P. 1
aljabar linier & matriks

aljabar linier & matriks

|Views: 528|Likes:

More info:

Published by: Ikhbal Wahyu Purnama on Feb 25, 2013
Copyright:Attribution Non-commercial

Availability:

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

10/21/2015

pdf

text

original

MAKALAH ALJABAR LINIER DAN MATRIKS

OLEH :

IKHBAL WAHYU PURNAMA
NPM : 1060100241.P

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH BENGKULU 2013

KATA PENGANTAR
Puji syukur kehadirat Allah SWT, rahmat, hidayah serta inayahnya penulis dapat menyelesaikan Makalah ”Nilai Eigen dan Vektor Eigen”. Sholawat serta semoga akan selalu tercurahkan kepada Rasulullah SAW, yang telah membawa kita dari jalan kegelapan menuju jalan yang terang benderang, dan yang kita nantikan syafa’atnya di dunia dan akhirat. Penulis sadar bahwa dirinya hanyalah manusia biasanya yang pastinya mempunyai banyak kesalahan, tentunya dalam makalah ini terdapat banyak kesalahan. Untuk itu penulis mengharap kritik dan saran yang membangun demi kesempurnaan pengembangan berikutnya. Semoga makalah ini dapat bermanfaat bagi mahasiswa Teknik Informatika khususnya dan untuk mata kuliah Aljabar Linear dan Matriks.

Bengkulu,

Februari 2013

Penulis

2

................................................... ......................................................... 14 2........... 3 BAB I PENDAHULUAN ....................3 Ruang Eigen .................. 2 DAFTAR ISI ..............2 Persamaan Karakteristik ............ 20 3.......................... 5 2.................1 Nilai Eigen dan Vektor Eigen .......................................................2................... ............................................................................1......................... .. ..................... Vektor Eigen dan Transformasi Linear .......................................................................................................................................................... ........1.......... ................................ 6 2............................... ............................ 14 2................ 22 3 ....................................................................4 Nilai Eigen.................... ...................................................................................................................... ........ 4 BAB II PEMBAHASAN ....................1........................1 NILAI DAN RUANG EIGEN ......................1 Diagonalisasi ...... ............. 5 2...........................................1.......................... ...2...............................DAFTAR ISI KATA PENGANTAR .............................. . ........... ................................ ...................................................................... 5 2...................... ............. Rangkuman ....................................................1........................................................................ 14 2.......... ..............................................................2 Diagonalisasi Ortogonal .......................... 20 DAFTAR PUSTAKA ........................... ................ 10 2............ ........... ..... .................... ...2 DIAGONALISASI MATRIKS . 18 BAB III PENUTUP ..............

Cakupan materi pembelajaran dalam makalah ini meliputi nilai eigen (eigen value). Selain itu akan sangat bermanfaat pula bagi bagi kita ketika mempelajari materi-materi matematika lanjut dan penerapan-penerapan matematika dalam sain dan teknologi. Sebagai tujuan instruksional umum setelah mempelajari materi dalam makalah ini diharapkan dapat memahami nilai eigen. dan vektor-vektor tersebut muncul secara alami dalam sebuah getaran. 4 . tekanan mekanis. Kegiatan Belajar 2: Diagonalisasi. genetik. reaksi kimia. vektor eigen dan permasalahan diagonalisasi dari sebuah matriks. vektor eigen. diagonalisasi ortogonal dan diagonalisasi matriks -matriks simetris. Adapun susunan materi dalam makalah ini terbagi menjadi dua kegiatan belajar sebagai berikut. Sedangkan bahasan secara khusus tentang konsep vektor baik di ruang dua (R2) maupun di ruang tiga (R3) dan ruang (Rn). geometri.BAB I PENDAHULUAN Mata kuliah Aljabar Linear ini akan mendiskusikan beberapa konsep yang berguna bagi kita sebagai bahan pengetahuan teknik. dan polinom karakteristik dari suatu matriks. Kegiatan Belajar 1 : Nilai eigen. Sedangkan sebagai tujuan instruksional khususnya. Kesemua materi bahasan ini akan terkait dengan vektor. sistem elektrik. diharapkan dapat: a. termasuk diagonalisasi ortogonal dan matriks simetrik. persamaan karakteristik. reaksi kimia. b. geometri dan ekonomi. menentukan nilai eigen dan vektor eigen dari suatu matriks/ transformasi linear. mekanika kuantum. vektor eigen (eigen vector) dan diagonalisasi sebuah matriks. menentukan hasil diagonalisasi sebuah matriks.

1 Misalkan A adalah matriks n x n. ada beberapa vektor x tak nol sehingga x dan Ax merupakan penggandaan satu sama lainnya (Gambar 11. Definisi 1. sistem elektris. ekonomi dan geometri. mekanika kuantum.1 Nilai Eigen dan Vektor Eigen Apabila sebuah matriks A yang berukuran n x n dan sebuah vektor x pada Rn. maka biasanya secara umum tidak ada hubungan geometris antara vektor x dengan vektor Ax (Gambar 11. Sekarang kita akan meninjau ulang beberapa konsep yang telah kita diskusikan dalam pembelajaran yang lalu untuk dikembangkan lebih lanjut.1. tekanan mekanis. Skalar λ dinamakan nilai eigen (eigen value) dari A dan x disebut suatu vektor eigen (eigen vector) dari a yang berpadanan dengan λ. 1b). yaitu Ax = λx untuk suatu skalar λ.1 NILAI DAN RUANG EIGEN 2. 1 sebab Ax adalah kelipatan dari x. maka vektor x yang tidak nol di R n disebut vektor eigen (eigen vector) dari A jika Ax adalah kelipatan skalar dari x. 1a). Namun. genetik. Vektor-vektor tersebut muncul secara alami dalam telaah getaran.BAB II PEMBAHASAN 2. yaitu 5 . Contoh 1. reaksi kimia.

2 Diketahui matriks adalah vektor-vektor eigen dari matriks P. sehingga kita dapat dengan cepat dan tepat memberikan jawabannya.1.A) = 0 dengan λ sebagai variabel disebut persamaan karakteristik dari matriks A. yaitu Ax = λx. Akar-akar atau skalar-skalar yang memenuhi persamaan ini 6 . maka persamaan (1) akan mempunyai penyelesaian tak nol (mempunyai penyelesaian non trivial) jika dan hanya jika: det (λ I .2 Persamaan Karakteristik Untuk mencari nilai eigen dari matriks A yang berukuran n x n. Bentuk ini dapat kita tulis sebagai berikut: Supaya λ menjadi nilai eigen. Menurut teorema dalam bahasan sebelumnya. Apakah setiap matriks A yang berukuran n x n selalu mempunyai vektor eigen dan nilai eigen? Berapa banyak vektor eigen dan nilai eigen yang dimiliki oleh sebuah matriks A yang berukuran n x n? Untuk menjawab pertanyaan-pertanyaan ini sekaligus memberikan penjelasan lebih lanjut dari dua contoh di atas. Persamaan det (λ I . perhatikanlah uraian berikut dengan baik. 2.A) = 0 Definisi 1.Dalam hal ini λ = 3 adalah nilai eigen dari matriks A. 2. Contoh 1. maka kita perlu memperhatikan kembali definisi vektor eigen dan nilai eigen. maka harus ada penyelesaian yang tidak nol dari persamaan (1) ini. sebab Nilai-nilai eigen dari matriks P adalah λ1 = 2 dan λ2 = 1.

A) = f(λ) = a0 + a1x1 + a2x2 + … + an . 1 atau Contoh 11. Jadi.A) ≡ f(λ) yaitu berupa polinom dalam λ yang dinamakan polinom karakteristik. nilai-nilai eigen dari matriks Q adalah 1 dan 2 Contoh 1.1xn . Setelah kita memperhatikan uraian di atas. 2 di atas sehingga kita mendapatkan nilai-nilai eigen dari matriks 2 x 2 dengan menyelesaikan persamaan karakteristiknya. Dari pemahaman definisi di atas. Det (λ I . tentunya para pembaca berharap untuk meninjau ulang Contoh 11. suatu matriks yang berukuran n x n paling banyak mempunyai n-nilai eigen yang berbeda. 3 Carilah nilai-nilai eigen dari matriks Penyelesaian: Polinom karakteristik dari matriks Q adalah = λ2 . maka persamaan karakteristik dari matriks A mempunyai derajat n dengan bentuk det (λ I .3λ + 2 = 0 Penyelesaian dari persamaan ini adalah λ1 = 1 dan λ2 = 2. Contoh 1. Jadi. 4 Diketahui untuk Carilah: a) Persamaan karakteristik dari matriks A b) Nilai-nilai eigen dari matriks A 7 .3λ + 2 dan persamaan karakteristik dari matriks Q adalah λ2 . jelas bahwa jika A adalah matriks n x n.1 + anxn = 0 Menurut teorema dasar aljabar kita dapatkan bahwa persamaan karakteristik tersebut mempunyai paling banyak n penyelesaian yang berbeda (Ingat metode Horner dan persamaan pangkat tinggi).adalah nilai-nilai eigen (nilai-nilai karakteristik) dari matriks A.

λ I) = det (4 .. 6. .. yaitu λ1 = 1. yaitu 2.Penyelesaian: a) Persamaan karakteristik dari matriks A adalah atau det (A ... λ2 = 2.6 = 0 ……………………. yaitu λ2 = 2 dan λ3 = 3.harus atau pasti merupakan pembagi dari suku konstanta a0. . (2) Untuk menyelesaikan persamaan ini..2λ) = 0 λ3 .6 = 0.λ) = 0 (4 .λ) (1 . 1 . kita perlu terlebih dahulu memahami persamaan pangkat tinggi dengan akar-akar bulat.. yaitu membagi persamaan (2) oleh (x .. Dalam hal ini λ = 1 memenuhi persamaan (2). 8 .λ) (1 .Sebagai akibatnya (λ . dan 1. sehingga akar dari persamaan (2).. 0)dari persamaan polinom dengan koefisien-koefisien bilangan . Untuk itu tentunya kita masih ingat bahwa secara sederhana dapat memanfaatkan kenyataan tentang semua penyelesaian bilangan bulat (jika himpunan penyelesaian bulat. 3. Dengan bantuan teorema sisa.6 .6λ2 + 11 λ . Selanjutnya substitusikan nilai-nilai ini berturut-turut pada persamaan (2) sehingga kita dapatkan akar-akarnya..2λ + λ2) +(2 . dan λ3 = 3 adalah nilai-nilai eigen dari matriks A..6λ2 + 11 λ ..…..... dan tentunya memerlukan bantuan teorema sisa atau metode horner untuk persamaan pangkat tinggi. Jadi.λ)2 + 2(1 ...6 = 0 b) Untuk mencari nilai-nilai eigen dari matriks A harus mencari akar-akar atau nilai-nilai λ yang memenuhi persamaan pangkat tiga: λ3 . penyelesaian-penyelesaian bilangan bulat yang mungkin dari persamaan (2) adalah pembagipembagi dari 6.1) kita dapatkan dua nilai λ lainnya. .. 12 +11 . sebab 13 .1) haruslah merupakan factor dari ruas kiri persamaan (2)..

Sekarang kita perhatikan teorema berikut yang merupakan ikhtisar dari hasil-hasil yang telah diperoleh melalui diskusi materi pembelajaran di atas. Diskusi kita untuk ruang-ruang vektor kompleks dengan nilai-nilai eigen kompleks akan dijumpai dalam kesempatan lain. 5 Carilah nilai-nilai eigen dari matriks Penyelesaian: Seperti kedua contoh di atas. Hal ini akan membawa kita untuk meninjau kemungkinan ruang-ruang vektor kompleks. dengan langkah pertama sema seperti di atas yaitu sampai mendapatkan λ1 = 1 dan langkah berikutnya sebagai berikut: (λ . yaitu ruangruang vektor dengan skalar-skalarnya nilai kompleks. maka persamaan karakteristik dari matrik T adalah det (A .5λ + 6) = 0 (λ .3) = 0 λ1 = 1. Catatan: Dari contoh 1. Contoh 1.Untuk menyelesaikan persamaan (2) dapat pula dilakukan dengan bantuan metode Horner. Jika A adalah suatu matriks n x n dan λ adalah suatu bilangan real.1) (λ . Maka matriks T tidak mempunyai nilai eigen.2) (λ .. Karena nilai-nilai eigen dari matriks T adalah bilangan imajiner.1. Dalam kesempatan sekarang akan dibatasi pada contoh-contoh dengan nilai eigen yang real. 5 kita mendapatkan nilai-nilai eigen kompleks dari matriks yang real.λ I) = det (nilai-nilai eigennya adalah bilangan imajiner).1) (λ2 . sedangkan menurut definisi λ adalah skalar atau bilangan real. 9 . λ2 = 2. Teorema 1. dan λ3 = 3 adalah nilai-nilai eigen dari matriks A. maka pernyataan-pernyataan berikut ini adalah ekuivalen (a) λ adalah nilai-nilai eigen dari matriks A.

λ I x .A) x = 0.A) = 0 Bukti: Kita akan memperlihatkan bahwa (a). maka menurut definisi nilai eigen penyelesaian dari persamaan karakteristik det (λ I . Ruang penyelesaian ini kita namakan sebagai ruang eigen (eigen space) dari matriks A yang bersesuaian dengan nilai eigen λ.A) x = 0 haruslah det (λ I A) = 0 dengan λ adalah suatu penyelesaian realnya. (b). (d) λ adalah suatu penyelesaian real dari persamaan karakteristik det (λ I . dan (d) ekuivalen satu sama lainnya dengan membuktikan urutan implikasi (a) (a) berlaku: Ax = λx dengan x tak nol. Dengan kata lain.A) = 0 atau dengan kata lain λ adalah nilai eigen dari matriks A.A)x = 0 Karena x tak nol maka sistem persamaan linear homogen (λ I . Karena (λ I .1. (c) Ada vektor x yang tidak nol dalam Rn sedemikian sehingga Ax = λx.A)x = 0 maka Ax = λ I x Ax = λ x (c) (d).A) = 0.(b) Sistem persamaan (λ I . 10 . maka λ adalah (b) (c) (d) (a). Karena Ax = λ x Ax = λ I x (λ I . (c). (b) (c).3 Ruang Eigen Setelah kita memahami bagaimana mencari nilai-nilai eigen hubungannya dengan persamaan karakteristik. maka sekarang akan beralih ke masalah untuk mencari vektor eigen. Karena λ adalah nilai-nilai eigen dari matriks A. Menurut definisi terdahulu bahwa vektor eigen dari matriks A yang bersesuaian dengan nilai eigen λ adalah vektor x yang tidak nol dan haruslah memenuhi Ax = λ x.A)x = 0 Harus mempunyai penyelesaian non-trivial. Apakah ruang eigen ini membentuk basis?. (b). (d) (a).Ax = 0 (λ I . 2. maka sistem persamaan linear homogen (λ I .A)x = 0 mempunyai penyelesaian tak trivial (non trivial).A) x = 0 Karena ada x tidak nol. Karena λ adalah penyelesaian real dari persamaan det (λ I . secara ekuivalen tentunya vektor eigen yang bersesuaian dengan nilai eigen λ adalah vektor yang tak nol dalam ruang penyelesaian (λ I .

bahwa vektor-vektor eigen suatu matriks akan membentuk suatu basis untuk ruang eigen yang bersesuaian dengan nilai eigen dari matriks tersebut.6λ2 + 11 λ . 4.λ I) x = 0 dinamakan ruang eigen dari matriks A yang berukuran n x n. 4 di atas.A) x = 0 atau (A . Sekarang kita perhatikan beberapa contoh. maka (3) menjadi: 3x1 + x3 = 0 -2x1 = 0 11 .λ I) = λ3 . yaitu Carilah basis untuk ruang eigen dari matriks A. Sebagai konsekwensinya akan kita dapatkan tiga buah ruang eigen dari matriks A.Definisi 1. Menurut definisi. bahwa dari persamaan karakteristik det (A . Diketahui matriks seperti dalam contoh 11. adalah vektor eigen dari matriks A yang bersesuaian dengan λ jika dan hanya jika x adalah suatu penyelesaian non trivial dari sistem persamaan linear homogen: (λ I . dan λ3 = 3. Contoh 1.A) x = 0 atau (A . yaitu λ1 = 1.λ I) x = 0 Untuk λ1 = 1.6 = 0 didapat tiga buah nilai eigen matriks A. 3. Ruang penyelesaian dari sistem persamaan linear (λ I . λ2 = 2. Penyelesaian: Telah diselesaiakn dalam Contoh 11. 6.

vektor dengan λ1 = 1. maka (3) menjadi 4x1 + x3 = 0 -2x1 .-2x1 = 0 x1 = 0 x2 = t x3 = 0 Vektor-vektor eigen A yang bersesuaian dengan λ1 = 1 adalah vektor tak nol yang berbentuk Jadi. vektor-vektor eigen yang bersesuaian dengan λ berbentuk 2 = 2 adalah vektor-vektor tak nol yang 12 .x3 = 0 2x1 + x3 = 0 -x2 + x3 = 0 Jadi.x2 = 0 -2x1 . merupakan suatu basis untuk ruang eigen dari matriks A yang bersesuaian Untuk λ 2 = 2.

x1 + x3 = 0 -2x1 .2x3 = 0 x1 + x3 = 0 x2 .2x2 = 0 -2x1 .Sehingga adalah basis untuk ruang eigen matriks A yang bersesuaian dengan λ Untuk λ 3 = 3. maka (3) menjadi 2 = 2. 13 .x3 = 0 x1 = .x3 = -t x2 = x3 = t x3 = t R Vektor eigen untuk λ 3 = 3 adalah Jadi vektor adalah basis untuk ruang eigen matriks A yang bersesuaian dengan λ 3 = 3.

7 Misalkan T: P2 → P2 yang didefinisikan (dirumuskan) oleh T(a0 + a1x + a2x2) = ( 4a0 + a2) + (-2a0 + a1)x + (-2a0 + a2)x2.2 DIAGONALISASI MATRIKS 2. maka Hal ini berarti: 1. bahwa jika V adalah ruang vektor yang berdimensi berhingga dan λ adalah nilai eigen dari matriks T untuk transformasi linear T: V → V terhadap sebarang basis B. Penyelesaian: Basis standar (basis baku) untuk P2 adalah B = {1.2x2 = 4 .1. x2}. Basis-basis ini dapat dipakai untuk menelaah sifat-sifat geometris dari matriks A dan 14 . 4.2x . kita perhatikan contoh berikut ini. Secaa ekuivalen.2. Nilai eigen λ dari T adalah nilai eigen matriks A 2. Carilah: a) nilai-nilai eigen T b) basis-basis untuk ruang eigen T. Vektor Eigen dan Transformasi Linear Definisi 1. Contoh 1.4 Nilai Eigen.1 Diagonalisasi Bahasan pembelajaran berikut kita akan mendiskusikan masalah mencari suatu baris untuk Rn yang terdiri dari vektor-vektor eigen dari suatu matriks A yang diketahui berukuran n x n. Vektor x adalah vektor eigen T yang bersesuaian dengan λ jika dan hanya jika matriks koordinat-koordinatnya [x]B adalah vektor eigen A yang bersesuaian dengan λ. Untuk lebih memahami penjelasan definisi di atas. Dari definisi ini dapat diperlihatkan. Skalar k dinamakan nilai eigen dari transformasi linear T: V → V jika ada vektor x yang tidak nol dalam V sehingga Tx = λx. maka vektor eigen T yang bersesuaian dengan nilai eigen λ adalah vektor tak nol dalam ruang eigen T.2x2 T(x) = 0 + x + 0x2 = x T(x2) = 1 + 0x + 1x2 = 1 + x2 2. T(1) = 4 .2x . x.2. Vektor x dinamakan vektor eigen T yang bersesuaian dengan λ.

.... .. Akibatnya matriks P menjadi berukuran n x n.. . k.. λk.. ... Cara penulisan sistem persamaan linear yang terdiri dari m persamaan dengan n variabel menjadi sebuah persamaan matriks telah kita pelajari dalam Sistem Persamaan Linear..sekaligus dipakai untuk menyederhanakan berbagai perhitungan numerik yang melibatkan matriks A.. Berdasarkan ide yang sama seperti di atas.... .. (2) Bentuk ini merupakan bentuk yang ringkas dari persamaan nilai eigen untuk k vektor eigen.. Selanjutnya persamaan (1) dapat ditulis menjadi bentuk: AP = (Au1 Au2 ......... Sedangkan cara menyelesaikan sistem persamaan linear AX = b dengan A matriks berukuran n x n yang invertibel dapat dilakukan dengan bantuan matriks A-1. dan beberapa diantaranya akan kita diskusikan dalam bahasan pembelajaran berikutnya. uk yang bersesuaian dengan nilai-nilai eigen λ1. 2. λk.. .... (1) Vektor-vektor ui dapat dikelompokkan menjadi bentuk matriks n x k... ..... maka dalam bagian ini kita akan pengkombinasikan persamaan nilai eigen untuk beberapa vektor eigen yang berlainan ke dalam persamaan matriks yang tunggal.... Seperti telah kita ketahui dalam bahasan sebelumnya tentang matriks....... Untuk lebih jelasnya kita perhatikan penjelasan berikut ini. uk) D dengan D adalah matriks diagonal k k dengan unsur-unsurnya λ1...... Pandang matriks A berukuran n x n dengan vektor-vektor eigen (yang bebas linear) u1..... yang ditulis sebagai matriks partisi P = (u1 u2 ......... (3) 15 .... bahwa salah satu teoremanya adalah pengkombinasian banyak persamaan menjadi satu...... ...... ...... Au2 = λ2u2. dan P tentunya invertibel... .. λ2...... Sebagai akibatnya maka Au1 = λ1u1... sehingga k = n......... Auk) = (u1 u2 ... .. ... u2.. Auk = λkuk atau Aur = λrur dengan r = 1. Basis-basis sangat penting dalam berbagai penerapan aljabar linear..... sehingga terjadi pengkombinasian A-1AX = A-1b atau X = A-1b.. dengan kolom-kolomnya vektor-vektor eigen (yang bebas linear). Jadi kita dapatkan AP = PD atau PD = AP ........... Sekarang misalkan matriks A yang berukuran n x n mempunyai n vektor eigen.... ....... λ2............ uk) Dengan ui adalah kolom ke-i dari P. . Selanjutnya dengan mengalikan persamaan (2) oleh P-1 dari sebelah kiri kita dapatkan: D = P-1A P ......................... ........ ..

Bentuklah matriks P yang mempunyai p1. pn sebagai vektor-vektor kolomnya.. . pn. 3. λ2. 5. λn sebagai unsur-unsur diagonal yang berurutannya dan λi adalah nilai-nilai eigen yang bersesuaian dengan pi untuk I = 1. Dengan kata lain prosedur berikut adalah tahapan untuk mendiagonalkan matriks yang berukuran n x n. Prosedur berikut menunjukkan bahwa masalah vektor-vektor eigen dan masalah diagonalisasi adalah setara. 2. maka terdapat matriks P yang inverstibel dan matriks diagonal D sehingga D dapat difaktorkan dalam bentuk persamaan (3). p2. Tahap 1. n. jelaskah bahwa masalah diagonalisasi dari suatu vektor A yang berukuran n x n adalah ekuivalen dengan pertanyaan: ”Apakah ada matriks P yang invertibel sehingga P-1 A P adalah matriks diagonal D?”. Definisi 1. Tahap 3.. 8 Diketahui matriks Carilah: a) matriks P yang mendiagonalisasi A. . a) Persamaan karakteristik matriks A Penyelesaian: det (λ I . Suatu matriks persegi (matriks bujursangkar) A dinamakan dapat didiaginalkan (dapat didiagonalisasi) jika ada suatu matriks P yang invertibel sedemikian rupa sehingga P-1 A P adalah suatu matriks diagonal. . . Contoh 1. Matriks D = P-1 A P adalah matriks diagonal dengan λ1. Misalnya p1. Dari penjelasan dan definisi di atas.A) = 0 (λ .Dengan demikian jika suatu matriks A yang berukuran n x n mempunyai n vektor eigen yang bebas linear. Carilah n vektor eigen yang bebas linear dari matriks A yang berukuran n n.. Keadaan ini dinamakan A dapat didiagonalkan (diagonalizable). .1)( λ + 1) = 0 16 ... Tahap 2. matriks P dikatakan mendiagonalkan A (mendiagonalisasi) matriks A.. …. . p2. b) matriks diagonal D = P-1 A P.

A )x = O -6x1 + 2x2 = 0 Jadi. Karena unsurunsur diagonal ke-i dan D = P-1A P adalah nilai-nilai eigen untuk vektor kolom dari matriks P. c) Mencari matriks diagonal sekaligus sebagai pemeriksaan bahwa D = P-1A P. 17 . basis untuk ruang eigen yang bersesuaian dengan λ1 = 1 adalah Dengan demikian kita dapatkan bahwa (p1. sistem persamaan linear homogennya (λ I .λ1 = 1 dan λ2 = -1 (nilai-nilai eigen A) Untuk λ1 = 1. sehingga akan mendiagonalkan matriks A. Catatan: Dalam contoh ini tidak ada urutan yang diistimewakan untuk kolomkolom P. p2) adalah bebas linear.

Matriks A yang berukuran n n dinamakan dapat didiagonalisasi secara ortogonal jika terdapat matriks P yang ortogonal. apakah ada suatu basis ortonormal untuk Rn dengan hasil kali dalam (Euclid) yang terdiri dari vektorvektor eigen dari matriks A? 2. (yaitu A = At). misalkan 18 . Matriks manakah yang dapat didiagonalisasi secara ortogonal? 2. dan matriks P dikatakan mendiagonalisasi A secara ortogonal.maka dengan mengubah urutan kolom-kolom matriks P hanyalah mengubah urutan nilai-nilai eigen pada diagonal untuk D = P-1AP. 1.2 Diagonalisasi Ortogonal Sekarang kita akan mendiskusikan bagaimana mencari suatu basis ortonormal dengan hasil kali dalam Euclid yang terdiri dari vektor-vektor eigen dari suatu matriks A yang berukuran n x n. Sedangkan untuk menunjang pembahasan materi ini adalah pemahaman tentang matriks-matriks simetris dan pengertian ortogonal yang telah kita pelajari dari modul sebelumnya. Masalah vektor eigen ortonormal Jika diketahui suatu matriks A yang berukuran n n. Jadi seandainya matriks Pnya ditulis seperti berikut: Maka kita akan memperoleh matriks diagonal D = P-1AP = 2. yaitu 1. maka tentunya tidak ada harapan lagi bagi kita untuk mendiagonalisasi suatu matriks A. Untuk melihat mengapa hal tersebut demikian adanya. Bagaimana kita mencari suatu matriks ortogonal untuk melakukan diagonalisasi? Sehubungan dengan pertanyaan-pertanyaan di atas. Definisi 1. Untuk lebih jelasnya kita perhatikan dua masalah berikut yang ekuivalen. Dari definisi dan dua permasalahan di atas ada dua pelajaran yang perlu mendapat perhatian kita.2. 6. Masalah diagonalisasi ortogonal Jika diketahui suatu matriks A yang berukuran n n. apakah ada suatu matriks diagonal P sedemikian sehingga matriks D = P-1 A P = Pt A P adalah matriks diagonal? Sebagai akibat dari permasalahan ini mendorong kita untuk membuat definisi berikut. kecuali jika matriks A adalah matriks simetris.

. Karena P ortogonal. 5............ (b) A merupakan suatu himpunan n vector eigen yang ortonormal (c) A adalah matriks simetrik......... Jika A adalah suatu matriks n n.. ..... pengertian ortogonal akan berarti ortogonalberkenaan dengan hasil kali dalam Euclid...Terapkan proses Gran-Schmidt pada setiap basis-basis ini untuk mendapatkan suatu basis ortonormal untuk setiap ruang eigen.. Jadi keseluruhan himpunan vektor eigen yang didapat melalui prosedur ini adalah ortonormal........ Carilah suatu basis untuk setiap ruang eigen dari matriks A.. .............. 5 memastikan bahwa vektor eigen dari ruang eigen yang berbeda adalah ortogonal. maka vektor-vektor eigen dari ruang eigen yang berbeda akan ortogonal.. Sekarang kita perhatikan teorema berikut merupakan alat utama untuk menentukan apakah sebuah matriks dapat didiagonalisasi secara ortogonal. Perlu pula diketahui bahwa pada teorema ini dan teorema berikutnya dari bahasan ini....... Teorema berikut juga menunjukkan bahwa setiap matriks simetris... maka Pt P = Pt P = I sehingga persamaan (1) bisa kita tulis dalam bentuk: A = P D Pt . Teorema 1........... sehingga dengan mentranspos kedua ruas dari persamaan (2) didapatkan At = (P D Pt)t = (Pt)t Dt Pt = P D Pt = A sehingga A pastilah merupakan matriks simetris. Tahap 3.... Teorema 1.. maka D = Dt.. .. pada kenyataannya dapat didiagonalisasi secara ortogonal............. sedangkan penerapan proses Gram-Schmidt memastikan bahwa vektor-vektor eigen yang didapatkan dalam ruang eigen yang sama adalah ortonormal. (2) Karena D matriks diagonal. (a) A dapat didiagonalisasi secara ortogonal... 5 ini.... maka kita dapatkan prosedur berikut untuk mendiagonalisasi suatu matriks simetris secara ortogonal. Bentuklah matriks P yang kolom-kolomnya adalah vektor-vektor basis yang disusun pada tahap 2.......... Prosedur ini dan Teorema 11. Tahap 2... maka pernyataan berikut adalah ekuivalen........ dan matriks inilah yang mendiagonalisasi A secara ortogonal.... 19 ...... 4......... (1) Dengan P adalah matriks ortogonal dan D adalah matriks diagonal. .... Jika A adalah suatu matriks simetris.. Sebagai implikasi dari Teorema 11....Pt A P = D .. Tahap 1..... (Euclidean inner product)...

2.. Suatu matriks persegi (matriks bujursangkar) A dinamakan dapat didiagonalkan (dapat didiagonalisasi) jika ada suatu matriks P yang invertibel sedemikian rupa sehingga P-1 A P adalah suatu matriks diagonal. Matriks D = P-1 A P adalah matriks diagonal dengan λ1.. p2. maka vektor x yang tidak nol di Rn disebut vektor eigen (eigen vector) dari A jika Ax adalah kelipatan skalar dari x. pn. Tahapan untuk mendiagonalkan matriks yang berukuran n x n. 5.A) = 0 dengan λ sebagai variabel disebut persamaan karakteristik dari matriks A.A) = 0 4. . (b) Sistem persamaan (λ I . yaitu Ax = λ x untuk suatu skalar λ.A) ≡ f(λ) yaitu berupa polinom dalam λ yang dinamakan polinom karakteristik. λn sebagai unsurunsur diagonal yang berurutannya dan λi adalah nilai-nilai eigen yang bersesuaian dengan pi untuk I = 1. Misalnya p1..A)x = 0 mempunyai penyelesaian tak trivial (non trivial).1. Vektor x dinamakan vektor eigen T yang bersesuaian dengan λ. pn sebagai vektor-vektor kolomnya.λ I) x = 0 dinamakan ruang eigen dari matriks A yang berukuran n n. 3. 3. n. Persamaan det (λ I . Tahap 3.. (d) λ adalah suatu penyelesaian real dari persamaan karakteristik det (λ I . .. Rangkuman 1. . . Det(λ I .BAB III PENUTUP 3. Jika A matriks m n. 7. 3. Skalar k dinamakan nilai eigen dari transformasi linear T: V → V jika ada vektor x yang tidak nol dalam V sehingga Tx = λx. Bentuklah matriks P yang mempunyai p1. λ2. Carilah n vektor eigen yang bebas linear dari matriks A yang berukuran n x n. Ruang penyelesaian dari sistem persamaan linear (λ I .. Tahap 1. maka vektor eigen T yang bersesuaian dengan nilai eigen λ adalah vektor tak nol dalam ruang eigen T. …. Untuk memeriksa bahwa P adalah matriks yang mendiagonalisasi matriks A dapat dilakukan dengan menentukan matriks diagonal D = P-1AP dengan unsur-unsur diagonal 20 . . maka pernyataanpernyataan berikut ini adalah ekuivalen (a) λ adalah nilai-nilai eigen dari matriks A. Secaa ekuivalen.A) x = 0 atau (A . Akar-akar atau skalar-skalar yang memenuhi persamaan ini adalah nilai-nilai eigen (nilai-nilai karakteristik) dari matriks A. matriks P dikatakan mendiagonalkan A (mendiagonalisasi) matriks A. Skalar λ dinamakan nilai eigen (eigen value) dari A. Tahap 2. 6. p2. (c) Ada vektor x yang tidak nol dalam Rn sedemikian sehingga Ax = λx. Jika A adalah suatu matriks n n dan λ adalah suatu bilangan real. . 2.

λ2. maka A dapat didiagonalisasi . . (b) A merupakan suatu himpunan n vektor eigen yang ortonormal (c) A adalah matriks simetrik.. Jika A adalah suatu matriks n x n. dan matriks P dikatakan mendiagonalisasi A secara ortogonal. . Tahap 3. . v2. v3. Jika v1.. Prosedur untuk mendiagonalisasi suatu matriks simetris secara ortogonal.. Bentuklah matriks P yang kolom-kolomnya adalah vektor-vektor basis yang disusun pada tahap 2.. Tahap 2. maka pernyataan berikut adalah ekuivalen. (a) A dapat didiagonalisasi secara ortogonal. 7. Jika suatu matriks A berukuran n x n mempunyai nilai-nilai eigen yang berbeda-beda. maka {v1. v2.. 21 . 9. Terapkan proses Gran-Schmidt pada setiap basis-basis ini untuk mendapatkan suatu basis ortonormal untuk setiap ruang eigen. 8. vk adalah vektor-vektor eigen dari matriks A yang bersesuaian dengan nilai-nilai eigen λ1. 6. v3. Matriks A yang berukuran n x n dikatakan dapat didiagonalisasi secara ortogonal jika terdapat matriks P yang ortogonal. . λk yang berbeda. 5. vk} adalah himpunan yang bebas linear. dan matriks inilah yang mendiagonalisasi A secara ortogonal. maka vektor-vektor eigen dari ruang eigen yang berbeda akan ortogonal. λ3.utamanya adalah nilai-nilai eigen dari matriks A yang urutannya adalah nilai-nilai eigen dari matriks A yang urutannya sesuai urutan vektor-vektor kolom matriks P 4. . . Jika A adalah suatu matriks simetris.. Tahap 1. Carilah suatu basis untuk setiap ruang eigen dari matriks A.

Jakarta Seymour Lipschutz. Silabun. SE (1980): Metafisika Persia. Dasar-dasar Aljabar Linear. (1981). Barcelona.DAFTAR PUSTAKA Howard Anton (2000): Elementary Linear Algebra. Berlin. Tokyo. 22 . Gottingen: Springer.SC. terj: P. Sofjan Assauri. London. Roman Steven (1992). New York. Penerapan Aljabar Linear. M.Graw Hill Book Company. Raisinghania & Aggarwal. Singapore: Schaum’s Outline. Erlangga. Paris. Hongkong. Advanced Linear Algebra. Linear Algebra. Ph. R. Jakarta Larry Smith. Aljabar Linear. D dan Drs. (1980). Matrices. Mc. I Nyoman Susila. New Delhi: S. Batam Howard Anton dan Chris Rorres (1987): Elementary Linear Algebra with Applications.Chan & Company Ltd. Jilid 2. Budapest: Springer-Velag. Interaksara. (1998). Herdelberg. terj: Ir. Rajawali. Linear Algebra. Hari Suminto.S. Dasar-dasar Ekonometri Edisi Kedua.

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)//-->