Upload
rany-euracia-cieedira
View
214
Download
1
Embed Size (px)
DESCRIPTION
aljabar linier
Citation preview
APROKSIMASI EIGENVALUE DOMINAN
Definisi 1:
Sebuah eigenvalue dari sebuah matriks A disebut eigenvalue dominant dari A jika
nilai mutlaknya lebih besar dari mutlak eigenvalue – eigenvalue yang lainnya.
Sebuah eigenvalue yang bersesuaian dengan eigenvektor dominan dari A.
Contoh 1 :
Jika matriks A4x4 mempunyai eigenvalue – eigenvalue λ=−4. λ=−2 , λ=−2 , λ=2maka
λ=−4 adalah eigenvalue dominant sebab |−4|>|3|;|−4|>|−2|dan|−4|>|2|
Contoh 2.
Matriks A3x3 dengan eigenvalue λ=7 , λ=−7 , λ=−2 , λ=2 tidak mempunyai eigenvalue
dominant.
Misalkan A adalah sebuah matriks n x n yang diagonalazble dengan sebuah eigenvektor
dominan. Akan ditunjukkan bahwa jika x0 adalah sebuah vektor sebarang yang tidak nol
dalam Rn maka vektor Apx0 ....(*) umumnya adalah sebuah aproksimal yang baik untuk
sebuah eigenvektor dominan A dimana eksponen padalah besar.
Contoh:
Matriks:
A = [ 3 2−1 0 ] mempunyai eigenvalue λ = 2, λ=1
Ruang eigen yang berkaitan dengan eigenvalue dominan λ=2. Adalah ruang penyelesaian
dari sistem:
(2 I−A ) x=0
(2[1 00 1]−[ 3 2
−1 0])[ x1
x2]=[00 ]
[−1 −21 2 ] [x1
x2]=¿ [00]
Penyelesaian dari sistem ini menghasilkan x1=−2 t dan x2=t
Jadi eigenvektor yang berkaitan dengan λ=2 , adalah vektor tidak nol dari bentuk
x=[−2tt ]………….¿
Sekarang kita melukiskan prosedur dengan menggunakan (**) untuk mengaproksimasi
eigenvektor dominan dari A. Kita mulai dengan mengambil sebarang vektor.
x0=[11]Perhatikan berulang x0 dengan A menghasilkan:
A x0=¿ [ 3 2−1 0] [11]=[ 5
−1]A2 x0=A ( A x0 )=[ 3 2
−1 0] [ 5−1]=[ 13
−5]=5 [2,6−1]
A3 x0=A (A2 x0 )=[ 3 2−1 0][ 13
−5]=[ 29−13]=13[2,23
−1 ]A4 x0=A (A3 x0)=[ 3 2
−1 0] [ 29−13 ]=[ 61
−29]≈29[2,10−1 ]
A5 x0=A (A4 x0)=[ 3 2−1 0] [ 61
−29]=[ 125−61]≈61[2,05
−1 ]A6 x0=A (A5 x0 )=[ 3 2
−1 0][ 125−61]=[ 235
−125]≈125 [2,02−1 ]
A7 x0=A (A6 x0 )=[ 3 2−1 0][ 235
−125]=[ 509−253 ]≈253 [2,01
−1 ]
Pada akhir tiap – tiap perhitungan dapat dilihat bahwa itu adalah perkalian suatu skalar
dengan suatu vektor.Perhatikan vektor – vektor dari perkalian skalar diatas dibandingkan
dengan bentuk x = [ 2 t−1] dengan mengambil t = 1 atau x=[ 2
−1] maka perhitungan –
perhitungan dengan langkah – langkah di atas tadi adalah menghasilkan aproksimasi untuk
eigenvektor dominan dari A.
Perhatikan:
x=[ 2−1] adalah sebuah eigenvektor dominan dari A, dan perkalian skalar dari eigenvektor
dominan adalah eigenvektor dominan juga. Sekarang akan kita tunjukkan bagaimana
mengaprosimasi eigenvalue dominan jika suatu aproksimasi eigenvektor dominan diketahui.
Misalkan λ adalah eigenvalue dari matriks A dan x eigenvektor yang berkaitan
dengan eigenvalue tersebut. Jika ⟨ ⟩ menyatakan euclidean innerproduct maka berdasarkan
sifat – sifat yang dituliskan:
⟨ x , Ax ⟩⟨ x , x ⟩
=⟨ x , λx ⟩⟨ x , x ⟩
=λ ⟨ x , x ⟩⟨ x , x ⟩
= λ
Jadi jika x adalah eigenvektor hasil aproksimasi, maka eigenvalue dominan λ1 dapat
ditentukan dengan aproksimasi.
λ≈⟨ x , Ax ⟩⟨ x , x ⟩
Perbandingan ini disebut Rayleigh Ouotient
Contoh:
Pada contoh 3 sebelumnya didapat x = [ 509−253] sebuah eigenvektor dominan. Hasil
aproksimasi,
A x=[ 3 2−1 0] [ 509
−253 ]=[ 1021−509]
Substitusikan pada (***) didapat:
λ≈⟨ x , Ax ⟩⟨ x , x ⟩
=509 (1021 )+(−253 )−509509 (509 )+ (−253 ) (−253 )
=2,007
Iniadalah aproksimal yang baik untuk dominan λ1=2.
Teknik pengujian dalam contoh diatas tadi untuk aproksimasi eigenvalue dan
eigenvektor dominan sering disebut metode power atau metode pengulangan .
Dalam contoh di atas metode power itu seringkali menghasilkan vektor – vektor yang
mempunyai komponen – komponen besar dan kurang baik. Untuk memperbaiki masalah ini
biasanya digunakan aproksimasi eigenvektor dengan “scaledown”. Dimana pada setiap
langkah dikerjakan sedemikian sehingga komponen terletak antara +1 dan -1. Ini dapat
dicapai denganmengalikan eigenvektor hasil aproksimasi dengan kebalikan dari
komponennya yang mempunyai nilai mutlak besar.
Sebagai gambaran pada langkah pertama dari contoh tadi, aproksimasi dari eigenvektor
adalah:
[ 5−1]
Komponen dapat nilai mutlak terbesar adalah 5, jadi “scaledown” eigenvektor adalah:
15 [ 5
−1]=[ 1−0,2]
Sekarang kita ringkasan langkah – langkah dalam metode power dengan “scaling”.
Langkah 0: Ambil vektor tidak nol x0
Langkah 1: Hitunglah A x0 dan scaledown menghasilkan aproksimasi pertama untuk
eigenvektor dominan. Sebuah ini nilai x1
Langkah 2: hitunglah A x1 dan scaledown menghasilkan aproksimasi kedua x2
https://www.academia.edu/6524370/Aplikasi_Graf_Dalam_Permainan_Catur
http://sinjai-220456.blogspot.com/2014_03_01_archive.html