Calculateur de Décomposition QR
Décomposez n’importe quelle matrice A en une matrice orthogonale Q et une matrice triangulaire supérieure R en utilisant le procédé de Gram-Schmidt. Supporte les matrices de 2×2 à 5×5 avec une orthogonalisation animée étape par étape, vérification de l’orthogonalité QᵀQ = I et visualisation interactive.
Votre bloqueur de pubs nous empêche d’afficher des annonces
MiniWebtool est gratuit grâce aux annonces. Si cet outil vous a aidé, soutenez-nous avec Premium (sans pubs + outils plus rapides) ou ajoutez MiniWebtool.com à la liste blanche puis rechargez la page.
- Ou passez à Premium (sans pubs)
- Autorisez les pubs pour MiniWebtool.com, puis rechargez
Calculateur de Décomposition QR
Le Calculateur de décomposition QR factorise toute matrice A en le produit d'une matrice orthogonale Q et d'une matrice triangulaire supérieure R, de sorte que A = QR. Saisissez une matrice de 2×2 à 5×5 (y compris les matrices non carrées où les lignes ≥ colonnes) et obtenez l'orthogonalisation complète de Gram-Schmidt avec des solutions étape par étape, une animation interactive, la vérification de l'orthogonalité QᵀQ = I, et des aperçus éducatifs détaillés.
Qu'est-ce que la décomposition QR ?
La décomposition QR (également appelée factorisation QR) écrit une matrice A comme :
$$A = QR$$
où Q est une matrice orthogonale (ses colonnes sont des vecteurs orthonormaux satisfaisant QᵀQ = I), et R est une matrice triangulaire supérieure. Pour une matrice m×n avec m ≥ n et un rang de colonne plein, la décomposition QR réduite donne Q comme m×n et R comme n×n.
Le procédé de Gram-Schmidt expliqué
Étant donné les vecteurs colonnes a₁, a₂, …, aₙ de A, l'algorithme classique de Gram-Schmidt produit des vecteurs orthonormaux e₁, e₂, …, eₙ :
Étape 1. Poser u₁ = a₁, puis normaliser : e₁ = u₁ / ‖u₁‖.
Étape 2. Pour chaque colonne suivante aⱼ, soustraire ses projections sur tous les eₖ précédents :
$$\mathbf{u}_j = \mathbf{a}_j - \sum_{k=1}^{j-1} (\mathbf{a}_j \cdot \mathbf{e}_k) \, \mathbf{e}_k$$
Ensuite, normaliser : eⱼ = uⱼ / ‖uⱼ‖.
Étape 3. La matrice Q a e₁, …, eₙ comme colonnes. R est triangulaire supérieure avec des entrées rᵢⱼ = eᵢ · aⱼ.
Comment utiliser ce calculateur
Étape 1. Définissez les dimensions de la matrice (lignes × colonnes). Les lignes doivent être ≥ colonnes pour la décomposition QR.
Étape 2. Saisissez les valeurs dans la grille, ou cliquez sur un exemple rapide pour charger un préréglage. Utilisez Tab ou les touches fléchées pour naviguer.
Étape 3. Cliquez sur Décomposer A = QR. Le calculateur exécute le procédé de Gram-Schmidt et affiche Q et R.
Étape 4. Regardez l'animation de Gram-Schmidt pour voir comment chaque colonne est orthogonalisée : vecteur original → soustraire les projections → résultat non normalisé → vecteur orthonormal normalisé.
Étape 5. Vérifiez le résultat : assurez-vous que QR = A et QᵀQ = I (matrice identité). Suivez la dérivation complète à l'aide du navigateur d'étapes.
Applications de la décomposition QR
| Application | Utilisation de QR |
|---|---|
| Moindres carrés (Ax ≈ b) | Résoudre Rx = Qᵀb par substitution inverse — plus stable que les équations normales AᵀAx = Aᵀb |
| Algorithme QR pour les valeurs propres | Factoriser répétitivement Aₖ = QₖRₖ, puis poser Aₖ₊₁ = RₖQₖ — converge vers la forme de Schur |
| Systèmes linéaires (Ax = b) | Factoriser A = QR, puis résoudre Rx = Qᵀb. Plus stable numériquement que LU pour les systèmes mal conditionnés |
| Traitement du signal | Le formage de faisceau adaptatif et l'estimation de canal MIMO utilisent des mises à jour QR pour le traitement en temps réel |
| Apprentissage automatique | Orthogonalisation basée sur QR dans l'entraînement des réseaux neuronaux, Gram-Schmidt dans l'ingénierie des caractéristiques |
QR vs. autres décompositions de matrices
| Décomposition | Forme | Idéal pour |
|---|---|---|
| QR (cet outil) | A = QR | Moindres carrés, algorithmes de valeurs propres, résolutions stables numériquement |
| LU | A = LU | Résolutions rapides de systèmes carrés, calcul de déterminant |
| Cholesky | A = LLᵀ | Systèmes symétriques définis positifs (le plus rapide) |
| SVD | A = UΣVᵀ | Analyse de rang, pseudoinverse, PCA, compression d'image |
| Édigendécomposition | A = PDP⁻¹ | Puissances de matrices, équations différentielles, analyse spectrale |
Foire aux questions
Qu'est-ce que la décomposition QR ?
La décomposition QR factorise une matrice A en le produit d'une matrice orthogonale Q (dont les colonnes sont orthonormales) et d'une matrice triangulaire supérieure R. Toute matrice réelle avec des colonnes linéairement indépendantes possède une factorisation QR unique lorsque nous exigeons que R ait des entrées diagonales positives.
Qu'est-ce que le procédé de Gram-Schmidt ?
Le procédé de Gram-Schmidt est un algorithme qui prend un ensemble de vecteurs linéairement indépendants et produit un ensemble orthonormal couvrant le même sous-espace. Il fonctionne en soustrayant itérativement les projections sur tous les vecteurs orthonormaux précédemment calculés, puis en normalisant le résidu.
La décomposition QR fonctionne-t-elle pour les matrices non carrées ?
Oui. Pour une matrice m×n où m ≥ n, la décomposition QR réduite (ou mince) donne Q comme m×n avec des colonnes orthonormales et R comme n×n triangulaire supérieure. C'est la forme la plus couramment utilisée en pratique, en particulier pour les problèmes de moindres carrés.
Quand dois-je utiliser QR au lieu de la décomposition LU ?
Utilisez QR lorsque la stabilité numérique importe plus que la vitesse — par exemple, avec des matrices mal conditionnées, des problèmes de moindres carrés ou le calcul de valeurs propres. LU est plus rapide (environ 2× pour les systèmes carrés) mais peut amplifier les erreurs d'arrondi. QR préserve les normes vectorielles car Q est orthogonale.
Quelle est la différence entre QR et SVD ?
Toutes deux produisent des facteurs orthogonaux, mais la SVD décompose A en trois matrices (UΣVᵀ) révélant les valeurs singulières et le rang, tandis que QR donne deux matrices (QR) et est plus rapide à calculer. La SVD est préférée pour les problèmes de rang déficient et le calcul de pseudoinverse ; QR est préférée pour résoudre les systèmes de rang plein et les algorithmes de valeurs propres.
Citez ce contenu, cette page ou cet outil comme suit :
"Calculateur de Décomposition QR" sur https://MiniWebtool.com/fr/calculateur-de-decomposition-qr/ de MiniWebtool, https://MiniWebtool.com/
par l'équipe miniwebtool. Mis à jour : 2026-04-12
Vous pouvez également essayer notre Résolveur Mathématique IA GPT pour résoudre vos problèmes mathématiques grâce à des questions-réponses en langage naturel.
Autres outils connexes:
Algèbre Linéaire:
- Calculatrice de Déterminant
- Calculatrice de Valeurs Propres et de Vecteurs Propres
- Calculatrice de matrices
- Calculatrice de décomposition en fractions partielles
- Calculatrice Vectorielle
- Calculateur de Gram-Schmidt Nouveau
- Calculateur de projection vectorielle Nouveau
- Calculateur de décomposition LU de matrice Nouveau
- Calculateur de Décomposition en Valeurs Singulières (SVD) Nouveau
- Calculateur de Rang de Matrice Nouveau
- Calculateur de Trace de Matrice Nouveau
- Calculateur de Matrice Jacobienne Nouveau
- Calculateur RREF (Forme Échelonnée Réduite) Nouveau
- Calculateur de Matrice Inverse Nouveau
- Calculateur de Multiplication de Matrices Nouveau
- Calculateur de Produit Scalaire Nouveau
- Calculateur de Produit Vectoriel Nouveau
- Calculateur de Norme de Vecteur Nouveau
- Calculateur de Vecteur Unitaire Nouveau
- Calculateur d'Angle Entre Vecteurs Nouveau
- Calculateur d’Espace Nul Nouveau
- Calculateur d’Espace Colonne Nouveau
- Calculateur Règle de Cramer Nouveau
- Calculateur de Diagonalisation de Matrice Nouveau
- Calculateur de Décomposition QR Nouveau
- Calculateur de Décomposition de Cholesky Nouveau
- Calculateur de Puissance de Matrice Nouveau
- Calculateur de Polynôme Caractéristique Nouveau
- Calculateur de Forme Normale de Jordan Nouveau
- Calculateur d'Exponentielle de Matrice Nouveau
- Calculateur de Produit Tensoriel Nouveau