Alin 5.2
Alin 5.2
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.
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:
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:
Dimana selanjutnya
A ( x + x ) =Ax + A x =0+0=0
' '
Dan
A ( kx )=kAx=k 0=0
Contoh:
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
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:
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
Teorema 5.2.4
(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:
5.4.1 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 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
v=k 1 v 1 +k 2 v 2 +…+ k n v n
Ruas kanan dari persamaan tersebut adalah kombinasi linear dari vector-vektor pada S,
kebebasan linear dari S mengimplikasikan bahwa
Contoh:
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
(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 .
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:
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 5.4.5
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 .
[ ]
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
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
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
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.
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.
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 .
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
Jika u dan v adalah vector-vektor di dalam sebuah ruang hasil kali dalam real, maka
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)
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)
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)
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‖
(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.
Jika u dan v adalah vector-vektor orthogonal di dalam sebuah ruang hasilkakali dalam, maka
2 2 2
‖u+ v‖ =‖u‖ +‖v‖
Bukti:
2 2 2 2 2
‖u+ v‖ =( u+v , u+v ) =‖u‖ + 2 ( u , v ) +‖v‖ =‖u‖ +‖v‖
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.
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
Teorema 6.2.5
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.
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.
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
‖u−w‖=‖u− proj W u‖
Sehingga projW u sebagai “aproksimasi terbaik” bagi u relative terhadap vector-vektor pada W.
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
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
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:
Teorema 6.4.3
Adalah ekuivalen.
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).