TUGAS STATISTIKA NONPARAMETRIK

Senin, 20 April 2020

Nama : Silvia

NPM : 1806232061

Tugas No. 1-4 Subbab 5.5, No. 1-3 Subbab 5.6

Subbab 5.5

(a) Grafik gallons terhadap miles dengan bantuan software R studio

1
STATISTIKA PARAMETRIK

Y = 𝛽 0 + 𝛽 1 X + 𝜀 ~ NIID (0,𝜎2)

Y = number of miles traveled

X = gallons of gasoline

Dengan bantuan software R studio, diperoleh output sebagai berikut

𝑦̂ = 𝛽 0 + 𝛽 1 x

𝑦̂ = 8.692 + 13.605 x

Akan diuji apakah terdapat signifikansi

H0: 𝛽 1 = 0

H1: 𝛽 1 ≠ 0

𝛼 = 0.05

Stat uji:

p-value = 2.63 x 10-5

Aturan keputusan dan wilayah kritis:

H0 ditolak jika p-value < 𝛼 = 0.05

Kesimpulan:

Dengan level signifikansi 𝛼 = 0.05, karena p-value = 2.63 x 10-5 < 𝛼 = 0.05, maka H0 ditolak
atau terdapat signifikansi sehingga model berpengaruh

2
 STATISTIKA NONPARAMETRIK

(b) ∑ 𝑋I = 112.1

∑ 𝑌I = 1612

∑ 𝑋I 𝑌I = 20836.2

∑(𝑋 I 2 ) = 1459.93

𝑋̅ = 11.21

𝑌̅ = 161.2

b = 13.6046

a = 8.6924

y = 8.6924 + 13.6046x

(c) Plot persamaan regresi pada plot a

3
(d) Test for slope

Slope: change in y / change in x = 18/1 = 18

H0: 𝛽 0 = 18

H1: 𝛽 0 ≠ 18

𝛼 = 0.05

Statistik uji: Dengan bantuan software SPSS, kita peroleh output sebagai berikut

Correlations
gallons Ui
Spearman's rho gallons Correlation Coefficient 1.000 -.661*
Sig. (2-tailed) . .038
N 10 10
Ui Correlation Coefficient -.661* 1.000
Sig. (2-tailed) .038 .
N 10 10
*. Correlation is significant at the 0.05 level (2-tailed).

p-value = 0.038
Aturan keputusan dan wilayah kritis:
H0 ditolak jika p-value < 𝛼 = 0.05
Kesimpulan:

Dengan level signifikansi 𝛼 = 0.05, karena p-value = 0.038 < 𝛼 = 0.05, maka H0 ditolak atau
estimasi EPA bahwa jarak tempuh mobil adalah 18 miles per gallon tidak bersesuaian
dengan sampel

(e) PARAMETRIK

2.5 % 97.5 %
gallons 9.948862 17.26048

Dengan bantuan software R studio, diperoleh 95% confidence interval untuk slope adalah
(9.948862, 17.26048)

4
 NONPARAMETRIK

j
i
1 2 3 4 5 6 7 8 9 10
1
2 4.814815
3 16.77419 9.176471
4 22.97872 13.26733 35
5 15 -15.5556 15.8209 62.72727
6 10.71429 6.029412 21.76471 -20 24
7 16.61765 11.39344 16.48649 12.68571 7.038462 -3.22368
8 -7.3913 13.87097 6.481481 -109.839 1172.308 -0.0939 10.54945
9 12.85714 31.73913 13.98148 -502197 -73531.7 7.169811 14.62069 21.48148
10 16.09756 9.684211 14 54.46623 -11.4286 -1.84116 17.40741 7.65625 13.98305

N = 45

dari tabel A11, untuk n = 10, diperoleh 0.975 quantile nya adalah 21

sehingga, r = ½(45-21) = 12 dan s = 45 + 1 – 12 = 34

Dengan mengurutkan nilai pada sel tabel, diperoleh S(I) :

-502197 1 4.814815 11 11.39344 21 15.8209 31 31.73913 41

-
2 6.029412 12 12.68571 22 16.09756 32 35 42
73531.7
-
3 6.481481 13 12.85714 23 16.48649 33 54.46623 43
109.839
-20 4 7.038462 14 13.26733 24 16.61765 34 62.72727 44
-
5 7.169811 15 13.87097 25 16.77419 35 1172.308 45
15.5556
-
6 7.65625 16 13.98148 26 17.40741 36
11.4286
-7.3913 7 9.176471 17 13.98305 27 21.48148 37
-
8 9.684211 18 14 28 21.76471 38
3.22368
-
9 10.54945 19 14.62069 29 22.97872 39
1.84116
-0.0939 10 10.71429 20 15 30 24 40

95% confidence interval untuk slope adalah (S(12) , S(34)) = (6.029412, 16.61765)

5
(a) Grafik faculty terhadap students dengan bantuan software R studio

6
STATISTIKA PARAMETRIK

Y = 𝛽 0 + 𝛽 1 X + 𝜀 ~ NIID (0,𝜎2)

Y = jumlah students

X = jumlah faculty

Dengan bantuan software R studio, diperoleh output sebagai berikut

𝑦̂ = 𝛽 0 + 𝛽 1 x

𝑦̂ = -219.406 + 16.726 x

Akan diuji apakah terdapat signifikansi

H0: 𝛽 1 = 0

H1: 𝛽 1 ≠ 0

𝛼 = 0.05

Stat uji:

p-value = 1.06 x 10-8

Aturan keputusan dan wilayah kritis:

H0 ditolak jika p-value < 𝛼 = 0.05

Kesimpulan:

Dengan level signifikansi 𝛼 = 0.05, karena p-value = 1.06 x 10-8< 𝛼 = 0.05, maka H0 ditolak
atau terdapat signifikansi sehingga model berpengaruh

7
 STATISTIKA NONPARAMETRIK

(b) ∑ 𝑋I = 2104

∑ 𝑌I = 31681

∑ 𝑋I 𝑌I = 5942620

∑(𝑋 I 2 ) = 382892

𝑋̅ = 131.5

𝑌̅ = 1980.063

b = 16.7259

a = -219.39285

y = -219.39285+ 16.7259x

(c) Plot persamaan regresi pada plot a

8
(d) Test for slope

Slope: change in y / change in x = 15/1 = 15

H0: 𝛽 0 = 15

H1: 𝛽 0 ≠ 15

𝛼 = 0.05

Statistik uji: Dengan bantuan software SPSS, kita peroleh output sebagai berikut

Correlations
faculty Ui
Spearman's rho faculty Correlation Coefficient 1.000 .308
Sig. (2-tailed) . .247
N 16 16
Ui Correlation Coefficient .308 1.000
Sig. (2-tailed) .247 .
N 16 16

p-value = 0.247
Aturan keputusan dan wilayah kritis:
H0 ditolak jika p-value < 𝛼 = 0.05
Kesimpulan:
Dengan level signifikansi 𝛼 = 0.05, karena p-value = 0.247 > 𝛼 = 0.05, maka H0 ditolak atau
hipotesis bahwa rata-rata kenaikan jumlah students untuk setiap kenaikan 1 faculty adalah
sebanyak 15 unit bersesuaian dengan sampel

(e) PARAMETRIK
2.5 % 97.5 %
faculty 13.70754 19.74445

Dengan bantuan software R studio, diperoleh 95% confidence interval untuk slope adalah
(13.70754, 19.74445)

0.025 0.975
(Intercept) -430.65707 -127.50065
faculty 15.65254 19.25392

NONPARAMETRIK

Dengan bantuan software R studio, diperoleh 95% confidence interval untuk slope adalah
(15.65254, 19.25392)

9
STATISTIKA PARAMETRIK

Y = 𝛽 0 + 𝛽 1 X + 𝜀 ~ NIID (0,𝜎2)

Y = verbal GRE score

X = math GRE score

Dengan bantuan software R studio, diperoleh output sebagai berikut

𝑦̂ = 𝛽 0 + 𝛽 1 x

𝑦̂ = 459.3455 + 0.1736 x

Akan diuji apakah terdapat signifikansi

H0: 𝛽 1 = 0

H1: 𝛽 1 ≠ 0

𝛼 = 0.05

10
 Stat uji:

p-value = 0.250758

Aturan keputusan dan wilayah kritis:

H0 ditolak jika p-value < 𝛼 = 0.05

Kesimpulan:

Dengan level signifikansi 𝛼 = 0.05, karena p-value = 0.250758 > 𝛼 = 0.05, maka H0 tidak
ditolak atau tidak terdapat signifikansi sehingga model tidak berpengaruh

STATISTIKA NONPARAMETRIK

(f) ∑ 𝑋I = 9510

∑ 𝑌I = 9000

∑ 𝑋I 𝑌I = 5374400

∑(𝑋 I 2 ) = 5796700

𝑋̅ = 594.375

𝑌̅ = 562.5

b = 0.17355

a = 459.3455

y = 459.3455 + 0.17355x

Plot persamaan regresi

11
Test for slope

H0: 𝛽 0 = 1.0

H1: 𝛽 0 < 1.0

𝛼 = 0.05

Statistik uji: Dengan bantuan software SPSS, kita peroleh output sebagai berikut

Correlations
x.math Ui
Spearman's rho x.math Correlation Coefficient 1.000 -.837**
Sig. (1-tailed) . .000
N 16 16
Ui Correlation Coefficient -.837** 1.000
Sig. (1-tailed) .000 .
N 16 16
**. Correlation is significant at the 0.01 level (1-tailed).

Spearman’s rho = -0.837, p-value = 0.000

Aturan keputusan dan wilayah kritis:

12
H0 ditolak jika p-value < 𝛼 = 0.05

Kesimpulan:
Dengan level signifikansi 𝛼 = 0.05, karena p-value = 0.00 < 𝛼 = 0.05, maka H0 ditolak atau
rata-rata nilai verbal akan meningkat dibawah 1.0 unit y jika nilai math bertambah 1 unit.

13
Y = 𝛽 0 + 𝛽 1 X + 𝜀 ~ NIID (0,𝜎2)

Y = company’s performance

X = S&P 500’s performance

PARAMETRIK

2.5 % 97.5 %
x.sp500 1.698761 2.431221

Dengan bantuan software R studio, diperoleh 95% confidence interval untuk slope adalah
(1.698761, 2.431221).

NONPARAMETRIK

Yi 0.045 0.051 0.08 0.022 -0.046 -0.006 0.103 0.022

Xi 0.026 0.027 0.031 0.008 -0.025 0.001 0.049 0.01

j
i
1 2 3 4 5 6 7 8
1
2 6
3 7 7.25
4 7 1.5263 2.5217391
5 1.7843137 1.8654 2.25 2.060606
6 2.04 2.1923 2.8666667 4 1.538462
7 2.5217391 2.3636 1.2777778 1.97561 2.013514 2.270833
8 1.4375 1.7059 2.7619048 0 1.942857 3.111111 2.076923

14
N = 28

dari tabel A11, untuk n = 8, diperoleh 0.975 quantile nya adalah 16

sehingga, r = ½(28-16) = 6 dan s = 28 + 1 – 6 = 23

Dengan mengurutkan nilai pada sel tabel, diperoleh S(I) :

0 1 1.865385 8 2.192308 15 2.866667 22

1.277778 2 1.942857 9 2.25 16 3.111111 23
1.4375 3 1.97561 10 2.270833 17 4 24
1.526316 4 2.013514 11 2.363636 18 6 25
1.538462 5 2.04 12 2.521739 19 7 26
1.705882 6 2.060606 13 2.521739 20 7 27
1.784314 7 2.076923 14 2.761905 21 7.25 28

95% confidence interval untuk slope adalah (S(6) , S(23)) = (1.705882, 3.111111)

15
Subbab 5.6

(a) Plot X terhadap Y

scatterplot
120

100

80

60
Y
40

20

0
0 1 2 3 4 5 6

Jika dilihat berdasarkan plot diatas, mungkin bahwa respons merupakan fungsi linear
yang monoton naik dari dosis.

(b) Estimasi E(Y|X) untuk X = 3 mm.

PARAMETRIK

Y = 𝛽 0 + 𝛽 1 X + 𝜀 ~ NIID (0,𝜎2)

Y = response

X = dosage

16
Dengan bantuan software SPSS, diperoleh output sebagai berikut
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -24.000 9.748 -2.462 .039
X 24.727 3.142 .941 7.869 .000
a. Dependent Variable: Y

𝑦̂ = 𝛽 0 + 𝛽 1 x

𝑦̂ = -24 + 24.727 x

𝑦̂ = -24 + 24.727 (3)

𝑦̂ = 50,181 = estimasi E(Y|X) untuk X=3

NONPARAMETRIK

R(Xi) x
Data X Y R(Xi) R(Yi)
R(Yi)
1 0.5 0 1 2 2
2 1 0 2 2 4
3 1.5 20 3 4 12
4 2 0 4 2 8
5 2.5 40 5 5.5 27.5
6 3 60 6 7 42
7 3.5 40 7 5.5 38.5
8 4 80 8 8 64
9 4.5 100 9 9.5 85.5
10 5 100 10 9.5 95
sum
378.5
RX.RY
sumsq
385
RX

n=10

b2 = 0.921

17
 a2 = 0.4345

Untuk x0 = 3, maka kita cari

Dimana x0 = 3 sudah ada di data nilai X dengan Rank 6.

Sehingga R(x0) = 6

R(Y0) = 0.4345 + (0.921 X 6) = 5.9605

Dengan R(Yi ) < R(Y0)< R(YJ), dapat dilihat bahwa 5.5 < 5.9605 < 7

Artinya R(Yi ) = 5.5 dan R(Yj ) = 7, serta YI = 40 dan YJ = 60

= 40 + [(5.9605-5.5)/(7-5.5)](60-40)

= 46.14

Menurut regresi monotonic, jika diberikan X0 = 3, maka estimasi E(Y|X) nya adalah 46.14

(c) Estimasi E(Y|X) untuk X = 3 mm.

PARAMETRIK

𝑦̂ = 𝛽 0 + 𝛽 1 x

𝑦̂ = -24 + 24.727 x

𝑦̂ = -24 + 24.727 (3.3)

𝑦̂ = 57.5991 = estimasi E(Y|X) untuk X=3.3

18
NONPARAMETRIK

R(Xi) x
Data X Y R(Xi) R(Yi)
R(Yi)
1 0.5 0 1 2 2
2 1 0 2 2 4
3 1.5 20 3 4 12
4 2 0 4 2 8
5 2.5 40 5 5.5 27.5
6 3 60 6 7 42
7 3.5 40 7 5.5 38.5
8 4 80 8 8 64
9 4.5 100 9 9.5 85.5
10 5 100 10 9.5 95
sum
378.5
RX.RY
sumsq
385
RX

n=10

b2 = 0.921

a2 = 0.4345

Untuk x0 = 3.3, maka kita cari

Dimana Xi < x0 < XJ , perhatikan bahwa 3 < 3.3 < 3.5, jadi Xi = 3 dan XJ = 3.5

Rank (3) = 6 dan Rank(3.5) = 7

Sehingga R(x0) = 6 + [(3.3 -3)/(3.5-3)](7-16)

R(x0) = 6.6

R(Y0) = 0.4345 + (0.921 X 6.6) = 6.5131

19
 Dengan R(Yi ) < R(Y0)< R(YJ), dapat dilihat bahwa 5.5 < 6.5131 < 7

Artinya R(Yi ) = 5.5 dan R(Yj ) =7 , serta YI = 40 dan YJ = 60

= 40 + [(6.5131-5.5)/(7-5.5)](60-40)

= 53.508

Menurut regresi monotonic, jika diberikan X0 = 3.3 , maka estimasi E(Y|X) nya adalah 53.508

(d) Estimasi regresi Y pada X, kemudian buat plotnya

PARAMETRIK

𝑦̂ = -24 + 24.727 x

20
 NONPARAMETRIK

Untuk seluruh XI ,

Ryj- Est. E(Y|X =

no X Y R(Xi) R(Yi) R(X0) R(Y0) R(Yi) R(Yj) YI Yj RY0 -Ryi Yj -Yi
Ryi X0)
1 0.5 0 1 2 1 1.3555 non non non non non non non non
2 1 0 2 2 2 2.2765 2 4 0 20 0.2765 2 20 2.765
3 1.5 20 3 4 3 3.1975 2 4 0 20 1.1975 2 20 11.975
4 2 0 4 2 4 4.1185 4 5.5 20 40 0.1185 1.5 20 21.58
5 2.5 40 5 5.5 5 5.0395 4 5.5 20 40 1.0395 1.5 20 33.86
6 3 60 6 7 6 5.9605 5.5 7 40 60 0.4605 1.5 20 46.14
7 3.5 40 7 5.5 7 6.8815 5.5 7 40 60 1.3815 1.5 20 58.42
8 4 80 8 8 8 7.8025 7 8 60 80 0.8025 1 20 76.05
9 4.5 100 9 9.5 9 8.7235 8 9.5 80 100 0.7235 1.5 20 89.64666667
10 5 100 10 9.5 10 9.6445 non non non non non non non non

Untuk seluruh Yi,

R(Xk)
no X Y R(Xi) R(Yi) est R(Xi) R(Xj) R(Xk) Xj Xk est R(xi) - R(Xj) est X
- R(Xj)
1 0.5 0 1 2 1.699783 1 2 0.5 1 0.699782845 1 0.849891
2 1 0 2 2 1.699783 1 2 0.5 1 0.699782845 1 0.849891
3 1.5 20 3 4 3.871336 3 4 1.5 2 0.871335505 1 1.935668
4 2 0 4 2 1.699783 1 2 0.5 1 0.699782845 1 0.849891
5 2.5 40 5 5.5 5.5 5 6 2.5 3 0.5 1 2.75
6 3 60 6 7 7.128664 7 8 3.5 4 0.128664495 1 3.564332
7 3.5 40 7 5.5 5.5 5 6 2.5 3 0.5 1 2.75
8 4 80 8 8 8.214441 8 9 4 4.5 0.214440825 1 4.10722
9 4.5 100 9 9.5 9.843105 9 10 4.5 5 0.84310532 1 4.921553
10 5 100 10 9.5 9.843105 9 10 4.5 5 0.84310532 1 4.921553

Tabel pertama diperoleh (Xi,𝑌̂i) sedangkan tabel kedua diperoleh (𝑋̂I,YI)

Hasil plot dari seluruh titik yang diperoleh adalah

21
 scatterplot
120

100

80

60
Y

40

20

0
0 1 2 3 4 5 6

Estimasi regresi Y dari X

the estimate of the regression of Y on X

120

100

80

60 Y

40 Y

20

0
0 1 2 3 4 5 6
-20

22
 (a) Plot x terhadap y

scatterplot
50

40

30

20
Y
10

0
-20 0 20 40 60 80 100
-10

-20

Jika dilihat berdasarkan plot diatas, mungkin bahwa sales merupakan fungsi linear
yang monoton naik dari advertising.

(b) Estimasi E(Y|X) untuk X = 0.25.

PARAMETRIK

Y = 𝛽 0 + 𝛽 1 X + 𝜀 ~ NIID (0,𝜎2)

Y = response

X = dosage

Dengan bantuan software R studio, diperoleh output sebagai berikut

23
𝑦̂ = 𝛽 0 + 𝛽 1 x

𝑦̂ = 5.9844 + 0.5201 x

𝑦̂ = 5.9844 + 0.5201 (0.25)

𝑦̂ = 6.114425 = estimasi E(Y|X) untuk X=0.25

NONPARAMETRIK

R(Xi) x
R(Xi) R(Yi)
Data X Y R(Yi)
1 4 10 3 3 9
2 62 33 8 5.5 44
3 31 39 6 8.5 51
4 -11 -14 1 1 1
5 47 37 7 7 49
6 88 39 10 8.5 85
7 16 18 4 4 16
8 -1 -8 2 2 4
9 74 45 9 10 90
10 21 33 5 5.5 27.5
sum
376.5
RX.RY
sumsq
385
RX
n=10

b2 = 0.89697

a2 = 0.566665

Untuk x0 = 0.25, maka kita cari

Dimana Xi < x0 < XJ , perhatikan bahwa -1 < 0.25 < 4, jadi Xi = -1 dan XJ = 4

24
 Rank (-1) = 2 dan Rank(4) = 3

Sehingga R(x0) = 2 + [(0.25 +1)/(4+1)](3-2)

R(x0) = 2.25

R(Y0) = 0.566665 + (0.89697 X 2.25) = 2.5848475

Dengan R(Yi ) < R(Y0)< R(YJ), dapat dilihat bahwa 2 < 2.5848475 < 3

Artinya R(Yi ) = 2 dan R(Yj ) = 3, serta YI = -1 dan YJ = 4

= -1 + [(2.5848475-2)/(3-2)](4+1)

= 1.9242375

Menurut regresi monotonic, jika diberikan X0 = 0.25 , maka estimasi E(Y|X) nya adalah
1.9242375

(c) Estimasi regresi Y pada X, kemudian buat plotnya

PARAMETRIK

𝑦̂ = 5.9844 + 0.5201 x

25
 NONPARAMETRIK

Menggunakan metode regresi monotonic,

Untuk seluruh Xi,

Yj - Est. E(Y|X =
no X Y R(Xi) R(Yi) R(X0) R(Y0) R(Yi) R(Yj) YI Yj RY0 -Ryi Ryj-Ryi
Yi X0)
1 4 10 3 3 3 3.25758 3 4 10 18 0.25758 1 8 12.0606
2 62 33 8 5.5 8 7.74243 7 8.5 37 39 0.74243 1.5 2 37.9899
3 31 39 6 8.5 6 5.94849 5.5 7 33 37 0.44849 1.5 4 34.19596
-
4 -14 1 1 1 1.46364 1 2 -14 -8 0.46364 1 6 -11.21819
11
5 47 37 7 7 7 6.84546 5.5 7 33 37 1.34546 1.5 4 36.58788
6 88 39 10 8.5 10 9.53637 8.5 10 39 45 1.03637 1.5 6 43.14546
7 16 18 4 4 4 4.15455 4 5.5 18 33 0.15455 1.5 15 19.54545
8 -1 -8 2 2 2 2.36061 2 3 -8 10 0.36061 1 18 -1.50911
9 74 45 9 10 9 8.6394 8.5 10 39 45 0.1394 1.5 6 39.55758
10 21 33 5 5.5 5 5.05152 4 5.5 18 33 1.05152 1.5 15 28.51515

Untuk seluruh Yi,

est R(xi) - R(Xk) -

no X Y R(Xi) R(Yi) est R(Xi) R(Xj) R(Xk) Xj Xk est X
R(Xj) R(Xj)
1 4 10 3 3 2.712839 2 3 -1 4 0.712838779 1 2.564194
2 62 33 8 5.5 5.5 5 6 21 32 0.5 1 26.5
3 31 39 6 8.5 8.844593 8 9 62 74 0.844593465 1 72.13512
4 -11 -14 1 1 0.48311 non non non non non non non
5 47 37 7 7 7.172297 7 8 47 62 0.172296732 1 49.58445
6 88 39 10 8.5 8.844593 8 9 62 74 0.844593465 1 72.13512
7 16 18 4 4 3.827703 3 4 4 16 0.827703268 1 13.93244
8 -1 -8 2 2 1.597974 1 2 -11 -1 0.597974291 1 -5.02026
9 74 45 9 10 10.51689 non non non non non non non
10 21 33 5 5.5 5.5 5 6 21 31 0.5 1 26

Tabel pertama diperoleh (Xi,𝑌̂i) sedangkan tabel kedua diperoleh (𝑋̂I,YI)

Hasil plot dari seluruh titik yang diperoleh adalah

26
 scatterplot
50

40

30

20
Y
10

0
-20 0 20 40 60 80 100
-10

-20

Estimasi regresi Y dari X

the estimate of the regression of Y on X

50

40

30

20
Y
Y
10

0
-20 0 20 40 60 80 100

-10

-20

27
PARAMETRIK

Y = 𝛽 0 + 𝛽 1 X + 𝜀 ~ NIID (0,𝜎2)

Y = result of explotion

X = strength of shock stimulus

Dengan bantuan software R studio, diperoleh output sebagai berikut

𝑦̂ = 𝛽 0 + 𝛽 1 x

𝑦̂ = -0.24643 + 0.05422 x

𝑦̂ = -0.24643 + 0.05422 (20)

𝑦̂ = 0.83797 ≈ 1 = estimasi E(Y|X) untuk X=0.25

Menurut statistika parametric, jika diberikan kekuatan sebesar 20, maka bom akan meledak
(Y=1 artinya bom meledak)

NONPARAMETRIK

Data X Y R(Xi) R(Yi)

1 10.7 1 6 13.5
2 13.9 1 9 13.5
3 15.8 1 11 13.5
4 17 1 12 13.5
5 18.1 1 13 13.5

28
 6 19.9 1 15 13.5
7 20.7 1 16 13.5
8 21.6 1 17 13.5
9 4 0 1 5
10 4.4 0 2 5
11 4.7 0 3 5
12 5.1 0 4 5
13 9.3 0 5 5
14 11.2 0 7 5
15 13.7 0 8 5
16 15 0 10 5
17 19.7 0 14 5
Sum
RX.RY 1606.5
Sumsq
1785
RX

n=17

b2 = 0.5625

a2 = 3.9375

Untuk x0 = 20, maka kita cari

Dimana Xi < x0 < XJ , perhatikan bahwa 19.9 < 20 < 20.7, jadi Xi = 19.9 dan XJ = 20.7

Rank (19.9) = 15 dan Rank(20.7) = 16

Sehingga R(x0) = 15 + [(20 -19.9)/(20.7-19.9)](16-15)

R(x0) = 15.125

R(Y0) = 3.9375 + (0.5625 X 15.125) = 12.4453125

29
Dengan R(Yi ) < R(Y0)< R(YJ), dapat dilihat bahwa 5 < 12.4453125 < 13.5

Artinya R(Yi ) = 5 dan R(Yj ) = 13.5, serta YI = 0 dan YJ = 1

= 0 + [(12.4453125-5)/(13.5-5)](1-0)

= 0.875919

≈1

Menurut regresi monotonik, jika diberikan kekuatan sebesar 20, maka bom akan meledak.
(Y=1 artinya bom meledak)

30