Bab 7
Bab 7
Contoh 1.
3 0
1
, x
8 1
2
1
3 0 1 3
3 3 x
2
8 1 2 6
karena Ax
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)
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 n 1 ... cn = 0
...(7.3)
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
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
1 0 1 x2
1 0 1 x
0
0
untuk = 1
I A x 0
1 0 2 x1
1 1 1 x2
1 0 2 x
0
0
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
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.
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
6
( 1)( 1) 0
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
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)
=
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
A 1
1
1 , det(I A) ( 1)( 2) 2 0
3
0
2
0
2 0 2 x1 0
Untuk =2 1 0 1 x 2 0
1 0 1 x 0
0
2 x1 0
1
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
A 1
3
0
2
5
0 , det(I A) ( 1)( 2) 2 0
2
0
0
0
Untuk =2 1 1 0
3 5 1
x1 0
x 2 0 rank = 2, nulitas = 1, Dim ruang eigen = 1
x 0
3
x1 0
x 2 0 rank = 2, nulitas = 1, Dim ruang eigen = 1
x3 0
0 0
1
Untuk =1 1 0 0
3 5 0
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 A 2 P
Secara umum: ( P 1 AP ) K P 1 A K P
A K PD K P 1
d1 0 0
0 d2 0
Jika D
0 0 d
n
Contoh 6:
1
6
Jika A
d1K
0
K
maka D
0
0
d 2K
d 2K
maka hitung A 25
0
3 dan D
1 1
3
0 1
0
= 3
3 1
1 1
Maka A =PD P = 3
1 1
1 0 1 0
= 3
1 1 0 1
25
25
-1
1
0
25
1
6
125
0
0 3
125 3
Adib. v1 v 2 = 0
A v1 v 2 = v1 AT v 2 = v1 A v 2 (karena A simetris)
A 1
0
0
1
0 , det(I A) 1
0
0
1
1
0
1
1
0
0
0 2 2
0 1 1
0
0
x s
t
1 1
2 1 1
0
0
0
1
0 0
0
0
s 1 t
0
0
1
0 0
0
2
x s s
0
Karena p1 p 2
v1
0 x 2 s, x3 t , x1 x 2 s
0 0
0
1
0
0 p1 1 , p 2 0
0
1
1
1 0
0 0 x3 0, x1 x 2 s
0 2
1
0
1
1 p3 1
0
0
p 3 , maka lakukan proses normalisasi:
p1 1
,
2
p1
0
v2
p2
p2
0
0 ,
1
v3
p3 1
2
p3
0
Maka P
Check: P AP
T
2
2
0 1 1 0 1 2 0
2
0 1 1 1 0 1
0
2
1
0 0 0 0 0
1
2
1
1
= 0
0