maths.free › Linear Algebra › Determinants

Determinants

2×2 by ad − bc, larger by cofactor expansion, and what the number means.

The determinant of a matrix is the factor by which it scales area (2×2) or volume (3×3), with a sign for orientation. A zero determinant means the matrix squashes space flat and cannot be inverted. The 3D view draws the column vectors and the box they span.

Voorbeeld van werk · det [[1,2],[3,4]]

Linear-Algebra · Determinants

Det [[1,2],[3,4]]

\left[\begin{matrix}1 & 2\\3 & 4\end{matrix}\right]

Stap voor stap

  1. \det\left[\begin{matrix}1 & 2\\3 & 4\end{matrix}\right]

    Determinant of a 2×2 matrix.

  2. = (1)(4) - (2)(3)

    For 2×2: ad − bc.

  3. \det A = -2

    Result.

Onthul het antwoord
\det A = -2

Nu jij. Kies een probleem, type of teken je eigen. Elke stap, een foto, het antwoord verborgen totdat je het vraagt.

Blijf jezelf aan het werk

Een gratis account voegt notities toe bij elke les, een record van wat je klaar bent, je problemen opgelost op één plaats, en een leraar die je kunt vragen over deze pagina. De wiskunde zelf is open voor iedereen, ingelogd of niet.

Aanmelden Aanmelden

Hier gebruikte symbolen

Tik op elk symbool voor de volledige definitie, een afbeelding en wat elke letter erin betekent.

Hoe: Determinants

  1. Determinant of a 2×2 matrix.
  2. For 2×2: ad − bc.
  3. Result.

Vragen die mensen stellen

What does a determinant mean geometrically?

It is the factor by which the matrix scales area (2×2) or volume (3×3), with a negative sign if orientation flips. Zero means the matrix flattens space and cannot be undone.

What is an eigenvector?

A direction the matrix does not turn: it only stretches it by the eigenvalue. Along eigenvectors a complicated matrix acts like multiplication by a number.

Why is matrix multiplication not commutative?

Because a matrix is a transformation and AB means "do B, then A". Rotating then reflecting is not the same as reflecting then rotating.

Meer in Linear Algebra

Matrix inverseEigenvalues and eigenvectorsMatrix multiplicationRow reductionVector spaces, span and linear independenceOrthogonality, projections and least squaresDiagonalisation and matrix powersLinear transformations and change of basis