Ekspansi Kofaktor (Ekspansi Laplace): Panduan yang Berguna

Menghitung determinan matriks 3×3 - atau yang lebih besar - tidak sesederhana kasus 2×2.

Anda tidak bisa sekadar mengalikan silang dua diagonal. Semakin besar matriks, semakin rumit aritmetikanya. Tanpa metode yang terstruktur, mudah untuk kehilangan jejak. Itulah tepatnya masalah yang ingin diselesaikan oleh ekspansi kofaktor - juga disebut ekspansi Laplace.

Ekspansi kofaktor adalah metode untuk menghitung determinan matriks persegi mana pun dengan melakukan ekspansi sepanjang baris atau kolom yang dipilih. Metode ini memecah masalah secara rekursif menjadi determinan yang lebih kecil yang sudah Anda ketahui cara menyelesaikannya.

Dalam artikel ini, saya akan membahas definisi ekspansi kofaktor, rumus di baliknya, contoh langkah demi langkah untuk matriks 2×2 dan 3×3, sifat-sifat kunci, serta penerapan praktisnya.

Apa Itu Ekspansi Kofaktor?

Ekspansi kofaktor adalah metode rekursif untuk menghitung determinan matriks persegi mana pun.

Dalam konteks ini, "rekursif" berarti alih-alih menghitung determinan matriks besar sekaligus, Anda memecahnya menjadi determinan yang lebih kecil. Determinan yang lebih kecil itu dipecah lagi menjadi yang lebih kecil lagi. Teruskan hingga tersisa matriks 2×2, yang sepele untuk diselesaikan.

Ini berlaku untuk semua matriks persegi - 2×2, 3×3, 4×4, dan seterusnya. Namun, ini paling berguna untuk matriks 3×3 ke atas, di mana Anda tidak bisa sekadar mengalikan silang dua diagonal.

Intinya sederhana. Anda memilih satu baris atau kolom dalam matriks dan melakukan ekspansi sepanjang baris atau kolom tersebut. Setiap elemen pada baris atau kolom itu menyumbang sub-masalah yang lebih kecil. Selesaikan setiap sub-masalah, gabungkan hasilnya, dan Anda mendapatkan determinannya. Selesai.

Minor dan Kofaktor: Definisi Kunci

Sebelum dapat mengekspansi determinan, Anda perlu memahami dua komponen penyusunnya: minor dan kofaktor.

Minor

Minor M_ij adalah determinan dari matriks yang lebih kecil yang Anda peroleh setelah menghapus baris i dan kolom j dari matriks asal.

Misalkan Anda memiliki matriks 3×3 A dan ingin minor M_12. Hapus baris 1 dan kolom 2. Yang tersisa adalah matriks 2×2. Hitung determinantnya - itulah minor Anda.

Kofaktor

Kofaktor C_ij melangkah satu tahap lebih jauh dari minor. Ia menerapkan faktor tanda berdasarkan posisi (i, j):

Kofaktor

Suku (-1)^(i+j) akan mempertahankan tanda minor atau membaliknya, tergantung pada posisi Anda di dalam matriks.

Ketika i + j genap, (-1)^(i+j) = +1, sehingga kofaktor sama dengan minor. Ketika i + j ganjil, (-1)^(i+j) = -1, sehingga kofaktor membalik tanda minor.

Pola papan catur

Pergiliran tanda ini membentuk pola papan catur di seluruh matriks:

Pola papan catur

Sudut kiri atas selalu dimulai dengan +. Dari sana, tanda bergantian ke segala arah. Pola ini memberi tahu Anda sekilas apakah suatu kofaktor akan menambah atau mengurangkan dari determinan Anda.

Rumus Ekspansi Kofaktor

Inilah rumus yang Anda tunggu-tunggu.

Untuk ekspansi sepanjang baris i:

Ekspansi sepanjang baris i

Untuk ekspansi sepanjang kolom j:

Ekspansi sepanjang kolom j

Secara sederhana, ini berarti Anda mengalikan setiap elemen pada baris atau kolom yang dipilih dengan kofaktornya, lalu menjumlahkannya.

Suku a_ij hanyalah elemen-elemen individual matriks Anda. Suku C_ij adalah kofaktor yang Anda hitung untuk setiap posisi. Kalikan keduanya, jumlahkan hasilnya, dan Anda mendapatkan determinannya.

Tidak masalah baris atau kolom mana yang Anda pilih. Ekspansi sepanjang baris 1 memberikan hasil yang sama dengan ekspansi sepanjang baris 3 atau kolom 2. Determinan adalah sifat tetap dari matriks - jalur ekspansi hanyalah pilihan Anda.

Namun, pilihan itu memengaruhi seberapa banyak pekerjaan yang Anda lakukan. Baris atau kolom dengan lebih banyak nol berarti lebih sedikit kofaktor yang harus dihitung. Jika satu baris memiliki dua nol dan tiga elemen tak nol, Anda hanya perlu menghitung kofaktor untuk tiga elemen tersebut - nol tidak berkontribusi pada jumlah. Selalu pindai matriks Anda untuk mencari nol sebelum memilih baris atau kolom ekspansi.

Langkah demi Langkah: Cara Kerja Ekspansi Kofaktor

Ekspansi kofaktor selalu mengikuti 3 langkah yang sama.

Langkah 1: Pilih baris atau kolom. Pindai matriks Anda dan pilih baris atau kolom dengan nol terbanyak. Semakin sedikit elemen tak nol, semakin sedikit kofaktor yang perlu dihitung.

Langkah 2: Untuk setiap elemen tak nol pada baris atau kolom tersebut:

• Hitung minor M_ij - hapus baris i dan kolom j, lalu ambil determinan dari sisa matriks.

• Terapkan faktor tanda (-1)^(i+j) menggunakan pola papan catur untuk mendapatkan kofaktor C_ij.

• Kalikan elemen a_ij dengan kofaktornya C_ij.

Langkah 3: Jumlahkan semua hasil kali.

Determinan

Itulah determinan Anda.

Jika ada submatriks yang lebih besar dari 2×2, ulangi proses yang sama hingga tersisa determinan 2×2 - yang dapat Anda selesaikan langsung dengan ad - bc.

Contoh 1: Ekspansi Kofaktor Matriks 2×2

Mari hubungkan semuanya dengan kasus paling sederhana.

Ambil matriks 2×2 ini:

Contoh matriks 2x2

Lakukan ekspansi sepanjang baris 1. Dua elemennya adalah a_11 = 3 dan a_12 = 1.

• Untuk a_11 = 3: hapus baris 1 dan kolom 1. Yang tersisa hanyalah (4). Faktor tandanya (-1)^(1+1) = +1. Jadi C_11 = +4.

• Untuk a_12 = 1: hapus baris 1 dan kolom 2. Yang tersisa hanyalah (2). Faktor tandanya (-1)^(1+2) = -1. Jadi C_12 = -2.

Sekarang jumlahkan hasil kalinya:

Perhitungan determinan

Anda akan melihat hasil ini sesuai dengan rumus standar 2×2 ad - bc = (3)(4) - (1)(2) = 10. Ekspansi kofaktor dan jalan pintas perkalian silang adalah dua cara untuk mendapatkan jawaban yang sama.

Contoh 2: Ekspansi Kofaktor Matriks 3×3

Sekarang mari kita kerjakan contoh 3×3 secara lengkap.

Ambil matriks berikut:

Contoh matriks 3x3

Baris 1 memiliki nol pada posisi (1,2), jadi mari lakukan ekspansi sepanjang baris 1. Nol itu berarti kita bisa melewati satu kofaktor sepenuhnya.

Langkah 1: Siapkan ekspansi

Penyiapan ekspansi (1)

Karena a_12 = 0, suku tengah hilang:

Penyiapan ekspansi (2)

Kita hanya perlu menghitung dua kofaktor. Itulah hasil dari memilih baris yang tepat.

Langkah 2: Hitung C_11

Sekarang hapus baris 1 dan kolom 1. Berikut yang tersisa:

Perhitungan pertama

Tanda pada posisi (1,1) adalah (-1)^(1+1) = +1, jadi C_11 = +2.

Langkah 3: Hitung C_13

Langkah berikutnya adalah menghapus baris 1 dan kolom 3. Ini yang tersisa:

Perhitungan kedua

Tanda pada posisi (1,3) adalah (-1)^(1+3) = +1, jadi C_13 = +11.

Langkah 4: Jumlahkan hasil kali

Perhitungan determinan

Itulah determinan Anda. Dengan memilih baris yang memiliki nol sejak awal, Anda mengubah masalah tiga kofaktor menjadi dua kofaktor. Selalu bekerja lebih cerdas.

Memilih Baris atau Kolom Terbaik

Baris atau kolom yang Anda pilih tidak mengubah hasil, tetapi mengubah seberapa banyak pekerjaan yang harus Anda lakukan.

Selalu cari nol terlebih dahulu. Setiap nol pada baris atau kolom yang Anda pilih adalah satu kofaktor yang tidak perlu dihitung. Pada contoh 3×3 di atas, satu nol memangkas pekerjaan dari tiga kofaktor menjadi dua. Pada matriks yang lebih besar, satu baris dengan beberapa nol dapat menyelamatkan Anda dari menghitung beberapa sub-determinan.

Berikut beberapa hal yang perlu diingat

• Satu nol pada baris atau kolom berarti satu kofaktor lebih sedikit untuk dihitung
• Dua nol berarti dua kofaktor lebih sedikit
• Semua nol kecuali satu berarti Anda hanya menghitung satu kofaktor

Hal ini semakin penting seiring bertambahnya ukuran matriks. Ekspansi kofaktor naif pada matriks n×n berjalan dalam waktu faktorial - artinya 4×4 mengharuskan menghitung determinan empat matriks 3×3, masing-masing diekspansi menjadi tiga matriks 2×2. Itu 24 perhitungan individual sebelum Anda mulai menjumlahkan. Untuk 5×5, menjadi 120.

Untuk matriks besar, ekspansi kofaktor bukan alat yang tepat. Reduksi baris dan dekomposisi LU menangani matriks besar jauh lebih cepat. Ekspansi kofaktor paling cocok untuk kasus 2×2 dan 3×3, atau untuk pekerjaan teoretis ketika Anda perlu mengekspresikan determinan secara simbolik.

Untuk apa pun yang Anda selesaikan secara manual, luangkan beberapa detik memindai baris atau kolom dengan nol terbanyak sebelum mulai. Ini cara termudah untuk mengurangi kesalahan aritmetika.

Ekspansi Kofaktor dan Struktur Rekursif

Ekspansi kofaktor memiliki struktur rekursif bawaan.

Untuk mencari determinan matriks n×n, Anda mengekspansi sepanjang baris atau kolom dan menghitung determinan matriks (n-1)×(n-1) . Masing-masing lalu diekspansi menjadi matriks (n-2)×(n-2). Anda terus menguranginya hingga mencapai matriks 2×2, yang diselesaikan secara langsung.

Sifat rekursif inilah yang mendefinisikan determinan secara aljabaris. Ia memberi tahu Anda apa itu determinan pada setiap ukuran matriks, bukan hanya cara menghitungnya.

Namun, rekursi ada biayanya.

Setiap tingkat ekspansi melipatgandakan jumlah sub-masalah, dan untuk matriks besar perhitungannya meningkat dengan cepat. Itulah mengapa pustaka numerik tidak menggunakan ekspansi kofaktor di balik layar. Reduksi baris dan metode faktorisasi memiliki skalabilitas yang jauh lebih baik.

Untuk matriks kecil dan pekerjaan teoretis, struktur rekursif ini justru yang Anda inginkan. Untuk yang lebih besar, lebih baik mencari pendekatan lain.

Keterkaitan dengan Matriks Adjugat

Kofaktor adalah blok pembangun invers matriks. Kofaktor tidak hanya digunakan untuk membantu Anda menghitung determinan.

Jika Anda menghitung kofaktor C_ij untuk setiap elemen dalam matriks A, Anda mendapatkan matriks kofaktor C. Ambil transposenya - tukar baris dan kolom - dan Anda mendapatkan matriks adjugat:

Matriks adjugat

Dari situ, invers matriks mengikuti langsung:

Invers matriks

Secara sederhana ini berarti Anda harus menghitung semua kofaktor, menyusunnya menjadi sebuah matriks, mentransposenya, lalu membagi dengan determinan. Itulah invers Anda.

Ada dua hal yang perlu diingat di sini:

1. Ini hanya berlaku ketika det(A) ≠ 0 - determinan nol berarti matriks tidak memiliki invers
2. Rumus ini eksak, yang membuatnya berguna untuk pekerjaan teoretis dan aljabar simbolik. Untuk komputasi numerik dengan matriks besar, metode lain lebih cepat.

Jika Anda penasaran dengan keterkaitannya dengan ekspansi kofaktor, ingat saja bahwa setiap entri dalam matriks adjugat berasal dari kofaktor yang Anda hitung selama ekspansi. Proses yang sama yang memberi Anda determinan juga memberi Anda semua yang dibutuhkan untuk membalikkan matriks.

Sifat-sifat Ekspansi Kofaktor

Ekspansi kofaktor memiliki beberapa sifat yang layak diketahui. Ini akan menyelamatkan Anda dari keraguan berulang dan membantu Anda menemukan jalan pintas.

Berikut empat sifat yang perlu diingat:

• Ekspansi sepanjang baris atau kolom mana pun memberikan hasil yang sama. Anda bisa mengekspansi sepanjang baris 2 atau kolom 3 - determinannya tidak berubah. Pilih mana pun yang memiliki nol terbanyak
• Determinan linear terhadap setiap baris. Jika Anda mengalikan satu baris dengan konstanta k, determinan juga dikalikan dengan k. Hal ini mengikuti langsung dari bagaimana kofaktor mengalikan setiap elemen
• Menukar dua baris membalik tanda determinan. Tukar baris sekali maka determinan bernilai negatifnya. Tukar dua kali maka kembali ke nilai semula. Inilah mengapa Anda perlu mencatat operasi baris dengan cermat
• Jika dua baris saling bergantung linear, determinan bernilai nol. Ketergantungan linear berarti satu baris merupakan kelipatan skalar dari baris lain - atau lebih umum, baris-baris tersebut tidak menjangkau ruang secara penuh. Matriksnya singular, dan tidak ada invers

Sifat-sifat ini memungkinkan Anda menyederhanakan matriks sebelum mengekspansi - mereduksi baris, menemukan ketergantungan, dan menghindari perhitungan yang tidak perlu.

Kesalahan Umum

Ekspansi kofaktor memiliki beberapa titik kegagalan yang sering muncul. Berikut hal-hal yang perlu diwaspadai.

• Lupa tanda (-1)^(i+j). Ini adalah kesalahan paling umum. Anda menghitung minor dengan benar, mengalikannya dengan elemen, dan mendapatkan jawaban yang salah karena melewatkan faktor tanda. Selalu periksa pola papan catur sebelum menuliskan kofaktor
• Menghapus baris atau kolom yang salah untuk minor. Saat menghitung M_ij, Anda menghapus baris i dan kolom j - baris dan kolom dari elemen yang Anda ekspansi. Kekeliruan umum adalah menghapus yang salah, khususnya pada 3×3 di mana matriks sisa bisa terlihat mirip di berbagai penghapusan
• Berhenti terlalu dini dalam rekursi. Ketika submatriks Anda masih 3×3 atau lebih besar, Anda perlu mengekspansi lagi. Beberapa orang memperlakukan minor 3×3 seolah-olah 2×2 dan langsung menerapkan ad - bc langsung
• Kesalahan aritmetika dalam langkah rekursif. Semakin dalam rekursi, semakin banyak perkalian dan pembalikan tanda yang Anda lacak. Satu kesalahan aritmetika pada sub-determinan awal akan terbawa ke setiap langkah berikutnya. Kerjakan setiap determinan 2×2 dengan cermat sebelum menggabungkan hasil

Jika jawaban akhir Anda terasa janggal, pola tanda dan penghapusan minor adalah dua hal pertama yang perlu diperiksa ulang.

Kapan Menggunakan Ekspansi Kofaktor

Ekspansi kofaktor adalah alat yang tepat dalam beberapa situasi spesifik.

Untuk matriks kecil, ini adalah pendekatan paling langsung. Matriks 2×2 sepele, dan 3×3 masih dapat ditangani dengan tangan dalam beberapa menit. Begitu Anda mencapai 4×4 dan seterusnya, jumlah langkah rekursif tumbuh cukup cepat sehingga metode lain lebih cepat dan lebih kecil risiko kesalahan.

Ini juga menjadi andalan untuk pekerjaan teoretis dan simbolik. Jika Anda mengerjakan pembuktian, menurunkan rumus, atau menghitung determinan dengan entri variabel alih-alih angka, ekspansi kofaktor memberi Anda ekspresi simbolik yang eksak untuk digunakan. Reduksi baris sangat baik untuk angka, tetapi menjadi berantakan untuk simbol.

Berikut ringkasan singkat kapan harus menggunakannya:

• Anda bekerja dengan matriks 2×2 atau 3×3
• Anda memerlukan hasil simbolik yang eksak, bukan pendekatan numerik
• Anda mengerjakan pembuktian yang memerlukan ekspansi determinan secara eksplisit
• Anda membangun intuisi tentang apa sebenarnya makna determinan

Untuk matriks numerik besar, lewati metode ini. Reduksi baris dan dekomposisi LU menangani kasus tersebut jauh lebih cepat dan dengan risiko kesalahan aritmetika berantai yang jauh lebih kecil. Kebanyakan pustaka numerik menggunakan metode-metode ini di balik layar karena alasan itu.

Ekspansi kofaktor paling tepat dianggap sebagai alat perhitungan manual dan teori, bukan algoritme serbaguna.

Kesimpulan

Ekspansi kofaktor memberi Anda cara yang sistematis dan rekursif untuk menghitung determinan matriks persegi mana pun.

Dua komponen penyusunnya - minor dan pola tanda (-1)^(i+j) - menggerakkan seluruh proses. Kuasai keduanya, sisanya mudah. Pilih baris atau kolom dengan nol untuk mengurangi pekerjaan, reduksi menjadi determinan 2×2, lalu jumlahkan hasilnya.

Di luar determinan, metode ini terhubung dengan matriks adjugat dan rumus invers matriks. Kofaktor yang Anda hitung selama ekspansi adalah yang sama untuk membangun adj(A) - menjadikan ekspansi kofaktor sebagai dasar untuk memahami cara kerja invers matriks secara aljabaris.

Untuk matriks kecil dan pekerjaan teoretis, ini adalah metode paling transparan yang tersedia. Untuk matriks numerik besar, sebaiknya gunakan reduksi baris atau pustaka numerik.

Jika Anda ingin melihat ekspansi kofaktor secara langsung, daftar di Linear Algebra for Data Science in R kami.