Distribusi Normal

Multivariat dan
Sifat2nya
Dr. Suci Astutik, S.Si., M.Si.
Distribusi Normal Univariat
Pdf normal univariat : X ~ N (  ,  2 )

1  1 ( x −  )2 
f ( x) = exp − ;−  x,  
2  2
 2  2

Distribusi Normal Bivariat
X  1    12  12 
Pdf normal univariat : 𝐗~𝑁2 (𝛍, 𝜮); X =   μ =   = 
 2   
 21  2 
2
Y 
1
1 − Q 1
− Q
1
f ( x, y ) = e 2
; x, y   OR f ( x) = e 2
; x  2 Q = u t  −1 u = u
2
 −1
2  1  2 1 −  2
2 

−   x  ; −  y  

1 
 x − 1 
2
 x − 1  y −  2   y −  2  
2

Q= 
  − 2   
          +  
1−  2   1       
 1 2 2 

Ko var iansi antara X dan Y  12

= =
Variansi X . Variansi Y  1 2
Distribusi Normal Bivariat
Q disebut sebagai bentuk kuadrat
 disebut generalized variance

Beberapa sifat penting pada distribusi normal bivariate antara lain :

1. Distribusi marginal dari X dan Y adalah normal univariate
2. Distribusi bersyarat dari X diketahui Y=y ataupun dari Y diketahui X=x adalah juga
normal univariate.
3. Variabel random Z=aX+bY di mana a dan b tidak semuanya nol, berdistribusi normal
univariat.
4. X dan Y independent jika dan hanya jika  = 0
Distribusi Normal Bivariat
Distribusi Normal Bivariat
Distribusi Normal Bivariat
Distribusi Normal Bivariat
Contoh:
Jawab:
Distribusi Normal Bivariat
Contoh:
Jawab:
Distribusi Normal Multivariat
Pdf normal univariat : 𝐗~𝑁𝑝 (𝛍, 𝜮);

1
1 − Q
f ( x) = e 2
−   xi  ; i = 1,2,..., p
(2 ) p/2


Q = (x − μ) t  −1 (x − μ)

 X1   x1   E ( X 1 )   1    12  12 ...  1 p 
         
 2
X  x2   E ( X 2 
)  2    21  22  2p 
X= x=  μ = E ( X) =  =  = E[( X − μ)( X − μ)' ] = 
:  : :   :   : : 
       
X   ...  p2 
 p x   E( X )    
 p   p  p1  p 2
 p
Kontur dari Distribusi Normal Multivariat
Contoh Kontur dari Distribusi Normal Bivariat
Contoh Kontur dari Distribusi Normal Bivariat
Contoh Kontur dari Distribusi Normal Bivariat
Contoh Kontur dari Distribusi Normal Bivariat
Kontur /elipsoid dari distribusi normal bivariat

  3 2  
X ~ N 2  0,  

  2 3  
Sifat-sifat Distribusi Normal Multivariat
Sifat-sifat Distribusi Normal Multivariat
Contoh :
Jawab:
Kerjakan:
Sebaran Penarikan Sampel dan Pendugaan
Parameter Distribusi Normal Multivariat
1
Fkp : f ( x) =
1
e
− Q
2

(2 ) p/2


Fungsi Likelihood :
 1 n 
exp −  (x i − μ )'  −1 (x i − μ )
1
L(μ, ) = 1 1

(2 )   2 i =1 
np 2
n
2

Ln dari likelihood :

l (μ, ) = − np ln( 2 ) − n ln  − tr A  −1 − n (x − μ )'  −1 (x − μ )

1 1 1 1
2 2 2 2
 Pendugaan Parameter Distribusi Normal
Multivariat
Dengan melakukan tunanan pertama dari fungsi ln terhadap masing2 paramater akan diperoleh : (Anderson
(1958) hal 47-48)
Penduga yang bias :

ˆ 1 
 =  A
n 
Penduga yang tak bias :

 1 
ഥ
ෝ=𝐗
𝛍 S= A
 n −1 
Vektor Rata-rata sampel
Matriks varians kovarians sampel
Sebaran Penarikan Sampel Penduga
Parameter Distribusi Normal Multivariat
Sebaran Penarikan Sampel Penduga
Parameter Distribusi Normal Multivariat
Sebaran Penarikan Sampel Penduga
Parameter Distribusi Normal Multivariat
Pemeriksaan Distribusi Normal Multivariat
(Q-Q Plot)
Pemeriksaan Distribusi Normal Multivariat
(Q-Q Plot)
Jika data tidak berdistribusi normal multivariate, maka :
1. Periksa outliers atau error dalam data. Jika ditemukan outliers,
gunakan metode robust. Catatan : terkadang outliers merupakan
observasi yang informative dalam himpunan data sebagai nilai
observasi yang berbeda dengan yang lain.
2. Gunakan transformasi untuk satu atau lebih variabel. Misal :
Variabel berdistribusi lognormal, maka digunakan transformasi
logaritma.
3. Gunakan metode robust atau metode multivariat alternative jika
ada.
4. Gunakan metode resampling (Monte Carlo, bootstrap atau
metode permutasi).
Pemeriksaan Distribusi Normal Multivariat
(Q-Q Plot)
Jika data tidak berdistribusi normal multivariate, maka :
1. Periksa outliers atau error dalam data. Jika ditemukan outliers,
gunakan metode robust. Catatan : terkadang outliers merupakan
observasi yang informative dalam himpunan data sebagai nilai
observasi yang berbeda dengan yang lain.
2. Gunakan transformasi untuk satu atau lebih variabel. Misal :
Variabel berdistribusi lognormal, maka digunakan transformasi
logaritma.
3. Gunakan metode robust atau metode multivariat alternative jika
ada.
4. Gunakan metode resampling (Monte Carlo, bootstrap atau
metode permutasi).
Terima kasih