STATISTIK

OLEH
UBAIDILLAH
 KORELASI DAN REGRESI
•Analisis Korelasi : mengukur kekuatan/ keeratan
hubungan linier antara peubah bebas (X) dan peubah tak
bebas (Y)

• Asumsibahwa pengambilan contohnya berasal dari

sebaran normal dua peubah

•Koefisien korelasi sampel r merupakan penduga tak bias

bagi koefisien korelasi populasi ρ (rho) hanya bila ρ sama
dengan nol.

•Penggunaan X dan Y, bukan berarti ada peubah bebas dan

tak bebas, tetapi kedudukan antara X dan Y adalah
sama/seimbang.
 Koefisien korelasi
1. Populasi ρ= σxy / σx.σy Sampel r= Sxy / Sx.Sy
2. r = [ΣXY²–(ΣX)(ΣY)²/n] / √[ΣX² - (ΣX)²/n][ΣY²-(ΣY)²/n]
3. a; rα (db = n–2)
3. |t| = r √(n–2)/ √ (1–r²)
<t α/2 ; (db = n–2) , terima Ho Dan >t α/2 ;
(db = n – 2),terima Ha
4. Untuk ρ ≠ 0 , maka r ditransformasi z-Fisher :
Zr = ½ ln {(1+ r) / (1-r)}
Kalau ρ = ρ o (diketahui) maka peubah z kira-2
menyebar normal, dengan nilai tengah :
Zo = ½ ln {(1+ρo) / (1+ρo)} dan σz² =1/(n–3).
|Z| = |(Zr–Zo)/σz|
Koefisien korelasi
5. r nilainya :-1 ,0 ,+1
r = tidak ada hubungan linier
r = hubungan linier negatif sempurna
r = hubungan linier positif sempurna
6. Secara rinci menurut Colton :
r = 0,00 – 0,25 tidak ada hub/hub lemah
r = 0,26 – 0,50 hub sedang
r = 0,51 – 0,75 hub kuat
r = 0,76 – 1,00 hub sangat kuat/sempurna
Analisi Regresi :
 Regresi: membahas secara matematik bentuk
hubungan peubah bebas dengan peubah tak
bebas
 Data peubah tak bebas (Y) dari tiap pasangan
harus acak dan menyebar normal
 Dalam beb hal peubah bebas (X), selain jadi
peubah deterministik juga peubah acak seperti
Y
Bentuk-2 regresi

1. Linier Y = a + bX
2. Kwadratik Y = a + bX + cX2
3. Eksponensiil Y = abx
4. Geometrik Y = axb
5. Hiperbola Y = 1/a + bx
6. Logistik Y = 1/abx + c
7. Linier berganda Y = a + b1X1 + b2X2
Regresi linier
Sampel Ŷi = a + bXi + ei, dengan metode kwadrat
terkecil diperoleh :

1. b = {∑XY – (∑X)( ∑Y)/ n}/ {∑X 2 – (∑X)2/n }

2. a = (∑Y - b∑X)/n

3. DATA-I (X; Y)=(0 ; 2),(1;4),( 2;9),( 3; 8) ,( 4;7)

4. ∑X = 10 ;∑X2 = 30; ∑x2 = 10 ; ∑Y = 30 ; ∑Y2 = 214

; ∑y2 = 34 ;∑XY = 74 ; ∑xy = 14

5. Hitung a) Koef reg a c) Koef kore “r “

b) Koef reg b
Jawab : 1. Koef reg b = 1, 4
2. Koe reg a = 3,2
3. Jadi pers Ŷ= 3,2 + 1,4 X

Untuk Pers Ŷ = b0 + b1 X + b2 X2
1.Tak dikoreksi :
∑Y =30 ; ∑X =10 ; ∑X2 =30 ; ∑X3= 100;
 ∑X4=354; ∑XY=74 ; ∑X2Y=224; ∑Y2= 214
2. Dikorksi :
2 3 4
∑x 2= 10 ; ∑x 2=40 ;∑x =174 ; ∑xy=14
; ∑x y=44; ∑y = 34
Y = bo + b1X + b2X2  DATA-I
 .
Xo X X2 X’Y SOLUSI
(β0 ) (β1) (β2)

1.Xo 5 10 30 30 1 0 0
2.X 30 100 74 0 1 0
3.X2 354 224 0 0 1
4 5 10 30 30 1 0 0
5 1,0 2 6 6 0,2 0 0
6. 10 40 14 -2 0 0
7. 1,0 4 1,4 -0,2 0,1 0
8. 14 - 12 2 -4 1
9. 1,0 -0,8571 0,1429 -0,2857 0,0714

10. C00 C01 C02

11. C -1 C11 C12
12. C22
 bo + 2b1 +6b2 = 6
 b1 +4b2 = 1,4
 b2 =-0,8571
 bo=1,4858; b1=4,8284; b2=-0,8571
 R2=∑bi∑XiY /∑Y2
 ={1,4858(30)+1,4(74)-0,8571(224)/214}
 = 0,9808
 Ŷ =1,4858+4,8284X-0,8571X² (R²=0,9808)

DIKETAHUI : n=10; ∑X=52; ∑Y= 101;
∑XY=568; ∑X2=31; ∑Y2=1075
1.Hitung koef korelasi : rxx; ryy; & rxy .
2.Untuk pers-I : ŷ = bo+ b1 X, hitung bo;
b1 & Rxy2
3.Bila pers reg melalui titik pusat (0;0),
hitungb1 dan Rxy2 dari pers-II : ŷ = b1 X.
4.Hitung nilai rata-2 : Y pada kedua pers
tsb.
5.Buat Kesimpulan tentang perbandingan
pers-I dan pers-II
RAGAM REGRESI
1. Se2 = JKG/n-vx-1 =∑(Y-Ŷ)2 /n-vx-1
= ∑y2 – b ∑xy/ n-vx-1 = 4,8005
Se = 2,19
2. Ragam regβ0 S2b0 = Se2{1/n+ⴳ2 /∑(X- ⴳ)2}
S2b0 = 2,88 Sb0 = 1,7
3. Ragam reg β1 S2b1 = Se2 /∑(X- ⴳ)2} = 4,8/10
S2b1 = 0,48 Sb1 = 0,69
4. Penduga bagi ragam dari µy (rata-2 y) untuk X
diketahui misalnya x = 6
σ2µy - S2μῨ = Se2{1/n+(X - ⴳ)2 /∑(X- ⴳ)2} = 4,8
{1/5 + (6-2)2/10} = 8,64  SμŶ= 2,94
RAGAM REGRESI
 Pendugaan ragam dari individu Y (σ2Ŷ) untuk x
diketahui, mis = 6
σ2Ŷ
S2Ŷ = S2Ŷ = Se2{1+1/n+(X - ⴳ)2 /∑(X- ⴳ)2} =
4,8 {1 + 1/5 + (6-2)2/10}= 13,44
SŶ= 3,67

KESIMPULAN σ2µy< σ2Ŷ

INTERVAl KEPERCAYAAN UTK REG :α =0,95

1. utk β0  a-t(1+α)/2. Sa
<β0<a+t(1+α)/2.Sa ; db= n-2

2. utk β1 b1-t(1+α)/2.Sb1

 <β1<b1+t(1+α)/2.Sb1 ; db= n-2

3. utk σe²(n-2)Se2 /X2(1 +α)/2< σe²<

(n-2)Se2 / X2(1- α)/2; X2( Db = n – 2 )
 4. Utk rata-2 μY, bila x0 diketahui mis =6
 Ῠ0- t(1+α)/2 Sμy < μY < Ῠ0 + t(1+α)/2 Sμy
 y0 = b0+ b1x0y0= 3,2 +1,4 (6) = 11,6
 11,6 ± (3,18)(2,94) 2,25 < μY < 20,95
 5. Utk individu , Y
 Ῠ0- t(1+α)/2 Sy0 < Y< Ῠ0 + t(1+α)/2 Sy0
 Misal X0= 6 ; y0 = b0+ b1x0y0= 3,2 +1,4 (6) = 11,6
 11,6 ± (3,18)(3,67) -0,07< Y<23,27
 Data-II :( 2;8),(4;9),(5;10),( 6;13),( 3;7)
(8;11),( 9;15 ),(7;11),( 5;8),( 3;9)
 ΣX = 52 ; ΣX²= 318; Σx² = 47,6 ; ΣY = 101 ;
 ΣY² =1075 ; Σy² = 54,9; ΣXY = 568 ; Σxy= 42,8
 Hit : a). Koef.Reg a. b). Koef. Reg b. c). Koef.

DATA-III .
 ΣY²= 40415,0
(X’X) ( βii) (X’Y)
X0 X1 X2 X3
X0 20 58,4 72,7 244,60 β0 895,0
X1 233,84 222,18 686,92 β1 2554,8
X2 301,65 913,81 β2 3233,9
X3 3242,7 β3 10870,9


 1,0187 -0,0604 -0,0478 -0,0506
 0,0179 -0,0064 0,0026
 0,0309 -0,0037
 0,0046

METODE DOOLITTLE
Xi X1 X2 X3 SOLUSI

1 X1 a11 a21 a31 1 0 0

2 X2 a22 a32 0 1 0
3 X3 a33 0 0 1

4 a11 a21 a31 d11 0 0

5 (1,0) b21 b31 e11 0 0

6 a22.1 a32.1 d11.1 d12.1 0

7 (1,0) b32.12 e11.1 e12.1 0

8 a33.12 d11.12 d12.12 d13.12

9 (1,0) e11.12 e12.12 e13.12

10 c11 c12 c13

11 INVERS MATRIK C -1 c22 c23
12 c33
BARIS :
1,2,3 : Masukkan data telah dikoreksi
4 : Salin baris ( 1 )
5 : Bagi baris ( 4) dengan a11
6 : a22.1 = a22 – a21.b21 a32.1 = a32 – a31.b21
d11.1 = 0 – d11.b21 dst
7 : Bagi baris ( 6 ) dengan a22.1 :
8 : a33.12 = a33 – a31.b31 – a32.1.b32.1
d11.12 = 0 – d11.b31 – d11.b32.1 dst
9 : Bagi baris ( 8 ) dengan a33.12 :
10,11, 12 : c11 = d11.e11 + d11.e11.1 + d11.12.e11.12
c12 = d11.e12.1 + d11.12.e12.12
c13 = d11.12.e13.12
c22 = d12.1.e12.1 + d12.12.e12.12
c23 = d12.12.e13.13.12
c33 = d13.12.e13.12
NOTE : Metode ini dapat digunakan untuk data telah dikoreksi
atau data yang belum dikoreksi
DATA-IV : X1= Nilai ulangan, X2 = Frek
Membolos, Y = nilai semester ; N = 12
∑X1= 725; ∑ X12 = 44475; ∑ X2= 43; ∑X22 =195 ; ∑Y=1011
∑ Y2= 85905; ∑X1X2 = 2540;∑ X1Y = 61685;∑ X2Y =3581
∑ x1x2= -57,9167; ∑x1y = 603,75; ∑x2y = 41,75 ;
∑x12 = 672,9167; ∑x22 = 40,9167; ∑ y2 = 728,25

DATA- V : N = 13 ; ∑ Y= 377,5; ∑ Y2= 11400,15 ; Pupuk :

X1 = K2O ; X2 = P2O5 ;X3 = N ; Y = Prod hijauan
(X’X ) ( βii ) ( X’Y )
X0 X1 X2 X3
X0 13 59,43 81,82 115,4 β0 377,5
X1 59,43 394,7255 360,6621 522,078 β1 1877,567
X2 81,82 360,6621 576,7264 728,31 β2 2246,661
X3 115,4 522,0780 728,31 1035,96 β3 3337,78
 X0 X1 X2 S0LUS1

1 X0 12 725 43 1 0 0
2 X1 44475 2540 0 1 0
3 X2 195 0 0 1

4 12 725 43 1 0 0
5 (1,0 ) 60,42 3,58 0,08 0 0

6 670,5 -58,06 -60,42 1 0

7 . (1,0) -0,087 -0,0901 0,0015 0

8 36,009 -8,8365 0,087 1

9 . (1,0) -0,2454 0,0024 0,028

10 7,6923 -0,1118 -0,2474

11 INVERS MATRIK C-1 . 0,00171 0,00244
12 . 0,028
Nilai koefisien regresi :
Untuk :
1. bo=(7,6923)(1011)+(0,1118)(61685)+(0,2474)(3581) =17,7441
2. b1=(0,1118)(1011)+(0,00171)(61685)+(0,00244)(3581)=0,98699
3. b2=(-0,2474)(1011)+(0,00244)(61685)+(0,028)(3581) =0,6580

Koefisien determinasi ( R2 )= b1∑x1y + b2∑x2y / ∑y2

R 2 ={ (0,98699)(603,75)+(0,658)(41,75)}/(728,25)= 0,858
Jadi regresi tersebut :
Y = 17,7441 + 0,98699 X1 + 0,658 X 2 (R 2 = 0,856)

Ragam Galat baku (Se2) = ∑y2 - b1∑x1y - b2∑x2y / n – vx- 1

Galat baku (Se) =√{ 728,25 – 0,987(603,75)-0,658(41,75)}/(12-2-1) =
3,4137

Galat baku penduga βii  Sbi = Se √Cii

Untuk : Sb0 = 3,4137 √ 7,6923 = 9,4679
Sb1 = 3,4137 √ 0,00171= 0,1412
Sb2 = 3,4137√ 0,028 =0,5712
Uji Parsial terhadap X1 dan X2 :

t = bii / Sbii tα (db = n – vx - 1)

t (b0) = 17,7441/9,4679 = 1,8741 t 0,05 (db = 9) = 1,833

t 0,025(db= 9) = 2,262
t (b1) = 0,987 / 0,1412 = 6,9901 t 0,01 (db = 9) = 2,821

t (b2) = 0,658 / 0,5712 = 1,152

KORELASI PARSIAL :

ry1 = 0,862 ry2 = -0,242 r12 = -0,349

ryx1.x2 = ry1.2 = ry1 – ry2.r12/√ (1-ry22)(1-r122)

= 0,8551--- ry1.22= 0,7312

ryx2.x1 = ry2.1 = ry2 – ry1.r12/√ (1-ry12)(1-r122)

= 0,124 --- ry2.12 = 0,0154

Kes : memasukkan X2 kedalam persamaan regresi hanya

mengurangi 1,54% keragaman Y yang tak dapat dijelaskan
oleh persamaan regresi tersebut.

R2 = ry1² + r²y2.1 +ry3.12² +……..+ r²yk.12…….(k-1)

R2 = ry1² + r²y2.1 = (0,862)2 + (0,124)2 = 0,758

ANALISIS SIDIK RAGAM (ANOVA) : UNTUK REGRESI

Rumus : F = S2 (regresi) / S2 ( galat)

Tabel : ANOVA REGRESI

Model Df Sum of Mean F-hit F 5%

(SK) squares square F1%
( JK ) ( KT )
Regresion vx JK Reg KTreg KT reg / (Vx ; n
KT galat - vx-1)
Residu n-vx- JKresidu KTresidu
/Galat 1

Total n-1 JK total

JUMLAH KUADRAT :

JK regresi = b1∑x1y + b2∑x2y + b3∑x3y ; db = vx = 3

JK total = ∑ y2 ; db = n - 1
JK residu = ∑y2 - JK regresi ; db = n – vx - 1

Koefisien determinasi ( R2 )= b1∑x1y + b2∑x2y / ∑y2

R2 -adjut adalah koef determinasi terbaikk untuk evaluasi Model reg
= R2 -adjut = 1- (n-1) ( Se2 / ∑y2)
= 1 – (1 – R2) ( n-1) / (n –vx))

KUADRAT TENGAH :

KT regresi = JK regresi /Db regresi

KT residu = JK residu / Db residu
KT total = JK total / Db total
 Model Summary

Change Statistics

Std. Error of R Square Sig. F

Model R R2 Adjusted the Estimate Change F Change df1 df2 Change
1 .865a .748 .692 4.51730 .748 13.344 2 9 .002

a. Predictors: (Constant), VAR00003, VAR00002

 ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 544.596 2 272.298 13.344 .002a

Residual 183.654 9 20.406

Total 728.250 11

a. Predictors: (Constant), VAR00003, VAR00002

b. Dependent Variable: VAR00001

 Coefficientsa

Standardize
Unstandardized d Collinearity
Coefficients Coefficients Correlations Statistics

Zero- Toleranc
Model B Std. Error Beta t Sig. order Partial Part e VIF
1 (Constant) 27.547 12.498 2.204 .055

VAR00002 .922 .186 .886 4.960 .001 .862 .856 .830 .878 1.139

VAR00003 .284 .754 .067 .377 .715 -.242 .125 .063 .878 1.139

a. Dependent Variable: VAR00001

 Coefficient Correlationsa

Model VAR00003 VAR00002

1 Correlations VAR00003 1.000 .349

VAR00002 .349 1.000

Covariances VAR00003 .568 .049

VAR00002 .049 .035

a . Dependent Variable: VAR00001

 Collinearity Diagnosticsa

Variance Proportions

Model Dimension Eigenvalue Condition Index (Constant) VAR00002 VAR00003

1 1 2.830 1.000 .00 .00 .02

2 .164 4.160 .01 .02 .76

3 .006 21.681 .99 .98 .21

a . Dependent Variable: VAR00001

 Y = b0 + b1x + b2X2
Y X X2 X3 X4 XY X2Y Y2

2 0 0 0 0 0 0 4
4 1 1 1 1 4 4 16
7 2 4 8 18 14 28 49
9 3 9 27 81 27 81 81
8 4 10 64 256 32 128 64

∑Y=30 ∑X=10 ∑X2=30 ∑X3= 100 ∑X4= 354 ∑XY= 77 ∑X2Y=241 ∑Y2= 214

∑x2= 10 ∑x3 =40 ∑x4 =174 ∑xy = 17 ∑x2y = 61 ∑y2 = 34

 ( X’Y )-1 ( X’Y )
Xo X X2

Xo n =5 ∑X = 10 ∑X2 = 30 ∑Y = 30
X ∑X = 10 ∑X2 = 30 ∑X3 = 100 ∑XY = 77
X2 ∑ X2 = 30 ∑ X3 = 100 ∑X3 = 354 ∑X2Y = 241

0,8858 -0,7714 0,1428

(X’ X )-1 = -0,7714 1,24228 -0,2856
-0,1428 -0,2856 0,0714

b0 = 1,591 b1 = 3,724 b2 = -0,4998

R2=(b1∑xy +b2∑x2y)/∑y2 )=(3,7(17)- 0,5(61))/34

=0,9529
S2 =( ∑y2 -b1∑xy - b2∑x2y)/(n – vx – 1) =
(34 – 3,7(17) +0,5 (61) /(5 – 2 – 1)= 1,6/2 = 0,8
S = 0,8944
UJI PARSIAL : t(bii) = bii/Sbii

Sb0 = S√ C00 = 0,8944 √ 0,8858 = 0,8418

Sb1 = S√ C11 = 0,8944 √ 1,2428 = 0,9971

Sb2 = S √ C22 = 0,8944 √ 0,0714 = 0,2390

T-HITUNG :

t(b0) = 1,591/0,8418 = 1,8899 ; t α /2 (db = 5 – 2 - 1 ) =

t(b1) = 3,724 /0,9971 = 3,7348

t(b2) = -0,4998 / 0,2390 = - 2, 0912

 Correlations
VAR00001 VAR00002 VAR00003 VAR00004 VAR00005
VAR00001 Pearson Correlation 1 .817** .625** -.866** -.423

Sig. (2-tailed) .000 .010 .000 .103

N 16 16 16 16 16

VAR00002 Pearson Correlation .817** 1 .190 -.953** -.107

Sig. (2-tailed) .000 .480 .000 .694

N 16 16 16 16 16

VAR00003 Pearson Correlation .625** .190 1 -.332 -.225

Sig. (2-tailed) .010 .480 .209 .402

N 16 16 16 16 16

VAR00004 Pearson Correlation -.866** -.953** -.332 1 .108

Sig. (2-tailed) .000 .000 .209 .692

N 16 16 16 16 16

VAR00005 Pearson Correlation -.423 -.107 -.225 .108 1

Sig. (2-tailed) .103 .694 .402 .692

N 16 16 16 16 16

**. Correlation is significant at the 0.01 level (2-tailed).

 REGRESSION

Descriptive Statistics

Mean Std. Deviation N

VAR00001 168.0000 77.37441 16

VAR00002 12.6875 5.00292 16

VAR00003 52.5000 12.29092 16

VAR00004 8.8750 2.68017 16

VAR00005 9.5625 3.26535 16

 Correlations
VAR00001 VAR00002 VAR00003 VAR00004 VAR00005
Pearson Correlation VAR00001 1.000 .817 .625 -.866 -.423

VAR00002 .817 1.000 .190 -.953 -.107

VAR00003 .625 .190 1.000 -.332 -.225

VAR00004 -.866 -.953 -.332 1.000 .108

VAR00005 -.423 -.107 -.225 .108 1.000

Sig. (1-tailed) VAR00001 . .000 .005 .000 .051

VAR00002 .000 . .240 .000 .347

VAR00003 .005 .240 . .105 .201

VAR00004 .000 .000 .105 . .346

VAR00005 .051 .347 .201 .346 .

N VAR00001 16 16 16 16 16

VAR00002 16 16 16 16 16

VAR00003 16 16 16 16 16

VAR00004 16 16 16 16 16

VAR00005 16 16 16 16 16
 Model Summaryb

Change Statistics

Std. Error
of the R Square F Sig. F Durbin-
Model R Adjusted Estimate Change Change df1 df2 Change Watson
1 .980a .961 .946 17.91529 .961 67.198 4 11 .000 2.012

a. Predictors: (Constant), VAR00005, VAR00002, VAR00003, VAR00004

b. Dependent Variable: VAR00001

 ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 86271.465 4 21567.866 67.198 .000a

Residual 3530.535 11 320.958

Total 89802.000 15

a. Predictors: (Constant), VAR00005, VAR00002, VAR00003, VAR00004

b. Dependent Variable: VAR00001

 Coefficientsa

Standardize
Unstandardized d 95.0% Confidence Collinearity
Coefficients Coefficients Interval for B Correlations Statistics

Lower Upper Zero- Toleranc

Model B Std. Error Beta t Sig. Bound Bound order Partial Part e VIF
1 (Constant) 95.216 117.678 .809 .436 -163.792 354.225

VAR00002 6.549 3.412 .423 1.920 .081 -.960 14.059 .817 .501 .115 .073 13.617

VAR00003 2.417 .457 .384 5.293 .000 1.412 3.422 .625 .847 .316 .679 1.472

VAR00004 -8.865 6.618 -.307 -1.340 .207 -23.430 5.700 -.866 -.375 -.080 .068 14.701

VAR00005 -6.120 1.465 -.258 -4.178 .002 -9.344 -2.896 -.423 -.783 -.250 .935 1.069

a. Dependent Variable: VAR00001

 Coefficient Correlationsa

Model VAR00005 VAR00002 VAR00003 VAR00004

1 Correlations VAR00005 1.000 .117 .232 .103

VAR00002 .117 1.000 .452 .961

VAR00003 .232 .452 1.000 .513

VAR00004 .103 .961 .513 1.000

Covariances VAR00005 2.146 .586 .155 .997

VAR00002 .586 11.641 .704 21.697

VAR00003 .155 .704 .208 1.549

VAR00004 .997 21.697 1.549 43.792

a. Dependent Variable: VAR00001

 Collinearity Diagnosticsa

Variance Proportions

Condition
Model Dimension Eigenvalue Index (Constant) VAR00002 VAR00003 VAR00004 VAR00005
1 1 4.669 1.000 .00 .00 .00 .00 .00

2 .207 4.747 .00 .02 .00 .01 .02

3 .088 7.272 .00 .00 .08 .00 .70

4 .034 11.669 .00 .04 .52 .02 .22

5 .001 67.626 1.00 .93 .39 .96 .05

a. Dependent Variable: VAR00001

 KORELASI LAJUTAN
 Setelah kita meghitung nilai r, kita
megetahui apakah r tsb atau hubungan
antara x dan y :berarti-tidak. Misal umur
meningkat (X) dan bobot tubuh
meningkat (y) maka keberartiannya perlu
diuji. Atau sebaran koefisien ,, r ‘’ perlu
diketahui sehingga dapat ditentukan
bentuk ujinya.
 Berdasarkan teori : apabila x dan y
kedua2nya peubah acak yg tersebar
secara normal, maka r-nya tergantung pd
koefisien korelasi populasinya.
 KESIMPULAN :
 Jika ρ=0 dan σ²x dan σ²y diketahui
maka “r-nya” tersebar secara normal
 Jika ρ >0, jadi tersebar “ r-nya’’ miring
atau menjulur kekiri.
 Jika ρ <0, jadi tersebar “r-nya’’ miring
atau menjulur kekanan.
 Gambar : Sebara r pada berbagai hara rho
(ρ). ρ=0,8
ρ =0,3
ρ=0,2
ρ=0
A. Uji T pada ρ = 0
Dari gambar tampak apabila ρ, σx2, σy2 dik :
maka r tersebar normal,utk sampel n<,dan
nilai σx2 & σy2 tak diket maka sebaran r-nya
berbentuk simetris/setangkup, jadi uji T
masih bisa dipakai. │T│=(r√n-2)/(√1-r2)
Pada ρ=0; jadi μr = E(r)= 0 ; σ2r  diduga
S2r= (1-r2)/(n-r).
CONTOH-I : N = 10; ∑Xi=77,5; ∑X2 =621,25;
∑XY=1087,812;∑Y=128,942; ∑Y2=2046,34
jadi rhit = 0,995 ; b1=4,2915; bo=-20,649
thit = 113,714 > t 5%(db=8) = 2,306.
MASALAH :apakah sebaran r-nya normal,
jadi kita lihat populasinya punya ρ=0 atau ρ≠0
 B. Uji z : ρ≠0
 Dari gambar terlihat apabila ρ≠0, maka
r-nya tak tersebar secara simetris, sebab
bisa menjulur kekiri(ρ>0)-kekanan(ρ<0 ).
 Oki, r harus ditranspormasi ke Z (disebut
transp. Z-Fisher), dimana dihasilkan Zr yg
hampir menyebar normal(Zr ~ N(μz ;σ2z )
Rumus sbb :
 Zr =(½ ln(1+r)/(½ ln(1-r); σ2z = 1/(n-3)
 μr =(½ ln(1+ρ)/(½ ln(1-ρ) ;
 Z(α/2) = 1,96
 Zhit = (Zr-μz)/σz < Z(α/2) :terima Ho
 > Z(α/2) :tolak Ho
 Zr- Zα/2.σz < μz < Zr + Zα/2.σz
 CONTOH-II : data dari CONTOH-I:
 Diket: n= 10; r=0,995, misalkan ρ-nya =0,9
 Ho :ρ = 0,9 ; Ha : ρ> 0,9; Z0,025 =1,96
 1.buktikan ρ tsb nilainya 0,9.
 2.buat interval nilai ρ sebenenarnya, α=0,95
 Jawab:
 A).Zr=(½ ln(1+0,995)/(½ ln(1-0,995)=2,9945
 B).σ2z = 1/(n-3)= 1/(10-3) =0,378
 C).μr=(½ ln(1+0,9)/(½ ln(1-0,9)=1,4772
 D).Zhit =(2,9945-1,4772)/0,378=4,0272*>zα=1,96
 Karena Tolak Ho : ρ= 0,9 , jadi sampel bukan
dari pop yg punya ρ = 0,9, tapi dari ρ> 0,9
yang mempunyai sebaran ,, r,, menjulur kekiri.
 Note : transper ,, r,, ke z-Fisher akan
memuaskan
 bila sampel , n> 50
 CONTOH-III : data dari CONTOH-I DAN II.
 Bila koef korelasi populasi(ρ) tak diketahui, berapakah
Interval dari ρ, utk α = 0,95 ; e=2,71828
 Jawab :
a).zr - zα/2.σz < μz < zr + zα/2.σz ………………… .(I)
 2,9945 ± (1,96/√10-3)< μz<…
 = -2,191< μz <+8,18
μz =(½ ln(1+ρ)/(½ ln(1-ρ)->
2μz=ln(1+ρ)/ln(1-ρ)│Dari interval minimum (2μz) dan
b). 2(-2,191)= ln(1+ρ)/ln(1-ρ)│ maximum (2μz )
c). 2(+8,18) = ln(1+ρ)/ln(1-ρ)│ diperoleh rumus II
 ρi =(e 2μz -1)/(e 2μz+1)……………………………………….(II)
d).ρ1=(2,71828 2(2,191) -1)/(2,71828 2(2,91) +1)
= - 0,9531
e).ρ2=(2,71828 2(8,18) -1)/(2,71828 2(8,18) +1)
= +0,9999.
Jadi Interval koef korelasi (ρ) dengan α=0,95
adalah 0,9531< ρ < 0,9999.
Kesimpulan: dugaan ρ=0,9 adalah salah sebab diluar interval
tersebut.