Upload
faqihudinmubarok
View
232
Download
0
Embed Size (px)
Citation preview
7/25/2019 Modul5_Nilai_Eigen
1/20
MODUL V
EIGENVALUE DAN EIGENVEKTOR
5.1. Pendahuluan
Biasanya jika suatu matriksAberukuran mxm danxsuatu vektor pada Rm, tidak
ada hubungan antara vektorxdan vektorAx. Tetapi seringkali kita menemukan suatu
vektor tak nol x tertentu sedemikian hingga x dan Axmerupakan pergandaan satu
sama lain dan berlakuAx=xdengan Amatrik berukuran m x m dan suatu skalar.
Kejadian inilah yang dinamakan nilai eigen dan vektor eigen (eigenvalue dan
eigenvektor) dan merupakan kejadian yang sering dijumpai dalam matriks.
Eigenvalue dan eigenvektor secara implisit dinyatakan sebagai fungsi elemen-elemen
dari sebuah matriks bujur sangkar (square matrix).
Modul ini, erat kaitannya dengan materi-materi determinan dan ruang vektor .
Dalam modul ini akan dipelajari bagaimana mendapatkan eigenvalue dan
eigenvektor dari suatu matriks bujur sangkar dan sifat-sifatnya serta penerapannya
dalam diagonalisasi.
Pada banyak aplikasi yang mengikutsertakan analisa matriks bujur sangkar,
informasi kunci dari analisa didapatkan dari eigenvalue dan eigenvektor ini. Sebagai
contoh dalam penentuan penguraian nilai singular dan penguraian spektral, dimana
aplikasi ini banyak dipakai dalam pemodelan.
5.2. Eigenvalue, Eigenvektor, dan Eigenspace (Ruang Eigen)
Definisi 5.1 (Eigenvalue dan Eigen vekor )
JikaAadalah matriks mx m, maka setiap skalar memenuhi persamaan
xAx (5.1)
untuk m1 vektor x 0, disebut eigenvalue dari A. Vektor xdisebut eigenvektor
dari Ayang berhubungan dengan eigenvalue , dan persamaan (5.1) diatas disebut
persamaan eigenvalue-eigenvektor A. Kadang-kadang eigenvalue dan eigenvektor
juga dinyatakan sebagai (latents root and vectors)atau karekteristik roots dan vektor.
Persamaan (5.1) dapat juga dituliskan sebagai
0 xA (5.2)
Setiap nilai eigenvalue harus memenuhi persamaan determinan,
0 A (5.3)
7/25/2019 Modul5_Nilai_Eigen
2/20
7/25/2019 Modul5_Nilai_Eigen
3/20
109
A =
544
324
335
=)5)(4(3)5)(4(3)2)(4(3
)3(4)4(3)2()5( 222
= 10178 23
= 0125
Jadi, dari hasil di atas diperoleh tiga eigenvalueA, yaitu : 1=5 , 2= 2 dan 3=1
Untuk mendapatkan eigenvektor A yang bersesuaian dengan 1 = 5, kita
harus menyelesaikan persamaan Ax=5x, sedemikian hingga diperoleh sistem
persamaan sebagai berikut,
1 1
2 2
3 3
5 3 3
4 2 3 5
4 4 5
x x
x x
x x
yang ekuivalen dengan persamaan-persamaan :
3321
2321
1321
5544
5324
5335
xxxx
xxxx
xxxx
atau
2 3
1 3 2
1 2
( )
4 3 7 ( )
( )
x x a
x x x b
x x c
Dari persamaan (a), misal jika kita ambilx2= 1 makax3= 1,
sehingga dengan persamaan (c) diperoleh dan x1=1 .
Sehingga eigenvektor dariA yang bersesuaian dengan 1= 5 adalah x = (1, 1, 1)T.
Dari persamaanx2= x3danx1=x2, anda dapat mengambil sembarang x2yang lain,
pasti akan memenuhi persamaan tersebut. Dari hal ini dapat dikatakan bahwa
eigenvektor tidak tunggal.
Dengan cara yang sama, sekarang untuk 2= 2, kita harus menyelesaikan persamaan
Ax=2x, sedemikian hingga diperoleh sistem persamaan sebagai berikut,
7/25/2019 Modul5_Nilai_Eigen
4/20
110
1 2 3 1
1 2 3 2
1 2 3 3
5 3 3 2
4 2 3 2
4 4 5 2
x x x x
x x x x
x x x x
Dari persamaan diatas kita peroleh :
2 3 1
1 3 2
1 2 3
3 3 7
4 3 4
4 4 7
x x x
x x x
x x x
Akan terpenuhi jikax1=1 ,x2= 1 makax3= 0 . Sehingga eigenvektor dariA yang
bersesuaian dengan 2= 2 adalahx = (1, 1, 0)T.
Dan untuk 3 = 1, kita harus menyelesaikan persamaan Ax=x, sedemikian hingga
diperoleh sistem persamaan sebagai berikut,
1 2 3 1
1 2 3 2
1 2 3 3
5 3 3
4 2 3
4 4 5
x x x x
x x x x
x x x x
Dari persamaan diatas kita peroleh :
2 3 1
1 3 2
1 2 3
3 3 4
4 3 3
4 4 4
x x x
x x x
x x x
Akan terpenuhi jikax1=0 ,x2= 1 makax3= 1 . Sehingga eigenvektor dariA yang
bersesuaian dengan 3= 1 adalahx = (0, 1, 1)T.
Dari ketiga eigenvektor tersebut kita dapatkan eigenvektor yang ternormalisasi :
Panjang eigenvektor yang bersesuaian dengan 1= 5 adalah :
2 2 21 1 1 3
Panjang eigenvektor yang bersesuaian dengan 2= 2 adalah :
2 21 1 0 2
Panjang eigenvektor yang bersesuaian dengan 3= 1 adalah :
2 20 1 1 2
Sehinga eigenvektor yang ternormalisasi yang berhubungan dengan eigenvalue 5,2,1.
:
1/ 3, 1/ 3, 1/ 3 , 1/ 2, 1/ 2, 0 , 0, 1/ 2, 1/ 2T T T
7/25/2019 Modul5_Nilai_Eigen
5/20
111
Eigenvektor ternormalisasi akan tunggal, kecuali untuk tandanya saja,
sehingga nilai eigenvektor tersebut kita kalikan dengan -1 juga merupakan
eigenvektor yang lain.
Eigenvalue dan eigenvektor mempunyai interpretasi geometri yang
sederhana, misalnya jika merupakan eigenvalue dari matriks A yang bersesuaian
dengan eigenvektor x. Vektor Ax merupakan perkalian skalar dari x dengan
eigenvalue nya, sehingga panjang dari vektor Ax x . Tanda plus minus
tergantung kepada tanda dari .
Contoh 5.2.
Dari matriks segitiga atas, tentukan eigenvalue dan eigenvektornya
11 12 13 14
22 23 24
33 34
44
0
0 0
0 0 0
a a a a
a a a
a a
a
Jawab :
Dengan mengingat bahwa determinan dari matriks segitiga adalah perkalian diagonal
utama maka kita dapatkan :
11 12 13 14
22 23 24
11 22 33 44
33 34
44
0( )( )( )( )
0 0
0 0 0
a a a a
a a aA I a a a a
a a
a
Sehingga persamaan karakteristiknya adalah :
11 22 33 44( )( )( )( ) 0a a a a
dan diperoleh eigenvalue nya adalah :
11 22 33 44; ;a a a dan a yang merupakan elemen-elemen diagonal
utama dariA.
Teorema 5.1 :
7/25/2019 Modul5_Nilai_Eigen
6/20
112
Jika Aadalah suatu matriks segitiga (segitiga atas atau segitiga bawah atau matriks
diagonal) berukuran m x m, maka eigenvalue dari Aadalah elemen-elemen diagonal
utama dariA.
Contoh 5.3.
Tentukan eigenvalue dan eigenvektornya dari matriks berikut :
12
23
48
0 0
1 0
5 8
A
Jawab :
Berdasarkan teorema 6.1, diatas dengan mudah dapat kita tentukan eigenvalue dari
matriksAyaitu 1 2 12 3 4; dan
Pada prakteknya eigenvalue dan eigenvektor dari suatu matriks tidak selalu
bernilai real, kadang suatu matriks mempunyai eigenvalue dan eigenvektor bilangan
komplek.
Perhatikan contoh berikut :
Contoh 5.4.
Perhatikan pada matriks 2 2 berikut,
1 1
2 1A
Tentukan persamaan karekteristik, dan tentukan eigenvaluenya.
Jawab :
Dengan definisi 6.3, persamaan karakteristik matriks Adapat ditentukan :
21 1 (1 )(1 ) 2 1 02 1
A I
Sehingga eigenvalue dariAadalah 1 atau 1 1i dan i
Untuk menentukan eigenvektor yang berhubungan dengan i , kita tentukan
x=(x1,x2)T
= (y1 + iz1, y2 + iz2)T
. Untuk mendpatkan nilai y1,z1, y2, z2kita gunakan
persamaanAx=ix.
7/25/2019 Modul5_Nilai_Eigen
7/20
113
Demikian juga untuk menentukan eigenvektor yang berhubungan dengan i ,
kita tentukan x=(x1,x2)T
= (y1 - iz1, y2 - iz2)T
. Untuk mendapatkan nilai y1,z1, y2, z2
kita gunakan persamaan Ax=-ix.Untuk mendapatkan eigenvektor, lakukan sebagai
latihan.
Dalam prakteknya, untuk menentukan persamaan karakteristik, eigenvalue
dan eigenvektor dari suatu matriks yang berukuran besar (4x4 atau lebih), tentulah
bukan hal yang mudah. Perhatikanlah contoh berikut :
Contoh 5.5
Tentukan persamaan karakteristik, eigenvalue dan eigenvektor dari matriks A berikut
:
10 9 0 0
4 2 0 0
0 0 2 7
0 0 1 2
A
Jawab :
Dengan menggunakan bantuan paket program Matlab, untuk menyelsaikan matriks
diatas, langkah pertama adalah memasukkan nilai dari matriks A sebagai berikut :
A=[10 -9 0 0;4 -2 0 0;0 0 -2 -7;0 0 1 2]
A =
10 -9 0 0
4 -2 0 0
0 0 -2 -7
0 0 1 2
inilah bentuk matriks A.
Untuk mendapatkan persamaan karakteristik dari matriks A, lakukan perintah
sebagai beikut :
poly(A)
ans =
1.0000 -8.0000 19.0000 -24.0000 48.0000
7/25/2019 Modul5_Nilai_Eigen
8/20
114
Dari hasil diatas ekivalen dengan bentuk persamaan :
14 - 83+ 192 -24+ 48
Untuk mendapatkan eigenvalue, lakukan perintah sebagai berikut :
eig(A)
ans =
4.0000
4.0000
0 + 1.7321i
0 - 1.7321i
Jadi eigenvalue dari matriks A adalah 4, 4 ,1.7321i dan - 1.7321i
Nampak bahwa matriks A mempunyai eigen velue bilangan kompleks
Untuk mendapatkan nilai eigenvektor, yang bersesuaian dengan eigen veluen,
lakukan perintah
[V,D]=eig(A)
V =
0.8321 0.8321 0 0
0.5547 0.5547 0 0
0 0 -0.6124 - 0.7071i -0.6124 + 0.7071i
0 0 0 + 0.3536i 0 - 0.3536i
D =
4.0000 0 0 0
0 4.0000 0 0
0 0 0 + 1.7321i 0
0 0 0 0 - 1.7321i
dimana V berisikan eigenvektor ternormalisasi dari matriks A dan D adalah matriksDiagonal dengan elemen diagonal adalah eigenvalue yang bersesuaian dengan eigen
vekotor..
- Kolom pertama matriks V merupakan eigenvektor ternormalisasi yang
bersesuaian dengan eigenvalue 4,
- Kolom kedua matriks V merupakan eigenvektor ternormalisasi yang
bersesuaian dengan eigenvalue 4
7/25/2019 Modul5_Nilai_Eigen
9/20
115
- Kolom ketiga matriks V merupakan eigenvektor ternormalisasi yang
bersesuaian dengan eigenvalue 1.7321i
- Kolom keempat matriks V merupakan eigenvektor ternormalisasi yang
bersesuaian dengan eigenvalue - 1.7321i
Untuk matriks yang sederhanapun anda dapat menentukan persamaan karakteristik,
eigenvalue dan eigenvektor dengan program Matlab. Coba anda kerjakan kembali
contoh 6.1 sampai dengan contoh 6.44, dengan menggunakan bantuan program
Matlab, bandingkan hasilnya dengan penghitungan manual.
Dalam beberapa kondisi, kita menginginkan bekerja dengan himpunan semua
eigenvektor yang dihubungkan dengan suatu eigenvalue. Kumpulan semua
eigenvektor SA() yang berhubungan dengan eigenvalue tertentu, disebut ruang
eigen dariAyang bersesuaian dengan . Dimana SA()={x:xRmdanAx = x}
Teorema 5.2 :
Jika SA() adalah ruang eigen dari matriks A berukuran m x m yang bersesuaian
dengan maka SA() adalah sub ruang vektor dari Rm.
Bukti :
Dengan menggunakan definisi : jika x SA(), makaAx= x. Maka jikax SA()
dany SA(), maka untuk skalar dan berlaku :
A(x + y) = Ax + Ay =( x)+(y) = (x+y)
Akibatnya (x+y) SA() dan SA() merupakan ruang vektor
Contoh 5.6.
Diberikan matriks A sebagai berikut :
2 1 0
0 1 0
0 0 1
A
tentukan ruang eigennya.
Jawab :
Langkah pertama, menentukan persamaan karakteristik dari matriks A sebagai
berikut :
7/25/2019 Modul5_Nilai_Eigen
10/20
116
2
2 1 0
0 1 0 (1 ) (2 ) 0
0 0 1
maka diperoleh eigenvalue dariA adalah 1 dan 2.
Untuk mendapatkan SA(1) , selesaikan persamaanAx=x.
1 1
2 2
3 3
2 1 0
0 1 0
0 0 1
x x
x x
x x
ekiuvalen dengan persamaan :
1 2 1 1 2
2 2
3 3
2x x x x x
x x
x x
Misal jika kita pilihx1=0 maka x2= 0 dan kita pilihx3= 1 . Sehingga eigenvektor
dariA yang bersesuaian dengan 1= 1 adalahx = (0, 0, 1)T.
Pilihan lain yang juga memenuhi adalah untukx1=1 maka x2= 1 dan kita pilihx3=
0 . Sehingga eigenvektor dari A yang bersesuaian dengan 1= 1 adalah x = (1, 1,
0)T. Juga merupakan eigen vekor dari A. dimana dua vektor tersebut bebas secara
linear, maka vektor-vektor ini membentuk suatu basis untuk ruang eigen yang
bersesuaian dengan 1 = 1. Sehingga SA(1) adalah sub ruang yang merentang
dengan basis (x1,x2). SA(1) merupakakan bidang dalam R3.
Untuk mendapatkan SA(2) , selesaikan persamaanAx= 2x
1 1
2 2
3 3
2 1 0
0 1 0 2
0 0 1
x x
x x
x x
1 2 1
2 2
3 3
2 2
2
2
x x x
x x
x x
Untuk persamaan diatas yang memenuhi adalah untuk x2 = 0 dan x3 = 0 dan
sembarang nilai dari x1, misal kita beri nilai 1 atau kelipatannya. Sehingga
eigenvektor dariA yang bersesuaian dengan 1= 2 adalah x = (1, 0, 0)T. Sehingga
SA(2) adalah garis dalam R3yang diberikan oleh {(a,0,0)T:-
7/25/2019 Modul5_Nilai_Eigen
11/20
117
Contoh 5.7.
Perhatikan pada matriks 3 3 berikut,
120
010
321
A
Persamaan karakteristik dariA adalah |AI| = (1)=0 , Amemiliki eigenvalue 1
yang berulang tiga kali. Eigenvalue-eigenvektor persamaan Ax = xmenghasilkan
tiga persamaan skalar.
332
22
1321
2
32
xxx
xx
xxxx
yang mempunyai pemecahan vektor untuk bentuk x = (a,0,0)T. Jadi, meskipun
perkalian eigenvalue 1 adalah 3, ruang eigen yang bersesuaian SA(1) = {(a,0,0)T:-
a } adalah hanya berdimensi satu.
5.4.2. Sifat-sifat Eigenvalue dan Eigenvektor
Pada bagian ini, kita buat beberapa hasil yang berguna yang bersesuaian
dengan eigenvalue. Bukti dari hasil pada teorema pertama kita dapat dengan mudah
diperoleh menggunakan persamaan karakteristik atau persamaan eigenvalue-
eigenvektor.
Teorema 5.3.
Jika diberikan matriksAmm. Maka,
a)
EigenvalueATadalah sama dengan eigenvalueA.
b) Amatriks singular jika dan hanya jika sedikitnya satu eigenvalue Asama
dengan 0.
c) Elemen-elemen diagonal A adalah eigenvalue A, jika A merupakan
matriks segitiga.
d) EigenvalueBAB-1sama dengan eigenvalue A, jika Bmerupakan matriks
nonsingular mm.
7/25/2019 Modul5_Nilai_Eigen
12/20
118
e) Setiap eigenvalue A adalah +1 atau -1, jika A merupakan matriks
orthogonal.
Bukti :
Buktikan teorema 5.3 sebgai latihan anda.
Kita perhatikan pada contoh 6.6 bahwa memungkinkan untuk dimensi sebuah
ruang eigen yang dikaitkan dengan eigenvalue lebih kecil daripada perkalian .
Teorema berikut menjelaskan bagaimana jika dim{SA()}r.
Teorema 5.4.
Anggap adalah eigenvalue dari matriks A m m, dengan perkalian r 1, maka
1 dim{SA()} r
Bukti :
Jika adalah eigenvalueA, dengan definisi terdapatx0 yang memenuhi persamaan
eigenvalue-eigenvektorAx= xdan, jelas, dim{SA()}1. Sekarang, diberikan k=
dim{SA()}, dan x1,,xk. akan menjadi eigenvektor independen linear yang
bersesuaian dengan . Bentuk nonsingular matriks X berukuran mm yang mana
vektor k ini sebagai kolom k, yaitu, Xmempunyai bentuk 21 XXX , dimana
kxxX ,,11 dan X2 adalah m (m k). Karena setiap kolom X1 adalah
eigenvektorAyang bersesuaian dengan eigenvalue , kemudianAX1= X1, dan
)0(1
1 kI
XX
Mengikuti dari kenyataan bahwaX-1X=Im. Sebagai hasilnya kita dapatkan,
211
21
11
AXXXAXAXXAXX
2
1
)0( B
Bk
dimana B1dan B2menyatakan pemisahan matriksX-1AX2. Jika adalah eigenvalue
X-1AX2, maka
mAXX 10
km
k
B
B
2
1
0 km
kB 2
7/25/2019 Modul5_Nilai_Eigen
13/20
119
dimana persamaan terakhir diperoleh dengan mengulangi penggunaan rumus
perluasan kofaktor untuk sebuah determinan. Jadi, haruslah merupakan eigenvalue
X-1AX dengan perkalian sedikitnya k. Hasilnya sekarang mengikuti karena,
berdasarkan teorema 5.3 (d), eigenvalueX-1AXadalah sama seperti halnyaA.
Jika eigenvalue dan eigenvektor suatu matriks A diperoleh, anda dapat
dengan mudah mencari eigenvalue dan eigenvektor dari sembarang pangkat
bilangan bulat positif dari A. Misalnya jika adaalah suatu eigenvalue dari A dan x
adalah eigenvektor yang bersesuaian, maka :
A2x =A(Ax)=A(x)=(Ax) = (x) =2x
Yang menunjukkan bahwa 2 merupakan eigenvalue dari A2 dan x
merupakan eigenvektor yang bersesuaian. Secara umum, perhatikan teorema berikut
:
Teorema 5.5.
Diberikan merupakan eigenvalue matriks A m m dan x eigenvektor yang
berhubungan. Maka,
(a)Jika n adalah integer 1, n adalah eigenvalue dari An yang berhubungan
dengan eigenvektorx.
(b)JikaAadalah nonsingular, -1adalah eigenvalue dari A-1yang berhubungan
dengan eigenvektorx.
Bukti :
Untuk bagian (a) dengan menggunakan hubungan Ax = xyang berulang, sehingga
kita mempunyai
xxAxAAxAxA nnnnn 111
Untuk membuktikan poin (b), perkalian awal persamaan eigenvalue-eigenvektor
xAx
denganA-1, memberikan persamaan
1x A x (5.4)
7/25/2019 Modul5_Nilai_Eigen
14/20
120
Karena Anonsingular, berdasarkan teorema 6.2(b) kita tahu bahwa 0, sehingga
pembagian kedua sisi dengan menghasilkan
1 1A x x
yang mana merupakan persamaan eigenvalue-eigenvektor untuk A-1, dengan
eigenvalue -1dan eigenvektorx.
Contoh 5.8 :
Perhatikan kembali matriks A pada contoh 6.6.Tentukan eigenvalue dan eigenvektor
dari A7
Jawab :
Dari contoh soal 5.6, telah diperoleh bahwa eigenvalue dari matriks A adalah =1
dan = 2 . Dengan menggunakan teorema 5.5 maka =27 = 128 dan = 17= 1
merupakan eigenvalue dari A7.
Eigenvektor dariA yang bersesuaian dengan = 1 adalahx = (0, 0, 1)T.
Dan eigenvektor dariA yang bersesuaian dengan = 27= 128 adalahx = (1, 0, 0)T
Dalam mempelajari matriks dan statistik lebih lanjut, anda akan sering
berhubungan dengan trace dan determinan suatu matriks. Jika eigenvalue dari suatu
matriks sudah diperoleh, maka untuk mendapatkan trace ataupun determinan dari
suatu matriks anda akan dapat menentukan dengan mudah. Perhatikan teorema
berikut :
Teorema 5.6.
DiberikanAberupa matriks m mdengan eigenvalue 1, , m. Maka
(a) tr(A) 1m
i i ,
(b) 1m
i iA
Bukti : (Tunjukkan sebagai latihan)
Hal penting dalam statistika adalah mengetahui kebebasan linear dari
beberapa vektor. Penerapan dari kebebasan linear telah anda kenal dalam penentuan
rank, basis, dimensi ataupun dalam penyelesaian dari sistem persamaan linear yang
7/25/2019 Modul5_Nilai_Eigen
15/20
121
telah dibahas pada modul-modul sebelumnya. Dalam kaitannya dengan kebebasan
linear, juga ada kaitannya dengan eigenvalue dari suatu matriks.
Teorema berikut memberikan kondisi yang cukup untuk serangkaian
eigenvektor yang independen secara linear.
Teorema 5.7.
Anggapx1, ,xradalah eigenvektor matriks A berdimensi m m, dimana r m. Jika
eigenvalue yang bersesuaian 1, ,radalah i juntuk semua i j, maka vektor
x1, ,xrindependen secara linear.
Bukti :
Pembuktian kita dilakukan dengan cara berkebalikan, karenanya kita mulai dari
asumsi bahwa vektor x1, ,xradalah independen secara linear. Kemudian hadalah
bilangan integer terbesar untuk x1, ,xhyang independen secara linear. Kumpulan
yang seperti itu dapat ditemukan karena x1, yang menjadi eigenvektor, tidak boleh
sama dengan 0 (nol), dan karenanya independen secara linear. Vektor-vektor x 1, ,x
h+1haruslah bergantung secara linear (linearly dependent), jadi skalar yang ada 1,
,h+1 dengan sedikitnya dua skalar yang tidak boleh sama dengan nol karena
menyebabkan eigenvektor menjadi vektor null, sehingga
1 1 1 1 0h hx x
Penyelesaian persamaan di atas untuk sisi sebelah kiri dengan mengalikannya dengan
(Ah+1I), kita dapatkan
1 1 1 1 1 1
1 1 1 1 1 1 1 1
1 1 1 1 1
h h h h
h h h h h
h h h h h
A x A x
Ax x Ax x
x x
juga harus sama dengan 0. Tetapix1, ,xhlinear independen sehingga berlaku
1 1 1 1 0h h h h
Kita mengetahui bahwa sedikitnya salah satu dari skalar 1, , htidak sama
dengan nol dan sebagai contoh, jika iadalah satu dari skalar-skalar yang tidak nol,
maka kita harus memiliki i= h+1. Hal ini bertolak belakang dengan kondisi-kondisi
7/25/2019 Modul5_Nilai_Eigen
16/20
122
yang disebutkan dalam teorema, jadi vektor-vektor x1, , xr haruslah independen
linear.
5.4.3. Diagonalisasi
Jika eigenvalue 1, , m dari matriks Aberukuran mm semuanya adalah
berbeda, maka sesuai dengan teorema 6.7 bahwa matriks X = (x1,, xm) adalah
nonsingular, dimana xi adalah eigenvektor yang berhubungan dengan i. Berlaku
pula dengan persamaan eigenvalue-eigenvektorAxi= ixi, yaitu jika tentukan matriks
diagonal = diag(1, , m), maka AX=X. Perkalian persamaan ini dengan X-1
menghasilkan X-1AX = . Setiap matriks persegi yang dapat ditransformasikan ke
matriks diagonal melalui perkalian diawal matriks (postmultiplication) dengan
sebuah matriks nonsingular dan perkalian diakhir matriks (premultiplication)dengan
inversnya disebut dapat didiagonalkan (diagonalizable). Jadi, suatu matriks persegi
dengan eigenvalue berbeda adalah diagonalizable.
Jelasnya, apabila sebuah matriks adalah diagonalizable, rank-nya sama dengan
jumlah eigenvalue yang tidak nol, karena
rank(A) = rank(X-1AX) = rank()
Contoh 5.9.
Pertimbangkan matriks berukuran 2 x2 berikut :
1 1 0 1;
0 1 0 0A B
tentukan rank dari matriks A dan B.
Jawab :
Dapat anda tentukan dengan mudah bahwa rank dari matriksAdanBadalah 1. Dan
diperoleh persamaan karakteristik dari A adalah (1 ) 0 , sehingga eigenvalue
dariAadalah 0 dan 1, jadi dalam kasus ini rank dari A adalah sama dengan jumlah
eigenvalue yang tidak nol.
Perhatikan untuk matriks B, persamaan karakteristik dari B adalah 2=0,
sehingga eigenvalue dari B adalah 0 yang diulang sebanyak dua kali. Disini rank dari
B lebih besar dari jumlah eigenvalue yang tidak sama dengan nol.
7/25/2019 Modul5_Nilai_Eigen
17/20
123
Contoh 5.10
Diberikan matriks A sebagai berikut :
0 0 2
1 2 1
1 0 3
A
Tentukan suatu matriks X yang mendiagonalkan matriks A.
Jawab :
Dari matriks tersebut dapat kita tentukan persamaan karakteristiknya adalah (-1)(-
2)2= 0 dan didapatkan basis-basis untuk ruang eigen :
= 2 diperoleh e1= (-1 0 1)T dan e2=(0 1 0)2
=1 diperolah e3= (-2 1 1)T
sehingga ada tiga vektor basis dan matriks A dapat didiagonalkan,
1 0 2
0 1 1
1 0 1
X
mendiagonalkan A.
dimana :
1
1 0 1 0 0 2 1 0 2 2 0 0
1 1 1 1 2 1 0 1 1 0 2 0
1 0 1 1 0 3 1 0 1 0 0 1
X AX
yang merupakan matriks diagonal dengan elemen diagonalnya adalah eigenvalue.
Teorema 5.8.
Diberikan matriksAberukuran mmdengan eigenvalue 1, , m, dan
1
(0)m
i
i
A
;
yaitu, jika 1
1 1 0 0m m
m
adalah persamaan karakteristik
A, maka
1
1 1 0 0m m
mA A A
Bukti : (Tunjukkan sebagai latihan)
7/25/2019 Modul5_Nilai_Eigen
18/20
124
5.4.3. Matriks Simetris
Banyak sekali aplikasi-aplikasi yang yang melibatkan eigenvalue dan
eigenvektor, salah satunya adalah matriks simetri. Dimana matriks simetri
mempunyai beberapa sifat khusus yang berkaitan dengan eigenvalue dan
eigenvektor.
Teorema 5.9.
JikaA adalah matriks simetri berukuran m xm, maka
a) eigenvalue dariAsemuanya bilangan real, dan
b) Vektor-vektor eigen dari ruang eigen yang berbeda ortogonal
Bukti :
a) Misal i merupakan eigenvalue dari A dan x y iz merupakan
eigenvektor yang bersesuaian, dimana 1i . Akan kita tunjukkan bahwa
=0
Substitusikan ekspresi dan xke dalam persamaan eigenvalue eigenvectorAx
= x.
A y iz i y iz (5.5)
Perkalian (6.5) dengan (y iz)Tmenghasilkan
( ) ( ) T T
y iz A y iz i y iz y iz
yang disederhanakan menjadi
yTAy+z TAz= (+ i)(yTy+z Tz),
karenay TAz= z TAy berlaku simetri A. Sekarang x 0 berimplikasi bahwa
(yT
y+ zT
z) > 0, dan konsekuensinya kita harus mempunyai = 0 karena sisi
kiri persamaan di atas adalah real. Substitusikan = 0 ke dalam persamaan
(5.5) hasilnya adalah
Ay+ iAz= y+ iz
Jadi, x=y+ izakan menjadi eigenvektorAyang berhubungan dengan =
sepanjangydanzmemenuhiAy= y,Az= zdan sedikitnya tidak ada salah
7/25/2019 Modul5_Nilai_Eigen
19/20
125
satu yang bernilai 0 sehingga x 0. Sebuah eigenvector real kemudian
dibentuk dengan memilihy 0 sedemikian hinggaAy= ydanz= 0.
Jadi terbukti bahwa eigenvalue dariAsemuanya bilangan real.
b) Anggapx1 danx2adalah eigenvektor yang bersesuaian dengan eigenvalue 1
dan 2yang berbeda dari matriksA. Kita ingin menunjukkan bahwax1.x2= 0.
Menurut teori hasil kali titik pada modul Ruang Vektor, dan kesimetrisanA,
diperoleh :
Ax1.x2=x1.ATx2 =x1.A
Tx2 (5.6)
Tetapi x1 adalah eigenvektor yang bersesuaian dengan 1 dan x2 adalah
eigenvektor yang bersesuaian dengan 2, sehingg persamaan (5.6)
menghasilkan hubungan :
1x1.x2=x1. 2x2
yang dapat ditulis kembali menjadi :
(1- 2 )(x1.x2) = 0 (5.7)
Tetapi (1- 2 ) 0, karena 1dan 2 dianggap berbeda. Jadi dari persamaan
5.7 dapat kita simpulkan bahwa x1.x2 = 0. Yang berarti x1danx2ortogonal.
Telah kita lihat bahwa himpunan eigenvektor dari sebuah matriksAukuran
mm adalah linear independen jika eigenvalue yang terasosiasi semuanya adalah
berbeda satu sama lainnya. Sekarang akan kita tunjukkan, jika A simetris, kita bisa
bahas lebih lanjut. Anggaplah x dan y adalah eigenvector A yang berhubungan
dengan eigenvalue dan , dimana . Maka, karenaAsimetris, berlaku bahwa
( ) ( ) ( ) ( ) T T T T T T T T x y x y Ax y x A y x Ay x y x y
Karena kita harus mempunyai xTy = 0, yaitu eigenvector yang berhubungan
dengan eigenvalue yang berbeda haruslah orthogonal. Sehingga, jika meigenvalueA
adalah berbeda, maka serangkaian eigenvector yang berhubungan akan membentuk
kelompok vektor yang saling orthogonal. Akan kita tunjukkan bahwa hal itu masih
memungkinkan apabila A mempunyai eigenvalue yang beragam. Sebelumnya kita
perlu hasil berikut :
7/25/2019 Modul5_Nilai_Eigen
20/20
126
Teorema 5.10.
Sebuah matriksA simetris m mdan x adalah vektor tidak nol m 1. Maka untuk
sembarang r 1, ruang vektor spanned by vektor x, Ax, , Ar-1x, memuat sebuah
eigen vektor A.
Bukti (Gunakan sebagai latihan)
Referensi
Anton, H., 1987,Elementary Linear Algebra, John Wiley & Son, New York
Basilevsky, A., 1983, Applied Matrix Algebra in the Statistical Sciences, Elsevier
Sciences Publ. Co. Inc.
Shchoot, J.R.,Matrix Analysis for Statistics, John Wiley, New York.
.