Lineer Cebir

Amathbf{x} = \mathbf{b}

Lineer Cebir Nedir?

Lineer Cebir, vektörler, matrisler, vektör uzayları ve lineer denklemler gibi matematiksel yapıları inceleyen bir alandır. Geometrik nesneleri ve bu nesneler arasındaki simetrileri cebirsel bir dille ifade etmemizi sağlar.

Bilgisayar bilimlerinden mühendisliğe, fizikten ekonomiye kadar birçok modern bilim dalının temelini oluşturur. Veri bilimi, makine öğrenmesi ve bilgisayar grafikleri gibi alanlarda vazgeçilmez bir araçtır.

💡 Yaklaşım: Lineer cebir, soyut kavramlarla geometrik sezgiyi birleştirir. Bir matrisi sadece sayılardan oluşan bir tablo olarak değil, aynı zamanda bir vektörü döndüren, ölçekleyen veya dönüştüren bir operasyon olarak düşünmek ufkunuzu genişletecektir.
Lineer Cebirin Temel Uygulama Alanları:
  • • Bilgisayar Grafikleri: 3D modellerin döndürülmesi, ölçeklenmesi.
  • • Makine Öğrenmesi: Veri setlerinin analizi, boyut azaltma (PCA).
  • • Kuantum Mekaniği: Kuantum durumlarının vektörlerle temsili.
  • • Ağ Teorisi: Google'ın PageRank algoritması.

Vektörler

Vektör, hem büyüklüğü (şiddeti) hem de yönü olan bir geometrik nesnedir. Genellikle bir ok ile temsil edilir ve sıralı sayılar listesi olarak ifade edilir.

$ \mathbf{v} = \begin{bmatrix} v_1 \\ v_2 \end{bmatrix} \in \mathbb{R}^2 $ (2-boyutlu sütun vektörü)
$ \mathbf{u} = \begin{bmatrix} 3 & -1 & 4 \end{bmatrix} \in \mathbb{R}^3 $ (3-boyutlu satır vektörü)

Temel Vektör İşlemleri:

  • Toplama: $ \begin{bmatrix} a \\ b \end{bmatrix} + \begin{bmatrix} c \\ d \end{bmatrix} = \begin{bmatrix} a+c \\ b+d \end{bmatrix} $
  • Skalerle Çarpma: $ k \cdot \begin{bmatrix} a \\ b \end{bmatrix} = \begin{bmatrix} k \cdot a \\ k \cdot b \end{bmatrix} $
  • Nokta Çarpım (Dot Product): $ \mathbf{v} \cdot \mathbf{u} = v_1 u_1 + v_2 u_2 + \dots + v_n u_n $
Vektörün Normu (Uzunluğu)
Bir $\mathbf{v}$ vektörünün Öklid normu (uzunluğu), $ \| \mathbf{v} \| = \sqrt{v_1^2 + v_2^2 + \dots + v_n^2} $ formülüyle hesaplanır. Bu, Pisagor teoreminin genelleştirilmiş halidir.

Matrisler

Matris, sayıların veya sembollerin satır ve sütunlardan oluşan dikdörtgen bir düzenlemesidir. Lineer cebirde matrisler, lineer dönüşümleri temsil etmek ve lineer denklem sistemlerini çözmek için kullanılır.

$ A = \begin{bmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \end{bmatrix} $ (2x3 boyutlu bir matris)
$ I_3 = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix} $ (3x3 Birim Matris)

Matris Çarpımı: İki matrisin çarpımı, "satır-sütun" kuralına göre yapılır. $A$ matrisinin sütun sayısı, $B$ matrisinin satır sayısına eşit olmalıdır.

$ A = \begin{bmatrix} a & b \\ c & d \end{bmatrix}, B = \begin{bmatrix} e & f \\ g & h \end{bmatrix} \implies AB = \begin{bmatrix} ae+bg & af+bh \\ ce+dg & cf+dh \end{bmatrix} $
Dikkat: Matris çarpımı genellikle değişmeli değildir, yani $AB \neq BA$.

Lineer Denklem Sistemleri

Lineer denklem sistemleri, birden çok lineer denklemin bir araya geldiği sistemlerdir. Bu sistemler matris ve vektörler kullanılarak $A\mathbf{x} = \mathbf{b}$ formunda kompakt bir şekilde ifade edilebilir.

$ 2x + 3y = 7 $
$ x - 4y = -2 $

Yukarıdaki sistemin matris formu:

$ \begin{bmatrix} 2 & 3 \\ 1 & -4 \end{bmatrix} \begin{bmatrix} x \\ y \end{bmatrix} = \begin{bmatrix} 7 \\ -2 \end{bmatrix} $
💡 Çözüm Yöntemleri: Bu tür sistemler Gauss eliminasyonu, Cramer kuralı veya matrisin tersini (inverse) bularak ($ \mathbf{x} = A^{-1}\mathbf{b} $) çözülebilir.

Determinant

Determinant, bir kare matrise atanan özel bir skaler değerdir. Matrisin temsil ettiği lineer dönüşümün "hacmi" ne kadar değiştirdiğini ölçer. $det(A)$ veya $|A|$ ile gösterilir.

$ A = \begin{bmatrix} a & b \\ c & d \end{bmatrix} \implies det(A) = ad - bc $
Determinantın Özellikleri:
  • Eğer $det(A) \neq 0$ ise, matrisin tersi vardır (tekil değildir).
  • Eğer $det(A) = 0$ ise, matrisin tersi yoktur (tekildir).
  • $det(AB) = det(A) \cdot det(B)$
  • Geometrik olarak 2x2 matrisin determinantının mutlak değeri, matrisin sütun vektörlerinin oluşturduğu paralelkenarın alanını verir.

Vektör Uzayları

Vektör uzayı, vektörlerin bulunduğu ve vektör toplama ile skaler çarpma işlemlerinin belirli aksiyomları sağladığı bir kümedir. $\mathbb{R}^2$ ve $\mathbb{R}^3$ en bilinen örnekleridir.

Temel Kavramlar:
  • Lineer Bağımsızlık: Bir vektör setindeki hiçbir vektörün, diğerlerinin lineer kombinasyonu olarak yazılamaması durumudur.
  • Germe (Span): Bir vektör setinin tüm lineer kombinasyonlarının oluşturduğu uzaydır.
  • Taban (Basis): Bir vektör uzayını geren ve lineer bağımsız olan vektör setidir.
  • Boyut (Dimension): Bir vektör uzayının tabanındaki vektör sayısıdır.

Özdeğer ve Özvektörler

Bir $A$ kare matrisi için, $A\mathbf{v} = \lambda\mathbf{v}$ denklemini sağlayan sıfırdan farklı $\mathbf{v}$ vektörüne $A$'nın bir özvektörü, karşılık gelen $\lambda$ skalerine ise bir özdeğeri denir.

Geometrik olarak, bir matrisin özvektörleri, matris dönüşümü uygulandığında yönü değişmeyen (sadece ölçeklenen) vektörlerdir. Özdeğer ise bu ölçeklenme faktörüdür.

$A\mathbf{v} = \lambda\mathbf{v} \iff (A - \lambda I)\mathbf{v} = \mathbf{0}$
Bu denklemin sıfırdan farklı bir $\mathbf{v}$ çözümünün olması için $det(A - \lambda I) = 0$ olmalıdır. Bu denkleme karakteristik denklem denir.
💡 Uygulama: Özdeğerler ve özvektörler, bir sistemin kararlılığını analiz etmede, titreşim modlarını bulmada ve Principal Component Analysis (PCA) gibi veri bilimi tekniklerinde temel bir rol oynar.