Kuliah · Kuliah · Aljabar
Aljabar Linear
Aljabar Linear mempelajari sistem persamaan linear, matriks, dan ruang vektor beserta pemetaan linear di antaranya. Sepuluh babnya bergerak dari perhitungan konkret (eliminasi Gauss–Jordan, determinan) menuju struktur abstrak (ruang vektor, basis, transformasi linear, hasil kali dalam) dan berpuncak pada nilai eigen, diagonalisasi, dan SVD yang dipakai luas di sains data, grafika, dan teknik.
Daftar isi
Konsep Aljabar Linear
SPL, eliminasi Gauss–Jordan, matriks, dan determinan
SPL diselesaikan dengan operasi baris elementer (OBE): menukar baris, mengalikan baris dengan skalar tak nol, dan menambahkan kelipatan satu baris ke baris lain. Eliminasi Gauss menghasilkan bentuk eselon baris lalu substitusi mundur; Gauss–Jordan melanjutkan sampai bentuk eselon baris tereduksi. SPL bisa memiliki tepat satu solusi, tak hingga banyak solusi (ada variabel bebas), atau tidak punya solusi (baris dengan ).
Determinan dihitung dengan ekspansi kofaktor atau OBE. Sifat penting: , , untuk matriks , dan menukar dua baris mengubah tanda. Teorema: terbalikkan hanya punya solusi trivial. Aturan Cramer: .
Ruang vektor, basis, dan dimensi
Ruang vektor adalah himpunan yang tertutup terhadap penjumlahan dan perkalian skalar serta memenuhi delapan aksioma. Himpunan bagian adalah subruang bila memuat dan tertutup terhadap kedua operasi. Contoh: bidang di adalah subruang, sedangkan bukan.
Vektor bebas linear bila hanya dipenuhi oleh semua . Basis adalah himpunan bebas linear yang merentang ruang; banyak anggotanya adalah dimensi. Untuk matriks berukuran berlaku teorema rank–nulitas:
Transformasi linear
linear bila dan . Setiap transformasi linear dapat ditulis dengan matriks standar .
Kernel dan range adalah himpunan semua keluaran. satu-satu jika dan hanya jika . Rotasi, pencerminan, proyeksi, dan dilatasi di bidang semuanya transformasi linear; translasi tidak, karena .
Ruang hasil kali dalam, ortogonalitas, dan Gram–Schmidt
Hasil kali dalam memperumum hasil kali titik dan memberi panjang . Ketaksamaan Cauchy–Schwarz menjamin definisi sudut masuk akal.
Proyeksi ortogonal pada adalah . Proses Gram–Schmidt mengubah basis menjadi basis ortogonal: , lalu . Normalisasi tiap vektor menghasilkan basis ortonormal, dasar faktorisasi dan metode kuadrat terkecil.
Nilai eigen, diagonalisasi, dan pengantar SVD
adalah nilai eigen bila ada dengan . Nilai eigen adalah akar persamaan karakteristik ; untuk matriks persamaannya . Jumlah nilai eigen sama dengan trace dan hasil kalinya sama dengan determinan.
berukuran dapat didiagonalkan, , jika dan hanya jika memiliki vektor eigen bebas linear; ini pasti terjadi bila semua nilai eigen berbeda. Manfaatnya: . Matriks simetris selalu dapat didiagonalkan secara ortogonal.
Dekomposisi nilai singular (SVD) berlaku untuk setiap matriks: , dengan ortogonal dan memuat nilai singular . SVD dipakai untuk kompresi citra, reduksi dimensi (PCA), dan sistem rekomendasi.
Rumus
Contoh soal aljabar linear dan pembahasan
Determinan dengan ekspansi kofaktor
Hitung untuk .
Lihat langkah penyelesaian
- Ekspansi sepanjang baris pertama: .
- .
, jadi terbalikkan.
SPL dengan eliminasi Gauss–Jordan
Selesaikan SPL , , .
Lihat langkah penyelesaian
- Matriks lengkap . Lakukan dan : baris menjadi dan .
- Tukar dan , lalu : , sehingga .
- Substitusi mundur: memberi , dan .
- Cek dengan aturan Cramer: dan , sehingga .
Solusi tunggal .
Nilai eigen dan vektor eigen
Tentukan nilai eigen dan vektor eigen .
Lihat langkah penyelesaian
- dan , sehingga , yaitu .
- Untuk : memberi , jadi .
- Untuk : , jadi .
Nilai eigennya 2 dan 5, dengan vektor eigen dan .
Proses Gram–Schmidt
Ortogonalkan dan , lalu tentukan .
Lihat langkah penyelesaian
- . Hitung dan .
- . Cek: .
- .
dengan .
Rank dan nulitas
Tentukan dimensi ruang solusi untuk .
Lihat langkah penyelesaian
- menjadi dan menjadi ; lalu menjadi baris nol.
- Tersisa dua baris tak nol, jadi .
- Menurut rank–nulitas: nulitas (variabel bebasnya dan ).
Ruang solusinya berdimensi 2.
Pangkat matriks lewat diagonalisasi
Untuk , hitung tanpa mengalikan matriks sepuluh kali.
Lihat langkah penyelesaian
- Dari contoh sebelumnya, dengan karena nilai eigennya berbeda.
- , dan trace tidak berubah oleh keserupaan: .
- .
.
Kesalahan yang sering terjadi
Coba sendiri
Tulis jawabanmu, tekan Periksa. Jika belum tepat, buka petunjuk satu per satu.
Pembahasan
Setelah OBE, determinan . Ekspansi kofaktor: .
Pembahasan
, sehingga nilai eigennya 2, 3, dan .
Pembahasan
Nilai eigen adalah 4 dan 0, sehingga nilai singularnya dan .
Kuis 5 soal
Kerjakan semua soal, lalu periksa sekaligus.
Pembahasan
.
Pembahasan
Nulitas .
Pembahasan
Benar. nilai eigen berbeda memberi vektor eigen bebas linear, sehingga terbalikkan dan .
Pembahasan
.
Pembahasan
B tidak memuat . D tidak tertutup terhadap perkalian dengan . A dan C adalah bidang melalui titik asal, dan E adalah garis melalui titik asal.
Latihan tanpa batas
Soal kembar dengan angka baru, petunjuk bertingkat, dan catatan penguasaanmu.
Tanya jawab
Mengapa Aljabar Linear penting untuk sains data dan AI?
Data disimpan sebagai matriks, model linear diselesaikan dengan kuadrat terkecil, dan teknik seperti PCA serta sistem rekomendasi berbasis nilai eigen dan SVD.
Apa beda basis ortogonal dan ortonormal?
Pada basis ortogonal semua pasangan vektor saling tegak lurus. Basis ortonormal juga ortogonal, tetapi setiap vektornya berpanjang 1.
Apakah semua matriks punya nilai eigen real?
Tidak. Matriks rotasi di bidang tidak punya nilai eigen real (nilai eigennya ). Matriks simetris real selalu punya nilai eigen real.
Topik terkait
Pelajari dulu (prasyarat)
- Tidak ada prasyarat khusus.
Topik lanjutan
- Belum ada.
Ringkasan untuk guru
Tujuan pembelajaran
- Mahasiswa menyelesaikan SPL dengan eliminasi Gauss–Jordan dan menghitung determinan serta invers.
- Mahasiswa memeriksa subruang, kebebasan linear, basis, dan dimensi, serta menerapkan teorema rank–nulitas.
- Mahasiswa menentukan matriks standar, kernel, dan range transformasi linear.
- Mahasiswa melakukan Gram–Schmidt, menghitung nilai eigen, mendiagonalkan matriks, dan menjelaskan gagasan SVD.
Ide aktivitas kelas
- Lomba OBE: pasangan mahasiswa menyelesaikan SPL ; satu orang melakukan OBE, yang lain memeriksa setiap langkah.
- Transformasi di bidang: mahasiswa menerapkan matriks rotasi, pencerminan, dan geseran pada gambar rumah sederhana di kertas berpetak.
- Kompresi citra dengan SVD: dengan lembar kerja atau Python, mahasiswa merekonstruksi foto memakai nilai singular terbesar dan membandingkan kualitasnya.
Acuan: Silabus umum mata kuliah Aljabar Linear (Elementer) perguruan tinggi (disusun tim redaksi), elemen Aljabar.