Algèbre

Algèbre linéaire
Jaouad Madkour
jaouad.madkour@outlook.com
Licence Sciences économiques et Gestion - Semestre 2
Faculté des sciences juridiques, économiques et sociales - Tanger
2017 - 2018
1 / 248
Introduction
Qu’est ce que l’algèbre linéaire ?
Objectif pédagogique du cours
Pré-requis nécessaires
Plan du cours
Quelques références utiles
Quelques sites web utiles
Me contacter/Me suivre
2 / 248
3 / 248
Branches des mathématiques
4 / 248
Origine du terme « algèbre » :

Le terme « algèbre » est apparu pour la première fois dans l’intitulé d’un ouvrage
rédigé vers l’an 825 par le mathématicien persan Al-Khawarizmi (781 - 847) :
Abrégé du Calcul par la Restauration et la Comparaison
Le terme « algèbre » signifie : restauration, reconstruction ou réunion de parties.
5 / 248
6 / 248
Selon le Dictionary of mathematics terms :

L’algèbre est l’étude des propriétés des opérations effectuées sur des
ensembles de nombres. C’est une généralisation de l’arithmétique dans laquelle
les symboles, généralement des lettres, sont utilisés pour représenter les nombres.
Selon The concise Oxford dictionary of mathematics :

L’algèbre linéaire est la branche des mathématiques qui traite des
équations linéaires, des matrices, des vecteurs et des structures algébriques.
7 / 248
Mots clés :
Opérations (arithmétiques) : addition, soustraction, multiplication...
Ensembles de nombres : entiers naturels, entiers relatifs, rationnels, réels...
Propriétés des opérations : associativité, commutativité, élément neutre...
Symboles/lettres : inconnues x , y..., paramètres α, β...
Matrices/vecteurs : matrice de projection orthogonale, vecteur propre...
Équations linéaires : équations du premier degré, systèmes d’équations...
8 / 248
Définition
L’algèbre linéaire est la branche des mathématiques qui traite des
équations linéaires telles que a1 x1 + · · · + an xn = b, des fonctions linéaires telles
que f (x1 , · · · , xn ) = a1 x1 +· · ·+an xn et de leurs représentations par des matrices
et des vecteurs.
Application en Économie
Équations linéaires :
Contrainte budgétaire : R = p1 x1 + p2 x2
Coût total de production : CT = pk K + pl L
Fonctions (linéaires) :
Fonction d’utilité à élasticité constante : U (x1 , x2 ) = (αx1ρ + βx2ρ )1/ρ
Fonction de production de Cobb-Douglas : F (K , L) = AK α Lβ
Matrices et vecteurs :
Matrices : Tableau Entrées/Sorties (TES), matrice de transition...
Vecteurs : Vecteur des prix, vecteur des quantités... 9 / 248
10 / 248
Taxonomie de Bloom
11 / 248
Connaissance :
Découvrir les notions de matrice, de vecteur et de système d’équations.
Apprendre le calcul matriciel et la résolution des systèmes d’équations.
Compréhension :
Interpréter géométriquement les notions précédentes.
Comprendre les propriétés algébriques du calcul matriciel.
Application :
Transformer un problème économique en un problème mathématique.
Résoudre un problème économique algébriquement.
12 / 248
Articulation entre les mathématiques et l’économie
13 / 248
Précision :
Bien qu’intuitives et très simples, il sera fait abstraction de toutes les démons-
trations mathématiques des résultats et des propriétés présentés. Néanmoins,
il est vivement conseillé de les faire et de les refaire afin de mieux saisir les
concepts étudiés. Pour cela, l’excellent ouvrage (en anglais) de Richard Bron-
son et Gabriel B. Costa « Matrix methods : Applied linear algebra »
donné en références peut, entre autres, être consulté avec profit.
14 / 248
Pré-requis nécessaires
Opérations arithmétiques : Éléments de géométrie :

Addition ; Coordonnées d’un point ;
Soustraction ; Coordonnées d’un vecteur ;
Multiplication ; Équation d’une droite ;
Division ; Projection orthogonale ;
Factorisation ; Relation de Chasles ;
Développement... Mesures des aires et des volumes...
15 / 248
Plan du cours
16 / 248
Plan du cours
Chapitre 1 : Calcul matriciel
Chapitre 2 : Systèmes d’équations linéaires
Chapitre 3 : Espaces vectoriels
17 / 248
18 / 248
19 / 248
20 / 248
21 / 248
22 / 248
23 / 248
exo7.emath.fr
24 / 248
25 / 248
Mon adresse électronique : jaouad.madkour@outlook.com
26 / 248
Ma page sur Facebook : www.facebook.com/jmadkour
27 / 248
Mon site web : jaouadmadkour.webnode.fr
28 / 248
Chapitre 1 :
Calcul matriciel
Définitions
Matrices particulières
Opérations sur les matrices
Dépendance et indépendance linéaires
Caractéristiques des matrices carrées
Quelques interprétations géométriques
29 / 248
Définitions
Section 1 :
Définitions
30 / 248
Définitions
Définition (Matrice)
Une matrice de taille n × m est un tableau de nombres, appelés éléments ou
coefficients, rangés en n lignes horizontales et m colonnes verticales :
 
a11 ··· a1j ··· a1m
 . .. .. 
 . .. ..
. .

 . . . 
 
··· ···
 
 ai1 aij aim 
 
 . .. .. .. .. 
 .. . . . . 
 
an1 ··· anj ··· anm
31 / 248
Définitions
Notation :
Une matrice est désignée par une lettre majuscule en précisant parfois sa taille
An×m . Ses coefficients sont notés par la lettre minuscule correspondante ”a”
affectée des indices de la ligne i et de la colonne j sur lesquelles ils se situent :
 
a11 ··· a1j ··· a1m
 . .. .. 
 . .. ..
. .

 . . . 
 
An×m ≡  ai1 ··· ··· aim  ≡ [aij ]n×m
 
aij
 
 . .. .. .. .. 
 .. . . . . 
 
an1 ··· anj ··· anm
32 / 248
Définitions
Exemples
 
  5 0 2
2 5 4  
A2×3 = B3×3 = 7
 
 1 3
8 4 3  
4 1 6
33 / 248
Définitions
Considérons une économie à trois secteurs : l’agriculture (A), l’industrie (I) et
les services (S). Le tableau Entrées/Sorties de Leontief décrit la répartition de
la production de chaque secteur entre les consommations intersectorielles C et
la production finale disponible Q (VA désigne la valeur ajoutée des secteurs) :
# A I S Q Σ
A 2 4 3 3 12  
2 4 3
I 3 6 1 8 18  
⇒ C = 3
 
6 1
S 1 2 1 5 9  
1 2 1
VA 6 6 4
Σ 12 18 9
Par exemple, la partie de la production industrielle destinée à l’agriculture est
donnée par le coefficient c21 = 3.
34 / 248
Définitions
Une entreprise possède trois centres de production P1 , P2 et P3 et quatre centres
de distribution D1 , D2 , D3 et D4 . Le transport d’une tonne de marchandises du
centre de production Pi au centre de distribution Dj coûte à l’entreprise une
somme monétaire tij . L’information sur le coût total de transport de l’ensemble
des marchandises peut être représentée par une matrice de transport T :
 
25 54 24 46
 
T = 26
 
25 35 58
 
46 48 75 63
Par exemple, le coût de transport d’une tonne de marchandises du centre de

production P2 au centre de distribution D3 est donné par le coefficient t23 = 35.
35 / 248
Section 2 :
• Sous-matrice • Matrice scalaire
• Vecteur ligne • Matrice triangulaire
• Vecteur colonne • Matrice nulle
• Matrice rectangulaire • Matrice opposée
• Matrice carrée • Matrice transposée
• Matrice diagonale • Matrice symétrique
• Matrice identité ou unité • Matrice anti-symétrique
36 / 248
Matrices particulières Sous-matrice
Définition (Sous-matrice)
0
Une sous-matrice A de taille n 0 × m 0 d’une matrice An×m est une matrice
obtenue en sélectionnant n 0 ≤ n lignes et m 0 ≤ m colonnes de la matrice A .
Exemples
 
0 2
0
 
A3×2 = 1
 
  3
5 0 2  
  1 6
A3×3 = 7 ⇒
 
1 3
   
4 1 6 00 5 0 2
A2×3 = 
7 1 3
37 / 248
Matrices particulières Vecteur
Définition (Vecteur ligne)

Un vecteur ligne x de taille m est une matrice composée d’une seule ligne et de
m colonnes, c’est à dire : x = [x1 x2 · · · xm ].
Exemples
h i
x= 2 5 x=(2, 5)
h i
y= 1 5 2 y=(1, 5, 2)
h i
z= 3 6 2 1 z=(3, 6, 2, 1)
38 / 248
Définition (Vecteur colonne)

Un vecteur colonne x de taille n est une matrice composée d’une seule colonne
et de n lignes, c’est à dire :  
x1
 
 x2 
 
x=
 .. 

.
 
xn
Exemples
 
  1
  1  
 
  1  
  2
1   2  
w=  x = 2 y= z = 3
    
 
2   3  
 
3   4
4  
5
39 / 248
Remarques :
Un vecteur est généralement noté en lettre minuscule en gras.
Si la nature du vecteur n’est pas précisée, il s’agit d’un vecteur colonne.
40 / 248
Pour maximiser sa fonction d’utilité sous sa contrainte de revenu R, un consom-
mateur dispose d’un panier de consommation composé du bien 1 et du bien 2
achetés respectivement aux prix p1 et p2 . Les quantités x1 et x2 consommées
des deux biens et les prix déboursés pour les acquérir peuvent être représentés
par un vecteur de quantités Q et par un vecteur de prix P comme suit :
   
x1 p1
Q =  P = 
x2 p2
41 / 248
Pour produire une quantité Q d’un bien, une firme emploie K unités du fac-
teur capital et L unités du facteur travail. Les unités utilisées des facteurs de
production peuvent être données dans un vecteur d’inputs comme suit :
 
K
Inputs =  
L
42 / 248
Matrices particulières Matrice rectangulaire
Définition (Matrice rectangulaire)

Une matrice rectangulaire de taille n × m est une matrice qui n’a pas le même
nombre de lignes que de colonnes (i.e. n 6= m).
Exemples
   
3 9 5 0 2 5 5
   
A3×2 = 6 B3×5 = 7
   
5 1 3 4 1
   
4 1 4 1 6 1 4
43 / 248
Matrices particulières Matrice carrée
Définition (Matrice carrée)

Une matrice carrée d’ordre n, notée An , est une matrice qui a le même nombre
n de lignes que de colonnes. Les coefficients qui se trouvent sur des lignes et des
colonnes de mêmes indices forment la diagonale principale de la matrice carrée.
Exemples
 
  5 0 2 5 5
1 2 5 6 






 7 4 3 4 1
7 5 1 4  
A4 =  B5 = 5
 


 0 2 5 5
0 2 0 6 



  7 1 3 7 1
3 4 4 1  
4 1 6 1 4
44 / 248
Matrices particulières Matrice diagonale
Définition (Matrice diagonale)

Une matrice diagonale est une matrice carrée d’ordre n, dont les coefficients
hors diagonale sont tous nuls. Elle est notée Dn = diag( d11 , d22 , · · · , dnn ).
Exemple
 
1 0 0 0
 
 
0 5 0 0
A=  ≡ diag( 1 , 5 , 0 , 1 )
 
0 0 0 0
 
0 0 0 1
45 / 248
Matrices particulières Matrice identité
Définition (Matrice identité ou matrice unité)

Une matrice identité d’ordre n (ou une matrice unité), notée In , est une matrice
diagonale dont tous les coefficients diagonaux sont égaux à 1, c’est à dire :
In = diag( 1 , 1 , · · · , 1 ).
Exemples
 
  1 0 0 0
1 0 0 



  0 1 0 0
I3 = 0 I4 = 
 
1 0 


  0 0 1 0
0 0 1  
0 0 0 1
46 / 248
Matrices particulières Matrice identité
Remarque
Il ne faut pas confondre une matrice unité qui est une matrice diagonale dont
tous les coefficients diagonaux sont égaux à 1 avec une matrice dont tous les
coefficients sont égaux à 1.
Exemples
   
1 1 1 1 0 0
   
A3 = 1 I3 = 0
   
1 1 1 0
   
1 1 1 0 0 1
47 / 248
Matrices particulières Matrice scalaire
Définition (Matrice scalaire)

Une matrice scalaire A est une matrice diagonale dont tous les coefficients dia-
gonaux sont égaux à un scalaire α, c’est à dire : A = diag( α , α , · · · , α ).
Exemples
 
  4 0 0 0
3 0 0 



  0 4 0 0
A = 0 B =
 
3 0 


  0 0 4 0
0 0 3  
0 0 0 4
48 / 248
Matrices particulières Matrice scalaire
Remarque
Dans le langage matriciel, afin de bien distinguer une matrice d’un nombre dans
certaines opérations qui font intervenir les deux en même temps comme c’est le
cas du produit d’une matrice A par un nombre α, ce dernier est appelé scalaire.
Il ne faut donc pas confondre un scalaire qui est un nombre et une matrice
scalaire qui est une matrice.
49 / 248
Matrices particulières Matrice triangulaire
Définition (Matrice triangulaire inférieure)

Une matrice triangulaire inférieure est une matrice carrée dont les coefficients
situés au dessus de sa diagonale principale sont tous nuls.
Exemples
 
  5 0 0 0 0
1 0 0 0 






 7 4 0 0 0
7 5 0 0  
A= B = 5
 


 0 2 0 0
0 2 0 0 



  7 1 3 7 0
3 4 4 1  
4 1 6 1 4
50 / 248
Définition (Matrice triangulaire strictement inférieure)

Une matrice triangulaire strictement inférieure est une matrice carrée dont les
coefficients diagonaux et les coefficients situés au dessus de sa diagonale princi-
pale sont tous nuls.
Exemples
 
  0 0 0 0 0
0 0 0 0 






 7 0 0 0 0
7 0 0 0  
A= B = 5
 


 0 0 0 0
0 2 0 0 



  7 1 3 0 0
3 4 4 0  
4 1 6 1 0
51 / 248
Définition (Matrice triangulaire supérieure)

Une matrice triangulaire supérieure est une matrice carrée dont les coefficients
situés au dessous de sa diagonale principale sont tous nuls.
Exemples
 
  3 9 1
2 5  
A= B = 0
 
 5 7
0 4  
0 0 3
52 / 248
Définition (Matrice triangulaire strictement supérieure)

Une matrice triangulaire strictement supérieure est une matrice carrée dont
les coefficients diagonaux et les coefficients situés au dessous de sa diagonale
principale sont tous nuls.
Exemples
 
0 2 5 6
   
 
0 5 0 0 1 4
A=  B =



0 0 0 0 0 6
 
0 0 0 0
53 / 248
Matrices particulières Matrice nulle
Définition (Matrice nulle)

Une matrice nulle est une matrice de taille n × m, notée On×m , dont les coef-
ficients sont tous nuls.
Exemples
   
0 0 0 0 0 0 0 0
   
O3 = 0 O3×5 = 0
   
0 0 0 0 0 0
   
0 0 0 0 0 0 0 0
54 / 248
Matrices particulières Matrice opposée
Définition (Matrice opposée)

La matrice opposée (ou l’opposée) de la matrice A = [aij ]n×m est une matrice
de même taille, notée −A, dont les coefficients sont les opposés des coefficients
de la matrice A, c’est à dire : −A = [−aij ]n×m .
Exemple
   
3 9 −3 −9
   
A = 6 −A = −6 −5
   
5
   
4 1 −4 −1
55 / 248
Matrices particulières Matrice transposée
Définition (Matrice transposée)

La matrice transposée (ou la transposée) de la matrice A = [aij ]n×m est une
matrice de taille m × n, notée A> , A0 ou t A, dont les lignes et les colonnes
sont respectivement les colonnes et les lignes de la matrice A, c’est à dire :
A> = [aji ]m×n .
Exemple
 
  2 8
2 5 4  
A= A> = 5 4
  
8 4 3  
4 3
56 / 248
Matrices particulières Matrice transposée
Propriété : Transposée d’une transposée

La transposée de la transposée d’une matrice A est égale à la matrice A :
(A> )> = A.
Exemple
 
  2 8  
2 5 4   2 5 4
A= ⇒ A> = 5 ⇒ (A> )> =  =A
 
 4
8 4 3   8 4 3
4 3
57 / 248
Matrices particulières Matrice symétrique
Définition (Matrice symétrique)

Une matrice symétrique A est une matrice carrée dont les coefficients symé-
triques par rapport à sa diagonale principale sont identiques. Par conséquent,
une matrice symétrique A est égale à sa transposée A> , c’est à dire : A = A> .
Exemples
 
  5 0 2 5 5
1 7 0 3 






 0 4 3 4 1
7 5 2 4  
A=  = A> B = 2

3 2 5 6 = B
 >
 
0 2 0 6 



  5 4 5 7 1
3 4 6 1  
5 1 6 1 4
58 / 248
Matrices particulières Matrice anti-symétrique
Définition (Matrice anti-symétrique)

Une matrice anti-symétrique A = [aij ] est une matrice carrée dont les coeffi-
cients symétriques par rapport à sa diagonale principale sont des opposés. Par
conséquent, une matrice anti-symétrique A est égale à l’opposée de sa transpo-
sée −A> = [−aji ], c’est à dire : A = −A> ou encore aij = −aji . Cette dernière
égalité implique que les coefficients diagonaux d’une matrice anti-symétrique
sont tous nuls.
Exemples
 
  0 0 −2 −5 5
0 −7 0 −3  
−4
 
  0 0 3 1
−2 −4
 
7 0  
A=  = −A> B = 2

−3 0 5 −6 = −B
 >
−6
 
0 2 0  
−5
 
  5 4 0 1
3 4 6 0  
−5 −1 6 −1 0
59 / 248
Matrices particulières Synthèse
Synthèse
60 / 248
Matrices particulières Synthèse
Formes d’une matrice

Matrice rectangulaire, matrice carrée, matrice triangulaire et matrice diagonale ;
Un vecteur est une matrice formée d’une seule ligne ou d’une seul colonne ;
Un scalaire est une matrice formée d’une seule ligne et d’une seule colonne.
Matrices diagonales particulières

Matrice identité ou matrice unité ;
Matrice scalaire.
Contenu d’une matrice

Matrice nulle ;
Matrice opposée ;
Matrice transposée ;
Matrice symétrique ;
Matrice anti-symétrique.
61 / 248
Section 3 :
• Égalité des matrices
• Multiplication d’une matrice par un scalaire
• Addition et soustraction des matrices
• Produit scalaire
• Produit matriciel
62 / 248
Opérations sur les matrices Égalité des matrices
Sous-section 1 :
Égalité des matrices
63 / 248
Opérations sur les matrices Égalité des matrices
Définition (Égalité des matrices)

Deux matrices A = [aij ]n×m et B = [bij ]p×q sont égales si elles ont la même
taille (i.e. n = p et m = q) et si leurs coefficients correspondants sont identiques,
c’est à dire : aij = bij .
Exemples
       
2 5 2 5 1 0 1 0 5
A=  B =  C =  D = 
8 4 8 4 6 3 6 3 3
A=B B 6= C
A 6= C B 6= D
A 6= D C 6= D
64 / 248
Opérations sur les matrices Multiplication d’une matrice par un scalaire
Sous-section 2 :
Multiplication d’une matrice par un scalaire
65 / 248
Définition (Multiplication d’une matrice par un scalaire)

Le produit d’une matrice A = [aij ] par un scalaire α est une matrice αA (notée
également α · A ou α × A) obtenue en multipliant tous les coefficients de la
matrice A par le même scalaire α, c’est à dire : αA = [αaij ].
Exemple
     
2 5 4 2×2 2×5 2×4 4 10 8
A=  ⇒ 2A =  = 
8 4 3 2×8 2×4 2×3 16 8 6
66 / 248
Propriété 1 : Commutativité
Le produit d’une matrice par un scalaire est commutatif : αA = Aα.
Exemple
   
2×2 2×5 2×4 4 10 8
⇒ 2×A= = 
  2×8 2×4 2×3 16 8 6
2 5 4
A=     
8 4 3 2×2 5×2 4×2 4 10 8
⇒ A×2= = 
8×2 4×2 3×2 16 8 6
67 / 248
Propriété 2 : Associativité
Le produit d’une matrice par un scalaire est associatif : αβA = α(βA) = (αβ)A
Exemple
  
2×2 2×5 2×4 12 30 24
⇒ 3(2A) = 3   = 
  2×8 2×4 2×3 48 24 18
2 5 4
A=     
8 4 3 2 5 4 12 30 24
⇒ (3 × 2)A = (3 × 2)   = 
8 4 3 48 24 18
68 / 248
Propriété 3 : Élément neutre

Le scalaire 1 est l’élément neutre du produit d’une matrice par un scalaire :
1 × A = A × 1 = A.
Exemple
   
1×2 1×5 1×4 2 5 4
⇒ 1×A= = =A
  1×8 1×4 1×3 8 4 3
2 5 4
A=     
8 4 3 2×1 5×1 4×1 2 5 4
⇒ A×1= = =A
8×1 4×1 3×1 8 4 3
69 / 248
Propriété 4 : Élément absorbant

Le scalaire 0 est l’élément absorbant du produit d’une matrice par un scalaire :
0 × An×m = An×m × 0 = 0n×m .
Exemple
  
0×2 0×5 0×4 0 0 0
⇒ 0 × A2×3 = = 
  0×8 0×4 0×3 0 0 0
2 5 4
A2×3 =     
8 4 3 2×0 5×0 4×0 0 0 0
⇒ A2×3 × 0 =  = 
8×0 4×0 3×0 0 0 0
70 / 248
Propriété 5 : Distributivité
Le produit d’une matrice par un scalaire est distributif par rapport à la somme
des scalaires α et β : (α + β)A = αA + βA.
Exemple
 
2 5 4
A= 
8 4 3
⇓
   
(3 + 2) × 2 (3 + 2) × 5 (3 + 2) × 4 10 25 20
(3 + 2)A =  = 
(3 + 2) × 8 (3 + 2) × 4 (3 + 2) × 3 40 20 15
     
3×2 3×5 3×4 2×2 2×5 2×4 10 25 20
3A + 2A =  + = 
3×8 3×4 3×3 2×8 2×4 2×3 40 20 15
71 / 248
Propriété 6 : Transposée du produit d’une matrice par un scalaire

La transposée du produit d’une matrice A par un scalaire α est égale au produit
du scalaire α par la transposée de la matrice A : (αA)> = αA> .
Exemple
 
>
4 16

4 10 8  
⇒ (2 × A)> =   =
10 8
16 8 6
  
2 5 4 8 6
A=     
8 4 3 2 8 4 16
   
⇒ 2 × A> = 2 × 
5 4
 =
10 8

4 3 8 6
72 / 248
Opérations sur les matrices Addition et soustraction des matrices
Sous-section 3 :
Addition et soustraction des matrices
73 / 248
Définition (Addition des matrices)

La somme de deux matrices de même taille A = [aij ]n×m et B = [bij ]n×m est
une matrice de même taille A + B obtenue en additionnant leurs coefficients
correspondants :
A + B = [aij + bij ]n×m
Exemple
 
2 5 4
A=    
8 4 3 2+4 5+1 4+8 6 6 12
⇒ A+B =  = 
  8+1 4+8 3+6 9 12 9
4 1 8
B = 
1 8 6
74 / 248
L’addition des matrices est commutative : A + B = B + A.
Exemple
    
2 5 4 2+4 5+1 4+8 6 6 12
A=  A+B = = 
8 4 3 8+1 4+8 3+6 9 12 9
  ⇒   
4 1 8 4+2 1+5 8+4 6 6 12
B =  B +A= = 
1 8 6 1+8 8+4 6+3 9 12 9
75 / 248
L’addition des matrices est associative : (A + B ) + C = A + (B + C ).
Exemple
 
2 5
A= 
8 4      
2+4 5+0 1 0 7 5
⇒ (A + B ) + C =  + = 
  8+1 4+8 6 3 15 15
4 0
B = 
1 8  
   
2 5 4+1 0+0 7 5
⇒ A + (B + C ) =  + = 
8 4 1+6 8+3 15 15
 
1 0
C = 
6 3
76 / 248

La matrice nulle 0n×m est l’élément neutre de l’addition des matrices :
An×m + 0n×m = An×m .
Exemple
     
2 5 4 2+0 5+0 4+0 2 5 4
A=  ⇒ A + 02×3 = = =A
8 4 3 8+0 4+0 3+0 8 4 3
77 / 248
Le produit d’une matrice par un scalaire α est distributif par rapport à la
somme des matrices A et B : α(A + B ) = αA + αB .
Exemple
     
1 7 4 1+1 7+0 4+3 4 14 14
A=  ⇒ 2(A + B ) = 2   = 
3 5 2 3+6 5+7 2+1 18 24 6
       
1 0 3 2 14 8 2 0 6 4 14 14
B =  ⇒ 2A + 2B =  +  = 
6 7 1 6 10 4 12 14 2 18 24 6
78 / 248
Propriété 5 : Transposée d’une somme de matrices

La transposée d’une somme de matrices est la somme des transposées des
matrices : (A + B )> = A> + B > .
Exemple
 
>
6 14
  
2 5 4 2 + 4 5 + 1 4 + 8  
A=  (A + B )> =   =
6 12
8 4 3 8+6 4+8 3+6

12 9
⇒      
2 8 4 6 6 14
 
4 1 8      
B =  A> + B > = 5 4 + 1 8
   =6
 12
6 8 6

4 3 8 6 12 9
79 / 248
Définition (Soustraction de matrices)

La soustraction de deux matrices A et B est simplement la somme de la
matrice A et de l’opposée de la matrice B : A − B = A + (−B ).
Exemple
     
1 7 4 1−1 7−0 4−3 0 7 1
A=  A−B =  = 
3 5 2 3−6 5−7 2−1 −3 −2 1
⇒
     
1 0 3 1−1 7+0 4−3 0 7 1
B =  A + (−B ) =   = 
6 7 1 3−6 5−7 2−1 −3 −2 1
80 / 248
Remarque
L’addition et la soustraction des matrices ne peuvent se faire qu’entre des ma-
trices de même taille. Pour ajouter (ou soustraire) un scalaire λ à (de) la diago-
nale principale d’une matrice carrée ou à (de) tous les coefficients d’une matrice
quelconque, il convient de transformer le scalaire λ en une matrice de taille
convenable par une opération de multiplication d’une matrice par un scalaire
puis procéder au calcul de la somme (ou de la différence).
Exemples
     
5 2 5−2 2 3 2
A=  ⇒ A − 2I2 =  = 
4 3 4 3−2 4 1
     
1 1 5−2 2−2 3 0
B =  ⇒ A − 2B =  = 
1 1 4−2 3−2 2 1
81 / 248
Opérations sur les matrices Produit scalaire
Sous-section 4 :
Produit scalaire
82 / 248
Définition (Produit scalaire)

Le produit scalaire de deux vecteurs de même taille A = ( a1 , a2 , · · · , an ) et
B = ( b1 , b2 , · · · , bn ) est un scalaire, noté hA, B i ou A.B , donné par :
n
X
hA, B i = a1 b1 + a2 b2 + · · · + an bn = ai bi
i=1
Si les vecteurs A et B sont identiques, hA, B i est un carré scalaire.
Exemple
A=(2, 5, 3) B =(4, 1, 6)
hA, B i = 2 × 4 + 5 × 1 + 3 × 6 = 31
83 / 248
Pour maximiser sa fonction d’utilité sous sa contrainte de revenu R, un consom-
mateur dispose d’un panier de consommation composé du bien 1 et du bien 2
achetés respectivement aux prix p1 et p2 . Les quantités x1 et x2 consommées
des deux biens et les prix déboursés pour les acquérir peuvent être représentés
par un vecteur de quantités Q et par un vecteur de prix P comme suit :
Q = ( x1 , x2 ) P = ( p1 , p2 )
La contrainte budgétaire de ce consommateur est donnée par le produit scalaire

des vecteurs Q et P :
R = hQ, P i = p1 × x1 + p2 × x2
84 / 248
Pour produire une quantité Q d’un bien, une firme emploie K unités du facteur
capital au prix pK et L unités du facteur travail au prix pL . Les unités utili-
sées des facteurs de production sont données dans un vecteur A et leurs prix
respectifs dans un vecteur B comme suit :
A=(K , L) B = ( pK , pL )
Le coût total CT de production de la quantité Q du bien est donné par le

produit scalaire des vecteurs A et B :
CT = hA, B i = pK × K + pL × L
85 / 248
Le produit scalaire de deux vecteurs x et y est commutatif, c’est à dire :
hx, yi = hy, xi.
Exemple
h i
x= 1 2 3 ⇒ hx, yi = 1 × 4 + 2 × 5 + 3 × 6 = 32
h i
y= 4 5 6 ⇒ hy, xi = 4 × 1 + 5 × 2 + 6 × 3 = 32
86 / 248
Le produit scalaire est distributif par rapport à la somme des vecteurs, c’est à
dire : hx + y, zi = hx, zi + hy, zi.
Exemple
h i
x= 1 2 3 ⇒ hx + y, zi = (1 + 4) × 7 + (2 + 5) × 8 + (3 + 6) × 9 = 172
h i
y= 4 5 6 ⇒ hx, zi = 1 × 7 + 2 × 8 + 3 × 9 = 50
h i
z= 7 8 9 ⇒ hy, zi = 4 × 7 + 5 × 8 + 6 × 9 = 122
87 / 248

Le vecteur nul 0 est l’élément absorbant du produit scalaire, c’est à dire :
hx, 0i = 0.
Exemple
h i
x= 1 2 3
⇒ hx, 0i = 1 × 0 + 2 × 0 + 3 × 0 = 0
h i
0= 0 0 0
88 / 248
Propriété 4 : Positivité du carré scalaire

Le carré scalaire d’un vecteur x est positif, c’est à dire : hx, xi ≥ 0.
Exemples
h i
x= 1 2 3 ⇒ hx, xi = 1 × 1 + 2 × 2 + 3 × 3 = 12 + 22 + 32 = 14 ≥ 0
h i
0= 0 0 0 ⇒ h0, 0i = 0 × 0 + 0 × 0 + 0 × 0 = 0 ≥ 0
89 / 248
Propriété 5 : Multiplication par un scalaire

Le produit scalaire de deux vecteurs αx et y, où α est un scalaire, est égal au
produit scalaire des vecteurs x et y multiplié par le scalaire α, c’est à dire :
hαx, yi = α hx, yi.
Exemple
h i
x= 1 2 3 ⇒ h2x, yi = (2 × 1) × 4 + (2 × 2) × 5 + (2 × 3) × 6 = 64
h i
y= 4 5 6 ⇒ 2 hy, xi = 2(1 × 4 + 2 × 5 + 3 × 6) = 64
90 / 248
Définition (Vecteurs orthogonaux ou perpendiculaires)

Deux vecteurs x et y sont orthogonaux (ou perpendiculaires) si leur produit
scalaire est nul, c’est à dire : hx, yi = 0. Plus généralement, un ensemble de
vecteurs x1 , x2 ,... et xk sont orthogonaux, s’ils le sont deux à deux : hxi , xj i = 0
pour i 6= j .
Exemple
h i
x= 1 1 1 ⇒ hx, yi = 1 × 1 + 1 × 1 + 1 × (−2) = 0
h i
y= 1 1 −2 ⇒ hx, zi = 1 × 1 + 1 × (−1) + 1 × 0 = 0
h i
z= 1 −1 0 ⇒ hy, zi = 1 × 1 + 1 × (−1) + (−2) × 0 = 0
91 / 248
Opérations sur les matrices Produit matriciel
Sous-section 5 :
Produit matriciel
92 / 248
Définition (Produit matriciel)

Le produit matriciel de deux matrices A = [aij ]n×p et B = [bij ]p×q est une
matrice de taille n × q, notée AB , A · B ou A × B , dont les coefficients πij sont
donnés par la produit scalaire de la ligne i de la matrice A et la colonne j de la
Pp
matrice B : πij = ai1 b1j + · · · + aik bkj + · · · + aip bpj = k =1 aik bkj
Dans la pratique :
 
b b1j b1q
 11. .. .. 
 .. . . 
bkq  ← B
 
bk 1 bkj
 .. .. .. 
 . . . 
bp1 bpj bpq
  
a ··· a1k ··· a1p
 11
A →  ai1 ··· ···  ← AB
 
aik aip   πij
an1 ··· ank ··· anp
93 / 248
Remarque :
Le produit matriciel des matrices An×m et Bp×q n’est possible que lorsque le
nombre de colonnes m de la matrice A est égal au nombre de lignes p de la
matrice B . On dit que les matrices A et B sont conformes pour le produit
matriciel. Le résultat est une matrice de taille n × q.
94 / 248
Exemple
 
1 7  
1 0
 
A = 3 5
 
 ←B
2 3
 
4 2   
1 7 15 21
 
1 0   
B =  A → 3
 
5 13 15 ← AB

2 3   
4 2 8 6
AB = ?
95 / 248
Propriété 1 : Non commutativité

Le produit matriciel est généralement non commutatif : AB 6= BA
Exemple
     
1 7 1×1+7×6 1×0+7×7 43 49
A=  AB =  = 
3 5 3×1+5×6 3×0+5×7 33 35
  ⇒    
1 0 1×1+0×3 1×7+0×5 1 7
B =  BA =  = 
6 7 6×1+7×3 6×7+7×5 27 77
96 / 248
Remarque :
Si, à titre exceptionnel, le produit matriciel de deux matrices carrées est com-
mutatif, on dit que les matrices commutent ou qu’elles sont commutantes.
Exemple
     
2 4 2×2+4×0 2×0+4×2 4 8
A=  AB =  = 
1 3 1×2+3×0 1×0+3×2 2 6
  ⇒    
2 0 2×2+0×1 2×4+0×3 4 8
B =  BA =  = 
0 2 0×2+2×1 0×4+2×3 2 6
97 / 248
Le produit matriciel est associatif : ABC = (AB )C = A(BC ).
Exemple
 
2 5 3
A= 
1 4 1     
26 12 1 98
⇒ (AB )C =    = 
  17 9 6 71
4 1
 
B = 3
 2

1 0  
10
   
2 5 3   98
⇒ A(BC ) =   15 = 
1 4 1 71
 
  1
1
C = 
6
98 / 248

La matrice identité I est l’élément neutre du produit matriciel :
An×m · Im = In · An×m = An×m
Exemple
 
1 0 0
   
2 5 3   2 5 3
A2×3 · I3 =   0 1 0 = 
1 4 1 1 4 1
   
2 5 3 0 0 1
A=  ⇒
1 4 1     
1 0 2 5 3 2 5 3
I2 · A2×3 =   = 
0 1 1 4 1 1 4 1
99 / 248

La matrice nulle 0 est l’élément absorbant du produit matriciel :
An×m · 0m×q = 0n×q et 0p×n · An×m = 0p×m
Exemple
 
0 0
   
2 5 3   0 0
A2×3 · 03×2 =  0 0 =  
1 4 1 0 0
   
2 5 3 0 0
A=  ⇒
1 4 1     
0 0 2 5 3 0 0 0
02×2 · A2×3 =   = 
0 0 1 4 1 0 0 0
100 / 248
Propriété 5 : Distributivité à droite

Le produit matriciel est distributif à droite par rapport à la somme des
matrices : A(B + C ) = AB + AC .
Exemple
 
2 5 3
A= 
 
1 4 1
  
2 5 3 5 3 61 46
⇒ A(B + C ) =  =
 9 
5 
  1 4 1 2 5 43 28
4 1
B = 3
 
2
1 0     
26 12 35 34 61 46
  ⇒ AB + AC =  +  = 
1 2 17 9 26 19 43 28
 
C = 6
 3

1 5
101 / 248
Propriété 6 : Distributivité à gauche

Le produit matriciel est distributif à gauche par rapport à la somme des
matrices : (B + C )A = BA + CA.
Exemple
" #
2 5 3
A=    
1 4 1 4+1 1+2
 
13 37 18
  2 5 3  
⇒ (B + C )A = 
3 + 6 2 + 3   =
23 65 32
1 4 1
   
4 1 1+1 0+5 9 30 11
B = 3
 
2    
1 0 9+4 24 + 13 13 + 5 13 37 18
   
⇒ BA + CA = 
8 + 15 23 + 42 11 + 21
 =
23 65 32

 
1 2 2+7 5 + 25 3+8 9 30 11
C = 6
 
3
1 5
102 / 248
Propriété 7 : Transposée du produit des matrices

La transposée du produit des matrices A et B est égale au produit de leurs
transposées A> et B > dans un ordre inversé : (AB )> = B > A> .
Exemple
   >  
1 7 2 47 55 47 41
A=  ⇒ (AB )> =   = 
3 5 4 41 47 55 47
   
1 0   1 3  
  1 6 2   47 41
B = 6 ⇒ B > A> =  =
   
7 7 5 
  0 7 3   55 47
2 3 2 4
103 / 248
Définition (Matrice orthogonale)

Une matrice carrée A d’ordre n est orthogonale si A> A = AA> = In .
Exemple
    
0 0 1 0 1 0 1 0 0
    
>
A A = 1 1 = 0 0 = I3
    
  0 0 0 0 1
    
0 1 0 0 1 0 1 0 0 0 0 1
 
A = 0 ⇒
 
0 1     
0 1 0 0 0 1 1 0 0
 
1 0 0     
>
AA = 0 0 = 0 0 = I3
    
0 1 1 0 1
    
1 0 0 0 1 0 0 0 1
104 / 248
Remarque 1 :
Si l’une des matrices A et B est nulle alors leur produit AB est par construction
nul. Le contraire n’est pas nécessairement vrai : le produit AB peut être nul
sans qu’aucune des matrices A et B ne le soit.
Exemple
     
0 0 2 3 0 0
A=  = 02×2 B =  6= 02×2 ⇒ AB =   = 02×2
0 0 0 0 0 0
     
0 1 2 3 0 0
A=  6= 02×2 B =  6= 02×2 ⇒ AB =   = 02×2
0 2 0 0 0 0
105 / 248
Remarque 2 :
L’égalité des produits matriciels AB et AC n’implique pas nécessairement l’éga-
lité des matrices B et C .
Exemple
 
0 1
A= 
0 4
   
4 −1 5 3
B =  ⇒ AB = AC =  
5 3 20 12
 
2 5
C = 
5 3
106 / 248
Définition (Puissance d’une matrice carrée)

La puissance r d’une matrice carrée A d’ordre n, notée Ar , est le produit ma-
triciel de cette matrice par elle-même r fois :
Ar = A × A × · · · × A
| {z }
r facteurs
En particulier :
A0 = In
A1 = A
A2 = A × A
A3 = A × A × A = A2 × A
..
.
Ar = Ar −1 × A
107 / 248
Exemple
 
2 5
A= 
4 3
    
2 5 2 5 24 25
A2 = A × A =   = 
4 3 4 3 20 29
  
 
24 25 2 5 148 195
A3 = A2 × A =   = 
20 29 4 3 156 187
    
148 195 2 5 1076 1325
A4 = A3 × A =   = 
156 187 4 3 1060 1341
108 / 248
Définition (Matrice idempotente)

Une matrice carrée A d’ordre n est idempotente si A2 = A.
Exemple
 
2 −3 −5
 
A = −1
 
4 5
 
1 −3 −4
    
2 −3 −5 2 −3 −5 2 −3 −5
    
A2 = −1 5  −1 5  = −1
    
4 4 4 5
    
1 −3 −4 1 −3 −4 1 −3 −4
109 / 248
Définition (Matrice nilpotente)

Une matrice carrée A d’ordre n est nilpotente d’indice r ∈ N si ses puissances
s’annulent à partir d’une certaine valeur de r , c’est à dire :
Ar −1 6= On×n et Ar = On×n
Exemple
     
1 1 3 0 0 0 0 0 0
     
A= 5 A2 =  3 A3 = 0
     
2 6 3 9 0 0
     
−2 −1 −3 −1 −1 −3 0 0 0
110 / 248
Rappel : Identités remarquables
(a + b)2 = a 2 + 2ab + b 2 = 1a 2 b 0 + 2a 1 b 1 + 1a 0 b 2
(a + b)3 = a 3 + 3a 2 b + 3ab 2 + b 3 = 1a 3 b 0 + 3a 2 b 1 + 3a 1 b 2 + 1a 0 b 3
..
.
(a + b)r = Cr0 a r b 0 + Cr1 a r −1 b 1 + · · · + Crk a r −k b k + · · · + Crr a 0 b r

r
X
= Crk a r −k b k ← Formule du binôme de Newton
k =0
111 / 248
Remarque :
Les valeurs du coefficient du binôme de Newton Crk sont lues dans le triangle
de Pascal suivant pour différentes valeurs de r et de k :
Crk k
0 1 2 3 4 ··· r
0 1
1 1 1
r 2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
.. .. .. .. .. .. ..
. . . . . . .
112 / 248
Propriété 1 : Formule du binôme de Newton

Soient A et B deux matrices commutantes, c’est à dire AB = BA. La puissance
r de la somme A + B est donnée par la formule du binôme de Newton suivante :
r
X
(A + B )r = Crk Ar −k B k
k =0
Le coefficient du binôme de Newton Crk est lu dans le triangle de Pascal.
113 / 248
Exemple
Soit les matrices A, B et I suivantes :
     
2 1 1 1 1 0
A=  B =  I = 
1 2 1 1 0 1
Pour calculer la puissance 3 de la matrice A, on peut d’abord l’écrire sous

forme d’une somme des matrices commutantes B et I et appliquer la formule
du binôme de Newton :
A3 = (B + I )3 = 1B 3 I 0 + 3B 2 I 1 + 3B 1 I 2 + 1B 0 I 3 = B 3 + 3B 2 + 3B + I
     
   
4 4 2 2 1 1 1 0 14 13
=  + 3  + 3 + = 
4 4 2 2 1 1 0 1 13 14
114 / 248
Propriété 2 : Puissance d’une matrice diagonale

La puissance r d’une matrice diagonale D = diag( d1 , d2 , · · · , dn ) est
une matrice diagonale D r formée uniquement des puissances r des coefficients
diagonaux, c’est à dire : D r = diag( d1r , d2r , · · · , dnr ).
Exemple
   
1 0 0 0 1 0 0 0
   
   
0 2 0 0 0 4 0 0
A=


 A2 = 



0 0 3 0 0 0 9 0
   
0 0 0 4 0 0 0 16
115 / 248
Opérations sur les matrices Synthèse
Synthèse
116 / 248
Opérations sur les matrices Synthèse
Égalité, addition et soustraction des matrices

La comparaison, l’addition et la soustraction ne peuvent se faire qu’entre
des matrices de même taille et le résultat est une matrice de même taille.
L’addition et la soustraction ne peuvent avoir lieu entre une matrice et un

scalaire qu’après transformation de ce dernier en une matrice convenable
par une opération de multiplication d’une matrice par un scalaire.
Multiplication des matrices

3 sortes de multiplication ont été présentées :
La multiplication d’une matrice par un scalaire → une matrice ;
Le produit scalaire de deux vecteurs → un scalaire ;
Le produit matriciel de deux matrices → un scalaire ou une matrice.
117 / 248
Section 5 :
118 / 248
Définition (Combinaison linéaire - Combinaison convexe)

Une combinaison linéaire de deux vecteurs x et y est un vecteur z défini par
z = αx + βy où α et β sont deux scalaires. Si, de plus, α + β = 1 alors z est
une combinaison convexe des vecteurs x et y.
Exemple
 
2
x=         
3 2 4 2×2+3×4 16
  ⇒ 2x + 3y = 2 ×   + 3 ×   =  = 
4 3 5 2×3+3×5 21
y= 
5
119 / 248
Dépendance et indépendance linéaires Dépendance linéaire
Sous-section 1 :
Dépendance linéaire
120 / 248
Définition (Dépendance linéaire)

Les vecteurs x1 et x2 sont linéairement dépendants s’il existe un scalaire non nul
α1 tel que x2 = α1 x1 . Plus généralement, un ensemble de vecteurs x1 , x2 ,... et xk
sont linéairement dépendants si le vecteur xk , par exemple, est une combinaison
linéaire des autres vecteurs, c’est à dire, s’il existe un ensemble de scalaires non
tous nuls α1 , α2 ,... et αk −1 tels que : xk = α1 x1 + α2 x2 + · · · + αk −1 xk −1 ou
encore α1 x1 + α2 x2 + · · · + αk −1 xk −1 − xk = 0.
Théorème
Les vecteurs x1 , x2 ,... et xk sont linéairement dépendants s’il existe des scalaires
non tous nuls α1 , α2 ,... et αk tels que : α1 x1 + α2 x2 + · · · + αk xk = 0
121 / 248
Exemple
     
0 2 2
     
x = −1 y= 3  z = 1
     
     
2 −2 2
   
     
0 2 2 0+2−2 0
         
2x + y − z = 2 × −1 + 1 ×  3  + (−1) × 1 = −2 + 3 − 1 = 0
         
         
2 −2 2 4−2−2 0
122 / 248
Dépendance et indépendance linéaires Indépendance linéaire
Sous-section 2 :
Indépendance linéaire
123 / 248
Définition (Indépendance linéaire)

Les vecteurs x1 et x2 sont linéairement indépendants s’il n’existe aucun scalaire
non nul α1 tel que x2 = α1 x1 . Plus généralement, un ensemble de vecteurs
x1 , x2 ,... et xk sont linéairement indépendants s’il est impossible de trouver
un ensemble de scalaires non tous nuls α1 , α2 ,... et αk qui vérifient l’égalité
suivante : α1 x1 + α2 x2 + · · · + αk xk = 0.
Théorème
Les vecteurs x1 , x2 ,... et xk sont linéairement indépendants si l’égalité suivante
α1 x1 + α2 x2 + · · · + αk xk = 0 implique α1 = α2 = · · · = αk = 0.
124 / 248
Exemple
   
2 0
   
x = 0 y= 3 
   
   
1 −1
       
2 0 2α 0
       
αx + βy = α × 0 + β ×  3  =  3β  = 0 ⇒ α = β = 0
       
       
1 −1 α−β 0
125 / 248
Dépendance et indépendance linéaires Orthogonalité et indépendance linéaire
Sous-section 3 :
Orthogonalité vs indépendance linéaire
126 / 248
Théorème (Orthogonalité et indépendance linéaire)

Des vecteurs orthogonaux x1 , x2 ,... et xk sont linéairement indépendants. Il
existe des scalaires non tous nuls tels que : α1 x1 + α2 x2 + · · · + αk xk = 0.
127 / 248
Démonstration.
Soit x1 , x2 ,... et xk des vecteurs orthogonaux non nuls. Pour qu’ils soient li-
néairement indépendants, il faut que l’égalité α1 x1 + α2 x2 + · · · + αk xk = 0
implique α1 = α2 = · · · = αk = 0. Calculons le produit scalaire des membres de
notre égalité par le vecteur x1 :
hα1 x1 + α2 x2 + · · · + αk xk , x1 i = h0, x1 i
hα1 x1 , x1 i + hα2 x2 , x1 i + · · · + hαk xk , x1 i = h0, x1 i
α1 hx1 , x1 i + α2 hx2 , x1 i + · · · + αk hxk , x1 i = h0, x1 i
Comme les vecteurs x1 , x2 ,... et xk sont orthogonaux, alors hxi , xj i = 0 pour

i 6= j et hxi , xj i =
6 0 pour i = j , il en résulte : α1 hx1 , x1 i = 0 d’où α1 = 0. De
la même manière, le calcul du produit scalaire des membres de l’égalité par les
vecteurs x2 , x3 ,... et xk respectivement aboutit à α2 = 0,... et αk = 0.
128 / 248
Exemple
h i
x= 1 1 1 ⇒ hx, yi = 1 × 1 + 1 × 1 + 1 × (−2) = 0
h i
y= 1 1 −2 ⇒ hx, zi = 1 × 1 + 1 × (−1) + 1 × 0 = 0
h i
z= 1 −1 0 ⇒ hy, zi = 1 × 1 + 1 × (−1) + (−2) × 0 = 0
⇒ Les vecteurs x, y et z sont orthogonaux.

h i h i h i
α1 x + α2 y + α3 z = α1 α1 α1 + α2 α2 −2α2 + α3 −α3 0
h i
= α1 + α2 + α3 α1 + α2 − α3 α1 − 2α2
h i
= 0 0 0
⇒ α1 = α2 = α3 = 0. Les vecteurs x, y et z sont linéairement indépendants.
129 / 248
Section 4 :
• Trace
• Déterminant
• Matrice inverse
• Valeurs et vecteurs propres
130 / 248
Caractéristiques des matrices carrées Trace
Sous-section 1 :
Trace
131 / 248
Caractéristiques des matrices carrées Trace
Définition (Trace d’une matrice carrée)

La trace d’une matrice carrée A d’ordre n, notée tr (A), est égale à la somme de
ses coefficients diagonaux, c’est à dire : tr (A) = a11 + a22 + · · · + ann .
Exemple
 
2 5 3
 
A = 1 tr (A) = 2 + 3 + 1 = 6
 
3 2
 
2 2 1
132 / 248
Caractéristiques des matrices carrées Déterminant
Sous-section 2 :
Déterminant
133 / 248
Définition (Déterminant)
Le déterminant d’une matrice carré A est un scalaire, noté det(A) ou |A|, qui
caractérise la matrice A et qui intervient, entre autres, dans le calcul de sa
matrice inverse, de ses valeurs propres, du rang d’une matrice et aussi dans la
résolution des systèmes d’équations linéaires.
134 / 248
Définition (Déterminant d’une matrice carrée d’ordre 2)

Le déterminant d’une matrice carrée A d’ordre 2 est un sca-
laire, noté det(A) ou |A|, donné par la différence entre le pro-
duit des coefficients diagonaux et le produit des coefficients
hors diagonale :  

a c a c
A=  ⇒ det(A) = = ad − bc

b d b d
Exemple
 

1 2 1 2
A=  ⇒ det(A) = = (1 × 4) − 3(×2) = −2

3 4 3 4
135 / 248
Définition (Déterminant d’une matrice carrée d’ordre 3)
Le déterminant d’une matrice carrée A d’ordre 3 est un

 
a b1 c1
 1
scalaire, noté det(A) ou |A|, calculé par la règle de Sarrus

a b2 c2 
 2 
qui consiste à recopier, dans l’ordre, les deux premières co- a3 b3 c3
lonnes à droite de la matrice puis additionner les produits ⇓
des coefficients des diagonales descendantes et soustraire
les produits des coefficients des diagonales ascendantes :
det(A) = (a1 b2 c3 + b1 c2 a3 + c1 a2 b3 ) − (c1 b2 a3 + a1 c2 b3 + b1 a2 c3 )
Exemple  
1 2 0
 
A=
3 4  ⇒ det(A) = (4 + 8 + 0) − (0 + 2 + 6) = 4
1
4 2 1
136 / 248
Remarque :
La règle de Sarrus ne s’applique qu’à des matrices carrées d’ordre
3. Elle peut se faire aussi en recopiant, dans l’ordre, les deux
premières lignes sous la matrice puis en additionnant les produits
des coefficients des diagonales descendantes et en soustrayant les
produits des coefficients des diagonales ascendantes :
det(A) = (a1 b2 c3 + a2 b3 c1 + a3 b1 c2 ) − (a3 b2 c1 + a1 b3 c2 + a2 b1 c3 )
137 / 248
Définitions (Mineur - Cofacteur)

Soit An une matrice carrée d’ordre n et Aij la sous-matrice obtenue en éliminant
la ligne i et la colonne j de la matrice An :
Le déterminant de Aij est un mineur d’ordre n − 1 de la matrice An ;
cij = (−1)i+j det(Aij ) est le cofacteur de An associé au coefficient aij .
Exemple
 

  3 1 3
1+2
1
1 2 0 ⇒ A12 =  ⇒ c12 = (−1)
=1

  4 1 4 1
A=
3 4 1
  
4 2 1
1 0 1 0
⇒ A22 =  ⇒ c22 = (−1)2+2 =1

4 1 4 1
138 / 248
Définition (Déterminant d’une matrice carrée d’ordre n)

Le déterminant d’une matrice carrée An est un scalaire obtenu comme suit :
1 Sélectionner une ligne i ou une colonne j de la matrice An ;
2 Calculer les cofacteurs cij associés aux coefficients aij sélectionnés ;
3 Multiplier chaque coefficient sélectionné aij par son cofacteur cij ;
4 Additionner les produits des coefficients aij par leurs cofacteurs cij .
Le résultat final est le déterminant de la matrice An formalisé comme suit :

Xn n
X
Selon la ligne i : det(An ) = aij cij = (−1)i+j aij det(Aij )
j =1 j =1
n
X n
X
Selon la colonne j : det(An ) = aij cij = (−1)i+j aij det(Aij )
i=1 i=1
139 / 248
Exemple
Développement selon la ligne 1 :

1 2 0
4 1 3 1 3 4

3 4 1 = 1 × (−1)1+1 + 2 × (−1)1+2 + 0 × (−1)1+3

2 1 4 1 4 2
4 2 1

4 1 3 1

= −2× = (4 − 2) − 2(3 − 4) = 4

2 1 4 1
Développement selon la colonne 3 :

1 2 0
3 4 1 2 1 2

1+3 2+3 3+3

3 4 1 = 0 × (−1) + 1 × (−1) + 1 × (−1)

4 2 4 2 3 4
4 2 1

1 2 1 2

= − +

= −(2 − 8) + (4 − 6) = 4

4 2 3 4
140 / 248
Propriété 1 : Déterminant d’une matrice carrée d’ordre 1

Le déterminant d’une matrice carrée A = [a11 ] d’ordre 1, ne contenant qu’un
seul coefficient a11 , est égal au scalaire a11 , c’est à dire : det(A) = a11 .
Exemple
A = [5] ⇒ det(A) = 5
141 / 248
Propriété 2 : Déterminant d’une matrice carrée nulle

Le déterminant d’une matrice nulle 0n est égal à 0, c’est à dire : det(0n ) = 0.
Exemple
 
0 0
02 =   ⇒ det(02 ) = 0
0 0
142 / 248
Propriété 3 : Permutation des lignes ou des colonnes d’une matrice carrée

Si deux lignes ou deux colonnes d’une matrice carrée A sont inter-changées, le
déterminant det(A) de la matrice A change de signe.
Exemple
 
4 3
  Al =   ⇒ det(Al ) = 5 = −det(A)
1 2 1 2
A= ⇒ det(A) = −5
4 3
 
2 1
Ac =   ⇒ det(Ac ) = 5 = −det(A)
3 4
143 / 248
Propriété 4 : Lignes ou colonnes d’une matrice carrée identiques

Si deux lignes ou deux colonnes d’une matrice carrée A sont identiques, le dé-
terminant det(A) de la matrice A est nul.
Exemple
 
4 3
Al =   ⇒ det(Al ) = (4 × 3) − (4 × 3) = 0
4 3
 
2 2
Ac =   ⇒ det(Ac ) = (2 × 3) − (3 × 2) = 0
3 3
144 / 248
Propriété 5 : Combinaison linéaire les lignes ou des colonnes d’une matrice

Si une ligne (ou une colonne) d’une matrice carrée A est une combinaison linéaire
des autres lignes (ou colonnes), le déterminant det(A) de la matrice A est nul.
Exemple
   
4 2 8 4 2 1×4+2×2
   
A = 2 10 = 2 4 1 × 2 + 2 × 4 ⇒ det(A) = 0
   
4
   
1 1 3 1 1 1×1+2×1
145 / 248
Propriété 6 : Multiplication d’une ligne ou d’une colonne par un scalaire

Si tous les coefficients d’une ligne ou d’une colonne d’une matrice carrée A sont
multipliés par un scalaire α, le déterminant de la matrice A sera multiplié par
le scalaire α.
Exemple
 
1 2
A=  ⇒ det(A) = (1 × 3) − (4 × 2) = −5
4 3
 
1×2 2×2
Al =   ⇒ det(Al ) = (2 × 3) − (4 × 4) = −10 = 2 × det(A)
4 3
 
1×2 2
Ac =   ⇒ det(Ac ) = (2 × 3) − (8 × 2) = −10 = 2 × det(A)
4×2 3
146 / 248
Propriété 7 : Multiplication d’une matrice carrée par un scalaire

Le déterminant du produit d’une matrice carrée An par un scalaire α est égal
au déterminant de la matrice An multiplié par la puissance n du scalaire α,
c’est à dire : det(αAn ) = αn det(A).
Exemple
 
1 2
A=  ⇒ det(A) = (1 × 3) − (4 × 2) = −5
4 3
 
1×2 2×2
2A =   ⇒ det(2A) = (2 × 6) − (8 × 4) = −20 = 22 × det(A)
4×2 3×2
147 / 248
Propriété 8 : Ajouter à une ligne (ou une colonne) le multiple d’une autre
Si l’on ajoute à une ligne (respectivement, une colonne) d’une matrice carrée
A le produit d’une autre ligne (respectivement, colonne) par un scalaire α, le
déterminant demeure inchangé.
Exemple
 
1 2
A=  ⇒ det(A) = (1 × 3) − (4 × 2) = −5
4 3
 
1 + (2 × 4) 2 + (2 × 3)
Al =   ⇒ det(Al ) = (9 × 3) − (4 × 8) = −5
4 3
 
1 + (2 × 2) 2
Ac =   ⇒ det(Ac ) = (5 × 3) − (10 × 2) = −5
4 + (2 × 3) 3
148 / 248
Propriété 9 : Déterminant d’une matrice transposée

Le déterminant de la transposée A> d’une matrice carrée A est égal au déter-
minant de la matrice A, c’est à dire : det(A> ) = det(A).
Exemple
 
1 2
A=  ⇒ det(A) = (1 × 3) − (4 × 2) = −5
4 3
 
1 4
A> =   ⇒ det(A> ) = (1 × 3) − (2 × 4) = −5
2 3
149 / 248
Propriété 10 : Déterminant d’une matrice triangulaire

Le déterminant d’une matrice triangulaire est égal au produit de ses coefficients
diagonaux.
Exemple
 
1 2
A=  ⇒ det(A) = (1 × 3) − (0 × 2) = 1 × 3 = 3
0 3
 
4 0
B =  ⇒ det(B ) = (4 × 6) − (5 × 0) = 4 × 6 = 24
5 6
150 / 248
Propriété 11 : Déterminant d’une matrice diagonale

Le déterminant d’une matrice diagonale D = diag(d11 , d22 , · · · , dnn ) est égal au
produit de ses coefficients diagonaux, c’est à dire : det(D) = d11 ×d22 ×· · ·×dnn .
Exemple
 
1 0
A=  ⇒ det(A) = (1 × 3) − (0 × 0) = 1 × 3 = 3
0 3
151 / 248
Propriété 12 : Déterminant d’un produit matriciel

Le déterminant du produit matriciel de deux matrices carrées A et B de même
ordre n est égal au produit du déterminant de la matrice A par le déterminant
de la matrice B , c’est à dire : det(AB ) = det(A) × det(B ).
Exemple
 
1 2
A=  ⇒ det(A) = (1 × 1) − (3 × 2) = −5
3 1
 
1 2
B =  ⇒ det(B ) = (1 × 2) − (2 × 2) = −2
2 2
 
5 6
AB =   ⇒ det(AB ) = (5 × 8) − (5 × 6) = 10
5 8
152 / 248
Caractéristiques des matrices carrées Matrice inverse
Sous-section 6 :
Matrice inverse
153 / 248
Définition (Matrice inversible - Matrice inverse)

Une matrice carrée A est inversible s’il existe une matrice carrée B de même
ordre, dite matrice inverse de la matrice A et notée A−1 , telle que :
AB = BA = I (1)
Exemple
   
3 4 3 −4
A=  ⇒ A−1 =   ⇒ AA−1 = A−1 A = I2
2 3 −2 3
154 / 248
Théorème
Si A et B sont deux matrices carrées de même ordre telles que AB = I , alors
on a également BA = I .
Conséquence du théorème
Afin de vérifier qu’une matrice carrée B est l’inverse d’une matrice carrée A de
même ordre, il suffit de vérifier que AB = I car la deuxième partie BA = I sera
automatiquement vérifiée.
155 / 248
Définition (Matrice des cofacteurs ou comatrice)

La matrice des cofacteurs (ou la comatrice) associée à une matrice carrée A
d’ordre n est une matrice carrée de même ordre n, notée Ac , obtenue en rem-
plaçant chaque coefficient aij de la matrice A par le cofacteur correspondant
cij .
Exemple
   
3 4 5 −2
A=  ⇒ Ac =  
2 5 −4 3
156 / 248
Définition (Matrice adjointe)

La matrice adjointe associée à une matrice carrée An , notée Aa , est la transposée
de sa matrice des cofacteurs Ac , c’est à dire : Aa = (Ac )> .
Exemple
     
3 4 5 −2 5 −4
A=  ⇒ Ac =   ⇒ Aa =  
2 5 −4 3 −2 3
157 / 248
Théorème
Soit A une matrice carrée d’ordre n et Aa sa matrice adjointe. On a la
relation suivante :
AAa = Aa A = det(A)In (2)
Conséquences du théorème
Si det(A) 6= 0, on peut diviser la relation (2) par det(A), on obtient :
Aa Aa

A = A = In (3)
det(A) det(A)
On reconnaı̂t ici la définition (1) d’une matrice inverse. On conclut que la

matrice A est inversible et sa matrice inverse A−1 est donnée par :
1
A−1 = Aa (4)
det(A)
Si det(A) = 0 alors la matrice A n’est pas inversible et sa matrice inverse
n’est pas définie.
158 / 248
Définitions (Matrice régulière - Matrice singulière)

Une matrice carrée A est dite inversible ou régulière si son déterminant det(A)
est non nul. Dans le cas contraire, la matrice A n’est pas inversible, elle est dite
singulière.
Exemples
   
5
3 4 7 − 47
A=  ⇒ det(A) = 7 ⇒ A−1 =  
2 5 − 72 3
7
 
3 3
B =  ⇒ det(B ) = 0 → B est singulière
2 2
159 / 248
Remarque :
Le calcul de la matrice inverse selon la formule (4) n’est approprié que pour des
matrices carrées de petite taille. Cependant, à partir d’un certain ordre, les cal-
culs deviennent fastidieux est rendent en conséquence cette méthode inefficace.
L’élimination de Gauss, qui sera présentée dans le chapitre 2, est une approche
alternative qui peut s’appliquer quelle que soit la taille des matrices à inverser.
160 / 248
Propriété 1 : Inverse d’une matrice scalaire

L’inverse d’une matrice scalaire non nulle A = diag(α, α, · · · , α) est la matrice
scalaire A−1 = diag( α1 , α1 , · · · , α1 ).
Exemple
   
1
4 0 0 0 0 0 0
  4 

0
  1 
4 0 0 0 0 0
A=  A−1 = 4 

0
  1 
0 4 0 0 0 4 0
   
1
0 0 0 4 0 0 0 4
161 / 248
Propriété 2 : Inverse de l’inverse d’une matrice carrée

L’inverse de l’inverse d’une matrice carrée A est simplement la matrice A, c’est
à dire : (A−1 )−1 = A.
Exemple
     
3 4 3 −4 3 4
A=  ⇒ A−1 =   ⇒ (A−1 )−1 = =A
2 3 −2 3 2 3
162 / 248
Propriété 3 : Inverse de la transposée d’une matrice carrée

L’inverse de la transposée d’une matrice carrée A est égale à la transposée de
l’inverse de la matrice A, c’est à dire : (A> )−1 = (A−1 )> .
Exemple
 
3 −2
⇒ (A> )−1 =  
  −4 3
3 4
A=   
2 3 3 −2
⇒ (A−1 )> =  
−4 3
163 / 248
Propriété 4 : Inverse du produit matriciel

L’inverse du produit matriciel de deux matrices carrées A et B est égale au
produit matriciel des inverses des matrices A et B dans un sens inversé, c’est à
dire : (AB )−1 = B −1 A−1 .
Exemple
     
3 4 3 −4 19 −27
A=  ⇒ A−1 =   (AB )−1 =  
2 3 −2 3 −7 10
⇒
     
2 5 3 −5 19 −27
B =  ⇒ B −1 =   B −1 A−1 =  
1 3 −1 2 −7 10
164 / 248
Propriété 5 : Inverse d’une matrice diagonale

L’inverse d’une matrice diagonale D = diag(d11 , d22 , · · · , dnn ) contenant uni-
quement des coefficients non nuls est une matrice diagonale formée des in-
verses des coefficients diagonaux de la matrice D, c’est à dire : D −1 =
diag( d111 , d122 , · · · , d1nn ).
Exemple
   
1 0 0 0 1 0 0 0
   

0
  1 
5 0 0 0 0 0
A=  A−1 = 5 

0
  1 
0 2 0 0 0 2 0
   
1
0 0 0 4 0 0 0 4
165 / 248
Caractéristiques des matrices carrées Valeurs et vecteurs propres
Sous-section 3 :
Valeurs et vecteurs propres
166 / 248
Définition (Valeurs et vecteurs propres)

Un vecteur non nul v est un vecteur propre (ou un vecteur caractéristique) d’une
matrice carrée A s’il existe un scalaire λ tel que Av = λv. Le scalaire λ est alors
une valeur propre (ou une valeur caractéristique) de la matrice A.
Exemple
       
1 4 −1 4 3 3
       
A = 0 v1 = 1 v2 = 2 v3 = 0
       
2 1
       
0 0 3 0 2 0
     
8 9 3
     
Av1 = 2 = 2v1 Av2 = 6 = 3v2 Av3 = 0 = 1v3
     
     
0 6 0
167 / 248
Définition (Équation caractéristique)

L’équation caractéristique d’une matrice carrée An s’écrit : det(An − λIn ) = 0
où λ est une valeur propre de la matrice An . La résolution de cette équation
caractéristique détermine les valeurs propres λ1 , λ2 ... et λn de la matrice An .
Exemple
   
1 2 1−λ 2
A=  ⇒ A − λI =  
4 3 4 3−λ
det(A − λI ) = (1 − λ)(3 − λ) − 8 = λ2 − 4λ − 5 = 0 ⇒ λ1 = −1 et λ2 = 5
168 / 248
Remarques
Une matrice carrée d’ordre n dispose de n valeurs propres λ1 , λ2 ,... et λn
dont certaines sont identiques. Si, par exemple, λ1 = λ2 = · · · = λk = λ
(avec k ≤ n) alors la valeur propre λ est dite de multiplicité k .
La détermination des valeurs propres d’une matrice carrée d’ordre n né-

cessite la résolution d’une équation caractéristique de degré n. Par consé-
quent, à partir d’un certain ordre n de la matrice, le résolution manuelle
de l’équation caractéristique n’est plus possible et l’on a recours à une ré-
solution numérique à l’aide de logiciels informatiques comme Mathematica
et MatLab.
169 / 248
Recherche des vecteurs propres

Il y a une relation entre une matrice carrée A = [aij ]n , une valeur propre λi et
h i>
le vecteur propre associé vi = xi,1 · · · xi,n donnée par Avi = λi vi que
l’on peut écrire (A − λi I )vi = 0. Le vecteur propre vi associé à la valeur propre
λi est déterminé par la résolution du système d’équations linéaires suivant :



 (a11 − λi )xi,1 + a12 xi,2 + · · · + a1n xi,n = 0


 a21 xi,1 + (a22 − λi )xi,2 + · · · + a2n xi,n

= 0
.. .. ..



 . . .


 a x + a x + · · · + (a − λ )x = 0
n1 i,1 n2 i,2 nn i i,n
170 / 248
Exemple (suite)
   
1 2 x1,1
A=  ⇒ λ1 = −1 v1 =  
4 3 x1,2
    
2 2 x1,1 0
(A − λ1 I ) v1 = 0 ⇔   = 
4 4 x1,2 0


 2x + 2x = 0
1,1 1,2
⇔
 4x1,1 + 4x1,2 = 0

⇒ x1,2 = −x1,1
   
x1,1 1
⇒ v1 =   = x1,1   , ∀x1,1 ∈ R
−x1,1 −1
171 / 248
Exemple (suite)
   
1 2 x2,1
A=  ⇒ λ2 = 5 v2 =  
4 3 x2,2
    
−4 2 x2,1 0
(A − λ2 I )v2 = 0 ⇔   = 
4 −2 x2,2 0

 −4x + 2x = 0

2,1 2,2
⇔
 4x − 2x = 0

2,1 2,2
⇒ x2,2 = −2x2,1
 
1
⇒ v2 = x2,1   , ∀x2,1 ∈ R
−2
172 / 248
Remarque
Tous les multiples αvi du vecteur vi , notés wi , sont également des vecteurs
propres de la matrice A associés à la même valeur propre λi car il suffit de
multiplier les deux membres de l’égalité Avi = λi vi par le même scalaire non nul
α et obtenir α(Avi ) = α(λi vi ) ou encore A(αvi ) = λi (αvi ). Après substitution,
la dernière relation devient Awi = λi wi et montre bien que le nouveau vecteur
wi est un vecteur propre de la matrice A associé à la valeur propre λi .
173 / 248
Propriété 1 : Somme des valeurs propres d’une matrice carrée

La somme des valeurs propres λi d’une matrice carrée An est égale à sa trace
Pn
tr (A), c’est à dire : i=1 λi = tr (A).
Exemple
 
1 2
A=  ⇒ λ1 = −1 et λ2 = 5
4 3
tr (A) = 1 + 3 = 4 λ1 + λ2 = −1 + 5 = 4
174 / 248
Propriété 2 : Produit des valeurs propres d’une matrice carrée

Le produit des valeurs propres λi d’une matrice carrée An est égale à son dé-
terminant det(A), c’est à dire : Πni=1 λi = det(A).
Exemple
 
1 2
A=  ⇒ λ1 = −1 et λ2 = 5
4 3
det(A) = 1 × 3 − 4 × 2 = −5 λ1 × λ2 = (−1) × 5 = −5
175 / 248
Propriété 3 : Cas d’une matrice singulière

Une matrice carrée An est singulière si et seulement si elle a au moins une valeur
propre λi nulle avec i ∈ {1, 2, · · · , n}.
Exemple
   
1 2 1−λ 2
A=  ⇒ A − λI =  
1 2 1 2−λ
det(A) = 1 × 2 − 1 × 2 = 0 → A est une matrice singulière
det(A − λI ) = (1 − λ)(2 − λ) − 2 = λ2 − 3λ = 0 ⇒ λ1 = 0 et λ2 = 3
176 / 248
Propriété 4 : Cas d’une matrice diagonale

Les valeurs propres λi d’une matrice diagonale D = diag(d11 , d22 , · · · , dnn ) sont
égales à ses coefficients diagonaux, c’est à dire : λ1 = d11 ,... et λn = d2n .
Exemple
   
1 0 1−λ 0
A=  ⇒ A − λI =  
0 2 0 2−λ
det(A − λI ) = (1 − λ)(2 − λ) = 0 ⇒ λ1 = 1 et λ2 = 2
177 / 248
Propriété 5 : Cas d’une matrice triangulaire

Les valeurs propres λi d’une matrice triangulaire An sont égales à ses coefficients
diagonaux avec i ∈ {1, 2, · · · , n}.
Exemple
   
1 3 1−λ 3
A=  ⇒ A − λI =  
0 2 0 2−λ
det(A − λI ) = (1 − λ)(2 − λ) − 0 = 0 ⇒ λ1 = 1 et λ2 = 2
178 / 248
Propriété 6 : Cas d’une matrice inverse

Si λ est une valeur propre d’une matrice carrée inversible A alors 1/λ est une
valeur propre de sa matrice inverse A−1 . De plus, si v est le vecteur propre de
la matrice A associé à la valeur propre λ alors v est également le vecteur propre
de la matrice inverse A−1 associé à la valeur propre 1/λ.
Exemple
 
1 2 √ √ 0
5− 33 5+ 33
A=  ⇒ λ1 = 2 et λ2 = 2 ⇒ λ1 λ1 = 1
3 4
 
−2 1 0
√
−5+ 33 0
√
−5+ 33 0
A−1 =  ⇒ λ1 = 4 et λ2 = 4 ⇒ λ2 λ2 = 1
3 −1
2 2
179 / 248
Propriété 7 : Cas d’une matrice transposée

Si λ est une valeur propre d’une matrice carrée A alors λ est également une
valeur propre de sa matrice transposée A> . De plus, si v est le vecteur propre
de la matrice A associé à la valeur propre λ alors v est également le vecteur
propre de la matrice transposée A> associé à la valeur propre λ.
Exemple
 
1 2
A=  ⇒ (1 − λ)(3 − λ) − (2 × 4) = 0
4 3
⇒ λ1 = −1 et λ2 = 5
 
1 4
A> =   ⇒ (1 − λ)(3 − λ) − (4 × 2) = 0
2 3
180 / 248
Propriété 8 : Cas du produit d’une matrice par un scalaire

Si λ est une valeur propre d’une matrice carrée A alors αλ (où α est un scalaire)
est une valeur propre de la matrice αA. De plus, si v est le vecteur propre de la
matrice A associé à la valeur propre λ alors v est également le vecteur propre
de la matrice αA associé à la valeur propre αλ.
Exemple
 
1 2
A=  ⇒ (1 − λ)(3 − λ) − (2 × 4) = 0 ⇒ λ1 = −1 et λ2 = 5
4 3
 
2 4
2A =   ⇒ (2 − λ)(6 − λ) − (8 × 4) = 0 ⇒ λ01 = −2 et λ02 = 10
8 6
181 / 248
Propriété 9 : Cas de la puissance d’une matrice

Si λ est une valeur propre d’une matrice carrée A alors λr (où r est un entier
naturel) est une valeur propre de la matrice Ar . De plus, si v est le vecteur
propre de la matrice A associé à la valeur propre λ alors v est également le
vecteur propre de la matrice Ar associé à la valeur propre λr .
Exemple
 
1 2
A=  ⇒ (1 − λ)(3 − λ) − (2 × 4) = 0 ⇒ λ1 = −1 et λ2 = 5
4 3
 
9 8 0 0
A2 =   ⇒ (9 − λ)(17 − λ) − (8 × 16) = 0 ⇒ λ1 = 1 et λ2 = 25
16 17
182 / 248
Propriété 10 : Cas de la différence entre une matrice et une matrice scalaire

Si λ est une valeur propre d’une matrice carrée A alors λ − c (où c est un
scalaire) est une valeur propre de la matrice A − cI . De plus, si v est le vecteur
propre de la matrice A associé à la valeur propre λ alors v est également le
vecteur propre de la matrice A − cI associé à la valeur propre λ − c.
Exemple
 
1 2
A=  ⇒ (1 − λ)(3 − λ) − (2 × 4) = 0 ⇒ λ1 = −1 et λ2 = 5
4 3
 
−1 2 0 0
A − 2I2 =   ⇒ (−1 − λ)(1 − λ) − (2 × 4) = 0 ⇒ λ1 = −3 et λ2 = 3
4 1
183 / 248
Caractéristiques des matrices carrées Synthèse
Synthèse
184 / 248
Caractéristiques des matrices carrées Synthèse

Une matrice carrée d’ordre n est caractérisée par :
Une trace ;
Un déterminant ;
Une matrice inverse si elle est régulière ;
n valeurs propres distinctes ou répétées ;
n vecteurs propres distincts ou répétés.
185 / 248
Section 6 :
• Rappels de géométrie
• Égalité des vecteurs
• Opposition des vecteurs
• Multiplication d’un vecteur par un scalaire
• Addition des vecteurs
• Différence des vecteurs
• Produit scalaire de deux vecteurs
• Dépendance et indépendance linéaires
• Déterminant d’une matrice carrée
• Matrice associée à une transformation linéaire
• Valeurs et vecteurs propres d’une matrice carrée
186 / 248
Quelques interprétations géométriques Rappels de géométrie
Sous-section 1 :
Rappels de géométrie
187 / 248
Coordonnée d’un point : Espace à 1 dimension
188 / 248
Coordonnées d’un point : Espace à 2 dimensions
189 / 248
Coordonnées d’un point : Espace à 3 dimensions
190 / 248
Définition (Vecteur de l’espace)

En géométrie, un vecteur est un segment orienté dans lequel on distingue le
point de départ (l’origine) du point d’arrivée (l’extrémité). Un vecteur est noté
−→
AB ou désigné par une lettre minuscule →−u , il est caractérisé par :
une direction : la droite (AB) ou l’une des ses parallèles ;
un sens : de l’origine A vers l’extrémité B ;

−→
une norme : la longueur du segment [AB], elle est notée k→
−
u k ou AB .

191 / 248
Coordonnée d’un vecteur : Espace à 1 dimension
192 / 248
Coordonnées d’un vecteur : Espace à 2 dimensions
193 / 248
Coordonnées d’un vecteur : Espace à 3 dimensions
194 / 248
Coordonnée d’un point vs Coordonnée d’un vecteur
Les coordonnées d’un point M de l’espace sont identiques à celles du vecteur

−−→
OM reliant l’origine des axes O au point M.
195 / 248

−−→
196 / 248

−−→
197 / 248
Conclusion
Un vecteur x = (x1 , x2 , · · · , xn ) en algèbre correspond géométriquement aux
coordonnées d’un vecteur → −x reliant l’origine des axes O d’un espace à n dimen-
sions à un point M. Dans la suite, la notation x sera réservée aux vecteurs au
sens algébrique et la notation →
−
x aux vecteurs au sens géométrique.
Algèbre Géométrie
h i
x = x1 x2 ··· xn
 
x1
 
 x2 
 
x=
 .. 

.
 
xn
198 / 248
Les quantités x1 et y1 des biens X et Y procure au consommateur un niveau
d’utilité U1 et les quantités x2 et y2 lui procure un niveau d’utilité supérieur
U2 . Les deux paniers de consommation peuvent être respectivement représentés
par les vecteurs →
−
u et →−
v.
199 / 248
Les quantités d’inputs k1 et l1 permettent de produire une quantité Q1 d’un
certain bien et les quantités k2 et l2 permettent de produire une quantité su-
périeure Q3 . Les deux combinaisons des facteurs de production peuvent être
respectivement représentés par les vecteurs →
−
u et →
−
v.
200 / 248
Remarque
Dans le reste de la présentation, les illustrations graphiques seront faites dans
des espaces à 2 dimensions uniquement et pour simplifier l’analyse les résultats
seront donnés pour le cas de deux vecteurs et peuvent aisément être généralisés
au cas de plusieurs vecteurs.
201 / 248
Quelques interprétations géométriques Égalité des vecteurs
Sous-section 2 :
Égalité des vecteurs
202 / 248
Définition (Égalité de deux vecteurs)

−→ −→
Deux vecteurs AB et DC sont identiques si et seulement s’ils ont la même di-
rection, la même norme et le même sens. Par conséquent, le quadrilatère ABCD
formé par ces deux vecteurs est un parallélogramme.
203 / 248
Propriété : Coordonnées de deux vecteurs identiques

−→ −→
Deux vecteurs AB et DC identiques ont les mêmes coordonnées, il suffit de
−→ −→
prendre les origines des vecteurs AB et DC comme origines des axes pour le
vérifier.
204 / 248
Quelques interprétations géométriques Opposition des vecteurs
Sous-section 3 :
Opposition des vecteurs
205 / 248
Définition (Vecteurs opposés)

−→ −→
Deux vecteurs AB et CD sont opposés si et seulement s’ils ont la même direction,
la même norme et des sens opposés. Par conséquent, le quadrilatère ABCD formé
−→
par ces deux vecteurs est un parallélogramme. L’opposé du vecteur DC est noté
−→ −→ −→
−DC et l’on a −DC = CD.
206 / 248
Propriété : Coordonnées de deux vecteurs opposés

−→ −→
Deux vecteurs AB et CD opposés ont des coordonnées opposées, il suffit de
−→ −→
prendre les origines des vecteurs AB et CD comme origines des axes pour les
retrouver.
207 / 248
Exemple
   
−3 3
Le vecteur -u =   est l’opposé du vecteur u =  .
−2 2
 
3
u= 
2
 
−3
-u =  
−2
208 / 248
Quelques interprétations géométriques Multiplication d’un vecteur par un scalaire
Sous-section 4 :
Multiplication d’un vecteur par un scalaire
209 / 248
Définition (Multiplication d’un vecteur par un scalaire)

La multiplication d’un vecteur → −
u par un scalaire non nul α est un vecteur
→
−
v = α→ −u caractérisé par :
la même direction que celle du vecteur →

−
u;
le même sens que celui du vecteur →

−
u si α > 0 et le sens inverse si α < 0 ;
une norme égale à celle du vecteur →

−
u si |α| = 1, inférieure si |α| < 1 et
supérieure si |α| > 1.
Les vecteurs →
−
u et →
−
v sont dits colinéaires.
210 / 248
Propriété : Coordonnées de deux vecteurs colinéaires

Les coordonnées du vecteur → −
v = α→ −
u sont obtenues en multipliant celles du
→
−
vecteur u par le scalaire α.
211 / 248
Cas particulier
Lorsque α = −1 on retrouve l’opposé du vecteur →
−
u . On vérifie aisément que les
coordonnées du vecteur − u sont simplement les opposées du vecteur →
→
− −
u.
212 / 248
Exemple
   
6 3
Le vecteur 2u =   est le double du vecteur u =   .
4 2
 
3
u= 
2
 
6
2u =  
4
213 / 248
Quelques interprétations géométriques Addition des vecteurs
Sous-section 5 :
Addition des vecteurs
214 / 248
Théorème (Somme de deux vecteurs ayant la même origine)

−→ −→ −→ −→
La somme AB + AD de deux vecteurs AB et AD ayant la même origine A est
−→
le vecteur AC correspondant à la diagonale du parallélogramme ABCD généré
−→ −→
par les vecteurs AB et AD.
215 / 248
Propriété : Coordonnées de la somme de vecteurs ayant la même origine

Les coordonnées de la somme de deux vecteurs → −u (x1 , y1 ) et →
−
v (x2 , y2 ) ayant
la même origine sont données par les sommes respectives des coordonnées des
vecteurs →
−
u et →−
v , c’est à dire : [→
−
u +→
−
v ](x + x , y + y ).
1 2 1 2
216 / 248
Théorème (Somme de deux vecteurs consécutifs)

−→ −→ −→
La somme de deux vecteurs consécutifs AB et BC est le vecteur AC formé
par l’origine du premier vecteur et par l’extrémité du deuxième, c’est à dire
−→ −→ −→
AB + BC = AC. Cette égalité est la relation de Chasles.
217 / 248
Propriété : Coordonnées de la somme de vecteurs consécutifs

Les coordonnées de la somme de deux vecteurs → −
u (x1 , y1 ) et →
−
v (x2 − x1 , y2 − y1 )
consécutifs sont données par la somme des coordonnées des vecteurs → −u et →−v,
c’est à dire : [→
−
u +→
−
v ](x2 , y2 ).
218 / 248
Conclusion
Quelle que soit la nature des vecteurs → −
u et →−v à additionner (consécutifs ou
ayant la même origine), le coordonnées de la somme des vecteurs → −
u +→ −v sont
données par les sommes respectives des coordonnées des vecteurs →
−
u et →
−
v.
219 / 248
Exemple
h i h i h i
Le vecteur w = 6 5 est la somme des vecteurs u = 4 2 et v = 2 3 .
h i
u= 4 2
h i
v= 2 3
h i h i h i
w= 4 2 + 2 3 = 6 5
220 / 248
Quelques interprétations géométriques Différence des vecteurs
Sous-section 6 :
Différence des vecteurs
221 / 248
Théorème (Différence de deux vecteurs ayant la même origine)

−→ −→ −→ −→
La différence AB − AD de deux vecteurs AB et AD ayant la même origine A
−→ −→
est égale à la somme du vecteur AB et de l’opposé du vecteur AD, c’est à dire :
−→ −→
AB + (−AD).
222 / 248
Propriété : Coordonnées de la différence de vecteurs ayant la même origine

Les coordonnées de la différence de deux vecteurs → −u (x1 , y1 ) et →
−
v (x2 , y2 ) ayant
la même origine sont données par les différences respectives des coordonnées des
vecteurs →
−
u et →−v , c’est à dire : [→
−
u −→
−
v ](x − x , y − y ).
1 2 1 2
223 / 248
Théorème (Différence de deux vecteurs consécutifs)

−→ −→ −→ −→
La différence AB − BC de deux vecteurs consécutifs AB et BC est égale à la
−→ −→ −→ −→
somme du vecteur AB et de l’opposé du vecteur BC, c’est à dire : AB + (−CB).
224 / 248
Propriété : Coordonnées de la différence de vecteurs consécutifs

Les coordonnées de la différence de deux vecteurs → −
u (x1 , y1 ) et →
−
v (x2 −x1 , y2 −y1 )
consécutifs sont données par la différence des coordonnées des vecteurs → − u et →
−v,
c’est à dire : [→
−
u −→
−
v ](2x1 − x2 , 2y1 − y2 ).
225 / 248
Conclusion
Quelle que soit la nature des vecteurs → −u et → −v à soustraire (consécutifs ou
ayant la même origine), le coordonnées de la différence des vecteurs →
−
u −→−
v sont
données par les différences respectives des coordonnées des vecteurs →
−
u et →
−
v.
226 / 248
Exemple
h i h i h i
Le vecteur w = 6 5 est la différence des vecteurs u = 4 2 et v = 2 3 .
h i
u= 4 2
h i
v= 3 3
h i h i h i
w= 4 2 − 3 3 = 1 −1
227 / 248
Quelques interprétations géométriques Produit scalaire de deux vecteurs
Sous-section 7 :
Produit scalaire de deux vecteurs
228 / 248
Théorème (Produit scalaire de deux vecteurs)

Le produit scalaire →

− →
u,−v de deux vecteurs → −
u et →
−

v ayant la même origine et
formant un angle θ est donnée par : u , v = u · →

→
− →
− →
− −
v · cos θ.
229 / 248
Exemple
→ √ √
−
h i
π
u= 6 2 ⇒ u = 62 + 22 = 40 θ= 4
→ √ √ √
−
h i
2
v= 2 4 ⇒ v = 22 + 42 = 20 cos θ = 2
Algèbre
hu, vi = 6 × 2 + 2 × 4 = 20
Géométrie

→
−
u,→
−
v = →
− →
u · −

v · cos θ
√
√ √ 2
= 40 × 20 ×
2
= 20
230 / 248
Cas particulier : Produit scalaire de deux vecteurs orthogonaux
→ π
−
u,→
−
v = →
− →
u · −

v · cos
| {z 2 }
0
=0
231 / 248
Exemple
− √ √
⇒ →
h i
π
u= 6 2 u = 62 + 22 = 40 θ= 2
√
⇒ →
h i − p
v = −1 3 v = (−1)2 + 32 = 10 cos θ = 0
Algèbre
hu, vi = 6 × (−1) + 2 × 3 = 0
Géométrie

→
−
u,→
−
v = →
− →
u · −

v · cos θ
√ √
= 40 × 10 × 0
=0
232 / 248
Cas particulier : Produit scalaire de deux vecteurs colinéaires
→
−
u,→
−
v = →
− →
u · −

v · cos
| {z 0}
1
= →
− →
u · −

v
233 / 248
Exemple
− √ √
⇒ →
h i
u= 6 2 u = 62 + 22 = 40
− √ √
⇒ →
h i
v= 3 1 v = 32 + 12 = 10
Algèbre
hu, vi = 6 × 3 + 2 × 1 = 20
Géométrie

→
−
u,→
−
v = →
− →
u · −

v
√ √
= 40 × 10
= 20
234 / 248
Quelques interprétations géométriques Dépendance et indépendance linéaires
Sous-section 8 :
235 / 248
Définition (Vecteurs colinéaires)

Deux vecteurs → −
u et →−
v sont colinéaires s’ils ont la même direction.
236 / 248
Propriété : Colinéarité et dépendance linéaire

Deux vecteurs → −u et →−v sont colinéaires si l’un est le produit de l’autre par un
→
−
scalaire non nul α, c’est à dire → −v = α→ −u ou encore α→ −
u + β→ −
v = 0 (avec
β = −1). Ainsi, deux vecteurs colinéaires sont linéairement dépendants.
Exemple
h i h i
u= 3 1 v= 6 2
h i
v= 6 2
h i
= 2×3 2×1
h i
=2 3 1
= 2u
237 / 248
Définition (Vecteurs coplanaires)

Trois vecteurs →−
u, →
−v et →
−
w sont coplanaires s’ils sont dans le même plan.
238 / 248
Propriété : Coplanarité et dépendance linéaire

Trois vecteurs → −
u, →
−v et → −
w sont coplanaires si l’un est la combinaison linéaire
→
−
des deux autres, c’est à dire → −
w = α→−
u + β→ −v ou encore α→
−u + β→
−
v + γ→−w = 0
(avec γ = −1). Ainsi, trois vecteurs coplanaires sont linéairement dépendants.
Exemple
h i h i h i
u= 4 2 0 v= 2 4 0 w= 6 6 0
h i
w= 6 6 0
h i
= 4+2 2+4 0+0
h i h i
= 4 2 0 + 2 4 0
= 1u + 1v
239 / 248
Définition (Vecteurs orthogonaux)

Deux vecteurs → −
u et →−v sont orthogonaux si leurs directions sont perpendicu-
laires. Plus généralement, trois vecteurs →
−
u, →
−
v et →−
w sont orthogonaux si la
direction de l’un est perpendiculaire au plan généré par les directions (elles-
mêmes perpendiculaires) des deux autres.
240 / 248
Propriété : Orthogonalité et indépendance linéaire

Deux vecteurs → −u et →
−v sont orthogonaux si α = 0 est le seul scalaire α qui
→
− →
−
vérifie v = α u . Plus généralement, trois vecteurs sont orthogonaux si les seuls
→
−
scalaires qui vérifient α→
−
u + β→
−
v + γ→
−
w = 0 sont α = β = γ = 0. Ainsi, des
vecteurs orthogonaux sont linéairement indépendants.
241 / 248
Exemple    
6 −2
u=  v= 
2 6
αu + βv = 0
     
6α −2β 0
⇒ + = 
2α 6β 0
   
6α − 2β 0
⇒ = 
2α + 6β 0
   
α 0
⇒ = 
β 0
242 / 248
Exemple      
4 0 0
     
u = 0 v = 4 w = 0
     
     
0 0 3
αu + βv + γw = 0
       
4α 0 0 0
       
⇒  0  + 4β  +  0  = 0
       
       
0 0 3γ 0
   
α 0
   
⇒ β  = 0
   
   
γ 0
243 / 248
Quelques interprétations géométriques Déterminant d’une matrice carrée
Sous-section 9 :
Déterminant d’une matrice carrée
244 / 248
Remarque préliminaire
Une matrice An×m peut être décomposée en m vecteurs colonnes c1 ,... et cm
de tailles n comme suit :
     
a11 ··· a1j ··· a1m a11 a1m
 . .. ..   .   . 
 . .. ..  .   . 
. .

 . . .   .   . 
     
A =  ai1 ··· ··· aim  c1 =  ai1  · · · cm =  aim 
     
aij
     
 . .. .. .. ..   .   . 
 .. . . . .   ..   .. 
     
an1 ··· anj ··· anm an1 anm
Elle peut donc s’écrire de façon plus compacte de la manière suivante :
h i
A = c1 c2 ··· cm
245 / 248
Théorème (Déterminant d’une matrice carrée d’ordre 2)

Le déterminant d’une matrice carrée d’ordre 2 est égal à l’aire algébrique du
parallélogramme généré par les colonnes de la matrice.
 
x1 x2
A= 
y1 y2
   
x1 x2
c1 =   c2 =  
y1 y2
246 / 248
Démonstration.
     
x1 x2 x1 x2
M =  u=  v= 
y1 y2 y1 y2
x2 y2
AOAB =
2
x1 y1
AOCD =
2
(x2 − x1 )(y2 − y1 )
AADE =
2
ABCDE = y1 (x2 − x1 )
AOAD = AOAB − (AOCD + AADE + ABCDE ) = 12 (x1 y2 − x2 y1 ) = 12 det(M )

AOAFD = 2AOAD = det(M )
247 / 248
Exemple
     
4 6 4 6
M =  u=  v= 
2 5 2 5
6×5
AOAB = = 15
2
4×2
AOCD = =4
2
(6 − 4)(5 − 2)
AADE = =3
2
ABCDE = 2(6 − 4) = 4
AOAD = AOAB − (AOCD + AADE + ABCDE ) = 12 (4 × 5 − 6 × 2) = 12 det(M ) = 4

AOAFD = 2AOAD = det(M ) = 8
248 / 248
Cas particulier : Déterminant d’une matrice à colonnes dépendantes

     
x1 αx1 x1 αx1
M =  u=  v= 
y1 αy1 y1 αy1
α2 x1 y1
AOAB =
2
x1 y1
AOCD =
2
x1 y1 (α − 1)2
AADE =
2
ABCDE = x1 y1 (α − 1)
1
det(M ) = AOAD = AOAB − (AOCD + AADE + ABCDE ) = 0
2
det(M ) = 0
249 / 248
Exemple
     
3 2×3 3 6
M =  u=  v= 
3 2×3 3 6
22 × 3 × 3
AOAB = = 18
2
3×3
AOCD = = 4.5
2
3 × 3 × (2 − 1)2
AADE = = 4.5
2
ABCDE = 3 × 3 × (2 − 1) = 9
1
det(M ) = AOAD = AOAB − (AOCD + AADE + ABCDE ) = 0
2
det(M ) = 0
250 / 248
Théorème (Déterminant d’une matrice carrée d’ordre 3)

Le déterminant d’une matrice carrée d’ordre 3 est égal au volume algébrique du
parallélépipède généré par les colonnes de la matrice.
 
x1 x2 x3
 
A = y1
 
y2 y3 
 
z1 z2 z3
     
x1 x2 x
     3
c1 = y1  ; c2 = y2  ; c3 = y3 
     
     
z1 z2 z3
251 / 248
Exemple
       
4 0 0 4 0 0
       
M = 0 c1 = 0 c2 = 2 c3 = 0
       
2 0
       
0 0 3 0 0 3
det(M ) = 4 × 2 × 3 = 24 V = 4 × 2 × 3 = 24
252 / 248
Cas particulier : Déterminant d’une matrice à colonnes dépendantes

       
x1 x2 αx1 + βx2 x x αx1 + βx2
   1  2  
M = y1 c1 = y1  c2 = y2  c3 = αy1 + βy2 
       
y2 αy1 + βy2 
       
z1 z2 αz1 + βz2 z1 z2 αz1 + βz2
det(M ) = 0 V=0
253 / 248
Exemple
       
4 2 1×4+1×2 4 2 6
       
M = 2 1 × 2 + 1 × 4 c1 = 2 c2 = 4 c3 = 6
       
4
       
0 0 1×0+1×0 0 0 0
det(M ) = 0 V=0
254 / 248
Quelques interprétations géométriques Matrice associée à une transformation linéaire
Sous-section 10 :
Matrice associée à une transformation linéaire
255 / 248
Définition (Transformation linéaire)

Une transformation linéaire T est une application qui transforme un vecteur
→
−
u en un autre vecteur →
−
v . Elle est dite linéaire parce qu’elle vérifie la condition
T (α→
−
u + β→
−
v ) = αT (→
−
u ) + βT (→
−
v ) pour deux vecteurs quelconques →
−
u et →
−
v
et deux scalaires α et β. Il peut s’agir, par exemple, d’une projection ortho-
gonale d’un vecteur sur une droite, d’une rotation d’un vecteur d’un angle θ
autour d’un point, d’une homothétie d’un vecteur d’un rapport k ...etc. A ces
transformations, on associe des matrices M telles que M · →
−
u =→
−
v.
256 / 248
Définition (Matrice de projection orthogonale)

La matrice P associée à la projection orthogonale d’un vecteur →
−
u sur le plan (sur
h i
ou la droite) généré(e) par les colonnes d’une matrice A = c1 c2 · · · cm
est donnée par : P = A(A> A)−1 A> .
Le résultat de la projection est un vecteur →
−
v défini par : →
−
v =P ·→
−
u.
257 / 248
Exemple (Projection orthogonale sur une droite)

       
2 1 0 2 2
A=  P =  u=  v= 
0 0 0 3 0
P ·u=v
    
1 0 2 2
   =  
0 0 3 0
258 / 248
Exemple (Projection orthogonale sur un plan)

       
5 0 1 0 0 5 5
       
A = 0 P = 0 u = 4 v = 4
       
4 1 0
       
0 0 0 0 0 5 0
P ·u=v
    
1 0 0 5 5
    
0 1 0 4 = 4
    
    
0 0 0 5 0
259 / 248
Définition (Matrice de rotation d’un angle θ)

La matrice Rθ associée à la rotation d’un vecteur →
−
u d’un angle θ est donnée
par :  
cos θ − sin θ
Rθ =  
sin θ cos θ
Le résultat de la rotation est un vecteur →

−
v défini par : Rθ · →
−
u =→
−
v.
260 / 248
Exemple (Rotation d’un angle θ autour de l’origine des axes)
     
0 −1 6 −2
R π2 =  u=  v= 
1 0 2 6
R π2 · u = v
    
0 −1 6 −2
   =  
1 0 2 6
261 / 248
Définition (Matrice d’homothétie de rapport k )

La matrice Hk associée à l’homothétie de centre O de rapport k d’un vecteur
→
−
u est donnée par :  
k 0
Hk =  
0 k
Le résultat de l’homothétie est un vecteur →

−
v défini par : →
−
v = Hk · →
−
u = k→
−
u.
Si |k | > 1, il s’agit d’une dilatation du vecteur →

−
u;
Si |k | < 1, il s’agit d’une contraction du vecteur →

−
u.
262 / 248
Exemple (Homothétie de centre O et de rapport 2)
     
2 0 −2 −4
H2 =   u=  v= 
0 2 1 2
H2 · u = v
    
2 0 −2 −4
   =  
0 2 1 2
263 / 248
Exemple (Homothétie de centre O et de rapport -1)
     
−1 0 −2 2
H−1 =  u=  v= 
0 −1 1 −1
H−1 · u = v
    
−1 0 −2 2
   =  
0 −1 1 −1
264 / 248
Quelques interprétations géométriques Valeurs et vecteurs propres d’une matrice carrée
Sous-section 11 :
Valeurs et vecteurs propres d’une matrice carrée
265 / 248
Rappel : Valeurs et vecteurs propres

Un vecteur non nul v est un vecteur propre (ou un vecteur caractéristique) d’une
matrice carrée A s’il existe un scalaire λ tel que Av = λv. Le scalaire λ est alors
une valeur propre (ou une valeur caractéristique) de la matrice A.
Interprétation géométrique :
Un vecteur non nul → −v est un vecteur propre d’une matrice carrée A si sa mul-
tiplication par cette matrice (A→ −v ) est simplement son multiple (λ→ −
v ). Il en
résulte que cette multiplication peut altérer la norme ou le sens du vecteur →−
v
mais en aucun cas elle ne peut modifier sa direction :
Norme : allongée (|λ| > 1), raccourcie (|λ| < 1) ou inchangée (|λ| = 1) ;
Sens : inversé (λ < 0) ou inchangé (λ > 0) ;
Direction : inchangée.
266 / 248
Exemple
   
2 2
u=  ⇒ Au =   = 1u X
  1 1
1 0
A=     
1 −1 1 1
v=  ⇒ Av =   6= λv ∅
2 −1
267 / 248
Exemple
   
2 −2
u=  ⇒ Au =   = (−1)u X
  1 −1
1 −4
A=     
0 −1 1 −7
v=  ⇒ Av =   6= λv ∅
2 −2
268 / 248
Exemple
   
2 4
u=  ⇒ Au =   = 2u X
  1 2
1 2
A=     
1 0 1 5
v=  ⇒ Av =   6= λv ∅
2 1
269 / 248
Exemple
   
2 −4
u=  ⇒ Au =   = (−2)u X
  1 −2
1 −6
A=     
−1 0 1 −11
v=  ⇒ Av =   6= λv ∅
2 −1
270 / 248
Exemple
   
2 1
u=  ⇒ Au =   = 21 u X
1
  1 2
−1 3
A=     
1
0 2 1 5
v=  ⇒ Av =   6= λv ∅
2 1
271 / 248
Exemple
   
2 −1
u=  ⇒ Au =   = (− 12 )u X
  1 − 12
−1 1
A=     
1
2 − 23 1 1
v=  ⇒ Av =   6= λv ∅
2 − 25
272 / 248
Exemple (Projection orthogonale sur une droite)

   
2 2
u=  ⇒ P u =   = 1u X
  0 0
1 0
P=      
0 0 2 2
v=  ⇒ P v =   6= λv ∅
3 0
273 / 248
Exemple (Rotation d’un angle θ autour de l’origine des axes)

     
−1 0 3 −3
Rπ =   u=  ⇒ Rπ u =   = (−1)u X
0 −1 2 −2
     
0 −1 6 −2
R π2 =  v=  ⇒ R π2 v =   6= λv ∅
1 0 2 6
274 / 248
Exemple (Homothétie de centre O et de rapport k )

     
2 0 −2 −4
H2 =   u=  ⇒ H2 u =   = 2u X
0 2 1 2
     
−1 0 −2 2
H−1 =  v=  ⇒ H−1 v =   = (−1)v X
0 −1 1 −1
275 / 248

Algèbre

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

Algèbre

Transféré par

Droits d'auteur :

Formats disponibles

Algèbre linéaire

Licence Sciences économiques et Gestion - Semestre 2

Faculté des sciences juridiques, économiques et sociales - Tanger

Qu’est ce que l’algèbre linéaire ?

Objectif pédagogique du cours

Quelques références utiles

Quelques sites web utiles

Branches des mathématiques

Origine du terme « algèbre » :

Abrégé du Calcul par la Restauration et la Comparaison

Le terme « algèbre » signifie : restauration, reconstruction ou réunion de parties.

Selon le Dictionary of mathematics terms :

Selon The concise Oxford dictionary of mathematics :

Ensembles de nombres : entiers naturels, entiers relatifs, rationnels, réels...

Propriétés des opérations : associativité, commutativité, élément neutre...

Symboles/lettres : inconnues x , y..., paramètres α, β...

Matrices/vecteurs : matrice de projection orthogonale, vecteur propre...

Équations linéaires : équations du premier degré, systèmes d’équations...

Apprendre le calcul matriciel et la résolution des systèmes d’équations.

Comprendre les propriétés algébriques du calcul matriciel.

Résoudre un problème économique algébriquement.

Articulation entre les mathématiques et l’économie

Opérations arithmétiques : Éléments de géométrie :

Chapitre 1 : Calcul matriciel

Chapitre 2 : Systèmes d’équations linéaires

Chapitre 3 : Espaces vectoriels

Mon adresse électronique : jaouad.madkour@outlook.com

Ma page sur Facebook : www.facebook.com/jmadkour

Mon site web : jaouadmadkour.webnode.fr

Opérations sur les matrices

Dépendance et indépendance linéaires

Caractéristiques des matrices carrées

Quelques interprétations géométriques

Par exemple, le coût de transport d’une tonne de marchandises du centre de

• Sous-matrice • Matrice scalaire

• Vecteur ligne • Matrice triangulaire

• Vecteur colonne • Matrice nulle

• Matrice rectangulaire • Matrice opposée

• Matrice carrée • Matrice transposée

• Matrice diagonale • Matrice symétrique

• Matrice identité ou unité • Matrice anti-symétrique

Définition (Vecteur ligne)

Définition (Vecteur colonne)

Si la nature du vecteur n’est pas précisée, il s’agit d’un vecteur colonne.

Définition (Matrice rectangulaire)

Définition (Matrice carrée)

Définition (Matrice diagonale)

Définition (Matrice identité ou matrice unité)

Définition (Matrice scalaire)

Définition (Matrice triangulaire inférieure)

Définition (Matrice triangulaire strictement inférieure)

Définition (Matrice triangulaire supérieure)

Définition (Matrice triangulaire strictement supérieure)

Définition (Matrice nulle)

Définition (Matrice opposée)

Définition (Matrice transposée)

Propriété : Transposée d’une transposée

Définition (Matrice symétrique)

Définition (Matrice anti-symétrique)

Formes d’une matrice

Matrices diagonales particulières

Contenu d’une matrice

• Égalité des matrices

• Multiplication d’une matrice par un scalaire