5.

2 SUBRUANG

Definisi

Suatu subhimpunan W dari suatu ruang vector V disebut subring (subspace) dari V jika W itu sendiri
merupakan suatu ruang vector di bawah operasi penjumlahan vector dan perkalian scalar yang
didefinisikan pada V.

Berdasarkan definisi, ruang vector harus dibuktikan menggunakan 10 aksioma ruang vector untuk
menunjukkan suatu himpunan W dengan penjumlahan dan perkalian scalar membentuk ruang vector.
Namun, jika W merupakan bagian dari suatu himpunan V yang lebih besar yang telah diketahui
merupakan suatu ruang vector, maka ada beberapa aksioma tertentu yang tidak perlu dibuktikan untuk
W karena telah “diturunkan” dari V. Sebagai salah satu contoh, pemeriksaan u+ v=v+u (Aksioma 2)
terhadap W.

Catatan :

W dinamakan Subruang (subspace) V jika W juga merupakan ruang vector yang tertutup terhadap
operasi penjumlahan dan perkalian dengan scalar.

Syarat W disebut subruang dari V adalah :

1. W ≠ {}
2. WV
3. Jika u , v ∈W maka u , v ∈W
4. Jika u ∈W dan k ∈ Real maka k u ∈W

Teorema 1.1

Misalkan W adalah himpunan bagian tak kosong dari ruang vector V. Himpunan W adalah subruang dari
V, jika dan hanya jika untuk setiap scalar k dan v , w ∈ W maka berlaku

v+ w ∈W dan kv ∈W
Jika kedua syarat tersebut terpenuhi ( v+ w ∈W dan kv ∈W ) maka W adalah subruang V.

Begitupun sebaliknya, jika salah satu atau keduanya tidak terpenuhi maka W bukan subruang dari V.

Teorema 1.2

Misalkan W adalah himpunan tak kosong dari ruang vector V. Himpunan W adalah subruang dari V jika
dan hanya jika untuk setiap scalar k dan v , w ∈ W maka berlaku

v+ kw ∈W
Contoh:

5.2.2 Ruang Solusi dari Sistem Homogen

Jika Ax = b adalah suatu system persamaan linear, maka untuk setiap vector x yang memenuhi
persamaan ini disebut sebagai vector solusi (solution vector).

Teorema 5.2.2

Jika Ax = 0 adalah suatu system linear homogeny yang terdiri dari m persamaan dengan n factor
yang tidak diketahui, maka himpunan vector solusi adalah suatu subruang dari Rn

Bukti teorema:

Misalkan W adalah himpunan vector solusi. Terdapat paling tidak satu vector pada W, yaitu 0.
Untuk menunjukkan W adalah tertutup terhadap penjumlahan vector dan perkalian scalar, maka
harus ditunjukkan bahwa x dan x ' adalah vector solusi sebarang dan k adalah scalar sebarang,
maka x + x' dan kx juga merupakan vector solusi. Jika x dan x ' adalah vector solusi, maka:

Ax=0 dan A x ' =0

Dimana selanjutnya

A ( x + x ) =Ax + A x =0+0=0
' '

Dan

A ( kx )=kAx=k 0=0

Yang membuktikan bahwa x + x' dan kx adalah vector solusi.

Contoh:

5.2.3 Kombinasi Linear

Definisi

Suatu vector w disebut suatu kombinasi linear (linear combination) dari vector-vektor
v1 , v 2 , … , v r jika dapat dinyatakan dalam bentuk

w=k 1 v1 + k 2 v 2+...+ k r v r

Dimana k 1 , k 2 , … , k r adalah skalar.

Catatan:

Jika r =1, maka persamaan dalam definisi tersebut akan tereduksi menjadi w=k 1 v1 ; yaitu w
adalah kombinasi linear dari suatu vector tunggal v1 jika w merupakan kelipatan scalar dari v1

Contoh:

5.2.4 Merentang (Spanning)

Definisi

Jika S={V 1 ,V 2 , … , V r } adalah suatu himpunan vector-vektor pada suatu ruang vector V, maka
subruang W dari V yang terdiri dari semua kombinasi linear vector-vektor pada S disebut
sebagai ruang yang direntang (space spanned) oleh V 1 ,V 2 , … , V r dan vector-vektor
V 1 ,V 2 , … , V r merentang (span) w . Untuk menyatakan bahwa W adalah ruang yang direntang
oleh vector-vektor pada himpunan S={V 1 ,V 2 , … , V r } maka ditulis

W =¿ rentang (S) atau W =¿ rentang {V 1 , V 2 ,… , V r }

Teorema 5.2.4

Jika V 1 ,V 2 , … , V r adalah vector-vektor pada suatu ruang vector V , maka:

(a) Himpunan W yang terdiri dari semua kombinasi linear V 1 ,V 2 , … , V r adalah suatu
subruang dari V .
(b) W adalah subruang terkecil dari V yang mengandung V 1 ,V 2 , … , V r yang berarti bahwa
setiap subruang lain dari V yang mengandung V 1 ,V 2 , … , V r pasti mengandung W .

Menurut teorema tersebut akan ditunjukkan bahwa jika menyusun suatu himpunan W yang
mengandung semua vector yang dapat dinyatakan sebagai kombinasi linear dari V 1 ,V 2 , … , V r
maka W akan membentuk subruang V .

Contoh:

5.4 BASIS DAN DIMENSI

5.4.1 Basis
Definisi

Jika V adalah sebarang ruang vector dan S={V 1 ,V 2 , … , V n } merupakan suatu himpunan
berhingga dari vector-vektor pada V , maka S disebut basis untuk V .

Jika kedua syarat berikut ini berlaku:

(a) Sbebas linear.

(b) Smerentang V

Teorema 5.4.1 (Keunikan Representasi Basis)

Jika S={V 1 ,V 2 , … , V n } adalah suatu basis dari ruang vector V , maka setiap vector v pada V
dapat dinyatakan dalam bentuk v=c 1 v 1+ c 2 v2 + …+ c n v n dengan tepat satu cara.

Teorema tersebut akan sangat membantu untuk memahami generalisasi ruang vector dari suatu
sitem koordinat pada ruang dimensi 2 dan ruang berdimensi 3 (basis).

Pembuktian Teorema:

Karena Smerentang V , maka menurut definisi suatu himpunan rentangan bahwa vector V dapat
dinyatakan sebagai suatu kombinasi linear dari vector-vektor pada S. Terdapat satu cara untuk
menyatakan suatu vector sebagai suatu kombinasi linear dari vector-vektor pada S, misalkan
beberapa vector v dapat ditulis sebagai berikut

v=c 1 v 1+ c 2 v2 + …+ c n v n

Dan juga sebagai

v=k 1 v 1 +k 2 v 2 +…+ k n v n

Dengan mengurangkan persamaan kedua dengan persamaan pertama maka

0=( c 1−k 1 ) v 1+ ( c 2−k 2 ) v 2+ …+(cn −k n ) v n

Ruas kanan dari persamaan tersebut adalah kombinasi linear dari vector-vektor pada S,
kebebasan linear dari S mengimplikasikan bahwa

c 1−k 1=0 , c 2−k 2=0 , … , c n−k n =0

Yaitu

c 1=k 1 , c 2=k 2 , … , c n=k n

Jadi,kedua pernyataan untuk v sama.

Contoh:

5.4.2 Koordinat-koordinat Relatif terhadap suatu Basis

Jika S={V 1 ,V 2 , … , V n } adalah basis ruang vector V ,dan

v=c 1 v 1+ c 2 v2 + …+ c n v n

Untuk suatu vector v dalam bentuk basis S, maka scalar c 1 , c2 , … , c n disebut koordinat v relative
terhadap basis S. Vector (c 1 , c2 , … , c n) pada Rn yang disusun dari koordinat-koordinat ini disebut
vector koordinat v relatif S (coordinate vector of v relative to S); yang dinotasikan sebagai
berikut

(v)s =(c1 , c 2 , … , c n)

Vector koordinat bukan hanya tergantung pada basis S akan tetapi juga pada urutan penulisan
vector basis. Perubahan urutan vector basis akan berakibat perubahan yang berkaitan dengan
urutan entri-entri pada vector koordinat.

Teorema 5.4.2

Misalkan V adalah suatu ruang vector berdimensi terhingga dan {V 1 , V 2 ,… , V n } merupakan

basis sebarang.

(a) Jika suatu himpunan mempunyai vector lebih dari n, maka himpunan tersebut tidak bebas
linear.
(b) Jika suatu himpunan mempunyai vector kurang dari n, maka himpunan tersebut tidak
merentang V .

Contoh 1 (Basis Standar untuk R3 )

Contoh 2 (Basis Standar untuk Rn )

5.4.3 Dimensi (definisi dimensi terhingga, tak terhingga, dan dimensi dari vektor berdimensi
terhingga)

Definisi

Suatu ruang vector tak-nol V disebut berdimensi terhingga (finite-dimensional) jika terdiri dari
himpunan terhingga {V 1 , V 2 ,… , V n } akan membentuk suatu basis. Jika tidak tardapat himpunan
seperti ini, V disebut sebagai berdimensi tak terhingga (infinite-dimensional). Selain itu,anggap
ruang vector nol sebagai terhingga.

Teorema 5.4.3

Semua basis untuk ruang vector berdimensi terhingga memiliki jumlah vector yang sama.

Dimensi dari ruang vector V yang berdimensi terhingga, dinotasikan dengan dim(V
),didefinisikan sebagai banyaknya vector-vektor pada suatu basis untuk V .

Ikuti aturan yang umum mengenai himpunan kosong sebagai basis untuk ruang vector nol. Hal
ini sesuai dengan pernyataan di atas, karena himpunan kosong tidak mempunyai vector dan
ruang vector nol mempunyai dimensi nol.

Contoh:

5.4.4 Beberapa Teorema Dasar

Pada subab ini ada beberapa teorema yang akan mengungkapkan hubungan yang tidak terlihat
antara konsep-konsep merentang,kebebasan linear,basis,dan dimensi. Teorema-teorema tersebut
bukan merupakan pekerjaan yang sia-sia dalam teori matematika akan tetapi teorema-teorema
tersebut sangat penting untuk memahami ruang-ruang vector,dan sebagian besar aplikasi praktis
dari aljabar linear yang disusun berdasarkan konsep tersebut.

Teorema 5.4.4 (Teorema Plus/Minus)

Misalkan S adalah himpunan tak-kosong vector-vektor pada ruang vector V .

 (a) Jika S adalah himpunan bebas linear, dan jika v adalah suatu vector pada V yang terletak
di luar rentang ( S), maka himpunan S ∪ {v } yang diperoleh dengan menyisipkan v ke
dalam S masih bersifat bebas linear.
(b) Jika v adalah suatu vector pada S yang dapat dinyatakan sebagai kombinasi linear dari
vector-vektor lainnya pada S, dan jika S−{v } menotasikan himpunan yang diperoleh
dengan mengeluarkan v dari S, maka S dan S−{v } merentang ruang yang sama; yaitu
rentang S=rentang(S−{ v })

Teorema 5.4.5

Jika V adalah suatu ruang vector berdimensi n, dan jika S adalah suatu himpunan pada V dengan
tepat n vector, maka S adalah basis untuk V jika salah satu dari hal berikut berlaku, S merentang
V atau S bebas linear.

Teorema 5.4.6

Misalkan S adalah suatu himpunan terhingga dari vector-vektor pada suatu ruang vector V
berdimensi terhingga.

(a) Jika S merentang V , tetapi bukan suatu basi untuk V , maka S dapat direduksi menjadi
suatu basis untuk V dengan mengeluarkan vector-vektor yang sesuai dari S.
(b) Jika S adalah suatu himpunan bebas linear yang belum merupakan basis untuk V , maka S
dapat diperbesar menjadi suatu basis untuk V dengan menyisipkan vector-vektor yang
sesuai ke dalam S.

Teorema 5.4.7

Jika W adalah suatu subruang dari suatu ruang vector V yang berdimensi terhingga, maka
dim ( W ) ≤ dim ⁡(V ). Jika dim ( W ) =dim ⁡(V ), maka W =V .

5.6 RANK DAN NULITAS

5.6.1 Rank dan Nulitas

Rank dan Nulitas Dimensi dari ruang baris dan kolom dari suatu matriks A disebut rank dari A
dan dinyatakan sebagai rank ( A) . Dimensi dari ruang nul dari A disebut sebagai nulitas dari A
dan dinyatakan sebagai nulitas ( A).

 Empat Ruang Matriks Dasar

Jika suatu matriks A dan transposny AT secara bersamaan, maka terdapat enam ruang
vector penting:
ruang baris A ruang baris dari AT
ruang kolom dari A ruang kolom dari AT
ruang nul dari A ruang nul dari AT
Dengan mentranspos suatu matriks akan mengubah vector-vektor barisnya menjadi
vector-vektor kolom dan mengubah vector-vektor kolomnya menjadi vector-vektor
baris,sehingga,kecuali,sehingga,perbedaan notasi,ruang baris AT adalah sama dengan
ruang kolom dari A ,dan ruang kolom AT adalah sama dengan ruang baris dari A .
Sehingga mempunyai empat ruang vector yang penting:
Ruang baris dari A ruang kolom dari A
Ruang nul dari A ruang nul dari A
Keempat ruang tersebut dikenal sebagai ruang matriks dasar (fundamental matrix
space).
 Ruang Baris dan Ruang Kolom yang Memiliki Dimensi Sama
Teorema 5.6.1
Jika A adalah suatu matriks sebarang, maka ruang baris dan ruang kolom dari A memiliki
dimensi yang sama.
Pada matriks dibawah ini yang kita ketahui bahwa ruang baris dan ruang kolom dari
matriks.

[ ]
1 −3 4 −3 2 5
2 −6 9 2 −2 8
A=
2 −6 9 6 3 9
−1 3 −4 2 4 −5
Dari matriks tersebut masing-masing mempunyai tiga vector bais, yang berarti keduanya
berdimensi tiga.
 Definisi
Dimensi umum dari ruang baris dan ruang kolom dari suatu matriks A disebut rank dari
A dan dinyatakan sebagai rank( A ); dimensi ruang nul dari A disebut sebagai nulitas
(nullity) dari A dan dinyatakan sebagai nulitas( A ).
Teorema 5.6.2
Jika A adalah suatu matriks sebarang, maka rank( A ) = rank( AT ).
Teorema 5.6.3 (Teorema Dimensi untuk Matriks)
Jika A adalah suatu matriks dengan n kolom, maka
rank ( A ) +nulitas ( A )=n
Teorema 5.6.4
Jika A adalah suatu matriks n × n, maka:
a. rank ( A ) = banyaknya variable utama pada solusi dari Ax = 0
b. nullitas( A) = banyaknya parameter pada solusi umum dari Ax = 0

5.6.2 Nilai Maksimal untuk Rank

Jika A merupakan suatu matriks m× n, maka vector-vektor barisnya terletak pada Rn dan vector-
vektor kolomnya terletak pada Rm . Ini mengimlplikasikan bahwa ruang baris dari A paling
banyak berdimensi n dan ruang kolom paling banyak berdimensi m. Karena ruang baris dan
ruang kolom mempunyai dimensi yang sama (rank dari A ), maka dapat disimpulkan bahwa jika
m≠ n , maka rank dari A yang paling banyak adalah nilai yang lebih kecil diantara nilai-nilai m
dan n . Dan dinotasikan sebagai berikut

rank ( A)≤ min(m , n)

Yang dimana min ⁡(m, n) menotasikan nilai yang lebih kecil diantara nilai m dan n Jika m≠ n ,
atau nilai yang sama jika m=n.

5.6.3 Sistem Linear Terdiri dari m Persamaan dengan n Faktor yang Tidak Diketahui

Teorema 5.6.3 (Teorema Konsistensi)

Jika Ax=b merupakan suatu system linear yang terdiri dari m persamaan dengan n factor yang
tidak diketahui, maka pernyataan-pernyataan berikut ini merupakan ekuivalen.

(a) Ax=b adalah konsisten

 (b) b berada pada ruang kolom dari A
(c) Matriks koefisien A dan matriks yang diperbesar [ A|b ¿ memiliki rank yang sama.

Teorema 5.6.4

Jika Ax=b adalah suatu system linear yang terdiri dari m persamaan dengan n factor yang tidak
diketahui, maka pernyataan-pernyataan berikut ini adalah ekuivalen.

(a) Ax=b adalah konsisten untuk setiap matriks b , m× 1.

(b) Vector-vektor kolom dari A merentang Rm
(c) rank ( A ) =m

Pada teorema konsistensi menekankan pada syarat-syarat di mana suatu system linear Ax=b
adalah konsisten untuk suatu vector b yang spesifik. Sedangkan pada teorema berikutnya
menekankan pada syarat-syarat di mana suatu system linear adalah konsisten untuk semua S
pilihan b .

5.6.4 Sistem Overdetermined dan Sistem Underdetermined

 Sitem Linear Oeverdetermined (overdetermined linear system)

Jika Ax=badalah system linear overdetermined yang terdiri dari m persamaan dengan n
factor yang tidak diketahui sehingga (m>n),maka kolom dari A tidak dapat merentang Rm
; untuk suatu matriks A , m× n tertentu, dengan m>n, system linear overdetermined
Ax=b tidak dapat konsisten untuk setiap b .
Teorema 5.6.4
Jika Ax=b merupakan suatu system linear konsisten yang terdiri dari m persamaan
dengan n factor yang tidak diketahui, dan jika A memiliki rank r, maka solusi umum dari
system tersebut terdiri dari n−r parameter.
Teorema 5.6.5
Jika A merupakan suatu matriks m× n, maka pernyataan-pernyataan berikut adalah
ekuivalen.
(a) Ax=0 hanya memiliki solusi trivial.
(b) Vector-vektor kolom A adalah bebas linear
(c) Ax=b mempunyai paling banyak satu solusi (tidak ada atau satu) untuk setiap
matriks b , m× 1.
  Sistem Linear Underdetermined (underdetermined linear system)
Jika Ax=b merupakan suatu system linear underdetermined konsisten yang terdiri dari m
persamaan dengan n factor yang tidak diketahui sehingga

6.2 SUDUT DAN ORTOGONALITAS DI DALAM RUANG HASILKALI DALAM

6.2.1 Ketidaksamaan Cauchy-Schwarz

Jika u dan v merupakan vector-vektro taknol di dalam R2 atau R3 dan θ adalah sudut di antara
keduanya, maka

u ∙ v=‖u‖‖v‖cosθ (1)

Atau alternatifnya,

u∙v
cosθ= (2)
‖u‖‖v‖

Dengan menggunakan rumus (2) apabila diterapkan pada R2 dan R3 yang memiliki hasil kali
dalam Euclidean. Oleh karena itu, mengenai sudut θ di antara dua vector taknol di dalam sebuah
ruang hasilkali dalam memenuhi hubungan.

(u , v )
cosθ= (3)
‖u‖‖v‖

Karena |cosθ|≤1 , maka rumus (3) tidak dapat memenuhi kecuali setiap pasangan vector taknol di
dalam sebuah ruang hasilkali dalam memenuhi ketidaksamaan

|‖ ‖‖ ‖|
(u , v)
u v
≤1

Teorema 6.2.1 (Ketidaksamaan Cauchy-Schwarz

Jika u dan v adalah vector-vektor di dalam sebuah ruang hasil kali dalam real, maka

|(u , v)|≤‖u‖‖v‖ (4)

Ketidaksamaan Cauchy-Schwarz dapat di tulis dalam dua bentuk alternative berikut ini:

(u , v )2 ≤ ( u , u ) (v , v ) (5)
 2 2
(u , v )2 ≤‖u‖ ‖v‖ (6)

Teorema 6.2.2 (Sifat-sifat Panjang)

Jika u dan v adalah vector-vektor di dalam sebuah ruang hasilkali dalam V, dan jika k adalah
scalar sebarang, maka

(a) ‖u‖ ≥0
(b) ‖u‖=0 jika dan hanya jika u=0
(c) ‖ku‖=|k|‖u‖
(d) ‖u+ v‖≤‖u‖+‖v‖(Ketidaksamaan segitiga)

Teorema 6.2.3 (Sifat-sifat Jarak)

Jika u,v, dan w adalah vector-vektor di dalam sebuah ruang hasilkali dalam V, dan jika k adalah
scalar sebarang, maka:

(a) d (u , v) ≥0
(b) d ( u , v )=0 jika dan hanya jika u=v
(c) d ( u , v )=d(v ,u)
(d) d ( u , v ) ≤ d ( u , w ) +d (w , v ) (Ketidaksamaan Segitiga)

6.2.2 Sudut di Antara Vektor-vektor

Misalkan u dan v adalah vector-vektor taknol di dalam sebuah ruang hasilkali dalam V. Apabila
2 2
kedua sisi rumus (6) di bagi dengan ‖u‖ ‖v‖ . Maka

[ ]
2
(u , v )
≤1
‖u‖‖v‖

Atau secara ekuivalen,

(u , v )
−1 ≤ ≤1 (7)
‖u‖‖v‖

Jika θ adalah sudut yang ukuran radiannya bervariasi dari 0 sampai π , maka cos θ akan
mempunyai nilai yang terletak di antara -1 dan 1, yang dimana nilai-nilai tersebut muncul tepat
satu kali.
Dengan demikian, dari (7) terdapat sebuah sudut θ yang unik sedemikian segingga,

(u , v )
cosθ= dan 0 ≤ θ ≤ π (8)
‖u‖‖v‖

Dimna θ sebagai sudut di antara u dan v (angle between u and v). (8) konsisten dengan rumus
umum untuk cosinus dari sudut di antara dua vector taknol.

6.2.3 Ortogonalitas

Definisi

Dua vector u dan v di dalam sebuah ruang hasilkali dalam dikatakan orthogonal jika (u,v) = 0.

Dari rumus (8) kita ketahui bahwa jika u dan v adalah vector-vektor taknol pada sebuah ruang
hasilkali dalam dan θ merupakan sudut di antara keduanya, maka cos θ = 0 jika dan hanya jika
π
(u,v) = 0. Secara ekuivalen, vector-vektor taknol akan memiliki sudut θ = , jika dan hanya jika
2
π
(u,v) = 0. Apabila sudut di antara u dan v adalah jika salah satu atau kedua vector ini adalah 0.
2
π
Maka sesuai dengan definisi di atas yang dapat dikatakan bahwa di antara u dan v adalah jika
2
dan hanya jika (u,v) = 0.

Teorema 6.2.3 (Generalisasi Teorema Pyhtagoras)

Jika u dan v adalah vector-vektor orthogonal di dalam sebuah ruang hasilkakali dalam, maka

2 2 2
‖u+ v‖ =‖u‖ +‖v‖

Bukti:

Ortogonalitas u dan v mengimplikasikan bahwa (u,v) = 0, maka

2 2 2 2 2
‖u+ v‖ =( u+v , u+v ) =‖u‖ + 2 ( u , v ) +‖v‖ =‖u‖ +‖v‖

6.2.4 Komplemen Ortogonal

Jika V merupakan sebuah bidang yang melalui titik asal dari R3 yang mempunyai hasilkali dalam
Euclidean, maka himpunan semua vector yang orthogonal terhadap setiap vector pada V yang
membentuk garis L yang melewati titik asal dan tegak lurus terhadap bidang V. Dalam
terminology aljabar linear mengatakan bahwa garis dan bidang V adalah komplemen orthogonal
satu sama lainnya.

Definisi

Misalkan W adalah sebuah subruang dari sebuah ruang hasilkali dalam V. Sebuah vector u pada
V dikatakan ortogonl terhadap W jika vector tersebut orthogonal terhadap setiap vector pada W,
dan himpunan semua vector di dalam V yang orthogonal terhadap W disebut sebagai komplemen
orthogonal dari W.

Teorema 6.2.4 (Sifat-sifat Komplemen Ortogonal)

Jika W adalah sebuah subruang dari suatu ruang hasilkali dalam berdimensi terhingga V, maka:
❑
a) W adalah ruang dariV
b) Satu-satunya vector yang merupakan milik bersama W dan W ❑ adalah 0
c) Komplemen orthogonal dari W ❑ adalah W; yaitu, (W ❑ ¿ ¿❑=W

6.2.5 Kaitan Geometrik Antara Ruang Nul dengan Ruang Basis

Teorema 6.2.5

Jika A adalah sebuah matriks m× n, maka

a) Ruang null dari A dan ruang baris dar A adalah komplemen-komplemen orthogonal di
dalam Rn dengan mengacu pada hasilkali dalam Euclidean.
b) Ruang null dari AT dan ruang kolom dari A adalah komplemen-komplemen orthogonal di
dalam Rm dengan mengacu pada hasilkali dalam Euclidean.

Teorema tesebut menguraikan kaitan geometric antara ruang null (nullspace) dengan ruang baris
sebuah matriks.

Teorema 6.2.6 (Pernyataan-pernyataan yang Ekuivalen)

 n n
Jika A adalah sebuah matriks m× n, dan jika T A :R → R adalah perkalian dengna A, maka
pernyatan-pernyataan berikut ini adalah Ekuivalen

a) A dapat dibalik
b) Ax=0 hanya memiliki solusi trivial
c) Bentuk eselon baris tereduksi dari A adalah I n
d) A dapat dinyatakan sebagai hasilkali dari matriks-matrks elementer.
e) Ax=b konsisten untuk setiap matriks b , n ×1
f) Ax=b memiliki tepat satu solusi untuk setiap matriks b , n ×1
g) det ⁡( A)≠ 0.
h) Range dari T A adalah Rn .
i) T A adalah satu ke Satu
j) Vektor-vektor kolom dari A bebas linear.
k) Vektor-vektor baris dari A bebas linear.
l) Vektor-vektor kolom dari A merentang Rn .
m) Vektor-vektor baris dari A merentang Rn .
n) Vektor-vektor kolom dari A membentuk basis untuk Rn.
o) Vektor-vektor baris dari A membentuk basis untuk Rn .
p) A memiliki rank n
q) A memiliki nullitas 0
r) Komplemen orthogonal ruang nul dari A adalah Rn
s) Komplemen orthogonal ruang nul dari A adalah {0}

Teorema tersebut dapat menghubungkan semua topik utama yang sejauh ini telah dipelajari.

6.4 APROKSIMASI TERBAIK; KUADRAT TERKECIL

6.4.1 Proyeksi Ortogonal Dipandang sebagai Aproksimasi

Jika P merupakan sebuah titik di dalam ruang berdimensi 3 biasa dan W adalah sebuah bidang
yang melewati titik asal ruang tersebut, maka titik Q pada W yang jaraknya terdekat dengan P
dapat diperoleh dengan memproyeksi P secara tegak lurus (Gambar 6.4.1)
Sehingga, jika u =⃗
OP , jarak antara P dan W diberikan oleh

‖u−ProjW u‖
Diantara semua vector w pada W, vector w = ProjW u meminimalkan jarak ‖u−w‖ (Gambar
6.4.1.b)

Perhatikan u sebagai sebuah vector tetap yang akan di aproksimasikan dengan menggunakan
sebuah vector W. Setiap vector w akan menghasilkan sebuah “vector kesalahan” (error vector).

u−w

Yang tidak dapat dijadikan sama dengan 0, kecuali jika u terletak pada W. Akan tetapi, dengan
memilih

w= projW u

Dapat menjadikan panjang vector kesalahan.

‖u−w‖=‖u− proj W u‖

Sehingga projW u sebagai “aproksimasi terbaik” bagi u relative terhadap vector-vektor pada W.

Teoreman 6.4.1 (Teorema Aproksimasi Terbaik)

Jika W adalah sebuah subruang berdimensi terhingga dari suatu ruang hasilkali dalam V, dan jika
u adalah sebuah vector pada V, maka projW u adalah aproksimasi terbaik (best approximation)
bagi u pada W, dalam pengertian bahwa

‖u− projW u‖<‖u−w‖

Untuk setiap vector w pada W yang bukan projW u

6.4.2 Solusi Kuadrat Terkecil

Masalah Kuadrat Terkecil.

Jika diberikan sebuah system linear Ax = b yang terdiri dari m persamaan dengan n factor yang
tidak diketahui, tentukan sebuah vector x, jika mungkin, yang meminimalkan nilai ‖ Ax−b‖
merujuk pada hasilkali dalam Euclidean pada Rm. Vector seperti ini di sebut sebagai solusi
kuadrat terkecil (least square solution)

Catatan

Asal mula istilah kuadrat terkecil (least square), diumpamakan bahwa e = Ax-b, yang dapat
dilihat sebagai vector kesalahan yang dihasilkan oleh aproksimasi terhadap x. Jika
e=( e1 , e2 , … , e m ) , maka sebuah solusi kuadrat terkecil akan meminimalkan
‖e‖=( e21 +e 22 +…+e 2m )1/ 2, dan oleh karena itu juga meminimalkan ‖e‖2=e 21+ e22 +…+ e2m sehingga
dari sinilah kuadrat terkecil muncul.

Gambar 6.4.2

Misalkan W adalah ruang kolom dari A. untuk setiap matriks x ,n × 1, hasilkali Ax adalah sebuah
kombinasi linear dari vector-vektor kolom A. Sehingga, dengan bervariasinya nilai x di dalam Rn
, vector Ax juga akan bervariasi pada berbagai kombinasi linear yang mungkin dari vector-vektor
kolom A; Ax bervariasi di seluruh ruang kolom W. Secara geometric, menyelesaikan persoalan
kuadrat terkecil berarti menentukan sebuah vector x pada Rn, sedemikian rupa sehingga Ax
merupakan vector terdekat ke b di dalam W.(Gambar 6.4.2)
Teorema 6.4.2

Untuk system linear sebarang Ax = b, system normal yang terkait

T T
A Ax= A b

Bersifat konsisten, dan semua solusi dari system normal adalah solusi kuadrat terkecil dari Ax =
b. Selanjutnya, jika W adalah ruang kolom dari A, dan x adalah solusi kuadrat terkecil sebarang
dari Ax = b, maka proyeksi orthogonal b pada W adalah

projW b= Ax

Untuk menurunkan teorema di atas dari fakta-fakta menegenai system normal sebagai berikut:

 Sistem normal melibatkan n persamaan dengan n faktor yang tidak di ketahui.

 Sistem normal bersifat konsisten, karena dipenuhi oleh sebuah solusi kuadrat
terkecil dari Ax = b.
 Sistem normal dapat memiliki jumlah solusi yang tak terhingga banyaknya,
Yang dalam kasus semacam ini semua solusi tersebut adalah solusi kuadrat
Terkecil dari Ax = b.

6.4.3 Keunikan Solusi Kuadrat Terkecil

Teorema 6.4.3

Jika A adalah sebuah matriks m× n, maka pernyataan-pernyataan berikut ini

Adalah ekuivalen.

(a) A memliki vector-vektor kolom yang bebas lianer.

(b) AT A dapat di balik.

Teorema di atas dibutuhkan untuk menetapkan syarat-syarat yang menjamin suatu system linear
yang memiliki sebuah solusi kuadrat kecil yang unik.

Teorema 6.4.4
Jika A adalah sebuah matriks m× n yang memiliki vector-vektor kolom yang bebas linear, maka
untuk setiap matriks b , m× 1, system linear Ax = b memiliki sebuah solusi kuadrat terkecil yang
unik. Solusi ini diberikan oleh

x=(A T A)−1 A T b

Selanjutnya, jika W adalah ruang kolom dari A, maka proyeksi orthogonal b pada W adalah

T −1 T
projW b= Ax= A ( A A) A b

Definisi

Jika W adalah sebuah subruang dari Rm, maka transformasi P: Rm →W yang memetakan setiap
vector x pada Rm menjadi proyeksi ortogonalnya projW x pada W disebut sebagai Proyeksi
Ortogonal Rm pada W (Orthogonal projection of Rm on W).