Calculateur de décomposition QR
Décomposez une matrice de 2 par 2 en une matrice orthogonale Q et une matrice triangulaire supérieure R.
À propos de la décomposition QR
Exemples de décomposition QR
| Matrice A | Facteurs | Observation |
|---|---|---|
| [1, 0] [0, 1] | Q = identité, R = identité | Les colonnes sont déjà orthonormées |
| [3, 0] [4, 5] | Q = [0.6, -0.8] [0.8, 0.6], R = [5, 4] [0, 3] | Gram-Schmidt sépare longueur et direction |
| [1, 1] [1, -1] | Q vaut environ [0.707107, 0.707107] [0.707107, -0.707107] | Les colonnes saisies sont perpendiculaires, mais non normalisées |
Comment calculer une décomposition QR
- Saisissez les quatre coefficients de A aux positions de ligne et de colonne indiquées.
- Vérifiez que les deux colonnes sont non nulles et ne sont pas des multiples scalaires l'une de l'autre.
- Sélectionnez Calculer la décomposition QR pour appliquer le procédé de Gram-Schmidt.
- Lisez Q et R ligne par ligne, puis multipliez-les pour vérifier la factorisation.
Questions fréquentes
Que représentent Q et R ?
Q contient des vecteurs colonnes orthonormés qui décrivent des directions. R est triangulaire supérieure et conserve les longueurs et coefficients de projection nécessaires pour reconstituer la matrice initiale.
Pourquoi les colonnes doivent-elles être indépendantes ?
Gram-Schmidt exige un reste perpendiculaire non nul pour chaque nouvelle colonne de Q. Des colonnes dépendantes annulent ce reste : on ne peut donc pas former ainsi une base orthonormée complète de deux colonnes.
La décomposition QR est-elle unique ?
Des choix de signes peuvent donner des décompositions équivalentes, car les signes correspondants de Q et R s'annulent dans leur produit. Imposer des coefficients diagonaux non négatifs dans R est une convention courante d'unicité.
Comment vérifier le résultat ?
Multipliez Q par R et comparez chaque coefficient à celui de la matrice initiale A. Vous pouvez aussi vérifier que la transposée de Q multipliée par Q est la matrice identité.
À quoi sert la décomposition QR ?
Elle est très utilisée pour les moindres carrés, les algorithmes de valeurs propres et la résolution stable d'équations. Les matrices orthogonales aident à maîtriser l'erreur numérique lors de ces calculs.