Lihat sumber Nilai dan vektor eigen

[[Berkas:Eigenvalue_equation.svg|ka|jmpl|200x200px|Matriks <math>A</math> menyebabkan vektor <math>\mathbf x</math> memanjang tanpa mengubah arah vektor, maka <math>\mathbf x</math> merupakan vektor eigen dari <math>A</math>.]]
Dalam [[aljabar linear]], '''vektor eigen''' (''eigenvector'') atau '''vektor karakteristik''' dari suatu [[Matriks (matematika)|matriks]] berukuran <math>n \times n</math> adalah [[Vektor Euklides|vektor]] tak nol yang hanya mengalami perubahan panjang ketika dikali dengan matriks tersebut. '''Nilai eigen''' (''eigenvalue'') yang berasosiasi dengan vektor tersebut, umumnya dilambangkan dengan <math>\lambda</math>, menyatakan besar perubahan panjang vektor yang terjadi. Secara umum dalam [[ruang vektor]] multidimensi, vektor eigen tidak mengalami rotasi ketika ditransformasikan oleh matriks. Hal ini berlaku untuk matriks dengan elemen [[bilangan real]], dan akan mengalami rotasi ketika elemen berupa [[bilangan kompleks]].<ref name="ElementaryLinearAlgebra1">{{Cite book|last=Kuttler|first=Kenneth|date=2012-01-10|url=https://books.google.co.id/books?id=cYVPAgAAQBAJ|title=Elementary Linear Algebra|publisher=The Saylor Foundation|language=en}}</ref><ref name="LinearAlgebra2">Kuttler, Kenneth. 2012. ''Linear Algebra II: Spectral Theory and Abstract Vector Spaces''. Ventus Publishing ApS. ISBN 978-87-403-0241-7</ref> Nilai eigen dan vektor eigen berguna dalam proses kalkulasi matriks, yang keduanya diterapkan dalam bidang [[matematika murni]] dan [[matematika terapan]], contohnya pada [[transformasi linear]].<ref name="Alin&Aplikasi">Leon, Steven J. . 2001 . ''Aljabar Linear dan Aplikasinya, Edisi Kelima'' . Jakarta: Erlangga . ISBN 979-688-173-X</ref> '''Ruang eigen''' dari <math>\lambda</math> merupakan ruang vektor yang dibentuk dari gabungan [[vektor nol]] dan kumpulan vektor eigen yang berasosiasi dengan <math>\lambda</math>.<ref>{{Cite web|last=Weisstein|first=Eric W.|title=Eigenspace|url=https://mathworld.wolfram.com/Eigenspace.html|website=mathworld.wolfram.com|language=en|access-date=2021-11-11}}</ref>

Istilah eigen sering kali dipadankan dengan istilah karakteristik, karena kata "eigen" yang berasal dari bahasa [[Jerman]] memiliki arti "asli", dalam konteks menjadi ciri khas atau karakteristik dari suatu sifat.<ref name="DoneRight">Axler, Sheldon . 1997 . ‘’’Linear Algebra Done Right Second Edition’’’ . Springer-Verlag New York, Inc. . ISBN 0-387-98259-0</ref>

== Pendahuluan ==
Nilai eigen dan vektor eigen umum ditemukan ketika melakukan analisis mengenai pemetaan (transformasi) linear. Istilah "eigen" yang berasal dari bahasa [[Jerman]] memiliki arti "asli", dalam konteks menjadi ciri khas atau karakteristik dari suatu sifat.<ref name="DoneRight" /> Awalnya konsep ini digunakan untuk mempelajari [[Momen inersia|sumbu utama]] (''principal axes'') dari gerakan rotasi pada [[benda tegar]]. Nilai eigen dan vektor eigen saat ini telah diterapkan dalam banyak bidang, sebagai contoh dalam [[teori stabilitas]], [[Getaran|analisis getaran]], [[orbital atom]], pengenalan wajah (''facial recognition''), dan [[Dekomposisi eigen dari matriks|diagonalisasi matriks]].

Pada dasarnya, suatu vektor eigen <math>\mathbf v</math> dari [[Peta linear|pemetaan linear]] <math>T</math> adalah suatu vektor tak nol yang tidak berubah arah, ketika diterapkan oleh <math>T</math>. Menerapkan <math>T</math> ke vektor eigen hanya mengubah ukuran eigen vektor sebesar <math>\lambda</math>, yang disebut dengan nilai eigen. Kondisi ini dapat ditulis dalam bentuk persamaan sebagai<math display="block">T(\mathbf{v}) = \lambda \mathbf{v},</math>yang disebut dengan '''persamaan nilai eigen''' atau '''persamaan eigen'''. Secara umum, <math>\lambda</math> dapat berupa sembarang [[Skalar (matematika)|skalar]]. Sebagai contoh, <math>\lambda</math> dapat bernilai negatif, yang mengartikan vektor eigen berbalik ketika dipetakan, atau bernilai nol, atau berupa [[bilangan kompleks]].
[[Berkas:Mona_Lisa_eigenvector_grid.png|jmpl|320x320px|Dalam transformasi peregangan ini, panah berwarna merah berubah arah sedangkan panah berwarna biru tidak. Hal ini menyebabkan panah biru adalah vektor eigen dari transformasi; karena panjangnya tidak berubah, nilai eigennya adalah 1.]]
[[Berkas:Eigenvectors_of_a_linear_operator.gif|jmpl|203x203px|Sebuah [[matriks simetrik]] real ukuran 2×2 merepresentasikan peregangan dan pergeseran (''stretching and shearing'') dari bidang. Vektor eigen dari matriks (garis merah) adalah dua arah unik pada bidang, di mana setiap titik pada garis tersebut akan tetap berada pada garis ketika ditransformasi oleh matriks.]]
Lukisan [[Mona Lisa]] berikut menyajikan ilustrasi sederhana mengenai hal ini. Setiap titik pada lukisan dapat direpresentasikan sebagai sebuah vektor yang berasal dari pusat lukisan ke titik tersebut. Pemetaan linear dalam contoh ini disebut transformasi peregangan/pergeseran (''shear mapping''). Titik-titik yang berada di atas akan bergeser ke kanan, dan titik-titik di bawah akan bergeser ke kiri; sebanding dengan seberapa jauh posisi mereka dari sumbu horizontal yang terletak di tengah lukisan. Sebagai akibatnya, setiap vektor akan miring ke kanan atau ke kiri, dan menjadi semakin panjang atau semakin pendek. Namun, titik-titik ''yang terletak di'' sumbu horizontal tidak bergeser (miring) sama sekali. Alhasil, semua vektor yang mengarah ke kiri atau ke kanan, tanpa memiliki komponen vertikal, adalah vektor eigen dari pemetaan ini; karena pemetaan tersebut tidak mengubah arah vektor. Lebih lanjut, vektor-vektor eigen ini memiliki nilai eigen sebesar 1, karena pemetaan juga tidak mengubah ukuran mereka.

Pemetaan linear dapat muncul dalam banyak bentuk dan memetakan banyak jenis ruang vektor, sehingga vektor eigen dapat memiliki rupa yang bermacam-macam. Sebagai contoh, pemetaan linear dapat berbentuk [[operator turunan]] seperti <math>\tfrac{d}{dx}</math>, dan vektor eigen disebut sebagai [[fungsi eigen]] (''eigenfunctions'') yang mengalami penskalaan oleh operator tersebut; contohnya fungsi<math display="block">\frac{d}{dx}e^{\lambda x} = \lambda e^{\lambda x}.</math>Contoh lain, pemetaan linear dapat berbentuk [[Matriks (matematika)|matriks]] berukuran <math>n \times n</math>, dan vektor eigen akan berupa matriks berukuran <math>n \times 1</math>. Jika pemetaan linear dinyatakan oleh matriks <math>A</math> berukuran <math>n \times n</math>, persamaan nilai eigen dapat dituliskan sebagai perkalian matriks<math display="block">A\mathbf v = \lambda \mathbf v,</math>dengan vektor eigen <math>\mathbf v</math> adalah matriks berukuran <math>n \times 1</math>. Untuk kasus matriks, nilai eigen dan vektor eigen dapat digunakan untuk [[Dekomposisi matriks|mendekomposisi matriks]] tersebut, contohnya dengan [[Matriks terdiagonalkan|mendiagonalisasinya]].

Nilai eigen dan vektor eigen menghasilkan banyak konsep matematika yang berhubungan, dan istilah "eigen" ditambahkan ketika menamai mereka:

* Himpunan vektor eigen dari pemetaan linear, masing-masing dipasangkan dengan nilai eigen mereka, disebut dengan '''sistem eigen''' (''eigensystem'') dari transformasi tersebut.<ref>{{Cite book|last=Press|first=William H.|date=2007|url=https://www.worldcat.org/oclc/123285342|title=Numerical recipes : the art of scientific computing|location=Cambridge, UK|isbn=978-0-521-88407-5|edition=3rd ed|pages=536|others=Saul A. Teukolsky, William T. Vetterling, Brian P. Flannery, Cambridge University Press|oclc=123285342|url-status=live}}</ref><ref>{{Cite web|last=Weisstein|first=Eric W.|title=Eigenvector|url=https://mathworld.wolfram.com/Eigenvector.html|website=mathworld.wolfram.com|language=en|access-date=2021-11-11}}</ref>
* Himpunan dari semua vektor eigen dari <math>T</math> yang berasosiasi dengan suatu nilai eigen, dan ditambah dengan vekotr nol, disebut dengan '''ruang eigen''' (''eigenspace'') atau '''ruang karakteristik''' dari <math>T</math> yang berasosiasi dengan nilai eigen tersebut.<ref name=":2">{{Cite book|last=Nering|first=Evar D.|date=1970|url=https://catalog.loc.gov/vwebv/search?searchCode=LCCN&searchArg=76091646&searchType=1&permalink=y&__cf_chl_jschl_tk__=TRAGkbY59x1deND1DAjMpm1bKvAulh.zlJufzghXOMI-1636639841-0-gaNycGzNB1E|title=Linear algebra and matrix theory|location=New York|publisher=Wiley|isbn=978-0-471-63178-1|edition=2d ed|pages=107|url-status=live}}</ref>
* Jika suatu himpunan vektor eigen dari <math>T</math> membentuk sebuah [[Basis (aljabar linear)|basis]] bagi domain dari <math>T</math>, maka basis ini disebut '''basis eigen''' (''eigen basis'').

== Definisi formal ==
Jika <math>T</math> adalah suatu [[Peta linear|pemetaan linear]] dari suatu [[ruang vektor]] <math>V</math> atas [[Lapangan (matematika)|lapangan]] <math>F</math> ke dirinya sendiri, dan <math>\mathbf v</math> adalah vektor tak nol di <math>V</math>, maka <math>\mathbf v</math> adalah vektor eigen dari <math>T</math> jika <math>T(\mathbf v)</math> adalah suatu kelipatan [[Skalar (matematika)|skalar]] dari <math>\mathbf v</math>. Hal ini dapat ditulis sebagai

: <math>T(\mathbf{v}) = \lambda \mathbf{v},</math>

dengan <math>\lambda</math> adalah suatu skalar di <math>F</math>, yang disebut dengan nilai eigen (''eigenvalue''), nilai karakteristik, atau akar karakteristik, yang berasosiasi dengan <math>\mathbf v</math>.

Ada hubungan erat antara [[matriks persegi]] berukuran <math>n \times n</math> dengan pemetaan linear dari ruang vektor berdimensi <math>n</math> ke dirinya sendiri. Hal ini menyebabkan, dalam suatu ruang vektor berdimensi hingga, nilai eigen dan vektor eigen dapat didefinisikan menggunakan bahasa [[Matriks (matematika)|matriks]], maupun menggunakan bahasa pemetaan linear.<ref name=":3">{{Cite book|last=Herstein|first=Israel N.|date=1964|url=https://www.worldcat.org/oclc/615439706|title=Topics in algebra|location=Waltham, Mass|publisher=Xerox College Publ|isbn=0-536-00257-6|pages=228-229|oclc=615439706|url-status=live}}</ref><ref name=":4">{{Cite book|last=Nering|first=Evar D.|date=1970|url=https://www.worldcat.org/oclc/747523|title=Linear algebra and matrix theory|location=New York,|publisher=Wiley|isbn=0-471-63178-7|edition=2d ed|pages=38|oclc=747523|url-status=live}}</ref> Jika <math>V</math> berdimensi hingga, persamaan di atas setara dengan<ref>{{Cite web|last=Weisstein|first=Eric W.|title=Eigenvalue|url=https://mathworld.wolfram.com/Eigenvalue.html#:~:text=Eigenvalues%20are%20a%20special%20set,Marcus%20and%20Minc%201988,%20p.|website=mathworld.wolfram.com|language=en|access-date=2020-08-19}}</ref>

: <math>A\mathbf{x} = \lambda \mathbf{x}.</math>

dengan <math>A</math> adalah representasi matriks dari <math>T</math> dan <math>\mathbf x</math> adalah [[vektor koordinat]] dari <math>\mathbf v</math>.

== Nilai dan vektor eigen dari matriks ==
{{See also|Vektor Euklides|Matriks (matematika)}}
[[Berkas:Eigenvalue_equation.svg|ka|jmpl|200x200px|Matriks <math>A</math> menyebabkan vektor <math>\mathbf x</math> memanjang tanpa mengubah arah vektor, maka <math>\mathbf x</math> merupakan vektor eigen dari <math>A</math>.]]
Nilai eigen dan vektor eigen sering diperkenalkan ke murid dalam konteks kelas aljabar linear yang berfokus pada matriks.<ref name="CornellMathCourses">Cornell University Department of Mathematics (2016) [http://www.math.cornell.edu/m/Courses/Catalog/lowerlevel ''Lower-Level Courses for Freshmen and Sophomores'']. Accessed on 2016-03-27.</ref><ref name="UMichMathCourses">University of Michigan Mathematics (2016) [https://www.lsa.umich.edu/UMICH/math/Home/Undergrad/Ugrad_Courses.pdf ''Math Course Catalogue''] {{webarchive|url=https://web.archive.org/web/20151101101339/https://www.lsa.umich.edu/UMICH/math/Home/Undergrad/Ugrad_Courses.pdf|date=2015-11-01}}. Accessed on 2016-03-27.</ref> Lebih lanjut, pemetaan linear atas ruang vektor hingga dapat dinyatakan menggunakan matriks,<ref name=":3" /><ref name=":4" /> yang umum digunakan secara numerik maupun komputasi.<ref>{{Cite book|last=Press|first=William H.|date=2007|url=https://www.worldcat.org/oclc/123285342|title=Numerical recipes : the art of scientific computing|location=Cambridge, UK|isbn=978-0-521-88407-5|edition=3rd ed|pages=38|others=Saul A. Teukolsky, William T. Vetterling, Brian P. Flannery, Cambridge University Press|oclc=123285342|url-status=live}}</ref> Misalkan vektor berdimensi <math>n</math> yang dibentuk sebagai barisan <math>n</math> buah skalar; contohnya vektor berdimensi 3<math display="block">\mathbf x = \begin{bmatrix}1\\-3\\4\end{bmatrix}\quad\mbox{dan}\quad \mathbf y = \begin{bmatrix}-20\\60\\-80\end{bmatrix}.</math>Kedua vektor ini dikatakan saling [[Perkalian skalar|berkelipatan skalar]], atau [[Paralel (geometri)|paralel]] atau [[kolinear]], jika terdapat skalar <math>\lambda</math> sehingga <math>\mathbf x = \lambda \mathbf y</math>. Dalam kasus ini <math>\lambda = -\tfrac{1}{20} </math>. Sekarang misalkan pemetaan linear dari vektor dimensi <math>n</math> yang didefinisikan oleh sebuah matriks <math>A</math> berukuran <math>n \times n</math>,<math display="block">A \mathbf v = \mathbf w.
</math>Jika <math>\mathbf v</math> dan <math>\mathbf w</math> saling berkelipatan skalar, yakni jika terdapat <math>\lambda</math> sehingga{{NumBlk|:|<math>A \mathbf v = \mathbf w = \lambda \mathbf v,</math>|{{EquationRef|1}}}}maka <math>\mathbf v</math> adalah vektor eigen dari pemetaan linear <math>A</math> dan skalar <math>\lambda</math> adalah nilai eigen yang berasosiasi dengan vektor eigen tersebut. Persamaan ({{EquationNote|1}}) adalah persamaan nilai eigen untuk matriks <math>A</math>. Persamaan ({{EquationNote|1}}) juga dapat dinyatakan sebagai{{NumBlk|:|<math>\left(A - \lambda I \right) \mathbf v = \mathbf 0,</math>|{{EquationRef|2}}}}dengan <math>I</math> adalah [[matriks identitas]] dan <math>\mathbf 0</math> adalah vektor nol.

=== Nilai eigen dan polinomial karakteristik ===
{{main|Polinomial karakteristik}}

Persamaan ({{EquationNote|2}}) memiliki solusi tak nol <math>\mathbf v</math> [[jika dan hanya jika]] nilai [[determinan]] dari matriks <math>(A-\lambda I)</math> adalah nol. Dengan demikian, nilai-nilai eigen dari <math>A</math> adalah nilai-nilai <math>\lambda</math> yang memenuhi persamaan
{{NumBlk|:
 |<math>|A-\lambda I| = 0.</math>
 |{{EquationRef|3}}
}}

Dengan menggunakan [[Rumus Leibniz untuk determinan|rumus Leibniz]], ruas kiri pada Persamaan ({{EquationNote|3}}) dapat dijabarkan menjadi sebuah fungsi [[polinomial]] dengan variabel <math>\lambda</math> dan berderajat <math>n</math>, yakni ukuran dari matriks <math>A</math>. Koefisien-koefisien polinom ini bergantung pada entri-entri matriks <math>A</math>, kecuali suku berderajat <math>n</math> yang akan memiliki koefisien <math>(-1)^n</math>. Polinomial ini disebut sebagai [[polinomial karakteristik]] dari <math>A</math>. Persamaan ({{EquationNote|3}}) sendiri disebut sebagai ''persamaan karakteristik'' dari <math>A</math>.<ref name="ElementaryLinearAlgebra1" /><ref name="ElementaryLinearAlgebra3">{{Cite book|last=Matthews|first=K. R.|date=2013|url=http://www.numbertheory.org/book/mp103.pdf|title=Elementary Linear Algebra|publisher=Department of Mathematics, University of Queensland|url-status=live}}</ref> [[Teorema dasar aljabar]] mengakibatkan polinomial karakteristik dari <math>A</math>, yang berderajat <math>n</math>, dapat [[Faktorisasi|difaktorkan]] sebagai perkalian <math>n</math> buah suku linear,{{NumBlk|:
 |<math>|A - \lambda I| = (\lambda_1 - \lambda)(\lambda_2 - \lambda) \cdots (\lambda_n - \lambda),</math>
 |{{EquationRef|4}}
}}

dengan setiap <math>\lambda_i</math> dapat berupa bilangan real, walau pada umumnya berupa kompleks. Nilai <math>\lambda_1,\,\lambda_2,\,\dots,\,\lambda_n</math>, yang mungkin tidak semuanya unik, adalah akar-akar dari polinomial dan merupakan nilai eigen dari <math>A</math>.

Sebagai contoh singkat, yang akan dijelaskan pada bagian Contoh nanti, misalkan sebuah matriks

<math display="block">A = \begin{bmatrix}
  2 & 1\\
  1 & 2
\end{bmatrix}.</math>

Dengan menghitung determinan dari <math>(A-\lambda I)</math>, didapatkan polinom karakteristik dari <math>A</math> yakni

<math display="block">|A - \lambda I| = \begin{vmatrix}
    2 - \lambda & 1 \\
    1           & 2 - \lambda
  \end{vmatrix} =
  3 - 4\lambda + \lambda^2.
</math>

Setelah mencari akar dari polinom ketika sama dengan nol, didapatkan akar <math>\lambda=1</math> dan <math>\lambda=3</math>, yang selanjutnya merupakan nilai eigen dari <math>A</math>. Vektor eigen yang berasosiasi dengan masing-masing nilai eigen tersebut dapat ditentukan dengan menyelesaikan komponen <math>\mathbf v</math> di persamaan {{nowrap|<math>\left(A - \lambda I\right) \mathbf v = \mathbf 0</math>.}} Dalam contoh ini, vektor eigen adalah sembarang kelipatan skalar (tak nol) dari<math display="block">\mathbf v_{\lambda=1} = \begin{bmatrix} 1 \\ -1 \end{bmatrix}, \text{ dan} \quad \mathbf v_{\lambda=3} = \begin{bmatrix} 1 \\ 1 \end{bmatrix}.</math>Jika entri-entri dari matriks <math>A</math> berupa [[Bilangan riil|bilangan real]], maka koefisien dari polinom karakteristik juga berupa bilangan real. Namun, nilai eigen sebagai solusi dari polinom tersebut mungkin memiliki bagian imajiner; entri-entri pada vektor eigen yang berasosiasi dengannya juga mungkin memiliki bagian imajiner. Serupa dengan itu, nilai eigen dapat berupa [[bilangan irasional]] walau semua entri dari <math>A</math> berupa [[bilangan rasional]], atau bahkan jika semuanya berupa [[bilangan bulat]].

Bagian imajiner dari akar pada polinomial real dengan koefisien-koefisien real dapat dikelompokkan dalam pasangan [[konjugat kompleks]], yakni dengan anggotanya memiliki bagian real yang sama dan hanya berbeda tanda di bagian imajinernya. Jika polinom berderajat ganjil, maka [[teorema nilai antara]] mengatakan setidaknya satu akar akan berupa real. Dengan demikian, sembarang matriks real berukuran ganjil akan memiliki setidaknya satu nilai eigen real, sedangkan matriks real berukuran genap mungkin tidak memiliki satupun nilai eigen real. Vektor-vektor eigen yang berasosiasi dengan nilai-nilai eigen kompleks akan memiliki komponen kompleks, dan juga muncul dalam pasangan konjugat kompleks.

=== Kegandaan aljabar ===

Misalkan <math>\lambda_i</math> adalah nilai eigen dari suatu matriks <math>A</math> berukuran <math>n \times n</math>. '''Kegandaan aljabar<ref>{{Cite web|title=Glosarium|url=http://bahasasastra.kemdikbud.go.id/glosarium/index.php?gloss_asing=algebraic+multiplicity&gloss_indonesia=&jenis=exact&Bidang=3&infocmd=Cari|website=bahasasastra.kemdikbud.go.id|access-date=2021-11-12}}</ref>''' (''algebraic multiplicity'') <math>\mu_A(\lambda_i)</math> menyatakan bilangan <math>k</math> terbesar yang membuat <math>(\lambda-\lambda_i)^k</math> dapat membagi habis polinomial karakteristik dari <math>A</math>.<ref name=":2" /><ref>{{Cite book|last=Fraleigh|first=John B.|date=1976|url=https://www.worldcat.org/oclc/2344185|title=A first course in abstract algebra|location=Reading, Mass.|publisher=Addison-Wesley Pub. Co|isbn=0-201-01984-1|edition=2d ed|pages=358|oclc=2344185|url-status=live}}</ref><ref name=":5">{{Cite book|last=Golub|first=Gene H.|date=1996|url=https://www.worldcat.org/oclc/34515797|title=Matrix computations|location=Baltimore|publisher=Johns Hopkins University Press|isbn=0-8018-5413-X|edition=3rd ed|pages=316|others=Charles F. Van Loan|oclc=34515797|url-status=live}}</ref>

Jika <math>A</math> berdimensi <math>n</math> dan memiliki <math>d\leq n</math> nilai eigen yang berbeda, Persamaan ({{EquationNote|4}}) dapat dinyatakan secara lebih ringkas sebagai <math display="block">|A - \lambda I| = (\lambda_1 - \lambda)^{\mu_A(\lambda_1)}(\lambda_2 - \lambda)^{\mu_A(\lambda_2)} \cdots (\lambda_d - \lambda)^{\mu_A(\lambda_d)}.</math>Dalam kasus <math>d=n</math>, ruas kanan persamaan tersebut akan ''identik'' dengan Persamaan ({{EquationNote|4}}). Nilai setiap kegandaan aljabar dari nilai-nilai eigen berhubungan dengan dimensi <math>n</math> dari matriks lewat persamaan

<math display="block">\begin{align}
      1 &\leq \mu_A(\lambda_i) \leq n, \\
  \mu_A &= \sum_{i=1}^d \mu_A\left(\lambda_i\right) = n.
\end{align} </math>Jika <math>\mu_A(\lambda_i)=1</math>, maka <math>\lambda_i</math> dikatakan sebagai nilai eigen sederhana (''simple eigenvalue'').<ref name=":5" /> Jika <math>\mu_A(\lambda_i)</math> sama dengan kegandaan geometrik dari <math>\lambda_i</math>, yang dijelaskan pada bagian selanjutnya, maka <math>\lambda_i</math> dikatakan sebagai nilai eigen semi-sederhana (''semisimple eigenvalue'').

===Ruang eigen, kegandaan geometrik, dan basis eigen bagi matriks===
Misalkan <math>\lambda</math> adalah suatu nilai eigen dari matriks <math>A</math> berukuran <math>n \times n</math>, dan [[Himpunan (matematika)|himpunan]] <math>E</math> berisi semua vektor <math>\mathbf v</math> yang memenuhi Persamaan ({{EquationNote|2}}),
:<math>E = \left\{\mathbf{v} : \left(A - \lambda I\right) \mathbf{v} = \mathbf{0}\right\}.</math>

Di satu sisi, himpunan ini adalah [[Kernel (aljabar linear)|kernel]] atau ruang nol (''nullspace'') dari matriks <math>(A-\lambda I)</math>. Di sisi lain, dari definisi, setiap vektor tak nol yang memenuhi Persamaan ({{EquationNote|2}}) adalah vektor-vektor eigen dari <math>A</math> yang berasosiasi dengan <math>\lambda</math>. Jadi, himpunan <math>E</math> adalah [[Himpunan (matematika)|gabungan]] vektor nol dengan himpunan semua vektor eigen dari <math>A</math> yang berasosiasi dengan <math>\lambda</math>, sekaligus sama dengan kernel dari <math>(A-\lambda I)</math>. Himpunan <math>E</math> disebut sebagai '''ruang eigen''' (''eigenspace'') dari <math>A</math> yang berasosiasi dengan <math>\lambda</math>.<ref name=":2" /><ref>{{Cite book|last=Anton|first=Howard|date=1987|url=https://www.worldcat.org/oclc/13580207|title=Elementary linear algebra|location=New York|publisher=Wiley|isbn=0-471-84819-0|edition=5th ed|pages=305-307|oclc=13580207|url-status=live}}</ref> Secara umum <math>\lambda</math> akan berupa bilangan kompleks dan vektor eigen akan berupa matriks kompleks berukuran <math>n\times 1</math>.

Ruang eigen <math>E</math> [[Ketertutupan (matematika)|tertutup]] atas penjumlahan, karena <math>E</math> is adalah suatu [[subruang vektor]] (dari <math>\mathbb C^n</math>). Dengan kata lain, untuk sembarang vektor <math>\mathbf u</math> dan <math>\mathbf v</math> anggota <math>E</math>, vektor <math>\mathbf u + \mathbf v</math> juga anggota <math>E</math>; atau secara ekuivalen, <math>A (\mathbf u + \mathbf v) =  \lambda(\mathbf u + \mathbf v)</math>. Hal ini dapat dibuktikan dengan menggunakan [[sifat distributif]] [[perkalian matriks]]. Serupa dengan itu, <math>E</math> juga tertutup atas perkalian skalar. Artinya, jika <math>\mathbf v \in E</math> dan <math>\alpha</math> merupakan bilangan kompleks, maka <math>(\alpha \mathbf v) \in E</math>; atau secara ekuivalen, <math>A (\alpha\mathbf v) =  \lambda(\alpha\mathbf v)</math>. Hal ini dapat dibuktikan dengan menggunakan [[sifat komutatif]] perkalian matriks kompleks dengan bilangan kompleks. Selama <math>\mathbf u + \mathbf v</math> dan <math>\alpha \mathbf v</math> bukan vektor nol, mereka juga merupakan vektor eigen dari <math>A</math> yang berasosiasi dengan <math>\lambda</math>.

Dimensi dari ruang eigen <math>E</math> yang berasosiasi dengan <math>\lambda</math>, yakni banyaknya vektor eigen yang berasosiasi dengan <math>\lambda</math> dan saling [[Kebebasan linear|bebas linear]], disebut dengan '''kegandaan geometrik''' (''geometric multiplicity'') dari nilai eigen <math>\lambda</math>, disimbolkan dengan <math>\gamma_A(\lambda)</math>. Karena <math>E</math> sama dengan kernel dari <math>(A-\lambda I)</math>, maka kegandaan geometrik dari <math>\lambda</math>  adalah dimensi dari kernel  <math>(A-\lambda I)</math>, juga disebut sebagai ''nolitas'' dari <math>(A-\lambda I)</math>, dan berhubungan dengan dimensi dan [[Rank (aljabar linear)|rank]] dari <math>(A-\lambda I)</math> lewat persamaan

<math display="block">\gamma_A(\lambda) = n - \operatorname{rank}(A - \lambda I).</math>

Sebagai akibat dari definisi nilai eigen dan vektor eigen, nilai kegandaan numerik dari suatu nilai eigen <math>\lambda</math> setidaknya sama dengan 1. Lebih lanjut, nilai kegandaan numerik dari <math>\lambda</math> tidak dapat melebihi nilai kegandaan aljabarnya; dan kegandaan aljabar tidak dapat melebihi dimensi dari matriks <math>A</math>. Secara matematis hal tersebut dapat ditulis sebagai<math display="block"> 1 \le \gamma_A(\lambda) \le \mu_A(\lambda) \le n</math>

Untuk membuktikan pertidaksamaan <math>\gamma_A(\lambda)\le\mu_A(\lambda)</math>, pertimbangkan bahwa definisi kegandaan geometrik mengakibatkan eksistensi <math>\gamma_A(\lambda)</math> buah vektor eigen <math>\boldsymbol{v}_1,\, \ldots,\, \boldsymbol{v}_{\gamma_A(\lambda)}</math> yang ortonormal, dan memenuhi <math>A \boldsymbol{v}_k = \lambda \boldsymbol{v}_k</math>. Kita dapat menemukan matriks ([[Matriks uniter|uniter]]) <math>V</math> yang <math>\gamma_A(\lambda)</math> kolom pertamanya adalah vektor-vektor eigen ini, dan kolom-kolom yang tersisa adalah sembarang himpunan <math>n - \gamma_A(\lambda)</math> buah vektor ortonormal yang ortogonal dengan vektor-vektor eigen tadi. Maka <math>V</math> memiliki rank penuh sehingga memiliki [[Matriks terbalikkan|invers]], dan memenuhi persamaan <math>AV=VD</math>, dengan <math>D</math> adalah matriks yang blok bagian atas kirinya adalah matriks diagonal <math>\lambda I_{\gamma_A(\lambda)}</math>. Hal ini mengimplikasikan <math>(A - \xi I)V = V(D - \xi I)</math>. Dengan kata lain, <math>A - \xi I</math> [[Matriks serupa|serupa]] dengan <math>D - \xi I</math>, yang selanjutnya mengakibatkan <math>\det(A - \xi I) = \det(D - \xi I)</math>. Namun dari definisi matriks <math>D</math> kita ketahui bahwa <math>\det(D - \xi I)</math> mengandung faktor <math>(\xi - \lambda)^{\gamma_A(\lambda)}</math>, yang mengartikan kegandaan aljabar dari <math>\lambda</math> harus memenuhi <math>\mu_A(\lambda) \ge \gamma_A(\lambda)</math>.

Misalkan <math>A</math> memiliki <math>d \leq n</math> nilai eigen unik <math>\lambda_1, \ldots, \lambda_d</math>, dengan kegandaan geometrik dari <math>\lambda_i</math> adalah <math>\gamma_A (\lambda_i)</math>. Total kegandaan geometrik dari <math>A</math>,

<math display="block">\begin{align}
  \gamma_A &= \sum_{i=1}^d \gamma_A(\lambda_i), \\
         d &\le \gamma_A \le n,
\end{align}</math>

adalah dimensi dari [[Subruang vektor#Jumlah|jumlah]] semua ruang eigen dari nilai-nilai eigen <math>A</math>; atau secara ekuivalen, adalah banyaknya vektor-vektor eigen dari <math>A</math> yang saling bebas linear. Jika <math>\gamma_A=n</math>, maka
* [[Jumlah langsung]] semua ruang eigen dari nilai-nilai eigen <math>A</math> akan sama dengan ruang vektor <math>\mathbb{C}^n</math>.
* Suatu basis bagi <math>\mathbb{C}^n</math> dapat dibentuk dari <math>n</math> buah eigen vektor dari <math>A</math> yang saling bebas linear; basis tersebut dikatakan sebagai '''basis eigen''' (''eigenbasis'')
* Sembarang vektor di <math>\mathbb{C}^n</math> dapat dinyatakan sebagai [[kombinasi linear]] dari vektor-vektor eigen dari <math>A</math>.

===Sifat-sifat lain dari nilai eigen===
Misalkan <math>A</math> adalah sembarang matriks berukuran <math>n \times n</math> dengan entri berupa bilangan kompleks, dan memiliki nilai-nilai eigen <math>\lambda_1, \ldots, \lambda_n</math>. Setiap nilai eigen muncul sebanyak <math>\mu_A(\lambda_i)</math> kali di polinomial karakteristik matriks <math>A</math>, dengan <math>\mu_A(\lambda_i)</math> menyatakan kegandaan numerik dari nilai eigen. Berikut beberapa hubungan yang dimiliki matriks dengan nilai-nilai eigennya:
* [[Teras (aljabar linear)|Trace]] dari <math>A</math>, yang didefinisikan sebagai jumlah elemen-elemen diagonal utama pada matriks, bernilai sama dengan jumlah semua nilai eigen matriks tersebut,<ref name=":6">{{Cite book|last=Beauregard|first=Raymond A.|date=1973|url=https://www.worldcat.org/oclc/600254|title=A first course in linear algebra; with optional introduction to groups, rings, and fields|location=Boston,|publisher=Houghton Mifflin|isbn=0-395-14017-X|pages=307|others=John B. Fraleigh|oclc=600254|url-status=live}}</ref><ref>{{Cite book|last=Herstein|first=Israel N.|date=1964|url=https://www.worldcat.org/oclc/615439706|title=Topics in algebra|location=Waltham, Mass|publisher=Xerox College Publ|isbn=0-536-00257-6|pages=272|oclc=615439706|url-status=live}}</ref><ref name=":7">{{Cite book|last=Nering|first=Evar D.|date=1970|url=https://www.worldcat.org/oclc/747523|title=Linear algebra and matrix theory|location=New York,|publisher=Wiley|isbn=0-471-63178-7|edition=2d ed|pages=115-116|oclc=747523|url-status=live}}</ref><math display="block">\operatorname{tr}(A) = \sum_{i=1}^n a_{ii} = \sum_{i=1}^n \lambda_i = \lambda_1 + \lambda_2 + \cdots + \lambda_n.</math>
* [[Determinan]] dari <math>A</math> adalah hasil perkalian semua nilai eigen matriks tersebut,<ref name=":6" /><ref name=":7" /><ref>{{Cite book|last=Herstein|first=Israel N.|date=1964|url=https://www.worldcat.org/oclc/615439706|title=Topics in algebra|location=Waltham, Mass|publisher=Xerox College Publ|isbn=0-536-00257-6|pages=290|oclc=615439706|url-status=live}}</ref><math display="block">\det(A) = \prod_{i=1}^n \lambda_i = \lambda_1\lambda_2 \cdots \lambda_n.</math>
* Nilai-nilai eigen dari matriks <math>A^k</math>, untuk sembarang bilangan bulat positif <math>k</math>, adalah <math>\lambda_1^k, \ldots, \lambda_n^k</math>.
* Matriks <math>A</math> dapat [[Matriks terbalikkan|dibalik]] (memiliki invers) jika dan hanya jika tidak ada nilai eigennya yang bernilai nol.
* Jika <math>A</math> terbalikkan, maka nilai-nilai eigen dari <math>A^{-1}</math> adalah <math display="inline">\frac{1}{\lambda_1}, \ldots, \frac{1}{\lambda_n}</math>. Lebih lanjut, nilai eigen <math>\lambda_i</math> dari <math>A</math> dan nilai eigen <math>\tfrac{1}{\lambda_i}</math> dari <math>A^{-1}</math> akan memiliki nilai kegandaan geometrik dan kegandaan aljabar yang sama.
* Jika <math>A</math> sama dengan [[transpos konjugat]] dirinya, <math>A^*</math>, dengan kata lain <math>A</math> merupakan [[matriks Hermite]], maka semua nilai eigennya bernilai real. Hal yang sama berlaku untuk sembarang [[matriks simetrik]] real.
* Jika <math>A</math> merupakan matriks Hermite sekaligus bersifat definit positif, semidefinit positif, definit negatif, atau semidefinit negatif; maka berturut-turut, setiap nilai eigennya akan berupa bilangan positif, tak negatif, negatif, atau tak positif.
* Jika <math>A</math> [[Matriks uniter|uniter]], setiap nilei eigennya memiliki nilai mutlak <math>|\lambda_i|=1</math>.
* Nilai-nilai eigen dari matriks <math>I+A</math> (dengan <math>I</math> adalah matriks identitas) adalah <math>\{\lambda_1+1,\ldots,\lambda_k+1\}</math>. Lebih lanjut, jika <math>\alpha\in\mathbb C</math>, nilai-nilai eigen dari <math>\alpha I+A</math> adalah <math>\{\lambda_1+\alpha,\ldots,\lambda_k+\alpha\}</math>. Secara umum untuk sembarang polinomial <math>P</math>, nilai-nilai eigen dari matriks <math>P(A)</math> adalah <math>\{P(\lambda_1), \ldots, P(\lambda_k)\}</math>.

=== Identitas nilai dan vektor eigen ===
Untuk sembarang [[matriks Hermite]], kuadrat norma dari komponen ke-<math>j</math> dari vektor eigen yang ternormalisasi dapat ditentukan hanya dengan menggunakan nilai-nilai eigen dari matriks dan nilai-nilai [[matriks minor]] yang bersesuaian,<math display="block">|v_{i,j}|^2 = \frac{\prod_{k}{(\lambda_i-\lambda_k(M_j))}}{\prod_{k \neq i}{(\lambda_i-\lambda_k)}},</math>

dengan <math display="inline">M_j</math> adalah submatriks yang dibentuk dengan menghilangkan baris dan kolom ke-<math>j</math> dari matriks awalnya.<ref>{{Cite journal|last=Denton|first=Peter B.|last2=Parke|first2=Stephen J.|last3=Tao|first3=Terence|last4=Zhang|first4=Xining|date=2021-02-18|title=Eigenvectors from eigenvalues: A survey of a basic identity in linear algebra|url=http://arxiv.org/abs/1908.03795|journal=Bulletin of the American Mathematical Society|pages=1|doi=10.1090/bull/1722|issn=0273-0979}}</ref><ref>{{Cite web|last=Wolchover|first=Natalie|date=2019-11-13|title=Neutrinos Lead to Unexpected Discovery in Basic Math|url=https://www.quantamagazine.org/neutrinos-lead-to-unexpected-discovery-in-basic-math-20191113/|website=Quanta Magazine|language=en|access-date=2021-11-12}}</ref><ref>{{Cite journal|last=Van Mieghem|first=Piet|date=2016-03-14|title=Graph eigenvectors, fundamental weights and centrality metrics for nodes in networks|url=http://arxiv.org/abs/1401.4580|journal=arXiv:1401.4580 [cond-mat, physics:physics]}}</ref>

== Contoh perhitungan nilai eigen dan vektor eigen ==

===Contoh matriks dimensi dua===
[[File:Eigenvectors.gif|right|frame|Transformasi matriks ''A'' = <math>\left[\begin{smallmatrix} 2 & 1\\ 1 & 2 \end{smallmatrix}\right]</math> tidak mengubah arah vektor ungu yang paralel dengan '''v'''<sub>''λ''=1</sub> = [1 −1]<sup>T</sup>, dan vektor biru yang paralel dengan '''v'''<sub>''λ''=3</sub> = [1 1]<sup>T</sup>. Vektor-vektor merah tidak paralel dengan vektor-vektor eigen, sehingga arah mereka berubah ketika ditransformasi. Panjang dari vektor ungu tidak berubah akibat transformasi, karena nilai eigennya sama dengan 1. Di sisi lain vektor biru menjadi tiga kali lebih panjang dari awalnya, karena nilai eigennya sama dengan 3.]]

Misalkan sebuah matriks

<math display="block">A = \begin{bmatrix}
  2 & 1\\
  1 & 2
\end{bmatrix}.</math>

Gambar berikut menunjukkan efek dari transformasi oleh matriks pada titik-titik koordinat yang terletak pada bidang. Vektor-vektor eigen <math>\mathbf v</math> dari transformasi ini memenuhi Persamaan ({{EquationNote|1}}), dan nilai-nilai eigennya adalah nilai-nilai <math>\lambda</math> yang menyebabkan determinan matriks <math>(A-\lambda I)</math> sama dengan nol. Dengan menghitung determinan, kita mendapatkan polinomial karakteristik dari <math>A</math>,

<math display="block">\begin{align}
     |A - \lambda I| 
  &= \left|\begin{bmatrix}
    2 & 1 \\
    1 & 2
  \end{bmatrix} - \lambda\begin{bmatrix}
    1 & 0 \\
    0 & 1
  \end{bmatrix}\right| = \begin{vmatrix}
    2 - \lambda & 1 \\
    1           & 2 - \lambda
  \end{vmatrix} \\[6pt]
     &= 3 - 4\lambda + \lambda^2 \\[6pt]
     &= (\lambda - 3)(\lambda - 1).
\end{align}</math>

Polinom karakteristik ini memiliki akar <math>\lambda=1</math> dan <math>\lambda=3</math>, yang selanjutnya adalah dua nilai eigen dari <math>A</math>. Mensubtitusi <math>\lambda=1</math> ke dalam Persamaan ({{EquationNote|2}}), didapatkan
:<math>(A - I)\mathbf{v}_{\lambda=1} = \begin{bmatrix} 1 & 1\\ 1 & 1\end{bmatrix}\begin{bmatrix}v_1 \\ v_2\end{bmatrix} = \begin{bmatrix}0 \\ 0\end{bmatrix}</math>
:<math>1v_1 + 1v_2 = 0</math>; <math>1v_1 + 1v_2 = 0</math>

Sembarang vektor tak nol dengan <math>v_1 = -v_2</math> akan memenuhi persamaan ini. Dengan demikian, dapat dipilih satu vektor,

<math display="block">\mathbf{v}_{\lambda=1} = \begin{bmatrix} v_1 \\ -v_1 \end{bmatrix} = \begin{bmatrix} 1 \\ -1 \end{bmatrix}</math>

sebagai vektor eigen dari <math>A</math> yang berasosiasi dengan <math>\lambda=1</math>; setiap kelipatan dari vektor ini juga merupakan vektor eigen. Sedangkan untuk <math>\lambda=3</math>, Persamaan ({{EquationNote|2}}) dapat ditulis menjadi

<math display="block">\begin{align}
  (A - 3I)\mathbf{v}_{\lambda=3} &=
  \begin{bmatrix} -1 & 1\\ 1 & -1 \end{bmatrix}
    \begin{bmatrix} v_1 \\ v_2 \end{bmatrix} =
    \begin{bmatrix} 0 \\ 0 \end{bmatrix} \\
  -1v_1 + 1v_2 &= 0;\\
   1v_1 - 1v_2 &= 0
\end{align}</math>

Sembarang vektor tak nol dengan <math>v_1 = v_2</math> akan memenuhi persamaan ini. Dengan cara yang sama seperti di atas,<math display="block">\mathbf v_{\lambda=3} = \begin{bmatrix} v_1 \\ v_1 \end{bmatrix} = \begin{bmatrix} 1 \\ 1 \end{bmatrix}</math>

adalah vektor eigen dari <math>A</math> yang berasosiasi dengan <math>\lambda=3</math>. Alhasil, vektor <math>\mathbf v_{\lambda=1}</math> dan <math>\mathbf v_{\lambda=3}</math> adalah vektor eigen dari <math>A</math>, yang masing-masing berasosiasi dengan <math>\lambda=1</math> dan <math>\lambda=3</math>.

===Rumus umum untuk nilai-nilai eigen dari matriks dimensi dua===
Nilai-nilai eigen dari matriks real <math>A = \begin{bmatrix}
  a & b\\
  c & d
\end{bmatrix}</math> adalah{{efn|
Tentukan polinomial karakteristik dari <math>A</math>:
<math display="block">
\begin{align}
|A - \lambda I| &= \begin{vmatrix} a - \lambda & b \\ c & d - \lambda \end{vmatrix} \\
&= (a - \lambda) (d - \lambda) - bc \\
&= ad - a\lambda - d\lambda + \lambda^2 - bc \\
&= \lambda^2 - (a + d) \lambda + (ad - bc) \\
\end{align}
</math>

Lalu gunakan rumus kuadratik untuk menentukan nilai dari <math>\lambda</math>:
<math display="block">
\begin{align}
\lambda &= \frac{(a + d) \pm \sqrt{(a + d)^2 - 4 (ad - bc)}}{2} \\
&= \frac{a + d}{2} \pm \frac{\sqrt{(a + d)^2 - 4 (ad - bc)}}{2}
\end{align}
</math>

Bentuk di dalam akar dapat diserdehanakan menjadi:
<math display="block">
\begin{align}
& (a + d)^2 - 4(ad - bc) \\
={}& a^2 + 2ad + d^2 - 4ad + 4bc \\
={}& a^2 - 2ad + d^2 + 4bc \\
={}& (a - d)^2 + 4bc
\end{align}
</math>

Dengan sedikit perapian,
<math display="block">
\begin{align}
\lambda &= \frac{a + d}{2} \pm \sqrt{\frac{(a - d)^2 + 4bc}{4}} \\
&= \frac{a + d}{2} \pm \sqrt{\frac{1}{4}(a - d)^2 + bc}
\end{align}
</math>
}}

<math display="block"> \lambda = \frac{1}{2}(a + d) \pm \sqrt{\left(\frac{1}{2}(a - d)\right)^2 + bc}
= \frac{1}{2}\left(\operatorname{tr}(A) \pm \sqrt{\left(\operatorname{tr}(A)^2\right) - 4\det(A)}\right) . </math>

Dengan <math>\operatorname{tr}(\dots)</math> adalah operator [[Teras (aljabar linear)|trace]]. Nilai-nilai eigen akan selalu berupa bilangan real ketika <math>b</math> dan <math>c</math> memiliki tanda yang sama, karena nilai di dalam akar tidak akan bernilai negatif

=== Contoh matriks dimensi tiga ===
Misalkan sebuah matriks <math>A</math> dengan nilai entri-entri berikut,<ref name="ElementaryLinearAlgebra2">Anton H., & Rorres C. 2005 . ''Elementary Linear Algebra: 9th edition'' . John Wiley and Sons. New York . ISBN 0-471-43329-2</ref>

<math display="block">A =
\begin{bmatrix}
0 & 1 & 0 \\
0 & 0 & 1 \\
4 & -17 & 8 \\
\end{bmatrix}
</math>

Pertama-tama akan dihitung polinomial karakteristik <math>f(\lambda)</math> dari matriks <math>A</math> dengan menghitung [[ekspansi Laplace]] dari matriks <math>(A-\lambda I)</math>

<math display="block"> f(\lambda)
= \det(A - \lambda I)
= \det\begin{pmatrix}
- \lambda & 1 & 0 \\
0 & - \lambda & 1 \\
4 & -17 & 8 - \lambda \\
\end{pmatrix}</math><math display="block"> f(\lambda) =
- \lambda \cdot \begin{bmatrix}
- \lambda & 1 \\
-17 & 8 - \lambda \\
\end{bmatrix}
- 1 \cdot \begin{bmatrix}
0 & 1 \\
4 & 8 - \lambda \\
\end{bmatrix}
+ 0 \cdot \begin{bmatrix}
0 & - \lambda \\
4 & -17 \\
\end{bmatrix} = 8\lambda^2 - \lambda^3 - 17\lambda + 4</math>

Persamaan karakteristik <math> f(\lambda) = 0</math> memiliki akar-akar <math> \lambda_1 = 4, \lambda_2 = 2 + \sqrt{3}, \lambda_3 = 2 - \sqrt{3}</math>. Untuk <math>\lambda_1 = 4</math>, subtitusi nilai eigen ke dalam Persamaan ({{EquationNote|2}}) akan menghasilkan

<math display="block"> \begin{align}
(A - \lambda_1 I) \mathbf v \,\, &= \mathbf \,\,\,\, \mathbf 0\\
\begin{bmatrix}
-4 & 1 & 0 \\
0 & -4 & 1 \\
4 & -17 & 4 \\
\end{bmatrix} 
\begin{bmatrix}
v_1\\
v_2\\
v_3\\
\end{bmatrix} &= 
\begin{bmatrix}
0\\
0\\
0\\
\end{bmatrix}
\end{align}</math>[[Matriks dasar|Operasi baris dasar]] atau teknik eliminasi [[sistem persamaan linear]] lainnya dapat diterapkan untuk mencari solusi persamaan tersebut. Alhasil, didapatkan vektor eigen <math>\lambda_1 = 4</math> adalah <math>\mathbf v_{\lambda_1} = \begin{bmatrix} 1 & 4 & 16\end{bmatrix}^\textsf{T}</math>, maupun kelipatan skalar dari vektor ini.

===Contoh matriks dimensi tiga dengan nilai-nilai eigen kompleks===
Misalkan sebuah [[matriks permutasi]]

<math display="block">A = \begin{bmatrix}
  0 & 1 & 0\\
  0 & 0 & 1\\
  1 & 0 & 0
\end{bmatrix}.</math>

Matriks ini akan menggeser koordinat vektor ke atas sebesar satu posisi, dan memindahkan koordinat pertama menjadi koordinat terakhir. Polinomial karakteristik matriks ini adalah <math>1-\lambda^3</math>, yang memiliki akar-akar

<math display="block">\begin{align}
  \lambda_1 &= 1 \\
  \lambda_2 &= -\frac{1}{2} + i \frac{\sqrt{3}}{2} \\
  \lambda_3 &= \lambda_2^* = -\frac{1}{2} - i \frac{\sqrt{3}}{2}
\end{align}</math>

dengan <math>i</math> adalah [[unit imajiner]] yang memiliki sifat {{nowrap|<math>i^2 = -1</math>.}} Untuk nilai eigen real <math>\lambda_1 = 1</math>, sembarang vektor dengan semua entrinya bernilai sama adalah vektor eigen. Sebagai contoh,<math display="block">
    A \begin{bmatrix} 5\\ 5\\ 5 \end{bmatrix}  =
    1 \cdot \begin{bmatrix} 5\\ 5\\ 5 \end{bmatrix}  =
    \begin{bmatrix} 5\\ 5\\ 5 \end{bmatrix}.
</math>

Sedangkan untuk dua nilai eigen lainnya, yang merupakan pasangan bilangan kompleks konjugat, akan memenuhi hubungan <math display="block">\lambda_2\lambda_3 = 1, \quad \lambda_2^2 = \lambda_3, \quad \lambda_3^2 = \lambda_2.</math>Maka vektor eigen mereka masing-masing adalah <math display="block">
  A \begin{bmatrix} 1 \\ \lambda_2 \\ \lambda_3 \end{bmatrix} =
    \begin{bmatrix} \lambda_2 \\ \lambda_3 \\ 1 \end{bmatrix} =
    \lambda_2 \cdot \begin{bmatrix} 1 \\ \lambda_2 \\ \lambda_3 \end{bmatrix},
</math>dan <math display="block">
  A \begin{bmatrix} 1 \\ \lambda_3 \\ \lambda_2 \end{bmatrix} =
    \begin{bmatrix} \lambda_3 \\ \lambda_2 \\ 1 \end{bmatrix} =
    \lambda_3 \cdot \begin{bmatrix} 1 \\ \lambda_3 \\ \lambda_2 \end{bmatrix}.
</math>Dengan demikian, dua vektor yang lain dari <math>A</math> merupakan vektor kompleks, yakni <math>\mathbf v_{\lambda_2} = \begin{bmatrix} 1 & \lambda_2 & \lambda_3\end{bmatrix}^\textsf{T}</math> dan <math>\mathbf v_{\lambda_3} = \begin{bmatrix} 1 & \lambda_3 & \lambda_2\end{bmatrix}^\textsf{T}</math> yang masing-masing berasosiasi dengan nilai eigen <math>\lambda_2</math> dan <math>\lambda_3</math>. Dua vektor kompleks ini juga merupakan pasangan kompleks konjugat, karena <math>\mathbf v_{\lambda_2} = \mathbf v_{\lambda_3}^*.</math>
===Contoh matriks diagonal===
Matriks dengan entri-entri tak nol hanya terletak sepanjang diagonal utama disebut dengan [[matriks diagonal]]. Nilai-nilai eigen dari matriks diagonal adalah nilai-nilai sepanjang diagonal utama matriks itu sendiri. Sebagai contoh, misalkan sebuah matriks <math display="block">A = \begin{bmatrix} 1 & 0 & 0\\ 0 & 2 & 0\\ 0 & 0 & 3\end{bmatrix}.</math>Polinomial karakteristik dari <math>A</math> adalah <math>|A - \lambda I| = (1 - \lambda)(2 - \lambda)(3 - \lambda)</math>, yang memiliki akar-akar <math>\lambda_1 = 1</math>, <math>\lambda_2 = 2</math>, dan <math>\lambda_3 = 3</math>. Akar-akar ini merupakan nilai-nilai eigen dari <math>A</math>, sekaligus terletak di diagonal utama matriks <math>A</math>. Setiap elemen diagonal utama berasosiasi dengan suatu vektor eigen yang memiliki komponen tidak nol hanya pada komponen yang sama dengan komponen elemen diagonal utama tersebut. Pada contoh ini, masing-masing nilai eigen berasosiasi dengan vektor-vektor eigen <math>\mathbf v_{\lambda_1} = \begin{bmatrix} 1 & 0 & 0\end{bmatrix}^\textsf{T}</math>, <math>\mathbf v_{\lambda_2} = \begin{bmatrix} 0 & 1 & 0\end{bmatrix}^\textsf{T}</math>, dan  <math>\mathbf v_{\lambda_3} = \begin{bmatrix} 0 & 0 & 1\end{bmatrix}^\textsf{T}</math>; maupun kelipatan skalar dari vektor-vektor ini.

===Contoh matriks segitiga===
Suatu matriks dengan semua entri di atas [[diagonal utama]] bernilai nol disebut dengan ''[[matriks segitiga]] bawah'', sedangkan matriks dengan semua entri di bawah diagonal utama bernilai nol disebut dengan ''matriks segitiga atas''. Sama seperti matriks diagonal, nilai-nilai eigen dari matriks segitiga terletak pada diagonal utama. Sebagai contoh, misalkan sebuah matriks segitiga bawah, <math display="block">A = \begin{bmatrix}
  1 & 0 & 0\\
  1 & 2 & 0\\
  2 & 3 & 3
\end{bmatrix}.</math>Polinomial karakteristik dari <math>A</math> adalah <math>|A - \lambda I| = (1 - \lambda)(2 - \lambda)(3 - \lambda)</math>, yang memiliki akar-akar <math>\lambda_1 = 1</math>, <math>\lambda_2 = 2</math>, dan <math>\lambda_3 = 3</math>. Nilai-nilai eigen ini masing-masing berasosiasi dengan vektor eigen  <math>\mathbf v_{\lambda_1} = \begin{bmatrix} 2 & -2 & 1\end{bmatrix}^\textsf{T}</math>, <math>\mathbf v_{\lambda_2} = \begin{bmatrix} 0 & 1 & -3\end{bmatrix}^\textsf{T}</math>, dan  <math>\mathbf v_{\lambda_3} = \begin{bmatrix} 0 & 0 & 1\end{bmatrix}^\textsf{T}</math>; maupun kelipatan skalar dari vektor-vektor ini.

===Contoh matriks dengan nilai eigen yang berulang===
Serupa dengan contoh sebelumnya, matriks segitiga bawah <math display="block">A = \begin{bmatrix}
  2 & 0 & 0 & 0 \\
  1 & 2 & 0 & 0 \\
  0 & 1 & 3 & 0  \\
  0 & 0 & 1 & 3
\end{bmatrix},</math>memiliki polinomial karakteristik sebagai hasil perkalian elemen-elemen diagonal utamanya, yakni <math display="block">|A - \lambda I| = \begin{vmatrix}
    2 - \lambda & 0 & 0 & 0 \\
    1 & 2- \lambda & 0 & 0 \\
    0 & 1 & 3- \lambda & 0  \\
    0 & 0 & 1 & 3- \lambda
  \end{vmatrix} =
  (2 - \lambda)^2(3 - \lambda)^2.
</math>Akar-akar dari polinomial ini, yang juga menjadi nilai-nilai eigen, adalah 2 dan 3. ''Kegandaan aljabar'' setiap nilai eigen adalah 2, karena mereka masing-masing merupakan akar ganda. Jumlah dari semua kegandaan aljabar adalah <math>\gamma_a = 4 = n</math>, yakni derajat polinomial karakteristik dan dimensi dari matriks <math>A</math>. Di sisi lain, ''kegandaan geometrik'' dari <math>\lambda = 2</math> hanya bernilai 1, karena ruang eigen dari nilai eigen ini hanya dibangun oleh sebuah vektor <math>\begin{bmatrix} 0 & 1 & -1 & 1 \end{bmatrix}^\textsf{T}</math>; mengakibatkan ruang eigen hanya berdimensi 1. Serupa dengan itu, ''kegandaan geometrik'' dari <math>\lambda = 3</math> juga bernilai 1 karena ruang eigennya hanya dibangun oleh sebuah vektor <math>\begin{bmatrix} 0 & 0 & 0 & 1 \end{bmatrix}^\textsf{T}</math>. Total kegandaan geometrik, <math>\gamma_A</math>, bernilai dua; ini adalah nilai terkecil yang mungkin bagi sembarang matriks dengan dua nilai eigen yang berbeda.

== Sejarah ==
Nilai-nilai eigen umum diperkenalkan dalam konteks [[aljabar linear]] atau [[teori matriks]]. Namun secara historis, mereka muncul dalam studi mengenai [[bentuk kuadratik]] dan [[persamaan diferensial]].

Pada abad ke-18, [[Leonhard Euler]] mempelajari gerakan rotasi dari [[benda tegar]], dan menemukan pentingnya konsep poros utama (''principal axes''). Tepatnya tahun 1751, Leonhard Euler membuktikan bahwa setiap benda memiliki suatu poros rotasi utama (''principal axis of rotation'').<ref>{{Cite book|last=Euler|first=Leonhard|date=Oktober 1751|url=http://archive.org/details/histoiredelacad07unkngoog|title=Du mouvement d'un corps solide quelconque lorsqu'il tourne autour d'un axe mobile|publisher=Histoire de l'Académie royale des sciences et des belles lettres de Berlin.|publication-date=tahun 1760|pages=176-227|others=Oxford University|language=Prancis|trans-title=Tentang pergerakan benda tegar ketika berotasi mengelilingi suatu poros|quote=Pada hlm. 212, Euler membuktikan bahwa setiap benda memiliki suatu poros rotasi utama (''principal axis of rotation''). "''Théorem. 44. De quelque figure que soit le corps, on y peut toujours assigner un tel axe, qui passe par son centre de gravité, autour duquel le corps peut tourner librement & d'un mouvement uniforme.''" (Teorema. 44. Bagaimanapun bentuk bendanya, seseorang dapat menetapkan suatu poros yang melewati titik pusat gravitasi [benda], sehingga benda tersebut dapat berputar bebas dan dengan gerakan yang seragam (konstan).)|url-status=live}}</ref> Hasil ini dikembangkan oleh [[Johann Andreas Segner]], yang pada tahun 1755 membuktikan setiap benda memiliki tiga poros rotasi utama.<ref>{{Cite book|last=Segner|first=Johann Andreas|date=1755|url=https://books.google.co.id/books/about/Specimen_theoriae_turbinum.html?id=5cDKnQEACAAJ|title=Specimen theoriae turbinum|location=Halle (''Halae''), Jerman|publisher=Gebauer|pages=xxviiii [29]|trans-title=Esai mengenai teori tentang gasing (yakni, benda yang berotasi)|quote=Segner menyusun persamaan derajat tiga dalam ''t'', yang membuktikan sebuah benda memiliki tiga poros rotasi utama. Ia selanjutnya menyatakan (di halaman yang sama): "''Non autem repugnat tres esse eiusmodi positiones plani HM, quia in aequatione cubica radices tres esse possunt, et tres tangentis t valores.''"  (Namun, itu tidak inkonsisten bahwa ada tiga posisi tersebut di bidang HM, karena persamaan kubik dapat memiliki tiga akar, dan tiga nilai untuk tangen t.)|url-status=live}}</ref><ref>{{Cite journal|last=Cayley|first=A.|date=1863|title=Report on the progress of the solution of certain special problems of dynamics|trans-title=Laporan mengenai perkembangan solusi dari beberapa masalah khusus dalam dinamika|url=https://books.google.co.id/books?id=S_RJAAAAcAAJ&pg=PA225#v=onepage&q&f=false|journal=Report of the Thirty-second meeting of the British Association for the Advancement of Science|publication-place=Cambridge|publication-date=October 1862|volume=32|pages=184–252|quote=Karya Segner didiskusikan secara singkat, khususnya pada hlm. 225-226}}</ref> [[Joseph-Louis Lagrange]] selanjutnya menyadari bahwa poros-poros utama adalah vektor-vektor eigen dari matriks inersia.<ref name=":1">{{Cite journal|last=Hawkins|first=Thomas|date=1975-02-01|title=Cauchy and the spectral theory of matrices|url=https://www.sciencedirect.com/science/article/pii/0315086075900324|journal=Historia Mathematica|language=en|volume=2|issue=1|pages=1–29|doi=10.1016/0315-0860(75)90032-4|issn=0315-0860}}</ref>

Pada awal abad ke-19, [[Augustin Louis Cauchy]] melihat bagaimana karya-karya mereka dapat digunakan untuk mengklasifikasi [[kurva kuadratik]] (''quadric surfaces''), lalu memperumumnya ke sembarang dimensi.<ref name=":1" /> Karya tulis Cauchy juga berpengaruh terhadap perkembangan [[teori spektral]] pada awal tahun 1870.<ref name=":1" /> Cauchy juga mencetuskan istilah ''racine caractéristique'' (akar karakteristik), yang sekarang disebut sebagai ''nilai eigen''; istilah lain yang ia cetuskan dan masih bertahan saat ini adalah [[Polinomial karakteristik|persamaan karakteristik]].<ref name=":22">{{Cite book|last=Kline|first=Morris|date=1972|url=https://www.worldcat.org/oclc/517172|title=Mathematical thought from ancient to modern times|location=New York|isbn=0-19-501496-0|pages=807-808|oclc=517172|url-status=live}}</ref><ref>{{Cite journal|last=Cauchy|first=Augustin|date=1839|title=Mémoire sur l'intégration des équations linéaires|trans-title=Memoir tentang integrasi persamaan linear|url=https://gallica.bnf.fr/ark:/12148/bpt6k2967c/f833.item.r=.zoom|journal=Comptes rendus de l'Académie des Sciences|volume=8|pages=827–830, 845–865, 889–907, 931–937|quote=Di hlm. 827: "''On sait d'ailleurs qu'en suivant la méthode de Lagrange, on obtient pour valeur générale de la variable prinicipale une fonction dans laquelle entrent avec la variable principale les racines d'une certaine équation que j'appellerai l'équation caractéristique, le degré de cette équation étant précisément l'order de l'équation différentielle qu'il s'agit d'intégrer.''" (Kita tahu, lebih lanjut, dengan menggunakan metode Lagrange, kita akan mendapatkan nilai umum dari variabel utama sebuah fungsi yang disana, bersama dengan variabel utama, akan dari suatu persamaan yang akan saya sebut sebagai "persamaan karakteristik", derajat dari persamaan ini dengan tepat sama dengan derajat dari persamaan diferensial yang perlu diintegrasikan.)}}</ref> Selanjutnya,  [[Joseph Fourier]] menggunakan karya Lagrange dan [[Pierre-Simon Laplace]] untuk menyelesaikan [[persamaan panas]] dengan [[pemisahan variabel]], dalam buku tahun 1822-nya yang terkenal, ''Théorie analytique de la chaleu'' (Teori analitik tentang panas).<ref>{{Cite book|last=Kline|first=Morris|date=1972|url=https://www.worldcat.org/oclc/517172|title=Mathematical thought from ancient to modern times|location=New York|isbn=0-19-501496-0|pages=673|oclc=517172|url-status=live}}</ref>  [[Charles-François Sturm]] mengembangkan ide Fourier lebih jauh, dan menarik perhatian Cauchy, yang menggabungkan ide-ide mereka dengan idenya sendiri, dan menghasilkan bukti bahwa [[matriks simetrik]] real akan memiliki nilai-nilai eigen real.<ref name=":1" /> Hasil ini diperumum oleh [[Charles Hermite]] pada tahun 1855, yang memperkenalkan [[matriks Hermite]].<ref name=":22" />

Di saat yang bersamaan, [[Francesco Brioschi]] membuktikan nilai-nilai eigen dari [[matriks ortogonal]] terletak pada [[lingkaran satuan]],<ref name=":1" /> dan [[Alfred Clebsch]] menemukan bukti yang serupa untuk matriks ''skew-symmetric''.<ref name=":22" /> [[Karl Weierstrass]] mengklarifikasi aspek penting dalam [[teori stabilitas]] yang dibuat oleh Laplace, dengan membuktikan [[matriks defektif]] dapat menyebabkan ketidakstabilan.<ref name=":1" /> [[Joseph Liouville]] mempelajari masalah-masalah nilai eigen yang mirip dengan masalah yang dikerjakan Sturm; menghasilkan disiplin ilmu yang saat ini dikenal dengan [[teori Sturm-Liouville]].<ref>{{Cite book|last=Kline|first=Morris|date=1972|url=https://www.worldcat.org/oclc/517172|title=Mathematical thought from ancient to modern times|location=New York|isbn=0-19-501496-0|pages=715-716|oclc=517172|url-status=live}}</ref> Memasuki akhir abad ke-19, [[Hermann Schwarz|Schwarz]] mempelajari nilai eigen pertama dari [[persamaan Laplace]] secara umum, sedangkan [[Henri Poincaré|Poincaré]] mempelajari persamaan Poisson beberapa tahun berikutnya.<ref>{{Cite book|last=Kline|first=Morris|date=1972|url=https://www.worldcat.org/oclc/517172|title=Mathematical thought from ancient to modern times|location=New York|isbn=0-19-501496-0|pages=706-707|oclc=517172|url-status=live}}</ref>

Di awal abad ke-20, [[David Hilbert]] mempelajari nilai-nilai eigen dari [[operator integral]] dengan menganggap operator tersebut sebagai matriks [dengan ukuran] tak berhingga.<ref>{{Cite book|last=Kline|first=Morris|date=1972|url=https://www.worldcat.org/oclc/517172|title=Mathematical thought from ancient to modern times|location=New York|isbn=0-19-501496-0|pages=1063|oclc=517172|url-status=live}}</ref> Ia adalah yang pertama menggunakan kata German ''eigen'', yang berarti "diri sendiri"<ref name=":0">{{Cite web|title=Eigenvector and Eigenvalue|url=https://www.mathsisfun.com/algebra/eigenvalue.html|website=www.mathsisfun.com|access-date=2020-08-19}}</ref> untuk menyebut nilai dan vektor eigen pada tahun 1904,<ref>{{Cite book|last=Hilbert|first=David|date=1904|url=http://www.digizeitschriften.de/dms/img/?PPN=PPN252457811_1904&DMDID=dmdlog11&LOGID=log11&PHYSID=phys57#navi|title=Grundzüge einer allgemeinen Theorie der linearen Integralgleichungen. (Erste Mitteilung)|publisher=Nachrichten von der Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-Physikalische Klasse (News of the Philosophical Society at Göttingen, mathematical-physical section)|pages=49-91|language=de|trans-title=Fundamental mengenai teori umum tentang persamaan integral. (Laporan pertama)|quote=Di hlm. 51: "''Insbesondere in dieser ersten Mitteilung gelange ich zu Formeln, die die Entwickelung einer willkürlichen Funktion nach gewissen ausgezeichneten Funktionen, die ich 'Eigenfunktionen' nenne, liefern: …''" (Secara khusus, dalam laporan pertama ini saya menemukan rumus yang memberikan perkembangan [deret?] dari sembarang fungsi yang dinyatakan dalam suatu fungsi yang khusus, yang saya sebut dengan  nilai eigen: …) Selanjutnya dalam halaman yang sama: "Dieser Erfolg ist wesentlich durch den Umstand bedingt, daß ich nicht, wie es bisher geschah, in erster Linie auf den Beweis für die Existenz der Eigenwerte ausgehe, … " (Kesuksesan ini terutama disebabkan oleh bahwa saya tidak, sampai saat ini, pertama-tama berniat untuk membuktikan eksistensi dari nilai eigen, …)|url-status=live}}</ref><ref name=":32">{{Cite web|last=Aldrich|first=John|editor-last=Miller|editor-first=Jeff|title=Earliest Known Uses of Some of the Words of Mathematics (E)|url=https://jeff560.tripod.com/e.html|website=jeff560.tripod.com|access-date=2021-11-12|quote=lihat bagian "EIGENVALUE, EIGENFUNCTION, EIGENVECTOR and related terms."}}</ref> walau ada kemungkinan ia mengikuti istilah yang digunakan oleh [[Hermann von Helmholtz]]. Untuk beberapa waktu, istilah yang digunakan dalam bahasa Inggris adalah "''proper value''" (nilai yang tepat), namun istilah "''eigenvalue''" menjadi standar saat ini.<ref name=":32" /> Sedangkan dalam Bahasa Indonesia, Pusat Bahasa memadankan istilah "''eigenvalue''" istilah "eigennilai".<ref>{{Cite web|title=Glosarium|url=http://bahasasastra.kemdikbud.go.id/glosarium/index.php?gloss_asing=eigenvalue&gloss_indonesia=&jenis=exact&Bidang=3&infocmd=Cari|website=bahasasastra.kemdikbud.go.id|access-date=2021-11-12}}</ref> Namun saat ini, istilah "nilai eigen" lebih populer digunakan.{{Butuh rujukan|date=November 2021}}

Algoritma numerik pertama untuk menghitung nilai-nilai eigen dan vektor-vektor eigen muncul pada tahun 1929, saat [[Richard von Mises]] mempublikasikan [[metode pangkat]]. Salah satu metode yang populer saat ini adalah [[algoritma QR]], yang diusulkan secara terpisah oleh [[John G. F. Francis]]<ref>{{Cite journal|last=Francis|first=J. G. F.|date=1961-03-01|title=The QR Transformation A Unitary Analogue to the LR Transformation--Part 1|url=https://academic.oup.com/comjnl/article-lookup/doi/10.1093/comjnl/4.3.265|journal=The Computer Journal|language=en|volume=4|issue=3|pages=265–271|doi=10.1093/comjnl/4.3.265|issn=0010-4620}}</ref><ref>{{Cite journal|last=Francis|first=J. G. F.|date=1962-04-01|title=The QR Transformation--Part 2|url=https://academic.oup.com/comjnl/article-lookup/doi/10.1093/comjnl/4.4.332|journal=The Computer Journal|language=en|volume=4|issue=4|pages=332–345|doi=10.1093/comjnl/4.4.332|issn=0010-4620}}</ref> dan [[Vera Kublanovskaya]]<ref>{{Cite journal|last=Kublanovskaya|first=V.N.|date=1962-01|title=On some algorithms for the solution of the complete eigenvalue problem|url=https://linkinghub.elsevier.com/retrieve/pii/004155536390168X|journal=USSR Computational Mathematics and Mathematical Physics|language=en|volume=1|issue=3|pages=637–657|doi=10.1016/0041-5553(63)90168-X}}</ref> pada tahun 1961.<ref>{{Cite book|last=Golub|first=Gene H.|date=1996|url=https://www.worldcat.org/oclc/34515797|title=Matrix computations|location=Baltimore|publisher=Johns Hopkins University Press|isbn=0-8018-5413-X|edition=3rd ed|others=Charles F. Van Loan|oclc=34515797}}</ref><ref>{{Cite book|last=Meyer|first=C. D.|date=2000|url=https://www.worldcat.org/oclc/43662189|title=Matrix analysis and applied linear algebra|location=Philadelphia|publisher=Society for Industrial and Applied Mathematics|isbn=0-89871-454-0|oclc=43662189}}</ref>

== Metode penyelesaian ==
{{main|Algoritma nilai eigen}}

Teori tentang cara menentukan nilai dan vektor eigen, seperti yang disajikan dalam buku-buku aljabar linear dasar, umumnya tidak digunakan dalam praktiknya.

=== Metode klasik ===
Metode klasik bekerja dengan mencari nilai-nilai eigen terlebih dahulu, lalu menentukan vektor-vektor eigen untuk setiap nilai eigen. Dalam beberapa cara metode ini tidak sesuai untuk aritmetika non-eksak (''non-exact arithmetics'') seperti [[floating-point]].

Nilai-nilai eigen dari suatu matriks <math>A</math> dapat ditentukan dengan mencari akar-akar polinomial karakteristik. Hal ini sederhana untuk matriks berukuran <math> 2 \times 2 </math>, namun kesulitan akan meningkat dengan sangat cepat sebanding dengan ukuran matriks. Dalam teori, koefisien-koefisien dari polinomial karakteristik dapat dihitung secara eksak karena mereka adalah hasil penjumlahan dari perkalian elemen-elemen matriks; lagipula ada beberapa algoritma yang dapat mencari akar-akar dari polinomial dengan sembarang derajat [[Akurasi dan presisi|akurasi]] yang diinginkan.<ref name=":02">{{Cite book|last=Trefethen|first=Lloyd N.|date=1997|url=https://www.worldcat.org/oclc/36084666|title=Numerical linear algebra|location=Philadelphia|publisher=Society for Industrial and Applied Mathematics|isbn=0-89871-361-7|others=David Bau|oclc=36084666}}</ref> Namun cara tidak dapat dilakukan dalam praktik karena koefisien-koefisien akan terkontaminasi dengan [[galat pembulatan]], sedangkan akar-akar polinomial dapat sangat sensitif terhadap perubahan koefisien-koefisien (seperti yang dicontohkan pada [[polinomial Wilkinson]]).<ref name=":02" /> Bahkan untuk matriks yang setiap entrinya berupa bilangan bulat, kalkulasi tetap membutuhkan banyak operasi penjumlahan.

Rumus aljabar untuk mencari akar-akar polinomial secara eksplisit hanya ada jika derajat polinomial <math>n\leq4</math>. Berdasarkan [[Teorema Abel–Ruffini|teorema Abel-Ruffini]], tidak ada rumus aljabar eksak yang eksplisit, untuk mencari akar-akar polinomial derajat 5 atau lebih. Hal ini menyebabkan nilai dan vektor eigen dari matriks berorde 5 atau lebih, perlu dicari sebagai hampiran/perkiraan dengan [[metode numerik]]. Bahkan rumus eksplisit untuk akar-akar polinomial derajat 3 sudah tidak praktis secara numerik.

Setelah nilai (eksak) dari nilai eigen diketahui, vektor-vektor yang berasosiasi dengannya dapat dicari dengan mencari solusi tak nol dari persamaan nilai eigen; dengan kata lain, menyelesaikan sebuah [[sistem persamaan linear]].

=== Metode iteratif sederhana ===
{{main|Metode pangkat}}

Pendekatan sebaliknya, yakni dengan mencari vektor-vektor eigen lalu menentukan nilai eigen yang berasosiasi dengannya, ternyata lebih mudah dikerjakan oleh komputer. Algoritma yang paling sederhana dilakukan dengan mengambil sembarang vektor awal, lalu secara berulang mengalikannya dengan matriks <math>A</math> (dan secara opsional juga melakukan normalisasi agar ukuran vektor tetap wajar); hal ini akan membuat vektor menghampiri suatu vektor eigen. [[Iterasi invers]] sebagai salah satu variasi, mengalikan vektor dengan matriks  {{nowrap|<math>(A - \mu I)^{-1}</math>;}} hal ini menyebabkan vektor untuk menghampiri vektor eigen dengan nilai eigen yang nilainya sedekat mungkin dengan {{nowrap|<math>\mu \in \mathbb{C}</math>.}}

Jika <math>\mathbf{v}</math> adalah (perkiraan hampiran yang bagus dari) sebuah vektor eigen dari <math>A</math>, maka nilai eigen yang berasosiasi dengan vektor tersebut dihitung lewat<math display="block"> \lambda = \frac{\mathbf{v}^* A\mathbf{v}}{\mathbf{v}^* \mathbf{v}}</math>dengan <math>\mathbf{v}^*</math> menyatakan [[transpos konjugat]] dari <math>\mathbf{v}</math>.

=== Metode modern ===
Metode yang efisien dan akurat untuk menghitung nilai dan vektor eigen dari sembarang matriks tidak diketahui, sampai saat [[algoritma QR]] berhasil dikembangkan pada tahun 1961.<ref name=":02" /> Algoritma dengan menggabungkan [[transformasi Householder]] dengan [[dekomposisi LU]] menghasilkan hampiran yang lebih baik ketimbang algoritma QR.{{citation needed|date=March 2013}} Untuk [[matriks Hermite]] yang [[Matriks Rongga|rongga]], [[algoritma Lanczos]] adalah salah satu contoh metode iteratif yang efisien untuk menghitung nilai dan vektor eigen.<ref name=":02" />

Banyak metode numerik yang menghitung nilai-nilai eigen dari matriks juga menghasilkan vektor-vektor eigen sebagai produk sampingan, tapi terkadang hal ini tidak dibutuhkan pada masalah yang dikerjakan, sehingga informasi vektor-vektor eigen ini langsung dibuang.

== Catatan kaki ==
{{Notelist}}

== Referensi ==
{{reflist}}{{Aljabar linear}}{{Bidang matematika|state=autocollapse}}{{Authority control}}

[[Kategori:Matematika]]
[[Kategori:Aljabar linear]]