Vektor di dalam n-Ruang Definisi : Jika n adalah sebuah integer positif, sebuah n- grup topel adalah sekuens dari

n bilangan real (a1.a2.....an). Set dari semua grup yang terdiri dari n- grup topel dinamakan n-ruangdan dituliskan sebagai Rn. Jika n = 2 atau 3, sudah menjadi kebiasaan untuk menggunakan istilah grup pasangan dan grup dari tiga secara respektif, daripada 2-grup topel atau 3- grup topel. Keitka n = 1, setiap n grup topel terdiri dari satu bilangan real, sehingga R1 bisa dilihat sebagai set dari bilangan real. Kita akan menuliskan R daripada R1 pada set ini. Mungkin kita telah mmepelajari dalam bahan 3-ruang symbol dari (a1, a2, a3) mempunyai dua interpretasi geometris yang berbeda : ini bisa diinterpretasikan sebagai titik, yang dalam kasus ini a2, a2, a3 merupakan koordinat, atau ini bisa diinterpretasikan sebagai vector, dimana a1, a2, a3 merupakan komponen vector. Selanjutnya kita bisa melihat bahwa n grup topel (a1, a2, ...., an) bisa dilihat sebagai antara sebuah poin umum atau vector umum- perbedaan antara keduanya tidak penting secara matematis. Dan juga kita bisa menjelaskan 5- topel (-2, 4, 0 ,1 ,6) antara poin dalam R5 atau vector pada R5.

u1 = v1 u2 = v2 un = vn Penjumlahan u + v didefinisikan oleh

u + v = (u1 + v1, u2 + v2, ...., un + vn) Dan jika k adalah konstanta scalar, maka perkalian scalar ku didefinisikan oleh

ku = (k u1, k u2,...,k un) Operasi dari pertambahan dan perkalian scalar dalam definisi ini disebut operasi standar untuk Rn Vektor nol dalam Rn didenotasikan oleh 0 dan difenisikan ke vektor

0 = (0, 0,...., 0) Jika u = (u1, u2, ...., un) dalam setiap vector dalam Rn, maka negative (atau invers aditif) dari u dituliskan oleh u dan dijelaskan oleh

-u = (-u1, -u2, ...., -un)

Perbedaan dari vector dalam Rn dijelaskan oleh

v u = v + (-u) atau, dalam istilah komponen,

v u = (v1-u1, v2-u2, ...., vn-un) Sifat-sifat dari vektor dalam jika dalam , , dan sedangkan k dan m adalah skalar, maka : adalah vektor

(a) u + v = v + u (b) u + 0 = 0 + u = u (c) u + (v + w) = (u + v) + w (d) u + (-u) = 0 ; berarti, u - u = 0 (e) k (m u) = (k m) u (f) k (u + v) = k u + k v (g) (k + m) u = k u + m u (h) 1u = u

Perkalian dot product

didefinisikan sebagai

Menghitung Panjang vektor u dalam ruang jika u =

Maka Panjang vektor u

dan Menghitung jarak antara vektor u dengan vektor v

Bentuk Newton
interpolasi polinominal p(x)=anxn+an-1xn-1+...+a1x+a0 adalah bentuk standar. Tetapi ada juga yang menggunakan bentuk lain . Contohnya , kita mencari interpolasi titik dari data (x0,y0),(x1,y1),(x2,y2),(x3,y3). Jika kita tuliskan P(x)=a3x3+a2x2+a1x+a0 bentuk equivalentnya : p(x)=a3(x-x0)3+p(x)=a2(x-x0)2+p(x)=a1(x-x0)+a0 dari kondisi interpolasi p(x0)=yo maka didapatkan a0=yo , sehingga dapat kita tuliskan menjadi p(x)=b3(x-x0)(x-x1)(x-x2)+b2(x-x0)(x-x1)+b1(x-x0)+b0 inilah yang disebut newton form dari interpolasi , sehingga kita dapatkan : p(x0)=b0 p(x1)=b1h1+b0 p(x2)=b2(h1+h2)h2+b1(h1+h2)+b0 p(x3)=b3(h1+h2+h3)(h2+h3)h3+b2(h1+h2+h3)(h2+h3)+b1(h1+h2+h3)+b0 Jika P adalah sebuah titik di dalam ruang berdimensi 3 biasa dan W adalah sebuah bidang yang melewati titik asal ruang tersebut, maka titik Q pada W yang jaraknya terdekat dengan P dapat

diperoleh dengan memproyeksikan P secara tegak lurus terhadap W.

Sehingga, jika u = OP, jarak antara P dan W diberikan oleh ||u projw u|| Dengan kata lain, di antara semua vektor w pada W, vektor w = projw u meminimalkan jarak ||u w||.

Ada cara lain untuk memahami gagasann tersebut. Pandang u sebagai sebuah vektor tetap yang hendak kita aproksimasikan dengan menggunakan dengan menggunakan sebuah vektor pada W. Setiap aproksimasi w semacam ini akan menghasilkan sebuah vektor kesalahan (error vector) uw yang tidak dapat dijadikan sama dengan 0, terkecuali jika u terletak pada W. Akan tetapi, dengan memilih w = projw u kita dapat menjadikan panjang vektor kesalahan

||u - w|| = ||u projw u|| sekecil mungkin. Sehingga, kita dapat mendeskripsikan projw u sebagai aproksimasi terbaik bagi u relatif terhadap vektor-vektor pada W.

Bukti. Untuk setiap vektor w pada W, kita dapat menuliskan u w = (u projw u) + (projw u - w) (1)

Namun projw u w, karena merupakan selisih dari dua buah vektor pada W, terletak pada W; dan u projw u ortogonal terhadap W, sehingga kedua suku pada sisi kanan (1) saling ortogonal. Dengan demikian, melalui Teorema Pythagoras berikut

Maka persamaan (1) dapat ditulis menjadi || u w ||2 = || u projw u ||2 + || projw u - w ||2 Jika w projw u, maka suku kedua dari penjumlahan di atas akan bernilai positif, sehingga || u w ||2 > || u projw u ||2 Atau secara ekuivalen, || u w || > || u projw u || Solusi Kuadrat Terkecil dari Sistem Linear

Sejauh ini, kita menaruh perhatian hanya pada sistem persamaan linear yang konsisten. Eitsss akan tetapi, sistem linear yang tidak konsisten ternyata juga penting dalam berbagai aplikasi di bidang fisika loh. Sangat umum dijumpai sebuah situasi di mana beberapa permasalahan fisika menghasilkan sebuah sistem linier Ax=b, yang seharusnya konsisten dalam tataran teoritis namun menjadi tidak demikian (tidak konsisten) karena adanya kesalahan-kesalahan pengukuran pada entri-entri A dan b yang mengubah sistem sedemikian rupa sehingga menimbulkan ketidakkonsistenan. Dalam situasi semacam ini kita akan berupaya untuk mencari nilai x yang sedekat mungkin dengan solusi yang diharapkan, dalam pengertian bahwa solusi ini dapat meminimalkan nilai ||Ax b|| merujuk pada hasil kali dalam Euclidean. Kuantitas ||Ax b|| dapat dipandang sebagai suatu ukuran dari kesalahan yang terjadi akibat memandang x sebagai solusi aproksimasi dari sistem linear Ax=b. Jika sistem konsisten dan x adalah solusi eksaknya, maka kesalahannya adalah nol, karena ||Axb|| = ||0|| = 0. Secara umum, semakin besar nilai ||Ax b||, semakin buruk nilai x sebagai aproksimasi solusi sistem tersebut. Masalah Kuadrat Terkecil. Jika diberikan sebuah sistem linear Ax = b yang terdiri dari m persamaan dengan n faktor yang tidak diketahui, tentukan sebuah vektor x, jika mungkin, yang meminimalkan nilai ||Ax b|| merujuk pada hasil kali dalam Euclidean pada Rm. Vektor semacam ini disebut sebagai solusi kuadrat terkecil (least square solution) dari Ax = b. Untuk menyelesaikan permasalahan kuadrat terkecil, misalakan W adalah ruang vektor kolom dari A. Untuk setiap matriks x, n1, hasilkali Ax adalah sebuah kombinasi linear dari vektorvektor kolom dari A. Sehingga dengan bervariasinya nilai x di dalam Rn, vektor Ax juga akan bervariasi pada berbagai kombinasi linear yang mungkin dari vektor-vektor kolom dari A; jelasnya, Ax bervariasi di seluruh ruang kolom W. Secara geometrik, menyelesaikan persoalan kuadrat terkecil berarti menentukan sebuah vektor x pada Rn, sedemikian rupa sehingga Ax merupakan vektor terdekat ke b di dalam W.

Berdasarkan Teorema Aproksimasi Terbaik bahwa vektor terdekat dari b di W adalah proyeksi ortogonal b pada W. Sehingga, agar sebuah vektor x dapat menjadi solusi kuadrat terkecil dari Ax = b, vektor ini harus memenuhi Ax = projw b (2) Nah dengan memanfaatkan Teorema Proyeksi

dan rumus: maka

u = projw u + (u projw u)

b = projw b + (b projw b) b - projw b = b projw b dari rumus (2) di mana Ax = projw b, sehingga b - Ax = b projw b ortogonal terhadap W. Namun W adalah ruang kolom dari A, sehingga dari Teorema pada bab Ruang Hasil Kali Dalam

b Ax terletak pada ruang nul dari matriks AT. Oleh karena itu, sebuah solusi kuadrat terkecil dari Ax = b harus memenuhi AT (b - Ax) = 0 Atau secara ekuivalen, AT Ax = AT b (3) Sistem persamaan ini disebut sebagai sistem normal (normal system) yang diasosiasikan dengan Ax=b, dan tiap-tiap persamaan di dalam sisitem ini disebut persamaan normal (normal equation) yang diasosiasikan dengan Ax=b. Sehingga, permasalahan penentuan solusi kuadrat terkecil dari Ax=b dapat disederhanakan menjadi permasalahan penentuan solusi eksak dari sistem normal yang terkait.

Berikut ini fakta-fakta mengenai sistem normal:

Sistem normal melibatkan n persamaan dengan n faktor yang tidak diketahui. Sistem normal bersifat konsisten, karena dipenuhi oleh sebuah solusi kuadrat terkecil Ax = b. Sistem normal dapat memiliki jumlah solusi yang takterhingga banyaknya, yang dalam kasus semacam ini semua solusi tersebut adalah solusi kuadrat terkecil dari Ax = b.

Nahdari fakta-fakta ini dan rumus (2) kita dapat menurunkan teorema berikut ini.

Keunikan Solusi Kuadrat Terkecil Syarat-syarat yang menjamin suatu sistem linear memiliki sebuah solusi kuadrat terkecil yang unik (melalui pemahaman teorema berikut ini).

Bukti. Kita akan buktikan bahwa (a) => (b) Asumsikan bahwa A memiliki vektor-vektor kolom yang bebas linear. Matriks ATA memiliki ukuran n x n, sehingga kita dapat membuktikan bahwa matriks ini dapat dibalik dengan menunjukkan bahwa sistem linear ATAx = 0 hanya memiliki solusi trivial. Akan tetapi jika x adalah sebuah solusi dari sistem ini, maka Ax terletak pada ruang nul dari AT dan juga ruang kolom dari A. Berdasarkan Teorema (kaitan geometris antara ruangkosong dan ruang baris suatu matriks), ruang-ruang m adalah komplemen-komplemen ortogonal, sehingga bagian (b) Teorema berikut

mengimplikasikan bahwa Ax = 0. Namun A memiliki vektor-vektor kolom yang bebas linear. Sehingga x = 0. Dari Teorema 2 dan Teorema 3 menghasilkan konsekuensi langsung yaitu Teorema berikut:

CATATAN: Rumus (4) dan (5) dapat diterapkan dalam berbagai aplikasi teoritis, namun keduanya tidak efisien dan apabila diterapkan untuk perhitungan numerik. Solusi kuadrat terkecil dari Ax = b paling baik dihitung dengan menggunakan eliminasi Gauss atau eliminasi GaussJordan untuk menyelesaikan persamaan-persamaan normalnya, dan proyeksi ortogonal b pada ruang kolom dari A paling baik didapatkan dengan cara menghitung Ax, di mana x adalah solusi kuadrat terkecil dari Ax = b. Contoh Soal: Solusi Kuadrat Terkecil Tentukan solusi kuadrat terkecil dari sistem linear Ax = b yang diberikan oleh x1 x2 = 4 3x1 + 2x2 = 1 -2x1 + 4x2 = 3 dan tentukan proyeksi ortogonal b pada ruang kolom dari A. Penyelesaian:

Di sini

Perhatikan bahwa A memiliki vektor-vektor kolom yang bebas linear, sehingga kita dapat mengetahui sejak awal bahwa terdapat sebuah solusi kuadrat terkecil yang unik bagi sistem ini. Kita memperoleh

Sehingga sistem normal AT Ax = AT b dalam kasus ini adalah

Dengan menyelesaikan sistem ini kita akan memperoleh solusi kuadrat terkecil

Dari (5) proyeksi ortogonal b pada ruang kolom dari A adalah

Proyeksi Ortogonal pada sebuah Subruang Konsep sebuah operator proyeksi ortogonal dapat diperluas hingga mencakup ruang Euclidean yang berdimensi lebih tinggi, sebagaimana diperlihatkan berikut ini

Dan dari rumus (5) kita peroleh matriks standar untuk proyeksi ortogonal Rm pada W adalah [P] = A(ATA)-1 AT (6) Di mana A dibentuk dengan menggunakan basis sebarang untuk W sebagai vektor-vektor kolomnya. Ok, dari semua yang telah dijabarkan di atas sejauh ini akan dihubungkan oleh Teorema berikut ini: