MODUL III

VEKTOR RANDOM DAN MATRIKS RANDOM

Sebuah vektor random adalah vector yang elemen-elemennya variabel random
(peubah acak). Matriks random adalah matriks yang elemen-elemennya variabel
random. Nilai harapan dari matriks (or vektor) random adalah nilai harapan dari
setiap elemennya.
Ekspektasi (Nilai Harapan)
Misalkan
{ }
ij
X X
matriks random berukuran
p n
. Maka nilai harapan
dari X dinotasikan
) (X E
:adalah matrik berukuran
p n

1
1
1
1
1
]
1

) ( ... ) ( ) (
... ... ... ...
) ( ... ) ( ) (
) ( ... ) ( ) (
) (
2 1
2 22 21
1 12 11
np n n
p
p
x E X E X E
X E X E X E
X E X E X E
E X

dimana

'

i j x ij ij
ij ij ij ij
ij ij
ij ij ij ij ij
ij
x p as probabilit fungsi dengan
diskrit acak peubah x bila x p x
x f densitas fungsi dengan
kontinu acak peubah X bila dx x f x
X E
) (
) (
) (
) (
) (
!ontoh-1
Misalkan
2 p
dan 1 n dan vektor random
1
]
1

2
1
X
X
X
. Misalkan variabel
random diskret
1
X
mempunyai komponen diskret dan "ungsi probabilitas sebagai
berikut :
1
x -1 # 1
) (
1 1
x p #.$ #.$ #.%
&alam hal ini nilai
1
x
adalah
1
11
x

#
12
x
dan
1
1$
x
&an variabel random diskret
2
X
dengan komponen diskret dan "ungsi probabiltas
sebagai berikut:
2
x # 1
) (
2 2
x p #.' #.2
&alam hal ini nilai
2
x
adalah
#
21
x

1
22
x

Maka
( ) 1 . # ) % . # )( 1 ( ) $ . # )( # ( ) $ . # )( 1 ( ) (
1
1 1 1 1
+ +

x all
x p x X E
dan

( ) 2 . # ) 2 . # )( 1 ( ) ' . # )( # ( ) (
2
2 2 2 2
+

x all
x p x X E
Maka
( )
( )
( )
1
]
1

1
]
1

2 . #
1 . #
2
1
X E
X E
E X
Teorema (si!at"si!at Ekspektasi)
Misalkan X dan # adalah dua variabel random berukuran sama serta A dan $
matriks konstan yang dapat digandakan dengan X maka berlaku :
1.
( ) ( ) ( ) # X # X E E E + +
2.
( ) ( ) $ X A AX$ E E
dimana
[ ]
p
t
X X X
2 1
X
$.
B E E E + + + + ) ( ) ( ) ( # X A $ # X A
Vektor Mean %an Matrik Ko&ariansi
Misalkan
[ ]
p
t
X X X
2 1
X
adalah vektor random berukuran
1 p
.
Maka tiap elemen dari X adalah variabel random dengan "ungsi distribusi
marginalnya. (lihat contoh-1.)
Mean marginal
i

dan variansi
2
i

masing-masing dide"inisikan sebagai

) (
i i
X E
dan
( )
2 2
i i i
X E
p i 2 1
dengan
) (
i i
x E

'

) (
) (
) (
) (
i i
i
x all
i i i
i i
i i i i i
x p as probabilit fungsi dengan
diskrit acak peubah X bila x p x
x f densitas fungsi dengan
kontinu acak peubah X bila dx x f x
i

ii i

2
( )
( )

'

) (
) (
) (
) (
2
2
i i
i
x all
i i i i
i i
i i i i i i
x p as probabilit fungsi dengan
diskrit acak peubah X bila x p x
x f densitas fungsi dengan
kontinu acak peubah X bila dx x f x
i

) )( (
k k i i ik
X X E
( ) ( )
( )( )

'

) (
) (
) (
) (
k i ik
k i
x all
k i ik k k i i
x all
k i ik
k i k i k i ik k k i i
x x p bersama as probabilit
fungsi dengan diskret
random peubah X X bila x x p x x
x x f bersama densitas
fungsi dengan kontinu
random peubah X X bila dx dx x x f x x
k i


dan
i

dan
k

adalah marginal mean

p k i 2 1
. (ika k i kovariansi
men)adi marginal varians yaitu
2 2 2
) ( ) (
i i i i ii
X E X E
ik

)uga dapat dihitung dengan rumus

k i k i ik
X X E ) (
Secara umum koleksi p variabel random p
X X X
2 1

yang ditulis dalam
bentuk vektor
[ ]
p
t
X X X
2 1
X
mempunyai "ungsi densitas bersama (joint
probability density function)
) ( ) (
2 1 p
x x x f f '
.
(ika probabilitas bersama
[ ]
k k i i
x X dan x X P
dari variabel random dskret
i
X
dan
k
X
dapat ditulis dalam bentuk
[ ]
k k i i
x X dan x X P [ ]
i i
x X P
[ ]
k k
x X P
untuk setiap pasangan nilai
k i
x x
maka
i
X
dan
k
X
dikatakan bebas
statistik (statistically independent).
(ika
i
X
dan
k
X
adalah variabel random kontinu dengan densitas bersama
) (
k i ik
x x f
dan densitas margnal (marginal densities)
) (
i i
x f
dan
) (
k k
x f
maka
syarat kebebasan (independence) men)adi
) (
k i ik
x x f ) (
i i
x f ) (
k k
x f
untuk semua pasangan
) (
k i
x x
Secara umum p variabel random kontinu p
X X X
2 1

salng bebas statistik
(mutually statistically independent) )ika densitas bersamanya dapat di "aktorkan
sebagai
) (
2 1 2 1 p p
x x x f

) ( ) ( ) (
2 2 1 1 p p
x f x f x f

untuk semua p-tupel

) (
2 1 p
x x x
*emaktoran ini berimplikasi bah+a
( ) #
k i
X X Cov
)adi
( ) #
k i
X X Cov
)ika dan hanya )ika
i
X
dan
k
X
saling bebas (independent)
Secara umum kebalikan dari si"at ini tidak berlaku.
Mean dan kovariansi untuk vektor random
1 p
X
dapat ditulis dalam bentuk matriks
yaitu :

( )
1
1
1
1
1
]
1

) (
) (
) (
2
1
p
X E
X E
X E
E

X
1
1
1
1
1
]
1

...
2
1

dan

t
E ) ( ) ( X X
[ ]

,
_

1
1
1
1
1
]
1

) ( ) ( ) (
2 2 1 1
2 2
1 1
p p
p p
X X X
X
X
X
E

1
1
1
1
1
]
1

2
2 2 1 1
2 2
2
2 2 1 1 2 2
1 1 2 2 1 1
2
1 1
) ( ) )( ( ) )( (
) )( ( ) ( ) )( (
) )( ( ) )( ( ) (
p p p p p p
p p
p p
X X X X X
X X X X X
X X X X X
E

1
1
1
1
1
]
1

2
2 2 1 1
2 2
2
2 2 1 1 2 2
1 1 2 2 1 1
2
1 1
) ( ) )( ( ) )( (
) )( ( ) ( ) )( (
) )( ( ) )( ( ) (
p p p p p p
p p
p p
X E X X E X X E
X X E X E X X E
X X E X X E X E

1
1
1
1
1
]
1

pp p p
p
p
Cov

2 1
2 22 21
1 12 11
) (X

,arena
ki ik

maka
1
1
1
1
1
]
1

pp p p
p
p
Cov

2 1
2 22 12
1 12 11
) (X
yang merupakan matriks simetri
( mean populasi
: varians-covarians populasi
,edua kuantitas ini memegang peranan penting dalam berbagai analisi multivariat
!ontoh 2
-itung matriks kovariansi dari dua variabel random diskret
1
X
dan
2
X
dari
contoh 1 bila "ungsi probablitas bersamanya
) (
2 1 12
x x p
diberikan dalam bodi kotak
data berikut:

2
x
1
x
# 1
) (
1
x p
-1
#
1
#.2% #.#.
#.1. #.1%
#.%# #.##
#.$
#.$
#.%
) (
2 2
x p #.' #.2
&ari contoh 1 telah diperoleh
1 . # ) (
1 1
X E
dan
. 2 . # ) (
2 2
X E
Selan)utnya

1
) ( ) 1 . # ( ) (
1 1
2
1
2
1 1 11
x all
x p x X E
./ . # ) % . # ( ) 1 . # 1 ( ) $ . # ( ) 1 . # # ( ) $ . # ( ) 1 . # 1 (
2 2 2
+ +

2
) ( ) 2 . # ( ) (
2 2
2
2
2
2 2 22
x all
x p x X E
1. . # ) 2 . # ( ) 2 . # 1 ( ) ' . # ( ) 2 . # # (
2 2
+
) ( ) 2 . # )( 1 . # ( ) )( (
2 1 12 2 1
) (
2 2 1 1 12
2 1
x x p x x X X E
x x pair all



#' . # ) ## . # )( 2 . # 1 )( 1 . # 1 (
) #. . # )( 2 . # 1 )( 1 . # 1 ( ) 2% . # )( 2 . # # )( 1 . # 1 (
+ +
+

#' . #
12 21

,esimpulan
&engan
1
]
1

2
1
X
X
X
diperoleh

( )
( )
( )
1
]
1

1
]
1

1
]
1

2 . #
1 . #
2
1
2
1

X E
X E
E X
dan

t
E ) ( ) ( X X


1
]
1

2
2 2 1 1 2 2
2 2 1 1
2
1 1
) ( ) )( (
) )( ( ) (


X X X
X X X
E

1
]
1

2
2 2 1 1 2 2
2 2 1 1
2
1 1
) ( ) )( (
) )( ( ) (


X E X X E
X X E X E


1
]
1

22 21
12 11


1
]
1

1. . # #' . #
#' . # ./ . #
!atatan
*erhitungan mean variansi dan covariansi untuk variabel random diskret
involves summation +hile analogous perhitungan untuk variabel random kontinu
involve integration.
0ila p
X X X
2 1 saling bebas (mutually independent) maka covarian
) (
k i
x x

yaitu
#
ik

sehingga

1
1
1
1
1
]
1

pp

# #
# #
# #
22
11
matriks diagonal
1kuran keeratan hubungan linier antara variabel random
i
X
dan
k
X
adalah
koe"isien korelasi populasi
ik

yang dinyatakan dalam varians

ik ii

dan
covarians
ik

yaitu
kk ii
ik
ik

Matrik koe"isien korelasi populasi adalah matriks simetri berukuran
p p
yaitu :
1
1
1
1
1
1
1
1
1
]
1

pp pp
pp
pp
p
pp
p
pp
p
pp
p
p p

22
2
11
1
22
2
22 22
22
22 11
12
11
1
22 11
12
11 11
11
1
1
1
1
1
]
1

1
1
1
2 1
2 12
1 12

p p
p
p
p p

Misalkan matriks standar deviasi populasi berukuran

p p
adalah:
1
1
1
1
1
]
1

pp

# #
# #
# #
22
11
2 1
V

-ubunan antara dengan

dinyatakan dalam teorema berikut :

Teorema )

2 1 2 1
p p
p p
p p
V V
dan
( ) ( )
1
2 1
1
2 1

V V
p p

(adi dapat dihitung dari

2 1
V dan

demiakian )uga

dapat dihitung dari

&apat dtun)ukkan bah+a ( )

2 1
1
2 1

V V adalah

1 2 1
) (V
1
1
1
1
1
1
1
1
]
1

pp

1
# #
#
1
#
# #
1
22
11

!ontoh $
&iberikan
1
1
1
]
1

1
1
1
]
1

22 $ 2
$ / 1
2 1 %
$$ 2$ 1$
2$ 22 12
1$ 12 11



-itung
2 1
V dan

Solusi :
1
1
1
]
1

1
1
1
]
1

2 # #
# $ #
# # 2
# #
# #
# #
$$
22
11
2 1

V
dan
1
1
1
]
1

2
1
$
1
2
1
1 2 1
# #
# #
# #
) (V
( ) ( )
1
2 1
1
2 1
$ $

V V

1
1
1
]
1

2
1
$
1
2
1
# #
# #
# #
1
1
1
]
1

22 $ 2
$ / 1
2 1 %
1
1
1
]
1

2
1
$
1
2
1
# #
# #
# #

1
1
1
]
1

1
1
1
2
1
2
1
2
1
.
1
2
1
.
1
*artisi Vektor mean Matriks +o&ariansi
Secara umum p karakteristik yang termuat dalam p31 vektor random dapat dipartisi
men)adi dua atau lebih grup.
Misalkan vector random X berukuran px1 dipartisi men)adi 2 grup masing-masing
berukuran dan !p-"
1
1
1
1
1
1
1
1
1
1
]
1

+
p

X
X
X
X

1
1
X
) ( p

1
1
1
]
1

) 2 (
) 1 (
X
X
dan
) (X E
1
1
1
1
1
1
1
1
1
1
1
1
1
]
1

+
p

.
.
.
.
1
1

1
1
1
]
1

) 2 (
) 1 (

0erdasarkan de"inisi transpose dan perkalian matriks diperoleh :

[ ]
p p

t
X X X
X
X
X

1
1
1
1
1
]
1

+ + + +
) ( ) (
2 2 1 1
2 2
1 1
) 2 ( ) 2 ( ) 1 ( ) 1 (

X X
1
1
1
1
1
]
1

+ + + +
+ + + +
+ + + +
) )( ( ) )( ( ) )( (
) )( ( ) )( ( ) )( (
) )( ( ) )( ( ) )( (
2 2 1 1
2 2 2 2 2 2 1 1 2 2
1 1 2 2 1 1 1 1 1 1
p p
p p
p p
X X X X X X
X X X X X X
X X X X X X

1
1
1
1
1
]
1

+ +
+ +
+ +
12
2 1
2 2 2 1 2
1 2 1 1 1
...
... ... ... ..
...
...
p
p
p



(adi
( )

ij

12

i ... 2 1
4
p j ... 2 1 + +
Matrik 12 tidak harus simetri ataupun bu)ur sangkar
Selan)utnya
[ ]
t t t
) ( ) ( ) )( (
) 2 ( ) 2 ( ) 1 ( ) 1 (
) 2 ( ) 2 (
) 1 ( ) 1 (

1
1
]
1

X X
X
X
X X
1
1
1
1
]
1

t t
t t
p p p
p
) ( ) ( ) ( ) (
) ( ) ( ) ( ) (
) 2 ( ) 2 ( ) 2 ( ) 2 ( ) 1 ( ) 1 ( ) 2 ( ) 2 (
) 2 ( ) 2 ( ) 1 ( ) 1 ( ) 1 ( ) 1 ( ) 1 ( ) 1 (
) ( 1 1 ) ( ) 1 ( 1 ) (
) ( 1 ) 1 ( ) 1 ( ) 1 (
X X X X
X X X X
Sehingga

&alam hal ini :

t
21 12
.
11 : Matriks varians-kovarian dari vector random
) 1 (
X

22 : Matriks varians-kovarian dari vector random
) 2 (
X
p-
p-

( )( )
1
1
1
]
1

22 21
12 11
) (
t
p p
E X X
1
1
1
1
1
1
1
1
1
1
]
1

+
+ + + + +
+
+
pp p p p
p
p
p




... ...
... ... ... ... ... ...
... ...
... ...
... ... ... ... ... ...
... ...
1 1
1 1 1 1 1 1
1 1
1 1 1 1 11
12
(atau
)
21
: Matriks varian-kovarians dari elemen
) 2 ( ) 1 (
X X dan
Kom,inasi linier pa%a Vektor mean %an matriks -o&arians &aria,el ran%om
5ngat kembali untuk variabel tunggal (univariat) X maka
Mean
) (X E
dan
6ariansinya
2 2
) ( ) ( X E X #ar
(ika variabel tunggal (univariat)
1
X
dikalikan konstanta c maka
1 1 1
) ( ) ( c X cE cX E
dan
11
2
1
2 2
1 1 1
) ( ) ( ) ( c X #ar c c cX E cX #ar
(ika
2
X
adalah variabel kedua dan a dan b konstanta maka berdasarkan si"at
pen)umlahan untuk ekspektasi diperoleh :
( ) ( ) 7 8 ) (
2 2 1 1 2 1
b bX a aX E bX aX Cov
( ) ( ) 7 8
2 2 1 1
X X E ab
12 2 1
) ( ab X X Cov ab
9khirnya untuk kombinasi linier
2 1
bX aX +
diperoleh :
+ + +
2 1 2 1 2 1
) ( ) ( ) ( b a X bE X E a bX aX E [ ]
1
]
1

2
1

b a

dan
( ) ( ) [ ]
2
2 1 2 1 2 1
) ( b a bX aX E bX aX #ar + + +
( ) ( ) [ ]
2
2 2 1 1
) b bX a aX E + ( ) ( ) [ ]
2
2 2 1 1
) + X b X a E
[ ] ) ( ) ( 2 ) ( ) (
2 2 1 1
2
2 2
2 2
1 1
2
+ + X X ab X b X a E
) )( ( 2 ) ( ) (
2 2 1 1
2
2 2
2 2
1 1
2
+ + X X abE X E b X E a
) ( 2 ) ( ) (
2 1 2
2
1
2
X X Cov ab X #ar b X #ar a + +
) (
2 1
bX aX #ar +
12 22
2
11
2
2 ab b a + +
:uliskan
[ ] b a ; -
maka bentuk
2 1
bX aX +
dapat ditulis
[ ] X -;
2
1

1
]
1

X
X
b a
&engan cara yang sama
+ +
2 1 2 1
) ( b a bX aX E [ ] ;
2
1
-
1
]
1

b a

Misalkan matriks varians-covarian untuk X adalah
1
]
1

22 21
12 11


maka
) (
2 1
bX aX #ar + - - X -

; ) ; ( #ar
&apat diperlihatkan bah+a

- -; [ ]
1
]
1

1
]
1

b
a
b a
22 21
12 11


12 22
2
11
2
2 ab b a + + .
,ombinasi linier ini apat diperluas untuk p variabel random sebagai berikut :
Kom,inasi linier p p
X c X c X c + + +
2 2 1 1
; X -
mempunyai :
mean
; ) ; ( - X - E

6arians
- - X -

; ) ; ( #ar
dimana
) (X E
dan
) (X Cov
dan vektor
[ ]
p
c c c ;
2 1
-
Secara umum pandang kombinasi linier pada p variabel random p
X X X
2 1 :
p p
X c X c X c $
1 2 12 1 11 1
+ + +
p p
X c X c X c $
2 2 22 1 21 2
+ + +

p p
X c X c X c $ + + +
2 2 1 1
9tau
) 1 (
2
1

1
1
1
1
1
]
1

$
$
$

.
) (
2 1
2 22 21
1 12 11
p
p
p
p
c c c
c c c
c c c

1
1
1
1
1
]
1

+X
1
1
1
1
1
]
1

) 1 (
2
1
p
p
X
X
X

,ombinasi linier +X . mempunyai

.
+ +X . ) ( ) ( E E

'
dan
; ) ( ) ( + + +X .
X .

Cov Cov
&imana
'
dan
X
adalah vektor mean dan matriks varians-covarians dari X/
-asil terakhir ini berhubungan erat dengan analisis komponen utama dan analisis
"aktor yang akan dibicarakan dalam bab-bab berikutnya.
!ontoh %
&ari contoh $ hitung koe"isien korelasi
1$

dan koe"isien korelasi antara

1
X
dan
$ 2
1
2 2
1
X X +
Solusi
2
1
1$

(elemen baris ke-1 kolom ke-$).
0erdasarkan rumus
kk ii
ik
ik

maka koe"isien korelasi antara
1
X
dan
$ 2
1
2 2
1
X X +
adalah : ( ) +
$ 2
1
2 2
1
1
X X X korr
( )
) var( ) var(
cov
$ 2
1
2 2
1
1
$ 2
1
2 2
1
1
X X X
X X X
+
+
% ) var(
11 1
X
+ ) var(
$ 2
1
2 2
1
X X [ ]

,
_

1
]
1

$
2
2
1
2
1
var
X
X

[ ] <
22 $
$ /
2
1
2
1
2
1
2
1

1
]
1

1
]
1

( ) ( )
$ 1 2
1
2 1 2
1
$ 2
1
2 2
1
1
cov ) cov( cov X X X X X X X + +
2
$
2
1
2
1
1$ 2
1
12 2
1
) 2 ( ) 1 ( + +
(adi ( ) +
$ 2
1
2 2
1
1
X X X korr
2'
< $
< %
2
$

!ontoh 2
Misalkan variabel .random
1
]
1

2
1
X
X
X
dengan vektor mean
'
1
]
1

2
1

dan matriks
varians covarians
1
]
1

22 12
12 11


X
/ :entukan vektor mean dan matriks varians
covarians untuk kombinasi linier
2 1 2
2 1 1
X X $
X X $
+

Solusi
,ombinasi linier diatas dapat dituliskan sebagai
+X .
1
]
1

1
]
1

1
]
1

2
1
2
1
1 1
1 1
X
X
$
$
berdasarkan rumus maka

.
+ +X . ) ( ) ( E E

'
1
]
1

1
]
1

1
]
1

2 1
2 1
2
1
1 1
1 1

dan
; ) ( ) ( + + +X .
X .

Cov Cov
1
]
1

1 1
1 1
1
]
1

22 12
12 11


1
]
1

1 1
1 1
1
]
1

+ +
+

22 12 11 22 11
22 11 22 12 11
2
2


*artisi 0nt0k &ektor mean sampel %an matriks -o&arians sampel
Misalkan
1
]
1

p x x x ; 2 1 '
adalah vektor rata-rata sampel yang diperoleh
dari n pengamatan pada p variabel p
X X X
2 1 dan misalkan matriks varians-
covarian sampel adalah
1
1
1
1
1
]
1

pp p p
p
p
p p
n
s s s
s s s
s s s

2 1
2 22 12
1 12 11
S

1
1
1
1
1
]
1

n
j
p
jp
n
j
p
jp j
n
j
p
jp j
n
j
j
x x
n
x x x x
n
x x x x
n
x x
n
1
2
1
1
1
1
1
1
1
2
1
1
) (
1
) )( (
1
) )( (
1
) (
1

6ektor mean sampel dan matriks covarians dapat dipartisi menurut )enis variabel
atau membedakan kuantitas yang berhubungan dengan kelompok variabel sebagai
ebrikut :
1
1
1
1
]
1

1
1
1
1
1
1
1
1
1
]
1

+
) 2 (
) 1 ((
1
1
'
'
'

x
x
x
x
dan
p p
n

S
1
1
1
1
1
1
1
1
1
]
1

+
+ + + + +
+
+
pp p p p
p
p
p
s s s s
s s s s
s s s s
s s s s







1 1
1 1 1 1 1 1
1 1
1 1 1 1 11

1
1
1
]
1

22 21
12 11
S S
S S

dimana
) 1 (
'
dan
) 2 (
'
masing-masing vektor mean sampel dari observasi
[ ]
t

x x
1
) 1 (
'
dan
[ ]
t
p
x x
1
) 2 (
+
'
. Sedangkan
11
S
dan
22
S
masing-
masing matrik covarian sampel dari observasi
) 1 (
'
dan
) 2 (
'
serta
t
21 12
S S adalah
matrik covarian sampel untuk elemen
) 1 (
'
dan elemen
) 2 (
'

KETIDAKSAMAAN MATRIKS DAN MAKSIMISASI

Maksimisasi memegang peran penting dalam beberapa teknik multivariat .
Misalnya analisis &iskriminan menyangkut alokasi observasi untuk menentukan
grup. 9turan allokasi umumnya merupakan "ungsi linier dari pengukuran that
maksimisai pemisahan (separation) antar-grup (beet+en group) relati" terhadap
p p-=
=
p-=
variabilitas dalam-group (+ithin-group) . !ontoh lain analisis componen utama
adalah combinasi linier dari pengukuran dengan variabilititas maksimum.
Teorema Keti%aksamaan +a0-12"S-13ar4 Ine50alit2
Misalkan , dan % vektor-vektor dimensi px1 maka
( ) ) )( (
2
% % , , % ,
t t t

,esamaan ter)adi )ika dan hanya )ika

) ( , % % , c or c
untuk sembarang
konstanta c.
0ukti
:he ine=uality is obvious i" eiher
6 % 6 , or
. ,ecalikan masalah ini dan
misalkan % , x dimna
x
is an arbitrary scalar. Misalkan pan)ang dari % , x
adalah positi" untuk 6 % , x dalam hal ini
% % % , , % , , % , % ,
t t t t t
x x x x x
2
) ( ) ( ) ( # + <
% % % , , ,
t t t
x x
2
) ( 2 +
yang merupakan ekspresi kudratik dalam
x
. (ika bentuk kuadrat
disempurnakan dengan menambahkan dan membagi skalar ) ( ) (
2
% % % ,
t t
dipeoleh
) ( ) ( 2
) ( ) (
#
2
2 2
% % % ,
% %
% ,
% %
% ,
, ,
t t
t
t
t
t
t
x x + + <

2
2
) (
) (

,
_

+
% %
% ,
% %
% %
% ,
, ,
t
t
t
t
t
t
x
suku dalam kurung akan nol bila % % % ,
t t
x so disimpulkan bah+a
% %
% ,
, ,
t
t
t
2
) (
# <
atau
) )( ( ) (
2
% % , , % ,
t t t
< )ika % , x "or some
x
!atatan )ika % , c ) ( ) ( # % , % , c c
t
dengan alasan yang sama diperoleh
( ) ) )( (
2
% % , , % ,
t t t

E'ten%e% +a0-12" S-13ar4 Ine50alit2

Misalkan , dan % vektor-vektor dimensi px1 dan
pxp
$
matriks de"init positi"
maka
( ) ) )( (
1
2
% $ % , $ , % ,

t t t
,esamaan ter)adi )ika dan hanya )ika ) (
1
$, % % $ , c or c

untuk sembarang
konstanta c.
0ukti
:he ine=uality is obvious i" eiher
6 % 6 , or
.. 1ntuk kasus selain itu
mislakan matriks akar kuadrat
t
i
p
i
i
e e $
1
1
2
1

dapat ditun)ukkan bah+a
t
i
p
i
i
e e $
1
1
1
2
1

maka
) ( ) (
2
1
2
1
2
1
2
1
% $ , $ % $ $ , % I , % ,


t t t t
dengan mengaplikasikan ketidaksamaan +a0-12" S-13ar4 Ine50alit2 untuk vektor-
vektor
) (
2
1
, $
dan
) (
2
1
% $

maka pembuktian tercapai

Teorema Maksimisasi
Misalkan
pxp
$
matriks de"init positi" dan % vektor dimensi
1 p
maka untuk
vektor tak nol ' dimensi
1 p
.
% $ %
' $ '
% '
'
1
2
#
) (
ma3

t
t
t
(>)
dengan maksimum tercapai ketika
1
1
1 px pxp px
c % $ '

untuk konstanta # c
0ukti
&engan E'ten%e% +a'0-12" S-13ar4 Ine50alit2 ( ) ) )( (
1
2
% $ % ' $ ' % '

t t t
.
,arena 6 ' dan $ matriks de"init positi" maka
. # > ' $ '
t
&engan membagi
kedua ruas dengan skalar positi" ' $ '
t
diperoleh
% $ %
' $ '
% '
1
2
) (

t
t
t
5ni berarti
% $ %
' $ '
% '
'
1
2
#
) (
ma3

t
t
t

Maksimisasi pa%a ,ent0k K0a%ratik 0nt0k titi"titik pa%a lin7karan sat0an/
Misalkan
pxp
$
matriks de"init positi" dengan nilai-nilai eigen
#
2 1

p

dan vektor-vektor eigen yenga bersesuaian p
e e e
2 1

maka
1
#
ma3

' '
' $ '
'
t
t
(tercapai ketika
)
1
e '
p
t
t

' '
' $ '
' #
min
(tercapai ketika
)
p
e '
(>>)
Moreover
1

1
ma3
+

k
t
t
k

' '
' $ '
e e '
(tercapai ketika
) 1 2 1
1

+
p k
k
e '
0ukti
Misalkan
pxp
*
adalah matriks ortogonal dengan kolom-kolomny adalah vektor-
vektor eigen p
e e e
2 1

dan matriks diagonal dengan elemen-elemen diagonal
.
2 1 p

Misalkan
t
* * $
2
1
(lihat rumus..) dan 1
1
px pxp
px
' * 2
.
9kibatnya untuk 6 ' maka
6 2
sehingga
2 2
2 2
2 2
' * * * * '
' ** '
' $ $ '
' '
' $ '
t
t
t
t t t
t t
t
t
t


2
1
2
1
2
1
2
1
(dimana ) I ' ** '
t t
i
p
i
i
p
i
i
i
p
i
i
p
i
i i
y
y
y
y

1
2
1
2
1
2
1
2
e (>>>)
9mbil
1
e '
memberikan
1
1
1
1
]
1

#
#
1
1

e * 2
t
dengan

'

1 #
1 1
1
k
k
t
k
e e
1ntuk pilihan ' ini diperoleh
1 1
1 ? 2 2 2 2
t t

&engan cara yang sama untuk p p

y y y e e e *2 ' + + +
2 2 1 1
k
e e '
1

maka k i y y y y
i p
t
p p
t t
t
i
+ + + #
2 2 2 1 1 1
e e e e e e ' e
1ntuk ' tegak lurus pada k buah vektor eigen
i
e
maka ruas kiri pada
ketidaksamaan (>>>) men)adi
' '
' $ '
t
t

p
i
i
p
i
i i
y
y
1
2
1
2

9mbillah
1
1

+ k
y

#
2

+ p k
y y
memberikan asserted ma3imum.
1ntuk
6 '
#
tertentu
# #
# #
' '
' $ '
t
t
mempunyai nilai yang sama dengan ' $ '
t

dimana
# # #
' ' ' '
t t t
adalah mempunyai panang 1. 9kibatnya persamaan (>>)
dikatakan the largest eigenvalue
1

adalh nilai maksimum bentuk kudratik

' $ '
t
untuk semua titik ' yang ber)arak 1 dari titik asal.. &engan hal yang sama
p

nilai terkecil dari bentuk kuadratik untuk semua titik ' yang ber)arak 1 unit
dari titik asal. Nilai eigen terbesar dan nilai eigen terkecil merepresentasikan nilai
ekstrim dari ' $ '
t
pada titik-titk lingkaran satuan.