Cours Matrice

Cours de Calcul Matriciel
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
2 Opérations élémentaires, application aux équations linéaires 7

2.1 Matrices échelonnées et canonique ligne . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1 Algorithme de passage à la forme échelonnée . . . . . . . . . . . . . . . . 7
2.1.2 Algorithme de passage d’une forme echelonnée à une forme canonique ligne 8
2.2 Système d’équations linéaires et matrices . . . . . . . . . . . . . . . . . . . . . . 9
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
7 Équation caractéristique d’une matrice 35

7.1 Définitions, propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
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
avec aij ∈ R, C, R hλipolynôme en λ....
Les m n-uplets (ai1 . . . ain ) i ∈ {1 . . . m} sont appelés lignes de A.

 
 a1j 
 
 . 
Les n m-uplets 
 ..

 j ∈ {1 . . . n} sont appelés colonnes de A.
 
 
amj
Le couple (m, n) est appelé la dimension de la matrice.

C’est un formalisme simple qui permet de généraliser les manipulations des scalaires (Attention :
avec la perte de la commutativité) et de manipuler avec un seul langage des scalaires, des
vecteurs et des tableaux.
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
matrice ligne du vecteur des dérivées partielles.

Le Hessien ou matrice Hessienne est définie par :
 
∂2f ∂2f
 ∂ 2 x1
··· ∂x1 ∂xn 
 
 .. .. 
Hx =  ... 
 . . 
 
 
∂2f ∂2f
∂xm ∂x1
··· ∂ 2 xn
matrice carrée symétrique des dérivées secondes.

 
 f1 (x1 , . . . , xn ) 
 
 .. 
2. Soit f une fonction vectorielles de plusieurs variables f (x1 , . . . , xn )  . 
 
 
 
fm (x1 , . . . , xn )
on peut alors définir le Jacobien ou matrice Jacobienne :
 
∂f1 ∂f1
 ∂x1
··· ∂xn 
 
 .. .. 
Fx =  ... .
 . . 
 
 
∂fm ∂fm
∂x1
··· ∂xn
1.3 Opérations élémentaires
1.3.1 Égalité
A = B ⇔ ∀ (i, j) aij = bij .
1.3.2 Somme
A + B = (aij + bij )
avec A et B de même dimension.
1.3.3 Multiplication par un scalaire
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
1.3.5 Transposée d’une matrice
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 .
Pour les vecteurs :

 
 x1 
 
 .. 
(x1 . . . xn ) = 
T
 . 

 
 
xn
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
1.3.9 Trace d’une matrice A(m×n) = (aij )
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)
1.3.10 Matrice décomposées en blocs (ou partitionnement)

³ ´ P P
A(m×n) = Aij(m×n) avec Ii=1 mi = m et Ii=1 ni = n ce qui est intéressant lorsque la matrice
contient des blocs nuls.
   
 1 2 | 3 5   1 | 2 | 3
5 
   
   
 3 4 | 2 2   3 | 4 | 2 2 
   
 = 
   
 − − − − −   − | − | − − 
   
   
   
1 1 | 0 2 1 | 1 | 0 2
Yann MORÈRE
1.3 Opérations élémentaires 5 / 55
Exemple de partitionnement important :

A(m×n) = (aij ) = (a1 , a2 , . . . , an ) avec ai colonnes de
 
 α1T 
 
 .. 
A=
 . 
, αjT lignes de A
 
 
αnT
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
Soit αiT la ligne nulle de A, alors la ime ligne de AB

¡ T ¢
αi × b1 , . . . , αiT × bn = (0, . . . , 0)
de même si B a une colonne nulle, AB à une colonne nulle.

Soit b la colonne nulle de B, la j me colonne de AB est :
j
   
 α1T × bj   0 
   
 ..   .. 
 . = . 
   
   
   
T
αm × bj 0
Yann MORÈRE
7 / 55
Chapter 2
Opérations élémentaires, application aux
équations linéaires
2.1 Matrices échelonnées et canonique ligne

Une matrice A est dite ligne-équivalente à une matrice B (A ∼ B) si B peut être obtenue à
partir de A en effectuant un nombre fini d’opérations élémentaires :
¤ (E1) : échanger la ime ligne et la j me ligne : αiT ↔ αjT
¤ (E2) : multiplier la ime ligne par un scalaire non nul k : kαiT → αiT (k 6= 0)
¤ (E3) : remplacer la ime ligne par k fois la j me ligne plus la ime ligne : kαjT + αiT → αiT que
l’on peut regroupé en une étape
¤ (E) : remplacer la ime ligne par k 0 fois la j me ligne plus k fois la ime ligne : k 0 αjT +kαiT → αiT
Une matrice est dite échelonnée (est sous forme échelonnée) si :
1. toutes les lignes nulles sont en bas de la matrice

2. chaque élément distingué (premier élément non nulle d’une ligne αT ) est à droite de
l’élément distingué de la ligne précédente
 
   
 0 1 2 0 3 
 1 2 3   

  0 1 3 0 0 4 
   0 0 2 3 0   
     
 0 0 1   ,  0 0 0 1 0 −2 
 ,    
   0 0 0 1 1   
     
 
0 0 0   0 0 0 0 1 1
0 0 0 0 1
Une matrice échelonnée A est dite sous forme canonique ligne si :
1. chaque élément distingué est égal à 1

2. chaque élément distingué est l’unique élément non nul dans toute sa colonne
2.1.1 Algorithme de passage à la forme échelonnée

A = (aij ) matrice quelconque
8 / 55 Chapitre 2 : Opérations élémentaires, application aux équations linéaires
1. Appeler j1 la 1re colonne contenant un élément non nul

2. Échange les lignes pour que le premier élément différent de 0 soit dans la 1re ligne, jime
colonne (a1j1 6= 0)
3. Utiliser a1j1 comme pivot pour ³ obtenir
´ des zéros sous a1j1 , i.e. : pour i > 1 appliquer
a
(E) : −aij1 α1T + a1j1 αiT ou − a1j1 α1T + αiT −→ αiT
ij
4. Recommencer avec la sous-matrice formée de toutes les lignes sauf la 1re

5. Arrêter quand la matrice est mise sous forme échelonnée.
Exemple :
 
 1 2 −3 0 
 
 
A =  2 4 −2 2 


 
 
3 6 −4 3
a11 = 1, pivot −2α1T + α2T → α2T , −3α1T + α3T → α3T

 
 1 2 −3 0 
 
 
A= 0 0 4 2 


 
 
0 0 5 3
a23 = 4, pivot −5α2T + 4α3T → α3T

 
 1 2 −3 0 
 
 
A= 
 0 0 4 2 , forme echelonnée.
 
 
0 0 0 2
2.1.2 Algorithme de passage d’une forme echelonnée à une forme

canonique ligne
A = (aij ) matrice echelonnée avec a1j1 , a2j2 , . . . , aiji éléments distingués
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
2.2 Système d’équations linéaires et matrices

Soit le système d’équations linéaire à m équations et n inconnues :




 a11 x1 + . . . + a1n xn = b1






 a21 x1 + . . . + a2n xn = b2

 ..

 .






 am1 x1 + . . . + amn xn = bm
que l’on peut réécrire de manière matricielle :

    
 a11 . . . . . . a1n   x1   b1 
    
    
 a . . . . . . a2n   x2   b2 
 21    
  = 
 . ..   ..   .. 
 .. ... ... .   .   . 
    
    
    
am1 . . . . . . amn xn bm
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
Résoudre le système d’équations linéaires revient à utiliser la matrice M augmentée et à en la

réduire à sa forme échelonnée (permet de dire si le système est consistant) puis à la réduire à
la forme canonique ligne (donne la solution).

10 / 55 Chapitre 2 : Opérations élémentaires, application aux équations linéaires
1. le système admet une solution si et seulement si la forme échelonnée de M ne contient

pas de ligne (0, 0, . . . , 0, b) avec b 6= 0 (revient à l’équation dégénérée 0x1 + . . . + 0xn = b)
2. dans la forme canonique ligne de la matrice augmentée (sauf les lignes nulles), chaque
élément distingué est le coefficient de l’inconnu principale correspondante dans le système.
Les variables constantes sont les variables libres.
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
Le système n’a aucune solution.
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

13 / 55
Chapter 3
Espaces vectoriels
Notations :
K corps des scalaires, a, b, c, k ∈ K (en général R ou C).

V l’espace vectoriel u, v, w ∈ V .
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 :
Rn , Cn plus généralement Kn (K corps)

Mm,n matrices de dimension m × n sur le corps K
P (t) espace vectoriel des polynômes.
3.1 Dépendance et Indépendance Linéaire

Définition 3.1.1. Soit V un espace vectoriel sur le corps K, les vecteurs v1 , . . . , vm ∈ V sont
linéairement dépendants sur K, ou dépendants (plus simplement) si ∃a1 , . . . , am ∈ K non nuls
| a1 v1 + · · · + am vm = 0, sinon ils sont indépendants.
Définition 3.1.2. Un ensemble S = {u, . . . , un } est une base de V si :

¤ u, . . . , un sont linéairement indépendants,
14 / 55 Chapitre 3 : Espaces vectoriels
¤ 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.
1, t, t2 , t3 , . . . , tn forment une base de Pn (t) et dim Pn (t) = n + 1.
3.2 Équation linéaire, matrices et espaces vectoriels
Théorème 3.2.1. Les lignes non nulles d’une matrice mise sous forme échelonnée sont linéai-
rement indépendantes.
Rang d’une matrice :
Définition 3.2.1. rang en ligne = nombre maximum de lignes linéairement indépendantes,
rang en colonne = nombre maximum de colonnes linéairement indépendantes.
Théorème 3.2.2. rang en ligne de A(m×n) = rang en colonne.
Pour déterminer le rang d’une matrice, on peut utiliser sa forme échelonnée.
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
Théorème 3.2.3. Les trois propriétés sont équivalentes :

1. AX = B admet une solution,
2. B est une combinaison linéaire des colonnes de A
3. La matrice A et la matrice augmentée (A, B) ont le même rang
¤ si rang (A) = rang (A, B) = n, on a une solution unique,
¤ si rang (A) = rang (A, B) < n, on a une infinité de solution,
¤ si rang (A) < rang (A, B), il n’y a pas de solution.

17 / 55
Chapter 4
Matrices Carrées
4.1 Matrices carrées

Le nombre de lignes = le nombre de colonnes. A(n×n) matrices carrées d’ordre n.
L’ensemble Mn des matrices carrées d’ordre n est un algèbre de matrices.
4.2 Matrices particulières
4.2.1 Matrice Unité

C’est une matrice carrée d’ordre n dont les éléments diagonaux sont égaux à 1 et les autres
sont nuls. aii = 1, ∀i ∈ {1, . . . , n} et aij = 0, ∀i 6= j. Cette matrice est notée In et possède le
propriété suivante : AI = IA = A ∀A.
4.2.2 Matrice diagonale

aij = 0 ∀i 6= j A = {a11 , . . . , ann }
4.2.3 Puissance et polynôme de matrices

A2 = AA, An+1 = An A et A0 = I
si f (x) = a0 + a1 x + . . . + an xn alors f (A) = a0 I + a1 A + · · · + an An
Propriété 4.2.1. f (x), g (x) deux polynômes, A matrice carrée d’ordre n

(f + g) (A) = f (A) + g (A)
(f g) (A) = f (A) g (A) = g (A) f (A)
4.2.4 Matrices inversibles ou non singulières

A est dite non singulière si ∃B AB = BA = I. B est unique et se note B = A−1 et s’appelle
l’inverse de A.
18 / 55 Chapitre 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
Théorème 4.2.1. A(n×n) est inversible si et seulement si rangA = n
4.2.5 Matrice triangulaire

A(n×n) = (aij ) triangulaire supérieure si aij = 0 ∀i > j.
Propriété 4.2.2. L’ensemble des matrices triangulaires supérieures est une algèbre de ma-
trices :
1. A + B triangulaire supérieure avec sur la diagonale aii + bii
2. kA triangulaire supérieure avec sur la diagonale kaii
3. AB triangulaire supérieure avec sur la diagonale aii bii
4. polynôme f (x) · f (A) triangulaire supérieure avec sur la diagonale f (aii )
5. A est inversible si et seulement si ∀i aii 6= 0
A(n×n) = (aij ) triangulaire supérieure si aij = 0 ∀i < j.
4.2.6 Matrice symétrique

A = AT (aij = aji ∀i, j)
4.2.7 Matrice anti-symétrique

A = −AT (aij = −aji ∀i, j) et donc aii = 0, ∀i.
Théorème 4.2.2. Si A est une matrice carrée A + AT est symétrique, A − AT est anti-
symétrique, A = B + C ou B symétrique, C anti-symétrique.
1
¡ ¢ ¡ ¢
Il suffit de prendre B = 2
A + AT , C = 21 A − AT .
4.2.8 Matrice orthogonale

AAT = AT A = I ou A−1 = AT
4.2.9 Matrice normale

A · AT = AT · A ce qui inclut les matrices symétriques, orthogonales et anti-symétriques.
4.2.10 Matrice hermitienne

AH = A (A = A) (aij = aji ⇒ aii ∈ R)
Yann MORÈRE
4.3 Matrices élémentaires 19 / 55
4.2.11 Matrice anti-hermitienne

AH = −A (A = −A) (aij = −aji ⇒ aii = 0)
4.2.12 Matrice unitaire

AH = A−1
4.2.13 Matrice normale

AAH = AH A
4.3 Matrices élémentaires

Opérations élémentaires (Opérations E1, E2, E3)
¤ (E1) échange de lignes αiT ↔ αjT
¤ (E2) kαiT → αiT (k 6= 0)
¤ (E3) kαjT + αiT → αiT
Opérations inverses
¤ αjT ↔ αiT
¤ k1 αiT → αiT
¤ −kαjT + αiT → αiT
B est dite ligne-équivalente à A (A ∼ B) si B peut être obtenue à partie de A en utilisant
un nombre fini d’opérations élémentaires sur les lignes. Comme il est possible de refaire le
chemin inverse, le ligne-équivalence est une relation d’équivalence(A ∼ A, A ∼ B⇔B ∼ A,
A ∼ B et B ∼ C⇒A ∼ C).
Théorème 4.3.1. Toute matrice A est ligne équivalente à une matrice unique sous forme
conique ligne.
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
Théorème 4.3.3. Les propriétés suivantes sont équivalentes :

1. A est inversible (non singulière)
2. A est ligne-équivalente à la matrice identité I
3. A est un produit de matrice élémentaire
ce qui indique qu’on peut passer de A à I par une suite finie d’opérations.
Algorithme :
1. Former la matrice n × 2n (par blocs) M = (A, I)

2. Réduire M à la forme échelonnée, si dans la moitié gauche apparaissent des lignes nulles,
A n’est pas inversible.
3. Réduire M à la forme canonique ligne (I, B) et B = A−1
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
4.4 Equivalence entre matrices

Théorème 4.4.1. B est ligne équivalente à A si et seulement si il existe une matrice non
singulière P telle que B = P A.
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.
4.4.1 Equivalence entre deux matrices

Définition 4.4.1. une matrice B est dite équivalente à A si B peut être obtenue à partir de
A par une suite d’opérations élémentaires sur les lignes et les colonnes. B est donc équivalente
à A si il existe deux matrices non singulières P et Q telles que : B = P AQ.
 
 Ir | 0 
 
 
Théorème 4.4.3. toute matrice A(m×n) est équivalente à l’unique matrice par blocs 
 − + −


 
 
0 | 0
appelée forme de SMITH où Ir est la matrice identité d’odre r et r = rang (A).
Théorème 4.4.4. Deux matrices de mêmes dimensions sont équivalentes si et seulement si

elles ont le même rang.

 
 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
et la matrice est de rang 2.

25 / 55
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
Développement suivant la ime ligne :

n
X ¯ ¯
|A| = (−1)i+j aij ¯A{ij} ¯
j=1
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
¤ |A| |B| = |AB|
Théorème 5.1.1. Le determinant d’une matrice est proportionnel au determinant de sa forme

de Smith car P AQ = N avec P et Q régulières |P Q| |A| = |N |.
Corollaire 5.1.2. A est régulière si et seulement si |A| 6= 0, A est régulière rang A = n ⇒

N = In et A = P −1 Q−1 et |A| 6= 0.
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
Exemples d’utilisation de certaines propriétés

¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 1 a b+c ¯ ¯ 1 a a+b+c ¯ ¯ 1 a 1 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 1 b a+c ¯=¯ 1 b a+b+c ¯ = (a + b + c) ¯ 1 b 1 ¯ = 0.
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 1 c a+b ¯ ¯ 1 c a+b+c ¯ ¯ 1 c 1 ¯
Van der Monde
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 1 λ1 λ21 ¯¯ ¯¯ 1 λ1 λ21 ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ 1 λ +λ ¯
¯ ¯ ¯ ¯ ¯ 1 2 ¯
¯ 1 λ2 λ22 ¯¯ = ¯¯ 1 λ2 − λ1 λ22 − λ21 ¯¯ = (λ2 − λ1 ) (λ3 − λ1 ) ¯¯ ¯
¯ ¯
¯ ¯ ¯ ¯ ¯ 1 λ +λ ¯
¯ ¯ ¯ ¯ ¯ 1 3 ¯
¯ 2 ¯ ¯ 2 2 ¯
¯ 1 λ3 λ3 ¯ ¯ 1 λ3 − λ1 λ3 − λ1 ¯
¯ ¯
¯ ¯
¯ 1 λ +λ ¯
¯ 1 2 ¯
= (λ2 − λ1 ) (λ3 − λ1 ) ¯¯ ¯ = (λ2 − λ1 ) (λ3 − λ1 ) (λ3 − λ2 ).
¯
¯ 1 λ −λ ¯
¯ 3 2 ¯
Matrice carrée d’ordre 3

¯ ¯
¯ ¯
¯ a ¯
¯ 11 a12 a13 ¯
¯ ¯ a11 a22 a33 + a12 a23 a31 + a13 a21 a32
¯ ¯
¯
|A| = ¯ a21 a22 a23 ¯¯ =
¯ ¯ −a13 a22 a31 − a11 a23 a32 − a12 a21 a33
¯ ¯
¯ ¯
¯ a31 a32 a33 ¯
5.2 Applications
5.2.1 Inverse d’une matrice

Soit A une matrice régulière (rangA = n, det A 6= 0), on a :
1
A−1 = · (adj (A))
|A|
 
 1 2 3 
 
 
En reprenant : A = 
 2 3 2 

 
 
1 2 2
 
 2 2 −5 
 
 
|A| = 6 + 4 + 12 − 9 − 4 − 8 = 1 d’où A−1 =
 −2 −1 4
.

 
 
1 0 −1

28 / 55 Chapitre 5 : Déterminants
5.2.2 Résolution d’un système d’équations linéaires

Règle de Cramer
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
Si le déterminant |A| = 0 on ne peut pas résoudre, il faut alors utiliser la méthode

d’élimination de Gauss-Jordan.
Yann MORÈRE
5.2 Applications 29 / 55
Matrices partitionnées : formule de Schur Si A est diagonale par blocs ou triangulaire

par blocs.  
 A11 A12 · · · A1n 
 
 .. .. .. 
 0 . . . 
 
A=
 .


 .. .. .. 
 . . An−1n 
 
 
0 ··· 0 Ann
(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
Soient A(m×n) et B(n×m) , |Im − AB| = |Im − BA|.

 
 Im A(m×n) 
Considérons la matrice M = 

 à l’aide de la forme de Schur :

B(n×m) In
|M | = |Im | |In − BA| = |In | |Im − AA|

31 / 55
Chapter 6
Inversions Matricielles
6.1 Définitions et Propriétés

Définition 6.1.1. B/BA = BA = I, B = A−1 , A est régulière et non singulière. A est
inversible si rangA = n ou det A 6= 0.
T ¡ ¢−1 H ¡ ¢−1 −1
Propriété 6.1.1. (AB)−1 = (B −1 ) (A−1 ), (A−1 ) = AT , (A−1 ) = AH , dA dα(α) =
−1
−A−1 (α) dA(α)
dα
A−1 (α) (car A (α) A−1 (α) = I ⇒ A (α) dA dα(α) + dA(α)
dα
A−1 (α) = 0)
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 .
Remarque 6.1.1. Si B matrice colonne, D matrice ligne et C scalaire 6= 0
C
(A + BCD)−1 = A−1 − A−1 BDA−1
1 + CDA−1 B
Inverse de matrices partitionnées

Soit A une matrice régulière  
 A11(p×p) A12(p×q) 
A=



A21(q×p) A22(q×q)
avec A11 et A22 carrée et  

 X11(p×p) X12(p×q) 
A−1 = 



X21(q×p) X22(q×q)
avec AA−1 = A−1 A = I.

X11 A11 + X12 A21 = A11 X11 + A12 X21 = I si A est régulière.
X11 A12 + X12 A22 = A11 X12 + A12 X22 = 0
X21 A11 + X22 A21 = A21 X11 + A22 X21 = 0
32 / 55 Chapitre 6 : Inversions Matricielles
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
Si A11 est singulière on utilise A22 en lieu et place de A11 et :

¡ ¢−1
X11 = A11 − A12 A−1 22 A21
X12 = −X11 A12 A−1
22
X21 = −A−1 A X
22 21 11
X22 = A22 + A−1
−1 −1
22 A21 X11 A12 A22
Formules permettant par recurrence décroissante de calculer l’inverse d’une matrice :

 
 A(n×m) bn 
M((n+1)×(n+1)) = 



cTn an
avec bn(n×1) , cTn(1×n) et an(1×1) .

 
 X −X bamn 
M −1
=


T ¡ ¢ 
− acnn X 1
a2n
an + cTn Xbn
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

35 / 55
Chapter 7
Équation caractéristique d’une matrice
7.1 Définitions, propriétés

Soit A(n×n) une matrice carrée, on appelle valeurs propres les valeurs complexes qui rendent
singulières sa matrice caractéristique λIm − A.
Elles sont donc racines de |λIm − A| = 0.
Elles vérifient : AX = XA.
Tout vecteur X non nul vérifiant cette égalité est appelé vecteur propre. L’espace engendré par
les vecteurs propres s’appelle l’espace propre.
P (λ) = |λIm − A| s’appelle le polynôme caractéristique de A, il est de degré n en λ :
P (λ) = λn + αn−1 λn−1 + · · · + α1 λ
En écrivant : P (λ) = (λ − λ1 ) (λ − λ2 ) . . . (λ − λm ) avec λi les vecteurs propres alors :
n
X
αn−1 = − λi = −trace (A)
i=1
n
Y
n
α0 = (−1) λi = (−1)n |A|
i=1
Si n = 2 on a donc :
P (λ) = |λI − A| = λ2 − trace (A) λ + |A|
 
 2 2 1 
 
 
Exemple : Trouver les valeurs et vecteurs propres associés à A =  1 3 1 


 
 
1 2 2
¯ ¯
¯ ¯
¯ λ−2 2 1 ¯
¯ ¯
¯ ¯
¯ ¯
|λI − A| = ¯¯ 1 λ−3 1 ¯¯ = λ |{z}
3
−7 λ2 + 11λ |{z} −5 = (λ − 5) (λ − 1)2
¯ ¯
¯ ¯ −trace(A) (−1)3 det(A)
¯ ¯
¯ 1 2 λ−2 ¯
λ1 = 5 valeur propre simple.

36 / 55 Chapitre 7 : Équation caractéristique d’une matrice
λ2 = 1 valeur propre double. Pour λ = 5 on a donc (5I − A) X = 0 ce qui donne donc :

    
 3 −2 1   x1   0 
    
    
 −1 2 −1   x = 0 
  2   
    
    
−1 −2 3 x3 0
       
 3 −2 −1   0 −4 4   0 1 −1   0 1 −1 
       
       
5I − A ∼ 
 1 −2 1 ∼ 1
  −2 1  ∼
 
 1 −2 1  ∼  1 −2 1 
  
       
       
0 −4 4 0 −4 4 0 −4 4 0 0 0
     
 1 −2 1   1 −2 1   1 −2 1 
     
     
5I − A ∼ 
 −3 −2 −1 ∼
  0 4 −4  
 ∼  0 −1 1


     
     
−1 −2 3 0 −4 4 0 0 0
  
 1 0 −1   x1 
  
  
  
∼  0 1 −1   x2 

  
  
0 0 0 x3
x2 = x3 , x1 = x3 et (1 1 1)T vecteur propre.
Tout vecteur (k k k)T est un vecteur propre associé à la valeur propre λ = 5.

   
 k   k 
   
   
A=   
 k  = 5 k 
   
   
k k
    
 −1 −2 −1   1 2 1   x1 
    
    
I −A=   
 −1 −2 −1  ∼  0 0 0   x2

 x1 + 2x2 + x3 = 0
    
    
−1 −2 −1 0 0 0 x3
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

39 / 55
Chapter 8
Matrices semblables
8.1 Définitions et Propriétés

Définition 8.1.1. Deux matrices A et B d’ordre n sont semblables s’il existe une matrice
non-singulière R telle que : B = R−1 AR.
Propriété 8.1.1.
¤ deux matrices semblables ont les mêmes valeurs propres
¯ ¯
|λI − B| = ¯R−1 ¯ |λI − A| |R|
= |λI − A|
(car λI − B = λR−1 R − R−1 AR = R−1 (λI − A) R)

¤ Si Y est un vecteur propre de B = R−1 AR associé à λi de B, alors X = RY est un vecteur
propre de A associé à λi de A :
BY = R−1 ARY = λY ⇔ ARY = λRY ⇔ AX = λX avec X = RY
8.2 Matrices diagonales

Les valeurs propres d’une matrice diagonale sont les éléments diagonaux. Une matrice diagonale
a toujours n vecteurs propres linéairement indépendants quand elle est d’ordre n et les Ei de
la base canonique sont vecteurs propres :
  
 a1  0 
  
 ..  .. 
 . 0  . 
  
  
  
DEi = ai Ei  ai  1 
  
  
  .. 
 ...  
 0  . 
  
  
an 0
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.
8.3 Matrices symétriques réelles

Théorème 8.3.1. Les valeurs propres d’une matrice symétrique réelle sont réelles.
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 .

43 / 55
Chapter 9
Formes quadratiques
9.1 Définition et propriétés

A = (aij ) matrice carrée d’ordre n.
n
X
n n T
fA : R × R → R / fA (X, Y ) = X AY = aij xi yj
i,j=1
avec X T = (x1 , . . . , xn ) et Y T = (y1 , . . . , yn ).
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 .
9.2 Forme quadratique

Une forme quadratique d’ordre n est une fonction du type :
qA : Rn → R qA (X) = X T AX
avec A matrice symétrique d’ordre n.

 
 2 −1 
Remarque 9.2.1. A = 

, qA (X) = 2x21 +3x22 −2x1 x2 avec X T = (x1 x2 ) on aurait pu

−1 3
 
 2 −2 
prendre : A0 = 

 mais on choisit le seul représentant des matrices qui soit symétrique.

0 3
44 / 55 Chapitre 9 : Formes quadratiques
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
q (1 1)T = −1 < 0 donc A = 

 ≥ 0 est indéfinie.

− 32 1
Remarque 9.2.2. A > 0 si et seulement −A < 0 (A ≥ 0 si et seulement si −A ≤ 0)
q (X) = X T AX > 0 ∀X ∈ Rn X 6= 0
−q (X) = −X T AX = X T (−A) X < 0 ∀X ∈ Rn X 6= 0
Correspond en fait à la généralisation de la notion de carré. Dans le cas scalaire : q (X) = ax2
et donc q (X) > 0 ⇒ a > 0.
Ici on cherche les mêmes propriétés, sauf qu’il peut y avoir des cas où A n’est ni positive, ni
négative.
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.
L’application linéaire non singulière X = BY transforme la forme quadratique X T AX en

¡ ¢ ¡ ¢T
la forme quadratique : Y T B T AB Y et évidemment B T AB est symétrique ( B T AB =
B T AT B = B T AB), les matrices A et B sont dites congruentes si ∃P / B = P T AP .
Une forme quadratique de rang r peut se réduire à la forme diagonale :
h1 x21 + · · · + hr x2r (hi 6= 0 ∀i ∈ {1, . . . , r})
Pour passer à la forme diagonale on utilise encore et toujours le même algorithme, cette fois-ci
simplement comme la matrice A est symétrique les opérations élémentaires appliquées sur les
lignes sont identiques à celles appliquées sur les colonnes et donc : D = B T AB.
 
 1 −2 4 
 
 
Exemple : qA = x21 +2x22 −7x23 −4x1 x2 +8x1 x3 A = 
 −2 2 0  |A| = −14−32+28 6= 0
 
 
4 0 −7
Rang A =3 .     
 1 −2 4   1 0 0   1 −2 4  1 0 0 
     
     
(A | I) = 
 −2 2 0   0 1 0  ∼  0 −2 8
  
  −2 1 0 
 
     
     
4 0 −7 0 0 1 0 8 −23 −4 0 1
  
 1 0 0  1 0 0 
  
  
∼  0 −2 8   −2 1
 0 
 donc les opérations sur les lignes suffisent puisque A
  
  
0 8 −23 −4 0 1
étant symétrique les opérations sur les colonnes sont identiques.
    
 1 0 0  1 0 0   1 2 4 
    
    
∼  0 −2 8   2 1 0  d’où D = B AB avec B =  0 1 4 
    T 
 et X = BY . D’où si
    
    
0 0 9 4 4 1 0 0 1




 x1 = y1 + 2y2 + 4y3



2 2 2
 x2 = y2 + 4y3 alors q (Y ) = y1 − 2y2 + 9y3





 x3 = y3

46 / 55 Chapitre 9 : Formes quadratiques
donc la matrice A est indéfinie.

On peut continuer la réduction en gardant les matrices B et B T avec :
   
√ 4
 1 2 3   1 0 0 
   
   
B=  0 1 4  on a D = 
 0 −1 0 
3  
√
 2   
   
1
0 0 3 0 0 1
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.
Théorème 9.2.2. Une matrice A(n×n) est définie positive si et seulement si :

¤ X T AX > 0 ∀X ∈ Rn X 6= 0,
¤ Toutes les valeurs propres de A sont strictement positives,
¤ A−1 existe et elle est définie positive,
¤ tous les mineurs principaux successifs de la matrice A sont > 0,
¤ décomposition de Choleski :
A possède une factorisation triangulaire A = U T U , où U est une matrice triangulaire suu-
périeure à diagonale positive.
Remarque 9.2.3. Pour Cholesky :
⇒ si A est définie positive, elle est congruente à une matrice diagonale D qui a tous ses termes
positifs. Par transformation √1αi sur chaque élément, elle est congruente à l’identité. Donc
∃P triangulaire supérieure /X − P Y et : I = P T AP avec P triangulaire supérieure, d’où :
A = P −T IP −1 et en prenant U = P −1 on a :
A = U T U et T triengulaire infrieure.
⇐ si on a A = U T U qA (X) = X T U T U X = (U X)T U X = y T y = y12 + . . . + yr2 > 0 et donc

qA (X) = 0 ⇒ U T X = 0⇒ X = 0 (car U est inversible).
¯ ¯
¯ ¯
¯ ¯ ¯ a ¯
¯ ¯ ¯ 11 a12 a13 ¯
¯ a ¯ ¯ ¯
¯ 11 a12 ¯ ¯ ¯
Mineurs principaux successifs : p1 = a11 , p2 = ¯¯ ¯, p3 = ¯ a
¯ ¯ 21 a22 a23
¯, . . . p n =
¯
¯ a ¯ ¯ ¯
¯ 21 a22 ¯ ¯ ¯
¯ ¯
¯ a31 a32 a33 ¯
|A|.
 
 1 −1 0 
 
 
Exemple : qA = x1 + 3x2 + 11x3 − 2x1 x2 − 8x2 x3 d’où A = 
2 2 2
 −1 3 −4  on a p1 = 1,

 
 
0 −4 11
¯ ¯
¯ ¯
¯ 1 −1 ¯¯
¯
p2 = ¯¯ ¯ = 2, p3 = |A| = 33 − 16 − 11 = 6 donc A est définie positive.
¯
¯ −1 3 ¯¯
¯
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

49 / 55
Chapter 10
Systèmes différenciels
10.1 Propriétés et Définitions

dX(t)
dt
= AX (t) avec X (t) = (x1 (t) . . . xn (t))T avec X (t) = (x1 (t) , . . . , xn (t))T
A = (aij )(n×n) et t ∈ R.
n
dxi (t) X
= aij xj (t)
dt j=1
n équations différentielles du premier ordre.
10.2 Cas scalaire
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 .
10.3 Cas matriciel

A2 2
P∞ ai i
Par ananlogie
³ ´ : soit P (t) = I + At + 2!
t + ··· = i=0 i! t . Soit X (t) = P (t) X (0) ( dA(t)
dt
=
daij (t)
dt
).
P P∞ i ti
dt
= A+A2 t+. . . = ∞
dP (t) i ti−1
i=1 A (i−1)! = A
dX(t)
i=0 A i! = A·P d’où : dt = A·P (t) A (0) = AX (t)
donc X (t) = P (t) X (0) est solution de l’équation différentielle matricielle.
On appelle donc exponentielle de matrice :
2 ∞
X
At 2t Ai
e = I + At + A + ··· = ti .
2! i=0
i!
50 / 55 Chapitre 10 : Systèmes différenciels
10.4 Évaluation de eAt
10.4.1 Calcul numérique

Par calcul numérique avec arrêt quand les termes deviennent négligeables ou si A est nilpotente
(∃k ∈ N/Ak = 0).
 
 0 1 
Exemple : dX(t)
dt
=

 X (t) on fait correspondre à ẋ1 (t) = x2 (t), ẋ2 (t) = 0 ⇒ x2 (t) =

0 0
 
 1 t 
x2 (0) et x1 (t) = x2 (0) t + x2 (0) ⇒ X = 

 X0 .

0 1
     
 1 0   1 0  t  1 t 
A2 = 0 d’où : eAt = 

+
 
 =
 1! 
 et la solution est : X (t) =

0 1 0 0 0 1
 
 1 t 
  X0
 
0 1
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 .
10.4.3 Utilisation de la formule de Sylverster

Soit PA (λ) = a0 + a1 λ + · · · + λn le polynôme caractéristique de A d’après Cauchy-Hamilton :
P P
PA (A) = 0 donc An = − n−1 i
i=0 ai A avec e
At
= ∞ tj j k
j=0 j! A , toute puissance de A, A avec k ≥ n
peut donc s’écrire en fonction de n − 1 premières matrices d’où :
∞
X
At
e = αj Aj (Formule de Sylvester)
j=0
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 Ã !
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

53 / 55
Chapter 11
Quelques extras
11.1 Forme de Jordan
Elle est formée de blocs.
 
 λ1 1 
 
 .. .. 
 . . 
 
 
 .. 
 . 1 0 
 
 
 
 λ1 
 
 
 
 λ2 
 
 
 
 .. 
 . 
 
 
 
 λp 1 0 
 
 
 .. .. 
 0 . . 
 
 
 .. 
 . 1 
 
 
λp
Toute matrice peut se mettre sous la forme de Jordan.
On appelle rayon spectral d’une matrice A, le plus grand module des valeurs propres de A.
ρ (A) = sup |λi |

i∈{1...n}
54 / 55 Chapitre 11 : Quelques extras
11.2 Matrice compagne

 
 0 −α0 
 
 
 1 ... −α1 
 
 
 .. 
C= ... ... 
 . 
 
 .. 
 .. 
 . 0 . 
 
 
0 1 −αn−1
¯ ¯
¯ ¯
¯ 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 ¯
d’où Pc (λ) = λn + αn−1 λn−1 + · · · + α1 λ + α0 le polynôme caractéristique est immédiat.
Exemple :
 
 0 0 0 
 
 
A=
 1 0 0
 calculer eAt et le rayon spectral.

 
 
0 1 −1
PA (λ) = λ3 + λ2 = λ2 (λ + 1) ⇒ λ1 = 0 valeur propre double, λ = −1. eλt = α0 (t) + λα1 (t) +

λ2 α2 (t).
d
dt
→teλt = α1 (t) + 2λα2 (t)
λ1 = 0 : α0 (t) = 1 et α1 (t) = t
λ2 = −1 : e−t = 1 − t + α2 et α2 (t) = t − 1 + e−t
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 .

Cours Matrice

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Cours Matrice

Загружено:

Авторское право:

Доступные форматы

Cours de Calcul Matriciel

2 Opérations élémentaires, application aux équations linéaires 7

7 Équation caractéristique d’une matrice 35

avec aij ∈ R, C, R hλipolynôme en λ....

Les m n-uplets (ai1 . . . ain ) i ∈ {1 . . . m} sont appelés lignes de A.

Le couple (m, n) est appelé la dimension de la matrice.

matrice ligne du vecteur des dérivées partielles.

matrice carrée symétrique des dérivées secondes.

1.3 Opérations élémentaires

A = B ⇔ ∀ (i, j) aij = bij .

avec A et B de même dimension.

1.3.3 Multiplication par un scalaire

1.3.5 Transposée d’une matrice

Pour les vecteurs :

Cours de Calcul Matriciel

1.3.9 Trace d’une matrice A(m×n) = (aij )

1.3.10 Matrice décomposées en blocs (ou partitionnement)

Exemple de partitionnement important :

Cours de Calcul Matriciel

Soit αiT la ligne nulle de A, alors la ime ligne de AB

de même si B a une colonne nulle, AB à une colonne nulle.

2.1 Matrices échelonnées et canonique ligne

1. toutes les lignes nulles sont en bas de la matrice

1. chaque élément distingué est égal à 1

2.1.1 Algorithme de passage à la forme échelonnée

1. Appeler j1 la 1re colonne contenant un élément non nul

4. Recommencer avec la sous-matrice formée de toutes les lignes sauf la 1re

a11 = 1, pivot −2α1T + α2T → α2T , −3α1T + α3T → α3T

a23 = 4, pivot −5α2T + 4α3T → α3T

2.1.2 Algorithme de passage d’une forme echelonnée à une forme

A = (aij ) matrice echelonnée avec a1j1 , a2j2 , . . . , aiji éléments distingués

2.2 Système d’équations linéaires et matrices

que l’on peut réécrire de manière matricielle :

Résoudre le système d’équations linéaires revient à utiliser la matrice M augmentée et à en la

Cours de Calcul Matriciel

1. le système admet une solution si et seulement si la forme échelonnée de M ne contient

Le système n’a aucune solution.

Cours de Calcul Matriciel

K corps des scalaires, a, b, c, k ∈ K (en général R ou C).

Rn , Cn plus généralement Kn (K corps)

3.1 Dépendance et Indépendance Linéaire

Définition 3.1.2. Un ensemble S = {u, . . . , un } est une base de V si :

1, t, t2 , t3 , . . . , tn forment une base de Pn (t) et dim Pn (t) = n + 1.

3.2 Équation linéaire, matrices et espaces vectoriels

Rang d’une matrice :

Définition 3.2.1. rang en ligne = nombre maximum de lignes linéairement indépendantes,

rang en colonne = nombre maximum de colonnes linéairement indépendantes.

Théorème 3.2.2. rang en ligne de A(m×n) = rang en colonne.

Pour déterminer le rang d’une matrice, on peut utiliser sa forme échelonnée.

Théorème 3.2.3. Les trois propriétés sont équivalentes :

Cours de Calcul Matriciel

4.1 Matrices carrées

4.2 Matrices particulières

4.2.1 Matrice Unité

4.2.2 Matrice diagonale

4.2.3 Puissance et polynôme de matrices

Propriété 4.2.1. f (x), g (x) deux polynômes, A matrice carrée d’ordre n

4.2.4 Matrices inversibles ou non singulières

Théorème 4.2.1. A(n×n) est inversible si et seulement si rangA = n

4.2.5 Matrice triangulaire

A(n×n) = (aij ) triangulaire supérieure si aij = 0 ∀i < j.

4.2.6 Matrice symétrique

4.2.7 Matrice anti-symétrique

4.2.8 Matrice orthogonale