n1 <- 20
p1 <- 3
xbar1 <- matrix(c(4.64,45.4,9.96),ncol=1)
xbar1
## [,1]
## [1,] 4.64
## [2,] 45.40
## [3,] 9.96
S1 <- matrix(c(2.88,10.01,-1.81,10.01,199.79,-5.64,-1.81,-5.64,3.63),ncol=3,byrow = T)
S1
## [,1] [,2] [,3]
## [1,] 2.88 10.01 -1.81
## [2,] 10.01 199.79 -5.64
## [3,] -1.81 -5.64 3.63
miu1 <- matrix(c(4,50,10), ncol=1)
miu1
## [,1]
## [1,] 4
## [2,] 50
## [3,] 10
Ftabel1 <- 2.44
sinv1 <- solve(S1)
sinv1
## [,1] [,2] [,3]
## [1,] 0.58606819 -0.022082652 0.257916605
## [2,] -0.02208265 0.006066921 -0.001584619
## [3,] 0.25791660 -0.001584619 0.401623087
T2.1 <- n1*(t(xbar1-miu1))%*%sinv1%*%(xbar1-miu1)
T2.1
## [,1]
## [1,] 9.706127
tk1 <- (n1-1)*p1*Ftabel1/(n1-p1)
tk1
## [1] 8.181176
T2 = 9.706 > tk = 8.18, maka Tolak H0 pada taraf nyata 10%
sehingga dapat disimpulkan dengan tingkat kepercayaan 90%, minimal ada salah satu dari rata rata kadar gula, kadar garam, dan kdar potasium dalam darah mereka yang memiliki nilai rata rata yg tidak sama dengan 4,50, atau 10
n2 <- 3
p2 <- 2
x2 <- matrix(c(6,9,10,6,8,3),ncol=2,byrow = T)
x2
## [,1] [,2]
## [1,] 6 9
## [2,] 10 6
## [3,] 8 3
miu2 <- matrix(c(9,5),ncol=1)
miu2
## [,1]
## [1,] 9
## [2,] 5
xbar2 <- matrix(c(mean(x2[,1]),mean(x2[,2])),ncol=1)
xbar2
## [,1]
## [1,] 8
## [2,] 6
s2 <- matrix(c(var(x2[,1]),cov(x2[,1],x2[,2]),cov(x2[,1],x2[,2]),var(x2[,2])),ncol=2,byrow = T)
s2
## [,1] [,2]
## [1,] 4 -3
## [2,] -3 9
sinv2 <- solve(s2)
sinv2
## [,1] [,2]
## [1,] 0.3333333 0.1111111
## [2,] 0.1111111 0.1481481
T2.2 <- n2*t(xbar2-miu2)%*%sinv2%*%(xbar2-miu2)
T2.2
## [,1]
## [1,] 0.7777778
ftabel2 <- qf(0.1,p2,n2-p2,lower.tail = F)
tk2 <- (n2-1)*p2*ftabel2/(n2-p2)
tk2
## [1] 198
T2 = 0.78 < tk = 198, maka Tak Tolak H0 pada taraf nyata 10%
sehingga dapat disimpulkan dengan tingkat kepercayaan 90%, belum cukup bukti bahwa minimal ada salah satu dari rata rata kdata matriks X yang memiliki nilai rata rata yg tidak sama dengan 9 atau 5