KELOMPOK 6

MATRIX Ihsanul Ahsan. B - D041181005

EIGENVA Nurul Hikmah - D041181015

Sakinah Indah Pratiwi - D041181037

LUE Miftahul Fahrina - D041181025

Risky Amalia Nur - D01181509
Amirul Mu’minin Parenrengi -
D041181311

Ummu Ainun Hafidzah - D041181347

Nurul Fauzan - D041181331
AGENDA
01 04
EIGENVALUE
ALGEBRAIC
MULTIPLICITY

02 05
GEOMETRIC
MULTIPLICITY
SIMILARITY
TRANSFORMATIONS

03 06
CHARACTERISTIC
POLYNOMIAL
INVARIANT SUBSPACE
01
EIGENVAL
UE
 Nilai eigen merupakan nilai karakteristik sebuah
matriks. Sederhananya, nilai eigen merupakan nilai
karakteristik dari suatu matriks bujur sangkar, serta dapat
juga diartikan sebagai nilai yang mempresentasikan suatu
matriks dalam perkalian dengan suatu vektor.
Secara umum, eigenvalues dan eigenvectors berguna  
karena dua alasan, satu algoritmik, dan fisik lainnya. Secara
algoritme, analisis nilai eigen dapat menyederhanakan
solusi dari masalah tertentu dengan mereduksi sistem yang
digabungkan menjadi kumpulan masalah skalar. Secara
fisik, analisis eigenvalue dapat memberikan wawasan
tentang perilaku sistem yang berkembang yang diatur oleh
persamaan linier.
Misal A adalah matriks n x n, maka vektor x yang tid
nol di Rn disebut vektor eigen (eigen vector) dari
jika Ax adalah kelipatan skalar dari x, yaitu Ax = λ
untuk suatu skalar λ. Skalar λ dinamakan nilai eige
(eigen value) dari A.
Jika matriks A = , dengan vektor x = adalah vekt
eigen dari matriks A, maka Ax adalah kelipatan dari
yaitu
Ax = = = 3 = 3x
 GEOMETRI

02
C
MULTIPLICI
TY
 Seperti yang dinyatakan sebelumnya, himpunan eigenvector yang sesuai dengan eigenvalue
tunggal, bersama dengan zero vektor, membentuk subspace dikenal sebagai eigenspace. Jika λ
adalah eigenvalue dari A, maka eigenspace yang sesuai dengan yaitu

 
Dimensi dapat diartikan sebagai jumlah maksimum yang bisa ditemukan dari eigenvektor linear
independen, semuanya dengan nilai eigen yang sama λ. Angka ini dikenal sebagai geometric
multiplicity dari λ. Geometric multiplicity juga dapat digambarkan sebagai dimensi dari
nullspace dari A-λI, karena nullspace itu adalah juga .
 CHARACTERI

03 STIC
POLYNOMIAL
 Characteristic polynomial A ϵ ₵mxm, dilambangkan dengan pA atau p saja, adalah derajat m polinomial. Theorema 1. λ
adalah nilai eigen dari A jika dan hanyajika pA (λ) = 0. Teorema 1 memiliki konsekuensi penting. Sekalipun matriks itu
nyata, beberapa nilai eigennya mungkin kompleks. Secara fisik, hal ini terkait dengan fenomena bahwa sistem dinamika
nyata dapat memiliki gerakan yang berosilasi serta tumbuh atau membusuk. Secara algoritme, ini berarti bahwa meskipun
masukan ke masalah nilai eigen matriks adalah nyata, keluarannya mungkin harus kompleks.
Untuk matriks besar atau sangat besar, mungkin sangat sulit untuk menentukan nilai eigen, karena umumnya, sulit untuk
menentukan akar-akar dari polinomial karakteristik dengan derajat yang lebih tinggi. Untuk menyelesaikan permasalahan
tersebut, perlu terlebih dahulu memahami persamaan pangkat tinggi dengan akar-akar bulat. Ketika didapatkan nilai-nilai
eigen dengan bilangan imajiner dari suatu matriks, maka matriks tersebut tidak memiliki nilai eigen. Karena definisi dari λ
adalah bilangan scalar atau bilangan real.
 ALGEBRAIC

04 MULTIPLICIT
Y
 
Dengan teorema dasar aljabar, kita bisa menuliskan pA dalam bentuk :

untuk beberapa nomor ϵ . Dengan Teorema 1, masing-masing j adalah eigenvalue dari A, dan semua
eigenvalue A muncul di suatu tempat dalam daftar ini. Secara umum, nilai eigen mungkin muncul
lebih dari sekali. Eigenvalue sederhana jika algebraic multiplicity adalah 1. 7

Characteristic polynomial memberi kita cara mudah untuk menghitung jumlah nilai eigen dari sebuah
matriks. Jika A ϵ ₵mxm, maka A memiliki eigenvalue m, dihitung dengan algebraic multiplicity.
Secara khusus, jika akar pA sederhana, maka A memiliki m eigenvalue berbeda. Perhatikan bahwa
secara khusus, setiap matriks memiliki setidaknya satu eigenvalue.
 SIMILARITY

05 TRANSFORMAT
IONS
Jika X ϵ ₵mxm nonsingular, maka peta A → X -1AX disebut similiarity transformation A. Kita katakan bahwa dua matriks
A dan B adalah serupa jika ada similiarity transformation yang menghubungkan satu dengan yang lain, yaitu jika terdapat X
ϵ ₵mxm nonsingular sehingga B = X -1AX. Seperti dijelaskan di atas dalam kasus khusus diagonalisasi (Teorema 2), setiap
similiarity transformation adalah perubahan operasi basis. Bukti bahwa characteristic polynomial cocok adalah perhitungan
langsung:

Dari kesepakatan characteristic polynomial, kesepakatan eigenvalue dan algebraic multiplicity mengikuti. Akhirnya, untuk
membuktikan bahwa algebraic multiplicity setuju, kita dapat memverifikasi bahwa jika Eλ adalah eigenspace untuk A,
maka X -1Eλ adalah eigen untuk X -1AX, dan sebaliknya. Oleh karena itu, Algebraic multiplicity dari λ sebagai eigenvalue
dari B setidaknya n. Karena transformasi kesamaan mempertahankan multiplisitas, hal yang sama berlaku untuk A.
06
INVARIANT
SUBSPACE
 Secara umum, kita tidak dapat mendiagonalisasi matriks dengan transformasi kesamaan kesatuan, tetapi
setidaknya kita dapat mengubahnya menjadi bentuk segitiga. Ini adalah dekomposisi Schur, alat yang berguna
yang memungkinkan kita menarik kesimpulan tentang kemampuan diagonalisasi matriks. Definisi (Matriks
segitiga). Misalkan n ϵ N dan L, R ϵ F nxn. Matriks R disebut segitiga atas jika,
 Contoh Soal 1
 Temukan dan gambarkan disk atau interval yang berisi nilai
eigen, serta temukan spektrumnya dan bandingkan.

Jika A = dari matrix. dari matrix. Karena A matrix 3 x 3, maka

ada 3 disk Gerschgorin.
Contoh Soal 1
Contoh Soal 2
 SPECTRAL RADIUS. Menentukan upper bound untuk radius spektral pada contoh soal 1.

Jika λ merupakan eigenvalue dari A. Maka

 Kesimpulan
1. λ adalah nilai-nilai eigen dari matriks A.
2. Sistem persamaan (λ I – A) x = 0 mempunyai penyelesaian tak trivial (non trivial).
3. Ada vektor x yang tidak nol dalam Rn sedemikian sehingga Ax = λx. ) λ adalah suatu penyelesaian real dari
persamaan karakteristik det (λ I–A) = 0
4. Ruang penyelesaian dari sistem persamaan linear (λ I – A) x = 0 atau (A - λ I) x = 0 dinamakan ruang eigen dari
matriks A yang berukuran n.

Nilai eigen pada umumnya memberikan cara mudah untuk mendapatkan solusi berbagai bidang keilmuan. Nilai eigen
diperlukan untuk memecahkan berbagai permasalahan dalam kehidupan sehari-hari, sehingga bisa dikatakan metode
dalam menemukan nilai eigen merupakan salah satu ilmu pengetahuan yang bisa digunakan untuk membantu
mempermudah kehidupan sehari-hari.
THANK
S