MATLAB Matris İşlemleri: Rank ve Orthogonality’yi Görün

MATLAB matris işlemleri yalnızca satır ve sütunlardan oluşan tabloları hesaplamak değildir. Matrix multiplication bir dönüşümü, determinant hacim değişimini, rank bağımsız bilgi miktarını, orthogonality ise yönler arasındaki geometrik ilişkiyi anlatır. Formülü geometriyle birleştirmek, lineer cebiri ezberden çıkarır.

Websoftik Academy Matrix Operations & Orthogonality Lab; matrix ve element-wise cebiri, structured matrix’leri, determinant, rank, norm, orthogonality, projection ve sparsity deneylerini aynı çalışma alanında görselleştirir.

MATLAB adı “matrix laboratory” kökeninden gelir ve temel veri modeli array’dir. Lineer sistemler, image processing, optimization, signal analysis ve machine learning problemlerinin çoğu matris biçiminde ifade edilir. Bu nedenle doğru shape ve doğru operator seçimi yalnızca syntax konusu değildir.

Bir işlemi anlamak için üç soruyu birlikte sorun: input dimension’ları nedir, matematiksel işlem neyi temsil eder ve output hangi shape’e sahip olur? Bu yaklaşım, MATLAB’ın en sık görülen dimension ve operator hatalarını daha kod çalışmadan yakalar.

Matrix Operations & Orthogonality Lab, işlemin kaynak matrix hücrelerini, hesaplanan ara değerleri ve geometrik sonucu senkronize gösterir. Matrix viewer’da seçilen satır ve sütun, vector panelinde karşılık gelen yönlerle eşleşir.

Yedi modül ve kaynak uyumlu sınav kontrolleri boyunca yalnızca doğru cevabı değil, determinant veya rank değişiminin nedenini de görürsünüz. Input’u değiştirerek invariant’ların hangi koşullarda korunduğunu deneyebilirsiniz.

A*B matrix multiplication yapar ve A’nın sütun sayısının B’nin satır sayısına eşit olmasını ister. Her output hücresi, bir row ile bir column’un dot product sonucudur. A.*B ise uyumlu konumlardaki elemanları ayrı ayrı çarpar.

Benzer ayrım ^ ile .^, / ile ./ arasında da vardır. Dot karakterini hata mesajı kaybolsun diye eklemek doğru yöntem değildir; önce problemin linear transformation mı yoksa pointwise computation mı istediğini belirleyin.

Identity matrix için eye, sıfır ve bir matrisleri için zeros ve ones, diagonal matrix için diag kullanılır. triu ve tril triangular parçaları ayırır; toeplitz gibi fonksiyonlar özel yapıları doğrudan üretir.

Structure yalnızca görünüş değildir. Diagonal, triangular, symmetric veya positive definite oluş, seçilecek algoritmayı ve computation maliyetini değiştirir. Lab aynı dimension’daki dense ve structured matrix’lerin saklanan bilgi miktarını karşılaştırır.

Determinant, square matrix’in uzayı yönlü olarak ne kadar ölçeklediğini anlatır. İki boyutta alan, üç boyutta hacim değişimi olarak okunabilir. Determinant sıfırsa dönüşüm en az bir dimension’ı çökerterek tersinirliğini kaybeder.

Büyük determinant “iyi matrix” anlamına gelmez; scale’e bağlıdır. Numerical güvenilirlik için determinant yerine singular value ve condition number gibi ölçüler daha açıklayıcıdır. Lab satır değişimi, scale ve linearly dependent row eklemenin determinant üzerindeki etkisini ayrı trace’lerde gösterir.

Rank, matrix’in içerdiği linearly independent row veya column sayısıdır. Column space’in dimension’ını ve dönüşümün kaç bağımsız output yönü üretebildiğini belirtir. Full-rank square matrix tersinirdir; rank deficiency bilgi kaybı veya redundant constraint işaretidir.

Floating-point hesaplarda “sıfıra eşit” yerine tolerance gerekir. MATLAB rank(A) kararını singular value’lara göre verir. Lab tolerance slider’ı ile küçük bir singular value’nun numerical rank sonucunu nasıl değiştirdiğini görünür hâle getirir.

İki vector’un dot product’ı sıfırsa vector’lar orthogonal’dır. Geometrik olarak aralarındaki açı 90 derecedir. Bir vector kümesi ayrıca unit norm taşıyorsa orthonormal adını alır. Orthonormal basis’te coordinate hesapları dot product ile doğrudan yapılabilir.

Floating-point sonuçlarda u'*v == 0 kontrolü kırılgandır. Bunun yerine seçilen tolerance altında mutlak değeri test etmek gerekir. Lab dot product, angle ve tolerance göstergelerini aynı panelde günceller.

Bir b vector’unun a yönüne projection’ı, a(aᵀb)/(aᵀa) biçimindedir. Projection ile residual toplamı başlangıç vector’unu verir ve residual, projection direction’a orthogonal kalır.

Bir subspace’e projection, en yakın subspace noktasını bulur. Least squares çözümünün geometrik temeli budur. Lab vector’u sürüklediğinizde projection, residual ve 90 derece işareti birlikte hareket eder; formülün geometrik anlamı değişmeden kalır.

Real bir Q matrix için QᵀQ=I ise Q orthogonal’dır ve inverse’i transpose’una eşittir. Orthogonal transformation length ve angle’ı korur; rotation ve reflection bunun temel örnekleridir.

Orthogonal transformation’ların 2-norm condition number’ı 1’dir. Bu nedenle QR factorization gibi numerical methods içinde stabil building block olarak kullanılırlar. Lab, Q uygulamasından önce ve sonra vector norm’larını ve iç çarpımları yan yana karşılaştırır.

Elemanların büyük çoğunluğu sıfırsa bütün hücreleri saklamak gereksizdir. MATLAB sparse representation ile yalnızca nonzero değerleri ve konumlarını tutar. Büyük graph, finite element ve discretized differential equation sistemlerinde bellek kazancı çok büyüktür.

Sparse matrix’i yanlışlıkla dense’e dönüştürmek bellek kullanımını sıçratabilir. Operation’ın sparsity pattern’i koruyup korumadığı da önemlidir. Lab nonzero pattern’i ve fill-in oluşumunu hücre haritası üzerinde gösterir.

Vector norm büyüklüğü, distance ise iki nokta arasındaki farkın normudur. 2-norm Euclidean uzunluk, 1-norm mutlak değerler toplamı, infinity norm en büyük mutlak bileşendir. Matrix norm’ları da transformation’ın büyütme gücünü ölçer.

Kullanılan norm problem yorumunu değiştirir. Error ve residual raporunda norm türünü yazmadan sayı vermek eksik bilgi üretir. Lab aynı vector için farklı norm ball’larını çizerek ölçüm geometrisinin nasıl değiştiğini gösterir.

Hata mesajına operator ekleyerek değil, beklenen input-output shape’lerini yazarak yaklaşın. Indexing ve workspace temelini güçlendirmek için MATLAB Foundations rehberine dönebilirsiniz.

Dense iki n×n matrix’in klasik multiplication maliyeti yaklaşık O(n³), saklama maliyeti O(n²)’dir. Structured ve sparse bilgi bu maliyetleri ciddi biçimde azaltabilir. Gerçek maliyet yalnızca dimension değil, nonzero pattern ve seçilen algorithm ile belirlenir.

Matematiksel olarak eşdeğer formüller floating-point ortamında aynı sonucu vermeyebilir. Orthogonal transformations norm’u büyütmediği için numerical stability açısından değerlidir. Bir sonraki adımda bu ilişki lineer sistem solver’larında doğrudan kullanılır.

Matrix Operations & Orthogonality Lab’i açın ve formülleri doğrudan geometrik sonuçlarıyla çalışın. Ardından projection ve factorization bilgisini uygulamak için Linear Systems & Conditioning rehberine geçin.