MATERI MEKANIKA FLUIDA

POWER LAW MODEL

DISUSUN OLEH:
KELOMPOK 2

Anggi Dwi Chandrika 061940420278

Bella Indriyani 061940422002
Joan Nasya Alzena 061940422006
Muhammad Ihsan 061940422008
Risa Aulia 061940422010

KELAS : 3 KIA

DOSEN PEMBIMBING : Indah Purnamasari, S.T., M.Eng.

POLITEKNIK NEGERI SRIWIJAYA

JURUSAN TEKNIK KIMIA
PRODI TEKNOLOGI KIMIA INDUSTRI
TAHUN AJARAN
2020/2021
Power Law Model Secara Umum

Dalam statistik, Power law (disebut hukum pangkat) adalah hubungan fungsional antara
dua kuantitas, di mana perubahan relatif dalam satu kuantitas menghasilkan perubahan relatif
proporsional dalam kuantitas lainnya, terlepas dari ukuran awal kuantitas tersebut: satu kuantitas
bervariasi sebagai pangkat dari kuantitas lainnya. Misalnya, dengan mempertimbangkan luas
persegi dari segi panjang sisinya, jika panjangnya dua kali lipat, luasnya dikalikan dengan faktor
empat.

Contoh grafik power-law yang menunjukkan peringkat popularitas. Di sebelah kanan adalah ekor
panjang , dan di sebelah kiri adalah beberapa yang mendominasi (juga dikenal sebagai aturan 80-
20).

Contoh Empiris

Distribusi berbagai fenomena fisik, biologis, dan buatan manusia kira-kira mengikuti
hukum kekuatan pada berbagai besaran: ini termasuk ukuran kawah di bulan dan semburan
matahari , pola mencari makan dari berbagai spesies, ukuran pola aktivitas populasi
neuronal, frekuensi kata - kata dalam kebanyakan bahasa, frekuensi nama keluarga , kekayaan
spesies dalam kelompok organisme, ukuran pemadaman listrik , tuntutan pidana per narapidana,
letusan gunung berapi, penilaian manusia tentang intensitas stimulus dan banyak kuantitas
lainnya.
Beberapa distribusi empiris cocok dengan hukum kekuatan untuk semua nilai mereka,
melainkan mengikuti hukum kekuatan di bagian belakang. Atenuasi akustik mengikuti hukum
daya frekuensi dalam pita frekuensi lebar untuk banyak media kompleks. Hukum penskalaan
alometrik untuk hubungan antara variabel biologis adalah salah satu fungsi hukum pangkat yang
paling terkenal di alam.
Properti

Skala invarian

Salah satu atribut hukum kekuatan adalah invariansi skala mereka . Diberikan hubungan
𝑓(𝑥) = 𝑎𝑥 𝑘 , menskalakan argumen 𝑥 dengan faktor konstan 𝑐 menyebabkan hanya penskalaan
proporsional dari fungsi itu sendiri. Itu adalah,

𝑓(𝑐𝑥) = 𝑎(𝑐𝑥)𝑘 = 𝑐 𝑘 𝑓(𝑥) ∝ 𝑓(𝑥)

dimana ∝ menunjukkan proporsionalitas langsung. Artinya, penskalaan dengan konstanta 𝑐 hanya

mengalikan hubungan hukum pangkat asli dengan konstanta 𝑐 𝑘 . Jadi, ini berarti semua hukum
pangkat dengan eksponen penskalaan tertentu setara dengan faktor-faktor konstan, karena masing-
masing hanyalah versi berskala dari yang lain. Perilaku inilah yang menghasilkan hubungan linier
ketika logaritma diambil dari keduanya 𝑓(𝑥) dan 𝑥, dan garis lurus pada plot log-log sering disebut
sebagai tanda tangan hukum pangkat. Dengan data riil, kelurusan seperti itu merupakan syarat
wajib, tetapi belum cukup bagi data yang mengikuti relasi kuasa hukum. Sebenarnya, ada banyak
cara untuk menghasilkan sejumlah data terbatas yang meniru perilaku tanda tangan ini, tetapi,
dalam batas asimtotiknya, bukanlah hukum kekuatan yang sebenarnya (misalnya, jika proses
pembuatan beberapa data mengikuti distribusi Log-normal ). Dengan demikian, secara akurat
menyesuaikan dan memvalidasi model hukum kekuasaan adalah area aktif penelitian dalam
statistik.

Kurangnya nilai rata-rata yang didefinisikan dengan baik

Power law 𝑥 𝑘 memiliki didefinisikan dengan baik berarti lebih 𝑥 ∈ [1, ∞] hanya jika 𝑘 >
2, dan memiliki varian terbatas hanya jika 𝑘 > 3; sebagian besar hukum kekuatan yang
teridentifikasi di alam memiliki eksponen sedemikian rupa sehingga meannya terdefinisi dengan
baik tetapi variansnya tidak, menyiratkan bahwa mereka mampu berperilaku angsa hitam. Hal ini
dapat dilihat pada eksperimen pemikiran berikut: bayangkan sebuah ruangan dengan teman-teman
Anda dan perkirakan rata-rata pendapatan bulanan di dalam ruangan tersebut. Sekarang bayangkan
orang terkaya di dunia memasuki ruangan, dengan pendapatan bulanan sekitar 1 miliar US $. Apa
yang terjadi dengan pendapatan rata-rata di dalam ruangan? Pendapatan didistribusikan menurut
hukum kekuasaan yang dikenal sebagai distribusi Pareto (misalnya, kekayaan bersih orang
Amerika didistribusikan menurut undang-undang kekuasaan dengan eksponen 2).

Di satu sisi, ini membuat penerapan statistik tradisional yang didasarkan

pada varians dan deviasi standar tidak benar (seperti analisis regresi ). Di sisi lain, ini juga
memungkinkan untuk intervensi hemat biaya. Misalnya, mengingat bahwa gas buang mobil
didistribusikan menurut undang-undang tenaga listrik di antara mobil (sangat sedikit mobil yang
menyebabkan sebagian besar kontaminasi), maka cukup menghilangkan sedikit mobil itu dari
jalan untuk mengurangi total gas buang secara substansial. Namun median memang ada: untuk
power law 𝑥 𝑘 , dengan eksponen 𝑘 > 1, dibutuhkan nilai 2 1 / ( k - 1) x min , di mana x min adalah nilai
minimum yang dipegang hukum pangkat.
Keuniversalan

Kesetaraan hukum pangkat dengan eksponen penskalaan tertentu dapat memiliki asal yang
lebih dalam dalam proses dinamis yang menghasilkan hubungan hukum pangkat. Dalam fisika,
misalnya, transisi fasa dalam sistem termodinamika dikaitkan dengan munculnya distribusi hukum
pangkat dari jumlah tertentu, yang eksponennya disebut sebagai eksponen kritis sistem. Sistem
yang beragam dengan eksponen kritis yang sama — yaitu, yang menampilkan perilaku penskalaan
yang identik saat mendekati kekritisan — dapat ditunjukkan, melalui teori grup renormalisasi ,
untuk berbagi dinamika fundamental yang sama. Misalnya, perilaku air dan CO 2 pada titik
didihnya termasuk dalam kelas universalitas yang sama karena mereka memiliki eksponen kritis
yang identik. Faktanya, hampir semua transisi fase material dijelaskan oleh sekumpulan kecil kelas
universalitas. Pengamatan serupa telah dilakukan, meskipun tidak secara komprehensif, untuk
berbagai sistem kritis yang diatur sendiri, di mana titik kritis dari sistem tersebut adalah
sebuah penarik . Secara formal, pembagian dinamika ini disebut sebagai universalitas , dan sistem
dengan eksponen kritis yang persis sama dikatakan termasuk dalam kelas universalitas
yang sama .

Kepentingan ilmiah dalam hubungan power-law sebagian berasal dari kemudahan kelas
mekanisme umum tertentu yang menghasilkannya. Demonstrasi hubungan power-law dalam
beberapa data dapat menunjukkan jenis mekanisme tertentu yang mungkin mendasari fenomena
alam yang dimaksud, dan dapat menunjukkan hubungan yang dalam dengan sistem lain yang
tampaknya tidak terkait; lihat juga universalitas di atas. Keberadaan hubungan hukum-kekuasaan
dalam fisika sebagian disebabkan oleh kendala dimensi , sementara dalam sistem yang kompleks ,
hukum kekuasaan sering dianggap sebagai tanda tangan hierarki atau proses stokastik tertentu .
Beberapa contoh penting dari hukum kekuasaan adalah hukum Paretodistribusi pendapatan,
kemiripan diri struktural fraktal , dan hukum penskalaan dalam sistem biologis . Penelitian tentang
asal mula hubungan power-law, dan upaya untuk mengamati dan memvalidasinya di dunia nyata,
merupakan topik penelitian aktif di banyak bidang sains, termasuk fisika , ilmu
komputer , linguistik , geofisika , ilmu saraf , sosiologi , ekonomi dan lebih.

Namun, banyak minat baru-baru ini dalam hukum kekuatan berasal dari studi
tentang distribusi probabilitas : Distribusi berbagai variasi kuantitas tampaknya mengikuti bentuk
hukum pangkat, setidaknya di ekor atasnya (peristiwa besar). Perilaku peristiwa besar ini
menghubungkan kuantitas ini dengan studi teori deviasi besar (juga disebut teori nilai ekstrim ),
yang mempertimbangkan frekuensi peristiwa yang sangat langka seperti jatuhnya pasar
saham dan bencana alam besar . Terutama dalam studi tentang distribusi statistik yang digunakan
nama "power law".

Dalam konteks empiris, pendekatan ke hukum kekuasaan sering 𝑜(𝑥 𝑘 )kali menyertakan
istilah deviasi 𝜀, yang dapat merepresentasikan ketidakpastian dalam nilai yang diamati (mungkin
kesalahan pengukuran atau pengambilan sampel) atau memberikan cara sederhana bagi
pengamatan untuk menyimpang dari fungsi hukum pangkat (mungkin karena alasan stokastik ):

𝑦 = 𝑎𝑥 𝑘 + 𝜀
Secara matematis, hukum pangkat tegas tidak dapat menjadi distribusi probabilitas, tetapi
distribusi yang merupakan fungsi pangkat terpotong adalah mungkin: 𝑝(𝑥) = 𝐶𝑥 −𝛼 untuk 𝑥 >
𝑥𝑚𝑖𝑛 dimana eksponennya 𝛼 (Huruf Yunani alfa , jangan disamakan dengan faktor
penskalaan 𝛼 digunakan di atas) lebih besar dari 1 (jika tidak, ekor memiliki luas tak terbatas),
nilai minimum 𝑥𝑚𝑖𝑛 diperlukan jika tidak, distribusi memiliki luas tak hingga saat x mendekati 0,
dan konstanta C adalah faktor skala untuk memastikan bahwa luas total adalah 1, seperti yang
disyaratkan oleh distribusi probabilitas. Lebih sering seseorang menggunakan kekuatan hukum
asimtotik - yang hanya benar dalam batas; lihat distribusi probabilitas power-law di bawah untuk
detailnya. Biasanya eksponen berada dalam kisaran 2 < 𝛼 < 3, meski tidak selalu.

Contoh

Lebih dari seratus distribusi kekuatan hukum telah diidentifikasi dalam fisika (misalnya
longsoran pasir), biologi (misalnya kepunahan spesies dan massa tubuh), dan ilmu sosial (misalnya
ukuran kota dan pendapatan). Diantaranya adalah:

Astronomi
• Hukum ketiga Kepler
• The fungsi massa awal dari bintang
• Spektrum energi diferensial inti sinar kosmik
• Hubungan M-sigma

Kriminologi
• jumlah dakwaan per pelaku pidana

Fisika
• The Angstrom eksponen di aerosol optik
• Ketergantungan frekuensi atenuasi akustik di media yang kompleks
• Hukum kekuatan psikofisika Stevens
• Hukum Stefan – Boltzmann
• Kurva input-tegangan-output-arus transistor efek medan dan tabung
vakum mendekati hubungan hukum kuadrat, faktor dalam " suara tabung ".
• Hukum kubus persegi (rasio luas permukaan terhadap volume)
• Sebuah undang-undang 3/2 daya dapat ditemukan di piring kurva
karakteristik dari triodes .
• The hukum terbalik persegi dari gravitasi Newton dan elektrostatika , yang dibuktikan
dengan potensial gravitasi dan potensial elektrostatik , masing-masing.
• Kekritisan yang terorganisir sendiri dengan titik kritis sebagai penarik
• Model gaya van der Waals
• Gaya dan potensi dalam gerakan harmonik sederhana
• Koreksi gamma menghubungkan intensitas cahaya dengan tegangan
• Perilaku di dekat transisi fase orde kedua yang melibatkan eksponen kritis
• Area pengoperasian yang aman terkait dengan arus dan tegangan simultan maksimum di
semikonduktor daya.
• Superkritis keadaan materi dan superkritis cairan , seperti eksponen superkritis
dari kapasitas panas dan viskositas.
 • Hukum Curie-von Schweidler dalam respons dielektrik untuk menginput tegangan DC.
• Gaya redaman atas hubungan kecepatan dalam kalkulus peredam antiseismik
Biologi
• Hukum Kleiber menghubungkan metabolisme hewan dengan ukuran, dan hukum
alometrik secara umum
• Hukum kekuatan dua pertiga, menghubungkan kecepatan dengan kelengkungan
dalam sistem motorik manusia.
• Hukum Taylor terkait ukuran populasi rata-rata dan varians ukuran populasi dalam ekologi
• Longsoran saraf.
• Kekayaan spesies (jumlah spesies) pada kelompok ikan air tawar.
• Efek Harlow Knapp, di mana sebagian dari kinase yang ditemukan dalam tubuh manusia
menyusun sebagian besar penelitian yang dipublikasikan.

Meteorologi
• Ukuran sel hujan, disipasi energi dalam siklon, dan diameter setan debu di Bumi dan Mars.

Ilmu umum
• Pertumbuhan eksponensial dan pengamatan acak (atau pembunuhan)
• Kemajuan melalui pertumbuhan eksponensial dan difusi eksponensial inovasi
• Toleransi yang sangat optimal
• Bentuk yang diusulkan dari efek kurva pengalaman
• Kebisingan merah muda
• Hukum nomor sungai, dan hukum panjang sungai ( hukum Horton menjelaskan sistem
sungai)
• Populasi kota ( Hukum Gibrat )
• Bibliogram , dan frekuensi kata dalam teks ( hukum Zipf )
• 90–9–1 prinsip di wiki (juga disebut sebagai aturan 1% )
• Hukum Richardson untuk parahnya konflik kekerasan (perang dan terorisme)
• Hubungan antara ukuran cache CPU dan jumlah cache yang terlewat mengikuti hukum
kekuatan cache miss .
• Kepadatan spektral dari matriks bobot jaringan saraf dalam

Matematika
• Fraktal
• Distribusi Pareto dan prinsip Pareto juga disebut sebagai "aturan 80-20"
• Hukum Zipf dalam analisis korpus dan distribusi populasi antara lain, di mana frekuensi
suatu item atau peristiwa berbanding terbalik dengan peringkat frekuensinya (yaitu item /
peristiwa yang paling sering kedua terjadi setengah dari item yang paling sering, item yang
paling sering ketiga / acara terjadi sepertiga sesering item yang paling sering, dan
seterusnya).
• Distribusi Zeta (diskrit)
• Distribusi Yule – Simon (terpisah)
• Distribusi-t Student (kontinu), dimana distribusi Cauchy merupakan kasus khusus
• Hukum Lotka
• The jaringan skala bebas Model
Ekonomi
• Ukuran populasi kota di suatu wilayah atau jaringan perkotaan, hukum Zipf .

• Distribusi seniman menurut harga rata-rata karya seni mereka.

• Distribusi pendapatan dalam ekonomi pasar.

• Distribusi gelar di jaringan perbankan.

Keuangan
• Perubahan absolut rata-rata dari harga menengah logaritmik
• Jumlah centang dari waktu ke waktu

• Ukuran pergerakan harga maksimum

• Waktu tunggu rata-rata dari perubahan arah
• Waktu tunggu rata-rata jika terjadi overshoot

Varian

Power law yang rusak

Beberapa model fungsi massa awal menggunakan power law yang rusak; di sini Kroupa
(2001) dengan warna merah.
Power law yang rusak adalah fungsi pemenggalan , yang terdiri dari dua atau lebih power
law, dikombinasikan dengan ambang batas. Misalnya, dengan dua hukum pangkat:

𝑓(𝑥) ∝ 𝑥 𝛼1 untuk 𝑥 < 𝑥𝑡ℎ ,

𝛼1−𝛼2 𝛼2
𝑓(𝑥) ∝ 𝑥𝑡ℎ 𝑥 𝑢𝑛𝑡𝑢𝑘 𝑥 > 𝑥𝑡ℎ ..
Power law dengan batas eksponensial

Power law dengan batas eksponensial hanyalah power law (hukum pangkat) yang dikalikan
dengan fungsi eksponensial:

𝑓(𝑥) ∝ 𝑥 𝛼 𝑒 𝛽𝑥
Power law melengkung

𝑓(𝑥) ∝ 𝑥 𝛼+𝛽𝑥

Distribusi probalitas power law

Dalam pengertian yang lebih longgar, distribusi probabilitas hukum pangkat adalah
distribusi yang fungsi kerapatannya (atau fungsi massa dalam kasus diskrit) memiliki bentuk,
untuk nilai besar dari 𝑥,

𝑃(𝑋 > 𝑥) ~ 𝐿(𝑥)𝑥 −(𝛼−1)

dimana 𝛼, dan 𝐿(𝑥) adalah fungsi yang berubah secara perlahan , yang merupakan fungsi apa
pun yang memuaskan lim 𝐿(𝑟𝑥)⁄𝐿(𝑥) = 1 untuk faktor positif apa pun 𝑟. Properti ini
𝑥→∞
dari 𝐿(𝑥) mengikuti langsung dari persyaratan itu 𝑝(𝑥) menjadi invarian skala asimtotik; dengan
demikian, bentuk 𝐿(𝑥) hanya mengontrol bentuk dan batas ekor bagian bawah. Misalnya,
jika 𝐿(𝑥) adalah fungsi konstan, maka kita memiliki hukum pangkat yang berlaku untuk semua
nilai 𝑥. Dalam banyak kasus, lebih mudah untuk mengasumsikan batas bawah 𝑥𝑚𝑖𝑛 dari mana
hukum berlaku. Menggabungkan dua kasus ini, dan di mana 𝑥 adalah variabel kontinu, kekuatan
hukum memiliki bentuk

𝛼−1 𝑥 𝛼
𝑝(𝑥) = 𝑥 (𝑥 )
𝑚𝑖𝑛 𝑚𝑖𝑛

𝛼−1
dimana pra-faktornya 𝑥 adalah konstanta normalisasi . Sekarang kita dapat mempertimbangkan
𝑚𝑖𝑛
beberapa properti dari distribusi ini. Misalnya, momennya diberikan oleh
∞ 𝛼−1𝑚
〈𝑥 𝑚 〉 = ∫𝑥 𝑥 𝑚 𝑝(𝑥)𝑑𝑥 = 𝛼−1−𝑚 𝑥𝑚𝑖𝑛
𝑚𝑖𝑛
yang hanya didefinisikan dengan baik untuk 𝑚 < 𝛼 − 1. Artinya, semua momen diverge: 𝑚 ≥
𝛼 − 1 kapan 𝛼 ≤ 2, rata-rata dan semua momen tingkat tinggi tidak terbatas; kapan 2 < 𝛼 < 3,
mean ada, tetapi varian dan momen orde tinggi tidak terbatas, dll. Untuk sampel berukuran hingga
yang diambil dari distribusi tersebut, perilaku ini menyiratkan bahwa estimator momen
pusat (seperti mean dan varians) untuk momen divergen tidak akan pernah bertemu - semakin
banyak data yang terkumpul, mereka terus bertambah. Distribusi probabilitas hukum pangkat ini
juga disebut distribusi tipe Pareto , distribusi dengan ekor Pareto, atau distribusi dengan variasi
ekor yang teratur.

Modifikasi, yang tidak memenuhi bentuk umum di atas, dengan batas

eksponensial, adalah

𝑝(𝑥) ∝ 𝐿(𝑥)𝑥 −𝛼 𝑒 −𝜆𝑥

Dalam distribusi ini, suku peluruhan eksponensial 𝑒 −𝜆𝑥 akhirnya membanjiri perilaku
hukum kekuasaan pada nilai yang sangat besar 𝑥. Distribusi ini tidak berskala dan oleh karena itu
tidak asimtotik sebagai hukum kekuatan; Namun, itu kira-kira skala di wilayah terbatas sebelum
penghentian. Bentuk murni di atas adalah bagian dari keluarga ini, dengan 𝜆 = 0. Distribusi ini
adalah alternatif umum untuk distribusi hukum kekuatan asimtotik karena secara alami menangkap
efek ukuran hingga.

Distribusi Tweedie adalah keluarga dari model statistik yang ditandai dengan penutupan di
bawah lilitan aditif dan reproduksi serta di bawah transformasi skala. Akibatnya, semua model ini
mengungkapkan hubungan hukum kekuatan antara varians dan mean. Model-model ini memiliki
peran mendasar sebagai fokus konvergensi matematis yang mirip dengan peran distribusi
normal sebagai fokus dalam teorema batas pusat . Efek konvergensi ini menjelaskan mengapa
kekuatan hukum varians-to-mean terwujud begitu luas dalam proses alam, seperti dengan hukum
Taylor dalam ekologi dan dengan skala fluktuasi dalam fisika. Dapat juga ditunjukkan bahwa
hukum kekuatan varians-ke-rata-rata ini, ketika didemonstrasikan dengan metode perluasan bin ,
menyiratkan adanya derau 1 / f dan bahwa derau 1 / f dapat muncul sebagai konsekuensi dari efek
konvergensi Tweedie ini.

Metode grafis untuk identifikasi

Meskipun metode yang lebih canggih dan kuat telah diusulkan, metode grafis yang paling
sering digunakan untuk mengidentifikasi distribusi probabilitas hukum kekuatan menggunakan
sampel acak adalah plot Kuantil-Kuantil Pareto (atau plot Pareto Q-Q ), Plot sisa hidup rata-
rata dan plot log – log . Metode grafis lain yang lebih kuat menggunakan bundel fungsi kuantil
sisa. (Harap diingat bahwa distribusi hukum pangkat juga disebut distribusi tipe Pareto.)

Diasumsikan di sini bahwa sampel acak diperoleh dari distribusi probabilitas, dan kami
ingin mengetahui apakah ekor distribusi mengikuti hukum pangkat (dengan kata lain, kami ingin
mengetahui apakah distribusi tersebut memiliki "ekor Pareto"). Di sini, sampel acak disebut "data".
Plot Pareto Q – Q membandingkan kuantil dari data yang ditransformasi log dengan kuantil yang
sesuai dari distribusi eksponensial dengan mean 1 (atau dengan kuantil dari distribusi Pareto
standar) dengan memplot yang pertama versus yang terakhir. Jika plot sebar yang dihasilkan
menunjukkan bahwa titik-titik yang diplot "secara asimtotik menyatu" ke garis lurus, maka
distribusi power-law harus dicurigai. Batasan dari plot Pareto Q – Q adalah bahwa mereka
berperilaku buruk saat indeks ekor 𝛼 (juga disebut indeks Pareto) mendekati 0, karena plot Pareto
Q – Q tidak dirancang untuk mengidentifikasi distribusi dengan variasi ekor yang lambat.

Di sisi lain, dalam versinya untuk mengidentifikasi distribusi probabilitas hukum pangkat,
plot umur sisa rata-rata terdiri dari transformasi log pertama data, dan kemudian memplot rata-rata
data transformasi log yang lebih tinggi dari urutan ke- i. statistik versus statistik urutan ke- i ,
untuk i = 1, ..., n , di mana n adalah ukuran sampel acak. Jika plot sebar yang dihasilkan
menunjukkan bahwa titik-titik yang diplot cenderung "stabil" di sekitar garis lurus horizontal,
maka distribusi hukum pangkat harus dicurigai. Karena plot rata-rata sisa umur sangat sensitif
terhadap pencilan (tidak kuat), biasanya plot menghasilkan yang sulit diinterpretasikan; Oleh
karena itu, plot seperti itu biasanya disebut plot horor Hill

Garis lurus pada plot log-log diperlukan tetapi tidak cukup bukti untuk hukum pangkat, kemiringan
garis lurus sesuai dengan eksponen hukum pangkat.

Plot log-log adalah cara alternatif untuk memeriksa ekor distribusi secara grafis
menggunakan sampel acak. Perhatian harus dilakukan namun karena plot log-log diperlukan tetapi
tidak cukup bukti untuk hubungan hukum kekuasaan, karena banyak distribusi non-hukum
kekuasaan akan muncul sebagai garis lurus pada plot log-log. Metode ini terdiri dari memplot
logaritma penduga dari probabilitas bahwa sejumlah distribusi terjadi versus logaritma dari angka
tersebut. Biasanya, penduga ini adalah proporsi berapa kali angka tersebut muncul dalam
kumpulan data. Jika titik-titik dalam plot cenderung "menyatu" menjadi garis lurus untuk bilangan
besar pada sumbu x, maka peneliti menyimpulkan bahwa sebaran memiliki ekor hukum pangkat.
Contoh penerapan jenis plot ini telah dipublikasikan. Kelemahan dari plot ini adalah, agar dapat
memberikan hasil yang andal, plot tersebut memerlukan data dalam jumlah besar. Selain itu,
mereka hanya sesuai untuk data diskrit (atau dikelompokkan).

Metode grafis lain untuk mengidentifikasi distribusi probabilitas hukum kekuasaan

menggunakan sampel acak telah diusulkan. [42] Metodologi ini terdiri dari memplot bundel untuk
sampel log-transformed . Awalnya diusulkan sebagai alat untuk mengeksplorasi keberadaan
momen dan fungsi pembangkitan momen menggunakan sampel acak, metodologi bundel
didasarkan pada fungsi kuantil sisa (RQFs), juga disebut fungsi persentil residual, yang
memberikan karakterisasi penuh perilaku ekor dari banyak distribusi probabilitas terkenal,
termasuk distribusi hukum pangkat, distribusi dengan jenis ekor berat lainnya, dan bahkan
distribusi non-ekor berat. Petak bundel tidak memiliki kelemahan dari petak Pareto Q – Q, berarti
petak sisa umur dan petak log-log yang disebutkan di atas (mereka kuat untuk pencilan,
memungkinkan pengidentifikasian hukum daya dengan nilai kecil 𝛼, dan tidak menuntut
pengumpulan banyak data). Selain itu, jenis perilaku ekor lainnya dapat diidentifikasi dengan
menggunakan plot bundel.

Merencanakan distribusi power law

Secara umum, distribusi power-law diplot pada sumbu logaritmik ganda , yang
menekankan pada wilayah ekor atas. Cara paling mudah untuk melakukan ini adalah
melalui distribusi kumulatif (komplementer) (ccdf) yaitu, fungsi kelangsungan hidup , 𝑃(𝑥) =
Pr (𝑋 > 𝑥),

∞ 𝛼−1 ∞ 𝑥 𝛼+1
𝑃(𝑥) = Pr(𝑋 > 𝑥) = 𝐶 ∫𝑥 𝑝(𝑋)𝑑𝑋 = 𝑥 −𝛼+1 ∫𝑥 𝑋 𝛼 𝑑𝑋 = (𝑥 )
𝑚𝑖𝑛 𝑚𝑖𝑛

Cdf juga merupakan fungsi hukum pangkat, tetapi dengan eksponen penskalaan yang lebih
kecil. Untuk data, bentuk ekuivalen dari cdf adalah pendekatan frekuensi-peringkat, yang pertama
kali kita urutkan 𝑛 nilai-nilai yang diamati dalam urutan menaik, dan plot mereka terhadap
𝑛+1 𝑛+2 1
vektor [1, 𝑛 , 𝑛 , … , 𝑛].

Meskipun lebih mudah untuk melakukan log-bin data, atau sebaliknya menghaluskan
fungsi kepadatan probabilitas (massa) secara langsung, metode ini memperkenalkan bias implisit
dalam representasi data, dan dengan demikian harus dihindari. Fungsi kelangsungan hidup, di sisi
lain, lebih kuat untuk (tetapi tidak tanpa) bias seperti itu dalam data dan mempertahankan tanda
tangan linier pada sumbu logaritmik ganda.

Meskipun representasi fungsi kelangsungan hidup lebih disukai daripada yang ada pada
pdf sementara menyesuaikan hukum pangkat ke data dengan metode kuadrat terkecil linier, ini
bukan tanpa ketidakakuratan matematis. Jadi, saat memperkirakan eksponen distribusi hukum
pangkat, penduga kemungkinan maksimum direkomendasikan.

Memperkirakan eksponen dari data empiris

Ada banyak cara untuk memperkirakan nilai eksponen penskalaan untuk ekor hukum
pangkat, namun tidak semuanya menghasilkan jawaban yang tidak bias dan konsisten . Beberapa
teknik yang paling andal seringkali didasarkan pada metode kemungkinan maksimum . Metode
alternatif sering kali didasarkan pada pembuatan regresi linier baik pada probabilitas log-log,
fungsi distribusi kumulatif log-log, atau pada data log-bin, tetapi pendekatan ini harus dihindari
karena semuanya dapat menyebabkan estimasi yang sangat bias dari penskalaan eksponen.
Kemungkinan maksimum

Untuk data yang bernilai nyata, independen , dan terdistribusi secara identik , kami menyesuaikan
distribusi power-law dari formulir

𝛼−1 𝑥 𝛼
𝑝(𝑥) = 𝑥 (𝑥 )
𝑚𝑖𝑛 𝑚𝑖𝑛

𝛼−1
ke data 𝑥 ≥ 𝑥𝑚𝑖𝑛 , dimana koefisiennya disertakan untuk memastikan bahwa
𝑥𝑚𝑖𝑛
distribusi dinormalisasi . Diberikan pilihan untuk𝑥𝑚𝑖𝑛 , fungsi kemungkinan log menjadi:

𝛼−1 𝑥 𝛼
ℒ(𝛼) = log ∏𝑛𝑖=1 𝑥 (𝑥 )
𝑚𝑖𝑛 𝑚𝑖𝑛

Maksimum kemungkinan ini ditemukan dengan membedakan yang terkait dengan

parameter 𝛼, menyetel hasilnya sama dengan nol. Setelah dilakukan penataan ulang, dihasilkan
persamaan penduga:
𝑛 1
𝑥𝑖
𝛼̂ = 1 + 𝑛 [∑ ln ]
𝑥𝑚𝑖𝑛
𝑖=1

dimana {𝑥𝑖 } adalah 𝑛 titik data 𝑥𝑖 ≥ 𝑥𝑚𝑖𝑛 . Estimator ini menunjukkan bias pesanan ukuran
sampel yang terbatas 𝑂(𝑛−1 ), yang kecil jika n > 100. Selanjutnya, kesalahan standar dari
̂ +1
𝛼
perkiraannya adalah 𝜎 = 𝑛 + 𝑂(𝑛−1 ). Estimator ini setara dengan populer Bukit
√
estimator dari keuangan kuantitatif dan teori nilai ekstrim.

Untuk satu set n titik data bernilai integer {𝑥𝑖 }, lagi dimana masing-masing 𝑥𝑖 ≥ 𝑥𝑚𝑖𝑛 ,
eksponen kemungkinan maksimum adalah solusi untuk persamaan transendental
̂ ,𝑥𝑚𝑖𝑛 )
𝜁′(𝛼 1 𝑥
̂ ,𝑥
= − 𝑛 ∑𝑛𝑖=1 ln 𝑥 𝑖
𝜁(𝛼 min ) 𝑚𝑖𝑛

dimana 𝜁(𝛼̂, 𝑥𝑚𝑖𝑛 ) adalah fungsi zeta yang tidak lengkap . Ketidakpastian dalam estimasi ini
mengikuti rumus yang sama dengan persamaan kontinu. Namun, dua persamaan 𝛼̂ untuk tidak
setara, dan versi berkelanjutan tidak boleh diterapkan pada data diskrit, atau sebaliknya.

Selanjutnya, kedua penduga ini membutuhkan pilihan 𝑥𝑚𝑖𝑛 . Untuk fungsi dengan non-
sepele 𝐿(𝑥) fungsi, memilih 𝑥𝑚𝑖𝑛 terlalu kecil menghasilkan bias yang signifikan dalam 𝛼̂,
sementara memilihnya terlalu besar meningkatkan ketidakpastian 𝛼̂, dan mengurangi kekuatan
statistik model kami. Secara umum, pilihan terbaik𝑥𝑚𝑖𝑛 sangat bergantung pada bentuk tertentu
dari ekor bawah, yang diwakili oleh 𝐿(𝑥) atas. Lebih lanjut tentang metode ini, dan ketentuan
penggunaannya, dapat ditemukan di. Selanjutnya, artikel review komprehensif ini
menyediakan kode yang dapat digunakan (Matlab, Python, R dan C ++) untuk rutinitas estimasi
dan pengujian untuk distribusi power-law.
Estimasi Kolmogorov – Smirnov

Metode lain untuk estimasi eksponen hukum pangkat, yang tidak mengasumsikan data independen
dan terdistribusi secara identik (iid), menggunakan minimisasi statistik Kolmogorov –
Smirnov , 𝐷, antara fungsi distribusi kumulatif data dan power law:

𝛼̂ = 𝑎𝑟𝑔 min 𝐷𝛼
𝛼

dengan

𝐷𝛼 = max|𝑃𝑒𝑚𝑝 (𝑥) − 𝑃𝛼 (𝑥)|

𝑥

dimana 𝑃𝑒𝑚𝑝 (𝑥) dan 𝑃𝛼 (𝑥) menunjukkan cdfs data dan kekuatan hukum dengan eksponen 𝛼,
masing-masing. Karena metode ini tidak mengasumsikan data iid, metode ini memberikan cara
alternatif untuk menentukan eksponen hukum pangkat untuk kumpulan data di mana korelasi
temporal tidak dapat diabaikan.

Metode pemasangan dua titik

Kriteria ini dapat diterapkan untuk estimasi eksponen hukum pangkat dalam kasus
distribusi bebas skala dan memberikan estimasi yang lebih konvergen daripada metode
kemungkinan maksimum. Ini telah diterapkan untuk mempelajari distribusi probabilitas lubang
rekahan. Dalam beberapa konteks, distribusi probabilitas dijelaskan, bukan oleh fungsi distribusi
kumulatif , oleh frekuensi kumulatif properti X , yang didefinisikan sebagai jumlah elemen per
meter (atau unit area, detik dll.) yang X > xberlaku, di mana x adalah bilangan real
variabel. Sebagai contoh, Distribusi kumulatif dari apertur rekahan, X , untuk
sampel elemen N didefinisikan sebagai 'jumlah rekahan per meter yang memiliki apertur lebih
besar dari x . Penggunaan frekuensi kumulatif memiliki beberapa keuntungan, misalnya
memungkinkan seseorang untuk meletakkan data diagram yang sama yang dikumpulkan dari garis
sampel dengan panjang yang berbeda pada skala yang berbeda (misalnya dari singkapan dan dari
mikroskop).

Memvalidasi Power Law

Meskipun hubungan kekuasaan-hukum menarik karena banyak alasan teoretis,

menunjukkan bahwa data memang mengikuti hubungan hukum-kekuasaan membutuhkan lebih
dari sekadar menyesuaikan model tertentu dengan data. Hal ini penting untuk memahami
mekanisme yang menimbulkan distribusi: distribusi yang mirip secara dangkal dapat muncul
karena alasan yang sangat berbeda, dan model yang berbeda menghasilkan prediksi yang berbeda,
seperti ekstrapolasi.

Misalnya, distribusi log-normal sering disalahartikan sebagai distribusi hukum

pangkat: kumpulan data yang diambil dari distribusi lognormal akan mendekati linier untuk nilai
yang besar (terkait dengan ekor atas lognormal yang mendekati hukum pangkat) , tetapi untuk nilai
kecil, lognormal akan turun secara signifikan (membungkuk), sesuai dengan ekor bawah dari
lognormal menjadi kecil (hanya ada sedikit nilai kecil, bukan banyak nilai kecil dalam hukum
pangkat).

Misalnya, hukum Gibrat tentang proses pertumbuhan proporsional menghasilkan

distribusi yang lognormal, meskipun plot log-log mereka terlihat linier dalam rentang terbatas.
Penjelasannya adalah bahwa meskipun logaritma dari fungsi kerapatan lognormal adalah kuadrat
dalam log ( x ) , menghasilkan bentuk "membungkuk" dalam plot log-log, jika suku kuadrat relatif
kecil terhadap suku linier maka hasilnya dapat muncul hampir linier, dan perilaku lognormal hanya
terlihat ketika istilah kuadrat mendominasi, yang mungkin memerlukan lebih banyak data secara
signifikan. Oleh karena itu, plot log-log yang sedikit "membungkuk" ke bawah dapat
mencerminkan distribusi log-normal - bukan hukum pangkat.

Secara umum, banyak bentuk fungsional alternatif dapat tampak mengikuti bentuk hukum
kekuasaan sampai batas tertentu. Stumpf mengusulkan plot fungsi distribusi kumulatif empiris
dalam domain log-log dan mengklaim bahwa calon hukum kekuasaan harus mencakup setidaknya
dua lipat. Selain itu, peneliti biasanya harus menghadapi masalah dalam memutuskan apakah
distribusi probabilitas dunia nyata mengikuti hukum kekuatan atau tidak. Sebagai solusi untuk
masalah ini, Diaz mengusulkan metodologi grafis berdasarkan sampel acak yang memungkinkan
pembedaan visual antara berbagai jenis perilaku ekor. Metodologi ini menggunakan kumpulan
fungsi kuantil sisa, juga disebut fungsi sisa umur persentil, yang mencirikan berbagai jenis ekor
distribusi, termasuk ekor berat dan tidak berat. Namun, Stumpf menyatakan perlunya baik statistik
dan latar belakang teoritis untuk mendukung hukum kekuasaan dalam mekanisme yang mendasari
penggerak proses menghasilkan data.

Salah satu metode untuk memvalidasi hubungan kekuatan-hukum menguji banyak prediksi
ortogonal dari mekanisme generatif tertentu terhadap data. Hanya menyesuaikan hubungan hukum
kekuasaan dengan jenis data tertentu tidak dianggap sebagai pendekatan rasional. Dengan
demikian, validasi klaim power-law tetap menjadi bidang penelitian yang sangat aktif di banyak
bidang sains modern.
Power Law Model dalam Mekanika Fluida

Sebuah fluida power-law , atau Ostwald - de Waele hubungan , adalah jenis umum
fluida Newtonian (waktu independen fluida Non-Newtonian) untuk yang tegangan geser, τ ,
diberikan oleh

𝜕𝑢 𝑛
𝜏 = 𝐾 (𝜕 𝑦)

dimana:

• K adalah indeks konsistensi aliran ( satuan SI Pa 𝑠 𝑛 ),

𝜕𝑢
• adalah laju geser atau gradien kecepatan tegak lurus bidang geser (satuan SI s −1 ), dan
𝜕𝑦
• n adalah indeks perilaku aliran (tanpa dimensi).

Kuantitas

𝜕 𝑢 𝑛−1
𝜇𝑒𝑓𝑓 = 𝐾 (𝜕 𝑦)

mewakili viskositas semu atau efektif sebagai fungsi dari laju geser (satuan SI Pa s). Nilai
𝜕𝑢
K dan n dapat diperoleh dari grafik log (µ eff ) dan log (𝜕 𝑦). Garis kemiringan memberikan nilai
𝜕𝑢
n-1 dari mana n dapat dihitung. Penyadapan di log (𝜕 𝑦) = 0 memberi nilai K.

Juga dikenal sebagai Ostwald - deWaele power law ini matematika hubungan berguna
karena kesederhanaan, tetapi hanya sekitar menggambarkan perilaku nyata fluida non-
Newtonian . Misalnya, jika n kurang dari satu, hukum pangkat memprediksi bahwa viskositas
efektif akan menurun dengan meningkatnya laju geser tanpa batas, memerlukan fluida dengan
viskositas tak terhingga saat diam dan viskositas nol saat laju geser mendekati tak terhingga, tetapi
fluida nyata memiliki keduanya viskositas efektif minimum dan maksimum yang bergantung
pada kimia fisik pada molekultingkat. Oleh karena itu, hukum pangkat hanya merupakan deskripsi
yang baik tentang perilaku fluida di seluruh rentang laju geser yang koefisiennya dipasang. Ada
sejumlah model lain yang lebih baik menggambarkan seluruh perilaku aliran fluida yang
bergantung pada geser, tetapi mereka melakukannya dengan mengorbankan kesederhanaan,
sehingga hukum pangkat masih digunakan untuk menggambarkan perilaku fluida, mengizinkan
prediksi matematis, dan menghubungkan data eksperimen .

Fluida power-law dapat dibagi lagi menjadi tiga jenis fluida berdasarkan nilai indeks perilaku
alirannya:

n Jenis Fluida
<1 Pseudoplastik
1 Fluida Newtonian
>1 Dilatant (kurang umum)
Fluida Pseudoplastik

Pseudoplastik, atau shear-thinning adalah fluida yang perilakunya tidak tergantung waktu
dan yang memiliki viskositas semu yang lebih rendah pada laju geser yang lebih tinggi, dan
biasanya merupakan larutan molekul polimer besar dalam pelarut dengan molekul yang lebih
kecil. Umumnya dianggap yang besar rantai molekul jatuh secara acak dan mempengaruhi volume
besar fluida di bawah geser rendah, tetapi mereka secara bertahap menyelaraskan diri ke arah
peningkatan geser dan menghasilkan lebih sedikit resistensi.

Contoh rumah tangga umum dari fluida pengencer geser yang kuat adalah gel penata
rambut, yang terutama terdiri dari air dan fiksatif seperti kopolimer vinil asetat / vinilpirolidon
(PVP / PA). Jika seseorang harus memegang sampel gel rambut dalam satu tangan dan
sampel sirup jagung atau gliserin di tangan yang lain, mereka akan menemukan bahwa gel rambut
jauh lebih sulit untuk dituangkan dari jari (aplikasi geser rendah), tetapi itu menghasilkan resistensi
yang jauh lebih sedikit ketika digosok di antara jari-jari (tinggi aplikasi geser).

Jenis perilaku ini banyak ditemui dalam solusi atau penangguhan. Dalam kasus ini,
molekul besar atau partikel halus membentuk agregat yang dibatasi secara longgar atau kelompok
penyelarasan yang stabil dan dapat direproduksi pada laju geser tertentu. Tapi fluida ini dengan
cepat dan reversibel rusak atau terbentuk kembali dengan peningkatan atau penurunan laju
geser. Fluida plastik semu menunjukkan perilaku ini pada berbagai laju geser; namun sering
mendekati perilaku Newtonian yang membatasi pada tingkat geser yang sangat rendah dan sangat
tinggi. Wilayah Newtonian ini dicirikan oleh viskositas 𝜇0 dan 𝜇∞ masing-masing.

Fluida Newtonian

Sebuah Fluida Newtonian adalah fluida power-law dengan indeks perilaku 1, di mana
tegangan geser berbanding lurus dengan laju geser:

𝜕𝑢
𝜏 = 𝜇 𝜕𝑦

Fluida ini memiliki viskositas konstan, μ , di semua tingkat geser dan mencakup banyak
fluida paling umum, seperti air, sebagian air solusi, minyak, sirup jagung, gliserin, udara dan
lainnya gas .

Meskipun hal ini berlaku untuk tingkat geser yang relatif rendah, pada tingkat tinggi
kebanyakan minyak pada kenyataannya juga berperilaku dengan gaya non-Newtonian dan
tipis. Contoh umum termasuk film oli pada bantalan cangkang mesin otomotif dan pada tingkat
yang lebih rendah pada kontak geartooth.
Fluida Dilatant

Fluida dilatant, atau fluida pengental geser meningkatkan viskositas nyata pada laju geser
yang lebih tinggi.

Umum digunakan dalam kopling kental di mobil. Ketika kedua ujung kopling berputar
pada kecepatan rotasi yang sama, viskositas fluida dilatant minimal, tetapi jika ujung kopling
berbeda kecepatannya, fluida kopling menjadi sangat kental. Mereka digunakan untuk mencegah
semua torsi pergi ke satu roda saat traksi pada roda itu turun, misalnya saat satu roda di atas es.
Kopling kental antara dua roda penggerak memastikan bahwa kedua roda berputar pada kecepatan
yang sama, memberikan torsi ke roda yang tidak tergelincir. Kopling kental juga digunakan untuk
menjaga poros depan dan poros belakang tetap berputar pada kecepatan yang sama pada mobil
penumpang berpenggerak empat roda.

Fluida dilatant jarang ditemui dalam situasi sehari-hari. Salah satu contoh umum adalah
pasta tepung jagung dan air mentah , kadang-kadang dikenal sebagai oobleck . Di bawah laju
geser yang tinggi, air keluar dari antara molekul pati , yang mampu berinteraksi lebih kuat, sangat
meningkatkan viskositas.

Meskipun bukan fluida pengencer, Silly Putty adalah contoh bahan yang memiliki
karakteristik viskositas ini.

Profil Kecepatan dalam Pipa Melingkar

Seperti fluida Newtonian dalam pipa bundar yang memberikan profil kecepatan kuadrat
(lihat persamaan Hagen – Poiseuille ), fluida hukum pangkat akan menghasilkan profil kecepatan
hukum pangkat,
1
𝑛 𝑑𝑝 1 𝑛 𝑛+1 𝑛+1
𝑢(𝑟) = ( ) (𝑅 𝑛 − 𝑟 𝑛 )
𝑛 + 1 𝑑𝑧 2𝐾
𝑑𝑝
dengan u ( r ) adalah kecepatan aksial lokal (radial), 𝑑𝑧 adalah gradien tekanan sepanjang pipa,
dan R adalah radius pipa.