Leçon : Systèmes d’Équations Linéaires et
Matrices
Professeur de Data Science
Janvier 2025
Objectifs de la leçon
L’objectif de cette leçon est de comprendre les systèmes d’équations linéaires
et les matrices, leurs propriétés, et leur importance dans la résolution de
problèmes en data science. Nous aborderons les sujets suivants :
• Systèmes d’équations linéaires : formulation, solution et méthode de
résolution.
• Matrices : définition, multiplication, inverse, déterminant et propriétés.
• Application des matrices et systèmes d’équations linéaires en data sci-
ence.
1 Systèmes d’Équations Linéaires
Un système d’équations linéaires est un ensemble d’équations qui décrivent
des relations linéaires entre des variables. Par exemple, le système suivant :
3x + 2y − z = 1
2x − 2y + 4z = −2
1
−x + y − z = 0
2
est un système d’équations linéaires à 3 variables (x, y et z).
1
1.1 Représentation matricielle
Un système d’équations linéaires peut être représenté sous la forme ma-
tricielle :
Ax = b
où : - A est une matrice m × n (les coefficients des variables), - x est un
vecteur colonne de taille n × 1 (les variables x1 , x2 , . . . , xn ), - b est un vecteur
colonne de taille m × 1 (les constantes du côté droit des équations).
Dans le cas du système ci-dessus, on peut écrire la représentation ma-
tricielle :
3 2 −1 x 1
A= 2 −2 4 , x = y , b = −2
−1 12 −1 z 0
1.2 Méthodes de résolution
Les systèmes d’équations linéaires peuvent être résolus de plusieurs manières
:
• Méthode de substitution : Résoudre successivement pour une vari-
able en fonction des autres.
• Méthode de l’élimination de Gauss : Transformer le système en
une forme triangulaire supérieure pour faciliter la résolution.
• Méthode matricielle (inverse) : Si A est inversible, la solution est
donnée par x = A−1 b.
2 Matrices
Les matrices sont des tableaux de nombres organisés en lignes et en colonnes.
Elles sont des outils puissants pour résoudre des systèmes d’équations linéaires,
effectuer des transformations linéaires et manipuler des données.
2
2.1 Définition d’une matrice
Une matrice A est une collection de nombres disposés dans un tableau de m
lignes et n colonnes :
a11 a12 . . . a1n
a21 a22 . . . a2n
A = ..
.. ... ..
. . .
am1 am2 . . . amn
Les éléments de la matrice sont notés aij , où i désigne la ligne et j la
colonne.
2.2 Opérations sur les matrices
Les principales opérations sur les matrices sont :
2.2.1 Addition de matrices
Deux matrices de même dimension peuvent être additionnées terme à terme
:
A + B = aij + bij
2.2.2 Multiplication d’une matrice par un scalaire
Chaque élément de la matrice est multiplié par un scalaire c :
cA = c · aij
2.2.3 Multiplication de matrices
La multiplication de matrices A et B est définie si le nombre de colonnes de
A est égal au nombre de lignes de B. L’élément cij de la matrice résultante
est donné par :
n
X
C =A×B où cij = aik bkj
k=1
3
2.2.4 Matrice transposée
La matrice transposée AT est obtenue en échangeant les lignes et les colonnes
de A :
a11 a21 . . .
AT = a12 a22 . . .
.. .. . .
. . .
2.2.5 Matrice inverse
Si A est une matrice carrée n × n et si elle est inversible, l’inverse de A, noté
A−1 , est la matrice qui satisfait :
A × A−1 = In
où In est la matrice identité de taille n × n.
2.3 Déterminant d’une matrice
Le déterminant d’une matrice carrée A est un nombre qui résume certaines
propriétés de la matrice, notamment son invertibilité. Si det(A) = 0, la
matrice n’est pas inversible.
Le déterminant pour une matrice 2 × 2 est calculé comme suit :
a b
det(A) = det = ad − bc
c d
Pour une matrice 3 × 3, le déterminant est calculé de manière similaire,
mais en utilisant l’expansion par les mineurs.
3 Applications en Data Science
Les systèmes d’équations linéaires et les matrices sont omniprésents dans le
domaine de la data science. Voici quelques applications :
• Régression linéaire : La méthode des moindres carrés (utilisant des
matrices) est largement utilisée pour ajuster des modèles de régression.
4
• Transformation de données : Les matrices sont utilisées pour appli-
quer des transformations linéaires sur des données, comme la réduction
de dimensionnalité (PCA).
• Résolution de systèmes de contraintes : En optimisation, les
systèmes d’équations linéaires sont souvent utilisés pour résoudre des
problèmes de contraintes.
4 Exercices
Exercice 1 : Résolution de Systèmes Linéaires
Résolvez le système d’équations suivant en utilisant la méthode de substitu-
tion ou d’élimination de Gauss :
2x + 3y = 5
4x − y = 3
Exercice 2 : Représentation Matricielle
Représentez le système d’équations suivant sous forme matricielle :
x+y+z =6
2x − y + 3z = 14
3x + 4y − z = 5
Exercice 3 : Multiplication de Matrices
Multipliez les matrices suivantes :
1 2 2 0
A= , B=
3 4 1 2
Exercice 4 : Matrice Inverse
Calculez l’inverse de la matrice suivante (si elle existe) :
4 7
A=
2 6
5
Exercice 5 : Application en Data Science
Appliquez la méthode des moindres carrés pour résoudre un problème de
régression linéaire sur un jeu de données. Implémentez la solution en Python
en utilisant NumPy et scikit-learn.
5 Conclusion
Dans cette leçon, nous avons abordé les concepts fondamentaux des systèmes
d’équations linéaires et des matrices, ainsi que leur utilité dans la résolution
de problèmes en data science. Les matrices sont essentielles pour représenter
et résoudre des systèmes complexes, et les systèmes d’équations linéaires
sont à la base de nombreuses techniques d’optimisation utilisées en machine
learning.
