When the least-squares criterion is

When the least-squares criterion is used to determine the best straight line through a
single set of data points there is one unique solution, so the calculations involved are
relatively straightforward. However, when a curved calibration plot is calculated using
the same criterion this is no longer the case: a least-squares curve might be described
by polynomial functions such as (y  a  bx  cx2  . . .) containing different numbers
of terms, a logarithmic or exponential function, or in other ways. So we need a
method which helps us to choose the best way of plotting a curve from amongst the
many that are available. Analysis of variance (ANOVA) provides such a method in all
cases where we maintain the assumption that the errors occur only in the y-direction.
In such situations there are two sources of y-direction variation in a calibration plot.
The first is the variation due to regression, i.e. due to the relationship between the instrument

Hasil (Bahasa Indonesia) 1:

Bila kuadrat-kriteria yang digunakan untuk menentukan garis terbaik lurus melaluisatu set titik data adalah salah satu solusi yang unik, sehingga perhitungan terlibatrelatif mudah. Namun, ketika kalibrasi melengkung plot dihitung menggunakankriteria yang sama hal ini bukan lagi kasus: kurva kuadrat-mungkin menggambarkanoleh polinomial fungsi seperti (y bx cx2...) yang berisi nomor yang berbedaistilah-istilah, fungsi logaritma atau eksponensial, atau dengan cara lain. Jadi kita perlumetode yang membantu kita untuk memilih cara terbaik untuk merencanakan kurva dari antarabanyak yang tersedia. Analisis varians (ANOVA) menyediakan sebuah metode dalam semuakasus-kasus di mana kami memelihara asumsi bahwa kesalahan terjadi hanya di y-arah.Dalam situasi seperti itu ada dua sumber y-arah variasi dalam sebidang kalibrasi.Yang pertama adalah variasi karena regresi, yaitu karena hubungan antara instrumen

Hasil (Bahasa Indonesia) 2:

Ketika kriteria kuadrat-digunakan untuk menentukan garis terbaik lurus melalui satu
set titik data ada satu solusi yang unik, sehingga perhitungan yang terlibat
relatif mudah. Namun, ketika kalibrasi rencana melengkung dihitung dengan menggunakan
kriteria yang sama ini tidak lagi terjadi: kurva kuadrat-mungkin digambarkan
(????... Y a bx CX2) oleh fungsi polinomial seperti mengandung jumlah yang berbeda
dari istilah, fungsi logaritmik atau eksponensial, atau dengan cara lain. Jadi kita perlu
metode yang membantu kita untuk memilih cara terbaik untuk merencanakan kurva dari antara
banyak yang tersedia. Analisis varians (ANOVA) menyediakan metode seperti dalam semua
kasus di mana kita mempertahankan asumsi bahwa kesalahan hanya terjadi pada arah y.
Dalam situasi seperti itu ada dua sumber y-arah variasi dalam plot kalibrasi.
Yang pertama adalah variasi karena regresi, yaitu karena hubungan antara instrumen