Anda di halaman 1dari 53

BAB I

PENDAHULUA
N
Analisis Statistika Multivariat adalah analisis statistika terhadap hasil
pengamatan obyek-obyek atau individu-individu jika hasil pengamatan tersebut
merupakan kumpulan beberapa variabel random khususnya yang saling
berkorelasi. Analisis semacam ini akan diperlukan apabila diinginkan untuk
mengamati gejala-gejala yang mungkin terjadi dari beberapa variabel random
secara serempak (simultan).
Seperti telah diketahui, apabila hasil pengamatan merupakan kumpulan
beberapa variabel random, analisis Statistika Univariat yang biasanya diberikan
dalam kuliah-kuliah Statistika Dasar atau Metode Statistika dapat dilakukan
terhadap masing-masing variabel random tersebut secara terpisah. Akibatnya,
dalam melakukan beberapa kali analisis statistika univariat tersebut tidak
diperhitungkan kemungkinan adanya korelasi antara beberapa variabel random,
dengan demikian hasil yang dicapai mungkin sekali kurang bisa
dipertanggungjawabkan atau malah bisa jadi menyesatkan.
Berlawanan dengan hal tersebut, dengan Analisis Statistika Multivariat
dapat diamati apakah ada hubungan antara beberapa variabel random yang
diperhatikan, variabel random-variabel random mana yang lebih berpengaruh
sehingga diharapkan dapat menghasilkan informasi yang lebih berarti.
Konsep Multivariat 1
Berikut ini akan diberikan beberapa contoh permasalahan yang dapat
diselesaikan dengan analisis Statistik Multivariat :
1. Bidang Antropologi :
Penentuan jenis kelamin dari berbagai pengamatan (sifat dan karakteristik)
terhadap fosil tengkorak.
2. Bidang Kedokteran :
Diagnosis reaksi pasien kanker terhadap sejumlah teknik terapi. Pengukuran
dilakukan pada sejumlah variabel rekasi dari beberapa pasien. Karena sukar
membuat interpretasi pada beberapa variabel sekaligus, variabel-variabel
tersebut akan diringkas menjadi hanya satu atau dua variabel saja yang
masih bisa menggambarkan secara komprehensif kesemua variabel asli tadi.
3. Bidang Pendidikan :
Studi tentang ada atau tidak adanya pengaruh hasil seleksi masuk perguruan
tinggi terhadap prestasi studi di perguruan tinggi yang direpresentasikan
dalam beberapa ukuran seperti IPK, lama waktu studi, dan sebagainya.
4. Bidang Ekonomi :
Penelitian tentang hubungan antara berbagai macam faktor ekonomi seperti
konsumsi, harga, biaya produksi, dan pendapatan konsumen dilakukan untuk
menentukan relasi permintaan dengan menggunakan variabel-variabel
kanonik.
5. Bidang Biologi :
Penggolongan (klasterifikasi dan diskriminasi) species bunga berdasarkan
sejumlah karakteristik biologis dari bunga bersangkutan.
Beberapa topik dalam Statistika Multivariat yang akan dibicarakan antara
lain adalah Regresi, Variabel Kanonik, Analisis Diskriminan.
Pembicaraan akan dimulai dari vektor variabel random berdistribusi
multivariat umum dengan masing-masing komponennya adalah variabel random
Konsep Multivariat 2
kontinu, yang akan dilanjutkan dengan vektor variabel random berdistribusi
normal multivariat. Inferensi statistik yang dibicarakan pada umumnya akan
didasarkan atas distribusi normal
BAB II
VARIABEL
RANDOM
MULTIDIMENSIO
NAL
2.1. Pengantar
Kumpulan variabel random X1, X2 ,, Xp yang masing-masing
mempunyai fungsi densitas f(x1), f(x2),,f(xp) dan fungsi distribusi F(x1), F(x2),
,F(xp), bersama-sama merupakan variabel random multidimensional atau
variabel random multivariat. Variabel-variabel random ini juga dapat dinyatakan
sebagai vektor (variabel) random
( )
p
t
X X X X ,..., ,
2 1

dengan fungsi densitas bersama f(x1,x2 ,,xp) ditulis f(x) atau


) (
~
x f
.
Konsep Multivariat 3
Sifat 2.1.1
) (
~
x f
mempunyai sifat-sifat sebagai berikut :
1.
( ) 0 ,..., ,
2 1

p
x x x f
untuk setiap (x1, x2 ,, xp)
2.
( ) 1
~ ~
~

x d x f
R x
dengan p
dx dx dx x d ... . .
2 1
~

dan R adalah domain
~
x
.
Fungsi distribusi bersama dari X1, X2 ,, Xp,
( )
~
x F
adalah
( ) ( ) ( )
p p p
X x x x X P x x x F x F ,..., , ,..., ,
2 1 1 2 1
~
Hubungan antara fungsi densitas bersama dan fungsi distribusi bersama adalah
( ) ( )

p p
x x
x
x d x f x F
1
~ ~ ~
...
(2.1)
atau
( )
( )
p
x x x
p
x F
x f

...
2 1
~
~
(2.2)
sehingga dari hubungan (2.1) atau (2.2) dapat disimpulkan bahwa jika salah
satunya tertentu maka yang lain juga dapat ditentukan.
2.2. Distribusi Marginal
Konsep Multivariat 4
Dalam analisis data multivariat, permasalahan dimulai dengan
memperhatikan suatu vektor random, tetapi perhatian khusus dapat dilakukan
terhadap suatu sub vektor random yang perlu dicari.
Pandang
,
_

t t t
z y X
~
~
~
dengan
~
y
dan
~
z
adalah sub vektor random dari
~
X
yang masing-masing mempunyai r dan (p r) komponen. Jika
,
_

~
y g
dan
( )
~
z h
masing-masing adalah fungsi densitas bersama dari
~
X
, maka
~ ~
~ ~
~
~
, z d z y f y g
z
R z

,
_

,
_

dan
( )
~
~
~
~
~
~
, y d z y f z h
y
R y

,
_

dengan
~
y
R
dan
~
z
R
masing-masing adalah domain dari
~
y
dan
~
z
.
,
_

~
y g
dan
( )
~
z h
masing-masing dinamakan fungsi densitas marginal sub vektor
~
y
dan
~
z
2.3. Distribusi Bersyarat
Jika dari vektor random
~
X
perhatian khusus diberikan terhadap sub
vektor random
~
Y
dengan sub vektor random (yang tersisa)
~
Z
ditentukan, maka
distribusi sub vektor random
~
Y
dengan syarat
~
Z
tertentu adalah suatu
distribusi bersyarat. Sub vektor random
~
Y
dengan syarat
~ ~
z Z
ditulis
~ ~
z Z Y

mempunyai fungsi densitas bersyarat
Konsep Multivariat 5
( )
( )
( )
~
~
~
~
~
~
,
~
z h
x f
z h
z y f
y g
z

,
_

,
_

dengan
( )
~
x f
adalah fungsi densitas bersama dari
~
X
dan
( )
~
z h
adalah fungsi
densitas marginal dari
~
Z
.
2.4. Independensi
Jika vektor random
,
_

t t t
z y X
~
~
~
, maka sub vektor random
~
Y
dan
~
Z

dikatakan saling bebas (saling independen) jika dan hanya jika
( )
~
~
~
~
, z h y g z y f

,
_

,
_

atau
( )
~
~
~
~
, z H y G z y F

,
_

,
_

atau

,
_

,
_

~ ~
~
y g y g
z .
2.5. Momen-momen Variabel Multidimensional
2.5.1. Ekspektasi
Konsep Multivariat 6
Ekspektasi vektor random
( )
p
t
X X X X
2 1

adalah vektor yang


komponen-komponennya adalah ekspektasi komponen
~
X
, yaitu
( ) ( ) ( ) ( ) ( )
p
t
X E X E X E X E
2 1
~

dengan cara yang sama didapat pula bahwa ekspektasi matriks random A = (aij)
adalah matriks yang komponennya adalah ekspektasi komponen matrks A, yaitu
( ) ( ) ( )
ij
a E A E
2.5.2. Kovariansi
Telah diketahui bahwa kovariansi antara komponen Xi dan Xj dari vektor random
~
X
adalah
( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
ij
j i j i
j j i i j i
X E X E X X E
X E X X E X E X X Cov




,
yang akan menjadi variansi dari komponen Xi, jika i = j, yaitu
( ) ( ) ( )
( ) ( ) ( )
2
2 2
2
i ii
i i
i i i
X E X E
X E X E X Var



2.5.3. Matriks Kovariansi
Konsep Multivariat 7
Untuk suatu vektor random
~
X
, matriks variansi-kovariansi atau matriks
kovariansi dari
~
X
ditulis
~
x

adalah
( ) ( ) ( ) ( ) ( ) ( )
ij
t
X E X X E X E
~ ~ ~ ~
yaitu suatu matriks yang komponen-komponennya adalah ij

. Jelaslah bahwa
matriks kovariansi adalah suatu matriks simetris.
Beberapa hal yang dapat diturunkan dari pengertian-pengertian di atas adalah :
Jika a, b, c dan d adalah bilangan-bilangan nyata, maka
( ) ( )
j i j i
X X Cov b X a X Cov , , + +
dan
( ) ( )
j i j i
X X Cov cd dX cX Cov , ,
Jika
( )
p
t
a a a a
2 1
~

,
( )
p
t
b b b b
2 1
~

,
( )
p
t
X X X X
2 1

,
maka
( )



~
~ ~
1 1
~ ~
x
t
i j
ij j i
t
a a a a X a Var
dan
( )



~
~ ~
1 1
~ ~ ~ ~
,
x
t
i j
ij j i
t t
b a b a x b X a Cov
Konsep Multivariat 8
Jika matriks A berukuran (r x p), matriks B berukuran (s x p),
( )
p
t
X X X X
2 1
~

,
( )
r
t
Y Y Y Y
2 1
~

dan
( )
S
t
Z Z Z Z
2 1
~

maka
t
x y
A A
~
~

, jika
~ ~
X Y A
t
x z
B B
~ ~

, jika
~ ~
X Z B
t
x z y
B A
~ ~
~
,

, jika
~ ~
X Y A
dan
~ ~
X Z B
2.5.4. Koefisien Korelasi
Koefisien korelasi dari Xi dan Xj , keduanya merupakan komponen dari vektor
random
~
X
didefinisikan sebagai
( )
( ) ( )
j i
j i
ij
X Var X Var
X X Cov
.
,

Dengan mudah dapat ditunjukkan bahwa ij

invariant terhadap perubahan


skala dan perubahan letak serta
1 1
ij

.
Jika Xi dan Xj adalah variabel random yang independen, maka
( ) 0 ,
j i
X X Cov

yang berakibat
0
ij

. Walaupun demikian kebalikannya tidak selalu benar,


sebab dimungkinkan untuk mendapatkan Xi dan Xj dependen dengan
0
ij

.
2.5.5. Matriks Korelasi
Konsep Multivariat 9
Matriks korelasi vektor random
~
X
adalah
( )
ij
P
Jika
( )
i
D
adalah matriks diagonal yang komponennya adalah standar deviasi
komponen X, maka hubungan antara matriks korelasi dan matriks kovariansi
adalah
( ) ( )
i i X
PD D
~
atau
( ) ( )
i X i

1 1
~

D D P
2.5.6. Momen suatu Bentuk Kuadrat
Jika vektor random
~
X
mempunyai ekspektasi
( )
~
~
X E
dan kovariansi
~
X

dan matriks simetris A tidak bergantung pada


~
X
, maka
( ) ( ) A A A
~
~ ~
~ ~
X
t t
trace X X E +
2.5.7. Fungsi Pembangkit Momen
Fungsi pembangkit momen untuk suatu vektor random
~
X
dengan fungsi
densitas bersama
( )
~
x f
adalah
( ) ( ) ( ) ( ) ( )
~ ~ ~ ~ ~ ~ ~
exp exp
~
x d x f X t X t E t M
t t
x


Beberapa hal yang perlu diperhatikan dari fungsi pembangkit momen adalah :
Konsep Multivariat 10

( ) 1
~ ~
t M
x untuk
~ ~
0 t
Derivatif ke-r dari
( )
~ ~
t M
x terhadap
~
t
untuk
~ ~
0 t
adalah momen ke-r
dari vektor random dari
~
X
terhadap
~
0
.

1 ~
X
dan
2 ~
X
adalah dua subvektor random dari
~
X
yang saling bebas
jika dan hanya jika
( ) ( ) ( ) ( )
2 ~ 1 ~ 2 ~ 1 ~ ~
2 ~ 1 ~
2 ~ 1 ~
~
. t M t M t t M t M
x x
x x
x

,
_

Dua vektor random berdistribusi identik jika dan hanya jika fungsi
pembangkit momen kedua vektor random tersebut identik.
Dari pernyataan ini dapat disimpulkan bahwa tertentunya fungsi pembangkit
momen juga akan berarti tertentunya distribusi suatu vektor random.
2.6. Transformasi
Dalam mengamati suatu permasalahan kadang-kadang perhatian tidak dilakukan
langsung terhadap vektor yang menjadi perhatian, melainkan pada vektor
random hasil transformasi terhadap vektor random tersebut.
Jika transfomasi tersebut dilakukan, maka fungsi densitas bersama vektor
random hasil transformasi dapat ditentukan dari fungsi densitas bersama vektor
random yang menentukan berdasarkan teorema berikut (tanpa bukti).
Konsep Multivariat 11
Teorema 2.6.1
Pandang
( )
~
X f Y
k k

untuk k = 1, 2, 3,, p yang merupakan suatu
transformasi dapat didiferensialkan (=differentiable) satu-satu dari vektor random
( )
p
t
X X X X
2 1

ke vektor random
( )
p
t
Y Y Y Y
2 1

dengan
( )
~
Y g X
k k

untuk k = 1, 2, , p adalah transformasi kebalikannya. Jika
( )
~
x f

adalah fungsi densitas bersama vektor random
~
X
, maka fungsi densitas
bersama vektor random
~
Y
adalah
( )
~ ~
~ ~
2
~
1
~
..., , , Y X J y g y g y g f y g
p

,
_

,
_

,
_

,
_

,
_

di mana
( )
~ ~
Y X J
adalah Jacobian tranformasi.
Jacobian Transformasi
Andaikata X dan Y adalah matriks-matriks atau vektor-vektor dengan jumlah
komponen berlainan sama. Jika
( ) Y f X
, maka Jacobian transformasinya
adalah harga mutlak determinan matriks
( )
ij
a A
dengan

,
_

i
i
ij
x
y
a
untuk i , j
= 1, 2, 3, , r dan ( )
r
x x x ,..., ,
2 1
maupun ( )
r
y y y ,..., ,
2 1
masing-masing
adalah komponen berlainan dari X dan Y.
Berikut ini akan disajikan beberapa Jacobian transformasi yang banyak
digunakan dalam analisis multivariat :
Konsep Multivariat 12
No. Transformasi Jacobian
1
( )
( )
( ) pxp
px
px
x y A , ,
1 ~
1 ~
dan
~
~
x y A
det(A)
2 ( ) ( ) ( ) pxp pxq pxq
A X Y , ,
dan Y = AX (det(A))
q
3
( ) ( ) ( ) pxp pxq pxq
B X Y , ,
dan Y = BX (det(B))
p
4 ( ) ( ) ( ) ( ) pxq qxq pxp pxq
X B A Y , , ,
dan Y=A X B (det(A))
q
(det(B))
p
5 ( ) ( ) pxq pxq
X Y ,
, A simetris dan Y=A X A
t
(det(A))
p+1
6 ( ) ( ) pxq pxq
X Y ,
, a saklar dan Y=aX a
pq
7
( ) ( ) pxq pxq
X Y ,
, X simetris, Y simetris, a skalar
dan Y = aX
( ) 1
2
1
+ p p
a
BAB III
DISTRIBUSI
NORMAL
MULTIVARIAT
Konsep Multivariat 13
3.1. Pengantar
Pada pembicaraan-pembicaraan selanjutnya hanya vektor (variabel)
random yang berdistribusi normal multivariat saja yang akan digunakan sebagai
alat untuk melakukan inferensi statistik tentang populasi berdasarkan informasi-
informasi yang diperoleh dari sampel random yang terdiri dari vektor-vektor
observasi yang diambil dari populasi tersebut. Dengan demikian perlu
diperhatikan bahwa jika cara inferensi yang dilakukan hanya berlaku untuk
populasi berdistribusi normal multivariat maka populasi haruslah benar-benar
berdistribusi normal multivariat atau paling tidak berdistribusi mendekati distribusi
normal multivariat. Alasan digunakannya pembatasan tersebut didasarkan atas
dua hal berikut :
Suatu vektor random yang merupakan jumlah dari kumpulan n vektor
random yang diketahui berdistribusi normal multivariat identik dan saling
bebas (i.i.d independent identically distributed) akan berdistribusi normal
multivariat.
Apabila sampel random diambil dari suatu populasi berdistribusi
multivariat bukan normal, maka distribusi sampling dari statistik yang
digunakan untuk inferensi akan ditentukan oleh masing-masing populasi,
yang pada umumnya berbeda. Tetapi dengan menggunakan Teorema Limit
Pusat yang berlaku untuk variabel random multivariat, dapat dibuktikan
bahwa jika ukuran sampel cukup besar maka distribusi sampling harga
statistik yang digunakan untuk inferensi tersebut akan mempunyai distribusi
yang mendekati distribusi normal multivariat.
Berikut ini akan ditunjukkan suatu cara untuk menentukan fungsi densitas
bersama dari suatu vektor random berdistribusi normal multivariat.
3.2. Fungsi Densitas Bersama Normal Multivariat
Konsep Multivariat 14
Pandang variabel random X berdistribusi normal (univariat) dengan mean =
dan variansi =
2
, yang dapat dinyatakan sebagai ( )
2
, ~ N X .
Fungsi densitas dari X adalah
( )

,
_

,
_



2
2
1
exp
2
1


x
x f
(3.1)
dengan
< < x
, ( )
2
, tertentu, pada
< <
dan 0 > .
Jika X1, X2,, Xp i.i.d. ( )
2
,
i i
N , maka vektor random
( )
p
t
X X X X , , ,
2 1
~


akan mempunyai distribusi bersama, yang fungsi densitas bersamanya adalah
( ) ( ) ( ) ( )
p
x f x f x f x f
2 1
~

( )

,
_

,
_

p
i i
i i
p
p
x
1
2
2 1
2 /
2
1
exp
2
1


(3.2)
dengan
< <
i
x
, ( )
2
,
i i
tertentu, pada
< <
i

dan
0 >
i

untuk i =
1, 2, , p.
Jika disajikan dengan notasi matriks dan vektor, jika
( ) ( )
p
t
p
t
x x x x
2 1
~
2 1
~
,
dan
( )
2 2
2
2
1
, , ,
p
diag

maka
( )
~
x f
dalam (3.2) dapat ditulis sebagai
( )
( )

,
_

,
_

,
_



~
~
1
~
~
2 / 1
2 /
~
2
1
exp
2
1

x x x f
t
p

(3.3)
Dengan membandingkan dengan hasil yang diperoleh dalam (3.1), terlihat
bahwa fungsi densitas bersama dari vektor random
~
x
dalam (3.3) dapat
diperoleh dari fungsi densitas variabel random X dalam (3.1) dengan mengganti
Konsep Multivariat 15
x dengan vektor
~
x
,

dengan vektor
~

,
2
dengan ,
,
_

x
dengan

,
_

,
_


~
~
1
~
~
x x
t
dan dengan akar determinan .
Vektor random X dikatakan berdistribusi non singular normal multivariat (umum)
ditulis
,
_

, ~
~

p
N X
jika fungsi densitas bersama dari
~
X
adalah
( )
~
x f
dalam
(3.3) dengan adalah suatu matriks yang simetris definit positif.
Dengan mudah dapat ditunjukkan bahwa jika adalah sebarang matriks yang
simetris definit positif, maka
( )
~
x f
dalam (3.3) akan memenuhi syarat-syarat
fungsi densitas bersama suatu vektor random multivariat.
Jika determinan = 0, maka vektor random
~
X
dikatakan berdistribusi normal
multivariat singular atau degenerate normal dan fungsi densitas bersamanya
tidak terdefinisi.
Seperti yang sudah diketahui pada variabel random berdistribusi normal yaitu
bahwa mean =

dan variansi =
2
, maka untuk vektor random berdistribusi
normal multivariat (non singular) yang juga disebut vektor random multinormal
dapat ditunjukkan bahwa vektor random ini mempunyai mean yaitu vektor
~


dengan matriks kovariansi
( )
ij

. Salah satu cara untuk menunjukkan hal ini
adalah dengan menggunakan fungsi pembangkit momen vektor random
multinormal.
Dengan demikian suatu distribusi normal multivariat akan tertentu jika parameter-
parameter distribusinya tertentu yaitu mean dan variansi dari setiap komponen
vektor randomnya dan kovariansi setiap dua komponen berlainan tertentu, atau
Konsep Multivariat 16
sebaliknya jika parameter-parameter distribusi multinormal tertentu, yaitu
~

dan
, maka distribusi multinormalnya juga tertentu.
3.3. Fungsi Pembangkit Momen Distribusi Multinormal
Jika
~
X
adalah suatu vektor random multinormal dengan mean =
~

dan
matriks kovariansi = maka fungsi pembangkit momen dari
~
X
adalah
( )

,
_

+
~ ~
~
~ ~
2
1
exp
~
t t t t M
t t
x

(3.4)
Sedangkan teorema berikut berlaku (tanpa bukti) :
Teorema 3.3.1
Jika
~
X
untuk vektor random multivariat
~
X
berlaku fungsi pembangkit momen
dari
~
X
seperti dalam (3.4) maka
~
X
multinormal dengan mean =
~

dan
matriks kovariansi = .
Dengan demikian dapat disimpulkan bahwa untuk vektor random multivariat
~
X

berlaku :

,
_

, ~
~
~

p
N X
jika dan hanya jika
( )

,
_

+
~ ~
~
~ ~
2
1
exp
~
t t t t M
t t
x

(3.5)
Untuk menunjukkan bahwa mean dari vektor random multinormal
~
X
adalah
~

,
maka
( )
~ ~
t M
x dalam (3.4) diderivatifkan terhadap
~
t
, kemudian diambil harganya
untuk
~ ~
0 t
.
Dengan menentukan harga derivatif ke-2 dari
( )
~ ~
t M
x dalam (3.4) terhadap
~
t

yaitu
Konsep Multivariat 17
( )
~ ~
~
2
~
t t
t M
t
x

untuk
~ ~
0 t
, didapat
( ) +
t t
X X E
~ ~
~ ~

, sehingga terbukti bahwa
adalah matriks kovariansi dari variabel random multinormal
~
X
.
Teorema 3.3.2
Ditentukan bahwa vektor random
~
X
adalah multinormal dengan mean =
~

dan
matriks kovariansi = .
Jika A adalah sebarang matriks bertipe (m x p) dengan rank
p m
dan vektor
random
~ ~
X Y A
, maka
~
Y
adalah vektor random multinormal pula dengan
mean =
~
A
dan matriks kovariansi = AA
t
.
Soal 3.1
Vektor random
( )
3 2 1
~
X X X X
t

dan
( )
3 2 1
~
Y Y Y Y
t

masing-masing
berdistribusi normal trivariat dan saling bebas dengan
( ) ( ) 2 4 3 , 2 2 2
~
~
~ ~

t
y
t
x

1
1
1
]
1

1
1
1
]
1

4 2 0
2 4 2
0 2 4
,
2 1 1
1 4 2
1 2 3
~
~
y x

Tentukan distribusi dari vektor random-vektor random berikut :
a)
( )
~ ~
Y X
, b) ( )( ) ( )
t t t t
Y X Y X
~ ~ ~ ~
+ , c)
( )
t t
Y X
~ ~
Soal 3.2
Jika matriks-matriks
1
]
1

1 1 0
1 1 2
A
dan
1
1
1
]
1


1 1 0
0 1 1
1 1 1
B
Konsep Multivariat 18
dan vektor random
~
X
dan vektor
~
Y
adalah seperti soal 3.1, bagaimanakah
distribusi transformasi linear berikut :
a)
~
X A
, b)
~
X B
, c)
( )
t
t
t
t
Y X B A
~ ~
, d)
( )
t
t
t
t
X X B A
~ ~
3.4. Distribusi Marginal
Pandang vektor random
~
X
berdistribusi multinormal
,
_

,
~

p
N
dengan
1 ~
X
dan
2 ~
X
adalah subvektor-subvektor yang merupakan pengelompokan dari
~
X

masing-masing dengan r dan (p-r) komponen. Pengelompokan yang sesuai dari
vektor mean dan matriks kovariansi
( )
t t t
X X X
2 ~ 1 ~ ~

adalah

,
_

t t t
2 ~ 1 ~ ~

dan
1
]
1

22 21
12 11

(3.6)
di mana
1 ~

dan
2 ~

masing-masing adalah subvektor mean dengan r dan (p-r)


komponen, sedangkan submatriks
11

,
12

,
21

,
22

masing-
masing bertipe (r x r), (r x (pr)), ((p-r)x(p-r)).
Untuk memperoleh distribusi marginal subvektor random
1 ~
X
, digunakan
teorema 3.3.2 dengan tranformasi
( )
~ 1 ~
X X 0 I
r

dari
~
X
ke
1 ~
X
di mana Ir
adalah submatriks identitas bertipe (r x r) dan 0 adalah sub matriks nol bertipe (r
Konsep Multivariat 19
x (p-r)), sehingga hasil yang diperoleh adalah subvektor random
1 ~
X

berdistribusi multinormal
,
_

11
1 ~
,
r
N
.
Dengan cara yang sama dapat diperoleh pula bahwa subvektor
2 ~
X
berdistribusi
multinormal
,
_

22
2 ~
,
p
N
yaitu dengan transformasi ( )
( )
~ 2 ~
X X
r p
I 0
dari
~
X

ke
2 ~
X
.
Dengan demikian dapat disimpulkan bahwa distribusi sebarang subvektor
random dari suatu vektor random multinormal adalah multinormal pula. Tetapi
kebalikannya belum tentu berlaku. Hanya jika subvektor random
1 ~
X
dan
2 ~
X

dari vektor random
~
X
berdistribusi independen (saling bebas) multinormal,
maka
~
X
juga akan berdistribusi multinormal.
Dari sub matriks
12

dan
21

dalam (3.6) dapat terlihat pola hubungan


antara subvektor
1 ~
X
dengan
2 ~
X
, yaitu : sub vektor
1 ~
X
dan
2 ~
X
berdistribusi
saling bebas multinormal jika dan hanya jika sub matriks
12

adalah matriks
nol.
3.5. Distribusi Bersyarat
Konsep Multivariat 20
Untuk memperoleh distribusi bersyarat dari subvektor random
1 ~
X
jika sub
vektor
2 ~
X
tertentu dapat dilakukan cara berikut :
Dalam subseksi 3.3. telah ditunjukkan bahwa jika vektor random
~
X
berdistribusi
multinormal
,
_

,
~

p
N
maka subvektor random
2 ~
X
berdistribusi multiormal.
Jika
( ) ( )
2 ~ 1 ~ ~
, x x f x f
adalah fungsi densitas bersama vektor random
~
X
dan
( )
2 ~
x h
adalah fungsi densitas marginal bersama subvektor random
2 ~
X
maka
( )
~
x f
adalah seperti dalam (3.3) dan
( )
( )

,
_

,
_

,
_

2 ~
2 ~
1
22
2 ~
2 ~
2 / 1
22
2 / ) (
2 ~
2
1
exp
2
1

x x x f
t
r p

(3.7)
Fungsi densitas bersyarat dari subvektor random
1 ~
X
jika subvektor
2 ~
X

tertentu adalah
( )
( )
2 ~
~
1 ~
2 ~
x h
x f
x g
x

1
1
]
1

(3.8)
Dengan manipulasi aljabar terhadap
( )
~
x f
dalam (3.3) dan menggunakan hasil-
hasil sebagai berikut :

1
]
1

22 21
12 11
1

dimana
21
1
22 12 11
11



1
22 12
11 12

( )
t
12 21

Konsep Multivariat 21
1
22 12
11
21
1
22
1
22
22
+
( ) ( ) ( )
21
1
22 12 11 22
det det det

( )
t t t
x x x
2 ~ 1 ~ ~

,
,
_

t t t
2 ~ 1 ~ ~

dan
1
]
1

22 21
12 11

diperoleh bahwa
1
1
]
1

2 ~
1 ~
x
x g
adalah fungsi densitas suatu distribusi multinormal

,
_

2 . 11
2 . 1 ~
,
r
N
dengan

,
_

+

2 ~
2 ~
1
22 12
1 ~ 12 ~
x
dan
21
1
22 12 11 2 . 11


(3.9)
Karena pengelompokkan vektor random
~
X
menjadi subvektor
1 ~
X
dan
2 ~
X

adalah sembarang maka dapat disimpulkan bahwa distribusi bersyarat sebarang
subvektor random multinormal, jika subvektor yang lain tertentu adalah
multinormal dengan mean
2 . 1 ~

dan matriks kovariansi


2 . 11

seperti dalam
(3.9).
Soal 3.3
Jika vektor random
~
X
berdistribusi multinormal
,
_

,
~
4
N
di mana
1
1
1
1
]
1

2
0
1
1
~

dan
1
1
1
1
]
1

20 12 2 6
12 20 6 2
2 6 2 0
6 2 0 2
a. Tunjukkan bahwa
~
X
berdistribusi singular dengan menujukkan bahwa
rank adalah 2 !
b. Tentukan distribusi bersyarat dari X3, X4, jika X1, X2 tertentu !
c. Dengan probabilitas sama dengan 1 dan
x3 = a30 + a31 x1 + a32 x2
Konsep Multivariat 22
x4 = a40 + a41 x1 + a42 x2
Tentukan aij !
d. Dari jawaban c., hitung P(X1 + X2 + X3 + X4 < 0) !
Penyelesaian Soal 3.3
a. Menggunakan barisan transformasi elementer H31(-1), H41(-3), H32(-3),
H42(-1), matriks kovariansi

berubah menjadi matriks


1
1
1
1
]
1

0 0 0 0
0 0 0 0
2 6 2 0
6 2 0 2
A
terlihat bahwa rank A adalah 2, sehingga rank pun adalah 2 karena
tranformasi elementer tidak mengubah rank.
b.
( )
t t t
X X X
2 ~ 1 ~ ~

dengan
( )
2 1
1 ~
X X X
t

,
( )
4 3
2 ~
X X X
t

. Pengelompokkan
~

dan yang sesuai dengan


~
X
adalah
( ) 1 1
1 ~

t

,
( ) 2 0
2 ~

t

,
1
]
1

2 0
0 2
11

,
1
]
1


2 6
6 2
21 12

dan
1
]
1

20 12
12 20
22

Vektor random
2 ~
X
dengan syarat
1 ~
X
tertentu berdistribusi multinormal

,
_

1 . 22
1 . 2 ~
2
, N
dengan

,
_

+

1 ~
1 ~
1
11 21
2 ~ 1 . 2 ~
x
dan
12
1
11 21 22 1 . 22



dan
Konsep Multivariat 23

,
_

+
+

,
_

,
_

,
_

,
_

,
_

,
_

2 3
4 3
1
1
2 0
0 2
2 6
6 2
2
0
2 1
2 1
2
1
1 . 2 ~
x x
x x
x
x

. nol matriks suatu ,


0 0
0 0

2 6
6 2
2 0
0 2
2 6
6 2
20 12
12 20
1
1 . 22
0

,
_

,
_

,
_

,
_

,
_

Dengan demikian dengan syarat


1 ~
X
tertentu,
2 ~
X
berdistribusi multinormal

,
_

0 ,
1 . 2 ~
2
N
. Ini berarti bahwa dengan probabilitas 1, diperoleh
~
1 . 2
~
2
X
, jika
1 ~
X
tertentu.
c. Hasil jawaban b. menunjukkan bahwa
~
1 . 2
~
2
X
yaitu
2 3
4 3
2 1 4
2 1 3
+
+
x x x
x x x
Jadi a30 = 4, a31 = 1, a32 = 3, a40 = 3, a41 = 1, a42 = 1
d. Berdasarkan jawaban pada c. di atas, didapatkan :
( ) ( ) ( ) ( )
( )
.
5
6

0 6 5 5
0 2 3 4 3 0
2 1
2 1
2 1 2 1 2 1 4 3 2 1

,
_

< +
< +
< + + + + + < + + +
X X P
X X P
X X X X X X P X X X X P
Karena vektor
1 ~
X
berdistribusi multinormal
,
_

11
1 ~
2
, N
dengan
1
]
1

2 0
0 2

, maka
1 ~
X
dan
2 ~
X
berdistribusi normal saling bebas dengan
mean = 1 dan variansi = 2 sehingga (X1 + X2) berdistribusi N(2,4).
Menggunakan tabel distribusi normal, maka dapat dihitung bahwa
Konsep Multivariat 24
( ) 3446 , 0
5
6
0
2 1 4 3 2 1

,
_

< + < + + + X X P X X X X P
.
BAB IV
SAMPEL
RANDOM
DARI
POPULASI
NORMAL
4.1. Pengantar
Pada Bab III telah dibicarakan beberapa hal yang penting mengenai
suatu distribusi multinormal
,
_

,
~

p
N
jika parameter-parameter
~

dan
ditentukan. Masalah yang timbul kemudian adalah bagaimana cara mengatasi
jika parameter-parameter tersebut tidak ditentukan. Berikut akan dibahas suatu
Konsep Multivariat 25
cara untuk memperoleh penduga parameter yang tidak ditentukan, yaitu
menggunakan Metode Kemungkinan Maksimum (Maximum Likelihood
Estimation).
Dari suatu populasi berdistribusi multinormal
,
_

,
~

p
N
dengan
parameter
~

dan tidak diketahui, diambil sampel random berukuran n yang


berupa vektor observasi
n
x x x
~ 2 ~ 1 ~
,..., ,
dengan
( )
pi i i
i
x x x x ...
2 1
~

untuk i = 1,
2, , n. Matriks random
( )
n
X X X
~ 2 ~ 1 ~
... X
bertipe (p x n) adalah sampel
random yang diambil dari populasi tersebut dengan distribusi yang fungsi
densitas bersamanya adalah
( ) ( ) ( ) ( )
n n
x f x f x f x ..., x x f
~ 2 ~ 1 ~ ~ 2 ~ 1 ~
, ,

(4.1)
di mana
( )
( )

,
_

,
_

,
_



~
~
1
~
~
2 / 1 2 /
~
2
1
exp
2
1

i
t
i
p
i
x x x f

untuk i = 1, 2, , n.
Fungsi kemungkinan
,
_

,
~
L
dari matriks random X diperoleh dari
( )
n
x ..., x x f
~ 2 ~ 1 ~
, ,
dalam (4.1), yaitu
( )
1
]
1

,
_

,
_

,
_

~
~
1
1
~
~
2 / 2 /
~ 2
1
exp
2
1
,

i
n
i
t
i
n np
x x L

(4.2)
Dengan menentukan sampel mean dan matriks jumlah kuadrat dan ganda silang
sampel yaitu
Konsep Multivariat 26

n
i
i
x
n
x
1
~ ~
1
dan
( )( )
t
i
n
i
i
x x x x
~ ~
1
~ ~

A
(4.3)
maka dapat diperoleh logaritma normal dari

,
_

,
~
L
dalam (4.2) sebagai berikut :
( )

,
_

,
_

,
_


~
~
1
~
~
1
~ 2 2
1
2
2 ln
2
, x x
n
tr
n np
l
t
A (4.4)
Melakukan Metode Kemungkinan Maksimum adalah mencari pasangan
,
_

,
~


yang membuat

,
_

,
~
L
dalam (4.2) atau

,
_

,
~
l
dalam (4.4) mencapai
maksimum. Karena
-1
adalah suatu matriks yang simetris definit positif, bentuk
kuadrat dalam (4.4) akan selalu non-negatif. Dengan demikian

,
_

,
~
l
akan
mencapai maksimum, jika
~

sama dengan
~
x
, sehingga penduga kemungkinan
maksimum untuk vektor mean
~

adalah
~
~
x
, yaitu vektor mean dari sampel.
Untuk menduga matriks kovariansi , akan lebih mudah jika ditentukan melalui
penduga kemungkinan maksimum untuk
-1
dan menggunakan lemma berikut:
Lemma 4.1
Jika fungsi kemungkinan L adalah fungsi dari m parameter 1, 2,, n dan
didefinisikan m parameter baru 1 = 1(1, 2, , m), , m = m(1, 2,, m)
yang merupakan transformasi 1-1, sehingga 1 = 1(1, 2, , m), ., m =
m(1, 2, , m) maka jika penduga kemungkinan maksimum dari 1 adalah
i

, untuk i = 1, 2, , m maka penduga kemungkinan maksimum dari i adalah


( )
m i i
,..., ,

2 1
untuk i =1, 2, , m.
Konsep Multivariat 27
Menggunakan Lemma 4.1, untuk menentukan penduga kemungkinan
maksimum dari matriks kovariansi = (ij) dicari terlebih dahulu penduga
kemungkinan maksimum untuk
-1
= = (ij). Dengan menderivatifkan
,
_

,
~
l
dalam (4.5) ke ij dan menyamakan hasilnya dengan nol diperoleh
0
2
1 1
.
2

ii
ii
a
n

0 2
2
1 2
.
2

ii
ij
a
n

di mana
ij
adalah kofaktor dari ij

, sedangkan aij adalah komponen matriks


A dalam (4.3).
Jika digunakan hasil-hasil berikut :
1.
ii
ii

ij

untuk i j
2.
( )
ij
ii
ii
a
tr

A
,
( )
ij
ij
a
tr
2

A
untuk i j
Dengan demikian dari hasil dalam (4.5) diperoleh
A
n
1

, karena
( ) adjoint
1

Karena
-1
= , maka penduga kemungkinan maksimum untuk matriks
kovariansi adalah A
n
1

.
Konsep Multivariat 28
Dengan mudah dapat ditunjukkan bahwa
~
x
adalah penduga tak bias untuk
~


sedangkan A
n
1
adalah penduga bias untuk , sehingga sebagai penduga tak
bias untuk dipilih A S
1
1

n
.
Berikut ini akan disajikan bebarapa hal yang perlu diperhatikan.
4.2. Distribusi Vektor Random
~
X
Dengan menggunakan fungsi pembangkit momen, dapat ditunjukkan
bahwa distribusi vektor random
~
X
adalah multinormal
,
_

n
N
p
1
,
~

, jika
n
X X X
~ 2 ~ 1 ~
,..., ,
adalah sampel random dari suatu populasi multinormal

,
_

,
~

p
N
. Di samping itu, dengan menggunakan teorema limit pusat yang
berlaku untuk variabel random multivariat, diperoleh hasil bahwa jika suatu
populasi multivariat sebarang vektor mean
~

dan matriks kovariansi


ditentukan, maka
X
berdistribusi multinormal
,
_

n
N
p
1
,
~

untuk n yang cukup


besar.
4.3. Distribusi Vektor Random
~
X
dan Matriks Random A saling bebas
Konsep Multivariat 29
Pandang transformasi ortogonal Z = XB dengan matriks B adalah matriks
ortogonal yang kolom terakhirnya adalah vektor

,
_

n n n
b
t
n
1
...
1

1
~
,
( )
n
Z Z Z
~ 2 ~ 1 ~
... Z
dengan vektor
i
Z
~
, i = 1, 2, , n, masing-masing memiliki p komponen. Karena
( )
n
X X X
~ 2 ~ 1 ~
... X
dengan
i
X
berdistribusi saling bebas multinormal

,
_

,
~

p
N
dan transformasi B ortogonal, maka
i
Z
~
berdistribusi multinormal
( ) , 0
~
p
N
untuk i = 1, 2, , (n-1), sedangkan Zn berdistribusi multinormal

,
_

,
~
n N
p
. Jika
( )
n
b b b
~ 2 ~ 1 ~
... B
maka
i i
b Z
~ ~
X
, i = 1, 2, , n. Dengan
demikian
n n
Z
n
X X n Z
~ ~ ~
1
atau
.
Karena
( )( )
( ) ( )

,
_

,
_




1
1
1
~ ~ ~ ~
~ ~
~ ~
t
1
~ ~ ~ ~ ~ ~
1
~ ~


1 1


n
i
t
i i
n
i
t
n n
t
i i
t
n n
t t
t
n
i
t
i i i
n
i
i
Z Z n Z Z
Z
n
Z
n
n
x x n
x x n x x x x x x
Z Z
X B XB
XX
A
Konsep Multivariat 30
Maka A hanya bergantung pada
1 ~ 2 ~ 1 ~
,..., ,
n
Z Z Z
, sedangkan
~
X
hanya
bergantung pada
n
Z
~
. Dengan demikian terbukti bahwa
~
X
dan A saling bebas.
4.4. Distribusi (Sentral) Wishart
Jika vektor random dengan p komponen
v
Z Z Z
~ 2 ~ 1 ~
..., , ,
masing-masing
berdistribusi saling bebas multinormal
( ) , 0
~
p
N
maka matriks random
t t
i
v
i
i
Z Z ZZ A

~
1
~
berdistribusi (sentral) Wishart dengan parameter densitasnya
adalah
( )

,
_

,
_

p
i
p p vp
p v
i v
tr
v
1
4 / ) 1 ( 2 /
2
1
2
1
2
2
1
exp | |
) , ; (

A A
A , untuk A definit positif
= 0 , untuk A yang lain
Beberapa sifat yang dapat diturunkan dari matriks random yang berdistribusi
Wishart antara lain adalah :
4.3.1. Sifat 1
Jika A1 dan A2 adalah matriks random yang masing-masing berdistribusi saling
bebas
( )
1
, v
p
W
dan
( )
2
, v
p
W
, maka A1 + A2 berdistribusi
( )
2 1
, v v
p
+ W
.
4.3.2. Sifat 2
Jika matriks random A berdistribusi
( ) v
p
, W
dan matriks K bertipe (r x p)
dengan rank r p maka matriks random B = KAK
t
berdistribusi Wr(KK
t
,v).
4.3.3. Sifat 3
Konsep Multivariat 31
Jika p = 1 dan = 1, maka ( ) v , 1
1
W adalah
2
v yaitu fungsi densitas Wishart
adalah fungsi densitas chi-square masing-masing dengan derajat bebas v.
Dari hasil untuk A dalam (4.6) maka matriks random A berdistribusi Wishart Wp
(,n-1), sehingga menggunakan sifat pada 4.3.2. dengan memilih K berupa
skalar
1
1
n
, diperoleh bahwa distribusi matriks A S
1
1

n
, yaitu penduga tak
bias untuk matriks kovariansi , adalah Wp (
1
1
n
,n-1).
Soal 4. 1
Ingin diduga vektor mean dan matriks kovariansi dari perubahan jumlah
penjualan dua jenis barang setiap minggunya di suatu toko. Diadakan
pengamatan selama beberapa minggu dan didapat hasil sebagai berikut :
2) 1 ( 0), 2 ( 2), 2 ( 1), 0 ( 2), 1 (
3), 1 ( 2), 3 ( 1), 3 ( 1), 2 ( 1), 1 (
10 ~ 9 ~ 8 ~ 7 ~ 6 ~
5 ~ 4 ~ 3 ~ 2 ~ 1 ~


t t t t t
t t t t t
x x x x x
x x x x x
Tentukan penduga untuk
~

dan !
Konsep Multivariat 32
BAB V
KORELASI
DAN REGRESI
5.1. Pengantar
Pengertian korelasi parsial dan korelasi ganda cukup banyak dikenal
karena peranannya dalam berbagai masalah analisis data. Berikut ini akan
ditinjau hal tersebut sebagai parameter-parameter dari fungsi densitas bersyarat
multinormal.
Dalam subseksi 3.4 telah dibicarakan bahwa dalam suatu populasi
multinormal, fungsi densitas bersyarat dari subvektor random
1 ~
X
sebarang, jika
subvektor tersisa
2 ~
X
tertentu adalah fungsi densitas suatu distribusi
multinormal dengan matriks kovariansi seperti dalam (3.9) yaitu :
21
1
22 12 11 2 . 11



Komponen-komponen matriks kovariansi 11.2 tersebut adalah variansi parsial
dan kovariansi parsial, sebab masing-masing adalah ukuran variansi dari
Konsep Multivariat 33
komponen-komponen
1 ~
X
dan ukuran hubungan dari pasangan komponen-
komponen
1 ~
X
, jika
2 ~
X
diambil tetap.
5.2. Korelasi Parsial
Korelasi parsial dari pasangan komponen
1 ~
X
dengan syarat
2 ~
X
diambil
tetap adalah komponen-komponen dari matriks korelasi P11.2 yang sesuai dengan
matriks kovariansi 11.2 yang dapat diperoleh dengan cara berikut :
( )
2
1
2 . 11 21
1
22 12 11
2
1
2 . 11 2 . 11

D D P
Di mana 2
1
2 . 11

D
adalah matriks diagonal dengan komponen akar dari komponen
diagonal matriks kovariansi
2 . 11

dan
1
2
1
2 . 11
2
1
2 . 11

,
_

D D
.
Banyaknya komponen subvektor tetap
2 ~
X
menunjukkan derajat atau order
dari korelasi parsial tersebut.
Apabila banyaknya komponen subvektor tetap
2 ~
X
tidak terlampau besar, maka
untuk menghitung korelasi parsial dapat digunakan rumus rekursif.
Misalnya, untuk menghitung korelasi parsial order satu dapat digunakan
( )( )
2 2
.
1 1
jh ih
jh ih ij
h ij

(5.1)
untuk h = 1, 2, , p; i,j = 1, 2, , (h-1), (h+1),,p, i < j
Dari rumus rekursif ini, dapat ditunjukkan dengan mudah bahwa apabila semua
korelasi parsial suatu order tertentu harganya sama dengan nol, maka semua
korelasi parsial dengan order yang lebih tinggi harganya akan nol pula.
Konsep Multivariat 34
Soal 5.1
Suatu vektor random
~
X
mempunyai matriks kovariansi berbentuk :

,
_

1
1
1
1
2 3
2
2
3 2



Tentukan korelasi parsial dari variat Xi-1 dan Xi+1 dengan syarat variat Xi tertentu !
5.3. Korelasi Ganda
Andaikan dalam suatu populasi multinormal, subvektor random
1 ~
X
sebarang, jika subvektor tersisa
2 ~
X
tertentu yang berdistribusi multinormal
dengan mean
2 . 1 ~

dan matriks kovariansi 11.2 seperti dalam (3.9) dipilih


sedemikian sehingga subvektor
1 ~
X
hanya terdiri dari suatu komponen tunggal,
sehingga sub vektor
2 ~
X
yang tertentu akan terdiri dari (p-1) komponen. Suatu
hal yang menarik perhatian adalah untuk menentukan suatu fungsi linier dari
komponen subvektor
2 ~
X
, yaitu
2 ~
~
X Y
t

yang mempunyai korelasi maksimum
dengan
1 ~
X
. Dengan demikian masalah yang dihadapi sebenarnya adalah
menentukan vektor
~

sedemikian sehingga korelasi


1 ~
X
dan Y mencapai
maksimum. Korelasi
1 ~
X
dan Y adalah
Konsep Multivariat 35
~
22
~
1
12 ~
~

t
t
(5.2)
Di mana 1 adalah deviasi standar dari X1, 12 adalah kovariansi antara X1 dan
2 ~
X
sedangkan 22 adalah matriks kovariansi subvektor
2 ~
X
.
Karena korelasi mempunyai sifat invarian terhadap perubahan skala dan letak
dari X1 dan Y maka dengan menggunakan pembatas (constraint)
1 dan 1
~
22
~
2
1

t
(5.3)
mencari korelasi maksimum dalam (5.2) dapat diperoleh dengan Metode
Pengganda Langrange (Lagrange Multiplier Method) terhadap

,
_

,
_

1
2
1
~
22
~
12 ~
~ ~

t t
f
(5.4)
yaitu mencari harga maksimum
12 ~
~

t
dengan syarat
~
1
22
~

t
= 1.
Dengan menderivatifkan
,
_

~
f
dalam (5.4) ke vektor
~

dan menyamakan
hasilnya dengan nol akan diperoleh
12 ~
1
22
~



(5.5)
yaitu vektor yang menentukan Y agar korelasi antara X1 dan
2 ~
~
X Y
t

mencapai
maksimum.
Vektor
~

dalam (5.5) adalah vektor koefisien regresi dari variat X1 pada


komponen-komponen vektor
2 ~
X
yaitu vektor koefisien regresi dari variat X1
pada variat-variat X2, X3, ...,Xp. Sedangkan korelasi maksimum antara X1 dan Y
yaitu
Konsep Multivariat 36
1
12 ~
1
22
12 ~
... 23 . 1

t
p
(5.6)
1 ~
~
12 ~

adalah korelasi ganda antara X1 dengan komponen-komponen


2 ~
X
.
Dari 11.2 dalam (3.9) dan 1.23...p dalam (5.6) diperoleh
p ..... 23 . 1
2 2
2 . 11
.
1 1
(5.7)
( )
2
...... 23 . 1
2
1
1
p

yaitu ukuran variasi dari X1 yang ditentukan oleh
2 ~
X
.
Dari
2 . 1 ~

dalam (3.9) dan


~

dalam (5.5) diperoleh

,
_

+
,
_

2 ~
2 ~
~ 1 ~
1
2 . 1 ~ 2 ~
| X X E
t
X (5.8)
Karena
1
X dengan syarat
2 ~
X
tertentu berdistribusi normal dengan mean
2 . 1 ~


dalam (5.8) dan variansi 11.2 dalam (5.7), maka dapat disimpulkan bahwa makin
besar
2
1.23...p anggapan
,
_

2 ~
|
1 ~
1 X
X E X
akan menjadi makin baik.
,
_

2 ~
|
1 X
X E

dalam (5.8) adalah regresi
1
X pada
2 ~
X
dan
2
1.23...p dinamakan koefisien
determinasi.
Matriks kovariansi = (ij) suatu populasi dapat diubah menjadi matriks korelasi
P = (ij), sehingga parameter-parameter populasi dalam dapat diubah menjadi
ii , i = 1, 2, ..., p dan Pij , i = 1, 2, ..., p dan j = 1, 2, ..., p dengan i < j.
Konsep Multivariat 37
Berdasarkan sampel random
n
x x x
~ 2 ~ 1 ~
,..., ,
di mana
( )
pi i i
t
x x x x ...
2 1
~

, i
= 1, 2, , p yang diambil dari populasi tersebut, dengan menggunakan lemma
4.1., maka diperoleh penduga kemungkinan maksimum untuk parameter ij yaitu

jj ii
ij
ij
s s
s
r
(5.9)
di mana :
( )

,
_

,
_

,
_



n
h
n
h
jh
n
h
ih jh ih ij
x x
n
x x
n
s
1 1 1
1
1
1
i, j = 1, 2, ..., p
atau penduga kemungkinan maksimum untuk matriks korelasi populasi P = (ij)
sampel R = (rij).
Matriks korelasi sampel R dapat pula dihitung dari
R = D1
-1
SD1
-1
atau R = D2
-1
AD2
-1
(5.10)
di mana A S
1
1

n
,
( )( )


n
i
t
i i
x x x x
1
~ ~ ~ ~
A
D1 adalah matriks diagonal dengan komponen akar komponen diagonal S.
D2 adalah matriks diagonal dengan komponen akar komponen diagonal A.
5.4. Inferensi Statistik untuk Korelasi (order nol)
Jika sampel random berukuran n diambil dari suatu populasi normal
bivariat, maka distribusi (sampling) harga r bergantung pada harga . Jika = 0
maka distribusi harga r tersebut mempunyai fungsi densitas berbentuk
( )
( )
( )
( )
( ) 4
2
1
2
1
2
2
1
1
2
1
1

,
_

,
_

n
r
n
n
r P

untuk -1 r 1
Konsep Multivariat 38
Distribusi ini simetris terhadap r = 0. Transformasi variabel
2
1
2
1
2

,
_

r
n
r t

berdistribusi t dengan derajat bebas
( ) 2 n
jika korelasi sampel r tertentu, untuk
menguji hipotesis :
H0 = 0 versus H1 0 (5.11)
dengan tingkat signifikansi , digunakan kriteria uji berikut :
( )
( ) 2 ;
2
2
1
2 0
2 ;
2
2
1
2 0
1
2
: jika diterima H
1
2
: jika ditolak H


,
_

>
,
_

n
n
t
r
n
r
t
r
n
r

(5.12)
di mana :
( ) 2 ;
2
n
t

adalah batas bawah


% 100
2

t
atas distribusi t dengan derajat
bebas
( ) 2 n
yang harganya dapat diperoleh dari tabel distribusi t.
Untuk menguji hipotesis
H0 = 0 versus H1 > 0 (5.13)
dengan tingkat signifikansi , digunakan kriteria uji berikut:
( )
( ) 2 ;
2
1
2 0
2 ;
2
1
2 0
1
2
: jika diterima H
1
2
: jika ditolak H


,
_

>
,
_

n
n
t
r
n
r
t
r
n
r

(5.14)
Sedangkan untuk menguji hipotesis
H0 = 0 versus H1 < 0 (5.15)
dengan tingkat signifikansi , digunakan kriteria uji berikut:
( )
( ) 2 ;
2
1
2 0
2 ;
2
1
2 0
1
2
: jika diterima H
1
2
: jika ditolak H


,
_

<
,
_

n
n
t
r
n
r
t
r
n
r

(5.16)
Jika 0, distribusi harga r berbentuk cukup rumit. Distribusi ini mempunyai sifat
variansinya mendekati nol jika bertumbuh besar dan pada saat yang sama
Konsep Multivariat 39
distribusinya menjadi sangat menceng. Karena sifat inilah, walaupun untuk n
cukup besar distribusi ini mendekati normal, distribusi ini jarang digunakan.
Transformasi
r
r
z

1
1
ln
2
1
atau z = arctangh r yang ditemukan oleh Fisher
distribusi asimtotiknya adalah normal dengan mean

1
1
ln
2
1
~

dan variansi
3
1
2

n
z
. Harga-harga transformasi tersebut terdapat dalam suatu tabel, yaitu
tabel transformasi z Fisher.
Jika korelasi sampel r tertentu, dengan transformasi z, untuk menguji hipotesis :
H0 = 0 versus H1 0 (5.17)
dengan tingkat signifikansi , digunakan kriteria uji berikut:
2
0 0
2
0 0
3 : jika diterima H
3 : jika ditolak H

z n z z
z n z z

>
(5.18)
Di mana :

0
z
adalah harga z untuk r = 0

z
adalah batas bawah % 100
2

atas dari distribusi normal standar yang


dapat dicari dari tabel distribusi normal.
Untuk hipotesis dengan alternatif satu sisi, kriteria ujinya adalah sejalan dengan
kriteria uji dalam (5.14) atau (5.16).
Interval konvidensi
( ) % 100 1
untuk adalah

,
_

,
_

3
tanh
3
tanh
2 2
n
z
z
n
z
z

(5.19)
5.5. Inferensi Statistik untuk Korelasi Parsial
Konsep Multivariat 40
Dalam subseksi 5.3. telah dibicarakan tentang korelasi parsial dari
pasangan komponen subvektor
1 ~
X
dengan syarat subvektor tersisa
2 ~
X
tetap.
Korelasi parsial-korelasi parsial tersebut adalah komponen dari matriks
kovariansi sampel S dan matriks korelasi sampel R di mana

,
_

,
_

22 21
12 11
22 21
12 11
R R
R R
R
S S
S S
S ,
masing-masing adalah penduga kemungkinan maksimum untuk matriks
kovariansi dan matriks korelasi P, maka penduga kemungkinan-kemungkinan
maksimum untuk matriks korelasi parsial P11. 2 adalah
R11. 2 = DS
-1
(S11-S12S22
-1
S21)DS
-1
atau (5.20)
R11. 2 = DR
-1
(R11-R12R22
-1
R21)DR
-1
Di mana :
DS adalah matriks diagonal dengan komponen akar dari komponen
diagonal matriks (S11-S12S22
-1
S21).
DR adalah matriks diagonal dengan komponen akar dari komponen
diagonal matriks (R11-R12R22
-1
R21).
Rumus rekursif yang berlaku untuk korelasi populasi berlaku pula untuk
korelasi sampel. Distribusi (sampling) sebarang korelasi parsial yang merupakan
komponen dari R1.2 adalah sama dengan distribusi korelasi (order nol) yang telah
dibicarakan dalam subseksi 5.4. dengan harga korelasi parsial yang sesuai dan
diganti
( ) q n
di mana q adalah derajat korelasi parsialnya. Dengan demikian
inferensi statistik untuk korelasi parsial dapat ditunjukan langsung dari inferensi
statistik untuk korelasi (order nol) dengan penyesuaian tertentu.
5.6. Inferensi Statistik untuk Korelasi Ganda
Konsep Multivariat 41
Pada pembicaraan berikut dianggap bahwa vektor random
~
X
dengan p
komponen yang berdistribusi multinormal
,
_

,
~

p
N
dipecah menjadi seperti
yang dibicarakan pada subseksi 5.3 yaitu menjadi variat
1
X

dan subvektor
tersisa
2 ~
X
di mana
1
X
dianggap bergantung pada
2 ~
X
.
Jika suatu sampel random berukuran n diambil dari populasinya maka
pengelompokkan yang sesuai untuk matriks kovariansi populasi dan sampel
masing-masing adalah :

,
_

,
_

22 12
12 ~
2
1
11 12
12 ~
2
1
dan
S
S
S

s
s


t t
Penduga untuk kuadrat korelasi ganda dan vektor koefisien regresi populasi
masing-masing adalah
12 ~
1
22
~
12 ~
1
22
12 ~ 2

dan
2
s
s s
R
t

S
S
(5.21)
Jika X1 berdistribusi bebas dari
2 ~
X
,
12 ~

= 0 dan tentu saja 1.23...p = 0. Ini


berakibat
2
2
1
.
1 R
R
p
p n
F

(5.22)
berdistribusi F dengan derajat bebas (p-1) dan (n-p).
Jika koefisien determinasi R
2
tertentu, untuk menguji tiga hipotesis yang
ekuivalen, yaitu :
H0
~ 12 ~
0
atau H0
~
~
0
atau H0 1.23...p = 0 (5.23)
dengan tingkat signifikansi , digunakan kriteria uji berikut :
Konsep Multivariat 42
) ( ), 1 ( ; 0
) ( ), 1 ( ; 0
jika diterima H
jika ditolak H
p n p
p n p
F F
F F

>
(5.24)
Di mana :
F adalah harga dalam (5.22) untuk R tertentu dari sampel.
F;(p-1),(n-p) adalah batas bawah % 100 atas dari distribusi F yang dapat
dicari dari tabel F.
Untuk n cukup besar, interval konfidensi (1-)100% untuk koefisien determinasi

2
1.23...p dapat diperoleh dari interval konfidensi (1-)100% untuk korelasi ganda
1.23...p yaitu dari :

,
_

,
_


n
z
R
n
z
R
p
2 1
.... 23 . 1
2 1
tanh tanh tanh tanh

Suatu hal yang perlu untuk diperhatikan adalah bahwa kadang-kadang


korelasi (orde nol) digunakan sebagai alat untuk mereduksi variabel-variabel
yang menjadi perhatian. Keadaan tersebut boleh digunakan apabila perbedaan
koefisien determinasi yang dihitung untuk seluruh variabel dan untuk variabel-
variabel setelah reduksi tidak terlalu besar. Artinya, jika perubahan R
2
tersebut
cukup besar, walaupun korelasi (orde nol) pasangan variabel relatif kecil, mereka
saling mempengaruhi.
5.6. Inferensi Statistik untuk Koefisien Regresi
Untuk menguji hipotesis komponen dari vektor koefisien regresi
~


seperti dalam (5.5) yaitu
H0 j = j0 , j suatu komponen
~

(5.25)
dilakukan cara berikut :
Konsep Multivariat 43
Andaikan vektor random
~
t
X
= (X1 X2 ... Xp) dikelompokkan sebagai
~
t
X
= (X1 Xj
~
t
c
X
) di mana
~
t
c
X
= (X2 , ... ,Xj-1, Xj+1, ..., Xp), j = 2, 3, ..., p.
Pengelompokkan yang sesuai untuk matriks kovarians sampel S adalah

,
_

,
_

22
12 ~
12 ~
2
1
~ 1 ~
~
2
~
2
1
S
S
S
s
s s
s s
s s s
s s s
t
cc
jc c
t
jc
j ij
t
ic
ij
(5.26)
sedangkan variansi parsial sampel
( )
jc
t
jc
j jc j c j
s s s R s s
~
1
~
2 2 2 2
.
22
1

S
(5.27)
dan
( )
12 ~
1
22
12 ~
2
1
2
, . 1
2
1
2
, . 1
1 s s s R s s
t
c j c j

S
(5.28)
Bartlett membuktikan bahwa
( ) ( )
j j
c j
c j

s
p n t

, . 1
.
2
1
S
(5.29)
berdistribusi t dengan derajat bebas (n-p).
Dengan demikian untuk
j

tertentu, menguji hipotesis H0 dalam


(5.25) dengan tingkat signifikansi digunakan kriteria uji berdasarkan distribusi
t, sesuai denan hipotesis alternatif yang dipilih.
Misalnya : untuk menguji hipotesis
H0 : j = j0 versus H1 : j j0
maka kriteria uji yang digunakan adalah
H0 ditolak jika
( ) p n
t t

>
:
2


Konsep Multivariat 44
H0 diterima jika
( ) p n
t t

:
2

untuk t seperti dalam (5.29).


BAB VI
INFERENSI
STATISTIK
UNTUK
VEKTOR MEAN
Konsep Multivariat 45
6.1 Distribusi Hotelling T
2
Jika vektor random
~
Y
berdistribusi multinormal
( ) V N ,
~

dan matriks
random Q berdistribusi Wishart
,
_

v V
v
W
p
,
1
dengan
~
Y
dan Q berdistribusi
saling bebas, maka variabel random
~
1
~
2
Y Y T
t
Q

(6.1)
adalah variabel random berdistribusi Hoteling T
2
.
Jika dilakukan transformasi

2
1
T
vp
p v
F
+

(6.2)
diperoleh variabel random F yang berdistribusi nonsentral F dengan derajat
bebas p dan ( ) 1 + p v dengan parameter nonsentral
~
1
~


V
t
. Untuk harga
0 yaitu jika
~ ~
0
. Variabel random F dalam (6.2) akan berdistribusi F
(sentral) dengan derajat bebas p dan
( ) 1 + p v .

6.2 Inferensi Statistika untuk Vektor Mean
Jika dari suatu populasi multivariat diambil sampel random berukuran n
yaitu vektor-vektor observasi
~
1
x
,
~
2
x
,...,
~
n
x
dengan
( )
pi i i
t
x x x x
i
...
2 1
~

, i = 1, 2,
,n, maka diperoleh penduga tak bias untuk vektor mean untuk vektor mean
dan matriks kovariansi yang masing-masing adalah

n
i
i
x
n
x
1
~
~
1
dan
( )

,
_

,
_

n
i
t
i i
x x x x
n
S
1
~
~
~
~ 1
1
(6.3)
Konsep Multivariat 46
Untuk melakukan uji hipotesis vektor mean populasi
H0
~
0
~

versus H1
~
0
~

(6.4)
Dengan uji perbandingan kemungkinan (likelihood ratio test) diperoleh statistik
yang digunakan sebagai alat untuk penguji, yaitu -2ln , yang harga dan
distribusinya bergantung menurut beberapa persyaratan yang harus dipenuhi.
Jika ukuran sampel n cukup besar (n 30), dapat dibuktikan bahwa statistik

,
_

,
_



~
0
~
1
~
0
~
ln 2 x x n
t
(6.5)
berdistribusi chi-kuadrat dengan derajat p. Jika dalam (6.5) tidak diketahui,
maka diganti dengan S dalam (6.3). Dengan demikian untuk menguji hipotesis
dalam (6.4) dengan tingkat signifikansi

, digunakan kriteria uji berikut:


H0 ditolak jika :
2
;
~
0
~
1
~
0
~
p
t
x x n

>

,
_

,
_


(6.6)
H0 diterima jika :
2
;
~
0
~
1
~
0
~
p
t
x x n

,
_

,
_



di mana
2
; p

adalah batas bawah 100% atas distribusi chi-kuadrat dengan


derajat bebas p yang harganya dapat diperoleh dari tabel distribusi chi-kuadrat.
Uji hipotesis dalam (6.4) dengan kriteria tes dalam (6.6) berlaku untuk sebarang
populasi.
Jika ukuran sampel sebarang tetapi, uji hipotesis berikut hanya berlaku
untuk populasi multinormal dan akan berbeda menurut matriks kovariansi
populasi: diketahui atau tidak diketahui. Untuk diketahui, dapat dibuktikan
bahwa statistik dalam (6.5) berdistribusi chi-kuadrat dengan derajat bebas p.
Sehingga uji hipotesis dalam (6.4) dengan tingkat signifikansi

dapat diuji
dengan kriteria uji dalam (6.6).
Untuk tidak diketahui, dapat dibuktikan bahwa statistik
Konsep Multivariat 47

,
_

,
_



~
0
~
1
~
0
~
ln 2 x S x n
t
(6.7)
berdistribusi Hotelling T
2
yang hanya bergantung dari n dan p. Berdasarkan
transformasi dalam (6.2), maka ln 2 (6.7) berdistribusi
( )
F
p n
n

1
dengan
derajat bebas p dan
( ) p n .
Dengan demikian jika
~
x
dan S dalam (6.3) tertentu, untuk menguji hipotesis
dalam (6.4) dengan tingkat signifikansi ,
Digunakan kriteria uji berikut
( )
( )
( )
( ) p n p
p n p
F
p n
p n
T jika diterima H
F
p n
p n
T jika ditolak H

>
, ;
2
0
, ;
2
0
1
:
1
:

(6.8)
di mana : * ( ) p n p
F
, ; adalah batas bawah 100% atas distribusi F dengan
derajat bebas p dan
( ) p n
.
*
2
T
adalah ruas kanan dalam (6.7).
Untuk menghindari menghitung invers matriks dalam menghitung
2
T
dalam
(6.8) dapat dihitung dengan determinan sebagai berikut:

( )
1
det
det
~
0
~
~
0
~
2

,
_

,
_

,
_

S
S
t
x x n
T

(6.9)
Daerah konfidensi 1 100% untuk vektor mean populasi adalah:
1.
2
;
~
0
~
1
~
0
~
p
t
x S x n

,
_

,
_




Konsep Multivariat 48
Untuk populasi sebarang, n cukup besar (n 30), yang jika matriks
kovariansi tidak diketahui diganti dengan matriks kovariansi sampel S.
atau untuk populasi normal dengan diketahui.
2.
( )
( ) p n p
t
F
p n
p n
x S x n

,
_

,
_

, ;
~
~
1
~
~
1


Untuk populasi normal, jika matriks kovariansi populasi tidak
diketahui. Apabila uji hipotesis dalam (6.4) ditolak, masalah yang timbul
kemudian adalah komponen-komponen yang mana yang menyebabkan
penolakan hipotesis tersebut. Dalam hal ini maka dilakukan inferensi simultan
untuk komponen-komponen mean populasi.
Jika suatu sampel random berukuran n yaitu vektor-vektor observasi
~
1
x
,
~
2
x
,...,
~
n
x
dengan
( )
pi i i
t
i
x x x x ...
2 1
~

, i = 1, 2,,n, diambil dari suatu populasi
normal dengan mean
~

, maka untuk sebarang vektor


( )
p
t
i
a a a a ...
2 1
~

akan
berlaku
( )

,
_

,
_

,
_


~
~
1
~
~
~ ~
2
~
~ ~
~
2
t

x S x n
a S a
x a n
a
t
t
t
(6.10)
dan karena distribusi statistik
,
_

,
_



~
~
1
~
~
2
T x S x n
t
tertentu, maka berlaku
pula
( )
( )
( )

1 t setiap
2
~
2
, ; p n p
T a P
berlaku untuk setiap vektor
~
a
, di mana
Konsep Multivariat 49
( )
( )
( ) p n p
F
p n
p n
T
p n p

, ;
2
1
, ;


sehingga diperoleh interval konfidensi 1 100% :
( ) ( )
2
2
1
~ ~
2
2
1
~ ~ ~ ~
, ; , ;
1 1
p n p p n p
T a S a
n
ax a T a S a
n
x a
t t t


,
_


,
_



untuk setiap
~
a
.
Ini adalah suatu bentuk keluarga interval konfidensi simultan, yang
ditemukan oleh Roy dan Bose (1953). Dengan derajat konfidensi atau derajat
keyakinan 1 100% tertentu dimungkinkan untuk membentuk interval untuk
setiap mean dan setiap kombinasi linier mean-mean yang menjadi perhatian.
Sebaliknya, uji hipotesis simultan H0
~
0
~
~
~

t t
a a
untuk setiap vektor
~
a

dapat dilakukan dengan tingkat signifikansi dengan membandingkan harga
mutlak
( )
( )
2
1
~ ~
2
~
0
~ ~
~
2
t

,
_

,
_

a a
x a n
a
t
t
S

dengan nilai kritis


( )
2
, ; p n p
T

Untuk setiap
~
a
, jika harga mutlak
( )
~
t a
lebih besar dari
( )
2
, ; p n p
T

maka H0
ditolak.
Soal 6.1
Untuk menguji kebenaran pernyataan bahwa nilai WAIS (= Wecheler
Adult Intelligence Scale) dari orang-orang tua adalah rata-rata 60 untuk verbal
test dan 50 untuk performance test diambil sampel random terdiri dari 101 orang
tua dan setelah diamati dan dibedakan perhitungan diperoleh hasil
Konsep Multivariat 50

,
_

,
_

97 , 34
24 , 55
~
~
p
v
x
x
x dan

,
_

68 , 119 99 , 126
99 , 126 54 , 210
S
Jika dianggap bahwa populasi nilai WAIS tersebut berdistribusi bivariat
normal dan digunakan tingkat signifikansi= 0,01, kesimpulan apakah yang dapat
diperoleh? Kemungkinan jika H0 ditolak, tentukan tes yang mana yang
menyebabkan H0 ditolak.
6.3 Inferensi Statistika untuk Perbedaan Dua Vektor Mean
Pandang dua populasi yang diperoleh karena adanya kondisi
eksperimental atau kondisi lingkungan yang berbeda. Dengan anggapan bahwa
kedua populasi tersebut berdistribusi multinormal saling bebas dengan matriks
kovariansi sama, diinginkan melakukan inferensi statistik untuk perbedaan dua
vektor mean populasi-populasi tersebut.
Misalnya kedua populasi tersebut masing-masing adalah vektor random
~
X
berdistribusi Np (1, ) dan vektor random Y berdistribusi Np (2, ).
Berdasarkan sampel random berukuran m yang diambil dari
~
X
dan sampel
random berukuran n yang diambil dari
~
Y
inferensi statistik tersebut akan
dilakukan.
Jika sampel random berukuran m yang diambil dari
~
X
adalah
~
1
x
,
~
2
x
,...,
~
1
x
dengan
( )
pi i i
t
j
x x x x ...
2 1
~

, i = 1, 2,,m dan sampel random berukuran
n yang diambil
~
Y
dari
~
Y
adalah y1, y2, , yn dengan
Konsep Multivariat 51
( )
pj j j
t
j
x x x y ...
2 1
~

, j = 1, 2,,n , maka mean vektor dan matriks kovariansi
untuk sampel random dari
~
X
adalah
~
x
dan S1, sedangkan mean vektor dan
matriks kovariansi untuk sampel random dari
~
Y
adalah
~
y
dan S2 di mana

m
i
i
x
m
x
1
~
1
,

,
_

,
_

m
i
t
i i
x x x x
m
1
~
~
~
~
1
1
1
S

n
j
j
y
n
y
1
~
1
,

,
_

,
_

n
i
t
i i
y y y y
n
1
~ ~ ~ ~
2
1
1
S
Diketahui pula bahwa
~
x
berdistribusi multinormal
,
_

m
1
, N
~
1 p
,
1
S
berdistribusi Wp (
1
1
n
, n-1),
~
y
, dan
2
S berdistribusi saling bebas.
Sejalan dengan langkah-langkah yang dilakukan dalam subseksi 6.2 yaitu jika
matriks kovariansi tidak diketahui, maka untuk inferensi statistik digunakan

,
_

,
_

+
+


~
2
~
1
~
~
1
~
2
~
1
~
~
2
T y x y x
n m
mn
t
(6.11)
dan jika matriks kovariansi tidak diketahui, maka untuk inferensi statistik
digunakan

,
_

,
_

+
+


~
2
~
1
~
~
1
~
2
~
1
~
~
2
T y x y x
n m
mn
t
S (6.12)
di mana
( ) ( )
2
1 1
2 1
+
+

n m
S n S m
S adalah penduga tak bias untuk
jika matriks kovariansi diketahui, dapat dibuktikan bahwa
2
T
berdistribusi
chi-kuadrat dengan derajat bebas p sehingga untuk menguji hipotesis:
H0
~
2
~
1

versus H1
~
2
~
1

(6.13)
Konsep Multivariat 52
Dengan tingkat signifikansi

, digunakan kriteria uji berikut


p
p
T
T
;
2 2
0
;
2 2
0
: jika diterima H
: jika ditolak H

>
(6.14)
Daerah konfidensi 1 100% untuk beda vektor mean
~
2
~
1
~

adalah
2
;
~
~
~
1
~
~
~
p
t
mn
n m
y x y x


+

,
_

,
_



(6.15)
jika matriks kovariansi tidak diketahui, dapat dibuktikan bahwa
2
T
dalam
(6.12) berdistribusi Hotelling
2
T
, sehingga untuk menguji hipotesis dalam
(6.13) Dengan tingkat signifikansi

, digunakan kriteria uji berikut:


H0 ditolak jika :
( )
( )
( ) 1 , ;
2
1
2
+
+
+
>
p n m p
F
p n m
p n m
T


H0 diterima jika :
( )
( )
( ) 1 , ;
2
1
2
+
+
+

p n m p
F
p n m
p n m
T


Daerah konfidensi 1 100% untuk beda vektor mean
~
2
~
1
~

adalah
( ) 1 , ;
2
~
~
~
1
~
~
~
+

,
_

,
_

p n m p
t
T
mn
n m
y x y x S (6.16)
di mana:
( )
( )
( )
( ) 1 , ;
1 , ;
2
1
2
+
+
+
+

p n m p
p n m p F
p n m
p n m
T


Konsep Multivariat 53

Anda mungkin juga menyukai