KELOMPOK 6

Theresia Widiastuti 1312100062

Retno Dyah Handini 1312100063
Dinda Dwi C 1312100064
Zuzun Miranti 1312100065
MATRIKS DAN RUANG VEKTOR II
6. Estimasi Kuadrat Terkecil
untuk Model Tidak Full Rank
Bentuk persamaan yang akan diestimasi dengan kuadrat terkecil :


Dimana y adalah matrik berukuran Nx1, X berukuran Nxm,
berukuran mx1, dan berukuran Nx1. Selanjutnya diasumsikan
bahwa rank(X) = m, dengan meminimalkan jumlah kuadrat eror
maka didapatkan :

Persamaan diatas mengahsilkan penyelesaian yang unik, maka
estimasi kuadrat terkecil yang unik dari adalah sebagai berikut :

= +

= (

)
1

Model klasifikasi univariate one-way dapat ditulis :


Dimana i = 1, 2, , k dan j = 1, 2, , n
i
.
Model ini dapat ditulis dalam bentuk
persamaan kuadrat terkecil dimana = (
1
,
2
, ,
k
) dan



Pada kasus ini X adalah full rank sehingga :

=
1
1
0 0
0 1
2
0

0 0 1

= (

)
1

= =

1
,

2
, ,

Cara alternatif penulisan klasifikasi model one-way yaitu :
Solusi umum dari

dapat ditulis,

= (

Atau bila menggunakan invers Moore-Penrose maka,

=
+
+
+

Sedangkan penyelesaian dari kuadrat terkecil dengan = , =

, dan c =
adalah,

Dimana u adalah sebarang vektor mx1.


Perbedaan antara model full rank dengan model kurang dari full rank
adalah penyelesaian kuadrat terkecilnya unik hanya jika X adalah full rank.
Ketika X kurang dari full rank maka akan terdapat banyak penyelesaian untuk

seperti yang telah disebutkan diatas.

Definisi 6.2
Fungsi linear a
1
dari parameter vektor dikatakan dapat
diestimasi jika dan hanya jika ada beberapa Nx1 vektor b sehingga,


Persamaan diatas berlaku jika dan hanya jika ada fungsi linear
dari komponen y, b
1
y, yang merupakan penduga tak bias dari a
1
.
Selanjutnya X(XX)
+
X adalah matrik proyeksi dari ruang baris X,
maka kondisi yang lebih baik untuk kemampuan penduga dari a
1

dapat ditulis,

=
(

)
=

)
=
()
+
=
Pembuktian invarians dari vektor hasil percobaan dan jumlah
kuadrat eror pada pilihan penyelesaian kuadrat terkecil
dari ,


yang tidak tergantung pada vektor u. Maka dikatakan unik, dimana
keunikan dari


mengikuti keunikan dari

=

(

)

(

)

= *
+
+
(

+

)
+ =
+
+
(

+

)
=
+



(

)

(

)
=

(

+
)


Let us return to the one-way classification model


Of example 6.10, where and




Karena rank dari n x (k+1) matriks , dimana n
= adalah k, maka solusi kuadrat terkecil
untuk tidak unik. Untuk mendapatkan
solusi umum maka :

c | + =
* *
X y
'
1 *
) ,..., , (
k
| =
(
(
(
(
(
(

=
nk nk
n
n n
n n
X
1 0 0 1
0 0 0 1
0 1 0 1
0 0 1 1
3
2 2
1 1
*

i
n
*
X
*
|


Sementara generalized inverse didapatkan dari :



Dimana n = dan
(

=
n
D n
n n
X X
'
'
* *
(

' 1 1
1
* *
1 1 0
' 0
) ' (
k k n
n D
n
X X
'
1
) ,..., (
k
n n ) ,..., (
1 k n
n n diag D =
7. SISTEM PERSAMAAN LINEAR
DAN DEKOMPOSISI NILAI SINGULAR
Jika A adalah matriks persegi dan non singular,
maka solusi A invers dari sistem persamaan
linear Ax=c adalah . Dalam kasus ini kita
bisa mengubah sistem menjadi sistem
persamaan yang lebih mudah dalam bentuk

Dy=b

Dimana y adalah vektor variabel berukuran nx1,
b matriks konstan berukuran mx1 dan D adalah
matriks berukuran mxn dimana jika
c A x
1
=
0 =
ij
d j i =
Dalam bentuk partikular D akan
memiliki 4 bentuk :
a.
b.
c.

d.
A
| | ) 0 ( A
( )
(

A
0
(

A
) 0 ( ) 0 (
) 0 (
Dimana adalah matriks diagonal
nonsingular berukuran r x r . Dan r
adalah rank(A)
A
Jika matriks D berbentuk (a) yaitu maka solusi khususnya A
Jika matriks D berbentuk (b) yaitu maka solusi khususnya
Jika matriks D berbentuk (c) yaitu maka solusi khususnya
Jika matriks D berbentuk (d) yaitu maka solusi khususnya
| | ) 0 ( A
( )
(

A
0
(

A
) 0 ( ) 0 (
) 0 (
Dari keempat bentuk tersebut, maka
didapatkan solusi umum yaitu seperti
berikut :

(

A
=

2
1
1
y
b
y
8. SPARSE LINEAR SYSTEM OF
EQUATIONS
Untuk mendapatkan solusi dari SPL konsisten
Ax = c, atau solusi least square ketika system
tidak konsisten, kita dapat menggunakan
pendekatan numeric dengan memanfaatkan
beberapa faktorisasi misalnya QR
factorization, SVD, atau LU decomposition
(yang factor A-nya merupakan matriks
segitiga atas atau segitiga bawah).

Faktorisasi-faktorisasi diatas disebut Direct Method
Sayangnya, Direct Method kurang tepat
digunakan jika SPL dalam soal berukuran besar
dan sparse. Sparse adalah kondisi dimana kolom
(m) dan baris (n) berukuran besar dan banyak
yang berisi nol.

CONTOH :
A =

Cara lain yang dapat digunakan selain Direct Method
, adalah metode iterasi atau perulangan. Metode
iterasi tidak bisa digunakan secara manual. Metode
ini hanya dapat kita lakukan dengan bantuan
software seperti MATLAB.




solusi
(
(
(

=
2 1 0
1 2 1
0 1 2
A
(
(
(

=
(
(
(

(
(
(

2 1 0
1 2 1
0 1 2
0 0
0 0
0 0
33
23 22
13 12 11
33 32 31
22 21
11
u
u u
u u u
l l l
l l
l
CONTOH SOAL
Tahap 1

2
11 11 11
= = = a u l
2
1
11
21
21

= =
u
a
l
0
2
0
11
31
31
= = =
u
a
l
2
1
11
12
12

= =
u
a
u
0
2
0
11
13
13
= = =
u
a
u
Tahap 2
2
3
2
1
2
1
2
12 21 22 22 22
=
|
.
|

\
|
|
.
|

\
|
= = = u l a u l
( )
2
3
1
2
3
2
1
0 1
22
12 31 32
32

=
|
.
|

\
|

=

=
u
u l a
l
2
3
2
1
2
1
2
12 22 22 22 22
=
|
.
|

\
|
|
.
|

\
|
= = = u l a l u
2
3
1
2
1
1
22 22
13 21 23
23

=
|
.
|

\
|

=

=
l l
u l a
u
Tahap 3




jadi

( )( )
3
4
2
3
1
2
3
1
0 0 2
23 32 13 31 33 33 33
=
|
|
|
|
.
|

\
|

|
|
|
|
.
|

\
|

= = = u l u l a u l
(
(
(
(
(
(
(
(
(

(
(
(
(
(
(
(
(
(
(

=
(
(
(

3
4
0 0
2
3
1
2
3
0
0
2
1
2
3
4
2
3
1
0
0
2
3
2
1
0 0 2
2 1 0
1 2 1
0 1 2
-
Atau

(
(
(

=
(
(
(

=
(
(
(

(
(
(

=
(
(
(

16 . 1 0 0
82 . 0 23 . 1 0
0 71 . 0 41 . 1
16 . 1 82 . 0 0
0 23 . 1 71 . 0
0 0 41 . 1
16 . 1 0 0
82 . 0 23 . 1 0
0 71 . 0 41 . 1
16 . 1 82 . 0 0
0 23 . 1 71 . 0
0 0 41 . 1
2 1 0
1 2 1
0 1 2
U
dan
L
TERIMA KASIH