You are on page 1of 30

8.

1 Transformasi Linier Umum

Bukan lagi transformasi Rn  Rm,
tetapi transformasi linier dari
ruang vektor V  vektor W.

Remind transformasi Rn  Rm

Remind transformasi Rn  Rm
Contoh : The equations
w1  x1  x 2
w2  3 x1 x 2
w3  x12  x 22
define a transformation T:R 2  R 3 .
 T(x1 ,x 2 )  ( x1  x 2 ,3 x1 x 2 , x12  x 22 )
Thus, for example, T (1,2)  (1,6,3)

TRANSFORMASI LINIER • Suatu fungsi yang memetakan suatu vektor di ruang vektor V ke ruang vektor W ( dinotasikan dengan T : V  W) disebut transformasi linear jika untuk setiap vektor u dan v  V berlaku: 1. dengan k skalar . T(u+v) = T(u) + T(v) 2. T(ku) = k T(u).

Pemetaan T:V→W . Transformasi linear T : V  W dengan T (u ) = A u disebut Transformasi Matriks. T (u+v) = 0  T (u) = 0. T: VV disebut Operator Linear V. disebut transformasi nol jika . T (u+v) =T (u) +T (v) dan T (k u) = kT (u) Pemetaan I: V→V yang didefinisikan oleh I (v) = v disebut operator identitas pada V. T (v) = 0 dan T (k u) = 0 Dengan demikian. . A disebut matriks transformasi. Beberapa Istilah dalam TL Tranformasi linear yang bekerja pada ruang vektor yang sama V=W .

maka fungsi T:V  V yang didefinisikan oleh T (v) = k v  operator linier pada V  Dilation/Pelebaran V : k > 1  Contraction/ Penyempitan V: 0 < k < 1 . ContohTL Dilation and Contraction operators Jika V sebarang vektor dan k sebarang skalar.

….wr>wr Bukti bahwa T adalah suatu transformasi linier diperoleh dari sifat-sifat hasil kali dalam. maka proyeksi orthogonal dari V pada W adalah transformasi yang didefinisikan oleh: T (v ) = projwv Jika S = {w1. w2>w2 +… + <u. wr}  sebarang basis ortonormal untuk W.w1>w1 + <v. ContohTL Proyeksi Orthogonal Jika W adalah sub ruang berdimensi terhingga dari suatu ruang hasil kali dalam V. w1>w1 + <v. maka T (v ) : T (v ) = projwv = <v. wr> wr = <u. w2. w1>w1 + <u+v. sbb: T (u+v) = <u+v.w2>w2 +…+<v. w2>w2 +… +<u+v. wr>wr + <v.wr>wr = T (u) + T (v) Dengan cara yang sama: T (ku) = kT (u) . w1>w1 + <u. w2>w2 +… +<v.

z) adalah sebarang vektor R3 . 0) = ( x. Jika v = (x. 0) + y (0. 0.1. ContohTL Computing an Orthogonal Projection Anggap V = R3 memiliki hasil kali dalam Euclidean.0) membentuk basis ortonormal bidang xy.0) dan w2 = (0.y. Vektor w1 = (1. w2>w2 = x (1. 0 ) Proyeksi Ortogonal R3 pada bidang xy .0. w1>w1 + <v. 1. proyeksi ortogonal dari R3 pada bidang xy adalah: T (v ) = <v. y.

ky1) = (2kx1.CONTOH • Misalkan F:R2R2 adalah fungsi yang didefinisikan oleh F(w) = (2x. y2)) F(u + v) = F(u) + F(v) => terbukti Bukti kedua: F(ku) = F(kx1. y1) F(ku) = k F(u) => terbukti Jadi F adalah trasnformasi linier . y1+y2) = (2(x1+x2). y2)) = F(x1+x2. y1) dan v = (x2. y) dengan w = (x. (y1+y2)) = ((2x1. ky1) = k (2x1. y1) + (x2. y2) • Bukti pertama: F(u + v) = F((x1. y1) + (2x2. y) di R2. buktikan bahwa F merupakan transformasi linier • Misalkan u = (x1.

…. kita dapatkan: T (c1 v1 + c2 v2) = T (c1 v1 ) + T (c2 v2) = c1T (v1 ) + c2T (v2) Dan secara lebih umum v1 . vn adalah vektor-vektor pada V dan c1 . . v2 . cn adalah skalar. maka untuk sebarang vektor v1 dan v2 dalam V dan sebarang skalars c1 dan c2 . maka: T (c1 v1 + c2 v2 +…+ cn vn ) = c1T (v1 ) + c2T ( v2 ) +…+ cnT ( vn ) 1) 1) transformasi linear mempertahankan kombinasi linear. c2 . Sifat-sifat Transformasi Linear Jika T:V→W adalah suatu transformasi linear. ….

Since v=0. T (v-w)= T (v + (-1)w) = T (v) + (-1)T (w) = T (v) -T (w) . we have T (0)=T (0v)=0T (v)=0 (b) T (-v) = T ((-1)v) = (-1)T (v)=-T (v) (c) v-w=v+(-1)w.T (w) untuk semua v dan w dalam V Proof.1 Jika T:V→W adalah suatu transformasi linear.1. (a) Let v be any vector in V. Tiga Sifat Dasar Transformasi Linear Theorem 8. maka: (a) T (0) = 0 (b) T (-v ) = -T (v ) untuk semua v dalam V (c) T (v-w ) = T (v ) . thus.

T (v2). …. vn } adalah sebarang basis untuk V. v2 . T (c1 v1 + c2 v2 +…+ cn vn ) = c1T (v1 ) + c2T ( v2 ) +…+ cnT ( vn ) . Nyatakan v sebagai kombinasi linear dari vektor-vektor basis. v = c1 v1+ c2 v2+ …+ cn vn Gunakan rumus (1) untuk menulis: T (v) = c1 T (v1) + c2 T (v2) + … + cn T (vn)  Suatu transformasi linear secara lengkap ditentukan oleh bayangan sebarang vektor-vektor basis. Mencari Transformasi Linear dari Bayangan Vektor Basis Jika T:V→W adalah suatu transformasi linear dan {v1 . …. T (vn) dari vektor-vektor basis. maka bayangan T (v) dari sebarang vektor v pada V dapat dihitung dari bayangan: T (v1).

v3 } untuk R3 . x2 .0).-1).0).1. T (v3)=(4.0).3) Carilah rumus untuk T (x1 .0.1.1).Mencari Transformasi Linear dari Bayangan Vektor Basis Contoh: Tinjau basis S = {v1 .5).-3. v2 =(1. kemudian gunakan untuk menghitung T (2. Anggap T: R3 →R2 adalah transformasi linear sedemikian sehingga: T (v1)=(1. x3 ). T (v2)=(2. dan v3 = (1. . dimana v1 = (1. v2 .

x2 ) v3 Jadi transformasi linear: T (x1 .x2 ) (4.1. 3x1 .23) .0. x3 ) sebagai kombinasi linear v1 =(1.4x2 +x3) Dari rumus ini kita dapatkan T (2 .1) + c2 (1.0).x3 ) T (v2) + (x1 . x2 .1.0) + c3 (1.x3 .1.0) Dengan menyamakan komponen yang bersepadanan: c1 + c2 + c3 = x1 c1 + c2 = x2 c1 = x3  c1 = x3 .x2 . x2 . x3 ) = x3 (1.Jawab: Nyatakan x = (x1 .1. (x1 .0.x2 ) (1.0).x3 ) (1. -3 . x2 .3) = (4x1 -2x2 -x3 . v2 =(1.1) + (x2 .0.1.1). and v3 = (1.1.x3 ) (2. x2 . x3 ) = x3 T (v1) + (x2 . x3 ) = c1 (1. c2 = x2 .0) + (x1 . sehingga Kombinasi Liner: (x1 .0) = x3 v1 + (x2 .-1) + (x1 .x2 ) T (v3) = x3 (1.0) + (x2 .x3 ) v2 + (x1 . 5 ) =(9. c3 = x1 .

then it follows from (2) and the linearity of T1 andT2 that (T2 oT1 )(u+v) = T2 (T1(u+v)) = T2 (T1(u)+T1 (v)) = T2 (T1(u)) + T2 (T1(v)) = (T2 oT1 )(u) + (T2 oT1 )(v) and (T2 oT1 )(c u) = T2 (T1 (c u)) = T2 (cT1(u)) = cT2 (T1 (u)) = c (T2 oT1 )(u) Thus. T2 oT1 satisfies the two requirements of a linear transformation. Proof. Komposisi T2 dengan T1 Jika T1 :U→V dan T2 :V→W adalah transformasi linear maka (T2 o T1 ):U→W juga merupakan transformasi linear. If u and v are vectors in U and c is a scalar. .

komposisi T2 dan T1 . adalah fungsi yang didefinisikan oleh rumus (T2 oT1 )(u) = T2 (T1 (u)) (2) dimana u adalah vektor dalam U . dinotasikan T2 oT1 (baca“T2 circle T1 ”). Komposisi T2 dengan T1 Jika T1 :U→V dan T2 :V→W adalah transformasi linear.

T3 o T2 oT1 Dapat disimpulkan bahwa komposisi bisa didefinisikan untuk lebih dari dua transformasi linear.dan T3 : W → Y adalah transformasi linear. Misalnya: T1 : U → V and T2 : V→ W . maka komposisi T3 o T2 oT1 didefinisikan oleh: (4) .

Contoh Anggap T1 : P1 → P1 dan T2 : P2 → P2 adalah transformasi linear yang diberikan oleh rumus T1(p(x)) = xp(x) dan T2 (p(x)) = p (2x+4) Komposisi (T2 。T1 ): P1 → P2 diberikan oleh rumus: (T2 。T1 )(p(x)) = (T2)(T1(p(x))) = T2 (xp(x)) = (2x+4)p (2x+4) .

Contoh .

2 Kernel And Range .8.

. Definisi Jika T:V W adalah suatu transformasi linear. maka • himpunan vektor pada V yang dipetakan T ke 0 disebut kernel dari T • himpunan semua vektor pada W yang merupakan bayangan dibawah T yang paling tidak merupakan satu vektor pada V disebut daerah hasil dari T dinyatakan R(T).

Proof (b). and let k be any Let w1 and w2 be vectors in the range of T . Let v1 and v2 be vectors in ker(T ). Then T (a) = T (a1 + a2) = T (a1) + T (a2) = w1 + w2 Also. T (b) = T (k a1) = kT (a1) = k w1 . and let k be any scalar. T (k v1) = kT (v1) = k 0 = 0 and so that k v1 is in ker(T ). Sifat Kernel dan Daerah Hasil Jika T:V→W adalah suatu transformasi linear . T (v1 + v2) = T (v1) + T (v2) = 0+0 = 0 Let a = a1 + a2 and b = k a1 . maka (a) Kernel dari T adalah sub ruang dari V (b) Daerah hasil dari T adalah sub ruang dari W Proof (a). There are vectors a1 scalar. so that v1 + v2 is in ker(T ). Then and a2 in V such that T (a1) = w1 and T(a2) = w2 .

• nullity (T): kekosongan (T) Dimensi kernel disebut kekosongan dari T  nullity (T). . Peringkat dan Kekosongan Transformasi Linear Jika T:V→W adalah suatu transformasi linear. • rank (T): peringkat T dimensi daerah hasil dari T disebut  peringkat dari T  rank(T).

m×n.2. maka • nullity (TA ) = nullity (A ) • rank (TA ) = rank (A ) .2 Jika A adalah suatu matriks mxn dan TA :Rn →Rm adalah perkalian dengan A.Peringkat dan Kekosongan Transformasi Linear Untuk TA :Rn →Rm adalah perkalian dengan matriks A. maka • Kernel dari TA  ruang kosong A • Daerah hasil TA  ruang kolom A Theorem 8.

Contoh Jika TA :R6 →R4 dikalikan oleh  1 2 0 4 5  3  3 7 2 0 1 4 A=   2 5 2 4 6 1    4 9 2 4 4 7  Cari peringkat dan kekosongan TA .

Cari peringkat dan kekosongan dari matriks A sbb: Bentuk baris-eselon tereduksi A: Ada 2 baris tak-nol atau ada dua utama 1. Ruang baris dan ruang kolom berdimensi 2. maka. sehingga rank(A) = 2 .

sehingga. kekosongan(A) = 4 .Untuk mencari kekosongan dari A. cari dimensi ruang penyelesaian dari sistem liner homogen Ax = 0 Ruang Null Empat vektor membentuk suatu basis untuk ruang penyelesaian.

rank(A) = 2  rank(TA) =2 kekosongan(A) = 4  kekosongan (TA) = 4 .

.3 Jika T:V→W adalah suatu transformasi linear dari suatu ruang vektor V berdimensi n ke suatu ruang vektor W. maka rank (T ) + nullity (T ) = n  Transformasi linear peringkat ditambah kekosongan sama dengan dimensi daerah asal.2. Teorema Dimensi untuk Transformasi Linear • Theorem 8.

Contoh Jika TA :R6 →R4 dikalikan oleh  1 2 0 4 5  3  3 7 2 0  A=  1 4  2 5 2 4 6 1    4 9 2 4 4 7  rank(A) = 2  rank(TA) =2 kekosongan(A) = 4  kekosongan (TA) = 4 rank (T ) + nullity (T ) = n = 6 .