KELOMPOK 2

1. Maharani Syahputri
2. Retta Rondang Sirait
3. Sella Selviana Sinurat
4. Wahyu Ananda

BAB VI

KUADRAT TERKECIL GARIS LURUS

6.1 VARIABEL TERIKAT DAN VARIABEL BEBAS

Kita sering ingin menentukan satu karakteristik y dari percobaan sebagai fungsi dari
beberapa kuantitas x lainnya. Artinya, membuat sejumlah pengukuran dari satu kuantitas x,
kami membuat serangkaian pengukuran N dari pasangan (x 1, y1) satu untuk masing-masing
dari beberapa nilai indeks i, dimulai dari I ke N. Tujuan kita adalah menemukan fungsi y =
y (x) yang menggambarkan hubungan antara dua variabel terukur ini. Dalam bab ini kita
akan membahas masalah pasangan variabel (x1, y1.) Yang berhubungan linier satu sama lain.
Pada bab berikut, kita akan membahas metode menemukan hubungan yang tidak linier.

Contoh 6.1. Seorang siswa sedang mempelajari arus listrik dan perbedaan potensial .
Dia telah dilengkapi dengan 1m kabel nikel-perak yang dipasang di papan, baterai
timbal-asam, dan voltmeter analog. Dia menghubungkan sel baterai melintasi kabel
dan mengukur perbedaan potensial atau tegangan antara ujung negatif dan berbagai
posisi di sepanjang kabel. Dari pemeriksaan meteran, memperkirakan ketidakpastian
di setiap pengukuran potensial menjadi 0,05 V. Ketidakpastian posisi probe kurang
dari 1 mm dan dianggap dapat diabaikan.
Data dicantumkan pada Tabel 6.1 dan diplot pada Gambar 6.1 untuk
menunjukkan perbedaan potensial sebagai fungsi dari panjang kabel x. Ketidakpastian
umum yang diperkirakan di setiap perbedaan potensial yang diukur ditunjukkan pada
grafik dengan bilah kesalahan vertikal. Dari pengukuran ini , kami ingin menemukan
fungsi linier y (x) (ditampilkan sebagai garis padat) yang menjelaskan cara variasi
tegangan V sebagai fungsi posisi x di sepanjang kabel.
 Contoh 6.2. Dalam percobaan lain, seorang siswa diberikan sumber radioaktif
yang dibungkus dalam disk plastik kecil berdiameter 8 mm dan penghitung Geiger
dengan jendela ujung diameter 1 cm. Tujuannya adalah untuk menyelidiki hukum l / r2
dengan merekam pengukuran counter Geiger selama periode waktu tertentu pada
berbagai jarak dari sumber antara 20 dan 100 cm. Karena kecepatan penghitungan
diharapkan tidak bervariasi dari satu pengukuran ke pengukuran, kecuali untuk
fluktuasi statistik, siswa dapat merekam data cukup lama untuk mendapatkan statistik
yang baik di seluruh rentang percobaan. Siswa menggunakan sistem pencatatan
otomatis dan mencatat hitungan selama tiga puluh interval 15 detik di setiap posisi.
Untuk analisis dalam percobaan ini, kita menjumlahkan hitungan dari setiap set 30
pengukuran untuk mendapatkan jumlah hitungan dalam interval 7,5 m. Pengukuran
interval 15 detik yang terpisah di setiap posisi dapat digunakan dalam studi statistik
lainnya.

Data didaftar pada Tabel 6.2 dan diplot dengan x = l / r2 pada Gambar 6.2.
bagian vertikal pada titik data mewakili ketidakpastian statistik dalam jumlah
hitungan yang diukur dan sama dengan akar kuadrat dari jumlah hitungan.
Ketidakpastian dalam pengukuran jarak dari sumber ke penghitung diasumsikan dapat
diabaikan.

Pendekatan Linier
Dalam kedua contoh ini, hubungan fungsional antara variabel dependen dan independen dapat
didekati dengan bentuk garis lurus

y (x) = a + bx (6.1)

Kita akan membahas dalam bab ini metode untuk menentukan nilai yang paling mungkin untuk
koefisien a dan b.
Gambar 6.1. beda potensial sebagai fungsi posisi sepanjang kabel konduktor. Ketidakpastian
yang dalam pengukuran potensial ditunjukkan oleh bagian vertikal. Garis lurus adalah hasil dari
kuadrat-terkecil yang sesuai dengan data.

TABEL 6.1
Beda potensial V sebagai fungsi posisi di sepanjang kabel nikel-perak pembawa arus

Catatan: Diasumsikan ketidakpastian di V 0,05 V. Kesesuaian linier dengan data, dihitung

dengan metode determinan, menghasilkan a= 0,07 ± 0,04 V dan b = 0,0262 ± 0,0006 V / cm,
dengan X2 = 1,95 untuk 7 derajat kebebasan. Probabilitas X 2 untuk kecocokan adalah sekitar
96%.
GAMBAR 6.2
Jumlah hitungan dalam interval waktu konstan dari sumber radioaktif sebagai fungsi jarak
terbalik dari sumber ke pencacah Geiger (Contoh 6.2). garis vertikal menunjukkan
ketidakpastian statistik dalam hitungan. Garis lurus adalah hasil dari kuadrat-terkecil yang
sesuai dengan data.

TABEL 6.2

Catatan: Kesesuaian linier dengan data dari fungsi C = a + bx dengan metode determinan
menghasilkan a = 1 19 + 8 dan b = 31 ± l, dengan X2= 11.1 untuk 8 derajat kebebasan.
Probabilitas X2 untuk keakuratan adalah sekitar 20%.
 Kita tidak dapat memasukkan garis lurus ke data secara tepat di kedua contoh karena tidak
mungkin menggambar garis lurus melalui semua titik. Untuk himpunan N titik sembarang, selalu
mungkin untuk menyesuaikan polinomial berderajat N - 1 dengan tepat, tetapi untuk eksperimen
kami, koefisien suku-suku berorde lebih tinggi akan memiliki signifikansi yang dapat
dipertanyakan. Kami berasumsi bahwa fluktuasi titik individu di atas dan di bawah kurva padat
disebabkan oleh ketidakpastian eksperimental dalam pengukuran individu.

Ketidakpastian Pengukuran
Jika kita membuat serangkaian pengukuran variabel terikat y1 untuk satu nilai tertentu x1 dari
variabel bebas, kita akan menemukan bahwa nilai terukur didistribusikan sekitar mean dengan
cara yang dibahas dalam Bab 5 dengan probabilitas 68% merupakan pengukuran tunggal dari yi
berada dalam standar deviasi rata-rata. Dengan membuat sejumlah pengukuran untuk setiap nilai
dari kuantitas independen xi, kita dapat menentukan nilai rata-rata ý i dengan presisi yang
diinginkan. Akan tetapi, biasanya kita hanya dapat membuat satu pengukuran untuk setiap nilai x
= xi, sehingga kita harus menentukan nilai y yang sesuai dengan nilai x tersebut dengan
ketidakpastian yang ditandai dengan deviasi standar distribusi data untuk titik itu.
kami dapat menganggap semua ketidakpastian dalam setiap pengukuran sebagai variabel
terikat. Ini sama dengan mengasumsikan bahwa ketepatan penentuan x jauh lebih tinggi daripada
y. Perbedaan ini digambarkan pada Gambar 6.1 dan 6.2 oleh fakta bahwa ketidakpastian
ditunjukkan oleh kesalahan untuk variabel terikat tetapi tidak untuk variabel bebas.
kita mengabaikan ketidakpastian di x dan mempertimbangkan hanya ketidakpastian di y,
akan valid hanya jika ketidakpastian di y yang akan dihasilkan oleh variasi x yang sesuai dengan
ketidakpastian dalam pengukuran x jauh lebih kecil daripada ketidakpastian di pengukuran y. Ini
setara, di urutan pertama, dengan persyaratan di setiap titik yang diukur itu

dengan dy / dx adalah kemiringan fungsi y = y (x).

Kami tidak selalu dibenarkan dalam menganggap semua ketidakpastian sebagai parameter
terikat. Terkadang ketidakpastian dalam penentuan besaran x dan y hampir sama. Tetapi
prosedur pemasangan kita masih akan cukup akurat jika kita memperkirakan kontribusi tidak
langsung dari ketidakpastian di x ke total ketidakpastian di y oleh relasi orde pertama

dan gabungkan ini dengan kontribusi langsung ffyD, yang merupakan ukuran ketidakpastian
dalam y, untuk mendapatkan

Untuk kedua Contoh 6.1 dan 6.2 kondisinya akan masuk akal karena kita memprediksi
ketergantungan linier y dengan x. Dengan asumsi linier, kami memperlakukan ketidakpastian
dalam data kami seolaholah mereka hanya dalam variabel dependen, sambil menyadari bahwa
fluktuasi yang sesuai mungkin awalnya berasal dari ketidakpastian dalam penentuan variabel
dependen dan independen.
Dalam kasus di mana ketidakpastian dalam penentuan kuantitas independen jauh lebih
besar daripada ketidakpastian dalam kuantitas dependen, mungkin bijaksana untuk menukar
definisi dua kuantitas.

6.2 METODE PUNCAK TERTINGGI

Data kami terdiri dari pasangan pengukuran (Xi, Yi) dari variabel bebas x dan variabel terikat y.
Kami ingin menemukan nilai parameter a dan b yang meminimalkan perbedaan antara nilai
terukur dan nilai terhitung y (x). Kita tidak dapat menentukan parameter secara tepat hanya
dengan jumlah pengamatan yang terbatas, tetapi dapat berharap untuk mengekstrak perkiraan
waktu yang paling mungkin untuk koefisien dengan cara yang sama seperti kita mengekstrak
perkiraan mean yang paling mungkin di Bab 4.
Sebelum melanjutkan, kita harus menentukan kriteria untuk meminimalkan perbedaan
antara nilai terukur dan prediksi Yi. Untuk setiap nilai arbitrase a
dan b, kita dapat menghitung deviasi Ayt. antara masing-masing nilai yang diamati yt dan nilai
yang dihitung atau dipasang yang sesuai
Dengan parameter yang dipilih dengan baik, deviasi ini harus relatif kecil. Meskipun , jumlah
penyimpangan tersebut bukan merupakan ukuran yang baik dari seberapa baik dihitung garis
lurus kami mendekati data karena penyimpangan positif yang besar dapat seimbang yang negatif
untuk menghasilkan sejumlah kecil bahkan ketika fit dari fungsi y (x) ke d ata buruk. Kita
mungkin mempertimbangkan untuk menjumlahkan nilai absolut dari deviasi, tetapi ini
menyebabkan kesulitan dalam mendapatkan solusi analitis. Sebaliknya kami menjumlahkan
kuadrat penyimpangan.
Tidak ada metode unik yang benar untuk mengoptimalkan para meter yang valid untuk
semua masalah. Namun demikian, ada metode yang dapat dibenarkan dengan cukup baik, yang
sederhana dan lugas, dan itu mapan secara eksperimental. Ini adalah metode kuadrat terkecil,
mirip dengan metode yang dibahas di Bab 4, tetapi diperluas untuk menyertakan lebih dari satu
variabel. Ini dapat dianggap sebagai kasus khusus dari metode kemungkinan maksimum yang
lebih umum.

Metode Kemungkinan Maksimum

Data kami terdiri dari sampel pengamatan yang diambil dari distribusi induk yang menentukan
kemungkinan melakukan pengamatan tertentu. Untuk masalah tertentu dari hubungan linier yang
diharapkan antara variabel dependen dan independen, kita tentukan parameter induk ao dan bo
sedemikian rupa sehingga hubungan aktual antara y dan x diberikan oleh

yo (x) = ao + b0x (6.5)

Kita akan berasumsi bahwa setiap nilai terukur individu itu sendiri diambil dari distribusi
Gaussian dengan mean yo (Xi) dan dev iasi standar. Kita harus menyadari bahwa asumsi
Gaussian mungkin tidak selalu benar. Dalam Contoh 6.2, = Ci diperoleh dalam percobaan
penghitungan dan oleh karena itu mengikuti distribusi Poisson. Namun, untuk jumlah hitungan
yang cukup besar, distribusi dapat dianggap sebagai Gaussian. Kami akan membahas kesesuaian
dengan statistik Poisson di Bagian 6.6.
Dengan asumsi Gaussian, probabilitas Pi untuk melakukan pengukuran observasi dengan
standar deviasi untuk observasi nilai aktual y0(xi) adalah
 (6.6)

Probabilitas untuk membuat set pengukuran yang diamati dari nilai N dari adalah produk dari
probabilitas untuk setiap observasi:

(6.7) di
mana produk ∏ ❑diambil dengan i mulai dari 1 hingga N dan produk dari eksponensial telah
dinyatakan sebagai eksponensial dari jumlah argumen. Dalam produk dan jumlah ini, kuantitas

1
bertindak sebagai faktor pembobot.
σ 2i
Demikian pula, untuk setiap nilai taksiran dari parameter a dan b, kita dapat menghitung
probabilitas untuk memperoleh himpunan pengukuran yang diamati.

(6,8)

dengan y (x) didefinisikan oleh Persamaan (6.1) dan dievaluasi pada setiap nilai
Xi.
Kami berasumsi bahwa kumpulan pengukuran yang diamati lebih mungkin berasal dari
distribusi induk Persamaan (6.5) daripada dari distribusi serupa lainnya dengan koefisien yang
berbeda dan, oleh karena itu, probabilitas Persamaan (6.7) adalah probabilitas maksimum yang
dapat dicapai dengan Persamaan (6.8). Dengan demikian, perkiraan kemungkinan mata
pencaharian maksimum untuk a dan b adalah nilai-nilai yang memaksimalkan probabilitas
Persamaan (6.8).
Karena faktor pertama dalam produk Persamaan (6.8) adalah konstanta, tidak bergantung
pada nilai a dan b, memaksimalkan probabilitas P (a, b) sama dengan meminimalkan jumlah
dalamneksponensial. Kami mendefinisikan jumlah ini menjadi parameter kebaikan kami X
 (6.9)

Kami menggunakan simbol yang sama X , yang didefinisikan sebelumnya dalam Persamaan
(4.32), karena ini pada dasarnya adalah definisi yang sama dalam konteks yang berbeda.Metode
kami untuk menemukan kecocokan optimal untuk data adalah dengan menemukan nila a dan b
yang meminimalkan jumlah bobot kuadrat dari deviasi X dan karenanya, untuk menemukan
kecocokan yang menghasilkan jumlah terkecil dari kuadrat atau kotak terkecil cocok. Besarnya
X ditentukan oleh empat faktor:
1. Fluktuasi nilai terukur variabel yi yang merupakan sampel acak dari populasi induk dengan
nilai ekspektasi yo (xi).

2. Nilai yang diberikan untuk ketidakpastian dalam variabel terukur y i. Penetapan

ketidakpastian yang salah akan menyebabkan kesalahan pada nilai X 2
3. Pemilihan fungsi analitik y(x) sebagai pendekatan terhadap fungsi "sebenarnya" y o (x).
Mungkin perlu untuk menyesuaikan beberapa fungsi yang berbeda untuk menemukan fungsi
yang sesuai untuk kumpulan data tertentu.

4. Nilai-nilai parameter fungsi y (x). Tujuan kami adalah menemukan "nilai terbaik" dari
parameter ini.

6.3 MEMINIMALKAN X2
2
Untuk menemukan nilai parameter a dan b yang menghasilkan nilai minimum untuk X , kami
menetapkan nol turunan parsial X sehubungan dengan masing-masing parameter
Persamaan-persamaan ini dapat disusun kembali sebagai sepasang persamaan simultan linier
pada parameter yang tidak diketahui a dan b:

Solusi dapat ditemukan di salah satu dari sejumlah cara berbeda, tetapi, untuk umum kita
akan menggunakan metode determinan. (Lihat Lampiran B.) Solusinya adalah

Untuk kasus khusus di mana semua ketidakpastian adalah sama (σ = σ i )mereka

solusinya dapat ditulis
Contoh
Untuk data Contoh 6.1 (Tabel 6.1), kami mengasumsikan bahwa ketidakpastian dalam voltase
terukur V semuanya sama dan bahwa ketidakpastian di Xi dapat diabaikan. Oleh karena itu kita
dapat menggunakan Persamaan (6.13). Kami mengumpulkan empat jumlah ∑ x i , ∑ y 1 =∑ V i
dan ∑ x i y i = ∑ x i v i menggabungkannya sesuai dengan Persamaan (6.13) untuk menemukan
nilai numerik untuk a dan b. Langkah-langkah perhitungan diilustrasikan pada Tabel 6.1, dan
kesesuaian yang dihasilkan ditunjukkan sebagai garis padat pada Gambar 6.1
Penentuan parameter a dan b dari Persamaan (6.12) agak lebih sulit, karena ketidakpastian
σ i harus disertakan. Tabel 6.2 menunjukkan langkah-langkah dalam penghitungan data Contoh
6.2 dengan ketidakpastian σ i dalam jumlah cacah Ci ditentukan oleh statistik Poisson sehingga σ i
= Ci Nilai a dan b yang ditemukan dalam perhitungan ini digunakan untuk menghitung garis
lurus melalui titik-titik data pada Gambar 6.2.
Penting untuk dicatat bahwa nilai Ci yang akan digunakan dalam menentukan
ketidakpastian haruslah jumlah kejadian aktual yang dilayani. Jika, misalnya, siswa telah
memutuskan untuk meningkatkan statistiknya dengan mengumpulkan data pada jarak yang lebih
jauh dalam periode waktu yang lebih lama ∆ti dan menormalkan semua datanya ke interval
waktu yang sama ∆tc,
C 'i= Ci × ∆tc/∆ti
maka ketidakpastian statistik y dalam C 'akan diberikan oleh
6.4 ESTIMASI KESALAHAN

Ketidakpastian Umum
Jika standar deviasi untuk titik data tidak diketahui tetapi kita dapat mengasumsikan bahwa
semuanya sama, σ i2=σ 2, maka kita dapat memperkirakannya dari data dan hasil fit kita.
Persyaratan kesalahan yang sama dapat dipenuhi jika ketidakpastian penting dan semua data
dicatat dengan instrumen yang sama dan pada skala yang sama, seperti yang diasumsikan dalam
Contoh 6.1.
Dalam Bab 2 kami memperoleh, untuk estimasi terbaik kami dari varians sampel data,

(6.14)

di mana N - m adalah jumlah derajat kebebasan dan sama dengan jumlah pengukuran dikurangi
jumlah parameter yang ditentukan dari kecocokan. Dalam Persamaan (6.14) kami
mengidentifikasi dengan nilai terukur dari variabel dependen, dan untuk j, nilai rata-rata yang
diharapkan dari yt., Kami menggunakan nilai yang dihitung dari Persamaan (6. l) untuk setiap
titik data dengan parameter yang dipasang a dan B. Jadi, perkiraan kami = untuk deviasi standar
pengukuran individu adalah

Dengan membandingkan Persamaan (6.15) dengan Persamaan (6.9), kita melihat bahwa
ketidakpastian umum inilah yang telah kita minimalkan dalam prosedur pemasangan kuadrat-
terkecil. Jadi, kita bisa mendapatkan kesalahan umum dalam pengukuran y dari fit, meskipun
pada tingkat informasi apapun tentang kualitas fit.

Variabel Ketidakpastian
Secara umum ketidakpastian dalam variabel dependen tidak akan semuanya sama. Jika,
misalnya, kuantitas y mewakili jumlah hitungan dalam detektor per satuan waktu interv al
(seperti dalam Contoh 6.2), maka kesalahannya bersifat statistik dan ketidakpastian dalam setiap
pengukuran secara langsung berkaitan dengan besaran y (seperti yang dibahas di Bagian 4.2),
dan deviasi standar yang terkait dengan pengukuran ini

σ i2= Ci (6.16)
Pada prinsipnya, nilai Yi, yang harus digunakan dalam menghitung simpangan baku
dengan Persamaan (6.16), adalah nilai yo (Xi) dari populasi induk. Dalam praktiknya kami
menggunakan nilai terukur yang hanya sampel dari populasi tersebut. Dalam batas jumlah tak
terbatas penentuan, rata-rata semua pengukuran akan mendekati nilai induk, tetapi umumnya kita
tidak dapat membuat lebih dari satu pengukuran untuk setiap nilai x, apalagi bilangan tak hingga.
Kita
dapat mendekati nilai induk yo (X i) dengan menggunakan nilai yang dihitung y (x) dari fit kami,
tetapi itu akan mempersulit prosedur pemasangan. Kami akan membahas kemungkinan ini lebih
lanjut di bagian berikut.
Kontribusi dari instrumen dan ketidakpastian lainnya dapat mengubah bentuk kuadrat
sederhana dari kesalahan statistik. Misalnya, ketidakpastian dalam mengukur interval waktu
selama peristiwa Contoh 6.2 dicatat mungkin berkontribusi, meskipun fluktuasi statistik
umumnya mendominasi dalam percobaan penghitungan. Sub traksi latar belakang adalah sumber
ketidakpastian lainnya. Dalam banyak percobaan penghitungan, ada latar belakang di bawah data
yang dapat dihapus dengan pengurangan, atau dapat dimasukkan dalam fit. Dalam Contoh 6.2,
sinar kosmik dan latar belakang lainnya berkontribusi pada rasio penghitungan bahkan ketika
sumber dipindahkan jauh dari detektor, seperti yang ditunjukkan oleh intersep bukan nol dari
garis yang dipasang pada Gambar 6.2 pada sumbu C. Jika siswa telah memilih untuk merekam
latar belakang radiasi menghitung Cb dalam pengukuran terpisah dan untuk menggantikan Cb
dari setiap pengukurannya Ci untuk mendapat

maka ketidakpastian di C 'akan diberikan dengan menggabungkan dalam kuadratur

ketidakpastian dalam dua pengukuran:
Probabilitas X 2
Dalam Contoh 6.1, kami memperoleh nilai X2= 1,95 untuk 7 derajat kebebasan, sesuai dengan
yang probabilitas sekitar 96%. Meskipun probabilitas ini tampaknya sangat tinggi, nilai X2 sangat
rendah memberikan indikasi kuat bahwa ketidakpastian umum dalam data mungkin telah terlalu
tinggi dan mungkin bijaksana untuk menggunakan nilai X 2 untuk mendapatkan estimasi yang
lebih baik. ketidakpastian umum.
Dari Persamaan (6.15) dan (6,9), kita memperoleh ekspresi untuk direvisi ketidakpastian umum
σ 'c dalam hal X dan perkiraan semula,

Ketidakpastian dalam Parameter

Untuk menemukan ketidakpastian dalam estimasi parameter a dan b dalam prosedur pemasangan
kami, kami menggunakan metode propagasi kesalahan yang dibahas dalam Bab 3. Setiap titik
data kami telah digunakan dalam penentuan parameter dan masing-masing memiliki kontribusi
sebagian kecil dari ketidakpastiannya sendiri hingga ketidakpastian dalam penentuan akhir kami.
Mengabaikan kesalahan sistematis, yang akan memperkenalkan korelasi antara ketidakpastian,
varian dari parameter z diberikan oleh Persamaan (3.14) sebagai jumlah kuadrat produk dari
standar deviasi Œi dari titik data dengan efek yang dimiliki titik data tentang penentuan z:

(6.19)

Jadi, untuk menentukan ketidakpastian dalam parameter a dan b, kami mengambil turunan
parsial dari Persamaan (6.12):
Kami mencatat bahwa turunan adalah fungsi hanya dari varians dan variabel independen Xi.
Menggabungkan persamaan-persamaan ini dengan ekspresi umum dari Persamaan (6.19)

6.5 BEBERAPA BATASAN METODE KUADAT TERKECIL

Ketika kurva dipasang dengan metode kuadrat-terkecil ke kumpulan data penghitungan statistik,
pertama tama harus berupa histogram; artinya, histogram harus dibentuk dari data yang
dikoreksi, baik selama atau setelah pengumpulan data. Untuk data yang bervariasi secara linier
dengan variabel bebas, perlakuan ini tidak menimbulkan masalah khusus, tetapi dapat
dibayangkan masalah yang lebih kompleks di mana detail halus variasi variabel terikat y dengan
variabel bebas x penting.
 Secara umum, pilihan lebar bin akan menjadi kompromi antara kebutuhan statistik yang
memadai untuk mempertahankan kesalahan relatif kecil dalam nilai dan dengan demikian dalam
parameter yang dipasang, dan kebutuhan untuk mempertahankan struktur yang menarik dalam
data. Ketika detail lengkap dari setiap struktur dalam data harus dipertahankan, mungkin
disarankan untuk menerapkan metode kemungkinan maksimum secara langsung ke data,
peristiwa demi peristiwa, daripada menggunakan metode kuadrat terkecil dengan pencatatan data
yang diperlukan.
Hal penting lain yang perlu dipertimbangkan saat menyesuaikan kurva ke data adalah
kemungkinan kesalahan pembulatan, yang dapat mengurangi keakuratan hasil. Dengan
perhitungan manual, penting untuk menghindari pembulatan angka hingga akhir perhitungan.
Dengan komputer, masalah mungkin muncul karena panjang kata komputer yang terbatas.
Masalah ini bisa menjadi sangat parah dengan perhitungan matriks dan determinan, yang sering
kali melibatkan pengambilan perbedaan kecil antara bilangan besar. Bergantung pada komputer
dan perangkat lunak , mungkin perlu menggunakan variabel presisi ganda dalam rutinitas
pemasangan.
6.6 ALTERNATIF METODE PILIHAN

Pada bagian ini kami mencoba untuk memecahkan masalah pemasangan garis lurus ke kumpulan
titik data dengan menggunakan kesalahan yang ditentukan dari perkiraan distribusi induk
daripada dari pengukuran, dan dengan langsung menerapkan statistik Poisson, lebih baik
daripada statistik Gaussian. Karena tidak mungkin mendapatkan sekumpulan persamaan linier
independen untuk parameter dengan kondisi ini, ekspresi eksplisit untuk parameter a dan b tidak
dapat diperoleh. Namun, dengan komputer yang cepat, memecahkan masalah yang dipimpin
oleh kudeta , persamaan nonlinier tidaklah sulit, meskipun kejelasan dan keanggunan metode
kuadrat terkecil secara langsung dapat hilang.
Ketidakpastian Poisson
Hasilnya adalah sepasang persamaan simultan yang dapat diselesaikan untuk a dan b:
Kemungkinan Poisson
Selanjutnya, mari kita ganti probabilitas Gaussian P (a, b) dari Persamaan (6.8) dengan
probabilitas yang sesuai untuk mengamati hitungan dari distribusi Poisson dengan mean μi=y(xi)

dan menerapkan metode kemungkinan maksimum untuk probabilitas ini . Lebih mudah dan
setara untuk memaksimalkan logaritma natural dari probabilitas sehubungan dengan masing-
masing parameter a dan b:

di mana suku konstanta tidak bergantung pada parameter a dan b. Hasil dari mengambil turunan
parsial dari Persamaan (6.26) adalah sepasang persamaan simultan yang mirip dengan
Persamaan (6.24)

tetapi dengan sedikit penekanan pada penyesuaian nilai yi yang lebih besar.

GAMBAR 6.3
Least-square fit dari garis lurus ke data dengan tiga metode berbeda. (i) Metode kuadrat-
terkecil standar dengan statistik Gaussian dan ketidakpastian eksperimental; (ii) statistik
Gaussian dan ketidakpastian analitik; (iii) Statistik Poisson dan ketidakpastian analitik .
Kesalahan analitik dinyatakan sebagai σ i2= a + bxi
TABEL 6.3
Perbandingan kesesuaian dengan pemilihan data statistik dari Contoh 6.2 untuk tiga metode
pemasangan yang berbeda

Catatan :(1)standar metode kuadrat terakhir dengan statistk Gaussian dan ketidakpaastian
eksperimen (2).statistik Gausian dan ketidakpastian analitik; (3) Statistik Poisson dan
ketidakpastian analitik. Ketidakpastian analitik dinyatakan sebagai σ 2 = a + bx i

Secara umum, bagaimanapun, kesederhanaan metode kuadrat terkecil dan kesulitan

menyelesaikan persamaan yang dihasilkan dari metode lain, terutama dengan fungsi pemasangan
yang lebih rumit, mengarahkan kita untuk memilih metode standar kuadrat terkecil untuk
sebagian besar masalah. Kami membuat dua asumsi berikut untuk menyederhanakan
penghitungan:
1. Bentuk distribusi Poisson individu yang mengatur fluktuasi dalam pengamatan hampir
Gaussian.
2. Ketidakpastian dalam observasi dapat diperoleh dari ketidakpastian dalam data dan dapat
didekati dengan untuk hubungan statistik yang tidak pasti .
LATIHAN
1. Paskan data pada Contoh 6.2 seolah-olah semua data memiliki ketidakpastian yang sama
σ i = σ́ = 18,5, di mana adalah rata-rata dari nilai σ yang diberikan. Perhatikan bahwa
parameter yang dipasang tidak bergantung pada nilai σ , tetapi nilai X2 ,σ a dan σ b
2. Turunkan Persamaan (6.23) dari Persamaan (6.21) dan (6.22).
3. Tunjukkan bahwa Persamaan (6.12) tereduksi menjadi Persamaan (6.13) jika σ i =σ
4. Turunkan rumus untuk membuat kesesuaian linier dengan data dengan intersep di
asalnya sehingga y = bx. Terapkan metode Anda untuk menyesuaikan garis lurus melalui
titik asal ke pasangan koordinat berikut.Asumsikan ketidakpastian seragam = 1,5 di y i.
Temukan X2untuk kecocokan dan ketidakpastian di b.

5. Seorang siswa menggantung massa pada pegas dan mengukur ekstensi pegas sebagai
fungsi dari gaya yang diterapkan untuk mencari konstanta pegas k. Pengukurannya
adalah:
Massa (kg) 200 300 400 500 600 700 800 90
0
Ekstensi (cm) 5.1 5.5 5.9 6.8 7.4 7.5 8.6 9.
4
Ada ketidakpastian 0,2 di setiap pengukuran . Ketidakpastian dalam massa dapat
diabaikan. Untuk pegas yang sempurna, ekstensi ∆L pegas akan dikaitkan dengan gaya
yang diterapkan dengan hubungan k∆L = F, di mana F = mg, dan ∆L = L – L0 dan Lo
adalah panjang pegas yang tidak teregang. Gunakan data ini dan metode kuadrat terkecil
untuk mencari konstanta pegas k, panjang pegas L0 yang tidak teregang, dan
ketidakpastiannya. Temukan X2 untuk kecocokan dan probabilitas terkait.
6. Buat garis besar prosedur untuk menyelesaikan Persamaan simultan (6.27). Lihat
Lampiran A.
7. Seorang siswa mengukur suhu (T) air dalam labu berinsulasi pada waktu (t)

Hitung
suhu rata-rata dan kesalahan standarnya.
(a) Untuk menguji apakah air mendingin atau tidak, buat grafik dari suhu versus waktu dan
buat kotak-terkecil yang sesuai dari garis lurus ke data. Apakah ada kemiringan yang
signifikan secara statistik pada grafik?
(b) Perhatikan bahwa titik potong tidak identik dengan nilai rata-rata suhu yang Anda
hitung di bagian (a). Sekarang, geser koordinat waktu sebanyak 4 detik sehingga waktu
 rata-rata adalah 0. Pasang kembali data dengan nilai baru T. Apakah titik potong
sekarang identik dengan nilai rata-rata T?
(c) Jelasnya, hasil percobaan ini tidak dapat bergantung pada waktu pengukuran dilakukan.
Tunjukkan bahwa, jika nilai rata-rata x sama dengan nol, maka intersep b yang dihitung
dari Persamaan (6.13) identik dengan nilai rata-rata y.