روابط جمع زاویه‌ها در مثلثات (سینوس، کسینوس، تانژانت و کتانژانت)

روابط جمع زاویه‌ها از مهم‌ترین اتحادهای مثلثاتی هستند که امکان محاسبهٔ سینوس، کسینوس، تانژانت و کتانژانت مجموع دو زاویه را فراهم می‌کنند. این روابط نقش اساسی در حل معادلات مثلثاتی، ساده‌سازی عبارات و کاربردهای فیزیک و مهندسی دارند. در این مقاله تمامی فرمول‌های مربوط به جمع زاویه‌های α و β به‌صورت کامل بررسی می‌شوند.

روابط جمع زاویه‌هااتحادهای مثلثاتی سینوس و کسینوس

~2 min read · Updated Feb 4, 2026

1. جمع زاویه‌ها در مثلثات چیست؟


در مثلثات، روابط جمع زاویه‌ها فرمول‌هایی هستند که مقدار توابع مثلثاتیِ مجموع دو زاویه مانند α و β را محاسبه می‌کنند.


این روابط برای زمانی استفاده می‌شوند که مقدار مستقیم زاویهٔ α + β مشخص نباشد، اما مقادیر زاویه‌های منفرد در دسترس باشند.


2. رابطهٔ جمع در سینوس


فرمول جمع زاویه‌ها برای سینوس به صورت زیر تعریف می‌شود:


sin(α + β) = sin α cos β + cos α sin β

این رابطه نشان می‌دهد که سینوس مجموع دو زاویه برابر است با جمع ضرب‌های متقاطع سینوس و کسینوس آن‌ها.


3. رابطهٔ جمع در کسینوس


فرمول جمع زاویه‌ها برای کسینوس به شکل زیر است:


cos(α + β) = cos α cos β − sin α sin β

تفاوت اصلی این رابطه با سینوس، وجود علامت منفی بین دو جمله است.


4. رابطهٔ جمع در تانژانت


تانژانت مجموع دو زاویه با استفاده از رابطهٔ زیر محاسبه می‌شود:


tan(α + β) = (tan α + tan β) / (1 − tan α tan β)

در این رابطه باید دقت کرد که مخرج صفر نشود، در غیر این صورت مقدار تانژانت تعریف‌نشده خواهد بود.


5. رابطهٔ جمع در کتانژانت


فرمول جمع زاویه‌ها برای کتانژانت به صورت زیر است:


cot(α + β) = (cot α cot β − 1) / (cot α + cot β)

این رابطه کمتر استفاده می‌شود، اما در برخی حل معادلات مثلثاتی بسیار کاربردی است.


6. نکات مهم دربارهٔ روابط جمع زاویه‌ها


  • این روابط برای تمام مقادیر زاویه‌ها معتبر هستند
  • پایهٔ بسیاری از اتحادهای پیشرفتهٔ مثلثاتی محسوب می‌شوند
  • در حل معادلات و ساده‌سازی عبارات نقش کلیدی دارند

7. کاربرد روابط جمع زاویه‌ها


از روابط جمع زاویه‌ها در حل مسائل ریاضی، فیزیک (مانند موج‌ها و نوسان‌ها)، مهندسی و حتی گرافیک کامپیوتری استفاده می‌شود.


نتیجه‌گیری


تسلط بر روابط جمع زاویه‌ها برای سینوس، کسینوس، تانژانت و کتانژانت یکی از پایه‌های اصلی یادگیری مثلثات است. این اتحادها ابزار قدرتمندی برای تحلیل و حل مسائل پیچیده محسوب می‌شوند.


Written & researched by Dr. Shahin Siami

Related Articles

حل انتگرال با روش تجزیهٔ کسرهای جزئی: آموزش کامل همراه با مثال‌های کاربردی

تجزیهٔ کسرهای جزئی یکی از قدرتمندترین روش‌های انتگرال‌گیری برای توابع گویا (Rational Functions) است. این روش با تبدیل یک کسر پیچیده به چند کسر ساده‌تر، محاسبهٔ انتگرال را بسیار آسان می‌کند. در این مقاله انواع حالت‌های تجزیه، روش حل، نکات کلیدی و مثال‌های کامل بررسی می‌شود.

Continue

حل انتگرال با روش جزء به جزء: راهنمای کامل، فرمول، نکات و مثال‌های کاربردی

روش جزء به جزء یکی از مهم‌ترین تکنیک‌های انتگرال‌گیری است که برای حل انتگرال‌های حاصل‌ضرب دو تابع استفاده می‌شود. این مقاله فرمول اصلی، نحوهٔ انتخاب u و dv، مثال‌های پایه و پیشرفته، کاربردهای مهم و نکات کلیدی این روش را توضیح می‌دهد.

Continue

تکنیک‌های تغییر متغیر در انتگرال‌گیری: راهنمای کامل و کاربردی

تغییر متغیر یکی از مهم‌ترین و قدرتمندترین تکنیک‌های انتگرال‌گیری است که با ساده‌سازی ساختار تابع، محاسبهٔ انتگرال را آسان‌تر می‌کند. این مقاله انواع روش‌های تغییر متغیر، کاربردها، مثال‌ها و نکات کلیدی را بررسی می‌کند.

Continue

برگهٔ کامل فرمول‌های انتگرال: مجموعهٔ جامع فرمول‌های انتگرال نامعین و معین

این مقاله مجموعه‌ای کامل از مهم‌ترین فرمول‌های انتگرال در حسابان را ارائه می‌دهد؛ شامل انتگرال‌های پایه، توانی، نمایی، لگاریتمی، مثلثاتی، معکوس مثلثاتی، هایپربولیک، روش‌های انتگرال‌گیری و هویت‌های انتگرال معین.

Continue

انتگرال معین: تعریف، مفاهیم بنیادی، روش‌های محاسبه و کاربردها

انتگرال معین یکی از مفاهیم کلیدی در حساب دیفرانسیل و انتگرال است که مساحت زیر منحنی، مقدار تجمعی یک کمیت، و بسیاری از پدیده‌های فیزیکی و مهندسی را مدل‌سازی می‌کند. این مقاله به تعریف انتگرال معین، قضیهٔ اساسی حسابان، روش‌های محاسبه و کاربردهای مهم آن می‌پردازد.

Continue

قضیه کوشی و نقش آن در تحلیل دقیق‌تر رفتار توابع

این مقاله به بررسی قضیه کوشی، نسخه تعمیم‌یافته قضیه مقدار میانگین، می‌پردازد. قضیه کوشی بیان می‌کند که برای دو تابع پیوسته و مشتق‌پذیر، نقطه‌ای در بازه وجود دارد که نسبت مشتق‌ها برابر با نسبت تغییرات تابع‌هاست. این قضیه پایه‌ای برای اثبات بسیاری از نتایج مهم مانند قاعده هوپیتال است.

Continue