Anda di halaman 1dari 9

7.

NILAI EIGEN DAN VEKTOR EIGEN


7.1. Nilai eigen dan vektor eigen
Definisi :
Jika A suatu matrix n n, maka vektor x 0 , x R n , 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
A
, x
8 1
2
3 0 1 3
1
karena Ax
3 3x
8 1 2 6
2
1
maka = 3 adalah nilai eigen dari A, dengan vektor eigen x
2
Untuk mencari nilai eigen dari Ann , tulis Ax x sebagai:
Ax Ix
( I A) x 0

...(7.1)

dan agar menjadi nilai eigen, maka solusi dari (7.1) haruslah vektor x 0 ,
hal ini dapat terpenuhi jika:
det( I A) 0

...(7.2)

Persamaan (7.2) disebut persamaan karakteristik dari A.


Jika persamaan (7.2) diuraikan, maka diperoleh suatu polinomial dalam , sehingga
det( I A) 0 disebut juga polinomial karakteristik dari A.

Untuk kasus Ann, det( I A) 0 dapat diuraikan menjadi

det( I A) n c1 n1 ... cn = 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.

4 0
1
1 0 1

A 2 1 0 , det( I A) 2
1 0
2 0 1
2
0
1

( 4)( 1)( 1) 2( 1)
= 3 6 2 11 6 0
3 6 2 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.

12

A 1

1
2
1
2
0 , nilai eigen , , =3
2
3
4

1
8
4
0

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 ( I A) x 0
c. x 0 R n Ax x
d. adalah solusi dari det( I A) 0

mempunyai solusi nontrivial

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 ( I A) x 0 .
Ruang solusi dari ( I A) x 0 disebut ruang eigen dari A yang bersesuaian dengan .

0 0 2

Contoh 4. Cari basis ruang eigen dari A 1 2 1


1 0 3

Jawab:
persamaan karakteristik dari A adalah 3 5 2 8 4 0
( 1)( 2)2 0

nilai eigen dari A adalah = 1 dan = 2

untuk = 2

I A x 0
2 0 2 x1 0


1 0 1 x2 0
1 0 1 x 0

3
sistem di atas mempunyai solusi x1 s, x2 t , x3 s
maka vektor-vektor eigen dari A yang bersesuaian dengan = 2 adalah

s
1 0


x t s 0 t 1
s
1 0

1
0


karena 0 dan 1 saling bebas linear, maka vektor-vektor tersebut membentuk
1
0


basis untuk ruang eigen yang bersesuaian dengan = 2.

untuk = 1

I A x 0
1 0 2 x1 0


1 1 1 x2 0
1 0 2 x 0

3
sistem di atas mempunyai solusi x1 2s, x2 s, x3 s

maka vektor-vektor eigen dari A yang bersesuaian dengan = 1 adalah

2s
2


x s s 1
s
1


2

maka vektor 1 membentuk basis untuk ruang eigen = 1.
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 Ak dengan x vektor eigen yang bersesuaian.

Sebagai ilustrasi:
Misalkan dan x adalah nilai dan vektor eigen yang bersesuaian dari A, maka
A2 x A( Ax) A( x) ( Ax) ( x) 2 x

Contoh 5.

0 0 2

Dari contoh 4, diperoleh nilai eigen dari A 1 2 1 adalah = 2 dan =1


1 0 3

Maka = 27 = 128 dan =17 = 1 adalah nilai eigen dari A7. 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

n c1 n1 ... cn = 0, jika dan hanya jika suku konstan cn = 0.


Maka untuk membuktikan A invertible, cukup dengan membuktikan cn 0.
Tapi det( I A) n c1 n1 ... cn ,
maka untuk = 0 maka det(-A) = cn atau (1)n det( A) cn

Sehingga det(A) = 0 jika dan hanya jika cn = 0.


Jadi A invertible jika dan hanya jika cn 0.

7.2. Diagonalisasi
Masalah vektor eigen
Diberikan matrix A berukuran n n, apakah terdapat suatu basis untuk Rn yang terdiri dari vektorvektor eigen dari A
Masalah diagonalisasi (bentuk matrix)
Diberikan matrix A berukuran n n, apakah terdapat suatu matrix invertible P sedemikian sehingga
P-1AP adalah matrix diagonal
Definisi
Suatu matrix bujur sangkar A dikatakan dapat didiagonalisasi jika terdapat matrix P sedemikian
sehingga P-1AP 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:

1 0

Cari matrix P yang mendiagonalisasi matrix A


6 1
Jawab:
1 0
det(I A)
( 1)( 1) 0
6 1
Maka nilai eigen dari A adalah = 1 dan = -1.

Untuk = 1 (I - A) x = 0
, misalkan

Untuk = -1 (I - A) x = 0

Basis

, 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
bebas linear.

maka

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 0 2

A 1 2 1 , det(I A) ( 1)( 2) 2 0
1 0 3

2 0 2 x1 0


Untuk =2 1 0 1 x 2 0 rank = 1, nulitas = 2, Dim ruang eigen = 2
1 0 1 x 0

2 x1 0
1 0


Untuk =1 1 1 1 x 2 0 rank = 2, nulitas = 1, Dim ruang eigen = 1
1 0 2 x 0

3
Total dimensi ruang eigen = 3 terdapat 3 vektor eigen bebas linear A dapat
didiagonalisasi.
Contoh 5:

1 0 0

A 1 2 0 , det(I A) ( 1)( 2) 2 0
3 5 2

0
0 x1 0
0


Untuk =2 1 1 0 x 2 0 rank = 2, nulitas = 1, Dim ruang eigen = 1
3 5 1 x 0

3
0 0 x1 0
1


Untuk =1 1 0 0 x 2 0 rank = 2, nulitas = 1, Dim ruang eigen = 1
3 5 0 x 0

3
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
( P 1 AP) 2 ( P 1 AP)( P 1 AP) P 1 A( PP 1 ) AP P 1 A2 P
Secara umum: ( P 1 AP) K P 1 A K P
Maka jika A dapat didiagonalisasi dan P-1AP = D matrix diagonal,
P 1 A K P ( P 1 AP) K D K

A K PD K P 1
d1K
d1 0 0

0
0 d2 0
K
Jika D
maka D

0 0 d
0
n

Contoh 6:

0
d 2K

d 2K

0
0

1 0
maka hitung A 25
Jika A
6
1

1
1 0
0

Jawab : dari contoh sebelumnya diperoleh P 3


dan D
1 1
0

25
25
1
0 3 0
0 1 0 3 0 1
0 1
25 -1
25

3
3
=


Maka A =PD P =
1 1 0 1
1 1 0 125 3 1

3
1

1
0 1 0 3 0 1 0

= 3
1 1 0 1 3 1 6 1

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-1AP = 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-1AP = D. maka A=PDP-1 = PDPT (karena P orthogonal)
Sehingga AT= ( PDPT )T = (PT)T DTPT = PDPT = 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 v1 vektor eigen untuk 1, v 2 vektor eigen untuk 2, dengan 1 2


Adib. v1 v 2 = 0

A v1 v 2 = v1 AT v 2 = v1 A v 2 (karena A simetris)




1 v1 v 2 = v1 2 v 2 1 (v1 v 2 ) = 2 (v1 v 2 ) (1 - 2) (v1 v 2 ) = 0

Karena 1 2 maka (v1 v 2 ) = 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)

1 1 0
1 1 0

A 1 1 0 , det(I A) 1 1 0 2 2
0 0 0
0
0

Nilai eigen =0 dan =2


1 1 0 1 1 0

0 1 1 0 0 0 0 x2 s, x3 t , x1 x 2 s
0 0 0 0 0 0

s 1 0
1
0



x s s 1 t 0 p1 1 , p 2 0
t 0 1
0
1



1 1 0 1 1 0

2 1 1 0 0 0 0 x3 0, x1 x2 s
0 0 2 0 0 2

s 1
1


x s s 1 p 3 1
0 0
0


Karena p1 p2 p3 , maka lakukan proses normalisasi:
1

2
p1 1

v1

,
2
p1
0

1
0

Maka P 1
0
2
0
1

2
T
Check: P AP 0

1
2

v2

p2
p2

0
2

p3
1
0 , v3

2
p
3
1

2
1 mendiagonalisasi A secara orthogonal.
2
0

1
1
0 1 0 0 0
0 1 1 0

2
2
2

0
1 1 1 0 1
0 1 = 0 0 0

2
2
1
0 0 2
0 0 0 0 0
1
0
2

Anda mungkin juga menyukai