NIM : 211910972
Kelas : 3SE2
Kode : 03L57ZN
Dengan inner product dari dua vektor adalah 𝒙′ 𝒚 = 𝑥1 𝑦1 + 𝑥2 𝑦2 dan definisi 𝐿𝑥 = √𝒙′𝒙.
Karena cos(𝜃) = 0 hanya jika 𝒙′ 𝒚 = 𝟎 sehingga x dan y tegak lurus saat 𝒙′ 𝒚 = 0. Vektor
𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒏 yang memiliki dimensi yang sama dikatakan linearly dependent jika terdapat
konstanta 𝑐1 , 𝑐2 , … , 𝑐𝑘 tidak semuanya 0.
Proyeksi vektor x ke vektor y dan panjangnya adalah sebagai berikut:
(𝒙′ 𝒚) (𝒙′ 𝒚) 1 |𝒙′ 𝒚|
𝑃𝑟𝑜𝑦𝑒𝑘𝑠𝑖 = 𝒚= 𝒚 𝑃𝑎𝑛𝑗𝑎𝑛𝑔 𝑝𝑟𝑜𝑦𝑒𝑘𝑠𝑖 = = 𝐿𝑥 |cos(𝜃)| (2-3)
𝒚′𝒚 𝐿𝑦 𝐿𝑦 𝐿𝑦
Matriks
Matriks adalah aray persegi yang mempunyai 𝑛 baris dan 𝑝 kolom. Matriks dapat
ditranspose, dikali dengan konstanta 𝑐, dan dijumlahkan dengan matriks lain dengan operasi 𝑎𝑖𝑗 +
𝑏𝑖𝑗 . Matrix product AB (A(n x k) B(k x p)) akan menjadi matriks dengan dimensi (𝑛 × 𝑝). Matriks
persegi dikatakan simetris jika 𝑨 = 𝑨’ atau 𝑎𝑖𝑗 = 𝑎𝑗𝑖 untuk semua 𝑖 dan 𝑗. I adalah matriks
identitas karena I(k x k) A(k x k) = A(k x k)I(k x k) = A(k x k).
Matriks B adalah invers matrik jika BA = AB = I, atau dapat dinotasikan sebagai 𝑨−𝟏 .
Orthogonal matriks memiliki karakteristik 𝑸𝑸’ = 𝑸’𝑸 = 𝑰 atau 𝑸′ = 𝑸−𝟏 . Jika Q memiliki
baris ke-i 𝒒𝒊 ′, 𝑸𝑸′ = 𝑰 mengindikasikan bahwa 𝒒′𝒊 𝒒𝒊 = 1 dan 𝒒′𝒋 𝒒𝒋 = 0 sehingga baris memiliki
panjng unit dan saling tegak lurus sedangkan kolom memiliki properti yang sama.
Matriks persegi A memiliki 𝑒𝑖𝑔𝑒𝑛𝑣𝑎𝑙𝑢𝑒 𝜆 dengan eigenvektor 𝒙 ≠ 𝟎 jika 𝑨𝒙 = 𝝀𝒙. Eigenn
vektor dapat dipilih untuk memnuhi 1 = 𝑒1′ 𝑒1 = ⋯ = 𝑒𝑘′ 𝑒𝑘 dan saling tegak lurus. Setiap
eigenvektor bernilai unik kecuali dua atau lebih nilai eigenvaluenya sama.
sehingga
1
𝑨−𝟏 = 𝑷𝚲−𝟏 𝑷′ = ∑𝒌𝒊=𝟏 𝝀 𝒆𝒊 𝒆′𝒊 (2-6)
𝒊
karena (𝑷𝚲−𝟏 𝑷′ )𝑷𝚲𝑷′ = 𝑷𝚲𝑷′ (𝑷𝚲−𝟏 𝑷′ ) = 𝑷𝑷′𝑰. Matriks ∑𝒌𝒊=𝟏 √𝝀𝒊 𝒆𝒊 𝒆′𝒊 = 𝑷𝚲𝟏/𝟐 𝑷′ disebut
square root dari 𝑨 yang dinotasikan sebagai 𝑨𝟏/𝟐 , sehingga matriks square root dari matriks positif
terhingga A adalah
𝑨𝟏/𝟐 = ∑𝒌𝒊=𝟏 √𝝀𝒊 𝒆𝒊 𝒆′𝒊 = 𝑷𝚲𝟏/𝟐 𝑷′ (2-7)
dengan ketentuan sebagai berikut.
1. (𝑨𝟏/𝟐 )′ = 𝑨𝟏/𝟐 yang artinya 𝑨𝟏/𝟐 simetris
2. 𝑨𝟏/𝟐 𝑨𝟏/𝟐 = 𝑨
𝟏 −𝟏
𝟏 𝟏
3. (𝑨 )
𝟐 = ∑𝒌𝒊=𝟏 𝒆𝒊 𝒆′𝒊 = 𝑷𝚲−𝟏/𝟐 𝑷′ dimaan 𝚲−𝟏/𝟐 adalah diagonal matriks dengan
√𝝀𝒊 √𝝀𝒊
Ukuran dari hubungan linier antara variabel 𝑋𝑖 dan 𝑋𝑘 adalah dilihat dari kovarians. Saat 𝑖 = 𝑘
kovarians menjadi marginal varians.
Jika 𝑋𝑖 , 𝑋𝑘 adalah variabel acaka
kontinyu dengan probability density
function 𝑓𝑖𝑘 (𝑥𝑖𝑘 )
Jika 𝑋𝑖𝑗 , 𝑋𝑘 adalah variabel acak diskrit
dengan probability density function
𝑝𝑖𝑘 (𝑥𝑖𝑘 )
Jika joint probability 𝑃[𝑋𝑖 ≤ 𝑥𝑖 𝑑𝑎𝑛 𝑋𝑘 ≤ 𝑥𝑘 ] dapat ditulis sebagai produk dari peluang
marginal yang bersesuaian, maka 𝑃[𝑋𝑖 ≤ 𝑥𝑖 𝑑𝑎𝑛 𝑋𝑘 ≤ 𝑥𝑘 ] = 𝑃[𝑋𝑖 ≤ 𝑥𝑖 ]𝑃[𝑋𝑘 ≤ 𝑥𝑘 ] untuk
semua pasangan nilai 𝑥𝑖 , 𝑥𝑘 maka 𝑋𝑖 , 𝑋𝑘 dapat dikatakan indepnden secara statistik.
Apabila 𝑝 random variabel kontinyu 𝑋1 , 𝑋2 , … , 𝑋𝑝 adalah mutually statistically indepndent
jika joint density dapat difaktorkan menjadi 𝑓12…𝑝 (𝑥1 , 𝑥2 , … , 𝑥𝑝 ) = 𝑓1 (𝑥1 )𝑓2 (𝑥2 ) … 𝑓𝑝 (𝑥𝑝 ). Hal ini
akan menyebabkan kovarians 𝐶𝑜𝑣(𝑋𝑖 , 𝑋𝑘 ) = 0 karena 𝑋𝑖 , 𝑋𝑘 indepnden.
Mengacu pada 𝝁 dan 𝚺 sebagai mean populasi (vektor) dan populasi varians kovarians secara
𝜎𝑖𝑘
bertutut-turut. Populasi koefisien korelasi 𝜌𝑖𝑘 = yang menunjukkan besarnya hubungan
√𝝈𝒊𝒊 √𝝈𝒌𝒌
linier antara random variabel 𝑋𝑖 𝑑𝑎𝑛 𝑋𝑘 . Berikut ini matriks simetris 𝑝 × 𝑝 dari populasi korelasi.
Vektor Mean dan Matriks Kovarians untuk Kombinasi Linier Random Variabel
Jika terdapat sebuah kombinasi linier dari 𝑝 variabel acak 𝒄′ 𝑿 = 𝑐1 𝑋1 + ⋯ + 𝑐𝑝 𝑋𝑝
memiliki
𝑚𝑒𝑎𝑛 = 𝐸(𝒄′ 𝑿) = 𝒄′ 𝝁 dan 𝑣𝑎𝑟𝑖𝑎𝑛𝑠 = 𝑉𝑎𝑟(𝒄′ 𝑿) = 𝒄′ 𝚺𝒄
dimana 𝝁 = 𝐸(𝑿) dan 𝚺 = 𝐶𝑜𝑣(𝑿). Dari 𝑞 kombinasi linier dari 𝑝 variabel acak 𝑋1 , . . , 𝑋𝑝 :