Calculateur de Matrices - Free Online Tool

Ajoutez, multipliez, inversez, décomposez et analysez des matrices instantanément — avec des solutions étape par étape.

Une matrice est l'une des structures les plus fondamentales en mathématiques, en ingénierie, en informatique et en science des données. À son niveau le plus simple, une matrice est un tableau rectangulaire de nombres disposés en lignes et en colonnes. Mais derrière cette définition simple se cache un pouvoir extraordinaire : les matrices codent des transformations, modélisent des systèmes d'équations, alimentent des graphiques 3D, forment la colonne vertébrale des algorithmes d'apprentissage automatique et décrivent le comportement des systèmes physiques. Notre Calculateur de Matrices met toute la gamme des opérations matricielles directement dans votre navigateur — aucun logiciel à télécharger, aucun compte requis, et aucune limite sur la fréquence d'utilisation.

Comprendre les Opérations Matricielles

Qu'est-ce qu'une Matrice ?

Une matrice est un tableau à deux dimensions de nombres (ou, plus généralement, d'éléments d'un champ mathématique) disposés en lignes et en colonnes. Une matrice m×n a m lignes et n colonnes, pour un total de m×n éléments. Les matrices sont notées avec des lettres majuscules (A, B, C) et leurs éléments avec des indices en minuscules : A[i][j] fait référence à l'élément de la ligne i et de la colonne j. Les matrices carrées ont le même nombre de lignes et de colonnes (n×n) et possèdent des propriétés spéciales, y compris les déterminants, les inverses, les valeurs propres et les traces. Les matrices rectangulaires apparaissent dans les systèmes d'équations, les tableaux de données et les représentations d'images. Les matrices spéciales incluent la matrice identité I (1 sur la diagonale, 0 ailleurs), la matrice nulle O (tous les zéros), les matrices symétriques (A = A^T) et les matrices diagonales (non nulles uniquement sur la diagonale). Les matrices forment la structure algébrique sous-jacente à la plupart des mathématiques appliquées modernes.

Comment les Opérations Matricielles sont-elles Calculées ?

Différentes opérations matricielles utilisent différents algorithmes. L'addition et la soustraction fonctionnent élément par élément et nécessitent des dimensions identiques. La multiplication utilise le produit scalaire de chaque ligne de A avec chaque colonne de B, nécessitant que le nombre de colonnes de A soit égal au nombre de lignes de B. Le déterminant d'une matrice carrée est calculé par expansion par cofacteurs (pour les petites matrices) ou décomposition LU (pour les plus grandes) — c'est un seul nombre encodant le facteur d'échelle de volume signé de la transformation linéaire. L'inverse A⁻¹ est trouvé en utilisant l'élimination de Gauss-Jordan sur la matrice augmentée [A | I], la transformant en [I | A⁻¹]. La RREF utilise l'élimination de Gauss avec substitution arrière pour réduire chaque pivot à 1 et chaque entrée non pivot dans les colonnes pivots à 0. Les valeurs propres λ satisfont det(A − λI) = 0 ; pour les matrices 2×2, cela donne une formule quadratique simple ; pour les matrices plus grandes, une itération QR numérique est utilisée.

Pourquoi les Opérations Matricielles Comptent-elles ?

Les matrices ne sont pas seulement une algèbre abstraite — ce sont des outils de calcul pratiques utilisés dans toute la science et la technologie. Le déterminant vous indique si un système d'équations a une solution unique (det ≠ 0) ou est singulier (det = 0). L'inverse vous permet de résoudre des systèmes linéaires Ax = b en tant que x = A⁻¹b, de trouver directement les inverses de transformation en graphisme et de calculer les gains de contrôle en ingénierie. Les valeurs propres et les vecteurs propres révèlent les directions fondamentales d'une transformation et sont le cœur mathématique de l'ACP, des méthodes spectrales, de l'analyse de stabilité et de la mécanique quantique. La RREF est l'outil standard pour résoudre des systèmes de toute taille, déterminer le rang, trouver des espaces nuls et vérifier l'indépendance linéaire. La décomposition LU accélère les solutions répétées de Ax = b avec différents membres de droite, car le fait de factoriser une fois permet de nombreuses substitutions rapides en avant/arrière.

Limitations et Précision Numérique

Ce calculateur utilise l'arithmétique flottante standard 64 bits (type de nombre intégré de JavaScript), ce qui peut introduire de petites erreurs d'arrondi dans les dernières décimales. Les résultats sont affichés arrondis à votre précision décimale choisie. Les matrices très mal conditionnées — celles où certaines lignes ou colonnes sont presque linéairement dépendantes — peuvent produire des résultats qui semblent numériquement instables. Par exemple, une matrice avec un déterminant très petit mais non nul peut sembler singulière en raison du bruit de point flottant. Le calculateur utilise un seuil de 1e-12 pour détecter les pivots proches de zéro pendant l'élimination. Les dimensions de la matrice sont limitées à 5×5 pour des performances côté client, gardant tous les calculs rapides dans le navigateur. Pour des matrices plus grandes, des logiciels de bureau comme MATLAB, Octave, Python (NumPy) ou Julia seraient plus appropriés. L'algorithme de valeurs propres (itération QR) converge bien pour la plupart des matrices symétriques réelles mais peut donner des résultats moins précis pour les matrices avec des valeurs propres groupées.

Matrix Formulas

Matrix Multiplication

(AB)ᵢⱼ = Σₖ aᵢₖ · bₖⱼ

Each entry of the product matrix is the dot product of the corresponding row of A and column of B. Requires columns of A to equal rows of B.

2×2 Determinant

det([[a, b], [c, d]]) = ad − bc

The determinant of a 2×2 matrix equals the product of the main diagonal minus the product of the anti-diagonal. A zero determinant means the matrix is singular.

Transposer

(A^T)ᵢⱼ = Aⱼᵢ

The transpose swaps rows and columns. An m×n matrix becomes n×m. Symmetric matrices satisfy A = A^T.

Matrix Inverse

A⁻¹ = adj(A) / det(A)

The inverse exists only when det(A) ≠ 0. For 2×2: A⁻¹ = (1/(ad−bc)) · [[d, −b], [−c, a]]. For larger matrices, use Gauss-Jordan elimination.

Matrix Operations Reference

Matrix Operations Summary

Quick reference for common matrix operations, their requirements, and result dimensions.

Opération	Formula/Method	Requirement	Résultat
Addition A + B	Cᵢⱼ = Aᵢⱼ + Bᵢⱼ	Same dimensions (m×n)	m×n matrix
Multiplication A×B	(AB)ᵢⱼ = Σ aᵢₖ·bₖⱼ	A cols = B rows (m×p · p×n)	m×n matrix
Scalar c·A	(cA)ᵢⱼ = c · Aᵢⱼ	Any matrix	Same dimensions
Transpose A^T	(A^T)ᵢⱼ = Aⱼᵢ	Any matrix (m×n)	n×m matrix
Déterminant	Cofactor expansion or LU	Square matrix (n×n)	Scalar
Inverse A⁻¹	Gauss-Jordan on [A\|I]	Square, det ≠ 0	n×n matrix
Trace tr(A)	Σ Aᵢᵢ (sum of diagonal)	Square matrix (n×n)	Scalar

Special Matrices

Named matrix types that have important properties in linear algebra and applications.

Matrix Type	Definition	Key Property
Identity (I)	1s on diagonal, 0s elsewhere	AI = IA = A for any compatible A
Zero (O)	All entries are 0	A + O = A; A·O = O
Diagonal	Non-zero only on main diagonal	Easy to invert: just reciprocate diagonal entries
Symmetric	A = A^T (equal to its transpose)	Always has real eigenvalues
Orthogonal	A^T · A = I	Preserves lengths and angles (rotations/reflections)
Upper Triangular	All entries below diagonal are 0	Determinant = product of diagonal entries

Worked Examples

Multiply two 2×2 matrices

Compute A × B where A = [[1, 2], [3, 4]] and B = [[5, 6], [7, 8]].

C₁₁ = (1)(5) + (2)(7) = 5 + 14 = 19

C₁₂ = (1)(6) + (2)(8) = 6 + 16 = 22

C₂₁ = (3)(5) + (4)(7) = 15 + 28 = 43

C₂₂ = (3)(6) + (4)(8) = 18 + 32 = 50

A × B = [[19, 22], [43, 50]]

Find determinant and inverse of a 3×3 matrix

Given A = [[2, 1, 0], [1, 3, 1], [0, 1, 2]], find det(A) and A⁻¹.

Expand along row 1: det = 2(3·2 − 1·1) − 1(1·2 − 1·0) + 0 = 2(5) − 1(2) = 8

Since det(A) = 8 ≠ 0, the inverse exists

Set up augmented matrix [A | I] and apply Gauss-Jordan elimination

After row operations: A⁻¹ = (1/8)·[[5, −2, 1], [−2, 4, −2], [1, −2, 5]]

det(A) = 8, A⁻¹ = (1/8)·[[5, −2, 1], [−2, 4, −2], [1, −2, 5]]

Find eigenvalues of a 2×2 matrix

Find the eigenvalues of A = [[4, 1], [2, 3]] by solving det(A − λI) = 0.

A − λI = [[4−λ, 1], [2, 3−λ]]

det(A − λI) = (4−λ)(3−λ) − (1)(2) = λ² − 7λ + 10

Factor: (λ − 5)(λ − 2) = 0

Eigenvalues: λ₁ = 5 and λ₂ = 2

Eigenvalues: λ₁ = 5, λ₂ = 2

Comment utiliser la calculatrice de matrices

Sélectionnez une catégorie d'opération

Cliquez sur l'un des quatre onglets en haut — Deux Matrices (pour A+B, A-B, A×B, c×A), Matrice Unique (pour transpose, déterminant, inverse, puissance, trace), Analyse (pour rang, RREF, valeurs propres, LU), ou Résoudre Ax=b. Le panneau d'entrée affichera uniquement les contrôles dont vous avez besoin.

Définir les dimensions de la matrice et entrer les valeurs

Utilisez les menus déroulants Lignes et Colonnes à côté de chaque étiquette de matrice pour définir les dimensions (1×1 à 5×5). Cliquez sur chaque cellule et tapez une valeur — les décimales et les fractions comme 1/3 ou -2,5 sont acceptées. Utilisez le bouton Aléatoire pour remplir automatiquement avec des entiers de test, ou chargez un Préréglage Rapide comme Rotation 2×2 ou Carré Magique 3×3.

Choisissez l'opération spécifique et cliquez sur Calculer

Cliquez sur le bouton d'opération qui apparaît sous les grilles de matrice — par exemple, A + B, Déterminant, ou RREF. Le résultat apparaît instantanément à droite. Le panneau 'Que signifie cela ?' sous le résultat donne une explication en anglais simple de la signification mathématique de la sortie.

Réviser les étapes, exporter ou enchaîner les opérations

Si des opérations de ligne étape par étape sont disponibles (RREF, système linéaire), cliquez sur l'accordéon Étapes pour voir chaque pivot et mouvement d'élimination. Utilisez 'Exporter CSV' pour télécharger la matrice de résultat, 'Copier LaTeX' pour des documents académiques, ou 'Copier le résultat → Matrice A' pour alimenter le résultat dans un nouveau calcul.

Questions Fréquemment Posées

Pourquoi ne puis-je pas multiplier deux matrices avec des dimensions incompatibles ?

La multiplication de matrices A×B est définie uniquement lorsque le nombre de colonnes dans A est égal au nombre de lignes dans B. Cela est dû au fait que l'opération calcule chaque entrée de résultat comme un produit scalaire d'une ligne de A avec une colonne de B — ce qui nécessite que la ligne et la colonne aient la même longueur. Si A est une matrice m×p et B est une matrice p×n, le résultat C est m×n. Si aCols ≠ bRows, le produit scalaire est indéfini et l'opération ne peut pas se poursuivre. Cela contraste avec l'addition, où les deux matrices doivent avoir des dimensions identiques (toutes deux m×n) afin que les entrées puissent être appariées élément par élément.

Que signifie-t-il lorsque le déterminant est 0 ?

Un déterminant nul signifie que la matrice est singulière — elle n'a pas d'inverse. Géométriquement, la transformation linéaire écrase l'espace : une transformation 2D avec det=0 réduit le plan à une ligne ou un point, détruisant l'information. Algébriquement, si det(A)=0, les lignes de A sont linéairement dépendantes (une ligne est une combinaison linéaire des autres), et le système Ax=b n'a soit pas de solution, soit une infinité de solutions — jamais une unique. Le rang sera inférieur à n. C'est pourquoi la calculatrice affiche une erreur ('matrice singulière') lorsque vous essayez d'inverser une matrice avec un déterminant nul.

Quelle est la différence entre le rang, RREF et le déterminant ?

Ces trois sorties décrivent différents aspects de la même matrice. Le rang est un entier unique — le nombre de lignes (ou colonnes) linéairement indépendantes, trouvé en comptant les lignes non nulles dans RREF. RREF (Forme Échelonnée Réduite) est la matrice réduite complète elle-même, montrant exactement quelles variables sont basiques (déterminées par les pivots) et lesquelles sont libres (peuvent être fixées arbitrairement). Le déterminant est un scalaire unique défini uniquement pour les matrices carrées ; il est égal à zéro précisément lorsque le rang < n. Le rang s'applique à toute forme de matrice ; RREF s'applique à toute matrice ; le déterminant nécessite une matrice carrée. Ensemble, ils caractérisent complètement l'espace de solution de Ax=0 et Ax=b.

Comment les valeurs propres sont-elles calculées pour des matrices plus grandes que 2×2 ?

Pour les matrices 2×2, les valeurs propres sont calculées sous forme fermée en utilisant la formule quadratique sur le polynôme caractéristique λ² − tr(A)λ + det(A) = 0. Pour les matrices de 3×3 à 5×5, cette calculatrice utilise l'algorithme d'itération QR, qui est la méthode numérique standard utilisée dans les logiciels professionnels d'algèbre linéaire. L'itération QR factorise à plusieurs reprises la matrice en Q×R (orthogonale fois triangulaire supérieure) et la remplace par R×Q, convergeant vers une forme triangulaire supérieure dont les entrées diagonales sont les valeurs propres. Le processus s'exécute jusqu'à 500 itérations avec une tolérance de convergence de 1e-8. Les valeurs propres complexes (provenant de matrices avec des entrées réelles ayant des paires de valeurs propres conjuguées complexes) apparaissent pour les matrices 2×2 sous la forme a + bi et a − bi.

À quoi sert la décomposition LU ?

La décomposition LU factorise la matrice A en le produit d'une matrice triangulaire inférieure L (avec des 1 sur la diagonale) et d'une matrice triangulaire supérieure U. L'utilisation pratique principale est la résolution efficace répétée de Ax=b : une fois que A = LU, résoudre pour n'importe quel côté droit b nécessite deux étapes de substitution triangulaire — substitution directe à travers Ly=b puis substitution inverse à travers Ux=y — chacune prenant seulement O(n²) opérations. C'est beaucoup plus rapide que de recalculer la décomposition complète à chaque fois. Le déterminant de A est égal au produit des entrées diagonales de U (multiplié par le signe de tout échange de lignes lors du pivotement partiel). La décomposition LU est l'algorithme sous-jacent à la plupart des bibliothèques de calcul scientifique pour la résolution de systèmes linéaires.

Quels sont les exemples de matrices préréglées et pourquoi sont-elles utiles ?

La calculatrice comprend quatre préréglages pour une expérimentation rapide. La matrice de Rotation 2×2 [[0,-1],[1,0]] fait tourner les vecteurs de 90 degrés dans le sens antihoraire — utile pour apprendre comment la multiplication de matrices implémente des rotations. Le Carré Magique 3×3 a des lignes, colonnes et diagonales qui s'additionnent toutes à 15, et a un déterminant de -360 et un rang de 3. L'Identité 3×3 est l'élément neutre de la multiplication de matrices : A×I = I×A = A pour tout A compatible. La matrice de Fibonacci 2×2 [[1,1],[1,0]] élevée à la puissance n donne le n-ième nombre de Fibonacci à la position [0][0] — une belle démonstration des puissances de matrices. Chargez n'importe quel préréglage, puis modifiez les valeurs pour explorer comment les résultats changent.