
PENDAHULUAN
Pada umumnya, misalkan bahwa (X,Y) suatu pengamatan bebas
yang berasal dari populasi dwi peubah, dan ini memang cocok dalam berbagai hal
untuk menentukan garis regresi. Akan tetapi, dalam banyak hal lainnya seperti
pada ilmu pengetahuan alam X1, X2, …, Xn
bukanlah peubah acak (misalnya, peubah ini mungkin menyatakan banyaknya katalis
yang disediakan oleh si pencoba ataupun banyaknya pupuk). Dalam hal ini dapat
diberikan tambahan alasan teori penggunaan penaksir kuadrat terkecil dari
dan
. Dalam penaksir tersebut sama sekali tidak menggunakan bahwa X1,
X2, …, Xn tidak acak. Alasan ini bersifat umum dan
disebut teorema Gauss-Markov. Teorema ini menyatakan
bahwa penaksir tak bias terbaik yaitu variansinya terkecil dari
dan
.
Diantara semua penaksir yang merupakan fungsi linear dari Y1,
Y2, …, Yn bila x1, x2, …, xn
merupakan nilai yang telah tertentu, ialah yang diperoleh dari metode kuadrat
terkecil. Jika Y1, Y2, …, Yn sebuah pengamatan
bebas dan E (Yi) =
dan Var (Yi) =
, i = 1, 2, …, n. Maka dapat ditunjukkan
dan
mempunyai variansi
terkecil yang akan diberikan untuk hal
dan
.
1
BAB II
1
|
MATERI PENDUKUNG
Untuk mendukung metode
kuadrat terkecil untuk hal
dan
digunakan materi
pendukung sebagai berikut:


2.1 Fungsi Distribusi
Definisi 1.
Fungsi
f(x) disebut fungsi distribusi komulatif
dari peubah acak diskrit X, jika f(x) = P (X = x).
2.2 Ekspektasi
Definisi 2.
Bagi suatu peubah acak X didefinisikan
ekspektasinya (E(X)) atau
sebagai:





Definisi 3.




2.3 Variansi
Definisi 4.
|



2.4 Kovariansi
Definisi 5.
Kovariansi dari X dan Y, dinyatakan dengan
Kov (X,Y) adalah:
Kov (X,Y) = E{(X – E(X))(Y – E(Y))}
2.5 Peluang Bersyarat
Definisi 6.
Jika (x, y) adalah sembarang titik dengan
f (x) > 0, maka peluang bersyarat dari








Bukti:
Menurut
definisi 3



sehingga apabila kedua ruas dikalikan
dengan
, diperoleh





dengan kesamaan terakhir diperoleh karena


sekarang jumlahkan terhadap x, diperoleh








2.6 Fungsi Peluang Marginal
Definisi 7.
Fungsi peluang marginal dari
adalah nama yang
diberikan bagi

[ untuk
] ;


Suatu perluasan yang berguna dari Teorema
1 menyatakan bahwa


2.7 Kurva Regresi Y pada X
Definisi 8.
Fungsi f(X) yang meminimumkan E ( Y – f(x)
)2
disebut kurva regresi Y pada X
Teorema 2:

f(x) =
E ( Y X = x ) ………….. (2.1)
Bukti:
Andaikan f(x) menyatakan
harapan bersyarat E ( Y X = x )
Andaikan pula
suatu fungsi yang umum dari rataan populasi, maka kuadrat
galat prediksinya adalah:

E ( Y -
)2 = E 



Akan ditunjukkan:
= 0

Dapat digunakan: 


= 

= 

Jadi;



Ambil
sebagai fungsi f ( X ), maka;

Jadi,
…….……………. (2.4)

dari (2.3) dan (2.4) diperoleh bahwa suku
tengah dari (2.2) adalah nol.
Sehingga,

Yang jelas menjadi minimum.
Maka 2.5 menjadi;










f ( X )
= 

Jika seandainya kurva regresi
dari Y pada X mungkin
saja amat rumit atau sulit dicari, atau karena hubungan antara X dan Y kurang
lebih linear. Kita akan mencari fungsi linear dari X yang terbaik untuk
memprediksi Y.

2.8 Garis Regresi Y pada X
Definisi 9:








Teorema 3:
Misalkan y =
+
X;




Jika
menurut (2.6) dan
menurut (2.7) maka
garis regresi menjadi;




dengan rataan kuadrat
galat prediksi 

Bukti:
Untuk
dan
yang umum;




= 

=
… (2.8) Terlihat bahwa
pada (2.8) hanya
terdapat pada suku
, sehingga untuk setiap
,
yang terbaik adalah
. Dengan memisalkan
* =
, maka dari (2.8) diperoleh;








|

Akan ditunjukkan:
= 0

Ambil
=
, maka diperoleh;



Dari
persamaan
* =
, dimasukkan nilai
menjadi:





Substitusikan
nilai
* dan
ke persamaan y =
+
x, sehingga persamaan garis regresi menjadi y =
……………. (2.10)





Maka
(2.9) menjadi minimum jika:



Sehingga
(2.9) menjadi:

Kedua teorema
di atas masing-masing merupakan suatu teori tentang kurva regresi Y pada X dan
garis regresi Y pada X, dan untuk menghitungnya diperlukan keterangan yang
lengkap tentang fungsi dwipeubah (X,Y).
Suatu cara
untuk menaksir garis regresi adalah metode kuadrat terkecil yaitu dengan
menaksir
dan
dengan
dan
sehingga meminimumkan jumlah kuadrat
galat dan memprediksikan Yi dengan
+
Xi (i = 1, 2, …, n) yaitu yang meminimumkan;







Teorema 4:
Andaikan (X1, Y1), …, (Xn,Yn)
dengan n pengamatan bebas dari suatu fungsi dwi peubah.
Maka taksiran metode kuadrat terkecil dari garis regresi Y pada X
adalah y =
dengan:
,
,
dan








Bukti:
Dari (2.11) yaitu menurut definisi metode kuadrat terkecil
diturunkan terhadap
dan
kemudian disamakan
dengan nol maka diperoleh;




dari (2.12) dan (2.13) diperoleh:


sehingga didapat:


BAB III



Teorema 5:
Andaikan Y1, Y2,
…, Yn sebuah pengamatan bebas dan E (Yi) =
dan Var (Yi) =
dengan (i = 1, 2,
…, n). Maka dari semua penaksir
dan
yang merupakan fungsi linear dan Y1, Y2,
…, Yn,
dan
dari teorema 4
masing-masing mempunyai variansi terkecil.






Bukti:
Pandanglah penaksir linear
yang sembarang

Misalkan t = u1Y1 + u2Y2 +
… + unYn
Sekarang t merupakan penaksir
yang tak bias bila
E(t)
yaitu;



|

karena (3.1) berlaku untuk semua
, maka haruslah;



Variansi t yang harus diminimumkan dengan (3.2) adalah
Var (t) = Var 
………………… (3.3)


|
Andaikan (untuk i = 1, 2, …, n)

maka ui dapat dinyatakan sebagai
ui = vi +
dengan (i = 1,
2, …, n) ………………… (3.5)

untuk suatu
, mengingat (3.2) maka haruslah;


tetapi:


sehingga haruslah;


dengan menggunakan (3.5);

BAB IV
KESIMPULAN
Permasalahan yang dikemukakan dalam pembahasan metode kuadrat
terkecil untuk hal
dan
berkenaan dengan
bidang statistika yang dikenal sebagai model linear. Dalam hal ini, yang
menyangkut persoalan inferensi statistik yang muncul bila kita anggap bahwa
peubah acak Y dapat dinyatakan sebagai;



Disini; x0,
x1, …, xm dan m adalah tetapan yang diketahui;
0,
1, …,
m tetapan yang tidak diketahui; dan
suatu peubah acak dengan E(
) = 0 yang distribusinya tidak berubah bila parameter
0,
1, …,
m berubah. Bila dimisalkan m = 1, x0 =
1,
0 =
, x1 = x, dan
1 =
, maka (4.1) menjadi model Y =
+
X +
.















|
DAFTAR PUSTAKA
Dudewich, E. J. dan Misra, S. N.,
1995, Statistika Matematika Modern, Institut Teknologi Bandung, Bandung.
Herryanto, Nur.
2003. Statistika Matematika Lanjutan, CV. Pustaka Setia, Bandung.
Walpole, E. R. dan Myers, R. H.,
1986, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, ITB,
Bandung
|
METODE KUADRAT TERKECIL UNTUK HAL



Untuk Melengkapi Tugas Matakuliah
Seminar Matematika

OLEH:
TESI TRIANI PUTRI
NIM.
0011340
PROGRAM STUDI PENDIDIKAN MATEMATIKA
JURUSAN PENDIDIKAN MIPA
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS RIAU
PEKANBARU
2007
KATA PENGANTAR
Alhamdulillah, puji syukur kehadirat Allah Ta’ala atas
segala limpahan rahmat dan karunia-Nya sehingga peneliti dapat menyelesaikan
makalah seminar matematika yang berjudul “Metode Kuadrat Terkecil
Untuk Hal
dan
”.


Dalam menyelesaikan makalah seminar matematika ini telah
banyak pihak yang terlibat dalam memberikan bantuan, dorongan, bimbingan dan
motivasi. Oleh karena itu peneliti mengucapkan terima kasih dan penghargaan
yang sebesar-besarnya terutama kepada:
1.
Bapak Drs. Zulfan Ritonga,
M.Pd, selaku dosen pembimbing I yang telah banyak memberikan sumbangan
pemikirannya untuk perbaikan makalah ini.
2.
Ibu Syarifah Nur Siregar, S.Si
selaku pembimbing II yang telah memberikan sumbangan pemikirannya untuk
penulisan makalah ini.
3.
Bapak dan Ibu dosen Program
Studi Pendidikan Matematika Fakultas Keguruan dan Ilmu Pendidikan Universitas
Riau.
Semoga bantuan,
dorongan, dan keikhlasan yang telah diberikan mendapat balasan yang setimpal
dari Allah Ta’ala, Amin. Meskipun penulisan makalah seminar matematika ini
telah dilakukan dengan segala upaya dan usaha yang maksimal, mungkin masih
terdapat kesalahan dan kekurangan. Untuk itu saran dan kritik dari semua pihak
sangat peneliti harapkan demi kesempurnaan makalah seminar matematika ini.
Semoga Allah Ta’ala melimpahkan rahmat dan karunia-Nya
kepada kita semua. Akhir kata peneliti mengharapkan makalah seminar matematika
ini dapat bermanfaat bagi dunia pendidikan dan bagi yang membutuhkan. Amin Ya
Robbal Alamin.
Penulis
|
DAFTAR ISI

Halaman
KATA PENGANTAR …………………………………………………………………. i
DAFTAR ISI …………………………………………………………………………… ii
BAB I. PENDAHULUAN ……………………………………………………………. 1
BAB II. MATERI PENDUKUNG ……………………………………………………. 2
2.1. Definisi
Fungsi Distribusi ………………………………………………… 2
2.2. Definisi
Ekspektasi ………………………………………………………. 2
2.3. Definisi
Variansi …………………………………………………………. 2
2.4. Definisi
Kovariansi ………………………………………………………. 3
2.5. Definisi
Peluang Bersyarat ………………………………………………. 3
2.6. Definisi
Fungsi Peluang Marginal ……………………………………….. 4
2.7. Definisi
Kurva Regresi Y pada X ………………………………………... 4
2.8. Definisi
Garis Regresi Y pada X …………………………………………. 6
BAB III. METODE KUADRAT
TERKECIL UNTUK HAL
dan
….…………… 10


BAB IV. KESIMPULAN ………………..……………………………………………… 12
DAFTAR PUSTAKA
|
Tidak ada komentar:
Posting Komentar