Aljabar Linear

Elementary Linear
Algebra
Anton & Rorres, 9th Edition
Lecture Set 04
Chapter 4:
Euclidean Vector Spaces
Isi Bab IV
Euclidean n-Space
Transformasi Linier dari Rn ke Rm
Sifat Transformasi Linier dari Rn ke Rm
Transformasi Linier dan Polynomials
03/29/16
Elementary Linear Algebra
4-1 Definisi
Jika n adalah suatu integer positif, maka tupel n berurutan (ordered

n-tuple ) adalah suatu urutan dari n bilangan real (a1,a2,,an).
Himpunan semua tupel n berurutan disebut ruang berdimensi n (n
space) dan dinyatakan sebagai Rn.
Dua vektor u = (u1 ,u2 ,,un) and v = (v1 ,v2 ,, vn) in Rn disebut sama
jika :
u1 = v1 ,u2 = v2 , , un = vn
Jumlah ( sum ) u + v didefinisikan sebagai :
u + v = (u1+v1 , u1+v1 , , un+vn)
dan jika k adalah suatu skalar , maka kelipatan skalar ku
didefinisikan sebagai
ku = (ku1 ,ku2 ,,kun)
03/29/16
4-1 Catatan :
Operasi-operasi penjumlahan dan perkalian skalar pada

definisi ini disebut operasi standar ( standard operations )
pada Rn.
Vektor Nol pada Rn dinotasikan dengan 0 dan didefinisikan
sebagai vektor 0 = (0, 0, , 0).
Jika u = (u1 ,u2 ,,un) adalah vektor sembarang pada Rn,
maka bentuk negative (invers penjumlahan ) dari u
dinotasikan dengan -u dan didefinisikan sebagai :
-u = (-u1 ,-u2 ,,-un).
Selisih (difference ) dari vektor-vektor pada Rn
didefinisikan sebagai
v u = v + (-u) = (v1 u1 ,v2 u2 ,,vn un)
03/29/16
Teorema ( Sifat-sifat Vektor

n
pada
R
)
Jika u = (u1 ,u2 ,,un), v = (v1 ,v2 ,, vn), dan w = (w1 ,w2 ,,
wn) adalah vektor-vektor pada Rn dan k and l adalah skalar,
maka :
u+v=v+u
u + (v + w) = (u + v) + w
u+0=0+u=u
u + (-u) = 0; that is u u = 0
k(lu) = (kl)u
k(u + v) = ku + kv
(k+l)u = ku+lu
1u = u
03/29/16
4-1 Hasil Kali dalam

Euclidean
Definisi
Jika u = (u1 ,u2 ,,un), v = (v1 ,v2 ,, vn) adalah vektor-vektor

pada Rn, maka hasil kali dalam Euclidean ( Euclidean inner
product ) u v didefinisikan sebagai :
u v = u1 v1 + u2 v2 + + un vn
Contoh 1 :
Hasil kali dalam Euclidean dari vektor-vektor u = (-1,3,5,7) dan

v = (5,-4,7,0) pada R4 adalah
u v = (-1)(5) + (3)(-4) + (5)(7) + (7)(0) = 18
03/29/16
Teorema 4.1.2
Sifat-sifat Hasil Kali dalam
Euclidean
Jika u, v and w adalah vektor-vektor pada Rn dan k

adalah suatu skalar sembarang , maka :
uv=vu
(u + v) w = u w + v w
(k u) v = k(u v)
v v 0; Further, v v = 0 jika dan hanya jika v = 0
03/29/16
4-1 Contoh 2
(3u + 2v) (4u + v)

= (3u) (4u + v) + (2v) (4u + v )
= (3u) (4u) + (3u) v + (2v) (4u) + (2v) v
=12(u u) + 11(u v) + 2(v v)
03/29/16
4-1 Norma dan Jarak pada Ruang

Berdimensi n
KitaEuclidean
mendifinisikan Euclidean norm ( panjang
Euclidean ) dari suatu vektor u = (u1 ,u2 ,,un) pada Rn
sebagai :
1/ 2
2
2
2
u (u u)
u1 u 2 ... u n
Dengan cara yang sama , Jarak Euclidean (Euclidean

distance ) antara titik u = (u1 ,u2 ,,un) dan v = (v1 , v2 ,
,vn) pada Rn didefinisikan2 :
2
2
d (u, v) u v (u1 v1 ) (u2 v2 ) ... (un vn )
03/29/16
4-1 Contoh 3
Jika u = (1,3,-2,7) dan v = (0,7,2,2), maka pada ruang

Euclidean R4
u (1) 2 (3) 2 (2) 2 (7) 2 63 3 7
d (u, v ) (1 0) 2 (3 7) 2 (2 2) 2 (7 2) 2 58
03/29/16
10
Teorema 4.1.3
(Ketidaksamaan Cauchy-Schwarz
pada Rn)
Jika u = (u1 ,u2 ,,un) dan v = (v1 , v2 ,,vn) adalah vektor-
vektor pada Rn, maka :

|u v| || u || || v ||
03/29/16
11
Teorema 4.1.4
( Sifat-sifat Panjang pada Rn )
Jika u dan v adalah vektor-vektor pada Rn dan k adalah

sembarang , maka
|| u || 0
|| u || = 0 jika dan hanya jika u = 0
|| ku || = | k ||| u ||
|| u + v || || u || + || v ||
( Ketidaksamaan Segitiga )
03/29/16
12
Teorema 4.1.5
( Sifat-sifat Jarak pada Rn )
Jika u, v, dan w adalah vektor-vektor pada Rn dan k

adalah suatu skalar sembarang, maka :
d(u, v) 0
d(u, v) = 0 if and only if u = v
d(u, v) = d(v, u)
d(u, v) d(u, w ) + d(w, v)
03/29/16
(Triangle inequality)
13
Teorema 4.1.6
Jika u dan v adalah vektor-vektor pada Rn dengan hasil

kali dalam Euclidean , maka
u v = || u + v ||2 || uv ||2
03/29/16
14
4-1 Orthogonalitas
( ketegaklurusan )
Dua vektor u dan v pada Rn disebut orthogonal jika

uv=0
Contoh 4
Pada ruang Euclidean R4 vektor-vektor

u = (-2, 3, 1, 4) dan v = (1, 2, 0, -1)
adalah ortogonal, karena
u v = (-2)(1) + (3)(2) + (1)(0) + (4)(-1) = 0
03/29/16
15
Teorema 4.1.7
( Teorema Pythagoras pada
n
RJika
) u dan v adalah vektor-vektor orthogonal pada R
dengan hasil kali dalam Euclidean , maka

|| u + v ||2 = || u ||2 + || v ||2
03/29/16
16
4-1 Rumus Matriks untuk Hasil

Kali Titik
Jika kita menggunakan notasi matriks kolom untuk

vektor-vektor
u = [u1 u2 un]T dan v = [v1 v2 vn]T ,
atau
maka
u1
u
un
v1
and v
vn
u v = v Tu
Au v = u ATv
u Av = ATu v
03/29/16
17
4-1 Example 5
Membuktikan bahwa Auv= uAtv

1 2 3
1
2
A 2
4 1 , u 2 , v 0
1 0 1
4
5
1 2 3 1
7
2
2 , v 10
4
1

1 0 1 4
5
Au =
1 2 1
ATv = 2 4 0
3 1 1
03/29/16
2
7
0 ,v 4
5
1
18
Dan diperoleh :
Au . v = 7 (-2) + 10 (0) + 5 (5) = 11
u . AT v = (-1)(-7) + 2(4) + 4(-1) = 11
Jadi terbukti Au . v = u . AT v
03/29/16
19
4-1 Tampilan Hasil Kali Titik

dari
Jika A Perkalian
= [a ] adalah matriks (mxr)
dan B =[b ] adalah matriks rn,
Matriks
ij
ij
maka entri ke- ij dari AB-adalah :

ai1b1j + ai2b2j + ai3b3j + + airbrj
yang merupakan hasil kali titik dari vektor baris ke i dari A dan
vektor kolom ke j dari B
Jadi Jika vektor-vektor baris A adalah r1, r2, , rm dan vektorvektor kolom B adalah c1, c2, , cn , maka
r1 c1 r1 c 2 r1 c n
r c r c r c
2
n
AB 2 1 2 2

rm c1 rm c 2 rm c n
03/29/16
20
4-1 Contoh 6
Berikut ini adalah contoh dari suatu sistem Linier yang

dinyatakan dalam bentuk hasil kali titik
sistem
Bentuk Hasil kali titik
3x1 4 x2 x3 1
2 x1 7 x2 4 x3 5
x1 5 x2 8 x3 0
03/29/16
(3,-4,1) ( x1 , x2 , x3 ) 1
(2,-7,-4) ( x , x , x ) 5
1
2
3

(1,5,-8) ( x1 , x2 , x3 ) 0
21
4-2 Fungsi dari Rn ke R
Fungsi adalah suatu aturan f. yang mengasosiasikan

setiap elemen dalam himpunan A dengan hanya satu
elemen dalam himpunan B.
Jika f mengasosiasikan elemen b dengan elemen a,
maka kita menulis b = f(a) dan mengatakan bahwa b
adalah bayangan dari a karena f atau f(a) adalah nilai dari
f pada a.
Himpunan A disebut domain dari f dan himpunan B
disebut B codomain dari f.
Subset dari B yang terdiri dari semua nilai yang mungkin
dari f ketika nilai a bervariasi sepanjang A disebut range
dari f
03/29/16
22
4-2 Contoh
Rumus
f (x)
f ( x, y )
f ( x, y , z )
f ( x1 , x2 ,..., xn )
03/29/16
contoh
f ( x) x 2
f ( x, y ) x 2 y 2
f ( x, y , z ) x 2
Classifikasi
Fungsi bernilai real dari

satu variabel Real.
Fungsi dari R
ke R

dua variabel Real.
Fungsi dari R2
ke R

satu variabel Real.
Fungsi dari R3
ke R

n- variabel Real.
Fungsi dari Rn
ke R
y2 z2
f ( x1 , x2 ,..., xn )
Keterangan
x12 x22 ... xn2

23
4-2 Fungsi dari Rn ke Rm
Jika domain fungsi dari f adalah Rn dan kodomainnya adalah Rm,

maka f disebut sebagai peta atau transformasi dari Rn ke Rm. Dan
kita menyatakan bahwa fungsi dari f memetakan Rn ke Rm, dan
dinyatakan f : Rn Rm.
Jika m = n transformasi f : Rn Rm disebut operator pada Rn.
Misalkan f1, f2, , fm adalah fungsi yang bernilai real dari n
variabel real , dan mis.
w1 = f1(x1,x2,,xn)
w2 = f2(x1,x2,,xn)
wm = fm(x1,x2,,xn)
Sejumlah m persamaan ini mendefinisikan transformasi dari Rn ke
Rm. Jika kita menotasikan transormasi ini dengan T , maka T : Rn
Rm maka :
T (x1,x2,,xn) = (w1,w2,,wm)
03/29/16
24
4-2 Contoh 1
Persamaan persamaan ini

w1 = x1 + x2
w2 = 3x1x2
w3 = x12 x22
mendefinisikan suatu transformasi T: R2 R3.
T(x1, x2) = (x1 + x2, 3x1x2, x12 x22)
Jadi, sebagai contoh : T(1,-2) = (-1,-6,-3).
03/29/16
25
4-2 Transformasi Linear dari

n
m
RTransformasi
ke R Linier (or a linear operator if m = n) T: R R
didefinisikan oleh persamaanpersamaan berbentuk :

w1 a11 x1 a12 x2 ... a1n xn
w1 a11 a12
w2 a21 x1 a22 x2 ... a2 n xn atau w2 a21 a22

wm am1 x1 am 2 x2 ... amn xn
wm amn amn
a13
a23
x1
x
2

amn xm
atau
w = Ax
Matriks A = [aij] disebut matriks standar (standard matrix ) untuk

transformasi linier T, dan T disebut perkalian dengan A
(multiplication by A)
03/29/16
26
4-2 Contoh 2 ( Transformasi

Linear
)
Transformasi Linier T : R4 R3 didefinisikan dengan

persamaanpersamaan :
w1 = 2x1 3x2 + x3 5x4
w2 = 4x1 + x2 2x3 + x4
w3 = 5x1 x2 + 4x3
Matriks standard untuk T (i.e., w = Ax) adalah :
2 3 1 5
A 4 1 2 1
5 1 4 0
03/29/16
27
4-2 Notasi dari Transformasi

Linier
Jika penekanan A sebagai matriks standard untuk T adalah hal

yang penting, maka kita akan menotasikan transformasi Linier
T : Rn Rm dengan TA: Rn Rm . Sehingga, TA(x) = Ax
Kita akan menotasikan matriks standard untuk T dengan

simbol [T], atau T(x) = [T]x
Catatan:
Hubungan antara matriks m x n dengan trasnformasi linier T: Rn Rm

Untuk setiap matriks A terdapat suatu transformasi linier TA
(perkalian dengan A) yang bersesuaian dan untuk setiap
transformasi linier T : Rn Rm terdapat matriks [T] , m x n ( matriks
standar untuk T) yang bersesuaian.
03/29/16
28
4-2 Contoh
contoh 3 (Transformasi Nol dari Rn ke Rm)
Jika 0 adalah matriks nol mn dan 0 adalah vektor nol di Rn, maka
untuk setiap vektor x pada Rn
T0(x) = 0x = 0
Sehingga perkalian dengan nol memetakan setiap vektor pada Rn ke
vektor nol pada Rm. Kita menyebut T0 transformasi nol dari Rn ke Rm.
conto 4 (Operator Identitas pada Rn)
Jika I adalah matriks identitase nn , maka untuk setiap vektor pada R

TI (x) = Ix = x
Sehinga perkalian dengan I memetakan setiap vektor pada R n ke vektor
itu sendiri.
Kita menyebutnya TI sebagai identity operator pada Rn.
03/29/16
29
4-2 Operator Repleksi
Secara umum, operator-operator pada R2 dan R3 yang

memetakan setiap vektor kebayangan simetriknya sendiri
terhadap garis atau bidang tertentu disebut operator
repleksi atau pencerminan.
Operator semacam ini adalah linier
03/29/16
30
4-2 Operator Refleksi (2Space)
03/29/16
31
4-2 Operator Refleksi (3Space)
03/29/16
32
4-2 Operator Proyeksi
Secara umum , Operator Proyeksi ( Operator Proyeksi

Orthogonal) pada R2 atau R3 adalah operator sembarang
yang memetakan setiap vektor ke proyeksi orthogonalnya
pada suatu garis atau suatu bidang yang melewati titik
asal.
Operator Proyeksi juga Linier.
03/29/16
33
4-2 OperatorProjeksi
03/29/16
34
4-2 Operator Proyeksi
03/29/16
35
4-2 Operator Rotasi ( Ruang

3)
Suatu operator yang merotasikan setiap vektor pada

R2 sebesar suatu sudut tertentu disebut Operator
Rotasi pada R2.
03/29/16
36
4-2 Example 6
Jika setiap vektor pada R2 mengalami rotasi sebesar

sudut /6 (30) , maka bayangan w dari vektor
x
adalah
cos
sin
3
x
6
2
y
cos
1 2
6
sin
3 x 1 y
x
2
2
2
y
3
3
1
y
2 x
2
2
Sebagai contoh , bayangan dari vektor
1
x
adalah w
03/29/16
3 1
1
3
37
4-2 A Rotation of Vectors in

3Suatu rotasi dari vektor-vektor pada R
R biasanya digambarkan sebagai suatu sinar
yang memancar dari titik asal, yang disebut

sumbu rotasi.
Sejalan dengan gerakan vektor memutari
sumbu rotasi akan terbentuk semacam
kerucut.
Sudut rotasi yang diukur pada dasar
kerucut, digambarkan sebagai searah jarum
jam atau berlawanan dengan jarum jam
dilihat dari sudut pandang sepanjang dumbu
rotasi memandang kearah titik asal.
Sumbu rotasi dapat digambarkan dengan
menentukan suatu vektor tak nol u, yang
bergerak sepanjang sumbu rotasi dan
memiliki titik awal pada titik asal.arah
rotasi dapat ditentukan dengan kaidah
03/29/16
tangan .
38
4-2 A Rotasi Vektor di R3
03/29/16
39
4-2 Operator Dilatasi dan
Kontraksi
Jika k adalah suatu skalar tak negatif, maka operator
T(x) = kx pada R2 atau R3 disebut sebagai kontraksi
dengan faktor k jika 0 k 1 dan suatu dilatasi dengan
faktor k jika k 1.
03/29/16
40
4-2 Compositions of Linear

Transformations
If T : R R and T : R R are linear transformations, then for
each x in Rn one can first compute TA(x), which is a vector in Rk, and
then one can compute TB(TA(x)), which is a vector in Rm.
the application of TA followed by TB produces a transformation from Rn to

Rm.
This transformation is called the composition of TB with TA and is denoted
by TB TA. Thus (TB TA)(x) = TB(TA(x))
The composition TB TA is linear since

(TB TA)(x) = TB(TA(x)) = B(Ax) = (BA)x
The standard matrix for TB TA is BA. That is, TB TA = TBA

Multiplying matrices is equivalent to composing the corresponding
linear transformations in the right-to-left order of the factors.
03/29/16
41
4-2 Example 6
(Composition of Two Rotations)
Let T1 : R2 R2 and T2 : R2 R2
be linear operators that rotate
vectors through the angle 1 and
2, respectively.
The operation
(T2 T1)(x) = (T2(T1(x)))
first rotates x through the angle 1,
then rotates T1(x) through the
angle 2.
It follows that the net effect of
T2 T1
is to rotate each vector in R2
through the angle 1+ 2
03/29/16
42
4-2 Example 7
Composition Is Not Commutative
0 1
T1 T2 [T1 ][T2 ]
1 0
0 1
T2 T1 [T2 ][T1 ]
0 0
so T1 T2 T2 T1
03/29/16
0 1
0 1
0 0 0 0
0 1
0 0
1 0 1 0
43
4-2 Example 8
Let T1: R2 R2 be the reflection about the y-axis, and T2:

R2 R2 be the reflection about the x-axis.
(T1T2)(x,y) = T1(x, -y) = (-x, -y)
(T2T1)(x,y) = T2(-x, y) = (-x, -y)
is called the reflection about the origin

4.2.9
03/29/16
44
4-2 Compositions of Three or

More
Consider
the linear transformations
Linear
Transformations
T1 : Rn Rk ,
T2 : Rk Rl ,
T3 : Rl Rm
We can define the composition (T3T2T1) : Rn Rm by

(T3T2T1)(x) : T3(T2(T1(x)))
This composition is a linear transformation and the standard matrix

for T3T2T1 is related to the standard matrices for T1,T2, and T3 by
[T3T2T1] = [T3][T2][T1]
If the standard matrices for T1, T2, and T3 are denoted by A, B, and C,
respectively, then we also have
TCTBTA = TCBA
03/29/16
45
4-2 Example 9
Find the standard matrix for the linear operator T : R3 R3 that first
rotates a vector counterclockwise about the z-axis through an angle
, then reflects the resulting vector about the yz-plane, and then
projects that vector orthogonally onto the xy-plane.
cos
[T1 ] sin
0
1 0
[T ] 0 1
0 0
03/29/16
sin
cos
1 0 0
1 0 0
[T2 ] 0 1 0 , [T3 ] 0 1 0
0 0 1
0 0 0
0
0 ,
1
0
0
0
1 0
0 1
0 0
0
0
1
cos
sin
sin
cos
0
0
cos
0 sin
1
0
sin
cos
0
0
0
0
46
Chapter Content
Euclidean n-Space
Linear Transformations from Rn to Rm
Properties of Linear Transformations Rn to Rm
Linear Transformations and Polynomials
03/29/16
47
4-3 One-to-One Linear

Transformations
A linear transformation T : R
Rm is said to be one-toone if T maps distinct vectors (points) in Rn into distinct

vectors (points) in Rm
Remark:
That is, for each vector w in the range of a one-to-one linear

transformation T, there is exactly one vector x such that
T(x) = w.
Example 1
Rotation operator is one-to-one

Orthogonal projection operator is not one-to-one
03/29/16
48
Theorem 4.3.1 (Equivalent

Statements)
If A is an nn matrix and TA : Rn Rn is multiplication by

A, then the following statements are equivalent.
A is invertible
The range of TA is Rn
TA is one-to-one
03/29/16
49
4-3 Example 2 & 3
The rotation operator T : R2 R2 is one-to-one
The standard matrix for T is
[T] is invertible since

cos
det
sin
cos
[T ]
sin
sin
cos
sin
cos 2 sin 2 1 0
cos
The projection operator T : R3 R3 is not one-to-one
The standard matrix for T is
[T] is invertible since det[T] = 0
03/29/16
1 0 0
[T ] 0 1 0
0 0 0
50
4-3 Inverse of a One-to-One Linear
Operator
Suppose TA : Rn Rn is a one-to-one linear operator

The matrix A is invertible.
TA-1 : Rn Rn is itself a linear operator; it is called the inverse of TA.
TA(TA-1(x)) = AA-1x = Ix = x
TA TA-1 = TAA-1 = TI
and
and
TA-1(TA (x)) = A-1Ax = Ix = x
TA-1 TA = TA-1A = TI
If w is the image of x under TA, then TA-1 maps w back into x, since
TA-1(w) = TA-1(TA (x)) = x
When a one-to-one linear operator on Rn is written as T : Rn Rn, then

the inverse of the operator T is denoted by T-1.
Thus, by the standard matrix, we have [T-1]=[T]-1
03/29/16
51
4-3 Example 4
Let T : R2 R2 be the operator that rotates each vector in R2 through

the angle :
cos sin
[T ]
sin
cos
Undo the effect of T means rotate each vector in R2 through the

angle -.
This is exactly what the operator T-1 does: the standard matrix T-1 is
sin cos( ) sin( )
cos
1
1
[T ] [T ]
sin
cos
sin(
)
cos(
The only difference is that the angle is replaced by -
03/29/16
52
4-3 Example 5
Show that the linear operator T : R2 R2 defined by the equations

w1= 2x1+ x2
w2 = 3x1+ 4x2
is one-to-one, and find T-1(w1,w2).
Solution:
w1 2 1 x1
w 3 4 x
2
2
1
1
4

w
w2
1
5
5
5
1

2 w2 3
2
w1 w2
5
5
5
w1
[T ]
w2
4
5
3
T 1 ( w1 , w2 ) (
4
1
3
2
w1 w2 , w1 w2 )
5
5
5
5
03/29/16
2 1
[T ]
3 4
[T ] [T ]
4
5
3
1

5
2
5
53
Theorem 4.3.2
(Properties of Linear
A transformation T : R R is linear if and only if the following
Transformations)
relationships hold for all vectors u and v in Rn and every scalar c.

T(u + v) = T(u) + T(v)
T(cu) = cT(u)
03/29/16
54
Theorem 4.3.3
If T : Rn Rm is a linear transformation, and e1, e2, , en are the

standard basis vectors for Rn, then the standard matrix for T is
A = [T] = [T(e1) | T(e2) | | T(en)]
03/29/16
55
4-3 Example 6
(Standard Matrix for a Projection
Operator)
Let l be the line in the xy-plane that passes through the
origin and makes an angle with the positive x-axis,

where 0 . Let T: R2 R2 be a linear operator that
maps each vector into orthogonal projection on l.
Find the standard matrix for T.

Find the orthogonal projection of
the vector x = (1,5) onto the line
through the origin that makes an
angle of = /6 with the positive
x-axis.
03/29/16
56
4-3 Example 6 (continue)
The standard matrix for T can be written as

[T] = [T(e1) | T(e2)]
Consider the case 0 /2.
||T(e1)|| = cos
T (e1 ) cos
T (e1 ) sin
sin cos
T (e1 )
||T(e2)|| = sin
sin cos
T (e 2 ) sin
cos 2
sin cos
03/29/16
T (e 2 ) cos
T (e 2 )
cos 2
sin 2
sin cos
sin 2
57

cos
2
sin cos
sin cos
sin
2
Since sin (/6) = 1/2 and cos (/6) = 3 /2, it follows

from part (a) that the standard matrix for this projection
operator is
3 4
[T ]
3 4
3 4 1 4
Thus,
1
T
5
03/29/16
3 4
3 4 1

3 4 1 4 5
35 3
3 5
58
4-3 Geometric Interpretation of

Eigenvector
If T: R R is a linear operator, then a scalar is called an
eigenvalue of T if there is a nonzero x in Rn such that

T(x) = x
Those nonzero vectors x that satisfy this equation are called the
eigenvectors of T corresponding to
Remarks:
If A is the standard matrix for T, then the equation becomes

Ax = x
The eigenvalues of T are precisely the eigenvalues of its standard
matrix A
x is an eigenvector of T corresponding to if and only if x is an
eigenvector of A corresponding to
If is an eigenvalue of A and x is a corresponding eigenvector, then Ax
= x, so multiplication by A maps x into a scalar multiple of itself
03/29/16
59
4-3 Example 7
Let T : R2 R2 be the linear operator that rotates each vector

through an angle .
If is a multiple of , then every nonzero vector x is mapped onto
the same line as x, so every nonzero vector is an eigenvector of T.
cos sin
The standard matrix for T is A
cos
sin
The eigenvalues of this matrix are the solutions of the characteristic

equation
cos sin
det(I A)
0
sin
cos
That is, ( cos )2 + sin2 = 0.
03/29/16
60
4-3 Example 7(continue)

( cos ) 2 sin 2 0
If is not a multiple of
sin2 > 0
no real solution for
A has no real eigenvectors.
If is a multiple of
sin = 0 and cos = 1
In the case that sin = 0 and
cos = 1
= 1 is the only eigenvalue
1 0
A
0
1
03/29/16
Thus, for all x in R2, T(x) = Ax

= Ix = x
So T maps every vector to
itself, and hence to the same
line.
In the case that sin = 0 and
cos = -1,
A = -I and T(x) = -x
T maps every vector to its
negative.
61
4-3 Example 8
Let T : R3 R3 be the orthogonal projection on xy-plane.

Vectors in the xy-plane
Every vector x along the z-axis
mapped into themselves under T

each nonzero vector in the xy-plane is an eigenvector corresponding to
the eigenvalue = 1
mapped into 0 under T, which is on the same line as x
every nonzero vector on the z-axis is an eigenvector corresponding to
the eigenvalue 0
Vectors not in the xy-plane or along the z-axis
mapped into = 0 scalar multiples of themselves

there are no other eigenvectors or eigenvalues
03/29/16
62
1 0 0
A 0 1 0
0 0 0
The characteristic equation of A is
1 0
0
det(I A) 0 1 0 0 or ( 1) 2 0
0
0
The eigenvectors of the matrix A corresponding to an eigenvalue

are the nonzero solutions of 1 0 0 x1 0
If = 0, this system is
1 0
0 1
x1
x
2
0 x3
0
0
0
0
1 0 x2
0
x3
0
0
0
0
0
x1
x
2
x3
0
0
The vectors are along the z-axis
03/29/16
63
If = 1, the system is
0 0 0
0 0 0
0 0 1
x1
0
x 0
2

x3
0
x1
x
2
x3
s
t
0
The vectors are along the xy-plane
03/29/16
64
Theorem 4.3.4 (Equivalent

Statements)
If A is an nn matrix, and if TA : Rn Rn is multiplication

by A, then the following are equivalent.
A is invertible
Ax = 0 has only the trivial solution
The reduced row-echelon form of A is In
A is expressible as a product of elementary matrices
Ax = b is consistent for every n1 matrix b
Ax = b has exactly one solution for every n1 matrix b
det(A) 0
The range of TA is Rn
TA is one-to-one
03/29/16
65
Chapter Content
Euclidean n-Space
Linear Transformations from Rn to Rm
Properties of Linear Transformations Rn to Rm
Linear Transformations and Polynomials
03/29/16
66
4-4 Example 1
Correspondence between polynomials and vectors
Consider the quadratic function p(x)=ax2+bx+c

define the vector
a
z b
c
03/29/16
67
4-4 Example 2
Addition of polynomials by adding vectors

Let p(x)= 4x3-2x+1 and q(x)= 3x3-3x+x then to compute
r(x) = 4p(x)-2q(x)
03/29/16
68
4-4 Example 3
Differentiation of polynomials
p(x) =ax2+bx+c
d
p ( x) 2ax b
dx
03/29/16
69
4-4 Affine Transformation
An affine transformation from Rn to Rm is a mapping of

the form S(u) = T(u) + f, where T is a linear
transformation from Rn to Rm and f is a (constant) vector
in Rm.
Remark
The affine transform S is a linear transformation if f is the

zero vector
03/29/16
70
4-4 Example 4 (Affine

Transformations)
The mapping
0 1
1
u
1
1 0

S (u)
is an affine transformation on R2.

If u = (a,b), then
0 1 a 1 b 1

1 0 b 1 a 1
S (u)
03/29/16
71
4-4 Interpolating Polynomials
Consider the problem of interpolating a polynomial to a

set of n+1 points (x0,y0), , (xn,yn).
That is, we seek to find a curve p(x) = anxn + + a0
The matrix
x0
x02
x1
x12
1 xn 1
1 x
n
xn21
xn2
x0n a0 y0
y
n
a
x0 1 1

n
a
y
xn 1 n 1 n 1
xnn an yn
is known as a Vandermonde matrix

03/29/16
72
4-4 Example 5 (Interpolating

a Cubic)
To interpolating a polynomial to the data (-2,11), (-1,2),

(1,2), (2,-1), we form the Vandermonde system
1 2 4 8 a0
1 1 1 1 a
1
1 1 1 1 a2

1
2
4
8
a3
11
2
The solution is given by [1 1 1 -1].

Thus, the interpolant is p(x) = -x3 + x2 + x + 1.
03/29/16
73

Aljabar Linear

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Aljabar Linear

Diunggah oleh

Hak Cipta:

Format Tersedia

Elementary Linear

Elementary Linear Algebra

Jika n adalah suatu integer positif, maka tupel n berurutan (ordered

Elementary Linear Algebra

Operasi-operasi penjumlahan dan perkalian skalar pada

Elementary Linear Algebra

Teorema ( Sifat-sifat Vektor

Elementary Linear Algebra

4-1 Hasil Kali dalam

Jika u = (u1 ,u2 ,,un), v = (v1 ,v2 ,, vn) adalah vektor-vektor

Hasil kali dalam Euclidean dari vektor-vektor u = (-1,3,5,7) dan

Elementary Linear Algebra

Jika u, v and w adalah vektor-vektor pada Rn dan k

Elementary Linear Algebra

(3u + 2v) (4u + v)

Elementary Linear Algebra

4-1 Norma dan Jarak pada Ruang

Dengan cara yang sama , Jarak Euclidean (Euclidean

Elementary Linear Algebra

Jika u = (1,3,-2,7) dan v = (0,7,2,2), maka pada ruang

Elementary Linear Algebra

Jika u = (u1 ,u2 ,,un) dan v = (v1 , v2 ,,vn) adalah vektor-

vektor pada Rn, maka :

Elementary Linear Algebra

Jika u dan v adalah vektor-vektor pada Rn dan k adalah

Elementary Linear Algebra

Jika u, v, dan w adalah vektor-vektor pada Rn dan k

Elementary Linear Algebra

Jika u dan v adalah vektor-vektor pada Rn dengan hasil

Elementary Linear Algebra

Dua vektor u dan v pada Rn disebut orthogonal jika

Pada ruang Euclidean R4 vektor-vektor

Elementary Linear Algebra

dengan hasil kali dalam Euclidean , maka

Elementary Linear Algebra

4-1 Rumus Matriks untuk Hasil

Jika kita menggunakan notasi matriks kolom untuk

Elementary Linear Algebra

Membuktikan bahwa Auv= uAtv

Elementary Linear Algebra

4-1 Tampilan Hasil Kali Titik

maka entri ke- ij dari AB-adalah :

Elementary Linear Algebra

Berikut ini adalah contoh dari suatu sistem Linier yang

Bentuk Hasil kali titik

Elementary Linear Algebra

4-2 Fungsi dari Rn ke R

Fungsi adalah suatu aturan f. yang mengasosiasikan

Elementary Linear Algebra

Fungsi bernilai real dari

Fungsi bernilai real dari

Fungsi bernilai real dari

Fungsi bernilai real dari

x12 x22 ... xn2

4-2 Fungsi dari Rn ke Rm

Jika domain fungsi dari f adalah Rn dan kodomainnya adalah Rm,

Elementary Linear Algebra

Persamaan persamaan ini

Elementary Linear Algebra

4-2 Transformasi Linear dari

didefinisikan oleh persamaan- persamaan berbentuk :

Matriks A = [aij] disebut matriks standar (standard matrix ) untuk

Elementary Linear Algebra

4-2 Contoh 2 ( Transformasi