SEKOLAH TINGGI POLITEKNIK

CHIMBORAZO

FAKULTAS MEKANIKA

SEKOLAH INJENI MANA

ANGGOTA:

Amboya Morocho Jhon Israel 7850

Salguero Noboa Jessica Marisol 7930

semestre

Kelas "A"

Kursi

METODE NUMERIK

Pengajar:

Ing. José Luis Perez

Oktober 2021-2022
17.1 Diberikan data

Tentukan
Media
b) la deviasi standar
c) la varian
d) koefisien variasi, dan
e) interval kepercayaan 95% untuk rata-rata

KODE
M=[8.8 9.5 9.8 9.4 10;9.4 10.1 9.2 11.3 9.4;10 10.4
7.9 10.4 9.8;9.8 9.5 8.9 8.8 10.6;10.1 9.5 % a)
Media=mean(M,'semua')
Media = 9.6520
% b)
std(M,0,'all')
Desviacion_Estandar = 0.7030
% c)
var(M,0,"semua")
0.4943
% d)
CV=Standar_Penyimpangan/Rata-rata*100
7.2839
% e)
panjang(M);
Intervalo_kepercayaan=Rata-rata+tinv([0.0025
0.975],24)*Deviasi_Standar/sqrt(25)
1×2
9.2174 9.9422
17.2 Bangun histogram dari data pada masalah 17.1. Gunakan rentang dari 7.5
11,5 dengan interval 0,5

KODE
Datos=reshape(M,[1,25])
1×25
8.8000 9.4000 10.0000 9.8000 10.1000 9.5000 10.1000
10.4000
histogram(Datos);
 17.3 Data yang diberikan

Menentukan
a) media,
b) deviasi standar,
c) varians
d) koefisien variasi, dan
e) interval kepercayaan 90% untuk rata-rata,
f) bangunlah sebuah histogram. Gunakan rentang dari 26 hingga 32 dengan kenaikan 0,5.
g) Jika diasumsikan bahwa distribusinya normal dan bahwa estimasi dari
deviasi standar adalah valid, hitung rentang (yaitu, nilai bawah dan
superior) yang mengelompokkan 68% data. Tentukan apakah ini adalah estimasi yang valid
untuk data masalah tersebut.

KODE
MD=[28.65 26.55 26.55 27.65 27.35 28.35 26.85;26.85
29,65 27,85 27,05 28,25 28,35 26,75;27,65 28,45 % a)
Media=mean(MD,'semua')
Media = 27.9357
% b)
std(MD,0,'semua')
Desviacion_Estandar = 1.1151
% c)
var(MD,0,"semua")
Varianza = 1.2435
% d)
CV=Deviasi_Standar/Rata-rata*100
3.9917
% e)
panjang(MD);
Ruang_kepercayaan=Rata-rata+tinv([0.0025
0.975],27)*Deviasi_Standar/sqrt(panjang(MD))
1×2
26.6475 28.8005
% f)
Datos=reshape(MD,[1,28])
1×28
28.6500 26.8500 27.6500 29.2500 26.5500 29.6500
28.4500 27.6500
histogram(Datos);
17.4 Gunakan regresi kuadrat terkecil untuk menyesuaikan garis lurus ke

Selain kemiringan dan perpotongan, hitung kesalahan standar dari

estimasi dan koefisien korelasi. Buatlah grafik data dan garisnya
regresi. Setelah itu ulangi masalahnya, tetapi sekarang lakukan regresi x versus
y, yaitu, tukar variabel. Interpretasikan hasilnya.

KODE
x=[0 2 4 6 9 11 12 15 17 19];
y=[5 6 7 6 9 8 7 10 12 12];
disp('Regresi Linier Metode Kuadrat Terkecil')
Regresi Linear Metode Kuadrat Terkecil
[A,B]=garisls(x,y);
y=A*x+B
plot(x,y,'*',x,A*x+B,'-')
xlabel('x')
ylabel('y')
Regresi linier Metode Minimis Kuadrat

17.5 Gunakan regresi kuadrat terkecil untuk menyesuaikan garis lurus pada
 Selain kemiringan dan irisan, hitung kesalahan standar dari
estimasi dan koefisien korelasi. Buat grafik dari data dan garis
regresi. Jika orang lain melakukan pengukuran tambahan x=10? y=10. Anda
saya akan berpikir, berdasarkan evaluasi visual dan kesalahan standar, bahwa pengukuran itu adalah
valid atau tidak valid? Justifikasi kesimpulan Anda.

KODE
x=[6 7 11 15 17 21 23 29 29 37 39];
y=[29 21 29 14 21 15 7 7 13 0 3];
disp('Regresi Linier Metode Kuadrat Terkecil')
Regresi Linear Metode Kuadrat Terkecil
[A,B]=lsline(x,y);
std([x;y],0,'semua')
Desviacion_Estandar = 10.9165
y=A*x+B
plot(x,y,'*',x,A*x+B,'-')
xlabel('x')
y
judul('Regresi linier Metode Kuadrat Terkecil')
grid aktif;
17.6 Dengan pendekatan yang sama yang digunakan untuk mendapatkan persamaan (17.15) dan
(17.16), dapatkan penyesuaian kuadrat minimum dari model berikut:
y=as+e2
Artinya, tentukan kemiringan yang dihasilkan dalam penyesuaian dengan metode kuadrat terkecil
untuk sebuah garis lurus dengan interseksi di titik asal. Sesuaikan data berikut dengan
model ini dan ilustrasikan hasilnya dengan grafik.

KODE
x=[2 4 6 7 10 11 14 17 20];
y=[1 2 5 2 8 7 6 9 12];
Tampilkan('Regresi Linier Metode Kuadrat Terkecil')
Regresi Linier Metode Kuadrat Terkecil
[A,B]=lsline(x,y);
std([x;y],0,'all')
Desviacion_Estandar = 5.3300
y=a 1*x+e
plot(x,y,'*',x,A*x+B,'-')
xlabel('x')
ylabel('y')
judul('Regresi linier Metode Kuadrat Terkecil')
17.7 Gunakan regresi kuadrat terkecil untuk menyesuaikan garis lurus ke

a) Selain kemiringan dan titik potong, hitung kesalahan standar dari

estimasi dan koefisien korelasi. Grafik data dan garis lurus. Evaluasi
penyesuaian
b) Lakukan perhitungan lagi untuk poin a), tetapi gunakan regresi polinomial untuk
mengatur sebuah parabola pada data. Bandingkan hasilnya dengan hasil pada butir a).

KODE
x=[1 2 3 4 5 6 7 8 9];
y=[1 1.5 2 3 4 5 8 10 13];
disp('Regresi Linear Metode Kuadrat Terkecil')
Regresi Linier Metode Kuadrat Terkecil
[A,B]=lsline(x,y);
std([x;y],0,'all')
Desviacion_Estandar = 3.4291
plot(x,y,'*',x,A*x+B,'-')
xlabel('x')
sumbu y('y')
judul('Regresi linier Metode Kuadrat Terkecil')
% a)
Tampilkan('Koefisien korelasi')
Koefisien korelasi
A = [x' y' A.*x' + B];
R = koefisien_korelasi(A);
R = R(1,2)
R = 0.9562
R2=R^2
R2 = 0.9144
Deviasi_Standar=std([x;y],0,'semua')
Desviacion_Estandar = 3.4291
Kesalahan_Estandar=Deviasi_Estandar/(akar(panjang(x)))
Error_Estandar = 1.1430
% b)
disp('Regresi Kuadratik Metode Kuadrat Terkecil')
Regresi Kuadratik Metode Kuadrat Terkecil
C=lspoly(x,y,2);
tunggu sebentar
std([x;y],0,'all')
Desviacion_Estandar = 3.4291
plot(x,y,'*',x,C(3)+C(2)*x+C(1)*x.^2,'-')
xlabel('x')
sumbu y
tahan dulu
grid aktif;
17.8 Sesuaikan data berikut dengan
a) model tingkat pertumbuhan saturasi,
b) suatu persamaan pangkat, dan
c) sebuah parabola. Dalam setiap kasus, buat grafik data dan persamaannya.

KODE
x = [0.75 2 3 4 6 8 8.5];
y=[1.2 1.95 2 2.4 2.4 2.7 2.6];
% a)
tunggu sebentar
Mengatur ke model logaritmik
plot(x,y,'r*',x,log(x),'b')
sumbu-x('x')
ylabel('y')
% b)
%Model daya kubik
p=3;
C=lspoly(x,y,p);
plot(x,C(4)+C(3)*x+C(2)*x.^2+C(1)*x.^3,'-')
% c)
C=lspoly(x,y,2);
plot(x,C(3)+C(2)*x+C(1)*x.^2,'-')
legenda('Data','Model Pertumbuhan Tingkat','Persamaan dari
 potensi','Parabola
tahan
grid aktif;

17.9 Sesuaikan data berikut dengan model daya (y = ax^b). Gunakan

persamaan kekuatan yang dihasilkan untuk memprediksi y pada x=9.

KODE
x=[2.5 3.5 5 6 7.5 10 12.5 15 17.5 20];
y=[13 11 8.5 8.2 7 6.2 5.2 4.8 4.6 4.3];
Judul('Model Daya')
KODE
a=20.4;b=-0.52;
a=20.4;
b=-0.52
b = -0,5200
plot(x,y,'r*',x,a*x.^b,'b')
xlabel('x')
ylabel('y')
grid aktif;
17.10Sesuaikan dengan model eksponensial ke

Gambarlah data dan persamaan baik di kertas milimeter maupun di

semilogaritmik.

KODE
x=[0.4 0.8 1.2 1.6 2 2.3];
y=[800 975 1500 1950 2900 3600];
a=535.9;b=0.8313;
a=537;
b=0,83;
plot(x,y,'r*',x,a*exp(b*x),'b')
xlabel('x')
ylabel('y')
Model Eksponensial
grid aktif;
17.11 Alih-alih menggunakan model eksponensial dengan basis e (persamaan 17.22), sebuah
alternatif umum terdiri dari menggunakan model basis 10.
y=a5 10 8 x
Ketika digunakan untuk menyesuaikan kurva, persamaan ini menghasilkan hasil yang identik yang
yang versi dengan dasar e, tetapi nilai parameter eksponen (B5) berbeda
gunakan estimasi dengan persamaan 17.22(B1). Gunakan versi berbasis 10 untuk menyelesaikan
masalah 17.10. Selain itu, kembangkan suatu formulasi untuk menghubungkan B1 dengan B5.

KODE
x=[0.4 0.8 1.2 1.6 2 2.3];
y=[800 975 1500 1950 2900 3600];
a=535.9;b=0.361;
a=487;
b=0.36;
plot(x,y,'r*',x,a*10.^(b*x),'b')
xlabel('x')
label sumbu y('y')
judul('Model Eksponensial basis e')
grid aktif;
17.12 Selain contoh-contoh pada gambar 17.10, terdapat model-model lain yang ...
Mereka dapat membuat linier dengan menggunakan transformasi. Misalnya,
y=a1/ 4xeB 4x
Lakukan regresi linier untuk model ini dan gunakan untuk memperkirakan a4 dan B4 berdasarkan data.
berikut. Buat grafik dari penyesuaian bersama dengan data
 KODE
c=[0.1 0.2 0.4 0.6 0.9 1.3 1.5 1.7 1.8];
k=[0.75 1.25 1.45 1.25 0.85 0.55 0.35 0.28 0.18];

17.13 Seorang peneliti melaporkan data yang ditabulasi di bawah ini, dari sebuah eksperimen
untuk menentukan laju pertumbuhan bakteri k(per hari). sebagai fungsi dari
konsentrasi oksigen c (mg/L). Diketahui bahwa data tersebut dapat dimodelkan
melalui persamaan berikut:
kc2
k=
c+ c 2

di mana c dan k adalah parameter. Gunakan transformasi untuk membuat ini linier.
persamaan. Setelah itu gunakan regresi linier untuk memperkirakan c dan k, dan ramalkan tingkat
pertumbuhan untuk c=2mg/L

KODE
c=[0.5 0.8 1.5 2.5 4];
k=[1.1 2.4 5.3 7.6 8.9];
kmax=0.3735;
cs=-0.1221;
plot(c,k,'r*',c,(kmax*c.^2)/(cs+c.^2),'b')
xlabel('x')
label sumbu y('y')
Model Tasa Pertumbuhan Bakteri
grid dihidupkan;
17.14 Diberikan data

Gunakan regresi kuadrat terkecil untuk mengatur

sebuah garis lurus
b) sebuah persamaan pangkat
c) sebuah persamaan laju pertumbuhan saturasi, y
d) sebuah parabola. Gambarkan data bersama semua kurva. Apakah ada dari
apakah curvas lebih baik daripada yang lain? Jika demikian, jelaskan.

KODE
x=[5 10 15 20 25 30 35 40 45 50];
y=[17 24 31 33 37 37 40 40 42 41];
% a)
tahan sebentar
Menyesuaikan pada garis lurus
[A,B]=lsline(x,y);
plot(x,y,'*',x,A*x+B,'-')
sumbu-x('x')
ylabel('y')
% b)
Persamaan pangkat
a=11.43;
b=0.3433;
plot(x,a.*x.^b,'-')
% c)
Tingkat pertumbuhan
a=41.42;
b=0.0004757;
c=-35,67;
d=-0.074;
plot(x,a*x.^b+c*exp(d*x),'-')
%d)
%Parabola
C=lspoly(x,y,2);
plot(x,C(3)+C(2)*x+C(1)*x.^2,'-')
legenda('Data','Garis Lurus','Kekuatan','Persamaan
Tingkat Pertumbuhan
tahan
jaringan aktif;
17.15 Sesuaikan persamaan kubik dengan data berikut:

Selain koefisien, tentukan r^2 dan s

KODE
Persamaan kubik
x=[3 4 5 7 8 9 11 12];
y=[1.6 3.6 4.4 3.4 2.2 2.8 3.8 4.6];
%Pangkat ke 3
C=lspoly(x,y,3);
plot(x,y,'r*',x,C(4)+C(3)*x+C(2)*x.^2+C(1)*x.^3,'-')
tahan
Persamaan Kubik
xlabel('x')
ylabel('y')
grid aktif;
 KODE
Koefisien korelasi
Koefisien korelasi
[x' y' C(4)+C(3)*x+C(2)*x.^2+C(1)*x'.^3]
R = koefisien_korelasi(A);
R = R(2,1)
R = 0.4263
R2=R^2
R2 = 0.1817
std([x;y],0,'all')
Desviacion_Estandar = 3.1400
Kesalahan_Pasang=Deviasi_Pasang/(akar(panjang(x)))
Error_Estandar = 1.1102

17.16Gunakan regresi linier berganda untuk menyesuaikan

Hitung koefisien, kesalahan standar estimasi, dan koefisien dari

korelasi.
 KODE
x1=[0 1 1 2 2 3 3 4 4];
x2=[0 1 2 1 2 1 2 1 2];
y=[15.1 17.9 12.7 25.6 20.5 35.1 29.7 45.4 40.2];
A = [x1' y' x2' y'];
R = koefisien_korelasi(A);
R=R(2,1);
R2=R^2
R2 = 0.8945
std([x1,x2,y],0,'all')
Desviacion_Estandar = 13.6888
Kesalahan_Estandar=Deviasi_Estandar/(akar(panjang(x)))
Error_Estandar = 4.8397

17.17 Gunakan regresi linier berganda untuk menyesuaikan

Hitung koefisien, kesalahan standar estimasi, dan koefisien dari

korelasi.

KODE
x1=[0 0 1 2 0 1 2 2 1];
x2=[0 2 2 4 4 6 6 2 1];
y=[14 21 11 12 23 23 14 6 11];
y=[15.1 17.9 12.7 25.6 20.5 35.1 29.7 45.4 40.2];
A = [x1' y' x2' y'];
R = koefkor(A);
R=R(2,1);
R2=R^2
R2 = 0.3507
Deviasi_Standar=std([x1,x2,y],0,'semua')
13.6468
Kesalahan_Estandar=Deviasi_Estandar/(akar(panjang(x)))
Error_Estandar = 4.8249

17.18 Gunakan regresi non linier untuk menyesuaikan sebuah parabola dengan data berikut:
 KODE
x=[0.2 0.5 0.8 1.2 1.7 2 2.3];
y=[500 700 1000 1200 2200 2650 3750];
%Parabola
C=lspoly(x,y,2);
plot(x,y,'*',x,C(3)+C(2)*x+C(1)*x.^2,'-')
legenda('Data', 'Parabola');
grid hidup;
xlabel('x');
ylabel('y');

17.19 Gunakan regresi non-linear untuk menyesuaikan persamaan laju pertumbuhan dari
saturasi pada data masalah 17.14.

KODE
y=[17 24 31 33 37 37 40 40 42 41];
%Parabola
C=lspoly(x,y,2);
plot(x,y,'*',x,C(3)+C(2)*x+C(1)*x.^2,'-')
legend('Data','Parabola');
grid aktif;
xlabel('x');
 ylabel('y');
Pengaturan Data

17.20Hitung kembali penyesuaian regresi untuk masalah a) 17.4, dan b) 17.15,

dengan pendekatan matriks. Perkirakan kesalahan standar dan kembangkan interval
kepercayaan 90% untuk koefisien.

KODE
%Data 17.4
x=[0 2 4 6 9 11 12 15 17 19];
y=[5 6 7 6 9 8 7 10 12 12];
Media=mean(x);
%Data pada 17.15
x1=[3 4 5 7 8 9 11 12];
y2=[1.6 3.6 4.4 3.4 2.2 2.8 3.8 4.6];
rata-rata(x);
%Data 17.4
C=lspoly(x,y,2);
plot(x,y,'*',x,C(3)+C(2)*x+C(1)*x.^2,'-')
legenda('Data','Parabola');
grid aktif;
xlabel('x');
label sumbu y('y');
Penyesuaian Data

std([x,y,C(3)+C(2)*x+C(1)*x.^2],0
'semua');

Intervalo_kepercayaan=Rata-rata+tinv([0.0025
0,9],7)*Deviasi_Standar/sqrt(panjang(x))

%Data 17.15

C=lspoly(x1,y2,2);
plot(x1,y2,'*',x1,C(3)+C(2)*x1+C(1)*x1.^2,'-')
legenda('Data','Parabola');
grid aktif;
xlabel('x');
label sumbu-y('y');
Pengaturan Data
Deviasi_Standar=std([x1,y2,C(3)+C(2)*x1+C(1)*x1.^
2],0,'semua')
Ruang_Keyakinan=Rata-rata1+tinv([0.0025
0.9],7)*Deviasi_Standar/sqrt(length(x))
17.21 Kembangkan, perbaiki, dan uji program dalam bahasa tingkat tinggi manapun.
dari macro yang Anda pilih, untuk menerapkan analisis regresi linier. Antara lain
a) sertakan komentar untuk mendokumentasikan kode,
standar dan koefisien determinasi.

KODE
fungsi [A,B]=lsline(X,Y)
%REGRESI LINIER
%METODE MINIMASI KUADRAT LINIER (Least-Squares
Garis)
rata-rata(X);
ymean=mean(Y);
sumx2=(X-xmean)*(X-xmean)';
sumxy=(Y-ymean)*(X-xmean)';
A=sumxy/sumx2;
B=ymean-A*xmean;
akhir
fungsi C = lspoly(X,Y,M)
%Regresi Polinomial
%(Polinomial Kuadrat Terkecil)
n=panjang(X);
B=kosong(1:M+1);
F=zeros(n,M+1);
untuk k=1:M+1
F(:,k)=X'.^(k-1);
akhir
A=F'*F;
B=F'*Y';
C=A\B;
C=flipud(C);
akhir

17.22Uji dilakukan pada suatu material untuk mempelajari kegagalan akibat kelelahan siklik,
yang diberikan usaha, dalam MPa, pada material dan diukur jumlah siklus yang
yang dibutuhkan untuk membuatnya gagal. Hasilnya disajikan dalam tabel berikut.
Dengan membuat grafik log-log, dari usaha versus siklus. Gunakan regresi melalui
kuadrat minimum untuk menentukan persamaan terbaik yang sesuai untuk data tersebut.

KODE
N=[1 10 100 1000 10000 100000 1e6];
E=[1100 1000 925 800 625 550 420];
17.23Data berikut menunjukkan hubungan antara viskositas minyak SAE 70
dan suhunya. Setelah mendapatkan logaritma dari data, gunakan regresi
linier untuk menemukan persamaan garis yang paling sesuai dengan data dan kepada
nilai r^2

KODE
T=[26.67 93.33 148.89 315.56];
V=[1.35 0.085 0.012 0.00075];
disp('Regresi Linear Metode Minimis Kuadrat')
Regresi Linier Metode Minimum Kuadrat
[A,B]=lsline(x,y);
plot(T,V,'*',T,A*V+B,'-',T,2418*T.^(-2.281),'r')
label sumbu x
label sumbu y
judul('Regresi linier Metode Kuadrat Terkecil')
grid aktif;
 KODE
A = [T' V' A*V'+B];
R = koefisiensi_korelasi(A);
R=R(2,1);
R2=R^2
R2 = 0.4586

17.24 Data berikut mewakili pertumbuhan bakteri dalam kultur cair

selama sejumlah hari tertentu

KODE
bersihkan semua;
D=[0 4 8 12 16 20];
C=[67 84 98 125 149 185];
x=40;
a=67,16;
b=0.05048;
y=a*exp(b*x);
La jumlah dari bakteri setelah de 40
hari adalah: %d\n',y

Jumlah bakteri setelah 40 hari adalah: 5.058690e+02

17.25 Setelah badai, konsentrasi bakteri E. coli dipantau di sebuah
area berenang

Waktu diukur dalam jam yang berlalu setelah badai berakhir, dan
unidas CFU adalah "unit pelatihan koloni". Gunakan data untuk memperkirakan
a) konsentrasi pada akhir badai (t=0), dan

b) waktu di mana konsentrasi negatif adalah tidak mungkin dan bahwa

konsentrasi bakteri selalu menurun seiring berjalannya waktu.

KODE
hapus x y;
t=[4 8 12 16 20 24];
c=[1590 1320 1000 900 650 560];
x=t;
y=c;
% a)
tunggu sebentar
Penyesuaian pada garis lurus
[A,B]=garislurus(x,y);
plot(x,y,'*',x,A*x+B,'-')
label sumbu x
ylabel('y')
% b)
Menyesuaikan parabola
C=lspoly(x,y,2);
plot(x,y,'*',x,C(3)+C(2)*x+C(1)*x.^2,'-')
legenda('Data','Parabola');
grid aktif;
x-label('x');
ylabel('y');
tahan

17.26 Sebuah objek digantung dalam terowongan angin dan diukur kekuatannya untuk
beragam tingkat kecepatan angin. Berikut adalah tabelnya
hasil. Gunakan regresi kuadrat terkecil untuk menyesuaikan garis lurus ke
data ini.

Gunakan regresi kuadrat terkecil untuk menyesuaikan data ini dengan a) sebuah
garis lurus) sebuah persamaan pangkat yang didasarkan pada transformasi logaritmik,
y c) model kekuatan berbasis regresi non-linier. Tampilkan
hasil secara grafis.

KODE
bersihkan x y;
V=[10 20 30 40 50 60 70 80];
F=[25 70 380 550 610 1220 830 1450];
x=V;
y=F;
% a)
tunggu sebentar
Penyesuaian ke garis lurus
[A,B]=lsline(x,y);
plot(x,y,'*',x,A*x+B)
% b)
Sesuaikan parabola
C=lspoly(x,y,2);
plot(x,C(3)+C(2)*x+C(1)*x.^2)
legend('Data', 'Garis Lurus', 'Parabola');
grid hidup;
xlabel('x');
label sumbu y('y');
tahan dulu;
17.27 Sesuaikan model daya dengan data dari masalah 17.26, tetapi
gunakan logaritma alami untuk melakukan transformasi.

KODE
bersihkan x y;
V=[10 20 30 40 50 60 70 80];
F=[25 70 380 550 610 1220 830 1450];
Persamaan daya
a=2.538;
b=1.436;
plot(V,F,'r*',V,a.*V.^b,'b-')
xlabel('V');
ylabel('F');
17.28 Dengan pendekatan yang sama yang digunakan untuk mendapatkan persamaan (17,15)
y (17,16), dapatkan penyesuaian kuadrat terkecil dari model berikut:

Y = ax + ax^2 + e

Artinya, tentukan koefisien yang menghasilkan dan penyesuaian dengan metode minimum kuadrat

dari polinomium derajat dua dengan persinggungan di titik asal. Buktikanlah

pendekatan dengan penyesuaian data dari masalah 17.26

KODE
hapus x y x1 x2;
%Data 17.15
V=[10 20 30 40 50 60 70 80];
F=[25 70 380 550 610 1220 830 1450];
17.29Dalam masalah 17.12, di mana transformasi digunakan untuk membuat
linier dan sesuaikan model berikut:

Y=axe^2

Gunakan regresi non-linier untuk memperkirakan a dan B berdasarkan data berikut.

Buat grafik penyesuaian bersama dengan data.

KODE
hapus x y;
x=[0.1 0.2 0.4 0.6 0.9 1.3 1.5 1.7 1.8];
y=[0.75 1.25 1.45 1.25 0.85 0.55 0.35 0.28 0.18];
 PROGRAM YANG DIGUNAKAN

PROGRAM YANG DIGUNAKAN

Fungsi yang digunakan

fungsi [A,B]=lsline(X,Y)
%REGRESI LINIER
%METODE KUADRAT TERKECIL GARIS (Garis Kuadrat Terkecil)

xmean=mean(X);
ymean=mean(Y);
(X-xmean)*(X-xmean)'
sumxy=(Y-ymean)*(X-xmean)'
A = jumlahxy/jumlahx2;
B=ymean-A*xmean;
akhir
fungsi C = lspoly(X,Y,M)
%Regresi Polinomial
%(Polinomial Kuadrat Terkecil)
n=panjang(X);
B=kosong(1:M+1);
F=0; untuk n,M+1;

untuk k=1:M+1
F(:,k)=X'.^(k-1);
akhir

A=F'*F;
B=F'*Y';
C=A\B;
C=flipud(C);
akhir