Regresi Linear Statdas 20.11
Regresi Linear Sederhana
dan Korelasi
1. Model Regresi Linear dan Penaksir Kuadrat Terkecil
2. Prediksi Nilai Respons
3. Inferensi Untuk Parameter-parameter
p
Regresi
g
4. Kecocokan Model Regresi
5. Korelasi
Utriweni Mukhaiyar
y
MA 2081 Statistika Dasar
20 November 2012
2
Tujuan
j
1. Menentukan/
k / m enaksir
k i param eterparam eter yang terlibat dalam suatu
m odel m atem atik yang linear terhadap
param eter-param eter tersebut.
2. Melakukan prediksi terhadap nilai suatu
variabel m isalkan Y,
variabel,
Y berdasarkan nilai
variabel yang lain , m isalkan X, dengan
m enggunakan m odel regresi linier
(in te rp o las i).
i)
3
ILUSTRASI
f(x)
Gula yang
Dihasilkan (Y)
Suhu (X)
X menentukan Y
respons
prediktor
peubah
acak
bukan
peubah acak
Memiliki
distribusi
4
Observasi
1
2
3
…
n
X
X1
X2
X3
…
Xn
Y
Y1
Y2
Y3
…
Yn
1 Variabel yang nilainya mempengaruhi
variabel yang lainnya.
2
Mana yang
merupakan
prediktor ??
3
Variabel yang kejadiannya lebih
dahulu terjadi.
j
Variabel yang variansinya terkecil
5
MODEL REGRESI LINEAR SEDERHANA
Yi 0 1 X i ei
- 1 dan 0 merupakan parameter-parameter
model y
yang
g akan ditaksir
- ei adalah galat pada observasi ke-i (acak)
6
Sumber Galat
1.
Ketidakm am puan m odel regresi dalam
m em odelkan hubungan prediktor dan
respons dengan tepat
2. Ketidakm am puan peneliti dalam
m elakukan
l k k pengukuran
k
dengan
d
tepat
t
t
3. Ketidakm am puan m odel untuk m elibatkan
sem ua variabel prediktor
7
Penaksir Kuadrat Terkecil
- 1 dan 0 ditaksir dengan
g metode kuadrat terkecil
(least square)
- Asumsi-asumsi :
1. Ada pengaruh X terhadap Y
2 Yi 0 1 X i ei
2.
untuk i 1,2,..., n
3. Nilai harapan dari ei adalah 0, atau E[ ei ] = 0
4 V
4.
Variansi
i
id
darii ei, sama untuk
t k semua i = 1,
1 2,…,
2
n
5. ei berdistribusi normal untuk semua i = 1, 2,…, n
6. e1,e2,...,en saling bebas (independen)
8
Misalkan b1 adalah taksiran bagi 1 dan b0 adalah
taksiran bagi 0. Maka taksiran bagi model
regresi adalah
Yi b0 b1 X i
Kriteria penaksiran kuadrat terkecil adalah
meminimumkan
2
e
i
n
i 1
terhadap b0 dan b1, dengan ei Yi Yi Yi b0 b1 X i
9
Diperoleh
p
X
n
JK XY
b1
JK XX
i 1
X Yi Y
X
i
n
i 1
i
b0 Y b1 X
X
2
JK G yi yˆi
JKYY b1 JK XY
ˆ s
n2
n2
n2
S d
Sedangkan
k taksiran
t k i
untuk
t k variansi
i
i galat
l t acak
k adalah
d l h
2
2
2
10
Suhu (X)
Gula yg dihasilkan (Y)
1
1 1 1.2
1.1
1 2 1.3
1 3 1.4
1 4 1.5
1 5 1.6
16
17
1.7
1 8 1.9
1.8
19
2
8.1 7.8 8.5 9.8 9.5 8.9 8.6 10.2 9.3 9.2 10.5
Sumber: Walpole and Myers, 1989
ei
1 11
X X i 1,5
n i 1
n = 11
X
11
b1
i 1
X Yi Y
X
i
11
i 1
i
X
2
1 11
Y Yi 9,13
n i 1
1,8091
b0 Y b1 X 6, 4136
Yi 6,, 4136 1,8091
,
Xi
Model persamaan regresi
11
12
Prediksi Nilai Respons
yˆi
ei yi yˆi
Suhu (xi)
Gula yg dihasilkan (yi)
1
8.1
8.22
-0.12
1.1
7.8
8.40
-0.60
1.2
8.5
8.58
-0.08
1.3
9.8
8.77
1.03
1.4
9.5
8.95
0.55
1.5
8.9
9.13
-0.23
1.6
8.6
9.31
-0.71
1.7
10.2
9.49
0.71
1.8
9.3
9.67
-0.37
1.9
9.2
9.85
-0.65
2
10.5
10.03
0.47
Prediksi model
JK G
Taksiran variansi galat acak s
n2
2
yi yˆi
9
2
0, 4
13
Prediksi Nilai Respons
Mi lk suhu
Misalkan
h proses (X) adalah
d l h 1.55 satuan suhu.
h
Maka prediksi banyaknya gula yang dihasilkan pada
suhu
h tersebut
t
b t adalah
d l h
Y 6,
6 4136 1,8091
1 8091X
6, 4136 1,80911,55
9, 2177
14
ASUMSI KENORMALAN
1
• Asumsi ei berdistribusi normal
untuk semua i = 1, 2,…, n
2
• Yi beristribusi normal untuk
semua i = 1,
1 2,…,
2
n
3
• b0 dan b1 berdistribusi normal
15
INFERENSI UNTUK PARAMETER 0
b0 0
T0
2
x
i nJK XX
n
s
i 1
berdistribusi t dengan derajat kebebasan n-2.
Selang kepercayaan (1-ǂ) untuk 0 :
b0 t
2
2
x
i nJK XX 0 b0 t
n
,n 2
s
i 1
2
2
x
i nJK XX
n
,n 2
s
i 1
t/2;n-2 adalah nilai distribusi t dengan derajat kebebasan n-2
16
INFERENSI UNTUK PARAMETER 1
b1 1
T1
s JK XX
berdistribusi t dengan derajat kebebasan n-2.
Selang kepercayaan (1-ǂ) untuk 1 :
b1
t 2;n 2 s
JK XX
1 b1
t 2;n 2 s
JK XX
t/2 ; n-2 adalah nilai distribusi t dengan derajat kebebasan n-2
17
PENGUJIAN PARAMETER REGRESI
Tujuan : menentukan apakah parameter-parameter
ttersebut
b td
b ik atau
t tid
k
dapatt di
diabaikan
tidak.
Rumusan Hipotesis
H0 : β0 = 0
H1 : β0 ≠ 0
H0 : β1 = 0
H1 : β1 ≠ 0
t0
t1
b0
2
x
i
n
ˆ
i 1
nJK XX
ˆ
b1
JK XX
18
SELANG PREDIKSI
Misalkan nilai respons
p
Y untuk X = X0 adalah Y0,
dan misalkan
adalah prediksi model regresi
bagi Y0. Maka
T
ˆ -Y
Y
0
0
ˆ 1+(1/n)+[(x 0 x)2 / JK XX ]
b di ib i t dengan
berdistribusi
d
d
derajat
j kebebasan
k b b
n-2.
Selang prediksi (1 – ǂ) bagi y0 adalah
1 (x 0 x)2
1 (x 0 x)2
yˆ 0 t / 2ˆ 1+ +
y0 yˆ 0 t / 2ˆ 1+ +
n
JK XX
n
JK XX
19
CONTOH 1 SELANG KEPERCAYAAN 1-
1
TINJAU CONTOH SEBELUMNYA
(2.26)(0.4)
(2.26)(0.4)
1.8091
1 1.8091
1.1
1.1
Selang kepercayaan
95% untuk β1 :
b 1=1,80 91
b 0 =6,4136
6.4136 (2.26)(0.4)
Selang kepercayaan
95% untuk β0 :
25.85
25.85
0 6.4136 (2.26)(0.4)
(11)(1.1)
(11)(1.1)
20
CONTOH 2 UJI HIPOTESIS
H0 : β0 = 0
H1 : β0 ≠ 0
derajat kebebasan
n – 2 = 9,
nilai kritis
t0.025 = 2.26
2 26
t0 > t0.025 &
t1 > t0.025
maka masingmasing H0 ditolak
H0 : β1 = 0
H1 : β1 ≠ 0
K i
Kesimpulan
l
ǃ0 dan ǃ1 tidak
dapat diabaikan
21
Kecocokan Model Regresi
Salah
S
l h satu alat
l ukur
k untuk
k melihat
lih apakah
k h model
d l
regresi yang diperoleh sudah memadai adalah
koefisien determinasi yaitu
yˆ y
n
JK R
2
R
JKT
i 1
n
i
i 1
i
y y
2
i
,
2
d
dengan
0 R2 1
i
Besaran R2 menunjukkan proporsi variasi total dalam
respons Y yang diterangkan oleh model regresi yang
diperoleh
22
UJI KEBAIKAN MODEL
H0 : Model
M d l regresii yang diperoleh
di
l h tidak
id k memadai
d i
H1 : Model memadai
Statistik uji
yˆi yi
n
JK R
f
s
2
i 1
s
Tolak H0 pada tingkat keberartian ǂ jika f > f,(1,n-2),
dimana f,(1,n-2) adalah nilai distribusi F dengan
derajat kebebasan 1 dan n – 2.
23
CONTOH 3
Untuk contoh sebelumnya diperoleh R2 = 0,499.
Artinya
y p
proporsi
p
variasi total dalam respons
p
Y
yang diterangkan oleh model regresi yang
diperoleh adalah 49.9%
Uji kebaikan model
JK R
f
s
yˆi yi
11
i 1
s
2
8,99
Untuk ǂ = 5%,, titik kritis f0.05,(1,9)
,
0 05 (1 9) = 5,12
f > f0.05,(1,9), model memadai.
24
Korelasi
• Mengukur hubungan linear dua peubah acak
• Misalkan X dan Y adalah dua peubah
acak m aka korelasi antara X dan Y
acak,
dinyatakan dengan
XY
E X X Y Y
2
2
E X X E Y Y
C X ,Y
Cov
XY
25
Jika nilai korelasi mendekati 1 maka
hubungan kedua peubah “sangat erat” dan
searah sedangkan jika nilai korelasi
mendekati –1
1 maka hubungan kedua
peubah “sangat erat” dan berlawanan arah.
Jika nilai korelasi sama dengan nol berarti
tidak terdapat hubungan linear antara
kedua peubah acak.
26
Gambar 1 Korelasi positif
Gambar 2 Korelasi negatif
Gambar 3 Korelasi nol
Gambar 4 Korelasi nol
27
KORELASI SAMPEL
Korelasi dapat ditaksir dengan koefisien
korelasi sam pel, yaitu
r
JK XY
JK XX JKYY
X
n
i 1
i
X Yi Y
n
2
2
n
X i X Yi Y
i 1
i 1
28
CONTOH 4
Data berikut menggambarkan nilai kimia 12 mahasiswa
tingkat pertama yang diambil secara acak di suatu universitas
bersama nilai intelegensi yang dikur sewaktu mereka di SMA.
SMA
Mah as is N ilai In te le ge n s i N ilai Kim ia
( x)
( y)
wa
1
65
85
2
50
74
3
55
76
4
65
90
5
55
85
6
70
87
7
65
94
8
70
98
9
55
81
10
70
91
11
50
76
12
55
74
Rata-rata nilai intelegensi = 60,42 , Rata-rata nilai kimia = 84,25
29
110
10 0
N ilai K
Kim ia
90
80
70
60
50
40
40
45
50
55
60
65
70
75
N ilai In te le ge n s i
X
12
r
JK XY
JK XX JKYY
i 1
X
12
i 1
i
X Yi Y
X
i
2
Y Y
12
i 1
i
0,863
2
30
TUGAS B
Lanjutan Tugas A (Kelompok)
Terapkan minimal satu topik berikut, yang sudah dipelajari dalam
perkuliahan Statdas, ke dalam data kelompok Anda seperti pada
Tugas A.
Topik Bahasan :
Uji Hipotesis
ANOVA
Regresi
R
i Linier
Li i dan
d Korelasi
K l i
Tugas diketik rapi dan lengkap (data dan analisisnya) dalam bentuk
laporan (style masing-masing) dalam format Mic. Word. Dengan
penamaan file
fil :
“Tugas B - Statdas02 - II.2012 – Kelompok ”
Tugas dikumpulkan via email ke utriweni@math.itb.ac.id paling
l b S
lambat
Selasa,
l
11 Desember
D
b 2012.
31
Referensi
Pasaribu, U.S., 2007, Catatan Kuliah Biostatistika.
Walpole, Ronald E. Dan Myers, Raymond H., Ilmu
Peluang dan Statistika untuk Insinyur dan
Ilmuwan, Edisi 4, Bandung: Penerbit ITB, 1995.
Walpole,
p
Ronald E., et.al, Statistic ffor Scientist and
Engineering, 8th Ed., 2007.
dan Korelasi
1. Model Regresi Linear dan Penaksir Kuadrat Terkecil
2. Prediksi Nilai Respons
3. Inferensi Untuk Parameter-parameter
p
Regresi
g
4. Kecocokan Model Regresi
5. Korelasi
Utriweni Mukhaiyar
y
MA 2081 Statistika Dasar
20 November 2012
2
Tujuan
j
1. Menentukan/
k / m enaksir
k i param eterparam eter yang terlibat dalam suatu
m odel m atem atik yang linear terhadap
param eter-param eter tersebut.
2. Melakukan prediksi terhadap nilai suatu
variabel m isalkan Y,
variabel,
Y berdasarkan nilai
variabel yang lain , m isalkan X, dengan
m enggunakan m odel regresi linier
(in te rp o las i).
i)
3
ILUSTRASI
f(x)
Gula yang
Dihasilkan (Y)
Suhu (X)
X menentukan Y
respons
prediktor
peubah
acak
bukan
peubah acak
Memiliki
distribusi
4
Observasi
1
2
3
…
n
X
X1
X2
X3
…
Xn
Y
Y1
Y2
Y3
…
Yn
1 Variabel yang nilainya mempengaruhi
variabel yang lainnya.
2
Mana yang
merupakan
prediktor ??
3
Variabel yang kejadiannya lebih
dahulu terjadi.
j
Variabel yang variansinya terkecil
5
MODEL REGRESI LINEAR SEDERHANA
Yi 0 1 X i ei
- 1 dan 0 merupakan parameter-parameter
model y
yang
g akan ditaksir
- ei adalah galat pada observasi ke-i (acak)
6
Sumber Galat
1.
Ketidakm am puan m odel regresi dalam
m em odelkan hubungan prediktor dan
respons dengan tepat
2. Ketidakm am puan peneliti dalam
m elakukan
l k k pengukuran
k
dengan
d
tepat
t
t
3. Ketidakm am puan m odel untuk m elibatkan
sem ua variabel prediktor
7
Penaksir Kuadrat Terkecil
- 1 dan 0 ditaksir dengan
g metode kuadrat terkecil
(least square)
- Asumsi-asumsi :
1. Ada pengaruh X terhadap Y
2 Yi 0 1 X i ei
2.
untuk i 1,2,..., n
3. Nilai harapan dari ei adalah 0, atau E[ ei ] = 0
4 V
4.
Variansi
i
id
darii ei, sama untuk
t k semua i = 1,
1 2,…,
2
n
5. ei berdistribusi normal untuk semua i = 1, 2,…, n
6. e1,e2,...,en saling bebas (independen)
8
Misalkan b1 adalah taksiran bagi 1 dan b0 adalah
taksiran bagi 0. Maka taksiran bagi model
regresi adalah
Yi b0 b1 X i
Kriteria penaksiran kuadrat terkecil adalah
meminimumkan
2
e
i
n
i 1
terhadap b0 dan b1, dengan ei Yi Yi Yi b0 b1 X i
9
Diperoleh
p
X
n
JK XY
b1
JK XX
i 1
X Yi Y
X
i
n
i 1
i
b0 Y b1 X
X
2
JK G yi yˆi
JKYY b1 JK XY
ˆ s
n2
n2
n2
S d
Sedangkan
k taksiran
t k i
untuk
t k variansi
i
i galat
l t acak
k adalah
d l h
2
2
2
10
Suhu (X)
Gula yg dihasilkan (Y)
1
1 1 1.2
1.1
1 2 1.3
1 3 1.4
1 4 1.5
1 5 1.6
16
17
1.7
1 8 1.9
1.8
19
2
8.1 7.8 8.5 9.8 9.5 8.9 8.6 10.2 9.3 9.2 10.5
Sumber: Walpole and Myers, 1989
ei
1 11
X X i 1,5
n i 1
n = 11
X
11
b1
i 1
X Yi Y
X
i
11
i 1
i
X
2
1 11
Y Yi 9,13
n i 1
1,8091
b0 Y b1 X 6, 4136
Yi 6,, 4136 1,8091
,
Xi
Model persamaan regresi
11
12
Prediksi Nilai Respons
yˆi
ei yi yˆi
Suhu (xi)
Gula yg dihasilkan (yi)
1
8.1
8.22
-0.12
1.1
7.8
8.40
-0.60
1.2
8.5
8.58
-0.08
1.3
9.8
8.77
1.03
1.4
9.5
8.95
0.55
1.5
8.9
9.13
-0.23
1.6
8.6
9.31
-0.71
1.7
10.2
9.49
0.71
1.8
9.3
9.67
-0.37
1.9
9.2
9.85
-0.65
2
10.5
10.03
0.47
Prediksi model
JK G
Taksiran variansi galat acak s
n2
2
yi yˆi
9
2
0, 4
13
Prediksi Nilai Respons
Mi lk suhu
Misalkan
h proses (X) adalah
d l h 1.55 satuan suhu.
h
Maka prediksi banyaknya gula yang dihasilkan pada
suhu
h tersebut
t
b t adalah
d l h
Y 6,
6 4136 1,8091
1 8091X
6, 4136 1,80911,55
9, 2177
14
ASUMSI KENORMALAN
1
• Asumsi ei berdistribusi normal
untuk semua i = 1, 2,…, n
2
• Yi beristribusi normal untuk
semua i = 1,
1 2,…,
2
n
3
• b0 dan b1 berdistribusi normal
15
INFERENSI UNTUK PARAMETER 0
b0 0
T0
2
x
i nJK XX
n
s
i 1
berdistribusi t dengan derajat kebebasan n-2.
Selang kepercayaan (1-ǂ) untuk 0 :
b0 t
2
2
x
i nJK XX 0 b0 t
n
,n 2
s
i 1
2
2
x
i nJK XX
n
,n 2
s
i 1
t/2;n-2 adalah nilai distribusi t dengan derajat kebebasan n-2
16
INFERENSI UNTUK PARAMETER 1
b1 1
T1
s JK XX
berdistribusi t dengan derajat kebebasan n-2.
Selang kepercayaan (1-ǂ) untuk 1 :
b1
t 2;n 2 s
JK XX
1 b1
t 2;n 2 s
JK XX
t/2 ; n-2 adalah nilai distribusi t dengan derajat kebebasan n-2
17
PENGUJIAN PARAMETER REGRESI
Tujuan : menentukan apakah parameter-parameter
ttersebut
b td
b ik atau
t tid
k
dapatt di
diabaikan
tidak.
Rumusan Hipotesis
H0 : β0 = 0
H1 : β0 ≠ 0
H0 : β1 = 0
H1 : β1 ≠ 0
t0
t1
b0
2
x
i
n
ˆ
i 1
nJK XX
ˆ
b1
JK XX
18
SELANG PREDIKSI
Misalkan nilai respons
p
Y untuk X = X0 adalah Y0,
dan misalkan
adalah prediksi model regresi
bagi Y0. Maka
T
ˆ -Y
Y
0
0
ˆ 1+(1/n)+[(x 0 x)2 / JK XX ]
b di ib i t dengan
berdistribusi
d
d
derajat
j kebebasan
k b b
n-2.
Selang prediksi (1 – ǂ) bagi y0 adalah
1 (x 0 x)2
1 (x 0 x)2
yˆ 0 t / 2ˆ 1+ +
y0 yˆ 0 t / 2ˆ 1+ +
n
JK XX
n
JK XX
19
CONTOH 1 SELANG KEPERCAYAAN 1-
1
TINJAU CONTOH SEBELUMNYA
(2.26)(0.4)
(2.26)(0.4)
1.8091
1 1.8091
1.1
1.1
Selang kepercayaan
95% untuk β1 :
b 1=1,80 91
b 0 =6,4136
6.4136 (2.26)(0.4)
Selang kepercayaan
95% untuk β0 :
25.85
25.85
0 6.4136 (2.26)(0.4)
(11)(1.1)
(11)(1.1)
20
CONTOH 2 UJI HIPOTESIS
H0 : β0 = 0
H1 : β0 ≠ 0
derajat kebebasan
n – 2 = 9,
nilai kritis
t0.025 = 2.26
2 26
t0 > t0.025 &
t1 > t0.025
maka masingmasing H0 ditolak
H0 : β1 = 0
H1 : β1 ≠ 0
K i
Kesimpulan
l
ǃ0 dan ǃ1 tidak
dapat diabaikan
21
Kecocokan Model Regresi
Salah
S
l h satu alat
l ukur
k untuk
k melihat
lih apakah
k h model
d l
regresi yang diperoleh sudah memadai adalah
koefisien determinasi yaitu
yˆ y
n
JK R
2
R
JKT
i 1
n
i
i 1
i
y y
2
i
,
2
d
dengan
0 R2 1
i
Besaran R2 menunjukkan proporsi variasi total dalam
respons Y yang diterangkan oleh model regresi yang
diperoleh
22
UJI KEBAIKAN MODEL
H0 : Model
M d l regresii yang diperoleh
di
l h tidak
id k memadai
d i
H1 : Model memadai
Statistik uji
yˆi yi
n
JK R
f
s
2
i 1
s
Tolak H0 pada tingkat keberartian ǂ jika f > f,(1,n-2),
dimana f,(1,n-2) adalah nilai distribusi F dengan
derajat kebebasan 1 dan n – 2.
23
CONTOH 3
Untuk contoh sebelumnya diperoleh R2 = 0,499.
Artinya
y p
proporsi
p
variasi total dalam respons
p
Y
yang diterangkan oleh model regresi yang
diperoleh adalah 49.9%
Uji kebaikan model
JK R
f
s
yˆi yi
11
i 1
s
2
8,99
Untuk ǂ = 5%,, titik kritis f0.05,(1,9)
,
0 05 (1 9) = 5,12
f > f0.05,(1,9), model memadai.
24
Korelasi
• Mengukur hubungan linear dua peubah acak
• Misalkan X dan Y adalah dua peubah
acak m aka korelasi antara X dan Y
acak,
dinyatakan dengan
XY
E X X Y Y
2
2
E X X E Y Y
C X ,Y
Cov
XY
25
Jika nilai korelasi mendekati 1 maka
hubungan kedua peubah “sangat erat” dan
searah sedangkan jika nilai korelasi
mendekati –1
1 maka hubungan kedua
peubah “sangat erat” dan berlawanan arah.
Jika nilai korelasi sama dengan nol berarti
tidak terdapat hubungan linear antara
kedua peubah acak.
26
Gambar 1 Korelasi positif
Gambar 2 Korelasi negatif
Gambar 3 Korelasi nol
Gambar 4 Korelasi nol
27
KORELASI SAMPEL
Korelasi dapat ditaksir dengan koefisien
korelasi sam pel, yaitu
r
JK XY
JK XX JKYY
X
n
i 1
i
X Yi Y
n
2
2
n
X i X Yi Y
i 1
i 1
28
CONTOH 4
Data berikut menggambarkan nilai kimia 12 mahasiswa
tingkat pertama yang diambil secara acak di suatu universitas
bersama nilai intelegensi yang dikur sewaktu mereka di SMA.
SMA
Mah as is N ilai In te le ge n s i N ilai Kim ia
( x)
( y)
wa
1
65
85
2
50
74
3
55
76
4
65
90
5
55
85
6
70
87
7
65
94
8
70
98
9
55
81
10
70
91
11
50
76
12
55
74
Rata-rata nilai intelegensi = 60,42 , Rata-rata nilai kimia = 84,25
29
110
10 0
N ilai K
Kim ia
90
80
70
60
50
40
40
45
50
55
60
65
70
75
N ilai In te le ge n s i
X
12
r
JK XY
JK XX JKYY
i 1
X
12
i 1
i
X Yi Y
X
i
2
Y Y
12
i 1
i
0,863
2
30
TUGAS B
Lanjutan Tugas A (Kelompok)
Terapkan minimal satu topik berikut, yang sudah dipelajari dalam
perkuliahan Statdas, ke dalam data kelompok Anda seperti pada
Tugas A.
Topik Bahasan :
Uji Hipotesis
ANOVA
Regresi
R
i Linier
Li i dan
d Korelasi
K l i
Tugas diketik rapi dan lengkap (data dan analisisnya) dalam bentuk
laporan (style masing-masing) dalam format Mic. Word. Dengan
penamaan file
fil :
“Tugas B - Statdas02 - II.2012 – Kelompok ”
Tugas dikumpulkan via email ke utriweni@math.itb.ac.id paling
l b S
lambat
Selasa,
l
11 Desember
D
b 2012.
31
Referensi
Pasaribu, U.S., 2007, Catatan Kuliah Biostatistika.
Walpole, Ronald E. Dan Myers, Raymond H., Ilmu
Peluang dan Statistika untuk Insinyur dan
Ilmuwan, Edisi 4, Bandung: Penerbit ITB, 1995.
Walpole,
p
Ronald E., et.al, Statistic ffor Scientist and
Engineering, 8th Ed., 2007.