Domaine : Sciences économique

Parcours : CCA, APE, ECO DEV, ECO INTER, OGRH, MKST

Etablissement : Faculté des Sciences Economiques et de Gestion (FASEG)

Code et Intitulé de l’UE : ECO 203 Algèbre linéaire

Crédits : 6
Public cible : étudiants de la FASEG
Semestre : 2
Pré-requis : Analyse mathématique
Enseignant responsable de l’UE :

JOHNSON Inna A., Maître-Assistant, Sciences Economique, tel. 90 16 34 28

KOREM Ayira, Maître-Assistant, Economie du Travail, tel. 99 57 82 00

Disponibilité :
Mme JOHNSON lundi : 7h-10h ; mardi : 13h30-16h30.
M. KOREM jeudi : 10h15-13h15

UNIVERSITE DE LOME
2019-2020
Objectif général :
Donner aux apprenants les éléments de base d’algèbre linéaire devant leur permettre
d’aborder les statistiques et résoudre les problèmes liés à l'économie et la gestion notamment
les problèmes d’optimisation, de recherche opérationnelle et de modélisation.

Objectifs spécifiques :
A la fin de ce cours, l'apprenant devra :
- être capable de maitriser l’espaces vectoriels et avoir une bonne connaissance sur la
manipulation des applications linéaires ;
- savoir ce qu’est une matrice, les différents types et les opérations sur les matrices (opérations
algébriques, calcul des déterminants, inversion des matrices et autres) ;
- savoir résoudre les systèmes linéaires (méthode de Gauss-Jordan, méthode de Cramer, …) ;
- savoir optimiser les fonctions à plusieurs variables.

CONTENU DE L’UNITE D’ENSEIGNEMENT

• Structure d’espace vectoriel ;
• Calcul matriciel :
o Définitions ;
o Opérations sur les matrices ;
o Inversion des matrices carrées et diagonalisation.
• Systèmes linéaires ;
• Application du calcul matriciel à l’économie (TES) ;
• Optimisation des fonction à plusieurs variables.

Plan du contenu d’enseignement

Séance n° Rappel des objectifs Titres des parties/ chapitres / sous-chapitres
spécifiques
1 - savoir ce qu'est un espace 1. Espaces vectoriels.
vectoriel et déterminer si un 1.1. Définitions et conséquences.
ensemble est un sous-espace 1.2. Sous-espaces vectoriels.
vectoriel d'un autre espace ; 1.3. Familles de vecteurs.
- savoir déterminer la nature d'une
famille de vecteurs.
2 - savoir ce qu'est une base, 1.4. Bases, dimension, rang.
construire une base d'un sous- 1.5. Sommes de sous-espaces vectoriels.
espace vectoriel, en reconnaître
une ;
- savoir utiliser les notions de
dimension et de rang.
 Algèbre linéaire
3 être capable de : 2.Calcul matriciel.
- déterminer la dimension d'une 2.1. Définitions.
matrice ; 2.1.1. Définition.
- comparer deux matrices ; 2.1.2. Egalité matricielle.
- effectuer des différentes 2.2. Opérations sur les matrices.
opérations algébriques sur les 2.2.1. Somme de deux matrices.
matrices. 2.2.2. Produit d'une matrice par un scalaire.
2.2.3. Produit de deux matrices.
2.2.4. Transposition.
4 être capable de : 2.3. Matrices carrées.
- reconnaître des différentes types 2.4. Déterminants.
de matrices carrées ; 2.4.1. Déterminants d'ordre n, n≤3.
- calculer leurs déterminants ; 2.4.2. Déterminants d'ordre n, n1.

5 - savoir appliquer les propriétés des 2.4.3. Calcul pratique des déterminants.
déterminants ; 2.5. Rang d'une matrice.
- savoir échelonner une matrice et
déterminer son rang.
6 - connaître la condition d'existence 2.6. Matrice inverse d'une matrice carrée.
de l'inverse d'une matrice ; 2.6.1. Définition.
- savoir calculer la matrice inverse 2.6.2. Détermination de la matrice inverse.
en utilisant de différentes 2.6.3. Inversion d'une matrice par la méthode de Gauss-
méthodes. Jordan.
7 - savoir utiliser l'échelonnement 2.7. Systèmes d'équations linéaires.
pour connaître le nombre de 2.7.1. Cas général.
solution du système ; 2.7.2. Systèmes de n équation à n inconnues.
- appliquer de différentes
méthodes pour résoudre les
systèmes d'équations linéaires.
8 appliquer le calcul matriciel pour : 3. Applications du calcul matriciel.
- déterminer le rang d'une famille 3.1. Calcul matriciel et espace vectoriel.
de vecteurs ; 3.2. Calcul matriciel et application linéaire.
- diagonaliser une matrice carrée. 3.2.1. Changement de base.
3.2.2. Valeurs propres, vecteurs propres.
3.2.3. Diagonalisation.
9 Savoir interpréter tous les éléments 4. Applications économiques.
du tableau. 4.1. Tableaux entrées-sorties de Leontief.
10 Savoir étudier les extremums d'une 4.2. Optimisation des fonctions de plusieurs variables.
fonction multivariable.
11 Savoir étudier les extremums d'une 4.3. Optimisation d'une fonction objectif multivariable
fonction multivariable sous sous contrainte.
contrainte.
12 - Pouvoir interpréter le 4.3.1. Optimisation d'une fonction objectif multivariable
multiplicateur de Lagrange ; sous contrainte. Cas n≥3.
- savoir déterminer la nature de 4.4. Matrice Jacobien.
variables fonctionnelles.

Page 3 sur 48
 Algèbre linéaire
Sommaire
SEANCE N° 1 .................................................................................................................................................... 6
I. Espaces vectoriels......................................................................................................................................... 6
SEANCE N° 2 .................................................................................................................................................. 10
SEANCE N° 3 .................................................................................................................................................. 13
2. Calcul Matriciel .......................................................................................................................................... 13
2.1. Définitions .............................................................................................................................................. 13
2.2. Opérations sur les matrices. ................................................................................................................... 14
SEANCE N° 4 .................................................................................................................................................. 18
2.3. Matrices carrées. .................................................................................................................................... 18
2.4. Déterminants .......................................................................................................................................... 20
SEANCE N° 5 .................................................................................................................................................. 24
2.5. Rang d’une matrice. ............................................................................................................................... 24
SEANCE N° 6 .................................................................................................................................................. 28
2.6. Matrice inverse d’une matrice carrée .................................................................................................... 28
SEANCE N° 7 .................................................................................................................................................. 30
2.7. Système d’équations linéaires................................................................................................................ 30
SEANCE N° 8 .................................................................................................................................................. 33
3. Applications du calcul matriciel ................................................................................................................. 33
3.1. Calcul matriciel et espace vectoriel ........................................................................................................ 33
3.2. Calcul matriciel et application linéaire ................................................................................................... 33
SEANCE N° 9 .................................................................................................................................................. 37
4. Applications économiques ........................................................................................................................ 37
4.1. Matrices entrées-sorties de Leontief ..................................................................................................... 37
SEANCE N° 10 ................................................................................................................................................ 42
4.2. Optimisation des fonctions de plusieurs variables................................................................................. 42
SEANCE N° 11 ................................................................................................................................................ 44
4.3. Optimisation d’une fonction objectif multivariable avec contrainte ..................................................... 44
SEANCE N° 12 ................................................................................................................................................ 46
4.4. Matrice Jacobien ................................................................................................................................... 46

Page 4 sur 48
 Algèbre linéaire
Modalités d’évaluation :
Examen semestriel écrit portant à la fois sur la théorie et les exercices sous forme de QCM. On y
teste la connaissance et la compréhension des notions et des résultats fondamentaux, la capacité
de construire et d'écrire un raisonnement cohérent, la maîtrise des techniques de calcul.

Bibliographie :
GUERRIEN B., Algèbre linéaire pour économistes
LIRET F., MARTINAIS D., Cours de mathématiques Algèbre 1ère année (cours et exercices avec
solutions)
TRIGNAN J., Pour une initiation au calcul matriciel (exercices corrigés)

Page 5 sur 48
 Algèbre linéaire
SEANCE N° 1
Objectif : être capable de maitriser l’espaces vectoriels, de reconnaître un sous-espace vectoriel,
une famille de vecteurs libre, une famille de vecteurs liée.

I. Espaces vectoriels
1.1. Définitions et conséquences
Soit K un corps commutatif et E un ensemble no vide muni d’une loi de composition (notée +) et
d’une loi de composition externe (ou loi d’action) à opérateurs dans K (notée • ).

On dit que E est un espace vectoriel sur K (ou K-espace vectoriel) si, pour des éléments
quelconques u, v, w dans E et λ et μ dans K on a :

1) ( u + v ) + w = u + ( v + w) (associativité de l’addition).
2) u + v = v + u (commutativité de l’addition).
3) Il existe 0  E tel que pour tout u : u + 0 = u .
4) Il existe −u  E tel que : u + (−u ) = 0 .
5)  ( u ) = (  ) u .
6) (  +  ) u = u +  u .
7)  ( u + v ) = u + v .
8) 1u = u où 1 désigne l’élément unité de K.

Si K = IR, (E, +, • ) est un espace vectoriel (ou un IR-espace vectoriel).

Les éléments de E sont appelés vecteurs. Pour les distinguer, les éléments de K sont appelés scalaires.

Lorsque les 4 premières conditions sont vérifiées on dit que (E, +) est un groupe abélien (groupe
commutatif).

Conséquences :

- Tout élément est régulier pour l’addition, c’est-à-dire :

u  E v  E w  E u + w = v + w  u = v .
- L’équation : u + x = v d'inconnue x a une solution unique : x = v − u .
- Si   K et u  E , on a : u = 0  (  = 0 ou u = 0 ) .
- Si K’ est un sous corps de K et si E est un espace vectoriel sur K, E est aussi un espace vectoriel sur
K’.

Exemples :

- (IRn, +, • ), c’est-à-dire IRn muni de l’addition et de la multiplication, est un IR-espace vectoriel.

- L’ensemble IR[x] des polynômes à coefficients réels, muni de l’addition et de la multiplication par
un réel quelconque, est un espace vectoriel sur IR..
- L’ensemble Mn, p (IR) des matrices à éléments réels de format (n, p), muni de l’addition et de la
multiplication par un nombre réel λ, est un espace vectoriel sur IR..

Page 6 sur 48
 Algèbre linéaire

1.2. Sous-espaces vectoriels

Définition :

Soit E un K-espace vectoriel. Si une partie F non vide de E est un espace vectoriel sur K lorsqu’on la
muni des restrictions à F des lois de E, on dit que F est un sous-espace vectoriel de E.

Pour que F, sous-ensemble non vide de E, soit un sous-espace vectoriel de E, il faut et il suffit qu’il soit
stable pour les deux lois de composition de E :
− u  F v  F u + v  F ;
− u  F   K u  F .

ou −   K u , v  F u + v  F .

Remarque :

0 appartient à tous les sous espaces vectoriels de E.

Définition :

Tout sous-espace vectoriel distinct de E et de 0 est dit propre.

Théorème :

L’intersection de sous-espaces vectoriels (en nombre fini ou infini) de E est un sous espace
vectoriel de E.

Exemple :

Soit . Montrer que F est un sous-espace vectoriel

de IR4.

Solution :

1.3. Familles de vecteurs

• Combinaison linéaire
Définition :

Page 7 sur 48
 Algèbre linéaire
On appelle combinaison linéaire de vecteurs u1 , u2 ,..., u p de E tout élément de E de la forme

u1 +  2 u2 + ... +  P uP où 1 ,  2 , ...,  P  IR .

• Famille de vecteurs
Définition :

On appelle famille de vecteurs (système de vecteurs) toute partie finie ou infinie de E.

Définition :


On dit qu’une famille u1 , u2 , ..., u p  de E est libre (ou que les vecteurs sont linéairement
p
indépendants) si  i ui = 0  i, i = 0 .
i =1

Une famille qui n’est pas libre est liée. , ou les vecteurs linéairement dépendants. (s’il existe des
p
réels 1 ,  2 , ...,  P non tous nuls tels que  i ui = 0 )
i =1

Exemples :

1)

2)

Solution :

1)

2)

Remarque :

Toute famille contenant 0 est liée.

Propriétés :
Page 8 sur 48
 Algèbre linéaire
• Toute sous famille d’une famille libre est libre.
• Toute sur famille d’une famille liée est liée.

Si un système de p vecteurs est liée l’un au moins des vecteurs s’exprime comme combinaison linéaire des
autres.

Remarque :

Une famille d’un vecteur non nul est libre.

Définition :


Le système de vecteur u1 , u2 ,  u p  de E est un système générateur de E (ou famille
p
génératrice) si v  E , v =  i ui , i  IR . ou encore, tout vecteur de E s’écrit comme
i =1

  
combinaison linéaire des vecteurs du système u1 , u2 ,  u p . On dit aussi que u1 , u2 ,  u p 
engendre E.

(
On note E= Vect u1, u2 ,  u p )
Exemple :

3 1 
Démontrer que les vecteurs u et v de coordonnées   et   forment une famille génératrice de IR2.
 2  5
Solution :

Soit w(x, y) un vecteur de IR². Montrons qu'il existent 𝛼 𝑒𝑡 𝛽 tel que w = 𝛼u + 𝛽v.
5 1
𝑥 3𝛼 + 𝛽 = 𝑥 𝛼= 𝑥− 𝑦
3 1 13 13
𝛼 ( ) + 𝛽 ( ) = (𝑦) ⟹ { ⟹⋯ ⟹{
2 5 2𝛼 + 5𝛽 = 𝑦 2 3
𝛽=− 𝑥+ 𝑦
13 13
Donc, il existent bien 𝛼 et 𝛽 pour tout vecteur w de IR², alors {u, v} est une famille génératrice de IR².

ACTIVITES :
ECEV : ex. 1,2,3

Page 9 sur 48
 Algèbre linéaire
SEANCE N° 2
Objectif : être capable de maitriser l’espaces vectoriel, savoir déterminer une base d'un sous-
espace vectoriel, sa dimension, rang d'une famille de vecteurs.

1.4. Bases, dimension, rang.

• Bases d’un espace vectoriel

Définition :
Une base de E est une famille de vecteurs de E qui est à la fois libre et génératrice.

Une famille libre de vecteurs de E est une base de E si, et seulement si, elle est maximale pour l’inclusion,
c’est-à-dire si elle cesse d’être libre dès qu’on lui adjoint un vecteur quelconque de E.

Une famille génératrice de vecteurs de E est une base de E si, et seulement si, elle est minimale pour
l’inclusion, c’est-à-dire si elle cesse d’être génératrice dès qu’on lui retire un de ses vecteurs.

Théorème :

Tout espace vectoriel possède une base.

Exemple :

3 1 
Soit u   et v   . u, v est-il une base de IR2 ?
 2  5
Solution :

Dans l'exemple précédent, nous avons montré que {u, v} est une famille génératrice de IR².

Vérifions si {u, v} est une famille libre :

3 1 0 3𝛼 + 𝛽 = 0 𝛼=0
𝛼( )+𝛽( ) = ( ) ⟹ { ⟹⋯ ⟹{
2 5 0 2𝛼 + 5𝛽 = 0 𝛽 =0

{u, v} est une famille libre, alors {u, v} est une base de IR².

Les vecteurs e1 (1,0, ..., 0 ) ; e2 ( 0,1, 0, ..., 0 ) ;...; en ( 0, 0, ...,1) forment une base de IRn , appelée base
canonique.

• Dimension
Un espace vectoriel est dit de dimension finie s’il existe une partie génératrice finie.

Théorème :

Dans un espace vectoriel E de dimension finie, toutes les bases ont le même nombre de vecteurs.
Ce nombre unique s’appelle la dimension de E et se note dim E .

- Si E est de dimension finie n sur le corps K et si = v1 , ..., vn  est une base de E, tout vecteur v
n
de E s’écrit de façon unique sous la forme : v =  i vi .
i =1
- Si F et G sont des sous-espaces vectoriels de E, K-espace vectoriel de dimension finie, alors F et G
sont aussi de dimensions finies et l’on a :
F G  dim F  dim G
(F  G et dim F = dim G )  F = G.
Page 10 sur 48
 Algèbre linéaire

Propriété :

Tout système générateur d’un espace vectoriel de dimension n comprend au moins n vecteurs et
tout système générateur de n vecteurs est une base de E.

• Rang
La dimension de l’espace vectoriel engendré par une famille de vecteurs d’un espace vectoriel est
appelée rang de cette famille. Il est égal au cardinal de toute sous-famille libre maximale.

Propriété :

Une famille de vecteurs extraits d’un espace vectoriel est libre si et seulement si son rang est égal
au nombre de vecteurs de cette famille.

Exemple :

Quel est le rang de la famille formée des vecteurs de IR4 :

v1 = (1, − 3, 2,1) ; v2 = ( 3,13, − 6, − 1) ; v3 = (3, 2, 0,1) ?

Solution : 𝛼𝑣1 + 𝛽𝑣2 + 𝛾𝑣3 = 0 ⟹

𝛼 + 3𝛽 + 3𝛾 = 0 𝛼 + 3𝛽 + 3𝛾 = 0
−3𝛼 + 13𝛽 + 3𝛾 = 0 22𝛽 + 12𝛾 = 0 𝛼 + 3𝛽 + 3𝛾 = 0 𝛼=0
⟹ { ⟹ { 22𝛽 + 12𝛾 = 0 ⟹ {𝛽 = 0 donc
2𝛼 − 6𝛽 =0 −12𝛽 − 6𝛾 = 0
−2𝛽 = 0 𝛾=0
{ 𝛼−𝛽+𝛾 =0 4𝛽 + 2𝛾 = 0
{𝑣1 , 𝑣2 , 𝑣3 } est une famille libre, alors le rang est égal à 3.

1.5. Somme de sous-espaces vectoriels

Soit F et G deux sous-espaces vectoriels d’un même K-espace vectoriel E.

On appelle somme S de F et G l’ensemble des vecteurs : w = u + v où u  F , v  G .

S étant non vide et stable pour les deux lois de composition définies sur E, est un sous-espace vectoriel de
E noté S = F + G.

Conséquence :

Si chaque s.e.v. F et G possède une famille génératrice alors leur réunion est une famille
génératrice de F + G.

Si F et G sont tels que F G = 0 , on dit que S est la somme directe de F et de G et l’on note :
S = F  G . Dans ce cas, tout vecteur de S s’écrit de manière unique comme somme d’un vecteur de F
et d’un vecteur de G.

En particulier, si E = F  G , on dit que F et G sont des sous-espaces vectoriels supplémentaires dans E.

Théorème :

Si F et G sont de dimensions finies, il en est de même de F G et de F + G et l’on a :

dim ( F + G ) + dim ( F G ) = dim F + dim G .

En particulier, si la somme est directe : dim ( F  G ) = dim F + dim G .

Page 11 sur 48
 Algèbre linéaire
Exemple :

Solution :

1.

2.

3.

Théorème :

Tout sous-espace vectoriel F d’un espace vectoriel de dimension finie E admet au moins un sous-
espace vectoriel supplémentaire.

Tous les s.e.v. supplémentaires de F dans E ayant la même dimension, cette dimension commune
est appelée codimension de F dans E.

ACTIVITES :
ECEV : Ex. 25, 26

Page 12 sur 48
 Algèbre linéaire
SEANCE N° 3
Objectif : A la fin de cette séance l'apprenant devra savoir ce qu’est une matrice, savoir déterminer
la dimension d'une matrice, maitriser les opérations algébriques sur les matrices.

2. Calcul Matriciel
2.1. Définitions
2.1.1. Définition

On appelle matrice de dimension (mxn) ou (m,n) (ou bien de format (m,n)) un tableau rectangulaire formé
de mn nombres appelés éléments de la matrice, ayant m lignes et n colonnes : A=
 a11 a12 ... a1n   a11 a12 ... a1n 
 
 a21 a22 ... a2 n   a21 a22 ... a2 n 
=
   
   
 am1 am 2 ... amn   am1 am 2 ... amn 

( )
On emploie aussi la notation : A = aij , où aij sont les éléments de la matrice A.

Si m = 1, on dit A est une matrice-ligne.

Si n = 1, on dit A est une matrice-colonne.

Exemple :

0 0
 1 −2 5  11  
A=  B = ( 2 11 3) C =  D = 0 0
 0 15 7  1 0 0
 
- A est une matrice de dimension (2,3). Les éléments de la première ligne de A sont 1, -2, 5.

- B est une matrice-ligne ou vecteur-ligne.

- C est une matrice-colonne, également appelée vecteur-colonne.

- On dit aussi que (1 -2 5) et (0 15 7) sont les vecteurs-lignes de la matrice A et que

 1   −2   5
  ,   et  
 0   15  7
sont des vecteurs-colonnes de la matrice A.

- D est la matrice nulle de dimension (3,2).

On désigne la matrice nulle par O.

2.1.2. Egalité matricielle

( ) ( )
Deux matrices A = aij et B = bij sont dites égales si elles sont de même dimension (m,n) et si les
éléments de chacune d’elles sont égaux deux à deux , pour tout couple (i, j), aij = bij .

Page 13 sur 48
 Algèbre linéaire
Exemple :

5 𝑎 𝑥 3
Soit A = ( ) et B = ( )
−1 𝑏 −1 0
Solution :

𝑥=5
Alors A = B si et seulement si {𝑎 = 3
𝑏=0

2.2. Opérations sur les matrices.

2.2.1. Somme de deux matrices.

Définition :

La somme A + B de deux matrices n’est définie que si A et B sont de même dimension. On obtient alors la
matrice A + B en ajoutant à chaque élément de A l’élément de B ayant la même position.

 a11 + b11 a12 + b12 a1n + b1n 

 
a21 + b21 a22 + b22 a2 n + b2 n 
Soit A = aij ( ) mxn
( )
et B = bij
mxn
, alors A + B = 
 
 
 am1 + bm1 am 2 + bm 2 amn + bmn 

Exemple :
1 −2 4 −1 −3 1
Soient A = ( ) et B = ( ). Calculer A +B
−1 3 7 7 2 0
Solution :
1 −2 4 1 + (−1) −2 + (−3) 4+1 0 −5 5
A+B=( ) + (−1 −3 1) = ( )=( )
−1 3 7 7 2 0 −1 + 7 3+2 7+0 6 5 7
𝟎 −𝟓 𝟓
A+B=( )
𝟔 𝟓 𝟕
Propriétés :

Quelles que soient les matrices A, B et C de même dimension, on a :

• A + B = B + A (commutativité)
• (A + B) + C = A + (B + C) (associativité)
• A + O = A, où O désigne la matrice nulle de même dimension que A.

2.2.2. Produit d’une matrice par un scalaire.

Définition :

Etant donnés une matrice A et un nombre k, appelé scalaire, on obtient la matrice kA en multipliant
chaque élément de A par le nombre k.
Page 14 sur 48
 Algèbre linéaire
 ka11 ka12 ... ka1n 
 
ka21 ka22 ... ka2 n 
Soit A = ( aij ) , alors kA = 
 
 
 kam1 kam 2 ... kamn 

Exemple :
0 5
Soit A = ( 1 −2) ,calculer -3A.
−1 4
Solution :

0 5 3×0 3×5
-3A = -3x( 1 −2) = ( 3 × 1 3 × (−2))
−1 4 3 × (−1) 3×4
𝟎 𝟏𝟓
-3A = ( 𝟑 −𝟔)
−𝟑 𝟏𝟐
Propriétés :

Quelles que soient les matrices A et B de même dimension, k, k’ réels. On a :

• k(A + B) = kA + kB
• k(k’A) = (kk’)A
• (k + k’)A = kA + k’A

2.2.3. Produit de deux matrices.

Le produit AB de deux matrices n’est défini que si le nombre de colonnes de A est égal au nombre de lignes de B.

Définition :

Soient A = aij ( ) mxn

( )
et B = bij
nxp
. On appelle produit de A par B, et on note AB, la matrice de dimension

(m, p) dont l’élément cij situé à l’intersection de la i-ème ligne et de la j-ème colonne est donné par :
n
cij =  aik bkj
k =1

Exemple :

1 −2 4 0 5
Soient A = ( ) et B = ( 1 −2), calculer le produit AB.
−1 3 7
−1 4
Solution :

Le produit existe car le nombre de colonnes de la première matrice A (3) est égal au nombre de lignes de la
deuxième matrice B (3).
0 5
1 −2 4
AB = ( )×( 1 −2) =
−1 3 7
−1 4

Page 15 sur 48
 Algèbre linéaire
On peut écrire :
0 5
( 1 −2 )
−1 4

1 −2 4 1 × 0 + (−2) × 1 + 4 × (−1) 1 × 5 + (−2) × (−2) + 4 × 4

AB = ( ) ( )
−1 3 7 −1 × 0 + 3 × 1 + 7 × (−1) −1 × 5 + 3 × (−2) + 7 × 4
−𝟔 𝟐𝟓
AB = ( )
−𝟒 𝟏𝟕

Propriétés :

• Le produit de deux matrices n’est pas commutatif en général : AB  BA

Si A, B, C sont des matrices telles que les différents produits ci-dessous soient définis et si k est un
scalaire quelconque, on a :

• (AB)C = A(BC)
• (A + B)C = AC + BC
• A(B + C) = AB + AC
• A(kB) = (kA)B = k(AB)
• AO = O
N.B. Le produit d’une matrice par une matrice nulle donne une matrice nulle, mais on peut avoir AB = O
avec A et B non nulles.

Exemple :

0 0 2 −3/2
On a A = ( ) et B = ( ). Alors AB = O sans que A = O et B = O
1 −2 1 −3/4

2.2.4. Transposition
t
La matrice A (ou A ') est dite la transposée de la matrice A, si les colonnes de la matrice A sont les
lignes de la matrice t A .

Si A est de dimension (m,n), t A est de dimension (n,m).

Exemple :
1 −1 0
−5 2 4
Soit A = ( ), calculer t A .
3 0 −6
2 10 −2
Solution :
𝟏 −𝟓 𝟑 𝟐
t
A = ( −𝟏 𝟐 𝟎 𝟏𝟎 )
𝟎 𝟒 −𝟔 −𝟐
Propriétés :

•
t t
( A) = A
( A + B) = t A + t B
t
•

Page 16 sur 48
 Algèbre linéaire
( kA) = k A
t
• t

( AB ) = t B t A
t
•

ACTIVITES :
 2 −1 0  2 1   1 0
On considère les matrices : A =  0 1 1  ; B =  3 5  ; C =  2 1 
     
 6 −5 0   1 −1 4 1
t t t t
1. Calculer A; B; AB; B A. Que remarque-t-on ?
2. Calculer A + B, B - 2C, A(B + C).
3. Calculer A3.

Page 17 sur 48
 Algèbre linéaire
SEANCE N° 4
Objectif : A la fin de cette séance l'apprenant devra être en mesure de reconnaître les différentes
types de matrices carrées, d'appliquer des différentes méthodes dans le calcul du déterminant
d'une matrice.

2.3. Matrices carrées.

Définition :

Une matrice est dite carrée, si le nombre de lignes est égal à celui de colonnes, m = n :

 a11 a12 ... a1n 

 
a21 a22 ... a2 n 
A= 
 
 
 an1 an 2 ... ann 

On dit que la matrice carrée A est d’ordre n.

Définition :

On appelle diagonale principale d’une matrice carrée les éléments aii de cette matrice.

Définition :
n
La trace d’une matrice carrée est la somme des éléments de la diagonale principale : trA = a
i =1
ii .

Exemple :
−𝟏 0 5
A=( 2 𝟑 1) Les éléments de la diagonale principale sont les élément en gras : -1,3, 4. La trace de
8 −9 𝟒
A est la somme de ces éléments : trA = -1+3+4 =6

Définition :

La matrice carrée A est dite symétrique par rapport à la diagonale principale si aij = a ji pour tout (i, j).

Une matrice symétrique coïncide avec sa transposée : t A = A

La matrice A est dite antisymétrique, si aij = −a ji , alors on a : t A = − A .

Exemple :
−𝟏 𝟎 𝟖 𝟎 −𝟏 𝟐
Soit A = ( 𝟎 𝟑 −𝟗 ) et B = ( 𝟏 𝟎 −𝟗)
𝟖 −𝟗 𝟒 −𝟐 𝟗 𝟎

A est une matrice symétrique et B une matrice antisymétrique. On peut vérifier que t A = A et t B = − B

Définition :

La matrice carrée dont tous les éléments non situés sur la diagonale principale sont nuls est appelée
matrice diagonale. Soit aij = 0 si i  j . Si les éléments diagonaux sont d1 , d 2 , ..., d n on la note
diag ( d1 , d2 , ..., dn ) .
Page 18 sur 48
 Algèbre linéaire
Exemple :
−𝟏 0 0
A=( 0 𝟑 0) est une matrice diagonale, on peut noter également A = diag(-1,3,4)
0 0 𝟒
Définition :

Une matrice scalaire est une matrice diagonale dont les éléments de la diagonale principale sont égaux.

5 0 0 −𝟏 0 0
 
Exemple : A = 0 5 0 est une matrice scalaire, B = ( 0 𝟑 0) n'est pas une matrice scalaire.
 
0 0 5 0 0 𝟒
 
Définition :

Une matrice diagonale est dite matrice unité (ou matrice identité) si les éléments situés sur la diagonale
principale sont égaux à l’unité.

Soit An une matrice carrée et In matrice unité d'ordre n alors AI = IA = A

Exemple :
1 0
I2 = ( ) est une matrice identité d'ordre 2.
0 1
1 0 0
I3 = (0 1 0) est une matrice identité d'ordre 3
0 0 1
…

Définition :

Une matrice carrée est dite triangulaire si les éléments au-dessous de la diagonale principale sont tous
nuls (triangulaire supérieure) ou si les éléments au-dessus de la diagonale principale sont tous nuls
(triangulaires inférieures).

Exemple :
−1 0 5
A=( 0 3 1) est une matrice triangulaire supérieure
0 0 4
6 0 0
B = (2 0 0) est une matrice triangulaire inférieure
8 −9 4
• Puissances d'une matrice carrée :
Si A est carrée, on peut calculer A2 = A  A

A3 = A2  A
An = An −1  A, où n  *

• Formule du binôme
Si A et B commutent (c-à-d si AB = BA). On a :
n
( A + B ) =  Cnp An− p B p
n

p =0

Page 19 sur 48
 Algèbre linéaire
En posant A0 = B0 = I, matrice identité de même dimension que A et B.

2.4. Déterminants
2.4.1. Déterminants d'ordre n, n  3

• Si n = 1, le déterminant, noté a , est égal à son unique élément.

Exemple :

|5| = 5 ; |−11| = -11

a11 a12
• On appelle déterminant du second ordre de la matrice carrée d'ordre 2
a21 a22
a a12  a11 a12
A =  11  l’expression a11a22 − a12 a21 : = a11a22 − a12 a21 .
 a21 a22  a21 a22
On le note det A, ou A , ou det(aij ) .

Exemple :
5 −1
| | = 5 ∗ 1 − (−1) ∗ 2 = 7
2 1
𝟓 −𝟏
| |=𝟕
𝟐 𝟏

a11 a12 a13  a11 a12 a13 

 
• On appelle déterminant du troisième ordre a21 a22 a23 de la matrice A =  a21 a22 a23 
a a33 
a31 a32 a33  31 a32
l’expression a11a22 a33 + a21a32 a13 + a31a12 a23 − a13a22 a31 − a23a32 a11 − a33a12 a21 .

On peut utiliser la règle de Sarrus pour calculer detA :

= a11a22 a33 + a21a32 a13 + a31a12 a23 − a13a22 a31 − a23a32 a11 − a33a12 a21
+
+
+

Ou sous forme des tableaux des signes :

Page 20 sur 48
 Algèbre linéaire

+
Avec signe -
Avec signe
signesigne signesigne

Exemple :
−1 0 5
Soit A = ( 2 3 1). Calculer son déterminant.
8 −9 4
Solution :
−1 0 5 −1 0 5
detA = | 2 3 1| = | 2 3 1| = −1 ∗ 3 ∗ 4 + 2 ∗ (−9) ∗ 5 + 8 ∗ 0 ∗ 1 −
8 −9 4 8 −9 4
première ligne : -1 0 5 −[5 ∗ 3 ∗ 8 + 1 ∗ (−9) ∗ (−1) + 4 ∗ 0 ∗ 2]
seconde ligne : 2 3 1

detA = -12 – 90 − [120+9]

detA = -231

2.4.2. Déterminants d’ordre n, n > 1

Définition :

1. On appelle mineur d’un élément aij du déterminant de A, le déterminant d’ordre n - 1 obtenu en

supprimant la ligne i et la colonne j. On le note M ij
2. On appelle cofacteur de l’élément aij , noté Cij , son mineur pris avec le signe plus ou moins
i+ j
suivant la formule : Cij = (−1) M ij .
Exemple :
−1 0 5
Soit A = ( 2 3 1). Calculer les mineurs et les cofacteurs des éléments a13, a21 .
8 −9 4
Solution :
a13 = 5 alors dans le déterminant de A on supprime la première ligne et la troisième colonne :
−1 0 5
2 3
|2 3 1| = | |
8 −9
8 −9 4
2 3
On a : M13 = | | = 2 ∗ (−9) − 3 ∗ 8
8 −9
M13 = -42 ⟹ 𝑪𝟏𝟑 = (−1)1+3 𝑀13 = 1 ∗ (−42) = −42

C13 = -42

a21 = 2 alors dans le déterminant de A on supprime la deuxième ligne et la première colonne :

Page 21 sur 48
 Algèbre linéaire
−1 0 5
0 5
|2 3 1| = | |
−9 4
8 −9 4
0 5
On a : M21 = | | = 0 ∗ 4 − 5 ∗ (−9)
−9 4
M21 = 45 ⟹ 𝑪𝟐𝟏 = (−1)2+1 𝑀21 = −1 ∗ 45 = −45

C21 = -45

Un déterminant d’ordre supérieur à 1 (n  1) est égal à la somme des produits des éléments d’une ligne
quelconque (d’une colonne quelconque) par leurs cofacteurs respectifs.

Le résultat ne dépend pas de la ligne (colonne) choisie pour effectuer le calcul. :

n
det A =  aij Cij , quelle que soit la colonne j choisie
i =1

n
det A =  aij Cij , quelle que soit la ligne i choisie
j =1

On peut ainsi ramener le calcul d’un déterminant d’ordre n à celui du déterminant d’ordre n-1. Mais ce
procédé est très lourd sans transformation préalable du déterminant initial.

Exemple :
−1 0 5
Soit A = ( 2 3 1). Calculer son déterminant.
8 −9 4
Solution :

Développons suivant la première ligne :

−1 0 5
3 1 2 1 2 3
detA = | 2 3 1| = −1 ∗ (−1)1+1 | | + 0 ∗ (−1)1+2 | | + 5 ∗ (−1)1+3 | |
−9 4 8 4 8 −9
8 −9 4
detA = −(12 + 9) + 0 + 5(−18 − 24)
detA = -231 Vérifier avec le résultat obtenu par la méthode de Sarrus.
On peut choisir une colonne, par exemple, développons suivant la troisième colonne :
−1 0 5
2 3 −1 0 −1 0
detA = | 2 3 1| = 5 ∗ (−1)1+3 | | + 1 ∗ (−1)2+3 | | + 4 ∗ (−1)3+3 | |
8 −9 8 −9 2 3
8 −9 4
detA = 5(−18 − 24) − 1(9 − 0) + 4(−3 − 0)
detA = -231
Nous avons toujours la même réponse.
Propriété :

Lorsque la famille de vecteurs peut se mettre sous forme d’une matrice carrée, on calculera le
= 0, alors la famille est liée
(
déterminant du système. Si det u1 , u2 , ..., u p  )  0, alors la famille est libre .

Page 22 sur 48
 Algèbre linéaire
ACTIVITES :
1. Reconnaitre différentes types de matrices carrées :

1 0 2 1 0 0 1 0 0 4 0 0 1 0 2
3 0          
a) (
1 −1
) ; b) 0
 4 6  ; c)  3 4 0  ; d)  0 −4 0  ; e)  0 4 0  ; f) 0 4 5 ;
2 6 7 0 6 7 0 0 7  0 0 4 0 0 7
         
1 0 0 0
0 0 2  
 
g) 0 0 −6 ; h) 0 1 0 0
.
  0 0 1 0
 −2 6 0   
 
0 0 0 1
2. Calculer le déterminant des matrices suivantes :
0 1 1 0
1 0 2   a b c
 7 11   1 0 0 1  
(a)   (b)  3 4 5  (c)   (d)  c a b 
− 8 4  5 6 7 
1 1 0 1
 b c a
  1 1   
 1 0

Page 23 sur 48
 Algèbre linéaire
SEANCE N° 5
Objectif : A la fin de cette séance l'apprenant devra être en mesure de calculer le déterminant d'une
matrice carrée en appliquant les différentes propriétés ; d'échelonner une matrice et de déterminé
son rang, le rang d'une famille de vecteurs.

2.4.3. Calcul pratique des déterminants

Propriétés :

Soient A et B deux matrices carrées de même ordre et k un scalaire.

• detI = 1 ; detO = 0 ; detA = det tA

• det(AB) = det(BA) = detA  detB
n
• Si A est diagonale ou triangulaire d’ordre n, det A = a
i =1
ii = a11  a22   ann

• Si une ligne (resp. colonne) est une combinaison linéaire d’autres lignes (resp. colonnes) alors
detA = 0

• Si une ligne (resp. colonne) de A est composée uniquement de zéros, alors detA = 0
• Si B résulte de A en multipliant une ligne (resp. colonne) quelconque de A par un scalaire k, alors
detB = kdetA

• Si B résulte de A en permutant deux lignes (resp. colonnes) alors detB = - detA

• En notant C1 , , Cn les colonnes du tableau, et en notant le déterminant : det ( C1 , , Cn ) , on
a dans le cas où une colonne Cj s’écrit : C j = C ' j + C '' j :
det ( C1 , ,Cj  Cn ) = det ( C1 , , C 'j , , Cn ) + det ( C1 , , C ''j , , Cn )

Où les colonnes autres que Cj sont inchangées dans les deux déterminants du second membre.

• On ne modifie pas un déterminant en ajoutant à une ligne (resp. colonne) une combinaison
linéaire d’autres lignes (resp. colonnes).

On utilise la dernière propriété pour faire apparaître des zéros sur une ligne (resp. colonne) avant de
développer par rapport à cette ligne (resp. colonne).

Propriété :

Lorsque la famille de vecteurs peut se mettre sous forme d’une matrice carrée, on calculera le
= 0, alors la famille est liée
(
déterminant du système. Si det u1 , u2 , ..., u p  )  0, alors la famille est libre .

Exemple 12…

Calcul par réduction à la forme triangulaire.

Cette méthode permet de ramener le calcul d’un déterminant à celui d’un déterminant de forme
triangulaire égal ou opposé au déterminant initial, et appliquer ensuite propriété correspondante.

Exemple 13…

2.5. Rang d’une matrice.

Définition :

Page 24 sur 48
 Algèbre linéaire
On appelle mineur d’une matrice A le déterminant d’une matrice carrée obtenue en supprimant un
certain nombre de lignes et un certain nombre de colonnes de A.

Exemple 14…

Définition :

On appelle rang d’une matrice A l’ordre maximal du mineur non nul de la matrice A. On le note rangA ou
rA.

Exemple 15…

Propriétés :

Soit A une matrice de dimension (m, n).

0  rangA  min(m, n) .

rangA = rang ( t A)
.

rangA = 0  A = O .

Lorsque m = n et de plus rA = n signifie que detA  0.

Si A est diagonale, le rang de A est égal au nombre d’éléments non nuls de la diagonale principale.

On ne change pas le rang de la matrice en ajoutant ou en supprimant une ligne nulle (ou une colonne
nulle).

Si A et B sont équivalentes suivant les lignes (ou les colonnes), elles ont le même rang.

Exemple 16…

Opérations élémentaires sur les matrices.

On appelle opérations élémentaires sur les lignes (resp. colonnes) d'une matrice A les opérations
suivantes :

1. Multiplication par un scalaire d’une ligne (resp. colonne).

2. Addition à une ligne (resp. colonne) quelconque d’une combinaison linéaire d’autres lignes (resp.
colonnes).
3. Permutation de deux lignes (resp. colonnes).

Une suite de telles opérations élémentaires sur les lignes (resp. colonnes) de la matrice A transforment
celle-ci en une matrice de même dimension B. On dit que A et B sont équivalentes suivant les lignes (resp.
colonnes).

On peut aussi appliquer à A à la fois des opérations des deux types. La matrice C obtenue et A sont dites
équivalentes.

Les opérations élémentaires permettent d'échelonner la matrice et de déterminer son rang.

Forme échelon réduit d’une matrice

Une matrice est dite sous forme échelon réduit si :

Page 25 sur 48
 Algèbre linéaire
1. Toutes les lignes non nulles précèdent les lignes nulles (si elles existent).
2. Dans toute ligne non nulle, le nombre de zéros qui précèdent le premier élément non nul va en
augmentant au fur et à mesure qu’on descend les lignes non nulles.
3. Dans toute ligne non nulle, le premier élément non nul est 1 et est appelé élément remarquable
de la matrice.
4. Le premier élément non nul de chaque ligne non nulle est le seul élément différent de zéro dans
sa colonne.

Exemple 17…

Le rang d’une telle matrice est égal au nombre des lignes non nulles.

On pourrait définir des matrices échelons suivant les colonnes.

Pour déterminer le rang d’une matrice on peut la transformer en matrice échelon (suivant les lignes, par
exemple). Cela ne modifie pas le rang. Et le rang est égal au nombre de lignes non nulles.

Exemple 18…

S’il s’agit de déterminer le rang d’une famille de vecteurs, on se ramène au cas précédant en inscrivant les
composantes de ceux-ci sur les colonnes (ou les lignes) d’une matrice.

Si A est une matrice carrée d’ordre n, le rang r de cette matrice vérifie la relation r  n.

Si r = n, la matrice est dite régulière,

Si r < n, la matrice est dite singulière, c-à-d detA = 0

Propriété (rappel) :

Une famille de vecteurs extraits d’un espace vectoriel est libre si et seulement si son rang est égal
au nombre de vecteurs de cette famille.

Pour déterminer le rang d'une famille des vecteurs, on compose une matrice dont les colonnes
représentent les composants des vecteurs et on déterminer le rang de la matrice obtenue.

ACTIVITES :
1 2 1 3
 1 1 −1   1 1 −2   
    4 0 3 1
1. On donne les matrices suivantes : A = 2 3 −4 , B = 0 2 −2 , C = 
     −1 2 −3 0 
 4 1 −4  1 0 0   
    6 −1 −1
1
Calculer le déterminant :
a) de A en ramenant sous forme d’une matrice triangulaire supérieure ;
b) de B par la règle de Sarrus ;
c) de C en faisant apparaître les « 0 » dans la troisième ligne.

2. a) Soit M’ la matrice obtenue à partir de la matrice M par l’opération

L1' = 2L1 + L2 . Est-ce qu’alors
detM = detM’ ?

1 2 3
b) Montrer que le déterminant A = 1 0 2 est un entier pair. Est-il multiple de 4 ?
2 4 6

Page 26 sur 48
 Algèbre linéaire
−1 2 3 −2 2 6 −1 1 3
c) Montrer sans calcul que 1 2 −1 = 1 1 −1 = 1 1 −1
0 4 1 0 2 1 0 4 2
3. Quelles sont les matrices écrites sous forme échelon réduit :
a) b). c) d)

1 2 0 2 0   0 1 2 0 3 1 2 0 3 
0 0 1 3 0    
 ;  0 0 0 1 4 ; 0 0 0 0 ; (0 1 2 3 4)
0 0 1 4 0  0 0 0 0 0 0 0 1 2
0 0 0 0 1    
 
4. Echelonner les matrices suivante et déterminer leur rang.

 21 −6   3 2 −2 1 
   
C =  0 3  ; D =  1 0 3 −1
 −3 12   −1 5 1 4 
   

Page 27 sur 48
 Algèbre linéaire
SEANCE N° 6
Objectif : A la fin de cette séance l'apprenant devra être en mesure de connaître la condition
d'existence d'une matrice inverse et de la déterminer en utilisant des différentes méthodes.

2.6. Matrice inverse d’une matrice carrée

2.6.1. Définition

Définition :

On appelle matrice inverse d’une matrice carrée A la matrice A−1 vérifiant la relation AA−1 = A−1 A = I
, où I est la matrice unité.

Propriété :

Une matrice carrée A d’ordre n possède une inverse si et seulement si son déterminant est différent de
zéro.

Toute matrice inversible possède une seule matrice inverse.

Exemple 19…

2.6.2. Détermination de la matrice inverse

Soit A une matrice inversible. Son inverse peut être obtenu de la façon suivante :

1. Remplacer dans la matrice A chaque élément aij par son cofacteur Cij . On obtient ainsi la matrice
des cofacteurs AC .
2. Transposer la matrice des cofacteurs.
1
3. Multiplier la matrice obtenue par le scalaire .
det A
1 t
On obtient alors A−1 =  ( AC )
det A
Exemple 21…

Remarque :

Cette méthode est appelée souvent méthode des cofacteurs ou méthode des déterminants.

Propriétés :

• I −1 = I
• (A ) −1 −1
=A

( A ') = ( A−1 )
−1 '
•
1 −1
( kA)
−1
• = A
k
( AB )
−1
• Si les matrices A et B sont carrées de même ordre et inversibles, = B −1 A−1 .

Page 28 sur 48
 Algèbre linéaire
1/ a11 0 0 
 
0 1/ a22 0 
• Si A est diagonale et aii  0 pour tout i alors A−1 = 
 
 
 0 0 1/ ann 

det ( A−1 ) =
1
• .
det A

2.6.3. Inversion d’une matrice par la méthode de Gauss-Jordan

Toute matrice inversible peut être transformée en matrice unité I à l’aide des opérations élémentaires.

Donc si on applique à I les mêmes opérations uniquement sur les lignes et dans le même ordre, qu’on a
appliqué à la matrice A pour obtenir I, on va obtenir A−1 . Il est utile d’écrire ces matrices ensemble en
faisant suivre chaque ligne de A de la ligne de I de même numéro en les séparant d’une barre. On obtient
(
ainsi la matrice augmentée A I . )
Soit A une matrice inversible d’ordre n. Pour trouver l’inverse de A, on peut procéder de la façon
suivante :

1. Construire la matrice A I .( )
2. Appliquer à la matrice augmentée les opérations élémentaires sur les lignes qui transforment la
matrice A en I. La matrice I se transforme alors en A−1 .

Les opérations élémentaires sont effectuées en 2 étapes :

a) On transforme la matrice A en une matrice triangulaire supérieure telle que aii = 1 pour tout i (de
haut vers le bas).
b) Ensuite on transforme la matrice obtenue en I par la transformation des lignes du bas vers le
haut.

ACTIVITES :
 4 −1 1 
1. Calculer par la méthode des cofacteurs et par la méthode de Guss-Jordan l'inverse de : A =  3 0 1  .
1 1 0
 

2. Soit
4 1 1
 
M = 1 4 1
1 1 4
 .

a) Démontrer que M est inversible ;

b) Calculer M2 et puis M3 ;
3 2
c) Montrer que − M + 12 M − 45M + 54 I = O où O est la matrice nulle d’ordre 3 ;

En déduire l’expression de la matrice inverse M-1 de M en fonction de M et I et puis sous forme d’une matrice à 3
lignes et 3 colonnes.
Page 29 sur 48
 Algèbre linéaire

SEANCE N° 7
Objectif : A la fin de cette séance l'apprenant devra être en mesure d'écrire un système des
équations linéaires sous forme matricielle et appliquer une méthode convenable pour résoudre ce
système.

2.7. Système d’équations linéaires

2.7.1. Cas général

Définition :

a11 x1 + a12 x2 + + a1n xn = b1

a x + a x + + a x = b
 21 1 22 2 2n n 2
Soit un système de m équations à n inconnues : 

am1 x1 + am 2 x2 + + amn xn = bm

avec aij , bi réels. L’écriture matricielle de ce système est :

 x1   b1 
 a11 a1n     
   x2  , et B =  b2 
AX = B où A =   , X =
a    
 m1 amn     
 xn   bn 

 c1 
 
c2
La matrice C =   est appelée vecteur-solution du système, si AC = B.
 
 
 cn 
• Existence de solutions :
o AX = B possède au moins une solution si rang A = rang (A|B).
o AX = B possède une solution unique si rang A = rang (A|B) = n.
o AX = B possède une infinité de solutions si rang A = rang (A|B) < n.

Lorsque rangA  rang (A|B), AX = B n’admet pas de solution.

Exemple 22…

• Méthode de Gauss-Jordan
La méthode de Gauss-Jordan consiste à transformer la matrice complète augmentée du système (A|B) n
une matrice échelonnée réduite dont les éléments remarquables sont égaux à 1.

Exemple 23…

Page 30 sur 48
 Algèbre linéaire
Remarque :

La même méthode s’applique pour résoudre l’équation matricielle AX = D, où D est une matrice donnée
de dimension (m,n).

Exemple 24…

2.7.2. Systèmes de n équations à n inconnues.

• Existence de solutions
- Le système AX = B possède une solution unique si et seulement si det A  0 et la solution
est X = A−1B .
- Le système AX = O admet une infinité de solutions non triviales (non nulles) si et
seulement si det A = 0 .
Exemple 25…

• Méthode de Cramer
Définition :

On dit qu’un système de n équations linéaires à n inconnues est un système de Cramer si la matrice A de
ce système est inversible. Sa forme matricielle AX = B.

Soit un système de Cramer AX = B. La solution unique (x1, …, xn) de ce système est donnée par les
det Ai
formules de Cramer : xi = , i = 1, 2, ..., n où det Ai est le déterminant déduit de det A en
det A
 b1 
ème  
remplaçant la i colonne par la colonne des termes constants   .
b 
 n
Exemple 26…

ACTIVITES :
1. Considérons le système suivant :

x + y - z = 2

x + 2y + z = 3 , où k est un nombre arbitraire.
x + y + (k 2 - 5)z = k

a) Pour quelles valeurs de k le système a-t-il une unique solution ?
b) Pour quelles valeurs de k le système a-t-il une infinité de solutions ?
c) Pour quelles valeurs de k le système est-il inconsistant (n’a pas de solutions) ?

2. Les formes réduites échelonnées par lignes de matrices augmentées sont données ci-dessous.
a) b) c)
1 0    1 0  0 1 0 
0    ;  ;  
   1   0 0 1 
0 0 0 
Combien de solution le système linéaire correspondant a-t-il ?

Page 31 sur 48
 Algèbre linéaire
3. Résoudre les systèmes suivants par la méthode de Gauss- Jordan :

a) b)

4x1 + 3x 2 + 2x 3 - x 4 = 4
 x 4 + 2x 5 - x 6 = 2 
 5x1 + 4x 2 + 3x 3 - x 4 = 4
 x1 + 2x 2 + x 5 - x 6 = 0 
 x + 2x + 2x - x + x = 2 -2x1 - 2x 2 - x 3 +2 x 4 = -3
 1 2 3 5 6 11x + 6x + 4x + x = 11
 1 2 3 4

3x − 2 y + z = −2

4. Résoudre par la méthode de Cramer le système suivant :  x − y + 3z = 5
− x + y + z = −1


Page 32 sur 48
 Algèbre linéaire
SEANCE N° 8
Objectif : A la fin de cette séance l'apprenant devra être en mesure d'écrire un système des
équations linéaires sous forme matricielle et appliquer une méthode convenable pour résoudre ce
système.

3. Applications du calcul matriciel

3.1. Calcul matriciel et espace vectoriel
• Changement de base
Soit E un K-espace vectoriel de dimension finie n, 1 = v1 , ..., vn  et 2 = w1 , ..., wn  deux bases
quelconques de E, u un vecteur quelconque de E.

Il existe donc des éléments de K, x1 , ..., xn , y1 , ..., yn uniques tels que

n n
u =  xi vi =  y j w j .
i =1 j =1

n
De même, chaque vecteur wj de 2 s’écrit : w j =  pij vi .
i =1

 p11 p12 p1n 

   x1   y1 
p
Posons : P =  21
p22 p2 n     
U1 =   U2 =   .
 
  x  y 
 n  n
 pn1 pnn 

P s’appelle matrice de passage de 1 à 2.

Elle est inversible car ses colonnes sont les vecteurs de Kn associés aux vecteurs de 2 par l’isomorphisme
de E dans Kn : u ( x1 , ..., xn ) .
L’égalité matricielle : U1 = PU 2 , permet le calcul des composantes de u dans 1 en fonction de ses
composantes dans 2.

−1 −1
le problème inverse se résout grâce à l’égalité : U 2 = P U1 , P est donc la matrice de passage de 2 à
1.

Exemple :

3.2. Calcul matriciel et application linéaire

3.2.1.Changement de base
A et B étant deux matrices associées au même endomorphisme par rapport à deux bases 1 et 2. Si P est
la matrice de passage de 1 à 2 on a la relation : B = P −1 AP .

Page 33 sur 48
 Algèbre linéaire
Définition :

Les matrices carrées A et B sont dites semblables s’il existe une matrice carrée inversible P telle
que : B = P −1 AP .

Théorème :

A et B sont semblables si, et seulement si, elles représentent le même endomorphisme

dans des bases différentes.

3.2.2. Valeurs propres, vecteurs propres

Définition :

Soit E un K-espace vectoriel et f   ( E ) (f un endomorphisme de E). On dit que le scalaire λ est

une valeur propre de f s’il existe au moins un vecteur x non nul de E (appelé vecteur propre associé à
λ) tel que f ( x ) = x .

λ est la valeur propre associé à x.

Si e désigne l’identité de E, la définition s’écrit donc :

x  0 tel que x  Ker ( f − e )

Soit Ker ( f − e )  0 , donc f – λe non injective. Ker ( f − e ) est le sous-espace propre de f associé
à λ.

L’ensemble des valeurs propres de f est le spectre de f, noté Sp(f).

Propriétés :

- Des vecteurs propres x1 , ..., x p associés à des valeurs propres distinctes 1 , ...,  p constituent
une partie libre de E.
- Des sous-espaces propres associés à des valeurs propres distinctes ont une intersection réduite à
{0}.
1
- Si f est un automorphisme admettant λ pour valeur propre, alors λ  0 et est valeur propre de

f −1 .

Polynôme caractéristique
Si E est de dimension finie n, par rapport à une base  choisie, f est représenté par une matrice A. Alors :
Ker ( f − e )  0  det ( A − I n ) = 0 .

Cette dernière équation est l’équation caractéristique de A (ou de f).

Son premier membre est un polynôme en λ, de degré n, le polynôme caractéristique de A (ou de f). C’est
un invariant dans tout changement de base ; il ne dépend donc que de f.

Les éventuelles racines de l’équation caractéristique sont les valeurs propres de A, ou de f.

Page 34 sur 48
 Algèbre linéaire
Les composantes d’un vecteur propre de f associé à λ étant écrites sur la colonne X, celle-ci vérifie :
X  0 et AX = X ou ( A − I n ) X = 0 .

X est dit vecteur propre colonne (ou vecteur propre à droite) de la matrice A, associé à λ.

Le spectre de t A est le même que celui de A.

Théorème de Cayley-Hamilton :

Toute matrice carrée A vérifie son équation caractéristique, c’est-à-dire que si PA désigne le
polynôme caractéristique, on a PA ( A) = 0 .

Exemple :

1 1 2
 
Soit A =  2 1 1  . Déterminer les valeurs propres de A .et les vecteurs propres associés aux valeurs
0 1 3
 
propres.

Propriété :

Si A est diagonale ou triangulaire, les valeurs propres sont les éléments de la diagonale
principale.

3.2.3. Diagonalisation

Définition :

Deux matrices semblables A et B = Q−1 AQ (Q inversible) ont même spectre et mêmes

vecteurs propres puisqu’elles représentent dans deux bases différentes le même
endomorphisme.

Réduire une matrice c’est trouver une matrice semblable B aussi simple que possible (appelée réduite de
A). Le problème de la diagonalisation est celui de la recherche d’une matrice B diagonale. Il n’y a pas
toujours de solution.

Conditions nécessaires et suffisantes :

Une condition nécessaire et suffisante pour que A admette une réduite diagonale D est que l’on
puisse trouver dans Kn n vecteurs propres à droite linéairement indépendants, formant donc une base 0
de cet espace.

C’est en rapportant f à 0 que sa matrice prendra la forme D. Il faut remarquer que les n vecteurs ne
sont pas nécessairement associés à des valeurs propres distinctes.

Page 35 sur 48
 Algèbre linéaire

Soit mi l’ordre de multiplicité de la valeur propre λi .

Si le sous-espace propre associé à λi a pour dimension di, on a : 1  di  mi  n (donc

rang ( A − i I n ) = n − mi ).

Pour que A admette une réduite diagonale, il faut et il suffit que pour toute valeur propre λi on ait
di = mi . On dit alors que la matrice est à spectre simple. La réduite diagonale D s’écrira :
 1 0 0
 
0 2 0
D= = diag ( 1 , ...,  n )
 
 
0 n 

où les λi sont les valeurs propres associées, dans le même ordre aux vecteurs de 0.
Si P est la matrice de passage de  et 0, on sait que : D = P −1 AP ou A = PDP −1 .
On dira que A a été diagonalisée.

Exemple (suite) :

……

ACTIVITES :
1. Dans le IR-espace vectoriel IR3, on considère une base 0 = (V1 , V2 , V3 ) et la famille de vecteurs

(W1 , W2 , W3 ) où : W1 = V1 + V2 + V3 ; W2 = 3V1 + 2V2 + V3 ; W3 = V1 + 2V2 + 2V3 .

a) Démontrer que 1 = (W1 , W2 , W3 ) et une base de IR3.
b) Ecrire la matrice de passage P de 0 à 1.
c) Calculer les composantes sur 0 du vecteur V dont les composantes sur 1 sont : 3, -2, 1.
d) Calculer les composantes sur 1 du vecteur W dont les composantes sur 0 sont : -1,2,3.

1 1 3
 
2. Diagonaliser la matrice suivante : M =  −1 4 −1 . Calculer Mn pour tout n.
 2 −3 0 
 
3. ECEV exo No 20

Page 36 sur 48
 Algèbre linéaire
SEANCE N° 9
Objectif : A la fin de cette séance l'apprenant devra être capable d'interpréter des différentes
éléments du tableau de Leontief, de synthétiser les données dans un tableau et de déterminer les
éléments manquants de ce tableau.

4. Applications économiques

4.1. Matrices entrées-sorties de Leontief

Les matrices et le calcul matriciel trouvent de multiples applications en économie et en gestion dans la
mesure où les informations y sont très souvent présentées sous forme de tableaux de nombres. Par
exemple :

- En théorie de la décision ;
- En gestion des ressources humaines, pour projeter la structure des effectifs d’une entreprise et la
structure de la masse salariale ;
- En comptabilité analytique ;
- En gestion de la production, pour planifier les besoins en composants à partir des prévisions de
ventes de produits finis ;
- En marketing pour étudier les transferts de clientèle d’une marque à une autre ;
- En comptabilité nationale le tableau des entrées-sorties TES (la matrice de Leontief) utilisé
comme instrument de planification. On utilise également le TES en gestion prévisionnelle des
entreprises.

• Les matrices entrées-sorties de Leontief

Le principe fondamental des matrices entrées-sorties de Leontief consiste à décomposer l’activité
économique en secteurs et à étudier les relations qui existent entre les différents secteurs.

Exemple :

Soient 3 secteurs d’une économie simple : secteur agricole (A), secteur informel (I), secteur structurel (S).
L’activité de ces différents secteur en millions de francs.

De Vers A I S Consommation Total fourni

finale

A 10 30 30 30 100

I 40 100 10 50 200

S 10 10 10 120 150

Valeur 40 60 100
ajoutée

Total 100 200 150

Page 37 sur 48
 Algèbre linéaire
produit

Structure de TES de la comptabilité nationale.

Branches

1 2 … n+1
1
Consommations finales
Produits

Consommations
2
A Productions stockées
n
C
Sorties
B (destinations)

Valeurs ajoutées,

importations

Entrées

(consommations)
L’activité économique d’un pays est décomposée en branches et en familles de produits. A chaque branche, à
l’exception de la branche « commerces », correspond une famille de produits créés et une seule. Il y a donc n
produits et n + 1 branches.

Les entrées, analysées verticalement, correspondent aux consommations des branches. Elles apparaissent

dans les tableaux A et B :

• Tableau A : consommations de produits fournis par les autres branches, ou consommations

intermédiaires.

• Tableau B :
- consommations d’autres facteurs (rémunération du travail, rémunération du capital,…) dont
la somme représente la valeur ajoutée.

- importations.
Les sorties, analysées horizontalement, correspondent aux destinations des produits. Elles apparaissent

dans les tableaux A et C

• Tableau A : produits vendus aux branches, ces ventes intermédiaires sont donc égales aux
consommations intermédiaires ;

• Tableau C :
- produits vendus aux consommateurs finaux ;
- produits stockés ;
- produits destinés à renouveler ou accroître le potentiel de production des branches
(investissements) ;
- produits exportés.

Page 38 sur 48
 Algèbre linéaire

Le tableau A , qui croise les produits et les branches et fait apparaître les consommations
intermédiaires est encore appelé tableau (ou matrice )des échanges interindustriels.

Considérons une activité économique, simple (sans relation avec l’extérieur) décomposée en 3 secteurs
(agricole, informel, structurel), montants en millions d’unités monétaires.

Sec.1 Sec.2 Sec. 3 Consommation Total fourni

finale

Sec.1 x11 x12 x13 C1 X1

Sec.2 x21 x22 x23 C2 X2

Sec.3 x31 x32 x33 C3 X3

Valeur V1 V2 V3

Ajoutée

Total X1 X2 X3

produit

L’égalité comptable sera :

3
X i = Ci +  xij  i =    par ligne ;
j =1

3
X j = V j +  xij  j =    par colonne.
i =1

Où xij correspond au montant des fournitures du secteur i au secteur j.

On se sert également des coefficients techniques de production aij définis par :

xij
aij = d’où xij = aij X j
Xj

 a11 a12 a13 

 
Donc la matrice des coefficients techniques est donné par : A =  a21 a22 a23 
a a33 
 31 a32

Le nombre aij signifie que pour une unité monétaire de production par le secteur j, il doit consommer
d’une manière intermédiaire aij de production du secteur i.

La connaissance de coefficients techniques, permet, à partir d’une prévision des consommations finales,
de déterminer les productions, les consommations intermédiaires et les valeurs ajoutées prévisionnelles.

La consommation finale des secteurs donnés est :

Page 39 sur 48
 Algèbre linéaire
C1 = X 1 − x11 − x12 − x13 C1 = X 1 − a11 X 1 − a12 X 2 − a13 X 3
C2 = X 2 − x21 − x22 − x23 ou encore C2 = X 2 − a21 X 1 − a22 X 2 − a23 X 3
C3 = X 3 − x31 − x32 − x33 C3 = X 3 − a31 X 1 − a32 X 2 − a33 X 3

C1 = (1 − a11 ) X 1 − a12 X 2 − a13 X 3

Soit C2 = − a21 X 1 + (1 − a22 ) X 2 − a23 X 3 . Si C est le vecteur de consommation finale
C3 = − a31 X 1 − a32 X 2 + (1 − a33 ) X 3
 C1   a11 a12 a13 
   
avec C = C2 , A est la matrice des coefficients techniques telle que A = a21 a22 a23 et X le
   
C  a 
 3  31 32 a a33 

vecteur de production avec X = ( X 1 X 2 X 3 ) ' . Alors C = ( I − A) X ce qui entraîne

X = ( I − A) C .
−1

Exemple 27

Soit le tableau TES suivant :

Sec.1 Sec.2 Sec. 3 Consommation Total fourni

finale

Sec.1 20 60 10 50 140

Sec.2 50 10 80 10 150

Sec.3 40 30 20 40 130

Valeur 30 50 20

Ajoutée

Total 140 150 130

produit

Déterminer la matrice A des coefficients techniques, le vecteur X des productions si l’année suivante on
veut satisfaire le vecteur consommation C suivant : C = ( 70 25 50 )
'

ACTIVITES :

Matrice entrées-sorties de Leontief

Le tableau de Leontief d’une économie composée de trois secteurs S1, S2, S3 se présente
comme suit :

Page 40 sur 48
 Algèbre linéaire
Vers S1 S2 S3 Consommation Total fourni
De finale
S1 200
S2 100 30
S3 50 15
Valeur 50 25
ajoutée
Total
produit

La matrice des coefficients techniques est de la forme suivante :

 0, 25 a12 0, 2 
 
A =  0,3 0, 4 a23  . Compléter le tableau des relations inter sectorielles et en déduire la
 a 
 31 a32 0,1 
matrice A. Déterminer, le vecteur X des productions si l’année suivante on veut satisfaire le
vecteur consommation C suivant : C = ( 70 50 50 )
'

Page 41 sur 48
 Algèbre linéaire
SEANCE N° 10
Objectif : A la fin de cette séance l'apprenant devra connaître les conditions d'existence de
l'extremum d'une fonction multivariable, savoir optimiser la fonction et interpréter le résultat.

4.2. Optimisation des fonctions de plusieurs variables.

Les définitions des extremums relatifs et extremums absolues d’une fonction à une variable
s’étendent aux fonctions multivariables.

Optimiser une fonction multivariable, c’est rechercher l’optimum (extremum) de cette fonction.

Cas n = 2

Soit f une fonction à deux variables f = f(x, y) admettant des dérivées partielles d’ordre deux
continues.

Condition nécessaire d’existence de l’extremum :

Pour que f admette un extremum local au point ( xo , yo ) il faut que :

 f
 x ( xo , yo ) = f x ( xo , yo ) = 0
'

 f
 ( xo , yo ) = f y' ( xo , yo ) = 0
 y

Un tel point est appelé point critique (ou stationnaire).

Condition suffisante d’extremum :

Soit ( xo , yo ) un point critique de f.

(
( xo , yo )  f yy" ( xo , yo )  f xy" ( xo , yo ) ) ( )
et f xx" ( xo , yo )  0 ou f yy" ( xo , yo )  0 f
2
• "
si f xx

admet un maximum local au point ( xo , yo ) ;

(
( xo , yo )  f yy" ( xo , yo )  f xy" ( xo , yo ) ) ( )
et f xx" ( xo , yo )  0 ou f yy" ( xo , yo )  0 f
2
• "
si f xx

admet un minimum local au point ( xo , yo ) ;

(
( xo , yo )  f yy" ( xo , yo )  f xy" ( xo , yo ) ) f n’admet pas d’extremum au point ( xo , yo ) ;
2
• "
si f xx

( xo , yo )  f yy" (x , y ) = ( f ( x , y ))
2
• "
si f xx o o
"
xy o o on ne peut pas conclure, on étudie directement

le signe de f ( f = f ( xo + h, yo + k ) − f ( xo , yo )) .

Ou bien on peut poser :

f xx" ( xo , yo ) f xy" ( xo , yo )
H =
f yx" ( xo , yo ) f yy" ( xo , yo )

Page 42 sur 48
 Algèbre linéaire
Alors

• si H  0 et f xx ' ( x0 , y0 )  0 f admet un maximum local au point ( xo , yo ) ;

• si H  0 et f xx ' ( x0 , y0 )  0 f admet un minimum local au point ( xo , yo ) ;
• si H  0 f n’admet pas d’extremum au point ( xo , yo ) ;
• si H = 0 on ne peut pas conclure, on étudie directement le signe de  f .

Exemple 10 :

Etudier les extremums locaux de la fonction f définie par : f ( x, y ) = xy 2 + 2 x 2 + y 2

Cas n > 2

Condition nécessaire d’existence de l’extremum :

Pour que f admette un extremum local au point ( x1 , x2 , ..., xn ) il faut que :

f x'i ( x1 , x2 ,..., xn ) = 0 i  1,..., n .

On obtient ainsi le pont critique ( x1 , x2 , ..., xn ) .

Condition suffisante d’extremum :

Soit ( x1, x2 , ..., xn ) un point critique de f.

( )
On étudier la nature de la matrice H = f x'i y j ( x1 ,..., xn ) appelée matrice Hessienne.

Pour déterminer sa nature (ou signe) on utilise les mineurs principaux de la matrice hessienne
H.
On appelle mineur principal d’ordre i H i le déterminant obtenu en prenant les termes
communs aux i premières lignes et aux i premières colonnes de H.

• si i  1,..., n H i  0 , H est définie positive, alors f admet un minimum local au point

( x1, x2 , ..., xn ) ;

• si i  1,..., n ( −) H i  0 , H est définie négative, alors f admet un maximum local
au point ( x1 , x2 , ..., xn ) ;
Exemple 11

Soit M(1, 2, 1) un pont critique de la fonction f définie par f ( x, y , z ) = 8 x + y − 12 xyz + 10 z − 6 z .

3 3 3

Etudier la nature de ce point.

ACTIVITES :
1. Soit f la fonction de IR2 vers IR définie par : f ( x, y ) = x + xy + y . Déterminer les extrémums de f.
2 2

2. Déterminer et préciser la nature des extrema éventuels de la fonction f définie sur IR3 par :
f ( x, y, z ) = x 2 − 2 xy + 2 y 2 + 2 y + z 2 − 4 z + 5 .

Page 43 sur 48
 Algèbre linéaire
SEANCE N° 11
Objectif : A la fin de cette séance l'apprenant devra connaître les conditions d'existence de
l'extremum d'une fonction multivariable sous contrainte, savoir métriser deux méthodes pour
optimiser la fonction et interpréter le multiplicateur de Lagrange.

4.3. Optimisation d’une fonction objectif multivariable avec

contrainte

On recherche les extremums locaux d’une fonction objectif multivariable f ( x1 ,..., xn ) sous la contrainte
g ( x1 ,..., xn ) = 0 .

❖ Première méthode : substitution :

Si la relation g ( x1 ,..., xn ) = 0 permet d’exprimer une variable en fonction des autres, en la
remplaçant dans f , on est ramené à l’étude d’une fonction de n – 1 variables sans contrainte.

Exemple 12 :

Soit f la fonction de IR2 vers IR définie par f ( x, y ) = x y − x + 3x + y + 2 y . Etudier les extremums de

3 2 2

f lorsque x et y sont liés par la relation 2x + y – 1 = 0.

❖ Deuxième méthode : multiplicateur de Lagrange :

On considère la fonction  définie par :

 ( x1 , x2 ,..., xn ,  ) = f ( x1 , x2 ,..., xn ) + g ( x1 , x2 ,..., xn ) ,   IR 

λ est appelé multiplicateur de Lagrange et le Lagrangien associé à f et à g.

Optimiser f sous la contrainte g se ramène à optimiser  sans contrainte.

Conditions nécessaires d’existence de l’extremum :

Pour que f admette un extremum local, il faut que :

 'x = 0
 1
 'x = 0
 2
...
 '
 xn = 0
 '
  = 0

Conditions suffisantes d’extremum (cas n = 2):

Soit ( xo , yo , o ) solution du système précédent, on appelle matrice Hessienne bordée, la matrice

Page 44 sur 48
 Algèbre linéaire
 ''
( x0 , y0 , 0 ) ''
( x0 , y0 ,   ) ''
x ( x0 , y0 ,   ) 
 
xx xy

H = yx ( x0 , y0 ,   ) yy ( x0 , y0 ,   ) ( )
'' '' ''
y x0 , y0 ,  
,
 
x ( x0 , y0 ,   ) y ( x0 , y0 ,   ) ( )
 '' '' ''
x , y ,  
  0 0  

 ''
( x0 , y0 ,  ) ''
( x0 , y0 ,  ) g x' ( x0 , y0 ) 
 
xx xy

H = yx ( x0 , y0 ,   ) yy ( x0 , y0 ,   ) g 'y ( x0 , y0 )  '
'' ''
ou
 

 g x' ( x0 , y0 ) g 'y ( x0 , y0 ) 0 


• si detH > 0 alors f admet un maximum local au point ( xo , yo ) ;

• si detH < 0 alors f admet un minimum local au point ( xo , yo ) ;
• si detH = 0 on ne peut pas conclure ; on étudie directement le signe de
f = f ( xo + h, yo + k ) − f ( xo , yo ) en tenant compte de la contrainte
g ( x0 + h, y0 + k ) = 0

Exemple 13

Etudier les extremums de la fonction f de ℝ2 vers ℝ définie par f ( x, y ) = x + 2 y sous la contrainte

x2 + y 2 = 5

Exemple 14 :

ACTIVITES :
1. Soit f la fonction de IR2 vers IR définie par : f ( x, y ) = x + xy + y . Déterminer les extrémums de f,
2 2

lorsque x et y sont liés par la relation x 2 + y 2 = 2 .

2. Soit f la fonction numérique de deux variables réelles, définie par : f ( x, y ) = ln( xy ) . On suppose que
les variables x et y sont liées par la contrainte suivante : 2 x + 3 y = 5 .
Déterminer les extrema de la fonction f.

Page 45 sur 48
 Algèbre linéaire
SEANCE N° 12
Objectif : A la fin de cette séance l'apprenant devra être en mesure d'optimiser la fonction à trois
variables sous contrainte et savoir déterminer si deux variables sont fonctionnellement
indépendantes.

Conditions suffisantes d’extremum (cas n > 2) :

On considère un point ( x1 , x2 , ..., xn ,  ) solution des conditions nécessaires et on calcule en ce

point la matrice Hessienne :

 "
( x1 , ..., xn ,  ) "
( x1 , ..., xn ,  ) "
( x1 , ..., xn ,  ) g x' ( x1 , ..., xn ) 
 
x x x x x x
1 1 1 2 1 n 1
 
H = 

"
x x ( x1 , ..., xn ,  ) "
x x ( x1 , ..., xn ,  ) "
x x ( x1 , ..., xn ,  ) g x' ( x1 , ..., xn ) 
 n 1 n 2 n n n



g x'
1
( x1 , ..., xn ) g x'
2
( x1 , ..., xn ) g x'
n
( x1 , ..., xn ) 0 

On calcule les déterminants d’ordre i (i = 3,…, n + 1) obtenus en prenant les termes communs aux (i – 1)
premières lignes et aux (i – 1) premières colonnes de H et en rajoutant les termes correspondants de la
dernière ligne et dernière colonne. Notons Hi ces déterminants.

n +1
• si H 3  0, H 4  0,..., ( −1) H n+1  0 alors la matrice Hessienne bordée est définie
négative et la fonction objectif atteint un maximum relatif lié au point correspondant.
• si H3  0, H 4  0,..., H n+1  0 alors la matrice Hessienne bordée est définie positive et la
fonction objectif admet un minimum relatif lié au point correspondant.
• Dans les autres cas, on étudie directement le signe de  f en tenant compte de la condition
g ( x1 ,..., xn ) = 0 .

Remarque :

• si λ > 0, pour chaque augmentation (resp. diminution) d’une unité dans la constante de la fonction
contrainte, la fonction objectif à l’optimum diminue (resp. augmentation) d’une valeur
approximativement égale à λ.
• si λ < 0, pour chaque augmentation (resp. diminution) d’une unité dans la constante de la fonction
contrainte, la fonction objectif à l’optimum augmente (resp. diminution) d’une valeur
approximativement égale à  .

4.4. Matrice Jacobien

Soit un système de fonctions à plusieurs variables :

y1 = f1 ( x1 , x2 ,..., xn )
y2 = f 2 ( x1 , x2 ,..., xn )

yn = f n ( x1 , x2 ,..., xn )

Page 46 sur 48
 Algèbre linéaire
définies dans leur domaine.

On appelle Jacobien de ce système ou déterminant fonctionnel, le déterminant, noté J , de la matrice

des dérivées partielles de ces fonctions par rapport aux différentes variables.

dy1 dy1 dy1

dx1 dx2 dxn
dy2 dy2 dy2
J = dx1 dx2 dxn

dyn dyn dyn

dx1 dx2 dxn

• si J  0, alors les variables y1 , y2 , ..., yn sont fonctionnellement indépendantes.

• si J = 0 pour tout x, alors les variables y1 , y2 , ..., yn sont fonctionnellement dépendantes.
 dyi 
La matrice J =   est appelée matrice Jacobien.
 dx j
 

Exemple 15 :

Etudier l’indépendance fonctionnelle des équations suivantes :

1) y1 = x12 + 3x22 et y2 = 2 x1 + 5 ;
2) y1 = 5x1 − 2 x2 + 5 et y2 = 25x12 − 20 x1 x2 + 4 x22 .

ACTIVITES :
1. Soit f la fonction de IR2 vers IR définie par : f ( x, y, z ) = x ln x + y ln y + z ln z
Etudier les extrémums de f sous la contrainte x + y + z = 3 .

2. La fonction d’utilité U de M.Martin dépend de sa consommation de vin (V), de brochettes (B) et de

cigares (C), selon la fonction définie par : U (V , B, C ) = 5ln V + 3ln B + 2ln C ,

M.Martin dispose de 100€ par période à dépenser à l’achat de ces produit ; les prix unitaires sont : ballon
de vin PV = 10€, brochette PB =2€, cigare PC = 4€.

a) Calculer la répartition des dépense et les quantités respectives achetées de chaque bien qui
permet à Martin de maximiser sa satisfaction, tout en respectant sa contrainte de budget.
b) Désormais M.Martin consacre 110€ à l’achat de ces biens. Calculer le niveau d’utilité à l’optimum.

Page 47 sur 48
 Algèbre linéaire

DOCUMENTS COMPLEMENTAIRES
Exercices corrigés sur espace vectoriel (ECEV): http://licence-math.univ-
lyon1.fr/lib/exe/fetch.php?media=exomaths:exercices_corriges_espaces_vectoriels.pdf

Page 48 sur 48