Anda di halaman 1dari 20

BAB V

DISTRIBUSI NORMAL
Deskripsi:
Pada bab ini akan dibahas mengenai konsep distribusi normal dalam pengukuran.
Manfaat:
Memberikan metode distribusi normal yang benar saat melakukan proses pengukuran.
Relevansi:
Pertemuan ini membenaran teoritis untuk ide-ide statistik dan memberikan bukti beberapa
hasil yang dinyatakan tanpa bukti dalam bab-bab sebelumnya.
Learning Outcome:
Mahasiswa memahami dan mampu mengimplementasikan metode distribusi normal hasil
pengukuran dengan benar.
MATERI:
Bab ini melanjutkan pembahasan kita tentang analisis statistik pengukuran ulang. Bab 4
memperkenalkan ide-ide penting dari rerata, standar deviasi, dan deviasi standar dari rerata,
kita melihat signifikansi mereka dan beberapa kegunaan mereka. Bab ini memasok
pembenaran teoritis untuk ide-ide statistik dan memberikan bukti beberapa hasil dinyatakan
tanpa bukti dalam bab-bab sebelumnya.
Masalah pertama dalam membahas pengukuran berulang kali adalah untuk menemukan cara
untuk menangani dan menampilkan nilai-nilai yang diperoleh. Salah satu metode yang
nyaman adalah dengan menggunakan distribusi atau histogram, seperti yang dijelaskan dalam
Bagian 5.1. Bagian 5.2 memperkenalkan gagasan terbatas distribusi, distribusi hasil yang
akan diperoleh jika jumlah pengukuran menjadi besar tak berhingga. Pada Bagian 5.3, saya
mendefinisikan distribusi normal, atau distribusi Gauss, adalah distribusi terbatas hasil untuk
setiap subjek pengukuran banyak kesalahan acak kecil.
Setelah sifat matematika dari distribusi normal dipahami, kita dapat melanjutkan untuk
membuktikan beberapa hasil penting cukup mudah. Bagian 5.4 memberikan bukti bahwa,
seperti yang diharapkan dalam Bab 4, sekitar 68 % dari semua pengukuran (semua satu
kuantitas dan semua menggunakan teknik yang sama) harus berada dalam satu standar
deviasi dari nilai sebenarnya. Bagian 5.5 membuktikan hasil, digunakan kembali dalam Bab
1, bahwa jika kita melakukan N pengukuran x l , x 2 ,, x N dari beberapa kuantitas x, maka
21

perkiraan terbaik kami x terbaik berdasarkan nilai rerata = /. Bagian 5.6 membenarkan
penggunaan penambahan dalam quadrature ketika menyebarkan kesalahan yang independen

dan acak. Pada Bagian 5.7, saya membuktikan bahwa ketidakpastian dari rerata , bila

digunakan sebagai estimasi terbaik dari x, diberikan oleh deviasi standar dari rerata =
/, sebagaimana tercantum dalam Bab 4. Akhirnya, Bagian 5.8 membahas bagaimana
menetapkan kepercayaan numerik untuk hasil eksperimen.

Matematika yang digunakan dalam bab ini lebih maju daripada yang digunakan sejauh ini.
Secara khusus, Anda akan perlu memahami ide dasar integrasi integral sebagai daerah di
bawah grafik, perubahan variabel, dan (kadang-kadang) integrasi parsial. Namun, setelah
Anda telah bekerja melalui Bagian 5.3 pada distribusi normal (akan lebih dari perhitungan
dengan pensil dan kertas, jika perlu) Anda harus mampu mengikuti sisa bab tanpa banyak
kesulitan.
5.1 Histogram dan Distribusi
Harus jelas bahwa analisis statistik percobaan mengharuskan kita untuk membuat banyak
pengukuran. Jadi, pertama kita perlu merancang metode untuk merekam dan menampilkan
sejumlah besar nilai yang terukur. Anggaplah, misalnya, kami membuat 10 pengukuran
beberapa panjang x. Sebagai contoh, x mungkin jarak dari lensa ke bayangan yang dibentuk
oleh lensa. Kita mungkin mendapatkan nilai-nilai (semua dalam cm)
26, 24, 26, 28, 23, 24, 25, 24, 26, 25.
(5.1)
Sebagai langkah pertama, kita dapat mengatur ulang nomor (5,1) dalam urutan menaik,
23, 24, 24, 24, 25, 25, 26, 26, 26, 28.
(5.2)
Selanjutnya, daripada merekam tiga bacaan 24, 24, 24, kita hanya dapat merekam bahwa
kami memperoleh nilai 24 tiga kali, dengan kata lain, kita dapat merekam nilai yang berbeda
x diperoleh, bersama dengan jumlah kali setiap nilai adalah ditemukan, seperti pada Tabel
5.1.

22

Tabel 5.1. Diukur panjang x dan jumlah mereka kejadian.


Nilai yang berbeda, x k

23

24

25

26

27

28

Jumlah kali ditemukan,

nk
Di sini telah memperkenalkan notasi x k (k = 1, 2,...) untuk menunjukkan berbagai nilai yang
berbeda ditemukan: x 1 = 23, x 2 = 24, x 3 = 25, dan seterusnya. Dan nk (k = 1, 2,...)
menunjukkan jumlah kali nilai x k yang sesuai ditemukan: n 1 = 1, 2 = 3, dan seterusnya.
Jika kita merekam pengukuran seperti pada Tabel 5.1, kita dapat menulis ulang definisi rerata
x dalam apa yang terbukti menjadi cara yang lebih nyaman. Dari definisi lama kita, kita tahu
bahwa
= / =

(5.3)

23+24+24+24+25+ . . .+ 28
10

Persamaan ini sama dengan


=

23 +(24 x 3) + ( 25 x 2 ) + . . .+28
10

atau secara umum

(5.4)

(5.5)

= N

(Misalnya, untuk Tabel 5.1 persamaan ini menyatakan bahwa jumlah dari angka di baris
bawah adalah 10.)
Cepat Periksa 5. I. Dalam dua tahun pertamanya di perguruan tinggi, Joe mengambil 20
program (semua dengan jumlah kredit yang sama) dan menghasilkan 7 A, 4 B, 7 C, dan 2 E.
Untuk tujuan menghitung nilai rata-rata (IPK), setiap huruf kelas diberi skor numerik dengan
cara yang biasa, sebagai berikut :
Nilai :
Skor, s k :

F
sl = 0

s2 = 1 s3 = 2 s4 = 3 s5 = 4
23

Mengatur tabel seperti Tabel 5.1 menunjukkan kemungkinan perbedaan skor s k dan berapa
kali n k mereka peroleh. Gunakan Persamaan (5.4) untuk menghitung IPK Joe, .
Fk =

(5.6)
(5.7)

Hasil (5,5) menunjukkan bahwa

= 1

(5.8)

Artinya, jika kita menjumlahkan fraksi F k untuk semua hasil yang mungkin x k , kita harus 1.
Setiap himpunan bilangan yang jumlahnya adalah 1 dikatakan dinormalisasi, dan hubungan
(5,8) karena itu disebut kondisi normalisasi.
Distribusi pengukuran kami dapat ditampilkan secara grafis dalam histogram, seperti pada
Gambar 5.1. Angka ini hanya sebidang Fk terhadap x k , di mana perbedaan nilai yang terukur
x k diplot sepanjang sumbu horisontal dan fraksi kali setiap x k diperoleh ditunjukkan dengan
ketinggian vertikal yang ditarik di atas x k . (Kita juga bisa plot n k melawan x k , namun untuk
tujuan kita plot F k terhadap x k lebih nyaman). Data ditampilkan dalam histogram seperti ini
dapat komprehensif cepat dan mudah, karena banyak penulis untuk surat kabar dan majalah.

Gambar 5.1 Histogram untuk 10 pengukuran panjang x. Sumbu vertikal


menunjukkan fraksi kali F k bahwa setiap nilai x k diamati
Sebuah histogram seperti itu pada Gambar 5.1 dapat disebut sebuah histogram batang karena
distribusi hasil ditunjukkan dengan ketinggian batang vertikal di atas x k tersebut. Ini jenis
histogram yang sesuai bila nilai-nilai x k yang rapi spasi, dengan nilai integer. (Misalnya, nilai
siswa pada ujian biasanya bilangan bulat dan ditampilkan nyaman menggunakan bar
24

histogram.) Kebanyakan ukuran, bagaimanapun, tidak memberikan hasil bulat rapi karena
jumlah fisik yang paling memiliki berbagai berkesinambungan nilai yang mungkin. Sebagai
contoh, daripada 10 panjang dilaporkan dalam Persamaan (5.1), Anda akan jauh lebih
mungkin untuk mendapatkan nilai-nilai seperti 10.
26,4, 23,9, 25,1, 24,6, 22,7, 23,8, 25,1, 23,9, 25,3, 25,4
(5.9)
Sebuah batang histogram dari 10 nilai akan terdiri dari 10 bar yang terpisah, semua sama
tinggi, dan akan menyampaikan relatif sedikit informasi. Mengingat pengukuran seperti di
(5.9), jalan terbaik adalah untuk membagi rentang nilai menjadi beberapa nyaman interval
atau "bin" dan untuk menghitung berapa nilai masing-masing jatuh ke "bin" Sebagai contoh,
kita bisa menghitung jumlah pengukuran (5.9) antara x = 22 dan 23, antara x = 23 dan 24, dan
seterusnya. Hasil penghitungan dengan cara ini ditunjukkan pada Tabel 5.2. (Jika pengukuran
kebetulan jatuh tepat pada batas antara dua sampah, Anda harus memutuskan di mana tempat
itu. Sebuah kursus sederhana dan masuk akal adalah untuk menetapkan setengah pengukuran
untuk masing-masing dua bin).
Tabel 5.2 10 pengukuran (5.9) dikelompokkan dalam bins
Bin

22 - 23

23 - 24

24 25

25 - 26

26 27

27 - 28

pengamatan
dalam bin

Hasil pada Tabel 5.2 dapat diplot dalam bentuk yang dinamakan histogram bin, seperti yang
ditunjukkan pada Gambar 5.2. Dalam plot ini, fraksi pengukuran yang jatuh setiap bin
ditunjukkan dengan luas persegi panjang digambar di atas tempat sampah. Dengan demikian,
berbayang persegi panjang di atas interval dari x = 23 sampai x = 24 memiliki luas 0,3 x 1 =
0,3, menunjukkan bahwa 3/10 dari seluruh pengukuran jatuh dalam interval ini. Secara
umum, kami menunjukkan lebar bin kth oleh k . (Ini lebar biasanya semua sama, meskipun
mereka pasti tidak harus.) Ketinggian f k persegi panjang yang ditarik di atas bin ini dipilih
sehingga daerah f k k adalah
f k k = fraksi pengukuran bin ke k

25

Gambar 5.2 Bin histogram di mana berbeda nilai yang terukur x k diplot sepanjang sumbu
horisontal dan fraksi kali setiap xk diperoleh ditunjukkan dengan ketinggian vertikal yang
ditarik di atas x k . (Kita juga bisa plot n k melawan x k , namun untuk tujuan kita plot F k
terhadap x k lebih nyaman). Data ditampilkan dalam histogram seperti ini dapat komprehensif
cepat dan mudah, karena banyak penulis untuk surat kabar dan majalah.

Gambar 5.2 Histogram untuk 10 pengukuran panjang x. Sumbu vertikal


menunjukkan fraksi kali F k bahwa setiap nilai x k diamati
Sebuah histogram seperti itu pada Gambar 5.1 dapat disebut sebuah bar histogram karena
distribusi hasil ditunjukkan dengan ketinggian bar vertikal di atas xk tersebut. Ini jenis
histogram yang sesuai bila nilai-nilai xk yang rapi spasi, dengan nilai integer. (Misalnya, nilai
siswa pada ujian biasanya bilangan bulat dan ditampilkan nyaman menggunakan bar
histogram.) Kebanyakan ukuran, bagaimanapun, tidak memberikan hasil bulat rapi karena
jumlah fisik yang paling memiliki berbagai berkesinambungan nilai yang mungkin. Sebagai
contoh, daripada 10 panjang dilaporkan dalam Persamaan (5.1), Anda akan jauh lebih
mungkin untuk mendapatkan nilai-nilai seperti 10
26

26,4, 23,9, 25,1, 24,6, 22,7, 23,8, 25,1, 23,9, 25,3, 25,4
(5.9)
Sebuah bar histogram dari 10 nilai akan terdiri dari 10 bar yang terpisah, semua sama tinggi,
dan akan menyampaikan relatif sedikit informasi. Mengingat pengukuran seperti di (5.9),
jalan terbaik adalah untuk membagi rentang nilai menjadi beberapa nyaman interval atau
"bin" dan untuk menghitung berapa nilai masing-masing jatuh ke "bins" Sebagai contoh, kita
bisa menghitung jumlah pengukuran (5.9) antara x = 22 dan 23, antara x = 23 dan 24, dan
seterusnya. Hasil penghitungan dengan cara ini ditunjukkan pada Tabel 5.2. (Jika pengukuran
kebetulan jatuh tepat pada batas antara dua sampah, Anda harus memutuskan di mana tempat
itu. Sebuah kursus sederhana dan masuk akal adalah untuk menetapkan setengah pengukuran
untuk masing-masing dua sampah).
Tabel 5.2 10 pengukuran (5.9) dikelompokkan dalam bin
Bin
pengamatan

22 - 23

23 - 24

24 25

25 - 26

26 27

27 - 28

dalam bin

Hasil pada Tabel 5.2 dapat diplot dalam bentuk kita dapat memanggil histogram bin, seperti
yang ditunjukkan pada Gambar 5.2. Dalam plot ini, fraksi pengukuran yang jatuh setiap bin
ditunjukkan dengan luas persegi panjang digambar di atas tempat sampah. Dengan demikian,
berbayang persegi panjang di atas interval dari x = 23 sampai x = 24 memiliki luas 0,3 x 1 =
0,3, menunjukkan bahwa 3/10 dari seluruh pengukuran jatuh dalam interval ini. Secara
umum, kami menunjukkan lebar bin kth oleh k . (Ini lebar biasanya semua sama, meskipun
mereka pasti tidak harus.) Ketinggian fk persegi panjang yang ditarik di atas bin ini dipilih
sehingga daerah f k k adalah
f k k = fraksi pengukuran kth bin

27

Gambar 5.2 Bin histogram yang menunjukkan sebagian kecil dari 10


pengukuran (5.9) x yang jatuh dalam "bin2" 22 dan 23, 23 24, dan seterusnya. Luas persegi panjang di atas setiap
interval memberikan fraksi pengukuran yang jatuh dalam
interval tersebut. Dengan demikian, daerah persegi panjang
yang diarsir adalah 0,3, menunjukkan bahwa 3/10 dari semua
pengukuran berada di antara 23 dan 24
Jelas, lebar bin harus dipilih sehingga beberapa bacaan jatuh pada beberapa bin. Dengan
demikian, ketika jumlah total dari pengukuran N kecil, kita harus memilih bin kita relatif
luas, tetapi jika kita meningkatkan N, maka kita biasanya dapat memilih tempat sempit.
Cepat Periksa 5.2. Sebuah kelas 20 siswa mengambil ujian, yang dinilai dari 50 poin, dan
memperoleh hasil sebagai berikut:
26, 33, 38, 41, 49, 28, 36, 38, 47, 41
32, 37, 48, 44, 27, 32, 34, 44, 37, 30
(Skor ini diambil dari daftar abjad dari siswa.) Pada selembar kertas memerintah persegi,
menggambar histogram bin dari nilai, menggunakan batas bin pada 25, 30, 35, 40, 45, dan 50.
Label skala vertikal sehingga daerah masing-masing persegi panjang adalah sebagian kecil
dari mahasiswa di tempat yang sesuai.
5.2 Distribusi Terbatas
Di sebagian besar percobaan, karena jumlah pengukuran meningkat, histogram mulai
mengambil bentuk sederhana pasti. Ini bentuk berkembang jelas terlihat pada Gambar 5.3 dan
5.4, yang menunjukkan 100 dan 1.000 pengukuran jumlah yang sama seperti pada Gambar
28

5.2. Setelah 100 pengukuran, histogram telah menjadi puncak tunggal, yang kira-kira
simetris. Setelah 1.000 pengukuran, kami telah mampu untuk mengurangi separuh ukuran
bin, dan histogram telah menjadi sangat halus dan teratur. Ketiga grafik menggambarkan sifat
penting dari kebanyakan pengukuran. Karena jumlah pengukuran mendekati tak terhingga,
distribusi mereka mendekati beberapa pasti, kurva kontinu. Ketika ini terjadi, kurva kontinu
disebut distribusi terbatas tampaknya menjadi dekat dengan simetris kurva berbentuk lonceng
ditumpangkan pada Gambar 5.4.

Gambar 5.3 Histogram untuk 100 pengukuran jumlah yang sama seperti pada Gambar 5.2.

Gambar 5.4. Histogram untuk 1.000 pengukuran jumlah yang sama seperti
pada Gambar 5.3. Kurva rusak adalah distribusi terbatas
Sebuah distribusi terbatas, seperti kurva mulus pada Gambar 5.4, mendefinisikan fungsi-tion,
yang kita sebut f(x). Pentingnya fungsi ini ditunjukkan oleh Gambar 5.5. Seperti kita
membuat semakin banyak pengukuran kuantitas x, histogram kami akhirnya akan dibedakan
29

dari terbatas kurva f(x). Oleh karena itu, fraksi pengukuran yang jatuh dalam interval x kecil
untuk x + dx sama daerah f(x) dx dari strip diarsir pada Gambar 5.5 (a):
f(x) dx = fraksi pengukuran yang
jatuh antara x dan x + dx
(5.10)
Secara umum, fraksi pengukuran yang jatuh antara dua nilai a dan b adalah total daerah di
bawah grafik antara x = a dan x = b (Gambar 5.5b).

Gambar 5.5.

Sebuah distribusi terbatas f(x). (a) Setelah sangat banyak


pengukuran, fraksi yang jatuh antara x dan x + dx daerah f(x) dx
dari jalur sempit. (b) Fraksi yang jatuh antara x = a dan x = b adalah
daerah yang teduh

Daerah ini hanya integral tertentu dari f(x). Dengan demikian, kita memiliki hasil penting
yang

() = fraksi pengukuran yang

jatuh antara x dan x + dx


(5.11)

f(x) dx = probabilitas bahwa setiap pengukuran satu


akan memberikan jawaban antara x dan x + dx
(5.12)

Demikian pula, integral () memberitahu kita probabilitas bahwa setiap pengukuran

yang akan jatuh antara x = a dan x = b. Kami telah sampai pada satu kesimpulan penting
berikut : Jika kita tahu terbatas distribusi f(x) untuk pengukuran kuantitas x diberikan dengan
30

alat tertentu, maka kita akan mengetahui kemungkinan memperoleh jawaban dalam interval a
x b.
Karena probabilitas total untuk memperoleh jawaban manapun antara - dan + harus
menjadi salah satu, terbatas distribusi f(x) harus memenuhi

()

=1

(5.13)

Identitas ini adalah analog alami dari jumlah normalisasi (5.8), = 1, dan fungsi f(x)
memuaskan (5.13) dikatakan dinormalisasi.

Batas-batas dalam integral (5.13) mungkin tampak membingungkan. Mereka tidak berarti
bahwa kita benar-benar berharap untuk mendapatkan jawaban mulai sepanjang jalan dari -
dan +. Justru sebaliknya. Dalam sebuah percobaan sesungguhnya, pengukuran semua jatuh
dalam beberapa interval terhingga cukup kecil. Sebagai contoh, pengukuran Gambar 5.4
semua terletak antara x = 21 dan x = 29. Bahkan setelah tak terhingga banyaknya pengukuran,
fraksi tergeletak di luar x = 21 sampai x = 29 akan sepenuhnya diabaikan. Dengan kata lain,
f(x) pada dasarnya adalah nol di luar kisaran ini, dan tidak ada bedanya apakah integral (5.13)
berjalan dari - sampai + atau 21-29. Karena kita umumnya tidak tahu apa batas-batas
terbatas adalah, untuk kenyamanan kita meninggalkan mereka sebagai .
Jika pengukuran dalam pertimbangan sangat tepat, semua nilai yang diperoleh akan
mendekati nilai sebenarnya dari x, sehingga histogram hasil, dan karenanya terbatas
distribusi, akan memuncak sempit seperti kurva solid dalam Gambar 5.6. Jika pengukuran
presisi rendah, maka nilai-nilai yang ditemukan akan menyebar luas dan distribusi akan luas
dan rendah seperti kurva putus-putus pada Gambar 5.6.

31

Gambar 5.6. Dua distribus terbatas i, satu untuk pengukuran presisi tinggi,
yang lain untuk pengukuran presisi rendah
Distribusi terbatas f(x) untuk pengukuran kuantitas x diberikan menggunakan alat tertentu
menggambarkan bagaimana hasilnya akan dibagikan setelah banyak, banyak langkahsurements. Jadi, jika kita tahu f(x), kita bisa menghitung nilai rata-rata x yang akan ditemukan
setelah bertahun- pengukuran. Kami melihat di (5.7) bahwa rata-rata sejumlah pengukuran
adalah jumlah dari semua nilai yang berbeda x k , masing-masing berbobot oleh fraksi kali
didapatkan :

(5.14)

Dalam kasus ini, kami memiliki sejumlah besar pengukuran dengan distribusi f(x). Jika kita
membagi seluruh rentang nilai ke dalam interval kecil x k ke x k + dx k , fraksi nilai dalam setiap
interval adalah F k = f(x k ) dx k dan dalam batas bahwa semua interval pergi ke nol, (5.14)
menjadi

= ()

(5.15)

Ingat bahwa formula ini memberikan x rata-rata diharapkan setelah tak terhingga banyaknya
percobaan.
Demikian pula, kita dapat menghitung deviasi standar x diperoleh setelah banyak
pengukuran. Karena kita prihatin dengan batas N , tidak ada bedanya yang definisi x

kita gunakan, asli (4.6) atau "diperbaiki" (4.9) dengan N digantikan oleh N - 1. Dalam kedua
kasus, ketika N , x 2 adalah rata-rata deviasi kuadrat (x - x)2. Jadi, tepatnya argumen yang
mengarah ke (5.15) memberikan, setelah banyak percobaan,
2
5.3 Distribusi Normal

= ( )2 ()

(5.16)

Berbagai jenis pengukuran memiliki distribusi terbatas berbeda. Tidak semua distribusi
terbatas memiliki bel bentuk simetris digambarkan dalam Bagian 5.2.
32

Gambar 5.7. Distribusi terbatas untuk subjek pengukuran banyak kesalahan


acak kecil. Distribusi adalah bel dibentuk dan berpusat pada
nilai sebenarnya dari pengukuran kuantitas x

Gambar 5.8. Fungsi Gauss (5.17) yang berbentuk lonceng dan berpusat pada
x = 0. Kurva lonceng lebar jika besar dan sempit jika kecil.
Meskipun untuk saat ini kita akan melihat hanya sebagai
parameter yang mencirikan lebar kurva lonceng itu, dapat
ditampilkan (seperti pada Soal 5.13) menjadi jarak dari pusat
kurva ke titik di mana kelengkungan perubahan tanda. Jarak ini
ditampilkan dalam dua grafik.
Fungsi matematika yang menggambarkan kurva berbentuk lonceng yang disebut distribusi
normal, atau fungsi Gauss . Prototipe fungsi ini adalah

2 /2 2

dimana parameter tetap yang disebut parameter lebar.

(5.17)

Fungsi Gauss (5.17) adalah kurva berbentuk lonceng berpusat pada x = 0. Untuk
mendapatkan kurva berbentuk lonceng berpusat pada beberapa titik lainnya x = X, kita hanya
mengganti x dalam (5.17) dengan x - X. Dengan demikian, fungsi
()

2 /2 2

(5.18)
33

memiliki maksimum pada x = X dan jatuh simetris pada kedua sisi x = X, seperti pada
Gambar 5.9.

Gambar 5.9. Fungsi Gauss (5.18) adalah bel dibentuk dan berpusat pada x = X
Fungsi (5.18) tidak cukup dalam bentuk final untuk menggambarkan distribusi terbatas yang
karena distribusi apapun harus dinormalisasi, yaitu, harus memenuhi

() = 1

(5.19)

Untuk mengatur normalisasi ini, kita menetapkan


2 /2 2

f(x) = ()

(5.20)

(Perkalian dengan faktor N tidak berubah bentuk, juga tidak menggeser maksimum pada x =
X.) Kami kemudian harus memilih "faktor normalisasi" N sehingga f (x) menjadi normal
seperti pada (5.19). Ini melibatkan beberapa manipulasi dasar integral, yang saya berikan
dalam beberapa detail:

2 /2 2

() = ()

(5.21)

(Perkalian dengan faktor N tidak berubah bentuk, juga tidak menggeser maksimum pada x =
X.) Kami kemudian harus memilih "faktor normalisasi" N sehingga f (x) menjadi normal
seperti pada (5.19). Ini melibatkan beberapa manipulasi dasar integral, yang saya berikan
dalam

beberapa

2 /2 2

Selanjutnya, kita dapat mengatur y/ = z = (dalam hal dy = dz) dan diperoleh

detail:

(5.22)

34

2 /2

(5.23)

Sisanya terpisahkan adalah salah satu integral standar fisika matematika. Hal ini dapat
dievaluasi dengan metode dasar, tetapi rincian tidak terutama illuminat-ing, jadi saya hanya
akan mengutip hasil; Selanjutnya, kita dapat mengatur y/ = z = (dalam hal dy = dz) dan
diperoleh

2 /2

= 2

Kembali ke (5.21) dan (5.23), kita menemukan bahwa

(5.24)

() = 2

Karena integral ini harus sama dengan 1, kita harus memilih faktor normalisasi N untuk
menjadi
=

Dengan pilihan ini untuk faktor normalisasi, kita sampai pada bentuk akhir untuk Gauss, atau,
fungsi distribusi normal, yang kita dilambangkan dengan Gx, Dengan pilihan ini untuk faktor
normalisasi, kita sampai pada bentuk akhir untuk Gauss, atau, fungsi distribusi normal, yang
kita dilambangkan dengan , ():

Distribusi Gauss, atau Normal

, () =

()

2 /2 2

(5.25)

35

Gambar 5.10 Dua distribusi normal, atau Gauss


Cepat Periksa 5.3. Di atas kertas persegi yang dikuasai, sketsa Gauss fungsi , () untuk X
= 10 dan = 1. Gunakan kalkulator untuk menemukan nilai-nilai pada x = 10, 10,5, 11, 11,5,
12, dan 12,5. Anda tidak perlu untuk menghitung nilai x <10 karena Anda tahu fungsi
tersebut simetris terhadap x = 10.
Kami melihat dalam Bagian 5.2 bahwa pengetahuan tentang distribusi terbatas untuk
pengukuran memungkinkan kita menghitung nilai rata-rata diharapkan setelah

berbagai percobaan. Menurut (5,15), rata-rata ini diharapkan untuk distribusi Gauss f
(x) = , () adalah

= , ()

(5.26)

Sebelum kita mengevaluasi integral ini, kita harus mencatat bahwa jawabannya

hampir jelas akan X, karena simetri fungsi Gauss tentang X menunjukkan bahwa
jumlah yang sama hasil akan jatuh setiap jarak di atas X akan jatuh sebagai jarak yang
sama di bawah X. Jadi , rata-rata harus X.
Kita bisa menghitung integral (5.26) untuk distribusi Gauss sebagai berikut:

, () =

2 /2 2

()

(5.27)

Jika kita membuat perubahan variabel y = x - X, maka dx = dy dan x = y + X. Dengan


demikian, integral (5.27) menjadi dua entuk,
=

2 /2 2

+ X

2 /2 2

(5.28)

Integral pertama di sini adalah persis nol karena kontribusi dari setiap titik y adalah
persis dibatalkan dari titik-y. Integral kedua adalah integral normalisasi ditemui dalam
(5.22) dan memiliki nilai 2 . Integral ini membatalkan dengan 2 pada

penyebut dan meninggalkan jawaban yang diharapkan bahwa

(5.29)

= X

Dan sesuai dengan (5.16) menjadi

(5.30)

2 = ( )2 , ()

Mengganti dengan X, membuat substitusi x - X = y dan y/ = z, dan akhirnya

36

2 = 2

(5.31)
Bagian

5.4

Standar

Deviasi

sebagai

Keyakinan

68%

jauh lebih banyak uji coba. Jika kita membuat beberapa jumlah terbatas pengukuran (10 atau
20, misalnya) x, standar deviasi diamati harus beberapa pendekatan untuk o-, tapi kami tidak
punya alasan untuk berpikir itu akan persis u. Bagian 5.5 alamat apa lagi yang bisa dikatakan
tentang rerata dan deviasi standar setelah jumlah terbatas percobaan.
5.4 Standar Deviasi sebesar 68% Batas Keyakinan
+

Prob (dalam ) = , ()
=

2 /2 2

()

Integral ini diilustrasikan dalam Gambar 5.11. Hal ini dapat disederhanakan dengan
mengganti (x - X) / = z. Dengan substitusi ini, dx = dz, dan batas-batas integrasi menjadi z
= 1. Oleh karena itu,

Prob (dalam ) =

+1

2 /2

Integral ini di tunjukkan dalam Gambar 5.12

Gambar 5. 11

Daerah yang diarsir antara X adalah probabilitas


pengukuran dalam satu standar deviasi dari X

37

Gambar 5.12.

Daerah yang diarsir antara X t adalah probabilitas


pengukuran dalam waktu t standar deviasi dari X

Gambar 5.13 menunjukkan probabilitas sebagai fungsi t.

Gambar 5.13. Kemungkinan Prob (dalam t) bahwa pengukuran x akan jatuh dalam
t standar deviasi dari nilai sebenarnya x = X. Dua nama umum untuk fungsi ini
adalah kesalahan integrasi normal dan fungsi kesalahan, erf (t).
5.5 Pembenaran Rerata sebagai Taksiran Terbaik
Tiga bagian terakhir telah dibahas membatasi distribusi terbatas f (x), distribusi yang
diperoleh dari jumlah tak terbatas pengukuran kuantitas x.

38

2 /2 2

Prob (x antara x 1 dan x 1 + dx i ) = 2 (1 )

Dalam prakteknya, kita tidak tertarik pada ukuran interval Dalam prakteknya, kita
tidak tertarik pada ukuran interval 1 (atau factor 2), jadi kami menyingkat
persamaan ini menjadi
1

2 /2 2

Prob (x 1 ) (1 )
(5.36)

Probabilitas mendapatkan pembacaan kedua x 2 , adalah


1

2 /2 2

Prob (x 2 ) (2 )

dan kita sama bisa menuliskan semua probabilitas berakhir dengan


Prob (x N )
(5.38)

2 /2 2

( )

Probabilitas bahwa kita mengamati seluruh rangkaian N pembacaan hanya produk dari
probabilitas terbatas,
Prob x, ( 1 , . . . , x N )
R

(5.39)

Prob x, ( 1 , . . . , x N )
R

(5.40)

( )2 /22
( )2 /22

Dengan menggunakan prinsip ini, kita dapat dengan

mudah menemukan estimasi terbaik untuk nilai sebenarnya X. Jelas (5.40) maksimal jika
jumlah dalam eksponen minimum. Dengan demikian, estimasi terbaik untuk X adalah bahwa
nilai X dengan

)2/ 2

=1(

(5.41)

minimum. Untuk menemukan minimum ini, kita mendeferensialkannya terhadap X dan


mengatur derivatifnya sama dengan nol, memberikan

=1( ) = 0 atau

(Nilai terbaik untuk X) =

(5.42)

39


(Estimasi terbaik untuk ) = =1

(5.43)

( )2

Nilai sebenarnya X tidak diketahui. Dengan demikian, dalam prakteknya, kita harus
mengganti X pada (5.43) dengan perkiraan terbaik kami untuk X, yaitu rata-rata x.
Penggantian ini menghasilkan perkiraan

= =1

( )2

(5.44)

Artinya, estimasi terbaik untuk , standar deviasi dari nilai yang terukur x l , x 2 ,. , x N ,
dengan (N - 1) dalam penyebutnya,

(Estimasi terbaik untuk ) = =1

(Ketidakpastian fraksional dalam x ) =


Latihan Soal:

2(1)

( )2

(5.45)
(5.46)

Kerjakan soal latihan 5.1 sampai dengan 5.5 pada buku teks wajib halaman 154!

40