Vous êtes sur la page 1sur 58

Cours Algbre Linaire :

Espaces Vectoriels rels


Matrices
Applications Linaires
Systmes Linaires
Universit Cheikh Anta Diop de Dakar (UCAD)
Facult des Sciences Economiques et de Gestion (FASEG)
Dpartement de Mathmatiques de la Dcision (DMD)
Licence 1
Babacar M. NDIAYE. Anne 2012-2013.
LMDAN, babacarm.ndiaye@ucad.edu.sn
http ://lmdan.ucad.sn
Notes
Ces notes de cours correspondent un enseignement de premire anne de la FASEG.
Ceci constitue une troisime version et les chapitres manquants seront complts au
fur et mesure quon avancera au cours de lanne.
Ce cours est le rsultat dune rexion technique pdagogique dont jespre quil apportera
aux tudiants une stimulation intellectuelle et un encouragement persvrer, chaque fois
que la comprhension dun phnomne conomique leur posera des dicults.
1
Bien quayant relu attentivement toutes les notes, il reste plusieurs imperfections. Je
demande aux tudiants de men excuser, et de me les signaler an den amliorer la
qualit. Leurs camarades de lanne prochaine leur en seront reconnaissants.
Table des matires
1 ESPACES VECTORIELS SUR R 3
1.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Dnition dun espace vectoriel . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Quelques exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Sous-Espaces Vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Somme et Somme directe . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.3 Sous-espace vectoriel engendr . . . . . . . . . . . . . . . . . . . . . 11
1.3 Base et Dimension dun espace vectoriel . . . . . . . . . . . . . . . 12
1.3.1 Combinaisons linaires et familles lies . . . . . . . . . . . . . . . . 12
1.3.2 Combinaisons linaires et familles libres, systmes gnrateurs . . . 15
1.3.3 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.4 Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.3.5 Rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 MATRICES 20
2.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1 Dnitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.2 Matrices nulles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.3 Matrices colonnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.4 Matrices lignes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.5 Matrice carre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.6 Matrices triangulaires . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.7 Matrice diagonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.8 Matrice Identit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.9 Matrice transpose . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2
2.1.10 Matrice symtrique . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.11 Trace dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.12 Concatnation de deux matrices . . . . . . . . . . . . . . . . . . . . 28
2.2 Oprations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.1 Somme de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.2 Multiplication externe . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.3 Produit de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.4 Quelques exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3 Dterminant et inverse dune matrice . . . . . . . . . . . . . . . . 37
2.3.1 Les dterminants dordre 2 . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.2 Les dterminants dordre 3 . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.3 Les dterminants dordre n . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.4 Linverse dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.3.5 Rang dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.3.6 Quelques exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
A Devoir anne 2011-2012 52
B Examen anne 2011-2012 53
C Devoir anne 2010-2011 54
D Examen anne 2010-2011 55
1 ESPACES VECTORIELS SUR R
Lutilisation despaces vectoriels reste un cadre thorique pour de nombreux modles
conomiques et de gestion.
Dans les applications conomiques, les espaces ont souvent une dimension suprieure 2.
La rpartition des parts de march entre direntes marques pour un produit donn, les
rsultats possibles dun tirage au hasard dans une population, les valeurs possibles dun
prix du baril dans un an peuvent tre reprsents par des vecteurs caractriss par un
3
nombre de coordonnes suprieur deux. Il en est de mme pour lensemble des notes
obtenues par un tudiant la n dun semestre ou par les notes de mille tudiants de
premire anne dans une matire donne.
Dans la section 1.1 nous prsentons la dnition formelle dun espace vectoriel ainsi que
les proprits lmentaires de ces structures. Dans la section 1.2 nous verrons ce qui se
passe si on considre un sous-ensemble dun espace vectoriel. Et enn dans la section 1.3
nous traiterons de base et dimension dun espace vectoriel, cest dire les conditions dans
lesquelles un sous vecteur permet dobtenir tous les vecteurs de lespace par combinaison.
Nous restreignons le cours aux espaces dont les vecteurs ont un nombre ni de coordonnes.
1.1 Gnralits
Dans tout ce qui suit : K = R, muni des lois + et . naturelles.
1.1.1 Dnition dun espace vectoriel
Dnition 1.1. On appelle K-espace vectoriel ou espace vectoriel sur K, tout en-
semble E, dont les lments sont appels vecteurs, muni dune loi de composition interne
(appele addition et note + ) et dune loi de composition externe (appele multipli-
cateur par un scalaire et note . ) vriant :
1. Laddition est une loi de composition interne sur E : (u, v) E
2
, u+v existe et :
u + v E.
2. Laddition est associative, cest dire :
(u, v, w) E
3
, (u + v) + w = u + (v + w) = u + v + w
3. Il existe dans E un vecteur appel lment neutre de laddition, et not 0 , tel
que pour tout vecteur u E, on a :
u +0 = 0 + u = u
4. Tout vecteur u de E possde un symtrique appel oppos de u, cest dire :
u E, v E tel que u + v = v + u = 0
Le vecteur v est alors not -u.
Ce qui fait alors de (E,+) un groupe.
4
5. Laddition est commutative, ce qui scrit :
(u, v) E
2
, u + v = v + u
Ce qui rend le groupe (E,+) commutatif ou ablien.
La loi . ayant de plus les proprits suivantes :
6. Cest une loi de composition externe sur E : u E, K, .u existe et : .u E
7. La multiplication par un scalaire est associative :
(, ) K
2
, u E, (.u) = ().u
8. La multiplication par un scalaire est distributive par rapport laddition dans K :
(, ) K
2
, u E, ( + ).u = u + u
9. La multiplication par un scalaire est distributive par rapport laddition dans E :
K, (u, v) E
2
, .(u + v) = u + v
10. Le nombre 1 est llment neutre de la multiplication par un scalaire :
u E, 1.u = u
Llment neutre de laddition, not 0 ou encore

0, est appel vecteur nul .
Remarque 1.1. Les lments de E sont appels vecteurs et ceux de R scalaires .
Remarque 1.2. Ne pas confondre ce vecteur nul avec le 0 nombre rel.
Remarque 1.3. Pour dsigner la multiplication par un scalaire, nous noterons aussi le
produit .u par u.
Remarque 1.4. Les proprits suivantes sont importantes :
(i) u E, 0.u = 0
(ii) R, .0 = 0
(iii) u E et R on a : .u = 0 ( = 0 ou u=0)
(iv) R, u E, ().u = .(u) = (.u)
5
(v) (u, v) E
2
, R, .(u v) = .u .v
(vi) (, ) R
2
, u E, ( )u = .u .u
(vii) (u, v, w) E
3
: u + w = v + w u = v
(viii) (u, v) E
2
, il existe un unique vecteur tel que w tel que v = u + w
1.1.2 Quelques exemples
Exemple 1.1.
Lensemble des nombres rels R est un espace vectoriel, muni de laddition et de la multi-
plication usuelles. On vrie sans dicult les points de la dnition 1.1. Le nombre nul
de R est le nombre 0.
Exemple 1.2.
Le plan vectoriel, not R
2
, est lensemble des couples x
T
= (x
1
, x
2
) o x
i
R pour i = 1, 2.
R
2
est un espace vectoriel si laddition est dni par :
x + y =
_
_
x
1
x
2
_
_
+
_
_
y
1
y
2
_
_
=
_
_
x
1
+ y
1
x
2
+ y
2
_
_
et la multiplication par un scalaire par :
.x = .
_
_
x
1
x
2
_
_
=
_
_
x
1
x
2
_
_
o R.
Llment neutre de laddition (vecteur nul) est la matrice-colonne dont les deux lments
sont gaux 0.
Exemple 1.3.
Cet exemple a pour seul objet dattirer lattention sur le fait que les espaces vectoriels sont
des structures trs gnrales et peuvent caractriser des ensembles dobjets mathmatiques
nayant quun rapport lointain avec lintuition gomtrique de la notion de vecteur.
Soit A(R
n
) lensemble des applications dnies sur R
n
valeurs dans R; A(R
n
) est un
espace vectoriel si on dnit laddition des applications et la multiplication par un scalaire
par :
(f + g)(u) = f(u) + g(u)
6
(.f)(u) = f(u)
pour tout couple (f, g) A(R
n
) et tout vecteur u R
n
.
Bien que ces dnitions de la somme de deux applications et de la multiplication par un
nombre rel restent intuitives, lespace A(R
n
) est beaucoup plus complexe que lespace R
n
lui mme. En particulier, un vecteur f A(R
n
) ne peut pas, en gnral, tre caractris
par un nombre ni de coordonnes.
Thorme 1.1. : Exemples : Les ensembles suivants sont des R-espaces vectoriels (sui-
vant les cas), dits espaces vectoriels de rfrence.
1. les ensembles de n-uplets de rels R
n
,
2. les ensembles de fonctions dnies sur I (ventuellement R), valeurs dans R,
3. les ensembles de polynmes coecients rels : R[X] et R
n
[X],
4. les ensembles de suites relles R
n
,
5. les ensembles de matrices carres ou rectangles coecients rels : M
n
, M
(n,p)
.
Que se passe t-il quand on considre un sous-ensemble dun espace vectoriel ?
Dans quelles conditions ce sous ensemble garde-t-il les proprits de la dnition 1.1 ?
La notion de sous-espace vectoriel permet de rpondre cette question.
1.2 Sous-Espaces Vectoriels
1.2.1 Dnition
Dnition 1.2. Soit E un espace vectoriel et F un sous-ensemble non vide de E. F est
un sous-espace vectoriel (s.e.v.) de E si pour tout R et tout v F, .v F, et si
les points 7. 10. de la dnition 1.1 sont vris quand on remplace E par F dans leur
formulation.
La Dnition 1.2 a une expression relativement complexe mais sa signication est
simple.
F est un sous-espace vectoriel de E si F est lui mme un espace vectoriel muni de laddi-
tion des vecteurs (dans F) et de la multiplication par un scalaire (le rsultat .v devant
7
rester dans F si v F).
On pourra alors vrier la stabilit par la multiplication, i.e. v F, R alors v F;
ainsi que la stabilit par laddition, i.e. (u, v) F
2
, u + v F.
On donne ci-aprs un critre plus simple pour vrier si un sous-ensemble dun espace
E est un sous-espace vectoriel. Il est parfois retenu comme dnition dun sous-espace
vectoriel ; cest pourquoi nous le prsentons comme tel.
Dnition 1.3. Soit E un espace vectoriel et F un sous-ensemble non vide de E. Fest
un sous-espace vectoriel de E si et seulement si
(, ) R
2
, (u, v) F
2
, .u + .v F
Exemple 1.4.
Soit E = R
3
et F
1
un sous-ensemble de E dni par :
F
1
=
_
x E / x
1
+ x
2
+ x
3
= 0
_
o
1
x
T
= (x
1
, x
2
, x
3
).
Si deux vecteurs de F
1
, nots x et y, ont la somme de leurs composantes nulle, il en est
de mme pour z = x + y pour tout couple (, ).
En eet, on peut crire :
z = x + y =
_
_
_
_
_
x
1
+ y
1
x
2
+ y
2
x
3
+ y
3
_
_
_
_
_
On a donc :
z
1
+ z
2
+ z
3
= x
1
+ y
1
+ x
2
+ y
2
+ x
3
+ y
3
= (x
1
+ x
2
+ x
3
) + (y
1
+ y
2
+ y
3
)
= 0 + 0 = 0
Par consquent, F
1
est un sous-espace vectoriel de E.
Exemple 1.5.
1. x
T
dsigne la transpose de x. Un vecteur x de R
3
tant une matrice-colonne, donc x
T
est une
matrice ligne.
8
Le sous-ensemble {0
E
} = {0} rduit au vecteur nul est un sous-espace vectoriel de E.
Cest le plus petit sous-espace vectoriel de E et cest le seul qui contient un seul vecteur.
Consquence : Une intersection de deux sous-espaces vectoriels de E va toujours
contenir au moins le vecteur nul. En fait, on a le thorme plus gnral suivant.
Proposition 1.1. Lintersection de deux sous-espaces vectoriels de E est un sous-espace
vectoriel de E.
Dmonstration. Soient Fet G deux sous-espaces vectoriels de E.
_
_
_
F s.e.v. de E = 0 F
G s.e.v. de E = 0 G
_
_
_
=
_
0 F G
_
Soient u, v F G et , R.
On a :
_
_
_
F s.e.v. de E
u, v F
_
_
_
=
_
u + v F
_
car F est stable par combinaison linaire
_
_
_
G s.e.v. de E
u, v G
_
_
_
=
_
u + v G
_
car G est stable par combinaison linaire
Do u + v F G.
Pour illustrer cette proposition, considrons le sous-espace F
2
dni par :
F
2
=
_
x E / x
1
2x
2
+ 3x
3
= 0
_
(1)
et montrons que F
1
F
2
est un sous-espace vectoriel de R
3
.
On utilise pour cela la dnition 1.3. Si x et y appartiennent F
1
F
2
et si , sont
deux rels, on a :
z = x + y =
_
_
_
_
_
x
1
+ y
1
x
2
+ y
2
x
3
+ y
3
_
_
_
_
_
On a vu prcdemment que la somme des composantes de z est nulle.
Considrons maintenant la relation caractristique de F
2
, savoir :
z
1
2z
2
+ 3z
3
= 0
9
et cherchons vrier si elle est satisfaite.
On peut crire, aprs une mise en facteurs lmentaire :
z
1
2z
2
+ 3z
3
= (x
1
2x
2
+ 3x
3
) + (y
1
2y
2
+ 3y
3
)
Comme x et y sont dans F
2
, on en dduit :
z
1
2z
2
+ 3z
3
= 0 + 0 = 0
On a bien z F
1
F
2
.
Montrons que, en revanche, F
1
F
2
nest pas un sous-espace vectoriel en choisissant
x F
1
et y F
2
tels que z = x + y / F
1
F
2
.
Il sut de considrer x
T
= (2, 1, 3) F
1
et y
T
= (1, 1, 1) F
2
. On a alors :
z = x + y =
_
_
_
_
_
1
2
2
_
_
_
_
_
On vrie immdiatement que z nappartient ni F
1
ni F
2
.
Remarque 1.5. Ce second exemple montre quen gnral la runion de deux s.e.v. nest
pas un s.e.v.
1.2.2 Somme et Somme directe
Si on souhaite garder une structure despace vectoriel en ajoutant des vecteurs de deux
sous-espaces dirents, il faut dnir de manire moins restrictive la somme de sous-
espaces. Pour cela, considrons lensemble dni par :
F
12
=
_
z R
3
/ z = x + y avec x F
1
et y F
2
_
F
12
est un s.e.v. de E = R
3
. Cette remarque se gnralise la proposition suivante.
Proposition 1.2. Soient F
1
, ..., F
k
des s.e.v. dun e.v. E , et soit F un ensemble dni
par :
F =
_
x E / (
1
, ...,
k
) R
k
et u
1
F
1
, ..., u
k
F
k
tels que x =
k

i=1

i
u
i
_
F est un s.e.v. de E. On dit alors que F est la somme de F
1
, F
2
,..., F
k
, et on note
F = F
1
+ ... +F
k
.
10
Dans cette proposition, il nest pas mentionn que les coecients
1
, ...,
k
et les vecteurs
u
1
F
1
, ..., u
k
F
k
sont dnis de manire unique pour x x, et cest dailleurs faux en
gnral. On peut construire un contre-exemple simple en supposant F
1
= F
2
.
Lorsque la dcomposition est unique, on utilise une notion lgrement dirente, indi-
que ci-aprs.
Dnition 1.4.
a) On appelle somme directe de F = F
1
+... +F
k
le s.e.v. de E, lorsquil existe, tel
que tout x de F se dcompose de manire unique en x =
k

i=1

i
u
i
o (
1
, ...,
k
) R
k
et u
1
F
1
,...,u
k
F
k
. On note alors :
F =
k

i=1
F
i
b) Si E est la somme directe de deux s.e.v. F
1
et F
2
, on dit quils sont supplmen-
taires.
La somme directe de s.e.v. nexiste pas toujours car la composition voque dans la d-
nition nest pas forcment unique.
Lintuition est que, dans ce dernier cas, les F
i
ont des vecteurs en commun autres que les
vecteurs 0. Cette intuition est formalise par la proposition suivante.
Proposition 1.3. Une condition ncessaire pour que la somme directe de F
i
soit dnie
est que pour tout couple (i, j), F
i
F
j
= {0}.
Rappelons que comme tout espace vectoriel contient 0, et lintersection de deux s.e.v.
contient au moins ce vecteur.
1.2.3 Sous-espace vectoriel engendr
Dnition 1.5. Soit F E. Le sous-espace vectoriel engendr par F, not V ect(F), est
le plus petit des sous-espaces vectoriels de E contenant F.
Justication :
Lensemble E des sous-espaces vectoriels de E contenant F nest pas vide, puisquil contient
E.
11
Lintersection

XE
X est un sous-espace vectoriel de E contenant A, et est contenu dans
chaque X de E, cest donc bien le plus petit des lments de E.
Proposition 1.4.
1. V ect() = {0}
2. Si u E\{0}, V ect({u}) = {u, R}, not aussi V ect(u).
3. F est un sous-espace vectoriel de E si et seulement si V ect(F) = F.
4. Si F est un sous-espace vectoriel de E, et si G F, alors V ect(G) F.
5. Soient Fet G deux s.e.v. Si G F, alors V ect(G) V ect(F).
En eet : si G F = V ect(F), donc G V ect(F). Do V ect(G) V ect(F)
(daprs le point prcdent).
1.3 Base et Dimension dun espace vectoriel
Dans lExemple 1.4, nous avons montr qu partir dun certain nombre de vecteurs de
rfrence (y
0
et les y
k
, k=1,2), il tait possible, par combinaison, de construire nimporte
quel vecteur de R
3
.
Il faut maintenant prciser ce quon entend par combinaison et spcier les condi-
tions dans lesquelles un sous vecteur permet dobtenir tous les vecteurs de lespace par
combinaison.
1.3.1 Combinaisons linaires et familles lies
Dnition 1.6. Soient u
1
, u
2
, ..., u
k
des vecteurs de E et
1
,
2
, ...,
k
des nombres rels.
On appelle combinaison linaire des u
j
avec les coecients
j
le vecteur x dni par :
x =
1
u
1
+
2
u
2
+ ... +
k
u
k
=
k

j=1

j
u
j
Cette notion de combinaison linaire est fondamentale car, comme nous lavons vu
dans lExemple 1.4 si les vecteurs u
j
dsignent des valeurs futures dactifs nanciers dans
dirents tats de la nature, le vecteurs x reprsente les valeurs du portefeuille contenant

j
, pour j = 1, ..., k.
Nous reproduisons au Tableau 1 les donnes correspondantes au model compensatoire
12
linaire dans lequel un consommateur donne des notes des ordinateurs portables sur
dirents attributs (quatre attributs dans cet exemple) et aecte ensuite une note globale
en pondrant les attributs.
Table 1 Notes sur les attributs des quatre ordinateurs
ordinateur puissance de calcul performances graphiques logiciels prix
A 10 8 6 4
B 8 6 8 3
C 6 8 10 5
D 4 3 7 8
Le vecteur des poids accords par le consommateur ces attributs est dni par :
=
_
_
_
_
_
_
_
_
40%
30%
20%
10%
_
_
_
_
_
_
_
_
Chaque attribut peut tre vu comme un vecteur de R
4
dont les composantes sont les notes
des quatre ordinateurs.
On notera u
1
, u
2
, u
3
, u
4
ces attributs pour calcul, graphique, logiciel, prix. Dans ce cadre,
le vecteur des notes nales scrit comme la combinaison linaire.

1
u
1
+
2
u
2
+
3
u
3
+
4
u
4
On remarque que le vecteur nal peut tre obtenu en faisant le produit de la matrice (4,4)
des notes par la matrice des poids de dimensions (4,1), sous la forme :
_
_
_
_
_
_
_
_
10 8 6 4
8 6 8 3
6 8 10 5
4 3 7 8
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
0.4
0.3
0.2
0.1
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
8
6.9
7.3
4.7
_
_
_
_
_
_
_
_
Il reste au consommateur choisir lordinateur correspondant la composante la plus
leve du vecteur des rsultats, cest dire lordinateur A.
13
On comprend mieux pourquoi ce modle est appel compensatoire linaire. Il y a, en eet,
combinaison linaire des attributs pour obtenir un vecteur de notes permettant de faire
un choix.
Plus gnralement, la proposition suivante illustre limportance de la notion de combi-
naison linaire de vecteurs dans la construction dun espace vectoriel.
Proposition 1.5. Soient u
1
, u
2
, ..., u
k
des vecteurs de E et notons F lensemble des com-
binaisons linaires de vecteurs u
j
, j = 1, ..., k, cest dire :
F =
_
x E / R
k
, x =
k

j=1

j
u
j
_
Alors, F est un s.e.v. de E.
Cette proposition nest rien dautre quun cas particulier de la Proposition 1.2 dans la-
quelle F
j
serait lespace vectoriel engendr par u
j
.
Dnition 1.7. Soient u
1
, u
2
, ..., u
k
des vecteurs de E. Ils sont dits linairement d-
pendants sil existe des coecients = (
1
,
2
, ...,
k
) avec = 0 tels que :
k

j=1

j
u
j
= 0 (2)
On dit aussi que u
1
, u
2
, ..., u
k
est une famille lie.
Cette dnition traduit le fait quun quelconque u
j
des k vecteurs peut scrire comme
une combinaison linaire des autres vecteurs. En eet, sil existe un indice j tel que
j
= 0,
on peut crire :
u
j
=
k

i=1
i=j

j
u
i
Remarque 1.6. Si k vecteurs forment une famille lie (ils sont linairement dpendants),
on peut ajouter un nombre quelconque de vecteurs cette famille, elle restera lie.
En eet, il sura daecter des coecients nuls aux nouveaux vecteurs pour retrouver
une relation comme celle de la dnition prcdente.
14
Exemple 1.6.
Considrons les trois vecteurs de R
3
suivants :
u
1
=
_
_
_
_
_
1
3
2
_
_
_
_
_
u
2
=
_
_
_
_
_
4
1
3
_
_
_
_
_
u
3
=
_
_
_
_
_
3
4
1
_
_
_
_
_
Ces vecteurs sont lis par la relation u
3
= u
1
+ u
2
.
Le vecteur u
3
scrit ainsi comme combinaison linaire de u
1
et u
2
et on a :
u
1
+ u
2
u
3
= 0
Cette famille est donc lie.
1.3.2 Combinaisons linaires et familles libres, systmes gnrateurs
Dnition 1.8. Soient u
1
, u
2
, ..., u
k
des vecteurs de E. Ils sont dits linairement ind-
pendants sils ne constituent pas une famille lie. On dit alors quil sagit dune famille
libre.
En dautres termes, si u
1
, u
2
, ..., u
k
est une famille libre, on a limplication
k

j=1

j
u
j
= 0 = = (
1
,
2
, ...,
k
) = 0 (3)
Remarque 1.7. En particulier, deux vecteurs u
1
et u
2
sont linairement indpen-
dants sil nexiste pas de rel tel que u
2
= u
1
, cest--dire si les deux vecteurs ne
sont pas proportionnels.
Exemple 1.7.
Soient u
1
et u
2
les vecteurs de R
3
dnis par :
u
1
=
_
_
_
_
_
1
4
2
_
_
_
_
_
u
2
=
_
_
_
_
_
2
1
3
_
_
_
_
_
Ces vecteurs sont linairement indpendants. En eet, supposons quil existe deux rels
non nuls et tels que :
u
1
+ u
2
= 0
15
On peut alors crire :
+ 2 = 0
4 + = 0
2 + 3 = 0
On dduit de la seconde quation que = 4. En remplaant par sa valeur dans
la premire, on obtient + 2(4) = 0, cest dire = 0 et cela implique, par lune
quelconque des trois quations, que = 0. Ce rsultat contredit lhypothse selon laquelle
et sont non nuls.
On a, pour les familles libres, une proprit symtrique celle mentionne pour les familles
lies.
Proposition 1.6. Si k vecteurs forment une famille libre, un sous-ensemble quelconque
de ces vecteurs est encore une famille libre.
Pour illustrer cette proprit, considrons k vecteurs u
1
, u
2
, ..., u
k
formant un famille
libre B et supposons quil existe un sous-ensemble B

de p vecteurs formant une famille


lie. Pour simplier, supposons que B

= {u
1
, u
2
, ..., u
p
}. Il existe alors R
p
, = 0 tel
que
p

i=1

i
u
i
= 0. En posant
p+1
=
p+2
= ... =
k
= 0, on peut aussi crire :
k

i=1

i
u
i
= 0
et les
i
ne sont pas tous nuls. Cette galit contredit lhypothse selon laquelle B est une
famille libre.
Dnition 1.9. Une famille (u
1
, u
2
, ..., u
k
) de vecteurs de E est appele systme gn-
rateur (ou famille gnratrice) si tout x E scrit comme une combinaison linaire
de (u
1
, u
2
, ..., u
k
).
x E, R
k
tel que x =
1
u
1
+
2
u
2
+ ... +
k
u
k
=
k

j=1

j
u
j
Lorsquune famille B de vecteurs est un systme gnrateur dun espace vectoriel E (on
dit aussi que B engendre E), toute famille B

qui contient B engendre aussi E. Cependant,


si B

B et B

= B alors B

est forcment lie.


Il est alors naturel de sinterroger sur la plus petite famille engendrant E, cest--
dire celle qui contient le moins dlments.
16
1.3.3 Bases
Dnition 1.10. Une famille B de vecteurs de E est une base de E si B est une famille
libre et si elle engendre E.
Lorsque B est lie et engendre E, on peut toujours, pour un vecteur x quelconque, trouver
plusieurs combinaisons linaires des vecteurs de B qui sont gales x. En eet, supposons
que :
x =
1
u
1
+
2
u
2
+ ... +
n
u
n
=
n

i=1

i
u
i
avec B = {u
1
, u
2
, ..., u
n
}.
Si B est lie, on peut par exemple crire u
1
=
n

i=2

i
u
i
. En remplaant u
i
par sa valeur,
on obtient :
x =
n

i=2
(
i
+
1

i
)u
i
ce qui donne une seconde combinaison linaire des vecteurs de B gale x.
Dans le cas o B est libre, cette dcomposition est unique, ce qui se traduit par la
proposition suivante.
Proposition 1.7. Une famille B = {u
1
, ..., u
n
} est une base dun espace vectoriel E si
et seulement si tout vecteur x E scrit dune manire unique comme combinaison
linaire des vecteurs de B. On a alors :
x =
1
u
1
+
2
u
2
+ ... +
n
u
n
=
n

i=1

i
u
i
et les
i
, sont appels coordonnes (ou composantes) de x dans la base B.
Chaque fois quon se donne une base B et un vecteur x, ce dernier est caractris par
les coecients
T
= (
1
, ...,
n
) tels que x =
1
u
1
+
2
u
2
+ ... +
n
u
n
=
n

i=1

i
u
i
.
Les coecients (
1
,
2
, ...,
n
) dpendent de la base choisie.
Exemple 1.8. E = R
2
,
X = (x, y) = x(1, 0) + y(0, 1) = xe
1
+ ye
2
avec e
1
= (0, 1) e
2
= (0, 1).
17
Tout lment de R
2
est une combinaison linaire de e
1
et e
2
, i.e. {e
1
, e
2
} est un systme
gnrateur.
Soit
1
,
2
des rels. On a :
1
(1, 0) +
2
(0, 1) = (0, 0) cest dire (
1
,
2
) = (0, 0) donc

1
=
2
= 0.
Donc la famille {e
1
, e
2
} est libre d o {e
1
, e
2
} est une base.
Exemple 1.9. E = R
n
,
La base la plus simple de E est appele base canonique et note e
1
, ..., e
n
o ces
vecteurs sont dnis par :
e
1
= (1, 0, ..., 0); e
2
= (0, 1, ..., 0); ... ; e
n
= (0, 0, ..., 1)
Le vecteur e
i
a toutes ses composantes nulles sauf la i-ime qui est gale 1.
Par consquent, pour tout vecteur x
T
= (x
1
, ..., x
n
), on a la dcomposition suivante :
x = x
1
e
1
+ x
2
e
2
+ ... + x
n
e
n
=
n

i=1
x
i
e
i
Remarque 1.8. Soit A = {x
1
, x
2
, ..., x
n
} avec x
i
R
n
. La partie A est libre si
det(x
1
, x
2
, ..., x
n
) = 0.
Voir plus tard, le chapitre sur le dterminant dune matrice.
1.3.4 Dimension
Dnition 1.11. Un espace E est de dimension nie sil possde un systme gnrateur
comptant un nombre ni de vecteurs. Dans ce cas, on appelle dimension de E, et on note
dim(E), le nombre de vecteurs
2
dune base de E.
Pour que cette dnition caractrise sans ambigut la dimension, il faut que toutes
les bases dun espace de dimension nie comptent le mme nombre de vecteurs, ce que
prcise la proposition suivante.
Proposition 1.8. Soient B
1
et B
2
deux bases dun espace E de dimension nie. On a
alors,
Card(B
1
) = Card(B
2
)
2. Par convention, lespace rduit au vecteur nul est de dimension gale 0.
18
Exemple 1.10. dim R
n
= n
Thorme 1.2. Soit E un espace vectoriel sur R de dimension nie et F un sous-espace
vectoriel de E avec F = E, alors :
1. F est de dimension nie.
2. dim F dim E.
3. dim F= dim E alors E = F.
Remarque 1.9. Le seul espace vectoriel de dimension nulle est le singleton {

0}.
Thorme 1.3. Soient E et F des espaces vectoriels de dimensions nies alors
dim(E +F) = dim E + dim F dim(E F).
Remarque 1.10. Soit E un espace vectoriel de dimension nie. Soit A une partie de E
(notons que dim E = n).
Si card A = n et A est libre alors A est une base de E.
Remarque 1.11. La dnition 1.11 montre quon ne peut identier la dimension dun
e.v. avec le nombre de vecteurs dun systme gnrateur mais seulement avec le nombre de
vecteurs dune base (i.e. des vecteurs linairement indpendants). Par consquent, dans
toute famille de vecteurs dun espace E de dimension nie, il existe un nombre maximal
de vecteurs linairement indpendants qui est, gal la dimension de lespace.
Proposition 1.9. Soit B = (u
1
, ..., u
n
) une base de E et x un vecteur quelconque de E.
Alors, la famille B
x
= (u
1
, ..., u
n
, x) est lie.
En eet, x se dcompose de manire unique sous la forme
n

i=1
x
i
u
i
puisque B est une
base. Par consquent, on peut trouver (
1
, ...,
n
,
n+1
) non tous nuls tels que :
n

i=1

i
u
i
+
n+1
x = 0
Il sut de choisir
i
= x
i
et
n+1
= 1, et la dnition 1.7 implique que B
x
est lie.
19
1.3.5 Rang
Dnition 1.12. Soit B une famille de vecteurs de E. On appelle rang de B et on note
rg(B) le nombre maximal de vecteurs linairement indpendants de B.
Dans la proposition 1.5, nous avons montr que lensemble des combinaisons linaires
dun ensemble de vecteurs de E formait un s.e.v. de E.
De plus, on ne modie pas rg(B) en ajoutant B un vecteur combinaison linaire des
vecteurs de B.
Par consquent, on a la proposition suivante.
Thorme 1.4.
1) Soit B une famille de vecteurs de E. Lensemble des combinaisons linaires de vecteurs
de B est un s.e.v. (not F) de dimension p = rg(B).
2) Soit v un vecteur qui ne scrit pas comme combinaison linaire des vecteurs de B. On
a alors :
rg(B
_
{v}) = rg(B) + 1
Dmonstration. Le point 1) de cette proposition rsulte directement de la dnition du
rang de B.
Notons G lensemble des combinaisons linaires de vecteurs de B

{v}. Par le point 1),


on sait que dim(G) = rg(B

{v}). Or, il existe une famille u


1
, u
2
, ..., u
n
de vecteurs
linairement indpendants dans B. La famille {u
1
, u
2
, ..., u
p
, v} est libre et donc dim(G) =
p + 1.
2 MATRICES
Dans ce chapitre, on dnit formellement les matrices et les direntes formes quelles
peuvent prendre. Nous prcisons les rgles lmentaires de calcul, savoir laddition de
deux matrices et la multiplication dune matrice par un nombre rel. Nous abordons aussi
le dterminant et linverse dune matrice carre.
20
2.1 Gnralits
2.1.1 Dnitions
On appelle matrice coecients rels, tout tableau ayant m lignes et n colonnes de la
forme
M =
_

_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_

_
, a
ij
R
Une telle matrice est dite matrice de m 1 lignes et de n 1 colonnes et lensemble des
matrices de m lignes et n colonnes de scalaires de R se note M
m,n
(R).
Exemple 2.1.
A =
_
a
_
M
1,1
(R); B =
_

_
2
0
1
_

_
M
3,1
(R)
C =
_
0 1 2 6
_
M
1,4
(R); D =
_

_
8 2 1 0
5 0 1 3
7 4 1 0
_

_
M
3,4
(R)
Pour cette dernire matrice, nous pouvons la noter D = (d
ij
)
1i3, 1j4
.
Nous avons alors lidentication :
_

_
d
11
= 8, d
12
= 2, d
13
= 1, d
14
= 0
d
21
= 5, d
22
= 0, d
23
= 1, d
24
= 3
d
31
= 7, d
32
= 4, d
33
= 1, d
34
= 0
_

_
Lexemple ci-dessus donne une illustration sur limportance du calcul matriciel en
conomie et en gestion, qui fait lobjet du prsent chapitre.
Exemple 2.2. Un hypermarch commercialise quatre marque de yaourts (quon numro-
tera 1,2,3 et 4) et a ralis une enqute auprs de ses clients pour analyser la dlit la
marque. Les interviews taient interrogs juste aprs avoir pris de yaourts dans le rayon
21
et rpondaient la question suivante : Quelle marque aviez vous choisie la dernire fois
que vous avez achet des yaourts ? Lenquteur notait la marque achete le jour de
lenqute et celle annonce par le client et correspondant lachat prcdent.
Les rsultats de lenqute peuvent tre rsums dans une matrice M de dimensions (4,4)
dans laquelle le ligne i donne la rpartition des acheteurs de la marque i qui avaient choisi
les marques j {1, 2, 3, 4} lors de leur prcdent achat.
Si on note m
ij
le terme de la matrice M gurant la i-ime ligne et la j-ime colonne,
m
ij
indique donc la proportion dacheteurs qui, achetant la marque i aujourdhui avaient
achet la marque j la fois prcdente. Les rsultats sont synthtiss dans la matrice (4,4)
suivante :
M =
_

_
0.8 0.1 0.05 0.05
0.03 0.85 0.04 0.08
0.12 0.04 0.78 0.06
0.09 0.03 0.05 0.83
_

_
Par exemple m
12
= 0.1 signie que parmi les acheteurs de la marque A, 10% dentre eux
avaient achet la marque B la fois prcdente. La somme des termes de chaque ligne i est
gale 1, cest--dire 100% des acheteurs de la marque i.
Il sagit dun exemple simpli car on ajoute en gnral une possibilit de rponse Autre
pour tenir compte du cas o lacheteur avait choisi une autre marque que les quatre pro-
poses lors de son dernier achat, ou ventuellement pour faire face au cas de lacheteur
qui achte des yaourts pour la premire fois !
Cet exemple montre que le concept de matrice, ou simplement de tableau de donnes,
intervient naturellement dans les tudes conomiques et/ou statistiques. Dans le cas de
lhypermarch, ou pourra chercher dterminer les parts de march dquilibre des quatre
marques en supposant une certaine stabilit des comportements dans le temps (ou plus
prcisment une stabilit des comportements de changement de marque dans le temps) ;
la problmatique est comparable celle de notation des entreprises.
22
2.1.2 Matrices nulles
La matrice de M
m,n
(R) dont tous les lments sont nuls est appele matrice nulle de m
lignes et de n colonnes.
M =
_

_
0 0 . . . 0
0 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 0
_

_
2.1.3 Matrices colonnes
Dans toute la suite, nous appelons une matrice dune seule colonne de la forme
M =
_

_
a
1
a
2
.
.
.
a
m
_

_
M
m,1
(R)
sous le nom de matrice colonne et lensemble de ces matrices est note
M
m,1
(R) = R
m
2.1.4 Matrices lignes
Une matrice dune seule ligne est dite matrice ligne et est de la forme
A =
_
a
1
a
2
. . . a
n
_
M
1,n
2.1.5 Matrice carre
Une matrice M est carre si m = n, cest dire quelle a le mme nombre de lignes et de
colonnes.
Lensemble des matrices carres de n lignes et de n colonnes est dite matrice carre
dordre n.
A =
_

_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_

_
M
n,n
(R) = M
n
(R)
23
Remarque 2.1. Les matrices carres dodre n possdent plusieurs subdivisions.
2.1.6 Matrices triangulaires
Dabord, il faut dnir la diagonale dune matrice carre, constitue des termes de la
forme a
ii
,
1in
.
A =
_

_
a
11
a
22
.
.
.
a
nn
_

_
M
n,n
(R) = M
n
(R)
Tous les lments au dessus de la diagonale dnissent la sur-diagonale, cest dire les
lments se situant la ligne i et la colonne j avec j i.
Tous les lments en dessous de la diagonale dnissent la sous-diagonale, cest dire les
lments se situant la ligne i et la colonne j avec j i.
Dnition 2.1. Une matrice est dite triangulaire si tous les termes de la surdiagonale
sont nuls, ou tous les termes de la sous-diagonale sont nuls. Elle est dite triangulaire
suprieure si tous les termes de la sous-diagonale sont nuls, triangulaire infrieure si tous
les termes de la sur-diagonale sont nuls.
Donnons les deux exemples de matrices triangulaires, la premire infrieure et la
deuxime suprieure.
Exemple 2.3.
_

_
1 0 0
3 3 0
0 1 2
_

_
et
_

_
1 1 9 0
0 1 3 0
0 0 2 7
0 0 0 3
_

_
2.1.7 Matrice diagonale
Il sagit dune matrice carre dont tous les termes non diagonaux sont nuls. Ou encore, il
sagit dune matrice carre la fois triangulaire suprieure et infrieure. Dans ce cas, on
24
peut se contenter de citer seulement la diagonale :
=
_

2
.
.
.

n
_

_
= diag(
1
,
2
, . . . ,
n
)
La notation diag(
1
,
2
, . . . ,
n
) veut dire quil sagit dune matrice diagonale et que la
diagonale contient les scalaires
1
,
2
, . . . ,
n
.
On utilise le symbole de Kronecker

ij
=
_
_
_
1, si i=j ;
0, si i= j.
pour reprsenter une matrice diagonale ainsi
= diag(
i

ij
)
1i,jn
Ainsi, si i = j, le terme diagonal est
i
, sinon, il est nul, car le symbole de Kronecker est
nul.
2.1.8 Matrice Identit
Parmi les matrices diagonales, on peut remarquer celle dont les termes diagonaux sont
tous gaux lunit de R. On lappelle matrice identit dordre n. Nous expliquerons plus
tard, pour quoi cette appellation. Nous la notons :
I
n
=
_

2
.
.
.

n
_

_
= (
ij
)
1i,jn
Exemple 2.4.
I
2
=
_
_
1 0
0 1
_
_
et I
3
=
_

_
1 0 0
0 1 0
0 0 1
_

_
25
2.1.9 Matrice transpose
Notations : Nous noterons une matrice avec une lettre capitale A, B, C etc. Pour une
matrice A par exemple, le terme dordre i et j sera note avec la lettre minuscule a
ij
.
Ainsi nous crirons
A = (a
ij
)
1im,1jn
Nous pouvons aussi noter le terme ij par (A)
ij
pour avoir
A = ((A)
ij
)
1im,1jn
M
m,n
Nous pouvons aussi considrer A comme un ensemble de n colonnes ainsi
A = [A
1
, A
2
, ..., A
j
, ..., A
n
]
avec la j-ime colonne tant
A
j
=
_

_
a
1j
a
2j
.
.
.
a
mj
_

_
Nous pouvons aussi considrer A comme un ensemble de m lignes ainsi
A =
_

_
A
1
A
2
.
.
.
A
m
_

_
avec la i-ime ligne tant
A
i
=
_
a
i1
a
i2
. . . a
in
_
Soit A = (a
ij
)
1im,1jn
=
_

_
A
1
A
2
.
.
.
A
m
_

_
= [A
1
, A
2
, ..., A
j
, ..., A
n
], une matrice de m lignes
et de n colonnes.
26
Dnition 2.2. On appelle matrice transpose de A, note A
t
la matrice de n lignes et
de m colonnes dont les lignes sont les colonnes de A, ou dont les colonnes sont les lignes
de A.
Chacune des formules ci-dessous dnit la transpose de A.
A
t
M
n,m
; (A
t
)
ji
= (a
ji
), 1 i m, 1 j n
ou
A
t
= [(A
t
)
1
, (A
t
)
2
, ..., (A
t
)
j
, ..., (A
t
)
n
]
ou
A
t
=
_

_
(A
1
)
t
(A
2
)
t
.
.
.
(A
m
)
t
_

_
Exemple 2.5.
_

_
1 2
0 1
4 5
1 9
_

_
t
=
_
_
1 0 4 1
2 1 5 9
_
_
2.1.10 Matrice symtrique
Dnition 2.3. Une matrice carre A est dite symtrique si elle est gale sa propre
transpose, cest dire A
t
= A
Exemple 2.6.
A =
_

_
5 3 2
3 3 0
2 0 1
_

_
27
2.1.11 Trace dune matrice
Dnition 2.4. On appelle trace dune matrice carre A de dimension n la somme de
ses termes diagonaux quon note Tr(A).
Tr(A) =
n

i=1
a
ii
Les proprits essentielles de la trace dune matrice sont rsumes dans la proposition
suivante.
Proposition 2.1. Soient A et B deux matrices carres de dimension n et c R. On a :
Tr(cA + B) = cTr(A) + Tr(B)
Tr(AB) = Tr(BA)
2.1.12 Concatnation de deux matrices
Dnition 2.5. 1. Soient A et B deux matrices de n lignes, comptant respectivement p et
m colonnes. On appelle matrice concatne de A et B, la matrice C (note aussi
_
A|B

)
de dimensions (n,m+p) dnie par :
C =
_

_
a
11
. . . a
1p
b
11
. . . b
1m
a
21
. . . a
2p
b
21
. . . b
2m
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
. . . a
np
b
n1
. . . b
nm
_

_
2. Soient A et B deux matrices p colonnes, comptant respectivement n et k lignes. On
appelle matrice concatne de A et B, la matrice D (note aussi
_
A
B

) de dimensions
(n+k,p) dnie par :
D =
_

_
a
11
. . . a
1p
a
21
. . . a
2p
.
.
.
.
.
.
.
.
.
a
n1
. . . a
np
b
11
. . . b
1p
b
21
. . . b
2p
.
.
.
.
.
.
.
.
.
b
k1
. . . b
kp
_

_
28
Comme nous allons le voir dans le chapitre sur les Systmes Linaires, la concatnation
de matrices est utilise, entre autres, pour simplier la formulation de transformations
matricielles dans le cadre de la rsolution de systmes linaires dquations.
2.2 Oprations sur les matrices
On peut dnir sur les matrices trois oprations :
la somme de deux matrices de mme type,
le produit extrieur dune matrice par un scalaire,
le produit de deux matrices conformes.
2.2.1 Somme de matrices
Deux matrices sont de mme type lorsquelles ont le mme ensemble de scalaires, le mme
nombre de lignes et le mme nombre de colonnes.
Soit alors A et B deux matrices coecients dans R, de mme lignes (m) et de mme
colonnes (n), i.e. A, B M
m,n
.
On dnit la matrice A + B, somme de A et B, comme la matrice de m lignes et de n
colonnes dont le terme (i, j) est la somme des deux termes (i, j) de A et de B. On note
ainsi :
A + B M
m,n
(R), (A + B)
ij
= (A)
ij
+ (B)
ij
= a
ij
+ b
ij
, 1 i m, 1 j n
Exemple 2.7.
_
_
1 1 2
20 5 2
_
_
+
_
_
4 6 6
1 0 7
_
_
=
_
_
5 7 4
21 5 5
_
_
Proposition 2.2.
1. Associativit : lopration + est associative dans M
m,n
(R), cest dire
(A, B, C) M
m,n
(R)
3
, (A + B) + C = A + (B + C) = A + B + C
2. Commutativit : (A, B) M
m,n
(R)
2
, A + B = B + A
3. lment nul : soit la matrice O M
m,n
(R) dont tous les termes sont nuls, cest
dire : O
ij
= 0, 1 i m, 1 j n. Il est vident quon a :
A M
m,n
(R), A + O = O + A = A
29
car
A M
m,n
(R), (A + O)
ij
= (A)
ij
+ O
ij
= (A)
ij
, (O + A)
ij
= O
ij
+ (A)
ij
= (A)
ij
si bien que O est un lment neutre de laddition.
4. Oppos : tout lment de M
m,n
(R) admet un oppos. En eet soit A M
m,n
(R).
Dnissons la matrice A M
m,n
(R) par
(A)
ij
= a
ij
Nous avons clairement
(A + (A))
ij
= a
ij
+ (a
ij
) = 0
2.2.2 Multiplication externe
Soit un scalaire, cest dire, un lment de R et une matrice A M
m,n
(R). Dnissons
la matrice .A note aussi A dont les termes sont ceux de A multiplis par , cest
dire (A)
ij
= a
ij
.
Exemple 2.8.
2
_
_
1 1 2
20 5 2
_
_
=
_
_
2 2 4
40 10 4
_
_
Proposition 2.3.
1. Llment unit de R, not 1
R
, laisse invariantes les matrices, cest dire : A
M
m,n
(R), 1
R
.A = A car A M
m,n
(R), (1
R
.A)
ij
= 1
R
.(A)
ij
= (A)
ij
2. Llment nul de R est un lment absorbant, cest dire
A M
m,n
(R), 0
R
.A = O (O tant la matrice nulle)
car
A M
m,n
(R), (0
R
.A)
ij
= 0
R
.(A)
ij
= 0
3. On a aussi
30
A M
m,n
(R), 1
R
.A = A
cest dire que : la multiplication dune matrice par loppos de llment unit de
R donne loppose de la matrice dans M
m,n
(R), car
A M
m,n
(R), (1
R
.A)
ij
= 1
R
.a
ij
Mais aussi, on a :
0.a
ij
= (1
R
+ (1
R
))a
ij
= 1
R
a
ij
+ (1
R
a
ij
) = a
ij
+ (1
R
a
ij
)
do
(1
R
a
ij
) = a
ij
et
A M
m,n
(R), (1
R
.A)
ij
= a
ij
= (A)
ij
4. La multiplication externe est distributive par rapport laddition sur R et sur M
m,n
(R),
cest dire
(, ) R
2
, (A, B) M
m,n
(R)
2
, ( + )A = A + A, (A + B) = A + B.
On a aussi : (A) = ()A.
Lensemble M
m,n
(R) muni de laddition interne (+) et de la multiplication externe (.)
est un espace vectoriel sur R.
2.2.3 Produit de matrices
On ne peut dnir le produit de matrices que lorsquelles sont conformes. Deux matrices
A et B sont conformes si le nombre de colonnes de A gale au nombre de lignes de B. Les
lments de M
m,n
(R) et ceux de M
n,k
(R) sont conformes.
Dnition 2.6. On Dnit le produit dune matrice ligne X de n colonnes et dune
matrice colonne Y de n lignes
X = [x
1
, x
2
, . . . , x
n
], Y =
_

_
y
1
y
2
.
.
.
y
n
_

_
par XY = x
1
y
1
+ x
2
y
2
+ . . . + x
n
y
n
31
Exemple 2.9.
[1 2 4]
_

_
0
4
3
_

_
= (1 0) + (2 4) + (4 3) = 4
Exemple 2.10. Valorisation dun portefeuille.
Le tableau suivant montre les cours hebdomadaires de clture de quatre titres (Tigo,
Orange, TFM TV, Snlec) cots la Bourse de Paris pendant cinq semaines succes-
sives (du 2 au 30 Janvier 2010).
Un investisseur possde un portefeuille Q quon crira sous la forme dune matrice
quatre lignes et une colonne :
Q =
_
_
_
_
_
_
_
_
1000
500
100
800
_
_
_
_
_
_
_
_
Chacun des nombres correspondant la quantit de titres dtenue pour chacun des quatre
titres.
Table 2 Cours de clture de quatre titres
Date Tigo Orange TFM TV Snlec
02/01 11.45 21.87 20.31 33.3
09/01 11.05 19.51 20.75 34.55
16/01 10.58 18.68 20.52 36.65
23/01 10.99 19.29 19.69 36.43
30/01 11.56 18.14 19.83 36.55
Cet investisseur souhaite suivre lvolution de la valeur de son portefeuille pendant ce
mois de Janvier 2010. La rponse est assez naturelle ; il sut de multiplier, pour chaque
titre, la quantit dtenue par le prix et dajouter les quatre valeurs dtenues.
Le 2 janvier, la valeur du portefeuille scrit comme le produit de deux matrices A
1
et
Q, avec A
1
= [11.45 21.87 20.31 33.3] (matrice ligne).
On obtient : A
1
Q = 11.45 1000 +21.87 500 +20.31 100 +33.3 800 = 51056 euros.
32
Le 9 janvier, la valeur du portefeuille scrit comme le produit de deux matrices A
2
et
Q, avec A
2
= [11.05 19.51 20.75 34.55].
On obtient : A
2
Q = 11.051000+19.51500+20.75100+34.55800 = 51106 euros.
On procde de la mme faon pour les 16, 23 et 30 Janvier.
On voit alors que la valeur du portefeuille chaque date rsulte du mme calcul, ralis
en multipliant les quantits par les prix de la date correspondante. Dans cet exemple, on
multiplie une matrice quatre lignes par une matrice quatre colonnes.
Il apparait que ce mode de calcul peut rpondre de nombreuses problmatiques
concrtes et justie limportance du calcul matriciel en conomie et en gestion, qui fait
lobjet du prsent chapitre.
Nous pouvons maintenant dnir le produit quelconque de matrices conformes.
Dnition 2.7. Soit A M
m,n
(R) une matrice de m lignes et de n colonnes et B
M
n,k
(R) une matrice de n lignes et de k colonnes, alors le produit AB est une matrice de
m lignes et de k colonnes selon le shma suivant
A
(m,n)
B
(n,k)
= C
(m,k)
dont le terme (i,j) est le produit de la i-ime ligne de A par la j-ime colonne de B,
cest--dire
C = AB M
m,k
(R), C
ij
= (AB)
ij
= A
i
B
j
avec
A
i
B
j
= a
i1
b
1j
+ a
i2
b
2j
+ ... + a
in
b
nj
Exemple 2.11.
_

_
1 2 0
1 2 1
0 4 5
_

_
2 0
3 2
1 3
_

_
=
_

_
8 4
9 7
7 7
_

_
Remarque 2.2.
33
1. Le produit de matrices est associatif, en ce sens que
(A
(m,n)
B
(n,k)
) C
(k,p)
= A
(m,n)
(B
(n,k)
C
(k,p)
)
2. Une matrice nulle est absorbante, cest dire, que si O est la matrice nulle de
M
m,k
(R), alors pour toute matrice A qui lui est conforme, cest dire, ayant k
colonnes, on a O A = O.
Exemple 2.12. Lorsquun jury de semestre se runit, il accorde ou non le semestre en
fonction de la moyenne obtenue par chaque tudiant sur lensemble des UE (Unit dEn-
seignement). Supposons quil y ait (pour simplier) quatre UE et six tudiants. Les notes
sont reportes dans le tableau. Les UE ont des coecients respectifs gaux 3,5,2 et 3. Ce
qui fait un total des coecients gale 13. Comment calcule t-on la liste des moyennes
des tudiants ?
Ce calcul sopre en deux temps. On fait dabords la somme des notes coecientes, ce
qui revient faire le produit de la matrice des notes, note M, par la matrice-colonne des
coecients, note C. On a : C = [3, 5, 2, 3]. Le produit de la matrice des notes M par
Table 3 Rcapulatif des notes
UE 1 UE 2 UE 3 UE 4
tudiant 1 6 5 7 8
tudiant 2 13 10 14 11
tudiant 3 12 9 11 10
tudiant 4 8 11 9 11
tudiant 5 16 14 15 13
tudiant 6 9 13 8 12
la matrice-colonne des coecients C donne :
MC =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
81
150
133
130
187
144
_
_
_
_
_
_
_
_
_
_
_
_
_
_
34
Dans un second temps, il reste diviser cette matrice par la somme des coecients, ce
qui revient multiplier MC par linverse de la somme des coecients.
La matrice-colonne des moyennes scrit donc :
1
13
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
81
150
133
130
187
144
_
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
6.23
11.54
10.23
10
14.39
11.08
_
_
_
_
_
_
_
_
_
_
_
_
_
_
Il est clair quavec trois cents, ou cinq cent ou plus de mille tudiants, ces calculs matriciels
sont raliss sur un tableur, comme Excel par exemple.
Cet exemple, fait intervenir deux oprations matricielles : le produit de deux matrices
(notes et coecients) et le produit dune matrice par un nombre rel (linverse de la
somme des coecients).
35
2.2.4 Quelques exercices
Exercice 2.1. Soient les matrices A =
_
_
1 2 3
1 0 2
_
_
et B =
_
_
1 5 2
2 2 1
_
_
1. Calculer A+B, 3B, 2A+B, B-A.
2. Donner A
t
et B
t
.
Exercice 2.2. Soit les vecteurs x =
_
_
_
_
_
_
_
_
3
5
4
1
2
_
_
_
_
_
_
_
_
, y =
_
_
_
_
_
_
_
_
8
12
1
1
_
_
_
_
_
_
_
_
, z =
_
_
_
_
_
_
_
_
3
8
3
2
1
_
_
_
_
_
_
_
_
et les matrices :
A =
_
_
_
_
_
2 4 1 5
3 1 1 1
6 10 2 1
_
_
_
_
_
, B =
_
_
2 10 1
3 20 30
_
_
et C =
_
_
_
_
_
_
_
_
1 3 9 2
4 5 10 10
1 1 1 1
10 5 2 1
_
_
_
_
_
_
_
_
1. Calculer :
(a) u = 3x + (
1
2
)y z.
(b) 5(x y) + (
1
3
)z.
2. Parmi les oprations suivantes, mettre en vidence et eectuer celles qui sont pos-
sibles : Ax, By, Cy, Cz + BAx, BC, CA
t
etCA.
Exercice 2.3. 1. Soit la matrice carre M dordre 2 avec M =
_
_
1 1
2 2
_
_
(a) Calculer M
2
. Vrier que M
2
= M. Dterminer .
(b) Calculer M
3
et M
4
en fonction de M et .
(c) Soit n un entier quelconque. Dduire de (b) lexpression de M
n
en fonction de
M, et n.
(d) Dmontrer par rcurrence la relation tablie sous (c).
2. Soit la matrice M =
_
_
1 2
3 5
_
_
Dterminer la famille de matrice X telle que le produit MX soit une matrice diago-
nale.
36
2.3 Dterminant et inverse dune matrice
Le concept de dterminant est un outil mathmatique qui sert essentiellement tudier
lindpendance linaire dun ensemble de vecteurs et calculer pratiquement linverse
dune matrice.
2.3.1 Les dterminants dordre 2
Dnition 2.8. Soit A, une matrice carre dordre 2 de la forme A =
_
_
a
11
a
12
a
21
a
22
_
_
Le dterminant de A, not det(A) est gal au nombre :
a
11
a
22
a
21
a
12
Exemple 2.13. Le dterminant de la matrice
_
_
3 1
4 5
_
_
est gal 3 5 4 1 = 11.
Remarque 2.3. Le dterminant dune matrice A est une fonction des lments de cette
matrice. Il peut aussi etre considr comme une fonction de ses vecteurs colonnes, et dans
ce cas on lcrira det(A
1
, A
2
).
Remarque 2.4. On note parfois det(A) sous la forme :
A =

a
11
a
12
a
21
a
22

2.3.2 Les dterminants dordre 3


Le dterminant dordre 3 dune matrice se dni partir des dterminants dordre 2 de
la matrice.
Dnition 2.9. Soit la matrice
A =
_
_
_
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
_
_
_
Le dterminant de A est dni par la formule
det(A) = a
11
det
_
_
a
22
a
23
a
32
a
33
_
_
a
12
det
_
_
a
21
a
23
a
31
a
33
_
_
+ a
13
det
_
_
a
21
a
22
a
31
a
32
_
_
37
En anticipant sur les dterminants dordre n, appelons A
ij
la matrice obtenue en
supprimant la ligne i et la colonne j de A. On voit immdiatement que cette formule peut
scrire :
det(A) = a
11
det(A
11
) a
12
det(A
12
) + a
13
det(A
13
)
Exemple 2.14. Soit
A =
_
_
_
_
_
1 5 3
0 4 1
2 8 6
_
_
_
_
_
Alors
A
11
=
_
_
4 1
8 6
_
_
, A
12
=
_
_
0 1
2 6
_
_
, A
13
=
_
_
0 4
2 8
_
_
et
det(A) = 1

4 1
8 6

0 1
2 6

+ 3

0 4
2 8

= 1(24 8) 5(0 2) + 3(0 8) = 16 + 10 24 = 2


La formule que nous avons donne dans lexemple sappelle le dveloppement du d-
terminant de A par rapport la premire ligne. Cette formule nest cependant pas
unique.
On vrie aisment que la formule
det(A) = a
13
det(A
13
) a
23
det(A
23
) + a
33
det(A
33
)
donne exactement le mme rsultat. Cette formule correspond au dveloppement du d-
terminant de A par rapport la troisime colonne.
En fait le dterminant dune matrice peut se calculer en dveloppant par rapport
nimporte quelle ligne ou nimporte quelle colonne de la matrice. La seule prcaution
prendre est daecter le signe correct chaque terme du dveloppement : de manire g-
nrale, le signe du terme correspondant llment i, j est celui de (1)
i+j
.
Ainsi le dveloppement de A par rapport sa deuxime colonne :
38
_
_
_
_
_
a
12
a
22
a
23
_
_
_
_
_
est de la forme :
det(A) = (1)
1+2
a
12
det(A
12
) + (1)
2+2
a
22
det(A
22
) + (1)
3+2
a
32
det(A
32
)
= a
12
det(A
12
) + a
22
det(A
22
) a
32
det(A
32
)
Mthode de Sarius
Exemple 2.15. Calculer le dterminant de la matrice A =
_
_
_
_
_
1 1 1
2 3 0
1 1 2
_
_
_
_
_
par la mthode
de Sarius.
det(A) =

1 1 1
2 3 0
1 1 2

1 1
2 3
1 1
det(A) = [(132)+(101)+(121)] [(131)+(101)+(221)]
det(A) = (6 + 0 + 2) (3 + 0 + 4) = (4) (7) = 3
2.3.3 Les dterminants dordre n
Dnition 2.10. Le mineur |A
ij
| de llment a
ij
de la matrice A est le dterminant de
la matrice A
ij
, obtenue en supprimant la i
e
ligne et la j
e
colonne de A.
Le cofacteur A
ij
de llment a
ij
de la matrice A est gal (1)
i+j
fois le mineur de a
ij
:
A
ij
= (1)
i+j
|A
ij
|
Exemple 2.16. |A
23
| = det
_
_
a
11
a
12
a
31
a
32
_
_
On obtient : A
23
= (1)
2+3
|A
23
| = det
_
_
a
11
a
12
a
31
a
32
_
_
Remarque 2.5. 1. On appelle parfois le cofacteur A
ij
le mineur sign de a
ij
.
A laide de ces dnitions, on retrouve immdiatement le dterminant dordre 3 qui, d-
velopp selon la premire ligne, scrit :
39
a
11
A
11
+ a
12
A
12
+ a
13
A
13
= a
11
(1)
1+1
|A
11
| + a
12
(1)
1+2
|A
12
| + a
13
(1)
1+3
|A
13
|
= a
11
|A
11
| a
12
|A
12
| + a
13
|A
13
|
2. De la mme faon, le dveloppement dordre 3 est dnit partir des dterminants
dordre 2, le dterminant dordre n est dni partir des dterminants dordre n 1.
Dnition 2.11. 1. Le dveloppement par rapport la i
e
ligne du dterminant de la
matrice A est donn par la formule :
det(A) =
n

j=1
a
ij
A
ij
=
n

j=1
(1)
i+j
a
ij
|A
ij
|, i tant x
2. Le dveloppement par rapport la j
e
ligne du dterminant de la matrice A est donn
par la formule :
det(A) =
n

i=1
a
ij
A
ij
=
n

j=1
(1)
i+j
a
ij
|A
ij
|, j tant x
Exemple 2.17. Calculons le dterminant de la matrice
_
_
_
_
_
_
_
_
1 3 2 1
4 0 5 0
2 7 1 6
0 1 4 10
_
_
_
_
_
_
_
_
Comme la 2
ieme
ligne comporte deux lments nuls, nous dveloppons det(A) par rapport
cette ligne. On obtient :
det(A) = 4A
21
+ 5A
23
= 4(1)
2+1
|A
21
| + 5(1)
2+3
|A
23
|
Or
|A
21
| = det
_
_
_
_
_
3 2 1
7 1 6
1 4 10
_
_
_
_
_
= 3(1 10 4 6) 2(7 10 1 6) + 1(7 4 1 1)
= 143
|A
23
| = det
_
_
_
_
_
1 3 1
2 7 6
0 1 10
_
_
_
_
_
= 1(7 10 1 6) 2(3 10 1 1)
= 6
40
On a donc
det(A) = 4(1)(143) + 5(1)6
= 572 30 = 542
Quelques proprits du dterminant dordre n
1. Une matrice comportant une ligne (ou une colonne) de 0 a un dterminant nul.
2. Si une ligne (ou une colonne) dune matrice est multiplie par une constante c, le
dterminant est galement multipli par c.
3. La permutation de deux lignes ou de deux colonnes change uniquement le signe du
dterminant.

1 3 7
2 4 8
5 0 6

= 32 et

1 3 7
5 0 6
2 4 8

= 32.
4. Une matrice qui a deux lignes ou deux colonnes identiques a un dterminant nul.
A =
_
_
_
_
_
4 2 1
1 2 1
1 2 1
_
_
_
_
_
, det(A) = 4

2 1
2 1

2 1
2 1

2 1
2 1

= 4 0 0 + 0 = 0
B =
_
_
_
_
_
2 3 2
1 2 1
3 1 3
_
_
_
_
_
, det(B) = 2

2 1
1 3

1 1
3 3

+ 2

1 2
3 1

= 2 5 3 0 + 2 (5) = 10 0 + 10 = 0
5. Le dterminant dune matrice est nul si et seulement si les vecteurs colonnes (res-
pectivement les vecteurs lignes) sont lis.
A =
_
_
4 6
8 12
_
_
, det(A)= 48 - 48 = 0, la deuxime ligne est le double de la premire
colonne.
B =
_
_
3 6
4 8
_
_
, det(B)= 24 - 24 = 0, la deuxime collonne est le double de la
premire ligne.
6. Si lon ajoute une colonne (respectivement une ligne) un multiple scalaire dune
autre colonne (respectivement dune autre ligne) on ne change pas le dterminant.
41
7. Le dveloppement dun dterminant selon une ligne en utilisant les cofacteurs dune
autre ligne donne zro. En dautres termes, une expression de la forme
n

j=1
a
ij
A
kj
est nulle si k = j
8. Soit A une matrice carre. Alors
det(A) = det(A
t
)
9. Soient A et B deux matrices dordre n. Alors
det(AB) = det(A)det(B)
10. Le dterminant dune matrice diagonale dordre n est gale au produit des lments
de sa diagonale. i.e
D = diag(
1
,
2
, . . . ,
n
)
det(D) =
n

j=1

j
11. Le dterminant dune matrice triangulaire dordre n est gale au produit des l-
ments de sa diagonale.
2.3.4 Linverse dune matrice
Linverse dune matrice A dordre n est gal une matrice B dordre n telle que AB =
BA = I, note A
1
.
Mthode des cofacteurs
Dnition 2.12. La matrice adjointe dune matrice carre A, note A

, est la matrice
transpose des cofacteurs de la matrice A :
A

=
_
_
_
_
_
_
_
_
A
11
A
21
A
31
. . . A
n1
A
12
A
22
A
32
. . . A
n2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A
1n
A
2n
A
3n
. . . A
nn
_
_
_
_
_
_
_
_
en dautres termes, llment gnrique i, j de A

est le cofacteur A
ji
(notez linverse des
indices).
42
Thorme 2.1. Soit A

la matrice adjointe de A. Alors la relation suivante est vrie :


AA

= det(A).I
Thorme 2.2. Soit A une matrice carre, A

sa matrice adjointe. Si det(A) = 0, alors


A
1
=
1
det(A)
A

Corollaire 2.1. Une matrice carre A est inversible si et seulement si det(A) = 0.


Dmarche suivre pour le calcul de linverse
Le calcul pratique de linverse dune matrice A seectue de la faon suivante
1. Calculer det(A). Si det(A)=0, la matrice nest pas inversible.
2. Remplacer chaque lment a
ij
de A par le cofacteur qui lui est associ :
_
_
_
_
_
_
_
_
a
11
a
12
a
13
. . . a
1n
a
21
a
22
a
23
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
. . . a
nn
_
_
_
_
_
_
_
_

_
_
_
_
_
_
_
_
A
11
A
12
A
13
. . . A
1n
A
21
A
22
A
23
. . . A
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A
n1
A
n2
A
n3
. . . A
nn
_
_
_
_
_
_
_
_
3. Transposer la matrice ainsi obtenue pour obtenir la matrice adjointe :
A

=
_
_
_
_
_
_
_
_
A
11
A
21
A
31
. . . A
n1
A
12
A
22
A
32
. . . A
n2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A
1n
A
2n
A
3n
. . . A
nn
_
_
_
_
_
_
_
_
4. Calculer A
1
laide de la formule
A
1
=
1
det(A)
A

5. Vrier lgalit AA
1
= I.
Exemple 2.18. Dterminer linverse de la matrice A par la mthode des cofacteurs, avec
A =
_
_
_
_
_
1 1 1
2 3 0
1 1 2
_
_
_
_
_
.
43
1. On a : det(A)=3 (dja calcul dans lexemple 2.15). Le dterminant de A est dif-
frent de 0, donc A est inversible.
2. Calcul des cofacteurs, not A

:
A

=
_

_
+

3 0
1 2

2 0
1 2

2 3
1 1

1 1
1 2

1 1
1 2

1 1
1 1

1 1
3 0

1 1
2 0

1 1
2 3

_
=
_

_
6 4 5
3 1 2
3 2 1
_

_
.
3. A

= (A

)
t
=
_

_
6 3 3
4 1 2
5 2 1
_

_
4. Calcul de A
1
laide de la formule A
1
=
1
det(A)
A

. On a : A
1
=
1
3
_

_
6 3 3
4 1 2
5 2 1
_

_
5. Vrication :
A A
1
=
_

_
1 1 1
2 3 0
1 1 2
_

1
3
_

_
6 3 3
4 1 2
5 2 1
_

_
=
1
3
_

_
3 0 0
0 3 0
0 0 3
_

_
=
_

_
1 0 0
0 1 0
0 0 1
_

_
= I
Calcul de linverse dune matrice par la mthode du pivot
En utilisant la mthode du pivot, dterminons linverse de la matrice A dnie par A =
_
_
_
_
_
1 1 1
2 3 0
1 1 2
_
_
_
_
_
.
44
1 -1 1 1 0 0 L
1
2 -3 0 0 1 0 L
2
1 1 2 0 0 1 L
3
1 -1 1 1 0 0 L

1
=L
1
0 -1 -2 -2 1 0 L

2
=L
2
-2L
1
0 2 1 -1 0 1 L

3
=L
3
-L
1
1 0 3 3 -1 0 L

1
=L

1
-L

2
0 1 2 2 -1 0 L

2
=-L

2
0 0 -3 -5 2 1 L

3
=L

3
+2L

2
1 0 0 -2 1 1 L

1
=L

1
+L

3
0 1 0 -
4
3
1
3
2
3
L

2
=L

2
+
2
3
L

3
0 0 1
5
3
-
2
3
-
1
3
L

3
=-
1
3
L

3
On obtient : A
1
=
_
_
_
_
_
2 1 1

4
3
1
3
2
3
5
3

2
3

1
3
_
_
_
_
_
=
1
3
_
_
_
_
_
6 3 3
4 1 2
5 2 1
_
_
_
_
_
Retour sur dterminant : Le calcul du dterminant dune matrice par la
mthode du pivot
Remarque 2.6. On peut calculer le dterminant dune matrice par la mthode du pivot.
Pour le faire on procde de la mme faon que pour le dterminant de linverse dune
matrice obtenu par la mthode du pivot.
Le dterminant est donn par : det(A) = (1)
k
p
1
p
2
... p
n
avec k le nombre dinterchangement de ligne, p
i
dsigne les pivots de la transformation
des lignes laide de la combinaison linaire.
Illustration avec lexemple prcdent, A =
_

_
1 1 1
2 3 0
1 1 2
_

_
On obtient : det(A) = (1)
0
1 (1) (3) = 3
45
Lexemple suivant donne une illustration sur limportance des matrices en gestion et en
conomie.
Exemple 2.19. Proposer de nouveaux produits nanciers la clientle.
Les obligations sont des titres de crance par lesquels lentreprise mettrice emprunte de
largent sur les marchs nanciers. Les plus simples dentre elles sont dnies par un mon-
tant nominale (disons 100 euros), une dure de vie appele maturit (3,5,7, 10 ans...ou
plus), un taux dintrt (2%, 4%, etc.) aussi appele taux de coupon . Le coupon (lin-
trt) est pay annuellement et, lchance, le dtenteur reoit le dernier coupon et le
prix de remboursement quon supposera ici gal au montant nominal.
Une obligation de maturit 3 ans, de taux dintrt 5% et de nominal 100 euros va en-
gendrer pour le dtenteur trois ux successifs gaux 5 euros, 5 euros et 105 euros, reus
aprs un an, deux ans et trois ans.
Supposons que, sur un march, trois obligations sont changes. Les ux quelles en-
gendrent sont rsums dans le tableau et la dernire ligne donne les prix auxquelles sont
cotes ces obligations sur le march. Cette prsentation signie que lobligation OB1 a une
Table 4 Flux de trois obligations
Date/Obligation OB1 OB2 OB3
1 104 6 4
2 0 106 4
3 0 0 104
PRIX 99.5 100.4 99.6
dure de vie dun an et un taux de coupon de 4%. Elle ne paye donc plus rien aprs la
date 1. OB2 dure deux ans et paie un taux de coupon de 6% et enn OB3 dure trois ans
et paie 4%.
Une banque souhaite proposer ses clients une gamme de produits nanciers trs simples
qui permettent de sassurer un revenu donn une date future choisie, par exemple obte-
nir 100 euros la date 2. Elle veut donc construire trois contrats C
1
, C
2
, C
3
tels que C
t
donne 100 euros la date t.
Le client achtera ces contrats sans se poser de questions sur leur construction technique
46
en supposant que la banque est capable de faire face ses engagements. Cette dernire
doit cependant rpondre deux questions :
1. Comment faire pour satisfaire aux engagements futurs (payer les clients quand les
contrats arriveront chance) ?
2. A quel prix faut il commercialiser ces contrats ?
La rponse ces deux questions est plus simple quil ny parat premire vue.
La banque va construire des portefeuilles partir des obligations existantes de faon quils
dgagent des ux susants pour payer les clients. Le cot de ces portefeuilles donnera
la rponse la seconde question (hors bnce de la banque qui viendra sajouter la
facture du client ).
1. Notons M la matrice dnie par : M =
_

_
104 6 4
0 106 4
0 0 104
_

_
M correspond aux trois premires lignes du tableau o sont dnis les ux pays par les
direntes obligations. Si la banque achte trois obligations en nombre x
T
= (x
1
, x
2
, x
3
)
(matrice ligne), elle va recevoir la srie de ux (produit de deux matrices) :
Mx =
_

_
104x
1
+ 6x
2
+ 4x
3
106x
2
+ 4x3
104x
3
_

_
On voit alors quon peut choisir x tel que : Mx =
_

_
0
0
100
_

_
ou y et z tels que : My =
_

_
0
100
0
_

_
et Mz =
_

_
100
0
0
_

_
.
En dautres termes, il existe des portefeuilles et des obligations cotes sur le march qui
engendrent les mmes ux que les contrats que la banque souhaite crer. Ce qui vient
47
dtre fait peut tre rcrit de manire concise sous la forme :
_

_
104 6 4
0 106 4
0 0 104
_

_
x
1
y
1
z
1
x
2
y
2
z
2
x
3
y
3
z
3
_

_
=
_

_
104 0 0
0 100 0
0 0 100
_

_
= 100
_

_
1 0 0
0 1 0
0 0 1
_

_
Ce qui scrit encore :
_

_
104 6 4
0 106 4
0 0 104
_

1
100
_

_
x
1
y
1
z
1
x
2
y
2
z
2
x
3
y
3
z
3
_

_
=
_

_
1 0 0
0 1 0
0 0 1
_

_
= I
3
On remarque alors que trouver x, y et z revient alors calculer la matrice inverse de M
puisque :
1
100
_

_
x
1
y
1
z
1
x
2
y
2
z
2
x
3
y
3
z
3
_

_
= M
1
100M
1
=
_

_
x
1
y
1
z
1
x
2
y
2
z
2
x
3
y
3
z
3
_

_
=
_

_
0.962 0.054 0.035
0 0.943 0.036
0 0 0.962
_

_
NB : Le calcul de linverse de la matrice de M est laiss sous forme dexercice.
On sait maintenant ce que faire la banque pour satisfaire ses engagements. Par exemple,
chaque fois quelle vend une unit de contrat C
2
, elle doit acheter 0.943 unit de OB2 et
vendre 0.054 de OB1.
2. Comme on sait que la banque doit acheter ou vendre pour une unit de chaque contrat,
on peut facilement dterminer ce quelle dpense dans ces direntes situations. Il sut
de faire le produit matriciel :
_
99.5 100.4 99.6
_
_

_
0.962 0.054 0.035
0 0.943 0.036
0 0 0.962
_

_
=
_
95.67 89.30 88.65
_
cest dire de multiplier les prix des obligations par les quantits acheter pour chacun
des contrats. En consquence, la banque ne peut pas vendre le contrat C
1
moins de 95.67,
le contrat C
2
moins de 89.30 et le contrat C
3
moins de 88.65.
2.3.5 Rang dune matrice
Le rang dune matrice not rg(A) est gale la dimension de lespace engendr par les
vecteurs colonnes.
48
Exemple 2.20. Dterminer le rang de la matrice A dni par A =
_

_
2 0 2
2 3 1
0 3 1
_

_
2 0 2 L
1
-2 3 -1 L
2
0 3 1 L
3
1 0 1 L

1
=
1
2
L
1
0 3 1 L

2
=L
2
+L
1
0 3 1 L

3
=L
3
1 0 1 L

1
=L

1
0 1
1
3
L

2
=
1
3
L

2
0 0 0 L

3
=L

3
-L

2
Il nexiste plus de transformation pouvant conduire des lignes dont tous les lments sont
nuls. Donc le rang de la matrice A est gale 2, i.e. rg(A) = 2.
Par consquent la matrice A nest pas inversible.
49
2.3.6 Quelques exercices
Exercice 2.4. Calculer les dterminants suivants :
1.

2 1 2
0 3 1
4 1 1

2.

3 1 5
1 2 1
2 4 3

3.

2 4 3
1 3 0
0 2 1

4.

4 9 2
4 9 2
3 1 0

5.

1 1 2 0
0 3 1 5
0 1 2 1
3 5 2 3

Exercice 2.5. 1. Soit D une matrice diagonale dordre n. Que vaut det(D) ?
2. Soit T une matrice triangulaire (suprieure ou infrieure) dordre n. Que vaut
det(T) ?
Exercice 2.6. Trouver les inverses des matrices suivantes :
A =
_
_
_
_
_
2 1 2
0 3 1
4 1 1
_
_
_
_
_
B =
_
_
_
_
_
3 1 5
1 2 1
2 4 3
_
_
_
_
_
C =
_
_
1 7
1 2
_
_
Exercice 2.7. 1. Vrier que la matrice
_
_
_
_
_
1 6 6
2 7 6
1 4 4
_
_
_
_
_
satisfait lquation suivante A
3
2A
2
A + 2I = 0
2. En dduire quelle est inversible et obtenir son inverse gr ace lquation prc-
dente.(Ne pas calculer le dterminant !)
Exercice 2.8. Montrer que la matrice A =
_
_
_
_
_
_
_
_
1 a 0 0
0 1 a 0
0 0 1 a
0 0 0 1
_
_
_
_
_
_
_
_
est inversible quelque
soit le nombre a R. Calculer A
1
.
Exercice 2.9. Calculer linverse de la matrice A par la mthode du pivot, A =
_
_
_
_
_
1 0 2
1 1 1
1 2 2
_
_
_
_
_
.
50
Exercice 2.10. Calculer le dterminant de la matrice A par la mthode du pivot,
A =
_
_
_
_
_
2 3 1
6 9 1
2 2 1
_
_
_
_
_
.
Exercice 2.11. On considre les matrices suivantes :
A =
_
_
_
_
_
3 2 1
2 2 1
1 1 1
_
_
_
_
_
, B =
_
_
_
_
_
5 8 2
3 5 1
1 3 1
_
_
_
_
_
, C =
_
_
_
_
_
48 89 23
43 78 20
27 48 12
_
_
_
_
_
Calculer la matrice X tel que AXB = C.
51
A Devoir anne 2011-2012
Exercice A.1. 1. Dans R
3
muni des lois habituelles, les parties suivantes sont-elles
des sous-espaces vectoriels :
F =
_
(x
1
, x
2
, x
3
) R
3
| 2x
1
+ x
2
+ x
3
= 0 et x
1
x
2
+ x
3
= 0
_
2 points
G =
_
(a, a, 3a) | a R
_
1 point
2. Soit E = F(R, R) lensemble des applications de R dans R. Les sous-ensembles
suivants sont-ils des sous-espaces vectoriels de E.
H =
_
f E | f impaire
_
; I =
_
f E | f(0) = 0
_
1 point + 1 point
Exercice A.2. Soient F et G les sous-espaces vectoriels de R
3
engendrs par les fa-
milles respectives {u
1
, u
2
, u
3
, u
4
} et {v
1
, v
2
, v
3
}, avec : u
1
= (0, 1, 1), u
2
= (1, 1, 1),
u
3
= (1, 0, 3), u
4
= (1, 1, 2), v
1
= (3, 1, 8), v
2
= (1, 2, 1) et v
3
= (0, 1, 0).
1. Montrer que la famille S
1
= {u
1
, u
3
, u
4
} est lie. Donner la relation de dpendance.
1 point
2. En dduire que la famille {u
1
, u
2
, u
3
, u
4
} est lie. Justier votre rponse. 1 point
3. Montrer que les familles S
2
= {u
1
, u
2
, u
3
} et S
3
= {v
1
, v
2
, v
3
} sont libres. 2
points
4. En dduire la dimension et une base des sous-espaces vectoriels F et G. 1 point
5. Montrer que w = (2, 1, 5) appartient la fois aux sous-espaces vectoriels linaires
F et G engendrs respectivement par les systmes S
2
et S
3
. 2 points
Exercice A.3. On considre les matrices suivantes :
A =
_

_
-1 1 -2
1 -4 1
-2 1 -1
_

_
, B =
_

_
0 0 1
0 1 0
1 0 0
_

_
et I
3
=
_

_
1 0 0
0 1 0
0 0 1
_

_
.
1. Calculer et Comparer AB et BA. 1.5 points
2. Calculer B
2
et en dduire B
1
. 2 points
3. On pose C = A + 3B et D = C + 2I
3
.
(a) Calculer C, D puis D
2
. En dduire une relation entre D et D
2
. 2 points
(b) Dduire de la relation prcdente une relation simple liant C
2
, C et I
3
. 1
point
52
(c) En dduire que la matrice C est inversible et dterminer C
1
. 1.5 points
B Examen anne 2011-2012
Exercice B.1. (Questions de cours : (4 points))
1. Soit E un espace vectoriel et F E.
(a) Dnir un sous-espace vectoriel F de E. 1.5 points
(b) Dmontrer que lintersection de deux sous-espaces vectoriels de E est un sous-
espace vectoriel de E. 1.5 points
2. Soit A une matrice dordre n, avec A = (a
ij
), 1 i, j n. Donner le dveloppement
par rapport la i
e
ligne du dterminant de la matrice A. 1 point
Exercice B.2. (Espaces vectoriels - Base - Dimension (9 points))
1. Dans R
3
et R
N
munis des lois habituelles, les sous-ensembles suivants sont-ils des
sous-espaces vectoriels.
F
1
=
_
(b, b, 3b) R
3
| b R
_
; F
2
=
_
(u
n
) R
N
| u
n+2
= nu
n+1
+u
n
}. 2
points
2. Dans lespace R
4
, on considre les vecteurs suivants : u
1
= (1, 3, 2, 0), u
2
= (0, 5, 3, 3),
u
3
= (1, 2, 1, 3), v
1
= (1, 1, 1, 0) et v
2
= (2, 11, 7, 3). Soient F et G les sous-
espaces vectoriels de R
4
engendrs par les familles respectives {u
1
, u
2
, u
3
} et {v
1
, v
2
}.
(a) Dterminer si la famille de vecteur {u
1
} est libre ou lie ? 0.5 point
(b) Montrer que S
1
= {u
1
, u
2
} est libre et que S
2
= {u
1
, u
2
, u
3
} est lie. 2
points
(c) Montrer que le systme S
3
= {v
1
, v
2
} est libre. 1 point
(d) En dduire la dimension et une base des sous espaces vectoriels F et G. 1
point
(e) Dterminer la dimension et une base de F G. En dduire la dimension de
F + G. 1.5 points
(f ) Les sous-espaces F et G sont-ils supplmentaires dans R
4
, justier votre r-
ponse. 1 point
53
Exercice B.3. (Matrices (7 points))
On considre les matrices suivantes : A =
_

_
1 2 3
1 1 -1
1 0 1
_

_
et I
3
=
_

_
1 0 0
0 1 0
0 0 1
_

_
.
1. Calculer le dterminant de A par deux mthodes direntes que vous prciserez. En
dduire que A est inversible. 2.5 points
2. Calculer A
2
et A
3
. 1 point
3. Montrer que A
3
3A
2
2A + 6I
3
= 0. 1 point
4. En dduire lexpression de A
1
. 0.5 point
5. Soit F lensemble des matrices de la forme : F = {M M
3
(R) | M = aA + bI
3
:
a, b R} avec M
3
(R) est lensemble des matrices carres dordre 3 de scalaires de
R.
(a) Montrer que F est un sous espace vectoriel de M
3
(R). 1 point
(b) Dterminer une base de F et sa dimension. 1 point
C Devoir anne 2010-2011
Exercice C.1. (Matrices (7 points))
1. Dans R
4
muni des lois habituelles, les parties suivantes sont-elles des sous-espaces
vectoriels :
F =
_
(x
1
, x
2
, x
3
, x
4
) R
4
| x
1
= x
2
+x
3
_
; G =
_
(x
1
, x
2
, x
3
, x
4
) R
4
| x
1
x
2
_
;
2. Soit E = F(R, R) lensemble des applications de R dans R et C lensemble des
fonctions
croissantes de E. Les sous-ensembles suivants sont-ils des sous-espaces vectoriels de
E :
H =
_
f C
0
([0, 1], R) | f(t) = f(1 t)
_
, I =
_
g f | f, g C
_
.
Exercice C.2. 1. Dterminer si la famille des trois vecteurs ci-aprs est libre ou lie :
u = (1, 2, 1, 4); v = (0, 3, 1, 2) et w = (2, 1, 3, 6).
2. Soient S
1
= {x
1
, x
2
, x
3
} un systme de R
3
, avec x
1
= (1, 0, 1), x
2
= (0, 1, 1) ;
x
3
= (1, 1, 1) ;
54
S
2
= {y
1
, y
2
} un systme de R
2
, avec y
1
= (1, 1), y
2
= (1, 1).
(a) Montrer que S
1
est une base de lespace R
3
; et S
2
est une base de lespace R
2
.
(b) Montrer que le vecteur t = (
3
2
,
7
3
, 3) appartient au sous-espace linaire E de
R
3
engendr par le systme S
1
.
3. Soit S
3
= {z
1
, z
2
, z
3
} un systme de R
3
, avec z
1
= (1, 2, 3), z
2
= (1, 2, 5) et z
3
=
(1, 2, 1) ;
Montrer que le systme est li et trouver la relation de dpendance.
Exercice C.3. Soient A =
_

_
1 -1 2
0 -1 -2
0 0 3
_

_
et I
3
=
_

_
1 0 0
0 1 0
0 0 1
_

_
.
1. Calculer le dterminant de A par deux mthodes direntes que vous prciserez.
2. En dduire que A est inversible.
3. Calculer A
3
3A
2
A + 3I
3
.
4. Dduire de la question 3. lexpression de A
1
en fonction de A et I
3
. On donnera
lexpression explicite de A.
D Examen anne 2010-2011
Exercice D.1. (Questions de cours : (3 points))
1. Soit E un espace vectoriel et F E. Dnir un sous-espace vectoriel F de E. 1
point
2. Dnir un systme gnrateur (ou famille gnratrice) dune famille (u
1
, u
2
, ..., u
k
)
de vecteurs dun espace vectoriel E. 1 point
3. Dnir le rang dune matrice A, not rg(A). 1 point
Exercice D.2. (Sous-espaces vectoriels (3.5 points))
Montrer en utilisant la dnition que les ensembles suivants sont des sous-espaces vecto-
riels. F
1
=
_
(x
1
, x
2
, x
3
, x
4
) R
4
| x
1
x
2
+ x
3
= 0 et 2x
1
+ x
2
+ x
3
= 0
_
. 1 point
F
2
=
_
(x
1
, x
2
, x
3
) R
3
| x
1
= x
2
_
. 1 point
F
3
=
_
(u
n
) R
N
| M R : n N, |u
n
| M
_
. 1.5 points
55
Exercice D.3. (Base et dimension (6.5 points))
1. On pose : u
1
= (2, 1, 0), u
2
= (0, 2, 1) et u
3
= (2, 0, 1). Soit S = {u
1
, u
2
, u
3
}.
Montrer que S est une base de R
3
. Exprimer le vecteur u = (2, 2, 3) dans cette base.
2 points
2. Soient t
1
= (1, 2, 5, 3) et t
2
= (2, 1, 4, 7). Dterminer et de faon que le
vecteur
t = (, , 37, 3) appartienne au sous-espace de R
4
engendr par t
1
et t
2
. 2 points
3. Soient v
1
= (1, 0, 1), v
2
= (2, 3, 1), v
3
= (1, 1, 0) et v
4
= (2, 1, 1).
Dterminer le rang du systme form par ces quatre vecteurs. 2.5 points
Exercice D.4. (Exercice 3 : Matrices (7 points))
Soient M =
_

_
1 2 1 3
2 -1 0 -2
-1 1 -1 1
0 1 0 2
_

_
et I
4
=
_

_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_

_
.
1. Calculer le dterminant de M. En dduire que la matrice M est inversible. 2 points
2. Calculer M

le cofacteur de la matrice M. En dduire M


1
linverse de M. 3 points
3. Calculer M
1
par la mthode du pivot. 2 points
56
Rfrences
[1] Roger P., Mathmatiques pour lconomie et la gestion. Application avec Excel, Edi-
teur : Pearson Education, France. Octobre 2006.
[2] Thiam M., Cours dAlgbre, premire anne FASEG.
[3] Aubonnet F., Guinin D., et Joppin B., Prcis de mathmatiques : Algbre 2. 2me
dition, Editions Bral, 1988.
[4] Bouzitat C., Pradel J., Mathmatiques : Fonctions de plusieurs varibles-Optimisation,
Editions Cujas.
[5] Calvo B., Doyen J., Calvo A., et Boschet F., Exercices dalgbre, 1er cycle, 2me
anne, Editions Armand Colin, Collection U 1984.
[6] Deschamps C., Ramis E., et Odoux J., Cours de mathmatiques spciales Tome 2 :
Algbre et applications la gomtrie.
[7] Ferrier O., Maths pour conomistes, l Analyse en Economie, vol1, vol2, Editions De
Boeck Bruxelles, 2003.
[8] Lesieur L., Temam R., et Lefevre J., Complments dalgbre linaire, maths spciales :
1re et 2me annes, Editions Armand Colin, Collection U 1978.
[9] Liret F., et Martinais D., Mathmatiques pour le DEUG, Algbre et gomtrie, 2me
anne, Cours et exercices avec solutions, Editions Dunod Paris, 1997.
[10] Michel P., Cours de Mathmatiques pour conomistes, Editions Economica,Paris,
1989.
[11] Pcastaings F., et Sevin J., Chemins vers LAlgbre. Tome 2 : Exercices avec solutions
et rappels de cours, Editions Vuibert, 1980.
[12] Rivaud J., Algbre linaire. Tome 1 : Exercices avec solutions, Editions Vuibert,
1978
[13] Seymour L., Algbre linaire, cours et problmes, Serie Schaum.
[14] Sureau H., et Sureau Y., Algbre linaire, DEUG scientiques : 1re et 2me annes,
Volumes 1 et 2, Editions Armand Colin, Collection Flash U Sries mathmatiques
1987.
57
[15] Varian Hal R., Microecomics Analysis, Editions W.W.Norton Company New York,
1992.
[16] Wade A., Les mathmatiques de lanalyse conomique moderne, Editions Economica,
2007.
58