ماتریس متعامد

یک ماتریس متعامد ماتریسی خاص از ماتریس واحد است و بنابرین همیشه یک ماتریس نرمال خواهد بود, ماتریس‌های متعامد کاربردهای نظری و عملی بسیار زیادی دارند. یک ماتریس متعامد n×n یک گروه متعامد (از گروه‌های لی) است که با نماد O(n) شناخته می‌شود و کاربرد زیادی در بخش‌های مختلف علوم فیزیک و ریاضیات دارد.

بعضی از ماتریس‌های متعامد به شرح زیرند:

• تبدیل همانی:${\displaystyle {\begin{bmatrix}1&0\\0&1\\\end{bmatrix}}}$

• دوران به اندازه ۱۶.۲۶ درجه:${\displaystyle {\begin{bmatrix}0.96&-0.28\\0.28&\;\;\,0.96\\\end{bmatrix}}}$

• بازتاب تحت محور xها:${\displaystyle {\begin{bmatrix}1&0\\0&-1\\\end{bmatrix}}}$

ابعاد پایین

ابتدایی‌ترین نوع ماتریس‌های 1×1 ماتریس [۱] و [-۱] هستند.

ماتریس‌های 2×2 به شکل زیر هستند

${\displaystyle {\begin{bmatrix}p&t\\q&u\end{bmatrix}},}$

به شرط برقراری سه رابطه متعامد هستند:

${\displaystyle {\begin{aligned}1&=p^{2}+q^{2},\\1&=t^{2}+u^{2},\\0&=pt+qu.\end{aligned}}}$

برای ساختن معادله اول و بدون کاستن از کلیت مسئله می‌توان فرض کرد p = cos θ و q = sin θ; بنابرین t = −q, u = p or t = q, u = −p.ما می‌توانیم اولین مورد را به عنوان دوران به اندازه زاویه θ (که اگرθ = 0 به تبدیل همانی تبدیل می‌شود), و دومین را به عنوان بازتاب تحت خطی به زاویه θ/2.

${\displaystyle {\begin{bmatrix}\cos \theta &-\sin \theta \\\sin \theta &\cos \theta \\\end{bmatrix}}{\text{ (rotation), }}\qquad {\begin{bmatrix}\cos \theta &\sin \theta \\\sin \theta &-\cos \theta \\\end{bmatrix}}{\text{ (reflection)}}}$

حالت خاص بازتاب در مورد θ=90° منجر می‌شود به بازتاب حول خطی که در زاویه ۴۵ درجه است که به خط y=x معروف استیا به عبارت دیگر جای x و y را عوض می‌کند و به ماتریس تبدیل زیر نیز معروف است:

${\displaystyle {\begin{bmatrix}0&1\\1&0\end{bmatrix}}.}$

یک بازتاب، ماتریس معکوس خود نیز هست که نشان می‌دهد ماتریس بازتاب یک ماتریس متقارن (برابر با ترانهاده خود) است. ضرب دو ماتریس دوران به یک ماتریس دوران دیگر می‌انجامد که مقدار آن برابر جمع زاویه‌های دو دوران است.

ابعاد بالاتر

بدون توجه به ابعاد همیشه می‌توان دریافت که آیا ماتریس متعامد دلخواه یک ماتریس دوران در n بعد هست یا نه اما برای ماتریس‌های ۳×۳ و بزرگتر ماتریس‌های غیر دورانی می‌توانند پیچیده‌تر باشند برای مثال:

${\displaystyle {\begin{bmatrix}-1&0&0\\0&-1&0\\0&0&-1\end{bmatrix}}{\text{ and }}{\begin{bmatrix}0&-1&0\\1&0&0\\0&0&-1\end{bmatrix}}}$

• گروه متعامد
• ماتریس پادمتقارن

• Diaconis, Persi; Shahshahani, Mehrdad (1987), "The subgroup algorithm for generating uniform random variables", Prob. In Eng. And Info. Sci., 1: 15–32, doi:10.1017/S0269964800000255, ISSN 0269-9648
• Dubrulle, Augustin A. (1999), "An Optimum Iteration for the Matrix Polar Decomposition", Elect. Trans. Num. Anal., 8: 21–25
• Golub, Gene H.; Van Loan, Charles F. (1996), Matrix Computations (3/e ed.), Baltimore: Johns Hopkins University Press, شابک ‎۹۷۸−۰−۸۰۱۸−۵۴۱۴−۹
• Higham, Nicholas (1986), "Computing the Polar Decomposition—with Applications", SIAM J. Sci. Stat. Comput., 7 (4): 1160–1174, doi:10.1137/0907079, ISSN 0196-5204, archived from the original on 7 October 2007, retrieved 16 January 2011
• Higham, Nicholas; Schreiber, Robert (July 1990), "Fast polar decomposition of an arbitrary matrix", SIAM J. Sci. Stat. Comput., 11 (4): 648–655, doi:10.1137/0911038, ISSN 0196-5204, archived from the original on 26 September 2007, retrieved 16 January 2011 [۱]
• Stewart, G. W. (1976), "The Economical Storage of Plane Rotations", Numerische Mathematik, 25 (2): 137–138, doi:10.1007/BF01462266, ISSN 0029-599X
• Stewart, G. W. (1980), "The Efficient Generation of Random Orthogonal Matrices with an Application to Condition Estimators", SIAM J. Numer. Anal., 17 (3): 403–409, doi:10.1137/0717034, ISSN 0036-1429

• یک برنامه برای معرفی ماتریس‌های متعامد