MATLAB Lineer Sistemler: LU, QR ve Condition Number’ı Görün

MATLAB ile lineer denklem çözmek çoğu zaman x = A\b kadar kısa görünür. Fakat güvenilir bir sonuç için matrix structure, pivoting, factorization, residual ve condition number birlikte değerlendirilmelidir. Solver’ın verdiği sayı ile problemin gerçekten iyi çözülmüş olması aynı şey değildir.

Websoftik Academy Linear Systems & Conditioning Lab; Gaussian elimination, PALU, QR, Cholesky, least squares ve conditioning süreçlerini factor, geometry, residual ve forward error üzerinden görünür kılar.

Bir lineer sistem Ax=b biçiminde yazılır. A coefficient matrix, x bilinmeyen vector, b ise right-hand side’dır. Square ve nonsingular A için tek çözüm vardır; rank koşulları bozulduğunda çözüm olmayabilir veya sonsuz sayıda çözüm oluşabilir.

Problem yalnızca çözümü bulmak değildir. Input küçük ölçüde değiştiğinde çözümün ne kadar değiştiği de bilinmelidir. Numerical linear algebra, exact formülden çok finite precision ortamında güvenilir ve verimli hesaplamaya odaklanır.

Linear Systems & Conditioning Lab, sekiz modülde elimination matrix’lerini, permutation’ı, triangular factor’ları, projection geometry’yi ve error sinyallerini aynı problem üzerinde bağlar.

Her trace; aktif pivot, yapılan row operation, factor’ın değişen bölgesi, residual norm ve tahmini sensitivity değerini gösterir. Böylece A\b arkasındaki solver kararını yorumlayabilirsiniz.

Row view’de her equation bir hyperplane tanımlar ve çözüm bu yüzeylerin ortak kesişimidir. Column view’de ise x coefficient’ları, A’nın column’larının b’yi üreten linear combination’ını belirler.

Rank deficiency durumunda column’lar bütün target space’i kapsamayabilir. b column space dışında kalırsa exact çözüm yoktur. Lab row ve column yorumlarını senkronize ederek algebraic rank koşullarını görsel sonuca bağlar.

Gaussian elimination, pivot altındaki elemanları sıfırlayarak A’yı upper triangular yapıya dönüştürür. Ardından back substitution ile bilinmeyenler sondan başa çözülür. Dense n×n problem için factorization maliyeti yaklaşık O(n³)’tür.

Sıfır veya çok küçük pivot division’ı imkânsız ya da kararsız kılabilir. Partial pivoting, aktif column’daki büyük magnitude’lu öğeyi pivot konumuna taşır. Row swap işlemleri permutation matrix P içinde kaydedilir.

Pivoting kullanan elimination genellikle PA=LU olarak ifade edilir. P row permutation’ları, L elimination multiplier’larını, U ise upper triangular sonucu tutar. Aynı A için farklı b vector’ları çözülecekse factor’lar bir kez hesaplanıp tekrar kullanılabilir.

Lab her elimination adımında L’ye yazılan multiplier ile U’daki row update’i eşleştirir. Son kontrolde norm(PA-LU) factorization residual’ı ölçülür; matrix’leri görsel olarak benzetmek doğrulama için yeterli değildir.

PALU sonrasında önce Ly=Pb forward substitution, ardından Ux=y back substitution ile çözülür. Triangular solve maliyeti O(n²)’dir; pahalı factorization tekrar edilmediği için çoklu right-hand side problemlerinde büyük kazanç sağlanır.

Her unknown, daha önce hesaplanan değerleri kullanır. Lab dependency yönünü triangular matrix üzerinde oklarla gösterir ve zero diagonal gibi geçersiz durumları daha division yapılmadan işaretler.

QR factorization A=QR biçimindedir; Q orthonormal column’lara, R upper triangular yapıya sahiptir. Square sistemlerde çözüm Rx=Qᵀb olarak yazılır. Orthogonal transformation’lar norm’u koruduğu için numerical stability açısından değerlidir.

QR özellikle least squares ve overdetermined sistemler için temel araçtır. Householder reflections pratikte klasik Gram–Schmidt’e göre daha stabil bir construction sunar. Orthogonality temelini Matrix Operations rehberinde inceleyebilirsiniz.

A symmetric positive definite ise A=LLᵀ Cholesky factorization kullanılabilir. Symmetry’den yararlandığı için general LU’ya göre yaklaşık yarı storage ve daha az arithmetic operation ister.

Cholesky’nin çalışması için yalnızca symmetric görünmek yetmez; bütün eigenvalue’ların positive olması gerekir. Lab quadratic form ve leading principal minor sinyalleriyle positive definiteness koşulunu test eder, başarısız pivot’u açıkça gösterir.

Overdetermined Ax≈b sisteminde çoğunlukla exact çözüm yoktur. Least squares, residual norm’u ||b-Ax||₂ en küçük yapan x’i bulur. Geometrik olarak Ax, b’nin column space üzerine orthogonal projection’ıdır.

Normal equations AᵀAx=Aᵀb teorik bağlantıyı gösterir; fakat condition number’ı yaklaşık karesine çıkarabilir. QR veya problem yapısına göre SVD daha güvenilir çözüm sunar. Lab üç yöntemin residual ve forward error sonuçlarını aynı input üzerinde karşılaştırır.

Residual r=b-Ax̂, hesaplanan çözümün equation’ı ne kadar iyi sağladığını ölçer. Forward error x̂-x ise hesaplanan çözümün gerçek çözüme uzaklığıdır. Gerçek x çoğu pratik problemde bilinmediği için error doğrudan hesaplanamaz.

Küçük residual her zaman küçük forward error garanti etmez. Ill-conditioned sistemde A, farklı x vector’larını birbirine çok yakın b sonuçlarına taşıyabilir. Bu yüzden residual, condition number ile birlikte yorumlanmalıdır.

2-norm condition number, nonsingular A için en büyük singular value’nun en küçüğe oranıdır. Değer 1’e yakınsa problem iyi conditioned; çok büyükse input perturbation’ları çözümde büyüyebilir. cond(A) problemi, solver’dan bağımsız olarak ölçer.

Condition number yaklaşık kaç digit güven kaybı yaşanabileceğine dair sinyal verir. Bu bir hata değeri değil, worst-case sensitivity bound’dur. Lab küçük bir b perturbation’ının solution vector üzerindeki gerçek amplification’ını condition bound ile yan yana gösterir.

Matematiksel olarak x=A⁻¹b doğrudur; numerical computation’da explicit inverse oluşturmak gereksiz işlem ve storage üretir. MATLAB’da A\b, matrix structure’a göre uygun factorization ve solver’ı seçer.

Inverse’e gerçekten tüm elemanlarıyla ihtiyaç duyulan özel durumlar ayrıdır. Yalnızca sistemi çözmek için inv(A)*b kullanmak yerine backslash operator tercih edilmelidir. Lab iki yaklaşımın operation count ve residual sonuçlarını karşılaştırır.

Solver seçmeden önce size, symmetry, sparsity, rank ve conditioning sinyallerini kontrol edin. MATLAB backslash çoğunu otomatik yönetir; fakat raporlama ve sınav sorularında seçimin nedenini açıklamak gerekir.

Linear Systems & Conditioning Lab’i açın ve çözümle birlikte güven sinyalini de takip edin. Rank ve conditioning’in spektral kaynağını görmek için Eigenvalues & SVD rehberine geçin.