Bab7 aljabar linier
description
Transcript of Bab7 aljabar linier
-
7. NILAI EIGEN DAN VEKTOR EIGEN
7.1. Nilai eigen dan vektor eigen
Definisi :
Jika A suatu matrix n n, maka vektor 0x , nx R , disebut vektor eigen dari A jika Ax
adalah kelipatan skalar dari x, yaitu: Ax x
untuk skalar.
disebut nilai eigen dari A dan x disebut vektor eigen yang bersesuaian dengan .
Secara geometris di R2, dapat digambarkan sebagai berikut:
Contoh 1.
3 0 1
,8 1 2
A x
karena 3 0 1 3 1
3 38 1 2 6 2
Ax x
maka = 3 adalah nilai eigen dari A, dengan vektor eigen 1
2x
Untuk mencari nilai eigen dari Ann , tulis Ax x sebagai:
( ) 0 ...(7.1)
Ax Ix
I A x
dan agar menjadi nilai eigen, maka solusi dari (7.1) haruslah vektor 0x ,
hal ini dapat terpenuhi jika:
det( ) 0I A ...(7.2)
Persamaan (7.2) disebut persamaan karakteristik dari A.
Jika persamaan (7.2) diuraikan, maka diperoleh suatu polinomial dalam , sehingga
det( ) 0I A disebut juga polinomial karakteristik dari A.
-
Untuk kasus Ann, det( ) 0I A dapat diuraikan menjadi
11det( ) ...
n n
nI A c c = 0 ...(7.3)
yaitu polinomial berderajat n dengan koefisien pangkat tertinggi n adalah 1.
Dari (7.3) diperoleh bahwa A mempunyai paling banyak n nilai eigen yang berbeda.
Contoh 2.
3 2
3 2
1 0 1 4 0 1
2 1 0 ,det( ) 2 1 0
2 0 1 2 0 1
( 4)( 1)( 1) 2( 1)
= 6 11 6 0
6
A I A
11 6 0 adalah persamaan karakteristik dari A
Nilai Eigen Matrix Segitiga
Teorema 7.1.1.
Jika A adalah matrix segitiga (segitiga atas, segitiga bawah atau diagonal) berukuran n n,
maka nilai eigen dari A adalah entri-entri pada diagonal utama dari A.
Contoh 3.
1 0 02
21 03
15 8
4
A
, nilai eigen 1 2 1
, , =-2 3 4
Teorema 7.1.2.
Jika A adalah matrix n n dan adalah bilangan real, maka pernyataan berikut ekivalen.
a. adalah nilai eigen dari A
b. Sistem persamaan linear ( ) 0I A x mempunyai solusi nontrivial
c. 0 nx R Ax x
d. adalah solusi dari det( ) 0I A
-
Mencari Basis dari Ruang Eigen
Telah diketahui bahwa masalah mencari nilai eigen berkembang menjadi masalah mencari
vektor eigen.
Vektor eigen dari suatu matrix A yang bersesuaian dengan nilai eigen , adalah vektor tak nol
yang memenuhi Ax x atau vektor eigen tersebut merupakan solusi dari ( ) 0I A x .
Ruang solusi dari ( ) 0I A x disebut ruang eigen dari A yang bersesuaian dengan .
Contoh 4. Cari basis ruang eigen dari
0 0 2
1 2 1
1 0 3
A
Jawab:
persamaan karakteristik dari A adalah 3 25 8 4 0
2( 1)( 2) 0
nilai eigen dari A adalah = 1 dan = 2
untuk = 2
1
2
3
0
2 0 2 0
1 0 1 0
1 0 1 0
I A x
x
x
x
sistem di atas mempunyai solusi 1 2 3, ,x s x t x s
maka vektor-vektor eigen dari A yang bersesuaian dengan = 2 adalah
1 0
0 1
1 0
s
x t s t
s
karena
1 0
0 dan 1
1 0
saling bebas linear, maka vektor-vektor tersebut membentuk
basis untuk ruang eigen yang bersesuaian dengan = 2.
untuk = 1
1
2
3
0
1 0 2 0
1 1 1 0
1 0 2 0
I A x
x
x
x
sistem di atas mempunyai solusi 1 2 32 , ,x s x s x s
-
maka vektor-vektor eigen dari A yang bersesuaian dengan = 1 adalah
2 2
1
1
s
x s s
s
maka vektor
2
1
1
membentuk basis untuk ruang eigen = 1.
Nilai Eigen dari Pangkat Suatu Matrix
Teorema 7.1.3.
Jika k suatu bilangan bulat, suatu nilai eigen dari A dan x vektor eigen yang bersesuaian,
maka k adalah nilai eigen dari A
k dengan x vektor eigen yang bersesuaian.
Sebagai ilustrasi:
Misalkan dan x adalah nilai dan vektor eigen yang bersesuaian dari A, maka
2 2( ) ( ) ( ) ( )A x A Ax A x Ax x x
Contoh 5.
Dari contoh 4, diperoleh nilai eigen dari
0 0 2
1 2 1
1 0 3
A
adalah = 2 dan =1
Maka = 27 = 128 dan =1
7 = 1 adalah nilai eigen dari A
7. Sedangkan vektor-vektor eigen
dari A yang bersesuaian dengan , juga merupakan vektor-vektor eigen dari A7.
Nilai Eigen dan Invertible
Teorema 7.1.4.
Suatu matrix bujur sangkar A invertible jika dan hanya jika = 0 bukan suatu nilai eigen
dari A.
Bukti:
Asumsikan Ann dan perhatikan bahwa = 0 adalah suatu solusi dari persamaan karakteristik
1
1 ...n n
nc c = 0, jika dan hanya jika suku konstan nc = 0.
Maka untuk membuktikan A invertible, cukup dengan membuktikan nc 0.
Tapi 11det( ) ...n n
nI A c c ,
maka untuk = 0 maka det(-A) = nc atau ( 1) det( )n
nA c
-
Sehingga det(A) = 0 jika dan hanya jika nc = 0.
Jadi A invertible jika dan hanya jika nc 0.
7.2. Diagonalisasi
Masalah vektor eigen
Diberikan matrix A berukuran n n, apakah terdapat suatu basis untuk Rn yang terdiri dari vektor-
vektor eigen dari A
Masalah diagonalisasi (bentuk matrix)
Diberikan matrix A berukuran n n, apakah terdapat suatu matrix invertible P sedemikian sehingga
P-1
AP adalah matrix diagonal
Definisi
Suatu matrix bujur sangkar A dikatakan dapat didiagonalisasi jika terdapat matrix P sedemikian
sehingga P-1
AP adalah matrix diagonal. Matrix P dikatakan mendiagonalisasi A.
Teorema 7.2.1.
Jika A adalah matrix n n, maka pernyataan berikut ekivalen
a. A dapat didiagonalisasi
b. A mempunyai n vektor eigen yang bebas linear
Bukti:
Prosedur untuk mendiagonalisasi suatu matrix An n :
1. Cari n vektor eigen dari A yang bebas linear, misalkan p1, p2, , pn.
2. Bentuk matrix P dengan p1, p2, , pn sebagai vektor-vektor kolomnya.
3. Diperoleh matrix P-1AP adalah matrix diagonal dengan 1, 2, , n sebagai entri-entri
diagonal utamanya, dimana i adalah nilai eigen yang bersesuaian dengan pi, i = 1,2,, n
Contoh 1:
Cari matrix P yang mendiagonalisasi matrix
16
01A
Jawab:
0)1)(1(16
01)det(
AI
Maka nilai eigen dari A adalah = 1 dan = -1.
Untuk = 1 (I - A) x = 0
, misalkan Basis
Untuk = -1 (I - A) x = 0
-
, misalkan Basis
A matrix 22 dan mempunyai 2 vektor eigen yang bebas linear, maka A dapat di
diagonalisasi dengan matrix
Check:
Teorema 7.2.2
Jika adalah vektor-vektor eigen dari A yang bersesuaian dengan maka
bebas linear.
Cara lain untuk menentukan apakah suatu matrix dapat didiagonalisasi atau tidak, adalah dengan
menentukan dimensi dari ruang eigen.
Contoh 2: (dari contoh 1)
ruang eigen untuk = 1 adalah ruang solusi dari .
Matrix koefisiennya mempunyai rank =1 , sehingga nulitas = 2-1 = 1
terdapat 1 vektor basis dimensi ruang eigen = 1 adalah 1.
ruang eigen dari = -1 adalah ruang solusi dari ,
maka rank =1 , dan nulitas = 2-1 = 1 terdapat 1 vektor basis.
dimensi ruang eigen = -1 adalah 1.
Jadi total dimensi ruang eigen = 2 terdapat 2 vektor eigen yang bebas linear A dapat
didiagonalisasi
Teorema 7.2.3.
Jika An n mempunyai n nilai eigen yang berbeda, maka A dapat didiagonalisasi.
Contoh 3:
,
=
Diperoleh = 4, = 2 + dan = 2 -
Karena A matrix 33 mempunyai 3 nilai eigen yang berbeda, maka A dapat didiagonalisasi
dimana
Apakah matrix n n yang tidak mempunyai n nilai eigen yang berbeda tidak dapat didiagonalisasi?
Contoh 4:
0)2)(1()det(,
301
121
2002
AIA
-
Untuk =2
0
0
0
101
101
202
3
2
1
x
x
x
rank = 1, nulitas = 2, Dim ruang eigen = 2
Untuk =1
0
0
0
201
111
201
3
2
1
x
x
x
rank = 2, nulitas = 1, Dim ruang eigen = 1
Total dimensi ruang eigen = 3 terdapat 3 vektor eigen bebas linear A dapat
didiagonalisasi.
Contoh 5:
0)2)(1()det(,
253
021
0012
AIA
Untuk =2
0
0
0
153
011
000
3
2
1
x
x
x
rank = 2, nulitas = 1, Dim ruang eigen = 1
Untuk =1
0
0
0
053
001
001
3
2
1
x
x
x
rank = 2, nulitas = 1, Dim ruang eigen = 1
Total dimensi ruang eigen = 2 terdapat 2 vektor eigen bebas linear A tidak dapat
didiagonalisasi.
Multiplisitas geometri dari 0 adalah dimensi dari ruang eigen yang bersesuaian dengan 0
Multiplisitas aljabar dari 0 adalah jumlah (-0 ) muncul sebagai faktor dari polinomial
karakteristik dari A.
Teorema 7.2.4.
1. Untuk setiap nilai eigen dari A multiplisitas geometris multiplisitas aljabar
2. A dapat didiagonalisasi jika dan hanya jika multiplisitas geometri = multiplisitas aljabar,
untuk setiap nilai eigen
Jika A adalah matrix n n dan P matrix invertible, maka
PAPAPPPAPAPPAPPAPP 21111121 )())(()(
Secara umum: PAPAPP KK 11 )(
Maka jika A dapat didiagonalisasi dan P-1
AP = D matrix diagonal,
KKK DAPPPAP )( 11
1 PPDA KK
Jika
nd
d
d
D
00
00
00
2
1
maka
K
K
K
K
d
d
d
D
2
2
1
00
00
00
Contoh 6:
-
Jika
16
01A maka hitung 25A
Jawab : dari contoh sebelumnya diperoleh
11
03
1P dan
10
01D
Maka 25A =PD25
P -1
=
11
03
125
10
01
13
03=
11
03
1
25
25
10
01
13
03
=
11
03
1
10
01
13
03=
16
01
7.3. Diagonalisasi Ortogonal
Masalah vektor eigen yang ortonormal:
Diberikan matrix A berukuran n n, apakah terdapat basis ortonormal untuk Rn dengan hasil kali
dalam Euclid yang terdiri dari vektor-vektor eigen dari A?
Masalah diagonalisasi orthogonal:
Diberikan matrix An n, apakah terdapat matrix orthogonal P sedemikian sehingga P-1
AP = PTAP
diagonal?
A dikatakan dapat didiagonalisasi secara orthogonal dan P mendiagonalisasi A secara orthogonal.
Teorema 7.3.1.
Jika A adalah matrix n n, maka pernyataan berikut ekivalen
a. A dapat didiagonalisasi secara orthogonal
b. A mempunyai himpunan ortonormal dari n vektor eigen
c. A simetris
Bukti:
(ac)
A didiagonalisasi secara orthogonal terdapat matrix orthogonal P, dan matrix diagonal D
P-1
AP = D. maka A=PDP-1
= PDPT
(karena P orthogonal)
Sehingga AT= ( PDP
T )T = (P
T)T D
TP
T = PDP
T = A
Jadi A simetris.
Teorema 7.3.2.
Jika A adalah matrix simetris, maka:
a. Nilai eigen dari A adalah bilangan real
b. Vektor-vektor eigen dari ruang eigen yang berbeda, saling orthogonal.
Bukti:
b. Misalkan 1v
vektor eigen untuk 1, 2v
vektor eigen untuk 2, dengan 1 2
Adib. 1v
2v
= 0
A 1v
2v
= 1v
AT
2v
= 1v
A 2v
(karena A simetris)
1 1v
2v
= 1v
22v
1 1(v
)2v
= 2 1(v
)2v
(1 - 2) 1(v
)2v
= 0
Karena 1 2 maka 1(v
)2v
= 0
Diagonalisasi matrix simetris:
-
1. Cari basis untuk setiap ruang eigen dari A
2. Gunakan proses GramSchmidt dan normalisasi untuk mendapatkan basis ortonormal
3. Bentuk matrix P dengan vektor basis (yang diperoleh dari no.2) sebagai vektor kolomnya.
Contoh 7: (Latihan 7.3, no.6)
000
011
011
A , 200
011
011
)det( 2
AI
Nilai eigen =0 dan =2
sxxtxsx
2132 ,,
000
000
011
000
011
011
0
1
0
0
,
0
1
1
1
0
0
0
1
1
21 ppts
t
s
s
x
sxxx
213 ,0
200
000
011
200
011
011
2
0
1
1
0
1
1
0
3pss
s
x
Karena 321 ppp , maka lakukan proses normalisasi:
02
12
1
1
11
p
pv ,
1
0
0
2
22
p
pv ,
02
12
1
3
3
3p
pv
Maka
0102
102
12
102
1
P mendiagonalisasi A secara orthogonal.
Check:
0102
102
12
102
1
000
011
011
02
12
1
100
02
12
1
APPT =
200
000
000