MULTIVARIAT
OLEH
EKA ARIFANI PUTRI 1002444
LIA MALIHAH 1000313
FUNGSI KEPADATAN DISTRIBUSI NORMAL
MILTIVARIAT
Densitas normal multivariat merupakan generalisasi dari densitas normal univariat,
dalam bentuk p dimensi. Bentuk densitas normal p-dimensi yaitu
'
x m Σ-1 x m
1
f(x) e 2
2
p2 12
S
dimana - xi , i = 1,…,p.
Dinotasikan dengan Np(m,S)
μ1 σ11 σ12 σ1p
μ2 σ 21 σ 22 σ 2p
μ= , Σ=
μ p σ p1 σ p2 σ pp
xm
2
( x m )( ) ( x m )
2 1
( x m )' S1 ( x m )
3
• Distribusi normal multivariat yang paling sederhana adalah
bivariat (2-dimensi), memiliki fungsi densitas:
'
x m Σ-1 x m
1
f(x) = e 2
2
12
S
dimana - xi , i = 1, 2
μ1 σ11 σ12
μ = , Σ =
μ2 σ21 σ22
mencari invers dari cov matriks
-1 1 σ22 -σ12
Σ = 2
σ11σ22 - σ12 -σ21 σ11
2
σ11σ22 - σ12 2
= σ11σ22 1 - ρ12
σ 22 -ρ12 σ11 σ 22 x1 - μ1
x m Σ x m = x - μ 1
'
-1
x 2 - μ 2
1 1
2
σ11σ 22 1- ρ12 -ρ12 σ11 σ 22
σ11 x -
2 2
μ
=
2
σ11σ 22 1- ρ12
2
2
x - μ x - μ
1 x 1 - μ1 x 2 - μ2 2
= 2
+ - 2ρ 1 1
2
1 - ρ12 σ11 σ 22 12
σ11 σ 22
'
x m Σ-1 x m
1
f(x) = e 2
2
12
S
2
x -μ
2
x -μ x -μ
1 x -μ
1 1 + 2 2 -2ρ12 1 1 2 2
1
2 1- ρ122 σ11 σ22
σ11 σ22
= e
2 2
σ11σ22 1 - ρ12
Bivariate Normal Response Surface
f(X1, X2)
contours
X2
X1
All points of equal density are called a contour, defined for p-dimensions
as all x such that '
x m Σ-1 x m = ~c2
The contours
'
x m Σ-1 x m = c2
f(X1, X2)
±c λ1 e1
X1
dimana
e
i
i = λiei for i = 1, , p
Sifat-sifat Distribusi Normal Multivariat
• Dibawah ini benar untuk vektor acak X
memilki distribusi normal multivariat
1. Kombinasi Linear dari komponen komponen X
juga berdistribusi normal multivariat
Teorema
X berdistribusi Np (m, S) maka
a' X a1 X 1 a2 X 2 ..... a p X p
10
2. Semua himpunan bagian dari komponen – komponen dari X
berdistribusi (multivariat) normal.
11
3. Kovarian nol mengakibatkan komponen – komponen yang
bersangkutan independen.
Teorema
• X1 dan X2 independen maka kov(X1, X2) = 0
X 1berdistribusi
m1 S11 S12
• Jika N q1 q2 ,
X2 m S
2 21 S 22
12
• Jika X1 dan X2 independen , masing-masing berdistribusi Nq1
(m1,S11) dan Nq2 (m2,S22) maka X
1
X
2
berdistribusi
m1 S11 0
N q1 q2 ,
m 2 0 S 22
13
4. Distribusi bersyarat dari komponen – komponen adalah
normal multivariat
Teorema
X 1
X m1
X 2 berdistribusi Np (m, S) dengan m
m2
S11 S12
S S 22 0
S 21 S 22 dan . Distribusi bersyarat
14
Likelihood Normal Multivariat
• Densitas gabungan
n
1
x j m 1 x j m / 2
j 1 ( 2 )
p/2
1 / 2
e
1 x j m 1 x j m / 2
e
(2 )
np / 2 n / 2
Misal A adalah matriks simetris k x k adalah vektor k x 1
x
xj - μ = tr xj - μ Σ-1 xj - μ
' '
-1
j -μ Σ
= Σ xj - μ xj - μ
'
-1
16
x
n n
xj - μ = tr xj - μ Σ-1 xj - μ
' '
-1
j -μ Σ
j= 1 j= 1
n
= tr Σ xj - μ xj - μ
'
-1
j= 1
-1 n '
= tr Σ xj - μ xj - μ
j= 1
x = x
n ' n '
j - μ xj - μ j - x + x - μ xj - x + x - μ
j=1 j=1
x - μ x - μ
n n
x
' '
= j - x xj - x +
j=1 j=1
n
x
' '
Because the = j - x xj - x + n x - μ x - μ
crossproduct terms j=1
n
x
'
j - x x - μ and
j=1
n
'
x - μ xj - x
j=1
are both matrices of
zeros
n '
'
-tr Σ xj -x xj -x +n x-μ x-μ
-1
j=1
1
f(x) = e 2
2
np 2 n2
S
1 n '
= 2
exp - tr Σ xj - x xj - x + n x - μ x - μ
np 2 -n 2 '
S -1
2 j=1
~ ~
~
~ ~
-1 n '
tr Σ xj - x xj - x + n x - μ x - μ
'
j=1
-1 n ' -1
'
= tr Σ xj - x xj - x + n tr Σ x - μ x - μ
j=1
-1 n '
'
= tr Σ xj - x xj - x + n x - μ Σ-1 x - μ
j=1
n
'
- tr Σ-1 xj -x xj -x +n x-μ Σ-1 x-μ
'
Fungsi Likelihood
1 j=1
L(μ, Σ) = e 2
2
np 2 n2
S
Penaksir Maksimum likelihood untuk m dan S
Teorema:
X1,X2,.......Xn adalah sampel random dari populasi normal
multivariat dengan mean m dan kovariansi S.
Maka
(n 1)
X j X X j X
n
1
mˆ X , ˆ
'
S.
n j 1 n
22
Estimasi maksimum likelihood untuk
μ dan Σ
Akibat 4.11:
Misal X1, X2,.......Xn adalah sampel random dari
populasi normal multivariat dengan mean m dan
kovarians S
Maka
mˆ X ,
(n 1)
X j X X j X
n
1
ˆ
'
S.
n j 1 n
Distribusi Sampling dari Vektor Mean dan
Matriks Varians-Kovarian
Misalkan X1, X2, …, Xn adalah sampel acak yag berukuran n yang diambil dari
distribusi normal multivariat (dimensi p) dengan mean m dan kovarians S,
maka
XN p m , 1n S
X dan S independen
Sifat – sifatdistribusiWishart
1
ത 𝑝 (𝜇,
• Jika𝑋~𝑁 Σ ) yang ekivalendengan 𝑛(𝑥ҧ − 𝜇)~𝑁𝑝 (0, Σ)maka𝑛(𝑥ҧ −
𝑛
2
𝜇)′Σ −1 (𝑥ҧ − 𝜇)~𝜒(𝑝)
Menaksir Asumsi – Asumsi
Kenormalan
Beberapa tingkatan kualitas kesimpulan berdasarkan
metode kenormalan tergantung pada seberapa mirip
populasi yang diteliti menyerupai populasi normal.
Sehingga diperlukan metode untuk mengidentifikasi
bentuk populasi awal yang diharapkan berdistribusi
normal multivariat .
A. Mengevaluasi Kenormalan dari Distribusi
Marjinal Univariat
Kit dapat mengevaluasike normalan dari distribusi marjinal univariat
antara lain dengan cara:
1. MenggunakanPendekatanKenormalanuntukDistribusi Sampling
b. Menghitungkuanti l𝑞(𝑖)
𝑞(𝑖) 1
1 −𝑧 2 𝑖−
𝑃 𝑍≤𝑞𝑖 = න exp 𝑑𝑧 = 𝑝(𝑖) = 2
2𝜋 2 𝑛
−∞
d. Periksa, jika plot (𝑞(𝑖) ,𝑥(𝑖) ) mendekat igaris normal, maka data berdistribusi normal.
Lurus tidaknya Q-Q plot dapat diukur dengan menghitung koefisien
korelasi dari titik-titik pada plot :
σ𝑛𝑖=1(𝑥 𝑖 − 𝑥)(𝑞
ҧ 𝑖 − 𝑞)
ത
𝑟𝑄 =
2 2
σ𝑛𝑖=1(𝑥 𝑖 − 𝑥)ҧ σ𝑛𝑖=1(𝑞 𝑖 − 𝑞)
ത
Kriteria :
Tolak H0 jikarQhitung<rQtabel.
B. Mengevaluasi Kenormalan dan
Distribusi Marjinal Bivariat
1. Menghitung titik–titik dalam kontur (elips) dan membandingkannya
dengan Teori Peluang
memilikipeluang 0,5.
1
2 𝑗−
c. Gambarkan pasangan (𝑑(𝑗) , 𝜒𝑝2 ( 2
)
𝑛
pˆ ii 0,954 3
0,9540,046 1,628
n n
2. Menggunakan Q-Q Plot
Jika Q-Q plot dari kuantil sampel yang diurutkan (xj) lawan
kuantil terstandarisasi yang berkorespondensi dengannya
(qj) memiliki titik-titik yang terletak mendekati garis lurus,
maka dikatakan bahwa observasi tersebut berdistribusi
normal.
Metode ini mengharuskan sampel yang tidak tll kecil (n
harus lebih besar dari 20)
Langkah-langkah Q-Q plot
Misalkan x1, x2, ..., xn merupakan n observasi pada sembarang
karakteristik tunggal Xj, maka langkah-langkah membuat Q-Q plot
adalah sebagai berikut:
1. mengurutkan observasi asal untuk memperoleh x(1), x(2), ...,x(n)
dimana x(1) ≤ x(2) ≤ ... ≤ x(n) , kemudian menentukan nilai pendekatan
peluang yang berkorespondensi dengannya, yaitu
1 12 , 2 12 ,..., n 12
n n n
2. menghitung quartil normal standar q(1), q(2), ...,q(n) dengan
q( j )
j 12
PZ q( j )
1 z
2
2
e 2
dz P( j )
n
3. memplot pasangan observasi (q(1), x(1)), (q(2), x(2)), ..., (q(n), x(n)) dan
melihat kelinearan hasilnya.
Latihan
Kerjakan soal pada latihan buku Wischern bab distribusi normal
multivariat:
1. Untuk pengujian normalitas distribusi uni variat dengan Q-Q
plot dan secara analitik, bandingan hasilnya dengan
menggunakan SPSS
2. Untuk pengujian normalitas distribusi multivariat (bivariat)
dengan menggunakan Q – Q plot dan secara analitik