Math 150

Faculté des Sciences
Département de Mathématiques
Licence en Sciences de la vie et de la terre
MTH150 : Algèbre pour les

sciences de la vie et de la terre
Issa Cherif GERALDO

Anaté Kodjovi LAKMON
Kwassi ANANI
Janvier 2021
Table des matières
Note introductive 5
1 Généralités sur les matrices 6

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Notion de matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Définitions et exemples . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Matrices particulières . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.1 Addition et multiplication par un scalaire . . . . . . . . . . . . . 10
1.3.2 Produit de matrices . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.3 Transposition d’une matrice . . . . . . . . . . . . . . . . . . . . 12
1.3.4 Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . 13
1.4 Exemples d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Matrice de Leslie et dynamique des populations . . . . . . . . . 13
1.4.2 Les chaînes de Markov Homogènes (CMH) . . . . . . . . . . . . 15
1.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Calcul de déterminants 20
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 Déterminants d’ordres 2 et 3 . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.1 Déterminants d’ordre 2 . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.2 Déterminants d’ordre 3 . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Déterminants d’ordre quelconque . . . . . . . . . . . . . . . . . . . . . 22
2.3.1 Déterminant des matrices diagonales et triangulaires . . . . . . 22
2.3.2 Développement suivant une ligne ou une colonne . . . . . . . . . 22
2.3.3 Opérations élémentaires . . . . . . . . . . . . . . . . . . . . . . 24
2.3.4 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4 Application à l’inversion d’une matrice . . . . . . . . . . . . . . . . . . 26
2.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2
Table des matières 3
3 Systèmes d’équations linéaires 30

3.1 Exemple introductif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.2 Ecriture matricielle d’un système d’équations linéaires . . . . . . 31
3.2.3 Résolution et nombre de solutions . . . . . . . . . . . . . . . . . 32
3.3 Méthodes de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.1 Résolution par inversion matricielle . . . . . . . . . . . . . . . . 32
3.3.2 Méthode de Cramer . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.3 Méthode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.4 Récapitulatif sur les méthodes . . . . . . . . . . . . . . . . . . . 36
3.4 Exemples d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.1 Application en nutrition . . . . . . . . . . . . . . . . . . . . . . 36
3.4.2 Application à l’équilibrage des équations chimiques . . . . . . . 37
3.4.3 Détermination du vecteur d’équilibre (ou vecteur stationnaire)
d’une Chaine de Markov Homogène . . . . . . . . . . . . . . . . 38
3.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4 Calcul vectoriel 46
4.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.1.1 Définition d’un vecteur . . . . . . . . . . . . . . . . . . . . . . . 46
4.1.2 Repère orthonormé du plan . . . . . . . . . . . . . . . . . . . . 47
4.1.3 Repère orthonormé de l’espace . . . . . . . . . . . . . . . . . . . 47
4.1.4 Opérations sur les vecteurs . . . . . . . . . . . . . . . . . . . . . 48
4.2 Produit scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.3 Produit vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.3.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.3 Calcul pratique . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.4 Exemples d’application du produit vectoriel . . . . . . . . . . . 52
4.4 Produit mixte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.4.1 Définition et propriétés . . . . . . . . . . . . . . . . . . . . . . . 52
4.4.2 Exemples d’application du produit mixte . . . . . . . . . . . . . 53
4.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5 Droites et plans dans l’espace 56

5.1 Le plan dans l’espace . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.1.2 Détermination de l’équation d’un plan . . . . . . . . . . . . . . 57
5.1.3 Distance d’un point à un plan . . . . . . . . . . . . . . . . . . . 58
5.2 La droite dans l’espace . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2.2 Equation d’une droite . . . . . . . . . . . . . . . . . . . . . . . 59
5.2.3 Distance d’un point à une droite de l’espace . . . . . . . . . . . 59
4 Table des matières
5.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Références bibliographiques 62
Note introductive
Ce support de cours présente les outils et concepts algébriques nécessaires pour la

modélisation mathématique (c’est-à-dire la représentation de situations réelles à l’aide
d’objets mathématiques) en sciences de la vie et de la terre. Il est destiné aux étudiants
en parcours licence de sciences de la vie et de la terre (biologie et physiologie animale
ou végétale, géosciences, agronomie, etc...).
L’objectif général de ce cours est d’acquérir les outils algébriques nécessaires à la

modélisation et à la résolution des problèmes souvent rencontrés dans le domaine des
sciences de la vie et de la terre. Il s’agit entre autres du calcul matriciel, du calcul
vectoriel, du repérage des objets dans l’espace ainsi que leurs diverses applications.
Ce cours est composé de deux grandes parties :

— une première partie (chapitres 1 à 3) portant sur le calcul matriciel et ses
applications
— une deuxième partie (chapitres 4 à 5) portant sur le calcul vectoriel et le repé-
rage dans le plan et dans l’espace.
Chaque chapitre contient des exercices d’application dont la plupart sont corrigés.
Il est vivement conseillé au lecteur de résister à la tentation de lire directement le
corrigé proposé pour un exercice sans avoir au prélable essayé de traiter le plus sérieu-
sement et le plus rigoureusement possible ledit exercice. Cela lui évitera l’impression
d’avoir compris alors qu’il n’en est rien. Chaque chapitre finit par des exercices de
travaux dirigés (TD) non corrigés et dont certains seront corrigés en séance de TD.
Comme toutes les branches des mathématiques, l’algèbre a de nombreuses applica-

tions dans les différents domaines des sciences de la vie et de la terre. Tout au long de
ce document, le lecteur découvrira une sélection de quelques exemples d’applications
intéressantes soit sous une forme d’exemple ou d’exercice d’application intégralement
corrigé soit sous la forme d’exercices de TD.
Les auteurs
5
Chapitre 1
Généralités sur les matrices
Objectifs spécifiques
A la fin de ce cours, l’apprenant devra être capable de (d’) :
— construire des matrices

— effectuer des opérations matricielles
1.1 Introduction
Les matrices sont un outil mathématique de premier choix pour organiser et stocker
des données. Le calcul matriciel fournit des outils et méthodes incontournables pour
la modélisation dans de nombreux domaines dont les sciences naturelles. Entre autres
exemples d’applications :
— l’étude de la dynamique des populations : évolution dans le temps de
populations biologiques (humaines, animales, végétales, ou microbiennes),
— l’analyse des données statistiques en sciences naturelles
— la résolution des systèmes différentiels linéaires : type de système servant
à modéliser la dynamique de deux quantités évoluant avec le temps, non pas de
façon indépendante mais en interaction.
— etc . . .
1.2 Notion de matrice
1.2.1 Définitions et exemples
Définition 1.1 Soient n et m deux entiers naturels non nuls.

— On appelle matrice d’ordre (n, m), un tableau rectangulaire de nombres ayant
6
1.2. Notion de matrice 7
n lignes et m colonnes et représenté sous la forme :

 
a11 a12 . . . a1m
 a21 a22 . . . a2m 
 
A =  ..
 .. .. . (1.1)
 . . .


an1 an2 . . . anm
— Les nombres a11 , . . . , anm sont appelés les éléments de la matrice A où aij désigne
l’élément situé à l’intersection de la ligne i et de la colonne j.
— L’ensemble des matrices réelles d’ordre (n, m) est noté Mn,m (R).
La matrice A définie par la notation (1.1) peut être aussi notée A = (aij ) 16i6n ou
16j6m
A = (aij ).
Exemple 1.1 Voici des exemples de matrices :
−1
 
 
! 1 −1
−2 5 5 10  1 
A= ; B = 0 0  ; C =  .
   
0 0 3 −5  0 
5 2
2
La matrice A est d’ordre (2, 4), la matrice B est d’ordre (3, 2) et la matrice C est
d’ordre (4, 1).
1.2.2 Matrices particulières
Définition 1.2 Soient n et m deux entiers naturels. Une matrice d’ordre (n, 1) est
appelée matrice colonne ou un vecteur colonne et une matrice d’ordre (1, m) est appelée
matrice ligne ou un vecteur ligne.
Définition 1.3 (Matrice nulle) Soient n et m deux entiers naturels. On appelle

matrice nulle, toute matrice ne contenant que des zéros. Elle est notée 0n,m ou, plus
simplement, 0 lorsqu’il n’y a pas de confusion possible sur l’ordre.
Exemple 1.2 !
0 0 0
02,3 = .
0 0 0
Définition 1.4 (Matrice carrée) Soit n un entier naturel non nul.

8 Chapitre 1. Généralités sur les matrices
— Une matrice A est dite matrice carrée d’ordre n si elle a n lignes et n colonnes.
— L’ensemble des matrices réelles carrées d’ordre n est noté Mn (R).
— Les éléments a11 , . . . , ann d’une matrice carrée A d’ordre n, sont appelés les
éléments diagonaux de A et le vecteur (a11 , . . . , ann ) est appelé la diagonale de
A, notée diag(A).
Exemple 1.3 La matrice  

−1 1 0
 2 0 4 
A= 
7 2 −5
est une matrice carrée d’ordre 3 et ses éléments diagonaux de sont −1, 0 et −5.
Définition 1.5 Une matrice carrée d’ordre n, A, est dite :

— triangulaire inférieure si tous les éléments en haut de la diagonale sont nuls
c’est-à-dire si A est de la forme
a11 0 ... ... 0
 
a
 21 a22 0 ... 0  
 . .. .. .. .. 
A =  .. . . . .  .

 .. .. .. ..
 
 . . . . 0 

an1 . . . ... . . . ann

Ce qui se traduit par :
∀i, j = 1, . . . , n, j > i =⇒ aij = 0.
— triangulaire supérieure si tous les éléments situés en bas de la diagonale sont
nuls c’est-à-dire si A est de la forme
 
a11 a12 . . . a1n

 0 a .. 
22 . 
A= . .

. .. 

.
 . . .
 . . . .  
0 . . . 0 ann
∀i, j = 1, . . . , n, j < i =⇒ aij = 0.
— diagonale si tous les éléments situés en dehors de la diagonale sont nuls c’est-
à-dire  
a11 0 . . . 0

 0 . . . . . . .. 
. 
A= . . .
 
 . . ..
 . . . 0 
0 . . . 0 ann
1.2. Notion de matrice 9
∀i, j = 1, . . . , n, i 6= j =⇒ aij = 0.
Exemple 1.4 On considère les matrices carrées d’ordre 3 suivantes :

     
1 0 0 0 1 1 3 0 0
A = 0 −3 1 , B = 0 −5 1 , C = 0 1 0  ,
     
2 0 0 0 0 4 2 −2 1
   
1 0 0 0 0 0
D = 0 −2 0

, E = 0 0 0

.
0 0 0 0 0 0
Pour chacune de ces matrices, le tableau suivant indique si elle est : triangulaire supé-
rieure, triangulaire inférieure ou diagonale :
Matrice Triangulaire inf. Triangulaire sup. Diagonale

A
√
B
√
C
√ √ √
D
√ √ √
E
Définition 1.6 La Matrice identité d’ordre n est la matrice diagonale ne contenant

que des 1 sur sa diagonale :
 
1 0 ... 0
 .. .. 
0 1 . .
In = 
.
... ...

.
.
. 0

0 ... 0 1
Elle est simplement notée I lorsqu’il n’y a pas de confusion possible sur son ordre.
Exemple 1.5
 
! 1 0 0
1 0
I2 = ; I3 = 0 1 0 .
 
0 1
0 0 1
1.3 Opérations sur les matrices

1.3.1 Addition et multiplication par un scalaire
— L’addition de deux matrices de même ordre se fait élément par élément i.e. si
A = (aij ) et B = (bij ) sont deux matrices d’ordre (n, m) alors la matrice A + B
est définie par
A + B = (aij + bij ).
— Multiplier une matrice par un réel λ revient à multiplier tous ses éléments par
λ.
Exemple 1.6 On considère les matrices suivantes :
! !
1 2 3 0 1 4
A= et B = .
4 5 6 3 −8 1
! ! !
1 3 7 −1 −2 −3 0 2 8
A+B = , −A = , 2B = ,
7 −3 7 −4 −5 −6 6 −16 2
!
−1 0 5
2B − A = .
2 −21 −4
1.3.2 Produit de matrices
Définition 1.7 Soient A une matrice d’ordre (n, m) et B une matrice d’ordre (m, p)
telles que le nombre de colonnes de A est égal au nombre de lignes de B.
Le produit C = AB est une matrice d’ordre (n, p) dont le terme cij est défini pour
i = 1, . . . , n et j = 1, . . . , m par :
cij = somme du produit terme à terme de la ligne i de A et de la colonne j de B

= ai1 b1j + ai2 b2j + · · · + aip bpj .
Exemple 1.7  
1 −2 !
4 1
A= 3 7, B=

6 −5
−4 6
A est d’ordre (3, 2) et B est d’ordre (2, 2) donc AB existe et est d’ordre (3, 2). La
matrice AB est donc de la forme
 
x y
AB = z t  .
 
u v
1.3. Opérations sur les matrices 11
Pour obtenir l’élément x de AB, on remarque que x se trouve sur la ligne 1 et la colonne
1 de AB. Donc on prendra la ligne 1 de A et la colonne 1 de B qu’on multipliera terme
à terme après quoi on somme. Cela correspond au processus suivant :
     
1 −2 ! 1 × 4 + (−2) × 6 · −8 ·
 4 ·

· · −→ 
· · 
−→ AB =  ·

·
6 ·
    
· · · · · ·
c’est-à-dire x = 8.
Pour obtenir y, on cherche donc à calculer l’élément se trouvant sur la ligne 1
et la colonne 2 de AB. Donc on prendra la ligne 1 de A et la colonne 2 de B qu’on
multipliera terme à terme après quoi on somme. Cela correspond au processus suivant :
     
1 −2 ! · 1 × 1 + (−2) × (−5) · · 11
 · 1
· ·  −→ · ·  −→ AB = · · 
    
· −5
· · · · · ·
c’est-à-dire y = 11.
En procédant ainsi pour tous les éléments, on obtient
   
1 · 4 + (−2) · 6 1 · 1 + (−2) · (−5) −8 11
AB =  3 · 4 + 7 · 6 3 · 1 + 7 · (−5)  =  54 −32
  

(−4) · 4 + 6 · 6 (−4) · 1 + 6 · (−5) 20 −34
Remarque 1.1 Dans l’exemple 1.7, le produit BA n’existe pas car B a 2 colonnes et
A a 3 lignes.
Exercice d’application 1.1 Soient A, B et C les matrices définies par :

 
! 1 !
1 2 −1 2 −3
A= , B =  2 , C= .
 
2 4 0 0 1
−1
Parmi les produits suivants, effectuer ceux qui sont possibles : AB, BA, AC et C 2 .
III Indications : Les seuls produits possibles sont AB et C 2 .

 
!1 ! !
1 2 −1   1 · 1 + 2 · 2 + (−1) · (−1) 6
AB =  2 = =
2 4 0 2 · 1 + 4 · 2 + 0 · (−1) 10
−1
! ! ! !
2 2 −3 2 −3 2 · 2 + (−3) · 0 2 · (−3) + (−3) · 1 4 −9
C = = = .
0 1 0 1 0·2+1·0 0 · (−3) + 1 · 1 0 1
♦
Remarque 1.2
— Si A est une matrice carrée d’ordre n alors AIn = In A = A.
— Le produit de matrices n’est pas commutatif : l’existence de AB n’assure pas
celle de BA et, en général, même si elles existent, les matrices AB et BA ne
sont pas égales.
— Contrairement aux réels, la relation matricielle AB = 0 n’implique pas toujours

A = 0 ou B = 0. Par exemple, pour
! !
1 0 0 0
A= et B =
0 0 0 1
on a AB = 0 mais A 6= 0 et B 6= 0.
On peut multiplier une matrice carrée par elle-même : on note A2 = A × A,

3
A = A × A × A. On peut ainsi définir les puissances successives d’une matrice.
Définition 1.8 (Puissances d’une matrice) Soit A une matrice carrée d’ordre n.
On définit les puissances successives de A par A0 = In et Ap+1 = Ap × A pour tout
p ∈ N. Autrement dit, Ap = |A × A × {z
· · · × A}.
p facteurs
Le théorème suivant est très utile dans le calcul des puissances d’une matrice.
Théorème 1.1 (Formule du binôme de Newton) Si A et B ∈ Mn (R) telles que
AB = BA, alors, pour tout p ∈ N,
p p
(A + B)p = Cpk Ak B p−k = Cpk Ap−k B k
X X
(1.2)
k=0 k=0
où A0 = B 0 = In .
Exemple 1.8 Si A ∈ M2 (R), on a AI2 = I2 A = A et

(A + I2 )3 = C30 A0 I23 + C31 A1 I22 + C32 A2 I21 + C33 A3 I20
= I2 I2 + 3AI2 + 3A2 I2 + A3 I2
(A + I2 )3 = I2 + 3A + 3A2 + A3 .
1.3.3 Transposition d’une matrice
Définition 1.9 Soit A ∈ Mn,m (R). La transposée de A est la matrice d’ordre (m, n)
obtenue en échangeant les lignes et les colonnes de A. Elle est notée tA ou AT et définie
par :
(AT )ij = aji , pour i = 1, . . . , m, et j = 1, . . . , n.
1.4. Exemples d’application 13
 
1 4 !
1 2 3
Exemple 1.9 La transposée de la matrice A = est AT = 
2 5.

4 5 6
3 6
1.3.4 Trace d’une matrice carrée
Définition 1.10 Soit A une matrice carrée d’ordre n. La trace de A, notée tr(A), est
la somme de ses éléments diagonaux :
n
X
tr(A) = aii = a11 + a22 + · · · + ann .
i=1
Exemple 1.10 On considre la matrice carrée d’ordre 3 définie par :

 
1 2 3
A = 4 5 6 .
 
7 8 9
Alors tr(A) = 1 + 5 + 9 = 15.
1.4 Exemples d’application

1.4.1 Matrice de Leslie et dynamique des populations
La matrice de Leslie permet de modéliser la dynamique d’une population structurée
en classes d’âge dont les coefficients (positifs) de fertilité et les probabilités (ou taux) de
survie de chaque classe d’âge à la classe suivante sont connues. Par souci de simplicité,
certaines caractéristiques telles que la migration par exemple, ne sont pas pas prises
en compte et on suppose que la population dispose de ressources illimitées. Comme
seules les femelles donnent la vie, on ne considère que les classes d’âge des femelles de
la population.
Exemple 1.11 ([7]) Considérons une population de rongeurs, en limitant les obser-
vations aux femelles. Supposons :
— qu’elles vivent au maximum 3 ans, avec un taux de survie de 60% la première
année et 25% la deuxième année
— que chaque femelle donne naissance à 4 femelles au cours de sa deuxième année
et à 5 femelles au cours de sa troisième année.
— cette population est subdivisée en trois classes d’âges : bébés (1ère année), jeunes
(2ème année) et adultes (3ème année) d’effectifs respectifs bn , jn et an l’année
n.
 
bn
On note Xn =   jn  le vecteur des effectifs par catégories d’âge l’année n. Détermi-

an
nons la matrice L (appelée matrice de Leslie ou matrice de projection de la
population) telle que Xn+1 = LXn .
La dynamique de cette population est décrite par les équations suivantes :

     

 bn+1 = 4jn + 5an bn+1 0 4 5 bn
j = 0.6bn soit  jn+1  = 0.6
  
0 0   jn 
 
 n+1

an+1 = 0.25jn an+1 0 0.25 0 an
donc  
0 4 5
L = 0.6 0 0
 
0 0.25 0
Remarque 1.3 La matrice de Leslie porte le nom du statisticien anglais Sir Patrick
Holt Leslie (1900-1972) qui a développé, en 1945, un modèle mathématique pour
décrire l’évolution temporelle du nombre de femelles dans des populations de souris et
de rats. Cette étude tire sa motivation du fait que pendant la seconde guerre mondiale,
la prolifération de ces rongeurs était un véritable souci en raison des dégâts qu’ils
pouvaient occasionner au niveau des réserves alimentaires de la population anglaise.
Le modèle mathématique mis au point par Leslie tient compte de la structuration de
la population selon plusieurs classes d’âges. C’est un modèle discret car le temps y est
considéré à intervalles réguliers et ne prend que des valeurs entières. Leslie a montré
la pertinence de son modèle en l’appliquant à des données observées sur des rats, mais
aussi sur d’autres populations animales. De nos jours, ce modèle est adopté par de
nombreux biologistes.
Soit L une matrice de Leslie modélisant la dynamique d’une population structurée

en classes d’âge telle que Xn représente le vecteur des effectifs au temps n et X0
représente le vecteur des effectifs au temps initial (temps n = 0). De la relation Xn+1 =
LXn , on déduit :
X1 = LX0
X2 = LX1 = L2 X0
X3 = LX2 = L3 X0
..
.
Xn = Ln X0 .
Ce qui conduit à la proposition suivante :

Proposition 1.1 Soit L une matrice de Leslie modélisant la dynamique d’une popu-
lation structurée en classes d’âge telle que Xn représente le vecteur des effectifs au
temps n et X0 représente le vecteur des effectifs au temps initial (temps n = 0). Pour
tout n ∈ N, on a :
Xn = Ln X0 .
Exercice d’application 1.2 Reprenons l’exemple 1.11. Si l’on suppose que la popu-
lation initiale en 2018 (n = 0) compte 10 femelles dans chaque classe d’âge, combien
y en aura-t-il en 2019 ? en 2020 ?
III Indications :  
10
— L’année 2018 correspond à n = 0 et donc à X0 = 10.
 
10
— L’année 2019 correspond à n = 1 et donc à
    
0 4 5 10 90
X1 = LX0 = 0.6 0 0 10 =  6  .
    
0 0.25 0 10 2.5
— L’année 2020 correspond à n = 2 et donc à

    
2.4 1.25 0 10 36.5
2
X2 = L X0 =  0 2.4 3 10 =  54  .
    
0.15 0 0 10 1.5
1.4.2 Les chaînes de Markov Homogènes (CMH)

Les chaînes de Markov (CM) permettent de décrire l’évolution en temps discret
n ∈ N d’une population dont les individus peuvent être répartis en plusieurs catégories
(appelées états) et sont susceptibles de changer aléatoirement d’état du temps n au
temps n + 1. On parle de Chaîne de Markov Homogène (CMH) lorsque les probabilités
de passage d’un état à un autre sont fixes et ne dépendent pas du temps n.
Remarque 1.4 Une présentation rigoureuse des CMH nécessite des notions de théorie
de probabilités dépassant largement le cadre de ce cours et qui seront simplement
admises. Nous nous concentrerons donc plutôt sur l’aspect appliqué. Afin de faciliter
la compréhension au lecteur, nous adopterons des notations légèrement différentes de
celles habituellement utilisées pour les chaînes de Markov.
Illustrons les CMH à l’aide d’un exemple.

Exemple 1.12 Une épidémie se propage dans un troupeau de boeufs. Malgré l’ad-
ministration d’un remède expérimental, on constate que chaque semaine, 25% des
animaux malades guérissent tandis que 25% des malades meurent et 25% des animaux
en bonne santé deviennent malades. On peut représenter la situation à l’aide d’une
CMH à trois états : bien portant (1), malade (2) et mort (3).
On peut représenter le passage entre les trois états par le diagramme suivant :
0.75 0.5 1
0.25
1 0.25 2 0.25 3
La CM est définie par la donnée de :

— la matrice  
0.75 0.25 0
0.25 0.5 0
P = 
0 0.25 1
appelée matrice de transition telle que pour tous i, j ∈ {1, 2, 3}, pij repré-
sente la probabilité de passage de l’état j à l’état i et la somme de chaque
colonne vaut 1 ;
— et d’une répartition initiale
 (0) 
π
 1(0) 
π (0) = 
π2 

(0)
π3
(0)
appelée vecteur d’états initial où πi représente la proportion initiale des
(0)
animaux se trouvant dans l’état i et 3i=1 πi = 1.
P
Au bout de n semaines, la répartition des animaux suivant les états est alors définie
par
π (n) = P n π (0) .
Supposons qu’au départ tous les animaux sont bien portants c’est-à-dire
 
1
(0)
π = 0 .
 
Les répartitions au bout d’une semaine puis deux semaines sont respectivement don-
nées par
    
0.75 0.25 0 1 0.75
π (1) = P π (0) = 0.25 0.5 0 0 = 0.25
    
0 0.25 1 0 0
1.5. Exercices 17
et     
0.625 0.3125 0 1 0.625
π (2) = P 2 π (0) = 0.3125 0.3125 0 0 = 0.3125 .
    
0.0625 0.375 1 0 0.0625

Ainsi, après deux semaines, on devrait observer 62.5% d’animaux bien portants, 31.25%
d’animaux malades et 6.25% d’animaux morts.
1.5 Exercices
Exercice 1.1 Calculer le produit AB dans chacun des cas suivants :

! !
2 1 1 −1
1) A = ; B= .
3 2 1 1
 
! −1 −1 0
1 2 0
2) A = ; B= 1

4 −1.
3 1 4
2 1 2
   
a b c a c 1
3) A =  c b a

; B =  b b 1 où a, b, c ∈ R.
  
1 1 1 c a 1
Exercice 1.2 On considère la matrice carrée d’ordre 3 suivante :

 
−1 1 1
A =  1 −1 1  .
 
1 1 −1
1) Vérifier que A2 + A − 2I3 = 0.

2) En procédant par factorisation, déterminer en fonction de A une matrice B telle
que AB = I3 (la matrice B est appelée l’inverse de A et notée A−1 ).
Exercice 1.3 On considère deux suites (un ) et (vn ) définies par :

(
un+1 = 2un + vn
vn+1 = −un
où u0 et v0 sont des nombres réels donnés.

1) Pour tout n ∈ N, on pose : !
u
Xn = n
vn
Trouver la matrice M telle que Xn+1 = M Xn .
2) Démontrer que ∀n ∈ N, Xn = M n X0 .
3) Déterminer la matrice B telle que M = I2 + B.
4) Vérifier que B 2 = 0.
5) Calculer alors M n en utilisant la formule du binome de Newton et en déduire les
expressions de un et vn en fonction de n, u0 et v0 .
Exercice 1.4 Soit  

3 2 −2
A = −1 0 1  .
 
1 1 0
1) Calculer A2 et trouver deux réels α et β tels que A2 = αA + βI3 .
2) Trouver, sans calculer explicitement ces matrices, des décompositions analogues de
A3 puis A4 en fonction de A et I3 .
3) En déduire que pour tout n ∈ N, il existe deux réels αn et βn tels que An =
αn A + βn I3 et utiliser l’expression de An+1 pour montrer que
(
αn+1 = 2αn + βn
βn+1 = −αn
4) Utiliser les résultats de l’exercice 1.3 pour obtenir les expressions de αn et βn en

fonction de n puis celle de An .
 
1 1 0
Exercice 1.5 Soit A = 0 1 1 et soit B = A − I3 .
 
0 0 1
1) Calculer B 2 , B 3 et en déduire l’expression de B n pour tout entier n ∈ N.
2) Développer (B + I3 )n par la formule du binome et simplifier.
3) En déduire An Pour tout entier n ∈ N.
Exercice 1.6 Pour une certaine espèce d’insectes, on a fait les observations suivantes
chez les femelles :
— Les insectes vivent au maximum trois ans.
— La moitié d’entre elles meurent à la fin de la première année de vie et parmi
celles qui survivent, les 2/3 meurent à la fin de la deuxième année de vie.
— Dans leur troisième année de vie, chaque femelle donne naissance en moyenne
à 6 individus femelles de la même espèce.
1.5. Exercices 19
 
xn
L’année 2019+n (avec n ∈ N), on note Xn =   yn  le vecteur des nombres d’individus

zn
respectivement dans leur première année de vie, dans leur deuxième année de vie et
dans leur troisième année de vie.
1) Déterminez la matrice de Leslie L telle que Xn+1 = LXn .
2) Soit n ∈ N. Exprimer Xn en fonction de L et X0 .
3) Calculer L2 et L3 . Que peut-on dire sur l’évolution de la population de ces insectes ?
Exercice 1.7 On considère une population de rongeurs qui ont une durée de vie de
trois ans. On note respectivement xn , yn et zn le nombre de femelles en première,
deuxième et troisième année de vie dans l’année 2019 + n (n ∈ N). Les femelles ne
sont pas fécondes la première année et chacune des femelles en vie donne 5 femelles
durant sa deuxième année et 9 durant sa troisième année. Le taux de survie est de 40
% la première année et de 65 % la deuxième année.
1) Etablir la matrice de Leslie M des femelles.
2) On suppose que la population initiale de femelles est constituée de 50 jeunes, 30
de deux ans et de 45 de trois ans. Calculer l’effectif des différentes classes d’âge de
femelles au cours des deux ans à venir, ainsi que l’effectif total.
Exercice 1.8 Dans une certaine ville, le temps est soit beau (état 1), indifférent (état
2) ou mauvais (état 3). Si le temps est beau un jour donné, il y a 40% de chance qu’il
soit beau le lendemain et 30% de chance qu’il soit indifférent. Si le temps est indifférent
un jour donné, il a 50% de chance qu’il soit beau le lendemain et 20% de chance qu’il
soit indifférent. Enfin, si le temps est mauvais un jour donné, il y a 30% de chance
qu’il soit bon le lendemain et 40% qu’il soit indifférent.
1) Ecrire la matrice de transition P associée à cette situation.
2) La météo estime qu’aujourd’hui il y a 60% de chance que le temps soit indifférent
et 40% qu’il pleuve. Quelles sont les chances que le temps soit beau dans 2 jours ?
Exercice 1.9 Chaque année, on estime que 15% des habitants d’une ville (état 1) se
déplacent vers la banlieue environnante (état 2) et 8% de la population de la banlieue se
déplace vers la ville. Actuellement, il y a au total 2 millions d’habitants dont 1.4 million
en ville et 600 000 en banlieue. On suppose négligeables les décès et les naissances et
que la migration se fait uniquement entre la ville et la banlieue.
1) Ecrire la matrice de transition P et le vecteur d’états initial π (0) de la chaîne de
Markov décrivant ce modèle de migration.
2) Calculer la répartition attendue de la population au bout de 3 ans.
Chapitre 2
Calcul de déterminants
— calculer les déterminants

— calculer l’inverse d’une matrice.
2.1 Introduction
Soit A une matrice carrée d’ordre n. Il est souvent utile de déterminer (voir chapitre
3) une matrice B ∈ Mn (R) telle que
AB = BA = In .
Si une telle matrice B existe, elle est unique et on dit alors que A est inversible. La
matrice B est alors notée B = A−1 et appelée inverse de A.
Le calcul de déterminants permet non seulement de déterminer si une matrice

carrée A est inversible, et le cas échéant, fournit une méthode pratique de calcul de
son inverse A−1 .
2.2 Déterminants d’ordres 2 et 3

2.2.1 Déterminants d’ordre 2
Définition 2.1 Le déterminant d’une matrice carrée d’ordre 2,

!
a a
A = 11 12
a21 a22
20
2.2. Déterminants d’ordres 2 et 3 21
est donné par :

a a12
11
det(A) = = a11 a22 − a21 a12 .
a21 a22

1 2
Exemple 2.1 On a : = 4 − (−6) = 10.

−3 4

2.2.2 Déterminants d’ordre 3

Un déterminant d’ordre 3 est de la forme :

a b c

∆= d e f

g h i
où a, b, c, d, e, f , g, h et i sont des nombres réels.
La valeur d’un déterminant d’ordre 3 est aisément obtenue en utilisant la Règle

de Sarrus qui est un procédé visuel portant le nom du mathématicien français Pierre
Frédéric Sarrus. Il est nécessaire de préciser que ladite règle n’est valable que pour
les déterminants d’ordre 3.
Règle de Sarrus.
Elle se décline en deux étapes décrites ci-après :
1) Ecrire les 3 colonnes du déterminant puis répéter à droite les deux premières co-
lonnes
2) Effectuer le produit des termes pour chacune des 6 diagonales qui apparaissent puis
les ajouter en affectant du signe + si la diagonale est descendante et du signe − si
elle est ascendante.
affectés du signe −
a b c a b
d e f d e
g h i g h
affectés du signe +
On obtient donc :

a b c

d

e f = aei + bf g + cdh − gec − hf a − idb.

g h i
22 Chapitre 2. Calcul de déterminants
Exemple 2.2 Calculons le déterminant

−2 2 −3

∆= −1 1 3

0 −1

2
en utilisant la règle de Sarrus. Le procédé visuel est le suivant :
−2 2 −3 −2 2
−1 1 3 −1 1
2 0 −1 2 0
∆ = (−2) · 1 · (−1) + 2 · 3 · 2 + (−3) · (−1) · 0

− 2 · 1 · (−3) − 0 · 3 · (−2) − (−1) · (−1) · 2
= 2 + 12 + 0 + 6 + 0 − 2
= 18.
2.3 Déterminants d’ordre quelconque

Les règles de calcul présentées dans cette section sont valables pour tous les déter-
minants quelque soit l’ordre, y compris les déterminants d’ordres 2 et 3.
2.3.1 Déterminant des matrices diagonales et triangulaires

Le déterminant d’une matrice diagonale ou triangulaire est égal au produit de ses
éléments diagonaux.
Exemple 2.3

−3 0 0 1 0 0

∆1 = 0

−1 0 = 12 ; ∆2 = 3

2 0 = −8.
−1 0 −4

0 0 4
2.3.2 Développement suivant une ligne ou une colonne

2.3.2.1 Notion de cofacteur
Définition 2.2 Soit A ∈ Mn (R).

— On appelle mineur du terme aij , noté ∆ij , le déterminant de la matrice obtenue
en supprimant la ieme ligne et la j eme colonne de A :
2.3. Déterminants d’ordre quelconque 23

a1,1 ... a1,j−1 a1,j a1,j+1 ... a1,n
. .. .. .. ..

..

. . . .

ai−1,1 . . . ai−1,j−1 ai−1,j ai−1,j+1 ... ai−1,n

∆ij = ai,1 . . . ai,j−1 ai,j ai,j+1 ... ai,n

ai+1,1 . . . ai+1,j−1 ai+1,j ai+1,j+1 ... ai+1,n

. .. .. .. ..
.
. . . . .

a . . . an,j−1 an,j an,j+1 ... a
n,1 n,n
— On appelle cofacteur du terme aij la quantité
cof(aij ) = (−1)i+j ∆ij .
Exemple 2.4 Le cofacteur de a11 dans la matrice

 
−2 2 −3
A = −1 1 3 
 
2 0 −1
est
1 3
1+1 1+1
cof(a11 ) = cof(−2) = (−1) ∆11 = (−1) = −1.

0 −1

2.3.2.2 Développement du déterminant suivant une ligne ou une colonne

Théorème 2.1 Soit A une matrice carrée d’ordre n.
— Soit i ∈ {1, . . . , n} un numéro de ligne. On a :
det(A) = ai1 cof(ai1 ) + · · · + ain cof(ain ). (2.1)
La formule (2.1) est la formule de développement de A suivant la ligne i.

— Soit j ∈ {1, . . . , n} un numéro de colonne. Le développement de A suivant la
colonne j est donné par :
det(A) = a1j cof(a1j ) + · · · + anj cof(anj ). (2.2)
La formule (2.2) est la formule de développement de A suivant la colonne

j.
Les formules (2.1) et (2.2) traduisent le fait que pour calculer un déterminant ∆, on
peut choisir une ligne ou une colonne de ∆ et obtenir la valeur de ∆ comme la somme
des produits de chaque élément (de la ligne ou colonne choisie) par son cofacteur. Afin
de simplifier les calculs, il est préférable de choisir s’il y en a, les lignes ou colonnes
qui contiennent beaucoup de 0.
Exemple 2.5
−2 2 −3

∆= −1 1 3

0 −1

2
— En développant suivant la 3e ligne, on obtient
∆ = 2 · cof(2) + 0 · cof(0) + (−1) · cof(−1)

2 −3 −2 2
= 2 · (−1)3+1 · + 0 + (−1) · (−1)3+3 ·

1 3 −1 1

=2·1·9+0+0
= 18.
— En développant suivant la 2e colonne, on obtient
∆ = 2 · cof(2) + 1 · cof(1) + 0 · cof(0)

−1 3 −2 −3
1+2
= 2 · (−1) · + 1 · (−1)2+2 · +0

2 −1 2 −1
= 2 · (−1) · (−5) + 1 · 1 · 8 + 0
= 18.
Bien entendu, on trouve la même réponse.
2.3.3 Opérations élémentaires

2.3.3.1 Définition
Définition 2.3 Une opération élémentaire est une des trois manipulations sui-
vantes :
— échange de deux colonnes (resp. lignes),
— multiplication d’une colonne (resp. ligne) par un nombre non nul,
— ajout à une colonne (resp. ligne) d’une combinaison linéaire des autres colonnes
(resp. lignes).
A chaque opération élémentaire correspond une notation. Dans l’exemple suivant,

nous donnons quelques opérations élémentaires, leurs notations respectives et le résul-
tat obtenu sur un déterminant d’ordre 3.
Exemple 2.6 Soit ∆ le déterminant défini par :

−2 2 −3

∆= −1 1 3 .

0 −1

2
2.3. Déterminants d’ordre quelconque 25
Opération Notation Résultat sur ∆

−2 2 −3

Multiplier la ligne 2 par −3 L2 ← −3L2 ∆1 = 3
-3 -9

2 0 −1

0
2 −3

Ajouter la colonne 2 à la colonne 1 C1 ← C1 + C2 ∆2 = 0
1 3

2 0 −1

2 0 -1

Echange des première et troisième L1 ↔ L3 ∆3 = −1
1 3
lignes
−2 2 −3

NB : les changements figurent en gras dans les déterminants de la troisième colonne.
2.3.3.2 Effet des opérations élémentaires sur le déterminant

Proposition 2.1
— On ne change pas la valeur du déterminant en ajoutant à une ligne (resp.
colonne) une combinaison linéaire des autres lignes (resp. colonnes).
— Si on échange deux lignes ou deux colonnes, la valeur du déterminant est mul-
tipliée par (−1).
— Si on multiplie ou factorise une ligne (resp. colonne) par un réel λ, le détermi-
nant est lui aussi multiplié ou factorisé par λ.
Nous donnons une illustration dans l’exemple suivant :

1 2
Exemple 2.7 Considérons ∆ = = −2.

3 4

1) Opération élémentaire : C1 ← C1 + 100C2

201 2
∆1 = = 804 − 806 = −2 = ∆.

403 4

2) Opération élémentaire : L1 ↔ L2

3 4
∆2 = = 2 = −∆.

1 2

3) Opération élémentaire : L1 ← 100L1

100 200
∆3 = = −200 = 100 × ∆.

3 4

Exercice d’application 2.1 Résoudre l’équation P (x) = 0 où

x
3 3
P (x) = 3 x 3 .

3 3 x
Indication : on pourra commencer par l’opération C1 ← C1 + C2 + C3 .
III Indications : En faisant, C1 ← C1 + C2 + C3 , on trouve

x + 6 3 3

P (x) = x + 6 x 3 .

x + 6 3 x
En faisant maintenant L2 ← L2 − L1 et L3 ← L3 − L1 , on trouve

x + 6 3 3

P (x) = 0 x−3 0 .

x − 3

0 0
Cette dernière forme étant triangulaire, on déduit que P (x) = (x+6)(x−3)(x−3). L’ensemble
des solutions est donc S = {−6, 3}. ♦
2.3.4 Propriétés
Proposition 2.2 Soient A, B ∈ Mn (R) et α ∈ R. Alors :
1) det(AT ) = det(A).
2) det(αA) = αn det(A).
3) det(AB) = det(A)det(B).
2.4 Application à l’inversion d’une matrice

Proposition 2.3 (Méthode des cofacteurs) Une matrice carrée A est inversible
si det(A) 6= 0. Dans ce cas,
1
A−1 = com(A)T (2.3)
det(A)
avec com(A) la comatrice (ou matrice des cofacteurs) de A.
Exercice d’application 2.2 Montrer que la matrice
 
1 2 −2
A = 1 1 0 
 
2 1 −3
est inversible et calculer A−1 .
2.4. Application à l’inversion d’une matrice 27
III Indications : det(A) = 5 6= 0 donc A est inversible. Calculons la comatrice :

— Ligne 1, colonne 1

1+1 1 0

cof(a11 ) = cof(1) = (−1) = −3.
1 −3


1 0
cof(a12 ) = cof(2) = (−1)1+2 = 3.

2 −3

1+3 1 1

cof(a13 ) = cof(−2) = (−1) = −1.
2 1


2+1 2
−2
cof(a21 ) = cof(1) = (−1) = 4.
1 −3


2+2 1
−2
cof(a22 ) = cof(1) = (−1) = 1.
2 −3


1 2
cof(a23 ) = cof(0) = (−1)2+3 = 3.

2 1

3+1 2
−2
cof(a31 ) = cof(2) = (−1) = 2.
1 0


3+2 1
−2
cof(a32 ) = cof(1) = (−1) = −2.
1 0


1 2
cof(a33 ) = cof(−3) = (−1)3+3 = −1.

1 1
On donc a  
−3 3 −1
com(A) =  4 1 3
 
2 −2 −1
d’où  
−3 4 2
1
A−1 =  3 1 −2 .

5
−1 3 −1
♦
2.5 Exercices
Exercice 2.1
1) Calculer les déterminants suivants :

1 3 1 1 0 0 1 0 3 1 2 3

∆1 = 0

−1 4 , ∆2 = 3

2 0 , ∆3 = 2

0 4 , ∆4 = 4

5 6 .
0 −2 −1 1

0 0 5 1 3 7 8 9
2) Soient a, b et c trois réels. Calculer les déterminants suivants :

0 a 0 1 1 1

∆5 = 0 0 b , ∆6 = a b c

c 0 0 b + c c + a a + b
Exercice 2.2 On considère les matrices carrées d’ordre 3 suivantes :

   
1 2 0 3 2 2
A = 3 −1 1 et B = 1 3 1 .
   
0 1 2 5 3 4
1) Calculer det(A), det(B), det(AB) et det(A + B).

2) Vérifier que det(AB) = det(A)det(B) et que det(A + B) 6= det(A) + det(B).
Exercice 2.3 Résoudre les équations suivantes d’inconnue x ∈ R :

−1 x x x 1 2

(a) 2

−1 2 = 27 ; (b) 3

x −1 = 2.
2 −1 x −2

2 4
Exercice 2.4 Pour tout paramètre réel x, on considère le déterminant

x − 1 4 6

P (x) = 4

x−4 4 .
x − 2

5 8
1) Réaliser successivement les opérations élémentaires suivantes sur P (x) : L1 ←−

L1 + L2 + L3 , C2 ←− C2 − C1 et C3 ←− C3 − C1 .
2) En déduire l’expression de P (x) sous la forme d’un produit de polynômes du premier
degré.
2.5. Exercices 29
3) Résoudre l’équation P (x) = 0.
Exercice 2.5 On considère le déterminant suivant :

a2 ab b2

2
∆= b a2 ab .
b 2 a2

ab
Montrer que ∆ = (a3 − b3 )2 .
Exercice 2.6 Inverser si possible les matrices suivantes :

 
! ! −1 6 2
2 −1 6 −9
A= , B= , C= 0 1 0 

.
4 3 −4 6
3 0 −5
Exercice 2.7 Soient a, b et c trois paramètres réels et A la matrice définie par
1 a a2
 
A = 1 b b2 

.
1 c c2
1) Ecrire le déterminant de A sous forme de facteurs.

2) Quelles conditions doivent vérifier a, b et c pour que A soit inversible ?
Exercice 2.8 Calculer les déterminants suivants en utilisant des opérations élémen-
taires sur les lignes et les colonnes (a, b, c et d désignent des nombres réels donnés) :

1 1 1 1 1 1 1 a a a a a

1 −1 1 1 1 1 a 1 a b b b
∆1 =
; ∆2 =
; ∆3 =
;
1 1 −1 1 1 a 1 1 a b c c

1 1 1 −1 a 1 1 1 a b c d

1 + a a a a

a 1+a a a
∆4 = .

a a 1+a a

a a a 1 + a
Chapitre 3
Systèmes d’équations linéaires
— modéliser une situation simple à l’aide de systèmes d’équations linéaires ;

— résoudre un système d’équations linéaires ayant un faible nombre de va-
riables.
3.1 Exemple introductif

Des oiseaux, fatigués d’une longue migration, se reposent sur les branches hautes et
basses d’un arbre. Un oiseau d’une branche du haut qui avait le sens de l’observation
et de bonnes capacités d’arithmétique cria à l’un placé sur une branche du bas :
— Si je viens te rejoindre nous serons autant en haut qu’en bas
— mais si c’est toi qui viens alors nous serons deux fois plus nombreux qu’en bas.
Combien d’oiseaux y a-t-il sur les branches hautes et basses de l’arbre ?
III Indications : Soient x le nombre d’oiseaux en haut et y le nombre d’oiseaux en bas. Il

nous faut traduire les deux affirmations sous forme d’équations mathématiques.
— Si un oiseau du haut vient rejoindre ceux d’en bas, il y aura alors x − 1 oiseaux en
haut et y + 1 oiseaux en bas et donc l’expression « nous serons autant en haut qu’en
bas » se traduit pas :
x − 1 = y + 1 soit x − y = 2.
— Si un oiseau du bas vient rejoindre ceux d’en haut, alors il y aura alors x + 1 oiseaux
en haut et y − 1 oiseaux en bas et donc l’expression « nous serons deux fois plus
nombreux qu’en bas » se traduit par :
x + 1 = 2(y − 1) soit x − 2y = −3.
On obtient donc un système d’équations :
(
x−y = 2
x − 2y = −3
30
3.2. Généralités 31
En faisant la différence entre la première et la deuxième lignes, on obtient y = 5. En rem-

plaçant dans la première équation, on en déduit que x = 7. En conclusion, il y a 7 oiseaux
en haut et 5 oiseaux en bas. ♦
3.2 Généralités
3.2.1 Définitions
Définition 3.1
— On appelle équation linéaire de variables (ou inconnues) x1 , . . . , xp , toute rela-
tion de la forme
a1 x 1 + · · · + ap x p = b
où a1 , . . . , ap et b sont des nombres réels.
— Soit n, p ∈ N∗ , on appelle système linéaire de n équations à p inconnues
x1 , . . . , xp tout système du type :
a11 x1 + a12 x2 + · · · + a1p xp = b1



.. .. .. .


= ..

. . .




ai1 x1 + ai2 x2 + · · · + aip xp = bi (3.1)

.. .. .. .
= ..

. . .





an1 x1 + an2 x2 + · · · + anp xp = bn

avec aij , i = 1, . . . , n, j = 1, . . . , p, des nombres appelés coefficients du sys-

tème et b1 , . . . , bn des nombres dont l’ensemble consistue le second membre du
système.
— Lorsque le second membre est nul, le système est dit homogène.
3.2.2 Ecriture matricielle d’un système d’équations linéaires

On peut reécrire le système (3.1) sous la forme
    
a11 a12 . . . a1p x1 b1
 .  .  .
 .  .  =  . 
 .  .  .
an1 an2 . . . anp xp bn
soit encore
AX = B.
La matrice A est appelée matrice du système (3.1), B le second membre et X est
l’inconnue (ou le vecteur des inconnues).
32 Chapitre 3. Systèmes d’équations linéaires

x − y
=2
Exemple 3.1 L’écriture matricielle du système  est
x − 2y = −3
! ! !
1 −1 x 2
= .
1 −2 y −3
3.2.3 Résolution et nombre de solutions

Résoudre le système AX = B revient à trouver l’ensemble de ses solutions, c’est-
à-dire l’ensemble des X pour lesquels cette relation matricielle est vérifiée.
Voici un résultat fondamental pour les systèmes linéaires.
Théorème 3.1 Il existe seulement trois cas pour le nombre de solutions d’un système
d’équations linéaires :
— soit le système n’a aucune solution,
— soit il a une unique solution,
— soit il a une infinité de solutions.
Exemple 3.2 (
x+y = 3
— Le système n’a pas de solution.
x+y = 2
(
x+y = 3
— Le système a une unique solution qui est (2, 1).
x−y = 1
(
x+y = 3
— Le système a une infinité de couples solutions de la forme
2x + 2y = 6
(x, 3 − x), où x ∈ R (la deuxième équation n’apporte aucune nouvelle informa-
tion sur les inconnues).
3.3 Méthodes de résolution

3.3.1 Résolution par inversion matricielle
Considérons le système linéaire AX = B où A est une matrice carrée (Nombre
d’équations = Nombre d’inconnues) et inversible. Alors
A−1 AX = A−1 B
soit
X = A−1 B.
Exemple 3.3 On considère dans R3 , le système linéaire suivant :


 x + 2y + 2z = −1
2x − y + 2z = 9 (3.2)


3x + 2y + 5z = 7
3.3. Méthodes de résolution 33
L’écriture du système sous la forme matricielle AX = B est

    
1 2 2 x −1
2 −1 2 y  =  9  .
    
3 2 5 z 7
det(A) = −3 6= 0 donc A est inversible et
   
−9 −4 7 9 6 −6
1 1 1
A−1 = T
com(A) = − −6 −1 4  =  4

1 −2.
det(A) 3 3
6 2 −5 −7 −4 5
Le système admet une unique solution
    
9 6 −6 −1 1
−1 1
X=A B=  4 1 −2  9  = −3
  
.
3
−7 −4 5 7 2
3.3.2 Méthode de Cramer

— Un système linéaire AX = B est dit système de Cramer si et seulement si
det(A) 6= 0.
— Un tel système admet une unique solution dont la j ème composante xj est ob-
tenue par :
det(Aj )
xj =
det(A)
où  
a1,1 . . . a1,j−1 b1 a1,j+1 . . . a1,n
 
 
.. .. .. .. ..
 
Aj =
 

 . . . . . 

 
 
an,1 . . . an,j−1 bn an,j+1 . . . an,n
est la matrice déduite de A en remplaçant la colonne j par le second membre
B.
Exemple 3.4 Résolvons à nouveau le système (3.2), mais cette fois-ci par la méthode
de Cramer : 
 x + 2y + 2z = −1

2x − y + 2z = 9


3x + 2y + 5z = 7
On a det(A) = −3 6= 0 donc le système est de Cramer. Le vecteur solution a pour

composantes :

−1 2 2 1 −1 2 1 2 −1
−1 −1 −1
x= 9

−1 2 , y= 2

9 2 , z= 2

−1 9
3
7
3 3
2 5 3 7 5 3 2 7
soit
−1 −1 −1
x= × (−3), y= × 9, z= × (−6)
3 3 3
soit encore (x, y, z) = (1, −3, 2).
Remarque 3.1 Si la matrice A du système est carrée mais non inversible (i.e. det(A) =
0), alors le système peut ne posséder aucune solution ou peut posséder une infinité
de solutions. Il est plus pratique d’utiliser la méthode (du pivot) de Gauss (présentée
ci-après).
3.3.3 Méthode de Gauss

Pour commencer, on rappelle la notion d’opérations élémentaires.
Définition 3.2 On appelle opération élémentaire sur les lignes d’un système d’équa-
tions linéaires, une des trois opérations suivantes :
— Multiplication par un scalaire λ 6= 0 : Li ← λLi
— Permutation de deux lignes : Li ↔ Lj
— Ajout à une ligne, d’un multiple d’une autre ligne : Li ← Li + λLj (λ ∈ R).
Ces opérations transforment le système en un système équivalent (ayant les mêmes

solutions).
Méthode (du pivot) de Gauss.

— Transformer le système en un système triangulaire supérieur par des opérations
élémentaires successives sur les lignes (on peut combiner les op. élém.)
— Résoudre en commençant par la dernière des équations transformées
Exemple 3.5 Résolvons à nouveau le système (3.2), mais cette fois par la méthode
de Gauss : 
 x + 2y + 2z = −1

2x − y + 2z = 9


3x + 2y + 5z = 7
— On fait L2 ← L2 − 2L1 et L3 ← L3 − 3L1


 x + 2y + 2z = −1
− 5y − 2z = 11
− 4y − z = 10


— L3 ← 5L3 − 4L2


 x + 2y + 2z = −1
− 5y − 2z = 11


3z = 6
3.3. Méthodes de résolution 35
— On trouve successivement z = 2, y = −3 et x = 1. La solution de l’équation est

donc le vecteur X = (1, −3, 2).
Exemple 3.6 (Méthode de Gauss (second exemple)) On considère le système
suivant : 
 x + 2y + 2z
 = 0
2x + 3y + z = 0
−4x − 5y + z


= 0
1) Montrons que le système ne peut être résolu ni par inversion ni par la méthode de
Cramer. En effet, la matrice du système
 
1 2 2
A= 2

3 1 
−4 −5 1
est telle que det(A) = 0 donc le système ne peut être résolu ni par inversion ni par
la méthode de Cramer.
2) Résolution par la méthode de Gauss.
— L2 ← L2 − 2L2 et L3 ← L3 + 4L1 :


 x + 2y + 2z = 0
− y − 3z = 0


3y + 9z = 0
— L3 ← L3 + 3L2 : 

 x + 2y + 2z = 0
− y − 3z = 0


0 = 0
— L’égalité 0 = 0 obtenue à la troisième ligne nous indique que la troisième équa-
tion n’apporte aucune nouvelle information.
— On tire donc y = −3z puis, en remplaçant dans la première ligne, x−6z +2z = 0
soit x = 4z.
— L’ensemble solution :
S = {(4z, −3z, z), z ∈ R}.
Exemple 3.7 (Méthode de Gauss (troisième exemple)) On considère le système
suivant : 
 x + 2y
 = −3
2x + 3y = −4
−4x + 5y = 5


1) Montrons que le système ne peut être résolu ni par inversion ni par la méthode de
Cramer. La matrice du système
 
1 2
A= 2 3


−4 −5
n’est pas carrée donc le système ne peut être résolu ni par inversion ni par la
méthode de Cramer.
2) Résolution par la méthode de Gauss.
— L2 ← L2 − 2L1 et L3 ← L3 + 4L1 :


 x + 2y = −3
− y = 2
13y = −7


— L3 ← L3 + 13L2 : 

 x + 2y = −3
− y = 2


0 = 19
— L’égalité 0 = 19 n’a pas de sens. Elle nous indique que la troisième équation est
en contradiction avec les deux premières.
— L’ensemble solution est donc vide :
S = ∅.
3.3.4 Récapitulatif sur les méthodes
Méthodes Remarques
— Nombre d’équations = Nombre d’inconnues
Inversion matricielle — Nécessite que la matrice A du système soit
inversible (det(A) 6= 0)
Cramer — Pas très pratique lorsque l’ordre de A dépasse
3
— Aucune restriction
Gauss — Très pratique indépendamment du nombre
d’équations et du nombre d’inconnues
3.4 Exemples d’application

3.4.1 Application en nutrition
Exercice d’application 3.1 Le tableau suivant donne le nombre de milligrammes
de vitamines A, B et C contenus dans un (01) gramme de trois aliments différents.
Un diététicien veut préparer un repas qui fournit 350 mg de vitamine A, 400 mg de
vitamine B et 500 mg de vitamine C. Déterminer les nombres de grammes respectifs
x1 , x2 et x3 des aliments 1, 2 et 3 à inclure dans la composition du repas (on donnera
la valeur exacte puis un arrondi à deux chiffres).
Aliment 1 Aliment 2 Aliment 3

Vitamine A 20 30 40
Vitamine B 40 20 35
Vitamine C 50 40 10
III Indications : On peut représenter la situation à l’aide du système linéaire suivant :


 20x1 + 30x2 + 40x3
 = 350
40x1 + 20x2 + 35x3 = 400

 50x1 + 40x2 + 10x3 = 500
qui se traduit sous la forme matricielle AX = B où

     
20 30 40 x1 350
A = 40 20 35 , X = x2  et B = 400 .
     
50 40 10 x3 500
On a det(A) = 40 500 6= 0 donc

  
−1200 1300 250 350
1 
X = A−1 B =  1350 −1800 900  400
 
40500
600 700 −800 500
   
225000 5.56
1 
= 202500 '  5  .
  
40500
90000 2.22
3.4.2 Application à l’équilibrage des équations chimiques

Exercice d’application 3.2 Certains remèdes contre le rhume utilisent la réaction
du bicarbonate de sodium avec l’acide citrique en solution. Ladite réaction produit du
citrate de sodium, de l’eau et du dioxyde de carbone selon l’équation
x NaHCO3 + y C6 H8 O7 −→ z Na3 C6 H5 O7 + t H2 O + u CO2 .
Equilibrer cette équation puis déterminer les plus petites valeurs possibles des coeffi-
cients.
III Indications : En considérant les nombres d’atomes de sodium, d’hydrogène, de carbone

et d’oxygène respectivement, on peut représenter la situation à l’aide du système linéaire
suivant : 
 x
 −3z = 0

 x +8y −5z −2t = 0

 x +6y −6z −u = 0


3x +7y −7z −t −2u = 0
En faisant L2 ← L2 − L1 , L3 ← L3 − L1 , L4 ← L4 − 3L1 , on obtient



 x −3z = 0

 8y −2z −2t = 0

 6y −3z −u = 0


7y +2z −t −2u = 0
En simplifiant L2 par 2 puis en faisant L3 ← 2L3 − 3L2 , L4 ← 4L4 − 7L2 , on obtient



 x −3z = 0

 4y −z −t = 0

 −3z +3t −2u = 0


15z +3t −8u = 0
Enfin, en faisant L4 ← L4 + 5L3 , on obtient :



 x −3z = 0

 4y −z −t = 0

 −3z +3t −2u = 0


18t −18u = 0
En résolvant ce dernier système du bas vers le haut, on obtient successivement t = u, z = u/3,

y = u/3 et x = u. Comme les coefficients sont entiers, la plus petite valeur de u est 3 d’où
(x, y, z, t, u) = (3, 1, 1, 3, 3). ♦
3.4.3 Détermination du vecteur d’équilibre (ou vecteur sta-

tionnaire) d’une Chaine de Markov Homogène
Soient π (n+1) et π (n) deux vecteurs d’état consécutifs d’une chaîne de Markov Ho-
mogène (CMH) avec une matrice de transition P . On sait que π (n+1) = P π (n) et
π (n) = P n π (0) . On s’intéresse au comportement à long terme du vecteur d’état π (n)
c’est-à-dire à la limite de π (n) (si elle existe) lorsque n → ∞. Il se pose alors deux
questions : (1) comment déterminer si la limite de π (n) lorsque n → ∞ existe ? (2) si
une telle limite existe, comment la calculer ?
Considérons d’abord la définition suivante :
Définition 3.3 Une matrice de transition P est dite régulière s’il existe un entier
r ∈ N∗ tel que tous les éléments de la matrice P r soient strictement positifs.
Enonçons maintenant un théorème très important dans la théorie de chaînes de

Markov :
Théorème 3.2 ([4]) Si une chaîne de Markov a une matrice de transition régulière
P , alors, quelque soit π (0) , le vecteur d’états π (n) de cette chaîne admet une limite π
lorsque n → ∞. Cette limite π, appelée vecteur d’équilibre (ou vecteur stationnaire)

de la chaîne, est définie de façon unique par la relation
π = Pπ
et le fait que la somme des composantes de π est égale à 1.
Exemple 3.8 ([4]) Considérons une CMH à trois états notés 1, 2 et 3 dont la matrice
de transition est donnée par :
 
0.75 0.25 0.2
P = 0.15 0.45 0.4 .
 
0.1 0.3 0.4
La matrice P est régulière (ici r = 1 car tous les éléments de P sont strictement
positifs) donc il existe un vecteur d’équilibre π = (π1 , π2 , π3 )T tel que
Pπ = π et π1 + π2 + π3 = 1.
On a
    
0.75 0.25 0.2 π1 π1
P π = π =⇒ 
0.15 0.45 0.4 π
 
  2 =  π2 
 
0.1 0.3 0.4 π3 π3

   
0.75π1 + 0.25π2 + 0.2π3 π1
=⇒ 0.15π1 + 0.45π2 + 0.4π3  = π2 
   
0.1π1 + 0.3π2 + 0.4π3 π3


−0.25π1 + 0.25π2 + 0.2π3 = 0


=⇒ 0.15π1 − 0.55π2 + 0.4π3 = 0
0.1π1 + 0.3π2 − 0.6π3


= 0
En prenant en compte la condition π1 + π2 + π3 = 1, on tire π3 = 1 − π1 − π2 d’où le

système devient


 −0.25π1 + 0.25π2 + 0.2(1 − π1 − π2 ) = 0
0.15π1 − 0.55π2 + 0.4(1 − π1 − π2 ) = 0
0.1π1 + 0.3π2 − 0.6(1 − π1 − π2 )


= 0
soit 

 −0.45π1 + 0.05π2 = −0.2
−0.25π1 − 0.95π2 = −0.4


0.7π1 + 0.9π2 = 0.6
soit encore 

 0.45π1 − 0.05π2 = 0.2
0.25π1 + 0.95π2 = 0.4


0.7π1 + 0.9π2 = 0.6
La troisième équation étant la somme des deux premières, on peut écrire plus simple-
ment (
0.45π1 − 0.05π2 = 0.2
0.25π1 + 0.95π2 = 0.4
Le déterminant du système est

0.45 −0.05
∆= = 0.44 6= 0

0.25 0.95

donc le système est de Cramer et on déduit

1 0.2 −0.05 0.21
π1 = = ≈ 0.477
0.44 0.4 0.95 0.44

1 0.45 0.2 0.13
π2 = = ≈ 0.295
0.44 0.25 0.4 0.44

π3 = 1 − π1 − π2 ≈ 0.228
Le vecteur d’équilibre est donc

 
0.477
π ≈ 0.295 .
 
0.228
Ce qui signifie qu’à long terme, quelque soit la répartition initiale π (0) , on aura ap-
proximativement 47.7% de la population sera dans l’état 1, 29.5% dans l’état 2 et
22.8% dans l’état 3.
Pour illustrer cette notion de convergence, nous considérons trois (3) valeurs pos-
sibles pour le vecteur d’états initial π (0) et nous calculons les valeurs successives du
(n) (n) (n)
vecteur d’états π (n) = (π1 , π2 , π3 )T pour n variant de 1 à 10. Les valeurs de π (0)
correspondent aux trois cas suivants :
— Cas 1 : π (0) = (0.5, 0.5, 0)T
— Cas 2 : π (0) = (0.7, 0, 0.3)T
— Cas 3 : π (0) = (0.4, 0.3, 0.3)T
Les figures 3.1, 3.2 et 3.3 donnent les évolutions respectives des composantes de π (n)
en fonction du temps n. Pour tout i = 1, 2, 3, on remarque que pour tous les choix de
(0) (n)
πi , πi converge vers πi .
Remarque 3.2 La condition de régularité du théorème 3.2 est suffisante mais pas
nécessaire. C’est-à-dire que si la matrice de transition n’est pas régulière, l’on ne peut
rien dire.
Cas 1 Cas 2 Cas 3

0.55
0.50
0.45
2 4 6 8 10
Temps n
(n)
Figure 3.1 – Evolution de π1 en fonction de n. On constate la convergence vers π1 ≈ 0.477
(en pointillés rouges)
0.30
0.28
0.26
0.24
Cas 1 Cas 2 Cas 3
2 4 6 8 10
Temps n
(n)
0.19 0.20 0.21 0.22 0.23 0.24 0.25
Cas 1 Cas 2 Cas 3
2 4 6 8 10
Temps n
(n)
3.5 Exercices
Exercice 3.1 Résoudre chacun des systèmes suivants par les trois méthodes vues au
cours (inversion matricielle, méthode de Cramer, méthode de Gauss) :
 
x+y−z = 9

 
 x + 2y − 3z = 14
(S1 ) : 3x + 2y + z = 14 ; (S2 ) : 2x + 3y + 2z = 9
4x − y + 2z = 13
 
 
3x + 4y + z = 16
Exercice 3.2 Résoudre les systèmes linéaires suivants par la méthode de Gauss :

( 3x + 2y = 4
3x + 2y = 4


(S1 ) : (S2 ) : x−y = 1 ;
x−y = 1 

4x + y = 3
 
3x + 2y = 4 ( x + 3y = 1
x−y = 1

 

(S3 ) :  x − y = 1 (S4 ) : (S5 ) :  x + 2y = 4
2x − 2y = 2

4x + y = 5 
3x + 10y = 0
 

 x−y+z = 0 
 x−y = 1
(S6 ) : 3x + 2y = 2 (S7 ) : y−z = 2
z−x = 3
 

4x + y + z = 2 
3.5. Exercices 43
 
x + 2y + 3z = 6

 
 −x + 2z = 0
(S8 ) : 2x − 3y − 8z = 19 (S9 ) : 2x − y − 3z = 0
3x + y − z = −2 2x − 3y − z = 0

 

Exercice 3.3 Résoudre chacun des systèmes linéaires suivants par la méthode de
votre choix :
 

 x−y+z = 1 
 2x + 3y + z = 4
(S1 ) :  2x + y − z = 2 , (S2 ) :  −x + y + 2z = 3 ,

x − 2y + 3z = 0 
7x + 3y − 5z = 2
 −3x + y + z + t

 = 0
−x + y = 1


  x − 3y + z + t

= 0
(S3 ) : 2x + y + z = 3 , (S4 ) : .
  x + y − 3z + t = 0

x+z = 1 

x + y + z − 3t = 0

Exercice 3.4 Résoudre le système suivant en discutant suivant les valeurs des réels
a, b et c : 

 x+y+z = a
(S) : x−y−z = b
−3x + y + 3z = c


Exercice 3.5 Dans une cage, on a une population de 100 souris. Elle est composée
de mâles et de femelles. On laisse la population se développer pendant un mois. A la
fin de l’expérience, on dénombre 284 souris. Le nombre de mâles a été multiplié par
2 et le nombre de femelles par 3. Il n’y a pas eu de mort au cours de l’expérience.
Déterminer le nombre de mâles et le nombre de femelles en début d’expérience.
Exercice 3.6 Les résultats de trois candidats à un concours de recrutement sont don-
nés par le tableau suivant où les codes MTH, ANG et INF représentent respectivement
Mathématiques, Anglais et Informatique :
Candidat MTH ANG INF Moyenne
A 7 12 6 8
B 11 6 10 9
C 11 16 14 14
Retrouver le poids de chaque matière dans le calcul de la moyenne.
Exercice 3.7 On désire constituer un mélange nutritif pour bestiaux à partir de trois
produits A, B, C, dont la teneur en sucre, protéines et féculents est donnée ci-dessous :
Sucre Protéines Féculents

A 40% 20% 30%
B 10% 0% 50%
C 30% 10% 40%
Le mélange doit contenir 295 g de sucre, 110 g de protéines et 390 g de féculents.
Quelle quantité (en grammes) de chacun des produits A, B, C doit-on utiliser ?
Exercice 3.8 Le tableau suivant donne les quantités de sodium, de potassium, de

glucides et de fibres contenues dans une portion de trois aliments. Le tableau donne
aussi dans la dernière colonne, les quantités recommandées pour un régime alimentaire
donné. Est-il possible de préparer un mélange qui réponde aux recommandations en
utilisant les trois groupes d’aliments ?
Aliment 1 Aliment 2 Aliment 3 Recommandation
Sodium (mg) 200 400 300 2400
Potassium (mg) 300 500 400 3500
Glucides (g) 40 50 20 300
Fibres (g) 5 3 2 25
Exercice 3.9 Déterminer les coefficients adéquats pour équilibrer l’équation suivante :
x KMnO4 + y HCl −→ z KCl + t MnCl2 + u H2 O + v Cl2
Exercice 3.10 On considère la réaction chimique suivante impliquant le calcium, le

carbone, l’oxygene, le phosphore et l’hydrogène :
n1 CaCO3 + n2 H3 PO4 −→ n3 Ca3 (PO4 )2 + n4 H2 CO3 + n5 CO2 .
Déterminer les coefficients adéquats pour équilibrer cette équation.
Exercice 3.11 Un cycliste parcourt une route AB longue de 100 km comportant un

terrain plat, une montée et une descente :
m d
p
A• •B
On suppose qu’il a une vitesse de 20 km/h (km par heure), en terrain plat, de 16
km/h en montée et de 24 km/h en descente. Ce cycliste met 5 heures 20 minutes pour
parcourir la route dans le sens de A vers B et 5 heures pour la parcourir dans le sens
de B vers A. Déterminer les longueurs de terrain plat, de montée et de descente de A
vers B respectivement notées p, m et d.
3.5. Exercices 45
Exercice 3.12 Un grand immeuble de plusieurs étages doit être construit en utilisant
des techniques de construction modulaires. L’agencement des appartements par étage
doit être choisi parmi trois plans d’étage. Le plan A compte 18 appartements par étage,
dont 3 appartements de trois chambres, 7 appartements de deux chambres et 8 appar-
tements d’une chambre. Chaque étage du plan B comprend 4 appartements de trois
chambres, 4 appartements de deux chambres et 8 appartements d’une chambre. Chaque
étage du plan C comprend 5 appartements de trois chambres, 3 appartements de deux
chambres et 9 appartements d’une chambre. Supposons que le bâtiment contienne un
total de x étages du plan A, y étages du plan B et z étages du plan C. Serait-il pos-
sible de concevoir l’immeuble avec exactement 66 appartements de trois chambres, 74
appartements de deux chambres et 136 appartements d’une chambre ? Si oui, y a-t-il
plus d’une façon de le faire ? Expliquez votre réponse.
Exercice 3.13 On considère une CMH à trois états dont la matrice de transition est
donnée par :  
0 0.25 0.25
P = 0.5 0.5

0.25.
0.5 0.25 0.5
On suppose que la matrice P est régulière. Déterminer le vecteur d’équilibre π =
(π1 , π2 , π3 )T .
Chapitre 4
Calcul vectoriel
A la fin de ce cours, l’apprenant devra être capable de calculer des aires et des
volumes d’objets simples.
4.1 Généralités
4.1.1 Définition d’un vecteur
Définition 4.1 Un vecteur → −u est un objet caractérisé par : sa direction (l’ensemble

des droites qui lui sont parallèles), son sens (orientation) et sa norme (ou longueur)
notée k→
−u k.
−u
→ B
Le vecteur →
−u a pour
— direction : la droite (AB) et toutes les droites qui lui sont parallèles
— sens : A vers B
−→
— norme : la distance AB encore notée kABk.
Définition 4.2
— Un vecteur → −
u est dit unitaire (ou normé) si k→ −u k = 1.
— Deux vecteurs sont dits orthogonaux si leurs directions sont perpendiculaires.
— Deux vecteurs → −u et →
−
v sont colinéaires s’ils ont même direction c’est-à-dire s’il
existe λ ∈ R tel que
→
−
u = λ→ −v.
46
4.1. Généralités 47
— Les vecteurs →
−
u1 , . . . , −
→ sont coplanaires s’ils sont parallèles à un même plan.
u n
4.1.2 Repère orthonormé du plan

Soient O, I et J trois points non alignés de R2 tels que OI = OJ = 1 et (OI) ⊥
−→ − −→ −
(OJ). Posons OI = → ı et OJ = → .
— Le couple ( ı ,  ) est une base orthonormée du plan et le triplet (O, →
→
− →
− −ı , →
− ) est
un repère orthonormé (RON) du plan.
— Tout vecteur →
−
u de R2 s’écrit de façon unique →
−
u = x→
−ı + y →
− et se note
!
→
− x →
−
u ou u (x, y)
y
où x et y sont les coordonnées (ou composantes) de →

−
u.
— A tout point M du plan, on peut associer un unique couple de réels (x, y) tel
−−→
que OM = x→ −ı + y →− . Ce couple de réels s’appelle coordonnées du point M
dans le repère (O, →
−ı , →
− ) et on note
!
x
M ou M (x, y).
y
— Deux points A(xA , yA ) et B(xB , yB ) du plan définissent un vecteur

−→
AB(xB − xA , yB − yA ).
4.1.3 Repère orthonormé de l’espace
Définition 4.3 Soient O, I, J et K quatre points non coplanaires de R3 tels que

OI = OJ = OK = 1 et les droites (OI), (OJ) et OK sont perpendiculaires deux à
−→ − −→ → −−→ → −
deux. Posons OI = → ı , OJ = − et OK = k .
— Le triplet (→ − , →
−ı , → −
k ) est une base orthonormée de l’espace.
— Le quadruplet (O, → − , →
−ı , → −
k ) est un repère orthonormé (RON) de l’espace.
4.1.3.1 Règle du bonhomme d’Ampère
La base (→ − , →
−ı , → −
k ) est dite directe (resp. indirecte) si un homme, traversé par le
→
−
vecteur k des pieds à la tête et regardant → −ı , a le vecteur →
− à sa gauche (resp. à sa
droite).
48 Chapitre 4. Calcul vectoriel
La règle du bonhomme d’Ampère est illustré dans les deux cas comme suit :
→
− Base directe Base indirecte →
−
k k
D , G D , G
→
− −→
−
O O
→
→
−
−
ı
ı
4.1.3.2 Propriétés
— Tout vecteur →
−
u de R3 s’écrit de façon unique →
−
u = x→ − + z →
−ı + y → −
k et se note
 
x
→
−
u y 
 
ou →
−
u (x, y, z)
z
où x, y et z sont les coordonnées de →

−
u.
— A tout point M de l’espace, on peut associer un unique triplet de réels (x, y, z)

−−→
tel que OM = x→ − + z →
−ı + y → −
k . Ce triplet de réels s’appelle coordonnées du
→
− − , →
point M dans le repère (O, ı , →
−
k ) et on note
 
x
M y  ou M (x, y, z).
 
— Deux points A(xA , yA , zA ) et B(xB , yB , zB ) de l’espace définissent un vecteur

−→
AB(xB − xA , yB − yA , zB − zA ).
4.1.4 Opérations sur les vecteurs
Définition 4.4
1) Addition de deux vecteurs
— Dans le plan : → −
u (x, y) + →
−
v (x0 , y 0 ) donne le vecteur →
−
u +→
−
v (x + x0 , y + y 0 ).
— Dans l’espace : u (x, y, z) + v (x , y , z ) donne le vecteur →
→
− →
− 0 0 0 −
u +→ −v (x + x0 , y +
y 0 , z + z 0 ).
2) Multiplication d’un vecteur par un réel λ :
— Dans le plan : λ · →
−
u (x, y) donne le vecteur λ→−
u = (λx, λy).
— Dans l’espace : λ · u (x, y, z) donne le vecteur λ→
→
− −
u = (λx, λy, λz).
4.2. Produit scalaire 49
Proposition 4.1 (Relation de Chasles) Pour trois points A, B et C,

−→ −→ −−→
AC = AB + BC.
A B
4.2 Produit scalaire

Soit →
−
u et →
−
v deux vecteurs non nuls.
— Si u et →
→
− −v définissent un angle θ, le produit scalaire de →
−
u et de →
−
v est le réel :
→
−
u ·→
−
v = k→
−
u k × k→
−
v k × cos θ.
— Si l’un des vecteurs est nul, on pose →

−
u ·→
−
v = 0.
√− →
— La norme de →
− uk= →
u est définie par k→
− u ·−
u.
— Si dans une base orthonormée (→

−ı , →
− ), on a →
−
u (x, y) et →
−
v (x0 , y 0 ), alors
→
−
u ·→
−
v = xx0 + yy 0
et
k→
−
q
uk= x2 + y 2 .
— Si dans une base orthonormée (→ − , →

−ı , → −
k ), on a → −u (x, y, z) et →
−
v (x0 , y 0 , z 0 ), alors
→
−
u ·→
−
v = xx0 + yy 0 + zz 0
et
k→
−
q
uk= x2 + y 2 + z 2 .
Exercice d’application 4.1 On considère les vecteurs →

−
u (1, −1, 3) et →
−
v (2, −5, −1)
de l’espace R3 .
1) Calculer →
−u ·→−
v , k→
−
u k et k→
−
v k.
2) Vérifier que |→
−
u ·→
−
v | 6 k→
−
u k × k→
−
v k (inégalité de Cauchy-Schwarz).
III Indications :
1) — →
−
u ·→
−
v =2+5−3q
=4
√− → √
— k→
−
uk= →
u ·−
u = 12 + (−1)2 + 32 = 11
√
— k→
−
q
vk= 22 + (−5)2 + (−1)2 = 30.
√
2) |→
−
u ·→
−
v | = 4 et k→
−
u k × k→
−
v k = 330 ' 18.1659 donc on a bien
|→
−
u ·→
−
v | 6 k→
−
u k × k→
−
v k.
Proposition 4.2 (Propriétés) Soient E = R2 ou E = R3 , → −

u, →
−
v, →
−
w des vecteurs
de E et λ ∈ R. On a :
— →−u ·→−v =→ −
v ·→
−u.
— u · ( v + w) = →
→
− →
− →
− −
u ·→
−v +→ −
u ·→
−w.
→
− →
− →
− →
− →
−
— ( u + v ) · w = u · w + v · w.→
− →
−
— (λ→ −
u)·→ −v =→−u · (λ→
−
v ) = λ(→−u ·→−
v ).
— u et v sont orthogonaux ⇐⇒ →
→
− →
− −u ·→−
v = 0.
— kλ→ −u k = |λ| × k→−
u k ( Homogénéité)
— |→−u ·→−v | 6 k→
−
u k × k→
−v k ( inégalité de Cauchy-Schwarz).
— k u + v k 6 k u k + k→
→
− →
− →
− −
v k ( inégalité triangulaire).
4.3 Produit vectoriel

4.3.1 Définition
Définition 4.5 Soient →−

u et → −v deux vecteurs non colinéaires de R3 . Le produit
vectoriel de u par v est l’unique vecteur de R3 , noté →
→
− →
− −u ∧→ −
v ou →−
u ×→
−
v tel que
→
− →
− →
−
— u ∧ v est orthogonal à u et à v →
−
— la base (→
−
u ,→
−
v ,→
−
u ∧→−v ) est directe (elle vérifie la règle du bonhomme d’Ampère)
→
− →
−
— la norme de u ∧ v est :
k→
−
u ∧→
−
v k = k→
−
u k × k→
−
v k × | sin θ|
où θ est l’angle entre →

−
u et →
−
v.
→
−
Remarque 4.1 (Cas particulier) Si →
−
u et →
−
v sont colinéaires, alors →
−
u ∧→
−
v = 0.
Exemple 4.1 La base (→ − , →

−ı , → −
k ) étant directe et orthonormée,
→ − = →
−ı ∧ → −
k, − ∧ →
→ −
k =→
−ı , →
− →
k ∧ −ı = →
− .
4.3. Produit vectoriel 51
4.3.2 Propriétés
Proposition 4.3 Soient →−
u, →−v,→−
w trois vecteurs de R3 et α ∈ R.
— Le produit vectoriel est antisymétrique :
→
−
v ∧→
−
u = −→
−
u ∧→
−
v.
— Le produit vectoriel est bilinéaire :

→
−u ∧ (→−
v +→ −
w) = → −
u ∧→ −v +→−
u ∧→
−
w
→
− →
− →
− →
− →
−
(u + v)∧ w = u ∧ w + v ∧ w →
− →
−
(α→−
u)∧→ −v =→ −u ∧ (α→
−v ) = α(→
−
u ∧→
−
v ).
→
− →
− →
− →
− →
−
— u et v sont colinéaires ⇐⇒ u ∧ v = 0 . En particulier, pour tout vecteur
→
− →
−
u de R3 , →
−u ∧→−u = 0.
4.3.3 Calcul pratique

Soient (→ − , →
−ı , → −
k ) une base orthonormée directe de R3 et → −u (x, y, z) et →
−
v (x0 , y 0 , z 0 )
deux vecteurs de R3 .
→
−u ∧→ −v = (x→
−ı + y →− + z →−
k ) ∧ (x0 → − + z 0 →
−ı + y 0 → −
k)
= (yz 0 − zy 0 )→ − + (xy 0 − yx0 )→
−ı + (zx0 − xz 0 )→ −
k
yz 0 − zy 0
 
→
− →
−
u ∧ v = zx − xz 0 
 0
.
0 0
xy − yx
Procédé visuel pratique.

— Créer un déterminant d’ordre trois dont les colonnes sont respectivement défi-
nies par : C1 = (i, j, k), C2 = →
−
u et C3 = →
−
v.
x x0

i

j

y y 0
z z0

k
— Les composantes de →−u ∧→

−
v représentent les cofacteurs respectifs de i, j et k.
Exercice d’application 4.2 Calculer →
−
u ∧→
−v où →−u (1, 4, −2) et →
−
v (−2, −3, 1).
III Indications : Soit le déterminant :

i
1 −2
j 4 −3 .

−2 1

k

4
2 −3 1 −2
3
cof(i) = (−1) = −2, cof(j) = (−1) = 3,

−2 1 −2 1

1 −2
cof(k) = (−1)4 =5

4 −3
donc on a : →
−
u ∧→
−
v (−2, 3, 5). ♦
4.3.4 Exemples d’application du produit vectoriel

Le produit vectoriel permet de (d’) :
— étudier la colinéarité de deux vecteurs :
→
− →
−
u et →
−v sont colinéaires ⇐⇒ →
−
u ∧→
−
v = 0.
— étudier l’alignement de trois points de R3 :
−→ −→ →−
A, B, C sont alignés ⇐⇒ AB ∧ AC = 0 .
— déterminer un vecteur orthogonal à deux vecteurs non colinéaires de l’espace :
pour tous vecteurs →
−
u et →
−v non colinéaires de l’espace, →
−
u ∧→
−v est orthogonal
→
− →
−
à u et à v .
— calculer l’aire d’un triangle ABC de R3 :
1 −→ −→
A = kAB ∧ ACk u.a.
2
où u.a. signifie « unités d’aire » ;

−→ −−→
— calculer l’aire d’un parallélogramme ABCD de R3 (on a la relation AB = DC) :
−→ −−→
A = kAB ∧ ADk u.a.
4.4 Produit mixte
4.4.1 Définition et propriétés
Définition 4.6 Le produit mixte de trois vecteurs → −

u,→−v et →
−
w de R3 , noté [→
−
u ,→
−
v ,→
−
w ],
est le produit scalaire de →
−
w par le produit vectoriel (→
−
u ∧→−v):
[→
−
u ,→
−
v ,→
−
w ] = (→
−
u ∧→
−
v)·→
−
w.
Soient →
−
u (x, y, z), →
−
v (x0 , y 0 , z 0 ) et →
−
w (x00 , y 00 , z 00 ).
4.4. Produit mixte 53
yz 0 − zy 0 x00
   
→
− →
− →
− →
− →
− →
−  0 0   00 
[ u , v , w ] = ( u ∧ v ) · w = zx − xz  · y 
xy 0 − yx0 z 00
= x00 (yz 0 − zy 0 ) + y 00 (zx0 − xz 0 ) + z 00 (xy 0 − yx0 )
x0 x00

x

= y 0 y 00 (développement suivant C3 )
y

z 0 z 00

z
[→
−
u ,→
−
v ,→
−
w ] = det(→
−u ,→
−
v ,→ −
w ).
Exercice d’application 4.3 Soient →

−
u (2, −1, 3), →
−
v (2, 5, −4) et →
−
w (−2, −3, 1). Cal-
→
− →
− →
−
culer [ u , v , w ].
III Indications :
2 2 −2
[→
−
u,→
−
v ,→
−

w ] = −1 5 −3 = −8.

3 −4 1

Proposition 4.4 (Propriétés) Soient →−

u, →−v et →
−
w trois vecteurs de R3 .
— Lorsqu’on échange deux vecteurs, le produit mixte change de signe :
[→
−
u ,→
−
v ,→
−
w ] = −[→
−
v ,→
−
u ,→
−
w ] = −[→
−
w,→
−
v ,→
−
u ] = −[→
−
u ,→
−
w,→
−
v ].
— Une permutation circulaire des trois vecteurs laissé inchangé le produit mixte :
[→
−
u ,→
−
v ,→
−
w ] = [→
−
v ,→
−
w,→
−
u ] = [→
−
w,→
−
u ,→
−
v ].
4.4.2 Exemples d’application du produit mixte

— Trois vecteurs →
−
u, →
−
v et →
−
w de R3 sont coplanaires si [→
−
u ,→
−
v ,→
−
w ] = 0.
−→ −→ −−→
— Quatre points A, B, C et D de R3 sont coplanaires si [AB, AC, AD] = 0.
— Calcul du volume d’un parallélépipède ABCDEF GH de R3 :

H G
E F
D C
A B
−→ −−→ −→
V = [AB, AD, AE] u.v.

où u.v. représente l’unité de volume.
— Calcul du volume d’un tétraèdre ABCD de R3 :

D
A B
1 −→ −→ −−→
V= [AB, AC, AD] u.v.
6
4.5 Exercices
Exercice 4.1 Soient →−u (0, 1, 2) et →

−
v (3, −2, 1) deux vecteurs de R3 .
1) Vérifier que →
−
u et →
−
v sont orthogonaux.
2) Calculer →
−
w =→
−
u ∧→
−
v et vérifier par calcul que →
−
w est orthogonal à →
−
u et →
−
v.
Exercice 4.2 Soient →

−
u et →
−
v deux vecteurs de même norme. Montrer que les vecteurs
→
− →
− →
− →
−
u + v et u − v sont orthogonaux.
Exercice 4.3 On considère les vecteurs de R3 suivants :

→
−
u (1, −1, 0), →
−
v (0, 1, −1), →
−
w (−1, 0, 1).
Calculer (→
−
u ∧→
−
v)∧→
−
w , puis →
−
u ∧ (→
−
v ∧→
−
w ) et conclure.
Exercice 4.4 Calculer :

→
−
1) l’aire A1 du parallélogramme défini par les vecteurs →
−
a (6, 3, −2) et b (3, −2, 6) ;
2) l’aire A2 du triangle de sommets A(1, 1, 1), B(2, 3, 4) et C(4, 3, 2).
4.5. Exercices 55
Exercice 4.5 Montrer la formule suivante (identité de Lagrange), pour tous vecteurs
~u, ~v de l’espace :
k→−
u ∧→ −
v k2 + (→
−
u ·→−
v )2 = k→−
u k2 k→
−
v k2 .
Exercice 4.6 Soient O, A, B, C quatre points quelconques de l’espace R3 . Montrer

la relation :
−→ −→ −→ −−→ −−→ −→ −→ −→
AB ∧ AC = OA ∧ OB + OB ∧ OC + OC ∧ OA.
Exercice 4.7 Dans l’espace, on considère les points A(2, 2, −1), B(−3, 2, 1), C(3, 2, 5)
et D(4, 1, 0).
1) Montrer que ces quatre points n’appartiennent pas tous à un même plan.
2) Calculer le volume du tétraèdre ABCD.
Chapitre 5
Droites et plans dans l’espace
— déterminer des équations de droites et de plans

— calculer la distance d’un point à une droite ou à un plan
5.1 Le plan dans l’espace

5.1.1 Définition
Définition 5.1 On appelle plan de l’espace, tout ensemble de points M (x, y, z) ∈ R3

vérifiant une équation de la forme
ax + by + cz + d = 0
où (a, b, c) 6= (0, 0, 0). Une telle équation est appelée équation cartésienne de (P ).
Proposition 5.1 Soit (P ) le plan d’équation ax+by +cz +d = 0. Le vecteur →

−
n (a, b, c)
est un vecteur orthogonal à (P ) appelé vecteur normal à (P ).
En effet, pour tous M (x, y, z) et N (x0 , y 0 , z 0 ) appartenant à (P ),

−−→ →
MN · −
n = a(x0 − x) + b(y 0 − y) + c(z 0 − z)
= ax0 + by 0 + cz 0 − (ax + by + cz).
Comme M (x, y, z) et N (x0 , y 0 , z 0 ) appartiennent à (P ), on a ax + by + cz = −d et

ax0 + by 0 + cz 0 = −d. Ainsi,
−−→ →
MN · −
n = (−d) − (−d) = 0.
56
5.1. Le plan dans l’espace 57
→
−
n
N
•
M
(P )
5.1.2 Détermination de l’équation d’un plan

5.1.2.1 Plan défini par un point et un vecteur normal
Soit (P ) le plan défini par le point M0 (x0 , y0 , z0 ) et le vecteur normal →

−
n (a, b, c).
Ainsi, pour tout M (x, y, z) ∈ (P ),
−−−→ →
M0 M · −
n =0
d’où l’équation cartésienne de (P ) :
a(x − x0 ) + b(y − y0 ) + c(z − z0 ) = 0.
5.1.2.2 Plan défini par trois points non alignés
Soient (P ) le plan formé par trois points A(xA , yA , zA ), B(xB , yB , zC ) et C(xC , yC , zC )

−→ −→
non alignés de R3 (tels que que les vecteurs AB et AC ne soient pas colinéaires).
C
• M
(P ) A • B
−−→ −→ −→
Un point M (x, y, z) appartient à (P ) si les vecteurs AM , AB et AC sont coplanaires
c’est-à-dire
−−→ −→ −→
det(AM , AB, AC) = 0
d’où l’équation du plan (P ) :

x − x xB − xA xC − xA
A
y − yA yB − yA yC − yA = 0.

z − zA zB − zA zC − zA

58 Chapitre 5. Droites et plans dans l’espace
5.1.3 Distance d’un point à un plan

M
•
→
−
n
•
H
(P )
Proposition 5.2 Soient (P ) : ax+by+cz+d = 0 et M (x0 , y0 , z0 ) un point de l’espace.

La distance de M à (P ) est
d(M, (P )) = M H
où H est le projeté orthogonal de M sur (P ). Elle est donnée par la formule :
|ax0 + by0 + cz0 + d|

d(M, (P )) = √ . (5.1)
a2 + b 2 + c 2
→
− →− →−
Exercice d’application 5.1 Dans R3 muni du RON (O, i , j , k ), on considère le
point A(2, 1, −3) et le vecteur →
−
n (1, 1, 2).
1) Ecrire l’équation du plan (P ) passant par A et de vecteur normal →
−
n.
2) Calculer la distance du point M (1, 0, 1) à (P ).
III Indications :
−−→ −−→ −
1) Soit M (x, y, z) ∈ (P ). On a AM (x − 2, y − 1, z + 3) et AM · →
n = 0 soit
(x − 2) + (y − 1) + 2(z + 3) = 0
d’où l’équation de (P ) :
(P ) : x + y + 2z + 3 = 0.
2)
|1 + 0 + 2 + 3| 6 √
d(M, (P )) = √ = √ = 6.
2 2
1 +1 +2 2 6
♦
5.2. La droite dans l’espace 59
5.2 La droite dans l’espace

5.2.1 Définition
Définition 5.2 Soient A un point de R3 et → −u un vecteur non nul. La droite (D)

passant par A et de vecteur directeur →
−
u est l’ensemble des points M de R3 tels que :
−−→
AM = λ→
−
u, λ ∈ R.
−u
→
•
• M
A
5.2.2 Equation d’une droite

Si A(x0 , y0 , z0 ), →
−
u (a, b, c) et M (x, y, z), alors

x = x0 + λa


M ∈ (D) ⇐⇒  y = y0 + λb (5.2)

z = z0 + λc.
Ces formules constituent une représentation paramétrique de la droite (D) avec λ

comme paramètre.
Remarque 5.1 L’intersection de deux plans sécants (P ) et (P 0 ) d’équations respec-
tives (P ) : ax + by + cz + d = 0 et (P 0 ) : a0 x + b0 y + c0 z + d0 = 0 est une droite (D)
définie par le système d’équations :
(
ax + by + cz + d = 0
(D) :
a0 x + b 0 y + c 0 z + d 0 = 0
Soient →−
n (a, b, c) et →
−
m(a0 , b0 , c0 ) les vecteurs normaux respectifs de (P ) et (P 0 ). Le
vecteur
→
−
u =→ −n ∧→−
m
est un vecteur directeur de (D), ce qui permet de trouver une représentation paramé-
trique de (D).
5.2.3 Distance d’un point à une droite de l’espace

Soient (D) une droite de R3 de vecteur directeur →
−
u , A ∈ (D) et M un point
3
quelconque de R .
60 Chapitre 5. Droites et plans dans l’espace
M
•
→
−
u
• (D)
• H
A
La distance de M à (D) est
d(M, (D)) = M H
où H est le projeté orthogonal de M sur (D). On a :

−−→ → −−→ −−→ − −−→ − −−→
AM ∧ −
u = (AH + HM ) ∧ →
u = HM ∧ →
u (car AH colinéaire à →
−
u)
d’où
−−→ − −−→
kAM ∧ →
u k = kHM k × k→
−
u k × | sin 90◦ | = M H × k→
−
u k.
On obtient la proposition suivante :
Proposition 5.3 Soient (D) une droite de R3 de vecteur directeur →

−
u , A ∈ (D) et M
3
un point quelconque de R . La distance de M à (D) est
−−→ −
kAM ∧ →uk
d(M, (D)) = →
− . (5.3)
kuk
Exercice d’application 5.2 Calculer la distance du point M (1, 0, 0) à la droite (D)

de représentation paramétrique

x

 = 1 + 2λ
(D) : y = 1 − 2λ


z =1+λ
III Indications : La droite (D) passe par A(1, 1, 1) (pour λ = 0) et a pour vecteur directeur
→
−
u (2, −2, 1). On a      
0 2 −3
−−→ → −
AM ∧ u = −1 ∧ −2 = −2
     
−1 1 2
d’où √
−−→ −
kAM ∧ →uk 17
d(M, (D)) = = .
k→
−
uk 3
♦
5.3. Exercices 61
5.3 Exercices
Exercice 5.1
1) Déterminer l’équation cartésienne du plan (P ) passant par le point A(1, 0, −2) et
de vecteur normal →
−n (1, −1, 1).
2) Déterminer une représentation paramétrique de la droite (D) passant par le point
B(3, −1, 1) et de vecteur directeur →
−
u (1, 1, 2).
3) Déterminer l’intersection de (P ) et (D).
Exercice 5.2 On considère les trois points suivants de l’espace : A(1, 0, 3), B(1, 3, 2)
et C(0, 2, 4).
1) Montrer que A, B et C ne sont pas alignés puis déterminer une équation cartésienne
du plan (P ) formé par ces trois points.
2) Calculer la distance du point M (4, 0, −1) à (P ).
Exercice 5.3 Soient A(1, 3, 1) et B(1, 9, 5) deux points de l’espace. Déterminer l’équa-
tion cartésienne du plan médiateur (P ) du segment [AB] c’est-à-dire le plan (P ) pas-
sant par le milieu I de [AB] et orthogonal à la droite (AB).
Exercice 5.4 Calculer la distance du point M (2, 1, 2) à la droite (D) de représentation

paramétrique : 
x = 1 + λ



y = 1 − 2λ


z =1+λ
Exercice 5.5 On considère la famille de plans (Pm )m∈R définis par les équations car-
tésiennes :
(Pm ) : m2 x + (2m − 1)y + mz = 3.
1) Déterminer les valeurs de m dans chacun des cas suivants :
(a) A(1, 1, 1) ∈ Pm
(b) B(−1, 0, 1) ∈ Pm
(c) →
−
u (1, 1, −2) est un vecteur directeur de Pm
→
−
(d) n (0, 1, 0) est normal à Pm
2) Montrer qu’il existe un unique point A appartenant à tous les plans Pm .

Références bibliographiques
[1] J. Bair – « La matrice de Leslie et la dynamique des populations », in Tangente

Hors-série no 42, Mathématiques et biologie, Editions Pole, Paris, 2012, p. 90–94.
[2] D. Boularas, D. Fredon & D. Petit – Mini-manuel de Mathématiques pour

les sciences de la vie et de l’environnement, Dunod, 2009.
[3] C. David, S. Mustapha, F. Viens & N. Capron – Mathématiques pour les

sciences de la vie, Dunod, Paris, 2014.
[4] J. DeFranza & D. Gagliardi – Introduction to linear algebra with applications,

McGraw-Hill, New York, 2009.
[5] D. Fredon – Mathématiques pour les sciences de la vie et de la santé en 30 fiches,

Dunod, 2008.
[6] D. C. Lay – Linear algebra and its applications, 4ème éd., Pearson, 2012.
[7] D. Müller – Algèbre linéaire, http://www.nymphomath.ch/MADIMU2/ALGEB/

INDEX.HTM, 2018.
62

Math 150

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Math 150

Transféré par

Droits d'auteur :

Formats disponibles

Faculté des Sciences

Licence en Sciences de la vie et de la terre

MTH150 : Algèbre pour les

Issa Cherif GERALDO

1 Généralités sur les matrices 6

3 Systèmes d’équations linéaires 30

5 Droites et plans dans l’espace 56

Ce support de cours présente les outils et concepts algébriques nécessaires pour la

L’objectif général de ce cours est d’acquérir les outils algébriques nécessaires à la

Ce cours est composé de deux grandes parties :

Comme toutes les branches des mathématiques, l’algèbre a de nombreuses applica-

Généralités sur les matrices

A la fin de ce cours, l’apprenant devra être capable de (d’) :

— construire des matrices

1.2 Notion de matrice

1.2.1 Définitions et exemples

Définition 1.1 Soient n et m deux entiers naturels non nuls.

n lignes et m colonnes et représenté sous la forme :

Exemple 1.1 Voici des exemples de matrices :

1.2.2 Matrices particulières

Définition 1.3 (Matrice nulle) Soient n et m deux entiers naturels. On appelle

Définition 1.4 (Matrice carrée) Soit n un entier naturel non nul.

Exemple 1.3 La matrice  

Définition 1.5 Une matrice carrée d’ordre n, A, est dite :

an1 . . . ... . . . ann

Ce qui se traduit par :

Exemple 1.4 On considère les matrices carrées d’ordre 3 suivantes :

Matrice Triangulaire inf. Triangulaire sup. Diagonale

Définition 1.6 La Matrice identité d’ordre n est la matrice diagonale ne contenant

1.3 Opérations sur les matrices

1.3.2 Produit de matrices

cij = somme du produit terme à terme de la ligne i de A et de la colonne j de B

Exercice d’application 1.1 Soient A, B et C les matrices définies par :

III Indications : Les seuls produits possibles sont AB et C 2 .

— Contrairement aux réels, la relation matricielle AB = 0 n’implique pas toujours

On peut multiplier une matrice carrée par elle-même : on note A2 = A × A,

Exemple 1.8 Si A ∈ M2 (R), on a AI2 = I2 A = A et

1.3.3 Transposition d’une matrice

1.3.4 Trace d’une matrice carrée

Exemple 1.10 On considre la matrice carrée d’ordre 3 définie par :

Alors tr(A) = 1 + 5 + 9 = 15.

1.4 Exemples d’application

La dynamique de cette population est décrite par les équations suivantes :

Soit L une matrice de Leslie modélisant la dynamique d’une population structurée

Ce qui conduit à la proposition suivante :

— L’année 2020 correspond à n = 2 et donc à

1.4.2 Les chaînes de Markov Homogènes (CMH)

Illustrons les CMH à l’aide d’un exemple.

La CM est définie par la donnée de :

0.0625 0.375 1 0 0.0625

Exercice 1.1 Calculer le produit AB dans chacun des cas suivants :

Exercice 1.2 On considère la matrice carrée d’ordre 3 suivante :

1) Vérifier que A2 + A − 2I3 = 0.

Exercice 1.3 On considère deux suites (un ) et (vn ) définies par :

où u0 et v0 sont des nombres réels donnés.

Exercice 1.4 Soit  

4) Utiliser les résultats de l’exercice 1.3 pour obtenir les expressions de αn et βn en

A la fin de ce cours, l’apprenant devra être capable de (d’) :

— calculer les déterminants

Le calcul de déterminants permet non seulement de déterminer si une matrice

2.2 Déterminants d’ordres 2 et 3

Définition 2.1 Le déterminant d’une matrice carrée d’ordre 2,

est donné par :

2.2.2 Déterminants d’ordre 3