P. 1
Statistika-Multivariat

Statistika-Multivariat

|Views: 305|Likes:
UNIVERSITAS NEGERI MALANG
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROGRAM STUDI MATEMATIKA
UNIVERSITAS NEGERI MALANG
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROGRAM STUDI MATEMATIKA

More info:

Published by: Aldila Sakinah Putri on Aug 24, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

11/12/2013

pdf

text

original

~ Inferensi Statistika

:
mengambil kesimpulan tentang populasi
menggunakan sampel yang diambil dari populasi
tersebut
~ populasi sampel
seluruh obyek yang
menjadi perhatian
sebagian obyek
~ obyek yang diamati
data
~ yang diamati/diukur
variabel (random)
X univariat
~
X
multivariat
mengapa dipilih
~
X
yang multivriat normal/ multinormal ??
kombinasi linear vektor-vektor multinormal,
berdistribusi multinormal
vektor marginal atau vektor bersyarat dari vektor-
vektor multinormal, berdistribusi multinormal
teorema limit pusat untuk vektor (random)
multivariat
¿
÷
2
ij
) (σ , μ ~ X
~
~
) X ... X (X
k 2 1
'
) μ ... μ (μ
k 2 1
'
ambil sampel random berukuran n
n
~ ~ ~
X ,..., X , X
2 1
|
|
|
|
|
.
|

\
|
=
nk n2 n1
2k 22 21
1k 12 11
X ... X X

X ... X X
X ... X X
X
  
|
.
|

\
|
÷
÷
= =
¿ ¿
= =
k
i
i
X k X
k k
1
2 2 2
k
1 i
i
1
1
S X
1
X
Tulis dalam bentuk vektor!
| | | |
X 1' X'1
' X
~
k
1
k
1
1 .... 1 1 1' , X ... X X
k 2 1
= =
= =
X
| | | |
X 1' X'1
' X
~
k
1
k
1
1 .... 1 1 1' , X ... X X
k 2 1
= =
= =
X
) ( ,
1
1
ij
a A A
k
S =
÷
=
( )( )
¿
=
÷ ÷ =
n
1 α
j jα i iα
x x x x
ij
a
'
÷
'
=
~ ~
X X X X k A
X 1 1 - I X
~ ~
k
1
(
¸
(

¸

' '
=
) σ , (μ N ~ X
2
2
2
1
σ
μ x
2
2
e

1
) σ μ, f(x;
|
.
|

\
| ÷
÷
=
o
α x α < < ÷
· < < · ÷ μ
0 σ >
) σ , N(μ ~ X , ,...X X , X
2
i i i k 2 1
i.d
k
1 1
1
~
~
( ; , ) π ( ; , )
i
i
f x f x µ µ o
=
E =
( )
2
k
K/L
1
1
i
1
1 1
exp
2
2 π σ
k
i i
i
i
x µ
o
t
=
=
| |
| |
÷
|
= ÷
|
|
\ .
\ .
¿
( )
1
~
~
1
( ) ( )
2
K/L 1/ 2
1
2
x x
e
µ µ
t
÷
' ÷ ÷ E ÷
=
E
) , μ ( N ~ X
~
~
k
E
) , μ ( N ~ X
~
~
k
E
( )
( )
1 2
2 2 2
1 2 1 2
1 2
, ,..., salingbebas
... , ,..., salingbebas
, 1, 2,...,
0,
, ,..., tidaksalingbebas
k
k k
ij
ij
k
X X X
diag X X X
i j k
i j
X X X
o o o
o
o
¿ = ÷
¿ = ÷
¿ = =
= =
2
2
σ I
σ I
2
1
μt (σt)
2
2
x
X~N (μ, σ ) m (t) e
+
· =
~
^
~
~
~
t ε t
2
1
t μ
x k
e (t) m ) , μ ( N ~ X
~
~
' + '
= · E
) , μ ( N ~ X
~
~
k
E
~
z B μ X
~
~
+ =
¿
'
= B B I) , o ( N ~ z
~ ~
buktikan
Normal multivariat standar
|
|
.
|

\
|
=
|
.
|

\
|
=
+ '
'
~ ~
~ ~
~
z B
~
μ ( t
x t
x
e Ε e Ε ) t ( m
~
|
.
|

\
|
=
'
'
^ ^ ^
^
z t
μ t
e E e
B
~

'
( )
i i
~
~
z
k
1 i
μ t
e Ε e π

=
'
=
2
i
2
1

¿
=
=
'
k
1 i
2
i
^
^
2
1
μ t
e e


~ ~ ~ ~
t ε t
'
=
'
 
~ ~
~
~
t ε t
2
1
μ t
e
' + '
=
RAMDOM
POPULASI
SAMPEL
PENGUJIAN HIPOTESIS NILAI TENGAH
X = {X
1
, X
2
,…,X
n
}
( )
( )
( )
( )
( ) ( ) ( )
0 0
2
2
0 0
2
1
2 2
0 0
1
2
,
1
/
:
( )
'
i i
X
hit hit
hit
hit
x x x
x S
n n
S S n
H
x x
t t
s
s
n
n
t x s x n
t n
µ µ
µ µ
µ µ
÷
÷
÷
= =
÷
=
=
÷ ÷
= ÷ =
= ÷ ÷
=
¿ ¿
0 0
x - μ s x - μ
( ) ( ) ( )
0
1
1
2
hot
2
hot
H :
H :
Statistik uji
T '
( 1)
T ( ; ; )
( )
n
n p
F p n p
n p
o
÷
=
=
÷
÷
÷
0
0
0 0
μ = μ
μ μ
x - μ s x - μ
( )
2
, X N µ o
( ) ( ) ( )
0
1
1
2
hot
2
hot
H :
H :
Statistik uji
T '
( 1)
T ( ; ; )
( )
n
n p
F p n p
n p
o
÷
=
=
÷
÷
÷
0
0
0 0
μ = μ
μ μ
x - μ s x - μ
Mengapa sebarannya berdistribusi F?

Kriteria penolakan Ho :


Menolak Ho bukan berarti setiap X berbeda nyata tetapi
artinya minimal ada 1 kombinasi linier X-nya berbeda
dengan Ho

Untuk n yang besar
maka



Σ) , μ ( N ~
~
X
~
p
Σ)
n
1
, μ ( N ~
~
X
~
p
untuk inferensi statistika untuk
~
μ
-1 2
p
~ ~
(X- μ) (X- μ) ~
~ ~
n _
'
E
Jika tak ditentukan diganti
E
( )( )
'
÷ ÷
÷
=
¿
=

~
X
~
X
~
X
~
X
1
1
2
1
2
n
i
n
S
yang tak bias untuk E
-1
~ ~
( 1)
(X- μ ) (X- μ) ~ F
~ ~
( )
n p
n S
n p
÷
'
÷
hasil transf. dist.
Hotelling T
2

dengan
p) (n p,
F ~ F
÷
bagaimana jika tidak berdistribusi normal ?
~
X
??? ~
~
X
jika n cukup besar
S)
n
1
,
~
μ ( N atau Σ)
n
1
,
~
μ ( N ~
~
X
p p
sehingga
-1 2
p
~ ~
(X- μ) (X- μ) ~
~ ~
n _
'
E
tetap dapat digunakan untuk menyimpulkan
~
μ
bagaimana jika n tidak cukup besar ?
metode nonparametrik
uji hipotesis :
o
~
μ
~
μ H
o
= ÷
o
~
μ
~
μ H
vs
1
= ÷
H
o
ditolak jika :
2
p ;
o
-1
o
χ ) μ -
~
( ) μ -
~
(
~ ~
o
> E x x n
t
H
o
diterima jika :
2
p ;
o
-1
o
χ ) μ -
~
( ) μ -
~
(
~ ~
o
s E x x n
t
atau
H
o
ditolak jika :
v
t
p n
p n
x S x n
p, α;
o
1 -
o
F
) 1 (
) μ -
~
( ) μ -
~
(
~ ~
÷
÷
>
H
o
diterima jika :
v
t
p n
p n
x S x n
p, α;
o
1 -
o
F
) 1 (
) μ -
~
( ) μ -
~
(
~ ~
÷
÷
s
( )( ) p ,
1
1
1
÷ = ÷ ÷
÷
=
¿
=
n v
t
~
x
~
x
~
x
~
x
n
S
i
n
i
i
estimasi untuk
~
μ
daerah konfidensi (1-o) 100% untuk adalah :
~
μ
atau
2
p ;
-1
χ ) μ -
~
( ) μ -
~
(
~ ~
o
s E x x n
t
p) - n ( p, α;
1 -
F
) 1 (
) μ -
~
( ) μ -
~
(
~ ~
p n
p n
x S x n
t
÷
÷
s
elipsoida dengan pusat
~
μ
inferensi simultan untuk
~
~
μ
t
a
Selang kepercayaan simultan (UMUM)
' '
( ) ' ( ) '
z a x z a x
S
v z a v x a a a
n
= ÷ =
= =
( , 1) ( , 1)
2 2
SK(1 )100%bagi '
'
pendekatansimultan
( 1)
( ; ; ) '
( )
sehinggaSKsimultan untuksetiappeubah ke-i:
( 1)
' ( ; ; ) '
( )
z
n n
i
a
s
z t s atau z t a a
n
n p s
z F p n p a a
n p n
n p s
a x F p n p a a
n p n
o o
o µ
o
o
÷ ÷
÷
± ±
÷
± ÷
÷
÷
± ÷
÷
uji hipotesis :
2 1 2 1
~
μ
~
μ H vs
~
μ
~
μ H
o o
= ÷ = ÷
jika ukuran sampel
cukup besar
atau populasi berdistribusi
multi normal dengan
E
1
dan E
2
diketahui
*
H
o
ditolak jika :
( ) ( )
2
p α;
2 1
-1
2
2
1
1
2 1
χ
1 1
> ÷
|
|
.
|

\
|
E + E
'
÷
~
x
~
x
n n
~
x
~
x
H
o
diterima jika :
( ) ( )
2
p α;
2 1
-1
2
2
1
1
2 1
χ
1 1
s ÷
|
|
.
|

\
|
E + E
'
÷
~
x
~
x
n n
~
x
~
x
*
Jika populasi berdistribusi multinormal dengan
E
1
dan E
2
tidak diketahui, E
1
diganti S
1
dan E
2

diganti S
2
untuk E
1
=E
2
=E, maka

¿
÷ +
÷ + ÷
=
^
2 1
2 2 1 1
2 n n
S 1) (n S 1) (n
sehingga

H
o
ditolak jika :
( ) ( )
) 1 ( ( , ;
2 1
2 1
2 1
-1
2 1
2 1
2 1
F
) 1 (
) 2 (

ˆ
1 1

÷ ÷ +
÷ ÷ +
÷ +
> ÷
(
¸
(

¸

|
|
.
|

\
|
E +
'
÷
p n n p
p n n
p n n
~
x
~
x
n n
~
x
~
x
o
H
o
ditolak jika :
( ) ( )
) 1 ( ( , ;
2 1
2 1
2 1
-1
2 1
2 1
2 1
F
) 1 (
) 2 (

ˆ
1 1

÷ ÷ +
÷ ÷ +
÷ +
s ÷
(
¸
(

¸

|
|
.
|

\
|
E +
'
÷
p n n p
p n n
p n n
~
x
~
x
n n
~
x
~
x
o
uji hipotesis :
o
1
o
o
~
~ ~ ~
~
~ ~ ~
μ
~
μ ) ( H vs μ
~
μ ) ( H a a a a a a
'
=
'
÷
'
=
'
÷
statistik uji :
1 n
o
t ~
) μ (
) ( t
~ ~
~
~ ~
~
÷
'
÷
'
=
a S a
n x a
a
atau
1) (n 1;
2
o
2
F ~
)] μ ( [
)] ( [t
~ ~
~
~ ~
~
÷
'
÷
'
=
a S a
n x a
a
daerah penerimaan ÷ ¬
~ ~
), ( H
o
a a
] F ) ( [t
1) (n 1, α;
2
~
~
÷
s · a
a
1) (n 1, α;
2
F ) ( t max
~
~
÷
s a
a
bagaimana kalau diuji dengan statistik uji :
??? ) ( t ) ( t max
~ ~
2
max
2
~
a a
a
=
Pertidaksamaan Cauchy – Schwarz :
) )( ( ) (
~ ~ ~ ~ ~ ~
1 2
d B d b B b a b
÷
'
s
'

~ ~
,d a
¬
dan B positif defisit
~
,
)) μ ( (
) ( t
~ ~
~
~ ~
~
2
o
2
a
a S a
x a n
a ¬
'
÷
'
=
2
ot
o
1
o
2
max
.T H ~ ) μ ( ) μ ( ) ( t
~
~
~
~ ~
÷
'
÷ =
÷
x S x n a
daerah kritis sebenarnya untuk menguji
adalah :
) ( H
~
o
a
p) p,(n
p n
p n
a
÷
÷
÷
>
α;
2
max
F
) 1 (
) ( t
~
bukan
) ,(n
p n
p n
a
1 1 α;
2
max
F
) 1 (
) ( t
~
÷
÷
÷
>
5% α = , n = 10
P
α
F
2
α
T
1
5,12
5,12
2
5,12 10,04
3
5,12 16,78
4
5,12 27,18
5
5,12 45,45
(
¸
(

¸

÷
'
÷ ÷
¿ ¿ ¿ ¿ ¿
÷ ÷
) μ x ( ) μ x (
2
1
exp
2 ~ 2
~
2 ~ 2
~
1
22 21
11
12
1
22
) , (μ N ~ X
~
X
11.2 1.2 r
2 2 1
~ ~
E = ¬ x
) μ ( - μ μ
2
2
~
~
~
-1
22 12 1.2
1
÷ E E = x
21
1
22 12 11
11
2 . 11
E E E ÷ E = E = E
÷

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->