En mathématiques, une matrice (au pluriel : matrices) est un rectangle de nombres, disposés en lignes et en colonnes. Les lignes sont chacune de gauche à droite (horizontale) et les colonnes vont de haut en bas (verticale). La cellule supérieure gauche se trouve à la ligne 1, colonne 1 (voir le schéma à droite).
Il existe des règles pour l'addition, la soustraction et la "multiplication" des matrices, mais elles sont différentes de celles qui s'appliquent aux nombres. A titre d'exemple, A ⋅ B {\displaystyle A\cdot B} ne donne pas toujours le même résultat que B ⋅ A {\displaystyle B\cdot A}
ce qui est le cas pour la multiplication des nombres ordinaires. Une matrice peut avoir plus de 2 dimensions, comme une matrice 3D. Une matrice peut également être unidimensionnelle, sous la forme d'une seule ligne ou colonne.
De nombreuses sciences naturelles utilisent beaucoup les matrices. Dans de nombreuses universités, les cours sur les matrices (généralement appelés algèbre linéaire) sont enseignés très tôt, parfois même en première année d'études. Les matrices sont également très courantes en informatique.
Définition formelle et notation
On appelle matrice un tableau rectangulaire d'éléments (nombres, mais aussi parfois fonctions ou autres objets) rangés en m lignes et n colonnes. On dit que la matrice a ordre m × n (ou dimension m × n). L'entrée située à la ligne i et à la colonne j est notée généralement aij (ou a[i,j]). Une matrice carrée est une matrice pour laquelle m = n.
Types particuliers de matrices
- Matrice nulle : toutes les entrées sont nulles.
- Matrice identité In (n × n) : 1 sur la diagonale principale et 0 ailleurs ; pour toute matrice A de taille compatible, A·I = A et I·A = A.
- Matrice diagonale : toutes les entrées hors diagonale principale sont nulles.
- Matrice symétrique : A = AT (égalité avec sa transposée).
- Matrice inversible : matrice carrée qui possède une inverse B telle que A·B = B·A = I.
Opérations principales
- Addition et soustraction : deux matrices s'additionnent seulement si elles ont la même taille. L'opération se fait composante par composante : (A + B)ij = Aij + Bij.
- Multiplication par un scalaire : on multiplie chaque entrée par le scalaire.
- Multiplication de matrices : si A est de taille m × p et B de taille p × n, alors le produit C = A·B est défini et est de taille m × n. Chaque coefficient est la somme des produits correspondants : Cij = somme_{k=1..p} Aik · Bkj. La multiplication de matrices n'est pas commutative en général : A·B ≠ B·A.
- Transposée : la transposée AT échange lignes et colonnes : (AT)ij = Aji.
- Inverse : pour une matrice carrée A, l'inverse A−1 (si elle existe) vérifie A·A−1 = A−1·A = I. Une matrice est inversible si et seulement si son déterminant est non nul (pour les matrices sur un corps commutatif, comme R ou C).
- Déterminant (pour matrices carrées) : un scalaire associé à la matrice, utile pour tester l'inversibilité et pour calculer des volumes orientés, etc. Par exemple pour une matrice 2×2 A = [[a, b], [c, d]], det(A) = a·d − b·c.
- Rang : le rang d'une matrice est le nombre maximal de lignes (ou colonnes) linéairement indépendantes ; il mesure l'information effectivement contenue dans la matrice.
Exemples simples
Addition :
A = [[1, 2], [3, 4]] et B = [[5, 6], [7, 8]] ⇒ A + B = [[6, 8], [10, 12]].
Multiplication par un scalaire :
2 · A = [[2, 4], [6, 8]].
Multiplication de matrices :
A = [[1, 2], [3, 4]] et B = [[0, 1], [1, 0]] ⇒ A·B = [[1·0+2·1, 1·1+2·0], [3·0+4·1, 3·1+4·0]] = [[2, 1], [4, 3]].
On voit que B·A = [[0·1+1·3, 0·2+1·4], [1·1+0·3, 1·2+0·4]] = [[3, 4], [1, 2]] ≠ A·B.
Déterminant d'une 2×2 :
Pour A = [[a, b], [c, d]], det(A) = a·d − b·c. Si det(A) ≠ 0 alors A est inversible.
Propriétés algébriques utiles
- L'addition est commutative et associative : A + B = B + A, (A + B) + C = A + (B + C).
- La multiplication matricielle est associative : (A·B)·C = A·(B·C).
- Distributivité : A·(B + C) = A·B + A·C et (A + B)·C = A·C + B·C.
- Transposée du produit : (A·B)T = BT·AT.
- Si A est inversible, alors AT l'est aussi et (AT)−1 = (A−1)T.
Notions avancées et généralisations
Techniquement, une « matrice » désigne habituellement un tableau à deux dimensions. Les tableaux à plus de deux dimensions sont appelés tensors ou tenseurs en français. Les vecteurs sont des cas particuliers de matrices unidimensionnelles (1×n ou n×1). D'autres notions associées : valeurs propres et vecteurs propres (spectre d'une matrice), décompositions (LU, QR, SVD) très utiles en calcul numérique et en statistique.
Applications et usages
- Résolution de systèmes linéaires : écrire un système linéaire sous la forme Ax = b et utiliser méthodes directes (Gauss) ou itératives.
- Géométrie et transformations linéaires : rotation, homothétie, projection en 2D/3D (informatique graphique).
- Statistiques et apprentissage automatique : matrices de covariance, moindres carrés, réseaux de neurones (calcul matriciel intensif).
- Physique : mécanique quantique (opérateurs), études de systèmes linéaires.
- Traitement du signal et image : convolution, filtrage, compression d'images (SVD).
- Théorie des graphes : matrices d'adjacence et d'incidence pour représenter des réseaux.
- Chaînes de Markov : matrices stochastiques modélisent les transitions entre états.
- Informatique : base des bibliothèques numériques (BLAS, LAPACK), calcul parallèle, et structures de données (matrices creuses pour grands graphes).
Aspects numériques et algorithmiques
Le calcul matriciel est au cœur du calcul scientifique. L'algorithme naïf de multiplication de deux matrices n × n a une complexité de l'ordre de O(n³), mais des méthodes plus rapides (Strassen, Coppersmith–Winograd et variantes) existent. En pratique, on utilise des bibliothèques optimisées (par exemple BLAS, LAPACK, ou frameworks comme NumPy, MATLAB) qui tirent parti du parallélisme matériel et des optimisations mémoire. Pour les grandes matrices creuses, des algorithmes et structures spécialisés permettent d'économiser du temps et de la mémoire.
En résumé, les matrices sont des objets mathématiques simples à définir mais extrêmement puissants et universels : elles modélisent des relations linéaires, accélèrent le calcul numérique et sont omniprésentes dans les sciences, l'ingénierie et l'informatique.

