hvh
DESCRIPTION
KH.TRANSCRIPT
-
REGRESI KUADRAT TERKECIL
-
REGRESI LINIER
Contoh hampiran kuadrat terkecil yang paling sederhana adalah pencocokan garis lurus terhadap suatu hampiran pasangan pengamatan :-(x1,y1),(x2,y2[n,yn)
Ungkapan matematis untuk garis lurus adalah :
y=a0 + a1x + E
dengan : a0=koefisien yang mewakili titik potonga1 = koefisien kemiringan (slope)E = galat/sisa
(1)
-
Untuk mengatasi kelemahan pendekatan adalah dengan meminimumkanjumlah kuadrat sisa
n
iii
iir xaayeS
1
210
~
1
2 )(
E = y a0 a1x = e (2)
(3)
Untuk menentukan besaran koefisien a0 dan a1,maka persamaan (3) dideferensialkan terhadap masing-masing koefisien
ww
ww
])[(2
)(2
101
100
iiir
iir
xxaayas
xaayas
-
Dengan menetapkan turunan-turunan ini sama dengan nol akanmenghasilkan Sr yang minimum,maka :
210
10
0
0
iiii
ii
xaxaxy
xaay
atau dapat ditulis sebagai berikut :
iiii
ii
yxaxax
yaxna
12
0
10 (4)
(5)
persamaan (4) dan (5) disebut sebagai persamaan normal dan dapat diselesaikan secara simultan
-
_1
_
0
221 )(
xaya
xxn
yxyxna
ii
iiii
(6)
(7)
dengan : y = rerata yx =rerata x
-
Cocokan sebuah garis lurus dari persamaan data sebagai berikut :
X 1 2 3 4 5 6 7
y 0,5 2,5 2 4 3,5 6 5,5
Jawaban:
140
428571429,3724
4728
5,119
24
28
7
2
_
_
i
ii
i
i
x
y
x
yx
y
x
n
-
839285714,0)28()140(7
)24)(28()5,119(7)( 2221
ii
iiii
xxn
yxyxna
07142857,0)4)(839285714,0(428571429,310 xaya
y = 0,07142857 + 0,839285714x
Pengukuran Galat Regresi LinierJumlah kuadrat sisa didefinisikan :
n
iir xaayS
1
2110 )(
-
Simpangan baku dapat ditentukan sebagai :
2
nS
xS ry
dengan : Sr = jumlah kuadrat sisaSy/x = galat taksiran baku (standart error of the estimate)
Koefisien determinasi dirumuskan sebagai :
t
rt
SSS
r 2
dengan : St = jumlah total kuadrat sisa
-
2)( yyS itSedangkan koefisien korelasi dapat ditulis sebagai :
2222 )( iiii
iiii
yynyyn
xxyxnr
Untuk kecocokan yang sempurna maka : Sr = 0 dan r2 = 1
-
Tentukan Simpangan baku total, galat baku taksiran dan koefisien dari soal di depan !
xi yi (y 2 (yi a0 a1xi)2
1234567
0,52,52,04,03,56,05,524
8,57650,86222,04080,32650,00516,61224,290822,7143
0,16870,56250,34730,22650,58960,79720,19932,9911
-
Simpangan baku total :
9457,117
7143,221
nSS ty
Galat baku taksiran
7735,027
9911,22/
nSS rxy
Sy/x < Sy model regresi baik
932,0868,0
868,07143,22
9911,27143,222
r
r
-
Prosedure kuadrat terkecil dapat diperluas untuk mencocokan data terhadap polinom derajat ke-m.y = a0 + a1x + a2x2 Dmxm + eJumlah kuadrat sisanya dapat ditulis sebagai berikut :
n
i
mimiii xaxaxaaySr
1
22210 )....(
Dengan cara yang sama seperti pada Regresi Linier untuk mendapatkanjumlah kuadrat minimum maka :
REGRESI POLINOM
-
ww
ww
ww
ww
miniii
mi
m
miniiii
miniiii
miniii
xaxaxaayxaSr
xaxaxaayxaSr
xaxaxaayxaSr
xaxaxaayaSr
.......2
.......2
.......2
.......2
2210
2210
2
2
2210
1
2210
0
Supaya didapatkan hasil minimum maka persamaan tersebut diatas diferensialnya harus sama dengan nol, sehingga :
imi
min
mi
mi
mi
iimimiii
iimimiii
iminii
yxxaxaxaxa
yxxaxaxaxa
yxxaxaxaxa
yxaxaxana
222
110
2242
31
20
132
210
2210
...
...
...
...
-
Galat untuk regresi Polinom :
)1(/
mnS
xSy r
m = orde polinom
t
rt
SSS
r 2
-
Cari persamaan kurva polinomial order dua yang mewakili data berikut
xi yi
0 2,1
1 7,7
2 13,6
3 27,2
4 40,9
5 61,1
6 152,6
Contoh regresi polinom
-
Contoh regresi polinom
xi yi (yi y)2 (yi a0 a1xi a2xi)2
0 2,1 544,44 0,14332
1 7,7 319,47 1,00286
2 13,6 140,03 1,08158
3 27,2 3,12 0,80291
4 40,9 239,22 0,61951
5 61,1 1272,11 0,09439
152,6 2513,39 3,74657
-
m = 2 xi = 15 xi4 = 979n = 6 yi = 152,6 xiyi = 555,6x = 2,5 xi2 = 55 xi2yi = 2988,8 xi3 = 225
Persamaan simultan menjadi :6a0 + 15a1 + 55a2 = 152,615a0 + 55a1 +225a2 = 585,655a0 + 225a1 + 929a2 = 2988,8
86071,135929,247875,2
2
1
0
aaa
Jadi persamaan kuadrat :y = 2,47875 + 2,35929x + 1,86071x2Galat baku taksiran :
99925,0
99851,039,2513
74657,339,2513
12,136
74657,3
2
r
r
Sy
-
010
20
30
40
50
60
70
0 1 2 3 4 5 6
(X)
(Y)
-
SsTtOoPp