II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode

dokumen-dokumen yang mirip
II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teorema-teorema

MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

NORM VEKTOR DAN NORM MATRIKS

BAB 1 ERROR PERHITUNGAN NUMERIK

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

On A Generalized Köthe-Toeplitz Duals

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

BAB II LANDASAN TEORI

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Extra 4 Pengantar Teori Modul

BAB I PENGINTEGRALAN KOMPLEKS

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB III PERSAMAAN PANAS DIMENSI SATU

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

BAB 2. Tinjauan Teoritis

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB II LANDASAN TEORI

Selesaikan persamaan kuadrat ini dengan bentuk kuadrat lengkap, diperoleh

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

I PENDAHULUAN II LANDASAN TEORI

TEOREMA TITIK TETAP BANACH. Skripsi. Diajukan untuk Memenuhi Salah satu Syarat. Memperoleh Gelar Sarjana Matematika. Program Studi Matematika

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

BAB II KAJIAN PUSTAKA. Aljabar Max-Plus adalah himpunan { } himpunan semua bilangan real yang dilengkapi dengan operasi

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

POLIGON TERBUKA TERIKAT SEMPURNA

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin

Notasi Sigma. Fadjar Shadiq, M.App.Sc &

S2 MP Oleh ; N. Setyaningsih

BAB II TINJAUAN PUSTAKA

BAB III ISI. x 2. 2πσ

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB

BAB II LANDASAN TEORI. merepresentasikan dan menjelaskan permasalahan pada dunia nyata ke dalam. pernyataan matematis (Widowati & Sutimin, 2007 : 1).

Deret Taylor dan Analisis Galat

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

Regresi & Korelasi Linier Sederhana

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

UKURAN GEJALA PUSAT DAN UKURAN LETAK

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi

INTEGRAL LEBESGUE PADA FUNGSI TERBATAS SKRIPSI

Pertemuan VII IV. Titik Berat dan Momen Inersia

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

KODE SIKLIK (CYCLIC CODES)

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

BAB 5. ANALISIS REGRESI DAN KORELASI

PENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

H dinotasikan dengan B H

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

PENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

PRAKTIKUM 20 Interpolasi Polinomial dan Lagrange

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE

IDEAL DALAM ALJABAR LINTASAN LEAVITT

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

KODE SIKLIK (CYCLIC CODES)

REGRESI & KORELASI LINIER SEDERHANA

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

Orbit Fraktal Himpunan Julia

BAB III TEOREMA GLEASON DAN t-desain

REGRESI LINIER SEDERHANA

Edge Anti-Magic Total Labeling dari

NILAI EIGEN DAN VEKTOR EIGEN MATRIKS TERREDUKSI REGULER DALAM ALJABAR MAX-PLUS INTERVAL

UKURAN GEJALA PUSAT (UGP)

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

XI. ANALISIS REGRESI KORELASI

BAB 2 LANDASAN TEORI

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup:

PENAKSIR RATIO-CUM-PRODUCT YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS

; θ ) dengan parameter θ,

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode

MATEMATIKA INTEGRAL RIEMANN

Uji Statistika yangb digunakan dikaitan dengan jenis data

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: 38-50

Transkripsi:

II. TINJAUAN PUSTAKA Dalam proses peelta utuk megaalss aproksmas fugs dega metode mmum orm pada ruag hlbert C[ab] (Stud kasus: fugs rasoal) peuls megguaka defs teorema da kosep dasar sebaga berkut:.. Aproksmas Fugs Suatu fugs tdak memerluka peelesaa tetap fugs tersebut haa dapat devaluas apabla la varabela dberka. Msala suatu fugs varabel dataka oleh (t) = t dega t 8. Suatu fugs juga dapat drepresetaska dalam deret pagkat tak hgga. Suatu fugs ag dekspas dalam deret pagkat tak hgga ~ = c z tdak dapat dselesaka dega perhtuga basa utuk medapatka la eksaka. Oleh karea tu utuk mecar laa dapat dlakuka dega pegguaa suatu pedekata. Perhtuga dega suatu aproksmas meghaslka la pedekata ( Mur 6 ).

6 Ada dua jes pegguaa aproksmas pada suatu fugs atu:. Meggatka fugs-fugs ag rumt dega fugs ag lebh sederhaa sehgga baak operas umum sepert fugs rasoal da fugs tegral atau bahka megevaluas fugs tersebut dapat dlakuka dega mudah.. Utuk memperoleh kembal suatu fugs dar formas sebaga megea fugs tu msala dar suatu tabel la ( Satoso 3 )... Kesalaha Aproksmas Fugs Dalam perhtuga dega aproksmas mugk aka terjad suatu kesalaha terhadap la eksaka. Meurut Tratmodjo () terdapat tga jes kesalaha ag mugk terjad dalam perhtuga dega aproksmas atu kesalaha bawaa kesalaha pembulata (roud-off error) da kesalaha pemotoga (trucato error). Defs... Kesalaha Bawaa Kesalaha bawaa adalah kesalaha dar la data ag terjad karea kekelrua dalam meal data salah membaca skala atau kesalaha karea kuraga pegerta megea hukum-hukum fsk dar data ag dukur (Tratmodjo ). Mur (6) meebut kesalaha bawaa dega stlah kesalaha ekspermetal atu kesalaha ag tmbul dar data ag dberka msala karea kesalaha pegukura ketdaktelta alat ukur da sebagaa.

7 Defs... Kesalaha Pembulata (roud-off error). Kesalaha pembulata adalah kesalaha ag terjad karea tdak dperhtugkaa beberapa agka terakhr dar suatu blaga (Tratmodjo ). Kesalaha pembulata msala 34596 dapat dbulatka mejad 34. Defs..3. Kesalaha Pemotoga (trucato error). Kesalaha pemotoga adalah kesalaha ag terjad karea haa dperhtugkaa beberapa suku pertama dar suatu deret tak hgga (Tratmodjo ). Sela defs d atas kesalaha pemotoga (trucato error) juga ddefska sebaga kesalaha ag tmbul dar pegguaa suatu aproksmas peggat prosedur matematka ag eksak (Chapra ). Kesalaha pemotoga terjad msala pada pegguaa aproksmas dega deret Talor. Kesalaha (error) ag mucul dalam pegguaa aproksmas dharapka berla sagat kecl sehgga la ag dperoleh medekat atau hampr sama dega la eksaka. Oleh karea tu dalam meghampr suatu fugs deret pagkat tak hgga la kesalahaa aka berla semak kecl jka suku-suku deret ag dguaka utuk meghampr fugs tersebut semak baak..3. Teorema Proeks Teorema proeks merupaka prsp dasar dalam peelesaa masalah optmsas. Sebelum ke Teorema proeks terlebh dahulu aka dperkealka kosep ortogoaltas.

8 Defs.3. (Lueberger 969) Dalam suatu ruag pre-hlbert X vektor X dkataka ortogoal jka < >= dotaska dega. Suatu vektor dkataka ortogoal dega hmpua S dotaska S jka s utuk setap s S. Lemma berkut meujukka bahwa Teorema Phtagorea dalam geometr bdag merupaka akbat dar kosep ortogoaltas. Lemma.3. Msalka X suatu ruag Hlbert da X. Jka maka Bukt : = =. Selajuta aka dbahas suatu masalah optmsas ag berhubuga dega Teorema proeks. Msalka X suatu ruag Pre-Hlbert dberka suatu vektor X da M ruag baga dar X maka aka dtetuka vektor m M ag terdekat ke atu vektor ag memmalka m. Jka berada d M maka peelesaaa trval atu vektor sedr. Secara umum ada empat perataa petg dalam peelesaa masalah tersebut atu :. Adakah vektor m M ag memmalka m?. Apakah peelesaaa tuggal? 3. Kods apa ag harus dpeuh agar ada peelesaa optmal?

9 4. Bagamaa meetuka peelesaa optmal? Perataa omor da 3 aka djawab dega Teorema proeks. Ada dua vers Teorema proeks satu vers pada ruag Pre-Hlbert da satu vers ag la pada ruag Hlbert dega hpotess da kesmpula ag lebh kuat. Teorema.3. (Teorema Proeks d Ruag pre-hlbert) Msalka X suatu ruag Pre-Hlbert M suatu ruag baga dar X da sebarag vektor d X. Jka ada vektor m M sedemka sehgga mo m m M maka m tuggal. Sarat perlu da cukup m M suatu vektor mmal tuggal d M adalah vektor selsh m ortogoal terhadap M. Bukt : Aka d tujukka jka m adalah vektor mmal maka m ortogoal terhadap M. Adaka kods sebalka terdapat m M ag tdak ortogoal terhadap m. Tapa megurag keumuma bukt dmsalka m da < m m> =. Ddefska vektor m M sebaga m = m + m maka m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m

I berart m dega m = m + m sehgga m m berart m buka vektor mmal. Jad m vektor mmal maka m ortogoal terhadap M atau ( m ) m m M terhadap M maka m buka vektor mmal.. Dega demka jka m tdak ortogoal Selajuta aka dtujukka jka vektor m ortogoal terhadap M dambl sebarag mm berdasarka Teorema Phtagorea : m m m m m m m sehgga m m utuk m m. Dalam dmes tga teorema proeks dapat dataka sebaga berkut : Ruag baga M adalah bdag ag melalu ttk asal da d ruag dmes tga X. Jka ada vektor mmal m M maka m tuggal da vektor selsh m tegak lurus terhadap bdag M sepert dgambarka dalam gambar d bawah : ( m ) M Gambar. Teorema d atas belum mejam keberadaa vektor mmal tetap jka ada vektor mmal m maka m tuggal da vektor selsh m ortogoal terhadap ruag baga M. Dega hpotess ag lebh kuat ddapatka kesmpula ag

lebh kuat atu terjama keberadaa vektor mmal. Hal dataka dalam teorema berkut. Teorema.3.3 Teorema Proeks Klask Msalka H ruag Hlbert da M ruag baga tertutup dar H maka utuk sebarag vektor H terdapat tuggal vektor m M sedemka hgga mo m m M. Sarat perlu da cukup m M suatu vektor mmal tuggal adalah vektor selsh m ortogoal terhadap ruag baga M. Bukt : Ketuggala da ortogoaltasa telah dbuktka pada Teorema.3. sehgga tggal membuktka keberadaa vektor mmal. Jka M da m = maka bukt selesa. Msalka M da ddefska f m aka dtetuka m M dega mm m. Msalka {m } suatu barsa vektor dalam M da m. Meurut hukum jajara gejag (parallelogram) ( mj ) ( m ) ( mj ) ( m ) mj m dega meusu kembal persamaa d atas ddapatka : j m m = mj m - 4 m m j utuk setap j. Da vektor m m j berada d M. Karea M ruag baga ler sehgga dar defs da ddapatka : m m j

m j m m m 4 j karea m Maka m j m j. Dega demka {m } adalah barsa Cauch da karea M ruag baga tertutup dar ruag legkap maka barsa {m } mempua lmt m d dalam M. Dega kekotua orm maka m. Jad dalam peulsa Teorema proeks klask mejam keberadaa da ketuggala peelesaa optmal serta kods ag harus dpeuh agar keberadaa vektor mmal ada peelesaa optmala peelesaa optmala sedr belum dapat dtetuka. Selajuta teorema proeks d atas aka dtetapka utuk membagu sfat struktural tambaha dar suatu ruag Hlbert atara la adalah dalam sebarag ruag baga tertutup dar ruag Hlbert sebarag vektor dapat dtuls sebaga jumlaha dua vektor satu vektor d ruag baga tertutup da vektor ag la ortogoal terhadapa. Defs.3. (Lueberger 969) Msalka... bass dar M. Dberka sebarag vektor H da aka dcar vektor m d M ag terdekat ke. Jka vektor m dataka dalam sukusuku dalam vektor sebaga :

3 m o = Maka masalah tersebut ekuvale dega meemuka skalar =... ag memmalka.... Meurut Teorema proeks vektor mmal tuggal m adalah proeks ortogoal pada M atau vektor selsh m ortogoal terhadap setap vektor. Dega demka :... utuk =.... Atau < > - < > - < > -...- < > = < > - < > - < > -...- < > = < > - < > - < > -...- < > = Atau < > + < > +...+ < > = < > < > + < > +...+ < > = < > < > + < > +...+ < > = < > Persamaa dalam koefse sebaak kal dkeal sebaga persamaa ormal utuk masalah mmalsas. Matrks ag berhubuga dega vektor... atu : G = G(... ) =.........

4 dsebut matrks Gram dar 3.... Matrks adalah trapose dar matrks koefse ormal. Teorema.3.4 Determa Gram g = g(. ) jka da haa jka. bebas lear. Bukt : Perataa tersebut ekuvale dega perataa vektor vektor. bergatug lear jka da haa jka g = g(. ) =. Msalka bergatug ler berart terdapat ag tdak sama dega ol sedemka sehgga. Karea barsa-barsa pada determa Gram bergatug pada maka determaa ol. Msalka g = g(. ) =. Maka ada kebergatuga ler d atara barsa-barsaa sehgga terdapat kostata I ag tdak semuaa ol sedemka hgga j utuk semua j. Dega demka atau. Sehgga da vektor j. bergatug ler. Walaupu persamaa ormal tdak memlk peelesaa tuggal jka bergatug ler tetap selalu ada palg sedkt satu peelesaa. Jka g =

5 maka selalu dhaslka peelesaa ag tdak tuggal buka peelesaa ag tdak kosste. Teorema berkut meataka jarak mmum suatu vektor ke ruag baga dapat dcar dega determa matrks Gram. Teorema.3.5 Msalka.. bebas lear da jarak mmum vektor ke ruag baga M ag dbagu oleh atu : m... maka g(... ) g(... ) Bukt : Meurut defs Meurut teorema proeks - ortogoal terhadap M sehgga secara khusus karea M maka : < - > = sehgga... atau... persamaa bersama persamaa ormal memberka + persamaa ler dalam + varabel.... Dega atura Cramer ddapatka

6 )... ( )... (........................ g g.4. Deret Maclaur Kasus khusus pada deret Talor adalah bla fugs dperluas sektar t = maka dereta damaka deret Maclaur ag juga merupaka deret Talor baku sebaga berkut: t = + ()! t + "()! t + () 3! t 3 + = ()! t = (Purcell 4) Cotoh.4. Fugs ( t = t + dt 8 t 8 ) Meetuka deret Maclaur dar fugs t = t + dt 8 da pedekata ke la. t = t + () = t = t+ =

7 Sehgga dperoleh deret Maclaur dar fugs t = t + = + = + t! t + 8 t + dt.5. Fugs Irasoal Fugs Irasoal adalah akar dar fugs polom. Betuk umuma : (Albar ) m = + c + c + + c tdak bulat m ε R m