Diagonalisasi dan Bentuk Normal Jordan: Metode Utama Klasifikasi Matriks Kompleks

Pengantar

Dalam mempelajari aljabar linear, hambatan utama adalah diagonalisasi dan bentuk normal Jordan. Matriks adalah alat kuat untuk transformasi, namun sering kali sifat-sifatnya sulit dibaca secara langsung. Artikel ini menjelaskan diagonalisasi untuk menyederhanakan matriks dan bentuk Jordan untuk matriks yang tidak bisa didiagonalisasi.

Matriks sebagai Transformasi

Matriks $n \times n$ mewakili transformasi linear yang bergantung pada “basis”. Dengan basis baru yang tepat, representasi matriks menjadi lebih sederhana.

  graph TD
    A["Matriks $A$ di basis asli"] -->|"Matriks transformasi $P$"| B["Matriks $B = P^{-1}AP$ di basis baru"]
    B -->|"Eksekusi perhitungan"| C["Hasil di basis baru"]
    C -->|"Transformasi invers $P$"| D["Hasil di basis asli"]

Konsep Diagonalisasi

Definisi Matematika

Matriks $A$ dapat didiagonalisasi jika ada matriks $P$ sedemikian rupa sehingga:

$$ P^{-1} A P = D $$

Di mana elemen diagonal $D$ adalah nilai eigen $\lambda_i$, dan kolom $P$ adalah vektor eigen $\mathbf{v}_i$.

Contoh Perhitungan

Matriks 3x3

$$ A = \begin{pmatrix} 4 & -1 & 6 \\ 2 & 1 & 6 \\ 2 & -1 & 8 \end{pmatrix} $$

Langkah 1: Nilai eigen Dari $\det(A - \lambda I) = 0$, kita dapatkan $\lambda = 2$ dan $\lambda = 9$.

$$ \mathbf{v}_1 = \begin{pmatrix} 1 \\ 2 \\ 0 \end{pmatrix}, \quad \mathbf{v}_2 = \begin{pmatrix} -3 \\ 0 \\ 1 \end{pmatrix} $$$$ \mathbf{v}_3 = \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix} $$$$ P^{-1} A P = \begin{pmatrix} 2 & 0 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 9 \end{pmatrix} $$

Mengapa Ada Matriks yang Tidak Dapat Didiagonalisasi?

$$ 1 \leq \text{Multiplisitas geometrik} \leq \text{Multiplisitas aljabar} $$

Jika geometrik lebih kecil, matriks kekurangan vektor eigen dan disebut matriks cacat (defective).

Bentuk Normal Jordan

Untuk matriks cacat, kita gunakan Bentuk Normal Jordan.

Blok Jordan

$$ J_k(\lambda) = \begin{pmatrix} \lambda & 1 & 0 & \cdots & 0 \\ 0 & \lambda & 1 & \cdots & 0 \\ \vdots & \vdots & \ddots & \ddots & 1 \\ 0 & 0 & \cdots & 0 & \lambda \end{pmatrix} $$

Vektor Eigen yang Diperumum (Generalized Eigenvectors)

$$ (A - \lambda I)^k \mathbf{v} = \mathbf{0} \quad \text{dan} \quad (A - \lambda I)^{k-1} \mathbf{v} \neq \mathbf{0} $$

Aplikasi: Persamaan Diferensial

$$ e^{At} = P e^{Dt} P^{-1} $$

SVD vs Diagonalisasi

  graph LR
    A["Matriks sembarang $A$"] -->|"SVD"| B["$U \Sigma V^*$"]
    B -->|"Dapat dipecah ortogonal"| C["Kompresi data"]
    D["Matriks persegi $A$"] -->|"Diagonalisasi"| E["$P D P^{-1}$"]
    E -->|"Sangat cocok untuk iterasi"| F["Sistem Dinamis"]

Mekanika Kuantum dan Teori Kontrol

Dalam kuantum, diagonalisasi Hamiltonian menemukan keadaan eigen energi. Dalam kontrol, ini mengevaluasi kontrobalitas dan observabilitas.

Pemrograman

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
import numpy as np
from scipy.linalg import schur, eigvals

A = np.array([[5, 4, 2, 1],
              [0, 1, -1, -1],
              [-1, -1, 3, 0],
              [1, 1, -1, 2]])

# Nilai eigen
eigenvalues = eigvals(A)
print("Nilai eigen:", eigenvalues)

# Dekomposisi Schur
T, Z = schur(A, output='complex')
print("Matriks T:")
print(np.round(T, 4))

Kesimpulan

Diagonalisasi adalah metode untuk menyederhanakan sistem, dan Jordan melengkapinya untuk segala kasus. Menguasainya sangat esensial bagi ilmu data dan fisika.