Bab 2. Aljabar Matriks Dan Vektor Acak
Bab 2. Aljabar Matriks Dan Vektor Acak
Vektor Acak
Hasil aljabar matrik bisa untuk menyatakan model statistik secara ringkas.
Vektor
sebuah array x dari n bilangan real x 1, x2, …., xn disebut vektor dapat dituliskan sbb:
atau
dengan tanda aksen (tranpos) menunjukkan operasi mengubah posisi kolom menjadi baris.
vektor memiliki arah dan panjang. Dalam n = 2 dimensi, misal vektor maka panjang dr x
adalah .
perkalian dengan c tidak mengubah arah vektor x jika c> 0. namun nilai negatif c menciptakan vektor dengan
arah berlawanan dengan x.
Konsep geometris kedua adalah sudut. pertimbangkan dua vektor dalam sebuah bidang dan
sudut θ di antara keduanya. θ dapat direpresentasikan sebagai selisih antara sudut θ1 dan θ2 yang
dibentuk oleh dua vektor dan sumbu koordinat pertama.
dan cos(θ) = cos (θ2 - θ1) = cos (θ2) cos (θ1) + sin (θ2) sin (θ1)
Untuk mencari panjang dan sudut vector dengan hasil kali dalam yakni:
jika Cos(θ) = 0 hanya jika x’y = 0 maka dikatakan bahwa vector x dan y merupakan tegak
lurus.
Pasangan vektor x dan y dengan dimensi yg sama dapat dikatakan tidak bebas linier
jika memuat konstanta c1 dan c2, keduanya tidak boleh nol seperti
Vektor x1, x2, ….., xk dikatakan tidak bebas linier jika memuat konstanta c1 , c2 , …, ck
semuanya tidak boleh nol seperti
Tidak bebas linier jika bahwa setidaknya satu vektor dalam himpunan dapat ditulis
sebagai kombinasi linier dari vektor lainnya. Vektor dengan dimensi yang sama yang
tidak bergantung secara linier dikatakan bebas linier.
Proyeksi/ bayangan vektor x pada vektor y yakni:
operasi transpose A 'dari matriks mengubah kolom menjadi baris, sehingga kolom pertama A menjadi baris
pertama A, kolom kedua menjadi baris kedua dst.
Matrik juga dapat dikalikan konstanta c. maka himpunan matriks A yang telah
dikalikan dengan c menjadi :
Dua matrik A dan B dengan ordo yg sama dapat dijumlahkan. Hasil penjumlahan
Saat matriks A dan B memiliki dimensi yang sama, kedua perkalian AB dan BA dapat ditentukan,
meskipun keduanya tidak harus sama. Perkalian matriks bahwa entri (i, j) dari AI adalah
aij x 0 + ... + ai, j-1 x 0 + aij x 1 + ai, j + 1 x 0 + ... + aik x 0 = 0, jadi AI = A. demikian pula IA = AI
I A = A I = A untuk A
Matrik I bertindak seperti 1 dalam perkalian biasa (1. a = a. 1 = a) sehingga disebut matriks identitas.
Jika ada matriks B sedemikian rupa B
A = A B = I kemudian B disebut invers
dari A yg dilambangkan A-1 .
Matriks Ortogonal
yang dicirikan oleh QQ '= Q'Q = I atau Q' = Q-1 . Nama tersebut berasal dari sifat bahwa jika Q memiliki
baris ke-i q ', maka QQ' = I menyiratkan bahwa qi'qj = 1 dan qiqj '= 0 untuk i i ≠ j, sehingga baris tersebut
memiliki panjang satuan dan saling tegak lurus / ortogonal. menurut kondisi Q'Q = I kolom memiliki sifat
yang sama.
Matriks persegi A dikatakan memiliki nilai eigen, dengan vektor eigen yang sesuai x ≠ 0 jika
Misalkan A adalah matriks simetris
persegi k x k. maka A memiliki
pasangan k nilai eigen dan vektor
eigen yaitu,
Bentuk kuadrat yang selalu nonnegatif dan berkaitan dengan matriks definit positif .
Hasil yang melibatkan bentuk kuadrat dan matriks simetris, dalam banyak kasus, merupakan
konsekuensi langsung dari ekspansi matriks simetris, yang dikenal sebagai dekomposisi spektral.
dekomposisi spektral dari matriks simetris k x k A diberikan oleh
ketika λ1, λ2, ...., λk adalah nilai eigen dari A dan e1, e2, ..., ek adalah vektor eigen ternormalisasi terkait.
jadi ei'ej = 1 untuk i = 1, 2, ..., k dan ei'ej = 0 untuk i ¹ j.
Dekomposisi spektral merupakan alat analisis yang penting dan dapat
menunjukkan hasil statistik tertentu. Misalnya penjelasan matriks jarak, yang akan
dikembangkan.
Karena x'Ax hanya memiliki suku kuadrat xi2 dan suku hasil kali xixk, ini disebut
bentuk kuadrat. Saat k x k matriks simetris A seperti
sehingga,
Mengekspresikan jarak sebagai akar kuadrat dari bentuk kuadrat pasti positif memungkinkan kita untuk
memberikan interpretasi geometris berdasarkan nilai eigen dan vektor eigen dari matriks A. Misalnya
anggaplah p = 2. maka titik x '= [x1, x2] jarak konstan c dari titik asal memenuhi :
2.4 A Matriks Akar Kuadrat
Jadi,
2.4 Matriks Akar Kuadrat
Sebab,
2.4 Matriks Akar Kuadrat
Kemudian,
Misal A⁻1 menunjukkanmatriks diagonal denganλ₁sebagaielemen diagonal ke-i
Bila X dan Y adalah matriks random dengan dimensi sama maka A dan B matriks
konstan yang conformabel dengan X dan Y maka :
E ( X + Y) = E ( X ) + E ( Y )
E ( AXB ) = AE ( X )B
Contoh :
Menghitung nilai yang diharapkan untuk variabel acak diskrit
Misalkan p = 2 dan n = 1, dan pertimbangkan vektor acak X’ – ( X 1, X2) .
Variabel acak kontinu X1, X 2, ..., Xp independen jika joint density dapat
difaktorkan sebagai
(2-28)
dan
Kami mencatat bahwa penghitungan sarana, varians, dan kovarian untuk
variabel acak diskrit melibatkan penjumlahan (seperti pada Contoh 2.12 dan
2.13), sedangkan perhitungan analogi untuk variabel acak kontinu
melibatkan integrasi.
Kita akan mengacu pada µ dan ∑ sebagai mean populasi (vektor) dan populasi varians-
kovarian (matriks), masing-masing.
Distribusi normal multivariat benar-benar ditentukan setelah vektor rata-rata
µ dan matriks varians-kovarians ∑ diberikan (lihat Bab 4), Sering kali untuk
memisahkan informasi yang terkandung dalam varians dari dalam
ukuran asosiasi dan dikenal sebagai koefisien korelasi populasi .
Koefisien korelasididefinisikandalamistilahkovariansidanvariansdan sebagai
Koefisien korelasi mengukur jumlah hubungan linier antara variabel acak X i dan Xk
Misalkan matriks korelasi populasi menjadi matriks simetris pxp
dan biarkan matriks deviasi standar p X P menjadi
V1/2dan
Partisi Matriks Kovarian
Seringkali, karakteristik yang diukur pada uji coba individu secara alami akan
jatuh ke dalam dua kelompok atau lebih.
Adalah matriks yang berisi semua kovarian antara komponen X(1) dan komponen X(2)
Vektor Rata-rata dan Matriks Kovarian
untuk Kombinasi linear Variabel Random
Ingatlah bahwa jika satu variabel acak, seperti X1, dikalikan dengan konstanta
c, maka
Jika X2 adalah variabel acak kedua dan a dan b adalah konstanta, maka, dengan
menggunakan properti ekspektasi tambahan, kita dapatkan
semenjak
Dimana
Secara umum, pertimbangkan kombinasi q linier · dari variabel acak p X1, X 2, ..., XP
Atau
Misalkan X’= [X1, X2] menjadi vector acak dengan rata rata vector dan variansi kovariansi matriks
dengan persamaan jika dan hanya jika b = cd (atau d = cb) untuk beberapa konstanta c.
Bukti. Pertidaksamaan terlihat jelas jika b = 0 atau d = 0. Mengecualikan kemungkinan ini,
pertimbangkan vektor b - xd, di mana x adalah skalar arbitrer. Karena panjang b - xd positif untuk b - xd ≠ 0,
dalam kasus ini
Ekspresi terakhir adalah kuadrat di x. Jika kita menyelesaikan kuadrat dengan menambahkan dan
mengurangi skalar (b’d)2 / d’d kita dapatkan
Suku dalam tanda kurung adalah nol jika kita memilih x = b'd / d'd, jadi kita
menyimpulkannya
dengan persamaan jika dan hanya jika b = c B-1 d (atau d = cB b) untuk beberapa konstanta c
Bukti. Pertidaksamaan ini terlihat jelas jika b = 0 atau d = 0. Untuk kasus selain ini, pertimbangkan matriks
akar kuadrat B1/2 yang didefinisikan dalam nilai eigennya A; dan
vektor eigen yang dinormalisasi ei sebagai Jika kita mengatur [lihat juga (2-22)]
itu mengikuti
dan pembuktian diselesaikan dengan menerapkan pertidaksamaan Cauchy-Schwarz pada vektor (B1/2b) dan
(B-1/2d)
Ketimpangan Cauchy-Schwarz yang diperpanjang menimbulkan hasil maksimalisasi
berikut
Lemma Maksimalisasi. Misalkan pasti positif dan menjadi vektor tertentu.
Kemudian, untuk sembarang vektor bukan nol
Tambahan
Misalkan adalah matriks ortogonal yang kolomnya adalah eigen vector e1, e2, .., ep dan A adalah
matriks diagonal dengan eigenvalues sepanjang diagonal utama. Misalkan dan
Karena itu x ≠0 dan y ≠0 maka
x= e1 Memberi
Oleh karena itu, untuk x tegak lurus dengan k pertama. ketimpangan di (2-53) menjadi elgenvectors ei sisi
kiri dari pertidaksamaan di (2-53) menjadi