🔢 TEMEL KAVRAMLAR
📐 DETERMİNANT VE TERS
λ ÖZDEĞER VE ÖZVEKTÖR
🔧 MATRİS AYRIŞIMLARI
🚀 UYGULAMALAR
1/15

Matris Tanımı ve Türleri

Matrisler, sayıların dikdörtgensel dizilişleridir. Lineer cebirin temel yapı taşlarıdır.

Matris Tanımı

m × n tipinde bir matris, m satır ve n sütundan oluşan bir dikdörtgensel sayı dizisidir:

A = \begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \cdots & a_{mn} \end{bmatrix}

Burada a_{ij}, i. satır ve j. sütundaki elemandır.

Özel Matris Türleri

Kare Matris

m = n olan matris

n × n
Sıfır Matrisi (0)

Tüm elemanları 0 olan matris

O = [0]_{m×n}
Birim Matris (I)

Ana köşegeni 1, diğerleri 0

I = [δ_{ij}]
Köşegen Matris

Ana köşegen dışındaki tüm elemanlar 0

D = diag(d₁, d₂, ..., dₙ)
Matris Boyutu İspatı:

Bir A matrisinin boyutu m × n ise, bu matris ℝᵐⁿ uzayında bir vektör olarak düşünülebilir. Matrisler vektör uzayı oluşturur:

  1. Toplama işlemi kapalıdır
  2. Skaler çarpım kapalıdır
  3. Toplamanın değişme ve birleşme özellikleri vardır
  4. Sıfır matrisi toplamsal birim elemandır
  5. Her matrisin toplamsal tersi vardır

Bu nedenle Mₘₙ(ℝ) kümesi, matris toplama ve skaler çarpım işlemleriyle bir vektör uzayıdır.

Örnek: Matris Türleri

Aşağıdaki matrislerin türlerini belirleyiniz:

A = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 3 \end{bmatrix}, \quad B = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix}, \quad C = \begin{bmatrix} 0 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix}
A: 3×3 köşegen matris (ana köşegen: 1,2,3)
B: 3×3 birim matris (I₃)
C: 2×3 sıfır matrisi (O₂ₓ₃)
2/15

Matris İşlemleri

Matrisler üzerinde temel cebirsel işlemler: toplama, çarpma, skaler çarpım.

Matris Toplama ve Skaler Çarpım

Aynı boyuttaki A ve B matrislerinin toplamı:

(A + B)_{ij} = a_{ij} + b_{ij}

Bir skaler c ∈ ℝ ve A matrisinin çarpımı:

(cA)_{ij} = c·a_{ij}

Matris Çarpımı

A: m × n, B: n × p matrislerinin çarpımı C = AB, m × p tipindedir:

c_{ij} = \sum_{k=1}^{n} a_{ik} b_{kj}

İ. satırın j. sütunundaki eleman, A'nın i. satırı ile B'nin j. sütununun iç çarpımıdır.

Matris Çarpımının Birleşme Özelliği İspatı:

A: m × n, B: n × p, C: p × q matrisleri için (AB)C = A(BC) olduğunu gösterelim.

(AB)_{ik} = Σ_{j=1}ⁿ a_{ij} b_{jk}
[(AB)C]_{iℓ} = Σ_{k=1}ᵖ (AB)_{ik} c_{kℓ} = Σ_{k=1}ᵖ (Σ_{j=1}ⁿ a_{ij} b_{jk}) c_{kℓ}
= Σ_{j=1}ⁿ a_{ij} (Σ_{k=1}ᵖ b_{jk} c_{kℓ})
(BC)_{jℓ} = Σ_{k=1}ᵖ b_{jk} c_{kℓ}
[A(BC)]_{iℓ} = Σ_{j=1}ⁿ a_{ij} (BC)_{jℓ} = Σ_{j=1}ⁿ a_{ij} (Σ_{k=1}ᵖ b_{jk} c_{kℓ})
İki ifade eşit olduğundan (AB)C = A(BC)

İnteraktif Matris İşlemleri

Matrisleri düzenleyin ve işlemleri gözlemleyin:

Örnek: Matris Çarpımı

Aşağıdaki matrisleri çarpınız:

A = \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}, \quad B = \begin{bmatrix} 5 & 6 \\ 7 & 8 \end{bmatrix}
AB = \begin{bmatrix} 1·5 + 2·7 & 1·6 + 2·8 \\ 3·5 + 4·7 & 3·6 + 4·8 \end{bmatrix}
= \begin{bmatrix} 5 + 14 & 6 + 16 \\ 15 + 28 & 18 + 32 \end{bmatrix}
= \begin{bmatrix} 19 & 22 \\ 43 & 50 \end{bmatrix}
3/15

Transpoz ve Özel Matrisler

Matrislerin transpozu ve simetrik, ters-simetrik gibi özel matris türleri.

Transpoz İşlemi

A: m × n matrisinin transpozu Aᵀ: n × m matrisidir:

(A^T)_{ij} = a_{ji}

Satır ve sütunlar yer değiştirir.

Transpoz Özellikleri:
  1. (Aᵀ)ᵀ = A
  2. (A + B)ᵀ = Aᵀ + Bᵀ
  3. (cA)ᵀ = cAᵀ
  4. (AB)ᵀ = BᵀAᵀ
  5. det(Aᵀ) = det(A) (kare matris için)
(AB)ᵀ = BᵀAᵀ İspatı:

A: m × n, B: n × p olsun.

[(AB)ᵀ]_{ji} = (AB)_{ij} = Σ_{k=1}ⁿ a_{ik} b_{kj}
(BᵀAᵀ)_{ji} = Σ_{k=1}ⁿ (Bᵀ)_{jk} (Aᵀ)_{ki} = Σ_{k=1}ⁿ b_{kj} a_{ik}
= Σ_{k=1}ⁿ a_{ik} b_{kj} (toplamada değişme özelliği)
İki ifade eşit olduğundan (AB)ᵀ = BᵀAᵀ

Özel Matris Türleri

Simetrik Matris

Aᵀ = A olan kare matris

a_{ij} = a_{ji}
Ters-Simetrik Matris

Aᵀ = -A olan kare matris

a_{ij} = -a_{ji}, a_{ii} = 0
Hermitian Matris

A* = A (kompleks eşlenik transpoz)

\bar{a}_{ji} = a_{ij}
Üçgen Matris

Üst veya alt üçgen matris

\begin{cases} a_{ij} = 0 & i > j \text{ (üst)} \\ a_{ij} = 0 & i < j \text{ (alt)} \end{cases}
4/15

Determinant

Kare matrislere özgü bir skaler değer olan determinant ve özellikleri.

Determinant Tanımı

n × n A matrisinin determinantı (Leibniz formülü):

\det(A) = \sum_{\sigma \in S_n} \operatorname{sgn}(\sigma) \prod_{i=1}^n a_{i,\sigma(i)}

Sₙ: n elemanın permütasyonları, sgn(σ): permütasyonun işareti.

Determinantın Temel Özellikleri:
  1. det(I) = 1
  2. Bir satır/sütunun tüm elemanları 0 ise det(A) = 0
  3. İki satır/sütun yer değiştirirse determinant -1 ile çarpılır
  4. Bir satır/sütun c skaleri ile çarpılırsa determinant c ile çarpılır
  5. det(AB) = det(A)det(B)
  6. det(Aᵀ) = det(A)
det(AB) = det(A)det(B) İspatı:

A ve B n × n matrisleri için:

Elementer matrislerin determinant özelliklerini kullanalım
Her matris, elementer matrislerin çarpımı olarak yazılabilir
Elementer matris E için: det(EB) = det(E)det(B)
A = E₁E₂...Eₖ şeklinde yazılırsa:
det(AB) = det(E₁E₂...EₖB) = det(E₁)det(E₂)...det(Eₖ)det(B)
= det(E₁E₂...Eₖ)det(B) = det(A)det(B)

Laplace Açılımı İspatı

Teorem (Laplace Açılımı): n × n A matrisinin determinantı, i. satıra göre:

\det(A) = \sum_{j=1}^n (-1)^{i+j} a_{ij} \det(M_{ij})

Mᵢⱼ: A'nın i. satır ve j. sütunu silinerek elde edilen (n-1)×(n-1) matris.

İspat (Tümevarım):

n = 1 için: det([a]) = a, formül sağlanır
n = k için doğru olduğunu varsayalım
n = k+1 için determinant tanımını i. satıra göre yazalım
Toplamı j indeksine göre gruplayarak Laplace formülünü elde ederiz
Tümevarımla ispat tamamlanır
Örnek: 3×3 Determinant Hesaplama

Aşağıdaki matrisin determinantını hesaplayınız:

A = \begin{bmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{bmatrix}
Sarrus kuralı ile:
det(A) = 1·5·9 + 2·6·7 + 3·4·8 - 3·5·7 - 1·6·8 - 2·4·9
= 45 + 84 + 96 - 105 - 48 - 72
= 225 - 225 = 0
5/15

Ters Matris

Bir matrisin çarpmaya göre tersinin varlığı ve hesaplanması.

Ters Matris Tanımı

n × n A matrisinin tersi A⁻¹, şu özelliği sağlayan matristir:

AA^{-1} = A^{-1}A = I_n

A matrisi tersinirdir (non-singular) ancak ve ancak det(A) ≠ 0 ise.

Ters Matris Özellikleri:
  1. (A⁻¹)⁻¹ = A
  2. (AB)⁻¹ = B⁻¹A⁻¹
  3. (Aᵀ)⁻¹ = (A⁻¹)ᵀ
  4. det(A⁻¹) = 1/det(A)
  5. (cA)⁻¹ = (1/c)A⁻¹ (c ≠ 0)
Ters Matris Varlık Kriteri İspatı:

A n × n matrisinin tersinir olması için gerek ve yeter koşul det(A) ≠ 0'dır.

(⇒) A tersinir olsun. AA⁻¹ = I ⇒ det(AA⁻¹) = det(I)
det(A)det(A⁻¹) = 1 ⇒ det(A) ≠ 0
(⇐) det(A) ≠ 0 olsun. Ek matris (adjoint) yardımıyla:
A⁻¹ = (1/det(A)) adj(A)
Bu matris A'nın tersidir: A·[(1/det(A)) adj(A)] = I

Ters Matris Hesaplama Yöntemleri

Gauss-Jordan Yöntemi

[A|I] matrisini elementer satır işlemleriyle [I|A⁻¹]'e dönüştürme

Ek Matris Yöntemi
A^{-1} = \frac{1}{\det(A)} \operatorname{adj}(A)
LU Ayrışımı

A = LU ise A⁻¹ = U⁻¹L⁻¹

6/15

Elementer İşlemler

Matrisler üzerinde determinantı değiştirmeyen temel işlemler.

Elementer Satır İşlemleri

Bir matris üzerinde yapılabilecek üç temel işlem:

  1. Rᵢ ↔ Rⱼ: İki satırı yer değiştirme
  2. Rᵢ → cRᵢ: Bir satırı sıfırdan farklı bir skalerle çarpma
  3. Rᵢ → Rᵢ + cRⱼ: Bir satıra başka bir satırın katını ekleme
Elementer Matrisler: Her elementer satır işlemi, bir elementer matrisle çarpmaya karşılık gelir:
E·A = \text{A üzerinde işlem uygulanmış matris}

Elementer matrisler tersinirdir ve tersleri de elementer matristir.

Elementer Matrislerin Tersinirliği İspatı:

E bir elementer matris olsun. E'nin tersi, E'nin temsil ettiği işlemin ters işlemini temsil eden elementer matristir.

Rᵢ ↔ Rⱼ işlemi için E: Satırları yer değiştiren permütasyon matrisi
E⁻¹ = E (kendi kendinin tersi)
Rᵢ → cRᵢ (c ≠ 0) için E: i. köşegen elemanı c olan diyagonal matris
E⁻¹: i. köşegen elemanı 1/c olan diyagonal matris
Rᵢ → Rᵢ + cRⱼ için E: (i,j) konumunda c olan matris
E⁻¹: (i,j) konumunda -c olan matris
7/15

Özdeğer ve Özvektör

Lineer dönüşümlerin yapısını anlamak için temel kavramlar.

Tanım ve Temel Kavramlar

A n × n matrisi için, λ ∈ ℂ özdeğer ve v ≠ 0 özvektör şu denklemi sağlar:

Av = λv

Bu denklem (A - λI)v = 0 şeklinde yazılabilir. Trivial olmayan çözüm için:

\det(A - λI) = 0

Bu karakteristik denklem n. dereceden bir polinom verir.

Özdeğerlerin Toplamı ve Çarpımı:

A n × n matrisinin özdeğerleri λ₁, λ₂, ..., λₙ olsun.

Karakteristik polinom: p(λ) = det(A - λI) = (-1)ⁿ(λⁿ - c₁λⁿ⁻¹ + ... + (-1)ⁿcₙ)
Vieta formüllerine göre:
c₁ = λ₁ + λ₂ + ... + λₙ = tr(A) (iz)
cₙ = λ₁λ₂⋯λₙ = det(A)

Cayley-Hamilton Teoremi İspatı

Teorem: Her kare matris kendi karakteristik denklemini sağlar.

İspat (Özdeğerler üzerinden): A'nın özdeğerleri λ₁, ..., λₙ olsun.

Karakteristik polinom: p(λ) = det(A - λI)
Her özdeğer için: Avᵢ = λᵢvᵢ
p(A)vᵢ = p(λᵢ)vᵢ = 0·vᵢ = 0 (çünkü p(λᵢ) = 0)
Özvektörler lineer bağımsızsa, p(A) = 0
Özvektörler lineer bağımsız değilse, benzerlik dönüşümü ile
8/15

Köşegenleştirme

Bir matrisi köşegen forma dönüştürme işlemi ve koşulları.

Köşegenleştirme Tanımı

A n × n matrisi köşegenleştirilebilirdir eğer bir tersinir P matrisi ve köşegen D matrisi varsa:

A = PDP^{-1}

Burada D'nin köşegen elemanları A'nın özdeğerleri, P'nin sütunları karşılık gelen özvektörlerdir.

Köşegenleştirme Kriteri: A n × n matrisinin köşegenleştirilebilir olması için gerek ve yeter koşul, n lineer bağımsız özvektöre sahip olmasıdır.
Köşegenleştirme İspatı:

A köşegenleştirilebilir olsun: A = PDP⁻¹

AP = PD yazalım
P = [v₁ v₂ ... vₙ] (sütunlar)
D = diag(λ₁, λ₂, ..., λₙ)
AP = [Av₁ Av₂ ... Avₙ]
PD = [λ₁v₁ λ₂v₂ ... λₙvₙ]
Avᵢ = λᵢvᵢ ⇒ vᵢ'ler özvektör
P tersinir olduğundan vᵢ'ler lineer bağımsız
9/15

Spektral Teorem

Simetrik/Hermitian matrislerin köşegenleştirilmesi üzerine temel teorem.

Spektral Teorem

Spektral Teorem (Reel Simetrik Matrisler): A reel simetrik n × n matrisi için:

  1. Tüm özdeğerleri reeldir
  2. Farklı özuzaylara karşılık gelen özvektörler ortogonaldir
  3. A ortogonal olarak köşegenleştirilebilir: A = QDQᵀ

Q ortogonal matris (QᵀQ = I), D reel köşegen matris.

Simetrik Matrislerin Özdeğerlerinin Reel Olması İspatı:

A reel simetrik olsun. λ özdeğer, v karşılık gelen özvektör olsun.

Av = λv
Eşlenik transpoz al: v*A = \bar{λ}v* (A reel olduğundan A* = Aᵀ)
Sağdan v ile çarp: v*Av = \bar{λ}v*v
Soldan v* ile çarp: v*Av = λv*v
λv*v = \bar{λ}v*v ⇒ (λ - \bar{λ})v*v = 0
v*v = ||v||² > 0 olduğundan λ = \bar{λ} ⇒ λ ∈ ℝ

Spektral Teorem İspatı (Tam)

İspat (Tümevarım):

n = 1 için açık
n = k için doğru olduğunu varsayalım
A (k+1)×(k+1) simetrik matris olsun
Bir λ₁ ∈ ℝ özdeğer ve v₁ özvektör alalım (||v₁|| = 1)
v₁'yi içeren bir ortonormal baz oluşturalım: {v₁, u₂, ..., uₖ₊₁}
Bu bazda A'nın matrisi blok formunda olur
Alt matris simetrik olduğundan tümevarım hipotezi uygulanır
Tümevarımla ispat tamamlanır
10/15

LU Ayrışımı

Bir matrisi alt ve üst üçgen matrislerin çarpımı şeklinde ifade etme.

LU Ayrışımı Tanımı

A n × n matrisinin LU ayrışımı:

A = LU

L: birim alt üçgen matris (ana köşegeni 1), U: üst üçgen matris.

LU Ayrışımının Varlığı: A matrisinin tüm asal minörleri (leading principal minors) sıfırdan farklı ise, A'nın LU ayrışımı vardır ve tektir.
LU Ayrışımı İspatı (Gauss Eliminasyonu):
Gauss eliminasyonu A'yı üst üçgen forma getirir
Her elementer satır işlemi bir alt üçgen matrisle çarpmaya karşılık gelir
Eₖ...E₂E₁A = U (U üst üçgen)
A = (Eₖ...E₂E₁)⁻¹U = LU
L = (Eₖ...E₂E₁)⁻¹ alt üçgendir
Asal minörler sıfırdan farklı ise pivot elemanlar sıfır olmaz
11/15

QR Ayrışımı

Bir matrisi ortogonal ve üst üçgen matrislerin çarpımı şeklinde ifade etme.

QR Ayrışımı Tanımı

A m × n matrisinin (m ≥ n) QR ayrışımı:

A = QR

Q: m × n sütunları ortonormal, R: n × n üst üçgen matris.

QR Ayrışımı İspatı (Gram-Schmidt):
A = [a₁ a₂ ... aₙ] sütunları lineer bağımsız olsun
Gram-Schmidt ile ortonormal {q₁, q₂, ..., qₙ} bazı oluşturalım
aⱼ = Σ_{i=1}ⱼ r_{ij}qᵢ şeklinde yazılabilir
Q = [q₁ q₂ ... qₙ], R = (r_{ij}) (r_{ij} = 0, i > j)
A = QR
12/15

SVD Ayrışımı

Her matris için geçerli olan temel bir ayrışım: Singular Value Decomposition.

SVD Tanımı

A m × n matrisinin SVD ayrışımı:

A = U\Sigma V^*

U: m × m uniter, Σ: m × n köşegen (singüler değerler), V: n × n uniter.

SVD Varlık İspatı

İspat (Özdeğer ayrışımı üzerinden):

A*A n × n Hermitian pozitif yarı-tanımlı
A*A = VΛV* (Spektral teorem)
Λ = diag(λ₁, ..., λₙ), λᵢ ≥ 0 (özdeğerler)
σᵢ = √λᵢ singüler değerler
Σ: m × n, köşegeninde σᵢ'ler
uᵢ = (1/σᵢ)Avᵢ (σᵢ ≠ 0 ise)
U = [u₁ u₂ ...] uniter matrisi tamamla
A = UΣV*
13/15

Lineer Denklem Sistemleri

Matrislerin en önemli uygulama alanlarından biri.

Lineer Sistemlerin Matris Formu

n bilinmeyenli m denklemden oluşan sistem:

\begin{cases} a_{11}x_1 + a_{12}x_2 + \cdots + a_{1n}x_n = b_1 \\ a_{21}x_1 + a_{22}x_2 + \cdots + a_{2n}x_n = b_2 \\ \vdots \\ a_{m1}x_1 + a_{m2}x_2 + \cdots + a_{mn}x_n = b_m \end{cases}

Matris formu: Ax = b, A: m × n katsayı matrisi.

Rouche-Capelli Teoremi: Ax = b sisteminin çözümü olması için gerek ve yeter koşul:
\operatorname{rank}(A) = \operatorname{rank}([A|b])

rank(A) = n ise çözüm tektir, rank(A) < n ise sonsuz çözüm vardır.

14/15

Lineer Dönüşümler

Matrislerin geometrik yorumu: lineer dönüşümlerin temsilcileri.

Matrisler ve Lineer Dönüşümler

T: ℝⁿ → ℝᵐ lineer dönüşümü, standart bazlara göre bir m × n A matrisi ile temsil edilir:

T(x) = Ax

A'nın j. sütunu, T(eⱼ)'nin koordinatlarıdır.

Matris Temsilinin Benzersizliği:

Her lineer dönüşümün standart bazlara göre temsili tektir.

T: ℝⁿ → ℝᵐ lineer olsun
eⱼ: ℝⁿ'de standart baz vektörü
A = [T(e₁) T(e₂) ... T(eₙ)] (sütunlar)
Her x = Σxⱼeⱼ için: T(x) = ΣxⱼT(eⱼ) = Ax
Farklı bir B matrisi de temsil etseydi, tüm baz vektörlerde aynı olurdu
15/15

Bilgisayar Uygulamaları

Matrislerin bilgisayar bilimleri ve mühendislikteki uygulamaları.

Uygulama Alanları

Bilgisayar Grafiği

Dönüşüm matrisleri: ölçekleme, döndürme, öteleme

x' = Mx + b
Makine Öğrenmesi

Veri matrisleri, ağırlık matrisleri, özdeğer ayrışımı

PCA: X = UΣVᵀ
Görüntü İşleme

Konvolüsyon matrisleri, SVD ile sıkıştırma

A ≈ UₖΣₖVₖᵀ
Ağ Teorisi

Komşuluk matrisleri, Laplacian matrisler

L = D - A

PageRank Algoritması (Google)

Web sayfalarının önem sıralaması için Markov matrisi kullanımı:

A: n × n komşuluk matrisi (aᵢⱼ = 1 eğer i'den j'ye link varsa)
P: geçiş olasılığı matrisi (sütun stokastik)
G = αP + (1-α)E (Google matrisi)
π: PageRank vektörü (Gπ = π, ||π||₁ = 1)
π, G'nin 1 özdeğerine karşılık gelen özvektörü
Matris Teorisi - Tüm Konular ve İspatlar © 2023
Lineer Cebirden Modern Uygulamalara