Analisis Numerik: Di Luar Interpolasi: Filosofi Aproksimasi

Interpolasi mengasumsikan data bersih dan sempurna. Dalam dunia nyata, data kacau, bergetar, dan dipenuhi noise. Ketika kita bersikeras mencapai setiap titik data secara tepat, kita tidak menemukan kebenaran—kita justru menemukan kekacauan. Hari ini, kita melangkah melebihi tuntutan ketepatan yang kaku menuju filosofi aproksimasi.

Kegagalan Kepatuhan terhadap Ketepatan

Meskipun polinomial derajat tinggi dapat menyentuh setiap titik data, sering kali menghasilkan osilasi jenis "Runge". Getaran liar ini tidak memiliki kesamaan dengan proses fisika dasar. Maka sangat tidak masuk akal untuk mensyaratkan fungsi aproksimasi harus sesuai persis dengan data, terutama ketika pengukuran dipengaruhi variasi.

Menentukan 'Kesesuaian Terbaik': Tiga Norma

Untuk melakukan aproksimasi, kita harus mendefinisikan fungsi kesalahan $E$. Bagaimana kita mengukur "keakraban" akan mengubah hasil secara total:

1. Masalah Minimax ($L_{\infty}$)

Berusaha meminimalkan kesalahan maksimum yang mungkin terjadi:

$$E_{\infty}(a_0, a_1) = \max_{1 \le i \le n} \{|y_i - (a_1 x_i + a_0)|\}$$

Kesalahan Umum: Pendekatan minimax umumnya memberi bobot berlebihan pada sebagian data yang sangat keliru.

2. Deviasi Absolut ($L_1$)

Jumlah selisih absolut:

$$E_1(a_0, a_1) = \sum_{i=1}^{n} |y_i - (a_1 x_i + a_0)|$$

Kesalahan Umum: Fungsi nilai absolut tidak dapat dibedakan di nol, dan kita mungkin tidak bisa menemukan solusi dari pasangan persamaan ini secara analitis.

3. Keunggulan Kuadrat Terkecil ($L_2$)

Standar dalam analisis numerik, kuadratkan residual:

$$E_2(a_0, a_1) = \sum_{i=1}^{n} [y_i - (a_1 x_i + a_0)]^2$$

Ini menciptakan permukaan halus dan dapat dibedakan sehingga kalkulus dapat dengan mudah menemukan minimum global.

Keterbatasan Analitik

Memilih metrik adalah keseimbangan antara logika dan kalkulus. Sebagai contoh, metode deviasi absolut tidak memberi bobot cukup besar pada titik yang jauh dari aproksimasi, sementara $L_2$ memberikan keseimbangan yang kuat yang memberi hukuman besar pada outlier tanpa sepenuhnya dikendalikan oleh satu titik data yang aneh.

🎯 Prinsip Utama

Aproksimasi adalah seni mengabaikan noise untuk menemukan sinyal. Dengan beralih dari pencocokan titik ke minimisasi kesalahan, kita kembali menemukan hukum fisika asli yang tersembunyi karena variasi pengukuran.

PERTANYAAN 1

Mengapa polinomial interpolasi derajat tinggi sering menjadi pilihan buruk untuk data eksperimen?

Ini terlalu sederhana secara komputasi untuk merepresentasikan fisika yang kompleks.

Ini menghasilkan osilasi jenis 'Runge' yang menangkap noise daripada tren.

Ini selalu menghasilkan hasil linear yang mengabaikan kelengkungan data.

Ini tidak dapat dibedakan di titik mana pun.

PERTANYAAN 2

Norma kesalahan mana yang utama digunakan dalam masalah 'Minimax'?

Norma L1 (Jumlah Deviasi Absolut)

Norma L2 (Kuadrat Terkecil)

Norma L∞ (Kesalahan Absolut Maksimum)

Norma Gram-Schmidt

PERTANYAAN 3

Apa kelemahan komputasi utama dari metode Deviasi Absolut (L1)?

Terlalu sensitif terhadap outlier kecil.

Membutuhkan penggunaan polinomial Chebyshev untuk semua perhitungan.

Fungsi nilai absolut tidak dapat dibedakan di nol.

Hanya bekerja untuk dataset dengan lebih dari 100 titik.

PERTANYAAN 4

Norma mana yang menciptakan keseimbangan dengan memberi hukuman besar pada outlier besar tetapi tidak membiarkan satu kesalahan mengendalikan keseluruhan penyesuaian?

Norma L1

Norma L2 (Kuadrat Terkecil)

Norma L∞

Norma Runge

PERTANYAAN 5

Dalam contoh benda jatuh, mengapa menggunakan kuadrat kuadrat terkecil alih-alih polinomial derajat tinggi?

Untuk memastikan objek bergerak dalam garis lurus.

Untuk menangkap setiap getaran tripod kamera.

Untuk mengabaikan 'jitter' kamera dan memulihkan hukum fisika gravitasi (y = at²).

Karena kamera berkecepatan tinggi tidak dapat merekam lebih dari 3 titik data.

Tantangan: Teori Aproksimasi Lanjutan

Menguasai Padé dan Kuadrat Terkecil Diskret

Teori aproksimasi meluas ke fungsi rasional dan analisis data tertentu. Uji pemahaman Anda terhadap konstruksi lanjutan ini.

Tentukan semua aproksimasi Padé derajat 2 untuk $f(x) = e^{2x}$. Bandingkan hasilnya pada $x = 0.2, 0.4, 0.6, 0.8, 1.0$.

Solusi Model:
Deret Maclaurin untuk $e^{2x}$ adalah $1 + 2x + 2x^2 + \frac{4}{3}x^3 + \dots$. Untuk Padé derajat 2 $R_{n,m}(x) = P_n(x)/Q_m(x)$ dengan $n+m=2$:

$R_{2,0}$ (Taylor): $1 + 2x + 2x^2$
$R_{1,1}$: $\frac{1+x}{1-x}$
$R_{0,2}$: $\frac{1}{1-2x+2x^2}$

Pada $x=1$, $e^2 \approx 7.389$. $R_{2,0}(1) = 5$. $R_{1,1}$ tidak terdefinisi. $R_{0,2}(1) = 1$. Ini menggambarkan bahwa aproksimasi Padé derajat rendah memiliki wilayah validitas tertentu.

Diberikan $\phi_0(x) = 2, \phi_1(x) = x - 3$, dan $\phi_2(x) = x^2 + 2x + 7$, tunjukkan bahwa setiap kuadratik $Q(x) = a_0 + a_1x + a_2x^2$ dapat dinyatakan sebagai kombinasi linier $c_0\phi_0 + c_1\phi_1 + c_2\phi_2$.

Solusi Model:
Ini adalah masalah perubahan basis. Kita amati derajat $\phi_i$: $\text{derajat}(\phi_0)=0, \text{derajat}(\phi_1)=1, \text{derajat}(\phi_2)=2$. Karena mereka merupakan polinomial dengan derajat berbeda, maka mereka saling bebas linier dalam $\mathbb{P}_2$.
1. $a_2x^2$ harus berasal dari $c_2\phi_2$, sehingga $c_2 = a_2$.
2. Istilah linear $a_1x$ kemudian disesuaikan dengan $c_1(x-3) + c_2(2x)$.
3. Konstanta $a_0$ disesuaikan dengan $c_0(2) + c_1(-3) + c_2(7)$. Karena koefisien utama membentuk sistem segitiga, solusi unik untuk $c_i$ selalu ada.

Misalkan data berat $F$ dan panjang $l$ adalah: $F=[2, 4, 6]$, $l=[7.0, 9.4, 12.3]$. Carilah garis kuadrat terkecil $l = mk + b$ (atau $F = kl$).

Solusi Model:
Misalkan $x = F, y = l$. $\sum x = 12, \sum y = 28.7, \sum x^2 = 56, \sum xy = 127.4$. Persamaan Normal: $3b + 12m = 28.7$ $12b + 56m = 127.4$ Penyelesaian: $m = 1.325$, $b = 4.267$. Aproksimasi kuadrat terkecil untuk konstanta pegas (jika $F=kl$) akan melibatkan garis melalui asal, tetapi data menunjukkan adanya offset panjang awal $b$.