Professional Documents
Culture Documents
Pengertian
Sebuah matriks bujur sangkar dengan orde n x n misalkan A, dan sebuah vektor
kolom X. Vektor X adalah vektor dalam ruang Euklidian R n yang dihubungkan
dengan sebuah persamaan:
AX = X
(7.1)
Dimana adalah suatu skalar dan X adalah vektor yang tidak nol Skalar
dinamakan nilai Eigen dari matriks A. Nilai eigen adalah nilai karakteristik dari suatu
matriks bujur sangkar. Vektor X dalam persamaan (7.1) adalah suatu vektor yang
tidak nol yang memenuhi persamaan (7.1) untuk nilai eigen yang sesuai dan disebut
dengan vektor eigen.
tertentu.
Perhitungan eigenvalues
Kita tinjau perkalian matriks A dan X dalam persamaan (7.1) apabila kedua sisi
dalam persamaan tersebut dikalikan dengan matriks identitas didapatkan:
IAX
= IX
AX
= IX
[I A]X
=0
(7.2)
(7.3)
Dengan menyelesaikan persamaan (7.3) dapat ditentukan nilai eigen ( ) dari sebuah
matriks bujur sangkar A tersebut.
Perhitungan eigenvector
Kita tinjau kembali persamaan AX = X dimana A adalah matriks bujur
sangkar dan X adalah vektor bukan nol yang memenuhi persamaan tersebut. Dalam
subbab 7.1 telah dibahas tentang perhitungan nilai eigen dari matriks A( ), pada
subbab ini kita bahas vektor yang memenuhi persamaan tersebut yang disebut vektor
eigen(vektor karakteristik) yang sesuai untuk nilai eigennya.
Kita tinjau sebuah matriks bujur sangkar orde 2 x 2 berikut:
a11
A=
a 21
a12
a 22
a11
a
21
a12 x1
x
= 1
a 22 x 2
x2
(7.4)
1 0 a11
0 1 a
21
a11
a
21
a12 x1
a 22 x 2
1 0 x1
=
0 1 x 2
a12 x1 0 x1
=
a 22 x 2 0 x 2
a11
a
21
a12
a 22
x1
x = 0
2
(7.5)
(7.6)
Persamaan (7.6) adalah sistem persamaan linier homogen, vektor dalam ruang Rn
yang tidak nol didapatkan jika dan hanya jika persamaan tersebut mempunyai solusi
non trivial untuk nilai eigen yang sesuai.
Contoh soal:
1
1. Misalkan Sebuah vektor X =
2
4 0
A=
, Apabila matriks A dikalikan dengan X maka:
4 2
4 0 1 4 + 0 4
=
=
=
4 2 2 4 + 4 8
AX
Dimana:
4
8
1
= 4
2
= X
Memenuhi persamaan (7.1). Konstanta = 4 dikatakan nilai eigen dari matriks
4 0
bujur sangkar A =
4 2
2 1
2. Dapatkan nilai eigen dari matriks A =
3 2
Jawab:
Dari persamaan (7.3) maka:
1
2
det
=0
2
3
( 2)( 2) 3 = 0
2 4 + 4 3 = 0
2 4 + 1 = 0
1, 2
4 (4) 2 4.1.1
2
4 16 4
2
4 12
2
42 3
2
= 2 3
Maka penyelesaian adalah: 1 = 2 + 3 dan 2 = 2 3 .
2 1
Nilai eigen matriks A =
adalah:
3 2
1 = 2 + 3 dan 3 = 2 3
4 1
3. Dapatkan nilai eigen dari matriks A =
1 5
Jawab:
Nilai eigen ditentukan dengan persamaan:
1
4
det
5
1
maka:
( 4)( 5) 1 = 0
2 9 + 20 1 = 0
2 9 + 19 = 0
=0
1, 2 =
9 (9) 2 4.1.19
2
1, 2 =
9 81 76
2
1, 2 =
9 5
2
Didapatkan 1 = 4,5 +
1
1
5 dan 2 = 4,5
5 , jadi nilai eigen matriks
2
2
4 1
1
A=
adalah = 4,5
5
2
1 5
4. Tentukan vector eigen dari matriks berikut:
3 2
1 0
Jawab:
x=x
1 0
3 2
0
x=
x
1 0
0
3 2
0
x-
x=0
1 0
0
3 2
x=0
1
( 1) ( 2) = 0
= 1 dan = 2 (nilai eigen valuenya)
Sekarang tentukan nilai vektornya yaitu : sebuah vector tak 0 yang memenuhi
persamaan Ax = x.
- Untuk nilai eigen = 1
Ax = x
3 2
x=x
1 0
1
3 2 1
= 1.
1 0
2
2
1
3 + 22
1
=
1
2
3 + 22 1
=0
1
1 2
-x1 x2 = 0
Dan jika diselesaikan maka :
2x1 + 2x2 = 0
artinya x1 = - x2
-x1 x2 = 0
artinya x1 = - x2
X = =
2
Ax = x
3 2
x=x
1 0
1
3 2 1
= 2.
1 0
2
2
2
3 + 22
1
= 1
1
22
3 + 22 21
1
=0
1 22
artinya x1 = - 2x2
artinya x1 = - 2x2
Linear Algebra
Generalized Inverses
Misalkan matriks A = (aij)
generalized atau pseudo invers dari matriks A jika X memenuhi satu atau lebih dari
sifat-sifat berikut:
(i) AXA = A
(ii) XAX = X
(iii) (AX)H =AX (6.10)
(iv) (XA)H = XA
Disini AH = (A)T ! conjugate transpose dari matriks A. Jika elemen-elemen dari
matriks A
Jika X memenuhi persamaan (6.10) maka X disebut sebagai satu-invers (one invers )
yang secara umum tidak tunggal.
Jika X adalah satu-invers , maka seluruh satu-invers yang lain dari matriks A adalah :
Satu-invers X adalah tunggal jika dan hanya jika matriks A adalah matriks bujur
sangkar
nonsingular.
then
Contoh:
Teorema 1
Diberikan A sembarang matriks berukuran mxn, maka terdapat invers matriks tunggal
tergeneralisasi dari A berukuran nxm.
Bukti:
Jika X,Y adalah invers matrik tergenerasliasi dari A, maka X, Y memenuhi keempat
sifat pada teorema 1. Sehingga berlaku:
AY = (AXA)Y= (AX)(AY)
TEORI
SUBSPACE
Di dalam matematika, sebuah subspace merupakan vector space yang berada di dalam
vector space lain. Jadi, setiap subspace adalah vector space yang berada dalam subspace
itu sendiri atau bisa juga merupakan vector space yang ada di dalam vector space lain
(yang lebih besar).
Dimisalkan ada dua buah vector space, yaitu V dan W yang keduanya memiliki bagian
vector dan bagian skalar. Dimisalkan bahwa W merupakan subspace dari V, dengan W
V. Apabila V adalah vector space yang didefinisikan C4, melalui sebuah matriks
berbentuk 4x4, maka sudah jelas bahwa W V apabila objek dari W adalah vektor
kolom yang berjumlah 4.
INVARIANT SUBSPACE
Invariant subspace merupakan suatu istilah yang ditujukan pada sebuah subspace, yang
apabila ada transformasi linier
T:VV
Kemudian W V, adalah eigenvalue dari sebuah transformasi T, v adalah eigenvector
yang koresponden / sesuai dengan tsb, kemudian Tv=v, sehingga T(w) terletak di
dalam subspace W. Atau dengan kata lain, W merupakan sebuah subspace yang
memiliki sifat invariant terhadap transformasi T. Atau bisa disebut juga bahwa W adalah
T-invariant subspace.
Perhatian :
T
ataupun matriks
W
Contoh soal:
1. Transformasi linear dari T: C4> C4 didefinisikan sebagai T(x)=Ax.
Dimana A=
Dan himpunan W={w1,w2}. Kita akan periksa apakah W merupakan invariant subspace
dari C4 dengan T. Dari definisi W, setiap vector yang dipilih dari W dapat ditulis sebagai
kombinasi linear dari w1 dan w2. Anggap w W, berikut penjelasan untuk
pemeriksaannya.
T(w)
= T(a1*w1+a2*w2)
= a1* T(w1)+ a2*T(w2)
=a1*
+ a2*
=a1*w2+a2*((-1)w1++2w2)
=(-a2)*w1+(a1+2a2)*w2 W
Oleh karena itu berdasarkan definisi dari invariant subspace maka W merupakan
invariant subspace dari C4 dengan T.
Dan himpunan X={x1,x2}. Kita akan periksa apakah X merupakan invariant subspace dari
C4 dengan T. Dari definisi X, setiap vector yang dipilih dari X dapat ditulis sebagai
kombinasi linear dari x1 dan x2. Berikut penjelasan untuk pemeriksaan apakah X
merupakan invariant subspace dari C4 atau tidak.
T(w)
= T(b1*x1+b2*x2)
= b1* T(x1)+ b2*T(x2)
=b1*
+ b2*
=a1*(-11,7*x1+8,1*x2)+a2*(-28,57*x1+22,98*x2)
=-(11,7*a1+28,57*a2)*x1+(8,1*a1+22,98*a2)*x2 X
Oleh karena itu berdasarkan definisi dari invariant subspace maka X merupakan
invariant subspace dari C4 dengan T.
1. Pembuka
Dalam tulisan ini sedikit menyinggung tentang beberapa istilah dalam aljabar linier yang perlu
dimengerti sebelum belajar kontrol robust. Beberapa istilah lain ada di tulisan lain untuk
melengkapi tulisan ini. Selain belajar dari tulisan ini, diharapkan peserta kuliah juga aktif
menelusuri lebih dalam tentang aljabar linier di beberapa referensi buku yang disodorkan agar
peserta bisa lebih memahami tentang istilah-istilah yang di tulis disini yang nantinya akan
mempengaruhi pemahaman kita saat belajar kontrol robust.
Dalam tulisan ini akan di jelaskan seperti apa sub ruang vektor (Subspace), kombinasi linier suatu
vektor, span, kebebasan linier, basis dan dimensi yang mana seluruhnya saling berhubungan.
Selain itu juga akan disinggung mengenai vektor yang ortogonal, ortonormal, kernel, image, dan
trace.
2. Subruang
Jika diketahui V adalah ruang vektor dan U adalah sub himpunan V, maka U dikatakan sub ruang
dari V jika memenuhi dua syarat:
Untuk lebih memahami pernyataan di atas kita bisa perhatikan contoh di bawah ini:
5
+ = U, berapapun nilai x pada , U akan tetap mengakibatkan + sebagai anggota
0
U (Syarat penjumlahan terpenuhi)
#Syarat perkalian
2
misal = , maka k U dengan k skalar. Berapapun nilai k dan berapapun nilai x yang ada
0
pada , k tetap akan berada dalam himpunan U (syarat perkalian terpenuhi)
karena dua syarat di atas terpenuhi maka U adalah subruang dari R2
2.2. jika U= dan x 0 , dan U adalah sub himpunan R2 maka tunjukanlah apakah U subruang
R2 ?
5
+ = U, berapapun nilai x asalkan x0 dan berapapun nilai y pada , U akan tetap
10
mengakibatkan + sebagai anggota U (Syarat penjumlahan terpenuhi)
#Syarat perkalian
2
misal = , maka ada nilai k yang tidak dapat memenuhi syarat k U yaitu ketika k 0 .
4
2
misalkan k = -1 maka k = , padahal nilai x harus 0 agar tetap berada di dalam anggota U.
4
(syarat perkalian tidak terpenuhi)
karena ada syarat yang tidak terpenuhi maka U bukanlah subruang dari R2
Jika U= { ,
1 ,
2 . . . . . .
} maka = k1.
1 + k 2 . +.
2 . . k n .
bisa disebut kombinasi linier
dari U
Jika U= { ,
1 ,
2 . . . . . .
}, maka Span{U} adalah semua kombinasi linier yang mungkin
terjadi dari U
jika V adalah ruang Vektor dan U adalah Sub himpunan dari V maka Span{U} bisa
dikatakan sebagai subruang dari V, atau secara matematis Span{U}= Subruang V jika U
adalah subruang V
span{ , } adalah kombinasi linier yang mungkin terjadi dari { , } , maka katakanlah
span{ ,
+
4
4
1
2
= k1. + k 2 . =k1. + k 2 . = 1
21 + 32
2
3
=
Untuk mengujinya dengan 2 syarat sub ruang, maka kita definisikan lagi sebagai kombinasi linier
yang lain dari U, maka
= span{ , }
+ 42
4
1
= m1. + m2 . =m1. + m2 . = 1
21 + 32
2
3
Jika kita masukan nilai k1, k2, m1, dan m2 ke dalam dan maka dan akan tetap menjadi
anggota himpunan U, selanjutnya adalah pengujian terhadap syarat subruang :
#syarat penjumlahan
+ =
1 + 42
+ 42
+ 42 + 1 + 42
+ 1
= 1
21 + 32
21 + 32
21 + 32 + 21 + 32
Berapapun nilai k1, k2, m1, dan m2, + tetap anggota himpunan U (syarat penjumlahan)
#Syarat perkalian
1 + 42
, maka c U dengan C skalar. Berapapun nilai c serta berapapun nilai k1 dan k2
21 + 32
yang ada pada , c tetap akan berada dalam himpunan U (syarat perkalian terpenuhi)
karena dua syarat di atas terpenuhi maka span{U}=span{ , } adalah subruang dari R2
{U} = k1.
1 + k 2 . +.
2 . . k n .
=0 dan hanya memiliki penyelesaian k1= k 2 = k n =
0,
Jika ada penyelesaian lain maka dikatakan bergantung linier (Linearly Dependent)
Misalkan V ruang vektor dan U= { ,
1 ,
2 . . . . . .
}. U disebut basis dari V bila U bebas
linier
Dimensi Ruang Vektor didefinisikan sebagai banyaknya unsur basis ruang vektor, misal
dim (R3)=3
0
Span{U} = span{ , }= k1. + k 2 . =
0
+ 42
4
0
1
Span{U} =k1. + k 2 . = 1
=
21 + 32
0
2
3
4 k1
0
=
3 k2
0
k
1
1 =
k2
2
k
0
1 =
k2
0
4 1 0
3
0
karena k1=k 2 =0, maka U bebas linier, karena U bebas linier maka U adalah basis dari R2. Dapat
diliat secara langsung juga bahwa U memiliki 2 vektor dan dim (R2) adalah 2 maka U adalah basis
dari R2.
4
1
5
4.2. misal U={ , , }, = = = , apakah U basis dari R2 :
2
3
1
+ 42 + 53
4
0
1
5
Span{U} =k1. + k 2 . + k 3 . = 1
=
21 + 32 + 3
0
2
3
1
0
1 4 5 k1
=
0
2 3 1 k2
det
1 4 5
tidak memiliki determinan, maka matriks tersebut tidak bisa di inverskan, oleh
2 3 1
karena itu
Matriks
k
0
1
k2
0
karena k1 k 2 0, maka U bergantung linier, karena U bergantung linier maka U bukanlah basis
dari R2. Dapat diliat secara langsung juga bahwa U memiliki 3 vektor dan dim (R2) adalah 2 maka U
bukanlah basis dari R2.
5.1 Kernell atau Null space
Didefinisikan dengan
Ker A = N(A) := { Rn | A = 0},
Adalah semua nilai vektor x () yang memenuhi persamaan, dimana adalah anggota Rn
).
dan matriks A jika dikali akan menghasilkan vektor 0 (0
1 1
5.2 misal A=1 2
4 3
1 1
3 4, maka berapakah Null A (N(A))?
2 1
1 0
1 1 1 1
0
2
}
A=1 2 3 4 = N(A) := { Rn | A = 0
0
3
4 3 2 1
4
0
Matriks di atas bisa diwaki denagn persamaan linear sebagai berikut
X1 + X2 + X3 +X4 =0
X1 +2X2+3X3+4X4 =0
4X1+3X2+2X3+X4 =0
Persamaan diatas bisa diwakili dengan sebuah matriks buatan yaitu
kemudian :
1 1 1 10
1 2 3 40
4 3 2 10
kemudian :
1 1 1 10
0 1 2 30
0 1 2 30
baris ke 1 diganti dengan : baris ke 1 dikurangi baris ke 2 dan
baris ke 4 diganti dengan : baris ke 4 dikurangi baris ke 3
X3 2X4 =0 maka
X2+2X3+3X4 =0 maka
X1= X3 + 2X4
X2= 2X3 3X4
Sehingga
1
1
2
2
3
2
= X3 + X4
0
1
3
4
1
0
1
2
2
3
Jadi N(A) = Span +
1
0
0
1
Sebagai catatan tambahan jika kolom kolom pada Matriks A merupakan bebas linear(linieary
Sebuah pesegi matriks U Fn x n yang kolomnya membentuk basis orthonormal untuk Fn disebut
kesatuan matriks ( atau matriks orthogonal jika F = R), dan itu membuktikan U*U = I = UU*.
6.1 Trace
Trace dari matriks persegi ordo n x n didefinisikan sebagai jumlah elemen pada diagonal
utama, yaitu diagonal dari kiri atas ke kanan bawah dinotasikan dengan Tr(A), yaitu
1 2
matriks A= 1 2
1 1
n
a11+a22+a33+...ann=i=1
aii
n
Trace(A): = aii
i=1
0
2 hitung trace dari A?
3
= (-1) + 2 +3 = 4
1. Anton, Howard dan Rorres, Chris. Elementary Linear Algebra-Ninth Edition. John
Wiley and Sons, Inc. 2005
2. Sibaroni, Yuliant. Buku Ajar Aljabar Linier. STT Telkom Bandung. 2002
3. www.Youtube.com (channel: khan academy, bagian Lenear Algebra)
Definisi inverse
JIka A dan B matriks bujur sangkar sedemikian rupa sehingga A B = B A = I , maka B disebut
balikan atau invers dari A dan dapat dituliskan
( B sama dengan invers A). Matriks B
juga mempunyai invers yaitu A maka dapat dituliskan
.
Metode penentuan inverse :
Ada beberapa metode untuk menetukan invers dari suatu matriks ,antara lain :
1. subtitusi
2. matriks adjoint
3. eliminasi guass-jordan
4. dekomposisi
5. perkalian matriks inverse elementer
6. dan lain lain
Pada pembahasan kali ini kami hanya kan membahas 2 metode saja yaitu menggunakan
matriks adjoint dan partisi matriks-dekomposisi, karena erat kaitannya dengan mata kuliah yang
sedang kami ambil yaitu teknik control robust terutama metode dekomposisi.
Penjelasan matriks adjoint
Misalkan A suatu matriks kuadrat dengan baris dan kolomnya masing masing sebesar n.
Jadi A = (ai j) ; i,j = 1,2,.n. Dan setiap element dari matriks mempunyai kofaktor, yaitu elemen
ai j mempunyai kofaktor k i j .Apabila semua kofaktor itu dihitung untuk semua elemen matriks
A, kemudian dibentuk suatu matriks K dengan kofaktor dari semua elemen matriks A
sebagai elemennya, maka:
Yang disebut adjoint matriks A ialah suatu matriks yang elemen elemennya terdiri dari
transpose semua kofaktor dari elemen-elemen matriks A, yaitu apabila: k=( k i j ), dimana k i j
ialah kofaktor dari elemen ai j , maka adjoint matriks A yaitu :
Jadi, jelasnya Adj (A) ialah transpose dari matriks kofaktor K, yaitu:
Matriks orde 2 x 2 :
=
= Invers Matriks A
Adj (A)
= Matriks adjoint dari matriks A
Det (A)
= Determinan matriks A
Untuk matriks berordo 2X2 dimana matriks A =
A=
Untuk nilai invers dari matriks
=
=
Matriks orde 3 x 3 :
Contoh soal :
Carilah invers matriks dibawah ini :
Penyelesaian :
Det (A) = a11a22a33 + a12 a23 a31 + a13 a21 a32 a31 a22 a13 a32 a23 a11 a33 a21 a12
Jadi untuk mencari determinan dari soal matriks A adalah,
Det (A) = 3(1)(1) + (-1)(4)(2) + 2(0)(-2) 2(1)(2) (-2)(4)(3) 1(0)(-1)
3 7 0 4 + 24 + 0 =16
Mencari Adjoint A
A11 =
A21 =
A31 =
A12 =
A22 =
A32 =
A13 =
A23 =
A33 =
A=
Dekomposisi adalah menuliskan suatu matriks sebagai jumlah atau perkalian dua
matriks , yang masing-masing bentuknya tertentu. Cara menentukan invers dari
matriks A berukuran nxn dengan metode dekomposisi dimulai dengan teknik partisi.
Partisi matriks adalah membagi matriks menjadi submatriks-submatriks. Ada 2
macam teknik partisi , yaitu partisi simetri dan partisi tak simetri. Partisi simetri
adalah apabila matriks asal dibagi menjadi empat buah submatriks yang ukurannya
sama. Partisi tak simetri adalah apabila matriks asal dibagi menjadi empat buah
submatriks yang ukurannya berbeda, dalam hal ini blok diagonal harus merupakan
matriks bujur sangkar dan dua blok lainnya adalah matriks garis dan matris kolom.
Penggunaan matriks dekomposisi bertujuan untuk menyelesaikan suatu invers
dari matriks yang berukuran besar, karena apabila kita menggunakan metode yang
biasa digunakan seperti matriks adjoint atau operasi baris elementer (OBE) rentan
terjadi kesalahan dalam proses perhitungannya dan relative lebih sulit, namun apabila
kita menggunakan metode dekomposisi maka matriks yang besar tersebut kemudian
akan dibagi menjadi submatriks submatriks yang berukuran lebih kecil sehingga
akan lebih teliti dalam perhitungan menentukan invers dari suatu matriks.
Untuk lebih memahami bagaimana penyelesaian inverse dengan metode
dekomposisi, kita bisa membuat formula atau rumus umumnya .
Dimisalkan matriks Z adalah matriks bujur sangkar hasil partisi dari suatu matriks
besar ,dimana A11 dan A22 adalah juga merupakan sebuah matriks bujur sangkar.
Z=
A11
A12
A21
A22
Z=
Im
Im
AB
CA
In
Iq
Im
Im
AB
CA
In
Iq
<=>
Persamaan 2 :
<=>
persamaan 3 :
=
Dengan melakukan subtitusi nilai R dan Q dari persamaan 1 dan 2 didapat
-1
In
-1
Im
-C
In
dan
Im
In
-1
Im -B
0
In
Z=
A11
A12
A21
A22
A21A11-1 I
A11
A11-1A12
I
A11
A12
A21
A22
Maka berlaku juga pada permisalan A= A22 adalah matriks nonsingular, sehingga
didapat
Z=
Im
BD
Im
In
DC
Iq
persamaan 1
persamaan 2
Im
In
-DC Iq
Im
Im
-C
In
In
Im
-BD
-1
-1
In
-1
dan
-1
Im -B
0
In
Im
BD
Im
In
DC
Iq
Z=
Dari Persamaan 1 :
AB
CA
Dan
Y = V X-1
Y -1 = V -1 X , sehingga :
Dari teori
Im
BD
Im
In
DC
Iq
Lalu didapat
persamaan 1
persamaan 2
Berarti :
dan
sehingga
Lalu didapat
Dan
Jadi sudah didapat semua komponen (P Q R S)
=
A=
A11 =
A12 =
A21 =
A22 = [2]
Maka kita dapat menggunakan rumus karena A11 merpakan matriks Non singular
sehingga kita menggunakan rumus :
A11 A12
A21 A22
- A11 -1 A12 -1
-1
Berdasarkan rumus diatas kita cari nilai nilai dari setiap matriks diatas :
A11 -1 =
= A22 A21 A11 -1 A12
= [2]
= -2
-1 = - 0.5
A11 -1 + A11 -1 A12 -1 A21 A11 -1 =
- A11 -1 A12 -1 =
-0.5
0.5
-0.5
0.5
0.5
0.5
-0.5
>> inv(A)
ans =
-5
-1
SEMIDEFINIT MATRICES
Suatu matriks Hermitian AMn dikatakan definit positif jika x*Ax > 0, untuk semua x Cn.
Jika ketaksamaan di atas diperlemah menjadi x * Ax 0 maka A dikatakan semidefinit
positif. Secara implicit, ruas kiri pada ketaksamaan di atas menyatakan suatu bilangan
real.
Matrik Hessian
Beberapa konsep dalam matriks dan aljabar seperti matriks Hessian dapat kita gunakan sebagai
salah satu metode untuk menentukan jenis matriks seperti matriks definite positive, semidefinite positif,
definite negative atau indefinite dan definit negative.
Diberikan f(x1, x2, , xn) adalah sebuah fungsi dengan n variable, (x1, x2, , xn). Matriks Hessian
adalah matriks yang merupakan turunan parsial dari fungsi tersebut dengan susunan seperti berikut :
11
21
(H) = .
.
1
12
22
..
2
2
2)
11 = (
2 =
..
1 =
2
2
2
1
2
2
)
= (
Contoh :
Tentukan matriks hessian dari suatu fungsi dengan tiga variabel berikut :
f(x) = x12 + 2x22 - 3x32 + 4x1x2 - 5x1x3 + 6x2x3
turunan parsial I :
turunan parsial II :
2
2
1)
11 = (
21 =
31 =
=2
2
2 1
2
3 1
=4
= -5
12 =
2
1 2
32 =
2
3 2
2
2
2)
22 = (
=4
=4
=6
13 =
23 =
2
1 3
= -5
2
2 3
2
2
3)
33 = (
=6
= -6
5
6
6
Jika terdapat suatu matriks berukuran (n x n), maka principal minor ke k (kn) adalah suatu sub matriks
dengan ukuran (k x k) yang diperoleh dengan menghapus (n-k) baris dan kolom yang bersesuaian dari
matriks tersebut.
Contoh :
1 2 3
() = 4 5 6
7 8 9
Cara pengujian sederhana untuk menentukan apakah suatu matriks adalah definit positif, semidefinit
positif, definit negative, semidefinit negative atau indefinite. Semua pengujian ini berlaku hanya jika
matriksnya simetris.
b. Setiap nilai eigen dari matriks definit positif adalah bilangan real positif
Bukti:
Misalkan A definit positif dan (A), yaitu suatu nilai eigen dari A dan x adalah vektor eigen
yang bersesuaian dengan .
Perhatikan,
x Ax = xx = xx
Oleh karena itu kita peroleh =
()
c. Sebagai akibat dari bagian (b), trace dan determinan dari matriks definit positif adalah positif
Pada bagian ini kita akan melihat syarat cukup yang harus dipenuhi oleh matriks definit dan semidefinit
positif yang dinyatakan dalam teorema berikut.
Teorema 2
1. Suatu matriks Hermitian AMn adalah semidefinit positif jika dan hanya jika semua nilai
eigennya nonnegative.
2. Suatu matriks Hermitian n AM adalah definit positif jika dan hanya jika semua nilai eigennya
positif.
Bukti:
Jika setiap nilai eigen dari A adalah positif maka untuk sebarang vektor tak nol x Cn
Berlaku
x* Ax = x* U* DUx = y* Dy == > = | || | > 0
Dimana D adalah matriks diagonal dengan entri-entri diagonal adalah nilai-nilai eigen dari A, y = Ux dan
U uniter.
Dengan menggunakan teorema di atas kita dapat memperoleh akibat berikut
Akibat 3
Jika n AM suatu matriks semidefinit positif maka demikian juga matriks Ak, k = 1,2,
Bukti:
Jika adalah suatu nilai eigen dari A maka k adalah nilai eigen untuk Ak. Berdasarkan Teorema di atas
maka Ak semidefinit positif.
Contoh Soal :
Contoh 1 :
f(x) = 7x12 + 10x22 + 7x32 4x1x2 + 2x1x3 4x2x3
maka
14 4
2
() = 4 20 4
2 4 14
Contoh 2 :
f(x) = x12 x22 x32 + 3x1x2 3x1x3 + 4x2x3
maka
2 3 3
() = 3 2 4
3 4 2
Contoh 3 :
f(x) = 2x12 + 2x22 + 2x32 + 4x1x2 + 1x1x3 + 4x2x3
maka
2 4 1
() = 4 8 4
1 4 2
Ulinnuha L
(L2F009030)
Susdarminasari T
(L2F009034)
(L2F009091)
d.
(0)
bila r < m dan r < n
(0) (0)
Matrik P dapat diperoleh melalui perkalian antara A, Q, dan -1 sehingga dapat dinyatakan P = AQ-1
CONTOH
Contoh 1 :
Menghitung SVD matrik non singular
2
X=
2
Jawab :
1
Hitung SVD dari matrik X
3
2 3 1 3
7 13
5 7
0
XX T I = 0,,
=0
7 13
0
5
7
=0
7
13
( 5-)(13-) (7)(7) = 0
65 - 5 - 13 + 2 49 = 0
2 - 18 + 16 = 0
1,2 =
2 4
2
2(1)
= 9 65
1 = 0.9377
( XXT I)x = 0
1
0
0.9377
0
5 7
(
-
) =
0
0
0.9377
7 13
2
0
4.0623
7
1
=
0
7
12.0623 2
4.0623x1 + 7 x2 = 0 ; 7 x1 + 12.0623 x2 = 0
x1 =-
x2 = - 1.7232 x2
4.0623
Proses normalisai
1
=
1/2
1.7232
2
1
2.969322 + 22
(1
1/2
2 = 17.0623
2 )
1 1/2
2
1.72322
2
1.72322 1/2
(1.72322 2 )
2
1.7232
2
0.8649
1
=
0.5019
2 3.9693
( XXT I)x = 0
5
(
7
1
0
17.0623
0
7
-
) =
0
0
17.0623
13
2
1
0
12.0623
7
=
0
7
4.0623 2
-12,0623x1 + 7 x2 = 0 ; 7 x1 4.0623 x2 = 0
x1 =
12.0623
x2 = 0.5803 X2
Proses normalisai
2 =
=
1/2 =
0.5803
1
2
1/2 =
0.3367 22 + 22
2 )
(1
1/2 =
(0.5803 X2
0.5803 X2
2 )
0.58032 1/2
0.5803
2
0.5019
1
=
0.8649
2 1.3367
0,8649 0,5019
Sehingga eigenvektor yang didapat dari 1 2 adalah P =
0,5019 0,8649
Ketiga mencari nilai eigenvalue dari XTX
2 2 2 1
8
=
1 3 2 3
8
8 8
X T X I = 0,,
8 10
8
8
=0
8
10
B = XT X =
10
0
=0
0
( 8-)(10-) (8)(8) = 0
80 - 8 - 10 + 2 64 = 0
2 - 18 + 16 = 0
1,2 =
2 4
2
= 9 65
1 = 0.9377
( XTX I)x = 0
1
0
8 8
0.9377
0
(
-
) =
0
8 10
0
0.9377
2
0
7.0623
8
1
=
0
8
9.0623 2
7.0623x1 + 8 x2 = 0 ; 8 x1 + 9.0623 x2 = 0
x1 =-
7.0623
x2 = - 1.1328 x2
Proses normalisai
1
=
1/2
1.1328
2
1
1,283222 + 22
2 )
(1
1/2
2 = 17.0623
1 1/2
2
1.13282
2
1.13282 1/2
(1.13282 2 )
2
1.1328
2
0.7497
1
=
0.6618
2 2.2832
( XT X I)x = 0
1
0
8
17.0623
0
-
) =
0
10
0
17.0623
2
8
(
8
1
0
9.0623
8
=
0
8
7.0623
2
-9,0623x1 + 8 x2 = 0 ; 8 x1 7.0623 x2 = 0
x1 =
9.0623
x2 = 0.8828 X2
Proses normalisai
2
=
1/2
0.8828
0.7793 22 + 22
1
2
2 )
(1
1/2 =
1
2
1/2
(0.8828 X2
0.8828 X2
2 )
2
0.6618
1
=
0.7497
2 1.7793
1
Sedangkan matrik adalah =
0
0,9377
0
0.88282 1/2
0.8828
0,9684
0
=
0
17,0623
0,7497 0,6618
0,6618 0,7497
4,1307
0
0,7497 0,6618
0,8649 0,5019 0,9684
0
4,1307 0,6618 0,7497
0,5019 0,8649
2 1
2 3
2 1
Terbukti bahwa P Q = X =
2 3
Contoh 2 :
Menghitung SVD matrik simetri non singular, bedanya ini langsung mencari eigenvalue tanpa
harus mengalikannya dengan transposenya.
1. Diketahui A =
5 2
2 2
=0
2
2
( 5-)(2-) 4 = 0
10 - 5 - 2 + 2 4 = 0
2 - 7 + 6 = 0
0
4 2
1
=
0
2 1 2
2x1 + x2 = 0
x1 =-
1
2
x2 = - 0,5 x2
Proses normalisasi
1
=
1/2
0,5
2
1
1/2
0,2522 + 22
2 = 6
(1
1
2
1 1/2
2
2 )
(0,52
0,52
2
0,52 1/2
2 )
0,25
2
0.4472
1
=
0.8944
2 1,25
( A I)x = 0
1
0
6 0
5 2
(
-
) =
0
0 6
2
2 2
1
0
1 2
=
0
2 4 2
-x1 + 2 x2 = 0
x1 = 2 X2
Proses normalisai
2 =
=
1
2
2
1
1/2
1/2
4 22 + 22
(1
2 )
1 1/2
2
2X
(2 X2
2 )
1/2
2
2
2
2
0.8944
1
=
0.4472
2 5
4. Menentukan
= 1
0
0
1
=
2
0
5
=
2
2
5 2
maka terbukti nilai X XT = A =
2
2 2
0,4472 0,8944
0,8944 0,4472
Contoh 3:
Menghitung SVD matriks A(mxn) = A(3x2)
1 1
A= 0 1
1 0
Jawab:
1 0 1
AT =
1 1 0
1 1
1
0
1
0 1 = 2 1
ATA =
1 1 0 1 0 1 2
Eigenvalue ATA
2 1 0
1 2 0 = 0
(2- )2-1=0
4-4 + 2-1=0
2-4 +3=0
( -3)( -1)=0
1=1 2=3
2
1
1
=0
2
Eigenvektor ATA
Untuk 1=1
( A 1I ) x = 0
2
1
1 x1 0
=
2 x2 0
2 1 1 x1 0
=
1
2 1 x2 0
1 1 x1 0
1 1 x = 0
2
x1 + x2 = 0 x1 = - x2
Proses Normalisasi
x1 =
x1
x2
( x1
[x
x
x2 ) 1
x2
x2
x2
2
2
+ x22
=
2
x2
x
2
( x2
x
x2 ) 2
x2
x2 1
x2
2
=
=
x2 2 1
2
Untuk 1=3
( A 2 I ) x = 0
2
1
1 x1 0
=
2 x2 0
1 x1 0
2 3
=
1
2 3 x2 0
1 1 x1 0
1 1 x = 0
2
-x1 + x2 = 0 x1 = x2
Proses Normalisasi
x2 =
x1
x2
( x1
x
x2 ) 1
x2
=
2
x2
x2
( x2
x
x2 ) 2
x2
1
2
X =
1
2
1
2
1
2
1 1
1 0 1
AA = 0 1
=
1 1 0
1 0
T
2 1 1
1 1 0
1 0 1
=
2
[x
2
2
x2
x2
+ x22
x2
x
= 2 =
x2 2
1
2
1
2
Eigenvalue AAT
2
1
1
2 1 1 0 0
1 1 0 0 0 = 0 1
1
0 =0
1
0
1
1 0 1 0 0
( 2 )( 1 ) ( 1 ) +0+0-( 1 ) -( 1 ) =0
( 2-2 +1)(2- )-(2-2 )=0
2 2-4 +2- 3-2 - -2+2 =0
- 3-3 =0
- ( 2-3)=0 =0 ; =1 ; =3
Eigenvektor AAT
Untuk 1 = 0
( A 1I ) x = 0
1
1 x1 0
2
2 1 1 x1 0
1
1
0 x2 = 0 1 1 0 x2 = 0
1
1 0 1 x3 0
0
1 x3 0
2x1 + x2 + x3 =0 ; x1 + x2 = 0 ; x1 + x3 = 0
x2 = - x1
; x3 = - x1
Proses Normalisasi
1 =
1 =
1 =
[1
[1
1
1
(312 )
1
2
3
1
2
1 12
3 ] 2
3
1
1
1 12
1 ] 1
1
1
1
31
3
1
=
3
1
3
Untuk 2 = 1
1
1 x1 0
2
1 1 1 x1 0
1
1
0 x2 = 0 1 0 0 x2 = 0
1
1 0 0 x3 0
0
1 x3 0
x1 + x2 + x3 =0 ; x1 = 0 ; x1 = 0
x3 = - x2
Proses Normalisasi
2 =
2 =
2 =
[1
1
2
3
[0 3
0
3
3
(232 )
1
2
1 12
3 ] 2
3
0
3
3
0
3 ] 3
3
1
2
0
1
2
= 2
1
2 2
Untuk 3 = 3
1
1 x1 0
1 x1 0
2
1 1
1
0 x2 = 0 1 2 0 x2 = 0
1
1
0
1 x3 0
0 2 x3 0
-x1 + x2 + x3 =0 ; x1 2x2 = 0 ; x1 2x3 = 0
1
x2 = 2 x1; x3 = 2 x1
Proses Normalisasi
3 =
[1
1
2
3
1 12
3 ] 2
3
1
3 =
2 1
1
2 1
1
2 1
2 1
1
2 1
1
2
2
1 2 1
1
2 1
2 1 1
2 1
2 1
1
2 1
0,8165
=
= 0,4082
1,22471
0,4082
Mencari Nilai P:
P = AQ-1
1 1 1
= 0 1 12
1 0 2
2 1
01
1
1
= 2
2
1
1 0
2 2
1
2
2 1
1
0
1
0
1
= 2
2
2
2
6
3
6
6
6
6
= 2
2
2
2
6
3
6 1
6 0
6
6
A = PQ
2
2
0
2
2
2
= 2
2 2
2 2 2
2
2
0 2
3 2
1 1
0 1
1 0
2
2
2
2
2
2
2
2
Contoh 4
Menghitung SVD matriks A(mxn) = A(2x3)
Dapatkan Singular Value Decomposition (SVD) dari matrik yang berukuran mxn berikut ini :
2 2 4
B(23) =
4 2 2
Jawab:
1. Menghitung Matrik BTB dan BBT
2 4
20 4 16
2
2
4
8 4
BTB = C = 2 2
= 4
4 2 2
4 2
16 4 20
2 4
2 2 4
= 24 12
2
2
BB = D =
4 2 2 4 2 12 24
C-I= 0
20 4 16
4
8 4 0
16 4 20 0
20
4
4
8
16
4
0
0 = 0
16
4 =0
20
(20)] = 0
0 0 0
Jika dinyatakan dalam bentuk matrik diagonal 12 = 0 12 0
0 0 36
Eigenvalue Matrik BBT:
D-I= 0
24 12 0
12 24 0 = 0
24
12
[(24)(24) 122] = 0
(2 48 + 576 144) = 0
2 48 + 432 = 0
( 12) ( 36) = 0
1 = 12 dan 2 = 36
12
=0
24
12 0
Jika dinyatakan dalam bentuk matrik diagonal 22 =
0 36
Pada proses mencari eigenvalue matrik BTB (matrik C) didapatkan 1 = 0, mengacu pada
prosedur penyelesaian SVD matrik mn terdapat catatan bahwa: jika dalam perhitungan
eigenvalue didapatkan = 0 maka untuk prosedur perhitungan eigenvalue = 0 diabaikan
yang berakibat eigenvektor untuk kolom = 0 pada prosedur selanjutnya akan dihilangkan
dari matrik eigenvektornya.. Sehingga, matrik diagonal 12 = 22 = 2.
12 0
2 =
0 36
Untuk 1 = 0
(C x1 = 0
4
20
4
8
16
4
16
4 x1 = 0
20
4
16
20 0
4
80
4
16
4 20 0
x11
x = 0
12
x3
20 4 16 x11
4
8 4 x12 = 0
16 4 20 x3
Pers.4
=0
Pers.5
Pers.1
Pers.2
Pers.3
x1* =
x1
(x x )
T
1
1/ 2
x11
x12
x
13
x11
( x11 x12 x13 ) x12
x
13
x13
x13
x
13
( x13 + x13 + x13 )1 / 2
Untuk 2 = 12
1/ 2
x13
x13
x
13
2
(3 x13 )1 / 2
x13
x13
x
13
x13
13
1 / 3 0,5774
= 1 / 3 = 0,5774
1 / 3 0,5774
(C 2) x 2 = 0
4
20
4
8
16
4
16
4 x 2 = 0
20
4
16
20 12
4
8 12
4
16
4 20 12
x 21
x = 0
22
x 23
4 16 x 21
8
4 4 4 x = 0
22
16 4 8 x 23
8 x 21 + 4 x 22 + 16 x 23 0
4 x 4 x 4 x = 0
22
23
21
16 x 21 4 x 22 + 8 x 23 0
1/ 2
8 x 21 + 4 x 22 + 16 x 23 = 0
4 x 21 4 x 22 4 x 23 = 0
16 x 4 x + 8 x = 0
21
22
23
Pers.1
Pers.2
Pers.3
Pers.4
=0
x22 = 2x23
Pers.5
x 2* =
x2
(x x )
T
2
1/ 2
x 21
x 22
x
23
x 21
( x 21 x 22 x 23 ) x 22
x
23
1/ 2
x 23
2 x 23
x
13
x 23
( x 23 2 x 23 x 23 ) 2 x 23
23
1/ 2
x 23
2 x 23
x
23
( x 23 + 4 x 23 + x 23 )1 / 2
Untuk 3 = 36
x 23
2 x 23
x
23
2
(6 x 23 )1 / 2
1 / 6 0,4082
= 2 / 6 = 0.8165
1 / 6 0,4082
(C 3) x3 = 0
4
20
4
8
16
4
16
4 x3 = 0
20
4
16
20 36
4
4
8 36
4 20 36
16
4
16
16
4
28 4
16
4 16
x31
x = 0
32
x33
x31
x = 0
32
x33
Pers.1
Pers.2
Pers.3
Pers.4
Pers.5
x3 =
x3
(x x )
T
3
1/ 2
x31
x32
x
32
x31
( x31 x32 x33 ) x32
x
33
x33
0
x
33
( x33 + x33 )1 / 2
2
x33
0
x
33
2
(2 x33 )1 / 2
1/ 2
x33
0
x
13
x33
( x33 0 x33 ) 0
x
33
1 / 2 0,7071
= 0
= 0
1 / 2 0,7071
1/ 2
0,4082 0,7071
0
Q = 0,8165
0,4082 0,7071
Eigenvektor Matrik BBT:
Untuk 1 = 12
(D 1I) x1 = 0
24
12
12
x1 = 0
24
12
24 12
12
24 12
x11
x = 0
12
12 12 x11
12 12 x = 0
12
12 x11 + 12 x12 0
12 x + 12 x = 0
12
11
12 x11 + 12 x12 = 0
12
+
12
=
0
x
x
12
11
12x11 + 12x12 = 0
x11 + x12 = 0
x11 = x12
Pers.3
Pers.1
Pers.2
x1* =
x1
(x x )
T
1
1/ 2
x11
x12
( x11
x
x12 ) 11
x12
1/ 2
x12
x12
( x12
x
x12 ) 12
x12
x12
x12
1 / 2 0,7071
x12
x12
=
=
=
2
2 1/ 2
2 1/ 2
( x12 + x12 )
(2 x12 )
1 / 2 0,7071
Untuk 2 = 36
(D 2I) x 2 = 0
24
12
12
x2 = 0
24
12
24 36
12
24 36
12 12
12 12
x 21
x = 0
22
x 21
x = 0
22
12 x 21 + 12 x 22 0
12 x 12 x = 0
21
22
12 x 21 + 12 x 22 = 0
12 x 21 12 x 22 = 0
12x21 + 12x22 = 0
x21 + x22 = 0
x21 = x22
Pers.3
Pers.1
Pers.2
1/ 2
x 2* =
x2
(x x )
T
2
1/ 2
x 21
x 22
( x 21
x
x 22 ) 21
x 22
1/ 2
x 21
x 22
( x 21
x
x 22 ) 21
x 22
x 21
x 21
1 / 2 0,7071
x 22
x
=
= 222 1 / 2 =
2
2 1/ 2
( x 21 + x12 )
(2 x 22 )
1 / 2 0,7071
0,7071 0,7071
0 36
0
1 / 12
0
-1 =
=
1 / 12
0
0 3,464 0
=
6
36 0
0
0,2887
0
0,1667
Didapatkan:
P1 = B Q1 -1
0,4082 0,7071
0
2 2 4
0,2887
0
,
8165
0
P1 =
0,1667
4 2 2 0,4082 0,7071 0
0
2,4494 4,2426 0,2887
P1 =
0,1667
2,4494 4,2426 0
0,7071 0,7071
P1 =
0,7071 0,7071
1/ 2
6 0,7071
0
0,7071
0,7071 0,7071 0
2,4494 4,2426 0,4082 0,8165 0,4082
B=
0
0,7071
2,4494 4,2426 0,7071
2,0001 2,0000 3,9999
B=
4 2 2
1. norm-1 : ||x||1 x i ;
i =1
x
i =1
2
i
= (xTx)1/2;
(i) Positif
(3) 2 + (4) 2 =
25 = 5
Jadi norm dari suatu vector akan selalu bernilai positif untuk semua nilai vector (baik
itu positif maupun negative)
(ii) Definit positif
(iii) Homogen
Pembuktian :
Misalkan = 5 dan x = 3i+4j.
Maka ||x|| = ||.||x||
||5(3i+4j)|| = |5|.||3i+4j||
||15i + 20j|| = |5|.5
152 + 202 = 25
625 = 25
25 = 25 (Terbukti)
||x+y|| ||x||+||y||
Pembuktian :
Misalkan x = 3i+4j , y = 2i+3j
Maka ||x+y|| ||x||+||y||
||(3i+2i) + (4j+3j)|| ||3i+4j|| + ||2i+3j||
||5i + 7j|| 5 + 3,605
52 + 7 2 5 + 3,605
MATRIX NORM
Norm juga digunakan pada matriks. Ruang matriks Mn adalah suatu ruang
vector berdimensi n2. Dengan demikian sifat-sifat norm vektor di ruang berdimensihingga tetap berlaku di sana. Perbedaannya, untuk sembarang A dan B di Mn kita
dapat mengalikan keduanya yang menghasilkan matriks baru AB di Mn juga.
Sangatlah wajar jika kita menginginkan suatu ukuran matriks yang memberikan
hubungan antara ukuran ketiganya
Suatu fungsi||.||: Mn R disebut norm matriks jika untuk sembarang A,
BMn berlaku lima sifat berikut:
(1). ||A|| 0 untuk norm matrix akan selalu bernilai positif
(1a).||A||= 0 jika dan hanya jika A = 0
(2). ||cA||= |c|.||A|| untuk semua scalar kompleks c.
(3). ||A + B|| ||A||+ ||B||
(4). ||AB|| |A|.||B||(sub-multiplikatif)
Pada definisi di atas keempat sifat pertama tidak lain merupakan sifat-sifat norm
vektor. Adapun sifat terakhir ditambahkan untuk menghubungkan ukuran matriks
matriks A, B dan hasil perkalian keduanya yaitu matriks AB. Inilah yang membedakan
Norm matriks dengan norm vektor.
Dengan melihat keterkaitan antara ruang Mn dan Cn maka kita dapat mendefinisikan
suatu norm di Mn dengan melibatkan norm di Cn seperti pada definisi berikut.
= max {
||||
Untuk p = 1, 2, dan
: x Cn dengan ||x|| 0}
Untuk p =1
||A||1 = max1
=1 | |
,nilai
maksimum
dari
masing-masing
dari
masing-masing
Contoh :
3 5 7
A = 2 6 4
0 2 8
||A||1= max (3+2+0, 5+6+2, 7+4+8) = max (5,13,19) = 19
Jadi ||A||1 = 19
Untuk p =
||A||= max1 =1 ||
,nilai
maksimum
Contoh :
3 5 7
A = 2 6 4
0 2 8
||A||= max (3+5+7, 2+6+4, 0+2+8) = ma x(15,12,10) = 15
Jadi ||A|| = 15
Untuk p= 2 atau sering disebut dengan Euclidian norm / spectral norm.
||A||2= ||A|| = max( ) = (akar dari nilai eigen maksimal dari (A transpose x A)
Contoh :
2
A=
4
2 4
A* =
1 3
2 4 2 1
20
A*A =
=
1 3 4 3
14
14
10
0
20 14
= |
-
|
0
14 10
20 14
=|
|
14 10
= (S-20)(S-10) - 196
= S2- 30S + 200 -196
= S2-30S + 4
S1,2
2 4
30 (30)2 4(4)
S1
S2
30 90016
2
= 15 14,86
14,86 = 0,14
FROBENIOUS NORM
Matriks norm yang lain yang sering digunakan adalah frobenius form. Frobenius
form dituliskan:
2
2
||A||f := ( ) =
=1 =1 || =
Lebih mudahnya, perhitungan frobenius form adalah akar dari jumlah kuadrat nilai
eigen dari (A transpose x A).
Contoh:
2 1
A=
4 3
2 4
A* =
1 3
2 4 2 1
20
A*A =
=
1 3 4 3
14
14
10
0
20 14
= |
-
|
0
14 10
20 14
=|
|
14 10
= (S-20)(S-10) - 196
= S2- 30S + 200 -196
= S2-30S + 4
S1,2
2 4
30 (30)2 4(4)
S1
S2
30 90016
2
= 15 14,86
= 15 + 14,86 = 29,86
= 15
14,86 = 0,14