Академический Документы
Профессиональный Документы
Культура Документы
Yann Morère
Mai 2001
Contents
1 Généralités 1
1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Opérations élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Égalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2 Somme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.3 Multiplication par un scalaire . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.4 Multiplication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.5 Transposée d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.6 Dérivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.7 Intégration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.8 Tranconjugée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.9 Trace d’une matrice A(m×n) = (aij ) . . . . . . . . . . . . . . . . . . . . . 4
1.3.10 Matrice décomposées en blocs (ou partitionnement) . . . . . . . . . . . . 4
3 Espaces vectoriels 13
3.1 Dépendance et Indépendance Linéaire . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Équation linéaire, matrices et espaces vectoriels . . . . . . . . . . . . . . . . . . 14
i
4 Matrices Carrées 17
4.1 Matrices carrées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2 Matrices particulières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2.1 Matrice Unité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2.2 Matrice diagonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2.3 Puissance et polynôme de matrices . . . . . . . . . . . . . . . . . . . . . 17
4.2.4 Matrices inversibles ou non singulières . . . . . . . . . . . . . . . . . . . 17
4.2.5 Matrice triangulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.6 Matrice symétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.7 Matrice anti-symétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.8 Matrice orthogonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.9 Matrice normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.10 Matrice hermitienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.11 Matrice anti-hermitienne . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2.12 Matrice unitaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2.13 Matrice normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.3 Matrices élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.4 Equivalence entre matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.4.1 Equivalence entre deux matrices . . . . . . . . . . . . . . . . . . . . . . 21
5 Déterminants 25
5.1 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2.1 Inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2.2 Résolution d’un système d’équations linéaires . . . . . . . . . . . . . . . 28
6 Inversions Matricielles 31
6.1 Définitions et Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
8 Matrices semblables 39
8.1 Définitions et Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
8.2 Matrices diagonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
8.3 Matrices symétriques réelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
ii
9 Formes quadratiques 43
9.1 Définition et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
9.2 Forme quadratique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
10 Systèmes différenciels 49
10.1 Propriétés et Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
10.2 Cas scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
10.3 Cas matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
10.4 Évaluation de eAt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
10.4.1 Calcul numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
10.4.2 A diagonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
10.4.3 Utilisation de la formule de Sylverster . . . . . . . . . . . . . . . . . . . . 50
11 Quelques extras 53
11.1 Forme de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
11.2 Matrice compagne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
iii
1 / 55
Chapter 1
Généralités
1.1 Définitions
Définition 1.1.1. une matrice sur le corps K est un tableau rectangulaire de scalaires aij de
la forme :
a11 a12 . . . a1n
a
21
A=
.
,
A (m × n) = (aij )
..
am1 . . . . . . amn
1.2 Exemples
1. Soit f une fonction réelle de plusieurs variables f (x1 , . . . , xn ) (x = (x1 . . . xn )) on définit
le gradient : µ ¶
∂f ∂f ∂f
fx = = ,...,
∂x ∂x1 ∂xn
2 / 55 Chapitre 1 : Généralités
1.3.1 Égalité
1.3.2 Somme
A + B = (aij + bij )
kA = (k aij )
Yann MORÈRE
1.3 Opérations élémentaires 3 / 55
1.3.4 Multiplication
A (m × p) = (aik ) B (p × n) = (bkj )
A · B (m × n) = (cij )
Pp
avec cij = k=1 aik bkj .
Propriétés :
¤ (AB) C = A (CB)
¤ A (B + C) = AB + AC et (A + B) C = AC + BC
¤ k (AB) = (kA) B = A (kB)
¤ A0 = 0A = 0 zéro est la matrice nulle
¤ evidement AB 6= BA
¤ Si m = n = 1 le résultat du produit est un scalaire
¤ Si p = 1 le produit est une matrice pleine m × n
AT = A
Les lignes de A sont les colonnes de AT .
T
a11 a12 . . . a1n a11 a21 . . . a1m
.. .. . ..
a a
21 . . 12 . . .
= .
. .. . ..
.. ... .. ...
. .
am1 . . . . . . amn a1n . . . . . . amn
¡ ¢
A(m×n) = (aij ) → AT(n×m) = aTij avec aTij = aji .
Propriétés :
¤ (A + B)T = AT + B T
¡ T ¢T
¤ A =A
T
¤ (AB) = B T AT
¤ (kA)T = kAT
1.3.6 Dérivation
A(m×n) = (aij ) avec aij dépendant de α.
µ ¶
dA (α) daij (α)
A (α) = (aij (α)) =
dα dα
1.3.7 Intégration
Z α2 µZ α2 ¶
A (α) dα = aij (α) dα
α1 α1
1.3.8 Tranconjugée
Si A est une matrice définie dans un corps opérant sur C :
T
AH = A transpose de la conjuge,
¡ T ¢ ¡ H¢
avec A(m×n) = (aij ), A(m×n) = (aij ) et AH H
(m×n) = aij = aij avec aij = aij .
Propriétés :
¤ (A + B)H = AH + B H
¡ H ¢H
¤ A =A
¡ H ¢T ¡ T ¢H
¤ A = A =A
min(m,n)
X
trace (A) = aii
i=1
Propriétés :
¤ trace (αA
¡ T ¢+ βB) = αtrace (A) + βtrace (B)
¤ trace A = trace (A)
¡ ¢
¤ trace AH = trace (A)
Yann MORÈRE
1.3 Opérations élémentaires 5 / 55
La transposée est utile dans le sens où un vecteur est une matrice colonne, donc une ligne est
un covecteur et
α1T × b1 α1T × b2 . . . α1T × bn
.. .. .. .. ¡ T ¢
A(m×p) · B(p×n) =
. . . . = αi bj
T T T
αm × b1 αm × b2 . . . α m × bn
L’intérêt est quie si l’on dispose de 2 matrices A et B partitionnées telles que les sommes et les
produits aient un sens :
¤ A = (Aij ) , PB = (Bij ) A + B = (Aij + Bij )
¤ C = AB = νk=1 Aik Bkj avec ν le nombre de blocs en ligne de A et le nombre de blocs en
ligne de B
Exemples :
3 −2 0 0
1 2 0 0 0
2 4 0 0
3 4 0 0 0
A(4×5) =
,
B(5×4) =
0 0 1 2
0 0 5 1 2
0 0 2 −1
0 0 3 4 1
0 0 −4 1
1 2 3 −2
0(2×2) 7 6 0
0
3 4 2 4
17 2 0 0
AB(4×4) =
1 2
=
0 0 −1 11
5 1 2
0(2×2) 2 −1
3 4 1 0 0 7 3
−4 1
Pmin(4,5) Pmin(4,5)
trace (A) = i=1 aii = 1 + 4 + 5 + 4 = 14, trace (B) = i=1 aii = 3 + 4 + 1 − 1 = 7
3 −2 1 2
0(2×2)
2 4 3 4
AB(5×5)
= 2
1
5 1 2
0(2×2) 2 −1
3 4 1
−4 1
−3 −2 0 0 0
14 20 0 0 0
AB(5×5) =
0 0 11 −9 4
0 0 7 −2 3
0 0 −17 0 −7
Montrer que si A possède une ligne nulle, alors AB possède une ligne nulle aussi :
α1T β1T
.. ..
A(m×p) = (a1 , . . . , ap ) =
.
B (p×n) = (b1 , . . . , b n ) =
.
T T
αm βm
Yann MORÈRE
7 / 55
Chapter 2
Opérations élémentaires, application aux
équations linéaires
Exemple :
1 2 −3 0
A = 2 4 −2 2
3 6 −4 3
1
1. multiplier la dernière ligne non nulle par arjr
pour avoir l’élément distingués
2. utiliser arjr = 1 comme pivot pour obtenir des zéros au dessus de arjr , i.e., pour i ∈
{1, . . . , r − 1} appliquer : airi αiT + αiT → αiT
T
3. répéter les étapes 1 et 2 sur les lignes αr−1 à α2T
1
4. multiplier la ligne α1T par arjr
Exemple :
Yann MORÈRE
2.2 Système d’équations linéaires et matrices 9 / 55
1 2 −3 0 1 2 −3 0
A= 0 0 4 2 ∼ 0 0 4 2
T T T
avec α2 → −2α3 + α2
0 0 0 2 0 0 0 1
1 2 −3 0 1 2 0 0
A = 0 0 4 0 , a23 = 4 nouveau pivot →A = 0 0 1 0
forme canonique ligne.
0 0 0 1 0 0 0 1
avec A(m×n) matrice des coefficients, B(m×1) matrice colonne des constantes et X(n×1) matrice
des inconnues.
La matrice M augmentée du système d’équations linéaires s’écrit :
a11 ... ... b1
a ... ... b2
21
M =
.
.. ..
... ... .
am1 . . . amn bm
Théorème 2.2.1. Un système d’équation admet ou une solution, ou une infinité (système
consistant), ou aucune (système inconsistant).
Exemple 1 :
x + y − 2z + 4t = 5 1 1 −2 4 5 1 1 −2 4 5
2x + 2y + −3z + t = 3 on a donc M =
2 2 −3 1 3
∼ 0 0 1 −7 −7
3x + 3y − 4z − 2t = 1 3 3 −4 −2 1 0 0 2 −14 −14
1 1 −2 4 5
1 1 0 −10 −9
puis M = 0 0 1 −7 −7 ∼
, les variables libres sont y et t,
0 0 1 −7 −7
0 0 0 0 0
les inconnues principales :
x = −y + 10t − 9
z = 7t − 7
Exemple 2 :
x1 + x2 − 2x3 + 3x4 = 4
2x1 + 3x2 + 3x3 − x4 = 3 qui donne :
5x1 + 7x2 + 4x3 + x4 = 5
1 1 −2 3 4 1 1 −2 3 4 1 1 −2 3 4
M =
2 3 3 −1 3
∼ 0 1 7 −7 −5
∼ 0 1 7 −7 −5
.
5 7 4 1 5 0 2 14 −14 −15 0 0 0 0 −5
Exemple 3 :
Yann MORÈRE
2.2 Système d’équations linéaires et matrices 11 / 55
x + 2y + z = 3 1 2 1 3 1 2 1 3
qui donne : M = ∼
2x + 5y + −z = −4 2 5 −1 −4 0 1 −3 −10 ∼
3x − 2y − z = 1 3 −2 −1 5 0 −2 −4 −4
1 2 1 3 1 2 1 3 1 2 0 0 1 0 0 2
0 1 −3 −10 M = 0 1 −3 −10 ∼ 0 1 0 −1 ∼ 0 1 0 −1
0 0 −28 −84 0 0 1 3 0 0 1 3 0 0 1 3
2
ce qui donne la solution unique : x = 2, y = −1 et z = 3 ou
−1 .
3
Chapter 3
Espaces vectoriels
Notations :
Définition 3.0.1. K, un corps, V un ensemble non vide muni de deux lois, + et × par un
scalaire (u, v, w ∈ V , u + v ∈ V ), V est appelé espace vectoriel sur K (ses éléments sont appelés
des vecteurs), si les axiomes suivants sont vérifiés :
¤ ∀u, v, w ∈ V (u + v) + w = u + (v + w)
¤ ∃V noté 0 appelé vecteur nul tel que u + 0 = 0 + u = u ∀u ∈ V
¤ ∀u ∈ V , il existe un vecteur de V , noté −u tel que u + (−u) = 0
¤ ∀u, v ∈ V u + v = v + u (V est donc un espace commutatif par rapport à l’opérateur somme
+)
¤ ∀k ∈ K, ∀ (u, v) ∈ V k (u + v) = ku + kv
¤ ∀a, b ∈ K, ∀u ∈ V (a + b) u = au + bu
¤ ∀a, b ∈ K, ∀u ∈ V (ab) u = a (bu)
¤ pour le scalaire unité 1 ∈ K 1u = u ∀u ∈ V
Exemples :
¤ u, . . . , un engendrent V (tout vecteur de V peut s’écrire comme une combinaison linéaire des
éléments de S)
V est dit espace vectoriel de dimention n.
Exemple :
(1, 0, 0, 0) (0, 1, 0, 0) (0, 0, 1, 0) et (0, 0, 0, 1) forment une base de R4 de façon évidente et dim R4 =
4.
Théorème 3.2.1. Les lignes non nulles d’une matrice mise sous forme échelonnée sont linéai-
rement indépendantes.
Exemple :
1 2 0 −1 1 2 0 −1 1 2 0 −1
A = 2 6 −3 −3 ∼ 0 2 −3 −1 ∼ 0 2 −3 −1 , on a deux lignes
3 10 −6 −5 0 4 −6 −2 0 0 0 0
différentes de 0 donc rangA = 2.
On repart de :
a11 x1 + . . . + a1n xn = b1
a21 x1 + . . . + a2n xn = b2
..
.
am1 x1 + . . . + amn xn = bm
Yann MORÈRE
3.2 Équation linéaire, matrices et espaces vectoriels 15 / 55
a11 . . . . . . a1n
a . . . . . . a2n
21
AX = B avecA =
.
et la matrice augmentée
.. ..
... ... .
am1 . . . . . . amn
a11 ... ... b1
a ... ... b2
21
M = (A, B) =
.
.
.. ..
... ... .
am1 . . . amn bm
Chapter 4
Matrices Carrées
Exemple :
a b d −b
A=
admet pour inverse si ad − bc 6= 0, A−1 =
1
ad−bc
.
c d −c a
Yann MORÈRE
4.3 Matrices élémentaires 19 / 55
Soit e une opération élémentaire sur les lignes, e (A) son résulat sur A. Soit E la matrice obtenue
en applicant e sur I : E = e (I).
Exemple :
1 0 0 1 0 0
α2T ↔ α3T E = 0 0 1 , −6α2 ↔ α2 E =
T T
0 −6 0
, −4α1T + α3T ↔ α3T E =
0 1 0 0 0 1
1 0 0
0 1 1 .
−4 0 1
Théorème 4.3.2. e, une opération élémentaire sur les lignes, E une matrice carrée élémentaire
d’ordre m : E = e (Im ) , ∀A(m×n) e (A) = EA.
Exemple :
1 −1 2 1 −1 2
0 2 3 ∼ 3 1 3 , α2T → α3T
3 1 3 0 2 3
1 −1 2 1 0 0 1 −1 2
et 3 1 3 = e (A) =
0 0 1
0 2 3 = E · A
0 2 3 0 1 0 3 1 3
Algorithme :
Exemple :
1 0 2
A = 2 −1 3
4 1 8
1 0 2 | 1 0 0 1 0 2 | 1
0 0
M = 2 −1 3 | 0 1 0
∼
2 −1 −1 | −2 1 0
4 1 8 | 0 0 1 0 1 0 | −4 0 1
1 0 2 | 1 0 0 1 0 2 | 1 0 0
M ∼
0 −1 −1 | −2 1 0 ∼ 0 −1 −1 | −2 1 0
0 0 −1 | −6 1 1 0 0 1 | 6 −1 −1
Yann MORÈRE
4.4 Equivalence entre matrices 21 / 55
1 0 0 | −11 2 2 1 0 0 | −11 2 2
M ∼
0 −1 0 | −4 0 −1 ∼ 0 1 0 | −4 0 1
0 0 1 | 6 −1 −1 0 0 1 | 6 −1 −1
1 0 0 −11 2 2
d’ou A−1 A =
0 1 0 avec A−1 = −4 0
1
0 0 1 6 −1 −1
On peut aussi travailler sur les colonnes et définir 3 opérations élémentaires sur les colonnes.
¤ (F1) ci ↔ cj
¤ (F2) kci → ci
¤ (F3) kcj + ci → ci
de la même façon que pour les lignes, ces opérations sont inversibles, et la matrice élémentaire
associée à chaque opération élémentaire f est : F = f (I).
¡ ¡ ¢¢T
Lemme 4.4.1. A une matrice quelconque. f (A) = e AT et f (A) = AF et AF = f (A)
¡ ¡ T ¢¢T ¡ ¢ T
puis e A = EAT = AE T donc F = E T .
Théorème 4.4.2. B est colonne équivalente à A si et seulement si il existe une matrice non-
singulière Q telle que B = AQ.
1 2 −1
2 4 −2
Exemple : trouver P et Q /P AQ = N avec A =
avec (4 × 4) (4 × 3) (3 × 3) =
−1 3 6
4 5 −7
(4 × 3), on peut alors écrire :
1 0 0
0 1 0
0 0 1
− − − −
∼ (∗)
1 2 −1 | 1 0 0 0 1 2 −1 | 1 0 0 0
2 4 −2 | 0 1 0 0 0 0 0 | −2 1 0 0
−1 3 6 | 0 0 1 0 0 5 5 | 1 0 1 0
4 5 −7 | 0 0 0 1 0 −3 −3 | −4 0 0 1
1 2 −1 | 1 0 0 0 1 2 −1 | 1 0 0 0
0 −3 −3 | −4 0 0 1 0 1 1 | 4/3 0 0 −1/3
∼ ⇒P
0 5 5 | 1 0 1 0 0 0 0 | −17/3 0 1 5/3
0 0 0 | −2 1 0 0 0 0 0 | −2 1 0 0
1 −2 1
0 −3 −3
0 0 1
1 0 0
1 −2 3
− − − 0 1 0
⇒N =
0 1 −1 = Q
1 0 0 0 0 0
0 0 1
0 1 1 0 0 0
0 0 0
0 0 0
Yann MORÈRE
4.4 Equivalence entre matrices 23 / 55
évidemment P et Q ne sont pas uniques : au lieu d’échanger la ligne 4 avec la ligne 2on
peut faire :
1 2 −1 | 1 0 0 0 1 2 −1 | 1 0 0 0
0 5 5 | 1 0 1 0 0 1 1 | 1/5 0 1/5 0
(∗) ∼ ∼
0 −3 −3 | −4 0 0 1 0 0 0 | −17/5 0 3/5 1
0 0 0 | −2 1 0 0 0 0 0 | −2 1 0 0
et
1 0 00
1/5 0 1/5 0
P2 =
−17/5 0 3/5 1
−2 1 0 0
Chapter 5
Déterminants
5.1 Propriétés
Soit une matrice carrée A(m×n) = (aij ), soit P = {des n! permutations sur n indices} = {a1j1 , a2j2 , . . . , anjn }
εj1 ...jn = 1 ou −1 suivant que la permutation est paire ou impaire (nombre d’intervention est
pair ou impair 123 et 312 sont paires et 132 et 321 sont impaires) alors :
X ¯ ¯
det (A) = |A| = (−1)i+j aij ¯A{ij} ¯
p∈P
A{ij} étant la mineure (ou sous-matrice carrée) de A obtenue en éliminant la ime ligne et la
j me colonne.
Développement suivant la j me colonne :
n
X ¯ ¯
|A| = (−1)i+j aij ¯A{ij} ¯
i=1
Exemple :
¯ ¯
¯ ¯
¯ 1 0 6 ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ 4 15 ¯ ¯ 3 4 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 3 4 15 ¯ = 1 ¯ ¯ + 6¯ ¯ développement par rapport à la première ligne.
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ 6 21 ¯ ¯ 5 6 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯
¯ 5 6 21 ¯
= −6 + (−12) = −18.
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 1 6 ¯ ¯ 1 6 ¯
¯ ¯ ¯ ¯
ou encore 4 ¯¯ ¯ + (−1) 6 ¯
¯
5
¯
¯ = −36 + 18 = −18.
¯
¯ 5 21 ¯ ¯ 3 15 ¯
¯ ¯ ¯ ¯
26 / 55 Chapitre 5 : Déterminants
Propriété 5.1.1.
¤ Si B est obtenue à partir de A en echangeant deux de ses lignes (colonnes) alors |B| = − |A|
¤ Si B est obtenue à partir de A en miltipliant une ligne (colonne) par un scalaire k alors :
|B| = k |A|
¤ Si B est obtenue à partir de A an ajoutant à la ime ligne (colonne) le produit d’un scalaire
par une autre ligne (colonne) alors : |B| = |A| Qn
¤ Si A est une matrice
¯ T ¯ ¯ H¯ diagonale ou triangulaire : |A| = i=1 aii
¯ ¯ ¯ ¯
¤ |A| = A , A = |A| et |kA| = k |A| n
Définition 5.1.1.
¤ Mineur : déterminant d’une mineure de A,¯ ¯
¤ Cofacteur de l’élément aij : Cij = (−1)i+j ¯A{ij} ¯. (A{ij} mineur de A obtenue en éliminant
la ime ligne et la j me colonne),
¤ Comatrice : matrice des cofacteurs com (A) = (Cij ),
¤ Adjointe : transposée de la comatrice adj (A) = (Cji ) = com (A)T .
1 2 3
Exemple : A =
2 3 2
1 2 2
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 3 2 ¯ ¯ 2 2 ¯ ¯ 2 3 ¯
¯ ¯ ¯ ¯ ¯ ¯
C11 = ¯¯ ¯ = 2, C12 = − ¯
¯ ¯
¯ = −2, C13 = ¯
¯ ¯
¯ = 1,
¯
¯ 2 2 ¯ ¯ 1 2 ¯ ¯ 1 2 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 2 3 ¯¯ ¯ 1 3 ¯¯ ¯ 1 2 ¯¯
¯ ¯ ¯
C21 = − ¯¯ ¯ = 2, C22 = ¯
¯ ¯
¯ = −1, C23 = ¯
¯ ¯
¯ = 0,
¯
¯ 3 2 ¯ ¯ ¯ 1 2 ¯¯ ¯ 1 2 ¯¯
¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 2 3 ¯¯ ¯ 1 3 ¯¯ ¯ 1 2 ¯¯
¯ ¯ ¯
C31 = ¯¯ ¯ = −5, C32 = − ¯
¯ ¯
¯ = 4, C33 = ¯
¯ ¯
¯ = −1,
¯
¯ 3 2 ¯¯ ¯ 2 2 ¯¯ ¯ 2 3 ¯¯
¯ ¯ ¯
d’où :
2 −2 1 2 2 −5
com (A) =
2 −1 0
,
adj (A) =
−2 −1 4
.
−5 4 −1 1 0 −1
Yann MORÈRE
5.2 Applications 27 / 55
5.2 Applications
Soit A une matrice carrée d’ordre n et K un vecteur colonne d’ordre n, si |A| 6= 0, le système
d’équations linéaires AX = K possède une solution unique : X = (x1 , . . . , xn )T donnée par
xi = |A i|
|A|
i = 1, 2, . . . n avec Ai la matrice obtenue à partir de A en remplaçant la ime colonn
epar K.
r + 2s + t = 4 1 2 1 r 4
Exemple : r−s+t=5 ⇒ = 5 . Le déterminant de A
1 −1 1 s
2r + 3s − t = 1 2 3 −1 t 1
¯ ¯
¯ ¯
¯ 3 5 0 ¯
¯ ¯
¯ ¯
¯ ¯
vaut : |A| = ¯¯ 3 2 0 ¯¯ = 9. Les solution sont les suivantes :
¯ ¯
¯ ¯
¯ ¯
¯ 2 3 −1 ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 4 2 1 ¯¯ ¯ 5 5 0 ¯¯
¯ ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 5 −1 1 ¯ ¯ 6 2 0 ¯¯
¯ ¯ ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 1 3 −1 ¯ ¯ −1 −1 −1 ¯
¯ ¯ ¯ ¯ 20
r= = =
9 9 9
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 1 4 1 ¯¯ ¯ 3 5 0 ¯¯
¯ ¯
¯ ¯ ¯ ¯
1 ¯¯ ¯ 1¯ ¯ 1
s= ¯ 1
9¯ 5 1 ¯ = 9 ¯¯ 3 6
¯ 1 ¯¯ = − 3
¯ ¯ ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 2 1 −1 ¯ ¯ 2 1 −1 ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 1 2 4 ¯¯ ¯ 1 2 4 ¯¯
¯ ¯
¯ ¯ ¯ ¯
1 ¯¯ ¯ 1¯ ¯ 22
t= ¯ 1
9¯ −1 5 ¯¯ = 9 ¯¯ 0 −3 1 ¯¯ = 9
¯ ¯ ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 2 3 1 ¯ ¯ 0 −1 −7 ¯
20
9
X = −1
3
22
9
Yann MORÈRE
5.2 Applications 29 / 55
(les matrices Aii sont carrés, i ∈ {1, . . . , n}), alors : |A| = |A11 | |A22 | . . . |Ann |.
A11 A12
Soit une matrice partitionnée de la forme : A =
avec A11 et A22 carrées. Les
A21 A22
résultats suivants constituent les formules de Schur :
¤ Si A11 est régulière : ¯ ¯
|A| = |A11 | ¯A22 − A21 A−1
11 A12
¯
I 0 A11 A12
(car avec V =
, V A =
puis |V A| = |V | |A| =
−A21 A−1
11 I 0 A22 − A21 A− A
11 12
|A|).
¤ Si A22 est régulière : ¯ ¯
|A| = |A22 | ¯A11 − A12 A−1
22 A21
¯
Application
Chapter 6
Inversions Matricielles
Lemme 6.1.1. d’inversion matricielle : soit une matrice A + BCD régulière et A et C régu-
lière : ¡ ¢−1
(A + BCD)−1 = A−1 − A−1 B C −1 + DA−1 B DA−1 .
C
(A + BCD)−1 = A−1 − A−1 BDA−1
1 + CDA−1 B
X21 A12 + X22 A22 = A21 X12 + A22 X22 = I → X12 = −A−1 −1
11 A12 X22 , X21 = −X22 A21 A11 , X11 =
A−1 −1 −1 −1 −1
11 − A11 A12 X21 ⇒ X11 = A11 + A11 A12 X22 A21 A11 .
¡ ¢
A22 − A21 A−1
11 A12 X22 = I or X22 existe puisque A−1 existe donc :
¡ −1
¢−1
X22 = A22 − A21 A11 A12
d’où :
X11 = A−1 −1 −1
11 + A11 A12 X22 A21 A11
X12 = −A−1
11 A12 X22
X21 = −X22 A21 A−1
11
³ ´−1
bn cT
et X = A − an
n
.
1 3 3
µ ¶
1 3 3 T
Exemple : A =
1 4 3 , A =
, b2 = , c2 = 1 3 , a2 = 4.
1 4 3
1 3 4
−1 −1
1 3 7
1 3 1 3 9 4 4 4
− 43
X=
−
4
=
=
·4
1 7
1 4 3 9 4 4
− 14 1
4
Yann MORÈRE
6.1 Définitions et Propriétés 33 / 55
µ ¶
7 −3 12 T
X=
, Xb2 =
, c2 X = 4 0 d’où :
−1 1 0
7 −3 −3
M −1
= −1 1 0
−1 0 1
Chapter 7
Équation caractéristique d’une matrice
par exemple : X1 = (1 0 − 1)T et X2 = (−1 1 − 1)T sont des vecteurs popres indépendants, et
donc ∀X = k1 X1 + k2 X2 , X est vecteur propre associé à la valeur 1. X = (k − k k − k − k)T
espace propre.
Théorème 7.1.1. Si λ1 , . . . , λn sont des valeurs propres disctinctes, si X1 , . . . , Xn sont des
vecteurs propres respectivement associés à ces valeurs propres alors les vecteurs propres sont
linéairement indépendants.
Yann MORÈRE
7.1 Définitions, propriétés 37 / 55
Théorème 7.1.2. de Cauchy-Hamilton, Toute matrice est solution de son polynôme caracté-
ristique : P (A) = 0 ou : −An = αn−1 An−1 + · · · + α1 A + α0 In
Chapter 8
Matrices semblables
Théorème 8.2.1. Une matrice A est semblable à une matrice diagonale si et seulement si elle
a n vecteurs propres linéairement dépendants.
40 / 55 Chapitre 8 : Matrices semblables
Ce qui revient à
Théorème 8.2.2. Dans un corps R, une matrice A d’ordre n est semblable à une matrice
diagonale si et seulement si λI − A se factorise complètement sur K et si l’ordre de toute racine
λi est égal à la dimension de l’espace propre associé.
2 2 1
Si l’on reprend l’exemple précédent : A = T
1 3 1 on a : A1 = 5, X1 = (1 1 1) , A2 = 1,
1 2 2
X2 = (1 0 − 1)T , X3 = (−1 1 − 1)T espace propre de dimension 2 qui est diagonalisable avec :
1 1 −1 5 0 0
R=
1 0 1 = (X1 X2 X3 )
R AR =
−1
0 1 0 =D
1 −1 −1 0 0 1
1 2 1
1
R−1 = 2 0 −2
6
−1 2 −1
5 1 −1 5 1 −1
Pour vérifier : AR = RD 5 0
1 = 5 0 1
5 −1 −1 5 −1 −1
Démonstration de R−1 AR = D : AR =
RD, AR = A
(X1 . . . Xn ) = (AX1 . . . AXn ),
λ1 0
RD = (X1 . . . Xn ) D comme D diagonale ... , RD = (λ1 X1 , . . . , λn Xn ) d’où
0 λn
∀i ∈ {1, . . . , n} AXi = λi Xi .
Théorème 8.2.3. toute matrice A d’ordre n est semblable à une matrice triangulaire dont les
éléments diagonaux sont les valeurs propres de A.
Yann MORÈRE
8.3 Matrices symétriques réelles 41 / 55
Théorème 8.3.2. Soit A une matrice carrée d’ordre n symétrique de valeurs propres λ1 , . . . , λn
alors ∃P orthogonale /P T AP = P −1 AP = diag (λ1 , . . . , λn )
Pour trouver P , il faut trouver des veteurs propres orthogonaux puis les normer.
2 0 −1
Exemple : A = 3 2
0 2 0 , |λI − A| = (λ − 2) − (λ − 2) = (λ − 2) (λ − 4λ + 3) =
−1 0 2
(λ − 1) (λ − 2) (λ− 3).
−1 0 1
λ=1 : I −A=
0 −1 0
, x1 = x3 , x2 = 0, V1 = (1 0 1)T
0 0 −1
0 0 1
λ = 2 : 2I − A = T T
0 0 0 , x1 = x3 = 0, V2 = (0 1 0) , V2 V1 = 0 (othogonaux)
1 0 0
1 0 1
λ = 3 : 3I −A = T T T
0 1 0 , x1 = −x3 = 0, x2 = 0, V3 = (1 0 − 1) , V3 V1 = V3 V2 = 0
1 0 1
(orthogonaux)
1 √1
1 0 1 √2 0 2 1 0 0
d’où : P =
0 1 0
et normalisée : P = 0 1
0
et 0 2 0 =
1 0 −1 √1 0 √1 0 0 3
2 2
P −1 AP = P T AP .
Chapter 9
Formes quadratiques
Définition 9.1.1. La fonction fA est appelée forme bilinéaire d’ordre n associée à A. Elle est
symétrique si A est symétrique.
a11 a12 a11 a12 y1
Exemple : A =
, fA (x, y) = (x1 x2 )
, fA (x, y) = a11 x1 y1 +
a21 a22 a21 a22 y2
a12 x1 y2 + a21 x2 y1 + a22 x2 y2 .
qA : Rn → R qA (X) = X T AX
On peut donc très facilement passer de la forme quadratique à la matrice et inversement. Par
exemple :
1 1 2
A=
1 3 0 qA (X) = x21 + 3x22 + 4x23 + 2x1 x2 + 4x1 x3
2 0 4
1
−1 − 2 1
2 2
qA (X) = −x1 + 3x3 − x1 x2 + 2x1 x3 − 5x1 x3 A = − 1
0 −2
5
2
1 − 52 3
Par définition, le rang d’une forme bilinéaire ou d’une forme quadratique associée à A est le
rang de A.
Définition 9.2.1. une forme quadratique q ou par extension la matrice A symétrique associée
est dite :
¤ définie positive si q (X) > 0 ∀X ∈ Rn (X 6= 0) (A > 0)
¤ semi-définie positive si q (X) ≥ 0 ∀X ∈ Rn (A ≥ 0)
¤ définie négative si q (X) < 0 ∀X ∈ Rn (X 6= 0) (A < 0)
¤ semi-définie négative si q (X) ≤ 0 ∀X ∈ Rn (A ≤ 0)
¤ indéfinie si ∃X/q (X) > 0 et ∃X 0 /q (X 0 ) < 0
2 2 2
Exemple
: q (X) = x1 + 2x2 + 7x3 est > 0 puisque tous les termes sont > 0 donc A =
1 0 0
³ ´
0 2 0 > 0. q (X) = x21 + 2x23 est ≥ 0 puisque pour x2 6= 0, q (0 x2 0)T = 0 donc
0 0 7
1 0 0
³ ´
A= 0 0 0
≥ 0. q (X) = x 2
1 + x 2
2 − 3x x
1 2 est indéfinie car :q (1 0) T
= 1 > 0,
0 0 2
³ ´ 1 −2
3
Yann MORÈRE
9.2 Forme quadratique 45 / 55
Propriété 9.2.1. Une forme quadratique diagonale, ou une matrice diagonale d’ordre n A =
diag (a1 , . . . , an ) est :
¤ A > 0 si ∀i ai > 0,
¤ A < 0 si ∀i ai < 0,
¤ A ≥ 0 si ∀i ai ≥ 0,
¤ A ≤ 0 si ∀i ai ≤ 0,
¤ indéfinie si il existe des éléments non nuls de signe opposé.
Théorème 9.2.1. toute forme quadratique réelle peut être réduite par une application réelle
non singulière à la forme canonique α1 y12 + · · · + αr yr2 , où αi = 1 ou −1 et r est le rang de la
forme quadratique.
Yann MORÈRE
9.2 Forme quadratique 47 / 55
Décomposition
de Cholesky
:
1 −1 0 1 1 0 0 1
−1 3 −4 1 ∼ 0 3 −4 1 1
0 4 11 1 0 −4 11 0 0 1
1 0 0 1 1 1
∼ 0 2 0 1 1 d’où D = 2 = B T AB avec B = 1 1
0 0 3 2 2 1 3 2 2 1
1 1 0 0
Puis : D · B ∼
T
1 √1
2 √1 0
2
1 √2 √2 √1
3 3 3
1 √1 √2
2 3
Donc : I = P T AP avec P =
0 √1 √2
et U = P −1
2 3
0 0 √1
3
1 −1 0
√ √
D’où U =
2 −2 2 et A = U T U .
√
3
Chapter 10
Systèmes différenciels
ẋ (t) = ax (t) la solution d’une telle équation différentielle est donnée par x (t) = eat x (0) avec
x (0) les conditions initiales (CI).
2 P ai i
Le développement limité de eat s’écrit eat = 1 + at + a2 t2 + · · · = ∞ i=0 i! t .
2 ∞
X
At 2t Ai
e = I + At + A + ··· = ti .
2! i=0
i!
50 / 55 Chapitre 10 : Systèmes différenciels
10.4.2 A diagonale
¡ ¢ P ³P ´
tj j
A = diag (λi ) i ∈ {1, . . . , n} eAt = diag eλi t car eAt = ∞
j=0 (diag (λi ))
j
j!
= diag ∞ jt
j=0 λi j! =
¡ ¢
diag eλi t .
Pn−1 Pn−1
Soit la fonction : g (A) = eλt − i=0 αi (t) λi on a : g (A) = eAt − i=0 αi (t) Ai
Or si λj est une valeur propre de A d’ordre de multiplicité nj , alors g (λj ) est une valeur propre
de g (A) d’ordre de multiplicité nj (d’après : si λ valeur propre d’ordre n, f (λ) valeur propre
d’ordre n de f (A) quelque soit f une fonction scalaire).
Or g (A) = 0 donc
Pn−1la matrice g (A) a n valeurs propres nulles d’où ∀j ∈ {1, . . . , n} g (λj ) = 0
λj t i
et donc e = i=0 αj (t) λj .
λi valeur propre d’ordre nj → g (λi ) valeur propre de g (A) d’ordre nj or toutes les valeurs
propres de g (A) sont nulles donc λg(A) = 0 = g (λi ).
Yann MORÈRE
10.4 Évaluation de eAt 51 / 55
⇒ pour trouver eAt il suffit de travailler sur les eλj t . Comme l’ordre de multiplicité est nj par
λj : µ k ¶
d
g (λ) =0
dλk λ=λj
ou à !
n−1
X
dk
eλt − αi (t) λi ∀k ∈ {0, . . . , nj − 1}
dλk i=0 λ=λj =0
0 1
Exemple : A =
valeur propre : PA (λ) = λ2 + 10λ soit λ1 = 0 et λ2 = −10 donc
0 −10
eAt a comme valeur propre 1 et e−10t .
e0·t = α0 (t) + 0 · α1 (t) ⇒ α0 (t) = 1
1
e−10·t = α0 (t) − 10 · α1 (t) ⇒ α1 (t) = 10
(1 − e−10t ) d’où
1 −10t
1 0 0 10
(1 − e )
eAt = α0 (t) I + α1 (t) A =
+
0 1 0 −1 + e−10t
1
1 10
(1 − e−10t )
=
0 e−10t
0 1
A=
valeur propre 0, 0 ⇒ une valeur propre double de eAt . e0·t = α0 (t)+0·α1 (t)
0 0
d
¡ λt ¢ ¡ ¢
→ α0 (t) = 1. dλ e − α0 (t − λα1 (t)) λ=0 = teλt − α1 (t) λ=0 = 0 d’où : α1 (t) = t et
0 t 1 t
donc eAt = I +
−
.
0 0 0 1
Chapter 11
Quelques extras
λ1 1
.. ..
. .
..
. 1 0
λ1
λ2
..
.
λp 1 0
.. ..
0 . .
..
. 1
λp
On appelle rayon spectral d’une matrice A, le plus grand module des valeurs propres de A.
¯ ¯
¯ ¯
¯ λ α ¯ ¯ ¯
¯ 0 ¯ ¯ ¯
¯ ¯ ¯ λ 0 α1 ¯
¯ ¯ ¯ ¯
¯ −1 λ α ¯ ¯ ¯
¯ 1 ¯ ¯ ¯
¯ ¯ ¯ −1 . . . α2 ¯
¯ .. ¯ ¯ ¯
|λI − C| = ¯¯ .. ¯ = λ ¯ ¯ + α0
−1 . . ¯ ¯ ¯
¯ ¯ ¯ .. .. ¯
¯ ¯ ¯ . λ . ¯
¯ .. .. ¯ ¯ ¯
¯ . λ . ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ 0 −1 λ + αn−1 ¯
¯ ¯
¯ 0 −1 λ + αn−1 ¯
¯ ¯
¯ ¯
¯ λ 0 α ¯
¯ 2 ¯
¯ ¯
¯ .. ¯
¯ −1 . . . . ¯
¯
2¯
¯
= λ ¯ ¯ + λα1 + α0
.. ¯
¯ .. ¯
¯ . λ . ¯
¯ ¯
¯ ¯
¯ ¯
¯ 0 −1 λ + αn−1 ¯
Exemple :
0 0 0
A=
1 0 0
calculer eAt et le rayon spectral.
0 1 −1
Yann MORÈRE
11.2 Matrice compagne 55 / 55
0 0 0 0 0 0
eAt = I +
t 0 0
+
0 0 0
0 t −t t − 1 + e−t −t + 1 − e−t t − 1 + e−t
1 0 0
=
t 1 0
t − 1 + e−t 1 − e−t −et
et 1 est une valeur propre double et e−t valeur propre simple de eAt .