
En algèbre linéaire, la matrice de Householder associée à un vecteur non nul est la matrice définie par :
où In est la matrice identité de taille n.
Dans la suite, , le produit scalaire euclidien.
étant muni de sa structure euclidienne canonique et désignant le vecteur unitaire , on a, pour tout vecteur x,
est donc la matrice, dans la base canonique, de la réflexion par rapport à l'hyperplan orthogonal à v. En particulier, c'est la matrice d'une symétrie orthogonale :
Ainsi, Hv est la matrice de la symétrie orthogonale par rapport à l'hyperplan orthogonal au vecteur v.
donc
En optique géométrique, la réflexion spéculaire peut être exprimée en termes de matrice de Householder.
En remarquant que la définition d'une matrice de Householder ne nécessite que la connaissance d'un seul vecteur et non d'une matrice entière (qui pour les calculs n'est jamais explicitement donnée), on peut aisément minimiser le stockage et la mémoire nécessaire pour leur utilisation.
Ainsi, la multiplication d'une matrice de Householder et d'un vecteur ne nécessite pas l'opération complète d'un produit matrice-vecteur, mais seulement un produit scalaire, puis une transformation affine, soit deux opérations de niveau BLAS-1. Ceci rend les matrices de Householder extrêmement efficaces en termes de coût de calcul
Ainsi, en notant la valeur calculée et la valeur exacte, alors pour une matrice de Householder donnée de taille ,
avec (où désigne un arrondi d'unité, et une constante). Ainsi, les multiplications par des matrices de Householder sont extrêmement inversement stables.
Comme les transformations de Householder sont de stockage mémoire minimal, de complexité arithmétique basse, et stables numériquement, elles sont souvent utilisées en algèbre linéaire numérique, par exemple, pour trianguler une matrice, calculer des décompositions QR ou dans la première étape de l'algorithme QR. On les utilise aussi pour établir la forme de Hessenberg d'une matrice. Pour les matrices symétriques ou hermitiennes, on peut conserver la symétrie, résultant en une tridiagonalisation,.
Les transformations de Householder peuvent être utilisées pour calculer la décomposition QR d'une matrice. En considérant une matrice triangularisée jusqu'à la colonne , alors l'objectif est de construire des matrices de Householder qui agissent comme les sous-matrices principales d'une matrice donnée :
par la matrice
.
On peut rappeler qu'il a été établi supra que les matrices de Householder sont des matrices unitaires, et puisque le produit de deux matrices unitaires est également unitaire, on a la matrice unitaire de la décomposition QR.
Si on peut trouver un vecteur tel que on peut mener ce calcul. D'un point de vue géométrique, on cherche un hyperplan tel que la réflexion par ce plan envoie sur le vecteur de base, soit :
|
(1) |
pour une constante . Ceci implique d'avoir Et puisque est unitaire, il faut que
|
(2) |
En réinjectant l'équation (2) dans l'équation (1), on obtient Ou, en d'autres termes, en comparant les scalaires facteurs du vecteur on a soit La résolution en donne On a ainsi la construction complète ; cependant, en pratique, on veut éviter l'annulation catastrophique dans l'équation (2). Ainsi, on choisit le signe de avec
Cet algorithme, présenté dans Numerical Analysis par Burden et Faires, fonctionne si la matrice est symétrique. Dans le cas non-symétrique, un calcul similaire peut donner une matrice de Hessenberg.
On doit utiliser une définition modifiée de la fonction avech . Pour la première étape, pour former la matrice de Householder à chaque étape, on doit déterminer et , tels que :
À partir de et , on construit le vecteur :
où , , et
On calcule ensuite :
On a alors trouvé et calculé , le processus est répété pour comme suit :
On obtient de cette façon la matrice symétrique tridiagonale voulue.
Dans cet exemple, tiré de Burden et Faires, la matrice donnée est transformée en une matrice tridiagonale similaire A3 par la méthode de Householder.
Par la méthode de Householder, on obtient :
On a bien au final une matrice tridiagonale symétrique similaire à la première. Le processus s'interrompt après deux étapes.

Comme les matrices unitaires sont utiles en calcul quantique, les transformations de Householder y sont tout à fait adaptées. Un des algorithmes où elles présentent un grand intérêt est celui de Grover, où l'on cherche à calculer une fonction oracle représentée dans ce qui s'avère être une transformation de Householder :
(avec une partie de la notation bra-ket, analogue à utilisée auparavant).
On l'obtient par un algorithme qui itère par la fonction oracle et un autre opérateur connu comme l'opérateur de diffusion de Grover défini par
et .