RANGKUMAN
NIM : 15611036
KELAS :C
JURUSAN STATISTIKA
2017
BAB I
PENDAHULUAN
Dalam kontinu
b
(1.3b)
= y f ( y) dy , bila kontinu
Kovariansi dua buah peubah acak Y dan Z dengan rataan masing-masing y dan
z, lambang kov (Y,Z) atau yz, adalah
yz = E (Y - y) (Z - z)
= E (YZ) - y z. (1.5)
Koefisien korelasi antara peubah acak Y dan Z didefinsikan sebagai
yz
yz = (1.6)
y . z
Misalkan Yinidan
Distribusi Z dua peubah
mempunyai acak
rataan dengan fungsi
, variansi danpadat gabungan
grafik f (y,z),
yang mirip diskret
lonceng dan
maupun kontinu. Dalam hal diskret,
P(Y=y, Z=z) = f(y,z), (1.7)
Sedangkan bila kontinu,
P[(Y,Z) A] = f ( y, z) dy dz
A
dan
g(y) = f ( y, z) dz ,
(1.8b)
h(z) = f ( y, z) dy , dalam kontinu
Peubah acak Y dan Z disebut bebas statistik (selanjutnya hanya disebut bebas)
jika dan hanya jika untuk setiap x dan y berlaku
f (y,z) = g(y) . h(z) (1.10)
Dalam hal bebas, berlaku f(yz) = g(y) dan f(zy) = h(z).
1
1
e 2
f ( y) 2 (1.11)
2
tentu sepenuhnya bila dan diketahui. Suatu peubah acak Y yang berdistribusi
normal dengan rataan dan simpangan baku dilambangkan YN (,). Distribusi
normal sangat penting dalam statistika karena teorema limit pusatnya dan hampir
semua uji statistik yang digunakan dikembangkan melalui jalur distribusi normal.
Distribusi normal dengan rataan () 0 dan simpangan baku (2) 1 disebut normal
baku, lambang N(0,1). Dengan tabel memberikan
z 1
1
P(Z z) 2
eksp 2 dt (1.12)
P( - Y + ) = 0,6826 0,68
P( - 2 Y + 2) = 0,9544 0,95
P( - 3 Y + 3) = 0,9974 0,997. (1.13)
Ketiga sifat diatas sering berguna untuk:
1. Menentukan apakah normal dilanggar secara kasar atau tidak
Khususnya,
2. Menentukan a1 a2
bila pencilan an ndari
... jaraknya
dan , dan Y1tengah.
titik , Y2,..., Yn berdistribusi normal yang
Bila Y berdistribusi normal dengan rataan dan simpangan baku , maka aY+b
juga berdistribusi normal dengan rataan a+b dan simpangan baku a, untuk a dan b
tetapan sembarang. Bila Y1 dan Y2 dua peubah yang berdistribusi normal, masing-
masing N (1,12 ) dan N (2 , 22 ) dan koefisien korelasi antara Y1 dan Y2, maka
dan variansi y / n
fungsi padat gabungan Y1 dan Y2 adalah
1 1
f ( y 1 , y2 )
1 2
maka Y1 Y2 ... Yn mempunyai distribusi chi-kuadrat
2 (1.14) v
dengan derajat kebebasan
2 1 2
= n, lambang xv . distribusi xv ini mempunyai rataan v dan variansi 2v.
Untuk
1 y 2 2 y 2 2
Q( y1, y2 ) 1 2
1 2 1 2
Bila Y1 dan Y2 bebas satu sama lain, maka =0 dan bentuk fungsi padat gabungan
di atas menjadi:
eksp[ Q( y1, y2 )]
1 1 y 1 1 1 y 2
2 2
f ( y1, y2 ) 21 2 1 2 2 2 2
( y1 1)( y2 2 )
1 2 2
= f(y1 ) . f(y2) (1.15)
Umumnya, korelasi yang nol (0) tidak mengakibatkan kebebasan, tetapi dua
peubah yan saling bebas mempunyai korelasi yang nol (0). Bila Y1, Y2,..., Yn peubah
acak yang saling bebas, yang masing-masing berdistribusi normal dengan rataan
1,2,...,n dan simpangan baku 1, 2, ..., n maka peubah acak
Y a1Y1 a2Y2 ... anYn
Juga berdistribusi normal dengan rataan
y a11 a22 ... ann
dan variansi
y2 a1212 a22 22 ... an2 n2
1
Bila Y1, Y2,..., Yn saling bebas dan masing-masing mempunyai distribusi N(0,1),
2 2 2
2 2
Bila
n1 1S12 (n2 1)S22
1
S2
n 1
(Yi Y )2
Maka
(1.17)
(n 1)S 2 / 2 berdistribusi xn21
2
v
bebas, maka
Z , (1.18)
T
Uv
sulit dibedakan dengan distribusi normal bila v>60 karena itu, tabel normal dipakai
sebagai pengganti tabel t.
Bila Bila
Y1, YZ2,...,
suatu peubahbebas
Yn saling acakdan
N(0,1) dan U berdistribusi
masing-masing dan keduanya
x N(,
berdistribusi 2) maka saling
Y (1.19)
T
S/ n
Berdistribusi-t dengan derajat kebebasan n-1. ini adalah cara yang umum
membentuk uji statistik tn-1.
Bila n maka tnN(0,1).
Misalkan Y11,Y12,...,Y1n bebas satu sama lain dan berdistribusi N(1,2). juga
1
misalkan Y21,Y22,...,Y2n saling bebas pula dan saling bebas dari peubah yang diatas,
2
2 n1
1
kebebasan,Yn11+n
Berdistribusi-t dengan derajat
Y1i / n1
2-2.
Bila U1 dan U2 peubah yang saling bebas dan berdistribusi chi-kuadrat dengan
derejat kebebasan masing-masing v1 dan v2, maka
dan S2 n 1F Y2i Y2 ,Y2 Y2i / n2
U1 / v1
U 2 / v2 , (1.21)
Dikatakan mempunyai distribusi-F dengan derajat kebebasan v1 dan v2, lambang
Fv ,v
1 2
v2 , v2 2 dan variansi
Peubah acak ini mempunyai rataan v2 2
Maka,
2
(n,1v2 n24 2)S / berdistribusi x
U 2 v2 U1 v1 mempunyai distribusi F, tapi derajat
Perhatikan bahwa
T
Y Y
1 ,v 1
kebebasannya adalah v2 dan v1, lambang S Fv 2 1
n2
Jadi Fv ,v = 1 Fv .v 1 2 2 1
Jadi distribusi-t adalah hal khusus dari distribusi F, yaitu bila derajat kebebasan F
1n1 dan 2n2 dua terok acak
pada pembilang 1. Misalkan
2v22 v1 v2 2 S12 12
v1v2 2 v2 4 F S2 2 2 2 , (1.22)
S12 n1 1
Y111,Y12,...,Y
2
2
Y21,Y22,...,Y
2
4 4
Y
Bila dan 2 menyatakan rataan dan variansi Y. Kemencongan menyangkut
momen ketiga
dan mengukur kesetangkupan suatu distribusi; distribusi yang setagkup
n n
Derajat kebebasan
Derajat kebebasan (dk) menyatakan banyaknya informasi bebas diperlukan untuk
menyatakan bentuk kuadrat tersebut. Dua peubah acak dikatakan bebas bila yang satu
tidak dapat dinyatakan dengan yang lainnya. Bila Y1, Y2,..., Yn peubah acak yang bebas
(nilainya masing-masing akan ditentukan dalam terok acak berukuran n) maka bentuk
2
n i mempunyai n derajat kebebasan.
kuadrat
i1
2 2
i i
i1 i1
Jadi, Y1 Y ,Y2 Y ,...,Yn Y tidak bebas satu sama lain. Akan tetapi, bila salah satu
daripadanya dibuang makan n-1 sisanya yang tinggal menjadi bebas satu sama lain.
bentuk bilangan) disebut suatu taksiran dari . Penaksiran disebut takbias bila
E .
Bila Y1, Y2,..., Yn terok acak dari populasi yang sama, maka Y merupakan
2
Y dengan var 2
n . telah dijelaskan sebelumnya bahwa
Z
Jadi, P Z 2 Z Z 2 1 ,
Y
atau n
Kalikan semua suku dalam tanda kurung dengan n , kemudian pindahkan Y
Y
dari suku tengah maka selang kepercayaan untuk dengan kepercayaan 1- adalah
Y Z 2
n n
Contoh 1.1 Nilai 40 mahasiswa pada suatu kelas dalam mata kuliah statistika
mempunyai rata rata = 2,8 ( dalam skala 4) dengan = 0,4. Bila dianggap ke 40
mahasiswa itu merupakan terok acak dari populasi mahasiswa yang jauh lebih besar,
buatlah selang kepercayaan dengan kepercayaan 95% untuk rataan populasi seluruh
mahasiswa. Y
Jawab :
Dalam soal ini = 0,05, jadi z0,025 = 1,96 ( lihat Tabel L1 di lampiran). Jadi
selang kepercayaan dengan kepercayaan 95% untuk adalah
0,4
P Z 2 2,8 Z1,96
2 0,41
, .
2,8 1,96 40 40
Atau
P Y Z 2 1 , dianggap diketahui. (1.25)
2,68 < < 2,92
Sesungguhnya terasa cukup janggal dalam soal di atas bahwa diketahui tetapi
tidak diketahui; bukankah untuk mengetahui harus diketahui terlebih dahulu ? bila
tidak diketahui maka kita harus menaksirnya dari terok. Penaksir tak bias untuk
adalah S. Jadi gunakan statistik.
T berdistribusi tn-1
S n
Y
S n
Atau, setelah disederhanakan seperti di atas, menjadi
S
n
Contoh 1.2 Diketahui n = 20, = 100, dan S = 12. Data berasal dari populasi normal.
Buatlah selang kepercayaan untuk dengan kepercayaan 99%.
Jawab :
Dalam soal ini 1 = 0.99. jadi /2 = 0,005 dan t19 ; 0,005 = 2,861 ( lihat Lampiran
L3). Selang kepercayaan yang diminta adalah
12 12
100 2,861. 100 2,861
20 20
Atau
92,32 < < 107, 68 (1.26)
Terdapat hubungan satu satu antara selang kepercayaan dengan pengujian
hipotesis. Ini berarti bahwa yang satu dapat diturunkan dari yang lainnya. Dalam
pengujian hipotesis terdapat tiga kemungkinan pilihan sebagai berikut:
1. HN : = 0
HT : 0
2. HN : 0
HT : < 0
3. HN : 0
Nilai p
Yaitu suatu nilai uji statistik yang diperoleh dari pengamatan dikatakan berarti
(significant) bila hipotesis nol (HN) ditolak pada taraf keberartian yang ditentukan
sebelumnya. himpunan nilai yang membuat penolakan hipotesis nol disebut daerah-
kritis (penolakan). Jadi di bawah kurva normal, untuk = 0,05, daerah kritis untuk
1. HN : > 0 adalah z < - 1,645
2. HN : < 0 adalah z > 1,645
3. HN : = 0 adalah z < - 1,645 dan z > 1,645
Nilai batas dari daerah kritis tersebut disebut nilai-kritis. Jadi untuk HN: > 0 , =
0,05, di bawah kurva normal, nilai kritisnya adalah z = - 1, 645.
Dalam pengujian hipotesis, taraf keberartian biasanya diambil bernilai 0,10,
0,05, 0,01, atau 0,005. Penentuan nilai harus dikerjakan sebelum data diambil,
dengan perkataan lain, penentuan nilai tidak boleh dipengaruhi oleh data.
Pembatasan pemilihan pada nilai-nilai di atas memudahkan pekerjaan. Akan tetapi
kemudian itu juga menimbulkan kesulitan. Sebagai contoh, untuk kasus 1 di atas,
misalnya dari perhitungan diperoleh z= - 1,650, maka HN akan ditolak, sedangkan
bila diperoleh z = - 1,640 maka HN tidak ditolak. Kedua nilai z hanya berselisih 0,01
tapi memberi kesimpulan yang sangat berlainan.
Jika tadinya tidak diambil 0,05 tapi misalnya 0,10 atau 0,01, maka kedua nilai z
tadi akan menghasilkan kesimpulan yang sama; ditolak untuk = 0,10 dan tidak
ditolak untuk = 0,01. Begitupun untuk kasus 1 di atas, apakah z = -1,700 ataupun z
Contoh 1.4 Misalkan pada contoh yang lalu diketahui n = 40 dan S2 = 0,4. Buatlah
selang kepercayaan untuk 2 dengan kepercayaan 95%.
Jawab :
Dalam soal ini = 0,05. 239;0,025 = 23,67 dan 239;0,0975 = 58,10. Kedua 2 ini
diperoleh secara interpolasi linear, karena tabel yang tersedia tidak memberikan nilai
bila dk = 39. Jadi selang kepercayaan untuk 2 dengan kepercayaan 0,95 adalah
Atau
0,27 2 0,66
C11 C12 .... C1n
C
: :
Cm2 .... Cmn
Pengujian kesamaan variansi, yang merupakan salah satu anggapan (asumsi)
dalam analisis regresi dan variansi dapat dilihat di buku karangan RE Walpole dan RH
Myers, Peluang dan Statistika untuk Insinyur dan Ilmuwan, pasal 10.3.
Jika banyaknya baris b dan lajur l suatu matriks sama maka matriks tersebut
disebut matriks bujur sangkar. Matriks C dikatakan setangkup (simetris) bila Cij = Cji.
untuk semua i dan j; disini Cij menyatakan unsur pada baris ke-i dan lajur ke-j.
Sebagai contoh suatu matriks setangkup adalah C11 C21
C 2 maka
0 10 C' C12 C22
C 0 4 3 C
10 3 1
Suatu matriks bujur sangkar dikatakan diagonal bila semua unsurnya yang tidak
pada diagonal adalah nol. Contoh matriks diagonal adalah
W1
390,4 58,10 3 20 39
0 0,4 23,67 ,
D 0 5 0 :
V 5 dan W W2
0 0 2 W
Suatu matriks diagonal dengan semua unsur diagonalnya satu disebut matriks
satuan, lambang I. Suatu matriks satuan berukuran 3 x 3 sering ditulis sebagai I3.
Transpos suatu matriks C, diberi lambang C. Transpos matrik diperoleh dengan cara
mempertukarkan baris dengan lajurnya. Contohnya adalah sebagai berikut:
2
3
n
Vektor V adalah matriks ukuran 3 x 1. Transpos suatu vektor akan membentuk
matriks yang hanya terdiri dari satu baris unsur.
3 0 3 7
A dan B
1 6 2
37 2 1 4
C AB
2 2 9 11 4
Penjumlahan matriks
3 7 2 7 10
Dua matriks yangC berukuran
A B sama
dapat dijumlahkan maupun dikurangkan
2 2 7 1 0
dengan menambahkan ataupun mengurangkan unsur yang sesuai. Sebagai contoh, bila
A dan B keduanya berukuran 2 x 3 maka C = A B akan berukuran 2 x 3 pula.
Contoh :
2 4 2
8 5
20 43
Maka
8 1 56
20 4 (3)
Dan
8 1 5 (6)
j1
a11b13 a12b23
Maka
Pada umumnya BA.Apabila
AB AB 11
a21b13 a22b23
11a a12 b b12 b13
a21 a22 b21 b22 b23
Dalam contoh terakhir ini perkalian BA tidak dapat dilakukan ( tidak terdefinisi ).
Akan tetapi bila A dan B setangkup dan perkalian AB terdefinisi maka AB = BA.
Perkalian suatu matriks dengan matriks satuan akan menghasilkan matriks itu sendiri.
Jadi bila A berukuran n x m maka
InA = AIm = A
Transpose dari perkalian matriks adalah perkalian dari transposnya, tapi
urutannya berubah, jadi (AB) = BA. Yi2
Bila Y suatu vaktor dengan n unsur, Y = ( y1y2 ...yn ), maka YY = . Akar dari jumlah
kuadrat ini disebut norm atau panjang vektor Y. Dua vektor V1 dan V2 dikatakan
ortogonal (tegak lurus) bila V1V2 = 0. Dua peubah acak yang saling ortogonal tidak
berkorelasi.
3 1
Bebas linear. Untuk melihatnya bentuklah kombinasi linear
1W1 2W2 21 0
31 2
W 2
1
Mempunyai rang 2, karena telah kita lihat baru
saja bahwa kedua lajurnya bebas
linear. Sebaliknya matiks
2 4
V 3 6
4 8
Hanya mempunyai rang 1, karena kedua lajurnya tidak bebas linear. Perhatikan
bahwa rang suatu matriks sama dengan transposnya. Matriks In mempunyai rang n.
1 0
0
Bila A matriks 2 x 2
1 a22
a a12 a12
A 11 maka A1 a11a22 a12a21 a21
a21 a22 a11
Suatu matriks yang mempunyai inversi disebut taksingulir. Matriks yang lainnya
disebut singulir. Suatu matriks yang taksingulir mempunyai rang sama dengan ukuran
matriks tersebut. Jadi suatu matriks A berukuran p x p tapi mempunyai rang < p maka
A singulir. Sebaliknya, bila A singulir maka rang A < p. Suatu matriks bujur sangkar
P ukuran n x n disebut ortogonal bila PP = PP = In. Jadi P-1 = P.
Sebagai contoh matriks
1 0 1
2 1 2
P
1 2 1
21 12
1
2
2 2
i1
Lambang tr adalah singkatan dari trace. tr(In) = n, bila A dan B dua matriks bujur
sangkar dengan ukuran yang sama dan c suatu tetapan maka
tr (A+B) = tr (A) + tr (B)
tr (A) = tr (A)
aij bij
tr (cA) = c tr (A)
n n
tr (AB) = tr (BA) =
i1 j1
Determinan
Untuk setiap matriks bujur sangkar n n terkait dengannya suatu bilangan yang
disebut determinan A dan ditulis |A|. Bila
a b
maka | A | ad bc
c d
Bila
A
a 11 a 12 a 13
A a 21 a
22 a 23
a a a
31 32 33
Maka
| A| a11a22a33 a12a23a31 a13a21a32 a
13a22a32 a11a23a32 a12a21a33
Secara umum
a a ... 11 12 a 1n
A a a .... 21 22
a a ... a
n1 n2 nn
Maka
k 1
| A |
kofaktor, dan mij (disebut minor) merupakan determinan matriks (n-1) (n-1) yang
aik cik , untuk setiap i=1, 2, ..., n , bila Cik=(-1)i+j mij, disebut
diperoleh dari matrik A dengan menghilangkan baris ke-i dan lajur ke-j.
Contoh
Carilah nilai eigen dan vektor eigen matriks
4 0 1
A 2 1 0
2 0 1
Jawab :
4 0 1
0 ( A I ) 1 0 = (4)(1)(1) + 0 + 0(1)(1)(-2)0
2 0 1
2
0 = -3 + 62 11 + 6
Akar darri persamaan dapat diperoleh dengan menguraikannya sebagai berikut.
(-1) (-2)(-3) = 0
Jadi diperoleh nilai eigen matriks A:
1 =1, 2 =2, 3 = 3
Vektor eigen dapat diperoleh dengan menghitung v = (x1,x2,x3) pada persamaan
Av = v
Untuk 1 = 1
0 1 x1 0
2 1 1 x2 0
0
2 0 1 1 x3 0
Diperoleh untuk 1 = 1, v1=(0 x2 0) dengan x2 sembarang. Ambil x2=1 maka
diperoleh v1=(0 1 0).
Selanjutnya dengan cara yang sama untuk 2 =2 diperoleh v2=(-0,5 1 1) untuk 3
= 3 diperoleh v3=(-1 1 1). Perhatikan bahwa tr(A) = 4 +1+1 = 1 + 2 + 3 = 6
4 1
BAB II
Regresi Linier Sederhana
2.1 Pendahuluan
Dalam mengolah data akan selalu menentukan hubungan antara dua peubah atau
lebih. Bila hubungan kedua peubah linear maka keduanya disebut kolinear dan harga
mutlak korelasinya satu (1). Bila hubungan kedua peubah bebas satu sama lain maka
korelasinya nol (0).
2.2 Model Regresi Linear Sederhana
X disebut peubah bebas
Y disebut peubah tak bebas ( respons)
a bx (2.1)
a dan b disebut koefisien regresi yang nilainya ditentukan dari data sedangkan
menyatakan prediksi (taksiran) dari y. Jika x=15 maka diharapkan nilai y sebesar
a+15b, jika x=0 maka =a.
e(yy')
Dalam bentuk persamaan diatas model tersebut berbentuk deterministik sehingga
nilai akan berubah-ubah disekitaran nilai rata-ratanya yaitu i. Penyimpangan
tersebut ditaksir dengan Yi-i dan penyimpangan tersebut dinamakan ei .
ei yi yi yi a bxi (2.2)
Sehingga
yi a bxi ei, i 1,2,...,n (2.3)
Dalam ei terkandung galat yang bersifat acak dan juga penyimpangan model dari
keadaan yang sesungguhnya. Model (2.3) disebut stokhastik karena mengandung
faktor acak ei . Untuk seterusnya ei dianggap berbentuk acak dengan nilai harapan nol.
Menganggap ei acak berarti bahwa terok diambil secara acak.
Misalkan dengan menarik garis melalui titik data sejajar dengan sumbu x atau y
tidak diambil harga mutlaknya jadi, ei = yi-yi dan mencari garis regresi sedemikian
rupa sehingga
n
i i i
i1
Minimum jika n menyatakan ukuran terok. Jika pada persamaan diatas tidak
memuaskan maka terdapat pilihan yang dapat dilakukan yaitu:
ei = |yi-yi|
Dan meminimumkan
i i (2.4)
Dan
ei = (yi-yi)
Kemudian meminimumkan n
2
n
(2.5)
i1
i
1
( )
Atau,
(2.8a)
Selanjutnya, turunkan terhadap dan samakan dengan nol,
( )
Atau,
(2.8b)
Kemudian gantilah nilai dan pada persamaan diatas dengan masing-masing
taksirannya dan . Persamaan tersebut menjadi suatu sistem persamaan
linear,disebut persaman normal
(2.9)
(2.10)
Dengan demikian bagian kedua (2.9) menjadi
Atau,
. / . /
Atau,
( ) ( )
{ }
Jadi,
( )( )
( ) (2.11a)
Rumus ini dengan mudah dapat disederhakan menjadi
( )( )
( ) (2.11b)
Dalam perhitungannya,dihitung terlebih dahulu nilai b lalu kemudian
dimasukkan ke dalam persamaan (2.10) untuk mendapatkan nilai . Taksiran
persamaan regresi dapat ditulis sebagai
( )
Lambang ^ (baca topi) diatas suatu huruf menunjukan bahwa huruf tersebut suatu
taksiran,dalam hal ini taksiran dari y.
Contoh 2.2
Tabel 2.2
1 2 2 1
2 1 2 4
3 4 12 9
4 5 20 16
515 315 15
51 25
55
)( )
(( )
Jadi
Dan
( )( )
Akibat
Variasi dapat diterangkan
(penyimpangan regresi Sisa,bagian yang tidak
oleh regresi
total)
Bila ruas kiri dan kanan kita kuadratkan dan kemudian dijumlahkan maka diperoeh:
( ) *( ) ( )+
( ) ( ) ( ) ( ) (2.13)
( ) ( ) ( ) ( )
( ) ( )
( )
( ) ( ) ( ) (2.14)
( ( )
Persamaan diatas merupakan) persamaan dasar dalam analisis regresi dan analisis
variansi.
1 Persamaan
2 -1diatas tidak
1 lain daripada1,8 hokum phytagoras
-1,2 dalam
1,44 segitiga siku-
siku. Ruas kiri disebut jumlah kuadrat total (JKT) atau jumlah variasi total dan
2 1 -2 4 2,4 -0,6 0,36
menyatakan jumlah penyimpangan disekitar nilai rata-ratanya. Penyebab perubahan
3 4 1 1 3 0 0
(variasi) disekitar dapat dibagi atas dua bagian: pertama karena pengaruh sifatnya
4 5 2 4 3,6 0,6 0,36
yang berpola (sistematis); kedua karena pengaruh sifatnya yang acak. Bagian pertama
5 3 0 0 4,2 1,2 1,44
ruas kanan siebut jumlah kuadrat regresi (JKR), dan ini adalah variasi respons di
0 10 0 3,6
sekitar nilai rata-ratanya ( ) . Tidak sulit membuktikannya bahwa ,yaitu rata-rata
,sama dengan rata-rata , jadi . Bagian ini menyatakan pengaruh regresi,atau
,pada respon . Bagian kedua ruas kanan disebut jumlah kudrat galat (sisa) dan
disingkat JKS. Bagian ini mengukur sisa dari total (JKT) yang tidak dapat diterangkan
oleh , atu bagian yang siftanya acak. Jadi dengan demikian persamaannya dapat
ditulis pula sebagai
Jika pengaruh terhadap besar maka kita mengharapkan JKR cukup besar
dibandingkan dengan JKS . perhatikan bahwa untuk suatu kelompok data yang telah
tertentu,besar JKT telah tertentu ,jadi suatu tetapan dan tidak terpengaruh oleh model
yang digunakan. Karena itu bila JKR membesar maka JKS mengecil,dan
sebaliknya,sedangkan jumlahnya (JKT) tetap. Jadi JKT wajar untuk dijadikan
pembanding untuk menentukan besar kecilnya JKR atau JKS.
( )
( )
Contoh 2.3
Tabel 2.3
Dari tabel diatas
Sumber terlihatkuadrat)
JK (jumlah bahwa JKR =Dk3,6 sedangkan
RK JKT=10,E(RK)
jadi
variasi (derajat (rataan
kebebasan) kuadrat)
Regresi ( ) 1 RKR =
Artinya, sebesar 36% dari seluruh variasi total JKR/1
y diterangkan oleh regresi atau x,
dan
sisamasih ada sebesar( 64% lagi
) variasi
n-2y yang tidak
RKSdapat diterangkan
= oleh model
yang kita gunakan. Bagian sisanya yang 64% ini mungkin
JKS/(n-2)disebabkan oleh faktor lain
yang
totalgagal diperhitungkan dalam model.
n-1
( )
2.6 Tabel analisis variansi
Untuk menentukan apakah pengaruh suatu peubah bebas x besar atau kecil
terhadap respon y kita memerlukan pembanding yang baku,yang tidak dipengaruhi
baik buruknya model yang digunakan. Pembanding baku tersebut ialah penaksir tak
bias dari ,variansi .umumnya tidak diketahui jadi harus ditaksir oleh terok.
Penaksiran yang tak bias dapat diperoleh dari jumlah kuadrat sisa,yaitu JKS
,disebut rataan kuadrat sisa. Bilangan disebut derajat kebebasan. akan
tetapi,rataan kuadrat sisa ini hanya akan menaksir tanpa bias bila model yang
digunakan tepat. Bila model yang digunakan keliru maka ( ) akan menaksir
dengan bias.
Perhatikan :
( ) ( )
Tabel 2.3
Catatan : Nama yang tepat untuk ( ) ialah jumlah kuadrat total yang
dikoreksi. Dikoreksi maksudnya,dikurangi . disebut jumlah kuadrat total yang
belum dikoreksi.
Tabel diatas memperlihatkan bentuk umum tabel analisis variansi (anava) untuk
regreai linear sederhana. Lajur keempat memberikan jumlah kuadrat dibagi dengan
derajat kebebasannya,untuk regresi dan sisa. Tidak dituliskan jumlahnya dibawah
baris total, karena hal itu tidak berlaku untuk JKT. Lajur terakhir memberikan
harapan dari lajur keempat,yaitu harapan dari rataan kuadrat regresi,E(EKR),dan
harapan dari rataan kuadrat sisa. Lajur ini memberikan dasar pengujian untuk . Bila
maka E(RKR)/E(RKS)=1,tetapi bila maka E(RKR)/E(RKS)>1,sebab
( ) . Dalam prakteknya kita akan menghitung nisbah RKR/RKS.
Bila nisbah ini lebih besar dari 1 secara berarti (significant) maka ita akan
menyimulkan bahwa sebaliknya,bila nisbah ini sama dengan 1 maka
kesimpulannya yaitu x tidak mempengaruhi respon y.
Dari segi teori nisbah RKR/RKS mempunyai distribusi F dengan derajat
kebebasannya 1 dan n-2. Yang pertama ialah dk pembilang sedangkan yang kedua dk
penyebut. Dengan demikian kita dapat mendefinisikan uji statistic
( )
( ) ( )
Nilai F (F-hitung) kemudian dibanding dengan nilai F dari tabel F,dengan dk 1
dan n-2, untuk menguji hipotesis nol (HN) lawan hipotesis tandingan (HT):
Bila F-hitungan lebih besar dari F tabel, untuk dk 1 dan n-2, maka hipotesis HN
kita tolak dan, bila sebaliknya, HN tidak ditolak. Bila HN ditolak maka tandingan HT:
0 yang kita terima. Bila HN tidak ditolak maka tidak ada alasan menolak atau
meragukan HN. Sesungguhnya, kita kecewa bila HN tidak ditolak, Karena dari
permulaan keyakinan kita terletak pada tandingan HT: 0. Keyakinan bahwa 0
atau peubah x mempengaruhi respons y, yang mendorong kita mengadakan pengujian
hipotesis dan juga akan menggunakan uji-t untuk persoalan diatas, Karena
=
Dalam hal ini, uji-t yang digunakan mempunyai dk sama dengan dk penyebut
dalam nisbah-F, yaitu n-2. Perhatikan bahwa uji-t yang digunakan disini dwisisi,
sedangkan uji-F ekasisi. Karena itu uji-t lebih luas cakupannya, Karena dapat
digunakan untuk menguji HN : > 0 lawan tandingan HT : < 0, atau sebaliknya,
sedangkan uji-F tidak dapat digunakan.
Contoh 2.4 untuk data di contoh 2.1 diperoleh tabel anova seperti tabel 2.4
Tabel 2.4 Tabel Anova untuk contoh 2.1
Sunber JK dk RK F-hitungan
Regresi 3,6 1 3,6 1,71
Sisa 6,4 3 2,1
Total 10,0 4
Pada contoh 2.2 telah dihitung bahwa JKT = 10, JKR = 3,6, sehingga JKS = 10
3,6 = 6,4. Ukuran terok n=5, jadi dk JKS adalah 5 2 = 3. F = (3,6/1)/(6,4/3) =
3,6/2,1 = 1,71. Dari tabel F di lampiran L4 diperoleh F1,3 = 10,13 untuk taraf
keberartian (kesignifikanan) = 0,05. Jadi HN: = 0 tidak ditolak. Kalau digunakan
tabel t maka dari tabel L4 di lampiran, diperoleh t3 = 3,182 untuk = 0,05. Perhatikan
bahwa
( )
Karena HN tidak ditolak, jadi hipotesis = 0 didukung oleh data, berarti bahwa
penggunaan model y = + x + tidaklah memuaskan. Model lain, yang lebih cocok,
perlu dicari jika penelitian hendak diteruskan. Dari persamaan (2.15) dan contoh (2.4)
dapat disimpulkan bahwa
(2.17)
Yang menyatakan bahwa F merupakan fungsi yang monoton dari , dan
sebaliknya. Akan tetapi, seperti terlihat pada contoh diatas, tidak dapat digunakan
untuk menguji hipotesis dan uji-F tidak dapat digunakan untuk mengukur besarnya
pengaruh suatu peubah bebas atau factor. Keduanya mempunyai tujuan yang
berlainan.
2.7 Selang kepercayaan dan prediksi
Selang kepercayaan dapat digunakan sebagai taksiran suatu parameter dan dapat
pula dipandang sebagai suatu pengujian hipotesis, yaitu apakah suatu parameter sama
dengan suatu nilai tertentu. Dibawah anggapan bahwa galat berdistribusi normal,
untuk setiap i, maka statistik a dan b juga akan berdistribusi normal. Disini kedua
hasil tersebut akan langsung digunakan. Pemisalan mengenai kebebasan, kenormalan,
dan kesamaan variansi diperlukan dalam pembuatan selang kepercayaan dan
pengujian hipotesis seperti kita akan lihat kemudian.
( ) (2.18)
Dengan E(b) dan kemudian membagi hasilnya dengan simpangan baku dari b,
s(b). dibawah anggapan normal, b akan berdistribusi normal sedangkan s2
berdistribusi X2dengan dk = n-2, sehingga nisbah (2.18) berdistribusi-t dengan dk = n-
2 atau, disingkat, t(n-2). Dengan demikian bila nilai diberikan maka kita dapat
melihat tabel nilai t dengan dk = n-2 dan (lihat tabel L3) yang memenuhi persamaan
*|( ) ( )+| . /+ (2.19)
Nilai t yang memenuhi (2.19) ditulis dengan lambang . /
menyatakan, biasanya dalam perseratus bagian, luas salah satu ujung distribusi-t
dengan dk n-2. Persamaan (2.19) dapat ditulis , setelah menghilangkan tanda harga
mutlak kemudian menyusun suku-sukunya kembali, sebagai:
* . / ( )
. /+ (2.20)
Dengan kata lain,selang kepercayaan untuk dengan kepercayaan 1- (taraf
keberartian ) adalah :
. / ( ) . / ( ) (2.21)
Contoh 2.5 Suatu penelitian ingin mengetahui kebaikan hubungan linear antara
tinggi dan berat badan manusia di suatu daerah. Terok acak sebanyak 15 orang
diambil di pasar dan hasilnya adalah sebagai berikut , bila x menyatakan tinggi dalam
cm dan y berat badan dalam kg.
Tabel 2.5 Data tinggi dan berat badan
( )
Untuk menguji (2.23) dalam hal ini
( ) +
( ) +,
Sesungguhnya yang kita pandang adalah harga mutlak t, atau nilai t tanpa
memandang tandanya, Karena ini menyangkut uji dwisisi. Dari tabel L3 kita peroleh
=2,16<14,06 , sehingga HN: =0 ditolak.
( )
Nisbah ini berdistribusi-t dengan derajat kebebasan n-2. Sehingga dengan ini
dibuktikan bahwa
E(a) =
Dan
Var (a) = * ( ) }= *( )
= *
Sehingga,
( ) ( )
Jadi
*| | ( ) ( )+
Atau, dengan kepercayaan 1- berlaku
( ) . / ( )( )
Prediksi
Sering sekali kita ingin mencari taksiran nilai y untuk suatu nilai x yang tidak
diamati dalam terok. Nilai y seperti ini disebut prediksi y pada suatu nilai x. Ada dua
hal yang perlu dibedakan disini.Var
Pertama, ,
(Y0) = prediksi (
) - nilai y pada suatu nilai x,
(rata-rata
misalnya x = x0. Persamaa regresi memberikan rata-rata nilai y pada suatu nilai x,
tepatnya, E(Y|x). Kedua, prediksi suatu nilai tunggal y0 bila x = x0. Jika diberikan
suatu nilai x0 maka nilai y berubah mengikuti suatu distribusi, misalnya ( ).
Sesungguhnya cara lain mendefinisikan regresi ialah sebagai rata-rata lajur (kolom).
Artinya, untuk setiap nilai x, ambil rata-rata y dan hubungkanlah semua nilai rata-rata
tersebut. Bila ini dikerjakan pada banyak nilai x maka akan diperoleh kurva yang
mulus dan kurva itulah yang disebut kurva regresi.
= E (Y|x0)
Dan
)
( ) ( )
Dimana, rumus diatas berdistribusi t(n-2).
Selang kepercayaan untuk E(Y|x0), dengan kepercayaan 1 - , diberikan oleh
. / ( ) ( | ) . / ( )
Bila
)
( )-
Contoh 2.7
(
Buatlah selang kepercayaan ) E(Y|x0)
untuk , dari (data pada contoh 2.5, bila x0 =
165 cm.
Jawab :
Telah kita lihat diatas bahwa bila x = 165 cm , y0 = 73,70 kg. Dari contoh 2.7
telah kita peroleh bahwa x = 150 , n = 15, ( ) = 3322 dan s = 3,3594,
sehingga
( )
( )
merupakan peubah acak) yang dalam rumus diatas dinyatakan oleh dua suku terakhir
ruas kanan. Sumber variasi yang kedua ialah bahwa prediksi tersebut ditaksir dengan
nilai harapannya, Y0, untuk hal Y0 = y0. Besarnya kesalahan yang ditimbulkan ialah
, yaitu suku pertama ruas kanan.
Dengan mengikuti cara kerja seperti terdahulu, selang kepercayaan untuk suatu
pengamatan tunggal y0 dengan kepercayaan 1- ialah
)
( )
)
( )
Contoh 2.9 Pandang kembali data sisa dari contoh 2.5 yang diterakan di tabel 2.6.
data dibulatkan menjadi satu angka di belakang koma.