Aller au contenu
ELECTRONICS ENGINEERINGelectronics-engineering.com
Géométrie et algèbre

Matrices : opérations, produit ligne par colonne et inverse

Pourquoi le produit ligne par colonne est une composition, propriétés et non-commutativité, matrices particulières et transposée, l'inverse 2×2 et son calcul par Gauss-Jordan.

https://www.electronics-engineering.com/fr/matrices-produit-inverse/

Pas encore de vote : soyez le premier à noter cette page.

Une matrice est un tableau de nombres, mais c’est surtout une manière compacte d’écrire des transformations et des systèmes. Dans cette leçon, nous traitons les opérations sur les matrices, pourquoi le produit ligne par colonne est défini ainsi, les matrices particulières et le calcul de l’inverse.

Définitions

Une matrice m\times n a m lignes et n colonnes ; le coefficient de la ligne i et de la colonne j se note a_{ij}. Si m = n, la matrice est carrée d’ordre n. Les matrices réelles m\times n forment l’ensemble M_{m,n}(\mathbb R).

L’addition et la multiplication par un scalaire se font coefficient par coefficient, et elles ont les mêmes propriétés que pour les vecteurs : M_{m,n}(\mathbb R) est un espace vectoriel de dimension mn.

Le produit ligne par colonne

Si A est m\times n et B est n\times p, le produit AB est la matrice m\times p avec

    \[ (AB)_{ij} = \sum_{k=1}^{n} a_{ik}\,b_{kj} \]

c’est-à-dire le produit scalaire de la ligne i de A par la colonne j de B. Le nombre de colonnes de A doit être égal au nombre de lignes de B.

    \[ \begin{pmatrix} 1 & 2\\ 3 & 4 \end{pmatrix}\begin{pmatrix} 5 & 6\\ 7 & 8 \end{pmatrix} = \begin{pmatrix} 1\cdot 5 + 2\cdot 7 & 1\cdot 6 + 2\cdot 8\\ 3\cdot 5 + 4\cdot 7 & 3\cdot 6 + 4\cdot 8 \end{pmatrix} = \begin{pmatrix} 19 & 22\\ 43 & 50 \end{pmatrix} \]

Pourquoi il est défini ainsi

Une matrice A transforme un vecteur \mathbf x en le vecteur A\mathbf x. Si l’on applique d’abord B puis A, on obtient A(B\mathbf x). En écrivant les composantes :

    \[ \big(A(B\mathbf x)\big)_i = \sum_k a_{ik}\,(B\mathbf x)_k = \sum_k a_{ik}\sum_j b_{kj}x_j = \sum_j\Big(\sum_k a_{ik}b_{kj}\Big)x_j \]

Le coefficient entre parenthèses est exactement (AB)_{ij} : le produit matriciel est la composition des transformations. Il s’ensuit aussitôt que le produit est associatif, (AB)C = A(BC), parce que la composition des fonctions l’est.

Le produit n’est pas commutatif

En général AB \ne BA, même quand les deux existent. Faire une rotation de 90° puis une symétrie par rapport à l’axe x ne donne pas le même résultat que la symétrie suivie de la rotation. Autres différences avec les nombres :

  • AB = 0 n’implique pas A = 0 ou B = 0 : par exemple \begin{pmatrix}0 & 1\\ 0 & 0\end{pmatrix}^2 = 0 ;
  • de AB = AC, on ne peut pas « simplifier » A, sauf si A est inversible.
La multiplication des matrices n'est pas commutative
À gauche, la figure de départ. R est la rotation de 90 degrés dans le sens anti-horaire, S la symétrie par rapport à l’axe x. Au milieu SR : d’abord la rotation, puis la symétrie. À droite RS : d’abord la symétrie, puis la rotation. Les résultats diffèrent, donc SR est différent de RS.

Matrices particulières

  • Identité I_n : des 1 sur la diagonale, des 0 ailleurs. AI = IA = A.
  • Diagonales : des zéros hors de la diagonale. Elles se multiplient coefficient par coefficient le long de la diagonale, et leurs puissances sont triviales.
  • Triangulaires, supérieures ou inférieures : des zéros au-dessous (ou au-dessus) de la diagonale. La forme échelonnée de l’élimination de Gauss est triangulaire supérieure.
  • Transposée A^T : lignes et colonnes échangées, (A^T)_{ij} = a_{ji}. On a (AB)^T = B^T A^T (attention à l’ordre).
  • Symétriques : A^T = A. Elles apparaissent partout, des matrices de covariance aux matrices de rigidité des structures, et ont des propriétés particulières que l’on rencontrera avec le théorème spectral.

La matrice inverse

Une matrice carrée A est inversible s’il existe A^{-1} avec AA^{-1} = A^{-1}A = I. Si elle existe, elle est unique, et le système A\mathbf x = \mathbf b a l’unique solution \mathbf x = A^{-1}\mathbf b.

On a (AB)^{-1} = B^{-1}A^{-1} et (A^T)^{-1} = (A^{-1})^T. Une matrice est inversible si et seulement si son déterminant est non nul (voir la leçon sur le déterminant), c’est-à-dire si et seulement si son rang est n.

Le cas 2×2. Si ad - bc \ne 0 :

    \[ \begin{pmatrix} a & b\\ c & d \end{pmatrix}^{-1} = \frac{1}{ad - bc}\begin{pmatrix} d & -b\\ -c & a \end{pmatrix} \]

Vérification par multiplication : le produit donne (ad - bc)\,I, divisé par ad - bc.

Calculer l’inverse avec Gauss-Jordan

On place l’identité à côté de A et l’on applique des opérations élémentaires jusqu’à ce que A devienne I : A^{-1} apparaît à droite.

    \[ \left(\begin{array}{cc|cc} 2 & 1 & 1 & 0\\ 5 & 3 & 0 & 1 \end{array}\right) \xrightarrow{R_2 - \frac52 R_1} \left(\begin{array}{cc|cc} 2 & 1 & 1 & 0\\ 0 & \frac12 & -\frac52 & 1 \end{array}\right) \xrightarrow[R_1 - R_2]{2R_2} \left(\begin{array}{cc|cc} 2 & 0 & 6 & -2\\ 0 & 1 & -5 & 2 \end{array}\right) \xrightarrow{\frac12 R_1} \left(\begin{array}{cc|cc} 1 & 0 & 3 & -1\\ 0 & 1 & -5 & 2 \end{array}\right) \]

Donc A^{-1} = \begin{pmatrix} 3 & -1\\ -5 & 2 \end{pmatrix}, comme le confirme la formule 2×2 avec ad - bc = 1.

Pourquoi cela marche. Chaque opération élémentaire revient à multiplier à gauche par une matrice élémentaire E_k. Si E_k\cdots E_1 A = I, alors le produit E_k\cdots E_1 est exactement A^{-1}, et appliqué à I il donne A^{-1}. Si, pendant le processus, une ligne de gauche devient entièrement nulle, A n’est pas inversible.

Un conseil pratique

Pour résoudre A\mathbf x = \mathbf b sur ordinateur, on ne calcule jamais A^{-1} : cela coûte environ trois fois plus que l’élimination de Gauss et c’est numériquement moins précis. L’inverse est un outil théorique, utile pour écrire des formules ; dans les programmes, on utilise A\backslash b en MATLAB ou numpy.linalg.solve.

S’abonner
Notifier de
guest
1 commentaire
Le plus ancien
Plus récent Les plus votés
1
0
Vous avez apprécié cet article ? Merci de laisser un commentaire.x