Buku Kumpulan Tugas Wolfram Mathematics

2021
BUKU KUMPULAN TUGAS
MATEMATIKA
TEKNIK
21539144004
S1-TEKNIK MANUFAKTUR-E2
Sultan Hulio Andrian

NAMA : SULTAN HULIO ANDRIAN
NIM : 21 539 144 004
PRODI : S1 - TEKNIK MANUFAKTUR_E2
Integrate[y = x, {x, 0, 1}]

1
Out[ ]=
2
Integrate[y = x, {x, 0, 04}]

Out[ ]= 8
In[ ]:= Plot[Sin[x], {x, 0, 2 Pi}]
1.0
0.5
Out[ ]=
1 2 3 4 5 6
-0.5
-1.0
In[ ]:= Plot[Sin[x], {x, 0, 04 Pi}]
1.0
0.5
Out[ ]=
2 4 6 8 10 12
-0.5
-1.0
2 Sultan Hulio Andrian_Tugas 1 Wolfram.nb
In[ ]:= Plot[Cos[x], {x, 0, 2 Pi}]
1.0
0.5
Out[ ]=
1 2 3 4 5 6
-0.5
-1.0
In[ ]:= Plot[Cos[x], {x, 0, 04 Pi}]
1.0
0.5
Out[ ]=
2 4 6 8 10 12
-0.5
-1.0
In[ ]:= Plot[Tan[x], {x, 0, 2 Pi}]
Out[ ]=
1 2 3 4 5 6
-2
-4
-6
Sultan Hulio Andrian_Tugas 1 Wolfram.nb 3
In[ ]:= Plot[Tan[x], {x, 0, 04 Pi}]
Out[ ]=
2 4 6 8 10 12
-2
-4
-6
NIM : 21 539 144 004
In[ ]:= Plot[y = 3 x + 6, {x, 0, 9}, AxesLabel → {"sumbu x", "sumbu y"},
Frame → True, GridLines → Automatic]
30
25
20
Out[ ]=
15
10
5
0 2 4 6 8
In[ ]:= Plot[y = 4 x + 5, {x, 0, 7}, AxesLabel → {"sumbu x", "sumbu y"},
30
25
20
Out[ ]=
15
10
5
0 1 2 3 4 5 6 7
In[ ]:= Plot[y = 5 x + 7, {x, 4, - 6},

AxesLabel → {"sumbu x", "sumbu y"}, Frame → True, GridLines → Automatic]
sumbu y
20
10
Out[ ]=
0 sumbu x
-10
-20
-6 -4 -2 0 2 4
In[ ]:= Plot[y = 7 x + 10, {x, - 5, 11},

sumbu y
80
60
40
Out[ ]=
20
0 sumbu x
-20
-5 0 5 10
In[ ]:= Plot[y = 13 x + 27, {x, 0, 15},

200
150
Out[ ]=
100
50
0 2 4 6 8 10 12 14
In[ ]:= Plot[y = x ^ 2 + x ^ 1 - x - 5, {x, - 7, 16},

sumbu y
250
200
150
Out[ ]=
100
50
-5 0 5 10 15
In[ ]:= Plot[y = x ^ 2 + x ^ 1 - x - 4, {x, - 6, 12},

sumbu y
140
120
100
80
Out[ ]=
60
40
20
-5 0 5 10
In[ ]:= Plot[y = x ^ 2 + x ^ 1 - x - 6, {x, - 10, 14},

sumbu y
200
150
Out[ ]= 100
50
-10 -5 0 5 10
In[ ]:= Plot[y = x ^ 2 + x ^ 1 - x - 3, {x, - 10, 7},

sumbu y
100
80
60
Out[ ]=
40
20
-10 -5 0 5
In[ ]:= Plot[y = x ^ 2 - x ^ 1 + x + 4, {x, - 7, 12},

sumbu y
150
100
Out[ ]=
50
0
-5 0 5 10
In[ ]:= Plot[y = x ^ 3 + x ^ 2 - x - 5, {x, 12, - 7},

sumbu y
1500
1000
Out[ ]=
500
0 sumbu x
-5 0 5 10
In[ ]:= Plot[y = x ^ 3 + x ^ 2 - x - 4, {x, 7, - 14},

sumbu y
500
0 sumbu x
-500
Out[ ]= -1000
-1500
-2000
-2500
-10 -5 0 5
In[ ]:= Plot[y = x ^ 3 + x ^ 2 - x - 5, {x, - 8, - 2},

-100
-200
Out[ ]=
-300
-400
-8 -7 -6 -5 -4 -3 -2
In[ ]:= Plot[y = x ^ 3 + x ^ 2 - x - 4, {x, - 6, 4},

sumbu y
50
0 sumbu x
Out[ ]= -50
-100
-150
-6 -4 -2 0 2 4
In[ ]:= Plot[y = x ^ 3 + x ^ 2 - x - 9, {x, 10, - 8},

sumbu y
1000
500
Out[ ]=
0 sumbu x
-500
-5 0 5 10
In[ ]:= Plot[y = x ^ 5 + x ^ 4 + x + 7, {x, - 5, 5},

sumbu y
1500
1000
500
Out[ ]=
0 sumbu x
-500
-1000
-4 -2 0 2 4
In[ ]:= Plot[y = x ^ 7 + x ^ 6 - x + 5, {x, - 8, 6},

sumbu y
300 000
200 000
100 000
Out[ ]= 0 sumbu x
-100 000
-200 000
-300 000
-8 -6 -4 -2 0 2 4 6
In[ ]:= Plot[y = x ^ 4 + x ^ 3 - x - 10, {x, 12, - 8},

sumbu y
10 000
8000
Out[ ]= 6000
4000
2000
0
-5 0 5 10
In[ ]:= Plot[y = x ^ 6 + x ^ 5 - x - 13, {x, - 16, 10},

sumbu y
5 × 106
4 × 106
3 × 106
Out[ ]=
2 × 106
1 × 106
0
-15 -10 -5 0 5 10
In[ ]:= Plot[y = x ^ 8 + x ^ 7 - x - 17, {x, 20, - 15},

sumbu y
4 × 109
3 × 109
Out[ ]=
2 × 109
1 × 109
0
-15 -10 -5 0 5 10 15 20
In[ ]:= Plot[y = x ^ 4004 + x ^ 3 - 6, {x, - 15, 15},

sumbu y
-3.5
-4.0
-4.5
Out[ ]=
-5.0
-5.5
-6.0
-6.5
-15 -10 -5 0 5 10 15
In[ ]:= Plot[y = x ^ 4004 + x ^ 3 - 12, {x, - 14, 16},

sumbu y
-9.5
-10.0
-10.5
Out[ ]= -11.0
-11.5
-12.0
-12.5
-13.0
-10 -5 0 5 10 15
In[ ]:= Plot[y = x ^ 4004 + x ^ 3 - 8, {x, - 12, 18},

sumbu y
-6.0
-6.5
-7.0
Out[ ]=
-7.5
-8.0
-8.5
-9.0
-10 -5 0 5 10 15
In[ ]:= Plot[y = x ^ 4004 + x ^ 3 - 12, {x, - 10, 20},

sumbu y
-9.5
-10.0
-10.5
Out[ ]=
-11.0
-11.5
-12.0
-12.5
-10 -5 0 5 10 15 20
In[ ]:= Plot[y = x ^ 4004 + x ^ 3 - 3, {x, - 8, 11},

sumbu y
-0.5
-1.0
-1.5
-2.0
Out[ ]=
-2.5
-3.0
-3.5
-4.0
-5 0 5 10
In[ ]:= Plot[{Sin[4 x], Csc[7 x]}, {x, 7, 10},

-2
-4
7.0 7.5 8.0 8.5 9.0 9.5 10.0
In[ ]:= Plot[{Cos[5 x], Sec[7 x]}, {x, 2, - 5},

sumbu y
Out[ ]=
0 sumbu x
-2
-4
-5 -4 -3 -2 -1 0 1 2
In[ ]:= Plot[{Tan[6 x], Cot[8 x]}, {x, - 6, 9},

sumbu y
Out[ ]=
0 sumbu x
-2
-4
-6
-6 -4 -2 0 2 4 6 8
In[ ]:= Plot[Sin[2 x] + Csc[x], {x, - 7, 17},

sumbu y
10
Out[ ]=
0 sumbu x
-5
-10
-5 0 5 10 15
In[ ]:= Plot[Cos[x] + Sec[x], {x, - 10, 20},

sumbu y
10
Out[ ]=
0 sumbu x
-5
-10
-10 -5 0 5 10 15 20
In[ ]:= Plot[Tan[x] + Cot[x], {x, - 13, 24},

sumbu y
15
10
Out[ ]=
0 sumbu x
-5
-10
-15
-10 -5 0 5 10 15 20
In[ ]:= Plot[Sin[x] - Csc[x], {x, - 27, 19},

sumbu y
Out[ ]=
0 sumbu x
-2
-4
-6
-20 -10 0 10 20
In[ ]:= Plot[Cos[x] - Sec[x], {x, 16, - 12},

sumbu y
Out[ ]=
0 sumbu x
-2
-4
-6
-10 -5 0 5 10 15
In[ ]:= Plot[Tan[x] - Cot[x], {x, 23, - 30},

sumbu y
10
Out[ ]=
0 sumbu x
-5
-10
-30 -20 -10 0 10 20

In[ ]:= Plot[y = 2 ^ x, {x, 2, 12}, AxesLabel → {"sumbu x", "sumbu y"},
2500
2000
1500
Out[ ]=
1000
500
0
2 4 6 8 10 12
In[ ]:= Plot[y = 3 ^ 2 x, {x, 10, - 13},

sumbu y
100
50
0 sumbu x
Out[ ]=
-50
-100
-10 -5 0 5 10
In[ ]:= Plot[y = 4 ^ 4 x, {x, - 9, 0},

-500
-1000
Out[ ]=
-1500
-2000
-8 -6 -4 -2 0
In[ ]:= Plot[y = 5 ^ 2 x, {x, 11, 12},

300
295
290
Out[ ]=
285
280
275
11.0 11.2 11.4 11.6 11.8 12.0
In[ ]:= Plot[y = 6 ^ 5 x, {x, 4, - 4},

sumbu y
30 000
20 000
10 000
Out[ ]=
0 sumbu x
-10 000
-20 000
-30 000
-4 -2 0 2 4
In[ ]:= Plot[{Log[2 x]}, {x, 0, 15},

Out[ ]=
1
0 sumbu x
0 2 4 6 8 10 12 14
In[ ]:= Plot[{Log[3 x]}, {x, 2, 3},

2.2
2.1
2.0
Out[ ]=
1.9
1.8
2.0 2.2 2.4 2.6 2.8 3.0
In[ ]:= Plot[{Log[5 x]}, {x, - 5, 7},

sumbu y
2
Out[ ]=
0 sumbu x
-4 -2 0 2 4 6
In[ ]:= Plot[{Log[8 x]}, {x, - 7, 12},

sumbu y
3
Out[ ]=
-5 0 5 10
In[ ]:= Plot[{Log[7 x]}, {x, 15, 5},

4.6
4.4
4.2
Out[ ]=
4.0
3.8
3.6
6 8 10 12 14
NIM : 21 539 144 004
1. Selesaikan integral pada buku K.A. STROUD halaman 361 REVIEW EXERCISE 14
a. Nomor 1. a dan 1. b
1. a
3 2
In[ ]:=  2 x - 5 x + 6 x - 9 ⅆ x
5 x3 x4
Out[ ]= - 9 x + 3 x2 - +
3 2
In[ ]:= Plot2 x3 - 5 x2 + 6 x - 9, {x, - 5, 5},

AxesLabel → {"sumbu x", "sumbu y"}, Frame → True, GridLines → Automatic
sumbu y
100
0 sumbu x
Out[ ]=
-100
-200
-300
-400
-4 -2 0 2 4
1. b
3 2
In[ ]:=  9 x + 11 x - x - 3 ⅆ x
x2 11 x3 9 x4
Out[ ]= -3 x - + +
2 3 4
In[ ]:= Plot9 x3 + 11 x2 - x - 3 x, {x, 0, 1},

15
10
Out[ ]=
0.0 0.2 0.4 0.6 0.8 1.0

b. Nomor 2. a sampai 2. j
2. a
2
In[ ]:=  1 - 4 x ⅆ x
16 x3
Out[ ]= x - 4 x2 +
3
In[ ]:= Plot1 - 4 x2 , {x, 0, 5}, AxesLabel → {"sumbu x", "sumbu y"},
Frame → True, GridLines → Automatic
300
200
Out[ ]=
100
0
0 1 2 3 4 5
2. b
5 x-2
In[ ]:=  4ⅇ ⅆx
4
Out[ ]= ⅇ-2+5 x
5
In[ ]:= Plot4 ⅇ5 x-2 , {x, 5, 15}, AxesLabel → {"sumbu x", "sumbu y"},
8 × 1028
6 × 1028
4 × 1028
Out[ ]=
2 × 1028
0
6 8 10 12 14
2. c
In[ ]:=  3 Sin[2 x + 1] ⅆ x
3
Out[ ]= - Cos[1 + 2 x]
2
In[ ]:= Plot[3 Sin[2 x + 1], {x, - 5, 10},

sumbu y
Out[ ]=
0 sumbu x
-1
-2
-3
-4 -2 0 2 4 6 8 10
2. d
-5
In[ ]:=  3 - 2 x ⅆ x
1
Out[ ]=
8 3 - 2 x4
In[ ]:= Plot3 - 2 x-5 , {x, 2, 12},

0.0000
-0.0002
-0.0004
-0.0006
Out[ ]=
-0.0008
-0.0010
-0.0012
-0.0014
2 4 6 8 10 12
2. e
7
In[ ]:=  ⅆx
2x-5
7
Out[ ]= Log[- 5 + 2 x]
2
7
In[ ]:= Plot , {x, 0, 10}, AxesLabel → {"sumbu x", "sumbu y"},
2x-5
-5
0 2 4 6 8 10
2. f
In[ ]:=  Cos[1 - 3 x] ⅆ x
1 1
Out[ ]= - Cos[3 x] Sin[1] + Cos[1] Sin[3 x]
3 3
In[ ]:= Plot[Cos[1 - 3 x], {x, 0, 15},

1.0
0.5
Out[ ]= 0.0 sumbu x
-0.5
-1.0
0 2 4 6 8 10 12 14
3 x-1
In[ ]:= 2 ⅆx
2-1+3 x
Out[ ]=
Log[8]
In[ ]:= Plot23 x-1 , {x, 0, 10}, AxesLabel → {"sumbu x", "sumbu y"},
3.0 × 107
2.5 × 107
2.0 × 107
Out[ ]=
1.5 × 107
1.0 × 107
5.0 × 106
0
0 2 4 6 8 10
2. h
2
In[ ]:=  6 Sec 2 + 3 x ⅆ x
3 x2
Out[ ]= 6 Sec2 2 x +
2
In[ ]:= Plot6 Sec2 2 + 3 x, {x, 0, 5},

1.0
0.5
Out[ ]= 0.0 sumbu x
-0.5
-1.0
0 1 2 3 4 5
2. i
In[ ]:=  3 - 4 x ⅆx
1
Out[ ]= - 3 - 4 x3/2
6
In[ ]:= Plot 3 - 4 x , {x, 0, 15},

1.5
1.0
Out[ ]=
0.5
0.0
0 2 4 6 8 10 12 14
2. j
1-3 x
In[ ]:=  5ⅇ ⅆx
5
Out[ ]= - ⅇ1-3 x
3
In[ ]:= Plot5 ⅇ1-3 x , {x, 0, 15}, AxesLabel → {"sumbu x", "sumbu y"},
0.012
0.010
0.008
Out[ ]=
0.006
0.004
0.002
0.000
0 2 4 6 8 10 12 14
c. Nomor 2. a pangkat diganti dengan 4 digit NIM terakhir
2. a
4004
In[ ]:=  1 - 4 x ⅆx
1 - 4 x4005
Out[ ]= -
16 020
In[ ]:= Plot1 - 4 x4004 , {x, 0, 10},

2.5 × 10-180
2. × 10-180
1.5 × 10-180
Out[ ]=
1. × 10-180
5. × 10-181
0
0 2 4 6 8 10
2. Selesaikan integral pada buku K.A. STROUD halaman 369 REVIEW EXERCISE 31
a. Soal 1 Soal 2 Soal 3
Soal 1
4
2
In[ ]:=  5 + 4 x - x  ⅆ x
1
Out[ ]= 24
Soal 2
5
2
In[ ]:=  2 x + 4 x + 3 ⅆ x
2
Out[ ]= 129
Soal 3
3
2
In[ ]:=  x - 2 x + 3 ⅆ x
-1
40
Out[ ]=
3
b. Hitung luas dibawah kurva fungsi soal no 1,

dengan batas atas 4 diganti dengan 4 digit NIM terakhir
Soal 1
In[ ]:= Integratey = 5 + 4 x - x2 , {x, 1, 4004}

64 095 939 928
Out[ ]= -
3
In[ ]:= Ploty = 5 + 4 x - x2 , {x, 1, 4004},

-5.0 × 106
Out[ ]=
-1.0 × 107
-1.5 × 107
0 1000 2000 3000 4000
c. Plot gambar soal no 1, 2 dan 3 dengan menggunakan software Wolfram
Soal 1
In[ ]:= Ploty = 5 + 4 x - x2 , {x, 1, 4},

Out[ ]= 7
5
1.0 1.5 2.0 2.5 3.0 3.5 4.0
Soal 2
In[ ]:= Ploty = 2 x2 + 4 x + 3, {x, 2, 5},

70
60
50
Out[ ]=
40
30
20
2.0 2.5 3.0 3.5 4.0 4.5 5.0
Soal 3
In[ ]:= Ploty = x2 - 2 x + 3, {x, - 1, 3},

sumbu y
Out[ ]=
4
2
-1 0 1 2 3
Rumus Dasar Integral
Keterangan:
• a, b : batas atas dan batas bawah integral
• f(x) : persamaan kurva
• F(x) : luasan di bawah kurva f(x)
Contoh Soal :
Sifat Integral
Integral Tak Tentu
Seperti yang telah dijelaskan pada bagian sebelumnya, integral tak tentu merupakan suatu
kebalikan dari turunan. Kalian dapat menyebutnya sebagai anti turunan atau antiderivative.
Integral tak tentu dari suatu fungsi menghasilkan fungsi baru yang belum memiliki nilai yang
tentu karena masih terdapat variabel dalam fungsi baru tersebut.
Integral Tentu
Integral tentu didefinisikan sebagai jumlahan suatu daerah yang dibatasi kurva atau persamaan
tertentu.
Berbeda dari integral tak tentu, integral tentu memiliki nilai tertentu karena batas yang
ditentukan sudah jelas.
Secara umum, integral tentu didefinisikan sebagai
Contoh soal integral tentu :
Integral Pecahan
Fungsi pecahan dapat didefinisikan sebagai f(x)/g(x). Penyelesaian integral fungsi
pecahan dapat dilakukan dengan memecah fungsi yang kompleks menjadi beberapa fungsi
yang lebih sederhana. Perhatikan contoh berikut.
Integral Eksponensial
Fungsi Eksponensial biasanya dilambangkan dengan ex. Berikut ini rumusnya :
Contoh soal :
Integral Substitusi
Beberapa permasalahan atau integral suatu fungsi dapat diselesaikan dengan integral substitusi
jika terdapat perkalian fungsi dengan salah satu fungsi merupakan turunan fungsi yang lain.
Integral Parsial
Integral parsial bisa kita gunakan untuk menyelesaikan soal perkalian antar integral. Secara
umum rumusnya seperti dibawah ini.
Tabel Integral
Gunakan tabel dibawah ini untuk mempermudah dalam mengerjakan soal-soal integral ya.
Rumus Dasar Diferensial
xn = nxn-1
ax = ax lim a
a
log x = 1
x lim a
1. Perkalian
F (x) = u.v
f ' (x) = u'v + uv'
Keterangan :
• u' menyatakan turunan fungsi u
• v' menyatakan turunan fungsi v
Contoh Soal =
2. Pembagian
f(x) = u
v
f'(x) = u'v - uv'

v2
Contoh soal :
3. Logaritmik
y= uv > ln y = ln uv – ln w
w
ln y = ln u + ln v – ln w
1 dy = 1 dy + 1 dv – 1 dw
y dx y dx v dx w dx
Contoh soal :
4. Aturan Rantai
dy = dy . du . dv . dw
dx du dv dw dx
5. Trigonometri
• Perluasan Rumus Turunan Fungsi Trigonometri I
• Perluasan Rumus Turunan Fungsi Trigonometri II

• Fungsi Diferensial
Contoh Soal :
1). Tentukan turunan y = cos x2

Jawab
Misal :
u = x2 ⇒ u’ = 2x
y’ = −sin u . u’
y’ = −sin x2 . 2x
y’ = −2x sin x2
2). Tentukan turunan y = sin 4x

Jawab
Misal :
u = 4x ⇒ u’ = 4
y’ = cos u . u’
y’ = cos 4x . 4
y’ = 4cos 4x
3.) Tentukan turunan y = sec 1/2x

Jawab
Misal :
u = 12x ⇒ u’ = 12
y’ = sec u tan u . u’
y’ = sec 1/2x tan 1/2x . 1/2
y’ = 1/2sec 1/2x tan 1/2x
4.) Tentukan turunan y = tan (2x+1)

Jawab
Misal :
u = 2x + 1 ⇒ u’ = 2
y’ = sec2u . u’
y’ = sec2(2x+1) . 2
y’ = 2sec2(2x+1)
5.) Tentukan turunan y = sin7(4x−3)

Jawab
y = [sin (4x−3)] 7
Misal :
u(x) = sin (4x−3) ⇒ u'(x) = 4 cos (4x−3)
n=7
y’ = n [u(x)]n-1 . u'(x)
y’ = 7 [sin (4x−3)]7-1 . 4 cos (4x−3)
y’ = 28 sin 6 (4x−3) cos (4x−3)
RANGKUMAN APLIKASI INTEGRAL
No. Gambar Rumus Contoh
𝑏 𝜋
1. Luas Daerah
𝐿 = ∫ 𝑦 𝑑𝑥 𝐿 = ∫ sin[11𝑥] 𝑑𝑥
𝑎 0
cos(11𝑥 ) 𝜋
= [− ]
11 0
cos 11𝜋 cos(0)
= [− ] − [− ]
11 11
(−1) 1
= [− ] − [− ]
11 11
2
=
11
𝑏 3
2. Volume Benda Putar 496𝜋
Terhadap Sumbu X 𝑉 = ∫ 𝜋(𝑦) 𝑑𝑥2 𝑉 = ∫ 𝜋(𝑥 2 − 1)2 𝑑𝑥 =
𝑎 1 15
3
Persamaan Parametrik
𝜃2 = 𝜋 ∫ 𝑥 4 − 2𝑥 2 + 1𝑑𝑥
𝑑𝑥
𝑉 = ∫ 𝜋𝑦 2 . . 𝑑𝜃 1
𝜃1 𝑑𝜃
𝑥 5 2𝑥 3 3
= 𝜋[ − + 𝑥]
5 3 1
35 2(3)3
= 𝜋 [( − + 3)
5 3
15 2(1)3
−( − + 1)]
5 3
168 8
= 𝜋 [( ) − ( )]
5 15
496𝜋
=
15
𝑡2
𝐷𝑖𝑘𝑒𝑡 ∶ 𝑥 = , 𝑦 = 𝑡2 − 1
2
3
𝑉 = ∫ 𝜋(𝑡 2 − 1)2 . 𝑡. 𝑑𝑡
1
3
= 𝜋 ∫ 𝑡 5 − 2𝑡 3 + 𝑡 𝑑𝑥
1
𝑡6 𝑡4 𝑡2 3
= 𝜋[ − + ]
6 2 2 1
6 4
3 3 32
= 𝜋 [( − + )
6 2 2
16 14 12
− ( − + )]
6 2 2
171 1
= 𝜋 [( 2 ) − (6)]
256𝜋
=
3
3. Volume Penda Putar 𝑏 2
Terhadap Sumbu Y 𝑉 = ∫ 2𝜋𝑥𝑦 𝑑𝑥 𝑉 = ∫ 2𝜋𝑥(2𝑥 − 1) 𝑑𝑥

𝑎 0
2
= 2𝜋 ∫ 2𝑥 2 − 𝑥 𝑑𝑥
0
2𝑥 3 𝑥 2 2
= 2𝜋 [ − ]
3 2 0
3 (2)2
2(2)
= 2𝜋 [( − )
3 2
2(0)3 (0)2
−( − )]
3 2
16 0 0
= 2𝜋 [ − 2 − − ]
3 3 2
10
= 2𝜋
3
4. Titik Berat 𝑏 5
∫𝑎 𝑥𝑦 𝑑𝑥 ∫0 𝑥(2𝑥 2 ) 𝑑𝑥
•𝑥 = 𝑏 •𝑥 = 5
∫𝑎 𝑦 𝑑𝑥 ∫0 (2𝑥 2 ) 𝑑𝑥
𝑏1
∫𝑎 2 𝑦 2 𝑑𝑥 5
•𝑦 = 𝑏 ∫0 (2𝑥 3 )𝑑𝑥
∫𝑎 𝑦 𝑑𝑥 = 5
∫0 (2𝑥 2 ) 𝑑𝑥
PAGE 1
𝑥4 5
[ ]
2 0
= 3
2𝑥 5
[ ]
3 0
54 04
[ ]−[ ]
2 2
= 2(5)3 2(0)3
[ ]−[ ]
3 0
625
[ ]−[0]
2
= 250
[ ]−[0]
3
15
=4
5. Pusat gravitasi 𝑏 5
∫𝑎 𝑥𝑦 2 𝑑𝑥 ∫0 𝑥(5 − 𝑥 2 )2 𝑑𝑥
•𝑥 = 𝑏 •𝑥 = 5
∫𝑎 𝑦 2 𝑑𝑥 ∫0 (5 − 𝑥 2 )2 𝑑𝑥
5
•𝑦 =0 ∫ 𝑥 5 −10𝑥 3 +25𝑥 𝑑𝑥
= 05
∫0 𝑥 4 −10𝑥 2 +25𝑥 𝑑𝑥
𝑥6 5𝑥4 25𝑥2 5
[ − + ]
6 2 2 0
= 𝑥5 10𝑥 3 5
[ − +25𝑥]
5 3 0
8125
[ ]−[0]
6
= 1000
[ ]−[0]
3
65
= 16
•𝑦=0
6. Panjang Kurva 2𝑥√𝑥
𝑏
𝑑𝑦 2 Diket : y = 3
𝑉 = ∫ √1 + ( ) 𝑑𝑥
𝑑𝑥 8
𝑎 =∫0 √1 + (√𝑥 )2 𝑑𝑥
Persamaan Parametrik 1
8
=∫0 (1 + 𝑥)2 𝑑𝑥
PAGE 2
2√(1+𝑥 3 8
𝜃2
𝑑𝑥 2 𝑑𝑦 2 =[ 3 0
]
𝑉=∫ √ ( ) + ( ) . 𝑑𝜃
𝜃1 𝑑𝜃 𝑑𝜃 2√(1+8)3 2√1+0)3
=[ 3 ] − [ 3 ]
2
= [18] − [ ]
3
52
=
3
2𝑡√𝑡
𝑑𝑖𝑘𝑒𝑡 ∶ 𝑥 = 2𝑡, 𝑦 =
3
8
𝑠 = ∫ √(√𝑡)2 + (2)2 . 𝑑𝑡
0
8 1
= ∫ (𝑡 + 4)2 . 𝑑𝑡
0
2√(𝑡 + 4)3 8
=[ ]
3 0
2√(8 + 4)3 2√(0 + 4)3

=[ ]−[ ]
3 3
16
= 16√3 −
3
7. Permukaan Revolusi Diket : y = 6x

𝑏
𝑑𝑦 2 4
𝐴 = ∫ 2𝜋𝑦√1 + ( ) 𝑑𝑥 𝐴 = ∫ 2𝜋(6𝑥)√1 + 62 𝑑𝑥
𝑎 𝑑𝑥
0
Persamaan Parametrik 4
=2√37𝜋 ∫0 6𝑥 𝑑𝑥
𝜃2
𝑑𝑥 2 𝑑𝑦 2 =2√37𝜋[3𝑥 2 ]
4
𝐴 = ∫ 2𝜋𝑦√( ) + ( ) . 𝑑𝜃 0
𝜃1 𝑑𝜃 𝑑𝜃
=2√37𝜋[(3(4)2 ) − (3(0)2 )]
=2√37𝜋[(48) − (0)]
=96√37𝜋
Diket : x = 2t2, y = t2
PAGE 3
4
𝐴 = ∫ 2𝜋(𝑡 2 )√(4𝑡)2 + (2𝑡)2 . 𝑑𝑡
0
4
=∫0 𝜋𝑡 2 √20𝑥 2 . 𝑑𝑡
4
=𝜋 ∫0 2√5 𝑡 3 . 𝑑𝑡
√5𝑡 4 4
=𝜋 [ ]
2 0
√5 (4)4 √5 (0)4
=𝜋 [( 2 ) − ( )]
2
=32√5𝜋
PAGE 4
Matriks – Definisi
Matriks adalah himpunan bilangan real atau kompleks (atau elemen) yang disusun dalam baris
dan kolom untuk membentuk array persegi panjang. Suatu matriks yang memiliki m baris dan
n kolom disebut matriks m n (yaitu 'm kali n') dan disebut memiliki orde m n. Sebuah matriks
ditunjukkan dengan menulis array dalam tanda kurung.
Contoh : adalah matriks 2 x 3, yaitu matriks ‘2 kali 3’, di mana 5; 7; 2; 6; 3; 8

adalah elemen matriks
Perhatikan bahwa, dalam menggambarkan matriks, jumlah baris dinyatakan terlebih dahulu
dan nomor kolom kedua.
adalah matriks orde 4 x 3, yaitu 4 baris dan 3 kolom.
jadi matriksnya adalah orde …..
dan matriks adalah pesanan…..
Matriks hanyalah sebuah array angka: tidak ada hubungan aritmatika antara elemen dan
karena itu berbeda dari determinan karena elemen tidak dapat dikalikan dengan cara apapun
untuk menemukan nilai numerik dari matriks. Sebuah matriks tidak memiliki nilai numerik.
Juga, secara umum, baris dan kolom tidak dapat dipertukarkan seperti halnya dengan
determinan.
Matriks baris : Matriks baris hanya terdiri dari 1 baris.
Contoh adalah matriks baris orde 1 x 4 :

Matriks kolom: Matriks kolom hanya terdiri dari 1 kolom.
adalah matriks kolom orde 3 x 1.

Untuk menghemat ruang dalam pencetakan, matriks kolom terkadang ditulis pada satu baris
tetapi dengan tanda kurung 'keriting', mis. { 6 3 8 } adalah matriks kolom yang sama dengan
orde 3 x 1. Pindah ke bingkai berikutnya.
Jadi, dari apa yang telah kami katakan:
adalah . . . . . . . . . . . . matriks urutan. . . . . . . . . . .

adalah . . . . . . . . . . . . matriks urutan. . . . . . . . . . . .
adalah . . . . . . . . . . . . matriks urutan. . . . . .
Kami menggunakan matriks baris sederhana dalam menyatakan koordinat x- dan y-titik relatif
terhadap sumbu x dan y. Misalnya, jika P adalah titik (3, 5) maka 3 adalah koordinat x
dan 5 koordinat y. Dalam matriks umumnya, bagaimanapun, tidak ada koma yang digunakan
untuk memisahkan elemen.
Matriks elemen tunggal : Suatu bilangan tunggal dapat dianggap sebagai matriks 1 x 1, yaitu
memiliki 1 baris dan 1 kolom. Notasi sufiks ganda: Setiap elemen dalam matriks memiliki
'alamat' atau lokasi yang dapat ditentukan oleh sistem sufiks ganda, yang pertama menunjukkan
baris, kolom kedua, sehingga:
a23 menunjukkan elemen pada baris kedua dan kolom ketiga.

Oleh karena itu, dalam matriks
Lokasi (a) elemen 3 dapat dinyatakan sebagai . . . . . . . . . . . .

(b) elemen -1 dapat dinyatakan sebagai . . . . . . . . . . . .
(c) unsur 9 dapat dinyatakan sebagai . . . . . . . . . . . .
Notasi matriks
Di mana tidak ada ambiguitas, seluruh matriks dapat dilambangkan dengan satu umum 6
elemen diapit dalam tanda kurung, atau dengan satu huruf yang dicetak dengan huruf tebal. Ini
sangat singkatan yang rapi dan menghemat banyak ruang dan penulisan. Sebagai contoh :
dapat dilambangkan dengan (aij) atau (a) atau dengan A:
Demikian pula dapat dilambangkan dengan (xi) atau (x) atau hanya dengan x:
Untuk matriks (m x n), kami menggunakan huruf kapital tebal, mis. A. Untuk matriks baris
atau kolom, kami menggunakan huruf tebal huruf kecil, mis. x. (Dalam pekerjaan tulisan
tangan, kami dapat menunjukkan wajah tebal ketik dengan garis bergelombang yang
ditempatkan di bawah huruf, mis. A atau x) Jadi, jika B mewakili matriks 2 x 3, tuliskan
elemen-elemen bij dalam matriks tersebut, dengan menggunakan notasi akhiran ganda. Ini
memberi. . . . . . . . . .
Matriks yang sama
Menurut definisi, dua matriks dikatakan sama jika elemen-elemen yang bersesuaian di
seluruh adalah sama. Jadi, kedua matriks juga harus berorde sama.
Penjumlahan dan Pengurangan Matriks
Untuk penjumlahan atau pengurangan, dua buah matriks harus berorde sama. Jumlah atau
selisihnya kemudian ditentukan dengan menjumlahkan atau mengurangkan unsur-unsur yang
bersesuaian.
Perkalian Matriks
Perkalian skalar
Untuk mengalikan matriks dengan satu angka (yaitu skalar), setiap elemen individu dari
matriks dikalikan dengan faktor tersebut :
Ini juga berarti bahwa, sebaliknya, kita dapat mengambil faktor persekutuan dari setiap
elemen – bukan hanya satu baris atau satu kolom seperti pada determinan.
dapat ditulis. . . . . . . . .
Perkalian Dua Matriks

Dua matriks dapat dikalikan bersama-sama hanya jika jumlah kolom dalam
pertama sama dengan jumlah baris di baris kedua.
Yaitu setiap elemen di baris atas A dikalikan dengan elemen yang sesuai di kolom pertama b
dan produk yang ditambahkan. Demikian pula, baris kedua dari produk ditemukan dengan
mengalikan setiap elemen pada baris kedua A dengan elemen yang sesuai di kolom pertama b.
jumlah kolom di 17 pertama
= jumlah baris dalam detik
Perhatikan bahwa, dalam perkalian matriks, A.B ≠ B.A, yaitu perkalian tidak komutatif.
Urutan faktor itu penting!
Dalam produk A:B > B dikalikan dengan A dan A dikalikan dengan B:
Transpos matriks
Jika baris dan kolom suatu matriks dipertukarkan:
yaitu baris pertama menjadi kolom pertama,
baris kedua menjadi kolom kedua,
baris ketiga menjadi kolom ketiga, dst.,
maka matriks baru yang terbentuk disebut transpos dari matriks asal. Jika A adalah
matriks asli, transposnya dilambangkan dengan A~ atau AT
. Kami akan menggunakan yang terakhir.
Oleh karena itu, mengingat
Matriks khusus
(a) Matriks persegi adalah matriks dengan orde m x m.
1 2 5
Matriks persegi (aij ) simetris jika aij = aij , e.g. ( 2 8 9 )
5 9 4
i.e . itu simetris tentang diagonal utama.
Perhatikan bahwa A = AT.

0 2 5
Matriks persegi ( aij ) adalah simetris miring jika aij = - aji e.g . ( −2 0 9 )
−5 − 9 4
Dalam hal itu, A = AT.
(b) Matriks diagonal adalah matriks bujur sangkar dengan semua elemen nol
kecuali yang pada
5 0 0
diagonal utama, sehingga ( 0 2 0 )
0 0 7
(c) Matriks satuan adalah matriks diagonal yang elemen-elemennya di depan
1 0 0
diagonal semuanya satu, i.e. ( 0 1 0 )
0 0 1
Matriks satuan dilambangkan dengan I.
Demikian pula, jika kita membentuk produk I.A, kita memperoleh:
Oleh karena itu, matriks satuan I berperilaku sangat mirip dengan faktor
satuan pada umumnya aljabar dan aritmatika.
(d) Matriks nol: Matriks nol adalah matriks yang semua elemennya nol
dan dilambangkan dengan 0

Jika A.B= 0, kita tidak dapat mengatakan bahwa karena itu A= 0 atau B = 0
Artinya, A.B = 0, tetapi jelas A ≠ 0 dan B ≠ 0

Sekarang latihan revisi singkat. Lakukan ini tanpa melihat ke belakang.
Determinan matriks persegi
Determinan matriks bujur sangkar adalah determinan yang elemen-

elemennya sama dengan 24 mereka dari matriks. Sebagai contoh:
5 0 8
Perhatikan bahwa transpos matriks adalah ( 2 6 4 )
1 3 7
5 0 8
penentu transpos adalah [2 6 4] yang nilainya adalah
1 3 7
5 ( 42- 12) – 0 (14-4) + 8 (6-6) = 5 (30)= 150
Artinya, determinan matriks persegi memiliki nilai yang sama dengan
penentu matriks yang ditransposisikan.
Suatu matriks yang determinannya sama dengan nol disebut matriks
singular.
3 2 5
Determinan matriks ( 4 7 9 ) memiliki nilai ……
1 8 6
2 0 0
dan nilai determinan dari matriks diagonal (0 5 0 ) memiliki
0 0 4
nilai ...........
Kofaktor
Jika A = (aij) adalah matriks bujur sangkar, kita dapat membentuk

determinan elemen-elemennya:
Setiap elemen menimbulkan kofaktor, yaitu hanya minor dari elemen dalam
determinan bersama dengan 'tanda tempatnya', yaitu dijelaskan secara rinci
dalam program sebelumnya.
2 3 5
Misalnya, determinan matriks A = ( 4 1 6 ) is
1 40
2 3 5
Det A = |𝐴| = |4 1 6| yang bernilai 45.
1 4 0
1 6
Minor dari elemen 2 adalah = |4 0 | = 0 – 24 = -24
Tanda tempat adalah + . Oleh karena itu kofaktor dari elemen 2 + ( -24) i.e.
-24.
46
Demikian pula, minor dari elemen 3 adalah ( 1 0 ) = 0 – 6 = -6
Tanda tempat adalah . Oleh karena itu kofaktor dari elemen 3 adalah – (-6) =
6.
Dalam setiap kasus, minor ditemukan dengan mencoret garis dan kolom
yang berisi unsur yang bersangkutan dan membentuk determinan dari unsur-
unsur yang tersisa. NS tanda tempat yang sesuai diberikan oleh:
alternatif plus dan minus dari sudut kiri atas yang membawa +
23
Oleh karena itu, pada contoh di atas, minor dari elemen 6 adalah 1 4
i.e. 8 – 3 = 5. Tanda tempat adalah . Jadi kofaktor unsur 6 adalah 5.

71−2
Jadi, untuk matriks ( 6 5 4 ) kofaktor dari elemen 3 adalah ............
3 89
dan elemen 4 adalah ........
Adjoin dari matriks persegi

2 3 5
Berdekatan dengan matriks persegi A = ( 4 1 6 ) penentunya
1 40
dari mana kita dapat membentuk matriks C baru

dari kofaktor.
Ini disebut adjoin dari matriks asli A dan ditulis adj A.
Oleh karena itu, untuk menemukan adjoin dari matriks persegi A:
( a ) kita membentuk matriks C dari kofaktor,
( b) kami menulis transpos dari C, yaitu C T.
Oleh karena itu tambahan dari

Invers matriks persegi
Adjoint dari matriks persegi penting, karena memungkinkan kita untuk

membentuk invers dari matriks. Jika setiap elemen dari adjoint A dibagi
dengan nilai determinan A, yaitu |𝐴|, (asalkan |𝐴| ≠ 0), matriks yang
dihasilkan disebut invers dari A dan dilambangkan dengan A-1.
|A| = 28
(b) Now form tHe matrix of iñe cot C=
2 22
A„ = -I-(2 — 0) = 2: 4„ = —(8 — 30) = 22 T3' -I-(0 — 6) = —6

A„ = —(4 — 0) = —4 A — +(2 — 18) = —16; A = —(0 — 12) = 12
At = -I-( 10 — 3) = 7: A — —(S — 12\ = 7; A = -I-(1 — 8) = —7
Solusi dari satu set persamaan linear
Pertimbangkan himpunan persamaan linier:
Dari pengetahuan kita tentang perkalian matriks, ini dapat ditulis dalam bentuk matriks:
Jika kita mengalikan kedua ruas persamaan matriks dengan invers dari A, kita memperoleh:
Oleh karena itu, jika kita membentuk invers dari matriks koefisien dan matriks pra-perkalian
b dengan itu, kita akan menentukan matriks solusi dari x.
Contoh
Untuk menyelesaikan himpunan persamaan:
Pertama tuliskan himpunan persamaan dalam bentuk matriks, yang memberikan . . . . . . .
Jadi langkah selanjutnya adalah mencari invers dari A dimana A adalah matriks dari
koefisien
x. Kita telah melihat bagaimana menentukan invers suatu matriks, jadi dalam kasus ini
A^-1= . . . . . . . . . . . .
Setelah Anda menemukan kebalikannya, sisanya adalah x =A^1.b. Ini yang lain
contoh untuk menyelesaikan dengan cara yang sama:
Metode eliminasi Gauss untuk menyelesaikan satu set persamaan linear
Semua informasi untuk menyelesaikan himpunan persamaan disediakan oleh matriks

koefisien A dan matriks kolom b. Jika kita menulis elemen b di dalam
matriks A, kita memperoleh matriks B yang diperbesar dari himpunan persamaan yang
diberikan.
(a) Kami kemudian menghilangkan elemen selain a11 dari kolom pertama dengan
mengurangkan a21=a11 kali baris pertama dari baris kedua dan a31=a11 kali
baris pertama dari baris ketiga, dst.
(b) Ini memberikan matriks baru dengan bentuk:
Proses ini kemudian diulang untuk menghilangkan c12 dari baris ketiga dan selanjutnya.
Perhatikan bahwa sebagai hasil dari langkah-langkah ini, matriks koefisien x telah direduksi
menjadi
matriks segitiga.
Akhirnya, kami melepaskan kolom kanan kembali ke posisi semula:
Kemudian, dengan 'substitusi kembali', mulai dari baris paling bawah kita dapatkan:
Perhatikan bahwa ketika berhadapan dengan matriks yang diperbesar, kita dapat, jika kita
menginginkan:
(a) bertukar dua baris
(b) kalikan setiap baris dengan faktor bukan nol
(c) menambah (atau mengurangi) kelipatan konstan dari satu baris ke (atau dari) baris
lainnya.
Operasi ini diperbolehkan karena kita benar-benar berurusan dengan koefisien dari
kedua sisi persamaan.
Selesaikan himpunan persamaan berikut:
Pertama tulis persamaan dalam bentuk matriks, yaitu . . . . . . . . . . . .
Matriks yang diperbesar adalah . . . . . . . . . . . .
Kita sekarang dapat menghilangkan koefisien x1 dari baris kedua dan ketiga dengan
. . . . . . . . . . . . dan . . . . . . . . . . . .
mengurangkan 2 kali baris pertama dari baris kedua
dan 3 kali baris pertama dari baris ketiga.
Jadi matriksnya sekarang menjadi

dan tahap selanjutnya adalah mengurangi dari baris ketiga ....................... kali baris kedua.
Nilai eigen dan vektor eigen

Nilai Eigen 47
Dalam banyak aplikasi matriks untuk masalah teknologi yang melibatkan
osilasi dan getaran, persamaan bentuk
A:x x
terjadi, di mana A aij adalah matriks persegi dan merupakan bilangan (skalar). Jelas, x 0
adalah a
solusi untuk setiap nilai dan biasanya tidak berguna. Untuk solusi non-sepele, mis.
x 6¼ 0, nilai dari disebut nilai eigen, nilai karakteristik atau akar laten dari
matriks A dan solusi yang sesuai dari persamaan yang diberikan A:x x adalah
disebut vektor eigen atau vektor karakteristik dari A.
Dinyatakan sebagai satu set persamaan terpisah, kami memiliki:
Membawa istilah sisi kanan ke sisi kiri, ini disederhanakan menjadi:
Perhatikan bahwa matriks satuan diperkenalkan karena kita hanya dapat mengurangkan
matriks dari
matriks lain.
Untuk himpunan persamaan linier homogen ini (yaitu konstanta tangan kanan semua nol)
menjadi
memiliki solusi non-trivial, jA Ij harus nol (lihat Program 4, Bingkai 54).
jA Ij disebut determinan karakteristik A dan jA Ij 0 adalah karakteristik

persamaan. Pada memperluas determinan, ini memberikan polinomial derajat n dan
solusi persamaan karakteristik memberikan nilai , yaitu nilai eigen dari A.
Contoh 1
Untuk mencari nilai eigen matriks
Contoh 2
Untuk mencari nilai eigen matriks

determinan karakteristiknya adalah . . . . . . . . . . . .
Sekarang satu untuk Anda lakukan. Tentukan nilai eigen dari matriks
Kerjakan langkah-langkah dengan cara yang sama.

vektor eigen
Setiap nilai eigen yang diperoleh memiliki solusi x yang sesuai dengannya yang disebut
vektor eigen.
Dalam matriks, istilah 'vektor' menunjukkan matriks baris atau matriks kolom.
Contoh 1
Perhatikan persamaan
Hasil ini hanya memberi tahu kita bahwa berapa pun nilai x1, nilai x2 adalah 3 kali lipatnya.
Oleh karena itu, vektor eigen adalah bentuk umum dari bilangan tak hingga
eigenvector tersebut. Vektor eigen yang paling sederhana adalah

Untuk 2 5, hasil yang sama dapat diperoleh. Tentukan vektor eigen dalam persamaan
cara.
Contoh 2
Tentukan nilai eigen dan vektor eigen untuk persamaan
Berikut adalah satu untuk Anda lakukan sendiri. Caranya sama seperti sebelumnya.
substitusi sederhana dari nilai-nilai pada gilirannya dan pengetahuan tentang cara mengalikan
matriks bersama-sama memberikan hasil yang ditunjukkan.
Seperti yang telah kita lihat, pengetahuan dasar tentang matriks menyediakan cara yang rapi
dan ringkas untuk
berurusan dengan himpunan persamaan linear. Dalam praktiknya, koefisien numerik tidak
bilangan selalu sederhana, begitu pula jumlah persamaan dalam himpunan terbatas pada tiga.
Dalam masalah yang lebih luas, bantuan fasilitas komputasi sangat membantu, tetapi
metode yang mendasarinya masih sama.
Yang tersisa sekarang hanyalah memeriksa ringkasan Review dan Can You?
daftar periksa. Kemudian Anda dapat mengerjakan latihan Tes.
1 2 3
In[172]:= p= 4 1 5
6 0 2
Out[172]= {{1, 2, 3},{4, 1, 5},{6, 0, 2}}
In[175]:= Det[p]
Out[175]= 28
In[174]:= Eigenvectors[p]
1 1 2
Out[174]= - 7.37… , -16- 7.37… + 7.37… ,1 ,
6 2+ 3 12
1 1 2
-1.68… +0.984 … ⅈ , -16-3 -1.68… +0.984 … ⅈ + -1.68… +0.984 … ⅈ ,
6 - 12
2+
1
1 , -2+ -1.68… -0.984 … ⅈ ,
6
2
1 -1.68… -0.984 … ⅈ -1.68… -0.984 … ⅈ
-16- + ,1
3
12
In[176]:= Eigenvalues[p]
Out[176]= 7.37… , -1.68… +0.984 … ⅈ , -1.68… -0.984 … ⅈ
In[177]:= Inverse[p]
1 1 1 11 4 1 3 3 1
Out[177]= , , ,- , , ,-
,- 7 4 14 , 14 7 4
14 -
7 4
In[179]:= MatrixForm[p]
Out[179]//MatrixForm=
1 2 3
4 1 5
6 0 2
1 2 3
In[180]:= m= 3-4-2
5 3 5
Out[180]= {{1, 2, 3},{3,-4,-2},{5, 3, 5}}
4
In[182]:= b= 2
-1
Out[182]= {{4},{2},{-1}}
In[183]:= Inverse[m] *b
14 1 8 25 10 11 29 7 10
Out[183]= {4} - ,- , ,{2} ,- , ,{- , ,-
23 23 23 - 1} 23 23 23
23 23 23
In[184]:= x=Inverse[m] *b
14 1 8 25 10 11 29 7 10
Out[184]= {4} - ,- , ,{2} ,- , ,{- , ,-
23 23 23 - 23 23 1} 23 23 23
23
2 contoh matriks.nb
In[186]:= DisplayForm Inverse[m] *b

14 1 8
Out[186]= DisplayForm{4} - ,- , ,
23 23 23
25 10 11 29 7 10
DisplayForm{2} ,- , , DisplayForm{-1} , ,-
- 23 23 23 23 23 23
7 4 3 6
3 1 9 1
In[187]:= m=
5 5 1 5
3 4 0 1
Out[187]= {{7, 4, 3, 6},{3, 1, 9, 1},{5, 5, 1, 5},{3, 4, 0, 1}}
In[192]:= Eigenvectors[m]
2 3
-4611-1665 14.9… -148 14.9… +20 14.9…
Out[192]= ,
1797
1 2 3
1003+56 14.9… +37 14.9… -5 14.9… ,
599 6
2 3
4299+1732 14.9… +327 14.9… -28 14.9…
,
5391 1 ,
1 2 3
-4611- -3.16… +1.59 … ⅈ -148 -3.16… +1.59 … ⅈ +20 -3.16… +1.59 … ⅈ ,
1797 1665
1 2 3 1
1003+56 -3.16… +1.59 … ⅈ +37 -3.16… +1.59 … ⅈ -5 -3.16… +1.59 … ⅈ ,
599 6 5391
2 3
4299+1732 -3.16… +1.59 … ⅈ +327 -3.16… +1.59 … ⅈ -28 -3.16… +1.59 … ⅈ ,1 ,
1 2 3
-4611- -3.16… -1.59 … ⅈ -148 -3.16… -1.59 … ⅈ +20 -3.16… -1.59 … ⅈ ,
1665 1797
1 2 3 1
1003+56 -3.16… -1.59 … ⅈ +37 -3.16… -1.59 … ⅈ -5 -3.16… -1.59 … ⅈ ,
599 6 5391
2 3
4299+173 -3.16… -1.59 … ⅈ +327 -3.16… -1.59 … ⅈ -28 -3.16… -1.59 … ⅈ ,1 ,
2
2 3
-4611-1665 1.38… -148 1.38… +20 1.38…
,
1797
1 2 3
1003+56 1.38… +37 1.38… -5 1.38… ,
599 6
2 3
4299+1732 1.38… +327 1.38… -28 1.38…
, 1
5391
In[190]:= Eigenvalues[m]
Out[190]= 14.9… , -3.16… +1.59 … ⅈ , -3.16… -1.59 … ⅈ , 1.38…

contoh matriks.nb 3
In[191]:= Eigenvectors[m]
2 3
-4611-1665 14.9… -148 14.9… +20 14.9…
Out[191]= ,
1797
1 2 3
1003+56 14.9… +37 14.9… -5 14.9… ,
599 6
2 3
4299+1732 14.9… +327 14.9… -28 14.9…
,
5391 1 ,
1 2 3
-4611- -3.16… +1.59 … ⅈ -148 -3.16… +1.59 … ⅈ +20 -3.16… +1.59 … ⅈ ,
1797 1665
1 2 3 1
1003+56 -3.16… +1.59 … ⅈ +37 -3.16… +1.59 … ⅈ -5 -3.16… +1.59 … ⅈ ,
599 6 5391
2 3
4299+1732 -3.16… +1.59 … ⅈ +327 -3.16… +1.59 … ⅈ -28 -3.16… +1.59 … ⅈ ,1 ,
1 2 3
-4611- -3.16… -1.59 … ⅈ -148 -3.16… -1.59 … ⅈ +20 -3.16… -1.59 … ⅈ ,
1665 1797
1 2 3 1
1003+56 -3.16… -1.59 … ⅈ +37 -3.16… -1.59 … ⅈ -5 -3.16… -1.59 … ⅈ ,
599 6 5391
2 3
4299+173 -3.16… -1.59 … ⅈ +327 -3.16… -1.59 … ⅈ -28 -3.16… -1.59 … ⅈ ,1 ,
2
2 3
-4611-1665 1.38… -148 1.38… +20 1.38…
,
1797
1 2 3
1003+56 1.38… +37 1.38… -5 1.38… ,
599 6
2 3
4299+1732 1.38… +327 1.38… -28 1.38…
, 1
5391
3
5
In[188]:= b=
7
9
Out[188]= {{3},{5},{7},{9}}
In[189]:= x=Inverse[m] *b
22 25 57 44 15 19 33 13
Out[189]= {3} ,- ,- , ,{5} , , , ,
43 86 129 -
258 43 258 86 129
5 35
11 10 6 1 39 55
{7} , , ,- ,{9} ,- , ,-
- 43 258 86 129 - 43 258 86 129
4 contoh matriks.nb
7 4 3 6
In[194]:= A= 3 1 9 1
5 5 1 5
3 4 0 1
Out[194]= {{7, 4, 3, 6},{3, 1, 9, 1},{5, 5, 1, 5},{3, 4, 0, 1}}
3
5
In[195]:= b=
7
9
Out[195]= {{3},{5},{7},{9}}
In[196]:= x=Inverse[A] *b
22 25 57 44 15 19 33 13
Out[196]= {3} ,- ,- , ,{5} , , , ,
43 86 129 -
258 43 258 86 129
5 35
11 10 6 1 39 55
{7} , , ,- ,{9} ,- , ,-
- 43 258 86 129 - 43 258 86 129
1 2 1
In[197]:= a= 3-4-2
5 3 5
Out[197]= {{1, 2, 1},{3,-4,-2},{5, 3, 5}}
4
In[198]:= b= 2
-1
Out[198]= {{4},{2},{-1}}
contoh matriks.nb 5
In[200]:= x=Inverse[a].b
Out[200]= {{2},{3},{-4}}
2-1 3
In[201]:= a= 1 3-1
2-2 5
Out[201]= {{2,-1, 3},{1, 3,-1},{2,-2, 5}}
2
In[202]:= b= 11
3
Out[202]= {{2},{11},{3}}
In[203]:= x=Inverse[a].b
Out[203]= {{-1},{5},{3}}
In[204]:= GaussianMatrix[a]
Out[204]= GaussianMatrix[{{2,-1, 3},{1, 3,-1},{2,-2, 5}}]
In[205]:= GaussianMatrix[b]
Out[205]= GaussianMatrix[{{2},{11},{3}}]
Eigenvalues and eigenvectors

Eigenvalues
6 contoh matriks.nb
Contoh soal eigenvalues
2 3-2
In[206]:= a= 1 4-2
2 10-5
Out[206]= {{2, 3,-2},{1, 4,-2},{2, 10,-5}}
contoh matriks.nb 7
In[208]:= Eigenvalues[a]
Out[208]= {-1, 1, 1}
Matriks Nilai Eigen (Eigenvalues)
Eigenvalues adalah satu set khusus skalar yang terkait dengan sistem linear persamaan (yaitu,
persamaan matriks) yang kadang-kadang juga dikenal sebagai akar karakteristik, nilai
karakteristik (Hoffman dan Kunze 1971), nilai yang tepat, atau akar laten (Marcus dan Minc
1988, hal. 144)
Penentuan eigenvalues dan eigenvectors dari suatu sistem sangat penting dalam fisika dan
teknik, di mana itu setara dengan diagonalisasi matriks dan muncul dalam aplikasi umum
seperti analisis stabilitas, fisika benda berputar, dan osilasi kecil dari sistem bergetar, untuk
menyebutkan hanya beberapa. Setiap eigenvalue dipasangkan dengan apa yang disebut
eigenvector yang sesuai (atau, secara umum, eigenvector kanan yang sesuai dan eigenvector
kiri yang sesuai; tidak ada perbedaan analog antara kiri dan kanan untuk eigenvalues).
Dekomposisi matriks persegi A menjadi eigenvalues dan eigenvectors dikenal dalam karya ini
sebagai dekomposisi eigen, dan fakta bahwa dekomposisi ini selalu mungkin selama matriks
yang terdiri dari eigenvectors dari A adalah persegi dikenal sebagai teorema dekomposisi
eigen.
Algoritma Lanczos adalah algoritma untuk menghitung eigenvalues dan eigenvectors untuk
matriks jarang simetris besar.
Biar menjadi transformasi linear yang diwakili oleh matriks . Jika ada vektor yang
maka
(1)
untuk beberapa skalar , maka disebut eigenvalue dengan eigenvector yang sesuai
(kanan).
Biarkan menjadi sebuah matriks persegi.
(2)
dengan eigenvalue , maka eigenvectors yang memenuhi
(3)
yang setara dengan sistem homogen
(4)
Persamaan (4) dapat ditulis secara ringkas sebagai

(5)
Di mana matriks identitasnya. Seperti yang ditunjukkan dalam aturan Cramer, sistem
persamaan linier memiliki solusi non trivial jika determinan lenyap, sehingga solusi persamaan
(5) diberikan oleh
(6)
Persamaan ini dikenal sebagai persamaan karakteristik dari , dan sisi kiri dikenal sebagai
polinomial karakteristik.
Misalnya, untuk a matriks . Eigenvalues nya
(7)
yang muncul sebagai solusi dari persamaan karakteristik

(8)
Jika semua eigenvalues berbeda, maka mencolokkan ini kembali memberikan persamaan
independen untuk komponen masing-masing eigenvector yang sesuai, dan sistem
dikatakan tidak degenerasi. Jika eigenvalues adalah -fold merosot, maka sistem dikatakan
merosot dan eigenvectors tidak independen secara linear. Dalam kasus seperti itu, kendala
tambahan bahwa eigenvectors menjadi ortogonal,
(9)
di mana adalah delta Kronecker, dapat diterapkan untuk menghasilkan batas tambahan,
sehingga memungkinkan solusi untuk eigenvectors.
Eigenvalues dapat dihitung dalam Bahasa Wolfram menggunakan Eigenvalues[matriks].

Eigenvectors dan eigenvalues dapat dikembalikan bersama menggunakan perintah
Eigensystem[matrix].
Asumsikan kita tahu eigenvalue untuk
(10)
Menambahkan waktu konstan matriks identitas ke ,

(11)
sehingga eigenvalues baru sama dengan plus lama . Mengalikan dengan konstanta
(12)
sehingga eigenvalues baru adalah yang lama dikalikan dengan .

Sekarang pertimbangkan transformasi kesamaan . Biar menjadi penentu dari , kemudian
(13)
(14)
(15)
sehingga nilai eigen sama dengan .

Eigenvector
Eigenvectors adalah satu set khusus vektor yang terkait dengan sistem linear persamaan
(yaitu, persamaan matriks)yang kadang-kadang juga dikenal sebagai vektor karakteristik,
vektor yang tepat, atau vektor laten (Marcus dan Minc 1988, hal.
Penentuan eigenvectors dan eigenvalues dari suatu sistem sangat penting dalam fisika
dan teknik, di mana itu setara dengan diagonalisasi matriks dan muncul dalam aplikasi umum
seperti analisis stabilitas, fisika tubuh berputar, dan osilasi kecil dari sistem bergetar, untuk
menyebutkan hanya beberapa. Setiap eigenvector dipasangkan dengan apa yang disebut
eigenvalueyangsesuai. Secara matematis, dua jenis eigenvectors yang berbeda perlu
dibedakan: eigenvectors kiri dan eigenvectors kanan. Namun, untuk banyak masalah dalam
fisika dan teknik, cukup untuk mempertimbangkan hanya eigenvectors kanan. Istilah
"eigenvector" yang digunakan tanpa kualifikasi dalam aplikasi tersebut karena itu dapat
dipahami untuk merujuk pada eigenvector kanan.
Dekomposisi matriks persegi menjadi eigenvalues dan eigenvectors dikenal dalam

karya ini sebagai eigen decomposition,dan fakta bahwa dekomposisi ini selalu mungkin
selama matriks yang terdiri dari eigenvectors dari adalah persegi dikenal sebagai teorema
dekomposisi eigen.
Mendefinisikan eigenvector kanan sebagai vektor kolom yang memuaskan
(1)
Di mana matriks,jadi
(2)
yang berarti eigenvalues kanan harus memiliki nol determinan,yaitu.,
(3)
Demikian pula, mendefinisikan eigenvector kiri sebagai vektor baris yang memuaskan.
(4)
Mengambil transpose dari masing-masing sisi memberikan

(5)
yang dapat ditulis ulang sebagai

(6)
Atur ulang lagi untuk mendapatkan

(7)
Yang berarti
(8)
Menulis ulang memberi (9)

(10)
(11)
Di mana langkah terakhir mengikuti dari identitas
(12)
Equating equations (◇) and (11), which are both equal to 0 for arbitrary and ,
therefore requires that , i.e., left and right eigenvalues are equivalent, a statement
that is not true for eigenvectors.
Let be a matrix formed by the columns of the right eigenvectors and be

a matrix formed by the rows of the left eigenvectors. Let
(13)
kemudian
(14)
(15)
dan
(16)
(17)
jadi
(18)
Tapi persamaan ini adalah dari bentuk
(19)
di mana matriks diagonal,jadi harus benar itu juga diagonal. Secara khusus,
jika merupakan matriks simetris,maka eigenvektor kiri dan kanan hanyalah transposemasing-
masing,dan jika merupakan matriks yang berdampingan (yaitu, itu adalah Hermitian),maka
eigenvectors kiri dan kanan adalah matriks yang berdampingan.
Eigenvectors mungkin tidak sama dengan vektor nol. A nonzero scalar multiple of an
eigenvector setara dengan eigenvector asli. Oleh karena itu, tanpa kehilangan keumuman,
eigenvectors sering dinormalisasi menjadi satuan panjang.
Sementara matriks selalu memiliki eigenvalues, beberapa atau semua yang

mungkin merosot, matriks tersebut mungkin memiliki antara 0 dan eigenvectors linier
independen. Misalnya, matriks hanya memiliki eigenvector tunggal.

Eigenvectors dapat dihitung dalam Bahasa Wolfram menggunakan
Eigenvectors[matriks]. Perintah ini selalu mengembalikan daftar panjang, sehingga setiap
eigenvectors yang tidak independen secara linear dikembalikan sebagai vektor nol.
Eigenvectors dan eigenvalues dapat dikembalikan bersama menggunakan perintah
Eigensystem[matrix].
Diberikan matriks dengan eigenvectors, , dan dan eigenvalues yang

sesuai, dan, maka vektor sewenang-wenang dapat ditulis
(20)
Menerapkan matriks ,
(21)
(22)
jadi
(23)
If , dan , Oleh karena itu, ia mengikuti bahwa
(24)
jadi aplikasi berulang dari matriks ke vektor sewenang-wenang luar biasa menghasilkan
vektor sebanding dengan eigenvector dengan eigenvalue terbesar.
NIM : 215391440004
PRODI : S1-TEKNIK MANUFAKTUR E2
TUGAS 10
MATEMATIKA TEKNIK
RUMUS PERSAMAAN SOLUSI PERSAMAAN
NO CONTOH SOAL PERSAMAAN DIFERENSIAL
DIFERENSIAL DIFERENSIAL
1. Akar nyata dan
berbeda (m = m1 𝑑2𝑦 𝑑𝑦
dan m = m2) 𝑦= 𝐴𝑒𝑚1𝑥 + 𝐵𝑒𝑚2𝑥 𝑑𝑥 2− 7 𝑑𝑥
+ 12𝑦 = 0
𝑑2𝑦 𝑑𝑦
𝑎 +𝑏 + 𝑐𝑦 = 0 𝑚2 − 7𝑚 + 12 = 0
𝑑𝑥2 𝑑𝑥
(𝑚 − 3)(𝑚 − 4) = 0
𝑚 = 3 𝑎𝑡𝑎𝑢 𝑚 = 4
𝑦 = 𝐴𝑒3𝑥 + 𝐵𝑒4𝑥
2. Akar-akar nyata
dan sama (m = m1 𝑑2𝑦 𝑑𝑦
= m2) 𝑦= 𝑒𝑚1𝑥(𝐴 + 𝐵𝑥) 𝑑𝑥 2 + 10 𝑑𝑥
+ 25𝑦 = 0
𝑑2𝑦 𝑑𝑦 𝑚2 + 10𝑚 + 25 = 0
𝑎 +𝑏 + 𝑐𝑦 = 0
𝑑𝑥2 𝑑𝑥
(𝑚 + 5)2 = 0
𝑚 = −5
𝑦 = 𝑒−5𝑥(𝐴 + 𝐵𝑥)
3. Akar kompleks (m =
𝜶 ± 𝒋𝜷) 𝑑2𝑦 𝑑𝑦
𝑦= 𝑒𝛼𝑥(𝐴 cos 𝛽𝑥 + 𝐵 sin 𝛽𝑥) 𝑑𝑥 2+ 4 𝑑𝑥
+ 9𝑦 = 0
𝑑2𝑦 𝑑𝑦
𝑎 +𝑏 + 𝑐𝑦 = 0
𝑑𝑥2 𝑑𝑥 𝑚2 + 4𝑚 + 9 = 0
−4 ± √16 − 36
𝑚=
2
−4 ± √−20
𝑚=
2
−4 ± 2𝑗√5
𝑚=
2
𝑚 = −2 ± 𝑗√5
𝛼 = −2 𝑑𝑎𝑛 𝛽 = √5
𝑦 = 𝑒−2𝑥(𝐴 cos √5𝑥 + 𝐵 sin √5𝑥)
4. Persamaan bentuk
𝑑2𝑦 𝑦 = 𝐴 cos 𝑛𝑥 + 𝐵 sin 𝑛𝑥 𝑑2𝑦
+ 𝑛2𝑦 = 0 + 16𝑦 = 0
𝑑𝑥2 𝑑𝑥2
𝑚2 = −16
𝑚 = ±𝑗4
𝑦 = 𝐴 cos 4𝑥 + 𝐵 sin 4𝑥
5. Persamaan bentuk
𝑑2𝑦 𝑦 = 𝐴 cosh 𝑛𝑥 + 𝐵 sinh 𝑛𝑥 𝑑2𝑦
− 𝑛2𝑦 = 0 − 25𝑦 = 0
𝑑𝑥2 𝑑𝑥2
𝑚2 = 25
𝑚 = ±5
𝑦 = 𝐴 cosh 5𝑥 + 𝐵 sinh 5𝑥
6. Solusi umum 𝑀𝑒𝑛𝑒𝑛𝑡𝑢𝑘𝑎𝑛 𝐶𝐹:

𝑑2𝑦 𝑑𝑦 𝑦 = 𝐶𝐹 + 𝑃𝐼
𝑎 +𝑏 + 𝑐𝑦 = 0 𝑑2𝑦 𝑑𝑦
𝑑𝑥 2 𝑑𝑥 −5 + 6𝑦 = 5𝑥2
𝑑𝑥2 𝑑𝑥
𝑚2 − 5𝑚 + 6 = 0
(𝑚 − 2)(𝑚 − 3) = 0
𝑚 = 2 𝑎𝑡𝑎𝑢 𝑚 = 3
𝐶𝐹 → 𝑦 = 𝐴𝑒2𝑋 + 𝐵𝑒3𝑥
𝑀𝑒𝑛𝑒𝑛𝑡𝑢𝑘𝑎𝑛 𝑃𝐼:
𝑦 = 5𝐶𝑥2 + 𝐷𝑥 + 𝐸
𝑑𝑦
= 10𝐶𝑥 + 𝐷
𝑑𝑥
𝑑2𝑦
= 10𝐶
𝑑𝑥2
10𝐶 − 5(10𝐶𝑥 + 𝐷) + 6(5𝐶𝑥2 + 𝐷𝑥 + 𝐸) = 5𝑥2
10𝐶 − 50𝐶𝑥 − 5𝐷 + 30𝐶𝑥2 + 6𝐷𝑥 + 6𝐸 = 5𝑥2
30𝐶𝑥2 + (6𝐷 − 50𝐶)𝑥 + (10𝐶 − 5𝐷 + 6𝐸) = 5𝑥2
5 1 1
[𝑥2] → 30𝐶 = 5 ∴𝐶= = ∴𝐶=
30 6 6
50 50 50
[𝑥] → 6𝐷 − 50𝐶 = 0 ∴ 6𝐷 = = ∴𝐷=
6 36 36
250 10 190 190
[𝐶𝑇] → 10𝐶 − 5𝐷 + 6𝐸 = 0 ∴ 6𝐸 = − = ∴𝐸 =
36 6 36 36
𝑥2 50𝑥 190
𝑃𝐼 → 𝑦 = + +
6 36 216
𝑦 = 𝐶𝐹 + 𝑃𝐼
2
𝑥 50𝑥 190
𝑦 = 𝐴𝑒2𝑋 + 𝐵𝑒3𝑥 + + +
6 36 216
PERSAMAAN DIFERENSIAL ORDE 1
No Rumus Solusi Contoh

1 Dengan integrasi langsung: 𝑑𝑦
𝑑𝑦 𝑦 = ∫ 𝑓(𝑥)𝑑𝑥 = 3𝑥2 − 6𝑥 + 5
= 𝑓(𝑥) 𝑑𝑥
𝑑𝑥 𝑦 = ∫(3𝑥2 − 6𝑥 + 5)𝑑𝑥
𝑦 = 𝑥3 − 3𝑥2 + 5𝑥 + 𝐶
Dengan memisahkan variabel: 𝑑𝑦 2𝑥
𝑑𝑌 ∫ 𝑓(𝑦)𝑑𝑦 = 𝑦 = ∫ =
2
𝐹(𝑥). = 𝑓(𝑥) 𝑓(𝑥)𝑑𝑥 𝑑𝑥 𝑦 + 1
𝑑𝑥 𝑑𝑦
(𝑦 + 1) = 2𝑥
𝑑𝑥
𝑑𝑦
∫(𝑦 + 1) 𝑑𝑥 = ∫ 2𝑥𝑑𝑥
𝑑𝑥
∫(𝑦 + 1)𝑑𝑦 = ∫
2𝑥𝑑𝑥
𝑦2
+ 𝑦 = 𝑥2 + 𝐶
2
3 Persamaan homogen: Mengganti 𝑑𝑣 𝑑𝑦 𝑥2 + 𝑦 2
𝑣+𝑥 = 𝐹(𝑣) =
𝑦 = 𝑣𝑥 𝑑𝑥 𝑑𝑥 𝑥𝑦
𝑑𝑦 𝑑𝑣
∴ = 𝑣 +𝑥
𝑑𝑥 𝑑𝑥
𝑥2 + 𝑦 2 𝑥2 + 𝑣 2 𝑥 2 1 + 𝑣 2
𝑑𝑎𝑛 = =
𝑥𝑦 𝑣𝑥 2 𝑣
𝑑𝑣 1 + 𝑣 2
𝑣+𝑥 =
𝑑𝑥 𝑣
𝑑𝑣 1 + 𝑣 2
∴𝑥 = −𝑣
𝑑𝑥 𝑣
1 + 𝑣2 − 𝑣2 1
= =
𝑣 𝑣
𝑑𝑣 1
∴𝑥 =
𝑑𝑥 𝑣
𝑣2
= ln 𝑥 + 𝐶
2
Karena
1
∫ 𝑣 𝑑𝑣 = ∫ 𝑑𝑥
𝑥
𝑣2
∴ = ln 𝑥 +
𝐶2
Semua yang tersisa sekarang adalah untuk
mengekspresikan v kembali dalam hal x dan y. Substitusi
𝑦
menggunakan 𝑦 = 𝑣𝑥 ∴ 𝑣 =
𝑥
1 𝑦
∴ ( )2 = ln 𝑥 +
𝐶2 𝑥
𝑌2 = 2𝑥2(ln 𝑥 + 𝐶)
4 Persamaan linear: Faktor integrasi, 𝐼𝐹 = 𝑒 ∫ 𝑃𝑑𝑥 𝑑𝑦

𝑥 + 𝑦 = 𝑥3
𝑑𝑦 𝑑𝑥
+ 𝑃𝑦 = 𝑄 Dan ingatlah bahwa 𝑒 ∫ 𝑃𝑑𝑥=F 𝑑𝑦 1
𝑑𝑥 𝑖. 𝑒. + . 𝑦 = 𝑥 2
𝑦𝐼𝐹 = ∫ 𝑄. 𝐼𝐹 𝑑𝑥 𝑑𝑥 𝑥
Bandingkan dengan[dy + Py = Q]
dx
1
∴𝑃= 𝑑𝑎𝑛 𝑄 = X2
x
1
IF = e ∫ Pdx ∫ Pdx = ∫ dx = ln 𝑥
x
∴ IF = 𝑒ln 𝑥 = 𝑥
∴ IF = 𝑥
Solusinya adalah 𝑦. 𝐼𝐹 = ∫ 𝑄. 𝐼𝐹 𝑑𝑥 ,jadi
𝑥4
𝑦𝑥 = ∫ 𝑥 2 . 𝑥 𝑑𝑥 = ∫ 𝑥 3𝑑𝑥 =
+𝐶
4
𝑥4
∴ 𝑥𝑦 = + 𝐶
4
5 Persamaan Bernoulli: Bagi dengan 𝑦𝑛: lalu letakkan 𝑧 = 𝑑𝑦 1
𝑑𝑦 + 𝑦 = 𝑥𝑦2
+ 𝑃𝑦 = 𝑄𝑦 𝑛 𝑦1−𝑛 𝑑𝑥 𝑥
𝑑𝑥 Mengurangi ke tipe (d) di atas. 𝑑𝑦 1
𝑦−2 + . 𝑦−1 = 𝑥
𝑑𝑥 𝑥
𝑑𝑧 𝑑𝑦
𝑧 = 𝑦−1 ∴ = −𝑦−2
𝑑𝑥 𝑑𝑥
𝑑𝑦 1
−𝑦 −2 − . 𝑦 = −𝑥
−1
𝑑𝑥 𝑥
1
Sehingga 𝑑𝑧 − 𝑧 = −𝑥
𝑑𝑥 𝑥
𝑑𝑧 1
− 𝑧 = −𝑥
𝑑𝑥 𝑥
1
IF = 𝑒 ∫ 𝑃𝑑𝑥 ∫ 𝑃𝑑𝑥 = ∫ − 𝑑𝑥 = − ln 𝑥
𝑥
−1 1
∴ IF = 𝑒 − ln 𝑥 = 𝑒ln(𝑥 ) = 𝑥−1 =
𝑥
1 1
z. IF = ∫ Q. IF 𝑑𝑥 ∴𝑧 =
∫ −𝑥. 𝑑𝑥
𝑥 𝑥
𝑧
∴ = ∫ −1 𝑑𝑥 = −𝑥 + 𝐶
𝑥
∴ 𝑧 = 𝐶𝑥 − 𝑥2
1
Tetapi 𝑧 = 𝑦−1 ∴ = 𝐶𝑥 − 𝑥2 ∴ 𝑦 = (𝐶𝑥 − 𝑥2)−1
𝑦

Buku Kumpulan Tugas Wolfram Mathematics

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Buku Kumpulan Tugas Wolfram Mathematics

Uploaded by

Copyright:

Available Formats

2021

BUKU KUMPULAN TUGAS

Sultan Hulio Andrian

Integrate[y = x, {x, 0, 1}]

Integrate[y = x, {x, 0, 04}]

In[ ]:= Plot[Sin[x], {x, 0, 2 Pi}]

In[ ]:= Plot[Sin[x], {x, 0, 04 Pi}]

In[ ]:= Plot[Cos[x], {x, 0, 2 Pi}]

In[ ]:= Plot[Cos[x], {x, 0, 04 Pi}]

In[ ]:= Plot[Tan[x], {x, 0, 2 Pi}]

In[ ]:= Plot[Tan[x], {x, 0, 04 Pi}]

In[ ]:= Plot[y = 5 x + 7, {x, 4, - 6},

In[ ]:= Plot[y = 7 x + 10, {x, - 5, 11},

In[ ]:= Plot[y = 13 x + 27, {x, 0, 15},

In[ ]:= Plot[y = x ^ 2 + x ^ 1 - x - 5, {x, - 7, 16},

In[ ]:= Plot[y = x ^ 2 + x ^ 1 - x - 4, {x, - 6, 12},

In[ ]:= Plot[y = x ^ 2 + x ^ 1 - x - 6, {x, - 10, 14},

In[ ]:= Plot[y = x ^ 2 + x ^ 1 - x - 3, {x, - 10, 7},

In[ ]:= Plot[y = x ^ 2 - x ^ 1 + x + 4, {x, - 7, 12},

In[ ]:= Plot[y = x ^ 3 + x ^ 2 - x - 5, {x, 12, - 7},

In[ ]:= Plot[y = x ^ 3 + x ^ 2 - x - 4, {x, 7, - 14},

In[ ]:= Plot[y = x ^ 3 + x ^ 2 - x - 5, {x, - 8, - 2},

In[ ]:= Plot[y = x ^ 3 + x ^ 2 - x - 4, {x, - 6, 4},

In[ ]:= Plot[y = x ^ 3 + x ^ 2 - x - 9, {x, 10, - 8},

In[ ]:= Plot[y = x ^ 5 + x ^ 4 + x + 7, {x, - 5, 5},

In[ ]:= Plot[y = x ^ 7 + x ^ 6 - x + 5, {x, - 8, 6},

In[ ]:= Plot[y = x ^ 4 + x ^ 3 - x - 10, {x, 12, - 8},

In[ ]:= Plot[y = x ^ 6 + x ^ 5 - x - 13, {x, - 16, 10},

In[ ]:= Plot[y = x ^ 8 + x ^ 7 - x - 17, {x, 20, - 15},

In[ ]:= Plot[y = x ^ 4004 + x ^ 3 - 6, {x, - 15, 15},

In[ ]:= Plot[y = x ^ 4004 + x ^ 3 - 12, {x, - 14, 16},

In[ ]:= Plot[y = x ^ 4004 + x ^ 3 - 8, {x, - 12, 18},

In[ ]:= Plot[y = x ^ 4004 + x ^ 3 - 12, {x, - 10, 20},

In[ ]:= Plot[y = x ^ 4004 + x ^ 3 - 3, {x, - 8, 11},

In[ ]:= Plot[{Sin[4 x], Csc[7 x]}, {x, 7, 10},

7.0 7.5 8.0 8.5 9.0 9.5 10.0

In[ ]:= Plot[{Cos[5 x], Sec[7 x]}, {x, 2, - 5},

In[ ]:= Plot[{Tan[6 x], Cot[8 x]}, {x, - 6, 9},

In[ ]:= Plot[Sin[2 x] + Csc[x], {x, - 7, 17},

In[ ]:= Plot[Cos[x] + Sec[x], {x, - 10, 20},

In[ ]:= Plot[Tan[x] + Cot[x], {x, - 13, 24},

In[ ]:= Plot[Sin[x] - Csc[x], {x, - 27, 19},

In[ ]:= Plot[Cos[x] - Sec[x], {x, 16, - 12},

In[ ]:= Plot[Tan[x] - Cot[x], {x, 23, - 30},

-30 -20 -10 0 10 20

In[ ]:= Plot[y = 3 ^ 2 x, {x, 10, - 13},

In[ ]:= Plot[y = 4 ^ 4 x, {x, - 9, 0},

In[ ]:= Plot[y = 5 ^ 2 x, {x, 11, 12},

In[ ]:= Plot[y = 6 ^ 5 x, {x, 4, - 4},

In[ ]:= Plot[{Log[2 x]}, {x, 0, 15},

In[ ]:= Plot[{Log[3 x]}, {x, 2, 3},

2.0 2.2 2.4 2.6 2.8 3.0

In[ ]:= Plot[{Log[5 x]}, {x, - 5, 7},

In[ ]:= Plot[{Log[8 x]}, {x, - 7, 12},

In[ ]:= Plot[{Log[7 x]}, {x, 15, 5},

In[ ]:= Plot2 x3 - 5 x2 + 6 x - 9, {x, - 5, 5},

In[ ]:= Plot9 x3 + 11 x2 - x - 3 x, {x, 0, 1},

0.0 0.2 0.4 0.6 0.8 1.0

In[ ]:=  3 Sin[2 x + 1] ⅆ x

In[ ]:= Plot[3 Sin[2 x + 1], {x, - 5, 10},

In[ ]:= Plot3 - 2 x-5 , {x, 2, 12},

In[ ]:=  Cos[1 - 3 x] ⅆ x