Matriisin jälki -laskuri
Valitse matriisin koko, syötä alkiot ruudukkoon ja lue jälki oikealta. Vain päälävistäjän alkioilla (a₁₁, a₂₂, a₃₃) on merkitystä. Desimaaleissa voit käyttää pilkkua tai pistettä.
Laske neliömatriisin jälki eli päälävistäjän alkioiden summa – syötä matriisin alkiot, niin saat tuloksen heti.
Valitse matriisin koko, syötä alkiot ruudukkoon ja lue jälki oikealta. Vain päälävistäjän alkioilla (a₁₁, a₂₂, a₃₃) on merkitystä. Desimaaleissa voit käyttää pilkkua tai pistettä.
Tällä laskurilla lasket neliömatriisin jäljen eli trace-arvon. Jälki on yksinkertainen mutta tärkeä lineaarialgebran suure: se on matriisin päälävistäjän alkioiden summa. Syötä 2×2- tai 3×3-matriisin alkiot ruudukkoon, niin näet jäljen heti yhdessä käytettyjen lävistäjäalkioiden kanssa.
Neliömatriisin jälki (trace) on sen päälävistäjän alkioiden summa. Päälävistäjä kulkee matriisin vasemmasta yläkulmasta oikeaan alakulmaan ja koostuu alkioista, joiden rivi- ja sarakeindeksi ovat samat:
tr(A) = a₁₁ + a₂₂ + … + aₙₙ
Jälki on yksittäinen luku, ja se on määritelty ainoastaan neliömatriiseille. Lävistäjän ulkopuoliset alkiot eivät vaikuta jäljen arvoon.
Jäljen laskeminen on suoraviivaista: poimitaan päälävistäjän alkiot ja lasketaan ne yhteen. 2×2-matriisille jälki on a₁₁ + a₂₂ ja 3×3-matriisille a₁₁ + a₂₂ + a₃₃. Mitään muita laskutoimituksia ei tarvita, joten jälki on yksi nopeimmin laskettavista matriisin tunnusluvuista.
Lasketaan matriisin [[1, 2, 3], [4, 5, 6], [7, 8, 9]] jälki.
Matriisin jälki on siis tr(A) = 15. Huomaa, että lukuja kuten 2, 3, 4, 6, 7 ja 8 ei käytetä lainkaan, koska ne eivät ole päälävistäjällä.
Yksi jäljen tärkeimmistä ominaisuuksista on sen yhteys ominaisarvoihin. Neliömatriisin jälki on yhtä suuri kuin sen ominaisarvojen summa:
tr(A) = λ₁ + λ₂ + … + λₙ
Vastaavasti matriisin determinantti on ominaisarvojen tulo. Nämä kaksi tunnuslukua näkyvät myös karakteristisessa polynomissa: 2×2-matriisille karakteristinen yhtälö on λ² − tr(A)·λ + det(A) = 0, jossa jälki esiintyy ensimmäisen asteen termin kertoimena.
Jälkeä hyödynnetään muun muassa ominaisarvojen ja karakteristisen polynomin laskennassa, matriisin invarianttien tutkimisessa sekä fysiikassa ja tilastotieteessä. Esimerkiksi kovarianssimatriisin jälki kuvaa kokonaisvaihtelua, ja kvanttimekaniikassa jälki liittyy odotusarvoihin. Yksinkertaisuudestaan huolimatta jälki on siis hyödyllinen ja usein toistuva työkalu.