Kuis 1
Nama : Audrey Ariij Sya’imaa.HS
NPM : 140110190021
Kelas : A
1. Jelaskan dengan pemahaman anda kaitan antara nilai eigen dominan matriks Leslie
dengan vektor distribusi usia (age distribution vector) pada model populasi yang
menggunakan matriks Leslie! Anda juga dapat memakai referensi lain sebagai
pendukung.
Jawab :
Sebelum membahas keterkaitan antara nilai eigen dominan matriks Leslie dengan
vektor distribusi usia, kita perlu memahami terlebih dahulu untuk apa model matriks Leslie
itu. Model matriks Leslie digunakan untuk memprediksi jumlah dan laju populasi perempuan.
Bentuk umum dari matriks Leslie dinyatakan sebagi berikut :
𝑏1 𝑏2 𝑏3 ⋯ 𝑏𝑚−1 𝑏𝑚
𝑠1 0 0 ⋯ 0 0
L= 0 𝑠2 0 ⋯ 0 0
⋮ ⋮ ⋮ ⋮ ⋮
[0 0 0 ⋯ 𝑠𝑚−1 0]
Dengan 𝑏𝑥 didefinisikan sebagai tingkat atau angka kelahiran ke-𝑥 dengan 𝑥 =
1,2,3, … , 𝐦, sedangkan 𝑠𝑥 didefinisikan sebagai tingkat kelangsungan hidup perempuan pada
kelompok usia ke-𝑥 dengan 𝑥 = 1,2, … , 𝐦 − 1. Dalam model Leslie, populasi perempuan
dibagi ke dalam beberapa kelompok usia (pengelompokan usia) yang disebut sebagai
distribusi usia.
Menurut pemahaman saya mengenai kaitan antara nilai eigen dominan matriks Leslie
dengan vektor distribusi usia pada model populasi yang menggunakan matriks Leslie,
berdasarkan pada “A Note on the Eigenvalues and Eigenvectors of Leslie Matrices”, telah
diperlihatkan bahwa perilaku jangka panjang dari distribusi usia dari suatu populasi akan
ditentukan oleh nilai eigen dominan dari matriks Leslie yang berupa tepat satu akar (akar
tunggal atau unik) yang bernilai positif.
Pembuktian :
Kita simpan persamaan :
𝐋𝐯 = λ𝐯 dan N𝑡 = 𝜆𝑡 𝐯
Lalu, diperoleh :
N𝑡+1 = 𝜆𝑡+1 𝐯 = 𝜆𝑡 (𝜆𝐯) = 𝜆𝑡 𝐋𝐯 = 𝐋(𝜆𝑡 𝐯)
Diasumsikan v sebagai vektor eigen :
1
𝑣2
𝐯=[ ]
𝑣3
𝑣4
Pada persamaan (3), kita memiliki :
𝑏1 + 𝑏2 𝑣2 + 𝑏3 𝑣3 + 𝑏4 𝑣4 𝜆
𝑠1 𝜆𝑣2
𝐋𝐯 = [ ] = 𝜆𝐯 = [ ]
𝑠2 𝑣2 𝜆𝑣3
𝑠3 𝑣3 𝜆𝑣4
Kita ingin mengubah 𝑣 pada Lv agar memiliki 𝜆 :
𝑠1 = 𝜆𝑣2 ⇒ 𝑣2 = 𝜆−1 𝑠1
𝑠2 𝑣2 = 𝜆𝑣3 ⇒ 𝑣3 = 𝜆−1 𝑠2 𝑣2 ⇒ 𝑣3 = 𝜆−2 𝑠1 𝑠2
𝑠3 𝑣3 = 𝜆𝑣4 ⇒ 𝑣4 = 𝜆−1 𝑠3 𝑣3 ⇒ 𝑣4 = 𝜆−3 𝑠1 𝑠2 𝑠3
Dari nilai-nilai yang telah diperoleh di atas, akan kita peroleh persamaan (4) :
𝑏1 + 𝑏2 𝜆−1 𝑠1 + 𝑏3 𝜆−2 𝑠1 𝑠2 + 𝑏4 𝜆−3𝑠1 𝑠2 𝑠3 𝜆
−1
𝑠1 𝜆 𝑠1
𝐋𝐯 = = 𝜆𝐯 =
−1
𝜆 𝑠1 𝑠2 𝜆−2 𝑠1 𝑠2
[ 𝜆−2 𝑠1 𝑠2 𝑠3 ] [𝜆−3 𝑠1 𝑠2 𝑠3 ]
Baris pertama pada Lv dan 𝜆𝐯 dibagi dengan 𝜆 :
𝑏1 𝜆−1 + 𝑏2 𝜆−2 𝑠1 + 𝑏3 𝜆−3 𝑠1 𝑠2 + 𝑏4 𝜆−4 𝑠1 𝑠2𝑠3 1
−1
𝑠1 𝜆 𝑠1
𝐋𝐯 = = 𝜆𝐯 =
−1
𝜆 𝑠1 𝑠2 𝜆−2 𝑠1 𝑠2
[ 𝜆−2 𝑠1 𝑠2 𝑠3 ] [𝜆−3 𝑠1 𝑠2 𝑠3 ]
Didefinisikan ℓ1 = 1 untuk 1 ≤ 𝑥 ≤ 𝐦 dan ℓ𝑥 untuk 2 ≤ 𝑥 ≤ 𝐦 − 1. Didefinisikan pula ℓ𝑥
sebagai 𝑠1 , 𝑠2 , 𝑠3 hingga 𝑠𝑥−1 , maka ℓ1 = 1, ℓ2 = 𝑠1 , ℓ3 = 𝑠1 𝑠2 , ℓ4 = 𝑠1 𝑠2 𝑠3 .
𝑏1 ℓ1 𝜆−1 + 𝑏2 ℓ2 𝜆−2 + 𝑏3 ℓ3 𝜆−3 + 𝑏4 ℓ4 𝜆−4 1
−1
ℓ2 𝜆 ℓ2
𝐋𝐯 = −1 = 𝜆𝐯 = −2
𝜆 ℓ3 𝜆 ℓ3
[ −2
𝜆 ℓ4 ] [𝜆−3 ℓ4 ]
Diperoleh persamaan (7) :
𝑏1 ℓ1 𝜆−1 + 𝑏2 ℓ2 𝜆−2 + 𝑏3 ℓ3 𝜆−3 + 𝑏4 ℓ4 𝜆−4 = 1
Persamaan (7) merupakan persamaan Euler-Lotka :
𝐦
∑ 𝑏𝑥 ℓ𝑥 𝜆−𝑥 = 1
𝑥=1
Dengan demikian, model 𝑃𝑛 = (1 + 𝑏)𝑛 𝑃0 cukup baik untuk mendekati data populasi
aktual, ditunjukkan oleh nilai perbandingan antara rata-rata galat dengan selisih data terbesar
dan terkecil sebesar 0,1643.