Opérations Numériques sur les Vecteurs et les Matrices
Opérations numériques sur les vecteurs
En Python, les opérations numériques sur les vecteurs peuvent être effectuées à l'aide de diverses bibliothèques telles que NumPy. NumPy fournit des fonctions efficaces et pratiques pour les opérations vectorisées, ce qui facilite les calculs sur les vecteurs.
Voici quelques opérations numériques courantes sur les vecteurs, avec des exemples en Python :
Addition
Additionner deux vecteurs élément par élément.
123456import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = a + b print(c)
Soustraction
Soustraire un vecteur d'un autre élément par élément.
123456import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = a - b print(c)
Multiplication Scalaire
Multiplier un vecteur par une valeur scalaire.
123456import numpy as np a = np.array([1, 2, 3]) b = 2 c = a * b print(c)
Produit Scalaire
Calcul du produit scalaire entre deux vecteurs.
Le produit scalaire de deux vecteurs est une opération mathématique qui donne une valeur scalaire.
Le produit scalaire de deux vecteurs u
et v
est calculé en prenant la somme des produits de leurs composants correspondants:
u · v = u₁ * v₁ + u₂ * v₂ + u₃ * v₃ + ... + uₙ * vₙ
12345678import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = np.dot(a, b) # Dot Product = 1*4 + 2*5 + 3*6 print(c)
Opérations sur les matrices
Considérons maintenant les opérations numériques sur les matrices.
Addition et soustraction
Les matrices et les vecteurs de même forme peuvent être ajoutés ou soustraits élément par élément.
123456789import numpy as np A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) S = A + B D = A - B print(S) print(D)
Multiplication et division par un scalaire
Chaque élément d'une matrice ou d'un vecteur peut être multiplié ou divisé par une valeur scalaire. Exemple en Python :
1234567891011import numpy as np A = np.array([[1, 2], [3, 4]]) scalar = 2 B = scalar * A # Scalar multiplication C = A / scalar # Scalar division print(B) print(C)
Multiplication de Matrices
La multiplication de deux matrices est une opération binaire combinant deux matrices pour produire une nouvelle matrice. Pour calculer le résultat de la multiplication de deux matrices, le nombre de colonnes dans la première matrice doit être égal au nombre de lignes dans la deuxième matrice. Le produit scalaire des matrices est calculé en prenant le produit scalaire des lignes correspondantes de la première matrice et des colonnes de la deuxième matrice. La matrice résultante aura le même nombre de lignes que la première matrice et le même nombre de colonnes que la deuxième matrice. Le processus de multiplication de matrices peut être visualisé comme suit :
Exemple
12345678910111213141516171819202122232425262728import numpy as np # Define matrices A and B A = np.array([[1, 2, 3], [4, 5, 6]]) # Matrix A with shape `(2, 3)` B = np.array([[7, 8], [9, 10], [11, 12]]) # Matrix B with shape `(3, 2)` # Perform dot product of matrices A and B C = np.dot(A, B) # Resulting matrix C with shape `(2, 2)` # Print the resulting matrix C print("Resulting matrix C (A dot B):") print(C) # Element-wise calculation of `C[0, 0]` # c11 = 1*7 + 2*9 + 3*11 print("C[0, 0] = 1*7 + 2*9 + 3*11 =", C[0, 0]) # Element-wise calculation of `C[0, 1]` # c12 = 1*8 + 2*10 + 3*12 print("C[0, 1] = 1*8 + 2*10 + 3*12 =", C[0, 1]) # Element-wise calculation of `C[1, 0]` # c21 = 4*7 + 5*9 + 6*11 print("C[1, 0] = 4*7 + 5*9 + 6*11 =", C[1, 0]) # Element-wise calculation of `C[1, 1]` # c22 = 4*8 + 5*10 + 6*12 print("C[1, 1] = 4*8 + 5*10 + 6*12 =", C[1, 1])
Remarque
Faites attention au fait que l'opération de multiplication de matrices n'est pas commutative. Dans le cas général,
A * B != B * A
.
Merci pour vos commentaires !
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Awesome!
Completion rate improved to 4.76
Opérations Numériques sur les Vecteurs et les Matrices
Glissez pour afficher le menu
Opérations numériques sur les vecteurs
En Python, les opérations numériques sur les vecteurs peuvent être effectuées à l'aide de diverses bibliothèques telles que NumPy. NumPy fournit des fonctions efficaces et pratiques pour les opérations vectorisées, ce qui facilite les calculs sur les vecteurs.
Voici quelques opérations numériques courantes sur les vecteurs, avec des exemples en Python :
Addition
Additionner deux vecteurs élément par élément.
123456import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = a + b print(c)
Soustraction
Soustraire un vecteur d'un autre élément par élément.
123456import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = a - b print(c)
Multiplication Scalaire
Multiplier un vecteur par une valeur scalaire.
123456import numpy as np a = np.array([1, 2, 3]) b = 2 c = a * b print(c)
Produit Scalaire
Calcul du produit scalaire entre deux vecteurs.
Le produit scalaire de deux vecteurs est une opération mathématique qui donne une valeur scalaire.
Le produit scalaire de deux vecteurs u
et v
est calculé en prenant la somme des produits de leurs composants correspondants:
u · v = u₁ * v₁ + u₂ * v₂ + u₃ * v₃ + ... + uₙ * vₙ
12345678import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = np.dot(a, b) # Dot Product = 1*4 + 2*5 + 3*6 print(c)
Opérations sur les matrices
Considérons maintenant les opérations numériques sur les matrices.
Addition et soustraction
Les matrices et les vecteurs de même forme peuvent être ajoutés ou soustraits élément par élément.
123456789import numpy as np A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) S = A + B D = A - B print(S) print(D)
Multiplication et division par un scalaire
Chaque élément d'une matrice ou d'un vecteur peut être multiplié ou divisé par une valeur scalaire. Exemple en Python :
1234567891011import numpy as np A = np.array([[1, 2], [3, 4]]) scalar = 2 B = scalar * A # Scalar multiplication C = A / scalar # Scalar division print(B) print(C)
Multiplication de Matrices
La multiplication de deux matrices est une opération binaire combinant deux matrices pour produire une nouvelle matrice. Pour calculer le résultat de la multiplication de deux matrices, le nombre de colonnes dans la première matrice doit être égal au nombre de lignes dans la deuxième matrice. Le produit scalaire des matrices est calculé en prenant le produit scalaire des lignes correspondantes de la première matrice et des colonnes de la deuxième matrice. La matrice résultante aura le même nombre de lignes que la première matrice et le même nombre de colonnes que la deuxième matrice. Le processus de multiplication de matrices peut être visualisé comme suit :
Exemple
12345678910111213141516171819202122232425262728import numpy as np # Define matrices A and B A = np.array([[1, 2, 3], [4, 5, 6]]) # Matrix A with shape `(2, 3)` B = np.array([[7, 8], [9, 10], [11, 12]]) # Matrix B with shape `(3, 2)` # Perform dot product of matrices A and B C = np.dot(A, B) # Resulting matrix C with shape `(2, 2)` # Print the resulting matrix C print("Resulting matrix C (A dot B):") print(C) # Element-wise calculation of `C[0, 0]` # c11 = 1*7 + 2*9 + 3*11 print("C[0, 0] = 1*7 + 2*9 + 3*11 =", C[0, 0]) # Element-wise calculation of `C[0, 1]` # c12 = 1*8 + 2*10 + 3*12 print("C[0, 1] = 1*8 + 2*10 + 3*12 =", C[0, 1]) # Element-wise calculation of `C[1, 0]` # c21 = 4*7 + 5*9 + 6*11 print("C[1, 0] = 4*7 + 5*9 + 6*11 =", C[1, 0]) # Element-wise calculation of `C[1, 1]` # c22 = 4*8 + 5*10 + 6*12 print("C[1, 1] = 4*8 + 5*10 + 6*12 =", C[1, 1])
Remarque
Faites attention au fait que l'opération de multiplication de matrices n'est pas commutative. Dans le cas général,
A * B != B * A
.
Merci pour vos commentaires !