hatırlatma Determinant Bir kare matrisin tersinir olup olmadığına dair bilgi veriyor n- boyutlu uzayda matrisin satırlarından oluşmuş bir paralel kenarın hacmine ait bilgi veriyor Pivotlara ilişkin bağıntılar veriyor Determinant hesaplamanın yolları A tersinir ise A P 1 LDU ve det A det P 1 det L det D det U pi Bu yaklaşımı onuncu kuralda elde ettik pivots i Determinant hesaplamanın bir başka yolunu birinci kuraldan yararlanarak elde edeceğiz: a b a 0 0 b det det det c d c d c d 0 0 a 0 a 0 0 b 0 b det det det det c 0 0 d c 0 0 d hatırlatma Özellik 10: det A det A T Bunlar için ne diyeceğiz? PA LDU det P det A det L det D det U Ortak özellikleri ne? AT PT U T DT LT det AT det PT det U T det DT det LT Neden? Bir de P ve PT ‘ye bakalım det P 1 veya det P 1 det P det P 1 T Sonuç: det A det A T veya Hepsinin determinantı 1’e eşit ayrıca PP I T det P det PT 1 hatırlatma Özellik 1:Determinant birinci satıra lineer bağımlıdır Üç matris oluşturalım öyle ki ilk satırları farklı diğer satırları aynı olsun: kaˆ kbˆ a kaˆ b kbˆ a b B A C d c d c c d Şimdi neyi göstereceğiz? ? det C det A det B √ (a kaˆ)(d ) (c)(b kbˆ)(a)(d ) (b)(c) (kaˆ)(d ) (c)(kbˆ ? 3X3’lük matris için: a11 a12 det a21 a22 a31 a32 a13 a11 a23 det a22 a33 det a21 a32 a12 det a21 a12 det a 23 a31 a33 a13 a11 det a 23 a32 a13 det a 22 a31 a33 Biraz daha basitleştirelim… 1 1 det A a11a22a33 det 1 a12a23a31 det 1 1 1 1 1 a a a det a13a32a21 det 1 1 11 23 32 1 1 1 1 a a a det 1 a12a21a33 det 1 13 22 31 1 1 Permutasyon matrislerinin determinantları -1 veya 1 olacak Yer değiştiren satır sayısı tek ise -1, çift ise 1 det A a1 a2 ....an det P , ,..., Determinant hesaplamanın bir başka yolu… det A ai1 Ai1 ai 2 Ai 2 .... ain Ain kofaktör Aij 1 i j det M ij A matrisinin i. satırı ve j. sütunu çıkarılarak elde edilen matris Nerede işimize yarayacak? A’nın tersini hesaplamada…. det A ai1 Ai1 ai 2 Ai 2 .... ain Ain A’nın determinantını tüm satırlardan yararlanarak defalarca hesaplasak a11 a 21 . . . an1 a12 .... a22 .... . . . . . . an 2 .... det A det A a1n A11 a2 n A21 . . . . . . ann An1 A12 .... A22 .... . . . . . . An 2 .... det A A1n A2 n . . . Ann AAkofaktör det AI 1 A Akofaktör det A 1 Ax b‘nin çözümünü bulmada…. 1 x A b Akofaktörb det A 1 Bunu biraz farklı ifade etmenin bir yolu: Cramer Kuralı a11 . det B j xj , Bj . det A . an1 a12 ... b1 . ... . . ... . . ... . an 2 ... bn ... a1n ... . ... . ... . ... ann j. sütun İki küçük örnek a b A c d A matrislerinin tersini hesaplayınız. 2 3 4 A 0 4 2 1 1 5 x1 3 x2 0 Denklem takımının çözümünü Cramer kuralından yararlanarak 2 x1 4 x2 6 bulunuz Özdeğerler ve özvektörler Bir skaler Ax x Bir matris A :R R n Bir vektör x R n n Lineer bir dönüşüm ve x , A için özel bir skaler ve vektör Özdeğer ve özvektör Bu özel skaler ve vektör neden önemli? Çok karşılaşacağınız bir problem ile işe başlayalım İlk değer problemi dx1 a11 x1 a12 x2 dt dx2 a21 x1 a22 x2 dt x1 (0) x10 , x2 (0) x20 x1 a11 a12 x1 x10 , x a 2 21 a22 x2 x20 x Ax , x0 İddia: Bu denklem takımının çözümleri x1 (t ) et xˆ1 x2 (t ) et xˆ2 Bu iddianın doğru olduğunu göstermem gerek: et xˆ1 a11et xˆ1 a12et xˆ2 et xˆ2 a21et xˆ1 a22et xˆ2 x(t ) Ax(t ) Bunu daha önce de görmüştük özdeğer özvektör Ax x ‘in çözümünü arayacağız ( A I ) x 0 Bu ifadeye bakarak λ ve x için ne diyebilirsiniz? x N ( A I ) λ öyle seçilmeli ki N ( A I ) sıfırdan farklı olsun. λ’ yı bulmak için bir yol önerebilir misiniz? Determinant hesaplamayı da biliyorsunuz… det( A I ) 0 kökleri A’nın özdeğerleridir Karakteristik çok terimli Özdeğer ve özvektörü belirlemek için hangi adımları atacağız A I veyaI A‘nın determinantını hesaplayacağız, özdeğerler det( A I ) 0 Her özdeğer için çok terimlisinin köklerini belirleyeceğiz, A I x 0 lineer denklem takımının çözümlerini bulacağız. özvektörler Sizce özdeğerleri bulmak kolay mı? Çok terimlinin köklerini analitik olarak bulmanın yolları hakkında ne biliyorsunuz? Çok terimlinin köklerini yaklaşık olarak bulmanın yolları hakkında ne biliyorsunuz? Kolaylık sağlayacak bazı özel durumlar var mı? A matrisi köşegen ise….. A matrisi izdüşüm matrisi ise….. A matrisi üçgen ise….. Özdeğerlere ilişkin iki sınama…. 1 2 ... n a11 a22 ... ann det A 12 ...n Özdeğerleri değiştirmeden matris nasıl köşegenleştirilir? A, nxn boyutunda, n tane lineer bağımsız özvektörü olan bir matris olsun S sütunları özvektörler olan matris olmak üzere: 1 2 1 S AS . . . n AS Ax1 x2 ... xn 1 x1 2 x2 ... n xn x1 AS S x2 S 1 AS A S S 1 1 2 ... xn . . . n Bazı sonuçlar: n farklı özdeğeri olan nxn boyutlu her matris köşegenleştirilebilir. Köşegenleştirmeyi sağlayan S matrisi tek değildir Köşegenleştirilemeyenler için bir çare yok mu? Jordan kanonik form elde edilir 1 2 2 3 1 3 . . . k J1 J2 . . . J k Sonuçlara devam…. Köşegenleştirme özvektörlerle ilişkili Tersinir olma özvektörlerle ilişkili k A ‘nın özdeğerleri A ‘nın özdeğerlerinin k katıdır ve aynı özvektörlere sahiptir. k 1 k S A S A ve B köşegenleştirilebilir olsun, AB=BA ise aynı özvektör matsisi S’e sahiptirler. Fark denklemleri 0,1,1,2,3,5,8,13,…. Bu diziye ilişkin genel kuralı ifade edelim Fk 2 Fk 1 Fk Pisa’lı Leonardo Fibonacci (1175-1250) Liber Abacis Bu kuralı bir daha daha farklı şekilde yazalım: Önce yeni bir değişken tanımlayalım: Fk 1 uk ˆ F k Fk 2 Fk 1 Fk uk 1 F F k 1 k 1 1 1 Fk 1 F 1 0 k 1 1 uk 1 0 Bu denklem uk 1 Auk sizin için ne ifade ediyor? Bu fark denkleminin çözümünü nasıl buluruz? u1 Au0 u2 Au1 A( Au0 ) A u0 2 u3 Au2 A( A u0 ) A u0 2 3 ● ● ● n 1 un Aun 1 A( A u0 ) A u0 n n A ‘i hesaplamanın kolay bir yolu var mı? Köşegenleştirirsek işler kolaylaşır A S S S’sütunları için ne diyebilirsiniz 1 un Anu0 SS 1 SS 1 ... SS 1 u0 Sn S 1u0 1 ... xk n u n S c x1 n . c11n x1 c2 n2 x2 ... ck nk xk . c1 . . . n k ck Ne işe yarıyorlar? c Artık Fibonacci için bir çözüm yazabiliriz …. uk 1 Auk 1 1 A 1 0 İlk koşullara da ihtiyacımız var 1 u0 0