.............................................................................................
7 Nilai Eigen
dan Eigenvectors
.............................................................................................
Masalah eigenvector/value sering muncul dalam ilmu fisika dan teknik. Mereka mengambil bentuk
Av × v di mana v adalah vektor bukan nol dan A adalah matriks persegi. Dengan
mengetahui nilai eigen dan eigenvektor dari suatu matriks kita dapat dengan mudah menemukan
determinannya, memutuskan apakah matriks tersebut memiliki invers dan menentukan kekuatan
matriks. Untuk contoh aljabar linier di tempat kerja, seseorang tidak perlu melihat lebih jauh dari
mesin pencari Google, yang bergantung pada nilai eigen dan eigenvectors untuk menentukan
peringkat halaman sehubungan dengan relevansi.
Sebelum kita mendefinisikan apa yang dimaksud dengan eigenvalue dan eigenvector, mari kita
lakukan contoh yang melibatkan mereka.
Contoh 7.1
4 −2 2
BiarS = dan d = kemudian Ara.
1 1 1 mengevaluasi b
e a
b l
Larutan
u a
Mengalikan matriks S dan Vektor d kami
a m
e a memiliki
h 4 −2 2 = 6
b Ara = l = 3 2
u a 1 1 1 3 1
b
a m
h
Apa yang Anda
perhatikan tentang hasilnya?
Kami memiliki Au = 3u. Matriks A skalar mengalikan vektor u dengan 3, seperti yang ditunjukkan pada Gambar 7.1.
1 2 3 4 5 6
-1
PENGANTAR EIGENVALUES DAN EIGENVECTORS 493
Gambar 7.1
Ini adalah hasil penting yang digunakan di seluruh bab ini dan layak untuk menjadi akrab.
Mengapa rumus (7.1) penting?
Karena matriks A mengubah vektor u dengan skalar mengalikannya, yang berarti bahwa transformasi hanya
mengubah panjang vektor u kecuali λ = ±1 (dalam hal ini panjangnya tetap tidak berubah). Perhatikan bahwa (7.1)
mengatakan bahwa matriks A yang diterapkan pada u memberikan vektor dalam arah yang sama atau berlawanan (λ
negatif) dari u.
Untuk vektor bukan nol u skalar λ disebut eigenvalue dari matriks A dan vektor u disebut
eigenvector milik atau sesuai dengan λ, yang memenuhi Au = λ u.
Dalam sebagian besar literatur aljabar linier, huruf Yunani lambda, λ, digunakan untuk nilai eigen.
Istilah eigenvalue dan eigenvector ini berasal dari kata Jerman 'Eigenwert' yang berarti 'nilai yang
tepat'. Kata eigen diucapkan 'i-gun'.
Eigenvalues awalnya dikembangkan di bidang persamaan diferensial oleh Jean d' Alembert.
Contoh 7.2
1 1
BiarS = . Verifikasi hal berikut:
−2 4
e
b
u 1
(as ) d = S milik eigenvalue
adalah eigenvector dari matriks L 1 = 2.
1
he a e
b l b
u a 1 u
(ba ) am= 2
Sa milik eigenvalue
adalah eigenvector dari matriks L 2 = 3.
h r eh
a b
Larutan b u
a d kami
S dan Vektor
(s ) Mengalikan matriks yang diberikan
e e h a memiliki
b b 1 1l 1 2 1
u Arau= a = = 2
a − 2 4m 1 2 1
b a
h h
Sehind = ( 1 1) T adalah eigenvector dari matriks S milik L 1 = 2 karena Ara = 2d.
gga a S menggandakan Vektor
Matriks d . e b a
l e a b l
(b ) Demikian
a bpula yang l u a
kami miliki
mu a a m
a m 1 1 1 h 3 1
h Ba = −2 4
= = 3
2 6 2
has
a
Sehina = (1 2) T adalahAra
eigenvector dari matriks S milik L 2 = 3 karena Ba = 3a.
Ini r = 3a berarti matriks
gga Ba b S tiga kali lipat ae. has r
a
has r e Vektor rb a a
ab a b au Ara b
Ara b u ba b
b a h
h
Apa yang Anda perhatikan tentang hasil Anda?
Matriks 2 kali 2 dapat memiliki lebih dari satu eigenvalue dan eigenvector.
Kami memiliki nilai eigen λ dan eigenvectors u untuk setiap matriks persegi A sedemikian rupa
sehingga Au = λu.
Contoh 7.3
⎛ ⎞ ⎛ ⎞
5 0 0 0
⎜ ⎟ ⎜ ⎟
BiarS = ⎜ − 9 4 − 1 ⎟ dan d = ⎜ 1 ⎟ . Memperlihatkan bahwa
S Skalar mengalikan Vektor d dan
⎝ ⎠ ⎝ ⎠
e −6 2 1 a 2 matriks e a temukan
b l b l
nilaiu Skalar ini, L , nilai memiliki.
a u a
(Terus... )
a m a m
h h
Larutan
Menerapkan matriksS ke vektor d kami
e a memiliki
⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
b l 5 0 0 0 0 0
u Ara = ⎝ a− 9 4 − 1 ⎠ ⎝ 1 ⎠ = ⎝ 2 ⎠ = 2 ⎝ 1 ⎠
a b m−6 2 1 2 4 2
h
Kami Ara = 2d Ja L = 2. Maka L = 2 adalah nilai eigen dari matriksS dengan eigenvector d.
memiliki
Matriks b
S mengubah di
a Vektor d dengan kelipatan Skalar 2 karenaAra = 2de. a
e l a b ab l
b a l lu a
u m a aa m
a m mh
h
PENGANTAR EIGENVALUES DAN EIGENVECTORS 493
Au = λIu
Saya adalah matriks identitas. Kita dapat menulis ulang ini sebagai
Au − λ Iu = O (A − λI)u = O
Dalam kondisi apa vektor non-nol u solusi dari persamaan ini? Dengan pertanyaan 26 dari Latihan
6.3:
Menerapkan hasil ini ke (A − λI)u = O berarti bahwa kita harus memiliki vektor bukan nol u (karena
bahwa(A − λI) = 0
Ini adalah persamaan penting karena kita menggunakan ini untuk menemukan nilai eigen dan itu
disebut persamaan karakteristik:
Perhatikan bahwa eigenvalues dan eigenvectors datang berpasangan. Anda tidak dapat memiliki
satu tanpa yang lain. Ini adalah hubungan seperti ibu dan anak karena nilai eigen melahirkan
eigenvectors.
PENGANTAR EIGENVALUES DAN EIGENVECTORS 493
PENGANTAR EIGENVALUES DAN EIGENVECTORS 493
PENGANTAR EIGENVALUES DAN EIGENVECTORS 493
MatriksS Ganda (L 1 = 2) Eigenvector d dan tiga kali(L 2 = 3) Eigenvector a Seperti yang Anda
e
Gambar 7.3. a lipat
S ApakaJan Ubah arah eigenvectors. r lihat arab
Matriks b eh gan l a
u b a b
a u m
Eigenvectors
h a
adalah vektor bukan nol yang ditransformasikan oleh matriks A menjadi skalar
multiple λ ituh sendiri.
Selanjutnya, kita menemukan nilai eigen dan eigenvektor dari matriks 3 kali 3. Ikuti aljabar dengan
hati-hati karena Anda harus memperluas tanda kurung seperti (1 − λ)(−3 − λ).
Untuk memperluas ini, biasanya lebih mudah untuk mengambil dua tanda minus dan kemudian
memperluas, yaitu:
Contoh 7.5
⎛ ⎞
1 0 4
Menentukan nilai eigenSdari= ⎝ 0 4 0⎠
e 3 5 −3
b
Larutan u
Kami a
memiliki ⎛ h ⎞ ⎛ ⎞ ⎛ ⎞
1 0 4 L 0 0 1− L 0 4
S − LS = ⎝ 0 4 0 ⎠ − ⎝ 0 L 0 ⎠ = ⎝ 0 4 − L 0 ⎠
e a 3 5 3− 0 0 L 3 5 − 3− L
b y
Lebih mudah untuk S − LS sebenarnya S den − L sepanjang Diagonal terdepan (dari
u a
mengingat bahwa
kiri Kawin kanan e Kamia itu(S −
perlu LS). e
gan atas
a bawah).
b −
y
adalah b
Apa muka
mengevaluasipaling
h itu(S
sederhana LS)? e a
matriks
untuk menemukannya u e a a b y u
Dari Properti penentu Bab terakhir, Kami Tahu bahwa akan lebih mudah untuk mengevaluasi
a a a elemen
y u, berisi 4 − L0,
penentu di sepanjang barisb tengah dan 0.
Meng h u a a h
apa?
Karena memiliki dua nol yang h
Janaharus mengevaluasi Menentukan 2 kali 2 yang terkait dengan nol
Kami lakukan ga h
[Menghabiskan satu atau dua detik dalam memilih muka mudah ke depan benar-benar dapat membantu
ini.
menghemat
aktif.] aritmatika
Dari atas n
Kami Nanti
Punya (Terus... )
PENGANTAR EIGENVALUES DAN EIGENVECTORS 493
⎛ ⎞
1− L 0 4
hari( S − L S) = hari⎝ 0 4 − L 0 ⎠ baris
e a 3 5 − 3− L
b y
tengah
1− L 4 memperluas
u a = (4 − L ) hari − 3− L
3 Baris tengah
a " #
h = (4 − L ) (1 − L )( − 3 − L ) − (3 × 4) dengan Menentukan 2 kali 2
" #
= (4 − L ) (L − 1)( 3 + L ) − 12 mengambil tanda Minus
" #
= (4 − L ) 3L + L 2 − 3 − L − 12 kurung siku
" #
2
= (4 − L ) L + 2L − 15 pembuka
Menyederhan
" akan #
= (4 − L )( L + 5)( L − 3) anjak piutang
Contoh 7.6
L 3 = 3 untuk matriks S diberikan dalam Contoh
Menentukan eigenvectors yang terkait dengan
e 7.5.
Larutan ⎛ b ⎞
1 u0 4
Mengganti eigenvalue L 3 = L = 3 dan matriks S = ⎝ 0 a4 0 ⎠ Kawi(S − L S)d = At
e 3 h5 − 3 n e aa a
(kurangi 3 dari Diagonal terdepan) Beri: b b yl u
⎛ u ⎞ u a a
1 − 3 0a 4 a m
(S − 3S) d = ⎝ 0 4 −h3 0 ⎠ d = At h
e a a 3 5 − 3− 3 a a
b y l l u
mana d adalah eigenvectoruyang sesuai a a dengan L 3 = 3. a
a
Apa Vektor nol, A , sama
a ⎛ m⎞ ⎛ ⎞ m
l tadengan
h ? 0 x
a
Ingat Vektor u
nol ini adalah At = ⎝ 0 ⎠ . d = ⎝ d ⎠ . Mengganti ini Kawin dalam hal di atas dan
m a 0 Biar a a
d
menyederhanakan u l n
e
pemberian ⎛ a ⎞ ⎛ ⎞ ⎛ ⎞
−2 0 4 n x 0
m g
⎝ 0 1 0 ⎠ ⎝ d⎠ = ⎝ 0⎠
a
3 5 −6 n d a 0
en
Memperluas ini menghasilkan sistem linier
n
− 2x + 0 + 4d = g0 (1)
0 + d + 0e = a0 (2)
3x + 5d a − 6dn = n0 (3)
n
a eg
n a
n
Dari persamaan tengah (2) kami d = 0. Darig persamaan teratas (1) Kami memiliki
n
memiliki a
a
2x =n 4d yangnBeri x = 2d
e e
K d = 1 kemux = 2; atau lebih umum jikad =n s kemux = 2s mana n s = 0 [Tidak nol].
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
al e dian x e2sg dian 2 g
aEigenvector
n umum d = ⎝ d ⎠ = ⎝ n 0a⎠ = s ⎝ 0 ⎠ manaa s = 0 dan sesuai dengan L 3 = 3.
ug a a
d g sn 1 n
Matriks
a yang S tiga kali a d karena Ara = 3d.
l lipateneigenvector
diberikan
n e a n na b a
b m g l l
u a a a
a n m m
h
PENGANTAR EIGENVALUES DAN EIGENVECTORS 493
Anda diminta untuk menemukan eigenvectors milik λ 1 = 4 dan λ 2 = −5 dalam Latihan 7.1. 7.1.3
Ruang Eigen
Perhatikan bahwa untuk λ 3 = 3 dalam Contoh 7.6 di atas kita memiliki jumlah eigenvectors yang tak
dalam
Au = 3u. Solusi di atas u diberikan oleh semua poin (selain x = y = z = 0) pada baris yang
⎛⎞4
⎜⎟
⎜⎟0
⎜⎟
2 ⎝⎠2
d 0
e ⎛− 4 ⎞
n ⎜ ⎟
g –1 ⎜ 0⎟
⎜− ⎟
a ⎝ 2⎠
1
n 0.5
0
–2 –0.5 d
–4 –1
–3 a
–2 n
–1
x 0 1
2 Gambar 7.4
Secara umum, jika A adalah matriks persegi dan λ adalah nilai eigen dari A dengan eigenvektor u
maka setiap kelipatan skalar (selain 0) dari vektor u juga merupakan eigenvektor milik eigenvalue λ
. Misalnya, jika kita memiliki Au = 3 u maka 666u juga merupakan eigenvector karena
Sebuah
karena Au=3 u
Karena matriks A tiga kali lipat vektor 666 u jadi 666u adalah eigenvector dengan eigenvalue 3.
Dengan demikian kita memiliki proposisi umum:
Proposisi (7.3). Jika λ adalah nilai eigen dari matriks persegi A dengan eigenvector u maka setiap
perkalian skalar non-nol dari u, seperti k u, juga merupakan eigenvector milik λ.
Ini berarti bahwa jika u adalah eigenvector milik λ maka begitu juga 2 u, 0,53 u, −666 u, ... .
Bukti.
Pertimbangkan skalar k non-nol yang sewenang-wenang, lalu
PENGANTAR EIGENVALUES DAN EIGENVECTORS 493
= λ(ku)
Jadi kita memiliki A(k u) = λ(k u), yang berarti bahwa matriks A yang bekerja pada vektor k u
menghasilkan skalar kelipatan λ dari k u. Oleh karena itu ku adalah eigenvector milik eigenvalue λ.
Karena k sewenang-wenang, setiap kelipatan skalar non-nol dari u adalah eigenvektor dari matriks
A milik eigenvalue λ.
Oleh karena itu skalar λ menghasilkan jumlah eigenvectors yang tak terbatas.
Proposisi (7.4). Jika A adalah matriks n oleh n dengan nilai eigen λ, maka himpunan S dari semua
eigenvektor A milik λ bersama dengan vektor nol, O, adalah subruang dari R n:
Proposisi (3.7). Subset S yang tidak kosong yang berisi vektor u dan v adalah subruang dari ruang
vektor V ⇔ kombinasi linier apa pun k u + c v juga dalam S (k dan c adalah skalar).
berarti bahwa S adalah subruang ⇔ S ditutup sehingga vektor ku + cv tidak dapat melarikan diri dari
S
d
a
Kd
C+ d
l d a i
a i Gambar 7.5
l
m a
Bukti. m
Biarkan u dan v menjadi eigenvectors milik eigenvalue yang sama λ, dan k dan c menjadi skalar
non-nol. Kemudian dengan Proposisi di atas (7.3):
Jika λ adalah nilai eigen dari matriks persegi A dengan eigenvector u maka ku juga merupakan
eigenvector milik λ.
Kami memiliki ku dan cv adalah eigenvectors milik λ, oleh karena itu oleh (7.1):
PENGANTAR EIGENVALUES DAN EIGENVECTORS 493
faktorisasi
Karena A(k u c v) λ(k u c v) maka matriks A skalar (λ) mengalikan vektor k u c v sehingga
merupakan eigenvector milik λ yang berarti merupakan anggota himpunan S. Dengan Proposisi (3.7)
kami menyimpulkan bahwa himpunan S adalah subruang dari Rn.
Gambar 7.6.
d
3a
n
2
0
1 a=
r 1
x
–3 –2 –1 a 1 2 3
–1 b
Ruang eigen D3 Apakah ⎛ 1⎞
–2 d=⎜ ⎟
a ini −
n –3 al ⎝ 1⎠
a
garis vertikal. Ruang eigen D2 Adalah baris
m
a ini.
Gambar 7.6 n
PENGANTAR EIGENVALUES DAN EIGENVECTORS 493
Perhatikan bahwa vektor adalah basis (sumbu) untuk eigenspace E3 dan merupakan
basis
(sumbu) untuk eigenspace E2. Eigenvectors ini adalah basis (sumbu) untuk setiap eigenspace.
Kita juga dapat menggunakan perangkat lunak numerik MATLAB untuk menemukan eigenvalues
dan eigenvectors: Sebagai contoh, kita akan menemukan mempertimbangkan matriks dalam Contoh
7.6: A.
−
Di MATLAB, kita memasukkan matriks A dengan mengetik: A=[1 0 4 ; 0 4 0 ; 3 5 -3] di mana titik
koma menunjukkan awal baris baru. Kita akan membiarkan matriks yang berisi eigenvectors disebut
V dan matriks yang berisi nilai eigen sebagai d. Kami kemudian menggunakan perintah MATLAB
berikut. [V,d]=eig(A,'nobalance'). 'Nobalance' mencegah MATLAB menormalkan vektor. Hasil dari
perintah ini adalah:
d=
30 0
Entri diagonal terkemuka memberikan
0 50
− nilai eigen.
0 04
⎝
⎛
Dengan membaca output MATLAB di atas, eigenvectors adalah
1 ⎞ 2/3 1
0,0,9 / 20
dalam
di mana r, s, t = 0. Perhatikan bahwa eigenvector u adalah eigenvector yang ditemukan dalam
Contoh 7.6. Anda diminta untuk memverifikasi dua lainnya dengan tangan di Latihan 7.1.
s Ringkasan
a
Eigenvector d Milik EigenValue L Memenuhi
:
a
y
(7.1) l Ara = L d (MatriksS Skalar mengalikan eigenvectord oleL )
b a e ah
a
a Persamaan berikut
m
digunakanl untuk menemukan
b nilai eigen: l
a u
itu( S − a
(7.2) L S) = 0
m a e a m
Eigenvectors d ditemukan (S − L S)dh =b At. y
a menggunakan e a a ua a
l b y l au
a u aa h
m a m
h
PROPERTI EIGENVALUES DAN EIGENVECTORS
503
LATIHAN 7.1
−
2. Dapatkan eigenvectors umum λ1 = 4 dan λ2 = −5 untuk matriks dalam Contoh
7.5.
5. Biarkan A dan B .
(a) Tentukan nilai eigen A.
(b) Tentukan nilai eigen B.
(c) Nyatakan hubungan antara nilai eigen A dan B dan prediksi hubungan
umum.
Seperti yang kita temukan di bab 6, menemukan kebalikan dari matriks bisa
menjadi proses yang panjang. Pada bagian ini kami akan menunjukkan cara
yang lebih mudah untuk menemukan kebalikannya. Kami juga akan
menunjukkan bahwa teorema Cayley–Hamilton secara signifikan mengurangi
beban kerja dalam menemukan kekuatan matriks.
Perlu diingatkan pada diri kita sendiri bahwa eigenvalues dan eigenvectors
selalu berpasangan. Anda tidak dapat memiliki nilai eigen sendiri; itu harus
memiliki eigenvector terkait. Tetapi mereka seperti kapur dan keju karena nilai
eigen adalah skalar dan eigenvektor adalah vektor. Pertama kita melihat
beberapa nilai eigen dan eigenvectors yang sesuai.
diagonal terdepan
2
5l3− 2l + 3l + 69
7 l 4 − 5 l 3 − 0,1 l 2 + 34 l+ 5
Yang mengesankan berjudul 'Teorema Dasar Aljabar' memberi tahu kita bahwa persamaan
polinomial p(λ) = 0 derajat n memiliki akar persis n . Jangan khawatir jika Anda belum pernah
mendengar tentang 'Teorema Dasar Aljabar'. Ini adalah teorema yang dikenal dalam aljabar yang
mengklaim bahwa persamaan polinomial derajat n memiliki akar n persis . Misalnya, x2− 2x+
1 = 0 memiliki dua akar karena merupakan persamaan polinomial derajat 2 (persamaan kuadrat).
5
101 x100 12 − ··· −2x5 −+ 111 === 12
000 101
−5x −
memiliki n eigenvalues (akar). Mungkin ada n nilai eigen yang berbeda atau
mungkin diulang seperti
Biasanya kita menulis tiga akar pertama dalam bentuk kompak sebagai λ 1, 2, 3
= 1 daripada seperti di atas.
Kami membedakan antara nilai eigen sederhana dan ganda dalam definisi
berikutnya.
Definisi (7.5). Biarkan A menjadi matriks n oleh n dan memiliki nilai eigen λ 1, λ
2, λ3, ... dan λn. Jika λ hanya terjadi sekali maka kita mengatakan λ adalah
Contoh 7.7
⎛ ⎞
2 1 3
S = ⎝ 0dari
Menentukan Eigenvalues dan Eigenspaces 2 0⎠.
e 0 0 2
b
Larutan u
Apa itu Kami Menentukan a
terlebih dahulu? h
Eigenvalues, karena Mereka menghasilkan eigenvectors. Menggunakan persamaan karakteristik (7.2)
−
itu(S LS) 0 = kami
e a memiliki (Terus... )
b y
u a
a
h
PROPERTI EIGENVALUES DAN EIGENVECTORS
503
PROPERTI EIGENVALUES DAN EIGENVECTORS
503
Perhatikan bahwa kita memiliki bidang Dari hanya garis karena Kami memiliki dua Vektor dasar
yang membentang di pesawat. B dari Eigenspace
Satu mengeset D2 diberikan
(seperti yang ditunjukkan di atas) oleh
Dasar vektor (sumbu) ⎧⎛ ⎞ ⎛ ⎞ ⎫ a
⎨ 1 0 ⎬ n
B = ⎝ 0 ⎠ , ⎝ − 3⎠
⎩ ⎭
0 1
Matriks yang diberikan dalam contoh di atas adalah jenis matriks yang disebut
matriks segitiga yang didefinisikan pada bab sebelumnya. Cara yang lebih cerdas
untuk mengevaluasi nilai eigen dari matriks tersebut dijelaskan selanjutnya.
Dalam Latihan 7.1 Anda membuktikan bahwa nilai eigen dari matriks nol, O,
adalah 0.
Matriks sortir apa yang merupakan
matriks nol? Matriks diagonal.
Menurut definisi (6.18) kita memiliki matriks diagonal adalah matriks n oleh n
di mana semua entri ke kedua sisi diagonal utama adalah nol.
Sebuah
Kami membuktikan bahwa untuk matriks diagonal atau segitiga, nilai eigen
diberikan oleh entri di sepanjang diagonal terdepan yang bergerak dari kiri atas
ke kanan bawah matriks. Misalnya, matriks diagonal A di atas memiliki nilai
eigen 1, 2, 5 dan 4.
Apa nilai eigen dari matriks segitiga B dan C?
B memiliki nilai eigen 8, − 8, 5 dan 4. C memiliki nilai eigen −9, 3, −1 dan 10.
PROPERTI EIGENVALUES DAN EIGENVECTORS
503
Proposisi (7.6). Jika n oleh n matriks A adalah matriks diagonal atau segitiga
maka nilai eigen A adalah entri di sepanjang diagonal terdepan.
Bukti untuk tiga kasus berbeda dari segitiga atas, bawah dan diagonal sangat
mirip, jadi kami hanya membuktikan ini untuk satu kasus. Dalam pembuktian
matematis, kami mengatakan 'tanpa kehilangan generalitas (WLOG)' yang
berarti bahwa kami membuktikannya untuk satu kasus, dan bukti untuk kasus
lainnya identik.
0 ... 0 pernn
Matriks. Persamaan karakteristik det(A − λI) = 0 diberikan oleh
0 ... 0 ann − λ
Mengalikan entri
diagonal terkemuka.
(oleh Proposisi (6.19))
Akar atau nilai eigen dari persamaan ini adalah11, 22, 33, ... dan nn yang
merupakan entri diagonal terkemuka dari matriks A yang diberikan. Ini
melengkapi bukti kami.
PROPERTI EIGENVALUES DAN EIGENVECTORS
503
Contoh 7.8
⎛ ⎞
5 35 8
⎜ 0 9 7 −9 ⎟
=⎜
Menentukan nilai eigenSdari ⎟
⎝ 0 0 6 −5 ⎠.
e
0 0 0 −1
b
7
u
Larutan
a
Apa yang Anda perhatikanS ?
he
S
tentang matriks
Matrik adalah matriks segitiga (atas), oleh karena itu Kami dapat menerapkan Proposisi arab atas
s e
Eigenvalues b
S .menemukan
(7.6) dari
untuk
b memilikie dariS ? u
matriks
Apa nilai
u
Nilai eigen adalahbentri a diagonal terdepan yang membentang dari kiri atas ke kanan bawah. Dengan
e pada
a
demikian
Eigenvalues u b h
adalahh a u
h a L1 = 5, L2 = 9, L3 = 6danL4 = − 1
h 7
Perhatikan bahwa nilai eigen dari matriks A yang diberikan dalam Contoh 7.7
adalah
λ 1, 2 , 3 = 2
Proposisi ini berarti bahwa jika λ = 0 adalah nilai eigen dari matriks A maka A
tidak memiliki invers.
(a) Jika m adalah bilangan alami maka λ m adalah nilai eigen dari matriks A m
dengan eigenvektor u yang sama.
PROPERTI EIGENVALUES DAN EIGENVECTORS
503
(b) Jika matriks A tidak dapat dibalik (memiliki invers) maka nilai eigen dari
Sebuah dalam L
m dalam l mm
(a) A (daya)
1 dalam l−1
(b) A− (terbalik)
Bukti.
Langkah 1: Menggunakan definisi eigenvalues dan eigenvectors (7.1) kita
Au = λu ( ∗)
A k u = λk u( †)
PROPERTI EIGENVALUES DAN EIGENVECTORS
503
Langkah 3: Diperlukan untuk membuktikan kasus m = k + 1; artinya, kita perlu
membuktikan
A k+1 u = λk+1u
dalam
oleh (†) oleh (∗) =λk+1
Jadi A k+1 u = λ k+1 u, oleh karena itu dengan induksi matematis kita memiliki
Bukti (b).
Menggunakan rumus (7.1) kita memiliki Au = λu. Kiri mengalikan kedua sisi ini
dengan A−1 memberi
dalam
=Saya
Sejak A−1 skalar berkembang biak dalam Byso nilai eigen dari A−1 isdengan eigenvector
u.
PROPERTI EIGENVALUES DAN EIGENVECTORS
503
Anda = λA−1u
Contoh 7.9
⎛ ⎞
1 4 5
Temukan nilai eigenS 7dari
manaS = ⎝ 0 2 6⎠.
e e 0 0 3
b b
Larutan u u
a
Karena S adalah matriks asegitiga atas, nilai eigen adalah Masuk pada Diagonal depan, yaitu
L1 = e
1,L 2 = 2 dan =h 3
L3 . Dengan S 7 ad bahwa nilai
h Proposisi di atas (7.8) (Sebuah) Kami dapat melihat
b eigen dari e ala
u L 71 = 17 = 1, L 72 = 27 = 128 dan L73 = 37 = 2187 b h
a u
h a
h
Mengapa (b) pemeriksaan kasar daripada pemeriksaan yang tepat untuk nilai eigen?
Karena ada begitu banyak cara berbeda untuk menambah nilai yang sama.
Bukti (a).
Kita diberikan bahwa matriks A memiliki nilai eigen λ 1, λ 2, λ 3, ... dan λn.
Apa artinya ini?
Ini berarti bahwa ini, λ1, λ2, ... dan λ n, adalah akar dari persamaan karakteristik, det(A − λ I) = 0,
λ)(5 − λ).]
Contoh 7.10
⎛ ⎞
1 2 1
Temukan penentu dan jejak S = ⎝ 2 1 1 ⎠ mengingat bahwa Eigenvalues S adalah 1, 4− 1.
e 1 1 2 dari e dan
b b
Larutan u u
a
Dengan Proposisi di atas (7.9) Kami memiliki a
h h
itu(S ) = 1 × 4 × (− 1) = − 4 [ Mengalikan nilai eigen ]
e
= + − =
b Tr(S ) 1 4 1 4
[MenamSe eigenvalues]
e bahkanm
u
Ingat, jejak matriks ditemukan dengan menambahkan
b uaSemua Masuk arab Diagonal terkemuka
a
h u
a Tr(S ) = 1 + 1 + 2 = 4
h e
Oleh karena itu kami telah S bahwa
b jejak matriks sama dengan jumlah Ya
mengilustrasikan untuk matriks e u
eigenvalues.
b a
Proposisi (7.10). Biarkan Aumenjadi h matriks n oleh n dengan nilai eigen yang
a
berbeda λ 1, λ 2, λ 3, ... , λmhdan eigenvectors yang sesuai u 1, u 2, u3 , ... , u m
dimana 1 ≤ m ≤ n . Kemudian eigenvectors ini u 1, u 2, u 3, ... dan um
independen secara linier.
Biografi Arthur Cayley diberikan di bagian 1.4.1. Di sini kami memberikan profil
singkat tentang Sir William Rowan Hamilton.
Bukti - Ini adalah bukti yang sulit dan ada di situs web buku.
PROPERTI EIGENVALUES DAN EIGENVECTORS
503
A lalu A
100
tidak dievaluasi dengan mengalikan 100 salinan matriks A. Evaluasi A 100
ditemukan dengan menggunakan nilai eigen matriks A. Menghitung A 100 adalah
PROPERTI EIGENVALUES DAN EIGENVECTORS
503
tugas yang sangat membosankan yang dapat dikurangi secara signifikan dengan
menerapkan teorema Cayley–Hamilton. Kekuatan matriks dapat ditulis dalam
hal polinomial tingkat rendah dalam matriks A. Ini diilustrasikan dalam contoh
berikutnya.
Contoh 7.13
⎛ ⎞
10 15 0
−1
S mana S = ⎝ 2 4 0 ⎠ Mengingat bahwa Polinomial karakteristik matriks ini adalah:
Menentukan
e e 3 6 6
b b
u u p(L) = L 3 − 20L 2 + 94L − 60
a a
Larutan h h
Dengan Teorema Cayley–Hamilton (7.11) bahwa kami
miliki " #
p(S ) = S 3 − 20S 2 + 94S − 60S = A karena p(L) = L 3 − 20L 2 + 94L − 60
e e e e a ta
b b b b y u (Terus... )
u u u u a
a a a a
h h h h
PROPERTI EIGENVALUES DAN EIGENVECTORS
503
Menemukan A−1 masih melibatkan cukup banyak perhitungan tetapi
umumnya lebih mudah daripada menemukan kofaktor dari setiap entri.
s Ringkasan
a (7.6). KalauS adalah matriks Diagonal atau segitiga maka nilai eigen dariS adalah Masuk
Proposisi
sepanjang Diagonale terdepan. e
yBiarS menjadi matriks
b L dan eigenvector d milik
persegi dengan nilai eigen b L.
e u a u
a Kami
Maka b memilikiayang berikut: l a
u h a h
a m
Matriks Eigenvector Eigenvalue
h
(7.8) Sm d Lm
(Sebuah) −
(7.8) (b) eS 1 ad −
L 1
be la
ub al
au mS
Teorema Cayley–Hamilton (7.11). Setiap amatriks
adalah
persegi
mau dari persamaan karakteristik,
s p(S ) = A . ha m e bahwa
e e ta h b
d b u u
a u a
n a h
LATIHAN
g h 7.2
mana a adalah bilangan real. Tunjukkan bahwa matriks ini memiliki nilai
Tentukan nilai eigen dan eigenvektor dari matriks berikut dan tuliskan
Nyatakan dalam kondisi apa kita memiliki nilai eigen yang sama dan
kompleks.
11. Untuk masing-masing matriks berikut
Menentukan
PROPERTI EIGENVALUES DAN EIGENVECTORS
503
5
(i) nilai eigen A(ii) nilai eigen A (iii) nilai eigen A−1
(iv) det(A)( v) tr(A)
Tentukan ekspresi untuk A−1 dan A 4 dalam hal matriks A, I dan A2.
15. Buktikan Proposisi (7.10).
16. Buktikan bahwa nilai eigen dari matriks yang ditransposisikan, A T, persis
nilai eigen dari matriks A.
........................................................................................................................
100
Jika A lalu bagaimana kita menemukan A ?
Kita bisa menerapkan teorema Cayley–Hamilton dari bagian terakhir. Namun, menggunakan
2
Cayley– Hamilton mengharuskan kita menemukan formula untuk A , A 3, ... , A99 dan kemudian
100
menggunakan ini untuk menentukan A . Jelas ini adalah cara yang sangat melelahkan untuk
100
menemukan A . Di bagian ini, kami memeriksa metode yang lebih mudah untuk menemukan
100
kekuatan matriks seperti A . Kami memfaktorkan matriks A yang diberikan menjadi tiga matriks,
dengan matriks
salah satunya adalah matriks diagonal. Jauh lebih mudah untuk berurusan
diagonal karena perhitungan matriks apa pun lebih mudah dengan matriks diagonal.
Misalnya, mudah untuk menemukan kebalikan dari matriks diagonal. Juga, membuktikan hasil
tentang matriks diagonal lebih sederhana daripada membuktikan hasil tentang matriks umum.
Contoh 7.14
1 0 0 −1 −
BiarS = dan P = P 1AP .
. Menentukan
1 2 1 1
e
b
Larutan
u −
Pertama-tama kita menemukanP , P 1:
a & '
−1 dilambangka −1
− h
kebalikan 0 − matriks
dari 1 1 n1 1 = 1 1 O ff 1 d−b
P 1= = =
1 1 0 − ( − 1) − 1 0 −1 0 Cd Ka − S −c s
wi M e
Melakukan perkalian matriks b
n
− 1 1 1 0 0 −1 u
P 1AP = −1 0 a
1 2 1 1
h
= 2 2 0 −1 = 2 0 pertama mengalikan
−1 0 1 1 0 1 matriks kiri dan tengah .
Definisi (7.12). Matriks persegi B mirip dengan matriks A jika ada matriks P
yang tidak dapat dibalik sehingga P−1AP = B.
Hal .
Secara properti (b) kita dapat mengatakan matriks A dan B serupa. Proposisi
berikut memberikan properti penting lain dari matriks serupa.
DIAGONALISASI
519
Proposisi (7.14). Biarkan A dan B menjadi matriks yang serupa. Nilai eigen dari
matriks ini identik.
Bukti.
Kita diberi bahwa matriks A dan B serupa.
Apa artinya ini?
Pada (7.12) ada matriks P yang tidak dapat dibalik sehingga P−1AP = B. Biarkan det (B − λ
I) menjadi polinomial karakteristik untuk matriks B dan det(A − λI) menjadi polinomial
karakteristik untuk matriks A.
Kami punya
mengganti B
menggantikan I
memindahkan skalar λ
menulis ulang
faktorisa
si P
Matriks S imilar A dan B memiliki nilai eigen yang sama λ karena λ memenuhi
persamaan:
bahwa (B − λ I) = it(A − λ I) = 0
Apa yang kita maksud ketika kita mengatakan bahwa matriks dapat didiagonalisasi?
DIAGONALISASI
519
Definisi (7.15). N oleh n matriks A dapat di diagonalisasi jika mirip dengan
matriks diagonal D.
mengalikan kiri dengan P−1 dan mengalikan kanan dengan P. Kami mengatakan matriks P
diagonalisasi matriks A.
Mengapa diagonalisasi matriks?
Secara umum, matriks diagonal lebih mudah untuk dikerjakan karena jika Anda mengalikan,
menyelesaikan sistem persamaan atau menemukan nilai eigen, selalu lebih disukai untuk memiliki
matriks diagonal. Matriks diagonal secara signifikan mengurangi jumlah perhitungan numerik
yang diperlukan untuk menemukan kekuatan matriks, misalnya. Kami akan menunjukkan nanti di
bagian ini bahwa mudah untuk mengevaluasi kekuatan ke-100 dari matriks diagonal. Ingat, kami
bertujuan untuk mengubah matriks yang diberikan menjadi matriks diagonal.
Contoh 7.15
3 0
S =
Memperlihatkan bahwa matriks dapat didiagonalkan.
Diagonal 0 2
e
b
Larutan
u −
P 1AP = D mana D adalah matriks
P sedemikian
Kami perlu menemukan matriks
a
P
Matriks Apa Haruskah Kamirupa
h Diagonal.
Matriks identitas P = S karena
mempertimbangkan? S
matriks yang diberikan
sehingga sudah menjadi matriks Diagonal:
a − e
y S 1 ..b. = S
a a AIu e
Demikian matriks yangS dapat didiagonalkan.
y a b
diberikan e a h u
b a
u h
a
h
DIAGONALISASI
519
Contoh 7.16
independen linier.
3. Matriks diagonal D = P−1AP akan memiliki nilai eigen λ 1, λ 2, ... dan λ n dari
Mengapa?
Karena kiri mengalikan D di atas = P−1AP dengan P memberi
PD
1
AP "ingat PP− = I#
Perhatikan bahwa karena matriks A dan D serupa, mereka memiliki nilai eigen
yang sama.
Contoh 7.17
1 4
Menentukan matriks eigenvector P yang diagonalisasi matriks S = mengingat bahwa
2 3
e
−2
nilai eigen dari matriks ini adalah b
L 1 = − 1 dan L 2 = 5 dengan eigenvectors yang sesuai d = dan
u 1
a
1 a l
a= masing-masing.
1 h a
r
a m
Larutan
b
Langkah 1 dan. 2
Kami telah diberi eigenvectors, d dan a, dari matriks
S Jadi matriks eigenvector P s
a r e e
−2 1 d
lP = (Ua v )= b
a b u1 1 a
m a n
Langkah
h D berisi nilai eigen dari g
3.
Sejak matriks S dan D serupa, Jadi matriks Diagonal kami S , L 1 = − 1 dan
L 2 = 5: e e
b b
−1 0 Eigenvalues dariS
u u
D =
a 0 5 e a
h b h
Langkah u
4. ini diagonalisasi matriks yanga diberikan
P Memang
Kami perlu mengkonfirmasi bahwa matriks S.
h e
Bagai
mana? PD = AP :
Dengan memeriksa b
bahwa u
−2 1 −1 0 2 5
PD = = a
1 1 0 5 −1 5
h
1 4 −2 1 2 5
AP = =
−1 5
2 3 1 1
P Memang diagonalisasi matriks yang diberikan
Demikian matriks eigenvector S.
e
b
u
Perhatikan bahwa nilai eigen, λ 1 = −1 dan λ2 = 5, dari amatriks A (dan D) yang
h
diberikan adalah entri di sepanjang diagonal terdepan dalam matriks D. Mereka
Apa yang akan menjadi matriks diagonal jika matriks P dibuat dengan menukar u dan v, yaitu P
= (v u)?
Contoh 7.18
⎛ ⎞
1 −2 3
Memperlihatkan S = ⎝ 0 2 5 ⎠ dengan Eigenvalues dan eigenvectors yang
bahwa matriks e 0 0 2 diberikan oleh
b ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
u 1 −2 2
L1 =a 1,d = ⎝ 0⎠ ;L2 = 2,a = ⎝ 1⎠ danL3 = 2, a = ⎝ − 1⎠
h a 0 r 0 r 0
l a a
s JanDiagonal.
a b b
e ga
m
d n
Larutan
a
Mengapa S?
Kami tidak bisa diagonalisasi
n
matriks
Menurut yang
prosedur yang diuraikanedi atas
diberikan tidak
kami
matriks S jika ketiga eigenvectors
g b bisa e tersebut adalah
u Diagonlisasi
tergantung secara linier. (Ketergantungan linier terjadi ketika
= − b+
Kami dapat menulis satu Vektor dalam hal
=
Perhatikan
yang lain.) bahwaa dana secara Tergantun karena a a at a a A. Demikian S s
Vektor
Jan Diagonal. r r linier ga r r a ru r t matriksnya e e
ga a a h a a u aa a a bd
n b b b b bh b u ua
an
hg
Proposisi (7.17). Biarkan A menjadi matriks n oleh n dengan n nilai eigen yang
berbeda, λ 1, λ2 , ... dan λn dengan eigenvectors yang sesuai u 1, u 2, u 3, ... dan
un. Eigenvectors ini independen secara linier.
Bukti.
Dengan Proposisi (7.10):
Bukti.
N oleh n matriks A memiliki n nilai eigen yang berbeda, oleh karena itu dengan
proposisi di atas (7,17) n eigenvectors yang sesuai secara linier independen.
Jadi dengan hasil di atas (7.16):
Contoh 7.19
⎛ ⎞
1 −6 2
Menentukan apakah matriks S = ⎝ 0 4 25 ⎠ dapat didiagonalkan.
e 0 0 9
b
Larutan u
Apa jenis matriks itu S ? a
e
MatriksS adalah matriks h
segitiga atas, oleh karena itu dengan Proposisi n(7.6):
olenJika
Matriks S adalah Diagonal
sebuah
e
atau matriks b
segitiga maka nilai eigen dari S adalah Masuk di sepanjang Diagonalh e
terkemuka.
u L 1 = 1, L 2 = 4 dan L 3 = 9b.
Nilaibeigen adalah Masuk di sepanjang Diagonal
e terkemuka;
u
Bagaimana a
Kami menentukan apakah matriks S apakah
b yang diberikan
diagonalizable atau u
a h u e Jangan?L 1 = 1, L 2 = 4 dan L 3 = 9, a
S adalah matriks 3 kali 3 dan memiliki tiga nilai eigen yang berbeda;
aS bdapat didiagonalkan.
e Olehhkarena itu dengan Proposisi (7.18) matriks h
b he u
u ba
a
Matriks n oleh n mungkin diagonal u hmeskipun tidak memiliki n nilai eigen yang
h a
berbeda. h
Contoh 7.20
⎛ ⎞
1 −6 2
Untuk matriks S = ⎝ 0 4 25 ⎠ , Menentukan matriks eigenvectorP yang diagonalisasi matriks S
e 0 0 9 e
b Eigenvalues
mengingat bahwa S dariL 1 = 1, L 2 = 4 dan L 3 = 9 dengan eigenvectors yang sesuai b
ada
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 u −2 e lah − 7 u
⎝ ⎠
d = 0 , a =a ⎝ ⎠
1 danbar = ⎝ 10 ⎠ masing-masing. a
a 0 r h 0 ua 2 h
ab
l Periksa a P Memang diagonalisasi S.
matriks yang diberikan
a apakah b h e
Larutan
m b
Langkah 1 dan Langkah u
2:
Kami telah diberi nilai eigen dan eigenvectors yang sesuai a dari matriks S.
h e (Terus... )
b
u
a
h
1
A m = PD m P− di mana m adalah bilangan real
m
Kalau D = ⎜⎝⎛ ... ⎟⎟⎠ lalu D ⎛
... d1 ⎞ d1m
Dn dnm
Anda diminta untuk menunjukkan hasil ini dalam Latihan 7.3. M mungkin sulit
untuk dihitung tetapi karena D adalah matriks diagonal, D m hanyalah D
dengan entri pada diagonal terdepan dinaikkan ke daya m.
Matriks eigenvalue D terdiri dari nilai eigen pada diagonal depan, oleh
karena itu D m memiliki nilai eigen ini dengan kekuatan m pada diagonal
terdepan.
Am = PDmP−1
Langkah 1: Periksa m = 1.
Bukti.
Langkah 1: Periksa m = 1, yaitu kita perlu menunjukkan PDP−1 = A.
Kami memiliki D = P−1AP. Kiri mengalikan ini dengan matriks P dan kanan
mengalikannya dengan P−1:
PDP
=D
Sebuah
Dengan demikian kita memiliki hasil kita untuk m = 1 yaitu A = PDP−1. Ini
berarti bahwa kita dapat memfaktorkan matriks A menjadi tiga matriks P, D dan
P−1. Langkah 2: Asumsikan bahwa hasilnya benar untuk m = k, yaitu
Ak = PDkP−1 (∗)
A oleh Langkah 1
DIAGONALISASI
519
menggunakan aturan matriks (AB)
k karena P
=D D
Ini adalah hasil yang kami butuhkan. Oleh karena itu dengan induksi
matematika kita memiliki A m = PDmP−1.
= 1 =
Karena kita cek ituNamun, dalam mengevaluasi PDA AP. Ini berarti bahwa1 karenaP− APA m D=
Contoh 7.21
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 −2 3 1 −2 −7 2 4 − 13
⎜ ⎟ ⎜ 0 1 10 ⎟ − 1⎜ ⎟
BiarS = ⎝ 0 2 5 ⎠ . S 5 mengingatP = ⎝ ⎠ dan P 1 = ⎝ 0 2 − 10 ⎠ .
Mene 2
e 0 0 3 e bahwa 0 0 2 0 0 1
b mukanb
u
Larutan u
⎛ ⎞
a a 1 0 0
h −1h = ⎜ ⎜
⎟
=
Matriks Diagonal D P AP ⎝ 0 2 0 ⎟⎠ . Karena S adalah matriks segitiga atas, yang
e
0 0 3
b
Eigenvalues adalah Masuk pada Diagonal terkemukaS , yaitu L 1 = 1, L 2 = 2 dan L 3 = 3.
5 u
Bagaimana Kami S ? e
a −
menemukan
Dengan e
menerapkan S m memfaktorkanbSkem = PD mP 1 dengm = 5:
hasil di atas (7.19),
h
b e dalam 5 ue an
S = PD 5P − 1
u b ab
a e hu
u
h b
a a
u
h h
a
h
Kekuatan matriks sangat berguna dalam rantai Markov – ini didasarkan pada
matriks yang entrinya adalah probabilitas. Banyak sistem kehidupan nyata
memiliki elemen ketidakpastian yang berkembang dari waktu ke waktu, dan ini
dapat dijelaskan melalui rantai Markov.
Contoh 7.22
Matriks transisi T Di bawah ini memberikan persentase Orang yang terlibat dalam
terluka (I) atau Terbunuh
kecelakaan(K)yang jalan perkotaan (U) dan pedesaan (R). T Masuk arab kolom
arabbaik
menunjukkan bahwa 60% kerusakan jalan di jalan perkotaan dan 40%
pertama matriks T arab jalan
mewakili 50% kematian
pedesaan. Kolom kedua akibat kecelakaan di jalan raya terjadi di jalan perkotaan dan 50% arab
dari 100 kecelakaan tahun
jalan pedesaan. Keluar dari sampel ini jumlah kecelakaan arab jalan perkotaan adalah 90 dan jalan
diwakili
pedesaan oleh dan inix. adalah
10 Vektor
S K
a0. 0. D 9
T= y aR
dan x =
6 0.
0. 5 0
1
a4 5 l 0
n
Vektor xn diberikaxn = T x Beri Kami jumlah kecelakaan arab jalan perkotaan dan pedesaan
a
n oleh
Sampel 100 kecelakaan dari
n jumlah tahun. mMenentukan
) xn ba n = 1 . (Ii) xn s n →hingga
setelah
(s ∞ 2SF
a gi 0 e (Terus... )
y b
a a
g
ai
DIAGONALISASI
519
DIAGONALISASI
519
s Ringkasan
Ka S diagonalizable maka Kami dapat mengkonversi
S ke dalam matriks Diagonal
D.
al e n olen MatriksS dapat didiagonalisasieP − 1AP = D mana D adalah matriks Diagonal maka
Jika
ay
sebua
b h e dengan b
uu
h b uS m = PD m P − 1
a
a u ae
h a hb
h u
a
h
LATIHAN 7.3
menggunakan MATLAB.
(iii) Tentukan A4 dalam setiap kasus dengan menggunakan hasil bagian (i)
dan (ii).
−
5. Dalam Contoh 7.17 ambil P = (v u) dan tentukan matriks diagonal D
yang diberikan oleh
P−1AP dimana A .
P−1AP = D.
exp (A t) = I + A t + A 2 t 2! +3 t 3! + A 4 t 4!
+ ··· Sebuah
DIAGONALISASI
519
2 3 4
Biarkan A dan temukan ekspresi untuk exp (At) hingga dan termasuk
istilah
17. Biarkan A dan B menjadi matriks terbalik. Buktikan bahwa AB mirip dengan
BA.
18. Jika matriks A dan B serupa, buktikan bahwa
........................................................................................................................
Pengali kiri ini dengan P dan pengali kanan dengan P−1 memberikan
faktorisasi matriks A:
A = PDP−1
Dari sini kami menyimpulkan (hasil (7.19)) bahwa kekuatan matriks A dapat
ditemukan dengan memfaktorkan Am menjadi tiga matriks:
DIAGONALISASI MATRIKS SIMETRIS
533
A = PD P−
m m 1
menjadi tugas yang membosankan bahkan untuk matriks ukuran kecil seperti 3
kali 3.
Mengapa?
1
Karena kita perlu menemukan matriks terbalik P− , yang akan melibatkan menempatkan matriks P
ke dalam bentuk eselon baris yang dikurangi atau menggunakan kofaktor. Either way, tugas yang
rumit.
Apakah ada jenis matriks yang dapat dengan mudah kita temukan kebalikannya?
Ya, matriks ortogonal Q, dijelaskan dalam bab 4, di mana Q− 1 = Q T .
Contohnya adalah
Sebuah
s Ij
sb e
ear b ⎞⎟⎟⎟⎠
bu u
u a
a h
h
Apa yang Anda perhatikan?
Kita mendapatkan pantulan entri dengan menempatkan cermin pada diagonal terdepan seperti
yang disorot.
Contoh 7.23
−3 4
BiarS = S.
. Matriks diagonalisasi
4 3
e e
b b
u u
a a
h h
DIAGONALISASI MATRIKS SIMETRIS
533
Larutan
Persamaan karakteristik diberikan oleh
− 3− L 4
itu( S − L S) = hari = L 2 − 25 = 0 yang Beri L 1 = 5 dan L 2 = − 5
4 3− L
e a
b y
u a sesuai adalah 1 2
Eigenvectors yang d= bagL 1 = 5 dan a =
−1
bagL 2 = − 5.
a 2 i i
a r
Eigenvectors
h d dan a independen secara linier (Jan kelipatan satu sama lain) oleh karena itu
l a
a r gan
a b
l a
P = (U v ) = m1 2 dan D = P − 1AP = 5 0
a b 2−1 0 −5
m
Matriks eigenvector P = (U v ) berisi eigenvectors dari S dan matriks eigenvalue D
berisi nilai eigen dari S. e
Ingat matriks e D serupa, sehingga Mereka memiliki bnilai eigen yang sama.
S dan
e b u
b u a
u a h
a h
h
Apa yang Anda perhatikan tentang eigenvectors u dan v ?
Produk dalam (titik) dari eigenvectors u dan v adalah nol:
dalam
Eigenvectors u dan v adalah ortogonal yang berarti bahwa mereka tegak lurus satu sama lain.
(Lihat Gambar 7.11 overleaf.) Kita dapat menormalkan eigenvectors ini (yaitu membuat
panjangnya 1).
Bagaimana?
Dengan membagi dengan panjangnya : (2.16)u di mana =u adalah vektor
u [oleh Pythagoras]
DIAGONALISASI MATRIKS SIMETRIS
533
Kami punya u2 = 5, oleh karena itu mengambil akar kuadrat memberi 1 u = √5.
= √1 1 .
5 2
Dengan demikian =eigenvector yang dinormalisasi=dalam
2
d
al = uu
a
1 m
d$
Demikian pula, eigenvector lain yang dinormalisasi di
a
l
0.5a 1 1.5 2 = 1 a = √1 − 2
a 5 1
ma$ r .
r
r a
a
Merencanakan ini in= R = 2 ditunjukkan pada Gambar
a b
b
7.11. Perhatikan bahwa u dan v adalah unit
b
eigenvectors, yang berarti bahwa mereka memiliki
norma (panjang) 1.
–1v
–2Gambar 7.11
matriks A karena u dan v adalah vektor yang sama u dan v tetapi dinormalisasi,
yang berarti bahwa mereka memiliki arah yang sama = = = = sebagai u dan v
Dalam hal ini, matriks diagonalisasi adalah matriks ortogonal Q oleh karena
itu
(7.20) A m = QDmQT
Contoh 7.25
MeneS 6 untuk matriks S diberikan dalam Contoh 7.23.
mukae e
n b
Larutan b
Untuku S 6, kami menggunakan
u rumusSdimatas
= QD m Q T dengm = 6:
ae
menemu a e an
∗
kan h b h b S 6 = QD 6Q T ( )
u u e
Dengana Contoh 7.23 a bkami
dan 7.24 bahwa
milikih h u
5 0 1 1 a2 1 1 2
D= , Q= √ QT = √
dan mengambil mengubah = Q
0 −5 5 2 −h1 urutan 5 2 −1
(Terus... )
DIAGONALISASI MATRIKS SIMETRIS
533
∗
Mengganti ini menjadi ( ) Hasil
6
1 1 2 5 0 1 1 2
S 6 = QD 6Q T = √ √
5 2−1 0 −5 5 2 −1
e
1 1 1 2 56 0 1 2
b = √ √
u 5 5 2 −1 0 ( − 5) 6 2 −1
a 56
1 2 1 0 1 2 " #
h = karena ( − 5) 6 = 56
5 2 − 1 0 1 2 − 1
= 55 1 2 1 2 = 55 5 0 = 56 1 0 = 56 S
2 −1 2 −1 0 5 0 1
a
y
a
Proposisi (7.21). Biarkan A menjadi matriks simetris nyata. Maka semua nilai
eigen A adalah nyata.
Bukti.
Kami menghilangkan bukti karena kami perlu menggunakan bilangan kompleks,
yang tidak tercakup.
Bukti.
Biarkan u dan v menjadi eigenvectors milik eigenvalues yang berbeda masing-
masing λ 1 dan λ2.
Apa yang perlu kita buktikan?
Diperlukan untuk membuktikan bahwa eigenvectors adalah ortogonal, yang berarti bahwa kita
perlu menunjukkan u · v = 0. Karena u dan v adalah eigenvectors yang termasuk dalam nilai
DIAGONALISASI MATRIKS SIMETRIS
533
eigen yang berbeda λ 1 dan λ 2, matriks A skalar mengalikan masing-masing eigenvectors
Au = λ 1u dan Av = λ2v( ∗)
(λ1u) T = (Au)T
1 u T v = uTAv
= uTλ2v
faktorisasi
λ 1 dan λ 2 adalah nilai eigen yang berbeda oleh karena itu λ 1 − λ2 = 0 [bukan
nol] jadi kita memiliki
Produk titik dari eigenvectors u dan v adalah nol, oleh karena itu mereka
ortogonal.
Contoh 7.26
⎛ ⎞
1 2 1
S = ⎝ 2 1 1 ⎠ bersifat
Memperlihatkan bahwa eigenvectors
dari matriks e 1 1 2 Ortogonal.
b
Larutan u
Jika Anda telah mencapai surata ini maka Anda harus dapat menemukan nilai eigen dan eigenvectors dari
h
matriks yang diberikan. Verifikasi bahwa p(L) diberikan
persamaan
karakteristik oleh
p(L) = L3 − 4L2 − L + 4 = 0
(L + 1)(L − 1)(L − 4) = 0 Hasil L1 = − 1,L2 = 1 danL3 = 4
Mengapa?
T
Karena A = A berarti matriks A simetris.
Bukti.
Asumsikan bahwa matriks A secara ortogonal diagonalizable. Ini berarti bahwa
ada matriks ortogonal Q sedemikian rupa sehingga Q−1AQ = D, di mana D
adalah matriks diagonal. Kiri mengalikan Q−1 AQ ini = D dengan Q dan kanan
mengalikan dengan Q−1 memberi
A = QDQ−1 (†)
DQ T dan D T = D#
= QDQ−1 "karena
DIAGONALISASI MATRIKS SIMETRIS
533
Kami memiliki AT = QDQ−1.
Apa yang Anda perhatikan?
Dengan (†) kita dapat melihat bahwa ini sama dengan matriks A. Sehingga
1
A T = QDQ− = A yang berarti kita memiliki AT = A
T
Oleh karena itu A adalah matriks simetris karena A = A, yang merupakan hasil yang kami
butuhkan.
Lemma (7.26). Jika A adalah matriks simetris nyata dengan nilai eigen λ dari
multiplisitas m maka λ memiliki m eigenvectors independen linier.
Bukti.
Kasus (i): Biarkan matriks simetris A memiliki nilai eigen yang berbeda λ 1, λ2, ...
dan λn. Kemudian dengan Proposisi (7.23): Biarkan A menjadi matriks simetris
dengan nilai eigen yang berbeda λ 1, λ2, ... , λn dan eigenvectors v 1, v2, ... dan
vn. Maka eigenvectors ini bersifat ortogonal.
Jadi eigenvectors v 1, v2, ... dan vn milik eigenvalues yang berbeda λ 1, λ 2, ...
dan λn adalah ortogonal. Karena mereka ortogonal, mereka independen secara
linier dan karenanya kami memiliki eigenvectors independen linier. Dengan
Teorema (7.16):
N oleh n matriks A diagonalizable ⇔ ia memiliki n eigenvectors independen.
DIAGONALISASI MATRIKS SIMETRIS
533
Kami memiliki bahwa matriks A dapat diagonal. Biarkan Q , maka kolom
matriks Q adalah ortonormal, yang berarti itu adalah
matriks ortogonal. Jadi kita memiliki Q−1AQ = D, jadi matriks A secara ortogonal
diagonalizable.
Kita dapat mengulangi proses ini untuk eigenvectors lain milik eigenvalues
dari A yang memiliki multiplisitas lebih dari 1.
Dengan menggabungkan Teorema (7.25) dan (7.27) apa yang bisa kita simpulkan?
Jika A secara ortogonal diagonalizable maka A adalah matriks simetris dan sebaliknya; yaitu,
jika A adalah matriks simetris maka A secara ortogonal diagonal. Kami memiliki hasil utama dari
bagian ini yang memiliki nama khusus - teorema spektral:
matriks simetris.
Ini berarti bahwa jika kita memiliki matriks simetris maka kita dapat
diagonalisasi secara ortogonal.
Contoh 7.28
3 2
Menentukan matriks OrtogonalQ yang diagonalisasi Ortogonal S = .
2 0
e
b
Larutan
u
Sejak matriksS simetris, Kami dapat menemukan matriks Ortogonal Q yang diagonalisasi S . Verifikasi bahwa
a
Polinomial ekarakteristik diberikan oleh: h
e
b b
u L 2 − 3L − 4 = 0 ⇒ (L + 1)( L − 4) = 0 u
a L 1 = − 1 dan L 2 = 4 a
h h
L 1 = − 1 dan L 2 = 4 masing-masing:
Bia d dan a menjadi eigenvectors (verifikasi) milik
r a r
l a 1 2
d= − dan a =
a b 2 1
a r
m l a
Matriks yang S simetris dan kami d dankarena
memiliki nilai eigen yang berbeda, oleh a bersifat
itu Ortogonal
( yaitu d · a = 0). Ingat
diberikan e a b a r Q
pertanyaannya mengatakan bahwa Kami harus menemukan. matriks Ortogonal
a r b m l a
Apa itu matriks Ortogonal?
l persegi
Matriks a u
kolom yang membentuk himpunan ortonormal. a b
a b a m
Apa itu mengeset
Satu m Ortogonal h dan Dinormalisasi
. Eigenvectors d dan a bersifat Ortogonal tetapi Kami perlu
ortonormal?
mengeset
menormalkan a r Mereka menjadi
mereka, yang berarti membuat norma (panjang)
yang
1.
Bagai l a √
mana? senyuman dengan norma (panjang) eigenvector,
Berikan a yangb dalam 5 karena
kedua kasus
adalah ( m
√ ) √
d = 12 + ( − 2) 2 = 5 dan a = 12 + 22 = 5
a r
Normalisasi Beri l a
a b
1 1 1 1 1 2
=dm= d= √ dan =a = a= √
d 5 −2 a 5 1
a a r r
a r
l l a a (Terus... )
l a
a a b b
a b
m m
m diberikan
Demikian matriks OrtogonalQkami
oleh
1 1 2
Q = (=d =a) = √ −2 1
a r 5
l a
−1 = T T
a bQ . Verifikasi Q AQ = D at QD = AQ mana D
Q adalah matriks Ortogonal, olehQkarena
bahwa
itu Diagonal dengan nilai eigen di sepanjang
matriks m Diagonal terdepan:au adal
ah
−1 0 − 1, 4 adalah nilai eigen
Q T AQ = D =
0 4 dari matriks yang S
diberikan e
b
u
a
h
DIAGONALISASI MATRIKS SIMETRIS
533
7.4.5 Prosedur untuk diagonalisasi ortogonal
Kita dapat bekerja melalui prosedur untuk menemukan matriks ortogonal yang
diagonalisasi matriks yang diberikan.
Contoh 7.29
⎛ ⎞
2 2 −2
Menentukan matriks Ortogonal Q yang diagonalisasi S = ⎝ 2 − 1 4⎠.
e −2 4 −1
b
Larutan u
Langkah 1 dan: 2 a
Ini adalah matriks yang sama dengan Contoh 7.27. Denganh demikian
⎧
Kami memiliki ⎛ ⎞ ⎛ ⎞⎫ ⎛ ⎞
⎨ 2 −2 ⎬ −1
d = ⎝ ⎠
1 ,a = ⎝ 0 ⎠ milik =
L 1, 2 3 dan ar = ⎝ 2 ⎠ Ka L 3 = − 6
⎩ ⎭
a 0 r 1 a − 2 wi
l a b n
Langkah:
a b
3
Kami d dan a milik eigenvalue berulang
perlu memeriksa bahwa eigenvectors L 1, 2 = 3 bersifat Ortogonal.
m
a r
l a
a b
m
DIAGONALISASI MATRIKS SIMETRIS
533
DIAGONALISASI MATRIKS SIMETRIS
533
⎛ ⎞
10
5. Biarkan A . Tunjukkan bahwa A = 29A. Buktikan juga bahwa A
m = 2 m−1A di mana m adalah bilangan bulat positif.
6. Tunjukkan bahwa jika A adalah matriks diagonal maka matriks diagonalisasi
ortogonal Q = I.
7. Buktikan bahwa (a) matriks nol O dan (b) matriks identitas I secara
ortogonal diagonalisable.
........................................................................................................................
DEKOMPOSISI NILAI TUNGGAL
547
Dekomposisi nilai tunggal (SVD) adalah salah satu faktorisasi terpenting dari
suatu matriks. Faktorisasi SVD memecah matriks menjadi bagian-bagian yang
berguna seperti matriks ortogonal, dan metode ini dapat diterapkan pada
matriks apa pun; Tidak perlu berupa matriks persegi atau simetris.
SVD matriks memberi kita dasar ortogonal (sumbu) untuk ruang baris dan
kolom matriks. Jika kita menganggap matriks sebagai transformasi maka
faktorisasi SVD memberikan basis ortogonal (sumbu) untuk ruang vektor awal
dan kedatangan (Gbr. 7.12).
Gambar 7.12
Aplikasi SVD yang sangat baik diberikan dalam artikel oleh David Austin dalam
Esai Bulanan tentang Topik Matematika Agustus 2009:
Netflix, perusahaan persewaan film online, saat ini menawarkan hadiah $ 1 juta bagi siapa
saja yang dapat meningkatkan akurasi sistem rekomendasi filmnya sebesar 10%. Anehnya,
masalah yang tampaknya sederhana ini ternyata cukup menantang, dan kelompok-
kelompok yang terlibat sekarang menggunakan teknik yang agak canggih. Inti dari semuanya
adalah dekomposisi nilai tunggal.
) ) )
S1 = L 1 , S2 = L 2, ... , Sn = L n [ Mau Positif saja]
Contoh 7.30
2 1
Temukan Eigenvalues S T Sdari
dan eigenvectors mana S = .
1 2
e e e
b b b
Larutan
u u T u
S adalah matriks simetris Jadi
Sejak matriks yang diberikan S = S . Kami S T S = AA = S 2.
a a a
Kami menemukan nilai e memiliki
t1 dan t2 dengan e e memiliki
eigenvectors e ea1 dan a2 dari
yang dinormalisasi e matriks ini
S ar
h h h
Latihan 7.4 pertanyaanb1(c): b b b br r b e ab
u u u u ua a u b
at1 = 3, a1 = √1 1 adan at2 = 1, a2 = a √1ab 1b a u
2 1 −1
h r h h r h h2 h a
Apa Eigenvalues dan eigenvectors a dari matriks S 2? a h
b Angka alami maka
m adalah
Dengan Proposisi (7.8) (Sebuah): eL adalah bnilai eigen dari matriksS dengan sama
m m
Jika
eigenvector d. b e
a u b
l a u
S 2, maka
BiarL 1 danaL 2 menjadi Eigenvalues dari matriks h dengan menggunakan proposisiaini Kami
m e memiliki h
1 1 b 1 1
L 1 = 32 = 9, a1 = √ dan L 2 = 12 = 1, a2 = √
r 2 1u r 2 −1
a
a a
h
b b
DEKOMPOSISI NILAI TUNGGAL
547
Av1 = 3 u 1danAv 2 = u2
Lingkaran satuan pada Gambar 7.13(a) diubah menjadi elips pada Gambar
7.13(b) di bawah matriks A. Perhatikan bahwa lingkaran satuan pada Gambar
7.13(a) diregangkan oleh faktor-faktor σ 1 = 3 dan σ 2 = 1 masing-masing ke
arah u 1 dan u2 . Ingat, faktor-faktor ini σ 1 = 3 dan σ 2 = 1 adalah nilai tunggal
matriks A . Perhatikan juga bahwa vektor u 1 dan u2 bersifat ortogonal (tegak
lurus) dan dinormalisasi (panjangnya sama dengan 1). Dalam faktorisasi SVD,
vektor ortogonal diubah menjadi vektor ortogonal – inilah mengapa faktorisasi
ini adalah yang paling berguna.
DEKOMPOSISI NILAI TUNGGAL
547
1
1 ⎛⎞
1 3
a1 = ⎜⎟ 3d1
0.5 r 2 ⎝⎠
1 2 al
a 1 a
b m
–1 –0.5 0.5 1 –3 –2 –1 1 2 3
–1
–0.5 d2
T (a) = Ba –2 al
1 ⎛ 1⎞ r has
–1 a2 = ⎜ ⎟ –3
a
r 2 ⎝ − 1⎠ a a m
a b Ara
(Sebuah) (b)
b b
Gambar 7.13
Gambar 7.14
A (∗)
Gambar 7.13.
V T) yaitu V T:
UDVT
=Saya
D = D dan Q T = VT.
Apa gunanya bagian ini pada SVD jika kita dapat dengan mudah menerapkan teknik diagonalisasi
ortogonal dari bagian terakhir?
Nah, untuk SVD Anda tidak perlu matriks persegi atau simetris. (Ingatlah bahwa matriks simetris
harus matriks persegi karena jika jumlah baris tidak sama dengan jumlah kolom maka
transposing mengubah bentuk matriks.) SVD dapat diterapkan matriks apa pun.
Pada bagian sebelumnya, dan sekali lagi di atas, kami hanya memperhitungkan
matriks simetris. Pada bagian ini kami memperluas faktorisasi atau dekomposisi
ke matriks apa pun. Kami memfaktorkan matriks A di mana A adalah m oleh n
dan m ≥ n . Hasil di bagian ini juga benar jika m < n tetapi kami telah memilih
DEKOMPOSISI NILAI TUNGGAL
547
m ≥ n untuk kenyamanan. Perhatikan bahwa hasil di bagian ini valid untuk
matriks A APA PUN.
A = UDVT
Gambar 7.15
S
1S
...
2
At
S
k
au
At At
au au
D=
m−k Baris n−k Kolom
Gambar 7.16
DEKOMPOSISI NILAI TUNGGAL
547
Kita perlu berhati-hati dengan ukuran matriks dalam Teorema (7,30).
Jika matriks A yang diberikan adalah 3 kali 2 maka berapa ukuran matriks U, D dan V dalam
rumus di atas
(7.30)?
U adalah matriks 3 kali 3, D adalah matriks 3 kali 2 dan V adalah matriks 2 kali 2.
Contoh 7.33
⎛ ⎞
1 1
S T Sdari
mana S = ⎝ 1 1⎠.
Temukan Eigenvalues dan eigenvectors
e e e −2 1
b b b
u u u
a a a
Larutan h h h
Pertama , kami melakukan perkalian matriks:
⎛ ⎞
1 1
T 11 − 2 ⎝ 6 0
S S = 1 1⎠ =
11 1 −2 1 0 3
e e
b b
Sejak S T S adalah matriks
u udiagonal , Masuk pada Diagonal terdepan adalah nilai eigen
e e a a
b b h h L 1 = 6 dan L 2 = 3.
u u
Verifikasi a1 dan a2 milik nilai-nilai eigen ini
a abahwa eigenvectors L 1 = 6 dan L 2 = 3 ada
h h r r lah
a aa = 1 dan a = 0
1 2
b br 0 1
r
a
Perhatikan tidak Temukan Eigenvalues a
dariS karena S adalah matriks non-persegi. Inilah Alasan
bahwa kami bisa matriks b
T
S Seigen
pertanyaan mengatakan temukan nilai . e b e
mengapa
dari e e b b
b b u u
u u a aT
Perhatikan bahwa dalamacontoh
a di
h atas Ah A adalah matriks simetris.
h h
Apakah ini selalu terjadi?
Ya.
Proposisi (7.30). Biarkan A menjadi matriks apa pun. Maka A TA adalah matriks
simetris.
Bukti.
Ingat, matriks X simetris jika X T = X.
Untuk menunjukkan bahwa A TA adalah matriks simetris, kita perlu
membuktikan :
DEKOMPOSISI NILAI TUNGGAL
547
Kami menunjukkan bahwa nilai eigen dari matriks A TA ini adalah positif atau
nol:
Proposisi (7.31). Biarkan A menjadi matriks apa pun. Maka nilai eigen ATA
adalah positif atau nol.
DEKOMPOSISI NILAI TUNGGAL
547
diberikan.
DEKOMPOSISI NILAI TUNGGAL
547
2
1 ⎛⎞0
a2 = ⎜⎟
⎝⎠1 1
0.5
r 3d2 = 1
a a
b 0
n
e
a
g
l
a ⎛ 1⎞
–1 –0.5 0.5 1 ⎛⎞1 –1 ⎜ ⎟
a1 = ⎜⎟ 6dm1 = ⎜ 1⎟
–0.5 r ⎝⎠0 a ⎜− ⎟
–2 ⎝ 2⎠
a 2 l
–1 b a
m
⎛ ⎞1
⎜⎟
⎜⎟
⎜ ⎟⎝ ⎠1
0 –2 –1
0 1 2 dan x
(a) (b)
Gambar 7.17
Dalam Contoh 7.34 di atas kita telah menemukan u 1 dan u 2 tetapi apa yang sama dengan u3?
Vektor u 3 harus ortogonal (tegak lurus) terhadap kedua vektor u 1 dan u 2 karena U adalah
u 3 harus memenuhi kedua u1 · u 3 = 0 dan u2 · u3 = 0.
matriks ortogonal. Ini berarti vektor
T
Biarkan u3 = (x y z) . Kita dapat mengabaikan skalar karena vektor akan bersifat ortogonal (tegak
lurus) terlepas dari skalarnya. Kita perlu menyelesaikan
memberi x = 1, y = −1 dan z = 0
T
Menormalkan vektor memberi u . Maka
Dalam
d2
1 al
a
m
d 0
e 2
n 1
g –1 0 d3
–1 d al d1
a
a a al
n –2 –2
–2 n m a
–1 m
0
2 x
Gambar 7.18
DEKOMPOSISI NILAI TUNGGAL
547
diubah menjadi vektor ortogonal (tegak lurus) {Av 1, Av2, ... , Avk} di
bawah matriks A.
Bukti (i).
Dengan proposisi di atas (7.30): Biarkan A menjadi matriks apa pun. Maka A TA
adalah matriks simetris.
TA
adalah matriks simetris, jadi kita dapat secara ortogonal diagonalisasi ini
karena teorema spektral (7,28): A adalah diagonalisasi ortogonal ⇔ A adalah
matriks simetris.
Ini berarti bahwa eigenvectors milik nilai eigen positif dari A TA, yang
diberikan oleh v 1, v2, ... , vk adalah vektor ortonormal (unit tegak lurus).
Pertimbangkan Av12. Kemudian
= v T 1 A T Av1"karena ( XY)T = Y T X T#
jadi ATAv 1 = λ 1 v 1#
Demikian pula untuk j = 2, 3, ... , n kita memiliki **Av j** = σj. Ini melengkapi
bukti kami untuk bagian (i).
DEKOMPOSISI NILAI TUNGGAL
547
Bukti (ii).
Diperlukan untuk membuktikan bahwa vektor dalam set {Av 1, Av 2, ... , Avk}
bersifat ortogonal (tegak lurus). Kami membuktikan bahwa dua vektor berbeda
jadi AT Av j = λ j dalam j#
DalamI
Kami memiliki Avi · Av j = 0, oleh karena itu Av i dan Avj bersifat ortogonal
(tegak lurus). Oleh karena itu himpunan vektor {Av 1, Av 2, ... , Avk} bersifat
Bukti.
Ukuran matriks A adalah m dengan n. Ini berarti bahwa transformasi T yang
diberikan oleh matriks A adalah T : R n → Rm sedemikian rupa sehingga T (v) =
Av (Gbr. 7.19).
n a2 T ( a) = Ba d2
r r has d1
al
m
a1 a a3 a a a d3
al
r b r a b Ara m ald
a n a a n
a
b r b m mal Gambar 7.19
b
a a
b m
Biarkan v 1, v2, ... , v k menjadi eigenvectors dari A TA milik nilai eigen positif
λ 1 ≥ λ 2 ≥ ··· ≥ λ k > 0 masing-masing. Kemudian dengan Proposisi di atas (7.32)
bagian (ii)
adalah sekumpulan vektor ortogonal. Kami ingin mengubah ini menjadi set
ortonormal yang berarti kami perlu menormalkan setiap vektor dalam daftar
(∗). Ubah vektor pertama Av 1 menjadi vektor satuan u 1 katakanlah, (panjang
1):
U oleh
(7.32) bagian(i)
Demikian pula mengonversi vektor yang tersisa Av2, ... , Avk ke dalam vektor
satuan yang kita miliki
Kami memperluas set di atas adalah dasar ortonormal (unit tegak lurus) untuk R
=m
S ke set ortonormal S . Biarkan/u 1, u 2, ... , u k, uk +1, ... , um0.
S ini
σ j u j = Avj(†)
Nilai tunggal yang tersisa adalah nol, yaitu σ k+ 1 = σ k+2 = ··· = σ n = 0. Kami
punya
Oleh k Darik
dan
DEKOMPOSISI NILAI TUNGGAL
547
Skalar σ1, σ2, ... di depan u dapat ditempatkan di matriks seperti diagonal D
dan vektor u ke dalam matriks U di atas .
=D
=UD = MATI
oleh V
(a) Himpunan vektor {u 1, u 2, ... , uk} membentuk dasar ortonormal untuk ruang
kolom matriks A.
DEKOMPOSISI NILAI TUNGGAL
547
(b) Himpunan vektor {v 1, v 2, ... , vk} membentuk dasar ortonormal untuk ruang
baris matriks A.
(c) Himpunan vektor /v k+1, v k+2 , ... , vn0 membentuk dasar ortonormal untuk
s Ringkasan
a dapat memecahkan Smatriks
Kami S =tigaD × D × A T .
menjadi faktorisasi rangkap
Omong-omong e e al ra
y b b a b
u u m
a 7.5
LATIHAN a a
h h
(Solusi singkat di akhir buku. Solusi lengkap tersedia di <http://www.oup.co.uk/
pendamping / singh>.)
hal-hal berikut: ⎛
⎞
(b) Himpunan vektor /v k+1, v k+2 , ... , vn0 membentuk dasar ortonormal
untuk kernel T.
LATIHAN LAIN-LAIN7
7.1. .
(a) Temukan semua nilai eigen A.