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
Contoh 2.
1 0 1 4 0 1
A 2 1 0 , det( I A) 2 1 0
2 0 1 1
2 0
( 4)( 1)( 1) 2( 1)
= 3 6 2 11 6
3 6 2 11 6 0 adalah persamaan karakteristik dari A
Contoh 3.
12 0 0
1 2 1
A 1 2 0 , nilai eigen , , =-
3 2 3 4
1
5 8
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 ( I A) x 0 mempunyai solusi nontrivial
c. x 0 R n Ax x
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
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.
7.2. Diagonalisasi
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:
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 Basis
Untuk = -1 (I - A) x = 0
, misalkan Basis
A matrix 2×2 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.
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 3×3 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
3
1 0 2 x1 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 0 x1 0
Untuk =1 1 1 0 x 2 0 rank = 2, nulitas = 1, Dim ruang eigen = 1
3 5 1 x 0
3
1 0 0 x1 0
Untuk =2 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
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:
s 1 1
x s s 1 p 3 1
0 0 0
Karena p1 p2 p3 , maka lakukan proses normalisasi:
1 1
2 0 2
p1 1 p2 p3 1
v1 , v2 0 , v3
p1 2 p2 1 p 2
0
3
0
1 0 1
2 2
1 mendiagonalisasi A secara orthogonal.
Maka P 1 0
2 2
0 1 0
1 0 1 1 0 0 1 0 0 0
1 1
2 2 2 2
Check: P AP 0
T
0
1 1 1 0 1 0 1 = 0 0 0
2 2
1 1 0 0 0 0 0 1 0 0 0 2
2 2