Determinant: Nasıl Çalışır ve Bize Ne Söyler

Bir bilişim mimarisinde depolanan bilgi ve veriler matrisler biçimindedir. Bu nedenle çoğu bilimsel hesaplamanın, makine öğrenmesinin ve sayısal işlemlerin temelinde farklı boyutlarda matrisler yatar.

Matrisler, lineer cebirin temel matematiksel nesneleridir. Matrislerin boyut, seyreklik, özdeğerler ve determinant gibi bazı özellikleri vardır.

Determinant, kare bir matrisin temel bir özelliğidir ve terslenebilirlik, mühendislikte lineer sistemlerin çözümü, geometri ve bilgisayar grafiklerindeki dönüşümler gibi matris işlemlerinde doğrudan ve dolaylı önemli roller oynar.

Bu yazıda, kare bir matrisin determinantlarını, uygulamalarını ve bunları elle, ayrıca Python ve R programlarıyla hesaplama yöntemlerini öğreneceksiniz.

Determinant Nedir?

Determinant, kare bir matrisi bir reel skalara (tek değere) eşleyen bir fonksiyondur. Matematikte A kare matrisinin determinantı det(A) veya |A| ile gösterilir.

Matematiğin kendisi gibi determinantın da Çinli matematikçilere uzanan uzun bir tarihi vardır. Antik Çin'de matematikçiler determinantları lineer denklem sistemlerini çözmek için kullanmışlardır (lineer denklemleri çözme yöntemleri bugün Cramer Kuralı olarak anılmaktadır). Daha sonra, 16. yüzyıl Avrupa'sında matematikçi Cardano, lineer denklem sistemlerinin çözümünde determinantları uygulayarak onları ön plana çıkarmıştır. Ardından Takakazu (17. yüzyıl), Leibniz (17. yüzyıl), Vandermonde ve Cauchy (18. yüzyıl), saf matematikte determinantların kuramsal temelini atmışlardır.

Determinantların Özellikleri

Her kare matris için determinant hesaplanması gerekse de, genel olarak ve bazı özel matrisler için bilinen bazı özellikler vardır. Ayrıca belirli matematiksel işlemlere tabi tutulan determinantlar da birtakım örüntüler ve özellikler gösterir. Determinantların yaygın bilinen bazı özellikleri şunlardır:

Kare birim matrisin determinantı 1'dir

Birim matrisin köşegeninde 1, diğer tüm konumlarında 0 bulunur.

İki satırın veya sütunun yerini değiştirmek determinantın işaretini değiştirir

Örneğin aşağıdaki matriste determinant şöyledir:

Satırları yer değiştirirsek sonuç işaret değiştirir.

Üçgensel matrislerin determinantı, köşegen elemanlarının çarpımına eşittir

Bir matris alt ya da üst üçgensel ise, determinantı hesaplamak için yalnızca köşegen değerleri birbiriyle çarpmak yeterlidir. Örneğin aşağıdaki üst üçgensel kare matriste determinant, köşegen değerleri çarparak hesaplanır:

Determinantı hesaplamak için köşegen elemanları doğrudan çarparız: det(U)=2×4×6=48

Determinant, matris benzerliği altında değişmezdir

İki matris, aynı lineer dönüşümden türetilip farklı tabanlara sahipse benzerdir. İki matris benzer ise aynı determinantlara (ve özdeğerlere, izlere ve karakteristik polinomlara) sahiptirler.

Bir matris çarpımının determinantı, matrislerin determinantlarının çarpımına eşittir.

Örnek olarak, A ve B matrislerinin tekil determinantları burada gösterilmiştir:

Determinantlar transpoz altında değişmezdir

Örneğin, A matrisi ile AT'nin determinantı aynıdır (-9).

Determinant Hesaplama Yöntemleri

Bir kare matrisin determinantını hesaplamak için Leibniz formülü, Laplace açılımı ve Gauss elemesi gibi farklı yöntemler vardır. Yöntem seçimi, matrisin boyutuna ve hesaplama maliyetlerine bağlıdır. Bu yöntemlerin bazılarını aşağıda açıklıyoruz:

Leibniz formülü

Kare bir matrisin determinantını bulmak için Leibniz formülü, özellikle hesaplamanın tamamen ya da kısmen elle yapıldığı durumlarda küçük matrisler için en uygundur. Bir matrisin determinantını bulmak için Leibniz formülü şöyledir:

Burada Sn, 1,2,…,n sayılarına ait tüm permütasyonların kümesini gösterir ve sgn(σ), permütasyonun işaretidir; permütasyon tek ise +1, çift ise −1'dir. ai,σ terimi A matrisinin bir elemanıdır.

Laplace açılımı

Laplace açılımı daha büyük matrisler için idealdir. Laplace ya da kofaktör açılımında büyük bir matris daha küçük matrislere ayrılır. Ardından, daha küçük bir matrisin determinantını (minör) ve onun kofaktörünü içeren bir şema satırlar ya da sütunlar boyunca tasarlanır ve yinelenir.

Gauss elemesi

Üçgensel bir matrisin determinantı köşegen elemanlarının çarpımı olduğundan, bir matrisi köşegen matrise indirgemek determinantın hesaplanmasını daha verimli kılar. Gauss elemesinde, tam matrisi satır basamaklı ya da üst üçgensel forma indirgemek için bir dizi satır işlemi gerçekleştirilir. Ardından determinant, köşegen elemanların çarpımıyla hesaplanır.

Farklı Boyutlardaki Matrisler İçin Determinant Nasıl Bulunur

Aşağıdaki örneklerde determinantları bulmak için yukarıdaki yöntemlerin her birini farklı boyutlardaki matrislere uygularız.

2x2 bir matrisin determinantı nasıl bulunur

2x2 kare matrisin determinantı hatırlaması ve hesaplaması en kolay olandır. 2x2 A matrisini şöyle gösterirsek: 

O zaman det(A) = (a x d) - (b x c). Örneğin, aşağıdaki B matrisi için:

3x3 bir matrisin determinantı nasıl bulunur

3x3 kare matrisin hesaplanması için bir formül olsa da pedagojik nedenlerle bu örnekte Laplace (kofaktör) açılımını gösteriyoruz. Aşağıdaki A matrisinin determinantını hesaplayacağız:

4x4 bir matrisin determinantı nasıl bulunur

Şimdi aşağıdaki 4 x 4 A matrisinin determinantını hesaplamak için Gauss elemesi yöntemini gösterelim:

Bu matrisi satır işlemleri yaparak üst üçgensel bir matrise dönüştüreceğiz.

Elde ederiz:

Bir satır işlemi daha:

Şunu elde ederiz: 

Ve determinant, köşegen elemanlarının çarpımıdır:

Geometrik ve Cebirsel Anlamı

Yukarıda tanımladığımız gibi, determinant kare bir matrisi reel bir sayıya eşleyen bir fonksiyondur.

Geometride, bir karenin iki kenarı vardır ve bunların çarpımı alanı verir. Üç kenar olduğunda ise hacim elde edilir. 2 x 2 bir matrisin determinantının (mutlak değeri), matrisin iki sütununun (yön vektörleri olarak) oluşturduğu bir paralelkenarın alanı olarak; 3 x 3 bir matrisin işaretli determinantı ise bir paralelyüzeyin (üç boyutlu katı) hacmi olarak yorumlanabilir.

Görsel dönüşümlerde, örneğin bir görüntüyü esnetme veya sıkıştırmada, dönüştürülmüş görüntünün determinantı, dönüşümden sonra özgün görüntünün (matrisin) alanının değişip değişmediğini (Cavalieri ilkesine göre) gösterirken, özdeğerler alan değişip değişmeden görüntünün uzayıp kısalmadığını gösterir.

Determinantlar ayrıca bir matrisin sütunlarının veya satırlarının birbirlerinin lineer birleşimi olup olmadığını (fazlalık) ya da her birinin özgün bilgi taşıyan lineer bağımsız olup olmadığını gösterebilir. Bir matrisin determinantı sıfır değilse, matrisin sütunlarının veya satırlarının lineer bağımsız olduğu sonucuna varırız. Determinant sıfırsa, matrisin sütunlarının (veya satırlarının) lineer bağımlı olduğunu gösterir.

Son olarak, özdeğerleri hesaplamak için karakteristik polinomun formülasyonunda da determinantlar kullanılır.

Python ve R'da Determinant

Determinantları elle hesaplamak, matematiksel becerilerimizi keskinleştirmek ve matematiksel olgunluk geliştirmek için değerli bir öğrenme deneyimidir; ancak eninde sonunda zaman ve enerji kısıtları bizi bir hesap makinesi ya da Python veya R gibi bir programlama dili kullanmaya yönlendirebilir. Hem Python hem de R, bir matrisin determinantını hesaplamak için kütüphane, fonksiyon veya yöntemler sunar. Aşağıdaki kod parçacıklarında, Python ve R kullanarak bir matrisin determinantını nasıl hesaplayacağımızı gösteriyoruz.

Python örneği

Bir matrisin determinantını hesaplamak için iki popüler Python paketi Numpy ve Sympy'dır (Sembolik Python). Aşağıdaki kod parçacığında, Python'da Numpy ve Sympy kütüphanelerini kullanarak determinantın nasıl hesaplanacağını gösteriyoruz.

# Computing determinant using Numpy
import numpy as np
matrix = np.array([[1, 2], [3, 4]])
determinant = np.linalg.det(matrix)
print("Determinant:", determinant)
 
# Computing determinant using Sympy# Import the necessary library
import sympy as sp
matrix = sp.Matrix([[1, 2], [3, 4]])
determinant = matrix.det()
print("Determinant:", determinant)
 Altyapı:

R örneği

R'da bir matrisin determinantını hesaplamak için ek bir kütüphane yüklemeye gerek yoktur. Taban R, aşağıdaki R kod parçacığında gösterildiği gibi bir matrisin determinantını hesaplamak için yerleşik bir fonksiyon sağlar:

matrix <- matrix(c(1, 2, 3, 4), nrow = 2, ncol = 2)
determinant <- det(matrix)
print(paste("Determinant:", determinant))Altyapı:

Determinantların Uygulamaları

Lineer sistemler

Determinantlar, Cramer Kuralı kullanılarak bir lineer denklem sisteminin çözümünde doğrudan kullanılabilir. Cramer kuralına göre, önce denklem sistemindeki bilinmeyenlerin katsayılarından oluşan bir matris kurar ve bunun determinantını hesaplarız. Sonra, her bir bilinmeyen için bir matris oluşturur ve onun determinantını hesaplarız. Yeni matris determinantının ana matrise oranı, bilinmeyenin değeri olacaktır.

Diferansiyel denklemler

Bir diferansiyel denklemin birden fazla çözümü (fonksiyonu) olabilir. Çözümlerin lineer bağımsız (özgün) olduğundan emin olmak için, çözüm fonksiyonları kümesinin determinantı olan Wronskiyen hesaplanır. Sıfırdan farklı bir Wronskiyen, verilen aralıkta fonksiyonların/çözümlerin lineer bağımsız olduğunu gösterir.

Geometri

Geometride, 2 x 2 bir matrisin determinantı bir paralelkenarın alanı, 3 x 3 bir matrisin determinantı ise bir katının (paralelyüzey) hacmi olarak yorumlanabilir.  Çok değişkenli fonksiyon eşlemelerinde determinantlar, Jacobian matrisinin determinantını kullanarak eşlemenin fonksiyonların alanını ya da hacmini etkileyip etkilemediğini anlamamıza yardımcı olabilir.

Akılda Tutulacak Noktalar

Determinantlar makine öğrenimi, istatistik ve bilimsel hesaplamalarda daha dolaylı bir rol oynar. Yine de lineer denklem sistemlerinin, matris tersinin, bilgisayar grafiklerinin ve diferansiyel denklemlerin süreçte determinantları nasıl kullandığını anlamak, onların incelikli önemini ve determinantları anlamaya duyulan gereksinimi aydınlatabilir. Bir dahaki sefere terslenebilir matris hatasıyla karşılaştığınızda, determinantın matrisin biçimi ve lineer bağımsızlığındaki rolünü düşünebilirsiniz.

Sonuç

Umarım determinantın, matris davranışını ve dönüşümleri anlamada neden önemli olduğunu görmüşsünüzdür. R ile Veri Bilimi için Lineer Cebir kursumuz, lineer cebir tekniklerini öğrenmeye devam etmek ve bu teknikleri veri bilimi iş akışlarında uygulamak için harika bir sonraki adımdır.