Académique Documents
Professionnel Documents
Culture Documents
Notes
Ces notes de cours correspondent à un enseignement de première année de la FASEG.
Ceci constitue une quatrième version et les chapitres manquants seront complétés au
fur et à mesure qu’on avancera au cours de l’année.
Ce cours est le résultat d’une réflexion technique pédagogique dont j’espère qu’il apportera
1
aux étudiants une stimulation intellectuelle et un encouragement à persévérer, chaque fois
que la compréhension d’un phénomène économique leur posera des difficultés.
Bien qu’ayant relu attentivement toutes les notes, il reste plusieurs imperfections. Je
demande aux étudiants de m’en excuser, et de me les signaler afin d’en améliorer la
qualité. Leurs camarades de l’année prochaine leur en seront reconnaissants.
2 MATRICES 21
2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.2 Matrices nulles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.3 Matrices colonnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.4 Matrices lignes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.5 Matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.6 Matrices triangulaires . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.7 Matrice diagonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2
2.1.8 Matrice Identité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.9 Matrice transposée . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.10 Matrice symétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.11 Trace d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.12 Concaténation de deux matrices . . . . . . . . . . . . . . . . . . . . 28
2.2 Opérations 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 Déterminant et inverse d’une matrice . . . . . . . . . . . . . . . . 37
2.3.1 Les déterminants d’ordre 2 . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.2 Les déterminants d’ordre 3 . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.3 Les déterminants d’ordre n . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.4 L’inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.3.5 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3 APPLICATIONS LINÉAIRES 49
4 SYSTÈMES LINÉAIRES 49
A Quelques exercices 49
3
1 ESPACES VECTORIELS SUR R
L’utilisation d’espaces vectoriels reste un cadre théorique pour de nombreux modèles
économiques et de gestion.
Dans les applications économiques, les espaces ont souvent une dimension supérieure à 2.
La répartition des parts de marché entre différentes marques pour un produit donné, les
résultats possibles d’un tirage au hasard dans une population, les valeurs possibles d’un
prix du baril dans un an peuvent être représentés par des vecteurs caractérisés par un
nombre de coordonnées supérieur à deux. Il en est de même pour l’ensemble des notes
obtenues par un étudiant à la fin d’un semestre ou par les notes de mille étudiants de
première année dans une matière donnée.
Dans la section 1.1 nous présentons la définition formelle d’un espace vectoriel ainsi que
les propriétés élémentaires de ces structures. Dans la section 1.2 nous verrons ce qui se
passe si on considère un sous-ensemble d’un espace vectoriel. Et enfin dans la section 1.3
nous traiterons de base et dimension d’un espace vectoriel, c’est à dire les conditions dans
lesquelles un sous vecteur permet d’obtenir tous les vecteurs de l’espace par combinaison.
Nous restreignons le cours aux espaces dont les vecteurs ont un nombre fini de coordonnées.
1.1 Généralités
Définition 1.1. On appelle K-espace vectoriel ou espace vectoriel sur K, tout en-
semble E, dont les éléments sont appelés vecteurs, muni d’une loi de composition interne
(appelée addition et notée « + » ) et d’une loi de composition externe (appelée multipli-
cateur par un scalaire et notée « . ») vérifiant :
@pu, v, wq P E3 , pu ` vq ` w “ u ` pv ` wq “ u ` v ` w
4
3. Il existe dans E un vecteur appelé élément neutre de l’addition, et noté « 0 », tel
que pour tout vecteur u P E, on a :
u`0“0`u“u
@u P E, Dv P E tel que u ` v “ v ` u “ 0
@pα, βq P K2 , @u P E, pα ` βq.u “ αu ` βu
@α P K, @pu, vq P E2 , α.pu ` vq “ αu ` αv
@u P E, 1.u “ u
L’élément neutre de l’addition, noté 0 ou encore ~0, est appelé « vecteur nul ».
5
Remarque 1.2. Ne pas confondre ce vecteur nul avec le 0 nombre réel.
Remarque 1.3. Pour désigner la multiplication par un scalaire, nous noterons aussi le
produit α.u par αu.
(i) @u P E, 0.u = 0
(ii) @α P R, α.0 = 0
(vii) @pu, v, wq P E3 : u ` w “ v ` w ðñ u “ v
Exemple 1.1.
L’ensemble des nombres réels R est un espace vectoriel, muni de l’addition et de la multi-
plication usuelles. On vérifie sans difficulté les points de la définition 1.1. Le nombre nul
de R est le nombre 0.
Exemple 1.2.
6
où α P R.
L’élément neutre de l’addition (vecteur nul) est la matrice-colonne dont les deux éléments
sont égaux à 0.
Exemple 1.3.
Cet exemple a pour seul objet d’attirer l’attention sur le fait que les espaces vectoriels sont
des structures très générales et peuvent caractériser des ensembles d’objets mathématiques
n’ayant qu’un rapport lointain avec l’intuition géométrique de la notion de vecteur.
Soit ApRn q l’ensemble des applications définies sur Rn à valeurs dans R ; ApRn q est un
espace vectoriel si on définit l’addition des applications et la multiplication par un scalaire
par :
pf ` gqpuq “ f puq ` gpuq
Théorème 1.1. : Exemples : Les ensembles suivants sont des R-espaces vectoriels (sui-
vant les cas), dits espaces vectoriels de référence.
7
1.2 Sous-Espaces Vectoriels
1.2.1 Définition
X On donne ci-après un critère plus simple pour vérifier si un sous-ensemble d’un espace
E est un sous-espace vectoriel. Il est parfois retenu comme définition d’un sous-espace
vectoriel ; c’est pourquoi nous le présentons comme tel.
Exemple 1.4.
où 1 xT “ px1 , x2 , x3 q.
Si deux vecteurs de F1 , notés x et y, ont la somme de leurs composantes nulle, il en est
1. xT désigne la transposée de x. Un vecteur x de R3 étant une matrice-colonne, donc xT est une
matrice ligne.
8
de même pour z “ αx ` βy pour tout couple pα, βq.
En effet, on peut écrire :
¨ ˛
αx1 ` βy1
˚ ‹
z “ αx ` βy “ ˚ αx2 ` βy2
˚ ‹
‹
˝ ‚
αx3 ` βy3
On a donc :
Exemple 1.5.
Soient u, v P F X G et α, β P R.
On a :
$ ,
& F s.e.v. de E . ´ ¯
ùñ αu ` βv P F car F est stable par combinaison linéaire
% u, v P F -
$ ,
& G s.e.v. de E . ´ ¯
ùñ αu ` βv P G car G est stable par combinaison linéaire
% u, v P G -
D’où αu ` βv P F X G.
9
X Pour illustrer cette proposition, considérons le sous-espace F2 défini par :
! )
F2 “ x P E { x1 ´ 2x2 ` 3x3 “ 0 (1)
z1 ´ 2z2 ` 3z3 “ 0
z1 ´ 2z2 ` 3z3 “ α ˆ 0 ` β ˆ 0 “ 0
On a bien z P F1 X F2 .
Remarque 1.5. Ce second exemple montre qu’en général la réunion de deux s.e.v. n’est
pas un s.e.v.
10
1.2.2 Somme et Somme directe
Si on souhaite garder une structure d’espace vectoriel en ajoutant des vecteurs de deux
sous-espaces différents, il faut définir de manière moins restrictive la « somme » de sous-
espaces. Pour cela, considérons l’ensemble défini par :
! )
F12 “ z P R3 { z “ x ` y avec x P F1 et y P F2
Proposition 1.2. Soient F1 , ..., Fk des s.e.v. d’un e.v. E , et soit F un ensemble défini
par :
! k
ÿ )
k
F “ x P E { Dpα1 , ..., αk q P R et u1 P F1 , ..., uk P Fk tels que x “ αi ui
i“1
Dans cette proposition, il n’est pas mentionné que les coefficients α1 , ..., αk et les vecteurs
u1 P F1 , ..., uk P Fk sont définis de manière unique pour x fixé, et c’est d’ailleurs faux en
général. On peut construire un contre-exemple simple en supposant F1 “ F2 .
X Lorsque la décomposition est unique, on utilise une notion légèrement différente, indi-
quée ci-après.
Définition 1.4.
La somme directe de s.e.v. n’existe pas toujours car la composition évoquée dans la défi-
nition n’est pas forcément unique.
L’intuition est que, dans ce dernier cas, les Fi ont des vecteurs en commun autres que les
vecteurs 0. Cette intuition est formalisée par la proposition suivante.
11
Proposition 1.3. Une condition nécessaire pour que la somme directe de Fi soit définie
est que pour tout couple pi, jq, Fi X Fj “ t0u.
Rappelons que comme tout espace vectoriel contient 0, et l’intersection de deux s.e.v.
contient au moins ce vecteur.
Définition 1.5. Soit F Ă E. Le sous-espace vectoriel engendré par F, noté V ectpFq, est
le plus petit des sous-espaces vectoriels de E contenant F.
X Justification :
L’ensemble E des sous-espaces vectoriels de E contenant F n’est pas vide, puisqu’il contient
E.
Ş
L’intersection XPE X est un sous-espace vectoriel de E contenant A, et est contenu dans
chaque X de E, c’est donc bien le plus petit des éléments de E.
Proposition 1.4.
1. V ectpHq “ t0u
Dans l’Exemple 1.4, nous avons montré qu’à partir d’un certain nombre de vecteurs de
référence (y 0 et les y k , k=1,2), il était possible, par combinaison, de construire n’importe
quel vecteur de R3 .
Il faut maintenant préciser ce qu’on entend par « combinaison » et spécifier les condi-
tions dans lesquelles un sous vecteur permet d’obtenir tous les vecteurs de l’espace par
combinaison.
12
1.3.1 Combinaisons linéaires et familles liées
Définition 1.6. Soient u1 , u2 , ..., uk des vecteurs de E et α1 , α2 , ..., αk des nombres réels.
On appelle combinaison linéaire des uj avec les coefficients αj le vecteur x défini par :
k
ÿ
x “ α1 u1 ` α2 u2 ` ... ` αk uk “ αj uj
j“1
X Cette notion de combinaison linéaire est fondamentale car, comme nous l’avons vu
dans l’Exemple 1.4 si les vecteurs uj désignent des valeurs futures d’actifs financiers dans
différents états de la nature, le vecteurs x représente les valeurs du portefeuille contenant
αj , pour j “ 1, ..., k.
Nous reproduisons au Tableau 1 les données correspondantes au model compensatoire
linéaire dans lequel un consommateur donne des notes à des ordinateurs portables sur
différents attributs (quatre attributs dans cet exemple) et affecte ensuite une note globale
en pondérant les attributs.
Le vecteur des poids accordés par le consommateur à ces attributs est défini par :
¨ ˛
40%
˚ ‹
˚ ‹
˚ 30% ‹
α“˚ ˚ ‹
‹
˚ 20% ‹
˝ ‚
10%
Chaque attribut peut être vu comme un vecteur de R4 dont les composantes sont les notes
des quatre ordinateurs.
On notera u1 , u2 , u3 , u4 ces attributs pour calcul, graphique, logiciel, prix. Dans ce cadre,
le vecteur des notes finales s’écrit comme la combinaison linéaire.
α1 u1 ` α2 u2 ` α3 u3 ` α4 u4
13
On remarque que le vecteur final peut être obtenu en faisant le produit de la matrice (4,4)
des notes par la matrice des poids α de dimensions (4,1), sous la forme :
¨ ˛¨ ˛ ¨ ˛
10 8 6 4 0.4 8
˚ ‹˚ ‹ ˚ ‹
˚ ‹˚ ‹ ˚ ‹
˚ 8 6 8 3 ‹ ˚ 0.3 ‹ ˚ 6.9 ‹
˚ ‹˚ ‹“˚ ‹
˚ ‹˚ ‹ ˚ ‹
˚ 6 8 10 5 ‹ ˚ 0.2 ‹ ˚ 7.3 ‹
˝ ‚˝ ‚ ˝ ‚
4 3 7 8 0.1 4.7
Proposition 1.5. Soient u1 , u2 , ..., uk des vecteurs de E et notons F l’ensemble des com-
binaisons linéaires de vecteurs uj , j “ 1, ..., k, c’est à dire :
! k
ÿ )
k
F “ x P E { Dα P R , x “ αj uj
j“1
Cette proposition n’est rien d’autre qu’un cas particulier de la Proposition 1.2 dans la-
quelle Fj serait l’espace vectoriel engendré par uj .
Définition 1.7. Soient u1 , u2 , ..., uk des vecteurs de E. Ils sont dits linéairement dé-
pendants s’il existe des coefficients α “ pα1 , α2 , ..., αk q avec α ‰ 0 tels que :
k
ÿ
αj uj “ 0 (2)
j“1
X Cette définition traduit le fait qu’un quelconque uj des k vecteurs peut s’écrire comme
une combinaison linéaire des autres vecteurs. En effet, s’il existe un indice j tel que αj ‰ 0,
14
on peut écrire :
k
ÿ αi
uj “ ´ ui
α
i“1 j
i‰j
Remarque 1.6. Si k vecteurs forment une famille liée (ils sont linéairement dépendants),
on peut ajouter un nombre quelconque de vecteurs à cette famille, elle restera liée.
En effet, il suffira d’affecter des coefficients nuls aux nouveaux vecteurs pour retrouver
une relation comme celle de la définition précédente.
Exemple 1.6.
´u1 ` u2 ´ u3 “ 0
Définition 1.8. Soient u1 , u2 , ..., uk des vecteurs de E. Ils sont dits linéairement indé-
pendants s’ils ne constituent pas une famille liée. On dit alors qu’il s’agit d’une famille
libre.
Exemple 1.7.
15
Soient u1 et u2 les vecteurs de R3 définis par :
¨ ˛ ¨ ˛
1 2
˚ ‹ ˚ ‹
u1 “ ˚ 4 ‹ u2 “ ˚ 1
˚ ‹ ˚ ‹
‹
˝ ‚ ˝ ‚
2 3
Ces vecteurs sont linéairement indépendants. En effet, supposons qu’il existe deux réels
non nuls α et β tels que :
αu1 ` βu2 “ 0
4α ` β “ 0
2α ` 3β “ 0
On a, pour les familles libres, une propriété symétrique à celle mentionnée pour les familles
liées.
k
ÿ
αi ui “ 0
i“1
et les αi ne sont pas tous nuls. Cette égalité contredit l’hypothèse selon laquelle B est une
famille libre.
16
Définition 1.9. Une famille (u1 , u2 , ..., uk ) de vecteurs de E est appelée système géné-
rateur (ou famille génératrice) si tout x P E s’écrit comme une combinaison linéaire
de (u1 , u2 , ..., uk ).
k
ÿ
k
@x P E, Dα P R tel que x “ α1 u1 ` α2 u2 ` ... ` αk uk “ αj uj
j“1
X Lorsqu’une famille B de vecteurs est un systéme générateur d’un espace vectoriel E (on
dit aussi que B engendre E), toute famille B ˚ qui contient B engendre aussi E. Cependant,
si B ˚ Ą B et B ˚ ‰ B alors B ˚ est forcément liée.
X Il est alors naturel de s’interroger sur la plus « petite » famille engendrant E, c’est-à-
dire celle qui contient le moins d’éléments.
1.3.3 Bases
Définition 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 liée et engendre E, on peut toujours, pour un vecteur x quelconque, trouver
plusieurs combinaisons linéaires des vecteurs de B qui sont égales à x. En effet, supposons
que :
n
ÿ
x “ α1 u1 ` α2 u2 ` ... ` αn un “ αi ui
i“1
n
ř
X Si B est liée, on peut par exemple écrire u1 “ βi ui . En remplaçant ui par sa valeur,
i“2
on obtient :
n
ÿ
x“ pαi ` α1 βi qui
i“2
X Dans le cas où B est libre, cette décomposition est unique, ce qui se traduit par la
proposition suivante.
Proposition 1.7. Une famille B “ tu1 , ..., un u est une base d’un espace vectoriel E si
et seulement si tout vecteur x P E s’écrit d’une manière unique comme combinaison
17
linéaire des vecteurs de B. On a alors :
n
ÿ
x “ α1 u1 ` α2 u2 ` ... ` αn un “ αi ui
i“1
X Chaque fois qu’on se donne une base B et un vecteur x, ce dernier est caractérisé par
n
ř
les coefficients αT “ pα1 , ..., αn q tels que x “ α1 u1 ` α2 u2 ` ... ` αn un “ αi ui .
i“1
Les coefficients pα1 , α2 , ..., αn q dépendent de la base choisie.
Exemple 1.8. E “ R2 ,
X “ px, yq “ xp1, 0q ` yp0, 1q “ xe1 ` ye2 avec e1 “ p0, 1q e2 “ p0, 1q.
Tout élément de R2 est une combinaison linéaire de e1 et e2 , i.e. te1 , e2 u est un système
générateur.
Soit α1 , α2 des réels. On a : α1 p1, 0q ` α2 p0, 1q “ p0, 0q c’est à dire pα1 , α2 q “ p0, 0q donc
α1 “ α2 “ 0.
Donc la famille te1 , e2 u est libre d’ où te1 , e2 u est une base.
Exemple 1.9. E “ Rn ,
La base la plus « simple » de E est appelée base canonique et notée e1 , ..., en où ces
vecteurs sont définis par :
Le vecteur ei a toutes ses composantes nulles sauf la i-ième qui est égale à 1.
Par conséquent, pour tout vecteur xT “ px1 , ..., xn q, on a la décomposition suivante :
n
ÿ
x “ x1 e1 ` x2 e2 ` ... ` xn en “ xi ei
i“1
detpx1 , x2 , ..., xn q ‰ 0.
18
1.3.4 Dimension
Définition 1.11. Un espace E est de dimension finie s’il possède un système générateur
comptant un nombre fini de vecteurs. Dans ce cas, on appelle dimension de E, et on note
dim(E), le nombre de vecteurs 2 d’une base de E.
X Pour que cette définition caractérise sans ambiguïté la dimension, il faut que toutes
les bases d’un espace de dimension finie comptent le même nombre de vecteurs, ce que
précise la proposition suivante.
2. dim F ď dim E.
Remarque 1.9. Le seul espace vectoriel de dimension nulle est le singleton t~0u.
Remarque 1.10. Soit E un espace vectoriel de dimension finie. 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 définition 1.11 montre qu’on ne peut identifier la dimension d’un
e.v. avec le nombre de vecteurs d’un système générateur mais seulement avec le nombre de
vecteurs d’une base (i.e. des vecteurs linéairement indépendants). Par conséquent, dans
toute famille de vecteurs d’un espace E de dimension finie, il existe un nombre maximal
de vecteurs linéairement indépendants qui est, égal à la dimension de l’espace.
2. Par convention, l’espace réduit au vecteur nul est de dimension égale à 0.
19
Proposition 1.9. Soit B “ pu1 , ..., un q une base de E et x un vecteur quelconque de E.
Alors, la famille Bx “ pu1 , ..., un , xq est liée.
n
ř
X En effet, x se décompose de manière unique sous la forme xi ui puisque B est une
i“1
base. Par conséquent, on peut trouver (α1 , ..., αn , αn`1 ) non tous nuls tels que :
n
ÿ
αi ui ` αn`1 x “ 0
i“1
Il suffit de choisir αi “ xi et αn`1 “ ´1, et la définition 1.7 implique que Bx est liée.
1.3.5 Rang
X Dans la proposition 1.5, nous avons montré que l’ensemble des combinaisons linéaires
d’un ensemble de vecteurs de E formait un s.e.v. de E.
X De plus, on ne modifie pas rgpBq en ajoutant à B un vecteur combinaison linéaire des
vecteurs de B.
Par conséquent, on a la proposition suivante.
Théorème 1.4.
2) Soit v un vecteur qui ne s’écrit pas comme combinaison linéaire des vecteurs de B. On
a alors :
ď
rgpB tvuq “ rgpBq ` 1
20
2 MATRICES
Dans ce chapitre, on définit formellement les matrices et les différentes formes qu’elles
peuvent prendre. Nous précisons les règles élémentaires de calcul, à savoir l’addition de
deux matrices et la multiplication d’une matrice par un nombre réel. Nous abordons aussi
le déterminant et l’inverse d’une matrice carrée.
2.1 Généralités
2.1.1 Définitions
Une telle matrice est dite matrice de m ě 1 lignes et de n ě 1 colonnes et l’ensemble des
matrices de m lignes et n colonnes de scalaires de R se note Mm,n pRq.
Exemple 2.1.
» fi
2
” ı — ffi
A“ P M1,1 pRq; B “ — 0 ffi P M3,1 pRq
— ffi
a
– fl
1
» fi
8 2 1 0
” ı — ffi
C“ P M1,4 pRq; D “ — 5 0 ´1 3 ffi P M3,4 pRq
— ffi
0 ´1 2 6
– fl
7 4 ´1 0
Pour cette dernière matrice, nous pouvons la noter D “ pdij q1ďiď3, 1ďjď4 .
Nous avons alors l’identification :
$ ,
’ d “ 8, d “ 2, d “ 1, d “ 0 /
& 11 12 13 14
’
’ /
/
.
d21 “ 5, d22 “ 0, d23 “ ´1, d24 “ 3
’
’ /
/
’
% d “ 7, d “ 4, d “ ´1, d “ 0 / -
31 32 33 34
21
X L’exemple ci-dessus donne une illustration sur l’importance du calcul matriciel en
économie et en gestion, qui fait l’objet du présent chapitre.
Par exemple m12 “ 0.1 signifie que parmi les acheteurs de la marque A, 10% d’entre eux
avaient acheté la marque B la fois précédente. La somme des termes de chaque ligne i est
égale à 1, c’est-à-dire 100% des acheteurs de la marque i.
Il s’agit d’un exemple simplifié car on ajoute en général une possibilité de réponse « Autre»
pour tenir compte du cas où l’acheteur avait choisi une autre marque que les quatre pro-
posées lors de son dernier achat, ou éventuellement pour faire face au cas de l’acheteur
qui achète des yaourts pour la première fois !
22
précisément une stabilité des comportements de changement de marque dans le temps) ;
la problématique est comparable à celle de notation des entreprises.
La matrice de Mm,n pRq dont tous les éléments sont nuls est appelée matrice nulle de m
lignes et de n colonnes.
» fi
0 0 ... 0
— ffi
— ffi
— 0 0 ... 0 ffi
M “— .. .. . . ..
ffi
.
— ffi
— . . . ffi
– fl
0 0 ... 0
Dans toute la suite, nous appelons une matrice d’une seule colonne de la forme
» fi
a1
— ffi
— ffi
— a2 ffi
M “ — . ffiffi P Mm,1 pRq
—
— .. ffi
– fl
am
Mm,1 pRq “ Rm
Une matrice d’une seule ligne est dite matrice ligne et est de la forme
” ı
A“ a1 a2 . . . an P M1,n
Une matrice M est carrée si m “ n, c’est à dire qu’elle a le même nombre de lignes et de
colonnes.
X L’ensemble des matrices carrées de n lignes et de n colonnes est dite matrice carrée
23
d’ordre n.
» fi
a11 a12 . . . a1n
— ffi
— ffi
— a21 a22 . . . a2n ffi
A“— . . . .. ffi P Mn,n pRq “ Mn pRq
ffi
— .. ..
— . . . ffi
– fl
an1 an2 . . . ann
D’abord, il faut définir la diagonale d’une matrice carrée, constituée des termes de la
forme aii , 1ďiďn .
» fi
a11
— ffi
— ffi
— a22 ffi
A“— ffi P Mn,n pRq “ Mn pRq
..
.
— ffi
— ffi
– fl
ann
Tous les éléments au dessus de la diagonale définissent la sur-diagonale, c’est à dire les
éléments se situant à la ligne i et la colonne j avec j ě i.
Tous les éléments en dessous de la diagonale définissent la sous-diagonale, c’est à dire les
éléments se situant à la ligne i et la colonne j avec j ď i.
Définition 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
supérieure si tous les termes de la sous-diagonale sont nuls, triangulaire inférieure si tous
les termes de la sur-diagonale sont nuls.
Exemple 2.3.
» fi
» 1 1 9 0
fi
1 0 —
—0 ffi
ffi
— ffi — 0 ´1 3 0 ffi
— 3 3 0 ffi et —
— ffi ffi
— ffi
– fl — 0 0 2 7 ffi
0 ´1 2 – fl
0 0 0 3
24
2.1.7 Matrice diagonale
Il s’agit d’une matrice carrée dont tous les termes non diagonaux sont nuls. Ou encore, il
s’agit d’une matrice carrée à la fois triangulaire supérieure et inférieure. Dans ce cas, on
peut se contenter de citer seulement la diagonale :
» fi
λ1
— ffi
— ffi
— λ2 ffi
Λ“— — ...
ffi “ diagpλ1 , λ2 , . . . , λn q
ffi
— ffi
– fl
λn
La notation diagpλ1 , λ2 , . . . , λn q veut dire qu’il s’agit d’une matrice diagonale et que la
diagonale contient les scalaires λ1 , λ2 , . . . , λn .
On utilise le symbole de Kronecker
$
& 1, si i“j ;
δij “
% 0, si i‰ j.
Ainsi, si i “ j, le terme diagonal est λi , sinon, il est nul, car le symbole de Kronecker est
nul.
Parmi les matrices diagonales, on peut remarquer celle dont les termes diagonaux sont
tous égaux à l’unité de R. On l’appelle matrice identité d’ordre n. Nous expliquerons plus
tard, pour quoi cette appellation. Nous la notons :
» fi
λ
— 1 ffi
— ffi
— λ2 ffi
In “ ——
..
ffi “ pδij q1ďi,jďn
.
ffi
— ffi
– fl
λn
25
Exemple 2.4.
» fi
» fi 1 0 0
1 0 — ffi
I2 “ – et I3 “ — 0 1 0
fl — ffi
ffi
0 1 – fl
0 0 1
Notations : Nous noterons une matrice avec une lettre capitale A, B, C etc. Pour une
matrice A par exemple, le terme d’ordre i et j sera notée avec la lettre minuscule aij .
Ainsi nous écrirons
A “ paij q1ďiďm,1ďjďn
26
» fi
A1
— ffi
— ffi
— A2 ffi
X Soit A “ paij q1ďiďm,1ďjďn “— ffi “ rA1 , A2 , ..., Aj , ..., An s, une matrice de m lignes
— .. ffi
— . ffi
– fl
Am
et de n colonnes.
ou
ou
» fi
pA1 qt
— ffi
— pA2 qt
— ffi
t
ffi
A “—
— ..
ffi
ffi
— . ffi
– fl
pAm qt
Exemple 2.5.
» fit
1 2
— ffi ¨ ˛
— ffi
— 0 ´1 ffi 1 0 4 1
— ffi “ ˝ ‚
— ffi
— 4 5 ffi 2 ´1 5 9
– fl
1 9
Définition 2.3. Une matrice carrée A est dite symétrique si elle est égale à sa propre
transposée, c’est à dire At “ A
Exemple 2.6.
» fi
5 3 ´2
— ffi
A“— 3 3
— ffi
0 ffi
– fl
´2 0 1
27
2.1.11 Trace d’une matrice
Les propriétés essentielles de la trace d’une matrice sont résumées dans la proposition
suivante.
T rpABq “ T rpBAq
28
Comme nous allons le voir dans le chapitre sur les Systèmes Linéaires, la concaténation
de matrices est utilisée, entre autres, pour simplifier la formulation de transformations
matricielles dans le cadre de la résolution de systèmes linéaires d’équations.
Deux matrices sont de même type lorsqu’elles ont le même ensemble de scalaires, le même
nombre de lignes et le même nombre de colonnes.
Soit alors A et B deux matrices à coefficients dans R, de même lignes (m) et de même
colonnes (n), i.e. A, B P Mm,n .
On définit la matrice A ` B, somme de A et B, comme la matrice de m lignes et de n
colonnes dont le terme pi, jq est la somme des deux termes pi, jq de A et de B. On note
ainsi :
Exemple 2.7.
» fi » fi » fi
1 1 2 4 6 ´6 5 7 ´4
– fl ` – fl “ – fl
20 5 ´2 1 0 7 21 5 5
Proposition 2.2.
3. Élément nul : soit la matrice O P Mm,n pRq dont tous les termes sont nuls, c’est
à dire : Oij “ 0, @ 1 ď i ď m, 1 ď j ď n. Il est évident qu’on a :
29
car
@A P Mm,n pRq, pA ` Oqij “ pAqij ` Oij “ pAqij , pO ` Aqij “ Oij ` pAqij “ pAqij
4. Opposé : tout élément de Mm,n pRq admet un opposé. En effet soit A P Mm,n pRq.
Définissons la matrice ´A P Mm,n pRq par
p´Aqij “ ´aij
Soit λ un scalaire, c’est à dire, un élément de R et une matrice A P Mm,n pRq. Définissons
la matrice λ.A notée aussi λA dont les termes sont ceux de A multipliés par λ, c’est à
dire pλAqij “ λaij .
Exemple 2.8.
» fi » fi
1 1 2 2 2 4
2– fl “ – fl
20 5 ´2 40 10 ´4
Proposition 2.3.
car
3. On a aussi
30
@A P Mm,n pRq, ´1R .A “ ´A
c’est à dire que : la multiplication d’une matrice par l’opposé de l’élément unité de
R donne l’opposée de la matrice dans Mm,n pRq, car
Mais aussi, on a :
0.aij “ p1R ` p´1R qqaij “ 1R aij ` p´1R aij q “ aij ` p´1R aij q
d’où
et
4. La multiplication externe est distributive par rapport à l’addition sur R et sur Mm,n pRq,
c’est à dire
X L’ensemble Mm,n pRq muni de l’addition interne (+) et de la multiplication externe (.)
est un espace vectoriel sur R.
On ne peut définir le produit de matrices que lorsqu’elles sont conformes. Deux matrices
A et B sont conformes si le nombre de colonnes de A égale au nombre de lignes de B. Les
éléments de Mm,n pRq et ceux de Mn,k pRq sont conformes.
par XY “ x1 y1 ` x2 y2 ` . . . ` xn yn
31
Exemple 2.9.
» fi
0
— ffi
r1 ´ 2 4s — 4 ffi “ p1 ˆ 0q ` p´2 ˆ 4q ` p4 ˆ 3q “ 4
— ffi
– fl
3
Chacun des nombres correspondant à la quantité de titres détenue pour chacun des quatre
titres.
32
‚ Le 9 janvier, la valeur du portefeuille s’écrit comme le produit de deux matrices A2 et
Q, avec A2 “ r11.05 19.51 20.75 34.55s.
On obtient : A2 Q “ 11.05 ˆ 1000 ` 19.51 ˆ 500 ` 20.75 ˆ 100 ` 34.55 ˆ 800 “ 51106 euros.
‚ On procéde de la même façon pour les 16, 23 et 30 Janvier.
On voit alors que la valeur du portefeuille à chaque date résulte du même calcul, réalisé
en multipliant les quantités par les prix de la date correspondante. Dans cet exemple, on
multiplie une matrice à quatre lignes par une matrice à quatre colonnes.
dont le terme (i,j) est le produit de la i-ième ligne de A par la j-ième colonne de B,
c’est-à-dire
avec
Exemple 2.11.
» fi » fi » fi
1 2 0 2 0 8 4
— ffi — ffi — ffi
— ffi — ffi — ffi
— ´1 ´2 1 ffi ˆ — 3 2 ffi “ — ´9 ´7 ffi
– fl – fl – fl
0 4 5 ´1 ´3 7 ´7
Remarque 2.2.
33
1. Le produit de matrices est associatif, en ce sens que
2. Une matrice nulle est absorbante, c’est à dire, que si O est la matrice nulle de
Mm,k pRq, alors pour toute matrice A qui lui est conforme, c’est à dire, ayant k
colonnes, on a O ˆ A “ O.
34
Dans un second temps, il reste à diviser cette matrice par la somme des coefficients, ce
qui revient à multiplier M C par l’inverse de la somme des coefficients.
La matrice-colonne des moyennes s’écrit donc :
¨ ˛ ¨ ˛
81 6.23
˚ ‹ ˚ ‹
˚ ‹ ˚ ‹
˚ 150 ‹ ˚ 11.54 ‹
˚ ‹ ˚ ‹
˚ ‹ ˚ ‹
1 ˚ 133 ‹ ˚ 10.23 ‹
“˚ ‹“˚ ‹
13 ˚ ‹ ˚
˚ 130 ‹ ˚ 10 ‹
‹
˚ ‹ ˚ ‹
˚ ‹ ˚ ‹
˚ 187 ‹ ˚ 14.39 ‹
˝ ‚ ˝ ‚
144 11.08
Il est clair qu’avec trois cents, ou cinq cent ou plus de mille étudiants, ces calculs matriciels
sont réalisés sur un tableur, comme Excel par exemple.
Cet exemple, fait intervenir deux opérations matricielles : le produit de deux matrices
(notes et coefficients) et le produit d’une matrice par un nombre réel (l’inverse de la
somme des coefficients).
35
2.2.4 Quelques exercices
¨ ˛ ¨ ˛
1 2 3 ´1 5 2
Exercice 2.1. Soient les matrices A “ ˝ ‚ et B “ ˝ ‚
1 0 2 2 2 ´1
1. Calculer A+B, 3B, 2A+B, B-A.
2. Donner At et B t .
¨ ˛ ¨ ˛ ¨ ˛
3 8 3
˚ ‹ ˚ ‹ ˚ ‹
˚ ‹ ˚ ‹ ˚ ‹
˚ ´5 ‹ ˚ 12 ‹ ˚ 8 ‹
Exercice 2.2. Soit les vecteurs x “ ˚
˚
‹, y “ ˚
‹ ˚
‹, z “ ˚ ‹
‹ ˚ 3 ‹
˚ 4 ‹ ˚ 1 ‹ ˚ 2 ‹
˝ ‚ ˝ ‚ ˝ ‚
1
2
1 1
et les matrices :
¨ ˛
¨ ˛ 1 3 9 2
2 4 1 5 ¨ ˛ ˚
˚
‹
‹
˚ ‹ 2 10 1 ˚ 4 5 10 10 ‹
A “ ˚ 3 1 1 1 ‹, B “ et C “ ˚
˚ ‹ ˝ ‚ ˚ ‹
‹
˝ ‚ 3 20 30 ˚ 1 1 1 1 ‹
6 10 2 1 ˝ ‚
10 5 2 1
1. Calculer :
(a) u “ 3x ` p 12 qy ´ z.
(b) 5px ´ yq ` p 13 qz.
2. Parmi les opérations suivantes, mettre en évidence et effectuer celles qui sont pos-
sibles : Ax, By, Cy, Cz ` BAx, BC, CAt etCA.
¨ ˛
1 ´1
Exercice 2.3. 1. Soit la matrice carrée M d’ordre 2 avec M “ ˝ ‚
´2 2
2 2
(a) Calculer M . Vérifier que M “ λM . Déterminer λ.
(b) Calculer M 3 et M 4 en fonction de M et λ.
(c) Soit n un entier quelconque. Déduire de (b) l’expression de M n en fonction de
M , λ et n.
(d) Démontrer par récurrence la relation établie sous (c).
¨ ˛
1 2
2. Soit la matrice M “ ˝ ‚
3 5
Déterminer la famille de matrice X telle que le produit MX soit une matrice diago-
nale.
36
2.3 Déterminant et inverse d’une matrice
Remarque 2.3. Le déterminant d’une matrice A est une fonction des éléments de cette
matrice. Il peut aussi être considéré comme une fonction de ses vecteurs colonnes, et dans
ce cas on l’écrira detpA1 , A2 q.
37
X En anticipant sur les déterminants d’ordre n, appelons Aij la matrice obtenue en
supprimant la ligne i et la colonne j de A. On voit immédiatement que cette formule peut
s’écrire :
Alors ¨ ˛ ¨ ˛ ¨ ˛
4 1 0 1 0 4
A11 “ ˝ ‚, A12 “ ˝ ‚, A13 “ ˝ ‚
8 6 2 6 2 8
et
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ 4 1 ˇ ˇ 0 1 ˇ ˇ 0 4 ˇ
detpAq “ 1 ˆ ˇˇ ˇ´5ˆˇ
ˇ ˇ
ˇ`3ˆˇ
ˇ ˇ
ˇ
ˇ
ˇ 8 6 ˇ ˇ 2 6 ˇ ˇ 2 8 ˇ
“ 1p24 ´ 8q ´ 5p0 ´ 2q ` 3p0 ´ 8q “ 16 ` 10 ´ 24 “ 2
X La formule que nous avons donnée dans l’exemple s’appelle le développement du dé-
terminant de A par rapport à la première ligne. Cette formule n’est cependant pas
unique.
On vérifie aisément que la formule
38
¨ ˛
a
˚ 12 ‹
˚ ‹
˚ a22 ‹
˝ ‚
a23
est de la forme :
detpAq “ p´1q1`2 a12 detpA12 q ` p´1q2`2 a22 detpA22 q ` p´1q3`2 a32 detpA32 q
“ ´a12 detpA12 q ` a22 detpA22 q ´ a32 detpA32 q
X Méthode de Sarius
¨ ˛
1 ´1 1
˚ ‹
Exemple 2.15. Calculer le déterminant de la matrice A “ ˚ 2 ´3 0 ‹ par la méthode
˚ ‹
˝ ‚
1 1 2
de Sarius.
ˇ ˇ
ˇ ˇ
ˇ 1 ´1 1 ˇ 1 ´1
ˇ ˇ
detpAq “ ˇ 2 ´3 0 ˇ 2 ´3
ˇ ˇ
ˇ ˇ
ˇ ˇ
ˇ 1 1 2 ˇ 1 1
detpAq “ rp1ˆ´3ˆ2q`p´1ˆ0ˆ1q`p1ˆ2ˆ1qs´rp1ˆ´3ˆ1q`p1ˆ0ˆ1q`p2ˆ2ˆ´1qs
detpAq “ p´6 ` 0 ` 2q ´ p´3 ` 0 ` 4q “ p´4q ´ p´7q “ 3
39
a11 A11 ` a12 A12 ` a13 A13 “ a11 p´1q1`1 |A11 | ` a12 p´1q1`2 |A12 | ` a13 p´1q1`3 |A13 |
“ a11 |A11 | ´ a12 |A12 | ` a13 |A13 |
Or
¨ ˛
3 2 1
˚ ‹
|A21 | “ det ˚ 7 1 6 ‹
˚ ‹
˝ ‚
1 4 10
“ 3p1 ˆ 10 ´ 4 ˆ 6q ´ 2p7 ˆ 10 ´ 1 ˆ 6q ` 1p7 ˆ 4 ´ 1 ˆ 1q
“ ´143
¨ ˛
1 3 1
˚ ‹
|A23 | “ det ˚ 2 7 6 ‹
˚ ‹
˝ ‚
0 1 10
“ 1p7 ˆ 10 ´ 1 ˆ 6q ´ 2p3 ˆ 10 ´ 1 ˆ 1q
“6
40
On a donc
1. Une matrice comportant une ligne (ou une colonne) de 0 a un déterminant nul.
2. Si une ligne (ou une colonne) d’une matrice est multipliée par une constante c, le
déterminant est également multiplié par c.
= 2 ˆ 5 ´ 3 ˆ 0 ` 2 ˆ p´5q “ 10 ´ 0 ` 10 “ 0
5. Le déterminant d’une matrice est nul si et seulement si les vecteurs colonnes (res-
pectivement
¨ les
˛ vecteurs lignes) sont liés.
4 6
A“˝ ‚, det(A)= 48 - 48 = 0, la deuxième ligne est le double de la première
8 12
colonne.
¨ ˛
3 6
B “ ˝ ‚, det(B)= 24 - 24 = 0, la deuxième collonne est le double de la
4 8
première ligne.
6. Si l’on ajoute à une colonne (respectivement à une ligne) un multiple scalaire d’une
autre colonne (respectivement d’une autre ligne) on ne change pas le déterminant.
41
7. Le développement d’un déterminant selon une ligne en utilisant les cofacteurs d’une
autre ligne donne zéro. En d’autres termes, une expression de la forme
n
ř
aij Akj
j“1
est nulle si k ‰ j
detpAq “ detpAt q
detpABq “ detpAqdetpBq
10. Le déterminant d’une matrice diagonale d’ordre n est égale au produit des éléments
de sa diagonale. i.e
D “ diagpλ1 , λ2 , . . . , λn q
n
ś
detpDq “ λj
j“1
11. Le déterminant d’une matrice triangulaire d’ordre n est égale au produit des élé-
ments de sa diagonale.
L’inverse d’une matrice A d’ordre n est égal à une matrice B d’ordre n telle que AB “
BA “ I, notée A´1 .
Définition 2.12. La matrice adjointe d’une matrice carrée A, notée A˚ , est la matrice
transposée des cofacteurs de la matrice A:
¨ ˛
A A21 A31 . . . An1
˚ 11 ‹
˚ ‹
˚
˚ A12 A22 A32 . . . An2 ‹
A “˚ ˚ .. .. .. ... ..
‹
‹
˚ . . . . ‹
˝ ‚
A1n A2n A3n . . . Ann
en d’autres termes, l’élément générique i, j de A˚ est le cofacteur Aji (notez l’inverse des
indices).
42
Théorème 2.1. Soit A˚ la matrice adjointe de A. Alors la relation suivante est vérifiée :
AA˚ “ detpAq.I
Théorème 2.2. Soit A une matrice carrée, A˚ sa matrice adjointe. Si detpAq ‰ 0, alors
1
A´1 “ detpAq
A˚
2. Remplacer chaque élément aij de A par le cofacteur qui lui est associé :
¨ ˛ ¨ ˛
a a a . . . a1n A A12 A13 . . . A1n
˚ 11 12 13 ‹ ˚ 11 ‹
˚ ‹ ˚ ‹
˚ a21 a22 a23 . . . a2n ‹ ˚ A A22 A23 . . . A2n
‹ ÝÑ ˚ 21
‹
˚ ‹
˚ .. .. .. . . . .. ‹ ˚ .. .. .. ... .. ‹
˚ . . . . ‹ ˚ . . . . ‹
˝ ‚ ˝ ‚
an1 an2 an3 . . . ann An1 An2 An3 . . . Ann
3. Transposer la matrice ainsi obtenue pour obtenir la matrice adjointe :
¨ ˛
A A21 A31 . . . An1
˚ 11 ‹
˚ ‹
˚
˚ A12 A22 A32 . . . An2 ‹
A “˚ ˚ .. .. .. ..
‹
.. ‹
˚ . . . . . ‹
˝ ‚
A1n A2n A3n . . . Ann
4. Calculer A´1 à l’aide de la formule
1
A´1 “ detpAq
A˚
Exemple
¨ 2.18. Déterminer
˛ l’inverse de la matrice A par la méthode des cofacteurs, avec
1 ´1 1
˚ ‹
A“˚ 2 ´3 0 ‹.
˚ ‹
˝ ‚
1 1 2
43
1. On a : det(A)=3 (déja calculé dans l’exemple 2.15). Le déterminant de A est dif-
férent de 0, donc A est inversible.
1
2. Calcul
» desˇ cofacteurs,
ˇ ˇnoté Aˇ : ˇ ˇ fi
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ ´3 0 ˇ ˇ 2 0 ˇ ˇ 2 ´3 ˇ
— `ˇ ˇ ´ˇ ˇ `ˇ ˇ ffi
— ˇ ˇ ˇ ˇ ˇ ˇ ffi »
— ˇ 1 2 ˇ ˇ 1 2 ˇ ˇ 1 1 ˇ ffi fi
—
—
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ffi
ffi — ´6 ´4 5
1
— ˇ ´1 1 ˇ ˇ 1 1 ˇ ˇ 1 ´1 ˇ ffi — ffi
A “— 1 ´2 ffi .
ffi “ — 3 ffi
— ´ ˇ
ˇ ˇ ` ˇ ˇ ´ ˇ ˇ
ˇ ˇ ˇ ˇ ˇ ffi –
— ˇ 1 2 ˇ ˇ 1 2 ˇ ˇ 1 1 ˇ ffi fl
—
—
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ffi
ffi 3 2 ´1
— ˇ ´1 1 ˇ ˇ 1 1 ˇ ˇ 1 ´1 ˇ ffi
– `ˇ ˇ ´ˇ ˇ `ˇ ˇ fl
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ ´3 0 ˇ ˇ 2 0 ˇ ˇ 2 ´3 ˇ
» fi
´6 3 3
— ffi
3. A˚ “ pA1 qt “ — ´4 1
— ffi
2 ffi
– fl
5 ´2 ´1
» fi
´6 3 3
— ffi
1
4. Calcul de A´1 à l’aide de la formule A´1 “ A˚ . On a : A´1 “ 13 — ´4 1
— ffi
detpAq 2 ffi
– fl
5 ´2 ´1
5. Vérification :
» fi » fi » fi » fi
1 ´1 1 ´6 3 3 3 0 0 1 0 0
— ffi 1 — ffi 1 — ffi — ffi
A ˚ A´1 “ — 2 ´3 0 ffi ˆ — ´4 1 ffi “ I
— ffi — ffi — ffi — ffi
2 ffi “ — 0 3 0 ffi “ — 0 1 0
– fl 3 – fl 3 – fl – fl
1 1 2 5 ´2 ´1 0 0 3 0 0 1
44
1 -1 1 1 0 0 L1
2 -3 0 0 1 0 L2
1 1 2 0 0 1 L3
1 -1 1 1 0 0 L11 =L1
0
-1 -2 -2 1 0 L12 =L2 -2L1
0 2 1 -1 0 1 L13 =L3 -L1
1 0 3 3 -1 0 L21 =L11 -L12
0 1 2 2 -1 0 L22 =-L12
0 0
-3 -5 2 1 L23 =L13 +2L12
1 0 0 -2 1 1 L3 2 2
1 =L1 +L3
0 1 0 - 43 1
3
2
3
L3 2 2 2
2 =L2 + 3 L3
5
0 0 1 3
- 23 - 13 L3 1 2
3 =- 3 L3
¨ ˛ ¨ ˛
´2 1 1 ´6 3 3
˚ ‹ ˚ ‹
1
On obtient : A´1 “ ˚ ´ 34 1 2
˚ ‹ ˚ ‹
3 3
‹“ 3 ˚ ´4 1 2 ‹
˝ ‚ ˝ ‚
5
3
´ 32 ´ 13 5 ´2 ´1
Remarque 2.6. On peut calculer le déterminant d’une matrice par la méthode du pivot.
Pour le faire on procède de la même façon que pour le déterminant de l’inverse d’une
matrice obtenu par la méthode du pivot.
45
L’exemple suivant donne une illustration sur l’importance des matrices en gestion et en
économie.
durée de vie d’un an et un taux de coupon de 4%. Elle ne paye donc plus rien après la
date 1. OB2 dure deux ans et paie un taux de coupon de 6% et enfin OB3 dure trois ans
et paie 4%.
Une banque souhaite proposer à ses clients une gamme de produits financiers très simples
qui permettent de s’assurer un revenu donné à une date future choisie, par exemple obte-
nir 100 euros à la date 2. Elle veut donc construire trois contrats C1 , C2 , C3 tels que Ct
donne 100 euros à la date t.
Le client achètera ces contrats sans se poser de questions sur leur construction « technique
46
» en supposant que la banque est capable de faire face à ses engagements. Cette dernière
doit cependant répondre à deux questions :
1. Comment faire pour satisfaire aux engagements futurs (payer les clients quand les
contrats arriveront à échéance) ?
La réponse à ces deux questions est plus simple qu’il n’y paraît à première vue.
La banque va construire des portefeuilles à partir des obligations existantes de façon qu’ils
dégagent des flux suffisants pour payer les clients. Le coût de ces portefeuilles donnera
la réponse à la seconde question (hors bénéfice de la banque qui viendra s’ajouter à la
« facture du client »). » fi
104 6 4
— ffi
1. Notons M la matrice définie par : M “ — 0 106 4 ffi
— ffi
– fl
0 0 104
M correspond aux trois premières lignes du tableau où sont définis les flux payés par les
différentes obligations. Si la banque achète trois obligations en nombre xT “ px1 , x2 , x3 q
(matrice ligne), elle va recevoir la série de flux (produit de deux matrices) :
» fi
104x1 ` 6x2 ` 4x3
— ffi
Mx “ —
— ffi
106x2 ` 4x3 ffi
– fl
104x3
» fi
0
— ffi
On voit alors qu’on peut choisir x tel que : M x “ — 0 ffi ou y et z tels que : M y “
— ffi
– fl
100
» fi » fi
0 100
— ffi — ffi
— 100 ffi et M z “ — 0 ffi.
— ffi — ffi
– fl – fl
0 0
En d’autres termes, il existe des portefeuilles et des obligations cotées sur le marché qui
engendrent les mêmes flux que les contrats que la banque souhaite créer. Ce qui vient
47
d’être fait peut être réécrit de manière concise sous la forme :
» fi » fi » fi » fi
104 6 4 x y z 104 0 0 1 0 0
— ffi — 1 1 1 ffi — ffi — ffi
ffi “ 100 — 0 1 0 ffi
— ffi — ffi — ffi — ffi
— 0 106 4 ffi ˆ — x2 y2 z2 ffi “ — 0 100 0
– fl – fl – fl – fl
0 0 104 x3 y3 z3 0 0 100 0 0 1
c’est à dire de multiplier les prix des obligations par les quantités à acheter pour chacun
des contrats. En conséquence, la banque ne peut pas vendre le contrat C1 à moins de 95.67,
le contrat C2 à moins de 89.30 et le contrat C3 à moins de 88.65.
Le rang d’une matrice noté rgpAq est égale à la dimension de l’espace engendré par les
vecteurs colonnes.
48
» fi
2 0 2
— ffi
Exemple 2.20. Déterminer le rang de la matrice A défini par A “ — ´2 3 ´1 ffi
— ffi
– fl
0 3 1
2 0 2 L1
-2 3 -1 L2
0 3 1 L3
1 0 1 L11 = 12 L1
0 3 1 L12 =L2 +L1
0 3 1 L13 =L3
1 0 1 L21 =L11
1
0 1 3
L22 = 13 L12
0 0 0 L23 =L13 -L12
Il n’existe plus de transformation pouvant conduire des lignes dont tous les éléments sont
nuls. Donc le rang de la matrice A est égale à 2, i.e. rgpAq “ 2.
Par conséquent la matrice A n’est pas inversible.
3 APPLICATIONS LINÉAIRES
4 SYSTÈMES LINÉAIRES
A Quelques exercices
Exercice A.1. noindent Dans R2 muni des lois habituelles, les parties suivantes sont-
elles des sous-espaces vectoriels :
! ) ! )
2 2
F1 “ px1 , x2 q P R | x2 “ 2x1 ; F2 “ px1 , x2 q P R | x1 ` x2 “ 1 .
Exercice A.2. Dans R3 muni des lois habituelles, les parties suivantes sont-elles des
sous-espaces vectoriels :
( ! )
3
F1 “ px1 , x2 , x3 q P R | x22 “ x1 et x3 “ 0 ;F2 “ pa ´ b, a ` b, a ´ 3bq | a, b P R ;
(
F3 “ px1 , x2 , x3 q P R3 | x1 ´ x2 ` x3 “ 0 et 2x1 ` x2 ` x3 “ 0 .
49
Exercice A.3. Dans R4 muni des lois habituelles, les parties suivantes sont-elles des
sous-espaces vectoriels :
! )
4
F1 “ px1 , x2 , x3 , x4 q P R | x1 ` x2 ` x3 ` x4 “ 0
(
F2 “ px1 , x2 , x3 , x4 q P R4 | x1 ` x2 “ x3 ` x4
(
F3 “ px1 , x2 , x3 , x4 q P R4 | x1 “ x2 “ x3 “ x4
Exercice A.6. Soient ~u1 , ..., ~un des vecteurs d’un K-espace vectoriel E.
! )
Montrer que l’ensemble F “ λ1~u1 ` ... ` λn~un | λ1 , ..., λn P K est un sous-espace
vectoriel de E contenant les vecteurs ~u1 , ..., ~un .
Exercice A.7. Soit E “ FpR, Rq. On note par C l’ensemble des fonctions croissantes de
! )
E. On pose : ∆ “ f ´ g | f, g P C .
Montrer que ∆ est un sous-espace vectoriel de E.
Exercice A.8. 1. Dans R3 muni des lois habituelles, les parties suivantes sont-elles
des sous-espaces vectoriels :
(
F “ px1 , x2 , x3 q P R3 | 2x1 ` x2 ` x3 “ 0 et x1 ´ x2 ` x3 “ 0
! )
G “ p´a, a, ´3aq | a P R
Exercice A.9. 1. Dans R4 muni des lois habituelles, les parties suivantes sont-elles
des sous-espaces vectoriels :
( (
F “ px1 , x2 , x3 , x4 q P R4 | x1 “ x2 ` x3 ; G “ px1 , x2 , x3 , x4 q P R4 | x1 ď x2 ;
50
2. Soit E “ FpR, Rq l’ensemble des applications de R dans R et C l’ensemble des
fonctions croissantes de E. Les sous-ensembles suivants sont-ils des sous-espaces
( ! )
0
vectoriels de E : H “ f P C pr0, 1s, Rq | f ptq “ f p1 ´ tq , I “ g ´ f | f, g P C .
Exercice A.10. Soient F et G les sous-espaces vectoriels de R3 engendrés par les fa-
milles respectives tu1 , u2 , u3 , u4 u et tv1 , v2 , v3 u, avec : u1 “ p0, 1, 1q, u2 “ p1, ´1, 1q,
u3 “ p´1, 0, ´3q, u4 “ p1, ´1, 2q, v1 “ p3, ´1, 8q, v2 “ p´1, 2, ´1q et v3 “ p0, 1, 0q.
5. Montrer que w “ p´2, 1, ´5q appartient à la fois aux sous-espaces vectoriels linéaires
F et G engendrés respectivement par les systèmes S2 et S3 .
Exercice A.11. Soient F et G les sous-espaces vectoriels de R4 engendrés par les familles
respectives tu1 , u2 , u3 u et tv1 , v2 u, où : u1 “ p1, 0, 4, 2q, u2 “ p1, 2, 3, 1q, u3 “ p1, ´2, 5, 3q,
v1 “ p4, 2, 0, 1q et v2 “ p1, 4, 2, 1q.
2. Montrer que les familles tu1 , u2 u et tv1 , v2 u sont libres. En déduire la dimension et
une base des sous-espaces vectoriels F et G.
51
1. Dans R3 et RN munis des lois habituelles, les sous-ensembles suivants sont-ils des
sous-espaces vectoriels.
(
F1 “ p´b, b, ´3bq P R3 | b P R ; F2 “ pun q P RN | un`2 “ nun`1 ` un u.
2. Dans l’espace R4 , on considère les vecteurs suivants : u1 “ p1, 3, 2, 0q, u2 “ p0, 5, 3, 3q,
u3 “ p´1, 2, 1, 3q, v1 “ p1, 1, ´1, 0q et v2 “ p2, 11, 7, 3q. Soient F et G les sous-
espaces vectoriels de R4 engendrés par les familles respectives tu1 , u2 , u3 u et tv1 , v2 u.
(b) Montrer que S1 “ tu1 , u2 u est libre et que S2 “ tu1 , u2 , u3 u est liée.
Exercice A.15. 1. Déterminer si la famille des trois vecteurs ci-aprés est libre ou
liée :
u “ p´1, 2, 1, 4q; v “ p0, 3, ´1, 2q et w “ p´2, 1, 3, 6q.
(a) Montrer que S1 est une base de l’espace R3 ; et S2 est une base de l’espace R2 .
52
2. Soient t1 “ p1, 2, ´5, 3q et t2 “ p2, ´1, 4, 7q. Déterminer α et β de façon que le
vecteur
t “ pα, β, ´37, ´3q appartienne au sous-espace de R4 engendré par t1 et t2 .
53
3. Calculer M ´1 par la méthode du pivot.
» fi » fi
1 -1 2 1 0 0
— ffi — ffi
Exercice A.20. Soient A = — 0 -1 -2 ffi et I3 = 0 ffi .
— ffi — ffi
— 0 1
– fl – fl
0 0 3 0 0 1
1. Calculer le déterminant de A par deux méthodes différentes que vous préciserez.
Exercice»A.21. On considére
fi les matrices
» suivantes
fi : » fi
-1 1 -2 0 0 1 1 0 0
— ffi — ffi — ffi
A = — 1 -4 1 ffi , B = — 0 1 0 ffi et I3 = 0 ffi .
— ffi — ffi — ffi
— 0 1
– fl – fl – fl
-2 1 -1 1 0 0 0 0 1
1. Calculer et Comparer AB et BA.
2. Calculer B 2 et en déduire B ´1 .
3. On pose C “ A ` 3B et D “ C ` 2I3 .
2. Calculer A2 et A3 .
54
5. Soit F l’ensemble des matrices de la forme : F “ tM P M3 pRq | M “ aA ` bI3 :
a, b P Ru avec M3 pRq est l’ensemble des matrices carrées d’ordre 3 de scalaires de
R.
Exercice A.25. 1. Soit D une matrice diagonale d’ordre n. Que vaut det(D) ?
55
2. En déduire qu’elle est inversible et obtenir son inverse grâce à l’équation précé-
dente.(Ne pas calculer le déterminant !)
¨ ˛
1 ´a 0 0
˚ ‹
˚ ‹
˚ 0 1 ´a 0 ‹
Exercice A.28. Montrer que la matrice A “ ˚ ˚
‹ est inversible quelque
‹
˚ 0 0 1 ´a ‹
˝ ‚
0 0 0 1
´1
soit le nombre a P R. Calculer A .
¨ ˛
1 0 2
˚ ‹
Exercice A.29. Calculer l’inverse de la matrice A par la méthode du pivot, A “ ˚ 1 1 1 ‹.
˚ ‹
˝ ‚
1 2 2
Exercice
¨ A.30. Calculer
˛ le déterminant de la matrice A par la méthode du pivot,
2 3 1
˚ ‹
A“˚ 6 9 1 ‹.
˚ ‹
˝ ‚
2 ´2 1
Exercice A.31. On considère les matrices suivantes :
¨ ˛ ¨ ˛ ¨ ˛
3 2 1 5 8 2 48 89 23
˚ ‹ ˚ ‹ ˚ ‹
A “ ˚ 2 2 1 ‹, B “ ˚ 3 5 1 ‹ , C “ ˚ 43 78 20 ‹
˚ ‹ ˚ ‹ ˚ ‹
˝ ‚ ˝ ‚ ˝ ‚
1 1 1 1 3 1 27 48 12
Calculer la matrice X tel que AXB “ C.
3. Soit F5 “ tpun q, @n, un`1 “ 3un u. Montrer que F5 est un sous espace vectoriel de R.
! )
Exercice B.2. Soit G “ px1 , x2 , x3 , x4 q P R4 | 2x1 `6x2 `7x3 ´x4 “ 0 , y “ p2, 1, ´1, 2q
un vecteur de R4 et H “ V ectpyq.
56
1. Montrer que G est un sous-espace vectoriel de R4 .
3. La famille de vecteur tyu est elle libre ou liée ? Justifier votre réponse.
À
4. A-t-on G H “ R4 ? On justifiera la réponse.
5. Soient u1 “ p1, 1, ´1, 1q, u2 “ p´1, ´2, 3, 7q, u3 “ p4, 4, ´5, ´3q trois vecteurs de R4
et u “ pa, b, c, dq P G (où a, b, c et d sont des nombres réels).
(b) En déduire que G “ V ectpu1 , u2 , u3 q (c’est à dire que S est une base de G).
57
On appelle matrice à coefficients réels, tout tableau ayant m lignes et n colonnes de
la forme
» fi
a11 a12 ... a1n
— ffi
— ffi
— a21 a22 . . . a2n ffi
M “—
— .. .. ... ..
ffi , aij P R
ffi
— . . . ffi
– fl
am1 am2 . . . amn
Une telle matrice est dite matrice de m ě 1 lignes et de n ě 1 colonnes.
Exemple :
» fi
8 2 1
A“– fl P M2,3 pRq
5 0 ´1
58
car u et v P F1 .
De même :
2. La famille de vecteur tuu est elle une famille génératrice de F1 . Justifier votre ré-
ponse. 1 point
Réponse :
On a : u “ p1, 1, 1q avec 1+1-2=2-2=0 et 2-1-1=2-2=0.
Donc u P F1 ùñ tuu Ă F1 . $
$
& x ` x ´ 2x “ 0 & x1 “ 2x3 ´ x2 p1q
1 2 3
ùñ
% 2x ´ x ´ x “ 0 % 2p2x ´ x q ´ x ´ x “ 0 p2q
1 2 3 3 2 2 3
59
3. La famille de vecteur tuu est elle une base de F1 . On justifiera la réponse. 1
point
Réponse : ,
u ‰ 0 ptuu est libreq .
ùñ tuu est une base de F1 .
F1 “ V ectpuq -
À
6. A-t-on F1 F2 “ R3 ? On justifiera la réponse. 2 points
Réponse :
On a : F1 ` F2 Ă R3 , dimpF1 q “ 1, dimpF2 q “ 2 et F1 , F2 s.e.v. de R3 . Donc F1 ` F2
s.e.v. de R3 .
On a alors¨: dimpF
˛ 1 ` F2 q “ dimpF1 q `
$dimpF2 q ´ dimpF1 X F2 q “ 3 ´ dimpF1 X F2 q.
x ’ x ` x2 ´ 2x3 “ 0 p1q
˚ 1 ‹ & 1
’
’
Soit X “ ˚ x2 ‹ P F1 X F2 . Alors :
˚ ‹
2x1 ´ x2 ´ x3 “ 0 p2q
˝ ‚ ’
’
’
x3 % x ` x ´ x “ 0 p3q
1 2 3
Les équations (1) et (2) donnent x1 “ x2 “ x3 . On remplace dans (3) et on obtient
x3 “ 0. D’où X “ 0 ùñ F1 X F2 “ t0u ùñ dimpF1 ` F2 q “ 3 ´ 0 “ 3.
Conclusion :
60
,
3
F1 et F2 s.e.v. de R //
/
/
/
3 /
F1 ` F2 s.e.v. de R . À
ùñ F1 F2 “ R3 .
dimpR3 q “ 3 /
/
/
/
/
/
dimpF1 ` F2 q “ 3 -
2. Calculer M 2 et M 3 . 2 points
Réponse : » fi
-5 12 -6
— ffi
2
Les calculs donnent : M “ M ˚ M = — -6 -6 ffi et
— ffi
13
– fl
-3 6 -2
» fi
-13 30 -18
— ffi
M 3 “ M 2 ˚ M = — -14 -18 ffi.
— ffi
31
– fl
-7 16 -10
61
3. Calculer le déterminant de M par deux méthodes différentes que vous préciserez.
2 points
Réponse : (1 point par type de méthode)
‚ On peut calculer le déterminant de M par la méthode des cofacteurs ou par la
méthode de Sarius (car on a une matrice d’ordre 3). On note par detpM q le déter-
minant de la matrice M .
‚ Par cofacteur : (1 point)
“ ‰ “ ‰ “ ‰
detpM q “ ´1 p7ˆ´4q´p4ˆ´6q ´6 p´2ˆ´4q´p´1ˆ´6q ´6 p´2ˆ4q´p´1ˆ7q .
“ ‰ “ ‰ “ ‰
detpM q “ ´1 ´ 28 ` 24 ´ 6 8 ´ 6 ´ 6 ´ 8 ` 7 “ 4 ´ 12 ` 6 “ ´2.
Par Sariusˇ : (1 point) ˇ
ˇ ˇ
ˇ ´1 6 ´6 ˇ ´1 6
ˇ ˇ
detpM q “ ˇ ´2
ˇ ˇ
7 ´6 ˇ ´2 7
ˇ ˇ
ˇ ˇ
ˇ ´1 4 ´4 ˇ ´1 4
“ ‰ “
detpM q “ p´1 ˆ 7 ˆ ´4q ` p6 ˆ ´6 ˆ ´1q ` p´6 ˆ ´2 ˆ 4q ´ p´1 ˆ 7 ˆ ´6q `
‰
p4 ˆ ´6 ˆ ´1q ` p´4 ˆ ´2 ˆ 6q .
detpM q “ p28 ` 36 ` 48q ´ p42 ` 24 ` 48q “ 64 ´ 66 “ ´2.
62
D Élément de corrigé du Devoir année 2013-2014
Exercice D.1. 1. Dans R3 muni des lois habituelles, les parties suivantes sont-elles
des sous-espaces vectoriels : 4 points
(
F1 “ px1 , x2 , x3 q P R3 | x1 ´ x2 ` x3 “ 0 et 2x1 ` x2 ` x3 “ 0
! )
F2 “ pα ´ β, α ` β, α ´ 3βq | α, β P R
Exercice D.3. Dans l’espace vectoriel R3 , on note : u1 “ p1, 0, ´1q, u2 “ p2, 1, ´1q et
u3 “ p3, 2, 0q. On note D “ V ectpu1 q et E “ V ectpu2 , u3 q.
63
$
’
’
’ 2α ` 3β “ x p1q
&
αp2, 1, ´1q ` βp3, 2, 0q “ px, y, zq ðñ Dα, β P R : α ` 2β “ y p2q ðñ
’
’
’
% ´α “ z p3q
$
’
’
’ 2α ` 3β “ x p1q
&
Dα, β P R : β “ ´x ` y 2.p2q ´ p1q ðñ
’
’
’
% 2β “ y ` z p3q ` p2q
$
’
’
’ 2α ` 3β “ x p1q
&
Dα, β P R : β “ ´x ` y 2.p2q ´ p1q “ p3q ðñ
’
’
’
% 2β “ y ` z p3q ` p2q “ p4q
$
’
’
’ 2α ` 3β “ x p1q
&
Dα, β P R : β “ ´x ` y p3q
’
’
’
% 0 “ 2x ´ 3y ` z p4q ´ 2.p3q
64
1. A travers la console (fenêtre Scilab principale), en tapant directement les com-
mandes. L’avantage est bien sûr la simplicité d’utilisation. Toutefois, dès que l’on
souhaite écrire un programme de plus d’une ligne, cela devient vite trop compliqué.
De plus, si l’on veut relancer des lignes de commandes, il faut retaper les lignes une
à une.
–->4*5+1
ans =
21.
2. En écrivant les commandes dans un fichier à l’aide d’un traitement de texte, puis
on l’exécutant dans Scilab avec la commande exec.
Cette méthode est indispensable dès que l’on souhaite faire un programme un peu
long ou que l’on veut pouvoir modifier facilement des paramètres du programme
sans avoir à tout retaper.
Exemple : on tape dans le fichier 4*5+1, on sauvegarde (par exemple dans
C/Documents/Algebre/) sous le nom calcul.sce, et on tape dans la fenêtre prin-
cipale de Scilab.
–->exec(’C/Documents/Algebre/calcul.sce’);
ans =
21.
NB : Le point-virgule signifie que le résultat de la commande (ici l’appel du pro-
gramme) ne doit pas s’afficher. Sans le point-virgule, Scilab va réécrire toutes les
commandes du programme.
65
21.
Opérateurs Signification
+ addition de matrices
- soustraction de matrices
* produit de matrices
inv(A) inverse de la matrice carrée A
rank(A) rang de la matrice A (nombre de colonnes ou de lignes indépendantes)
det(A) déterminant de la matrice carrée A
A’ transposée de la matrice X
/ division à droite : A / B est équivalent à : A * inv(B)
z division à gauche : A z B est équivalent à : inv(A) * B
eye (p,n) matrice identité de taille p ˆ n
ones (p,n) matrice unité de taille p ˆ n
zeros (p,n) matrice nulle de taille p ˆ n
66
1. 5. 3.
Pour avoir la deuxième colonne :
–-> A(:,2)
ans =
5.
4.
8.
Pour avoir la transposée de la matrice A :
–-> A’
ans =
1. 0. 2.
5. 4. 8.
3. 1. 6.
Pour obtenir l’inverse de la matrice A :
–-> inv(A)
ans =
8. - 3. - 3.5
1. 0. - 0.5
- 4. 1. 2.
Vérification :
–-> B=A*inv(A)
B =
1. 0. 0.
0. 1. 0.
0. 0. 1.
Pour calculer le déterminant de A :
–-> det(A)
ans =
2.
Pour calculer le A2 .
–-> A*A
67
ans =
7. 49. 26.
2. 24. 10.
14. 90. 50.
Pour avoir une matrice identité d’ordre 3 (3 lignes et 3 colonnes) :
–-> eye(3,3)
ans =
1. 0. 0.
0. 1. 0.
0. 0. 1.
Pour avoir une matrice unité à 3 lignes et 4 colonnes
–-> ones(3,4)
ans =
1. 1. 1. 1.
1. 1. 1. 1.
1. 1. 1. 1.
Pour avoir une matrice nulle à 3 lignes et 4 colonnes
–-> zeros(3,4)
ans =
0. 0. 0. 0.
0. 0. 0. 0.
0. 0. 0. 0.
Pour faire la somme de deux
¨ matrices. ˛
Nous reprenons
¨ l’exemple
˛ 2.7, où les deux matrices
1 1 2 4 6 ´6
sont données par : A “ ˝ ‚ et B “ ˝ ‚.
20 5 ´2 1 0 7
68
4. 6. - 6.
1. 0. 7.
–-> A+B
ans =
5. 7. - 4.
21. 5. 5.
Pour avoir le produit d’un scalaire 3 avec A, c’est à dire 3A
–-> 3*A
ans =
3. 3. 6.
60. 15. - 6.
Pour faire le produit de deux matrices. Nous reprenons
¨ l’exemple
˛ 2.11,¨où les deux˛ ma-
1 2 0 2 0
˚ ‹ ˚ ‹
trices, notées C et D, sont données par : C “ ˚ ´1 ´2 1 ‹ et D “ ˚ 3 2 ‹.
˚ ‹ ˚ ‹
˝ ‚ ˝ ‚
0 4 5 ´1 ´3
–-> C=[1 2 0; -1 -2 1; 0 4 5]
C =
1. 2. 0.
- 1. - 2. 1.
0. 4. 5.
–-> D=[2 0; 3 2; -1 -3]
D =
2. 0.
3. 2.
- 1. - 3.
–-> C*D
ans =
8. 4.
- 9. - 7.
7. - 7.
69
Références
[1] Roger P., Mathématiques pour l’économie et la gestion. Application avec Excel, Edi-
teur : Pearson Education, France. Octobre 2006.
[3] Aubonnet F., Guinin D., et Joppin B., Précis de mathématiques : Algèbre 2. 2ème
édition, Editions Bréal, 1988.
[5] Calvo B., Doyen J., Calvo A., et Boschet F., Exercices d’algèbre, 1er cycle, 2ème
année, Editions Armand Colin, Collection U 1984.
[6] Deschamps C., Ramis E., et Odoux J., Cours de mathématiques spéciales Tome 2 :
Algèbre et applications à la géométrie.
[7] Ferrier O., Maths pour économistes, l’ Analyse en Economie, vol1, vol2, Editions De
Boeck Bruxelles, 2003.
[8] Lesieur L., Temam R., et Lefevre J., Compléments d’algèbre linéaire, maths spéciales :
1ère et 2ème années, Editions Armand Colin, Collection U 1978.
[9] Liret F., et Martinais D., Mathématiques pour le DEUG, Algèbre et géométrie, 2ème
année, Cours et exercices avec solutions, Editions Dunod Paris, 1997.
[11] Pécastaings F., et Sevin J., Chemins vers L’Algèbre. Tome 2 : Exercices avec solutions
et rappels de cours, Editions Vuibert, 1980.
[12] Rivaud J., Algèbre linéaire. Tome 1 : Exercices avec solutions, Editions Vuibert,
1978
[14] Sureau H., et Sureau Y., Algèbre linéaire, DEUG scientifiques : 1ère et 2ème années,
Volumes 1 et 2, Editions Armand Colin, Collection Flash U– Séries mathématiques
1987.
70
[15] Varian Hal R., Microecomics Analysis, Editions W.W.Norton Company New York,
1992.
[16] Wade A., Les mathématiques de l’analyse économique moderne, Editions Economica,
2007.
71