Algèbre - Kamiant G2 Ulpgl PDF

Cours de Mathématiques Générales II, Prof.
KAMIANTAKO Miyamueni
PREMIERE PARTIE
ALGEBRE LINÉAIRE
L'algèbre linéaire connaît aujourd'hui un succès indiscutable. En Économie, on l'emploie

dans la théorie du Consommateur, la théorie de la production, la théorie de l'équilibre général,
la programmation linéaire, la recherche opérationnelle, l'analyse interindustrielle et
interrégionale, les modèles économiques, etc.
Cette première partie est conçue de façon à donner les bases essentielles en Algèbre
matricielle à tout étudiant en Économie, en gestion et en sciences sociales. Après une brève
introduction au calcul vectoriel, nous verrons successivement les matrices, les déterminants, les
matrices partagées, l'inversion des matrices, les systèmes d'équations et d’inéquations linéaires, les
valeurs et vecteurs propres, la diagonalisation et la trigonalisation des matrices, les formes
quadratiques, la dérivée et l'intégrale des matrices, les matrices non négatives, etc.
1
Cours de Mathématiques Générales II, Prof. KAMIANTAKO Miyamueni
Chapitre Premier
INTRODUCTION AU CALCUL VECTORIEL
Dans l’enseignement, la notion de vecteur apparaît naturellement dans deux aspects

différents : une collection de nombres (pour nous économistes) ou une flèche dans l’espace avec
une longueur et une direction adéquate et placée au point approprié appelé « point d’application »
(pour le physicien).
1.1 Définitions
L’apparitorat de la FASEG nous transmet une liste de pourcentages obtenus aux
humanités secondaires par 5 étudiants de G2 : 51,5 ; 60 ; 63 ; 75,5 ; 80.
Soit p, le pourcentage. Indexons les diverses valeurs par un nombre entier appelé « indice ».
Nous obtenons la suite p1, p2, p3, p4, p5.
Chaque indice précise la position du nombre dans la liste ; p1 = 51,5 est le premier
pourcentage ; p2 = 60, le deuxième, … p5 le dernier. Une telle liste des valeurs P = [p1, p2, p3,
p4, p5] est appelée « vecteur ».
Ainsi, on désigne sous le nom de vecteur une liste finie de nombres réels présentant une
certaine homogénéité. De façon générale, nous identifierons un vecteur par son extrémité; c'est-à-
dire que nous appellerons un vecteur le couple ordonné (a, b) de nombres réels. En généralisant
cette notion, nous appellerons vecteur un multiplet d’ordre n (a1, a2, ... an) de nombres réels.
Dans ce chapitre, nous désignons les vecteurs par les lettres majuscules U, V, W, X, etc.
avec un indice s'il est nécessaire d'employer la même lettre pour des vecteurs différents (par
exemple U1 et U2). Les composantes d'un vecteur sont désignées par la lettre minuscule
correspondante avec un indice simple ou double suivant que le vecteur porte lui-même un indice
ou pas (exemple, ui représente la i-ème composante de U, tandis que v2i représente la i-ème
composante du vecteur V2).
Les vecteurs peuvent être écrits soit en ligne (vecteur - ligne), soit en colonne (vecteur -
colonne), le choix entre ces deux écritures étant en principe une convention.
Exemples 1.1
Les vecteurs V1 = [0, 1] et V2 = [1,  3] sont deux vecteurs dans  2.
Le vecteur V3 = [1, 2, 3 , 4] est un vecteur dans  4.
Exemples 1.2a
Madame Kam va au petit marché du Rond point Ngaba pour acheter trente (30) œufs, trois
(3) tas de « safou », deux (2) bottes de bois de chauffage, un (1) kilo de viande de porc et
trois (3) savons monganga. Représentons ses achats par le vecteur ligne.
Réponse :
Soit X, le vecteur représentant les aliments achetés par Madame Kam. Alors on a :
X = [30 (œufs), 3 (safou), 2 ( bois), 1 ( viande de porc), 3 (savons)]
= [30, 3, 2, 1, 3]
2
Exemples 1.2b
Les œufs sont à 60 FC pièce, le safou à 50 FC le tas, le bois à 25 FC la botte, le poisson
est à 120 FC le kilo et le savon à 10 FC pièce. Représentons les prix par le vecteur
colonne.
Réponse :
Y = 60 50 25 120 10 .
Le vecteur nul est celui dont toutes les composantes sont nulles c’est-à-dire un vecteur
V = [x1, x2, ... , xn] = 0 ; xi = 0 i.

Exemple 1.3 : le vecteur V = [0, 0, 0] est un vecteur nul.
Tout vecteur dont une des composantes est égale à l'unité et toutes les autres composantes sont
nulles est appelé vecteur unité. Dans l'espace à trois dimensions, les vecteurs unités sont :
E1 = [1, 0, 0] ; E2 = [0, 1, 0] ; E3 = [0, 0, 1].
Le vecteur non-négatif est celui dont toutes les composantes sont non - négatives. On écrit :
V = [x1, x2, ... xn]  0 ; xi  0 i.
Exemple 1.4 : le vecteur V = [0, 1, 2, 4] est un vecteur non négatif.
Deux vecteurs U et V sont dits égaux (on écrit U = V) s'ils ont le même nombre de composantes,
c'est-à-dire, s'ils appartiennent au même espace, et si les éléments correspondants sont égaux.
Exemple 1.5.
Les vecteurs [1, 2, 3] et [2, 3, 1] ne sont pas égaux. Bien qu'étant de même dimension,
leurs composantes correspondantes ne sont pas égales.
Exemple 1.6.
Supposons [x  y, x + y, z  1] = [4, 2, 3]. Alors par définition de l'égalité des vecteurs, on
a : x  y = 4; x + y = 2 et z  1 = 3. En résolvant ce système d'équations, on a :
x = 3, y =  1 et z = 4.
1.2. Opérations sur les vecteurs
1.2.1 Addition (ou soustraction) vectorielle
Soit U et V deux vecteurs de  n, U = [u1, u2, ... un] et V = [v1, v2, ... vn]. La somme (ou la
différence) de deux vecteurs U et V, notée U + V (ou U  V), donne un vecteur obtenu en
additionnant (ou en soustrayant) les éléments correspondants de U et V. Ainsi :
U  V = [u1, u2, ... un)  [v1, v2, ... vn] = [u1  v1, u2  v2, ... un  vn].
(1.1)
Exemple 1.7 : Considérons deux vecteurs à deux composantes U = [2, 1] et V = [1, 3].
Alors U + V = u1 + v1 u 2 + v2 = 3 4 tandis que U  V = u1  v1 u 2  v2 = 1  2 .
L'addition (ou la soustraction) n'est possible que pour des vecteurs de même dimension.
3
Géométriquement, l'addition de deux vecteurs U et V se fait de la façon suivante. On trace une

parallèle au segment 0U à partir du point V et une parallèle au segment 0V à partir du point U.
L'intersection de ces deux lignes au point W donne le point extrême du segment qui est la
somme de deux segments en question. Cette démarche revient à construire un parallélogramme.
C'est pourquoi on parle de l'addition selon la règle dite du parallélogramme.
2ème composante
U+V
V
u2 U
v1 u1 u1+v1 1ère composante

On en déduit également la différence de deux vecteurs
U  V = U + (  V).
1.2.2 Multiplication d'un vecteur par un scalaire
Soit un vecteur U = [u1, u2, ..., un] et un scalaire k, la multiplication du vecteur U par le
scalaire k donne un nouveau vecteur obtenu en multipliant chaque composante de U par le
scalaire k.
Soit,
kU = [kU1, kU2, ..., kUn]. (1.2)
On observe que U + V et kU sont aussi des vecteurs dans  n. Le vecteur kU est un
vecteur ayant le même support que U mais k fois plus long. kU est de même sens que U si k > 0 et
de sens opposé si k < 0.
2ème composante
kU
1ère composante
-U
Exemples 1.8 :
a. Si k = 2, k' =  3 et U = [2, 1], alors 2U = 2[2, 1] = [4, 2] et –3U = [–6, –3].
b. Reprenons l’exemple 1.2a. Supposons que Madame Kam double la quantité des biens
achetés pour avoir appris l’arrivée chez elle d’un parent. Comment se présente alors son
4
panier ? La réponse à cette dernière question est une application de la multiplication d’un
vecteur par un scalaire avec k = 2 et X = [30, 3, 2, 1, 3]. On obtient :
2X = 2[30, 3, 2, 1, 3] = [60, 6, 4, 2, 6].
c. Powerking produit des TV et des radios - cassettes. Pour la fabrication de ces produits, il
emploie du métal, du caoutchouc et le travail dans les quantités unitaires suivantes :
Articles Acier Caoutchouc Travail

TV 2 3 5
Radio - cassette 1 4 4
Le sous-traitant reçoit une commande de 200 postes de TV et de 300 radiocassettes. Calculer

les quantités de chaque facteur de production qu'il doit utiliser pour la fabrication a) de
chaque article et b) de ces deux articles.
Réponse :
a) La quantité de chaque facteur de production nécessaire à la fabrication de chaque article
s’obtient en multipliant la quantité commandée par les quantités unitaires consommées.
Soit
200 [2, 3, 5] = [400, 600, 1000] pour le poste téléviseur et 300 [1, 4, 4] = [300, 1200,
1200] pour la radio cassette.
b) La quantité de chaque facteur de production nécessaire à la fabrication de ces deux
articles est obtenue en faisant la somme des quantités obtenues en a), soit :
200 [2, 3, 5] + 300 [1, 4, 4] = [400, 600, 1000] + [300, 1200, 1200] = [700, 1800, 2200].
1.2.3 Propriétés de l'addition vectorielle et de la multiplication par un scalaire

Quels que soient les vecteurs U, V et W   n et des scalaires k, k'  , on a :
(a) U + (V + W) = (U + V) + W : Associativité de l’addition
(b) (kk') U = k (k'U) : Associativité des nombres.
(c) U+V=V+U : Commutativité
(d) U+0=U=0+U : Il existe un élément neutre 0  k tel que U + 0 = U.
(e) U + (  U) = 0 = (  U) + U : Tout vecteur U admet un symétrique (ou un inverse)  U.
(f) k(U + V) = kU + kV : Distributivité par rapport à l'addition des vecteurs.
(g) (k + k')U = kU + k'U : Distributivité par rapport à l'addition des scalaires.
1.3 Norme d'un vecteur
La norme (ou longueur ou encore module) d'un vecteur V, notée V , est la valeur positive
de la racine carrée de la somme des carrés de ses composantes, soit :
n
V = v 12 + v 22 + ... + v 2n = v
i 1
2
1
(1.3)
Exemple 1.9 :
5
Si V = [  3, 2, 1], alors, V =  32 + 22 + 12 = 9 + 4 + 1 = 14 .
Un vecteur V est appelé vecteur unitaire si sa norme est 1, c'est-à-dire si V = 1.
On peut obtenir un vecteur unitaire à partir de n’importe quel vecteur de  en le divisant par sa
n
norme. Ce processus est appelé « normalisation » du vecteur V. Reprenons le vecteur de

l’exemple 1.9 ci-dessus. En rapportant chacun des ses composantes à sa norme, nous obtenons un
 3, 2, 1   3 , 2 , 1  .
 
1 1
vecteur unitaire (que nous notons V ) où V = V
V 14  14 14 14 
1.4 Distance dans  n
Soit U = [u1, u2, ... un) et V = [v1, v2, ... vn] deux vecteurs de  n. Alors, la distance entre ces deux
vecteurs U et V dans  n, notée d(U, V), est la quantité d(U, V) définie par :
d(U, V) = U  V  (u1  v1 )2 + (u 2  v2 )2 + ... + (u n  vn )2 =
n
=  u
i 1
i  vi 
2
(1.4)
Exemple 1.10 :
Trouver la distance d(U, V) avec U = [5, 3,  2,  4,  1], V = [2,  1, 0,  7, 2].
Réponse :
En utilisant la formule de la distance séparant deux points, nous avons:
d(U,V) = (5  2 )2 + (3 + 1 )2 + ( 2 + 0 )2 + (4 + 7 )2 + ( 1  2 )2 = 47
1.5 Produit scalaire

1.5.1 Définition du produit scalaire
Soient U = [u1, u2,..., un] et V = [v1, v2, ..., vn], deux vecteurs dans l'espace à n dimensions.
Le produit scalaire euclidien de U et V, noté U  V, est le scalaire (nombre) obtenu en multipliant
les composantes correspondantes et en additionnant les produits obtenus. C'est donc la somme des
produits des éléments correspondants, c'est-à-dire,
n
U  V = u1v1 + u2v2 + ... + unvn = = u v
i=1
i i (1.5)
Exemple 1.11a :
Reprenons l’exemple 1.2 ci-dessus. Une question évidente qui se pose est celle de
savoir quel est le montant total que Madame Kam doit payer ? La réponse est obtenue
en multipliant le vecteur quantité X par le vecteur prix Y. Ce qui donne :
X  Y = 30(60) + 3(50) + 2(25) + 1(120) + 3(10) = 1800 + 150 + 50 + 120 + 30 = 2150 Fr
On peut également se servir de la notation matricielle pour obtenir le même résultat. Dans
ce cas, on a :
6
 60 
 50 
 
X  Y = [30, 3, 2, 1, 3]  25  = 30(60) + 3(50) + 2(25) + 1(120) + 3(10) = 2150 Fr.
 
120
 10 
Deux vecteurs U et V sont orthogonaux (ou perpendiculaires) si leur produit scalaire est nul.
Exemple 1.11b :
Soient U = [1,  2, 3,  4], V = [6, 7, 1  2] et W = [5,  4, 5, 7]. Alors,
U  V = [(1x 6) + (  2 x 7) + (3 x 1) + (  4 x  2)] = 6  14 + 3 + 8 = 3.
U  W = [(1x 5) + (  2 x  4) + (3 x 5) + (  4 x 7)] = 5 + 8 + 15  28 = 0.
On voit que les vecteurs U et W sont orthogonaux.
Si des vecteurs orthogonaux sont tous de longueur unitaire, c'est-à-dire si la racine carrée
de la somme des carrés des composantes de chacun des vecteurs est égale à 1, alors lesdits
vecteurs sont orthonormés.
Exemple 1.12 :
Les vecteurs U = [3, 2] et V = [  4, 6] sont orthogonaux car U  V = 0.
Ils peuvent être transformés en vecteurs orthonormés. Il suffit pour cela de calculer la
norme de chaque vecteur et de diviser ensuite chacune de ses composantes par la norme du
  3 2 
vecteur considéré. Ainsi, comme U = 13 et V = 52 , les vecteurs U =   et
 13 13 
  4 6 
V =   sont orthonormés.
 52 52 
1.5.2 Propriétés du produit scalaire

Soient U, V et W des vecteurs quelconques de  n et soit k et l deux scalaires
quelconques appartenant à  . Alors,
(a) (U + V)  W = U  W + V  W Distributivité
(b) k(U  V) = (kU)  V = U  (kV)
(c) (kU + lV)  W = k(U  W) + l(V  W)
(d) U V = V U Commutativité
(e) U  U > 0 si U  0
(f) U  U = 0 Ssi U = 0 et
(g) (U + V)  (U + V) = U  U + 2(U  V) + V  V
Le produit scalaire d’un vecteur par lui-même s’appelle « carré scalaire » et se note U  U =
U2.
Il existe un lien très étroit entre le produit scalaire euclidien et la norme (longueur euclidienne)
7
d’un vecteur. Puisque U  U = U 2

= u12 + u22 + … + un2 et U  u12  u22    un2 = (U
 U)1/2. Alors U  u.u .
Nous pouvons donc écrire la distance entre deux vecteurs U et V en fonction du produit
scalaire sous la forme U  V  (U  V ).(U  V ) ,
1.5.2 Lien entre le produit scalaire de deux vecteurs et l’angle formé par ces deux vecteurs
Si U et V sont deux vecteurs quelconques non nuls de n et  l'angle formé entre eux,
alors leur produit scalaire peut aussi être défini par l'expression
 U V cos si U  0 et V  0
U V  
 0 si U  0 ou V  0
Il est donc possible de calculer l’angle formé par deux vecteurs non nuls en utilisant leur produit
scalaire. On a alors :
U V
Cos  =
U V
(1.6)
Exemple 1.13 :
Soient les vecteurs U = [2,  1, 1] et V = [1, 1, 2]. Trouver U  V et déterminer l'angle 
entre U et V.
Réponse :
U  V = u1v1 + u2v2 + u3v3 = 3 et U = V = 6.
U V 3 1
Cos  = = = et donc  = 60°.
U V 6 6 2
Enfin, si U et V sont deux vecteurs quelconques non nuls de n et , l'angle entre ces deux
vecteurs, alors :
o  est aigu si U  V > 0 ou si Cos  > 0.
o  est obtus si U  V < 0 ou si Cos  < 0.
o  est droit ou perpendiculaire si U  V = 0 ou si Cos  = 0.
Exemple 1.14 :
Soient U = [1,  2, 3], V = [  3, 4, 2] et W = [3, 6, 3].
Alors, U  V =  5, V  W = 21 et U  W = 0
Donc U et V forment un angle obtus ; V et W forment un angle aigu et U et W sont
perpendiculaires.
Remarques :
1° Si Cos  = 1, c'est que l'angle  = 360. U et V ont même longueur et même sens. U et
V se confondent.
2° Si Cos  =  1, c'est que l'angle  = 180. U et V ont la même longueur mais sont de
8
sens diamétralement opposé.

Ainsi l'angle entre deux vecteurs varie toujours de  1 à +1. Ce qui nous permet d'écrire :
U V
–1   +1
U V
En statistique, l'angle entre deux vecteurs est appelé coefficient de corrélation simple (r).
Si r = 0, il n'y a pas de corrélation. Si r = 1, la corrélation est parfaite et positive. Si r =  1,
la corrélation est parfaite mais négative.
1.5.3 Quelques relations fondamentales en rapport avec le produit scalaire et la norme
Les trois relations fondamentales qui suivent sont connues sous les noms d'inégalité de Cauchy-
Schwarz, d'inégalité de Minkowski et d'inégalité triangulaire.
1.5.3.1 Inégalité de Cauchy-Schwarz
Quels que soient les vecteurs U, V  n, on a :
U  V  U V (1.7)
La valeur absolue du produit scalaire de deux vecteurs ne peut pas dépasser le produit de
leur longueur.
Exemple 1.15 :
Soient U = [2, 3] et V = [1,  4]. U  V = 2  12 =  10; U  V = 10; U = 13 ;
V = (17 ; U V = (13x17)  221 et U  V  U V , c'est-à-dire, 10  15.
1.5.3.2 Inégalité de Minkowski

Quels que soient les vecteurs U, V  n, on a :
U V  U + V (1.8)
La longueur de la somme de deux vecteurs ne peut pas dépasser la somme de leurs longueurs
respectives.
Exemple 1.16 :
En reprenant les vecteurs de l'exemple précédent, nous avons :
U + V = [3,  1] ; U  V = 10 = 3,162;
U + V = 13  17 = 3,606 + 4,123 = 7,729.
Il est clair que U  V  U + V .
Nous donnons ci-après une variante de cette inégalité qui établit que :
Quels que soient les vecteurs U, V  n, on a :  U  V   U V
1.5.3.3 Inégalité triangulaire

Quels que soient les vecteurs U, V et W  n, on a :
U V + V W  U W .
9
(1.9)
Exemple 1.17 :
Soient U = [2, 1, 3], V = [4, 2, 3] et W = [2, 4, 5].
U  V = [  2,  1, 0] ; U  V = (4  1)  5
V  W = [2,  2,  2] ; V  W = (4  4  4)  12
U  W = [0,  3,  2] ; U  W = (9  4)  13 .
Il est clair que U  V + V W  U W
1.6 Projection d’un vecteur

La projection d’un vecteur U sur un vecteur V non nul est un vecteur défini par
l’expression :
U V
projV U  2
V
V
(1.10)
Cette formule s’écrit aussi :
U V U V V U V ˆ
projV U  2
V  V
V V V V
où Vˆ est le vecteur V normalisé.
Exemple 1.18 :
Soient U = [  7, 1, 3] et V = [1, 2, 2]. Trouver la projection de U sur V.
Réponse :
On sait que U  V =  7(1) + 1(2) + 3(2) = 1 et V
2
  1 2 2  =1 +2 +2 =
2 2 2
2
2 2 2
9.
U V 1 1 2 2
Ainsi projV U  V = (1, 2, 2)   , ,  .
9 9 9
2
V 9
1.7 Produit vectoriel dans 3

Dans ce paragraphe, nous introduisons une opération vectorielle particulière impliquant
deux vecteurs dans 3 et seulement dans 3.
1.7.1 Définition
Le produit vectoriel n’a de sens que dans 3. Trois vecteurs y jouent un rôle important parce
qu’ils y définissent les trois axes des coordonnées. Ce sont les vecteurs [1, 0, 0], [0, 1, 0] et [0, 0,
1] que nous nommerons respectivement i, j et k.
Soient deux vecteurs dans 3 U = [u1, u2, u3) et V = [v1, v2, v3]. Le produit vectoriel de ces
deux vecteurs, noté U x V (ou U  V), est un vecteur défini par l’expression :
U x V = [u2v3  u3v2, u3v1  u1v3, u1v2  u2v1]. (1.11)
10
Pour les vecteurs i, j, et k, on peut vérifier à l’aide de la définition que le produit vectoriel donne
les résultats suivants :
ixj=k jxk=i kxi=j
jxi= k kxj= i ixk= j
ixi=jxj =kxk=0
On voit que le produit vectoriel n’est pas commutatif (car i x j  j x i). Il n’est pas non plus
associatif car (i x j) x j  i x (j x j)
La formule (1.11) ci-dessus peut être facilement retenue en recourant à un moyen
mnémotechnique simple consistant à utiliser une notation plus commode qui est :
i j k
u1 u 2 u3 (1.12)
v1 v2 v3
Il s’agit d’exprimer chacun des vecteurs par leurs composantes dans un tableau analogue à un
déterminant. Ceci ne constitue pas vraiment un déterminant, mais si l’on suit formellement les
règles de développement des déterminants, le développement selon la première ligne donne :
i[u2v3  u3v2] – j [u1v3  u3v1] + k[ u1v2  u2v1]. (1.13)
On peut vérifier que ce développement correspond exactement à la définition du produit vectoriel
UxV donnée plus haut. On a dans ce cas :
 u   u1 u3   u1 u 2 
u3
U x V =  2  ,  
  v v  ,  v v  .

 v2 v3
  1 3   1 2 
On voit que la première composante du produit vectoriel de U et de V est le déterminant de la
u1 u2 u3 
sous matrice obtenue de W * =   après avoir supprimé la première colonne ; la
 v1 v 2 v 3 
deuxième composante est le déterminant de la sous-matrice obtenue après avoir supprimé la
colonne 2 de W*, signe changé; la troisième composante est le déterminant de la sous-matrice
obtenue après la suppression de la troisième colonne de W*.
Exemple 1.19 : Trouvez U x V où U = [2,  1, 3] et V = [0, 1, 7]
Réponse :
2  1 3  1 3 2 3 2 1
Soit W * =   . Alors U x V =  1 7 ,  0 7 , 0 1  = [  10,  14, 2].
0 1 7  
Ainsi, si le produit scalaire de deux vecteurs est un scalaire, le produit vectoriel donnera
un autre vecteur.
1.7.2 Propriétés du produit vectoriel
Nous donnons ci-après une importante relation entre le produit scalaire et le produit
vectoriel affirmant aussi que U x V est orthogonal ou perpendiculaire à la fois à U et V.
Si U et V sont des vecteurs à trois dimensions, alors :
11
(a) U  (U x V) = 0 (U x V) est orthogonal à U.

(b) V  (U x V) = 0 (U x V) est orthogonal à V.
(c) UxV 2
= U 2
V 2
 (U  V)2 (Identité de Lagrange)
Exemple 1.20 : Avec les données de l’exemple 1.19, on voit que :

(a) U  (UxV) =  20 + 14 + 6 = 0
(b) V  (UxV) = 0  14 + 14 = 0
(c) UxV = [  10,  14, 2] ; U 2
=  4 1 9 
2
 14 ; V 2
=  0  1  49 
2
 50 ; U  V=
20 UxV 2
=  100  196  4  2
 300 = 14(50) – 400.
Les principales propriétés arithmétiques du produit vectoriel sont listées ci-après :
Quels que soient les vecteurs U, V et W  3 et un scalaire k  , alors, :
(a) U x V =  (V x U) (Anti commutativité)
(b) U x (V + W) = (U x V) + (U x W) (Compatibilité du produit vectoriel avec la somme
(c) (rU) x (sV) = rs(UxV) et le produit par un scalaire)
(d) (U + V) x W = (U x W) + (V x W) (Distributivité du produit vectoriel)
(e) (kU) x V = U x (kV) = k(U x V) (on peut
faire sortir un facteur scalaire du signe du
produit vectoriel)
(f) U x 0 = 0 x U = 0
(g) U x U = 0 (Le « carré vectoriel » est égal au vecteur nul)
(h) U x (V x W)  (U x V) x W (Le produit vectoriel n’est pas associatif en général)
(i) UxV = U V sin  ( UxV
représente l’aire du parallélogramme formé à partir
de ces deux vecteurs U et V.
On appelle double produit vectoriel, noté U x (V x W), le vecteur perpendiculaire à U et V x W.
1.8 Produit mixte des vecteurs
Lorsque l’on considère le produit vectoriel en relation avec le produit scalaire, on est amené à
examiner l’expression suivante (U x V)  W. Cette expression a un sens puisque le produit vectoriel
de 2 vecteurs donne un vecteur et que le produit scalaire de deux vecteurs donne un scalaire. Le résultat
final sera donc un scalaire. Calculons alors ce scalaire.
Rappelons que U x V = i[u2v3  u3v2] – j [u1v3  u3v1] + k[ u1v2  u2v1].
Soit maintenant W = [w1, w2, w3]. Ainsi, le produit scalaire (U x V)  W nous donne :
u2 u3 u u3 u u2
(U x V)  W = w1  w2 1  w3 1
v2 v3 v1 v3 v1 v 2
= w1 [u2v3  u3v2] – w2 [u1v3  u3v1] + w3 [ u1v2  u2v1].
12
u1 u2 u3
Cette dernière expression n’est rien d’autre que (U x V)  W = v1 v2 v3 . Le nombre ainsi
w1 w2 w3
obtenu qui est égal au déterminant du troisième ordre dont les colonnes sont formées par les
composantes respectives de chacun des vecteurs U, V et W est appelé produit mixte (vectoriel –
scalaire) des vecteurs U, V et W. On le note (U x V)  W et il est égal au produit scalaire du produit
vectoriel de U et V par le vecteur W.
Exemple 1.21 :
Soient U = [2,  1, 3], V = [0, 1, 7] et W = [1, 4, 5]. On sait déjà que UxV = [  10,  14, 2]. Alors on
a : UVW = (U x V)  W = [  10,  14, 2]  [1, 4, 5] =  10(1)  14(4) + 2(5) =  56.
Propriétés du produit mixte :
o On peut faire une permutation cyclique des trois vecteurs sans changer le produit mixte.
(U x V)  W = (W x U)  V = (V x W)  U
o Si l’on permute deux vecteurs voisins, le signe du produit mixte change
(U x V)  W =  (W x V)  U
1.9 Espaces vectoriels et Sous-espaces
1.9.1 Espace vectoriel n
Soit E un ensemble arbitraire quelconque sur lequel on définit les deux opérations
suivantes :
 l’addition : associe à deux vecteurs quelconques U et V  E l’unique vecteur somme U +
VE
 la multiplication par un scalaire : associe à tout vecteur U  E et à tout scalaire k, k’  K
l’unique vecteur produit kU  E.
L’ensemble E est appelé espace vectoriel sur le corps K si les axiomes suivants sont vérifiés
pour tout U, V, W  E.
B1 :  U, V  E, U + V  E (Stabilité de l’addition vectorielle)
B2 :  U  E,  k  K, on a : kU  E. (Stabilité de la multiplication par un scalaire)
A1 : (U + V) + W = U + (V + W) (Associativité de l’addition)
A2 : U + 0 = U (Elément neutre dans E)
A3 : U + (  U) = 0 (Existence de l’inverse de U ou de son symétrique)
A4 : U + V = V + U (Commutativité de l’addition)
M1 : k(U + V) = kU + kV,  k  K (Distributivité par rapport à l’addition des vecteurs)
M2 : (k + k')U = kU + k'U,  k, k’  K (Distributivité par rapport à l’addition des
scalaires)
M3 : (kk')U = k(k'U),  k  K (Associativité du produit)
M4 : 1U = U (Neutralité du nombre 1 pour le produit dans K)
13
Cet ensemble d’axiomes se sépare de façon naturelle en trois sous-ensembles. Les deux premiers
sont des axiomes de base. Les quatre suivants, de A1 à A4, ne concernent que l’opération
addition vectorielle sur l’ensemble E et les quatre derniers, de M1 à M4, sont liés à la
multiplication par un scalaire.
Un tel ensemble E est dit fermé par rapport à l'addition vectorielle et à la
multiplication par un scalaire. L’addition est une loi de composition interne parce qu’on reste
dans, tandis que le produit par un scalaire est une loi de composition externe parce qu’on
considère des scalaires dans un ensemble extérieur à .
Exemples 1.22 :
1. Soit E l'ensemble des matrices m x n dont les éléments appartiennent à un corps arbitraire
K. E muni de deux lois (addition des matrices et multiplication d’une matrice par un
scalaire) est un espace vectoriel.
2. Soit P(t) l'ensemble des polynômes de la forme a0 + a1t + a2t2 + ... + antn , t   dont les
coefficients ai appartiennent à un corps arbitraire K. P(t) muni des deux lois d'addition p(t)
+ Q(t) et de multiplication par un scalaire k P(t) est un espace vectoriel sur K.
3. Soit E un ensemble de tous les points (x, y) dans 2 du quadrant I, c'est-à-dire tels que x 
0 et y  0. L'ensemble E n'est pas un espace vectoriel avec les opérations standard sur 2,
car la propriété B2 et la propriété selon laquelle si k =  1, U, un vecteur  E, kU
appartient à E ne sont pas vérifiées.
1.9.2 Sous-espace vectoriel de n.
Soit E un espace vectoriel défini sur le corps de scalaires K et F une partie de E. F est
appelé sous-espace de E si F est lui-même un espace vectoriel sur K par rapport aux lois
d'addition vectorielle et de multiplication par un scalaire définies sur E.
On dit aussi que F est un sous-espace vectoriel de E si et seulement si :

i F  E (F inclus dans E)
ii F   (F n'est pas vide)
iii k  , U  F implique kU F, quel que soit k   (F est fermé par rapport à la
multiplication par un scalaire).
iv U, V  F implique U + V  F (F est fermé pour l'addition).
v L’élément neutre de E doit aussi appartenir à F (   F)
Le corollaire est que F est un sous-espace vectoriel de E Ssi   F (ou F n'appartient pas
à l'ensemble vide) et U, V  F implique kU + k'V  F quels que soient k, k'  F.
Un sous-ensemble de n qui vérifie les dix propriétés énoncées plus haut est appelé un sous-
espace de n. Pour savoir si un sous-ensemble de n. est ou non un sous-espace, il suffit de
vérifier les propriétés B1, A2, A3 et B2. En fait il n’est nécessaire de vérifier que les propriétés B1,
et B2 pour les sous-ensembles de n puisque la propriété B2 implique les propriétés A2 et A3.
14
Exemples 1.23 :
1. Soit E1 l’ensemble des vecteurs de n dont toutes les composantes sont égales :
E1 = {[x1, x2, ..., xn)  n : x1 = x2 = ... = xn}
L’égalité des composantes étant préservée par l’addition des vecteurs et le produit par un
scalaire, E1 est alors un sous-espace de n.
2. Soit E2 = {0} un sous-ensemble contenant un élément de n.
E2 est un sous-espace de n puisqu’il est stable pour le produit k.0 = 0, et pour l’addition
des vecteurs 0 + 0 = 0.
3. L'ensemble E3 de toutes les matrices 2 x 2 dont les éléments diagonaux sont nuls est un
sous-espace vectoriel de l'espace vectoriel M22 de toutes les matrices d'ordre 2. Soient
 0 a12   0 b12 
A=   et B =   deux matrices quelconques dans E3 et soit k un
a21 0  a21 0 
scalaire quelconque.
 0 ka12   0 a12  b12 
Alors, kA =   et A + B = 
ka21 0  a21  b21 0 
Puisque kA et A + B ont des zéros sur la diagonale principale, elles appartiennent à E3.
Donc E3 est un sous-espace de M22.
4. Considérons un système homogène de m équations linéaires à n variables inconnues :
a11 x1  a12 x 2   a1n x n  0
a 21 x1  a 22 x 2   a 2 n x n  0

a m1 x1  a m 2 x 2   a mn x n  0
L'ensemble E4 de toutes les solutions de ce système est un sous-espace vectoriel de n
appelé espace vectoriel des solutions. Mais l'ensemble des solutions d'un système non
homogène d'équations linéaires à n inconnues n'est pas un sous-espace vectoriel de n.
1.10 Combinaison linéaire des vecteurs
Soit E un espace vectoriel dans n. V sera une combinaison linéaire de vecteurs V1, V2 ... Vn s'il
existe des scalaires ou constantes k1, k2 ... kn telles que
n
V = k1V1 + k2V2 + ... + knVn = k V
i=1
i i (1.14)
Exemple 1.24 : Ecrire le vecteur V = [1,  2, 5] comme une combinaison linéaire des vecteurs
U = [1, 1, 1], W = [1, 2, 3] et Z = [2,  1, 1].
Réponse :
Nous désirons exprimer V sous la forme k1U + k2W + k3Z avec des ki qui sont des scalaires
inconnus. Donc nous avons :
[1,  2, 5] = k1[1, 1, 1] + k2[1, 2, 3] + k3[2,  1, 1]
= [k1, k1, k1] + [k2, 2k2, 3k2] + [2k3,  k3, k3]
15
= [k1 + k2 + 2k3, k1 + 2k2  k3, k1 + 3k2 + k3]

Formons le système d'équations en égalant les composantes correspondantes les unes aux autres.
Donc, nous avons :
k1 + k2 + 2k3 = 1
k1 + 2k2  k3 =  2
k1 + 3k2 + k3 = 5
En résolvant ce système par la méthode d’élimination de Gauss (probablement vue en Math I),
nous obtenons successivement :
1 1 2 1  1 1 2 1  1 1 2 1 
     
1 2  1  2    0 1  3  3   0 1  3  3
1 3 1 5  0 2 1 4   0 0 5 10 
   
Il s’ensuit : k1 =  6, k2 = 3 et k3 = 2. D'où la combinaison linéaire V =  6U + 3W + 2Z.
Si V1, V2 ... Vn appartiennent à un espace vectoriel E, toute combinaison linéaire de ces
vecteurs est un vecteur de E.
Un vecteur nul peut être exprimé comme combinaison linéaire des vecteurs V1, V2 ,...,Vn.
On écrit alors 0V1+ 0V2 +...+ 0Vn = 0.
1.11. Dépendance et indépendance linéaire des vecteurs
Des vecteurs V1, V2 ... Vn sont dits linéairement dépendants (on dit qu’ils forment
dans ce cas une famille liée) s'il existe des scalaires ki dont un au moins est non nul tels que :
n
k1V1 + k2V2 + ... + knVn = k V
i 1
i i =0
Autrement dit n vecteurs V1, V2 ... Vn sont linéairement dépendants si le système

d'équations homogènes admet des solutions non triviales, c’est-à-dire si le déterminant de la
matrice des coefficients est nul.
Lorsque deux vecteurs sont linéairement dépendants, l'un d'eux peut être obtenu par
combinaison linéaire de l'autre. Les deux vecteurs sont aussi dits parallèles. Si on suppose par
k k
exemple k1  0, il vient : V1 =  2 V2  ...  n Vn.
k1 k1
Dans un espace vectoriel à n dimensions, n vecteurs V1, V2 ... Vn sont dits linéairement
indépendants (et on dit qu’ils forment une famille libre) s'il existe des scalaires ki tous nuls
tels que :
n
k1V1 + k2V2 + ... + knVn = k V
i 1
i i =0 (1.15)
En d’autres termes, n vecteurs V1, V2 ... Vn sont dits linéairement indépendants si le

système homogène KV = 0, où K est la matrice des coefficients ki et V l'ensemble des vecteurs
V1, V2 ... Vn, admet des solutions triviales ki = 0,  i. Nous verrons plus loin qu’une telle matrice
16
a un déterminant non nul.

Lorsque deux ou plusieurs vecteurs sont linéairement indépendants, aucun d'eux ne peut
être obtenu par combinaison linéaire des autres.
Exemple 1.25 :
Déterminer si les vecteurs suivants de 3 sont linéairement dépendants ou indépendants :
a) U = [1, 2,  3], V = [1,  3, 2] et W = [2,  1, 5]
b) U = [2, 3, 1], v = [1,  1, 2] et W = [7, 3, 8]
Solution :
a) Soit U = [1, 2,  3], V = [1,  3, 2] et W = [2,  1, 5]
Ecrivons qu'une combinaison linéaire quelconque des vecteurs U, V, W est égale au vecteur nul
en utilisant les scalaires inconnus k1, k2 et k3. On a:
k1[1, 2,  3] + k2[1,  3, 2] + k3[2,  1, 5] = [0, 0, 0]
Soit :
[k1 + k2 + 2k3, 2k1  3k2  k3,  3k1 + 2k2 + 5k3] = [0, 0, 0]
En égalant les composantes correspondantes les unes aux autres, on obtient le système homogène
équivalent :
k1 + k2 + 2k3 = 0
2k1  3k2  k3 = 0
 3k1 + 2k2 + 5k3 = 0
En résolvant ce système par la méthode de Gauss, nous obtenons successivement :
 1 1 2 0 1 1 2 0 1 1 2 0
     
 2  3 1 0   0 5 5 0   0 5 5 0
 3 2 5 0   0 5 11 0   0 0 6 0
   
Donc, k1 = 0, k2 = 0 et k3 = 0. Comme tous les scalaires sont nuls, les trois vecteurs sont
linéairement indépendants.
b) Soit U = [2, 3, 1], v = [1,  1, 2] et W = [7, 3, 8]
Formons la combinaison linéaire suivante :
k1[2, 3, 1] + k2[1,  1, 2] + k3[7, 3, 8) = [0, 0, 0]
2k1  k 2  7k 3  0

Cherchons donc des solutions triviales ou non triviales au système :  3k1  k 2  3k 3  0 .
k  2k  8k  0
 1 2 3
La résolution de ce système donne :

 2 1 7 0 2 1 7 0  2 1 7 0
     
 3  1 3 0    0 5 15 0    0 5 15 0 
 1 2 8 0  0  3  9 0  0 0 0 0
     
17
Nous obtenons k1 = 2, k2 = 3 et k3 =  1. Comme tous les scalaires ne sont pas nuls, les trois
vecteurs sont linéairement dépendants. Ce sont des vecteurs liés entre eux linéairement. Nous
pouvons alors écrire : 2U + 3V  W = 0.
Nous terminons ce paragraphe en énonçant un théorème important sur les familles libres. Nous ne
le démontrons pas. Nous ne faisons que le vérifier dans le cas de 2 et 3.
Dans tout espace vectoriel n, tout ensemble de vecteurs linéairement indépendants
contient au plus n vecteurs.
Exemples 1.26 :
 Soit les vecteurs [1, 2], [-1, 4] et [2, 5] de 2. Pour déterminer s’ils sont L.I. , formons la
combinaison linéaire suivante : k1[1, 2] + k2[  1, 4] + k3[2, 5] = [0, 0]. Nous résolvons le
 k1  k 2  2 k 3  0
système homogène ci-après :  . Comme il n’y a que Deux équations,
2k1  4k 2  5k 3  0
 k1  k 2  2k 3
nous savons d’avance qu’il y aura des solutions triviales données par : 
2k1  4k 2  5k 3
. En posant par exemple k3 = 2, on obtient k1 =  1/3 et k2 =  13/3. Donc les vecteurs
donnés sont L.D.
 Soit maintenant quatre vecteurs de 3 [  1, 0, 0], [2, 1,  2], [  4, 0, 1] et [3,  2, 0].
Dans ce cas, on obtient la combinaison linéaire :
k1[  1, 0, 0] + k2 [2, 1,  2] + k3 [  4, 0, 1] + k4 [3,  2, 0] = [0, 0, 0]. D’où le système :
 k1  2k 2  4k 3  3k 4  0

 k 2  2k 4  0 .
  2k 2  k 3  0

La même situation se produit : avec trois équations et quatre inconnues, il y a une solution
non triviale que le lecteur est invité à obtenir.
En conséquence, si le nombre de vecteurs de l’ensemble est plus grand que le nombre
de composantes de ces vecteurs, le système homogène obtenu contient toujours plus
d’inconnues que d’équations et admet alors des solutions non triviales. Il s’ensuit
que les vecteurs sont L.D.
1.12. Vecteurs échelonnés dans n

Des vecteurs de n sont dits échelonnés si le nombre de composantes nulles qui précèdent
la première composante non nulle d'un vecteur augmente de vecteur en vecteur. Et si un vecteur
ne comprend que des zéros, alors tous ceux qui suivent le sont également.
Exemple 1.27 :
Les vecteurs suivants de  6 .
18
V1 : [1, 2, 0, 3, 4, 0] 
V2 : [0, 0, 1, 6, 4, 2] 

V3 : [0, 0, 0, 2, 4, 3] sont échelonnés.
V4 : [0, 0, 0, 0, 0, 2]

V5 : [0, 0, 0, 0, 0, 0]
Des vecteurs échelonnés ne comprenant pas le vecteur nul sont linéairement indépendants.
On peut en déduire une technique commode pour vérifier si un ensemble de vecteurs sont
linéairement indépendants et aussi pour déterminer le nombre de vecteurs linéairement
indépendants parmi un ensemble de vecteurs.
Dans l'exemple ci-haut, les vecteurs V1, V2, V3 et V4 sont linéairement indépendants. En effet, on
ne pourra jamais obtenir le vecteur V3 à partir de V4, ni V2 de V3 et V4. De même, V1 est
linéairement indépendant de V2.
1.13. Générateurs, bases et dimension d'un espace vectoriel.
1.13.1 Système de Générateurs d’un espace vectoriel
Soit E un espace vectoriel dans n, sur un corps K et S = {Xi  E, i = 1, 2, …, p} une
famille de p vecteurs de E. On dira que la famille S forme un système de générateurs de E ou
qu’elle engendre E si tout vecteur X  E peut s'écrire comme une combinaison linéaire des
éléments de S.
p
S = {Xi  E, i = 1, 2, …, p} générateur de E entraîne  X  E,  ki  K, X = k
i 1
i Xi .
On dit aussi que S est une famille génératrice de E.
Pour engendrer tout l’espace, il nous faut au moins deux vecteurs dans le cas de  2 et au moins
trois vecteurs dans le cas de 3 . En effet, un nombre inférieur de vecteurs ne crée
qu’un sous-espace ; soit une droite de  2 ou de 3 , soit un plan de 3 .
Exemple 1.28 :
Déterminer si les 3 vecteurs U = [1, 1, 1], V = [2, 2, 0] et W = [3, 0, 0] forment un
système de générateurs de 3 (ou engendrent l'espace vectoriel 3).
Solution :
Primo, on veut déterminer s’il existe des constantes k1, k2, k3 tels que pour un vecteur quelconque
de 3 on ait k1U + k2V + k3W.
[x, y, z] = k1[1, 1, 1] + k2[2, 2, 0] + k3[3, 0, 0] = [k1+ 2k2+ 3k3, k1+ 2k2, k1].
 k1  2k 2  3k 3  x
 yz x y
D’où le système : k1  2k 2  y . Ce qui donne : k1 = z, k2 = et k3 = .
k 2 3
 1 z
On voit que le système d’équations permet une solution pour tout vecteur [x, y, z]. Soit par
19
exemple, à exprimer [x, y, z] = [1, 2, 3] en fonction des vecteurs U, V et W. Alors k1 = 3, k2 =

23 1 1 2 1 1 1
  et k3 =   . Nous obtenons : [1, 2, 3] = 3[1, 1, 1]  [2, 2, 0]  [3, 0, 0].
2 2 3 3 2 3
Donc, l’ensemble des vecteurs U, V et W engendre 3.
Exemple 1.29 :
Le vecteur V = [2, 14,  34, 7] appartient-il au sous-espace de 4 engendré par
V1 = [1, 4,  5, 2] et V2 = [1, 2, 3, 1] ?
Réponse : Oui car V = 5V1  3V2 est une combinaison linéaire de ces deux vecteurs.
1.13.2 Base de n
1.13.2.1 Définition
La notion de base se déduit immédiatement de celle de générateurs et d’indépendance
linéaire. Soit S = [ V1, V2,..., Vn], un système de vecteurs d’un espace vectoriel E. S est une base
de cet espace vectoriel si et seulement si :
o tous les vecteurs de E peuvent s’écrire sous la forme d’une combinaison linéaire des
vecteurs de S (ont dit alors que S engendre E ou que S est un système générateur de
E) ;
o les éléments de S sont linéairement indépendants (on dit que S est un système libre).
Cette base est génératrice, c'est-à-dire qu'on peut à partir de ces vecteurs former une base obtenue
d'autres vecteurs linéairement indépendants.
Rappelons que m vecteurs échelonnés non nuls de n forment nécessairement une base de n.
Exemple 1.30 :
Déterminer si les vecteurs suivants forment ou non une base de l'espace vectoriel 3 :
(a) [1, 1, 1] et [1,  1, 5]
(b) [1, 2, 3], [1, 0,  1], [3,  1, 0] et [2, 1,  2]
(c) [1, 1, 1], [1, 2, 3] et [2,  1, 1]
(d) [1, 1, 2], [1, 2, 5] et [5, 3, 4]
Réponse :
o Rappelons qu’une base d’un espace vectoriel donné est un ensemble de vecteurs L.I.
qui engendrent cet espace.
o (a) et (b) ne forment pas une base de l'espace vectoriel 3, car une base de 3 doit
contenir exactement 3 vecteurs de 3.
o Quant aux vecteurs de (d), comme la forme échelonnée de la matrice dont les lignes sont
les vecteurs donnés a une ligne nulle et seulement deux lignes non nulles, les trois
vecteurs pris ensemble ne sont pas linéairement indépendants et, donc, ne forment pas une
base de 3.
20
 1 1 2 1 1 2  1 1 2
     
 1 2 5  0 1 3  0 1 3 .
5 3 4 0  2  6 0 0 0
     
o S’agissant de (c), il faut d’abord vérifier si le système donné engendre 3. Ce qui revient à
se demander si la combinaison linéaire k1[1, 1, 1] + k2[1, 2, 3] + k3[2,  1, 1] peut
représenter n’importe quel vecteur [a, b, c] de 3. Ce qui est fait dans le développement
ci-après :
 k1  k 2  2 k 3  a

k1[1, 1, 1] + k2[1, 2, 3] + k3[2,  1, 1) = [a, b, c] ou le système :  k1  2k 2  k 3  b .
 k  3k  k  c
 1 2 3
1 1 2 a  1 1 2 a  1 1 2 a 
     
1 2  1 b    0  1 3 a  b    0  1 3 a b  .
1 3 1 c  0  2 1 a  c  0 0 5 a  2b  c 
     
Il conviendra ensuite de déterminer si le système est linéairement indépendant. Les
vecteurs de (c) le sont effectivement car la forme échelonnée de la matrice des coefficients
n'a pas de ligne nulle.
1.13.2.2 Bases orthonormées : Processus d’orthogonalisation de Gram -Schmidt
Rappelons qu’il est possible de distinguer plusieurs types de bases, à savoir :

- La base canonique : formée de n vecteurs élémentaires Ei : E1 = [1, 0] et E2 = [1, 0] ;
- La base orthogonale, formée de n vecteurs orthogonaux : X1 = [2,  1] et X2 = [1, 2] ;
- La base orthonormée, formée de n vecteurs orthogonaux et de longueur égale à 1 :
 2 1  1 2 
U1   , U 2    ;
 5 5  5 5
- la base quelconque, formée de n vecteurs indépendants : X1 = [1, 3] et X2 = [5, 2].
Dans beaucoup de problèmes liés aux espaces vectoriels, le choix judicieux d’une base
dépend du problème à résoudre. Naturellement, la meilleure stratégie est celle qui consiste à
choisir parmi toutes les bases celle qui puisse simplifier le problème traité. Et comme la base
orthonormée joue un rôle important dans les espaces de produit intérieur, nous présentons ci-après
un processus dit d’orthogonalisation de Gram-Schmidt qui consiste à convertir une base
quelconque en une base orthonormée.
Rappelons qu’un ensemble {Vi} de vecteurs de E est appelé un ensemble orthogonal si
ses différents éléments sont orthogonaux deux à deux, c’est-à-dire, si (Vi.Vj) = 0 pour i  j.
Un ensemble orthogonal dans lequel chaque vecteur a une norme égale à 1 est dit
orthonormé. Dans ce cas, ij = 0 pour i  j et 1 pour i = j.
Exemple 1.31 :
21
 1 1   1 1 
Les vecteurs V1 = [0, 1, 0], V2 =  , 0,   et V3 =  , 0,   forment un ensemble
 2 2  2 2
orthonormé car :
1° V1.V2 = V2.V3 = V1.V3 = 0 et
2° V1 = V2 = V3 = 1
Enfin, un ensemble orthonormé peut être toujours obtenu d’un ensemble orthogonal des vecteurs
non nuls en normant (ou normalisant) chacun de ses vecteurs. Le processus consistant à
multiplier un vecteur non nul V par l’inverse de sa longueur (ou norme) pour obtenir un vecteur de
norme 1 est appelé « la normalisation de V ».
De plus, un ensemble orthonormé {U1, U2,…,Ur} est linéairement indépendant et pour
chaque V appartenant à E, le vecteur W = V – (V, U1)U1 – (V, U2)U2  …  (V, Ur)Ur est
orthogonal à chacun des Vi.
Le processus d’orthogonalisation de Gram-Schmidt est décrit ci-après :
Soit E un espace du produit intérieur et S = {V1, v2,..., Vn} une base pour E. Les étapes suivantes
permettent d’obtenir une base orthonormée {U1, U2,..., Un} pour E.
Etape 1 : Posons :
V
U1 = 1 .
V1
Le vecteur U1 est de norme 1.
Etape 2 :
Pour construire un vecteur U2 de norme 1 qui soit orthogonal à U1, nous calculons V2 orthogonal à
l’espace W1 engendré par U1 et le «normons » ou « normalisons » :
V  (V2  U 1 )U 1
U2 = 2 .
V2  (V2  U 1 )U 1
Si V2  (V2  U1)U1 = 0, alors la normalisation ne peut pas se faire. Mais, ceci ne peut jamais
(V  U 1 )
arriver, autrement nous aurons eu V2 = (V2  U1)U1 = 2 V1 , ce qui veut dire que V2 est un
V1
multiple de V1, contredisant ainsi l’indépendance linéaire de la base S = {V1, V2, …, Vn}.
Etape 3 :
Pour construire un vecteur U3 de norme 1 qui soit orthogonal à la fois à U1 et U2 nous calculons V3
de façon qu’il soit orthogonal à l’espace W2 engendré par U1 et U2 puis le «normons » :
V3  (V3  U 1 )U 1  (V3  U 2)U 2
U3 = .
V3  (V3  U 1 )U 1  (V3  U 2 )U 2
Comme à l’étape 2, l’indépendance linéaire de {V1, V2,...,Vn} assure que V3  (V3  U1)U1  (V3
 U2)U2  0 si bien que la normalisation pourra toujours s’accomplir.
Etape 4 :
22
Pour déterminer un vecteur U4 de norme 1 qui soit orthogonal à la fois à U1, U2 et U3, nous
calculons V4 de telle sorte qu’il soit orthogonal à l’espace W3 engendré par U1, U2 et U3, puis le
«normons » :
V  (V4  U 1 ) U 1  (V4  U 2 ) U 2  (V4  U 3 ) U 3
U4 = 4 .
V4  (V4  U 1 ) U 1  (V4  U 2 ) U 2  (V4  U 3 ) U 3
En procédant de la même manière, nous trouvons une base orthonormée {V1, V2,..., Vn}.
En général, après avoir obtenu {U1, U2,..., Ui}, on pose :
Wi + 1 = Vi + 1 – (Vi + 1, U1)U1 – .… - (Vi + 1, Ui)Ui
W
et Vi+1 = i 1
Wi 1
Exemple 1.32 :
Considérons l’espace vectoriel 3 avec le produit scalaire Euclidien. Appliquons le processus
d’orthogonalisation de Gram-Schmidt pour transformer la base V1 = [1, 1, 1], V2 = [0, 1, 1] et
V3 = [0, 0, 1] quelconque en une base orthonormée.
Etape 1 :
V1 1
U1 = = [1, 1, 1].
V1 3
Le vecteur U1 est de norme 1.
Etape 2 :
V  (V2  U 1 )U 1
U2 = 2 .
V2  (V2  U 1 )U 1
 1 / 3 
    1 
0 1 10 1 11 / 3  
1 1

    3
3 
3 3
 1 /   2 1 1 
U2 = =  , , 
 1 3   6 6 6
    1 
0 1 10 1 11 3  
1 1

    3
3  
3 3
 1 
Etape 3 :
V3  (V3  U 1 )U 1  (V3  U 2)U 2
U3 = .
V3  (V3  U 1 )U 1  (V3  U 2 )U 2
1  1  1  2 1 
0 0 1
1 1
 
1

3 3 3 3 6 6 6 6  1 1
U3 = = 2 0,  ,  .
 2 2
0 0 1 1  1 1 1 

1  2

1 1 

3 3 3 3 6 6 6 6
La base orthonormée pour 3 est donc :
23
  1 1 1   2 1 1   1 1 
U 1   , , , U 2   , , , U 3  0,  , 
  3 3 3  6 6 6  2 2 
1.13.3 Dimension d’un espace vectoriel
La dimension d'un espace vectoriel E est le nombre de vecteurs linéairement
indépendants que contient une base de cet espace (pourvu que la base contienne un nombre fini de
vecteurs).
En effet, le nombre de vecteurs L.I. peut être fini ou infini. S'il est fini, on parle d'espace
vectoriel de dimension finie. S'il est infini, on parle d'espace vectoriel de dimension infinie.
Exemple 1.33 :
Trouver une base et la dimension du sous-espace W de R4 généré par les vecteurs
[1,  2, 5,  3], [2, 3, 1,  4] et [3, 8,  3,  5]
Réponse :
En échelonnant la matrice dont les lignes sont les vecteurs donnés, on obtient successivement :
1  2 5  3 1  2 5  3 1  2 5  3
     
2 3 1  4   0 7 9 2   0 7 9 2 .
3 0 14  18 4 0 0
 8  3  5   0 0
Les lignes non nulles [1,  2, 5,  3] et [0, 7,  9, 2] de la matrice échelonnée forment une base de
l'espace ligne, c'est-à-dire de W. La dimension de W, notée dim W, est égale à 2.
Exemple 1.34 :
Soit W un espace engendré par les polynômes V1 = t3  2t2 + 4t + 1, V2 = 2t3  3t2 + 9t  1,
V3 = t3 + 6t  5 et V4 = 2t3  5t2 + 7t + 5. Trouver une dimension de W.
Réponse :
Les coordonnées des vecteurs polynômes relativement à la base [t3, t2, t, 1] sont respectivement :
1  2 4 1 1  2 4 1  1  2 4 1
     
2  3 9  1  0  1  1 3
  0  1  1 3
1 0 6  5 0  2  2 6 0 0 0 0
     
2  5 7 
5 
0 1 1  3  
0 0 0 0
Les lignes non nulles [1,  2, 4, 1] et [0, 1, 1,  3] de la matrice échelonnée forment une base de
l'espace engendré par les vecteurs correspondants et donc forment les polygones t3  2t2 + 4t + 1
et t2 + t  3 qui sont une base de W. Donc, dim W = 2.
1.14 Rang d'une famille finie des vecteurs
Soit (V1, V2, ..., Vn), une famille finie d’éléments d’un espace vectoriel E. Cette famille engendre
un sous – espace vectoriel F de dimension finie. On appelle rang de la famille [V1, V2, ..., Vn],
noté
rg (V1, V2, ..., Vn), la dimension de F. Le rang de la famille [V1, V2, ..., Vn] est donc le plus grand
nombre de vecteurs linéairement indépendants qu’on peut extraire de cette famille.
24
Exemple 1.35 :
Le rang de la famille formée par les vecteurs [2, 3, 1], [1,  1, 2] et [7, 3, 8] est égal à 2. En effet,
en échelonnant la matrice formée par les coefficients des scalaires ki, on trouve que le nombre de
vecteurs linéairement indépendants est égal à 2.
Propriétés.
1. Le rang d'une famille de n vecteurs est par définition plus petit ou égal à n. Il est égal à n si et
seulement si les n vecteurs sont linéairement indépendants.
2. Dans un espace vectoriel de dimension finie n, le rang de n vecteurs est plus petit ou égal à n ; il
n'y a pas plus de n vecteurs linéairement indépendants dans un espace vectoriel de dimension
n.
3. Le rang de n vecteurs est égal à la dimension du sous-espace vectoriel qu'ils engendrent.
Chapitre Deuxième
COMPLEMENTS D’ALGEBRE MATRICIELLE :
2.1 Matrices partagées en blocs

Puisque une matrice est un tableau rectangulaire (en général), nous pouvons
grouper ses éléments dans un certain nombre de blocs rectangulaires (sous-matrices)
et représenter la matrice en fonction de ces blocs. Pour former des blocs, il suffit de
tracer des lignes de séparation sur toute la longueur et la hauteur de la matrice.
 a11 a12 a13 a14 
Par exemple, la matrice A = a21 a22 a23 a24  peut être divisée en quatre blocs qui
a31 a32 a33 a34 
 a11 a12 a13 
forment quatre sous –matrices. Si l’on désigne les blocs par A11 =  , A12
a21 a22 a23 
 a14 
=  ,
a24 
A21 = a31 a32 a33  et A22 = a34 , la matrice A ci-dessus peut s’écrire de la
 A11 A12 
manière suivante : A = 
A22 
,
 A21
Une matrice spécifiée de telle manière est appelée une matrice partagée.
On construit de telles matrices partagées parce qu’elles sont très utiles dans beaucoup
25
de développements théoriques et applications pratiques. En règle générale, pourvu que

les matrices soient partagées d’une manière appropriée, on peut opérer sur les matrices
partagées d’une même façon que sur les matrices ordinaires, en traitant les blocs
comme des éléments ordinaires.
Ainsi :
1. Si B est aussi une matrice de format 3x4 et est partagée de la même façon que l’est
B B12 
la matrice A ci-dessus, c’est-à-dire, si on peut représenter B par B =  11  ,:avec
 B21 B22 
B B12 B13  B 
B11 =  11  , B12 =  14  , B21 = B31 B32 B33  et B22 = B34  ,
 B21 B22 B23   B24 
alors la somme de A et B se fait en additionnant les blocs
correspondants, c’est-à-dire, :
 A11  B11 A12  B12 

A+B= 
 A21  B21 A22  B22 
 A11 A12 
1. De même si A = 
A22 
, la multiplication par un scalaire k se fait en multipliant
 A21
 kA11 kA12 
chaque bloc de A par le scalaire, c’est-à-dire, kA =  .
kA21 kA22 
2. La transposée d’une matrice partagée est égale à la transposée de ses blocs dans l’ordre
 A11' A21
'

transposé. A’ =  ' ' 
.
 A12 A22 
3. Soient Amxn et Bnxq deux matrices pour lesquelles le produit AB est possible. Décomposons
A en deux sous matrices ayant le même nombre de lignes (m) A1 et A2, et B en deux sous
matrices B1 et B2 ayant le même nombre de colonnes (q). Le produit AB qui est possible
étant donné les formats de A et B peut s’écrire :
 B1 
AB =  A1  A2    .
 B2 
Supposons que le nombre de colonnes de A1 = nombre de lignes de B1 = p et que le
nombre de colonnes de A2 = nombre de lignes de B2 = n - p. Le produit de la ième ligne de
A par la jième colonne de B pourra se décomposer en deux parties :
n p n
a
k 1
b   aik bkj 
ik kj
k 1
a
k  p 1
b
ik kj
La première partie n’est rien d’autre que le produit de la i-ème ligne de A1 par la j-ième
colonne de B1 et la deuxième partie n’est rien d’autre que le produit de la i-ème ligne de
A2 par la j-ème colonne de B2.
Donc
26
 B1 
Amxn Bnxq =  A1  A2    = [A1B1 + A2 B2].
 
 B2 
A1B1 et A2 B2 existent et sont de même format que AB : (mxq).

Ainsi, le produit des matrices partagées sera possible à condition que les sous-matrices
considérées vérifient certaines conditions de format comme nous venons de le voir.
Si A était partagée en r et n  r colonnes et aussi en q et m  q lignes, la partition
appropriée de B devra être en r et n  r lignes et s et q  s colonnes où q et s peuvent être choisis
arbitrairement., c’est-à-dire si
q
 n
  
q  A11 A12  r  B11 B12 
Amxn =   et Bnxq =
(m  q)  A21 A22  (n  r )  B21 B22 
r n-r s q-s
alors
A A12   B11 B12   A11 B11  A12 B21 A11B12  A12 B22  C11 C12 
AB =  11    =   = .
 A21 A22   B21 B22   A21 B11  A22 B21 A21B12  A22 B22  C21 C22 
1 3 1
 1 0  3  2 1 0  1
Exemple 2.1 : Considérons les matrices A = 
1  et B = 5  1 4  3 2 
 2 1 4   
  
 3  2 0 1  1
 0 2  3
1 3 1
 1 
 A11 A12   1 0
Partageons A de la manière suivante :A =   = .
 A21 A22   2  1 4 
 
0 2  3
A étant partagée en r = 2 et n  r = 1 colonnes et aussi en q = 3 et m  q = 1 lignes, pour que
AB existe, il faut que la partition appropriée soit en r = 2 et n-r = 1 lignes afin de se conformer
à la condition de format Par contre, la partition de B en colonnes peut se faire arbitrairement,
comme par exemple comme ci-après :
3  2 1 0  1 3  2 1 0  1 3  2 1 0  1
5  1 4  3 2  ou 5  1 4  3 2  ou encore 5  1 4  3 2  , etc.
    
3  2 0 1  1 3  2 0 1  1 3  2 0 1  1
3  2 1 0  1
 B11 B12  
Soit B =   = 5  1 4  3 2  . Alors,
 B21 B22  
3  2 0 1  1
C11 C12   A11 A12   B11 B12   A11B11  A12 B21 A11B12  A12 B22 
C =  .= A A22  B  = 
C21 C22   21  21 B22   A21B11  A22 B21 A21B12  A22 B22 
27
 1 3  1  1 3 1  
  3  2    1 0  1 0  1  1 0 1  1
  1 0  5  1  1 3  2   4  3 2    
=   2  1    4
   2  1   4 .
 
 0 2  3  2   1 0  1 
 5  1   33  2 0 2     30 1  1 
    4  3 2  
21  7 13  8 4 
0 0 1 1 0 
=  .
13  11  2 7  8
 
1 4 8 9 7 
2.2 Le produit Kroneckerien ou produit de Kronecker
Le produit de Kronecker de deux matrices permet de représenter d’une manière

compacte une matrice ayant une structure particulière.
Soient deux matrices Amxn et Bpxq. Le produit Kroneckerien de A par B (on écrit
AmxnBpxq) est une nouvelle matrice C = [aij B] de dimension mp x nq obtenue en
multipliant chaque élément de A par toute la matrice B.
 a11B a12 B ... a1 j B ... a1n B 

a B a B ... a2 j B ... a2 n B 
 21 22
 ... ... ... ... ... ... 

AmxnBpxq =  
 ai1B ai 2 B ... aij B ... ain B 
 ... ... ... ... ... ... 
 
am1B am 2 B ... amj B ... amn B 
Exemple 2.2 :
 1 2  1 3  1 0
Soient A =   , B=   et I =   . Nous avons :
3 4  4 5  0 1
1 2 0 0 1 0 3 0
3 4 0 0 0 1 0 3
IA =  , B =  et
0 0 1 2 4 0 5 0
0 0 3 4  0 4 0 5
 1 3 1 3  1 3 2 6 
1  2   4 5 8 10 
AB =  
4 5 4 5  =  
 1 3 1 3   3 9 4 12 
34  
5 4 5 
4
  12 15 16 20
Nous donnons ci-après quelques propriétés du produit kroneckerien dont les preuves
sont données dans Balestra (1980, pp. 234 – 237).
28
Propriétés du produit kroneckerien

1. Soient A et B deux matrices de dimension m x n et C une matrice de dimension p x q,
(A + B)  C = A  C + B  C
A  (B  C) = (A  B)  C
2. Soient les matrices Am x n ' Bp x r' Cn x q et Dr x s'
(AB) . (CD) = AC  BD
3. Soient An et Bm deux matrices carrées non-singulières d’ordre n et m respectivement,
alors :
[AB] -1 = A-1B-1.
Cela signifie évidemment que A et B sont non singulières.
4. Si An et Bm deux matrices carrées d’ordre n et m respectivement, alors :
│AB│= │BA│= │A│m.│B│n
On notera l’inversion des indices dans les exposants.
5. Soient An et Bm deux matrices carrées, alors :
Trace (AB) = Trace (BA) = Trace (A) . Trace (B).
6. Soient Amxn et Bpxq deux matrices dont le rang est égal respectivement à s et t. Alors le
rang de Amxn  Bpxq = st.
2.2 Rang du produit des matrices

Soient deux matrices A et B telles que leur produit AB existe. Dans ce cas, le rang
du produit C = AB de ces deux matrices est inférieur ou égal au minimum du rang de A et
du rang de B. On écrit :
r(AB)  min (rang A, rang B).
Par contre r(A, B)  r(A) + r(B) – n où n est le nombre de colonnes de A.
Si le rang de Am x n et Bp x q est égal respectivement s et t, alors r(AB) = r(A). r(B) = st.
Si le produit matriciel ABC est défini, alors :
r(AB) + r(BC)  r(B) + r(ABC) (Inégalité de Frobenius)
 1 2 1  1  2
   
Exemple 2.3 : Considérons les matrices A =  0 2 3 et B = 2  3 .
 1 0 1 0 1
  
Nous pouvons aisément vérifier que r(A) = 3 et r(B) = 2. Ainsi le rang de leur produit
 5  7
 
C = AB =  4  3 est égal à 2.
 1 3

29
Corollaire : Théorème de Sylvester.

Considérons une matrice carrée A d'ordre n et de rang maximum, ainsi qu'une
matrice carrée Bnxn mais de rang r quelconque (avec r  n).
Soit la matrice C = AB égale au produit de ces deux matrices. Nous avons la
propriété suivante connue sous le nom de théorème de Sylvester.
r(C) = r(AB) = rang B
 1 2 0  1 0 0
   
Exemple 2.4 : Considérons les matrices A =  3 2 1 et B =  1 0 1 .
2 0 1 0 1 1
   
On peut vérifier que r(A) = 2, r(B) = 3 = n. Ainsi, r(C) = r(A) = 2.
 3 0 2
 
En effet, C = AB =  5 1 3 et r(C) = 2.
2 1 1
 
2.3 Inversion des matrices de format quelconque : inverse à gauche - inverse à droite
Nous traiterons ici le cas le plus général. A la différence des nombres réels, une
matrice de format quelconque peut admettre seulement des « inverses à gauche » ou
des « inverses à droite », ou pas d’inverse du tout (tout en n’étant pas nulle).
2.3.1 Définitions
Soit A une matrice de dimension m x n quelconque. Une matrice B est une matrice
inverse à gauche de A si elle vérifie : BA = I.
La matrice C est une matrice inverse à droite de A si elle vérifie AC = I, ou en d’autres mots, si
et seulement si sa transposée C’est une inverse à gauche de A’. En effet, AC = I  C’A’
= I’ = I et réciproquement. On peut vérifier que A’B’ = I.
Existe-t-il des matrices B et C ? Sont-elles uniques ? Nous répondrons à ces
deux questions en raisonnant sur les formats, puis sur le rang de B et C.
2.3.2 Le format de B et C
Format de B
Comme BA = I, A étant de format m x n et I étant une matrice carrée de dimension
n x n, il s’ensuit que la matrice B devra être de format n x m, soit :
Bnxm Anxm = Inxn.
Format de C
Comme AC = I, A étant de format m x n et I étant carrée (de dimension m x m), il
30
s’ensuit que la matrice C devra être de format n x m, soit :

Am x n Cn x m = Im x m.
Nous constatons donc que les matrices unité ou matrices Identité correspondantes
seront de format différent si A n’est pas une matrice carrée.
2.3.3 Conditions d’existence des inverses à gauche et des inverses à droite
Nous distinguerons le cas où A est une matrice haute (avec m > n) et le cas où A
est une matrice large (avec m < n). Nous raisonnerons sur le rang de A pour déterminer
les conditions d’existence des inverses à gauche et des inverses à droite.
Supposons Am x n avec m > n. Dans ce cas, Am x n Cn x m = Im x m est impossible. A n’a pas
d’inverse à droite.
En effet, nous savons déjà que :
rang A  min (m, n) = n ;
rang C  min (n, m) = n, (puisque n < m) et ;
rang Im x m = m.
On a démontré (voir paragraphe précédent) que le rang du produit de deux matrices A et
B était inférieur ou égal au minimum du rang de A et du rang de B. On a donc :
rang (AC)  min (rang A, rang C)  n.
Or, AC = Im entraîne rang AC = rang Im = m et donc m  n, ce qui contredit notre
hypothèse de base n < m. Par conséquent, il ne peut y avoir de matrices C telle que AC
= Im. A n’a donc pas d’inverse à droite.
Par contre, s’il existe B telle que BA = In, alors rang A = n.
En effet, rang BA = rang In = n. Or, on a rang (BA)  min (rang B, rang A)  rang A  n.
D’où, rang BA  n. Donc pour que cela soit compatible avec le

fait que rang BA = n, il faut que la série d’inégalités ci-dessus
soit des égalités, donc en particulier, que rang A = n.
En résumé :
 Si A est une matrice haute de format m x n (avec m > n),
 A n’a pas d’inverse à droite ;
 A admet au moins une matrice inverse à gauche  rang A = n.
 Si A est une matrice large de format m x n (avec m < n),
 A n’a pas d’inverse à gauche ;
 A admet au moins une matrice inverse à droite  rang A = m.
Ce qui nous permet d’écrire :
31
Pour qu'une matrice large de dimension m x n possède des inverses à droite, il faut et il suffit que ses lignes soient
linéairement indépendantes.
La condition nécessaire et suffisante pour qu'une matrice haute ait des inverses à gauche, est que ses colonnes soient
linéairement indépendantes.
Les matrices B et C s'obtiennent en résolvant par la méthode des coefficients
indéterminés les systèmes d'équations ainsi dérivés. Ces inverses sont multiples.
Terminons ce chapitre en disant que si A est carrée, elle admettra une matrice inverse à
gauche B et une matrice inverse à droite C si et seulement si rang A = m = n. Dans ce
cas, B = C. Cette matrice inverse est unique.
Exemple 2.5a : Déterminer les inverses à gauche de la matrice
1
0
2
1
A=  .
1
3
 
3
2
La matrice A est haute et ses colonnes sont linéairement indépendantes car non
proportionnelles. Elle aura donc des matrices inverses à gauche étant donné que son
rang = n = 2.
a b c d 
Soit B =   , ces matrices inverses à gauche. Cherchons à déterminer les
 e f g h
éléments de B à partir de l’égalité BA = I2. On a :
1
0
a b c d  2
1 1 0
 = .
e f   0 1
g h  1
 3

3
2
Le produit donne les deux systèmes suivants :
 a  2b  c  3d  1  e  2 f  g  3h  0
 et  .
 b  3c  2d  0  f  3g  2 h  1
Considérons le premier système d’équations. En réduisant la matrice augmentée

A B  sous forme réduite en ligne, nous obtenons
1 2 1 3 1 1 0  5 1 1
     . Nous voyons que le résultat est une matrice
 0 1 3 2 0 0 1 3 2 0 
a  1  5c  d
augmentée sous forme réduite en ligne qui correspond au système  . c et d
 b  3c  2d
sont des variables libres dont la valeur peut être fixée de manière arbitraire. Si l’on pose
c = s et d = t, la solution devient a = 1 + 5s + t ; b = –3s – 2t, c = s et d = t.
32
De même, la forme réduite en ligne correspondant à la matrice augmentée du

1 0  5 1  2
deuxième système est   . Ce qui correspond au système
0 1 3 2 1 
e  2  5 g  h
 .
 f  1  3 g  2h
Si g = k et h = l, on a : e = –2 + 5k +2, f = 1 – 3k – 2l.
a b c d   1  5s  t 3s  2t s t
D’où : B =  =
e f g h  2  5k  l 1  3k  l k l 
Cette matrice inverse n’est pas unique car elle dépend de valeurs attribuées à s, t, k et l.
 1 0 0 0
Si par exemple s = t = k = l = 0, l’inverse à gauche B devient : B =  .
2 1 0 0
7 5 1 1
Pour s = t = k = l = 1, on a B =  .
4 4 1 1
1 2 0 3
Exemple 2.5b : Déterminer les inverses de A =  .
1 1 2 0
A est large. Comme ses lignes sont linéairement indépendantes, elle possède des
inverses à droite dont l’expression générale est obtenue en résolvant les deux systèmes
à 2 équations à 4 inconnues dérivées du produit AC = I2.
a b 
 
1 2 0 3  c d  1 0
AC = I =   =  .
1 1  2 0  e f  0 1
 
 g h 
D’où les systèmes :
 a  2c  3 g  1  b  2d  3h  0
 et  qui admettent chacun des solutions
 a  c  2e  0  b  d 2f 1
multiples
a = –1 + 4s + 3t ; c = 1 – 2s – 3t ; c = s et g = t pour le premier système et
b = +2 + 4k + 3l, d = –1 –2k – 3l, f = k et h = l, pour le deuxième système.
a b  1  4 s  3t 2  4 l  3l 
c d   1  2s  3t 1  2 k  3l
D’où C =  =
e f  s k 
   
g h  t l 
33
2.4 Solutions de base d'un système d'équations linéaires

Soit le système d’équations linéaires AX = B, où A est une matrice de dimension
m x n avec m < n. Supposons A de rang maximum. Dans ce cas, r(A) = m où r(A)
désigne le rang de A.
Décomposons A en deux sous – matrices : AB et AHB. Appelons la sous - matrice
carrée de rang maximum AB matrice de base.
A: AB AHB
Décomposons le vecteur-solution X en XB et XHB où XB sont les variables correspondant

à la matrice de base et où XHB sont les variables relatives à la sous - matrice restante
AHB. Nous pouvons alors écrire le système AX = B de la manière suivante :
 XB 
[AB  AHB]    = B
 X HB 
ou encore
AB XB + AHB XHB = B
où AB est une matrice de dimension m x m, AHB une matrice de dimension m x (n – m), XB
et XHB sont respectivement des vecteurs de dimension m x 1 et (n – m) x 1.
Une solution de base du système AX = B est une solution telle que toutes les
variables appartenant à XHB (dites Variables hors base) soient nulles, les autres variables
appartenant à XB (dites Variables de Base) étant alors solution d'un système cramérien m
x m. Nous avons :
 X  AB1 B
Solution de base X =  B
 X HB  0
34
où AB est une sous - matrice de A de rang complet.

Le vecteur XB comporte m variables ; celles-ci sont déterminées de façon unique.
AB XB = B est un système cramérien. Les variables XB sont appelées variables de base.
Toute solution de base comporte au moins (n - m) variables nulles ; ce sont les variables
hors - base ou variables libres.
Les variables de base correspondant à XB peuvent être nulles, positives, ou
négatives. Si elles sont toutes différentes de zéro, on dit que la base est régulière; dans ce
cas, la solution de base comprend exactement m variables différentes de zéro et (n – m)
variables hors - base nulles.
Si certaines variables de base sont nulles, on dit que la base est singulière ou
dégénérée; dans ce cas, la solution de base comprend plus de (n – m) variables hors -
base nulles.
Un système AX = B (avec m < n) donne lieu à beaucoup de solutions de base. Il y
a autant de solutions de base que A contient de sous - matrices AB de rang maximum. Il
peut y avoir au plus
n!
Cnm  solutions de base. Ce nombre devient considérable pour de
m !(n  m) !
grandes valeurs de m et de n.
Exemple 2.6 :
Déterminer toutes les solutions de base correspondant au système suivant :
x1 + x3 =2
x1 + x2 + x4 =3
–x1 + x2 + x5 = 1
Réponse :
Le système comportant 3 équations et 5 inconnues, toute solution de base possédera
donc deux variables hors - base nulles. Le nombre de solutions de base est au plus égal
à : C 53 = 10.
Nous reprenons toutes ces solutions dans le tableau ci-après. Nous annulons
d’abord deux variables de toutes les façons possibles, puis nous résolvons le système
cramérien qui subsiste en vue de déterminer les variables de base.
Base x1 x2 x3 x4 x5 Commentaires
ère
1 Base 0 0 2 3 1 AB de rang maximum
- 0 0 Système
incompatible
2ème Base 0 3 2 0 –2 AB de rang maximum
35
3me Base 0 1 2 2 0 AB de rang maximum

5me Base 3 0 –1 0 4 AB de rang maximum
6me Base –1 0 3 4 0 AB de rang maximum
8me Base 2 3 0 –2 0 AB de rang maximum
Exemple 2.7:
Le système suivant de 2 équations à 3 inconnues possède au plus C 32 = 3
solutions de base.
–4x1 + 3x2 + 2x3 = –2
5x1 – 4x2 + x3 = 3
Base x1 x2 x3 Commentaires
ère
1 Base 0 –8/11 1/11 AB de rang maximum
2ème Base 4/7 0 1/7 AB de rang maximum
3me Base 61 –2 0 AB de rang maximum
2.5 Inéquations linéaires et Système d'inéquations linéaires

2.5.1 Inéquation linéaire
Par inéquation linéaire, on entend toute expression de la forme :
n
a1x1 + a2x2 + ... + anxn  b = a
j 1
j xj  b
ou de la forme
n
a1x1 + a2x2 + ... + anxn  b = a
j 1
j xj  b
où les ai sont des nombres réels appelés « coefficients de xi », b est le terme constant ou
le second membre et xi représente les variables ou les inconnues de l’inéquation.
La résolution de cette inéquation consiste à déterminer l’ensemble des variables xj qui
n n
satisfait à  a j x j  b ou
j 1
a
j 1
j xj  b .
Exemple 2.8 : Résoudre l’équation linéaire 2x + 3  6.

Réponse :
2x + 3  6  2x  6 – 3  2x  3
3 3 3
D’où x  , l’ensemble solution est donc : s = {x \ x ≤ } = – ∞, .
2 2 2
36
Exemple 2.9 : Résoudre 3x + 7  5x – 5

Réponse :
3x + 7  5x – 5  3x – 5x  -5 – 7  -2x  -12
Ainsi, x  6 (en divisant les deux membres de l’inégalité par –2). Par
conséquent, l’ensemble solution est donné par : S =x  \ x  6= 6, +∞ 
Exemple 2.10 : Résoudre et discuter l’inéquation paramétrique du premier ordre à une

inconnue suivante : mx > 5 + 3x  mx – 3x > 5  (m – 3)x > 5
Réponse :
5
1. Si m – 3 > 0, alors : m > 3  x >
m3
5
2. Si m – 3 < 0, alors m < 3  x <
m3
3. Si m – 3 = 0, alors : m = 3  0x > 5 et S =  (donc si m = 3, l’inéquation
devient insoluble).
Dans le cas d’une inéquation linéaire à deux inconnues du type ax + by  c, on peut
représenter un couple (x,y) ² dans un plan repéré par deux axes de coordonnées.
Résoudre cette inéquation c’est déterminer la partie du plan correspondant aux points de
coordonnées (x, y) tels que
c a
ac + by  c entraîne y   x.
b b
D’une manière générale, l’inéquation ax + by  c est satisfaite dans l’un des demi-plans
limité par la droite d’équation ax + by = c.
Pour déterminer lequel des deux demi-plans convient il suffit de prendre un point
en dehors de la droite (par exemple l’origine si c  0) et de constater si ax + by > c (le
point appartient au demi-plan qui convient) ou si ax + by < c (le point appartient au
demi-plan qui ne convient pas).
Exemple 2.11 :
Représenter graphiquement les solutions de l’inéquation suivante : 3x – 2y  9.
Réponse :
3x 9
Cette inéquation peut s’écrire comme : y  – . D’où :
2 2
Le point (0,0) est extérieur à la droite 3x – 2y = 9 et satisfait bien sûr à l’inéquation ; le
demi-plan solution est donc celui qui contient l’origine. Ceci définit l’ensemble-solution
S.
37
y
3x –2y = 9
0 3 x
9

2
2.5.2 Systèmes d’inéquations linéaires

Un système d’inéquations linéaires est de la forme
m
a
i 1
ij x j  bi (i = 1, 2, …, m)
ou de la forme
m
a
i 1
ij x j  bi (i = 1, 2, …, m).
Pour résoudre un tel système, on cherche, pour chacune des inéquations du système,
l’ensemble des couples (x, y) qui satisfont simultanément ces inéquations. Cet
ensemble est appelé « ensemble - solution pour une telle inéquation. Il correspondra
à une partie du plan, c’est-à-dire à un demi-plan.
On procède alors de la manière suivante :
1. Tracer la droite d'équation ax + bx + c = 0 sur un repère orthonormé. Celle-ci
divise alors le plan en deux demi - plans.
2. Trouver l’ensemble des solutions de chacune des inéquations. Pour ce faire, on teste
un point quelconque non situé sur la droite. En pratique, on choisit le point (0, 0) si
la droite ne passe pas par l'origine des axes. Si les coordonnées du point test
vérifient l'inéquation, le demi-plan auquel appartient ce point est la solution de
l'inéquation.
3. Pour chacune, le demi-plan qui ne convient pas (qui ne vérifie pas l’inéquation) est
hachuré.
4. Les points de la droite appartiendront au demi-plan si l'inégalité est non stricte.
5. L’ensemble - solution du système d’inéquations correspondra alors à la partie du
plan qui reste sans hachures. C’est l’ensemble des points faisant partie de
l’ensemble - solution de chacune des inéquations.
38
4 x  2 y  28

Exemple 2.12 : Soit à résoudre le système d’inéquations :  y4
 2 x  3 y  28

15
Solution :
On commence par trouver l’ensemble des solutions 10
de chacune des trois inéquations linéaires. La .(7/2, 7)
première est 4x + 2y  28. Traçons la droite 5 (8,4)
représentée par l’équation 4x + 2y = 28. On (5,4)
détermine les points d’intersections avec les axes.
En posant x = 0, on a 2y = 28, d’où y = 14. Ainsi 0 5‘ 10‘
x
la droite coupe l’axe vertical au point (0, 14). De
même, en posant y = 0, on a 4x = 28 et x = 7.
La droite coupe l’axe horizontal au point (7, 0).
La droite passant par ces deux points appelée « frontière de l’ensemble –
solution » divise le plan en deux demi – plans. Le point (0, 0) par exemple détermine de
quel côté de la droite se situent les solutions (ici, c’est du côté droit).
On cherche ensuite l’ensemble des solutions de deux autres inéquations. L’ensemble –
solution du système est donc la partie du plan délimitée par les couples des points (7/2,
7), (5, 4) et (8, 4).
Nota bene : On obtient le point de rencontre de deux droites frontières en résolvant le
système d’équations linéaires concernées.
Exemple 2.13 : Donner la résolution graphique du système d’inéquations ci-après :
 3x  2 y  9
2 x  5 y   5


 x 1
 y  2  0
Chapitre Troisième
VALEURS PROPRES, VECTEURS PROPRES,
DIAGONALISATION ET TRIGONALISATION
39
3.1 Position du problème

Soit An x n, il est possible de trouver un vecteur X non nul et un scalaire  tel que :
AX = X X0
(3.1)
Les valeurs  qui satisfont à cette relation s'appellent valeurs propres ou valeurs
caractéristiques et les vecteurs X associés à ces valeurs propres sont des vecteurs
propres ou des vecteurs caractéristiques.
Tout vecteur propre est donc une solution non nulle du système linéaire homogène AX =
X, équivalent à
AX – X = 0
ou
[A – I]X = 0
(3.2)
Un tel système homogène possède une solution non nulle (solution
non triviale) si et seulement si A  I  0 .
(3.3)
Le déterminant A  I  0 , lorsque développé, sera un polynôme de
degré n en  (noté PA()) et sera appelé «polynôme
caractéristique» de A. La relation (3.2) sera dite «équation
caractéristique». A chaque i sont associés des vecteurs Xi
appelés vecteurs propres de A. L’ensemble des vecteurs propres
associés à i constitue l’espace propre A associé à i. La
détermination des valeurs propres et des vecteurs propres
associés est appelée « analyse spectrale »1.
3.2 Recherche des valeurs propres et des vecteurs propres
3.2.1 Calcul des valeurs propres et propriétés
 a11 a12 
Considérons une matrice carrée A d’ordre 2. Soit A =  cette matrice. Pour
a21 a22 
trouver les valeurs propres  i, nous faisons :
 a11
a12  1 0 a11   a12 
[A – I] =   –   = 
a21
a22  0 1  a21 a22   
et calculons son polynôme caractéristique PA(). Nous obtenons
PA() = A  I = [(a11 –  ) (a22 –  ) – a12a21] = (–)² + (a11+ a22) ( – ) + a11a22 – a12a21
=0
Posons D1 = a11+ a22 et D2 = a11a22 – a12a21. Dans ce cas, on a :
1
Abdoulaye Wade (2008), p. 448.
40
PA() = A  I = (– )2 + D1 (– ) + D2 = 0
(3.3)
Il s’agit d’un polynôme du second degré en  dont les racines peuvent être obtenues
par :
1 (a11  a 22 )  (a11  a 22 ) 2  4 (a11 a 22  a12 a 21 )
 .
2 2
Si la matrice A est d’ordre 3, son polynôme caractéristique sera :
a11   a12 a13
PA() = A  I = a21 a22   a23
a31 a32 a33  
PA() = (–)3 + D1 (– )2 + D2 (– ) + D3 = 0 .
(3.4)
a11 a12 a13
a11 a12 a a a22 a23
où D1 = a11 + a22 + a33 , D2 = + 11 13 + et D3 = a21 a22 a23 .
a21 a22 a31 a33 a32 a33
a31 a32 a33
 1 2 3
Exemple 3.1 : si A = 2 3 4 ,
2 0 1
D1 = a11 + a22 + a33 = 1 + 3 + 1 = 5,
a11 a12 a a a a23 1 2 1 3 3 4
D2 = + 11 13 + 22 = + + = –3
a21 a22 a31 a33 a32 a33 2 3 2 1 0 1
a11 a12 a13
D3 = a21 a22 a23 = –3.
a31 a32 a33
Ainsi, PA() = A  I = (–  )3 + 5 (–  )2 – 3(–  ) – 3 = –3 + 5² + 3 –3 = 0
D’une manière générale, lorsque A est une matrice carrée d’ordre n, nous avons :
a11   a12  a1n
a21 a22    a2 n
PA() = A  I = =0
   
an1 an 2  ann  
PA() = (–)n + D1(–)n–1 + D2(–)n–2 +...+ Dn-1(–) + Dn = 0 (3.5)
où les Di représentent les mineurs principaux d’ordre i. Chaque mineur d’ordre i
n!
comportera termes.
i!( n  i )!
41
En vertu du théorème de d’Alembert2, un tel polynôme admet n racines qui peuvent être réelles ou
complexes.
La recherche des valeurs propres d’une matrice A se ramène à la détermination
des racines i de son polynôme caractéristique. Si une racine se répète k fois, on dit que
la valeur propre est de multiplicité algébrique d’ordre k.
Valeur propre dominante et vecteur propre dominant

Une valeur propre d’une matrice A est dite «valeur propre dominante» de A si sa valeur
absolue est plus grande que celles de toutes les autres valeurs restantes. Le vecteur
propre correspondant à la valeur propre dominante est appelé «vecteur propre dominant»
de A.
Ainsi, si une matrice A d’ordre 4 admet les valeurs propres ci-
après : 1 = –7, 2 = 4, 3 = –3 et
4 = 3, alors 1 = –7 est la valeur propre dominante puisque  7
> 4 ,  7 >  3 , et  7 > 3 .
Par contre, la matrice B d'ordre 3 ayant les valeurs propres 1 = 6, 2 = –6 et 3 = 3 n’a
pas de valeur propre dominante.
4 4
Exemple 3.2 : Calculer les valeurs propres de la matrice A =  
1 4
4   4 
Solution : Formons la matrice [A - I] =  .
 1 4   
Le polynôme caractéristique est PA() = A  I = (–)² + D1(–) + D2 = 0
= ² – 8 + 12 = (– 2) (  – 6) = 0.
D’où = 1 = 2 et 2 = 6.
 4 8 2 
Exemple 3.3 : Trouver les valeurs propres de la matrice B =  0 1 0 .
2 5 0
Solution : Son polynôme caractéristique est
4   8 2
4 2
PB() = B  I = 0 1  0 = (1 – ) =0
2 
2 5 
2
Guerrien, B. Algèbre linéaire pour Economistes, 4ème édition, Economica, Paris, 1997, p. 163.
42
= (1 – ) [(4 – ) (–) + 4] = (1 – ) (² – 4 + 4) = (1 – )( – 2) ( – 2) = 0

Donc 1 = 1 et 2 = 2, k = 2 (car cette valeur propre intervient deux fois).
3 1 1
Exemple 3.4 : Trouver les valeurs propres de la matrice C = 1 3 1 .
3 3 1
3 1 1
Solution : PC() = C  I = 1 3  1 = –3 + 5² – 8 + 4 = (– 1) ( – 2)2
3 3 1 
= 0. Les valeurs propres sont 1 = 1 et 2 = 2, de multiplicité algébrique
d’ordre 2 (k = 2).
5 1 2
Exemple 3.5 : Calculer les valeurs propres de la matrice D =  5 9 10  .
3 3 2
5  1 2
Solution : Son polynôme caractéristique est PD() = D  I = 5 9 10 =
3 3 2  
0. Si D1 = a11 + a22 + a33 = 5 + 9 – 2 = 12,
a11 a12 a a a22 a23 5 1 5 2 9 10
D2 = + 11 13 + = + + = 48
a21 a22 a31 a33 a32 a33 5 9 3 2 3 2
a11 a12 a13 5 1 2
D3 = a21 a22 a23 = 5 9 10 = 64
a31 a32 a33 3 3 2
PD() = D  I = (–)3 + D1(–)² + D2(–) + D3
= –3 + 12² – 48 + 64 = (– 4) ( –² + 8 – 16) = (– 4)3 = 0
Il s’ensuit que  = 4, de multiplicité algébrique d’ordre 3.
  1 0 2 
Exemple 3.6 : Trouver les valeurs propres de la matrice E =  0 1 4  .
 2 2 1
PE() = E  I = –3 – 3² +  + 3 = (– 1) ( + 1) ( + 3) = 0
D’où 1 = 1, 2 = –1 et 2 = –3.
2 1 0 
Exemple 3.7 : Trouver les valeurs propres de la matrice F = 0 1 1 .
0 2 4 
43
1  1
Solution : PF() = F  I = (2 – ) = (2 – ) [(1 – ) (4 – ) + 2] = 0
2 4
= (2 – ) (² – 5 + 6) = (2 – ) ( – 2) ( – 3) = 0
La matrice F a une valeur propre double 1 = 2, (de multiplicité algébrique d’ordre
2) et une valeur propre simple 2 = 3.
0 1 1
Exemple 3.8 : Trouver les valeurs propres de la matrice G = 1 0 1 .
1 1 0
 1 1
PG() = G  I = 1   1 = –3 + 3 + 2 = ( + 1)² ( – 2) = 0.
1 1 
Ainsi, 1 = –1, k = 2 et 2 = 2.
 2 1
Exemple 3.9 : Trouver les valeurs propres de la matrice K =  .
1 2
Solution : Le polynôme caractéristique de cette matrice PK() = ² – 4 + 5 = 0 possède
deux racines complexes conjuguées (2 + i) et (2 – i).
 2 1 0
Exemple 3.10 : Trouver les valeurs propres de la matrice L = 1 3 1 .
 1 0 1
Solution : Son polynôme caractéristique est PL() = –3 + 6² –12 + 3 = (– 2)3 = 0.
La matrice L possède donc une racine unique, 2, de multiplicité algébrique
d’ordre 3.
Propriétés des valeurs propres
On peut énoncer les résultats simples suivants où toutes les matrices envisagées sont
carrées.
 La matrice A possède au moins une valeur propre nulle, si et seulement si A est une
matrice singulière.
 Si  est une valeur propre de A, r est une valeur propre de Ar (où r est un nombre entier
positif).
 Une matrice A et sa transposée A’ ont les mêmes valeurs propres.
Ce résultat découle du fait que le déterminant d’une matrice est égal à celui de sa
transposée.
PA() = A  I = A  I = A ' I = PA’().
'
Les matrices A et A’ ayant le même polynôme caractéristique, elles ont les mêmes
valeurs propres.
44
 Une matrice carrée non singulière A et son inverse A–1 ont les mêmes vecteurs propres,
mais des valeurs propres inverses. A est inversible. Elle ne peut avoir 0 comme valeur
propre (la seule solution de AP = 0 étant alors P = 0). Le résultat découle de : AP =
P  A–1AP =  A–1AP 
P = A–1P
1 1
 A–1P = P  A–1 = .
 
 Si une matrice est triangulaire par blocs avec des blocs diagonaux carrés, alors ses valeurs
propres sont données par celles de ses blocs diagonaux. Autrement dit, si la matrice A
est de
la forme
 M1 * *  * 
 0 M *  * 
 2 
 0 0 M 3  *  où Mi sont des matrices carrées, i = 1, ..., p, et * des
 
      
 0 0 0  M p 

matrices blocs non nuls, alors les valeurs propres de A sont celles des matrices Mi, i = 1, ...,
p.
En effet, pour des matrices triangulaires par blocs, on a : dét A = dét (Mi) dét Mi)...
dét (Mp)
et donc : PA() = dét [A – I] = dét [M1 – I] ... dét [Mp – I] = PM1() ... PMp().
 Les valeurs propres d’une matrice non symétrique ne sont pas nécessairement réelles.
Elles peuvent aussi être des nombres complexes conjugués.
 Si A est une matrice idempotente, ses valeurs propres sont égales à 1 ou 0,
tandis que son rang est égal à sa trace.
Comme A est symétrique, il existe une matrice orthogonale U telle que
U' A U = diag (1, 2, ..., n).
Or, étant donné que chaque 1 est égal à 0 ou 1, le rang de U'AU (et donc de A) est égal
au nombre des valeurs propres égales à 1, c'est-à-dire, à la somme des valeurs propres.
Or la somme des valeurs propres est égale à la trace de A.
Exemple 3.11 :
Trouver les valeurs propres des matrices suivantes :
 2  3  5
 1 / 5 2 / 5
A =  1 4 5  et B = 
2 / 5 4 / 5
.
 1  3  4 
Solution :
45
Nous savons déjà que ces deux matrices sont des matrices idempotentes. Le polynôme
caractéristique de la matrice A est PA() =  3 + 22   =  (2  2 +1) = (   1)2 =
0. Les valeurs propres sont donc 1 = 0, 2 = 1 avec k = 2.
Le polynôme caractéristique de la matrice B est PB() = 2   = (   1) = 0. Les
valeurs propres sont donc 1 = 0, 2 = 1. De plus, B étant symétrique, on observe que
son rang (1) est égal à sa trace (1).
Le théorème de Cayley - Hamilton

Soit PA(  ) =│A – I│ = (–)n + D1(–)n–1 + D2(–)n–2 +...+ Dn-1(–) + Dn = 0, le polynôme
caractéristique de A. La matrice PA(A) obtenue en remplaçant  par A est égale à la
matrice 0. En d’autres termes, ce théorème nous apprend que chaque matrice est un zéro
(ou une racine) de son polynôme caractéristique. Ce qui s’écrit :
PA(A) = (–A)n + D1(–A)n-1 + D2(–A)n-2 +...+ Dn-1(–A) + DnI = 0.
(3.6)
On dit aussi3 que le polynôme caractéristique PA(A) = 0 est un polynôme annulateur de A
Exemple 3.12 :
4 4
Considérons la matrice A =   de l’exemple 5.2. Nous avons vu que son polynôme
1 4
caractéristique est : PA() = (–)² + D1(–) + D2 = ² – 8 + 12 = (– 2) (  – 6) = 0
tandis que ses valeurs propres sont 1 = 2 et 2 = 6.
D’après le théorème de Cayley - Hamilton, nous avons :
P(A) = A² – 8A + 12I = (A – 2I)(A – 6I) = 0
En effet,
4 4 4 4 4 4 1 0 20 32 32 32 12 0  0 0
1 4 1 4 – 8 1 4 + 12 0 1 =  8 20 –  8 32 +  0 12 = 0 0
              
 4 4 2 0  4 4 6 0  2 4  2 4   0 0
       =     = 
 1 4 0 2  1 4 0 6  1 2  1 2  0 0
3.2.2 Calcul des vecteurs propres et propriétés

Maintenant que nous savons trouver les valeurs propres, voyons comment obtenir
les vecteurs propres. Les vecteurs propres de A correspondant à une valeur propre 
sont des vecteurs non nuls X qui satisfont à l’équation AX = X ou des vecteurs non nuls
3
Poupion et Poulalion, Mathématiques Générales appliquées à l’économie et à la gestion, Armand Colin,
Paris, 1984, p. 282.
46
X dans l’espace solution du système

[A – I]X = 0. Nous appellerons cet espace - solution l’espace propre de A correspondant
à .
Marche à suivre pour calculer les vecteurs propres
1. On trouve le polynôme caractéristique.
2. On calcule les différentes valeurs i qui annulent le polynôme.
3. On porte i dans la matrice caractéristique [A – I]X = 0. Il en résultera un
système d'équations homogène admettant une infinité de solutions car A  I
= 0. Parmi cette infinité de solutions, on en construit une. Soit Xi.
4. Ensuite, on norme ce vecteur propre pour obtenir le vecteur propre
Xi
correspondant de longueur unité. Soit Ui = .
Xi
5. Si une valeur propre est simple (de multiplicité algébrique 1), il existe un seul
vecteur propre de longueur unité au signe près. Par contre, si la valeur propre i
est de multiplicité k, il existe un sous-espace de Rn de dimension vk tel que tous
les vecteurs propres vk soient des vecteurs propres correspondant à la valeur
propre i. Il existe donc dans ce cas un ensemble de k vecteurs propres
linéairement indépendants de longueur unité et correspondant à la valeur propre
i.
Exemple 3.13 : Calculer les vecteurs propres des matrices

 4 8 2  3 1 1 5 1 2
4 4
a) A =  , b) B =  0 1 0 , c) C = 1 3 1 , d) D =
 
 5 9 10  ,
 
1 4 2 5 0 3 3 1 3 3 2
  1 0 2  2 1 0  0 1 1
   2 1
e) E =  0 1 4  , f) F = 0 1  1 , g) G = 1 0 1 , h) K = 
  et L =
 1 2
 2 2 1 0 2 4  1 1 0
 2 1 0
  1 3 1 .
 
 1 0 1
Solution :
4 4
a) La matrice A =   de l’exemple 3.2 possède les valeurs propres 2 et 6.
1 4
2 4
Pour 1 = 2, on est amené à résoudre le système linéaire homogène [A – 2I]X =  
1 2
47
 x1   0 2 x1  4 x2  0
=
 x   0 , soit  .
 2    x1  2 x2  0
La méthode d’élimination de Gauss nous donne successivement :
2 4 0 1 2 0 
1 2 0   0 0 0  . Comme n = 2 et r = 1, le sous-espace propre associé
   
est de dimension 1 (n – r), On peut aussi écrire x1 + 2x2 = 0. Il s’ensuit que le vecteur
 2 
 1  ou tout multiple non nul de celui-ci est un vecteur propre de A associé à la valeur
 
propre 2.
2 4   x1   0
Pour  2 = 6, on résout le système homogène [A – 6I]X =    x  =  0 , soit
 1 2  2  
2 x1  4 x2  0
 .
 x1  2 x2  0
2
Ici aussi le sous-espace propre est de dimension 1. Dès lors, le vecteur   ou tout
 1
multiple non nul de celui-ci est un vecteur propre de A associé à la valeur propre 6.
 4 8 2 
b) La matrice B =  0 1 0 possède une racine simple 1 et une racine double 2
2 5 0
(exemple 3.3).
 3 8 2   x1  0
Pour 1 = 1, on a le système  0 0 0   x  = 0 .
 2  
 2 5  1  x3  0
 3  8 2 0  3  8 2 0 3  8 2 0

On obtient successivement  0 0 
0 0   2 5  1 0  0  1 1 0 .
 
 2 5  1 0  0 0 0 0 0 0 0 0
 2
Ainsi, le sous-espace propre de dimension 1 est engendré par le vecteur propre X1 =  1
 1
.
Pour 2 = 2, de multiplicité algébrique 2, nous résolvons le système homogène
 2 8 2   x1  0
 0 1 0   x  = 0 . On obtient successivement :
   2  
 2 5  2  x3  0
48
 2  8 2 0 1  4 1 0 1  4 1 0
 0  1 0 0  0  1 0 0  0  1 0 0 . Le sous-espace propre
     
 2 5  2 0 0  3 0 0 0 0 0 0
associé à la valeur propre 2 = 2 est de dimension 1. Il est engendré par le vecteur
1
propre X1 =  0 
 1 
3 1 1
c) La matrice C = 1 3 1 de l’exemple 3.4 possède une valeur propre simple 1 et
3 3 1
une valeur propre double 2.
x1  2x2  x3  0
Pour 1 = 1, le système [C – I]X = 0 donne  . On tire x3 = 3x2. Pour x2 =
 3x2  x3  0
1
1, x3 = 3 et x1 = 1. D’où X1 = 1 .
 3
 x1  x2  x3  0

Pour 2 = 2, le système [C – 2I]X = 0 donne  x1  x2  x3  0 .
 3x  3x  3x  0
 1 2 3
On peut donc écrire x1 + x2 – x3 = 0 ou x3 = x1 + x2. Par conséquent dim E2 = 2 et à cette

valeur propre double correspondent deux vecteurs propres non nuls et linéairement
indépendants de la forme
 x1  1 0 1 0
X =  x2  = x1  0 + x2 1 . Puisque X2 =  0 et X3 = 1 sont linéairement
       
 x1  x2  1 1 1 1
indépendants, ils forment une base pour l’espace - propre correspondant à 2 = 2.
5 1 2
d) La matrice D =  5 9 10  possède une valeur propre 4 de multiplicité algébrique
3 3 2
3.
 x1  x2  2 x3  0

On obtient le système [D – 4I]X =  5x1  5x2  10 x3  0 .
 3x  3x  6x  0
 1 2 3
On peut écrire ce système comme x1 + x2 + 2x3 = 0 ou x1 = –x2 – 2x3. Comme n = 3 et

dim E = 2, le sous-espace propre associé à la valeur propre  = 4 est de dimension 2.
49
Par conséquent, on ne peut lui associer que deux vecteurs propres linéairement
indépendants de la forme
 x2  2 x3  1  2  1  2 

X=        1  et X =  0  forment donc une base pour
x2  = x2  1  + x3  0  . X1 =   2
 
 x3   0   1   0   1 
l’espace - propre correspondant à  = 4.
  1 0 2 
e) La matrice E =  0 1 4  dont PE() =│E – I│ = (– 1)( + 1)( + 3) = 0 admet
 2 2 1
trois valeurs propres simples 1, –1 et = –3.
 2 0  2  x1  0
Pour 1 = 1, on a :  0  2 4   x 2  = 0 . On obtient successivement :
 2 2  2  x3  0
  2 0  2 0   1 0  1 0  1 0  1 0
 0  2 4 0   0  1 2 0    0  1 2  x  0 x 2  x3  0
     0 , soit  1
 2 2  2 0  0 2  4 0  0 0 0 0   x 2  2 x3  0
. Le sous-espace propre associé à la valeur propre 1 est de dimension 1 et est

engendré par le vecteur
 1 0 0  2  x1 
X1 =  2  . Pour 2 = –1, on doit résoudre le système homogène 0 0 4   x 2  =
 
 1  2 2 0   x3 
0   1
0 , soit  x1  0 x 2  x3  0 . D’où, X2 =  1 
  
 2 x3  0
0  0 
Pour 2 = -3, on a successivement :
 2 0  2 0  2 0  2 0 1 0  1 0
0 2 4 0  0 2  x1  0 x 2  x3  0
   4 0  0 1 2 0 , soit

 . D’où,
2 2 2 0 0  2  4 0 0 0 0 0  x 2  2 x3  0
1
X3 =  2 .
 1 
2 1 0 
f) La matrice F = 0 1  1 , dont le polynôme caractéristique PF(  ) = (2 – )2 (– 3)
0 2 4 
= 0 admet une valeur propre double 1 = 2, (de multiplicité algébrique d’ordre 2) et
une valeur propre simple 2 = 3. Le sous-espace propre associé à la valeur propre
50
double 1 = 2 est l’ensemble des solutions de l’équation matricielle [F – 2I]X =

0 1 0   x1  0 0 1 0   x1  0
0  1  1  x  = 0 . Par la méthode de Gauss, on a 0 0  1  x  = 0 ou
   2      2  
0 2 2   x3  0 0 0 0   x3  0
 x2  0
simplement  . Puisque Dim E1 = 1, ce système n’admet qu’une seule
  x3  0
1
solution indépendante x1 (variable libre) = 1, x2 = x3 = 0 et X1 = 0 . La valeur
0
propre double n’admet qu’un seul vecteur propre. Pour 2 = 3, le vecteur propre X2
 1 1 0   x1  0
est obtenu en résolvant le système [F – 3I]X =  0  2  1  x 2  = 0 . D’où X2 =

 0 2 1   x3  0
 1 
 1 .
 
 2
 0 1 1
g) La matrice G = 1 0 1 ayant pour polynôme caractéristique PG() = ( + 1)²( – 2)
1 1 0
= 0 possède une valeur propre double –1 et une valeur propre simple 2.
 x1  x 2  x3  0

Pour  1 = –1, on a le système [G + I]X = 0 qui peut encore s’écrire  x1  x 2  x3  0 .
x  x  x  0
 1 2 3
Le sous-espace propre associé à  1 = –1 est de dimension 2 car n = 3 et r = 1. On

1
peut donc lui associer deux vecteurs propres linéairement indépendants X1 =  1  et X2
 0 
 1
=  0  .
 1 
  2 1  1 0
Pour  2 = 2, le système [G – 2I]X = 0 donne  1  2 1 0 
 
 1 1  2 0
51
 1  2 1 0 1  2 1 0 1  2 1 0
 2 1  x1  2 x 2  x3  0
 1 0  0  3 3 0  0  1 1 0 , soit  . D’où,
  x 2  x3  0
 1 1  2 0 0  3 3 0 0 0 0 0
1
X3 = 1 .
1
 2 1
h) La matrice K =   possède deux racines complexes conjuguées (2 + i) et (2 –
1 2
i). Le lecteur peut vérifier que les vecteurs propres correspondants sont
1 1
respectivement X1 =   et X2 = i  .
i   
 2 1 0
i) La matrice L = 1 3 1 a une racine propre 2 de multiplicité 3. En résolvant le
 1 0 1
système
0 1 0  x1  0
LX = 2X = [L – 2I]X = 1 1 1   x  = 0 , on trouve un sous-espace propre de
 2  
 1 0 1  x3  0
1
dimension 1 engendré par le seul vecteur propre X1 = 0 . En effet, x2 = 0 et x1 = x3 = 1.
1
Propriétés des vecteurs propres
 Si X1, X2,... Xk représentent k vecteurs propres de la matrice A associés à des valeurs
propres distinctes, alors les k vecteurs sont linéairement indépendants.
 Si X est un vecteur propre, le vecteur cX (où c est une constante différente de zéro)
est également un vecteur propre.
 Si X1, X2,... Xk représentent k vecteurs propres de la matrice A associés à la même
valeur propre, toute combinaison linéaire non nulle de ces vecteurs (c’est-à-dire Y =
k
 C X , Y  0) est aussi un vecteur propre de A associé à la même valeur propre. De

i 1
i i
plus, ces vecteurs peuvent être transformés (par des combinaisons linéaires) en un
ensemble de k vecteurs propres mutuellement orthogonaux et de longueur unitaire.
Un des procédés le plus utilisé est le processus d’orthogonalisation de Gram-Schmidt
vu au chapitre 1.
 Si A est une matrice réelle symétrique, alors les vecteurs propres correspondant à
des valeurs propres distinctes sont toujours linéairement indépendants et
52
orthogonaux deux à deux. Ces vecteurs propres orthogonaux forment une base de
n.
3.3 Matrices Semblables
3.3.1 Définition
On dit que la matrice carrée B est semblable à A s'il existe une matrice non - singulière P
telle que
B = P–1A P
(3.7)
où P est une matrice constituée de vecteurs propres de A.
On dit aussi que B est une transformation semblable de A.
En pré - multipliant les deux membres de l’expression précédente par P, puis en post -
multipliant le résultat par P–1, cette dernière peut aussi s’écrire comme
A = P B P–1
(3.8)
ou
A = (P–1)–1 B P–1
(3.8a)
En posant Q = P–1, cette dernière devient :
A = Q–1 B Q,
(3.8a)
laquelle veut dire que A est semblable à B.
Nous concluons donc que B est semblable à A si et seulement si A est semblable à B. Ce
qui nous permet d’affirmer que les deux matrices A et B sont semblables.
4 4
Exemple 3.14 : Considérons une fois de plus la matrice de l’exemple 3.2 A =  .
1 4
On a vu que ses valeurs propres sont 2 et 6, tandis que les vecteurs propres
 2  2 2 2 –1
associés étaient respectivement X1 =   et X1 =   . Ainsi P =   et P =
 1  
1  1 1 
1  1  2 1  1  2 4 4 2 2
   . On vérifie facilement que B = P–1A P =  
4  1  2 1 4  1 1
=
4   1  2
2 0
 0 6 . A et B sont donc deux matrices semblables.
 
3.3.2 Propriétés des matrices semblables

Si A et B sont deux matrices semblables, alors :
53
a. Elles sont de même rang.

Si A et B sont deux matrices semblables, il existe une transformation semblable
telle que
B = P–1A P, où P est de rang maximum.
Posons C = AP. En vertu du théorème de Sylvestre, C est de même rang que A.
Dès lors,
B = P–1C. Comme est de rang maximum, il en résulte que B est de même rang
que C et par conséquent, du même rang que A.
b. Elles ont le même déterminant.
B = P-1A P entraîne que le │B│ = │P–1A P│. Mais AP│ =│A││P│ et │P–1│=
1/│P│. Donc │B│ = │A││P│/│P│ = │A│.
c. Elles ont le même polynôme caractéristique et donc les mêmes valeurs propres.
Si A et B sont deux matrices semblables, nous avons B = P–1A P. Pour une
matrice non singulière P (P-1P = I), il s’ensuit que :
│B – I│ = │P–1A P – I│ = │P–1A P – P–1P│ = │P–1 [A – I] I│
= │P-1││A – I││I│
= │A – I│.
d. Si A et B sont deux matrices semblables, elles ont la même trace.
On sait que B = P-1A P. Ainsi :
Tr (B) = Tr (P–1A P) = Tr (P–1P A) = Tr (A).
4 4
Les quatre propriétés peuvent êtres facilement vérifiées sur la matrice A =   de
1 4 
l’exemple
2 0
3.13 qui est semblable à la matrice B =   . Il en résulte que :
 0 6
a. Rang A = 2 = Rang B ;
b. │A│ = 12 = │P│;
c. │A – I│ =  ² – 8  + 12 = 0 = │B – I│;
d. Tr (A) = 8 = Tr (B).
3.4 Diagonalisation des matrices carrées

3.4.1 Diagonalisation des matrices carrées quelconques
Soit A une matrice carrée d'ordre n. A est dite diagonalisable s'il existe une matrice
diagonale et une matrice carrée non singulière P telles que
P–1A P = D̂ .
(3.9)
où D̂ est une matrice diagonale ayant les valeurs propres sur la diagonale principale et
54
P, une matrice de passage ou de transformation dont les colonnes sont les vecteurs
propres de A.
Le problème de la diagonalisation de la matrice A revient donc à chercher si A admet n
vecteurs propres linéairement indépendants. Pour cela, nous allons distinguer deux cas
différents : le cas où A a n valeurs propres distinctes et le cas où elle a moins de n
valeurs propres (racines multiples de A – iI).
Condition suffisante de diagonalisabilité4

Une condition nécessaire et suffisante pour qu’une matrice carrée A soit diagonalisable
est que la dimension de chacun de ses sous espaces propres soit égale à la multiplicité
algébrique de la valeur propre à laquelle il est associé.
Si les n valeurs propres de la matrice sont distinctes deux à deux, alors cette condition est
remplie car les vecteurs propres correspondants à ces valeurs propres sont donc
linéairement indépendants. Dans ce cas, la matrice P dont les colonnes sont les
vecteurs propres de A est non singulière. A est alors diagonalisable.
Soit X1, X2,..., Xn les n vecteurs propres de A associés à 1, 2,..., n respectivement.
Nous savons déjà qu’ils sont linéairement indépendants. Par conséquent P = [X1, X2,...,
Xn] est non singulière.
Effectuons le produit AP. Sachant que Axi = iXi, nous avons :
AP = A [X1, X2,..., Xn] = [AX1, AX2,..., AXn]
= [1X1, 2X2,..., nXn]
= [X1, X2,..., Xn] diag (1, 2,..., n)
= P diag (1, 2,..., n)
La dernière égalité peut encore s’écrire :
AP = P D̂ .
(3.10)
En pré - multipliant par P–1 l’égalité matricielle précédente, on obtient finalement P–1A P
= D̂ . On en déduit que A est semblable à D. D’où l’expression « matrice
diagonalisable ».
Si A admet des valeurs propres multiples d’ordre k, cela veut dire que A possède k valeurs
propres avec k < n. Nous avons vu qu’à chaque valeur propre i correspond au moins
un vecteur propre X. Donc ici, nous aurons au moins k vecteurs propres. Notre problème
sera alors de trouver n – k vecteurs propres de façon à ce que les k + (n – k) vecteurs
propres obtenus soient linéairement indépendants. Ceci est possible si et seulement si la
4
Escofier J.P. (2002), pp. 301 – 8.
55
dimension de chaque sous-espace propre est égale à l’ordre de multiplicité algébrique de la

valeur propre correspondante, c’est-à-dire si le rang de [A – iIn] = n – k.
Si un tel ensemble de vecteurs existe, alors A est diagonalisable. Dans le cas contraire,
A ne l’est pas. On propose alors une méthode proche de celle de la diagonalisation : la
réduction à la forme canonique de Jordan ou la trigonalisation5 ou encore la
triangularisation6 .
1  1
Exemple 3.15 : Considérons la matrice A =   . Son polynôme caractéristique étant
2 4 
PA() = A  I = (–)² + D1(–) + D2 = ² – 5 + 6 = (– 2)(  – 3) = 0, ses valeurs
propres sont
1 = 2 et 2 = 3. Comme elles sont distinctes, par conséquent, les vecteurs propres
associés sont linéairement indépendants. Donc P existe et est non singulière. Il s’ensuit
 1 1   2  1
que A est diagonalisable. En effet, P =   et P-1 =   . Ainsi,
 1  2   1  1
 2  1 1  1  1 1  2 0
P-1A P =      =  .
  1  1 2 4   1  2 0 3
On note que les éléments de la matrice diagonale ( D̂ ) sont les valeurs propres de la
matrice A. On a donc diagonalisé A.
 33 16 72 
Exemple 3.16 : Considérons la matrice A =  24  10  57 .

  8  4  17 
Son polynôme caractéristique est : PA() = – 3 + 6² – 11 + 6 = =( – 1)( – 2)( – 3)=
0
Les valeurs propres sont donc : 1 = 1, 2 = 2 et 3 = 3. Comme elles sont toutes
 15  16 4 
distinctes, il existe une matrice non singulière P =  12 13  3 telle que P–1AP = D̂
 4 4  1
1 0 0 
= 0 2 0
0 0 3
5
Piatier, A., Cahuzac, P et Chambadal, L.,(1985), Economie et Mathématiques Eléments et
Exercices, PUF, Paris, p. 222.
6
Escofier J.P. (2002), p 309.
56
1 0 4 
où P–1 = 0 1  3 et D̂ une matrice diagonale ayant les valeurs propres de A sur la
4 4 3 
diagonale principale.
2 1 0 
Exemple 3.17 : Considérons la matrice F = 0 1 1 . Nous savons que cette matrice
0 2 4 
qui est triangulaire par blocs, a une valeur propre double 2 et une valeur propre simple 3.
Le sous-espace propre associé à 1 = 2 est de dimension 1 car il est engendré par Q1 =
 1
 0 . Puisque la dimension du sous – espace propre est différente de k (= 2), la matrice
 
 0
F n’est donc pas diagonalisable.
3 1 1
Exemple 3.18 : La matrice C = 1 3 1 de l’exemple 3.4 possède une valeur propre
3 3 1
simple 1 et une valeur propre double 2. Nous avons vu qu’à 1 = 1 correspondait le
1
vecteur X1 = 1 .
 3
Quant à 2 = 2, valeur propre de multiplicité algébrique d’ordre 2, dim E2 = 2. A cette
valeur propre double correspondent donc deux vecteurs propres non nuls et
1
linéairement indépendants X2 =  0 et
1
0 1 1 0
X3 = 1 . La matrice C est donc diagonalisable avec P = 1 0 1 .
 
1 3 1 1
3.4.2 Diagonalisation des matrices réelles et symétriques
Beaucoup d’économistes travaillent uniquement avec des matrices symétriques.
De telles matrices ont seulement des valeurs propres réelles, les valeurs complexes ne
survenant jamais.
Si la matrice A est symétrique, nous savons déjà que les vecteurs propres associés
à des valeurs propres distinctes sont toujours linéairement indépendants et naturellement
orthogonaux 2 à 2. De plus, si ces vecteurs propres sont normés, la matrice de passage
(notée U) formée avec ces vecteurs, sera dite orthogonale. Comme ces vecteurs sont en
57
plus de longueur unitaire (vecteurs orthonormés), la matrice U sera dite aussi

orthonormée. Cette dernière a les propriétés suivantes :
a. U’ = U–1.
0,  i  j
b. U’iUj = ij =  ,
1,  i  j
où  est connu sous le nom de delta de Kronecker.
Il en résulte que le produit U’U est égal à la matrice unité car U’ = U–1. Dans ce cas,
on dira que la matrice U diagonalise orthogonalement la matrice A car on peut toujours
trouver une matrice U non singulière telle que U’AU = D̂ . La matrice A quant à elle sera
dite diagonalisable orthogonalement.
Enfin, notons que même si la matrice symétrique A admet des valeurs propres
multiples, il existe toujours une matrice non singulière U dont les colonnes U1, U2, ..., Uk
sont les vecteurs propres de A telle que :
(i) U1, U2, ..., Uk sont orthogonaux deux à deux
(ii) U–1 = U’
1 0  0
0   0 
(iii) U–1 A U’ = U’ A U =  2
   
 
0 0  k 
(3.11)
De tels vecteurs U1, U2, ..., Uk sont obtenus en appliquant le processus d’orthogonalisation
de Gram – Schmidt.
4 2
Exemple 3.19 : Soit donné la matrice symétrique A =   . On peut vérifier que son
 2 1
polynôme caractéristique est PA() = ² – 5 =  (– 5) = 0 Elle admet ainsi deux
valeurs propres distinctes
1 2
1 = 0 et 2 = 5. Les vecteurs propres correspondants sont : X1 =   et X2 =   .
2  1
Le lecteur peut vérifier l’indépendance linéaire et l’orthogonalité de ces deux vecteurs.
 1/ 5  2 / 5 
En les «normant», on obtient : U1 =   et U2 =   dont la « normalité » est
2 / 5 1 / 5 
aisément vérifiable.
 1 / 5 2 / 5 -1
Construisons U =   . Le lecteur peut vérifier que U' = U . Il en résulte
2 / 5 1 / 5 
que :
58
1 / 5 2 / 5  4 2  1 / 5 2 / 5 0 0
U–1A U = U’A U =       =  .
2 / 5 1 / 5  2 1 2 / 5 1 / 5  0 5
On obtient une matrice diagonale où l’on retrouve les valeurs propres de A qui sont 0 et
5. On a donc diagonalisé orthogonalement la matrice A.
 4 2 2
Exemple 3.20 : Considérons la matrice symétrique A = 2 4 2 . On a PA() = (– 2)2
2 2 4
(– 8) = 0. Ainsi ses valeurs propres sont 1 = 2 (de multiplicité algébrique d’ordre 2) et 2
 1  1
= 8. Pour  = 2, les vecteurs propres X1 =  1  et X2 =  0  forment une base pour
 
 0   1 
l’espace propre correspondant à cette valeur propre. L’application du processus
d’orthogonalisation de Gram – Schmidt à [X1, X2] donne les vecteurs propres
orthonormés
 1 2   1 6 
   
U1 =  1 2  et U2 =  1 6  .
 0  2 6
   
Le lecteur est invité à vérifier l’orthogonalité de ces deux vecteurs.
1
L’espace propre correspondant à  = 8 a X3 = 1 comme base. En appliquant le
1
1 3
 
processus d’orthogonalisation de Gram – Schmidt à [X3], on obtient U3 = 1 3 .
1 3 

Finalement, utilisant U1, U2, U3 comme les vecteurs - colonne, nous obtenons U =
 1 2  1 6 1 3 
 
 1 2  1 6 1 3  qui diagonalise orthogonalement A. Le lecteur peut vérifier que
 0 2 6 1 3 

U’AU est une matrice orthogonale.
3.5 La trigonalisation ou la forme réduite de JORDAN.

Dans le cas où la matrice carrée A d’ordre n admet des valeurs propres multiples
d'ordre k, il se pourrait que la dimension du sous-espace propre associé à la valeur
propre de multiplicité algébrique k soit différente de l'ordre du sous-espace propre
59
associé à ladite valeur propre. Il ne sera donc pas possible de trouver k + (n – k)

vecteurs propres linéairement indépendants correspondant à cette valeur propre
multiple. Il n'y aura donc pas de matrice diagonale semblable à la matrice donnée. On
cherche alors une matrice triangulaire supérieure J qui lui est semblable dite la forme
réduite de JORDAN.
Une forme réduite de Jordan J est une matrice diagonale par blocs dont les blocs
diagonaux sont de la forme :
1 c1 0  0 0 
0 2 c2  0 0 
 
0 0 3  0 0 
J=  
      
0 0 0  n 1 c n 1 
 
 0 0 0  0 n 
(3.12)
où i = valeur propre de la Matrice A et ci = 0 ou ci = 1.
C’est donc une matrice presque diagonale qui a les valeurs propres de A sur la diagonale
principale, des « 1 » en diverses positions sur la surdiagonale et des 0 partout ailleurs.
La matrice J est typique de toutes les formes de Jordan car elle a des « 1 » juste au dessus
de la diagonale principale dans les colonnes correspondant aux vecteurs propres manquants.
Le nombre de 1 au-dessus de la diagonale que comporte cette forme réduite sera
égal à la différence entre l'ordre de multiplicité algébrique de la valeur propre et la
dimension du sous-espace propre de cette valeur propre, (c'est-à-dire, k – (n – rk)).
Ainsi, la matrice
 1 0 0 0 0 0
0  1 0 0 0
 1 
 0 0 1 0 0 0
J=  
 0 0 0 2 1 0
0 0 0 0 2 1
 
0 0 0 0 0 2 
 1 1 
est une forme de Jordan comportant trois blocs de Jordan  1  ,  0   et
 1
 2 1 0 
0  1  .
 2
 0 0  2 
Si J est semblable à une matrice A, alors il existe une matrice régulière Q telle que :
Q-1A Q = J
(3.13)
60
L’opération qui consiste à transformer une matrice A non diagonalisable en une matrice
J est appelée la « trigonalisation7 » ou la « triangularisation 8».
Ainsi, à chaque bloc de Jordan correspond un vecteur propre (relatif à sa première colonne
où il n’y a pas de 1) et s’il y a k blocs de Jordan ayant la même valeur propre sur la
diagonale, cela signifie que k colonnes de la matrice de passage Q sont formées de
vecteurs propres linéairement indépendants associés à cette valeur propre. Ainsi, si la
forme réduite de Jordan associée à A est donnée par la matrice J ci-dessus, l’égalité
matricielle
A Q = QJ
(3.14)
s’écrit, en notant Qi les colonnes de Q :
 1 0 0 0 0 0
0  1 0 0 0
 1 
 0 0 1 0 0 0
A[Q1 Q2 Q3 Q4 Q5 Q6] = [Q1 Q2 Q3 Q4 Q5 Q6]  
 0 0 0 2 1 0
0 0 0 0 2 1
 
0 0 0 0 0 2 
ou encore, en effectuant les produits :
 AQ1   1 Q1
 AQ   Q
 2 1 2
 AQ3  Q2   1Q3

 AQ4   2 Q4
 AQ5  Q4   2 Q5

 AQ6  Q5   2 Q6
Les vecteurs colonnes Q1, Q2 et Q6 correspondant au premier terme diagonal de chacun
des trois blocs de Jordan de cet exemple sont bien des vecteurs propres de A.
Cet exemple montre comment on peut déterminer les autres vecteurs qui forment la
matrice de passage Q. Ces vecteurs, que l’on peut appeler « vecteurs de Jordan » ou
selon Simon et Blume9 «vecteurs propres généralisés pour A», sont ici Q3, Q4 et Q6. Cette
détermination est particulièrement simple dès que l’on connaît les valeurs propres de la
matrice considérée.
Les vecteurs propres généralisés associés à une valeur propre  donnée ne sont
7
Piatier, A., Cahuzac, P et Chambadal, L., Economie et Mathématiques Eléments et
Exercices, PUF, Paris, 1985, p. 222.
8
Escofier, J.-P., Toute l’Algèbre du 1er Cycle, Cours et exercices corrigés, Dunod, Paris,
2002,p.309.
9
Simon et Blume, Mathématiques pour Economistes, De Boeck, Bruxelles, 1998, p. 462.
61
pas définis de façon unique. Alors que les vecteurs propres associés à  forment un
sous-espace vectoriel, les vecteurs de Jordan forment des sous-espaces affines
parallèles à ce sous-espace vectoriel, puisque si
AQi = Qi-1 + Qi
et si P est un vecteur propre associé à , alors A[Qi + P] = Qi-1 + Qi + P = Qi-1 +  [Qi +
P].
Ce qui montre que Qi + P est aussi un vecteur propre généralisé (ou vecteur de Jordan)
associé à , du même type que Qi.
Détermination d'une base de forme réduite de Jordan.
Pour chaque valeur propre k, on procède en plusieurs étapes :
 On commence par choisir une base du sous-espace propre associé à k.
 Puis à chaque étape, on détermine pour chaque Bi une solution Qi de :
(A – kI)Qi = Bi
avec Bi combinaison linéaire non nulle des vecteurs déterminés à l'étape précédente,
et en prenant un nombre maximal de combinaisons Bi linéairement indépendantes
entre elles pour lesquelles il existe une solution Qi10.
 Le processus s'arrête lorsque le nombre de vecteurs déterminés est égal à l'ordre de
multiplicité de k.
La forme de Jordan peut être obtenue en remplaçant les vecteurs ainsi déterminés
à chaque étape par certaines de leurs combinaisons linéaires.
Exemple 3.21 :
 2 1
La matrice A =   est-elle diagonalisable ? Déterminer, dans le cas où elle ne l’est
1 4
pas, sa forme réduite de Jordan.
Solution :
Le polynôme caractéristique associé est PA() = ² – 6 + 9 = (– 3)( – 3) = 0.
PA() a une racine double 3. Pour que A soit diagonalisable, il faut que le sous-espace
propre associé à cette racine soit de dimension 2. Or, ici, les vecteurs propres de A,
solution de l’équation
1
–x1 + x2 = 0, sont de la forme s   , s  .
1
Par conséquent, ils forment un sous-espace vectoriel de dimension 1 : la matrice A n’est
 3 1
pas diagonalisable. Toutefois, la matrice de Jordan J =   lui est semblable. La
0 3
base de Jordan est alors formée par un vecteur propre Q1 de A et un vecteur de Jordan
10
Michel, P., Cours de Mathématiques pour Economistes, Economica, Paris, 1989, p. 609.
62
Q2 défini par :
AQ2 = Q1 + 3 Q2
 2 1  q1  1  q   2q  q2  1  3q1  q  q2  1
donc par     =   + 3  1 =  1  1 .
1 4 q2  1 q2   q1  4q2  1  3q1  q1  q2  1
Ce qui se réduit à l’équation – q1 + q2 = 1 ou q2 = 1 + q1.
1 0
On peut prendre q1 = 0 et – q2 = 1, la matrice de passage étant alors Q =   et Q–1 =
1 1
 1 0
 1 1 .
 
 1 0  2 1 1 0  3 1
Le lecteur peut vérifier que J = Q–1AQ =      =  .
 1 1 1 4 1 1 0 3
Exemple 3.22 : Déterminer une forme réduite de Jordan semblable à la matrice B =
2 1 0 
0 1 1 . Nous savons que cette matrice qui est triangulaire par blocs, a une valeur
 
0 2 4 
propre double 1 = 2 et une valeur propre simple 2 = 3.
Nous avons vu que le sous-espace propre associé à 1 = 2 (de multiplicité
 1
algébrique d’ordre 2) est de dimension 1 car il est engendré par Q1 =  0 . La matrice B
 0
n’est donc pas diagonalisable. On cherche alors pour cette valeur propre 2 un vecteur
propre généralisé (ou vecteur de Jordan) telle que
2 1 0   q1  1  q1  0 1 0   q1  1
BQ2 = Q1 + 2 Q2 = 0 1 1  q2  =  0 + 2  q  = 0 1 1  q  =  0 .
 2    2  
0 2 4   q3   0  q3  0 2 2   q3   0
 q2  1

Ce qui est équivalent au système d’équations   q2  q3  0 dont la solution est q2 =
 q q  0
 2 3
1, q3 = –1, q1 quelconque (0, par exemple). On obtient alors le vecteur de Jordan Q2 =

0
 1 .
 
1
1 
Enfin, si on prend pour vecteur propre associé à 2 = 3, le vecteur  1  , on a pour
 2
63
1 0 1  1 1 1 
matrice de passage Q = 0 1 1 , avec Q-1 = 0 2 1  .
 
0 1 2  0 1 1
2 1 0
La forme réduite de Jordan correspondante étant J = 0 2 0 .
0 0 3
 5 0 0
Exemple 3.23 La matrice C = 1 5 0 . Son polynôme caractéristique est PC() = (– 5)3
0 1 5
= 0. Il s’ensuit que C admet une racine propre triple 5. Elle n’est donc pas
diagonalisable.
0 0 0  q1  0
La relation [C – 5I] donne : 1 0 0  q  = 0
 2  
0 1 0  q3  0
La solution est q1 = 0, q2 = 0, q3 quelconque (1, par exemple) et le sous - espace
propre associé à
0
 = 5 est de dimension 1 car il est engendré par Q1 = 0 qui est un vecteur propre. De
1
plus, la forme réduite de Jordan comportera k – (n – r) = deux « 1 » au dessus de la
 5 1 0
diagonale. La matrice de Jordan semblable à C est donc : 0 5 1 . Pour déterminer la
0 0 5
matrice permettant de passer de C à J, on doit trouver deux vecteurs Q2 et Q3 telle que
CQ2 = Q1 + 5Q2 (1)
et
CQ3 = Q2 + 5Q3 (2)
 5 0 0  q1  0  q1  0 0 0  q1  0
De (1), on trouve : 1 5 0  q2  = 0 + 5
    q  .
 2 Ce qui donne 1 0 0  q2  = 0
0 1 5  q3  1  q3  0 1 0  q3  1
.
0q1  0q2  0q3  0

Ce qui est équivalent au système d’équations  q1  0 dont la solution est q1
 1
 q2
= 0, q2 = 1, q3 quelconque (0, par exemple). On obtient alors le vecteur de Jordan Q2 =
64
0
1 .
 
0
 5 0 0  q1  0  q1  0 0 0  q1  0
De (2), on a : = 1 5 0  q2  = 1 + 5
     q  . Soit,
 2
1 0 0  q  = 1 . Ce qui donne :
   2  
0 1 5  q3  0  q3  0 1 0  q3  0
0q1  0q2  0q3  0

 q1  1 dont la solution est : q1 = 1, q2 = 0, q3 quelconque (0, par
 0
 q2
exemple). On obtient
1
alors le vecteur de Jordan Q3 = 0 .
0
0 0 1 0 0 1  5 0 0 0 0 1  5 1 0
Donc Q = 0 1 0 et J = Q-1 C Q = 0 1 0 1 5 0 0 1 0 = 0 5 1 .
     
1 0 0 1 0 0 0 1 5 1 0 0 0 0 5
Exemple 3.24 : Trouver la forme réduite de Jordan associée à la matrice D =

5 1 2
 5 9 10  .
 
3 3 2
Son polynôme caractéristique est PD() = (  – 4)3 = 0. Il s’ensuit que D admet une racine
propre triple 4. Elle n’est donc pas diagonalisable.
 1 1 2   q1  0
La relation [D – 4I]Q = 0 donne  5 5 10   q2  = 0 . Le sous-espace propre
   
3 3 6  q3  0
1
associé à  = 4 est de dimension 2 (n = 3 et r = 1) car il est engendré par Q1 =  1  et Q2
 0 
 2
= 0 , lesquels sont deux vecteurs propres associés à la valeur propre 4.
1
De plus, la forme réduite de Jordan comportera k – (n – r) = 3 – (3 – 1) = un « 1 » sur la

surdiagonale. Il manque, en effet, un vecteur pour compléter la base dont les vecteurs
propres Q1 et Q2 sont les premiers éléments. La matrice de Jordan semblable à D est
65
 4 0 0
par conséquent J = 0 4 1 . Pour déterminer la matrice permettant de passer de D à
0 0 4
J, on doit trouver un vecteur propre généralisé (ou vecteur de Jordan) Q3 telle que DQ3 =
 1 1 2   q1 
Q2 + 4Q3 = [D – 4I] Q3 = Q2. Ce qui revient à résoudre le système  5 5 10   q2  =
3 3 6  q3 
  2
 0  . Mais ce système n’a pas de solution Q puisque rang (A) = 1 est différent de rang
  3
 1 
(A/B) = 2, le système est donc incompatible. En effet, après échelonnement par la
1 1 2  2 
 
méthode de Gauss, on obtient  0 0 0  10  .
0 0 0 0 
 
Pour trouver le vecteur Q3 (puisque le théorème de Jordan nous dit qu’il existe), il
nous faudra choisir un vecteur Q*2 dans E de façon que le système d’équations [D – 4I]
Q3 = Q*2 ait une solution. Comme on ne peut pas choisir de façon quelconque les
vecteurs propres utilisés pour déterminer la matrice de Jordan, nous prenons Q*2 = aQ1
+ bQ2.
 1 1 2   q1   a  2b  1 1 2  a  2b 
       
On en déduit le système  5 5 10   q2  =  a  , soit  0 0 0  6a  10b  .
3 3 6  q3   b  0 0 0 
 0 
Ce système possède une solution si –3a = 5b, c’est-à-dire si a = –5 et b = 3. Dans ce
cas, le système peut se lire q1 + q2 + 2q3 = – 1 ou q1 = 1 – q2 – 2q3. On en déduit la
solution q1 =1, q2 = 0 et q3 = 0. D’où
1 1  2  1
Q3 = 0 . Q*2 = a Q1 + b Q2 = - 5 1 +3
 
0 =
 
 5 .
 
0  0  1  3 
1 1 1  0 1 5 / 3
Ainsi Q =  1 5 0  et Q–1 =  0 0 1 / 3 .
 
 0 3 0  1 1 2 
 0 1 5 / 3  5 1 2  1 1 1  4 0 0
D’où J = Q–1DQ =  0 0 1 / 3  5 9 10   1 5 0  = 0 4 1 .
     
1 1 2  3 3 2  0 3 0  0 0 4
3.6 Applications de la diagonalisation et de la trigonalisation d’une matrice

3.6.1 Calcul des puissances successives des matrices
66
Comme la puissance p-ième d'une matrice diagonale est aisée, on fera intervenir la
diagonalisation des matrices pour calculer la puissance des matrices.
3.6.1.1 Cas d'une matrice diagonalisable
La puissance p-ième d’une matrice diagonale se calcule aisément. Il en résulte de
la définition du produit des matrices que
 1 0  0  1 p 0  0   1 p  1 0  0 
0     
 0  0 2p  0  =  0  2 p 1  0 .
 2 
               
   p  
0 0  n   0 0   n   0 0   n p 1 
Donc, par récurrence, la puissance p-ième d’une matrice diagonale D̂ est égale à
la matrice diagonale dont les termes sont les puissances p-ièmes de ceux de la matrice
D̂
Si une matrice carrée A d'ordre n à éléments réels ou complexes est
diagonalisable, il existe alors une base de vecteurs propres et par le changement de
base correspondant (matrice de passage P), on obtient une matrice diagonale D̂ = P–
1
AP. Dans ce cas, A peut s’écrire comme A = P D̂ P–1.
Ce qui entraîne :
A2 = (P D̂ P–1)(P D̂ P–1) = P D̂ ²P–1.
A3 = (P D̂ ²P–1)(P D̂ P–1) = P D̂ ³P–1.
et par récurrence sur p, on peut écrire
Ap = P D̂ pP–1
(3.15) pour tout entier p  1.
Ce calcul de Ap est donc très aisé car il se réduit au calcul de D̂ p qui est immédiat, à la
condition que A soit diagonalisable.
2 1
Exemple 3.25 : Calculer Ap si A =  .
1 2 
Solution :
Son polynôme caractéristique est PA() = (  ² – 4  + 3 = (  – 1)(  – 3) = 0. D’où  1 =
1 et  2 = 3. A est donc diagonalisable. On aura alors Ap = P D̂ pP–1
 1 1 1 1 1
où P=   et P–1 =  . On obtient donc :
1 1 2 1 1 
 1 1 1 0  1 1 1 1 3 p  1 3 p  1
Ap =  .
  p
.   =  .
1 1  0 3  2 1 1  2 3 p  1 3 p  1
67
 0 1 1
Exemple 3.26 : Calculer Gp si G = 1 0 1 .
1 1 0
Solution :
Nous avons vu (voir exemple 3.8) que PG() = –  ³ + 3  + 2 = ( + 1)² ( – 2) = 0.
Ainsi,  1 = –1, k = 2 et  2 = 2. Le sous-espace propre associé à  1 = –1 est de
dimension 2. Comme cette dimension est égale à l’ordre de multiplicité algébrique de la
valeur propre donnée, on peut associer à cette dernière deux vecteurs propres
 1  1 1
linéairement indépendants. G est donc diagonalisable avec P =  1 0 1 dont
 0 1 1
 1 2  1
=  1  1 2  .
–1 1 
l’inverse est P
3
 1 1 1 
D’où :
 1  1 1  1 0 0  1 2  1
p
1 
Gp = P D̂ p P–1 
= 1   
0 1  0  1 0   1  1 2 
3
 0 1 1  0 0 2  1 1 1 
 1  1 1 (1) 0  1 2  1
p
0
1     1  1 2 
= 1 0 1  0 (1) p 0  
3
 0 1 1  0 0 2 p   1 1 1 
2 p  2( 1) p 2 p  ( 1) p 2 p  ( 1) p 

1  
=  2 p  ( 1) p 2 p  2( 1) p 2 p  ( 1) p 
3
 2 p  ( 1) p 2 p  ( 1) p 2 p  2( 1) p 

3.6.1.2 Cas d'une matrice non diagonalisable

Lorsque la matrice A n'est pas diagonalisable, on peut toujours recourir à la forme
réduite de Jordan J. A devient dans ce cas :
A = Q J Q–1
(3.16)
Notons qu’une matrice sous forme réduite J peut s'écrire comme :
68
 1 0 0  0 0 0 1 0  0 0
0  0  0 0 0 0 1  0 0
 2   
0 0 3  0 0 0 0 0  0 0
J =   +  
           
0 0 0   n 1 0  0 0 0  0 1
   
0 0 0  0 n  0 0 0  0 0
(3.17)
= D̂ + E
où D̂ est la matrice diagonale ayant les valeurs propres sur la diagonale principale et E,
une matrice avec des 1 sur la surdiagonale et des 0 partout ailleurs.
De la même façon que précédemment, on a :
Ap = Q Jp Q–1
(3.18)
et on se ramène au calcul de Jp. Ce calcul est moins aisé que celui de D̂ p car J = iI + E
et que
Jp = [iI + E]p.
Grâce à la formule du binôme de Newton permettant de calculer (a + b)n où a et b sont
des nombres réels, nous avons, pour une matrice d'ordre 2, car le carré de E est la
matrice nulle et le produit iIE est commutatif11,
 p p  p-1
J =  I +C 
p p 1
p
p -1
E=  
 0  p
(3.19)
Ainsi, la puissance p-ième d'une matrice non diagonalisable devient (dans le cas
où cette matrice est d'ordre 2)
p
  p p  p-1 –1
A =Q   Q
 0 p
 
avec Q = matrice de passage formée avec le vecteur propre et le vecteur de Jordan
associés à la valeur propre de la matrice A.
Pour n = 3 par exemple,
11 On est tenté d'appliquer la formule du binôme de Newton valable pour les nombres; cela n'est pas possible car D̂ E
 E D̂ . Mais E a une propriété intéressante: E = 0 pour r égal au plus grand des ordres de multiplicité des valeurs
r
propres. En effet, chaque fois que l’on multiplie par E, on décale vers le haut la diagonale des 1, qui perd
chaque fois un élément. Comme le format de E est p x p, nous aurons bien E p = 0. Ainsi, pour p ³ r-1, on a :
Jp = ( D̂ + E)p = D̂ p + Cp1 D̂ p–1E + ... + Cpr-1 D̂ p-r+1Er–1
69
  ip C 1p  ip-1 C 2p  ip- 2 
 
Ji =  0 i C p i p -1
p p 1
 
 0 p
 0 i 
(3.20)
 0 0   p 0 0 
 
En particulier, si J =  0  1  , Jp = 0  p
p p 1  .
 0 0   0 0  p 

 1 0   p p p 1  p( p  1) p2 
 
Et si J =  0  1  , Jp = 0 p p p 1 
 0 0   0 0 p 
 
Dans le cas général où la matrice A est d'ordre n, Jip = (i.I + E)p se réduira à :
Jip = (i.I + E)p = ip.I + Cp1 ip–1E + ... + Cpi–1 ip-r+1Er–1
(3.21)
soit :
  p C1p  p-1 C2p  p-2 ... Cn-1
p 
p-n-1

 
 0  p C1p  p-1 ... Cn-2
p 
p-n-2 
Jp =  
 0 0  p
... ...
 
 p
 
 0 0 0 ...
(3.22)
 1 1
Exemple 3.27 : Calculer Ap si A =  .
1 3
Solution :
On peut vérifier que PA() = (– 2)² = 0. D’où une seule valeur propre 2, mais
double. Le sous-espace propre associé étant de dimension 1, A n’est pas
diagonalisable. Dans ce cas,
p 1 0 2 p p.2 p 1   1 0 2 p  p 2 p 1 p.2 p 1 
A =  . . = 
2 p  1 1   p.2 p 1
.
p.2 p 1  2 p 
1 1  0
2 1 0 
Exemple 3.28 : Calculer la puissance p-ième de la matrice B = 0 1 1 .
0 2 4 
Solution :
Nous savons déjà qu’elle n’est pas diagonalisable. Mais sa forme réduite de Jordan
70
est
 2 1 0
J = 0 2 0 .
0 0 3
On a donc :
1 0 1 2 p 2 p 1 0  1 1 1 
p
 
Ap = Q Jp Q–1 = 0 1 1  0 2p 0 0 2 1 
 
0 1 2  0 0 3p  0 1 1
2p 2 p  2 p 2 p 1  3 p 2 p  p 2 p 1  3 p 
 
= 0 2. 2 p  3 p 2 p  3p .
0  2. 2 p  2. 3 p  2 p  2. 3 p 

3.6.2 Calcul de A–1
Soit A une matrice carrée diagonalisable d’ordre n. Nous savons que D̂ = P–1 A P et Ap
= P D̂ pP–1.
En posant p = –1, on en déduit
A–1 = P D̂ –1 P–1.
(3.23)
2 1
Exemple 3.29 : Calculer A–1 si A =  .
1 2 
Solution :
1 0  1 1 –1 1 1 1
On a vu (voir exemple 3.27) que D̂ =   , .P = 1 1 et P = 2 1 1  .
0 3    
On obtient donc :
 1 1 1 0  1 1 1
 . 0 1  . 2 1 1 
–1 –1 –1
A = P D̂ P .= 
 1 1  3   
 1 1 1  2 1
1     
=  3 2 2  3 3
1 1 1   1 2 
 1     
 3 2 2   3 3 
3.6.3 Calcul des racines p-ièmes des matrices.
Enfin, terminons ce chapitre en soulignant que nous pouvons aussi utiliser la relation
(3.16) ou (3.24) pour calculer la racine p-ième des matrices. Par exemple, la racine
cubique de A, notée A1/3, peut être obtenue par l’expression :
1
1
A 3  P Dˆ 3 P 1
71
(3.23)
  1 3
Exemple 3.29 : Calculer 3
A avec A =  .
 2 0
Solution :
PA() =  2 +  – 6 = ( + 3) ( – 2) = 0, on a  1 = –3 et  2 = 2. La matrice A est donc
 3 1 1 1  1
diagonalisable avec P =   et P-1 = 
5 2 3 
.
 2 1
 3 1  31 / 3 0  1 1  1
1
1
ˆ 1
Ainsi A  P D P =     
3 3
.
 2 1  0 21 / 3  5 2 3 
Chapitre Quatrième
LES FORMES QUADRATIQUES
L’économiste rencontre à plusieurs occasions les formes quadratiques, en particulier en

statistique, en économétrie, en micro-économie financière lors de la minimisation du risque d’un
portefeuille d’actifs, en macro-économie dans l ‘étude des fonctions de perte et lors de l’étude des
maxima et minima des fonctions de plusieurs variables.
4.1 Définition
On appelle forme quadratique définie sur n toute fonction à n variables réelles pouvant
s’écrire sous la forme :
n n
q(x) = a x x
i 1 j 1
ij i j , aij, xi . (4.1)
L’expression formelle précédente des variables xi est appelée le polynôme quadratique

correspondant à la matrice symétrique A.
Remarquons que c’est bien là une forme car c’est une application dans , la valeur F de la forme
quadratique étant un réel.
On appelle une telle expression Forme Quadratique (F.Q.) car elle contient des termes
carrés x²1, x²2,..., x²n ) et des termes rectangles (x1x2, xix3, x2x3,...) en les variables x1, x2, ..., xn.
Nous pouvons mettre F.Q. sous la forme d’un produit de matrices. En effet,
a11 a12  a1n   x1 

n n a a22  a2n   x2 
a x x =  x1  xn    
21
F.Q. = x2
i 1 j 1
ij i j
      
  
an1 an 2  ann   xn 
72
 a11 x1  a12 x2 ...a1n xn 

a x  a x ... a x 
= [x1, x2, ..., xn] 
21 1 22 2 2n n 
(4.2)
  
 
an1 x1  an 2 x2 ...ann xn 
= a11x21 + 2a12x1x2 + 2a13x1x3 + ... + 2a1nx1xn + a22x22 + 2a23x2x3 + ... + 2a2nx2xn
+ a33x23 + ... + 2a3nx3xn .......................... + annx2n
= X’A X.
4.2 Symétrisation d’une forme quadratique
La forme quadratique telle qu’elle est définie n’est pas nécessairement symétrique.
Elle l’est si aij = aji pour tout i  j, c’est-à-dire si aijxixj = ajixjxi.
Si nous revenons à la formule de définition de la forme quadratique, nous remarquons
que cette forme ne change pas si l’on remplace, par exemple aij par bij= aij -1 et aji par bji = aji + 1.
En effet, le terme en xi xj qui avait pour coefficient (aij + aji) aura toujours ce même coefficient car
(bij + bji) = (aij - 1) + (aji + 1) = (aij + aji).
Donc on peut associer plusieurs matrices à une même forme quadratique. En particulier, on peut
prendre
(aij  a ji )
bij = bji = i j
2
et
bii = bjj  i = j
de façon que la matrice B associée à A soit une matrice symétrique.
Ainsi, toute forme quadratique peut s’écrire sous une forme équivalente X’BX où B est
une matrice symétrique.
3 3
Exemple 4.1 : Considérons la F.Q définie par la matrice A =   . La forme quadratique
5 2 
associée est : qA(X) = 3x1² + 3xix2 + 5x2x1 +2x2²
Pour symétriser cette forme quadratique, introduisons la matrice B telle qu’elle est définie ci-
3 4
dessus. Il vient : B =   . Il en résulte la forme quadratique ci-après :
4 2
qB(X) = 3x1² + 4xix2 + 4x2x1 +2x2²
= 3x1² + 8 xix2 + 2x2²
B étant symétrique, les termes rectangles symétriques par rapport à la diagonale principale peuvent
être regroupés car xixj = xjxi.
Puisqu’une forme quadratique peut toujours être symétrisée, nous ne considérerons dans la suite
de ce chapitre que des formes quadratiques symétriques.
73
4.3 Nature ou signe des formes quadratiques

Une forme quadratique qA(x) = X'AX peut être, soit définie positive (ou négative), soit
semi-définie positive (ou négative), soit indéfinie. Elle est dite :
 définie positive si et seulement si X'AX > 0  x  0. Donc X'AX > 0  x  0 entraîne que
toutes les valeurs propres de A sont strictement positives.
 définie négative si et seulement si X'AX < 0  x  0. Donc X'AX < 0  x  0 entraîne que
toutes les valeurs propres de A sont strictement négatives.
 semi-définie positive ou définie non négative si et seulement si X'AX est positive pour tout X
et si elle s’annule pour au moins un X  0. X'AX semi - définie positive suppose que toutes les
valeurs propres de A sont non négatives, au moins l’une d’entre elles étant nulle.
 semi-définie négative ou définie non positive si et seulement si X'AX est négative pour tout X
et si elle s’annule pour au moins un X  0. X'AX semi - définie négative suppose que toutes les
valeurs propres de A sont non positives, au moins l’une d’entre elles étant nulle.
 indéfinie si et seulement si X'AX est positive pour certains X et négatives pour d’autres. Il y
aura dans ce cas des valeurs propres positives et des valeurs propres négatives.
Exemple 4.2 : Etudiez le signe des formes quadratiques suivantes :
1. q(x) = x²1 : définie positive
2. q(x) = 4x1² – 4xix2 + x2² + 3x3² : semi-définie positive
3. q(x) = –2x1² – x2² : définie négative
4. q(x) = –x1² + 2x1x2 – x2² : semi-définie négative
5. q(x) = x1² – x2² : indéfinie
6. q(x) = x1² + 4xix2 + 4x1x3 + 6x2x3 + 4x2² + 4x3² : indéfinie
Observons que si X’AX est définie positive, –X’AX est définie négative. Si X’AX est
semi-définie positive, –X’AX est semi-définie négative.
La recherche des valeurs propres d’une matrice impliquant parfois des calculs lourds, on
utilise les propriétés suivantes que nous énonçons sous forme de théorème.
4.4.Conditions nécessaires et suffisantes pour les formes quadratiques définies et semi
définies
4.4.1 Conditions nécessaires et suffisantes pour les formes quadratiques définies.
La forme quadratique q(x) = X'A X où A = (aij) est une matrice réelle symétrique d'ordre n
est :
 définie positive si et seulement si les n mineurs diagonaux principaux de la matrice A associée
sont tous strictement positifs; c'est-à-dire si
dét Ap > 0 pour i  p  n
avec Ap = sous matrice diagonale principale d'ordre p extraite de A obtenue en supprimant les n - p
dernières lignes et les mêmes n – p dernières colonnes de A (p = 1, 2, ... n).
Ce sont les matrices
74
 a11 a12  a1 p 
a11 a12 a13  a
a a12  a22  a2 p 
A1 = [aij], A2 =  11 , A3 = a21 a22 a23  , ..., Ap =  21  , ...,
a21 a22       
a31 a32 a33   
a p1 a p 2  a pp 
a11 a12  a1n 
a a22  a2 n 
An =  .
21
     
 
an1 an 2  ann 
 définie négative si seulement si on a : (–1)p dét Ap > 0 pour i  p  n

où Ap est définie comme ci - haut.
Ce dernier théorème peut aussi s'énoncer comme suit :
X'AX est définie négative si et seulement si les n mineurs diagonaux principaux alternent de
signe, le premier étant négatif, c'est-à-dire, si
a11 a12 a13
a11 a12
1 = aij < 0, 2 = = a11a22 – a21a12 > 0, 3 = a21 a22 a23 < 0, ...
a21 a22
a31 a31 a33
(–1)ii > 0, ..., (–1)n (dét A) > 0.
Exemple 4.3 : Utiliser les déterminants pour déterminer si chacune des formes quadratiques
suivantes est définie positive ou définie négative.
a. q(x) = –3x1² + 4xix2 – 4x2²

3 2 
La matrice A associée est A =  .
 2 4
a11 a12
On a : 1 = aij = –3 < 0 et 2 = = 12 – 4 = 8 > 0.
a21 a22
Donc Q(x) est définie négative.
b. q(x) = 5x1² – 6x1x2 + 3x2² – 2x2x3 – 3x1x3 + 8x3³

 5 3 1,5
La matrice A associée est : A =  3 3 1  . On a :
1,5 1 8 
a11 a12
1 = aij = 5 > 0, 2 = = 15 - 9 = 6 > 0 et 2 = A = 27,85 > 0.
a21 a22
Ainsi, la forme quadratique donnée est définie positive.
75
c. q(x) = x1² + 4xix2 + 4x2² + 4x1x3 + 16x2x3 + 4x3³

1 2 2
Cette F. Q. est définie par la matrice A =  2 4 8  .
 2 8 4
1 = 1 > 0, 2 = 0 et 3 = A = –16 < 0. Les conditions nécessaires pour une forme quadratique
définie ne s’appliquent pas. Q(x) ne peut être qu’indéfinie de rang maximum car A   0.
4.4.2 Conditions nécessaires et suffisantes pour les formes quadratiques semi-définies.
La forme quadratique q(x) = X'AX, où A = (aij) est une matrice symétrique réelle non
régulière d'ordre n, est :
- semi-définie positive si et seulement si chaque mineur principal de A est positif ou nul
Ce critère nécessite le calcul de 2n – 1 déterminants au lieu de n dans le cas défini-positif.
- semi-définie négative si et seulement si chaque mineur principal d’ordre impair est négatif ou
nul et si chaque mineur principal d’ordre pair est positif ou nul.
Nota bene
Si la matrice A associée à une forme quadratique ne vérifie aucun des critères ci-dessus, alors cette
forme est indéfinie.
Exemple 4.4 : Utiliser les déterminants pour déterminer si chacune des formes quadratiques
suivantes est semi - définie positive ou semi - définie négative.
a) q(x) = 4x1² + 4xix2 + x2²
Réponse :
 4 2 a11 a12
La matrice A associée est A =   . On a : 1 = aij = 4 > 0 et 2 = = 0.
2 1  a21 a22
Donc Q(x) est semi-définie positive.
b) q(x) = 4x1² – 4xix2 + x2² + 3x32

 4  2 0
La matrice A associée est : A =  2 1 0 . La F.Q. est semi-définie positive.
 0 0 3
4.5 Diagonalisation d’une forme quadratique

Considérons une forme quadratique X’AX où A est une matrice carrée symétrique. A
possède alors n valeurs propres réelles et l’on peut toujours construire un ensemble de n vecteurs
propres orthogonaux de longueur unité. Nous avons vu que la matrice U dont les vecteurs
colonnes sont les vecteurs propres normés est une matrice orthogonale qui diagonalise
orthogonalement la matrice A par la relation U’AU = D̂ car U-1 = U’.
76
Posons X = UY. La forme quadratique X’AX devient alors :
X’AX = Y’U’AUY = Y’ D̂ Y.
Puisque U’AU est une matrice diagonale12 dont les éléments sont les valeurs propres de A, nous
pouvons écrire :
n
Y’ D̂ Y = 1y²1 + 2y²2 + ... + ny²n =  y
i 1
i i
2
Cette dernière expression ne contient plus que des termes carrés dont les coefficients sont les
valeurs propres de A. D'où l'appellation de la forme quadratique réduite.
La transformation orthogonale qui consiste à ramener une forme quadratique X’AX à une
forme réduite Y’ D̂ Y est appelée « opération de réduction de la forme quadratique » ou encore
« opération de diagonalisation ».
4.6 Rang d'une forme quadratique

Le rang d'une forme quadratique est égal à celui de la matrice A associée. Si ce rang est
maximum, c'est que dét A  0 et toutes les valeurs propres seront différentes de zéro. Alors la
forme quadratique q(x) = X’AX sera :
- soit définie positive ;
- soit définie négative ;
- soit indéfinie de rang maximum.
Elle est définie positive si et seulement si toutes les valeurs propres de A sont positives. Elle est
définie négative si les valeurs propres sont négatives. Elle est indéfinie si A possède à la fois des
valeurs propres positives et de valeurs propres négatives.
Si le rang de la F.Q n'est pas maximum, c'est que dét (A) = 0 et au moins une valeur propre
de A sera nulle. Dans ce cas, la forme quadratique q(x) = X’AX sera :
- soit semi-définie positive
- soit définie négative pour tout i
- soit indéfinie de rang inférieur à n.
Elle est semi-définie positive (ou négative) si et seulement si toutes les valeurs propres de A sont
non négatives (ou non positives) et si au moins une valeur propre de A est nulle. Elle est indéfinie
de rang inférieur à n si A possède à la fois des valeurs propres positives, nulles et négatives.
Observons que le rang de la matrice A est égal au rang de la matrice diagonale D ; par
conséquent, le rang de la F.Q est le nombre de valeurs propres non nulles de la matrice A, car la
diagonale principale de D est constituée de ces valeurs propres. Si la forme quadratique est de
rang maximum, toutes les valeurs propres de A seront différentes de zéro.
12
En fait, A et D sont dites semblables parce que U est non-singulière.
77
Exemple 4.5 :
a. Déterminer la matrice A associée à la forme quadratique
q(x) = 3x1x2 + x1x3 – x2x1 – 2x2x3 + x3x1 + 4x3x2
b. Etudier le signe de qB(x) où B est la matrice symétrique équivalente à la matrice A.
c. Diagonaliser B orthogonalement (écrire U’BU =D ou mettre B sous la forme B = UDU’).
Solution :
0 3 1
a. Cette forme quadratique est définie par la matrice A = 1 0 2 
 1 4 0 
0 1 1
b. B = 1 0 1 . Calculons les mineurs principaux afin de voir si qB(x) est définie positive ou
1 1 0
définie négative. Or, comme 1 = 0, la méthode des mineurs principaux ne permet pas de trancher.
D’autre part, B= 2. Donc, X’AX est de rang maximum et elle ne peut être qu’indéfinie de rang
maximum car B   0.
Le lecteur peut, en effet, vérifier que PB() = –³ + 3 + 2 = (2 – )(1 + )² = 0 et que les valeurs
propres 1 = 2 et 2 = –1 avec k = 2 sont de signe différent.
1 1 1
c. Nous savons déjà (voir chapitre 5) que la matrice de passage P est P = 1 1 0  .
1 0 1 
Comme nous cherchons une matrice de passage orthogonale, c’est-à-dire telle que U’U = 1, il
nous faut choisir les vecteurs propres U1, U2 et U3 tels que Ui’Uj = 0 si i  j et Ui’Ui = 1 pour tout i.
Donc les U doivent être orthogonaux deux à deux et de longueur unitaire chacun.
En appliquant le procédé d’orthogonalisation de Gram-Schmidt aux vecteurs propres
X1 = [1, 1, 1], X2 = [–1, 1, 0] et X3 = [–1, 0, 1], on a :
X 1
U1 = 1 = [1, 1, 1].
X1 3
X 2  ( X 2 .U1 )U1
U2 = =
X 2  ( X 2 .U1 )U1
78
 1 / 3 
    1 1 1 
1 1 0   1 1 0 1 / 3  
3 
1 / 
3 
 3 3
   1
U2 = = [–1, 1, 0].
 1 3  2
    1 1 1 
1 1 0   1 1 0 1 3  
3 
1 
3 
 3 3
  
X 3  ( X 3.U1 )U1  ( X 3.U 2 )U 2
U3 = =
X 3  ( X 3.U1 )U1  ( X 3.U 2 )U 2
U3=
 1 / 3     1 2  
         1 
1   
 1 0 1 1 0 11/ 3  
1 1
   1 0 1   1 2  
1
0
    3       2 
3 
3 3 2
1 /   0  
   
 1 3     1 2  
         1 
1   
 1 0 1 1 0 11 3  
1 1
   1 0 1  1 2  
1
0
    3       2 
3  0 
3 3 2
1   
    
1  1 1   1 1 
 1 0 1   0 0 0  
2 2
0 1 0 1   0
=
2  = 2 2 
1 1 1 1
1 0 1   2 2 0 1 0 1   2 2 0
   
 1 1   1 1 
 2 1 2 1
 =  =
2 2 1
= [–1, 1, 2].
 1 1  1 6
 2  2 1
6
2
 1 1 1 
 3 2 6
 1 1 1 
Donc U =  .
 3 2 6
 1 2 
 0 
 3 6
Le lecteur peut vérifier que U-1 = U’ (donc U’U = I) et que les vecteurs colonnes de U sont tels
que Ui’Uj = 0 si i  j et Ui’Ui = 1 pour tout i. Par conséquent, U diagonalise B orthogonalement,
(c’est-à-dire, U’BU = D̂ ). Il est alors facile d’écrire cette dernière expression comme B = U D̂ U’.
D’où la forme quadratique X’AX = Y’ D̂ Y = 2y²1 – y²2 – y²3.

Il s’agit bien d’une forme quadratique indéfinie de rang maximum.
79
4.7 Transformation linéaire - Congruence

Soit la forme quadratique q(X) = X'AX. Posons X = RY, où R est une matrice non
singulière de dimension nxn. Alors la forme quadratique X'AX peut s'écrire
X'AX = Y'R'A R Y
= Y'B Y
où R'AR = B.
Exemple 4.6
3 4  x1 
Soit X’AX = x1 x2     x  = 3x1  8x1 x2  x2
2 2
 4 1   2
  1  3  y1 
Posons X = RY =   
 3 2   y 2 
  1  3
X’ = (RY)’ = Y’ R’ =  y1 y2   
 3 2 
  1  3 3 4   1  3  y1 
D’où Y’ R’ A R Y =  y1 y2        et
  3 2  4 1    3 2   y 2 
 - 1 - 3 3 4  - 1 - 3  y1 
X’ A X =  y1 y2  
- 3 2  4 1 - 3 2   y 2 
 
B
=YBY
36 31   y1 
X’ A X =  y1 y2    y 
 31 17  2
Nous venons de transformer la forme quadratique X'AX en une autre forme équivalente
Y'BY. Une telle transformation linéaire de X en Y, dite aussi transformation congruente, ne
modifie ni le rang, ni le signe de la forme quadratique car les matrices A et B sont de même rang
en vertu du théorème de Sylvester vu plus haut. On dit alors que les deux formes quadratiques
X'AX et Y'BY sont congruentes. D'où la définition suivante :
Une matrice B est dite congruente à la matrice A s'il existe une matrice non singulière R
telle que B = R'AR.
4.8 Dérivation d'une forme quadratique X'A X

Nous avons vu qu’une forme quadratique pouvait s’écrire comme
80
a11 a12  a1n   x1 

n n a a22  a2n   x2 
X’AX =   aij xi x j =  x1 x2  xn     .
21
i 1 j 1       
  
an1 an 2  ann   xn 
= a11x21 + 2a12x1x2 + 2a13x1x3 + ... + 2a1nx1xn + a22x22 + 2a23x2x3 + ... + 2a2nx2xn
+ a33x23 + ... + 2a3nx3xn + annx2n
Ainsi,
(X AX)
= 2AX = 2X A .
X
Le choix entre les deux formules dépend du contexte dans lequel s'effectue la dérivation.
 x1   3 1 2
Exemple 4.7 : Soit X =  x2  et A =  1 0 3  .
 
 x3  2 3 2 
Alors X’AX = 3x1² + 2x1x2 + 6x2x3  4x1x3 + 2x32
On a :
(X AX)
= 6x1 + 2x2  4x3,
x1
(X AX)
= 2x1 + 6x3,
x2
(X AX)
= 4x3  4x1 + 6x2
x3
 3x1  x2  2 x3   3 1 2  x1 
    
Donc, X’AX = 2  x1  3x3  = 2  1 0 3   x2  = 2AX.
2 x1  3x2  2 x3  2 3 2   x3 
 
Alternativement, on a :
(X AX) (X AX) (X AX)
= 6x1 + 2x2  4x3, = 2x1 + 6x3, = 4x3  4x1 + 6x2
x1 x2 x3
(X AX)  X ' AX X ' AX X ' AX 
= 
X  x1 x2 x3 
= [6x1 + 2x2  4x3, 2x1 + 6x3, 4x3  4x1 + 6x2]
= 2[3x1 + x2  2x3, x1 + 3x3, 2x3  2x1 + 2x2]
81
DEUXIEME PARTIE
ANALYSE DYNAMIQUE
Le concept dynamique a plusieurs significations dans l'analyse économique. Ce terme se

réfère au type d'analyse dont l'objet est soit de tracer et d'étudier les sentiers temporels des
variables, soit de déterminer si, étant donné une période de temps suffisante, ces variables
convergent vers certaines variables d'équilibre.
Un trait saillant de l'analyse économique est de dater les variables. C'est ainsi que le temps
joue un rôle important en économie. Le temps peut se dérouler de façon continue; nous parlons,
dans ce cas, des intégrales et des équations différentielles. Mais on peut aussi décomposer le
temps en un certain nombre de périodes. On est alors en présence, d'un point de vue
mathématique, d'équations aux différences (ou de récurrence).
Le chapitre 5 est consacré aux équations différentielles, tandis que les équations de
récurrence (appelées aussi équations aux différences finies) feront l'objet du chapitre 6.
82
LES EQUATIONS DIFFERENTIELLES
5.1 Définition et classification des équations différentielles

On appelle équation différentielle toute équation établissant une relation entre la variable
indépendante x, la fonction inconnue y = f(x) et ses dérivées y', y", ..., y(n). Symboliquement, elle
se présente sous la forme suivante :
F (x, y, y', y", ... , y(n)) = 0 (5.1)

D'une manière générale, toute équation contenant au moins une dérivée est une équation
différentielle.
On classifie les équations différentielles suivant le nombre de variables indépendantes
contenues dans ces équations, l'ordre de la dérivée la plus élevée, le degré et la manière dont la
variable dépendante et ses dérivées apparaissent dans les termes d'une telle équation.
Une équation différentielle contenant les dérivées ordinaires d'une ou plusieurs variables
dépendantes par rapport à une seule variable indépendante est appelée équation différentielle
ordinaire. Si l'équation différentielle contient les dérivées partielles d'une ou de plusieurs
variables dépendantes par rapport à plus d'une variable indépendante, on parlera d'une équation
différentielle partielle ou d'une équation aux dérivées partielles.
L'ordre d'une équation différentielle est l'ordre de la plus haute dérivée contenue dans
cette équation.
On appelle degré d'une équation différentielle la plus grande puissance à laquelle est
élevée la dérivée d'ordre maximum.
Une équation différentielle F(x, y, y’, y’’, ... , y(n)) = 0 est dite linéaire si son premier
membre est un polynôme de premier degré par rapport à la fonction inconnue y et ses dérivées y',
y", ..., y(n) et ne comprend pas de leurs produits, c'est-à-dire si cette équation est de la forme
suivante :
n n -1
d y d y dy
a0 ( x ) n
+ a1 ( x ) n -1
+ ... + a n - 1 ( x) + a n ( x) y = f(x) . (5.2)
dx dx dx
Les fonctions a0(x), a1(x), ... , an(x) généralement définies et continues sur un certain
intervalle commun sont appelées coefficients de l'équation linéaire, alors que la fonction f(x)
porte le nom de second membre de cette équation. Si le second membre f(x) d'une équation
83
linéaire est identiquement égal à zéro, on dit que cette équation est homogène ou sans second
membre; dans le cas contraire, elle est dite non homogène ou avec second membre.
Une équation différentielle ordinaire non linéaire est une équation différentielle ordinaire
qui n'est pas linéaire.
Exemple 5.1 : Déterminer l'ordre et le degré des équations différentielles suivantes. Dire si elles
sont ordinaires, partielles, linéaires ou non linéaires.
dy
1)  2x
dx
2) x dy  y dx = 0
2
d2 y  dy 
3) +   + y= 0
dx 2  dx 
2
 3u   u 
3
4)   3  + u 2    x 2 u  15 = 0
x   x 
2
3
d z  d2 z  dz
5) + x  2   xz + 10 = 0
 dx 
3
dx dx
 y
3
y
6) + xy  3 u 4 = 0
x 3
u
2
d y dy
7) 2
+ 5 + 6y = 0
dx dx
4 3
d y 2 d y dy
8) 4
+ x 3
 x3 = xex
dx dx dx
2
d y dy
9) 2
+ 5 + 6y 2 = 0
dx dx
3
d2 y  dy 
10) + 5   + 6y = 0
dx 2  dx 
2
d y dy
11) 2
+ 5y + 6y = 0
dx dx
Réponse :
Equations Ordinaire (O) ou Partielle (P) Ordre Degré Linéaire (L) ou Non linéaire (NL)
1 O 1 1 L
2 O 1 1 L
3 O 2 1 NL
4 P 3 2 NL
5 O 3 1 NL
6 P 3 1 NL
7 O 2 1 L
8 O 4 1 L
9 O 2 1 NL
10 O 2 1 NL
11 O 2 1 NL
84
5.2 Solution ou intégrale des équations différentielles

On appelle solution ou intégrale d'une équation différentielle ordinaire une fonction ne
contenant pas de dérivées ni des différentielles et vérifiant identiquement cette équation. Cette
solution peut être générale si les constantes ne sont pas définies ou spécifiques ou encore
définies si ces dernières le sont moyennant les conditions initiales (du type y = y0 quand x = 0) ou
limitatives (du type y = y0 quand x = x0).
Résoudre ou intégrer une équation différentielle consiste à :
- chercher sa solution générale ou son intégrale générale (si les conditions initiales ou
limitatives ne sont pas données) ou
- chercher la solution spécifique satisfaisant aux conditions initiales ou limitatives, s'il y en
a.
Une équation différentielle d'ordre n peut avoir une solution générale écrite sous la forme implicite ou
sous la forme explicite.
La fonction f définie pour tout réel x par f(x) = 2sin x + 3cos x est une solution explicite de l’équation
d2y
différentielle  y  0 pour tout x. En effet,
dx 2
f’ = 2 cos x – 3 sin x
f’’(x) ) = 2 sin x – 3 cos x
Par substitution, on a :
(–2 sin x – 3 cos x) + (2sin x + 3 cos x) = 0 pour tout réel x.
dy
La relation x2 + y2 – 25 = 0 est une solution implicite de l’équation différentielle x + y = 0 sur
dx
l’intervalle I défini par –5 < x < 5. Ladite relation définit les deux fonctions réelles f1 et f2 données par :
f1(x) = 25  x 2
fé(x) = – 25  x 2
respectivement pour tout x réel appartenant à I et ces deux équations sont des solutions explicites de
l’équation différentielle donnée.
Si une équation différentielle peut s'écrire sous la forme
dn y
= f(x) (5.3)
dx n
sa solution générale est obtenue par intégrations successives n fois.
Exemple 5.2a : Trouvez la solution générale des équations différentielles
85
2
dy d y 1
a) = cos x + 2x b) 2
= 20x3  2
dx dx x
Solution :
x2
a) y =  cos x  2 x  dx =  cos xdx +  2 x dx = sin x + C1 + 2
2
+ C2
= sin x + x2 + C où C = C1 + C2.
dy  1  1
b) =   20 x 3  2  dx = 5x4 + + C1
dx  x  x
 1 
y =   5 x 4   C1  dx = x5 + ln x + C1x + C2
 x 
2
 dy  dy
5.2b a) Montrer que y = 2Cx + C est une solution de    8 x 3
2 2
 16x 2 y et trouver une
 dx  dx
solution particulière qui satisfait la condition y =  1 quand x = 1.
Solution :
dy
Si y = 2Cx2 + C2,  4cx . En substituant, on a :
dx
16c 2 x 2  8 x 3 (4Cx ) = 16 x 2 (2Cx 2  C 2 )
    
2
 dy  3  dy 
16 x 2 y
   8x  
 dx   dx 
Si x = 1, y =  1
 1 = 2C + C2
C2 + 2C + 1 = (C +1)2 = 0. Donc C =  1. La solution particulière est : y = 1  2x2.
d 2 y dy
5.2b b) Montrer que y = C1ex + C2e-2x est une solution de   2 y  0 et trouver une
dx 2 dx
dy
solution particulière qui satisfait la condition y = = 1 quand x = 0.
dx
Solution :
dy d2y
Si y = C1ex + C2e-2x,  C1e x  2C 2 e  2 x et 2
 C1e x  4C 2 e 2 x En substituant, on a :
dx dx
2 x
C1e  4C2 e
x
+ C1e  2C2 e  2C1e  2C2 e 2 x = 0
x 2 x x
Si y = y’ = 1 lorsque x = 0, alors on a :
 C1  C 2  1
  C2 = 0 et C1 = 1. D’où la solution particulière :
C1  2C 2  1
Y = C1ex.
Notons que la constante arbitraire peut revêtir plusieurs formes notamment C, 2C, C², C
C
, e , ln C. Aussi longtemps que la constante arbitraire C n'est pas définie, sa forme n'a aucune
signification réelle ; elle peut, par conséquent, être écrite le plus simplement possible.
5.3 Equations différentielles du premier ordre et du premier degré.
86
Une équation différentielle du premier ordre et du premier degré peut s'écrire de la

manière suivante :
dy
F(x, y, )=0 (5.4)
dx
Lorsque cette équation est résolue par rapport à dérivée y', on peut la mettre sous la forme
dy
= f(x, y) (5.5)
dx
Si f(x, y) est une constante ou une fonction de x uniquement, l'équation différentielle est
résolue par les habituelles règles d'intégration; mais si f(x, y) est une fonction à la fois de x et y, il
y a des méthodes appropriées que nous verrons dans les lignes qui suivent.
Une autre forme fréquemment utilisée pour représenter les équations différentielles du
premier ordre et du premier degré est :
M(x, y) dx + N(x, y) dy = 0 (5.6)
où M(x, y) et N(x, y) sont des fonctions connues.
Cette dernière forme est plus commode en ce que les variables x et y sont équivalentes,
c’est-à-dire que chacune d’elles peut être considérée comme fonction de l’autre.
Il est utile de savoir qu'une équation écrite sous une forme donnée peut toujours être mise
sous une autre forme. Ainsi l'équation différentielle
dy x 2 + y 2
= (5.7)
dx x y
qui est de la forme (5.5) peut aussi s'écrire comme (x² + y²) dx + (y – x) dy = 0 (forme (5.6)).
De même l'équation (sin x + y) dx + (x + 3y) dy = 0 lorsqu'elle est résoluble en y' devient :
dy  sin x + y 
=    . (5.8)
dx  x + 3y 
Soulignons enfin qu'il n'y a pas de méthode générale pour l'intégration des équations
différentielles du premier ordre. On ne considère généralement que certains types de telles
équations et on propose pour chacun d'eux son propre procédé d'intégration. Les principaux types
d'équations différentielles du premier ordre sont : les équations différentielles à variables
séparées et séparables, les équations différentielles homogènes, les équations différentielles
exactes (dites aussi équations aux différentielles totales) et les équations différentielles
linéaires.
5.3.1 Equations différentielles à variables séparées et séparables.
Nous avons vu que les équations différentielles du premier ordre et du premier degré sont
souvent écrites de la manière ci-après :
M(x, y) dx + N(x, y) dy = 0 (5.6)
Si M est une fonction dépendant uniquement de x et N est une fonction dépendant uniquement de
87
y, alors les variables sont dites séparées. L'équation différentielle sera écrite comme suit:
M(x) dx + N(y) dy = 0 (5.9)
L'équation à variables séparées (4.9) est résolue en intégrant chaque terme. On obtient dans ce cas
:
 M(x) dx +  N(y) dy = C (5.10)
Une équation de la forme
M1(x) N1(y) dx + M2(x) N2(y) dy = 0 (511)
est appelée Equation à variables séparables.
On peut transformer celle-ci en vue d'obtenir une équation à variables séparées. Il suffira,
pour cela, de diviser les deux membres de l'équation (5.6) par le produit N1(y) M2(x) pourvu que
ce dernier ne soit pas nul, c'est-à-dire, prendre :
 M 1 (x) N 1 (y)   M 2 (x) N 2 (y)
  dx +   dy = 0 (5.12)
 N 1 (y) M 2 (x)  N 1 (y) M 2 (x) 
Ce qui donne :
 M 1 (x)   N 2 (y)
  dx +   dy = 0 (512a)
 M 2 (x)  N 1 (y) 
On voit que (5.12a) a la même forme que la relation (5.9).
dy y dy
Exemples 5.3 : Résoudre a) =  et b) (1 + x²) + xy = 0
dx x dx
Solution :
dy y dy dx
a) S’agissant de l’équation =  , séparons les variables pour obtenir =
dx x y x
Après intégration de deux membres, nous trouvons
dy dx
 y =   x +C
ln y = – ln x + ln C
C
ln y = ln
x
C
ln
e e
ln y x
C
y=
x
Nous avons désigné la constante arbitraire par ln C. Ce qui est légitime car ln C, lorsque C
 0, peut prendre n'importe quelle valeur de –  à +.
dy
b) L’équation (1 + x²) + xy = 0 peut encore s’écrire comme : (1 + x²) dy + xy dx = 0
dx
Séparons les variables en divisant les deux membres par (1 + x²)y. On obtient alors
88
x 1
2
dx + dy = 0
1+ x y
Après intégration des deux membres, on a successivement :
x dy
 1 + x 2 dx +  y = C
1
ln ( 1+ x 2 ) + ln y = C
2
 
ln y. (1  x 2 ) = ln C  e
ln( y. 1 x2 )
 e ln C  y . 1 + x 2 = C
C
y=
1 x2
Exemple 5.4 :
La relation entre le profit net (P) et les dépenses publicitaires (X) est telle que le taux
d'accroissement du profit net lorsque les dépenses publicitaires augmentent est
proportionnel à une constante moins le profit net. Trouver la relation entre le profit net
et les dépenses publicitaires si P = P0 quand x = 0.
Solution :
dP
Ce problème peut être formulé comme suit :  k (a  P)
dx
Séparons les variables en divisant les deux membres par (a – P), puis en multipliant le
résultat par dx. Nous on obtenons alors une équation différentielle d’ordre 1 à variables
dP
séparées :  kdx .
aP
a
Après intégration des deux membres, on a successivement : a
dP
 a  P  k  dx  C P0
–ln (a – P) = kx + C 0
ln (a – P) = – kx + C (car –C est toujours une constance C).
En faisant intervenir le logarithme népérien e, cette dernière devient :
eln (a – P) = e- kx + C ou (a – P) = C e- kx
P = a – C e- kx (Solution générale)
Si a = 0, P = P0. La solution générale devient P0 = a – C e0. D’où, C = a – P0.
La solution définie est donc : P = a – (a – P0) C e- kx.
5.3.2 Equations différentielles homogènes

Rappelons que la fonction F(x, y) est dite homogène de degré n par rapport aux variables x
et y si, pour tout k, on a:
F(kx, ky) = kn F(x, y) (5.13)
89
où k est une constante quelconque.

Ceci veut dire qu'en remplaçant dans F(x, y) x et y par kx et ky respectivement, on
retrouve l'expression de départ F(x, y) après avoir mis kn en évidence.
Exemple 5.5 : F(x, y) = 3

x 3 + y 3 est homogène de degré 1,
car F(kx, ky) = 3

(kx)3 + (ky)3 = 3 k 3 (x 3 + y 3 ) = k 3 x 3 + y 3 = k F(x, y).
Exemple 5.6 : La fonction F(x, y) = [y + x 2 + y 2 – x] est homogène de degré 1 car
F(kx, ky) = ky + (kx)2 + (ky)2  kx = k(y + x 2 + y 2  x) = k F(x, y)
Exemple 5.7 : La fonction F(x, y) = xy – y² est homogène du second degré.

En effet, F(kx, ky) = (kx)(ky) – (ky)² = k² xy – k²y² = k²(xy – y²) = k²(F(x, y)
L'équation différentielle du premier ordre M(x, y) dx + N(x, y) dy = 0 est dite homogène

 y
si, lorsque résoluble en y', il existe une fonction R telle que f(x, y) puisse s'écrire comme R  .
 x
Exemple 5.8 : l'équation différentielle (x² – 3y²) dx + 2xy dy = 0 est homogène. En effet,
dy 3y 2  x 2
lorsqu'elle est résoluble par rapport à la dérivée y', elle devient = .
dx 2xy
 
3y 2  x 2 3y x 3  y  1  1 
Observons que le membre droit peut s'écrire comme =  =  
2xy 2x 2y 2  x  2  y 
 
x
 
dy 3  y  1  1 
Il s’ensuit que =  
dx 2  x  2  y 
 
x
dy  y
Et le membre droit est bel bien de la forme  R  pour une certaine fonction R.
dx x
De même l'équation y x2 + y2  dx – x dy de l'exemple (7.6) est homogène car,
dy y + (x 2 + y 2 )
lorsque résoluble en y', elle devient = . Et le membre droit de cette dernière
dx x
y (x 2 + y 2 ) y  y
peut, selon le signe de x, s'écrire comme  ou  1+  
x x 2 x  x
dy  y
C'est donc de la forme  R  .
dx x
Supposons maintenant que les fonctions M et N de l'équation différentielle
M(x, y) dx + N(x, y) dy = 0
90
sont toutes les deux homogènes de même degré n. Dans ce cas, puisque M(kx, ky) = knM(x, y), si
nous posons k = 1/x, nous avons :
n
1 1  1
M  . x, . y  =   M(x, y)
x x   x
Cette expression peut simplement s'écrire comme suit:
n
 y 1
M 1,  =   M(x, y)
 x  x
-n
1  y
Il s'ensuit que M(x, y) =   M 1, .
 x  x
-n
1  y
De la même manière, nous obtenons N(x, y)=   N 1,  .
 x  x
Si l'équation différentielle (5.8) supposée à présent homogène est mise sous la forme
dy M(x, y)
= , (5.14)
dx N(x, y)
nous obtenons :
n
1  y  y
  M 1,  M 1, 
=   n 
x
= 
dy x x
(5.15)
dx 1  y  y
  N 1,  N 1, 
 x  x  x
 y
Il est clair que l'expression dans le membre extrême droit est de la forme R  . Nous concluons
 x
que si M et N dans (5.8) sont toutes deux des fonctions homogènes de même degré n, alors
l'équation (5.8) est une équation différentielle homogène.
On observera que dans l'expression (5.14), le membre droit est une fonction homogène de
degré 0.
Nous montrons dans les lignes qui suivent que chaque équation différentielle homogène
peut se réduire à une équation différentielle séparable en démontrant le théorème ci-après.
Théorème 5.1 : Si M(x, y) dx + N(x, y) dy = 0 est une équation différentielle homogène, alors le
changement des variables y = vx la transforme en une équation différentielle séparable en les
variables v et x.
En effet, puisque M(x, y) dx + N(x, y) dy = 0 est homogène, nous savons qu’elle peut
dy  y
s'écrire sous la forme = R  .
dx  x
Posons y = vx. Alors
91
dy dv
= v+ x (5.16)
dx dx
dv
et (5.15) devient v + x = R(v)
dx
ou
[v – R(v)] dx + x dv = 0 (5.17)
Cette dernière équation est à variables séparables. En effet, on peut séparer les variables en
divisant les deux termes par x[v – R(v)]. Dans ce cas, nous obtenons :
dv dx
+ =0 (5.18)
v  R(v) x
Ainsi, pour résoudre une équation différentielle homogène de la forme (5.8), nous posons y = vx
et transformons l'équation homogène en une équation séparable de la forme (5.18). Nous aurons
donc, en intégrant :
dv dx
 v  R(v) +  x = C (5.19)
où C est la constante arbitraire.

dv
En posant F(v) =  v  R(v) et revenant à la variable dépendante de départ, la solution
prend la forme
 y
F   + ln|x|= C (5.20)
 x
Remarques.
1. On peut aussi poser x = vy au lieu de y = vx. On aura dans ce cas la différentielle de x et
(5.16) deviendra :
dx dv
= v+y (5.16')
dy dy
où v = x/y, tandis que la relation (7.17) sera remplacée par l’expression
[v – R(v)]dy + y dv = 0 (5.17')
2. M(x, y) dx + N(x, y) dy = 0 ne sera homogène que si M(x, y) et N(x, y) sont des
fonctions homogènes du même degré. Ceci résulte du fait que le rapport de deux fonctions
homogènes d'un seul et même degré est une fonction homogène de degré zéro.
Exemple 5.9 :
La relation entre le revenu (R) et la quantité demandée (q) est telle que le taux d'accroissement
du revenu lorsque la quantité demandée augmente est égal à deux fois le cube du revenu moins
le cube de la quantité demandée, le tout divisé par trois fois le produit de la quantité demandée
et du carré du revenu. Trouver ladite relation sachant que R = 0 lorsque q = 10.
Solution :
Soit l'équation différentielle :
92
dR 2 R 3  q 3
= (a)
dq 3qR2
Posons R = vq, il s’ensuit que
dR dv
=v+q (b)
dq dq
Puisque les membres de gauche des relations (a) et (b) sont identiques, on peut aussi égaler ceux
de droite sachant que R = vq. Nous avons donc :
v+q
dv
= = =

2(vq) 3  q 3 2v 3 q 3  q 3 q 3 2v 3  1  (c)
dq 3q (vq) 2 3v 2 q 3 q 3 3v 2
La relation (c) peut encore s’écrire comme :
v+q
dv
=

2v 3  1  (d)
dq 3v 2
ou
q
dv
=

2v 3  1


v =
2v 3  1  3v 3  1  v 3  (v 3  1)
= = (e)
dq 3v 2 3v 2 3v 2 3v 2
soit
dv  (v 3  1)
q = (f)
dq 3v 2
 3v 2 
Séparons les variables en divisant par q, puis en multipliant par dq  3  les deux membres de
 v  1 
(f). Il vient :
3v 2 dq
dv  0 (g)
v 1
3
q
Et par intégration de deux membres de (g), nous trouvons :
3v 2 dq
 v 3  1 dv   q  C
ln (v3 + 1) + ln q = C
ln(v31) ln q
e e  ln C
(v3 + 1) q = C
En substituant v = R/q, on obtient l'intégrale générale de l'équation initiale :
 R3 
 3  1 q  C
q 
 R3  q3 
 3
 q  C
 q 
 R3  q3 
 2
  C
 q 
93
(R3 + q3) = C q2
R3 = Cq2 – q3
R= 3
Cq 2  q 3 (Solution générale)
Si q = 10, R = 0. D’où, 0 = 3
q 2 (C  q ) = 3 100 C  1000) . L’égalité tient Ssi C = 10. Ainsi,
R = 3 10 q 2  q 3 (Solution spécifique).
Autre méthode :
La solution précédente peut aussi s’obtenir en écrivant (a) sous la forme :
3qR2 dR + (q3 – 2 R3) dq = 0
En portant R = vq et dR = v d q + q d v dans cette dernière, on obtient :
3 q v2q2 [v dq + q dv] + q3 dq – 2 v3q3 dq = 0
3 v3q3 dq + 3q4 v2 dv + q3 dq – 2 v3q3 dq = 0
v3q3 dq + 3q4 v2 dv + q3 dq = 0
(v3 + 1) q3 dq + 3q4 v2 dv = 0
Cette équation est à variables séparables. Séparons les variables en divisant les deux membres par
q4( v3 + 1). Il vient :
dq 3v 2
 3 dv  0
q v 1
Cette relation est la même que celle obtenue dans (g) ci-haut. Il suffira de poursuivre les
opérations suivant la procédure donnée précédemment.
Exemple 5.10 : Résoudre (y² – xy) dx + x²dy = 0.
Solution :
L'équation est homogène de degré 2. En posant y = vx, dy = v dx + x dv, l'équation différentielle
devient :
[(vx)² – x vx]dx + x²(v dx + x dv) = [v²x² – v x²]dx + x² v dx + x³ dv = 0
v²x² dx – v x² dx + x² v dx + x³ dv = 0
v² x² dx + x³ dv = 0
Cette dernière équation est une équation à variables séparables. Sa solution s'obtient en
appliquant la technique vue au paragraphe précédent. Séparons les variables en divisant les deux
membres par v²x³. Nous obtenons :
v2 x2 x3
dx + 2 3 dv = 0
v 2 x3 v x
dx 1
=  2 dv  0
x v
Intégrons les deux termes pour obtenir :
1
ln x – = C
v
Si nous remplaçons v par y/x, nous avons successivement :
94
x
ln x – =C
y
y ln x – x = C y
y (ln x – C) = x
x
y
ln x  C
5.3.3. Equations différentielles exactes ou équations aux différentielles totales.
5.3.3.1 Définition
Soit F une fonction de deux variables réelles (x, y) telles que F possède des dérivées
partielles premières continues dans un domaine D.
La différentielle totale dF de la fonction F est définie par la formule :
F(x, y) F(x, y)
dF(x, y) = dx + dy (5.21)
x Y
pour tout (x, y)  D.
F(x, y) F(x, y)
Si M(x, y) = et N(x, y) = , cette dernière devient :
x y
dF(x, y)= M ( x, y) dx + N ( x, y) dy .
Comme M(x, y) et N(x, y) sont des dérivées partielles, cette équation est qualifiée d’équation
différentielle partielle.
Exemple 5.12 : Soit F la fonction de deux variables réelles définie par F(x, y) = xy² + 2x³y, pour
tout réel (x, y). Alors
F(x, y) F(x, y)
= y 2 + 6x2 y et = 2xy + 2x3
x Y
Tandis que la différentielle totale dF est définie par
dF (x, y) = (y² + 6 x²y) dx + (2xy + 2x³) dy
pour tout réel (x, y).
Si l’équation différentielle partielle est supposée égale à 0, alors l'expression
M(x, y) dx + N(x, y) dy = 0
est appelée équation différentielle exacte ou équation aux différentielles totales parce que le
membre de gauche est rigoureusement égal à la différentielle de la fonction primitive F(x, y). En
d'autres termes, l'expression (4.8) est une différentielle exacte dans D s'il existe une fonction F
f(x, y) f(x, y)
telle que M(x, y) = et N(x, y) = pour tout (x, y)  D.
x y
Exemple 5.13 : L'équation différentielle

y² dx + 2xy dy = 0 (5.22)
est une équation différentielle exacte puisque y² dx + 2xy dy est la différentielle totale de la
95
fonction F définie pour tout (x, y) par F(x, y) = xy².

En effet, le coefficient de dx est F(x, y)/x = y² tandis que celui de dy est F(x, y)/y = 2xy.
Mais l'équation
y dx + 2x dy = 0 (5.23)
obtenue en divisant tous les termes de (4.22) par y n'est pas exacte.
Il existe un test très simple permettant de déterminer si une équation différentielle donnée
est exacte ou non. Il est donné par le théorème suivant :
Théorème 5.2 : Considérons l'équation différentielle

M(x, y) dx + N(x, y) dy = 0 (5.8)
où M et N ont des dérivées partielles premières continues aux points (x, y) dans un domaine
rectangulaire D.
1. Si l'équation différentielle (4.8) est exacte dans D, alors
M(x, y) N(x, y)
= (5.24)
y x
pour tout (x, y)  D.
2 F(x, y) 2 F(x, y)
ou si = (5.24')
xy yx
d'après la théorie de Young.

M(x, y) N(x, y)
2. Inversement, si =
y x
pour tout (x, y)  D, alors l'équation différentielle (6.8) est exacte dans D..
5.3.3.2 Solution d'une équation différentielle exacte

Si une équation différentielle de la forme M(x, y) dx + N(x, y) dy = 0 est exacte, sa
solution générale peut s'obtenir en procédant comme suit :
Première étape :
F(x, y)
Comme , intégrer partiellement M(x, y) par rapport à x, tout en remplaçant la
x
constante d'intégration par une fonction inconnue Z(y) de y.
F(x, y) = M(x, y) dx + Z(y) (5.25)
En posant M(x, y) dx = G(x, y), la relation (7.25) devient:
F(x, y) = G(x, y) + Z(y) (5.25')
96
En fait, la nouvelle fonction Z(y) est ajoutée ici pour tous les termes en y supplémentaires qui
auraient été éliminés dans la différentiation initiale par rapport à x.
Deuxième étape :
Dérivons par rapport à y l'expression G(x, y) + Z(y) obtenue dans la première étape et
comparons le résultat avec le N(x, y) =  F(x, y)/ y de l'équation différentielle à résoudre.
En procédant de la sorte, nous arriverons à trouver Z(y)/y = Z'(y). En effet,
G Z ( y ) F
   N ( x, y )
y y y
Donc :
Z ( y ) G
Z ' ( y)   N ( x, y )  (5.26)
y y
Troisième étape :
Intégrer Z'(y) par rapport à y afin d'obtenir Z(y).
Z ( y )  G 
Z ( y)   dy    N ( x, y )   dy (5.27)
y  y 
(La constante peut être omise puisqu'elle sera introduite dans la dernière étape).
Quatrième et dernière étape :
La prise en compte de la première et la troisième étape nous donne la solution ci-après :
F(x, y) = G(x, y) + Z(y) = C (5.28)
Il est possible d'obtenir la même solution en commençant par intégrer par rapport à y, la
variable x étant momentanément supposée constante.
On peut aisément démontrer que la solution d'une équation différentielle exacte s'obtient
directement par la formule ci-après :
   M(x, y) dx 
F(x, y) =  M(x, y) dx +   N(x, y)   dy = C (5.29)
 y 
Exemple 5.14 :
La variation du prix, p suite à une variation de la quantité demandée q d'un bien particulier est
dp  2qp + 24q 
donnée par =   2

dq  q + 16 
Trouver la relation entre le prix et la quantité demandée sachant que le prix est fixé à 7,5 quand
la quantité demandée est égale à 4 unités.
Solution :
Commençons par écrire cette équation sous la forme (4.8) pour obtenir l’équation
(2pq + 24q) dq + (q² + 16) dp = 0. Posons M(q, p) = 2pq + 24q et N(q, p) = q² + 16. Il est clair
97
M ( p, q) N ( p, q)
que = 2q = . Donc il s'agit bel et bien d'une équation différentielle exacte.
p q
Pour obtenir sa solution, nous appliquons la procédure développée plus haut.
a) Par la relation (4.25) nous avons : F(p, q) =  ( 2pq + 24q) dq + Z(p) = pq2 + 12q² + Z(p)
F
b) Dérivons ce résultat par rapport à p pour obtenir  q 2  Z ' ( p)
p
c) Ensuite, égalisant cela à N(p, q) = q² + 16, nous trouvons que Z'(p) = 16
d) Intégrons ce dernier résultat. Nous obtenons Z(p) =  16 dp = 16p.
(La constante peut être omise).
e) Enfin, en combinant les résultats précédents, nous obtenons la forme complète de la solution
générale F(p, q) = pq2 + 12q² + 16p = C.
Si p = 7,5 lorsque q = 4, cette solution devient 120 + 192 + 120 = C. D’où, C = 432.
Ainsi F(p, q) = q2p + 12q² + 16p – 432 est la solution spécifique pour q = 4, p = 7,5.
53.3.3 Facteur intégrant.
Toutes les équations différentielles ne sont pas exactes. Cependant quelques-unes peuvent
le devenir en multipliant chaque terme de ces équations par un facteur commun appelé facteur
intégrant ou facteur d'intégration puisque c'est un multiplicateur qui permet que l'équation soit
intégrée.
D'une manière générale, la détermination d'un facteur intégrant d'une équation
différentielle peut ne pas être une chose aisée; mais on peut démontrer que toute équation linéaire
différentielle du premier ordre a un facteur intégrant.
Pour obtenir le facteur intégrant d'une équation différentielle non exacte, il suffit
d'appliquer l’une des règles suivantes :
1   M (x, y)  N ( x, y ) 
Règle 1. Si    = f(x) seule, (5.29)
N (x, y)  y x 
alors le facteur intégrant est obtenu par l'expression e 

f ( x) d x
.
1   N (x, y)  M ( x, y ) 
Règle 2. Si    = g(y) seule, (5.30)
M (x, y)   x y 
alors le facteur intégrant est obtenu par l'expression e 

g ( y) d y
.
Une fois rendue exacte, l'équation donnée peut être résolue comme telle. Cependant, pour vérifier
le résultat d’un problème dans lequel un facteur intégrant a été utilisé, il suffit de prendre la
différentielle du résultat et de le diviser par le facteur intégrant.
Exemple 5.15 :
98
Vérifiez si l'équation différentielle 5 xy dx + (5x2 + 8 y) dy = 0 est ou non exacte.

Réponse :
Vérifions si elle est exacte. Posons M = F/x = 5 xy et N = F/y = 5x2 + 8 y. Dans ce cas,
M /y = 3x et N/x = 10 x. Donc : Cette équation n'est pas exacte. Elle peut cependant le
devenir si on multipliait chacun de ses termes par un facteur intégrant, lequel s'obtient en
appliquant une des règles ci-haut.
Selon la règle 1, on a : 2
1
5 x  10x = 2 5x
5x + 8y 5x + 8y
Puisque le résultat n'est pas une fonction de x seule, cette règle ne peut nous fournir un facteur
intégrant.
En appliquant la règle 2, nous avons :

1
10x  5 x= 5x = 1 qui est une fonction de y
5xy 5xy y
seulement. Donc, le facteur intégrant est l'exponentielle de l'intégrale de g(y) par rapport à y, soit :
1

F .I  e 
g ( y ) dy dy
e y  eln y  y
Lorsque l'on multiplie l'équation 5 xy dx + (5x2 + 8y)dy = 0 par le facteur intégrant y, on obtient
5 xy2 dx + (5x2y + 8y2)dy = 0 qui est exacte car M/y = 10 xy = N/x. On peut alors la
résoudre en utilisant la procédure développée plus haut.
5.3.4. Equations différentielles linéaires du premier ordre.
Par définition, une équation différentielle linéaire du premier ordre ne peut contenir de
produits, ni de puissances de y ou y'. Elle prend généralement la forme suivante :
dy
F(x) + G(x) y = H(x) (5.31)
dx
dy
où G(x) et H(x) sont deux fonctions de x, comme l'est y. Contrairement à et y, il n'y a aucune
dx
restriction sur la variable indépendante x.
Si nous divisons cette équation par F(x), nous obtenons :
dy
+ v(x) y = z(x) (5.32)
dx
où v(x) = G(x)/F(x) et z(x) = H(x)/F(x).
Les fonctions v(x) et z(x) peuvent représenter des expressions telles que x² et ex ou n'importe
quelle fonction de x.
Lorsque v(x) et z(x) sont des constantes, la relation (4.32) devient un cas spécial des
équations différentielles du premier ordre. Ce type spécial d'équations différentielles fait l'objet du
prochain paragraphe.
5.3.4.1. Equations différentielles linéaires d’ordre 1 à coefficients et à second membre
constants.
99
L'expression générale de ces équations est

dy
+ ay = b (5.33)
dx
5.3.4.1.1 Cas où b = 0 (Equation homogène ou équation sans second membre).
Si a et b sont des constantes et que b est égal à zéro, la relation (4.33) s'écrira :
dy
+ ay = 0 (5.34)
dx
La relation (5.34) peut encore s'écrire de la manière suivante:
1 dy
=a (5.34')
y dx
Si nous intégrons les deux membres de (4.34') par rapport à x, nous obtenons
1 dy dy
 dx =   adx =  =   adx
y dx y
ln y + c1 = ax + c2
Nous pouvons aussi écrire ln y = – ax + C
où C est la combinaison de deux constantes C1 et C2.
En recourant au logarithme népérien e, cette dernière peut encore s’écrire comme suit :
eln y = e(-ax + C)
D'où
y = e-ax.eC = C e-ax si C = eC
Ainsi :
y(x) = C e-ax (5.35)
est une solution générale de (5.34) ou (5.34') avec C comme constante arbitraire.
Lorsque l'on attribue à C une valeur spécifique quelconque, on obtient une solution
particulière de (5.34). Il existe un nombre infini de solutions particulières; une pour chaque valeur
possible de C, y compris la valeur y(0).
Pour x = 0 comme condition initiale, la solution devient :
y(x) = y(0)e-ax (5.36)
La relation (4.36) sera alors la solution particulière de (5.35).
Exemple 5.16 :
Considérons un modèle de détermination du revenu à deux secteurs où le revenu change à un taux

dY (t )   
proportionnel à la demande excédentaire (C + I – Y). Soit  a (C  I  Y ) , ce modèle avec
dt
      
C (t) = g Y (t), I (t) = b Y (t), 0 < a, b, g < 1 et où C , I et Y désignent les écarts de la
consommation, de l’investissement et du revenu par rapport à leurs valeurs d’équilibre Ce, Ie et

Ye respectivement (par exemple, C = C(t) – Ce). Trouver le cheminement du revenu Y(t).
100
Solution :
En portant les deux dernières équations dans la première, nous obtenons une équation

dY (t ) 
différentielle linéaire homogène d’ordre 1 de la forme  a ( g  b  1) Y  0 .
dt
 a (g + b – 1) t
Donc Y = C e (solution générale).

Quand t = 0, Y = Y(0) – Ye = C. Après remplacement dans la solution générale, nous avons :
  
Y = [Y(0) – Ye] ea (g + b – 1) t . Comme Y = Y(t) – Ye, donc Y(t) = Ye + Y . Alors, la solution
définie devient : Y(t) = Ye + [Y(0) – Ye] ea (g + b – 1) t .
5.3.4.1.2. Cas où l'équation est non homogène ou avec second membre
Si le terme constant b est différent de zéro, nous retrouvons la relation (5.33). Sa solution
générale sera la somme de la fonction complémentaire (Yc) et de l'intégrale ou solution
particulière (Yp), c’est-à-dire, Y(x) = Yc + Yp.
Yc est en fait la solution de l'équation homogène correspondante, c'est-à-dire lorsque b = 0
(relation 5.34). Cette solution est déjà obtenue dans la relation (5.35).
Pour calculer Yp, on procède de la manière suivante :
Puisque Yp est par définition n'importe quelle solution particulière de l'équation complète,
nous commençons par proposer une solution la plus simple, notamment, y = k (une constante).
dy b
Si y est une constante, alors = 0 et (7.33) devient simplement ay = b et y = .
dx a
Donc, l'intégrale particulière Yp sera obtenue par la formule
b
Yp = (5.36)
a
pourvu que a soit différent de zéro.
Lorsque a et b sont différents de zéro, la solution générale de (4.33) est donnée par :
b
Y(x) = C e-ax + (5.37)
a
où C est une constante arbitraire qui peut être définie moyennant une condition initiale.
Supposons que Y prenne la valeur de Y(0) lorsque x = 0 ; alors, en posant x = 0 dans
(5.37), nous obtenons :
b b
Y(0) = C + et C = Y(0) –
a a
b b
Y(x) = [Y(0) – ]e-ax + (5.38)
a a
sera la solution particulière de (4.33) si a  0.
Dans le cas où a est égal à zéro, la solution proposée (y = k) ne conviendrait plus car
b dy
Yp = donnera une solution indéfinie. Si a = 0, (4.33) devient = b. Il faut alors essayer une
a dx
autre solution non constante.
101
Considérons le type le plus simple possible de cette dernière, notamment y = kx. Dans ce
dy dy
cas, = k et l'équation complète = b s'écrira k = b
dx dx
Ainsi, si a = 0, la solution particulière sera obtenue par la formule
Yp = bx (5.39)
et la solution générale sera donnée par :
Y(x) = C + bx (5.40)
Nous verrons plus loin que Yp représente le niveau d'équilibre intertemporel, tandis
que Yc est l'éloignement du cheminement (sentier) temporel du niveau d'équilibre.
Exemple 5.17 :
Soit un modèle du marché à un bien où le taux de variation est une fonction linéaire positive de
dp
la demande excédentaire de la forme = (qdt – qst), avec  = 0,5 qdt = 86 – 0,8 pt,, qst = –10
dt
+ 0,2 pt . Trouvez le prix d’équilibre et le sentier temporel du prix P(t) si P(0) = 100.
Solution :
dp
Après substitution, on obtient l’équation différentielle + 0,5 pt = 48.
dt
b
Ici, b = 48 et a = 0,5 (a ≠ 0). Le prix d’équilibre est donc, par (5.36), Pp = = 48/0,5 = 96.
a
Utilisons la relation (5.37) pour obtenir la solution générale: P(t) = C e-0,5 t + 96.
Quand t = 0, P(t) = 100. La condition initiale étant donnée, le sentier temporel est alors :
P(t) = 4 e-0,5 t + 96.
5.3.4.2. Equations différentielles linéaires du premier ordre à coefficients et à second

membre variables.
Rappelons que l'expression générale de cette équation est :
dy
+ v (x) y = z(x) (5.32)
dx
5.3.4.2.1. Cas homogène
Lorsque z(x) = 0, la solution est facile à obtenir. En effet, puisque l'équation
différentielle est de la forme
dy
+ v (x) y = 0 (5.41)
dx
ou
1 dy
=  v(x) (5.41')
y dx
Séparons les variables en multipliant les deux membres par dx. Il vient :
102
dy
=  v(x)dx
y
Après intégration de deux membres de l'équation, nous obtenons :
dy
 =   v(x)d(x) + C
y
ln y = –  v(x) dx + C
eln y = e–vdx eC
Si C = eC, alors
y(x) = C e–v(x)dx (5.42)
(5.40) est la solution générale de l'équation (5.32). La seule différence de (5.42) par rapport à
(5.35) est que l'expression e–ax est remplacée par e–vdx.
dy
Exemple 5.18 : Résoudre l'équation + xy = 0.
dx
Solution :
v(x) = x et z(x) = 0. En appliquant la relation (4.42), nous obtenons :
y(x) = Ce–v(x) dx = C e–x²/2.
5.3.4.2.2 Cas non homogène
Rappelons une fois de plus qu'une équation différentielle linéaire non homogène est de
la forme :
dy
+ v(x)y = Z(x) (5.32)
dx
Ecrivons-la sous la forme générale M(x, y) dx + N(x, y) dy = 0. Elle devient :
[ v(x) y – Z(x) ] dx + dy = 0 (5.43)
Vérifions si cette dernière est une équation différentielle exacte. Commençons par poser
M (x, y) = v (x) y – Z(x) et N (x, y) = 1, et procédons ensuite au test en vérifiant la relation
M ( x, y ) N ( x, y )
(4.24). La dérivée partielle  v( x) étant différente de la dérivée  0 , nous
y x
concluons que l’équation (5.43) n’est pas exacte. Mais, étant donné que le produit
1  M ( x, y ) N ( x, y )  v( x)  0
    v( x) dépend de la seule variable x, alors, en vertu
N ( x, y )  y x  1
de la règle 1 (5.29), e 
v ( x ) dx
est un facteur intégrant. Multiplions l’équation de départ (5.32) par ce
facteur. Cette dernière devient :
v ( x ) dx  dy 
e  dx  v( x) y   Z ( x) e
 v ( x ) dx (5.44)
 
Le membre de gauche de cette dernière équation a maintenant la forme :
103
d   v ( x ) dx 
e y (5.45)
dx  
tandis que toute l'équation (5.44) peut s'écrire
d   v( x)dx 
y   Z ( x )e 
v( x)dx
 e . (5.46)
dx  
L'intégration de deux membres par rapport à x donne
e y   Z ( x )e 
v( x)dx v( x)dx
dx  C (5.47)
En pré-multipliant les deux membres par e 

 v ( x ) dx
, on a :
y(x)= e v(x)dx  e v(x)dx z(x)dx + C  . (4.48)

 
C'est la formule de la solution générale de l'équation (5.32). Elle est la somme de la
fonction complémentaire Yc et de l'intégrale (ou solution) particulière Yp avec :
y p = e  v(x)dx  e v(x)dx z(x)dx (5.49)

et
yc = e v(x)dx C (5.50)
Du point de vue économique, Yp est le niveau d'équilibre intertemporel, tandis que Yc est
l'écart par rapport à l'équilibre.
Pour que y(x) soit dynamiquement stable, il faut que Yc s'approche de 0 à mesure que x
tend vers l'infini, ou que y(x) tende vers Yp quand x tend vers l'infini. Cela suppose que le
coefficient de l'exposant du terme exponentiel doit être négatif.
dy 1
Exemple 5.19a : Résoudre l'équation + y= x
dx x
Solution : v(x) = 1/x et z(x) = x. Par la relation (4.48) nous obtenons :
y(x)= e v(x)dx  e v(x)dx z(x)dx + C  .

 
–ln x ln x
=e [xe dx + C]
–ln x
=e [x² dx + C] = x–1 [C + x³/3]
x2 C
= +
3 x
Il n’est pas rare de trouver une équation différentielle linéaire non homogène de la forme :
dx
+ v(y)x = Z(y) (5.32)
dy
Ayant pour facteur intégrant l’expression e 

v ( y ) dy
, sa solution générale est obtenue par la formule :
104
x(y)= e v(y)dy  e v(y)dy z(y)dy + C  . (5.48)

 
dx
Exemple 5.19b : Résoudre l'équation y  2 ye3 y + x(3 y  2)
dy
Solution :
En divisant les deux membres de l’équation par y en arrangeant les termes, on obtient :
dx  3y  2 
 x    2e 3 y
dy  y 
3y  2
v(x) = et z(x) = 2e 3 y . Par la relation (4.48) nous obtenons :
y
x(y)= e v(y)dy  e v(y)dy z(y)dy + C 

 
= e [(3 y2) / y]dy  e [(3 y2) / y]dy 2e dy + C  .

3y
 
 e 3y   
=e3 y y 2   2 e
3y
dy + C  = e3 y y 2  2 dy + C  = e3 y y 2  2 y  2 dy + C 
 y2   y 2   
 
 2 
= e3 y y 2  + C  =  2 e3 y y  C e3 y y 2 = y e3 y [Cy  2]
 y 
5.3.5 Equations différentielles non linéaires d'ordre 1 pouvant se ramener aux équations linéaires
Certaines équations différentielles d’ordre 1 ne sont pas linéaires. Cependant, elles peuvent le devenir
moyennant quelques opérations élémentaires. Il s’agit notamment des équations de Bernoulli, des
équations de Riccati13 de la forme :
dy
= A(x)y 2 + B(x)y + R(x) (5.49)
dx
ainsi que des équations de Clairaut14 de la forme :
dy  dy 
y = x +   (5.50)
dx  dx 
Seules les équations de Bernoulli sont présentées dans ce cours.
Considérons une équation différentielle de la forme
dy
+ v(x)y = Z(x) yn (4.51)
dx
où v(x) et z(x) sont des fonctions continues de x (ou des constantes) et n  0, n  1 (sinon on
aurait une équation linéaire).
Cette équation, appelée équation de Bernoulli15, se ramène à une équation linéaire par
13 Un mathématicien italien (1676 - 1754)

14 Alexis Claude Clairaut est un astronaute et mathématicien français (1713 – 1765).
15 Du nom du mathématicien Suisse Jacob Bernoulli (1654 - 1705).
105
la transformation suivante :
a. Divisons tous les termes de l'équation par yn. Il vient :
n dy + v(x) 1n = Z(x) (5.52)

y y
dx
b. Posons w = y1-n. En dérivant par rapport à x, cette dernière s'écrit
= ( 1  n) yn
dw dw dy dy
= (5.53)
dx dy dx dx
et (5.52) devient :
1 dw
+ v(x) w = Z(x) . (5.54)
1  n dx
c. Multiplions tous les termes de (5.74) par (1– n), nous obtenons:
dw
+ ( 1  n) v(x) w = ( 1  n) Z(x) (5.55)
dx
Posons v1(x) = (1 – n) v(x) et z1(x) = (1 – n) z(x). Alors (7.55) devient :
dw
+ v1 (x)w = Z 1 (x) (5.56)
dx
C'est une équation différentielle linéaire en la variable w dont la solution est donnée par la
formule ci-après :
 v ( x)dx   v ( x)dx 
w ( x) = e 1  e
1 z1 ( x) dx  C  (5.57)
 
On obtient la solution générale de l'équation de Bernoulli (4.57) en substituant à w son
expression y1-n. Ainsi, si, par exemple, n = 2, w = y1–2 = y–1. Pour obtenir y(x), on prendra
l'inverse de w(x). De même pour n = 3, w sera égal à y2. On reviendra à la variable y en
1
prenant l’inverse de la racine carrée de w(x). Si n = 4, y(x) = , ainsi de suite …
3 w( x )
Exemple 5.20 :
Le département de contrôle de coût d'une grande entreprise a trouvé que lorsque la taille de la
compagnie augmente, le coût mensuel moyen, y, de fournitures est relié à l’effectif, x,
d'employés par :
+ 2 y = y2 e  x
dy
dx
Exprimez y en fonction de x sachant que y = 3 lorsque x = 0
Solution :
C'est une équation de Bernoulli avec v(x) = 2, z(x) = e–x et n = 2.
Faisons la substitution w = y1–2 = y–1 = 1/y. L'équation différentielle se transforme alors
en équation linéaire de la forme :
106
 2w =  e  x
dw
dx
C'est une équation différentielle linéaire en w avec v1(x) = – 2 et z1(x) = –e-x.
Sa solution générale est donnée par la formule (4.57) :
w(x) = e 2dx  e 2dx ( e  x ) dx + C 

 
= e 2dx   e2 dx e  x dx + C  = e2 x   e2x e  x dx + C 
   
  1
3

= e2 x   e3 x dx + C = e2 x  e  3 x  C 

1 
=  e  x  Ce 2 x 
3 
1
Y(x) =
1 x
e  Ce 2 x
3
dy
Exemple 5.21 : Résoudre l'équation différentielle + y = x y3 .
dx
Solution :
C'est une équation de Bernoulli avec v(x) = 1, z(x) = x et n = 3.
Faisons la substitution w = y1–3 = y–2 = 1/y². L'équation différentielle se transforme
alors en équation linéaire de la forme :
dw
 2w =  2 x
dx
C'est une équation différentielle linéaire en w avec v1(x) = – 2 et z1(x) = –2x.
Sa solution générale est :

w(x) = e 2dx  e 2dx ( 2 x) dx + C  = e 2dx  2  e2 dx x dx + C
 

1
w(x) = e2x[–2e–2xx dx + C] = e2x[xe–2x + e–2x + C]
2
1
w(x) = x + + Ce2x
2
Faisons ensuite la substitution w = y–2. Nous obtenons :
1 1 1
2
= x + + Ce 2x  y2 = .
y 2 1 2x
x + + Ce
2
1
Ainsi, y = .
1 2x
x + + Ce
2
45.4 Equations différentielles linéaires d'ordre supérieur
107
Nous venons de voir dans les pages précédentes comment résoudre une équation
différentielle du premier ordre, une équation dans laquelle il n'existe pas de dérivées (ou
différentielles) d'ordre supérieur à 1. Mais il arrive souvent que la spécification d'un modèle
économique puisse entraîner l'utilisation des dérivées d'ordre supérieur ou égal à deux.
Nous parlons dans ce cas des équations différentielles linéaires d'ordre n dont la forme
générale est :
n n -1
d y d y dy
a0 (x) n
+ a 1 (x) n -1
+ ... + a n-1 (x) + a n (x)y = f(x) (5.58)
dx dx dx
Cette équation est d'ordre n (l’ordre de la dérivée la plus élevée de l'équation). Elle est
en plus linéaire car la variable dépendante y et toutes ses dérivées sont de degré 1 et il n'y a
aucun produit de y par y ni par ses dérivées successives.
Si f(x) = 0, l'équation (5.58) est dite homogène et s'écrit:
n n -1
d y d y dy
a0 (x)n
+ a 1 (x) n -1
+ ... + a n-1 (x) + a n (x)y = 0 (5.59)
dx dx dx
Cette dernière possède toujours n solutions linéairement indépendantes.
Si y1, y2, ... , yn sont les n solutions linéairement indépendantes, alors toute solution de
l'équation peut s'exprimer comme une combinaison linéaire :
C1y1 + C1y2 + ... + Cnyn.
(5.60)
de ces n solutions par un choix approprié des constantes arbitraires C1, C1, ... et Cn.
L'ensemble y1, y2, ... , yn est appelé ensemble fondamental des solutions de l'équation
(5.60). C'est aussi sa solution générale.
y1, y2, ... , yn étant des fonctions de x, le déterminant
y1 y 2 ... yn
y '1 y'2 ... y'n
W( y1 , y 2 ,..., y n ) = (5.61)
... ... ... ...
(n-1) (n-1)
y1 y2 ... y(nn-1)
où les primes désignent les dérivées,
est appelé le déterminant de Wronski ou le wronskien des fonctions données16.
Les n solutions y1, y2, ... , yn de l'équation différentielle linéaire homogène d'ordre n
(5.59) sont linéairement indépendantes sur l'intervalle a  x  b si et seulement si le wronskien
de y1, y2, ... , yn est différent de zéro pour quelques x sur cet intervalle.
Dans les lignes qui suivent, nous proposerons d'abord les méthodes de résolution des
16
Le wronskien est dû à Joseph Maria Hoëné Wronski (1776 – 1853) né en Pologne, mais qui a passé la
plus grande partie de sa vie en France.
108
équations différentielles d'ordre 2 à coefficients et à terme constants ainsi que celles dont le
second membre est fonction de x. Nous étendrons ensuite ces méthodes aux équations d'ordre
supérieur à 2.
5.4.1 Equations différentielles linéaires d'ordre 2 à coefficients et à second membre
constants (équations différentielles non homogènes)
Ces équations sont de la forme
2
d y  dy 
 f  x, y ,  (5.62)
 dx 
2
dx
où f est une fonction donnée, x est la variable indépendante et y la variable dépendante.
L’équation (4.62) est une équation linéaire si la fonction f est de la forme :
 dy  dy
f  x, y ,   b ( x )  p ( x )  v( x) y (5.62a)
 dx  dx
C’est-à-dire si f est linéaire en y et en y’.
Dans l’équation (5.62a), b, p et v sont des fonctions spécifiques de la variable indépendante x,
mais elles sont indépendantes de y. Ainsi (5.62) s’écrit habituellement sous la forme
2
d y dy
2
+ p ( x ) + v ( x ) y = b( x ) (5.62b)
dx dx
où les dérivées sont effectuées par rapport à x.
Au lieu de l’équation (5.62b), on trouve souvent l’équation
2
d y dy
P( x) 2
+ Q( x) + R ( x) y = B( x) (5.62c)
dx dx
Q( x) B( x) R( x)
Si P(x)  0, on peut obtenir l’équation (5.62b) où p(x) = , b(x) = et v(x) = .
P( x) P( x) P( x)
Rappelons qu’une équation (5.62) qui n’est pas de la forme (5.62b) ou (5.62c) est une
équation non linéaire, qui n’est pas traitée dans ce cours. Le lecteur intéressé peut consulter
l’ouvrage de Boyce et Diprima17.
Enfin, si dans (5.62c), P(x) = 1 et que p(x), v(x) et b(x) sont des constantes égales
respectivement à a1, a2 et b, cette dernière s’écrit comme
2
d y dy
2
+ a1 + a 2 y = b (5.62d)
dx dx
En utilisant les opérateurs différentiels D, l’équation (4.62d) peut aussi s'écrire comme
D²y + a1Dy + a2y = b (5.63)
où
17
Boyce, W. et Diprima R. C., Equations différentielles, Chenelière / Mc Graw-Hill., Montréal,
2001, pp. 163-165 et voir chapitre 8.
109
dy d 2 y 2
3
d y
Dy = , = D(Dy) = D y , et = D( D 2 y)= D3 y.
dx dx2 dx
3
La solution générale y(x) des équations (5.62d) est la somme de la fonction

complémentaire yc, c'est-à-dire, la solution de l'équation homogène associée et d'une solution
(ou intégrale) particulière yp.
5.4.1.1 Calcul de l'intégrale Yp
Puisque l'intégrale particulière est, par définition, n'importe quelle solution de (5.62d),
nous commençons par proposer la solution où y = k (une constante).
d2 y dy
Si y est une constante, 2
= = 0.
dx dx
b
Dans ce cas, (5.62d) devient a2y = b. D'où y = b/a2, c'est-à-dire, k = pourvu que a2 soit
a2
différent de zéro.
Ainsi,
b
Y p= (5.64)
a2
est l'intégrale particulière cherchée.
Si a2 = 0, la formule (5.64) ne convient plus. Nous proposons alors la solution de la
forme y = kx. Comme a2 = 0 (par hypothèse), la relation (4.62d) devient :
d2 y dy
2
+ a1 = b. (5.62e)
dx dx
y = kx implique que y' = k et y" = 0. Substituant ces dérivées successives (4.72a), cette
dernière équation devient :
b
a1k = b et k = , à condition que a2 = 0 et a1  0.
a1
Donc
b
Y p =   x (si a2 = 0 et a1  0) (5.65)
 a1 
Dans le cas où a2 = 0 et a1 = 0, la formule proposée précédemment ne convient plus. Nous
essayons alors une solution de la forme y = kx². Dans cette hypothèse, (4.62d) devient 2k = b
et
b
k = . D'où,
2
b 2
Y p = x (si a2 = 0 et a1 = 0) (5.66)
2
Exemple 5.24 : Trouver l'intégrale particulière des équations
110
2 2 2
d y dy d y d y dy
a. 2
+ =  10 , b. 2
=  10 et c. 2
+  2y =  10 .
dx dx dx dx dx
Réponse :
b
a). Puisque a2 = 0 et a1 = 1 ( 0), y p = x =  10x (par (5.65).)
a1
b 2 10 2
b). a1 = a2 = 0, par (5.66), Y p = x = x =  5x 2 . .
2 2
 10
c). a2 = –2 ( 0) et b = –10, par (5.64), yp = = 5.
2
5.4.1.2 Calcul de Yc
Rappelons que la fonction complémentaire est la solution de l'équation homogène
associée, c'est-à-dire, celle de l'équation sans second membre.
Considérons l'équation différentielle linéaire de la forme :
2
d y dy
2
+ a1 + a 2 y = 0 (5.67)
dx dx
Une solution particulière de cette équation est donnée par
y = Cerx. (5.68)
avec Cer x  0 par hypothèse.
Dérivons l'expression (5.68) par rapport à x. Nous obtenons :
2
dy d y
= rC e rx et 2
= r 2C e rx .
dx dx
Substituons ces deux dérivées dans (5.67). Cette dernière devient :
r 2C erx + a1 rC erx + a2 Ce rx = 0
ou
rx 2

Ce r + a1 r + a2 = 0  (5.69)
Comme C erx est différent de 0, pour que (5.69) s'annule, on doit avoir
r 2

+ a1 r + a2 = 0 (5.70)
L'équation (5.70) est appelée équation caractéristique de (5.67). Ses racines seront appelées
racines caractéristiques.
L'équation caractéristique est une équation du second degré dont les racines
s'obtiennent par la formule
 a1  a12  4 a2
r1 , r2 = (5.71)
2
On peut vérifier que la somme de r1 et r2 est égale à – a1, tandis que leur produit est égal à a2.
Selon que  = a12  4a2 est positif, négatif ou nul, trois cas suivants peuvent se présenter :
111
a.  = a12  4a2 > 0 : r1 et r2 sont des nombres réels distincts (r1  r2), cas où a1² > 4a2 ;
b.  = a12  4a2 = 0 : r1 et r2 sont des nombres réels égaux (r1 = r2), cas où a1² = 4a2 ;
c.  = a12  4a2 < 0 : r1 et r2 sont des nombres complexes (r1  r2), cas où a1²  4a2.
a.  > 0 : Les racines de l'équation caractéristique sont réelles et distinctes : r1  r2.

rx
On aura pour solutions particulières y1= e 1 et y 2 = er2 x .
rx
= e(r2  r1) n’est pas
y2 e 1
Ces solutions sont linéairement indépendantes car leur rapport =
y1 rx
e1
constant.
De plus, comme vu précédemment, le wronskien défini par la relation
y1 y2 r1x r x
e 2
(r  r ) x
W( y1 , y 2 ) = = y1 y' 2  y'1 y2 = e
r1x r x = (r2  r1 )e 1 2
y '1 y ' 2 r1 e r2 e 2
ne s’annule pas pour toute valeur réelle de x, la racine r1 étant différente de r2.
La solution générale de l’équation homogène (fonction complémentaire) s'écrit, par
conséquent,
y c = C1 er1 x + C 2 er 2 x (5.72)
Si y1 et y2 sont deux solutions à l’équation différentielle d’ordre 2 de la forme

y’’ + a1(x)y’ + a2(x)y = 0
où les fonctions a1 et a2 sont continues dans l’intervalle ouvert I, alors le wroskien W(y1, y2)(x)
peut être aussi obtenu par la formule d’Abel suivante :
W(y1, y2) (x) = C 
 a1 ( x ) dx
où C est une constante qui peut dépendre de y1 et de y2, mais non de x. De plus, W(y1, y2) (x)
est soit nul, quel que soit x dans I (si C = 0), soit non nul quel que soit x dans I.
a1
b.  = 0 : L'équation caractéristique admet une racine réelle double r = r1 = r2 = 
2
Si a1² = 4a2, on obtient une solution particulière y1 = er1 x en vertu des raisonnements
précédents. Il faut trouver une solution particulière linéairement indépendante de la première (la
fonction y 2 = er2 x est identiquement égale à y1 = er1 x et ne peut être considérée comme une
seconde solution particulière).
En effet, sachant que la solution générale (fonction complémentaire yc) est la somme de
y1 et y2, nous obtenons :
yc = C1 e rx + C 2 erx
112
y c = erx ( C 1 + C 2 ) = C erx
Nous prendrons donc pour seconde solution la fonction y 2 = x erx . Cette solution est linéairement
indépendante de la première, étant donné que y2/y1 = x ≠ constante. On prendra donc pour
intégrale générale la fonction
y c = C1 er x + C 2 x er x = er x ( C1 + C 2 x) (5.73)
c.  < 0 : Les racines de l'équation caractéristique sont complexes : r1  r2.
Si a1² < 4a2, l'expression de la racine carrée dans (4.71) peut s'écrire comme
a1  4 a2 = 4a2  a1 .  1 = 4 a2  a1 .i
2 2 2
si bien que (4.77) devienne

 a1  4 a 2  a12 i
r1 , r2 = (5.71')
2
a1 (4 a 2  a12 )
Posons h =  et v = . Alors les racines de l'équation caractéristique sont des
2 2
nombres complexes conjugués de la forme
r1 = h + vi et r2 = h – vi (5.71")
Ces deux nombres sont dits conjugués parce qu'ils apparaissent toujours ensemble, l'un étant la
somme de h et vi, et l'autre étant leur différence. Si ces deux racines sont exactes, on peut
toujours vérifier que r1 + r2 = – a1 et que r1. r2 = a2.
Par conséquent, on peut mettre la solution générale sous la forme

y = C e(h + v i)x + C e(h  v i)x
1 2
y = C ehx evix + C ehx evix
1 2
y = ehx C e vix + C evix (5.74)
 1 2 
Cette dernière relation comprend un nombre imaginaire i dans les exposants de deux termes
entre parenthèses. Pour faciliter l'interprétation de ces fonctions exponentielles imaginaires,
nous les transformons en expressions trigonométriques équivalentes.
Ainsi, en vertu des relations d'Euler selon lesquelles
ei  = cos  + i sin  et e-i  = cos  – i sin ,
nous obtenons respectivement, après avoir posé  = vx

evix = cos vx + i sin vx et e-vix = cos vx – i sin vx
Après substitution dans (4.80), cette dernière devient :
113
Yc = ehx [C1 (cos vx + i sin vx) + C2 (cos vx – i sin vx)]

= ehx [(C1 + C2) cos vx + (C1 – C2) i sin vx)] (5.75)
Posons C3 = (C1 + C2) et C4 = (C1 – C2) i. (4.81) devient :
Yc = ehx [C3 cos vx + C4 sin vx)] (5.76)
Exemples 5.25 :
Soit le modèle du marché avec anticipation des prix défini par les fonctions de demande et
d’offre suivantes : qdt = a – b P + m P’ + n P’’ et qst = – c + d P+ uP’ + w P’’. Si a = c = 4,
b = 0, d = 1, m = w = 2, n = 7 et u = 2, trouver P(t) sachant que P(0) = 10 et P’(0) = 8.
Solution :
Substituons les valeurs des paramètres dans les deux fonctions afin d’obtenir
qdt = 4 – 2 P’+ 7 P’’ et qst = –4 + P + 2 P’ + 2 P’’,
qdt – qst = 4 – 2 P’+ 7 P’’ – (–4 + P + 2 P’ + 2 P’’) = 8 – P – 4 P’ + 5 P’’ = 0
4 1 8
D’où l’équation différentielle P’’ – P’ – P = 
5 5 5
8/5
l’intégrale particulière Pp de la forme Pp   8.
1/ 5
a) Pour obtenir la fonction complémentaire Pc, on trouve les racines de l’équation
4 1
caractéristique r² – r – = 0 qui sont :
5 5
4 16 4
 
r1 1
 5 25 5  car  = 6/5. Ainsi
r2 2  1/ 5
Pc = C1 et + C2 e –t/5.
D’où la solution générale : P(t) = C1 et + C2 e –t/5 + 8.

Les conditions initiales étant données, nous nous en servons pour déterminer les valeurs de
C1 et C2. Pour t = 0, nous avons : 10 = C1 e0 + C2 e0 + 8  C1 + C2 = 2 (1).
Dérivons ensuite P(t) pour obtenir : P’(t) = C1 et – 1/5 C2 e –t/5. Pour t = 0, cette dérivée
devient : P’(0) = 8 = C1 e0 – 1/5 C2 e0  C1 – 1/5 C2 = 8 (2).
En résolvant le système formé par les équations (1) et (2), nous trouvons C1 = 7 et
C2 = –5.
La solution spécifique ou définie est donc : P(t) = 7 et – 5 e– t / 5 + 8.
Exemple 5.26 :
Le modèle ci-après est un modèle de marché avec prévision sur l’évolution des prix.
qdt = 40 – 2 P – 2 P’ – P’’, qst = –5 + 3 P, qdt = qst
où qdt est la fonction de demande à l’instant t, et qst la fonction d’offre à l’instant t.
a) Trouvez le niveau d’équilibre.
114
b) Donnez le sentier temporel du prix à toutes les périodes sachant que P(0) =
12 et P’(0) = 1.
Solution :
a) qdt - qst = 40 – 2 P – 2 P’ – P’’– (–5 + 3 P) = 0
= 40 – 2 P – 2P’ – P’’ + 5 – 3 P = 0
= 45 – 5P – 2P’ – P’’ = 0
= P’’ + 2P’+ 5P = 45
45
Le niveau d’équilibre est l’intégrale particulière Pp de la forme Pp   9.
5
b) Pour obtenir la fonction complémentaire Pc, on trouve les racines de l’équation
caractéristique r² + 2 r + 5 = 0 qui sont :
r1  1  2i
 h  vi  parce que  = –16. Ainsi
r2  1  2i
Pc = e–t [C1 cos 2t + C2 sin 2t].
D’où la solution générale :

P(t) = e–t [C1 cos 2t + C2 sin 2t] + 9
Utilisons les conditions initiales en vue de déterminer les valeurs de C1 et C2.
Pour t = 0, nous avons :
P(0) = 12 = e0 [C1 cos 0 + C2 sin 0] + 9
= C1 + 9 = 12  C1 = 3
En dérivant P(t) on obtient :
P’(t) = –e–t [C1 cos 2t + C2 sin 2t] + e–t [–2C1 sin 2t + 2C2 cos 2t]
Pour t = 0, cette dérivée devient :
P’(0) = 1 = –e0 [C1 cos 0 + C2 sin 0] + e0 [–2 C1 sin 0 + 2C2 cos 0]
= – C1 + 2C2 = 1  C2 = 2
La solution spécifique ou définie est donc :
P (t) = e–t [3 cos 2t + 2 sin 2t] + 9.
5.4.2 Equations différentielles linéaires d'ordre supérieur à 2

Pour n > 2, la solution s'obtient de la même manière. S'il s'agit d'une équation non
homogène à coefficients et à second membre constants, la solution sera obtenue en faisant la
somme de l'intégrale particulière yp et de la fonction complémentaire yc.
L'intégrale particulière sera :
b
yp= , lorsque an  0, (5.77)
an
115
ou
 b 
y p =   x , lorsque an = 0 et an-1  0, (5.78)
 a n 1 
En général, si an = 0, an-1 = 0, …, ai  0, alors
b
yp= x n i (4.78a)
(n  i)! ai
Quant à la fonction complémentaire, il suffira de connaître l'équation caractéristique de degré n
qui est de la forme
rn + a1 rn-1 + ... + an-1 r + an = 0 (5.79)
ainsi que ses n racines.
Ainsi, si toutes les racines sont réelles et distinctes, la fonction complémentaire sera donnée
par :
n
Y c =  C i er i = C 1 e 1 + C 2 e 2 + ... + C n e n
x rx rx r x
(5.80)
i=1
On utilisera la formule
n
Yc = Y c = C1 erx + C2 x erx + ... + Ck xk -1 erx + Ce
i= k +1
i
r1 X
(5.81)
si toutes les racines sont réelles et que k racines se répètent et la suivante

k
Yc = ehx (C1 cos x + C2 sin x) + C
i=1
i
rX
ei (4.82)
si les racines sont à la fois complexes et réelles.

Enfin, si l'équation caractéristique contient deux paires identiques des racines
complexes en même temps que des racines réelles et distinctes, on obtiendra la fonction
complémentaire par la formule ci-après :
n-k
Y c = e (C1 cos vx  C 2 sin vx)+ x(C3 cos vx + C 4 sin vx)+  Ci e

hx ri x
(5.83)
i =1
Exemple 5.27 : Trouver la solution générale de l'équation

4 3 2
d y d y d y dy
4
+ 6 3
+ 14 2
+ 16 + 8 y = 24
dx dx dx dx
Par (5.77), yp = 24/8 = 3.
L'équation caractéristique étant r4 + 6r3 + 14r² + 16r + 8 = 0, on obtient :
(r + 2) ( r + 2) (r² + 2r + 2) = 0
Soit : r1 = r2 = –2, r3 = –1 + i et r4 = –1 – i (car h = –1 et v = 1).
Par conséquent, yc = C1e–2x + C2x e–2x + e–x[C3 cos x + C4 sin x].
Et la solution générale est : y(x) = C1e–2x + C2x e–2x + e–x[C3 cos x + C4 sin x] + 3.
116
Exemple 5.28 : Trouver la solution générale de l'équation

4 3 2
d y d y d y dy
4
 4 3
+ 14 2
 20 + 25 y = 0
dx dx dx dx
Cette équation est homogène. Sa solution générale se confond donc avec la fonction
complémentaire car l’intégrale particulière est nulle.
L'équation caractéristique est r4 – 4r3 + 14r² – 20 r + 25 = (r² – 2r + 5) (r² – 2r + 5) = 0 ayant
les racines complexes conjuguées doubles ci-après : (1 – 2i), (1 + 2i), (1 – 2i), (1 + 2i) = 0.
Par conséquent,
y(x) = yc = ex[C1 cos 2 x + C2 sin 2x] + xex[C3 cos 2 x + C4 sin 2x].
5.5 Equations différentielles linéaires d'ordre n à coefficients constants et à second
membre variable
Nous savons déjà que la solution générale d’une équation différentielle linéaire était la
somme de la fonction complémentaire Yc et de l’intégrale ou solution particulière Yp.
5.5.1 Calcul de Yc
Les formules développées plus haut restent d’application. En effet, la fonction
complémentaire étant par définition la solution de l’équation homogène associée, c’est-à-dire
l’équation sans second membre, son calcul n’est donc pas influencé par la présence d’une
fonction de x dans le second membre.
5.5.2 Calcul de Yp lorsque le second membre b est une fonction de x.
On a indiqué précédemment une méthode générale de recherche de l'intégrale
particulière des équations non homogènes lorsque les coefficients et le second membre sont
tous constants. Dans ce paragraphe, nous verrons comment trouver une intégrale particulière
Yp à l’équation non homogène (5.62d) dont les coefficients a1 et a2 sont constants et où le
second membre est une fonction de x.
Il existe dans ce cas plusieurs méthodes dont notamment, la méthode des coefficients
indéterminés18, la méthode dite la variation des paramètres ou des constantes 19 et la
méthode itérative proposée par Sokolnikoff et Sokolnikoff20. Seules la première et la dernière
sont présentées ici.
5.5.2.1 Méthode des coefficients indéterminés
Cette méthode requiert qu’on pose a priori une expression explicite pour l’intégrale particulière
Yc dont les coefficients constants devront être précisés. On substitue ensuite cette expression
18
Boyce, W. et Diprima R. C., Equations différentielles, Chenelière / Mc Graw-Hill., Montréal, 2001,
pp. 174-183 et pp.231 - 233. Voir aussi Ross, S. L., Differential Equations, 3ème Edition,
John Wiley & Sons, New York, 1984, pp. 137 – 154.
19
Boyce, W. et Diprima R. C., Op., cit., pp. 185-191 et pp.235 - 239. Voir aussi Ross, S. L., op. cit. pp.
155 – 164.
20
Sokolnikoff et Sokolnikoff, Cité par Taro Yamane, Mathematics for Economists, An Elementary
Survey, Englewood Cliffs, Prentice-Hall, Inc., 1968.
117
dans l’équation (5.62d) et on tente de déterminer les coefficients de sorte que l’équation soit
satisfaite. Si cette démarche n’aboutit pas, c’est qu’il n’existe aucune solution de la forme
supposée initialement. Il faudra alors modifier l’expression supposée au départ pour la solution
et reprendre le processus.
En particulier, si b = f(x) est simple et est :
o un polynôme de la forme b = k0 + k1x + k2x2 + ... + knxn ;
o une exponentielle de la forme b = kerx ;
o une fonction sinus de la forme A1 cos x + A2 sin x ; ou
o la somme ou le produit de telles fonctions,
on propose une solution particulière ayant la même forme que b selon le tableau suivant.
Tableau 5.1 : Calcul de l'intégrale particulière yp lorsque B est une fonction de x
Type de B = f(x) Solution candidate
B = k0 + k1x + k2x² + ... + knxn Yp = D0 + D1x + D2x² +. ...+ Dnxn
B = kerx Yp = Derx
B = kerx + kxn Yp = Derx + (D0 + D1x +...+ Dnxn)
B = kerx. kxn Yp = Derx . (D0 + D1x +...+ Dnxn)
B = k1cos  x + k2 sin  x Yp = B1cos  x + B2 sin  x
Il faudra ensuite déterminer les coefficients Di de la solution candidate appropriée proposée
dans le tableau 5.1 ci-dessus en dérivant l’équation différentielle à résoudre n fois, puis, après
substitution, en réorganisant les termes dans l’équation résultante.
Il faut cependant noter que si un terme de l’intégrale particulière candidate pour
l’équation non homogène est égal à un terme de la solution générale de l’équation homogène,
on dit que l’équation est en résonance. Dans ce cas, afin d’éliminer la duplication, on
multiplie, en général, ce candidat naturel pour yp par un facteur x, ou (au besoin) par x² ou x3
pour trouver un candidat adéquat comme intégrale particulière de l’équation non homogène.
En résumé, les étapes permettant de trouver la solution particulière Yp à une équation
différentielle non homogène à coefficients constants et dont le second membre b = f(x) sont les
suivantes :
 Trouver la fonction complémentaire Yc (la solution générale à l’équation homogène
associée ;
 S’assurer que la fonction f(x) dans (4.70) soit du type de celles considérées dans le
tableau 5.1 ci-dessus. Dans tous les autres cas, utiliser la méthode de variation des
paramètres que nous présentons dans la paragraphe suivant ;
 Proposer une solution particulière Yp qui soit de la même forme que la fonction f(x)
tout en évitant la duplication ou la résonance tel que suggéré plus haut.
Premier cas : f(x) est un polynôme de degré n.
Soit par exemple n = 2. Nous avons dans ce cas, f(x) = k0 + k1x + k2x2, avec k2  0.
Cherchons une solution particulière yp de cette équation aussi sous la forme d'un polynôme du
118
second degré :
yp = D0 + D1x + D2x2
où les Di sont des coefficients indéterminés.
Dérivons yp. On a :
yp' = D1 + 2D2x et y"p = 2D2
Introduisons les expressions de yp, y'p et y"p dans l'équation (7.62), on obtient :
2D2 + a1(D1 + 2D2x) + a2(D0 + D1x + D2x2)  k0 + k1x + k2x2
ou, après avoir égalé les coefficients des mêmes puissances de x,
(2D2 + a1D1 + a2D0) 2D2x) + (2a1D2 + a2D1)x + a2D2x2  k0 + k1x + k2x2
Puisque deux polynômes sont identiquement égaux si et seulement si les coefficients des
mêmes puissances de la variable x sont égaux, on a déduit le système :
a2D0 + a1D1 + 2D2 = k0
a2D1 + 2a1D2 = k1
a2D2 = k2
pour la détermination des coefficients D0, D1 et D2.
Si a2  0, ce système permet d'obtenir pour les coefficients D2, D1 et D0 des valeurs numériques
déterminées.
Si a2 = 0, le système dérivé est incompatible. Auquel cas, en supposant que a1  0, il convient
de chercher une solution particulière yp sous la forme yp = x(D0 + D1x + D2x2).
2
d y dy
Exemple 5.29 : Trouver la solution générale de l’équation 2
 2  3y = 2x .
dx dx
Réponse :
L'équation auxiliaire associée est r² – 2r – 3 = 0. Comme a1 = –2 et a2 = –3,
a1² = 4 > 4a2 = –12. Par conséquent yc = C1e3x + C2e-x.
Nous cherchons ensuite une solution particulière sous la forme D0 + D1x.
Substituons cette expression dans l'équation proposée. On a 2D1 – 3(D0 + D1x) = 2x
On déduit, en égalant les coefficients des mêmes puissances de x de part et d'autre du signe
d'égalité :
– 3D1 = 2  D1 = –2/3
– 3D0 – 2D1 = 0  D0 = 4/9
4 2
Par conséquent, y p =  x .
9 3
4 2
et la solution générale est y(x) = C1e3x + C2e–x +  x .
9 3
Deuxième cas : f(x) est une exponentielle de la forme kerx.
119
Il faut chercher la solution sous la forme Derx. Substituant dans l'équation (4.71'), on obtient :
r²Derx + a1 r Derx + a2Derx = kerx
Simplifiant par erx et égalant les coefficients de mêmes puissances de x, on obtient :
D(r² + a1r + a2) = k.
k
La solution particulière est donc D = 2
. (5.84)
r + a1 r + a 2
Notons que cette solution ne tient que lorsqu’il n’y a pas duplication ou résonance,
c’est-à-dire lorsque le coefficient du terme exponentiel n'est pas l'une des racines de l'équation
caractéristique associée à l'équation différentielle à résoudre ou lorsqu'un terme de la solution
proposée de Yp se retrouve exactement ou au signe près dans la fonction complémentaire Yc.
Auquel cas, il faudra multiplier la solution proposée par x afin d'assurer une indépendance
linéaire parfaite entre les termes de Yc et ceux de Yp.
2
d y dy
Exemple 5.30 : Trouver la solution générale à l'équation 2
 5 + 6 y = e2 x .
dx dx
Calcul de la fonction complémentaire :
L'équation auxiliaire associée est r² – 5r + 6 = (r – 2)( r – 3) = 0. Comme a1 = –5 et a2 = 6,
a1² = 25 > 4a2 = 24, yc = C1e2x + C2e3x.
Calcul de l'intégrale particulière :
Nous cherchons une solution particulière sous la forme De2x. Mais 2 de l'exposant est
une racine simple de l'équation caractéristique. Nous chercherons donc une solution
particulière sous la forme yp = Dxerx.
Substituons cette dernière expression dans l'équation proposée. On a :
4De2x + 4Dxe2x – 5De2x – 10Dxe2x + 6Dxe2x = e2x
– De2x = e2x
On déduit D = –1
Par conséquent, yp = – xe2x.
et la solution générale est donc : y(x) = C1e2x + C2e3x – xe2x.
2
d y dy
Exemple 5.31 : Trouver la solution générale à l'équation 2
 4  4 y = 4 e2 x .
dx dx
Réponse :
L'équation auxiliaire associée est r² – 4r + 4 = (r – 2)( r – 2) = 0.
a1 = –4, a2 = 4 et a1² = 4a2 = 16, Par conséquent, yc = C1e2x + C2xe2x.
Nous cherchons une solution particulière sous la forme De2x. Mais le coefficient 2 de
l'exposant est une racine double de l'équation caractéristique. Nous chercherons donc une
solution particulière sous la forme yp = Dxerx. Mais cette dernière est aussi un des termes de la
fonction complémentaire. Finalement, nous proposons : yp = Dx²erx qu'il suffira de substituer
120
dans l'équation donnée afin de déterminer D.

Le lecteur est invité à trouver cette intégrale particulière.
Troisième cas : f(x) est une fonction trigonométrique de la forme A1 cos x + A2 sin x
On propose une solution sous la forme D1 cos x + D2 sin x tout en évitant la double
résonance.
On substituera ensuite cette expression dans l'équation donnée et on égalera les
coefficients de cos x et de sin x de part et d'autre du signe d'égalité afin de déterminer les
constantes arbitraires D1 et D2.
2
d y dy
Exemple 5.32 : Trouver la solution générale de l’équation 2
 2  3 y = 2 cos 2 x .
dx dx
Solution :
Nous savons déjà (voir exemple 4.26) que la fonction complémentaire de cette équation
est : yc = C1e–3x + C2ex.
Nous cherchons une solution particulière de la forme D1 cos 2x + D2 sin 2x.
Substituons cette expression dans l'équation proposée. On a :
– 4D1cos 2x – 4D2 sin 2x –2(–2D1 sin 2x + 2D2 cos 2x) –3(D1 cos 2x + D2 sin 2x) = 2 cos 2x.
 –7D1 cos 2x – 7D2 sin 2x + 4D1 sin 2x – 4D2 cos 2x = 2 cos 2x
Après avoir égalé les coefficients de cos x et de sin x, on en déduit le système d'équations
suivant :
 7 D1  4 D2  2
 4 D1  7 D2  0
14 8
d'où D1 = – et D2 = – .
65 65
14 8
Par conséquent, yp = – cos 2x – sin 2x.
65 65
14 8
et la solution générale est y(x) = C1e-3x + C2ex – cos 2x – sin 2x.
65 65
Nota bene :
 Si b = f(x) comporte plusieurs termes (car f(x) peut être une somme de polynômes,
d’exponentielles, de sinus et de cosinus ou des produits de telles fonctions), il est
souvent plus facile, en pratique, de calculer séparément l’intégrale particulière
correspondant à chaque terme dans f(x).
 Les opérations nécessaires pour déterminer les coefficients appropriés peuvent être
fastidieuses quand les équations sont d’ordre élevé, particulièrement quand les termes
non homogènes sont complexes ou diffèrent de ceux présentés au tableau 5.1. Dans ce
cas, soit on utilise un calculateur symbolique pour obtenir les Di, soit on utilise la
méthode de variation des paramètres.
121
5.5.2.2 Méthode itérative des Sokolnikoff et Sokolnikoff

2
d y dy
Considérons une équation différentielle du type 2
+ a1 + a 2 y = f(x) . L'intégrale
dx dx
particulière yp peut s'obtenir en appliquant la formule ci-après proposée par les Sokolnikoff21:
 r2  r1  x
e e
r 1x  r2 x
Y p= e f ( x) (dx) 2 (5.85)
où r1 et r2 sont les racines de l'équation caractéristique avec r1 < r2
2
d y dy
Exemple 5.33 : Trouver l'intégrale particulière de l'équation 2
 5 + 6 y = e2 x .
dx dx
C’est une équation dont le second membre est une fonction exponentielle du type f(x) = k e2x.
Nous avons vu (exemple 5.30) que l'équation auxiliaire associée est (r – 2)( r – 3) = 0 dont les
racines sont r1 = 2 et r2 = 3. Ainsi, en appliquant la formule (5.85), on a :
Yp = e 2 x  e (32) x  e 3 x e 2 x (dx) 2
= e 2 x  e x  e 3 x e 2 x dx dx
   
= e 2 x  e x  e  x dx dx = e 2 x  e x  e  x  dx = – e 2 x  dx = – e2x x.
Donc
yp = – xe2x.
5.6 Systèmes d'équations différentielles linéaires d'ordre 1
Soit donné le système d'équations différentielles :

dy1
 a11 y1  a12 y2    a1n yn
dx
dy2
 a21 y1  a22 y2    a2 n yn (5.86)
dx

dyn
 an1 y1  an 2 y2    ann yn
dx
où les coefficients aij sont constants. Ici, x désigne la variable indépendante et y1(x), y2(x), ...,
yn(x) les fonctions inconnues. Le système (5.86) est appelé système d'équations
différentielles linéaires homogènes à coefficients constants.
Un système d'équations différentielles non homogène peut s'écrire sous la forme

matricielle suivante :
Y' = A Y + B (5.87)
où Y' est un vecteur à n dimensions comprenant les dérivées d'ordre 1 des fonctions, Y, un
vecteur comprenant les fonctions inconnues et A la matrice des coefficients.
21
Sokolnikoff et Sokolnikoff, cit. op. p. 296.
122
5.6.1 Cas où la matrice des coefficients A est diagonalisable

Nous avons vu que si A est diagonalisable, elle peut s'écrire comme A = PDP-1 où P est
une matrice de passage dont les colonnes sont les vecteurs propres de A et D une matrice
diagonale ayant les valeurs propres de A sur la diagonale principale.
Nous pouvons écrire :
Y' = P D̂ P-1 Y + B (5.88)

Pré-multiplions les deux membres par P-1. Nous obtenons :
P-1Y = D̂ P-1 Y + P-1B (5.89)

Posons
P-1 Y = U. (4.90)
La relation précédente devient :
U' = D̂ U + Z (4.91)
où Z = P-1B et D̂ une matrice diagonale ayant les valeurs propres de A sur la diagonale
principale.
(5.91) s'écrit, si on détaille ses éléments :
u'i = i ui + zi (i = 1, 2, ..., n) (5.92)
qu'on peut résoudre séparément en utilisant la procédure vue précédemment.
Puisqu'on a posé P-1 Y = U, on peut revenir à la variable Y en pré-multipliant U par la
matrice de permutation P, c'est-à-dire en écrivant :
Y=PU (5.93)
Exemple 5.34a : Trouver la solution complète des systèmes :
 y '1 (t )   y 2 (t )  y3 (t )  y '1 (t )  2 y1 (t )  5 y3 (t )  6
 
a)  y ' 2 (t )  4 y1 (t )  y 2 (t )  4 y3 (t ) b)  y ' 2 (t )   y 2 (t )  3
 y ' (t )  3 y (t )  y (t )  4 y (t )  y ' (t )  2 y (t )  3 y (t )  7
 3 1 2 3  3 2 3
Réponse :
a) C'est un système à trois équations différentielles homogènes d'ordre 1 car le second
 0 1 1
 
membre est nul. La matrice des coefficients A =  4  1  4 .
 3  1 4

Le polynôme caractéristique est PA() = –3 + 3² +  –3 = ( + 1)(  – 1)(  – 3) = 0
D'où 1 = –1,  = 1 et 3 = 3. Les trois valeurs propres étant distinctes, A est diagonalisable
123
 1 1 1
 
parce qu'il existe une matrice de passage P = 2 0  1 non-singulière telle P-1AP = D̂ .
 1 1 2
 
 u1'   1 0 0  u1   u1   u1'  u1  0 
     
La relation (5.92) donne : U  = Dˆ U = u 2'  =  0 1 0 u 2  =  u 2  . Soit,  u 2'  u 2  0 
u '    u   3u  u '  3u  0
 3   0 0 3  3   3   3 3 
u1  C1e  x   y1   1 1 1 C1e 
x
      x 
.  u 2  C 2 e x  . Par (4.93), on obtient : Y = PU =  y 2 =  2 0  1  C 2 e 
u  C e 3 x   y 3  1 1 2 C 3 e 
   3 x
 3 3    
 C1e  x  C 2 e x  C 3 e 3 x 
 
=  2C1e  x  C 3 e 3 x 
C e  x  C e x  2C e 3 x 
 1 2 3 
 y1' (t )  2 y1 (t )  5 y3 (t )  6

b) Le système  y 2' (t )   y 2 (t )  3 peut aussi s’écrire comme : Y’(t) = AY(t)
 y ' (t )  2 y (t )  3 y (t )  7
 '33 2 3
 y '1 (t )  2 0  5  y1 (t )  6 
+ B où Y’(t) =  y '2 (t ) , A = 0  1 0  , Y(t) =  y 2 (t ) , et B = 3 .
 y '3 (t )  0 2  3  y 3 (t )  7
2 0 5
PA ( )  0 1  0 =   2  1  3  0 . Donc  1  2 ,  2  1 ,
0 2 3
 3  3 .
1  2 / 3  1 6
Par la relation 5.19, nous avons : U’ = DU + F où F = P B = 0 1 0  3 =
-1
0 1 1  7
 3 1 5 / 3 1
 3  avec 0 1 0 . On doit donc résoudre U  = D 
  P =   UF = 
 4  0 1 1
 u1'  2 0 0  u1   3
 '  
u 2  = 0  1 0 u 2    3 
u '  
 3  0 0  3 u 3   4 
124
 3
 u1 (t )   C1e  2 
2t
u1'  2u1  3
 u (t ) =  C e t  3  et
  u 2'  u 2  3 . D’où la solution :  2   2 
 u '  3u  4 u 3 (t )  C e 3t  4 
 3 3
 3 3 
 y1 (t )  1 5 / 3 1  u1 (t ) 
Y = PU =  y 2 (t ) = 0 1 0 u (t )
  2 
 y 3 (t )  0 1 1 u 3 (t ) 
 4 

C e 2t

3 
3 5
 t
 
 C1 e    C 2 e  3   C 3 e  
2t  2t
1 5 / 3 1  1 2  2 3  3 
  
= 0 1 0   C 2 e  3  =  t   t
C2e  3  
 
0 1 1 C e  2t  4 
 3 3 

   t 
 
C 2 e  3   C3 e  
2 t 4  

  3 
5 43
y1 (t )  C1e 2t  C 2 e t  C 3 e 3t 
3 6
t
y 2 (t )  C 2 e  3 .
13
y 3 (t )  C 2 e t  C 3 e 3t 
3
5.6.2 Cas où la matrice des coefficients A n'est pas diagonalisable
Si A n'est pas diagonalisable, nous savons qu'elle peut toujours s’écrire comme A = QJQ-1 où J
est une matrice triangulaire supérieure ayant les valeurs propres de A sur la diagonale
principale et le nombre 1 en diverses positions sur la surdiagonale et Q est une matrice de
passage dont les colonnes sont les vecteurs propres et les vecteurs de Jordan de A ;
Dans ce cas, (5.89) devient :
Y' = QJQ-1 Y + B (5.94)
En pré-multipliant par Q-1 les deux membres de (5.94) et en posant
U = Q-1Y,
(595)
on arrive au système triangularisé : .
U' = JQ + Z (4.96)
ou encore, sous forme détaillée, en notant cij les éléments de J,
u1' = 1u1 + c 21u 2 + ...  cn1 u n

u 2' = 2 u 2 + ...  c n 2 u n
(5.97)
.......... ...
u n' =  n u n
Puisqu'on a posé Q-1Y = U, on peut revenir à la variable Y en pré-multipliant U par la
125
matrice de permutation Q, c'est-à-dire, en calculant :

Y = QU (5.98)
 x'1  2 x  y

Exemple 5.35 : Résoudre le système d'équations ci-après :  y '  yv
 v'  2 y  4v

Réponse :
 2 1 0
 
La matrice du système est A = 0 1  1 .
0 2 4

PA() = –3 + 7² – 16 + 12 = (– 3) (– ² + 4 – 4 = (– 3) (  – 2)² = 0.
D'où 1 = 3, 2 = 2, k = 2. A n'étant pas diagonalisable (car Dim E2 = 1 ≠ k = 2), on recourt à
 3 0 0 1 1 0
  1 0 1 .
la forme réduite de Jordan qui lui est semblable J = 0 2 1 tandis que Q =  
0 0 2   2 0  1
 
La relation (4.96) donne :
 u1'   3 0 0  u1   3u1 
    u  = 2u + u 
U’ = JU  u 2'  = 0 2 1  2  2 3
u '    u 3   2u 3 
 3  0 0 2 
u1' = 3u1  u1 = C1e3x

u 2' = 2u2 + u3
u3' = 2u3  u3 = C3e2x
Ayant obtenu u3, on résout aisément la deuxième équation, laquelle peut s’écrire comme :
u 2' – 2u2 = C3e2x
dont la solution est de la forme u2 = (C2 + C3x) e2x.
 C1e
3x

 
Ainsi Ux = (C 2 + C3 x) e2x  .
 2x 
 C3 e 
On obtient la solution Y recherchée en faisant Y = QU. Soit :
126
 x 1 1 0  C1e
3x
 C1e 3x + (C 2 + C3 x) e 2x 
     
Y = QU   y  =.  1 0 1  (C 2 + C3 x) e  =  C1e + C3 e .
2x 3x 2x
 v   2 0  1    
   2 C1e  C3e
2x 3x 2x
 C3 e 
6
EQUATIONS DE RECURRENCE
(EQUATIONS AUX DIFFERENCES FINIES)
Dans beaucoup de problèmes économiques, les relations entre les variables sont le plus
souvent établies en termes de taux de variation. Nous avons vu, dans le chapitre précédent, que
lorsque ces variations sont continues, les équations qui les contiennent sont les équations
différentielles. Mais lorsque l'on considère que les variables changent d'une manière discrète,
on est en présence d'un point de vue mathématique d'équations aux différences (ou équations
de récurrence). Ces dernières sont fréquemment utilisées en économie dans la mesure où
beaucoup de données économiques sont enregistrées à des périodes successives de temps.
Lorsque ces périodes deviennent de plus en plus courtes, on dira que les équations aux
différences sont en quelque sorte un cas limite des équations différentielles. Le présent chapitre
commence par traiter des différences des fonctions ainsi que des formules d’interpolation pour
l’obtention des polynômes approchés de degré n. Le reste du chapitre sera consacré aux
équations aux différences finies linéaires.
6.1 Les différences d’une fonction
Considérons une fonction y = f(x) définie uniquement aux n points xi, i = 1, 2, ..., n.
Supposons, pour simplifier, que la distance entre deux points adjacents quelconques est
constante, c'est-à-dire que xi + 1 - xi = x = h pour tout i. Par conséquent, y = f(x) est fonction
discrète avec des points des données également espacés.
Le symbole  est appelé « opérateur de différence » et la quantité finie X est dite
« intervalle de différence ».
y = f(x)
y
127
0 x x+x x+2x x+3x x+4x
La variation de y lorsque x change de x à x + x est appelée « différence première de

y(x) ou différence du premier ordre de y(x). Elle est notée y(x) et est donnée par
l'expression
y(x) = y(x + x ) – y(x). (5.1)
ou
y(x) = f(x + h) – f(x) (6.1')
où h est la distance constante entre deux points adjacents quelconques de x.
Cette différence première peut encore s’écrire

y = f(x) – f(x – h). (6.2)
Il existe une similitude entre la différence première d'une fonction discrète et la dérivée
première d'une fonction différentiable. En effet, la dérivée est définie comme la limite du
quotient des différences y/x lorsque x tend vers zéro, c’est-à-dire,
f ( x  x)  f ( x) y
lim  lim
x0
( x  x)  x x 0
x
Quelques propriétés :
(1) [af(x) ± bg(x)] = a f(x) ± b g(x)]
où a et b sont des constantes
(2)  [f(x)g(x)] = f(x + h) g(x + h) – f(x)g(x)
 f(x)  f(x + h) f(x)

(3)  = 
 g(x)  g(x + h) g(x)
(4) xn = (x + h)n – xn.
En vertu du théorème binomial et lorsque n est un nombre entier, on peut écrire
n
 n
x n     hn  j x j  x n (6.3)
j  0  j
En écrivant les coefficients binomiaux et après avoir effectué la soustraction, nous obtenons :
n(n - 1 )h 2 n - 2
 x n = nhxn - 1 + x + ... + h n (6.4)
2
Si h = 1, cette dernière devient :
n(n - 1 ) n - 2
 x n = nxn - 1 + x + ... + 1 (6.5)
2
Exemple 6.1 : Calculez 2x.
128
Solution : 2x = 2x + h – 2x = 2x . 2h – 2x
= 2x ( 2h – 1) = 2x si h = 1.
Cet exemple montre que, dans le calcul des différences, le nombre
2 est l’équivalent du nombre e qu’on trouve dans le calcul
d x
différentiel puisque pour h = 1, 2x = 2x et que e  ex .
dx
Les différences d'ordre supérieur à 1 sont obtenues en calculant les différences des
différences à l'aide de l'opérateur de différence .
Ainsi, la différence d'ordre 2 (ou différence seconde) de y(x), notée ²y(x), est définie
comme étant la différence de la différence première de y. Nous écrivons, en posant h = 1, :
²y(x) =  [y(x)] =  [y(x + 1) – y(x)]
= y(x + 1) – y(x)
²y(x) = y(x + 2) – 2y(x + 1) + y(x) (6.6)
De même, la différence troisième (ou d'ordre 3), notée ³y(x), est la différence de la
différence d'ordre 2.
³y(x) =  [²y(x)] =  [y(x + 2) – 2(x + 1) + y(x)]
³y(x) = y(x + 3) – 3y(x + 2) + 3y(x + 1) – y(x) (6.7)
En général, la différence d’ordre k est la différence de la différence d’ordre k–1, c’est-à-dire
k y( x)  (k 1 y( x) (6.8)
Exemples 6.2 :
1. Trouver les différences première, seconde, troisième et quatrième de y = 3x² + 2x – 1
a) y(x) = [3(x + 1)² + 2(x + 1) – 1] – (3x² + 2x – 1)
= 3x² + 6x + 3 + 2x + 1 – 3x² – 2x + 1 = 6x + 5
b) ²y(x) =  (6x + 5)
= [6(x + 1) + 5] - (6x + 5) = 6
c) ³y(x) =  (6) = 6 – 6 = 0
4y(x) =  (0) = 0
2. Si y = 2x² – 3, trouver ²y(x).
y(x) = [ 2 (x + 1)² – 3 ] – (2x² – 3)
= 2x² + 4x + 2 – 3 – 2x² + 3 = 4x + 2
²y(x) =  (4x + 2)
= [ 4 (x + 1) + 2] – (4x + 2) = 4
3. Calculer la différence première de y(x) = x² + x, avec x = 2.
129
y(x) = [(x + 1)² + (x + 1)] – (x² + x)

= 3² + 3 –2² – 2 = 6
Les exemples 6.2 illustrent le théorème fondamental du calcul des différences qui s’énonce
comme suit :
Le théorème fondamental du calcul des différences
La différence n-ième d'un polynôme de degré n de la forme

f(x) = a0 + a1x + a2x² + ... + anxn
est une constante dont la valeur est égale à ann!hn avec h = x, tandis que sa
différence d'ordre supérieur à n est égale à zéro.
Exemple 6.3 : Trouver la différence d'ordre 5 de y(x) = 3x5 – 4x4 + 10x³ + 5
Solution :
Le calcul de 5y(x) en passant par y, ²y, ³y, ... est long et fastidieux. Cependant,
par le théorème fondamental, nous avons :
5y(x) = 3(5!)h5 = 3(120h5) = 360 si h = 1.
Pour une fonction générale y(x) de degré n, la différence d’ordre k, ky(x), avec k < n et h = 1
est obtenue en appliquant la formule de Lagrange ci-après :
k j  k 
k
 y(x) =  (1)   y(x + j)
k
(6.9)
j=0  j
k  k!
avec    C kj = , 0
C k = 1 et 0! = 1
 j j! (k  j)!
ou
 
k
k!
 y(x)=   y ( x) = 
k j
k
(1) j y(x + k  j) (6.10)
j=0 j! (k  j)
Exemple 6.4 : Etant donné y(x) = – 6x³ + 11 x2 – 6x + 1, trouver a) 3y et 4y, b) 2y.
Solution : a) Par le théorème fondamental du calcul des différences, on a :
3y(x) = – 6 (3 !) = – 6 (6) = –36
4y(x) = 0 (parce que k = 4 > n = 3.
2
b)  2 y ( x) =  (1) 2  j C2j y ( x  j ) .
j=0
Pour j = 0, on a : (1 )2 -0 C 02 y( x) = – 6x³ + 11 x2 – 6x + 1
Pour j = 1, on a : (1 )2 -1 C 12 y( x  1) = –2 [– 6 (x + 1)³ + 11( x + 1)2 – 6(x + 1) + 1]

= –2 [–6 x³ – 7x2 – 2x]
= 12x3 + 14x2 + 4x
Pour j = 2, on a : (1 )2 - 2 C 22 y( x  2) = (1) (1) [-6 (x + 2)³ + 11( x + 2)2 – 6(x + 2) + 1]
130
= [–6 x³ – 25x2 – 34x – 15 ]

2
Ainsi,  2 y ( x) =  (1) 2  j C2j y ( x  j )
j=0
= (– 6x³ + 11 x2 – 6x + 1) + (12x3 + 14x2 + 4x) + (–6 x³ – 25x2 – 34x – 15)

= –36x – 14
Les différences d'ordre supérieur peuvent être calculées en utilisant un tableau des
différences finies tel que celui donné ci-après.
La manière dont ce tableau est construit suggère comment les différences doivent être
obtenues; ainsi par exemple, y(0) se calcule en soustrayant y(0) de y(1), ²y(0) en soustrayant
y(0) de y(1), ³y(0) en soustrayant ²y(0) de ²y(1), etc.
Tableau 6.1 : Tableau des différences finies
X y y 2y  3y
0 y(0)
y(0)
1 y(1) 2y(0)
y(1) 3y(0)
2 y(2)  y(1)
2
....
y(2) ...
3 y(3) ....
..... .....
Exemple 6.5 : Construire un tableau des différences pour y(x) = – 6x3 + 11x² – 6x + 1 avec
x = 0, 1, 2, ..., 5.
Tableau 6.2 : Tableau des différences

x y y  2y  3y  4y  5y
0 1
–1
1 0 –14
–15 –36
2 –15 –50 0
–65 –36 0
3 –80 –86 0
–151 –36
4 –231 –122
–273
5 –504
Remarques :
1. Ce tableau illustre le théorème fondamental de calcul des différences. En effet, la
différence troisième est une constante pour toutes les valeurs de x, tandis que la différence
d'ordre supérieur à 3 est égale à 0.
131
2. Le tableau peut se construire de deux manières : soit que nous calculons d'abord toutes les
valeurs de y et obtenons ensuite les différences premières par soustraction, les différences
secondes s'obtenant par soustraction des différences premières et ainsi de suite. Soit encore
que nous calculons seulement la première valeur dans chaque colonne, les autres valeurs
étant obtenues par addition. Ayant déjà trouvé y(0), y(0), ²y(0) et ³y(0), nous pouvons
calculer y(1) en ajoutant y(0) à y(0), y(1) en ajoutant y(0) à ²y(0), ²y(1) en ajoutant
²y(0) à ³y(0), etc. On procédera ainsi jusqu'à ce que toute la table soit entièrement
remplie.
3. Il est aisé de détecter les erreurs de calcul dans un tableau des différences car la somme des
valeurs d'une colonne j, plus la première valeur de la colonne j – 1 doit être égale à la
dernière valeur de la colonne j – 1. Dans la table des différences présentée ci - haut, la
somme des éléments de la colonne 4 (relative à ²y) est égale à –272. Lorsque ce nombre
est ajouté –1 (la première valeur de la colonne 3), on obtient – 273 (le dernier élément de la
colonne 3). De même, la somme des éléments de la colonne 3 (ici –505), plus la première
valeur de la colonne 2 (ici, 1) donne –504 (la dernière valeur de la deuxième colonne)
En construisant le tableau 6.2, nous connaissions préalablement la forme exacte de la
fonction y = f(x) et ses différentes valeurs aux points xi. Dans beaucoup de cas cependant, cette
fonction est inconnue et il peut nous être demandé de la retrouver à partir d’une série des
valeurs de x et y. Plusieurs méthodes peuvent être utilisées pour approcher la fonction y,
notamment la formule d'interpolation de Newton ci-après utilisée lorsque le polynôme en x
est de degré n et que les accroissements des valeurs de x sont constants, (c'est-à-dire si x
constant et égal à 1) :

n j
f(0) (j)
y = f(x) = x (6.11)
j=0 j!
x(j), qui est un polynôme factoriel d’ordre k, se lit « x au factoriel j » et est égal au produit de j
facteurs x (x – 1) (x – 2)... (x – j + 1) 22. Par exemple, x(3) se lit « x au factoriel 3 » et est égal à
x (x – 1) (x – 2).
Par convention, 0f(0) = f(0), 0! = 1 et x(0) = 1.
Illustrons cette formule en supposant que nous ne disposons que de deux premières
colonnes du tableau 8.2. Les éléments des colonnes 3 à 7 s'obtiennent aisément en suivant les
principes développés dans le tableau 6.2. Puisque les colonnes relatives aux 4y et 5y n'ont
que des zéros, nous concluons, en vertu du théorème fondamental du calcul des différences,
que le polynôme recherché sera de degré 3. Ainsi, pour n = 3, la formule de Newton donne :
 j f(0) (j)  f( 0 ) ( 0 )  f(0) ( 1 )  f(0) ( 2 )  f(0) ( 3 )

n 0 1 2 3
y = f(x) = 
j=0 j!
x =
0!
x +
1!
x +
2!
x 
3!
x
22
Le produit x(j) est aussi connu sous le nom de « polynôme factoriel positif » Voir Wylie, C. R. et Barret, L.
C., Advanced Engineering Mathematics, 5ème Ed., New York, Mc Graw – Hill Book Co., 1982, p. 254.
132
(1)  14   36 
f(x) = 1 + x +  x ( x  1)   x ( x  1) ( x  2)
1  2   6 
= 1 – x – 7x2 + 7x – 6x3 + 18 x2 – 12 x
= 1 – 6x + 11x2 – 6x3
Nous observons que cette fonction est la même que celle utilisée pour la construction de la
table des différences reprise au tableau 5.2. L'approximation est donc exacte.
Exemple 6.6 : La demande d’un bien Q par rapport au prix unitaire P est décrite par le tableau
ci-après :
Q 0 1 2 3 4 5
P 42 36 28 18 6 –8
Trouvez la fonction de demande P = f(Q).

Solution :
La table des différences correspondante est reprise dans le tableau 5.3.
Tableau 6.3 : Table des différences de l’exemple 5.6
Q P P  2P  3P
0 42
–6
1 36 –2
–8 0
2 28 –2
–10 0
3 18 –2
–12 0
4 6 –2
–14
5 –8
Il est aisé de constater que les accroissements des valeurs de Q sont constants et égaux à 1. De
plus, les différences d’ordre 2 sont égales à 2, tandis que les différences d’ordre supérieur à 2
sont nuls. Nous concluons que le polynôme recherché est de degré 2. Ainsi, par la formule
d’interpolation de Newton, nous avons :
 f(0) ( j )
q =  f( 0 ) q( 0 ) +  f(0) q(1) +  f(0) q(2)
n j 0 1 2
P = f (Q) = 
j =0 j! 0! 1! 2!
(6)  2 
p  f(q) = 42 + q +  q (q  1)  42  6q  q 2  q  42  5q  q 2
1  2 
Jusqu’ici, nous avons supposé une fonction y = f(x) donnée pour une suite des valeurs
distinctes de x également espacées avec x = 1. Mais, lorsque les accroissements de x ne sont
pas constants ou que ceux-ci sont différents de 1, la variation de y quand x passe de x à x est
appelée «différence divisée de y(x) ».
133
Ainsi, si f(xi) et f(xj) sont deux valeurs quelconques de f(x), alors les différences
divisées premières de f(x) notées f(xi, xj) ou [xi, xj] sont définies par
f ( xi )  f ( x j )
f xi , x j  
xi  x j
ou
x , x = [y( x )  y( x
i j
i j )]
. (6.12)
xi xj
De même, si f(xi, xj) et f(xj, xk) sont deux différences divisées premières de f(x) ayant en
commun l’argument xj, alors les différences divisées secondes de f(x) sont définies par
f ( xi , x j )  f ( x j , xk )
f xi , x j , xk  
xi  xk
ou
x , x , xk =
x , x   x , x  .
i j j k
(6.13)
xi  x k
i j
Les différences divisées troisièmes seront obtenues par la formule

x1 , x2 , x3   x2 , x3 , x j 
x , x , x3 , x j  = (5.14)
x1  x j
1 2
et ainsi de suite.
Bien qu’évident uniquement pour les différences divisées d’ordre 1, il est vrai que les
différences divisées d’ordre quelconque sont des fonctions symétriques de leurs arguments.
Par conséquent,
f(xi, xj, xk) = f(xi, xk, xj) = f(xj, xi, xk) = ...
Les propriétés suivantes découlent des définitions plus haut ;
1. Toute différence divisée de la somme algébrique de deux fonctions est égale à la
somme algébrique des différences divisées des fonctions individuelles.
2. La différence divisée d’une constante multipliée par une constante est égale à la
constante fois la différence divisée de la fonction.
Enfin, dans beaucoup d’applications, il peut être utile de construire une table des différences
divisées identique à celle des différences tout court. Nous avons alors le tableau ci-après :
Tableau 6.4 : Table des différences divisées
x y = f(x) [’] [’’] [’’’] [iv]
x1 f(x1)
[x1,x2]
x2 f(x2) [x1,x2,x3]
[x2,x3] [x1,x2,x3,x4]
x3 f(x3) [x2,x3,x4] [x1,x2,x3,x4,x5]
134
[x3,x4] [x2,x3,x4,x5] ...

x4 f(x4) [x3,x4,x5] ...
[x4,x5] ...
x5 f(x5) ...
... ... ...
Ainsi, lorsque, pour une série comprenant n + 1 points d'observation, les

accroissements des valeurs de x ne sont pas constants et/ou égaux à 1, l’approximation ne sera
plus exacte et le polynôme de degré n sera obtenu non plus par la formule 5.6, mais plutôt par
la formule d'interpolation de Newton ci-après :
f n (x) = y(x1) + (x – x1)[x1,x2] + (x – x1) (x – x2) [x1, x2, x3]

+ (x – x1) (x – x2)(x – x3)[x1,x2,x3,x4] + .. . + (x – x1) ... (x – xn)[x1,x2, ..., xn,xn+1] (6.15)
où les expressions
x , x , x3 ,..., x j  =
x , x
1 2 ,..., x j - 2 , x j -1  x2 , x3 ,..., x j -1 , x j 
x1  x j
1 2
désignent les différences divisées d'ordre quelconque.

Exemple 6.7a : L’évolution de l’épargne nationale (y) en milliards de Francs en fonction du
revenu national (x) est décrite par le tableau ci-après :
x 0 2 3 5
y 9 6 3 1
Trouvez la fonction d’épargne y = f(x) en utilisant la méthode d’interpolation appropriée.
Solution :
Les valeurs de x ne sont pas également espacées. Comme le nombre de données observées est
égal à 4 (n + 1 = 4), le polynôme associé à ce tableau sera de degré 3. Connaissant les valeurs
de x et de y, nous pouvons déterminer les différences divisées d'ordres 1, 2 et 3. D’où le
tableau 6.5 ci-après :
Tableau 6.5 : Table des différences divisées de l’exemple 5.7a

x y = f(x) [’] [’’] [’’’]
x1 = 0 f(x1 ) = 9
[x1, x2] = –3/2
x2 = 2 f(x2 ) = 6 [x1, x2, x3] = –1/2
[x2, x3] = –3 [x1,x2,x3,x4]= 7 / 30
x3 = 3 f(x3 ) = 3 [x2, x3, x4] = 2/3
[x3, x4] = –1
x4 = 5 f(x4 ) = 1
Opérations utiles :
x1 , x2  = y( x1 )  y( x2 )  9  6   3 ,
x1  x 2 02 2
135
x2 , x3  = y( x2 )  y( x3 )  6  3   3
x 2  x3 23
x3 , x4  =
 y( x3 )  y( x4 )  3  1   1 ,
x3  x 4 35
3
  (3)
x1 , x2 , x3 , = x1 , x2   x2 , x3   2 1
 ,
x1  x3 03 2
x2 , x3 , x4 , = x2 , x3   x3 , x4    3  (1)  2 ,

x  x 25 3
2 4
1 2
 
x1 , x2 , x3 , x4 , = x1 , x2 , x3   x2 , x3 , x4 
 2 3  7 .
x1  x4 05 30
Ainsi, d'après la formule d’interpolation de Newton, le polynôme approché recherché est :

f (x) = y(x1) +(x – x1)[x1, x2] + (x – x1) (x – x2) [x1, x2,x3] + (x – x1)(x – x2)(x – x3)[x1,x2,x3,x4]
3
= 9 + (x) (–3/2) + (x) (x–2) (–1/2) + (x) (x–2) (x–3) (7/30)

3 1 7
= 9  x  ( x 2  2 x) + ( x3  5 x 2  6 x)
2 2 30
9 5 7x3
= 9 x  x2 
10 3 30
Exemple 6.7b : L’évolution de la consommation C par rapport au revenu R est décrite par le
tableau ci - après :
R 10 20 40 50
C 10 15 25 30
Ecrire la consommation C en fonction du revenu R en utilisant la méthode d’interpolation
appropriée.
Solution :
Les valeurs de la variable indépendante R ne sont pas également espacées. Le nombre
de données observées est certes égal à 4. Cependant, nous constatons que les
différences divisées d’ordre 1 sont égales à une constante (2) tandis que celles d’ordre
supérieur à 1 sont nulles. Le polynôme est donc de degré 1. Connaissant les valeurs de
R et de C, nous pouvons déterminer les différences divisées d'ordres 1, 2 et 3. D’où le
Tableau 6.6 : Table des différences divisées de l’exemple 6.7b
R C [’] [’’] [’’’]

r1 = 10 c(r1 ) = 10
[r1, r2] = 1/2
r2 = 20 c(r2 ) = 15 [r0, r1, r3] = 0
136
[r2, r3] = 1/2 [r1,r2,r3,r4] = 0

r3 = 40 c(r3 ) = 25 [r2, r3, r4] = 0
[r3, r4] = 1/2
r4 = 50 c(r4 ) = 30
Opérations utiles :
r1 , r2  = c(r1 )  c(r2 ) 10  15 1

  , r2 , r3  = c(r2 )  c(r3 ) 15  25 1
  ,
r1  r2 10  20 2 r 2  r3 20  40 2
r3 , r4  = c(r3 )  c(r4 )  25  30  1 , r1 , r2 , r3  = r1 , r2   r2 , r3   1 / 2  (1 / 2)  0 ,

r 3  r4 40  50 2 r1  r3  30
r2 , r3 , r4  = 0 , r1, r2 , r3 , r4  = 0 .
Ainsi, d'après la formule d’interpolation de Newton, le polynôme approché recherché est :
C = c(r1) + (r – r1) [r1, r2] + (r – r1) (r – r2) [r1, r2, r3] + (r – r1) (r – r2) (r – r3) [r1, r2, r3, r4]
1 1
= 10 + (r – 10)   + 0 = 10 +   r – 5
2 2
1
C = 5 +  r
2
6.2 Equations de récurrence linéaires

6.2.1 Définition et classification des équations de récurrence
On appelle équations de récurrence (dites aussi équations aux différences finies) celles
qui expriment une relation entre une variable dépendante et une ou plusieurs variables
indépendantes décalées qui changent à des intervalles discrets dans le temps, par exemple, Ix =
f(yx - 1) Dans ces équations, c'est la forme de la fonction y(x) qui est elle-même une inconnue.
Une équation de récurrence peut se mettre sous forme datée ou sous forme « différence ».23
Elle est dite sous forme datée si elle exprime les variables dépendantes en fonction du temps²
(exemples yt, yt +1, …). Elle sous forme « différence » si la relation exprime les différences de
la variable dépendantes (par exemples, yx, yx+1 ….)
Entre deux instants x et x+1, y prend la valeur yx et y. La quantité yx – yx–1 est appelée
« différence ». Cette différence est supposée finie. Ce qui explique que parfois l’appellation
« équation aux différences finies ».
Notons que, dans certains cas, les coefficients des termes yx + i peuvent être des
fonctions de x. Les équations de ce type sont, en général, difficiles à résoudre. C'est pour cette
raison que nous supposerons que les coefficients de tous les termes yx + i sont constants.
L'ordre d'une équation de récurrence est le nombre de différences de la variable
indépendante figurant dans l’équation. Il est donc mesuré par le plus grand nombre de périodes
2323
Abdoulaye Wade
137
de retard. Ainsi, une équation récurrente du premier ordre correspond à un retard d'une période
; une équation récurrente d'ordre 2 à un retard de deux périodes, etc.
Le degré d'une équation de récurrence est la plus grande puissance à laquelle est élevé
un terme yx + i.
Exemple 6.8
1. yx+1 – yx = c (ordre 1,
degré 1)
2. 18yx+2 – 6yx = 5 (ordre 2, degré 1)
3. yx+3 + yx+2 – yx = x (ordre 3, degré 1)
4. 3yx+2 + 4yx+1 = 2x (ordre 1, degré 1)
5. ²yx – 3yx – 3yx = x (ordre 2, degré 1)
(elle peut s'écrire comme (yx+1 – yx) – 3(yx+1 – yx) – 3yx = x
soit, yx+2 – 5yx+1 + yx – x = 0).
6. 8xyx+3 – 3x yx+2 + 9xyx+1 + 2yx = 3 (ordre 3, degré 1)
7. y 2
x4  3 y x2  3 y x  4 (ordre 4, degré 2)
8. yt + n – yt + n – 2 = 1 (ordre 2, degré 1)
6.2.2. Solution d’une équation aux différences

On appelle solution d'une équation aux différences une relation fonctionnelle qui est
définie pour tout nombre non négatif et qui satisfait à l'équation aux différences. Elle est
générale si les n constantes arbitraires ne sont pas définies par les conditions initiales ou les
conditions limitatives et spécifique ou définie dans le cas contraire.
 x (x  1) 
Exemple 6.9a : Montrer que yx =  + C est une solution de yx+1 – yx = x et trouver une
 2 
solution particulière si y0 = 2.
Solution :
 x (x  1) 
Si yx =  , yx+1 – yx = x devient :
 2 
 ( x  1) ( x  1  1)    x ( x  1) 
  C      C    x
 2   2 
 ( x  1) x   x ( x  1) 
 2  2   x
   
x 2  x  x 2  x 2x
 x
2 2
138
 0(0  1)   x (x  1) 
Si x = 0, y0 = 2. On a : 2 =  + C  2 = C. D’où : yx =  2  + 2.
 2 
Exemple 6.9b : Montrer que yx = C1+ C22x – x est une solution de yx+2 – 3yx+1 + 2yx =1 et
trouver une solution particulière si y0 = 0 et y1 = 3.
Solution :
Si yx = C1+ C22x – x, alors
yx+2 = C1+ C22x+2 – (x+2) = C1+ 4C22x – x – 2
3yx+1 = 3(C1+ C22x+1 – (x+1) = 3(C1+ 2C22x – x – 1),
2yx = 2C1+2 C22x – 2x.
yx+2 – 3yx+1 + 2yx =1  [C1+ 4C22x – x – 2] – [3C1+ 6C22x – 3x – 3] +[2C1+2 C22x – 2x] = 1
 1=1
Si x = 0, alors on a : 0 = C1 + C2 20 – 0  C1 + C2 = 0
Si x = 1, alors on a : 3 = C1 + C2 21 – 1  C1 + 2C2 = 4
 C1  C 2  0
En résolvant le système  , on trouve C1 = – 4 et C2 = 4. Ainsi la solution
C1  2C 2  4
particulière est : yx = – 4+ 4 2x – x = 4(2x – 1) – x.
6.2 Equations de récurrence linéaires du premier ordre
Les équations de récurrence linéaires du premier ordre sont les plus faciles à résoudre.
Leur expression générale est:
a0(x) yx+1 + a1(x)yx = g(x) (6.16)
où
a0(x) et a1(x) sont des coefficients différents de zéro, x = 0, 1, 2, ...
6.3.1 Equations de récurrence linéaires d’ordre 1 à coefficients constants
Si a0(x), a1(x) et g(x) sont des constantes et a0(x)  1, on peut diviser tous les termes de
(5.16) par a0(x) pour obtenir :
a (x) g(x)
y x+1 + 1 y x =
a0 (x) a0 (x)
soit
yx+1 + ayx = G (6.17)
où
a = a1(x)/a0(x) et G = g(x)/a0(x).
L’équation (5.17) est appelée équation de récurrence linéaires non homogènes du
premier ordre à coefficients constants.
On trouve sa solution générale en ajoutant à la fonction complémentaire (Yc), la
solution particulière Yp.
6.3.1.1 Calcul de l'intégrale particulière
139
Puisque yp est, par définition, n'importe quelle solution de (6.17), nous proposons une
solution de la forme yx = k (k = constante). Dans ce cas, (6.17) devient :
k + ak = G
(1 + a)k = G et k = G/(1 + a)
Ainsi
G
Y p= si a  –1 (6.18)
1+ a
Dans le cas où a = –1, yp ne peut être obtenue à partir de (5.18). Nous proposons alors une
autre solution de la forme yx = kx. Dans ces conditions, (5.17) s'écrit
k(k + 1) + akx = G
k(1 + x + ax) = G
Mais a étant égal à –1, nous obtenons k = G. Ainsi,
yp = Gx si a = –1 (6.19)
6.3.1.2 Calcul de la fonction complémentaire
La fonction complémentaire yp est la solution de (6.17) où G = 0. Posons yx = Cbx ≠ 0.
Alors, l'équation homogène devient :
Cbx + 1 + aCbx = CBx.b + a Cbx = 0
= Cbx (b + a) = 0
L'expression Cbx étant différente de zéro, Cbx(b + a) s'annule lorsque b = –a.
Donc
yc = C(– a)x (6.20a)
Il est évident que lorsque a = –1, (6.20) s'écrit
yc = C(1)x = C. (6.20b)
Les formules permettant d'obtenir les solutions (générale et définie) sont données dans le
Tableau 6.7 : Solution des équations aux différences d’ordre 1
Condition Solution générale Solution définie
G  G  G
Yx = C(–a)x + (6.21) y x =  y0   ( a )x + (6.22)
a  –1 1+ a  1+ a  1+ a
a = –1 Yx = C + Gx (6.23) yx = y(0) + Gx (6.24)
Exemple 6.10a : Résoudre les équations aux différences linéaires d’ordre 1 suivantes :
1. 2yx + 1 = 4yx + 3, y0 = 1/2
2. 3yx + 1 – 3yx = –7, y0 = 3
Solution :
1. L'équation proposée peut aussi s'écrire comme yx + 1 – 2yx = 3/2.
140
3
3
Puisque a = –2 ( –1), on trouve, d'après la formule (6.18), yp = 2   .
1 2 2
x
De (6.20), il vient :yc = C(2) . Ainsi, la solution générale est
3
yx = C(2)x – .
2
En appliquant la condition initiale, nous obtenons la solution particulière :
 3  3
1  3
y x =   2  (2 ) + 2  2(2) x 
x
2 1 2 1 2 2
 
7
2. L'équation donnée peut se mettre sous la forme yx + 1 – yx =  avec a = –1.
3
7 7
La solution générale est yx = C – x, la solution définie étant yx = 3 – x.
3 3
Exemple 6.10b : Soit le modèle du marché avec niveau de stock défini par les équations ci-
après :
Qdt = a – bPt (a, b > 0)
Qst = –c + dPt (c, d > 0)
Pt + 1 = Pt – e (Qst – Qdt) (e > 0)
Le prix n’est plus déterminé par un mécanisme d’équilibrage sur le marché mais par le niveau
des stocks (qst – qdt). On sait que la constitution du stock (qst > qdt) tend à baisser le prix et la
diminution du stock (qst  qdt) fait monter le prix. Trouver le cheminement du prix à toute
période si a = 120 ; b = 0,5 ; c = 30 ; d = 0,3 et e = 0,2 et P0 = 200
Solution :
Pt + 1 = Pt – e (Qst – Qdt)
= Pt – e[ (–c + d Pt) – (a – bPt)]
= Pt – e[ (–c + d Pt - a + bPt]
= Pt + e(a + c) – e(b + d) Pt
= P t + 1 – Pt – e(b + d) Pt = e(a + c)
On dérive ainsi une équation aux différences d’ordre 1 de la forme
P t + 1 – [1 – e(b + d)] Pt = e(a + c)
ac
Dont la solution est Pt = C[1 – e(b + d)]t +
bd
En remplaçant a, b, c, d et e par leurs valeurs respectives, on obtient l’équation :
P t + 1 – 0,84 Pt = 30.
Avec Pc = C(0,84)t et Pp = 30 / (1 – 0,84) = 187,5, la solution générale donne :
Pt = C(0,84)t + 187,5
141
tandis que la solution définie est :

Pt = 12,5 (0,84)t + 187,5.
6.4. Equations aux différences linéaires d’ordre supérieur ou égal à 2

6.4.1 Equations aux différences linéaires d’ordre 2
Les techniques de résolution des équations aux différences d'ordre 2 sont identiques à
celles des équations différentielles du même ordre. Le cas le plus simple est celui des équations
aux différences finies linéaires du second ordre à coefficients et à terme constants. Ces
équations s'écrivent sous la forme ci-après :
yx+2 + a1yx+1 + a2yx = G (6.25)
où a1, a2 et G sont des constantes réelles.
Comme pour les équations différentielles, leur solution s'obtient en faisant la somme de
la fonction complémentaire yc et de l'intégrale particulière yp.
6.4.1.1 Calcul de la fonction complémentaire yc.
Nous avons vu que la fonction complémentaire yc est la solution de l'équation homogène
yx + 2 + a1 yx + 1 + a2 yx = 0
Cherchons une solution de la forme yx = Cbx, où C et b sont des constantes. Pour cette solution,
nous avons aussi
yx + 2 = Cbx + 2 et yx + 1 = Cbx + 1
Substituons ces expressions dans l'équation homogène donnée. Cette dernière devient :
Cbx + 2 + a1Cbx + 1 + a2Cbx = Cbx b 2 + a1Cbx b + a2Cbx = 0
Le produit Cbx se met en facteur et on aboutit aisément à une équation caractéristique (ou
auxiliaire) du second degré en b de la forme
b² + a1b + a2 = 0 (6.26)
et dont nous désignerons les racines par b1 et b2. On a :
 a1  (a1  4a2 )
2
b1 , b2 = (6.27)
2
Comme pour les équations différentielles, trois cas peuvent se présenter pour b1 et b2 suivant
que  = a1² – 4a2 est supérieur, égal ou inférieur à zéro.
(1) Si  = a1² – 4a2 est positif, c’est-à-dire si a1² > 4a2, b1 et b2 seront des racines réelles et
distinctes et on aura :
Yc = C1 b1x + C2 b2x (5.28)
(2) Si  = a1² – 4a2 est nul, c’est-à-dire si a1² = 4a2, b1 et b2 seront des racines réelles mais
identiques et seront égales à –a1/2. Dans ce cas, la fonction complémentaire sera donnée
142
par :
Yc = C1 b1x + C2 x b2x (6.29)
(3) Si  = a1² – 4a2 est négatif c’est-à-dire si a1² < 4a2, b1 et b2 seront des nombres complexes
conjugués que nous représenterons
b1 = h + vi et b2 = h + vi (6.30)
où
a 4 a 2  a1 2
h =  1 et v =
2 2
Dans ce cas, la fonction complémentaire sera donnée par :
Yc = C1 (h + vi)x + C2 (h – vi)x (6.31)
Les nombres complexes conjugués (h  vi) peuvent encore s’écrire :
(h  vi) = R cos   R i sin  = R (cos   i sin  ) (632)
D’après le théorème de De MOIVRE,
(h  vi)n = Rn (cos n   i sin n )
Ce résultat indique que pour élever un nombre complexe à la puissance n, on doit tout
simplement modifier ses coordonnées polaires en élevant R à la n-ième puissance et en
multipliant  par n.
En posant n = x, nous pouvons écrire
(h  vi)x = Rx (cos  x  i sin  x) (6.33)
où la valeur de R qui doit toujours être positive, est donnée par
a12  4a2  a12
R  h2  v2   a2 (6.34)
4
tandis que  est la mesure du radian de l’angle dans l’intervalle [0, 2).
Ainsi, la fonction complémentaire de la relation (5.31) peut être transformée de la manière
suivante :
Yc = C1 Rx (cos  x + i sin  x) + C2 Rx (cos  x – i sin  x) (6.35)
= Rx [(C1 + C2) cos  x + (C1 – C2) i sin  x]
En posant C1 + C2 = C3 et (C1 + C2)i = C4, cette dernière devient
Yc = Rx [C3 cos  x + C4 sin  x] (6.36)
Pour évaluer , nous utilisons les relations
h v
Cos  et sin  (5.37)
R R
Les principales formules utilisées pour l’obtention de la fonction complémentaire sont données
au tableau 6.9.
143
Tableau 6.9 : Calcul de la fonction complémentaire yc

Conditions sur les
coefficients de l’équation Fonction complémentaire Nature des racines
caractéristique
b1  b2, nombres réels
 = a²1 – 4a2 > 0 Yc = C1 b1x + C2 b2x
 a1  (a12  4a 2 )
b1 , b2 =
2
Nombres réels mais identiques
 = a1² – 4a2 = 0
x x
Yc = C1 b + C2 x b a
b = b1 = b2 =  1
2
Yc = Rx [C1 cos  x + C2 sin  x] b1  b2, mais ce sont des

 = a²1 – 4a2 < 0 racines complexes conjuguées.
a1 4a2  a12 Avec
R = a2 , h =  ,v=
2 2 b1 = h + vi
h v b2 = h – vi
Cos  et sin 
R R
Les valeurs de l'angle  sont
données dans la table 5.10.
6.4.1.2 Calcul de l’intégrale (ou solution) particulière yp

L'intégrale particulière yp se définit comme étant n'importe quelle solution de
l'expression (6.14) yx+2 + a1yx+1 + a2yx = G
6.4.1.2.1 Cas où les coefficients et le second membre sont constants
Dans le cas où G est une constante, nous commençons par proposer une solution constante
yp = k (k = constante).
Dans cette hypothèse, (6.14) devient :
k + a1k + a2k = G
Soit,
(1 + a1 + a2)k = G
et
G
k= ,
( 1+ a1 + a 2 )
pourvu que (1 + a1 + a2) soit différent de zéro. Ceci n'est possible que lorsque a1 + a2  –1.
Nous avons donc :
G
yp= , si a1 + a2  –1 (6.38)
( 1 + a1 + a 2 )
144
Lorsque a1 + a2 = -1, la formule (6.38) ne convient plus car le dénominateur est nul. Il nous
faudra donc proposer une autre solution. Pour ce faire, le « truc » est de multiplier par x la
solution qui ne tient plus. Soit yp = kx, cette solution. Dans ce dernier cas, (6.14) devient :
k(x + 2) + a1k(x + 1) + a2kx = G
k[x + 2 + a1x + a1 + a2x] = G
k[(1 + a1 + a2)x + a1 + 2] = G
k[2 + a1] = G car a1 + a2 = –1
On a donc k = G/( a1 + 2).
Ainsi :
 G 
y p =   x , si a1 + a2 = –1 et a1  –2 (6.39)
 a1 + 2 
Il est évident que lorsque a1 + a2 = –1 et a1 = –2, la formule (5.21) ne donnera pas d'intégrale
particulière. On proposera alors une autre solution de la forme yx = kx². En reportant dernière
expression dans (6.14), nous obtenons :
k(x + 2)² + a1k(x + 1)² + a2kx² = G
k[(x² + 4x + 4) + a1(x² + 2x + 1) + a2x²] = G
k[(1 + a1 + a2)x² + 2x(2 + a1) + 4 + a1] = G
k[2] = G (car a1 + a2 = –1 et a1 = –2 par hypothèse).
Ainsi
G
y p =  x2 , si a1 + a2 = –1 et a1 = –2 (6.40)
2
Le tableau suivant reprend les principales formules utilisées pour le calcul d'une intégrale
particulière.
145
Tableau 6.8 : Table des principales valeurs trigonométriques
Grade 0 100 50 200 100 400 150 500 200 700 250 800 300 1000 350 1110 400
3 3 3 3 3 3 3 3
Radian 0     2 3 5  7 5 4 3 5 7 11 2
6 4 3 2 3 4 6 6 4 3 2 3 4 6
Degré 0 30° 45° 60° 90° 120° 135° 150° 180° 210° 225° 240° 270° 300° 315° 330° 360°
sin  0 1 2 3 1 3 2 1 0 
1  2  3 –1  3  2 
1 0
2 2 2 2 2 2 2 2 2 2 2 2
cos  1 3 2 1 0 
1  2  3 –1  3  2 
1 0 1 2 3 1
2 2 2 2 2 2 2 2 2 2 2 2
146
Cours de Mathématiques Générales II Prof. KAMIANTAKO Miyamueni 14
7
Ainsi
G
y p =  x2 , si a1 + a2 = –1 et a1 = –2 (6.40)
2
Le tableau suivant reprend les principales formules utilisées pour le calcul d'une intégrale
particulière.
Tableau 6.10 : Calcul de l'intégrale particulière yp lorsque G est constant
yp Conditions
G
yp=
1 + a1 + a2 a1 + a2  –1
 G  a1 + a2 = –1
y p =   x a1  –2
 a1 + 2 
G a1 + a2 = –1
y p =   x2 a1 = –2
2
6.4.1.2.2 Cas où les coefficients sont constants et le second membre variable

Comme pour les équations différentielles, le second membre G est soit une constante, soit
une fonction de x. Dans le dernier cas, l'intégrale particulière yp prend la même forme que G =
f(x). Le tableau ci-après donne les formules les plus courantes.
Tableau 6.11 : Calcul de l'intégrale particulière yp lorsque G est une fonction de x
Types de G = f(x) Solution candidate
G = f(x) = k0 + k1x + k2x² +...+ knxn Yp = D0 + D1x + D2x² +. ...+ Dnxn
G = f (x) = kbx Yp = Dbx
G = f(x) = kbx + kxn Yp = Dbx + (D0 + D1x+...+ Dnxn)
G = f(x) = kbx.kxn Yp = Dbx (D0 + D1x+...+ Dnxn)
G = f(x) = k1cos  x + k2 sin  x Yp = B1cos  x + B2 sin  x
Toutefois, il faudra éviter qu'il y ait résonance, c'est-à-dire, éviter qu'un terme de la
solution proposée pour Yp se retrouve exactement ou au signe près dans la fonction
complémentaire Yc. Auquel cas, il faudra multiplier la solution candidate par x, afin d'assurer une
indépendance linéaire parfaite entre les termes de Yc et ceux de Yp.
Exemple 6.11 :
Trouver la solution générale et définie de yx + 2 + yx + 1 – 2yx = 12 pour y0 = 4 et y1 = 5.
Solution :
a1 = 1 et a2 = –2. Puisque a1 + a2 = –1 et a1  –2, on a, d'après (6.39),
 G  12
y p =   x = x = 4x .
 a1 + 2  3
a1² = 1 > 4a2 = –8. Les racines sont b1 =1 et b2 = –2.
147
8
D'après (6.28), yc = C1(1)x + C2 (–2)x = C1 + C2(–2)x.
Par conséquent, yx = C1 + C2(–2)x + 4x.
Les deux constantes C1 et C2 sont déterminées par les conditions initiales. Nous obtenons :
y0 = 4 = C1 + A2 (–2)0 + 4(0).  C1 + C2 = 4
y1 = 5 = C1 + A2 (–2)1 + 4(1).  C1 – 2C2 = 1
C  C2  4
d'où le système  1 dont la solution est C1 = 3 et C2 = 1.
C1  2C2  1
La solution de l'équation donnée qui satisfait aux conditions initiales est donc :
yx = 3 + (–2)x + 4x.
Exemple 6.12 : Résoudre l’équation aux différences yx+2 + 2yx = 24 pour y0 = 11 et y1 = 18.
Solution :
G 24
Ici, a1 = 0, a2 = 2 et B = 24. Puisque a1 + a2  –1, on a, d'après (6.38), y p = = =8.
1 + a1 + a2 3
D'autre part, a1² = 0 < 4a2 = 8. Les racines sont des nombres complexes conjugués
4a2  a12 8
b1 = h + vi = (2)i et b2 = – (2)i car h = a1/2 = 0 et v = = = 2.
2 2
Mais R = a2 = 2.
D'après (6.36), y c =  2  C cos 2  x + C sin 2  x

x
1 2
24
.
Par conséquent,
   
yx =  2  C
x
1
2

x  8
cos   x + C 2 sin  
 2
Les deux constantes C1 et C2 sont déterminées par les conditions initiales. Nous obtenons:
y0 = 11 = (2)0 [C1 cos 0 + C2 sin 0 + 8]  C1 = 3
(puisque sin 0 = 0 et cos 0 = 1)
 
y1 = 18 = (2)1 [C1 cos ( )x + C2 sin ( )x + 8]
2 2
= b + (2)C2 = 18  C2 = 7,07 (puisque C1 = 3).
La solution de l'équation donnée qui satisfait aux conditions initiales est donc :
h v
24
Dans cet exemple, cos  = = 0 et sin  = = 1. Ceci correspond d'après la table des fonctions
R R
 
trigonométriques à un angle de radians, c'est-à-dire,  = .
2 2
148
9
yx =  2  3 cos 2  x + 7,07 sin 2  x + 8
x
Exemple 6.13 : Trouver la solution générale et définie de yx + 2 + 6yx + 1 + 9yx = 0

Solution :
a1 = 6, a2 = 9. Puisque G = 0, l'équation donnée est homogène et n'aura pas d'intégrale particulière
yp. Ainsi, sa fonction complémentaire yp sera aussi la solution générale de l'équation.
a1² = 36 = 4a2. Les racines de son équation caractéristique (b2 + 6b + 9) sont réelles et identiques.
D'après (6.29), nous avons
yx = C1(–3)x + C2 x (–3)x.
Exemple 6.14 : Résoudre yx + 2 – 4yx + 1 + 3yx = 3x

Solution :
L’équation caractéristique est b² – 4b + 3 = 0. Comme a1² = 16 > 4a2 = 12, les racines sont
b1 = 1 et b2 = 3. D'après (6.28),
yc = C1 (1)x + C2 (3)x = C1 + C2 3x.
Etant donné que b = 3 annule l’équation caractéristique et se retrouve en même temps dans le
second membre, nous proposons, pour l’obtention de yp, la solution Dx3x et non yp,= D3x.
Après substitution dans l’équation proposée, nous avons :
D(x + 2)3x+2 – 4D(x + 1)3x+1 + 3D x 3x = 3x
En développant puis par identification, nous trouvons D = 1/6.
1 1
Par conséquent, Yp = x 3x et la solution générale devient yx = C1 + C2 3x + x 3x .
6 6
x
Exemple 6.15 : Résoudre yx+2 – 6yx+1 + 9yx = 3
Solution :
L’équation caractéristique est b² – 6b + 9 = 0 .Comme a1² = 36 = 4a2, b = b1 = b2 = 3. D’après
(6.29),
yc = C1 3x + C2 x 3x
Pour obtenir l’intégrale particulière, nous aurions pu proposer D3x. Mais ce terme se retrouve
également dans la fonction complémentaire (ici C1 3x en posant D = C1) Pour éviter la résonance,
nous proposons une autre solution qui est yp = D x 3x . Cette dernière se retrouvant elle aussi dans
la fonction complémentaire (C2 x 3x), nous suggérons une autre solution de la forme yp = D x2 3x .
En reportant cette dernière expression dans l’équation à résoudre, il vient :
D(x + 2)2 3x + 2 – 6D(x + 1)2 3x + 1 + 9D x2 3x = 3x
1 2 x
En développant, on trouve par identification y p  x 3 .
18
149
0
1 2 x
D’où la solution générale : Yx = C1 3x + C2 x 3x + x 3 .
18
Exemple 6.16 : Résoudre yx +2 – 4yx +1 + 3yx = x2
Solution :
Son second membre est un polynôme en x de degré 2 de la forme k0 + k1x + k2x2. Nous savons
déjà (voir exemple 6.13) que yc = C1 + C2 3x.
Pour obtenir yp, nous proposons un polynôme en x de même degré que G, soit une solution de la
forme D0 + D1x + D2x2. Cependant, cette dernière a un terme constant D0 qu’on retrouve aussi
dans la fonction complémentaire Yc (ici C1). La solution proposée n’obéit donc pas au principe
selon lequel les termes de la solution générale doivent être indépendants les uns des autres. Pour
éviter qu’il y ait résonance, nous suggérons une seconde solution obtenue en multipliant la
dernière par x, c’est-à-dire (D0 + D1x + D2x2.)x = D0x+ D1x2 + D2x3.
En substituant cette expression dans l’équation à résoudre, cette dernière devient :
D0(x + 2) + D1(x + 2)2 + D2(x + 2)3 – 4 [D0(x + 1) + D1(x + 1)2 + D2(x + 1)3]
+ 3 [D0x+ D1x2 + D2x3] = x2.
Nous obtenons, après quelques opérations, l’expression :
– 2 D0 – 4 D1x + 4 D2 – 6 D2x2 = x2,

  2 D0  4 D2  0

qui donne, par identification, le système   4 D1 0
  6 D2  1

dont la solution est D0 = – (1/3), D1 = 0 et D2 = – (1/6).
1 1
Par conséquent, Yp =  x  x 3 et la solution générale devient :
3 6
1 1
yx = C1 + C2 3x  x  x 3 .
3 6
Exemple 6.17 : Résoudre yx + 2 – 4yx + 1 + 3yx = 5x + 2x
Solution :
Nous savons déjà (voir exemple 8.13) que yc = C1 + C2 3x. De plus, son second membre est une
fonction de la forme kbx + k0 + k1x. Il existe donc une intégrale particulière du type yp = D5x +
(D0 + D1x). Mais étant donné que son terme constant D0 se retrouve également dans la fonction
complémentaire (ici C1), en d’autres termes, puisque D0 est linéairement dépendant du terme C1
de la fonction complémentaire, nous suggérons, afin d’éviter la résonance, la solution D5x +
D0x+ D1x2.
En substituant, l’équation à résoudre devient :
D0(x + 2) + D1(x + 2)2 + D5x+2 – 4 [D0(x + 1) + D1(x + 1)2 + D5x+1]
+ 3 [D0x+ D1x2 + D5x] = 5x + 2x.
Après quelques opérations, et après avoir égalé les termes semblables, nous obtenons l’expression
150
–2D0 – 4D1x + 8D5x = 5x + 2x, qui donne par identification le système :
 2 D0 0

  4 D1 2
 8D  1

1 1 2
D’où D0 = 0, D1 = – (1/2) et D = 1/8.. Par conséquent, Yp =  x et la solution générale
8 2
1 x 1 2
devient yx = C1 + C2 3x  5  x .
8 2
Exemple 6.18 :
Le modèle ci-après est un modèle de marché avec prévision sur l’évolution des prix :
Qdt = 40 – 2 pt + 2 (p t + 1 + p t - 1), Qst = –5 + 3 pt et Qdt = Qst où Qdt est la fonction de demande à
l’instant t, et Qst la fonction d’offre à l’instant t. Sachant que P0 = 48 et P1 = 45 :
a) Trouvez le niveau d’équilibre.
b) Donnez le sentier temporel du prix à toutes les périodes.
Solution :
qdt – qst = 40 – 2 pt + 2 pt + 1 + 2pt - 1 – (–5 + 3 pt) = 0
= 40 – 2 pt + 2 pt + 1 + 2pt - 1 + 5 – 3 pt = 0
= 45 – 5 pt + 2 pt + 1 + 2pt - 1 = 0
ou – 5 pt + 2 pt + 1 + 2pt - 1 = – 45
Ajoutons +1 à chaque indice t et arrangeons les termes pour obtenir :
2 pt + 2 – 5 pt+1 + 2pt = – 45
En divisant par 2, on obtient une équation aux différences linéaire d’ordre 2 de la forme :
5 45
pt + 2 – pt + 1 + pt = –
2 2
c) Le niveau d’équilibre est l’intégrale particulière Pp donnée par l’expression :
45 45
 
Pp  2  2  45 .
1 5/ 2 1 1
2
d) Pour obtenir la fonction complémentaire Pc, on trouve les racines de l’équation
5 25 5 3
 4  
b1 2 2  2 . Ainsi :
caractéristique b² – 5/2 b + 1 = 0 qui a pour racines  2 4
b2 2 12
t
1
Pc = C12 + C2   .
t
2
t
1
Pt = C12 + C2   + 45
t
(solution générale)
2
151
2
0
1
P0 = 48 = C12 + C2   + 45  C1 + C2 = 3
0
2
1
1 1
P1 = 45 = C12 + C2   + 45  2C1 + C2 = 0
1
2 2
 C1  C 2  3

En résolvant le système  1 , on obtient C1 = –1 et C2 = 4. D’où la solution définie :
2C1  2 C 2  0
t
t1
Pt = – 2 + 4   + 45
2
Exemple 6.19 :

La fonction de demande est Qdt = 80 – 4 pt. Celle d’offre est Qst = –10 + p t

où p t = pt -1 + k(pt -1 – pt - 2). Supposez k = –1. Trouvez le sentier temporel du prix à toutes les
périodes si P0 = P1 = 20.
Solution :
Qdt – Qst = [(80 – 4 pt) – {–10 + pt -1 – (pt -1 – pt – 2}]
= [(80 – 4 pt) – {–10 + pt -1 – pt -1 + pt – 2}] = 0
= [(80 – 4 pt + 10 – pt -1 + pt -1 – pt - 2)] = [(90 – 4 pt – pt – 2] = 0
= (– 4 pt – pt – 2) = – 90
1
= pt + 2 + pt = 22,5
4
22,5 22,5 22,5(4) 90
Pp =     18
1 5 5 5
1
4 4
1
L’équation caractéristique étant b2 + = 0,   0 car a1 < 4a2.
4
1 1
Ainsi : h = 0 et v = 1/2. R = a2   . Cos  = h/R = 0 et sin  = v /R = 1.
4 2
  
t
1 
Pc =  
2 C1 cos 2 t  C 2 sin 2 t  .
  
t
1 
Donc Pt = Pc + Pp =  
2 C1 cos 2 t  C2 sin 2 t   18 .
0
1
P0 = 20 =   C1 cos 0  C2 sin 0  18  20 = C1+ 18. D’où C1 = 2
2
152
3
  
1
1  1
P1 = 20 =   C1 cos (1)  C 2 sin (1)  18  20 = C2+ 18. D’où C2 = 4
2  2 2  2
D’où la solution définie :
  
t
1 
 
2 2 cos 2 t  4 sin 2 t   18 .
6.2.1 Equations aux différences linéaires d'ordre supérieur à 2

Pour n > 2, la solution s'obtient de la même manière. Il suffira de connaître l'équation
caractéristique et ses racines. Ainsi, la solution d’une équation aux différences linéaire à
coefficients et à second membre constants de la forme :
yx + n + a1 yx + n - 1 + a2 yx + n - 2 + … + an-1 yx +1 + an yx = G
comprendra une solution particulière (Yp) et une fonction complémentaire (Yc).
S’agissant de la solution particulière, Yp, si 1 + a1 + a2 + … + an-1 + an  0, alors,
G
Yp  . (6.41)
1  a1  a2    an 1  an
Si par contre 1 + a1 +…+ an-1 + an = 0, et (n)i + (n-1)i a1 + (n-2)i a2 + (2)i an-2 + (1)i an-1  0, alors :
G xi
Yp  (6.42)
(n)i  (n  1)i a1  (n  2)i a2    (2)i an  2  (1)i an 1
avec i = plus petit entier positif qui n’annule pas le dénominateur.
Pour ce qui est de la fonction complémentaire Yc, si toutes les
racines sont réelles et distinctes, on obtient cette dernière par
la formule :
n
yc = C b
i=1
i i
X
(6.43)
La formule suivante est utilisée lorsque toutes les racines sont réelles et que k racines se répètent.
n
x x x
yc = C1 b + C2 x b + C3 x² b +... + Ck x k-1 x
b +  Ci bix.
i=k+1
(6.44)
Dans le cas où les racines sont à la fois complexes et réelles, la formule suivante est utilisée pour
obtenir Yc.
n
yc = Rx (C1 cos x + C2 sin x) +  Cibix.
i=3
(6.45)
Enfin, si l'équation caractéristique comprend deux paires identiques des racines complexes
conjuguées ainsi que des racines réelles et distinctes, on calculera la fonction complémentaire yc
par la formule :
n
y c = R x ( C1 cosx + C2 sin x) + xR x ( C3 cosx + C4 sin x) + C b
i=5
i
x
i . (6.46)
153
4
Exemples 6.20 : Résoudre les équations de récurrence ci-après :
a) yx + 3 + 8yx + 2 + 16 yx + 1 = 75
Solution :
75 75
Yp =   3.
1  8  16 25
Quant à la fonction complémentaire, elle s’obtiendra à partir de
l’équation caractéristique :
b3+ 8b2 + 16b = b (b2 + 8b + 16) = b(b + 4) (b + 4) ) = 0.
D’où : b1 = 0, b2 = b3 = – 4 et yc  C1 (0) x  (4) x C 2  C3 x
La solution générale est donc :

Yx = y c  C1  (4) x C 2  C3 x  3
b) yx + 4 + 5yx + 3 + 9 yx + 2 + 7yx + 1 +2 yx = 48
Solution :
Il s’agit d’une équation de récurrence non homogène d’ordre 4.
48 48
Yp =   2.
1  5  9  7  2 24
Pour calculer la fonction complémentaire, on se servira de
l’équation caractéristique :
b4 + 5b3+ 9b2 + 7b + 2 = (b +1)2 (b2 + 3b + 2) = (b + 1)3 (b +
2) = 0.
D’où : b1 = b2 = b3 = – 1 et b4 = –2.
 
Yx = (1) x C1  C2 x  C3 x 2  C4 (2) x  2
c) yx + 4 + 7yx + 3 + 5 yx + 2  7yx + 1  6 yx = 0
Solution :
L’équation caractéristique est de la forme :
b4 + 7b3+ 5b2 – 7b – 6 = (b +1)2 (b – 1) (b + 6) = 0.
D’où : b1 = b2 = – 1, b3 = 1 et b4 = –6.
Yx = e t C1  C 2 t   C3 e t  C 4 e 6t
d) yx + 4 + 6yx + 3 + 14 yx + 2 + 16 yx + 1 + 8 yx = 180
Solution :
Il s’agit d’une équation de récurrence non homogène d’ordre 4.
154
5
20 180
Yp =   4 . Quant à la fonction complémentaire, elle
1  6  14  16  8 45
s’obtiendra à partir de l’équation caractéristique :
b4 + 6b3+ 14b2 + 16b + 8 = (b +2)2 (b2 + 2b + 2) = 0.
D’où : b1 = b2 = – 2 b3 = h + vi = –1 + i et b4 = h – vi = –1 –
i.
 3 3 
Yc = C1 (2) x  C 2 x(2) x  ( 2 ) x C3 cos x  C 4 sin x
 4 4 
 3 3 
Yx = C1 (2) x  C 2 x(2) x  ( 2 ) x C3 cos x  C 4 sin x + 4
 4 4 
Exemple 6.21 : Résoudre le modèle de la forme :
yt  ct  It
c t  b1y t 1  b 2 y t  2
I t  I't  I' 't
I'  I' t  I' ' t
I't  k1 ( y t 1  y t  2 )  k 2 ( y t  2  y t  3 )
I’’t = I0 et I0 = 60
Avec k1= 0,7 ; k2 = 0,7 ; b1= 0,3 et b2 = 0,7
Solution :
Yt = b1yt-1+ b2yt-2 + k1(yt-1 – yt-2) + k2(yt-2 – yt-3) + 60
= (b1 + k1)yt-1 + (b2 – k1 + k2)yt – 2 – k2yt – 3 + 60
= (0,3+ 0,7)yt-1 + (0,7– 0,7 + 0,7)yt-2 – 0,7yt – 3 + 60
= yt-1 + 0,7yt-2 – 0,7yt-3 + 60
yt+3 – yt+2 – 0,7yt+1 + 0,7yt = 60
Solution particulière Yp :
Comme a1+ a2 + a3 = –1, on pose Yp = kt et en remplacement dans
l’équation de récurrence à résoudre, on a :
k (t + 3) – k (t + 2) – 0,7k (t + 1) + 0,7kt = 60
kt + 3k – kt – 2k – 0,7kt - 0,7k + 0,7kt = 60
60
0,3k = 60. D’où : k =  200 . Par conséquent, yp = 200t
0,3
Equation caractéristique :
b3 – b2 – 0,7b + 0,7 = b2 (b – 1) – 0,7(b – 1) = (b – 1) (b2 –
0,7) = 0.
D’où : b1 = 1, b2 = 0,836 et b3 = – 0,836.
yc = C1 + C2(0,836)t + C3(0,836)t
155
6
yt = C1 + C2(0,836)t + C3(–0,836)t + 200t
6.3 Systèmes d’équations aux différences linéaires d’ordre 1
Jusqu’ici, nous avons discuté de modèles se réduisant à une seule équation. Mais dans bon
nombre de problèmes économiques tels que l’analyse d ‘équilibre général et le modèle d’entrées -
sorties, nous avons affaire à un système d’équations aux différences.
Dans ce paragraphe, nous verrons tout d’abord comment réduire de telles équations tout en
nous limitant aux équations aux différences linéaires à coefficients constants. Nous proposerons
ensuite une méthode de résolution de ces systèmes en appliquant les notions de valeurs et vecteurs
propres ainsi que de la diagonalisation (ou trigonalisation) des matrices carrées.
6.5.1 Réduction d’une équation aux différences d’ordre 2 ou 3 à un système d’équations aux
différences linéaires d’ordre 1
6.5.1.1 Réduction d’une équation d’ordre 2
Considérons une équation aux différences d’ordre 2 du type yx + 2 + a1yx + 1 + a2yx = G.
Définissons la relation sx = yx + 1. Alors sx + 1 = yx + 2 .
Nous pouvons maintenant exprimer l’équation de départ (qui est d’ordre 2) comme un système
d’équations simultanées d’ordre 1.
sx + 1 + a1 sx + a2yx = G
yx + 1 – sx =0
ou, en forme matricielle,
1 0  sx  1   a1 a2   sx  G 
0 1   y     1 0   y    0 
   x 1    x  
Le système peut aussi s’écrire comme
 sx  1   a1  a2   sx  G 
y     y   0
 x  1   1 0   x  
Exemple 6.22 : L’équation yx + 2 – 5 yx + 1 + 6yx = 0 peut devenir :
sx + 1 – 5 sx + 6yx = 0
yx + 1 – sx =0
1 0  sx  1   5 1  sx  0
0 1   y     1 0   y    0 
   x  1    x  
ou
 sx  1  5  1  sx 
y     
 x  1  1 0   y x 
6.5.1.2 Réduction d’une équation d’ordre 3
156
7
Considérons une équation aux différences linéaire d’ordre 3 de la forme :
yx + 3 + a1 yx + 2 + a2 yx + 1 + a3 yx = G
Posons : sx = yx + 1 et px = sx + 1. Alors, sx + 1 = yx + 2 et px + 1 = sx + 2 = yx + 3
L’équation peut se transformer en un système de trois équations aux différences linéaires d’ordre
1 de la forme
px+1 + a1 px + a2 sx + a3 yx = G
sx+1 – px =0
yx+1 – sx =0
ou
IYx + 1 + AYx = B ou encore Yx + 1 = –AYx + B
Avec
1 0 0   px  1   a1 a2 a3  G   px 
     1 0 0  , B =  0  et Y =  S  .
I = 0 1 0 , Yx + 1 =  S x  1  , A =     x
 x
0 0 1  Yx  1   0  1 0   0   Yx 
 
Exemple 6.23 : L’équation aux différences d’ordre 3 yx+3 +3 yx+2 – 4yx+1 + 5yx = 0 peut s’écrire
comme
px + 1 + 3 px – 4 sx + 5yx = 0
sx + 1 – px =0
yx + 1 –sx =0
1 0 0  px  1   3  4 1  px  0
0 1 0  s    1 0 0  s   0
   x 1    x  
 
0 0 1  yx  1   0  1 0  yx  0
ou encore,
 px  1   3 4  1  px 
    
 sx  1    1 0 0   sx 
 y x  1   0 1 0   yx 
 
en posant sx = yx + 1 , px = sx + 1, sx + 1 = yx +2 et px + 1 = sx + 2 = yx +3 .
6.5.2 Résolution des systèmes d’équations aux différences
Considérons le système d'équations aux différences
Yx + 1 = A Yx + B (6.47)
où Yx + 1 est un vecteur à n dimensions comprenant les variables inconnues décalées d'une
période ;
Yx est un vecteur comprenant les variables inconnues ;
157
8
A est la matrice des coefficients.
6.5.2.1 Cas où A est diagonalisable
Nous avons vu que si A est diagonalisable, elle peut s'écrire comme A = PDP-1 où P est
une matrice de passage dont les colonnes sont les vecteurs propres de A et D une matrice
diagonale ayant les valeurs propres de A sur la diagonale principale.
Nous pouvons écrire :
Yx+1 = PDP-1 Yx + B (6.48)
Pré-multiplions les deux membres par P-1. Nous obtenons :
P-1Yx+1 = DP-1 Yx + P-1B (6.49)
Posons P-1 Yx = Ux. La relation précédente devient :
Ux+1 = DUx + F (6.50)
où F = P-1B.
(6.50) s'écrit, si on détaille ses éléments,
ui,x + 1 = iuix + p b
j
ij j (i = 1, 2, ..., n) (6.51)
où les pij sont les éléments de la matrice P-1 et les bj les éléments fonctions de t du vecteur B.
La relation (6.51) peut encore s'écrire
  1 u 1,x +  p1j b j 
u 1,x+1  j 
    2 u 2,x +  p 2j b j 
u 2,x+1 =  j
 (6.51')
 ...   
  .....
u n,x+1  u + p b 

n n, x j mj j 

dont la solution est immédiate car chaque ligne donne une équation aux différences linéaires
d'ordre 1 avec p b ij j comme second membre.
Puisqu'on a posé P-1 Yx = Ux, la solution du système d'équations aux différences s'obtient
en faisant Yx = PUx.
Exemple 6.24 : Résoudre le système d'équations aux différences

yx+1 = 1,5 yx – zX + 4
zx+1 = –0,5 yx + zX + 1
Ce système peut aussi s'écrire
 1,5  1 4 
Yx+1 = AYx + B avec A =   et B =   .
 0,5 1 1 
158
9
Le polynôme PA() = [A – I] = ² – 2,5 + 1 = (–2)(  – 0,5) = 0 possède deux racines réelles
distinctes 1 = 2 et 2 = 0,5. Donc A est diagonalisable à l'aide d'une matrice de passage
 2 1 1 1 1  1
P=   et P = 3  .
 1 1 1 2
1 1  1 4 1
Posons Fx = P-1G = P 1 =     =   et Ux = P-1Yx,. Le système donné peut encore
3 1 2 1  2
s'écrire sous la forme :
u 1,x+1 2 0   u 1  1   2 u 1 + 1 
 =    + =  
u 2,x+1 0 0,5 u 2  2 0,5 u 2 + 2
u1, x   C ( 2 )  1 
x
Il vient :   =  1 .
 
x
   2
u 2 , x C (0,5 ) + 4
Finalement, on obtient Yx en faisant Yx = PUx. Soit :
 y x   2 1  C1 (2) x  1   2C1 (2) x  2  C 2 (0,5) x  4   2C1 (2) x  C 2 (0,5) x  2 

 z  =  1 1  = = 
 C 2 (0,5)  4  C1 (2)  1  C 2 (0,5)  4  C1 (2)  C 2 (0,5)  5
x x x x x
 x 
Exemple 6.25 : Soit le modèle du multiplicateur du commerce extérieur en économie ouverte

défini par :
Pays 1 Pays 2
C1t = b1 Y1, t – 1 C2t = b2 Y2, t – 1
I1t = I01 + h1 Y1, t - 1 I2t = I02 + h2 Y2, t - 1
M1t = M01 + m1 Y1, t - 1 M2t = M02 + m2 Y2, t - 1
X1t = M2t X2t = M1t
Y1t = C1t + I1t + X1t - M1t Y2t = C2t + I1t + X2t – M2t
avec b1 = 0,6 ; h1 = 0,2 ; m1 = 0,1 avec b2 = 0,8 ; h2 = 0,25 ; m2 = 0,3
I01 = 10 ; M01 = 10 I02 = 20 ; M02 = 20
Donnez le sentier temporel du revenu dans les deux pays.

Réponse :
Après quelques développements, on obtient :
Y1t = (b1 + h1 – m1)Y1, t – 1 + m2 Y2, t – 1 + I01 + M02 – M01

Y2t = m1 Y1, t – 1 + (b2 + h2 – m2)Y2, t – 1 + I02 + M01 – M02
Soit le système d’équations aux différences linéaires d’ordre 1 avec second membre :
Y1, t + 1 = 0,7Y1t + 0,3 Y2t + 20
Y2, t + 1 = 0,1 Y1t + 0,75Y2t + 10
159
0
0,7 0,3   20
où A =   , B =  .
 0,1 0,75 10 
0,7   0,3
Le Polynôme caractéristique de A étant PA() =  2  1,45  0,495  0 , on
0,1 0,75  
trouve deux valeurs propres réelles distinctes 1 = 0,9 et  2 = 0,55.
Donc A est diagonalisable. Trouvons la matrice P dont les colonnes sont les vecteurs propres de
A.
  0,2 0,3 0    0,2 0,3 0    2 3 0
Pour 1 = 0,9 on a :      , soit   .
 0,1  0,15 0   0 0 0  0 0 0
 3
On a –2x1 + 3x2 = 0. Si x2 = 2, x1 = 3 et X1 =   .
 2
 0,15 0,3 0   0,15 0,3 0  1 2 0
Pour  2 = 0,55 on trouve      , soit   .
 0,1 0,2 0   0 0 0  0 0 0
  2
On a x1 + 2x2 = 0. Si x2 = 1, x1 = –2 et X2 =   .
1 
3  2 -1 1  1 2  0,9 0 
Ainsi, P =   , P =   et D  .
2 1  7   2 3  0 0,55
On doit résoudre le système d’équations aux différences linéaires d’ordre 1 ci-après :

Ut + 1 = D Ut + F, soit
 u1,t 1  0,9 0   u1t   f 1 

u      +  
 2,t 1   0 0,55 u 2t   f 2 
avec
 f 1  1  1 2 20 1  40 
 f  = 7  2 3 10   7  10 ,
 2     
On obtient les deux équations aux différences ci-après :
u1, t + 1 = 0,9 u1t + 40/7 dont la solution est u1t = C1(0,9)t + 400/7 et
u2, t + 1 = 0,55 u2t – 10/7 dont la solution est u2t = C2(0,55)t – 200/63.
La solution du système est donnée par la relation
 xt  3  2  C1 (0,9) t  400 / 7 
y   PU  2 1   ,
 C 2 (0,55)  200 / 63
t t
 t 
   
3 C (0,9)t  400 / 7  2 C2 (0,55)t  200 / 63 
=  1
   
 2 C1 (0,9)  400 / 7  C2 (0,55)  200 / 63 
t t 
 xt  3C1 (0,9) t  2C 2 (0,55) t  11200/ 63

y    
 t   2C1 (0,9)  C 2 (0,55)  7000 / 63 
t t
160
6.5.2.2 Cas où A n'est pas diagonalisable
Si A n'est pas diagonalisable, nous savons qu'on peut toujours la mettre sous la forme
A = QJQ-1
où :
 J est une matrice triangulaire presque diagonale ayant les valeurs propres de A sur la
diagonale principale et le nombre 1 presque au dessus de la diagonale principale et
 Q est une matrice de passage dont les colonnes sont les vecteurs propres et les vecteurs de
Jordan de A
Dans ce cas, (6.48) devient :
Yx + 1 = Q J Q-1 Yx + B (6.52)
En pré-multipliant par Q-1 les deux membres de cette dernière relation et en posant :
Ux = Q-1Yx, (6.53)
et
F = Q-1B,
on arrive au système triangularisé :
Ux + 1 = JQx + F (6.54)
ou encore, sous forme détaillée, en notant cij les éléments de J, qij les éléments de Q-1 et fj les
éléments de F,
 n

 u1, x 1  
 u
 1 1x  c u
21 2 x    c u
n1 nx   q1 j f j 
j 1

u   n

 2, x 1  =  2 u 2 x    c n 2 u nx   q 2 j f j  (6.54a)
    j 1

    
u
 3, x 1   n
n u nx   q nj f j 
 j 1 
n
Ces équations sont des équations aux différences linéaires d'ordre 1 avec q j=1
ij b j comme
second membre que l'on peut résoudre facilement.

Puisqu'on a posé Q-1Yx = Ux dans (5.53), on peut revenir à la variable Yx en pré-
multipliant Ux par la matrice de passage Q.
Exemple 6.25 : Résoudre le système d'équations ci-après : Yx+1 = AYx
 4 3 1  yx  1   yx 
     z  ..
avec A =  4  4  2 , B = 0, Yx + 1 =  z x  1  et Yx =  x
 8 12 6  wx  1   w x 
  
PA() = –3 + 6² – 12 + 8 = (– 2)(  – 2)(  – 2) = (  – 2)3 = 0
161
2
D'où  = 2, k = 3. A n'étant pas diagonalisable, on recourt à la forme réduite de Jordan qui lui est
semblable.
Ainsi, la relation (6.54) devient :
 u1, x 1  2 0 0  u1x   2u1x 
      2u  u 
Ux + 1 = JUx + F  u 2, x 1  = 0 2 1 u 2 x  =  2x 3x 
u 3, x 1   0 0 2  u 3 x   2u 3 x 
     
car F = 0, B étant nul.
D’où :
u1,x+1 = 2u1,x  u1,x = C12x
u2,x+1 = 2u2,x + u3,x
u3,x+1 = 2u3,x  u3,x = C32x
Ayant obtenu u3,x, on résout aisément la deuxième équation qui peut maintenant s’écrire comme :
u2,x+1 – 2u2,x = C32x
dont la solution est de la forme
C3
u2,x = C22x + x 2x.
2
 C1 2 x 
 C 
La solution Ux s’écrit donc : Ux = C 2 2 x  3 x 2 x 
 2 
 
x
C 3 2
On obtient la solution recherchée en faisant Y = QU. Soit :
 yx   1 1 0  C1 2 x 
 
Y = QU =  z x  =  0  2 0 C 2 2 x  3 x 2 x 
C
 w x   2 4 1  
2

x
 C 3 2
 C 
 C1 2 x  C 2 2 x  3 x 2 x 
2
 
=   2C 2 2  C3 x 2
x x

 2C1 2 x  4C 2 2 x  2C3 x 2 x  C3 2 x 
 
162

Algèbre - Kamiant G2 Ulpgl PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Algèbre - Kamiant G2 Ulpgl PDF

Transféré par

Droits d'auteur :

Formats disponibles

Cours de Mathématiques Générales II, Prof.

L'algèbre linéaire connaît aujourd'hui un succès indiscutable. En Économie, on l'emploie

Dans l’enseignement, la notion de vecteur apparaît naturellement dans deux aspects

V = [x1, x2, ... , xn] = 0 ; xi = 0 i.

Alors U + V = u1 + v1 u 2 + v2 = 3 4 tandis que U  V = u1  v1 u 2  v2 = 1  2 .

Géométriquement, l'addition de deux vecteurs U et V se fait de la façon suivante. On trace une

v1 u1 u1+v1 1ère composante

Articles Acier Caoutchouc Travail

Le sous-traitant reçoit une commande de 200 postes de TV et de 300 radiocassettes. Calculer

1.2.3 Propriétés de l'addition vectorielle et de la multiplication par un scalaire

norme. Ce processus est appelé « normalisation » du vecteur V. Reprenons le vecteur de

1.5 Produit scalaire

1.5.2 Propriétés du produit scalaire

d’un vecteur. Puisque U  U = U 2

sens diamétralement opposé.

1.5.3.2 Inégalité de Minkowski

1.5.3.3 Inégalité triangulaire

1.6 Projection d’un vecteur

1.7 Produit vectoriel dans 3

(a) U  (U x V) = 0 (U x V) est orthogonal à U.

Exemple 1.20 : Avec les données de l’exemple 1.19, on voit que :

= w1 [u2v3  u3v2] – w2 [u1v3  u3v1] + w3 [ u1v2  u2v1].

On dit aussi que F est un sous-espace vectoriel de E si et seulement si :

= [k1 + k2 + 2k3, k1 + 2k2  k3, k1 + 3k2 + k3]

Autrement dit n vecteurs V1, V2 ... Vn sont linéairement dépendants si le système

En d’autres termes, n vecteurs V1, V2 ... Vn sont dits linéairement indépendants si le

a un déterminant non nul.

La résolution de ce système donne :

1.12. Vecteurs échelonnés dans n

On dit aussi que S est une famille génératrice de E.

exemple, à exprimer [x, y, z] = [1, 2, 3] en fonction des vecteurs U, V et W. Alors k1 = 3, k2 =

1.13.2.2 Bases orthonormées : Processus d’orthogonalisation de Gram -Schmidt

Rappelons qu’il est possible de distinguer plusieurs types de bases, à savoir :

2.1 Matrices partagées en blocs

de développements théoriques et applications pratiques. En règle générale, pourvu que

 A11  B11 A12  B12 

A1B1 et A2 B2 existent et sont de même format que AB : (mxq).

2.2 Le produit Kroneckerien ou produit de Kronecker

Le produit de Kronecker de deux matrices permet de représenter d’une manière

 a11B a12 B ... a1 j B ... a1n B 

 ... ... ... ... ... ... 

Propriétés du produit kroneckerien

2.2 Rang du produit des matrices

Corollaire : Théorème de Sylvester.

s’ensuit que la matrice C devra être de format n x m, soit :

D’où, rang BA  n. Donc pour que cela soit compatible avec le

Considérons le premier système d’équations. En réduisant la matrice augmentée

De même, la forme réduite en ligne correspondant à la matrice augmentée du

2.4 Solutions de base d'un système d'équations linéaires

Décomposons le vecteur-solution X en XB et XHB où XB sont les variables correspondant

où AB est une sous - matrice de A de rang complet.

3me Base 0 1 2 2 0 AB de rang maximum

2.5 Inéquations linéaires et Système d'inéquations linéaires

Exemple 2.8 : Résoudre l’équation linéaire 2x + 3  6.

Exemple 2.9 : Résoudre 3x + 7  5x – 5

Exemple 2.10 : Résoudre et discuter l’inéquation paramétrique du premier ordre à une

2.5.2 Systèmes d’inéquations linéaires

3.1 Position du problème

Valeur propre dominante et vecteur propre dominant

= (1 – ) [(4 – ) (–) + 4] = (1 – ) (² – 4 + 4) = (1 – )( – 2) ( – 2) = 0

Le théorème de Cayley - Hamilton

3.2.2 Calcul des vecteurs propres et propriétés

X dans l’espace solution du système