MAKALAH ALJABAR LINIER

Eigenvalues & Eigenvectors

NAMA NRP

: Ach.Choirur Rosyid : 09.04.111.00068

JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO MEI 2010

Dan pasangan ( adalah eigenvalue dari A . Dalam hal ini. x ) disebut eigenpair Jika Anda ditanya apakah ini eigenvector yang memiliki eigenvalue yang untuk . A. kata skalar tidak terbatas pada bilangan real. untuk A. suatu eigenvektor tidak dapat vektor nol. Misalkan A matriks persegi. Semua eigenvalue dan eigenvektor memenuhi persamaan untuk diberikan matriks persegi. Mari kita lihat contoh dari eigenvalue dan eigenvektor. Suatu eigenvektor dapat disimbolkan oleh huruf kecil x. Kita mengatakan bahwa jika ada ada seorang non-nol vektor x seperti yang disebut eigenvektor (sesuai dengan A. dengan kata lain. Di dimana di haruskan eigenvektor menjadi vektor non-nol. Bilangan real sebagai skalar tetapi seringkali kompleks eigenvalue angka.BAB II DEFINISI Kata-kata eigenvektor eigenvalue berasal dari bahasa Jerman "eigen" yang berarti "benar" atau "karakteristik matriks. Anda bisa mencari tahu dengan mensubstitusikan x. Secara umum. dan A ke dalam persamaan Oleh karena itu. x . ." Sebuah eigenvalue persegi adalah skalar yang biasanya diwakili oleh huruf Yunani (Diucapkan lambda). ). dan x adalah nilai karakteristik dan eigenvektor masing-masing.

Apakah “x” sebuah eigenvektor" sesuai dengan beberapa skalar dari sebuah eigenvektor . eigenvalue yang dapat menjadi nol tanpa menyebabkan masalah. Jika Anda membiarkan c mewakili skalar. maka kita dapat membuktikan fakta ini melalui langkah-langkah berikut. Eigenvektor sesuai dengan transpose dari matriks transisi adalah transpose dari setiap baris dari matriks yang k A k menyatu sebagai tumbuh. Kita biasanya mengatakan bahwa x adalah eigenvector yang memiliki eigenvalue yang jika mereka memenuhi Karena setiap eigenvektor terkait dengan eigenvalue. saat menunjukkan pada contoh sebelumnya. Setiap baris matriks tersebut adalah eigenvektor A T karena semua baris itu adalah matriks sama.Mengapa kami mengharuskan eigenvektor tidak nol? Jika eigenvektor adalah nol. kita mendefinisikan sebuah eigenvektor menjadi vektor non-nol yang memenuhi Namun. Anda dihitung sebuah eigenvector T ketika Anda menemukan matriks yang tampaknya probabilitas untuk berkumpul setelah banyak langkah. Banyak dari "dunia nyata" aplikasi terutama tertarik pada eigenpair dominan. Oleh karena itu. Definisi eigenvektor dominan dari suatu matriks adalah eigenvektor sesuai dengan besarnya eigenvalue terbesar (untuk bilangan real. Hal ini karena tidak nol. persamaan akan menghasilkan 0 = 0. baris . Eigenvektor yang Anda temukan disebut eigenvektor dominan. kita sering merujuk pada suatu x dan yang sesuai dengan satu sama lain sebagai eigenpair. Metode yang digunakan untuk menemukan eigenvektor ini disebut metode kekuasaan. persamaan eigenvektor untuk transformasi linear A dapat ditulis dalam representasi matriks berikut: Ketika kita mempelajari rantai Markov. nilai mutlak terbesar) dari matriks tersebut. ?. Kami menulis baris yang sebagai vektor kolom ketika kita menggunakannya sebagai sebuah eigenvektor.

Oleh karena itu. Mari kita lihat apakah . tetapi bahwa hanya skala dengan faktor λ. Artinya bahwa vektor x memiliki properti yang arahnya tidak berubah dengan transformasi A. Eigenvalue dominan selalu 1 untuk matriks transisi. Persamaan memegang. sehingga A x bukan kelipatan x. sebuah eigenvektor sesuai dengan eigenvalue dominan. Tentu saja. Kebanyakan vektor x tidak akan memuaskan seperti persamaan: vektor khas x arah perubahan ketika bertindak berdasarkan oleh A. jadi kami telah menemukan eigenpair sesuai dengan transpose matriks transisi. Persamaan kunci dalam definisi ini adalah persamaan eigenvalue. Mari kita lihat contoh yang kita gunakan pada bab rantai Markov. jika A merupakan kelipatan dari matriks . 1. Ini berarti bahwa hanya vektor khusus tertentu x adalah eigenvektor. Pertimbangkan matriks Jika k adalah besar.ini semuanya sama. A x = λ x. berlaku. dan hanya skalar khusus tertentu λ adalah nilai eigen.

identitas . bukan merupakan kasus yang menarik. Persyaratan yang eigenvektor yang menjadi non-nol dikenakan karena persamaan A 0 = λ 0 berlaku untuk setiap A dan setiap λ. Sebaliknya. seorang eigenvalue dapat nol dengan cara yang trivial. persamaan eigenvektor untuk transformasi linear A dapat ditulis dalam representasi matriks berikut: Dimana matriks penjajaran menunjukkan perkalian matriks . Satu eigenvalue dapat dikaitkan dengan beberapa atau bahkan dengan jumlah terbatas eigenvektor. . Setiap eigenvektor terkait dengan eigenvalue tertentu. Karena persamaan trivial selalu benar. dan semua non-vektor nol adalah eigenvektor. maka tidak ada vektor perubahan arah.

adalah mungkin untuk menemukan eigenvektor.BAB III PERHITUNGAN EIGENVALUE dan EIGENVEKTOR Contoh Matriks Mendefinisikan sebuah transformasi linier Eigennilai transformasi ini diberikan oleh persamaan karakteristik Akar dari persamaan ini (yaitu λ nilai-nilai yang memiliki persamaan) adalah λ = 1 dan λ = 3. kita menemukan eigenvektor dengan eigenvalue 3 menjadi . kita bebas untuk memilih nilai apapun untuk x (kecuali 0). Setelah menemukan eigennilai. kita telah Setelah perkalian matriksPersamaan matriks merupakan suatu sistem dari dua persamaan linier 2 x + y = 3 x dan x + 2 y = 3 y. sehingga dengan memilih x = 1 dan y = x pengaturan. Baik untuk mengurangi persamaan persamaan linear x = y Untuk menemukan eigenvektor. Mengingat pertama eigenvalue λ = 3.

tapi untuk dimensi lebih besar dari atau sama dengan 5 ada umumnya tidak ada solusi tepat dan kita harus memakai metode numerik untuk menemukannya.Kita dapat memastikan ini adalah eigenvektor dengan 3 eigenvalue dengan memeriksa tindakan dari matriks vektor ini: Setiap beberapa skalar dalam eigenvektor ini juga akan menjadi eigenvektor dengan 3 eigenvalue.y. dan karenanya suatu eigenvektor dengan eigenvalue 1 diberikan oleh Kompleksitas masalah untuk menemukan akar / eigennilai dari kenaikan polinomial karakteristik pesat dengan meningkatkan derajat polinom (dimensi ruang vektor). proses yang sama mengarah ke persamaan x = . Untuk eigenvalue λ = 1. . Ada solusi tepat untuk dimensi kurang dari 5.

Jika E 1> E 2> E 3 kain adalah linier. If E 1 = E 2 = E 3. dari orientasi clast / dip. Analisis Faktor PCA dari distribusi Gaussian multivariat berpusat pada (arah ortogonal 1.478) dan 1 arah dalam. dan eigennilai untuk varians dijelaskan oleh faktor-faktor ini. yang hanya dapat dibandingkan grafis misalnya di dalam Tri-Plot (Sneed dan Rakyat) diagram atau sebagai sebuah Stereonet pada sebuah Wulff Net Output untuk orientasi tensor dalam (tegak lurus) sumbu ortogonal tiga ruang. ahli geologi dapat mengumpulkan data seperti selama ratusan atau ribuan clasts dalam suatu sampel tanah. dan ilmu terapan lain yang berhubungan dengan data dalam jumlah besar. di kompas mawar dari 360 °. Analisis Faktor adalah statistik teknik yang digunakan dalam ilmu-ilmu sosial dan pemasaran . Eigenvektor output dari program seperti Stereo32 [23] berada di urutan 1 ≥ E ≥ E 2 E 2 3. E 2. Dalam analisis faktor . riset operasi . Di lapangan. Geologi dan glaciology Dalam geologi . ditentukan oleh sifat sedimen yang kain. yang eigenvektor dari matriks kovarians atau matriks korelasi sesuai dengan faktor-faktor .878.3) dengan standar deviasi dari 3 di kurang lebih (0. kain dikatakan isotropik. 0.BAB IV Implementasi 1. manajemen produk . dengan E 1 sebagai orientasi utama 3.Dip diukur sebagai eigenvalue itu. Orientasi clast didefinisikan sebagai eigenvektor. Jika E 1 = E 2> E 3 2. terutama dalam studi glasial sampai . dan E 3 adalah 3. E menjadi sekunder dan tersier yang E dalam hal kekuatan. Tujuannya adalah untuk menjelaskan sebagian besar covariability di antara sejumlah diamati variabel acak dalam jumlah yang lebih kecil dari variabel laten yang disebut . Nilai-nilai relatif dari E 1. modulus tensor ini: ini dinilai dari 0 ° (dip tidak) untuk 90 ° (vertikal). eigenvektor dan eigennilai digunakan sebagai metode yang massa informasi yang 'konstituen orientasi clast kain dan dip dapat diringkas dalam ruang 3-D dengan enam angka. If E 1 = E 2 > E 3 the fabric is planar. Jika E 1 = E 2 = E kain planar.

ditambah istilah varians unik. Eigenvalue digunakan dalam analisis yang digunakan oleh perangkat lunak Q-metodologi. Eigenfaces Eigenfaces sebagai contoh eigenvektor Dalam pengolahan citra . Eigenvalue digunakan untuk menentukan frekuensi getaran alami. image yang diproses dari wajah dapat dilihat sebagai vektor yang komponen adalah brightnesses setiap pixel . faktor dengan nilai eigen lebih besar dari 1. Sifat ortogonal ini dari eigenvektor memungkinkan decoupling dari persamaan diferensial sehingga sistem dapat direpresentasikan sebagai penjumlahan linier dari eigenvektor. menjelaskan jumlah penting variabilitas dalam data. ini adalah . 3.faktor tidak teramati. sedangkan eigennilai kurang dari 1. tidak menjelaskan porsi yang signifikan dari variabilitas data. 4. Masalah nilai karakteristik struktur kompleks sering diselesaikan dengan menggunakan analisis elemen hingga . Variabel acak diamati dimodelkan sebagai kombinasi linear dari faktor-faktor.00 dianggap terlalu lemah.00 dianggap signifikan. Eigenvektor dari matriks kovariansi berhubungan dengan seperangkat besar gambar wajah dinormalisasi disebut eigenfaces . Analisis Getaran Masalah eigenvalue terjadi secara alami dalam analisis getaran struktur mekanik dengan banyak derajat kebebasan . dan eigenvektor menentukan bentuk dari mode getaran. Dimensi ruang vektor ini adalah jumlah piksel.

untuk adaptasi pembicara. eigenfaces menyediakan cara untuk menerapkan kompresi data untuk wajah untuk identifikasi tujuan Penelitian yang berkaitan dengan sistem eigen menentukan visi gerakan tangan juga telah dibuat. seperti kata dalam sebuah bahasa. Dalam pengenalan wajah cabang biometrik . Berdasarkan kombinasi linier eigenvoices seperti itu. BAB V . Mirip dengan konsep ini.contoh dari analisis komponen utama . sebuah suara baru pengucapan kata dapat dibangunKonsep-konsep ini telah ditemukan berguna dalam sistem pengenalan suara otomatis. Mereka sangat berguna untuk mengekspresikan setiap citra wajah sebagai kombinasi linear dari beberapa dari mereka. eigenvoices merupakan arah umum variabilitas dalam pengucapan manusia dari ucapan tertentu.

Karena persamaan trivial selalu benar.Penutup Eigenvektor eigenvalue berasal dari bahasa Jerman "eigen" yang berarti "benar" atau "karakteristik matriks. suatu eigenvektor tidak dapat vektor nol. Setiap eigenvektor terkait dengan eigenvalue tertentu. Definisi eigenvektor dominan dari suatu matriks adalah eigenvektor sesuai dengan besarnya eigenvalue terbesar (untuk bilangan real. Dalam geologi ." Sebuah eigenvalue persegi adalah skalar yang biasanya diwakili oleh huruf Yunani (Diucapkan lambda). Di dimana di haruskan eigenvektor menjadi vektor non-nol. dengan kata lain. nilai mutlak terbesar) dari matriks tersebut. Satu eigenvalue dapat dikaitkan dengan beberapa atau bahkan dengan jumlah terbatas eigenvektor. seorang eigenvalue dapat nol dengan cara yang trivial. bukan merupakan kasus yang menarik. untuk . Sebaliknya. A. Persyaratan yang eigenvektor yang menjadi non-nol dikenakan karena persamaan A 0 = λ 0 berlaku untuk setiap A dan setiap λ. Semua eigenvalue dan eigenvektor memenuhi persamaan diberikan matriks persegi. eigenvektor dan eigennilai digunakan sebagai metode yang massa informasi yang 'konstituen orientasi clast kain dan dip dapat diringkas dalam ruang 3-D dengan enam angka. terutama dalam studi glasial sampai . Suatu eigenvektor dapat disimbolkan oleh huruf kecil x.

Sign up to vote on this title
UsefulNot useful