5.2.2
( a ) Jika λ1 , λ2, ..., λk adalah nilai eigen berbeda dari matriks A , dan
jika v1 , v2 , ..., vk adalah vektor eigen yang sesuai , maka { v1 , v2 , ..., vk } adalah
himpunan bebas linear.
( B ) Sebuah n × n matriks dengan n nilai eigen yang berbeda adalah didiagonalisasi.
Catatan Bagian ( a ) dari Teorema 5.2.2 adalah kasus khusus dengan hasil yang lebih umum:
Secara khusus, jika λ1 , λ2 , ..., λk adalah nilai eigen berbeda, dan jika S1 , S2 , ..., Sk adalah
himpunan yang sesuai secara linier vektor eigen independen, maka penyatuan himpunan ini
independen linier.
[
A= 1 2 1
1 0 3 ]
Solusi Kita menemukan persamaan karakteristik A menjadi
−1 0 −2
1 [ ] []
0 []
λ = 2: p1= 0 ; p2= 1 ; λ = 2: p3= 1
1
−1 0 −2
[
P= 0 1 1
1 0 1 ]
mendiagonalisasi A . Sebagai cek, Anda harus memverifikasi itu
1 0 2 0 0 −2 −1 0 −2 2 0 0
-1
[
P AP = 1 1 1 1 2 1
−1 0 −1 1 0 3 ][
0 1 1 =0 2 0
1 0 1 0 0 1][ ][ ]
Secara umum, tidak ada perintah yang lebih disukai untuk kolom P . Sejak diagonal ke- i
masuknya P-1AP adalah nilai eigen untuk vektor kolom ke-i dari P , mengubah urutan
kolom P hanya mengubah urutan nilai eigen pada diagonal P-1AP.
Sehingga bisa kita tulis:
−1 −2 0
P= 0
1 [
1 1
1 0 ]
dalam contoh sebelumnya, kita akan memperolehnya
2 0 0
[ ]
P- 1 AP = 0 1 0
0 0 2
TEORI 5.2.3 “Jika k adalah bilangan bulat positif , λ adalah nilai eigen dari matriks
A , dan x adalah vektor eigen yang sesuai , maka λ k adalah nilai eigen dari
A k dan x adalah nilai yang sesuai vektor eigen.”
[
A= 1 2 0
−3 5 2 ]
Lakukan hal yang sama untuk A 7 .
Solusi Kita tahu dari Contoh 2 bahwa nilai eigen dari A adalah λ = 1 dan λ = 2, jadi
Nilai eigen dari A 7 adalah λ = 1 7 = 1 dan λ = 2 7 = 128. Vektor eigen p 1 dan p 2
diperoleh pada Contoh 1 sesuai dengan nilai eigen λ = 1 dan λ = 2 dari A juga
vektor eigen yang sesuai dengan nilai eigen λ = 1 dan λ = 128 dari A 7 .
dari mana kami memperoleh hubungan . Secara lebih umum, jika k adalah positif
[ ]
I= 0 1 0
0 0 1 [ ]
dan J= 0 1 1
0 0 1
Berdasarkan Teorema 5.1.2 bahwa kedua matriks ini hanya memiliki satu nilai eigen,
yaitu λ =1, dan karenanya hanya satu ruang eigen.
Ini menunjukkan bahwa kebalikan dari Teorema 5.2.2 ( b ) salah, karena kita telah
menghasilkan dua matriks 3 × 3 dengan kurang dari tiga nilai eigen berbeda, salah satunya
dapat didiagonalisasidan yang lainnya tidak.
Ekskursi penuh ke dalam studi tentang kemampuan diagonal ditinggalkan untuk kursus yang
lebih maju,tapi kita akan menyentuh satu teorema yang penting untuk pemahaman yang lebih
lengkap tentang kemampuan diagonalisasi. Dapat dibuktikan bahwa jika λ 0 merupakan nilai
eigen dari A , maka dimensi dari
ruang angkasa yang sesuai dengan λ 0 tidak dapat melebihi berapa kali λ - λ 0 muncul
sebagai faktor polinomial karakteristik dari A . Misalnya, dalam Contoh 1 dan 2, file
polinomial karakteristik adalah
(λ - 1 ) (λ - 2 ) 2
Jadi, ruang eigen yang sesuai dengan λ = 1 paling banyak (karenanya persis) satu dimensi,
dan ruang eigen yang sesuai dengan λ = 2 paling banyak berdimensi dua.
Ada beberapa terminologi yang berhubungan dengan gagasan tersebut. Jika λ 0 adalah nilai
eigen dari sebuah n × n matriks A , maka dimensi ruang eigen yang sesuai dengan λ 0 disebut
multiplisitas geometrik dari λ 0 , dan jumlah kali bahwa λ - λ 0 muncul sebagai faktor dalam
polinomial karakteristik dari A disebut multiplisitas aljabar dari λ 0 . Pengikut teorema, yang
kami nyatakan tanpa bukti, meringkas diskusi sebelumnya.