Calcule Matrice : Calculateur Gratuit en Ligne

Calcul matriciel : opérations fondamentales

Une matrice est un tableau rectangulaire de nombres organisés en lignes et colonnes. Le calcul matriciel est indispensable en algèbre linéaire, en traitement du signal, en infographie 3D, en apprentissage automatique et en résolution de systèmes d'équations.

Addition et soustraction de matrices

Deux matrices de même dimension (même nombre de lignes et colonnes) s'additionnent terme à terme :

A = [[2, 3], [1, 4]]  +  B = [[5, 1], [2, 6]]  =  C = [[7, 4], [3, 10]]

Multiplication de matrices : règle essentielle

Pour multiplier A (m × n) par B (n × p), le nombre de colonnes de A doit égaler le nombre de lignes de B. Le résultat est une matrice (m × p). L'élément C[i][j] est le produit scalaire de la i-ème ligne de A par la j-ème colonne de B.

Exemple : A (2×2) × B (2×2)

Déterminant d'une matrice 2×2

Pour A = [[a, b], [c, d]] : det(A) = ad − bc

Exemple : A = [[3, 2], [1, 4]] → det(A) = 3×4 − 2×1 = 12 − 2 = 10

Si det(A) ≠ 0, la matrice est inversible. Si det(A) = 0, le système d'équations associé n'a pas de solution unique.

Inverse d'une matrice 2×2

Si det(A) ≠ 0 : A⁻¹ = (1/det(A)) × [[d, −b], [−c, a]]

Exemple : A = [[3, 2], [1, 4]], det = 10 → A⁻¹ = (1/10) × [[4, −2], [−1, 3]] = [[0,4, −0,2], [−0,1, 0,3]]

Vérification : A × A⁻¹ doit donner la matrice identité [[1, 0], [0, 1]].

Applications concrètes du calcul matriciel

Les matrices sont omniprésentes dans les technologies modernes. Voici trois domaines d'application directs :

1. Résolution de systèmes d'équations linéaires

Résoudre 3 équations à 3 inconnues (systèmes courants en physique, chimie, économie) revient à inverser une matrice 3×3 et multiplier par le vecteur second membre. La méthode de Gauss permet de résoudre des systèmes de 1 000 inconnues en quelques millisecondes sur ordinateur.

2. Traitement d'images numériques

Une image en niveaux de gris est une matrice de pixels (valeurs 0-255). Le flou gaussien, la détection de contours, la compression JPEG — toutes ces opérations sont des produits matriciels ou des transformées appliquées à la matrice de pixels. Une image 1920×1080 est une matrice de 2 073 600 valeurs.

3. Intelligence artificielle — réseaux de neurones

Chaque couche d'un réseau de neurones (deep learning) est représentée par une matrice de poids. La propagation avant (forward pass) consiste à multiplier séquentiellement des matrices : entrée × W1 × W2 × ... × Wn = sortie. L'entraînement (rétropropagation) met à jour ces matrices par la règle de la chaîne matricielle (chain rule sur les gradients).

Déterminant 3×3 : méthode de Sarrus

Pour A = [[a,b,c],[d,e,f],[g,h,i]], la règle de Sarrus donne :

det(A) = aei + bfg + cdh − ceg − bdi − afh

Exemple : A = [[2,1,3],[0,4,1],[5,2,0]] → det = (2×4×0) + (1×1×5) + (3×0×2) − (3×4×5) − (1×0×0) − (2×1×2) = 0 + 5 + 0 − 60 − 0 − 4 = −59

Rang d'une matrice et espace vectoriel associé

Le rang d'une matrice est le nombre maximal de lignes (ou colonnes) linéairement indépendantes. Pour une matrice (m×n), le rang est au plus min(m, n). Il détermine la dimension de l'image de la transformation linéaire associée. Une matrice carrée n×n est inversible si et seulement si son rang est n (et donc son déterminant est non nul). Le calcul du rang s'effectue par réduction de Gauss : on réduit la matrice en forme échelonnée et on compte le nombre de pivots non nuls.

Erreur courante à ne pas faire : la multiplication matricielle n'est pas commutative

Contrairement aux nombres, A × B ≠ B × A en général pour les matrices. C'est une propriété fondamentale : on dit que la multiplication matricielle est non commutative. Exemple : A = [[1, 2], [0, 1]], B = [[1, 0], [1, 1]] → A×B = [[3, 2], [1, 1]] mais B×A = [[1, 2], [1, 3]]. En apprentissage automatique (deep learning), cette propriété est cruciale car l'ordre des transformations linéaires (couches de réseau) change le résultat.