Mathematiques appliquees `a linformatique

Jean-Etienne Poirrier

15 decembre 2005
Table des mati`eres
1 Matrices 3
1.1 Denition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Les dierents types de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Les dierences de contenu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Les dierences de forme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3 Les dierences dorientation . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Matrices particuli`eres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Transposee dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2 Matrice diagonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.3 Matrices triangulaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.4 Matrice identite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.5 Matrice nulle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Operations elementaires sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.1 Egalite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2 Addition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.3 Soustraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.4 Multiplication par un scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.5 Produit de deux matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.6 Proprietes de la multiplication . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.7 Division de deux matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.8 Exercice impliquant des operations sur les matrices . . . . . . . . . . . . . . 9
1.5 Forme echelonnee normale dune matrice . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.1 Methode de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.2 Exemple appliquant la methode de Gauss-Jordan . . . . . . . . . . . . . . . 11
1.5.3 Le rang dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Determinants dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6.1 Notion preliminaire : le mineur . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6.2 Denition du determinant dune matrice . . . . . . . . . . . . . . . . . . . . 13
1.6.3 Proprietes et usages dun determinant . . . . . . . . . . . . . . . . . . . . . 13
1.6.4 Methodes de calcul dun determinant . . . . . . . . . . . . . . . . . . . . . . 13
1.7 Linverse dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7.1 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

Derni`ere version sur http ://www.poirrier.be/ jean-etienne/notes/maths.pdf. Ce texte est soumis `a la licence
GNU FDL. En cas derreur, de remarque, etc, vous pouvez me contacter `a jepoirrier chez gmail point com
1
TABLE DES MATI
`
ERES 2
2 Resolution de syst`emes dequations lineaires 15
2.1 Existence et unicite de la solution dun syst`eme carre . . . . . . . . . . . . . . . 15
2.2 Theor`eme de Rouche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Methodes simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Methode de resolution rapide pour syst`eme 2x2 . . . . . . . . . . . . . . . . 16
2.3.2 Methode de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Methodes iteratives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.1 Methode de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.2 Methode de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Theorie des ensembles 17
4 Modelisation et analyse en programmation lineaire 18
4.1 La programmation lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1 MATRICES 3
1 Matrices
1.1 Denition
Une matrice A de dimension m n est un tableau rectangulaire `a m lignes et n colonnes
compose de nombres. Si a
ij
designe lelement de la matrice A `a lintersection de la i
i` eme
ligne et
de la j
i` eme
colonne, la matrice compl`ete peut secrire sous la forme :
A
mn
=
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
m1
a
m2
. . . a
mn
_
_
_
_
Dans a
ij
, lindice i indique donc la ligne de lelement (i varie de 1 `a m) et lindice j indique sa
colonne (j varie de 1 `a n). Ces indices donnent ladresse de la colonne. Lelement a
12
est prononce
a un deux et pas a douze (on ne sait jamais).
Les elements de la diagonale principale sont : a
11
, a
12
, a
13
, . . ., a
mn
. Les elements de la
diagonale secondaire sont : a
1n
, a
2(n1)
, a
3(n2)
, a
m1
.
Une matrice peut etre notee de dierentes mani`eres :
A
A(mn)

A
(mn)
[a
ij
] i=1,...m
j=1,...n
1.2 Les dierents types de matrices
1.2.1 Les dierences de contenu
Une matrice est reelle si tous les elements sont des nombres reels. On peut ainsi etendre cela
aux matrices enti`eres (que des nombres entiers), par exemple.
1.2.2 Les dierences de forme
Une matrice est carree si m = n. Exemple de matrice carree :
_
_
2 4 3
3 5 2
4 7 5
_
_
De plus, si a
ij
= a
ji
i, j, la matrice est dite symetrique. La trace dune matrice carree est
la somme des elements diagonaux de la matrice trA = a
11
+ . . . + a
mm
.
Une matrice est rectangulaire si m = n (voir aussi les dierences dorientation ci-dessous).
Exemple de matrice rectangulaire :
_
_
2 4 3 5
3 5 2 6
4 7 5 8
_
_
1 MATRICES 4
1.2.3 Les dierences dorientation
Une matrice rectangulaire est horizontale si m < n. Exemple de matrice horizontale :
_
2 4 3 4
3 5 2 7
_
Cas particulier de la matrice horizontale : lorsque m = 1 (une seule ligne), la matrice se reduit
`a un vecteur ligne de dimension n que lon note (la signication de lexposant T est revelee
ci-dessous) :
A
T
=
_
a
1
a
2
. . . a
n
_
Une matrice rectangulaire est verticale si m > n Exemple de matrice verticale :
_
_
_
_
_
_
2 4
3 5
4 5
2 3
4 0
_
_
_
_
_
_
Cas particuliers de la matrice verticale : lorsque n = 1 (une seule colonne), la matrice se reduit
`a un vecteur colonne et le second indice nest plus necessaire. Le vecteur (dit alors de dimension
m) secrit ainsi plus simplement
A =
_
_
_
_
a
1
a
2
. . .
a
m
_
_
_
_
On peut donc dire quune matrice A de dimension mn est composee de n vecteurs colonnes
de dimension m ou de n vecteurs lignes de dimension m.
A
mn
= (A
1
, . . . , A
n
) =
_
_
_
A
T
1
.
.
.
A
T
r
_
_
_
Lorsque m = n = 1, la matrice se reduit `a un scalaire a
11
. Donc, un scalaire est une matrice
de dimension 1 1.
1.3 Matrices particuli`eres
1.3.1 Transposee dune matrice
La transposee dune matrice est une matrice o` u on a transpose (permute) les lignes et les
colonnes. On dira que transposer une matrice A
mn
donnera une nouvelle matrice A
T
nm
.
Exemple :
A
52
=
_
_
_
_
_
_
2 4
3 5
4 5
2 3
4 0
_
_
_
_
_
_
1 MATRICES 5
A
T
25
=
_
2 3 4 2 4
4 5 5 3 0
_
Si A est carree et symetrique, alors A = A
T
.
Comme, par denition, un vecteur est toujours un vecteur-colonne, on dit que le vecteur ligne
est transpose, do` u la notation particuli`ere (avec un exposant T). On peut aussi ecrire : A

= A
T
.
1.3.2 Matrice diagonale
Une matrice est diagonale quand elle est carree et que tous les a
ij
= 0, sauf les a
ii
. En
dautres termes, tous les elements situes sur la diagonale principale sont = 0 (a
ij
= 0, pour tout
i = j) et tous les autres sont = 0 (a
ij
= 0 si i = j). Exemples :
D =
_
_
_
_
_
d
11
0 . . . 0
0 d
22
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . d
rr
_
_
_
_
_
=
_
_
2 0 0
0 5 0
0 0 5
_
_
Pour simplier lecriture dune matrice diagonale, on pourra ecrire :
diag
_
d
1
d
2
d
3
. . . d
r
_
1.3.3 Matrices triangulaires
On parlera de matrice triangulaire superieure si a
ij
= 0 et si i > j. Exemple :
S
m
=
_
_
2 4 6
0 5 3
0 0 5
_
_
A contrario, une matrice est triangulaire inferieure si a
ij
= 0 et si i < j. Exemple :
J
m
=
_
_
2 0 0
3 5 0
1 4 5
_
_
1.3.4 Matrice identite
Une matrice identite (I
m
) est une matrice diagonale dont tous les elements de la diagonale
principale sont speciquement des 1. Exemple :
I
m
=
_
_
_
_
_
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
_
_
_
_
_
1 MATRICES 6
Notez la propriete du scalaire 1 : si on le multiplie par un nombre, on retrouve ce nombre. Cest
la generalisation du 1, element pivot de la multiplication. Exemple (la multiplication vient plus
tard) :
A
mc
I
m
= I
m
A
mn
= A
mm
1.3.5 Matrice nulle
Une matrice nulle est la matrice dont tous les elements sont nuls. Exemple :
O
33
=
_
_
0 0 0
0 0 0
0 0 0
_
_
Comme le zero est neutre pour laddition (voir laddition ci-dessous), on aura :
A
mm
+ O
mn
= O
mr
+ A
mm
= A
mn
1.4 Operations elementaires sur les matrices
1.4.1 Egalite
Les matrices A et B sont egales si et seulement si elles ont les memes dimensions et si a
ij
=
b
ij
, i, j (tous les elements sont egaux un `a un). Les deux matrices suivantes sont egales :
A =
_
_
2 4
4 5
6 6
_
_
= B =
_
_
2 4
4 5
6 6
_
_
1.4.2 Addition
Laddition des matrices correspond `a une nouvelle matrice dont chaque element est additionne
`a son element correspondant (a
ij
+ b
ij
= c
ij
). Les matrices doivent avoir les memes dimensions.
A
mn
+ B
mn
= C
mn
Exemple :
_
_
2 3
4 2
6 4
_
_
+
_
_
1 4
2 5
4 6
_
_
=
_
_
3 7
6 7
10 10
_
_
Remarque : cas de la matrice nulle ...
A
mn
+ O
mn
= A
mn
1.4.3 Soustraction
La soustraction de matrices correspond `a une nouvelle matrice dont chaque element est soustrait
`a son element correspondant (a
ij
b
ij
= c
ij
). Les matrices doivent avoir les memes dimensions.
A
mn
B
mn
= C
mn
1 MATRICES 7
Exemple :
_
_
2 3
4 2
6 4
_
_

_
_
1 4
2 5
4 6
_
_
=
_
_
1 1
2 3
2 2
_
_
Remarque : cas de la matrice nulle ...
A
mn
O
mn
= A
mn
O
mn
A
mn
= A
mn
1.4.4 Multiplication par un scalaire
Le produit dun scalaire par une matrice correspond `a une nouvelle matrice dont chaque element
est multiplie par le scalaire. On le note k A
mn
.
k A
mn
=
_
_
_
k a
11
k a
12
. . . k a
1c
.
.
.
.
.
.
.
.
.
.
.
.
k a
r1
k a
r2
. . . k a
rc
_
_
_
Exemple :
2 A
mn
= 2
_
_
2 3
4 2
6 4
_
_
=
_
_
4 6
8 4
12 8
_
_
Notez que si k = 0 0, alors k A
mn
= 0
mn
(la matrice nulle).
On voit ainsi que la soustraction est un cas particuliers de laddition (soustraction = addition
et multiplication par 1) : AB = A + (1) B.
1.4.5 Produit de deux matrices
Le produit de deux matrices (A et B, par exemple) correspond `a une nouvelle matrice dont
chaque element de rangee i de A est multiplie par chaque element de colonne j de B. Cela donne :
c
ij
= a
i1
b
1j
+ a
i2
b
2j
+ . . . + a
ic
b
cj
=
n

k=1
a
ik
b
kj
Cette egalite nest valable que si et seulement si n = n

(c`ad. le nombre de colonnes de A

est egal au nombre de rangees de B).
A
mn
B
n

p
= C
mp
Exemple :
A
23
B
32
= C
22
_
2 2 3
4 3 2
_

_
_
1 4
2 5
3 6
_
_
=
_
15 36
16 43
_
1 MATRICES 8
1.4.6 Proprietes de la multiplication
Contrairement `a laddition, la multiplication nest pas commutative. Premier exemple :
A =
_
2 2 3
4 3 2
_
; B =
_
_
1 4
2 5
3 6
_
_
AB =
_
15 36
16 43
_
Et B A nexiste pas (impossible). Second exemple :
A =
_
_
2 3 4
5 6 2
4 2 3
_
_
; B =
_
_
1 4 7
2 5 2
3 6 3
_
_
AB =
_
_
20 47 32
23 62 53
17 44 41
_
_
B A =
_
_
50 41 33
37 40 24
48 51 33
_
_
On voit que dans le cas de matrices carrees et de memes dimensions mn, on pourra eectuer
AB et B A. Cependant, AB = B A.
Dautre part, AB = 0 nentrane pas necessairement que A = 0 ou B = 0. Exemple :
_
2 2 1
4 4 2
_

_
_
1 2
2 1
2 6
_
_
=
_
0 0
0 0
_
De meme, AB = AC nentrane pas necessairement que B = C. Exemple :
A =
_
_
1 3 2
2 1 3
4 3 1
_
_
; B =
_
_
1 4 1 0
2 1 1 1
1 2 1 2
_
_
; C =
_
_
2 1 1 2
3 2 1 1
2 5 1 0
_
_
AB =
_
_
3 3 0 1
1 15 0 5
3 15 0 5
_
_
AC =
_
_
3 3 0 1
1 15 0 5
3 15 0 5
_
_
La multiplication par la matrice nulle est commutative (AO = O A = O). Exemple :
_
_
1 3 2
2 1 3
4 3 1
_
_

_
_
0 0 0
0 0 0
0 0 0
_
_
=
_
_
0 0 0
0 0 0
0 0 0
_
_

_
_
1 3 2
2 1 3
4 3 1
_
_
=
_
_
0 0 0
0 0 0
0 0 0
_
_
La multiplication par la matrice unite necessite de considerer deux cas :
1 MATRICES 9
1. Si la matrice est carree : A
mm
I
m
= I
m
A
mm
= A
mm
.
2. Si la matrice est rectangulaire (non carree) : A
mn
I
m
= B
mn
= I
m
A
mn
. Exemple :
_
_
2 1
0 1
1 4
_
_
32

_
1 0
0 1
_
22
=
_
_
2 1
0 1
1 4
_
_
32
1.4.7 Division de deux matrices
Pour rappel, la division est en fait un produit : 8/4 =
8
4
= 8
1
4
= 8 4
1
(sauf si le denominateur
= 0). Ainsi, si on generalise schematiquement, on devrait avoir :
A
B
= A
1
B
= AB
1
Il nous faut donc inverser une matrice. Pour cela, nous devons connatre son determinant. Ces
deux notions seront peut-etre expliquees au cours, plus tard (voir section 1.6.2 et 1.7).
Notez que, si on ne sait pas inverser une matrice, on dira quelle est singuli`ere.
1.4.8 Exercice impliquant des operations sur les matrices
Andre, Bernard et Charlotte ont achete dierents vins lors de leur voyage en Hongrie. Sils les
declarent `a la douane, en passant la fronti`ere, ils devront payer, pour chaque bouteille, des droits
daccises (sorte de taxes). Le prix de revient de ces vins est indique dans le tableau suivant.
Nom du vin Prix du vin Droit de douane
Tokay Aszu 10.075 0.4875
Sang de taureau 3.4 0.4375
Balaton mousseux 5.5 1.475
Cidre du Danube 3.35 0.3
Leurs achats sont les suivants :
Andre : 6 bouteilles de Tokay Aszu, 24 bouteilles de Sang de taureau, 24 bouteilles de Balaton
mousseux et 6 bouteilles de Cidre du Danube ;
Bernard : 10 bouteilles de Tokay Aszu, 12 bouteilles de Sang de taureau et 24 bouteilles de
Balaton mousseux ;
Charlotte : 12 bouteilles de Tokay Aszu, 6 bouteilles de Sang de taureau, 8 bouteilles de
Balaton mousseux et 15 bouteilles de Cidre du Danube ;
Inscrivez la matrice des commandes :
_
_
6 24 24 6
10 12 24 0
12 6 24 14
_
_
34
Dans la matrice des commandes, chaque ligne represente les choix de chacune des personnes
(Andre, Bernard ou Charlotte) et chaque colonne represente la commande pour chacun des vins.
Inscrivez la matrice des prix :
_
_
_
_
10.075 0.4875
3.4 0.4375
5.5 1.475
3.35 0.3
_
_
_
_
42
1 MATRICES 10
Dans la matrice des prix, chaque ligne represente les co uts associes `a un vin et chaque colonne
represente soit le prix `a la bouteille et les droits de douane.
Calculons les prix totaux, pour chacune des personnes et chacun des vins, en separant le prix
reel du vin et les taxes. Pour cela, on prote du fait que les deux matrices precedentes sont bien
disposees pour realiser une multiplication :
PrixDetail = Commandes Prix
PrixDetail =
_
_
294.15 50.625
273.55 45.525
320.2 48.075
_
_
32
Et, pour obtenir le prix total que chacune des personnes doit payer `a la douane, il sut dad-
ditionner, pour chaque ligne (chaque personne), la colonne 1 et la colonne 2 :
PrixTotal = PrixDetail
<1>
+ PrixDetail
<2>
PrixDetail =
_
_
344.775
319.075
368.275
_
_
31
1.5 Forme echelonnee normale dune matrice
Dans la suite du cours, nous aurons besoin de la notion de rang dune matrice. Le rang dune
matrice est le nombre de lignes ou de colonnes lineairement independantes apr`es avoir enleve les
colonnes ou lignes nulles (ne contenant que des 0). Le rang des lignes est egal au rang des colonnes.
Le rang de la matrice est note (A).
On peut determiner le rang dune matrice en procedant `a une elimination via la methode de
Gauss-Jordan et en examinant la forme echelonnee reduite obtenue de cette mani`ere.
1.5.1 Methode de Gauss-Jordan
La methode de Gauss-Jordan sert donc `a determiner le rang dune matrice. Elle sert aussi `a
resoudre un syst`eme dequations lineaires de type A x = b (avec A, x et b = matrices ; voir plus
loin). Mais on va dabord soccuper de trouver la forme echelonnee normale dune matrice et son
rang.
Soit la matrice A suivante :
A =
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_
_
_
_
_
On va maintenant appliquer `a la premi`ere ligne une serie doperations elementaires, en prenant
lelement a
11
comme pivot (ne pas demander pourquoi c`a sappelle comme c`a : cest ainsi). Les
operations sont :
1. diviser la premi`ere ligne par a
11
(pivot) ; ainsi, le nouveau a
11
devient 1 ;
2. soustraire de chaque element de la seconde ligne (a
2i
), lelement correspondant de la premi`ere
ligne multiplie par a
21
. De cette mani`ere, le nouveau a
21
devient 0 ;
1 MATRICES 11
3. soustraire de chaque element de la troisi`eme ligne (a
3i
), lelement correspondant de la premi`ere
ligne multiplie par a
31
. De cette mani`ere, le nouveau a
31
devient 0 ;
4. . . .
5. soustraire de chaque element de la n
eme
ligne (a
ni
), lelement correspondant de la premi`ere
ligne multiplie par a
n1
. De cette mani`ere, le nouveau a
n1
devient 0 ;
Apr`es ces operations, la matrice A ressemble `a ceci :
A =
_
_
_
_
_
1
a
12
a
11
. . .
a
1n
a
11
0 a
22
a
12
a
21
. . . a
2n
a
1n
a
21
.
.
.
.
.
.
.
.
.
.
.
.
0 a
n2
a
12
a
n1
. . . a
nn
a
1n
a
n1
_
_
_
_
_
Ensuite, on applique les memes operations `a la ligne 2. Pour plus de clarte, detaillons ces
operations :
1. diviser la seconde ligne par a
22
(pivot) ; ainsi, le nouveau a
22
devient 1 ;
2. soustraire de chaque element de la premi`ere ligne (a
1i
), lelement correspondant de la seconde
ligne multiplie par a
12
. De cette mani`ere, le nouveau a
12
devient 0 ;
3. soustraire de chaque element de la troisi`eme ligne (a
3i
), lelement correspondant de la seconde
ligne multiplie par a
32
. De cette mani`ere, le nouveau a
32
devient 0 ;
4. . . .
5. soustraire de chaque element de la n
eme
ligne (a
ni
), lelement correspondant de la seconde
ligne multiplie par a
n2
. De cette mani`ere, le nouveau a
n2
devient 0 ;
Apr`es ces operations, la matrice A ressemble `a ceci :
A =
_
_
_
_
_
1 0 . . .
a
1n
a
11
a
2n
a
12
0 1 . . .
a
2n
a
1n
a
21
a
22
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . a
nn
a
1n
a
n1
a
2n
a
n2
_
_
_
_
_
Et ainsi de suite, jusqu`a arriver `a la derni`ere ligne. Apr`es cette derni`ere operation, la matrice
A devrait ressemble `a quelque chose comme ceci : la forme echelonnee normale de la matrice.
A =
_
_
_
_
_
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
_
_
_
_
_
1.5.2 Exemple appliquant la methode de Gauss-Jordan
Soit la matrice A suivante :
A =
_
_
1 1 1 3
2 3 7 0
1 3 2 17
_
_
Appliquons les operations elementaires sur la ligne 1. Apr`es cela, la matrice A devient :
1 MATRICES 12
A =
_
_
1 1 1 3
0 1 5 6
0 2 3 14
_
_
Appliquons les operations elementaires sur la ligne 2. Apr`es cela, la matrice A devient :
A =
_
_
1 0 4 9
0 1 5 6
0 0 13 26
_
_
Finalement, appliquons les operations elementaires sur la derni`ere ligne. Apr`es cela, la matrice
A devient :
A =
_
_
1 0 0 1
0 1 5 6
0 0 1 2
_
_
1.5.3 Le rang dune matrice
Donc, le rang dune matrice est le nombre de lignes ou de colonnes lineairement inde-
pendantes apr`es avoir enleve les colonnes ou lignes nulles (ne contenant que des 0). Le
rang des lignes est egal au rang des colonnes. Le rang de la matrice A est note (A).
On peut determiner le rang dune matrice en procedant `a une elimination via la methode de
Gauss-Jordan et en examinant la forme echelonnee reduite obtenue de cette mani`ere.
Ainsi, dans lexemple de la section precedente, le rang de la matrice A est 3. En eet, 3 est le
nombre de lignes ou de colonnes lineairement independantes (et il ny a pas de colonnes ou lignes
nulles `a enlever) dans la forme echelonnee reduite. Cette nouvelle matrice a le meme rang que la
matrice originale
Maintenant, on peut egalement determiner le rang dune matrice de mani`ere intruitive
(meme si cest beaucoup plus dicile `a mettre en algorithme). On jouera alors sur le caract`ere
lineairement independant des lignes et colonnes. Par exemple, examinons cette matrice :
A =
_
_
_
_
2 4 1 3
1 2 1 0
0 0 2 2
3 6 2 5
_
_
_
_
On voit que la 2
eme
colonne est le double de la premi`ere colonne. On note egalement que la
4
eme
colonne est egale `a la somme de la premi`ere avec la troisi`eme. Les colonnes 1 et 3 sont ainsi
lineairement independantes. Le rang de cette matrice est donc egal `a 2 (veriez-le en calculant la
forme echelonnee reduite de A).
1.6 Determinants dune matrice
1.6.1 Notion preliminaire : le mineur
Un mineur A
ij
de lelement a
ij
de la matrice A est la sous-matrice obtenue en supprimant
la ligne et la colonne de A qui se croisent en a
ij
, multiplie par (1)
i+j
.
Et, pour comprendre, voici un exemple. Reprenons la matrice precedente et essayons de trouver
le mineur A
11
de lelement a
11
.
1 MATRICES 13
A =
_
_
_
_
2 4 1 3
1 2 1 0
0 0 2 2
3 6 2 5
_
_
_
_
A
11
=
_
_
2 1 0
0 2 2
6 2 5
_
_
(1)
1+1
=
_
_
2 1 0
0 2 2
6 2 5
_
_
(1)
1.6.2 Denition du determinant dune matrice
Le determinant de la matrice A est egal `a la somme des produits des elements dune
rangee par leur mineur. Cette denition est recursive : le determinant dune matrice de taille
n utilise les determinants de matrices de taille n 1, etc., jusqu`a 1.
Numeriquement, le determinant est donc un scalaire et se calcule de la facon suivante :
det
_
a b
c d
_
= ad bc
1.6.3 Proprietes et usages dun determinant
1. Le determinant dune matrice change de signe si lon permute deux de ses rangees parall`eles
2. Le determinant dun produit des matrices est egale au produit de leurs determinants
3. Un determinant est nul si la matrice poss`ede deux rangees parall`eles identiques
4. Un determinant ne change pas de valeur lorsquon ajoute `a lune des rangees une combinaison
lineaire des autres rangees parall`eles
5. La somme des produits des elements dune rangee par les mineurs correspondants dune autre
rangee parall`ele est nulle
1.6.4 Methodes de calcul dun determinant
Finalement, tout est encore mieux avec quelques exemples ...
D =
_
2 3
3 2
_
; det(D) = 2 (2) 3 3 = 4 9 = 13
E =
_
_
2 3 2
3 2 1
3 2 3
_
_
; det(E) = 2 E
11
+ 3 E
12
+ (2) E
13
= 2
_
2 1
2 3
_
(1)
1+1
+ 3
_
3 1
3 3
_
(1)
1+2
+ (2)
_
3 2
3 2
_
(1)
1+3
= 2 (2 3 1 2) (1)
2
+ 3 (3 3 1 3) (1)
3
+ (2) (3 2 2 3) (1)
4
= 2 (6 2) 1 + 3 (9 3) (1) + (2) (6 + 6) 1
= 2 (8) + 3 6 (1) + (2) 12 = 16 18 24 = 58
1 MATRICES 14
1.7 Linverse dune matrice
Une matrice carree A
nn
admet une matrice inverse A
1
si leur produit est egal `a la matrice
identite.
A A
1
= I
Les conditions suivantes sont equivalentes :
A est invertible
Les lignes de A sont lineairement independantes
Les colonnes de A sont lineairement independantes
Le determinant de A = 0 (cest le crit`ere dinvertibilite)
Le rang de A = n.
Si on ne sait pas inverser une matrice, on dira quelle est singuli`ere.
Soit A une matrice carree n n de determinant non nul :
A =
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
n1
. . . a
nn
_
_
_
Alors,
A
1
=
1
det(A)

_
_
_
A
11
. . . A
1n
.
.
.
.
.
.
.
.
.
A
n1
. . . A
nn
_
_
_
T
o` u les coecients A
ij
sont les mineurs des positions correspondantes.
1.7.1 Exemples
Calcul de linverse de la matrice F
22
=
_
2 3
4 5
_
. Dabord, on calcule le determinant de la
matrice F (pour voir sil nest pas nul) ; ensuite (puisquil nest pas nul), on calcule linverse ...
det(F) =

2 3
4 5

= 10 12 = 2
F
1
=
1
2

_
5 4
3 2
_
T
=
1
2

_
5 3
4 2
_
=
_
5 3
4 2
_
Calcul de linverse de la matrice G
33
=
_
_
1 2 5
1 2 3
2 8 10
_
_
. Dabord, on calcule le determinant
de la matrice G (pour voir sil nest pas nul) ; ensuite (puisquil nest pas nul), on calcule linverse
...
det(G) = 32
G
1
=
1
32

_
_
_
_
_
_
_
_

2 3
8 10

1 3
2 10

1 2
2 8

2 5
8 10

1 5
2 10

1 2
2 8

2 5
2 3

1 5
1 3

1 2
1 2

_
_
_
_
_
_
_
_
T
2 R

ESOLUTION DE SYST
`
EMES D

EQUATIONS LIN

EAIRES 15
G
1
=
1
32

_
_
4 16 12
20 0 4
4 8 4
_
_
T
=
1
32

_
_
4 20 4
16 0 8
12 4 4
_
_
G
1
=
_
_

1
8
5
8

1
8

1
2
0
1
4
3
8
1
8

1
8
_
_
2 Resolution de syst`emes dequations lineaires
Un syst`eme lineaire est tout syst`eme mn de m equations lineaires `a n inconnues (x
1
, x
2
, . . .,
x
n
). Il se presente sous la forme :
_

_
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= b
2
. . .
a
m1
x
1
+ a
m2
x
2
+ . . . + a
mn
x
n
= b
m
o` u :
x
1
, x
2
, . . . , x
n
representent les inconnues ;
a
11
, a
12
, . . . , a
1n
representent les coecients (a
ij
reels) ;
b
1
, b
2
, . . . , b
m
representent les seconds membres ou termes independants (b
i
reels egalement) ;
1 i m;
1 j n .
Un tel syst`eme peut secrire sous forme matricielle :
A
(m,n)
x
(n)
= b
n
o` u :
A = (a
i,j
) est la matrice du syst`eme,
x est la matrice colonne des x
i
,
b la matrice colonne des b
i
.
Un syst`eme dequations lineaires peut avoir :
autant dequations quil y a dinconnues, on le dit ici carre (ou le dira rectangulaire dans
le cas contraire,
ou plus dequations que dinconnues, il est alors surdetermine et il na, en general, pas de
solution exacte (mais on peut lui trouver une solution approchee par la methode des moindres
carres),
ou plus dinconnues que dequations, il est alors sous-determine et il a, en general, une
innite de solutions qui se presentent sous la forme de relations entre les inconnues. Dans ce
cas, on ne peut precise les valeurs des inconnues quen choisissant arbitrairement les valeurs
de certaines dentre elles.
2.1 Existence et unicite de la solution dun syst`eme carre
Si le determinant du syst`eme est dierent de zero, il y a une solution unique ;
Si le determinant du syst`eme est egal `a zero,
2 R

ESOLUTION DE SYST
`
EMES D

EQUATIONS LIN

EAIRES 16
Fig. 1 Schema de decision du theor`eme de Rouche
ou bien le second membre est dans le sous-espace sous-tendu par les colonnes de la matrice
du syst`eme et il y a une innite de solutions ;
ou bien le second membre nest pas dans le sous-espace sous-tendu par les colonnes de la
matrice du syst`eme et il ny a pas de solution exacte du syst`eme. On pourra lui chercher
des solutions approchees en se ramenant (avec la methode des moindres carres) au cas
precedent ; il y en aura, en general, une innite.
2.2 Theor`eme de Rouche
Le syst`eme lineaire est compatible sil poss`ede au-moins une solution de x et incompatible
sil ny a pas de solutions.
On dit que le syst`eme est compatible si, et seulement si, (A) = (A, b) = r. De plus,
si r = n et n m, le nombre dequations doit etre au-moins egale au nombre dinconnues.
La solution est unique.
si r < n, la solution depend de n r solutions arbitraires.
Schematiquement, cela donne la gure 1 ...
2.3 Methodes simples
2.3.1 Methode de resolution rapide pour syst`eme 2x2
Le syst`eme
_
a
11
x + a
12
y = d
1
a
21
x + a
22
y = d
2
est mis sous forme matricielle :
_
a
11
a
12
a
21
a
22
_

_
x
y
_
=
_
d
1
d
2
_
La forme resolue de ces matrices est :
3 TH

EORIE DES ENSEMBLES 17

_
x
y
_
=
1
a
11
a
22
a
12
a
21

_
a
11
a
12
a
21
a
22
_

_
d
1
d
2
_
Cette solution nest possible que si le determinant de syst`eme a
11
a
22
a
12
a
21
= 0.
2.3.2 Methode de Cramer
Prenons le syst`eme
_
_
_
a
11
x + a
12
y + a
13
z = d
1
a
21
x + a
22
y + a
23
z = d
2
a
31
x + a
32
y + a
33
z = d
3
On calcule les determinants en commencant par celui du syst`eme, cest-`a-dire :
D = det

a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33

On calcule ensuite les determinants o` u on remplace tour `a tour une colonne par le second
membre, cest-`a-dire :
D
x
= det

d
1
a
12
a
13
d
2
a
22
a
23
d
3
a
32
a
33

, D
y
= det

a
11
d
1
a
13
a
21
d
2
a
23
a
31
d
3
a
33

, D
z
= det

a
11
a
12
d
1
a
21
a
22
d
2
a
31
a
32
d
3

Si le determinant D est non nul, il y a une solution unique donnee par :

x =
D
x
D
, y =
D
y
D
, z =
D
z
D
2.4 Methodes iteratives
Le principe general des methodes iteratives est le suivant : `a partir du syst`eme dequations
precedent (section 2),
1. on denit une solution approchee x

1
, x

2
, . . . , x

n
2. on remplace dans le syst`eme et on obtient une solution x
1
1
, x
1
2
, . . . , x

1
3. on remplace la solution du point precedent dans le syst`eme et on obtient une solution
x
2
1
, x
2
2
, . . . , x
2
n
4. et ainsi de suite, jusqu`a ce que x
j
i
tende vers la solution du syst`eme donne.
Nous verrons ici deux methodes iteratives : les methodes de Jacobi et Gauss-Siedel.
*** Fin provisoire ***
2.4.1 Methode de Jacobi
2.4.2 Methode de Gauss-Seidel
3 Theorie des ensembles
Excuse pour ne pas encore avoir fait ce chapitre : L
A
T
E
X ne fait pas facilement les diagrammes
dEuler-Venn. Conclusion : ce chapitre existera quand jaurai le temps de my mettre.
4 MOD

ELISATION ET ANALYSE EN PROGRAMMATION LIN

EAIRE 18
Fig. 2 Schema des etapes du processus de modelisation
4 Modelisation et analyse en programmation lineaire
4.1 La programmation lineaire
La programmation lineaire est loutil mathematique qui permet danalyser divers types de
situations dans lesquelles nous retrouvons une fonction lineaire dun certain nombre de variables
que lon desire maximiser ou minimiser.
Ces variables, appelees variables de decision, sont soumises `a des restrictions par les res-
sources limitees de la situation que nous voulons analyser. Ces restrictions imposees prennent la
forme dequations ou dinequations lineaires.
Les elements dun mod`ele de programmation lineaire sont donc :
Les variables de decision. Il faut se poser la question suivante : est-ce que lidentication
des variables de decision va nous permettre, suite `a la resolution du probl`eme, une prise de
decision adequate, compatible `a laspect pratique de la situation ?
Les contraintes lineaires. Il faut etre en mesure didentier tout genre de restrictions qui
peuvent limiter les valeurs que peuvent prendre les variables de decision. Existe-t-il egalement
des restrictions ou exigences minimales sur les variables de decision ?
La fonction economique ou fonction objectif. A chaque variable de decision qui a ete
identiee dans le mod`ele correspond un coecient economique indiquant la contribution
unitaire de la variable correspondant `a lobjectif poursuivi.
Dans le domaine de la gestion, la programmation lineaire est un outil informatique qui per-
met dobtenir une repartition optimale des ressources de lentreprise pour atteindre lobjectif de
maximisation des beneces ou de la minimisation des co uts.
Les etapes `a suivre dans le processus de modelisation sont schematisees aux gures 2 et 3.
4 MOD

ELISATION ET ANALYSE EN PROGRAMMATION LIN

EAIRE 19
Fig. 3 Schema de methodologie de modelisation