Linier algebra:

Matriks, Vektor,
Determinan.
Sistem linier
7.5 solusi sistem linier:
Keberadaan, Keunikan
 Teorema 1
teorema dasar untuk sistem linier

A) keberadaan. Sistem linear persamaan m dalam n yang tidak diketahui 𝑥1, … , 𝑥𝑛

(1)

konsisten, yaitu memiliki solutin, jika dan hanya jika matriks koefisien A dan
aumented marix à memiliki rank yang sama. sini,
B) Keunikan. sistem (1) memiliki tepat satu solusi jika dan jika hanya
jika pangkat bersama r dari A dan à sama dengan n.

c) Tak terhingga banyaknya solusi. Jika rangking umum r ini

kurang dari n, sistem (1) memiliki banyak solusi tak terhingga.
Semua solusi ini diperoleh dengan menentukan r yang tidak
diketahui yang sesuai (yang submatrix koefisiennya harus
memiliki peringkat r) dalam hal f sisa n - r yang tidak diketahui,
yang mana nilai sewenang-wenang dapat diberikan

d) Eliminasi gauss (bagian 7.3). Jika ada solusi, semuanya

dapat diperoleh dengan eliminasi Gauss. (Metode ini
akan secara otomatis mengungkapkan apakah ada solusi
atau tidak)
Sistem Linear Homogen
Teorema 2
Sistem Linear Homogen

(4)

Solusi nontrivial ada jika dan hanya jika peringkat A <n. Jika peringkat
A = r <n, solusi-solusi ini, bersama-sama dengan x = 0, membentuk sebuah
vektor ruang berdimensi n - r disebut ruang solusi dari (4).
Secara khusus, jika x (1) dan x (2) adalah vektor solusi dari (4), maka
x = c1 x(1) + c2 x(2) dengan skalar c1 dan c2 adalah solusi vektor (4). (Ini tidak
berlaku untuk nonhomogeneous sistem. Juga, istilah ruang solusi digunakan
untuk sistem homogen saja.)
Ruang solusi dari (4) juga disebut ruang kosong dari A karena Ax = 0 untuk
setiap x dalam ruang solusi dari (4). Dimensinya disebut nulitas A. Oleh
karena itu Teorema 2 menyatakan bahwa

(5) Rank A + nullity A = n

dimana n adalah jumlah yang tidak diketahui (jumlah kolom A).

Menurut definisi pangkat kita memiliki pangkat A ≤ m di (4). Maka jika m < n,
maka peringkat A < n.
Teorema 3

Sistem Linear Homogen dengan Persamaan Lebih Sedikit Daripada

Tidak Diketahui
Sistem linier homogen dengan persamaan yang lebih sedikit daripada
yang tidak diketahui selalu memiliki solusi nontrivial.
Sistem Linear Nonhomogen
Teorema 4

Sistem Linear Nonhomogen

Jika sistem linier nonhomogen (1) konsisten, maka semua

solusinya diperoleh sebagai

(6) x = x 0 + xh

di mana x0 adalah solusi (tetap) dari (1) dan xh berjalan melalui

semua solusi dari sistem homogen yang sesuai (4).
7.6 Untuk Referensi:
Determinan Orde Kedua dan Ketiga
 Determinan orde dua
Determinan orde dua dilambangkan dan ditentukan oleh

Determinan menggunakan bar sedangkan matriks menggunakan

kurung
Aturan Cramer untuk menyelesaikan sistem linier dari dua persamaan
dalam dua variabel yang tidak diketahui

(2)

adalah

(3)

dengan D seperti pada (1), asalkan

D≠0
Nilai D = 0 muncul untuk sistem homogen dengan nontrivial solusi.
Contoh: Hukum Cramer Untuk Dua Persamaan
Jika:

Maka:
Determinan orde tiga
Determinan orde tiga dapat ditentukan dengan

Perhatikan hal-hal berikut ini. Tanda di sebelah kanan adalah + - +. Masing-masing

tiga suku di sebelah kanan adalah entri di kolom pertama D dikalikan minornya,
yaitu determinan orde dua diperoleh dari D dengan menghapus baris dan kolom
itu masuk; jadi, untuk a11 hapus baris pertama dan kolom pertama, dan begitu
seterusnya.

Jika (4) kita tulis kan bagian minornya, kita mendapatkan

𝐷 = 𝑎11𝑎22𝑎33 − 𝑎11𝑎23𝑎32 + 𝑎21𝑎13𝑎32 − 𝑎21𝑎12𝑎33 + 𝑎31𝑎12𝑎23 − 𝑎31𝑎13𝑎22
Hukum Cramer untuk Sistem Linear Tiga Persamaan

(5)

(6) (𝐷 ≠ 0)

dengan determinan D dari sistem yang diberikan oleh (4) dan

Perhatikan bahwa D1, D2, D3 diperoleh dengan mengganti Kolom 1, 2,

3, masing-masing, pada kolom sisi kanan (5).
7.7 Determinan. Hukum cramer
Determinan orde n adalah skalar yang diasosiasikan dengan n × n
(maka persegi!) matriks A = [ajk], dan dilambangkan dengan

(1)

Untuk n = 1, determinan ini ditentukan oleh

(2) 𝐷 = 𝑎11
Untuk 𝑛 ≥ 2
(3a) 𝐷 = 𝑎𝑗1𝐶𝑗1 + 𝑎𝑗2𝐶𝑗2 + ⋯ + 𝑎𝑗𝑛𝐶𝑗𝑛 (
𝑗 = 1,2, … , 𝑜𝑟 𝑛)

atau
(3b) 𝐷 = 𝑎1𝑘𝐶1𝑘 + 𝑎2𝑘𝐶2𝑘 + ⋯ + 𝑎𝑛𝑘𝐶𝑛𝑘 (
𝑘 = 1,2, … , 𝑜𝑟 𝑛)

jadi
 Mjk adalah determinan orde n - 1, yaitu determinan dari sub matriks A
yang diperoleh dari A dengan menghilangkan baris dan kolom entri ajk,
yaitu baris ke-j dan kolom ke-k.
Dengan cara ini, D didefinisikan dalam istilah n determinan orde n - 1,
yang masing-masing didefinisikan dalam n - 1 determinan orde n - 2 dan
seterusnya — sampai kita akhirnya sampai di second- determinan urutan,
di mana submatrices tersebut terdiri dari entri tunggal yang
determinannya didefinisikan sebagai entri itu sendiri.
Dari definisi berikut bahwa kita dapat memperluas D dengan setiap
baris atau kolom, yaitu, memilih di (3) entri di baris atau kolom mana pun,
sama seperti saat memperluas Cjk di (3), dan seterusnya.
Definisi ini tidak ambigu, yaitu menghasilkan nilai yang sama untuk D
tidak peduli kolom atau baris mana yang kita pilih dalam perluasan. Bukti
diberikan di App. 4.
 Istilah yang digunakan sehubungan dengan determinan diambil dari
matriks. Di D kita memiliki n2 entri ajk juga n baris dan n kolom, dan
diagonal utama di mana a11, a22,…, ann berdiri. Ada dua istilah baru:

*Mjk disebut minor dari ajk di D, danCjk kofaktor dari ajk di D.

*Untuk penggunaan selanjutnya, kami mencatat bahwa (3) juga dapat
ditulis dalam istilah minor

(4a)

(4b)
 Contoh
Minor dan Kofaktor dari determinan Orde Ketiga
Dalam (4) bagian sebelumnya, minor dan kofaktor
entri di kolom pertama bisa dilihat langsung. Untuk
entri di baris kedua minor adalah

𝑎12 𝑎13 𝑎11 𝑎13 𝑎21 𝑎12

𝑀21 = 𝑀22 = 𝑀23 =
𝑎32 𝑎33 𝑎31 𝑎33 𝑎31 𝑎32

dan kofaktornya adalah C21 = −M21, C22 = + M22, dan C23 = −M23. Demikian pula untuk
baris ketiga — tuliskan sendiri. Dan verifikasi bahwa tanda-tanda di Cjk membentuk
papan catur
 Contoh
Perluasan Determinan Orde Ketiga

1 12 − 0 − 3 4 + 4 + 0 0 + 6 = 12

Ini adalah perluasan dari baris pertama. Ekspansi oleh kolom ketiga adalah

Terbukti bahwa empat ekspansi lainnya juga memberikan nilai −12.

Sifat Umum Determinan
Teorema 1
Perilaku Determinan Orde-n di bawah Elementary Operasi Baris
(a) Pertukaran dua baris mengalikan nilai determinan oleh −1.
(b) Penambahan kelipatan baris ke baris lain tidak mengubah nilai
determinan.
(c) Perkalian baris dengan konstanta bukan nol c mengalikan nilai determinan
oleh c. (Ini berlaku juga ketika c = 0, tapi tidak lagi memberikan operasi
baris dasar.)
Contoh
Evaluasi Determinan dengan Reduksi menjadi Segitiga Bentuk
Teorema 2

Properti Lebih Lanjut dari Determinan Orde-n

(a) - (c) dalam Teorema 1 berlaku juga untuk kolom.

(d) Transposisi membiarkan nilai determinan tidak berubah.
(e) Sebuah baris atau kolom nol membuat nilai dari suatu determinan
nol.
(f) Baris atau kolom proporsional memberikan nilai nol determinan.
Secara khusus, determinan dengan dua baris atau kolom identik
memiliki nilai nol.
Teorema 3
Peringkat dalam Hal determinan

Pertimbangkan matriks m × n A = [ajk]:

(1) A memiliki rank r ≥ 1 jika dan hanya jika A memiliki submatrix r ×
r dengan determinan bukan nol.
(2) Determinan dari setiap submatrix persegi dengan lebih dari r
baris, yang terdapat dalam A (jika matriks seperti itu ada!)
Memiliki nilai yang sama dengan nol.
Selanjutnya, jika m = n, kita memiliki:
(3) Matriks persegi n × n A memiliki rank n jika dan hanya jika

det A ≠ 0
 Hukum Carmer
Teorema 4
Teorema Cramer (Solusi Sistem Linear dengan Determinan)
(a) Jika sistem linier dari n persamaan dalam jumlah yang sama tidak
diketahui x1,…, xn

(6)

memiliki determinan koefisien bukan nol D = det A, sistem memiliki tepatnya satu
solusi. Solusi ini diberikan oleh rumus
𝐷1 𝐷2 𝐷𝑛
(7) 𝑥1 = , 𝑥2 = , … , 𝑥𝑛 =
𝐷 𝐷 𝐷
Hukum Cramer
dimana Dk adalah determinan yang diperoleh dari D dengan mengganti di D the
kolom k ke kolom isian b1,…, bn.
(b) Oleh karena itu jika sistem (6) homogen dan D ≠ 0, ia hanya memiliki
solusi trivial x1 = 0, x2 = 0,…, xn = 0. Jika D = 0 sistem homogen juga memiliki
solusi nontrivial.
7.8 Invers Matriks.
Eliminasi Gauss – Jordan
Pada bagian ini kita mempertimbangkan matriks persegi secara eksklusif.
Invers dari matriks n × n A = [ajk] dilambangkan dengan A− 1 dan merupakan
matriks n × n sedemikian rupa sehingga

(1) AA-1 = A-1A = 1

di mana I adalah matriks satuan n × n (lihat Sec. 7.2).

Jika A memiliki invers, maka A disebut matriks nonsingular. Jika A
tidak memiliki invers, maka A disebut matriks singular.
Jika A memiliki invers, maka invers tersebut unik.
Memang, jika B dan C adalah kebalikan dari A, maka AB = I dan CA
= I sehingga kita mendapatkan keunikan dari

B = IB = (CA)B = C(AB) = CI = C
Teorema 1
Keberadaan Inverse

Inversi A− 1 dari matriks n × n A ada jika dan hanya jika

pangkat A = n, jadi (dengan Teorema 3, bagian 7.7) jika
dan hanya jika det A ≠ 0. Karenanya A nonsingular jika
rank A = n dan singular jika rank A <n.
Penentuan Invers dengan Metode
Gauss – Jordan
kita dapat menggunakan varian eliminasi gauss (bagian. 73),
yang disebut eliminasi Gauss-Jordan. Ide dari metode ini adalah
sebagai berikut

Ax(1) = e(1), … , Ax(n) = e(n)

 CONTOH
Mendapatkan Invers Matriks Menggunakan
Eleminasi Gauss-Jordan

Tentukan kebalikan A−1 dari

−1 1 2
𝐀= 3 −1 1
−1 3 4
Solusi
Ini adalah [U H] yang dihasilkan oleh eliminasi Gauss. Sekarang ikuti langkah Gauss –
Jordan tambahan, kurangi U menjadi I, yaitu, ke bentuk diagonal dengan entri 1 di
bagian utama diagonal.
Rumus Untuk Invers
Teorema 2
Inver Matriks Dengan Determinan

Invers dari matriks nonsingular n × n A = [ajk] diberikan oleh

(PERHATIAN! Perhatikan baik-baik bahwa dalam A −1, kofaktor yang ditempati Cjk
tempat yang sama seperti akj (bukan ajk) di A.). Secara khusus, kebalikan dari
 Contoh
Invers Matriks 2 X 2 Degan Determinan
3 1
𝐀=
2 4

1 4 −1 0.4 −0.1
𝐀−1 = =
10 −0.2 3 −0.2 0.3
Invers Digonal Matriks
−0.5 0 0
𝐀= 0 4 0
0 0 1

maka kita mendapatkan inversi A-1 dengan membalik setiap elemen diagonal
individu dari A, yaitu dengan mengambil 1/(-0,5), 1/4, dan 1/1 sebagai entri
diagonal dari A-1, yaitu

−2 0 0
𝐀−1 = 0 0,25 0
0 0 1

Hasilnya dapat dibalik dengan mengambil kebalikan dari setiap faktor dan
mengalikannya dengan urutan terbalik,
(7) (𝐀𝐂)−1 = 𝐂−1 𝐀−1
Oleh karena itu untuk lebih dari dua faktor

(8)
Sifat Perkalian Matriks yang Tidak Biasa.
Hukum Pembatalan

[1] Perkalian matriks tidak bersifat komutatif, yang kita

ketahui
𝐀𝐁 ≠ 𝐁𝐀
[2] AB = 0 umumnya tidak berarti A = 0 atau B = 0
(atau BA = 0); sebagai contoh,
1 1 −1 1 0 0
=
2 2 1 −1 0 0

[3] AC = AD does not generally imply C = D

(even when A ≠ 0).
 Teorema 3
Hukum Pembatalan
Misalkan A, B, C adalah matriks n × n. Kemudian:
(a) Jika rank A = n dan AB = AC, maka B = C.
(b) Jika rank A = n, maka AB = 0 berarti B = 0. Maka jika AB = 0, tetapi A ≠ 0 dan
juga B ≠ 0, maka peringkat A <n dan peringkat B <n.
(c) Jika A singular, BA dan AB juga.
 Determinan Produk Matriks
Teorema 4

Determinan Produk Matriks

Untuk setiap matriks n × n A dan B,

(10) det (AB) = det (BA) = det A det B

7.9 Ruang Vektor, Ruang Produk Dalam,
Transformasi Linear Opsional

Definisi
Ruang vektor real
Himpunan tidak kosong V dari elemen a, b,… disebut ruang vektor nyata (atau
ruang linier nyata), dan elemen ini disebut vektor (terlepas dari sifatnya, yang
akan keluar dari konteksnya atau akan dibiarkan sembarangan) jika , di V,
didefinisikan dua operasi aljabar (disebut penjumlahan vektor dan perkalian
skalar) sebagai berikut.
I. Penjumlahan vektor mengaitkan dengan setiap pasangan vektor a dan b dari V
sebuah vektor unik dari V, yang disebut jumlah dari a dan b dan dilambangkan
dengan a + b, sehingga aksioma-aksioma berikut terpenuhi.

I.1 Komutatif. Untuk dua vektor a dan b dari V,

a+b=b+a

I.2 Asosiatif. untuk tiga vektor apapun a, b, c dari V

(a + b) + c = a + (b + c) (ditulis a + b + c)

I.3 Ada vektor unik di V, yang disebut vektor nol dan dilambangkan dengan 0,
sehingga untuk setiap a di V,

a+0=a

I.4 Untuk setiap a di V, ada vektor unik di V yang dilambangkan dengan −a dan
sedemikian rupa

a + (-a) = a
II. Perkalian skalar. Bilangan real disebut skalar. Perkalian skalar mengasosiasikan
dengan setiap a di V dan setiap skalar c vektor unik V, disebut hasil kali c dan a
dan dilambangkan dengan ca (atau ac) sehingga aksioma berikut terpenuhi

II.1 Distributivitas. Untuk setiap skalar c dan vektor a dan b di V,

c(a + b) = ca + cb

II.2 Distributivitas. Untuk semua skalar c dan k dan setiap a di V,

(c + k)a = ca + ka

II.3 Asosiatif. Untuk semua skalar c dan k dan setiap a di V

c(ka) = (ck)a (ditulis cka)

II.4 Untuk setiap a di V,

1a = a
Contoh Ruang Vektor Matriks
Matriks real 2 x 2 dari ruang vektor real empat dimensi. Dasarnya
adalah

karena setiap 2 x 2 matriks A = [ajk]memiliki

representasi unik A = a11B11 + a12B12 + a21B21 + a22B22.
Demikian pula, matriks m x n real dengan m dan n
tetap membentuk ruang vektor berdimensi mn
 Ruang Produk Dalam

hasil kali ini disebut hasil kali dalam atau hasil kali titik dari a dan
b. Notasi lain untuk itu adalah (a, b) dan 𝐚 ∙ 𝐛, jadi

kita sekarang memperluas konsep ini ke ruang vektor nyata umum dengan
mengambil sifat dasar (a, b) sebagai aksioma untuk "hasil kali dalam abstrak“
(a, b) sebagai berikut.
 Definisi
Ruang Produk Dalam Yang Real
Ruang vektor nyata V disebut ruang hasil kali dalam nyata (atau ruang nyata
pra-Hilbert) jika memiliki sifat berikut. Dengan setiap pasangan vektor a dan b di
V terkait dengan bilangan real, yang dilambangkan dengan (a, b) dan disebut
hasil kali dalam dari a dan b, sehingga aksioma berikut terpenuhi.
I. Untuk semua skalar q1 dan q2 dan semua vektor a, b, c dalam V,

𝑞1𝒂 + 𝑞2𝐛, 𝐜 = 𝑞1 𝐚, 𝐜 + 𝑞2(𝐛, 𝐜) Linear

II. Untuk semua vektor a dan b di V,

𝐚, 𝐛 = (b, a) Simetris

II. Untuk setiap a di V,

(a, a) ≧ 0
ൠ (𝐾𝑒𝑝𝑎𝑠𝑡𝑖𝑎𝑛 𝑝𝑜𝑠𝑖𝑡𝑖𝑓)
a, a = 0 jika dan hanya jika a = 0
Vector whose inner product is zero are called orthogonal. The length or norm of
a vector in V is defined by

A vector of norm 1 is called a unit vector

From these axioms and from (2) one can derive the basic inequality
(3) (Cauchy-Schwarz inequality)
From this follows
(4) (Triangle inequality)

A simple direct calculation gives

(5) (Parallelogram equality)

 Linear Transformasi
Misalkan X dan Y adalah setiap ruang vektor. Untuk setiap vektor x di X kita
menetapkan vektor unik y di Y. Kemudian kita menyebutnya sebagai
pemetaan (atau transformasi atau operator) dari X menjadi Y diberikan.
Pemetaan seperti itu dilambangkan dengan huruf kapital, misalnya F. The
vektor y di Y ditugaskan ke vektor x di X disebut gambar dari x di bawah F dan
dilambangkan dengan F(x) [atau Fx, tanpa tanda kurung].

F disebut pemetaan linier atau transformasi linier jika, untuk

semua vektor v dan x di X dan skalar c,

(10)
Linear Transformation of Space Rn into Space Rm

Mulai sekarang kita misalkan X = Rn dan Y = Rm. Maka setiap

matriks m × n nyata A = [ajk] memberikan transformasi Rn
menjadi Rm

(11) y = Ax
Karena A (u + x) = Au + Ax dan A (cx) = cAx, transformasi ini linier.
Komposisi Transformasi Linear

Misalkan X, Y, W adalah ruang vektor umum. Seperti sebelumnya,

misalkan F adalah transformasi linier dari X ke Y. Misalkan G adalah
transformasi linier dari W ke X. Kemudian kita nyatakan, dengan H,
komposisi F dan G, yaitu,
𝐻 = 𝐹 ∘ 𝐺 = 𝐹𝐺 = 𝐹(𝐺)
yang berarti kita mengambil transformasi G dan kemudian
menerapkan transformasi F padanya (dalam urutan itu !, yaitu,
Anda pergi dari kiri ke kanan).