Hai..Lagi Bingung ya nyari bahan tentang Aproksimasi terbaik; Kuadrat terkecil??
Sekarang anda memasuki kawasan yang tepat untuk permasalahan tersebut,, karena pada halaman ini saya akan membahas bagaimana aplikasi kuadrat terkecil dan saya juga akan menunjukan bagaimana proyeksi ortogonal dapat digunakan dalam masalah aproksimasi….
Kita mulai saja ya…….
Proyeksi Ortogonal Dipandang Sebgai Aproksimasi
Jika P adalah sebuah titik di dalam ruang berdimensi tiga biasa dan W adalah sebuah bidang yang melewati titik asal ruang tersebut, maka titik Q pada W yang jaraknya terdekat dengan P dapat diperoleh dengan memproyeksikan P secara tegak lurus terhadap W

Sehingga, jika u =OP, jarak antara p dan w diberikan oleh

Dengan kata lain, di antara semua vector w pada W, vector w =projw u meminimalkan jarak llu-wll lihat gambar b
Ada cara lain untuk memahami gagasan ini. Pandanglah u sebagai sebuah vector tetap yang hendak kita aproksimasikan dengan menggunakan sebuah vector pada W. setiap aproksimasi w semacam ini akan menghasilkan sebuah “vector keslahan” (“error vector”)
u – w
yang tidak dapat dijadikan sama dengan 0, terkecuali u terletak pada W. akan tetapi, dengan memilih
w =projw u
kita dapat menjadikan panjang vector kesalahan
llu-wll=llu-projw ull
sekecil mungkin. Sehingga, kita dapat mendiskripsikan projw u sebagai “aproksimasi terbaik” bagi u relative terhadap vector-vektor pada w. teorema berikut ini akan membakukan gagasan intuitif di atas.

Bukti, untuk setiap vektor w pada W kita dapat menuliskan
u-w=(u-projw u)+(projw u-w)
namun projw u – w, karena merupakan selisih dari dua buah vector pada w, terletak pada w; dan u – projw u orthogonal terhadap w, sehingga kedua suku pad sisi kanan (1) saling orthogonal. Dengan demikian, melalui teorema Pythagoras

jika w ≠ projw u, maka suku kedua dari penjumlahan di atas akan bernilai positif, sehingga

atau secara ekuivalen,

selanjutnya teorema normal yang terkait adalah:

Solusi kuadrat terkecil dari sistem linear
Hingga sejauh ini, kita hanya pada sistem persamaan linear yang konsisten. Akan tetapi, sistem linear yang tidak konsisten juga penting dalam berbagai aplikasi di bidang fisika. Sangat umum di jumpai sebuah situasi dimana beberapa permasalahan fisika menghasilkan sistem persamaan linear Ax = b, yang seharusnya konsisten dalam tataran teoritis namun menjadi tidak demikian Karena adanya “kesalahan- kesalahan pengukuran” pada entri-entri A dan b yang mengubah sistem sedemikian rupa sehingga menimbulkan ketidak konsistenan. Dalam situasi semacam ini kita berupaya untuk mencari nilai x yang “sedekat mungkin” dengan solusi yang diharapkan, dalam pengertian bahwa solusi ini dapat meminimalkan nilai llAx-bll merujuk pada hasilkali dalam Euclidean. Kuantitas llAx-bll dapat dipandang sebagai suatu ukuran dari “kesalahan” yang terjadi akibat memandang x sebagai solusi aproksimasi dari sistem linear Ax = b. jika sistem konsisten dan x adalah solusi eksasnya, maka kesalahannya adalah nol, karena llAx-bll =ll0ll=0. sebagai solusi aproksimasi dari system linear Ax = b. jika sistem konsisten 0. Secara umum, semakin besar nilai llAx-bll , semakin buruk nilai x sebagai aproksimasi solusi sistem tersebut.
Masalah kuadrat terkecil. Jika diberikan sistem linear Ax = b yang terdiri dari m persamaan denagn n factor yang tidak di ketahui,tentukan sebuah fektor x, jika mungkin, yang meminimalkan nilai llAx-bll merujuk pada hasil kali dalam Euclidean pada R^m. Vector semacam ini disebut sebagai solusi kuadrat terkecil (least square solution)dari Ax = b.
keunikan solusi kuadrat terkecil Sekarang kita akan menetapkan syarat-syarat yang menjamin suatu system linier memiliki sebuah solusi kuadrat terkecil yang unik. Dalam hal ini kita sangat membutuhkan teorema berikut

Bukti:
(a) => (b) misal A punya vektor-vektor yang Bebas linier, mtriks ATA berordo n x n. Akan ditunjukan bahwa matriks ini dapat dibalik dengan menunjukan bahwa system linier ATA=0 hanya memiliki solusi trivial. Namun jika x adalah sebuah solusi dari system ini maka Ax terletak pada ruang nul dari AT dan juga ruang kolom dari A. karena ruang ini adalah komplemen-komplemen orthogonal sehingga mengimplikasikan bahwa Ax=0. Namun A memiliki vector-vektor kolom yang bebas linier sehingga x=0.
CONTOH solusi kuadrat terkecil:
Akan ditentukan solusi kuadrat terkecil dari system linier Ax=b dari
x1-x2=4
3×1+2×2=1
-2×1+4×2=3

A memiliki vector-vektor kolom yang bebas linier sehingga solusi solusi kuadrat terkecil yang unik adalah

Sehingga system normal ATAx= ATb dalam kasus ini adalah

Dengan menyelesaikan system ini kita memperoleh solusi kuadrat terkecil
x1=17/95 dan x2=143/285
dan proyeksi orthogonal b pada ruang kolom dari A adalah

selesai.
Metode kuadrat terkecil juga banyak digunakan dalam berbagai bidang karena kemampuannya dalam membentuk suatu algoritma hitungan untuk jawaban yang unik meskipun untuk kasus yang sangat rumit. Misalnya dalam ilmu statistika, metode kuadrat kecil memiliki peranan yang sangat penting dalam menentukan model dan dapat menjelaskan struktur keragaman data, metode kuadrat terkecil juga dapat digunakan untuk menghitung perataan seperti yang pertama kali dilakukan oleh C. F Gauss dalam masalah astronomi.
Nah demikian ya isi artikel ini, semoga bermanfaat……
Kritik dan saran sangat membantu,,,,
ENDANG MULYANA ( G1D 006 020)
UNIVERSITAS MATARAM FAKULTAS MIPA MATEMATIKA
Like this:
Be the first to like this post.