Determinante

O determinante é um número associado a uma matriz quadrada que responde a uma pergunta geométrica: quanto a transformação multiplica volumes, e ela inverte a orientação?

Definição e cálculo

Para $2\times2$ e $3\times3$:

$$\det\begin{pmatrix} a & b \ c & d \end{pmatrix} = ad - bc$$

A definição geral é a expansão de Laplace, recursiva em menores. Ela é inutilizável computacionalmente: custa $O(n!)$ operações. Para $n = 20$ seriam mais de $10^{18}$ operações.

O método correto é fatorar. Como o determinante de uma triangular é o produto da diagonal, e a eliminação gaussiana só troca o sinal (nas trocas de linha) ou preserva o valor (nas combinações), basta:

import numpy as np
sinal, logdet = np.linalg.slogdet(A)   # estável mesmo para n grande
det = sinal * np.exp(logdet)

Custo $O(n^3)$. A variante slogdet existe porque determinantes de matrizes grandes estouram a faixa do ponto flutuante com facilidade — o determinante de uma matriz $100\times100$ com entradas da ordem de 10 já ultrapassa $10^{100}$.

Propriedades

Propriedade	Enunciado
Produto	$\det(AB) = \det(A)\det(B)$
Transposta	$\det(A^T) = \det(A)$
Inversa	$\det(A^{-1}) = 1/\det(A)$
Escalar	$\det(cA) = c^n \det(A)$
Triangular	Produto da diagonal
Troca de linhas	Inverte o sinal
Linha nula ou repetida	$\det = 0$

A propriedade do produto é a mais reveladora: compor transformações multiplica os fatores de volume, exatamente como se espera geometricamente.

Note que $\det(A+B) \ne \det(A) + \det(B)$ — o determinante não é linear na matriz, apesar de ser linear em cada linha separadamente.

Interpretação geométrica

$|\det(A)|$ é o volume da imagem do cubo unitário. O sinal indica orientação: negativo significa que a transformação reflete.

Isso dá utilidade direta em geometria computacional. Para três pontos no plano, o sinal de

$$\det\begin{pmatrix} x_2-x_1 & y_2-y_1 \ x_3-x_1 & y_3-y_1 \end{pmatrix}$$

diz se o terceiro está à esquerda ou à direita da reta pelos dois primeiros. Esse teste de orientação é a primitiva sobre a qual se constroem fecho convexo, triangulação e teste de interseção de segmentos. O módulo do mesmo determinante é o dobro da área do triângulo.

Determinante e singularidade

$$\det(A) = 0 \iff A \text{ não é inversível} \iff \text{as colunas são dependentes}$$

Geometricamente: a transformação achatou o espaço, colapsando pelo menos uma dimensão.

Cuidado numérico: comparar o determinante com zero é um teste ruim de singularidade. Ele depende da escala — multiplicar a matriz por $0{,}1$ multiplica o determinante por $10^{-n}$, sem mudar nada de essencial. O indicador correto é o número de condição ou o menor valor singular.

Regra de Cramer: por que não usar

A regra dá a solução de $Ax=b$ como razão de determinantes:

$$x_i = \frac{\det(A_i)}{\det(A)}$$

com $A_i$ a matriz com a $i$-ésima coluna substituída por $b$.

É elegante e teoricamente útil, mas na prática é ruim em tudo: exige $n+1$ determinantes, é numericamente instável e mais lenta que a eliminação. Use-a para provar teoremas, nunca para calcular.

Autovalores e polinômio característico

$$p(\lambda) = \det(A - \lambda I)$$

As raízes são os autovalores, e daí decorre que o determinante é o produto dos autovalores (assim como o traço é a soma).

Ainda assim, calcular autovalores pelo polinômio característico é numericamente desastroso: as raízes de um polinômio são extremamente sensíveis aos coeficientes. Algoritmos reais usam iteração QR.

Exemplo trabalhado

$$A = \begin{pmatrix} 2 & 1 \ 4 & 3 \end{pmatrix}, \quad \det(A) = 2\cdot3 - 1\cdot4 = 2$$

A matriz dobra áreas e preserva orientação. Como $\det \ne 0$, é inversível:

$$A^{-1} = \frac{1}{2}\begin{pmatrix} 3 & -1 \ -4 & 2 \end{pmatrix}$$

E de fato $\det(A^{-1}) = \frac{1}{2}$, o inverso do determinante original.

Aplicações em computação

Geometria computacional. Testes de orientação, verificação de pontos dentro de circunferência (predicado incircle) na triangulação de Delaunay.

Computação gráfica. O jacobiano de uma parametrização usa determinante; a mudança de variáveis em integração também.

Detecção de degeneração. Em simulação de malhas, um elemento com determinante do jacobiano negativo está invertido — defeito que precisa ser detectado.

Probabilidade. A densidade da distribuição normal multivariada contém $\det(\Sigma)$; na prática usa-se o log-determinante via Cholesky.

Erros comuns

• Expansão de Laplace para $n$ grande. Fatorial é intratável.
• Testar singularidade comparando com zero. Use condicionamento.
• Usar Cramer para resolver sistemas.
• Supor linearidade na soma de matrizes.
• Estouro numérico em determinantes de matrizes grandes; use log-determinante.

Leituras recomendadas

• Strang, capítulo 5 — determinantes com ênfase geométrica.
• Axler — argumenta convincentemente que determinantes devem vir depois de autovalores, não antes.
• Trefethen e Bau, lição 1 — por que o determinante importa pouco em álgebra linear numérica.
• Shewchuk, artigos sobre predicados geométricos robustos — como calcular sinais de determinantes com exatidão garantida.

Gilbert Strang (2016). Introduction to Linear Algebra. Wellesley-Cambridge Press. ISBN 9780980232776. Sheldon Axler (2015). Linear Algebra Done Right. Springer. DOI: 10.1007/978-3-319-11080-6.

Referências

1. Gilbert Strang (2016). Introduction to Linear Algebra. Wellesley-Cambridge Press.
2. Sheldon Axler (2015). Linear Algebra Done Right. Springer.