Aller au contenu
Apprendre.
  • M1 · toutes les matières15 matières : Préparation de données, API & sécurité, CI/CD, Docker, Merise, Dataviz, KNIME, ML appliqué : projet LoL, SQL & UML, SQL avancé, Machine Learning, Git, IA frugale & responsable, Qualité des données, MathématiquesAnnée
  • M2 · toutes les matières4 matières : Deep Learning, AI Act, Comex & Fundraising, Gouvernance & DataMeshAnnée
  • Deep LearningM2 · 4 modules · Réseaux de neurones, CNN, texte, modèles génératifs.Matière
  • Préparation de donnéesM1 · 3 modules · Nettoyer, transformer et fusionner des données avec Python.Matière
  • API & sécuritéM1 · 2 modules · Consommer, concevoir et sécuriser des API.Matière
  • CI/CDM1 · 1 module · Intégration et livraison continues.Matière
  • DockerM1 · 3 modules · Conteneurs, images, volumes, réseaux, Compose.Matière
  • MeriseM1 · 2 modules · Modéliser une base : MCD, MLD, MPD.Matière
  • DatavizM1 · 2 modules · Visualiser pour comprendre et décider.Matière
  • KNIMEM1 · 1 module · Explorer et nettoyer des données en workflow.Matière
  • ML appliqué : projet LoLM1 · 2 modules · Du besoin métier au POC de vision par ordinateur.Matière
  • SQL & UMLM1 · 3 modules · Modèles UML et requêtes SQL.Matière
  • SQL avancéM1 · 3 modules · Jointures, fenêtres, CTE, optimisation.Matière
  • Machine LearningM1 · 3 modules · Régression, classification, segmentation, projet.Matière

↑↓ naviguer↵ ouvre le résultat en surbrillanceesc fermer

Partie 2 · Matrices

Déterminant, inverse et systèmes 2×2

Déterminant 2×2

Pour une matrice 2×22\times2 :

det⁡(A)=a11a22−a12a21\det(A) = a_{11}a_{22} - a_{12}a_{21}

Exemple : det⁡(2111)=2⋅1−1⋅1=1\det \begin{pmatrix} 2 & 1 \\ 1 & 1 \end{pmatrix} = 2\cdot1 - 1\cdot1 = 1. Autre : det⁡(2412)=4−4=0\det \begin{pmatrix} 2 & 4 \\ 1 & 2 \end{pmatrix} = 4 - 4 = 0 (calculs ajoutés).

Inverse d'une matrice

Une matrice AA est inversible s'il existe A−1A^{-1} tel que AA−1=IA A^{-1} = I (II = matrice identité, des 1 sur la diagonale, des 0 ailleurs).

Méthode de la matrice augmentée

On écrit (A∣I)(A \mid I) et on applique des opérations élémentaires sur les lignes pour obtenir (I∣A−1)(I \mid A^{-1}). Exemple du cours avec A=(2111)A = \begin{pmatrix} 2 & 1 \\ 1 & 1 \end{pmatrix} :

ÉtapeOpérationMatrice augmentée
départ(2,1∣1,0)(2,1 \mid 1,0) ; (1,1∣0,1)(1,1 \mid 0,1)
1échange des lignes (pivot 1)(1,1∣0,1)(1,1 \mid 0,1) ; (2,1∣1,0)(2,1 \mid 1,0)
2L2←L2−2L1L_2 \leftarrow L_2 - 2L_1(1,1∣0,1)(1,1 \mid 0,1) ; (0,−1∣1,−2)(0,-1 \mid 1,-2)
3L2←−L2L_2 \leftarrow -L_2(1,1∣0,1)(1,1 \mid 0,1) ; (0,1∣−1,2)(0,1 \mid -1,2)
4L1←L1−L2L_1 \leftarrow L_1 - L_2(1,0∣1,−1)(1,0 \mid 1,-1) ; (0,1∣−1,2)(0,1 \mid -1,2)

Résultat : A−1=(1−1−12)A^{-1} = \begin{pmatrix} 1 & -1 \\ -1 & 2 \end{pmatrix}. Vérification : AA−1=(1001)A A^{-1} = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}.

Vérifie que tu as compris

Que vaut det⁡(4213)\det\begin{pmatrix}4&2\\1&3\end{pmatrix} ?

Vérifie que tu as compris

Dans la méthode de la matrice augmentée, que doit-on obtenir à la fin ?

Résoudre un système linéaire 2×2

Un système de deux équations à deux inconnues s'écrit sous forme matricielle Ax=bA x = b avec A=(a11a12a21a22)A = \begin{pmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{pmatrix}, x=(xy)x = \begin{pmatrix} x \\ y \end{pmatrix}, b=(b1b2)b = \begin{pmatrix} b_1 \\ b_2 \end{pmatrix}. Le but : trouver le vecteur xx.

Condition d'existence d'une solution unique : si et seulement si det⁡(A)≠0\det(A) \neq 0. Dans ce cas x=A−1bx = A^{-1} b.

Exemples des énoncés du cours (résolutions ajoutées) :

  • 3x+2y=73x+2y=7, x−y=1x-y=1 : det⁡=3⋅(−1)−2⋅1=−5≠0\det = 3\cdot(-1)-2\cdot1 = -5 \ne 0, solution x=1,8x = 1{,}8, y=0,8y = 0{,}8.
  • 4x−y=104x-y=10, 2x+y=82x+y=8 : en additionnant, 6x=186x = 18 donc x=3x=3, y=2y=2.
  • 2x+4y=82x+4y=8, x+2y=4x+2y=4 : det⁡=4−4=0\det = 4-4 = 0, pas de solution unique (la deuxième équation est la moitié de la première : infinité de solutions).

Au-delà de 2×2 avec NumPy

Pour 3×33\times3 ou plus on utilise x = np.linalg.solve(A, b). Si det⁡(A)=0\det(A) = 0, NumPy lève LinAlgError: Singular matrix. Au-delà de 3×33\times3, NumPy applique des méthodes robustes comme les décompositions LU ou QR.

Inverse 2×2 par formule (hors cours, pour les exercices) : A−1=1det⁡A(d−b−ca)A^{-1} = \frac{1}{\det A} \begin{pmatrix} d & -b \\ -c & a \end{pmatrix} pour A=(abcd)A = \begin{pmatrix} a & b \\ c & d \end{pmatrix}.

Vérifie que tu as compris

Le système 2x+4y=82x+4y=8, x+2y=4x+2y=4 a-t-il une solution unique ?

Vérifie que tu as compris

Pour Ax=bAx = b avec det⁡(A)≠0\det(A) \neq 0, comment exprime-t-on xx ?