TUGAS KELOMPOK

Aljabar Linear Statistika

Matriks Varians Kovarians, Matriks Korelasi dan Matriks Jacobians

Dosen Pengampu :
Nurfitri Imro’ah M.si

DISUSUN OLEH :

KELOMPOK 8

1. Junaidi H1091151003

2. Siti Fitriani H1091151010

3. Kunti Wijayanti H1091151017

4. Marwalida Rachmadiar H1091151023

5. Hidayatun Nisa H1091151046

6. Novi Purwantini H1091151047

7. Elprida Riyani H1091151049

PRODI STATISTIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TANJUNGPURA
PONTIANAK
2016
 Kata Pengantar

Assalamu’alaikum Wr. Wb.

Puji dan syukur marilah kita panjatkan kehadirat Allah SWT yang telah memberikan

rahmat dan karunia-Nya sehingga makalah dapat terselesaikan walaupun jauh dari

kesempurnaan. Dalam penyusunan makalah ini tidak lupa kami mengucapkan banyak terima

kasih kepada rekan–rekan yang telah banyak membantu, dan tidak lupa kepada Dosen

Aljabar Linear Statistika yang telah membimbing kami sehingga makalah ini dapat

terselesaikan. Makalah ini berisi tentang materi matriks varians kovarian, matriks korelasi

dan matriks jacobians. Besar harapan kami, makalah ini dapat berguna khususnya bagi kami

penyusun dan umumnya para pembaca. Saran dan kritik yang sifatnya membangun sangat

kami harapkan.

Waalaikumsalam Wr.Wb

Pontianak,

Kelompok 8
 Pendahuluan

Data multivariat terdiri atas hasil pengukuran/pengamatan/perhitungan terhadap p

variabel 𝑋 = 𝑋1 𝑋2 … 𝑋𝑝 pada n unit sampel. Variabel 𝑋𝑗 dapat berskala rasio, interval,
ordinal ataupun nominal.

Sampel Variabel 1 Variabel 2 Variabel p

1 𝑋11 𝑋12 𝑋1𝑝
2 𝑋21 𝑋22 𝑋2𝑝
n 𝑋𝑛1 𝑋𝑛2 𝑋𝑛𝑝

Data multivariat lazimnya dinyatakan dalam bentuk matriks. Misalnya dalam suatu
penelitian diukur p variabel yaitu dari sebanyak n individu, maka dapat disajikan dalam
bentuk matriks sebagai berikut :

𝑥11 𝑥12 ⋯ 𝑥1𝑝

𝑥21 𝑥22 ⋯ 𝑥2𝑝
𝑋=[ ⋮ ⋮ ⋮ ]
⋮
𝑥𝑛1 𝑥𝑛2 ⋯ 𝑥𝑛𝑝

Matriks yang terdiri dari satu kolom atau matriks yang berordo 𝑛 × 1 disebut vektor
kolom dinyatakan dalam bentuk :

𝑥1
𝑥2
𝑋=[ ⋮ ]
𝑥𝑛

Sebuah matriks adalah susunan segi empat siku-siku dengan bilangan-bilangan yang
dinamakan entri matriks yang sering dinotasikan dengan 𝑋𝑖𝑗 yang berarti nilai tertentu di
variabel ke-𝑖 yang diamati pada item ke-𝑗.
 A. Matriks Varians Kovarians
Varians adalah jumlah kuadrat semua deviasi nilai-nilai individual terhadap rata-rata
kelompok.

Interpretasi :

Nilai 𝑥 – 𝜇 disebut penyimpangan suatu pengamatan dari rataannya. Karena

penyimpangan ini dikuadratkan lalu dirata-ratakan, maka varians akan lebih kecil untuk
kelompok nilai 𝑥 yang dekat dengan 𝜇 dibandingkan dengan kelompok nilai 𝑥 yang jauh dari
𝜇. Dengan kata lain, jika nilai-nilai 𝑥 cenderung terkonsentrasi di dekat rataannya, maka
variansinya kecil. Sedangkan jika jauh dari rataan maka variansinya besar.

Kovarians adalah ukuran dari seberapa banyak dua set data yang berbeda-beda.
Kovarians menentukan sejauh mana dua variabel yang berkaitan atau bagaimana mereka
bervariasi bersama.Kovarians adalah rata-rata hasil dari penyimpangan dari titik data masing-
masing mean.

Interpretasi :

 Kovarians antara dua peubah acak menunjukkan sifat asosiasi(hubungan) antara

keduanya
 Jika kedua peubah tersebut bergerak kearah yang sama (nilai𝑥 berada diatas
nilai rata-ratanya, maka nilai y juga berada diatas nilai rata-rata 𝑦) maka hasil
kali (𝑋𝑗𝑖 − 𝑥𝑖 )(𝑋𝑗𝑘 − 𝑥𝑘 ) cenderung bernilai positif.
 Jika kedua peubah tersebut bergerak kearah berlawanan (nilai 𝑥 berada diatas
nilai rata-ratanya, sedangkan nilai 𝑦 juga berada di bawah nilai rata-rata nya),
maka hasil kali (𝑋𝑗𝑖 − 𝑥𝑖 )(𝑋𝑗𝑘 − 𝑥𝑘 ) cenderung bernilai negatif.
 Apabila nilai kovarians mendekati nol, menandakan bahwa kedua variabel
tersebut tidak saling berhubungan.
 Tanda kovariansi (+ atau -) menunjukkan apakah hubungan antara kedua
peubah acak positif atau negative.

Matriks varians kovarians adalah matriks yang didalamnya terdapat varians dan
kovarians. Matriks varians kovarians disimbolkan dengan 𝑆 . MatriksVarians Kovarians akan
bersinggungan dengan vektor mean yang masing-masing variable bias dihitung meannya dan
disajikan dalam bentuk vektor

µ₁
µ₂
Jika 𝑋 = 𝑋1 𝑋2 … 𝑋𝑃 Maka vektor meannya µ = ( ⋮ )
µ𝑃

Dan rumus untuk mencari vektor mean adalah

1
µj = 𝑛 ∑𝑛𝑖=1 𝑥ij

o Pembuktian rumus :

Diketahui : 𝑋 = Matriks data

𝑥̅ = Rata-rata

𝛴 = Matriks varians kovarians

𝑥𝑖1 +𝑥𝑖2 +⋯+𝑥𝑖𝑛 𝑦𝑖

𝑥̅𝑖 = =
𝑛 𝑛

𝑦𝑖
𝑥̅𝑖1 𝑛 𝑥11 𝑥12 … 𝑥1𝑛 1
𝑦𝑖 … 𝑥2𝑛 1
𝑥̅𝑖2 1 𝑥21 𝑥22
𝑥̅ = [ ] = 𝑛 = 𝑛 [ ⋮ ⋮ ⋮ ] [⋮]
⋮ ⋮ ⋱
𝑥̅𝑖𝑛 𝑦𝑝 𝑥𝑝1 𝑥𝑝2 … 𝑥𝑝𝑛 1
[𝑛]

1
𝑥̅ = 𝑛 𝑋1

1
𝑥̅ dihitung dari matriks data yang dikalikan dengan vektor 1 dan konstanta 𝑛.
1
Selanjutnya 𝑥̅ = 𝑛 𝑋1 dikalikan dengan vektor 1’, sehingga dihasilkan matriks 𝑥̅ 1′

𝑥̅11 𝑥̅12 … 𝑥̅1𝑛

1 𝑥̅ 𝑥̅22 … 𝑥̅ 2𝑛
𝑥̅ 1′ = 𝑋11′ = [ 21 ]
𝑛 ⋮ ⋮ ⋱ ⋮
𝑥̅ 𝑝1 𝑥̅ 𝑝2 … 𝑥̅𝑝𝑛

Kurangkan matriks 𝑋 dengan persamaan di atas yang menghasilkan matriks baku

𝑝 𝑥 𝑛 dinotasikan dengan 𝑉.
 𝑥11 − 𝑥̅1 𝑥12 − 𝑥̅1 … 𝑥1𝑛 − 𝑥̅1
1 𝑥 − 𝑥̅2 𝑥22 − 𝑥̅2 … 𝑥2𝑛 − 𝑥̅2
𝑉 = 𝑋 − 𝑋11′ = [ 21 ]
𝑛 ⋮ ⋮ ⋱ ⋮
𝑥𝑝1 − 𝑥̅ 𝑝 𝑥𝑝2 − 𝑥̅ 𝑝 … 𝑥𝑝𝑛 − 𝑥̅𝑝

Matriks (𝑛 − 1)𝑆 adalah perkalian silang antara matriks diatas dengan matriks
transposenya

(𝑛 − 1)𝑆 =

𝑥11 − 𝑥̅1 𝑥12 − 𝑥̅1 … 𝑥1𝑛 − 𝑥̅1 𝑥11 − 𝑥̅1 𝑥21 − 𝑥̅2 … 𝑥𝑝1 − 𝑥̅𝑝 ′
𝑥 − 𝑥̅2 𝑥22 − 𝑥̅2 … 𝑥2𝑛 − 𝑥̅2 𝑥 − 𝑥̅1 𝑥22 − 𝑥̅2 … 𝑥𝑝2 − 𝑥̅ 2
[ 21 ] 𝑥 12
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
𝑥𝑝1 − 𝑥̅𝑝 𝑥𝑝2 − 𝑥̅𝑝 … 𝑥𝑝𝑛 − 𝑥̅𝑝 [𝑥2𝑛 − 𝑥̅1 𝑥2𝑛 − 𝑥̅ 2 … 𝑥𝑝𝑛 − 𝑥̅𝑝 ]

1 1 ′ 1
= (𝑋 − 𝑛 11′ ) (𝑋 − 𝑛 11′ ) = 𝑋 (1 − 𝑛 11′) 𝑋′

Karena

1 1 ′ 1 1 1 1
= (1 − 𝑛 11′ ) (1 − 𝑛 11′ ) = 1 − 𝑛 11′ − 𝑛 11′ + 𝑛2 11′ 11′ = 1 − 𝑛 11′

Sehingga didapat

1 1
𝑆= 𝑋 (1 − 11′) 𝑋′
𝑛−1 𝑛

Persamaan diatas menunjukkan dengan jelas hubungan operasi perkalian matriks data
1
X dengan (1 − 𝑛 11′) dan transpose matriks data. Jika S telah diketahui maka S dapat

dihubungkan dengan matriks korelasi dengan cara :

𝑛
1
𝑆𝑖𝑘 = ∑(𝑥𝑖𝑟 − 𝑥̅𝑖 )(𝑥𝑘𝑟 − 𝑥̅𝑘 )
𝑛−1
𝑟=1

Dengan :

𝑆11 = (𝑥1 − 𝑥̅1 )(𝑥1 − 𝑥̅1 ) = (𝑥1 − 𝑥̅1 )2

𝑆12 = (𝑥1 − 𝑥̅1 )(𝑥2 − 𝑥̅2 )

𝑆1𝑝 = (𝑥1 − 𝑥̅1 )(𝑥𝑝 − 𝑥̅𝑝 )

 𝑆2𝑝 = (𝑥2 − 𝑥̅ 2 )(𝑥𝑝 − 𝑥̅𝑝 )

𝑆𝑝𝑝 = (𝑥𝑝 − 𝑥̅𝑝 )(𝑥𝑝 − 𝑥̅𝑝 ) = (𝑥𝑝 − 𝑥̅𝑝 )2

(𝑥1 − 𝑥̅1 )2 (𝑥1 − 𝑥̅1 )(𝑥2 − 𝑥̅2 ) … (𝑥1 − 𝑥̅1 )(𝑥𝑝 − 𝑥̅ 𝑝 )

∑= [ ⋮ ⋮ ⋱ ⋮ ]
2
(𝑥1 − 𝑥̅1 )(𝑥𝑝 − 𝑥̅ 𝑝 ) (𝑥2 − 𝑥̅2 )(𝑥𝑝 − 𝑥̅𝑝 ) … (𝑥𝑝 − 𝑥𝑝 )

𝑆11 𝑆12 … 𝑆1𝑝

𝑆 𝑆22 … 𝑆2𝑝
∑ = 21
⋮ ⋮ ⋱ ⋮
[𝑆1𝑝 𝑆2𝑝 … 𝑆 ]

Jadi, rumus yang digunakan untuk mengisi entri matriks varians kovarians adalah

1 1
Varians = 𝑆𝑖𝑖 = 𝑛−1 ∑𝑛𝑖=1(𝑥𝑖𝑟 − 𝑥̅ 𝑖 )(𝑥𝑖𝑟 − 𝑥̅𝑖 ) = 𝑆𝑖𝑖 = 𝑛−1 ∑𝑛𝑖=1(𝑥𝑖𝑟 − 𝑥̅ 𝑖 )2

1
Kovarians = 𝑆𝑖𝑘 = 𝑛−1 ∑𝑛𝑖=1(𝑥𝑖𝑟 − 𝑥̅𝑖 )(𝑥𝑘𝑟 − 𝑥̅𝑘 )

B. Matriks Korelasi
Korelasi adalah metode untuk mengetahui tingkat keeratan hubungan dua peubah atau
lebih yang digambarkan oleh besarnya koefisien korelasi. Koefisien korelasi adalah koefisien
yang menggambarkan hubungan sebab akibat antara dua peubah atau lebih, tetapi semata-
mata menggambarkan keterkaitan linear antarpeubah.

Interpretasi : - Nilai 𝑟 antara -1 dan + 1.

- Jika 𝑟 = 0, maka tidak terdapat korelasi antara 2 variabel
- Jika 𝑟 = 1 (atau -1), maka terdapat korelasi positif (atau negatif)
antara 2 variabel

Matriks korelasi adalah matriks yang didalamnya terdapat korelasi-korelasi

disimbolkan dengan 𝑟

o Pembuktian rumus :
 Menghitung matriks baku yang isinya adalah simpangan baku, dengan asumsi (𝑖 tidak
sama dengan 𝑘 ) dihasilkan 𝐶𝑜𝑣(𝑖, 𝑘) =0 sehingga dapat ditulis kedalam bentuk matriks
sebagai berikut :
1⁄ −1
𝑅 = 𝐷− 2 𝑆𝐷 ⁄2

√𝑠₁₁ 0 … 0
𝐷1⁄2 = 0 √𝑠₂₂ … 0
⋮ ⋮ ⋱ ⋮
[ 0 0 … √𝑠 ]

1⁄
Menghitung invers dari matriks deviasi dengan cara 𝐷 − 2

1
0 … 0
√𝑆₁₁
1
0 … 0
𝐷−1⁄2 √𝑆₂₂
⋮ ⋮ ⋱ ⋮
1
[ 0 0 … √𝑆]

Maka dapat dihasilkan matriks korelasi dengan rumus

𝑆11 𝑆12 … 𝑆1𝑝

𝑆 𝑆22 … 𝑆2𝑝
𝑆 = 21
⋮ ⋮ ⋱ ⋮
[𝑆1𝑝 𝑆2𝑝 … 𝑆 ]

Maka dapat dihasilkan matriks korelasi dengan rumus 𝑅 = 𝐷−1⁄2 𝑆𝐷−1⁄2

1 1
0 … 0 … 𝑆1𝑝 0 … 0
√𝑆₁₁ 𝑆11 𝑆12 √𝑆₁₁
1 1
0 … 0 𝑆21 𝑆22 … 𝑆2𝑝 0 … 0
R= √𝑆₂₂ √𝑆₂₂
⋮ ⋮ ⋱ ⋮
⋮ ⋮ ⋱ 1⋮ 𝑆 𝑆2𝑝 ⋮ ⋮ ⋱ ⋮
[ 1𝑝 … 𝑆 ] 1
[ 0 0 … √𝑆] [ 0 0 … √𝑆]

𝑆₁₁ 𝑆₁₂ 𝑆₁
…
√𝑆₁₁ √𝑆₁₁ √𝑆₁₁ √𝑆₁₂ √𝑠₁₁ √𝑠 1 𝑟12 … 𝑟1𝑝
𝑆₂₁ 𝑆₂₂ 𝑆₂ … 𝑟2𝑝
… 𝑟 1
𝑟= √𝑆₁₁ √𝑆₂₁ √𝑆₂₂ √𝑆₂₂ √𝑠₂₂ √𝑠 = [ 21
⋮ ⋮ ]
⋱ ⋮
⋮ ⋮ ⋱ ⋮
𝑆₁ 𝑆₂ 𝑆 𝑟1𝑝 𝑟2𝑝 … 1
[ √𝑠₁₁ √𝑠 √𝑠₂₂ √𝑠
… √𝑠 √𝑠 ]

dengan :
 1 𝑛 𝑥𝑖𝑟 − 𝑥̅𝑖
𝑟𝑖𝑘 = ∑ ( )
𝑛 − 1 𝑟=1 √𝑆𝑖𝑖

Untuk 𝑖 = 𝑘 menghasilkan 𝑟 = 1

𝑥1 − 𝑥̅1 𝑥1 − 𝑥̅1 (𝑥1 − 𝑥̅1 )(𝑥1 − 𝑥̅1 )

𝑟11 = ( )( )= =1
√𝑆11 √𝑆11 √𝑆11 √𝑆11

𝑥2 − 𝑥̅2 𝑥2 − 𝑥̅2 (𝑥2 − 𝑥̅2 )(𝑥2 − 𝑥̅ 2 )

𝑟22 = ( )( )= =1
√𝑆22 √𝑆22 √𝑆22 √𝑆22

𝑥𝑝 − 𝑥̅𝑝 𝑥𝑝 − 𝑥̅𝑝 (𝑥𝑝 − 𝑥̅𝑝 )(𝑥𝑝 − 𝑥̅𝑝 )

𝑟𝑝𝑝 = ( )( )= =1
√𝑆𝑝𝑝 √𝑆𝑝𝑝 √𝑆𝑝𝑝 √𝑆𝑝𝑝

Dan untuk ( 𝑖 tidak sama dengan 𝑘 )

𝑥1 − 𝑥̅1 𝑥2 − 𝑥̅2 (𝑥1 − 𝑥̅1 )(𝑥2 − 𝑥̅2 )

𝑟12 = ( )( )=
√𝑆11 √𝑆22 √𝑆11 √𝑆22

𝑥2 − 𝑥̅2 𝑥1 − 𝑥̅1 (𝑥2 − 𝑥̅ 2 )(𝑥1 − 𝑥̅1 )

𝑟21 = ( )( )=
√𝑆22 √𝑆11 √𝑆22 √𝑆11

𝑥1 − 𝑥̅1 𝑥𝑝 − 𝑥̅𝑝 (𝑥1 − 𝑥̅1 )(𝑥𝑝 − 𝑥̅ 𝑝 )

𝑟1𝑝 = ( )( )=
√𝑆11 √𝑆𝑝𝑝 √𝑆11 √𝑆𝑝𝑝

𝑥2 − 𝑥̅2 𝑥𝑝 − 𝑥̅𝑝 (𝑥2 − 𝑥̅2 )(𝑥𝑝 − 𝑥̅𝑝 )

𝑟2𝑝 = ( )( )=
√𝑆22 √𝑆𝑝𝑝 √𝑆22 √𝑆𝑝𝑝

Jadi didapat rumus matriks korelasi adalah seperti dibawah ini :

1 𝑟₁₁ … 𝑟1𝑝
r = [𝑟₂₁ 1 … 𝑟2𝑝 ]
… … ⋱ ⋮
𝑟1𝑝 𝑟2𝑝 … 1
 Contoh Soal :

1. Dari empat mahasiswa pembeli pada sebuah toko buku dicatat total pembelian masing
- masing mahasiswa (dalam puluhan ribu rupiah) beserta jumlah buku yang di beli.

Total pembelian (dalam puluhan ribu rupiah) Jumlah buku yang dibeli
42 4
52 5
48 4
58 3

Tentukan :

a. Vektor mean
b. Matriks Varians Kovarians
c. Matriks Korelasi

Penyelesaian :

Misalkan 𝑥1 menyatakan total penjualan dan 𝑥2 menyatakan jumlah buku yang

terjual, sehingga :

X1 42 52 48 58
X2 4 5 4 3

Dan dibuat dalam bentuk matriks sebagai berikut :

42 4
52 5
𝑋 = [48 4]
58 3
a) Vektor Mean
𝑛
1 1
𝑥1 = ∑ 𝑥𝑖1 = ( 42 + 52 + 48 + 58 ) = 50
𝑛 4
𝑖=1

𝑛
1 1
𝑥2 = ∑ 𝑥𝑖2 = ( 4 + 5 + 4 + 3 ) = 4
𝑛 4
𝑖=1
 Jadi, vektor mean sampel adalah 𝑥 = [50 4]

b) Matriks Varians Kovarians

1
𝑆11 = 𝑛−1 ∑𝑛𝑖=1(𝑥1 − 𝑥̅1 )2

1
= [(42 − 50) 2 + (52 – 50)2 + (48 – 50)2 + (58 – 50)2 ]
(4−1)

136
= 3

1
𝑆22 = 𝑛−1 ∑𝑛𝑖=1(𝑥2 − 𝑥̅2 )2

1
= (4−1) [(4 – 4)2 + (5 – 4)2 + (4 – 4)2 + (3 – 4)2 ]

2
=3

1
𝑆12 = (𝑛−1) ∑𝑛𝑖=1(𝑥1 − 𝑥̅1 )(𝑥2 − 𝑥̅2 )

1 (42 − 50)(4 − 4) + (52 − 50)(5 − 4) + (48 − 50)(4 − 4) +

= (4−1) [ ]
(58 − 50)(3 − 4)

= −2

𝑆12 = 𝑆21

Jadi, matriks varians kovarians sampel adalah

136
𝑆₁₁ 𝑆₁₂ −2
S=[ ]=[ 3 2 ]
𝑆₂₁ 𝑆₂₂ −2 3

c) Matriks Korelasi
𝑆𝑖𝑘
𝑟𝑖𝑗 =
√𝑆𝑖𝑖 √𝑆𝑗𝑗

𝑆₁₁
𝑟11 = =1
√𝑆₁₁√𝑆₁₁

𝑆₂₂
𝑟22 = =1
√𝑆₂₂√𝑆₂₂
 𝑆₁₂ −2
𝑟12 = = = -0,36
√𝑆₁₁√ 𝑆₂₂ 136 2
√ √
3 3

𝑟12 = 𝑟21

Jadi, matriks korelasinya adalah

𝑟₁₁ 𝑟₁₂ 1 −0,36
𝑟 = [𝑟₂₁ 𝑟₂₂] = [ ]
−0,36 1

2. Bentuklah matriks varians dan kovarians serta matriks korelasi dari data dibawah ini :

𝑥1 𝑥2
20 30
23 32
23 35
22 31

Pembahasan :

20 + 23 + 23 + 22
𝑥̅1 = = 22
4

30 + 32 + 35 + 31
𝑥̅2 = = 32
4

Vektor meannya adalah = [22 32]

1
𝑆11 = 𝑛−1 ∑𝑛𝑖=1(𝑥1 − 𝑥̅1 )2

1
= (4−1) [(20 − 22)2 + (23 – 22) 2 + (23 – 22) 2 + (22 – 22)2 ]

=2
1
𝑆22 = 𝑛−1 ∑𝑛𝑖=1(𝑥2 − 𝑥̅2 )2

1
= (4−1) [(30 – 32)2 + (32 – 32)2 + (35 – 32) 2 + (31 – 32)2 ]

= 4,67
1
𝑆12= (𝑛−1) ∑𝑛𝑖=1(𝑥1 − 𝑥̅1 )(𝑥2 − 𝑥̅2 )
 1
= [(20 − 22)(30 − 32) + (23 − 22)(32 − 32) + (23 − 22)(35 − 32) +
(4−1)
(22 − 22)(31 − 32)]

= −0.33

𝑆12= 𝑆21

2 −0,33
Jadi matriks varians kovariansnya adalah 𝑆 = [ ]
−0,33 4,67
𝑆₁₁
𝑟11 = = 1
√𝑆₁₁√𝑆₁₁

𝑆₂₂
𝑟22 = =1
√𝑆₂₂√𝑆₂₂

𝑆₁₂ −0,33
𝑟12 = = = −0,108
√𝑆₁₁√𝑆₂₂ √2√4,67

𝑟12 = 𝑟21

jadi matriks korelasinya adalah

𝑟₁₁ 𝑟₁₂ 1 −0,108
𝑟 = [𝑟₂₁ 𝑟₂₂] = [ ]
−0,108 1

3. Terdapat tiga buah variabel data yaitu 𝑋1 , 𝑋2 dan 𝑋3 disajikan dalam matriks berikut:
Tentukan:
a) Vektor Mean
b) Matriks Varians Kovarians
c) Matriks korelasi

2 9 5
𝑋 = [3 2 6]
6 4 5
5 5 8

a. Vektor mean
2+3+6+5
𝑥̅1 = =4
4
9+2+4+5
𝑥̅2 = =5
4
5+6+5+8
𝑥̅3 = =6
4
Maka vektor mean nya adalah [4 5 6]

1
𝑆11 = 𝑛−1 ∑𝑛𝑖=1(𝑥1 − 𝑥̅1 )2

1
= (4−1) [(2 − 4)2 + (3 – 4)2 + (6 – 4)2 + (5 – 4)2 ]

= 3,33
1
𝑆22 = 𝑛−1 ∑𝑛𝑖=1(𝑥2 − 𝑥̅2 )2

1
= (4−1) [(9 – 5)2 + (2 – 5)2 + (4 – 5)2 + (5 – 5)2 ]

= 8,67

1
𝑆33 = 𝑛−1 ∑𝑛𝑖=1(𝑥3 − 𝑥̅3 )2

1
= [(5 − 6)2 + (6 − 6)2 + (5 − 6)2 + (8 − 6)2 ]
(4−1)

=2
1
𝑆12= (𝑛−1) ∑𝑛𝑖=1(𝑥1 − 𝑥̅1 )(𝑥2 − 𝑥̅2 )

1
= [(2 − 4)(9 − 5) + (3 − 4)(2 − 5) + (6 − 4)(4 − 5) + (5 − 4)(5 − 5)]
(4−1)

= −2,33

𝑆12= 𝑆21
1
𝑆13 = (𝑛−1) ∑𝑛𝑖=1(𝑥1 − 𝑥̅1 )(𝑥3 − 𝑥̅3 )

1
= [(2 − 4)(5 − 6) + (3 − 4)(6 − 6) + (6 − 4)(5 − 6) + (5 − 4)(8 − 6)]
(4−1)

= 0,67

𝑆13= 𝑆31
1
𝑆23 = (𝑛−1) ∑𝑛𝑖=1(𝑥2 − 𝑥̅2 )(𝑥3 − 𝑥̅ 3 )

1
= [(9 − 5)(5 − 6) + (2 − 5)(6 − 6) + (4 − 5)(5 − 6) + (5 − 5)(8 − 6)]
(4−1)

= −1

𝑆23 = 𝑆32
 3,33 −2,33 0,67
Jadi matriks varians kovariansnya adalah 𝑆 = [−2,33 8,67 −1 ]
0,67 −1 2
𝑆₁₁
𝑟11 = = 1
√𝑆₁₁√𝑆₁₁

𝑆₂₂
𝑟22 = =1
√𝑆₂₂√𝑆₂₂

𝑆₂₂
𝑟33 = =1
√𝑆₂₂√𝑆₂₂

𝑆₁₂ −2,33
𝑟12 = = = −0,43
√𝑆₁₁√ 𝑆₂₂ √3,33√8,67

𝑟12 = 𝑟21
𝑆₁3 0,67
𝑟13 = = = 0,26
√ 𝑆₁₁√𝑆33 √3,33√2

𝑟13 = 𝑟31
𝑆23 −1
𝑟23 = = = 0,24
√𝑆22√𝑆33 √8,67√2

𝑟23 = 𝑟32
𝑟₁₁ 𝑟₁₂ 𝑟13 1 −0,43 0,26
Jadi matriks korelasinya adalah 𝑟 = [ 𝑟₂₁ 𝑟₂₂ 𝑟23 ] = [−0,43 1 0,24]
𝑟31 𝑟32 𝑟33 0,26 0,24 1

4. Terdapat dua buah variabel data yaitu X1 dan X2 disajikan dalam matriks berikut:
Tentukan:
a) Vekktor Mean
b) Matriks Varians Kovarians
c) Matriks korelasi

30 15
25 10
𝑋 = 28 12
32 14
[22 13]

a. Vektor mean
30 + 25 + 28 + 32 + 22
𝑥̅1 = = 27,4
5
 15 + 10 + 12 + 14 + 13
𝑥̅2 = = 12,8
5
Maka vektor meannya adalah [27,4 12,8]

b. Matriks varians kovarians

1
𝑆11 = 𝑛−1 ∑𝑛𝑖=1(𝑥1 − 𝑥̅1 )2

1
= (5−1) [(30 − 27,4)2 + (25 – 27,4)2 + (28 – 27,4)2 + (32 – 27,4)2 +
(22 − 27,4)2 ]

= 15,8

1
𝑆22 = 𝑛−1 ∑𝑛𝑖=1(𝑥2 − 𝑥̅2 )2

1
= (5−1) [(15 – 12,8)2 + (10 – 12,8)2 + (12 – 12,8)2 + (14 – 12,8)2 +
(13 − 12,8)2 ]

= 3,7
1
𝑆12 = (𝑛−1) ∑𝑛𝑖=1(𝑥1 − 𝑥̅1 )(𝑥2 − 𝑥̅2 )

1
= [(30 − 27,4)(15 − 12,8) + (25 − 27,4)(10 − 12,8) + (28 −
(5−1)
27,4)(12 − 12,8) + (32 − 27,4)(14 − 12,8) + (22 − 27,4)(13 − 12,8)]

= 4,1

𝑆12 = 𝑆21

15,8 4,1
Jadi matriks varians kovariansnya adalah 𝑆 = [ ]
4,1 3,7

c. Matriks korelasi

𝑆₁₁
𝑟11 = = 1
√𝑆₁₁√𝑆₁₁

𝑆₂₂
𝑟22 = =1
√𝑆₂₂√𝑆₂₂

𝑆₁₂ 4,1
𝑟12 = = = 0,54
√𝑆₁₁√𝑆₂₂ √15,8√3,7

𝑟12 = 𝑟21
 𝑟₁₁ 𝑟₁₂ 1 0,54
Jadi matriks korelasinya 𝑟 = [𝑟₂₁ 𝑟₂₂] = [ ]
0,54 1

5. Diketahui suatu penelitian terhadap hubungan antara nilai biaya periklanan dengan
tingkat penjualan dari sebuah koperasi adalah sebagai berikut : (dalam ribuan rupiah)
No Biaya periklanan Tingkat penjualan
1 50 40
2 51 46
3 52 44
4 53 55
5 54 49

Tentukan matriks varians kovarians dan matriks korelasinya!

Mean :
50 + 51 + 52 + 53 + 54
𝑥̅ = = 52
5
40 + 46 + 44 + 55 + 49
𝑦̅ = = 46,8
5

1
𝑆11 = 𝑛−1 ∑𝑛𝑖=1(𝑥1 − 𝑥̅1 )2

1
= (5−1) [(50 − 52)2 + (51 – 52)2 + (52 – 52)2 + (53 – 52)2 + (54 − 52)2 ]

= 2,5
1
𝑆22 = 𝑛−1 ∑𝑛𝑖=1(𝑥2 − 𝑥̅2 )2

1
= (5−1) [(40 – 46,8)2 + (46 – 46,8)2 + (44 – 46,8)2 + (55 – 46,8)2 +
(49 − 46,8)2 ]

= 31,7
1
𝑆12 = (𝑛−1) ∑𝑛𝑖=1(𝑥1 − 𝑥̅1 )(𝑥2 − 𝑥̅2 )

1
= [(50 − 52)(40 − 46,8) + (51 − 52)(46 − 46,8) + (52 − 52)(44 −
(5−1)
46,8) + (53 − 52)(55 − 46,8) + (54 − 52)(49 − 46,8)]

= 6,75

𝑆12= 𝑆21
 2,5 6,75
Jadi matriks varians kovariansnya adalah 𝑆 = [ ]
6,75 31,7
𝑆₁₁
𝑟11 = = 1
√𝑆₁₁√𝑆₁₁

𝑆₂₂
𝑟22 = =1
√𝑆₂₂√𝑆₂₂

𝑆₁₂ 6,75
𝑟12 = = = 0,76
√𝑆₁₁√𝑆₂₂ √2,5√31,7

𝑟12 = 𝑟21
𝑟₁₁ 𝑟₁₂ 1 0,76
Jadi matriks korelasinya adalah 𝑟 = [𝑟₂₁ 𝑟₂₂] = [ ]
0,76 1

6. Akan dilakukan investigasi hubungan antara merokok dan daya tahan jantung.
Dilakukan survey ke sekelompok orang tentang kebiasaan merokok dan mengukur
daya tahan jantung
No Cigarettes Lung capacity
1 0 45
2 5 42
3 10 33
4 15 31
5 20 29

Tentukan matriks varians kovarians serta matriks korelasinya dari investigasi diatas

Mean :
0 + 5 + 10 + 15 + 20
𝑥̅ = = 10
5
45 + 42 + 33 + 31 + 29
𝑦̅ = = 36
5

1
𝑆11 = 𝑛−1 ∑𝑛𝑖=1(𝑥1 − 𝑥̅1 )2

1
= (5−1) [(0 − 10)2 + (5 – 10)2 + (10 – 10)2 + (15 – 10)2 + (20 − 10)2 ]

= 62.5
1
𝑆22 = 𝑛−1 ∑𝑛𝑖=1(𝑥2 − 𝑥̅2 )2

1
= (5−1) [(45 – 36)2 + (42 – 36)2 + (33 – 36)2 + (31 – 36)2 + (29 − 36)2 ]

= 50
 1
𝑆12 = (𝑛−1) ∑𝑛𝑖=1(𝑥1 − 𝑥̅1 )(𝑥2 − 𝑥̅2 )

1
= [(0 − 10)(45 − 36) + (5 − 10)(42 − 36) + (10 − 10)(33 − 36) +
(5−1)
(15 − 10)(31 − 36) + (20 − 10)(29 − 36)]

= −53,75

𝑆12= 𝑆21

62,5 −53,75
Jadi matriks varians kovariansnya adalah 𝑆 = [ ]
−53,75 50
𝑆₁₁
𝑟11 = = 1
√𝑆₁₁√𝑆₁₁

𝑆₂₂
𝑟22 = =1
√𝑆₂₂√𝑆₂₂

𝑆₁₂ −53,75
𝑟12 = = = −0,96
√𝑆₁₁√𝑆₂₂ √62,5√50

𝑟12 = 𝑟21
𝑟₁₁ 𝑟₁₂ 1 −0,96
Jadi matriks korelasinya adalah 𝑟 = [𝑟₂₁ 𝑟₂₂] = [ ]
−0,96 1
 C. Matriks jacobians
Matriks Jacobian adalah matriks dari derivatif parsial orde pertama dari fungsi vektor
yang memiliki nilai . Secara khusus, misalkan f: ℝ n → ℝ m adalah fungsi dengan x ∈
n m.
ℝ dan f (x) ∈ ℝ Kemudian J matriks Jacobian dari f adalah m × n matriks,
biasanya didefinisikan dan diatur sebagai berikut:

𝜕𝑓₁ 𝜕𝑓𝑛
⋯
𝑑𝒇 𝜕𝒇1 𝜕𝒇𝑛 𝜕𝑥₁ 𝜕𝑥𝑛
𝑱 = = [ … ] = ⋮ ⋱ ⋮
𝑑𝒙 𝜕𝑥₁ 𝜕𝑥𝑛 𝜕𝑓𝑛 𝜕𝑓𝑛
⋯
[𝜕𝑥₁ 𝜕𝑥𝑛 ]

atau,

𝜕𝑓𝑖
𝐽𝑖,𝑗 =
𝜕𝑥𝑗

Matriks Jacobian ini penting karena jika fungsi f adalah terdiferensialkan pada titik x,
maka matriks Jacobian mendefinisikan linear peta ℝ n → ℝ m, yang merupakan pendekatan
linear terbaik dari fungsi f di dekat titik x. Peta linear ini disebut turunan atau diferensial dari
f di x.

Determinan matriks jacobian

Determinan dari matriks jacobian dirumuskan dengan :

𝑋 𝑋𝑣 𝝏𝒙 𝝏𝒚 𝝏𝒙 𝝏𝒚
𝒅𝒆𝒕 (𝑱) = | 𝑢 |= −
𝑌𝑢 𝑌𝑣 𝝏𝒖 𝝏𝒗 𝝏𝒗 𝝏𝒖
 Contoh soal

1. Tentukan matriks jacobians dan determinannya dari fungsi dibawah ini

𝑥2𝑦
F(x,y) = [ ]
5𝑥 + sin 𝑦

Pembahasan :

Dik : f₁ (x,y) = x2y

f₂(x,y) = 5x + sin y

dan matriks Jacobian dari F adalah

𝜕𝑓₁ 𝜕𝑓₁
𝜕𝑥 𝜕𝑦 2𝑥𝑦 𝑥2
Jf(x,y) = [𝜕𝑓₂ 𝜕𝑓₂
] =[ ]
5 cos 𝑦
𝜕𝑥 𝜕𝑦

dan determinan Jacobian adalah

det(Jf(x,y)) = 2xy cos y – 5x2

2. Transformasi dari koordinat polar (r, φ) ke koordinat Cartesian (x, y), diberikan oleh
fungsi F: ℝ + × [0, 2 π) → ℝ 2 dengan komponen:

x = r cos 𝜑
y = r sin 𝜑

Tentukan matriks jacobiansnya!

Pembahasan :

𝜕𝑥 𝜕𝑥
𝜕𝑟 𝜕𝜑 𝑐𝑜𝑠 𝜑 −𝑟 𝑠𝑖𝑛 𝜑
𝑱(𝑟, 𝜑) = = [ ]
𝜕𝑦 𝜕𝑦 𝑠𝑖𝑛 𝜑 𝑟 𝑐𝑜𝑠 𝜑
[ 𝜕𝑟 𝜕𝜑]
3. Transformasi dari koordinat bola (r, θ, φ) ke koordinat Cartesian (x, y, z) dengan
komponen :

𝑥 = 𝑟 𝑠𝑖𝑛 𝜃 𝑐𝑜𝑠 𝜑
𝑦 = 𝑟 𝑠𝑖𝑛 𝜃 𝑠𝑖𝑛 𝜑
𝑧 = 𝑟 𝑐𝑜𝑠 𝜃
Tentukan matriks jacobiansnya!

Pembahasan :

𝜕𝑥 𝜕𝑥 𝜕𝑥
𝜕𝑟 𝜕𝜃 𝜕𝜑
𝜕𝑦 𝜕𝑦 𝜕𝑦
𝑱𝑭 (𝑟, 𝜃, 𝜑) =
𝜕𝑟 𝜕𝜃 𝜕𝜑
𝜕𝑧 𝜕𝑧 𝜕𝑧
[ 𝜕𝑟 𝜕𝜃 𝜕𝜑]

sin 𝜃 cos 𝜑 𝑟 cos 𝜃 cos 𝜑 −𝑟 sin 𝜃 sin 𝜑

= [ sin 𝜃 sin 𝜑 𝑟 cos 𝜃 sin 𝜑 𝑟 sin 𝜃 cos 𝜑 ]
cos 𝜃 −𝑟 sin 𝜃 0

4. Tentukanlah Determinan Jacobian dari fungsi F: ℝ 3 → ℝ 3 dengan komponen

𝑦1 = 5𝑥 2

𝑦2 = 4𝑥12 − 2 𝑠𝑖𝑛 (𝑥2 𝑥3 )

𝑦3 = 𝑥2 𝑥3

Pembahasan :

𝜕𝑦1 𝜕𝑦1 𝜕𝑦1

𝜕𝑥3 |
|𝜕𝑥1 𝜕𝑥2
𝜕𝑦2 𝜕𝑦2 𝜕𝑦2
𝐽𝑓 (𝑥1 , 𝑥2 , 𝑥3 ) =
𝜕𝑥1 𝜕𝑥2 𝜕𝑥3
|𝜕𝑦 𝜕𝑦3 𝜕𝑦3 |
3
𝜕𝑥1 𝜕𝑥2 𝜕𝑥3
 0 5 0
5 0
|8𝑥1 −2𝑥3 cos(𝑥2 𝑥3 ) −2𝑥2 cos(𝑥2 𝑥3 )| = −8𝑥1 | | = −40𝑥1 𝑥2
𝑥3 𝑥2
0 𝑥3 𝑥2

5. Buatlah matriks jacobian dari komponen berikut :

𝑦1 = 𝑥1
𝑦2 = 5𝑥3
𝑦3 = 4𝑥22 − 2𝑥3
𝑦4 = 𝑥3 𝑠𝑖𝑛𝑥1

Pembahasan :

𝜕𝑦1 𝜕𝑦1 𝜕𝑦1

𝜕𝑥1 𝜕𝑥2 𝜕𝑥3
𝜕𝑦2 𝜕𝑦2 𝜕𝑦2
𝜕𝑥1 𝜕𝑥2 𝜕𝑥3
𝐽𝑓 (𝑥1 , 𝑥2 , 𝑥3 ) =
𝜕𝑦3 𝜕𝑦3 𝜕𝑦3
𝜕𝑥1 𝜕𝑥2 𝜕𝑥3
𝜕𝑦4 𝜕𝑦4 𝜕𝑦4
[𝜕𝑥1 𝜕𝑥2 𝜕𝑥3 ]

1 0 0
0 0 5
= [ 0 −2 ]
8𝑥2
𝑥3 𝑐𝑜𝑠𝑥1 0 𝑠𝑖𝑛𝑥1
 Daftar pustaka

Johnson, R,A. Dan Wichern, D,W. 2002. Applied Multivariate Statistical Analysis. Fifth Edition.

Prentice Hall.New Jersey.

http://www.slideshare.net/dyahanindita/multivariate-analysis

Mathai, A.M. 1997. Jacobians of matrix transformations and functions of matrix .world scientific

publishing Co. ptc,ltd.Singapore.

math.etsu.edu/multicalc/prealpha/Chap3/Chap3-3/printversion.pdf

informatika.stei.itb.ac.id/.../Variansi%20dan%20Kovariansi.pdf

irma.lecturer.pens.ac.id/Statistik/Kovarian%20dan%20Korelasi.pdf