c3 PDF

Rappel de l’épisode précédent sur l’inverse d’une application linéaire/matrice
Pivot de Gauss sur les matrices
Cours 3: Inversion des matrices dans la

pratique...
Clément Rau
Laboratoire de Mathématiques de Toulouse
Université Paul Sabatier-IUT GEA Ponsan
Module complémentaire de maths, année 2012
Clément Rau Cours 3: Inversion des matrices dans la pratique...

Notion d’inverse d’une application linéaire
Inverse d’une matrice
Critère d’inversibilité : le déterminant
1 Rappel de l’épisode précédent sur l’inverse d’une

application linéaire/matrice
2 Pivot de Gauss sur les matrices

But de l’algorithme
Présentation de la méthode
Diposition des calculs : un exemple
L’algorithme général




Rappel : Notion d’application bijective
Definition
Soit f : U → V une application linéaire. On dit que f est
bijective si pour tout y de V , il existe un unique x dans U tel
que f (x) = y .

Rappel : Notion d’application bijective
Definition
Soit f : U → V une application linéaire. On dit que f est
bijective si pour tout y de V , il existe un unique x dans U tel
que f (x) = y .

Notion d’inverse d’un application linéaire bijective

Dans le cas où f est bijective, on peut lui fabriquer une
application inverse notée f −1
f −1 : V → U
qui à chaque y de V associe l’unique x de U tel que y = f (x).

Notion d’inverse d’un application linéaire bijective

Dans le cas où f est bijective, on peut lui fabriquer une
application inverse notée f −1
f −1 : V → U
qui à chaque y de V associe l’unique x de U tel que y = f (x).

Propriétés évidentes de l’inverse

On a :
f −1 est bijective
(f −1 )−1 = f
pour tout x dans U, f −1 (f (x)) = x,
ie : f −1 of = IdU
pour tout y dans V , f (f −1 (y )) = y ,
ie : fof −1 = IdV
si f est linéaire, alors f −1 l’est aussi.


On a :
(f −1 )−1 = f
ie : fof −1 = IdV


On a :
(f −1 )−1 = f
ie : fof −1 = IdV


On a :
(f −1 )−1 = f
ie : fof −1 = IdV


On a :
(f −1 )−1 = f
ie : fof −1 = IdV


On a :
(f −1 )−1 = f
ie : fof −1 = IdV


On a :
(f −1 )−1 = f
ie : fof −1 = IdV

Définition de l’inverse d’une matrice
Puisque une matrice est une représentation d’une application

linéaire (dans de certaines bases), la notion d’inverse d’une
application linéaire se translate aux matrices...

On considère une application linéaire bijective f : Rn → Rm

Soit Bd et Ba des bases respectives de Rn et Rm .
Soit A la matrice de f dans les bases Bd et Ba
Soit B la matrice de f −1 dans les bases Ba et Bd






Puisque la multiplication matricielle a été construite pour
prolonger la composition des applications, des égalités
f −1 of = IdRn fof −1 = IdRm
on déduit :
BA = Idn AB = Idm ,
 
1 ··· 0
 .. . . .. 
où Idp =  . . .  (de taille p)
0 ··· 1
Definition
La matrice B s’appelle la matrice inverse de A. On la note
parfois A−1 .

on déduit :
BA = Idn AB = Idm ,
 
1 ··· 0
 .. . . .. 
0 ··· 1
Definition
parfois A−1 .

on déduit :
BA = Idn AB = Idm ,
 
1 ··· 0
 .. . . .. 
0 ··· 1
Definition
parfois A−1 .

on déduit :
BA = Idn AB = Idm ,
 
1 ··· 0
 .. . . .. 
0 ··· 1
Definition
parfois A−1 .
Déterminant
Il existe un critère tres pratique pour savoir si une matrice est
inversible. Le fondement de ce critère ne rentre pas dans le
cadre de ce cours, mais son utilisation fait partie du cours.
A chaque matrice A, on associe un nombre appelé
determinant de A et noté det(A).
det : Mn → R
A 7→ det(A).
Ce nombre a la propriété "magique" suivante :
A est inversible ⇔ det(A) 6= 0.

Déterminant
det : Mn → R
A 7→ det(A).

Déterminant
det : Mn → R
A 7→ det(A).

Calcul de déterminants de matrices d’ordre 2 et 3

a b
det( ) = ad − bc
c d
 
a1 a2 a3
det(b1 b2 b3 ) = a1 b2 c3 + b1 c2 a3 + c1 a2 b3
c1 c2 c3
− (a3 b2 c1 + b3 c2 a1 + c3 a2 b1 )

Calcul de déterminants de matrices d’ordre 2 et 3

a b
det( ) = ad − bc
c d
 
a1 a2 a3
c1 c2 c3
− (a3 b2 c1 + b3 c2 a1 + c3 a2 b1 )

 
a1 a2 a3
b1 b2 b3 
 
c1 c2 c3  et
Pour s’en souvenir, on peut écrire :  
a1 a2 a3 
b1 b2 b3
remarquer que le déterminant est la différence entre la somme
des diagonales vers le bas et des diagonales vers le haut.
 
a1 a2 a3
c1 c2 c3
− (a3 b2 c1 + b3 c2 a1 + c3 a2 b1 )

 
a1 a2 a3
b1 b2 b3 
 
c1 c2 c3  et
Pour s’en souvenir, on peut écrire :  
a1 a2 a3 
b1 b2 b3
remarquer que le déterminant est la différence entre la somme
des diagonales vers le bas et des diagonales vers le haut.
 
a1 a2 a3
c1 c2 c3
− (a3 b2 c1 + b3 c2 a1 + c3 a2 b1 )

Quelques exemples

4 3
det( ) = 11, donc la matrice est inversible.
−1 2

4 −1
det( ) = 0, donc la matrice n’admet pas
−1 1/4
d’inverse.
 
2 −4 4
det(2 0 1) = −2, donc la matrice est inversible.
4 1 1

Quelques exemples

4 3
−1 2

4 −1
−1 1/4
d’inverse.
 
2 −4 4
4 1 1

Quelques exemples

4 3
−1 2

4 −1
−1 1/4
d’inverse.
 
2 −4 4
4 1 1

Calcul de déterminant de matrices d’ordre supérieur
A l’aide des cofacteurs (voir poly pour la déf), on peut

calculer le déterminant d’une matrice d’ordre 4, à l’aide
des déterminants de matrices d’ordre 3.
Plus généralement, les cofacteurs permettent de caculer le
déterminant d’une matrice d’ordre n à l’aide des
déterminants de matrices d’ordre n − 1.
4 Voir poly pour plus de détails

Calcul de déterminant de matrices d’ordre supérieur
A l’aide des cofacteurs (voir poly pour la déf), on peut

calculer le déterminant d’une matrice d’ordre 4, à l’aide
des déterminants de matrices d’ordre 3.
Plus généralement, les cofacteurs permettent de caculer le
déterminant d’une matrice d’ordre n à l’aide des
déterminants de matrices d’ordre n − 1.
4 Voir poly pour plus de détails

Quelques propriétés des déterminants
det(Id) = 1
det(AB) = det(A)det(B)
1
det(A−1 ) = det(A) .

det(Id) = 1
1

det(Id) = 1
1

Comment calculer l’inverse d’une matrice
Il existe diverses méthodes pour calculer l’inverse d’une

matrice A.
Méthode des cofacteurs, calcul déterminants de diverses
sous matrices de A.
(voir poly...)
Avec un logiciel ...
Algorithme du pivot de Gauss.
Objet des sections suivantes


matrice A.
sous matrices de A.
(voir poly...)


matrice A.
sous matrices de A.
(voir poly...)


matrice A.
sous matrices de A.
(voir poly...)

Pivot de Gauss sur les matrices Diposition des calculs : un exemple



Soit A une matrice carré (supposée inversible), on cherche

à obtenir la matrice :
A−1

Soit A une matrice carré (supposée inversible), on cherche

à obtenir la matrice :
A−1

Rappel sur la représentation d’une application linéaire

par une matrice
Rappel : Si A représente la matrice d’un application linéaire f

(bijective) dans une certaine base B = (e1 , e2 , ..., en ), les
colonnes de A sont les f (ei ),
f (e1 ) f (e2 ) ··· f (en )

 ↓ ↓ ↓ 
a1,1 a1,2 ··· a1,n e1
 a2,1 a2,2 a2,n  e2
A = MB (f ) = 
 
.. .. ..  ..
 . . .  .
an,1 an,2 ··· an,n en


par une matrice

f (e1 ) f (e2 ) ··· f (en )

 ↓ ↓ ↓ 
a1,1 a1,2 ··· a1,n e1
 a2,1 a2,2 a2,n  e2
A = MB (f ) = 
 
.. .. ..  ..
 . . .  .


par une matrice

f (e1 ) f (e2 ) ··· f (en )

 ↓ ↓ ↓ 
a1,1 a1,2 ··· a1,n e1
 a2,1 a2,2 a2,n  e2
A = MB (f ) = 
 
.. .. ..  ..
 . . .  .

Donc, en notant A−1 = B, on a :
f −1 (e1 ) f −1 (e2 ) ··· f −1 (en )

 ↓ ↓ ↓ 
b1,1 b1,2 ··· b1,n e1
 b2,1 b2,2 b2,n  e2
A−1 = B = MB (f −1 ) = 
 
.. .. ..  ..
 . . .  .
bn,1 bn,2 ··· bn,n en

Donc, en notant A−1 = B, on a :
f −1 (e1 ) f −1 (e2 ) ··· f −1 (en )

 ↓ ↓ ↓ 
b1,1 b1,2 ··· b1,n e1
 b2,1 b2,2 b2,n  e2
A−1 = B = MB (f −1 ) = 
 
.. .. ..  ..
 . . .  .
bn,1 bn,2 ··· bn,n en

Trouver la matrice A−1 revient donc à calculer les f −1 (ei )

pour i = 1..n
Trouver la matrice A−1 revient donc à résoudre les n
systèmes linéaires f (x) = ei pour i = 1..n
On va utiliser la méthode du pivot de Gauss introduit dans
la section précédente pour chacun de ces n sytèmes.
Pour éviter de "re faire" n fois les calculs, on méne les
calculs simultanément en les présentant ainsi :


pour i = 1..n


pour i = 1..n


pour i = 1..n

On veut calculer l’inverse de la matrice suivante :

 
2 −4 4
A = 2 0 1
4 1 1
On commence par présenter les choses sous la forme "Gauss".
 
2 −4 4 1 0 0
 2 0 1 0 1 0 
4 1 1 0 0 1
Au lieu de mettre à droite de la matrice un seul vecteur Y
comme pour les sytèmes linéaires de la section précédente, on
a mis cette fois, tous les vecteurs ei (dont on cherche les
antécédants)
Remarque : On peut retenir que l’on met la matrice Id à droite
de A.

 
2 −4 4
A = 2 0 1
4 1 1
 
2 −4 4 1 0 0
 2 0 1 0 1 0 
4 1 1 0 0 1
antécédants)
de A.

 
2 −4 4
A = 2 0 1
4 1 1
 
2 −4 4 1 0 0
 2 0 1 0 1 0 
4 1 1 0 0 1
antécédants)
de A.
 
2 −4 4 1 0 0
 2 0 1 0 1 0 
4 1 1 0 0 1
Le coefficient a1,1 est non nul on effectue donc

L2 ← L2 − L1 et L3 ← L3 − 2L1 . On obtient,
 
2 −4 4 1 0 0
 0 4 −3 −1 1 0 
0 9 −7 −2 0 1
Le coefficient a2,2 est non nul on effectue donc L2 ← 14 L2

pour simplifier la suite des calculs. On obtient,
 
2 −4 4 1 0 0
 0 1 −3 −1 1 0 
4 4 4
0 9 −7 −2 0 1
 
2 −4 4 1 0 0
 2 0 1 0 1 0 
4 1 1 0 0 1

 
2 −4 4 1 0 0
 0 4 −3 −1 1 0 
0 9 −7 −2 0 1

 
2 −4 4 1 0 0
 0 1 −3 −1 1 0 
4 4 4
0 9 −7 −2 0 1
 
2 −4 4 1 0 0
 2 0 1 0 1 0 
4 1 1 0 0 1

 
2 −4 4 1 0 0
 0 4 −3 −1 1 0 
0 9 −7 −2 0 1

 
2 −4 4 1 0 0
 0 1 −3 −1 1 0 
4 4 4
0 9 −7 −2 0 1
 
2 −4 4 1 0 0
 2 0 1 0 1 0 
4 1 1 0 0 1

 
2 −4 4 1 0 0
 0 4 −3 −1 1 0 
0 9 −7 −2 0 1

 
2 −4 4 1 0 0
 0 1 −3 −1 1 0 
4 4 4
0 9 −7 −2 0 1
 
2 −4 4 1 0 0
 0 1 −3 −1 1 0 
4 4 4
0 9 −7 −2 0 1
Le coefficient a2,2 vaut 1 on effectue donc L3 ← L3 − 9L2 .

On obtient,
 
2 −4 4 1 0 0
3 1 1
 0 1 −4 −4 4 0 
27
0 0 −7 + 4 −2 + 4 − 49 9
1
Le coefficient a3,3 est non nul. La matrice est donc

inversible ! On pourrait alors résoudre chaque système en
"remontant" les équations comme dans la section
précédente...Là encore, on peut mener directement ces
calculs sur ces "tableaux".
 
2 −4 4 1 0 0
 0 1 −3 −1 1 0 
4 4 4
0 9 −7 −2 0 1

On obtient,
 
2 −4 4 1 0 0
3 1 1
 0 1 −4 −4 4 0 
27
0 0 −7 + 4 −2 + 4 − 49 9
1

 
2 −4 4 1 0 0
 0 1 −3 −1 1 0 
4 4 4
0 9 −7 −2 0 1

On obtient,
 
2 −4 4 1 0 0
3 1 1
 0 1 −4 −4 4 0 
27
0 0 −7 + 4 −2 + 4 − 49 9
1

 
2 −4 4 1 0 0
 0 1 −3 −1 1 0 
4 4 4
0 9 −7 −2 0 1

On obtient,
 
2 −4 4 1 0 0
3 1 1
 0 1 −4 −4 4 0 
27
0 0 −7 + 4 −2 + 4 − 49 9
1

 
2 −4 4 1 0 0
 0 1 −3 −1 1 0 
4 4 4
0 9 −7 −2 0 1

On obtient,
 
2 −4 4 1 0 0
3 1 1
 0 1 −4 −4 4 0 
27
0 0 −7 + 4 −2 + 4 − 49 9
1

Pour obtenir des 1 sur la diagonale, on effectue donc

L3 ← −4L3 et L1 ← 12 L1 . On obtient,
1
 
1 −2 2 2 0 0
 0 1 −3 − 14
1
0 
4 4
0 0 1 −1 9 −4

L2 ← L2 + 34 L3 et L1 ← L1 − 2L3 . On obtient,
1 −2 0 52 −18 8
 
 0 1 0 −1 7 −3 
0 0 1 −1 9 −4


1
 
1 −2 2 2 0 0
 0 1 −3 − 14
1
0 
4 4
0 0 1 −1 9 −4

1 −2 0 52 −18 8
 
 0 1 0 −1 7 −3 
0 0 1 −1 9 −4


1
 
1 −2 2 2 0 0
 0 1 −3 − 14
1
0 
4 4
0 0 1 −1 9 −4

1 −2 0 52 −18 8
 
 0 1 0 −1 7 −3 
0 0 1 −1 9 −4


1
 
1 −2 2 2 0 0
 0 1 −3 − 14
1
0 
4 4
0 0 1 −1 9 −4

1 −2 0 52 −18 8
 
 0 1 0 −1 7 −3 
0 0 1 −1 9 −4

Enfin, on fait L1 ← L1 + 2L2 et on obtient,
1 0 0 12 −4 2
 
 0 1 0 −1 7 −3 
0 0 1 −1 9 −4
On a réussi à obtenir l’identité à gauche, la matrice de

droite est donc A−1 .
ie :  1 
2 −4 2
A−1 = −1 7 −3
−1 9 −4

1 0 0 12 −4 2
 
 0 1 0 −1 7 −3 
0 0 1 −1 9 −4

ie :  1 
2 −4 2
A−1 = −1 7 −3
−1 9 −4

1 0 0 12 −4 2
 
 0 1 0 −1 7 −3 
0 0 1 −1 9 −4

ie :  1 
2 −4 2
A−1 = −1 7 −3
−1 9 −4

Notation de l’algo général
On notera :
Lki la ligne i de la matrice A à l’itération k ,
k le scalaire a de la matrice A à l’itération k .
ai,j i,j

Algo général
L’algorithme de Gauss-Jordan (pour aller jusqu’à une matrice

triangulaire) est le suivant :
Pour k allant de 1 à n
k −1
S’il existe une ligne i ≥ k telle que ai,k 6= 0,
échanger cette ligne i et la ligne k : Li ↔ Lk
Lkk ← k1−1 Lkk −1
ak ,k
Pour i allant de 1 à n et i 6= k
Lki ← Lik −1 − ai,k
k −1
× Lkk
Sinon A n’est pas inversible, abandonner.
Après l’étape k de l’algorithme, la colonne k a tous ses
coefficients nuls sauf celui de la diagonale qui vaut 1 et ceux en
dessous de la diagonale...

c3 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

c3 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Rappel de l’épisode précédent sur l’inverse d’une application linéaire/matrice

Pivot de Gauss sur les matrices

Cours 3: Inversion des matrices dans la

Module complémentaire de maths, année 2012

Clément Rau Cours 3: Inversion des matrices dans la pratique...

1 Rappel de l’épisode précédent sur l’inverse d’une

2 Pivot de Gauss sur les matrices

Clément Rau Cours 3: Inversion des matrices dans la pratique...

1 Rappel de l’épisode précédent sur l’inverse d’une

2 Pivot de Gauss sur les matrices

Clément Rau Cours 3: Inversion des matrices dans la pratique...

Rappel : Notion d’application bijective

Clément Rau Cours 3: Inversion des matrices dans la pratique...

Rappel : Notion d’application bijective

Clément Rau Cours 3: Inversion des matrices dans la pratique...

Notion d’inverse d’un application linéaire bijective

qui à chaque y de V associe l’unique x de U tel que y = f (x).

Clément Rau Cours 3: Inversion des matrices dans la pratique...

Notion d’inverse d’un application linéaire bijective

qui à chaque y de V associe l’unique x de U tel que y = f (x).

Clément Rau Cours 3: Inversion des matrices dans la pratique...

Propriétés évidentes de l’inverse

pour tout y dans V , f (f −1 (y )) = y ,

si f est linéaire, alors f −1 l’est aussi.

Propriétés évidentes de l’inverse

pour tout y dans V , f (f −1 (y )) = y ,

si f est linéaire, alors f −1 l’est aussi.

Propriétés évidentes de l’inverse

pour tout y dans V , f (f −1 (y )) = y ,

si f est linéaire, alors f −1 l’est aussi.

Propriétés évidentes de l’inverse

pour tout y dans V , f (f −1 (y )) = y ,

si f est linéaire, alors f −1 l’est aussi.

Propriétés évidentes de l’inverse

pour tout y dans V , f (f −1 (y )) = y ,

si f est linéaire, alors f −1 l’est aussi.

Propriétés évidentes de l’inverse

pour tout y dans V , f (f −1 (y )) = y ,

si f est linéaire, alors f −1 l’est aussi.

Propriétés évidentes de l’inverse

pour tout y dans V , f (f −1 (y )) = y ,

si f est linéaire, alors f −1 l’est aussi.

Définition de l’inverse d’une matrice

Puisque une matrice est une représentation d’une application

Clément Rau Cours 3: Inversion des matrices dans la pratique...

Définition de l’inverse d’une matrice

On considère une application linéaire bijective f : Rn → Rm

Clément Rau Cours 3: Inversion des matrices dans la pratique...

Définition de l’inverse d’une matrice

On considère une application linéaire bijective f : Rn → Rm

Clément Rau Cours 3: Inversion des matrices dans la pratique...

Définition de l’inverse d’une matrice

On considère une application linéaire bijective f : Rn → Rm

Clément Rau Cours 3: Inversion des matrices dans la pratique...

Définition de l’inverse d’une matrice

f −1 of = IdRn fof −1 = IdRm

Définition de l’inverse d’une matrice

f −1 of = IdRn fof −1 = IdRm

Définition de l’inverse d’une matrice

f −1 of = IdRn fof −1 = IdRm

Définition de l’inverse d’une matrice

f −1 of = IdRn fof −1 = IdRm

Ce nombre a la propriété "magique" suivante :