P. 1
Makalah Aljabar Linier Irur

Makalah Aljabar Linier Irur

|Views: 178|Likes:
Published by Ase Beben

More info:

Published by: Ase Beben on Mar 26, 2012
Copyright:Attribution Non-commercial

Availability:

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

05/18/2013

pdf

text

original

MAKALAH ALJABAR LINIER

Eigenvalues & Eigenvectors

NAMA NRP

: Ach.Choirur Rosyid : 09.04.111.00068

JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO MEI 2010

Bilangan real sebagai skalar tetapi seringkali kompleks eigenvalue angka.BAB II DEFINISI Kata-kata eigenvektor eigenvalue berasal dari bahasa Jerman "eigen" yang berarti "benar" atau "karakteristik matriks. Mari kita lihat contoh dari eigenvalue dan eigenvektor. x ) disebut eigenpair Jika Anda ditanya apakah ini eigenvector yang memiliki eigenvalue yang untuk . suatu eigenvektor tidak dapat vektor nol. x . dengan kata lain. untuk A. dan A ke dalam persamaan Oleh karena itu. A. Dan pasangan ( adalah eigenvalue dari A . Misalkan A matriks persegi. Suatu eigenvektor dapat disimbolkan oleh huruf kecil x. Secara umum. . ). Di dimana di haruskan eigenvektor menjadi vektor non-nol. Dalam hal ini. Semua eigenvalue dan eigenvektor memenuhi persamaan untuk diberikan matriks persegi. Anda bisa mencari tahu dengan mensubstitusikan x." Sebuah eigenvalue persegi adalah skalar yang biasanya diwakili oleh huruf Yunani (Diucapkan lambda). dan x adalah nilai karakteristik dan eigenvektor masing-masing. kata skalar tidak terbatas pada bilangan real. Kita mengatakan bahwa jika ada ada seorang non-nol vektor x seperti yang disebut eigenvektor (sesuai dengan A.

Definisi eigenvektor dominan dari suatu matriks adalah eigenvektor sesuai dengan besarnya eigenvalue terbesar (untuk bilangan real. Setiap baris matriks tersebut adalah eigenvektor A T karena semua baris itu adalah matriks sama. Oleh karena itu. ?. Apakah “x” sebuah eigenvektor" sesuai dengan beberapa skalar dari sebuah eigenvektor . Hal ini karena tidak nol. kita mendefinisikan sebuah eigenvektor menjadi vektor non-nol yang memenuhi Namun. kita sering merujuk pada suatu x dan yang sesuai dengan satu sama lain sebagai eigenpair. Eigenvektor sesuai dengan transpose dari matriks transisi adalah transpose dari setiap baris dari matriks yang k A k menyatu sebagai tumbuh. Eigenvektor yang Anda temukan disebut eigenvektor dominan. Kami menulis baris yang sebagai vektor kolom ketika kita menggunakannya sebagai sebuah eigenvektor. Jika Anda membiarkan c mewakili skalar. eigenvalue yang dapat menjadi nol tanpa menyebabkan masalah. baris .Mengapa kami mengharuskan eigenvektor tidak nol? Jika eigenvektor adalah nol. saat menunjukkan pada contoh sebelumnya. Metode yang digunakan untuk menemukan eigenvektor ini disebut metode kekuasaan. Banyak dari "dunia nyata" aplikasi terutama tertarik pada eigenpair dominan. Anda dihitung sebuah eigenvector T ketika Anda menemukan matriks yang tampaknya probabilitas untuk berkumpul setelah banyak langkah. Kita biasanya mengatakan bahwa x adalah eigenvector yang memiliki eigenvalue yang jika mereka memenuhi Karena setiap eigenvektor terkait dengan eigenvalue. nilai mutlak terbesar) dari matriks tersebut. persamaan eigenvektor untuk transformasi linear A dapat ditulis dalam representasi matriks berikut: Ketika kita mempelajari rantai Markov. persamaan akan menghasilkan 0 = 0. maka kita dapat membuktikan fakta ini melalui langkah-langkah berikut.

Persamaan kunci dalam definisi ini adalah persamaan eigenvalue. jika A merupakan kelipatan dari matriks .ini semuanya sama. A x = λ x. Kebanyakan vektor x tidak akan memuaskan seperti persamaan: vektor khas x arah perubahan ketika bertindak berdasarkan oleh A. Persamaan memegang. sebuah eigenvektor sesuai dengan eigenvalue dominan. 1. tetapi bahwa hanya skala dengan faktor λ. Oleh karena itu. dan hanya skalar khusus tertentu λ adalah nilai eigen. Tentu saja. Mari kita lihat contoh yang kita gunakan pada bab rantai Markov. Pertimbangkan matriks Jika k adalah besar. Ini berarti bahwa hanya vektor khusus tertentu x adalah eigenvektor. Mari kita lihat apakah . sehingga A x bukan kelipatan x. Artinya bahwa vektor x memiliki properti yang arahnya tidak berubah dengan transformasi A. jadi kami telah menemukan eigenpair sesuai dengan transpose matriks transisi. Eigenvalue dominan selalu 1 untuk matriks transisi. berlaku.

Karena persamaan trivial selalu benar. dan semua non-vektor nol adalah eigenvektor. maka tidak ada vektor perubahan arah.identitas . Setiap eigenvektor terkait dengan eigenvalue tertentu. bukan merupakan kasus yang menarik. Sebaliknya. persamaan eigenvektor untuk transformasi linear A dapat ditulis dalam representasi matriks berikut: Dimana matriks penjajaran menunjukkan perkalian matriks . seorang eigenvalue dapat nol dengan cara yang trivial. . Satu eigenvalue dapat dikaitkan dengan beberapa atau bahkan dengan jumlah terbatas eigenvektor. Persyaratan yang eigenvektor yang menjadi non-nol dikenakan karena persamaan A 0 = λ 0 berlaku untuk setiap A dan setiap λ.

sehingga dengan memilih x = 1 dan y = x pengaturan. Mengingat pertama eigenvalue λ = 3. kita menemukan eigenvektor dengan eigenvalue 3 menjadi .BAB III PERHITUNGAN EIGENVALUE dan EIGENVEKTOR Contoh Matriks Mendefinisikan sebuah transformasi linier Eigennilai transformasi ini diberikan oleh persamaan karakteristik Akar dari persamaan ini (yaitu λ nilai-nilai yang memiliki persamaan) adalah λ = 1 dan λ = 3. Setelah menemukan eigennilai. Baik untuk mengurangi persamaan persamaan linear x = y Untuk menemukan eigenvektor. kita telah Setelah perkalian matriksPersamaan matriks merupakan suatu sistem dari dua persamaan linier 2 x + y = 3 x dan x + 2 y = 3 y. adalah mungkin untuk menemukan eigenvektor. kita bebas untuk memilih nilai apapun untuk x (kecuali 0).

proses yang sama mengarah ke persamaan x = . . dan karenanya suatu eigenvektor dengan eigenvalue 1 diberikan oleh Kompleksitas masalah untuk menemukan akar / eigennilai dari kenaikan polinomial karakteristik pesat dengan meningkatkan derajat polinom (dimensi ruang vektor).y. tapi untuk dimensi lebih besar dari atau sama dengan 5 ada umumnya tidak ada solusi tepat dan kita harus memakai metode numerik untuk menemukannya. Ada solusi tepat untuk dimensi kurang dari 5.Kita dapat memastikan ini adalah eigenvektor dengan 3 eigenvalue dengan memeriksa tindakan dari matriks vektor ini: Setiap beberapa skalar dalam eigenvektor ini juga akan menjadi eigenvektor dengan 3 eigenvalue. Untuk eigenvalue λ = 1.

dan ilmu terapan lain yang berhubungan dengan data dalam jumlah besar. E 2.BAB IV Implementasi 1. terutama dalam studi glasial sampai . dari orientasi clast / dip. Tujuannya adalah untuk menjelaskan sebagian besar covariability di antara sejumlah diamati variabel acak dalam jumlah yang lebih kecil dari variabel laten yang disebut . Jika E 1 = E 2> E 3 2. manajemen produk . Jika E 1 = E 2 = E kain planar.3) dengan standar deviasi dari 3 di kurang lebih (0. Nilai-nilai relatif dari E 1. Di lapangan. Geologi dan glaciology Dalam geologi . dan eigennilai untuk varians dijelaskan oleh faktor-faktor ini. yang eigenvektor dari matriks kovarians atau matriks korelasi sesuai dengan faktor-faktor . Jika E 1> E 2> E 3 kain adalah linier. E menjadi sekunder dan tersier yang E dalam hal kekuatan. kain dikatakan isotropik.Dip diukur sebagai eigenvalue itu. Orientasi clast didefinisikan sebagai eigenvektor. modulus tensor ini: ini dinilai dari 0 ° (dip tidak) untuk 90 ° (vertikal). eigenvektor dan eigennilai digunakan sebagai metode yang massa informasi yang 'konstituen orientasi clast kain dan dip dapat diringkas dalam ruang 3-D dengan enam angka. ahli geologi dapat mengumpulkan data seperti selama ratusan atau ribuan clasts dalam suatu sampel tanah. di kompas mawar dari 360 °. riset operasi . yang hanya dapat dibandingkan grafis misalnya di dalam Tri-Plot (Sneed dan Rakyat) diagram atau sebagai sebuah Stereonet pada sebuah Wulff Net Output untuk orientasi tensor dalam (tegak lurus) sumbu ortogonal tiga ruang.478) dan 1 arah dalam. ditentukan oleh sifat sedimen yang kain. dan E 3 adalah 3. 0. dengan E 1 sebagai orientasi utama 3. Analisis Faktor PCA dari distribusi Gaussian multivariat berpusat pada (arah ortogonal 1. Dalam analisis faktor . Eigenvektor output dari program seperti Stereo32 [23] berada di urutan 1 ≥ E ≥ E 2 E 2 3. Analisis Faktor adalah statistik teknik yang digunakan dalam ilmu-ilmu sosial dan pemasaran . If E 1 = E 2 > E 3 the fabric is planar. If E 1 = E 2 = E 3.878.

sedangkan eigennilai kurang dari 1.faktor tidak teramati. menjelaskan jumlah penting variabilitas dalam data.00 dianggap signifikan. Eigenvalue digunakan dalam analisis yang digunakan oleh perangkat lunak Q-metodologi. 4.00 dianggap terlalu lemah. Masalah nilai karakteristik struktur kompleks sering diselesaikan dengan menggunakan analisis elemen hingga . Analisis Getaran Masalah eigenvalue terjadi secara alami dalam analisis getaran struktur mekanik dengan banyak derajat kebebasan . faktor dengan nilai eigen lebih besar dari 1. ditambah istilah varians unik. 3. Sifat ortogonal ini dari eigenvektor memungkinkan decoupling dari persamaan diferensial sehingga sistem dapat direpresentasikan sebagai penjumlahan linier dari eigenvektor. Variabel acak diamati dimodelkan sebagai kombinasi linear dari faktor-faktor. tidak menjelaskan porsi yang signifikan dari variabilitas data. Dimensi ruang vektor ini adalah jumlah piksel. Eigenvektor dari matriks kovariansi berhubungan dengan seperangkat besar gambar wajah dinormalisasi disebut eigenfaces . Eigenvalue digunakan untuk menentukan frekuensi getaran alami. Eigenfaces Eigenfaces sebagai contoh eigenvektor Dalam pengolahan citra . ini adalah . image yang diproses dari wajah dapat dilihat sebagai vektor yang komponen adalah brightnesses setiap pixel . dan eigenvektor menentukan bentuk dari mode getaran.

Mereka sangat berguna untuk mengekspresikan setiap citra wajah sebagai kombinasi linear dari beberapa dari mereka. Mirip dengan konsep ini. Dalam pengenalan wajah cabang biometrik . eigenvoices merupakan arah umum variabilitas dalam pengucapan manusia dari ucapan tertentu. Berdasarkan kombinasi linier eigenvoices seperti itu. sebuah suara baru pengucapan kata dapat dibangunKonsep-konsep ini telah ditemukan berguna dalam sistem pengenalan suara otomatis. BAB V . seperti kata dalam sebuah bahasa.contoh dari analisis komponen utama . eigenfaces menyediakan cara untuk menerapkan kompresi data untuk wajah untuk identifikasi tujuan Penelitian yang berkaitan dengan sistem eigen menentukan visi gerakan tangan juga telah dibuat. untuk adaptasi pembicara.

Penutup Eigenvektor eigenvalue berasal dari bahasa Jerman "eigen" yang berarti "benar" atau "karakteristik matriks. suatu eigenvektor tidak dapat vektor nol. eigenvektor dan eigennilai digunakan sebagai metode yang massa informasi yang 'konstituen orientasi clast kain dan dip dapat diringkas dalam ruang 3-D dengan enam angka. Sebaliknya." Sebuah eigenvalue persegi adalah skalar yang biasanya diwakili oleh huruf Yunani (Diucapkan lambda). Dalam geologi . Karena persamaan trivial selalu benar. Definisi eigenvektor dominan dari suatu matriks adalah eigenvektor sesuai dengan besarnya eigenvalue terbesar (untuk bilangan real. bukan merupakan kasus yang menarik. Di dimana di haruskan eigenvektor menjadi vektor non-nol. Suatu eigenvektor dapat disimbolkan oleh huruf kecil x. terutama dalam studi glasial sampai . untuk . Semua eigenvalue dan eigenvektor memenuhi persamaan diberikan matriks persegi. nilai mutlak terbesar) dari matriks tersebut. A. Setiap eigenvektor terkait dengan eigenvalue tertentu. Persyaratan yang eigenvektor yang menjadi non-nol dikenakan karena persamaan A 0 = λ 0 berlaku untuk setiap A dan setiap λ. dengan kata lain. seorang eigenvalue dapat nol dengan cara yang trivial. Satu eigenvalue dapat dikaitkan dengan beberapa atau bahkan dengan jumlah terbatas eigenvektor.

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)//-->