MODEL LINEAR

RINGKASAN MATERI SECTION 2.3

OLEH
KELOMPOK C

ANGKATAN 2018 / KELAS 01

1. Nurul Imania Kalla (1817140011)
2. Rezki Amalia Idrus (1817140017)
3. Natasya (1817141021)
4. Sanra Ariani (1817141023)
5. Arjian Syuhri (1817142009)
6. Meldasari (1817142015)

7. Rahmawati (1817142019)
8. Nurul Izzah Takdir (1817142021)
9. Musdalifah M. Ramly (1817142029)

10. Naila Rahmadani Susanto (1817142033)

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI MAKASSAR
TAHUN 2020
2.3 DISTRIBUSI BEBERAPA BENTUK KUADRATIK KHUSUS
Pada bagian ini kami memperkenalkan distribusi yang mendasari banyak teori model
statistik linier yaitu distribusi chi- kuadrat non-sentral.
Definsi 2.3.1

Misal y adalah sebuah vektor acak berdistribusi normal k × 1 dengan mean µ dan varians I.
Kemudian y’y mengikuti distribusi chi- kuadrat non-sentral dengan derajat kebebasan k dan
parameter non-sentralitas . Kita menunjukkan variabel acak seperti itu dengan

Definisi ini memiliki banyak aspek. Pertama, ketika y berdistribusi normal dengan mean µ,
kita mengimplikasikan bahwa variabel acak yang merupakan vektor acak y
terdistribusi normal dengan mean berturut-turut .

Kedua, untuk mengatakan bahwa var y = I artinya matriks varians-kovarians dari y adalah
matriks identitas. Ini artinya varians dari masing-masing variabel acak adalah 1
dan semua kovariansnya = 0. Jadi, kita berurusan dengan kumpulan variabel acak k
terdistribusi normal independen dengan mean dan varians umum 1.

Ketiga, variabel acak y’y adalah jumlah kuadrat. Maka ∑ . Definisi tersebut
kemudian menunjukkan bahwa jumlah kuadrat dari setiap variabel acak terdistribusi normal
independen k dengan varians 1 mengikuti apa yang nantinya disebut distribusi chi- kuadrat
non-sentral. Distribusi ini akan dicirikan oleh dua parameter: k disebut derajat kebebasan dan
disebut parameter non-sentralitas.

Contoh 2.3.1
Misal dan variabel acak berdistribusi normal independen dengan varians umum 1
dan masing-masing mean-nya adalah 4, 2, dan -2.

[ ] dan var y = [ ]

Dari definisi 2.3.1. ∑ mengikuti distribusi chi-kuadrat non-sentral dengan

derajat kebebasan k = 3 dan parameter non-sentralitas

( ) ( )[ ][ ]
Kita menunjukkan variabel acak ini dengan .

Variabel yang dapat diekspresikan sebagai jumlah kuadrat k variabel acak normal standar
independen, z1,z2,..,zk. Karena istilah normal standar berarti mean 0 dan varians 1,
z berdistribusi normal dengan µ = 0 dan var z = I. Menurut definisi 2.3.1,

Mengikuti distribusi chi-kuadrat non-sentral dengan derajat kebebasan k dan parameter non-

sentralitas ( ) Artinya, variabel acak chi-kuadrat biasa hanyalah variabel

acak chi-kuadrat non-sentral dengan parameter non-sentralitas 0. Secara notasi, kita menulis
dengan pemahaman bahwa λ=0 sehingga variabel acak ini disebut sebagai variabel acak
chi-kuadrat.

Teorema 2.3.1

Misalkan Xk1,λ1,Xk2,λ2,…Xkn,λn adalah kumpulan n variabel acak chi-kuadrat non-sentral

independen dengan k1,k2,…,kn derajat kebebasan dan parameter non-sentralitas masing-
masing λ1,λ2,…,λn. Kemudian

mengikuti distribusi chi-kuadrat non-sentral dengan derajat kebebasan k = k1 + k2 + … + kn

dan parameter non-sentralitas λ = λ1 + λ2 + … + λn. Yaitu,

Teorema 2.3.2

Misalkan y adalah vektor acak n x 1 yang terdistribusi normal dengan mean µ dan varians I.
Misalkan A adalah matriks simetris n x n. Kemudian y 'Ay mengikuti distribusi chi- kuadrat

non-sentral dengan derajat kebebasan k dan parameter non-sentralitas λ ( ) dan

hanya jika A adalah idempoten dari rank k.

Bukti :

Asumsikan A simetris dan idempoten rank k. Teorema 1.4.1 mengatakan bahwa terdapat
matriks ortogonal P yang mendiagonalisasi A dan menampilkan nilai eigennya di sepanjang
diagonal utama. Artinya, ada matriks ortogonal P sedemikian rupa

Karena A idempoten, nilai eigen ini semuanya 0 atau 1 (Teorema 1.5.1). Karena pangkat
matriks idempoten simetris sama dengan jejaknya (Teorema 1.5.2), r (A) = tr (A) = k.
Namun, tr (P'AP) = tr (PP'A) = tr (A), dan kita dapat menyimpulkan bahwa
tr (P'AP) = ∑ . Ini menyiratkan bahwa k dari nilai eigen ini haruslah satu dan sisa
n-k adalah nol. Oleh karena itu, kita dapat mengatur ulang kolom P'AP dan mempartisi
matriks sebagai berikut

di mana I adalah matriks identitas k x k. Sekarang tentukan vektor acak z dengan z = P'y.
Kita dapat menulis z dalam bentuk terpartisi sebagai berikut

di mana z1 adalah vektor k x 1 dan z2 adalah vektor (n-k) x 1. Demikian pula, P dipartisi
sehingga

dimana P1 adalah matriks n x k dan P2 adalah matriks n x (n-k). Disubtitusi menjadi

Dimana y adalah vektor k x 1 dan y adalah vektor (n - k) × 1. Secara khusus, kita

dapat menyimpulkan bahwa = y. Perhatikan bahwa entri dalam vektor adalah
kombinasi linier dari variabel acak independen yang terdistribusi normal maka
setiap entri itu sendiri merupakan variabel acak yang terdistribusi normal. Sekarang
perhatikan bentuk kuadratik y'Ay. Karena z = P'y, kita tahu bahwa Pz = P Pꞌy. Namun, P
adalah ortogonal dan PP' = I, dan kita dapat menyimpulkan bahwa y = Pz. Substitusikan

yꞌAy = (Pz)ꞌ A(Pz)

= zꞌ Pꞌ APz

=[ | ]* +[ ]

Entri dalam semuanya adalah variabel acak yang terdistribusi normal. Oleh karena itu
adalah jumlah kuadrat dari variabel acak yang terdistribusi normal.

Untuk menemukan µ, gunakan aturan untuk ekspektasi (Bagian 2.2). Karena = y,

maka [ ] = [ ]= [ ]= µ.

Aturan varians (Bagian 2.2) digunakan untuk melihat bahwa var = var y
= V dimana V adalah matriks varians-kovarians dari y. Dalam hal ini, V = I dan kita
memiliki var = . Oleh karena itu, terbukti bahwa adalah sebuah vektor acak
k x 1 terdistribusi normal dengan mean µ dan varians I. Dari definisi, mengikuti
distribusi chi-kuadrat non-sentral dengan derajat kebebasan k dan parameter non-sentralitas

λ= ( µ)ꞌ ( µ) = µꞌ µ

= A dan karenanya λ = µꞌAµ sudah terbukti.

Akibat wajar 2.3.1

Misalkan y adalah vektor acak berdistribusi normal n x 1 dengan mean 0 dan varians I.
Misalkan A adalah matriks simetris n x n. Maka y' Ay mengikuti distribusi chi-kuadrat
dengan derajat kebebasan k jika dan hanya jika A idempoten dari rank k.

Akibat wajar 2.3.2

Misalkan y adalah vektor acak berdistribusi normal n x 1 dengan mean µ dan varians I
dimana > 0. Misalkan A adalah matriks simetris n x n. Maka ⁄ y'Ay mengikuti
distribusi chi- kuadrat non-sentral dengan derajat kebebasan k dan λ = ⁄ µꞌAµ jika
dan hanya jika A idempoten dari rank k.
DISTRIBUSI NORMAL MULTIVARIAT

Definisi 2.3.2

Misalkan y adalah vektor acak n × 1 terdistribusi normal dengan mean µ dan varians I.
Misalkan C adalah matriks nonsingular n × n dan definisikan vektor acak z dengan

z = Cꞌ y

Kemudian z dikatakan mengikuti distribusi normal multivariat. Kita menyebut z variabel

acak normal multivariat.

Definisi ini memiliki beberapa implikasi penting. Pertama, setiap entri di z adalah kombinasi
linier dari variabel acak terdistribusi normal bebas dan karenanya setiap entri itu
sendiri adalah variabel acak yang berdistribusi normal.

Kedua, aturan untuk ekspektasi dan varians yang diberikan dalam Bagian 2.2 dapat
diterapkan untuk menunjukkan bahwa E [z] = Cꞌµ dan var z = CꞌIC = CꞌC. Artinya, matriks
varians-kovarians dari variabel acak normal multivariat selalu dapat diekspresikan dalam
bentuk CꞌC untuk beberapa matriks nonsingular C.

Ketiga, vektor acak berdistribusi normal y yang kita pelajari sebelumnya adalah variabel acak
normal multivariat khusus. Untuk melihat ini, perhatikan bahwa matriks identitas I adalah
nonsingular dan y = Iꞌy.

Teorema 2.3.3

Misalkan y adalah variabel acak normal multivariat n × 1 dengan mean µ dan varians V.
Misalkan A adalah matriks simetris n × n. Maka yꞌAy mengikuti distribusi chi-kuadrat non-
sentral dengan derajat kebebasan k dan parameter non-sentralitas λ = µꞌAµ jika dan hanya
jika AV idempoten dari rank k.

Bukti :

Karena y adalah variabel acak normal multivariat, terdapat matriks C nonsingular sehingga
V = CꞌC. Sekarang definisikan vektor acak z oleh

z= (y-µ)
Aturan untuk ekspektasi dan varians dapat digunakan untuk menunjukkan bahwa E[z] = 0
dan var z = I. Perhatikan bahwa y dapat ditulis dalam suku-suku dari z dengan mengalikan z
dengan Cꞌ dan menyelesaikan y untuk mendapatkan

y = Cꞌz + µ

Substitusi, bentuk kuadratik yꞌAy yang ditulis sebagai

yꞌAy = (Cꞌz + µ)ꞌA(Cꞌz + µ)

Itu bisa dibuktikan bahwa

(Cꞌz + µ)ꞌA(Cꞌz + µ) = uꞌBu

dimana u = z + (Cꞌ)-1µ dan B = CACꞌ . Catat bahwa u terdistribusi normal dengan mean
(Cꞌ)-1µ dan varians I. Kita sekarang tahu bahwa

yꞌAy = uꞌBu

dan vektor acak u memenuhi kondisi Teorema 2.3.2. Dengan mengaplikasikan teorema ini,
kita dapat menyimpulkan bahwa yꞌAy = uꞌBu mengikuti distribusi chi-kuadrat non-sentral
dengan derajat bebas k dan parameter non-sentralitas λ = ) × [(Cꞌ)-1µ]ꞌB[(Cꞌ)-1µ] jika dan
hanya jika B = CACꞌ adalah idempoten dari rank k.

Mudah untuk menunjukkan bahwa λ = ) µꞌAµ. Oleh karena itu, pembuktian akan lengkap

ketika kita menunjukkan bahwa B adalah idempoten dari rank k jika dan hanya jika AV
adalah idempoten dari rank k. Agar B idempoten, kita harus memiliki B2 = B. Substitusi dan
ingat bahwa C C = V, kita harus memiliki

(CACꞌ) (CACꞌ) = CACꞌ

CA(CꞌC) ACꞌ = CACꞌ

CAVACꞌ = CACꞌ

Kesetaraan ini berlaku jika dan hanya jika

C-1 CAV AC C = C-1 CAC C

(AV)(AV) = AV

Artinya B idempoten jika dan hanya jika AV adalah idempoten. Untuk melengkapi bukti kita
perlu tahu bahwa kita memiliki distribusi chi-kuadrat non-sentral jika dan hanya jika r(B) = k
dimana r(B) = r(CACꞌ) = r(ACꞌC) = r(AV). Sehingga kita harus memiliki r(AV) = k seperti
yang dibuktikan.

Akibat wajar 2.3.3

Misalkan y adalah variabel acak normal multivariat n × 1 dengan rataan 0 dan ragam V.
Misal A matriks simetris n × n. Kemudian yꞌAy mengikuti distribusi chi-kuadrat dengan
derajat bebas k jika dan hanya jika AV idempoten dari rank k.

Akibat wajar 2.3.4

Misalkan y adalah variabel acak normal multivariat n x 1 dengan rataan µ dan ragam V.
Kemudian y'V-1 y mengikuti distribusi chi-kuadrat non-sentral dengan derajat kebebasan n
dan parameter non-sentralitas λ = (