Nama : Bella Ayu Ningsih

Nim : 21302241020

Kelas : Pendidikan fisika C

Dosen : Agus Purwanta S.Si.,M.Sc

BAB IV

ANALISIS STATISTIK KETIDAKPASTIAN ACAK

Tidak semua jenis ketidakpastian eksperimental bisa dinilai dengan analisis statistik
berdasarkan pengukuran berulang. Ketidakpastian diklasifikasikan menjadi 2 kelompok yaitu:

1. Ketidakpastian acak (yang dapat diperlakukan secara statistik dan logis)

2. Ketidakpastian sistematis (yang tidak dapat diperlakukan secara statistik dan logis)

Pada bab 4 ini akan dijelaskan tentang:

4.1 ketidakpastian acak

4.2 dua definisi penting terkait nilai ukur

4.3 contoh penggunaan standar devisiasi

4.4 gagasan penting tentang standar deviasi

4.5 contoh standar deviasi

4.6 kesalahan sistematis

Perlu diketahui, pada bab 4 ini dengan bab 3 (propagasi kesalahan) saling berhubungan. Kedua
topik ini perlu dikuasai, karena sebagian besar eksperimen memerlukan penggunaan keduanya.

4.1 Kesalahan Acak Dan Sistematis

Kesalahan acak adalah ketidakpastian eksperimental yang dapat diungkapkan dengan

mengulangi pengukuran. Sedangkan kesalahan sistematis adalah ketikdakpastian
eksperimental yang tidak dapat diungkapkan dengan mengulangi pengukuran. Untuk
mengilustrasikan perbedaan kesalahan acak dan kesalahan sistematis, disertakan contoh
sebagai berikut:

Misalkan dulu kita waktu revolusi meja putar yang terus berputar. Salah satu sumber kesalahan
adalah kita waktu reaksi dalam memulai dan menghentikan arloji, ika waktu reaksi kita selalu
persis sama, kedua penundaan ini akan membatalkan satu sama lain. Namun dalam praktiknya,
waktu reaksi kita akan bervariasi, kita mungkin menunda lebih banyak dalam memulai dan
meremehkan waktu revolusi atau kita mungkin menunda lebih banyak dalam berhenti dan
melebih-lebihkan waktu. Karena salah satu kemungkinan memiliki kemungkinan yang sama,
tanda efeknya adalah acak. Jika kita mengulangi pengukuran beberapa kali, terkadang kita akan
melebih-lebihkan dan terkadang meremehkan. Dengan demikian, waktu reaksi variabel kita
akan muncul sebagai variabel tion dari jawaban yang ditemukan. Dengan menganalisis spread
dalam hasil secara statistik, kita dapat dapatkan perkiraan yang sangat andal untuk kesalahan
semacam ini. Di sisi lain, jika stopwatch kita berjalan lambat secara konsisten, maka semua
kali akan diremehkan, dan tidak ada jumlah pengulangan (dengan jam yang sama) akan
mengungkapkan sumber kesalahan ini. Kesalahan semacam ini disebut sistematis, karena
selalu mendorong hasil kami ke arah yang sama. (Jika arloji berjalan lambat, kami selalu
meremehkan jika arloji berjalan cepat, kami selalu melebih-lebihkan.) Kesalahan sistematis
tidak dapat ditemukan dengan jenis analisis statistik yang dimaksudkan di sini. Perbedaan antar
kesalahan acak dan sistematis tidak selalu jelas, ketidakpastian sistematis biasanya sulit untuk
dievaluasi bahkan terdeteksi.

4.2 Rata-Rata Dan Standar Deviasi

Rata-rata adalah jumlah keseluruhan data dibagi banyaknya data. Misalnya sebagai contoh
terdapat data sebagai berikut:

(71, 72, 72, 73, 71)

Maka untuk menghitung rata-rata data tersebut adalah dengan cara menjumlahkan semua data
tersebut kemudian membaginya dengan banyak nya data.

𝑋𝑏𝑒𝑠𝑡 = 𝑥̅

71+72+72+73+71
𝑋𝑏𝑒𝑠𝑡 = = 71,8 maka dapat diperoleh hasil rata-rata data tersebut adalah 71,8.
5

Estimasi terbaik untuk x biasanya rata-rata dari 𝑥1,...𝑥𝑁 . adalah 𝑋𝑏𝑒𝑠𝑡 = 𝑥̅ .

 𝑥1+ 𝑥2+⋯+ 𝑥𝑁
Dimana, 𝑥̅ = 𝑁

∑ 𝑥𝑖
=
𝑁

Kemudian Standar Deviasi pengukuran 𝑥1,...𝑥𝑁 . adalah perkiraan ketidakpastian rata-rata dari
pengukuran 𝑥1,...𝑥𝑁 . mengingat bahwa rata-rata X adalah perkiraan terbaik dari kuantitas X,
wajar untuk mempertimbangkan perbedaan x.X = d. Selisish ini biasa disebut devisiasi atau
sisa. Bisa juga dituliskan sebagai penyimpangan d = x.X .

Cara terbaik untuk menghindari gangguan ini adalah dengan menyamakan semua
penyimpangan, yang akan buat satu set angka positif , lalu rata-ratakan angka-angka ini. 2 Jika
kita ambil akar kuadrat dari hasilnya, kita memperoleh suatu besaran dengan satuan yang sama
dengan x itu sendiri. Bilangan ini disebut simpangan baku dari x 1, ... , xN, dan dinotasikan ux:

𝑁 𝑁
1 1
𝜎𝑥 = √ ∑(𝑑𝑖)2 = √ ∑(𝑥𝑖 − ̅̅̅
𝑥)2
𝑁 𝑁
𝑖=1 𝑖=1

engan definisi ini, standar deviasi dapat digambarkan sebagai akar rata-rata kuadrat deviasi dari
pengukuran𝑥1,... 𝑥𝑁 . . Ini terbukti menjadi cara yang bermanfaat untuk mengkarakterisasi
keandalan pengukuran. Agar lebih memahami mengenai penyimpangan disertakan contoh
sebagai berikut:

Nomor percobaan Nilai yang terukur Deviasi ( 𝑑𝑖=𝑥𝑖 −𝑥̅ ) Kuadrat deviasi 𝑑𝑖 2
1 71 -0.8 0.64
2 72 0.2 0.04
3 72 0.2 0.04
4 73 1.2 1.44
5 71 -0.8 0.64

∑ 𝑥𝑖 = 359

∑ 𝑑𝑖 = 0.0

∑ 𝑑𝑖 2 = 2.80
 359
𝑥= = 71.8
5

Menjumlahkan bilangan 𝑑𝑖 2 pada kolom ke 4 tabel 4.2 dan membaginya dengan 5, diperoleh
kuantitas 𝜎𝑥 2 ( sering disebut varian laporan ).

4.3 Standar Deviasi Sebagai Ketidakpastian dalam Satu Pengukuran

standar deviasi adalah statistik yang mengukur penyebaran kumpulan data relatif terhadap rata-
rata dan dihitung sebagai akar kuadrat dari varians. Simpangan baku dihitung sebagai akar
kuadrat dari varian dengan menentukan simpangan setiap titik data relatif terhadap rata-rata.

Dan perlu diketahui klaim bahwa sumbu standar deviasi mencirikan ketidakpastian rata-rata
dari pengukuran 𝑥1,... 𝑥𝑁 . dari mana ia dihitung. Jika kita mengukur kuantitas yang sama x
berkali-kali, selalu menggunakan metode yang sama, dan jika semua sumber ketidakpastian
kecil dan acak, maka hasil Anda akan didistribusikan sekitar nilai sebenarnya xtrue sesuai
dengan apa yang disebut normal, atau berbentuk lonceng, melengkung. Secara khusus, sekitar
68% dari hasil Anda 3 akan jatuh dalam jarak kapak di kedua sisi Xirue; yaitu, 68% pengukuran
Anda akan berada dalam kisaran tersebut 𝑥𝑡𝑟𝑢𝑒 ± 𝜎𝑥′

Dengan kata lain, jika Anda melakukan pengukuran tunggal (menggunakan metode yang
sama), probabilitas adalah 68% yang hasilnya Anda akan berada dalam 𝜎𝑥 dari nilai yang benar.
Jadi, kita dapat mengadopsi kapak berarti persis apa yang telah kita sebut "ketidakpastian."
Jika Anda membuat satu pengukuran x, ketidakpastian yang terkait dengan pengukuran ini
dapat diambil untuk menjadi

𝛿𝑥 = 𝜎𝑥

dengan pilihan ini, Anda dapat 68% yakin bahwa pengukuran berada dalam 𝛿𝑥 dari jawaban
yang benar.

Untuk mengilustrasikan ide-ide ini secara numerik, kita dapat membayangkan membuat 10
pengukuran pada pegas pertama dan memperoleh nilai terukur berikut dari k (dalam
newton/meter):

86, 85, 84, 89, 85, 89, 87, 85, 82, 85.

Dari nilai-nilai ini, kita dapat menghitung 𝑘̅ = 85.7 N/m dan menggunakan definisi (4.9),
 𝜎𝑘 = 2.16 N/m ≈ 2 N/m.

Oleh karena itu, ketidakpastian dalam satu pengukuran k kira-kira 2 N/m. Jika kita sekarang
mengukur pegas kedua sekali dan mendapatkan jawaban k = 71 N/m, kita dapat tanpa basa-
basi ambil 𝛿𝑘 = 𝜎𝑘 = 2 N/m dan nyatakan dengan keyakinan 68% bahwa k terletak dalam
jangkauan

(k untuk musim semi kedua) 71 ± 2 N/m.

4.4 Standar Deviasi Mean

Simpangan rata-rata (deviasi mean) adalah rata-rata jarak antara nilai-nilai data menuju rata-
ratanya. Simpangan rata-rata termasuk ke dalam ukuran penyebaran data seperti halnya varian
dan standar deviasi. Kegunaannya adalah untuk mengetahui seberapa jauh nilai data
menyimpang dari rata-ratanya. Simpangan baku dari mean dapat dilambangkan 𝜎𝑥̅ :

𝜎𝑥̅ = 𝜎𝑥 /√𝑁

Sebagai contoh, kita dapat mempertimbangkan 10 pengukuran yang dilaporkan dalam (86, 85,
84, 89, 85, 89, 87, 85, 82, 85) dari konstanta pegas k dari satu pegas. Seperti yang kita lihat,
mean dari nilai-nilai ini adalah k = 85,7 N/m, dan simpangan bakunya adalah uk = 2,2 Nim.
Oleh karena itu, simpangan baku rata-ratanya adalah

𝜎𝑘̅ = 𝜎𝑘 /√10 = 0.7 N/m,

Dan jawaban terakhir, berdasarkan 10 pengukuran ini, adalah pegas memiliki

𝑘 = 85.7 ± 0.7 𝑁/𝑚

Ketika kita memberikan jawaban seperti ini, kita harus menyatakan dengan jelas apa angka
yaitu, rata-rata dan simpangan baku dari rata-rata-sehingga pembaca kita dapat menilai
signifikansi mereka untuk diri mereka sendiri. Fitur penting dari standar deviasi mean, 𝜎𝑥̅ =
𝜎𝑥 /√𝑁 adalah faktor √𝑁 dalam penyebut.

4.5 Contoh

Pada bagian ini akan dibahas contoh eksperimen sederhana yang menggunakan ide dari tiga
bagian terakhir.
Contoh: Luas Persegi Panjang

Sebagai aplikasi sederhana pertama dari standar deviasi mean, bayangkan kita harus mengukur
dengan sangat akurat luas A dari pelat persegi panjang sekitar 2,5 cm X 5 cm. Kita pertama-
tama menemukan alat pengukur terbaik yang tersedia, yang mungkin berupa: vernier caliper,
dan kemudian membuat beberapa pengukuran panjang l dan lebar b dari piring. Untuk
memungkinkan ketidakteraturan di sisi, kita melakukan pengukuran di beberapa posisi
berbeda, dan untuk memungkinkan cacat kecil pada instrumen, kita menggunakan beberapa
kaliper yang berbeda (jika tersedia). Kita mungkin membuat 10 pengukuran masing-masing l
dan b dan memperoleh hasil yang ditunjukkan pada Tabel 4.3.

Tabel 4.3. Panjang dan lebar (dalam mm).

Nilai terukur mean SD SDOM

𝐼 ̅ 24.245
24.25, 24.26, 24.22, 24.28, 𝐼 = 𝜎𝑖 = 0.019 𝜎𝐼 ̅ = 0.006
24.24 24.25, 24.22, 24.26,
24.23, 24.24
𝑏 50.36, 50.35, 50.41, 50.37, 𝑏̅ = 50.368 𝜎𝑏 = 0.024 𝜎𝑏̅ = 0.008
50.36 50.32, 50.39, 50.38,
50.36, 50.38

Menggunakan 10 nilai-nilai yang diamati dari l, Anda dapat dengan cepat menghitung mean 𝑖̅,
yang simpangan baku 𝜎𝑏̅ , dan simpangan baku rata-rata 𝜎𝐼 ̅ , seperti yang ditunjukkan pada
kolom berlabel mean, SD, dan SDOM. Dengan cara yang sama Anda dapat menghitung b, 𝜎𝑏̅ ,
dan salah;. Sebelum melakukan perhitungan lebih lanjut, Anda harus memeriksa hasil ini untuk
melihat apakah mereka tampak masuk akal. Sebagai contoh, dua simpangan baku 𝜎𝐼 ̅ dan
𝜎𝑏̅ adalah seharusnya menjadi ketidakpastian rata-rata dalam pengukuran l dan b. Karena aku
dan b diukur dengan cara yang persis sama, 𝜎𝐼 ̅ dan 𝜎𝑏̅ seharusnya tidak berbeda secara
signifikan dari satu sama lain atau dari apa yang kita nilai sebagai ketidakpastian yang masuk
akal untuk pengukuran. Setelah meyakinkan diri sendiri bahwa hasilnya sejauh ini masuk akal,
Anda bisa cepat menyelesaikan perhitungan. Estimasi terbaik untuk panjangnya adalah mean
7 dan ketidakpastiannya adalah SDOM 𝜎𝐼 ̅ jadi nilai akhir untuk l adalah
𝐼 = 24.245 ± 0.006 mm (atau 0.025%)

Angka dalam kurung adalah presentase ketidakpastian. Demikian pula, nilai b adalah

𝑏 = 50.368 ± 0.008 mm (atau 0.016%)

Akhirnya, estimasi terbaik untuk luas 𝐴 = 𝐼𝑏 adalah hasil kali dari nilai-nilai ini, dengan a
ketidakpastian pecahan yang diberikan oleh jumlah kuadrat dari orang-orang di l dan b (dengan
asumsi kesalahan independent):

A = (24.245 mm ± 0.025%) X (50.368 mm ± 0.016%)

= 1221.17 mm2 ± 0.03%

= 1221.2 ± 0.04 mm2

Untuk sampai pada jawaban (4.18) untuk A, kami menghitung rata-rata 𝐼 ̅ dan 𝑏̅, masing-masing
dengan ketidakpastian yang sama dengan simpangan baku rata-ratanya. Kami kemudian
menghitung area A sebagai produk dari 𝐼̅ dan 𝑏̅ dan menemukan ketidakpastian dengan
propagasi kesalahan. Kami bisa saja melanjutkan dengan cara yang berbeda. Misalnya, kita
bisa melipatgandakan nilai terukur pertama dari l dengan nilai pertama b untuk memberikan
jawaban pertama untuk A. Melanjutkan cara ini kita bisa menghitung 10 jawaban untuk A dan
kemudian memiliki melakukan 10 jawaban ini untuk analisis statistik, menghitung 𝐴̅,𝜎𝐴 dan
akhirnya 𝜎𝐴̅ · Jika, bagaimanapun, kesalahan dalam l dan b adalah independen dan acak, dan
jika kita membuat pengukuran yang cukup, prosedur alternatif ini akan menghasilkan hasil
yang sama dengan pertama.

4.6 Kesalahan Sistematis

Kesalahan Sistematis adalah kesalahan yang berasal dari pengaruh-pengaruh yang dapat
diketahui dengan pasti atau ditimbulkan oleh adanya faktor tetap yang mengakibatkan hasil
pengujian cenderung lebih tinggi atau lebih rendah dari nilai sebenarnya. Tidak ada teori
sederhana yang memberi tahu kita apa yang harus dilakukan tentang kesalahan sistematis.
Faktanya, satu-satunya teori kesalahan sistematis adalah bahwa mereka harus diidentifikasi dan
dikurangi sampai mereka kurang dari presisi yang dibutuhkan. Namun, di laboratorium
pengajaran, tujuan ini seringkali tidak dapat dicapai. Siswa sering tidak dapat memeriksa
meteran dengan meteran yang lebih baik untuk diperbaiki, apalagi beli meteran baru untuk
mengganti meteran yang kurang memadai. Untuk alasan ini, beberapa laboratorium pengajaran
menetapkan aturan bahwa, jika tidak ada yang lebih spesifik, informasi, meter harus dianggap
memiliki beberapa ketidakpastian sistematis yang pasti kotor. Misalnya, keputusannya
mungkin bahwa semua stopwatch memiliki hingga 0,5% ketidakpastian sistematis, semua
saldo hingga 1 %, semua voltmeter dan amperemeter hingga 3%, dan seterusnya.

Untuk mengetahui kesalahan sistematis hal pertama yang harus dieriksa adalah kemungkinan
bahwa kita benar-benar melalukan kesalahan dalam menghitung gbest atau salah satu
ketidakpastian atau 𝛿𝑔𝑟𝑎𝑛 dan 𝛿𝑔𝑠𝑦𝑠 .

Perlu diketahui hal yang mempersulit dalam pencarian kesalahan sistematis diantaranya:

1. Mungkin salah satu meter Anda memiliki kesalahan sistematis yang lebih besar
daripada yang Anda miliki sebelumnya.
2. Kemungkinan penyebab lain dari kesalahan sistematis adalah Anda menggunakan
kesalahan nilai untuk beberapa parameter yang diperlukan dalam perhitungan Anda.
3. Jauh lebih sulit untuk dianalisis adalah kemungkinan cacat dalam desain percobaan.

BAB V

DISTRIBUSI NORMAL

Masalah pertama dalam membahas pengukuran yang diulang berkali-kali adalah menemukan
cara menangani dan menampilkan nilai yang diperoleh. Salah satu metode yang mudah adalah
dengan menggunakan distribusi atau histogram. Distribusi normal atau distribusi gauss
merupakan distribusi pembatas dari hasil untuk setiap pengukuran tunduk pada banyak
kesalahan acak kecil.

5.1 Histogram dan Distribusi

Histogram adalah tampilan grafis dari tabulasi frekuensi yang digambarkan dengan grafis
batangan sebagai manisfestasi data binning.
Contoh gambar 5.1 histogram batang:

Histogram seperti pada Gambar 5.1 dapat disebut histogram batang karena distribusi hasil
ditunjukkan oleh ketinggian batang vertikal di atas xk. Jenis histogram ini sesuai bila nilai xk
ditempatkan dengan rapi, dengan nilai bilangan bulat. (Misalnya, nilai siswa pada ujian
biasanya bilangan bulat dan ditampilkan dengan mudah menggunakan histogram batang.)
Sebagian besar pengukuran, jangan memberikan hasil bilangan bulat yang rapi karena sebagian
besar kuantitas fisik memiliki rentang nilai yang mungkin terus menerus. Misalnya, daripada
10 panjang reporting dalam Persamaan (5.1), kita jauh lebih mungkin untuk mendapatkan 10
nilai seperti

26.4, 23.9, 25.1, 24.6, 22.7, 23.8, 25.1, 23.9, 25.3, 25.4. (5.9)

Histogram batang dari 10 nilai ini akan terdiri dari 10 batang terpisah, semuanya sama tinggi,
dan akan menyampaikan informasi yang relatif sedikit. Pengukuran yang diberikan seperti
yang ada di (5.9), jalan terbaik adalah membagi rentang nilai menjadi nyaman jumlah interval
atau "tempat sampah", dan untuk menghitung berapa banyak nilai yang masuk ke dalam setiap
"tempat sampah". Misalnya, kita dapat menghitung jumlah pengukuran (5,9) antara x = 22 dan
23, antara x = 23 dan 24, dan seterusnya.

Dalam histogram bin, luas 𝑓𝑘 ∆𝑘 dari persegi panjang 𝑘 𝑡ℎ adalah sama signifikansi sebagai
tinggi 𝑓𝑘 dari 𝑘 𝑡ℎ bar dalam histogram bar. Diperlukan kehati-hatian dalam memilih lebar ∆𝑘
bin untuk histogram. Jika tempat sampah dibuat terlalu lebar, maka semua bacaan (atau hampir
semua) akan jatuh satu bin, dan histogram akan menjadi persegi panjang tunggal yang tidak
menarik. Jika tempat sampah adalah dibuat terlalu sempit, maka beberapa dari mereka akan
berisi lebih dari satu bacaan, dan histogram akan terdiri dari banyak persegi panjang sempit
yang hampir semuanya sama tingginya.
Contoh gambar 5.2 histogram bin:

Histogram bin menunjukkan pecahan dari 10 pengukuran (5,9) dari x yang termasuk dalam
"tempat sampah" 22 hingga 23, 23 hingga 24, dan seterusnya. Luas persegi panjang di atas
setiap interval memberikan fraksi pengukuran yang termasuk dalam interval tersebut. Jadi, luas
persegi panjang yang diarsir adalah 0,3 menunjukkan bahwa 3/10 dari semua pengukuran
terletak antara 23 dan 24.

5.2 Membatasi Distribusi

Dalam kebanyakan eksperimen, dengan bertambahnya jumlah pengukuran, histogram mulai

mengambil bentuk sederhana yang pasti. Bentuk yang berkembang ini terlihat jelas pada
Gambar 5.3 dan 5.4, yang menunjukkan 100 dan 1.000 pengukuran dengan kuantitas yang
sama seperti pada Gambar 5.2. Setelah 100 pengukuran, histogram telah menjadi puncak
tunggal, yang kira-kira simetris. Setelah 1.000 pengukuran, kami dapat membagi dua ukuran
bin, dan histogram menjadi cukup halus dan teratur. Ketiga grafik ini menggambarkan sifat
penting dari sebagian besar pengukuran. Ketika jumlah pengukuran mendekati tak terhingga,
distribusinya mendekati beberapa kurva kontinu yang pasti. Ketika ini terjadi, kurva kontinu
disebut distribusi pembatas. 1 Jadi, untuk pengukuran Gambar 5.2 sampai dengan 5.4, batas
Gambar 5.3

Gambar 5.4

distribusi tampaknya dekat dengan kurva berbentuk lonceng simetris yang ditumpangkan pada
Gambar 5.4. Perhatikan bahwa distribusi pembatas adalah konstruksi teoretis yang tidak pernah
dapat diukur dengan sendirinya secara tepat. Semakin banyak pengukuran yang kami lakukan,
semakin dekat histogram kami mendekati distribusi pembatas. Tetapi hanya jika kita membuat
jumlah pengukuran yang tidak terbatas dan menggunakan wadah yang sangat sempit, kita akan
benar-benar mendapatkan distribusi pembatas itu sendiri. Namun demikian, ada alasan bagus
untuk percaya bahwa setiap pengukuran memang memiliki distribusi terbatas yang mendekati
histogram kami saat kami melakukan lebih banyak pengukuran.

Gambar 5.5

Daerah ini hanyalah integral tertentu dari f(x). Jadi, kita mendapatkan hasil penting bahwa J:
f(x) dx = pecahan pengukuran yang berada di antara x = a dan x = b. (5.11) Memahami arti
dari dua pernyataan (5.10) dan (5.11) itu penting. Keduanya memberi tahu kami fraksi
pengukuran yang diharapkan terletak pada beberapa interval setelah kami melakukan sejumlah
besar pengukuran. Cara lain, yang sangat berguna, untuk mengatakan ini adalah bahwa f(x) dx
adalah probabilitas bahwa pengukuran tunggal x akan memberikan jawaban antara x dan x +
dx,
𝑓(𝑥)𝑑𝑥 = probabilitas bahwa setiap pengukuran akan memberikan jawaban antara x dan x +
dx

𝑏
Demikian pula, integral ∫𝑎 𝑓(𝑥)𝑑𝑥 memberi tahu kita probabilitas bahwa setiap pengukuran
akan berada di antara x = a dan x = b. Kita telah sampai pada kesimpulan penting berikut: Jika
kita mengetahui distribusi pembatas f(x) untuk pengukuran besaran tertentu x dengan peralatan
tertentu, maka kita akan mengetahui peluang untuk memperoleh jawaban dalam interval apa
pun a ~ x ~ b . Karena probabilitas total untuk memperoleh jawaban di mana saja antara − ∞
dan + ∞harus satu, distribusi pembatas f(x) harus memenuhi.
∞
∫−∞ 𝑓(𝑥) 𝑑𝑥 = I.
Identitas ini adalah analog alami dari jumlah normalisasi (5.8), 2.kFk = 1, dan fungsi f(x) yang
memenuhi (5.13) dikatakan ternormalisasi.

Gambar 5.6

pengukuran adalah jumlah dari semua nilai xb yang berbeda masing-masing dibobot dengan
fraksi kali diperoleh:

𝑥̅ = ∑ 𝑋𝑘 𝐹𝑘
𝑘

Dalam kasus ini, kita memiliki sejumlah besar pengukuran dengan distribusi f(x). Jika kita
membagi seluruh rentang nilai menjadi interval kecil 𝑥𝑘 , 𝑥𝑘 + 𝑑𝑥𝑘 fraksi nilai dalam setiap
interval adalah 𝐹𝑘 = 𝑓(𝑥𝑘 )𝑑𝑥𝑘 dan dalam batas bahwa semua interval menuju nol, (5.14)
menjadi
∞
𝑥̅ = ∫−∞ 𝑥 𝑓(𝑥) 𝑑𝑥

Ingatlah bahwa rumus ini memberikan rata-rata x yang diharapkan setelah banyak percobaan.
Demikian pula, kita dapat menghitung simpangan baku crx yang diperoleh setelah banyak
pengukuran. Karena kita memperhatikan limit 𝑁 → ∞, tidak ada bedanya definisi 𝜎𝑥 mana
yang kita gunakan, yang asli (4.6) atau yang "ditingkatkan" (4.9) dengan N diganti dengan 𝑁 −
1. Dalam kedua kasus, ketika 𝑁 → ∞, 𝜎𝑥2 adalah rata-rata simpangan kuadrat (𝑥 − 𝑥̅ )2 Jadi,
persisnya argumen yang mengarah ke (5.15) memberikan, setelah banyak percobaan,
∞
𝜎𝑥2 = ∫ (𝑥 − 𝑥̅ )2 𝑓(𝑥)𝑑𝑥
−∞

5.3 Distribusi Normal

Distribusi normal atau distribusi gauss merupakan distribusi pembatas dari hasil untuk setiap
pengukuran tunduk pada banyak kesalahan acak kecil.

Berbagai jenis pengukuran memiliki distribusi pembatas yang berbeda. Tidak semua distribusi
pembatas memiliki bentuk lonceng simetris yang diilustrasikan pada :

Gambar 5.7

misalnya, distribusi binomial dan Poisson yang dibahas dalam Bab 10 dan 11 biasanya tidak
simetris.) Namun demikian, banyak pengukuran ditemukan memiliki kurva berbentuk lonceng
simetris untuk distribusi pembatasnya. Sebenarnya, saya akan membuktikan di Bab 10 bahwa
jika suatu pengukuran tunduk pada banyak sumber kesalahan acak yang kecil dan kesalahan
sistematis yang dapat diabaikan, nilai-nilai yang diukur akan didistribusikan sesuai dengan
kurva berbentuk lonceng dan kurva ini akan berpusat pada kurva yang benar. nilai x, seperti
pada Gambar 5.7. Di sisa bab ini, saya akan membatasi perhatian saya pada pengukuran dengan
properti ini.

Adapun rumus distribusi gauss atau normal yaitu

1 2/2𝜎2
𝐺𝑋,𝜎 (𝑥) = 𝜎 𝑒 (𝑥−𝑥)
√2𝜋

Rumus untuk menghitung integral untuk distribusi gauss yaitu:

 ∞
𝑥̅ = ∫ 𝑥𝐺𝑥,𝜎 (𝑥)𝑑𝑥
−∞
1 ∞ 2/2𝜎2 𝑑𝑥
= 𝜎
√2𝜋
∫−∞ 𝑥𝑒 −(𝑥−𝑋)

Jika kita mengubah variabel y = x - X, maka dx = dy dan x = y + X. Jadi integral (5.27)

menjadi dua suku,
∞ ∞
1 2/2𝜎2 2/2𝜎2
𝑥̅ = 𝜎 (∫ 𝑦𝑒 −𝑦 𝑑𝑦 + 𝑋 ∫ 𝑦𝑒 −𝑦 𝑑𝑦 )
√2𝜋 −∞ −∞

Integral pertama di sini tepat nol karena kontribusi dari sembarang titik y dibatalkan secara
tepat oleh kontribusi dari titik -y. Integral kedua adalah integral normalisasi yang ditemui pada
(5.22) dan memiliki nilai 𝜎√2𝜋 Integral ini dibatalkan dengan 𝜎√2𝜋 dalam penyebut dan
meninggalkan jawaban yang diharapkan bahwa
𝑥̅ = 𝑋

setelah banyak cobaan. Dengan kata lain, jika pengukuran didistribusikan menurut distribusi
Gauss 𝐺𝑋,𝜎 (𝑋), maka, setelah banyak percobaan, nilai rata-rata 𝑋̅ adalah nilai sebenarnya X,
di mana fungsi Gauss dipusatkan.
5.4 STANDAR DEVIASI SEBAGAI BATAS KEYAKINAN 68%
Distribusi pembatas f(x) digunakan untuk pengukuran beberapa kuantitas misalnya x
menjelaskan tentang probabilitas untuk mencari nilai x. suatu pengukuran akan terletak dalam
satu standar deviasi u dari nilai x sebenernya .
Rumus dari probabilitas yaitu sebagai berikut:
𝑋+𝜎
𝑝𝑟𝑜𝑏 (𝑑𝑒𝑛𝑔𝑎𝑛 𝜎) = ∫ 𝐺𝑋,𝜎 (𝑥)𝑑𝑥
𝑋−𝜎
𝑋+𝜎
1 2/2𝜎2
= 𝜎 ∫ 𝑒 −(𝑥−𝑋) 𝑑𝑥
√2𝜋 𝑋−𝜎
Perhatikan ilustrasi berikut:

Gambar 5.8

Daerah yang diarsir antara X ± u merupakan probabilitas dalam satu simpangan baku x. Jika
kita mengutip deviasi standar sebagai ketidakpastian kita dalam pengukuran seperti itu , maka
kita dapat yakin 68% bahwa kita berada di dalam u dari jawaban yang benar. Kita juga dapat
melihat pada Gambar 5.13 bahwa probabilitas Prob dengan cepat mendekati 100% saat t
meningkat. Untuk menempatkan hasil ini dengan cara lain, probabilitas bahwa pengukuran
akan berada di luar satu standar deviasi cukup , bahwa itu akan terletak di luar 2u jauh lebih
kecil , dan itu akan terletak di luar 3u adalah sangat kecil . Beberapa peneliti suka mengutip PE
sebagai ketidakpastian dalam pengukuran mereka.

5.5 Justifikasi Mean Sebagai Estimasi Terbaik

Tiga bagian terakhir telah membahas distribusi pembatas f, distribusi diperoleh dari jumlah tak
terbatas pengukuran kuantitas x. Sayangnya, kita tidak pernah mengetahui distribusi
pembatasnya. Jika pengukuran mengikuti distribusi normal 𝐺𝑋,𝜎 (𝑋) dan jika kita mengetahui
parameter X dan 𝜎, kita dapat menghitung probabilitas mendapatkan nilai 𝑋1 , … , 𝑋𝑁 , yang
sebenarnya diperoleh. Besaran Prob x,𝜎 adalah probabilitas untuk memperoleh hasil
𝑋1 , … , 𝑋𝑁 , dihitung dalam X dan 𝜎, nilai sebenarnya dari x dan parameter lebar distribusinya.
reli menganggap nilai baru 𝑋" 𝑑𝑎𝑛 𝜎" sebagai perkiraan yang lebih baik untuk X dan 𝜎.
Prosedur yang masuk akal untuk menemukan estimasi terbaik untuk X dan 𝜎 disebut dengan
ahli statistik prinsip kemungkinan maksimum.

Menemukan estimasi terbaik untuk 𝜎, lebar dari distribusi pembatas, adalah sedikit lebih
sulit, karena probabilitas adalah fungsi yang lebih rumit dari 𝜎. Kita harus bedakan terhadap a
dan atur turunannya sama dengan nol. Nilai sebenarnya dari 𝑋𝑖 tidak diketahui. Jadi, dalam
praktiknya, kita harus mengganti X pada dengan estimasi terbaik kami untuk X, yaitu mean x.
Lebar 𝜎 adalah batas kepercayaan 68%, karena ada kemungkinan 68%bahwa setiap
pengukuran akan berada dalam jarak u dari nilai sebenarnya X. Dalam praktiknya, baik X
maupun u tidak diketahui. Sebagai gantinya, kita tahu nilai terukur N kita 𝑥1 , 𝑋1 , … , 𝑋𝑁 , , di
mana N sama besar dengan waktu dan kesabaran kami memungkinkan kami untuk
membuatnya. N nilai terukur, perkiraan terbaik kami dari nilai sebenarnya X telah terbukti
sebagai mean 𝑥̅ = ∑ 𝑥𝑖/𝑁 , dan perkiraan terbaik kami untuk lebar 𝜎 adalah simpangan baku ux
dari 𝑥1 , 𝑋1 , … , 𝑋𝑁 seperti yang didefinisikan dalam . Pertanyaan ini dibahas dalam Bagian
5.7, di mana ketidakpastian dalam x ditunjukkan sebagai standar deviasi dari mean, atau
SDOM, sebagai didefinisikan dalam Bab 4.
1
Ketidakpastian pecahan dalam 𝜎𝑥 =
√2(𝑁−1)

5.6 Justifikasi Penjumlahan Dalam Kuadrat

Saya menyatakan di sana, tanpa bukti formal, bahwa ketika kesalahan acak dan
independen, mereka dapat digabungkan dalam kuadratur menurut aturan standar tertentu, baik
«aturan sederhana» dalam dan , atau aturan umum dalam , yang mencakup aturan «sederhana»
sebagai kasus khusus. Jika jumlah x, ... , z hanya tunduk pada acak kesalahan, mereka akan
terdistribusi normal dengan parameter lebar 7 crx, ... , crz, yang kita anggap sebagai
ketidakpastian yang terkait dengan pengukuran tunggal dari jumlah yang sesuai.

5. 7 Standar Deviasi Mean

Satu lagi hasil penting, yang dikutip dalam Bab 4, masih harus dibuktikan. Misalkan
pengukuran x terdistribusi secara normal tentang yang benar nilai X dengan parameter lebar
crx. Karena besaran yang dihitung adalah fungsi sederhana dari besaran yang diukur
x1, ... , xN, sekarang kita dapat menemukan distribusi jawaban kita untuk x dengan
menggunakan rumus perambatan kesalahan. Satu-satunya fitur yang tidak biasa dari fungsi
adalah bahwa semua pengukuran x1, ... , xN merupakan pengukuran dengan besaran yang
sama, dengan nilai sebenarnya yang sama X dan lebar crx yang sama.

Pertama-tama kita amati bahwa, karena masing-masing besaran yang diukur x1, ... , xN adalah
terdistribusi normal, hal yang sama berlaku untuk fungsi x yang diberikan oleh . setelah
mengulangi percobaan ini banyak kali, banyak jawaban kita untuk x akan terdistribusi
normal, bahwa jawaban tersebut akan berpusat pada nilai sebenarnya X, dan lebar distribusinya
adalah ux = uxf{iv, sebagai ditunjukkan pada Gambar 5.17 untuk N = 10. Jika kita menemukan
rata-rata pengukuran N sekali, kita bisa yakin 68%bahwa jawaban kita terletak pada jarak ux
dari nilai sebenarnya X. Hasil ini persis apa yang harus ditandai dengan ketidakpastian dalam
mean.

5.8 Keberterimaan Jawaban Terukur

Seperti ditekankan dalam Bab 2, hampir semua kesimpulan eksperimental melibatkan

perbandingan dua bilangan atau lebih. Di sini, saya akan mempertimbangkan hanya satu jenis
percobaan, di mana kami sampai pada angka dan membandingkan hasil kami dengan beberapa
jawaban yang diketahui dan diharapkan. Misalnya, dalam percobaan untuk memeriksa
kekekalan momentum, kita dapat mengukur momentum awal dan akhir, p dan p', untuk
memastikan bahwa p = p', tetapi kita juga dapat menganggap eksperimen ini sebagai
menemukan nilai untuk untuk dibandingkan dengan jawaban yang diharapkan dari nol.

misalnya, perbedaan |𝑥𝑏𝑒𝑠𝑡 − 𝑥𝑒𝑥𝑝 | adalah salah satu standar deviasi. Probabilitas perbedaan
sebesar ini atau lebih besar adalah 32% yang sudah dikenal. Memutar pernyataan ini, jika
perbedaan siswa kami adalah 3CT, hipotesis kami paling tidak mungkin benar. Batas antara
akseptabilitas dan unacceptability tergantung pada level di bawahnya kami menilai perbedaan
itu tidak masuk akal. Jika kita menerima pilihan ini, maka a perbedaan 2CT tidak dapat
diterima, karena Prob = 4,6%. Faktanya, dari tabel di Lampiran A, kita melihat bahwa setiap
perbedaan yang lebih besar dari l.96CT tidak dapat diterima pada tingkat 5% ini, dan perbedaan
sebesar ini terkadang disebut "signifikan".