Comprendre la matrice de passage et son utilité en mathématiques

La matrice de passage est l’outil qui traduit un vecteur d’une langue mathématique à une autre : du dialecte d’une base à celui d’une nouvelle base. Dans un espace vectoriel, elle permet de convertir des coordonnées, de comparer des représentations matricielles d’applications linéaires et de manipuler des formes bilinéaires sans perdre l’information structurelle. Ce texte s’adresse aux étudiants en algèbre linéaire, aux ingénieurs qui manipulent des représentations matricielles et aux créateurs techniques en quête d’une compréhension opérationnelle du changement de base. Les sections qui suivent combinent définitions, démonstrations, cas pratiques et conseils méthodologiques pour que le passage d’une base à une autre devienne une opération maîtrisée et réplicable, même dans des environnements numériques ou de traitement de données.

À retenir :

• La matrice de passage exprime chaque vecteur de la nouvelle base en coordonnées de l’ancienne base : ses colonnes sont ces coordonnées.
• Pour changer les coordonnées d’un vecteur, multiplier la matrice de passage par le vecteur exprimé dans la nouvelle base donne ses coordonnées dans l’ancienne base.
• Les matrices de passage sont inversibles ; leur inverse effectue le changement en sens inverse et sert à conjuguer les représentations matricielles d’une transformation linéaire.

En bref :

• Définition opérationnelle : matrice représentant l’identité entre deux bases.
• Utilisation clé : conversion de coordonnées et transformation des matrices d’applications linéaires.
• Propriétés à vérifier : colonnes = coordonnées des nouveaux vecteurs, invertibilité, ordre des bases.
• Cas pratique : diagonalisation, simplification d’endomorphismes, changements d’axes en traitement d’images.
• Erreurs courantes : confusion d’ordre entre bases, oubli d’inversibilité, erreurs numériques en calcul flottant.

Définition pratique de la matrice de passage et lien avec le changement de base

La notion centrale est claire dès la première lecture : une matrice de passage traduit la représentation d’un même vecteur entre deux descriptions différentes d’un même espace vectoriel. Autrement dit, elle formalise le changement de base en donnant, colonne par colonne, les coordonnées des vecteurs de la nouvelle base exprimés dans l’ancienne base.

Soient K un corps commutatif et E un espace vectoriel de dimension n sur K. Si B = (e1, …, en) est une base et B’ = (e’1, …, e’n) une autre base, la matrice de passage P de B à B’ se définit comme la matrice carrée de taille n dont la j-ième colonne contient les coordonnées de e’j exprimées dans la base B. Cette définition fonctionne très bien pour la manipulation numérique : considérer e’j dans B, collecter ses coordonnées et former la colonne j de P.

Un avantage mnémotechnique utile pour la pratique est d’imaginer P comme la règle qui interprète des coordonnées écrites dans la nouvelle base comme des coordonnées dans l’ancienne base. Concrètement, si X’ est le vecteur colonne des coordonnées de x dans B’, alors l’égalité X = P X’ donne X, les coordonnées de x dans B. Les symboles cachent une idée simple : P représente l’identité Id_E, mais en changeant les bases d’entrée et de sortie.

Plusieurs remarques immédiates aident à éviter les erreurs de manipulation. Premièrement, l’ordre des bases dans la notation de P est essentiel ; la matrice P_{B←B’} se lit comme « passer de B’ vers B ». Deuxièmement, les colonnes de P ne sont pas arbitraires : chacune est la représentation d’un vecteur de la nouvelle base dans l’ancienne. Troisièmement, P est une matrice carrée de rang plein et donc inversible, ce qui garantit la réciprocité du changement de base.

Un exemple élémentaire éclaire le propos. Dans R^2, prendre B = (e1 = (1,0), e2 = (0,1)) la base canonique, et B’ = (e’1 = (1,1), e’2 = (1,-1)). Les coordonnées de e’1 dans B sont (1,1) (colonne 1) et celles de e’2 sont (1,-1) (colonne 2). La matrice de passage P est donc [[1,1],[1,-1]]. En conséquence, pour tout vecteur exprimé dans B’, multiplier P par son vecteur de coordonnées dans B’ fournit ses coordonnées dans la base canonique B.

La définition de P comme matrice représentative de l’identité éclaire également son rôle dans les manipulations algébriques : la composition des changements de base se traduit par un produit matriciel. Si B, B’ et B” sont trois bases, et si P_{B←B’} et P_{B’←B”} sont les matrices de passage correspondantes, alors la matrice de passage directe P_{B←B”} est le produit P_{B←B’} · P_{B’←B”}. Ce comportement de composition s’aligne avec l’interprétation fonctionnelle et confirme la cohérence opérationnelle de la notion.

Enfin, une condition technique à garder en tête : la notion s’applique quel que soit le corps K (par exemple R ou C) ; pour des formes sesquilinéaires sur C, la transposée peut être remplacée par l’adjointe lorsque les conjugaisons sont impliquées. En pratique, vérifier que les vecteurs constituant B’ sont bien indépendants garantit l’existence de P et évite les erreurs conceptuelles.

Insight : penser la matrice de passage comme la représentation matricielle de l’identité entre deux « langages » vectoriels rend la construction et l’utilisation immédiates et minimise les confusions d’ordre entre bases.

Changer les coordonnées d’un vecteur : méthode pas à pas

Changer les coordonnées d’un vecteur se résume à une multiplication matricielle si la matrice de passage est connue : X = P X’. Cette affirmation simple masque cependant des étapes pratiques et des pièges numériques qu’il est utile d’expliciter avant toute implémentation sur calculatrice ou logiciel.

Étapes opérationnelles :

• Vérifier que B et B’ sont bien des bases (vecteurs linéairement indépendants et couvrement de l’espace).
• Exprimer chaque vecteur de B’ en coordonnées dans B ; constituer les colonnes de P.
• Formuler X’ ; le vecteur colonne des coordonnées de x dans B’.
• Effectuer la multiplication X = P X’ pour obtenir les coordonnées dans B.

Illustration numérique détaillée. Considérer E = R^3, B = (e1,e2,e3) la base canonique, et B’ = (e’1,e’2,e’3) avec e’1 = (1,2,0), e’2 = (0,1,1), e’3 = (1,0,1). Les colonnes de P sont ces triplets. Si un vecteur x a pour coordonnées X’ = (2,-1,3) dans B’, la multiplication P X’ fournit les coordonnées de x dans la base canonique B. Calculer manuellement ou à l’aide d’un outil numérique, vérifier le résultat en retransformant par P^{-1} pour s’assurer de la cohérence : P^{-1} X doit retourner X’.

Cas pratique concret — traitement d’images et axes physiques : dans certains algorithmes de correction géométrique, les repères locaux des capteurs ou des objets sont des bases non-canoniques. Lors de l’alignement, il est souvent nécessaire de convertir des coordonnées locales en coordonnées globales avant d’appliquer une transformation. La matrice de passage est alors la clé opératoire qui garantit que les coordonnées sont interprétées correctement, évitant des erreurs d’axe qui fausseraient la géométrie finale.

Données techniques pour l’utilisateur : niveau requis — intermédiaire (connaissances de base en multiplication matricielle) ; durée estimée pour calcul manuel d’un changement de base simple : 10–30 minutes ; prérequis matériel si utilisé numériquement : calculatrice ou logiciel supportant l’inversion matricielle (par exemple numPy, MATLAB, ou un module d’algèbre linéaire intégré).

Retour d’expérience : lors d’un atelier de géométrie appliquée, une équipe a observé des divergences significatives en raison d’un mauvais ordre des bases lors du calcul d’une matrice de passage. La correction a été simple : recomposer P en vérifiant l’ordre des vecteurs de B’ et en contrôlant P·e’_j = colonne j. Ce type de vérification est rapide et empêche la plupart des erreurs.

Limites et conseils numériques : en calcul flottant, l’inversion de matrices proches de la singularité peut amplifier l’erreur. Introduire une étape de conditionnement numérique — calculer le nombre de conditionnement de P — aide à anticiper les problèmes. Si le nombre de conditionnement est élevé, préférer des méthodes numériques stables (décompositions QR ou SVD) pour obtenir P^{-1} ou effectuer le changement de coordonnées sans inversion explicite.

Astuce pratique : valider un changement de base simple en testant la transformation sur les vecteurs de la nouvelle base eux-mêmes. Multiplier P par les vecteurs de la base canonique autorise une vérification immédiate : les résultats doivent correspondre aux représentations prévues.

Insight : accomplir le changement de coordonnées comme une succession d’opérations vérifiables — constitution des colonnes, multiplication, inversion et test — réduit le risque d’erreur humaine et numérique.

Matrice de passage et transformations linéaires : représentation matricielle et similarité

La matrice de passage joue un rôle pivot lorsqu’il s’agit de comparer la représentation matricielle d’une même transformation linéaire dans des bases différentes. Si une application linéaire f : E → F est représentée par une matrice A dans les bases (B, C) et par B dans les bases (B’, C’), les matrices sont reliées par des matrices de passage aux deux extrémités.

Formellement, si P est la matrice de passage de B à B’ et Q la matrice de passage de C à C’, alors la relation de changement de matrice s’écrit B = Q^{-1} A P. L’interprétation pratique est instructive : P ajuste les coordonnées d’entrée (convertit les coordonnées exprimées dans la nouvelle base d’entrée en coordonnées de l’ancienne base), A applique la transformation dans l’ancienne représentation, puis Q^{-1} reconvertit le résultat dans la nouvelle base de sortie.

Cas particulier important : endomorphismes et similarité. Lorsqu’E = F et que les mêmes bases sont comparées (B et B’), on obtient une relation de similarité B = P^{-1} A P. Les matrices A et B sont dites semblables et elles partagent des invariants essentiels : polynôme caractéristique, valeurs propres, trace, et déterminant. Cette propriété est tout sauf décorative : elle sert de pilier pour la diagonalisation et l’étude spectrale des opérateurs linéaires.

Application pratique — diagonalisation. Pour diagonaliser une matrice A, il faut trouver une base de vecteurs propres. Si P est la matrice dont les colonnes sont ces vecteurs propres exprimés dans la base canonique, alors P^{-1} A P est diagonale. Ainsi la matrice de passage construite à partir des vecteurs propres transforme la représentation en une forme beaucoup plus simple pour le calcul de puissances ou d’exponentielle matricielle.

Exemple concret. Soit A une matrice 3×3 avec trois valeurs propres distinctes et vecteurs propres v1,v2,v3. Construire P = [v1 v2 v3] permet de passer à une base où l’opérateur est diagonal. Cette transformation est exploitée, par exemple, pour résoudre des systèmes dynamiques linéaires, où la diagonalisation simplifie l’intégration temporelle.

Contrainte réelle : lorsqu’il existe dégénérescence (valeurs propres multiples), la diagonalisation peut échouer ; la matrice n’est alors pas diagonalisable et la transformation P ne mènera pas à une matrice strictement diagonale. Dans ces cas, la normalisation en forme de Jordan est la voie alternative, toujours encadrée par des matrices de passage adaptées.

Retour d’expérience technique : dans des logiciels de calcul symbolique, la gestion des bases et des matrices de passage nécessite une attention particulière aux conventions de normalisation des vecteurs propres (par exemple, normaliser ou non). Une normalisation incohérente peut rendre la matrice P numériquement instable pour l’inversion, d’où l’importance d’utiliser des méthodes numériques robustes et de vérifier les invariants spectrales après transformation.

Insight : la matrice de passage est le pont qui permet d’explorer la même transformation sous des angles différents ; maîtriser ce pont permet d’accéder aux outils de réduction et d’analyse spectrale indispensables en algèbre linéaire avancée.

Formes bilinéaires, congruence et rôle de la transposée de la matrice de passage

Pour les formes bilinéaires, la matrice de passage intervient différemment mais de façon tout aussi fondamentale. Si φ est une forme bilinéaire sur E et si A et B sont ses matrices dans deux bases B et B’, la relation entre A et B s’écrit B = P^T A P, où P est la matrice de passage de B à B’ et P^T sa transposée.

Cette égalité exprime la notion de congruence entre matrices : A et B représentent la même forme bilinéaire mais dans deux bases distinctes. La transposée apparaît naturellement lorsque l’on exprime φ(x,y) = X^T A Y en coordonnées X et Y : après substitution X = P X’ et Y = P Y’, la formule se transforme en X’^T (P^T A P) Y’.

Exemple concret — formes quadratiques. La classification des formes quadratiques sur R^n passe souvent par la recherche d’une base dans laquelle la matrice associée prend une forme simple (par exemple diagonale avec coefficients ±1 et 0). La méthode de réduction consiste à déterminer P tel que P^T A P soit une matrice de signature standard. Cette transformation est cruciale en géométrie et en physique pour identifier la signature d’une métrique ou la nature d’un point critique.

Variante sesquilinéaire. Sur C, si la forme est sesquilinéaire (linéaire en une variable et conjuguée-linéaire en l’autre), la transposée doit être remplacée par la conjugée-transposée (la matrice adjointe) dans la relation de changement ; on obtient ainsi B = P^* A P, où P^* désigne l’adjointe hermitien. Cet ajustement est obligatoire pour préserver l’invariance complexe des formes hermitiennes.

Contrainte et pratique numérique : accomplir P^T A P avec des matrices mal conditionnées peut mener à des erreurs de classification (mauvaise estimation de la signature). Avant d’appliquer la transformation, vérifier le conditionnement de P et, si nécessaire, utiliser des procédures de stabilisation numérique ou des décompositions orthogonales (QR) qui préservent la stabilité.

Cas d’usage concret : dans le diagnostic d’un modèle physique discret (par exemple des réseaux mass-ressort linéarisés), l’identification de la signature d’une matrice de masse ou de raideur permet de détecter la présence de modes instables. L’utilisation correcte des matrices de passage et de la congruence évite de confondre instabilité physique et artefact numérique.

Insight : pour les formes bilinéaires, la présence de la transposée dans la relation de changement de base rappelle que la transformation agit simultanément sur les deux arguments de la forme ; maîtriser P et P^T est indispensable pour l’analyse géométrique et la classification algébrique.

Propriétés algébriques : inversibilité, composition et matrices inversibles

Les propriétés algébriques d’une matrice de passage confirment sa robustesse comme outil théorique et pratique. D’abord, la matrice de passage est toujours inversible : si P est la matrice de passage de B à B’, alors P^{-1} est la matrice de passage de B’ à B. Cette propriété est immédiate si l’on se rappelle que P représente l’identité Id_E, et que l’identité est une bijection. La bijectivité se traduit en algèbre linéaire par l’inversibilité matricielle lorsque l’on choisit des bases.

Composition et associativité. Si B, B’, B” sont trois bases, on a P_{B←B”} = P_{B←B’} · P_{B’←B”}. La propriété montre que le changement de base se comporte comme une application composée ; elle est stable et associative, ce qui permet d’organiser des conversions complexes en chaînes de transformations simples, chacune vérifiable.

Matrices inversibles et isomorphismes linéaires. Dans le contexte d’un isomorphisme linéaire entre deux espaces vectoriels de même dimension, la matrice associée est inversible ; réciproquement, toute matrice inversible définit un isomorphisme entre K^n et K^n. Ce lien fait de la notion de matrice de passage un cas particulier révélateur : elle concrétise l’isomorphisme Id_E entre deux modèles de même espace muni de bases différentes.

Preuve synthétique de l’inversibilité : la démonstration suit la règle de calcul des matrices de la composée. Si P est la matrice de Id_E de B’ vers B et Q est la matrice de Id_E de B vers B’, la composition Id_E ◦ Id_E = Id_E impose Q·P = I, d’où Q = P^{-1}. Cette courte démonstration explicite pourquoi la matrice de passage possède nécessairement un inverse et pourquoi son inverse est la matrice de passage inverse.

Application pratique — contrôle qualité des transformations. Avant d’utiliser P pour convertir des coordonnées dans un pipeline de données, vérifier que det(P) ≠ 0, ou calculer le rang. En traitement numérique, mesurer le nombre de conditionnement de P (ratio de la plus grande à la plus petite valeur singulière) permet d’anticiper des pertes de précision lors de l’inversion.

Retour d’expérience : dans des projets concrets de simulation 3D, l’omission d’une vérification d’inversibilité a mené à des erreurs de rendu et à des artefacts géométriques. La leçon pratique : automatiser la vérification d’inversibilité et, en cas de conditionnement mauvais, recourir à des méthodes robustes (décomposition QR, régularisation) plutôt qu’à l’inversion directe.

Insight : voir la matrice de passage non seulement comme un convertisseur de coordonnées mais aussi comme un diagnostic de stabilité numérique — son déterminant et son nombre de conditionnement sont des indicateurs clés.

Cas pratiques et retours d’expérience en algèbre linéaire appliquée

Raconter des cas concrets aide à ancrer la théorie. Prenons une entreprise fictive, “Atelier Prisma”, spécialisée en post-traitement photographique et calibration de capteurs. L’équipe doit aligner plusieurs images prises par des caméras disposées selon des repères locaux. Chaque repère définit une base locale ; pour fusionner correctement les images, il faut convertir toutes les coordonnées locales en une base globale commune. La matrice de passage est utilisée pour chaque caméra : les colonnes de P sont les vecteurs d’orientation et d’échelle de chaque repère local exprimés dans la base globale.

Dans la pratique, Atelier Prisma a rencontré trois défis : conventions incohérentes sur l’ordre des vecteurs constitutifs des bases, erreurs numériques dues à des vecteurs presque colinéaires (mauvais conditionnement), et confusion entre colonne et ligne lors de la saisie des matrices dans le code. Les solutions mises en œuvre ont été opérationnelles : normaliser les vecteurs de base, imposer un format d’entrée standard dans les fichiers de configuration, et systématiser des tests unitaires qui valident P·e’j = représentation attendue pour chaque j.

Autre cas d’usage : diagona­lisation en mécanique. Un chercheur en vibrations a utilisé des matrices de passage construites à partir de vecteurs propres pour réduire un système d’équations différentielles couplées. La transformation a permis de décomposer les modes propres, simplifiant l’intégration temporelle et l’anticipation des résonances. Le retour d’expérience signale l’importance de vérifier la normalisation des vecteurs propres pour éviter une explosion numérique lors de l’inversion de P.

Ressources pratiques et documentation : pour comprendre l’importance des pixels et des coordonnées en imagerie numérique, un rappel utile se trouve dans des lectures techniques sur le fonctionnement des images fonctionnement des pixels, qui contextualisent pourquoi les conversions de repères sont cruciales en traitement d’image. De même, des cas artistiques et photographiques inspirants montrent l’usage créatif des transformations d’espace, à l’image d’articles sur des artistes comme Gregory Crewdson ou l’usage visuel dans les portfolios modernes.

Considération technique additionnelle : lors de transformations dans des pipelines de traitement d’image (capture → correction géométrique → assemblage panoramique), gérer la précision numérique est indispensable. Des routines basées sur la bibliothèque linéaire d’un langage donné (par exemple NumPy en Python) et des validations par test sur vecteurs de base réduisent significativement les erreurs en production.

Insight : les retours d’expérience montrent que la clarté des conventions et la vérification systématique des propriétés algébriques (indépendance des vecteurs, invertibilité, conditionnement) préservent la robustesse des pipelines qui utilisent des matrices de passage.

Erreurs fréquentes

• Confusion de l’ordre des bases — Conséquence : résultats inversés ou incohérents. Correction : vérifier la notation P_{B←B’} ; recomposer P en s’assurant que la j-ième colonne contient les coordonnées de e’j dans B.
• Utiliser une base non indépendante — Conséquence : matrice non inversible, impossibilité de changer de base. Correction : vérifier l’indépendance linéaire (calcul du rang) et remplacer ou orthogonaliser les vecteurs si nécessaire.
• Mauvais format d’entrée (colonnes vs lignes) lors de la saisie des vecteurs dans le logiciel — Conséquence : multiplication incorrecte et résultats erronés. Correction : normaliser le format d’entrée, documenter la convention (colonnes = vecteurs) et ajouter des tests unitaires qui multiplient P par la base canonique pour valider la construction.
• Inversion directe de matrices mal conditionnées — Conséquence : amplification des erreurs numériques. Correction : mesurer le nombre de conditionnement ; utiliser QR ou SVD, ou appliquer une régularisation numérique avant inversion.
• Oublier d’ajuster la transposée/adjointe pour les formes sesquilinéaires — Conséquence : classification incorrecte des formes et erreurs en géométrie complexe. Correction : remplacer P^T par P^* (conjugué-transposé) pour les formes hermitiennes et vérifier la consistance sur des exemples tests.
• Ne pas tester sur les vecteurs de la nouvelle base — Conséquence : erreurs systématiques non détectées. Correction : effectuer la vérification P·e’_j = coordonnées attendues pour chaque j et automatiser ce test dans le pipeline.

Réglages conseillés pour travailler avec des matrices de passage

Dans un contexte mathématique et numérique, quelques conventions et « réglages » méthodologiques améliorent la robustesse des manipulations. Le tableau ci-dessous propose des paramètres choisis en fonction du profil d’utilisateur et du type de projet.

Paramètre	Valeur recommandée	Profil d’usage	Remarque
Ordre des vecteurs de base	Colonnes = vecteurs (convention standard)	Tous	Indiquer explicitement dans la documentation et les fichiers d’entrée
Normalisation des vecteurs	Normaliser si utilisation numérique intensive	Intermédiaire / Professionnel	Évite l’explosion numérique lors de l’inversion
Vérification d’inversibilité	Calcul du déterminant ou du rang	Tous	Automatiser la vérification avant transformation
Méthode d’inversion	QR/SVD pour matrice mal conditionnée	Professionnel	Plus stable que l’inversion directe en floating point
Gestion des formes complexes	Utiliser la matrice adjointe P^* pour formes sesquilinéaires	Avancé	Applicable sur C ; respecter la conjugaison
Validation	Tests unitaires sur vecteurs de base	Tous	Inclure automatisation dans les pipelines

Ces « réglages » fonctionnent comme des conventions de travail ; ils accélèrent la collaboration et limitent les erreurs humaines. Pour un aperçu visuel des enjeux de la précision en imagerie, une lecture sur la gestion des pixels peut compléter la réflexion : description du fonctionnement des pixels.

Ce qu’il faut vérifier avant d’appliquer un changement de base

Avant d’exécuter un changement de base dans un calcul, une check-list rapide évite la majorité des erreurs pratiques :

• Vérifier l’indépendance linéaire des vecteurs constituant la nouvelle base.
• Confirmer l’ordre et la convention (colonnes = vecteurs) utilisée dans la construction de P.
• Mesurer le conditionnement numérique de P ; si élevé, préférer des méthodes stables (QR/SVD).
• Contrôler P·e’_j = coordonnées attendues pour chaque vecteur de la nouvelle base.
• Adapter la transposée à l’adjointe pour les formes sesquilinéaires sur C.

Checklist technique rapide :

1. Calculer le rang et le déterminant de P.
2. Effectuer un test de round-trip : P^{-1} (P X’) doit donner X’.
3. Documenter la version du logiciel ou de la bibliothèque utilisée pour les opérations matricielles si le calcul est automatisé (par exemple NumPy 1.x, MATLAB R202x).

Points de vigilance contextuels : en 2026, les environnements numériques tendent à intégrer des bibliothèques optimisées pour GPU qui peuvent changer les conventions d’alignement mémoire ; s’assurer que le format de données transmis aux routines GPU respecte l’ordre de colonnes attendu. Dans la pratique photographique et visuelle, comprendre les conventions de capteurs et de coordonnées évite des inversions d’axe lors des alignements : des ressources sur des artistes et des approches visuelles peuvent inspirer des pipelines adaptés, par exemple à travers l’approche visuelle de certains créateurs décrits sur des sites spécialisés comme vision par William Klein.

À retenir

• Contrôler l’indépendance des vecteurs et l’inversibilité.
• Normaliser les conventions d’entrée (colonnes = vecteurs).
• Utiliser des méthodes numériques stables en cas de mauvais conditionnement.

Insight : une vérification rapide mais systématique avant chaque changement de base économise du temps et protège contre des artefacts de calcul coûteux en production.

Qu’est-ce qu’une matrice de passage ?

Une matrice de passage est la matrice qui exprime les vecteurs d’une nouvelle base en coordonnées d’une ancienne base ; elle sert à convertir des coordonnées entre deux bases d’un espace vectoriel.

Comment calcule-t-on les coordonnées d’un vecteur dans une nouvelle base ?

Construire la matrice de passage en plaçant, colonne par colonne, les coordonnées des vecteurs de la nouvelle base dans l’ancienne ; multiplier cette matrice par le vecteur colonne des coordonnées dans la nouvelle base pour obtenir les coordonnées dans l’ancienne base.

Pourquoi la matrice de passage est-elle inversible ?

Parce qu’elle représente l’application identité entre deux descriptions complètes d’un même espace vectoriel ; les bases étant indépendantes, la matrice est de rang plein et possède donc un inverse.

Quelle est la différence entre similarité et congruence ?

La similarité intervient pour les transformations linéaires (B = P^{-1} A P) et conserve le spectre ; la congruence concerne les formes bilinéaires (B = P^T A P) et implique la transposée de la matrice de passage.