Anda di halaman 1dari 19

MASALAH – MASALAH EIGEN

Laporan Ujian Tengah Praktikum


Disusun Untuk Memenuhi Laporan Ujian Tengah Praktikum
Pengantar Analisis Numerik

oleh :
DEBBY LOLITA
155090501111014

Asisten :
1. Retno Unggul Mulyaningrum (135090507111011)
2. Rizki Nur Rahman (135090507111002)

PROGRAM STUDI STATISTIKA


JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2017
SOAL

1. Carilah nilai eigen dan vektor eigen dari matriks – matriks


berikut :
1 2
a) 2 1

5  3 3

b) 4  2 3

4  4 5

2. Carilah SVD dari matriks berikut dengan menggunakan


software R

2 1 2
 0  2.8 0.4
 
 1  2 1
 
2 4 3
SOURCE CODE DAN PENJELASAN

 Source code untuk soal nomor 1 a

Source Code Penjelasan


A=matrix(c(1,2,2,1),2,2 Untuk membuat sebuah matriks
) bernama matriks A dengan ordo
2x2 dan menuliskan elemen –
elemennya.
A Untuk menampilkan matriks A
qrA = eigen(A) Untuk membuat matriks
bernama matriks qrA yang
merupakan fungsi untuk
mencari nilai eigen dan vektor
dari matriks A eigen yang
sudah dinormalisasi.
qrA Untuk menampilkan matriks
qrA

 Source code untuk soal nomor 1 b

Source Code Penjelasan


A=matrix(c(5,4,4,-3,- Untuk membuat sebuah matriks
2,-4,3,3,5),3,3) bernama matriks A dengan ordo
2x2 dan menuliskan elemen –
elemennya.
A Untuk menampilkan matriks A
qrA = eigen(A) Untuk membuat matriks
bernama matriks qrA yang
merupakan fungsi untuk
mencari nilai eigen dan vektor
eigen dari matriks A yang
sudah dinormalisasi.
qrA Untuk menampilkan matriks
qrA

 Source code untuk soal nomor 2


Source Code Penjelasan
B = matrix(c(2,0,- Untuk membuat sebuah matriks
1,2,1,-2.8,- bernama matriks B dengan ordo
2,4,2,0.4,1,3),4,3) 4x3 dan menuliskan elemen –
elemennya.
B Untuk menampilkan matriks B
Bsd = svd(B) Untuk membuat matriks Bsd
yang merupakan fungsi untuk
mencari nilai SVD dengan
memfaktorkan matriks B
menjadi perkalian 2 matriks
yaitu U dan V dari matriks B.
Bsd Untuk menampilkan matriks B
t(Bsd$u)%*%Bsd$u #U Untuk mengecek apakah
ortogonal ? martiks hasil pemfaktoran yaitu
matriks U traspos dikali matriks
U merupakan matriks ortogonal
t(Bsd$v)%*%Bsd$v #V Untuk mengecek apakah
ortogonal ? martiks hasil pemfaktoran yaitu
matriks V transpos dikali
matriks V merupakan matriks
ortogonal
t(Bsd$u)%*%B%*%Bsd$v Untuk mengecek apakah
#U'BV diagonal ? martiks U dikali matriks B dan
matriks V merupakan matriks
orthogonal (hasil SVD)
dinv=diag(1/Bsd$d) Untuk membuat matiks
bernama matriks dinv yang
merupakan matriks diagnonal
dari matriks Bsd
dinv Untuk menampilkan matriks
dinv
Binv=Bsd$v%*%dinv%*%t( Untuk membuat matiks
sd$u) bernama matriks Binv yang
hasil kali matriks Bsd dikali
dinv dan Bsd transpos
Binv Untuk menampilkan matriks
Binv
HASIL DAN PEMBAHASAN

1. MANUAL
 Soal nomor 1 a
1 2  x 
A  x   1
2 1   x2 

I  Ax  0
1 0  x1  1 2  x1  0
         
0 1  x2  2 1  x2  0

  0  1 2  x1  0
 
 0    2 1  x   0
     2   

  1  2   x1  0
  2   1  x   0
  2   

detI  A  0, maka

 1 2
0
2  1
  1  1  (2)( 2)  0
2      1  4  0
2  2  3  0
(  3)(  1)  0

Maka akan didapatkan nilai eigen   3 dan   1


 Untuk   3
 2  2  x1  0
  2 2   x   0 
  2   
2 x1  2 x 2  0
2 x1  2 x 2
x1  x 2
1
Maka, didapatkan vektor eigen v1   
1
Panjang eigen vekt or  12  12  2
 Untuk   1
 2  2  x1  0
  2  2   x   0 
  2   
 2 x1  2 x 2  0
 2 x1  2 x 2
x1   x 2
 1
Maka, didapatkan vektor eigen v 2   
1
Panjang eigen vekt or  (1) 2  12  2

 Jadi, didapatkan vektor eigen yang sudah dinormalisasi


1 / 2  1 / 2 
V  
1 / 2 1 / 2 
0.7071068  0.7071068
 
0.7071068 0.7071068 
 Soal nomor 1b
5  3 3  x1 
A  4  2 3 x   x 2 
4  4 5  x3 

I  Ax  0
1 0 0  x1  5  3 3  x1  0
 0 1 0  x2   4  2 3  x2   0
0 0 1  x3  4  4 5  x3  0

  0 0  5  3 3   x1  0
       
  0  0   4  2 3   x 2   0
  0 0   4  4 5   x  0
     3   

  5 3  3   x1  0
  4   2  3   x   0
  2   
  4 4   5  x3  0

detI  A  0, maka

 5 3 3
4 2 3  0
4 4  5
(  5)(  2)(  5)  (3)( 3)( 4)  (3)( 4)( 4)
 (4)(  2)( 3)  (4)( 3)(  5)  (  5)( 4)(3)  0
3  82  17  10  0
(  5)(  2)(  1)  0

Maka akan didapatkan nilai eigen   5 ,   2 ,dan   1


 Untuk   5
0 3  3  x1  0
 4 7  3  x 2   0

 4 4 0   x3  0
3 x 2  3 x3 0
x3  x 2
 4 x1  7 x 2  3 x3  0
 4 x1  7 x 2  3 x 2  0
 4 x1  4 x 2  0
x1  x 2
 4 x1  4 x 2  0
x1  x 2
1

Maka, didapatkan vektor eigen v1  1

1

Panjang eigen vekt or  12  12  12  3


 Untuk   2
  3 3  3  x1  0
 4 4  3  x   0
  2   
 4 4  3  x3  0
 3 x1  3 x 2  3 x3  0
 4 x1  4 x 2  3 x3  0 
x1  x 2  0
 x 2   x1

 3 x1  3 x 2  3 x3  0
 3 x 2  3 x 2  3 x3  0
 3 x3  0
x3  0
 1
 
Maka, didapatkan vektor eigen v 2   1
 
 0 

Panjang eigen vekt or  12  12  0  2


 Untuk  1
 4 3  3  x1  0
  4 3  3   x   0 
  2   
 4 4  4  x3  0
 4 x1  3 x 2  3 x3  0
 4 x1  4 x 2  4 x3  0 
 x 2  x3  0
 x 2   x3

 4 x1  3 x 2  3 x3  0
 4 x1  3 x 2  3 x 2  0
4 x1  0
x1  0
0
 
Maka, didapatkan vektor eigen v3   1
 
 1

Panjang eigen vekt or  0  12  12  2

 Jadi, didapatkan vektor eigen yang sudah dinormalisasi


1 / 3  1 / 2 0/ 2 
 
V  1 / 3  1 / 2  1/ 2 
1 / 3 0 / 2  1 / 2 

0.5773503  0.7071068 0 
 0.5773503  0.7071068  0.7071068

0.5773503 0  0.7071068
2. OUTPUT
 Soal nomor 1 a

 Soal nomor 1 b

 Soal nomor 2
LAMPIRAN
>
>A
[,1] [,2] [,3]
[1,] 5 -3 3
[2,] 4 -2 3
[3,] 4 -4 5
> qrA = eigen(A)
> qrA
$values
[1] 5 2 1

$vectors
[,1] [,2] [,3]
[1,] 0.5773503 -7.071068e-01 0.0000000
[2,] 0.5773503 -7.071068e-01 -0.7071068
[3,] 0.5773503 4.440892e-16 -0.7071068

>
> A=matrix(c(5,4,4,-3,-2,-4,3,3,5),3,3)
>A
[,1] [,2] [,3]
[1,] 5 -3 3
[2,] 4 -2 3
[3,] 4 -4 5
> qrA = eigen(A)
> qrA
$values
[1] 5 2 1

$vectors
[,1] [,2] [,3]
[1,] 0.5773503 -7.071068e-01 0.0000000
[2,] 0.5773503 -7.071068e-01 -0.7071068
[3,] 0.5773503 4.440892e-16 -0.7071068
>
> #SVD
> B = matrix(c(2,0,-1,2,1,-2.8,-2,4,2,0.4,1,3),4,3)
>B
[,1] [,2] [,3]
[1,] 2 1.0 2.0
[2,] 0 -2.8 0.4
[3,] -1 -2.0 1.0
[4,] 2 4.0 3.0
> Bsd = svd(B)
> Bsd
$d
[1] 6.436702 3.000000 1.252545

$u
[,1] [,2] [,3]
[1,] -0.3926071 0.4938534 -0.5166486
[2,] 0.3148308 0.6441566 -0.3183212
[3,] 0.2395126 0.5582691 0.7221964
[4,] -0.8302861 0.1717751 0.3319310

$v
[,1] [,2] [,3]
[1,] -0.4171855 0.2576627 -0.8715309
[2,] -0.7883389 -0.5797410 0.2059663
[3,] -0.4521924 0.7729880 0.4449850

> t(Bsd$u)%*%Bsd$u #U ortogonal ?


[,1] [,2] [,3]
[1,] 1.000000e+00 4.602438e-17 5.412879e-17
[2,] 4.602438e-17 1.000000e+00 -1.295181e-16
[3,] 5.412879e-17 -1.295181e-16 1.000000e+00
> t(Bsd$v)%*%Bsd$v #V ortogonal ?
[,1] [,2] [,3]
[1,] 1.000000e+00 -4.003417e-17 8.424251e-17
[2,] -4.003417e-17 1.000000e+00 6.453713e-17
[3,] 8.424251e-17 6.453713e-17 1.000000e+00
> t(Bsd$u)%*%B%*%Bsd$v #U'BV diagonal ?
[,1] [,2] [,3]
[1,] 6.436702e+00 -4.172010e-16 1.108705e-15
[2,] 1.178528e-16 3.000000e+00 -1.577514e-16
[3,] 4.797866e-16 -6.140921e-16 1.252545e+00
> dinv=diag(1/Bsd$d)
> dinv
[,1] [,2] [,3]
[1,] 0.1553591 0.0000000 0.0000000
[2,] 0.0000000 0.3333333 0.0000000
[3,] 0.0000000 0.0000000 0.7983746
> Binv=Bsd$v%*%dinv%*%t(Bsd$u)
> Binv
[,1] [,2] [,3] [,4]
[1,] 0.42735043 0.25641026 -0.47008547 -0.1623932
[2,] -0.13230769 -0.21538462 -0.01846154 0.1230769
[3,] -0.02871795 0.03076923 0.38358974 0.2205128
>