Terjemahan matematika hal 117-122

Tabel 7.1 memiliki nilai N sebesar 100, angka yang dihitung di atas untuk s^2 kemudian menghasilkan
perkiraan varians populasi s^2 = 100 x 2250/99 - 2273 g^2.
Masalah lain dengan menggunakan varians untuk mengukur lebar distribusi adalah bahwa angka akhir
(dalam hal ini 2273 g^2) tidak terlalu dimengerti. Apa arti dari hasil ini? Mungkin cara termudah untuk
melihat ini adalah dengan menggunakan varians untuk tujuan perbandingan. Ambil dua sampel dari 100
kerikil dari dua pantai yang berbeda. Jika pantai pertama memiliki varian yang lebih besar untuk massa
daripada yang kedua, kerikil di pantai kedua cenderung memiliki massa yang lebih sama satu sama lain
daripada pantai pertama.
“Interpretabilitas” varians lebih ditingkatkan dengan mengambil akar kuadratnya. Ini memberikan
perkiraan, š, tentang deviasi standar populasi o. Dalam kasus data kami, ini menghasilkan jawaban
v2273=47.7 g. Untuk alasan yang dibahas lebih rinci nanti (lihat Bagian 7.5), hasil ini menyiratkan bahwa
sekitar 68% dari semua bobot kerikil harus jatuh dalam 47.7 g nilai rata-rata (350,2 g). Dengan demikian,
68% dari semua bobot harus jatuh antara 302,5 g dan 3979 g. Sebenarnya, dari 100 pengukuran pada
Tabel 7.1, 65 jatuh dalam kisaran ini yang, tentu saja, 65% dari total. Dengan demikian, prediksi teoritis
bahwa 68% dari berat kerikil dalam jarak itu tidaklah buruk . deviasi standar adalah suatu cara yang
sangat sederhana untuk menggambarkan kisaran nilai dalam data Anda. Deviasi standar yang besar
menyiratkan penyebaran dengan nilai yang luas sementara penyimpangan devegatif kecil menyiratkan
penyebaran kecil.
Pertanyaan 7.3 Dengan menggunakan 10 nilai pertama dari Tabel 7.1, hitung :
(i) mean sampel;
(ii) median sampel;
(iii) varians sampel
Juga memperkirakan:
(iv) varians populasi;
(v) standar deviasi.
Bandingkan hasil ini dengan yang diperoleh di atas dari sampel 100 kerikil
Ada banyak statistik dan statistik yang bisa dihitung untuk populasi dan samplcs tertentu. Bagaimanapun,
yang paling penting adalah nilai mean dan deviasi standar dan ini adalah yang paling Anda sukai.
7.4 Histogram
Diperlukan beberapa metode untuk ditampilkan, misalnya, distribusi balon kerikil pada Tabel 7.1 secara
grafis. Cara yang paling sederhana untuk menggunakan
Tabel 7.3 Jumlah kerikil pada
Tabel 7.1 yang terbagi menjadi 50 g kelas yang luas.
Gambar 7.1 histogram freqency yang dihasilkan dari merencanakan data dari Tabel 7.3.
frekuensi histogram yang memungkinkan sifat umum distribusi divisualisasikan. Untuk membangun
plot seperti itu, pertama-tama kita harus menghitung jumlah kejadian massa kerikil dalam rentang
tertentu. Misalnya, ada 2 kerikil pada Tabel 7.2 dengan massa antara 201 g dan 250 g. Tabel 7.3
mencantumkan jumlah kerikil dengan massa di kelas 50 g dari 201 g sampai 500 g. Meja seperti ini
disebut distribusi frekuensi. Jika angka ini diplot sebagai diagram batang, hasilnya adalah histogram
frekuensi (Gambar 7.1). Dari sini kita langsung langsung melihat bahwa massa paling sering jatuh antara
300 g dan 400 g.
Hal itu ditunjukkan dalam Bab 6 bahwa, jika data Anda adalah fungsi dari variabel siklik seperti arah
atau bujur, paling baik ditunjukkan oleh plot kutub. Hal yang sama berlaku untuk histogram. Misalnya,
alas tidur dan tanda riak di batupasir dapat digunakan untuk menunjukkan arah palao arus. arah
pengangkutan sungai kuno atau arus kapal selam. Data tersebut akan
Tabel 7.4 Pengukuran palaeocurrent sebagai fungsi arah

biasanya memiliki penyebaran sekali karena ketidakpastian pengukuran dan pengaruh fitur topografi
lokal. Jadi, jika arah transpor umum diperlukan, tindakan terbaik adalah mengumpulkan sejumlah besar
pengukuran dan kemudian merencanakannya pada histogram. Tabel 7.4 mencantumkan data frekuensi
dari serangkaian pengukuran tersebut.
Sekarang, cara yang jelas untuk merencanakan data ini adalah sebagai histogram pada kertas grafik polar.
Dengan kata lain, plotkan frekuensi sebagai fungsi arah sehingga arah diwakili oleh sudut di sekitar plot
dan frekuensinya proporsional untuk jarak dari pusat plot. Ini menghasilkan diagram mawar Gambar 7.2)
yang darinya sangat jelas bahwa arah arus utama kira-kira adalah Lembar Kerja Lembar Kerja NNW.xls
dapat digunakan untuk merencanakan ini, dan data sejenis lainnya.
7.5 Probabilitas
Probabilitas merupakan konsep sentral dalam statistik. Intinya, idenya sangat sederhana. Jika saya
melakukan sejumlah besar pengukuran pada data lapangan atau data mental, maka saya dapat menentukan
seberapa sering hasil tertentu diperoleh. Ini kemudian akan memungkinkan saya untuk memprediksi
probabilitas bahwa hasil tertentu akan terjadi dalam pengukuran masa depan. Jadi, jika saya melempar
dadu 1000 kali dan nomor dua terjadi 400 kali, saya dapat memprediksi bahwa probabilitasnya adalah 0,4
dari dua akibat lemparan dadu saya berikutnya. Saya juga bisa menyimpulkan bahwa dadu itu mungkin
dimuat. Perhatikan bahwa suatu kejadian yang memiliki probabilitas seseorang dipastikan akan terjadi
sementara sebuah kejadian yang probabilitasnya tidak akan terjadi.
sama, untuk data yang ditunjukkan pada Tabel 7.3 dan Gambar 7.1, kisaran berat yang paling mungkin
(351-400 g) terjadi pada 36 kasus dari 100, yaitu 36% dari waktu. Dengan kata lain, perkiraan
probabilitas kerikil, dijemput saat berlari dari pantai, berada di kisaran 351-400 g adalah 0,36.
Mengulangi ini
Gambar 7.2 Diagram Rose dari data Tabel 7.4

Tabel 7.5 Fstimate rentang massa keruntuhan

probabilit cach menggunakan data dari Tabel 7.1.
Notc bahwa rcsults hanya dari Tabel 7.3 dibagi
dengan jumlah spesimen (100)

prosedur untuk keseluruhan tabel mengarah ke Tabel 7.5 yang merupakan probabilitas dis tribusi.
Hasilnya kemudian dapat diplot dalam histogram baru (Gambar 7.3). Perhatikan bahwa bentuk ini identik
dengan Gambar 7.1, kecuali bahwa skala vertikal telah menyusut dengan faktor 100 (bandingkan dengan
ukuran sampel). Distribusi probabilitas ini dapat dibandingkan dengan berbagai distribusi teoretis. Yang
terpenting adalah distribusi normal atau dikenal sebagai distribusi Gaussian. Ini sudah ada bentuk
Gambar 7.3 Probabiliry distriburion histogram untuk data dari Tabel 7.5

dimana P (x) disebut probabilitas relatif untuk mendapatkan valuex,

ẍ adalah rata-rata dari semua nilai x,
o adalah standar deviasi dari distribusi
Grafik dari fungsi ini ditunjukkan pada Gambar 7.4 untuk kasus mean sama dengan 5.0 dan standar
deviasi sebesar 2,0. Perhatikan bahwa probabilitas maksimum terjadi pada nilai rata-rata, bahwa kurva
simetris tentang mean dan bahwa sebagian besar area di bawah grafik terjadi antara o dan xoi.e. area abu-
abu gelap)
Probabilitas mendapatkan nilai dalam kisaran tertentu diatur oleh dua hal. Pertama, grafik yang lebih
tinggi berada dalam kisaran tersebut, semakin tinggi probabilitasnya. Jadi, dengan grafik yang
ditunjukkan pada Gambar 7.4, Anda lebih mungkin mendapatkan nilai antara, katakanlah, 5 dan 6 (di
mana grafiknya tinggi) daripada Anda antara 1 dan 2. Kedua, probabilitas memperoleh nilai dalam
kisaran yang ditentukan meningkat seiring dengan lebar kisaran yang meningkat. Dengan demikian, Anda
lebih cenderung mendapatkan nilai antara 5 dan 7 daripada antara 5 dan 6 karena kemungkinan lebih
banyak disertakan dalam kasus kedua. Sebenarnya, distribusi kemampuan prb relatif didefinisikan
sedemikian rupa sehingga probabilitas mendapatkan nilai dalam kisaran tertentu diberikan oleh area di
bawah grafik di atas kisaran tersebut. Misalnya, probabilitas memperoleh nilai antara 1,0 dan 2,0 adalah
Gambar 7.4 Distribusi kelayakan Gaussian untuk mcan 5.0 dan standar deviasi 2,0. Arca daerah teduh
abu-abu terang memberi kemungkinan spim yang tergeletak di kisaran 1-2. Demikian pula, area abu-abu
gelap memberi probabilitas spesimen tergeletak di antara 3-7. Luas total di bawah grafik adalah 1,0.
yang diberikan oleh daerah abu-abu terang yang ditunjukkan pada Gambar 7.4 sementara probabilitas
(jauh lebih besar) untuk mendapatkan nilai antara 3 dan 7 diberikan oleh area abu-abu gelap Dengan
definisi ini, luas total di bawah grafik adalah 1,0 karena probabil ity mendapatkan beberapa nilai adalah
1,0. Ini memang kasus untuk distribusi Gaussian yang didefinisikan pada E. 7.7
Jadi, bagaimana bisa area semacam itu ditemukan? Metode yang paling sederhana adalah dengan
menggunakan tabel yang menunjukkan area di bawah kurva sebagai fungsi kelipatan deviasi standar dari
mean (misalnya Tabel 7.6). Dari tabel tersebut dapat dilihat bahwa luas wilayah abu-abu gelap pada
Gambar 7.4 adalah 0,683. Demikian pula, area di bawah kurva dalam dua standar deviasi (yaitu antara 1,0
dan 9,0 pada contoh yang ditunjukkan pada Gambar 7.4) adalah 0,954.
Meja juga bisa digunakan untuk mencari area seperti gambar abu-abu 7.4. Untuk melakukan ini, Anda
harus mencatat bahwa 1.0 adalah dua standar deviasi dari mearn sementara 2.0 adalah 1.5 standar deviasi
dari mean. Dari Tabel 7.6 dapat dilihat bahwa luas wilayah 1,5 o adalah 0,866 sedangkan luasnya 2 o
adalah 0,954 Dengan demikian, luas antara 1,5 o dan 2,0 o adalah 0,954 0,866 0,088. Namun, ada dua
zona tersebut, satu antara 1.0 dan 2.0 dan yang lainnya antara 8.0 dan 9.0 (lihat Gambar 7.5). Luas antara
1,5 o dan 2,0 a dibagi rata antara kedua wilayah ini dan dengan demikian luas zona antara 1,0 dan 2,0
adalah setengah dari 0,088 (yaitu 0,044). Jadi, f suatu proses memiliki distribusi probabilitas seperti yang
ditunjukkan pada Gambar 7.4, probabilitas memperoleh hasil antara 1.0 dan 2.0 adalah 0,044.

O adalah teta