‫ﺟﺒﺮﺧﻄﻲ ﻛﺎرﺑﺮدي‬

‫درس‪1‬‬
‫ﻣﻘﺪﻣﻪ اي ﺑﺮ ﺑﺮدارﻫﺎ و ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬

‫ﮔﺮوه ﺳﻴﺴﺘﻢ و ﻛﻨﺘﺮل ‪1388 -‬‬

‫ﻣﺪرس‪ :‬ﺻﺪﻗﻲ زاده‬

‫ﺟﺒﺮ ﺧﻄﻲ ﻛﺎرﺑﺮدي‬

‫‪ -‬ﺟﺒﺮ ﺧﻄﻲ ﺷﺎﺧﻪ اي از رﻳﺎﺿﻴﺎت اﺳﺖ ﻛﻪ ﻛﺎرﺑﺮدﻫﺎي وﺳﻴﻌﻲ در ﻋﻠﻮم ﺗﺠﺮﺑﻲ‪ ،‬ﻋﻠﻮم اﺟﺘﻤﺎﻋﻲ و‬
‫ﻣﻬﻨﺪﺳﻲ دارد و ﻛﺎﻧﻮن ﺗﻮﺟﻪ آن ﺑﻴﺸﺘﺮ ﺑﺮ ﻣﻮارد زﻳﺮ اﺳﺖ‪،‬‬

‫‪ -‬ﺑﺮدارﻫﺎ و ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬

‫‪ -‬دﺳﺘﮕﺎه ﻣﻌﺎدﻻت ﺧﻄﻲ‬

‫‪ -‬ﻓﻀﺎﻫﺎي ﺑﺮداري‬

‫‪ -‬ﻣﻘﺎدﻳﺮ وﻳﮋه و ﻣﻘﺎدﻳﺮ ﻣﻨﻔﺮد‬

‫‪1‬‬
 ‫ﺑﺮﺧﻲ از زﻣﻴﻨﻪ ﻫﺎي ﻛﺎرﺑﺮدي ﺟﺒﺮ ﺧﻄﻲ‬

‫‪ -‬ﺗﺌﻮري ﻛﺪ ﮔﺬاري و ﺗﺸﺨﻴﺺ ﺧﻄﺎ‬

‫‪ -‬رﻣﺰﻧﮕﺎري‬
‫‪ -‬ﭘﺮدازش ﺗﺼﻮﻳﺮ و ﻓﺸﺮده ﺳﺎزي داده ﻫﺎي ﺗﺼﻮﻳﺮي‬
‫‪ -‬ﺷﺒﻜﻪ ﺗﺮاﻓﻴﻚ‬
‫‪ -‬ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺧﻄﻲ‬
‫‪ -‬ﻣﺪﻟﺴﺎزي ﺳﻴﺴﺘﻢ ﻫﺎي ﻓﻴﺰﻳﻜﻲ )ﻣﺪارﻫﺎي اﻟﻜﺘﺮﻳﻜﻲ‪ ،‬ﻣﻜﺎﻧﻴﻜﻲ‪ ،‬ﺣﺮارﺗﻲ و ‪( . . .‬‬
‫‪ -‬ﭼﻬﺮه ﺷﻨﺎﺳﻲ و ﺗﺸﺨﻴﺺ ﻫﻮﻳﺖ‬
‫‪ -‬ﺗﺨﻤﻴﻦ و ﺷﻨﺎﺳﺎﻳﻲ داده ﻫﺎ‬
‫‪ -‬ژﻧﺘﻴﻚ‪ ،‬ﻣﺴﺎﺋﻞ اﺟﺘﻤﺎﻋﻲ‪ ،‬اﻗﺘﺼﺎدي و ‪. . . . .‬‬

‫‪2‬‬

‫ﺑﺮدارﻫﺎ و ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬

‫‪ -‬آراﻳﻪ اي از داده ﻫﺎي ﻣﺮﺗﺐ ﺷﺪه را ﺑﺮدار ﮔﻮﻳﻨﺪ‪.‬‬

‫⎤ ‪⎡ x1‬‬
‫⎥ ‪⎢x‬‬
‫⎥‪x = ⎢ 2‬‬
‫⎥‪⎢M‬‬
‫⎥ ⎢‬
‫‪⎣ xn ⎦ n×1‬‬
‫‪ -‬اﮔﺮ داده ﻫﺎي ﺑﻪ ﻫﻢ ﻣﺮﺗﺒﻂ را ﺑﺎ اﺑﻌﺎد ‪ m × n‬ذﺧﻴﺮه ﻧﻤﺎﻳﻴﻢ ﻣﺎﺗﺮﻳﺲ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ‪.‬‬
‫‪⎡ a11‬‬ ‫‪a12‬‬ ‫⎤ ‪L a1n‬‬
‫‪⎢a‬‬ ‫‪a 22‬‬ ‫⎥⎥ ‪L a 2 n‬‬
‫‪A = ⎢ 21‬‬
‫‪⎢ M‬‬ ‫‪M‬‬ ‫⎥ ‪O M‬‬
‫⎢‬ ‫⎥‬
‫‪⎣a m1‬‬ ‫‪am 2‬‬ ‫‪L amn ⎦ m×n‬‬
‫‪3‬‬
 ‫‪ -‬ﻋﻨﺎﺻﺮ ﻳﻚ ﺑﺮدار ﻳﺎ ﻣﺎﺗﺮﻳﺲ ﻣﻲ ﺗﻮاﻧﺪ اﻃﻼﻋﺎﺗﻲ ﺑﻪ ﺷﺮح زﻳﺮ ﺑﺎﺷﺪ‪،‬‬
‫‪ -‬داده ﻫﺎي آﻣﺎري ﻳﻚ ﺳﻴﺴﺘﻢ اﺟﺘﻤﺎﻋﻲ‬
‫‪ -‬ﭘﺎراﻣﺘﺮﻫﺎي ﺗﻮﺻﻴﻒ ﻛﻨﻨﺪه ﻳﻚ ﺳﻴﺴﺘﻢ ﻓﻴﺰﻳﻜﻲ‬
‫‪ -‬داده ﻫﺎي ﻧﻤﻮﻧﻪ ﺑﺮداري ﺷﺪه ﻳﻚ ﺳﻴﮕﻨﺎل اﻟﻜﺘﺮﻳﻜﻲ‬

‫ﺳﻴﮕﻨﺎل ) ‪ u (t‬ﭘﺲ از ﻧﻤﻮﻧﻪ ﺑﺮداري ﺑﺎ دوره ﺗﻨﺎوب ‪ T‬ﻣﻲ ﺗﻮان ﺑﺼﻮرت ﻳﻚ ﺑﺮدار ‪ n‬ﺗﺎﻳﻲ ﻧﻤﺎﻳﺶ داد‪،‬‬
‫⎤ )‪⎡ x1 ⎤ ⎡ u (0‬‬
‫⎥ ) ‪⎢ x ⎥ ⎢ u (T‬‬
‫⎢ = ⎥‪x = ⎢ 2‬‬ ‫⎥‬
‫⎢ ⎥‪⎢M‬‬ ‫‪M‬‬ ‫⎥‬
‫⎢ ⎥ ⎢‬ ‫⎥‬
‫⎦) ‪⎣ xn ⎦ ⎣u ((n − 1)T‬‬
‫‪4‬‬

‫ﻗﻮاﻧﻴﻦ و ﺗﻌﺎرﻳﻒ ﺣﺎﻛﻢ ﺑﺮ ﺑﺮدارﻫﺎ و ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬

‫‪ -‬ﺟﻤﻊ و ﺗﻔﺮﻳﻖ ﺑﺮدار و ﻣﺎﺗﺮﻳﺲ‬

‫‪ -‬ﺿﺮب اﺳﻜﺎﻟﺮ در ﺑﺮدارﻫﺎ و ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬
‫‪ -‬ﺿﺮب داﺧﻠﻲ ﺑﺮدارﻫﺎ و ﺿﺮب ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬
‫‪ -‬دﺗﺮﻣﻴﻨﺎن ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬
‫‪ -‬ﻣﺤﺎﺳﺒﻪ ﻣﺎﺗﺮﻳﺲ ﻣﻌﻜﻮس‬
‫‪ -‬ﺗﺮﻛﻴﺐ ﺧﻄﻲ ﺑﺮدارﻫﺎ‬
‫‪ -‬ﻧُﺮم ﺑﺮدارﻫﺎ و ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬

‫‪5‬‬
 ‫ﻗﻮاﻧﻴﻦ ﺣﺎﻛﻢ ﺑﺮ ﺑﺮدارﻫﺎ و ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬

‫‪ -‬ﺟﻤﻊ و ﺗﻔﺮﻳﻖ ﺑﺮدار و ﻣﺎﺗﺮﻳﺲ‬

‫⎤ ‪⎡ x1 ± y1‬‬ ‫‪⎡ a11 ± b11‬‬ ‫‪a12 ± b12‬‬ ‫‪L‬‬ ‫⎤ ‪a1n ± b1n‬‬
‫⎥ ‪⎢x ± y‬‬ ‫‪⎢a ±b‬‬ ‫‪a22 ± b22‬‬ ‫⎥⎥ ‪L a2 n ± b2 n‬‬
‫‪x±y = ⎢ 2‬‬ ‫⎥‪2‬‬
‫‪,‬‬ ‫‪A ± B = ⎢ 21 21‬‬
‫⎥ ‪⎢ M‬‬ ‫⎢‬ ‫‪M‬‬ ‫‪M‬‬ ‫‪O‬‬ ‫‪M‬‬ ‫⎥‬
‫⎢‬ ‫⎥‬ ‫⎢‬ ‫⎥‬
‫⎦ ‪⎣ xn ± y n‬‬ ‫‪⎣am1 ± bm1‬‬ ‫‪am 2 ± bm 2‬‬ ‫⎦ ‪L amn ± bmn‬‬

‫ﻣﺜﺎل‬

‫⎤‪⎡− 5‬‬ ‫⎤‪⎡0‬‬ ‫⎤ ‪⎡ −5‬‬

‫‪x = ⎢⎢ 6 ⎥⎥,‬‬ ‫⎥⎥ ‪y = ⎢⎢− j‬‬ ‫→‬ ‫⎥⎥ ‪x + y = ⎢⎢ 6 − j‬‬
‫⎦⎥ ‪⎢⎣ 2 j‬‬ ‫⎦⎥ ‪⎢⎣ 1‬‬ ‫⎦⎥ ‪⎢⎣1 + 2 j‬‬
‫‪6‬‬

‫ﻗﻮاﻧﻴﻦ ﺣﺎﻛﻢ ﺑﺮ ﺑﺮدارﻫﺎ و ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬

‫‪ -‬ﺿﺮب اﺳﻜﺎﻟﺮ در ﺑﺮدار و ﻣﺎﺗﺮﻳﺲ‬

‫⎤ ‪⎡ kx1‬‬ ‫‪⎡ ka11‬‬ ‫‪ka12‬‬ ‫⎤ ‪L ka1n‬‬
‫⎥ ‪⎢kx‬‬ ‫‪⎢ ka‬‬ ‫‪ka22‬‬ ‫⎥⎥ ‪L ka2 n‬‬
‫⎥ ‪kx = ⎢ 2‬‬ ‫‪,‬‬ ‫‪kA = ⎢ 21‬‬
‫⎥ ‪⎢ M‬‬ ‫‪⎢ M‬‬ ‫‪M‬‬ ‫‪O‬‬ ‫⎥ ‪M‬‬
‫⎥ ⎢‬ ‫⎢‬ ‫⎥‬
‫⎦ ‪⎣kxn‬‬ ‫‪⎣kam1‬‬ ‫‪kam 2‬‬ ‫⎦ ‪L kamn‬‬

‫ﻣﺜﺎل‬

‫⎤‪⎡ 2 4 3 − 1‬‬ ‫⎤‪⎡ 4 8 6 − 2‬‬

‫⎥⎥ ‪A = ⎢⎢ 3 1 5 2‬‬ ‫→‬ ‫⎥⎥ ‪2 A = ⎢⎢ 6 2 10 4‬‬
‫⎦⎥ ‪⎢⎣− 1 0 7 6‬‬ ‫⎦⎥ ‪⎢⎣− 2 0 14 12‬‬
‫‪7‬‬
 ‫ﺗﻌﺎرﻳﻒ ﺣﺎﻛﻢ ﺑﺮ ﺑﺮدارﻫﺎ و ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬

‫‪ -‬ﺗﺮﻛﻴﺐ ﺧﻄﻲ ﺑﺮدارﻫﺎ )‪(Linear Combination‬‬

‫‪ -‬ﺑﺮدار ‪ u‬ﻳﻚ ﺗﺮﻛﻴﺐ ﺧﻄﻲ از ﺑﺮدارﻫﺎي ‪ v1 , v 2 , K , v n‬ﻣﻲ ﺑﺎﺷﺪ‪،‬‬

‫‪ ∃c1 , c2 ,K, cn‬اﮔﺮ‬ ‫⇒‬ ‫‪u = c1 v1 + c2 v 2 + K + cn v n‬‬

‫ﻣﺜﺎل‬

‫⎤‪⎡− 3‬‬ ‫⎤ ‪⎡1‬‬ ‫⎤ ‪⎡0‬‬ ‫⎤ ‪⎡0‬‬

‫‪u = ⎢⎢ 2 ⎥⎥ ,‬‬ ‫⎥⎥‪x = ⎢0⎥, y = ⎢1⎥, z = ⎢⎢0‬‬
‫⎢‬ ‫⎥‬ ‫⎢‬ ‫⎥‬ ‫→‬ ‫‪u = −3x + 2y + 5z‬‬
‫⎦⎥ ‪⎢⎣ 5‬‬ ‫⎦⎥‪⎢⎣0‬‬ ‫⎦⎥‪⎢⎣0‬‬ ‫⎦⎥‪⎢⎣1‬‬

‫‪8‬‬

‫ﻣﺜﺎل‬
‫در ﻫﺮ ﻳﻚ از ﺳﻪ ﺣﺎﻟﺖ زﻳﺮ ﺑﺮرﺳﻲ ﻧﻤﺎﻳﻴﺪ‪ ،‬ﻛﻪ آﻳﺎ ﻣﻲ ﺗﻮان ﺑﺮدار ‪ u‬را ﺑﺼﻮرت ﺗﺮﻛﻴﺐ ﺧﻄﻲ از ﺑﺮدارﻫﺎي ‪ v1‬و ‪ v 2‬ﻧﻮﺷﺖ‪.‬‬

‫ﺑﺮاي اﻳﻦ ﻣﻨﻈﻮر در ﻫﺮ ﺳﻪ ﺣﺎﻟﺖ ﺑﺎﻳﺪ ﻣﻌﺎدﻟﻪ ‪ u = c1v1 + c2 v 2‬را ﻧﻮﺷﺘﻪ و ﺣﻞ ﻛﺮد‪.‬‬

‫)‪1. u = (−12,20), v1 = (−1,2), v 2 = (4,−6‬‬

‫ﻣﻌﺎدﻟﻪ ‪ u = c1v1 + c2 v 2‬ﺑﺼﻮرت زﻳﺮ ﺧﻮاﻫﺪ ﺷﺪ‪،‬‬
‫‪− c1 + 4c2 = −12‬‬
‫→ )‪(−12,20) = c1 (−1,2) + c2 (4,−6‬‬ ‫‪→ c1 = 4, c2 = −2‬‬
‫‪2c1 − 6c2 = 20‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺮدار ‪ u‬ﻳﻚ ﺗﺮﻛﻴﺐ ﺧﻄﻲ از ﺑﺮدارﻫﺎي ‪ v1‬و ‪ v 2‬ﻣﻲ ﺑﺎﺷﺪ و ﻣﻲ ﺗﻮان آن را ﺑﺼﻮرت ‪ u = 4 v1 − 2 v 2‬ﻧﻮﺷﺖ‪.‬‬

‫)‪2. u = (4,20), v1 = (2,10), v 2 = (−3,−15‬‬

‫ﻣﻌﺎدﻻت ﺑﻪ ﺷﻜﻞ ﻣﻲ ﺑﺎﺷﻨﺪ‪،‬‬
‫‪2c1 − 3c 2 = 4‬‬ ‫‪3‬‬
‫→ )‪(4,20) = c1 (2,10) + c 2 (−3,−15‬‬ ‫→‬ ‫‪c1 = 2 + c 2‬‬
‫‪10c1 − 15c 2 = 20‬‬ ‫‪2‬‬
‫در اﻳﻦ ﺣﺎﻟﺖ ﻧﻴﺰ ﺑﺮدار ‪ u‬ﻳﻚ ﺗﺮﻛﻴﺐ ﺧﻄﻲ از ﺑﺮدارﻫﺎي ‪ v1‬و ‪ v 2‬ﻣﻲ ﺑﺎﺷﺪ‪ ،‬وﻟﻲ ﺑﺮﺧﻼف ﺣﺎﻟﺖ ﻗﺒﻞ ﻓﻘﻂ ﻳﻚ ﺟﻮاب‬
‫وﺟﻮد ﻧﺪارد و ﺑﻴﻨﻬﺎﻳﺖ ﺗﺮﻛﻴﺐ ﺧﻄﻲ ﻣﺨﺘﻠﻒ ﻣﻲ ﺗﻮان ﺑﺪﺳﺖ آورد‪.‬‬
‫)‪3. u = (1,−4), v1 = (2,10), v 2 = (−3,−15‬‬
‫در اﻳﻦ ﺣﺎﻟﺖ ﻣﻌﺎدﻻت ﺑﻪ ﺷﻜﻞ زﻳﺮ ﺧﻮاﻫﻨﺪ ﺑﻮد‪،‬‬
‫‪2c1 − 3c2 = 1‬‬
‫→ )‪(1,−4) = c1 (2,10) + c2 (−3,−15‬‬
‫‪10c1 − 15c2 = −4‬‬
‫ﻫﻤﺎﻧﻄﻮر ﻛﻪ از ﻣﻌﺎدﻻت ﺑﺎﻻ ﻣﺸﺎﻫﺪه ﻣﻲ ﺷﻮد‪ ،‬ﺟﻮاﺑﻲ ﺑﺮاي ‪ c1‬و ‪ c2‬وﺟﻮد ﻧﺪارد‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺮدار ‪ u‬را ﻧﻤﻲ ﺗﻮان ﺑﺼﻮرت ﻳﻚ‬
‫ﺗﺮﻛﻴﺐ ﺧﻄﻲ از ﺑﺮدارﻫﺎي ‪ v1‬و ‪ v 2‬ﻧﻮﺷﺖ‪.‬‬

‫‪9‬‬

‫ﻗﻮاﻧﻴﻦ ﺣﺎﻛﻢ ﺑﺮ ﺑﺮدارﻫﺎ و ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬

‫‪ -‬ﺿﺮب داﺧﻠﻲ ﺑﺮدارﻫﺎ‬
‫‪ -‬ﺿﺮب داﺧﻠﻲ ﻳﻚ ﺑﺮدار‪ ،‬ﻗﺎﻋﺪه اي اﺳﺖ ﻛﻪ ﺑﻪ دو ﺑﺮدار ‪ u‬و ‪ v‬ﻳﻚ ﻛﻤﻴﺖ اﺳﻜﺎﻟﺮ را ﻧﺴﺒﺖ ﻣﻲ دﻫﺪ‪،‬‬

‫‪ → u, v‬ﺑﺮاي ﺑﺮدار ‪ u‬و ‪v‬‬ ‫ﺿﺮب داﺧﻠﻲ دو ﺑﺮدار‬

‫‪ -‬ﺷﺮاﻳﻂ زﻳﺮ را دارا ﺑﺎﺷﺪ‪،‬‬
‫_______‬
‫‪1.‬‬ ‫‪u, v = v , u‬‬
‫‪2.‬‬ ‫‪cu, v = c u, v = u, c v‬‬
‫‪3.‬‬ ‫‪u + v , w + s = u , w + v , w + u, s + v , s‬‬
‫→ ‪4. ∀u ≠ 0‬‬ ‫‪u, u > 0‬‬

‫‪10‬‬
 ‫ﺗﻌﺮﻳﻒ ﺿﺮب داﺧﻠﻲ‬

‫‪ -‬ﺿﺮب داﺧﻠﻲ دو ﺑﺮدار ﻣﺨﺘﻠﻂ ‪ u‬و ‪ v‬ﺑﺼﻮرت زﻳﺮ ﺗﻌﺮﻳﻒ ﻣﻲ ﺷﻮد‪،‬‬

‫‪n‬‬
‫‪u, v = u1v1 + u2v2 + L + un vn = ∑ ui vi‬‬
‫‪i =1‬‬

‫ﻣﺜﺎل‬
‫ﺿﺮب داﺧﻠﻲ ﺑﺮدارﻫﺎي ‪ u‬و ‪ v‬را ﺑﺪﺳﺖ آورﻳﺪ‪.‬‬
‫‪u = [2 + j 3,3 + j ,4] ,‬‬ ‫]‪v = [4 − j 6,3,3 + j 2‬‬
‫_________‬ ‫________‬ ‫___‬
‫)‪u, v = (2 + j 3)(4 − j 6) + (3 + j )(3) + (4)(3 + j 2‬‬
‫)‪= (2 − j 3)(4 − j 6) + (3 − j )(3) + (4)(3 + j 2‬‬
‫)‪= (−10 − j 24) + (9 − j 3) + (12 + j8‬‬
‫‪= 11 − j19‬‬
‫‪ -‬ﻣﺤﺎﺳﺒﻪ در ﻧﺮم اﻓﺰار ‪ MATLAB‬ﺑﺮاي دو ﺑﺮدار ﺳﺘﻮﻧﻲ‪،‬‬
‫ﻣﺤﺎﺳﺒﻪ ﺿﺮب داﺧﻠﻲ → ‪u'*v‬‬
‫‪11‬‬

‫ﻗﻮاﻧﻴﻦ ﺣﺎﻛﻢ ﺑﺮ ﺑﺮدارﻫﺎ و ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬

‫‪ -‬ﺿﺮب ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬

‫‪ -‬ﻓﺮض ﻛﻨﻴﺪ ] ‪ An×m = [aij‬و ] ‪ Bm×r = [b jk‬ﺑﺎﺷﺪ‪،‬‬
‫‪m‬‬

‫] ‪An×m × Bm×r = C n×r = [cik‬‬ ‫→‬ ‫‪cik = ∑ aij b jk‬‬

‫‪j =1‬‬

‫ﻣﺜﺎل‬
‫⎤ ‪⎡1 4‬‬
‫⎤‪⎡ 2 4 3 − 1‬‬ ‫⎥ ‪⎢2 3‬‬
‫⎥⎥ ‪A = ⎢⎢ 3 1 5 2‬‬ ‫‪,‬‬ ‫⎢=‪B‬‬ ‫⎥‬
‫⎥ ‪⎢0 − 2‬‬
‫⎦⎥ ‪⎢⎣− 1 0 7 6‬‬ ‫⎢‬ ‫⎥‬
‫⎦ ‪⎣3 1‬‬
‫⎤ ‪⎡(2 ×1) + (4 × 2) + (3 × 0) + (−1× 3) (2 × 4) + (4 × 3) + (3 × −2) + (−1× 1) ⎤ ⎡ 7 13‬‬
‫)‪AB = ⎢⎢ (3 ×1) + (1× 2) + (5 × 0) + (2 × 3‬‬ ‫⎥⎥ ‪(3 × 4) + (1× 3) + (5 × −2) + (2 ×1) ⎥⎥ = ⎢⎢11 7‬‬
‫⎥⎦‪⎣⎢(−1×1) + (0 × 2) + (7 × 0) + (6 × 3) (−1× 4) + (0 × 3) + (7 × −2) + (6 × 1)⎦⎥ ⎣⎢17 − 12‬‬
‫ﺣﺎﺻﻠﻀﺮب ‪ BA‬اﻣﻜﺎن ﭘﺬﻳﺮ ﻧﻴﺴﺖ‪.‬‬
‫‪12‬‬
 ‫ﻗﻮاﻧﻴﻦ ﺣﺎﻛﻢ ﺑﺮ ﺑﺮدارﻫﺎ و ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬
‫‪ -‬ﻧُﺮم ﻳﻚ ﺑﺮدار )‪(Vector Norm‬‬
‫‪ -‬ﻧُﺮم ﻳﻚ ﺑﺮدار ﺑﻪ ﺗﻌﺒﻴﺮي اﻧﺪازه ﻳﺎ ﻃﻮل آن ﺑﺮدار ﻣﻲ ﺑﺎﺷﺪ‪،‬‬

‫‪ u → u‬ﺑﺮاي ﻫﺮ ﺑﺮدار‬ ‫ﻧُﺮم ﺑﺮدار‬

‫‪ -‬ﺷﺮاﻳﻂ زﻳﺮ را دارا ﺑﺎﺷﺪ‪،‬‬

‫‪1.‬‬ ‫‪u > 0,‬‬ ‫‪u ≠ 0‬‬

‫‪2.‬‬ ‫‪u = 0,‬‬ ‫‪if‬‬ ‫‪u = 0‬‬
‫‪3.‬‬ ‫‪ku = k u‬‬
‫‪4.‬‬ ‫‪u+ v ≤ u + v‬‬ ‫ﻧﺎﻣﺴﺎوي ﻣﺜﻠﺜﺎﺗﻲ‬
‫‪5.‬‬ ‫‪u, v‬‬ ‫‪≤ u‬‬ ‫‪v‬‬ ‫ﻧﺎﻣﺴﺎوي ﻛﻮﺷﻲ‪ -‬ﺷﻮارﺗﺰ‬

‫‪13‬‬

‫ﻳﻚ ﻧُﺮم ﻛﺎرﺑﺮدي ← ﻧُﺮم اﻗﻠﻴﺪ‪‬ﺳﻲ ﺑﺮدار‬

‫‪ -‬ﻧُﺮم اﻗﻠﻴﺪ‪‬ﺳﻲ ﻳﻚ ﺑﺮدار ﺑﺼﻮرت رﻳﺸﻪ دوم ﻧﺎﻣﻨﻔﻲ ‪ u, u‬ﺗﻌﺮﻳﻒ ﻣﻲ ﺷﻮد‪،‬‬

‫‪u = u, u‬‬
‫‪12‬‬
‫) (‬
‫‪= u∗u‬‬
‫‪12‬‬
‫=‬
‫‪2‬‬ ‫‪2‬‬
‫‪u1 + u2 + L + un‬‬
‫‪2‬‬

‫ﻣﺜﺎل‬
‫ﻧُﺮم ﺑﺮدارﻫﺎي ‪ u‬و ‪ v‬را ﺑﺪﺳﺖ آورﻳﺪ‪.‬‬
‫‪u = [ j 2, −1, 3 + j ] ,‬‬ ‫]‪v = [4, −1, 2, 0‬‬
‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ راﺑﻄﻪ ﺑﺎﻻ دارﻳﻢ‪،‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫= ‪u‬‬ ‫‪j 2 + − 1 + 3 + j = 4 + 1 + 10 = 15‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫= ‪v‬‬ ‫‪4 + − 1 + 2 + 0 = 16 + 1 + 4 + 0 = 21‬‬

‫‪ -‬ﻣﺤﺎﺳﺒﻪ در ﻧﺮم اﻓﺰار ‪MATLAB‬‬

‫)‪ → sqrt(x'*x‬ﻣﺤﺎﺳﺒﻪ ﻧُﺮم اﻗﻠﻴﺪ‪‬ﺳﻲ → )‪norm(x‬‬
‫‪14‬‬
 ‫ﺗﻌﺒﻴﺮ ﻫﻨﺪﺳﻲ ﺿﺮب داﺧﻠﻲ و ﻧُﺮم ﺑﺮدارﻫﺎ‬
‫‪ -‬ﺿﺮب داﺧﻠﻲ دو ﺑﺮدار ﻋﺪدي اﺳﺖ ﻛﻪ ﺑﻪ اﻧﺪازه ﺑﺮدارﻫﺎ و زاوﻳﻪ ﺑﻴﻦ آﻧﻬﺎ ﻣﺮﺑﻮط اﺳﺖ‪،‬‬

‫‪u‬‬
‫‪u, v = u‬‬ ‫‪v cosθ‬‬
‫‪θ‬‬
‫‪v‬‬
‫)‪ (orthonormal‬ﻳﻜﺎﻣﺘﻌﺎﻣﺪ → ‪ u = v = 1‬اﮔﺮ و )‪ (orthogonal‬ﻣﺘﻌﺎﻣﺪ → ‪ u, v = 0‬اﮔﺮ‬

‫‪2‬‬
‫‪ -‬ﻛﻤﻴﺖ ‪ u‬ﺑﺼﻮرت ﺗﻮان دوم ﻓﺎﺻﻠﻪ ﻣﺒﺪأ ﺗﺎ ﻧﻘﻄﻪ ﻧﺸﺎن داده ﺷﺪه ﺑﺎ ﺑﺮدار ‪ u‬ﺗﻌﺒﻴﺮ ﻣﻲ ﮔﺮدد‪.‬‬

‫‪2‬‬
‫) ‪u = (u1 , u 2‬‬ ‫‪u = u12 + u22‬‬
‫‪u‬‬
‫‪u2‬‬

‫‪u1‬‬
‫‪15‬‬

‫ﺗﻌﺒﻴﺮ ﻫﻨﺪﺳﻲ ﻧُﺮم ﺑﺮدارﻫﺎ‬

‫‪ -‬ﺑﺮاي دو ﺑﺮدار ﺣﻘﻴﻘﻲ ‪ u‬و ‪ v‬ﻓﺎﺻﻠﻪ ﺑﻴﻦ دو ﺑﺮدار ﺑﺼﻮرت زﻳﺮ ﺗﻌﺮﻳﻒ ﻣﻲ ﮔﺮدد‪،‬‬

‫) ‪u = (u1 , u 2‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪u−v‬‬ ‫= ‪u-v‬‬ ‫‪u1 − v1 + u2 − v2‬‬
‫) ‪v = (v1 , v2‬‬

‫‪ -‬ﺗﻌﺒﻴﺮ ﻫﻨﺪﺳﻲ ﺑﺮاي ﻧﺎﻣﺴﺎوي ﻣﺜﻠﺜﺎﺗﻲ ﺑﺼﻮرت زﻳﺮ ﻣﻲ ﺑﺎﺷﺪ‪،‬‬

‫‪u+v‬‬
‫‪u‬‬

‫‪u+v‬‬
‫‪u‬‬ ‫‪u+v ≤ u + v‬‬
‫‪v‬‬
‫‪v‬‬

‫‪16‬‬
 ‫ﻣﺜﺎل‬
‫ﺑﺮدارﻫﺎي زﻳﺮ را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪،‬‬
‫⎧‬ ‫⎫‬
‫⎬]‪S : ⎨ v1 = [2,0,−1], v 2 = [0,−1,0], v 3 = [2,0,4‬‬
‫⎩‬ ‫⎭‬

‫اﻟﻒ( ﻣﺘﻌﺎﻣﺪ و ﻳﻜﺎﻣﺘﻌﺎﻣﺪ ﺑﻮدن ﺑﺮدارﻫﺎي ‪ v1 , v 2 , v 3‬را ﺑﺮرﺳﻲ ﻛﻨﻴﺪ‪.‬‬

‫ﺑﺮاي ﻣﺘﻌﺎﻣﺪ ﺑﻮدن ﺿﺮب داﺧﻠﻲ دو ﺑﻪ دوي اﻳﻦ ﺑﺮدارﻫﺎ را ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﻴﻢ‪،‬‬
‫‪v1 , v 2 = (2)(0) + (0)(−1) + (−1)(0) = 0‬‬
‫‪v1 , v 3 = (2)(2) + (0)(0) + (−1)(4) = 0‬‬
‫‪v 2 , v 3 = (0)(2) + (−1)(0) + (0)(4) = 0‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﻣﺠﻤﻮﻋﻪ ‪ S‬ﻳﻚ ﻣﺠﻤﻮﻋﻪ ﻣﺘﻌﺎﻣﺪ ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﺑﺮاي ﺑﺮرﺳﻲ ﻳﻜﺎﻣﺘﻌﺎﻣﺪ ﺑﻮدن‪ ،‬ﻧُﺮم ﺑﺮدارﻫﺎ را ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬
‫‪v1 = (2) 2 + (0) 2 + (−1) 2 = 5‬‬
‫‪v 2 = (0) 2 + (−1) 2 + (0) 2 = 1‬‬
‫‪v 3 = (2) 2 + (0) 2 + (4) 2 = 2 5‬‬
‫از آﻧﺠﺎﺋﻴﻜﻪ ﻧُﺮم ﺗﻤﺎﻣﻲ ﺑﺮدارﻫﺎ ﺑﺮاﺑﺮ ﻳﻚ ﻧﻤﻲ ﺑﺎﺷﺪ‪ ،‬ﭘﺲ ﻣﺠﻤﻮﻋﻪ ‪ S‬ﻳﻚ ﻣﺠﻤﻮﻋﻪ ﻳﻜﺎﻣﺘﻌﺎﻣﺪ ﻧﻴﺴﺖ‪.‬‬

‫ب( ﺑﺮدارﻫﺎي ‪ v1 , v 2 , v 3‬را ﺑﻪ ﺑﺮدارﻫﺎي ﻳﻜﺎﻣﺘﻌﺎﻣﺪ ﺗﺒﺪﻳﻞ ﻛﻨﻴﺪ‪.‬‬

‫ﺑﺮاي اﻳﻦ ﻣﻨﻈﻮر ﺑﺎﻳﺪ ﺑﺮدارﻫﺎ را ﺑﻪ ﻧﺤﻮي ﺗﺒﺪﻳﻞ ﻛﻨﻴﻢ ﻛﻪ ﻧﺮم آﻧﻬﺎ ﺑﺮاﺑﺮ ﻳﻚ ﮔﺮدد‪ .‬اﮔﺮ ﻫﺮ ﻳﻚ از ﺑﺮدارﻫﺎ را ﺑﻪ ﻧُﺮم ﺧﻮدش‬
‫ﺗﻘﺴﻴﻢ ﻛﻨﻴﻢ ﭼﻨﻴﻦ ﻫﺪﻓﻲ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ‪،‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪⎛ 2‬‬ ‫⎞ ‪−1‬‬
‫= ‪u1‬‬ ‫= ‪v1‬‬ ‫⎜⎜ = )‪(2,0,−1‬‬ ‫‪,0,‬‬ ‫⎟⎟‬
‫‪v1‬‬ ‫‪5‬‬ ‫⎝‬ ‫‪5‬‬ ‫⎠‪5‬‬
‫‪1‬‬ ‫‪1‬‬
‫= ‪u2‬‬ ‫) ‪v 2 = (0,−1,0) = (0,−1,0‬‬
‫‪v2‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪⎛ 1‬‬ ‫⎞ ‪2‬‬
‫= ‪u3‬‬ ‫= ‪v3‬‬ ‫⎜⎜ = )‪(2,0,4‬‬ ‫‪,0,‬‬ ‫⎟⎟‬
‫‪v3‬‬ ‫‪2 5‬‬ ‫‪⎝ 5‬‬ ‫⎠‪5‬‬
‫ﺣﺎل ﻣﻲ ﺗﻮان ﺑﺮاﺣﺘﻲ ﻧﺸﺎن داد ﻛﻪ ﺑﺮدارﻫﺎي ﺟﺪﻳﺪ ‪ u1 , u 2 , u3‬ﻳﻜﺎﻣﺘﻌﺎﻣﺪ ﻫﺴﺘﻨﺪ‪،‬‬

‫‪u1 , u 2 = u1 , u 3 = u 2 , u3 = 0‬‬
‫‪u1 = u 2 = u3 = 1‬‬
‫‪17‬‬
 ‫‪ -‬ﻧُﺮم ﻣﺎﺗﺮﻳﺲ ﻫﺎ )‪(Matrix Norm‬‬
‫‪ -‬ﻧُﺮم ﻳﻚ ﻣﺎﺗﺮﻳﺲ ﺣﺪاﻛﺜﺮ ﺑﺰرﮔﻨﻤﺎﻳﻲ ﻳﺎ ﺑﻬﺮه آن را ﺗﺤﺖ ﭼﻨﻴﻦ ﺗﺒﺪﻳﻠﻲ ﻧﺸﺎن ﻣﻲ دﻫﺪ‪،‬‬

‫‪x‬‬ ‫‪A‬‬ ‫‪Ax‬‬

‫ﻧﺴﺒﺖ ‪ Ax / x‬را ﻣﻲ ﺗﻮان ﺑﻪ ﻋﻨﻮان ﺑﻬﺮه ﻳﺎ ﺑﺰرﮔﻨﻤﺎﻳﻲ اﭘﺮاﺗﻮر ‪ y = f (x) = Ax‬در ﺟﻬﺖ ﺑﺮدار ‪x‬‬
‫ﺗﻌﺮﻳﻒ ﻛﺮد‪،‬‬
‫‪Ax‬‬
‫= )‪gain(x‬‬
‫‪x‬‬
‫ﻧُﺮم ﻳﻚ ﻣﺎﺗﺮﻳﺲ را ﺑﺼﻮرت ﺑﺰرﮔﺘﺮﻳﻦ ﺑﻬﺮه ﻗﺎﺑﻞ دﺳﺘﺮﺳﻲ ﺗﻌﺮﻳﻒ ﻣﻲ ﮔﺮدد‪،‬‬

‫‪Ax‬‬
‫‪A = max gain(x) = max‬‬
‫‪x≠0‬‬ ‫‪x≠0‬‬ ‫‪x‬‬
‫‪18‬‬

‫ﺧﻮاص ﻧُﺮم ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬

‫‪ -‬ﻧُﺮم ﻳﻚ ﻣﺎﺗﺮﻳﺲ ‪ An× n‬داراي ﺧﻮاص زﻳﺮ اﺳﺖ‪،‬‬

‫‪1.‬‬ ‫‪A = A∗ ,‬‬ ‫‪A = AT‬‬

‫‪2.‬‬ ‫‪A+ B ≤ A + B‬‬

‫‪3.‬‬ ‫‪AB ≤ A‬‬ ‫‪B‬‬

‫‪4.‬‬ ‫‪Ax ≤ A‬‬ ‫‪x‬‬

‫‪5.‬‬ ‫‪kA = k‬‬ ‫‪A‬‬

‫‪6.‬‬ ‫‪A ≥0‬‬ ‫‪,‬‬ ‫‪A =0⇔ A=0‬‬

‫‪ -‬در ﻧﺮم اﻓﺰار ‪ MATLAB‬دﺳﺘﻮر )‪ norm(A‬ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻧُﺮم ﻣﺎﺗﺮﻳﺲ وﺟﻮد دارد‪.‬‬
‫‪19‬‬
 ‫ﻣﺜﺎل‬
،‫ﺑﻪ ﻣﺜﺎل ﻫﺎي زﻳﺮ ﺗﻮﺟﻪ ﻧﻤﺎﻳﻴﺪ‬
Ax 0
1. A = 0 → Ax = 0 → A = max = max =0
x≠0 x x≠0 x

Ax x
2. A = I → Ax = x → A = max = max =1
x≠0 x x≠0 x

⎡0 1 0 ⎤ ⎡ x1 ⎤
3. A = ⎢⎢0 0 − 1⎥⎥ , x = ⎢⎢ x 2 ⎥⎥ → Ax = [ x 2 ,− x3 , x1 ]
⎢⎣1 0 0 ⎥⎦ ⎢⎣ x3 ⎥⎦

Ax = x 22 + x32 + x12 → A = 1

⎡α 1 0 L 0⎤
⎢0 α L 0 ⎥⎥
4. A=⎢ 2
→ Ax = [α 1 x1 , α 2 x 2 , K, α n x n ]
⎢M M O M ⎥
⎢ ⎥
⎣0 0 L αn ⎦
Ax α 12 x12 + α 22 x 22 + L + α n2 x n2
A = max = max = max{α 1 , α 2 , K, α n }
x≠0 x x≠0
x12 + x 22 + L + x n2
،‫ﺑﺮاي اﺛﺒﺎت ﻓﺮض ﻛﻨﻴﺪ دارﻳﻢ‬
α 12 ≥ α 22 ≥ L ≥ α n2 ⇒ α 1 = max{α i }
i

،‫ ﻣﻲ ﺗﻮان ﻧﻮﺷﺖ‬،‫ اﺳﺖ‬x ≠ 0 ‫از آﻧﺠﺎﻳﻴﻜﻪ‬

α 12 x12 + α 22 x22 + L + α n2 xn2 ≤ α 12 ( x12 + x22 + L + xn2 )

α 12 x12 + α 22 x22 + L + α n2 xn2 ≤ α1 x12 + x22 + L + xn2

α 12 x12 + α 22 x22 + L + α n2 xn2
≤ α1
x12 + x22 + L + xn2
،‫ﺑﻨﺎﺑﺮاﻳﻦ دارﻳﻢ‬
⎧⎪ α 2 x 2 + α 2 x 2 + L + α 2 x 2 ⎫⎪
max ⎨ 1 1 ⎬ = α 1 → A = max{α 1 , α 2 ,K, α n }
2 2 n n
x ≠0
⎪⎩ x1 + x2 + L + xn
2 2 2
⎪⎭

20
 ‫دﺗﺮﻣﻴﻨﺎن ﻣﺎﺗﺮﻳﺲ ﻫﺎ‬

‫ﺑﺮاي ﻫﺮ ﻣﺎﺗﺮﻳﺲ ﻣﺮﺑﻌﻲ ‪ An×n‬ﻋﺪدي را ﺑﻪ ﻋﻨﻮان دﺗﺮﻣﻴﻨﺎن )‪ (Determinant‬ﻣﻲ ﺗﻮان ﻧﺴﺒﺖ داد‪،‬‬

‫‪n‬‬
‫) ‪det( A) = A = ∑ aij (−1)i + j det( Aij‬‬
‫‪j =1‬‬

‫‪ Aij‬ﻳﻚ ﻣﺎﺗﺮﻳﺲ ﻣﺮﺑﻌﻲ )‪ ( n − 1) × (n − 1‬اﺳﺖ ﻛﻪ از ﺣﺬف ﺳﻄﺮ ‪ i‬ام و ﺳﺘﻮن ‪ j‬ام در ﻣﺎﺗﺮﻳﺲ ‪An× n‬‬
‫ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ‪.‬‬

‫‪ -‬دﺳﺘﻮر )‪ det(A‬در ﻧﺮم اﻓﺰار ‪ MATLAB‬وﺟﻮد دارد‪.‬‬

‫‪21‬‬

‫ﺧﻮاص دﺗﺮﻣﻴﻨﺎن‬
‫‪ -1‬ﺑﺎ ﺗﻌﻮﻳﺾ ﺟﺎي دو ﺳﻄﺮ )ﻳﺎ دو ﺳﺘﻮن( دﺗﺮﻣﻴﻨﺎن‪ ،‬ﺗﻨﻬﺎ ﻋﻼﻣﺖ دﺗﺮﻣﻴﻨﺎن ﺗﻐﻴﻴﺮ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫‪ -2‬اﮔﺮ ﻳﻚ ﺳﻄﺮ)ﻳﺎ ﻳﻚ ﺳﺘﻮن( دﺗﺮﻣﻴﻨﺎن را ﺑﺎ ﻳﻚ ﺳﻄﺮ)ﻳﺎ ﻳﻚ ﺳﺘﻮن( دﻳﮕﺮ ﺟﻤﻊ ﻛﻨﻴﻢ ﻣﻘﺪار دﺗﺮﻣﻴﻨﺎن‬
‫ﺗﻐﻴﻴﺮ ﻧﻤﻲ ﻛﻨﺪ‪.‬‬
‫‪ -3‬اﮔﺮ ﻳﻚ ﻣﺎﺗﺮﻳﺲ دو ﺳﻄﺮ)ﻳﺎ دو ﺳﺘﻮن( ﻳﻜﺴﺎن داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬آﻧﮕﺎه دﺗﺮﻣﻴﻨﺎن آن ﺻﻔﺮ اﺳﺖ‪.‬‬
‫‪ -4‬ﺑﺮاي دو ﻣﺎﺗﺮﻳﺲ ﻣﺮﺑﻌﻲ ‪ An× n‬و ‪ Bn×n‬دارﻳﻢ‪،‬‬
‫‪AB = A B = BA‬‬
‫‪ -5‬اﮔﺮ در ﻳﻚ ﻣﺎﺗﺮﻳﺲ ﻳﻚ ﺳﻄﺮ )ﻳﺎ ﻳﻚ ﺳﺘﻮن( در ﻳﻚ ﻋﺪد اﺳﻜﺎﻟﺮ ‪ k‬ﺿﺮب ﺷﻮد‪ ،‬آﻧﮕﺎه دﺗﺮﻣﻴﻨﺎن آن‬
‫ﻣﺎﺗﺮﻳﺲ در ‪ k‬ﺿﺮب ﻣﻲ ﺷﻮد‪.‬‬
‫‪ -6‬اﮔﺮ ﺗﻤﺎﻣﻲ دراﻳﻪ ﻫﺎي ﻳﻚ ﻣﺎﺗﺮﻳﺲ ﻣﺮﺑﻌﻲ ‪ An× n‬در ﻋﺪد اﺳﻜﺎﻟﺮ ‪ k‬ﺿﺮب ﺷﻮﻧﺪ‪ ،‬آﻧﮕﺎه دﺗﺮﻣﻴﻨﺎن آن‬
‫ﻣﺎﺗﺮﻳﺲ در ‪ k n‬ﺿﺮب ﺧﻮاﻫﺪ ﺷﺪ‪،‬‬
‫‪kA = k n A‬‬
‫‪22‬‬
 ‫ﻣﺎﺗﺮﻳﺲ ﻫﺎي ﻣﻨﻔﺮد‪ ،‬ﻏﻴﺮ ﻣﻨﻔﺮد و ﻣﺎﺗﺮﻳﺲ ﻣﻌﻜﻮس‬
‫‪ -‬ﺑﺮاي ﻣﺎﺗﺮﻳﺲ ﻣﺮﺑﻌﻲ ‪An× n‬‬

‫‪∃ Bn×n‬‬ ‫→‬ ‫‪AB = BA = I‬‬ ‫⇒‬ ‫‪ An× n‬ﻏﻴﺮ ﻣﻨﻔﺮد )‪ (Nonsingular‬ﻳﺎ ﻧﺎ وﻳﮋه‬

‫‪A−1‬‬
‫ﻣﺎﺗﺮﻳﺲ ﻣﻌﻜﻮس )‪(Inverse Matrix‬‬

‫‪ -‬اﮔﺮ ‪ A−1‬وﺟﻮد ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﻣﺎﺗﺮﻳﺲ ‪ A‬را ﻣﻨﻔﺮد)‪ (Singular‬ﻳﺎ وﻳﮋه ﮔﻮﻳﻨﺪ‪.‬‬

‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﻣﻌﻜﻮس ‪ A−1‬زﻣﺎﻧﻲ وﺟﻮد دارد ﻛﻪ ‪ A ≠ 0‬ﺑﺎﺷﺪ‪.‬‬

‫‪ -‬دﺳﺘﻮر )‪ inv(A‬در ﻧﺮم اﻓﺰار ‪ MATLAB‬وﺟﻮد دارد‪.‬‬

‫‪23‬‬

‫ﻧﻜﺘﻪ‪:1‬‬
‫‪An×n , Bn×n‬‬
‫‪ 1‬اﮔﺮ‬ ‫⇒‬ ‫ﻏﻴﺮ ﻣﻨﻔﺮد → ‪AB‬‬ ‫‪→ ( AB) −1 = B −1 A−1‬‬
‫‪424‬‬ ‫‪3‬‬
‫↓‬
‫ﻏﻴﺮ ﻣﻨﻔﺮد‬
‫ﻧﻜﺘﻪ‪ :2‬اﮔﺮ ‪ k ≠ 0‬و ‪ A ≠ 0‬ﺑﺎﺷﺪ‪،‬‬
‫‪1 −1‬‬
‫= ‪(kA) −1‬‬ ‫‪A‬‬ ‫‪,‬‬ ‫‪( A −1 ) −1 = A‬‬
‫‪k‬‬
‫ﻧﻜﺘﻪ‪ :3‬دﺗﺮﻣﻴﻨﺎن ﻣﺎﺗﺮﻳﺲ ﻣﻌﻜﻮس ‪ A−1‬ﻫﻤﺎن ﻣﻌﻜﻮس دﺗﺮﻣﻴﻨﺎن ‪ A‬اﺳﺖ‪،‬‬
‫‪1‬‬
‫= ‪A −1‬‬ ‫→‬ ‫‪AA−1 = A A −1 = 1‬‬
‫‪A‬‬
‫ﻧﻜﺘﻪ‪ :4‬اﮔﺮ ﻣﺎﺗﺮﻳﺲ ﻣﺮﺑﻌﻲ ‪ An×n‬ﻏﻴﺮﻣﻨﻔﺮد ﺑﺎﺷﺪ‪،‬‬
‫‪Ax = b‬‬ ‫→‬ ‫‪x = A −1b‬‬
‫‪24‬‬
 ‫ﻧﺤﻮه ﻣﺤﺎﺳﺒﻪ ﻣﻌﻜﻮس ﻣﺎﺗﺮﻳﺲ ﻫﺎي ﻣﺘﺪاول‬

‫‪ -‬ﺑﺮاي ﻳﻚ ﻣﺎﺗﺮﻳﺲ ﻏﻴﺮﻣﻨﻔﺮد ‪، 2 × 2‬‬

‫⎤ ‪adj ( A) 1 ⎡ (−1) a22 (−1) a12‬‬

‫‪1+1‬‬ ‫‪1+ 2‬‬
‫‪⎡a‬‬ ‫⎤ ‪a‬‬
‫⎥ ‪A = ⎢ 11 12‬‬ ‫→‬ ‫= ‪A−1‬‬ ‫⎢ =‬ ‫⎥‬
‫⎦ ‪⎣a21 a22‬‬ ‫‪A‬‬ ‫⎦ ‪A ⎣(−1) 2 +1 a21 (−1) 2 + 2 a11‬‬

‫)‪ adj ( A‬ﻫﻤﺎن ﻣﺎﺗﺮﻳﺲ اﻟﺤﺎﻗﻲ )‪ (Adjoint‬اﺳﺖ‪ ،‬ﻛﻪ ﻫﺮ ﻋﻨﺼﺮ ﺗﺮاﻧﻬﺎده آن از دﺗﺮﻣﻴﻨﺎن ﻣﺎﺗﺮﻳﺲ‬
‫ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﺣﺬف ﺳﻄﺮ ‪ i‬ام و ﺳﺘﻮن ‪ j‬ام ﺑﺪﺳﺖ آﻣﺪه اﺳﺖ‪.‬‬

‫ﻣﺜﺎل‬
‫⎤‪⎡1 2‬‬ ‫‪1 ⎡ 4 − 2⎤ ⎡ − 2‬‬ ‫⎤ ‪1‬‬
‫⎢=‪A‬‬ ‫⎥‬ ‫→‬ ‫= ‪A−1‬‬ ‫⎢=‬
‫⎦‪⎣3 4‬‬
‫⎢‬ ‫⎥‬
‫⎦⎥‪− 2 ⎣− 3 1 ⎦ ⎣3 2 − 1 2‬‬
‫‪25‬‬

‫ﺑﺮاي ﻳﻚ ﻣﺎﺗﺮﻳﺲ ﻏﻴﺮﻣﻨﻔﺮد ‪، 3× 3‬‬

‫⎡‬ ‫‪a22‬‬ ‫‪a23‬‬ ‫‪a12‬‬ ‫‪a13‬‬ ‫‪a12‬‬ ‫⎤ ‪a13‬‬
‫‪⎢+‬‬ ‫‪−‬‬ ‫‪+‬‬ ‫⎥‬
‫⎢‬ ‫‪a32‬‬ ‫‪a33‬‬ ‫‪a32‬‬ ‫‪a33‬‬ ‫‪a22‬‬ ‫⎥ ‪a23‬‬
‫‪⎡ a11‬‬ ‫‪a12‬‬ ‫⎤ ‪a13‬‬
‫⎢ ‪1‬‬ ‫⎥ ‪a13‬‬
‫‪A = ⎢⎢a21‬‬ ‫‪a23 ⎥⎥ → A−1 = ⎢ −‬‬
‫‪a21‬‬ ‫‪a23‬‬ ‫‪a11‬‬ ‫‪a13‬‬ ‫‪a11‬‬
‫‪a22‬‬ ‫‪+‬‬ ‫‪−‬‬ ‫⎥‬
‫⎢‪A‬‬ ‫‪a31‬‬ ‫‪a33‬‬ ‫‪a31 a33‬‬ ‫‪a21‬‬ ‫⎥ ‪a23‬‬
‫‪⎢⎣ a31‬‬ ‫‪a32‬‬ ‫⎦⎥ ‪a33‬‬
‫⎢‬ ‫‪a21‬‬ ‫‪a22‬‬ ‫‪a‬‬ ‫‪a12‬‬ ‫‪a‬‬ ‫⎥ ‪a12‬‬
‫‪⎢+‬‬ ‫‪− 11‬‬ ‫‪+ 11‬‬ ‫⎥‬
‫⎣‬ ‫‪a31‬‬ ‫‪a32‬‬ ‫‪a31 a32‬‬ ‫‪a21‬‬ ‫⎦ ‪a22‬‬
‫ﻣﺜﺎل‬
‫‪⎡1‬‬ ‫⎤‪1 2‬‬
‫‪A = ⎢⎢ 3‬‬ ‫⎥⎥‪0 3‬‬ ‫→‬ ‫‪A = 1(0 − 9) − 1(0 + 6) + 2(9 − 0) = 3‬‬
‫‪⎢⎣− 2‬‬ ‫⎦⎥‪3 0‬‬
‫‪⎡ 0‬‬ ‫‪3‬‬ ‫‪1 2‬‬ ‫⎤‪1 2‬‬
‫⎢‬ ‫‪−‬‬ ‫⎥‬
‫‪⎢ 3‬‬ ‫‪0‬‬ ‫‪3 0‬‬ ‫⎥‪0 3‬‬
‫‪⎡− 9 6‬‬ ‫‪3 ⎤ ⎡− 3‬‬ ‫‪2‬‬ ‫⎤‪1‬‬
‫‪1⎢ 3‬‬ ‫‪3‬‬ ‫‪1 2‬‬ ‫⎢‪1 2⎥ 1‬‬
‫‪A −1‬‬ ‫‪= ⎢−‬‬ ‫‪−‬‬ ‫‪⎥ = ⎢− 6 4‬‬ ‫⎥⎥ ‪3 ⎥ = ⎢− 2 4 3 1‬‬
‫⎥‬ ‫⎢‬
‫‪3⎢ −2‬‬ ‫‪0‬‬ ‫‪−2 0‬‬ ‫‪3 3⎥ 3‬‬
‫⎦⎥‪⎢⎣ 9 − 5 − 3⎥⎦ ⎢⎣ 3 − 5 3 − 1‬‬
‫‪⎢ 3‬‬ ‫‪0‬‬ ‫‪1 1‬‬ ‫⎥‪1 1‬‬
‫⎢‬ ‫‪−‬‬ ‫⎥‬
‫‪⎢⎣ − 2‬‬ ‫‪3‬‬ ‫‪−2 3‬‬ ‫⎦⎥ ‪3 0‬‬
‫‪26‬‬
 ‫رواﺑﻂ ﻛﺎرﺑﺮدي از ﻣﺎﺗﺮﻳﺲ ﻫﺎي ﺑﻠﻮﻛﻲ و دﺗﺮﻣﻴﻨﺎن ﻫﺎ‬

‫‪ -‬ﺑﺮاي ﻣﺎﺗﺮﻳﺲ ﻫﺎي ‪ Cm× n ، Bn× m ، An× n‬و ‪ Dm× m‬رواﺑﻂ زﻳﺮ ﺑﺮﻗﺮار ﻫﺴﺘﻨﺪ‪،‬‬

‫اﻟﻒ( اﮔﺮ ‪ A ≠ 0‬و ‪ D ≠ 0‬ﺑﺎﺷﻨﺪ‪ ،‬دارﻳﻢ‪،‬‬

‫‪A B‬‬ ‫‪A‬‬ ‫‪0‬‬
‫=‬ ‫‪= AD‬‬
‫‪0‬‬ ‫‪D‬‬ ‫‪C‬‬ ‫‪D‬‬

‫ب( اﮔﺮ ‪ A = 0‬ﻳﺎ ‪ D = 0‬ﻳﺎ ‪ A = D = 0‬ﺑﺎﺷﻨﺪ‪ ،‬دارﻳﻢ‪،‬‬

‫‪A B‬‬ ‫‪A‬‬ ‫‪0‬‬
‫=‬ ‫‪=0‬‬
‫‪0‬‬ ‫‪D‬‬ ‫‪C‬‬ ‫‪D‬‬

‫ج( اﮔﺮ ‪ A ≠ 0‬ﺑﺎﺷﺪ‪ ،‬آﻧﮕﺎه‪،‬‬

‫‪A‬‬ ‫‪B‬‬
‫‪= A D − CA−1B‬‬
‫‪C‬‬ ‫‪D‬‬

‫د( اﮔﺮ ‪ D ≠ 0‬ﺑﺎﺷﺪ‪ ،‬آﻧﮕﺎه‪،‬‬

‫‪A B‬‬
‫‪= D A − BD −1C‬‬
‫‪C D‬‬

‫ه( اﮔﺮ ‪ A ≠ 0‬و ‪ D ≠ 0‬ﺑﺎﺷﻨﺪ‪ ،‬دارﻳﻢ‪،‬‬

‫‪−1‬‬
‫⎤ ‪⎡A 0‬‬ ‫‪⎡ A−1‬‬ ‫⎤ ‪0‬‬
‫⎢ = ⎥ ‪⎢C D‬‬ ‫‪−1‬‬ ‫‪−1‬‬ ‫⎥‬
‫⎣‬ ‫⎦‬ ‫‪⎣− D CA‬‬ ‫⎦ ‪D −1‬‬

‫‪−1‬‬
‫⎤‪⎡A B‬‬ ‫⎤ ‪⎡ A−1 − A−1BD −1‬‬
‫⎢ = ⎥‪⎢ 0 D‬‬ ‫⎥‬
‫⎣‬ ‫⎦‬ ‫‪⎣ 0‬‬ ‫⎦ ‪D −1‬‬
‫‪27‬‬
 ‫رواﺑﻂ ﻛﺎرﺑﺮدي از ﻣﺎﺗﺮﻳﺲ ﻫﺎي ﺑﻠﻮﻛﻲ و دﺗﺮﻣﻴﻨﺎن ﻫﺎ‬

‫ﺑﺮاي ﻣﺎﺗﺮﻳﺲ ﻫﺎي ‪ An× m‬و ‪ Bm× n‬رواﺑﻂ زﻳﺮ ﺑﺮﻗﺮار اﺳﺖ‪،‬‬
‫اﻟﻒ(‬
‫‪I n + AB = I m + BA‬‬

‫ب( اﮔﺮ ‪ m = 1‬ﺑﺎﺷﺪ‪،‬‬

‫‪I n + AB = 1 + BA‬‬

‫ج( اﮔﺮ ‪ I n + AB ≠ 0‬ﺑﺎﺷﺪ‪،‬‬

‫‪( I n + AB)−1 = I n − A( I m + BA) −1 B‬‬

‫د( ﺑﺮاي ﻣﺎﺗﺮﻳﺲ ﻫﺎي ‪ Cm× n ، Bn× m ، An× n‬و ‪ Dm× m‬ﺑﺎ ﻓﺮض اﻳﻨﻜﻪ ﻣﻌﻜﻮس ﻫﺎي ﻧﺸﺎن داده ﺷﺪه وﺟﻮد‬
‫دارﻧﺪ‪ ،‬ﻟﻢ ﻣﻌﻜﻮس ﺳﺎزي ﻣﺎﺗﺮﻳﺲ )‪ (Matrix Inversion Lemma‬ﺑﺼﻮرت زﻳﺮ ﺑﺮﻗﺮار اﺳﺖ‪،‬‬

‫‪( A + BDC ) −1 = A−1 − A−1B ( D −1 + CA −1 B ) −1 CA −1‬‬

‫اﺛﺒﺎت‪ :‬اﺑﺘﺪا ﻃﺮﻓﻴﻦ ﻣﻌﺎدﻟﻪ را در ) ‪ ( A + BDC‬ﺿﺮب ﻣﻲ ﻛﻨﻴﻢ‪،‬‬

‫] ‪( A + BDC )( A + BDC ) −1 = ( A + BDC )[ A−1 − A−1B ( D −1 + CA−1B ) −1 CA−1‬‬

‫در اﻳﻨﺼﻮرت دارﻳﻢ‪،‬‬

‫‪I = ( A + BDC ) A−1 − ( A + BDC ) A−1 B( D −1 + CA−1 B) −1 CA−1‬‬
‫‪= I + BDCA−1 − ( B + BDCA−1B) ( D −1 + CA−1B) −1 CA−1‬‬
‫‪= I + BDCA−1 − BD( D −1 + CA−1B)( D −1 + CA−1B) −1 CA−1‬‬
‫‪= I + BDCA−1 − BDCA−1 = I‬‬
‫‪28‬‬
 ‫ﻣﻌﺮﻓﻲ ﭼﻨﺪ ﻣﺎﺗﺮﻳﺲ ﺧﺎص‬
‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﻣﺨﺘﻠﻂ )‪ :(Complex‬ﻣﺎﺗﺮﻳﺴﻲ اﺳﺖ ﻛﻪ ﻫﻤﻪ ﻳﺎ ﺑﺮﺧﻲ از ﻋﻨﺎﺻﺮ آن اﻋﺪاد ﻣﺨﺘﻠﻂ ﺑﺎﺷﻨﺪ‪.‬‬

‫‪⎡ 0‬‬ ‫‪1‬‬ ‫⎤ ‪3‬‬

‫⎢‬
‫‪A = ⎢ −1+ j‬‬ ‫‪−1‬‬ ‫⎥⎥ ‪− 2 + 3 j‬‬
‫‪⎣⎢− 1 + 4 j 3 − 3 j‬‬ ‫⎥⎦ ‪− 2‬‬

‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﻣﺨﺘﻠﻂ ﻣﺰدوج )‪ :(Complex Conjugated‬دراﻳﻪ ﻫﺎي آن ﻣﺰدوج ﻣﺨﺘﻠﻂ دراﻳﻪ ﻫﺎي‬
‫ﻣﺘﻨﺎﻇﺮ در ﻣﺎﺗﺮﻳﺲ ﻣﺨﺘﻠﻂ ‪ A‬ﺑﺎﺷﺪ‪.‬‬

‫‪⎡ 0‬‬ ‫‪1‬‬ ‫⎤ ‪3‬‬

‫] ‪A = [ aij‬‬ ‫→‬ ‫⎢‬
‫‪A = ⎢ −1 − j‬‬ ‫⎥⎥ ‪− 1 − 2 − 3 j‬‬
‫‪⎢⎣− 1 − 4 j 3 + 3 j‬‬ ‫⎦⎥ ‪− 2‬‬
‫‪29‬‬

‫ﻣﻌﺮﻓﻲ ﭼﻨﺪ ﻣﺎﺗﺮﻳﺲ ﺧﺎص‬

‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﺗﺮاﻧﻬﺎده )‪:(Transposed‬‬

‫⎤ ‪⎡0 − 1 + j − 1 + 4 j‬‬
‫] ‪AT = [a ji‬‬ ‫→‬ ‫‪A = ⎢⎢1‬‬
‫‪T‬‬
‫‪−1‬‬ ‫⎥⎥ ‪3 − 3 j‬‬
‫‪⎢⎣3 − 2 + 3 j‬‬ ‫⎦⎥ ‪− 2‬‬

‫‪ -‬ﻋﻤﻠﮕﺮ '‪ .‬در ﻧﺮم اﻓﺰار ‪ MATLAB‬وﺟﻮد دارد‪A .' ← .‬‬

‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﺗﺮاﻧﻬﺎده ﻣﺰدوج )‪ :(Conjugate Transposed‬ﻣﺰدوج ﺗﺮاﻧﻬﺎده ﻳﻚ ﻣﺎﺗﺮﻳﺲ اﺳﺖ‪.‬‬

‫⎤ ‪⎡0 − 1 − j − 1 − 4 j‬‬
‫‪A∗ = ⎢⎢1‬‬ ‫⎥⎥ ‪3 + 3 j‬‬
‫∗‬
‫] ‪A = A = [a ji‬‬
‫‪T‬‬
‫→‬ ‫‪−1‬‬
‫‪⎢⎣3 − 2 − 3 j‬‬ ‫⎦⎥ ‪− 2‬‬

‫‪ -‬ﻋﻤﻠﮕﺮ ' در ﻧﺮم اﻓﺰار ‪ MATLAB‬وﺟﻮد دارد‪A' ← .‬‬

‫‪30‬‬
 ‫∗‬
‫‪ ⇒ A = A‬ﻣﺎﺗﺮﻳﺲ ﺣﻘﻴﻘﻲ → ‪ A‬اﮔﺮ‬
‫‪T‬‬
‫ﻧﻜﺘﻪ‪:1‬‬

‫→ ‪∀A‬‬ ‫‪( A∗ )∗ = A‬‬ ‫و‬ ‫‪( AT )T = A‬‬ ‫ﻧﻜﺘﻪ‪:2‬‬

‫ﻧﻜﺘﻪ‪ :3‬اﮔﺮ ‪ A + B‬و ‪ AB‬ﻗﺎﺑﻞ ﺗﻌﺮﻳﻒ ﺑﺎﺷﻨﺪ‪،‬‬

‫‪( A + B )T = AT + BT‬‬ ‫‪,‬‬ ‫‪( AB )T = BT AT‬‬

‫∗ ‪( A + B )∗ = A∗ + B‬‬ ‫‪,‬‬ ‫∗‪( AB )∗ = B ∗ A‬‬

‫⇒ ﻣﺎﺗﺮﻳﺲ ﻣﺮﺑﻌﻲ → ‪ An×n‬اﮔﺮ‬ ‫‪ AT = A‬و ‪A∗ = A‬‬ ‫ﻧﻜﺘﻪ‪:4‬‬

‫‪∗ −1‬‬ ‫∗ ‪−1‬‬ ‫‪T −1‬‬ ‫‪−1 T‬‬

‫) ‪ ( A ) = ( A‬و ) ‪ ⇒ ( A ) = ( A‬ﻣﺎﺗﺮﻳﺲ ﻏﻴﺮﻣﻨﻔﺮد → ‪ An×n‬اﮔﺮ‬ ‫ﻧﻜﺘﻪ‪:5‬‬

‫∗‬ ‫∗‬
‫‪ ⇒ (cA) = c A‬ﻋﺪد ﻣﺨﺘﻠﻂ → ‪ c‬اﮔﺮ‬ ‫ﻧﻜﺘﻪ‪:6‬‬
‫‪31‬‬

‫ﻣﻌﺮﻓﻲ ﭼﻨﺪ ﻣﺎﺗﺮﻳﺲ ﺧﺎص‬

‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﻣﺘﻘﺎرن )‪ : (Symmetric‬ﻣﺎﺗﺮﻳﺴﻲ اﺳﺖ ﻛﻪ ﺗﺮاﻧﻬﺎده اش ﺑﺎ ﺧﻮدش ﺑﺮاﺑﺮ ﺑﺎﺷﺪ‪.‬‬

‫⎤ ‪⎡ 1 11 3‬‬
‫‪A= A‬‬ ‫‪,‬‬ ‫‪aij = a ji‬‬ ‫⎥⎥‪A = ⎢⎢11 0 − 2‬‬
‫‪T‬‬

‫⎦⎥ ‪⎢⎣ 3 − 2 5‬‬

‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﺷﺒﻪ ﻣﺘﻘﺎرن )‪ :(Skew-Symmetric‬ﻣﺎﺗﺮﻳﺴﻲ اﺳﺖ ﻛﻪ ﺑﺎ ﻣﻨﻔﻲ ﺗﺮاﻧﻬﺎده اش ﺑﺮاﺑﺮ ﺑﺎﺷﺪ‪،‬‬

‫‪⎡0‬‬ ‫⎤‪1 − 3‬‬
‫‪A = −A‬‬ ‫‪T‬‬
‫‪,‬‬ ‫‪aij = − a ji‬‬ ‫⎢‬
‫‪A = ⎢− 1 0‬‬ ‫⎥⎥ ‪5‬‬
‫⎦⎥ ‪⎢⎣ 3 − 5 0‬‬
‫‪32‬‬
 ‫‪A+‬‬
‫‪ ⇒ 1‬ﻣﺎﺗﺮﻳﺲ ﻣﺮﺑﻌﻲ → ‪ An×n‬اﮔﺮ‬‫‪2A‬‬‫‪3‬‬
‫‪T‬‬
‫و‬ ‫‪A−‬‬
‫‪1‬‬‫‪2A‬‬‫‪3‬‬
‫‪T‬‬
‫ﻧﻜﺘﻪ‪:1‬‬
‫↓‬ ‫↓‬

‫ﻣﺎﺗﺮﻳﺲ ﻣﺘﻘﺎرن‬ ‫ﻣﺎﺗﺮﻳﺲ ﺷﺒﻪ ﻣﺘﻘﺎرن‬

‫⎤‪⎡ 4 − 2 3‬‬ ‫⎤ ‪⎡ 8 −3 8‬‬ ‫⎤‪⎡0 − 3 − 2‬‬
‫→ ⎥⎥‪A = ⎢⎢1 0 2‬‬ ‫⎥⎥ ‪A + A = ⎢⎢− 3 0 8‬‬
‫‪T‬‬
‫‪,‬‬ ‫⎥⎥‪A − A = ⎢⎢3 0 − 4‬‬
‫‪T‬‬

‫⎦⎥‪⎢⎣5 6 7‬‬ ‫‪⎢⎣ 8‬‬ ‫⎦⎥‪8 14‬‬ ‫‪⎢⎣2 4‬‬ ‫⎦⎥ ‪0‬‬

‫ﻣﺎﺗﺮﻳﺲ ﻣﺘﻘﺎرن → ‪ ⇒ AA , A A‬ﻣﺎﺗﺮﻳﺲ ﻏﻴﺮ ﻣﺮﺑﻌﻲ → ‪ A‬اﮔﺮ‬

‫‪T‬‬ ‫‪T‬‬
‫ﻧﻜﺘﻪ‪:2‬‬
‫⎤ ‪⎡1 0‬‬ ‫‪⎡1 2‬‬ ‫⎤ ‪9‬‬
‫⎤‪⎡86 37‬‬
‫⎥⎥‪A = ⎢⎢2 − 4‬‬ ‫→‬ ‫‪AA = ⎢2 20 − 2 ⎥⎥ ,‬‬
‫‪T‬‬ ‫⎢‬ ‫⎢ = ‪AT A‬‬ ‫⎥‬
‫⎦⎥ ‪⎢⎣9 5‬‬ ‫⎦⎥‪⎢⎣9 − 2 106‬‬ ‫⎦‪⎣37 41‬‬

‫‪−1‬‬
‫ﻣﺎﺗﺮﻳﺲ ﻣﺘﻘﺎرن → ‪ ⇒ A‬ﻣﺎﺗﺮﻳﺲ ﻣﺘﻘﺎرن و ﻏﻴﺮﻣﻨﻔﺮد → ‪ An×n‬اﮔﺮ‬ ‫ﻧﻜﺘﻪ‪:3‬‬
‫‪A= A‬‬ ‫‪T‬‬

‫‪AA −1 = I → ( A −1 )T AT = I T →T ( A −1 )T A = I = A −1 A ⇒ ( A −1 )T = A −1‬‬
‫‪I =I‬‬
‫‪33‬‬

‫ﻣﻌﺮﻓﻲ ﭼﻨﺪ ﻣﺎﺗﺮﻳﺲ ﺧﺎص‬

‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﻫﺮﻣﻴﺘﻲ )‪ :(Hermitian‬ﻳﻚ ﻣﺎﺗﺮﻳﺲ ﻣﺨﺘﻠﻂ ﻛﻪ راﺑﻄﻪ زﻳﺮ را ﺑﺮآورده ﺳﺎزد‪،‬‬

‫⎤ ‪⎡ −1 1− 2 j 3‬‬
‫‪A = ⎢⎢1 + 2 j‬‬ ‫⎥⎥ ‪− j‬‬
‫∗‬
‫‪A =A‬‬ ‫‪,‬‬ ‫‪aij = a ji‬‬ ‫‪0‬‬
‫‪⎢⎣ 3‬‬ ‫‪j‬‬ ‫⎦⎥ ‪1‬‬
‫ﻣﺎﺗﺮﻳﺲ ﻫﺮﻣﻴﺘﻲ ﺑﺎﻳﺪ ﻣﺮﺑﻌﻲ ﺑﻮده و دراﻳﻪ ﻫﺎي ﻗﻄﺮ اﺻﻠﻲ آن ﺻﻔﺮ ﻳﺎ ﺣﻘﻴﻘﻲ ﺑﺎﺷﻨﺪ‪.‬‬

‫ﻣﺎﺗﺮﻳﺲ ﺷﺒﻪ ﻫﺮﻣﻴﺘﻲ )‪ :(Skew-Hermitian‬ﻳﻚ ﻣﺎﺗﺮﻳﺲ ﻣﺨﺘﻠﻂ ﻛﻪ راﺑﻄﻪ زﻳﺮ را ﺑﺮآورده ﺳﺎزد‪،‬‬
‫‪⎡ j‬‬ ‫⎤‪1+ j 2 j‬‬
‫∗‬
‫‪A = −A‬‬ ‫‪,‬‬ ‫‪aij = − a ji‬‬ ‫⎢‬
‫‪A = ⎢− 1 + j 5 j‬‬ ‫⎥⎥ ‪3‬‬
‫‪⎢⎣ 2 j‬‬ ‫⎦⎥ ‪− 3 0‬‬
‫ﻣﺎﺗﺮﻳﺲ ﺷﺒﻪ ﻫﺮﻣﻴﺘﻲ ﻣﺮﺑﻌﻲ ﺑﻮده و ﻋﻨﺎﺻﺮ روي ﻗﻄﺮ اﺻﻠﻲ آن ﻣﻮﻫﻮﻣﻲ ﻳﺎ ﺻﻔﺮ ﺑﺎﺷﻨﺪ‪.‬‬
‫‪34‬‬
 ‫‪ → A = C + jD ⇒ C = C‬ﻣﺎﺗﺮﻳﺲ ﻫﺮﻣﻴﺘﻲ → ‪ An×n‬اﮔﺮ‬ ‫‪,‬‬ ‫‪D = − DT‬‬
‫‪T‬‬
‫ﻧﻜﺘﻪ‪:1‬‬
‫ﻣﺎﺗﺮﻳﺲ ﻣﺘﻘﺎرن‬ ‫ﻣﺎﺗﺮﻳﺲ ﺷﺒﻪ ﻣﺘﻘﺎرن‬
‫ﻣﺎﺗﺮﻳﺲ ﻫﺎي ﺣﻘﻴﻘﻲ‬

‫⎤ ‪⎡ −1 1− 2 j 3‬‬ ‫⎤‪⎡ − 1 1 3‬‬ ‫⎤ ‪⎡0 − 2 0‬‬

‫‪A = ⎢⎢1 + 2 j‬‬ ‫‪0‬‬ ‫⎥⎥ ‪− j‬‬ ‫‪A = C + jD = ⎢⎢ 1 0 0⎥⎥ +‬‬ ‫⎥⎥‪j ⎢⎢2 0 − 1‬‬
‫‪⎢⎣ 3‬‬ ‫‪j‬‬ ‫⎦⎥ ‪1‬‬ ‫⎦⎥‪⎢⎣ 3 0 1‬‬ ‫‪⎢⎣0 1‬‬ ‫⎦⎥ ‪1‬‬

‫‪ → A = C + jD ⇒ C = −C‬ﻣﺎﺗﺮﻳﺲ ﺷﺒﻪ ﻫﺮﻣﻴﺘﻲ → ‪ An×n‬اﮔﺮ‬ ‫‪,‬‬ ‫ﻧﻜﺘﻪ‪D = D T :2‬‬

‫‪T‬‬

‫ﻣﺎﺗﺮﻳﺲ ﻣﺘﻘﺎرن ﻣﺎﺗﺮﻳﺲ ﺷﺒﻪ ﻣﺘﻘﺎرن‬

‫ﻣﺎﺗﺮﻳﺲ ﻫﺎي ﺣﻘﻴﻘﻲ‬

‫‪⎡ j‬‬ ‫⎤‪1+ j 2 j‬‬ ‫‪⎡0‬‬ ‫⎤ ‪1 0 ⎤ ⎡1 1 2‬‬

‫⎢‬
‫‪A = ⎢− 1 + j 5 j‬‬ ‫⎥⎥ ‪3‬‬ ‫⎥⎥‪A = C + jD = ⎢− 1 0 3⎥⎥ + j ⎢⎢1 5 0‬‬
‫⎢‬
‫‪⎢⎣ 2 j‬‬ ‫⎦⎥ ‪− 3 0‬‬ ‫⎦⎥‪⎢⎣ 0 − 3 0⎥⎦ ⎢⎣2 0 0‬‬

‫ﻋﺪدي ﺣﻘﻴﻘﻲ → ‪ ⇒ A‬ﻣﺎﺗﺮﻳﺲ ﻫﺮﻣﻴﺘﻲ → ‪ An×n‬اﮔﺮ‬ ‫ﻧﻜﺘﻪ‪:3‬‬

‫‪A = A∗ = A‬‬

‫ﻣﺎﺗﺮﻳﺲ ﻫﺮﻣﻴﺘﻲ → ‪ ⇒ A −1‬ﻣﺎﺗﺮﻳﺲ ﻫﺮﻣﻴﺘﻲ → ‪ An×n‬اﮔﺮ‬ ‫ﻧﻜﺘﻪ‪:4‬‬

‫∗ ) ‪A −1 = ( A −1‬‬

‫‪ ⇒ A = G + jH‬ﻣﺎﺗﺮﻳﺲ ﻣﺮﺑﻌﻲ → ‪∀An×n‬‬ ‫ﻧﻜﺘﻪ‪:5‬‬

‫ﻣﺎﺗﺮﻳﺲ ﻫﺎي ﻫﺮﻣﻴﺘﻲ‬

‫‪1‬‬ ‫‪1‬‬
‫) ∗‪G = ( A + A‬‬ ‫‪,‬‬ ‫=‪H‬‬ ‫) ∗‪( A − A‬‬
‫‪2‬‬ ‫‪2j‬‬
‫‪35‬‬
 ‫ﻣﻌﺮﻓﻲ ﭼﻨﺪ ﻣﺎﺗﺮﻳﺲ ﺧﺎص‬

‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﻳﻜﻴﻦ )‪ :(Unitary‬ﻣﺎﺗﺮﻳﺲ ﻣﺨﺘﻠﻄﻲ اﺳﺖ ﻛﻪ در آن ﻣﻌﻜﻮس ﻣﺎﺗﺮﻳﺲ ﺑﺮاﺑﺮ ﺑﺎ ﻣﺰدوج ﺗﺮاﻧﻬﺎده‬
‫آن اﺳﺖ‪.‬‬
‫⎡‬ ‫‪1‬‬ ‫‪1‬‬ ‫⎤‬
‫⎢‬ ‫) ‪(2 + j‬‬ ‫⎥ ) ‪(3 + j‬‬
‫‪−1‬‬ ‫∗‬
‫‪A =A‬‬ ‫⎢=‪A‬‬ ‫‪15‬‬ ‫‪15‬‬ ‫⎥‬
‫⎢‬ ‫‪1‬‬ ‫‪1‬‬
‫) ‪( −3 + j‬‬ ‫⎥) ‪(2 − j‬‬
‫⎣⎢‬ ‫‪15‬‬ ‫‪15‬‬ ‫⎦⎥‬

‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﻧﺮﻣﺎل )‪ :(Normal‬ﻣﺎﺗﺮﻳﺲ ﻣﺮﺑﻌﻲ اﺳﺖ ﻛﻪ ﺑﺎ ﺗﺮاﻧﻬﺎده ﻣﺰدوج ﺧﻮد ﺟﺎﺑﺠﺎﻳﻲ ﭘﺬﻳﺮ ﺑﺎﺷﺪ‪،‬‬
‫‪⎡j‬‬ ‫⎤ ‪0‬‬
‫‪ → AA = A A‬ﻣﺎﺗﺮﻳﺲ ﺣﻘﻴﻘﻲ → ‪ A‬اﮔﺮ‬
‫‪T‬‬ ‫‪T‬‬
‫⎢=‪A‬‬ ‫⎥‬
‫⎦‪⎣0 3 − j 5‬‬
‫→ ﻣﺎﺗﺮﻳﺲ ﻣﺨﺘﻠﻂ → ‪ A‬اﮔﺮ‬ ‫‪AA∗ = A∗ A‬‬
‫‪36‬‬

‫∗‬ ‫∗‬
‫‪ ⇒ AA = A A = I‬ﻣﺎﺗﺮﻳﺲ ﻳﻜﻴﻦ → ‪ A‬اﮔﺮ‬ ‫ﻧﻜﺘﻪ‪:1‬‬

‫‪ ⇒ det( A) = 1‬ﻣﺎﺗﺮﻳﺲ ﻳﻜﻴﻦ → ‪ A‬اﮔﺮ‬ ‫ﻧﻜﺘﻪ‪:2‬‬

‫ﻣﺎﺗﺮﻳﺲ ﻳﻜﻴﻦ → ‪ ⇒ A −1‬ﻣﺎﺗﺮﻳﺲ ﻳﻜﻴﻦ → ‪ A‬اﮔﺮ‬ ‫ﻧﻜﺘﻪ‪:3‬‬

‫‪( A−1 )∗ ( A−1 ) = ( A∗ )∗ ( A−1 ) = ( A)( A−1 ) = I‬‬
‫‪( A−1 )( A−1 )∗ = ( A−1 )( A∗ )∗ = ( A−1 )( A) = I‬‬

‫ﻣﺎﺗﺮﻳﺲ ﻳﻜﻴﻦ → ‪ ⇒ AB‬ﻣﺎﺗﺮﻳﺲ ﻫﺎي ﻳﻜﻴﻦ → ‪ An×n , Bn×n‬اﮔﺮ‬ ‫ﻧﻜﺘﻪ‪:4‬‬

‫‪( AB)( AB)∗ = ABB∗ A∗ = AA∗ = I‬‬
‫‪( AB)∗ ( AB) = B∗ A∗ AB = B∗ B = I‬‬

‫ﻧﻜﺘﻪ‪ :5‬ﻳﻚ ﻣﺎﺗﺮﻳﺲ ﻧﺮﻣﺎل اﺳﺖ اﮔﺮ ﻣﺘﻘﺎرن ﺣﻘﻴﻘﻲ ﻳﺎ ﻫﺮﻣﻴﺘﻲ ﻳﺎ ﺷﺒﻪ ﻣﺘﻘﺎرن ﺣﻘﻴﻘﻲ ﻳﺎ ﺷﺒﻪ ﻫﺮﻣﻴﺘﻲ‬
‫ﻳﺎ ﻳﻜﻴﻦ و ﻳﺎ ﻣﺘﻌﺎﻣﺪ ﺑﺎﺷﺪ‪.‬‬
‫‪37‬‬
 ‫ﻣﻌﺮﻓﻲ ﭼﻨﺪ ﻣﺎﺗﺮﻳﺲ ﺧﺎص‬

‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﻗﻄﺮي )‪ :(Diagonal‬ﻣﺎﺗﺮﻳﺲ ﻣﺮﺑﻌﻲ اﺳﺖ ﻛﻪ ﺗﻤﺎم دراﻳﻪ ﻫﺎي آن ﺑﻪ ﺟﺰ ﻋﻨﺎﺻﺮ روي ﻗﻄﺮ‬
‫اﺻﻠﻲ ﻫﻤﮕﻲ ﺻﻔﺮ ﻫﺴﺘﻨﺪ‪.‬‬
‫‪⎡a11‬‬ ‫‪0 L‬‬ ‫⎤‪0‬‬
‫‪⎢0‬‬ ‫‪a22 L‬‬ ‫⎥⎥ ‪0‬‬
‫⎢ = ) ‪A = diag (a11 , a22 ,K, ann‬‬ ‫و‬ ‫‪aij = 0‬‬ ‫‪,‬‬ ‫‪i≠ j‬‬
‫‪⎢M‬‬ ‫‪M‬‬ ‫⎥ ‪O M‬‬
‫⎢‬ ‫⎥‬
‫‪⎣0‬‬ ‫‪0‬‬ ‫⎦ ‪L ann‬‬

‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﺑﺎﻻ ﻣﺜﻠﺜﻲ )‪ :(Upper Triangular‬ﻣﺎﺗﺮﻳﺲ ﻣﺮﺑﻌﻲ اﺳﺖ ﻛﻪ ﺗﻤﺎم دراﻳﻪ ﻫﺎي زﻳﺮ ﻗﻄﺮ اﺻﻠﻲ‬
‫ﺻﻔﺮ ﻫﺴﺘﻨﺪ‪.‬‬
‫‪⎡ a11‬‬ ‫⎤ ‪a12 L a1n‬‬
‫‪⎢0‬‬ ‫⎥⎥ ‪a22 L a2 n‬‬ ‫‪⎧⎪ aij‬‬ ‫‪i≤ j‬‬
‫⎢= ‪U‬‬ ‫‪,‬‬ ‫⎨ = ‪U ij‬‬
‫‪⎢ M‬‬ ‫⎥ ‪M O M‬‬ ‫‪⎪⎩0‬‬ ‫‪i> j‬‬
‫⎢‬ ‫⎥‬
‫‪⎣0‬‬ ‫⎦ ‪0 L ann‬‬

‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﭘﺎﻳﻴﻦ ﻣﺜﻠﺜﻲ )‪ :(Lower Triangular‬ﻣﺎﺗﺮﻳﺲ ﻣﺮﺑﻌﻲ اﺳﺖ ﻛﻪ ﺗﻤﺎم دراﻳﻪ ﻫﺎي ﺑﺎﻻي ﻗﻄﺮ‬
‫اﺻﻠﻲ ﺻﻔﺮ ﻫﺴﺘﻨﺪ‪.‬‬
‫‪⎡ a11‬‬ ‫‪0‬‬ ‫‪L‬‬ ‫⎤‪0‬‬
‫‪⎢a‬‬ ‫‪a22‬‬ ‫⎥⎥ ‪L 0‬‬ ‫‪⎧⎪ aij‬‬ ‫‪i≥ j‬‬
‫‪L = ⎢ 21‬‬ ‫‪,‬‬ ‫⎨ = ‪Lij‬‬
‫‪⎢ M‬‬ ‫‪M‬‬ ‫⎥ ‪O M‬‬ ‫‪⎪⎩0‬‬ ‫‪i< j‬‬
‫⎢‬ ‫⎥‬
‫‪⎣ an1‬‬ ‫‪an 2‬‬ ‫⎦ ‪L ann‬‬

‫ﻧﻜﺘﻪ ‪ :1‬دﺗﺮﻣﻴﻨﺎن ﻳﻚ ﻣﺎﺗﺮﻳﺲ ﻗﻄﺮي و ﻣﺜﻠﺜﻲ ﺑﺮاﺑﺮ ﺑﺎ ﺣﺎﺻﻠﻀﺮب ﻛﻠﻴﻪ ﻋﻨﺎﺻﺮ ﻗﻄﺮي ﻣﻲ ﺑﺎﺷﺪ‪،‬‬
‫‪A = a11a22 L ann‬‬

‫‪ -‬دﺳﺘﻮر )‪ diag(A‬و )‪ triu(A‬و)‪ tril(A‬در ﻧﺮم اﻓﺰار ‪ MATLAB‬وﺟﻮد دارد‪.‬‬

‫‪38‬‬
 ‫ﻣﻌﺮﻓﻲ ﭼﻨﺪ ﻣﺎﺗﺮﻳﺲ ﺧﺎص‬
‫‪ -‬ﻣﺎﺗﺮﻳﺲ ﻫﺎي ﻣﺘﻌﺎﻣﺪ )‪ :(Orthogonal‬ﻣﺎﺗﺮﻳﺲ ﻣﺘﻌﺎﻣﺪ اﺳﺖ‪ ،‬اﮔﺮ ﺣﻘﻴﻘﻲ ﺑﻮده و راﺑﻄﻪ زﻳﺮ را ﺑﺮآورده‬
‫ﺳﺎزد‪،‬‬
‫⎤ ‪⎡1 / 3 − 2 / 3 2 / 3‬‬
‫‪A A = AA = I‬‬ ‫⎥⎥‪A = ⎢⎢2 / 3 − 1 / 3 − 2 / 3‬‬
‫‪T‬‬ ‫‪T‬‬

‫‪⎢⎣2 / 3 2 / 3‬‬ ‫⎦⎥ ‪1 / 3‬‬

‫ﻏﻴﺮﻣﻨﻔﺮد → ‪ ⇒ A = ±1‬ﻣﺎﺗﺮﻳﺲ ﻣﺘﻌﺎﻣﺪ → ‪ A‬اﮔﺮ‬ ‫ﻧﻜﺘﻪ‪:1‬‬

‫‪−1‬‬
‫‪ ⇒ A = A‬ﻣﺎﺗﺮﻳﺲ ﻣﺘﻌﺎﻣﺪ → ‪ A‬اﮔﺮ‬
‫‪T‬‬
‫ﻧﻜﺘﻪ‪:2‬‬

‫ﻧﻜﺘﻪ‪ :3‬ﻣﺎﺗﺮﻳﺲ ﻫﺎي ﻣﺘﻌﺎﻣﺪ ‪ AT ، A−1‬و ‪ ⇒ AB‬ﻣﺎﺗﺮﻳﺲ ﻫﺎي ﻣﺘﻌﺎﻣﺪ → ‪ An×n , Bn×n‬اﮔﺮ‬

‫∗‬ ‫∗‬
‫‪ ⇒ AA = A A = I‬ﻣﺎﺗﺮﻳﺲ ﻣﺘﻌﺎﻣﺪ → ‪ A‬اﮔﺮ‬ ‫ﻳﻜﻴﻦ →‬ ‫ﻧﻜﺘﻪ‪:4‬‬

‫ﻧﻜﺘﻪ‪ :5‬ﺑﺮاي ﻣﺎﺗﺮﻳﺲ ﻣﺘﻌﺎﻣﺪ ‪ A‬دارﻳﻢ‪،‬‬

‫‪Ax = x‬‬ ‫‪,‬‬ ‫‪x ∈ ℜn‬‬
‫‪Ax, Ay = x, y‬‬ ‫‪,‬‬ ‫‪x, y ∈ ℜ n‬‬
‫‪39‬‬