Lineer Cebir Rehberi: Vektörler, Matrisler ve Dönüşümler

Vektör uzayı, lineer birleşim ve boyut nasıl bağlanır?

Bir vektör uzayı, vektör adı verilen elemanların toplandığı ve skalerlerle çarpıldığı; bu işlemlerin kapanışının yanı sıra ilgili vektör uzayı aksiyomlarını sağladığı bir yapıdır. Skalerlerin gerçek sayılar olduğu durumda ℝⁿ temel örnektir. Örneğin ℝ² içindeki (2, -1) ve (0, 3) vektörleri toplanabilir; bir gerçek sayıyla çarpılabilir.

Bir vektörün diğer vektörlerden üretilebilmesi lineer birleşim kavramıyla açıklanır. v₁, v₂, ..., vₖ vektörlerinin a₁v₁ + a₂v₂ + ... + aₖvₖ biçimindeki ifadelerine bu vektörlerin lineer birleşimi denir. Katsayılar seçilerek bir uzayın bütün elemanları üretilebiliyorsa, bu vektörler uzayı gerer.

Bir kümenin lineer bağımsız olması için c₁v₁ + c₂v₂ + ... + cₖvₖ = 0 eşitliğinin tek çözümünün bütün katsayıların sıfır olması gerekir. Sıfırdan farklı katsayılarla da eşitlik sağlanabiliyorsa küme lineer bağımlıdır. Bu testin yorumu önemlidir: Bağımsızlık, vektörlerin yeni yönler taşıdığını; bağımlılık ise en az bir vektörün diğerlerinden üretilebildiğini gösterir.

Bir taban, hem lineer bağımsız olan hem de uzayı geren vektör kümesidir. Tabanın eleman sayısı boyuttur. Örneğin ℝ² için standart taban (1, 0) ve (0, 1) vektörlerinden oluşur; dolayısıyla ℝ²'nin boyutu 2'dir. Başka bir taban seçilse bile sonlu boyutlu aynı uzayda taban elemanı sayısı değişmez. Bu ayrım, koordinatların tabana göre değişebileceğini fakat boyut bilgisinin değişmediğini anlatır.

Matris çarpımı bir hesap değil, dönüşümlerin bileşimidir

m × n boyutlu bir matris, m satır ve n sütundan oluşur. A matrisi n bileşenli bir x vektörüyle çarpıldığında m bileşenli bir sonuç üretir. Bu nedenle A, uygun boyutlarda ℝⁿ'den ℝᵐ'ye bir doğrusal dönüşümü temsil eder.

Matris çarpımında boyut koşulu zorunludur: A, m × n; B, n × p ise AB tanımlıdır ve sonuç m × p boyutundadır. Elemanlar şu şekilde bulunur: $(AB)_{ij}=\sum_{k=1}^{n}a_{ik}b_{kj}$. Satır-sütun eşleştirmesi yapılır; aynı konumdaki elemanların doğrudan çarpılıp toplanması yeterli değildir.

Matris çarpımı genel olarak değişmeli değildir. Yani AB tanımlı olsa bile BA tanımlı olmayabilir veya tanımlı olsa da AB'ye eşit olmayabilir. Bunun geometrik yorumu, önce B'nin sonra A'nın uygulanmasıyla önce A'nın sonra B'nin uygulanmasının genellikle aynı sonucu vermemesidir.

Bir matrisin sütunları, dönüşümün standart taban vektörlerine verdiği görüntülerle ilişkilidir. Bu nedenle sütun uzayı, dönüşümün üretebildiği çıktı yönlerini; satır uzayı ise denklemlerdeki bağımsız kısıtları anlamada kullanılır. Kare olmayan matrisler için determinant tanımlanmaz; fakat rank ve doğrusal dönüşüm yorumu yine geçerlidir.

Ax = b sisteminde rank çözüm sayısını nasıl belirler?

Bir doğrusal denklem sistemi $Ax=b$ biçiminde yazılır. Burada A, katsayı matrisi; x, bilinmeyenler vektörü; b ise sonuç vektörüdür. Sistemi çözmek, A'nın sütunlarının uygun katsayılarla b vektörünü üretip üretemediğini araştırmaktır.

Gauss eleminasyonunda genişletilmiş matris $[A|b]$ oluşturulur ve satır işlemleriyle basamaklı biçime getirilir. Satır değiştirme, bir satırı sıfır olmayan sayıyla çarpma ve bir satıra başka bir satırın katını ekleme çözüm kümesini değiştirmeden sistemi sadeleştirir.

Rank, satır indirgeme sonrasında elde edilen pivotların veya sıfır olmayan satırların sayısıdır. Kare matrislerde rank, bağımsız satır ve sütun sayısıyla aynıdır. Ancak çözüm sayısını yorumlamak için yalnızca rank(A) değil, genişletilmiş matrisin rankı da karşılaştırılmalıdır:

• $rank(A)=rank([A|b])=n$ ise, n bilinmeyenli sistemin tek çözümü vardır.
• $rank(A)=rank([A|b])<n$ ise, sistem tutarlıdır ve serbest değişkenler nedeniyle sonsuz çözüm vardır.
• $rank(A)<rank([A|b])$ ise, sistem tutarsızdır; çözüm yoktur.

Buradaki n, bilinmeyen sayısıdır. Örneğin satır indirgeme sonucunda $[0\ 0\ 0|5]$ satırı çıkarsa, bu $0=5$ çelişkisini gösterir ve çözüm yoktur. Buna karşılık $[0\ 0\ 0|0]$ satırı yeni bir kısıt getirmez; serbest değişken bulunup bulunmadığına bakılır.

Rank-nullity bağıntısı, n sütunlu bir matris için $rank(A)+nullity(A)=n$ biçimindedir. Nullity, $Ax=0$ homojen sisteminin çözüm uzayının boyutudur. Bu yüzden rank bağımsız çıktı yönlerini, nullity ise sıfıra gönderilen bağımsız girdi yönlerini tamamlar.

Determinant, ters matris ve özdeğer aynı şeyi söylemez

Determinant yalnızca kare matrisler için tanımlanır. 2 × 2 boyutlu $A=\begin{bmatrix}a&b\\c&d\end{bmatrix}$ matrisi için $det(A)=ad-bc$'dir. Determinantın sıfırdan farklı olması, kare matrisin tersinin bulunduğunu ve sütunlarının lineer bağımsız olduğunu gösterir. Determinant sıfırsa matris tekil olur; dönüşüm uzayın boyutunu kaybettiren bir sıkıştırma içerir ve ters matris bulunmaz.

Bu karar kuralı yalnızca kare matrisler için kullanılmalıdır. Dikdörtgen bir matrisin determinantı yoktur; böyle bir matrisin rankı, çekirdeği veya doğrusal dönüşüm olarak etkisi yine incelenebilir.

$A^{-1}$ mevcutsa $Ax=b$ sistemi $x=A^{-1}b$ biçiminde yazılabilir. Ancak bu ifade, özellikle büyük sistemlerde pratik çözüm yöntemi olmak zorunda değildir; Gauss eleminasyonu doğrudan çözüm için kullanılabilir. Ayrıca determinantın sıfırdan farklı olması tek başına çözümün sayısal olarak kararlı olduğu anlamına gelmez; burada yalnızca terslenebilirlik kararı verilir.

Özdeğer problemi ise $Av=\lambda v$ eşitliğini sağlayan sıfırdan farklı vektörleri arar. Özdeğerler, seçilen skaler cisimde $det(A-\lambda I)=0$ denkleminin o cisimdeki kökleridir. Gerçek uzaylarda yalnızca gerçek kökler, karmaşıklaştırılmış uzaylarda karmaşık kökler dikkate alınır. Özvektör, bulunan λ değeri yerine konarak $(A-\lambda I)v=0$ homojen sisteminin sıfırdan farklı çözümleriyle bulunur. Determinant terslenebilirlik hakkında genel bir karar verirken özdeğerler belirli yönlerdeki ölçekleme davranışını gösterir; bu nedenle iki kavram eş anlamlı değildir.

Çözümlü örnekler: bağımsızlık ve denklem sistemi

Örnek 1 — Verilenler: $v_1=(1,2)$ ve $v_2=(2,4)$. Bu iki vektörün lineer bağımsız olup olmadığı sorulsun.

Çözüm adımları:

1. İkinci vektörün birincinin katı olup olmadığını kontrol edelim: $v_2=2v_1$.
2. Bir vektör diğerinin skaler katı olduğundan, sıfırdan farklı katsayılarla $2v_1-v_2=0$ yazılabilir.
3. Bu, bağımsızlık koşulunun bozulduğunu gösterir.

Sonuç: $\{v_1,v_2\}$ lineer bağımlıdır. Geometrik olarak iki vektör aynı doğru üzerindedir ve ℝ²'de iki bağımsız yön oluşturmazlar. Bu iki vektörü sütun yapan 2 × 2 matrisin determinantı da $1\cdot4-2\cdot2=0$ olur.

Örnek 2 — Verilenler: $\begin{cases}x+y=5\\2x-y=1\end{cases}$

Çözüm adımları:

1. Genişletilmiş matrisi yazalım: $\left[\begin{array}{cc|c}1&1&5\\2&-1&1\end{array}\right]$.
2. İkinci satırdan birinci satırın iki katını çıkaralım: $R_2\leftarrow R_2-2R_1$.
3. Yeni ikinci satır $[0\ -3| -9]$ olur; buradan $-3y=-9$, yani $y=3$ bulunur.
4. İlk denklemde yerine koyalım: $x+3=5$, dolayısıyla $x=2$.
5. Katsayı matrisinin determinantı $1\cdot(-1)-1\cdot2=-3$ olduğundan sıfır değildir; bu da tek çözüm bulunduğunu doğrular.

Sonuç: $x=2$, $y=3$. Bu örnekte pivot sayısı 2, bilinmeyen sayısı 2 ve genişletilmiş matrisin rankı da 2'dir; dolayısıyla sistem tek çözümlüdür.

Sık yapılan hatalar ve karıştırılan kavramlar

1. Her matrisin determinantını almaya çalışmak: Determinant yalnızca kare matrislerde tanımlıdır. 2 × 3 bir matris için determinant yerine rank, sütun uzayı veya dönüşümün boyutları incelenmelidir.

2. Rankı satır sayısıyla eşitlemek: Rank, satır sayısı değil bağımsız satır veya sütun sayısıdır. Sıfır satırlar ya da birbirinin katı olan satırlar rankı artırmaz.

3. $rank(A)=rank([A|b])$ sonucunu otomatik olarak tek çözüm sanmak: Bu eşitlik yalnızca sistemin tutarlı olduğunu gösterir. Rank bilinmeyen sayısından küçükse sonsuz çözüm olabilir; tek çözüm için ortak rankın n olması gerekir.

4. Matris çarpımını eleman eleman yapmak: $AB$, karşılıklı elemanların basit çarpımı değildir. A'nın satırları B'nin sütunlarıyla çarpılıp toplanır ve boyut koşulu sağlanmalıdır.

5. Özvektörü sıfır vektör seçmek: $Av=\lambda v$ eşitliği sıfır vektör için her λ değerinde sağlanabileceğinden, özvektör tanımında $v\neq0$ şartı bulunur.

6. Determinant ile özdeğeri karıştırmak: $det(A)$ tek bir sayıdır ve özellikle terslenebilirlik için kullanılır. Özdeğerler ise $det(A-\lambda I)=0$ denkleminin kökleridir; matrisin belirli yönlerdeki davranışını açıklar.

7. Geometrik yorumu koşulsuz kullanmak: Bir matrisin hacmi ölçekleme yorumu, kare matrisin aynı boyutlu uzay üzerindeki dönüşümü için anlamlıdır. Dikdörtgen matrislerde genel olarak hacim çarpanı olarak tek bir determinanttan söz edilemez.

8. Lineer bağımsızlığı yalnızca görsel olarak değerlendirmek: İki veya üç boyutta çizim yararlı olsa da kesin karar için katsayı denklemi, determinant veya satır indirgeme kullanılmalıdır. Özellikle daha yüksek boyutlarda görsel sezgi tek başına yeterli değildir.