Lineer Cebir · 5. Ünite: Doğrusal Dönüşümler (Linear Transformations)
Doğrusal Dönüşümlerin Çekirdeği (Kernel) ve Görüntü Uzayı (Range)
Bir doğrusal dönüşüm iki soruyu cevaplar: hangi girdileri sıfıra çökertir, hangi çıktılara ulaşabilir? İlk sorunun cevabı çekirdek (kernel), ikincisinin cevabı görüntü uzayı (image / range) olarak adlandırılır ve ikisi de birer alt uzaydır. Bu bölümde her iki uzayı tanımlayıp matris dönüşümleri için hesaplayacak, birebirlik ve örtenliği bu uzaylarla karakterize edecek ve rank-nullity teoremini $\dim V=\dim\ker T+\dim\operatorname{Im}T$ ispat düzeyinde kuracağız.
Öğrenme hedefleri
- $T:V\to W$ doğrusal dönüşümü için $\ker T$ ve $\operatorname{Im}T$ kümelerini tanımlar; ikisinin de alt uzay olduğunu alt uzay şartlarını kontrol ederek ispatlar.
- Matris dönüşümü $T(\vec{x})=A\vec{x}$ için çekirdeği $A\vec{x}=\vec{0}$ sisteminin çözümü, görüntüyü $A$'nın sütun uzayı olarak hesaplar ve bazlarını bulur.
- $T$'nin birebir (injective) olmasını $\ker T=\{\vec{0}\}$, örten (surjective) olmasını $\operatorname{Im}T=W$ koşuluyla ilişkilendirir ve ispatlar.
- Rank-nullity teoremini $\dim V=\dim\ker T+\dim\operatorname{Im}T$ biçiminde ifade eder, ispatındaki baz tamamlama fikrini açıklar ve boyut sayımıyla birebirlik/örtenlik hakkında sonuç çıkarır.
- Matris olmayan dönüşümlerde (türev, polinom ve iz dönüşümleri) çekirdek ve görüntü uzayını belirler.
- Çekirdeğin tanım uzayında, görüntünün değer uzayında yaşadığını ve satır işlemlerinin çekirdeği koruyup görüntüyü değiştirdiğini ayırt eder.
Konu anlatımı
Bağlam: Bir Dönüşüm Neyi Kaybeder, Neye Ulaşır?
Çekirdek (Kernel) ve Alt Uzay Olması
Görüntü Uzayı (Image / Range) ve Alt Uzay Olması
Matris Dönüşümlerinde Çekirdek ve Görüntünün Hesabı
Birebirlik, Örtenlik ve Çekirdek-Görüntü İlişkisi
Rank-Nullity Teoremi (Boyut Teoremi)
Simülasyonla Keşif: Üç Mod, Tek Teorem
Sık Yapılan Hatalar ve Kavram Yanılgıları
Anahtar terimler
- Çekirdek (kernel, null space)
- $T:V\to W$ dönüşümünde $T(\vec{v})=\vec{0}$ olan bütün $\vec{v}\in V$ vektörlerinin kümesi $\ker T$; $V$'nin alt uzayıdır.
- Görüntü uzayı (image, range)
- $T$'nin aldığı bütün değerlerin kümesi $\operatorname{Im}T=\{T(\vec{v})\}$; $W$'nin alt uzayıdır. Matris için sütun uzayına eşittir.
- Sütun uzayı (column space)
- $A$'nın sütunlarının gerdiği uzay $\operatorname{Col}(A)$; $T(\vec{x})=A\vec{x}$ dönüşümünün görüntüsüdür.
- Rank (kerte)
- Görüntü uzayının boyutu $\dim\operatorname{Im}T$; matriste bağımsız sütun (ya da satır) sayısıdır.
- Nullity (sıfırlık)
- Çekirdeğin boyutu $\dim\ker T$; $A\vec{x}=\vec{0}$ sistemindeki serbest değişken sayısıdır.
- Birebir (injective)
- Farklı girdileri farklı çıktılara gönderen dönüşüm; doğrusal dönüşümde ancak ve ancak $\ker T=\{\vec{0}\}$ iken.
- Örten (surjective)
- Görüntüsü bütün değer uzayı olan dönüşüm: $\operatorname{Im}T=W$.
- Rank-nullity teoremi
- Sonlu boyutlu $V$ için $\dim V=\dim\ker T+\dim\operatorname{Im}T$ eşitliği.
- İzomorfizm (isomorphism)
- Hem birebir hem örten doğrusal dönüşüm; ters dönüşümü vardır ve $\ker T=\{\vec{0}\}$, $\operatorname{Im}T=W$ olur.
Örnek soru
$T:V\to W$ doğrusal bir dönüşüm olsun. $T$'nin çekirdeği $\ker T$ aşağıdakilerden hangisidir?
- $\{T(\vec{v}) : \vec{v}\in V\}$
- $\{\vec{v}\in V : T(\vec{v})=\vec{0}_W\}$
- $\{\vec{w}\in W : T(\vec{w})=\vec{0}\}$
- $\{\vec{v}\in V : T(\vec{v})=\vec{v}\}$
- $\{\vec{0}_V\}$
Doğru cevap: B
Çözüm
Cevap: $\{\vec{v}\in V : T(\vec{v})=\vec{0}_W\}$
1. Çekirdek, tanım uzayı $V$'deki vektörlerden, $T$ altında değer uzayının sıfır vektörüne giden hepsinin kümesidir.
2. Bu küme her zaman $\vec{0}_V$'yi içerir ($T(\vec{0})=\vec{0}$), ama genelde onunla sınırlı değildir.
Çeldiriciler: $\{T(\vec{v})\}$ görüntü uzayı $\operatorname{Im}T$'dir. $\vec{w}\in W$ için $T(\vec{w})$ yazmak anlamsızdır, çünkü $T$ yalnızca $V$'de tanımlıdır. $T(\vec{v})=\vec{v}$ koşulu sabit noktaları verir. $\{\vec{0}\}$ yalnızca $T$ birebir olduğunda çekirdeğe eşittir.