Diagonalisation
Transféré par
djikeflorinda6Diagonalisation
Transféré par
djikeflorinda6ISCID-CO - PRÉPA 2ème année
DIAGONALISATION
Université du Littoral - Côte d'Opale
Laurent SMOCH
Mars 2013
Laboratoire de Mathématiques Pures et Appliquées Joseph Liouville
Université du Littoral, zone universitaire de la Mi-Voix, bâtiment H. Poincaré
50, rue F. Buisson, BP 699, F-62228 Calais cedex
Table des matières
1 Introduction. Rappels 1
1.1 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Rappels d'algèbre linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Notions de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 Matrices carrées, matrices élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Quelques matrices usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 Matrices de commandes et des prix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.2 Matrices de fabrication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3 Le double classement en comptabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.4 Matrices de contingence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.5 Matrices de variances-covariances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Les déterminants 13
2.1 Dé nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Utilisations du déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Applications économiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3 Valeurs propres et vecteurs propres 21
3.1 Dé nitions et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Résolution des systèmes d'équations de récurrence linéaires homogènes . . . . . . . . . . . . . 23
3.2.1 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.2 Systèmes en dimension 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.3 Le modèle de population de Leslie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3 Systèmes théoriques en dimension 2 et dimension k . . . . . . . . . . . . . . . . . . . . . . . . 24
3.4 Propriétés des valeurs propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.5 Valeurs propres multiples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5.1 Matrices de format 2 × 2 non diagonalisables . . . . . . . . . . . . . . . . . . . . . . . 27
3.5.2 Cas d'une matrice 3 × 3 non diagonalisable . . . . . . . . . . . . . . . . . . . . . . . . 28
3.5.3 Résolution d'équations de récurrence avec des matrices non diagonalisables . . . . . . 29
3.5.4 Exercice récapitulatif (corrigé) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.6 Processus de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4 Exercices 35
5 Annales 51
I
II TABLE DES MATIÈRES
Chapitre 1
Introduction. Rappels
1.1 Motivations
La diagonalisation d'une matrice, lorsqu'elle est possible, permet d'obtenir une matrice diagonale sem-
blable à la matrice initiale, c'est-à-dire qu'il existe une matrice diagonale D et une matrice inversible P
(det(P ) ̸= 0) telles que A = P DP −1 .
1 0 0 0 1 0
Exemple 1.1.1 Soit A = 0 1 2. On peut alors montrer que A = P DP −1 avec P = 2 0 1 et
0 0 2 1 0 0
2 0 0
D = 0 1 0.
0 0 1
1. Calculons tout d'abord l'inverse de P : il y a deux façons de présenter les choses, les tableaux et
les systèmes (ou les matrices). Pour inverser une matrice, il faut avant tout être certain qu'elle soit
inversible, c'est à cela que sert le déterminant (qu'on verra plus en détails dans le chapitre 2).
Pour une matrice d'ordre 3, on utilise la règle de Sarrus :
0 1 0
2 0 1
1 0 0 = (0 + 0 + 1) − (0 + 0 + 0) = 1 ̸= 0.
-- -- --
0 1 0
2 0 1
La matrice P est donc inversible et on peut par conséquent déterminer P −1 . On rappelle que l'inverse
d'une matrice (carrée) véri e les propriétés suivantes :
P.P −1 = P −1 .P = I (1.1)
où
. est la multiplication matricielle (non commutative),
1 0 0
I est l'élément neutre pour les matrices soit I = 0 1 0 en dimension 3.
0 0 1
−1
Inverser P revient donc à trouver P telle que (1.1) soit vraie.
Il existe plusieurs méthodes dont les deux suivantes :
Les tableaux : on travaille sur les lignes de P à l'aide de combinaisons linéaires spéci ques qui sont
appliquées simultanément à I . Une fois la matrice P transformée en I , I s'est quant à elle transformée
en P −1 .
1
2 CHAPITRE 1. INTRODUCTION. RAPPELS
. .
0 1 0 .. 1 0 0 (L1 ) ⇐ (L3 ) 1 0 0 .. 0 0 1 (L1 )
. .
2 0 1 .. 0 1 0 (L2 ) ⇐ (L1 ) ⇔ 0 1 0 .. 1 0 0 (L2 )
. .
1 0 0 .. 0 0 1 (L3 ) ⇐ (L2 ) 2 0 1 .. 0 1 0 (L3 ) ⇐ (L3 ) − 2(L1 )
.
1 0 0 .. 0 0 1 0 0 1
⇔ 0 1 0 ... 1 0 0 . On trouve ainsi P = 1 0 0 .
−1
. 0 1 −2
0 0 1 .. 0 1 -2
0 1 0 0 0 1 1 0 0
Véri cation : P P −1 = 2 0 1 . 1 0 0 = 0 1 0 I .
1 0 0 0 1 −2 0 0 1
−1 −1
On trouve de même P P = I , ce qui prouve que P est bien l'inverse de P .
Les systèmes : On résout le système matriciel P x = y avec x et y deux vecteurs quelconques de R3 .
Soient donc x = (x1 , x2 , x3 ) et y = (y1 , y2 ,y3 ).
0 1 0 x1 y1
Px = y ⇔ 2 0 1 x2 = y2
1 0 0 x y3
3
x 2 = y1 x 1 = y3
⇔ 2x1 + x3 = y2 ⇔ x 2 = y1
x 1 = y3 x3 = y2 − 2y3
x1 0 0 1 y1
⇔ x2 = 1 0 0 y2 ⇔ x = P −1 y .
x3 0 1 −2 y3
L'inverse d'une matrice trouve son intérêt essentiellement
dans l'inversion de systèmes linéaires. Sup-
y=4 (L1 ) ⇐ (L3 )
posons qu'on ait à résoudre le système (S) 2x + z = 5 (L2 ) ⇐ (L1 )
x=6 (L3 ) ⇐ (L2 )
(a) On peut utiliser la méthode du pivot de Gauss :
x = 6 (L1 ) x =6
(S) ⇔ y = 4 (L2 ) ⇔ y =4
2x +z = 5 (L3 ) ⇐ (L3 ) − 2(L1 ) z = −7
(b) On utilise l'inverse de la matrice exprimant (S). Le système (S) peut en eet se réécrire
0 1 0 x 4
2 0 1 y = 5
1 0 0 z 6
⇔ PX = −1 P X = P −1 b ⇔ IX = P −1 b ⇔ X = P −1 b
b ⇔P
x 0 0 1 4 6
⇔ y = 1 0 0 5 = 4 .
z 0 1 −2 6 −7
L'avantage de (a) est qu'on n'a pas à calculer explicitement l'inverse de P (même si on reconnaît des
opérations semblables apparaissant dans le calcul de l'inverse). Par contre, pour chaque second membre
diérent, il y a une résolution diérente.
L'avantage de (b) pallie l'inconvénient de (a), le seul défaut étant le calcul explicite de P −1 , qui n'est
pas toujours indispensable.
2. Retour à l'exemple. Maintenant qu'on dispose de P −1 , calculons le produit matriciel P DP −1 :
0 1 0 2 0 0 0 0 1 0 1 0 0 0 1 1 0 0
2 0 1 0 1 0 1 0 0 = 4 0 1 1 0 0 = 0 1 2 = A
1 0 0 0 0 1 0 1 −2 2 0 0 0 1 −2 0 0 2
(on rappelle que le produit matriciel est associatif c'est-à-dire que P DP −1 = (P D)P −1 = P (DP −1 )).
1.2. RAPPELS D'ALGÈBRE LINÉAIRE 3
Quels sont les intérêts de la diagonalisation ? Outre le fait que A se décompose comme un produit de
trois matrices dont l'une est diagonale, la diagonalisation propose les attraits suivants :
La puissance n-ième de A devient très simple à calculer. Par exemple,
A5 = (P DP −1 )5 = (P DP −1 )(P DP −1 )(P DP −1 )(P DP −1 )(P DP −1 ) =
P D(P −1 P )D(P −1 P )D(P −1 P )D(P −1 P )DP −1 = P (DDDDDD)P −1 = P D5 P −1 .
Comme D est une matrice diagonale,
D est très
5
simple
à calculer.
0 1 0
Les vecteurs colonnes de P soit 2 , 0 et 1 sont appelés les vecteurs propres de A. Les
1 0 0
coe cients {2, 1, 1} de D sont appelés les valeurs propres de A. Les valeurs propres et vecteurs propres
jouent un rôle prépondérant dans de nombreux aspects de la théorie économique puisqu'ils constituent
les éléments des solutions explicites des modèles linéaires dynamiques.
En outre, les signes des valeurs propres déterminent la stabilité de l'équilibre dans les modèles dyna-
miques non-linéaires.
Ces signes sont également l'élément clé pour déterminer la nature d'une matrice symétrique. Par consé-
quent, ils jouent un rôle central dans les conditions du second ordre qui distinguent les maxima des
minima dans les problèmes économiques.
Conclusion de l'introduction : les valeurs propres d'une matrice de format n × n sont les n nombres qui
résument les propriétés essentielles de cette matrice.
Connaissances essentielles :
mise en place d'un système linéaire,
résolution par la méthode de Gauss-Jordan,
traduction matricielle,
produit matriciel (procédure, propriétés du produit, élément neutre, inverse)
On rappelle ci-dessous les notions fondamentales utiles pour ce cours sur la diagonalisation.
1.2 Rappels d'algèbre linéaire
1.2.1 Notions de bases
Dé nition 1.2.1 Un tableau rectangulaire de la forme ci-dessous
a11 a12 . . . a1p
a21 a22 . . . a2p
A= . .. ..
.. . .
an1 an2 . . . anp
de n×p nombres (réels) disposés selon n lignes et p colonnes (n > 0, p > 0) est appelée une matrice de format
n × p. L'élément aij ∈ R de la matrice se trouve à l'intersection de la i-ième ligne et de la j -ième colonne.
La matrice A s'écrit également sous la forme A = [aij ] avec i = 1, . . . , n et j = 1, . . . , p. Une matrice ayant
n lignes et p colonnes est appelée matrice (n, p) ou n × p.
Dé nition 1.2.2 Le couple (n, p) est appelé la dimension de la matrice.
Dé nition 1.2.3 Une matrice de dimension (n, 1) est une matrice colonne.
Une matrice de dimension (1, p) est une matrice ligne.
Notation : L'ensemble des matrices de dimension (n, p) est noté Mn,p (R).
2 3
Exemple 1.2.1 Soit A = 4 2 alors A a pour dimension (3, 2), et par exemple a12 = 3, a31 = 1.
1 0
4 CHAPITRE 1. INTRODUCTION. RAPPELS
Dé nition 1.2.4 Soient B ′ = {e⃗1 ′ , e⃗2 ′ , . . . , e⃗n ′ } la base canonique (BC) de Rn et B ′ = {e⃗1 , e⃗2 , . . . , e⃗p } la
base canonique
∑n
de Rp . Soit A = [aij ] une matrice de dimension (n, p). Alors
c⃗j = k=1 akj e⃗k ′ est le j -ième vecteur colonne extrait de A, c'est un vecteur de Rn dont les coordonnées
sont (a1j , a2j , . . . , anj ).
∑
li = pk=1 aik e⃗k est le i-ième vecteur ligne extrait de A, c'est un vecteur de Rp dont les coordonnées
⃗
sont (ai1 , ai2 , . . . , aip ).
2 3
Exemple 1.2.2 Soient A = 4 2, B′ = {e⃗1 ′ , e⃗2 ′ , e⃗3 ′ } la BC de R3 , B = {e⃗1 , e⃗2 } la BC de R2 . Alors
1 0
c⃗1 = 2e⃗1 ′ + 4e⃗2 ′ + e⃗3 ′ , ⃗c2 = 3e⃗1 ′ + 2e⃗2 ′
l1 = 2e⃗1 + 3e⃗2 , l⃗2 = 4e⃗1 + 2e⃗2 , l⃗3 = e⃗1 .
⃗
1.2.2 Opérations sur les matrices
Dé nition 1.2.5 - Addition de deux matrices
Soient deux matrices A = [aij ] et B = [bij ] toutes deux de dimension (n, p). On additionne terme à terme
pour obtenir
A + B = [aij + bij ]
de dimension (n, p).
2 3 1 2
Exemple 1.2.3 Soient A = 4 2 et B = 0 1. On a alors
1 0 1 4
2 3 1 2 2+1 3+2 3 5
A + B = 4 2 + 0 1 = 4 + 0 2 + 1 = 4 3.
1 0 1 4 1+1 0+4 2 4
Propriété 1.2.1 Soient A, B et C trois matrices de dimension (n, p) et 0 la matrice (n, p) dont les éléments
sont tous égaux à 0. Alors
1. (A + B) + C = A + (B + C) (associativité),
2. A + 0 = A (élément neutre),
3. A + (−A) = 0 (opposé),
4. A + B = B + A (commutativité).
( )
a b
Remarque 1.2.1 L'opposé de A est dé ni par −A = [−aij ]. Par exemple, si A =
c d
alors −A =
( )
−a −b
.
−c −d
Dé nition 1.2.6 - Mutliplication d'une matrice par un scalaire
Soient A = [aij ] une matrice de dimension (n, p) et λ ∈ R. On dé nit la matrice λA comme matrice dont
tous les coe cients sont multipliés par λ : λA = [λaij ]. λA est aussi de dimension (n, p).
2 3 2 3 3×2 3×3 6 9
Exemple 1.2.4 Soient A = 4 2 et λ = 3. Alors λA = 3 4 2 = 3 × 4 3 × 2 = 12 6.
1 0 1 0 3×1 3×0 3 0
Remarque 1.2.2 L'opposé de A véri e −A = (−1)A.
1.2. RAPPELS D'ALGÈBRE LINÉAIRE 5
Propriété 1.2.2 Soient A et B deux matrices de dimension (n, p) et λ, µ deux réels.
1. λ(A + B) = λA + λB ,
2. (λ + µ)A = λA + µA,
3. (λµ)A = λ(µA),
4. 1 × A = A et 0 × A = 0.
Dé nition 1.2.7 - Multiplication de matrices
Soient A = [aij ] une matrice (n, p) et B = [bij ] une matrice (p, q) le produit des deux matrices C = AB a
pour dimension (n, q) et s'écrit :
∑
p
C = [cij ] avec cij = aik bkj pour i = 1, . . . , n et j = 1, . . . , q .
k=1
Remarque 1.2.3 Le produit de deux matrices n'est réalisable que si le nombre de colonnes de A (la matrice
à gauche) est égal au nombre de lignes de B (la matrice à droite).
( ) ( ) ( )
2 1 −4 2 −8 6
Exemple 1.2.5 Soient A =
1 4
et
0 2
. Le produit AB est réalisable et AB =
−4 10
.
Remarque 1.2.4 En général la multiplication de deux matrices n'est pas commutative :
Si AB existe, BA n'existe pas forcément.
Si BA existe alors généralement AB ̸= BA.
Propriété 1.2.3 Soient A(n, p), B(p, q), C(q, s), D(p, q) et E(q, n).
1. (AB)C = A(BC) (associativité [matrice de dimension (n, s)]),
2. A(B + D) = AB + AD (distributivité à gauche [matrice de dimension (n, q)]),
3. (B + D)E = BE + DE (distributivité à droite [matrice de dimension (p, n)]).
Dé nition1.2.8 - Transposition
de matrice
a11 a12 . . . a1p
a21 a22 . . . a2p
Soit A = . .. .. .. la matrice transposée de A notée A (ou
t t A) est la matrice obtenue en
.. . . .
an1 an2 . . . anp
écrivant les lignes de A en colonnes :
a11 a21 . . . an1
a12 a22 . . . an2
A = . .. .
t
.. . .
.. . . .
a1p a2p . . . anp
Si A a pour dimension (n, p) alors At a pour dimension (p, n).
2 3 ( )
Exemple 1.2.6 Soit A = 4 2. La matrice transposée de A est égale à At = 23 42 10 .
1 0
Propriété 1.2.4 Soient A(n, p), B(n, p), C(p, q) trois matrices et soit λ ∈ R, alors
1. (A + B)t = At + B t ,
2. (At )t = A,
3. (λA)t = λAt ,
4. (AC)t = C t At .
6 CHAPITRE 1. INTRODUCTION. RAPPELS
1.2.3 Matrices carrées, matrices élémentaires
Dé nition 1.2.9 Une matrice dont le nombre de lignes est égal au nombre de colonnes est appelée matrice
carrée. Si elle a pour dimension (n, n), on dit alors qu'elle est d'ordre n.
Rappelons que l'addition et la multiplication de matrices ne sont pas dé nies pour des matrices quel-
conques. Cependant, si on considère uniquement des matrices carrées d'ordre n donné, alors les opérations
d'addition, de multiplication par un scalaire, et de transposition sont dé nies et leurs résultats sont encore
des matrices carrées d'ordre n.
Dé nition 1.2.10 On appelle diagonale (ou diagonale principale) d'une matrice carrée d'ordre n, les élé-
ments a11 , a22 , . . . , ann de la matrice.
Dé nition 1.2.11 Une matrice carrée D = [dij ] est dite diagonale si tous ses éléments non diagonaux sont
nuls. Une telle matrice est fréquemment notée D = diag(d11 , d22 , . . . , dnn ) où certains ou tous les scalaires
dii peuvent être égaux à 0.
Dé nition 1.2.12 Une matrice carrée d'ordre n ne comportant que des 1 sur la diagonale principale et des
0 partout ailleurs, est notée In et est appelée matrice unité ou matrice identité.
Propriété 1.2.5 Quelle que soit A(n, p), AIn = In A = A.
Propriété 1.2.6 La matrice λIn , pour tout λ ∈ R, est appelée matrice scalaire. C'est la matrice diagonale
dont les éléments diagonaux sont tous égaux à λ.
Remarque 1.2.5 On parle de matrice scalaire car elle joue le même rôle que celui d'un scalaire dans la
multiplication d'une matrice par un scalaire : A(λIn ) = (λIn )A = λA.
Dé nition 1.2.13 Une matrice carrée A, d'ordre n, est dite inversible ou non singulière, s'il existe une
matrice carrée B d'ordre n telle que AB = BA = In . Une telle matrice B est unique, d'ordre n. On l'appelle
matrice inverse de A et on la note A−1 .
Remarque 1.2.6 La relation précédente est symétrique, c'est-à-dire que si B est l'inverse de A alors A est
l'inverse de B .
Dé nition 1.2.14 Une matrice carrée est dite symétrique si et seulement si At = A. Autrement dit si
∀i ̸= j , aij = aji .
Dé nition 1.2.15 Une matrice triangulaire est une matrice carrée dont les éléments au dessous (ou au
dessus) de la diagonale principale sont tous nuls.
1.3 Quelques matrices usuelles
1.3.1 Matrices de commandes et des prix
Pour un consommateur susceptible d'acheter n produits P1 , P2 , . . . , Pn , chacune de ses commandes cor-
respond à un vecteur C d'ordre n, soit C = (x1 , . . . , xn ) où xi désigne la quantité (par exemple le nombre
de kilos) du produit Pi . La quantité
totale
de tous les produits achetés par la commande C est donnée par
1
1
l'expression matricielle (x1 . . . xn )
.. .
.
1
Si la commande C est doublée, on obtient la commande 2C , dé nie par le produit du vecteur C par le scalaire
2.
1.3. QUELQUES MATRICES USUELLES 7
Si on globalise deux commandes C1 et C2 , on obtient la commande C1 + C2 , qui est la somme vectorielle des
deux vecteurs C1 et C2 .
Si on s'occupe à présent du prix total à payer pour une commande C = (x1 , . . . , xn ) et si le prix unitaire
du produit Pi vaut pi , le montant global à payer pour C est donné par le produit scalaire C t P où P est le
vecteur d'ordre n dont les composantes sont les pi .
Cet exemple simple montre que toutes les opérations fondamentales de l'algèbre vectorielle sont naturelles.
Son adaptation au cas de plusieurs consommateurs permet d'illustrer les principales opérations de l'algèbre
matricielle.
Supposons par exemple que 3 clients puissent acheter 4 produits. Pour xer les idées, on considère une
commande dé nie par la matrice
5 2 4 1
C = 3 0 2 3 ,
2 1 5 0
les lignes étant relatives aux personnes et les colonnes se rapportant aux biens. Les quantités globales (des
4 produits) achetées (par les 3 personnes) sont rassemblées dans un vecteur
colonne
d'ordre 3 (chaque ligne
1 12
se rapportant à un client) obtenu en eectuant le produit matriciel C 1 = 8 . De même les quantités
1 8
de chaque produit réellement commandées sont fournies par un vecteur ligne d'ordre 4 (chaque colonne se
rapportant à un bien), qui est le résultat du produit matriciel (1 1 1)C = (10 3 11 4). Pour doubler la
commande C , il su t de considérer la matrice 2C .
De la même manière, l'addition de deux commandes, résumées par les matrices C1 et C2 , est évidemment
donnée par la somme C1 + C2 . L'addition de deux matrices apparaît dès lors comme une opération tout à
fait naturelle.
Penchons nous à présent sur les prix unitaires de ces quatre produits : ils peuvent être rassemblés dans
une nouvelle matrice dont les lignes concernent les biens, la première colonne les prix unitaires d'achat et la
seconde colonne les frais unitaires de transport. À titre d'exemple, soit
4 0, 2
2 0, 1
P =
4
0, 3
5 0, 1
la matrice des prix unitaires pour les quatre articles considérés. Il est aisé de constater que les factures
globales à payer pour les clients pour l'achat et le transport de biens commandés à l'aide de la matrice C
sont réunies dans la matrice
45 2, 5
F = CP = 35 1, 5
30 2
tandis que les sommes totales à payer par chacun des trois clients sont données par le vecteur colonne
( ) 47, 5
1
T =F = 36, 5.
1
32
Ce vecteur T peut aussi être obtenu en multipliant la matrice C par le vecteur Q donnant, pour chaque
produit, le prix unitaire total à payer (soit la somme du prix unitaire d'achat et du prix unitaire de transport) :
4, 2
( ) 2, 1
T = CQ avec Q = P 1 1 =
4, 3.
5, 1
8 CHAPITRE 1. INTRODUCTION. RAPPELS
Cet exemple illustre bien la règle d'associativité de la multiplication matricielle.
Ainsi on constate que la mutliplication de la matrice C par le vecteur Q agit comme une application d'un
espace à 4 dimensions sur un espace à 3 dimensions ; cela signi e concrètement que les trois comptes peuvent
être obtenus à partir des 4 prix unitaires.
1.3.2 Matrices de fabrication
On considère la fabrication de diérents produits en admettant les deux hypothèses suivantes :
la production de k unités d'un produit réclame k fois les quantités de facteurs utilisées pour une seule
unité de ce produit,
la production simultanée d'une unité d'un produit A et d'une unité d'un produit B nécessite des
quantités de facteurs égales à la somme des quantité nécessaires pour fabriquer une unité de A et une
unité de B.
Ces deux conditions sont nalement très naturelles, elles confèrent un caractère linéaire à la production et
permettent d'illlustrer aisément les opérations matricielles de base.
En guise d'exemple, on analyse tout d'abord la fabrication de trois produits semi- nis S1 , S2 , S3 au moyen
de 4 facteurs primaires de production F1 , F2 , F3 et F4 (qui peuvent être, pour xer les idées, le travail, le
capital, l'énergie et des matières premières). La quantité du facteur Fj nécessaire pour fabriquer une unité de
produit Si est donnée par l'élément aij de la matrice M = [aij ] appelée matrice de fabrication. Les éléments
de M seront supposés xes aussi longtemps que la technique de production reste inchangée.
On prend comme exemple numérique :
100 50 3 6
M = 200 10 4 4.
150 20 5 5
Ainsi la production d'une unité de S1 réclame 100 (respectivement 50, 3, 6) unités de F1 (respectivement F2 ,
F3 et F4 ). De même pour S2 et S3 .
Pour fabriquer k unités de chaque produit, les quantités des facteurs utilisées seront donc données par les
éléments de la matrice kM . Par contre si on veut fabriquer des quantités diérentes des trois produits soit k1
(respectivement k2 et k3 ) unités de S1 (respectivement S2 et S3 ), les quantités de facteurs seront rassemblées
dans le produit matriciel diag(k1 , k2 , k3 )M .
Poursuivons l'examen de l'exemple. Les 3 produits semi- nis S1 , S2 et S3 servent à leur tour pour fabri-
quer 2 produits nis P1 et P2 . Pour obtenir une unité de produit Pi , il faut utiliser la quantité bij de Sj . Les
nombres bij sont les éléments d'une nouvelle matrice de fabrication N = [bij ]. Par exemple, soit
( )
5 8 6
N= .
2 4 2
Ainsi, il faut 5 (respectivement 8 et 6) unités de S1 (respectivement S2 et S3 ) pour fabriquer une unité de
P1 . De même pour P2 .
Les quantités de chaque facteur primaire intervenant dans la fabrication de chaque produit ni peuvent être
rassemblées dans une matrice P , dont les lignes se rapportent aux produits nis et les colonnes aux facteurs
primaires ; on obtient P en eectuant le produit matriciel N M . Avec les données ci-dessus on trouve
( )
3000 450 77 92
P =
1300 180 32 38
1.3.3 Le double classement en comptabilité
En comptabilité, on a souvent recours à la méthode en partie double, qui consiste à enregistrer deux fois
chaque opération ; une première fois au crédit d'un certain compte, une deuxième fois au débit d'un autre
compte. Pour éviter toute erreur, il convient de toujours véri er l'égalité entre la somme des crédits et des
débits.
1.3. QUELQUES MATRICES USUELLES 9
Ce double classement peut avantageusement être réalisé sous forme matricielle ; dans ce cas, nous verrons
que les contrôles sont automatiques.
On construit une matrice carrée d'ordre n, notée M = [aij ], dont les indices des lignes (respectivement de
colonnes) indiquent les numéros des comptes crédités (respectivement débités). Le nombre aij désigne la
somme débitée au compte j et créditée au compte i.
On considère à présent le vecteur colonne U composé de n éléments égaux à 1. Le produit matriciel M U
dé nit un vecteur colonne dont les éléments c1 , c2 , . . . , cn sont les sommes des crédits relatifs aux comptes
∑
n
correspondant aux indices de lignes, puisque c = aij . Par ailleurs le produit U t M donne un vecteur ligne
j=1
dont les éléments d1 , d2 , . . . , dn représentent la somme des débits correspondant aux indices de colonnes, car
∑
n
dj = aij . En résumé,
i=1
c1
c2
M U = . et U t M = (d1 d2 . . . dn ).
..
cn
La balance des comptes s'eectue en comparant les sommes des crédits et des débits. Or le total des dédits
de tous les comptes vaut
1
∑n
1
dj = (d1 d2 . . . dn ) . = (U t M )U
..
j=1
1
De même, le total des crédits de tous les comptes est égal à
c1
∑n c2
ci = (1 1 . . . 1) . = U t (M U )
..
i=1
cn
En vertu de l'associativité du produit matriciel, on a
∑
n ∑
n
(U t M )U = U t (M U ) = U t M U d'où dj = ci .
j=1 i=1
Ainsi l'ensemble des comptes est toujours en équilibre dans le double classement réalisé matriciellement.
1.3.4 Matrices de contingence
La répartition d'individus selon deux critères peut être décrite par une table de contingence. Il s'agit
d'une matrice N = [nij ], de format p × q , qui croise les p modalités d'une variable x et les q modalités d'une
variable y , l'élément nij désigne donc le nombre d'occurences simultanées des modalités i de x et j de y .
On note ni. (respectivement n.j ) la fréquence marginale de la ligne i (respectivement de la colonne j ), c'est-
à-dire la somme des nombres gurant sur la ligne i (respectivement de la colonne j ).
La ligne i de N dé nit la répartition des ni. individus possédant la modalité i de x selon les diverses modalités
de y .
Très souvent, on ne s'intéresse qu'au pro l des individus de la ligne i, c'est-à-dire aux probabilités condition-
nelles pour un individu d'appartenir à la modalité j de y sachant qu'il possède la modalité i pour x. Ceci
justi e le remplacement de la table N par la matrice
( )
nij
P1 = .
ni.
10 CHAPITRE 1. INTRODUCTION. RAPPELS
Des considérations analogues relatives aux modalités de y conduisent à étudier la matrice
( )
nij
P2 = .
n.j
Ces deux nouvelles matrices P1 et P2 peuvent être construites en multipliant N par une matrice diagonale
adéquate. De fait, pour Dl = diag(n1. , n2. , . . . , np. ) et Dc = diag(n.1 , n.2 , . . . , n.q ), P1 = Dl−1 N et P2 =
N Dc−1 , pour autant bien-entendu que chaque ni. et chaque n.j soit non nul.
Lorsque la table de contingence étudiée provient d'un échantillon extrait d'une population unique, il est
souvent intéressant de tester l'indépendance dans cette population de deux caractéristiques x et y . À cet
eet, on compare les fréquences observées à des fréquences théoriques calculées en supposant précisément
les deux caractéristiques indépendantes. Ces fréquences théoriques forment une matrice T , de même format
1
p × q , qui est donnée par le produit suivant : T = Dl U Dc où n désigne l'eectif de l'échantillon soit
n
∑p ∑
q
n= nij ,
i=1 j=1
et U est la matrice de format p × q dont tous les éléments sont égaux à 1. Pour évaluer l'accord entre les
éléments de N (ou fréquences onservées) et ceux de T (ou fréquences théoriques), on peut alors eectuer un
test statistique du χ2 .
Considérons l'exemple numérique suivant : on analyse les eectifs de la main d'÷uvre aux États-Unis en
1940, ils sont donnés (en millions) dans le tableau ci-dessous :
y
x
salariés chômeurs
Hommes 34 6,2
Femmes 11,2 1,8
( )
34 6, 2
La table de contingence N = donne naissance aux pro ls, des lignes et des colonnes, résumés
11, 2 1, 8
respectivement par les deux matrices diagonales
( ) ( )
40, 2 0 45, 2 0
Dl = et Dc = .
0 13 0 8
En supposant équivalente la répartition de l'emploi chez les hommes et les femmes, on obtient la matrice des
eectifs théoriques suivante :
( ) ( )
1 1 1 34, 15 6, 05
T = Dl Dc =
53, 2 1 1 11, 05 1, 95
matrice qui est visiblement assez proche de N . Concrètement, il y a donc lieu d'accepter l'hypothèse de
l'indépendance de la situation d'emploi et du sexe (cette conclusion intuitive est d'ailleurs con rmée par un
test du χ2 : la statistique χ2 vaut 0, 0179, qui est nettement inférieure à la valeur théorique 6, 63, pour un
degré de liberté , au seuil de signi cation de 1%).
1.3.5 Matrices de variances-covariances
Lorsqu'on étudie simultanément deux grandeurs x et y chez n individus, la i-ème personne est caractérisée
par les valeurs xi pour x et yi pour y . Ces informations peuvent être rassemblées dans une matrice de format
n × 2, chaque colonne ayant trait à une grandeur x ou y , chaque ligne à un individu. On désigne par
x 1 y1
x 2 y2
X= . ..
.. .
x n yn
1.3. QUELQUES MATRICES USUELLES 11
la matrice ainsi formée. La moyenne des xi (respectivement yi ) peut être obtenue en faisant le produit
1
(1 . . . 1)X = (x y) = m. Le nuage de points (xi , yi ) possède le point (x, y) comme centre de gravité (ou
n
barycentre). Les données deviennent centrées par rapport à leur moyenne grâce à l'opération suivante
x 1 − x y1 − y 1 1 1
x 2 − x y2 − y 1 1 ( ) 1
x 0
X0 = . .. = X − . . = X − . m.
.. . . .
. . 0 y ..
xn − x yn − y 1 1 1
1
En eectuant le produit X0t X0 , on obtient une matrice carrée d'ordre 2 et symétrique C , dont les éléments
n
diagonaux sont les variances V (x) = s2x et V (y) = s2y des xi et yi respectivement, les autres éléments valent
la covariance cov(x, y) = sxy des xi , yi . La matrice
( )
s2x sxy
C=
sxy s2y
est appelée la matrice de variances-covariances des xi et yi . Elle est semi-dé nie positive car, pour tout
vecteur V d'ordre 2,
1 1
V t CV = (X0 V )t X0 V = ∥X0 V ∥2 ≥ 0.
n n
Les valeurs propres de C sont donc positives ou nulles, leur somme étant égale à la somme s2x + s2y des
variances. Lorsque les écart-types sx et sy ne sont pas nuls, la matrice D = diag(sx , sy ) est inversible ; dans
ces conditions, D−1 CD−1 n'est rien d'autre que la matrice de corrélation, soit
( )
1 r
R= ,
r 1
sxy
où r est le coe cient de corrélation égal à . La matrice de corrélation est en fait la matrice de variances-
sx sy
covariances dans le cas de variables centrées et réduites, c'est-à-dire relatives aux données
x y1 −y
1 −x
sx sy
. ..
X1 =
.. .
−1
= X0 D .
xn −x yn −y
sx sy
Ces considérations peuvent être étendues au cas général de p caractères et n individus. La matrice des
observations (ou données) est X = [xij ] où xij représente la valeur du i-ième individu pour la j -ième
1
grandeur. Les moyennes sont rassemblées dans la matrice ligne m = (1 1 . . . 1)X où la i-ième composante
n
mi désigne la moyenne de la i-ième grandeur. On a
1 ... 1
X0 = [xij − mi ] = X − ... . . . ... diag(m1 , . . . , mp ),
1 ... 1
ou encore
1
1
X0 = X − . m.
..
1
Les matrices des variances et covariances et des corrélations, qui sont symétriques et semi-dé nies positives,
sont respectivement égales à
12 CHAPITRE 1. INTRODUCTION. RAPPELS
1 r12 ... r1p
X X0 et R = D−1 CD−1 = ... ..
1 t
C=
n 0 . ,
rp1 . . . rpp−1 1
où rij est le coe cient de corrélation des deux grandeurs d'indices i et j .
Ces matrices sont abondamment exploitées dans l'analyse statistique à plusieurs variables.
Chapitre 2
Les déterminants
Dans l'analyse des modèles économiques, on utilise couramment les déterminants. Ils servent par exemple
à déterminer si un système d'équations linéaires admet ou non une solution, à calculer une solution si
elle existe et à décider de la qualité de l'approximation par linéarisation d'un système d'équations non-
linéaires. Les déterminants sont également les outils-clés pour déterminer la nature d'une forme quadratique
et, par conséquent, comme test du second ordre pour distinguer les maxima des minima dans les problèmes
d'optimisation.
2.1 Dé nitions
Le déterminant est un nombre qui pour n'importe quelle matrice carrée donnée permet de tester la
non-singularité de la matrice
pour une matrice (a) de format 1×1, ce nombre ne peut être que a lui-même puisque a est inversible
si et seulement si a est diérent de 0,
pour une matrice n × n, sa forme échelonnée en ligne (ou triangulaire) ne doit pas comporter de ligne
composée uniquement de zéros
1. Pour une matrice 2 × 2, det(A) = a11 a22 − a21 a12 .
2. Pour une matrice 3 × 3, det(A) = a11 a22 a33 − a11 a23 a32 − a12 a21 a33 + a12 a23 a31 + a13 a21 a32 −
a13 a22 a31 (cette expression sera également obtenue en développant le déterminant de A à l'aide
de la règle de Sarrus).
3. Pour une matrice d'ordre n ≥ 4, l'astuce consiste à se ramener à des déterminants d'ordre in-
férieur jusqu'à obtenir des déterminants d'ordre 2 ou 3. On utilisera en général pour cela les
développements des déterminants selon les lignes ou les colonnes.
Illustration. A n d'échelonner les matrices, on utilise les mêmes techniques que lors de l'inversion d'un
système.
1. pour une matrice 2 × 2,
[ ]
a11 a12 (L1 ) ← (L1 )
a21 a22 (L2 ) ← a11 (L2 ) − a21 (L1 )
[ ]
a11 a12
⇔
0 a11 a22 − a21 a12
Dans le cas où a11 est non nul, A sera inversible si et seulement si a11 a22 − a21 a12 = det(A) ̸= 0.
2. pour une matrice 3 × 3,
a11 a12 a13 (L1 ) ← (L1 )
a21 a22 a23 (L2 ) ← a11 (L2 ) − a21 (L1 )
a31 a32 a33 (L3 ) ← a11 (L3 ) − a31 (L1 )
13
14 CHAPITRE 2. LES DÉTERMINANTS
⇔
a11 a12 a13 (L1 ) ← (L1 )
0 a11 a22 − a21 a12 a11 a23 − a21 a13 (L2 ) ← (L2 )
0 a11 a32 − a31 a12 a11 a33 − a31 a13 (L3 ) ← (a11 a32 − a31 a12 )(L2 ) − (a11 a22 − a21 a12 )(L3 )
⇔
a11 a12 a13
0 a11 a22 − a21 a12 a11 a23 − a21 a13
0 0 −a11 (a11 a22 a33 − a11 a23 a32 − a12 a21 a33 + a12 a23 a31 + a13 a21 a32 − a13 a22 a31 )
Dans le cas où a11 est non nul, A sera inversible si et seulement si a11 a22 a33 − a11 a23 a32 − a12 a21 a33 +
a12 a23 a31 + a13 a21 a32 − a13 a22 a31 = det(A) ̸= 0.
Remarque 2.1.1 Dans les deux expressions précédentes, on note que tous les termes de la matrice A
interviennent.
Pour des matrices carrées de taille n supérieures, on a le
Théorème 2.1.1 - Méthode des cofacteurs
Soit A une matrice de format n × n où A = [aij ] 1≤i≤n alors quels que soient i ou j , on a
1≤j ≤n
∑
n
det(A) = |A| = (−1)i+k aik det(Ai,k ) (développement suivant les éléments de la ligne i)
k=1
∑
n
= (−1)h+j ahj det(Ah,j ) (développement suivant les éléments de la colonne j )
h=1
où Ai,j est la sous-matrice de format (n − 1) × (n − 1) obtenue par la suppression dans A de la ligne i et de
la colonne j ).
det(Ai,j ) est appelé le mineur de aij , Xij = (−1)i+j det(Aij ) est appelé le cofacteur de l'éléments aij .
Remarque 2.1.2 La répartition des signes (−1)i+j devant les mineurs est alternée à partir du signe + pour
l'élément a11 . Par exemple, pour un déterminant d'ordre 5, on a la répartition suivante :
+ − + − +
− + − + −
+ − + − +
− + − + −
+ − + − +
Théorème 2.1.2 Soit A une matrice carrée d'ordre n. Alors
A est une matrice inversible si et seulement si det(A) ̸= 0
.
1 0 0
Exemple 2.1.1 Soit A = 0 1 2 issue de l'exemple 1.1.1. On sait que A est inversible puisqu'elle
0 0 2
s'écrit comme un produit de matrices inversibles. Véri ons le à l'aide des déterminants, on développe la
matrice selon une ligne ou une colonne (où il y généralement une majorité de zéros, a n de simpli er les
calculs). Par exemple, si on développe
selon la première ligne :
1 2 0 2 0 1
|A| = (−1)1+1 × (1) × + (−1)1+2 × (0) × + (−1)1+3 × (0) × = 2 ̸= 0.
0 2 0 2 0 0
selon la première colonne :
1 2 0 0 0 0
|A| = (−1)1+1 × (1) × + (−1)2+1 × (0) × + (−1)3+1 × (0) × = 2 ̸= 0.
0 2 0 2 1 2
2.1. DÉFINITIONS 15
Bien évidemment, quelle que soit la ligne ou la colonne utilisée, on retrouvera le même déterminant.
2 3 1 −1
0 1 4 −1
Exemple 2.1.2 Soit A =
0 0 2 4
. Étudions l'inversibilité de A. On développe le déterminant de
4 6 2 0
A selon la troisième ligne (par exemple) :
2 3 −1 2 3 1
|A| = (−1)3+3 × (2) × 0 1 −1 + (−1) 3+4 × (4) × 0 1 4
4 6 0 4 6 2
On décide de développer le premier et le second déterminant selon la première colonne car ils orent tous les
deux le même avantage. Donc
[ ]
1 −1 3 −1
|A| = 2 × (−1)1+1 × (2) × + (−1)3+1 × (4) × −4×
6 0 1 −1
[ ]
1 4 3 1
(−1)1+1 × (2) × + (−1)3+1 × (4) × = 2 × (+12 − 8) − 4 × (−44 + 44) = 8 ̸= 0,
6 2 1 4
ce qui signi e que A est inversible et donc que tout sytème linéaire utilisant cette matrice admet une solution
unique.
Remarque 2.1.3 Dans l'exemple précédent,
on a pu
remarquer que le second déterminant de taille 3 × 3
2 3 1
était nul, ce qui signi e que la matrice 0 1 4 est non-inversible ou singulière. On peut également
4 6 2
remarquer qu'une matrice inversible de taille 4 × 4 peut très bien impliquer des sous-matrices de taille
inférieure pouvant être quant-à elles non-inversibles.
2 3 1
Exemple 2.1.3 Soit A = 1 −1 0 . Étudions l'inversibilité de A.
5 5 2
2 3 1
3 1 2 1
|A| = 1 −1 0 = (−1)2+1 ×(1)× +(−1)2+2 ×(−1)× = −1+1 = 0 donc A est non-inversible.
5 2 5 2
5 5 2
Remarque 2.1.4 Si A est construite de telle façon qu'au moins une ligne ou au moins une colonne soit
combinaison linéaire de lignes ou de colonnes respectivement alors A est non-inversible ce qui est le cas ici.
En eet, (L3 ) = 2 × (L1 ) + (L2 ). Malgré tout, il est di cile de le voir à l'oeil nu.
Remarque 2.1.5 Considérons un système linéaire basé sur A, par exemple
2x +3y +z = 1 (L1 )
x −y = 1 (L2 ) ← 2(L2 ) − (L1 )
5x +5y +2z = 1 (L3 ) ← 2(L3 ) − 5(L1 )
2x +3y +z = 1 (L1 )
⇔ −5y −z = 1 (L2 )
−5y −z = −3 (L3 )
et on voit bien ainsi que (L2 ) et (L3 ) sont incompatibles.
16 CHAPITRE 2. LES DÉTERMINANTS
2.2 Propriétés
Proposition 2.2.1 Pour toute matrice A carrée d'ordre n,
det(A) = det(At )
.
Donc toute propriété concernant les relations entre les lignes d'une matrice et la valeur de son déterminant
est aussi vraie lorsqu'on applique la relation entre les colonnes et la valeur du déterminant.
Proposition 2.2.2 Si la matrice B est obtenue à partir d'une permutation de deux lignes (ou deux colonnes)
de la matrice A de format n × n alors
det(B) = − det(A)
Proposition 2.2.3 Si deux lignes (ou colonnes) de A sont égales
det(A) = 0
Proposition 2.2.4 On ne modi e pas un déterminant si on ajoute à une ligne (respectivement une colonne)
une combinaison linéaire des autres lignes (respectivement des autres colonnes).
Proposition 2.2.5 Si la matrice B est construite en multipliant chaque élément de la ligne (colonne) i de
la matrice A par un scalaire λ alors
det(B) = λ det(A)
Proposition 2.2.6 Si la matrice B est construite en multipliant chaque élément de la matrice A par un
scalaire λ alors
det(B) = λn det(A)
Proposition 2.2.7 Si la matrice A contient une ligne (colonne) composée uniquement de zéros alors
det(A) = 0
Proposition 2.2.8 Le déterminant de la matrice identité I d'ordre n est égal à 1.
Proposition 2.2.9 Le déterminant d'une matrice diagonale A est égal au produit de ses éléments diagonaux
principaux.
Proposition 2.2.10 Le déterminant d'une matrice triangulaire supérieure ou inférieure est égal au produit
de ses éléments diagonaux principaux.
Théorème 2.2.1 Soient A et B deux matrices quelconques de format n × n alors
det(AB) = det(A) det(B)
Théorème 2.2.2 Si A est inversible alors
1
det(A−1 ) =
det(A)
2.3. UTILISATIONS DU DÉTERMINANT 17
2.3 Utilisations du déterminant
Puisque le déterminant nous apprend si A−1 existe ou pas et si le système Ax = b admet une solution
unique ou non, il n'est pas surprenant qu'on puisse se servir du déterminant pour obtenir une formule pour
A−1 et une formule pour la solution du système. On a besoin pour cela de la matrice adjointe de A ou
co-matrice de A.
Dé nition 2.3.1 Considérons une matrice carrée A d'ordre n, la matrice des cofacteurs Xij des éléments
aij de A notée adjA (ou comA) est appelée matrice adjointe de A (ou co-matrice de A).
adjA = comA = [Xij ] = [(−1)i+j det(Aij )].
Théorème 2.3.1 Soit A une matrice carrée non-singulière. Alors,
A × (adjA)t = (adjA)t × A = det(A) × In où In est la matrice identité d'ordre n.
Théorème 2.3.2 Soit A une matrice carrée non-singulière. Alors,
1
1. A−1 = (adj(A))t , et
det(A)
2. (règle de Cramer) la solution unique x = (x1 , x2 , . . . , xn ) du système Ax = b d'ordre n est
det(Bi )
xi = pour i = 1, . . . , n
det(A)
où Bi est la matrice A dans laquelle le membre de droite b (ou second membre) remplace la i-ième
colonne de A.
Illustration pour les systèmes d'ordre 3 : on considère le système :
a11 x + a12 y + a13 z = b1
a21 x + a22 y + a23 z = b2 .
a31 x + a32 y + a33 z = b3
La règle de Cramer énonce que (x1 , x2 , x3 ) est solution du précédent système avec
b1 a12 a13 a11 b1 a13 a11 a12 b1
b2 a22 a23 a21 b2 a23 a21 a22 b2
b3 a32 a33 a31 b3 a33 a31 a32 b3
x1 = , x2 = et x3 =
a11 a12 a13 a11 a12 a13 a11 a12 a13
a21 a22 a23 a21 a22 a23 a21 a22 a23
a31 a32 a33 a31 a32 a33 a31 a32 a33
Exemple 2.3.1 Reprenons le système de l'exemple 1.1.1 soit
0 1 0 x 4 y = 4
2 0 1 y = 5 ⇔ 2x + z = 5
1 0 0 z 6 x = 6
0 1 0
Utilisons le théorème 2.3.2 et 1. pour retrouver l'inverse de P . On a det(P ) = 1 et adjP = 0 0 1
1 0 −2
0 0 1
1
donc P −1 = (adjP )t = 1 0 0 . On retrouve bien le résultat.
det(P )
0 1 −2
Utilisons le théorème 2.3.2 et 2. pour retrouver la solution du système.
4 1 0 0 4 0 0 1 4
5 0 1 2 5 1 2 0 5
6 0 0 1 6 0 1 0 6
x= = 6, y = = 4 et z = = −7.
|P | |P | |P |
On retrouve bien le résultat.
18 CHAPITRE 2. LES DÉTERMINANTS
2.4 Applications économiques
Cas de l'ore et de la demande
Prenons l'exemple de l'ore et de la demande dans une économie à deux biens. Notons Qs1 et Qs2 les quantités
de chaque bien oertes par les rmes sur le marché et Qd1 et Qd2 les demandes correspondantes exprimées
par les consommateurs. Notons P1 et P2 les prix des biens et Y le revenu des consommateurs. Nous allons
étudier dans ce paragraphe des outils de base de l'économie appliquée : les fonctions d'ore et de demande
à élasticité constante.
Qd1 = K1 P1a11 P2a12 Y b1 ,
Qd = K2 P1a21 P2a22 Y b2 ,
2
(2.1)
Qs = M1 P1n1 ,
1s
Q2 = M2 P2n2 .
Dans ces fonctions, les élasticités intéressantes sont constantes et sont données par les exposants a11 , a12 ,
a21 , a22 , b1 , b2 , n1 et n2 . Par exemple, pour le bien 1, nous avons les élasticités suivantes :
• a11 = élasticité-prix de la demande,
• a12 = élasticité-prix croisée de la demande (avec le prix du bien 2),
• b1 = élasticité revenu de la demande,
• n1 = élasticité-prix de l'ore.
Un second avantage de ces fonctions est qu'on peut les rendre linéaires en prenant le logarithme népérien
dans les deux membres des équations (2.1) et en posant :
qis ≡ ln Qsi , qid ≡ ln Qdi , pi ≡ ln Pi et y ≡ ln Y .
Les élasticités sont maintenant des coe cients du système
d
q1 = k1 + a11 p1 + a12 p2 + b1 y,
qd = k2 + a21 p1 + a22 p2 + b2 y,
2
(2.2)
q1s
= m1 + n 1 p1 ,
s
q2 = m2 + n 2 p2 .
où les aij , bi et ni sont les élasticités, et les ki et mi sont les logarithmes des Ki et Mi .
L'égalisation de l'ore et de la demande conduit aux prix d'équilibre : Qsi = Qdi , et donc qis = qid pour
i = 1, 2. Si Qs1 ≥ Qd1 , la demande des consommateurs engendrera un prix P1 inférieur ; si Qs1 ≤ Qd1 , la
demande des consommateurs engendrera un prix P1 supérieur. L'égalité qis = qid aboutit au système suivant :
{
−(−a11 + n1 )p1 + a12 p2 = m1 − k1 − b1 y
(2.3)
a21 p1 − (−a22 + n2 )p2 = m2 − k2 − b2 y
où les revenus sont considérés comme exogènes (une variable exogène est par dé nition explicative, elle est
tirée d'observations et souvent d'un consensus qui permet de l'utiliser dans un modèle). La règle de Cramer
permet de résoudre explicitement le système (2.3) pour les deux variables endogènes p1 et p2 (endogène
signi e généré à l'intérieur du système) :
m 1 − k1 − b 1 y a12
m2 − k2 − b2 y −(−a22 + n2 ) (−a22 + n2 )(−m1 + k1 + b1 y) + a12 (−m2 + k2 + b2 y)
p1 = = , (2.4)
−(−a11 + n1 ) a12 (−a11 + n1 )(−a22 + n2 ) − a12 a21
a21 −(−a22 + n2 )
−(−a11 + n1 ) m1 − k1 − b1 y
a21 m2 − k2 − b2 y (−a11 + n1 )(−m2 + k2 + b2 y) + a21 (−m1 + k1 + b1 y)
p2 = = . (2.5)
−(−a11 + n1 ) a12 (−a11 + n1 )(−a22 + n2 ) − a12 a21
a21 −(−a22 + n2 )
2.4. APPLICATIONS ÉCONOMIQUES 19
Ces expressions sont compliquées, les obtenir par la méthode du pivot de Gauss appliquée au système (2.3)
aurait été fastidieux avec beaucoup de risque d'erreur.
Les équations (2.4) et (2.5) permettent d'observer comment les prix d'équilibre varient en fonction des pa-
ramètres du modèle, c'est-à-dire, ici, en fonction des élasticités.
Faisons l'hypothèse que les deux biens sont des biens normaux, c'est-à-dire que leur demande augmente
lorsque le revenu des consommateurs augmente et, en conséquence, qu'elle diminue lorsque les prix aug-
mentent. Appliquée à notre modèle, cette hypothèse induit que b1 et b2 sont positifs et que a11 et a22 sont
négatifs. Supposons maintenant qu'une variation du prix du bien 1 ait un eet plus important sur la demande
du bien 1 que sur celle du bien 2, et que l'on ait la même relation pour le bien 2. Mathématiquement, cela
se traduit par |a11 | > |a12 | et |a21 | > |a22 |, et implique que les dénominateurs de (2.4) et (2.5) sont positifs.
On peut remarquer dans les équations (2.4) et (2.5) que, pour le bien i, si on augmente l'élasticité-prix de
la demande aii , l'élasticité-prix de l'ore ni ou l'élasticité-revenu bi , alors le prix d'équilibre pi diminuera.
Les eets de ces paramètres sur pj dépendent du signe de l'élasticité croisée aji . Si aji est positif, cela si-
gni e qu'une augmentation de pi augmente la demande qjd en bien j . Les biens i et j sont appelés biens
substituables ou biens substituts. À l'observation d'une augmentation du prix du bien i, le consommateur
répondra en substituant le bien j au bien i. Dans ce cas, une augmentation de aii ou ni , ou une diminution
de bi impliquent une diminution du prix d'équilibre pj . Si aji est négatif, les biens i et j sont appelés biens
complémentaires, ou encore on dit que le bien j est complémentaire au bien i. Dans ce cas, une augmentation
de aii ou ni , ou une diminution de bi entraînent une augmentation du prix d'équilibre pj .
Cette approche permet également d'apprécier les eets, sur les prix d'équilibre, de la mise en place de
taxes. Supposons que le gouvernement impose une taxe proportionnelle t sur la consommation du bien 1.
Le prix pour les consommateurs est donc augmenté et s'établit à (1 + t)P1 au lieu de P1 . Cela modi e les
fonctions de demande dans le système (2.1) mais pas les fonctions d'ore. Les logarithmes des fonctions de
demande dans (2.2) deviennent
q1d = k1 + a11 ln(1 + t) + a11 p1 + a12 p2 + b1 y ,
q2d = k2 + a21 ln(1 + t) + a21 p1 + a22 p2 + b2 y
et les équations d'équilibre s'écrivent alors
{
−(−a11 + n1 )p1 + a12 p2 = m1 − k1 − a11 ln(1 + t) − b1 y,
a21 p1 − (−a22 + n2 )p2 = m2 − k2 − a21 ln(1 + t) − b2 y.
La solution de ce système, obtenue par la règle de Cramer est
(−a22 + n2 )(−m1 + k1 + a11 ln(1 + t) + b1 y) + a12 (−m2 + k2 + a21 ln(1 + t) + b2 y)
p1 = , (2.6)
(−a11 + n1 )(−a22 + n2 ) − a12 a21
(−a11 + n1 )(−m2 + k2 + a21 ln(1 + t) + b2 y) + a21 (−m1 + k1 + a11 ln(1 + t) + b1 y)
p2 = . (2.7)
(−a11 + n1 )(−a22 + n2 ) − a12 a21
Le coe cient de ln(1 + t) dans p1 est
−a11 (−a22 + n2 ) − a12 a21
− .
(−a11 + n1 )(−a22 + n2 ) − a12 a21
Il est généralement négatif, compris entre 0 et −1. Ainsi, la mise en place d'une taxe sur le bien 1 devrait
diminuer le prix d'équilibre (hors taxe) du bien 1. Le coe cient de ln(1 + t) dans p2 est
n1 a21
.
(−a11 + n1 )(−a22 + n2 ) − a12 a21
Ainsi, la taxe sur le bien 1 augmentera le prix d'équilibre du bien 2 si celui-ci est un bien substituable au
bien 1 (a21 ≥ 0) ou au contraire le diminuera si c'est un bien complémentaire du bien 1 (a21 ≤ 0).
20 CHAPITRE 2. LES DÉTERMINANTS
Chapitre 3
Valeurs propres et vecteurs propres
3.1 Dé nitions et exemples
Dé nition 3.1.1 Soit A une matrice carrée. Une valeur propre de A est un nombre λ qui, quand il est
sosutrait à chaque élément de la diagonale principale de A, transforme A en une matrice singulière.
Remarque 3.1.1 Soustraire un scalaire λ à chaque élément de la diagonale principale de A est identique
à soustraire λ fois la matrice identité à A. Par conséquent λ est une valeur propre de A si et seulement si
A − λI est une matrice singulière.
3 1 1
Exemple 3.1.1 Soit la matrice A = 1 3 1 . En soustrayant 2 à chaque élément de la diagonale
1 1 3
principale, la matrice A devient une matrice singulière. Par conséquent, 2 est une valeur propre de A.
( )
2 0
Exemple 3.1.2 Soit la matrice diagonale 0 3 . En soustrayant soit 2 soit 3 à la matrice diagonale
( ) ( )
0 0 −1 0
principale, on aboutit aux matrices singulières et respectivement. Donc 2 et 3 sont
0 1 0 0
des valeurs propres de A.
Cet exemple illustre un principe général concernant les valeurs propres d'une matrice diagonale.
Théorème 3.1.1 Les éléments diagonaux principaux d'une matrice diagonale D sont les valeurs propres de
D.
Le théorème suivant est une autre conséquence directe de la dé nition d'une valeur propre.
Théorème 3.1.2 Une matrice carrée est singulière si et seulement si 0 est une valeur propre de A.
( )
1 −1
Exercice 1 Trouver, en étudiant simplement la structure de B = −1 1
, ses valeurs propres.
Réponse : 0 car B est singulière ((L1 ) = −(L2 )) et 2 car B − 2I est singulière.
Exemple 3.1.3 Une matrice( M dont les)éléments sont positifs et dont la somme des éléments de chaque
1/4 3/4
ligne est égale à 1, telle que est appelée matrice de Markov et joue un rôle essentiel dans les
2/3 1/3
systèmes économiques dynamiques. On remarque que M − 1.I est singulière donc 1 est une valeur propre de
M.
21
22 CHAPITRE 3. VALEURS PROPRES ET VECTEURS PROPRES
Pour la plupart des matrices il n'est pas possible de trouver par intuition les valeurs propres, une démarche
plus générale est alors nécessaire.
On sait que λ est une valeur propre de A, c'est-à-dire que A − λI est une matrice singulière, si et seulement
si
det(A − λI) = 0 (3.1)
Pour une matrice carrée d'ordre n, le membre de gauche de l'équation (3.1) est un polynôme de degré n,
fonction de la variable λ, appelé polynôme caractéristique de A. Donc λ est une valeur propre de A si et
seulement si λ annule le polynôme caractéristique de A.
Exemple 3.1.4 Soit une matrice carrée d'ordre 2 quelconque, le polynôme caractéristique
( )
a11 − λ a12
det(A − λI) = det = λ2 − (a11 + a22 )λ + (a11 a22 − a12 a21 )
a21 a22 − λ
est de degré 2 et admet au plus deux racines.
On rappelle maintenant qu'une matrice carrée B est non-singulière si l'unique solution de Bx = 0 est x = 0.
Inversement, B est singulière si et seulement si le système Bx = 0 admet une solution non nulle.
On a donc le théorème suivant :
Théorème 3.1.3 Soit A une matrice carrée d'ordre n et soit λ un scalaire. Les conditions suivantes sont
équivalentes :
1. En soustrayant λ à chaque élément de la diagonale principale de A, la matrice transformée de A devient
une matrice singulière,
2. A − λI est une matrice singulière,
3. det(A − λI) = 0,
4. (A − λI)x = 0 pour un vecteur non nul
5. Ax = λ pour un vecteur non nul x.
Dé nition 3.1.2 Quand λ est une valeur propre de A, un vecteur non nul x tel que (A − λI)x = 0 est
appelé un vecteur propre de A associé à la valeur propre λ.
Faire l'analyse spectrale revient à connaître les valeurs propres d'une matrice et les vecteurs propres associés.
( )
−1 3
Exemple 3.1.5 Déterminons les valeurs propres et les vecteurs propres de la matrice A = 2 0
. Le
−1 − λ 3
polynôme caractéristique est det(A − λI) = = λ(λ + 1) − 6 = λ2 + λ − 6 = (λ + 3)(λ − 2).
2 −λ
Les valeurs propres de A, c'est-à-dire −3 et 2, sont les racines du polynôme caractéristique. Pour déterminer
les vecteurs propres associés,
( on) résout
( )(A −(λI)x) = 0{pour chaque valeur propre de A :
2 3 x1 0 2x1 + 3x2 = 0
• (A − (−3)I)x = = ⇔ .
2 3 x2 0 2x1 + 3x2 = 0
Il existe pour ce système une in nité
( de solutions,
) on peut prendre par exemple x1 = 3 et x2 (= −2 et )
en
3 1
conclure qu'un vecteur propre est . On pouvait considérer d'autres vecteurs tels que ,
−2 −2/3
( )
−3
correspondant à d'autres choix de x1 et x2 mais on remarquera que tous ces vecteurs sont
2
3 2
colinéaires. En fait, (A − (−3)I)x = 0 ⇔ 2x1 + 3x2 = 0 ⇔ x1 = − x2 ou x2 = − x1 . Dans le premier
2 3
2 2 3 3
cas, x = (x1 , x2 ) = (x1 , − x1 ) = x1 (1, − ) et dans le second, x = (x1 , x2 ) = (− x2 , x2 ) = x2 (− , 1).
3 3 2 2
L'ensemble (espace vectoriel de dimension 1 dans le cas de la valeur propre précédente) de toutes les
solutions de l'équation linéaire (A − λI)x (incluant x = 0) est appelé l'espace propre de A pour la
valeur λ.
3.2. RÉSOLUTION DES SYSTÈMES D'ÉQUATIONS DE RÉCURRENCE LINÉAIRES HOMOGÈNES 23
( )( ) ( ) {
−3 3 x1 0 −3x1 + 3x2 = 0
• (A − 2I)x = = ⇔ .
2 −2 x2 0 2x1 − 2x2 = 0
( )
1
La solution la plus simple est mais tout multiple de ce vecteur est également un vecteur propre
1
associé à 2. En eet, (A − 2I)x = 0 ⇔ x = (x1 , x1 ) = x1 (1, 1) ou x = (x2 , x2 ) = x2 (1, 1). Dans les deux
cas, l'espace propre pour la valeur propre 2 est engendré par le vecteur unitaire dans R2 .
1 0 2
Exemple 3.1.6 Calculons les valeurs propres et les vecteurs propres de la matrice B = 0 5 0.
3 0 2
det(B − λI) = (5 − λ)(λ − 4)(λ + 1) ⇒ Sp(B) = {−1, 4, 5}. On peut en déduire ensuite que v1 = (0, 1, 0)
est un vecteur propre associé à λ = 5, v2 = (2, 0, 3) un vecteur propre associé à λ = 4 et v3 = (1, 0, −1) un
vecteur propre associé à λ = −1.
Remarque 3.1.2 Dans certains problèmes, on aura besoin d'utiliser la méthode du pivot de Gauss pour
résoudre le système linéaire (A − λI)x = 0 en cherchant un vecteur propre x.
3.2 Résolution des systèmes d'équations de récurrence linéaires homo-
gènes
On s'intéresse dans cette partie à des systèmes d'équations de récurrence d'ordre 1, homogènes et sta-
tionnaires, qui s'écrivent sous la forme Xn = AXn−1 où Xn−1 représente le vecteur dans Rk des états à la
date n − 1, où Xn représente le vecteur dans Rk des états atteints à la date n et où A est la matrice de
transformation entre la date n − 1 et la date n.
Comme le vecteur d'états Xn ne dépend que du seul vecteur Xn−1 des états à la date immédiatement anté-
rieure, les équations de récurrence sont d'ordre 1.
Comme la relation est une transformation linéaire et non a ne, ce sont des équations homogènes, qui sont
toujours véri ées pour le vecteur d'états nul.
En n, comme la matrice A est indépendante de la date à laquelle on se place, on a des équations stationnaires.
3.2.1 Exemples
(a) Equations en dimension 1
Un exemple typique d'une telle équation est
yn+1 = ayn (3.2)
pour une constante a quelconque. Cette équation de récurrence traduit le fait que le niveau de y , quelle
que soit la période, sera proportionnel à son niveau de la période précédente, avec a comme constante de
proportionnalité (exemple : intérêts annuels composés). Une solution de (3.2) est l'expression yn en fonction
de la valeur initiale y0 , de a et de n soit
yn = an y0 .
Exemple 3.2.1 Soit yn le montant d'argent placé sur un compte d'épargne dont le capital n'a pas été touché
et dont les intérêts sont composés annuellement à l'année n. L'année suivante, il y aura
( )
t t
yn + yn = 1+ yn où t
100 100
est le taux d'intérêt annuel. Donc si y0 = 1000, t = 5 et n = 4, le montant d'argent à la quatrième année se
chire par y4 = (1, 05)4 × 1000 = 1215, 5 euros.
24 CHAPITRE 3. VALEURS PROPRES ET VECTEURS PROPRES
3.2.2 Systèmes en dimension 2
Considérons maintenant un système de deux équations de récurrence linéaires homogènes tel que
{
xn+1 = axn + byn
(3.3)
yn+1 = cxn + dyn
où la valeur de chaque variable dépend linéairement du niveau des deux variables à la période précédente.
Exemple 3.2.2 Modèle d'emploi dynamique
{
xn+1 = qxn + pyn
yn+1 = (1 − q)xn + (1 − p)yn
où xn représente le nombre de personnes actives et employées durant la période n et yn le nombre de personnes
actives mais sans emploi à la période n, p est la probabilité qu'une personne sans emploi trouve un travail à
la période suivante et q la probabilité qu'une personne active reste employée d'une période à l'autre.
Ainsi, sous forme matricielle, le système d'equations de récurrence (3.3) devient :
( ) ( )( )
xn+1 a b xn
zn+1 = = = Azn . (3.4)
yn+1 c d yn
La solution de (3.4) est donnée par
zn = An z0
en supposant que z0 soit connu.
3.2.3 Le modèle de population de Leslie
On pourra se référer au TP Démographie des populations avec structure d'âge : Matrices de Leslie de
Thomas DELATTRE et Cédric WOLF disponible sur http : //ecobio.univ−rennes1.f r/F ichesp erso/CW olf /
a n de se familiariser avec ce concept.
3.3 Systèmes théoriques en dimension 2 et dimension k
On est ramené, pour résoudre (3.4), à calculer An , ce qui est très souvent long et fastidieux.
Supposons que A admette deux valeurs propres λ1 et λ2 , de vecteurs propres v1 et v2 respectifs alors
{
Av1 = λ1 v1
Av2 = λ2 v2
⇔ [Av1 Av2 ] = [λ1 v1 λ2 v2 ]
( )
λ1 0
⇔ A[v1 v2 ] = [v1 v2 ] (3.5)
0 λ2
( )
λ 0
En posant [v1 v2 ] = P et D = 1 , la relation (3.5) peut s'écrire
0 λ2
AP = P D
ou encore
A = P DP −1
si P est inversible. Ainsi, le calcul de An devient très simple puisque
An = P Dn P −1
3.4. PROPRIÉTÉS DES VALEURS PROPRES 25
comme cela a été vu dans l'introduction.
Cette démarche s'applique aussi pour des systèmes de dimension k.
Théorème 3.3.1 Soit A une matrice de format k × k . Soient λ1 , λ2 , . . . , λk les valeurs propres de A et
v1 , v2 , . . . , vk les vecteurs propres associés. Soit P = [v1 v2 . . . vk ] la matrice dont les colonnes sont ces
vecteurs propres alors, si P est inversible,
λ1 0 . . . . . . 0
0 λ2 0 ... 0
−1 .. . . . . . . ..
P AP = . . . . . = D.
0 . . . 0 λk−1 0
0 ... ... 0 λk
Réciproquement, si P −1 AP est une matrice diagonale D, alors les colonnes de P sont des vecteurs propres
de A et les éléments de la diagonale principale de D sont les valeurs propres de A.
Remarque 3.3.1 Une hypothèse fondamentale du théorème précédent est que la matrice P , dont les co-
lonnes sont les vecteurs propres de A, soit une matrice inversible. Cette hypothèse stipule donc que la matrice
A de format k × k possède k vecteurs propres linéairement indépendants.
Théorème 3.3.2 Soient λ1 , λ2 , . . . , λk k valeurs propres disctinctes de la matrice A de format k × k. Soient
v1 , . . . , vk des vecteurs propres associés. Les vecteurs v1 , . . . , vk sont alors linéairement indépendants.
Corollaire 3.3.1 Si la matrice A de format k × k possède k valeurs propres distinctes alors P = [v1 . . . vk ]
est inversible.
Théorème 3.3.3 Soit A une matrice carrée d'ordre k avec k valeurs propres réeles distinctes λ1 , λ2 , . . . , λk
et soient v1 , v2 , . . . , vk des vecteurs propres associés. La solution générale du système d'équations de récurrence
zn+1 = Azn est
zn = (Z0 )1 λn1 v1 + (Z0 )2 λn2 v2 + . . . + (Z0 )k λnk vk
| {z } | {z } | {z }
c1 c2 ck
où Z0 = ((Z0 )1 . . . (Z0 )k )t = P −1 z0 .
On peut utiliser le théorème 3.3.1 pour retrouver ce résultat : zn+1 = Azn ⇔ zn = An z0 = P Dn P −1 z0
n
λ1 0
...
⇔ zn = [v1 . . . vk ] Z0 = c1 λn1 v1 + c2 λn2 v2 + . . . + ck λnk vk .
0 λnk
3.4 Propriétés des valeurs propres
On sait que les valeurs propres de la matrice A de format k × k sont les valeurs qui annulent le polynôme
caractéristique de A soit
p(λ) = det(A − λI).
Il existe donc trois possibilités pour les racines de p(λ) :
p(λ) a k racines réelles distinctes,
p(λ) a quelques racines multiples,
p(λ) a quelques racines complexes,
cas non mutuellement exclusifs pour k ≥ 4.
26 CHAPITRE 3. VALEURS PROPRES ET VECTEURS PROPRES
Exemple 3.4.1
( )
−4 2
1. Soit A = , pA (λ) = λ2 + 5λ + 6 ⇒ Sp(A) = {−3, 2}.
−1 −1
4 0 −2
2. Soit B = 0 3 0 , pB (λ) = (3 − λ)(λ2 − 3λ + 2) ⇒ Sp(B) = {1, 2, 3}.
3 0 −1
( )
4 1
3. Soit C= , pC (λ) = (λ − 3)2 ⇒ Sp(C) = {3}, 3 étant de multiplicité 2.
−1 2
( )
0 2
4. Soit D= , pD (λ) = λ2 − 2λ + 2 ⇒ Sp(D) = {1 + i, 1 − i}.
−1 2
1 3 4
5. Soit E = 0 2 −1, pE (λ) = (1 − λ)(λ2 − 4λ + 5) ⇒ Sp(E) = {1, 2 + i, 2 − i}.
0 1 2
Dé nition 3.4.1 La trace d'une matrice carrée A, notée tr(A) est la somme de ses éléments diagonaux
principaux.
Théorème 3.4.1 Soit A une matrice carrée d'ordre k avec les valeurs propres λ1 , . . . , λk . Alors,
∑
k
1. λ1 + λ2 + . . . + λk = λi = tr(A),
i=1
∏
k
2. λ1 × λ2 × . . . × λk = λi = det(A)
i=1
4 1 1 1
1 4 1 1
Exemple 3.4.2 Soit B = 1 1 4 1
, 3 est une valeur propre de B . Soit v = (a, b, c, d) un vecteur
1 1 1 4
propre associé à λ = 3 alors
4−3 1 1 1 a a+b+c+d 0
1 4 − 3 1 1 b a + b + c + d 0
(A − 3I)v =
1
= = .
1 4−3 1 c a + b + c + d 0
1 1 1 4−3 d a+b+c+d 0
1 0 0
0 1 0
, et sont trois vecteurs propres linéairement indépendants associés à λ = 3. Donc cette
0 0 1
−1 −1 −1
valeur propre de B est d'ordre de multiplicité au moins égal à 3. Comme de plus, tr(B) = 16 = 3 + 3 + 3 + x,
on en déduit que x = 7 est également valeur propre de B .
3.5 Valeurs propres multiples
On porte notre attention dans ce paragraphe sur un point qui peut remettre en cause le processus de
diagonalisation : les valeurs propres multiples.
3.5. VALEURS PROPRES MULTIPLES 27
3.5.1 Matrices de format 2×2 non diagonalisables
( ) ( )
4 1 3 0
Considérons les matrices A = et B = . Ces matrices admettent toutes les deux une
−1 2 0 3
valeur propre double λ = 3.
Un vecteur propre de A est une solution v de(l'équation
)( ) ( )
1 1 v1 0
(A − 3I)v = =
−1 −1 v2 0
( ) ( )
v1 1
Un vecteur est une solution de ce système si et seulement si c'est un multiple de .
v2 −1
( )( )
0 0 v1
Pour B , (B − λI)v = . Donc tout couple de vecteurs linéairement indépendants convient.
0 0 v2
Ainsi, grâce au théorème 3.3.1, la matrice B est diagonalisable et en fait, on remarque qu'elle est déja
diagonale.
Par ailleurs, il n'y a pas de matrice P qui diagonalise A parce que, toujours d'après le théorème 3.3.1, une
telle matrice P devrait avoir pour colonnes des vecteurs propres indépendants de A mais A n'a qu'un seul
vecteur propre.
Une matrice A qui a une valeur propre d'ordre de multiplicité m > 1 mais qui n'a pas m vecteurs propres
linéairement indépendants associés à cette valeur propre est appelée une matrice non diagonalisable. On a le
Théorème 3.5.1 Soit A une matrice de format 2 × 2 avec deux valeurs propres identiques. Alors, A est
diagonalisable si et seulement si A est déja une matrice diagonale.
Que peut-on faire avec une matrice non diagonalisable ? On peut tenter d'arriver à une matrice presque
diagonale (décomposition de Jordan ).
( )
4 1
Exemple 3.5.1 Considérons la matrice A = −1 2
étudiée précédemment, admettant 3 comme valeur
( )
1
propre. Cette matrice admet un seul vecteur propre indépendant v1 = . On cherche alors un vecteur
−1
v2 appelé vecteur propre généralisé pour A associé à λ = 3, solution de
( )( )
1 1 1
(A − 3I)v2 = v1 ⇔ .
−1 −1 −1
( )
1 1
Si on prend P = [v1 v2 ] = , on peut véri er que
−1 0
( )( )( ) ( )
0 −1 4 1 1 1 3 1
P −1 AP = =
1 1 −1 2 −1 0 0 3
Théorème 3.5.2 Soit A une matrice carrée d'ordre 2 avec des valeurs propres identiques λ = λ⋆ . Alors,
1. soit A a deux vecteurs propres linéairement indépendants associés à λ⋆ , auquel cas A est la matrice
λ⋆ I ,
2. soit A a seulement un vecteur propre indépendant v1 . Dans ce cas, il existe un vecteur propre généralisé
v2 tel que (A − λ⋆ I)v2 = v1 . Si P = [v1 v2 ] alors
( ⋆ )
−1 λ 1
P AP = .
0 λ⋆
28 CHAPITRE 3. VALEURS PROPRES ET VECTEURS PROPRES
3.5.2 Cas d'une matrice 3×3 non diagonalisable
4 2 −4
Exemple 3.5.2 Soit A = 1 4 −3, le polynôme caractéristique de A est p(λ) = (λ − 3)2 (2 − λ). Les
1 1 0
valeurs propres de A sont 2 et 3 (de multiplicité 2).
Pour la valeur propre simple λ = 2, l'espacedes solutions
de
2 2 −4 x 0
(A − 2I)v = 1 2 −3 y = 0
1 1 −2 z 0
1
est un espace de dimension 1 engendré par v1 = 1.
1
Pour la valeur propre double λ = 3, l'espacedes solutions
de
1 2 −4 x 0
(A − 3I)v = 1 1 −3 y = 0
1 1 −3 z 0
2
est un espace de dimension 1 engendré par v2 = 1.
1
Il y a donc seulement un vecteur propre indépendant associé à la valeur propre de multiplicité 2. On
a besoin d'un vecteur v3 indépendant de v1 et v2 pour former la matrice de passage P = [v1 v2 v3 ]. On
cherchev3 , vecteur
propre
généralisé
associé à A pour la valeur
propre
λ = 3 véri ant
donc
(A − 3I)v3 =
1 2 −4 x 2 0 1 2 0
v2 ⇔ 1 1 −3
y = 1 . On peut alors prendre v3 = 1 donc P = 1 1 1 et P −1 AP =
1 1 −3 z 1 0 1 1 0
2 0 0
0 3 1.
0 0 3
Les calculs avec les vecteurs propres généralisés peuvent être un peu plus compliqués pour des matrices
de format 3 × 3 peut avoir une valeur propre λ⋆ d'ordre de multiplicité 3 avec seulement un vecteur propre
indépendant v1 . Dans ce cas, on calcule v2 et v3 tels que
(A − λ⋆ I)v2 = v1 et (A − λ⋆ I)v3 = v2 .
⋆
λ 1 0
Si P = [v1 v2 v3 ] alors P −1 AP = 0 λ⋆ 1 .
0 0 λ⋆
3 1 1
Exemple 3.5.3 On considère B = 1 2 1. Cette matrice admet λ = 2 comme valeur propre d'ordre
−1 −1 1
de mulitplicité 3 mais seulement un vecteur propre indépendant v1 . On dé nit v2 et v3 par
{
(A − 2I)v2 = v1
.
(A − 2I)v3 = v2
3 1 0
Ainsi, avec P = [v1 v2 v3 ], P −1 BP = 0 3 1.
0 0 3
3.5. VALEURS PROPRES MULTIPLES 29
3.5.3 Résolution d'équations de récurrence avec des matrices non diagonalisables
On se pose le problème de la résolution du système des équations de récurrence
( zn+1 =)Azn quand A est
λ⋆ 1
une matrice de taille 2 × 2 non diagonalisable. Choisissons P telle que P −1 AP = . Le changement
0 λ⋆
de variables z = P Z fait passer du système zn+1 = Azn au système Zn+1 = (P −1 AP )Zn .
( ) ( )( )
Xn+1 λ 1 Xn
Zn+1 = =
Yn+1 0 λ Yn
{ Xn+1 = λXn + Yn (3.6a)
⇔ Yn+1 = λYn (3.6b)
On peut résoudre (3.6b) pour Yn : Yn = c1 λn et substituer cette solution dans la première équation
(3.6a) : Xn+1 = λXn + c1 λn . On itère ensuite, à partir de n = 0, pour trouver sa solution générale :
X0 = c0
X1 = λX0 + c1 λ0 = λc0 + c1
X2 = λX1 + c1 λ1 = λ(λc0 + c1 ) + c1 λ = λ2 c0 + 2c1 λ
X3 = λ3 c0 + 3c1 λ2
X4 = λ4 c0 + 3c1 λ2
..
.
Xn = λn c0 + nc1 λn−1
Si on remplace Xn dans l'équation précédente, on a
Xn+1 = λ(c0 λn + nc1 λn−1 ) + c1 λn = c0 λn+1 + (n + 1)c1 λn = λXn + Yn .
( ) ( n )
Xn c0 λ + nc1 λn−1
Par conséquent, = . On utilise ensuite le changement de coordonnées z = P Z pour
Yn c1 λn
écrire la solution générale du système initial zn+1 = Azn soit
( n )
c0 r + nc1 rn−1
zn = P Zn = [v1 v2 ]
c1 rn
⇔ zn = (c0 rn + nc1 rn−1 )v1 + c1 rn v2 . (3.7)
Théorème 3.5.3 Supposons que A soit une matrice carrée d'ordre 2 avec une valeur propre multiple λ et
seulement un vecteur propre indépendant v1 . Soit v2 un vecteur propre généralisé associé à v1 et λ. Alors la
solution du système d'équations de récurrence zn+1 = Azn est (3.7).
( )
4 1
Exemple 3.5.4 La matrice A = −1 2 est non diagonalisable car elle admet une valeur propre double
( )
1
λ = 3 et un seul vecteur propre indépendant v1 = . On considère le système linéaire d'équations de
−1
récurrence associé à A
{
xn+1 = 4xn + yn
.
yn+1 = −xn + 2yn
Grâce qu théorème précédent, la solution générale de ce système est
{
xn = c0 3n + c1 (n3n−1 + 3n )
.
yn = −c0 − c1 n3n−1
Généralisons
maintenant le théorème 3.5.3 en dimension 3 : soit
le changement
de variable z = P Z alors
Xn+1 xn+1
Wn+1 = Yn+1 = (P AP )Wn = T Wn . En eet, si wn+1 = yn+1 , on a wn+1 = Awn ⇔ P Wn+1 =
−1
Zn+1 zn+1
−1
AP Wn ⇔ Wn+1 = P AP Wn
30 CHAPITRE 3. VALEURS PROPRES ET VECTEURS PROPRES
λ1 1 0 Xn
⇔ Wn+1 = 0 λ1 0 Yn
0 0 λ2 Zn
Xn+1 = λ1 Xn + Yn (3.8a)
⇔ (3.8b)
Yn+1 = λ1 Yn
Zn+1 = λ2 Zn (3.8c)
(3.8c) ⇔ Zn = λn2 Z0 . Ensuite, (3.8b) ⇔ Yn = λn1 Y0 et en n, dans (3.8a), Xn+1 = λ1 Xn + λn1 Y0 . Or
X0 = c0 , Y0 = c1
X1 = λ1 c0 + λ01 c1 = λ1 c0 + c1
..
.
Xn = λn1 c0 + nc1 λn−1
1
Dans (3.8a), on a Xn+1 = λn+1
1 c0 + (n + 1)c1 λn1 . Par conséquent,
n
Xn λ1 c0 + nc1 λn−1
1 c0
Yn = λn1 c1 = T n c1 .
Zn λn2 c2 c2
En utilisant ensuite le changement de coordonnées z = P Z , on obtient
Xn c0
wn = P Wn = [v1 v2 v3 ] Yn = [v1 v2 v3 ]T n c1 = P T n P −1 w0
Zn c2
= (λ1 c0 + nc1 λ1 )v1 + λ1 c1 v2 + λ2 c2 v3 où c0 = X0 = P −1 x0 .
n n−1 n n
3.5.4 Exercice récapitulatif (corrigé)
Déterminer la solution du système linéaire
xn+1 = 2xn + yn
yn+1 = yn − zn
zn+1 = 2yn + 4zn
pour des conditions initiales données.
Correction.
2 1 0
La matrice associée au système est A = 0 1 −1. Déterminons le spectre de A.
0 2 4
2−λ 1 0
1 − λ −1
0 1 − λ −1 = (2 − λ) = (2 − λ)(λ2 − 5λ + 6) = (2 − λ2 )(3 − λ).
2 4−λ
0 2 4−λ
Donc Sp(A) = {2, 3} où 2 est une valeur propre de multiplicité 2. Déterminons maintenant les sous-espaces
propres associés.
3
• E2 = {X ∈ R /AX = 2X} avec X = (x, y,z).
y = 0 x∈R
AX = 2X ⇔ −y − z = 0 ⇔ y=0
2y + 2z = 0 z=0
donc en choisissant x = 1, v1 = (1, 0, 0) est un vecteur propre de A associé à la valeur propre λ = 2.
Comme dim(E2 ) ̸= 2, A n'est pas diagonalisable.
Recherchons un vecteur propre généralisé. On cherche v2 = (x, y, z) tel que
3.6. PROCESSUS DE MARKOV 31
y = 1 x∈R
(A − 2I)v2 = v1 ⇔ −y − z = 0 ⇔ y=1
2y + 2z = 0 z = −1
Ainsi, v2 = (x, y, z) = (x, 1, −1) = x(1, 0, 0)+(0, 1, −1). En choisissant x = 0, on obtient v2 = (0, 1, −1).
3
• E3 = {X ∈ R /AX = 3X} avec X = (x,y, z).
−x + y = 0 x=y
AX = 3X ⇔ −2y − z = 0 ⇔ y∈R
2y + z = 0 z = −2y
donc en choisissant y= 1, v3 = (1,1, 2) est un vecteurpropre de A associé à la valeur propre λ = 3.
1 0 1 2 1 0
Donc, si P = [v1 v2 v3 ] = 0 1 1 et T = 0 2 0 alors P −1 AP = T ⇔ A = P T P −1 . Ainsi, en
0 −1 −2 0 0 3
1 1 1
véri ant que P −1 = 0 2 1 ,
0 −1 −1
n
1 0 1 2 n2n−1 0 1 1 1
An = 0 1 1 0 2n 0 0 2 1 .
0 −1 −2 0 0 3 n 0 −1 −1
D'où la solution en fonction des conditions initiales car Xn = An X0 :
xn = x0 2n + y0 ((n + 1)2n − 3n ) + z0 ((2 + n)2n−1 − 3n )
y = y0 (2n+1 − 3n ) + z0 (2n − 3n )
n
zn = y0 52 × 3n − 2n+1 ) + z0 (2 × 3n − 2n )
3.6 Processus de Markov
Dans ce paragraphe, on introduit une application importante des valeurs propres et vecteurs propres à
des problèmes économiques : la solution des processus de Markov.
On travaille avec un processus dynamique dans lequel le temps est traité comme une variable discrète, ainsi
la dynamique est donnée par des équations de récurrence. Supposons que le processus sous-jacent à l'étude
puisse être décrit par un nombre ni d'états S1 , . . . , Sk . À chaque période le système se situe en un et
seulement un de ces k états.
Dé nition 3.6.1 Un processus stochastique est une règle qui donne la probabilité que le système ou un indi-
vidu dans ce système soit dans l'état i au temps n + 1, connaissant les probablités d'être dans les divers états
aux périodes précédentes. Cette probabilité pourrait, en principe, dépendre de l'intégralité de l'histoire anté-
rieure du système qui correspond aux états qui ont été réalisés aux périodes 1, 2, . . . , n. Quand la probabilité
du système, pour tout état i et au temps n + 1, dépend seulement de ce qu'était l'état du système au temps
n, le processus stochastique est appelé un processus de Markov. Pour un processus de Markov, seulement le
passé immédiat a de l'importance.
Les éléments-clés d'un processus de Markov sont :
1. la probabilité xi (n) que l'état i survienne à la période n, ou alternativement, la fraction de la population
qui est dans l'état i à la période n et
2. les probabilités de transition mij , où mij est la probabilité que le processus soit dans l'état i à la
période n + 1 s'il est en l'état j au temps n.
La matrice dans laquelle on place les probabilités de transition est appelée matrice de transition ou
matrice stochastique ou encore matrice de changement d'états :
m11 . . . m1k
M = ... ..
...
.
mk1 . . . mkk
32 CHAPITRE 3. VALEURS PROPRES ET VECTEURS PROPRES
On remarque que ces probabilités sont écrites de façon à ce que les premiers indices caractérisent la période
suivante et les seconds indices la période actuelle. En termes probabilistes, mij est la probabilité (condition-
nelle) que le système soit en l'état i à la période suivante, sachant qu'il se trouve en l'état j à cette période.
Compte tenu de son état à la période actuelle, le système évolue vers un et un seul état à la période suivante.
Par conséquent, la somme des termes mij par rapport à i doit être égale à 1 ; ce qui revient à dire que la
somme des éléments de chaque colonne de la matrice doit être égale à 1. Comme on dé nit une matrice ∑ de
Markov comme étant toute matrice non négative (mij ) dont la somme des éléments de chaque ligne i mij
est égale à 1, c'est la transposée de M qui est une matrice de Markov.
Nous supposons que les probabilités mij sont xées et indépendantes de n. Pour décrire cette hypothèse, nous
disons que le processus est temporellement homogène ou que les probabilités de transition sont stationnaires.
Pour révéler la dynamique sous-jacente d'un processus de Markov, supposons que xj (n) soit la fraction de la
population de taille N qui est en l'état j à la période n. Alors, le nombre total des membres de la population
en l'état j à la période n. Alors le nombre total des membres de la population en l'état j à la période n est
xj (n)N . Par hypothèse, mij xj (n)N de ces membres seront dans l'état i à la période (n + 1). Le nombre total
des membres de la population dans l'état i à la période (n + 1), xi (n + 1)N , est la somme par rapport à j
de ces nombres correspondants aux membres qui passent de l'état j à l'état i :
∑
k
i
x (n + 1)N = mij xj (n)N pour tout i = 1, . . . , k
j=1
ou, en notation matricielle, après avoir divisé par N ,
x1 (n + 1) m11 . . . m1k x1 (n)
.. .. ... .. .
. = . . .. (3.9)
xk (n + 1) mk1 . . . mkk xk (n)
ce qui donne x(n + 1) = M x(n). Le système d'équations (3.9), dans lequel M t est une matrice de Markov,
est appelé un système de Markov ou processus de Markov stationnaire.
Exemple 3.6.1 Considérons le modèle d'emploi suivant. Chaque personne dans la population est soit em-
ployée soit sans emploi. Les deux états de ce modèle sont être employé et être sans emploi . Soit x1 (n)
la fraction de la population étudiée qui est employée à la n de la période n et x2 (n) la fraction sans-emploi.
Supposons qu'une personne employée a une probabilité de 90% de rester employée à la période suivante (et,
par conséquent, une probabilité de 10% de se retrouver sans emploi à la période suivante), et qu'une personne
sans-emploi a une probabilité de 40% (et, par conséquent, 60% de chance de rester sans emploi).
En déduire le taux de chômage à long terme.
Correction.
Les évolutions sont retracées par :
{ ( 1 ) ( )( 1 )
x1 (n + 1) = 0, 9x1 (n) + 0, 4x2 (n) x (n + 1) 0, 9 0, 4 x (n)
⇔ = . (3.10)
x2 (n + 1) = 0, 1x1 (n) + 0, 6x2 (n) 2
x (n + 1) 0, 1 0, 6 x2 (n)
Une valeur propre du système est λ = 1. En utilisant le résultat de la trace, nous concluons
( ) que( l'autre
) valeur
4 1
propre est λ = 1, 5 − 1 = 0, 5. Les vecteurs propres associés sont respectivement et . Ainsi, la
1 −1
solution générale du système (3.10) est
( 1 ) ( ) ( )
x (n) 4 n 1
= c1 1 + c2 0, 5n . (3.11)
2
x (n) 1 −1
Puisque 1n = 1 et que lim 0, 5n = 0, dans le long terme, la solution générale (3.11) du système de Markov
( )
n→+∞
4
(3.10) tend vers w1 = c1 . Comme w1 devrait être un vecteur de probabilité dont la somme des compo-
1
santes est égale à 1, prenons c1 égal à 1/5 c'est-à-dire l'inverse de la somme des composantes de w1 . On en
3.6. PROCESSUS DE MARKOV 33
( )
4/5
déduit que la solution du système (3.10) tend vers quand n tend vers l'in ni et que nos hypothèses
1/5
conduisent au taux de chômage de long terme de 20% pour cette population.
Il existe beaucoup de résultats généraux concernant les processus de Markov que l'analyse de cet exemple
illustre :
1. λ1 = 1 est toujours une valeur propre de la matrice de Markov sous-jacente, cela est aussi vrai pour sa
matrice transposée.
2. Pour une matrice de format 2 × 2, la trace, qui correspond à la somme des valeurs propres, est toujours
une nombre compris entre 0 et 2. Par conséquent, la seconde valeur propreλ2 prend une valeur comprise
entre −1 et +1.
( )
− +
3. Si aii < 1, alors les éléments de (A − 1I) ont les signes . Ainsi, la valeur propre λ1 = 1 a
+ −
un vecteur propre w1 dont tous les éléments sont positifs. Ce vecteur propre peut servir de vecteur de
probabilité v1 en divisant chaque composante de w1 par la somme des composantes de w1 .
4. La solution générale est 1n v1 + c2 λn2 v2 . Puisque λn2 tend vers 0 quand n tend vers +∞, chaque solution
tend vers v1 . En particulier, les composantes de v1 donnent la distribution de long terme des états.
Ces quatre propriétés restent valables pour une large classe de processus pour lesquels la matrice de transition
ou au moins une puissance de la matrice de transition a toutes ses composantes strictement positives.
Dé nition 3.6.2 Soit M une matrice de Markov dé nie comme une matrice non négative dont la somme
des éléments de chaque ligne est égale à 1. Alors, M est appelée une matrice de Markov régulière si M r a
seulement des éléments positifs pour un entier r. Dans ce cas, si r = 1, c'est-à-dire si chaque élément de M
est positif, M est appelée une matrice positive.
Théorème 3.6.1 Soit M une matrice de Markov régulière. Alors,
1. 1 est une valeur propre de M d'ordre de multiplicité 1,
2. toute autre valeur propre λ de M satisfait |λ| < 1,
3. la valeur propre 1 a un vecteur propre associé w1 avec des composantes strictement positives et
4. si nous notons v1 le vecteur w1 divisé par la somme de ses composantes, alors v1 est un vecteur de
probabilité et chaque solution x(n) de x(n + 1) = M x(n) tend vers v1 quand n tend vers +∞.
Exemple 3.6.2 Supposons que les familles françaises soient classées comme
urbaines,
suburbaines,
rurales,
et que chaque année :
20% des familles urbaines se déplacent en banlieue et 5% vont à la campagne,
2% des habitants des banlieues se déplacent dans les zones urbaines et 8% vont dans les zones rurales,
10% des familles rurales migrent dans les zones urbaines et 20% vont en banlieue.
Étudier, à long terme, les déplacements des familles.
Correction.
Soient Un , Sn et Rn les fractions de la population classée, respectivement à l'horizon de n années. Alors, on
obtient le système :
Un+1 0, 75 0, 02 0, 1 Un
Sn+1 = 0, 2 0, 9 0, 2 Sn . (3.12)
Rn+1 0, 05 0, 08 0, 7 Rn
La matrice A du système admet pour valeurs propres 1 ; 0,7 et 0,65 donc A est diagonalisable. Les vecteurs
propres associés sont respectivement
34 CHAPITRE 3. VALEURS PROPRES ET VECTEURS PROPRES
2/15 8 1
10/15, −5 et 0 .
3/15 −3 −1
La solution générale du problème est alors donnée par
Un 2/15 8 1
Sn = c1 10/15 × 1n + c2 −5 × 0, 7n + c3 0 × 0, 65n (3.13)
Rn 3/15 −3 −1
Puisque 1n = 1 et lim 0, 7n = lim 0, 65n = 0, dans le long terme, la solution générale (3.13) du système
n→+∞ n→+∞
2/15
de Markov (3.12) tend vers w1 = c1 10/15 quand n tend vers l'in ni. Comme w1 devrait être un vecteur
3/15
de probabilité dont la somme des composantes est égale à 1, on prend c1 égal à 1. On en déduit qu'à long
terme, 2/15 de la population vivra dans les villes, 2/3 en banlieue et 1/5 à la campagne.
Chapitre 4
Exercices
Exercice 2 Un modèle de chaîne haute délité en vente promotionnelle est constituée de 3 éléments :
un ampli cateur-récepteur de radio de prix x,
une platine CD de prix y ,
une paire d'enceintes acoustiques de prix z .
(Les prix sont donnés en euros).
Si une remise de 10% est faite sur le prix x et une remise de 10% sur le prix y , la chaîne complète coûterait
435, 6 euros.
Si les remises sur les prix x et z étaient respectivement de 20% et de 10%, la chaîne complète coûterait 422, 4
euros.
Finalement, si les remises sur les prix y et z étaient respectivement de 10% et de 20%, la chaîne complète
coûterait 421, 3 euros.
1. Former le système de trois équations à trois inconnues x, y et z qui résulte des données précédentes.
2. Calculer x, y et z .
Exercice 3 Un capital de 50000 euros est partagé en deux parties. La première partie est placée à 6%
et la seconde à 8%. Le revenu annuel est le même que si tout le capital était placé à 6, 8%.
Calculer la valeur de chaque partie du capital ainsi placé.
Exercice 4 Soit f la fonction dé nie sur ] − 1; +∞[ par
2
f (x) = −2 ln x + − 2.
x2 − 1
1. Déterminer les réels a, b et c tels que la fonction F dé nie sur ] − 1; +∞[ par :
F (x) = ax ln x + b ln(x − 1) + c ln(x + 1) soit une primitive de f sur ] − 1; +∞[.
3(
∫ )
2
2. Calculer −2 ln x + 2 − 2 dx.
2 x −1
(on donnera la valeur exacte en fonction de ln 2 et de ln 3).
Exercice 5 Une entreprise fabrique trois produits A,B et C à partir de trois facteurs de production U,
V et W. La fabrication :
d'une unité de A consomme 3 unités de U, 1 unité de V et 2 unités de W,
d'une unité de B consomme 2 unités de U, 2 unités de V et 1 unité de W,
d'une unité de C consomme 0 unité de U, 1 unité de V et 1 unité de W.
L'entreprise dispose d'un stock de 18 unités de U, 9 unités de V et 10 unités de W.
Un programme de fabrication est dé ni par les trois valeurs
. x : quantité de produit A fabriqué,
35
36 CHAPITRE 4. EXERCICES
. y : quantité de produit B fabriqué,
. z : quantité de produit C fabriqué.
On demande de déterminer, s'il existe, un programme de fabrication qui épuise exactement le stock de
facteurs disponibles.
1. Écrire sous la forme d'un système linéaire les relations que doivent remplir x, y et z .
2. Résoudre ce système en détaillant la méthode choisie.
3. Donner en conclusion la réponse au problème.
Exercice 6 Une entreprise de mécanique fabrique trois types de pièces A, B et C dans trois ateliers d'usi-
nage, montage et nitions. Les données techniques et commerciales relatives à cette fabrication sont résumées
dans le tableau suivant :
Nombre d'heures-machines Prix de
nécessaires à la fabrication vente
d'un lot de 10 pièces d'un
usinage montage nitions lot
Pièces A 1 1,5 1,5 335
Pièces B 2 1,5 2,5 515
Pièces C 4 4,5 1,5 925
Coût
variable de 60 80 50
l'heure (euros)
Capacité
de l'atelier 2000 2400 2400
(h/mois)
1. Existe-t-il un programme de fabrication utilisant à plein les capacités de chaque atelier ?
2. Quel est le béné ce réalisé :
(a) lors de la fabrication et de la vente de 800 pièces A, 200 pièces B et 200 pièces C ?
(b) pour le programmme trouvé au 1. ?
Exercice 7 Une entreprise fabrique des appareils de trois types diérents (L), (C) et (V).
Pour un appareil de type (L), on a besoin de 10kg d'acier, 2kg de peinture et 10h de travail.
Pour un appareil de type (C), on a besoin de 4kg d'acier, 1kg de peinture et 6h de travail.
Pour un appareil de type (V), on a besoin de 10kg d'acier, 2kg de peinture et 12h de travail.
On appelle respectivement x, y et z les quantités d'appareils (L), (C) et (V) fabriqués et a, p et t les quantités
d'acier (en kg) de peinture (en kg) et de travail (en heures) nécessaires pour leur fabrication.
1. Déterminer à l'aide des données précédentes le système linéaire induisant x, y , z , a, p et t.
2. En déduire les quantités d'appareils de chaque type (L), (C) et (V) fabriqués en un mois, sachant que
4200 kg d'acier, 800 kg de peinture et 5000 heures de travail ont été nécessaires.
Exercice 8 - Modèle de Walras
Imaginons un marché qui se limiterait à deux produits. La quantité oerte du premier, Q1 , est une fonction
de son prix P1 , fonction qu'on suppose a ne : Q1 = a + bP1 . De même pour le second : Q2 = c + dP2 .
La quantité demandée D1 du premier produit dépend bien entendu de son prix P1 (en général elle diminue
quand P1 augmente), mais aussi du prix du produit P2 , à cause des possibilités de substitution partielle.
37
Nous supposons encore cette fonction a ne : D1 = e + f P1 + gP2 , et de même pour le second produit :
D2 = g + hP1 + jP2 .
La condition d'équilibre du marché est dans ces conditions
Q1 − D1 = 0
Q2 − D2 = 0,
qu'on peut écrire :
(a + bP1 ) − (e + f P1 + gP2 ) = 0,
(c + dP2 ) − (g + hP1 + jP2 ) = 0.
La recherche du système du prix d'équilibre sur ce marché conduit donc à la résolution d'un système de deux
équations linéaires à deux inconnues P1 et P2 , qu'on peut écrire :
{
(b − f )P1 − gP2 = e − a
−hP1 + (d − j)P2 = g − e
ou, avec d'autres notations :
{
a1,1 P1 + a1,2 P2 = d1
a2,1 P1 + a2,2 P2 = d2 .
Retour à l'exercice :
Soit un marché qui ne comporte qu'un modèle de téléviseur couleur HD avec une fonction d'ore
Q1 = −30000 + 100P1 .
On ne trouve aussi qu'un modèle de téléviseur classique avec une fonction d'ore
Q2 = −4000 + 50P2 .
La fonction de demande de téléviseurs HD est
D1 = 4000 − 9P1 + 34P2
et la fonction de demande de téléviseurs classiques est
D2 = 3560 + 27P1 − 136P2 .
Déterminer les prix d'équilibre P1 et P2 sur ce marché en considérant le modèle de Walras.
Exercice 9 La décomposition LU donne une méthode e cace de résolution d'un système d'équations
linéaires Ax = b pour diérentes valeurs de b. Cela requiert beaucoup moins d'étapes de calcul arithmétique
que l'inversion d'une matrice, et cela reste possible même si A n'est pas carrée.
Utiliser la décomposition LU pour récécrire le système d'équations sous la fomre LU x = b. Maintenant, le
système peut êtr résolu en posant d'abord U x = z , puis en résolvant le système d'équations Lz = b par
rapport à z , et en n en résolvant U x = z par rapport à x. Puisque ces deux systèmes sont triangulaires,
seule la substitution en remontant est nécessaire pour les résoudre.
1. Véri er que les solutions obtenues de cette manière sont précisément les solutions de Ax = b.
2. Résoudre le systèmes suivants en utilisant cette technique :
2 4 0 x1 2 2 4 0 x1 2
4 6 3 x2 = 1 ; 4 6 3 x2 = 8 ;
−6 −10 0 x3 −6 −6 −10 0 x3 −4
5 3 1 x1 7 5 3 1 x1 2
−5 −4 1 x2 = −10 ; −5 −4 1 x2 = −5 .
−10 −9 5 x3 −24 −10 −9 5 x3 −14
38 CHAPITRE 4. EXERCICES
( )
2 1
Exercice 10 Calculer l'inverse de la matrice A = 1 −1
à l'aide de trois méthodes diérentes.
Exercice 11 Montrer que les matrices suivantes sont inversibles et calculer la matrice inverse :
( ) 1 1 1 −1 2 1
5 1
A= , B = 0 2 1 , C = −2 3 1
4 1
0 0 1 4 −4 −1
Exercice 12
x + 2y − 3z = a
1. Résoudre dans R3 le système linéaire suivant : x+y−z = b
−x − y + 2z = c
(où a, b et c sont des constantes données et x, y et z désignent des inconnues).
1 2 −3
2. Soit A = 1 1 −1 .
−1 −1 2
Expliquer pourquoi A est inversible et déduire de ce qui précède le calcul de A−1 .
Exercice 13 On se donne les tableaux 1 et 2 suivants :
E1 E2 E3
Ciment Sable Gravillons
Ciment (tonnes) 10 8 7
F1 60 15 18
Sable (m3 ) 5 3 3
F2 54 18 16
gravillons (m3 ) 5 2 2
Tableau 2
Tableau 1
Sur un chantier trois entreprises E1 , E2 et E3 interviennent ; leurs besoins journaliers sont décrits dans le
tableau 1. Les matériaux utilisés sont vendus par deux fournisseurs F1 et F2 ; les prix unitaires en euros sont
donnés dans le
tableau 2.
10 8 7 ( )
60 15 18
On pose A = 5 3 3 et P = respectivement matrices des achats et matrice des
54 18 16
5 2 2
prix.
1. Calculer le produit P A et interpréter le résultat obtenu.
2. Calculer le déterminant de A, que peut-on en déduire pour A ?
0 −0, 4 −0, 6
3. On pose A′ = 1 −3 1 . Calculer le produit A′ × A en faisant gurer les calculs.
−1 4 −2
x
4. On pose X = y où x, y et z désignent respectivement le nombre de chantiers où chacune des
z
entreprises E1 , E2 , E3 est présente.
(a) Calculer le produit AX et interpréter le résultat obtenu.
156
(b) Résoudre matriciellement l'équation AX = 67 et interpréter le résultat obtenu.
53
Exercice 14
39
1. Résoudre dans R3 le système linéaire suivant :
x + 2y − 3z = a
x+y−z = b
−x − y + 2z = c
(a, b, c sont des constantes données et x, y et z désignent les inconnues)
2. Soit
1 2 3
1 1 −1 .
−1 −1 2
Expliquer pourquoi A est inversible et déduire de ce qui précède le calcul de A−1 .
Exercice 15 Sur un chantier trois entreprises E1 , E2 et E3 interviennent ; leurs besoins journaliers sont
décrits dans le tableau ci-dessous :
E1 E2 E3
Ciment
10 8 7
en tonnes
Sable
5 3 3
en m3
Gravillons
5 2 2
en m3
Le matériaux utilisés sont vendus par deux fournisseurs F1 et F2 ; les prix unitaires en euros sont donnés
dans le tableau suivant :
Ciment Sable Gravillons
F1 60 15 18
F2 54 18 16
10 8 7 ( )
60 15 18
On pose A = 5 3 3 et P = respectivement matrice des achats et matrice des prix.
54 18 16
5 2 2
1. Calculer le produit P A et interpréter le résultat obtenu.
2. Calculer le déterminant de A ; que peut-on en déduire pour A ?
0 −0, 4 −0, 6
3. On pose A′ = 1 −3 1 . Calculer le produit A′ × A.
−1 4 −2
x
4. On pose X = y où x, y et z désignent respectivement le nombre de chantiers où chacune des
z
entreprises E1 , E2 , E3 est présente.
(a) Calculer le produit AX et interpréter le résultat obtenu.
156
(b) Résoudre matriciellement l'équation AX = 67 et interpréter le résultat obtenu.
53
40 CHAPITRE 4. EXERCICES
2 1 0
Exercice 16 Soit la matrice M = −3 −1 1 .
1 0 −1
1. M est-elle inversible ?
2. I désigne la matrice unité carrée d'ordre 3.
(a) Calculer M 2 et M 3 . En déduire M n pour n ≥ 3.
(b) Calculer (I − M )(I + M + M 2 ).
(c) En déduire que (I − M ) est inversible et calculer (I − M )−1 .
1 0 0
Exercice 17 Soit la matrice P = −2 −1 0 .
1 1 1
Montrer que P est inversible et calculer P −1 .
A est une matrice de format 3 × 3. Calculer P An P où n est un entier naturel.
Exercice 18 Soit λ ∈ R, calculer les déterminants des matrices suivantes :
1−λ 0 2 1−λ 2 5 1−λ 0 0
3 4−λ 5 , 3 2−λ 1 , 2 3−λ 5
5 6 7−λ 4 6 3−λ 4 1 3−λ
et déterminer les valeurs de λ qui annulent ces déterminants.
Exercice 19
M étant une matrice carrée, on pose M 1 = M et, pour tout entier naturel n non nul,
M n+1 = M × M n.
1 0
On considère la matrice D dé nie par D = 1 .
0 −
2
1. Calculer D , D puis D pour n ∈ N quelconque.
2 3 n
( ) 2 1 ( )
et P ′ = 3 , montrer que P × P ′ = 1 0 .
1 1 3
2. Étant données les matrices P = 1
1 −2 1 0 1
−
3 3
Calculer P ′ × P . Que peut-on conclure ?
1 1
3. On considère la matrice A dé nie par A = 2 2 . Montrer que P × D × P ′ = A.
1 0
4. Soit n un entier naturel non nul. Sachant que
An = (P × D × P ′ ) × (P × D × P ′ ) × . . . (P × D × P ′ )
(produit de n facteurs (P × D × P ′ )), utiliser la question 2. pour montrer que An = P × Dn × P ′ . En
déduire les termes de la matrice An en fonction de n.
Exercice 20 Soit B = (⃗e1 , ⃗e2 , ⃗e3 ) la base naturelle de R3 .
On considère les applications linéaires f et g de R3 dans R3 dé nies par :
f (e⃗1 ) = ⃗e1 + 2⃗e2 + 2⃗e3 f (e⃗2 ) = 2⃗e1 + ⃗e2 + 2⃗e3 f (e⃗3 ) = 2⃗e1 + 2⃗e2 + ⃗e3 ,
g(e⃗1 ) = ⃗e1 − ⃗e2 − ⃗e3 g(e⃗2 ) = 2⃗e1 + ⃗e2 − ⃗e3 g(e⃗3 ) = 3⃗e1 − ⃗e2 − 2⃗e3 .
1. Déterminer les matrices A et B de f et g respectivement, rapportées à la base B.
41
2. Calculer A + B , 3A, AB et A2 .
3. (a) Déterminer deux réels x et y tels que A2 = xA + yI où I est la matrice identité d'ordre 3.
(b) En déduire que A est inversible et déterminer A−1 , exprimer A3 en fonction de A et de I .
(c) Résoudre le système
x + 2y + 2z = 1
2x + y + 2z = 2
2x + 2y + z = 4
4. On considère le vecteur ⃗u = ⃗e1 + ⃗e2 + ⃗e3 , déterminer les vecteurs f (⃗u), (f + g)(⃗u), (fo g)(⃗u), (fo f )(⃗u),
f −1 (⃗u).
5. Déterminer les vecteurs ⃗u = x1⃗e1 + x2⃗e2 + x3⃗e3 tels que f (⃗u) = −⃗u.
6. On considère les trois vecteurs
⃗v1 = ⃗e1 + ⃗e2 + ⃗e3 , ⃗v2 = ⃗e1 − ⃗e2 , ⃗v3 = ⃗e1 − ⃗e3 .
(a) Montrer que B′ = (⃗v1 , ⃗v2 , ⃗v3 ) est une base de R3 .
(b) Quelle est la matrice de passage P de la base B à la base B′ ?
(c) Déterminer sa matrice inverse P −1 .
(d) Déterminer f (⃗v1 ), f (⃗v2 ), f (⃗v3 ) dans la base B puis dans la base B′ .
(e) Quelle est la matrice D de l'application linéaire f , rapportée à la base B′ ?
Exercice 21 L'espace vectoriel R3 est rapporté à sa base naturelle B = (⃗e1 , ⃗e2 , ⃗e3 ). Soient les vecteurs
⃗ = (1, 2, 0) et B ′ = (⃗u, ⃗v , w)
⃗u = (1, 0, 1), ⃗v = (0, 1, 1), w ⃗ .
1. (a) Montrer que B′ est une base de R3 .
(b) Déterminer la matrice de passage P de la base B à la base B′ .
(c) Résoudre le système
x1 + x3 = y1
x2 + 2x3 = y2
x1 + x2 = y3
On exprimera x1 , x2 et x3 en fonction de y1 , y2 et y3 .
(d) En déduire la matrice inverse P −1 .
2. On considère l'application linéaire f de R3 dans R3 dé nie par :
f (⃗e1 ) = ⃗e1 , f (⃗e2 ) = 2⃗e2 , f (⃗e3 ) = 3⃗e3 .
(a) Déterminer la matrice A de f rapportée à la base B, puis calculer An pour n entier naturel non
nul.
(b) Eectuer le calcul P −1 AP = M .
(c) En déduire M n .
Exercice 22
1. Résoudre dans R4 le système linéaire
2x1 + 2x2 + x3 + 9x4 = 0
−x1 − x2 − x3 − 6x4 = 0
x1 + 2x2 + 2x3 + 11x4 = 0
2. On donne dans l'espace R3 les vecteurs suivants :
⃗v1 = (2, −1, 1), ⃗v2 = (2, −1, 2), ⃗v3 = (1, −1, 2), ⃗v4 = (9, −6, 11).
42 CHAPITRE 4. EXERCICES
(a) Démontrer que les vecteurs ⃗v1 , ⃗v2 , ⃗v3 et ⃗v4 sont linéairement dépendants et donner une relation
de dépendance linéaire entre ces vecteurs.
(b) Montrer que (⃗v1 , ⃗v2 , ⃗v3 ) est une base de R3 et déterminer les coordonnées de ⃗v4 dans cette base.
3. Soit (⃗e1 , ⃗e2 , ⃗e3 ) la base naturelle de R3 ; on considère l'application linéaire f de R3 dans R3 dé nie par :
f (⃗e1 ) = ⃗v1 , f (⃗e2 ) = ⃗v2 , f (⃗e3 ) = ⃗v3 .
(a) Donner la matrice de f dans la base naturelle.
(b) Soit w
⃗ = (1, −1, 1). Calculer f (w)
⃗ .
2 2 1 1 0 0
4. On pose A = −1 −1 −1 et I = 0 1 0 .
1 2 2 0 0 1
(a) Montrer sans calcul que A est une matrice inversible.
(b) Calculer A2 et véri er que A2 = 2A − I .
(c) Déterminer A−1 .
(d) Résoudre matriciellement
x1 9
A x2 = −6 .
x3 11
Exercice 23 L'espace vectoriel R3 est rapporté à sa base naturelle (⃗e1 , ⃗e2 , ⃗e3 ).
On considère
l'application
linéaire f de R3 dans R3 dont la matrice M par rapport à la base (⃗e1 , ⃗e2 , ⃗e3 ) est
0 −2 2
égale à 1 0 1 . I désigne la matrice unité d'ordre 3.
1 1 0
1. (a) M est-elle inversible ? (justi er la résponse).
(b) Calculer M 2 puis M 3 ; en déduire une relation entre M 3 et M .
(c) En utilisant la relation précédente, montrer que M 5 = M .
(d) Soit λ ∈ R. Calculer le déterminant de M − λI et en déduire les valeurs de λ qui annulent ce
déterminant.
2. (a) Résoudre dans R3 le système
x − 2y + 2z = 0
x+y+z = 0
x+y+z = 0
Quel lien y a-t-il avec la question 1. (d) ?
(b) On pose ⃗ϵ1 = −⃗e1 + ⃗e2 + ⃗e3 , ⃗ϵ2 = ⃗e2 + ⃗e3 , ⃗ϵ3 = −4⃗e1 + ⃗e2 + 3⃗e3 .
Calculer matriciellement les images par f de ⃗ϵ1 , ⃗ϵ2 et ⃗ϵ3 .
3. (a) Montrer que (⃗ϵ1 ,⃗ϵ2 ,⃗ϵ3 ) est une base de R3 .
(b) On appelle P la matrice de passage de la base (⃗e1 , ⃗e2 , ⃗e3 ) à la base (⃗ϵ1 ,⃗ϵ2 ,⃗ϵ3 ).
Former P puis calculer P −1 .
(c) On note B la matrice de f par rapport à la base (⃗ϵ1 ,⃗ϵ2 ,⃗ϵ3 ). Donner l'expression de B dans cette
base.
(d) En utilisant ce qui précède, calculer M 5 .
Exercice 24 Dans tout ce qui suit, on considère l'espace vectoriel R3 rapporté à sa base naturelle B =
(⃗i, ⃗j, ⃗k).
1. On pose ⃗e1 = ⃗i + ⃗j + 2⃗k, ⃗e2 = −⃗i + ⃗j + ⃗k et ⃗e3 = ⃗i + ⃗j − ⃗k.
43
(a) Démontrer que (⃗e1 , ⃗e2 , ⃗e3 ) est une base de R3 .
(b) Expliquer pourquoi (⃗e1 , ⃗e2 ) n'est pas une base de R3 .
(c) Écrire la matrice P de passage de la base (⃗i, ⃗j, ⃗k) à la base (⃗e1 , ⃗e2 , ⃗e3 ).
2 0 2
(d) Eectuer le produit matriciel de P par la matrice −3 3 0 et en déduire l'expression de
1 3 −2
P −1 .
2. Soit f l'application
linéaire
de R dans R dont la matrice B par rapport à la base (⃗e1 , ⃗e2 , ⃗e3 ) est
3 3
2 0 0
donnée par 0 1 0 .
0 0 −1
(a) Déterminer f (⃗e1 ), f (⃗e2 ) et f (⃗e3 ).
(b) Donner l'expression de B n pour n entier naturel non nul.
(c) Calculer det(B).
3. On appelle A la matrice de f par rapport à la base (⃗i, ⃗j, ⃗k) et on rappelle l'égalité suivante, qu'on
admettra, B = P −1 AP .
(a) Déduire de l'égalité précédente l'expression de A.
(b) Montrer que A est une matrice inversible.
4. Soit le système linéaire suivant :
x−y+z = a
(1) z = b où a, b, c sont des constantes réelles données.
x+y+z = c
(a) Résoudre ce système linéaire.
(b) On appelle M la matrice du système (1), déterminer M −1 .
Exercice 25
1. On se donne les matrices suivantes :
6 7 8 9
1 0 −1 1 1 1 0 1 0 1
A = 1 1 0 , B = 0 1 1 et C =
0
.
1 1 0
0 1 3 −1 0 3
0 0 1 3
(a) Calculer A + B et A × B .
(b) Calculer le déterminant de A et en déduire celui de C .
(c) Calculer la matrice inverse de A.
2. On considère l'espace R3 muni de sa base naturelle (⃗i, ⃗j, ⃗k) ; soit f l'application linéaire de R3 dans R3
dé nie par :
f (⃗i) = ⃗i + ⃗j, f (⃗j) = ⃗j + ⃗k, f (⃗k) = −⃗i + 3⃗k.
(a) Écrire la matrice def dans la base (⃗i, ⃗j, ⃗k).
(b) Soit ⃗u = ⃗i + ⃗j − ⃗k. Calculer l'image de ⃗u par f .
3. On pose I⃗ = ⃗i + ⃗j , J⃗ = ⃗j + ⃗k et K
⃗ = −⃗i + 3⃗k .
(a) Démontrer que (I, ⃗ J, ⃗ est une base de R3 .
⃗ K)
(b) Écrire la matrice de passage de la base (⃗i, ⃗j, ⃗k) à la base (I,
⃗ J, ⃗ .
⃗ K)
(c) Soit ⃗v = 4I⃗ + 6J⃗ + 8K ⃗ . Déterminer les coordonnées de ⃗v dans la base (⃗i, ⃗j, ⃗k).
44 CHAPITRE 4. EXERCICES
(d) Soit w
⃗ = 4⃗i + 6⃗j + 8⃗k . Déterminer les coordonnées de w
⃗ dans la base (I,
⃗ J, ⃗ .
⃗ K)
Exercice 26
1. On considère les matrices A et B suivantes :
1 1 2 1 1 −3
A = 1 2 1 et B = 1 −3 1 .
2 1 1 −3 1 1
(a) Calculer les produits A2 et A × B .
(b) Exprimer la matrice AB en fonction de la matrice I , identité d'ordre 3.
(c) En déduire la matrice A−1 .
2. Soit le système
x + y + 2z = 9
x + 2y + z = 7
2x + y + z = 8
Résoudre ce système (on pourra utiliser 1. (c)).
3. L'espace vectoriel R3 est rapporté à sa base naturelle B = (⃗e1 , ⃗e2 , ⃗e3 ). On considère les trois vecteurs
⃗u = ⃗e1 + ⃗e2 + ⃗e3 , ⃗v = ⃗e1 − 2⃗e2 + ⃗e3 et w
⃗ = ⃗e1 − ⃗e3 .
′
(a) Montrer que la famille B = (⃗u, ⃗v , w) ⃗ est une base de R3 .
(b) Déterminer la matrice de passage P de la base B à la base B′ .
(c) Soit le vecteur ⃗t = ⃗u + 2⃗v − w ⃗.
Déterminer les coordonnées du vecteur ⃗t dans la base B.
4. Une application linéaire f de R3 dans R3 est dé nie par :
f (⃗e1 ) = ⃗e1 + ⃗e2 + 2⃗e3 , f (⃗e2 ) = ⃗e1 + 2⃗e2 + ⃗e3 , f (⃗e3 ) = 2⃗e1 + ⃗e2 + ⃗e3 .
5. Déterminer la matrice de A de f rapportée à la base B.
6. Déterminer les images de ⃗u, ⃗v et w
⃗ par f .
Exercice 27
1 2 3
1. On considère la matrice A = 1 2 3 .
1 2 3
(a) Que vaut la trace de A ?
(b) Calculer A2 et exprimer A2 en fonction de A.
(c) A est-elle inversible ?
x
(d) On pose X = y où x, y et z sont des réels.
z
i. Calculer AX .
ii. Résoudre le système linéaire AX = 6X .
2. (i, j, k) désigne la base naturelle de l'espace R3 . On considère l'application linéaire f , de matrice A,
⃗ ⃗ ⃗
dans la base (⃗i, ⃗j, ⃗k).
(a) Quelle est l'image de ⃗k par f ?
(b) Soient ⃗e1 = −2⃗i + ⃗j , ⃗e2 = −3⃗i + ⃗k et ⃗e3 = ⃗i + ⃗j + ⃗k.
Déterminer f (⃗e1 ), f (⃗e2 ) et f (⃗e3 ).
3. (a) Montrer que la famille (⃗e1 , ⃗e2 , ⃗e3 ) est une base de R3 .
45
(b) Donner la matrice de passage de (⃗i, ⃗j, ⃗k) à la base (⃗e1 , ⃗e2 , ⃗e3 ).
(c) Donner l'expression de la matrice B de f dans la base (⃗e1 , ⃗e2 , ⃗e3 ).
( )
Exercice 28 Soient a et b dans R. On considère la matrice C = 9b a9 .
Préciser selon les valeurs de a et b les cas où C est diagonalisable dans R.
Exercice 29 On considère les matrices suivantes :
−7 −36 28 0 − 32 −1
A= 6 23 −14 et B = −6 0 −2 .
4 14 −9 7 3
2 4
Pour chacune d'elle, préciser si elle est diagonalisable danns R. Si oui, la diagonaliser et donner la matrice
de passage. Si non, justi er.
Exercice 30 Donner la condition nécessaire et su sante pour que A donnée par
1 a b c
0 1 d e
A=
0
0 2 f
0 0 0 2
soit diagonalisable dans R.
Exercice 31
0 2 −1
1. Diagonaliser M = 3 −2 0 dans R en donnant la matrice de passage P telle que M −1 P M
−2 2 1
soit diagonale.
1 4 −2
2. Montrer que N = 0 6 −3 n'est pas diagonalisable dans R.
−1 4 0
Exercice
( )32 Soit A une matrice dans M2 (R) telle qu'il existe P inversible dans M2 (R) avec P −1 AP =
1 1
.
0 1
( )
1
1. Soit C1 = P . Montrer que C1 est un vecteur propre de A. Pour quelle valeur propre ?
0
( )
0
2. Donner une équation liant C2 = P , C1 et A.
1
( )
−1 −1
3. Soit A = . Trouver C1 et C2 comme ci-dessus.
4 3
−6 5 3
Exercice 33 Soit la matrrice A dé nie par A = −8 7 4 .
−2 1 1
1. Déterminer les valeurs propres de A.
2. Véri er que A n'est pas diagonalisable.
3. Déterminer la décomposition A = ∆ + N où ∆ est diagonalisable et N est nilpotente avec ∆.N = ∆.N
46 CHAPITRE 4. EXERCICES
2 1 0
Exercice 34 Soit la matrice M = −3 −1 1 .
1 0 −1
1. M est-elle inversible ?
2. I désigne la matrice unité carrée d'ordre 3.
Calculer M 2 et M 3 . En déduire M n pour n > 3.
Calculer 5(I − M )(I + M + M 2 ).
En déduire que (I − M ) est inversible et calculer (I − M )−1 .
2x − y − z = 1
Exercice 35 Soit le système (S) x − y + 2z = 9 .
x + 2y − z = −6
1. Écrire la matrice A du système
2. Montrer que A est inversible. En déduire que (S) admet une solution unique
3. Calculer A−1 .
4. Résoudre (S).
Exercice 36
1. Calculer les déterminants suivants :
2 1 3
(a) D = 2 1 −1
−1 −3 2
1 2 3
(b) D = −3 1 2
−2 3 1
0 1 1 1
1 0 1 1
(c) D =
1 1 0 1
1 1 1 0
1 1 2 1
2 1 3 0
(d) D =
3 1 4 0
4 2 6 0
1 −2 0 3
4 0 2 −4
2. Développer D suivant la 2ème colonne : D =
2 0 6 0
1 −1 0 2
Exercice 37 Résoudre les systèmes suivants (on pourra utiliser les formules de Cramer) :
x − 2y + 3z = 6 2x − 3y + z = 0 3x + 5y − 8z = 0
3x + y − 5z = −3 , x + 2y + 4z = 0 , x − 4y + 3z = 0 .
8x + 3y + 6z = −5 5x − 4y + 6z = 0 2x − y + z = 0
Exercice 38 Dans chacun des cas suivants, calculer les valeurs propres de A :
( )
3 −2
1. A = ,
2 −2
( )
1 1
2. B = ,
−1 1
47
( )
5 1
3. C = ,
1 3
3 −1 1
4. D = 0 2 0,
1 −1 3
5 −1 1
5. E = −1 1 −3.
1 −3 1
( )
Exercice 39 Soit la matrice A = 32 1
4
.
1. Calculer les valeurs propres de A.
( )
x
2. Déterminer les vecteurs X = tels que
y
(a) AX = 5X ,
(b) AX = 2X .
( ) ( )
1 1
Véri er que X1 = est solution de (a) et X2 = est solution de (b).
2 −1
( )
1 1
3. Soit la matrice P = .
2 −1
(a) Montrer que P est inversible et calculer l'inverse de P .
(b) Cacluler P −1 AP .
4. Calculer An pour n entier naturel non nul.
2 0 4
Exercice 40 Soient la matrice A = 3 −4
12 et les matrices colonnes suivantes :
1 −2 5
−4 4 2
X1 = 3 , X2 = 0 , X3 = 1.
2 −1 0
1. Calculer AX1 , AX2 et AX3 . Que peut-on en déduire ?
2. A est-elle diagonalisable ?
3. A est-elle inversible ?
Exercice 41 Calculer les valeurs propres de la matrice A dans les cas suivants, dire si A est diagona-
lisable :
1 4 6
1. A = 0 2 5,
0 0 3
1 3 5
2. A = 0 0 4,
0 0 2
1 0 1
3. A = 0 3 0.
1 0 1
−4 −6 0
Exercice 42 Soit la matrice A = 3 5 0.
3 6 5
48 CHAPITRE 4. EXERCICES
1. Calculer les valeurs propres de A.
Véri er que le spectre de A est {−1; 2; 5}. A est-elle diagonalisable ?
x
2. Déterminer les vecteurs X = y tels que :
z
(a) AX = −X ,
(b) AX = 2X ,
(c) AX = 5X .
3. Détemriner une matrice P inversible telle que P −1 AP soit une matrice diagonale D.
4. Calculer An pour n entier naturel non nul.
3 −1 1
Exercice 43 Soit la matrice A = 0 2 0.
1 −1 3
1. Calculer les valeurs propres de A.
2. Déterminer les vecteurs propres de A. En déduire que A est diagonalisable.
( )
−1 2
Exercice 44 Soit la matrice A = 1 0
.
1. Calculer les valeurs propres de A. En déduire que A est diagonalisable.
2. Déterminer les valeurs propres de A.
3. Diagonaliser A en précisant la matrice de passage P .
4. Soient les suites (Un ) et (Vn ) dé nies par U0 = 1, V0 = 1 et pour tout entier n
Un+1 = −Un + 2Vn
.
Vn+1 = Un
( ) ( )
Un+1 Un
Véri er que =A .
Vn+1 Vn
5. Calculer Un pour tout entier n.
Exercice 45 3 enfants A,B,C jouent avec une balle.
Lorsque A a la balle, la probabilité pour qu'il l'envoie à B est 0,75 et la probabilité pour qu'il l'envoie
à C est 0,25.
Lorsque B a la balle, il l'envoie respectivement à A ou à C avec la probabilité 0,75 et 0,25.
C envoie toujours la balle à B.
On désigne par An , Bn , Cn les probabilités qu'à l'issue du nième lancer, ce soit A, B ou C qui ait la balle.
1. Montrer que'il existe une matrice carrée M d'ordre 3 telle que :
An+1 An
Bn+1 = M Bn .
Cn+1 Cn
2. Déterminer les valeurs propres de M et les vecteurs propres associés.
3. En déduire que M = P −1 DP , où D est une matrice diagonale et P une matrice que l'on déterminera.
4. Calculer M n .
5. Calculer les limites à l'in ni des probabilités An , Bn et Cn .
On véri era que ces limites sont indépendantes de l'enfant qui avait la balle au début du jeu.
Exercice 46 Dans les cas suivants, déterminer les valeurs propres et les sous-espaces propres de la matrice
A. Dire si A est diagonalisable.
49
( )
3 −2
1. A = ,
2 −2
( )
1 1
2. A = ,
−1 1
( )
3 1
3. A = .
−1 1
−7 9 0
Exercice 47 Soit la matrice A = −6 8 0.
−6 6 2
1. Calculer les valeurs propres de A. On véri era que le polynôme caractéristique s'écrit(λ + 1)(λ − 2)2
et que la somme des valeurs propres est égale à la trace de A.
2. Déterminer les vecteurs propres de A. En déduire que A est diagonalisable.
3. Donner une matrice D diagonale et une matrice P , inversibles, telles que D = P −1 AP .
Exercice 48 Problème : De combien de façons peut-on vider un tonneau de n litres avec un pot de 1
litre et un pot de 2 litres ?
Il est nécessaire de bien s'entendre sur la signi cation du problème. Ainsi un tonneau de 3 litres peut être
vidé en prélevant 1 litre puis 2 litres, ou bien 2 litres puis 1 litre, ou bien 3 fois 1 litre. Ces 3 façons seront
considérées comme diérentes.
Soit Un le nombre recherché.
1. Véri er que U1 = 1 et U2 = 2. Calculer U3 .
2. On admettra que la suite (Un ) véri e la relation : Un+2 = Un+1 + Un .
( ) ( )
Un+1 Un
(a) Déterminer la matrice A telle que : =A .
Un+2 Un+1
(b) Montrer que A est diagonalisable.
(c) Déterminer une matrice D diagonale et une matrice P inversible telles que D = P −1 AP .
(d) Calculer An pour n entier naturel non nul.
(e) En déduire Un en fonction de n.
Exercice 49 Les matrices suivantes sont-elles inversibles ?
1 α 0 0
0 1 α 0
1. A =
0
,
0 1 α
0 0 0 1
0 1 1 1
1 0 1 1
2. B =
1
.
1 0 1
1 1 1 0
1 −1 2 −2
0 0 1 −1
Exercice 50 Soit la matrice A = 1 −1
.
1 0
1 −1 0 0
( ) ( )
1. Soient X1 = 1 1 0 0 et X2 = 0 0 1 1 .
Calculer AX1 et AX2 . En déduire que 0 et 1 sont 2 valeurs propres de A.
2. Déterminer le sous-espace propre associé à la valeur propre 0. Préciser sa dimension.
3. On admet que 0 est une valeur propre double. La matrice A est-elle diagonalisable ?
50 CHAPITRE 4. EXERCICES
Exercice 51
−4 −6 0
1. Soit la matrice A = 3 5 0.
3 6 5
2. Calculer les valeurs propres de A.
Montrer que A est diagonalisable puis diagonaliser A, c'est-à-dire trouver une matrice diagonale D et
une matrice P inversible telles que A = P DP −1 .
3. Calculer An .
4. Soient les suite (un ), (vn ) et (wn ) dé nies par leurs premiers termes u0 , v0 , w0 et les relations suivantes :
un = −4un−1 − 6vn−1
vn = 3un−1 + 5vn−1
wn = 3un−1 + 6vn−1 + 5wn−1
Calculer un , vn et wn en fonction de n et de u0 , v0 , w0 .
Chapitre 5
Annales
Université du Littoral-Côte d'Opale
Pôle Lamartine Licence SESA 3 CG
Mathématiques Appliquées aux Sciences Sociales Contrôle Continu 2006
Durée de l'épreuve : 2h00 Documents autorisés : calculatrice
(Les quatre exercices sont indépendants)
• Exercice 1 (2 points )
Un complexe industriel comprend une centrale électrique au oul et une ra nerie. Pour modéliser les
échanges entre les deux unsines et le marché, on évalue les productions avec la même unité, l'euro.
On suppose que pour produire 1 euro d'électricité, la centrale utilise 0,55 euros de oul et 0,10 euro
d'électricité. Pour produire 1 euro de oul, la ra nerie utilise 0,20 euro d'électricité et 0,05 euro de
oul.
On veut déterminer en euros les productions x d'électricité et y de oul nécessaires pour que complexe
industriel puisse livrer au marché 600000 euros d'électricité et 250000 euros de oul.
1. Traduire les données de l'énoncé sous forme d'un système (S).
2. Calculer x et y .
• Exercice 2 (3 points )
On veut placer 9400 euros en 3 parties : l'une à 6% l'an, la 2ème à 8% l'an, la 3ème à 10% l'an.
On se propose de répondre à la question suivante : peut-on choisir ces 3 parts de façon que chacune
d'elles produise le même intérêt ?
1. On note x la 1ère part, y la 2ème et z la 3ème . Écrire le système d'équations (S) à résoudre.
2. Montrer que (S) peut s'écrire sous forme matricielle :
x 9400 1 1 1
A y = 0 où A = 0 4 −5.
z 0 3 0 −5
3. Résoudre le système (S) puis répondre à la question posée.
• Exercice 3 (7 points )
1 1 −1
Soit la matrice A = 1 1 1 et les matrices colonnes suivantes :
1 1 1
1 −1 0
X1 = −1, X2 = 1 et X3 = 1,
0 1 1
51
52 CHAPITRE 5. ANNALES
1. Calculer AX1 , AX2 et AX3 . En déduire les valeurs propres de A. Que représentent les vecteurs
X1 , X2 et X3 pour A ?
2. Pourquoi A est-elle diagonalisable ?
3. A est-elle inversible ?
• Exercice 4 (10 points )
0 0 1
Soit la matrice A = 1 1 −1, I est la matrice unité de même format.
4 0 0
1. Calculer
det(A − XI). En déduire que le spectre de A est {−2; 1; 2}.
x
2. Déterminer les vecteurs X = y dans les cas suivants :
z
(a) AX = X ,
(b) AX = 2X ,
(c) AX = −2X .
Que représentent pour A les vecteurs ainsi trouvés ?
0 1 1
3. Soit la matrice P = 1 −1 −1.
0 2 −2
(a) Montrer que P est inversible.
(b) Calculer P −1 , matrice inverse de P .
4. Calculer P −1 AP .
En déduire qu'il existe une matrice diagonale D telle que A = P DP −1 .
5. Calculer An , n entier naturel non nul.
53
Université du Littoral-Côte d'Opale
Pôle Lamartine Licence SESA 3 CG
Mathématiques Appliquées aux Sciences Sociales Janvier 2007 - Session 1
Durée de l'épreuve : 2h00 Documents autorisés : calculatrice
(Les trois exercices sont indépendants)
• Exercice 1 (5 points )
1/2 −1 0 1
1/2 −3 1 3
Soit la matrice A =
0 −1 2
.
0
0 0 −1 1
1. Que permet de calculer la règle de Sarrus ? Pourquoi cette règle ne s'applique t-elle pas dans ce
cas ?
2. Calculer le déterminant de A. La valeur λ = 0 est-elle une valeur propre de A ? (On ne demande
pas de déterminer le spectre de A !)
3. Prouver que le vecteur (1, 1, 1, 1) n'est pas un vecteur propre de A.
4. Soit b = (12, 14, 8, 10). Trouver à l'aide de la règle de Cramer le vecteur x tel que Ax = b.
Pouvait-on déduire ce résultat de la question précédente ?
• Exercice 2 (10 points )
On considère le système (S) ci-dessous
provenant d'un modèle économique spéci que
xn = xn−1 − 3yn−1 + 3zn−1
(S) yn = 3xn−1 − 5yn−1 + 3zn−1
zn = 6xn−1 − 6yn−1 + 4zn−1
que l'on souhaite résoudre lorsque les données initiales sont x0 = 1, y0 = 1, z0 = 1 et n = 10.
1. Écrire le système précédent sous la forme Xn = AXn−1 où Xn = (xn , yn , zn ) pour n ∈ N.
2. Montrer que −2 et 4 sont les valeurs propres de A. Peut-on a rmer, simplement à l'aide de ce
résultat, que la matrice A est diagonalisable ?
3. Déterminer les sous-espaces propres E−2 et E4 associés aux valeurs propres −2 et 4 respectivement.
Que peut-on conclure sur A ?
1 1 1
4. Soit la matrice P = 1 0 1 . Après avoir véri é que la matrice P est inversible, déterminer
0 −1 2
l'inverse de la matrice P à savoir P −1 .
5. Soit le vecteur X0 = (1, 1, 1). Calculer Z0 = (a, b, c) tel que Z0 = P −1 X0 .
6. On sait que la solution du système (S) s'écrit alors :
1 1 1
Xn = a(−2)n 1 + b(−2)n 0 + c(4)n 1 .
0 −1 0
Déterminer les composantes de Xn lorsque n vaut 10.
• Exercice 3 (5 points )
2 1 0
Montrer que la matrice A = 0 1 −1 n'est pas diagonalisable. (On détaillera avec soin les
0 2 4
diérentes étapes nécessaires).
54 CHAPITRE 5. ANNALES
Université du Littoral-Côte d'Opale
Pôle Lamartine Licence SESA 3 CG
Mathématiques Appliquées aux Sciences Sociales Contrôle Continu 2007
Durée de l'épreuve : 2h00 Documents autorisés : calculatrice
(Les quatre exercices sont indépendants)
• Questions de cours (3 points )
A est une matrice carrée.
1. Comment obtient-on la transposée de A ?
2. Comment calcule t-on la trace de A ?
3. Que signi e :
(a) λ est une valeur propre de A ?
(b) X est un vecteur propre de A ?
4. 0 est valeur propre de A. A est-elle alors inversible ?
• Exercice 1 (6 points )
Une entreprise fabrique 3 articles A1 , A2 , A3 à partir de 3 matières M1 , M2 , M3 . Les matières pre-
mières sont acheminées vers l'usine par l'intermédiaire d'une société de transport qui facture le coût
du transport à l'unité. Les données sont rassemblées dans les tableaux ci-dessous :
A1 A2 A3
M1 1 2 4
M2 2 1 2
M3 3 2 2
en euros M1 M2 M3
Coût unitaire hors 20 25 15
transport
Coût unitaire en 7 6 5
transport
On note A la matrice des matières premières
etB celle des coûts.
1 2 4 ( )
20 25 15
A= 2 1 2 ,B= .
7 6 5
3 2 2
1. Calculer et interpréter le produit matriciel BA.
2. Une semaine donnée, l'entreprise
doitfournir 8 unités de A1 , 12 unités de A2 et 6 unités de A3 .
8
Soit V la matrice suivante : V = 12.
6
Calculer et interpréter le produit AV .
3. Les contraintes d'approvisionnement sont telles que l'entreprise dispose chaque semaine de 70
unités de M1 , 80 unités de M2 , 60 unités de M3 .
On souhaite savoir s'il existe un schéma de production (x, y, z) (x articles A1 , y articles A2 , z
articles A3 ) qui utilise la totalité des matières premières.
55
x 70
(a) Donner une relation entre les matrices suivantes : A, y et 80.
z 60
En déduire un système d'équations en x, y , et z .
(b) Véri er que la matrice A admet pour inverse la matrice suivante :
−2 4 0
1
2 −10 6 .
6
1 4 −3
(c) En déduire les valeurs de x, y et z .
(d) Existe t-il un schéma de production (x, y, z) qui utilise la totalité des matières premières ?
• Exercice 2 (3 points )
1 0 0
Soit la matrice A = 0 0 −1.
0 1 2
1. Calculer les valeurs propres de A.
2. A est-elle diagonalisable ?
• Exercice 3 (8 points )
2 0 4 −4 −4 2
Soient les matrices A = 3 −4 12, X0 = 3 , X1 = 0 et X2 = 1.
1 −2 5 3 1 0
1. Calculer les produits matriciels AX0 , AX1 et AX2 . En déduire que A admet 3 valeurs propres
que l'on précisera. Que peut-on dire des vecteurs X0 , X1 et X2 ?
−4 −4 2
2. Soit la matrice P = 3 0 1.
2 1 0
(a) Montrer que P est inversible
(b) Calculer l'inverse P −1 de la matrice P .
(c) Montrer que la matrice P −1 AP est une matrice diagonale D.
3. Exprimer A en fonction de D, P et P −1 .
En déduire An pour n entier naturel non nul.
56 CHAPITRE 5. ANNALES
Université du Littoral-Côte d'Opale
Pôle Lamartine Licence SESA 3 CG
Mathématiques Appliquées aux Sciences Sociales Janvier 2008 - Session 1
Durée de l'épreuve : 2h00 Documents autorisés : calculatrice
(Les trois exercices sont indépendants)
• Exercice 1 (5 points )
0 1 0 0
0 0 1 0
Soit la matrice A =
0
.
0 0 1
1 0 0 0
1. Calculer le déterminant de A. 0 est-il une valeur propre de A ? A est-elle inversible ?
2. Calculer les valeurs propres de A.
1
1
3. Montrer que le vecteur X =
1 est un vecteur propre de A.
1
4. Sachant que −1 est une valeur propre de A, déterminer le sous-espace propre E−1 qui lui est
associé.
5. A est-elle diagonalisable ?
• Exercice 2 (10 points )
2 1 −2
Soit la matrice A = 1 0 0 .
0 1 0
1. Calculer les valeurs propres de A. Pourquoi A est-elle diagonalisable ?
1 1 4
2. Soient les vecteurs X1 = −1 , X2 = 1 , X3 = 2.
1 1 1
Montrer que X1 , X2 et X3 sont des vecteurs propres de A.
À quelles valeurs propres sont-ils associés ?
1 1 4 1 −3 2
3. Soient les matrices P = −1 1 2 et Q = −3 3 6 .
1 1 1 2 0 −2
(a) Montrer que P est inversible.
(b) Calculer le produit P Q. En déduire l'inverse P −1 de P .
4. Calculer le produit P −1 AP . Véri er que l'on obtient une matrice diagonale D et en déduire A en
fonction des matrices P , D et P −1 .
5. En utilisant la relation trouvée à la question précédente, calculer An pour n entier naturel non
nul.
6. Application
{
Un+3 = 2Un+2 + Un+1 − 2Un
Soit la suite (Un ) dé nie pour tout entier n par :
U0 = 1, U1 = 1, U2 = 2
Un+3
On note Xn+1 = Un+2 .
Un+1
57
2
(a) Véri er que Xn+1 = AXn . En déduire Xn en fonction de A, de n et de X0 = 1.
1
(b) En utilisant lexpression de An trouvée à la question 5., donner l'expression de Un en fonction
de n.
• Exercice 3 (5 points )
1 1 2 0 1 2 1 0 0
Soient les matrices A = 0 1 1, B = 0 0 1 et I = 0 1 0.
0 0 1 0 0 0 0 0 1
1. Calculer B 2 puis B 3 .
2. En remarquant que A = I + B , calculer A2 puis An , n entier naturel.
Pour le calcul de An , on utilisera la formule suivante :
n ( )
∑ ( )
n n n!
n
(I + B) = B où
k
= et n! = 1 × 2 × . . . n.
k k k!(n − k)!
k=0
58 CHAPITRE 5. ANNALES
Université du Littoral-Côte d'Opale
Pôle Lamartine Licence SESA 3 CG
Mathématiques Appliquées aux Sciences Sociales Novembre 2008 - Semestre 1
Durée de l'épreuve : 1h30 Documents autorisés : calculatrice
• Exercice 1
Analysons la fabrication de 3 produits semi- nis S1 , S2 , S3 au moyen de 4 facteurs primaires de pro-
duction F1 , F2 , F3 et F4 (qui peuvent être, pour xer les idées, le travail, le capital, l'énergie et des
matières premières). La quantité du facteur Fj nécessaire pour fabriquer une unité de produit Si est
donnée par l'élément aij de la matrice A = (aij ) ci-dessous, appelée matrice de fabrication.
(Les éléments de A seront supposés xes aussi longtemps que la technique de production reste inchan-
gée.)
100 50 3 6
A = 200 10 4 4
150 20 5 5
Ainsi, par exemple, la production d'une unité de S1 nécessite 100 unités de F1 , 50 unités de F2 , 3 unités
de F3 et 6 unités de F4 .
Les 3 produits semi- nis S1 , S2 et S3 servent à leur tour pour fabriquer deux produits nis P1 et
P2 . Pour obtenir une unité du produit Pi , il faut employer les quantités bij de Sj précisées à l'aide
d'une nouvelle matrice de fabrication B = (bij ) donnée ci-dessous
( )
5 8 6
B=
2 4 2
1. Calculer les matrices transposées de A et de B .
2. Préciser si les produits A.B et B.A sont réalisables et le cas échéant, calculer ces produits et en
donner une interprétation économique.
3. Si les matières premières F1 , F2 , F3 et F4 coûtent à l'unité 10, 5, 4 et 2 euros respectivement,
préciser le coût de fabrication des produits semi- nis ainsi que celui des produits nis.
4. Peut-on résoudre le problème inverse à savoir : pour un coût de fabrication donné des produits
nis, peut-on retrouver les coûts à l'unité des matières premières F1 , F2 , F3 et F4 ? Pourquoi ?
• Exercice 2
Soit A la matrice dé nie par ( )
3 4
A= .
−1 −2
1. Montrer que les valeurs propres de A sont 2 et −1.
2. Donner un vecteur propre U associé à la valeur propre 2 et un vecteur propre V associé à la valeur
propre −1.
3. Soit la matrice P consitutée des vecteurs colonnes U et V trouvés dans la question précédente.
Véri er que P est inversible et calculer P −1 .
4. On pose D la matrice diagonale constituée des valeurs propres 2 et −1 soit
59
( )
2 0
D= .
0 −1
Montrer en n que A = P DP −1 .
• Exercice 3
Soit la matrice
2 1 −1
1 a 1
3 1 −a
1. Déterminer les valeurs de a pour lesquelles le déterminant de la matrice A est nul.
2. Pour quelles valeurs de a la matrice A est-elle inversible ?
• Exercice 4
Dans un désert, il y a des serpents, des scorpions et des souris ;
chaque matin, chaque serpent mange une souris,
chaque midi, chaque scorpion pique un serpent et
chaque soir, chaque souris mange un scorpion.
Au bout d'une semaine, il ne reste plus qu'une souris et on se demande quelle était la situation au
départ. On note xn le nombre de serpents, yn le nombre de scorpions et zn le nombre de souris à l'aube
du n-ième jour.
1. Montrer que :
1 −1 0 x1 x2
1 1 −1 y1 = y2
−1 0 1 z1 z2
2. Plus généralement, montrer que :
1 −1 0 xn xn+1
1 1 −1 yn = yn+1
−1 0 1 zn zn+1
1 −1 0
3. Calculer le déterminant de la matrice A = 1 1 −1 .
−1 0 1
4. Déterminer l'inverse de la matrice A par la méthode de votre choix.
5. Combien y-avait-il de serpents, scorpions et souris en début de semaine si (x2 , y2 , z2 ) = (10, 10, 10) ?
60 CHAPITRE 5. ANNALES
Université du Littoral-Côte d'Opale
Pôle Lamartine SESA 3 CG
Contrôle terminal de MASS Janvier 2009 - Semestre 1
Durée de l'épreuve : 2 h 00 Documents autorisés : calculatrice
• Exercice 1
1 1 1
1. On souhaite diagonaliser A = 0 1 0 .
1 0 1
∑
(a) Déterminer
∏ les valeurs propres λi de la matrice A et véri er ainsi que tr(A) = λi et
det(A) = λi . Peut-on en déduire à ce stade de l'étude que A est diagonalisable ? Pourquoi ?
(b) Déterminer les vecteurs propres de A associés aux valeurs propres précédentes et véri er que
la matrice de passage
P (de la base canonique à la base des vecteurs propres de A) peut être
−1 0 1
donnée par P = 0 −1 0 .
1 1 1
(c) Calculer P −1 et préciser à quoi est égal le produit P −1 AP .
(d) Calculer A7 .
(e) Calculer An pour un entier n quelconque.
(f) A est-elle inversible ?
2. On considère le problème d'évolution suivant : soit une boîte étanche contenant un liquide. Cette
boîte est subdivisée en trois compartiments a, b et c. Les parois entre les compartiments sont
d'une porosité (perméabilité) variable. Ainsi on mesure qu'après une journée :
la moitié du liquide contenu dans a y est restée, l'autre moitié est passée dans c,
la moitié du liquide contenu dans b y est restée, l'autre moitié est passée dans a,
la moitié du liquide contenu dans c y est restée, l'autre moitié est passée dans a.
(a) Dessiner le graphe associé à ce problème d'évolution. Montrer que la matrice d'évolution
1
qu'on notera M est égale à A.
2
(b) Si, à un moment donné, tout le liquide est dans le compartiment b, quelle sera la répartition
après 2 jours ? Après 7 jours ?
(c) Il existe une répartition Y idéale qui reste constante au cours du temps, c'est à dire,
jour après jour, la quantité de liquide dans a reste constante et de même pour b et c. Cette
répartition Y véri e donc M Y = Y . Calculer cette répartition.
(d) Que dire de la répartition après n semaines d'activité si n est très grand.
• Exercice 2 On se donne les matrices A et B suivantes :
1 2 3 4 1 1 0 0
0 1 2 3 0 1 1 0
A=
0
, B=
0 1 2 0 0 1 1
0 0 0 1 0 0 0 1
1. Montrer que ces deux matrices ont toutes les deux
le même déterminant,
une unique valeur propre 1 et
un sous-espace propre de dimension 1 engendré par le vecteur propre associé v1 = (1, 0, 0, 0).
Pourquoi ces matrices ne sont-elles pas diagonalisables ? A votre, avis, quelle relation lie ces deux
matrices ?
61
2. Montrer que desvecteurs
propres
généralisés
deA associés
à la valeur propre 1 peuvent être
0 0 0
1 −3 5
donnés par v2 = 2 8 16
0 , v3 = 1 et v4 = − 3 .
4 8
0 1
0 8
1 0 0 0
1 0 2 3 4
3. Montrer que si P = [v1 v2 v3 v4 ] alors det(P ) = et P −1 =
0
.
64 0 4 12
0 0 0 8
En déduire alors P −1 AP .
62 CHAPITRE 5. ANNALES
Université du Littoral-Côte d'Opale
Pôle Lamartine SESA 3 CG
Contrôle de MASS Septembre 2009 - Semestre 1, Session 2
Durée de l'épreuve : 2 h 00 Documents autorisés : calculatrice
• Exercice 1 On considère une population répartie entre personnes employées et personnes sans emploi.
On note xn la proportion de la population étudiée qui est employée à la n de la période n et yn la
proportion qui est sans emploi. On suppose qu'une personne employée a une probabilité de 85% de
rester employée à la période suivante et qu'une personne sans emploi a une probabilité de 45% de se
retrouver employée à la période suivante. On suppose de plus que la population totale est constante,
et qu'initialement (période n = 0) 10% de la population est sans emploi.
1. Exprimer xn+1 et yn+1 en fonction de xn et yn .
2. Que valent x0 et y0 ? Calculer x1 et y1 , puis x2 et y2 .
3. Calculer le taux de chômage à terme c'est-à-dire la limite de yn quand n → +∞.
(Indication : Si A est la matrice traduisant la transition d'une période à la suivante, on cherchera
à diagonaliser A puis on calculera An ...)
• Exercice 2 (les trois questions sont indépendantes)
1. Soit A une matrice carrée. Soit B la matrice obtenue à partir de la matrice A en multipliant
sa i-ième ligne par un réel λ. Donner (sans justi cation) l'expression du déterminant de B en
fonction de celui de A.
2. Soit A une matrice carrée de taille 4. Exprimer det(3A) en fonction de det(A). Justi er la réponse.
1 1 1
3. La matrice 0 1 0 est-elle inversible ? Si oui, calculer son inverse.
1 1 2
• Exercice 3 On considère A la matrice carrée d'ordre 3 suivante :
−3 −2 −2
6 5 2
6 2 5
1. Calculer le polynôme caractéristique de A et en déduire que le spectre de A est donné par Sp(A) =
{1, 3}. Peut-on en déduire que A est diagonalisable ?
1 0 −1
2. Soient v1 , v2 et v3 dé nis respectivement par −3 , −1 et 1 .
0 1 1
Calculer Av1 , Av2 et Av3 . Que peut-on en déduire sur la nature de v1 , v2 et v3 ? Quelles conclusions
tire t-on concernant A ?
3. Soit P la matrice carrée d'ordre 3 dé nie par
1 0 −1
−3 −1 1
0 1 1
(a) Que représente P ? Préciser les produits P −1 AP et P DP −1 .
(b) Calculer explicitement P −1 puis en déduire A5 .
Vous aimerez peut-être aussi
- Matrices et Déterminants : Guide CompletPas encore d'évaluationMatrices et Déterminants : Guide Complet66 pages
- Algèbre Linéaire Numérique et MatricesPas encore d'évaluationAlgèbre Linéaire Numérique et Matrices63 pages
- Cours d'Algèbre : Systèmes LinéairesPas encore d'évaluationCours d'Algèbre : Systèmes Linéaires174 pages
- Ecole Polytechnique de Louvain LEPL 1101Pas encore d'évaluationEcole Polytechnique de Louvain LEPL 110143 pages
- Cours Mathématiques Avancées Pour L'ingénieur-1Pas encore d'évaluationCours Mathématiques Avancées Pour L'ingénieur-149 pages
- Théorie et Pratique du Calcul MatricielPas encore d'évaluationThéorie et Pratique du Calcul Matriciel129 pages
- Notes de Cours Algèbre Lineaire Et Calcul Matriciel-Bentaleb-2021Pas encore d'évaluationNotes de Cours Algèbre Lineaire Et Calcul Matriciel-Bentaleb-202165 pages
- M307: Algèbre Matricielle NumériquePas encore d'évaluationM307: Algèbre Matricielle Numérique72 pages
- Résumé L2: Algèbre Linéaire EssentiellePas encore d'évaluationRésumé L2: Algèbre Linéaire Essentielle32 pages
- Exercices sur les formes quadratiquesPas encore d'évaluationExercices sur les formes quadratiques41 pages
- Algèbre Linéaire et Résolution NumériquePas encore d'évaluationAlgèbre Linéaire et Résolution Numérique81 pages
- Calcul Matriciel Et Fonctions de Plusieurs Variables (Suite) Chapitre 2: Systèmes D'équations Linéaires Et MatricesPas encore d'évaluationCalcul Matriciel Et Fonctions de Plusieurs Variables (Suite) Chapitre 2: Systèmes D'équations Linéaires Et Matrices9 pages
- Cours d'Algèbre Linéaire Prépa Agro-VétoPas encore d'évaluationCours d'Algèbre Linéaire Prépa Agro-Véto91 pages
- Plan Maroc Vert: Stratégie AgricolePas encore d'évaluationPlan Maroc Vert: Stratégie Agricole9 pages
- Fluctuations Économiques au SénégalPas encore d'évaluationFluctuations Économiques au Sénégal4 pages
- Cours Ecologie-Ecotox - Chapitre v-1Pas encore d'évaluationCours Ecologie-Ecotox - Chapitre v-123 pages
- Théorie de la DFT en Chimie QuantiquePas encore d'évaluationThéorie de la DFT en Chimie Quantique8 pages
- Opportunités et stratégies de WhiskasPas encore d'évaluationOpportunités et stratégies de Whiskas3 pages
- Réaliser une Émission Radio ÉducativePas encore d'évaluationRéaliser une Émission Radio Éducative4 pages
- Couloir Prothétique : Impact EsthétiquePas encore d'évaluationCouloir Prothétique : Impact Esthétique76 pages
- Évaluation de l'activité aphrodisiaque de DIAZOSTIMULPas encore d'évaluationÉvaluation de l'activité aphrodisiaque de DIAZOSTIMUL22 pages
- Modes de communication : verbal, non verbal, paraverbalPas encore d'évaluationModes de communication : verbal, non verbal, paraverbal5 pages
- Figures de Style: Substitution et OppositionPas encore d'évaluationFigures de Style: Substitution et Opposition17 pages
- Code des Marchés Publics en MauritaniePas encore d'évaluationCode des Marchés Publics en Mauritanie67 pages
- Calcul de Fonctions de Transfert de Circuits Électriques.: Exercice 1Pas encore d'évaluationCalcul de Fonctions de Transfert de Circuits Électriques.: Exercice 18 pages
- Appel A Manifestation D'interet Oscs Pour Mise en Oeuvre Microprojets Resilience Resitchad 07Pas encore d'évaluationAppel A Manifestation D'interet Oscs Pour Mise en Oeuvre Microprojets Resilience Resitchad 0713 pages
