Membuktikan Sifat

PENGANTAR EIGENVALUES DAN EIGENVECTORS 493
.............................................................................................
7 Nilai Eigen
dan Eigenvectors
.............................................................................................
BAGIAN 7.1 Pengantar Eigenvalues dan Eigenvectors

Pada akhir bagian ini Anda akan dapat
● menentukan eigenvalues dan eigenvectors
● membuktikan sifat-sifat eigenvalues 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.
7.1.1 Definisi eigenvalues dan eigenvectors
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.
Secara umum, ini dapat ditulis sebagai
(7.1) Au = λ u(matriks A skalar mengalikan vektor u)
di mana A adalah matriks persegi, u adalah vektor

3
dan huruf Yunani λ (lambda) adalah skalar.
2 ⎛ 2⎞
da Au = 3 ⎜ ⎟
1 la 1
⎝ ⎠
m
1 2 3 4 5 6
-1
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.
Dapatkah Anda memikirkan vektor, u, yang memenuhi persamaan (7.1)?

Vektor nol u = O karena AO = λ O = O . Dalam hal ini kami mengatakan bahwa kami memiliki solusi sepele u =
O. Dalam bab ini kami mempertimbangkan solusi non-sepele, u = O (bukan nol), dan solusi ini adalah alat yang ampuh
dalam aljabar linier.
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.
Jean d'Alembert 1717–1783 (Gbr. 7.2) adalah seorang matematikawan Prancis

dan putra tidak sah dari Madam Tencin dan seorang perwira tentara, Louis
Destouches. Ibunya meninggalkannya di tangga gereja lokal dan akibatnya dia
dikirim ke rumah untuk anak yatim. Ayahnya mengakui kesulitan putranya dan
menempatkannya di bawah asuhan Madam Rousseau, istri seorang arsitek kaya.
Namun, ayah d'Alembert meninggal ketika dia baru berusia sembilan tahun
dan keluarga ayahnya menjaga situasi keuangannya sehingga dia dapat
melanjutkan pendidikannya.
Pada 1735, Alembert lulus, dan dia berpikir bahwa karir di bidang hukum akan
cocok untuknya, tetapi kehausannya yang sebenarnya dan
Gambar 7.2 Jean d'Alembert 1717 untuk antusiasme adalah untuk matematika, dan dia mempelajari ini
1783.di waktu luangnya. Hampir sepanjang hidupnya ia bekerja untuk Akademi Sains Paris
dan Akademi Prancis.
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
7.1.2 Persamaan karakteristik
Dari rumus di atas (7.1) Au = λu kita miliki
Au = λIu
[λ Iu = λu – mengalikan dengan identitas membuatnya tetap sama] di mana
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:
Ax = O memiliki jumlah solusi yang tak terbatas ⇔ det(A) = 0.
Menerapkan hasil ini ke (A − λI)u = O berarti bahwa kita harus memiliki vektor bukan nol u (karena
ada jumlah solusi tak terbatas yang memenuhi persamaan ini) ⇔
bahwa(A − λI) = 0
Ini adalah persamaan penting karena kita menggunakan ini untuk menemukan nilai eigen dan itu
disebut persamaan karakteristik:
(7.2) bahwa(A − λI) = 0
Prosedur untuk menentukan nilai eigen dan eigenvectors adalah:

1. Pecahkan persamaan karakteristik (7.2) untuk skalar λ.
2. Untuk nilai eigen λ tentukan eigenvektor u yang sesuai dengan menyelesaikan sistem ( A − λI)u
= O.
Mari ikuti prosedur ini untuk contoh berikutnya.
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.
Memplot eigenvectors ini, efek mengalikan dengan matriksS ditampilkan pada

e Gambar. 7.3.
3 b
Bah = 3 u
2 asa arab
a
Ara
h
⎛⎞0 1 b
a = ⎜⎟
⎝⎠1
r
a 0.5 1 1.5 2
b –1
1 Arab= 2
da=
–2 -1 dala
la
m
m
Gambar 7.3
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:
(1 − λ)(−3 − λ) = − − (−1 + λ)(3 + λ) = (λ − 1)(3 + λ) [Karena − − = +]
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... )
⎛ ⎞
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
itu( S − L S) = 0, kami menyamakan Semua hal di atas

Dengan persamaan karakteristik (7.2),
e a dengan nol:
(4 −bL )( L y+ 5)( L − 3) = 0
u nilai
Memecahkan persamaan ini memberikan L 1 a=eigen
4, L 2 = − 5 dan L 3 = 3.
a
h
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
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
terbatas dengan mengganti berbagai nilai non-nol dari s:
dalam
Periksa apakah matriks A melipatgandakan masing-masing eigenvectors ini dengan memverifikasi
Au = 3u. Solusi di atas u diberikan oleh semua poin (selain x = y = z = 0) pada baris yang
ditunjukkan pada Gambar 7.4:
⎛⎞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
A(k u) == k(Au) menurut aturan matriks k(λu) oleh (7.1) Au
= 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:
S u adalah eigenvector milik λ0
Bagaimana kita membuktikan himpunan yang diberikan adalah subruang dari

n
R ? Kita dapat menggunakan hasil (3.7) dari bab 3:
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).
Ini berarti bahwa kita perlu menunjukkan:

Jika vektor u dan v berada di S maka untuk skalar k dan c kita memiliki ku + c v juga di S . Ini
berarti bahwa S adalah subruang ⇔ S ditutup sehingga vektor ku + cv tidak dapat melarikan diri dari
S, seperti yang ditunjukkan pada Gambar 7.5.
S
d
a
Kd
C+ d
l d a i
a i Gambar 7.5
l
m a
Bukti. m
Apa yang perlu kita buktikan?

Diperlukan untuk membuktikan bahwa jika u dan v adalah eigenvectors milik eigenvalue λ maka ku + cv juga merupakan
eigenvector milik λ.
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):
A(k u) = λ(ku) dan A(c v) = λ(c v) ( ∗)
Kita perlu menunjukkan bahwa A(k u + c v) = λ(k u + cv):
A(k u++ c v)=== A(ku+)++ A(c v) menerapkan aturan matriks+
= λ(k u) + λ(c v) dengan yang di atas ( λ(k uc v )
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.
Subruang S Proposisi ini (7.4)
S = {Ou adalah eigenvector milik = λ0
disebut eigenspace daridan dilambangkan dengan E λ, yaitu EλS .

Misalnya, eigenspace yang terkait dengan Contoh 7.4 untuk eigenvalue λ 1 =
2 adalah eigenvector u dan untuk λ2 = 3 eigenvector v yang ditunjukkan dalam
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
E 2 dan E 3 menunjukkan ruang eigen yang diberikan oleh λ = 2 dan λ = 3 masing-masing.
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:
V1.0000 = 0,6667 −1,0000 Membaca setiap kolom

memberikan eigenvectors.
0,5000 −1,0000 −0,7500 00 −0,4500
d=
30 0
Entri diagonal terkemuka memberikan
0 50
− nilai eigen.
0 04
⎝
⎛
Dengan membaca output MATLAB di atas, eigenvectors adalah
1/2⎠ ⎛⎝ −1⎞⎠ ⎛⎝ 3/4 ⎞⎠
1 ⎞ 2/3 1
0,0,9 / 20
Jadi eigenvectors umum adalah

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
(Solusi singkat di akhir buku. Solusi lengkap tersedia di <http://www.oup.co.uk/

pendamping / singh>.)
Dalam latihan ini Anda dapat memeriksa jawaban numerik Anda

menggunakan MATLAB.
1. Temukan nilai eigen dan eigenvektor tertentu dari matriks berikut:
−
2. Dapatkan eigenvectors umum λ1 = 4 dan λ2 = −5 untuk matriks dalam Contoh
7.5.
3. Temukan nilai eigen dan eigenvektor dari A . Plot eigenspaces Eλ.
4. Temukan nilai eigen dan eigenvektor dari A . Nyatakan efek

mengalikan eigenvector dengan matriks A. Plot eigenspaces Eλ dan tuliskan
vektor dasar untuk masing-masing eigenspaces.
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.
6. Biarkan A menjadi matriks persegi dan B = r A, di mana r adalah bilangan
real. Buktikan bahwa jika λ adalah eigenvalue dari matriks A maka
eigenvalue dari B adalah rλ.
7. Buktikan bahwa matriks nol n × n, O , hanya memiliki nilai

eigen nol.
[Petunjuk: Gunakan Proposisi bab 6 yang memberikan determinan matriks
diagonal.]
503
8. Tentukan nilai eigen dan eigenvektor dari A . Dengan

menggunakan yang sesuai
Perangkat lunak memplot Eigenspaces dan menuliskan dasar untuk setiap
Eigenspace.
........................................................................................................................
BAGIAN 7.2 Properti Eigenvalues dan Eigenvectors

● menentukan nilai eigen dan eigenvektor matriks tertentu
● membuktikan beberapa sifat eigenvalues dan eigenvectors
● menerapkan teorema Cayley–Hamilton
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.
7.2.1 Beberapa nilai eigen
Apa persamaan karakteristik matriks persegi A?

Persamaan karakteristik didefinisikan pada bagian terakhir 7.1 sebagai:
(7.2) det(A − λ I) = 0 di mana A adalah matriks persegi, I adalah matriks identitas dan λ
adalah nilai eigen yang merupakan skalar. Dengan memperluas ini kami memiliki
503
mengambil λ sepanjang '
diagonal terdepan
Mengevaluasi determinan matriks ini menghasilkan persamaan polinomial

derajat n. Contoh polinomial p(λ) derajat 3 adalah
2
5l3− 2l + 3l + 69
Contoh polinomial p(λ) derajat 4 adalah
7 l 4 − 5 l 3 − 0,1 l 2 + 34 l+ 5
Contoh polinomial p(λ) derajat n adalah
333 λ n + 2 λ n−1 + ··· + 6 l 2 + l + 2,7 1828
Secara umum, kita dapat menulis polinomial p(λ) derajat n sebagai
p(λ) = c n λ n + c n−1 λ n−1 + ··· + c 1 λ + c0
di mana c adalah koefisien.

Apa perbedaan antara polinomial karakteristik dan persamaan?
Polinomial karakteristik adalah ekspresi p(λ) sedangkan persamaannya adalah p(λ) = 0.
Berapa banyak akar yang dimiliki persamaan p(λ) = 0 ?
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).
Contoh lainnya adalah:
Persamaan Jumlah akar

503
2x − 3
5
101 x100 12 − ··· −2x5 −+ 111 === 12
000 101
−5x −
Kami tidak akan membuktikan teorema dasar aljabar tetapi menganggapnya

benar. Jadi dengan teorema dasar aljabar kami menyimpulkan bahwa
p (λ) = c n λ n + c n−1 λ n−1 + c n−2 λ n−2 + ··· + c 2 λ 2 + c 1λ + c 0 = 0
memiliki n eigenvalues (akar). Mungkin ada n nilai eigen yang berbeda atau
mungkin diulang seperti
(λ − 1) 3 (λ − 2) = 0 yang memberikan λ 1 = 1, λ 2 = 1, λ 3 = 1 dan λ 4 = 2
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
eigenvalue sederhana, jika tidak maka disebut multiple eigenvalue. Jika λ

terjadi m kali di mana m > 1 maka kita mengatakan λ adalah nilai eigen dengan
multiplisitas m atau λ memiliki multiplisitas m.
Dalam persamaan di atas (λ − 1)3 (λ − 2) = 0 kita memiliki λ 1, 2, 3 = 1 adalah
nilai eigen dari multiplisitas 3 dan λ 4 = 2 adalah nilai eigen sederhana.
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
503
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.
7.2.2 Nilai eigen matriks diagonal dan segitiga
Dalam Latihan 7.1 Anda membuktikan bahwa nilai eigen dari matriks nol, O,
adalah 0.
Matriks sortir apa yang merupakan
matriks nol? Matriks diagonal.
Apa itu matriks diagonal atau segitiga?

Menurut definisi (6.17), matriks segitiga adalah matriks n oleh n di mana semua entri ke satu
sisi diagonal utama adalah nol.
Menurut definisi (6.18) kita memiliki matriks diagonal adalah matriks n oleh n
di mana semua entri ke kedua sisi diagonal utama adalah nol.
Berikut ini adalah contohnya:
Sebuah
matriks diagonal matriks segitiga matriks segitiga
B sebenarnya disebut matriks segitiga atas dan C matriks segitiga bawah.
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.
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.
Bagaimana kita membuktikannya?

Kami menerapkan Proposisi (6.19) ke matriks A: Penentu matriks segitiga atau diagonal adalah
produk dari entri di sepanjang diagonal terkemuka.
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.
Bukti dari (7.6). ⎛⎜⎜⎜⎝ a11 a1222 ··· a12nn ⎞⎟⎟⎟⎟⎠
0 Sebuah ··· Sebuah. .. menjadi segitiga atas Tanpa kehilangan

generalitas (WLOG), biarkan A =.. . 0 .. .
0 ... 0 pernn
Matriks. Persamaan karakteristik det(A − λI) = 0 diberikan oleh
⎛⎜⎜⎜⎝ a11 - l 22a

12
··· a12nn⎞⎟⎟⎟⎟⎠
⎜
det(A − λI) = det0.. . a 0− λ ··· ... Sebuah...
0 ... 0 ann − λ
= (a11- l)(a22- l) ··· (ann- l) = 0 menyiratkan λ1 = a11, λ2 = a22, ... , λn = a

{
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.
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
karena semua entri di sepanjang diagonal terdepan dari matriks segitiga A

adalah 2.
7.2.3 Properti eigenvalues dan eigenvectors
Proposisi (7.7). Matriks persegi A tidak dapat dibalik (memiliki invers) ⇔ λ = 0
bukanlah nilai eigen dari matriks A.
Bukti – Latihan 7.2.
Proposisi ini berarti bahwa jika λ = 0 adalah nilai eigen dari matriks A maka A
tidak memiliki invers.
Proposisi (7.8). Biarkan A menjadi matriks persegi dengan

eigenvector u milik eigenvalue λ.
(a) Jika m adalah bilangan alami maka λ m adalah nilai eigen dari matriks A m
dengan eigenvektor u yang sama.
503
(b) Jika matriks A tidak dapat dibalik (memiliki invers) maka nilai eigen dari
matriks terbalik A−1 adalah = λ− 1 dengan eigenvector u yang sama.
Apa arti proposisi ini?

Matriks Eigenvector Eigenvalue
Sebuah dalam L
m dalam l mm
(a) A (daya)
1 dalam l−1
(b) A− (terbalik)
Kami mengilustrasikan ini untuk λ = 2 (matriks Sebuah menggandakan

eigenvector u) seperti
yang ditunjukkan pada
S md = 2md Gambar 7.8.
e a a
b l l
u a a
a m m Bagaimana kita
h membuktikan proposisi (a)?
d
a
Ara= 2d Dengan menggunakan
−1 b a
S d= d l induksi matematika. Tiga
e a a a l Gambar 7.8
m a
langkah induksi matematika
b l l
u a a m adalah:
a m m
h Langkah 1: Periksa hasilnya
untuk beberapa kasus dasar m = m0.
Langkah 2: Asumsikan bahwa hasilnya benar untuk m = k.
Langkah 3: Buktikan hasilnya untuk m = k + 1.
Bukti.
Langkah 1: Menggunakan definisi eigenvalues dan eigenvectors (7.1) kita
memiliki Au = λu yang berarti hasilnya berlaku untuk m = 1:
Au = λu ( ∗)
Langkah 2: Asumsikan bahwa hasilnya benar untuk m = k:
A k u = λk u( †)
503
Langkah 3: Diperlukan untuk membuktikan kasus m = k + 1; artinya, kita perlu
membuktikan
A k+1 u = λk+1u
Memperluas sisi kiri:
Ak menulis Ak+1 = AAk#
dalam
oleh (†) oleh (∗) =λk+1
Jadi A k+1 u = λ k+1 u, oleh karena itu dengan induksi matematis kita memiliki
hasil bahwa λ m adalah nilai eigen dari matriks Am dengan eigenvector u.
Bukti (b).
Menggunakan rumus (7.1) kita memiliki Au = λu. Kiri mengalikan kedua sisi ini
dengan A−1 memberi
dalam
=Saya
Ingat, mengalikan dengan identitas saya membuatnya tetap sama, yaitu Iu =

u, jadi kita punya
1 dalam = A−1dalam atau menulis ini dengan cara lain, kita

1
memiliki A−1dalam = dalam λλ
Sejak A−1 skalar berkembang biak dalam Byso nilai eigen dari A−1 isdengan eigenvector
u.
503
Anda = λA−1u
Membagi kedua sisi dengan λ memberi
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
Proposisi (7.9). Biarkan A menjadi matriks n oleh n dengan nilai eigen λ 1, λ 2,

λ3, ... λn. Kami punya:
(a) Determinan matriks A diberikan oleh det (A) = λ 1 × λ 2 × λ 3 × ··· × λn.
(b) Jejak matriks A diberikan oleh tr(A) = λ 1 + λ 2 + λ 3 + ··· + λn.
Apa jejak matriks?

Jejak (tr) dari matriks adalah penambahan semua entri pada diagonal terdepan:
⎛ ⎞ 503
⎜ s 11 ... s 1n ⎟
⎜ e .. ⎟⎟ =
Tr⎜⎜ e ... .. s 11 + s 22 + s 33 + ··· + s nn
b . b. ⎟ e e e e
sun1 ··· sunn
b b b b
ea ea
u u u u ⎝ ⎠
bh bh
a a a a
u u
h h h h
a a
h h
Apa yang dimaksud dengan bagian (b)?
Menambahkan semua nilai eigen dari suatu matriks sama dengan jejak matriks.
Dapatkah Anda melihat kegunaan untuk bagian (b)?

Kita dapat menggunakan bagian (b) sebagai pemeriksaan kasar untuk melihat apakah kita memiliki
nilai eigen yang benar.
Mengapa (b) pemeriksaan kasar daripada pemeriksaan yang tepat untuk nilai eigen?
Karena ada begitu banyak cara berbeda untuk menambah nilai yang sama.
Apa arti bagian pertama (a)?

Ini berarti bahwa kita dapat menemukan determinan matriks dengan mengalikan semua nilai
eigen dari matriks itu.
Bagaimana kita membuktikan bagian (a)?

Dengan menggunakan persamaan karakteristik det(A − λI) = 0.
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,
yang menyiratkan bahwa kita memiliki
det(A − λ I) = (λ 1 − λ)(λ 2 − λ)(λ 3 − λ)··; (l n − l) (†)
[Misalnya, jika nilai eigen dari matriks B adalah λ 1 = 2, λ 2 = 4 dan λ 3 = 5
maka persamaan karakteristik akan diberikan oleh det (B − λ I) = (2 − λ)(4 −
λ)(5 − λ).]
Jika kita mengganti λ = 0 menjadi (†) kita mendapatkan
det (A) = (λ 1 − 0)(λ 2 − 0)(λ 3 − 0)··· (λ n − 0)
= (λ1)(λ 2)(λ3)··; (l n) = λ 1 × λ 2 × λ 3 × ··; × λn

503
Ini adalah hasil yang kami butuhkan.
Bukti (b) - Lihat situs web.
Meringkas proposisi ini kami memiliki:

Matriks A λ1, λ 2, λ 3, ..., λn Nilai Eigen
Penentu A l1 × l 2 × l 3 × ··; × l Produk eigenvalues

n
Jejak A λ1 + λ 2 + λ 3 + ··· + Penambahan nilai eigen
λn
Proposisi di atas menyatakan bahwa kita dapat mengevaluasi determinan (atau
jejak) dari setiap matriks n dengan n dengan menemukan nilai eigen dan
mengalikan (atau menambahkan) mereka.
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.
Kita membutuhkan proposisi ini untuk membuktikan teorema Cayley–

Hamilton yang diberikan pada subbagian berikutnya.
503
7.2.4 Teorema Cayley–Hamilton
Biografi Arthur Cayley diberikan di bagian 1.4.1. Di sini kami memberikan profil
singkat tentang Sir William Rowan Hamilton.
William Hamilton (Gbr. 7.9) lahir di Dublin, Irlandia

pada tahun 1805 dan menjadi salah satu
matematikawan Irlandia terbesar. Awalnya ia tertarik
pada bahasa, tetapi selama masa sekolah awalnya ia
menemukan kecintaan pada matematika. Pada usia 18
tahun ia memasuki Trinity College, Dublin dan
menghabiskan sisa hidupnya di sana. Pada tahun 1827,
Hamilton diangkat sebagai Profesor Astronomi di
Trinity College, tetapi ia tidak terlalu tertarik pada
astronomi dan mencurahkan seluruh waktunya untuk
matematika. Hamilton terkenal karena karyanya
tentang kuarter yang merupakan ruang vektor empat
dimensi. Bahkan, pada tahun 1843 ketika dia berjalan
di sepanjang kanal lokal di Dublin bersama istrinya, dia
memiliki kilasan inspirasi dan menemukan rumus untuk
perkalian kuarter.
Saat ini ada plakat di jembatan yang menyatakan ini
Gambar 7.9 rumus. Dia juga menemukan produk titik dan silang
vektor.
Sepanjang hidupnya ia memiliki masalah dengan alkohol dan cinta. Dia jatuh cinta
dengan Catherine tetapi karena keadaan yang tidak menguntungkan dia akhirnya menikahi
Helen yang dia sesali selama sisa hidupnya.
Secara umum, kami belum mengevaluasi kekuatan matriks seperti A 3,

A4, ... . Ini karena mencoba menentukan An adalah tugas yang membosankan
untuk hampir semua matriks. Menemukan A 2 dengan A × A cukup sederhana
untuk matriks ukuran kecil tetapi A3 tidak begitu mendasar. Teorema Cayley–
Hamilton menyederhanakan evaluasi A n untuk matriks A tertentu.
Pernyataan teorema Cayley–Hamilton sangat lugas.

Cayley–Hamilton (7.11). Setiap matriks persegi A adalah akar dari persamaan
karakteristik, yaitu p(A) = O di mana p mewakili polinomial karakteristik.
Bukti - Ini adalah bukti yang sulit dan ada di situs web buku.
503
Kita dapat menerapkan teorema Cayley–Hamilton untuk menemukan kekuatan

matriks. Misalnya, jika
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
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.
Di MATLAB kita dapat menemukan polinomial karakteristik matriks A dengan

menggunakan perintah poly(A). Kita juga dapat menggunakan teorema Cayley–
Hamilton untuk menemukan kebalikan dari matriks seperti yang ditunjukkan
contoh berikutnya. Ingat, menentukan kebalikan dari matriks 3 kali 3 atau lebih
besar adalah pekerjaan yang melelahkan. Namun, dengan menerapkan teorema
Cayley–Hamilton kita merasa itu menjadi jauh lebih sederhana.
503
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
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

Dalam latihan ini, periksa jawaban numerik Anda menggunakan perangkat

lunak yang sesuai.
1. Tentukan nilai eigen dan eigenvektor dari A dan plot

eigenspace E λ dan tuliskan satu set vektor dasar untuk Eλ.
2. Tentukan nilai eigen dan eigenvektor dari A dan plot

eigenspace E λ dan tuliskan satu set vektor dasar untuk Eλ.
3. Biarkan A menjadi matriks 2 kali 2. Tunjukkan bahwa karakteristik
polinomial p(λ) diberikan oleh
p(λ) = λ 2 − tr(A)λ + det(A)
di mana tr(A) adalah jejak matriks A.

a2
4. Biarkan A menjadi matriks 2 kali 2 dengan tr(A) = 2 a dan det(A) = di
mana a adalah bilangan real. Tunjukkan bahwa matriks ini memiliki nilai
eigen a dengan multiplisitas 2.

503
5. Tentukan nilai eigen dan eigenvektor dari A . Dengan

menggunakan appropri-
makan perangkat lunak atau sebaliknya, plot eigenspace Eλ dan tuliskan satu
set vektor dasar untuk eigenspace ini.
6.
Tentukan nilai eigen dan eigenvektor dari matriks berikut dan tuliskan
7. Tentukan nilai eigen dan eigenvektor dari matriks berikut:
8. Prove Proposition (7.7), yang mengatakan matriks tidak dapat dibalik ⇔ λ =

0 bukanlah nilai eigen.
9. Biarkan A menjadi matriks persegi dan λ menjadi nilai eigen dengan

eigenvektor u yang sesuai. Buktikan bahwa eigenvalue λ unik untuk
eigenvector u.
10. Biarkan A menjadi matriks 2 kali 2. Dengan menggunakan hasil pertanyaan
3, karakteristik polinomial p(λ) diberikan oleh
p(λ) = λ 2 − tr(A)λ + det(A)
Tunjukkan bahwa jika ) maka A memiliki nilai eigen yang

berbeda.
Nyatakan dalam kondisi apa kita memiliki nilai eigen yang sama dan
kompleks.
11. Untuk masing-masing matriks berikut
Menentukan
503
5
(i) nilai eigen A(ii) nilai eigen A (iii) nilai eigen A−1
(iv) det(A)( v) tr(A)
12. Temukan karakteristik polinomial p(λ) dari matriks A dan

tentukan kebalikan dari matriks ini dengan menggunakan teorema Cayley–
Hamilton.
13. Biarkan A . Dengan menggunakan teorema Cayley–Hamilton

2 3
tentukan A dan A .
14. Biarkan A dan polinomial karakteristik matriks ini diberikan

oleh
p(λ) = λ 3 − 4 λ 2 − λ + 4
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.
........................................................................................................................
BAGIAN 7.3 Diagonalisasi

● Pahami apa yang dimaksud dengan matriks serupa
● diagonalisasi matriks
● Temukan kekuatan matriks
DIAGONALISASI
519
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.
Pada bagian ini kami bertujuan untuk menjawab pertanyaan berikut:

Untuk matriks persegi A, apakah ada matriks P yang tidak dapat dibalik (memiliki invers)
1
sedemikian rupa sehingga P− AP menghasilkan matriks diagonal?
Tujuan dari bagian ini adalah untuk mengubah matriks n dengan n menjadi matriks diagonal.
Proses mengubah matriks n dengan n menjadi matriks diagonal disebut diagonalisasi (Gbr.
7.10).
n oleh n matriks Matriks diagonal Gambar 7.10
Apa hubungannya ini dengan eigenvalues dan eigenvectors?

Bagian ini mengeksplorasi cara diagonalisasi matriks, di mana kita perlu menemukan nilai eigen
dan eigenvectors yang sesuai. Nilai eigen ini adalah entri diagonal terkemuka dalam matriks
diagonal.
Pertama, kami mendefinisikan matriks serupa dan beberapa sifatnya.

DIAGONALISASI
519
7.3.1 Matriks serupa
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.
DalamContoh 7.14, matriks akhir mirip dengan

matriks A karena
Hal .
Matriks serupa memiliki sifat-sifat berikut (hubungan kesetaraan):
Proposisi (7.13). Biarkan A, B dan C menjadi matriks persegi. Kemudian

(a) Matriks A mirip dengan matriks A.
(b) Jika matriks B mirip dengan matriks A maka sebaliknya bulat juga benar,
yaitu matriks A mirip dengan matriks B.
(c) Jika matriks A mirip dengan B dan B mirip dengan matriks C maka
matriks A mirip dengan matriks C.
Bukti - Latihan 7.3.
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.
Diperlukan untuk membuktikan bahwa polinomial yang diberikan oleh

determinan ini sama:
bahwa (B − λ I) = it(A − λI)
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
Proposisi (7.14) berarti bahwa matriks serupa melakukan transformasi yang

identik – mereka skalar mengalikan setiap eigenvector dengan skalar yang sama
λ.
7.3.2 Pengantar diagonalisasi
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.
Matriks A pada Contoh 7.14 di atas bersifat diagonalizable karena

matriks
P memberikan P−1AP = D di mana D adalah matriks

diagonal.
Apa arti definisi ini (7.15)?
P−1 AP = D yang berarti kita dapat mengubah matriks A menjadi matriks diagonal dengan
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.
Selanjutnya, kami memberikan contoh sepele dari matriks yang

diagonalizable.
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
Memperlihatkan bahwa matriks Diagonal Omong-omong

dapat Diagonal.
Larutan
−
= S karena
BiarD menjadi matriks Diagonal Omong-omong. Matriks diagonalisasi adalahP matriks S 1Ba = D .
identitas
a a has
y y a
a a Ara
b
Bagaimana kita tahu matriks mana yang diagonal?

Teorema berikutnya menyatakan tes untuk menetapkan apakah matriks dapat diagonal atau
tidak.
Teorema (7.16). N oleh n matriks A diagonalizable ⇔ ia memiliki n eigenvectors
independen linier.
Kita harus memiliki n eigenvectors independen linier agar matriks dapat

diagonal. Prosedur untuk diagonalisasi n oleh n matriks A dapat diturunkan dari
bukti (7,16). Singkatnya itu adalah prosedur berikut:
1. Menggunakan det(A − λ I)u = O untuk setiap eigenvalue λ 1, λ2, ... , λ n, kami

menemukan eigenvectors milik λ 1, λ2 ini , ... , λn. Sebut eigenvectors ini p 1,
p 2, p 3, ... dan pn. Jika matriks A tidak memiliki n eigenvectors independen
linier maka itu tidak diagonal.
2. Bentuk matriks P dengan memiliki eigenvectors ini p 1, p2, ... dan pn,
sebagai kolomnya.
Yaitu matriks P mengandung eigenvectors:
P = (hal 1 hal 2 hal3 ··· haln)
3. Matriks diagonal D = P−1AP akan memiliki nilai eigen λ 1, λ 2, ... dan λ n dari
A di sepanjang diagonal terdepannya, yaitu

DIAGONALISASI
519
⎛ ⎞
L1
D = ⎜⎝ ... ⎟⎠
Ln
eigenvalues dari A
Eigenvector p j milik eigenvalue λj.
4. Ini adalah praktik yang baik untuk memeriksa apakah matriks P dan D
benar-benar berfungsi. Untuk matriks ukuran lebih besar dari 2 kali 2,
evaluasi matriks terbalik P−1 bisa panjang sehingga rentan terhadap
kesalahan perhitungan. Untuk melewati evaluasi invers ini, cukup periksa
bahwa PD = AP.
Mengapa?
Karena kiri mengalikan D di atas = P−1AP dengan P memberi
PD
1
AP "ingat PP− = I#
Oleh karena itu cukup untuk memeriksa bahwa PD = AP.
Perhatikan bahwa karena matriks A dan D serupa, mereka memiliki nilai eigen
yang sama.
Matriks P disebut matriks eigenvektor dan matriks diagonal D matriks

eigenvalue.
DIAGONALISASI
519
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
terjadi dalam urutan λ 1 dan kemudian λ 2 karena matriks P dibuat oleh P = (u
v) di mana u adalah eigenvector milik λ 1 dan v adalah eigenvector milik
eigenvalue lainnya λ2.
Apa yang akan menjadi matriks diagonal jika matriks P dibuat dengan menukar u dan v, yaitu P
= (v u)?
Matriks diagonal kami adalah D . [Lihat Latihan 7.3].

DIAGONALISASI
519
Perhatikan bahwa matriks eigenvalue diagonal D berisi nilai eigen, matriks
eigenvektor P berisi eigenvectors yang sesuai.
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
7.3.3 Nilai eigen yang berbeda
Selanjutnya, kami menyatakan proposisi bahwa jika matriks n oleh n memiliki

n nilai eigen yang berbeda maka eigenvectors milik ini secara linier independen.
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):
Biarkan A memiliki nilai eigen yang berbeda λ 1, λ2, ... , λm dengan

eigenvectors yang sesuai u 1, u2, ... , u m dimana 1 ≤ m ≤ n . Kemudian
eigenvectors ini independen secara linier.
Menggunakan (7.10) dengan n = m memberi kita hasil yang diperlukan.
DIAGONALISASI
519
Proposisi (7.18). Jika n oleh n matriks A memiliki n nilai eigen yang berbeda
maka matriks A dapat di diagonalisasi.
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):
N oleh n matriks A diagonalizable ⇔ ia memiliki n eigenvectors
independen. Kami menyimpulkan bahwa matriks A dapat diagonal.
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
Misalnya, matriks identitas I diagonalizable meskipun memiliki n salinan dari

eigenvalue yang sama 1. (Jika kita memiliki n nilai eigen yang berbeda untuk
matriks n dengan n maka kita dijamin bahwa matriks tersebut diagonalizable.)
Proses menemukan eigenvalues, eigenvectors dan matriks P yang

diagonalisasi matriks tertentu bisa menjadi tugas yang membosankan jika Anda
tidak diberi eigenvalues dan eigenvectors; Anda harus melalui seluruh proses.
DIAGONALISASI
519
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
7.3.4 Kekuatan matriks
Kami membahas proses diagonalisasi di atas sehingga kami dapat menemukan

kekuatan matriks. Misalnya, untuk menemukan A100 adalah tugas yang sulit.
Apa hubungannya diagonalisasi dengan kekuatan matriks?
DIAGONALISASI
519
Jika A adalah matriks persegi yang diagonalizable, sehingga ada matriks P sedemikian rupa
1
sehingga P− AP = D dimana D adalah matriks diagonal maka
1
A m = PD m P− di mana m adalah bilangan real
Kami akan menunjukkan hasil ini dalam proposisi berikutnya.
Sementara itu, dengan menggunakan rumus ini, kita dapat menemukan

inversi matriks A dengan mengganti m = −1. Untuk menemukan A 100, jauh
lebih mudah untuk menggunakan rumus ini, A m = PDmP−1, daripada mengalikan
100 salinan matriks A. Kita dapat menggunakan rumus ini untuk menemukan A
m jika kita pertama kali menentukan Dm.
Bagaimana?
Matriks D m hanyalah matriks diagonal dengan entri diagonal terdepan dinaikkan ke daya m,
yaitu
⎜
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.
Proposisi (7.19). Jika n oleh n matriks A diagonalizable dengan P−1AP = D di
mana D adalah matriks diagonal maka
Am = PDmP−1
Bagaimana kita membuktikan hasil ini?

Dengan menggunakan induksi matematika.
DIAGONALISASI
519
Apa prosedur induksi matematika?
Langkah 1: Periksa m = 1.
Langkah 2: Asumsikan bahwa hasilnya benar untuk m = k.
Langkah 3: Buktikan untuk m = k + 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 (∗)
Langkah 3: Kita perlu membuktikan hasilnya untuk m = k + 1, yaitu kita perlu

membuktikan
A k+1 = PDk+1 P−1

Dimulai dengan sisi kiri ini yang kita miliki
Ak+1 = A kA menerapkan aturan indeks
A oleh Langkah 1
DIAGONALISASI
519
menggunakan aturan matriks (AB)
k karena P
=D D
= PD k DP−1 = PD k+1 P−1"karena D k D = Dk+1#
Ini adalah hasil yang kami butuhkan. Oleh karena itu dengan induksi
matematika kita memiliki A m = PDmP−1.
Secara umum, untuk menemukan A m kita harus mengalikan m salinan

matriks A yang merupakan tugas yang melelahkan. Jauh lebih mudah jika kita
memfaktorkan A m menjadi A m = PDm P−1 (meskipun kita perlu menemukan
P , P−1 dan D, yang bukan tugas yang mudah dalam dirinya sendiri). Rumus ini
berarti bahwa jika Anda ingin mengevaluasi Am tanpa mengerjakan daya
yang lebih rendah maka menggunakan matriks diagonal lebih efisien
daripada metode Cayley–Hamilton yang dibahas di bagian sebelumnya.
Perhatikan bahwa dalam subbagian di atas ketika kita diagonalisasi matriks

kita dapat menghindari perhitungan P−1AP.
Mengapa?
= 1 =
Karena kita cek ituNamun, dalam mengevaluasi PDA AP. Ini berarti bahwa1 karenaP− APA m D=
adalah matriks eigenvalue diagonal. PDmP−1.

DIAGONALISASI
519
m kita perlu menemukan P−
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
Perhatikan bahwa dalam contoh di atas matriks diagonal D memiliki nilai

eigen 1, 2 dan 3 pada diagonal terdepan, dan D 5 memiliki 1 5, 2 5 dan 3 5 pada
diagonal terdepan. 1 5, 2 5 dan 3 5 adalah nilai eigen dari A 5.
DIAGONALISASI
519
7.3.5 Penerapan kekuatan matriks
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

Dalam latihan ini periksa jawaban numerik Anda menggunakan MATLAB.
1. Untuk matriks berikut, temukan:

(i) Nilai eigen dan eigenvectors yang sesuai.
(ii) Matriks eigenvector P dan matriks eigenvalue D.
2. (i) Untuk matriks pada pertanyaan 1 temukan A5.

(ii) Untuk matriks dalam pertanyaan 1 bagian (c) temukan A−1/2.
3. Untuk matriks berikut, temukan:
(i) Nilai eigen dan eigenvectors yang sesuai.
(ii) Matriks P dan D di mana P adalah matriks terbalik (non-tunggal) dan D
= P−1AP adalah matriks diagonal. Untuk menemukan P−1 Anda dapat
menggunakan MATLAB.
(iii) Tentukan A4 dalam setiap kasus dengan menggunakan hasil bagian (i)
dan (ii).
4. Untuk matriks berikut menentukan apakah mereka diagonalizable.

DIAGONALISASI
519
−
5. Dalam Contoh 7.17 ambil P = (v u) dan tentukan matriks diagonal D
yang diberikan oleh
P−1AP dimana A .
Apa yang Anda perhatikan tentang matriks diagonal D Anda?

6. Biarkan A menjadi matriks 3 kali 3 dengan nilai eigen dan eigenvectors
berikut:
Apakah matriks A diagonalizable? Jika maka temukan matriks eigenvalue

diagonal D yang mirip dengan matriks A dan juga tentukan matriks P yang
dapat dibalik sedemikian rupa sehingga
P−1AP = D.
Temukan A3. [Perhatikan bahwa Anda melakukannya tidak perlu

mengetahui unsur-unsur matriks A.]
7. Tunjukkan bahwa matriks berikut tidak diagonalizable:
8. Biarkan A . Tentukan (i) A 11 (ii) A−1

9. Buktikan bahwa jika D adalah matriks diagonal maka matriks D m hanyalah
matriks diagonal dengan entri diagonal terdepan dinaikkan ke daya m.
11. Buktikan bahwa jika A diagonalizable maka transpose A, yaitu A T, juga
diagonalizable.
12. Dalam kursus persamaan diferensial, matriks exp (At) didefinisikan sebagai
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
t4 dengan diagonalisasi matriks A.
13. Biarkan F [F dikenal sebagai matriks Fibonacci]. Mengevaluasi

matriks P, P−1
dan D, di mana P adalah matriks terbalik dan D = P−1AP adalah matriks
diagonal.
14. Biarkan A menjadi matriks 2 kali 2 dengan ) di mana tr

mewakili jejak matriks. Tunjukkan bahwa A dapat diagonal.
15. Biarkan A menjadi matriks terbalik yang diagonal. Buktikan bahwa A−1 juga
diagonal.
16. Buktikan bahwa jika A diagonalizable maka A m (di mana m ∈ N) adalah
diagonalizable.
17. Biarkan A dan B menjadi matriks terbalik. Buktikan bahwa AB mirip dengan
BA.
18. Jika matriks A dan B serupa, buktikan bahwa
(i) tr (A) = tr (B) di mana tr dilacak.
(ii) bahwa (A) = itu (B).

DIAGONALISASI MATRIKS SIMETRIS
533
19. Biarkan A menjadi matriks diagonal sedemikian rupa sehingga modulus
setiap eigenvalue kurang dari 1. Evaluasi matriks A m sebagai m → ∞. [Anda
dapat berasumsi bahwa jika | x| < 1 maka lim (xm) = 0.] m→∞
20. Biarkan A menjadi matriks diagonal dengan nilai eigen λ 1, λ2, ... dan λn.
Buktikan bahwa nilai eigen A m adalah (λ 1)m, (λ2)m, ... dan (λn)m.
21. Buktikan Teorema (7.16).
........................................................................................................................
BAGIAN 7.4 Diagonalisasi Matriks Simetris

● membuktikan sifat-sifat matriks simetris
● matriks simetris diagonal ortogonal
Pada bagian ini kami melanjutkan proses diagonalisasi. Diagonalisasi dijelaskan

pada bagian sebelumnya – kami menemukan matriks P yang diagonalisasi
matriks yang diberikan; ini memungkinkan kami untuk menemukan matriks D:
P−1AP = D di mana D adalah matriks diagonal.
Pengali kiri ini dengan P dan pengali kanan dengan P−1 memberikan
faktorisasi matriks A:
A = PDP−1
Matriks eigenvector P berisi eigenvectors dari A, dan D berisi eigenvalues dari

A.
Dari sini kami menyimpulkan (hasil (7.19)) bahwa kekuatan matriks A dapat
ditemukan dengan memfaktorkan Am menjadi tiga matriks:
533
A = PD P−
m m 1
Jika Anda ingin menemukan A 10 maka A 10 = PD 10P−1. Ini masih bisa
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 .
Apa itu matriks ortogonal?

Ini adalah matriks persegi yang kolomnya adalah vektor ortonormal (unit tegak lurus).
Pada bagian ini kita bertujuan untuk menemukan matriks diagonalisasi Q yang merupakan
matriks ortogonal. Matriks Eigenvector Q adalah matriks diagonalisasi yang terdiri dari penulisan
kolomnya sebagai eigenvectors dari matriks A yang diberikan.
Namun, ketika kita menemukan eigenvectors, mereka biasanya tidak tegak

lurus (ortogonal) satu sama lain. Pada bagian ini kita memperoleh eigenvectors
yang tegak lurus dan dinormalisasi. Kami bertujuan untuk mendapatkan
eigenvectors ortonormal (unit tegak lurus) sebagai kolom dari matriks
diagonalisasi. Setelah kita mencapai unit eigenvectors tegak lurus sebagai kolom
dari matriks diagonalisasi maka kita akan menemukan bekerja dengan matriks
diagonal bahkan lebih mudah daripada bagian sebelumnya. Kolom Q juga
merupakan dasar ortonormal untuk eigenspace Eλ. Ingat, basis ortonormal
(sumbu) adalah salah satu basis paling sederhana untuk dikerjakan.
Kami tidak dapat menjamin bahwa matriks diagonalisasi akan menjadi

matriks ortogonal. Namun, pada bagian ini kita akan menunjukkan bahwa
jika matriks yang diberikan simetris maka kita selalu dapat menemukan matriks
diagonalisasi ortogonal.
7.4.1 Matriks simetris

Dapatkah Anda mengingat apa itu matriks simetris?
533
Matriks persegi A adalah matriks simetris jika A T = A (A transpose sama dengan A).
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.
Mengapa matriks simetris penting?

Kami akan menunjukkan nanti di bagian ini bahwa semua matriks simetris dapat diagonal oleh
matriks ortogonal. Ini tidak berlaku untuk matriks non-simetris.
Contoh 7.23
−3 4
BiarS = S.
. Matriks diagonalisasi
4 3
e e
b b
u u
a a
h h
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
Apa yang u · v = 0 berarti?
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
(satuan) yang dinormalisasi dan u adalah norma (panjang) dari u.
Untuk eigenvector u berapa panjang u sama dengan?
u [oleh Pythagoras]
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
Vektor-vektor ini u dan v membentuk basis ortonormal (unit tegak lurus)

untuk R2.
Pada Contoh 7.23 di atas matriks diagonalisasi for= = A adalah P = (u v).
Namun, kita dapat menunjukkan bahwa matriks Q = (u v) juga diagonalisasi
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
tetapi memiliki panjang 1-lihat Gambar 7.11.

533
7.4.2 Matriks ortogonal
Matriks Q yang diagonalisasi A pada Contoh 7.24 di atas adalah matriks

ortogonal.
Dapatkah Anda mengingat apa itu matriks ortogonal?
Menurut bab 4 Definisi (4.18): Matriks persegi Q = ( v 1 v2 ... v n ) kolom-kolom yang v 1, v2, ... ,
vn adalah vektor ortonormal (unit tegak lurus) disebut matriks ortogonal.
Mengapa Q merupakan matriks ortogonal dalam Contoh 7.24 di atas?

Itu karena kolom Q = (u v) adalah vektor satuan tegak lurus, u dan v, seperti yang diilustrasikan
pada Gambar 7.11 di atas. = = = =
Kami menggunakan matriks ortogonal Q untuk diagonalisasi matriks A yang

diberikan. Salah satu aplikasi kritis diagonalisasi adalah evaluasi kekuatan
matriks, yang kami temukan di bagian sebelumnya dan diberikan oleh rumus
(7,19): A m = PDmP−1
533
Dari bab 4, Proposisi (4.20) kita memiliki: Jika Q adalah matriks ortogonal
maka Q−1 = Q T.
Dalam hal ini, matriks diagonalisasi adalah matriks ortogonal Q oleh karena
itu
Am = QD m Q−1 = QDm Q T"karena untuk matriks ortogonal Q −1 = QT#
Ini berarti bahwa menghitung kekuatan matriks bahkan lebih sederhana

karena kita tidak perlu mengevaluasi kebalikan dari matriks Q dengan beberapa
metode yang membosankan tetapi hanya mengubah urutan matriks Q. Ini
adalah keuntungan besar menggunakan matriks ortogonal untuk diagonalisasi
matriks karena
(7.20) A m = QDmQT
Evaluasi semua matriks di sisi kanan; Q, Dm dan QT, sangat mudah.
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... )
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
7.4.3 Sifat matriks simetris
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.
Proposisi (7.22). Biarkan A menjadi matriks simetris. Jika λ 1 dan λ2 adalah

nilai eigen yang berbeda dari matriks A maka eigenvectors u dan v yang
sesuai masing-masing adalah ortogonal (tegak lurus).

Kami menggunakan hasil produk titik dari bab 2:
u· v = u Tv, dan tunjukkan bahwa u · v = uTv = 0.
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
533
eigen yang berbeda λ 1 dan λ 2, matriks A skalar mengalikan masing-masing eigenvectors
dengan λ 1 dan λ 2 masing-masing:
Au = λ 1u dan Av = λ2v( ∗)
Mengambil transpose kedua sisi λ1u = Au memberi
(λ1u) T = (Au)T
λ 1 u T = u T A T"oleh (1.19) (b) kC T dan (d) ( AB) T = B T A T#
= u T A"karena A simetris oleh karena itu A T = A#
Mengalikan kanan baris terakhir λ1 u T = uTA dengan eigenvector v memberi
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
uTv = 0 yang berarti bahwa u · v = 0
Produk titik dari eigenvectors u dan v adalah nol, oleh karena itu mereka
ortogonal.
Kita dapat memperluas Proposisi (7.22) ke n nilai eigen yang berbeda:

533
Proposisi (7.23). Biarkan A menjadi matriks simetris dengan nilai eigen yang
berbeda λ 1, λ2, ... , λn dan eigenvectors yang sesuai v 1, v2, ... dan vn. Maka
eigenvectors ini bersifat ortogonal.
Dua contoh berikutnya menunjukkan penerapan Proposisi ini (7.23).
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
Biad, a dana menjadi eigenvectors milikL1 = − 1, L2 = 1 danL3 = 4 masing-masing. Kami

r a) r
(Mem r memiliki
verifil a a ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
kasi a b b 1 1 1
m d = ⎝ − 1⎠ ,a = ⎝ 1⎠ dana = ⎝ 1⎠
a 0 r −2 r 1
l a a
(Terus... )
a b b
m
d, a dan ar Apakah Ortogonal satu sama lain?
Bagaimana Kami memeriksa bahwa eigenvectors
a r surat
Kami perlu mengkonfirmasi bahwa produk a adalah
d · a = nol:
0, d · ar = 0 dan a · ar = 0.
l a ba r a a r a
⎛ ⎞ ⎛ a b⎞
1 1 l a l b a b
m ⎠ = a× b + a− ×
·
d a = ⎝ − 1 ⎠ · ⎝ 1 (1 1) (( 1) 1) (0 b× ( − 2)) = 0
+
a r 0 −2 m m
l a ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 1 1 1
a· b = ⎝ − ⎠ · ⎝ ⎠ =
d ar 1 1 0 dan a · ar = ⎝ 1 ⎠ · ⎝ 1 ⎠ = 0
m
a a 0 1 r a −2 1
l b a b
a
Demikian eigenvectors b (tegak lurus) satu sama lain.
d, a dan ar bersifat Ortogonal
m a r a
l a b
a b
m
533
7.4.4 Diagonalisasi ortogonal
Definisi (7.24). Secara umum, matriks A secara ortogonal diagonalizable jika

ada matriks ortogonal Q sedemikian rupa sehingga
Q−1 AQ = QTAQ = D di mana D adalah matriks diagonal.
Matriks eigenvektor Q berisi eigenvektor dari A dan matriks eigenvalue D

berisi nilai eigen dari A.
Dalam Contoh 7.23 dan 7.24 di atas, matriks A secara ortogonal

533
diagonalizable karena dengan Q kita memiliki Q

yang merupakan matriks diagonal.
Teorema (7.25). Biarkan A menjadi matriks persegi. Jika matriks A secara

ortogonal diagonalizable maka A adalah matriks simetris.

Kami berasumsi bahwa A secara ortogonal diagonal dan menyimpulkan bahwa A simetris, yang
AT
berarti bahwa kita perlu menunjukkan bahwa = A.
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 (†)
Mengambil transpose dari kedua sisi memberi
ATTDT QT"oleh ( ABC)T = C T B T A T#
DQ T dan D T = D#
karena Q bersifat ortogonal, Q T = Q−1#
= QDQ−1 "karena
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.
Sekarang kita akan menunjukkan bahwa sebaliknya juga benar.

Apa artinya ini?
Jika A adalah matriks simetris maka A secara ortogonal diagonalizable. Ini berarti bahwa
setidaknya ada satu jenis matriks, matriks simetris, yang dapat diagonal secara ortogonal.
Lemma (7.26). Jika A adalah matriks simetris nyata dengan nilai eigen λ dari
multiplisitas m maka λ memiliki m eigenvectors independen linier.
Bukti - Lihat <http://www.oup.co.uk/companion/singh>.
Teorema (7.27). Jika A adalah matriks simetris n dengan n maka A secara

ortogonal diagonal.
Bagaimana kita membuktikannya?
Kami mempertimbangkan dua kasus:
(i) A memiliki nilai eigen yang berbeda (ii) A tidak memiliki nilai eigen yang berbeda
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.
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.
Kasus (ii): Biarkan matriks simetris A memiliki nilai eigen λ dengan

multiplisitas m > 1. Dengan Lemma di atas (7,26) λ memiliki m eigenvectors
independen linier u 1, u2, ... dan um. Ini adalah dasar untuk eigenspace Eλ.
Dengan proses Gram–Schmidt kita dapat mengubah vektor m ini menjadi
vektor basis ortonormal untuk Eλ.
Kita dapat mengulangi proses ini untuk eigenvectors lain milik eigenvalues
dari A yang memiliki multiplisitas lebih dari 1.
Semua nilai eigen yang tersisa berbeda, sehingga eigenvectors bersifat

ortogonal.
Dengan demikian semua vektor bersifat ortogonal. Dengan mengulangi

prosedur yang diuraikan dalam kasus (i), kami menyimpulkan bahwa matriks A
dapat diagonal secara ortogonal.
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:
Teorema spektral (7,28). Matriks A dapat diagonal secara ortogonal ⇔ A adalah
matriks simetris.
Bukti – Dengan Teorema di atas (7.25) dan (7.27).
Ini berarti bahwa jika kita memiliki matriks simetris maka kita dapat
diagonalisasi secara ortogonal.
Ini adalah teorema spektral untuk matriks nyata.

533
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
533
7.4.5 Prosedur untuk diagonalisasi ortogonal
Kita dapat bekerja melalui prosedur untuk menemukan matriks ortogonal yang
diagonalisasi matriks yang diberikan.
Prosedur untuk diagonalisasi ortogonal dari matriks simetris A adalah sebagai

berikut:
1. Tentukan nilai eigen A.
2. Temukan eigenvectors yang sesuai.
3. Jika salah satu nilai eigen diulang maka periksa apakah eigenvectors terkait
adalah ortogonal. Jika mereka tidak ortogonal maka tempatkan mereka ke
dalam set ortogonal dengan menggunakan proses Gram-Schmidt yang
dijelaskan dalam bab 4.
4. Menormalkan semua eigenvectors.
5. Bentuk matriks ortogonal Q yang kolomnya adalah eigenvectors
ortonormal.
6. Periksa apakah QD = AQ, di mana D adalah matriks diagonal yang entrinya
di sepanjang diagonal terdepan adalah nilai eigen dari matriks A.
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
533
533
a = 3. Normalisasi berarti Kami membagi setiap Vektor dengan

Mengambil mau kuadrat Beri norma
(panjan): r Normandia
gnya ⎛ ⎞ a ⎛ ⎞ ⎛ ⎞
2 −2 −1
1 b
∗ 1 1⎝
q=1 = √ ⎝ 1 ⎠ , q=2 = √ ⎝ 4 ⎠ dan =a = 2⎠
5 0 3 5 3 −
5 r 2
a
Langka:
b
5 itu matriks Ortogonal Q sama
hApa
dengan? ⎛√ √ ⎞
2/ √ 5 − 2/3√ 5 − 1/3
=∗
Q = q=1 q2 =a = 1/ 5 4/3√ 5 2/3 ⎠
⎝
r 0 5/3 5 − 2/3
a
Langka:
b
h 6 QD = AQ, dimana
Periksa D adalah matriks Diagonal dengan Masuk pada Diagonal terdepan yang
S . diberikan oleh
Eigenvalues dari matriks
Apa itu D sama e
dengan? b⎛ ⎞
u 3 0 0 Eigenvalues dari matriks yang
D = a⎝ 0 3 0 ⎠
S adaL 1 = L 2 = 3 dan L 3 = − 6
diberikan
h 0 0 −6 e lah
b
u
a
s Ringkasan h
a (7.23).− 1 Secara umum,
Definisi S s diagonalisasi ortogonal jika ada
matriks matriks Ortogonal
Q Q AQ = QT AQ = D ,edimana
e D
adalah matriks
ysedemikia
Teorema Spektral b d
Diagonal.
u a ⇔ S adalah matriks
rupa S dapat didiagonalisasi secara
Matriks
ansehingg
(7.28).
e ortogonal an e simetris.
b hg b
a u u
a a
LATIHANh 7.4 h

Dalam latihan ini periksa jawaban numerik Anda menggunakan MATLAB.

1. Untuk matriks berikut temukan matriks ortogonal Q yang diagonalisasi
matriks yang diberikan. Periksa juga bahwa

533
matriks yang diberikan.
Periksa juga bahwa QTAQ =
D di mana D adalah matriks
diagonal.
DEKOMPOSISI NILAI TUNGGAL
547
matriks yang diberikan. Dengan menggunakan MATLAB atau periksa bahwa
QTAQ = D di mana D adalah matriks diagonal.

matriks yang diberikan. Dengan menggunakan MATLAB atau sebaliknya
periksa bahwa QTAQ = D.
⎛ ⎞
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.
8. Buktikan bahwa A O dapat diagonalis secara ortogonal dan

temukan matriks ortogonal Q yang diagonalisasi matriks A.
[Petunjuk: Jika kuadrat x2 + px + q = 0 memiliki akar a dan b maka a + b =
−p.]
9. Biarkan A menjadi matriks terbalik simetris. Jika Q secara ortogonal

diagonalisasi matriks A menunjukkan bahwa Q juga diagonalisasi matriks
A−1.
........................................................................................................................
547
BAGIAN 7.5 Dekomposisi Nilai Tunggal

● mengerti apa yang dimaksud dengan SVD
● Temukan faktorisasi rangkap tiga dari matriks apa pun
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.
Pertama, kita melihat signifikansi geometris dari faktorisasi SVD.
7.5.1 Interpretasi geometris dari dekomposisi

nilai tunggal (SVD)
Untuk menemukan SVD dari setiap matriks A kita menggunakan matriks A T A

karena A T A adalah matriks simetris, seperti yang akan kita tunjukkan nanti di
bagian ini. Ingat, matriks simetris dapat diagonal ortogonal.
Pertama kita mendefinisikan nilai tunggal dari matriks A.

547
Definisi (7.29). Biarkan A menjadi m dengan matriks n dan λ 1, λ2, ... , λn
menjadi nilai eigen dari A T A, maka nilai tunggal A dilambangkan dengan σ1,
σ2, ... , σn adalah angka-angkanya:
) ) )
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
547
Av1 = 3 u 1danAv 2 = u2
Apa artinya ini?

Artinya transformasi T : R 2 → R 2 yang diberikan oleh T (v) = Av mengubah vektor v 1
menjadi 3 kali vektor u1 ke arah yang sama. Vektor v 2 ditransformasikan di bawah matriks A ke
vektor yang sama, v 2 = u 2 (Gbr. 7.13).
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.
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
Sebenarnya vektor u 1 dan u 2 membentuk basis ortonormal (unit tegak

lurus) (sumbu) untuk ruang vektor kedatangan R 2, demikian pula v 1 dan v 2
membentuk basis ortonormal (sumbu) untuk ruang vektor awal R 2.
Eigenvectors u 1 dan u 2 memberi kita arah semi-sumbu dan nilai tunggal σ 1
dan σ2 memberi kita panjang semi-sumbu.
Apa yang kita maksud dengan semi-sumbu?
Kami mengilustrasikan semi-sumbu untuk elips pada Gambar 7.14.
Gambar 7.14
Kita dapat menulis Av 1 = 3 u 1 dan Av 2 = u2 dalam bentuk matriks sebagai
A (∗)
Jika kita membiarkan V = (v 1 v 2), U = (u 1 u2) dan D maka (∗ )

dapat ditulis sebagai
547
AV = UD (†)
Matriks U dan V bersifat ortogonal karena V = (v 1 v 2) dan U = (u 1 u 2 )
mengandung vektor ortonormal v 1, v 2, u 1 dan u 2 yang diilustrasikan di atas
Gambar 7.13.
Mengalikan kanan (†) dengan inversi V (ingat untuk matriks ortogonal V −1 =
V T) yaitu V T:
UDVT
=Saya
Oleh karena itu kami telah memfaktorkan matriks A = UDVT. Matriks A

dipecah menjadi matriks rangkap tiga dengan matriks diagonal D diapit di
antara dua matriks ortogonal U dan VT. Ini adalah dekomposisi nilai tunggal
(SVD) dari matriks A.
Perhatikan, kesamaan dengan diagonalisasi ortogonal dari bagian terakhir, A
= QDQT. Karena matriks A yang diberikan adalah matriks simetris, maka U = Q,
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.
7.5.2 Pengantar dekomposisi nilai tunggal (SVD)
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
547
m ≥ n untuk kenyamanan. Perhatikan bahwa hasil di bagian ini valid untuk
matriks A APA PUN.
Teorema dekomposisi nilai tunggal (7,30).
Kita dapat menguraikan matriks A yang diberikan dengan ukuran m dengan

n dengan nilai tunggal positif σ1 ≥ σ2 ≥ ··· ≥ σ k > 0 di mana k ≤ n, menjadi UDVT,
yaitu
A = UDVT
di mana U adalah matriks ortogonal m oleh m, D adalah matriks m oleh

n dan V adalah matriks ortogonal n oleh n . Nilai m (baris) dan n (kolom)
adalah ukuran matriks A yang diberikan.
Kami memiliki situasi yang ditunjukkan pada Gambar 7.15.
Gambar 7.15
Matriks D terlihat agak aneh tetapi merupakan matriks seperti diagonal.

Matriks D memiliki nilai tunggal positif σ1 ≥ σ 2 ≥ ··· ≥ σk > 0 dari matriks A mulai
dari sudut kiri atas matriks dan bekerja secara diagonal ke arah kanan bawah.
Simbol O mewakili matriks nol dengan ukuran yang sesuai. Matriks D berbentuk
(Gbr. 7.16).
S
1S
...
2
At
S
k
au
At At
au au
D=
m−k Baris n−k Kolom
Gambar 7.16
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 :
547
T "oleh (1.19) (d) (XY)T = Y T X T#
= ATA "oleh (1.19) (a)
Oleh karena itu A TA adalah matriks simetris.
Apa yang kita ketahui tentang diagonalisasi matriks simetris?

Dari bagian sebelumnya, kita memiliki teorema spektral (7.28):
Matriks A dapat diagonal secara ortogonal ⇔ A adalah matriks simetris.
Ini berarti bahwa kita dapat secara ortogonal diagonalisasi matriks A TA

karena itu adalah matriks simetris. Inilah sebabnya mengapa kami memeriksa
matriks A T A untuk tujuan menemukan SVD dari A.
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.
547
Matriks A mengubah eigenvectors dua dimensi v dan v
ke vektor tiga dimensi (masing-masing 1 1 −2)T dan (1 1 1) T . Transformasi ini
adalah T : R 2 → R 3, sehingga T(v) = Av di mana A adalah matriks 3 kali 2 yang
diberikan.
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
Transformasi lingkaran satuan pada Gambar 7.17(a) di bawah matriks A yang

diberikan adalah elips dua dimensi dalam ruang 3d R 3, tetapi tidak diilustrasikan
di atas karena keterbatasan perangkat lunak yang tersedia.
Karena A yang diberikan adalah matriks 3 kali 2, dengan menggunakan rumus

di atas (7,30) kita menemukan bahwa U adalah matriks 3 kali 3. Ini berarti
bahwa U = (u 1 u 2 u3).
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
1 1 [Ingat, untuk vektor ortogonal

⎛⎜⎝− 12 ⎞⎟⎠ · ⎛⎜⎝ 11 ⎞⎟⎠ ·
dan (tegak lurus), produk titiknya
x x
⎛⎜⎝ danz⎞⎟⎠ = 0 ⎛⎜⎝ yz⎞⎟⎠ = 0 nol]
Dalam bentuk matriks, dan penyelesaian dengan inspeksi, menghasilkan

547
memberi x = 1, y = −1 dan z = 0
T
Menormalkan vektor memberi u . Maka
Dalam
Perhatikan bahwa vektor kolom /u 1, u 2, u 3 0 dari matriks U adalah basis

(sumbu) untuk R3 (Gbr. 7.18).
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
547
7.5.3 Bukti dekomposisi nilai tunggal (SVD)
Dekomposisi nilai tunggal dapat diterapkan pada matriks A apa pun.
Proposisi (7.32). Biarkan v 1, v 2, ... , v k menjadi eigenvectors dari A TA

sedemikian rupa sehingga mereka termasuk dalam nilai eigen positif λ 1 ≥ λ 2 ≥
λ 3 ≥ ··· ≥ λ k > 0. Kemudian
(i) {untuk j = 1, 2, 3, ... , k} kita memiliki **Av j** = σ j di mana σ j = )λ j adalah

nilai tunggal dari A.
(ii) Av1, Av2, ... , Avk adalah sekumpulan vektor ortogonal.
Perhatikan, berikut ini:

(i) σ j memberikan ukuran vektor Av j, atau panjang semi-sumbu (uj) dari
elips.
547
(ii) Bagian ini berarti bahwa vektor ortogonal (tegak lurus) {v 1, v2, ... , vk}
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
dari 1 2 = dari1 · dari 1 = (dari 1)T dari 1"kota (2.4)u · v = uTv#
= v T 1 A T Av1"karena ( XY)T = Y T X T#
= v T 1 (λ 1 v 1) "λ 1 dan v 1 adalah e.values dan e.vectors dari A

T
A
jadi ATAv 1 = λ 1 v 1#
karena v 1 dinormalisasi jadi (v
Mengambil akar kuadrat dari hasil ini Av memberi

Arab
Demikian pula untuk j = 2, 3, ... , n kita memiliki **Av j** = σj. Ini melengkapi
bukti kami untuk bagian (i).
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
sewenang-wenang Av i dan Av j di mana i = j dalam himpunan adalah
ortogonal, yang berarti bahwa kami perlu menunjukkan bahwa Av i · Avj = 0:
Tidakaktif · Oleh j = (Avi)T Oleh j = vTi AT Oleh j
= v T i λ j v j"λ j dan v j adalah e.values dan e.vectors dari A TA
jadi AT Av j = λ j dalam j#
vi dan vj adalah ortogonal jadi
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
ortogonal satu sama lain.
Selanjutnya kami membuktikan hasil utama di bagian ini, yang dinyatakan di

atas dan juga diulang di sini:
Teorema Dekomposisi Nilai Tunggal (7,30).
Kita dapat menguraikan matriks A yang diberikan dengan ukuran m dengan

n dengan nilai tunggal positif σ1 ≥ σ2 ≥ ··· ≥ σ k > 0 di mana k ≤ n, menjadi UDVT,
yaitu
547
A = UDV T
di mana U adalah matriks ortogonal m oleh m, D adalah matriks m oleh n dan

V adalah matriks ortogonal n oleh n.
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)
Dari1, dari2, ... , olehk(∗)
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
u j =Av j untuk j = 2, 3, 4, ... , k

SJ
547
Vektor dalam S = {u 1, u 2, ... , uk} merupakan sekumpulan vektor ortonormal.
Kita perlu menghasilkan matriks U yang berukuran m per m. Jika k < m maka
vektor dalam himpunan ini S = {u 1, u2, ... , u k} adalah vektor k pertama dari
matriks U. Namun, kita membutuhkan vektor m karena
U = (dalam1 dari2 ··· u k u k +1 ··· dalamm )
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
U = (dalam1 dari2 ··· dalamm)
Mengalikan hasil di atas u j = σ 1 j Av j dengan σ j untuk j = 1, 2, 3, ... , k

memberi
σ j u j = Avj(†)
Nilai tunggal yang tersisa adalah nol, yaitu σ k+ 1 = σ k+2 = ··· = σ n = 0. Kami
punya
Av j = σ j u j = 0u j untuk j = k + 1, ... , n (††)
Mengumpulkan semua ini bersama-sama yang kita miliki
Dari 1 = σ 1 u 1, dari 2 = σ 2 u 2 , ... , Dari k = σ k u k, Dari k+1 = 0u k+1 , ... , Av n =

0u n
Dalam bentuk matriks yang kita miliki
AV v k vk V adalah matriks ortogonal n oleh n
Oleh k Darik
dan
547
Skalar σ1, σ2, ... di depan u dapat ditempatkan di matriks seperti diagonal D
dan vektor u ke dalam matriks U di atas .
Oleh karena itu derivasi di atas
AV = ( σ1in1 ··· σ k dalam k 0dalamk+1 ··· 0dalamn )
dapat ditulis sebagai:
S1 ⎞⎟⎟⎟⎟⎟⎠ ⎜⎜⎜⎜⎝⎜ ...
Ku K 0UK +1 ··· 0 dalam n = (dalam1dari 2U··· σk
=D
=UD = MATI
Karena T memberi kita hasil yang diperlukan V adalah matriks ortogonal

jadiUDVV−T 1 == VA T. . Mengalikan kanan kedua sisi UD = AV
oleh V
Proposisi (7.33). Biarkan A menjadi matriks m dengan n dengan faktorisasi
yang diberikan oleh A = UDVT . Biarkan matriks A memiliki k ≤ n nilai tunggal
positif. Maka kita memiliki yang berikut:
(a) Himpunan vektor {u 1, u 2, ... , uk} membentuk dasar ortonormal untuk ruang
kolom matriks A.
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
ruang nol matriks A.
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
1. Tentukan matriks U, D dan V sedemikian rupa sehingga A = UDVT untuk
hal-hal berikut: ⎛
⎞

3. Biarkan matriks A memiliki k nilai tunggal positif. Tunjukkan bahwa pangkat
matriks A adalah k. Petunjuk: Anda dapat menggunakan hasil berikut:
Jika matriks X tidak dapat dibalik maka rank(XA) = rank(A) dan rank(AX) =
rank(A).

5. Buktikan bahwa nilai tunggal σ 1, σ2, ... , σ n dari m oleh n matriks A adalah
unik.
547
6. Buktikan bahwa vektor kolom matriks ortogonal U dalam A = UDV T adalah
eigenvectors dari AAT.
7. Buktikan bahwa nilai tunggal A dan AT identik.

8. Biarkan T : R n → R m menjadi transformasi linier yang
diberikan oleh TAx, di mana A adalah matriks m oleh n . Biarkan
dekomposisi nilai tunggal A = UDV dengan k ≤ n nilai tunggal positif matriks
A. Buktikan hasil berikut:
(a) Himpunan vektor {u 1, u 2, ... , uk} membentuk dasar ortonormal untuk

kisaran T.
(b) Himpunan vektor /v k+1, v k+2 , ... , vn0 membentuk dasar ortonormal
untuk kernel T.
LATIHAN LAIN-LAIN7

Dalam latihan ini Anda dapat memeriksa jawaban numerik Anda

menggunakan MATLAB.
7.1. .
(a) Temukan semua nilai eigen A.
(b) Temukan matriks non-tunggal Q dan matriks diagonal D sedemikian
rupa sehingga Q−1 AQ = D (yaitu A = QDQ−1).

Membuktikan Sifat

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Membuktikan Sifat

Diunggah oleh

Hak Cipta:

Format Tersedia

PENGANTAR EIGENVALUES DAN EIGENVECTORS 493

BAGIAN 7.1 Pengantar Eigenvalues dan Eigenvectors

7.1.1 Definisi eigenvalues dan eigenvectors

Secara umum, ini dapat ditulis sebagai

(7.1) Au = λ u(matriks A skalar mengalikan vektor u)

di mana A adalah matriks persegi, u adalah vektor

Dapatkah Anda memikirkan vektor, u, yang memenuhi persamaan (7.1)?

dalam aljabar linier.

Jean d'Alembert 1717–1783 (Gbr. 7.2) adalah seorang matematikawan Prancis

7.1.2 Persamaan karakteristik

Dari rumus di atas (7.1) Au = λu kita miliki

[λ Iu = λu – mengalikan dengan identitas membuatnya tetap sama] di mana

Ax = O memiliki jumlah solusi yang tak terbatas ⇔ det(A) = 0.

ada jumlah solusi tak terbatas yang memenuhi persamaan ini) ⇔

(7.2) bahwa(A − λI) = 0

Prosedur untuk menentukan nilai eigen dan eigenvectors adalah:

Mari ikuti prosedur ini untuk contoh berikutnya.

Memplot eigenvectors ini, efek mengalikan dengan matriksS ditampilkan pada

(1 − λ)(−3 − λ) = − − (−1 + λ)(3 + λ) = (λ − 1)(3 + λ) [Karena − − = +]

itu( S − L S) = 0, kami menyamakan Semua hal di atas

terbatas dengan mengganti berbagai nilai non-nol dari s:

Periksa apakah matriks A melipatgandakan masing-masing eigenvectors ini dengan memverifikasi

ditunjukkan pada Gambar 7.4:

A(k u) == k(Au) menurut aturan matriks k(λu) oleh (7.1) Au

S u adalah eigenvector milik λ0

Bagaimana kita membuktikan himpunan yang diberikan adalah subruang dari

Ini berarti bahwa kita perlu menunjukkan:

S, seperti yang ditunjukkan pada Gambar 7.5.

Apa yang perlu kita buktikan?

A(k u) = λ(ku) dan A(c v) = λ(c v) ( ∗)

Kita perlu menunjukkan bahwa A(k u + c v) = λ(k u + cv):

A(k u++ c v)=== A(ku+)++ A(c v) menerapkan aturan matriks+

= λ(k u) + λ(c v) dengan yang di atas ( λ(k uc v )

Subruang S Proposisi ini (7.4)

S = {Ou adalah eigenvector milik = λ0

disebut eigenspace daridan dilambangkan dengan E λ, yaitu EλS .

E 2 dan E 3 menunjukkan ruang eigen yang diberikan oleh λ = 2 dan λ = 3 masing-masing.

V1.0000 = 0,6667 −1,0000 Membaca setiap kolom

1/2⎠ ⎛⎝ −1⎞⎠ ⎛⎝ 3/4 ⎞⎠

Jadi eigenvectors umum adalah

(Solusi singkat di akhir buku. Solusi lengkap tersedia di <http://www.oup.co.uk/

Dalam latihan ini Anda dapat memeriksa jawaban numerik Anda

1. Temukan nilai eigen dan eigenvektor tertentu dari matriks berikut:

3. Temukan nilai eigen dan eigenvektor dari A . Plot eigenspaces Eλ.

4. Temukan nilai eigen dan eigenvektor dari A . Nyatakan efek

6. Biarkan A menjadi matriks persegi dan B = r A, di mana r adalah bilangan

real. Buktikan bahwa jika λ adalah eigenvalue dari matriks A maka

eigenvalue dari B adalah rλ.

7. Buktikan bahwa matriks nol n × n, O , hanya memiliki nilai

8. Tentukan nilai eigen dan eigenvektor dari A . Dengan

BAGIAN 7.2 Properti Eigenvalues dan Eigenvectors

7.2.1 Beberapa nilai eigen

Apa persamaan karakteristik matriks persegi A?

mengambil λ sepanjang '

Mengevaluasi determinan matriks ini menghasilkan persamaan polinomial

Contoh polinomial p(λ) derajat 4 adalah

Contoh polinomial p(λ) derajat n adalah

333 λ n + 2 λ n−1 + ··· + 6 l 2 + l + 2,7 1828

Secara umum, kita dapat menulis polinomial p(λ) derajat n sebagai

p(λ) = c n λ n + c n−1 λ n−1 + ··· + c 1 λ + c0

di mana c adalah koefisien.

Berapa banyak akar yang dimiliki persamaan p(λ) = 0 ?

Contoh lainnya adalah: