STATISTIKA
S T A T I S T I K A
Alauddin Makassar hingga sekarang. Mengikuti berbagai pelatihan
profesional dan juga sebagai trainer-Pelatihan Modul Dasar BTL,
LSE, ICT bagi guru SMT/MTS mitra DBE3 USAID Indonesia-2008-
2009, fasilitator pada workshop pembelajaran PAKEM dan
penggunaan alat peraga matematika bagi guru SD/MI se-
kabupaten Bulukumba. Jabatan Struktural, Ketua Jurusan
Matematika, Sekretaris LPM UIN Alauddin Makassar.
MULTIVARIAT
M U L T I V A R I A T
Adnan Sauddin, lahir Teomokole pada Tahun 1974 bulan Mei
tanggal 17. Suatu daerah kepulauan (Pulau Kabaena) di Kabupaten
Bombana. Anak ke-16 dari enam belas bersaudara. Menyelesaikan
Pendidikan Magister pada Jurusan Statistika Institut Teknologi
Sepuluh November Surabaya pada tahun 2007, Tahun 2000
menyelesaikan studi pada Jurusan Pendidikan Matematika Institut
Keguruan dan Ilmu Pendidikan (tahun 1998 berubah menjadi
UNM). Selama mengikuti Pendidikan penulis terlibat pada
beberapa organisasi .
Sejak tahun 2000, penulis mulai aktif mengajar di Lembaga
Pendidikan -STMIK Balikpapan- dan berkesempatan mengikuti
berbagai pelatihan profesional. Pada tahun 2013 penulis hijrah ke
Sulawesi Selatan dan terdaftar sebaik pengajar pada Jurusan
Matematika Fakultas Sains dan Teknologi Universitas Islam Negeri
Alauddin Makassar hingga sekarang.
Irwan, S.Si., M.Si. & Adnan Sauddin, S.Pd., M.Si.
ISBN 602-328-456-6
9 786023 284566
Alauddin University Press
iv
PENGANTAR PENULIS
Penulis
Adnan Sauddin
v
DAFTAR ISI
vii
3. Distribusi Sampel Multivariate Normal ................................... 39
4. Menilai Asumsi Normalitas Multivariat ................................... 44
5. Mendeteksi Data Pencilan dan Cleaning Data ....................... 52
6. Transformasi Normalitas .......................................................... 53
Latihan Soal ...................................................................................... 54
BAB IV INFERENSI VEKTOR RATA-RATA ............................................. 57
1. Uji µ Saat Σ Diketahui ........................................................... 57
2. Uji µ saat Σ tidak Diketahui .................................................. 60
viii
BAB I
KONSEP DASAR ANALISIS MULTIVARIAT
1. Data Multivariat
Data multivariate merupakan data hasil pengamatan terhadap p ≥ 1
variabel sebanyak n kali. Nilai hasil pengamatan dari setiap variabel
disebut item atau unit eksperimen. Untuk menjelaskan struktur data
multivariat, digunakan symbol x ij yang menyatakan pengamatan ke- i
dari variabel ke − j , ditulis:
x ij = Nilai variabel ke- j pada pengamatan ke-i
1
Dimana susunan tersebut dapat disederhanakan dalam bentuk array,
yang disebut matriks X berukuran n × p , lihat persamaan (0.1).
x11 x12 ⋯ x1 j ⋯ x1p
x ⋯ x2 j ⋯ x 2p
21 x 22
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
X = (0.1)
x i1 x i 2 ⋯ x ij ⋯ x ip
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
x n1 xn 2 ⋯ xnj ⋯ x np
Array X memuat semua data hasil pengamatan dari semua variabel.
Perhatikan matriks yang ditampilkan pada persamaan (0.1), bahwa:
Jika kita pandang dari barisnya, maka xi = x i 1 , x i 2 , ⋯ , x ip
Jika kita pandang dari kolomnya, maka x j = x 1 j , x 2 j , ⋯ , x nj
Contoh 1.1.
Pemilihan empat buah nota dari suatu toko dilakukan dalam rangka
untuk meneliti penjualan barang tertentu dari toko tersebut. Setiap
nota yang disediakan, jumlah barang tertentu tersebut yang terjual dan
tujuan dari setiap penjualan. Misalkan variabel pertama adalah total
penjualan (dalam Rupiah) dan variabel kedua adalah jumlah barang
tertentu yang terjual. Total empat pengamatan dilakukan.
Datanya dapat disusun sebagai berikut:
Variabel 1 (jumlah penjualan-dalam rupiah) : 42 52 48 58
Variabel 2 (Jumlah buku terjual) : 4 5 5 3
Dengan menggunakan notasi yang telah diperkenalkan sebelumnya,
maka data tersebut susunannya dalam
x 11 = 42 x 21 = 52 x 11 = 48 x 11 = 58
x 11 = 4 x 11 = 4 x 11 = 4 x 11 = 3
2
2. Rata-Rata dan Variansi variabel Acak Univariat
42 4
52 5
X =
48 4
58 3
Untuk memudahkan pemahaman terhadap statistika multivariate,
berikut akan diberikan uraian yang berkaitan dengan matriks data X
dari sudut pandang statistika univariat.
Pandang elemen-elemen x 11 , x 21 , ⋯ , x n 1 dari matriks pengamatan X
pada persamaan (0.1), merupakan hasil pengamatan sebanyak n
kali dari variabel pertama. Dari data tersebut kita dapat menghitung
beberapa nilai statistik berikut:
Rata-Rata Sampel
Rumus umum untuk menghitung rata-rata setiap p variabel dengan n
pengamatan adalah jumlah seluruh pengamatan dibagi dengan
banyaknya pengamatan yang telah dilakukan, ditulis
n
1
xj = ∑ x ij
n i =1
; j = 1, 2, ⋯, p (0.2)
Variansi Sampel
Variansi sampel yang terkait dengan n pengamatan untuk variabel
pertama adalah keadaan setiap data terhadap rata-rata dan dapat
dihitung dengan rumus sebagai berikut:
n
∑ ( x i1 − x 1 )
1 2
s12 =
n i =1
( x ij −x j )
n 2
1
s 2j = ∑
n i =1
; j = 1, 2, ⋯, p (0.3)
3
Untuk diketahui,
Pertama, kebanyakan penulis mendefinisikan variansi dengan
pembagin n − 1 .
Kedua, notasi s2 merupakan symbol dari variansi sampel yang dikenal.
Untuk hal tersebut data multivariate yang disusun dalam bentuk
matriks, bahwa diagonalnya, s jj ,
( x ij −x j )
n 2
1
s 2j = s jj = ∑
n i =−1
; j = 1, 2, ⋯, p (0.4)
( xij −x j )
n 2
1
sj = s jj = ∑
n i =1
; j = 1, 2, ⋯, p (0.5)
4
Beberapa kondisi dari nilai-nilai variabel untuk kovariansi sampel,
1. Jika nilai pengamatan dari suatu variabel merupakan nilai yang
besar dan berkaitan dengan variabel lain dengan nilai yang besar
pula, maka nilai kovariansi antara kedua variabel tersebut positif.
Demikian halnya jika kedua variabel yang saling berkaitan memiliki
nilai yang kecil secara bersama-sama, maka s12 hasilnya adalah
positif atau nilai kovariansinya adalah positif.
2. Jika nilai dari salah satu variabel yang saling berkaitan memiliki
nilai-nilai pengamatan yang besar dan variabel yang lainnya
memiliki nilai pengamatan yang kecil, maka nilia dari s12 hasilnya
adalah negatif atau nilai kovariansinya adalah negatif.
3. Jika tidak ada kaitannya antara nilai bagi kedua variabel, s12 ,
diperkirakan nilainya akan nol atau nilai korelasinya diperkirakan
bernilai nol.
Korelasi Sampel
Ukuran yang menjelaskan keterkaitan secara linear antara dua
variabel tidak bergantung pada unit pengukuran. Rumusnya dituliskan
sebagai berikut:
n
i =1 i =1
5
x 11 x12 ⋯ x1 j ⋯ x 1p x1′ y1′
x ⋯ x2j ⋯ x 2 p x′ y′
21 x 22 2 2
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
X = = atau
xi1 x i 2 ⋯ x ij ⋯ x ip x ′j y ′j
(0.8)
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
x n 1 x n 2 ⋯ x nj ⋯ x np
x p′ y p′
6
2. r merupakan ukuran yang menyatakan kekuatan asosiasi linear,
maka;
a) Jika r = 0 , hal ini menyatakan tidak ada hubungan antara
setiap komponen
b) Jika r < 1 , hubungan negative
c) Jika r > 1 , hubungan positif
3. rij tidak mengalami perubahan jika pengukuran dari variabel ke- i
diubah ke yij = ax ij + b , dan nilai dari variabel ke- j diubah ke
y ij = cx ij + d , dimana tanda dari a, c bertanda sama.
Contoh 1.2
Perhatikan data yang diberikan pada contoh 1.1, setiap invoice
menghasilkan empat pasangan, total penjualan (dalam rupiah), dan
jumlah buku terjual. Tentukan array dari x , s, R .
Solusi 1.2.
Karena ada empat invoice, maka terdapat empat pengamatan
(pengukuran) pada setiap variabel. Dengan demikian
Rata-rata sampelnya adalah
4
1 1
x1 = ∑ xi1 = 4 ( 42 + 52 + 48 + 58 ) = 50
4 i =1
4
1 1
x2 = ∑
4 i =1
xi 2 = ( 4 + 5 + 4 + 3 ) = 4
4
x1 50
x = =
x 4
2
Variansi dan kovariansi sampelnya adalah
4
( )
1 2
s11 = ∑ x i1 −x1
4 i =1
( ) ( 52−50 ) + = 34
2 2
1 42−50 +
=
( ) ( 58−50 )
2 2
4
48−50 +
7
4
∑( x )
1 2
s22 = − x2
4 i2
i =1
+ + +
4
4
1
s12 = (
∑ x −x1 xi2 −x2
4 i =1 i1
)( )
1 ( 42 − 50 )( 4 − 4 ) + ( 52 − 50 )( 5 − 4 ) +
= = −1.5
4 ( 48 − 50 )( 4 − 4 ) + ( 58 − 50 )( 3 − 4 )
S 12 = S 21
dan
34 −1.5
s =
−1.5 0.5
Korelasi sampelnya adalah
s12 −1.5
r12 = =
s11 s22 34 0.5
r12 = r21
atau
1 −0.36
R =
−0.36 1
4. Teknik Grafik
Memetakan data hasil pengamatan pada koordinat kartesis 2-D
diistilahkan dengan kata “Plot”. Plot dari suatu pengamatan
merupakan hal yang penting sebagai analisis permulaan yang
sebaiknya dilakukan untuk melihat pola penyebaran dari sekumpulan
data hasil pengamatan pada sejumlah variabel, namun metode
tersebut banyak dilupakan. Meskipun tidak mungkin untuk
8
menggambarkan keseluruhan dari semua pengukuran yang dilakukan
terhadap variabel, plot untuk individual variabel dan variabel
berpasangan masih sangat berguna dan dapat memberikan banyak
informasi.
Untuk melihat pola asosiasi dari sekumpulan data dari hasil
pengukuran merupakan cara yang sangat bagus. Perhatikan pasangan
hasil pengukuran dari dua variabel berikut:
Variabel x 1 3 4 2 6 8 2 5
Data tersebut dapat diplot dalam dua dimensi (setiap sumbu mewakili
variabel). Plot yang dihasilkan dalam dua dimensi dikenal dengan
diagram pencar atau scatter plot.
Scatterplot of x2 vs x1
10
8
x2
2 3 4 5 6 7 8
x1
9
BAB II
GEOMETRI SAMPEL DAN SAMPEL ACAK
1. Geometri Sample
Suatu pengamatan multivariate adalah kumpulan hasil pengamatan
pada p variabel yang berbeda yang diambil pada item yang sama.
Sebagaimana yang ditampilkan pada bab 1, jika n pengamatan telah
dilakukan, maka seluruh data yang diperoleh dapat disusun dalam
bentuk matriks berukuran n × p sebagai berikut:
x11 x12 ⋯ x 1p
x x 22 ⋯ x 2 p
X = 21 (0.12)
( n×p ) ⋮ ⋮ ⋱ ⋮
x ⋯ x np
n1 n 2
x
Setiap baris dari matriks X menggambarkan pengamatan multivariate
(multi variabel). Karena keseluruhan pengukuran kebanyakannya
merupakan realitas dari sesuatu, maka hasil pengamatan tersebut
dinyatakan sebagai data sampel berukuran n dari suatu “populasi”
p − variasi ( p variabel).
11
x11 x12 ⋯ x1p x1′ ← Pengamatan ( ke − 1)
x x ⋯ x2p x1′
X = 21 22 = (0.13)
( n×p ) ⋮ ⋮ ⋱ ⋮ ⋮
x ⋯ xnp xn′ ←Pengamatan ( ke − n )
n1 n2
x
Vektor baris xi′ merepresentasikan pengamatan ke- i , yang memuat
koordinat dari titik pengamatan, memuat titik-titik koordinat.
Contoh 3.1 (Menghitung Rata-rata Vektor)
Menghitung vektor rata-rata x dari matriks data
4 1
X = − 1 3
3 5
12
Gambar 2. Plot data matriks X untuk n = 3 pada p = 2
Kedua, dengan memandang data sebagai vektor- p dalam ruang
dimensi- n , yaitu dengan mengambil elemen-elemen kolom dari
matriks data menjadi vektor koordinat. Misalkan
x11 x21 ⋯ x 1p
x x 22 ⋯ x2 p
X = 21 = y1 y2 ⋯ yp (0.14)
( n×p ) ⋮ ⋮ ⋱ ⋮
x ⋯ xnp
n1 xn 2
Koordinat dari titik pertama y1′ = x 11 , x 21 , ⋯ x n 1 merupakan n
pengukuran pada variabel pertama. Secara umum titik ke- i ,
y i′ = [x 1i , x 2i , ⋯ , x ni ] ditentuk dengan n -pasangan dari semua
pengukuran pada variabel ke-i. Secara geometri, menggambarkan
y 1 , y 2 , ⋯ , y p sebagai vektor lebih sesuai dari pada titik, seperti diagram
pencar dalam dimensi- p
13
4 1
X = − 1 3
3 5
14
Perhatikan vektor yi′ = [x1i , x 2i , ⋯ , x ni ] , proyeksi yi′ pada vektor unit
(1 / )
n 1 adalah
1 1 x + x 2i + ⋯ + x ni
yi′ 1 1 = 1i = xi 1 (0.15)
n n n
15
x11 x21 ⋯ x1p x1′
x x22 ⋯ x2p x′
X = 21 = 2 (0.16)
( n×p ) ⋮ ⋮ ⋱ ⋮ ⋮
x ⋯ xnp x′
n1 xn 2 n
kovariansinya adalah 1 Σ
n
Yaitu,
1. E (X) = µ (0.17)
16
1
2. cov ( X ) = Σ (0.18)
n
Untuk matriks kovariansi Sn
( n − 1) 1
E ( Sn ) = Σ = Σ− Σ
n n
selanjutnya
n
3. E S = Σ (0.19)
n − 1 n
17
1 1 1
E ( X ) = E x1 + x2 + ⋯ + xn
n n n
1 1 1
= E x1 + E x2 + ⋯ + E xn
n n n
1 1 1
= E ( x1 ) + E ( x2 ) + ⋯ + E ( xn )
n n n
1 1 1
= µ1 + µ2 + ⋯ + µn
n n n
=µ
1 n ′
1
n
( X − µ )( X − µ )′ = ∑ ( xi − µ ) ∑ ( x j − µ )
n i =1 n j =1
n n
1
=
n2
∑ ∑ ( xi − µ )( x j − µ )′
i =1 j = 1
Sehingga
1
n n
cov ( X ) = E ( X − µ )( X − µ )′ = ∑ ∑ E ( X − µ )( X − µ )′
n 2 i =1 j =1
1
n n
cov ( X ) = ∑ ∑ E ( X − µ )( X − µ )′
n 2 i =1 j =1
18
Akibatnya Σ = E ( Xi − µ )( Xi − µ )′ merupakan matriks kovariansi
populasi umum untuk setiap Xi , diperoleh
n
1
cov ( X ) =
n2
∑ E ( Xi − µ )( Xi − µ )′
i =1
1
= (Σ + Σ + ⋯ + Σ)
n2
1 1
= ( nΣ ) = Σ
n 2 n
3. Ekspektasi dari Sn ,
Untuk memperoleh nilai estimasi dari Sn , Pertama perhatikan
bahwa ( x ij − x i )( x ji − x j ) merupakan elemen ke- ( i, j ) dari
( Xi − x ) ( X j − x )′ ,
n n
∑ ( Xi − X )( Xi − X )′ = ∑ ( Xi Xi′ − Xi X′ − XXi′ + XX′ )
i =1 i =1
n n n n
= ∑ Xi Xi′ − ∑ Xi X ′ − ∑ XXi′ + ∑ XX ′
i =1 i =1 i =1 i =1
n
= ∑ Xi Xi′ − nXX′ − nXX′ + nXX ′
i =1
n
= ∑ Xi Xi′ − 2nXX′ + nXX′
i =1
n
= ∑ Xi Xi′ − nXX′
i =1
19
Untuk sembarang vektor acak V dengan E ( V ) = µv dan
cov ( V ) = Σ v , demikian halnya E ( VV ′ ) = Σ v + µ v µ v′ , akibatnya
E ( X i X i′ ) = Σ + µµ ′
dan
1
E ( XX ′ ) = Σ + µµ ′
n
n
Dengan ∑ E ( Xi Xi′ ) − nE ( XX ′ ) , diperoleh
i =1
n
1
∑ E ( Xi Xi′ ) − nE ( XX′ ) = nΣ + µµ ′ − n n Σ + µµ ′
i =1
= ( n − 1) Σ
n
Dan selanjutnya, karena Sn = ( 1 n ) ∑ Xi Xi′ − nXX ′ , maka
i =1
n
E ( Sn ) = E ( 1 n ) ∑ Xi Xi′ − nXX ′
i =1
1 n
= E ∑ Xi Xi′ − nXX ′
n i =1
1
= ( n − 1) Σ
n
( n − 1)
E ( Sn ) = Σ
n
20
dapat menghitung berbagai nilai statistic, x dan S secara langsung
pada X demgan menggunakan operasi matriks.
Perhatikan data matriks yang dijelaskan pada bab 1, dari data tersebut
x1i .1 + x 2i .1 + ⋯ + x ni .1 1
kita punya x i = = yi′1 , dengan demikian
n n
y1′ 1
x1 n x 11 x 12 ⋯ x 1n 1
x y2′ 1 x x 22 ⋯ x 2n 1
1
x = = n = 21
2
⋮ ⋮ n ⋮ ⋮ ⋱ ⋮ ⋮
x x
p y′ 1 x n 2 ⋮ x pn 1
p p1
n
atau
1
x = X ′1
n (0.20)
Yaitu, x dihitung dari transpose data matriks dengan mengalikannya
dengan vektor 1 dan mengalikan haislnya dengan 1 n .
21
x1 x 2 ⋯ xp
x x ⋯ x p
1x ′ = 1 2
⋮ ⋮ ⋱ ⋮
x x ⋯ x p
1 2 (0.21)
Lalu perkurangan persamaan (0.21) dari matriks data X menghasilkan
matriks simpangan (residual) berukuran n × p
x11 − x1 x12 − x2 ⋯ x 1p − x p
1 x − x x − x2 ⋯ x 2p − x p
X − 11′ X = 21 1 22
(0.22)
n ⋮ ⋮ ⋱ ⋮
x − x x − x2 ⋯ xnp − x p
n1 1 n2
Sekarang, matriks ( n − 1 ) S merupakan jumlah kuadrat dari hasil kali
transpose dari persamaan (0.22) dengan matriks dirinya sendiri, yaitu
x11 − x 1 x12 − x 2 ⋯ x1p − x p
x − x x − x ⋯ x − x
( n − 1) S = 21 1 22 2 2p p
⋮ ⋮ ⋱ ⋮
x − x x − x ⋯ x − x
n 1 1 n2 2 np p
x11 − x1 x 12 − x 2 ⋯ x1p − x p
x − x x − x ⋯ x − x
× 21 1 22 2 2p p
⋮ ⋮ ⋱ ⋮
x − x x − x ⋯ x − x
n 1 1 n2 2 np p
′
= X − 1 11′ X X − 1 11′ X
n n
= X ′X − X 1 11′ X − 1 X ′1′ 1X − 1 X ′1′ 111′ X
n n n 2
1 1 1
= X ′ I − 11′ − 11′ − 11′ 11′ X
n n n2
1 1
S= X ′ I − 11′ X
( n − 1 ) n
Setelah menghitung S , dari hasil tersebut kita dapat menghitung
secara langsung dari matriks korelasi sampel. R .
22
1
Definisikan matriks standar deviasi sampel D2 , lalu hitung inversnya,
(D )
−1
1 − 21
2 = D . Misalkan
s11 0 ⋯ 0
1
0 s22 ⋯ 0 (0.23)
D = 2
( p×p ) ⋮ ⋮ ⋱ ⋮
0 0 ⋯ s pp
Kemudian
1
0 ⋯ 0
s11
1
0 ⋯ 0
=
−12
D s22
( p×p )
⋮ ⋮ ⋱ ⋮
1
0 0 ⋯
s pp
karena
s11 s12 ⋯ s1p
s s ⋯ s2 p
S = 21 22
⋮ ⋮ ⋱ ⋮
s ⋯ s pp
p1 p 2
s
Dan
s11 s12 s1p
⋯
s11 s11 s11 s22 s s pp
r11 r12 ⋯ r1p
σ21 σ22 σ2 p
⋯ r r ⋯ r2 p
R = s22 s11 = 21 22
s22 s22 s22 s pp ⋮ ⋮ ⋱ ⋮
⋮ ⋮ ⋱ ⋮ r ⋯ rpp
p1 p 2
r
s p1 sp2 s pp
⋯
s pp σ11 s pp s22 s pp σpp
Kita punya
23
−1 −12
R = D 2 SD (0.24)
1
Kalikan kedua ruas dari persamaan (0.24) dengan D2 , dan perhatikan
−1 1 1 −21
bahwa D 2 D2 = D2 D = I , sehingga
Dari persamaan (0.24), diperoleh
1 1
S = D2 RD2 (0.25)
4. Nilai Sampel dari Kombinasi Linear Variabel
Kombinasi linear telah diperkenal pada bab 2. Dalam produser
multivariabel, bentuk kombinasi linear umum kita tuliskan
c ′X = c1 x 1 + c 2 x 2 + ⋯ + c p x p
( c ′xi − c ′x ) = ( c ′ ( xi − x ) ) = c ′ ( xi − x )( xi − x )′ c ,
2 2
Karena maka
kita dapat menghitung variansi sample
var Sampel =
n −1
c ′ ( x1 − x )( x1 − x )′ c + ⋯ + c ′ ( xn − x )( xn − x )′ c
=
n −1
c ′ ( x1 − x )( x1 − x ) + ⋯ + ( xn − x )( xn − x )′ c
′
=
n −1
Atau
24
a. Variansi sampel
c ′ Sc (0.28)
Selanjutnya, perhatikan kombinasi linear kedua
b ′ X = b1 x 1 + b2 x 2 + ⋯ b p x p
25
x 1 2 5
11 x12 x13
X = x21 x 22 x 23 = 4 1 6
x 4 0 4
31 x 32 x 33
Dan
X
1
c ′X = 1 −1 3 X2 = 1X1 − 1X2 + 3X 3
X
3
b ′xb = =3
3 −1
Dengan cara yang sama, n = 3 pengamatan pada c ′X adalah
26
cx1 = x11 − x12 + 3x13 = 1( 1 ) − 1( 2 ) + 3 ( 5 ) = 14
c′x2 = x11 − x12 + 3x13 = 1( 4 ) − 1( 1 ) + 3 ( 6 ) = 21
c′x3 = x11 − x12 + 3x13 = 1( 4 ) − 1 ( 0 ) + 3 ( 4 ) = 16
Dan
( 14 + 21 + 16 )
b ′x = = 17
3
( 14 − 17 ) + ( 21 − 17 ) + ( 16 − 17 )
2 2 2
b ′xb = = 13
3 −1
Dan kovariansi sampel adalah
( 1 − 3 )( 14 − 7 ) + ( 4 − 3 )( 21 − 17 ) + ( 4 − 3 )( 16 − 17 ) 9
= =
3 −1 2
27
Gambar diagram pencar dalam dimensi-2. Tempat rata-rata
sampel pada diagram pencar
Gambarkan data dalam dimensi-3, dan plot vektor deviasi
y 1 − x 1 1 dan y 2 − x 2 1
28
BAB III
DISTRIBUSI NORMAL MULTIVARIAT
29
f (x)
x
P ( µ − σ ≤ X ≤ µ + σ ) = 0.68
P ( µ − 2σ ≤ X ≤ µ + 2σ ) = 0.95
Aturan penulisan untuk fungsi padat peluang dari variabel acak X yang
berdistribusi normal dengan rata-rata µ dan standar deviasi, σ, adalah
X ∼ N ( µ, σ )
2
x − µ = ( x − µ ) ( σ2 )
−1
(x − µ) (0.34)
σ
Pada persamaan (0.33) merupakan kuadrat jarak dari x terhadap µ
dalam unit standar deviasi.
Model pada persamaan (0.34) dapat ditulislkan dalam bentuk yang
lebih umum untuk vektor pengamatan berukuran p × 1 untuk
beberapa variabel, yaitu
( x − µ )′ ∑−1 ( x − µ ) (0.35)
30
X = X1, X1, ⋯ X p , maka fungsi pada persamaan (0.33) dapat
dituliskan kembali dengan menggunakan vektor rata-rata dan matriks
variansi-kovariansi, sebagai berikut:
1
1 1 − ( x−µ )Σ−1 ( x−µ )′
f (x) = p
Σ 2
e 2 (0.36)
( 2π ) 2
X ∼ N p ( µ,Σ )
Contoh 4.1
Misalkan kita akan menghitung fungsi padat normal dengan p = 2
dengan parameternya µ1 = E ( X1 ), µ2 = E ( X2 ) , σ11 = Var ( X1 ) ,
σ22 = Var ( X2 ), dan
σ12
ρ12 = = Kov ( X1, X2 )
σ11 σ22
Solusi 4.1
Berdasarkan teorema…, dari soal kita peroleh matriks kovariansi
σ σ12
Σ = 11
σ σ22
21
dengan
1 σ22 −σ12
Σ−1 =
−σ σ11
σ11σ22 − 2
σ12 12
31
σ12 = ρ12 σ11 σ22
=
σ11σ22 ( 1 − ρ12
2
)
2 2
x − µ x − µ
x1 − µ x2 − µ2
− 2ρ12 1
1
= +
2 2
( 12 ) 11 22
1 − ρ2
σ σ
11
σ σ22
(0.37)
( x − µ )′ Σ−1 ( x − µ ) = c 2 (0.38)
32
Teorema 4.1.
Jika Σ merupakan matriks definit positif, sedemikian hingga Σ−1 ,
maka
1
Σe = λe akibatnya Σ−1e = e
λ
Dan juga
e = Σ−1 ( Σe ) = Σ−1 ( λ e )
Atau
e = λΣ−1e
Untuk model terakhir dengan λ > 0 , hasilnya
1
Σ−1e = e
λ
1
Selanjutnya, , e merupakan pasangan nilai eigen dan vektor eigen
λ
untuk matriks Σ−1 . Demikian halnya dengan vektor x berukuran p×1
p 1
x ′Σ−1x = x ′ ∑ e e ′ x
i i
i =1 λi
33
λ − 1 ( x ′e )
2
Oleh karena setiap model i i
non-negatif. Jika x = 0 , maka
keadaan dari x ′ei = 0 untuk setiap i . Sehingga, jika x ≠ 0, maka
p
1
∑ λ ( x ′ei ) > 0
2
i =1 i
σ11 − λ σ12
= ( σ11 − λ ) − σ12
2
0= 2
σ12 σ11 − λ
= ( λ − σ11 − σ12 )( λ − σ11 − σ12 )
Akibatnya, nilai eigen adalah λ1 = σ11 + σ12 dan λ2 = σ11 + σ12 . Vektor
eigen x1 ditentukan dari
σ11 σ12 x 1 x
= (σ + σ ) 1
σ σ11 x 2 11 12
12 x 2
atau
σ11x 1 + σ12x 2 = ( σ11 + σ12 ) x 1
σ12x 1 + σ11x 2 = ( σ11 + σ12 ) x 2
34
1
λ1 = σ11 + σ12 ; x1 = 1
2
2
σ λ = σ +σ
Ketika kovariansi 12 positif, 1 11 12 merupakan nilai eigen
1 1
2
±c σ11 + σ22 1
dan ±c σ11 − σ22 −21
2
2
Mempunyai peluang 1− α
35
Teorema 4. 2.
Jika X berdistribusi N p ( µ, Σ ), maka sembarang kombinasi linear dari
variabel a ′X = a1x1 + a2x 2 + ⋯ + a p x p berdistribusi N p ( a ′µ, a ′Σa ) .
Teorema 4.3.
Jika a ′X = a1x1 + a2x 2 + ⋯ + a p x p berdistribusi N p ( a ′µ, a ′Σa ) untuk
setiap a , maka X berdistribusi N p ( µ, Σ ) .
X1 µ1
X µ
a ′X = 1 0 ⋯ 0 2
= ′ 2
⋮
X1 Dan a µ =
1 0 ⋯ 0 ⋮ = µ1
X µ
p p
Sehingga
σ11 σ12 ⋯ σ1p 1
σ σ22 ⋯ σ2p 0
a ′Σa = 1 0 ⋯ 0 21 = σ11
⋮
⋮ ⋱ ⋮ ⋮
σ ⋯ σpp 0
p1
σ p1
Teorema 4.3
Jika X ∼ N p ( µ, Σ ), q kombinasi linear
a11X1 + ⋯ + a1p X p
a X + ⋯ + a X
21 1 2p p
A X = ⋮
(q ×p )( p×1)
a X + ⋯ + a X
q1 1 qp p
36
Berdistribusi normal Nq ( Aµ, AΣΑ )
Distribusi Chi-Square
Distribusi chi-square menentukan variabilitas dari variansi sampel,
s 2 = s11, untuk sampel dari suatu populasi normal univariat. Hal
tersebut memainkan peran penting dalam kasus multivariate.
Contoh 4.3 (Distribusi dua kombinasi linear dari komponen
vektor acak normal)
Untuk X ∼ N 3 ( µ, Σ ) , tentukan distribusi dari
X
X1 − X 2 1 −1 0 1
= X = AX
X − X 0 1 −1 2
2 3 X
3
Dengan teorem 4.3, distribusi dari AX adalah normal multivariate
dengan rata-rata
µ
1 −1 0 1 µ − µ2
Aµ = µ = 1
0 1 −1 2 µ − µ
µ 2 3
3
1 0
σ11 − σ12 σ12 − σ22 σ13 − σ23
= −1 1
σ12 − σ13 σ22 − σ23 σ23 − σ33 0 −1
37
σ11 − 2σ12 + σ22 σ12 + σ23 − σ22 − σ13
=
σ + 2σ23 − σ22 − σ13 σ22 − 2σ23 + σ33
12
Teorema 4.3
Misalkan X ∼ N p ( µ, Σ ) dengan Σ > 0 Maka
Sifat Independen
Teorem 4. 3.
X1
µ Σ ⋮ Σ
1
11 12
, maka X dan X adalah
Jika ........ adalah Nq1 +q2 ....... , ....... ⋮ .......
X2 µ Σ Σ
1 2
2 21 ⋮ 22
independen jika dan hanya jika Σ12 = 0
38
Distribusi Bersyarat
Teorema 4.5
X1 µ1
Misalkan X = ....... berdistribusi N p ( µ, Σ ) dengan ....... ,
X2 µ2
Σ11 ⋮ Σ12
Σ = ....... ⋮ ....... , dan Σ > 0 . Maka distribusi bersyarat dari
X1 ,
Σ21 ⋮ Σ22
diberikan X 2 = x 2 adalah normal dan mempunyai
39
ˆ = 1 ∑ ( x − x )( x − x )′ = ( n − 1 ) S
n
Σ j j (0.41)
n j =1 n
( )
p 12
i =1 2π Σ
1
1 − Σ( xi − µ )′ Σ−1 ( xi − µ )
L ( µ, Σ; x1, x2 , ⋯, xn ) = e 2 (0.42)
( )
np n 2
2π Σ
40
Perhatikan eksponen dari persamaan (0.42), yaitu
( xi − µ )′ Σ−1 ( xi − µ ) , dapat disederhakan menjadi
( xi − µ )′ Σ−1 ( xi − µ ) = tr ( xi − µ )′ Σ−1 ( xi − µ )
(0.43)
−1
= tr Σ ( xi − µ )′ ( xi − µ )
Selanjutnya
n n
∑ ( xi − µ )′ Σ−1 ( xi − µ ) =∑ tr ( xi − µ )′ Σ−1 ( xi − µ )
i =1 i =1
n
= ∑ tr Σ−1 ( xi − µ )′ ( xi − µ )
i =1
n n
∑( xi − µ)′ Σ−1 ( xi − µ) =tr∑ Σ−1 ( xi − µ)′ ( xi − µ) (0.44)
i =1 i =1
Karena trace dari suatu jumlahan matriks adalah sama dengan jumlah
trace dari setiap matriks. Kita dapat menambahkan dan
n
1
mengurangkan x = ∑ xj dalam setiap model ( xi − µ) dalam
n i =1
n
∑ ( xi − µ )( xi − µ )′ yang menghasilkan
i =1
n
1 1
− ∑( xi − x + x − µ)( xi − x + x − µ)′ =− C + D
2 i=1 2 (0.45)
1
=− C + nD
2
n n
Dimana C = ∑ ( xi − x )( xi − x )′ dan D = ∑ ( xi − µ )( xi − µ )′
i =1 i =1
41
n
Karena model hasil kali ∑ ( xi − x )( xi − µ )′ dan
i =1
n
∑ ( x − µ )( xi − µ )′ ; keduanya adalah nol Persamaan (0.45) menjadi
i =1
1
1 − B
L ( µ, Σ; x1, x2 , ⋯, xn ) = e 2 (0.46)
( )
np n 2
2π Σ
n
Dimana B = ∑ ( xi − x )( xi − x )′ + n ( x − µ )( x − µ )′
i =1
n
Karena Σ−1 adalah definit positif, model − ( x − µ )′ Σ−1 ( x − µ ) ≤ 0
2
n
− ( x −µ )′ Σ−1 ( x −µ )
dan 0 < e 2 ≤ 1, maksimum ketika pangkatnya sama
dengan 0. Oleh karena itu L maksimum ketiak µ̂ = x
Distribusi X dan S
n
1
Untuk distribusi dari x = ∑ x j , dapat dibagi dalam dua kasus,
n i =1
42
vektor rata-rata µ dan mariks kovariansi Σ , maka saat n → ∞ ,
distribusi dari n ( x − µ ) mendekati N p ( 0, Σ )
p
Terdapat p variansi dalam S dan kovariansi, untuk total
2
p p ( p − 1) p ( p + 1)
p + = p + =
2 2 2
p ( p − 1)
Entri berbeda. Distribusi gabungan dari variabel berbeda
2
dalam W = ( n − 1 ) S = ∑ ( xi − x )( xi − x )′ merupakan distribusi
i
Wishart, dinyatakan dengan
Wp ( n − 1, Σ )
( xi − µ )
n n 2
∑ zi2 = ∑ σ2
∼ χ2 ( n )
i =1 i =1
( xi −x) ( n − 1)s2
n 2
∑ σ2
=
σ2
∼ χ2 ( n − 1 )
i =1
Dengan cara yang sama, definisi formal dari variabel acak wishart
adalah
43
n
∑ ( xi − µ )( xi − µ )′ ∼ Wp ( n , Σ ) (0.47)
i =1
n
( n − 1 ) S = ∑ ( xi − x )( xi − x )′ ∼ Wp ( n − 1, Σ ) (0.48)
i =1
44
Misalkan diberikan data hasil pengamatan, x 1 , x 2 , ⋯ , x n untuk satu
karakteristik saja, X i . Misalkan x (1 ) ≤ x( 2 ) ≤ ⋯ ≤ x ( n ) data hasil
pengamatan yang telah susun secara terurut dari yang terkecil. x ( i )
merupakan quantil data. Ketika nilai x ( i ) berbeda, secara tepat
pengamatan i kurang dari atau sama dengan x ( i ) . Proporsi i n dari
sampel pada x ( i ) sering diperkirakan dengan ( i − 12 ) n .
q( i )
1 i− 1
P Z ≤ q ( i ) =
− 12 z 2
∫ dz = p( i ) = (0.49)
2
e
2π n
−∞
p( i ) adalah peluang yang diperoleh dari nilai yang kurang dari atau
45
-1.00 0.05 -1.645
-0.10 0.15 -1.036
0.16 0.25 -0.674
0.41 0.35 -0.385
0.62 0.45 -0.125
0.80 0.55 0.125
1.26 0.65 0.385
1.54 0.75 0.674
1.71 0.85 -1.036
2.30 0.95 -1.645
0.385
1 −12 z 2
Sebagai contoh, P ( Z ≤ 0.385 ) = ∫ e dz = 0.65
−∞ 2π
46
Gambar 4. Normal Q-Q Plot nilvai Ekspektasi v.s Nilai Pengamatan
Terstandar
Berikut langkah-langkah membuat plot Q − Q
1. Urutkan pengamatan asal, x (1), x ( 2 ), ⋯, x ( n ) dan peluang
( 1 − 21 ) ( 2 − 21 ) ( n − 21 )
yang bersesuaian , , ⋯, ;
n n n
2. Hitung quantil standar normal q(1), q( 2 ), ⋯, q(n ) ; dan
47
Plot Q-Q dari data radiasi dibuat dengan menggunakan software SPSS
V16. Perhatikan hasil plot tersebut, terdapat dua titik yang terletak
menyimpang sangat jauh dari titik yang lain dan dari garis luruh, yang
demikian disebut sebagai outlier. Maka dari hasil tersebut dapat kita
simpulkan data radiasi oven tidak normal.
Garis lurus dari plot Q-Q dapat diukur dengan menghitung koefisien
korelasi dari titik-titik dalam plot. Koefisien korelasi untuk plot Q-Q
didefinsikan dengan
n
∑ ( x ( j ) − x ) ( q( i ) − q )
i =1
rQ = (0.50)
n n
∑ ( x ( j ) − x ) ∑ ( q( i ) − q )
2 2
i =1 i =1
48
10 10 10
∑( )
x ( i ) − x q( i ) = 8.584 , ∑( )
x ( i ) − x = 8.472 , dan ∑ q(2i ) = 8.795 .
i =1 i =1 i =1
Karena q = 0 (selalu),
8.584
rQ = = 0.994
8.472 8.795
Uji normalitas pada taraf signifikasni 10% memberikan patokan
rQ = 0.994 untuk dibandingkan dengan table …untuk n = 10 dan
α = 0.10 , nilai kritisnya adalah 0.9351. Oleh karena rQ = 0.994 >
0.9351, hipotesis yang menyatakan distribusinya tidak ditolak.
{ semua x sehingga ( x − x )′ S −1
( x − x ) ≤ χ22 ( 0.05 ) }
Dimana µ kita estimasi denga x dan Σ−1 kita estimasi dengan S−1 .
Jika bukan, asumsi normalitas dicurigai
Contoh 4.3 (Pemeriksaan Normalitas Bivariat)
Meskipun bukan berasal dari sample acak, data yang memuat
pasangan hasil pengamatan ( x 1 = salse dan x 2 = profit) untuk 10
perusahaan terbesar didunia sebagaimana ditunjukkan pada contoh
4.1. Dari data tersebut, diberikan
49
155.60 7476.45 303.63
x = , S=
303.62 26.19
14.70
Sehingga
1 26.19 −303.63
S−1 =
103, 623.12 −303.63 7476.45
0.000253 −0.002930
=
−0.002930 0.072148
Metode formal lain yang dapat digunakan untuk menilai gabungan sifat
normal dari sekumpulan data adalah dengan memperhatikan jarak
kuadrat umum
d j2 = ( x j − x )′ S−1 ( x j − x ) , j = 1, 2, ⋯, n (0.51)
50
Dimana x1, x 2 , ⋯ , x n adalah sampel pengamatan.
Ketika populasi primernya merupakan multivariate normal dimana n
dan n − p lebih besar dari 25 atau 30, setiap dari kuadrat jarak akan
cenderung mengikuti variabel random chi-kuadrat. Walaupun jarak-
jarak tersebut tidak independent atau secara tepat berdistribusi chi-
kuadrat, namun cukup membantu untuk digambarkan plotnya. Plot
yang dihasilkan disebut plot chi-kuadrat atau Gamma Plot, karena
distribusi chi-kuadrat merupakan kasus khusus dari distribusi gamma.
Untuk mengkonstruksi plot chi-kuadrat
Langkah-Langkah Mengkonstruki Plot Chi-Kuarat
1. Urutkan data jarak dalam persamaan (0.51) dimulai dari
yang paling kecil hingga yang paling besar.
d12 ≤ d22 ≤ ⋯ ≤ dn2
1
2. Gambarkan pasangan qc.p
j − n , d j2 dimana
2
1 1
qc.p
j − n merupakan kuantil ke- 100 j − n
2 2
dari distribusi chi-kuadrat dengan derajat bebas p .
51
7 1.71 2.10
8 1.79 2.77
9 3.53 3.79
10 4.38 5.99
Hasil plotnya
S c a tte r pl o t o f d v s q
3
d
0
0 1 2 3 4 5 6
q
52
plot chi-kuadrat, titik-titik tersebut akan berada jauh dari
titik asal.
53
3 Korelasi, r 1 1 + r
Fisher z ( r ) = log
2 1 − r
Dalam kebanyakan kasus, pilihan transformasi untuk meningkatkan
pendekatan kenormalan data ternyata tidak mudah. Namun, adalah
satu satu teknik transformasi yang disebut dengan power
transformation yang dianjurkan untuk mengatasi kesulitan tersebut.
Power transformation terdefinisikan hanya pada variabel positif. Akan
tetapi, hal ini bukan merupakan pembatasan, karena satu konstanta
dapat ditambahkan ke setiap pengamatan dalam himpunan data jika
beberapa nilai adalah negative.
Misalkan x merepresentasikan pengamatan, maka power
transformasi merupakan pengurutan oleh parameter λ . suatu nilai
diberikan untuk λ yang menyebabkan transformasi tertentuk lebih
dekat.
Sebuah metode analisis diberikan untuk memilih power transformasi.
Box dan Cox melakukan perubahan pada power transformasi
x λ − 1
λ≠0
x ( ) =
λ ;
(0.52)
λ
ln x ; λ=0
Dimana λ > 0 .
Diberikan pengamatan x 1, x 2 , … x n , solute Box-Cox untuk memmilih
pendekatan power λ adalah solusi yang meminimumkan rumus
n 1
( )
n 2 n
(λ )
ℓ ( λ ) = − ln ∑ x j − x ( ) + ( λ − 1)
∑ ln x j
λ
(0.53)
2 n j =1
j =1
Latihan Soal
4. 1. Perhatikan suatu distribusi normal bivariate dengan µ1 =1, µ2 = 3,
σ
11
= 3, σ 22 = 1 dan ρ12 =-0.8.
54
b. Nyatakan jarak statistic kuadrat ( x − µ )′ Σ ( x − µ ) sebagai
suatu fungsi kuadrati dari x 1 dan x 2
1 −2 0
Σ = −2 5 0
0 0 2
Mana dari variabel acak berikut yang independent?
a. X1 dan X 2
b. X 2 dan X 3
c. ( X1, X2 ) dan X3
X1 + X 2
d. dan X 3
2
e. X 2 dan X 2 − 5 X 1 − X 3
2
55
BAB IV
INFERENSI VEKTOR RATA-RATA
Hipotesis yang akan diuji adalah rata-rata dari x adalah sama dengan
suatu nilai rata-rata yang ditentukan atau diberikan, yaitu µ0 lawan
hipotesis alternative yang tidak sama dengan µ0 , secara statistic dapat
dirumuskan sebagai berikut:
H 0 : µ = µ0 Lawan H 0 : µ ≠ µ0
57
Dimana H 0 merupakan hipotesis nol dan H 1 merupakan hipotesis
alternative, dua sisi. Jika diberikan data, X 1 , X 2 , ⋯ , X n , yang
menyatakan data variabel acak yang berasal dari populasi yang
berdistribusi normal, pendekatan uji statistic yang dapat digunakan
adalah
x − µ0 x − µ0
z = =
σx σ
n
yang berdistribusi N ( 0,1 ) Jika H 0 benar.
58
n
1
dengan Σ diketahui, dan menghitung x = ∑ Xi dari data yang telah
n i =1
dikumpulkan sebelumnya. Uji statistic yang bersesuaian adalah
Z 2 = n ( x − µ0 )′ Σ ( x − µ0 ) (0.54)
Jika H 0 benar, Z 2 berdistribusi χp2 , oleh karena itu kita tolak H 0 jika
Z 2 > χα2 ,p .
Contoh 3.1
Dalam Table 3.1, tinggi dan berat dari 20 orang mahasiswa laki-laki.
Misalkan diasumsikan bahwa sampel ini berasal dari bivariate normal
N 2 ( µ, Σ ) , dimana
20 100
100 1000
Andaikan kita ingin menguji H 0 : (70,170) . Dari contoh 3.21
x 1 71.45 dan x 2 164.7. Selanjutnya kita punya
Z 2 = n ( y − µ )′ Σ−1 ( y − µ )
71.45 − 70 ′ 20 −1
100 71.45 − 70
= ( 20 )
164.7 − 170 100 1000
164.7 − 170
0.1 −0.01 1.45
= ( 20 ) ( 1.45 −5.3 )
−0.01 0.002 −5.3
= 8.4026
Gunakan α =0.05, 2
χ0.05,2 = 5.99 dan oleh karena itu tolak
59
2. Uji µ saat Σ tidak Diketahui
Pada bagian ini akan dibagi pembahasan menjadi dua bagian, yaitu
pengujian untuk satu sampel lalu pengujian untuk dua sampel. Ada
dua alasan:
1. Prinsip-prinsip umum kebanyakannya lebih mudah
mengilustrasikan dalam satu sampel dibanding dua sampel
2. Beberapa test yang banyak digunakan adalah untuk kasus satu
sampel.
Sebelum membahas lebih lanjut tentang bagaimana menguji hipotesis
berkaitan dengan masalah ini, terlebih dahulu kita tinjau kembali
masalah univiariat yang berkenaan dengan kasus ini.
Andaikan kita telah mengumpulan data sampel acak, yaitu x 1 , x 2 , ⋯ , x n
yang diperoleh dari populasi yang berdistribusi normal, N ( µ, σ 2 ) .
Estimator dari µ adalah x dan estimator dari σ 2 adalah s 2 , yaitu
n n
1 1
∑ x i dan s 2 = n − 1 ∑ ( x i − x )
2
x =
n i =1 i =1
x − µ0 n ( x − µ0 )
t = = (0.55)
s n s
60
n (x − µ )
≥ tα /2,n −1
s
atau
Tidak tolak H 0 jika
n (x − µ )
≤ tα /2,n −1
s
x − µ0
Bentuk t = pada persamaan (0.55) merupakan bentuk
s n
karakteristik dari statistic-t, yang merepresentasikan jarak sampel
terstandarkan antara x dan µ0 .
61
Digunakan rumus yang merupakan perluasan dari statistic- t kasus
univariat. Dalam bentuk kuadrat, bentuk univariat statistic- t dapat
dituliskan
n ( x − µ0 )
2
t =
2
= n ( x − µ0 ) ( s 2 ) ( x − µ0 ) . (0.57)
s2
Pada persamaan (0.57), gantikan ( x − µ0 ) dan s 2 dengan ( x − µ )
dan S , diperoleh uji statistika
T 2 = n ( x − µ )′ S−1 ( x − µ ) . (0.58)
dimana
µ10
n n µ
∑ ( Xi − X )( Xi − X )′ dan µ0 = ⋮
1 1
= ∑ Xi , S =
20
x n n − 1
( p×1) i =1 ( p×p ) i =1
µ
p 0
S −1
T 2 = ( x − µ )′ ( x − µ ) . (0.59)
n
62
akan tetapi dalam interpretasinya tidak mudah. Jika kita tambahkan
variabel, jaraka dalam persamaan (0.59) akan meningkat.
Untuk melakukan pengujian hipotesis, kita harus membandingkan nilai
hasil perhitungan dari T 2 dengan nilai table. Jika suatu pengujian
untuk menolak H 0 : µ = µ 0 , pertanyaan yang harus diajukan adalah,
variabel apa atau variabel mana yang memberikan kontribusi lebih
untuk suatu penolakan.
Berikut beberapa hal yang berkaitan dengan uji-T 2 :
1. Jumlah pengamatan terhadap jumlah variabel seharusnya, n > p
. Untuk kondisi yang lain, akan menghasilkan S yang singular dan
akibatnya T 2 tidak dapat dihitung
2. Kasus satu sampel maupun dua sampel, derajat bebas untuk
statistic T 2 akan sama, yaitu; v = n − 1 untuk satu sampel, dan
v = n 1 + n 2 − 1 untuk dua sampel.
3. Hipotesis alternative adalah uji dua-sisi. Karena ruang adalah
multidimensi. Pengujian satu sisi tidak pertimbangkan, semisal
µ > µ 0 . Namun demikian, daerah kritisnya tetap satu-sisi
(Penolakan untuk nilai T 2 yang besar). Hal ini merupakan
karakteristik dari kebanyakan uji multivariate.
4. Dalam kasus univariat, t n2−1 = F1,n −1 . Statistik T 2 juga dapat
dikonversi ke statistic-F sebagai berikut:
v − p +1 2
Tp,v = Fp,v −p +1 (0.60)
vp
63
Contoh 2.
Misalkan matriks data untuk suatu sampel acak berukuran n = 3 dari
populasi normal bivariate adalah
6 9
X = 10 6
8 3
(6 − 8) + ( 10 − 8 ) + ( 8 − 8 )
2 2 2
s11 = =4
3
( 6 − 8 )( 9 − 6 ) + ( 10 − 8 )( 6 − 6 ) + ( 8 − 8 )( 3 − 6 )
s12 = = −3
3
(9 − 6) + (6 − 6) + (3 − 6)
2 2 2
s22 = =9
3
4 −3
Dengan demikian S =
−3 9
Selanjutnya
1 4 −3 1 1
S−1 = = 3 9
( 4 )( 9 ) − ( −3 )( −3 ) −3 9 19 4
27
64
1 1 8 − 9 − 2
T 2 = 3 8 − 9 6 − 5 13 9 = 3 −1 1 9 = 7
4 6 − 5 1 9
9 27 27
( 3 − 1)2
Sebelumnya, sampel terpilih, T 2 berdistribusi F = 4F2,1
( 3 − 2 ) 2,3−2
65
Uji hipotesis
H 0 : µ ′= 4, 50,10 H 1 : µ ′ ≠ 4, 50,10
lawan
Pada level signifikansi α = 0.01 .
Solusi. Hitung statistik berikut
4.640 2.879 10.010 −1.810
x = 45.400 , S = 10.010 199.788 −5.640
9.965 −1.810 −5.640 3.628
dan
0.586 −0.022 0.258
S−1
= −0.022 0.006 −0.002
0.258 −0.002 0.402
Hitung
(n − 1) p 19 ( 3 )
F = F3,17,0.10 = 3.353 ( 2.44 ) = 8.18
( n − p ) p,n − p,0.01 17
Dari hasil tersebut nampak bahwa, T 2 = 9.74 > 8.18, Akibatnya kita
tolak H 0 pada leve signifikansi 10%.
66
3. Hotelling-T 2 dan Uji Likelihood Ratio
Pada bagian sebelumnya telah dijelaskan statistic T 2 dengan analogi
univariat jarak kuadrat t 2 . Terdapat prinsip umum untuk
mengkonstruksi prosedur uji yang disebut uji likelihood ratio, dan
statistic T 2 dapat diturunkan dari uji likelihood ratio dari H 0 : µ = µ 0 .
Lihat Persamaan (0.61) bahwa maksimum dari likelihood normal
multivariate seperti µ dan Σ diberikan oleh
1
max L ( µ, Σ ) = e −np /2 (0.61)
n /2
( 2π )
np /2
µ,Σ Σ
dimana
n n
1 1
Σ= ∑ ( xi − x )( xi − x )′ dan µˆ = x = ∑ xi
n i =1 n i =1
( 2π )
np /2 n /2
Σ
67
n n
1 1
− ∑ ( x − µ0 )′ Σ−1 ( xi − µ0 ) = − 2 ∑ tr Σ−1 ( xi − µ0 )′ ( xi − µ0 )
2 i =1 i i =1
1 −1
n
= − tr Σ ∑ ( xi − µ0 )′ ( xi − µ0 )
2 i =1
Dengan menerapkan Teorema 4.7, kita punya
1
max L ( µ0 , Σ ) = e −np /2 (0.62)
Σ n /2
( 2π )
np /2
Σ0
n
1
Dengan Σ0 = ∑ ( x − µ )( x − µ )′
n i =1
max L ( µ0 , Σ ) Σ n /2
LR = Λ = Σ
= (0.63)
max L ( µ, Σ ) Σ0
µ,Σ
Σ
Statistic yang ekuivalen dengan persamaan (0.63), Λ 2/ n
=
Σ0
disebut Wilks’ Lambda. Jika nilai teramati dari likelihood ratio terlalu
kecil, akibatnya hipotesis H 0 : µ = µ0 tidak mungkin sesuai, oleh
karena itu hipotesis ditolak. Kasus khusus, Uji likelihood ratio dari
H 0 : µ = µ0 lawan H1 : µ ≠ µ0 tolak H 0 jika
n n /2
Σ n /2 ∑ ( xi − x )( xi − x )′
Λ = =
i =1
< cα (0.64)
Σ0 n
∑ ( xi − µ0 )( xi − µ0 )′
i =1
68
Teorema 1.
Misalkan X 1 , X 2 , ⋯ , X n sampel acak dari suatu populasi berdistibusi
normal, N p ( µ, Σ ) . Maka uji pada persamaan (0.58) didasarkan pada
T 2 ekuivalen terhadap uji likelihood ratio dari
H 0 : µ = µ 0 lawan H 1 : µ ≠ µ 0
Karena
−1
T 2
Λ2/n = 1 +
( n − 1 )
69
(n − 1) p
P n ( X − µ )′ S−1 ( X − µ ) ≤ Fp,n −p ( α ) = 1 − α
(n − − )
Apapun nilai dari µ dan Σ. Dengan kata lain, X akan berada didalam
( n − 1) p 1/2
F ( α )
( n − p ) p,n −p
Dari µ , dengan peluang dengan syarat bahwa jarak sebagaimana
digambarkan dalam model nS−1 . Untuk sampel tertentu, x dan S
dapat dihitung, dan ketaksamaan
(n − 1) p
n ( X − µ )′ S−1 ( X − µ ) ≤ F (α ) akan mendefinisikan
( n − p ) p,n − p
daerah D ( X ) dalam ruang semua nilai parameter yang mungkin.
Dalam kasus ini, daerah akan berupa ellipsoid pada titik tengah x .
Suatu daerah kepercayaan 100 ( 1 − α ) % untuk rata-rata dari distribusi
normal berdimensi- p merupakan ellips yang ditentukan oleh semua
nilai µ sehingga
p ( n − 1)
n ( x − µ )′ S−1 ( x − µ ) ≤ Fp,n − p, α (0.66)
n−p
n n
1
1
( xi − x )( xi − x )′
∑ xi , (n − 1) ∑
Dimana x = S= dan
n i =1 i =1
70
p ( n − 1)
jarak kuadrat lebih besar dari Fp,n −p, α , µ0 tidak berada dalam
n−p
daerah kepercayaan.
Untuk p ≥ 4 , kita tidak dapat menggambarkan grafik dari daerah
kepercayaan untuk µ . Namun demikian, kita dapat menghitung sumbu
dari ellips kepercayaan dan yang berkaitan dengan panjangnya.
Dengan menentukan nilai eigen dan vektor eigen dari S.
Panjang dan arah sumbu dari
p ( n − 1)
n ( x − µ )′ S−1 ( x − µ ) ≤ Fp,n − p, α
n−p
Ditentukan dengan
c p ( n − 1)
λi = λi Fp,n −p,α
n n (n − p )
p(n− 1)
± λi F e , dimana Sei = λi ei , i = 1,2, ⋯, p (0.67)
n ( n − p ) p,n −p,α i
Dan
x2 = 4
Pengukuran radiasi dengan pintu tertutup
71
Dengan nilai eigen dan vektor eigen dari S adalah
λ1 = 0.026, e1′ = 0.704 0.710
λ2 = 0.002, e1′ = 0.710 0.704
Elips kepercayaan 95% untuk µ memuat semua nilai ( µ1 , µ2 ) yang
memenuhi
42 0.564 − µ1 0.603 − µ2
203.018 −163.391 0.564 − µ1
−163.391 200.228 0.603 − µ
2
2 ( 41 )
≤ F2,40,( 0.05 )
40
F2,40,( 0.05 ) = 3.23,
Atau, karena
42 ( 203.018 )( 0.564 − µ1 ) +
2
42 ( 200.228 )( 0.603 − µ2 )
2
µ ′ = 0.562 0.589
Untuk melihat apakah di dalam daerah
kepercayaan atau tidak, kita hitung
72
0.562
tidak seharusnya ditolak, dengan H 1 : µ ≠
pada level
0.589
signifikansi α = 0.05 .
Ellipsoid kepecayaan gabungan sebagaimana gambar 5.1. Titik pusat
pada x ′ = 0.564 0.603 , dan panjang setengahnya dari sumbu mayor
dan minor diberikan oleh
p ( n − 1) 2 ( 41 )
λ1 Fp,n − p, α = 0.026 ( 3.23 ) = 0.064
n (n − p ) 42 ( 40 )
Dan
p ( n − 1) 2 ( 41 )
λ2 Fp,n −p,α = 0.002 ( 3.23 ) = 0.018
n (n − p ) 42 ( 40 )
73
Prosedur Uji Hipotesis menggunakan Uji Hotelling
1. Kumpulkan Data sampel
2. Hitung nilai statistic uji Hotelling dengan rumus:
T 2 = n ( x − µ )′ S−1 ( x − µ ) .
74
yang berdistribusi
(n − 1) p
n ( X − µ )′ S−1 ( X − µ ) ≤ F (α )
( n − p ) p,n − p
7. Buat Kesimpulan Berdasarkan langkah (5)
a. Perbandingan berganda metode Banferroni
Andaikan bahwa, sebelum mengumpulkan data, pernyataan
kepercayaan seputar m kombinasi linear a 1′µ, a 2′ µ, ⋯ , a m′ µ perlua
ditetapkan. Misalkan C i menyatakan pernyataan kepercayaan sekitar
nilai dari ai′µ dengan P C i benar = 1 − αi , i = 1, 2, ⋯ , m . Perhatikan,
75
Oleh karena itu, dengan satu level kepercayaan keseluruhan lebih
besar daripada atau sama dengan 1 − α , kita dapat membuat m = p
pernyataan:
s11 s11
x1 − tn −1; α ≤ µ1 ≤ x1 + tn −1; α
2p n 2p n
⋮ ⋮ ⋮ (0.69)
s pp s pp
x p − tn −1; α ≤ µp ≤ x p + tn −1; α
2p n 2p n
Contoh (Mengkonstruksi Interval Kepercayaan simultan
Banferroni dan membandingkannya dengan Interval-T 2 )
Perhatikan kembali contoh data radiasi oven. Kita membuat interval
kepercayaan banferoni simultan 95% untuk rata-rata µ1 dan µ2 , dari
keempat kaki dari pintu-tertutup dan pintu-terbuka ukuran dengan
αi = 0.05 2 , i = 1, 2.
s11 0.0144
x1 ± t41 ( 0.0125 ) = 0.564 ± 2.327
n 42 atau 0.521 ≤ µ ≤ 0.607
1
76
panjang interval Banferroni tn −1 ( α / 2m )
= (0.70)
Panjang interval T 2 p ( n − 1)
Fp,n −p ( α )
n −p
Tidak bergantung pada besar acak X dan S
Teorema 5.11
Misalkan X 1, X 2 , ⋯ , X n sampel acak dari populasi dengan rata-rata µ
dan matriks kovariansi Σ definit positif. Ketika n − p besar, hipotesis
H 0 : µ = µ 0 ditolak pada taraf signifikansi α yang dipilih. Jika
pengamatan
n ( x − µ0 )′ S−1 ( x − µ0 ) χp2 ( α )
77
Dimana Dimana χp2 ( α ) persentil ke ( 100α ) dari distribusi χp2 dengan
fpp
6. Inferensi Seputar Vektor Rata-Rata Untuk Data Missing
Dalam hal pengamatan yang dilakukan dalam suatu survey atau
pengukuran, terkadang diketemukan fakta terjadi data yang tidak
terekam atau tersimpan, yang demikian dikenal dengan Data Missing
atau Pengamatan Missing.
Pendekatan umum untuk menghitung estimasi dengan maksimum
likelihood dari data yang tidak lengkap diperkenalkan oleh Dempster,
Laird, dan Robin. Teknik yang mereka perkenalkan disebut Algoritma-
EM yang memuat perhitung secara iterative dalam dua langkah yang
disebut dengan prediksi dan estimasi.
1. Langkah prediski; Diberikan beberapa estimasi θɶ dari parameter
yang tidak diketahui, prediksi dari pengamatan yang pada statistic
sufficient
2. Langkah Estimasi; Gunakan prediksi statistic sufficient untuk
menghitung estimasi revisi dari parameter.
Ulangi perhitungan dari satu langkah ke langkah selanjut hingga
mendapatkan estimasi revisi yang tidak terlalu berbeda dari estimasi
yang diperoleh dari iterasi sebelumnya.
Diberikan pengamatan X 1 , X 2, ⋯ , X n merupakan sampel acak dari
populasi yang berdistribusi normal sebanyak p variabel. Algoritma –
EM didasarkan pada statistic data lengkap
n n
T1 = ∑ x j = nx dan T2 = ∑ x j x′j = ( n − 1 ) S + nxx ′
j =1 j =1
78
Langkah Prediksi. Untuk setiap vektor x j dengan nilai missing,
misalkan x(j1) menyatakan komponen missing dan x(j2 ) komponen yang
ada. Selanjutny, x ′j = x(j1 ), x(j2 )
x
1 1
(
ɶ(j ) = E X(j ) | x(j ); µ,
2
ɶ Σ =µ ) 2
(
ɶ ( 1 ) + Σ12 Σ22 x(j ) − x
ɶ(j )
2
) (0.72)
( 1) ( 1)
xj xj (
( 1 ) ( 1) (2)
= E X j X j ′ | x j ; µ, ) ɶ(j )x
ɶ Σ = Σ11 + Σ12 Σ22 Σ21 + x
1 ( 1)
ɶj ′ (0.73)
Dan
(1) ( 2 )
xj xj (
( 1) ( 2 ) (2 )
= E X j X j ′ | x j ; µ, )
ɶ(j )x(j )′
ɶ Σ =x
1 2
T1 1
ɶ=
µ ɶ ɶ′
, Σ = T2 − µµ (0.74)
n n
Untuk memudahkan pemahaman tentang algoritma-EM, perhatikan
contoh berikut
Contoh (Ilustrasi Algoritma-EM)
Estimasi rata-rata populasi normal µ dan matriks kovariansi Σ
menggunakan data yang tidak lengkap.
79
− 0 3
7 2 6
X =
5 1 2
− − 5
Dari matriks data tersebut, diketahui n = 4 dan p = 3 dan bagian dari
vektor pengamatan x1 dan x 4 missing.
Dari sampel awal, dapat dihitung nilai statistik
7 +5 0 +2 +1 3 +6 +2 +5
ɶ1 =
µ = 6, µ
ɶ2 = = 1, µ
ɶ3 = = 4,
2 3 4
Selanjutnya hitung estimasi matriks kovariansi. Konstruksi estimasi
tersebut menggunakan pembagi n karena algoritma merupakan hasil
dari maksimum likelihood,
(6 − 6) + (7 − 6) + (5 − 6) + (6 − 6)
2 2 2 2
1
σɶ11 = =
4 2
( 0 − 1) + ( 2 − 1) + (1 − 1) + (1 − 1)
2 2 2 2
1
σɶ22 = =
4 2
( 6 − 6 )( 0 − 1) + ( 7 − 6 )( 2 − 1) +
( 5 − 6 )( 1 − 1) + ( 6 − 6 )( 1 − 1) 1
σɶ12 = =
4 4
3
σɶ23 =
4
σɶ13 = 1
80
µɶ
1 µɶ(1 )
ɶ = µɶ2 = 2
µ
µɶ µɶ( )
3 ,
σɶ σɶ σɶ13
11 12 Σ11 Σ12
Σ = σɶ12 σɶ22 σɶ23 =
σɶ σɶ 21 22
σɶ33
Σ Σ
13 23
dan prediksi
−1 x − µɶ2
xɶ11 = µɶ1 + Σ12 Σ12 12
x 13 − µɶ3
−1
1 1 3 0 − 1
= 6 + ,1 23 54
4 4 2 3 − 4
= 5.73
−1
2
x 11 = σɶ11 − Σ12 Σ12 Σ21 + xɶ11
2
−1
1 1
1 3 1
= − ,1 23 4
5
4 + ( 5.73 )2
1
2 4
4 2
= 32.99
dan prediksi
81
x 41 X
= E 41 x = 5; µ, ɶ Σ
X
43
x 42 42
µɶ −1
= 1 + Σ12 Σ22 ( x 43 − µɶ3 )
µɶ
2
6 1 5 −1
= + 3 ( 5 − 4 )
4 2
1
6.4
=
1.3
Latihan Soal
5. 1. (a) Evaluasi T 2 untuk menguji H 0 : µ ′ = 7 11 dengan
menggunakan data
2 12
8 9
X =
6 9
8 10
82
Menghasilkan matriks pengamatan
(6 − 9)
( 10 − 6 ) ( 8 − 3 ) ′
( 6 + 9 ) ( 10 + 6 ) ( 8 + 3 )
5. 3. (a) gunakan rumus pada persamaan (5-15) untuk mengevaluasi data
dalam latihan 5.1
(b) Gunakan data dalam latihan 5.1 untuk mengevaluasi Γ , juga evaluasi
lambda wilk
83
BAB V
MEMBANDINGKAN BEBERAPA
RATA-RATA MULTIVARIAT
84
berpasangan pada kasus univariate untuk memudahkan dalam
memahami masalah yang akan didiskusikan.
Misalkan Xi1 menyatakan respon pada perlakuan 1 (atau respon
sebelum perlakuan), dan misalkan Xi 2 menyatakan respon pada
perlakuan 2 (atau respon setelah perlakuan) untuk perlakuan ke- i .
Pasangan ( X i 1 , X i 2 ) merupakan hasil pengukuran pada unit ke- i
.Perbedaan antara keduanya adalah
Di = Xi1 − Xi2, i = 1,2, ⋯, n (0.75)
Distribusi dari data perbedaan antara kedua pengamatan diketahui
berdistribusi normal, N ( δ, σd2 ) dengan statistik
D −δ
t = (0.76)
Sd n
Dimana
n n
1 1
∑ ∑ ( Di − D )
2
D = Di dan sd2 = (0.77)
n i =1 n − 1 i =1
sd sd
d − tn −1;( α 2 ) ≤ δ ≤ d + tn −1;( α 2 ) (0.78)
n n
85
Rangkuman Prosedur Pengujian Perbandingan rata-rata berpasangan
Univariat
Tujuan: Membandingkan dua rata-rata dari satu atau dua populasi
Asumsi
Langkah-Langkah Pengujian:
1. Hitung Selisih dari pengamatan satu dengan pengamatan kedua,
gunakan rumus pada persamaan 0.75
2. Hit ung statistic dari data selisih antara kedua data, dengan rumus 0.77
H :δ=0
3. Rumuskan Hipotesis yang akan diuji; 0
4. Hitung Nilai Statistik Uji, gunakan persamaan 0.76
5. Tentukan Nilai kritis, tn −1, α pada taraf signifikansi yang dipilih, α .
( 2)
6. Keputusan; Tolak H 0 : δ = 0 jika t > tn −1; α
( 2)
86
Di1 = X1j 1 − X2 j 1
Di 2 = X1j 2 − X2 j 2
(0.79)
⋮
Dip = X1jp − X2 jp
δ1
δ
E ( Di ) = δ = 2 dan cov ( Di ) = Σd (0.80)
⋮
δ
p
Jika D1, D2, ⋯Dn merupakan vektor acak yang independen dan
berdistribusi normal, N p ( δ, Σd ) , maka inferensi sekitar vektor
perbedaan rata-rata δ dapat didasarkan pada statistic T 2 , yaitu
T 2 = n ( D − δ )′ Sd−1 ( D − δ ) (0.81)
dimana
n n
1 1
D= ∑ D j dan Sd = n − 1 ∑ ( Di − D )( Di − D )′ (0.82)
n i =1 i =1
Teorema 6.1.
Misalkan selisih D1, D2, ⋯Dn merupakan sampel acak dari populasi
N p ( δ, Σd ).
yang berdistribusi normal,
Maka
T 2 = n ( D − δ )′ Sd−1 ( D − δ )
87
berdistribusi
(n − 1) p
( n − p ) Fp,n − p
(n − 1) p
( d − δ )′ Sd−1 ( d − δ ) ≤ Fp,n − p ( α ) (0.83)
n (n − p )
(n − 1) p sd2
δi : di ± F (α) i
(0.84)
( n − p ) n,n −p n
α s2
δi : di ± tn −1 di (0.85)
2p n
88
Contoh 6.1. (Memeriksa perbedaan rata-rata dengan
pengamatan berpasangan)
Suatu perusahaan merencanakan perlakuan air buangan yang
diperlukan untuk memonitor buangannya ke sungai dan anak sungai
yang sesuai dengan peraturan. Perhatian tentang reliabilitas data dari
satu program monitoring diambil untuk diteliti pada dua laboratorium
untuk keperluang pengujian. Setengah dari sampel dikirim ke lab 1,
dan setengah yang lainnya dikirim ke lab 2. Pengukuran bio-chemical
oxygen deman (BOD) dan suspend solid (SS) telah dilakukan, untuk
sampel n = 11 terpisah, dari kedua lab tersebut. Berikut datanya
Sampel i Lab 1 Lab 2
x1j1 x1j1 x1j1 x1j1
1 6 27 25 15
2 6 23 28 13
3 18 64 36 22
4 8 44 35 29
5 11 30 15 31
6 34 75 44 64
7 28 26 42 30
8 71 124 54 64
9 43 54 34 56
10 33 30 29 20
11 20 14 39 21
Apakah hasil analisis kedua lab sama? Jika berbeda, apa
penyebabnya?
Statistik T2 untuk menguji hipotesis H 0 : δ ′ = δ1 , δ2 = 0, 0
dikonstruksi dari perbedaan pasangan pengamatan:
-19 -22 -18 -27 -4 -10 -14 17 9 4 -19
di1
12 10 42 15 -1 11 -4 60 -2 10 -7
di2
Dari selisih tersebut
89
d −9.36 199.26 88.38
d = 1 = , S =
d
88.38 418.61
d2 13.27
dan
0.0055 −0.0012 −9.36
T 2 = 11 −9.36 13.27 = 16.6
−0.0012 0.0026 13.27
Ambil α = 0.05, diperoleh
p ( n − 1) 2 ( 10 )
F
( n − p ) p,n −p;( 0,05 ) = 9 F2,9 ( 0.05 ) = 9.47
Karena T 2 = 1 3.6 > 9 .47 , karena itu tolak H0 dan disimpulkan bahwa
terdapat selisih yang tidak nol antara pengukuran dari kedua lab
tersebut. Hal tersebut menunjukkan, dari inspeksi dari data, bahwa lab
1 cenderung menghasilkan pengukuran BOD yang rendah dan
pengukuran SS yang tinggi dibanding dengan lab 2. Interval
kepercayaan simultan 95% untuk selisih rata-rata δ1 dan δ2 dapat
dihitung dengan persamaan 0.83. Interval-interval tersebut adalah
( n − 1) p sd2 199.26
δ1 : d1 ± F (α) i
= −9.36 ± 9.47
( n − p ) p,n −p n 11
( n − 1) p sd2 418.61
δ1 : d1 ± F (α) i
= 13.27 ± 9.47
( n − p ) p,n −p n 11
90
kompetensi dari laboratorium, teknik pengukuran dan seterusnya akan
memberikan pengaruh terhadap hasil analisis.
Rangkuman Prosedur Pengujian Perbandingan rata-rata berpasangan
Multivariate
Tujuan: Membandingkan dua rata-rata dari satu atau dua populasi
Asumsi
Langkah-Langkah Pengujian:
1. Hitung Selisih dari pengamatan satu dengan pengamatan kedua,
gunakan rumus pada persamaan 0.79
2. Hitung statistic dari data selisih antara kedua data, dengan rumus 0.82
3. Rumuskan Hipotesis yang akan diuji; H 0 : δ = 0
4. Hitung Nilai Statistik Uji, gunakan persamaan 0.81
5. Tentukan Nilai kritis, tn −1;( α 2 ) pada taraf signifikansi yang dipilih, α .
91
Untuk perbandingan berpasangan, d sebagai rata-rata selisih dan Sd
sebagai variansi selisih, dan karena itu T 2 dapat dihitung dari sampel
penuh statistik x merupakan vektor berukuran 2p × 1 dari rata-rata
sampel untuk p variabel pada kedua perlakuan, yaitu
x ′ = x 11 , x 12 , ⋯ , x 1 p , x 21 , x 22 , ⋯ , x 2 p (0.86)
Dan S merupakan matriks berukuran 2p × 2p dari variansi –kovariansi
sampel, susunannya
S11 S12
( p×p ) ( p×p )
S= (0.87)
S21 S22
( p×p ) ( p×p )
Rancangan matriks
1 0 ⋯ 0 −1 0 ⋯
0
0 1 ⋯ 0 0 −1 ⋯
0
C = (0.88)
( p×2 p ) ⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
0 0 ⋯ 1 0 0 ⋯ −1
↑
kolom ( p +1 )
92
Xi 1
X
Xi = i2
, i = 1,2, ⋯, m
⋮
X
im
Dimana Xi1 merupakan respon pada perlakuan ke- i pada unit ke j .
Pengukuran berulang merupakan fakta bahwa semua perlakuan
dilakukan pada setiap unit.
Untuk tujuan perbandingan, perhatikan kontras komponen dari
µ = Ε ( Xi )
µ1 − µ2 1 −1 0 ⋯ 0 µ1
µ −µ 1 0 −1 ⋯ 0 µ2
1 3
= = C1µ
⋮ ⋮ ⋮ ⋮ ⋱ 0 ⋮
µ − µ 1 0 0 ⋯ −1 µm
1 m
Atau
µ2 − µ1 −1 1 0 ⋯ 0 0 µ1
µ −µ 0 −1 1 ⋯ 0 0 µ2
3 2
= = C2µ
⋮ ⋮ ⋮ ⋮ ⋱ 0 0 ⋮
µ − µ 0 0 0 ⋯ −11 µm
m m −1
C1 dan C2 disebut matriks kontras, karena baris m − 1 independen
secara linear dan masing-masing adalah vektor kontras
Ketika rata-rata perlakuan adalah sama. Secara umum hipotesis
bahwa tidak ada perbedaan dalam perlakuan menjadi Cµ = 0 untuk
sembarang kontras.
93
Pengujian Kesamaan Perlakuan dalam Rancangan Pengukuran
Berulang
1. Sampel pengamatan dari populasi yang berasal dari distribusi normal,
N m ( µ , Σ ) , dan misalkan C merupakan matriks konstras. Dengan
n n
1 1
x= ∑
n i =1
xi dan S = ∑ ( xi − x )( xi − x )′
n − 1 i =1
(0.89)
2. Hipotesis H0 : Cµ = 0 lawan H1 : Cµ ≠ 0
3. Taraf Signifikansi, α
4. Statistika Uji
T 2 = n ( Cx )′ ( CSC ′ ) Cx
−1
94
selanjutnya di berikan carbon dioxide, CO2, pada setiap dua level.
Selanjutnya ditambahkan halothane (H), kemudian diberikan lagi CO2.
Respon, heartbeats (denyut jantung) permilisecond, diukur atau
terdapat empat kombinasi perlakuan:
95
−1 −1 1 1
C = 1 −1 1 −1
1 −1 −1 1
96
368.21
404.63
x= dan
479.26
502.89
2819.29
3568.42 7962.14
S =
2943.49 5303.98 6851.32
2295.35 4065.44 4499.63 4878.99
Dari matriks kontras dan nilai vektor rata-rata serta matrik variansi,
diperoleh
209.31 9432.32 1098.92 927.62
Cx = −60.05 ; CSC′ = 1098.92 5195.84 914.54
−12.79 927.62 914.54 7557.44
dan
Untuk α =0.05.
( n − 1 )( m − 1) 18 ( 3 )
Fm −1,n −m +1 ( α ) = F3,16 ( 0.05 )
( n − m + 1) 16
18 ( 3 )
= ( 3.24 )
16
= 10.94
97
c1′ µ = ( µ3 + µ4 ) − ( µ1 + µ2 ) = Pengaruh halothane
5195.84
−60.05 ± 10.94 = −60.05 ± 54.70
19
( µ1 + µ4 ) − ( µ2 + µ3 ) = Interaksi H-CO 2
7557.44
−12.79 ± 10.94 = −12.79 ± 65.97
19
Interval kepercayaan pertama, menyatakan ada efek halothane
98
Perhatikan sampel acak beukuran n1 dari populasi 1 dan sampel acak
berukuran n 2 dari populasi 2. Pengamatan pada p variabel disusun
sebagai berikut
Sampel Ringkasan Statisik
Populasi 1 1 1
n
1
n
( x1j − x1 )( x1j − x1 )′
1
99
n1
Ketika Σ1 = Σ2 = Σ , ∑ ( x1j − x1 )( x1j − x1 )′ adalah estimasi dari
j =1
n2
( n1 − 1 )Σ dan ∑ ( x2 j − x2 )( x2 j − x2 )′ merupakan estimasi dari
j =1
∑ ( x1j − x1 )( x1 j − x1 )′ + ∑ ( x2 j − x2 )( x2 j − x2 )′
j =1 j =1
Sp =
n1 + n2 − 2
n1 − 1 n2 − 1
= S1 + S2 (0.93)
n1 + n2 − 2 n1 + n2 − 2
n
Karena ∑ ( x1j − x1 )( x1j − x1 )′ mempunyai derajat bebas n 1 − 1 dan
j =1
n
100
Karena S p estimasi dari Σ , nampak bahwa
1 1
+ 1 S merupakan estimasi dari + 1 Σ
n p n
1 n2 1 n2
Uji likelihood ratio dari
H 0 : µ1 − µ2 = δ0
1 −1
T 2 = ( x1 − x2 − δ0 )′ + 1 S ( x − x − δ ) > c 2
n p 1 2 0
1 n2
0.95
Dimana jarak kritis c2 ditentukan dari distribusi dua-sampel statistic-
T2 .
Teorema 6.1
Jika X11 , X12 , ⋯, X1n1 merupakan sampel acak berukuran n1 dari
populasi berdistribusi normal, N p ( µ1 , Σ ) dan sampel acak berukuran
n2 yaitu, X21 , X22 , ⋯, X2n1 , independen dari populasi berdistrusi
N p ( µ 2 , Σ ) , maka
1 −1
T 2 = ( x1 − x2 − δ0 )′ + 1 S ( x − x − δ )
n p
1 n2
1 2 0
berdistribusi
( n1 + n2 − 2 ) p
Fp,n
( n1 + n2 − p − 1 ) 1 + n2 − p −1
akibatnya
101
−1
1 1
( x1 − x2 − ( µ1 − µ2 ) )′ + Sp
n1 n2 (0.96)
( x1 − x2 − ( µ1 − µ2 ) ≤ c2 ) = 1 − α
dimana
( n1 + n 2 − 2 ) p
c2 = Fp,n (α )
( n1 + n2 − p − 1 ) 1 + n 2 − p −1
.
102
Sehingga daerah kepercayaan adalah terpusat pada [-1.9, 0.2]’. Nilai
eigen dan vektor eigen dari S p diperoleh dari persamaan
2−λ 1
0 = Sp − λ I = = λ 2 − 7λ + 9
1 5−λ
S p e i = λi e i , i = 1,2
adalah
0.290 0.957
e1 = dan e =
2
−0.290
0.957
1 1
λi + c2 = λi 0.25
n1 n2
103
Unit sepanjang eigen vektor ei . atau 1.15 unit dalam arah e1 dan 0.65
unit dalam arah e2 .
dengan peluang 1 − α .
1 1
a ′ ( X1 − X2 ) ± c a ′ + Sp a
n1 n2
104
normal. Distribusi yang tidak normal dan kovariansi yang tidak sama
tidak dapat dipisahkan dengan uji Bartlet.
Suatu metode pengujian kesamaan dua matriks kovariansi yang
kurang sensitive terhadap asumsi normal multivariate telah
dikemukakan oleh Tiku dan Balakrisnan.
Teorema 6.3.
Misalkan sampel berukuran n1 − p dan n2 − p besar. Lalu, suatu
ellipsoid kepercayaan dengan pendekatan 100 ( 1 − α ) % untuk
µ1 − µ 2 memenuhi
1 −1
x1 − x2 − ( µ1 − µ2 ) ′ S + 1 S
n 1 n 2
1 2
x1 − x2 − ( µ1 − µ2 ) ≤ χp2 ( α )
Dimana χp2 ( α ) adalah persentil ke- ( 100α ) dari distribusi chi-kuadrat
dengan derajat bebas p .
Demikian halnya interval kepercayaan simultan 100 ( 1 − α ) % untuk
semua kombinasi linear a ′ ( µ1 − µ2 ) diberikan oleh
a ′ ( µ1 − µ 2 ) dibawah
1 1
a ′ ( x1 − x2 ) ± χp2 ( α ) a ′ S1 + S2 a
n1 n2
105
Interval kepercayaan simultan 96% untuk kombinasi linear
µ − µ21
a ′ ( µ1 − µ2 ) = 1, 0 11 = µ −µ
µ12 − µ22
11 21
dan
µ − µ21
a ′ ( µ1 − µ2 ) = 0,1 11 = µ −µ
µ − µ 12 22
12 22
adalah
=
556.6 − 355.0 886.08 2642.15 556.6 − 355.0
59.874 −20.080 74.4
= 74.4 201.6 ( 10−4 )
−10.080 10.519 201.6
= 15.66
χp2 ( 0.05 ) = 5.99
Untuk α =0.05, nilai kritisanya adalah dan
T 2
= 15.66 > χ22 ( 0.05 ) = 5.99 , Keputusannya tolak H0
106
2
Contoh 6.5 (Aproksimasi Distribusi T untuk Σ 1 ≠ Σ 2 )
Diberikan berapa nilai statistic dari suatu data sampel, aproksimasi
distribusi T 2 untuk kasus matriks kovariansi tidak sama.
Pertama,
1 1 13825.2 23825.4 307.227 529.409
S1 = =
n1 45 23823.4 73107.4
529.409 1624.609
107
dan
2
1 − 1 0.224 − 0.060 0.224 − 0.060
1 1
S1 S1 + S2
=
n 2 n1 n2 0.092 0.354 0.092 0.354
0.055 0.035
=
0.053 0.131
selanjutnya
2 2
1 1 1 1 −1
1 1 1 −1
tr S1 S1 +
S2 + tr S1 S1 + S2
n1 n1 n1 n2 n1 n1 n2
1
= {( 0.608 + 0.423 ) + ( 0.776 + 0.646 )} = 0.0678
45
2 2
1 1 1 1 −1
1 1 1 −1
tr S1 S1 +
S2 + tr S1 S1 + S2
n2 n n1 n2
n1 n1 n2
1
1
= {( 0.055 + 0.131) + ( 0.224 + 0.354 ) } = 0.009
55
Estimasi derajat bebas v adalah
2 + 22
v = = 77.6
0.0678 + 0.0095
Dan nilai kritis untuk α = 0.05 adalah
vp 77.6 × 2
Fp,v − p +1 ( 0.05 ) = F ( 0.05 )
v −p +1 77.6 − 2 + 1 2,77.6−2 +1
155.2
= 3.12 = 6.32
76.6
Nilai statistic T 2 dari data hasil pengamatan adalah 15.66 sehingga
hipotesis ditolak pada level 5%
108
3. Membandingkan Beberapa Rata-Rata Populasi Multivariat
(Manova-Satu Arah)
Kenyataan dari kebanyakan penelitian lebih sering kita
membandingkan lebih dari dua populasi. Sample acak yang
dikumpulkan dari setiap h populasi, disusun sebagai berikut
Populasi 1: x11, x12 , ⋯, x1n
1
Populasi 2: x11, x12 , ⋯, x1n
2
(0.97)
⋮ ⋮
Populasi h: xh 1, xh 2 , ⋯, xhn
h
normal, N ( µi , σ ) berukuran.
2. Sampel acak saling independen.
Meskipun hipotesis nol dari kesamaan rata-rata dapat dituliskan
sebagai µ1 = µ2 = ⋯ = µh , hal tersebut biasanya berkenaan dengan
µi sebagai jumlah dari semua komponen rata-rata, seperti µ dan
109
suatu komponen berkaitan dengan populasi tertentu. Sebagai contoh,
kita dapat menuliskan µi = µ + ( µi − µ ) atau µi = µ + τi dimana
τi = µi − µ .
µi = µ + τi (0.98)
Rata-rata
Rata-rata
Efek perlakuan
populasi ke-i keseluruhan
populasi ke-i
110
( xij − x ) = ( x + ( x i − x ) + ( x ij − x i ) − x )
2 2
( xij − x ) = ( ( x i − x ) + ( x ij − x i ) )
2 2
( xij − x ) = ( x i − x ) + ( x ij − x i ) + 2 ( x i − x ) ( x ij − x i )
2 2 2
∑ {( xi − x ) }
j n
∑ ( x ij ) + ( x ij − x i ) + 2 ( x i − x ) ( x ij − x i )
2 2 2
−x =
i =1 i =1
n n n
+∑ ( x ij − x i ) + ∑ 2 ( x i − x )( x ij − xi )
2
∑ ( xi − x )
2
=
i =1 i =1 i =1
n
∑ ( x ij − x i ) +n ( x i − x )
2 2
=
i =1
j =1 j =1
n m n m n
∑ ∑ ( xij − x ) ∑ ∑ ( xij − xi ) +∑ m ( xi − x )
2 2 2
=
i =1 j =1 i =1 j =1 i =n
∑ ∑ ( xij − x ) ∑ ∑ ( xij − xi ) +∑ m ( xi − x )
2 2 2
= (0.101)
i =1 j =1 i =1 j =1 i =n
Dimana
n m
∑ ∑ ( xij − x )
2
adalah jumlah kuadrat total terkoreksi,
i =1 j =1
n m
∑∑ ( xij − xi )
2
adalah jumlah kuadrat perlakuan, jumlah kuadrat
i =1 j =1
111
n
∑ m ( xi − x )
2
adalah jumlah kuadrat respon (jumlah kuadrat antara
i =1
responde ( SS Within)
Atau
n m
∑ ∑ x ij2 = ( n1 + n2 + ⋯ + nn ) x 2 +
i =1 j =1
n n m
(0.102)
∑ ni ( x i − x ) +∑ ∑ ( x ij − x i )
2 2
i =1 i =1 j =1
3 +1+2 (9 + 6 + 9 + 0 + 2 + 3 + 1 + 3)
x3 = = 2 dan x = =4
3 8
Diperoleh bahwa
3 = x 31 = x + ( x 3 − x ) + ( x 31 − x 3 )
= 4 + (2 − 4 ) + ( 3 − 2)
= 4 + ( −2 ) + 1
1 = x 32 = x + ( x 3 − x ) + ( x 32 − x 3 )
= 4 + ( 2 − 4 ) + (1 − 2 )
= 4 + ( −2 ) + ( −1 )
112
2 = x 33 = x + ( x 3 − x ) + ( x 33 − x 3 )
= 4 + (2 − 4) + (2 − 2)
= 4 + ( −2 ) + 0
dan
9+6+9 (9 + 6 + 9 + 0 + 2 + 3 + 1 + 3)
x1 = = 8 dan x = =4
3 8
0+2 (9 + 6 + 9 + 0 + 2 + 3 + 1 + 3)
x2 = = 1 dan x = =4
2 8
Lakukan hal yang sama untuk setiap pengamatan sebagaimana pada
populasi 3. Dengan menerapkanny pada persamaan (0.100), diperoleh
array
x ij = x + ( x i − x ) + ( x ij − xi )
9 6 9 4 4 4 4 4 4 1 −2 1
0 2 = 4 4 + −3 −3 + −1 1
3 1 2 4 4 4 −2 −2 −2 1 −1 0
Pengamatan = Rata-Rata + Efek Perlakuan+ Residual
( x ij ) (x ) ( xi −x ) ( xij −xi )
113
vektor y ′ = 9, 6, 9, 0, 2, 3, 1, 2 . Panjang kuadratnya adalah
JK pmngt = 92 + 62 + 92 + 02 + 22 + 32 + 12 + 22 = 216
JK rt = 42 + 42 + 42 + 42 + 42 + 42 + 42 + 42 = 8 ( 42 ) = 128
SS prlk = 42 + 42 + 42 + ( −3 ) + ( −3 ) + ( −2 ) + ( −2 ) + ( −2 ) 2
2 2 2 2
= 3 ( 42 ) + 2 ( −3 ) + 3 ( −2 ) = 78
2 2
SS JKR = 12 + ( − 2 ) + 12 + ( − 1 ) + 12 + 12 + ( − 1 ) + 02 = 10
2 2 2
114
Sebagai ringkasannya, kita punya derajat bebas untuk JK rata-rata
adalah 1, JK perlakuan derajat bebasnya adalah n-1, JK untuk residual
adalah m-n. jumlah derajat bebas secara keseluruhan adalah n.
Menghitung jumlah kuadrat dan derajat bebas yang berkaitan setiap
jumlah kuadrat tersebut diterangkan dalam table berikut:
Tabel ANOVA untuk membandingkan Rara-rata populasi Univariat
Sumber variasi Jumlah Kuadrat df
Perlakuan n n −1
∑ ni ( x i − x )
2
SStr =
i =1
Residual n m n
∑ ∑ ( xij − xi ) ∑ ni − n
2
SStr =
i =1 j =1 i =1
Total n m n
∑ ∑ ( xij − xi ) ∑ ni − 1
2
SStot =
i =1 j =1 i =1
1 Sres
= (0.103)
1 + SStr SSres SS res + SStr
115
Contoh 6.6 (Table Anova Univariat dan Uji –F untuk Efek
Perlakuan)
Gunakan nilai dan informasi pada contoh 6.5, Kita punya table ANOVA:
Sumber Variasi Jumlah Kuadrat Derajat Bebas
Perlakuan SS tr = 78 n − 1 = 3-1 =2
Residual SS res = 10 n
∑ ni − n = (3 + 2 + 3) -3 = 5
i =1
∑ ni − 1 = (3 + 2 + 3) -1 = 7
i =1
Akibatnya,
SStr ( n − 1) 78 2
F = = = 19.5
SSres ( ∑ ni − n ) 10 5
116
n
Total Sampel ke- i : yi. = ∑ x ij
j =1
k n
Total Keseluruh : x.. = ∑ ∑ x ij
i =1 j =1
xi .
Rata-rata sample ke- i : xi . =
n.
x ..
Rata-rata Keseluruhan: xij =
kn
Model Manova untuk Membandingkan Vektor Rata-Rata Populasi
X ij = µ + τ i + εij ; j = 1, 2, ⋯, m dan i = 1, 2, ⋯, n 0.104
Dimana variabel εij ∼ NID p (0, Σ) . Parameter vektor µ merupakan
n
rata-rata total, τ i merupakan efek perlakuan ke- i dengan ∑ ni τ i =0
i =1
.
Dalam model variabel ke- p dalam X ij menjadi
x ij 1 µ1 τi1 εij 1
x µ τ ε
ij 2 = 2 + i 2 + ij 2
⋮ ⋮ ⋮ ⋮
xijp µp τip εijp
Sehingga model untuk variabel ke- r dalam setiap vektor yij adalah
y ijr = µr + τ ir + εijr
117
Vektor pengamatan dimungkin untuk didekomposisi dengan model.
yaitu
x ij = x + ( x i − x ) + ( x ij − xi ) (0.105)
Dimana xij merupakan vektor pengamatan ke- i untuk perlakuan ke- j
, x estimator rata-rata total sampel, xi − x adalah estimator dari τ ,
dan xij − xi merupakan estimator dari parameter residual.
( xij − x )( xij − x )′
m
Karena ∑ ( xij − xi ) = 0 , maka
j =1
118
n m n m
n m n
∑ ∑ ( xij − x )( xij − x )′ = ∑ m ( xi − x )( xi − x )′
i =1 j =1 i =1
n m
(0.106)
+∑ ∑ ( xij − xi )( xij − xi )′
i =1 j =1
dimana
n m
Uji Wilk
Hipotesis yang akan diuji adalah, hipotesis yang berkaitan dengan
tidak ada efek perlakuan, dirumus sebagai berikut
H 0 : τ1 = τ 2 = ⋯ = τ n = 0
119
Diuji dengan mempertimbangkan ukuran relative perlakuan dan
jumlah kuadrat residual dan hasilkali silang. Secara formal, ringkasan
perhitungan uji statistic dalam table MANOVA.
Tabel Manova untuk membandingkan Vektor rata-rata populasi.
Sumber Matriks Jumlah Kuadrat dan Derajat
Variansi Hasil Kali Silang (SSP) bebas
Perlakua n n −1
n B= ∑ m ( xi − x )( xi − x )′
i =1
Residual n m n
W= ∑ ∑ ( xij − xi )( xij − xi )′ ∑ ni − n
i =1 j =1 i =1
Total n m n
B+W = ∑ ∑ ( xij − x )( xij − x )′ ∑ ni − 1
i =1 j =1 i =1
W
∑ ∑ ( xij − xi )( xij − xi )′
i =1 j =1
Γ= = (0.108)
B+W n m
∑ ∑ ( xij − x )( xij − x )′
i =1 j =1
120
Tabel 6.1 Distribusi Lambda Wilk
Jumlah Variabel Jumlah Group Distribusi sampel untuk data multivariate
p=1 n ≥2 ∑ ni − n 1 − Γ
∼ Fn −1, ∑ n −n
n − 1 Γ i
∑ ni − n − 1 1 − Γ ∼ F
p=2 n ≥2
2( n −1),1( ∑ ni −n −1)
n −1 Γ
p ≥1 n =2 ∑ ni − p − 1 1 − Γ
∼ Fp, ∑ n −p−1
p Γ i
p ≥1 n =3 ∑ ni − p − 1 1 − Γ
∼ F2p,2( ∑ ni −p −2 )
p Γ
( p + n ) W
− n − 1 − ln > χp ( n −1) ( α )
2
2 B + W
0.110
Dimana χp2( n −1) ( α ) adalah persentil ke- ( 100α ) dari distribusi chi-
kuadrat dengan derajat bebas p ( n − 1 ) .
121
adalah n 1 = 3 n2 = 2, n 3 = 3. Susun pasangan hasil pengamatan X ij
dalam bentuk baris, diperoleh
9
6 9
2 7
8 1 2 4
3
dengan x1 = , x2 = ; x3 = ; x4 =
0 2
4 2 8 5
4
0
3 1 2
8 7
9
dan
SS pgmt = SSrt + SStr + SSres
216 = 128 + 78 + 10
Total SS = SS pgmt − SS rt = 216 − 126 = 88
122
Kedua analisis komponen tunggal tersebut harus diperbesar dengan
jumlah elemen hasil kali dalam rangka melengkapkan elemen-elemen
dalam table MANOVA. Tampilkan baris demi baris dalam array untuk
dua variabel, diperoleh hasil kali
Total (terkoreksi) hasil kali = (total hasil kali) – (rata-rata hasil kali)
= 149-160 =-11
Selanjutnya, table MANOVA:
Matriks Jumlah
Sumber Variansi Kuadrat dan Hasil Derajat Bebas
Kali
78 − 12
Perlakuan 3–1=2
− 12 48
10 1
Residual 3+2+3-3=5
1 24
88 − 11
Total (Koreksi) 7
− 11 72
123
10 1
W 1 24
Γ = =
B + W 88 − 11
− 11 72
10 ( 24 ) − ( 1 )
2
239
= = = 0.0385
88 ( 72 ) − ( −11 )
2 6215
1 − Γ ∑ ni − n − 1 1 − 0.0385 8 − 3 − 1
= = 8.19
−
−
Γ n 1 0.0385 3 1
Dengan suatu titik persentase dari distribusi-F mempunyai
v1 = 2 ( n − 1 ) = 4 dan v2 = 2 ( ∑ ni − n − 1 ) = 8 . Karena
8.19 > F4,8 ( 0.01 ) = 7.01 , tolak H 0 pada taraf signifikansi dan
disimpulkan bahwa terdapat perbedaan dalam perlakuan
124
Satu tujuan dari penelitian tersebut adalah meneliti efek kepemilikan
atau sertifikasi (atau kedua) terhadap biaya. Terdapat empat biaya,
Basis hari-per pasien dan diukur dalam jam perpasien perhari,
variabelnya adalah X1 biaya gaji perawat, X 2 biaya makanan, X 3 biaya
operational perencanaa dan perawatan, X 4 biaya penjaga rumah dan
laundry. Total pengamatan yang telah dilakukan sebanyak n = 516
pada setiap dari p = 4 variabel biaya.
Ringkasan statistic untuk setiap g = 3 diberikan pada table berikut
Kelompok Jumlah Vektor rata-rata
Pengamatan sampel
i = 1 (Pribadi) n1 = 271 2.066
0.480
x1 =
0.082
0.260
i = 2 (Non-Provit) n 2 = 138 2.167
0.596
x2 =
0.124
0.418
i = 3 (Pemerintah) n 3 = 107 2.273
0.521
x3
0.125
0.383
n
∑ n1 = 516
i =1
0.291 0.561
−0.001 0.011 0.011 0.025
S1 = ; S =
1
0.002 0.000 0.001 0.001 0.004 0.005
0.010 0.003 0.000 0.010 0.037 0.007 0.002 0.019
125
0.261
0.030 0.017
S3 =
0.003 −0.000 0.004
0.018 0.006 0.001 0.013
W = ( n1 − 1 ) S1 + ( n2 − 1 ) S2 + ( n 3 − 1 ) S3
182.962
4.408 8.200
=
1.695 0.633 1.484
9.581 2.428 0.394 6.538
juga
2.136
n1x1 + n2 x2 + n3 x3 0.519
x= =
n1 + n2 + n3 0.102
0.380
dan
3.475
3 1.111 1.225
B = ∑ n1 ( x1 − x )( x1 − x )′ =
i =1 0.821 0.453 0.235
0.584 0.610 0.230 0.304
126
W
Γ= = 0.7714
B+W
dan
∑ ni − p − 2 1 − Γ 516 − 4 − 2 1 − 0.7714
=
= 17.67
p Γ
4 0.7714
Misalkan taraf signifikansi α =0.01 sedemikian hingga F2( 4 ),2( 510 ) ( 0.01 )
= χ82 ( 0.01 ) 8 = 2.51 . Karena 17.67 > F8,1020 ( 0.01 ) = 2.51 , tolak H 0 pada
taraf signifikansi 0.01 dan disimpulkan bahwa rata-rata biaya berbeda,
bergantung pada jenis kepemilikan.
Uji Roy
Dalam pendekatan gabungan-irisan, kita mencari kombinasi linear
z ij = a ′y ij yang memaksimumkan sebaran dari transformasi rata-rata
z i . = a ′y i . relative terhadap variasi didalam sebaran sampel dari titik.
Kemudian kita mencari vektor yang memaksimumkan
a
n ∑ ( zi . − z.. ) (a − 1 )
2
i =1
F = (0.111)
a b
i =1 j =1
127
a (b − 1 )
max F = λ1 (0.113)
a a −1
Untuk menguji H 0 yang didasarkan pada λ1 , Uji akar terbesar Roy,
yaitu
λ1
θ= (0.114)
1 + λ1
dimana,
s = min ( vW , p ) , m = 1
2
( vW − p − 1) , N = 1
2
( vB − p − 1)
τˆij = x ij − x j (0.115)
Dan τˆij − τˆkj = xij − xkj adalah selisih antara dua rata-rata sampel
independen. Interval kepercayaan untuk dua sampel didasarkan pada
statistic-t adalah valid dengan perubahan pada α . Perhatikan bahwa
1 1
var ( τˆki − τˆli ) = var ( Xki − Xli ) = + σii
nk nl
128
Dimana σii elemen diagonal dari Σ . estimasi dari var ( X ki − X li )
adalah
1 1 w
var ( Xki − Xli ) = + ii
nk nl n − g
Dimana w ii elemen diagonal dari W dan n = n 1 + n 2 + ⋯ + n g .
Terdapat p variabel dan g ( g − 1 ) 2 pasangan berbeda, sehingga
interval-t dua sampel akan dikerjakan dalam nilai kritis tn −g ( α 2m ) ,
dimana
pg ( g − 1 )
m= (0.116)
2
Adalah jumlah pernyataan kepercayaan simultan.
Teorema 6.5
g
Misalkan n = ∑ nk untuk model pada persamaan…, dengan
k =1
kepercayaan paling sedikit ( 1 − α ) ,
wii 1
τ ki − τli dibawah x ki − x li ± tn −g
α 1
+
pg ( g − 1 ) n − g nk nl
129
Contoh 6.8 (Interval kepercayaan untuk perbedaan perlakuan-
Perawat-Rumah).
Dari contoh sebelumnya (6.7), bahwa biaya rata-rata untuk perawat
rumah yang berbeda, bergantung pada jenis kepemilikan. Gunakan
hasil pada contoh 6.7 untuk mengestimasi perbedaan. Suatu
perbandingan dari variabel X 3 , biaya rencan operasional dan
perawatan tenaga kerja, antara kepemilikan pribadi dan pemerintah
dapat dibuat estimasi τ13 − τ 33 . Dengan menggunakan persamaan
(0.105) dan informasi yang ada pada contoh sebelumnya, kita punya
−0.070 0.137
−0.039 0.002
τˆ1 = ( x1 − x ) = ; τˆ = ( x − x ) =
0.023
−0.020
3 3
−0.020 0.003
182.962
4.408 8.200
W=
1.695 0.633 1.484
9.581 2.428 0.394 6.538
Akibatnya,
τˆ13 − τˆ33 = − 0.020 − 0.023 = 0.043
130
τ13 − τ 33 dibawah
1 1 w
τˆ13 − τˆ33 ± t513 ( 0.00208 ) + 33
n1 n3 n − g
= ( − 0.058, − 0.026 )
dan
τ 223 − τ 33 dibawah
1 1 w
τˆ23 − τˆ33 ± t513 ( 0.00208 ) + 33
n2 n3 n − g
= ( − 0.021, 0.019 )
131
dengan g populasi, hipotesis nolnya adalah
H 0 : Σ1 = Σ 2 = ⋯ = Σ g = Σ (0.117)
dimana Σl adalah matriks kovariansi untuk populasi ke- l , l = 1, 2, ⋯, g
dan Σ adalah asumsi awal dari matriks kovariansi. Hipotesis
altenatifnya adalah paling sedikit dua diantara matriks kovarians tidak
sama.
Andaikan bahwa populasinya berdistribusi normal multivariate, suatu
uji likelihood rasio untuk menguji hipotesis diberikan oleh
( nl −1 )
S 2
M = ∑( nl − 1) ln Sp − ∑( nl − 1) ln Sl (0.120)
l l
Jika hipotesis nol benar, sample individual matriks kovariansi tidak
mengekspektasi pada perbedaan yang terlalu besar dan, akibatnya
tidak ada perbedaan dari matriks kovariansi matriks gabungan.
132
Uji Box Untuk kesamaan Matriks kovariansi
Diberikan
1 1 2p2 + 3p − 1
u = ∑ − (0.121)
6 ( p + 1)( g − 1)
l ( nl − 1 ) ∑ l
( n − 1 )
l
Dimana p adalah jumlah variabel dan g adalah jumlah kelompok.
Maka
C = ( 1 − u) M = ( 1 −u ) ∑( nl −1) ln Sp − ∑( nl −1) ln Sl (0.122)
l l
Berdistribusi chi-kuadrat dengan
1 1 1
v =g p ( p + 1 ) − p ( p + 1 ) = p ( p + 1 )( g − 1 ) (0.123)
2 2 2
Sebagai derajat bebas. Pada taraf signifikansi α , tolak H0 jika
C > χ p2
( p + 1 )( g − 1 ) 2 (α )
133
2 ( 4 ) + 2 ( 4 ) − 1
2
1 1 1 1
u = + + +
270 137 106 270 + 137 + 106 6 ( 4 + 1 )( 3 − 1 )
= 0.0133
M = 270 + 137 + 106 ( −15.564 ) −
270 ( −17.397 ) + 137 ( 13.926 ) + 106 ( −15.741 )
= 289.3
dan C=(1-0.0133)289.3 =285.5. Rujuk C pada table chi-kuadrat
dengan v = 4 ( 4 + 1)( 3 − 1) / 2 = 20 . Hal tersebut menjelaskan kepada
kita bahwa H 0 ditolak pada semua level signifikansi. Kesimpulannya,
bahwa matriks kovariansi dari variabel biaya berkaitan dengan tiga
populasi dari rumah perawat adalah tidak sama.
134
a b a b
Dimana ∑ τi = ∑ βj = ∑ γij = ∑ γij = 0 dan εijk ∼ NIID ( 0, σ 2 ) . dari
i =1 j =1 i =1 j =1
( x − x ) + ( x − x ) + ( x − x − x + x )
2
( x ijk ) = i
2 j ij i. .j
−x
+ ( x ijk − x ijk )
Lalu ambil jumlah dari kuadrat residual
135
2
( xi − x ) + ( x j − x )
a b n a b
n
∑∑∑( xijk − x ) = ∑∑∑ + ( xij − xi. − x.j + x )
2
i =1 j =1 k =1
i =1 j =1 k
+ ( xijk − xijk )
a b n
Karena ∑ ∑ ∑ ( xi − x )( x j − x ) = 0 maka
i =1 j =1 k =1
a b n a b n a b n
∑ ∑ ∑ ( x ijk − x ) ∑ ∑ ∑ (xi − x ) + ∑ ∑ ∑ (x j − x )
2 2
=
i =1 j = 1 k i = 1 j =1 k = 1 i =1 j =1 k
a b n a b n
+∑ ∑ ∑ ( x ij − x i. − x . j + x ) + ∑ ∑ ∑ ( x ijk − x ijk )
2 2
i = 1 j =1 k i = 1 j =1 k
a b n a b
∑ ∑ ∑ ( x ijk − x ) ∑ bn ( x i. − x ) ∑ an ( x . j − x )
2 2 2
= +
i =1 j =1 k =1 i =1 j =1
a b
+ ∑ ∑ n ( x ij − x i. − x . j + x ) (0.127)
2
i = 1 j =1
a b n
+ ∑ ∑ ∑ ( x ijk − x ij )
2
i = 1 j =1 k = 1
Atau
S S to t = S S 1 + S S 2 + S S 1 2 + S S res
136
Table Anova untuk membandingkan efek dua factor dan interaksinya
Sumber Jumlah Kuadrat df MS F
Variasi
Faktor 1 a SS1/ SS1 (a − 1 )
∑ bn ( xi. − x )
2
SS1 =
i =1
(a − 1) (a − 1) SSres ab ( n − 1 )
SS 2 ( a − 1 )
Faktor 2
SS2 = ∑ an ( x.j
b
−x )
2 (b − 1 ) SS2/
SSres ab ( n − 1 )
j =1 (b − 1 )
Interaksi SS12 = (a − 1)(b − 1) SS12/ SS12 ( a − 1 )
SSres ab ( n − 1 )
a b
∑ ∑ n ( x ij − x i. − x. j +x )
2 (a − 1)(b − 1)
i =1 j =1
i =1 j =1 k =1
Total SStot = abn − 1 SStot/
a b n abn − 1
∑ ∑ ∑ ( xijk − x )
2
i =1 j =1 k =1
Untuk i = 1, 2, ⋯ , a , j = 1, 2, ⋯, b dan k = 1, 2, ⋯, n
a b a b
Dimana ∑ τ i = ∑ βj = ∑ γij = ∑ γij 0. Semua vektor tersebut
i=1 j =1 i=1 j =1
137
Eskpektasi respon pada level ke i factor 1 dan level ke- j factor 2
adalah
ˆ + τˆi + βˆ j + γˆij
Xijk = µ (0.130)
Analogi dengan persamaan (0.125), setiap pengamatan dapat
didekomposisi sebagai
xijk = x + ( xi − x ) + ( x j − x ) +
(0.131)
( xij − xi. − x.j + x ) + ( xijk − xijk )
Dimana x rata-rata keseluruhan, x i. rata-rata level ke- i factor 1, x.j
rata-rata level ke- j factor 2 dan xij level ke- i factor 1 dan level- j
factor 2. Perkurangkan kedua ruang dengan x lalu kuadratkan serta
jumlah, diperoleh
( x − x ) + ( x − x ) + ( x − x − x + x )
( xijk − x )( xijk − x )′ = i
j ij i. .j
+ ( xijk − xijk )
( xi − x ) + ( x j − x ) + ( xij − xi. − x.j + x )′
+ ( xijk − xijk )
Lalu ambil jumlah dari kuadrat residual dan Karena
a b n
∑ ∑ ∑ ( xi − x ) ( x j − x ) = 0 maka
i =1 j =1 k =1
a b n a
atau
138
S S to t = S S 1 + S S 2 + S S 1 2 + S S res
139
Table Anova dari hasil tersebut adalah:
Sumber Jumlah Kuadrat df MS F
Variasi
a SS1 ( a − 1 )
Faktor 1 SS1 = ∑ bn ( xi. − x )
2
(a − 1) SS1/ (a − 1)
SSres ab ( n − 1 )
i =1
b SS 2 (a − 1 )
∑ an ( x.j − x ) (b − 1 ) SS2/ (b − 1 )
2
Faktor 2 SS2 =
j =1
SSres ab ( n − 1 )
a b SS12/ SS12 (a − 1 )
Interaksi SS12 = ∑ ∑ n ( xij − xi. − x. j + x )
2
(a − 1)(b − 1)
i =1 j =1 (a − 1)(b − 1) SSres ab ( n − 1 )
a b n
a b n
∑ ∑ ∑ ( xijk − x )
2
Total SStot = abn − 1 SStot/ abn − 1
i =1 j =1 k =1
140
Uji (likelihood rasio) dari hipotesis
H 0 : γ 11 = γ 12 = ⋯ = γ ab = 0 (0.134)
Lawan
H1 : Paling sedikit terdapat satu tidak sama dengan nol
Dilakukan dengan menolak H0 untuk nilai kecil dari rasio
SSPres
Γ= (0.135)
SSPint + SSPres
Untuk sample besar, Lambda Wilk dapat didekati dengan distribusi chi-
kuadrat. Menggunakan Bartlet untuk menaikkan kesuaian dengan chi-
kuadrat, tolak H 0 jika
p + 1 − ( a − 1 )(b − 1 )
− ab ( n − 1 ) = ln Γ > χ2
(a −1)(b −1) p ( )
α (0.136)
2
Dimana Γ diberikan dalam persamaan (0.135) dan χ(2a −1 )(b −1 )p ( α )
141
Faktor 1: Jumlah Aditif
Low High
x1 x 2 x 3 x1 x 2 x 3
Test DF
Criterion Statistic F Num Denom P
Wilks' 0,38186 7,554 3 14 0,003
Lawley-Hotelling 1,61877 7,554 3 14 0,003
Pillai's 0,61814 7,554 3 14 0,003
Roy's 1,61877
142
Opacity -3,070 -0,5520 64,924
Eigenvector 1 2 3
Tear 0,6541 0,4315 0,0604
Gloss -0,3385 0,5163 0,0012
Opacity 0,0359 0,0302 -0,1209
Test DF
Criterion Statistic F Num Denom P
Wilks' 0,52303 4,256 3 14 0,025
Lawley-Hotelling 0,91192 4,256 3 14 0,025
Pillai's 0,47697 4,256 3 14 0,025
Roy's 0,91192
143
Proportion 1,0000 0,00000 0,00000
Cumulative 1,0000 1,00000 1,00000
Eigenvector 1 2 3
Tear -0,6330 0,4480 -0,1276
Gloss -0,3214 -0,4992 -0,1694
Opacity -0,0684 0,0000 0,1102
Eigenvector 1 2 3
Tear -0,1364 0,1806 0,7527
Gloss -0,5376 -0,3028 -0,0228
Opacity -0,0683 0,1102 -0,0000
Untuk ( a − 1)(b − 1) = 1
144
1 − Γ ( ab ( n − 1 ) − p + 1 ) 2
F =
Γ ( ( a − 1 )(b − 1 ) − p + 1 ) 2
1 − 0.7771 ( 2 ( 2 )( 4 ) − 3 + 1) 2
F = = 1.34
0.7771 ( 1 ( 1 ) 0.3 + 1 ) 2
v1 = ( 1 ( 1 ) − 3 1 ) = 3
v2 = ( 2 ( 2 )( 4 ) − 3 + 1 ) = 14
dan F3,14 ( 0.05 ) = 3.34 . Karena F = 1.34 < F3,14 ( 0.05 ) = 3.34 ,
Karena χ32 ( 0.05 ) = 7.81 , kita dapat mengambil kesimpulan yang sama
sebagaimana yang disajikan dalam uji-F.
Untuk menguji efek factor 1 dan factor 2, hitung
SSPres 275.7098
Γ= = = 0.3819
SSPfac1 + SSPres 722.0212
dan
145
SSPres 275.7098
Γ= = = 0.5230
SSPfac2 + SSPres 527.1347
1 − Γ ( ab ( n − 1 ) − p + 1 ) 2
F1 =
Γ ( ( a − 1 ) − p + 1 ) 2
1 − 0.5230 ( 16 − 3 + 1 ) 2
F2 = = 4.26
0.5230 ( 1 − 3 + 1 ) 2
dan
v1 = 1 − 3 + 1 = 3 ; v2 = ( 16 − 3 + 1) = 14
146
F2 = 4.26 > F3,14 ( 0.05 ) = 3.34 , keputusannya adalah tolak H0 pada
taraf signinfikansi 0.05.
Latihan Soal
6. 1.Konstruksi dan Gambarkan gabugan daerah kepercayaan 95%
untuk perbedaan vektor rata-rata menggunakan data pada contoh
6.1. Perhatikan bahwa titik δ = 0 jatuh diluar kontur 95%. Apakah
sesuai dengan H0 : δ = 0 yang dijelaskan dalam contoh 6.1?
Jelaskan
6. 2. Gunakan informasi dalam contoh 6.1. Konstruksi interval
kepercayaan simultan Banferroni untuk komponen perbedaan
rata-rata vektor δ . Bandingkan panjang tersebut dengan panjang
interval pada contoh.
6. 3.Seorang peneliti memperhatikan tiga indikasi pengukuran
kerusakan serangan jantung. Nilai dari indikasi-indikasi tersebut
untuk n = 40 pasien serangan jantung yang datang ke rumah
sakit menghasilkan rangkuman statistic berikut
46.1 101.3 63.0 71.0
x = 57.3 dan S = 63.0 80.2 55.6
50.4 71.0 55.6 97.4
(a) Dari ketiga indikasi tersebut dievaluasi untuk setiap pasien.
Uji kesamaan rata-rata indikasi dengan menggunakan
persamaan 0.92. dengan α = 0.05
(b) Buat keputusan dari perbedaan pasangan rata-rata indikasi
menggunakan interval kepercayaan simultasn 95%.
6. 4.Gunakan data perlakuan (2) dan perlakuan (3) dalam latihan 6.6
Untuk
(a) Hitung Sp
147
(c) Konstruksi interval kepercayaan simultan 95% untuk
perbedaan µ2i − µ3i , untuk i = 1, 2
6. 5.Gunakan ringkasan statistic pada latihan 6.3, untuk menghitung
T 2 dan uji hipotesis H0 : µ1 − µ2 = 0 , dengan asumsi bahwa
148
Faktor 2
Level 1 Level 2 Level 3 Level 4
Level 1 6 4 8 2
8 6 12 6
Faktor 1
Level 2 3 −3 4 −4
8 2 3 3
Level 3 −3 −4 3 −4
2 −5 −3 −6
Dengan tanpa pengulangan, model MANOVA dua-aray adalah
Xlk = µ + τl + βk + εlk
(a) Dekomposisi pengamatan untuk setiap dua variabel sebagai
xlk = x + ( xl. − x ) + ( x.k − x ) + ( xlk − xl. − x.k + x )
(b) Hitung jumlah kuadrat
SStot = SSrt + SS f 1 + SS f 2 + SSres
Dan hasil kali
SCPtot = SCPrt + SCPf 1 + SCPf 2 + SCPres
Dari dua hal tersebut, susun matriks SSPtot , SSPf 1, SSPf 2, dan
SSPres dengan derajat bebas ab − 1, a − 1, b − 1, dan
(a − 1)(b − 1)
(c) Tuangkan seluruh hasil perhitungan pada bagian (b) dalam table
MANOVA.
(d) Dari table MANOVA pada bagian (c), uji efek factor 1 dan factor 2
pada taraf signifikansi α = 0.01
6. 8.Suatu eksperimen dengan pengamatan berulang dari data pada
latihan 6.7 dan hasilnya sebagaimana data berikut
149
Faktor 2
Level 1 Level 2 Level 3 Level 4
Level 1 6 4 8 2
8 6 12 6
Faktor 1
Level 2 3 −3 4 −4
8 2 3 3
Level 3 −3 −4 3 −4
2 −5 −3 −6
(a) Gunakan data tersebut untuk mendekomposisi setiap dari dua
pengukuran dalam vektor pengamatan sebagai
xlk = x + ( xl. − x ) + ( x.k − x ) + ( xlk − xl. − x.k + x )
(b) Kombinasikan dengan hasil yang diperoleh pada latihan 6.7
untuk mendapatkan table MANOVA dua arah
(c) Dari hasil yang diperoleh pada bagian ( c ), uji factor interaksi,
dan jika tidak ada pengaruhnya, lanjutkan dengan uji factor
utama 1, dan factor utama 2. Gunakan rasio likelihood dengan
α = 0.05
(d) Jika efek utama, tapi bukan efek inteaksi, ada, uji efek utama
dengan mengkonstruksi interval kepercayaan simultan
Banferroni untuk perbedaan komponene dari parameter factor
efek.
6. 9.Merujuk pada latihan 6.7.
(a) Uji dengan pendekatan chi-kuadrat (ratio likelihood) untuk
efek factor 1 dan factor 2 dengan taraf signifikansi α = 0.05.
Bandingkan hasil-hasil tersebut dengan hasil untuk uji-F .
jelaskan perbedaannya
Gunakan persamaan 6.70, konstruksi interval kepercayaan
simultan 95% dalam parameter efek factor 1 untuk ketiga
pasangan respon. Interpretasi interval tersebut. Ulangi
perhitungan untuk parameter efek factor 2.
150
DAFTAR PUSTAKA
152
Rencher, Alvin C and William F Christensen. Method of Multivariate
Analysis. Third Edition. New Jersey: John Wiley & Sons Inc,
2012.
Seber, George A.F. A Matrix Handbook for Statisticians. New York: A
John Wiley & Sons. Inc, 2007.
Tabachnick, Barbara G and Linda S Fidell. Using Multivariate Statistics.
Sixth Edition. New Jersey: Pearson, 2013.
Timm, Neil H. Applied Multivariate Analysis. New York: Springer, 2002.
Wichern, Dean W and Richard A Johnson. Applied Multivariate
Statistical Analysis. Sixth Edition. New Jersey: Pearson Prentice
Hall, 2007.
153
INDEKS
154
matriks, 2, 3, 4, 11, 12, 13, 14, 119, 121, 122, 124, 127,
15, 16, 17, 19, 20, 21, 22, 128, 129, 130, 131, 134,
23, 27, 30, 31, 33, 37, 40, 135, 137, 140, 146, 147
41, 42, 44, 62, 64, 69, 77, respon, 84, 85, 86, 92, 93, 95,
79, 80, 83 98, 110, 111, 134, 137,
Membandingkan, 84, 86, 91, 140, 147, 149
92, 98, 108, 117 Selisih, 86, 91
Model, 30, 117, 134, 137 Simultan, 69, 103, 128
nilai eigen, 33, 34, 35, 40, 71, taraf signifikansi, 77, 82, 86,
72 91, 115, 116, 124, 127,
nilai statistik, 3, 80 133, 145, 148, 149
Nilai Statistik Uji, 86, 91 uji Bartlet, 104
pengamatan, 1, 2, 3, 4, 5, 7, 8, Uji Box, 131, 132
11, 12, 14, 15, 16, 24, 25, uji hipotesis, 77, 85, 147
26, 30, 39, 40, 45, 47, 49, uji likelihood rasio, 131
50, 51, 52, 54, 58, 61, 63, Uji Roy, 127
71, 77, 78, 80, 82, 83 Uji Wilk, 119
Perbandingan, 69, 75, 84, 86, ukuran relative, 114, 119
91, 98, 128 unit eksperimen., 1
perlakuan, 84, 85, 86, 89, 91, variable, 1, 2, 3, 4, 5, 7, 9, 11,
92, 93, 94, 95, 97, 98, 109, 13, 15, 16, 29, 30, 32, 35,
110, 111, 113, 114, 116, 36, 39, 43, 44, 51, 52, 53,
117, 119, 120, 121, 123, 54, 55, 57, 58, 63, 69, 78
124, 128, 129, 146, 147 Variansi, 3, 6, 7, 25
persentil, 35, 38, 51, 68, 77, Variansi Dua-Arah, 134
78, 85, 88, 94, 104, 115, Variansi sampel, 3, 25
121, 140 variansi-kovariansi, 30
Prosedur Pengujian, 86 variasi, 11, 84, 91, 104, 114,
Rancangan Pengukuran 127
Berulang, 84, 92, 93 vektor, 5, 12, 13, 14, 15, 16,
rata-rata, 3, 12, 14, 15, 16, 21, 20, 21, 27, 28, 30, 33, 34,
25, 27, 28, 29, 30, 31, 37, 35, 36, 37, 39, 40, 42, 57,
39, 42, 44, 53, 57, 70, 76, 58, 69, 71, 72, 73, 79, 80
77, 79, 85, 86, 87, 88, 89, vektor eigen, 33, 34, 35, 71, 72
90, 91, 92, 93, 94, 95, 97, Wilks, 68, 120, 121, 141, 142,
98, 99, 101, 103, 105, 108, 143
109, 110, 113, 114, 117,
155
TENTANG PENULIS
156
Adnan Sauddin, lahir Teomokole pada Tahun 1974
bulan Mei tanggal 17. Suatu daerah kepulauan
(Pulau Kabaena) di Kabupaten Bombana. Anak ke-
16 dari enambelas bersaudara.
Menyelesaikan Pendidikan magister pada Jurusan
Statistika Institut Teknologi Sepuluh November
Surabaya pada Tahun 2007, Tahun 2000
menyelesaikan studi pada Jurusan Pendidikan Matematika Institut
Keguruan dan Ilmu Pendidikan (Tahun 1998 berubah menjadi UNM).
Selama mengikuti Pendidikan penulis terlibat pada beberapa
organisasi .
Sejak Tahun 2000, penulis mulai aktif mengajar di Lembaga
Pendidikan-STMIK Balikpapan-dan berkesempatan mengiktui berbagai
pelatihan professional. Pada Tahun 2013 penulis hijrah ke Sulawesi
selatan dan terdaftar sebaik pengajar pada Jurusan Matematika
Fakultas Sains dan Teknologi Univeristas Islam Negeri Makassar
hingga sekarang.
157
Alauddin University Press
Irwan, S.Si., M.Si.
Irwan, S.Si., M.Si, lahir di Lisu, Kabupaten Barru pada Tahun 1978 Adnan Sauddin, S.Pd., M.Si.
bulan September tanggal 22. Menyelesaikan Pendidikan Magister
pada Jurusan Statistika Institut Teknologi Sepuluh November
Surabaya pada tahun 2006, Tahun 2003 menyelesaikan studi pada
Jurusan Pendidikan Matematika Universitas Negeri Makassar.
Selama mengikuti Pendidikan penulis terlibat pada beberapa
organisasi, asisten dosen, tim asisten di Laboratorium Komputer
Matematika.
Sejak tahun 2006, penulis mulai aktif mengajar di Jurusan
Matematika Fakultas Sains dan Teknologi Universitas Islam Negeri
STATISTIKA
S T A T I S T I K A
Alauddin Makassar hingga sekarang. Mengikuti berbagai pelatihan
profesional dan juga sebagai trainer-Pelatihan Modul Dasar BTL,
LSE, ICT bagi guru SMT/MTS mitra DBE3 USAID Indonesia-2008-
2009, fasilitator pada workshop pembelajaran PAKEM dan
penggunaan alat peraga matematika bagi guru SD/MI se-
kabupaten Bulukumba. Jabatan Struktural, Ketua Jurusan
Matematika, Sekretaris LPM UIN Alauddin Makassar.
MULTIVARIAT
M U L T I V A R I A T
Adnan Sauddin, lahir Teomokole pada Tahun 1974 bulan Mei
tanggal 17. Suatu daerah kepulauan (Pulau Kabaena) di Kabupaten
Bombana. Anak ke-16 dari enam belas bersaudara. Menyelesaikan
Pendidikan Magister pada Jurusan Statistika Institut Teknologi
Sepuluh November Surabaya pada tahun 2007, Tahun 2000
menyelesaikan studi pada Jurusan Pendidikan Matematika Institut
Keguruan dan Ilmu Pendidikan (tahun 1998 berubah menjadi
UNM). Selama mengikuti Pendidikan penulis terlibat pada
beberapa organisasi .
Sejak tahun 2000, penulis mulai aktif mengajar di Lembaga
Pendidikan -STMIK Balikpapan- dan berkesempatan mengikuti
berbagai pelatihan profesional. Pada tahun 2013 penulis hijrah ke
Sulawesi Selatan dan terdaftar sebaik pengajar pada Jurusan
Matematika Fakultas Sains dan Teknologi Universitas Islam Negeri
Alauddin Makassar hingga sekarang.
Irwan, S.Si., M.Si. & Adnan Sauddin, S.Pd., M.Si.
ISBN 602-328-456-6
9 786023 284566
Alauddin University Press