Calculez déterminant, inverse, transposée, valeurs propres, rang, trace et A·B de matrices en ligne. Explications pas à pas d'algèbre linéaire pour étudiants et ingénieurs.
Vous avez des commentaires ? Signalez des bugs, suggérez des fonctionnalités ou partagez vos idées — nous lisons tout
Qu'est-ce qu'une calculatrice de matrices ?
Une calculatrice de matrices effectue les opérations standard d'algèbre linéaire sur des tableaux rectangulaires de nombres : déterminant, inverse, transposée, valeurs propres et vecteurs propres, addition, soustraction, multiplication par un scalaire et produit ligne par colonne de deux matrices. Chacune de ces opérations a un sens concret — des aires mises à l'échelle, des points qui tournent, des équations résolues — dès qu'on regarde au-delà de la manipulation symbolique.
Les matrices sont le langage utilisé chaque fois qu'il faut parler de nombreuses quantités à la fois : la position de chaque sommet d'un modèle 3D, les poids de connexion entre couches d'un réseau de neurones, la probabilité de transition entre états d'une chaîne de Markov, les contraintes à l'intérieur d'une poutre en acier. Les ordinateurs manipulent tellement de matrices que les fabricants de GPU ont passé deux décennies à construire du matériel dont l'unique tâche est de multiplier très vite de petites matrices.
Opérations matricielles
Déterminant
Le déterminant est un unique scalaire associé à toute matrice carrée. Géométriquement, |det(A)| donne le facteur par lequel A met à l'échelle les aires (en 2D), les volumes (en 3D) ou les mesures de plus haute dimension ; le signe dit si A renverse l'orientation. Un déterminant nul signifie que la matrice écrase l'espace dans une dimension inférieure — trois vecteurs coplanaires ont un déterminant 3×3 nul — et c'est exactement quand la matrice n'a pas d'inverse.
Pour une matrice 2×2 [[a,b],[c,d]], le déterminant vaut : ad − bc
Matrice inverse
L'inverse A⁻¹ d'une matrice carrée A est la matrice qui défait A : A·A⁻¹ = A⁻¹·A = I, la matrice identité. Seules les matrices carrées à déterminant non nul possèdent un inverse. En pratique, l'inverse est la façon la plus propre d'écrire la solution d'un système linéaire Ax = b : x = A⁻¹b. En calcul numérique cependant, les logiciels ne calculent presque jamais A⁻¹ explicitement — ils résolvent directement le système par décomposition LU, plus rapide et plus stable.
Pour une matrice A, si A × A⁻¹ = I (matrice identité), alors A⁻¹ est l'inverse de A.
Transposée
La transposée Aᵀ retourne la matrice autour de la diagonale principale : l'entrée (i, j) passe en (j, i). Les lignes deviennent des colonnes. Pour une matrice m × n, Aᵀ est n × m. La transposée apparaît partout : dans le produit scalaire (xᵀy), dans les matrices symétriques (A = Aᵀ), dans la régression des moindres carrés (équations normales AᵀA x = Aᵀb) et dans la relation entre espace ligne et espace colonne.
Si A = [[1,2],[3,4]] alors Aᵀ = [[1,3],[2,4]]
Valeurs propres et vecteurs propres
Un vecteur propre d'une matrice A est un vecteur non nul v dont la direction est préservée par A — seule sa longueur est mise à l'échelle. Le facteur d'échelle est la valeur propre λ, définie par Av = λv. Les vecteurs propres pointent suivant les axes naturels de la transformation représentée par A ; les valeurs propres indiquent de combien chaque axe est étiré ou comprimé.
Les valeurs propres sont au cœur de l'analyse en composantes principales (les vecteurs propres de la matrice de covariance deviennent les nouveaux axes captant la variance maximale), du PageRank originel de Google (le vecteur propre d'une matrice stochastique particulière donne l'importance de chaque page web), de l'analyse vibratoire (les fréquences propres sont les racines carrées des valeurs propres d'une matrice masse-raideur) et de la mécanique quantique (les niveaux d'énergie sont les valeurs propres de l'opérateur hamiltonien).
Addition et soustraction de matrices
Des matrices de mêmes dimensions s'additionnent ou se soustraient terme à terme : (A + B)ᵢⱼ = Aᵢⱼ + Bᵢⱼ. Deux matrices de tailles différentes ne peuvent pas s'additionner — il n'y a pas de façon sensée d'aligner leurs entrées.
Multiplication de matrices
Le produit A·B se calcule en prenant le produit scalaire de chaque ligne de A par chaque colonne de B. Pour que la multiplication soit définie, le nombre de colonnes de A doit égaler le nombre de lignes de B. La multiplication des matrices n'est pas commutative — A·B est en général différent de B·A — mais elle est associative, donc (AB)C = A(BC).
Si A est m×n et B est n×p, alors A × B est m×p.
Multiplication par un scalaire
Multiplier une matrice par un scalaire k signifie multiplier chaque entrée par k : (kA)ᵢⱼ = k · Aᵢⱼ. Le déterminant de (kA) pour une matrice n × n est kⁿ fois le déterminant de A.
Applications des matrices
Les matrices ne sont pas abstraites — elles font tourner la plus grande partie de la technologie qui vous entoure :
Infographie : chaque rotation, mise à l'échelle et translation 3D est codée par une matrice 4×4 ; les GPU sont essentiellement des multiplicateurs 4×4 rapides
Physique : opérateurs quantiques, relativité restreinte (transformations de Lorentz), mécanique des milieux continus (tenseurs de contrainte et de déformation)
Ingénierie : analyse par éléments finis (matrices de raideur), systèmes de contrôle (modèles d'état), analyse de circuits (matrices d'admittance)
Économie : modèles input-output (Leontief), matrices de gains en théorie des jeux
Statistiques : matrices de covariance, régression multivariée, matrices de design en plan d'expériences
Apprentissage automatique : les réseaux de neurones sont des piles de multiplications matricielles entrecoupées de non-linéarités ; l'entraînement ajuste les matrices de poids
Cryptographie : chiffrements à base de matrices (chiffre de Hill), codes correcteurs (Reed-Solomon)
Calculatrice de matrices
Conseils pour utiliser la calculatrice de matrices
Assurez-vous que les dimensions de votre matrice sont correctes pour l'opération souhaitée
Pour calculer l'inverse, la matrice doit être carrée et de déterminant non nul
Les valeurs propres ne se calculent que pour des matrices carrées
Pour la multiplication, vérifiez que le nombre de colonnes de la première matrice égale le nombre de lignes de la seconde
Utilisez la transposée pour convertir des vecteurs lignes en vecteurs colonnes et inversement
Questions fréquentes
Oubliez la formule un instant. Prenez les deux colonnes d'une matrice 2×2 et dessinez-les comme des flèches partant de l'origine. Elles engendrent un parallélogramme. L'aire signée de ce parallélogramme est le déterminant. Pour une matrice 3×3, les trois colonnes engendrent un parallélépipède dont le volume signé est le déterminant. En dimension n, les colonnes engendrent une « boîte » n-dimensionnelle dont le déterminant est le n-volume signé. Donc |det(A)| répond à la question « par quel facteur cette matrice met-elle à l'échelle les aires (ou volumes, ou hyper-volumes) ? ». Le signe répond « inverse-t-elle l'orientation ? » — une rotation 2D a det = +1 (pas d'inversion), une réflexion a det = −1 (inversion). Un déterminant de 0 signifie que les colonnes sont linéairement dépendantes — elles aplatissent la boîte dans une région de dimension inférieure — et c'est exactement quand la matrice n'a pas d'inverse : impossible de récupérer une entrée n-dimensionnelle à partir d'une sortie (n−1)-dimensionnelle.
Parce qu'un inverse doit défaire l'action de la matrice dans les deux sens. Une matrice 3×2 prend un vecteur 2D et produit un vecteur 3D — elle envoie l'espace 2D dans l'espace 3D. Il n'existe simplement aucune matrice 2×3 qui, appliquée à un vecteur 3D arbitraire, restaure le vecteur 2D d'origine — la plupart des vecteurs 3D ne sont pas dans l'image de l'application initiale. Formellement, AB = I exige que A soit n × m et B soit m × n, et cette contrainte ajoutée à « véritable inverse » (à la fois AB = I ET BA = I) impose m = n. Pour les matrices rectangulaires, on dispose toutefois du pseudo-inverse de Moore-Penrose A⁺ : il donne la solution des moindres carrés à Ax = b lorsqu'aucune solution exacte n'existe (surdéterminé) ou la solution de plus petite norme parmi plusieurs (sous-déterminé). Le pseudo-inverse est ce qui fait fonctionner la régression linéaire — les équations normales sont en gros x = (AᵀA)⁻¹Aᵀb = A⁺b.
Parce que chaque matrice représente une transformation, et que l'ordre des transformations importe en général. Essayez : prenez un livre, faites-lui une rotation de 90° autour de l'axe vertical, puis de 90° autour de l'axe horizontal. Revenez à la position initiale et faites les rotations dans l'ordre inverse. Le livre finit pointé dans des directions différentes. La multiplication des matrices encode exactement cette structure de composition « d'abord A, puis B », et l'ordre est inscrit dans la définition. Il y a des exceptions — toute matrice commute avec l'identité, avec elle-même et avec ses puissances ; les matrices diagonales commutent entre elles ; les rotations 2D commutent (elles forment un groupe abélien). Mais en général, AB ≠ BA, et se tromper d'ordre est l'un des bugs les plus fréquents dans le code de graphisme et de physique. La première fois qu'un débutant multiplie une matrice de modèle par une matrice de vue dans le mauvais ordre en OpenGL, la scène disparaît.
Imaginez la matrice A comme une transformation qui étire, tourne et cisaille les vecteurs. La plupart des vecteurs en sortent dans une direction différente de celle d'origine. Les vecteurs propres sont les rares vecteurs qui en sortent dans la même direction (ou l'opposée exacte) — A se contente de les étirer d'un facteur λ, la valeur propre. Donc valeurs propres et vecteurs propres exposent les axes naturels de toute transformation que A représente. Si A est une rotation 2D, elle n'a aucun vecteur propre réel (tout vecteur tourne), mais elle a des valeurs propres complexes dont le module révèle la rotation. Si A est symétrique, elle a n vecteurs propres réels orthogonaux qui forment les axes principaux d'une ellipse (ou ellipsoïde). En ACP, ces axes sont les directions de plus grande variance des données. Dans le PageRank originel de Google, le vecteur propre dominant de la matrice de transition du web liste la probabilité à long terme qu'un surfeur aléatoire visite chaque page. En génie des structures, la plus petite valeur propre d'une matrice de raideur prédit le flambage d'une colonne. Les valeurs propres sont la manière dont une matrice révèle sa propre diagonale.
Une matrice carrée est singulière lorsque son déterminant est nul, ce qui se produit exactement quand ses colonnes sont linéairement dépendantes — au moins une colonne est combinaison des autres. Géométriquement, la matrice aplatit l'espace : une matrice 3×3 ayant deux colonnes coplanaires envoie chaque point 3D sur un plan 2D, perdant une dimension à jamais. Pour Ax = b c'est spectaculaire. Si b se trouve dans l'image écrasée, le système a une infinité de solutions (tout vecteur du noyau de A peut s'ajouter à une solution particulière). Si b sort de l'image, le système n'a aucune solution. Les logiciels détectent cela avec une erreur « rang déficient » ou « matrice singulière ». La parade en pratique est la méthode des moindres carrés : utiliser le pseudo-inverse A⁺ pour trouver le x qui minimise ‖Ax − b‖² — ce qui donne une réponse unique même quand A est singulière ou rectangulaire. Singulière ne signifie pas cassée ; cela signifie qu'il faut être prudent sur ce que « résoudre » veut dire.
Le rang d'une matrice est la dimension de son espace colonne — autrement dit le nombre de colonnes linéairement indépendantes (ou de lignes ; elles coïncident). Une matrice 5×5 peut avoir un rang allant de 0 (matrice nulle) à 5 (rang plein, inversible). Géométriquement, le rang est la dimension de l'image : une matrice 3×3 de rang 2 envoie l'espace 3D sur un plan 2D. Le rang importe parce qu'il indique combien d'information la matrice conserve. Une matrice de rang plein est inversible, possède un déterminant non nul, a n valeurs propres non nulles, et permet à Ax = b d'avoir une solution unique pour tout b. Une matrice à rang déficient écrase quelque chose — une dimension, un degré de liberté, une mesure indépendante. En science des données, le rang d'une matrice de mesures indique combien de variables sont vraiment indépendantes ; si la matrice 100-colonnes d'un jeu de données a un rang 12, il n'y a que 12 directions de variation et le reste est redondant. La décomposition en valeurs singulières expose cela directement : le nombre de valeurs singulières non nulles est égal au rang.
Parce que les matrices codent des transformations linéaires, et que la règle ligne-par-colonne fait que composer deux transformations équivaut à multiplier leurs matrices. Voyez une matrice comme une fonction : la colonne j indique où va le vecteur de base eⱼ. Si la matrice B envoie eⱼ sur la colonne Bⱼ, et la matrice A envoie chaque vecteur v sur Av, alors pour savoir où (AB)eⱼ atterrit, on calcule A(Bⱼ) — exactement la colonne j de A·B avec la règle standard. La définition étrange n'est donc pas arbitraire ; elle nous est imposée par l'exigence « multiplier les matrices = composer les transformations qu'elles représentent ». C'est aussi pourquoi la multiplication matricielle est associative : la composition de fonctions l'est. Et pourquoi elle n'est pas commutative : la composition de fonctions ne l'est généralement pas. Une fois qu'on voit les matrices comme des fonctions et la multiplication comme la composition, tout le reste suit. Le « produit scalaire ligne-colonne » n'est que la manière la plus efficace d'évaluer une entrée donnée.
Presque partout où un ordinateur fait quelque chose d'intéressant. Chaque pixel que vous voyez dans un jeu 3D a été transformé par une chaîne de matrices 4×4 : matrice de modèle (position de l'objet), matrice de vue (caméra), matrice de projection (objectif), puis quelques autres pour les ombres et le post-traitement. Chaque pixel passe par des dizaines de multiplications matricielles par image, soixante fois par seconde — c'est pour cela que les GPU existent. Le système de recommandation qui vous propose le contenu suivant repose sur une approximation à faible rang d'une gigantesque matrice utilisateur-objet. Le PageRank de Google classait les premiers sites web grâce au vecteur propre dominant d'une matrice stochastique creuse. Le GPS de votre téléphone fusionne des signaux par filtres de Kalman, qui sont des mises à jour matricielles. Les réseaux neuronaux sont essentiellement des piles profondes de multiplications matricielles entrelacées de non-linéarités ; entraîner un grand modèle de langage revient à ajuster des matrices à plusieurs milliards d'entrées. Les IRM reconstruisent leurs images en inversant des matrices creuses dans l'espace de Fourier. Même votre machine à café du matin, si elle utilise un PID, dépend d'une matrice système 2×2 réglée pour une réponse stable. L'algèbre linéaire n'est pas restée dans l'amphithéâtre — elle est devenue une infrastructure.
Calcul
Math
Vous avez des commentaires ? Signalez des bugs, suggérez des fonctionnalités ou partagez vos idées — nous lisons tout
CALCULATRICES MATHéMATIQUES32
WUTOOLS