RINGKASAN FISIKA RADIASI

PROBABILITAS DAN STATISTIK

Oleh :
Nama : Ni Luh Emy Pramitha
NIM : 2108521008

PROGRAM STUDI FISIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
2023
PENDAHULUAN
Analisis kesalahan adalah landasan dari semua penelitian, penyajian data dalam bentuk
gambar melibatkan ketidakpastian dan membutuhkan analisis statistik. Statistik adalah studi
tentang aturan probabilitas dan aplikasinya. Peristiwa acak adalah peristiwa dimana hasilnya
tidak pasti dan hanya dapat diprediksi dengan aturan probabilitas yang berlaku.

SIFAT KESALAHAN
Kesalahan pengukuran adalah perbedaan antara nilai terukur dan “nilai sebenarnya
untuk variabel yang diukur. Terdapat dua kategori error yaitu error determinate dan error tak
tentu. Kesalahan tak tentu adalah kesalahan yang tidak dapat dikurangi dengan menghilangkan
atau mengoreksi factor lain biasanya disebabkan oleh ketidakpastian mendasar dalam variabel
yang diukur dan dalam proses memperoleh dan menampilkan pengukuran.
Ketepatan rangkaian pengukuran menggambarkan rentang atau penyebaran
pengukuran individual dari nilai rata-rata rangkaian tersebut. Untuk meningkatkan akurasi hasil
eksperimen, pengaruh kesalahan tentu dan tak tentu harus dikurangi. Kontribusi kesalahan
determinan untuk pengurangan akurasi dari satu set pengukuran disebut bias pengukuran.

DISTRIBUSI PROBABILITAS
Histogram yang diplot sebagai frekuensi atau fraksi waktu setiap pengukuran diamati
memberikan probabilitas bahwa setiap nilai tertentu akan diukur jika percobaan diulang.
Namun jika sumber kesalahan tak tentu diketahui, pilihan dapat dibuat diantara berbagai
distribusi probabilitas teoritis yang sifat-sifatnya digambarkan dengan analisis matematis.
1. Distribusi Poison
Simon Denis Poisson (1781-1840) adalah seorang matematikawan Prancis yang mulai
belajar sebagai dokter tetapi beralih ke matematika setelah salah satu pasiennya meninggal.
Distribusi Poisson dikatakan sebagai distribusi diskrit karena mungkin hanya berisi 0 atau
bilangan bulat positif.
Bentuk persamaan Distribusi Poisson yaitu
𝑟 𝑒
𝑃 =
𝑛!
𝑃 = Probabilitas untuk mendapatkan hitungan n
r = rata-rata hitungan sebenarnya untuk sampel
n! = [(𝑛)(𝑛 − 1)(𝑛 − 2) … (2)(1)]
probabilitas 𝑃 disebut densitas probabilitas Poisson dan peluruhan radioaktif dikatakan
mengikuti hukum probabilitas Poisson dan peluruhan radioaktif dikatakan mengikuti hukum
probabilitas Poisson.

2. Distribusi Normal
Distribusi Gaussian (Normal) adalah distribusi simetris berbentuk lonceng yang
dicirikan oleh dua nilai rata-rata dari sekumpulan pengukuran dan standar deviasi dari
pengukuran. Property distribusi Gaussian meliputi distribusinya kontinu dan simetris, dengan
kedua memanjang hingga tak terhingga, rata-rata aritmatika, median, dan modus identic,
kemungkinan terjadinya nilai tertentu tergantung pada jaraknya dari nilai rata-rata dan standar
deviasi diwakili oleh jarak dari nilai rata-rata ke titik belok kurva distribusi.

Persamaan untuk kerapatan probabilitas Gaussian 𝑔 adalah

1 ( )
𝑔 = 𝑒 /2𝑟
√2𝜋𝑟
Dimana 𝑔 adalah probabilitas mengamati hitungan n ketika hitungan sebenarnya
(diperkirakan sebagai hitungan rata-rata) adalah r.
SINYAL DAN KEBISINGAN
Banyak tantangan sistem pencitraan dapat direduksi menjadi masalah sederhana dalam
mendeteksi sinyal dengan latar belakang kebisingan.

Arus dalam kabel yang diplot sebagai fungsi waktu menghadisilkan grafik seperti yang
ditunjukkan diatas dimana terdapat fluktuasi atau kebisingan setiap saat. Arus I diukur pada
tiga waktu berbeda t1, t2 dan t3. Jika kebisingan benar-benar acak, maka tidak dapat dikatakan
dengan pasti bahwa arus i1, i2, dan i3 adalah sinyal daripada sekadar fluktuasi arus latar
belakang, tidak peduli seberapa berbeda levelnya.
Pendekatan pertama adalah menyatakan probabilitas bahwa arus i1, i2 dan i3 berbeda dari latar
belakang i0. Persamaannya yaitu
𝑖
𝑅𝑎𝑠𝑖𝑜 𝑠𝑖𝑛𝑦𝑎𝑙 𝑘𝑒 𝑙𝑎𝑡𝑎𝑟 𝑏𝑒𝑙𝑎𝑘𝑎𝑛𝑔 =
𝑖
Pendekatan kedua untuk pemisahan sinyal dan latar belakang adalah menentukan terlebih
dahulu bahwa kelipatan latar belakang akan diterima sebagai sinyal. Persamaannya yaitu
𝑖
𝑅𝑎𝑠𝑖𝑜 𝑠𝑖𝑔𝑛𝑎𝑙 − 𝑡𝑜 − 𝑛𝑜𝑖𝑠𝑒 =
𝜎

METODE UNTUK MENJELASKAN DISTRIBUSI PROBABILITAS

1. Mean
Mean adalah hasil yang diperoleh dengan menjumlahkan semua nilai terukur dan
membaginya dengan jumlah nilai. Mean adalah rata-rata aritmatika dari nilai terukur.
Biasanya, rata-rata dimaksudkan ketika istilah “rata-rata” atau “nilai rata-rata” digunakan.
2. Median
Ketika nilai ditempatkan dalam urutan besaran (dari yang terkecil ke yang terbesar),
median adalah nilai pusatnya yang berarti setengah dari nilai lebih besar dari median dan
setengahnya lebih kecil.
3. Modus
Modus adalah nilai yang paling sering muncul dalam sekumpulan data
4. Standar Deviasi
Standar deviasi untuk serangkaian pengukuran menggambarkan presisi atau
reproduktivitas pengukuran. Jika serangkaian pengukuran didistribusikan menurut distribusi
probabilitas Poisson, maka standar deviasinya adalah
𝜎= 𝑟
𝑟 = rata-rata nilai sebenarnya untuk deret tersebut
Jika rata-rata sebenarnya diperkirakan sebagai nilai rata-rata r untuk serangkaian pengukuran,
maka standar deviasinya adalah
𝜎 = √𝑟
- Standar Deviasi yang Ditaksir dari Rata-Rata Sampel
Jika serangkaian pengukuran diperoleh dan nilai rata-rata ditentukan, standar deviasi dapat
diperkirakan dengan mengambil akar kuadrat dari estimasi rata-rata.
- Standar Deviasi Serangkaian Pengukuran
Serangkaian pengukuran kuantitas yang dikenal sebagai standar deviasi sampel dapat
dibangun dengan simpangan baku sampel adalah

∑ (𝑥 − 𝑟)
𝜎 =
𝑁−1
Dimana N adalah pengukuran variabel yang dibuat. Pengukuran individu menghasilakn
nilai x1, missal diambil nilai 1, 2, 3, …, N. Nilai x1 adalah pengukuran pertama, x2 adalah
pengukuran kedua, dan seterusnya. Nilai rata-rata sampel adalah r. kuantitasnya
∑ (𝑥 − 𝑟)
𝑁−1
Semakin dekat distribusi sampel mendekati distribusi Poisson yang sebenarnya, semakin
dekat standar deviasi sampel sama dengan akar kuadrat dari rata-rata sampel.

PROPAGASI KESALAHAN
Variabel harus dikelola sesuai dengan model statistic yang sesuai. Misalnya, hitungan
yang diukur dalam eksperimen peluruhan nuklir memiliki distribusi Poisson dan dapat
diasumsikan bahwa standar deviasi sama dengan akar kuadrat rata-rata. Jika semua nilai data
xi dibagi dengan waktu pencacahan t1, maka rata-rata sampel r juga dibagi dengan t dan standar
deviasi suatu laju cacah adalah
 𝑥 𝑟
∑
𝜎 = 𝑡 −𝑡
𝑁−1

1 ∑ (𝑥 − 𝑟)
=
𝑡 𝑁−1

1 ∑ (𝑥 − 𝑟)
=
𝑡 𝑁−1
1
= 𝜎
𝑡

METODE LAIN UNTUK MENJELASKAN PRESISI

Selain standar deviasi, sejumlah metode lain dapat digunakan untuk menjelaskan
ketepatan data. Di standar deviasi kesalahan 9/10 dapat digunakan untuk menggambarkan
ketepatan data. Probabilitasnya adalah 0,1 bahwa setiap pengukuran tertentu akan berbeda dari
rata-rata sebenarnya dengan jumlah yang lebih besar daripada kesalahan 9/10. Kesalahan
95/100 serupa dengan kesalahan 9/10, kecuali probabilitasnya adalah 0,05 bahwa perbedaan
antara pengukuran tertentu dan rata-rata sebenarnya lebih besar daripada kesalahan 95/100.
Batas kepercayaan dapat digunakan untuk memperikirakan ketepatan angka ketika pengukuran
berulang tidak dilakukan.

- STANDAR DEVIASI PECAHAN

Misalnya untuk angka 10.000 adalah 100 dan standar deviasi pecahan adalah
100/10.000 = 0,01. Contoh tersebut artinya %𝜎 = 1. Standar deviasi persen dari tingkat
hitungan adalah

1
%𝜎 = 100
𝑐𝑡

Dimana c adalah laju hitungan rata-rata yang diukur selama waktu t.

- STANDAR DEVIASI MEAN

Standar deviasi rata-rata 𝜎 menghasilkan estimasi presisi rata-rata dari sekumpulan
pengukuran. Untuk N pengukuran individu yang merupakan rata-rata 𝜎 = 𝜎 /√𝑁,
dimana 𝜎 adalah standar deviasi dari masing-masing pengukuran. Standar deviasi rata-
rata tidak boleh disamakan dengan standar deviasi dari sekumpulan data.
UJI STATISTIK TERPILIH
1. Uji-t Student
Uji-t Student adalah metode untuk menguji signifikansi perbedaan antara dua pengukuran
atau dua set pengukuran. Nilai-t untuk selisih antara dua pengukuran n1 dan n2 adalah
|𝑛 − 𝑛 |
𝑛𝑖𝑙𝑎𝑖 − 𝑡 =
𝜎 +𝜎
Dimana 𝜎 dan 𝜎 adalah standar deviasi untuk pengukuran 𝑛 dan 𝑛 menunjukkan
bahwa nilai absolut atau positif dari selisih yang digunakan untuk perhitungan.
2. Uji Chi-Square (𝛘𝟐 )
Uji Chi-Square digunakan untuk menentukan kecocokan data terukur dengan fungsi
kepadatan probabilitas. Dari serangkaian pengukuran berulang, nilai χ dapat dihitung

1
χ = (𝑥 − 𝑟)
𝑟

Dimana 𝑥 mewakili masing-masing N pengukuran individu dan r adalah rata-rata

sampel. Dan keduanya terkait dengan persamaan :
(𝑁 − 1)𝜎
χ =
𝑟
Jika variabel yang diukur memiliki distribusi Poisson, maka simpangan baku sampel s
harus mendekati akar pangkat dua dari rata-rata r sampel. Jika itu benar, maka
persamaan diatas menunjukkan bahwa 𝜎 sama dengan (N-1) atau satu kurang dari titik
data. Dari nilai 𝜎 yang dihitung, jumlah derajat kebebasan, dan data pada tabel,
probabilitas p dapat ditentukan. Nilai p kurang dari 0,05 menunjukkan bahwa data
didistribusikan pada rentang nilai yang lebih luas daripada yang diharapkan untuk
distribusi Poisson.