خاصیت خطی بودن ضرب عدد در ماتریس: بررسی قانون (r±s)A = rA ± sA
1. تعریف ضرب عدد در ماتریس و مفهوم خطی بودن
در ریاضیات دبیرستان، ماتریس آرایهای مستطیلی از اعداد است. وقتی یک عدد (که به آن اسکالر1 میگوییم) را در یک ماتریس ضرب میکنیم، آن عدد در تکتک درایههای ماتریس ضرب میشود. این عمل پایهای، ویژگی مهمی به نام خطی بودن دارد. خطی بودن یعنی عمل ضرب اسکالر با جمع و تفریق جابجا میشود. به زبان ساده، اگر دو عدد r و s داشته باشیم و ماتریس A را در مجموع یا تفاضل آنها ضرب کنیم، نتیجه برابر است با مجموع یا تفاضل حاصلضرب هر عدد به تنهایی در ماتریس A. این ویژگی به صورت قانون زیر نوشته میشود:
این قانون نشان میدهد که ضرب اسکالر در ماتریس یک عملگر خطی است. به عبارت دیگر، ترتیب انجام عملیات جمع یا تفریق اعداد و ضرب در ماتریس تأثیری در نتیجه نهایی ندارد. برای درک بهتر، فرض کنید r = 5 و s = 3 و A یک ماتریس دلخواه باشد. سمت چپ قانون یعنی ابتدا 5+3=8 را حساب کرده سپس ماتریس A را در 8 ضرب میکنیم. سمت راست یعنی ابتدا 5A و 3A را جداگانه محاسبه کرده سپس حاصل را جمع میکنیم. در هر دو حالت به جواب یکسان میرسیم.
2. اثبات قانون با استفاده از یک ماتریس نمونه
برای اثبات این خاصیت، کافی است یک ماتریس A با ابعاد 2 \times 2 در نظر بگیریم و قانون را گام به گام بررسی کنیم. فرض کنید:
ابتدا سمت چپ قانون جمع را محاسبه میکنیم: (r+s) = 7 بنابراین 7A = \begin{bmatrix} 14 & 28 \\ 7 & 21 \end{bmatrix}. سپس سمت راست: 5A = \begin{bmatrix} 10 & 20 \\ 5 & 15 \end{bmatrix} و 2A = \begin{bmatrix} 4 & 8 \\ 2 & 6 \end{bmatrix}. جمع این دو ماتریس میشود: \begin{bmatrix} 10+4 & 20+8 \\ 5+2 & 15+6 \end{bmatrix} = \begin{bmatrix} 14 & 28 \\ 7 & 21 \end{bmatrix} که دقیقاً برابر با 7A است. برای تفریق نیز به طور مشابه عمل کنید.
3. جدول مقایسه حالتهای مختلف ضرب اسکالر در ماتریس
| عملگر | بیان ریاضی | مثال عددی با A = [1,2;3,4] | نتیجه |
|---|---|---|---|
| جمع دو اسکالر | (r+s)A | r=3,s=2 | [5,10;15,20] |
| تفریق دو اسکالر | (r-s)A | r=5,s=1 | [4,8;12,16] |
| توزیع پذیری راست | rA + sA | 3A+2A | [5,10;15,20] |
4. کاربرد عملی خاصیت خطی بودن در حل مسائل ماتریسی
یکی از کاربردهای مهم این قانون در بهینهسازی محاسبات و حل دستگاه معادلات خطی2 است. فرض کنید میخواهیم عبارت 3(2A) - 4A را ساده کنیم. با استفاده از خاصیت خطی بودن داریم: 3(2A) = 6A پس عبارت میشود 6A - 4A = 2A. بدون این قانون مجبور بودیم ابتدا 2A را محاسبه کنیم، سپس در 3 ضرب کنیم و بعد 4A را کم کنیم که زمانبرتر است.
در علوم کامپیوتر و گرافیک رایانهای، هنگام تغییر مقیاس تصاویر که با ماتریس نمایش داده میشوند، از این خاصیت برای ترکیب چندین تغییر مقیاس متوالی استفاده میشود. به عنوان مثال، اگر بخواهیم یک تصویر را ابتدا r برابر و سپس s برابر بزرگ کنیم، معادل است با بزرگ کردن یکباره به اندازه r+s یا r \times s بسته به نوع عملیات. قانون (r+s)A = rA + sA در اینجا مستقیماً قابل استفاده نیست (چون بزرگ کردن متوالی ضربی است نه جمعی) اما مفهوم خطی بودن همچنان پایهای است.
5. چالشهای مفهومی: پرسش و پاسخ
پاسخ: بله، این قانون برای هر ماتریسی با هر ابعادی (مانند 2 \times 3 یا 1 \times 4) برقرار است، زیرا ضرب اسکالر در ماتریس به صورت درایهای تعریف میشود و هر درایه مستقل از سایر درایهها محاسبه میگردد.
پاسخ: بله، ضرب ماتریسها نیز نسبت به جمع توزیعپذیر است، اما فقط زمانی که ابعاد ماتریسها با قواعد ضرب ماتریس سازگار باشد. اما در قانون (r+s)A ما با ضرب اسکالر سر و کار داریم که همیشه و بدون شرط برقرار است.
پاسخ: خیر، در ضرب ماتریسها به جای اسکالر، خاصیت توزیعپذیری برقرار است اما شرط میخورد که ابعاد ماتریسها برای ضرب مناسب باشند. ولی در قانون مورد بحث ما، سمت چپ یک اسکالر است نه ماتریس. پس این دو وضعیت متفاوت هستند.
پاورقی
1 اسکالر (Scalar): عددی حقیقی یا مختلط که در ضرب ماتریسی به عنوان ضریب استفاده میشود و بر خلاف بردار یا ماتریس، بعد یا جهت ندارد.
2 دستگاه معادلات خطی (System of Linear Equations): مجموعهای از معادلات که هر معادله در آن به صورت خطی (درجه یک) است و جواب مشترک همه معادلات خواسته میشود. ماتریسها ابزار قدرتمندی برای حل این دستگاهها هستند.