PERTEMUAN 7

TE2213 PROBABILITAS DAN STATISTIKA

KORELASI DAN REGRESI LINEAR

 KORELASI
• LATAR BELAKANGPADA DUA BUAH VARIABEL MISALNYA X DAN Y
KITA INGIN MELIHAT HUBUNGAN ANTAR
KEDUANYA

• KORELASISEBUAH UKURAN YANG MEMPERLIHATKAN HUBUNGAN

LINEAR ANTAR DUA VARIABEL

• CARA MENGUKUR KORELASI DIAGRAM SCATTER DAN KALKULASI

KORELASI
KORELASI: DIAGRAM SCATTER
KORELASI: DIAGRAM SCATTER
KORELASI: DIAGRAM SCATTER
KORELASI: DIAGRAM SCATTER
• LATIHAN KORELASI POSITIF ATAUKAH NEGATIF?
KORELASI: MENGHITUNG KORELASI
• UKURAN KORELASI  DINYATAKAN DENGAN KOEFISIEN KORELASI
• BIASANYA KOEFISIEN KORELASI DITULIS DENGAN SIMBOL r

=koefisien korelasi antara variabel

random X dan Y
PENGERTIAN NILAI KOEFISIEN
KORELASI
 CONTOH MENGHITUNG KOEFISIEN
KORELASI
X Y X- Y- (X-)( Y-
1 2 -3.16667 -4.16667 13.19444
2 3 -2.16667 -3.16667 6.861111  =( ∑(X-)( Y-)/(n-1)
4 5 -0.16667 -1.16667 0.194444  
5 8 0.833333 1.833333 1.527778   7.566667
6 9 1.833333 2.833333 5.194444   =
=7 10 2.833333 3.833333 10.86111
= =     ∑=
4.166667 6.166667 37.83333  
    =0.986313

= =      
2.316607 3.311596
   
CONTOH PERHITUNGAN DENGAN
KOMPUTER
CONTOH ADANYA OUTLIER
• KOEFISIEN KORELASI DENGAN ADANYA OUTLIER = +0,65
• Koefisien korelasi tanpa outlier = -0,89
 Regresi: Metode Kuadrat Terkecil
9

q Mencari satu kurva atau satu fungsi (pendekatan) yang sesuai dengan
pola umum yang ditunjukkan oleh data
q Datanya menunjukkan kesalahan yang cukup signifikan
q Kurva tidak perlu memotong setiap titik data
q Regresi linear
q Regresi persamaan-persamaan tak-linear yang dilinearkan
q Regresi tak-linear
 Regresi Linear
11

q Mencari suatu kurva lurus yang cocok menggambarkan pola serangkaian

titik data: (x1,y1), (x2,y2) … (xn,yn)

yreg = a0 + a1x a0 :
intercept
a1 :
slope, gradien

q M i crosoft
Excel
q
I NTERCEPT(y1:
y ;x :x )
The Least Square Method

yi xi yˆ i
y1 x1 b0  b1 x1
y2 x2 b0  b1 x2
y3 x3 b0  b1 x3
. . .
. . .
yn xn b0  b1 xn

n

Min Z   (y i  y i ) 2
i 1

n
Min Z   (y i  b0  b1 x i ) 2
i 1
 Classic Minimization

n
Min Z   (y i  b0  b1 x i ) 2
i 1

We want to minimize this function with respect to b0 and b1

This is a classic optimization problem.

We may remember from high school algebra that to find the minimum value we should get the
derivative and set it equal to zero.
Derivatives
n
Z   ( y i  b0  b1 x i ) 2

i 1

Z n
  2( 1 )( y i  b0  b1 x i )  0
b0 i  1

Z n
  2(  x i )( y i  b0  b1 x i )  0
b1 i  1
B0 and b1

b1 
 xy  (  x  y ) / n
 x  ( x ) / n
2 2

b0  y  b1 x
 Example
Restaurant i xi yi xi yi xi2
1 2 58 116
2 6 105 630 4
3 8 88 704 36
4 8 118 944 64
5 12 117 1404 64
6 16 137 2192 144
7 20 157 3140 256
8 20 169 3380 400
9 22 149 3278 400
10 26 20 5252 484
676

Total 140 1300 21040 2528

b1

b1 
 xy  (  x  y ) / n
 x ( x ) / n
2 2

21 ,040  ( 140 )( 1300 ) / 10

b1 
2528  ( 140 ) / 10
2

2840
b1  5
568
b0

y  b0  b1 x
1300
y  130
10
140
x  14
10
130  b0  5 ( 14 )

b0  60
 Estimated Regression Equation

y  60  5 x

Now we can predict.

For example, if one of restaurants of this Pizza Chain is close to a campus with 16,000
students.
We predict the mean of its quarterly sales is

y  60  5 ( 16 )
y  140 thousand dollars
Summary ; The Simple Linear Regression Model

• Simple Linear Regression Model

y = 0 + 1x + 

• Simple Linear Regression Equation

E(y) = 0 + 1x

• Estimated Simple Linear Regression Equation

ŷ = b0 + b1 x
Summary ; The Least Square Method

• Least Squares Criterion

min S(yi - ŷi)2

where
yi = observed value of the dependent variable
for the i th observation
ŷi = estimated value of the dependent variable
for the i th observation
LATIHAN 1: TENTUKAN KOEFISIEN
KORELASI
DISKUSI A: BAGAIMANA KORELASI
BILA ADA OUTLIER?
• Bandingkan Data A dan Data B (yang ada outler)
• Data A
X 1 2 2 3 3 3 4 4 5 6 7 8 9
y 2 3 2 3 4 2 5 3 6 5 8 10 8
• Data B
X 1 2 2 3 3 3 4 4 5 6 7 8 9
y 2 3 2 3 4 70 5 3 6 5 8 10 8
DISKUSI B: BAGAIMANA REGRESI
LINEAR BILA ADA OUTLIER?
• Bandingkan Data A dan Data B (yang ada outler)
• Data A
X 1 2 2 3 3 3 4 4 5 6 7 8 9
y 2 3 2 3 4 2 5 3 6 5 8 10 8
• Data B
X 1 2 2 3 3 3 4 4 5 6 7 8 9
y 2 3 2 3 4 70 5 3 6 5 8 10 8