Determinanter och kofaktorutveckling
Lära sig beräkna determinanten för matriser av godtycklig storlek samt förstå determinantens egenskaper.
Ca 45 min · del av Linjär algebra
Begrepp i lektionen
- Determinant
- Kofaktorutveckling
- Triangulära matriser
- Produktregeln för determinanter
Efter denna lektion kommer du att kunna beräkna determinanten för matriser av godtycklig storlek med kofaktorutveckling och radoperationer, samt förstå vad determinanten avslöjar om matrisens inverterbarhet och egenskaperna hos matrisprodukter.
Vad är en determinant? (2x2-fallet)
Determinanten är ett skalärt tal som hör till en kvadratisk matris. Geometriskt beskriver determinanten hur matrisen skalar volymer eller areor vid en linjär transformation. Om determinanten är noll plattas rummet ihop till en lägre dimension, vilket innebär att matrisen inte har någon invers.
För en 2×2-matris:
A = [a b]
[c d]
definieras determinanten som:
det(A) = a·d − b·c
Ibland skrivs determinanten också med raka streck runt matrisens element: |A| eller |a b; c d|.
Exempel:
Beräkna determinanten för A = [3 2; 1 4].
det(A) = 3·4 − 2·1 = 12 − 2 = 10.
Eftersom det(A) = 10 ≠ 0 skalar denna avbildning ytor med en faktor 10, och matrisen är inverterbar.
Kofaktorutveckling för större matriser
För matriser av storlek 3×3 och större använder vi kofaktorutveckling (även kallat Laplace-utveckling). Metoden reducerar beräkningen av en n×n-determinant till flera mindre (n-1)×(n-1)-determinanter.
Definitioner:
1. Minor M_ij: Determinanten för den undermatris som återstår när rad i och kolumn j stryks ur matris A.
2. Kofaktor C_ij: Minoren försedd med ett tecken utifrån cellens position:
C_ij = (-1)^(i+j) · det(M_ij)
Tecknet (-1)^(i+j) bildar ett schackbrödesmönster över matrisen:
[ + - + ]
[ - + - ]
[ + - + ]
Utveckling längs rad i:
det(A) = a_i1·C_i1 + a_i2·C_i2 + ... + a_in·C_in
Du kan utveckla längs vilken rad eller kolumn som helst. Det smidigaste valet är alltid den rad eller kolumn som innehåller flest nollor, eftersom de termerna blir 0 och inte behöver beräknas!
Triangulära matriser och radoperationer
Att beräkna determinanter för mycket stora matriser med enbart kofaktorutveckling kräver enormt mycket beräkningar. En mer effektiv metod använder radoperationer för att överföra matrisen till triangulär form.
Triangulära matriser:
Om alla element under (eller över) huvuddiagonalen är noll kallas matrisen övertriangulär (eller undertriangulär). För sådana matriser är determinanten helt enkelt produkten av alla diagonalelement:
det(T) = t_11 · t_22 · ... · t_nn
Hur radoperationer påverkar determinanten:
1. Radbyte: Om två rader byter plats byter determinanten tecken (det B = −det A).
2. Skalning: Om en rad multipliceras med en konstant k multipliceras determinanten med k (det B = k · det A).
3. Raddition: Om en multipel av en rad läggs till en annan rad förändras inte determinanten (det B = det A).
Genom att använda gausselimination med enbart raddition kan vi göra matrisen triangulär utan att ändra determinantens värde!
Viktiga egenskaper hos determinanter
Determinanten har flera kraftfulla teoretiska egenskaper som underlättar beräkningar och bevis i linjär algebra.
1. Produktregeln:
För två n×n-matriser A och B gäller:
det(A · B) = det(A) · det(B)
2. Inverterbarhet:
En kvadratisk matris A är inverterbar om och endast om det(A) ≠ 0.
Om A är inverterbar gäller även:
det(A⁻¹) = 1 / det(A)
3. Transponering:
det(Aᵀ) = det(A)
Detta innebär att allt som gäller för rader gällande determinanten också gäller exakt likadant för kolumner!
4. Skalärmultiplikation av hela matrisen:
Om A är en n×n-matris och c är en skalär gäller:
det(c · A) = cⁿ · det(A)
Detta beror på att varje rad i matrisen multipliceras med c, vilket drar ut en faktor c per rad.
Hela kursen
- Linjära ekvationssystem och Gausseliminering
- Matriser och matrisoperationer
- Inversa matriser och matrisekvationer
- Determinanter och kofaktorutveckling
- Vektorer, skalärprodukt och ortogonalitet
- Linjärkombinationer och linjärt oberoende
- Generella vektorrum och underrum
- Bas, dimension och koordinat transformation
- Matrisers fundamentalrum och rangsatsen
- Gram-Schmidts ortogonaliseringsprocess
- Linjära avbildningar och avbildningsmatriser
- Egenvärden och egenvektorer
- Diagonalisering och symmetriska matriser