Contoh Soalan Perbincangan Kaedah Kuasa Dua Terkecil
Kaedah Kuasa Dua Terkecil (LEM) ialah kaedah statistik yang digunakan untuk mencari garis padanan terbaik yang paling berkesan untuk meramalkan data. Kaedah ini sering digunakan dalam analisis regresi linear untuk mengesan hubungan antara pembolehubah bebas dan bersandar. Artikel ini akan merangkumi konsep asas kaedah kuasa dua terkecil, berserta contoh dan penjelasan langkah demi langkah untuk pemahaman yang lebih mendalam tentang cara kaedah ini berfungsi.
Konsep Asas Kaedah Kuasa Dua Terkecil
Matlamat kaedah kuasa dua terkecil adalah untuk meminimumkan jumlah kuasa dua perbezaan antara nilai yang diperhatikan dan nilai yang diramalkan oleh model regresi. Persamaan garis regresi linear mudah boleh ditulis sebagai:
\[ y = a + bx \]
Di mana:
– \( y \) ialah pembolehubah bersandar,
– \( x \) ialah pembolehubah bebas,
– \( a \) ialah pintasan (nilai \( y \) apabila \( x = 0 \)),
– \( b \) ialah cerun garis (cerun, atau pekali regresi).
Kaedah kuasa dua terkecil menganggarkan parameter \( a \) dan \( b \) yang meminimumkan fungsi berikut:
\[ \text{SSE} = \sum_{i=1}^{n} (y_i – \hat{y_i})^2 \]
Dengan SSE ialah Hasil Tambah Ralat Kuasa Dua, \( y_i \) ialah nilai sebenar dan \( \hat{y_i} = a + bx_i \) ialah nilai ramalan.
Langkah-langkah Kaedah Kuasa Dua Terkecil
Untuk menjelaskan konsep ini, kita akan menyelesaikan satu contoh masalah yang melibatkan penggunaan kaedah kuasa dua terkecil.
Contoh masalah
Memandangkan data berikut:
| x (Waktu belajar) | y (Skor peperiksaan) |
|—————–|—————–|
| 2 | 81 |
| 4 | 93 |
| 6 | 91 |
| 8 | 97 |
| 10 | 103 |
Tentukan garis regresi linear yang paling sesuai dengan data tersebut.
Perbincangan
1. Mengira Purata bagi \( \bar{x} \) dan \( \bar{y} \)
\[
\bar{x} = \frac{\jumlah x_i}{n} = \frac{2 + 4 + 6 + 8 + 10}{5} = 6
\]
\[
\bar{y} = \frac{\jumlah y_i}{n} = \frac{81 + 93 + 91 + 97 + 103}{5} = 93
\]
2. Mengira Parameter \( b \) (Cerun)
Parameter \( b \) dikira dengan:
\[
b = \frac{\jumlah (x_i – \bar{x})(y_i – \bar{y})}{\jumlah (x_i – \bar{x})^2}
\]
Mengira setiap komponen:
\[
Jumlah (x_i – x})(y_i – y}) = (2-6)(81-93) + (4-6)(93-93) + (6-6)(91-93) + (8-6)(97-93) + (10-6)(103-93)
\]
\[
= (-4)(-12) + (-2)(0) + (0)(-2) + (2)(4) + (4)(10)
\]
\[
= 48 + 0 + 0 + 8 + 40 = 96
\]
\[
\jumlah (x_i – \bar{x})^2 = (2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2
\]
\[
= (-4)^2 + (-2)^2 + 0^2 + 2^2 + 4^2
\]
\[
= 16 + 4 + 0 + 4 + 16 = 40
\]
Jadi:
\[
b = \frac{96}{40} = 2.4
\]
3. Mengira Parameter \( a \) (Pintasan)
Menggunakan purata bagi \( \bar{x} \) dan \( \bar{y} \):
\[
a = \bar{y} – b\bar{x} = 93 – 2.4 \times 6 = 93 – 14.4 = 78.6
\]
4. Menulis Persamaan Garis Regresi
Dengan parameter yang ditemui, kita boleh menulis persamaan garis regresi:
\[
y = 78.6 + 2.4x
\]
Tafsiran dan Pengesahan
Untuk memastikan garis regresi ini sepadan, kita boleh mengira nilai-y yang diramalkan (\(\hat{y}\)) untuk setiap x dalam data awal, serta mengira Jumlah Ralat Kuasa Dua (SSE) untuk mengesahkan ketepatan ramalan.
| x | y | \(\hat{y}\) | \((y – \hat{y})^2\) |
|—|—-|—————|——————–|
| 2 | 81 | 83.4 | (81-83.4)^2 = 5.76 |
| 4 | 93 | 88.2 | (93-88.2)^2 = 23.04|
| 6 | 91 | 93.0 | (91-93.0)^2 = 4.00 |
| 8 | 97 | 97.8 | (97-97.8)^2 = 0.64 |
|10 |103 |102.6 | (103-102.6)^2= 0.16|
SSS:
\[
SSE = 5.76 + 23.04 + 4.00 + 0.64 + 0.16 = 33.6
\]
Dengan SSE yang agak kecil, kita boleh menyimpulkan bahawa garis regresi yang dihasilkan oleh kaedah kuasa dua terkecil adalah padanan yang baik untuk data ini.
Kesimpulannya
Kaedah Kuasa Dua Terkecil merupakan alat analisis statistik yang ampuh untuk menentukan garis paling sesuai untuk set data, meminimumkan ralat ramalan berdasarkan kuasa dua sisihan. Dengan menggunakan langkah-langkah mengira min, menganggarkan cerun dan pintasan, serta menulis dan mengesahkan persamaan garis regresi, kita boleh meramalkan nilai pembolehubah bersandar daripada pembolehubah bebas dengan tepat.
Pemahaman yang baik tentang kaedah ini amat berguna dalam bidang seperti ekonomi, biostatistik, kejuruteraan dan sains sosial di mana analisis regresi kerap digunakan. Artikel ini, dengan contoh konkrit, menggambarkan kepentingan dan kegunaan metodologi ini dalam analisis data.
