You're My Shine

"PIPITIA BLOG" Kali ini materi tentang dasar-dasar Transformasi Linier Pengertian Transformasi Linier Ax = b Matrix transformasi A akan mengubah vektor x menjadi vektor b. cth: 2  -4               =   -8 3  -6     2        = -12 1  -2     3        =  -4 (^^^ceritanya matrix ya) Ukuran A = m x n, dengan menyelesaikan Ax = b artinya akan mencari vektor x kedalam ruang vektor n yang mentransformasikan vektor b melalui vektor R^m Matriks Transformasi Transformasi T dari R^n ke R^m adalah aturan yang assign each other T: R^n -> R^m R^n  = domain dari T R^m = kodomain dari T T(x) dalam R^m adalah image dari x dalam transformasi T. Kumpulan dari image disebut dengan  Range . Dalam bagian ini kita mulai mempelajari fungsi bernilai vektor dari sebuah peubah vektor. Yakni, fungsi yang berbentuk w =  F (v), dimana baik peubahbebas v maupun peubah tak-bebas w adalah vektor. Kita akan memusatkan perhatian pada kelompok khusus fungsi vektor yang kita nam

PIPITIA BLOG MATERI LANJUTAN SPL (SISTEM PERSAMAAN LINEAR) solusi penyelesaian sistem persamaan linear dapat menggunakan beberapa cara seperti yang sering digunakan yaitu metode eliminasi dan substitusi. Namun ada juga cara dan metode yang lainnya. Nah dalam blog kali ini akan dibahas mengenai solusi penyelesaian menggunakan; Aturan Cramer Jika AX = B    adalah sistem yang terdiri dari m persamaan linear dalam n variabel sehingga det (A) ≠ 0 , maka sistem    tersebut mempunyai pemecahan yang unik.  Pemecahan ini adalah : X 1  = det (A 1 ) / det (A) X 2  = det (A 2 ) / det (A) X n  = det (A n ) / det (A) contoh  2. Eliminasi Gauss Ciri-ciri Eliminasi Gauss Jika suatu baris tidak semua nol, maka bilangan pertama yang tidak nol ada 1(1 utama). Baris nol terletak paling bawah. 1 utama baris berikutnya berada dikanan 1 utama baris diatasnya. Dibawah 1 utama harus nol. Contoh Penyelesaiannya dalam sebuah SPL ber ordo 3x3

 Dalam blog kali ini saya akan kembali membahas secara sederhana materi lanjutan setelah Sistem Persamaan Linear, yaitu Nilai Dan Vector Eigen Teori Nilai dan Vector Eigen      Nilai Eigen  ( ) adalah  nilai  karakteristik dari suatu matriks berukuran n x n, sementara  vektor Eigen  ( ) adalah  vektor  kolom bukan nol yang bila dikalikan dengan suatu matriks berukuran n x n akan menghasilkan  vektor  lain yang memiliki nilai  kelipatan dari  vektor Eigen  itu sendiri.      Jika 𝐴 adalah sebuah matriks 𝑛 × 𝑛, maka sebuah vektor taknol 𝒙 pada ℝ𝑛 disebut vektor eigen (vektor karakteristik) dari 𝐴 jika 𝐴𝒙 adalah sebuah kelipatan skalar dari 𝒙; jelasnya: 𝐴𝒙 = 𝜆𝒙 untuk skalar sebarang 𝜆. Skalar 𝜆 ini disebut nilai eigen (nilai karakteristik) dari 𝐴, dan 𝑥 disebut sebagai vektor eigen (vektor karakteristik) dari 𝐴 yang terkait dengan 𝜆.  Contoh:  Jadi, dapat disimpulkan bahwa jika suatu matriks bujur sangkar, dikali dengan sebuah ve