Hardwiyanto Utomo
060545
4.3 Sampling dari distribusi normal dan estimasi likelihood maksimum
Likelihood normal multivariat
Kita asumsikan vektor X X1, 2,...,X dengan n p×1 merepresentasikan sampel acak dari populasi
normal multivariat dengan rata-rata µ dan kovarian matrik ∑ . Karena X X1, 2,...,X satu sama n lain independen dan berdistribusi Np
(
µ,∑)
, fungsi kepadatan bersama dari semua observasi merupakan produk dari kepadatan normal marginal, yaitu( )
( ) ( ) 1 ' / 2 / 2 1/ 2 1 1 2 kepadatan bersama 1 dari , ,..., 2 | | j j n x x p j n e π − − − ∑ − = = ∑ ∏
µ µ X X X (4-11)( )
( ) 1( ) 1 ' / 2 / 2 / 2 1 2 | | n i i j x x np n e π − = −∑ − ∑ − = ∑ µ µSaat nilai kuantitatif dari observasi tersedia, dan disubtitusi ke x pada (4-11). Hasil yang j diperlihatkan, diperhatikan sebagai fungsi dari µ dan ∑ untuk himpunan yang ditetapkan dari observasi x x1, 2,...,x disebut likelihood. Pada bab ini kita akan banyak menggunakan trace dari n
suatu matrik kuadrat.
Akibat 4.9. Diberikan A matrik k k× dan x vector k×1. a. x Ax' =tr
(
x Ax')
=tr(
Ax x ')
b.( )
1 k i i tr λ = =∑
A , dimana λiadalah nilai eigen dari A.
Proof. Untuk (a) pertama kita tuliskan 'x Ax sebagai skalar, sehingga x Ax' =tr( 'x Ax kita ) punya bahwa tr(CB)=tr(BC untuk setiap matrik B dan C dengan ) m k× dank m× . Diagonal
elemen dari BC adalah 1 k ij ji j b c =
∑
, sehingga 1 1 ( ) m k ij ji i j tr b c = = = ∑ ∑
diagonal elemen dari CB adalah 1 m ij ji i b c =
∑
, sehingga kita punya1 1 1 1 ( ) ( ) k m m k ij ji ij ji j i i j tr b c b c tr = = = = = = =
∑ ∑
∑ ∑
CB BC . Kita misalkan x adalah B dengan m = 1 dan '
Ax adalah C, maka x Ax' =tr
(
x Ax')
=tr(
Ax x . ')
Untuk (b), misalkan A=P BP , dimana ' PP'=I dan B adalah matrik diagonal dengan entri-entrinya adalah λ λ1, 2,...,λk. Kita juga punya
( )
(
')
(
')
( )
1 2 ... k tr A =tr P BP =tr BPP =tr B = + + +λ λ λEksponen dari kepadatan bersama pada (4-11), dapat disederhanakan.
(
) (
)
(
) (
)
(
)(
)
1 1 1 ' ' ' j j j j j j x x tr x x tr x x − − − − ∑ − = − ∑ − = ∑ − − µ µ µ µ µ µ (4-12) Selanjutnya(
) (
1)
1(
)(
)
1 1 ' ' n n j j j j i i x − x tr − x x = = − ∑ − = ∑ − − ∑
µ µ∑
µ µ(
)(
)
1 1 ' n j j i tr − x x = = ∑ − − ∑
µ µ (4-13)Karena trace dari jumlah matrik sama dengan jumlah trace dari matrik tersebut, sehingga kita dapat menambah atau mengurangi dengan x pada bentuk
(
xj−µ)
maka akan memberikan(
)(
)
(
)(
)
(
)(
)
1 1 ' ' ' n n j j j j i i x x x x x x x x x x n x x = = − + − − + − = − − + − −∑
µ µ∑
µ µ (4-14)Karena cross-product dari,
(
)
(
)
1 ' n j i x x x = − −∑
µ dan(
)
(
)
1 ' n j i x x x = − −∑
µ adalah keduanya matrik nol, kita punya bentuk fungsi kepadatan bersama suatu sampel acak yang berasal dari populasi yang berdistribusi normal multivariat yaitu:( )
( )( ) ( )( ) 1 1 ' ' / 2 / 2 / 2 1 ( , ) 2 | | n j j i tr x x x x n x x np n L e π − = − ∑ − − + − − ∑ ∑ = ∑ µ µ µ (4-16)Fungsi di atas lebih dikenal dengan nama fungsi likelihood (ini setelah dimasukkan nilai-nilai dari x x1, 2,...,x ). n
Estimasi
µ
dan∑
untuk maksimum likelihoodAkibat 4.10. Diberikan matrik B terbatas positif dan simetri p×pdan b > 0 skalar. ( 1 )/ 2
( )
1 1 2 | | | | tr pb bp be b b e − ∑ − ≤ ∑ B B Untuk setiap p p×∑ terbatas positif, dengan memegang kesamaan tersebut hanya untuk
(
1/ 2b)
∑= B .
Estimasi µ dan ∑ untuk maksimum likelihood dinotasikan ˆµ dan ˆ∑ merupakan nilai
maksimum dari fungsi L
(
µ,∑)
pada (4-16). ˆµ dan ∑ akan tergantung pada nilai ˆ1, 2,..., n
x x x yang melewati ringkasan statistik x dan S.
Akibat 4.11. X X1, 2,...,X adalah sampel acak yang berasal dari populasi normal dengan rata-n
rata µ dan kovarian ∑ . Maka
(
)(
)
(
)
1 1 1 ˆ dan ' n j j j n S n = n − = ∑=∑
− − = µ X X X X Xadalah estimator dari µ dan ∑ untuk maksimum likelihood. Nilai observasi mereka, x dan
(
)(
)
1 (1/ ) ' n j j j n x x x x = − −∑
, dikatakan estimasi untuk µ dan ∑ pada maksimum likelihood.Proof. Pada persamaan likelihood (4-16) kita punya bagian dari faktor perkalian 1
2 - yaitu:
(
)(
)
(
)
(
)
1 1 1 ' ' n j j i tr − x x x x n x − x = ∑ − − + − ∑ − ∑
µ µDari akibat 4.1,∑ terbatas positif, jadi jarak −1
(
x−µ)
'∑−1(
x−µ)
>0kecuali untuk µ=x. Sehingga fungsi likelihood menjadi maksimum saat µˆ =xsehingga kita tinggal memaksimumkan( )
( )( ) 1 1 ' / 2 / 2 / 2 1 ˆ ( , ) 2 | | n j j i tr x x x x np n L e π − = − ∑ − − + ∑ ∑ = ∑ µterhadap∑ . Dengan menggunakan akibat 4.10 dimana b = n/2 dan −1 1 ( )( ) ', n i i i x x x x = =
∑
− − Bhasil maksimumnya saat
( )
1 ˆ 1/ n ( )( ) ' i i i n x x x x = ∑=∑
− − dibentuk.Estimator pada maksimum likelihood adalah sebuah jumlah acak. Estimator ini didapat dengan menggantikan pengamatanx x1, 2,...,xnyang merupakan ekspresi untuk ˆµ dan ˆ∑ dengan
vektor acak X X1, 2,...,X . n
Kita nyatakan estimator dari maksimum likelihood X sebagai vektor acak dan estimator dari maksimum likelihood ˆ∑ sebagai vektor matrik. Estimasi maksimum likelihood merupakan nilai terpilih yang diberikan oleh suatu data. Dari penjelasan di atas kita dapatan maksimum dari fungsi likelihood adalah
( )
( )
/ 2 / 2 / 2 1 1 ˆ ˆ , ˆ | | 2 np np n L e π − ∑ = ∑ µ (4-18) Statistik cukupDiberikan X X1, 2,...,X sampel acak dari populasi normal multivariat dengan µ dan kovarian ∑ . n
Maka
4.4 DISTRIBUSI SAMPLING DARI
X
dan
S
[
1 2 n]
pn p2 p1 2n 22 21 1n 12 11 X X X X X X X X X X X X X K K M K K = =X matriks dengan ordo p x n , diketahui x dan S statistic cukup univariate
Merupakan sampel random dari populasi normal dengan mean µdank kovarians matriks ∑ • Untuk distibusi normal univariat
Bukti :
X berdistribusi normal univariat dengan mean µ dan variansi σ2 . 2 2σ t 2 1 t (t) Mx =eµ+ n X , ,
X1 K sampel random dari populasi normal univariat dengan mean µ dan variansi 2 σ . n , ... 1,2, i (t) M 2 2σ t 2 1 t = = µ+ xi e n x n t = = ∑ i xi n x (t) M M (t) M n 2 1 2 2 2 = etn+ t n σ µ n 2 1 2 2 = et + t n σ µ
Jadi X berdistribusi normal dengan mean µ dan variansi
n
2 σ X normal dengan mean µ= mean populasi dan variansi
2 1σ
n = ukuran sampel populasi variansi
• Untuk disribusi normal multivariate Bukti :
(
,
∑
)
~
X
N
pµ
t t 2 1 t(t)
M
∑ ′ + ′=
µ xe
n X , X ,X1 2K sampel random dari distribusi normal p variat dengan mean µ dan kovarians ∑ . n ..., 1,2, i (t) M 2t t 1 t = = ′µ+ ′∑ xi e
∑
= = n i i X x 1 n 1 (t) M (t) M n xi ∑ = x n n t = Mxi n n te
=
∑ ′ + + ′2 n t t 2 1 µ t t
e
2t n 1 ′ ∑ + ′=
µJadi X berdistribusi normal dengan mean µ dan variansi ∑
n
1
• Untuk variansi sampel dari populasi normal univariat
( )
(
)
2 1 2 2 2 1 1∑
= − = − n j j x x S n σ σ berdistribusi( )
2 1Sn− berdistribusi identik dengan σ2
(
z12+K+zn−12)
=( )
σ z1 2+K+(
σ zn−1)
2.X ~ Np
(
µ,∑)
X ~ ∑ n Np 1 , µDimana zi ~ Np
(
µ,∑)
atau( )
2 i~ 0,
z σ
σ N
• Untuk populasi normal multivariate Bila zj ~ Np
(
µ,∑)
j = 1, … ,n ′∑
= j n j j z z 1berdistribusi Wishart dengan derajat bebas n-1 diberi notasi W
1. Sifat – sifat distribusi Wishart
1. Densitas wishart tidak ada bila n ≤p
Bila ada harganya untuk matriks definit positif A adalah :
(
)
( ) ( ) ( ) ( )( )
∏
= − − − − − − − − ∑ ∑ = ∑ p i n p p n p A tr p n n i n e A W 1 2 1 4 1 1 2 1 1 -2 1 1 2 1 1 2 1 2 A / π 2. A1 ~ Wm1(
A1|∑)
(
A |∑)
W ~ A2 m2 2 . A1 dan A2 independen A1 + A2 ~ Wm1 + Wm2(
A1+A2|∑)
3. A ~ Wm(
A|∑)
(
.|C C)
W ~ C A C ′ m ∑ ′4.5 DISTRIBUSI
X
dan
S
UNTUK SAMPEL BESARTeorema Limit Pusat
Teorema n 2
1,X , ,X
X K Sampel random dari distribusi dengan mean µdan kovariansi ∑ maka n
(
X−µ)
berdistribusimendekati Np
( )
0,∑ . Untuk n besarBila X mendekati normal dengan mean µdan kovarian matriks ∑ n 1 maka