MATLAB Lineer Dönüşümler: Kernel, Image ve Subspace’i Görün
Lineer dönüşüm, kernel, image, basis, RREF, rank-nullity, injective ve surjective kavramlarını MATLAB Lab ile geometrik olarak öğrenin.
📅2026-08-28
Harun Büyükçolak, Full Stack Developer
Yazı içeriği
Lineer cebirde bir matrix yalnızca sayı tablosu değildir; vector’ları bir uzaydan diğerine taşıyan dönüşümün koordinat temsilidir. Kernel, image, basis ve rank kavramları bu hareketin neyi yok ettiğini, neyi üretebildiğini açıklar.
Websoftik Academy Linear Transformations & Subspaces Lab, matrix işlemlerini grid deformation, vector mapping ve RREF tablosuyla eşzamanlı gösterir.
1. Lineer Dönüşüm Nedir?
Bir T dönüşümü toplama ve scalar multiplication’ı koruyorsa lineerdir:
T(u+v)=T(u)+T(v) ve T(cu)=cT(u). Bu iki koşul origin’in origin’e gitmesini ve bütün davranışın basis vector’larıyla belirlenmesini sağlar.Rotation, reflection, scaling ve projection lineer örneklerdir. Translation ise origin’i taşıdığı için tek başına lineer değildir; affine transformation olarak sınıflandırılır.
2. Linear Transformations & Subspaces Lab Nasıl Çalışıyor?
Linear Transformations & Subspaces Lab, sekiz Polito uyumlu modülde input/output space, transformed basis, RREF ve dimension sayaçlarını bağlar.
Matrix entry değiştirdiğinizde grid, kernel direction, image basis ve rank–nullity eşitliği birlikte güncellenir. Böylece symbol manipulation ile geometry arasında sürekli bağ kurulur.
3. Matrix Bir Dönüşümü Nasıl Temsil Eder?
Standard basis vector’larının görüntüleri matrix’in column’larıdır. x’in koordinatları bu column’ların hangi katsayılarla birleşeceğini söyler;
T(x)=Ax çarpımı tam olarak bu linear combination’ı hesaplar.2×2 matrix’te ilk column e₁’in, ikinci column e₂’nin yeni konumudur. Lab basis oklarını ve grid çizgilerini boyayarak matrix multiplication’ın geometrik anlamını gösterir.
4. Kernel Nedir?
Kernel veya null space,
Ax=0 sağlayan bütün input vector’larının kümesidir. Kernel yalnızca zero vector içeriyorsa dönüşüm farklı input’ları aynı output’a düşürmez.Projection’da belirli direction’lar sıfıra çöker; kernel bu kaybolan bilgiyi temsil eder. Lab null-space basis’ini input grid üzerinde vurgular ve her vector’ın gerçekten zero’ya gittiğini doğrular.
5. Image ve Range Nedir?
Image, dönüşümün üretebildiği bütün output’ların kümesidir ve matrix column space’ine eşittir. Pivot column’lar image için basis verir; rank bu subspace’in dimension’ıdır.
R³’e giden bir dönüşümün image’i bir plane ise uzayın tamamına erişemez. Lab output space’te reachable bölgeyi renklendirerek column dependence ile geometrik dimension kaybını birleştirir.
6. Basis ve Coordinate Mantığı Nedir?
Bir basis hem linearly independent hem de space’i spanning eden vector kümesidir. Aynı geometric vector farklı basis’lerde farklı coordinate listelerine sahip olur; vector değişmez, onu tarif eden sayılar değişir.
Lab standard ve custom basis’i yan yana gösterir. Coordinate vector’ını basis matrix ile çarptığınızda gerçek geometric vector’a dönüşmesini adım adım izleyebilirsiniz.
7. RREF Ne Gösterir?
Reduced row echelon form, pivot ve free variable yapısını ortaya çıkarır. Pivot column sayısı rank, free variable sayısı nullity’dir. Row operation’lar solution seti korur fakat original column space basis’i için pivot konumlarını original matrix’te seçmek gerekir.
Lab deterministic RREF trace ile swap, scale ve elimination adımlarını kaydeder. Her pivot sonrası kernel equation ve dimension sayaçları güncellenir.
8. Rank–Nullity Teoremi Ne Söyler?
n boyutlu bir domain için
dim(ker T)+rank(T)=n. Input dimension ya image’e taşınır ya kernel içinde kaybolur; toplam daima domain dimension’ına eşittir.Bu eşitlik bir hesap kısayolundan fazlasıdır. Transformation’ın bilgi koruma kapasitesini açıklar. Lab matrix boyutuna göre rank ve nullity barlarını tek bir n toplamında birleştirir.
9. Injective Dönüşüm Nasıl Anlaşılır?
Injective dönüşümde farklı input’lar farklı output’lara gider. Lineer durumda bunun eşdeğer koşulu kernel’in yalnızca zero vector olmasıdır. Matrix’in her column’unda pivot varsa full column rank elde edilir.
Domain dimension codomain’den büyükse injective olmak mümkün değildir. Lab dimension ve pivot sayısını karşılaştırarak sınıflandırmayı equation çözmeden önce tahmin etmenizi ister.
10. Surjective Dönüşüm Nasıl Anlaşılır?
Surjective dönüşüm codomain’deki her vector’a ulaşır. Matrix her row’da pivot taşıyorsa full row rank vardır ve image codomain’in tamamıdır.
Codomain dimension domain’den büyükse surjective olamaz. Square matrix’te injective, surjective ve invertible koşulları birbirine eşdeğerdir; rectangular matrix’te ayrı ayrı kontrol edilir.
11. Basis Değişimi Nasıl Çalışır?
Basis matrix P’nin column’ları yeni basis vector’larıysa yeni coordinate’ten standard coordinate’e geçiş
x=P[x]ᵦ ile yapılır. Ters yönde [x]ᵦ=P⁻¹x kullanılır.Bir transformation’ın farklı basis’teki matrix’i similarity ilişkisiyle elde edilir. Lab üç panelde coordinate, geometric vector ve transformation matrix’i göstererek hangi nesnenin gerçekten değiştiğini ayırır.
12. Projection ve Rotation Ne Öğretir?
Rotation length ve angle’ı korur; orthogonal matrix ile temsil edilir. Orthogonal projection ise belirli subspace’i sabit bırakıp orthogonal complement’i kernel’e gönderir ve
P²=P koşulunu sağlar.Bu yapıların matrix özelliklerini Matrix Operations & Orthogonality rehberinde projection ve orthogonality deneyleriyle derinleştirebilirsiniz.
13. Numerical Rank ve Tolerance Neden Önemli?
Exact arithmetic’te pivot sıfır ya da sıfır değildir. Floating-point computation’da çok küçük singular value’ların zero kabul edilmesi tolerance’a bağlıdır. Bu yüzden numerical rank veri ölçeği ve precision ile birlikte yorumlanmalıdır.
Yakın dependent column’lar RREF kararını hassaslaştırabilir. Lab exact rank ile tolerance-aware numerical rank’ı karşılaştırır; tolerance değişince kernel ve image dimension’ının neden değişebildiğini gösterir.
14. Linear Transformations Lab Nasıl Çalışılmalı?
- Basis vector görüntülerinden matrix’i kurun.
- Grid deformation’dan kernel ve image’i tahmin edin.
- RREF trace ile pivot ve free variable’ları bulun.
- Rank–nullity eşitliğini dimension sayaçlarıyla doğrulayın.
- Injective ve surjective sınıflandırmasını test edin.
- Basis değişimi ve numerical tolerance deneylerini tamamlayın.
Linear Transformations & Subspaces Lab’i açın ve matrix’i bir hareket olarak okuyun. Sonraki spektral adım için Eigenvalues & SVD rehberine geçin.
Sonraki Adim: Bunlari da Oku
Bu yaziyi tamamladiysan, bir sonraki seviyeye gecmek icin su iceriklerle devam etmeni oneririz:
Ucretsiz Seviye Analizi ile Baslayalim
Mevcut seviyenizi hizlica analiz edip size en uygun ders planini birlikte cikaralim.
