Outils mathématiques pour les autres disciplines

Dans de nombreuses situations, des phénomènes peuvent être décrits par des fonctions que tu connais bien. Il est crucial de savoir les identifier et de comprendre leurs comportements caractéristiques.

• Fonctions affines :

  • Forme générale : $f(x) = ax + b$
  • Représentation graphique : Une droite.
  • Interprétation : Décrit une relation où une quantité change à un taux constant par rapport à une autre.
  • Exemples : Le coût total d'un service (abonnement + consommation par unité), la distance parcourue à vitesse constante.
  • Le coefficient $a$ est la pente ou le taux de variation, $b$ est l'ordonnée à l'origine (valeur initiale).

• Fonctions polynomiales :

  • Forme générale : $f(x) = a_n x^n + a_{n-1} x^{n-1} + \dots + a_1 x + a_0$
  • Les cas particuliers les plus courants sont les fonctions du second degré ($f(x) = ax^2 + bx + c$), dont la représentation est une parabole.
  • Interprétation : Utilisées pour modéliser des trajectoires (par exemple, un projectile), des surfaces, ou des évolutions plus complexes que les fonctions affines.
  • Le signe de $a$ dans $ax^2+bx+c$ indique la concavité de la parabole (ouverte vers le haut si $a>0$, vers le bas si $a<0$).

• Fonctions exponentielles :

  • Forme générale : $f(x) = k \cdot a^x$ ou $f(x) = k \cdot e^{\lambda x}$ (où $e \approx 2.718$ est le nombre de Néper).
  • Représentation graphique : Croissance ou décroissance très rapide.
  • Interprétation : Modélisent des phénomènes de croissance ou décroissance proportionnelle à la quantité présente.
  • Exemples : Croissance démographique, désintégration radioactive, propagation d'une épidémie, capitalisation d'intérêts composés.
  • Si $a > 1$ (ou $\lambda > 0$), c'est une croissance. Si $0 < a < 1$ (ou $\lambda < 0$), c'est une décroissance.

• Fonctions logarithmiques :

  • Forme générale : $f(x) = \log_a(x)$ ou $f(x) = \ln(x)$ (logarithme népérien, base $e$).
  • Représentation graphique : Croissance lente.
  • Interprétation : Sont les fonctions réciproques des fonctions exponentielles. Elles permettent de "linéariser" des phénomènes exponentiels ou de mesurer des ordres de grandeur.
  • Exemples : Échelle de Richter (séismes), pH (acidité), décibels (son).
  • Le domaine de définition est $x > 0$. La fonction $\ln(x)$ croît de plus en plus lentement.

Dans la pratique, on ne dispose pas toujours d'une formule directe. On a souvent un ensemble de données (mesures, observations) que l'on souhaite analyser.

• Nuage de points :

  • C'est la première étape. On représente graphiquement les données sous forme de points $(x_i, y_i)$ dans un repère.
  • L'observation du nuage de points permet de suggérer la forme de la fonction qui pourrait le mieux modéliser le phénomène (droite, parabole, courbe exponentielle, etc.). C'est le choix du modèle.

• Choix du modèle :

  • Si les points sont alignés, on pense à une fonction affine.
  • Si les points forment une courbe en U ou en cloche, on peut penser à une fonction polynomiale de degré 2.
  • Si les points montrent une croissance/décroissance de plus en plus rapide (ou lente), on peut envisager une fonction exponentielle ou logarithmique.

• Méthode des moindres carrés (principe) :

  • Une fois le type de fonction choisi (par exemple, affine $y = ax+b$), il faut trouver les "meilleurs" coefficients $a$ et $b$ pour que la fonction colle au mieux aux données.
  • Le principe est de minimiser la somme des carrés des écarts verticaux entre les points observés et les points de la courbe du modèle. On cherche à rendre les résidus (erreurs) les plus petits possible.
  • Cette méthode donne la "meilleure" droite (ou courbe) d'ajustement au sens statistique.

• Utilisation de la calculatrice/logiciel :

  • Heureusement, tu n'auras pas à faire les calculs complexes de la méthode des moindres carrés à la main.
  • Les calculatrices graphiques (TI, Casio) et les logiciels (tableurs comme Excel, Python avec des bibliothèques comme numpy/scipy) intègrent des fonctions de régression (linéaire, exponentielle, polynomiale, etc.) qui calculent automatiquement les coefficients du modèle choisi.
  • Ces outils fournissent aussi souvent un coefficient de corrélation ($R^2$ ou $r$) qui indique la qualité de l'ajustement : plus $R^2$ est proche de 1 (ou -1 pour $r$), meilleur est l'ajustement.

Une fois que tu as obtenu un modèle (par exemple, $N(t) = 100 \cdot e^{0.05t}$ pour une population), il est essentiel de comprendre ce que signifient les nombres dans la formule.

• Signification des coefficients :

  • Dans $f(x) = ax + b$ :
    • $a$ est le taux de variation : pour chaque unité supplémentaire de $x$, $y$ augmente (ou diminue) de $a$ unités.
    • $b$ est l'ordonnée à l'origine : c'est la valeur de $y$ quand $x=0$, souvent une valeur initiale ou un coût fixe.
  • Dans $f(x) = k \cdot e^{\lambda x}$ :
    • $k$ est la valeur initiale (pour $x=0$).
    • $\lambda$ est le taux de croissance/décroissance relatif (en pourcentage par unité de $x$). Si $\lambda = 0.05$, cela signifie une croissance de 5% par unité de temps.
  • Dans $f(x) = ax^2 + bx + c$ :
    • $c$ est la valeur initiale.
    • $a$ et $b$ influencent la forme de la parabole, le sommet représentant souvent un maximum ou un minimum.

• Limites du modèle :

  • Un modèle n'est jamais une représentation parfaite de la réalité. Il est une simplification.
  • Il est valide dans un certain domaine de validité (par exemple, pour des valeurs de $x$ proches de celles des données utilisées pour l'ajustement).
  • Extrapoler (prédire en dehors de ce domaine) est risqué et peut conduire à des résultats erronés. Par exemple, un modèle de croissance démographique exponentielle est rarement valide sur des siècles.
  • Le modèle ne prend pas en compte tous les facteurs ; il met en lumière les relations les plus importantes.

• Prévisions :

  • Une fois le modèle établi et ses limites comprises, on peut l'utiliser pour faire des prévisions (interpolation si dans le domaine des données, extrapolation si en dehors).
  • Ces prévisions sont des estimations et doivent être interprétées avec prudence, en tenant compte de l'incertitude et des limites du modèle.
  • Exemple : Prédire le nombre d'habitants dans 5 ans ou le coût d'une production future.

• Nombre dérivé :

  • Le nombre dérivé $f'(a)$ d'une fonction $f$ en un point $a$ est la pente de la tangente à la courbe de $f$ au point d'abscisse $a$.
  • Il représente le taux de variation instantané de $f$ en $a$.
  • Formule : $f'(a) = \lim_{h \to 0} \frac{f(a+h) - f(a)}{h}$.

• Fonction dérivée :

  • La fonction dérivée $f'(x)$ est la fonction qui associe à chaque $x$ (où $f$ est dérivable) son nombre dérivé.
  • Elle donne le taux de variation instantané de $f$ en tout point $x$.

• Opérations sur les dérivées :

  • Somme : $(u+v)' = u' + v'$
  • Produit par un scalaire : $(ku)' = ku'$
  • Produit : $(uv)' = u'v + uv'$
  • Quotient : $\left(\frac{u}{v}\right)' = \frac{u'v - uv'}{v^2}$
  • Composition : $(f(g(x)))' = f'(g(x)) \cdot g'(x)$

  Quelques dérivées de fonctions usuelles à connaître :

  Fonction $f(x)$	Dérivée $f'(x)$
  $k$ (constante)	$0$
  $x$	$1$
  $x^n$	$nx^{n-1}$
  $\frac{1}{x}$	$-\frac{1}{x^2}$
  $\sqrt{x}$	$\frac{1}{2\sqrt{x}}$
  $e^x$	$e^x$
  $\ln(x)$	$\frac{1}{x}$

• Tableau de variations :

  • Le signe de la fonction dérivée $f'(x)$ nous renseigne sur le sens de variation de la fonction $f(x)$.
  • Si $f'(x) > 0$ sur un intervalle, alors $f$ est croissante sur cet intervalle.
  • Si $f'(x) < 0$ sur un intervalle, alors $f$ est décroissante sur cet intervalle.
  • Si $f'(x) = 0$ et change de signe, alors $f$ admet un extremum local (maximum ou minimum) à cette valeur de $x$.
  • La construction du tableau de variations est une application directe du calcul de la dérivée et de l'étude de son signe.

L'une des applications les plus puissantes du calcul différentiel est l'optimisation, c'est-à-dire la recherche du meilleur scénario possible (maximiser un profit, minimiser un coût, etc.).

• Recherche d'extrema :

  • Pour trouver les maxima ou minima locaux d'une fonction, on cherche les valeurs de $x$ pour lesquelles $f'(x) = 0$.
  • Il faut ensuite étudier le signe de $f'(x)$ autour de ces points pour déterminer s'il s'agit d'un maximum ou d'un minimum.
  • Un changement de signe de $f'(x)$ de $+$ à $-$ indique un maximum.
  • Un changement de signe de $f'(x)$ de $-$ à $+$ indique un minimum.

• Problèmes d'optimisation :

  • Ces problèmes impliquent de modéliser une situation par une fonction, puis de trouver les valeurs qui maximisent ou minimisent cette fonction.
  • Méthode :
    1. Identifier la grandeur à optimiser (aire, volume, coût, profit, temps, etc.).
    2. Exprimer cette grandeur sous forme de fonction d'une ou plusieurs variables.
    3. Si plusieurs variables, utiliser les contraintes du problème pour l'exprimer en fonction d'une seule variable.
    4. Calculer la dérivée de cette fonction.
    5. Rechercher les valeurs qui annulent la dérivée.
    6. Étudier le signe de la dérivée pour confirmer la nature de l'extremum (max ou min).
    7. Interpréter le résultat dans le contexte du problème.

• Applications en économie/physique :

  • Économie :
    • Maximisation du profit : $P(q) = R(q) - C(q)$, où $R(q)$ est la recette et $C(q)$ le coût en fonction de la quantité $q$ produite. On cherche $q$ tel que $P'(q)=0$.
    • Minimisation du coût moyen : $CM(q) = \frac{C(q)}{q}$.
    • La dérivée représente souvent une notion marginale (coût marginal, recette marginale).
  • Physique :
    • Vitesse : $v(t) = d'(t)$ (dérivée de la position par rapport au temps).
    • Accélération : $a(t) = v'(t) = d''(t)$ (dérivée de la vitesse).
    • Optimisation de trajectoires, minimisation de l'énergie.

Au-delà de la simple dérivée, d'autres concepts permettent de quantifier les variations.

• Taux de variation moyen :

  • Sur un intervalle $[x_1, x_2]$, le taux de variation moyen de $f$ est $\frac{f(x_2) - f(x_1)}{x_2 - x_1}$.
  • C'est la pente de la sécante à la courbe de $f$ passant par les points d'abscisses $x_1$ et $x_2$.
  • Il représente la variation moyenne de $f$ par unité de $x$ sur l'intervalle.

• Taux de variation instantané :

  • C'est précisément le nombre dérivé $f'(x)$ en un point $x$.
  • Il décrit la vitesse à laquelle une quantité change à un instant précis.

• Notion d'élasticité :

  • L'élasticité mesure la sensibilité d'une variable à la variation d'une autre, exprimée en pourcentages.
  • L'élasticité de $f$ par rapport à $x$, notée $E_f(x)$, est donnée par la formule : $E_f(x) = \frac{x}{f(x)} \cdot f'(x)$.
  • Interprétation : Si $E_f(x) = -2$, cela signifie qu'une augmentation de 1% de $x$ entraîne une diminution de 2% de $f(x)$.
  • L'élasticité est une mesure sans unité, ce qui la rend utile pour comparer des sensibilités entre différentes situations.

• Applications économiques :

  • Élasticité-prix de la demande : Mesure la sensibilité de la demande d'un produit à une variation de son prix. Si elle est inférieure à -1, la demande est dite élastique (forte réaction des consommateurs). Si elle est entre -1 et 0, elle est inélastique (faible réaction).
  • Élasticité du coût de production : Comment le coût de production varie en pourcentage suite à une variation en pourcentage d'un facteur (par exemple, la quantité produite).

• Définition d'une primitive :

  • Une fonction $F$ est une primitive d'une fonction $f$ sur un intervalle $I$ si $F'(x) = f(x)$ pour tout $x \in I$.
  • Si $F$ est une primitive de $f$, alors toute autre primitive de $f$ est de la forme $F(x) + C$, où $C$ est une constante réelle. Il existe une infinité de primitives pour une fonction donnée.

  Quelques primitives de fonctions usuelles à connaître :

  Fonction $f(x)$	Primitive $F(x)$
  $k$ (constante)	$kx + C$
  $x^n$ ($n \ne -1$)	$\frac{x^{n+1}}{n+1} + C$
  $\frac{1}{x}$	$\ln(
  $e^x$	$e^x + C$

• Calcul d'intégrales :

  • L'intégrale définie de $f$ entre $a$ et $b$, notée $\int_a^b f(x) dx$, est la différence $F(b) - F(a)$, où $F$ est n'importe quelle primitive de $f$.
  • La constante $C$ disparaît dans le calcul de l'intégrale définie, ce qui est très pratique.
  • $\int_a^b f(x) dx = [F(x)]_a^b = F(b) - F(a)$.

• Théorème fondamental de l'analyse :

  • Ce théorème établit le lien crucial entre la dérivation et l'intégration.
  • Il affirme que l'intégration et la dérivation sont des opérations inverses l'une de l'autre.
  • Si $F(x) = \int_a^x f(t) dt$, alors $F'(x) = f(x)$. Cela signifie que la dérivée d'une fonction définie par une intégrale est la fonction sous l'intégrale.

Les intégrales ont des significations concrètes très importantes.

• Aire sous une courbe :

  • Si $f(x) \ge 0$ sur l'intervalle $[a, b]$, alors $\int_a^b f(x) dx$ représente l'==aire de la région délimitée par la courbe de $f$, l'axe des abscisses et les droites verticales $x=a$ et $x=b$==.
  • Si $f(x)$ change de signe, l'intégrale représente une aire algébrique (les aires sous l'axe des abscisses sont comptées négativement). Pour l'aire "géométrique" totale, il faut calculer $\int_a^b |f(x)| dx$.

• Valeur moyenne d'une fonction :

  • La valeur moyenne d'une fonction $f$ sur un intervalle $[a, b]$ est donnée par $\mu = \frac{1}{b-a} \int_a^b f(x) dx$.
  • C'est l'équivalent continu de la moyenne arithmétique.
  • Interprétation : C'est la hauteur d'un rectangle de base $(b-a)$ qui aurait la même aire que la région sous la courbe de $f$ sur cet intervalle.

• Calcul de volumes (principe) :

  • Les intégrales peuvent être utilisées pour calculer des volumes de solides.
  • Par exemple, le volume d'un solide de révolution obtenu en faisant tourner la courbe $y=f(x)$ autour de l'axe des abscisses entre $a$ et $b$ est donné par $V = \pi \int_a^b [f(x)]^2 dx$. (Ceci est un principe, les calculs peuvent être plus complexes).

• Travail d'une force :

  • En physique, si une force $F(x)$ varie le long d'un déplacement, le travail $W$ effectué par cette force pour déplacer un objet de $a$ à $b$ est donné par l'intégrale $W = \int_a^b F(x) dx$.
  • C'est l'accumulation de l'effet de la force sur la distance.

Les intégrales sont indispensables pour travailler avec les variables aléatoires continues.

• Fonction de densité :

  • Pour une variable aléatoire continue $X$, on ne peut pas attribuer une probabilité à chaque valeur individuelle (qui serait nulle). On utilise une fonction de densité de probabilité $f(x)$.
  • Propriétés : $f(x) \ge 0$ pour tout $x$, et $\int_{-\infty}^{+\infty} f(x) dx = 1$ (l'aire totale sous la courbe est 1).

• Calcul de probabilités :

  • La probabilité que $X$ prenne une valeur dans un intervalle $[a, b]$ est donnée par l'intégrale : $P(a \le X \le b) = \int_a^b f(x) dx$.
  • C'est l'aire sous la courbe de la fonction de densité entre $a$ et $b$.

• Espérance et variance (cas continu) :

  • L'espérance (ou moyenne) d'une variable aléatoire continue $X$ est : $E(X) = \int_{-\infty}^{+\infty} x \cdot f(x) dx$.
  • La variance de $X$ est : $V(X) = \int_{-\infty}^{+\infty} (x - E(X))^2 \cdot f(x) dx = E(X^2) - (E(X))^2$.
  • L'écart-type est $\sigma(X) = \sqrt{V(X)}$.
  • Ces mesures caractérisent respectivement la valeur centrale et la dispersion de la distribution de la variable aléatoire.

Contrairement aux variables discrètes (nombre de faces d'un dé), les variables continues peuvent prendre n'importe quelle valeur dans un intervalle (taille, poids, temps).

• Loi uniforme :

  • Une variable aléatoire $X$ suit une loi uniforme sur un intervalle $[a, b]$ si sa fonction de densité est constante sur cet intervalle et nulle ailleurs.
  • $f(x) = \frac{1}{b-a}$ pour $x \in [a, b]$, et $0$ sinon.
  • Signifie que toutes les valeurs de l'intervalle sont également probables.
  • Exemple : Temps d'attente d'un bus si on arrive au hasard.
  • $E(X) = \frac{a+b}{2}$, $V(X) = \frac{(b-a)^2}{12}$.

• Loi exponentielle :

  • Modélise la durée de vie d'un phénomène sans mémoire (la probabilité qu'un événement se produise dans le futur ne dépend pas du temps déjà écoulé).
  • Fonction de densité : $f(x) = \lambda e^{-\lambda x}$ pour $x \ge 0$, et $0$ sinon ($\lambda > 0$ est le paramètre).
  • Exemples : Durée de vie d'un composant électronique, temps d'attente entre deux événements consécutifs dans un processus de Poisson.
  • $E(X) = \frac{1}{\lambda}$, $V(X) = \frac{1}{\lambda^2}$.

• Loi normale (Gauss) :

  • La plus importante des lois continues, souvent appelée "loi du hasard".
  • Sa courbe de densité est en forme de cloche, symétrique par rapport à sa moyenne.
  • Caractérisée par deux paramètres : sa moyenne $\mu$ et son écart-type $\sigma$. Notée $\mathcal{N}(\mu, \sigma^2)$.
  • Propriétés cruciales :
    • Environ 68% des valeurs sont dans $[\mu - \sigma, \mu + \sigma]$.
    • Environ 95% des valeurs sont dans $[\mu - 2\sigma, \mu + 2\sigma]$.
    • Environ 99.7% des valeurs sont dans $[\mu - 3\sigma, \mu + 3\sigma]$.
  • La loi normale centrée réduite est $\mathcal{N}(0, 1)$, avec $Z = \frac{X - \mu}{\sigma}$.
  • Exemples : Tailles, poids, résultats de tests, erreurs de mesure. Beaucoup de phénomènes naturels ou sociaux suivent approximativement cette loi.

• Utilisation de la calculatrice :

  • Pour la loi normale (et parfois d'autres lois), tu utiliseras ta calculatrice pour calculer des probabilités.
  • Elle permet de calculer $P(X \le k)$, $P(X \ge k)$, ou $P(a \le X \le b)$ en entrant $\mu$ et $\sigma$.
  • Elle peut aussi trouver $k$ pour une probabilité donnée (fonction inverse).

L'inférence statistique consiste à généraliser les observations faites sur un échantillon à l'ensemble de la population.

• Échantillonnage :

  • Prendre un sous-ensemble de la population de manière aléatoire et représentative.
  • La taille de l'échantillon ($n$) est cruciale pour la précision des estimations.

• Intervalle de confiance d'une proportion :

  • On s'intéresse à la proportion $p$ d'une certaine caractéristique dans une population (ex: proportion de personnes satisfaites).
  • On prélève un échantillon de taille $n$ et on observe une fréquence $f$ de cette caractéristique dans l'échantillon.
  • L'intervalle de confiance au niveau de confiance $1-\alpha$ (souvent 95%) pour la proportion $p$ est donné par : $\left[f - z_{\alpha/2} \sqrt{\frac{f(1-f)}{n}}, f + z_{\alpha/2} \sqrt{\frac{f(1-f)}{n}}\right]$ (où $z_{\alpha/2}$ est le quantile de la loi normale centrée réduite, par exemple $1.96$ pour 95%).
  • Une formule simplifiée souvent utilisée au lycée pour un niveau de confiance de 95% est : $\left[f - \frac{1}{\sqrt{n}}, f + \frac{1}{\sqrt{n}}\right]$ (valable si $n \ge 30$, $nf \ge 5$, $n(1-f) \ge 5$).
  • Cet intervalle donne une fourchette de valeurs probables pour la vraie proportion $p$ de la population.

• Niveau de confiance :

  • C'est la probabilité que l'intervalle de confiance calculé contienne la vraie valeur du paramètre de la population.
  • Un niveau de confiance de 95% signifie que si l'on répétait l'échantillonnage un grand nombre de fois, 95% des intervalles construits contiendraient la vraie proportion $p$.

• Taille de l'échantillon :

  • Plus l'échantillon est grand, plus l'intervalle de confiance est étroit, et donc plus l'estimation est précise.
  • La précision (ou marge d'erreur) est inversement proportionnelle à $\sqrt{n}$.

Les tests d'hypothèses permettent de prendre une décision sur une caractéristique de la population en se basant sur les données d'un échantillon.

• Hypothèse nulle et alternative :

  • Hypothèse Nulle ($H_0$) : C'est l'hypothèse de base, souvent l'absence d'effet, d'une valeur spécifique, ou l'égalité. C'est ce que l'on cherche à réfuter. Exemple : "La proportion de pièces défectueuses est de 5%."
  • Hypothèse Alternative ($H_1$) : C'est ce que l'on essaie de prouver si $H_0$ est rejetée. Exemple : "La proportion de pièces défectueuses est différente de 5% (ou supérieure à 5%)."

• Seuil de signification :

  • Noté $\alpha$, c'est la probabilité de rejeter $H_0$ alors qu'elle est vraie (erreur de type I).
  • Souvent fixé à 5% (0.05) ou 1% (0.01).
  • Si la probabilité d'observer nos données (ou des données plus extrêmes) sous $H_0$ est inférieure à $\alpha$, on rejette $H_0$.

• Règle de décision (principe) :

  • On calcule une statistique de test à partir de l'échantillon.
  • On détermine une zone de rejet ou un intervalle d'acceptation pour cette statistique, basé sur $H_0$ et $\alpha$.
  • Si la statistique de test tombe dans la zone de rejet, on rejette $H_0$. Sinon, on ne rejette pas $H_0$ (ce qui ne signifie pas qu'on l'accepte, juste qu'on n'a pas assez de preuves pour la rejeter).
  • Exemple : Pour un test de proportion, on compare la fréquence observée $f$ à un intervalle de fluctuation. Si $f$ est en dehors de cet intervalle, on rejette $H_0$.

• Définition d'une matrice :

  • Une matrice est un tableau rectangulaire de nombres, organisés en lignes et colonnes.
  • Une matrice de taille $m \times n$ a $m$ lignes et $n$ colonnes.
  • Les éléments sont notés $a_{ij}$, où $i$ est l'indice de ligne et $j$ l'indice de colonne.

• Addition et soustraction :

  • Possible uniquement pour des matrices de mêmes dimensions.
  • On additionne ou soustrait les éléments correspondants.
  • Si $A = (a_{ij})$ et $B = (b_{ij})$, alors $A+B = (a_{ij} + b_{ij})$.

• Multiplication par un scalaire :

  • Pour multiplier une matrice par un nombre réel (scalaire), on multiplie chaque élément de la matrice par ce nombre.
  • Si $A = (a_{ij})$ et $k \in \mathbb{R}$, alors $kA = (k \cdot a_{ij})$.

• Produit matriciel :

  • Opération plus complexe et non commutative en général ($AB \ne BA$).
  • Le produit $AB$ n'est défini que si le nombre de colonnes de $A$ est égal au nombre de lignes de $B$.
  • Si $A$ est de taille $m \times n$ et $B$ est de taille $n \times p$, alors $AB$ est de taille $m \times p$.
  • L'élément $(AB)_{ij}$ est obtenu en faisant le produit scalaire de la $i$-ème ligne de $A$ par la $j$-ème colonne de $B$.
  • Exemple (produit ligne par colonne) : Si $A = \begin{pmatrix} a & b \\ c & d \end{pmatrix}$ et $B = \begin{pmatrix} e & f \\ g & h \end{pmatrix}$, alors $AB = \begin{pmatrix} ae+bg & af+bh \\ ce+dg & cf+dh \end{pmatrix}$.

Les matrices sont un outil élégant et efficace pour résoudre des systèmes d'équations linéaires.

• Écriture matricielle d'un système :

  • Un système linéaire peut être écrit sous la forme compacte $AX = B$, où :
    • $A$ est la matrice des coefficients.
    • $X$ est le vecteur colonne des inconnues.
    • $B$ est le vecteur colonne des constantes.
  • Exemple : Le système $\begin{cases} 2x + 3y = 7 \\ 4x - y = 1 \end{cases}$ s'écrit $\begin{pmatrix} 2 & 3 \\ 4 & -1 \end{pmatrix} \begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} 7 \\ 1 \end{pmatrix}$.

• Matrice inverse (principe) :

  • Pour un système $AX = B$, si la matrice $A$ est inversible (c'est-à-dire qu'il existe une matrice $A^{-1}$ telle que $A A^{-1} = A^{-1} A = I$, où $I$ est la matrice identité), alors la solution est unique et donnée par $X = A^{-1} B$.
  • La matrice identité $I$ est une matrice carrée avec des 1 sur la diagonale principale et des 0 ailleurs (ex: $I_2 = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}$).
  • Une matrice carrée est inversible si son déterminant est non nul.
  • Pour une matrice $2 \times 2$, $A = \begin{pmatrix} a & b \\ c & d \end{pmatrix}$, si $ad-bc \ne 0$, alors $A^{-1} = \frac{1}{ad-bc} \begin{pmatrix} d & -b \\ -c & a \end{pmatrix}$.

• Utilisation de la calculatrice/logiciel :

  • Pour des systèmes plus grands (3 équations ou plus), la résolution manuelle est fastidieuse.
  • Les calculatrices et logiciels (comme Python avec numpy) peuvent calculer l'inverse d'une matrice et effectuer le produit matriciel $A^{-1}B$ pour trouver la solution $X$.
  • C'est une méthode très efficace pour résoudre des systèmes de grande taille.

Les matrices sont utilisées dans de nombreux domaines pour modéliser des relations complexes.

• Modélisation de réseaux :

  • Les matrices d'adjacence ou d'incidence sont utilisées pour représenter des graphes (réseaux de transport, réseaux sociaux, circuits électriques).
  • Les éléments de la matrice indiquent s'il existe une connexion entre deux nœuds.
  • Les puissances de la matrice d'adjacence peuvent donner le nombre de chemins de longueur donnée entre des nœuds.

• Chaînes de Markov (introduction) :

  • Les matrices de transition sont au cœur des chaînes de Markov, qui modélisent l'évolution d'un système entre différents états au cours du temps.
  • Chaque élément $p_{ij}$ de la matrice de transition représente la probabilité de passer de l'état $i$ à l'état $j$.
  • On peut calculer la probabilité d'être dans chaque état après un certain nombre d'étapes en multipliant le vecteur d'état initial par la matrice de transition (élevée à la puissance correspondante).
  • Exemples : Prévision de parts de marché, évolution des populations, météorologie.

• Transformations géométriques :

  • En infographie et en géométrie, les matrices sont utilisées pour représenter des transformations comme les rotations, translations, homothéties (mises à l'échelle), et réflexions.
  • Appliquer une transformation à un point (représenté par un vecteur colonne) revient à multiplier ce vecteur par la matrice de transformation.
  • Cela permet de manipuler des objets 2D ou 3D de manière efficace.