1

2
Objektif
Menggunakan gambarajah serakan bagi
menggambarkan perkaitan di antara dua
pembolehubah.
Menghuraikan darjah perkaitan di antara dua
pembolehubah.
Mengira pekali korelasi sebagai ukuran bagi
kekuatan perkaitan di antara dua
pembolehubah.
3
Samb - Objektif
Mengecam pembolehubah bersandar dan
pembolehubah tidak bersandar.
Memberikan persamaan garis regresi
menggunakan kaedah kuasadua terkecil dan
seterusnya meramal nilai masa depan bagi
pembolehubah bersandar.
Mentafsirkan nilai a dan b.
Membuat pentakbiran mengenai parameter |
4
Korelasi
Mengkaji korelasi/hubungan di antara dua
atau lebih pembolehubah.
| nilai p1 | atau + dalam nilai p2
+ nilai p1 + atau | dalam nilai p2
Menentukan arah korelasi di antara 2
pembolehubah sama ada
Positif
negatif
5
Korelasi positif
Korelasi positif wujud apabila
pertambahan atau pengurangan pada
sesuatu pembolehubah akan
menyebabkan pertambahan atau
pengurangan nilai pada pembolehubah
lain
6
Korelasi negatif
Korelasi negatif wujud apabila
pertambahan atau pengurangan nilai
pada sesuatu pembolehubah akan
menyebabkan pengurangan atau
pertambahan nilai pada pembolehubah
lain
7
Kaedah Mengkaji Korelasi

Membina gambarajah serakan
Mengira pekali korelasi
8
Gambarajah Serakan
Gambarajah serakan merupakan graf
pasangan
( x, y ) yang telah diplot.
Serakan di sini bermaksud sebaran atau
rebakan titik-titik di atas graf tersebut.
Titik-titik tersebut boleh membentuk sama
ada
satu garis lurus
Tersebar di merata kedudukan pada graf itu
Panduan tentang jenis hubungan yang wujud

9
Gambarajah Serakan
10



11
Pekali Korelasi
yy xx
xy
SS SS
SS
r =
( ) ( )
cerapan pasangan bilangan

y
- y , ,
2
2
2
2
=
= = =

n
n
SS
n
x
x SS
n
y x
xy SS
yy xx xy
12
13
14
15
16
Contoh 1
Kirakan pekali korelasi bagi data di bawah dan
terangkan maksudnya.

X

1

2

3

4

5

6

7

8

Y

9

8

10

12

13

14

14

16

17
x

y

x
2


Y
2


xy

1
2
3
4
5
6
7
8

9
8
10
12
13
14
14
16

1
4
9
16
25
36
49
64

81
64
100
144
169
196
196
256

9
16
30
48
65
84
98
128
Ex = 36

Ey =96

Ex
2
=204

Ey
2
= 1206

Exy = 478

Penyelesaian
( )
( )
54
8
) 96 (
1206
60
8
) 36 (
204
2
2
2
2
2
2

= = =
= = =
n
y
y SS
n
x
x SS
yy
xx
( )( )
808 . 0
) 54 )( 60 (
46

46
8
) 96 )( 36 (
478
= = =
= = =

yy xx
xy
xy
SS SS
SS
r
n
y x
xy SS
Wujud korelasi positif yang kuat di antara pembolehubah x dan y.

18
Latihan
Seorang pensyarah telah mengumpulkan data bagi
jumlah jam belajar dan markah yang diperolehi
dalam peperiksaan bagi 6 orang pelajar yang dipilih
secara rawak. Berikut ialah data yang diperolehi.
Kirakan pekali korelasi, dan jelaskan maksudnya.

Jam

5

10

4

6

10

9

Markah

64

86

69

86

59

87

19
Dalam kehidupan seharian, kita sering ingin
menentukan darjah perkaitan atau hubungan
di antara 2 atau lebih pembolehubah.
Bagaimana hubungan di antara bilangan jam
yang digunakan untuk mengulangkaji dengan
pencapaian gred peperiksaan seseorang?
Adakah seseorang akan bertambah sihat jika
makan banyak buah-buahan dan sayuran
daripada daging?

20
Regresi Linear Mudah
Model regresi linear digunakan untuk
menganggar nilai y jika nilai x diketahui.
Anggaran nilai y menggunakan model ini
mestilah dalam julat nilai x data yang diberi
(interpolation). Anggaran nilai y di luar julat
nilai x (extrapolation) tidak tepat kerana
model regresi linear tidak benar di luar
julat nilai x tersebut.
Untuk mengetahui adakah nilai y boleh
diramalkan, lakarkan gambarajah serakan.
Jika didapati korelasi linear wujud maka
dapatkan model regresi linearnya.

21
Dua istilah penting dalam
regresi

Pembolehubah bersandar, y -
Pembolehubah yang sifatnya adalah
subjek kajian atau yang mewakili kesan.
Pembolehubah tak bersandar, x -
Pembolehubah yang dipercayai
mempengaruhi pembolehubah
bersandar atau yang mewakili sebab
22
Model Regresi Linear bagi Populasi
Model regresi linear bagi sampel
y
i
= a + bx
i

y
i
= |
o
+ |
1
x
i

23
Notasi bagi Persamaan Regresi

Parameter
pop
Statistik
sampel
Pintasan - y |
o
a
Kecerunan garis |
1
b
24
Kaedah Kuasa Dua Terkecil digunakan
untuk menganggarkan parameter |
1

dan |
0
.
Seterusnya menganggar garis regresi
untuk mendapatkan suatu persamaan
linear yang terbaik.
25
Penganggaran Parameter |
1
dan
|
0

sampel. saiz n mana di

n
x) (
x SS
n
y) x)( (
xy SS
x b y a
SS
SS
b
2
2
xx xy
xx
xy

= =
= =
26
Contoh 2
Berikut adalah data perbelanjaan bulanan dan bilangan
anak bagi 6 buah keluarga.

Perbelanjaan
(RM)

Bilangan
anak

250
300
350
450
550
670

2
3
4
5
7
8

1. Tentukan pembolehubah bersandar dan pembolehubah tak
bersandar.
2. Dapatkan persamaan garis regresi dan ramalkan
perbelanjaan bulanan sebuah keluarga sekiranya bilangan
anak ialah 6.
27
Penyelesaian
a) Pembolehubah bersandar ialah perbelanjaan
bulanan. Pembolehubah tak bersandar ialah
bilangan anak.

128083.333
6
(2570)
1228900
n
y) (
y SS
2
2
2
yy
= = =

b)
26.8333
6
(29)
167
n
x) (
x SS
2
2
2
xx
= = =

1838.333
6
(29)(2570)
14260
n
y x
xy SS
xy
= = =

28
Jika bilangan anak 6 maka perbelanjaan
bulanannya ialah
y = 97.20 + 68.51 x 6 = RM 508.26

x 68.51 97.20 y
bx a y
+ =
+ =
97.20
6
29
68.51
6
2570
x b y a , 68.51
26.8333
1838.333
SS
SS
b
xx
xy
=
|
.
|

\
|
= = = = =
29
Latihan
Satu kajian dijalankan untuk mengkaji hubungan di antara
perbelanjaan kos pengiklanan untuk Barang A dan tingkat
jualan barang itu dalam suatu bulan. Jadual di bawah
menunjukkan data yang dikumpul bagi 7 buah syarikat.
Kos
pengiklanan(RM000)

1.4

2.0

2.5

2.9

3.2

3.6

4.0

Jualan (RM000)

6.0

7.3

9.6

11.0

12.0

12.5

13.7

a) Tentukan pembolehubah bersandar dan pembolehubah tak
bersandar.
b) Dapatkan persamaan garis regresi dengan kaedah kuasadua
terkecil dan berikan tafsiran model regresi yang diperolehi.
c) Ramalkan jualan barang jika kos pengiklanan RM 3000.

30
Pekali Penentu
Menunjukkan bahagian daripada jumlah variasi
dalam pembolehubah bersandar yang boleh
diterangkan oleh pembolehubah tak bersandar.
Dengan kata lain, berapa baikkah pembolehubah
tak bersandar menerangkan pembolehubah
bersandar.

Nilai pekali penentu =
Atau
Nilai pekali penentu = r
2
yy
xy
SS
bSS
31
Contoh 3
Berdasarkan data daripada contoh 2 , kirakan pekali
penentu dan tafsirkan maksudnya.
Penyelesaian

Pekali penentu, r
2
=
yy
xy
SS
bSS
b = 68.51 SS
xy
= 1838.333 SS
yy
=128083.333
Gantikan dalam persamaan di atas , maka diperolehi
0.983
128083.333
.333) 68.51(1838
SS
bSS
r
yy
xy
2
= = =
Ini bermakna 98.3% daripada variasi dalam perbelanjaan bulanan
diterangkan oleh bilangan anak dalam keluarga.
32
Contoh 4
Jadual berikut adalah data bagi pasangan X dan Y.
a. Lakarkan gambarajah serakan.
b. Kirakan pekali korelasi dan pekali penentu.
c. Dapatkan persamaan garis regresi dan lakarkan
garis tersebut.
33
a)
34
|
|
.
|

\
|
|
|
.
|

\
|

= =
n
2
y) (
2
y
n
2
x) (
2
x
n
y x
xy
yy
SS
xx
SS
xy
SS
r
|
|
|
.
|

\
|

|
|
|
.
|

\
|

=
10
2
) 281 (
8647
10
2
) 27 (
107
10
) 281 )( 27 (
898
r
= 0.87
35
r = 0.87
r
2
= 0.76
y = a + bx


xx
SS
xy
SS
b =

4.1
34.1
139. 3
b = =

1 . 34
10
2
(27)
- 107
xx
SS
3 . 139
10
(27)(281)
- 898
xy
SS
= =
= =
36
r = 0.87
r
2
= 0.76
y = a + 4.1x

17
10
27
4.1 -
10
281

x b y a
= =
=
|
.
|

\
|
37
r = 0.87
r
2
= 0.76
y = 17 + 4.1x
38
r = 0.87 r
2
= 0.76
y = 17 + 4.1x
Jika x=2 maka
y = 17 + 4.1(2)= 25.2
Jika x=4 maka
y = 17 + 4.1(4)= 33.4
-
-
39
Kebolehpercayaan Persamaan Regresi
Ralat piawai anggaran diberikan simbol s
e

digunakan untuk mengukur kebolehpercayaan
persamaan regresi.
Sama seperti sisihan piawai yang dipelajari dalam
bab sebelum ini iaitu berfungsi sebagai ukuran
serakan.
Mengukur serakan nilai tercerap di sekitar garisan
regresi.
Lebih besar nilai ralat piawai anggaran, lebih
besarlah serakan titik-titik di sekitar garisan.
Sekiranya nilai s
e
= 0, kita jangkakan bahawa titik-
titik data akan berada di atas garisan regresi dan
kita akan ada persamaan regresi sempurna.


40
Ralat piawai anggaran, s
e
boleh
diperolehi dengan menggunakan formula
berikut:
2 n
bSS SS
s
xy yy
e

=
41
Contoh 5
Kira nilai ralat piawai anggaran bagi data dalam
Contoh 2 sebelum ini.
125 . 23 785 . 534
2 6
) 33 . 1838 ( 51 . 68 333 . 128083
= =

Penyelesaian
Nilai ralat piawai anggaran adalah

s
e
=

Secara purata anggaran perbelanjaan bulanan berbeza
daripada perbelanjaan bulanan sebenar sebanyak RM23.125.

42
Selang keyakinan terhadap kecerunan
garis, |
1

xx
SS
e
s
b
s =
|
1
dianggarkan dari data sampel iaitu nilai b.
Pembolehubah b adalah bertaburan normal dengan min,


b
= |
1
dan sisihan piawai,
Selang keyakinan digunakan untuk menganggar
parameter yang tidak diketahui dengan memberikan
darjah keyakinan bahawa selang tersebut mengandungi
paramater yang hendak dianggarkan.
43
Selang keyakinan 100(1-o)% bagi |
1
adalah seperti berikut:
b - t
o/2,n-2
s
b
< |
1
< b + t
o/2,n-2
s
b
darjah kebebasan n-2
44
Contoh 6
Dapatkan selang keyakinan 95% bagi |
1
bagi data
dalam contoh 2 sebelum ini.
Penyelesaian:
Jika SS
xx
= 26.8333 , s
e
= 23.125 , maka s
b
=
4.46
26.8333
23.125
=
b = 68.51 , dk = 6-2 = 4 , t
0.05/2 , 4
= 2.776

Selang keyakinan bagi |
1
adalah
68.51 2.776(4.46) < |
1
< 68.51 + 2.776(4.46)
56.13 < |
1
< 80.89

Kita mempunyai keyakinan 95% bahawa anggaran min perbelanjaan
bulanan bertambah di antara RM56.13 dan RM80.89 bagi setiap
pertambahan seorang ahli dalam bilangan keluarga.
45
Ujian hipotesis terhadap kecerunan
garis, |
1

Jadual menunjukkan hipotesis nol, hipotesis alternatif, statistik
ujian dan kawasan penolakan bagi kecerunan garis lurus, |
1

b
s
b
H
o


H
1


Statistik
ujian

Kawasan
penolakan
|
1
= 0

|
1
< 0

|
1
> 0

|
1
= 0


t =

t < -t
o

t
> to

t
< -to/2
atau
t > t
o/2


46
Contoh 7
Adakah data dalam contoh 2 sblm ini,
cukup untuk membuktikan bahawa ada
korelasi positif antara perbelanjaan
bulanan dengan bilangan anak dalam
keluarga pada aras keertian 0.01?
47
Penyelesaian
1. H
0
: |
1
= 0 melawan H
1
: |
1
> 0
2. Aras Keertian dan Petua Kesimpulan

Aras Keertian , o = 0.01
Nilai genting = t
o,n-2
=

t > t
0.01,4
= 3.747
Petua Kesimpulan Tolak H
0
jika t >3.747
3. Statistik ujian : t =
36 . 15
46 . 4
51 . 68
=
4. Keputusan (bandingkan nilai genting dan nilai statistik ujian)
Oleh kerana t = 15.36 > t
o,n-2
= 3.747

, tolak Ho.
5. Kesimpulan : Pada aras keertian 1%, kita membuat kesimpulan
bahawa terdapat korelasi linear positif antara perbelanjaan
bulanan dan bilangan keluarga. Dengan kata lain perbelanjaan
bulanan meningkat apabila bilangan ahli dalam keluarga
bertambah.
48
Latihan
Seorang pakar diet percaya pengurangan pengambilan kalori
per minggu boleh menyebabkan penurunan berat badan per
minggu. Berikut merupakan data-data yang beliau perolehi.

Purata ambil
kalori (sehari)
2500 2000 1500 1100 900 500
Penurunan
berat
badan(paun)
1 2 3 4 6 8
a. Kira pekali korelasi. [ Jwp: r = -0.9552 ]
b. Kira pekali penentu dan tafsirkan jawapan kamu.
c. Anggarkan penurunan berat badan jika pengambilan kalori
sebanyak 1700.
d. Uji jika terdapat kaitan yang linear antara pengambilan kalori
dengan penurunan berat badan pada aras keertian 5%.
e. Anggarkan 95% selang keyakinan bagi |
1
.

49
Latihan
Satu kajian dilakukan untuk menentukan samada peningkatan
umur seseorang menyebabkan pertambahan dalam tekanan
darah. Data-data berikut telah diperolehi.
Umur(thn) 35 43 47 53 59 62 66 69
Tekanan 120 127 132 136 141 143 148 153
a. a. Kira pekali korelasi. dan pekali penentu dan tafsirkan jawapan
anda. [ Jwp: r = 0.9948 ]
b. b. Anggarkan tekanan darah seseorang jika umurnya 55 tahun.

c. Uji hipotesis jika terdapat hubungan antara umur dengan
pertambahan tekanan darah pada aras keertian 5%.
d.d. d. Anggarkan 95% selang keyakinan bagi |
1