Buka Modul 01, langsung disambut matriks dan inversnya. Padahal Modul 04 tentang Distribusi Normal Multivariat juga butuh pemahaman matriks yang kuat. Satu aja longgar, bab berikutnya ikut goyang. soal UT Statistika di halaman ini bantu kamu latihan SATS4421 Metode Statistika Multivariat dari fondasinya.
Modul 06 soal uji hipotesis vektor mean sering bikin mahasiswa terjebak. Bukan karena rumit. Tapi beda tipis sama inferensi beberapa vektor mean di Modul 07. Latihan berulang itu kuncinya. Coba dulu soal-soal di sini.
Semua soal di bawah ini menyentuh topik spesifik: matriks invers, distribusi normal multivariat, sampai perbandingan vektor mean. Lengkap dengan kunci jawaban dan pembahasan tiap nomor. Salah? Baca dulu langkah penyelesaiannya. Perlu materi UAS matkul lain? Cek prediksi UAS Universitas Terbuka di sini.
Soal UT SATS4421 Metode Statistika Multivariat
Sebuah matriks A berukuran 3×2 dikalikan dengan matriks B berukuran 2×4, kemudian hasilnya ditranspose. Dimensi matriks akhir yang terbentuk adalah…
Perkalian A(3×2) × B(2×4) menghasilkan matriks berukuran 3×4. Transpose dari matriks 3×4 menghasilkan matriks 4×3.
Diberikan dua matriks A dan B dengan ukuran yang sama. Operasi A + B dan 3A memiliki kesamaan dalam hal…
Penjumlahan dua matriks dan perkalian skalar terhadap matriks merupakan operasi yang dilakukan pada setiap elemen yang bersesuaian, berbeda dengan perkalian matriks yang melibatkan baris dan kolom.
Seorang analis data di perusahaan logistik mengorganisasi data pengiriman dalam bentuk tabel dua dimensi agar mudah dimanipulasi secara matematis. Struktur matematis yang tepat untuk merepresentasikan data tersebut adalah…
Matriks adalah susunan persegi panjang bilangan yang diatur dalam baris dan kolom, cocok untuk merepresentasikan data tabular dua dimensi.
Jika A adalah matriks berukuran 4×5, maka transpose dari A memiliki elemen pada baris ke-2 kolom ke-3 yang berasal dari elemen A pada…
Transpose menukar baris dan kolom, sehingga elemen (2,3) pada Aᵀ berasal dari elemen (3,2) pada A.
Dalam sebuah sistem rekomendasi, matriks pengguna-item berukuran 100×50 akan dikalikan dengan matriks item-fitur berukuran 50×20. Dimensi matriks hasil perkalian adalah…
Perkalian matriks m×n dengan n×p menghasilkan matriks m×p. Di sini 100×50 dikali 50×20 menghasilkan 100×20.
Dua matriks A dan B memenuhi sifat (AB)ᵀ = BᵀAᵀ. Sifat ini menunjukkan bahwa operasi transpose terhadap hasil kali matriks…
Transpose dari hasil kali dua matriks sama dengan hasil kali transpose masing-masing dalam urutan terbalik, yaitu (AB)ᵀ = BᵀAᵀ.
Sebuah matriks persegi A memiliki invers A⁻¹. Manakah pernyataan yang pasti benar…
Syarat invers adalah A A⁻¹ = A⁻¹ A = I. Jika determinan nol, matriks singular dan tidak memiliki invers. Invers tidak selalu sama dengan transpose.
Jika determinan matriks B bernilai nol, maka implikasi langsungnya adalah…
Determinan nol menandakan matriks singular, yang berarti tidak memiliki invers. Matriks nonsingular memiliki determinan tidak nol.
Diketahui matriks P dan Q masing-masing berukuran 3×3 dan nonsingular. Invers dari hasil kali PQ dinyatakan sebagai…
Sifat invers hasil kali matriks adalah (PQ)⁻¹ = Q⁻¹ P⁻¹, urutan perkalian invers dibalik.
PT Manufaktur Cemerlang menggunakan matriks untuk memodelkan hubungan input-output antar tiga divisi. Jika matriks koefisien teknisnya memiliki determinan 0,025, maka…
Determinan 0,025 tidak sama dengan nol, sehingga matriks nonsingular dan memiliki invers. Matriks singular memiliki determinan tepat nol.
Seorang peneliti ingin menghitung invers dari matriks A berukuran 2×2 dengan elemen a₁₁=4, a₁₂=7, a₂₁=2, a₂₂=6. Determinan matriks A adalah…
Determinan matriks 2×2 dihitung sebagai (4×6) − (7×2) = 24 − 14 = 10.
Dalam perhitungan invers matriks 3×3, kofaktor digunakan untuk membentuk matriks adjoin. Jika semua kofaktor suatu baris bernilai nol, maka…
Jika semua kofaktor pada suatu baris bernilai nol, maka determinan yang dihitung dari ekspansi kofaktor baris tersebut juga nol, sehingga matriks singular.
Analisis multivariat berbeda dengan analisis univariat terutama karena analisis multivariat…
Analisis multivariat menangani lebih dari satu variabel secara serentak untuk memahami hubungan antarvariabel, sedangkan analisis univariat hanya menganalisis satu variabel.
Vektor mean dari vektor random X = [X₁, X₂, X₃]ᵀ berisi…
Vektor mean adalah vektor yang elemennya merupakan nilai harapan (expected value) dari tiap komponen vektor random, yaitu [E(X₁), E(X₂), E(X₃)]ᵀ.
Matriks kovariansi dari vektor random berdimensi tiga memiliki elemen diagonal utama yang merepresentasikan…
Elemen diagonal matriks kovariansi adalah variansi dari tiap variabel, sedangkan elemen luar diagonal adalah kovariansi antarvariabel.
Dalam suatu penelitian pasar, data tiga variabel (harga, permintaan, penjualan) dianalisis bersama. Peneliti menghitung matriks simetris 3×3 dengan elemen diagonal berupa variansi dan elemen luar diagonal berupa kovariansi. Matriks ini disebut…
Matriks kovariansi adalah matriks simetris yang memuat variansi pada diagonal utama dan kovariansi pada elemen luar diagonalnya.
Seorang analis keuangan mengamati dua saham. Ia menghitung kovariansi return kedua saham sebesar -0,008 dan variansi masing-masing 0,04 dan 0,09. Matriks kovariansi dari vektor random return kedua saham ini memiliki elemen luar diagonal sebesar…
Elemen luar diagonal matriks kovariansi adalah kovariansi antarvariabel, dalam hal ini -0,008 muncul di posisi (1,2) dan (2,1) karena matriks kovariansi simetris.
Seorang analis data mengamati dua variabel random, yaitu suhu udara (X) dan kelembapan (Y). Ia ingin merangkum informasi mengenai sebaran masing-masing variabel sekaligus keeratan hubungan linear keduanya dalam satu matriks 2×2. Matriks yang tepat untuk tujuan tersebut adalah…
Matriks kovariansi menyajikan variansi di diagonal utama dan kovariansi antar variabel di elemen luar diagonal, sehingga memenuhi kebutuhan merangkum sebaran dan hubungan linear sekaligus.
Vektor random X = [X₁, X₂]ᵀ memiliki vektor mean μ = [μ₁, μ₂]ᵀ. Elemen pertama vektor mean μ₁ merupakan…
Vektor mean berisi nilai harapan dari masing-masing komponen vektor random, sehingga elemen pertamanya adalah E(X₁).
Matriks kovariansi Σ dari vektor random X = [X₁, X₂, X₃]ᵀ memiliki sifat simetris. Elemen σ₂₃ pada matriks tersebut merepresentasikan…
Elemen luar diagonal σ_{jk} pada matriks kovariansi menyatakan kovariansi antara komponen ke-j dan ke-k, sehingga σ₂₃ adalah kovariansi antara X₂ dan X₃.
PT Agro Nusantara memantau tiga indikator kualitas tanah: pH (X₁), kadar nitrogen (X₂), dan kadar fosfor (X₃). Manajemen ingin mengetahui apakah variabilitas pH lebih besar dibandingkan nitrogen. Informasi ini dapat langsung diperoleh dari…
Elemen diagonal matriks kovariansi adalah variansi masing-masing variabel. Membandingkan σ₁₁ dan σ₂₂ langsung menunjukkan variabel mana yang lebih bervariasi.
Perbedaan utama antara vektor random dan matriks random terletak pada…
Vektor random adalah matriks random berukuran p×1 atau 1×p, sehingga dapat dipandang sebagai kasus khusus dari matriks random yang elemennya variabel random.
Diberikan matriks random X berukuran 3×2. Nilai harapan dari matriks random tersebut, E(X), adalah…
Nilai harapan matriks random adalah matriks dengan dimensi sama, yang setiap elemennya merupakan E(X_{ij}).
Peneliti kesehatan mengamati tekanan darah sistolik (X₁) dan diastolik (X₂) pada pasien. Ia membentuk kombinasi linear Y = 2X₁ − 3X₂. Jika vektor mean μ = [120, 80]ᵀ, maka E(Y) sama dengan…
E(Y) = E(2X₁ − 3X₂) = 2E(X₁) − 3E(X₂) = 2(120) − 3(80) = 240 − 240 = 0.
Jika V adalah matriks kovariansi dari vektor random X dan Y = cᵀX adalah kombinasi linear dengan vektor konstanta c, maka Var(Y) dinyatakan sebagai…
Variansi kombinasi linear cᵀX adalah bentuk kuadratik cᵀ Σ c, di mana Σ adalah matriks kovariansi X.
Sebuah matriks random Z berukuran 2×2 memiliki elemen-elemen yang saling independen dengan mean nol dan variansi satu. Pernyataan yang benar tentang E(ZᵀZ) adalah…
E(ZᵀZ) berukuran 2×2 dengan elemen diagonal Σ E(Z_{ki}^2) = 2 dan elemen luar diagonal Σ E(Z_{ki}Z_{kj}) = 0.
Seorang peneliti mengumpulkan data tinggi badan dan berat badan dari 50 responden. Ia memplot data dalam ruang berdimensi dua dan mengamati titik pusat sebaran data. Titik pusat ini secara statistik disebut…
Centroid adalah vektor mean sampel yang merepresentasikan titik pusat dari kumpulan data multivariat.
Dalam analisis sampel random multivariat berukuran n, deviasi setiap pengamatan terhadap mean sampel digunakan untuk menghitung…
Matriks kovariansi sampel S dihitung dari jumlah kuadrat dan perkalian silang deviasi pengamatan terhadap mean sampel.
Jarak Mahalanobis berbeda dari jarak Euclidean dalam konteks data multivariat karena jarak Mahalanobis…
Jarak Mahalanobis menstandarkan data dengan invers matriks kovariansi sehingga memperhitungkan struktur korelasi dan skala antar variabel.
Dua titik data A dan B memiliki jarak Euclidean yang sama terhadap centroid. Namun, jika dilihat dari elipsoida sebaran data, A berada di dalam kontur 95% sedangkan B di luar. Hal ini menunjukkan bahwa…
Kontur elipsoida mengikuti jarak Mahalanobis konstan. A di dalam kontur berarti jarak Mahalanobisnya lebih kecil, meskipun jarak Euclidean keduanya sama.
PT Ekspres Logistik menganalisis data pengiriman: jarak tempuh (km), waktu tempuh (jam), dan konsumsi BBM (liter). Sebelum menghitung jarak Mahalanobis antar pengamatan, langkah penting yang harus dilakukan adalah…
Jarak Mahalanobis didefinisikan sebagai (x−μ)ᵀ S⁻¹ (x−μ), sehingga memerlukan invers matriks kovariansi untuk menstandarkan dan menghilangkan efek korelasi.
Matriks kovariansi sampel S dengan pembagi n−1 digunakan sebagai estimator Σ karena…
Pembagi n−1 membuat nilai harapan S sama dengan Σ sehingga S adalah estimator tak bias untuk matriks kovariansi populasi.
Seorang mahasiswa menghitung matriks kovariansi sampel menggunakan pembagi n dan memperoleh S_n. Dosen memintanya menggunakan pembagi n−1 agar diperoleh S. Hubungan antara keduanya adalah…
S_n menggunakan pembagi n sehingga S_n = ((n−1)/n) S. Dengan demikian S = (n/(n−1)) S_n.
Berdasarkan teorema limit pusat multivariat, untuk ukuran sampel yang besar, rata-rata sampel dari vektor random akan mendekati distribusi…
Teorema limit pusat multivariat menyatakan bahwa √n(x̄ − µ) konvergen dalam distribusi ke N_p(0, Σ), sehingga x̄ ~ N_p(µ, Σ/n) untuk n besar.
Dalam mengestimasi matriks kovariansi populasi Σ, seorang peneliti mempertimbangkan dua formula: satu dengan pembagi n dan satu lagi dengan pembagi n−1. Alasan utama penggunaan pembagi n−1 adalah untuk memperoleh estimator yang bersifat…
Estimator dengan pembagi n−1 menghasilkan nilai harapan yang tepat sama dengan parameter populasi Σ, sehingga memenuhi definisi estimator tak bias. Sebaliknya, pembagi n menghasilkan estimator bias.
Sebuah lembaga survei mengumpulkan data dari 200 responden mengenai lima variabel demografi. Berdasarkan teorema limit pusat multivariat, rata-rata sampel dari kelima variabel tersebut akan mendekati distribusi normal multivariat meskipun data aslinya tidak normal. Kondisi yang mendasari berlakunya teorema ini adalah…
Teorema limit pusat multivariat menyatakan bahwa untuk ukuran sampel n yang besar, distribusi rata-rata sampel akan mendekati normal multivariat, terlepas dari distribusi populasi asalnya, selama variabel memiliki momen hingga.
Fungsi densitas normal multivariat untuk vektor random p-dimensi X didefinisikan dengan parameter mean vektor μ dan matriks kovariansi Σ. Syarat agar fungsi densitas ini terdefinisi secara valid adalah…
Fungsi densitas normal multivariat mensyaratkan Σ sebagai matriks definit positif agar invers Σ⁻¹ ada dan densitas bernilai positif terhingga. Jika Σ singular, densitas tidak terdefinisi.
Pada eksponen densitas normal multivariat terdapat bentuk (x−μ)ᵀΣ⁻¹(x−μ). Bentuk ini dikenal sebagai…
Bentuk kuadratik (x−μ)ᵀΣ⁻¹(x−μ) merupakan jarak Mahalanobis kuadrat yang menjadi inti eksponen densitas normal multivariat. Jarak ini menyesuaikan dengan korelasi dan skala variabel melalui Σ⁻¹.
Kontur densitas normal multivariat membentuk elipsoida yang berpusat di μ. Sumbu-sumbu elipsoida tersebut ditentukan oleh…
Elipsoida kontur densitas memiliki sumbu-sumbu yang arahnya ditentukan oleh vektor eigen Σ dan panjangnya proporsional terhadap akar dari nilai eigen yang bersesuaian. Inilah yang membentuk orientasi dan bentuk elipsoida.
Seorang peneliti membandingkan densitas normal univariat dan bivariat. Ia mengamati bahwa puncak densitas normal bivariat terletak pada titik μ = [μ₁, μ₂]ᵀ, sedangkan ketinggian puncak tersebut bergantung pada…
Ketinggian puncak densitas normal multivariat ditentukan oleh (2π)^(p/2) |Σ|^(1/2) pada penyebut. Semakin besar determinan Σ, semakin rendah puncak densitasnya karena data lebih menyebar.
Seorang analis keuangan menghitung jarak Mahalanobis antara profil risiko dua portofolio terhadap profil rata-rata industri. Ia menemukan kedua portofolio memiliki jarak Mahalanobis yang sama, tetapi jarak Euclidean portofolio A lebih besar dari B. Hal ini terjadi karena…
Jarak Mahalanobis yang sama meskipun jarak Euclidean berbeda menunjukkan bahwa perbedaan pada portofolio A sejajar dengan arah korelasi tinggi antar variabel, sehingga dinormalisasi oleh Σ⁻¹. Akibatnya, kontribusi perbedaan tersebut direduksi dalam perhitungan Mahalanobis.
Kepadatan peluang normal multivariat akan menurun seiring membesarnya jarak Mahalanobis dari mean. Laju penurunan ini bersifat…
Densitas normal multivariat mengandung exp(−½ (x−μ)ᵀΣ⁻¹(x−μ)), sehingga penurunan terhadap jarak Mahalanobis bersifat eksponensial. Semakin jauh suatu titik dari mean, semakin kecil densitasnya secara eksponensial.
Diberikan vektor normal multivariat X = [X₁, X₂, X₃]ᵀ. Jika Cov(X₁, X₂) = 0, maka dalam konteks distribusi normal multivariat, berlaku…
Sifat khusus distribusi normal multivariat: jika dua komponen tidak berkorelasi (kovariansi nol), maka keduanya saling independen. Ini merupakan kekhasan normal multivariat yang tidak berlaku pada distribusi lain secara umum.
Peneliti mengamati vektor X = [X₁, X₂, X₃]ᵀ berdistribusi normal multivariat. Ia hanya tertarik pada distribusi (X₁, X₂) tanpa memperhatikan X₃. Distribusi yang tepat untuk (X₁, X₂) adalah…
Setiap subset komponen dari vektor normal multivariat juga berdistribusi normal. Distribusi marginal (X₁, X₂) dari vektor normal trivariat tetap normal, spesifiknya normal bivariat.
Diketahui X = [X₁, X₂]ᵀ berdistribusi normal dengan mean μ dan matriks kovariansi Σ. Distribusi bersyarat X₁ diberikan X₂ = x₂ memiliki mean yang bergantung pada…
Mean bersyarat E(X₁ | X₂ = x₂) = μ₁ + Σ₁₂ Σ₂₂⁻¹ (x₂ − μ₂), sehingga bergantung pada nilai amatan x₂ serta kovariansi Σ₁₂. Ini menunjukkan bahwa informasi dari X₂ mempengaruhi ekspektasi X₁.
Vektor X berdistribusi normal multivariat N₃(μ, Σ). Jika Z = A X + b dengan A matriks konstanta dan b vektor konstanta, maka distribusi Z adalah…
Kombinasi linear atau transformasi afin dari vektor normal multivariat tetap menghasilkan distribusi normal multivariat. Mean Z adalah A μ + b, dan kovariansinya A Σ Aᵀ.
Berbeda dengan distribusi normal univariat, pada normal multivariat sifat 'tidak berkorelasi' ekuivalen dengan 'independen'. Implikasi dari sifat ini dalam pemodelan adalah…
Pada normal multivariat, korelasi nol mengimplikasikan independensi. Artinya, struktur dependensi antar variabel sepenuhnya ditangkap oleh matriks kovariansi; tidak ada hubungan non-linear yang tersisa di luar itu.
Distribusi bersyarat dan distribusi marginal dari vektor normal multivariat sama-sama normal. Perbedaan mendasar antara keduanya terletak pada…
Distribusi marginal hanya mengambil subset tanpa memperhitungkan variabel lain, sedangkan distribusi bersyarat menyesuaikan mean dan kovariansinya berdasarkan nilai variabel yang diketahui melalui operasi koreksi Σ₁₂ Σ₂₂⁻¹.
Dari populasi normal multivariat N_p(μ, Σ) diambil sampel random berukuran n. Matriks data X berukuran n×p yang terbentuk memiliki struktur…
Matriks data X berukuran n×p menyusun setiap observasi sebagai baris dan setiap variabel sebagai kolom. Jadi, baris ke-i berisi nilai-nilai p variabel dari pengamatan ke-i.
Seorang mahasiswa statistika mengambil 40 sampel dari populasi yang diduga berdistribusi normal multivariat. Ia menghitung mean sampel x̄. Distribusi dari x̄ adalah…
Mean sampel dari populasi normal multivariat berdistribusi normal multivariat dengan mean sama seperti populasi μ dan matriks kovariansi yang menyusut menjadi Σ/n, mencerminkan peningkatan presisi seiring bertambahnya n.
PT Farmasi Sehat memproduksi obat dengan tiga karakteristik kualitas yang diukur secara simultan. Manajer kualitas ingin memantau apakah rata-rata proses produksi stabil. Ia mengambil 25 sampel dan menghitung mean sampel x̄ serta matriks kovariansi S. Sebelum melakukan inferensi lebih lanjut, ia perlu memastikan bahwa x̄ dan S…
Untuk sampel dari distribusi normal multivariat, mean sampel x̄ dan matriks kovariansi sampel S bersifat saling independen. Sifat ini fundamental dalam inferensi dan memungkinkan pengujian terpisah antara mean dan kovariansi.
Dalam suatu penelitian, diambil sampel random berukuran n dari populasi normal multivariat N_p(μ, Σ). Data disusun dalam matriks X berukuran n×p, di mana setiap baris merepresentasikan satu unit pengamatan dan setiap kolom merepresentasikan satu variabel. Matriks X ini dikenal sebagai…
Matriks data X menyusun n pengamatan sebagai baris dan p variabel sebagai kolom, sehingga menjadi dasar perhitungan statistik multivariat selanjutnya.
PT Cahaya Elektronik memproduksi komponen dengan tiga spesifikasi teknis yang diukur secara bersamaan. Tim kualitas mengambil 36 sampel dan menghitung rata-rata ketiga spesifikasi tersebut. Jika populasi berdistribusi normal multivariat dengan mean μ dan matriks kovariansi Σ, maka distribusi dari mean sampel x̄ adalah…
Mean sampel dari populasi normal multivariat berdistribusi normal dengan mean μ dan kovariansi Σ/n, karena variabilitas mean sampel mengecil seiring bertambahnya ukuran sampel.
Dibandingkan dengan matriks kovariansi populasi Σ, matriks data X memiliki perbedaan fundamental dalam hal…
Matriks data X berukuran n×p berisi nilai pengamatan mentah, sedangkan matriks kovariansi Σ berukuran p×p berisi variansi dan kovariansi yang dihitung dari data.
Distribusi yang mendasari inferensi tentang matriks kovariansi sampel S ketika sampel berasal dari populasi normal multivariat adalah…
Matriks kovariansi sampel S dikalikan (n-1) berdistribusi Wishart, yang merupakan generalisasi multivariat dari distribusi chi-square.
Dalam sampling dari populasi normal multivariat, x̄ dan S memiliki sifat yang sangat penting untuk inferensi. Sifat tersebut adalah…
Untuk sampel dari populasi normal multivariat, mean sampel x̄ dan matriks kovariansi sampel S terbukti saling independen, yang menjadi dasar bagi banyak uji statistik multivariat.
Sebuah penelitian ingin menguji apakah vektor mean populasi sama dengan suatu nilai tertentu. Statistik yang digunakan adalah T² Hotelling. Statistik ini merupakan analog multivariat dari…
T² Hotelling adalah generalisasi dari statistik t univariat untuk kasus multivariat, digunakan untuk menguji hipotesis tentang vektor mean.
Jika (n-1)S berdistribusi Wishart dengan parameter Σ dan derajat bebas n-1, maka distribusi Wishart dapat dipandang sebagai perluasan multivariat dari distribusi chi-square. Perbedaan utama antara keduanya terletak pada…
Distribusi chi-square menangani estimasi variansi univariat (skalar), sedangkan distribusi Wishart menangani estimasi matriks kovariansi (multivariat), sehingga melibatkan parameter berdimensi matriks.
Dari populasi normal multivariat diambil sampel berukuran n. Jika peneliti menghitung statistik T² untuk menguji H₀: μ = μ₀, maka setelah transformasi yang sesuai, distribusi dari T² adalah…
Statistik T² Hotelling setelah dikalikan dengan (n-p)/(p(n-1)) akan berdistribusi F dengan derajat bebas p dan n-p, sehingga pengujian dapat dilakukan menggunakan tabel F.
Independensi antara x̄ dan S pada sampel dari normal multivariat tidak berlaku jika…
Sifat independensi x̄ dan S hanya terjamin ketika populasi berdistribusi normal multivariat; jika asumsi normalitas multivariat tidak terpenuhi, independensi tersebut tidak lagi berlaku.
Seorang peneliti menguji hipotesis H₀: μ = μ₀ menggunakan T² Hotelling. Jika nilai statistik T² yang dihitung lebih besar dari nilai kritis, maka keputusan yang tepat adalah…
Daerah penolakan H₀ pada uji T² adalah ketika statistik uji melebihi nilai kritis pada taraf signifikansi α, yang menunjukkan bahwa vektor mean populasi berbeda signifikan dari nilai yang dihipotesiskan.
Perbedaan utama antara uji t univariat dan uji T² Hotelling dalam menguji mean adalah…
Uji t univariat menguji mean satu variabel, sedangkan T² Hotelling menguji vektor mean dari beberapa variabel secara simultan, mempertimbangkan kovariansi antar variabel.
Likelihood ratio test untuk menguji H₀: μ = μ₀ pada populasi normal multivariat dilakukan dengan…
Likelihood ratio test membandingkan nilai maksimum fungsi likelihood dengan restriksi H₀ terhadap nilai maksimum tanpa restriksi; rasio yang terlalu kecil mengindikasikan penolakan H₀.
PT Indo Pangan memproduksi makanan ringan dengan tiga indikator mutu: kadar air, kadar lemak, dan tingkat kerenyahan. Manajer mutu ingin menguji apakah rata-rata ketiga indikator tersebut memenuhi standar yang ditetapkan. Hipotesis nol yang tepat untuk pengujian ini adalah…
Pengujian kesesuaian vektor mean terhadap standar menggunakan H₀: μ = μ₀, di mana μ₀ adalah vektor berisi nilai standar untuk ketiga indikator yang diuji secara simultan.
Dalam uji T² Hotelling satu sampel, daerah penolakan H₀ bergantung pada…
Nilai kritis uji T² ditentukan oleh distribusi F yang dipengaruhi oleh taraf signifikansi α, jumlah variabel p, dan ukuran sampel n melalui derajat bebas p dan n-p.
Daerah konfidensi simultan untuk vektor mean μ pada populasi normal multivariat berbentuk…
Daerah konfidensi simultan untuk vektor mean membentuk elipsoida berdimensi p yang berpusat di mean sampel x̄, dengan orientasi dan ukuran ditentukan oleh matriks kovariansi S dan nilai kritis T².
Metode Bonferroni digunakan dalam inferensi vektor mean untuk…
Metode Bonferroni membagi taraf signifikansi α secara merata ke setiap interval individu untuk menjaga keseluruhan tingkat kesalahan tipe I tidak melebihi α yang ditetapkan.
Peneliti pasar mengestimasi mean tiga variabel perilaku konsumen menggunakan interval konfidensi simultan dan interval konfidensi individu. Perbandingan antara kedua jenis interval tersebut menunjukkan bahwa interval simultan cenderung…
Interval konfidensi simultan harus mencakup semua kombinasi linear mean dengan peluang konfidensi tertentu, sehingga lebih lebar dibandingkan interval individu yang tidak mengontrol keseluruhan error rate.
Seorang peneliti ingin mengestimasi vektor mean tiga variabel ekonomi secara simultan dengan tingkat kepercayaan 95%. Ia memilih antara daerah konfidensi simultan dan interval konfidensi individu dengan koreksi Bonferroni. Perbedaan utama antara kedua pendekatan tersebut adalah…
Daerah konfidensi simultan untuk vektor mean berbentuk elipsoida yang mencakup semua kombinasi linear secara bersamaan, sedangkan metode Bonferroni menghasilkan interval terpisah untuk setiap komponen dengan membagi taraf signifikansi agar error rate keseluruhan terkontrol.
Dalam suatu studi kualitas udara, peneliti mengukur konsentrasi PM2.5, PM10, dan O₃ di lima lokasi. Ia menghitung interval konfidensi simultan 95% untuk vektor mean menggunakan metode T². Jika ia juga menghitung interval konfidensi individu 95% tanpa koreksi untuk masing-masing polutan, maka…
Interval konfidensi simultan menggunakan persentil distribusi T² yang memperhitungkan seluruh komponen secara bersama, sehingga lebih lebar daripada interval individu tanpa koreksi yang hanya menggunakan persentil t univariat dan tidak mengontrol error rate simultan.
PT Agro Lestari membandingkan efektivitas dua jenis pupuk pada tanaman padi. Dari 30 petak yang diberi pupuk A dan 30 petak pupuk B, diukur tiga variabel: tinggi tanaman, jumlah anakan, dan berat gabah. Peneliti ingin menguji apakah vektor mean kedua kelompok sama. Uji statistik yang tepat digunakan adalah…
Untuk membandingkan dua vektor mean dari dua populasi independen dengan beberapa variabel respons, uji T² Hotelling dua sampel independen merupakan prosedur yang tepat karena menguji kesamaan vektor mean secara simultan.
Dalam uji T² dua sampel independen, asumsi matriks kovariansi homogen mensyaratkan bahwa…
Uji T² dua sampel independen mengasumsikan bahwa kedua populasi memiliki matriks kovariansi yang identik, sehingga matriks kovariansi gabungan dapat digunakan untuk mengestimasi Σ secara bersama.
Sebuah klinik rehabilitasi mengukur kekuatan otot pasien sebelum dan sesudah program terapi pada tiga kelompok otot. Untuk menguji efektivitas program, peneliti menghitung selisih pengukuran sebelum dan sesudah, lalu menguji apakah vektor mean selisih sama dengan nol. Prosedur ini dikenal sebagai…
Uji T² sampel berpasangan diterapkan pada vektor selisih antara dua pengukuran pada subjek yang sama, menguji hipotesis bahwa vektor mean selisih adalah nol, analog dengan uji t berpasangan univariat.
Perbedaan mendasar antara uji T² dua sampel independen dan uji T² sampel berpasangan terletak pada…
Uji T² independen digunakan untuk dua kelompok yang tidak berpasangan, sedangkan uji T² berpasangan diterapkan ketika pengamatan pada kedua kondisi berasal dari subjek yang sama sehingga terdapat ketergantungan antar pasangan data.
PT Elektronika Prima menguji daya tahan dua merek baterai dengan mengukur tiga parameter: tegangan, arus, dan kapasitas pada 20 sampel masing-masing merek. Sebelum melakukan uji T² dua sampel, peneliti perlu memeriksa apakah matriks kovariansi kedua populasi sama. Uji yang sesuai untuk keperluan ini adalah…
Uji Box's M secara spesifik digunakan untuk menguji kesamaan beberapa matriks kovariansi populasi, sehingga tepat untuk memeriksa asumsi homogenitas matriks kovariansi sebelum uji T² dua sampel.
Seorang peneliti pendidikan membandingkan nilai ujian matematika, fisika, dan kimia siswa dari tiga metode pembelajaran yang berbeda. Ia ingin menguji apakah vektor mean ketiga kelompok sama secara simultan. Metode analisis yang paling tepat adalah…
MANOVA satu arah merupakan perluasan ANOVA untuk menguji kesamaan beberapa vektor mean dari k populasi secara simultan, sehingga tepat untuk membandingkan tiga metode pada tiga variabel respons sekaligus.
Statistik Wilks' Lambda dalam MANOVA didefinisikan sebagai…
Wilks' Lambda adalah kriteria uji dalam MANOVA yang dihitung sebagai rasio determinan matriks variasi dalam kelompok (within) terhadap determinan matriks variasi total, mengukur proporsi variansi yang tidak dijelaskan oleh perbedaan kelompok.
Dalam MANOVA, dekomposisi variasi total menjadi variasi antar kelompok dan variasi dalam kelompok dilakukan dalam bentuk…
Dekomposisi variasi dalam MANOVA dinyatakan dalam bentuk matriks jumlah kuadrat dan perkalian silang (SSCP), di mana matriks total didekomposisi menjadi matriks antar kelompok (between) dan matriks dalam kelompok (within).
PT Farmasi Sehat membandingkan efektivitas empat formulasi obat pada tiga indikator klinis. Peneliti menggunakan MANOVA dan memperoleh nilai Wilks' Lambda yang sangat kecil. Kesimpulan yang tepat adalah…
Wilks' Lambda yang kecil menunjukkan bahwa variasi dalam kelompok relatif kecil dibandingkan variasi total, yang berarti perbedaan antar kelompok besar, sehingga terdapat indikasi kuat bahwa vektor mean antar formulasi berbeda signifikan.
Perbedaan utama antara ANOVA satu arah dan MANOVA satu arah adalah…
MANOVA memperluas ANOVA dengan menguji beberapa variabel dependen secara simultan dalam satu analisis, sehingga hipotesis nolnya adalah kesamaan vektor mean dari beberapa populasi, bukan hanya mean satu variabel.
Seorang peneliti ingin menguji hipotesis bahwa matriks kovariansi populasi sama dengan matriks tertentu Σ₀. Statistik uji yang digunakan melibatkan…
Uji hipotesis untuk satu matriks kovariansi menggunakan statistik likelihood ratio yang membandingkan estimasi di bawah H₀ (Σ₀) dan estimasi tak terbatas (S), melibatkan determinan dan trace dari kedua matriks tersebut.
PT Manufaktur Presisi memiliki tiga pabrik yang memproduksi komponen dengan empat spesifikasi kualitas. Manajer ingin menguji apakah matriks kovariansi antar spesifikasi sama di ketiga pabrik. Uji statistik yang paling sesuai adalah…
Uji Box's M dirancang khusus untuk menguji hipotesis kesamaan matriks kovariansi dari beberapa populasi, sehingga tepat untuk membandingkan matriks kovariansi empat spesifikasi di tiga pabrik secara simultan.
Dalam uji hipotesis untuk satu matriks kovariansi H₀: Σ = Σ₀, statistik likelihood ratio membandingkan…
Statistik uji likelihood ratio untuk satu matriks kovariansi membandingkan estimasi likelihood maksimum tanpa restriksi (menggunakan S) dengan likelihood di bawah H₀ (menggunakan Σ₀), sehingga intinya adalah perbandingan antara S dan Σ₀.
Uji Box's M untuk kesamaan beberapa matriks kovariansi sangat sensitif terhadap…
Uji Box's M mengasumsikan data berasal dari distribusi normal multivariat, dan cukup sensitif terhadap pelanggaran asumsi ini, sehingga penyimpangan dari normalitas dapat menyebabkan penolakan H₀ yang bukan karena perbedaan matriks kovariansi melainkan karena non-normalitas.
PT Manufaktur Presisi menduga adanya perubahan struktur dependensi antar spesifikasi kualitas setelah penerapan sistem kontrol baru. Untuk menguji apakah matriks kovariansi populasi sama dengan matriks tertentu Σ₀, statistik uji yang digunakan melibatkan perbandingan antara…
Uji hipotesis H₀: Σ = Σ₀ pada satu populasi menggunakan statistik likelihood ratio yang membandingkan determinan matriks kovariansi sampel S dengan determinan matriks kovariansi populasi yang dihipotesiskan Σ₀. Statistik ini didasarkan pada rasio kemungkinan maksimum di bawah H₀ dan tanpa H₀, yang pada akhirnya melibatkan proporsi antara determinan kedua matriks tersebut.
Model sferik pada matriks kovariansi mengasumsikan bahwa…
Sferik berarti variansi semua variabel homogen dan antar variabel tidak berkorelasi, yaitu Σ = σ²I.
Uji sferisitas Mauchly digunakan untuk menguji apakah matriks kovariansi ortogonal ternormalisasi proporsional terhadap matriks identitas. Uji ini banyak diterapkan pada…
Sferisitas adalah asumsi dalam ANOVA pengukuran berulang; uji Mauchly memeriksa apakah matriks kovariansi variabel-variabel transformed memenuhi syarat ini.
Seorang peneliti menemukan bahwa matriks kovariansi dari empat variabel membentuk struktur blok diagonal, di mana dua variabel pertama membentuk satu blok dan dua variabel terakhir membentuk blok lain. Interpretasi dari pola ini adalah…
Struktur blok diagonal menunjukkan bahwa variabel dalam satu blok saling berkorelasi, tetapi variabel antar blok tidak berkorelasi sehingga saling independen.
Berbeda dengan homogenitas variansi yang hanya memperhatikan kesamaan variansi antar populasi, sferisitas juga mensyaratkan…
Sferisitas lebih kuat ketimbang homogenitas variansi: selain variansi sama, juga tidak ada korelasi antar variabel, menghasilkan Σ = σ²I.
PT Medika Raya menganalisis hubungan antara usia pasien, tekanan darah, dan kadar kolesterol. Peneliti menyusun matriks simetris berukuran 3×3 yang elemennya merupakan koefisien korelasi Pearson antar setiap pasangan variabel. Matriks ini dikenal sebagai…
Matriks korelasi berisi koefisien korelasi Pearson antar pasangan variabel, berbeda dengan matriks kovariansi yang berisi variansi dan kovariansi mentah.
Korelasi parsial antara X dan Y setelah mengontrol variabel Z secara konseptual setara dengan…
Korelasi parsial mengukur hubungan linear X dan Y dengan menghilangkan pengaruh Z pada keduanya, yang diperoleh dengan mengkorelasikan residu regresi masing-masing terhadap Z.
Uji signifikansi terhadap koefisien korelasi populasi nol dapat menggunakan transformasi Fisher. Keuntungan utama transformasi Fisher adalah…
Transformasi Fisher menstabilkan variansi dan membuat distribusi statistik mendekati normal, sehingga memungkinkan interval konfidensi dan uji signifikansi yang lebih akurat.
Tim peneliti PT Agro Nusantara menghitung koefisien korelasi antara curah hujan dan produktivitas padi sebesar 0,75. Namun, setelah mengontrol variabel dosis pupuk, koefisien korelasi parsial turun menjadi 0,20. Kesimpulan yang paling logis adalah…
Penurunan drastis korelasi setelah mengontrol pupuk menunjukkan bahwa hubungan awal sebagian besar dijelaskan oleh variabel ketiga, mengindikasikan korelasi semu.
Dalam konteks analisis korelasi, perbedaan utama antara korelasi Pearson dan korelasi Spearman terletak pada…
Pearson mengukur keeratan hubungan linear dari data asli, sementara Spearman mengukur hubungan monotonik berdasarkan urutan peringkat data.
Seorang analis ingin mengetahui seberapa erat hubungan linear antara nilai ujian masuk (X) dan indeks prestasi kumulatif (Y) secara bersama-sama dengan variabel jam belajar (Z). Statistik yang menggambarkan keeratan hubungan antara Y dengan gabungan X dan Z adalah…
Korelasi ganda mengukur hubungan linear antara satu variabel dependen dengan sekumpulan variabel independen secara simultan.
Koefisien determinasi R² diperoleh dari 0,64 pada suatu model regresi dengan dua prediktor. Interpretasi yang tepat adalah…
R² adalah kuadrat korelasi ganda, mengukur proporsi variansi variabel dependen yang dapat dijelaskan oleh model regresi.
Korelasi semi parsial berbeda dari korelasi parsial dalam hal variabel pengontrol hanya dikeluarkan dari…
Pada korelasi semi parsial, pengaruh variabel pengontrol dihilangkan hanya pada satu variabel (mis. hanya pada prediktor), sementara korelasi parsial mengontrol pada kedua variabel.
Dalam penelitian pendidikan, seorang dosen menghitung korelasi antara skor ujian akhir (Y) dan lama belajar (X₁) dengan mengontrol pengaruh motivasi (X₂) hanya pada X₁. Analisis ini tepat disebut…
Korelasi semi parsial menghilangkan pengaruh variabel kontrol hanya pada satu sisi hubungan, cocok untuk mengukur kontribusi unik prediktor setelah membersihkan tumpang-tindih dengan prediktor lain.
Manakah pernyataan yang benar mengenai hubungan antara koefisien korelasi dan koefisien determinasi…
R² adalah kuadrat korelasi ganda R, sehingga nilainya selalu non-negatif, terlepas dari arah hubungan linear.
PT Finansial Analitika memodelkan hubungan antara return saham (Y) dengan tiga indikator ekonomi makro: inflasi (X₁), suku bunga (X₂), dan nilai tukar (X₃). Peneliti menghitung korelasi semi parsial antara Y dan X₁ setelah mengontrol pengaruh X₂ dan X₃ hanya pada X₁. Informasi utama yang diperoleh dari koefisien ini adalah…
Korelasi semi parsial dengan kontrol hanya pada prediktor mengukur tambahan variansi Y yang mampu dijelaskan oleh X₁ setelah kontribusi X₂ dan X₃ diperhitungkan.
Modul matriks sering dianggap enteng. Padahal di UAS, bagian invers justru jadi fondasi uji vektor mean. Kalau salah hitung minor, hasil akhir beda. Juga distribusi normal multivariat, biasanya keluar soal konsep densitas. Jarang yang mulus di situ.
Soal UTM biasanya hitungan. UO-nya minta interpretasi output, seperti matriks kovariansi atau korelasi parsial. Di SATS4421 Metode Statistika Multivariat, inferensi beberapa vektor mean itu wajib dikuasai. Biar lebih pede, coba juga soal UAS UT STIK4482 yang mengasah nalar data. Udah lancar belum?
