Le Plus Important en MATRICE

Chapitre 3 : Les matrices
Sandrine CHARLES : scharles@biomserv.univ-lyon1.fr
Introduction ............................................................................................................................2
1 Définitions ......................................................................................................................2
2 Opérations sur les matrices.............................................................................................3
2.1 Addition de deux matrices......................................................................................3
2.2 Multiplication d’une matrice par un scalaire..........................................................4
2.3 Multiplication de matrices ......................................................................................5
2.4 Transposition de matrice ........................................................................................7
3 Matrices carrées, matrices élémentaires .........................................................................8
3.1 Matrices carrées......................................................................................................8
3.2 Matrices diagonales ................................................................................................8
3.3 Matrice Identité.......................................................................................................9
3.4 Matrices Inversibles..............................................................................................10
3.5 Matrices symétriques............................................................................................10
3.6 Matrices triangulaires ...........................................................................................11
3.7 Matrices orthogonales...........................................................................................11
3.8 Matrices normales.................................................................................................12
4 Déterminant d’une matrice carrée ................................................................................12
4.1 Formes multilinéaires alternées ............................................................................12
4.2 Déterminant d’un système de vecteurs.................................................................13
4.3 Déterminant d’une matrice carrée ........................................................................13
4.4 Déterminant et volume .........................................................................................18
5 Inversion de matrices....................................................................................................18
5.1 Matrice adjointe....................................................................................................18
5.2 Théorèmes ............................................................................................................19
5.3 Cas d’une matrice d’ordre 2 .................................................................................19
5.4 Cas d’une matrice d’ordre 3 .................................................................................20
5.5 Cas particulier : inverse d’une matrice diagonale ................................................20
6 Exemples d’utilisation en Biologie...............................................................................20
Mathématiques : Outils pour la Biologie – Deug SV2 – UCBL S. Charles (10/02/03)
......................................................................................................................................................................................................
Introduction
Historiquement c’est Cayley, parallèlement aux travaux de Grassmann, qui dégage la notion
d'espace vectoriel de dimension n, et introduit, avec Sylvester, la notion de matrice (le terme
sera introduit par ce dernier en 1850) et en expose l'usage en faisant emploi des déterminants
(dont l'initiateur fut Cauchy) dans une théorie plus large dite des invariants (1858) : on
entend là des propriétés matricielles invariantes par transformation linéaire comme, par
exemple, le déterminant et la trace (somme des éléments diagonaux).
1 Définitions
Définition 1
Un tableau rectangulaire de la forme ci-dessous est appelé matrice.
p colonnes
 a11 a12 a1 p 
 
a21 a22 a2 p 
A=
 
 
 an1 an 2 anp 
n lignes
L’élément aij ∈ de la matrice se trouve à l’intersection de la ième ligne et de la jème colonne.
La matrice A s’écrit également sous la forme A =  aij  avec i = 1, n et j = 1, p .
Une matrice ayant n lignes et p colonnes est appelée matrice ( n, p ) ou n × p .
Définition 2
Le couple ( n, p ) est appelé dimension de la matrice.
Définitions 3
Une matrice de dimension ( n,1) est une matrice colonne.
Une matrice de dimension (1, p ) est une matrice ligne.
Notation : L’ensemble des matrices de dimension ( n, p ) est noté M n , p ( ).
Chapitre 3 : Les matrices - page 2/22 -

......................................................................................................................................................................................................
Exemple
 2 3
 
A =  4 2 A a pour dimension ( 3, 2 ) a12 = 3 a31 = 1
 1 0
 
Définition 4
Soient B ′ = {e1′, e2′ ,… , en′ } la base canonique de n
et B = {e1 , e2 ,… , e p } la base canonique de
p
. Soit A =  aij  une matrice de dimension ( n, p ) . Alors :
n
• c j = ∑ akj ek′ est le j-ième vecteur colonne extrait de A ; c’est un vecteur de n
dont les
k =1
coordonnées sont ( a1 j , a2 j ,… , anj ) .

p
• i = ∑ aih eh est le i-ième vecteur ligne extrait de A ; c’est un vecteur de p
dont les
h =1
coordonnées sont ( ai1 , ai 2 ,… , aip ) .
Exemple
 2 3
 
A =  4 2 B ′ = {e1′, e2′ , e3′ } base de 3
B = {e1 , e2 } base de 2
.
 1 0
 
c1 = 2e1′ + 4e2′ + e3′ c2 = 3e1′ + 2e2′
1 = 2e1 + 3e2 2 = 4e1 + 2e2 3 = e1
2 Opérations sur les matrices
2.1 Addition de deux matrices
Définition
Soient deux matrices A =  aij  et B = bij  toutes deux de dimension ( n, p ) ;
On additionne terme à terme pour obtenir : A + B =  aij + bij  de dimension ( n, p ) .

......................................................................................................................................................................................................
Exemple 1
 2 3  1 2
Soient A =  4 2  et B =  0 1  . Calculer A + B . Réponse.
 
 1 0  1 4
   
Propriétés
Soient A, B et C trois matrices de dimension ( n, p ) et 0 la matrice ( n, p ) dont les éléments
sont tous égaux à 0.

(i) ( A + B ) + C = A + ( B + C) (associativité)
(ii) A+0 = A (élément neutre)

(iii) A + ( −A ) = 0 (opposé)
(iv) A+B = B+A (commutativité)
Remarque : − A =  − aij 
a b  − a −b 
Par exemple, si A =   , alors − A =  .
c d  −c − d 
2.2 Multiplication d’une matrice par un scalaire
Définition
Soient A =  aij  une matrice de dimension ( n, p ) et λ ∈ . On définit la matrice λ A
comme matrice dont tous les coefficients sont multipliés par λ : λ A = λ aij  .
λ A est aussi de dimension ( n, p ) .
Exemple 2
 2 3
Soient A =  4 2  et λ = 3 . Calculer λ A . Réponse.
 1 0
 
Remarque : − A = ( −1) A

......................................................................................................................................................................................................
Propriétés
Soient A et B deux matrices de dimension ( n, p ) et λ , µ deux réels.
(i) λ ( A + B ) = λ A + λB
(ii) (λ + µ ) A = λA + µ A
(iii) ( λµ ) A = λ ( µ A )
(iv) 1× A = A et 0× A = 0 (ne pas confondre 0 scalaire et 0 matrice)
Conséquence
Compte tenu des propriétés ci-dessus, l’ensemble des matrices de dimension ( n, p ) , muni des
deux lois précédemment définies, est un espace vectoriel.
2.3 Multiplication de matrices
Définition
Soient A = [ aik ] une matrice ( n, p ) et B = bkj  une matrice ( p, q ) le produit des deux
matrices C = AB a pour dimension ( n, q ) et s’écrit :

p
C = cij  avec cij = ∑ aik bkj , pour i = 1, n et j = 1, q
k =1
Remarque
Le produit AB n’est donc possible que si le nombre de colonnes de A est égal au nombre de
lignes de B (p).
Application au cas de deux matrices (2,2)
a a12   b11 b12 

A=  11  et B=  
 a21 a22   b21 b22 
a a12   b11 b12   a11b11 + a12b21 a11b12 + a12b22 

C=  11    soit C=  
 a21 a22   b21 b22   a21b11 + a22b21 a21b12 + a22b22 

......................................................................................................................................................................................................
Moyen mnémotechnique
Exemple 3
 2 1  −4 2 
Soient A=   et B=   . Calculer AB. Réponse.
 1 4  0 2
Remarques
En général, la multiplication de deux matrices n’est pas commutative :
• Si AB existe, BA n’existe pas forcément.
• Si BA existe, alors généralement AB ≠ BA .
Exemple 3 (suite)
Vérifier avec les matrices A et B précédentes que AB ≠ BA . Réponse.
Propriétés
Soient A ( n, p ) , B ( p, q ) , C ( q, s ) , D ( p, q ) et E ( q, n ) :
(i) ( AB ) C = A ( BC ) → associativité [matrice de dimension ( n, s ) ]
(ii) A ( B + D ) = AB + AD → distributivité à gauche [matrice de dimension ( n, q ) ]
(iii) ( B + D ) E = BE + DE → distributivité à droite [matrice de dimension ( p, n ) ]

......................................................................................................................................................................................................
2.4 Transposition de matrice
Définition
 a11 a12 a1 p 
 
a21 a22 a2 p 
Soit A =  , la matrice transposée de A notée A′ ou t A est la matrice
 
 
 an1 an 2 anp 
 a11 a21 an1 

 
a12 a22 an 2 
obtenue en écrivant les lignes de A en colonnes : A = 
t
 
 
 a1 p a2 p a pn 
Si A a pour dimension ( n, p ) alors t A a pour dimension ( p, n ) .
Exemple 4
 2 3
Soit A =  4 2  . Calculer t A . Réponse.
 1 0
 
Propriétés
Soient A ( n, p ) , B ( n, p ) , C ( p, q ) trois matrices et soit λ ∈ :
( A + B) = t A + t B
t
(i)
( A) = A
(ii) t t
(λA) = λ t A
t
(iii)
( AC ) = t C t A
t
(iv)
Exemple 5 (propriété (i))

 2 3 3 1
Soient A =  4 2  et B =  1 −2  . Vérifier que
 
( A + B ) = t A + t B . Réponse.
t
 1 0  −1 1 
   

......................................................................................................................................................................................................
Exemple 6 (propriété (iv))

 2 3
 1 −1 0 
Soient A =  4 2  et C =  ( AC ) = t C t A . Réponse.
t
 . Vérifier que
 1 0  2 0 3 
 
3 Matrices carrées, matrices élémentaires
3.1 Matrices carrées
Définition
Une matrice dont le nombre de lignes est égal au nombre de colonnes est appelée matrice
carrée. Si elle a pour dimension ( n, n ) , on dit alors qu’elle est d’ordre n.
Rappelons que l’addition et la multiplication de matrices ne sont pas définies pour des
matrices quelconques. Cependant, si on considère uniquement des matrices carrées d’ordre n
donné, alors les opérations d’addition, de multiplication, de multiplication par un scalaire, et
de transposition sont définies et leurs résultats sont encore des matrices carrées d’ordre n.
Exemple
1 2 3  2 −5 1 
Soient A =  −4 −4 −4  et B =  0 3 −2  . A et B sont des matrices carrées d’ordre 3.
 
 5 6 7  1 2 −4 
   
Vérifier que A + B , 2 A , t A et AB sont également des matrices carrées d’ordre 3. Réponse.
3.2 Matrices diagonales
Définition 1
On appelle diagonale (ou diagonale principale) d’une matrice carrée d’ordre n, les éléments
a11 , a22 ,… , ann de la matrice.
Exemple
 a11 a12 a13 
 
A =  a21 a 22 a23  a11 , a22 , a33 sont les éléments de la diagonale de A
a a 33 
 31 a32

......................................................................................................................................................................................................
Définition 2
Une matrice carrée D =  dij  est dite diagonale si tous ses éléments non diagonaux sont nuls.
Une telle matrice est fréquemment notée D = diag ( d11 , d 22 ,… , d nn ) où certains ou tous les
scalaires dii peuvent être égaux à zéro.
Exemples
1 0 0 0
1 0 0  
  4 0  0 0 0 0
D1 =  0 3 0  D2 =   D3 = 
 0 0 2  0 −5  0 0 −2 0
   
0 0 0 5 
3.3 Matrice Identité
Définition
Une matrice carrée d’ordre n ne comportant que des 1 sur la diagonale principale et des 0
partout ailleurs, est notée I n et est appelée matrice unité ou matrice identité.
Exemple
 1 0 0
 
I3 =  0 1 0 
 0 0 1
 
Propriété 1
Quelle que soit A ( n, p ) AI p = I n A = A
Exemple
 1 3
Soit A =  −2 0  . Vérifier que AI 2 = I 3 A . Réponse.
 4 1
 

......................................................................................................................................................................................................
Propriété 2
La matrice λ I n , pour tout λ ∈ , est appelée matrice scalaire. C’est la matrice diagonale
dont les éléments diagonaux sont tous égaux à λ .
Exemple
λ 0 0
 
λI 3 =  0 λ 0 
 0 0 λ
 
Remarque
On parle de « matrice scalaire » car elle joue le même rôle que celui d’un scalaire dans la
multiplication d’une matrice par un scalaire : A ( λ I p ) = ( λ I n ) A = λ A .
3.4 Matrices Inversibles
Définition
Une matrice carrée A, d’ordre n, est dite inversible ou non singulière, s’il existe une matrice
carrée B d’ordre n telle que AB = BA = I n , Une telle matrice B est unique, d’ordre n ; on
l’appelle matrice inverse de A et on la note A −1 .
Remarque
La relation précédente est symétrique, c’est-à-dire que si B est l’inverse de A, alors A est
l’inverse de B.
3.5 Matrices symétriques
Définition
Une matrice carrée est dite symétrique si et seulement si t A = A . Autrement dit si ∀i ≠ j ,
aij = a ji .

......................................................................................................................................................................................................
Exemple
 1 2 −3 
 
A= 2 4 9 
 −3 9 0 
 
3.6 Matrices triangulaires
Définition
Une matrice triangulaire est une matrice carrée dont les éléments au-dessous (ou au-dessus)
de la diagonale principale sont tous nuls.
Exemples
 1 2 −3 
 
 0 4 9  : Matrice triangulaire supérieure
0 0 2 
 
 1 0 0
 
 2 3 0  : Matrice triangulaire inférieure
 4 8 2
 
3.7 Matrices orthogonales
Définition
Une matrice carrée d’ordre n est dite orthogonale si A t A = t AA = I n .
Exemple
1 8 −4 
9 9 9 
 
−4 −7 
A=
4
9 9 9 
 
8 1 4 
 
9 9 9 
Propriété
Si A est une matrice orthogonale, alors elle est inversible et A −1 = t A .

......................................................................................................................................................................................................
3.8 Matrices normales
Définition
Une matrice carrée d’ordre n est dite normale si A t A = t AA , autrement dit si A et sa
transposée t A commutent.
Remarque
Il est clair que si A est symétrique ou orthogonale, alors elle est normale. Mais il existe
d’autres matrices normales.
Exemple
 6 −3 
A= 
3 6 
4 Déterminant d’une matrice carrée
4.1 Formes multilinéaires alternées
On rappelle que E n = E × E × … × E .
n − fois
Définition 1
• Soit E un espace vectoriel. Une application de D : E n → F est une application
multilinéaire ou n-linéaire si elle est linéaire par rapport à chacune de ses variables :
(i) Soit ( x1 , x2 ,… , xn ) ∈ E n tel que xi = ui + vi . Alors :
D ( x1 ,… , ui + vi ,… , xn ) = D ( x1 ,… , ui ,… , xn ) + D ( x1 ,… , vi ,… , xn )
(ii) Soit ( x1 , x2 ,… , xn ) ∈ E n tel que xi = λ ui avec λ ∈ . Alors :
D ( x1 ,… , λ ui ,… , xn ) = λ D ( x1 ,… , ui ,… , xn )
• Si F = , on dit que D est une forme n-linéaire.
Définition 2
Soit E un espace vectoriel et D : E n → une forme n-linéaire. On dit que D est alternée si
D ( x1 ,… , xi ,… , x j ,… , xn ) = 0 chaque fois que deux des xi sont identiques :
D ( x1 ,… , xi ,… , x j ,… , xn ) = 0 dès que xi = x j pour i ≠ j

......................................................................................................................................................................................................
4.2 Déterminant d’un système de vecteurs
Théorème
Il existe une unique application D : ( )

n n
→ telle que :
(i) D est une forme n-linéaire ;

(ii) D est alternée ;
(iii) D ( e1 ,… , ei ,… , en ) = 1 où les ei sont les vecteurs de la base canonique de n
.
Définition
Cette application D : ( )
n n
→ n-linéaire alternée et telle que D ( e1 ,… , ei ,… , en ) = 1 est
appelée déterminant. On la note généralement det.
Remarque
Soit V une famille de vecteurs v j , j = 1, n . Alors V = ( v1 , v2 ,… , vn ) ∈ ( )

n n
et
det ( v1 , v2 ,… , vn ) ∈ .
4.3 Déterminant d’une matrice carrée
Soit A une matrice carrée d’ordre n. Soit A =  aij  . Chaque colonne de A peut alors être
n
considérée comme un vecteur de :
A = v1 v2 … v p  avec v j = ( a1 j , a2 j ,… , anj ) pour j = 1, n
Ainsi, la définition de la notion de déterminant d’une matrice carrée est étroitement liée à la
définition du déterminant d’un système de vecteurs :
det ( A ) = det ( v1 , v2 ,… , vn )
a11 … a1n
On note alors det ( A ) = , et on par le de déterminant d’ordre n.
an1 ann
La suite du chapitre traite du calcul pratique des déterminants.

......................................................................................................................................................................................................
4.3.1 Déterminant d’une matrice carrée d’ordre 2
Définition
a c  a c
Soit A =   . Alors det ( A ) = = a× d − b×c .
b d  b d
Moyen mnémotechnique
Exemple 8
 2 5
Soit A =   . Calculer det ( A ) . Réponse.
 3 7
4.3.2 Déterminant d’une matrice carrée d’ordre 3
Règle de Sarrus
Cette règle n’est valable que pour des matrices carrées d’ordre 3, et n’est absolument
pas généralisable. Mieux vaut donc lui préférer la règle générale énoncée dans le
paragraphe suivant.
 a1 b1 c1 
Soit M =  a2 b2

c2  .
a c3 
 3 b3
det ( M ) = a1b2 c3 + a2 b3 c1 + a3 b1c2 − a3 b2 c1 − a1b3 c2 − a2 b1c3

......................................................................................................................................................................................................
Exemple 9
 2 1 0
Soit M =  1 4 2  . Calculer det ( M ) par la règle de Sarrus. Réponse.
 3 1 1
 
4.3.3 Généralisation : Déterminant d’ordre n
Méthode des cofacteurs

L’astuce consiste à se ramener à des déterminants d’ordre inférieur jusqu’à obtenir des
déterminants d’ordre 2. Pour cela, on développe le déterminant par rapport à une ligne ou une
colonne.
a11 a12 a1n
a21 a22 a2 n
Soit ∆ = un déterminant d’ordre n.
an1 an 2 ann
n
∆ = ∑ aij X ij , développement par rapport à la ligne i
j =1
n
∆ = ∑ aij X ij , développement par rapport à la colonne j
i =1
où X ij est le cofacteur de l’élément aij : X ij = ( −1)

i+ j
∆ ij
∆ ij est le mineur de aij c’est-à-dire le déterminant d’ordre ( n − 1) extrait de ∆ en enlevant la
ième ligne et la jème colonne.
Application :
∆ = a11 X 11 + a12 X 12 + … + a1 p X 1 p (ligne 1)
∆ = a11 X 11 + a21 X 21 + … + a p1 X p1 (colonne 1)
a22 … a2 p a21 … a2 p
X 11 = +∆11 = X 12 = −∆12 =
a p 2 … a pp a p1 … a pp

......................................................................................................................................................................................................
Remarque
La répartition des signes à prendre devant les mineurs ( −1)

i+ j
, est alternée à partir du signe +
pour l’élément a11 .
Par exemple, pour un déterminant d’ordre 5 :

+ - + - +
- + - + -
+ - + - +
- + - + -
+ - + - +
Application au déterminant d’ordre 3

a1 b1 c1
∆ = a2 b2 c2
a3 b3 c3
∆ = a1 X 11 + a2 X 21 + a3 X 31 (colonne 1)
∆ = a1∆11 − a2 ∆ 21 + a3∆ 31
b2 c2 b c1 b c1
∆ = a1 − a2 1 + a3 1
b3 c3 b3 c3 b2 c2
∆ = a1 ( b2 c3 − b3c2 ) − a2 ( b1c3 − b3c1 ) + a3 ( b1c2 − b2 c1 )
Exemple 10
1 1 4
Calculer le déterminant suivant ∆ = 2 −1 3 , avec la méthode des cofacteurs. Réponse.
−2 4 3
Propositions
a) → Si A a une ligne (ou une colonne) de zéros alors det ( A ) = 0
→ Si A a deux lignes (ou deux colonnes) identiques alors det ( A ) = 0
b) Si on échange deux lignes (deux colonnes) d’un déterminant alors on obtient − det ( A )

......................................................................................................................................................................................................
a c c a
= ad − bc et = bc − ad = −(ad − bc)
b d d b
c) On ne modifie pas un déterminant si on ajoute à une ligne (resp. une colonne) une
combinaison linéaire des autres lignes (resp. des autres colonnes) :
a b
= ad − bc
c d
a+b b
= (a + b)d − b(c + d ) = ad + bd − bc − bd = ad − bc
c+d d
d) Si on multiplie une ligne (resp. une colonne) d’un déterminant par un scalaire λ , alors le
déterminant est lui-même multiplié par λ .
a b
= aλ d − bλ c = λ (ad − bc)
λc λ d
n
e) Si A =  aij  est une matrice triangulaire d’ordre n alors det A = ∏ aii (produit des termes
i =1
diagonaux). Il en résulte que det ( I ) = 1 .
 a1 0 0
Exemple : A =  0 a3

0  ⇒ det ( A ) = a1a2 a3
0 a3 
 0
f) det ( AB ) = det ( A ) det ( B ) → det( A n ) = det ( A ) 

n
Le déterminant est une fonction multiplicative.

g) det ( t A ) = det ( A )
h) det ( A −1 ) =
1
det ( A )
i) det ( λ A ) = λ n det ( A )
Exemple 11 (propositions b et c)
 1 1 4
Soit A =  2 −1 3  . Vérifier les propositions b et c précédentes. Réponse.
 −2 4 3 
 

......................................................................................................................................................................................................
4.4 Déterminant et volume
Les déterminants sont liés aux aires et aux volumes. Soient u1 , u2 ,… , un des vecteurs de n
.
Soit S le parallélépipède (solide) déterminé par ces vecteurs :
S = {α1u1 + α 2u2 + … + α nun α i ∈ [ 0;1] pour i = 1, n}
Lorsque n = 2 , S est un parallélogramme.

Soit V ( S ) le volume de S (ou la surface de S dans le cas n = 2 ). Alors :
V ( S ) = det ( u1 , u2 ,… , un )
Si on appelle A la matrice dont les colonnes correspondent aux vecteurs u1 , u2 ,… , un , alors :
V ( S ) = det ( A )
Proposition
V ( S ) = det ( u1 , u2 ,… , un ) = 0 si et seulement si les vecteurs u1 , u2 ,… , un sont linéairement
dépendants.
Vérification dans le cas n = 2 : voir chapitre 5, paragraphe 7.
5 Inversion de matrices
5.1 Matrice adjointe
Définition
Considérons une matrice carrée A d’ordre n, la matrice des cofacteurs X ij des éléments aij de
A notée adjA est appelée matrice adjointe de A ou co-matrice de A.
adjA = comA =  X ij  = ( −1) ∆ ij 

i+ j
 
Exemple 12
a a12 
A =  11  . Calculer adjA . Réponse.
 a21 a22 

......................................................................................................................................................................................................
5.2 Théorèmes
Théorème 1
Soit A une matrice carrée d’ordre n. Alors A est une matrice inversible si et seulement si
det ( A ) ≠ 0 .
Théorème 2
Soit A une matrice carrée quelconque d’ordre n. Alors :
A× ( adjA ) = ( adjA ) × A = det ( A ) × I n

t t
où I n est la matrice identité d’ordre n.
Théorème 3
Soit A une matrice carrée quelconque d’ordre n. Si det ( A ) ≠ 0 , alors A est inversible et :
1
A −1 = ( adjA )
t
det ( A )
5.3 Cas d’une matrice d’ordre 2
 a b
Soit A=   . On sait que |A| = det(A) = (ac-bd).
d c
 c −d  −1 1  c −b 
La matrice adjointe de A est adjA =   : A =  .
 −b a  (ac − bd )  −d a
Exemple 13
 2 5 −1
Soit A =   . Calculer A . Réponse.
 3 7

......................................................................................................................................................................................................
5.4 Cas d’une matrice d’ordre 3
5.5 Cas particulier : inverse d’une matrice diagonale
Définition
Si A = diag [ aii ] est une matrice diagonale inversible d’ordre n :
n
(i) det ( A ) = ∏ aii ≠ 0 ⇒ ∀i = 1, n aii ≠ 0
i =1
1
(ii) A −1 = diag  
 aii 
 a11   1 a11 
   
 a22 0   1 a22 0 
A=  A −1 =  
   
 0   0 
 a pp   1 a pp 
 
6 Exemples d’utilisation en Biologie

D’un point de vue général, on peut dire que l’on utilise les matrices pour stocker des données
expérimentales. Mais nous allons voir que l’on utilise aussi les matrices pour décrire la
dynamique de certaines populations animales.
6.1 Surface foliaire
Si chaque jour de l’année, on mesure la surface foliaire de n plantes, on peut

mettre ces données sous la forme :
1 … j … p = 365 (jours)
1 
 
 
i … … aij 
 
 
n  

où aij représente la surface folière de la plante i au jour j, avec i variant de 1 à
n et j variant de 1 à 365 jours.

......................................................................................................................................................................................................
6.2 L’ombre commun
L'ombre commun est un poisson de rivière froide, pure et à cours

relativement lent que l’on trouve généralement plus en aval que
les truites. La période de reproduction se situe au printemps.
Les jeunes d'un an mesurent en moyenne 15 cm et sont tous immatures. Les poissons de 2 ans
mesurent 27 cm et la moitié d'entre eux sont adultes (i.e. sexuellement matures). À 3 ans tous
les poissons sont adultes et mesurent en moyenne 35 cm.
On admettra dans la suite que la sex-ratio est 1.
Une femelle fournit chaque année 200 alevins, 90 % d'entre eux meurent avant 1 an. 50 % des
jeunes d'un an meurent avant l'âge de 2 ans. A partir de l'âge de 2 ans, 40% des poissons
meurent par an.
On représente la population, au printemps de l'année n, par le vecteur :

 Na  N a : nombre d'alevins
 
N N1 : nombre de poissons d'un an
Pn =  1 
 N2  N 2 : nombre de poissons de 2ans
 
 N3 n N 3 : nombre de poissons de 3ans et plus
Compte tenu des informations sur l’espèce, on peut alors écrire :

 
N a ,n +1 = 200 × 0.5  0.5 N 2,n + N 3,n  × 0.6
sex − ratio  % matures
ˆ  survie
N1, n +1 = 0.1N a , n
N 2,n +1 = 0.5 N1, n
N 3,n +1 = 0.6 ( N 3,n + N 2,n )
Ce qui peut bien sûr se réécrire en notation matricielle :

......................................................................................................................................................................................................
 0 0 30 60 
 
 0.1 0 0 0 
Pn +1 = Pn ⇔ Pn +1 = APn
 0 0.5 0 0 
 
 0 0 0.6 0.6 
La matrice A permet de décrire l’évolution d’année en année de l’effectif des quatre classes
d’âge de la population.
Ainsi, si on suppose que l’on lâche dans une rivière dépeuplée 100 ombres adultes (de 3 ans)
après leur période de reproduction, on peut alors étudier l’évolution du repeuplement de la
rivière au cours du temps :
• A n = 0 (le moment de la réintroduction des ombres), on a P0 = ( 0, 0, 0,100 )
 0 0 30 60  0   6000 
    
0.1 0 0 0  0   0 
• L’année suivante, à n = 1 , on a P1 = AP0 , soit : P1 =  =
 0 0.5 0 0  0   0 
    
 0 0 0.6 0.6 
 100   60 
 0 0 30 60   6000   3600 
    
 0.1 0 0 0   0   60 
• A n = 2 , on a P2 = AP1 , c’est-à-dire P2 = = .
 0 0.5 0 0  0   0 
    
 0 0 0.6 0.6   60   36 
• Et ainsi de suite…
On peut remarquer que P2 = AP1 = AAP0 = A 2 P0 ; dans le cas général, on peut connaître les
effectifs des quatre classes d’âge pour n’importe quelle année n par la relation : Pn = A n P0 .
On comprend alors tout l’intérêt de savoir calculer simplement A n .

Voir chapitre 4
Heureusement des logiciels existent pour palier « ce problème », et en particulier la boîte à

outils PopTools qui fonctionne sous Excel.
Voici la simulation que l’on obtient avec PopTools :

......................................................................................................................................................................................................
Evolution des classes d'âge au cours du temps
300000
250000
200000
Effectif
150000
100000
50000
0
0 5 10 15 20
Temps (années)
Na 1 an 2 ans 3 ans et plus

Le Plus Important en MATRICE

Transféré par

Informations du document

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

Le Plus Important en MATRICE

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 3 : Les matrices

Sandrine CHARLES : scharles@biomserv.univ-lyon1.fr

L’élément aij ∈ de la matrice se trouve à l’intersection de la ième ligne et de la jème colonne.

La matrice A s’écrit également sous la forme A =  aij  avec i = 1, n et j = 1, p .

Une matrice ayant n lignes et p colonnes est appelée matrice ( n, p ) ou n × p .

Une matrice de dimension (1, p ) est une matrice ligne.

Notation : L’ensemble des matrices de dimension ( n, p ) est noté M n , p ( ).

Chapitre 3 : Les matrices - page 2/22 -

coordonnées sont ( a1 j , a2 j ,… , anj ) .

coordonnées sont ( ai1 , ai 2 ,… , aip ) .

1 = 2e1 + 3e2 2 = 4e1 + 2e2 3 = e1

2 Opérations sur les matrices

2.1 Addition de deux matrices

On additionne terme à terme pour obtenir : A + B =  aij + bij  de dimension ( n, p ) .

Chapitre 3 : Les matrices - page 3/22 -

sont tous égaux à 0.

(ii) A+0 = A (élément neutre)

(iv) A+B = B+A (commutativité)

2.2 Multiplication d’une matrice par un scalaire

λ A est aussi de dimension ( n, p ) .

Chapitre 3 : Les matrices - page 4/22 -

deux lois précédemment définies, est un espace vectoriel.

2.3 Multiplication de matrices

matrices C = AB a pour dimension ( n, q ) et s’écrit :

Application au cas de deux matrices (2,2)

a a12   b11 b12 

a a12   b11 b12   a11b11 + a12b21 a11b12 + a12b22 

Chapitre 3 : Les matrices - page 5/22 -

(i) ( AB ) C = A ( BC ) → associativité [matrice de dimension ( n, s ) ]

(ii) A ( B + D ) = AB + AD → distributivité à gauche [matrice de dimension ( n, q ) ]

(iii) ( B + D ) E = BE + DE → distributivité à droite [matrice de dimension ( p, n ) ]

Chapitre 3 : Les matrices - page 6/22 -

2.4 Transposition de matrice

 a11 a21 an1 

Si A a pour dimension ( n, p ) alors t A a pour dimension ( p, n ) .

Exemple 5 (propriété (i))

Chapitre 3 : Les matrices - page 7/22 -

Exemple 6 (propriété (iv))

3 Matrices carrées, matrices élémentaires

3.1 Matrices carrées

3.2 Matrices diagonales

Chapitre 3 : Les matrices - page 8/22 -

scalaires dii peuvent être égaux à zéro.

3.3 Matrice Identité

Chapitre 3 : Les matrices - page 9/22 -

dont les éléments diagonaux sont tous égaux à λ .

3.4 Matrices Inversibles

l’appelle matrice inverse de A et on la note A −1 .

3.5 Matrices symétriques

Chapitre 3 : Les matrices - page 10/22 -

3.6 Matrices triangulaires

3.7 Matrices orthogonales

Chapitre 3 : Les matrices - page 11/22 -

3.8 Matrices normales

4 Déterminant d’une matrice carrée

4.1 Formes multilinéaires alternées

(ii) Soit ( x1 , x2 ,… , xn ) ∈ E n tel que xi = λ ui avec λ ∈ . Alors :

• Si F = , on dit que D est une forme n-linéaire.

D ( x1 ,… , xi ,… , x j ,… , xn ) = 0 dès que xi = x j pour i ≠ j

Chapitre 3 : Les matrices - page 12/22 -

4.2 Déterminant d’un système de vecteurs

Il existe une unique application D : ( )

(i) D est une forme n-linéaire ;

appelée déterminant. On la note généralement det.