توانهای ماتریس: از ضرب تکراری تا کاربرد در پیشبینی
تعریف توان ماتریس و تفاوت آن با توان عدد
برای یک ماتریس مربعی2 مانند $A$، توان دوم به صورت $A^2 = A \times A$ تعریف میشود. به همین ترتیب، توان سوم برابر $A^3 = A \times A \times A$ و به طور کلی برای عدد طبیعی $n$ داریم: $A^n = \underbrace{A \times A \times \dots \times A}_{n \text{ بار}}$. توجه کنید که ماتریس حتماً باید مربعی باشد تا تعداد سطرها و ستونها برابر باشد و ضرب ماتریس در خودش ممکن گردد.
برخلاف توان اعداد حقیقی، در توان ماتریسها معمولاً $(A+B)^2 = A^2 + 2AB + B^2$ برقرار نیست، مگر آنکه $AB = BA$ (خاصیت جابهجایی). بنابراین باید در محاسبات دقت کنیم.
قوانین نمایی برای ماتریسها
خوشبختانه برخی قوانین توانها که برای اعداد آشنا هستند، برای ماتریسهای مربعی نیز برقرار میمانند، به شرط آنکه ضرب ماتریس تعریف شده باشد. مهمترین این قوانین عبارتند از:
- $A^m A^n = A^{m+n}$ که در آن $m,n$ اعداد طبیعی هستند.
- $(A^m)^n = A^{mn}$.
- $A^0 = I$ (ماتریس همانی3)، به شرط آنکه $A$ معکوسپذیر نباشد. در واقع $A^0$ قراردادی برابر ماتریس همانی با ابعاد $A$ در نظر گرفته میشود.
| قانون | برای اعداد حقیقی | برای ماتریسهای مربعی |
|---|---|---|
| جمع توانها | $a^m a^n = a^{m+n}$ | $A^m A^n = A^{m+n}$ |
| توان توان | $(a^m)^n = a^{mn}$ | $(A^m)^n = A^{mn}$ |
| توان صفر | $a^0 = 1$ ($a \ne 0$) | $A^0 = I$ |
محاسبه توان بالا: روشهای تکراری در مقابل توان سریع
برای محاسبه $A^n$ وقتی $n$ بزرگ است (مثلاً n = 1000)، ضرب تکراری ماتریس در خودش بسیار زمانبر خواهد بود. روش کارآمدتر، «توانرسانی سریع ماتریسی» است که با ایده تقسیم و حل کار میکند: اگر $n$ زوج باشد، $A^n = (A^{n/2})^2$ و اگر فرد باشد، $A^n = A \times A^{n-1}$. این روش تعداد ضربها را از $O(n)$ به $O(\log n)$ کاهش میدهد.
کاربرد عملی: ماتریس انتقال در زنجیره مارکوف4
یکی از مهمترین کاربردهای توان ماتریس در مدلسازی فرآیندهای تصادفی است. فرض کنید وضعیت هوا هر روز فقط میتواند «آفتابی» یا «بارانی» باشد. ماتریس انتقال $P = \begin{bmatrix} 0.8 & 0.2 \\ 0.4 & 0.6 \end{bmatrix}$ را در نظر بگیرید که در آن سطر اول مربوط به آفتابی امروز و ستون اول مربوط به آفتابی فرداست. یعنی اگر امروز آفتابی باشد، با احتمال 0.8 فردا نیز آفتابی است. آنگاه $P^2$ ماتریس انتقال در 2 روز را میدهد. برای نمونه، درایه $(1,1)$ ماتریس $P^2$ برابر $0.8 \times 0.8 + 0.2 \times 0.4 = 0.64 + 0.08 = 0.72$ است که یعنی اگر امروز آفتابی باشد، احتمال آفتابی بودن پسفردا 0.72 خواهد بود. با افزایش $n$، سطرهای $P^n$ به یک توزیع پایدار همگرا میشوند.
چالشهای مفهومی
پاسخ: خیر، زیرا $(AB)^2 = ABAB$ و برای تساوی با $A^2 B^2 = AABB$ نیاز به جابهجایی داریم: $AB = BA$. در حالت کلی این قانون برای ماتریسها غلط است.
پاسخ: بله. اگر $0$ ماتریس صفر (همه درایهها صفر) باشد، آنگاه $0^2 = 0$ و به طور کلی $0^n = 0$ برای هر $n \ge 1$.
پاسخ: ماتریس مربعی $A$ را خودتوان (idempotent) گوییم هرگاه $A^2 = A$. در این صورت به آسانی میتوان نشان داد $A^n = A$ برای هر $n \ge 1$. نمونه معروف، ماتریس تصویرگر (projection matrix) است.
پاورقی
1 جبر خطی (Linear Algebra): شاخهای از ریاضیات که به مطالعه بردارها، ماتریسها و تبدیلات خطی میپردازد.
2 ماتریس مربعی (Square Matrix): ماتریسی که تعداد سطرها و ستونهای آن برابر است.
3 ماتریس همانی (Identity Matrix): ماتریس مربعی که درایههای قطر اصلی آن 1 و بقیه درایهها 0 است. با $I$ نمایش داده میشود.
4 زنجیره مارکوف (Markov Chain): فرآیندی تصادفی که در آن احتمال هر حالت فقط به حالت فعلی بستگی دارد و تاریخچه قبلی نقشی ندارد. ماتریس انتقال آن توانهای مختلفی دارد.