Chapitre 14 : Matrices.
Dans tout le chapitreKdésignera indifféremment RouC. Les éléments deKseront appelés des scalaires.
I Généralités sur les matrices
A Définitions de base
Soit pn, pq P pN˚q2. On appelle matrice de taille nˆp un tableauA d’éléments de Kà n lignes et pcolonnes.
On notera A“ pAi,jq1ďiďn
1ďjďp
ouA“ pAi,jqpi,jqPJ1,nKˆJ1,p
K
. On écrit la matriceAsous la forme suivante
A“
¨
˚
˚
˚
˝
A1,1 A1,2 ¨ ¨ ¨ A1,p
A2,1 A2,2 ¨ ¨ ¨ A2,p
... ... ... An,1 An,2 ¨ ¨ ¨ An,p
˛
‹
‹
‹
‚
Remarque1. On écrit alors simplement MnpKqau lien de Mn,npKql’ensemble des matrices carrées
On note Mn,ppKq (resp. Mn,ppRq, Mn,ppCq) l’ensemble des matrices de taille nˆp à coefficients dansK(resp.R,C).
Si n“1 on parle de matrice ligne, sip“1 on parle de matrice colonne.
Si n“pon parle de matrice carrée Définition 1
Exemple 1. — A“ ˆ1 2
3 4
˙
PM2pRq
— B“
ˆ 5 0 i 21`2i 8 eiπ3
˙
PM2,3pCq
Soit A PMn,ppKq et B P Mn,ppKqdeux matrices . On dit que A et B sont égales et on note A“B si
@pi, jq PJ1, nKˆJ1, pK, Ai,j “Bi,j
Définition 2
Exemple 2. Soit A“
ˆ1 ´1
0 2
˙ B “
ˆcosp0q eiπ tanp0q 2
˙
et C“
¨
˝ 1 ´1
0 2
0 0
˛
‚
On a alorsA“B maisA‰C etB‰C.
SoitAPMn,ppKq. Pourpi, jq PJ1, nKˆJ1, pKon définit les matrices suivantes
— La i-ème ligne deAest la matrice ligne Li“`
Ai,1 Ai,2 ¨ ¨ ¨ Ai,p
˘
— La j-ème colonne deAest la matrice colonne
Cj “
¨
˚
˚
˚
˝ A1,j
A2,j
... An,j
˛
‹
‹
‹
‚ Définition 3
B Matrices particulières
— On appelle matrice nulle de taillenˆpla matrice notée 0nˆp dont tous les coefficients sont nuls.
— On appelle matrice identité de taillenla matrice carrée notéeIn définie par
In“
¨
˚
˚
˚
˚
˚
˚
˚
˚
˚
˝
1 0 0 ¨ ¨ ¨ 0 0 0 1 0 ¨ ¨ ¨ 0 0 ... . .. ... ... . .. ... ... . .. ... 0 0 0 ¨ ¨ ¨ 0 1
˛
‹
‹
‹
‹
‹
‹
‹
‹
‹
‚ Définition 4
— Une matrice A carrée de taille n est dite diagonale si tous ses coefficients sont nuls sauf éventuellement ceux de sa diagonale.
Remarque2. Inest en particulier une matrice diagonale de taillen
On a donc
@pi, jq PJ1, nK, i‰j ñ Ai,j “0
— Soitpλ1,¨ ¨ ¨λnq PKn, on noteDiagpλ1,¨ ¨ ¨λnqla matrice diagonale de taillendéfinie par
Diagpλ1,¨ ¨ ¨λnq “
¨
˚
˚
˚
˚
˚
˚
˚
˚
˚
˝
λ1 0 0 ¨ ¨ ¨ 0 0 0 λ2 0 ¨ ¨ ¨ 0 0
... . .. ...
... . .. ...
... . .. ...
0 0 0 ¨ ¨ ¨ 0 λn
˛
‹
‹
‹
‹
‹
‹
‹
‹
‹
‚
Remarque3. On définit de manière similaire les matrices triangulaires inférieure comme les matrices dont les coefficients au dessus de la diagonale sont nuls
— Un matrice carréeB de taillenest dite triangulaire supérieure si tous ses coefficients sous la diagonale sont nuls, c’est-à-dire
@pi, jq PJ1, nK, iąj ñ Bi,j “0 On a donc
B “
¨
˚
˚
˚
˚
˚
˚
˚
˚
˚
˚
˝
B1,1 B1,2 B1,3 ¨ ¨ ¨ B1,n´1 B1,n
0 B2,2 B2,3 ¨ ¨ ¨ B2,n´1 B2,n
... . .. ...
... . .. ...
... . .. ...
0 0 0 ¨ ¨ ¨ 0 Bn,n
˛
‹
‹
‹
‹
‹
‹
‹
‹
‹
‹
‚
Remarque4. Les matrices triangulaires supérieures sont les matrices échelonnées carrées.
— Une matriceM de taillenˆpest dit échelonnée si
@pi, jq PJ1, nK, iąj ñ Mi,j“0 Définition 5
II Opération sur les matrices
A Addition, multiplication par un scalaire
SoitpA, Bq PMn,ppKq2
On définit la matriceA`B par
A`B“ pAi,j`Bi,jqpi,jqPJ1,nKˆJ1,p
K
Il s’agit donc de la matrice obtenue en additionnant les coefficients de Aet ceux deB.
Définition 6
SoitpA, B, Cq PMn,ppKq3, on a alors
— pA`Bq `C“A` pB`Cq
Remarque5. On écrira alorsA`B`C
— A`B “B`A
— A`0n,p“A Proposition 1
Démonstration. Il s’agit de simples conséquences de la définition.
SoitAPMn,ppKqetλPK. On définit le produit deA parλnotéλ¨Apar
Remarque6. On n’écrit jamaisA¨λ
λ¨A“ pλAi,jqpi,jqP
J1,nKˆJ1,pK
On multiplie donc chaque coefficient deAparλ Définition 7
Remarque7. Si le contexte est clair et qu’aucune confusion n’est possible, en particulier avec le produit matriciel défini ci-après, alors on pourra se passer du¨et écrire simplementλA
Remarque8. On n’écrira par contre jamaisAλ
SoitpA, Bq PMn,ppKq2 etpλ, µq PK2, on a alors
— λ¨ pµ¨Aq “ pλµq ¨A
— 1¨A“Aet 0¨A“0n,p
— pλ`µq ¨A“λ¨A`µ¨A
— λ¨ pA`Bq “λ¨A`µ¨B Proposition 2
Démonstration. Il s’agit de simples conséquences de la définition.
B Produit matriciel
SoitAPMn,ppKqet BPMp,qpKq.
Remarque9. Faire EXTRÊMEMENT attention aux dimensions deAetB
On définit le produit AˆB comme la matrice de taille nˆqdéfinie par
@pi, jq PJ1, nKˆJ1, qK pAˆBqi,j“
p
ÿ
k“1
Ai,kˆBk,j
On a le schéma suivant : Définition 8
Remarque 10. — Pour pouvoir définir le produitAˆBil faut que le nombre de colonnes deAsoit égal au nombre de lignes deB.
Schématiquementpnˆpqmultiplié parppˆqqdonnepnˆqq.
Remarque11. En particulier si
pA, Bq PMnpKq2alors AˆBPMnK
— Si le contexte est clair et qu’aucune confusion est possible on écrira ABplutôt queAˆB
SoitAPMn,ppKq, on a
— AIp“A,InA“A
— A0p,q“0n,q, 0r,nA“0r,p
Proposition 3
Démonstration. Soitpi, jq PJ1, nKˆJ1, qK, on a alors pAIpqi,j“ ÿ
k“1p
Ai,kpIpqk,j
“Ai,jˆ1 ppIpqk,j “0 sik‰jq
“Ai,j
On prouve de même queInA“A.
Il est clair queA0p,q“0n,q et 0r,nA“0r,p
SoitA, B etC trois matrices etλPK. Lorsque les opération effectuées sont licites, on a
— Aˆ pBˆCq “ pAˆBq ˆC
Remarque12. On écrira alorsAˆBˆC
— pA`Bq ˆC“AˆC`BˆC
— Aˆ pB`Cq “AˆB`AˆC
— Aˆ pλ¨Bq “ pλ¨Aq ˆB“λ¨ pAˆCq
Remarque13. On écrit alorsλAB
Proposition 4
Démonstration. Il suffit de calculer les coefficients pour vérifier les égalités.
SoitAPMn,ppKq,BPMp,qpKqetCPMq,rpKq. Soitpi, jq PJ1, nKˆJ1, rK.
On a
pAˆ pBˆCqqi,j“
p
ÿ
k“1
Ai,kpBˆCqk,j
“
p
ÿ
k“1
Ai,k q
ÿ
`“1
Bk,`C`,j
“
p
ÿ
k“1 q
ÿ
`“1
Ai,kBk,`C`,j
“
q
ÿ
`“1 p
ÿ
k“1
Ai,kBk,`C`,j
“
q
ÿ
`“1
C`,j p
ÿ
k“1
Ai,kBk,`
“
q
ÿ
`“1
C`,jpAˆBqi,`
“
q
ÿ
`“1
pAˆBqi,`C`,j
“ ppAˆBq ˆCqi,j
Les autres résultats se prouvent de manière similaire.
Remarque 14. Le produit matriciel ne se comporte pas toujours comme le produit usuel surRouC. Énumérons certaines erreurs
— Soit APMn,ppKqetB PMp,npKq. En général on a AˆB‰BˆA
Par exemple soit
A“ ˆ1 1
0 0
˙
B “ ˆ3 4
1 2
˙
On a alors
AB“ ˆ4 6
0 0
˙
et BA“
ˆ3 3 1 1
˙
Autant que possible on précisera alors si on multiplieA parB à droite (c’est-à-dire le produit AB) ou à gauche (le produitBA).
— Comme le produit n’est pas commutatif, de nombreuses manipulations usuelles sur les scalaires sont fausses sur les matrices. Par exemple les identités remarquables ne sont plus vraies. On a
— pA`Bq2“A2`AB`BA`B2, en généralpA`Bq2‰A2`2AB`B2
— pA´BqpA`Bq “A2`AB´BA´B2, en généralpA´BqpA`Bq ‰A2´B2 De même la formule du binôme de Newton ne sera pas vraie en général.
— Soit C P Mn,ppKq et D P Mp,qpKq, alors CˆD “ 0n,q n’implique pas que C “ 0n,p ou D“0p,q.
Par exemple soit
C“
ˆ3 2 ´1
2 4 4
˙
D“
¨
˝
´2 4
5 ´10
4 ´8
˛
‚
On a alors
CˆD“ ˆ0 0
0 0
˙
et DˆC“
¨
˝
2 12 ´6
´5 ´30 35
´4 ´24 28
˛
‚
— Une conséquence importante est qu’il n’est pas possible de « simplifier »par une matrice A , même siA‰0.
AB“AC n’implique pasqueB“C.
— Last but not least, une des pires erreurs que vous puissiez faire serait de diviser par une matrice.
En aucun cas, dans aucune situation, on ne peux diviser par une matrice. Le faire vous voudra l’ire éternelle du correcteur et de votre professeur.
Soitpλ1,¨ ¨ ¨, λn, µ1,¨ ¨ ¨µnq PK2n.
— Le produit de deux matrices diagonales est une matrice diagonale. En particulier on a Diagpλ1,¨ ¨ ¨λnq ˆDiagpµ1,¨ ¨ ¨µnq “Diagpλ1µ1,¨ ¨ ¨λnµnq
— Le produit de deux matrices triangulaires supérieures est une matrice triangulaire supérieure. Le produit de deux matrices triangulaires inférieures est une matrice tri- angulaire inférieure.
Proposition 5
Démonstration. Il suffit de calculer les coefficients
SoitAPMnpKq. On définit par récurrence les puissances successives deApar
#A0“In
@pPN, Ap`1“AˆAp “ApˆA
Remarque15. SiA n’est pas une matrice carrée on ne peut pas définirAp.
On a ainsi
Ap“AˆAˆ ¨ ¨ ¨ ˆA looooooooomooooooooon
pfois
Définition 9
SoitAPMnpKqetpp, qq PN2, on a
— ApˆAq “Ap`q
— pApqq“Apq Proposition 6
Démonstration. Simple conséquence de la définition
Remarque 16. Si pA, Bq P MnpKq2 et p P N en général on n’a pas pABqp “ ApBp. On a en effet pABqn “ABAB¨ ¨ ¨AB, ce qui, en général, est différent deAnBn.
SoitpA, Bq PMnpKq2. On dit queAet B commutent siAB“BA.
Définition 10
SoitpA, Bq PMnpKq2 deux matrices qui commutent etnPN. On a alors
— pA`Bq2“A2`2AB`B2
— pA´BqpA`Bq “ pA`BqpA´Bq “A2´B2
— pABqn“AnBn
— pA`Bqn“řn k“0
`n
k
˘AkBn´k“řn k“0
`n
k
˘An´kBk Proposition 7
C Transposition
SoitAPMn,ppKq, on définit la matrice transposée deA, notéetAPMp,npKqpar
Remarque17. On trouve parfois la notationAT tAi,j“Aj,i
Moralement on obtient tA en faisant une symétrie des coefficients de A par rapport à sa diagonale.
Définition 11
SoitpA, Bq PMn,ppKq2,CPMp,qpKqet λPK, on a
— tptAq “A
— tpA`Bq “tA`tB
— tpAˆCq “tCˆtA
— tpλAq “λtA Proposition 8
Démonstration. Seule la troisième propriété ne découle pas immédiatement de la définition.
Soitpi, jq PJ1, qKˆJ1, nK, on a
SoitAPMnpKq.
— On dit que Aest symétrique sitA“A, c’est-à-dire
@pi, jq PJ1, nK
2, Ai,j“Aj,i
— On dit que Aest antisymétrique sitA“ ´A, c’est-à-dire
Remarque18. Ceci implique en particulier que les coefficients diagonaux deAsont nuls
@pi, jq PJ1, nK
2, Ai,j“ ´Aj,i Définition 12
III Écriture matricielle d’un système linéaire
Considérons le système linéaire
pSq:
$
’’
’&
’’
’%
a1,1x1 ` a1,2x2 ` ¨ ¨ ¨ ` a1,pxp “ b1
a2,1x1 ` a2,2x2 ` ¨ ¨ ¨ ` a2,pxp “ b2
... ... ... ...
an,1x1 ` an,2x2 ` ¨ ¨ ¨ ` an,pxp “ bn
où
@iPJ1, nK, @kPJ1, pK, ai,kPK, biPK Notons alors
A“
¨
˚
˚
˚
˝
a1,1 a1,2 ¨ ¨ ¨ ¨ ¨ ¨ a1,p
a2,1 a2,2 ¨ ¨ ¨ ¨ ¨ ¨ a2,p
... ... ...
an,1 an,2 ¨ ¨ ¨ ¨ ¨ ¨ an,p
˛
‹
‹
‹
‚
X “
¨
˚
˚
˚
˚
˚
˚
˝ x1 x2 ... ... xp
˛
‹
‹
‹
‹
‹
‹
‚
B “
¨
˚
˚
˚
˝ b1 b2 ... bn
˛
‹
‹
‹
‚
Soit px1, x2,¨ ¨ ¨, xpq P Kp. px1, x2,¨ ¨ ¨, xpq est solution de pSqsi et seulement si AX “ B avec les notations introduites plus haut.
On appelle l’écriture AX“B la formulation matricielle du systèmepSq.
Proposition 9
Pour résoudre un système linéaire on va utiliser la même méthode que précédemment en utilisant des opérations élémentaires sur les lignes sauf qu’au lieu de faire les opérations sur le système on va les faire sur les matricesA etB.
Cela a plusieurs intérêts, tout d’abord c’est moins lourd à écrire mais surtout cette méthode va nous permettre d’utiliser l’ordinateur ou la calculatrice pour faire les calculs.
On va introduire une nouvelle notation pour simplifier encore les écritures.
SoitAPMn,ppKqetBPMn,1pKq. On introduit la matrice augmentéepA|Bq
Remarque19. pA|Bq n’est pas vraiment une matrice, c’est juste une écriture condensée pratique pour les calculs
¨
˚
˚
˚
˝
a1,1 a1,2 ¨ ¨ ¨ ¨ ¨ ¨ a1,p b1 a2,1 a2,2 ¨ ¨ ¨ ¨ ¨ ¨ a2,p b2 ... ... ... ... an,1 an,2 ¨ ¨ ¨ ¨ ¨ ¨ an,p bn
˛
‹
‹
‹
‚ Définition 13
On fera alors nos opérations élémentaires sur les lignes depA|Bq.
Exemple 3. Soit
S:
$
&
%
x ´ y ` 2z “ 5
3x ` 2y ` z “ 10
2x ´ 3y ´ 2y “ ´10
On considère la matrice augmentée
¨
˝
1 ´1 2 5
3 2 1 10
2 ´3 ´2 ´10
˛
‚
L2ÐL2´3L1
L3ÐL3´2L1
¨
˝
1 ´1 2 5
0 5 ´5 ´5
0 ´1 ´6 ´20
˛
‚
L2Ð 15L2
L3Ð ´L3
¨
˝
1 ´1 2 5
0 1 ´1 ´1
0 1 6 20
˛
‚
L3ÐL3´L2
¨
˝
1 ´1 2 5
0 1 ´1 ´1
0 0 7 21
˛
‚
L3Ð 17L3
¨
˝
1 ´1 2 5
0 1 ´1 ´1
0 0 1 3
˛
‚
On peut s’arrêter ici, on a alors S ô
$
&
%
x ´ y ` 2z “ 5 y ´ z “ ´1
z “ 3
On « remonte »ensuite le système par substitutions successives pour le résoudre.
On peut aussi continuer à travailler sur la matrice augmentée L2ÐL2`L3
L1ÐL1´2L3
¨
˝
1 ´1 0 ´1
0 1 0 2
0 0 1 3
˛
‚
L1ÐL1`L2
¨
˝
1 0 0 1
0 1 0 2
0 0 1 3
˛
‚
On aboutit ainsi à la solution : L’ensemble des solutions deS esttp1,2,3qu.
SoitAPMn,ppKq. Par des opérations élémentaires sur les lignes on peut transformerAen une matrice échelonnée ˜A
Remarque20. A‰A,˜ on dit queAest équivalente à ˜A
.
On définit le rang deA, notée rgpAqou RangpAqcomme étant le nombre de lignes non-nulles de ˜A.
Le rang de A est également le rang des systèmes linéaires AX “ B avec B P Mn,1pKq quelconque
Définition 14
Exemple 4. SoitA“
¨
˝
3 2 1 1 1 0 2 1 1
˛
‚. Déterminons RangpAq.
L2ØL1
¨
˝
1 1 0 3 2 1 2 1 1
˛
‚
L2ÐL2´3L1 L3ÐL3´2L1
¨
˝
1 1 0
0 ´1 1 0 ´1 1
˛
‚
L3ÐL3´L2
¨
˝
1 1 0
0 ´1 1
0 0 0
˛
‚
AinsiAest équivalente à une matrice de rang 2.Aest donc de rang 2.
SoitAPMn,ppKq. On a
RangpAq “Rang`t A˘ Théorème 10
Démonstration. Résultat admis
IV Inversion de matrice
A Définition
On a vu que la multiplication matricielle nous réserve certaines surprises, en particulier la simpli- fication est impossible. Mais qu’entendait-on par simplification ?
Soitpa, bq P pRq2 etcPR˚, on suppose que l’on a ca“cb
et on souhaite prouver quea“b.
Rigoureusement on ne barre pas simplement les c. On sait qu’il existedPRtel quecd“dc“1 (on notera alorsd“ 1c). On peut alors multiplier de part et d’autre de l’égalité pard, on a donc
dca“dcb
C’est-à-dire
1a“1b et donca“b.
Peut-on obtenir quelque chose de similaire sur les matrices ? En général non comme on l’a vu plus haut mais, dans certains cas, c’est possible
Une matrice carrée APMnpKq
Remarque21. Il est important queAsoit carrée
est dite inversible s’il existeBPMnpKqtelle que AB“BA“In
La matriceB est alors unique, on l’appelle l’inverse deAet on la noteA´1
Remarque22. Écrire
1
A est une horreur absolue et vous vaudra mon inimitié éternelle
On note GLnpKql’ensemble des matrices inversibles de taillen.
Définition 15
Démonstration. Il nous faut prouver l’unicité deB.
Supposons qu’il existeB1et B2 telles que
AB1“B1A“In et AB2“B2A“In On a alors , d’un part
B1AB2“B1In“B1
et d’autre part
B1AB2“InB2“B2
D’oùB1“B2
La définition mentionne qu’il faut avoirAB“BA“In, en pratique c’est un peu plus simple
SoitpA, Bq PMnpKq2, On a l’équivalence
AB“In ôBA“In
Théorème 11
Démonstration. Résultat admis
SoitpA, Bq PMnpKq2, siAB“In ouBA“In alorsB“A´1 Corolaire 12
Exemple 5. — In est inversible etIn´1“In.
— Soit
A“
ˆ2 i
´i 1
˙
B “
ˆ1 ´i i 2
˙
Aest inversible etB“A´1. En effet on a AB“
ˆ2`i2 ´2i`2i
´i`i p´iq2`2
˙
“ ˆ1 0
0 1
˙
“I2
Savoir si une matrice est inversible est un problème compliqué mais dans certains cas c’est très simple.
Soitpλ1,¨ ¨ ¨, λnq PKn et soitM “Diagpλ1,¨ ¨ ¨, λnq.
M est inversible si et seulement si
@iPJ1, nK, λi‰0 Et dans ce cas on a
M´1“Diag ˆ 1
λ1
,¨ ¨ ¨, 1 λn
˙ Proposition 13
Démonstration. Il suffit de faire les calculs.
SoitpA, Bq PGLnpKq2. Alors
— A´1 est inversible et` A´1˘´1
“A
— ABest inversible etpABq´1“B´1A´1
Remarque23. A`B n’est elle, en général, pas inversible
— tAest inversible etptAq´1“t` A´1˘ Théorème 14
Démonstration. — On aAA´1“In, ainsi A´1 est inversible d’inverseA.
— On apABqpB´1A´1q “ABB´1A´1“AInA´1“AA´1“In. AinsiABest inversible d’inverse B´1A´1.
— On atAt` A´1˘
“t` A´1A˘
“tIn“In. AinsitAest inversible d’inverse t` A´1˘
B Détermination de A
´1SoitAPMnpKqon cherche comment déterminer siA est inversible et, le cas-échéant, déterminer A´1.
1 Via le système linéaire associé
On rappelle que si
A“
¨
˚
˚
˚
˝
a1,1 a1,2 ¨ ¨ ¨ ¨ ¨ ¨ a1,n a2,1 a2,2 ¨ ¨ ¨ ¨ ¨ ¨ a2,n
... ... ...
an,1 an,2 ¨ ¨ ¨ ¨ ¨ ¨ an,n
˛
‹
‹
‹
‚
X “
¨
˚
˚
˚
˚
˚
˚
˝ x1 x2
... ... xn
˛
‹
‹
‹
‹
‹
‹
‚
B“
¨
˚
˚
˚
˝ b1
b2
... bn
˛
‹
‹
‹
‚
Alors le système
pSq:
$
’’
’&
’’
’%
a1,1x1 ` a1,2x2 ` ¨ ¨ ¨ ` a1,nxn “ b1
a2,1x1 ` a2,2x2 ` ¨ ¨ ¨ ` a2,nxn “ b2
... ... ... ...
an,1x1 ` an,2x2 ` ¨ ¨ ¨ ` an,nxn “ bn
est équivalent àAX“B.
Soit A P MnpKq. A est inversible si et seulement si, pour tout B P Mn,1pKq, le système AX“B est de Cramer.
Théorème 15
Démonstration. — Supposons dans un premier temps queAest inversible, on a alors AX“BôA´1AX“A´1BôX “A´1B
Le systèmeAX“B admet donc une unique solution il est de Cramer.
— Supposons maintenant que, pour toutBPMn,1pKq, le systèmeAX“B est de Cramer.
PourjPJ1, nKon définitej“
¨
˚
˚
˚
˚
˚
˚
˚
˚
˚
˚
˝ 0
... 0 1 0 ... 0
˛
‹
‹
‹
‹
‹
‹
‹
‹
‹
‹
‚
(le 1 se trouve sur laj-ème ligne)
Soitfj“
¨
˚
˝ α1
... αn
˛
‹
‚l’unique solution deAX“ej.
On définit alorsM la matrice carrée de taillendont, pour toutjPJ1, nK, laj-ème colonne est fj, i.e.
M “
¨
˚
˚
˚
˝
α1,1 α1,2 ¨ ¨ ¨ ¨ ¨ ¨ α1,n
α2,1 α2,2 ¨ ¨ ¨ ¨ ¨ ¨ α2,n
... ... ...
αn,1 αn,2 ¨ ¨ ¨ ¨ ¨ ¨ αn,n
˛
‹
‹
‹
‚
On a alorsAM“In, en effet laj-ème colonne deAM est le produit deAet de laj-ème colonne deM c’est-à-direAfj“ej.
Aest ainsi inversible d’inverseM
On a vu dans le chapitre « Systèmes linéaires »un critère reliant le rang du système à son nombre de solutions. On peut le réinterpréter ici via le prisme de l’inversibilité.
SoitAPMnpKq.Aest inversible si et seulement si RangpAq “n.
Théorème 16
Démonstration. On sait queS est de Cramer si et seulement si RangpSq “n, d’oùAest inversible si et seulement si RangpAq “n.
Avec ce critère on va pouvoir statuer sur l’inversibilité des matrices. Pour cela on utilise des opérations élémentaires sur les lignes pour mettre la matrice sous forme échelonnée et ainsi déterminer son rang.
Soit T PMnpKqune matrice triangulaire (inférieure ou supérieure). T est inversible si et seulement si tous ses coefficients diagonaux sont non-nuls.
Proposition 17
Démonstration. Le système associé est de Cramer si et seulement si il anpivots non-nuls, c’est-à-dire si et seulement si lesncoefficients diagonaux sont non-nuls.
Dans le cas oùAest inversible comment faire pour déterminerA´1?
On sait qu’alorsAX “B est équivalent à X “A´1B. Pour calculerA´1 on va alors résoudre le systèmeAX“B pour B“
¨
˚
˝ b1
... bn
˛
‹
‚quelconque.
Remarque24. Si, en résolvant, on obtient plusieurs solutions c’est que, soitAn’est pas inversible, soit on s’est trompé dans le calcul des solutions
Une foisA´1 trouvée il est bon de vérifier que l’on a bienAA´1“Inpour être sur de ne pas avoir fait d’erreurs de calcul lors de la résolution deAX“B.
Exemple 6. SoitA“
¨
˝
2 7 3 3 9 4 1 5 3
˛
‚. On va montrer queAest inversible et déterminerA´1. Pour cela on poseB“
¨
˝ b1 b2
b3
˛
‚et on résout le systèmeAX“B.
Considérons la matrice augmentée
¨
˝
2 7 3 b1 3 9 4 b2 1 5 3 b3
˛
‚
L3ØL1
¨
˝
1 5 3 b3 3 9 4 b2
2 7 3 b1
˛
‚
L2ÐL2´3L1
L3ÐL3´2L1
¨
˝
1 5 3 b3
0 ´6 ´5 b2´3b3 0 ´3 ´3 b1´2b3
˛
‚
L2Ð ´16L2
¨
˝
1 5 3 b3
0 1 56 ´16 b2`12b3 0 ´3 ´3 b1´2b3
˛
‚
L3ÐL3`3L2
¨
˝
1 5 3 b3
0 1 56 ´16 b2`12b3
0 0 ´12 b1´12b2´12b3
˛
‚
Notre système est de rang 3, ainsiAest bien inversible.
L3Ð ´2L3
¨
˝
1 5 3 b3
0 1 56 ´16 b2`12b3 0 0 1 ´2b1`b2`b3
˛
‚
L2ÐL2´56L3 L1ÐL1´3L3
¨
˝
1 5 0 6b1´3b2´2b3
0 1 0 ´53b1`b2´13b3
0 0 1 ´2b1`b2`b3
˛
‚
L1ÐL1´5L2
¨
˝
1 0 0 ´73b1`2b2´13b3 0 1 0 ´53b1`b2´13b3 0 0 1 ´2b1`b2`b3
˛
‚
Ainsi
A´1B “
¨
˝
´73b1`2b2´13b3
´53b1`b2´13b3
´2b1`b2`b3
˛
‚“
¨
˝
´73 2 ´13
5
3 ´1 ´13
´2 1 1
˛
‚
¨
˝ b1 b2 b3
˛
‚
On a alors
@BPMnpKq, A´1B “
¨
˝
´73 2 ´13
5
3 ´1 ´13
´2 1 1
˛
‚B
D’où
Remarque25.
Réconciliez vous avec les fractions car, sauf dans certains exercices soigneusement calibrés, elles sont inévitables dans le calcul des inverses
A´1“
¨
˝
´73 2 ´13
5
3 ´1 ´13
´2 1 1
˛
‚
Cette méthode est efficace mais il peut être lourd de se trainer les coefficients pbkqkPJ1,nK. On va donc améliorer la méthode.
2 Par la méthode de Gauss-Jordan
La méthode de Gauss-Jordan reprend le principe du pivot de Gauss mais on va utiliser une matrice supplémentaire pour garder la mémoire des opérations que l’on fait.
Le principe est le suivant : On applique des opérations élémentaires sur les lignes de la matrice Aà inverser jusqu’à arriver à l’identité In. On applique ensuite les mêmes opérations dans le même ordre àIn, le résultat seraA´1.
Pour faire cela on va encore utiliser l’intermédiaire de calcul que sont les matrices augmentées.
Plus précisément, soitA“
¨
˚
˚
˚
˝
a1,1 a1,2 ¨ ¨ ¨ ¨ ¨ ¨ a1,n
a2,1 a2,2 ¨ ¨ ¨ ¨ ¨ ¨ a2,n
... ... ...
an,1 an,2 ¨ ¨ ¨ ¨ ¨ ¨ an,n
˛
‹
‹
‹
‚
on considère la matrice augmentée ob-
tenue en rajoutantIn à droite deA
¨
˚
˚
˚
˝
a1,1 a1,2 ¨ ¨ ¨ ¨ ¨ ¨ a1,n 1 0 0 ¨ ¨ ¨ 0 a2,1 a2,2 ¨ ¨ ¨ ¨ ¨ ¨ a2,n 0 1 0 ¨ ¨ ¨ 0
... ... ... ... . ..
an,1 an,2 ¨ ¨ ¨ ¨ ¨ ¨ an,n 0 0 0 ¨ ¨ ¨ 1
˛
‹
‹
‹
‚
On va appliquer des opérations élémentaires sur les lignes de la matrice augmentée jusqu’à ce que la partie gauche soitIn et alors la partie de droite seraA´1.
Exemple 7. — SoitM “
¨
˝
1 1 0 1 1 1 0 1 1
˛
‚
Déterminons siM est inversible et, si c’est le cas, déterminonsM´1. On considère la matrice augmentée
¨
˝
1 1 0 1 0 0
1 1 1 0 1 0
0 1 1 0 0 1
˛
‚
L2ÐL2´L1
¨
˝
1 1 0 1 0 0
0 0 1 ´1 1 0
0 1 1 0 0 1
˛
‚
L2ÐL3
¨
˝
1 1 0 1 0 0
0 1 1 0 0 1
0 0 1 ´1 1 0
˛
‚
On lit le rang deM sur la partie de gauche.M est de rang 3 et est donc inversible.
L2ÐL2´L3
¨
˝
1 1 0 1 0 0
0 1 0 1 ´1 1
0 0 1 ´1 1 0
˛
‚
L1ÐL1´L2
¨
˝
1 0 0 0 1 ´1
0 1 0 1 ´1 1
0 0 1 ´1 1 0
˛
‚
On a donc
M´1“
¨
˝
0 1 ´1
1 ´1 1
´1 1 0
˛
‚
— Reprenons notre exemple précédent, inversonsA“
¨
˝
2 7 3 3 9 4 1 5 3
˛
‚ On considère la matrice augmentée
¨
˝
2 7 3 1 0 0
3 9 4 0 1 0
1 5 3 0 0 1
˛
‚
L3ØL1
¨
˝
1 5 3 0 0 1
3 9 4 0 1 0
2 7 3 1 0 0
˛
‚
L2ÐL2´3L1
L3ÐL3´2L1
¨
˝
1 5 3 0 0 1
0 ´6 ´5 0 1 ´3
0 ´3 ´3 1 0 ´2
˛
‚
L2ØL3
¨
˝
1 5 3 0 0 1
0 ´3 ´3 1 0 ´2
0 ´6 ´5 0 1 ´3
˛
‚
L3ÐL3´2L2
¨
˝
1 5 3 0 0 1
0 ´3 ´3 1 0 ´2
0 0 1 ´2 1 1
˛
‚
L2ÐL2`3L3
L1ÐL1´3L3
¨
˝
1 5 0 6 ´3 ´2
0 ´3 0 ´5 3 1
0 0 1 ´2 1 1
˛
‚
L2Ð ´13L2
¨
˝
1 5 0 6 ´3 ´2
0 1 0 53 ´1 ´13
0 0 1 ´2 1 1
˛
‚
L1ÐL1´5L2
¨
˝
1 0 0 ´73 2 ´13 0 1 0 53 ´1 ´13
0 0 1 ´2 1 1
˛
‚
Ainsi
A´1“
¨
˝
´73 2 ´13
5
3 ´1 ´13
´2 1 1
˛
‚
V Le cas particulier des matrices 2 ˆ 2
SoitA“ ˆa b
c d
˙
PM2pKq. On définit le déterminant deA, noté detpAqpar detpAq “ad´bc
Remarque26. On retrouve le
déterminant de deux vecteurs~uet~ven faisant le déterminant de la matrice de leurs coordonnées écrites en colonnes
On note parfois detpAq “
a b c d
Définition 16
SoitAPM2pKq. Aest inversible si et seulement si detpAq ‰0. Dans ce cas on a A´1“ 1
detpAq
ˆd ´b
´c a
˙ Théorème 18
Démonstration. SoitA“ ˆa b
c d
˙
et B“
ˆd ´b
´c a
˙ . On a AB“
ˆa b c d
˙ ˆ
ˆd ´b
´c a
˙
“
ˆad´bc 0 0 ad´bc
˙
“detpAqI2
— Supposons detpAq ‰0, alorsAˆ´
1 detpAqB¯
“I2.Aest donc inversible etA´1“ detpAq1
ˆd ´b
´c a
˙
— Supposons que detpAq “0. Supposons de plus par l’absurde queAest inversible.
On a alorsAB“02,2, d’oùA´1AB“02,2, c’est-à-direB“02,2 ce qui est clairement absurde.
AinsiAn’est pas inversible.