Cours Mathématiques Avancées Pour L'ingénieur-1

Mathématiques Avancées pour l’Ingénieur
Samir Bekkara
email: samir.bekkara@gmail.com
Avant propos
Ceci est l’essentiel du cours du module ”Mathématiques Avancées
pour l’Ingénieur” dispensé aux étudiants de l’Ecole Supérieure en
Génie Electrique et Energitique d’Oran durant l’année universitaire
2017/2018. Vu que c’est un premier brouillon, je serais reconnaissant
à toute personne voulant me faire part de ses remarques, suggestions,
corrections scientifiques et ”ortaugrafic”.
Samir Bekkara 2
Table des Matières
1 Algèbre linéaire 3
1.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Rappels élémentaires sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Déterminants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Forme réduite d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2 Forme de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.3 Lambda-matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.1 Définitions élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2 Divisions de λ-matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.3.3 Forme canonique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4 Matrices constituantes et fonction de matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.4.2 Calcul des matrices constituantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.5 Pseudo- Inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.5.1 Définition et propriétés de la pseudo-inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.5.2 Application à la résolution de systèmes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.6 Décomposition en valeurs singulières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.6.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.6.2 Détermination de la décomposition suivant les valeurs singulières . . . . . . . . . . . . . . . . . . . . . . . . . 46
1.6.3 Application à la détermination de la pseudo-inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
1
Samir Bekkara 2
Chapitre 1
Algèbre linéaire
1.1 Rappels
1.1.1 Rappels élémentaires sur les matrices
Dans tout ce qui suit, K désigne R ou C et n et p sont des entiers naturels non nuls.
Définition 1.1.1 On appelle une matrice dans K de type (n, p) un tableau rectangulaire M d’éléments de K ayant n lignes et p
colonnes  
a11 a12 ... a1p
 a21 a22 ... a2p 
M = .
 
.. .. ..
 ..

. . . 
an1 an2 ... anp
On note par aij l’élément qui se trouve à la ligne numéro i et à la colonne numéro j et on note la matrice M par
M = (aij )1≤i≤n
1≤j≤p
L’ensemble des matrices de type (n, p) est noté Mn,p (K) .

Pour n = 1 on dit que M est une matrice ligne M = (a11 , ..., a1p ).
 
a11
Pour p = 1 on dit que M est une matrice colonne M =  ...  on dit aussi que M est un vecteur.
 
an1
Si n = p on dit que M est une matrice carrée d’ordre n et on écrit M ∈ Mn (K) .
Théorème 1.1.2 On munissant l’ensemble M(n,p) (K) par les opérations suivantes
M(n,p) (K) × M(n,p) (K)

+: → M(n,p) (K)
(aij )1≤i≤n , (bij )1≤i≤n → (aij + bij )1≤i≤n
1≤j≤p 1≤j≤p 1≤j≤p
et
K × M(n,p) (K)
.: → M(n,p) (K)
λ, (aij )1≤i≤n → (λaij )1≤i≤n
1≤j≤p 1≤j≤p

alors M(n,p) (K) , +. est un K-espace vectoriel de dimension np.

Il est facile de montrer que M(n,p) (K) , +. est un espace vectoriel dont l’élément neutre pour l’addition est la matrice nulle
 
0 0 ... 0
 0 0 ... 0 
0n =  . . . .
 
 .. .. ..
. .. 
0 0 ... 0

Pour voir que dim M(n,p) (K) , +. = np considérons un cas particulier, par exemple n = 2 et p = 3
3
On a pour tout M ∈ M(2,3) (K)

a11 a12 a13 1 0 0 0 1 0 0 0 1
M = = a11 + a12 + a13
a21 a22 a23 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0
+a21 + a22 + a23
1 0 0 0 1 0 0 0 1
= a11 M1 + a12 M2 + a13 M3 + a21 M4 + a22 M5 + a23 M6
donc {M1 , M2 , M3 , M4 , M5 , M6 } est une famille génératrice pour M(2,3) (K) et il est facile dde vérifier qu’elle est libre. Ainsi
{M1 , M2 , M3 , M4 , M5 , M6 } est une base pour M(2,3) (K) et dim M(2,3) (K) = 6. Cette base est appelée la base canonique de
M(2,3) (K) .
Définition 1.1.3 Soit M = (aij )1≤i≤n ∈ Mn,p (K) . La transposée de la matrice M est la matrice notée t M définie par
1≤j≤p
t
M = (aji )1≤j≤p
1≤i≤p
Ainsi t M est une matrice de type (p, n) obtenue on remplaçant dans M les lignes par les colonnes et les colonnes par les lignes
et on a t (t M ) = M .

1 0
1 −2 √0 −5 0
Exemple 1.1.4 La transposée de la matrice  −2 √3  est la matrice et la transposée de la matrice
0 3 2 0 0
0 2

−5 0
est la matrice .
0 0
Définition 1.1.5 Soit M ∈ Mn,p (K) et N ∈ Mp,m (K) . On définit le produit de la matrice M par la matrice N comme étant la
matrice C = (cij ) 1≤i≤n ∈ Mn,m (K) avec
1≤j≤m
∀i, j : 1 ≤ i ≤ n, 1 ≤ j ≤ m; cij = ai1 b1j + ai2 b2j + ... + aip bpj

 
1 0 −2
1 −1 0 2  5 −4 0 
Exemple 1.1.6 Calculons le produit des deux matrices M = et N =   . Posons M.N = C,
0 3 −1 0  1 1 1 
0 −3 0
c11 c12 c13
alors C ∈ M(2,3) (K) ; C = et on a par exemple
c21 c22 c23
c11 = 1.1 + (−1) .5 + 0.1 + 2.0 = −4
c12 = 1.0 + (−1) . (−4) + 0.1 + 2. (−3) = −2
c23 = 0. (−2) + 3.0 + 1.1 + 0.0 = 1

de la même manière on calcule les autres éléments et on obtient

−4 −2 −2
C=
14 −13 1
Le produit de N par M dans ce cas n’existe pas car le nombre de colonnes de N n’est pas égale au nombre de lignes de M .
Définition 1.1.7 Soit M une matrice carrée d’ordre n, M = (aij ) 1≤i≤n .

1≤j≤n
1. La suite des éléments {a11 , a22 , ..., ann } est appelée la diagonale principale de M.
2. M est dite matrice diagonale si aij = 0, ∀i 6= j (c-à-d que tous les éléments qui ne se trouvent pas sur la diagonale sont nuls.)
3. M est dite matrice triangulaire inférieure [resp supérieure] si aij = 0, ∀i < j [resp ∀i > j](c-à-d que tous les éléments situés
au dessus [resp en dessous] de la diagonale sont nuls).
4. M est dite matrice symétrique si t M = M c’est à dire aij = aji , ∀i, j ∈ {1, 2, ..., n} .
Samir Bekkara 4
Proposition 1.1.8 Le produit des matrices est une opération interne dans M(n,n) (K) et il admet comme élément neutre la matrice
 
1 0 ... 0
 0 1 ... 0 
identité notée In avec In =  . . . .
 
 .. .. . . ... 

0 0 ... 1
Définition 1.1.9 Soit M ∈ M(n,n) (K) . On dit que M est inversible s’il existe une matrice N ∈ M(n,n) (K) telle que
M.N = In et N.M = In

1 1
Exemple 1.1.10 Montrons que la matrice M = est inversible. Pour cela, il suffit de considérer la matrice N =
2 3

3 1
. On a
−2 −1

1 1 3 1 1 0
M.N = =
2 3 −2 −1 0 1
et

3 1 1 1 1 0
N.M = =
−2 −1 2 3 0 1

−1 3 1
donc M est inversible et M =
−2 −1
Définition 1.1.11 Soit M = (aij ) 1≤i≤n ∈ Mn (K). Pour tout i et tout j dans {1, 2, ..., n}, on désigne par Mij la matrice déduite
1≤j≤n
de M , en supprimant la ligne i et la colonne j. Mij est dite un mineur d’ordre n − 1 de M .
De même, pour tout i1 < i2 < ... < ip dans {1, 2, ..., n} et tout j1 < j2 < ... < jp dans {1, 2, ..., n} , on désigne par
M(i1 ,i2 ,...,ip );(j1 ,j2 ,...,jp ) la matrice déduite de M , en supprimant les lignes i1 , i2 , ..., ip et les colonnes j1 , j2 , ..., jp . M(i1 ,i2 ,...,ip );(j1 ,j2 ,...,jp )
est dite un mineur d’ordre n − p de M .
 
1 2 3
Exemple 1.1.12 Pour la matrice M =  4 5 6  on a
7 8 9

4 5 1 3
M13 = , M22 = , M(1,2);(2,3) = (7)
7 8 7 9
Définition 1.1.13 Soit i, j ∈ {1, 2, ..., n} et α ∈ K. On pose
1.
i j
 
1 0
 .. 

 . 

 1 
 i
 

 0 ··· 1 

 1 

Iij = 
 .. 
 . 


 1  j


 1 ··· 0 


 1 

 .. 
 . 
0 1
Quand on multiplie une matrice M ∈ Mn (K) à gauche par Iij , alors ceci revient à intervertir les lignes i et j dans M , et
quand on multiplie à droite, ça revient à intervertir les colonnes i et j dans M .
Samir Bekkara 5
2.
i
 
1
 .. 

 . 


 1 
 i
Ii (α) = 
 α ··· 


 1 

 .. 
 . 
1
Quand on multiplie une matrice M ∈ Mn (K) à gauche par Ii (α), alors ceci revient à multiplier la lignes i dans M par α, et
quand on multiplie à droite, ça revient à multiplier la colonnes i dans M par α.
3.
i j
1
 
..
.
 
 
 

 1 0 ··· α  i

 .. 

 . 

Iij (α) = 
 .. 
 . 

 .. 
 . 0 
 j
 

 1 
 .. 
 . 
1
Quand on multiplie une matrice M ∈ Mn (K) à gauche par Iij (α), alors ceci revient à multipier la ligne j par α et l’ajouter
à la ligne i dans M , et quand on multiplie à droite, ça revient à multipier la colonne i par α et l’ajouter à la colonne j dans
M.
Exemple 1.1.14 On a
         
1 0 0 1 2 3 1 2 3 1 2 3 1 0 0 1 3 2
 0 0 1  4 5 6 = 7 8 9 ,  4 5 6  0 0 1 = 4 6 5 
0 1 0 7 8 9 4 5 6 7 8 9 0 1 0 7 9 8
et          
1 0 0 1 2 3 1 2 3 1 2 3 1 0 0 1 2α 3
 0 α 0  4 5 6  =  4α 5α 6α  ,  4 5 6  0 α 0 = 4 5α 6 
0 0 1 7 8 9 7 8 9 7 8 9 0 0 1 7 8α 9
et
         
1 0 α 1 2 3 1 + 7α 2 + 8α 3 + 9α 1 2 3 1 0 α 1 2 3+α
 0 1 0  4 5 6 = 4 5 6 ,  4 5 6  0 1 0  =  4 5 6 + 4α 
0 0 1 7 8 9 7 8 9 7 8 9 0 0 1 7 8 9 + 7α
1.1.2 Déterminants
Définition 1.1.15 A toute matrice carrée M = (aij ) 1≤i≤n ∈ Mn (K) , est associé un scalaire, notée det M ou |M |, défini comme
1≤j≤n
suit:
1. Si M ∈ M1 (K), alors
det M = |M | = a11
2. Si M ∈ M2 (K), alors
det M = |M | = a11 a22 − a12 a21
3. Si M ∈ Mn (K), avec n ≥ 2, alors

n
X 1+j
det M = |M | = (−1) a1j det M1j (1.1)
j=1
où les Mij sont les mineurs de M . La formule 1.1 est dite le développement du déterminant suivant la première ligne.
Samir Bekkara 6
 
1 2 3
Exemple 1.1.16 Pour la matrice M =  4 5 6 , on a
7 8 9

5 6 4 6 4 5
det M = 1 × det − 2 det + 3 det
8 9 7 9 7 8
= 1 × (5 × 9 − 6 × 8) − 2 (4 × 9 − 6 × 7) + 3 (4 × 8 − 5 × 7) = 0
 
π 0 0 0
 1 1 0 0 
et pour la matrice M = 
 5
, on a
4 5 0 
3 7 8 9
       
1 0 0 1 0 0 1 1 0 1 1 0
det M = π det  4 5 0  − 0 det  5 5 0  + 0 det  5 4 0  − 0 det  5 4 5 
7 8 9 3 8 9 3 7 9 3 7 8
 
1 0 0
= π det  4 5 0 
7 8 9

5 0 4 0 4 5
= π 1 × det − 0 × det + 0 × det
8 9 7 9 7 8
= π × 1 × 5 × 9 = 45π
Proposition 1.1.17 Pour tout k ∈ {1, 2, ..., n} on a

n
X k+j
det M = |M | = (−1) akj det Mkj (développement suivant la ligne k)
j=1
et
n
X i+k
det M = |M | = (−1) aik det Mik (développement suivant la colonne k)
i=1
Cette proposition nous donne le droit de choisir une ligne ou une colonne, et calculer le déterminant suivant le choix effectué.
Généralement, on choisis la ligne ou la colonne qui contient le plus de 0.
Exemple 1.1.18 On a
 
15
3 0 2 1  
15 3 2 1
 −37
−1
√ 0 0√ 0 
 
5 
 −37 −1 0 0 
det M = det 
 π 2 5 1+ 5 = 5 det  
13   −3 0 0 0 
 −30 0 0 0  19
− 51 −3 1 −2
− 19
−3 0
51 1 −2
 
3 2 1
2 1
= 5 × −3 × det  −1 0 0  = 5 × −3 × − (−1) × det
1 −2
−3 1 −2
= 5 × −3 × − (−1) × (2 × (−2) − 1 × 1) = 75
Proposition 1.1.19 Pour le calcul du déterminant d’une matrice M ∈ Mn (K) on a les propriétés suivantes:
1. Le déterminant d’une matrice triangulaire est égale au produit des éléments de la diagonale.
2. det (Iij (α) .M ) = det (M.Iij (α)) = det M, pour tout i, j ∈ {1, 2, ..., n} et tout α ∈ K. Ce qui revient à dire que le déterminant
ne change pas si on ajoute à une ligne [resp une colonne] une combinaison linéaire des autres lignes [resp colonnes],
3. det (Iij .M ) = det (M.Iij ) = − det M, pour tout i, j ∈ {1, 2, ..., n} (intervertion entre deux lignes ou deux colonnes).
4. det (Ii (α) .M ) = det (M.Ii (α)) = α det M, pour tout i ∈ {1, 2, ..., n} et tout α ∈ K. (multiplication d’une ligne ou d’une
colonne par un scalaire).
5. det αM = αn det M où α ∈ K.
6. det (M M 0 ) = det M × det M 0 où M 0 ∈ Mn (K).
Samir Bekkara 7
7. det M = det M t .
Corollaire 1.1.20 On a
1. Le déterminant d’une matrice diagonale est égale au produit des éléments de la diagonale.
2. Le déterminant d’une matrice est nul, si une ligne est nulle, ou deux lignes sont identiques, ou une ligne est une combinaison
linéaire d’autres lignes. La même chose pour les colonnes.
Exemple 1.1.21 1) Par les propriétés 3 et 1 on a

 √   √   √ 
0 0 0 3 0 0 0 3 3 0 0 0 √
 = 15
 0 0 1 1  0 1
√ √0 1  1 1 √0 0 
 
det   = − det   = det 
 0 5 4 5   0 4 5 5   5 4 5 0  2
1 1 1
2 8 7 3 2 7 8 3 3 7 8 2
2) Par la propriété 2
     
2 1 4 3 2 4 4 3 2 4 4 3
 3 2 1 −2   3 0 1 −2   3 0 1 −2 
det  
 4 10 −2 3  = det  −1 0
= det    
 4 7 −2 3  1 −1 
5 6 −3 4 5 10 −3 4 5 10 −3 4
   
2 4 7 3 −1 4 7 3
 3 0 −1 −2   = det  5
 0 −1 −2 
= det 
 −1 0

0 −1   0 0 0 −1 
5 10 1 4 1 10 1 4
   
−1 4 7 34 4 7
= det  5 0 −1  = det  0 0 −1 
1 10 1 6 10 1
= 340 − 24 = 316
Proposition 1.1.22 (Développement de Laplace généralisé) Soit M ∈ Mn (K) et i1 , i2 , ..., ip ∈ {1, 2, ..., n} avec i1 < i2 <
... < ip . Alors
X i +...+ip +j1 +...+jp
det M = (−1) 1 det M(i1 ,...,ip );(j1 ,...,jp ) det M(ip+1 ,...,in );(jp+1 ,...,jn )
1≤j1 <j2 <...<jp ≤n
où {ip+1 , ip+2 , ..., in } est le complémentaire de {i1 , i2 , ..., ip } dans {1, 2, ..., n} avec ip+1 < ip+2 < ... < in et {jp+1 , jp+2 , ..., jn } est
le complémentaire de {j1 , j2 , ..., jp } dans {1, 2, ..., n} avec jp+1 < jp+2 < ... < jn .
Cette proposition nous assure que pour calculer le déterminant on peut développé, non seulement suivant une colonne donnée,
mais suivant p colonnes. Il est à noter que si p est proche de n2 , le nombre d’opérations à faire pour calculer le déterminant est
nettement inférieure par rapport au même calcul avec p = 1.
Exemple 1.1.23 Pour une matrice carrée M = (aij ) 1≤i≤4 d’ordre 4 et pour p = 2 et i1 = 1 et i2 = 2, on a
1≤j≤4
det M = det M(1,2);(1,2) det M(3,4);(3,4) − det M(1,2);(1,3) det M(3,4);(2,3) + det M(1,2);(1,4) det M(3,4);(2,3)
− det M(1,2);(2,3) det M(3,4);(1,4) + det M(1,2);(2,4) det M(3,4);(1,3) − det M(1,2);(34) det M(3,4);(1,2)
Définition 1.1.24 Soit M = (aij ) 1≤i≤n ∈ Mn (K) . On appelle cofacteur d’indice i et j de M le scalaire
1≤j≤n
i+j
cij = (−1) det (Mij )
La matrice C = (cij ) 1≤i≤n est appelé la comatrice de M ou la matrice des cofacteurs et elle est notée Com (M ).
1≤j≤n
Théorème 1.1.25 Soit M ∈ Mn (K) . On a:
M est inversible ⇔ det M 6= 0
et dans ce cas la matrice inverse de M est donnée par

1 t
M −1 = [Com (M )]
det M
Samir Bekkara 8
 
1 0 1
Exemple 1.1.26 La matrice M =  2 −1 2  est une matrice inversible car det M = −3 6= 0. La comatrice de M est donnée
0 3 3
par  
−9 −6 6
C= 3 3 −3 
1 0 −1
et alors
−1
   
−9 3 1 3 −1
1 1 3
M −1 Ct =

=  −6 3 0 = 2 −1 0 
−3 −3 1
6 −3 −1 −2 1 3
On peut vérifier effectivement que  

1 0 0
M.M −1 = M −1 M = I3 =  0 1 0 .
0 0 1
1.2 Forme réduite d’une matrice

Définition 1.2.27 Soit M ∈ Mn×p (K).
1. Le rang de M , noté rg (M ) est l’ordre du la plus grande matrice carrée de déterminant non nul obtenue de M par supression de
lignes et de colonnes. C’est aussi le plus grand nombre de vecteurs colonnes (ou de lignes) de M , linéairement indépendants.
Si M est carrée et det M 6= 0, alors rg (M ) = n.
2. La trace de M , noté tr (M ) est la somme des éléments de la diagonale de M .
Remarque 1.2.28 On a bien entendu, rg (M ) ≤ min (n, p). Si rg (M ) = min (n, p) alors on dit que M est de rang maximal.
 
1 2 3
Exemple 1.2.29 1)Pour la matrice M =  4 5 6  on det M = 0 et alors rg (M ) < 3, mais comme det M11 = −1 6= 0 alors
7 8 9
rg (M ) = 2. D’autre part on a
tr (M ) = 1 + 5 + 9 = 15
 
1 2 3  
 0 1 2 3
5 6 

2) Pour la matrice M = 
 0 on a rg (M ) ≤ 3 mais comme det  0 5 6  = 45 6= 0 alors rg (M ) = 3. M est
0 9 
0 0 9
1 0 −1
de rang maximal.
Définition 1.2.30 Soit M et N deux matrices dans Mn (K) .
1. On dit que M et N sont équivalentes s’il existe deux matrices inversibles P et Q dans Mn (K) telles que
M = PNQ
2. On dit que M et N sont semblables s’il existe une matrice inversible P dans Mn (K) telle que
M = P N P −1
Remarque 1.2.31 La notion d’équivalence entre matrices, ne concerne pas seulement les matrices carrés, par contre, la notion
de similitude, est strictement réservée aux matrices carrées.
Exemple 1.2.32 1)Les transformations élémentaires sur une matrice (échanges de lignes ou de colonnes, multiplication d’une
ligne par un scalaireet addition
à une ligne ou àune0 colonne
d’un multiple des autres) donnent des matrices équivalentes. Par
a b a b0
exemple, la matrice est équivalente à car
a0 b0 a b
a0 b0 a0 b0

a b
= I12 = I12 I
a0 b0 a b a b
Samir Bekkara 9
   
a b c c−a b a
et les matrices I12 et I sont inversibles. De même, les matrices  a0 b0 c0  et  c0 − a0 b0 a0  sont équivalentes car
a00 b00 c00 c00 − a00 b00 a00
   
c−a b a a b c
 c0 − a0 b0 a0  = I31 (−1)  a0 b0 c0  I13
c00 − a00 b00 a00 a00 b00 c00

1 0 1 2
2) Les matrices et sont équivalentes car
0 1 3 5

8 −3 8 −3 1 2 1 1
=
−13 5 −13 5 3 5 2 1

8 −3 1 1
et les matrices et sont inversibles.
−13 5 2 1
   
a 0 0 c 0 0
3) Les matrices  0 b 0  et  0 b 0  sont semblables car
0 0 c 0 0 a
   
a 0 0 c 0 0
 0 b 0  = I13  0 b 0  I13
0 0 c 0 0 a
−1
et (I13 ) = I13 .
8 5 1 2
4) Les matrices et sont semblables car
−3 −2 3 5

8 5 −1 1 1 2 1 1
=
−3 −2 2 −1 3 5 2 1

−1 1 1 1
et est l’inverse de .
2 −1 2 1
Proposition 1.2.33 On a les propriétés suivantes:
1. Deux matrices sont équivalentes, si et seulement si elles ont le même rang.
2. Si M et N sont semblables, alors det M = det N et tr (M ) = tr (N ) .
sont équivalentes; et si M ∈ Mn×p (K) est une matrice de rang r,

Corollaire 1.2.34 Deux matrices dedéterminants non nuls,
Ir 0r,p−r
alors M est équivalente à la matrice , dite la forme canonique ou la forme de Smith.
0n−r,r 0n−r,p−r

1 0 1 2
Exemple 1.2.35 1) Si on reprend les matrices et , alors on remarque qu’elle ne sont pas semblables, car
0 1 3 5

1 0 1 2
tr = 2 6= 6 = tr
0 1 3 5
mais vu qu’elles sont équivalentes, alors elle ont le même rang. En effet

1 0 1 2
rg = 2 = rg
0 1 3 5

8 5 1 2
2) Pour les matrices semblables et on a bien
−3 −2 3 5

8 5 1 2 8 5 1 2
det = det = −1 et tr = tr =6
−3 −2 3 5 −3 −2 3 5

−1 1 1 1
et est l’inverse de .
2 −1 2 1
Samir Bekkara 10
   
2 1 0 1 2 0
3) Les matrices  0 0 0  et  1 1 0  vérifient
0 0 0 0 0 0
       
2 1 0 1 2 0 2 1 0 1 2 0
det  0 0 0  = det  1 1 0  = 0 et tr  0 0 0  = tr  1 1 0 =2
0 0 0 0 0 0 0 0 0 0 0 0
mais elle ne sont même pas équivalentes, vu qu’elle n’on pas le même rang:
   
2 1 0 1 2 0
rang  0 0 0  = 1 et rang  1 1 0  = 2
0 0 0 0 0 0
 
4 5 −1
 2 4 −2 
4) On considère la matrice M =   −1 3 6 . Transformons cette matrice afin d’arriver à sa forme de Smith.

1 2 −1
Tout d’abord, on fait en sorte que a11 soit égale à 1, soit en échangeant des lignes ou des colonnes, ou en multipliant la première
ligne ou la première colonne par un scalaire. Dans notre cas , il suffit d’échanger les lignes 4 et 1
   
4 5 −1 1 2 −1
 2 4 −2   2 4 −2 
I14  −1 3 6  =  −1 3 6 
  
1 2 −1 4 5 −1
ensuite, en multipliant la premùière colonne par un scalaire, on transforme les éléments de la première ligne en 0. Dans notre cas
   
1 2 −1 1 0 −1
 2
 4 −2   I12 (−2) =  2
 0 −2  
 −1 3 6   −1 5 6 
4 5 −1 4 −3 −1
et    
1 0 −1 1 0 0
 2 0 −2  
 I (1) =  2 0 0 
6  13
 
 −1 5  −1 5 5 
4 −3 −1 4 −3 3
et on ramène des 0 sur la première colonnes
   
1 0 0 1 0 0
 2 0 0   0 0 0 
I41 (−4) I31 (1) I21 (−2) 
 −1
= 
5 5   0 5 5 
4 −3 3 0 −3 3
On ramène maintenant un 1 au niveau du coefficient a22 . Dans notre cas, il suffit de faire
   
1 0 0 1 0 0
−1  0 0 0   0 1 −1 
I2 I24 
 0 5
= 
3 5   0 5 5 
0 −3 3 0 0 0
Maintenant, on refait avec la ligne 2 et la colonne 2 ce qui a était fait avec la ligne 1 et la colonne 1. Ainsi
   
1 0 0 1 0 0
 0 1 −1   I (1) = 
 0 1 0 
5 5  23
 
 0  0 5 10 
0 0 0 0 0 0
et    
1 0 0 1 0 0
 0 1 0   0 1 0 
I32 (−5) 
 0
= 
5 10   0 0 10 
0 0 0 0 0 0
Samir Bekkara 11
il ne reste que transformer a33 en 1.    

1 0 0 1 0 0
 0 1 0 I 1  0 1 0 
= =S
10  3 10

 0 0  0 0 1 
0 0 0 0 0 0
qui est la forme de Smith recherchée. De plus on a

−1 1
S = I32 (−5) I2 I24 I41 (−4) I31 (1) I21 (−2) I14 M I12 (−2) I13 (1) I23 (1) I3
3 10
c’est à dire

−1 −1
P = I32 I2 I24 I41 (−4) I31 (1) I21 (−2) I14
5 3
       
1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1
 0 −1  −2
1 0 0   0
3 0 0   0 0 0 1  0 1 0 0  0 1 0 0  1 0 0   0 1 0 0 
=       
 0 −5 1 0  0 0 1 0  0 0 1 0  0 0 1 0  1 0 1 0  0 0 1 0  0 0 1 0 
0 0 0 1 0 0 0 1 0 1 0 0 −4 0 0 1 0 0 0 1 0 0 0 1 1 0 0 0
 
0 0 0 1
 −1 0 0 4 
= 3 3 
 5 0 1 −3 17 
3
0 1 0 −2
et

1
Q = I12 (−2) I13 (1) I23 (1) I3
10
    
1 −2 0 1 0 1 1 0 0 1 0 0
=  0 1 0  0 1 0  0 1 1  0 1 0 
1
0 0 1 0 0 1 0 0 1 0 0 10
1
 
1 −2 − 10
 0 1 1
= 10

1
0 0 10
et on a bien     
0 0 0 1 4 5 −1  1
 1 0 0
 −1 4 1 −2 − 10
3 0 0 3
 2 4 −2 
 0 1
 0 1 0 
PMQ = 
 5
 1 = =S
3 0 1 − 17
3
  −1 3 6  10
1
 0 0 1 
0 0
0 1 0 −2 1 2 −1 10 0 0 0
 
4 5 −1
On pouvait deviner facilement la matrice de Smith S, en remarquant que det  2 4 −2  = 60 6= 0, ce qui entraine que
−1 3 6
rangM = 3, mais la méthode précédente permet de trouver les matrice de passage P et Q.
On voit bien que la relation de similitude (matrices semblales) est une relation trés forte qui relie deux matrices. Le but de ce
qui va suivre, est de trouver pour une matrice carrée M une matrice semblable N qui a la forme la plus simple possible. On
commence par la diagonalisation.
1.2.1 Diagonalisation
Définition 1.2.36 Soit M ∈ Mn (K) et soit λ ∈ K. On dit que λ est une valeur propre de M s’il existe un vecteur colonne
v ∈ Kn , v 6= 0 tel que M v = λv.
Le vecteur v est appelé vecteur propre associé à la valeur propre λ.

3 2
Exemple 1.2.37 Pour la matrice M = on a 1 et 3 sont des valeurs propres. En effet on a
0 1

3 2 −1 −1 −1
= = 1.
0 1 1 1 1
et
3 2 1 3 1
= = 3.
0 1 0 0 0
Samir Bekkara 12

−1 0 1
donc si on pose v1 = et v = alors M v = 1.v et M v 0 = 3v 0 donc v est un vecteur propre associé à la valeur propre
1 0
1 et v 0 est un vecteur propre associé à la valeur propre 3.
Proposition 1.2.38 Soit M ∈ Mn (K) . Si on considère le polynôme
PM (λ) = det (λIn − M )
alors on a
λ est une valeur propre de M ⇔ PM (λ) = 0
Le polynôme PM (λ) est appelé le polynôme caractéristique de M.
Exemple 1.2.39 .

3 2
1. Déterminons les valeurs propres de la matrice M = . On a
0 1

1 0 3 2
PM (λ) = det (λI2 − M ) = det λ −
0 1 0 1

λ−3 −2
= = (λ − 3) (λ − 1)
0 λ−1
Le polynôme caractéristique de M est le pôlynôme PM (λ) = (λ − 3) (λ − 1) et les valeurs propres de M sont les solutions de
l’équation PM (λ) = 0 c’est à dire λ = 1 et λ = 3.
 
1 4 −1
2. Pour la matrice M =  −2 2 2  on a
−3 4 3
    
1 0 0 1 4 −1
PM (λ) = det (λI3 − M ) = det λ  0 1 0  −  −2 2 2 
1 0 1 −3 4 3
   
λ−1 −4 1 λ −4 1
=  2 λ−2 −2  =  0 λ − 2 −2 
3 −4 λ−3 λ −4 λ−3
 
λ −4 1
=  0 λ − 2 −2  = λ (λ − 2) (λ − 4)
0 0 λ−4
Ainsi PM (λ) = λ (λ − 2) (λ − 4) et les valeurs propres de M sont 0, 2 et 4.
Proposition 1.2.40 Soit M ∈ Mn (K) et soit PM son polynôme caractéristique. Alors PM s’écrit comme suit::
n
PM (λ) = λn − tr (M ) λn−1 + an−2 λn−2 + ... + a1 λ + (−1) det (M )

−1 2
Exemple 1.2.41 Pour la matrice M = on a tr (M ) = 2 et det M = −6 et alors
1 3
PM (λ) = λ2 − 2λ − 6
√ √
et les valeurs propres de M sont alors λ1 = 1 + 7 et λ2 = 1 − 7.
Définition 1.2.42 Soit M ∈ Mn (K) et soit λ ∈ K une valeur propre de M. L’ensemble Eλ défini par
Eλ = {v ∈ Kn , M v = λv}
est appelé l’espace propre associé à la valeur propre λ.
Proposition 1.2.43 Si λ est une valeur propre pour M alors Eλ est un sous-espace vectoriel de E.
Preuve:∀v1 , v2 ∈ Eλ , ∀α, β ∈ K
M (αv1 + βv2 ) = M (αv1 ) + M (βv2 ) = αM (v1 ) + βM (v2 )
comme v1 , v2 ∈ Eλ alors M v1 = λv1 et M v2 = λv2 donc
M (αv1 + βv2 ) = λ (αv1 + βv2 )
ce que veut dire que αv1 + βv2 ∈ Eλ .
Samir Bekkara 13
 
1 4 −1
Exemple 1.2.44 Déterminons les espaces propres associés à la matrice M =  −2 2 2  . On a les valeurs propres de M
−3 4 3
sont 0, 2 et 4.
1. Pour λ = 0
     
 1 4 −1 x 0 
v ∈ R3 /M v = 0 = (x, y, z) ∈ R3 /  −2 2 2   y  =  0 

E0 =
−3 4 3 z 0
 
  
  x + 4y − z = 0 
= (x, y, z) ∈ R3 /  −2x + 2y + 2z = 0 
−3x + 4y + 3z = 0
  
  
  x + 4y − z = 0 
= (x, y, z) ∈ R3 /  −2x + 2y + 2z = 0 
x=z
  

x=z
= (x, y, z) ∈ R3 / = {(x, 0, x) / x ∈ R} = {x (1, 0, 1) / x ∈ R}
y=0
donc E0 est un espace vectoriel et il admet pour base le vecteur {(1, 0, 1)} .
2. De la même manière on trouve

x=z
E2 = (x, y, z) ∈ R3 /
y = 21 x

1
= x 1, , 1 / x ∈ R
2
1, 21 , 1

donc est une base pour E2 .
3 4

3. Pour λ = 4, le vecteur 7, 7, 1 est une base de E4 .
Définition 1.2.45 Soit λ0 une valeur propre pour une matrice M. On dit que λ0 est une valeur propre de multiplicité m (avec
m ∈ N) si λ0 est une solution d’ordre m pour le polynôme caractéristique de M, c’est à dire
m
PM (λ) = (λ − λ0 ) Q (λ) avec Q (λ0 ) 6= 0
 
1 −2 3 0
 0 2 −1 1 
Exemple 1.2.46 Soit la matrice M =   . On a
 0 0 1 −3 
0 0 0 1
λ−1 2 −3 0
0 λ−2 1 −1 3
PM (λ) = = (λ − 1) (λ − 2)
0 0 λ−1 3
0 0 0 λ−1
donc 1 est une valeur propre de multiplicité 3 et 2 est une valeur propre de multiplicité 1.
Définition 1.2.47 On dit qu’une matrice M ∈ Mn (K) est diagonalisable s’il existe une matrice diagonale D, semblable à M ,
c’est à dire
M = P DP −1
où P est une matrice inversible. P est dite la matrice de passage.
Théorème 1.2.48 Soit M ∈ Mn (K) , λ1 , λ2 , ..., λp les valeurs propres de M de multiplicités respectives m1 , m2 , ..., mp . Alors:
1. ∀i = 1, p, 1 ≤ dim Eλi ≤ mi .
Samir Bekkara 14
2. La matrice M est diagonalisable ssi dim Eλ1 + dim Eλ2 + ... + dim Eλp = n et la matrice diagonale D associée à M est donnée
par
λ1 0 ... 0
 
..
.
 
 0 
 

 λ 1 


 λ2 

 .. 
 . 
 

 λ 2 

D=  .. 
 . 


 . ..


 
 .. 

 . 


 λp 


 . .. 0 

0 ... 0 λp
où chaque valeurs λi se répéte mi fois. De plus, la matrice de passage P est la matrice dont les colonnes sont les vecteurs
qui forment les bases des espaces propres Eλi , i = 1, p.
3. La matrice M est diagonalisable sur K ssi le polynôme caractéristique de M est scindé, c’est à dire, M admet n valeurs
propres (distinctes ou non), et si dim Eλi = mi pour tout i.
Remarque 1.2.49 Si la matrice M ∈ Mn (K) admet n valeurs propres distinctes alors M est diagonalisable et la matrice diagonale
D associée à M est  
λ1
 λ2 
D=
 
 . .. 

λn
 
1 4 −1
Exemple 1.2.50 1) On considère la matrice M =  −2 2 2  . M admet exactement trois valeurs propres 0, 2 et 4, dont
−3 4 3
les vecteurs propres associés sont respectivement (1, 0, 1) , 1, 21 , 1 et 73 , 47 , 1 . Alors M est diagonalisable et la matrice diaganole

associée est  
0 0 0
D= 0 2 0 
0 0 4
et la matrice de passage est
3
 
1 1 7
1 4
P = 0 2 7

1 1 1
On peut vérifier qu’effectivement on a
M = P DP −1

1 1
2) Pour la matrice M = , on a
−2 −1

λ−1 −1
det (λI − M ) = det = λ2 + 1
2 λ+1
et alors le polynôme caractéristique de M n’admet pas de solutions réelles. La matrice n’est pas diagonalisable sur R. Si on tavail
sur C, alors
det (λI − M ) = 0 ⇔ λ = i ou λ = −i
donc elle admet deux valeurs propres distinctes et les espaces propres Ei et E−i sont de dimension 1. La matrice est diagonalisable
sur C et la matrice diagonale associée est
i 0
D=
0 −i
Samir Bekkara 15
Pour calculer la matrice P , il faut trouver les bases des espaces Ei et E−i .

1 1 x ix
v ∈ C2 /M v = iv = (x, y) ∈ C2 /

Ei = =
−2 −1 y iy

(1 − i) x + y = 0
= (x, y) ∈ C2 /
−2x − (1 + i) y = 0

y = (i − 1) x
= (x, y) ∈ C2 /
−2x + 2x = 0
2

= (x, y) ∈ C /y = (i − 1) x = {x (1, i − 1) / x ∈ C}
donc Ei est engendré par {(1, i − 1)} et dim E1 = 1. De même on trouve que E−i est engendré par {(1, −1 − i)} et dim E2 = 1. La
matrice de passage P est donnée par
1 1
P =
i − 1 −1 − i
 
1 −2 3 0
 0 2 −1 1 
3) Pour la matrice M =  , on a trouvé que les valeurs propres sont 1 et 2, de multiplicité 3 et 1 respectivement.
 0 0 1 −3 
0 0 0 1
Calculons les espaces propres. Pour λ = 1, on a
     

 1 −2 3 0 x x  
4  0 2 −1 1   y   y 

4

E1 = v ∈ K /M v = v = (x, y, z, t) ∈ K /     =  

 0 0 1 −3   z   z  
0 0 0 1 t t
 
  

 
 x − 2y + 3z = x  
2y − z + t = y 
  
4 

= (x, y, z, t) ∈ K /  

 
 4z − 3t = z 

t=t
  
  
  z=0 
= (x, y, z, t) ∈ K4 /  y = 0 
z=t
  
(x, y, z, t) ∈ K4 /y = z = t = 0 = {x (1, 0, 0, 0) / x ∈ R}

=
donc E1 est engendré par {(1, 0, 0, 0)} et dim E1 = 1. De même on trouve que E2 est engendré par {(−2, 1, 0, 0)} et dim E2 = 1.
Comme dim E1 + dim E2 = 2 6= 4, alors la matrice M n’est pas diagonalisable, ni sur R ni sur C.
Définition 1.2.51 Soit P (X) = a0 + a1 X + ... + ak X k un polynôme dans K [X].
1. Pout tout matrice M ∈ Mn (K), on définit la matrice P (M ) ∈ Mn (K) comme étant la matrice
P (M ) = a0 In + a1 M + a2 M 2 + ... + ak M k
2. Un polynôme P est dit annulateur pour une matrice M si P (M ) = 0.

−1 1
Exemple 1.2.52 Soit le polynome P (X) = X (X − 1) = −X + X 2 et soit la matrice M = , alors
−2 −1

0 −3
P (M ) = −M + M 2 =
6 0
donc P n’est pas annulateur pour la matrice M ; par contre il est évident que P est annulateur pour la matrice identité I2 .
Théorème 1.2.53 (de Caylay Hamilton) Pour toute matrice M , le polynôme caractéristique de M est un annaluteur de M.
 
1 −2 3 0
 0 2 −1 1 
Exemple 1.2.54 Pour la matrice M =  , on a trouver que
 0 0 1 −3 
0 0 0 1
3
PM (λ) = (λ − 2) (λ − 1) = λ4 − 5λ3 + 9λ2 − 7λ + 2
Samir Bekkara 16
par le théorème de Caylay Hamilton on déduit que
M 4 − 5M 3 + 9M 2 − 7M + 2I4 = 0
mais ceci entraine que

1
M 3 − 5M 2 + 9M − 7I4

M = I4
2
et alors
1
M −1 = M 3 − 5M 2 + 9M − 7I4

2
Définition 1.2.55 Soit M ∈ Mn (K). Le polynôme minimal de M , noté mM (λ) est le polyôme normalisé annulateur de M , ayant
le degré le plus petit. Normalisé veut dire que le coefficient du terme du plus grand degré est 1.
La question naturelle qui se pose est comment déterminer le polynôme minimal?
Proposition 1.2.56 Soit M ∈ Mn (K). Tout polynôme annulateur de M est divisible par le polynôme minimal de M .
Corollaire 1.2.57 Soit M ∈ Mn (K). Alors mM (λ) divise PM (λ) et si PM (λ) s’écrit comme suit
n1 n2 np
PM (λ) = (λ − λ1 ) (λ − λ2 ) ... (λ − λp ) , λ1 , ..., λp ∈ K, n1 , ..., np ∈ N∗
alors le polynôme minimal de M , s’écrit

k1 k k
mM (λ) = (λ − λ1 )
(λ − λ2 ) 2 ... (λ − λp ) p , 1 ≤ k1 ≤ n1 , ..., 1 ≤ kp ≤ np
 
−1 1 1
Exemple 1.2.58 On considère la matrice M =  1 −1 1 . On a
1 1 −1
   
λ+1 −1 −1 λ+1 −1 −1
PM (λ) = det (λI − M ) = det  −1 λ+1 −1  = det  −λ − 2 λ + 2 0 
−1 −1 λ+1 −1 −1 λ+1
 
λ+1 λ −1
λ −1
= (λ + 2) λ2 + λ − 2

= det  −λ − 2 0 0  = (λ + 2) det
−2 λ + 1
−1 −2 λ + 1
2
= (λ + 2) (λ − 1)
2
donc le polynôme minimal est soit (λ + 2) (λ − 1) ou (λ + 2) (λ − 1). Or
    
1 1 1 −2 1 1 0 0 0
(M + 2I) (M − I) =  1 1 1   1 −2 1 = 0 0 0 
1 1 1 1 1 −2 0 0 0
− 1).
et alors mM (λ) = (λ + 2) (λ 
1 −2 3 0
 0 2 −1 1 
2) Pour la matrice M =  , on a trouvé que
 0 0 1 −3 
0 0 0 1
3
PM (λ) = (λ − 2) (λ − 1)
2 3
donc le polynôme minimal est soit (λ − 2) (λ − 1) ou (λ − 2) (λ − 1) ou (λ − 2) (λ − 1) . Or
 
0 0 −1 −11
 0 0 0 3 
(M − 2I) (M − I) =   0
 6= 0
0 0 3 
0 0 0 0
et  
0 0 0 3
2  0 0 0 0 
(M − 2I) (M − I) = 
 0
=6 0
0 0 0 
0 0 0 0
3
et alors mM (λ) = (λ − 2) (λ − 1) .
Samir Bekkara 17
Proposition 1.2.59 Une matrice M est diagonalisable dans K ssi toute les racines de son polynôme minimal sont simples et sont
dans K.
 
−1 1 1
Exemple 1.2.60 1) La matrice M =  1 −1 1  est diagonalisable car mM (λ) = (λ + 2) (λ − 1) qui n’admet que des
1 1 −1
racines simples.
1 1
2) Pour la matrice M = on a
−2 −1
PM (λ) = λ2 + 1 = (λ − i) (λ + i) = mM (λ)
et alors m n’est pas diagonalisable sur R (car les racines de mM ne sont pas dans R), mais elle diagonalisable su C, car les racines
sont dans C et elles sont
 simples. 
1 −2 3 0
 0 2 −1 1  n’est pas diagonalisable car mM (λ) = (λ − 2) (λ − 1)3 admet une racine triple.
3) La matrice M =   0 0 1 −3 
0 0 0 1
Ce dernier exemple, nous entraine à poser la question suivantes: Pour une matrice M non diagonalisable, qu’elle est la forme
la plus simple que l’on peut obtenir pour une matrice semblable à M ?
1.2.2 Forme de Jordan

Définition 1.2.61 Soit λ ∈ K. Un λ-bloc de Jordan est une matrice J (λ) de la forme
 
λ 1 0 0
 .. .. 
 0
 . . 

J (λ) = 
 .. .. 
si n > 1 et J (λ) = (λ) si n = 1
 . . 0 

 .. 
 . 1 
0 0 λ
Théorème 1.2.62 Soit M ∈ Mn (K) et PM son polynôme caractéristique.

n m
1. Si PM (λ) = (λ − λ0 ) et mM (λ) = (λ − λ0 ) avec m ≤ n et dim Eλ0 = k, alors la matrice M est semblable à la matrice
 
J1 (λ0 ) 0 0
 .. .. 

 0 . . 

J =
 .. .. ..  = Je (λ0 )

(1.2)
 . . . 
 .. .. 
 . . 0 
0 0 Jk (λ0 )
où chaque Ji (λ0 ) est un λ0 -bloc de Jordan et l’ordre du plus grand bloc est égale à m = deg mM .
n1 n2 np
2. Si PM (λ) = (λ − λ1 ) (λ − λ2 ) ... (λ − λp ) alors la matrice M est semblable à la matrice J, dite matrice de Jordan, avec
n1 np
 e 
J (λ1 ) 0 0
 .. .. 

 0 . . 

J =
 .. .. .. 
(1.3)
 . . . 

 .. .. 
 . . 0 
0 0 J (λp )
e
où chaque Je (λi ) est de la forme 1.2 et de taille ni . De plus, pour chaque valeur propre λi , le nombre kl de sous blocs de
Jordan dans Je (λi ) d’ordre l est égale à

l l−1 l+1
kl = 2 dim ker (λi I − M ) − dim ker (λi I − M ) + dim ker (λi I − M ) (1.4)
Samir Bekkara 18
Exemple 1.2.63 1) Si pour une matrice M ∈ M7 (R) , on a
7 5
PM (λ) = (λ + 8) , mM (λ) = (λ + 8) et dim E−8 = 3
alors on a une seule valeur propre égale à −8. Comme dim E−8 = 3 alors on a 3 sous-blocs de Jordan, et comme deg mM = 5,
alors un des sous-blocs est d’ordre 5, mais ceci entraine que forcément les autres blocs sont d’ordre 1. Ainsi, la matrice de Jordan
associée à M est
 
−8 1 0 0 0 0 0
 0 −8 1 0 0 0 0 
 
 0
 0 −8 1 0 0 0 

J =  0 0 0 −8 1 0 0 

 0
 0 0 0 −8 0 0 

 0 0 0 0 0 −8 0 
0 0 0 0 0 0 −8
 
1 −2 3 0
 0 2 −1 1 
2) Soit la matrice M =  . On a déjà vu que cette matrice n’est pas diagonalisable. Cherchons sa forme
 0 0 1 −3 
0 0 0 1
de Jordan. Les valeurs propres sont 1 et 2 de multiplicité 3 et 1 respectivement. De plus
E1 = h(1, 0, 0, 0)i et E2 = h(−2, 1, 0, 0)i
alors M est semblable à une matrice de la forme

3 1
!
Je (1) 0
J=
0 J (2)
e
et Je (2) = (2) car l’ordre de Je (2) est 1. Pour Je (1) , on a dim E1 = 1 et alors Je (1) contient un seul bloc et il est d’ordre 3. Ainsi
 
1 1 0 0
 0 1 1 0 
J =
 0

0 1 0 
0 0 0 2
Pour trouver la matrice de passage P, il faut déterminer des vacteurs {v1 , v2 , v3 , v4 } avec
M v1 = v1 , M v2 = v1 + v2 , M v3 = v2 + v3 , M v4 = 2v4
v1 et v4 sont les vecteurs propres déjà trouvés donc
v1 = (1, 0, 0, 0) , v4 = (−2, 1, 0, 0)
Calculons v2 = (x, y, z, t) . On a
M v2 = v1 + v2 ⇔ (M − I) v2 = v1
    
0 −2 3 0 x 1
 0 1 −1 1   y   0 
⇔   = 
 0 0 0 −3   z   0 
0 0 0 0 t 0
 
 −2y + 3z = 1  z=1
⇔ y−z+t=0 ⇔ y=z
−3t = 0 t=0
 
⇒ v2 = (x, 1, 1, 0)
on peut prendre pour v2 = (0, 1, 1, 0) .
Samir Bekkara 19
Calculons v3 = (x, y, z, t) . On a
M v3 = v2 + v3 ⇔ (M − I) v3 = v2
    
0 −2 3 0 x 0
 0 1 −1 1   y   1 
⇔   = 
 0 0 0 −3   z   1 
0 0 0 0 t 0
 z = 32 y
 
 −2y + 3z = 0
⇔ y−z+t=1 ⇔ y − z = 34
−3t = 1 t = −1
 
3
 z = 23 y
 
 z = 83
1
⇔ y=4 ⇔ y=4
 3 −13
t= 3 t = −1

3

8 −1
⇒ v3 = x, 4, ,
3 3
et alors on peut prendre v3 = 0, 4, 83 , −1

3 .Ainsi
 
1 0 0 −2
 0 1 4 1 
P =
 0 1 8

3 0 
0 0 − 31 0
et on peut vérifier que

M = P JP −1
     
1 −2 3 0 1 0 0 −2 1 1 0 0 1 2 −2 8
 0 2 −1 1   0 1
= 4 1   0 1 1 0   0 0 1 8 
 8
   (1.5)
 0 0 1 −3   0 1 3 0  0 0 1 0  0 0 0 −3 
0 0 0 1 0 0 − 31 0 0 0 0 2 0 1 −1 4
3) Soit la matrice
 
6 3 0 −16 −4 −15

 −1 1 0 4 1 10 

 2 0 2 −7 −2 −1 
M = 

 0 0 0 2 0 0 

 3 2 0 −12 −1 −10 
0 0 0 0 0 3
Le polynôme caractéristique de M est
 
λ−6 −3 0 16 4 15

 1 λ − 1 0 −4 −1 −10 

 −2 0 λ−2 7 2 1 
PM (λ) = det  

 0 0 0 λ − 2 0 0 

 −3 −2 0 12 λ+1 10 
0 0 0 0 0 λ−3
 
λ−6 −3 4
2
= (λ − 3) (λ − 2) det  1 λ−1 −1 
−3 −2 λ+1
 
λ−6 −3 λ−2
2
= (λ − 3) (λ − 2) det  1 λ−1 0 
−3 −2 λ−2
 
λ−6 −3 λ−2
2
= (λ − 3) (λ − 2) det  1 λ−1 0 
−λ + 3 1 0

3 1 λ−1
= (λ − 3) (λ − 2) det
−λ + 3 1
3 2
5
= (λ − 3) (λ − 2) λ − 4λ + 4 = (λ − 2) (λ − 3)
Samir Bekkara 20
et les espaces propres associés sont:

E2 = h(1, 0, 2, 0, 1, 0) , (0, 0, 1, 0, 0, 0)i
et
E3 = h(0, 5, −1, 0, 0, 1)i
on sais alors que M est semblable à une matrice de la forme
5 1
!
Je (2) 0
J=
0 J (3)
e
Il est clair alors que Je (3) = (3). Il reste à déterminer Je (2). Comme dim E2 = 2 on déduit que dans Je (2) il existe deux sous-blocs
de Jordan, mais comme l’ordre de Je (2) est 5 alors les ordres des deux sous-blocs sont soit 2 et 3, soit 1 et 4. Calculons, par la
formule 1.4, le nombre de sous blocs d’ordre 1. On a

0 2
k1 = 2 dim ker (2I − M ) − dim ker (2I − M ) + dim ker (2I − M )

2
= 2 dim E2 − dim ker (I) + dim ker (2I − M )

2
= 4 − 0 + dim ker (2I − M )

2
Calculons alors N22 = ker (2I − M ) . On a
n o
2
N22 = v ∈ R6 , (2I − M ) v = 0
or  
−19 −13 0 68 17 65

 4 2 0 −16 −4 −45 

2  −10 −2 −2 36 10 15 
(2I − M ) =  

 0 0 0 −2 0 0 

 −13 −9 0 52 11 45 
0 0 0 0 0 −7
et alors      

 −19 −13 0 68 17 65 x1 0 

4 2 0 −16 −4 −45 x2 0

     


     

−10 −2 −2 36 10 15 x3 0
 
N22 = (x1 , x2 , ..., x6 ) ∈ R6 , 
   
 = 



 0 0 0 −2 0 0 
 x4  
  0 

−13 −9 0 52 11 45 x5 0

     


 

0 0 0 0 0 −7 x6 0
 
ce qui entraine que x4 = x6 = 0 et 


 −19x1 − 13x2 + 17x5 =0
4x1 − 2x2 − 4x5 =0


 −10x1 − 2x2 − 2x3 + 10x5 =0
−13x1 − 9x2 + 11x5 =0

la première et la deuxième et la troisième équation donnent

    
−19 −13 17 x1 0
 4 2 −4   x2  =  0 
−13 −9 11 x5 0
mais  
−19 −13 17
det  4 2 −4  = −8
−13 −9 11
donc
x1 = x2 = x5 = 0 et alors x3 = 0
et alors
2
N22 = {0} et dim ker (2I − M ) = 0
Samir Bekkara 21
Ainsi, les sous-blocs de Jordan associés à la valeur propres 2 sont d’ordre 3 et 2 respectivement et la matrice de Jordan associée
à M est alors  
2 1 0 0 0 0
 0 2 1 0 0 0 
 
 0 0 2 0 0 0 
J =  0 0

 0 2 1 0  
 0 0 0 0 2 0 
0 0 0 0 0 3
Pour trouver la matrice de passage P, il faut déterminer des vacteurs {v1 , v2 , v3 , v4 , v5 , v6 } avec
M v1 = 2v1 , M v2 = v1 + 2v2 , M v3 = v2 + 2v3 ,

M v4 = 2v4 , M v5 = v4 + 2v5 , M v6 = 3v6
v1 , v4 et v6 sont les vecteurs propres déjà trouvés, donc
v1 = (1, 0, 2, 0, 1, 0) , v4 = (0, 0, 1, 0, 0, 0) et v6 = (0, 0, −5, 6, 0, 1)
aprés calcul on trouve

v2 = (3, −1, 0, 0, 2, 0) , v3 = (0, 1, 1, 0, 0, 0) et v5 = (2, 0, 0, 1, −2, 0)
et alors  
1 3 0 0 2 0

 0 −1 1 0 0 5 

 2 0 1 1 0 −1 
P = 

 0 0 0 0 1 0 

 1 2 0 0 −2 0 
0 0 0 0 0 1
M = P JP −1
1.3 Lambda-matrices
1.3.1 Définitions élémentaires
Définition 1.3.64 On appelle λ-matrice ou matrice polynômiale de type (n, m), toute matrice M (λ) de type (n, m) dont les
coefficients sont des polynômes- à coefficients dans K- en la variable λ. Le degré de M (λ) , noté deg M (λ) est le plus grand degré
parmis les degrés des coefficients de M (λ) .
3
λ +1 2λ + 1
Exemple 1.3.65 1- La matrice est une λ-matrice de degré 3.
5λ2 λ3 + λ2 − 2
2- Pour tout matrice M ∈ Mn (K) , la matrice caractéristique de M , c’est à dire la matrice λIn − M , est une λ-matrice de
degré 1.
Proposition 1.3.66 Soit M (λ) une λ-matrice de degré d.
1. M (λ) s’écrit de manière unique sous la forme

d
X
M (λ) = M (k) λk = M (d) λd + M (d−1) λd−1 + ... + M (1) λ + M (0)
k=0
où, pour tout k ∈ {0, 1, ..., d} , M (k) ∈ M(n,m) (K).
2. M (λ) est nulle ssi M (k) = 0, ∀k ∈ {0, 1, ..., d}.
λ3

2λ + 1
Exemple 1.3.67 Pour la matrice M (λ) = on a
2λ3 + 5λ2 λ2 − 2

1 0 0 0 0 2 1 1
M (λ) = λ3 + λ2 + λ+
0 1 5 1 0 0 0 −2
La somme et le produit de deux λ-matrices se définit comme les matrices ordinaires (à condition que les tailles soient compat-
ibles), et il est à noter que si M (λ) et N (λ) sont des λ-matrices, alors (sous condition de compatibilité) deg (M (λ) + N (λ)) ≤
deg (M (λ)) + deg N (λ) et deg (M (λ) N (λ)) ≤ deg M (λ) deg N (λ).
Samir Bekkara 22

2 4 2 1 0 −2 −4 2 −1 0
Exemple 1.3.68 Pour M (λ) = λ + et N (λ) = λ + on a
−1 −2 0 1 1 2 0 −1

0 0
M (λ) + N (λ) = ⇒ deg (M (λ) + N (λ)) = 0 < 4
0 0
et
−4 −8 2 −1 0
M (λ) N (λ) = λ + ⇒ deg (M (λ) N (λ)) = 2 < 4
2 4 0 −1
Définition 1.3.69 Soit M (λ) une λ-matrice carrée d’ordre n et de degré d.
1. M (λ) est dite unitaire si M (d) = In .
2. M (λ) est dite régulière si det M (λ) n’est pas le polynôme nul.
3. M (λ) est dite unimodulaire si det M (λ) = det M 0 6= 0
Proposition 1.3.70 Si det M (0) 6= 0 alors M (λ) est régulière.
Preuve. Evident de fait que

det M (0) = det M (λ)|λ=0
λ3 + 1

2λ + 1
Exemple 1.3.71 La matrice est une λ-matrice unitaire car M 3 = I2 et elle régulière car det M 0 = −2.
5λ2 λ3 + λ2 − 2
Proposition 1.3.72 Si M (λ) est une λ-matrice régulière, alors elle admet une matrice inverse donnée par
−1 1 t
[M (λ)] = [Com (M (λ))]
det M (λ)
−1
et M (λ) est une λ-matrice ssi M (λ) est unimodulaire.
λ3 + 1
 
1 λ
Exemple 1.3.73 La matrice M (λ) =  0 2 λ − 1 , est unimodulaire car
0 0 −1
det M (λ) = −2 = det M 0
et on a
λ3 + 1 λ4 − λ3 − λ − 1
 
−2
−1 1 
[M (λ)] = 0 −1 −λ + 1 
−2
0 0 2
−1
remarquer que deg [M (λ)] 6= deg M (λ).
Définition 1.3.74 Deux λ-matrices M (λ) et N (λ) sont dites équivalentes, s’il existe deux matrices unimodulaires P (λ) et Q (λ)
telles que
M (λ) = P (λ) N (λ) Q (λ)
λ3 + 6λ2 + λ + 1 2λ2 − 2
   
−3λ − 1 1 λ−1 λ
Exemple 1.3.75 Les λ-matrice  λ2 + 7λ −4 2λ − 2  et  0 2 λ − 1  sont équivalentes car
λ 0 2 0 0 −1
   
1 λ+1 λ 1 λ−1 λ 1 0 0
 0 2 λ − 1  0 2 λ − 1   2λ −1 0 
0 0 −1 0 0 −1 λ 0 2
   
1 λ+1 λ 1 0 0
et  0 2 λ − 1  et  2λ −1 0  sont unimodulaires.
0 0 −1 λ 0 2
Samir Bekkara 23
1.3.2 Divisions de λ-matrices

Définition 1.3.76 Soit M (λ) et N (λ) deux λ-matrices.
1. On dit que M (λ) est divisible à droite par N (λ), s’ils existent deux λ-matrices Qd (λ) et Rd (λ), appelées quotient et reste à
droite, telles que
M (λ) = Qd (λ) N (λ) + Rd (λ) et deg Rd (λ) < deg N (λ)
2. On dit que M (λ) est divisible à gauche par N (λ), s’ils existent deux λ-matrices Qg (λ) et Rg (λ), appelées quotient et reste
à gauche, telles que
M (λ) = N (λ) Qg (λ) + Rg (λ) et deg Rg (λ) < deg N (λ)
Proposition 1.3.77 Soit M (λ) et N (λ) deux λ-matrices. Si N (λ) est telle que det N (deg N (λ)) 6= 0, alors M (λ) est divisible à
droite et à gauche par N (λ), et les matrices quotient et reste à droite et à gauche sont uniques.
Exemple 1.3.78 On a
λ3 − λ 3λ2 + 2λ − 3
2
λ 2 λ λ −λ 2λ + 1
= +
λ2 + λ λ3 − λ2 − λ + 3 1 λ−1 0 λ2 − 2 λ 1
2 3
3λ2 + 2λ − 3
2
λ 2 λ λ λ −λ λ λ
comme deg = 1 < deg 2 , alors 2 3 2 est divisible à droite par ,
1 λ−1 0 λ −2 λ + λ λ − λ − λ + 3 0 λ2 − 2
λ 2 −λ 2λ + 1
le quotient à droite est et le reste à droite est . Il faut remarquer que cette égalite, ne représente
1 λ − 1 λ 1
3 2

λ −λ 3λ + 2λ − 3 λ 2 −λ 2λ + 1 λ 2
pas une division à gauche de sur car deg = 1 ≥ deg .
λ2 + λ λ3 − λ2 − λ + 3 1 λ−1 λ 1 1 λ−1
Algorithme de détermination du quotient et du reste
On vas donner dans ce qui suit, une manière qui nous permettera de déterminer le quotient et le reste d’une division à gauche.
Pd0 0
Soit M (λ) = k=0 M (k) λk et N (λ) = k=0 N (k) λk avec det N (d ) 6= 0.
Pd
Si d < d0 alors Qd (λ) = 0 et Rd (λ) = M (λ).
Supposons maintenant que d ≥ d0 .
h 0
i−1
On calcul d’abord M1 = M (d) N (d )
0
et M1 (λ) = M (λ) − M1 λd−d N (λ) et on pose d1 = deg M1 (λ) . Alors d1 < d. Si
d1 < d0 alors on a 0
Qd (λ) = M1 λd−d et Rd (λ) = M1 (λ)
h 0
i−1
Si d1 ≥ d0 alors on pose M2 = M1 1 N (d )
(d ) 0
et M2 (λ) = M1 (λ) − M2 λd1 −d N (λ) et d2 = deg M2 (λ) . Alors d2 < d1 .Si
d2 < d0 alors on a 0 0
Qd (λ) = M1 λd−d + M2 λd1 −d et Rd (λ) = M2 (λ)
Sinon, en réitère cette opération jusqu’à obtenir une matrice Mp (λ) avec deg Mp (λ) < d0 et alors
0 0 0
Qd (λ) = M1 λd−d + M2 λd1 −d + ... + Mp λdp−1 −d et Rd (λ) = Mp (λ)
t
Pour la division à droite, on peut avoir un algorithme semblable au précédent, comme on peut considèrer les matrices [M (λ)]
t
et [N (λ)] et faire la division à droite pour obtenir
t t t
[M (λ)] = Qd (λ) [N (λ)] + Rd (λ) et deg Rd (λ) < deg [N (λ)]
et par passage au transposé on a
t t
M (λ) = N (λ) [Qd (λ)] + [Rd (λ)] et deg [Rd (λ)] = deg Rd (λ) < deg N (λ)
et alors
t t
Qg (λ) = [Qd (λ)] et Rg (λ) = [Rd (λ)]
3
3λ2 + 2λ − 3
2
λ −λ λ λ
Exemple 1.3.79 Déterminons la division à gauche de sur .
λ 2 + λ λ3 − λ 2 − λ + 3 0 λ2 − 2
On pose
3 t
3λ2 + 2λ − 3 λ3 − λ λ2 + λ

λ −λ
M (λ) = =
λ2 + λ λ3 − λ2 − λ + 3 3λ2 + 2λ − 3 λ3 − λ2 − λ + 3

1 0 0 1 −1 1 0 0
= λ3 + λ2 + λ+
0 1 3 −1 2 −1 −3 3
= M (3) λ3 + M (2) λ2 + M (1) λ + M (0)
Samir Bekkara 24
et
t 2
λ2

λ λ 0
N (λ) = =
0 λ2 − 2 λ λ2 − 2

1 0 2 0 0 0 0
= λ + λ+
0 1 1 0 0 −2
= N (2) λ2 + N (1) λ + N (0)
Caculons le quotient et le reste de la division à droite de M (λ) sur N (λ). On a
h i−1 1 0 1 0 −1 1 0

(3) (2)
M1 = M N = =
0 1 0 1 0 1
et
M1 (λ) = M (λ) − M1 λN (λ)
λ3 − λ λ2 + λ
2
1 0 λ 0
= − λ
3λ2 + 2λ − 3 λ3 − λ2 − λ + 3 0 1 λ λ2 − 2
λ2 + λ

−λ
=
2λ + 2λ − 3 −λ2 + λ + 3
2

0 1 −1 1 0 0
= λ2 + λ+
2 −1 2 1 −3 3
(2) (1) (0)
= M1 λ2 + M1 λ + M1
et alors deg M1 (λ) = 2 ≥ deg N (λ). On recommence alors
i−1 0 −1
(2)
h
(2) 1 1 0 0 1
M2 = M1 N = =
2 −1 0 1 2 −1
et
M2 (λ) = M1 (λ) − M2 N (λ)
λ2 + λ λ2

−λ 0 1 0
= −
2λ2 + 2λ − 3 −λ2 + λ + 3 2 −1 λ λ2 − 2

−2λ λ + 2
=
3λ − 3 λ + 1
et alors deg M2 (λ) = 1 < deg N (λ). Ainsi

λ 1 −2λ λ + 2
Qd (λ) = M1 λ + M2 = et Rd (λ) = M2 (λ) =
2 λ−1 3λ − 3 λ + 1
et finalement on a
t λ 2 −2λ 3λ − 3
Qg (λ) = [Qd (λ)] = et Rg (λ) =
1 λ−1 λ+2 λ+1
et on a bien
λ3 − λ 3λ2 + 2λ − 3 λ2

λ λ 2 −2λ 3λ − 3
= +
λ + λ λ − λ2 − λ + 3
2 3
0 λ2 − 2 1 λ−1 λ+2 λ+1
1.3.3 Forme canonique

Théorème 1.3.80 Tout λ-matrice est équivalente à une matrice de la forme
 
a1 (λ) 0 ... 0

 0 a 2 (λ) 

 .. 

 . 

S (λ) =   as (λ) 


 0 

 .. 
 . 
0 ... 0
où s ≤ n et a1 (λ) , a2 (λ) , ..., as (λ) sont des polynômes unitaires et aj (λ) est divisible par aj−1 (λ) pour tout j ∈ {1, 2, ..., s}. La
matrice S (λ) est dite la forme de Smith ou la forme canonique.
Samir Bekkara 25
Pour trouver la forme de smith d’une matrice M (λ) on procède comme suit:
On cherche parmis les coefficients de M (λ), celui que le plus petit degré et qui soit le plus simple possible. Aprés, une éventuelle
permutation de lignes ou de colonnes, on peut supposer que ce coefficient est a11 (λ). Ensuite, en fait la division euclidienne de
chaque élément de la ligne 1 sur le coefficient a11 (λ) . Si un élément de la ligne 1, par exemple a1j (λ), a un reste non nul, c’est à
dire
a1j (λ) = a11 (λ) q1j (λ) + r1j (λ) avec r1j (λ) 6= 0
on multiplie la colonne 1 par −q1j (λ) et on l’ajoute à la colonne j, de telle sorte que l’on remplace a1j (λ) par r1j (λ) qui est de
degré inférieur à a11 (λ). On échange les colonnes j et 1 et on réitère la procédure précédente jusqu’à arriver à une matrice où
tout les coefficients de la première ligne sont divisible sur a11 (λ) avec un reste nul. Ce qui a était fait avec la première ligne, on
le refait avec la première colonne, de telle sorte que l’on arrive à une matrice où tous les coefficients de la première ligne et la
première colonne sont divisible sur a11 (λ) avec un reste nul. On retranche ensuite de chaque colonne j, la colonne 1 multipliée par
la quotient de la division de a1j (λ) sur a11 (λ) et on retranche de chaque ligne i, la ligne 1 multipliée par la quotient de la division
de ai1 (λ) sur a11 (λ). Ceci ramène notre matrice à la forme
 
a1 (λ) 0 ... 0
 0 b22 (λ) ... b2n (λ) 
M1 (λ) =  (1.6)
 
.. .. .. 
 . . . 
0 bn2 (λ) ... bnn (λ)
Si un des coefficients bij (λ) est divisible par a1 (λ) avec un reste non nul, alors on ajoute à la ligne 1, la ligne qui contient cet
élément, ceci ramène la matrice au cas initial, auquel on ré-applique tout ce qui précéde, jusqu’à l’obtention d’une matrice de la
forme 1.6, où tout les bij (λ) sont divisibles par a1 (λ) avec un reste nul et a1 (λ) unitaire (pour cette dernièe il suffit de multiplier
la première ligne par l’inverse du coefficient du plus grand degré dans a1 (λ)). Toute la procédure précédente, est appliquée ensuite
à la matrice (bij ) 2≤i≤n pour arriver à la forme
2≤j≤n
 
a1 (λ) 0 ... 0

 a2 (λ) 

M1 (λ) = 
 0 c32 (λ) ... c3n (λ) 

 .. .. .. 
 . . . 
0 cn3 (λ) ... cnn (λ)
où a2 (λ) est divisible par a1 (λ) avec un reste nul et tout les cij (λ) sont divisibles par a2 (λ) avec un reste nul. La procédure est
poursuivie alors jusqu’à l’obtension de la forme S (λ).
λ + 1 λ2 + λ + 1
 
λ
Exemple 1.3.81 1) Soit la λ-matrice M (λ) =  λ 1 λ . Déterminons sa forme de Smith.
2
2 λ −1 λ−1
Le coefficient du plus petit degré est 1, donc on échange les lignes 1 et 2 (multiplication à gauche par I12 )
 
λ 1 λ
 λ + 1 λ2 + λ + 1 λ 
2 λ2 − 1 λ−1
On échange les colonnes 1 et 2 (multiplication à droite par I12 )

 
1 λ λ
 λ2 + λ + 1 λ + 1 λ 
λ2 − 1 2 λ−1
Tous les coefficients de la première ligne et la première colonne sont divisibles par 1 sans reste, alors on ajoute à la deuxième
colonne la première multipliée par −λ (multiplication à droite par I12 (−λ))
 
1 0 λ
 λ2 + λ + 1 −λ3 − λ2 + 1 λ 
2 3
λ −1 λ −λ+2 λ−1
et on ajoute à la troisième colonne la première multipliée par −λ (multiplication à droite par I13 (−λ))
 
1 0 0
 λ2 + λ + 1 −λ3 − λ2 + 1 −λ3 − λ2 
2
λ −1 −λ + λ + 2 −λ3 + 2λ − 1
3
Samir Bekkara 26

et on ajoute à la deuxième ligne la première multipliée par − λ2 + λ + 1 (multiplication à gauche par I21 − λ2 + λ + 1 )
 
1 0 0
 0 −λ3 − λ2 + 1 −λ3 − λ2 
λ − 1 −λ + λ + 2 −λ3 + 2λ − 1
2 3

et on ajoute à la troisième ligne la première multipliée par − λ2 − 1 (multiplication à gauche par I31 − λ2 − 1 )
 
1 0 0
 0 −λ3 − λ2 + 1 −λ3 − λ2 
0 −λ + λ + 2 −λ3 + 2λ − 1
3
On ajoute maintenant à la troisième colonne la deuxième multipliée par −1 (multiplication à droite par I23 (−1))
 
1 0 0
 0 −λ3 − λ2 + 1 −1 
3
0 −λ + λ + 2 λ − 3
(on pouvait aussi ramener la troisième colonne à la deuxième). On échange les colonnes 2 et 3 (multiplication à droite par I23 )
 
1 0 0
 0 −1 −λ3 − λ2 + 1 
0 λ − 3 −λ3 + λ + 2

On ajoute maintenant à la troisième colonne la deuxième multipliée par −λ3 −λ2 +1 (multiplication à droite par I23 −λ3 − λ2 + 1 )
 
1 0 0
 0 −1 0 
4 3 2
0 λ − 3 −λ + λ + 3λ + 2λ − 1
et on ajoute à la troisième ligne la deuxième multipliée par λ − 3 (multiplication à gauche par I32 (λ − 3))
 
1 0 0
 0 −1 0 
4 3 2
0 0 −λ + λ + 3λ + 2λ − 1
et enfin on multiplie la deuxième ligne et la troisième ligne par −1 (multiplication à gauche par I2 (−1) et par I3 (−1))
 
1 0 0
S (λ) =  0 1 0 
0 0 λ4 − λ3 − 3λ2 − 2λ + 1
qui est la forme de Smith cherchée. Pour déterminer les matrices P et Q véifiants
S (λ) = P M (λ) Q
alors P représente le produit de toute les matrices avec lesquelles on a multiplié à gauche et Q représente le produit de toutes les
matrices avec lesquelles on a multiplié à droite, en respectant l’ordre de multiplication, c’est à dire
P = I3 (−1) I2 (−1) I32 (λ − 3) I31 −λ2 + 1 I21 −λ2 − λ − 1 I12

      
1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 0 1 0
=  0 1 0   0 −1 0   0 1 0  0 1 0   −λ2 − λ − 1 1 0   1 0 0 
0 0 −1 0 0 1 0 λ−3 1 −λ2 + 1 0 1 0 0 1 0 0 1
 
0 1 0
=  −1 λ2 + λ + 1 0 
3 − λ λ3 − λ2 − 2λ − 4 −1
et
Q = I12 I12 (−λ) I13 (−λ) I23 (−1) I23 I23 −λ3 − λ2 + 1

      
0 1 0 1 −λ 0 1 0 −λ 1 0 0 1 0 0 1 0 0
=  1 0 0  0 1 0  0 1 0  0 1 −1   0 0 1  0 1 −λ3 − λ2 + 1 
0 0 1 0 0 1 0 0 1 0 0 1 0 1 0 0 0 1
3 2
 
0 −1 λ +λ
=  1 0 −λ 
0 1 −λ3 − λ2 + 1
Samir Bekkara 27
λ2 + λ + 1 λ3 + λ2
   
0 1 0 λ+1 λ 0 −1
P M (λ) Q =  −1 λ2 + λ + 1 0  λ 1 λ  1 0 −λ 
3 − λ λ3 − λ2 − 2λ − 4 −1 2 λ2 − 1 λ−1 0 1 −λ3 − λ2 + 1
 
1 0 0
=  0 1 0  = S (λ)
4 3 2
0 0 λ − λ − 3λ − 2λ + 1

λ 1
2) Soit la matrice M (λ) = . Pour déterminer la forme de Smith de M , on a les étapes suivantes:
1 λ2
1 λ2 1 λ2

1 0 1 0 1 0
I12 −λ2 =

M (λ) → I12 M (λ) = → → I21 (−λ) =
λ 1 λ 1 λ 1 − λ3 λ 1 − λ3 0 1 − λ3

1 0 1 0
→ I2 (−1) = = S (λ)
0 1 − λ3 0 λ3 − 1
et on a
S (λ) = [I21 (−λ) I12 ] M (λ) I12 −λ2 I2 (−1) = P M Q

c’est à dire
1 0 0 1 0 1
P = I21 (−λ) I12 = =
−λ 1 1 0 1 −λ
et
−λ2 λ2

2
1 1 0 1
Q = I12 −λ I2 (−1) = =
0 1 0 −1 0 −1
et on a bien
λ2

1 0 0 1 λ 1 1
=
0 λ3 − 1 1 −λ 1 λ2 0 −1
3) On considère la matrice
λ2 − 31 λ5 + 13 λ2 + λ λ3
 
M (λ) =  λ−1 λ3 − 1 λ2 + 2 
−λ + 2 λ2 2
−λ + λ + 4
Le coefficient du plus petit degré est λ − 1 ou −λ + 2 . On choisit par exemple λ − 1 et alors on échange les lignes 1 et 2, ce qui
revient à multiplier la matrice à gauche par I12
λ3 − 1 λ2 + 2
 
λ−1
 λ2 − 13 λ5 + 31 λ2 + λ λ3 
2 2
−λ + 2 λ −λ + λ + 4
Sur la ligne 1, on a
λ3 − 1 = (λ − 1) λ2 + λ + 1 et λ2 + 2 = (λ − 1) (λ + 1) + 3

puisque le coefficient λ2 + 1 à un reste non nul, alors on ajoute à la troisième colonne, la première colonne multipliée par − (λ + 1) ,
c’est à dire on multiplie la matrice à droite par I13 (− (λ + 1))
λ3 − 1
 
λ−1 3
 λ2 − 13 λ5 + 31 λ2 + λ −λ2 
−λ + 2 λ2 2
on échange les colonnes 1 et 3, ce qui revient à multiplier la matrice à droite par I13
λ3 − 1
 
3 λ−1
 −λ2 − 1 λ5 + 1 λ2 + λ λ2 
3 3
2
2 λ −λ + 2
Maintenant, tous les coefficients de la première ligne et la première colonne ont un reste nul quand on les divise par 3. Comme

3 1 3 1 1 1
λ −1=3 λ − et λ − 1 = 3 λ−
3 3 3 3
Samir Bekkara 28
1 3 1

alors on ajoute à la deuxième colonne, la première colonne multipliée par − 3 λ − 3 et on ajoute à latroisième colonne, la première
1
colonne multipliée par − 3 λ − 3 , c’est à dire on multiplie la matrice à droite par I12 − 13 λ3 − 13 et par I13 − 13 λ − 31
1

 
3 0 0
 −λ2 1 3 2 2 
λ 3λ + 3λ
2 − 3 λ + λ + 3 − 3 λ + 83
2 3 2 2 5
et comme
2 1 2 2
−λ = 3 − λ et 2 = 3
3 3
alors on ajoute à la deuxième ligne, la première ligne multipliée par31 λ2 et on ajoute à la troisième ligne, la première ligne multipliée
par − 23 , c’est à dire on multiplie la matrice à gauche par I21 31 λ2 et par I31 − 23
 
3 0 0
 0 1 3 2 2 
λ 3λ + 3λ
2 3
0 − 3 λ + λ + 3 − 3 λ + 83
2 2 5
Comme tous les coefficients sont divisibles sans reste par 3 alors il ne reste qu’à normaliser ce coefficient, c’est à dire de multiplier
la première ligne par 31 , ce qui revient à multiplier la matrice à gauche par I1 31

 
1 0 0
 0 1 3 2 2 
λ 3λ + 3λ
2 3
0 − 3 λ + λ2 + 3 − 3 λ + 83
2 5
Ainsi a1 (λ) = 1. On passe maintenant à la ligne 2 et à la colonne 2. On a

1 3 2 2 1 2 2 2 2 2 2
λ + λ =λ λ + λ et − λ3 + λ2 + = λ − λ2 + λ +
3 3 3 3 3 3 3 3
donc on ajoute à la troisième ligne, la deuxième ligne multipliée par − − 23 λ2 + λ , c’est à dire on multiplie la matrice à gauche

par I32 23 λ2 − λ  
1 0 0
 0 λ 1 3 2 2
3λ + 3λ

2 2 5 1 4 2 3 5 8
0 3 9λ + 9λ − 3λ − 3λ + 3
on échange les lignes 2 et 3, ce qui revient à multiplier la matrice à gauche par I23
 
1 0 0
 0 2 2 λ5 + 1 λ4 − 2 λ3 − 5 λ + 8 
3 9 9 3 3 3
1 3 2 2
0 λ 3λ + 3λ
on ajoute à la troisième ligne, la deuxième ligne multipliée par − 32 λ, c’est à dire on multiplie la matrice à gauche par I32 − 32 λ

 
1 0 0
 0 2 2 5 1 4 2 3 5 8
9λ + 9λ − 3λ − 3λ + 3

3
1 6 1 5 4 1 3 19 2
0 0 − 3 λ − 6 λ + λ + 3 λ + 6 λ − 4λ
finalement on ajoute à la troisième colonne, la deuxième colonne multipliée par −3 2 5 1 4 2 3 5 8

2 9 λ + 9 λ − 3 λ − 3 λ + 3 , c’est à dire on
multiplie la matrice à gauche par I23 − 13 λ5 − 16 λ4 + λ3 + 25 λ − 4
 
1 0 0
 0 2 0 
3
0 0 − 13 λ6 − 16 λ5 + λ4 + 13 λ3 + 19 6 λ 2
− 4λ
et on multiplie à droite par I2 32 pour obtenir

 
1 0 0
 0 1 0 
0 0 − 31 λ6 − 16 λ5 + λ4 + 13 λ3 + 19 6 λ 2
− 4λ
et encore une fois à droite par I3 (−3), ce qui donnera la forme de Smith
 
1 0 0
S (λ) =  0 1 0 
0 0 λ6 + 21 λ5 − 3λ4 − λ3 − 19 2
2 λ + 12λ
Samir Bekkara 29
1.4 Matrices constituantes et fonction de matrice

1.4.1 Définition
Soit f une fonction définie par une série entière de rayon de convergence ρ
X
f (z) = αn z n , |z| < ρ
n≥0
Une telle fonction est dite analytique en 0.
Définition 1.4.82 Soit A ∈ Mn (C) une matrice telle que toutes les valeurs propres de A sont dans le disque de convergence de f
∀λ tel que λ valeur propre de A, |λ| < ρ
On définit f (A) comme étant la matrice donnée par

X
f (A) = αn An (1.7)
n≥0
et on l’appelle, la fonction f de la matrice A.
Remarque 1.4.83 Si les valeurs propres de A sont dans le disque de convergence, alors la série matricielle 1.7 est absolument
convergente et sa somme est une matrice. La convergence içi, veut dire la convergence coefficient par coefficient.

−1 0
Exemple 1.4.84 Soit la matrice A = et on considère la fonction f (z) = ez . On a
0 2
X zn
f (z) = ,z ∈ C
n!
n≥0
Calculons eA . On a
(−1)n
!
X 1 X 1 (−1)n 0
P
0

e−1 0

A n n≥0 n!
e = A = = 2n =
0 2n 0 e2
P
n! n! 0 n≥0 n!
n≥0 n≥0
de la même manière on peut calculer cos A, sin A...
Il est clair que pour le calcul de f (A), il suffit de connaitre les puissances de A, chose qui n’est pas trés simple si A n’est pas
diagonalisable. Bien entendu, on peut penser à la forme de Jordan, mais les calculs peuvent être fastidieux. Néanmoins, il existe
une autre manière de la calculer, basée sur le théorème suivant:
n n
Théorème 1.4.85 Soit A ∈ Mn (C) telle que le polynôme caractéristique de A s’écrit PA (λ) = (λ − λ1 ) 1 ... (λ − λp ) p . Alors il
existent des matrices Zij ∈ Mn (C) , 1 ≤ i ≤ p, 0 ≤ j ≤ ni − 1, telles que pour tout f analytique en 0, de rayon de convergence ρ,
et telle que |λi | < ρ, ∀i ∈ {1, ..., p} on a
Xp nXi −1
f (A) = f (j) (λi ) Zij (1.8)

i=1 j=0
où f (j) désigne la dérivée d’ordre j de f .
Ce qui est remarquable dans ce théorème est que les matrices Zij ne dépendent pas de f, elle ne dépende que de A. Ce qui
justifie la définition suivante:
Définition 1.4.86 Les matrices (Zij ) 1≤i≤p sont dites les matrices constituantes de A.
0≤j≤ni −1
La détermination des matrices constituantes, permet grâce à la formule 1.8, de calculer de manière simple n’importe quelle
f (A).
Pour calculer ces matrices, il suffit de choisir des fonctions f , dont le calcul de f (A) est simple et remplacer dans 1.8.
Samir Bekkara 30
1.4.2 Calcul des matrices constituantes

1) Cas des valeurs propres simples
Supposons que PA (λ) = (λ − λ1 ) ... (λ − λn ) , c’est à dire que toutes les valeurs propres sont simples. La formule 1.8 devient
n
X
f (A) = f (λi ) Zi (1.9)
i=1
On considère les polynômes

PM (z)
Pj (z) = = (z − λ1 ) ... (z − λj−1 ) (z − λj+1 ) ... (z − λn ) , ∀j ∈ {1, ..., n}
z − λj
alors
0 si i 6= j
Pj (λi ) =
(λj − λ1 ) ... (λj − λj−1 ) (λj − λj+1 ) ... (λj − λn ) si i = j
donc en remplaçant dans 1.9, on obtient pour tout j ∈ {1, ..., n}
n
X
Pj (A) = Pj (λi ) Zi = Pj (λj ) Zj
i=1
ce qui donne
1 1
Zj = Pj (A) = (A − λ1 I) ... (A − λj−1 I) (A − λj+1 I) ... (A − λn I)
Pj (λj ) (λj − λ1 ) ... (λj − λj−1 ) (λj − λj+1 ) ... (λj − λn )
 
1 4 −1
Exemple 1.4.87 Soit la matrice A =  −2 2 2  . On a trouvé que
−3 4 3
PM (λ) = λ (λ − 2) (λ − 4)
donc
1
Z1 = (A − λ2 I) (A − λ3 I)
(λ1 − λ2 ) (λ1 − λ3 )
  
1−2 4 −1 1−4 4 −1
1  −2 2 − 2
= 2   −2 2 − 4 2 
(0 − 2) (0 − 4)
−3 4 3−2 −3 4 3−4
 
−2 −16 10
1
= 0 0 0 
8
−2 −16 10
et
1
Z2 = (A − λ1 I) (A − λ3 I)
(λ2 − λ1 ) (λ2 − λ3 )
  
1−0 4 −1 1−4 4 −1
1  −2 2 − 0
= 2   −2 2 − 4 2 
(2 − 0) (2 − 4)
−3 4 3−0 −3 4 3−4
 
−8 −8 8
−1 
= −4 −4 4 
4
−8 −8 8
et
1
Z3 = (A − λ1 I) (A − λ2 I)
(λ3 − λ1 ) (λ3 − λ2 )
  
1−0 4 −1 1−2 4 −1
1  −2 2 − 0
= 2   −2 2 − 2 2 
(4 − 0) (4 − 2)
−3 4 3−0 −3 4 3−2
 
−6 0 6
1
= −8 0 8 
8
−14 0 14
Samir Bekkara 31
ce qui donne pour toute fonction f analytique en 0 et de rayon de convergence plus grand que 4,
n
X
f (A) = f (λi ) Zi
i=1
     
−2 −16 10 −8 −8 8 −6 0 6
f (0)  f (2)  −4 f (4)
= 0 0 0 − −4 4  +  −8 0 8 
8 4 8
−2 −16 10 −8 −8 8 −14 0 14
Par exemple
     
−2 −16 10 2 −8 −8 8 4 −6 0 6
1 e e
eA = 0 0 0 −  −4 −4 4  +  −8 0 8 
8 4 8
−2 −16 10 −8 −8 8 −14 0 14
 2 3 4 1 2 3 4 2 5

2e − 4 e − 4 2e − 2 4 e − 2e + 4
=  e2 − e4 e2 e4 − e2 
2 7 4 1 2 7 4 2 5
2e − 4 e − 4 2e − 2 4 e − 2e + 4
Ce résultat, peut être vérifié en procédant à la diagonalisation de A. On a trouvé dans l’exemple 1.2.50 que
1 1 73
   
0 0 0
D =  0 2 0  et P =  0 12 47 
0 0 4 1 1 1
et alors
−1
A = P
DP 3
  1 5

1 1 7 0 0 0 −4 −2 4
=  0 12 4
7
 0 2 0  2 2 −2 
1 1 1 0 0 4 − 47 0 7
4
ce qui donne
3
   1 5

1 1 7 0 0 0 −4 −2 4
An =  0 1
2
4
7
 0 2n 0  2 2 −2  , ∀n ≥ 1
1 1 1 0 0 4n − 47 0 7
4
et on a
1 1 37
   1 5

X 1 X 1 0 0 0 − 4 −2 4
eA = An =  0 1 4   0 2n 0   2
2 7 2 −2 
n! n!
n≥0 n≥0 1 1 1 0 0 4n − 47 0 7
4
3
     1 5

1 1 7 X 1 0 0 0 − 4 −2 4
=  0 1 4   0 2n 0   2 2 −2 
2 7 n!
1 1 1 n≥0 0 0 4n − 74 0 7
4
1 1 73 − 41 −2 45
     
1 0 0
=  0 1 4   0 e2 0   2 2 −2 
2 7
1 1 1 0 0 e4 − 74 0 7
4
 2 3 4 1
2e − 4 e − 4 2e2 − 2 43 e4 − 2e2 + 54

=  e2 − e4 e2 e4 − e2 
2e − 4 e − 4 2e − 2 4 e − 2e2 + 54
2 7 4 1 2 7 4
Pour f (z) = sin πz alors f (A) = 0 car sin (π0) = sin (2π) = sin (4π) = 0. Par contre pour f (z) = cos πz alors
     
−2 −16 10 −8 −8 8 −6 0 6
cos (π0)  cos (2π)  −4 −4 4  + cos (4π)  −8 0 8 
f (A) = 0 0 0 −
8 4 8
−2 −16 10 −8 −8 8 −14 0 14
 
1 0 0
=  0 1 0 
0 0 1
2) Le cas général
n n
Supposons que PA (λ) = (λ − λ1 ) 1 ... (λ − λp ) p .
Samir Bekkara 32
On pose alors
PM (z) n1 nk−1 nk −j nk+1 np

Pkj (z) = j
= (z − λ1 ) ... (z − λk−1 ) (z − λk ) (z − λk+1 ) ... (z − λp ) , ∀k ∈ {1, ..., n} , ∀j ∈ {1, ..., nk }
(z − λk )
On a pour tout k ∈ {1, ..., n} et pour tout i 6= k

(1) (n −1)
Pkj (λi ) = Pkj (λi ) = ... = Pkj k (λi ) = 0, ∀j ∈ {1, ..., nk } (1.10)
D’autre part pour tout k ∈ {1, ..., n} on a

(1) (n −2)
Pk1 (λk ) = Pk1 (λk ) = ... = Pk1 k (λk ) = 0 (1.11)
et
(1) (n −3)
Pk2 (λk ) = Pk2 (λk ) = ... = Pk2 k (λk ) = 0 (1.12)
et
(1) (n −4)
Pk3 (λk ) = Pk3 (λk ) = ... = Pk3 k (λk ) = 0
jusqu’à
(1)
Pk,nk −2 (λk ) = Pk,nk −2 (λk ) = 0
et
Pk,nk −1 (λk ) = 0 (1.13)
En remplaçons dans 1.8 on a pour tout k ∈ {1, ..., n}
k −1
p nX
(j)
X
Pk1 (A) = Pk1 (λi ) Zij
i=1 j=0
k −1
nX
(j)
= Pk1 (λk ) Zkj (d’aprés 1.10)
j=0
(n −1)
= Pk1 k (λk ) Zk,nk −1 (d’aprés 1.11)
et
k −1
p nX
(j)
X
Pk2 (A) = Pk2 (λi ) Zij
i=1 j=0
k −1
nX
(j)
= Pk2 (λk ) Zkj (d’aprés 1.10)
j=0
(n −1) (n −2)
= Pk2 k (λk ) Zk,nk −1 + Pk2 k (λk ) Zk,nk −2 (d’aprés 1.12)
et pour tout r ∈ {2, ..., nk − 1}
k −1
p nX
(j)
X
Pkr (A) = Pkr (λi ) Zij
i=1 j=0
k −1
nX
(j)
= Pkr (λk ) Zkj (d’aprés 1.10)
j=0
(n −1) (n −2) (n −r)
= Pkr k (λk ) Zk,nk −1 + Pkr k (λk ) Zk,nk −2 + ... + Pkr k (λk ) Zk,nk −r
et
k −1
p nX
(j)
X
Pknk (A) = Pknk (λi ) Zij
i=1 j=0
k −1
nX
(j)
= Pknk (λk ) Zkj (d’aprés 1.10)
j=0
(n −1) (n −2)
= Pknkk (λk ) Zk,nk −1 + Pknkk (λk ) Zk,nk −2 + ... + Pknk (λk ) Zk,0
Samir Bekkara 33
Ainsi, les matrices constituantes Zij sont déterminé par les relations
(n −1)
Pk1 (A) = Pk1 k (λk ) Zk,nk −1
(n −1) (n −2)
Pk2 (A) = Pk2 k (λk ) Zk,nk −1 + Pk2 k (λk ) Zk,nk −2
..
.
(n −1) (n −2)
Pknk (A) = Pknkk (λk ) Zk,nk −1 + Pknkk (λk ) Zk,nk −2 + ... + Pknk (λk ) Zk,0 (1.14)
 
1 −2 3 0
 0 2 −1 1 
Exemple 1.4.88 Soit A =  . On a déjà trouvé que
 0 0 1 −3 
0 0 0 1
3
PA (λ) = (λ − 1) (λ − 2)
donc on a λ1 = 1, λ2 = 2, n1 = 3 et n2 = 1. Les matrices constituantes sont alors Z10 , Z11 , Z12 et Z20 .
En appliquant les formules 1.14 pour k = 1 on a
(3−1)
P11 (A) = P11 (λ1 ) Z1,3−1
(3−1) (3−2)
P12 (A) = P12 (λ1 ) Z1,3−1 + P12 (λ1 ) Z1,3−2
(3−1) (3−2)
P13 (A) = P13 (λ1 ) Z1,3−1 + P13 (λ1 ) Z1,3−2 + P13 (λ1 ) Z1,3−3
donc
00
P11 (A) = P11 (1) Z12
00 0
P12 (A) = P12 (1) Z12 + P12 (1) Z11 (1.15)
00 0
P13 (A) = P13 (1) Z12 + P13 (1) Z11 + P13 (1) Z10
et pour k = 2 on a
(n −1)
P21 (A) = P21 2 (λ2 ) Z2,n2 −1 = P21 (2) Z20 (1.16)
or
2 3
P11 (z) = (z − 1) (z − 2) , P12 (z) = (z − 1) (z − 2) , P13 (z) = (z − 2) et P21 (z) = (z − 1)
donc
2 3
P11 (A) = (A − I) (A − 2I) , P12 (A) = (A − I) (A − 2I) , P13 (A) = (A − 2I) et P21 (A) = (A − I)
c’est à dire
       
0 0 0 3 0 0 −1 −11 −1 −2 3 0 0 −2 2 −8
 0 0 0 0   0 0 0 3   0 0 −1 1   0 1 −1 4 
P11 (A) =   , P12 (A) =   , P13 (A) =   , P21 (A) =  
 0 0 0 0   0 0 0 3   0 0 −1 −3   0 0 0 0 
0 0 0 0 0 0 0 0 0 0 0 −1 0 0 0 0
et
00 0 00 0 00
P11 (1) = −2, P12 (1) = −1, P12 (1) = 2, P13 (1) = −1, P13 (1) = 1, P13 (1) = 0, et P21 (2) = 1
Ainsi, 1.15 donne
− 23
   
0 0 0 3 0 0 0
1 1  0 0 0 0   0 0 0 0 
Z12 = 00 P11 (A) = = 
P11 (1) −2  0 0 0 0   0 0 0 0 
0 0 0 0 0 0 0 0
et
00
1 P12 (1)
Z11 = 0 P 12 (A) − 0 Z12 = −P12 (A) + 2Z12
P12 (1) P12 (1)
0 0 0 − 32
   
0 0 −1 −11
 0 0 0 3   + 2 0 0 0 0 
 
= − 0 0 0 3   0 0 0 0 
0 0 0 0 0 0 0 0
 
0 0 1 8
 0 0 0 −3 
= 
 0 0 0 −3 

0 0 0 0
Samir Bekkara 34
et
1 P 00 (1) P 0 (1)
Z10 = P13 (A) − 13 Z12 − 13 Z11 = −P13 (A) + Z11
P13 (1) P13 (1) P13 (1)
   
−1 −2 3 0 0 0 1 8
 0 0 −1 1   +  0 0 0 −3 
 
= − 0 0 −1 −3   0 0 0 −3 
0 0 0 −1 0 0 0 0
 
1 2 −2 8
 0 0 1 −4 
= 
 0 0 1

0 
0 0 0 1
et 1.16 donne  
0 −2 2 −8
1  0 1 −1 4 
Z20 = P21 (A) = 
 0

P21 (2) 0 0 0 
0 0 0 0
Pour toute fonction analytique en 0, de rayon de convergence plus grand que 2 on a alors
i −1
2 nX
X
f (A) = f (j) (λi ) Zij
i=1 j=0
1 −1
nX 2 −1
nX
= f (j) (λ1 ) Z1j + f (j) (λ2 ) Z2j
j=0 j=0
2
X
= f (j) (1) Z1j + f (2) Z20
j=0
= f (1) Z10 + f 0 (1) Z11 + f 00 (1) Z12 + f (2) Z20

− 23
       
1 2 −2 8 0 0 1 8 0 0 0 0 −2 2 −8
 0 0 1 −4  −3  −1
 + f 0 (1)  0 0 0  + f 00 (1)  0 0 0 0  0 1 4 
  
= f (1)   + f (2)  
 0 0 1 0   0 0 0 −3   0 0 0 0   0 0 0 0 
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
Par exemple, pour f (z) = sin πz on a
− 32
       
1 2 −2 8 0 0 1 8 0 0 0 0 −2 2 −8
 0 0 1 −4 −3  −1
 + π cos π  0 0 0  − π 2 sin π  0 0 0 0  0 1 4 
   
sin πA = sin π    + sin (2π)  
0 0 1 0   0 0 0 −3   0 0 0 0   0 0 0 0 
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
 
0 0 −π −8π
 0 0 0 3π 
=  
0 0 0 3π 
0 0 0 0
1
et pour f (z) = z−3 on a
− 32
       
1 2 −2 8 0 0 1 8 0 0 0 0 −2 2 −8
−1  0 0 1 −4  1 0 0 0 − 1
−3   0 0 0 0  − 0
 1 −1 4 
f (A) =   −  
2  0 0 1 0  4 0 0 0 −3  4  0 0 0 0   0 0 0 0 
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
 1
1 − 54 19

−2 8
1
 0 −1
2 − 54 
= 
 
0 0 − 12 3 
4
0 0 0 − 12
−1
Il est à noter que cette dernière matrice, n’est rien d’autre que (A − 3I)
 1
1 − 54 19

−2 8
1
−1  0 −1 − 45 
(A − 3I) =  2 
 0 0 − 21 3
4

0 0 0 − 21
Samir Bekkara 35
De même on a
− 32
       
1 2 −2 8 0 0 1 8 0 0 0 0 −2 2 −8
 0 0 1 −4   0 0 0 −3   0 0 0 0  0 1 −1 4 
eA  + e2 

= e  + e  + e 
 0 0 1 0   0 0 0 −3   0 0 0 0   0 0 0 0 
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
29
2 2
e 2e − 2e 2e − e 2 e − 8e2
 
 0 e2 e − e2 4e2 − 7e 
=  
 0 0 e −3e 
0 0 0 e
Ce dernier résultat, on pouvait l’obtenir grâce à la forme de Jordan. En effet, d’aprés 1.5 on a
     
1 −2 3 0 1 0 0 −2 1 1 0 0 1 2 −2 8
 0 2 −1 1   0 1 4 1  0 1 1 0   0 0 1 8 
 = 8
  
 0 0 1 −3   0 1 3 0  0 0 1 0  0 0 0 −3 
0 0 0 1 0 0 − 31 0 0 0 0 2 0 1 −1 4
donc pour tout n ∈ N   n  
1 0 0 −2 1 1 0 0 1 2 −2 8
0 1 4 1   0 1 1 0   0 0 1 8 
Mn = 

8
   
 0 1
3 0  0 0 1 0   0 0 0 −3 
0 0 − 13 0 0 0 0 2 0 1 −1 4
or, on peut montrer par récurrence que
 n  n(n−1)

1 1 0 0 1 n 2 0
 0 1 1 0   0 1 n 0 
  = 
 0 0 1 0   0 0 1 0 
0 0 0 2 0 0 0 2n
et alors
X 1
eA = An
n!
n≥0
   n   
1 0 0 −2 1 1 0 0 1 2 −2 8
 0 1 4 1  X 1  0 1 1 0   0 0 1 8 
=  8
    
 0 1
3 0  n!  0 0 1 0   0 0 0 −3 
n≥0
0 0 − 13 0 0 0 0 2 0 1 −1 4
n(n−1)
     
1 0 0 −2 1 n 2 0 1 2 −2 8
 0 1 4 1  X 1  0 1 n 0   0 0 1 8 
=  8
    
 0 1
3 0  n!  0 0 1 0   0 0 0 −3 
n≥0
0 0 − 13 0 0 0 0 2n 0 1 −1 4
mais X 1 X 1 X 1 X 1
= e, n= = =e
n! n! (n − 1)! n!
n≥0 n≥0 n≥1 n≥0
et
   
n2 −n
X
2 1  X n2 X n  1  X n
= − = − e
n! 2 n! n! 2 (n − 1)!
n≥0 n≥0 n≥0 n≥1
   
1 X n − 1 + 1 1 X 1 X 1
= − e =  − − e
2 (n − 1)! 2 (n − 2)! (n − 1)!
n≥1 n≥2 n≥1
 
1 X 1 X 1 e
= − − e =
2 n! n! 2
n≥0 n≥0
donc
n(n−1) e
   
1 n 2 0 e e 2 0
X 1  0 1 n 0   0 e e 0 
 = 
n!  0 0 1 0   0 0 e 0 
n≥0
0 0 0 2n 0 0 0 e2
Samir Bekkara 36
et alors
e
   
1 0 0 −2 e e 2 0 1 2 −2 8
 0 1 4 1 
eA  0 e e 0  0 0 1 8 
 
= 
 8
 
0 1 3 0  0 0 e 0   0 0 0 −3 
0 0 − 13 0 0 0 0 e 2
0 1 −1 4
29
e 2e − 2e2 2e2 − e 2
 
2 e − 8e
 0
 e2 e − e2 4e2 − 7e  
 0 0 e −3e 
0 0 0 e
1.5 Pseudo- Inverse d’une matrice

Soit A une matrice dans Mn×p (K) et soit b ∈ Kn . On s’intérrese à résoudre l’équation AX = b où l’inconnu X est une matrice
ligne de p composantes. Il est connu que si A est une matrice carrée inversible alors X est donnée par
X = A−1 b
quand est-il si A n’est pas inversible? ou encore si A n’est pas carrée?!!!. Une nouvelle définition s’impose.
1.5.1 Définition et propriétés de la pseudo-inverse

Définition 1.5.89 Soit A ∈ Mn×p (K). Une matrice B est dite une pseudo-inverse de A si B vérifie
t t
1) ABA = A. 2) BAB = B. 3) (AB) = AB. 4) (BA) = BA.
Une telle matrice est notée A+ .
Remarque 1.5.90 Si A est inversible alors il est évident que A−1 est une pseudo-inverse pour A. La notion de pseudo-inverse
généralise la notion d’inverse.
Proposition 1.5.91 La pseudo-inverse d’une matrice A, quand elle existe est unique.
Preuve. Soit B et C deux pseudo-inverses de A. Alors
t t t t t t t t
B = BAB = B (AB) = BB t At = B (BAB) (ACA) = B (AB) B t At (AC) = B (AB) (AB) (AC) = BABABAC
t t t t
= BAC = (BA) CAC = At B t (CA) C = At B t At C t C = (ABA) C t C = At C t C = (CA) C = CAC = C
Proposition 1.5.92 Soit A ∈ Mn×p (K) telle que rgA = r, avec r ≤ min (n, p). Alors il existe F ∈ Mn×r (K) et il existe
G ∈ Mr×p (K) telles que
A = F G et rgF = rgG = r
La décomposition de A en F G est dite la décomposition de rang maximal.
Preuve. En passant à la forme de Smith, on a

Ir 0r,p−r
A=P Q
0n−r,r 0n−r,p−r
où P ∈ Mn (K) et Q ∈ Mp (K) sont des matrices inversible. Comme

Ir 0r,p−r Ir
= Ir 0r,p−r
0n−r,r 0n−r,p−r 0n−r,r
alors
Ir Ir
A=P Ir 0r,p−r Q= P Ir 0r,p−r Q = FG
0n−r,r 0n−r,r
avec
Ir
F =P et G = Ir 0r,p−r Q
0n−r,r
On a F ∈ Mn×r (K) et G ∈ Mr×p (K). Il reste à montrer que rgF = r = rgG.
Ir
Multiplier P par revient à ne garder de P que les r premières colonnes. Comme P est inversible, alors rgP =
0n−r,r
n et
alors
les n
colonnes de P sont libres, ce qui entraine en particulier que les r premières colonnes sont libres et alors
Ir
rg P = r. De même pour rgG.
0n−r,r
Samir Bekkara 37
Remarque 1.5.93 1) La décomposition de rang maximal n’est pas unique.

2) Pour montrer que rgF = r on pouvait utiliser la propriété suivante, dite inégalité de Sylvester
∀A ∈ Mn×r (K) , ∀B ∈ Mr×p (K) , rgA + rgB − n ≤ rg (AB) ≤ min (rgA, rgB) (1.17)
dans notre cas on aura

Ir Ir Ir
rgP + rg −n ≤ rg P ≤ min rgP, rg
0n−r,r 0n−r,r 0n−r,r

Ir
⇒ n + r − n ≤ rg P ≤ min (n, r)
0n−r,r

Ir
⇒ rg P =r
0n−r,r
Théorème 1.5.94 Soit A ∈ Mn×p (K) et A = F G une décomposition de rang maximal. Alors
−1
A+ = Gt F t AGt Ft
C’est à dire pour toute matrice A ∈ Mn×p (K), la pseudo-inverse existe et elle est unique.
Preuve. Montrons d’abord que F t AGt est inversible. On a
F t AGt = F t F GGt = F t F GGt

mais d’aprés l’inégalité de Sylvester
rgF + rgF t − r rg F t F ≤ min rgF, rgF t

≤
⇒ r ≤ rg F t F ≤ r ⇒ rg F t F = r

mais F t F ∈ Mr (K), donc F t F est inversible. De même, GGt est inversible et alors F t AGt est inversible et on a
t
−1 −1 −1 −1
F t AGt F tF GGt = GGt F tF

=
−1
Il est ensuite évident de vérifier que la matrice Gt (F t AGt ) F t verifie les 4 conditions de la pseudo-inverse. En effet
h −1 t i −1 t −1 t
AA+ A = A Gt F t AGt F A = F GGt GGt F F F FG = FG = A
et
−1 −1 −1 −1 −1 −1 −1
A+ AA+ = Gt GGt F tF F t F GGt GGt F tF F t = Gt GGt F tF F t = Gt F t AGt F t = A+
et
t −1 t −1 t t −1 t t h −1 it t h −1 it t
AA+ = F GGt GGt F F F = F F tF F = F F tF F = F F tF F = AA+
et t
t −1 t −1 t −1 t h −1 it −1
A+ A = Gt GGt F F F F G = Gt GGt G = Gt GGt G = Gt GGt G = A+ A
Proposition 1.5.95 La pseudo-inverse d’une matrice A ∈ Mn×p (K) possède les propriétés suivantes:
1. Si A est inversible alors A+ = A−1 .

−1
2. Si A est de rang maximal en colonnes alors A+ = (At A) At .
−1
3. Si A est de rang maximal en lignes alors A+ = At (AAt ) .
+ t +
4. (A+ ) = A et (A+ ) = (At ) .
5. Si A = F G est une décomposition de rang maximal alors A+ = G+ F + .
6. Si A = F P G avec F ∈ Mn×r (K) , G ∈ Mr×p (K) , P ∈ Mr (K) et rg (F ) = rg (G) = rg (A) = r et P inversible alors
A+ = G+ P −1 F + .
Samir Bekkara 38
 
1 −2 3
 0 2 1 
Exemple 1.5.96 1) Soit A =  . On a rgA = 3 donc A est de rang maximal en colonnes, et alors
 0 0 −1 
0 0 0
  −1
 1 −2
 3  
1 0 0 0  0 2 1 0 0 0
−1 1 
A+ At A At = 
 
=  −2 2 0 0    −2 2 0 0 
  0 0 −1 
3 1 −1 0 3 1 −1 0
0 0 0
 −1  
1 −2 3 1 0 0 0
=  −2 8 −4   −2 2 0 0 
3 −4 11 3 1 −1 0
5
    
18 2 −4 1 0 0 0 1 1 4 0
=  52 1
2 − 12   −2 2 0 0  =  0 1
2
1
2 0 
−4 − 12 1 3 1 −1 0 0 0 −1 0

1 1 1
2) Pour la matrice A = , on a rgA = 2, donc A est de rang maximal en ligne, et alors
0 −1 1
   −1
1 0 1 0
t −1 1 1 1 
A+ = At

AA = 1 −1   1 −1 
0 −1 1
1 1 1 1
   
1 0 −1 1 0 1
3 0 0
=  1 −1  =  1 −1  3
1
0 2 0 2
1 1 1 1
1
 
3 0
1
=  3 −1  2
1 1
3 2
 
1 2 0
3) Soit la matrice A =  −1 −1 1 . On a det A = 0, donc A n’est pas inversible. Cherchons la pseudo-inverse de A.
2 1 −3
Pour le faire il suffit de trouver une décomposition de rang maximal pour A. La décomposition de Smith fournira la réponse. On a
       
1 2 0 1 0 0 1 0 0 1 0 0
A →  −1 −1 1  I12 (−2) =  −1 1 1  → I31 (−2) I21 (1)  −1 1 1 = 0 1 1 
2 1 −3 2 −3 −3 2 −3 −3 0 −3 −3
       
1 0 0 1 0 0 1 0 0 1 0 0
→  0 1 1  I23 (−1) =  0 1 0  → I31 (3)  0 1 0  =  0 1 0 =S
0 −3 −3 0 −3 0 0 −3 0 0 0 0
donc
S = P AQ
avec
P = I31 (3) I31 (−2) I21 (1)

     
1 0 0 1 0 0 1 0 0 1 0 0
=  0 1 0  0 1 0  1 1 0 = 1 1 0 
0 3 1 −2 0 1 0 0 1 1 3 1
et
Q = I12 (−2) I23 (−1)

    
1 −2 0 1 0 0 1 −2 2
=  0 1 0  0 1 −1  =  0 1 −1 
0 0 1 0 0 1 0 0 1
Samir Bekkara 39
Ainsi
 −1   −1
1 0 0 1 0 0 1 −2 2
A = P −1 SQ−1 =  1 1 0   0 1 0   0 1 −1 
1 3 1 0 0 0 0 0 1
   
1 0 0 1 0 0 1 2 0
=  −1 1 0   0 1 0   0 1 1 
2 −3 1 0 0 0 0 0 1
    
1 0 0 1 0 1 2 0
=  −1 1 0   0 1  1 0 0 
0 1 1 
0 1 0
2 −3 1 0 0 0 0 1
 
1 0
=  −1 1  1 2 0 = FG
0 1 1
2 −3
et alors
−1
A+ = Gt F t AGt Ft
 t   −1  t
t 1 0 1 2 0 t 1 0
1 2 0  −1 1 2 0
= 1   −1 −1 1    −1 1 
0 1 1 0 1 1
2 −3 2 1 −3 2 −3
    −1
1 0 1 2 0 1 0
1 −1 2 1 −1 2
=  2 1    −1 −1 1   2 1 
0 1 −3 0 1 −3
0 1 2 1 −3 0 1
 
1 0 −1
 2 16 −2 1 −1 2
= 1 
−15 6 0 1 −3
0 1
 
1 0 1 1

 2 11 33 1 −1 2
= 1  5 8
22 33 0 1 −3
0 1
 1 2 1

11 − 33 11
9 7 1 
= 
22 − 66 − 11
5 1 3
22 66 − 11
Proposition 1.5.97 Soit A ∈ Mn×p (K) telle que rgA = r et telle que A s’écrit

A11 A12
A=
A21 A22
avec A11 ∈ Mr (K) et A11 inversible. En posant

A11
A1 = et A2 = A11 A12
A21
alors
−1
A+ = At2 At1 AAt2 At1
 
1 2 0
1 2
Exemple 1.5.98 On reprend la matrice A =  −1 −1 1 . On a rgA = 2 et det = 1 6= 0 donc A11 =
−1 −1
2 1 −3
1 2
et alors
−1 −1
 
1 2
1 2 0
A1 =  −1 −1  et A2 =
−1 −1 1
2 1
Samir Bekkara 40
et par suite
−1
A+ = At2 At1 AAt2 At1
 t   −1  t
t 1 2 1 2 0 t 1 2
1 2 0  −1 −1   −1 1 2 0
= −1 1    −1 −1 
−1 −1 1 −1 −1 1
2 1 2 1 −3 2 1
 
1 −1 −1
16 −18 1 −1 2
=  2 −1 
17 −15 2 −1 1
0 1
 1 2 1

11 − 33 11
9 7 1 
=  22 − 66 − 11
5 1 3
22 66 − 11
1.5.2 Application à la résolution de systèmes linéaires
Notation 1.5.99 Pour tout z = (z1 , ..., zp ) ∈ Rp , on pose

q
kzk2 = z12 + ... + zp2
kzk2 est dite la norme euclidienne de z ou la norme des moindres carrées.
Définition 1.5.100 Soit A ∈ Mn×p (R) et b ∈ Rn . On considère le système linéaire
AX = b (S)
où l’inconnue X ∈ Rp .
1. On dit que le système (S) est compatible ou soluble, s’il existe un vecteur X ∈ Rp vérifiant AX = b. Le vecteur X est alors
appelé une solution de (S).
2. Si pour tout X ∈ Rp , AX 6= b on dit que le système (S) est incompatible et dans ce cas, on appelle solution de (S), tout
vecteur X0 ∈ Rp , minimisant le vecteur AX − b au sens des moindres carrées, c’est à dire
AX0 − b = minp kAX − bk2

X∈R
Ainsi, tout système (S) admet une ou plusieurs solutions, soit des solutions exactes ou des solutions approchées au sens des
moindres carrées.
Théorème 1.5.101 Soit A ∈ Mn×p (R) telle que rgA = r et b ∈ Rn . On considère le système linéaire (S) : AX = b.
1. L’ensemble des solutions de (S) est donné par
E = X = A + b + I p − A + A Z / Z ∈ Rp

2. Parmis les solutions de (S) , la solution dont la norme euclidienne est la plus petite est donnée par
X∗ = A+ b
3. Le système (S) est compatible ⇔ rg (A, b) = r ⇔ AA+ b = b.
Exemple 1.5.102 On considère le système 

 x + 2y = 1
−x − y + z = 0
2x + y − 3z = −1

   
1 2 0 1
qui correspond à l’écriture matricielle AX = b avec A =  −1 −1 1  et b =  0  . On a
2 1 −3 −1
  1 2 1
    
1 2 0 11 − 33 11 1 1
AA+ b =  −1 −1 1   22 9 7
− 66 1 
− 11 0 = 0 
5 1 3
2 1 −3 22 66 − 11
−1 −1
Samir Bekkara 41
donc le système (S) est compatible et il admet alors des solutions exactes données par
E = X = A + b + I 3 − A + A Z / Z ∈ R3

et on a pour tout Z = (z1 , z2 , z3 ) ∈ R3

X = A+ b + I3 − A+ A Z

 1 2 1
     1 2 1
   
11 − 33 11 1 1 0 0 11 − 33 11 1 2 0 z1
9 7 1  9 7 1   −1
=  22 − 66 − 11 0  +  0 1 0 − 22 − 66 − 11 −1 1   z2 
5 1
−3 −1 0 0 1 5 1 3
− 11 2 1 −3 z3
 22  66 2 11 1 1
  22 66
0 3 −3 3 z1
=  21  +  − 31 1
6 − 1 
6 z2 
1 1 1 1
−6 z3
 2 2 1
3
1
6

3 z1 − 3 z2 + 3 z3
=  − 13 z1 + 16 z2 − 16 z3 + 12 
1 1 1 1
3 z1 − 6 z2 + 6 z3 + 2
c’est à dire

2 1 1 1 1 1 1 1 1 1 1
E = z1 − z2 + z3 , − z1 + z2 − z3 + , z1 − z2 + z3 + / (z1 , z2 , z3 ) ∈ R3
3 3 3 3 6 6 2 3 6 6 2

1
= (4z1 − 2z2 + 2z3 , −2z1 + z2 − z3 + 3, 2z1 − z2 + z3 + 3) / (z1 , z2 , z3 ) ∈ R3
6
par exemple pour z1 = −1, z2 = 1, z3 = 1 on a la solution

1 2 5 1
X = (−4, 5, 1) = − , ,
6 3 6 6
de plus, parmis toutes les solutions de (S), la solution de norme minimale est
 1 2 1
   
11 − 33 11 1 0
X∗ = A+ b =  22 9 7
− 66 1 
− 11 0  =  21 
5 1 3 1
22 66 − 11 −1 2
qui correspond à (z1 , z2 , z3 ) = (0, 0, 0).

2) Si on considère le système (S 0 ) 
 x + 2y = 1
−x − y + z = 1
2x + y − 3z = 0

   
1 2 0 1
qui correspond à la même matrice A avec A =  −1 −1 1  mais b0 =  1  . On a
2 1 −3 0
  1 2 1
    7 
1 2 0 11 − 33 11 1 11
+ 0 9 7 1  1 
AA b =  −1 −1 1   22 − 66 − 11 1  =  − 11
5 1 3 4
2 1 −3 22 66 − 11 0 − 11
donc le système (S 0 ) est incompatible et il n’admet pas de solutions exactes, mais il admet des solutions (approchées) données par
E = X = A+ b + I 3 − A+ A Z / Z ∈ R 3


X = A+ b + I 3 − A+ A Z

 1 2 1
      1 2 1
   
11 − 33 11 1 1 0 0 11 − 33 11 1 2 0 z1
9 7 1  9 7 1   −1 −1
=  22 − 66 − 11 1  +  0 1 0 − 22 − 66 − 11 1   z2 
5 1 3 5 1 3
− 11 0 0 0 1 − 11 2 1 −3 z3
 221
 66
 2 1 1
  22 66
33 3 −3 3 z1
=  10 33
 +  −1
3
1
6 − 16   z2 
8 1 1 1
−6 z3
 332 1
3
1 1
6

3 z1 − 3 z2 + 3 z3 + 33
=  − 13 z1 + 16 z2 − 16 z3 + 10 33

1 1 1 8
z
3 1 − z
6 2 + z
6 3 + 33
Samir Bekkara 42
c’est à dire

2 1 1 1 1 1 1 10 1 1 1 8 3
E= z1 − z2 + z3 + , − z1 + z2 − z3 + , z1 − z2 + z3 + / (z1 , z2 , z3 ) ∈ R
3 3 3 33 3 6 6 33 3 6 6 33
et la solution de norme minimale est
1 2 1 1
    
11 − 33 11 1 33
X∗ = A+ b0 =  9
22
7
− 66 1
− 11  1  =  10
33

5 1 3 8
22 66 − 11 0 33
qui correspond à (z1 , z2 , z3 ) = (0, 0, 0).

3) Soit α, β ∈ R. On considère le système
x+y+z = α
−y + z = β

1 1 1 α
qui correspond à l’écriture matricielle AX = b avec A = et b = . On a
0 −1 1 β
 1 

3 0
+ 1 1 1 1 1  α α
AA b =  −2 =
0 −1 1 3
1 1 β β
3 2
donc le système (S) est compatible et il admet alors toujours des solutions exactes, pour toutes les valeurs de α et β, et les solutions
sont données par
E = X = A+ b + I 3 − A+ A Z / Z ∈ R 3

A+ b + I 3 − A+ A Z

X =
 1     1   
3 0 1 0 0 3 0 z1
=  1 − 1  α +  0 1 0  −  1 − 21 
1 1 1   z2 
3
1 1
2 β 3
1 1 0 −1 1
3 2
0 0 1 z3
 1
  2 1 1
 3 2
3 α 3 − 3 − 3 z1
=  1α − 1β  +  −1 1 1 
z2 
3 2 3 6 6
1
α + 1β − 13 1 1
z3
 3 2 2 1 1 1
6 6

3 z1 − 3 z2 − 3 z3 + 3 α
=  − 1 z1 + 1 z2 + 1 z3 + 1 α − 1 β 
3 6 6 3 2
− 13 z1 + 16 z2 + 16 z3 + 13 α + 21 β
c’est à dire

2 1 1 1 1 1 1 1 1 1 1 1 1 1 3
E= z1 − z2 − z3 + α, − z1 + z2 + z3 + α − β, − z1 + z2 + z3 + α + β / (z1 , z2 , z3 ) ∈ R
3 3 3 3 3 6 6 3 2 3 6 6 3 2
et la solution de norme minimale est
1 1 1 1 1 1
X∗ = α, α − β, α + β +
3 3 2 3 2 2
1.6 Décomposition en valeurs singulières

1.6.1 Définitions
Définition 1.6.103 Une matrice O ∈ Mn (R) est dite orthogonale si O est inversible et si O−1 = Ot .
√ !
√
1
2 − 23
Exemple 1.6.104 La matrice O = 3 1
est une matrice orthogonale car
2 2
√ ! √ !
1 3 1 3

− 1 0
OO = t √2 2 2√ 2 = ⇒ Ot = O−1
3 1
− 3 1 0 1
2 2 2 2
 
0 −1 0
de même, la matice O =  0 0 1  est une matrice orthogonale.
1 0 0
Samir Bekkara 43
Proposition 1.6.105 Soit O ∈ Mn (R).
1. O est orthogonale ssi les vecteurs colonnes de O sont de norme 1 et sont deux à deux orthogonaux (c’est à dire le produit
scalaire est nul).
2. O est orthogonale ssi les vecteurs lignes de O sont de norme 1 et sont deux à deux orthogonaux.
3. O est orthogonale ssi O−1 est orthogonale.

√ !
1 3
√2
− 2
Exemple 1.6.106 Si on considère la matrice O = 3 1
, on a
2 2
√ ! √ !2 √ u √ !2 2
v ! v
u 2
1 3 u 1 3 3 1 u 3 1
, =t + = 1 et − , =t + =1
2 2 2 2 2 2 2 2
2 2
et * √ ! √ !+ √ ! √ !
1 3 3 1 1 3 3 1
, , − , = × − + × =0
2 2 2 2 2 2 2 2
et √ !
1 3
−1 2√ 2
O = 3 1
− 2 2
qui est aussi une matrice orthogonale.
Proposition 1.6.107 Si A est une matrice carrée inversible, alors A est équivalente à une matrice orthogonale O.
Preuve. Soit A ∈ Mn (R). Notons les vecteurs colonnes de A par A1 , A2 , ..., An . Posons alors
hV1 , A2 i hV1 , A3 i hV2 , A3 i

V1 = A1 , V2 = A2 − V1 , V3 = A3 − V1 − V2
hV1 , V1 i hV1 , V1 i hV2 , V2 i
et d’une manière générale
hV1 , Ak i hV2 , Ak i hVk−1 , Ak i

V k = Ak − V1 − V2 − ... − Vk−1 pour tout k ∈ {2, 3, ..., n}
hV1 , V1 i hV2 , V2 i hVk−1 , Vk−1 i
et finalement posons
1
Ok = Vk , k ∈ {1, 2, ..., n}
kVk k2
Il est clair que
kOk k2 = 1, ∀k ∈ {1, 2, ..., n}
et on a

1 1 1 hA1 , A2 i
hO1 , O2 i = V1 , V2 = A1 , A2 − A1
kV1 k2 kV2 k2 kV1 k2 kV2 k2 hA1 , A1 i

1 hA1 , A2 i
= hA1 , A2 i − A1 , A1
kV1 k2 kV2 k2 hA1 , A1 i

1 hA1 , A2 i
= hA1 , A2 i − hA1 , A1 i = 0
kV1 k2 kV2 k2 hA1 , A1 i
et de même
hO1 , O3 i = hO2 , O3 i = 0 et hOi , Oj i = 0 pour tout i < j
ainsi la matrice O = (O1 , ..., On ) est une matrice orthogonale et elle est équivalente à A, vue qu’elle est obtenue de A suite à des
transformations élémentaires sur les colonnes de A.
Remarque 1.6.108 La procédue de construction des vecteurs Ok dans la preuve précédente est dite la procédure d’orthonormalisation
de Gram-Schmidt.
Samir Bekkara 44
 
1 −1 2
Exemple 1.6.109 Soit la matrice A =  −1 −1 1 . On a
1 1 0
A1 = (1, −1, 1) , A2 = (−1, −1, 1) et A3 = (2, 1, 0)
La procédure d’orthonormalisation de Gram-Schmidt donne
hV1 , A2 i hV1 , A3 i hV2 , A3 i

V1 = A1 , V2 = A2 − V1 , V3 = A3 − V1 − V2
hV1 , V1 i hV1 , V1 i hV2 , V2 i
c’est à dire
V1 = (1, −1, 1)
et
h(1, −1, 1) , (−1, −1, 1)i 1 −4 −2 2
V2 = (−1, −1, 1) − (1, −1, 1) = (−1, −1, 1) − (1, −1, 1) = , ,
h(1, −1, 1) , (1, −1, 1)i 3 3 3 3
et
hV1 , A3 i hV2 , A3 i
V3 = A3 − V1 − V2
hV1 , V1 i hV2 , V2 i
−4 −2 2

h(1, −1, 1) , (2, 1, 0)i 3 , 3 ,3 , (2, 1, 0) −4 −2 2
= (2, 1, 0) − (1, −1, 1) − −4 −2 2 −4 −2 2 , ,
h(1, −1, 1) , (1, −1, 1)i 3 , 3 , 3 , 3 , 3 , 3
3 3 3
−10
1 −4 −2 2
= (2, 1, 0) − (1, −1, 1) − 38 , ,
3 3
3 3 3

1 5 −4 −2 2 1 1
= (2, 1, 0) − (1, −1, 1) + , , = 0, ,
3 4 3 3 3 2 2
soit √
√

1 1 1 3 −4 −2 2 1 1 1
O1 = V1 = √ (1, −1, 1) , O2 = V2 = √ , , et O3 = V3 = 2 0, ,
kV1 k2 3 kV2 k2 2 2 3 3 3 kV3 k2 2 2
Ainsi, une matrice orthogonale équivalente à A est donnée par
 q 
√1 − 2
0
 3 q3 
O= −1 1 √1
−
 √

6
3 2

 q 
√1 1 √1
3 6 2
et on a effectivement
√ !
√

−1 −1 5 1 3
O = AI12 I13 I23 I1 √ I2 √ I3 2
3 3 4 3 2 2
soit  q 
√1 − 2
0   √1 −1 −3

√ √

 3 q3  1 −1 2 3 2√ 6 2 2
−1 1 √1 −1 −1 1   0 √3 5
− =
 √
   √

6 2√ 2
 3 2 2 2


1
q
1 1
 1 1 0 0 0 2
√ √
3 6 2
Théorème 1.6.110 Pour toute matrice A ∈ Mn×p (R), il existent deux matrices orthogonales U ∈ Mn (R) et V ∈ Mp (R) , et
une matrice Σ ∈ Mn×p (R) avec
 
σ1 0
 .. .. 

 . . 

 σr 0  avec r = rgA et σ1 ≥ σ2 ≥ ... ≥ σr > 0
Σ= 
 0 

 .. 
 . 
0 0
telles que
A = U ΣV t (1.18)
Samir Bekkara 45
Remarque 1.6.111 Le nombre r peut être égale à n ou à p et dans cas Σ prend une des formes
 
σ1
 .. 

σ1 0 ... 0
 
 . 

.. .. ..  ou Σ =  σp 
Σ=

. . .   0 ... 0


σn 0 ... 0
 
 . ..
 ..

. 
0 ... 0
Définition 1.6.112 Les scalairs σ1 , σ2 , ..., σr sont dits les valeurs singulières de A et la décomposition 1.18 est dite la décompostion
de A suivant les valeurs singulières.
On écrira Σ = diagn×p {σ1 , σ2 , ..., σr }.
1.6.2 Détermination de la décomposition suivant les valeurs singulières

Afin de déterminer la décomposition suivant les valeurs singulières d’une matrice A, on procède comme suit:
On diagonalise d’abord la matrice AAt dont les valeurs propres non nuls-ordonnés dans un ordre décroissant- sont les carrés
des valeurs singulières. Ensuite on détermine la matrice de passage P de AAt . Si la matrice obtenue est orthogonale alors U = P .
Sinon, par la procédure de Gram-Schmidt, on détermine une matrice O orthogonale équivalente à P et on pose U = O. De la
même manière, par la matrice At A, on détermine la matrice V , et on a finalement Σ = U t AV .
 
2 2
Exemple 1.6.113 Soit la matrice A =  4 −2 . On a
4 1
   
2 2 8 4 10
2 4 4
AAt =  4 −2  =  4 20 14 
2 −2 1
4 1 10 14 17
On diagonalise AAt ,
   
λ−8 −4 −10 λ−8 −4 −10
t λ

PAAt (λ) = det λI − AA = det  −4 λ − 20 −14  = 2 det  −2 2 − 10 −7 
−10 −14 λ − 17 −10 −14 λ − 17
   
λ−8 −4 −10 λ−8 −8 −10
λ
= 2 det  −2 2 − 10 −7  = det  −2 λ − 20 −7 
λ
−λ −2 λ −λ −λ λ
 
λ − 18 −18 −10
λ − 18 −18
= det  −9 λ − 27 −7  = λ det
−9 λ − 27
0 0 λ

λ − 18 λ − 36 λ − 18 1
= λ det = λ (λ − 36) det = λ (λ − 36) (λ − 18 + 9)
−9 λ − 36 −9 1
= λ (λ − 36) (λ − 9)
et les valeurs propres de AAt sont 36, 9 et 0, ce qui entraine que les valeurs singulières de A sont 6 et 3 et du coup rgA = 2 et
 
6 0
Σ= 0 3 
0 0
Cherchons la matrice de passage. On trouve
E36 = h(1, 2, 2)i , E9 = h(2, −2, 1)i , E0 = h(2, 1, −2)i
et la matrice de passage P est donnée par  
1 2 2
P = 2 −2 1 
2 1 −2
On remarque que c’est pas une matrice orthogonale, mais les vecteurs colonnes sont deux à deux orthogonaux, alors il suffit de
les normaliser pour obtenir une matrice orthogonale, c’est à dire
 1 2 2

3 3 3
2
U = 3 − 23 1
3

2 1 −2
3 3 3
Samir Bekkara 46
On passe maintenant à At A
 
2 2
t 24 4  36 0
AA = 4 −2  =
−2 1
2 0 9
4 1

1 0
⇒ P = =V
0 1
et on peut vérifier effectivement que

1 2 2
    
2 2 3 3 3 6 0
1 0
A= 4 −2  =  2
3 − 32 1
3
 0 3  = U ΣV t
2 1 −2 0 1
4 1 3 3 3
0 0
1.6.3 Application à la détermination de la pseudo-inverse

Proposition 1.6.114 Soit A ∈ Mn×p (R) et soit
A = U ΣV t
sa décomposition en valeurs singulières, avec Σ = diagn×p {σ1 , σ2 , ..., σr }. Alors
A + = V Σ+ U t
où
1 1 1
Σ+ = diagp×n , , ...,
σ1 σ2 σr
Preuve. Il suffit de vérifier que la matrice V Σ+ U t vérifie les 4 conditions de la pseudo-inverse.

 
2 2
Exemple 1.6.115 Si on reprend la matrice A =  4 −2 . On a
4 1
1 2 2
   
3 3 3 6 0
2 1 0
U = 3 − 23 1
3
,Σ =  0 3  et V =
2 1 −2 0 1
3 3 3
0 0
et alors
1 2 2
 
1

1 0 0 0 3 3 3
A+ = V Σ+ U t = 6
1
 2
3 − 23 1
3

0 1 0 3 0 2 1 −2
3 3 3
1 1 1

= 18 9 9
2
9 − 29 1
9
Samir Bekkara 47

Cours Mathématiques Avancées Pour L'ingénieur-1

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

Cours Mathématiques Avancées Pour L'ingénieur-1

Transféré par

Droits d'auteur :

Formats disponibles

Mathématiques Avancées pour l’Ingénieur

L’ensemble des matrices de type (n, p) est noté Mn,p (K) .

M(n,p) (K) × M(n,p) (K)

On a pour tout M ∈ M(2,3) (K)

∀i, j : 1 ≤ i ≤ n, 1 ≤ j ≤ m; cij = ai1 b1j + ai2 b2j + ... + aip bpj

c11 = 1.1 + (−1) .5 + 0.1 + 2.0 = −4

c12 = 1.0 + (−1) . (−4) + 0.1 + 2. (−3) = −2

c23 = 0. (−2) + 3.0 + 1.1 + 0.0 = 1

Définition 1.1.7 Soit M une matrice carrée d’ordre n, M = (aij ) 1≤i≤n .

Définition 1.1.13 Soit i, j ∈ {1, 2, ..., n} et α ∈ K. On pose

3. Si M ∈ Mn (K), avec n ≥ 2, alors

Proposition 1.1.17 Pour tout k ∈ {1, 2, ..., n} on a

Exemple 1.1.21 1) Par les propriétés 3 et 1 on a

Théorème 1.1.25 Soit M ∈ Mn (K) . On a:

M est inversible ⇔ det M 6= 0

et dans ce cas la matrice inverse de M est donnée par

On peut vérifier effectivement que  

1.2 Forme réduite d’une matrice

2. La trace de M , noté tr (M ) est la somme des éléments de la diagonale de M .

Définition 1.2.30 Soit M et N deux matrices dans Mn (K) .

Proposition 1.2.33 On a les propriétés suivantes:

1. Deux matrices sont équivalentes, si et seulement si elles ont le même rang.

2. Si M et N sont semblables, alors det M = det N et tr (M ) = tr (N ) .

 sont équivalentes; et si M ∈ Mn×p (K) est une matrice de rang r,

il ne reste que transformer a33 en 1.    

2. De la même manière on trouve

où P est une matrice inversible. P est dite la matrice de passage.

Définition 1.2.51 Soit P (X) = a0 + a1 X + ... + ak X k un polynôme dans K [X].

2. Un polynôme P est dit annulateur pour une matrice M si P (M ) = 0.

par le théorème de Caylay Hamilton on déduit que

mais ceci entraine que  

La question naturelle qui se pose est comment déterminer le polynôme minimal?

alors le polynôme minimal de M , s’écrit

1.2.2 Forme de Jordan

Théorème 1.2.62 Soit M ∈ Mn (K) et PM son polynôme caractéristique.

Exemple 1.2.63 1) Si pour une matrice M ∈ M7 (R) , on a

E1 = h(1, 0, 0, 0)i et E2 = h(−2, 1, 0, 0)i

alors M est semblable à une matrice de la forme

v1 et v4 sont les vecteurs propres déjà trouvés donc

on peut prendre pour v2 = (0, 1, 1, 0) .

et alors on peut prendre v3 = 0, 4, 83 , −1

et on peut vérifier que

et les espaces propres associés sont:

ce qui entraine que x4 = x6 = 0 et 

la première et la deuxième et la troisième équation donnent

M v1 = 2v1 , M v2 = v1 + 2v2 , M v3 = v2 + 2v3 ,

v1 , v4 et v6 sont les vecteurs propres déjà trouvés, donc

v1 = (1, 0, 2, 0, 1, 0) , v4 = (0, 0, 1, 0, 0, 0) et v6 = (0, 0, −5, 6, 0, 1)

aprés calcul on trouve

Proposition 1.3.66 Soit M (λ) une λ-matrice de degré d.

1. M (λ) s’écrit de manière unique sous la forme

où, pour tout k ∈ {0, 1, ..., d} , M (k) ∈ M(n,m) (K).

2. M (λ) est nulle ssi M (k) = 0, ∀k ∈ {0, 1, ..., d}.

Définition 1.3.69 Soit M (λ) une λ-matrice carrée d’ordre n et de degré d.

1. M (λ) est dite unitaire si M (d) = In .

3. M (λ) est dite unimodulaire si det M (λ) = det M 0 6= 0

Proposition 1.3.70 Si det M (0) 6= 0 alors M (λ) est régulière.

Preuve. Evident de fait que

det M (λ) = −2 = det M 0

1.3.2 Divisions de λ-matrices

1.3.3 Forme canonique

On échange les colonnes 1 et 2 (multiplication à droite par I12 )

et on peut vérifier que

sont équivalentes; et si M ∈ Mn×p (K) est une matrice de rang r,

mais ceci entraine que