini kemudian memberikan rumus untuk menghitung
nilai antara. Meskipun ada satu dan hanya satu polinomik n-order yang cocok dengan n + 1 poin,
ada berbagai format matematis di mana polinomial ini dapat diekspresikan. Dalam bab ini, kami
akan menjelaskan dua alternatif yang cocok untuk implementasi komputer: polinomial Newton
dan Lagrange.

GAMBAR 18.1
Contoh polinomial interpolasi: (a) orde pertama (linear) menghubungkan dua titik, (b)
urutan kedua (kuadratik atau parabola) menghubungkan tiga titik, dan (c) urutan ketiga (kubik)
menghubungkan empat poin.

18.1 NEWTON'S DIVIDED-DIFERENSI INTERPOLATING POLINOMIAL

Sebagaimana dinyatakan di atas, ada berbagai bentuk alternatif untuk mengekspresikan

polinomial interpolasi. Perbedaan-perbedaan Newton yang memisahkan polinomial adalah salah
satu bentuk yang paling populer dan berguna. Sebelum menyajikan persamaan umum, kami akan
memperkenalkan versi orde pertama dan orde kedua karena interpretasi visualnya yang
sederhana.

18.1.1 Interpolasi Linear

 Bentuk interpolasi yang paling sederhana adalah menghubungkan dua titik data dengan
garis lurus. Teknik ini, disebut interpolasi linear, digambarkan secara grafis pada Gambar. 18.2.
Menggunakan segitiga serupa, interpretasi.

f 1 ( X )−f ( x 0 ) f ( x1 ) −f ( x0 )
=
X −X 0 X 1−X 0

yang dapat ditulis ulang untuk menghasilkan

f ( x 1 )−f (x 0 )
f 1 ( X )=f ( x 0 ) + X− X 0 (18.2)
X 1−X 0

Persamaan ini merupakan rumus interpolasi linier. Notasi f 1 ( X )menunjukkan bahwa ini
adalah polinomial interpolasi orde pertama. Perhatikan bahwa selain merepresentasikan
f ( x 1 )−f (x 0)
kemiringan garis yang menghubungkan titik-titik, istilah ( ) adalah perbedaan-
X 1 −X 0
dibagi-terbatas.

GAMBAR 18.2
Penggambaran grafis interpolasi linier. Daerah yang diarsir menunjukkan segitiga yang
sama yang digunakan untuk menurunkan rumus interpolasi linier [Persamaan. (18.2)].

Perkiraan turunan pertama [ingat Persamaan. (4.17)]. Secara umum, semakin kecil
interval antara titik data, semakin baik aproksimasi. Hal ini disebabkan oleh fakta bahwa, ketika
interval menurun, fungsi kontinu akan lebih baik didekati oleh garis lurus. Karakteristik ini
ditunjukkan dalam contoh berikut.

CONTOH 18.1 Interpolasi Linier

Pernyataan masalah. Perkirakan logaritma natural 2 menggunakan interpolasi linier. Pertama,
lakukan perhitungan dengan interpolasi antara ln 1 = 0 dan ln 6 = 1,791759. Kemudian, ulangi
prosedur, tetapi gunakan interval yang lebih kecil dari ln 1 hingga ln 4 (1.386294). Perhatikan
bahwa nilai sebenarnya dari ln 2 adalah 0,6931472. SOLUSI: Kami menggunakan Persamaan.
(18.2) dan interpolasi linier untuk ln (2) dari x 0=1 hingga x 1=6 untuk diberikan

1,791759−0
f 1 ( 2 )=0+ ( 2−1 )=0,3583519
6−1

yang merupakan kesalahan εt = 48,3%. Menggunakan interval yang lebih kecil dari x 0=1 hingga
x 1=4 hasil

1,386294−0
f 1 ( 2 )=0+ ( 2−1 )=0,4620981
4−1

Dengan demikian, menggunakan interval yang lebih pendek mengurangi persentase kesalahan
relatif menjadi εt = 33,3%. Kedua interpolasi ditunjukkan pada Gambar 18.3, bersama dengan
fungsi sebenarnya.

GAMBAR 18.3
Dua interpolasi linier untuk memperkirakan ln 2. Perhatikan bagaimana interval yang
lebih kecil memberikan perkiraan yang lebih baik.

18.1.2 Interpolasi Kuadratik

Kesalahan dalam Contoh 18.1 dihasilkan dari perkiraan kurva dengan garis lurus.
Akibatnya, strategi untuk meningkatkan perkiraan adalah untuk memperkenalkan beberapa
kelengkungan ke dalam garis yang menghubungkan titik-titik. Jika tiga titik data tersedia, ini
dapat diselesaikan dengan polinom orde kedua (juga disebut polinomial kuadrat atau parabola).
Bentuk yang sangat nyaman untuk tujuan ini adalah
 f 2 ( x )=b 0 +b1 (x−x 0 )+ b2 ( x−x 0 )( x−x1 ) (18.3)

Perhatikan bahwa meskipun Persamaan. (18.3) mungkin tampak berbeda dari polinomial umum
[Persamaan. (18.1)], kedua persamaan itu setara. Ini dapat ditunjukkan dengan mengalikan
istilah dalam Persamaan. (18,3) untuk menghasilkan

f 2 ( x )=b 0 +b1 x−b1 x0 + b2 x 2 +b2 x 0 x 1−b 2 xx 0−b 2 xx 1

atau, istilah lainnya

f 2 ( x )=a0 +a1 x+ a2 x 2

Dimana

a 0=b0 −b1 x0 + b2 x 0 x1

a 1=b1−b2 x 0 +b 2 x 1

a 2=b2

Jadi, Persamaan. (18.1) dan (18.3) adalah alternatif, formulasi ekuivalen dari polinomial
orde kedua yang unik yang bergabung dengan tiga poin. Prosedur sederhana dapat digunakan
untuk menentukan nilai koefisien. Untuk b0, Persamaan. (18,3) dengan x=x 0dapat digunakan
untuk menghitung

b 0=f ( x 0) (18.4)

Persamaan (18,4) dapat diganti menjadi Persamaan. (18,3), yang dapat dievaluasi dengan x=x 1
untuk

f ( x1 ) −f ( x 0)
b 1= (18.5)
x 1−x 0

Akhirnya, Persamaan. (18,4) dan (18,5) dapat diganti menjadi Persamaan. (18,3), yang dapat
dievaluasi pada x=x 2 dan dipecahkan (setelah beberapa manipulasi aljabar) untuk

f ( x 2 )−f (x 1 ) f ( x 1 ) −f (x 0 )
−
x 2−x 1 x 1−x 0 (18.6)
b 2=
x 2−x 0

Perhatikan bahwa, seperti halnya dengan interpolasi linier,b 1 masih mewakili kemiringan
garis yang menghubungkan titik-titik x 0 dan x 1. Dengan demikian, dua istilah pertama dari
Persamaan. (18,3) setara dengan interpolasi linier dari x 0 ke x 1, seperti yang ditentukan
sebelumnya dalam Persamaan. (18.2). Istilah terakhir, b 2 ( x−x 0 ) (x−x 1 ), memperkenalkan
kelengkungan orde kedua ke dalam rumus. Sebelum mengilustrasikan cara menggunakan
Persamaan. (18.3), kita harus memeriksa bentuk koefisien b2. Ini sangat mirip dengan
pendekatan beda-beda hingga turunan kedua yang diperkenalkan sebelumnya dalam Persamaan.
(4.24). Jadi, Persamaan. (18,3) mulai memanifestasikan struktur yang sangat mirip dengan
ekspansi deret Taylor. Pengamatan ini akan menjadi dieksplorasi lebih lanjut ketika kita
menghubungkan polinomial Newton dengan seri Taylor di Sec. 18.1.4. Tapi pertama-tama, kami
akan melakukan contoh yang menunjukkan bagaimana Persamaan. (18,3) digunakan untuk
interpolasi di antara tiga poin.

CONTOH 18.2 Interpolasi Kuadratik

Pernyataan masalah. Sesuaikan polinomial orde kedua dengan tiga poin yang digunakan dalam
Contoh 18.1:

X 0=1 f ( x 0 ) =0

X 1 =4 f ( x 1 ) =1,386294

X 2 =6 f ( x 2 ) =1,791759

Gunakan polinomial untuk mengevaluasi ln 2.

Solusi. Menerapkan Persamaan. (18.4) menghasilkan

b 0=0

Persamaan (18,5) menghasilkan

1,386294−0
b 1= =0,4620981
4−1

Dan persamaan. (18.6) diperoleh

1,791759−1,386294
−0,4620981
6−4
b 2= =−0,0518731
6−1

GAMBAR 18.4
Penggunaan interpolasi kuadrat untuk memperkirakan ln 2. Interpolasi linier dari x=1
hingga 4 juga disertakan sebagai pembanding.
Mengganti nilai-nilai ini menjadi Persamaan. (18,3) menghasilkan rumus kuadrat

f 2 ( x )=0+ 0,4620981 ( x−1 ) −0,0518731 ( x−1 ) ( x−4)

yang dapat dievaluasi pada x = 2 untuk

f 2 ( 2 )=0,5658444

yang memiliki kesalahan relatif εt = 18,4%. Dengan demikian, kelengkungan yang

diperkenalkan oleh rumus kuadrat (Gambar 18.4) meningkatkan interpolasi dibandingkan dengan
hasil yang diperoleh menggunakan garis lurus pada Contoh 18.1 dan Gambar 18.3.

18.1.3 Bentuk Umum Polynomial Interpolasi Newton

Analisis sebelumnya dapat digeneralisasikan untuk menyesuaikan polinom n-order ke n +

1 titik data. The polinomial n-order adalah

f n ( x )=b0 +b1 ( x−x 0 ) +…+ bn ( x−x 0 )( x −x1 ) … ( x−x n−1 ) (18.7)

Seperti yang dilakukan sebelumnya dengan interpolasi linier dan kuadrat, titik data dapat
digunakan untuk mengevaluasi koefisien b 0, b 1,. . . , b n. Untuk polinomial n-order, titik data n + 1
diperlukan: [ x 0, f (x 0)], [ x 1, f (x 1)],. . . , [ x n, f (x n)], Kami menggunakan titik-titik data ini dan
persamaan berikut untuk mengevaluasi koefisien:

b 0=f ( x 0) (18.8)

b 1=f ¿] (18.9)

b 2=f ¿] (18.10)

.
 .

b n=f ¿ ] (18.11)

di mana evaluasi fungsi kurung adalah perbedaan yang terbatas. Misalnya, perbedaan terpecah
terbatas pertama diwakili secara umum sebagai

f ( x i )−f (x j )
f [x ¿ ¿ i , x j]= ¿ (18.12)
xi −x j

Perbedaan terpecah terbatas kedua, yang merepresentasikan perbedaan dua perbedaan

terbagi pertama, dinyatakan secara umum sebagai

f [x ¿ ¿ i , x k ]
f [x ¿ ¿ i , x j , x k ]=f [ x ¿ ¿i , x j ]− ¿¿¿
xi −x k
(18.13)

f [ x n , x n−1 ,… , x 1 ]−f [ x n−1 , x n−2 , … , x 0 ]

f [ x n , x n−1 , … , x 1 , x 0 ] = (18.14)
x n− x0

GAMBAR 18.5
Penggambaran grafis dari sifat rekursif dari perbedaan terpecah terbatas.

Perbedaan-perbedaan ini dapat digunakan untuk mengevaluasi koefisien dalam

Persamaan. (18.8) hingga (18.11), yang kemudian dapat diganti menjadi Persamaan. (18,7) untuk
menghasilkan polinomial interpolasi

f n ( x )=f (x ¿¿ 0)+ ( x−x 0 ) f [ x 1 , x 0 ] + ( x−x 0 )( x−x1 ) f [ x 2 , x 1 , x 0 ] +…+ ( x−x 0 )( x −x1 ) …( x −x n−1 ) f [ x n , x n−1 , …
(18.15)

yang disebut perpecahan-perpecahan antar-perbedaan Newton yang berbeda. Perlu dicatat bahwa
tidak perlu bahwa titik data yang digunakan dalam Persamaan. (18,15) menjadi sama spasi atau
bahwa nilai-nilai absis selalu dalam urutan menaik, seperti yang diilustrasikan pada contoh
berikut. Juga, perhatikan bagaimana Persamaan. (18,12) sampai (18,14) adalah rekursif — yaitu,
perbedaan orde tinggi dihitung dengan mengambil perbedaan perbedaan orde rendah (Gambar
18,5). Properti ini akan dieksploitasi ketika kami mengembangkan program komputer yang
efisien di Sec. 18.1.5 untuk menerapkan metode.

CONTOH 18.3 Perbedaan Poligonomial Terbagi Newton

Pernyataan masalah. Dalam Contoh 18.2, titik data pada x 0=1, x 1=4 , dan x 2 ,=6 digunakan
untuk memperkirakan ln 2 dengan parabola. Sekarang, tambahkan titik keempat [ x 3=5;
f ( x 3 ) =1,609438¿ ,perkiraan ln 2 dengan polinomial interpolasi Newton orde ketiga. Solusi :
Polinomial orde ketiga, Persamaan. (18,7) dengan n = 3, adalah

f n ( x )=b0 +b1 ( x−x 0 ) +b2 ( x−x 0 ) ( x−x 1 ) +b3 ( x−x 0 ) ( x−x 1 )( x −x2 )

Perbedaan pertama untuk masalah adalah [Persamaan. (18,12)]

1,386294−0
f [x ¿ ¿ 1 , x 0 ]= =0,4620981¿
4−1

1,791759−1,386294
f [x ¿ ¿ 2 , x1 ]= =0,2027362 ¿
6−4

1,609438−1,791759
f [x ¿ ¿ 3 , x 2]= =0,1823216 ¿
5−6

GAMBAR 18.6
Penggunaan interpolasi kubik untuk memperkirakan ln 2.

Perbedaan kedua yang terbagi adalah [Persamaan. (18.13)]

0,2027362−0,4620981
f [x 2 , x ¿ ¿ 1 , x0 ]= =−0,05187311 ¿
6−1
 0,1823216−0,202736
f [x 3 , x2 , x ¿ ¿ 1]= =−0,02041100 ¿
5−4

Perbedaan dibagi ketiga adalah [Persamaan. (18.14) dengan n = 3]

0,02041100−0,05187311
f [x 4 , x 3 , x 2 , x ¿ ¿ 1]= =−0,007865529¿
5−1

Hasil untuk f [x ¿ ¿ 1 , x 0 ], f [x 2 , x ¿ ¿ 1 , x 0 ], f [ x 3 , x 2 , x ¿ ¿ 1 , x 0 ]¿ ¿ ¿ mewakili koefisien b 1 ,

b 2, danb 3, masing-masing, Persamaan. (18,7). Bersama dengan b 0=f (x¿¿ 0)=0,0 , ¿persamaan
(18,7) adalah

f 3 ( x )=0+ 0,4620981 ( x−1 ) −0,05187311 ( x−1 )( x−4 )+ 0,007865529( x−1)(x −4)(x−6)

yang dapat digunakan untuk mengevaluasi f 3 ( x )=0,6287686 , yang mewakili kesalahan relatif εt
= 9,3%. Polinomial kubik lengkap ditunjukkan pada Gambar. 18.6.

18.1.4 Kesalahan Polinomial Interpolasi Newton

Perhatikan bahwa struktur Persamaan. (18,15) mirip dengan ekspansi seri Taylor dalam
arti bahwa istilah ditambahkan secara berurutan untuk menangkap perilaku orde tinggi dari
fungsi yang mendasarinya. Istilah-istilah ini adalah perbedaan yang terbatas dan, dengan
demikian, mewakili perkiraan turunan orde tinggi. Konsekuensinya, seperti pada deret Taylor,
jika fungsi dasar yang sebenarnya adalah polinomial n-order, maka urutan polinomial n-urutan
berdasarkan n +1 poin data akan menghasilkan hasil yang tepat.

Juga, seperti halnya dengan deret Taylor, formulasi untuk kesalahan pemotongan bisa didapat.
Ingat dari Persamaan. (4.6) bahwa kesalahan pemotongan untuk deret Taylor dapat dinyatakan
secara umum sebagai

f (n +1) (ξ)
Rn = ¿¿
( n+1 ) !

di mana ξ berada di suatu tempat di interval x i ke x i+1. Untuk polinomial interpolasi orde-n,
hubungan analog untuk kesalahan adalah

f (n +1) ( ξ )
Rn = ( x−x 0 )( x −x1 ) …(x −xn ) (18.6)
( n+1 ) !

di mana ξ berada di suatu tempat dalam interval yang berisi data tidak dikenal dan. Agar formula
ini dapat digunakan, fungsi yang dimaksud harus diketahui dan didiferensiasikan. Ini tidak
biasanya terjadi. Untungnya, formulasi alternatif tersedia yang tidak memerlukan pengetahuan
sebelumnya dari fungsi. Sebaliknya, ia menggunakan perbedaan terpecah terbatas untuk
memperkirakan derivatif (n + 1),
 Rn =f [ x , x n , x n−1 , … , x 0 ] ( x−x 0 )( x −x1 ) …( x −x n) (18.7)

di mana f [ x , x n , x n−1 , … , x0 ]adalah (n + 1) hingga perbedaan terpisah. Karena Persamaan. (18.17)

berisi f (x) yang tidak diketahui, tidak dapat dipecahkan untuk kesalahan. Namun, jika titik data
tambahan f ( x n +1 )tersedia, Persamaan. (18,17) dapat digunakan untuk memperkirakan kesalahan,
seperti dalam

Rn ≅ f [ x , xn , x n−1 , … , x 0 ] ( x−x 0 ) ( x−x 1 ) …(x−x n ) (18.8)

CONTOH 18.4 Error Estimasi untuk Newton's Polinomial

Pernyataan masalah. Gunakan Persamaan. (18.18) untuk memperkirakan kesalahan untuk

interpolasi polinomial orde kedua dari Contoh 18.2. Gunakan titik data tambahan
f (x¿ ¿3)=f ( 5 )=1,609438 ¿ untuk mendapatkan hasilnya.

Solusi : Ingat bahwa dalam Contoh 18.2, polinomial interpolasi urutan kedua memberikan
perkiraan f 2 ( 2 )=0,5658444, yang mewakili kesalahan sebesar 0,6931472 - 0,5658444 =
0,1273028. Jika kita tidak tahu nilai sebenarnya, seperti yang biasanya terjadi, Persamaan.
(18,18), bersama dengan nilai tambahan pada x 3, bisa digunakan untuk memperkirakan
kesalahan, seperti pada

Rn =f [ x 3 , x 2 , x 1 , x 0 ] ( x −x0 ) ( x−x 1 ) ( x−x 2 )

Atau

Rn =0,007865529 ( x−1 ) ( x−4 ) ( x−6)

di mana nilai untuk perbedaan terpecah hingga orde ketiga adalah sebagaimana dihitung
sebelumnya dalam Contoh 18.3. Hubungan ini dapat dievaluasi pada x = 2 untuk

Rn =0,007865529 ( 2−1 )( 2−4 )( 2−6 )=0,0629242

yang memiliki urutan yang sama besarnya sebagai kesalahan yang sebenarnya.

Dari contoh sebelumnya dan dari Persamaan. (18.18), harus jelas bahwa perkiraan
kesalahan untuk polinomik n-order setara dengan perbedaan antara urutan (n + 1) dan prediksi n-
order. Itu adalah,

Rn =f n +1 ( x )−f n ( x)

Dengan kata lain, peningkatan yang ditambahkan ke kasus n-order untuk membuat (n + 1)
thordercase [yaitu, Persamaan. (18.18)] ditafsirkan sebagai perkiraan kesalahan n-order. Ini dapat
dilihat dengan jelas dengan menata ulang Persamaan. (18,19) untuk memperoleh
 f n+1 ( x ) =f n ( x )+ R n

Validitas pendekatan ini didasarkan pada fakta bahwa seri ini sangat konvergen. Untuk
situasi seperti itu, prediksi orde-n (n + 1) harus lebih mendekati nilai sebenarnya daripada
prediksi n-order. Akibatnya, Persamaan. (18.19) sesuai dengan definisi standar kita tentang
kesalahan sebagai mewakili perbedaan antara kebenaran dan perkiraan. Namun, perhatikan
bahwa sementara semua perkiraan kesalahan lainnya untuk pendekatan berulang yang
diperkenalkan hingga titik ini telah ditentukan sebagai prediksi saat ini minus yang sebelumnya,
Persamaan. (18,19) mewakili prediksi masa depan minus yang sekarang. Ini berarti bahwa untuk
seri yang konvergen dengan cepat, perkiraan kesalahan Persamaan. (18,19) bisa kurang dari
kesalahan yang sebenarnya. Ini akan mewakili kualitas yang sangat tidak menarik jika perkiraan
kesalahan digunakan sebagai kriteria penghentian. Namun, seperti yang akan dijelaskan pada
bagian berikutnya, polinomial interpolasi tingkat tinggi sangat sensitif terhadap kesalahan data
— artinya, mereka sangat tidak terdidik. Ketika digunakan untuk interpolasi, mereka sering
menghasilkan prediksi yang berbeda secara signifikan dari nilai yang sebenarnya. Dengan
"melihat ke depan" untuk merasakan kesalahan, Persamaan. (18,19) lebih sensitif terhadap
perbedaan tersebut. Dengan demikian, ini lebih berharga untuk jenis analisis data eksploratori
yang mana polinomial Newton paling cocok.

18.1.5 Algoritma Komputer untuk Polinomial Interpolasi Newton

Tiga properti membuat polinomial interpolasi Newton sangat menarik untuk aplikasi
komputer:

1. Seperti dalam Persamaan. (18,7), versi orde tinggi dapat dikembangkan secara berurutan
dengan menambahkan satu istilah ke persamaan urutan bawah berikutnya. Ini
memfasilitasi evaluasi beberapa versi tempatan yang berbeda dalam program yang sama.
Kemampuan seperti itu sangat berharga ketika urutan polinomial tidak diketahui a priori.
Dengan menambahkan istilah baru secara berurutan, kita dapat menentukan kapan suatu
titik pengembalian yang berkurang tercapai — yaitu, ketika penambahan istilah tingkat
tinggi tidak lagi meningkatkan perkiraan secara signifikan atau dalam situasi tertentu
sebenarnya mengurangi itu. Persamaan kesalahan yang dibahas di bawah ini pada (3)
berguna dalam menyusun kriteria obyektif untuk mengidentifikasi titik berkurangnya
istilah ini.
2. Perbedaan terpecah terbatas yang merupakan koefisien dari polinomial [Persamaan.
(18,8) hingga (18,11)] dapat dihitung secara efisien. Artinya, seperti dalam Persamaan.
(18.14) dan Gambar. 18.5, perbedaan orde rendah digunakan untuk menghitung
perbedaan orde tinggi. Dengan memanfaatkan informasi yang ditentukan sebelumnya ini,
koefisien dapat dihitung secara efisien. Algoritma pada Gambar. 18.7 berisi skema seperti
itu.
3. Perkiraan kesalahan [Persamaan. (18.18)] bisa sangat sederhana dimasukkan ke dalam
algoritma komputer karena cara berurutan di mana prediksi dibangun.
 GAMBAR 18.7
Algoritma untuk polinomial interpolasi Newton yang ditulis dalam pseudocode.
SUBROUTUNE NewInt (x , y , n , xi , yint , ea)
LOKAL fdd n . n
DOFOR i=0 ,n
ffdi , 0= y i
AKHIR
DOFFOR j=1, n
DOFFOR i=0 , n− j
ffdi , j=(fdd ¿ ¿ i+1 , j−1−fdd i , j−1 )/( X i+ j −X i )¿
AKHIR
AKHIR
xtrem=1
yint 0= fdd 0,0
DOFFOR order=1 , n
xtrem=xtrem∗( xi−x order −1)
yint 2= yin t order −1+ fdd 0 ,order∗xtrem
ea order−1= yint 2− yin t order−1
yint order = yint 2
AKHIR order
AKHIR NewInt

Semua karakteristik di atas dapat dieksploitasi dan dimasukkan ke dalam algoritma

umum untuk menerapkan polinomial Newton (Gambar 18.7). Perhatikan bahwa algoritma terdiri
dari dua bagian: Yang pertama menentukan koefisien dari Persamaan. (18,7), dan yang kedua
menentukan prediksi dan kesalahan terkait. Utilitas dari algoritma ini ditunjukkan

CONTOH 18.5 Perkiraan Kesalahan untuk Menentukan Pesanan yang Sesuai

Pernyataan Masalah Interpolasi. Setelah memasukkan kesalahan [Persamaan. (18.18)], gunakan

algoritme komputer yang diberikan pada Gambar 18.7 dan informasi berikut untuk mengevaluasi
f ( x )=¿ x at x=2

x F(x) = ln x
1 0
4 1.3862944
6 1,7917595
5 1,6094379
3 1,0986123
1,5 0,4054641
2,5 0,9162907
3,5 1,2527630
 Solusi : Hasil menggunakan algoritma pada Gambar. 18,7 untuk mendapatkan solusi
ditunjukkan pada Gambar. 18.8. Perkiraan kesalahan, bersama dengan kesalahan yang
sebenarnya (berdasarkan fakta bahwa ln 2 = 0,6931472), digambarkan pada Gambar. 18.9.
Perhatikan bahwa kesalahan yang diperkirakan dan kesalahan yang sebenarnya adalah serupa
dan bahwa perjanjian mereka meningkat ketika pesanan meningkat. Dari hasil ini, dapat
disimpulkan bahwa versi orde kelima menghasilkan perkiraan yang baik dan bahwa istilah
tingkat tinggi tidak secara signifikan meningkatkan prediksi. Latihan ini juga menggambarkan
pentingnya penempatan dan pemesanan poin. Sebagai contoh, naik melalui perkiraan orde
ketiga, tingkat peningkatan lambat karena poin yang ditambahkan (pada x = 4, 6, dan 5) jauh dan
pada satu sisi titik yang dipertanyakan pada x = 2. Perkiraan orde keempat menunjukkan
peningkatan yang agak lebih besar karena titik baru pada x = 3 lebih dekat dengan yang tidak
diketahui. Namun, penurunan paling dramatis dalam kesalahan terkait dengan penyertaan istilah
urutan kelima menggunakan titik data pada x = 1,5. Tidak hanya titik ini dekat dengan yang tidak
diketahui tetapi juga diposisikan di sisi berlawanan dari sebagian besar poin lainnya. Sebagai
akibatnya, kesalahan berkurang hampir satu urutan besarnya.

Pentingnya posisi dan urutan data juga dapat diilustrasikan oleh menggunakan data yang
sama untuk mendapatkan perkiraan untuk ln 2 tetapi mempertimbangkan poin dalam urutan yang
berbeda. Gambar 18.9 menunjukkan hasil untuk kasus membalik urutan data asli, yaitu, x0 = 3,5,
x1 = 2,5, x3 = 1,5, dan seterusnya. Karena titik awal untuk kasus ini lebih dekat ke dan
ditempatkan pada kedua sisi ln 2, kesalahan menurun jauh lebih cepat daripada situasi semula.
Dengan istilah orde kedua, kesalahan telah dikurangi menjadi kurang dari εt = 2%. Kombinasi
lain dapat digunakan untuk mendapatkan tingkat konvergensi yang berbeda.

GAMBAR 18.8
Output dari suatu program, berdasarkan pada algoritma dari Gambar 18.7 untuk
mengevaluasi ln 2.
 GAMBAR 18.9
Persen kesalahan relatif untuk prediksi ln 2 sebagai fungsi dari urutan polinomial
interpolasi.

Contoh di atas menggambarkan pentingnya pemilihan titik-titik dasar. Sebagaimana

seharusnya secara naluriah, poin-poin itu harus dipusatkan dan sedekat mungkin dengan yang
tidak diketahui. Pengamatan ini juga didukung oleh pemeriksaan langsung dari persamaan
kesalahan [Persamaan. (18.17)]. Jika kita mengasumsikan bahwa perbedaan yang terpecah
hingga tidak bervariasi secara nyata di sepanjang rentang data, kesalahan sebanding dengan
produk: ( x−x 1 ) …( x−x n ). Jelas, semakin dekat titik dasar adalah x, semakin kecil besarnya
produk ini.
18.2 LAGRANGE INTERPOLATING POLINOMIAL

Polinomial interpolasi Lagrange hanyalah sebuah reformulasi dari polinomial Newton

yang menghindari perhitungan perbedaan yang terbagi. Ini dapat digambarkan secara ringkas
sebagai
n
f n ( x )=∑ Li (x ) f ( x ¿¿ i¿)¿ ¿ (18.20)
i=0

Dimana
n
x−x j
Li ( x ) = ∏ (18.21)
j =0 xi −x j
j ≠1

di mana ∏ menunjuk "produk dari." Sebagai contoh, versi linear (n = 1) adalah...

x−x 1 x−x 0
f 1= f ( x ¿¿ 0)+ f ( x¿¿ 1)¿ ¿ (18.22)
x 0 −x 1 x1 −x 0

dan versi orde kedua adalah

( x−x ¿¿ 2)
f 1=(x −x1 ) ¿
( x−x 0 ) (x−x 2) ( x−x 0 ) (x−x 1 )
(x ¿ ¿ 0−x 1)( x 0 −x 2) f (x ¿¿ 0)+ f (x ¿¿ 1)+ f (x ¿¿ 2) ¿ ¿ ¿ ¿
( x1 −x 0 ) (x 1−x 2) ( x 2−x 0 ) (2−x1 )
(18.23)

Persamaan (18.20) dapat diturunkan langsung dari polinomial Newton (Kotak 18.1).
Namun, alasan yang mendasari formulasi Lagrange dapat dipahami secara langsung dengan
menyadari bahwa setiap istilah Li (x) akan menjadi 1 pada x = xi dan 0 pada semua titik sampel
lainnya (Gambar 18.10). Jadi, setiap produk Li (x) f (xi) mengambil nilai f (xi) pada titik sampel
xi. Akibatnya, penjumlahan semua produk yang ditunjuk oleh Persamaan. (18.20) adalah
polinomial nthorder unik yang melewati tepat melalui semua poin data n + 1.

CONTOH 18.6 Lagrange Polinomial Interpolasi

Pernyataan masalah. Gunakan polinomial interpolasi Lagrange dari urutan pertama dan
kedua untuk mengevaluasi ln 2 berdasarkan data yang diberikan dalam Contoh 18.2 :

X 0=1 f ( x 0 ) =0

X 1 =4 f ( x 1 ) =1,386294

X 2 =6 f ( x 2 ) =1,791760
 Solusi : Polinomial orde pertama [Persamaan. (18.22)] dapat digunakan untuk
mendapatkan perkiraan pada x = 2,

2−4 2−1
f 1 ( 2 )= 0+ 1,386294=0,4620981
1−0 4−1

Dengan cara yang sama, polinomial orde kedua dikembangkan sebagai [Persamaan. (18.23)]

( 2−4 )( 2−6) ( 2−1 ) (2−6) ( 2−1 ) (2−4 )

f 1= 0+ 1,386294+ 1,791760=0,5658444
(1−4)(1−6) ( 4−1 ) (4−6) ( 6−1 ) ( 6−4)

Seperti yang diharapkan, kedua hasil ini sesuai dengan yang sebelumnya diperoleh dengan
menggunakan polinomial interpolasi Newton.

Kotak 18.1
Penurunan Bentuk Lagrange Langsung dari Polynomial Interpolasi Newton

Polinomial interpolasi Lagrange dapat diturunkan langsung dari formulasi

Newton. Kami akan melakukan ini hanya untuk kasus pesanan pertama
[Persamaan. (18.2)]. Untuk mendapatkan bentuk Lagrange, kami
merumuskan perbedaan yang terbagi. Misalnya, perbedaan terbagi pertama,
f ( x¿¿ 0)
f [x ¿ ¿ 1 , x 0 ]=f ( x¿¿ 1)− ¿¿¿
x 1−x 0
dapat dirumuskan ulang sebagai
f (x ¿¿ 1) f ( x ¿¿ 0)
f [x ¿ ¿ 1 , x 0 ]= + ¿¿¿
x 1 −x0 x 0−x 1
yang disebut sebagai bentuk simetris. Mensubstitusi Persamaan. (B18.1.2)
menjadi Persamaan. (18.2) hasil
x−x 0 x−x 0
f 1 ( x)=f ( x ¿¿ 0)+ f ( x ¿¿ 1)+ f (x ¿¿ 0)¿ ¿ ¿
x 1 − x0 x 0−x 1
Akhirnya, pengelompokan istilah serupa dan menyederhanakan
menghasilkan bentuk persamaan
x−x 1 x−x 0
f 1= f ( x ¿¿ 0)+ f ( x¿¿ 1)¿ ¿
x 0 −x 1 x1 −x 0

GAMBAR 18.10
Sebuah penggambaran visual dari alasan di balik polinomial Lagrange. Gambar ini
menunjukkan kotak asecond-order. Masing-masing dari tiga istilah dalam Persamaan. (18.23)
melewati salah satu titik data dan nol pada dua titik lainnya. Penjumlahan dari ketiga istilah
harus, oleh karena itu, menjadi polinomial f2 orde kedua yang unik (x) yang melewati tepat
melalui tiga poin.

GAMBAR 18.11
Pseudocode untuk menerapkan interpolasi Lagrange. Algoritma ini diatur untuk
menghitung prediksi nth-order tunggal, di mana n+1 adalah jumlah titik data.

FUNGSI Lagrng( x , y , n , xx)

jumlah=0

lakukanuntuk i=0 , n

produk= y i

lakukanuntuk j=0 , n

jika i ≠ jmaka

produk= produk∗(xx−x j)/( xi −x j )

berakhir jika

jika

jumlah= jumlah+ produk

akhir
 lagrng= jumlah

akhir lagrng

Perhatikan bahwa, seperti pada metode Newton, versi Lagrange memiliki kesalahan
perkiraan [Persamaan]. (18.17)]
n
Rn ¿ f [x , x ¿ ¿ n , x n−1 , … , x 0] ∏ (x−x i ¿ )¿¿
i=0

Jadi, jika titik tambahan tersedia di x=x n+1 , perkiraan kesalahan dapat diperoleh. Namun,
karena perbedaan yang terbatas tidak digunakan sebagai bagian dari algoritma Lagrange, ini
jarang dilakukan.

Persamaan (18.20) dan (18.21) dapat sangat mudah diprogram untuk diimplementasikan
pada komputer. Gambar 18.11 menunjukkan pseudocode yang dapat digunakan untuk tujuan ini.

Singkatnya, untuk kasus-kasus di mana urutan polinomial tidak diketahui, metpde

Newton memiliki kelebihan karena wawasan yang diberikannya ke dalam perilaku formula
pemesanan yang berbeda. Selain itu, perkiraan kesalahan diwakili oleh Persamaan. (18.18)
biasanya dapat diintegrasikan dengan mudah ke dalam perhitungan Newton karena perkiraan
menggunakan perbedaan yang terbatas (Contoh 18.5). Jadi, untuk perhitungan eksploratori,
metode Newton sering lebih disukai.

Ketika hanya satu interpolasi yang harus dilakukan, formulasi Lagrange dan Newton
membutuhkan usaha komputasi yang sebanding. Namun, versi Lagrange agak lebih mudah untuk
diprogram. Karena tidak memerlukan perhitungan dan penyimpanan perbedaan yang terbagi,
bentuk Lagrange sering digunakan ketika urutan polinomial dikenal sebagai a priori.

CONTOH 18.7 Interpolasi Lagrange Menggunakan Komputer

Pernyataan masalah. Kita dapat menggunakan algoritme dari Gambar 18.11 untuk
mempelajari masalah analisis tren yang terkait dengan penerjun jatuh yang kita kenal sekarang.
Asumsikan bahwa kita punya

GAMBAR 18.12
Plot-plot yang menunjukkan (a) orde keempat, (b) orde ketiga, (c) orde kedua, dan (d)
interpolasi orde pertama.
 Instrumentasi yang dikembangkan untuk mengukur kecepatan parasut. Data terukur yang
diperoleh untuk test case tertentu adalah

Masalah ini adalah memperkirakan kecepatan parasut pada t = 10 s untuk mengisi celah
besar dalam pengukuran antara t = 7 dan t = 13 s. Kami sadar bahwa perilaku polinomial
interpolasi dapat menjadi tidak terduga. Oleh karena itu, kami akan membangun polinomial
pesanan 4, 3, 2, dan 1 dan membandingkan hasilnya.

Solusi : Algoritma Lagrange dapat digunakan untuk membangun polinomial interpolasi

keempat, ketiga, kedua, dan pertama.

Urutan keempat polinomial dan data input dapat diplot seperti yang ditunjukkan pada
Gambar 18.12a. Hal ini terbukti dari plot ini bahwa estimasi nilai y pada x = 10 lebih tinggi dari
keseluruhan tren data.

Gambar 18.12b hingga d menunjukkan plot hasil perhitungan untuk ketiga, kedua, dan
orde pertama interpolasi polinomial, masing-masing. Perlu dicatat bahwa semakin rendah urutan,
semakin rendah nilai estimasi kecepatan pada t = 10 dtk. Plot dari polinomial interpolasi
menunjukkan bahwa polinomial tingkat tinggi cenderung melampaui tren data. Ini menunjukkan
bahwa versi orde pertama atau kedua paling tepat untuk analisis tren khusus ini. Harus diingat,
bagaimanapun, bahwa karena kita berurusan dengan data yang tidak pasti, regresi akan lebih
tepat.
 Contoh sebelumnya mengilustrasikan bahwa polinomial tingkat tinggi cenderung tidak
terdidik, yaitu, mereka cenderung sangat sensitif terhadap kesalahan round-off. Masalah yang
sama berlaku untuk regresi polinomial tingkat tinggi. Aritmatika presisi ganda terkadang
membantu meredakan masalah. Namun, ketika pesanan meningkat, akan ada titik di mana
kesalahan putaran akan mengganggu kemampuan untuk melakukan interpolasi menggunakan
pendekatan sederhana yang tercakup pada poin ini.

18.3 KOEFISIEN DARI POLINOMI INTERPOLATING

Meskipun kedua Newton dan polinomial Lagrange sangat cocok untuk menentukan nilai
antara antara titik, mereka tidak memberikan polinomial yang nyaman dari bentuk konvensional.

f ( x )=a0 + a1 x +a 2 x 2 + …+an x n (18.24)

Metode sederhana untuk menghitung koefisien dari polinomial ini didasarkan pada fakta
bahwa poin data n + 1 diperlukan untuk menentukan koefisien n + 1. Dengan demikian,
persamaan aljabar linier simultan dapat digunakan untuk menghitung nilai a. Misalnya, anggap
bahwa Anda ingin menghitung koefisien parabola

f ( x )=a0 + a1 x +a 2 x 2 (18.25)

Diperlukan tiga titik data: ¿Masing-masing dapat diganti menjadi Persamaan. (18,25)
untuk memberi

f ¿¿ (18.26)

f ¿¿

f ¿¿

Jadi, untuk kasus ini, x adalah yang diketahui dan yang a adalah yang tidak dikenal.
Karena ada jumlah persamaan yang sama dengan yang tidak diketahui, Persamaan. (18.26) dapat
diselesaikan dengan metode eliminasi dari Bagian Tiga.

Perlu dicatat bahwa pendekatan sebelumnya bukanlah metode yang paling efisien yang
tersedia untuk menentukan koefisien dari polinomial interpolasi. Tekan et al. (1992) memberikan
diskusi dan kode komputer untuk pendekatan yang lebih efisien. Teknik apa pun yang
digunakan, kata peringatan harus teratur. Sistem seperti Persamaan. (18.26) terkenal sakit.
Apakah mereka dipecahkan dengan metode eliminasi atau dengan algoritma yang lebih efisien,
koefisien yang dihasilkan bisa sangat tidak akurat, terutama untuk n besar. Ketika digunakan
untuk interpolasi berikutnya, mereka sering menghasilkan hasil yang salah.

Singkatnya, jika Anda tertarik untuk menentukan titik tengah, gunakan interpolasi
Newton atau Lagrange. Jika Anda harus menentukan persamaan dari bentuk Persamaan. (18.24),
batasi diri Anda untuk menyusun polinomial bertingkat rendah dan periksa hasil Anda dengan
cermat.

18.4 INTERPOLASI INVERSE

Sebagai nomenklatur menyiratkan, nilai-nilai f (x) dan x dalam kebanyakan interpolasi

konteks adalah variabel dependen dan independen, masing-masing. Sebagai akibatnya, nilai-nilai
x biasanya seragam jarak. Contoh sederhana adalah tabel nilai yang diturunkan untuk fungsi f (x)
= 1 / x,

x 1 2 3 4 5 6 7
f (x) 1 0,5 0,3333 0,25 0,2 0,1667 0,1429

Sekarang anggaplah bahwa Anda harus menggunakan data yang sama, tetapi Anda diberi
nilai untuk f (x) dan harus menentukan nilai yang sesuai dari x. Misalnya, untuk data di atas,
misalkan Anda diminta untuk menentukan nilai x yang berhubungan dengan f (x) = karena
fungsi tersedia dan mudah dimanipulasi, jawaban yang benar dapat ditentukan langsung sebagai
x = 1 / 0,3 = 3.3333.

Masalah seperti ini disebut interpolasi terbalik. Untuk kasus yang lebih rumit, Anda
mungkin tergoda untuk mengganti nilai f (x) dan x [yaitu, hanya plot x versus f (x)] dan
menggunakan pendekatan seperti interpolasi Lagrange untuk menentukan hasilnya. Sayangnya,
ketika Anda membalikkan variabel, tidak ada jaminan bahwa nilai-nilai di sepanjang absis baru
[f (x)] akan dibagi secara merata. Bahkan, dalam banyak kasus, nilai-nilai akan "telescoped."
Artinya, mereka akan memiliki tampilan skala logaritmik dengan beberapa titik berdekatan
berkumpul bersama dan yang lain tersebar luas. Misalnya, untuk f (x) = 1 / x hasilnya adalah

f (x) 0,1429 0,1667 0,2 0,25 0,3333 0,5 1

x 7 6 5 4 3 2 1
Jarak non-seragam seperti itu pada absis sering menyebabkan osilasi dalam polinomial
interpolasi yang dihasilkan. Ini dapat terjadi bahkan untuk polinomial tingkat rendah.

Strategi alternatif adalah untuk menyesuaikan polynomial interpolasi, fn (x), ke data asli
[yaitu, dengan f (x) versus x]. Dalam banyak kasus, karena x memiliki jarak yang sama,
polinomial ini tidak akan terpengaruh. Jawaban atas masalah Anda kemudian berjumlah untuk
menemukan nilai x yang membuat polinomial ini sama dengan f (x) yang diberikan. Dengan
demikian, masalah interpolasi menjadi masalah akar!

Misalnya, untuk masalah yang diuraikan di atas, pendekatan sederhana akan cocok
dengan polinomial kuadrat ke tiga poin: (2, 0,5), (3, 0,3333) dan (4, 0,25). Hasilnya pasti

f 2 ( x )=1,08333−0,375 x+0,041667 x 2
 Jawaban untuk masalah interpolasi terbalik untuk menemukan x yang sesuai dengan f(x)
= 0,3 karena itu akan melibatkan penentuan akar

0,3 ¿ 1,08333−0,375 x +0,041667 x 2

Untuk kasus sederhana ini, rumus kuadrat dapat digunakan untuk menghitung

x=0,375 ± √ ¿¿ ¿

Jadi, akar kedua, 3.296, adalah perkiraan yang baik dari nilai sebenarnya 3.333. Jika akurasi
tambahan yang diinginkan, polinomial orde ketiga atau keempat bersama dengan salah satu
metode lokasi akar dari Bagian Dua dapat digunakan.

18.5 KOMENTAR ADDITIONAL

Sebelum melanjutkan ke bagian berikutnya, kita harus menyebutkan dua topik tambahan:
interpolasi dengan data dan ekstrapolasi yang sama.

Karena kedua polinomial Newton dan Lagrange kompatibel dengan data yang
ditempatkan secara acak, Anda mungkin bertanya-tanya mengapa kami menangani kasus khusus
dari data yang berjarak sama (Kotak 18.2). Sebelum munculnya komputer digital, teknik-teknik
ini memiliki utilitas besar untuk interpolasi dari tabel dengan argumen spasi yang sama. Bahkan,
c dikenal sebagai tabel perbedaan-dibagi dikembangkan untuk memfasilitasi penerapan teknik-
teknik ini. (Gambar 18.5 adalah contoh dari tabel semacam itu.)

Namun, karena rumus adalah himpunan bagian dari skema Newton dan Lagrange yang
kompatibel dengan komputer dan karena banyak fungsi tabel tersedia sebagai subrutin
perpustakaan, kebutuhan untuk versi yang saling melengkapi telah memudar. Meskipun
demikian, kami telah memasukkannya pada poin ini karena relevansinya dengan bagian-bagian
selanjutnya dari buku ini. Secara khusus, mereka diperlukan untuk menurunkan formula integrasi
numerik yang biasanya menggunakan data yang saling melengkapi (Bab. 21). Karena rumus
integrasi numerik memiliki relevansi dengan solusi persamaan diferensial biasa, materi dalam
Kotak 18.2 juga memiliki arti penting bagi Bagian Tujuh.

Ekstrapolasi adalah proses memperkirakan nilai f (x) yang terletak di luar rentang titik
basis yang diketahui, x0, x1,. . . , xn (Gambar 18.13). Pada bagian sebelumnya, kami
menyebutkan bahwa interpolasi yang paling akurat biasanya diperoleh ketika yang tidak
diketahui terletak di dekat pusat titik-titik dasar. Jelas, ini dilanggar ketika yang tidak diketahui
berada di luar jangkauan, dan akibatnya, kesalahan dalam ekstrapolasi bisa sangat besar. Seperti
yang digambarkan pada Gambar. 18.13, sifat ekstrapolasi terbuka merupakan langkah ke dalam
yang tidak diketahui karena proses meluas kurva di luar wilayah yang dikenal. Dengan demikian,
kurva yang benar bisa dengan mudah menyimpang dari prediksi. Karena itu, perawatan yang
ekstrem harus dilakukan setiap kali ada kasus di mana seseorang harus memperkirakannya.
 GAMBAR 18.13
Ilustrasi kemungkinan penyimpangan prediksi ekstrapolasi. Ekstrapolasi didasarkan pada
pemasangan parabola melalui tiga titik pertama yang diketahui

Kotak 18.2
Interpolasi dengan Data yang Sama
Jika data sama spasi dan dalam urutan menaik, maka variabel independen
mengasumsikan nilai
x 1 ¿ x 0 +h
x 2 ¿ x 0 +2 h
.
.
.
x n ¿ x 0 +nh
di mana h adalah interval, atau ukuran langkah, di antara data. Atas dasar ini,
perbedaan yang terbatas dapat diungkapkan dalam bentuk yang ringkas.
Misalnya, perbedaan kedua yang terbagi ke depan adalah
f ( x 2 ) −f ( x 1 ) f ( x1 ) −f ( x0 )
−
x 2−x 1 x 1−x 0
f [x 0 , x1 , x2 ]=
x2 −x0

yang dapat diekspresikan sebagai

f ( x 2 ) −2 f ( x 1) + f ( x 0 )
f [ x 0 , x 1 , x 2 ]= (B18.2.1)
2 h2

Karena x 1−x 0=x 2−x 1=(x ¿ ¿ 2−x 0)/2=h ¿. Sekarang ingat bahwa perbedaan
ke depan kedua sama dengan [pembilang Persamaan. (4.24)]
 ∆ 2 f ( x0 ) =f ¿ ¿

Oleh karena itu, Persamaan. (B18.2.1) dapat diwakili sebagai

∆ 2 f ( x0 )
f [ x 0 , x 1 , x 2 ]=
2 ! h2
Atau secara umum,

∆n f ( x 0 )
f [ x 0 , x 1 , … , x n ]= (B18.2.2)
2 ! hn

Menggunakan Persamaan. (B18.2.2), kita dapat mengekspresikan interpolasi

polinomial Newton [Persamaan. (18.15)] untuk kasus data yang berjajar seperti
f n ¿ (B18.2.3)

dimana sisanya sama dengan Persamaan. (18,16). Persamaan ini dikenal sebagai
rumus Newton, atau rumus maju Newton-Gregory. Ini dapat disederhanakan
lebih lanjut dengan mendefinisikan kuantitas baru,
x−x 0
α=
h
Definisi ini dapat digunakan untuk mengembangkan ekspresi yang
disederhanakan berikut untuk istilah dalam Persamaan. (B18.2.3):
x−x 0=αh
x−x 0−h=αh−h=h( α−1)
.
.
.
x−x 0−( n−1 ) h=αh− ( n−1 ) h=h(α −n+ 1)

yang bisa diganti menjadi Persamaan. (B18.2.3) memberi

f (n +1) ( ξ ) n+1
Rn = h α ( α −1 ) ( α −2 ) …(α −n)
( n+1 ) !
Notasi ringkas ini akan memiliki kegunaan dalam derivasi kami dan
erroranalisis rumus integrasi dalam Chap. 21. Selain formula ke depan, rumus
Newton-Gregory ke belakang dan pusat juga tersedia. Carnahan, Luther, dan
Wilkes (1969) dapat dikonsultasikan untuk informasi lebih lanjut mengenai
interpolasi untuk data spasi yang sama.

18.6 INTERPOLASI SPLINE

 Pada bagian sebelumnya, polinomial n-order digunakan untuk interpolasi antara titik data
n + l. Sebagai contoh, untuk delapan poin, kita dapat memperoleh p-urutan ketujuh yang
sempurna untuk hasil yang salah karena kesalahan round-off dan overshoot. Pendekatan
alternatif adalah menerapkan polinomial bertingkat rendah ke subset dari titik data. Polinomial
penghubung tersebut disebut fungsi spline.

Sebagai contoh, kurva urutan ketiga yang digunakan untuk menghubungkan setiap
pasangan titik data disebut splines kubik. Fungsi-fungsi ini dapat dibangun sehingga koneksi
antara persamaan kubik yang berdekatan secara visual halus. Di permukaan, tampak bahwa
perkiraan ketiga dari splines akan lebih rendah daripada ekspresi orde ketujuh. Anda mungkin
bertanya-tanya mengapa spline akan lebih disukai.

Gambar 18.14 mengilustrasikan situasi di mana spline berkinerja lebih baik daripada
polinom orde tinggi. Ini adalah kasus di mana fungsi umumnya mulus tetapi mengalami
perubahan mendadak di suatu tempat di sepanjang wilayah yang menarik. Peningkatan langkah
yang digambarkan dalam Gambar 18.14 adalah contoh ekstrem dari perubahan semacam itu dan
berfungsi untuk mengilustrasikan maksudnya.

Gambar 18.14a hingga c mengilustrasikan bagaimana polinomial orde tinggi cenderung

berayun melalui osilasi liar di sekitar perubahan mendadak. Sebaliknya, spline juga
menghubungkan titik-titik, tetapi karena terbatas pada perubahan urutan rendah, osilasi dijaga
agar tetap minimum. Dengan demikian, spline biasanya memberikan aproksimasi superior dari
perilaku fungsi yang memiliki perubahan lokal dan mendadak.

Konsep spline berasal dari teknik penyusunan menggunakan strip tipis, fleksibel (disebut
spline) untuk menggambar kurva halus melalui serangkaian titik. Proses ini digambarkan pada
Gambar. 18.15 untuk serangkaian lima pin (titik data). Dalam teknik ini, drafter menempatkan
kertas di atas papan kayu dan palu paku atau pin ke kertas (dan papan) di lokasi titik data. Hasil
kurva kubik yang halus dari jalinan strip antara pin. Oleh karena itu, nama "cubic spline" telah
diadopsi untuk polinomial jenis ini.

Pada bagian ini, fungsi linear sederhana pertama akan digunakan untuk memperkenalkan
beberapa spek kuadrat pas standar ke data. Akhirnya, kami menyajikan materi pada spline kubik,
yang merupakan versi yang paling umum dan berguna dalam praktek teknik.

18.6.1 Linear Splines

Koneksi paling sederhana antara dua titik adalah garis lurus. Splines urutan pertama
untuk sekelompok titik data yang dipesan dapat didefinisikan sebagai sekumpulan fungsi linear,

f ( x )=f ¿ ¿ x0≤ x ≤ x1

f ( x )=f ¿ ¿ x1 ≤ x ≤ x2
 .

f ( x )=f ¿ ¿ x n−1 ≤ x ≤ x n

GAMBAR 18.14
Representasi visual dari situasi di mana splines lebih unggul dari polinomial interpolasi
yang lebih tinggi. Fungsi menjadi bugar mengalami peningkatan mendadak pada x? 0. Bagian (a)
sampai (c) menunjukkan bahwa perubahan mendadak menginduksi osilasi dalam polinomial
interpolasi. Sebaliknya, karena terbatas pada kurva urutan ketiga dengan transisi halus, spline
linear (d) memberikan pendekatan yang jauh lebih dapat diterima.

dimana m i adalah kemiringan garis lurus yang menghubungkan titik-titik:

f ( x i+1 ) −f ( xi )
mi= (18.27)
x i+1−x i

Persamaan ini dapat digunakan untuk mengevaluasi fungsi pada setiap titik antara x0 dan
x n dengan terlebih dahulu menemukan interval di mana titik itu terletak. Maka persamaan yang
tepat digunakan

GAMBAR 18.15
Teknik penyusunan menggunakan spline untuk menggambar kurva halus melalui
serangkaian titik. Perhatikan bagaimana, pada titik akhir, spline meluruskan. Ini disebut spline
“alami”.
 untuk menentukan nilai fungsi dalam interval. Metode ini jelas identik dengan interpolasi
linier.

CONTOH 18.8 Splines First-Order

Pernyataan masalah. Cocokkan data pada Tabel 18.1 dengan splines urutan pertama. Evaluasi
fungsi pada x = 5.

Olusi : Data tersebut dapat digunakan untuk menentukan kemiringan antar titik. Sebagai contoh,
untuk interval x = 4.5 hingga x = 7, kemiringan dapat dihitung menggunakan Persamaan.
(18.27):

2,5−1
m= =0,60
7−4,5

Lereng untuk interval lainnya dapat dihitung, dan splines urutan pertama yang dihasilkan diplot
dalam Gambar 18.16a. Nilai pada x = 5 adalah 1,3.

TABEL 18.1

Data agar sesuai dengan fungsi spline.

x F(x)
3,0 2,5
4,5 1,0
7,0 2,5
9,0 0,5
 Inspeksi visual Gambar. 18.16a menunjukkan bahwa kelemahan utama dari splines first-
order adalah bahwa mereka tidak mulus. Intinya, pada titik data di mana dua splines bertemu
(disebut simpul), kemiringan berubah secara tiba-tiba. Dalam istilah formal, turunan pertama dari
fungsi terputus pada titik-titik ini. Kekurangan ini diatasi dengan menggunakan splines
polinomial tingkat tinggi yang memastikan kelancaran pada simpul dengan menyamakan turunan
pada titik-titik ini, seperti yang dibahas pada bagian berikutnya.

18.6.2 Quadratic Splines

Untuk memastikan bahwa derivatif ke-l terus menerus pada simpul, spline minimal m +
1 order harus digunakan. Third-order polinomial atau splines kubik yang memastikan derivatif
pertama dan kedua terus menerus yang paling sering digunakan dalam praktek. Meskipun
turunan ketiga dan lebih tinggi dapat terputus ketika menggunakan splines kubik, mereka
biasanya tidak dapat dideteksi secara visual dan akibatnya diabaikan.

GAMBAR 18.16
Spline cocok untuk satu set empat poin. (A) Linear spline, (b) spline kuadrat, dan (c)
kubik spline, dengan polinomial kubik interpolasi juga diplot.

Karena derivasi splines kubik agak terlibat, kami telah memilih untuk memasukkannya
dalam bagian selanjutnya. Kami telah memutuskan untuk pertama mengilustrasikan konsep
interpolasi spline menggunakan polinomial orde kedua. Ini "splines kuadrat" memiliki turunan
pertama terus menerus di knot. Meskipun splines kuadrat tidak memastikan turunan kedua yang
sama di simpul, mereka melayani dengan baik untuk menunjukkan prosedur umum untuk
mengembangkan splines tingkat tinggi.

Tujuan dalam splines kuadrat adalah untuk memperoleh polinom orde kedua untuk setiap
interval antara titik-titik data. Polinomial untuk setiap interval dapat direpresentasikan secara
umum sebagai :

f i ( x )=ai x 2 + bi + c i (18.28)

Gambar 18.17 telah dimasukkan untuk membantu memperjelas notasi. Untuk n + 1 titik
data (i = 0, 1, 2,..., N), ada n interval dan, akibatnya, 3n konstanta yang tidak diketahui (a's, b's,
dan c's) untuk dievaluasi. Oleh karena itu, persamaan atau kondisi 3n diperlukan untuk
mengevaluasi hal yang tidak diketahui. Ini adalah:

1. Nilai fungsi dari polinomial yang berdekatan harus sama pada simpul-simpul interior.
Kondisi ini dapat direpresentasikan sebagai

a i−1 x 2i−1 +bi−1 xi−1 +c i−1=f ( x i−1 ) (18.29)

a i x 2i +b i x i−1 + ci =f ( x i−1 ) (18.30)

untuk i = 2 hingga n. Karena hanya knot interior yang digunakan, Persamaan. (18.29) dan
(18.30) masing-masing menyediakan kondisi n - 1 untuk total kondisi 2n - 2.

2. Fungsi pertama dan terakhir harus melewati titik akhir. Ini menambahkan dua
persamaan tambahan:

a 1 x 20 +b 1 x 0 + c 1=f ( x 0 ) (18.31)

a n x 2n + bn xn +c n=f ( x n ) (18.32)

untuk total 2n - 2 + 2 = 2n kondisi.

GAMBAR 18.17
Notasi digunakan untuk menurunkan splines kuadrat. Perhatikan bahwa ada n interval
dan titik data n +1. Contoh yang ditunjukkan adalah untuk n = 3.
 Turunan pertama pada simpul-simpul interior harus sama. Turunan pertama dari
Persamaan. (18.28) adalah

f ' ( x )=2 ax +b

Oleh karena itu, kondisi tersebut dapat direpresentasikan secara umum sebagai

2 ai−1 x i−1 ++bi−1=2a i x i−1++ bi (18.33)

untuk i = 2 hingga n. Ini menyediakan kondisi n - 1 lainnya untuk total 2n + n - 1 = 3n - 1.

Karena kami memiliki 3n yang tidak dikenal, kami adalah satu kondisi yang pendek. Kecuali
kami memiliki beberapa informasi tambahan mengenai fungsi atau turunannya, kami harus
membuat pilihan acak untuk berhasil menghitung konstanta. Meskipun ada sejumlah pilihan
berbeda yang dapat dibuat, kami memilih yang berikut:

4. Asumsikan bahwa derivatif kedua adalah nol pada titik pertama. Karena turunan kedua dari
Persamaan. (18.28) adalah 2ai, kondisi ini dapat dinyatakan secara matematis sebagai

a 1=0 (18.34)

Interpretasi visual dari kondisi ini adalah bahwa dua titik pertama akan dihubungkan oleh garis
lurus.

CONTOH 18.9 Splines Kuadrat

Pernyataan masalah. Pasangkan splines kuadrat ke data yang sama yang digunakan dalam
Contoh 18.8 (Tabel 18.1). Gunakan hasil untuk memperkirakan nilai pada x = 5.

Solusi : Untuk masalah saat ini, kami memiliki empat titik data dan n = 3 interval. Oleh karena
itu, 3 (3) = 9 tidak diketahui harus ditentukan. Persamaan (18.29) dan (18.30) menghasilkan 2 (3)
- 2 = 4 kondisi:

20,25 a1 + 4.5b 1 +c 1=1,0

20,25 a2 + 4.5b 2 + c2=1,0

49 a2+ 7 b2 + c 2=2,5

49 a3+ 7 b3 + c 3=2,5

Melewati fungsi pertama dan terakhir melalui nilai awal dan akhir menambahkan 2 lagi
[Persamaan (18.31)]:

9 a 1+3 b 1 +c 1=2,5

Dan Persamaan
 81 a3 +9 b 3 +c 3=0,5

Kontinuitas derivatif menciptakan tambahan 3 - l = 2 [Persamaan. (18.33)]:

9 a 1+b 1 ¿ 9 a 2+ b2

14 a 2+ b2 ¿ 14 a3 +b3

Akhirnya, Persamaan. (18.34) menetapkan bahwa a1 = 0. Karena persamaan ini

menentukan secara tepat, masalah akan berkurang untuk menyelesaikan delapan persamaan
bersamaan. Kondisi ini dapat dinyatakan dalam bentuk matriks sebagai

Persamaan ini dapat dipecahkan menggunakan teknik dari Bagian Tiga, dengan hasil:

a 1=0 b 1=−1 c 1=5,5

a 2=0,64 b 2=−6,76 c 2=18,46

a 3=−1,6 b 3=24,6 c 3=−91,3

yang dapat digantikan ke dalam persamaan kuadrat asli untuk mengembangkan hubungan
berikut untuk setiap interval:

f 1 ( x )=−x +5,5 3,0 ≤ x ≤ 4,5

f 2 ( x )=0,64 x 2−6,76 x +18,46 4,5 ≤ x ≤ 7,0

f 3 ( x )=−1,6 x 2 +24,6 x−91,3 7,0 ≤ x ≤ 9,0

Ketika kita menggunakan f 2 , prediksi untuk x = 5 adalah, oleh karena itu

Fit spline total digambarkan pada Gambar. 18.16b. Perhatikan bahwa ada dua kekurangan yang
mengurangi kesesuaian: (1) garis lurus yang menghubungkan dua titik pertama dan (2) spline
untuk interval terakhir tampaknya berayun terlalu tinggi. Splines kubik di bagian berikutnya
tidak menunjukkan kekurangan-kekurangan ini dan, sebagai konsekuensinya, adalah metode
yang lebih baik untuk interpolasi spline.

18.6.3 Cubic Splines

Tujuan dalam splines kubik adalah untuk mendapatkan polinomial orde ketiga untuk
setiap interval antara simpul, seperti pada

f i ( x )=ai x 3 + bi x 2 +c i x +d i (18.35)

Jadi, untuk titik data n + 1 (i = 0, 1, 2,..., N), ada n interval dan, akibatnya, 4n konstanta
yang tidak diketahui untuk mengevaluasi. Sama seperti untuk splines kuadrat, kondisi 4n
diperlukan untuk mengevaluasi yang tidak diketahui. Ini adalah:

1. Nilai fungsi harus sama pada knot interior (2n - 2 condition).

2. Fungsi pertama dan terakhir harus melewati titik akhir (2 kondisi).

3. Turunan pertama pada simpul-simpul interior harus sama (kondisi n-1).

4. Turunan kedua pada knot interior harus sama (kondisi n - 1).

5. Turunan kedua pada simpul akhir adalah nol (2 kondisi).

Interpretasi visual dari kondisi 5 adalah bahwa fungsi menjadi garis lurus pada simpul
akhir. Spesifikasi kondisi akhir seperti itu mengarah pada apa yang disebut spline “alami”. Ini
diberi nama ini karena spline peregangan secara alami berperilaku seperti ini (Gambar 18.15).
Jika nilai derivatif kedua pada simpul akhir adalah nol (yaitu, ada beberapa kelengkungan),
informasi ini dapat digunakan sebagai alternatif untuk memasok dua kondisi akhir.

Lima jenis kondisi di atas memberikan total 4n persamaan yang diperlukan untuk
memecahkan koefisien 4n. Padahal tentu saja mungkin untuk mengembangkan splines kubik
dalam mode ini, kami akan menyajikan teknik alternatif yang membutuhkan solusi hanya
persamaan n - 1. Meskipun derivasi metode ini (Kotak 18.3) agak kurang lugas daripada untuk
splines kuadrat, keuntungan dalam efisiensi adalah sepadan dengan usaha.

Kotak 18.3
Penurunan Splice Kubik
Langkah pertama dalam derivasi (Cheney dan Kincaid, 1985) didasarkan pada
pengamatan bahwa karena setiap pasangan knot dihubungkan oleh kubik, turunan
kedua dalam setiap interval adalah garis lurus. Persamaan (18.35) dapat dibedakan
dua kali untuk memverifikasi pengamatan ini. Atas dasar ini, turunan kedua dapat
diwakili oleh orde pertama Lagrange interpolasi polinomial [Persamaan. (18.22)]:
 '' '' x−x i '' x−x i−1
f i ( x ) =f i ( x i−1 ) + f i ( x i−1 ) (B18.3.1)
x i−1−x i x i−1−xi
di mana f 'i' ( x ) adalah nilai turunan kedua pada titik x dalam interval ke-i. Jadi,
persamaan ini adalah garis lurus yang menghubungkan derivatif kedua pada simpul
'' ''
pertama f i ( x i−1 )dengan turunan kedua pada simpul kedua f i ( x i)
Selanjutnya, Persamaan. (B18.3.1) dapat diintegrasikan dua kali untuk menghasilkan
ekspresi untuk fi (x). Namun, ekspresi ini akan mengandung dua konstanta integrasi
yang tidak diketahui. Konstanta ini dievaluasi dengan menerapkan kondisi fungsi
kesetaraan — f (x) harus sama dengan f (xi − 1) pada xi − 1 dan f (x) harus sama
dengan f (xi) pada xi. Dengan melakukan evaluasi ini, hasil persamaan kubik berikut:

(x ¿¿ i−1)
f i ( x)=f 'i ' ¿
6( x ¿ ¿ i−x i−1)¿ ¿
Sekarang, diakui, hubungan ini adalah ekspresi yang jauh lebih rumit untuk spline
kubik untuk interval ke dua daripada, katakanlah Persamaan (18.35). Namun,
perhatikan bahwa itu hanya berisi dua "koefisien" yang tidak diketahui, turunan kedua
pada awal dan akhir interval-f ?? (xi − 1) dan f ?? (xi). Jadi, jika kita dapat
menentukan derivatif kedua yang tepat pada setiap simpul, Persamaan. (B18.3.2)
adalah polinomial urutan ketiga yang dapat digunakan untuk interpolasi dalam
interval. Turunan kedua dapat dievaluasi dengan menerapkan kondisi bahwa derivatif
pertama pada simpul harus berkelanjutan:

f 'i ( x¿¿ i)=f 'i+1 (x ¿¿ i)¿ ¿

Persamaan (B18.3.2) dapat dibedakan untuk memberikan ekspresi untuk turunan

pertama. Jika ini dilakukan untuk kedua (i - 1) th dan interval ke dua dan dua hasil
ditetapkan sama menurut Persamaan. (B18.3.3), hasil hubungan berikut:

6
( x ¿ ¿ i−x i−1) f 'i ' ( x ¿¿ i−1)+2( x ¿ ¿ i+ 1−x i−1) f ' ' ( x i ) +(x ¿ ¿ i−x i−1 )f ' ' ( x i+1 ) = ¿¿¿¿¿
x i −xi−1

Jika Persamaan. (B18.3.4) ditulis untuk semua simpul interior, n - 1 hasil persamaan
simultan dengan n + 1 turunan kedua yang tidak diketahui. Namun, karena ini adalah
spline kubik alami, turunan kedua pada simpul akhir adalah nol dan masalah
berkurang menjadi persamaan n - 1 dengan n - 1 tidak diketahui. Selain itu,
perhatikan bahwa sistem persamaan akan tridiagonal. Jadi, kita tidak hanya
mengurangi jumlah persamaan tetapi kita juga telah membuangnya dalam bentuk
yang sangat mudah dipecahkan (ingat Bagian 11.1.1).

Derivasi dari Kotak 18.3 menghasilkan persamaan kubik berikut untuk setiap interval:

(x ¿¿ i−1)
f i ( x)=f 'i ' ¿ (18.36)
6( x ¿ ¿ i−x i−1)¿ ¿
Persamaan ini hanya berisi dua hal yang tidak diketahui — turunan kedua di akhir setiap interval.
Ini tidak diketahui dapat dievaluasi menggunakan persamaan berikut :

6
( x ¿ ¿ i−x i−1) f 'i ' ( x ¿¿ i−1)+2( x ¿ ¿ i+ 1−x i−1) f ' ' ( x i ) +(x ¿ ¿ i−x i−1 )f ' ' ( x i+1 ) = ¿¿¿¿¿
x i −xi−1
(18.37)

Jika persamaan ini ditulis untuk semua simpul interior, n - 1 persamaan simultan menghasilkan n
- 1 yang tidak diketahui. (Ingat, turunan kedua pada simpul akhir adalah nol.) Penerapan
persamaan ini diilustrasikan dalam contoh berikut.

CONTOH 18.10 Kubik Splines

Pernyataan masalah. Sesuaikan splines kubik dengan data yang sama yang digunakan dalam
Contoh 18.8 dan 18.9 (Tabel 18.1). Memanfaatkan hasil untuk memperkirakan nilai pada x=
5.

Solusi : Langkah pertama adalah menggunakan Persamaan. (18,37) untuk menghasilkan

serangkaian persamaan simultan yang akan digunakan untuk menentukan turunan kedua di knot.
Misalnya, untuk simpul interior pertama, data berikut digunakan:

x 0=3 f (x 0)=2,5

x 1=4,5 f (x 1)=1

x 2=7 f (x 2)=2,5

Nilai-nilai ini dapat diganti menjadi Persamaan. (18,37) untuk mendapatkan

6 6
( 4,5−3 ) f ' ' (3 )+ 2 ( 7−3 ) f ' ' ( 4,5 ) + ( 7−4,5 ) f ' ' ( 7 )= ( 2,5−1 )+ (2,5−1)
7−4,5 4,5−3

Karena kondisi spline alami, f ' ' ( 3 )=0 , dan persamaan berkurang menjadi

8 f ' ' ( 4,5 ) +2,5 f ' ' ( 7 )=9,6

Dengan cara yang sama, Persamaan. (18.37) dapat diterapkan pada titik interior kedua untuk
diberikan

2,5 f ' ' ( 4,5 ) +9 f '' ( 7 )=−9,6

Kedua persamaan ini dapat diselesaikan secara bersamaan untuk

f ' ' ( 4,5 ) =1,67909

 f ' ' ( 7 )=−1,53308

Nilai-nilai ini kemudian dapat diganti menjadi Persamaan. (18.36), bersama dengan nilai untuk x
dan f (x) untuk menghasilkan

1,67909 2,5 1 1,67909 ( 4,5−3 )

f 1 ( x)= ( x−3 )3+ (4,5−x)+[ − ]( x−3)
6 ( 4,5−3 ) 4,5−3 4,5−3 6

Atau

f 1 ( x )=0,186566 ( x−3 )3 +1,666667 ( 4,5−x ) +0,246894( x−3)

Persamaan ini adalah spline kubik untuk interval pertama. Substitusi serupa dapat dibuat untuk
mengembangkan persamaan untuk interval kedua dan ketiga:

f 2 ( x )=0,111939 ( 7−x )3−0,102205 ( x−4,5 )3 +0,299621 ( 7−x ) +1,638783 ( x−4,5 )

Dan

f 2 ( x )=−0,127757 ( 9−x )3 +1,761027 ( 9−x ) +0,25 ( x−7 )

Ketiga persamaan kemudian dapat digunakan untuk menghitung nilai dalam setiap interval.
Misalnya, nilai pada x = 5, yang jatuh dalam interval kedua, dihitung sebagai

f 2 ( x )=0,111939 ( 7−5 )3−0,102205 ( 5−4,5 )3 +0,299621 (7−5 ) +1,638783 ( 5−4,5 )=1,102886

Nilai-nilai lain dihitung dan hasilnya diplot pada Gambar. 18.16c

Hasil Contoh 18.8 hingga 18.10 diringkas dalam Gambar 18.16. Perhatikan peningkatan
progresif fit saat kita bergerak dari linier ke kuadratik ke kubik splines. Kami juga melapiskan
polinomial interpolasi kubik pada Gambar. 18.16c. Meskipun spline kubik terdiri dari
serangkaian kurva orde ketiga, fit yang dihasilkan berbeda dari yang diperoleh menggunakan
polinom orde ketiga. Hal ini disebabkan oleh fakta bahwa spline alami membutuhkan nol
derivatif kedua pada simpul akhir, sedangkan polinomial kubik tidak memiliki kendala seperti
itu.

18.6.4 Algoritma Komputer untuk Kubik Splines

Metode untuk menghitung splines kubik yang diuraikan di bagian sebelumnya sangat
ideal untuk implementasi komputer. Ingat bahwa, dengan beberapa manipulasi yang cerdik,
metode ini mengurangi penyelesaian persamaan n - 1 secara simultan. Manfaat tambahan dari
derivasi adalah bahwa, sebagaimana ditentukan oleh Persamaan. (18.37), sistem persamaan
adalah tridiagonal. Seperti yang dijelaskan dalam Sec. 11.1, algoritma tersedia untuk
menyelesaikan sistem tersebut dengan sangat efisien. Gambar 18.18 menguraikan kerangka
komputasi yang menggabungkan fitur-fitur ini.
 Perhatikan bahwa rutinitas pada Gambar. 18.18 mengembalikan nilai interpolasi tunggal,
yu, untuk nilai yang diberikan dari variabel dependen, xu. Ini hanyalah salah satu cara di mana
interpolasi spline dapat

GAMBAR 18.18
Algoritma untuk interpolasi spline kubik.
diimplementasikan. Misalnya, Anda mungkin ingin menentukan koefisien sekali, dan kemudian
melakukan banyak interpolasi. Selain itu, rutin mengembalikan baik derivatif pertama (dy) dan
kedua (dy2) pada xu. Meskipun tidak perlu menghitung jumlah ini, mereka terbukti berguna
dalam banyak aplikasi interpolasi spline.

18.7 INTERPOLASI MULTIDIMENSI

Metode interpolasi untuk masalah satu dimensi dapat diperluas ke interpolasi

multidimensional. Pada bagian ini, kami akan menjelaskan kasus interpolasi dua dimensi paling
sederhana dalam koordinat Cartesian.

GAMBAR 18.19
Penggambaran grafis interpolasi bilinear dua dimensi di mana nilai antara (lingkaran
penuh) diperkirakan berdasarkan empat nilai yang diberikan (lingkaran terbuka).

18.7.1 Interpolasi Bilinear

Interpolasi dua dimensi berhubungan dengan menentukan nilai menengah untuk fungsi
dua variabel, z = f (xi, yi). Seperti yang digambarkan pada Gambar 18.19, kami memiliki nilai
pada empat titik: f (x1, y1), f (x2, y1), f (x1, y2), dan f (x2, y2). Kami ingin melakukan
interpolasi antara titik-titik ini untuk memperkirakan nilai pada titik tengah f (xi, yi). Jika kita
menggunakan fungsi linear, hasilnya adalah bidang yang menghubungkan titik-titik seperti pada
Gambar 18.19. Fungsi-fungsi tersebut disebut bilinear.
 Pendekatan sederhana untuk mengembangkan fungsi bilinear digambarkan pada Gambar.
18.20. Pertama, kita dapat mempertahankan nilai y tetap dan menerapkan interpolasi linier satu
dimensi dalam arah x. Menggunakan bentuk Lagrange, hasilnya pada (xi, y1) adalah

x i−x 2 x −x
f (x ¿ ¿i y 1)= f ( x ¿ ¿ 1 , y 1)+ i 1 f ( x ¿ ¿ 2 , y 1 )¿ ¿ ¿ (18.38)
x 1−x 2 x2 −x1

dan pada ( x ¿ ¿ i, y 2)¿ adalah

x i−x 2 x −x
f (x ¿ ¿i y 2)= f ( x ¿ ¿1 , y 2)+ i 1 f ( x ¿ ¿ 2 , y2 )¿¿ ¿ (18.39)
x 1−x 2 x 2−x 1

Titik-titik ini kemudian dapat digunakan untuk interpolasi linear sepanjang dimensi y untuk
menghasilkan hasil akhir,

y i− y 2 y−y
f (x ¿ ¿i y i)= f ( x ¿ ¿ i , y 1 )+ i 1 f (x ¿ ¿ i, y 2 )¿ ¿ ¿ (18.40)
y 1− y 2 y 2− y 1

Persamaan tunggal dapat dikembangkan dengan mengganti Persamaan. (18.38) dan

(18.39) menjadi Persamaan. (18,40) untuk memberi

GAMBAR 18.20
Interpolasi bilinear dua dimensi dapat diimplementasikan dengan pertama menerapkan
interpolasi linier satu dimensi sepanjang dimensi x untuk menentukan nilai pada xi. Nilai-nilai
ini kemudian dapat digunakan untuk interpolasi linier sepanjang dimensi y untuk menghasilkan
hasil akhir pada xi, yi.

x i−x 2 y i− y 2 xi −x1 y i− y 2 x i−x 2 y i − y 1 x i− x1 y i− y 2

f (x ¿ ¿i y 1)= f ( x ¿ ¿ 1 , y 1)+ f (x ¿ ¿ 2 , y 1 )+ f ( x ¿ ¿ 1 , y 2)+ f
x 1−x 2 y 1− y 2 x2 −x1 y 1− y 2 x 1−x 2 y 2 − y 1 x 2−x 1 y 1− y 2
(18.41)

CONTOH 18.11 Interpolasi Bilinear

Pernyataan masalah. Misalkan Anda telah mengukur suhu pada sejumlah koordinat pada
permukaan pelat pemanas berbentuk persegi panjang:

T ( 2,1 ) =60 T ( 9,1 ) =57,5

T ( 2,6 )=55 T ( 9,6 )=70

Gunakan interpolasi bilinear untuk memperkirakan suhu pada xi = 5,25 dan yi = 4,8.

Solusi : Mengganti nilai-nilai ini menjadi Persamaan. (18.41) memberi

5,25−9 4,8−6 5,25−2 4,8−6 5,25−9 4,8−1 5,25−2 4,8−1

f ( 5,5,4 )= 60+ 57,5+ 55+ 70=61,2143
2−9 1−6 9−2 1−6 2−9 6−1 9−2 6−1

Perhatikan bahwa di luar interpolasi bilinear sederhana yang dijelaskan dalam contoh
sebelumnya, polinomial dan splines tingkat tinggi juga dapat digunakan untuk interpolasi dalam
dua dimensi. Selanjutnya, metode ini dapat dengan mudah diperluas ke tiga dimensi. Kami akan
kembali ke topik ini ketika kami meninjau aplikasi perangkat lunak untuk interpolasi pada akhir
Chap. 19.

MASALAH

18.1 Perkirakan thecommonlogarithm dari 10 menggunakan interpolasi linier.

(a) Interpolasi antara log 8 = 0,9030900 dan log 12 = 1,0791812.

(b) Interpolasi antara log 9 = 0,9542425 dan log 11 = 1,0413927. Untuk setiap
interpolasi, hitung persentase kesalahan relatif berdasarkan nilai sebenarnya.

18.2 Sesuaikan polinomial interpolasi Newton orde kedua untuk memperkirakan log 10
menggunakan data dari Prob. 18,1 pada x = 8, 9, dan 11. Hitung kesalahan relatif persen
sebenarnya.

18.3 Cocokkan polinomial interpolasi Newton urutan ketiga untuk memperkirakan log 10
menggunakan data dari Prob. 18.1.

18.4 Ulangi Prol. 18.1 hingga 18.3 menggunakan polinomial Lagrange.

18.5 Diberikan data

x 1,6 2 2,5 3,2 4 4,5

F(x) 2 8 14 15 8 2
(a) Hitung f (2.8) menggunakan polinomial interpolasi Newton dari urutan 1 hingga 3.
Pilih urutan poin untuk perkiraan Anda untuk mencapai keakuratan terbaik.

(b) Memanfaatkan Persamaan. (18.18) untuk memperkirakan kesalahan untuk setiap

prediksi.

18.6 Diberikan data

x 1 2 3 5 7 8
F(x) 3 6 19 99 291 444
Hitung f (4) menggunakan polinomial interpolasi Newton dari urutan 1 sampai 4. Pilih
titik dasar Anda untuk mencapai akurasi yang baik. Apa hasil Anda menunjukkan tentang
urutan polinomial yang digunakan untuk menghasilkan data dalam tabel?

18.7 Ulangi Prob. 18.6 menggunakan polinomial Lagrange urutan 1 sampai 3.

18.8 Data berikut berasal dari tabel yang diukur dengan presisi tinggi. Gunakan metode numerik
terbaik (untuk jenis masalah ini) untuk menentukan y pada x? 3,5. Perhatikan bahwa
polinomial akan menghasilkan nilai yang pasti. Solusi Anda harus membuktikan bahwa
hasil Anda tepat.

x 0 1,8 5 6 8,2 9,2 12

y 26 16,415 5,375 3,5 2,015 2,54 8

18.9 Gunakan polinomial interpolasi Newton untuk menentukan y pada x? 3,5 untuk akurasi
terbaik. Hitunglah perbedaan terpecah terbatas seperti pada Gambar 18.5 dan perintahkan
poin Anda untuk mencapai akurasi dan konvergensi yang optimal.

x 0 1 2,5 3 4,5 5 6
y 2 54375 7,3516 7,5625 8,4453 9,1875 12

18.10 Gunakan polinomial interpolasi Newton untuk menentukan y pada x = 8 dengan akurasi
terbaik. Hitunglah perbedaan terpecah terbatas seperti pada Gambar 18.5 dan perintahkan
poin Anda untuk mencapai akurasi dan konvergensi yang optimal.

x 0 1 2 5.5 11 13 16 18
y 0.5 3.134 5.3 9.9 10.2 9.35 7.2 6.2
18.11 Gunakan interpolasi terbalik menggunakan interpolasi kubik polinomial dan pembelahan
untuk menentukan nilai x yang sesuai ke f (x) = 0.23 untuk data tabulasi berikut:

x 2 3 4 5 6 7
y 0.5 0.3333 0.25 0.2 0.1667 0.1429

18.12 Gunakan interpolasi terbalik untuk menentukan nilai x itu sesuai dengan f (x) = 0.85 untuk
data tabulasi berikut:

X 0 1 2 3 4 5
Y 0 0.5 0.8 0.9 0.941176 0.961538
Perhatikan bahwa nilai-nilai dalam tabel dihasilkan dengan fungsi f 9 x ¿=x 2 /(1+ x 2 ).

(a) Tentukan nilai yang benar analitik.

(b) Gunakan interpolasi kubik x versus y.

(c) Gunakan interpolasi terbalik dengan interpolasi kuadrat dan rumus kuadrat.

(d) Gunakan interpolasi terbalik dengan interpolasi kubik dan pembelahan.

Untuk bagian (b) melalui (d) hitunglah persentase persen kesalahan sebenarnya.

18.13 Kembangkan splines kuadrat untuk 5 titik data pertama di masalah 18.5 dan memprediksi f
(3.4) dan f (2.2).

18.14 Mengembangkan splines kubik untuk data di Prob. 18.6 dan (a) memprediksi f (4) dan f
(2.5) dan (b) memverifikasi bahwa f 2 (3) dan f 3 (3) = 19.

18.15 Tentukan koefisien parabola yang lewat melalui tiga poin terakhir di Prob. 18.5.

18.16 Tentukan koefisien persamaan kubik yang lewat melalui empat poin pertama di Prob.
18.6.

18.17 Mengembangkan, men-debug, dan menguji program dalam bahasa tingkat tinggi atau
bahasa makro pilihan Anda untuk menerapkan Newton interpolasi polinomial
berdasarkan Gambar. 18.7.
18.18 Uji program yang Anda kembangkan di Prob. 18.17 dengan menduplikasi perhitungan dari
Contoh 18.5.

18.19 Gunakan program yang Anda kembangkan di Prob. 18.17 untuk dipecahkan Prob. 18.1
hingga 18.3.

18.20 Gunakan program yang Anda kembangkan di Prob. 18.17 untuk memecahkan Prob. 18.5
dan 18.6. Manfaatkan semua data untuk mengembangkan pertama-melalui polinomial
urutan kelima. Untuk kedua masalah, plot kesalahan perkiraan versus pesanan.

18.21 Mengembangkan, men-debug, dan menguji program di tingkat tinggi bahasa atau bahasa
makro pilihan Anda untuk menerapkan Lagrange interpolasi. Dasarkan pada pseudocode
dari Gambar. 18.11. Uji dengan menduplikasi Contoh 18.7.

18.22 Aplikasi interpolasi Lagrange yang berguna disebut pencarian meja. Seperti namanya, ini
melibatkan "mencari" sebuah nilai tengah dari tabel. Untuk mengembangkan algoritma
semacam itu, tabel nilai x dan f (x) pertama disimpan dalam sepasang larik satu dimensi.
Nilai-nilai ini kemudian diteruskan ke fungsi bersama dengan nilai x yang ingin Anda
evaluasi. Fungsi kemudian melakukan dua tugas. Pertama, ia melompati meja sampai
menemukan selang waktu di mana kebohongan yang tidak diketahui. Maka itu menerapkan
teknik seperti interpolasi Lagrange untuk menentukan f (x) nilai yang tepat.
Mengembangkan fungsi seperti itu menggunakan polinomial Lagrange kubik untuk
melakukan interpolasi. Untuk interval menengah, ini adalah pilihan yang bagus karena
yang tidak diketahui akan berada di interval dalam tengah empat poin yang diperlukan
untuk menghasilkan kubik. Untuk interval pertama dan terakhir, gunakan polinomial
Lagrange kuadrat. Juga, kode Anda mendeteksi ketika pengguna meminta nilai di luar
kisaran x. Untuk kasus semacam itu, fungsi harus menampilkan pesan eror. Uji program
Anda untuk f (x) = ln x menggunakan data dari x = 1, 2, ..., 10.

18.23 Mengembangkan, men-debug, dan menguji program di bahasa tingkat tinggi atau bahasa
makro pilihan Anda untuk menerapkan kubik interpolasi spline berdasarkan Gambar 18.18.
Uji program dengan menduplikasi Contoh 18.10.
18.24 Gunakan perangkat lunak yang dikembangkan di Prob. 18.23 agar muat kubik splines
melalui data dalam Probs. 18.5 dan 18.6. Untuk kedua kasus, memprediksi f (2.25).

18.25 Gunakan porsi dari tabel uap yang diberikan untuk superheated H2O pada 200 MPa untuk
(a) menemukan entropi yang sesuai untuk spesifik volume v = 0.108 m 3 / kg dengan
interpolasi linier, (b) temukan entropi yang sama menggunakan interpolasi kuadrat, dan (c)
temukan volume yang sesuai dengan entropi 6.6 menggunakan inverse interpolasi.

V(m3/kg) 0.10377 0.11144 0.1254

S(kj/kg.K) 6.4147 6.5453 6.7664

18.26 Fungsi Runge ditulis sebagai

1
f ( x )=
1+25 x 2

(a) Kembangkan plot fungsi ini untuk interval dari x = -1 hingga 1.

(b) Hasilkan dan plot urutan keempat Lagrange interpolasi polinomial menggunakan nilai
fungsi yang setara dengan x = -1, - 0,.5, 0, 0.5, dan 1.

(c) Gunakan lima poin dari (b) untuk memperkirakan f (0.8) dengan pertama melalui orde
keempat Newton menginterpolasi polinomial.

(d) Hasilkan dan plot spline kubik menggunakan lima poin dari (b).

(e) Diskusikan hasil Anda.

18.27 Berikut ini adalah fungsi gundukan yang dibangun di MATLAB digunakan untuk
mendemonstrasikan beberapa kemampuan numeriknya:

1 1
f ( x )= + −6
( x−0.3 ) +0.01 ( x −0.9 )2+ 0.04
2

Fungsi gudukan-gudukan menunjukkan daerah datar dan curam di atas rentang x yang
relatif pendek. Hasilkan nilai dari fungsi ini pada interval 0.1 selama rentang dari x = 0
 hingga 1. Cocokkan data ini dengan kubik spline dan buat plot yang membandingkan pas
dengan gundukan fungsi yang tepat.

18.28 Data berikut mendefinisikan konsentrasi permukaan laut oksigen terlarut untuk air tawar
sebagai fungsi suhu:

T, oC 0 8 16 24 32 40
o,mg/L 14.621 11.843 9.870 8.418 7.305 6.413
Perkirakan o (27) menggunakan (a) interpolasi linier, (b) interpolasi Newton polinomial,
dan (c) splines kubik. Perhatikan bahwa hasil yang tepat adalah 7.986 mg / L.

18.29 Hasilkan delapan titik dengan jarak yang sama dari fungsi

f ( t )=sin 2 t

dari t = 0 hingga 2π. Masukkan data ini dengan (a) interpolasi urutan ketujuh polinomial
dan (b) spline kubik.

18.30 Suhu diukur pada berbagai titik pada piring dipanaskan (Tabel P18.30). Perkirakan suhu
pada (a) x = 4, y = 3.2, dan (b) x = 4.3, y = 2.7.

TABEL P18.30 Suhu (° C) pada berbagai titik pada pelat pemanas persegi.

X=0 X=2 X=4 X=6 X=8

y=0 100.00 90.00 80.00 70.00 60.00
y=2 85.00 64.49 53.50 48.15 50.00
y=4 70.00 48.90 38.43 35.03 40.00
y=6 55.00 38.78 30.39 27.07 30.00
y=8 40.00 35.00 30.00 25.00 20.00
 BAB 19

Aproksimasi Fourier

Sampai Titik Ini, Presentasi Telah Enekankan Polinomial Standard Yaitu, Kombinasi
Linier Monomial 1, x, x 2, . . . , x m (gambar . 19.1a). kita sekarang beralih ke kelas fungsi lain
yang memiliki kepentingan besar dalam bidang teknik. Ini adalah fungsi trigonometri 1, cos x,
cos 2x, . . . , cos nx, sin x, sin 2x, . . . , sin nx (Fig. 19.1b).

Insinyur sering berurusan dengan system yang berisolasi atau bergetar. Seperti yang diharapkan,
fungsi trigonometri memainkan peran mendasar dalam memodelkan konteks masalah seperti itu.
Salah satu keunggulan dari fourier analisis adalaha ia berhubungan dengan waktu dan frekuensi
domain. Karena beberapa insinyur tidak nyaman dengan yang terakhir , kami telah mencurahkan
sebagian besar bahan berikutnya untuk gambaran umum tentang perkiraan fourier. Aspek
penting dari ikhtisar ini akan membiasakan anda dengan domain frekuensi. Oreantasi ini
kemudian diikuti oleh pengantar metode numeric untuk menghitung transformasi fourier diskrit.

19.1 PEMASANGAN KURVA DENGAN FUNGSI SINUSOIDAL

Sebuah fungsi periodic f (t) adalah salah satunya

f(t) = f(t + T)

Dimana T adalah sebuah konstan bernama periode yang merupakan nilai terkecil untuk
persamaan (19.1) berlaku contoh commen termasuk bentuk gelombang seperi gelombang persegi
dan sinusoidal (Gbr. 19.2). yang paling mendasar adalah fungsi sinusoidal. Dalam diskusi ini,
kita akan menggunakan istila sinusoidal untuk mewakili bentuk gelombang apa pun yang dapat
digambarkan sebagai sinus atau kosinus . tidak ada konvensi yang jelas untuk coosing fungsi
baik, dan dalam hal apapun, hasilnya akan identik. Untuk bab ini, kita akan menggunakan
kosinus, yang dinyatakan secara umum sebagai

f(t) = A0 + C1 cos(ω0t + θ) (19.2)

dengan demikian, empt parameter berfungsi untuk mengkarakterisasi sinusoidal (gambar 19.3)
nilai rata-rata Ao menetapkan tinggi rata-rata diatas absis. Amplitude C 1 menentukan ketinggian
osilasi. Frekuensi sudut ω o mencirikan seberapa sering siklus terjadi. Akhirnya sudut fase, atau
pergeseran fase, θ parameter sejauh mana sinusoidal bergeser kea rah horizontal. Itu dapat diukur
sebagai jarak dalam radian dari t = 0 ke titik dimana fungsi kosinus memulai siklus baru. Seperti
yang digambarkan pada Gambar. 19.4a, nilai negatif disebut sebagai sudut fase pencatatan
karena kurva cos (ω0t - θ) memulai siklus baru θ radian setelah cos (ωt). Dengan demikian, cos
dikatakan lag cos (ωt). Sebaliknya seperti dalam Gambar 19.4b, nilai positif disebut sebagai
sudut fase terdepan.

Perhatikan bahwa frekuensi sudut (dalam radian/waktu) terkait dengan frekuensi f (dalam
siklus/waktu) oleh

ω0 = 2π f

dan frekuensi pada gilirannya terikat dengan periode T (dalam satuan waktu) oleh

1
f=
T

meskipun gambar 19.4 adalah karakterisasi matematis yang memadai dari sinusoida, itu aneh
untuk bekerja dengan sudut pandang pas kurva karena pergeseran fasa termasuk dalam argument
dari fungsi kosinus. Kekurangan ini dapat diatasi dengan meminta identitas trigonometri.

C1 cos(ω0t + θ) = C1[cos(ω0t) cos(θ) - sin(ω0t) sin(θ)]

(19.5)

Substitusi persamaan 19.5 ke persamaan 19.2 dan dari istilah (Gambar 19.3b) memberikan

f(t) = A0 + A1 cos(ω0t) + B1 sin(ω0t) (19.6)

Dimana

A1 = C1 cos(θ) B1 = -C1 sin(θ) (19.7)

Mambagi dua bagian dari persamaan (19.7) memberikan

B1
θ = arctan -
A1
(19.8)
Dimana, jika A1 < 0, add π to θ. Mengkuadratkan dan menjumlahkan persamaan (19.7)
mengarah ke

C1 = √C1 2 + B1 2 (19.9)

demikian persamaan 19.6 mewakili formula alternative dari persamaan (19.2) yang masih
membutuhkan empat parameter tetapi dalam formal model linear umum (ingat 17,13). Seperti
yang akan kita bahas dibagian berikutnya, itu dapat dengan mudah diterapkan sebagai basis yang
paling cocok.
 Sebelum melanjutkan ke bagian berikutnya, harus menekankan bahwa kita harus bisa
menggunakan sinus bukan bahwa cosines sebagai model fundamental kita persamaan (19.2).
untuk contoh,

f(t) = A0 + C1 sin(ω0t + δ)

bisa digunakan. Hubungkan sederhana dapat diterapkan untuk menkonversi antara dua bentuk

π
sin(ω0t + δ) = cos (ω0t + δ- )
2

dan

π
sin(ωot+ θ) = cos (ω0t + θ + - ) (19.10)
2

Dengan kata lain, θ = δ - π / 2. Satu-satunya pertimbangan penting adalah yang satu atau
yang lain, format harus digunakan secara konsisten. Dengan demikian, kami akan menggunakan
versi kosinus di seluruh kami diskusi.

diskusi.19.1.1 Least-Squares Fit dari Sinusoid Persamaan (19,6) dapat dianggap sebagai model
kuadrat terkecil linear

y = A0 + A1 cos(ω0t) + B1 sin(ω0t) + e (19.11)

yang merupakan contoh lain dari model umum [ingat Persamaan. (17.23)]

y = a0z0 + a1z1 + a2z2 + …. + amzm + e (17.23)

di mana z0 = 1, z1 = cos (ω0t), z2 = sin (ω0t), dan semua z lainnya = 0. Dengan demikian, tujuan
kami adalah menentukan nilai koefisien yang meminimalkan
n
Sr = ∑ { y 1−[ A 0+ A 1 cos(ω 0 ti)+ B 1 sin(ω 0 ti)]}2
i=1

Persamaan normal untuk mencapai minimisasi ini dapat dinyatakan dalam bentuk matriks
sebagai [ingat Persamaan. (17.25)]

N ℇ cos ωot ℇ cos (ωot) A0

ℇ cos ωot) ℇ cos2 ωot ℇ cos (ωot) sin (ωot) A1

ℇ sin ωot) ℇ cos ωot [ ℇ sin2 ωot ℇ sin2 ωot B1(

 = ℇy

ℇ y cos (ωot) (19.12)

ℇ y sin (ωot)

These equations can be employed to solve for the unknown coefficients. However,
rather than do this, we can examine the special case where there are N observations equispaced at
intervals of t and with a total record length of T = (N - 1) t. For this situation, the following
average values can be determined (see Prob. 19.3):

ℇ sin (ω 0 t) ℇ cos (ω 0t )
=0 =0
N N

ℇ sin 2(ω 0 t) 1 ℇ cos 2 (ω 0 t) 1

= =
N 2 N 2

ℇ sin (ω0 t) sin(ω 0 t)

=0
N

N 0 0 A0
0 N /2 0 A1
0 0 N /2 B1

Persamaan ini dapat digunakan untuk memecahkan koefisien yang tidak diketahui.

t= 0 hingga 1,35. Gunakan informasi ini untuk mengevaluasi koefisien Persamaan. (19.11)
dengan kecocokan terkecil. Larutan. Data yang diperlukan untuk mengevaluasi koefisien dengan
ω = 4.189 adalah
Hasil ini dapat digunakan untuk menentukan [Persamaan. (19.14) sampai (19.16)]
17.000 17.000 17.000
A0 = = 1,7 A1 = 2,502= 0,500 B1= (-4,330) = -0,866
10 10 10

Jadi, kuadrat terkecil adalah

y = 1.7 + 0.500 cos (ω0t) - 0.866 sin (ω0t)

Model ini juga dapat diekspresikan dalam format Persamaan. (19.2) dengan menghitung
[Persamaan. (19.8)]

−0,866
θ = arctan ( ) = 1,0472
0,500

dan [persamaan. (19,9)]

C1 =√ (0,5)2 +(−0,866)2 = 1,00

memberi
y = 1.7 + cos (ω0t + 1.0472)

atau sebagai alternatif, sebagai sinus dengan menggunakan [Persamaan]. (19.10)]

memberi
y = 1.7 + cos (ω0t + 1.0472)

atau sebagai alternatif, sebagai sinus dengan menggunakan [Persamaan]. (19.10)]

y = 1,7 + sin (ω0t + 2.618)

Analisis sebelumnya dapat diperluas ke model umum

f (t) = A0 + A1 cos (ω0t) + B1 sin (ω0t) + A2 cos (2ω0t) + B2 sin (2ω0t)

+ ··· + Am cos (mω0t) + Bm sin (mω0t)

dimana, untuk data dengan spasi yang sama, koefisien dapat dievaluasi oleh
ℇy
A0=
N

2
Aj = = y cos( jω0t) j = 1, 2……m
N

2
Bj = = y sin( jω0t)
N

Meskipun hubungan ini dapat digunakan untuk menyesuaikan data dalam arti regresi
(yaitu, N> 2m + 1), aplikasi alternatif adalah menggunakan mereka untuk interpolasi atau
kolokasi — yaitu, untuk menggunakannya untuk kasus di mana jumlah yang tidak diketahui, 2m
+ 1, sama dengan jumlah titik data, N. Ini adalah pendekatan yang digunakan dalam deret
Fourier berkelanjutan, sebagai dijelaskan selanjutnya.

19.2 SERU FOURIER TERUS MENERUS

Dalam mempelajari masalah-masalah aliran panas, Fourier menunjukkan bahwa periodik

yang berubah-ubah fungsi dapat diwakili oleh serangkaian sinusoid yang tak terbatas frekuensi
yang terkait secara harmonis. Untuk fungsi dengan periode T, deret Fourier berkelanjutan dapat
ditulis1 f (t) = a0 + a1 cos (ω0t) + b1 sin (ω0t) + a2 cos (2ω0t) + b2 sin (2ω0t) + ···
atau lebih ringkas,
∞
f(t) = a0 + ∑ [ak cos(k ω 0 t)+bk sin(k ω 0 t)] (19.17)
k =1

di mana ω0 = 2π / T disebut frekuensi dasar dan kelipatannya konstan 2ω0, 3ω0, dll, disebut
harmonik. Jadi, Persamaan. (19.17) menyatakan f (t) sebagai kombinasi linear dari
fungsi dasar: 1, cos (ω0t), sin (ω0t), cos (2ω0t), sin (2ω0t),. . . . Sebagaimana dijelaskan dalam
Kotak 19.1, koefisien Persamaan. (19,17) dapat dihitung melalui
T
2
ak = ∫ f (t )cos (k ω 0 t)dt
T 0
(19.18)

dan
 T
2
bk = ∫ f (t) cos (k ω 0 t)dt (19.19)
T 0

untuk k = 1, 2, . . . dan
T
1
a0 = ∫ f (t ) (19.20)
T 0

Keberadaan deret Fourier didasarkan pada kondisi Dirichlet. Ini menentukan bahwa
fungsi periodik memiliki jumlah maksimum dan minimum terbatas dan bahwa ada sejumlah
diskontinuitas lompat yang terbatas. Secara umum, semua fungsi periodik yang diperoleh secara
fisik memenuhi persyaratan ini.

CONTOH 19.2 Continuous Fourier Series Approximation

Pernyataan masalah. Gunakan deret Fourier berkelanjutan untuk memperkirakan fungsi

gelombang persegi atau persegi panjang (Gbr. 19.5) f (t) =? - −1 1 1 - −T T T / / / 2 4 4 <<t tt
<<<−T T T / / / 4 4 2

Solusi : Karena tinggi rata-rata gelombang adalah nol, nilai a0 = 0 bisa

diperoleh secara langsung. Koefisien yang tersisa dapat dievaluasi sebagai [Persamaan. (19.18)]
Seperti yang dilakukan untuk data diskrit Sec. 19.1.1, hubungan berikut dapat ditetapkan:
T T

∫ sin (k ω 0 t)dt = ∫ sin (k ω 0 t)dt

0 0

∫ cos (k ω0 t ) sin( g ω 0 t ) dt = 0
0

∫ sin (k ω 0 t) sin( g ω 0 t ) dt = 0
0

∫ sin (k ω 0 t) sin( g ω 0 t ) dt = 0
0

T T
2 T
sin ∫ ( k ω0 t)= ∫ cos 2 (k ω 0 t ) = 2
0 0

Untuk mengevaluasi koefisiennya, setiap sisi Persamaan. (19,17) dapat diintegrasikan untuk
member
T T T ∞

∫ f (t) dt =∫ a0 dt = ∫ ∑ ¿¿ ¿+ bk sin(kω0t)] dt
0 0 0 k=1
Karena setiap istilah dalam penjumlahan adalah bentuk Persamaan. (B19.1.1), persamaannya
menjadi yang bisa dipecahkan
t

∫ f (t)dt=¿ ¿ a 0 T
0

Yang dapat dihasilkan untuk

T

A0 =
∫ f (t )dt
0
T

Jadi, a0 hanyalah nilai rata-rata dari fungsi selama periode tersebut. Untuk mengevaluasi salah
satu koefisien kosinus, misalnya, am, Persamaan. (19,17) dapat dikalikan dengan cos (mω0t) dan
terintegrasi untuk memberi
T T

∫ f ( t ) cos ( mω0 t )= ∫ f ( t ) cos ( mω0 t )

0 0

T ∞
+ ∫ ∑ ak cos(k ω 0 t) cos(m ω 0 t) dt
0 k=1

T ∞
+ ∫ ∑ bk sin ⁡( k ω0 t) cos(m ω0 t) dt (B19.1.6)
0 k=1

Dari Persamaan. (B19.1.1), (B19.1.2), dan (B19.1.4), kita melihat bahwa setiap Istilah di sisi
kanan adalah nol, dengan pengecualian kasus dimana k = m. Kasus terakhir ini dapat dievaluasi
dengan Persamaan. (B19.1.5) dan, oleh karena itu, Persamaan. (B19.1.6) dapat diselesaikan
untuk saya, atau lebih umum [Persamaan. (19.18)],

2
Ak =
T
T
Ak =∫ f (t) cos (k a 0 t) dt
0

untuk k = 1, 2,. . . .

Dengan cara yang sama, Persamaan. (19.17) dapat dikalikan dengan dosa (mω0t),
terintegrasi, dan dimanipulasi untuk menghasilkan Persamaan. (19,19).

CONTOH 19.2 Aproksimasi Deret Fourier Berkelanjutan

 Pernyataan masalah. Gunakan deret Fourier berkelanjutan untuk memperkirakan fungsi
gelombang persegi atau persegi panjang (Gbr. 19.5)

-1 –T/2 ¿ t< ¿ -T/4

f(t) = 1 –T/4 ¿ t< ¿ -T/4

-1 T/3 ¿ t< ¿ -T/2

Solusi : Karena tinggi rata-rata gelombang adalah nol, nilai a0 = 0 bisa

diperoleh secara langsung. Koefisien yang tersisa dapat dievaluasi sebagai [Persamaan. (19.18)]
T
2
Ak =
T ∫ f (t) cos (k ω 0 t) dt
0

T/4 T /4 T /2
2
Ak = ⌈ ∫ cos( k ω0 )dt +¿ – ∫ cos( k ω0 t) dt+¿ – ∫ cos (k ω 0 t )dt ⌉ ¿ ¿
T −T /2 −T /4 T /2

GAMBAR 19.5

Gelombang persegi atau persegi panjang dengan tinggi 2 dan asebuah periode T = 2π / ω0.

GAMBAR 19.6

Pendekatan deret Fourier dari gelombang persegi dari Gambar 19.5. Rangkaian plot
menunjukkan penjumlahan hingga dan termasuk (a) pertama, (b) kedua, dan (c) ketiga istilah.
Istilah individu itu ditambahkan pada setiap tahap juga ditampilkan.
Integral dapat dievaluasi untuk diberikan

4/(kπ) untuk k = 1, 5, 9

Ak = 4/(kπ) untuk k = 3, 7, 11

4/(kπ) untuk k = bahkan bilangan bulat

Demikian pula, dapat ditentukan bahwa semua b's = 0. Oleh karena itu, pendekatan deret Fourier
adalah
4 4 4 4
f (t) = cos(ω0t) + cos(3 π 0t) + cos(5 π 0t) + cos(7 π 0t) + . . .
π 3π 5π 7π
Hasil hingga ketiga istilah pertama ditunjukkan pada Gambar. 19.6. Harus disebutkan bahwa
gelombang persegi pada Gambar. 19,5 disebut fungsi genap karena f (t) = f (−t). Contoh lain dari
fungsi genap adalah cos (t). Ini dapat ditunjukkan (Van Valkenburg, 1974) bahwa b dalam deret
Fourier selalu sama dengan nol untuk fungsi genap. Perhatikan juga bahwa fungsi ganjil adalah
fungsi yang f (t) = −f (−t). Fungsi sin (t) adalah sebuah fungsi aneh. Untuk kasus ini, nilai a sama
dengan nol.
fungsi aneh. Untuk kasus ini, nilai a sama dengan nol. Selain dari format trigonometri
Persamaan. (19.17), deret Fourier dapat dinyatakan dalam fungsi eksponensial (lihat Kotak 19.2
dan App. A)
∞
2
f (t) = ∑ ck ω0t
ik
k k =1

dimana I = √ −1 dan
T/2
2
c˜k = =
T ∫ ¿¿
– T /2

Formulasi alternatif ini akan memiliki utilitas sepanjang sisa bab ini.

19.3 FREKUENSI DAN DOMAIN WAKTU

Sampai di sini, pembahasan kita tentang pendekatan Fourier terbatas pada domain waktu. Kami
telah melakukan ini karena sebagian besar dari kami cukup nyaman mengkonseptualisasikan
fungsi perilaku dalam dimensi ini. Meskipun tidak begitu akrab, domain frekuensi menyediakan
perspektif alternatif untuk mencirikan perilaku fungsi berosilasi. Dengan demikian, sama seperti
amplitudo dapat diplot terhadap waktu, sehingga juga dapat diplot terhadap frekuensi. Kedua
jenis ekspresi digambarkan dalam Gambar. 19.7a, di mana kami telah menggambar grafik tiga-
dimensi dari fungsi sinusoidal,

π
f (t) = C1 cos ( t + )
2

Dalam plot ini, besarnya atau amplitudo kurva, f (t), adalah variabel dependen dan waktu t dan
frekuensi f = ω0 / 2π adalah variabel independen. Dengan demikian, amplitudo dan sumbu waktu
membentuk pesawat waktu, dan amplitudo dan sumbu frekuensi membentuk frekuensi.

BOXT 19.2 COMPLEKS FORM OF THE FOURIES SERIES

the trigonometri is
∞
f(t) = a0 + ∑ [ak cos(k ω 0 t)+bk sin(k ω 0 t)] (B19.2.1)
k =1

Dari identitas Euler, sinus dan kosinus dapat diekspresikan dalam bentuk eksponensial sebagai

aix a−ix
Sin x = (B19.2.2)
2i

aix a ix
Sin x = (B19.2.3)
2

which can be substituted into Eq. (B19.2.1) to give

∞
ik ω 0 ak −ibk −ikω0 t ak −ibk
f(t) = a0 + ∑ a +e
k =1 2 2

because 1/i = -i. We can define a number of constants

c˜0 = a0

ak−ibk
c˜0=
2

a−k−ib−k ak−ib k
c˜0 = = (B19.2.4)
2 2
where, because of the odd and even properties of the sine and cosine, ak = a-k and bk = -b-k.
Equation (B19.2.4) can, therefore, be reexpressed as
∞ ∞
f(t) = ˜ c0 ∑ c k e + ∑ c −ke
ikw 0t ikw 0t

k =1 k =1

∞ ∞
atau f(t) = ˜ c0 ∑ c −ke ikw 0t + ∑ c −ke ikw 0t

k =1 k =1

To simplify further, instead of summing the second series from 1 to

∞, perform the sum from -1 to -∞,
∞ ∞
f(t) = ˜ c0 ∑ c −k e + ikw 0t ∑ c−k e ikw 0t

k=0 k=−1

atau
∞
f(t) = ˜ c0 ∑ c−k e i kw 0t

k=−∞

where the summation includes a term for k = 0.

To evaluate the c˜k ’s, Eqs. (19.18) and (19.19) can be substituted

into Eq. (B19.2.5) to yield

T /2 T /2
1 1
c˜k =
T ∫ f (t) cos (k ω 0 t) dt - i T ∫ f (t) cos (k ω 0 t) dt
– T /2 – T /2

Employing Eqs. (B19.2.2) and (B19.2.3) and simplifying gives

T /2
1
c˜k = ∫ f (t )(k ω 0 t) dt (B19.2.6)
T – T /2

Therefore, Eqs. (B19.2.6) and (B19.2.7) are the complex versions of Eqs. (19.17) through
(19.20). Note that App. A includes a summary of the interrelationships among all the formats of
the Fourier series introduced in this chapter.

Oleh karena itu, sinusoid dapat dikenali sebagai jarak 1 / T yang ada di sepanjang sumbu
frekuensi dan berjalan sejajar dengan sumbu waktu. Konsekuensinya, ketika kita berbicara
tentang perilaku sinusoid dalam domain waktu, maksud kami proyeksi kurva ke atas bidang
waktu (Gambar 19.7b). Demikian pula, perilaku dalam domain frekuensi hanyalah miliknya
proyeksi ke bidang frekuensi. Seperti pada Gambar 19.7c, proyeksi ini adalah ukuran amplitudo
positif C1 maksimum sinusoid. Swing peak-to-peak penuh tidak diperlukan karena simetri.
Bersama dengan lokasi 1 / T sepanjang sumbu frekuensi, Gambar. 19.7c sekarang
mendefinisikan amplitudo dan frekuensi sinusoid. Ini adalah informasi yang cukup untuk
mereproduksi bentuk dan ukuran kurva dalam domain waktu. Namun, satu parameter lagi, yaitu,
sudut fase, adalah diperlukan untuk memposisikan kurva relatif terhadap t = 0. Akibatnya,
diagram fase, seperti yang ditunjukkan pada Gambar 19.7d, juga harus disertakan. Sudut fase
ditentukan sebagai jarak (dalam radian) dari nol ke titik di mana puncak positif terjadi. Jika
puncaknya terjadi sesudahnya

GAMBAR19,7(A) Sebuah gambaran tentang bagaimana suatu sinusoid dapat digambarkan

dalam waktu dan frekuensi domain. Itu proyeksi waktu direproduksi dalam (b), sedangkan
proyeksi frekuensi amplitudo direproduksi di (c). Proyeksi frekuensi fase ditunjukkan dalam (d).

nol, dikatakan ditunda (ingat diskusi kita tentang kelambatan dan prospek dalam Bagian 19.1),
dan oleh konvensi, sudut fase diberi tanda negatif. Sebaliknya, puncak sebelum nol dikatakan
untuk maju dan sudut fase positif. Dengan demikian, untuk Gambar. 19,7, puncak mengarah nol
dan sudut fase diplot sebagai + π / 2. Gambar 19.8 menggambarkan beberapa kemungkinan lain.
Kita sekarang dapat melihat bahwa Gambar. 19.7c dan d menyediakan cara alternatif untuk
menyajikan atau meringkas fitur-fitur terkait dari sinusoid pada Gambar. 19.7a. Mereka disebut
sebagai garis spektra. Diakui, untuk satu sinusoid, mereka tidak terlalu menarik. Namun, kapan
diterapkan pada situasi yang lebih rumit, katakanlah, deret Fourier, kekuatan dan nilai sejati
mereka mengungkapkan. Sebagai contoh, Gambar. 19.9 menunjukkan amplitudo dan spektrum
garis fasa untuk fungsi kuadrat dari Contoh 19.2. Spektrum semacam itu memberikan informasi
yang tidak akan terlihat dari domain waktu. Ini dapat dilihat dengan Gambar kontras. 19,6 dan
19,9. Gambar 19.6 menyajikan dua perspektif timedomain alternatif. Yang pertama, gelombang
persegi asli, tidak memberi tahu apa-apa tentang sinusoid

GAMBAR 19.8 Berbagai fase sinusoid menunjukkan fase terkait spektrum garis.
GAMBAR 19.9 (a) Amplitudo dan (b) garis fasa spektrum untuk gelombang persegi dari
Gambar. 19.5.

yang membentuknya. Alternatifnya adalah untuk menampilkan sinusoid ini — yaitu, (4 / π) cos
(ω0t), - (4 / 3π) cos (3ω0t), (4 / 5π) cos (5ω0t), dll. Alternatif ini tidak menyediakan visualisasi
struktur harmonik ini. Sebaliknya, Gambar. 19.9a dan b menyediakan a tampilan grafik dari
struktur ini. Dengan demikian, garis spektrum mewakili "sidik jari" yang bisa membantu kami
untuk mengkarakterisasi dan memahami bentuk gelombang yang rumit. Mereka sangat berharga
untuk kasus-kasus tak dikenal di mana mereka kadang-kadang memungkinkan kita untuk melihat
struktur di sebaliknya sinyal tidak jelas. Di bagian selanjutnya, kita akan menjelaskan
transformasi Fourier yang akan memungkinkan kita untuk memperluas analisis tersebut ke
bentuk gelombang nonperiodik.

19.4 FOURIER INTEGRAL DAN TRANSFORMASI

Meskipun deret Fourier merupakan alat yang berguna untuk menyelidiki spektrum
periodik fungsi, ada banyak bentuk gelombang yang tidak terulang secara teratur. Sebagai
contoh, petir hanya terjadi sekali (atau setidaknya akan lama sampai terjadi lagi), tetapi ini akan
menyebabkan interferensi dengan penerima yang beroperasi pada rentang frekuensi yang luas
misalnya, TV, radio, dan penerima gelombang pendek. Bukti semacam itu menunjukkan bahwa
tidak berulang sinyal seperti yang dihasilkan oleh petir menunjukkan spektrum frekuensi yang
berkelanjutan. Karena fenomena semacam itu sangat menarik bagi para insinyur, sebuah
alternatif bagi Fourier seri akan bermanfaat untuk menganalisis bentuk gelombang aperiodik ini.
Integral Fourier adalah alat utama yang tersedia untuk tujuan ini. Itu bisa diturunkan dari bentuk
eksponen dari deret Fourier.
∞
c˜k = ∑ c−k e ikw 0 t (19.23)
k=−∞

Dimana
T /2
1
c˜k = ∫ f (t )c−k e ikw 0t dt
T – T /2

(19.24)

where ω0 = 2π/T and k = 0, 1, 2, . . . .

Transisi dari fungsi periodik ke nonperiodik dapat dilakukan dengan mengizinkan periode
mendekati infinity. Dengan kata lain, karena T menjadi tidak terbatas, fungsi itu tidak pernah
berulang dan menjadi aperiodik. Jika ini dibiarkan terjadi, itu bisa ditunjukkan (misalnya, Van
Valkenburg, 1974; Hayt dan Kemmerly, 1986) yang merupakan deret Fourier mengurangi
menjadi
∞
1
F (t) =
2π ∫ f (iω 0) e i ω tdω 0 0
(19.25)
−∞

dan koefisien menja di fungsi kontinu dari variabel frekuensi ω, seperti pada
∞

F (iω0) ∫ f (t) e i ω tdω 0 0

−∞

(19.26)
Fungsi F (iω0), sebagaimana didefinisikan oleh Persamaan. (19.26), disebut integral Fourier dari
f (t). Selain itu, Persamaan. (19,25) dan (19,26) secara kolektif disebut sebagai Transformasi
Fourier pasangan. Jadi, bersama dengan yang disebut integral Fourier, F (i0) juga disebut Fourier
Transformasi f (t). Dalam semangat yang sama, f (t), sebagaimana didefinisikan oleh Persamaan.
(19,25), disebut sebagai

GAMBAR 19.10

Ilustrasi bagaimana spektrum frekuensi diskrit deret Fourier untuk kereta pulsa (a) mendekati
spektrum frekuensi kontinyu dari integral Fourier (c) sebagai periode diizinkan mendekati
infinity invers Fourier Transform dari F (i0). Dengan demikian, pasangan ini memungkinkan kita
untuk mengubah bolak-balik antara waktu dan domain frekuensi untuk sinyal aperiodik.
 Perbedaan antara deret Fourier dan transformasi sekarang sudah cukup jelas. Perbedaan
utama adalah bahwa masing-masing berlaku untuk kelas yang berbeda fungsi-seri untuk periodik
dan berubah menjadi bentuk gelombang nonperiodik. Di luar perbedaan utama ini, keduanya
pendekatan berbeda dalam bagaimana mereka bergerak di antara waktu dan domain frekuensi.
Itu Deret Fourier mengubah fungsi waktu-domain yang berkelanjutan dan periodik menjadi
domain frekuensi besaran pada frekuensi diskrit. Sebaliknya, Transformasi Fourier mengubah
fungsi waktu-domain kontinyu menjadi fungsi frekuensi-domain kontinyu. Dengan demikian,
diskrit Spektrum frekuensi yang dihasilkan oleh deret Fourier analog dengan frekuensi yang
terus menerus spektrum yang dihasilkan oleh Transformasi Fourier. Pergeseran dari diskrit ke
spektrum kontinu dapat diilustrasikan secara grafis. Di Gambar 19.10a, kita dapat melihat kereta
pulsa dari gelombang persegi panjang dengan lebar pulsa sama dengan satu setengah periode
bersama dengan spektrum diskrit yang terkait. Ini fungsi yang sama dengan diselidiki
sebelumnya dalam Contoh 19.2, dengan pengecualian bahwa itu bergeser secara vertikal.
GAMBAR 19.10 Ilustrasi bagaimana spektrum frekuensi diskrit deret Fourier untuk kereta pulsa
(a) mendekati spektrum frekuensi kontinyu dari integral Fourier (c) sebagai periode diizinkan
mendekati infinity, efek ini berlanjut karena lebih banyak dan lebih banyak garis spektrum yang
dikemas bersama hingga jarak antar garis menjadi nol. Pada batas, seri menyatu pada integral
Fourier terus menerus, digambarkan dalam Gambar 19.10c.

Sekarang kami telah memperkenalkan cara untuk menganalisis sinyal aperiodik, kami
akan mengambil langkah terakhir dalam pengembangan kami. Pada bagian berikutnya, kami
akan mengakui fakta bahwa sinyal jarang dicirikan sebagai fungsi berkelanjutan dari jenis yang
diperlukan untuk diterapkan Persamaan (19.26). Sebaliknya, data itu selalu dalam bentuk diskrit.
Jadi, sekarang kita akan menunjukkan caranya untuk menghitung transformasi Fourier untuk
pengukuran diskrit tersebut.

19.5 DISTRETE FOURIER TRANSFORM (DFT)

Dalam rekayasa, fungsi sering diwakili oleh set terbatas nilai diskrit. Selain itu, data sering
dikumpulkan dalam atau dikonversi ke format diskret seperti itu. Seperti yang digambarkan
dalam Gambar. 19,11, interval dari 0 ke t dapat dibagi menjadi N equispaced subintervals
dengan
lebar? t = T / N. Subscript n digunakan untuk menunjuk waktu diskrit pada sampel mana yang
diambil. Jadi, fn menandakan nilai fungsi kontinyu f (t) diambil pada tn.

GAMBAR 19.11

Titik sampling dari deret Fourier diskrit.

Perhatikan bahwa titik data ditentukan pada n = 0, 1, 2,. . . , N - 1. Nilai tidak termasuk pada n =
N. (Lihat Ramirez, 1985, untuk alasan tidak termasuk f N.)
Untuk sistem pada Gambar. 19.11, transformasi Fourier diskrit dapat ditulis sebagai
N−1
Fk = ∑ F k e ik ω 0 n untuk k = 0 to N - 1 (19.27)
k=0

dan Fourier inversi berubah menjadi

N −1
1
fn =
N
∑ f ( t) F k e ik ω 0 n for n = 0 to N - 1 (19.28)
k=0

dimana ω 0 = 2π/N.

Persamaan (19.27) dan (19.28) mewakili analog diskrit Persamaan. (19.26) dan (19,25),
masing-masing. Dengan demikian, mereka dapat digunakan untuk menghitung baik langsung
maupun invers Fourier transformasi untuk data diskrit. Meskipun perhitungan semacam itu bisa
dilakukan dengan tangan, mereka sangat sulit. Seperti yang diungkapkan oleh Persamaan.
(19.27), DFT membutuhkan N2 operasi yang rumit. Dengan demikian, kami sekarang akan
mengembangkan algoritma komputer untuk diimplementasikan DFT.
 Algoritma Komputer untuk DFT. Perhatikan bahwa faktor 1 / N dalam Persamaan.
(19.28) hanyalah a faktor skala yang dapat dimasukkan dalam salah Persamaan. (19.27) atau
(19.28), tetapi tidak keduanya. Untuk algoritme komputer kami, kami akan mengubahnya ke
Persamaan. (19.27) sehingga koefisien pertama F0 (yang merupakan analog dari koefisien
kontinu a0) sama dengan mean aritmetik dari sampel. Selain itu, untuk mengembangkan
algoritme yang dapat diterapkan dalam bahasa yang tidak mengakomodasi variabel kompleks,
kita dapat menggunakan identitas Euler,

e ±ia = cos a ± i sin a

∞
1
Fn =
N ∑ [Fk cos(k ω 0 n)+ iFk sin(k ω 0 n)] (19.29)
n=0

Atau
∞
Fn = ∑ [Fk cos(k ω 0 n)+ iFk sin(k ω 0 n)] (19.30)
n=0

Pseudocode untuk menerapkan Persamaan. (19.29) tercantum dalam Gambar. 19.12.

Algoritma ini dapat dikembangkan menjadi program komputer untuk menghitung DFT. Output
dari program semacam itu adalah tercantum pada Gambar. 19.13 untuk analisis fungsi kosinus.

GAMBAR 19,12
Pseudocode untuk menghitung DFT.

FIGURE 19.13

Output of a program based on the algorithm from Fig. 19.12 for the DFT of data generated by
a cosine function f(t) = cos[2π(12.5)t] at 16 points with t = 0.01 s.
19.6. FARS FOURIER TRANSFORM(FFT)

Meskipun algoritma yang dijelaskan di bagian sebelumnya cukup menghitung DFT, itu adalah
komputasi memberatkan karena operasi N2 diperlukan. Akibatnya, untuk data sampel bahkan
ukuran sedang, penentuan langsung DFT dapat sangat memakan waktu.

Transformasi Fourier cepat, atau FFT, adalah algoritma yang telah dikembangkan untuk
Hitung DFT dengan cara yang sangat ekonomis. Kecepatannya berasal dari fakta itu ini
memanfaatkan hasil perhitungan sebelumnya untuk mengurangi jumlah operasi. Di khususnya, ia
memanfaatkan periodisitas dan simetri fungsi trigonometri untuk menghitung.

GAMBAR 19.14

Plot sejumlah operasi vs ukuran sampel untuk DFT standar dan FFT.

transformasi dengan sekitar operasi N log2 N (Gbr. 19.14). Jadi, untuk N = 50 sampel, FFT
sekitar 10 kali lebih cepat daripada DFT standar. Untuk N = 1000, ini tentang 100 kali lebih
cepat. Algoritma FFT pertama dikembangkan oleh Gauss pada awal abad kesembilan belas
(Heideman et al., 1984). Kontribusi besar lainnya dibuat oleh Runge, Danielson, Lanczos, dan
lainnya di awal abad kedua puluh. Namun, karena transformasi diskrit sering mengambil
hitungan hari hingga minggu untuk menghitung dengan tangan, mereka tidak menarik minat
yang luas sebelum perkembangan komputer digital modern. Pada tahun 1965, J. W. Cooley dan
J. W. Tukey menerbitkan sebuah makalah kunci di mana mereka menguraikan sebuah algoritma
untuk menghitung FFT. Skema ini, yang mirip dengan Gauss dan penyidik sebelumnya lainnya,
disebut algoritma Cooley-Tukey. Hari ini, ada sejumlah pendekatan lain yang merupakan cabang
dari metode ini. Ide dasar di balik masing-masing algoritma ini adalah bahwa DFT dari panjang
N didekomposisi, atau "dihilangkan," menjadi DFT yang lebih kecil. Ada berbagai macam
berbeda cara untuk menerapkan prinsip ini. Sebagai contoh, algoritma Cooley-Tukey adalah
anggota
dari apa yang disebut teknik penipisan-dalam-waktu. Di bagian ini, kami akan menjelaskan
pendekatan alternatif yang disebut algoritma Sande-Tukey. Metode ini adalah anggota dari kelas
lain dari algoritma yang disebut teknik penipisan-dalam-frekuensi. Perbedaan antara dua kelas
akan dibahas setelah kami menjelaskan metode ini.

19.6.1 Sande-Tukey Algorithm

Dalam kasus ini, N akan diasumsikan sebagai kekuatan integral dari 2

N = 2N (19.31)

di mana M adalah bilangan bulat. Kendala ini diperkenalkan untuk menyederhanakan algoritma
yang dihasilkan. Sekarang, ingat bahwa DFT dapat secara umum direpresentasikan sebagai
∞
Fk = ∑ fn e−i (2 π / N)nk untuk k = 0 to N – 1 (19.32)
n=0

di mana 2π / N = ω0. Persamaan (19.32) juga bisa dinyatakan sebagai

∞
Fk = ∑ fn Wnk
n=0

di mana W adalah fungsi pembobotan yang sangat kompleks yang didefinisikan sebagai
W = e−i (2 π / N)¿ ¿ (19.33)

Misalkan sekarang kita membagi sampel menjadi dua dan mengekspresikan Persamaan. (19.32)
dalam hal N / 2 poin pertama dan terakhir
N N
( )1 ( )1
2 2
−i (2 π / N)kn
:Fk = ∑ fn e + ∑ fn e−i (2 π / N)kn
n =0 N /2

di mana k = 0, 1, 2,. . . , N - 1. Variabel baru, m = n - N / 2, dapat dibuat sedemikian rupa

sehingga, kisaran penjumlahan kedua konsisten dengan yang pertama,
N N
( )1 ( )1
2 2
−i (2 π / N)kn
Fk = ∑ fn e + ∑ fm+n/2 e−i (2 π / N)kn
n =0 N /2

Atau
N
( )1
2
Fk = ∑ (fn + e−i π k fn+n/2 ) e−−i 2 π kn / N (19.34)
n =0

Selanjutnya, kenali bahwa faktor e − iπk = (−1) k. Jadi, bahkan untuk poin itu sama dengan 1 dan
untuk poin ganjil sama dengan −1. Oleh karena itu, langkah selanjutnya dalam metode ini adalah
memisahkan Persamaan (19.34) menurut nilai-nilai genap dan nilai ganjil dari k. Untuk nilai-
nilai genap,
N N
( )1 ( )1
2 2
F 2k = ∑ ( fn + fn+N/2) e-i2π(2k)n/N = F 2k = ∑ ( fn + fn+N/2) e-i2π(2k)n/N
n =0 n =0

dan untuk nilai-nilai di atas,

(N )1
F 2k+1 = ∑ ( fn - fn+N/2) e−i 2 π (2 k)n / N
n=0

Sekarang, wawasan kunci dapat dibuat. Ekspresi genap dan ganjil ini dapat diartikan sebagai
menjadi sama dengan transformasi dari sekuens-panjangnya

gn = fn + fn+N/2
(19.35)

dan

hn= ( fn – fn+N/2)Wn for n = 0, 1, 2,...,(N/2) – 1

(19.36)

Dengan demikian, langsung mengikuti itu

F2k = Gk F2k+1 = Hk for k = 0, 1, 2,...,(N/2) – 1

Dengan kata lain, satu perhitungan N-point telah digantikan oleh dua (N / 2) –poin perhitungan.
Karena masing-masing yang terakhir membutuhkan kira-kira (N / 2) 2 perkalian dan
penambahan yang rumit, pendekatan ini menghasilkan penghematan faktor-2 — yaitu, N2 versus
2 (N / 2) 2 = N2 / 2. Skema ini digambarkan pada Gambar. 19.15 untuk N = 8. DFT dihitung
dengan terlebih dahulu membentuk urutan gn dan hn dan kemudian menghitung N / 2 DFT untuk
mendapatkanSekarang jelas bahwa pendekatan “membagi-dan-taklukkan” ini dapat diulangi
pada yang kedua tahap. Dengan demikian, kita dapat menghitung (N / 4) -titik DFT dari empat N
/ 4 urutan terdiri dari N / 4 poin pertama dan terakhir dari Persamaan. (19,35) dan (19,36).
Strategi ini dilanjutkan ke kesimpulan yang tak terelakkan ketika N / 2 DFT dua titik berada
dihitung (Gbr. 19.16). Jumlah total perhitungan untuk seluruh perhitungan diaktifkan
urutan N log2 N. Kontras antara tingkat upaya ini dan standar DFT
(Gbr. 19.14) mengilustrasikan mengapa FFT sangat penting

.Algoritma Komputer. Ini adalah proposisi yang relatif lugas untuk mengekspresikan Gambar.
19,16 sebagai suatu algoritma. Seperti halnya untuk algoritma DFT pada Gambar 19.12, kita
akan menggunakan Euler identitas.

e ± ia = cos a ± i dosa a
untuk memungkinkan algoritma diterapkan dalam bahasa yang tidak secara eksplisit
mengakomodasi variabel kompleks. Pemeriksaan dekat Gambar. 19,16 menunjukkan bahwa
molekul komputasional fundamentalnya adalah apa yang disebut jaringan kupu-kupu yang
digambarkan pada Gambar. 19.17a. Pseudocode untuk menerapkan salah satunya
molekul-molekul ini ditunjukkan pada Gambar. 19.17b.

GAMBAR 19,15

Grafik aliran dari tahap pertama dalam dekomposisi penguraian-dalam-frekuensi dari N-point
DFT ke dalam dua (N / 2) -titik DFT untuk N = 8.

GAMBAR 19.17

(A) Jaringan kupu-kupu yang mewakili perhitungan mendasar Gambar. 19,16. (B) Pseudocode
untuk mengimplementasikan (a).

GAMBAR 19.18

Pseudocode untuk mengimplementasikan FFT penipisan dalam frekuensi. Perhatikan bahwa

pseudocode adalah terdiri dari dua bagian: (a) FFT sendiri dan (b) sedikit pembalikan rutin untuk
menguraikan urutan dari Fourier yang dihasilkan koefisien.
Pseudocode untuk FFT terdaftar pada Gambar. 19.18. Bagian pertama pada dasarnya terdiri dari
tiga loop bersarang untuk menerapkan perhitungan yang diwujudkan dalam Gambar. 19.16.
Perhatikan bahwa data real-value awalnya disimpan dalam array x. Juga perhatikan bahwa
langkah lingkaran luarmelalui tahapan M [ingat Persamaan. (19,31)] dari grafik aliran.
Setelah bagian pertama ini dijalankan, DFT akan dihitung tetapi diacak
memesan (lihat sisi kanan Gbr. 19.16). Koefisien Fourier ini dapat menjadi unscrambled

GAMBAR 19.19

Penggambaran proses bit-reversal

FIGURE 19.20

Flow graph of a decimation-in-time FFT of an eight-point DFT.

dengan prosedur yang disebut bit reversal. Jika subscript 0 hingga 7 dinyatakan dalam biner,
maka pemesanan yang benar dapat diperoleh dengan membalikkan bit-bit ini (Gambar 19.19).
Bagian kedua dari algoritma mengimplementasikan prosedur ini. 19.6.2 Algoritma Cooley-
Tukey Gambar 19.20 menunjukkan jaringan aliran untuk mengimplementasikan algoritma
Cooley-Tukey. Untuk ini Kasus, sampel awalnya dibagi menjadi ganjil dan genap, dan hasil
akhirnya dalam urutan yang benar.

Pendekatan ini disebut penipisan dalam waktu. Ini adalah kebalikan dari algoritma
Sande-Tukey yang dijelaskan pada bagian sebelumnya. Meskipun dua kelas metode berbeda
dalam organisasi, keduanya menunjukkan operasi N log2 N, yang merupakan kekuatan FFT
pendekatan.

19,7 SPEKTRUM DAYA FFT

memiliki banyak aplikasi teknik, mulai dari analisis getaran struktur dan mekanisme
untuk pemrosesan sinyal. Seperti yang dijelaskan sebelumnya, amplitudo dan fase spektra
menyediakan sarana untuk membedakan struktur yang mendasari sinyal acak. Demikian pula,
analisis yang bermanfaat disebut spektrum daya dapat dikembangkan dari Fourier mengubah.
Seperti namanya, spektrum daya berasal dari analisis output daya sistem kelistrikan. Dalam
istilah matematika, kekuatan sinyal periodik dalam waktu domain dapat didefinisikan sebagai

P = 1 T −T T / / 2 2 f 2 (t) dt (19.37)

Sekarang cara lain untuk melihat informasi ini adalah untuk mengekspresikannya dalam
domain frekuensi dengan menghitung daya yang terkait dengan masing-masing komponen
frekuensi. Informasi ini bisa kemudian ditampilkan sebagai spektrum kekuatan, plot kekuatan
versus frekuensi. Jika deret Fourier untuk
∞
ikω 0 t
f (t) adalah f (t) = ∑ F k e (19.38)
−∞

hubungan berikut berlaku (lihat Gabel dan Roberts, 1987, untuk perincian):
T/2 ∞
1
T ∫ f ( t ) dt = ∫ f k | Fk | 2 (19.39)
T/2 −∞

Dengan demikian, kekuatan dalam f (t) dapat ditentukan dengan menambahkan bersama
kuadrat dari koefisien Fourier, yaitu, kekuatan yang terkait dengan komponen frekuensi individu.
Sekarang, ingat bahwa dalam representasi ini, harmonik nyata tunggal terdiri dari keduanya
komponen frekuensi pada ± kω0. Kita juga tahu bahwa koefisien positif dan negatif adalah sama.
Oleh karena itu, kekuatan dalam f k (t), harmonik nyata k dari f (t), adalah

pk = 2 | Fk | 2 (19.40)

Spektrum daya adalah plot pk sebagai fungsi frekuensi kω0. Kami akan curahkan Detik.
20.3 ke aplikasi rekayasa yang melibatkan FFT dan spektrum daya yang dihasilkan dengan paket
perangkat lunak. Informasi tambahan. Hal sebelumnya telah menjadi pengantar singkat untuk
pendekatan Fourier dan FFT. Informasi tambahan tentang yang pertama dapat ditemukan di Van
Valkenburg (1974), Chirlian (1969), dan Hayt and Kemmerly (1986). Referensi tentang FFT
termasuk Davis dan Rabinowitz (1975); Cooley, Lewis, dan Welch (1977); dan Brigham (1974).
Pengantar yang bagus untuk keduanya dapat ditemukan di Ramirez (1985), Oppenheim dan
Schafer (1975), dan Gabel and Roberts (1987).

19.8 CURVE FITTING DENGAN PAKET PERANGKAT LUNAK

Paket perangkat lunak memiliki kemampuan besar untuk pemasangan kurva. Di bagian ini, kami
akan memberi Anda rasa dari beberapa yang lebih berguna.

19.8.1 Excel

Dalam konteks saat ini, aplikasi Excel yang paling bermanfaat adalah untuk analisis
regresi dan, pada tingkat lebih rendah, interpolasi polinomial. Selain dari beberapa fungsi built-in
(lihat Tabel 19.1), ada dua cara utama di mana kemampuan ini dapat diimplementasikan:
Perintah Trendline dan Toolpack Analisis Data. Perintah Trendline (Sisipkan Menu). Perintah ini
memungkinkan sejumlah berbeda model tren yang akan ditambahkan ke bagan. Model-model ini
termasuk linear, polinomial, logaritmik, eksponensial, daya, dan rata-rata bergerak. Contoh
berikut mengilustrasikan bagaimana.
 Perintah Trendline (Sisipkan Menu). Perintah ini memungkinkan sejumlah berbeda
model tren yang akan ditambahkan ke bagan. Model-model ini termasuk linear, polinomial,
logaritmik, eksponensial, daya, dan rata-rata bergerak. Contoh berikut mengilustrasikan
bagaimana Perintah trendline dipanggil.

TABEL 19.1 Excel fungsi built-in yang terkait dengan data regresi. Deskripsi

Regresi Deskripsi
FORECAST Mengembalikan nilai sepanjang tren linier
PERTUMBUHAN Mengembalikan nilai sepanjang tren eksponensial
INTERCEPT Mengembalikan intercept dari garis regresi linier
LINEST Mengembalikan parameter tren linier
LOGEST Mengembalikan parameter tren eksponensial
SLOPE Mengembalikan kemiringan garis regresi linier
TREND Mengembalikan nilai sepanjang tren linier

CONTOH 19.3 Menggunakan Excel's Trenline Command

Pernyataan masalah. Anda mungkin telah memperhatikan bahwa beberapa pas tersedia di
Trendline telah dibahas sebelumnya di Chap. 17 (misalnya, linear, polinomial, eksponensial, dan
kekuasaan). Kemampuan tambahan adalah model logaritmik

y = a0 + a1 log x

Sesuaikan data berikut dengan model ini menggunakan perintah Trendline Excel:
GAMBAR 19.21 Fit dari model logaritmik ke data dari Contoh 19.3.

Solusi Untuk menjalankan perintah Trendline, bagan yang menghubungkan rangkaian dependen
dan variabel independen harus dibuat. Untuk kasus ini, kami menggunakan Wizard Bagan Excel
untuk membuat XY-plot data.

Selanjutnya, kita dapat memilih grafik (dengan mengklik ganda di atasnya) dan seri
(dengan memposisikan panah mouse pada salah satu nilai dan klik tunggal). Perintah Insert dan
Trendline kemudian dipanggil dengan mouse atau oleh urutan kunci

Masukkan Trendline Pada titik ini kotak dialog terbuka dengan dua tab: tab Options dan
tab Type. Itu Tab Options menyediakan cara untuk menyesuaikan fit. Yang paling penting
dalam konteks saat ini adalah menampilkan persamaan dan nilai untuk koefisien determinasi (r2)
pada grafik. Pilihan utama pada tab Type adalah untuk menentukan jenis trendline. Untuk kasus
sekarang, pilih Logarithmic. Hasilnya sesuai dengan r 2 ditampilkan dalam Gambar 19.21.

Perintah Trendline menyediakan cara yang praktis agar sesuai dengan sejumlah yang
umum digunakan model ke data. Selain itu, masuknya opsi Polinomial berarti bahwa itu juga
bisa digunakan untuk interpolasi polinomial. Namun, fakta bahwa konten statistiknya terbatas r 2
berarti bahwa hal itu tidak memungkinkan kesimpulan statistik untuk ditarik mengenai model
yang sesuai. Toolpack Analisis Data yang dijelaskan selanjutnya menyediakan alternatif yang
bagus di mana kesimpulan semacam itu diperlukan.

Alat Analisis Data. Paket Tambahan Excel ini berisi yang komprehensif kemampuan
untuk pemasangan kurva dengan kuadrat terkecil linear umum. Seperti yang dijelaskan
sebelumnya di Detik. 17.4, model semacam itu adalah bentuk umum

di mana z0, z1,. . . , zm adalah m + 1 fungsi yang berbeda. Contoh berikut

mengilustrasikan seperti itu model dapat sesuai dengan Excel.
CONTOH 19.4 Menggunakan Toolpack Analisis Data Excel
Pernyataan masalah. Data berikut dikumpulkan untuk kemiringan, radius hidraulik, dan
kecepatan air yang mengalir di kanal:

Ada alasan teoritis untuk percaya bahwa data ini dapat sesuai dengan model kekuatan bentuk
U = αSσ Rρ
di mana α, σ, dan ρ adalah koefisien yang diturunkan secara empiris. Ada alasan teoritis (sekali
lagi, lihat Sec. 8.2) untuk meyakini bahwa σ dan ρ harus memiliki nilai sekitar 0,5 dan 0,667,
masing-masing. Sesuaikan data ini dengan Excel dan evaluasi apakah perkiraan regresi Anda
bertentangan dengan nilai yang diharapkan untuk koefisien model. Solusi. Logaritma model
daya pertama kali digunakan untuk mengonversinya ke format linear dari Persamaan. (17.23),
U = log + + σ log S + ρ log R
Spreadsheet Excel dapat dikembangkan dengan data asli bersama dengan logaritma umumnya,
seperti berikut:

ditunjukkan, cara yang efisien untuk menghasilkan logaritma adalah dengan mengetikkan rumus
untuk menghitung log pertama (S). Rumus ini kemudian dapat disalin ke kanan dan bawah untuk
menghasilkan yang lain logaritma. Karena statusnya sebagai "add-in" pada versi Excel tersedia
pada saat ini pencetakan buku, Paket Alat Analisis Data terkadang harus dimuat ke Excel.
Melakukan ini, cukup gunakan mouse atau urutan kunci / Alat Tambahan Kemudian pilih
Analysis Toolpack dan OK. Jika add-in berhasil, pilih Data Analisis akan ditambahkan ke menu
Tools. Setelah memilih Analisis Data dari menu Alat, menu Analisis Data akan muncul di layar
yang berisi sejumlah besar rutinitas yang berorientasi statistik. Pilih Regresi dan kotak dialog
akan muncul, meminta Anda untuk informasi tentang regresi. Setelah memastikan bahwa
pemilihan default New Worksheet Ply dipilih, isi F2: F7 untuk rentang y dan D2: E7 untuk
rentang x, dan pilih OK. Lembar kerja berikut akan menjadi dibuat:

Perhatikan bahwa interval kepercayaan 95% dihasilkan untuk koefisien. Jadi, ada probabilitas
95% bahwa eksponen lereng benar jatuh antara 0,363 dan 0,504, dan yang benar koefisien radius
hidrolik jatuh antara 0,631 dan 0,835. Dengan demikian, kesesuaian tidak bertentangan eksponen
teoretis.
Akhirnya, perlu dicatat bahwa alat Excel Solver dapat digunakan untuk melakukan
nonlinier regresi dengan langsung meminimalkan jumlah kuadrat residual antara prediksi model
nonlinier dan data. Kami mencurahkan Sec. 20.1 menjadi contoh bagaimana ini bisa dilakukan.

19.8.2 MATLAB
Seperti yang dirangkum dalam Tabel 19.2, perangkat lunak MATLAB memiliki berbagai fungsi
built-in yang menjangkau kemampuan total yang dijelaskan di bagian buku ini. Contoh berikut
mengilustrasikan bagaimana beberapa dari mereka dapat digunakan.
CONTOH 19.5 Menggunakan MATLAB untuk Fitting Kurva Pernyataan masalah. Jelajahi cara
MATLAB dapat digunakan untuk menyesuaikan kurva dengan data. Melakukan ini, gunakan
fungsi sinus untuk menghasilkan nilai f (x) yang sama dari 0 hingga 10. Gunakan a ukuran
langkah 1 sehingga karakterisasi yang dihasilkan dari gelombang sinus jarang (Gambar 19.22).
Kemudian, cocokkan dengan
(a) interpolasi linier, (b) polinomial urutan kelima, dan (c) spline kubik. Larutan. (A) Nilai-
nilai untuk variabel independen dan dependen dapat dimasukkan ke dalam vektor oleh
>> x = 0: 10;
>> y = sin (x);
Variasi variabel independen variabel baru yang lebih halus dapat dihasilkan dan
disimpan dalam vektor xi,
>> xi = 0: .25: 10; Fungsi MATLAB interp1 kemudian dapat digunakan untuk
menghasilkan variabel dependen nilai-nilai yi untuk semua nilai xi menggunakan
interpolasi linier. Kedua data asli (x, y) bersama dengan nilai interpolasi linear dapat
diplot bersama, seperti yang ditunjukkan pada gambar

FIGURE 19.22
Eleven points sampled from a sinusoid.
 graph below:
>> yi=interp1(x,y,xi);
>> plot(x,y,'o',xi,yi

(b) Selanjutnya, fungsi polyfit MATLAB dapat digunakan untuk menghasilkan koefisien a
kecocokan polinomial orde kelima dari data sparse asli,
>> p = polyfit (x, y, 5) p = 0.0008 –0.0290 0.3542 –1.6854 2.5860 –0.0915
dimana vektor p memegang koefisien polinomial. Ini bisa, pada gilirannya, digunakan
untuk menghasilkan satu set nilai yi baru, yang dapat lagi diplot bersama dengan yang
asli sampel jarang,
>> yi = polyval(p,xi);
>> plot(x,y,'o',xi,yi)

Dengan demikian, polinomial menangkap pola umum dari data, tetapi melewatkan sebagian
besar
poin.(C) Akhirnya, fungsi spline MATLAB dapat digunakan untuk menyesuaikan spline kubik
dengan aslinya
data yang jarang dalam bentuk seperangkat nilai yi baru, yang dapat lagi diplot bersama
sampel sparse yang asli,
Perlu dicatat bahwa MATLAB juga memiliki kemampuan yang sangat baik untuk melakukan
Fourier analisis. Kami mencurahkan Sec. 20.3 menjadi contoh bagaimana ini bisa dilakukan.
MATLAB memiliki dua fungsi built-in untuk interpolasi dua bagian dan tiga dimensi: interp2
dan interp3. Seperti yang Anda harapkan dari nama mereka, fungsi-fungsi ini beroperasi dengan
cara yang mirip dengan interp1. Misalnya, representasi sederhana dari sintaks interp2 adalah
zi = interp2 (x, y, z, xi, yi, 'metode') di mana x dan y matriks mengandung koordinat titik-titik
di mana nilai-nilai dalam matriks z diberikan, zi matriks yang berisi hasil interpolasi seperti yang
dievaluasi pada titik-titik dalam matriks xi dan yi, dan metode metode yang diinginkan.
Perhatikan itu metode ini identik dengan yang digunakan oleh interp1; yaitu, linear, terdekat,
spline, dan kubik. Seperti interp1,
jika argumen metode dihilangkan, defaultnya adalah interpolasi linier. Sebagai contoh, interp2
dapat digunakan untuk membuat evaluasi yang sama seperti pada Contoh 18.11 sebagai
>> x = [2 9];
>> y = [1 6];
>> z = [60 57.5; 55 70];
>> interp2 (x, y, z, 5.25, 4.8)
ans =61.2143

19.8.3 Mathcad
Mathcad dapat melakukan berbagai macam tugas statistik, pencocokan kurva, dan
penghalusan data. Ini termasuk pekerjaan yang relatif sederhana seperti merencanakan histogram
dan menghitung populasi ringkasan statistik seperti rata-rata, median, varians, standar deviasi,
dan korelasi koefisien. Selain itu, Mathcad berisi sejumlah fungsi untuk melakukan regresi.
Fungsi kemiringan dan intercept mengembalikan kemiringan dan intercept dari kuadrat terkecil
garis sesuai regresi. Fungsi kemunduran digunakan untuk regresi polinomik n-order dari a set
data lengkap. Fungsi loess melakukan regresi polinomial orde terlokalisasi rentang lebih dari
data yang dapat Anda tentukan. Fungsi interp dapat digunakan untuk kembali nilai-nilai
menengah y dari regresi cocok untuk titik x yang diberikan. Fungsi regresi dan loess juga dapat
melakukan regresi polinomial multivariat. Mathcad juga menyediakan linfit fungsi yang
digunakan untuk memodelkan data dengan kombinasi linear dari fungsi arbitrary. Akhirnya,
fungsi genfit tersedia untuk kasus-kasus di mana koefisien model muncul dalam bentuk arbitrary.
Dalam hal ini, persamaan nonlinear yang lebih sulit harus diselesaikan dengan iterasi.
Mathcad juga memiliki kemampuan untuk interpolasi. Ia dapat memprediksi nilai
antara dengan menghubungkan titik data yang dikenal dengan garis lurus (interpolasi linear)
menggunakan fungsi linterp atau dengan interpolasi spline kubik menggunakan cspline, pspline,
atau lspline. Fungsi spline ini memungkinkan Anda mencoba berbagai cara untuk menangani
interpolasi pada titik akhir dari data. Fungsi lspline menghasilkan kurva spline yang lurus garis
di titik akhir. Fungsi pspline menghasilkan kurva spline yang merupakan parabola di titik akhir.
Fungsi cspline menghasilkan kurva spline yang kubik pada titik akhir. Itu Fungsi interp
menggunakan hasil kurva-pas dan mengembalikan nilai y yang diinterpolasi dengan nilai x nilai.
Selain itu, Anda dapat melakukan interpolasi spline kubik dua dimensi dengan melewatkannya
permukaan melalui grid poin. Mari lakukan contoh yang menunjukkan bagaimana Mathcad
digunakan untuk melakukan interpolasi spline (Gbr. 19.23). Data yang akan kita muat hanya
beberapa titik spasi terpisah yang diambil dari sampel sinusoid. Setelah menghasilkan data ini,
simbol definisi dan fungsi lspline digunakan
Dengan demikian, polinomial menangkap pola umum dari data, tetapi melewatkan
sebagian besar poin. (C) Akhirnya, fungsi spline MATLAB dapat digunakan untuk
menyesuaikan spline kubik dengan aslinya data yang jarang dalam bentuk seperangkat nilai yi
baru, yang dapat lagi diplot bersama sampel sparse yang asli,
untuk menghitung koefisien spline. Kemudian, fungsi interpolasi, cocok, dikembangkan dengan
fungsi interp untuk menghasilkan nilai interpolasi untuk nilai spesifik x. Mathcad merancang
urutan operasi ini sehingga polinomial interpolasi akan tidak harus dihitung ulang setiap kali
interpolasi diinginkan. Dengan fungsi-fungsi di dalamnya tempat, Anda kemudian dapat
interpolasi di lokasi manapun menggunakan fit (x), seperti yang ditunjukkan dengan x 2,5. Kamu
bisa juga membangun plot data bersama dengan spline interpolasi seperti yang ditunjukkan pada
Gambar. 19.23.

Sebagai contoh lain untuk mendemonstrasikan beberapa kemampuan pemasangan kurva

Mathcad mari gunakan fungsi fft untuk analisis Fourier seperti pada Gambar. 19.24. Baris
pertama menggunakan simbol definisi untuk membuat i sebagai variabel rentang. Selanjutnya, xi
diformulasikan menggunakan rnd Mathcad berfungsi untuk menanamkan komponen acak ke
sinyal sinusoidal. Grafik sinyal bisa ditempatkan pada lembar kerja dengan mengklik ke lokasi
yang diinginkan. Ini menempatkan crosshair merah di lokasi itu. Kemudian gunakan menu tarik-
turun Sisipkan / Grafik / X-Y Plot untuk menempatkan kosong plot pada lembar kerja dengan
placeholder untuk ekspresi yang akan digambarkan dan untuk rentang sumbu x dan y. Cukup
ketikkan xi di placeholder pada sumbu y dan i untuk rentang sumbu x. Mathcad melakukan
sisanya untuk menghasilkan grafik pertama yang ditunjukkan pada Gambar. 19.24. Sekali grafik
telah dibuat Anda dapat menggunakan menu pull-down Format / Grafik / X-Y Plot untuk
memvariasikan jenis grafik; mengubah warna, jenis, dan berat jejak fungsi; dan tambahkan judul,
label, dan fitur lainnya. Selanjutnya, c didefinisikan sebagai fft (x). Fungsi ini mengembalikan
Transformasi Fourier dari x. Hasilnya adalah vektor c dari koefisien kompleks yang mewakili
nilai dalam domain frekuensi. Plot besarnya cj kemudian dibangun seperti yang dijelaskan
MASALAH

19,1 Nilai rata-rata dari suatu fungsi dapat ditentukan oleh

x

f (x) =
∫ f ( x ) dx
0
T
Gunakan hubungan ini untuk memverifikasi hasil Persamaan. (19.13).

19.2 Radiasi matahari untuk Tucson, Arizona, telah ditabulasikan sebagai

MASALAH
Dengan asumsi setiap bulan adalah 30 hari, cocok dengan sinusoid untuk data ini. Gunakan
persamaan yang dihasilkan untuk memprediksi radiasi pada pertengahan Agustus. 19.3 pH dalam
reaktor bervariasi secara sinusoid selama a hari. Gunakan regresi kuadrat terkecil untuk
menyesuaikan Persamaan. (19.11) ke yang berikut data. Gunakan kecocokan Anda untuk
menentukan mean, amplitudo, dan waktu pH maksimum. Perhatikan bahwa jangka waktu 24
jam.

Figure P19.4
A sawtooth wave.

Figure P19.5
A triangular wave.

19.4 Gunakan deret Fourier berkelanjutan untuk mengestimasi gergaji gigi gelombang pada
Gambar. P19.4. Plot tiga suku pertama beserta penjumlahannya.

19.5 Gunakan deret Fourier berkelanjutan untuk memperkirakan gelombang bentuk pada
Gambar. P19.5. Plot tiga suku pertama beserta penjumlahannya.

19.6 Bangun amplitudo dan spektrum fasa untuk Prob. 19,4.

19,7 Buat amplitudo dan spektrum fasa untuk Prob. 19.

19.8 Penyearah setengah gelombang dapat dikarakterisasi oleh

1 1 2 2 2
C1 = + sin t - cos 2t - cos 4t - cos 6t - ···
π 2 3π 15 π 35 π

di mana C1 adalah amplitudo gelombang. Plot empat suku pertama bersama dengan
penjumlahan.

19.9 Bangun amplitudo dan spektrum fasa untuk Prob. 19,8.

19.10 Kembangkan program yang mudah digunakan untuk DFT berdasarkan pada algoritma dari
Gambar. 19.12. Uji dengan menduplikasi Gambar. 19.13.

19.11 Gunakan program dari Prob. 19,10 untuk menghitung DFT untuk gelombang segitiga dari
Prob. 19,8. Sampel gelombang dari t = 0 hingga 4T. Gunakan 32, 64, dan 128 poin sampel.
Waktu setiap eksekusi run dan plot versus N untuk memverifikasi Gambar.19.14.

19.12 Kembangkan program yang mudah digunakan untuk FFT berdasarkan pada algoritma dari
Gambar. 19.18. Uji dengan menduplikasi Gambar. 19.13.

19.13 Ulangi Prob. 19.11 menggunakan perangkat lunak yang Anda kembangkan Masalah.
19,12.

19.14 Sebuah objek ditunda di terowongan angin dan gaya yang diukur untuk berbagai tingkat
kecepatan angin. Hasilnya ditabulasikan di bawah. Gunakan perintah Trendline Excel untuk
menyesuaikan persamaan daya data ini. Plot F versus v bersama dengan persamaan kekuatan dan
r2.

19.15 Gunakan Toolpack DataAnalysis Excel untuk mengembangkan regresi polinomial ke data
berikut untuk konsentrasi oksigen terlarut air tawar versus suhu di permukaan laut. Tentukan
urutan polinomial yang diperlukan untuk mencocokkan ketepatan data.

19.16 Gunakan Toolpack Analisis Data Excel untuk menyesuaikan garis lurus ke data berikut.
Tentukan 90% interval kepercayaan untuk mencegat. Jika itu meliputi nol, ulangi regresi, tetapi
dengan intercept terpaksa menjadi nol (ini merupakan opsi pada Regresi kotak dialog).

(a) Gunakan MATLAB untuk menyesuaikan spline kubik ke data berikut:

x 0 2 4 7 10 12
 y 20 20 12 7 6 6
Tentukan nilai y pada x = 1,5.

(b) Ulangi (a), tetapi dengan nol turunan pertama pada simpul akhir. Perhatikan bahwa
bantuan MATLAB fasilitas menjelaskan cara meresepkan derivatif akhir.

19.18 Gunakan MATLAB untuk menghasilkan 64 poin dari fungsi f (t) = cos (10t) + sin (3t)
dari t = 0 hingga 2π. Tambahkan komponen acak ke sinyal dengan fungsi randn. Ambil FFT dari
nilai-nilai ini dan plot hasilnya.

19.19 Dalam mode yang mirip dengan Sec. 19.8.2, gunakan MATLAB agar sesuai dengan data
dari Prob. 19,15 menggunakan (a) interpolasi linier, (b) polinomial regresi order ketiga, dan (c)
spline. Gunakan setiap pendekatan untuk memprediksi konsentrasi oksigen pada T = 10.

19.20 Fungsi Runge ditulis sebagai

2
f (x) =
1+ 25 π

Hasilkan 9 nilai jarak yang berjarak sama dari fungsi ini di atas interval: [−1, 1]. Fit data ini
dengan (a) polinomial kedelapan order, (B) spline linier, dan (c) spline kubik. Tunjukkan hasil
Anda secara grafis.

19.21 Pewarna disuntikkan ke dalam volume darah yang bersirkulasi untuk mengukur keluaran
jantung pasien, yang merupakan laju aliran volume dari darah keluar dari ventrikel kiri jantung.
Dengan kata lain, jantung output adalah jumlah liter darah yang dipompa jantung Anda dalam
menit. Untuk orang yang sedang istirahat, tarifnya mungkin 5 atau 6 liter per menit. Jika Anda
seorang pelari maraton terlatih yang berlari maraton, curah jantung Anda bisa mencapai 30 L /
menit. Data di bawah ini menunjukkan respon seseorang ketika 5 mg pewarna disuntikka.

Pasang kurva polinomial melalui titik data dan gunakan fungsi untuk memperkirakan output
jantung pasien, yang dapat dihitung dengan:

jumla h area L
Cardiac output = ( )
jumlah area kurva mil
19.22 Dalam rangkaian listrik, adalah umum untuk melihat perilaku saat ini di bentuk piranti
persegi seperti ditunjukkan pada Gambar. P19.22. Memecahkan untuk Deret Fourier dari

f (t) = A0 0 ≤ t ≤ T/2

- A0 T/2 ≤t≤ T

kami mendapatkan deret Fourier

∞
4 A0 2 π ( 2 n−1 ) t
f (t) = ∑
n =1
( ( 2 π−1 ) π) (
sin
T )
Biarkan A0 = 1 dan T = 0,25 s. Plot enam istilah pertama dari Fourier seri secara individual, serta
jumlah dari enam istilah ini. Gunakan paket seperti Excel atau MATLAB jika memungkinkan.

19.23 Kembangkan sebuah plot dari data berikut dengan (a) urutan keenam interpolasi
polinomial, (b) spline kubik, dan (c) spline kubik dengan turunan nol akhir.

X 0 100 200 400 600 800 1000

F(x) 0 0,82436 1.0000 0,73576 0,40601 0,19915 0,09158
Dalam setiap kasus, bandingkan plot Anda dengan persamaan berikut, yang digunakan untuk
menghasilkan data

x − x +1
f (x) = 200
200 e