PENDAHULUAN
Dalam Aljabar Linear, Nilai Eigen adalah nilai karakteristik dari suatu matriks berukuran
n.xn, sementara Vektor Eigen adalah vektor kolom bukan nol bila di kalikan dengan suatu
matriks yang berukuran n x n akang menghasilkan vektor lain yang memiliki nilai kelipatan
dari vektor eigen itu sendiri . secara Geometris, vektor eigen, yang bersesuaian dengan nilai
eigen bukan nol nyata, menunjukan ke arah di mana ia di gerakan oleh transformasi dan nilai
eigen adalah faktor yang denganya ia di regangkan . Jika nilai eigen negatif, arahnya terbalik.
Secara longgar, dalam ruang vektor multidimensi, vektor eigen tidak diputar. Namun, dalam
ruang vektor satu dimensi, konsep rotasi tidak ada artinya.
jika A adalah matriks n x n maka vektor tidak - nol x di Rⁿ di sebut vektor eigen dari
A jika Ax sama dengan perkalian suatu saklar λ dengan x, yaitu
Ax = λ x
Skalar λ disebut nilai eigen dari A dan x di namakan vektor eigen yang
berekorespenden dengan λ .
Kata “eigen berasal dari bahasa jerman yang artinya “asli” atau karakteristik, dengan
kata lain nilai eigen menyatakan nilaio karakteristik dari sebuah matriks yang
berukuran n x n.
Vektor eigen x menyatakan matriks kolom yang apabila di kalikan dengan sebuah
matriks n x n menghasilkan vektor lain yang merupakan kelipatan vektor itu sendiri .
Ax=
[ 38 −10 ][ 12]=[ 36]=3 x
Diberikan sebuah matriks A berukuran n x n. Vektor eigen dan nilai eigen dari matriks
A di hitung sebagai berikut :
Ax = λx
/Ax = λ /x
(Ax = λ /x
( kalikan kedua ruas dengan I = matriks identitas )
x = 0 adalah solusi trivial dari ( λ Ι – A ) = 0
det ( λI − A ¿=0
[ ]
x= x 1
x2
Contoh 1:
1
[]
Vector x= adalah vekror eigen dari
2
A= [ 38 −10 ]
Yang bersesuain dengan λ=3 karena
Dalam banyak penerapan, mengetahui apakah suatu matriks kuadrat atau matriks persegi
dapat didiagonalisasi merupakan hal yang penting, misalnya untuk menghitung pangkat suatu
matriks yang besar.
Diketahui matriks kuadrat A, apakah terdapat matriks P yang dapat dibalik sehingga P−1
Ap diagonal
Defenisi
Matriks kuadrat A di katakan dapat didiagonisasi, jika terdapat matriks P yang dapat di balik
Teorema
Jika A adalah matriks n x n maka pernyataan-pernyataan berikut ekivalen satu sama lain
1. A dapat didiagonalisasi
Membentuk sebuah basis untuk ruang eigen yang bersesuain dengan λ=5, dan
Adalah sebuah basis untuk ruang eigen yang bersesuian dengan λ = 1. Dengan mudah dan
dapat memriksa bahwa {p1,p2,,p3} bebas linear, sehingga
Tidak ada urutan yang diistimewakan untuk kolom-kolom P. Karena entri diagonal ke-i
dari P−1AP adalah nilai eigen untuk vektor kolom ke-i dari P, maka dengan mengubah urutan
kolom-kolom P hanyalah mengubah urutan nilai-nilai eigen pada diagonal P−1AP. Jadi,
seandainya kita tuliskan
di dalam contoh terakhir maka kita memperoleh.
Latihan 1
Misalnya jika
A
[ ]
3 0
0 3
dapat diperoleh dengan mentransposkan. Dengan kata lain, sebuah matriks persegi P
Jika A adalah matriks n x n, maka pernyataan berikut ekivalen satu sama lain.
sehingga nilai-nilai eigen adalah λ=4 , λ=1 , dan λ=2, dimana λ=4 dan λ=1di ulangi dua
kali dan λ=2 terjadi sekali, jadi ruang-ruang eigen yang bersesuian dengan λ=2 adalahruang
berdimensi 1.
Latihan 1
Pembahasan :
Persamaan karakteristik A adalah
membentuk basis untuk ruang eigen yang bersesuain dengan λ=2. Dengan menerapkan
proses Gramm-Schmidt terhadap {{υ 1 ,υ 2} akan menghasilkan vektor-vektor eigen
ortonormal.
Sebagai basis. Dengan menerapkan proses Gramm-Schmidt terhadap {u3} maka akan
menghasilkan
Akhirnya, dengan menggunakan v1,v2,, dan v3 sebagai vektor-vektor kolom maka kita
dapatkan
https://informatika.stei.itb.ac.id/~rinaldi.munir/AljabarGeometri/2020-2021/Algeo-18-Nilai-
Eigen-dan-Vektor-Eigen-Bagian1.pdf
https://jagostat.com/aljabar-linear/diagonalisasi-ortogonal-matriks
jagostat.com pertama kali diindeks oleh Google pada July 2020