ALJABAR MATRIK DAN RANDOM VEKTOR ,

GEOMETRI SAMPEL DAN RANDOM SAMPLING

Kelompok 2 :

1. M. Kamud Wibisono (4112316004)

2. Nidia Sinta Dewi (4112316009)
3. Nur Indah Dwi G (4112316012)
4. Anung Pramudita (4112316016)
 Aljabar Matriks dan Random Vektor

■ Pengertian
Data multivarian dapat ditampilkan dengan array angka. Secara umum, array
angka persegi panjang dengan, 𝑛 baris dan kolom 𝑝 disebut matriks dimensi
𝑛 × 𝑝. Studi metode multivariat biasannya menggunakan aljabar matriks.
■ Beberapa Dasar Aljabar Matriks dan Vektor
1. Vektor
Definisi : Vektor adalah array (susunan) dari n bilangan real 𝑥1 , 𝑥2, … , 𝑥𝑛 dan ditulis
sebagai berikut :
𝑥1
𝑥2
𝑥 = ⋮ atau 𝑥 ′ = 𝑥1 , 𝑥2 , … , 𝑥𝑛
𝑥𝑛
di mana 𝑥 ′ menunjukkan operasi transposing kolom ke baris.
- Perkalian vektor dengan konstanta c:
𝑐𝑥1
𝑐𝑥2
𝑐𝑥 = 𝑥 = ⋮
𝑐𝑥𝑛
- Penambahan x dan y :
𝑥1 𝑦1 𝑥1 + 𝑦1
𝑥2 𝑦2 𝑥 +𝑦
𝑥+𝑦 = ⋮ + ⋮ = 2 ⋮ 2
𝑥𝑛 𝑦𝑛 𝑥𝑛 + 𝑦𝑛
- Panjang vektor
𝐿𝑥 = 𝑥12 + 𝑥22 + ⋯ + 𝑥𝑛2

- Menentukan sudut antar dua vektor

𝑥1 𝑦1 + 𝑥2 𝑦2
cos 𝜃 = cos 𝜃2 − 𝜃1 =
𝐿𝑥 𝐿𝑦
2. Matriks
Definisi : Matriks adalah kumpulan bilangan yang diatur dalam suatu empat persegi panjang, menurut
baris-baris dan kolom-kolom. Secara umum banyaknya n baris dan p kolom disebut dengan matriks
dimensi nxp yang dapat dinyatakan sebagai berikut :
𝑎11 𝑎12 ⋯ 𝑎1𝑝
𝑎21 𝑎22 ⋯ 𝑎2𝑝
𝐴(𝑛𝑥𝑝) = ⋮ ⋮ ⋱ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑝
- Perkalian dengan skalar
𝑐𝑎11 𝑐𝑎12 ⋯ 𝑐𝑎1𝑝
𝑐𝑎21 𝑐𝑎22 ⋯ 𝑐𝑎2𝑝
𝑐𝐴{𝑛×𝑝} = ⋮ ⋮ ⋱ ⋮
𝑐𝑎𝑛1 𝑐𝑎𝑛2 ⋯ 𝑐𝑎𝑛𝑝
- Transpose matriks
𝑥11 𝑥21
𝑥11 𝑥12 𝑥13
𝑥 𝑥22
𝐴{2×3} = 𝑥
21 𝑥22 𝑥23 menjadi 𝐴′{3×2} = 12
𝑥13 𝑥23
- Matriks Orthogonal
𝑄𝑄′ = 𝑄′ 𝑄 = 𝐼 atau Q’=𝑄 −1
- Nilai eigen dengan vektor eigen 𝑥 ≠ 0 jika
𝐴𝑥 = 𝜆𝑥
■ Matriks Definit Positif
Sebuah matriks simetriks berukuran n x n. A dikatakan bersifat definit positif jika untuk
sembarang vektor 𝑥 ≠ 0 , bentuk kuadratik 𝑥 ′ 𝐴𝑥 > 0.
Sedangkan dikatakan semidefinit jika 𝑥 ′ 𝐴𝑥 ≥ 0. Jika A adalah definit positif maka
persamaan 𝑥 ′ 𝐴𝑥 = 𝑐, dengan c adalah konstan .
Jika A adalah matriks diagonal yang semua unsur diagonalnya bernilai positif, maka A
adalah matriks definit positif tapi jika ada paling tidak sebuah unsur bernilai nol (yang lain
positif) menjadi matriks semidefinit positif. Matriks definit positif , akar-akar cirinya semua
bernilai positif dan determinan dari matriks definit positif juga bernilai positif .
■ Matriks Akar Kuadrat
Dalam matematika, akar kuadrat dari sebuah matriks memperluas gagasan akar kuadrat
dari angka ke matriks. Matriks B dikatakan sebagai akar kuadrat dari A jika produk matriks BB
sama dengan A.
Misalkan A menjadi matriks pasti 𝑘 𝑥 positif dengan dekomposisi spektral
𝐴 = σ𝑘𝑖=1 𝜆𝑖 𝑒𝑖 𝑒𝑖′ . Biarkan vektor eigen yang dinormalisasi menjadi kolom dari matriks lain 𝑃 =
[𝑒1 , 𝑒2 , … , 𝑒𝑘 ] maka
𝐴 = σ𝑘𝑖=1 𝜆𝑖 𝑒𝑖 𝑒𝑖′ = 𝑃Λ𝑃′

di mana PP’ = P’P = I dan Λ adalah matriks diagonal

𝜆1 0 … 0
0 𝜆2 … 0
Λ= dengan 𝜆𝑖 > 0
⋮ ⋮ ⋱ ⋮
0 0 … 𝜆𝑘
Sehingga demikian
𝑘
1
𝐴−1 = 𝑃Λ −1 𝑃′ = ෍ 𝑒𝑖 𝑒′𝑖
𝜆𝑖
𝑖=1
Matriks akar kuadrat, dari matriks positif A,
1
■ 𝐴 = σ𝑘𝑖=1 𝜆𝑖 𝑒𝑖 𝑒′𝑖 = 𝑃Λ 1/2 𝑃′
2

1 1
■ 𝐴 = 𝐴
2′ 2

1 1
■ 𝐴 𝐴 =𝐴
2 2

1
1
■ (𝐴 ) −1 = σ𝑘𝑖=1
2 𝑒 𝑒′ = 𝑃Λ 1/2 𝑃′
𝜆𝑖 𝑖 𝑖
1 1 1 1 1 1 1 1
−2
■ 𝐴 𝐴2 = 𝐴 −2 𝐴 2 = I dan 𝐴−2 𝐴−2 = 𝐴−1 , 𝑑𝑖𝑚𝑎𝑛𝑎 𝐴 −2
= (𝐴 ) −1
2
■ Vektor dan Matriks Acak
Vektor acak adalah vektor yang unsur-unsurnya adalah variabel acak. Demikian pula, matriks
acak adalah matriks yang unsur-unsurnya adalah variabel acak.
Nilai harapan dari sebuah vektor atau matriks random adalah sebuah vektor atau matriks yang
memuat nilai harapan dari setiap elemennya. Nilai harapan dinotasikan sebagai 𝐸(𝑋)

𝐸(𝑋11 ) 𝐸(𝑋12 ) … 𝐸(𝑋1𝑝 )

𝐸(𝑋21 ) 𝐸(𝑋22 ) … 𝐸(𝑋2𝑝 )
𝐸(𝑋) =
⋮ ⋮ ⋱ ⋮
𝐸(𝑋 𝑛1 ) 𝐸(𝑋𝑛2 ) … 𝐸(𝑋𝑛𝑝 )
Sifat-sifat ekspetasi (nilai harapan) :
Apabila X dan Y variabel random dimensi sama, serta A dan B matriks kontan maka
1. 𝐸 𝑋 + 𝑌 = 𝐸 𝑋 +𝐸 𝑌
2. 𝐸 𝑋 − 𝑌 = 𝐸 𝑋 − 𝐸(𝑌)
3. 𝐸 𝑋𝑌 = 𝐸 𝑋 𝐸(𝑌), Jika 𝑋 dan 𝑌 independen
4. 𝐸 𝑎𝑋 + 𝑏 = 𝑎𝐸 𝑋 + 𝑏
■ Vektor Mean dan Matriks Covarians
1. Vektor Mean
Pada matriks data multivariat, masing-masing variabel bisa dihitung mean-nya, disajikan dalam bentuk
vektor mean sebagai berikut:
𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑝 )

𝑥11 𝑥12 ⋯ 𝑥1𝑝

𝑥21 𝑥22 ⋯ 𝑥2𝑝
𝑋= ⋮ ⋮ ⋮ ⋮
𝑥𝑛1 𝑥𝑛2 ⋯ 𝑥𝑛𝑝
Lalu dimisalkan tiap-tiap kolom pada matriks 𝑋 sebagai vektor kolom 𝑋1 , 𝑋2 , … , 𝑋𝑝 Maka mean dari
𝑋1 , 𝑋2 , … , 𝑋𝑝 berturut-turut adalah 𝑋ത1 , 𝑋ത2 , . . , 𝑋ത𝑝 yang diberikan oleh :

𝑋ത = 𝑋ത1 , 𝑋ത2 , . . , 𝑋ത𝑝 = 𝑛−1 1′𝑛 𝑋

Dimana 𝑛 adalah jumlah baris matriks 𝑋 dan 1𝑛 adalah vektor satuan dengan panjang 𝑛
2. Matriks Kovarian
Matriks kovarian biasannya digunakan untuk mengetahui tingkat ketelitian parameter yang dicari. Pada
variabel 𝑋1 dan 𝑋2 didefinisikan matriks kovariansi dilambangkan dengan matriks 𝑆 sebagai berikut :

𝑠12 𝑠12 𝑠13 … 𝑠1𝑝

𝑠 𝑠22 𝑠23 … 𝑠2𝑝
𝑆 = 21 ⋮ ⋮ ⋱ ⋮
⋮
𝑠𝑝1 𝑠𝑝2 𝑠𝑝3 … 𝑠𝑝2
Dimana :
1 𝑛
𝑠𝑗2 = ෍ (𝑋𝑖𝑗 − 𝑋ത𝑗 )2
𝑛 − 1 𝑖=1

1
𝑠𝑗𝑘 = σ𝑛𝑖=1(𝑋𝑖𝑗 − 𝑋ത𝑗 )(𝑋𝑖𝑘 − 𝑋ത𝑘 ) 𝑋ത𝑗
𝑛−1

1 𝑛
𝑋ത𝑗 = ෍ 𝑋𝑖𝑗
𝑛 𝑖=1
Maka matriks kovarian dari 𝑋 didapatkan dengan perhitungan :
1
𝑆= 𝑋′𝑐 𝑋𝑐
𝑛−1
Diman𝑋𝑐 = 𝑋 − 1𝑛 𝑋ത ′ = 𝐶𝑋
𝑋ത ′ = (𝑋ത1 , 𝑋ത2 , … , 𝑋ത𝑝 )
𝐶 = 𝐼𝑛 − 𝑛−1 1𝑛 1′ 𝑛
𝐼𝑛 adalah matriks identitas dengan ukuran 𝑛 × 𝑛
 Geometri Sampel dan Random Sampling
Pada konsep vektor yang sudah dipelajari sebelumnya , maka kita dapat menggali lebih jauh
ke dalam interpretasi geometrical dari sebuah statistik deskrptif 𝑥 mean, 𝑆𝑛 , 𝑅. Sederhanya,
random sampling berimplikasi bahwa :
1. Pengukuran yang dilakukan pada item yang berbeda adalah tidak berelasi pada yang lain
2. Distribusi bersama dari semua variabel 𝑝 adalah sisa dari kesamaan semua item. Pada
akhirnya ini adalah struktur dari random sample yang membenarkan pilihan secara khusus
dari sebuah jarak yang mempresentasikan sebuah data
3. Pada bagian ini akan mempelajari angka tunggal yang disebut generalized variance, untuk
menjelaskan variabilitas. Generalisasi varians merupakan bagianintegral dari
perbandingan sarana multivariat. Pada bagian selanjutnya kita menggunakan aljabar
matriks untuk memberikan ringkasan produk matriks dengan jumlah yang memungkinkan
kita hitung 𝑥 mean, dan 𝑆𝑛 langsung dari matriks data 𝑋.
■ Geometri Sampel
Pengamatan multivariat tunggal adalah kumpulan pengukuran pada variabel 𝑝 berbeda yang
diambil pada item yang sama dalam percobaan 𝑛 pengamatan yang diperoleh, seluruh
rangkaian data dapat ditempatkan dalam array 𝑛 × 𝑝 (matriks) :

 x11 x12 x1 p   x '1 

x x22 x2 p   x '2 
X   
21
( n p )    
   
 xn1 xn 2 xnp   x 'n 
■ Deviasi
1
Proyeksi dari 𝑦𝑖 pada vektor satuan 1 adalah :
𝑛

1 1 𝑥1𝑖 + 𝑥2𝑖 + ⋯ + 𝑥𝑛𝑖

𝑦′𝑖 1 1= 1 = 𝑥ҧ𝑖 1
𝑛 𝑛 𝑛
𝑥1𝑖 +𝑥2𝑖 +⋯+𝑥𝑛𝑖
𝑥ҧ𝑖 = = 𝑦′𝑖 1/𝑛
𝑛

Sesuai dengan yang diperlukan untuk memberikan proyeksi dari 𝑦𝑖 e garis 1. Proyeksi y ke 1
sampai y adalah jika deviasi
𝑥1𝑖 − 𝑥ҧ𝑖
𝑥 − 𝑥ҧ𝑖
𝑑𝑖 = 𝑦𝑖 − 𝑥ҧ𝑖 1 = 2𝑖
⋮
𝑥𝑛𝑖 − 𝑥ҧ𝑖
■ Sampel Acak dan Nilai-Nilai yang diharapkan dari Sampel Mean dan Kovarians
Matrik
Pengambilan sampel secara acak (random sampling) mendasarkan diri pada prinsip
peluang, yang artinya setiap “individu” anggota populasi yang diteliti harus memiliki
peluang yang sama untuk dapat dijadikan sampel.
Oleh karena itu , teknik random sampling juga disebut teknik probability sampling. Agar
setiap individu anggota populasi berkesempatan untuk terpilih menjadi sampel maka
dilakukan pengacakan atau perandoman yang dilakukan dengan cara diundi. Dengan
cara demikian , sampel yang terpilih benar-benar dapat mewakili populasinya.
Dua poin penting yang berhubungan dengan sampel acak yang perlu diperhatikan :
1. Pengukuran variabel p dalam percobaan tunggal, seperti 𝑋′𝑗 = [𝑋𝑗1 , 𝑋𝑗2 , … , 𝑋𝑗𝑝 ] harus
berkolerasi dari percobaan yang berbeda.
2. Independen tolok ukur dari percobaan ke percobaan lain tidak berlaku ketika variabel
cenderung menyimpang seperti set harga saham atau indikator ekonomi.

Sehingga kita dapat menuliskan varian kovarian matrik dari sampel acak sebagai berikut :
𝑛
𝑛 1
𝑆= 𝑆𝑛 = ത 𝑗 − 𝑋)′
෍(𝑋𝑗 − 𝑋)(𝑋 ത
𝑛−1 𝑛−1
𝑗=1
■ Generalisasi Varians
Dengan variabel tunggal, varians sampel sering digunakan untuk menggambarkan jumlah
variansi dalam pengukuran pada variabel itu. Ketika variabel p diamati pada setiap unit,
variansi dijelaskan oleh matriks varians-kovarians

𝑠11 𝑠12 … 𝑠1𝑝

𝑠12 𝑠22 … 𝑠2𝑝
𝑠𝑛𝑥𝑝 = ⋮ ⋮ ⋱ ⋮
𝑠1𝑝 𝑠2𝑝 … 𝑠𝑝𝑝

1
= 𝑠𝑖𝑘 = σ𝑛𝑗=1(𝑋𝑗𝑖− 𝑥ҧ𝑖 ) (𝑋𝑗𝑘− 𝑥ҧ𝑘 )
𝑛−1
■ Situasi dimana generalisasi varians adalah nol

Generalisasi varians akan nol jika indikasi dari degeneralisasi bernilai ekstrim , dalam
artian setidaknya generalisasi ini terjadi dalam satu kolom matriks deviasi

𝑥′1 − 𝑥′ 𝑥11 − 𝑥1 𝑥12 − 𝑥2 … 𝑥1𝑝 − 𝑥1

𝑥′2 − 𝑥′ = 𝑥21 − 𝑥1 𝑥22 − 𝑥2 … 𝑥2𝑝 − 𝑥1
⋮ ⋮ ⋮ ⋱ ⋮
𝑥′𝑛 − 𝑥′ 𝑥𝑛1 − 𝑥1 𝑥𝑛2 − 𝑥2 … 𝑥𝑛𝑝 − 𝑥1

= 𝑋𝑛𝑥𝑝 − 1𝑛𝑥1 𝑥ҧ𝑝