R1.08 Outils Mathématiques de Gestion: IUT de Dijon-Auxerre But Gea 1 Année Semestre 1 Année Universitaire 2023-2024
R1.08 Outils Mathématiques de Gestion: IUT de Dijon-Auxerre But Gea 1 Année Semestre 1 Année Universitaire 2023-2024
R1.08 Outils Mathématiques de Gestion: IUT de Dijon-Auxerre But Gea 1 Année Semestre 1 Année Universitaire 2023-2024
Arnaud Rousselle
arnaud.rousselle@iut-dijon.u-bourgogne.fr
Préambule
Le premier chapitre est consacré aux statistiques descriptives à une variable et sera com-
plété par un chapitre de statistique bivariée au second semestre pour donner des éléments
permettant de synthétiser et interpréter des données issues d’enquêtes ou sondages. Il trouve
donc des applications naturelles en marketing ou méthodes d’enquêtes par exemple.
Le deuxième chapitre porte sur les indices de prix, de quantités et synthétiques et permet
d’analyser un panier typique ou d’appréhender l’évolution de la valeur de la monnaie au cours
du temps.
Le troisième chapitre est dédié aux matrices et à la résolution de systèmes linéaires. Il
est motivé par la modélisation de problèmes de gestion liés à l’utilisation de la totalité d’un
stock pour fabriquer des produits finis ou la détermination des quantités de matières premières
nécessaires pour la fabrication d’un nombre prescrit de chacun des produits finis. Il pourra être
complété par la question de l’optimisation linéaire permettant de déterminer des programmes
de production maximisant ou minimisant certaines quantités, comme le bénéfice, le chiffre
d’affaire ou l’emprunte énergétique, sous certaines contraintes liées au fonctionnement et aux
ressources propres de l’organisation ou même des contraintes externes.
Le quatrième chapitre présente des fonctions usuelles et certaines de leurs propriétés ainsi
que des méthodes de résolution d’équation. Il sera complété au second semestre par un chapitre
dédié à l’étude des fonctions et ses applications en économie. Les fonctions présentées seront
notamment utilisées en mathématiques financières et en économie.
En complément des CM, TD et TP classiques, des séances de tutorat seront organisées.
Après un test de vérification des compétences calculatoires et logiques, certain.e.s étudiant.e.s
i
seront orienté.e.s vers ces séances de façon obligatoire afin de leur permettre de surmonter
certaines difficultés encore trop présentes. Ces séances seront également accessibles à tous les
étudiant.e.s qui le souhaiteront à condition de s’engager à suivre assidûment l’intégralité du
programme de 10 séances d’une heure.
Évaluations :
À préciser.
Avertissement :
Ces notes et compléments de cours ayant été fraîchement rédigés, quelques coquilles
peuvent encore y figurer. Le fait de les signaler par courriel sera apprécié.
ii
Table des matières
iii
TABLE DES MATIÈRES
iv
Chapitre 1
Exemple 1.1.
1. Si la population P est l’ensemble des étudiants de la promotion, un individu est un
étudiant de la promotion.
2. Si la population P est l’ensemble des jours de septembre 2016, chaque jour de ce mois
est un individu et l’effectif total est N = 30.
1
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
Notation 1.2. Les variables statistiques sont désignées par des lettres majuscules, générale-
ment X ou Y .
Dans les trois sections suivantes, on présente les outils et méthodes nécessaires à la réali-
sation d’une étude statistique (descriptive) en distinguant les cas :
— qualitatif,
— quantitatif discret sans regroupement en classe,
— quantitatif continu ou discret avec regroupement en classes.
Ici, r est le nombre de modalités (valeurs) prises par la variable statistique étudiée X,
ni représentent le nombre d’individus (effectif) pour lesquels la variable statistique prend la
modalité xi . L’effectif total est :
N = n1 + n2 + · · · + nr ,
2
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
Remarque 1.1. La notation ri=1 ni ci-dessus, que l’on lit « somme des ni pour i allant de
P
1 à n », présente deux avantages principaux dans notre contexte. Elle est compacte (courte
à écrire) et induit une façon simple et efficace de saisir un calcul sous Excel en utilisant la
fonction SOMME(...) et en sélectionnant la plage de données à sommer.
Définition 1.3. Soit X une variable statistique de modalités x1 , x2 , . . . , xr ayant pour effectifs
n1 , n1 , . . . , nr dans une population P d’effectif total N . La fréquence fi de la modalité xi est
définie par :
ni
fi = .
N
Remarque 1.2.
1. On a : r
X
fi = f1 + · · · + fr = 1(= 100%).
i=1
2. L’utilisation des fréquences présente l’avantage de pouvoir comparer facilement les résul-
tats d’études portant sur le même caractère dans deux populations de tailles différentes.
3. Sous Excel, le symbole $ permet de « bloquer » une ligne (devant la lettre) ou une colonne
(devant le nombre). Ainsi, il est particulièrement utile pour étendre une formule comme
celle du calcul des fréquences : on laisse libre les lettre et nombre repérant ni mais on
bloque ceux repérant N avant d’étendre la formule que l’on n’aura pas besoin de réécrire
d’une ligne à l’autre (voir aussi fichier « Aide mémoire Excel »).
Les représentations graphiques portent généralement sur les fréquences et rarement sur
les effectifs. Dans le cas de variables qualitatives, on représente ces fréquences sous forme de :
— diagramme en bâtons : la hauteur du bâton associé à une modalité est simplement sa
fréquence ;
— diagramme circulaire : l’angle du secteur associé à la modalité xi est θi = fi × 360◦ .
Exemple 1.2. Une étude a porté sur l’ensemble des 150 étudiants d’une promotion. Cha-
cun devait répondre à la question « Reprenez-vous le contenu de vos cours le soir ? » par
« Jamais », « Rarement », « Souvent » ou « Toujours ». Les résultats ont été les suivants :
L’effectif total est, comme annoncé, N = 9+60+66+15 = 150. On peut dresser le tableau
suivant contenant les fréquences de chaque modalité.
Modalités (réponses) xi Jamais Rarement Souvent Toujours Total
Effectifs ni 9 60 66 15 150
Fréquence fi = nNi 0,06 0,4 0,44 0,1 1
Fréquence fi = nNi (en %) 6 40 44 10 100
Les Figures 1.1 et 1.2 fournissent des représentations graphiques de ces données.
3
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
0.4
0.3
0.2
0.1
Figure 1.1 – Représentation des fréquences par un diagramme en bâtons (Exemple 1.2).
Rarement
40%
Jamais
6%
10%
Toujours
44%
Souvent
Figure 1.2 – Représentation des fréquences par un diagramme circulaire (Exemple 1.2).
4
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
Remarque 1.3.
1. Les quantités Ni et Fi représentent l’effectif (resp. la fréquence) des individus de la
population pour lesquels la variable statistique prend une valeur inférieure ou égale à la
modalité xi .
2. On a :
n1 + · · · + ni Ni
Nr = N, Fr = 1 = 100% et Fi = = .
N N
Notation 1.3. On note P [X < t] la fréquence totale des modalités xi telles que xi < t. On
peut définir de manière analogue P [X ≤ t], P [X > t], P [X ≥ t], P [t1 < X < t2 ], ...
Proposition 1.1. Soit X une variable statistique discrète dont les modalités sont x1 , . . . , xr .
1. La fonction de répartition F de X est croissante.
2. On a :
0
si t < x1
F (t) = F i si xi ≤ t < xi+1 , i = 1, . . . , r − 1 .
si t ≥ xr
1
P [X = xi ] = fi et P [X = t] = 0 si t ̸∈ {x1 , . . . , xr },
(
F (xi ) − f (xi ) = F (xi−1 ) si t = xi
P [X < t] = P [X ≤ t] − P [X = t] = .
F (t) si t ̸∈ {x1 , . . . , xr }
Exemple 1.3. Une enquête réalisée auprès d’une population de 100 femmes de 40 ans a
recensé le nombre d’enfant de chacune. Les résultats sont consignés dans le tableau suivant.
Nombre d’enfant(s) xi 0 1 2 3 4 5 6
Nombre de femmes ni 9 28 32 24 4 2 1
5
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
Modalités xi 0 1 2 3 4 5 6
Effectifs ni 9 28 32 24 4 2 1
Fréquences fi = nNi 0,09 0,28 0,32 0,24 0,04 0,02 0,01
Effectifs cumulés croissants Ni = n1 + · · · + ni 9 37 69 93 97 99 100
Fréquences cumulées croissantes Fi = N N
i
0,09 0,37 0,69 0,93 0,97 0,99 1
On peut, par exemple, s’intéresser à la proportion de femmes ayant au plus 2 enfants. Celle-ci
est :
P [X ≤ 2] = F (2) = F3 = 0, 69 = 69%.
La proportion de femmes ayant (strictement) plus de 3 enfants est quant à elle :
P [1 ≤ X ≤ 3] = P [X ≤ 3] − P [X < 1] = F (3) − P [X ≤ 0]
= F (3) − F (0) = F4 − F1 = 0, 93 − 0, 09 = 0, 84 = 84%.
Fonction de répartition
Comme il a été annoncé dans la section précédente, la fonction de répartition F d’une
variable discrète est une fonction en escalier. Cette fonction est nulle pour des valeurs de
la variable t inférieures à la plus petite modalité x1 , vaut Fi sur tout intervalle de la forme
[xi , xi+1 [, i ∈ {1, . . . r − 1} et vaut 1 sur l’intervalle [xr , +∞[.
La Figure 1.4 représente la fonction de répartition obtenue dans l’Exemple 1.3.
6
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
0.3
0.2
0.1
0
0 1 2 3 4 5 6
Figure 1.3 – Représentation des fréquences par un diagramme en bâtons (Exemple 1.3).
0.8
0.6
0.4
0.2
−2 0 2 4 6 8
Paramètres de position
Le paramètre statistique le plus connu est certainement la moyenne arithmétique (empi-
rique). Celle-ci représente la valeur qu’obtiendrait chaque individu de la population si ceux-ci
se répartissaient les ressources équitablement.
Définition 1.6. La moyenne arithmétique X (ou simplement moyenne) d’une série statis-
tique est définie par :
r
1 X n1 x1 + · · · + nr xr
X= ni xi = ,
N i=1 N
où x1 , x2 , . . . , xr sont les modalités, n1 , n2 , . . . , nr leurs effectifs respectifs et N l’effectif total
de la population.
7
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
Proposition 1.2.
r
X
X= fi xi .
i=1
Remarque 1.4. La moyenne est très sensible aux valeurs extrêmes (grandes dans les positifs
ou les négatifs).
9 × 0 + 28 × 1 + 32 × 2 + 24 × 3 + 4 × 4 + 2 × 5 + 1 × 6
X= = 1, 96.
100
Définition 1.7. On appelle mode d’une série statistique discrète toute modalité xi dont
l’effectif est maximal parmi tous les effectifs.
Remarque 1.5. Le mode n’est, en général, pas unique ; une série statistique peut admettre
plusieurs modes (cas d’effectif ex-æquo).
Exemple 1.3 (suite). La modalité la plus fréquente dans cet exemple est 2 (l’effectif corres-
pondant est 32). Il s’agit du mode de cette série.
Pour obtenir un indicateur de position moins sensible aux valeurs extrêmes que la moyenne,
on peut chercher à séparer la série en deux parties de même effectif. Cette idée conduit à la
définition de la médiane.
Définition 1.8. On appelle médiane d’une série statistique toute valeur me telle que :
P [X ≤ me] ≥ 0, 5 et P [X ≥ me] ≥ 0, 5.
Définition 1.9. Soit p ∈]0; 1[. On appelle quantile d’ordre p toute valeur qp telle que :
P [X ≤ qp ] ≥ p et P [X ≥ qp ] ≥ 1 − p.
Remarque 1.6. On peut voir que la médiane est le quantile d’ordre 0,5. Les quantiles d’ordre
0,25 et 0,75 sont appelés premier et troisième quartiles. Les quantiles d’ordre 0,1 et 0,9 sont
appelés premier et neuvième déciles.
8
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
Paramètres de dispersion
Certains indicateurs de dispersion ont des définitions très simples, il s’agit de l’étendue et
de l’étendue inter-quartiles.
Définition 1.11. La variance V [X] d’une série statistique est définie par :
r
1 X n1 (x1 − X)2 + · · · + nr (xr − X)2
V [X] = ni (xi − X)2 = ,
N i=1 N
Proposition 1.3.
r
1 X 2 n1 x21 + · · · + nr x2r 2
V [X] = ni x2i − X = −X .
N i=1 N
Du fait de l’élévation au carré, les unités se retrouvent modifiées dans la variance. Pour
palier à ce problème, on introduit l’écart-type qui s’exprime dans la même unité que la moyenne
et mesure encore la dispersion des données autour de la moyenne.
Un autre problème lié aux unités est un problème d’échelle. Imaginons que l’on veuille
comparer la dispersion de deux séries de longueurs, la première étant exprimée en mètres et
la seconde en kilomètres. La comparaison ne peut pas se faire directement sur les écarts-types
du fait des unités. On introduit pour cela un écart-type relatif qui est, quant à lui, sans unité.
Définition 1.13. On appelle écart-type relatif (ou coefficient de variation) d’une série sta-
tistique la quantité :
σ
cv = si X ̸= 0.
X
9
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
Remarque 1.8. L’écart-type relatif n’est pas défini si la moyenne est nulle. Il faut être
vigilant au fait que ce paramètre est sensible à la position des données.
9 × (0 − 1, 96)2 + · · · + 1 × (6 − 1, 96)2
V [X] =
100
9 × 02 + · · · + 1 × 62
= − 1, 962 = 1, 3784.
100
On en déduit que : p
σ= 1, 3784 ≃ 1, 1741
puis que √
1, 3784
cv = ≃ 0, 5990.
1, 96
La variance mesure la dispersion des données autour de la moyenne au sens des carrés des
écarts. Un autre indicateur mesure la dispersion des données autour de la moyenne au sens
des valeurs absolues des écarts. Il s’agit de l’écart absolu moyen.
Définition 1.14. L’écart absolu moyen EAM d’une série statistique est défini par :
r
1 X n1 |x1 − X| + · · · + nr |xr − X|
EAM = ni |xi − X| = ,
N i=1 N
10
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
Remarque 1.9.
1. En général, on choisit comme amplitude de référence A, l’amplitude la plus courante ou
toute amplitude paraissant rendre les calculs les plus simples possibles et les représen-
tations graphiques agréables.
nri
2. Il est immédiat de vérifier que l’on peut réécrire fir sous la forme fir = N.
3. La quantité fir représente la densité de la classe Ci et est primordiale pour les représen-
tations et interprétations dans les cas avec regroupement en classes. On peut ici faire
l’analogie avec la densité de population en géographie (il est plus judicieux de regarder
les densités de populations que les effectifs pour décider quelle région est la plus peuplée ;
par exemple, comparer la population de Dijon intra-muros et du reste de la Bourgogne
en nombre d’habitants puis en densité de population.).
Exemple 1.4. Durant le mois de janvier 2016, on a relevé les précipitations journalières
(exprimées en mm) sur Dijon. On a consigné les résultats dans le tableau suivant.
Hauteur des précipitations (en mm) [0; 1[ [1; 3[ [3; 6[ [6; 9[ [9; 14[
Nombre de jours 17 5 5 2 2
La population étudiée est l’ensemble des jours sur le mois de janvier 2016 et la variable
statistique étudiée est la hauteur des précipitations relevées à Dijon chaque jour. Il s’agit
d’une variable quantitative continue. On choisit (arbitrairement) de normaliser par A = 1, de
sorte que ari = ai . On dresse le tableau statistique complet de cette série en notant N = 31
l’effectif total et pour i ∈ {1, . . . , 5} :
— Ci = [bi−1 ; bi [ la ie classe,
— ci = bi−12+bi le centre de la ie classe,
— ai = bi − bi−1 l’amplitude de la ie classe,
— ari = aAi = ai ,
— ni l’effectif de la ie classe,
— fi = nNi la fréquence de la ie classe,
— nri l’effectif relatif de la ie classe,
nr
— fir = Ni la fréquence relative de la ie classe,
— Ni l’effectif cumulé croissant jusqu’à la ie classe,
— Fi = N e
N la fréquence cumulée croissante jusqu’à la i classe.
i
11
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
0.5
0.4
0.3
0.2
0.1
1 2 3 6 9 14
P [X < x] = P [X ≤ x] = F (x) et P [X = x] = 0.
12
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
0.8
0.6
0.4
0.2
−2 0 2 4 6 8 10 12 14 16
et de son ordonnée à l’origine déterminée en profitant du fait qu’elle passe en particulier par
le point A en écrivant que :
F (bi ) − F (bi−1 )
F (bi1 ) = yA = axA + b = bi−1 + b
bi − bi−1
et donc
F (bi ) − F (bi−1 ) F (bi−1 )(bi − bi−1 ) F (bi )bi−1 − F (bi−1 )bi−1
b = F (bi1 ) − bi−1 = −
bi − bi−1 bi − bi−1 bi − bi−1
F (bi−1 )bi − F (bi−1 )bi−1 − F (bi )bi−1 + F (bi−1 )bi−1 F (bi−1 )bi − F (bi )bi−1
= = .
bi − bi−1 bi − bi−1
13
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
Proposition 1.5. Soit X une variable statistique continue dont la fonction de répartition est
notée F . Pour tout x dans la classe Ci = [bi−1 , bi [, on a :
x − bi−1
F (x) = (F (bi ) − F (bi−1 )) + F (bi−1 )
bi − bi−1
F (bi ) − F (bi−1 ) F (bi−1 )bi − F (bi )bi−1
= x+
bi − bi−1 bi − bi−1
f r
= i (x − bi−1 ) + F (bi−1 ),
A
où A est l’amplitude de référence choisie pour la normalisation et fir la fréquence relative de
la classe Ci .
x − bi−1
F (x) = (F (bi ) − F (bi−1 )) + F (bi−1 )
bi − bi−1
x − bi−1
= fi + F (bi−1 )
ai
fi
= (x − bi−1 ) + F (bi−1 )
Aari
fr
= i (x − bi−1 ) + F (bi−1 ).
A
□
Remarque 1.10. Lorsque A = 1, fir est le coefficient directeur du segment de droite corres-
pondant à la classe Ci dans le polygone des fréquences cumulées et s’interprète alors pleine-
ment comme la densité de cette classe. Dans ce cas, F (t) est l’aire de la partie de l’histogramme
de X située à gauche de la droite d’équation x = t.
B = (bi , F (bi ))
F (bi )
F (x)
F (bi ) − F (bi−1 )
F (x) − F (bi−1 )
A = (bi−1 , F (bi−1 ))
F (bi−1 ) bi − bi−1
x − bi−1
bi−1 x bi
14
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
Exemple 1.4 (suite). Illustrons la méthode d’interpolation linéaire à l’aide de l’Exemple 1.4.
On a :
P[X ≥ 2] = 1 − P[X < 2] = 1 − P[X ≤ 2] = 1 − F (2).
On utilise que le meilleur encadrement de 2 par des bornes de classes est 1 < 2 < 3 et la
méthode d’interpolation linéaire pour déterminer F (2). Celle-ci donne que :
donc
1 1
F (2) = (F (3) − F (1) + F (1) = (0, 71 − 0, 55) + 0, 55 = 0, 63.
2 2
Ainsi, P[X ≥ 2] = 1 − F (2) = 1 − 0, 63 = 0, 37 et on a relevé au moins 2mm de précipitations
durant 37% des jours.
Définition 1.16. On appelle classe modale d’une série statistique continue ou discrète avec
regroupements en classes toute classe Ci = [bi−1 , bi [ dont l’effectif relatif est maximal parmi
tous les effectifs relatifs.
Remarque 1.11. La classe modale n’est, en général, pas unique. On peut formuler la défi-
nition en remplaçant effectif relatif par fréquence relative. Il est primordial de garder en tête
l’idée de « classe la plus densément peuplée » et de ne pas oublier l’adjectif relatif dans cette
définition.
À cause du regroupement en classes, on n’aura pas accès ici aux valeurs exactes de la
moyenne, de la variance, de l’écart-type, du coefficient de variation ou de l’écart-absolu moyen,
mais seulement à des approximations de ceux-ci. En fait, pour faire les calculs, il faut remplacer
les modalités qui apparaissent dans les formules par un représentant de chaque classe. En
faisant, par convention, l’hypothèse d’une répartition uniforme au sein de chaque classe, on
choisit pour représentant de la classe Ci = [bi−1 , bi [ son centre ci = bi−12+bi . Avec ces notations,
ces paramètres se calculent avec les formules :
r
1 X n1 c1 + · · · + nr cr
X= ni ci = ,
N i=1 N
r
1 X n1 (c1 − X)2 + · · · + nr (cr − X)2
V [X] = ni (ci − X)2 = ,
N i=1 N
r
1 X 2 n1 c21 + · · · + nr c2r 2
V [X] = ni c2i − X = −X .
N i=1 N
q
σ= V [X].
15
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
σ
cv = .
X
r
1 X n1 |c1 − X| + · · · + nr |cr − X|
EAM = ni |ci − X| = .
N i=1 N
Médiane, quantiles, étendue et étendue inter-quartile sont définis exactement comme dans
la section précédente. On peut toutefois donner une définition plus maniable de la médiane
et des quantiles dans le cas de variables statistiques continues.
Proposition 1.6. Soit X une variable statistique continue et F sa fonction de répartition.
On appelle médiane toute valeur me telle que F (me) = 0, 5.
On appelle quantile d’ordre p toute valeur qp telle que F (qp ) = p.
Remarque 1.12. Pour déterminer une médiane dans le cas continu, on commence par déter-
miner dans quelle classe Ci = [bi−1 , bi [ celle-ci se trouve. On utilise, dans un second temps, la
méthode d’interpolation linéaire pour déterminer la valeur exacte de me grâce à la relation :
1
me − bi−1 − F (bi−1 )
= 2 .
bi − bi−1 F (bi ) − F (bi−1 )
On procède de manière analogue pour déterminer un quantile.
Exemple 1.4 (suite). Les paramètres de la série statistique de l’Exemple 1.4 sont les suivants :
— la classe modale est la classe ayant la fréquence relative la plus élevée ; il s’agit ici de
la classe C1 = [0; 1[.
— la moyenne (arithmétique) est donnée par :
n1 c1 + · · · + n5 c5
X= ≃ 2, 5483871;
N
— La médianne me est la valeur telle que F (me) = P[X ≤ me] = 0, 5. On a F (0) = 0
et F (1) = 0, 55 et cette valeur est dans la classe C1 = [0; 1[. On détermine me par
interpolation linéaire :
me − 0 F (me) − F (0)
=
1−0 F (1) − F (0)
soit
0, 5 10
me = = ≃ 0, 90909;
0, 55 11
— La variance est donnée par :
n1 (c1 − X)2 + · · · + n5 (c5 − X)2 n1 c21 + · · · + n5 c25 2
V[X] = = − X ≃ 9, 71540;
N N
— l’écart-type est donné par :
q
σ= V[X] ≃ 3, 11695;
— le coefficient de variation est donné par :
σ
cv = ≃ 1, 22310;
X
— l’écart-absolu moyen est donné par :
n1 |c1 − X| + · · · + n5 |c5 − X|
EAM = ≃ 2, 42352.
N
16
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
N N
H= 1 1 = PN 1
.
a1 + ··· + aN i=1 ai
Remarque 1.13.
1. Si les différentes valeurs prises par les ai sont x1 , . . . , xr avec multiplicités respectives
n1 , . . . , nr , la moyenne harmonique se réécrit sous la forme :
N N
H= n1 nr = Pr ni ,
x1 + ··· + xr i=1 xi
avec N = n1 + · · · + nr .
2. Lorsqu’elle est bien définie, la moyenne harmonique est l’inverse de la moyenne arith-
métique des inverses.
∗.
Définition 1.18. Soient a1 , . . . , aN ∈ R+
On appelle moyenne géométrique de a1 , . . . , aN la quantité :
v
uN
1 uY
N
G = (a1 × · · · × aN ) N = t ai .
i=1
17
CHAPITRE 1. STATISTIQUES DESCRIPTIVES UNIVARIÉES
Remarque 1.14.
1. Si les différentes valeurs prises par les ai sont x1 , . . . , xr avec multiplicités respectives
n1 , . . . , nr , la moyenne géométrique se réécrit sous la forme :
v
u r
G = t xni i ,
uY
N
i=1
avec N = n1 + · · · + nr .
2. Lorsqu’elle est bien définie, la moyenne géométrique est l’exponentielle de la moyenne
arithmétique des logarithmes des valeurs.
3. La moyenne géométrique doit son nom au fait que, pour tous a, b > 0, la longueur du
carré dont la surface est la même que celle du rectangle de côtés a et b, est la moyenne
géométrique de ces deux nombres.
4. Moins sensible que la moyenne arithmétique aux valeurs les plus extrêmes d’une série
de données, la moyenne géométrique donne une meilleure estimation de la tendance
centrale des donnés dans le cas d’une distribution à longue traîne. Par exemple, si l’on
s’intéresse au salaire moyen dans une entreprise, la moyenne géométrique sera moins
« tirée vers le haut » par les (rares) salaires les plus élevés que la moyenne arithmétique.
De façon générale, l’utilisation de cette notion de moyenne sera adaptée dans les cas où
les valeurs sont pour la plus part du même ordre de grandeur et que de rares valeurs
extrèmement hautes par rapport aux autres viennent perturber la tendance centrale.
18
Chapitre 2
Remarque 2.1.
1. Les indices sont généralement présentés en base 100 par rapport à l’instant t0 . L’indice
simple d’une grandeur au temps t en base 100 par rapport à l’instant t0 est donné par :
Vt
It|t0 = × 100.
Vt0
Dans ce cours, il a été choisi de considérer des indices en base 1 (ou 100%) afin de rendre
les règles de calcul plus simples. Tout ce qui suit peut être adapté à des indices en base
arbitraire au risque d’alourdir quelque peu les formules.
2. Les grandeurs considérées sont souvent des prix ou des quantités. Dans le cas d’indices
de prix, il est indispensable de faire attention au fait que tous les prix doivent être
exprimés en monnaie constante (d’une année) pour tenir compte de l’évolution de la
valeur de l’argent dans le temps. On ne peut pas comparer les prix de ventes d’un article
durant deux années différentes s’il sont exprimés en monnaie courante (un euro de l’an
2000 ne vaut pas la même chose qu’un euro de l’an 2017, voir Sous-section 2.2.6).
Notations 2.1. Dans toute la suite, on désignera par pA t ou simplement pt le prix d’un article
A à la période t et par qtA ou qt la quantité de l’article A consommée à la période t. L’indice
19
CHAPITRE 2. INDICES SIMPLES ET SYNTHÉTIQUES
Exemple 2.1. Le nombre de barils de pétrole consommés en France par an et par habitant
était de 11,9 en 2004 et de 10,2 en 2010. L’indice de quantité des barils de pétrole par habitant
en France en base 100% en 2004 est donc :
q q2010 10, 2
I2010|2004 = = ≃ 0, 86 = 86%.
q2004 11, 9
Définition 2.2. Soit Vt et Vt0 les valeurs d’une grandeur numérique évoluant au cours du
temps aux instants t et t0 .
On appelle taux de variation de la grandeur du temps t0 au temps t la quantité :
Vt − Vt0
τt|t0 = .
Vt0
La proposition suivante relie indice simple et taux de variation d’une valeur.
τt|t0 = It|t0 − 1.
Exemple 2.1 (suite). Reprenons l’Exemple 2.1. Le taux de variation du nombre de barils de
pétrole consommés par an et par habitant en France de l’année 2010 par rapport à 2004 est :
q
τ2010|2004 = I2010|2004 − 1 ≃ −0, 14 = −14%.
La consommation de pétrole par an et par habitant a baissé de 14% entre 2004 et 2010
en France.
2.1.2 Propriétés
Dans cette sous-section, on liste des règles de calcul simples et fondamentales concernant
les indices. Elles sont valables pour tous types d’indices simples ; en particulier, pour les indices
simples de prix et quantité.
20
CHAPITRE 2. INDICES SIMPLES ET SYNTHÉTIQUES
Identité
Proposition 2.2 (Identité). Pour tout t, on a :
It|t = 1 = 100%.
Vt
It|t = = 1 = 100%
Vt
ou Vt désigne la valeur de la grandeur au temps t. □
Réversibilité
Proposition 2.3 (Réversibilité). Pour tous t, t′ , on a :
1
It′ |t = .
It|t′
Vt′ 1 1
It′ |t = = Vt =
Vt V′
It|t′
t
Circularité
Proposition 2.4 (Circularité). Pour tous t, t′ , t′′ , on a :
Exemple 2.2. L’indice de prix d’un produit en 2015 en base 1 = 100% en 2000 est 1, 12 =
112% et son indice de prix en 2016 en 100% en 2000 base est 1, 2 = 120%. Déterminons le
taux de variation du prix de ce produit entre 2015 et 2016.
On sait que :
p p
I2015|2000 = 1, 12 et I2016|2000 = 1, 2.
21
CHAPITRE 2. INDICES SIMPLES ET SYNTHÉTIQUES
p 1
I2000|2015 = p .
I2015|2000
On en déduit que :
p p p
I2016|2015 = I2016|2000 I2000|2015
p 1
= I2016|2000 p
I2015|2000
1
= 1, 2 × ≃ 1, 074 = 107, 4%
1, 12
puis que :
p
τ2016|2015 = I2016|2015 − 1 ≃ 0, 074 = 7, 4%.
Le prix du produit a augmenté de 7, 4% entre 2015 et 2016.
Exercice 2.1. Le prix d’un article a augmenté de 20% entre 2014 et 2015 puis baissé de 20%
entre 2015 et 2016. Quel est le taux de variation du prix de l’article entre 2014 et 2016 ?
Solution :
On sait que :
et donc
p p
I2015|2014 = 1 + τ2015|2014 = 1, 2 et I2016|2015 = 1 + τ2016|2015 = 0, 8.
On en déduit que :
p
τ2016|2014 = I2016|2014 − 1 = −0, 04 = −4%.
Le prix du produit a diminué de 4% entre 2014 et 2016.
Ita′ |t
ItV′ |t = .
Itb′ |t
22
CHAPITRE 2. INDICES SIMPLES ET SYNTHÉTIQUES
2. si pour tout t, Vt = at
bt , alors on a pour tous t, t′ :
at′
Vt′ bt′ at′ bt I a t′ |t
ItV′ |t = = at = = Ita′ |t It|t
b
′ = .
Vt bt at bt′ Itb′ |t
Exemple 2.3. Une personne a acheté 30L de gazole à 1,03¤L−1 en mars et 25L de gazole à
1,07¤L−1 en avril. Le budget mensuel consacré par cet individu au gazole au cours du mois
t est bt = pt qt avec pt (resp. qt ) le prix du litre de gazole le mois t (la quantité de gazole
consommée le mois t). On a :
p pavril 1, 07
Iavril|mars = = ≃ 1, 039,
pmars 1, 03
q qavril 25 5
Iavril|mars = = = ≃ 0, 833
qmars 30 6
et
b p q 1, 07 5
Iavril|mars = Iavril|mars Iavril|mars = ≃ 0, 866.
1, 03 6
Ainsi,
b b
τavril|mars = Iavril|mars − 1 ≃ −0, 134,
et le budget qu’il a consacré au gazole a baissé de 13, 4% entre mars et avril.
23
CHAPITRE 2. INDICES SIMPLES ET SYNTHÉTIQUES
Exemple 2.4. Le tableau suivant donne les quantités de légumes consommées par un ménage
en 2015 et 2016 ainsi que les prix de vente pratiqués chacune de ces deux années.
L’indice global de ce panier (de légumes) en 2016 par rapport à 2015 est :
B pA 1 A1 A2 A2 A3 A3
2016 q2016 + p2016 q2016 + p2016 q2016
I2016|2015 =
pA 1 A1 A2 A2 A3 A3
2015 q2015 + p2015 q2015 + p2015 q2015
2, 90 × 8 + 2, 80 × 10 + 2, 70 × 7
=
2, 10 × 10 + 3, 20 × 7 + 2, 50 × 6
≃ 1, 2.
Le budget consacré par le ménage à ce panier a donc augmenté de 20% entre 2015 et 2016.
Il est ensuite naturel de vouloir isoler l’effet de l’évolution du prix ou de la quantité
consommée sur le budget. On présentera pour cela les indices de Laspeyres, Paasche et Fisher
de prix et de quantité.
Remarque 2.3. L’indice de Laspeyres des prix mesure l’impacte de l’évolution du prix des
produits sur le budget entre les périodes t0 et t si les quantités consommées durant la période
étaient restées celles de la période t. En d’autres termes, il indique combien de fois est plus
cher à la période t le panier consommé à la période t0 . Cet indice synthétique est utilisé par
l’INSEE pour mesurer l’inflation. Il a le défaut de la surestimer.
24
CHAPITRE 2. INDICES SIMPLES ET SYNTHÉTIQUES
Proposition 2.6. L’indice de Laspeyres des prix est la moyenne arithmétique des indices
simples des prix des produits pondérés par les coefficients budgétaires de la période t0 . En
d’autres termes, on a :
n
Lpt|t0 = Ak p,Ak
X
bt0 It|t0 .
k=0
pA k Ak n
pA k Ak n
pA k Ak n
Pn
t qt0 t qt0 t0 qt0 pt
Lpt|t0 = Pk=0 bA k p,Ak
X X X
n Ak Ak
= Pn Ak Ak
= Pn Ak Ak
= t0 It|t0 .
k=0 pt0 qt0 k=0 k=0 pt0 qt0 k=0 k=0 pt0 qt0
pt0 k=0
Exemple 2.4 (suite). L’indice de Laspeyres des prix du panier de l’Exemple 2.4 en 2016 par
rapport à 2015 est :
pA 1 A1 A2 A2 A3 A3
2016 q2015 + p2016 q2015 + p2016 q2015
Lp2016|2015 =
pA 1 A1 A2 A2 A3 A3
2015 q2015 + p2015 q2015 + p2015 q2015
2, 90 × 10 + 2, 80 × 7 + 2, 70 × 6
=
2, 10 × 10 + 3, 20 × 7 + 2, 50 × 6
≃ 1, 11.
Exercice 2.2. Retrouver l’indice de Laspeyres des prix du panier de l’Exemple 2.4 en 2016
par rapport à 2015 en utilisant la Proposition 2.6.
Proposition 2.7. L’indice de Laspeyres des quantités est la moyenne arithmétique des indices
simples des quantités des produits pondérés par les coefficients budgétaires de la période t0 .
En d’autres termes, on a :
n
Lqt|t0 = Ak q,Ak
X
bt0 It|t0 .
k=0
Preuve : Exercice. □
25
CHAPITRE 2. INDICES SIMPLES ET SYNTHÉTIQUES
Exemple 2.4 (suite). L’indice de Laspeyres des quantités du panier de l’Exemple 2.4 en 2016
par rapport à 2015 est :
pA 1 A1 A2 A2 A3 A3
2015 q2016 + p2015 q2016 + p2015 q2016
Lq2016|2015 = A1 A1
p2015 q2015 + pA 2 A2 A3 A3
2015 q2015 + p2015 q2015
2, 10 × 8 + 3, 20 × 10 + 2, 50 × 7
=
2, 10 × 10 + 3, 20 × 7 + 2, 50 × 6
≃ 1, 14.
Exercice 2.3. Retrouver l’indice de Laspeyres des quantités du panier de l’Exemple 2.4 en
2016 par rapport à 2015 en utilisant la Proposition 2.7.
Remarque 2.5. L’indice de Paasche des prix mesure de combien de fois est plus cher le
panier de la période t qu’il n’aurait été avec les prix de la période t0 . L’indice de Paasche a
tendance à sous-estimer l’inflation.
Proposition 2.8. 1. L’indice de Paasche des prix est l’inverse de la moyenne des inverses
des indices simples des prix des produits pondérés par les coefficients budgétaires de la
période t. En d’autres termes, on a :
p 1
Pt|t0
= Pn Ak 1
.
k=0 bt p,A
It|t k
0
2. On a :
p 1
Pt|t = .
0 Lpt0 |t
Preuve : Exercice. □
Exemple 2.4 (suite). L’indice de Paasche des prix du panier de l’Exemple 2.4 en 2016 par
rapport à 2015 est :
p pA 1 A1 A2 A2 A3 A3
2016 q2016 + p2016 q2016 + p2016 q2016
P2016|2015 =
pA 1 A1 A2 A2 A3 A3
2015 q2016 + p2015 q2016 + p2015 q2016
2, 90 × 8 + 2, 80 × 10 + 2, 70 × 7
=
2, 10 × 8 + 3, 20 × 10 + 2, 50 × 7
≃ 1, 06.
Exercice 2.4. Retrouver l’indice de Paasche des prix du panier de l’Exemple 2.4 en 2016 par
rapport à 2015 en utilisant la Proposition 2.8.
26
CHAPITRE 2. INDICES SIMPLES ET SYNTHÉTIQUES
Remarque 2.6. L’indice de Paasche des quantités mesure de combien de fois est plus cher
le panier de la période t que ne l’aurait été celui de la période t0 avec les prix de la période t.
Proposition 2.9. 1. L’indice de Paasche des quantités est l’inverse de la moyenne des
inverses des indices simples des quantités des produits pondérés par les coefficients bud-
gétaires de la période t. En d’autres termes, on a :
q 1
Pt|t0
= Pn Ak 1
.
k=0 bt q,A
It|t k
0
2. On a :
q 1
Pt|t = .
0 Lqt0 |t
Preuve : Exercice. □
Exercice 2.5. Calculer l’indice de Paasche des quantités du panier de l’Exemple 2.4 en 2016
par rapport à 2015 de deux façons différentes.
Remarque 2.7. L’indice de Fisher est la moyenne géométrique des indices de Paasche et Las-
peyres. Il est donc compris entre ces deux ci et donne une mesure plus centrale de l’inflation.
Il est en particulier utilisé au Canada pour estimer l’évolution du PIB.
Exercice 2.6. Calculer les indices de Fisher des prix et quantités du panier de l’Exemple 2.4
en 2016 par rapport à 2015.
1Mt′ = It|t′ Mt ,
27
CHAPITRE 2. INDICES SIMPLES ET SYNTHÉTIQUES
I2014|2000 = 1, 25.
Ainsi, 1¤ de 2000 permettait d’acheter la même chose que 1,25¤ de 2014. Exprimons le
prix moyen d’une baguette en 2000 en euros de 2014 :
En tenant compte de l’inflation, le prix moyen d’une baguette de pain a donc augmenté
baguette
de τ2014|2000 = 0,87−0,80
0,80 = 8, 75% entre 2000 et 2014.
28
Chapitre 3
Lorsque l’on a plusieurs/un grand nombre de données, il est pratique de pouvoir les synthé-
tiser sous la forme d’un tableau, d’une matrice. Les objectifs de ce chapitre sont d’introduire
la notion de matrice et les opérations sur les matrices ainsi que d’établir un lien entre ma-
trices et systèmes linéaires. On discutera également des méthodes de résolution de systèmes
linéaires. Ces notions trouvent des applications naturelles en gestion, en particulier, pour
déterminer des programmes de production permettant d’épuiser un stock de ressources ou
encore de déterminer les ressources nécessaires pour la production de quantités prescrites de
produits finis.
Notations 3.1. 1. On note Mm,n (R) l’ensemble des matrices de taille m × n et à coeffi-
cients réels.
2. Soit A ∈ Mm,n (R). Pour i ∈ {1, . . . , m} et j ∈ {1, . . . , n}, on note ai,j le coefficient
situé sur la ie ligne et dans la j e colonne de la matrice A. Celle-ci s’écrit alors sous la
forme A = (ai,j )1≤i≤m,1≤j≤n .
29
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
La matrice A est de taille 3 × 2, B est une matrice carrée d’ordre 4, X un vecteur ligne
de taille 5 et Y un vecteur colonne de taille 4.
Définition 3.3. Soit A ∈ Mn,n (R) une matrice carrée.
1. La matrice A est dite diagonale si ai,j = 0, pour tous i, j ∈ {1, . . . , n} tels que i ̸= j.
Si de plus, pour tout i ∈ {1, . . . , n}, ai,i = 1, la matrice A est appelée matrice identité
d’ordre n et est notée In .
2. La matrice A est dite triangulaire supérieure si ai,j = 0, pour tous i, j ∈ {1, . . . , n} tels
que i > j.
3. La matrice A est dite triangulaire inférieure si ai,j = 0, pour tous i, j ∈ {1, . . . , n} tels
que i < j.
Ainsi, toute matrice diagonale D est de la forme
d1,1 0 ··· 0
.. .. ..
0 . . .
D= ,
.. .. ..
. . . 0
0 · · · 0 dn,n
la matrice identité d’ordre n est de la forme
0 ··· 0
1
0 . . . . . ...
.
In = . .
. .
. . . . 0
.
0 ··· 0 1
et toute matrice triangulaire supérieure U ou triangulaire inférieure L est de la forme :
u1,1 · · · · · · u1,n l1,1 0 ··· 0
.. .. .
.. .. .. ..
0 . . . . .
U = . et L = . .
. .. .. .. . ..
. . . .
. . 0
0 · · · 0 un,n ln,1 · · · · · · ln,n
Remarque 3.1. Pour que leur somme et leur différence soient définies, les matrices A et B
doivent être de mêmes tailles.
Exemple 3.2. On a :
! ! ! !
1 3 4 1 4 1 1+1 3+4 4+1 2 7 5
+ = =
2 5 6 2 4 2 2+2 5+4 6+2 4 9 8
30
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
et ! ! ! !
1 3 4 1 4 1 1−1 3−4 4−1 0 −1 3
− = = .
2 5 6 2 4 2 2−2 5−4 6−2 0 1 4
Proposition 3.1. 1. L’addition de matrices est associative, c’est-à-dire que, pour tous
A, B, C ∈ Mm,n (R), on a :
(A + B) + C = A + (B + C).
3. La matrice 0m,n ∈ Mm,n (R) dont tous les coefficients sont nuls est l’élément neutre de
l’addition dans Mm,n (R), c’est-à-dire que, pour tout A ∈ Mm,n (R), on a :
A + 0m,n = 0m,n + A = A.
Exemple 3.3. On a :
! !
1 4 7 28
7× = .
2 5 14 35
31
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
3.2.3 Multiplication
Définition 3.7. Soit A = (ai,j )1≤i≤m,1≤j≤n ∈ Mm,n (R) et B = (bi,j )1≤i≤n,1≤j≤p ∈ Mn,p (R).
On appelle produit de A par B la matrice C = (ci,j )1≤i≤m,1≤j≤p ∈ Mm,p (R) dont les
coefficients sont donnés par :
n
X
ci,j = ai,k bk,j , 1 ≤ i ≤ m, 1 ≤ j ≤ p.
k=1
Remarque 3.4.
1. Pour que le produit AB soit défini, il est nécessaire que le nombre de colonnes de la
matrice de gauche soit égal au nombre de lignes de la matrice de droite.
2. le coefficient ci,j est le produit (scalaire) de la ie ligne de A par la j e colonne de B.
On a :
! ! ! !
1 2 2 0 1 × 2 + 2 × 1 1 × 0 + 2 × (−1) 4 −2
AB = = =
3 4 1 −1 3 × 2 + 4 × 1 3 × 0 + 4 × (−1) 10 −4
et
! ! ! !
2 0 1 2 2×1+0×3 2×2+0×4 2 4
BA = = = .
1 −1 3 4 1 × 1 + (−1) × 3 1 × 2 + (−1) × 4 −2 −2
On observe que AB ̸= BA ; cet exemple montre que, même si les produits AB et BA sont
définis et de même taille, ils ne sont, en général, pas égaux. Le produit matriciel n’est pas
commutatif.
Le produit CB n’est pas défini mais le produit BC l’est et vaut :
! !
2 0 1 2 0
BC =
1 −1 3 7 4
! !
2×1+0×3 2×2+0×7 2×0+0×4 2 4 0
= = .
1 × 1 + (−1) × 3 1 × 2 + (−1) × 7 1 × 0 + (−1) × 4 −2 −5 −4
Proposition 3.3. 1. Le produit matriciel n’est pas commutatif, c’est-à-dire qu’en gé-
néral AB ̸= BA.
2. La matrice identité d’ordre n, In , est l’élément neutre du produit matriciel dans Mn,n (R),
c’est-à-dire que, pour tout A ∈ Mn,n (R), on a :
AIn = In A = A.
32
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
(AB)C = A(BC).
Remarque 3.5. En fait, il suffit que l’une des identités AB = In ou BA = In soit vérifiée
pour pouvoir affirmer que B = A−1 .
La matrice !
1 1
B=
1 1
n’est, quant à elle, pas inversible. Vérifions ceci en raisonnant par l’absurde. Supposons qu’il
existe a, b, c et d tels que !
a b
B = I2 .
c d
En effectuant le produit
! ! ! !
a b 1 1 a b a+c b+d
B =
c d 1 1 c d a+c b+d
(AB)−1 = B −1 A−1 .
Preuve : On a :
(AB) B −1 A−1 = A BB −1 A−1 = AIn A−1 = AA−1 = In .
33
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
An = A
|
× ·{z
· · × A}
n fois
avec la convention A0 = I.
3.2.4 Transposition
Définition 3.9. Soit A = (ai,j )1≤i≤m,1≤j≤n ∈ Mm,n (R).
On appelle transposée de A la matrice B = (bi,j )1≤i≤n,1≤j≤m ∈ Mn,m (R) telle que pour
tous i, j, bi,j = aj,i . Cette matrice est notée t A ou AT .
est la matrice !
T 1 2 9
A = .
4 3 7
(A + B)T = AT + B T .
(AB)T = B T AT .
Preuve : Les deux premiers points sont évidents. Pour le troisième, il suffit d’écrire :
h i
(AB)T
X X X
= (AB)j,i = aj,k bk,i = bk,i aj,k = (bT )i,k (aT )k,j = [B T AT ]i,j ;
i,j
k k k
et pour le quatrième :
T T
AT A−1 = A−1 A = I T = I.
□
34
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
Des systèmes d’équations apparaissent naturellement dans des domaines variés dont la
gestion. C’est en particulier le cas lorsque l’on doit respecter simultanément des contraintes
portant sur les mêmes variables.
Exemple 3.7. Une entreprise fabrique deux produits P1 et P2 en utilisant deux matières
premières M1 et M2 . Plus précisément, la production d’une unité de P1 nécessite 2Kg de M1
et 3Kg de M2 et production d’une unité de P2 nécessite 1Kg de M1 et 4Kg de M2 . En notant
x1 la quantité de P1 produite, x2 la quantité de P2 produite, y1 la quantité de M1 utilisée (en
Kg) et y2 la quantité de M2 utilisée (en Kg), on peut voir que :
— la quantité y1 de M1 utilisée pour produire x1 unités de P1 et x2 unités de P2 n’est
autre que 2x1 + x2 et donc
2x1 + x2 = y1 ;
Les quantités de produits et de matières premières utilisées par l’entreprise sont donc liées
par le système :
(
2x1 +x2 = y1
(S1 ) .
3x1 +4x2 = y2
Bien sûr, si l’on connait les quantités x1 et x2 que souhaite produire l’entreprise, ceci
permet de trouver immédiatement les quantités de matières premières y1 et y2 nécessaires. Si
au contraire, on connait les quantités de matières premières y1 et y2 disponibles en stock, on
pourra déterminer s’il existe un programme de production épuisant les stocks en résolvant le
système, c’est-à-dire en déterminant les valeurs de x1 et x2 .
Remarque 3.6.
1. On remarquera, dans l’exemple précédant, que l’on a écrit une équation par ressource
(ou matière première) et non pas par produit fini. Ceci est un fait général pour ce type
de problème de modélisation.
2. Un système linéaire n’admet pas nécessairement une unique solution ; il peut ne pas
admettre de solution comme en admettre une infinité.
35
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
Exemple 3.8. Le système (S1 ) de l’Exemple 3.7, s’écrit matriciellement sous la forme :
! ! !
2 1 x1 y1
= .
3 4 x2 y2
Le système
2x1
+8x2 +12x3 = 34
(S2 ) x1 +4x2 +8x3 = 19
3x1 +4x2 +2x3 = 19
s’écrit matriciellement sous la forme AX = Y avec :
2 8 12 x1 34
A = 1 4 8 , X = x2 et Y = 19 .
3 4 2 x3 19
3.3.2 Résolution
On s’intéresse à la résolution de systèmes linéaires et on suppose, pour toute la suite du
chapitre, que les systèmes et matrices considérés sont carrés de taille n.
Il a déjà été mentionné qu’un système linéaire n’admet pas nécessairement une solution
unique. Le théorème suivant donne une condition nécessaire et suffisante pour qu’un système
carré admette une unique solution et peut être complété d’une autre condition équivalente
basée sur la notion de déterminant (voir Section 3.5).
36
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
Théorème 3.1. Soit (S) un système linéaire carré dont l’écriture matricielle est AX = Y .
Les assertions suivantes sont équivalentes :
1. (S) admet une unique solution,
2. A est inversible,
Si l’une des conditions précédentes est vérifiée, la solution du système (S) est donnée par
X = A−1 Y .
Remarque 3.7. Si det(A) = 0 le système n’admet pas de solution ou admet une infinité de
solution.
Certains systèmes linéaires sont extrêmement simples à résoudre. C’est le cas des systèmes
diagonaux et triangulaires. En effet, la solution d’un système diagonal :
a1,1 x1 = y1
.. ..
. .
an,n xn = yn
est clairement
x = ay1,1
1
1
.
.. .. .
x = yn
n an,n
sous réserve que tous les ai,i soient non nuls. Si le système est triangulaire supérieur, avec
tous les ai,i non nuls,
a1,1 x1 + . . . +a1,n xn = y1
.. .. ..
. . .
an,n xn = yn
Définition 3.13. On appelle opérations élémentaires sur les lignes les opérations suivantes :
1. l’intervertion de deux lignes,
2. la multiplication une ligne par un scalaire,
3. l’ajout du produit d’un scalaire et d’une ligne à une autre ligne.
Proposition 3.6. Les opérations élémentaires sur les lignes transforment un système en un
système équivalent.
37
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
Méthode de Gauss
Cette méthode se déroule en deux temps. Le principe est de transformer, dans un premier
temps, le système présenté sous la forme d’un tableau :
a1,1 . . . a1,n y1
.. .. ..
. . .
an,1 . . . an,n yn
en un système triangulaire équivalent avec des 1 sur la diagonale :
1 ⋆ ... ⋆ ⋆
. . . . .. ..
. . . .
.. ..
. ⋆ ..
1 ⋆
La deuxième phase est une phase de remontée permettant d’obtenir la solution de ce dernier
système qui est la même que celle du système d’origine.
L’algorithme itératif suivant présente la phase de réduction lors de la résolution d’un
système n × n d’équations linéaires par la méthode de Gauss. Avec un léger abus de notation,
on notera ai,j et yi les coefficients apparaissant dans le tableau à l’étape courante. Les valeurs
des ai,j et yi changent donc d’une étape à l’autre. On notera Li la ie ligne du tableau et Cj
sa j e colonne.
Algorithme 3.1 (Méthode de Gauss - Phase de réduction).
Pour i variant de 1 à n :
1. Si ai,i = 0, échanger Li avec une des lignes Lj pour un j > i telle que aj,i ̸= 0 ; si un tel
échange n’est pas possible, s’arrêter et conclure que le système n’admet pas une unique
solution.
38
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
1
2. Remplacer la Li par ai,i Li .
3. Pour j variant de i + 1 à n :
Remplacer Lj par Lj − aj,i Li .
Remarque 3.8.
1. À la ie itération, le coefficient ai,i est appelé ie pivot.
2. Si le système admet une unique solution, l’algorithme ne s’arrêtera pas durant l’étape
1.. On peut, pour s’en assurer, calculer le déterminant de la matrice associée au système.
3. À la ie itération, l’étape 2 permet de mettre un 1 au niveau du ie coefficient diagonal.
4. À la ie itération, l’étape 3 permet de mettre à 0 tous les coefficients de la colonne Ci
situés en dessous du coefficient diagonal.
5. À la ne itération, l’étape 3 ne contient aucune opération (il n’y a rien à faire).
Un tel système se résout aisément par remontée (on connait déjà la valeur de xn !) en
utilisant l’algorithme suivant.
Algorithme 3.2 (Méthode de Gauss - Phase de remontée).
Affecter à xn la valeur bn .
Pour i descendant de n − 1 à 1 :
1. Remplacer xi+1 , . . . , xn par leurs valeurs déjà trouvées dans Li .
2. Résoudre en xi l’équation du premier degré apparaissant dans la ligne Li .
Sortie : x1 , . . . , xn solution du système.
Exemple 3.8 (suite). Reprenons l’exemple du système (S2 ) de l’Exemple 3.8. Rappelons que
celui-ci s’écrit matriciellement sous la forme AX = Y avec :
2 8 12 x1 34
A = 1 4 8 , X = x2 et Y = 19 .
3 4 2 x3 19
39
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
Nous allons le résoudre en utilisant l’algorithme de Gauss et une présentation sous forme
de tableaux. La phase de réduction/triangularisation débute avec le tableau :
2 8 12 34
1 4 8 19 .
3 4 2 19
1 4 6 17
1 4 8 19 ,
3 4 2 19
puis les opérations L2 ← L2 − L1 et L3 ← L3 − 3L1 , pour obtenir :
1 4 6 17
0 0 2 2 .
0 −8 −16 −32
Le candidat à être le deuxième pivot est nul ; on intervertit donc les lignes L2 et L3 :
1 4 6 17
0 −8 −16 −32 .
0 0 2 2
Le deuxième pivot est alors -8 (non nul). On effectue l’opération L2 ← − 18 L2 pour obtenir :
1 4 6 17
0 1 2 4 .
0 0 2 2
Le coefficient sous le coefficient diagonal dans la deuxième colonne est déjà 0 ; on passe
directement à l’étape suivante. Le troisième pivot est 2. On divise donc les coefficients de la
ligne L3 par 2 pour obtenir :
1 4 6 17
0 1 2 4 .
0 0 1 1
Le tableau est sous forme triangulaire et n’a que des 1 sur la diagonale ; la première phase
est terminée. La phase de remontée débute en écrivant le système correspondant à ce tableau
(et équivalent à (S2 )) :
x1 +4x2 +6x3 = 17
x2 +2x3 = 4 .
x3 =1
On sait déjà que x3 = 1. En remplaçant x3 par 1 dans la deuxième ligne, on déduit que
x2 = 2. Ensuite, en remplaçant x2 par 2 et x3 par 1 dans la première ligne, on déduit que
x1 = 3. On obtient ainsi que la solution de ce système est :
3
X = 2 .
1
40
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
Méthode de Gauss-Jordan
Cette méthode se déroule en une seule phase, mais chaque étape nécessite un peu plus
de calculs que pour la méthode de Gauss. Le principe est de transformer le système présenté
sous la forme d’un tableau :
a1,1 . . . a1,n y1
.. .. ..
. . .
an,1 . . . an,n yn
en un système diagonal équivalent. En fait, on fera en sorte qu’à la fin de l’exécution de
l’algorithme, la partie gauche du tableau soit la matrice identité In . La solution du système
sera alors simplement le membre de droite du tableau
L’algorithme itératif suivant la résolution d’un système n × n d’équations linéaires par la
méthode de Gauss-Jordan. Toujours avec le même abus de notation, ai,j et yi désignerons les
coefficients apparaissant dans le tableau à l’étape courante. Les valeur des ai,j et yi changent
donc d’une étape à l’autre.
Remarque 3.10.
1. À la ie itération, le coefficient ai,i est appelé ie pivot.
2. Si le système admet une unique solution, l’algorithme ne s’arrêtera pas durant l’étape
1.. On peut pour s’en assurer calculer le déterminant de la matrice associée au système.
3. À la ie itération, l’étape 2 permet de mettre un 1 au niveau du ie coefficient diagonal.
4. À la ie itération, l’étape 3 permet de mettre à 0 tous les coefficients de la colonne Ci à
l’exception du coefficient diagonal.
Exemple 3.8 (suite). Reprenons l’exemple du système (S2 ) de l’Exemple 3.8 et résolvons
le, cette fois, en utilisant l’algorithme de Gauss-Jordan et une présentation sous forme de
tableaux. On débute avec le tableau :
2 8 12 34
1 4 8 19 .
3 4 2 19
1 4 6 17
1 4 8 19 ,
3 4 2 19
41
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
1 4 6 17
0 0 2 2 .
0 −8 −16 −32
Le candidat à être le deuxième pivot est nul ; on intervertit donc les lignes L2 et L3 :
1 4 6 17
0 −8 −16 −32 .
0 0 2 2
Le deuxième pivot est alors -8 (non nul). On effectue l’opération L2 ← − 18 L2 pour obtenir :
1 4 6 17
0 1 2 4 .
0 0 2 2
Remarquons que c’est à partir d’ici que la méthode de Gauss-Jordan diffère de la méthode
de Gauss dans cet exemple. On réalise l’opération L1 ← L1 − 4L2 pour obtenir :
1 0 −2 1
0 1 2 4 .
0 0 2 2
Le troisième pivot est 2. On divise donc les coefficients de la ligne L3 par 2 pour obtenir :
1 0 −2 1
0 1 2 4 .
0 0 1 1
1 0 0 3
0 1 0 2 .
0 0 1 1
42
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
à-dire, le vecteur :
0
..
.
0
ei = 1 ← ie ligne.
0
..
.
0
Ainsi, déterminer l’inverse d’une matrice revient à résoudre les n systèmes linéaires dont
les écritures matricielles sont AX = e1 , . . . , AX = en . Ceci peut être fait simultanément en
utilisant la méthode de Gauss-Jordan avec pour membre de droite la matrice identité In . En
d’autre terme, on débutera la méthode de Gauss-Jordan avec le tableau :
Exemple 3.8 (suite). Reprenons l’exemple du système (S2 ) de l’Exemple 3.8 et déterminons
l’inverse de la matrice A en utilisant l’algorithme de Gauss-Jordan et une présentation sous
forme de tableaux. On débute avec le tableau :
2 8 12 1 0 0
1 4 8 0 1 0 .
3 4 2 0 0 1
43
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
Le candidat à être le deuxième pivot est nul ; on intervertit donc les lignes L2 et L3 :
1
1 4 6 2 0 0
0 −8 −16 − 32 0 1 .
0 0 2 − 12 1 0
Le deuxième pivot est alors -8 (non nul). On effectue l’opération L2 ← − 81 L2 pour obtenir :
1
1 4 6 2 0 0
3
0 1 2 16 0 − 18 .
0 0 2 − 12 1 0
1 0 −2 − 41 0 12
3
0 1 2 16 0 − 18 .
0 0 2 − 12 1 0
Le troisième pivot est 2. On divise donc les coefficients de la ligne L3 par 2 pour obtenir :
1 0 −2 − 41 0 12
3
0 1 2 16 0 − 18 .
0 0 1 − 14 1
2 0
1 0 0 − 43 1 1
2
11
0 1 0 16 −1 − 81 .
0 0 1 − 14 1
2 0
Ainsi,
− 43 1 1
2
A−1 =
11
−1 − 18 .
16
− 14 1
2 0
On retrouve que la solution de (S2 ) lorsque
34
Y = 19
19
est
− 43 1 1
2 34 3
X = A−1 Y =
11
−1 − 18 19 = 2 .
16
− 14 1
2 0 19 1
Le fait d’avoir déterminé l’inverse de A permet de trouver rapidement, sans trop d’efforts,
la solution de (S2 ) si l’on change arbitrairement son membre de droite. Plus précisément, ceci
permet de résoudre, par un simple produit matriciel, tout système de la forme :
2x1
+8x2 +12x3 = y1
(S) x1 +4x2 +8x3 = y2 pour y1 , y2 , y3 ∈ R.
3x
1 +4x2 +2x3 = y3
44
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
est
1
X ′ = A−1 Y ′ = 0 .
0
45
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
46
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
S’il est non vide, le domaine défini par les contraintes d’un problème d’optimisation linéaire
(à n variables) est un polyèdre (polygone si n = 2) convexe D. L’ensemble D est appelé
ensemble admissible. Les sommets de ce polygone saturent au moins n contraintes du problème
(i.e. leurs coordonnées vérifient toutes les contraintes et au moins n contraintes sont vérifiées
avec égalité). En fait, exactement n contraintes sont saturées sauf dans les cas pathologiques.
On peut montrer le résultat suivant.
Proposition 3.7. Si le domaine défini par les contraintes d’un problème d’optimisation li-
néaire (P) est borné, alors le problème (P) admet une solution atteinte en au moins un sommet
de ce domaine.
47
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
x2
375
350
325
300 x1 , x2 ≥ 0
275
250
x2 = 250 − 2x1
225
200
175
150
125
100
75
50 D
25 x2 = 100 − 13 x1
x2 = 150 − x1
0 x1
-25 0 25 50 75 100 125 150 175 200 225 250 275 300 325 350 375
-25
Figure 3.1 – Domaine D (gris) du problème d’optimisation linéaire de l’Exemple 3.9 défini
par les contraintes x1 + 3x2 ≤ 300 (bleu), 4x1 + 2x2 ≤ 500 (rouge), x1 + x2 ≤ 150 (vert) et
x1 , x2 ≥ 0 (gris clair).
atteinte en tout point de D ∩ dz ∗ . Dans les bons cas, D ∩ dz ∗ est réduit à un point et la
solution est unique.
Exemple 3.9 (suite). Reprenons l’Exemple 3.9. On a déjà tracé le polygone D défini par
les contraintes. Après avoir tracé la ligne de niveau 0 de la fonction objectif (x1 , x2 ) 7−→
15x1 + 17x2 , c’est-à-dire d0 : 15x1 + 17x2 = 0 (en bleu sur la Figure 3.2), on a déterminé la
direction d’amélioration, représentée par une flèche rouge sur cette même figure. Pour cela on
s’est souvenu qu’il s’agit d’un problème de maximisation et que l’on cherche donc à « faire
monter » le niveau z des lignes de niveau considérées. En « poussant » progressivement la ligne
de niveau dans le sens d’amélioration, on voit que le meilleur niveau possible est z ∗ = 2400.
La ligne de niveau correspondante est représentée en vert sur la Figure 3.2. On voit aussi que
cette ligne de niveau ne rencontre D qu’en le point (x∗1 ; x∗2 ) = (75; 75) ; l’unique solution du
problème d’optimisation est donc atteinte en ce point.
Ainsi, pour maximiser sa marge brute mensuelle, l’industriel devra produire 75 lingots de
chacun des deux alliages.
Remarque 3.11. La méthode graphique est facilement réalisable en dimension deux, mais
48
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
x2
175
125
100
75 • (75; 75)
50
D
25
0 x1
-25 0 25 50 75 100 125 150 175
-25 Direction d’amélioration
-75
-100
-125
-150
difficilement applicable en dimension plus grande. Il existe d’autres méthodes, basées sur
des algorithmes, permettant une résolution plus efficace de problèmes d’optimisation. Une
introduction à l’une d’elle, la méthode du simplexe, se trouve dans la Sous-section 3.4.3.
49
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
Remarque 3.12.
1. Quitte à y introduire des variables supplémentaires qui n’interviendront pas dans l’ex-
pression de l’objectif, dites variables d’écart, tout problème d’optimisation linéaire peut
être ramené à un problème sous forme standard. En effet, l’inégalité :
ai,1 x1 + · · · + ai,n xn ≤ bi ,
ai,1 x1 + · · · + ai,n xn + ei = bi ,
ai,1 x1 + · · · + ai,n xn ≥ bi ,
ai,1 x1 + · · · + ai,n xn − ei = bi ,
minimiser ou maximiser z = α1 x1 + · · · + αn xn
sous les contraintes
a1,1 x1 + · · · + a1,n xn = b1
(P)
..................
ak,1 x1 + · · · + ak,n xn = bk
x1 , . . . , x n ≥ 0
peut toujours être écrit de manière compacte en utilisant des notations matricielles.
L’écriture matricielle du problème (P) est :
minimiser ou maximiser z = CX
sous les contraintes
(P) ,
AX = B
x1 , . . . , x n ≥ 0
où
a1,1 . . . a1,n b1 x1
.. .. , .. ..
A= . . B = . , C = α1 . . . αn et X = . .
ak,1 . . . ak,n bk xn
50
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
51
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
bi sont strictement positifs. En effet, dans ce cas l’origine (0, . . . , 0) est un sommet de D !
Nous nous plaçons donc, pour toute la suite, dans le cadre d’un problème d’optimisation dont
toutes les contraintes sont du type « ≤ ».
Remarque 3.13. Lorsque le problème présente des contraintes du type ≥ ou mixte, on peut
utiliser une variante de l’algorithme du simplexe connue sous le nom de méthode des deux
phases. La première phase correspond à la détermination d’un sommet de départ ; la seconde
est essentiellement une application de la méthode du simplexe. Nous ne présenterons pas la
méthode des deux phases dans cette sous-section qui ne se veut qu’introductive. Les éventuels
problèmes liés à des sommets dégénérés ne seront pas non plus discutés ici.
Nous présentons ci-dessous l’algorithme du simplexe pour la résolution d’un problème
d’optimisation à n variables et k contraintes, toutes du type « ≤ » et telles que les coefficients
des membres de droite bi soient strictement positifs. L’algorithme utilise une décomposition
de l’ensemble des variables en deux sous ensembles : l’ensemble des variables de base dont les
valeurs sont calculées et l’ensemble des variables hors base dont les valeurs sont prescrites et
égales à 0. Pour passer d’un sommet à l’autre, l’algorithme fait entrer une variable et sortir
une autre variable de la base à chaque itération de façon à obtenir la plus grande amélioration
possible de l’objectif. Nous utilisons la présentation dite par tableaux. Nous distinguons les
cas de la maximisation et de la minimisation.
Algorithme 3.4 (Algorithme du simplexe pour la maximisation sous des contraintes du type
« ≤ » avec membre de droite positif.).
Entrée : Le problème d’optimisation linéaire :
maximiser z = α1 x1 + · · · + αn xn
s.l.c.
a1,1 x1 + · · · + a1,n xn ≤ b1
(P) , avec b1, . . . , bk > 0.
..................
ak,1 x1 + · · · + ak,n xn ≤ bk
x1 , . . . , x n ≥ 0
Corps de l’algorithme :
maximiser z = α1 x1 + · · · + αn xn
s.l.c.
a1,1 x1 + · · · + a1,n xn + e1 = b1
(PS ) .
..................
a x
k,1 1 + · · · + ak,n xn + ek = bk
x1 , . . . , xn , e1 , . . . , ek ≥ 0
52
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
HH
H v. x ... xn e1 e2 ... ek −z bi
HH 1
v.b. H
H
e1 a1,1 ... a1,n 1 0 ... 0 0 b1
e2 a2,1 ... a2,n 0 1 ... 0 0 b2
... ... ... ... ... ... ... ... ... ...
ek ak,1 ... ak,n 0 0 ... 1 0 bk
−z α1 ... αn 0 0 ... 0 1 0
5. Tant qu’au moins un des coefficients de la ligne de −z (colonnes de −z et bi exceptées)
est strictement positif répéter :
(a) déterminer le plus grand coefficient de la ligne de −z (colonnes de −z et bi excep-
tées) ;
(b) noter j0 le numéro de la colonne correspondante ;
(c) noter e la variable correspondante (variable entrante) ;
(d) dans chacune des lignes 1 à k calculer le quotient du coefficient de la colonne bi
sur celui de la colonne j0 ;
(e) déterminer le plus petit des quotients parmi les positifs et noter i0 sa ligne ;
(f) noter s la variable correspondante (variable sortante) ;
(g) mettre à jour HB et B : HB ← HB ∪{s} \ {e} et B ← B ∪{e} \ {s} (penser à le
faire dans le tableau) ;
1
(h) remplacer Li0 par ai0 ,j0 Li0 ;
(i) pour tout i ∈ {1, . . . , k + 1} \ {i0 }, remplacer Li par Li − ai,j0 Li0 .
Sortie : Valeurs du maximum z et des coordonnées du point où il est réalisé x1 , . . . , xn lues
dans le dernier tableau.
Remarque 3.14.
1. Afin de mieux comprendre le fonctionnement de cet algorithme, la lecture des deux
exemples ci-dessous est vivement recommandée !
2. Dans les étapes 2. et 3., les choix des variables hors base (et de base) traduisent le fait
que l’algorithme démarre du sommet de coordonnées (x1 ; . . . ; xn ) = (0; . . . ; 0).
3. Dans les tableaux comme celui écrit dans le point 4., chaque ligne représente une équa-
tion. Par exemple la première ligne représente l’équation a1,1 x1 + · · · + a1,n xn + e1 = b1 .
Cette ligne débute par e1 , ce qui indique que dans cette équation la seule variable non
nulle est e1 ; ceci permet de lire directement la valeur de e1 dans l’intersection de cette
ligne et de la colonne des bi . Afin de toujours pourvoir faire une telle lecture directe, on
fera en sorte de toujours avoir des 1 dans les intersections des lignes et colonnes corres-
pondant aux variables de base ainsi qu’à −z. La dernière ligne du tableau T représente
l’équation z = α1 x1 + · · · + αn xn (soit α1 x1 + · · · + αn xn + (−z) = 0).
4. Les étapes 5a.-5c. permettent de déterminer la variable dont l’augmentation de la va-
leur produit la plus grande amélioration marginale ; cette variable est appelée variable
entrante.
53
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
5. Les étapes 5d.-5f. permettent de déterminer dans quelle mesure on peut augmenter la
valeur de la variable entrante pour continuer à respecter les contraintes et quelle variable
il faut faire sortir de la base pour permettre cette augmentation.
6. S’il y a des ex-æquo lors de la détermination de la variable entrante ou sortante, on
choisira par convention la première dans l’ordre lexicographique.
7. Les étapes 5h.-5i. reviennent à l’exécution d’une itération de l’algorithme de Gauss-
Jordan. Elle permettent de ré-exprimer les variables de base et z en fonction des variables
hors base.
8. Minimiser z revient à maximiser −z, il n’est donc pas indispensable de disposer d’un
algorithme de minimisation. Nous l’écrivons pourtant ci-dessous.
Algorithme 3.5 (Algorithme du simplexe pour la minimisation sous des contraintes du type
« ≤ » avec membre de droite positif.).
Entrée : Le problème d’optimisation linéaire :
minimiser z = α1 x1 + · · · + αn xn
s.l.c.
a1,1 x1 + · · · + a1,n xn ≤ b1
(P) , avec b1, . . . , bk > 0.
..................
ak,1 x1 + · · · + ak,n xn ≤ bk
x1 , . . . , x n ≥ 0
Corps de l’algorithme :
1. Écrire le problème standard associé à (P) :
minimiser z = α1 x1 + · · · + αn xn
s.l.c.
a1,1 x1 + · · · + a1,n xn + e1 = b1
(PS ) .
..................
ak,1 x1 + · · · + ak,n xn + ek = bk
x1 , . . . , xn , e1 , . . . , ek ≥ 0
54
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
(a) déterminer le coefficient le plus grand en valeur absolue parmi les négatifs dans la
ligne de −z (colonnes de −z et bi exceptées) ;
(b) noter j0 le numéro de la colonne correspondante ;
(c) noter e la variable correspondante (variable entrante) ;
(d) dans chacune des lignes 1 à k calculer le quotient du coefficient de la colonne bi
sur celui de la colonne j0 ;
(e) déterminer le plus petit des quotients parmi les positifs et noter i0 sa ligne ;
(f) noter s la variable correspondante (variable sortante) ;
(g) mettre à jour HB et B : HB ← HB ∪{s} \ {e} et B ← B ∪{e} \ {s} (penser à le
faire dans le tableau) ;
1
(h) remplacer Li0 par ai0 ,j0 Li0 ;
(i) pour tout i ∈ {1, . . . , k + 1} \ {i0 }, remplacer Li par Li − ai,j0 Li0 .
Sortie : Valeurs du minimum z et des coordonnées du point où il est réalisé x1 , . . . , xn lues
dans le dernier tableau.
Exemple 3.9 (suite). Terminons l’Exemple 3.9 en résolvant le problème (P) par la méthode
du simplexe. Avant de réaliser l’exécution de la méthode du simplexe en utilisant la présen-
tation par tableaux et afin d’en comprendre précisément le fonctionnement, on détaillera le
cheminement suivi par l’algorithme sur cet exemple sans utiliser de tableau. Ceci permettra de
mettre en avant l’effet concret de chaque étape de l’algorithme sur les variables et contraintes
du problème. La Figure 3.3 représente le chemin suivi par l’algorithme pour explorer différents
sommets de l’ensemble admissible du problème jusqu’à avoir trouvé le sommet où est réalisée
la solution optimale.
55
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
maximiser
z avec x1 , x2 , e1 , e2 , e3 ≥ 0 vérifiant
x1 + 3x2 + e1 = 300
4x + 2x + e = 500
1 2 2 . (3.4.1)
x1 + x2 + e3 = 150
z = 15x1 + 17x2
maximiser
z avec x1 , x2 , e1 , e2 , e3 ≥ 0 vérifiant
e1 = 300 − x1 − 3x2
e = 500 − 4x − 2x
2 1 2 . (3.4.2)
e 3 = 150 − x 1 − x 2
z = 15x1 + 17x2
56
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
maximiser
z avec x1 , x2 , e1 , e2 , e3 ≥ 0 vérifiant
e1 = 300 − x1 − 3x2
e = 500 − 4x − 2x
2 1 2
e 3 = 150 − x1 − x 2
z = 15x1 + 17x2
maximiser z avec x1 , x2 , e1 , e2 , e3 ≥ 0 vérifiant
− 13 x1 − 31 e1
x 2 = 100
⇐⇒ e2 = 300 − 10 2
3 x1 + 3 e1 . (3.4.3)
2 1
e 3 = 50 − x
3 1 + e
3 1
z = 1700 + 28 17
3 x 1 − 3 e1
57
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
et le fait d’augmenter e3 de 1 conduit à une perte de 3 sur z. Il n’y a donc plus de moyen pour
augmenter la valeur de z. On s’arrête et on conclue que la solution optimale est z ∗ = 2400
atteinte en (x∗1 ; x∗2 ) = (75; 75).
1 × x1 + 3 × x2 + 1 × e1 + 0 × e2 + 0 × e3 + 0 × (−z) = 300,
soit
x1 + 3x2 + e1 = 300.
De même, les deuxième et troisième lignes représentent respectivement les équations :
15x1 + 17x2 − z = 0
58
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
Le quotient le plus petit (parmi les positifs) est 100 et correspond à la variable e1 que l’on
fait sortir de la base et que l’on remplace par x2 .
On repère, ensuite, le pivot situé dans la ligne de la variable sortante et la colonne de la
variable entrante et on effectue une itération de la méthode de Gauss-Jordan pour mettre à
1 la valeur du pivot et à 0 les autres coefficients de la colonne de la variable entrante. En
partant du tableau :
HH
H v. x x2 e1 e2 e3 −z bi
HH 1
v.b. HH
→ e
1 x2 1 3 1 0 0 0 300
e2 4 2 0 1 0 0 500
e3 1 1 0 0 1 0 150
−z 15 17 0 0 0 1 0
↑
on effectue l’opération L1 ← L1 /3 pour obtenir :
HH
H v. x x2 e1 e2 e3 −z bi
HH 1
v.b. H
H
1 1
x2 3 1 3 0 0 0 100
e2 4 2 0 1 0 0 500
e3 1 1 0 0 1 0 150
−z 15 17 0 0 0 1 0
puis les opérations L2 ← L2 − 2L1 , L3 ← L2 − L1 et L4 ← L4 − 17L1 , pour obtenir :
H
HH v. x x2 e1 e2 e3 −z bi
H 1
v.b. HH
H
1 1
x2 3 1 3 0 0 0 100
10
e2 3 0 − 23 1 0 0 300
2
e3 3 0 − 13 0 1 0 50
28
−z 3 0 − 17
3 0 0 1 -1700
59
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
nous pouvons voir qu’il reste un coefficient strictement positif dans la ligne de −z. Celui-ci
est 28
3 et correspond à la variable x1 que l’on va faire entrer dans la base.
Pour déterminer la variable sortante, on calcule, dans chaque ligne correspondant à une
variable de base, le quotient du coefficient de la colonne des bi sur le coefficient de la colonne
de la variable entrante x1 .
H
HH v. x x2 e1 e2 e3 −z bi quotients
H 1
v.b. HHH
1 1 100
x2 3 1 3 0 0 0 100 1 = 300
3
10
e2 3 0 − 32 1 0 0 300 300
10 = 90
3
2
e3 3 0 − 31 0 1 0 50 50
2 = 75
3
28
−z 3 0 − 17
3 0 0 1 -1700
Le quotient le plus faible (parmi les positifs) est 75 et correspond à la variable e3 que l’on
fait sortir de la base et que l’on remplace par x1 .
On repère, ensuite, le pivot situé dans la ligne de la variable sortante et la colonne de la
variable entrante et on effectue une itération de la méthode de Gauss-Jordan pour mettre à
1 la valeur du pivot et à 0 les autres coefficients de la colonne de la variable entrante. En
partant du tableau :
HH
HH v. x x2 e1 e2 e3 −z bi
1
v.b. HHH
1 1
x2 3 1 3 0 0 0 100
10
e2 3 0 − 32 1 0 0 300
2
→ e
3 x1 3 0 − 31 0 1 0 50
28
−z 3 0 − 17
3 0 0 1 -1700
↑
60
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
HH
H v. x x2 e1 e2 e3 −z bi
HH 1
v.b. H
H
1
x2 0 1 2 0 − 12 0 75
e2 0 0 1 1 -5 0 50
x1 1 0 − 12 0 3
2 0 75
−z 0 0 -1 0 -14 1 -2400
L’effet de cette étape est exprimer x2 , e2 , x1 et −z en fonction des variables hors base e1
et e3 (ceci correspond à 3.4.4).
Dans le dernier tableau, la ligne de −z (colonne de −z exceptée) ne comporte pas de
coefficient strictement positif. L’algorithme s’arrête et on peut lire dans le tableau que la
valeur optimale est z = 2400 (−z = −2400) atteinte lorsque x1 = x2 = 75 (e1 = e3 = 0 et
e2 = 50). On retrouve le résultat obtenu plus haut par la méthode graphique.
2x1 − 3x2 − x3
minimiser z =
s.l.c.
x1 + x2 + 2x3 ≤ 100
(P) .
3x1 − 2x2 ≤ 50
x1 − 4x3 ≤ 20
x1 , x2 , x3 ≥0
61
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
x2
125
S1 = (0; 100)
100 •
S2 = (75; 75)
75 •
S3 = (100; 50)
50 •
D
25
S0 = (0; 0) S4 = (125; 0)
0• • x1
-25 0 25 50 75 100 125
-25
Figure 3.3 – Pour résoudre le problème d’optimisation linéaire de l’Exemple 3.9, l’algorithme
du simplexe démarre du sommet S0 . Lors de la première itération (rouge), il décide d’explorer
le sommet S1 puis, lors de la deuxième itération (bleu), le sommet S2 . L’algorithme s’arrête
ensuite puisqu’il est arrivé sur le sommet réalisant réalisant le maximum de la fonction objectif
sur le domaine D. Les sommets S2 , S3 et S4 ne sont pas visités par l’algorithme.
H
HH v. x x2 x3 e1 e2 e3 −z bi quotients
H 1
v.b. H H
H
100
e
1 x2 1 1 2 1 0 0 0 100 1 = 100
50
e2 3 -2 0 0 1 0 0 50 −2 = −25
e3 1 0 -4 0 0 1 0 20 ∞
−z 2 -3 -1 0 0 0 1 0
Le quotient le plus petit parmi les positifs est 100 et correspond à la variable e1 que l’on fait
sortir de la base et que l’on remplace par x2 . Le pivot est 2 les opérations L2 ← L2 + 2L1 et
62
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
L4 ← L4 + 3L1 conduisent à :
HH
H v. x x2 x3 e1 e2 e3 −z bi
HH 1
v.b. H
H
x2 1 1 2 1 0 0 0 100
e2 5 0 4 2 1 0 0 250
e3 1 0 -4 0 0 1 0 20
−z 5 0 5 3 0 0 1 300
Remarque 3.15.
1. La définition précédente est récursive. Pour calculer le déterminant d’une matrice carrée
de taille n ≥ 3, on le développe le long de colonnes à l’aide de la formule (3.5.2) pour
se ramener à une combinaison linéaire de déterminant 2 × 2 que l’on calcule avec la
formule (3.5.1).
2. On peut également développer un déterminant le long des lignes avec la formule :
n
(−1)i+j ai,j det(Ai,j ),
X
det(A) = (3.5.3)
j=1
Exemple 3.11. On a :
!
2 5
det = 2 × 7 − 5 × (−3) = 29.
−3 7
63
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
Lorsque n ≥ 3, on peut profiter de l’éventuelle présence de 0 sur une ligne ou une colonne
pour économiser des calculs lors du développement du déterminant. Considérons par exemple
la matrice
4 3 2 0
0 0 2 0
A= .
2 0 1 0
13 12 11 10
On a tout intérêt à commencer par développer le long de la 4e colonne puisque les 3 premiers
termes du développement disparaitront du fait des 0. On a :
4 3 2 0
0 0 2 0
det(A) = det
2 0 1 0
13 12 11 10
0 0 2 4 3 2
= −0 × det 2 0 1 + 0 × det 2 0 1
13 12 11 13 12 11
4 3 2 4 3 2
− 0 × det 0 0 2 + 10 × det 0 0 2
13 12 11 2 0 1
4 3 2
= 10 × det 0 0 2 .
2 0 1
Comme le suggèrent les exemples précédents, le calcul d’un déterminant peut être long et
couteux en calculs. La proposition suivante contient des règles de simplification permettant
de calculer un déterminant plus efficacement.
64
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
Proposition 3.8. 1. L’échange de deux lignes ou deux colonnes, change le signe du dé-
terminant.
2. Si une ligne ou une colonne est nulle, le déterminant est nul.
3. Si on multiplie tous les termes d’une ligne ou d’une colonne par un réel α, le déterminant
est multiplié par α.
4. Si l’on ajoute à une colonne (ou une ligne) un multiple d’une autre colonne (ou d’une
autre ligne), la valeur du déterminant ne change pas. En particulier, si deux lignes ou
deux colonnes sont identiques, le déterminant est nul.
5. Le déterminant d’une matrice triangulaire est le produit des coefficients diagonaux. En
particulier, det(I) = 1.
6. Si A, B ∈ Mn,n (R), on a :
det(AB) = det(A) det(B).
En particulier, si A est inversible det(A−1 ) = det(A)−1 .
La règle de calcul 4. se révèle extrêmement efficace dans la pratique comme l’illustre
l’exemple suivant.
Exemple 3.12. Considérons la matrice :
4 3 2 2
0 0 2 2
B= .
2 0 1 1
13 12 11 21
En soustrayant la 3e colonne à la 4e on obtient que :
4 3 2 2 4 3 2 0
0 0 2 2 0 0 2 0
det(B) = det = det .
2 0 1 1 2 0 1 0
13 12 11 21 13 12 11 10
On a ainsi fait apparaitre trois 0 dans la dernière colonne qui vont largement simplifier les
calculs. En reconnaissant, dans le membre de droite de la dernière identité, le déterminant de
la matrice A de l’Exemple 3.11, on obtient que det(B) = 120.
La notion de déterminant permet d’énoncer un critère simple pour l’inversibilité des ma-
trices.
Théorème 3.2 (Admis). Soit A ∈ Mn,n (R).
Les assertions suivantes sont équivalentes :
1. A est inversible,
2. det(A) ̸= 0.
Il est possible d’exprimer l’inverse d’une matrice en fonction de son déterminant. Toutefois
cette expression conduit à de trop lourds calculs lorsque la matrice est de taille plus grande que
3×3 (le coût algorithmique étant de l’ordre de n!). On aura, dans ces cas de figure, recours aux
liens entre l’inversion de matrices et les systèmes linéaires ainsi qu’aux méthodes de résolution
de systèmes présentées dans la section suivante (celles-ci ont un coût algorithmique de l’ordre
de n2 ).
65
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
Preuve : Exercice. □
2.
A + B = (ai,j + bi,j )1≤i≤m,1≤j≤n = (bi,j + ai,j )1≤i≤m,1≤j≤n = B + A.
3.
A + 0m,n = (ai,j + 0)1≤i≤m,1≤j≤n = A
et
0m,n + A = (0 + ai,j )1≤i≤m,1≤j≤n = A.
□
Preuve de la Proposition 3.2 :
1.
2.
□
Preuve de la Prposition 3.3 :
1. Un contre exemple a déjà été donné dans l’Exemple 3.4.
2. C’est un calcul immédiat.
66
CHAPITRE 3. ALGÈBRE MATRICIELLE ET SYSTÈMES LINÉAIRES
n
!
X
(AB)C = ai,k bk,j (ci,j )1≤i≤p,1≤j≤q
k=1 1≤i≤m,1≤j≤p
Xp n
X
! !
= ai,k bk,l cl,j
l=1 k=1 1≤i≤m,1≤j≤q
n
X p
X
!!
= ai,k bk,l cl,j
k=1 l=1 1≤i≤m,1≤j≤q
p
X
!
= (ai,j )1≤i≤m,1≤j≤n bi,l cl,j
l=1 1≤i≤n,1≤j≤q
= A(BC).
67
Chapitre 4
Remarque 4.1. Dans les exemples qui nous intéresseront, les domaines de définition des
fonctions seront des intervalles ou des réunions (finies) d’intervalles. Lorsque la fonction f
admet une formulation explicite, sous une forme close, son domaine de définition est l’ensemble
des réels pour lesquels cette expression est calculable.
Exemple 4.1. La fonction f définie par f (x) = 2x+1 est définie sur R (Df = R). La fonction
g définie par g(x) = x1 admet pour domaine de définition Dg = R∗ = R \ {0} puisque l’on ne
peut pas diviser par 0.
Définition 4.2. Soit f une fonction définie sur Df et I ⊂ Df .
On dit que f est :
1. croissante sur I si, pour tous x, y ∈ I, x < y implique que f (x) ≤ f (y) ;
2. strictement croissante sur I si, pour tous x, y ∈ I, x < y implique que f (x) < f (y) ;
3. décroissante sur I si, pour tous x, y ∈ I, x < y implique que f (x) ≥ f (y) ;
4. strictement décroissante sur I si, pour tous x, y ∈ I, x < y implique que f (x) > f (y).
Exemple 4.1 (suite). La fonction f de l’Exemple 4.1 est strictement croissante sur R et la
fonction g, de ce même exemple, est strictement décroissante sur ]−∞; 0[ et sur ]0; +∞[ (mais
pas sur R∗ !).
69
CHAPITRE 4. GÉNÉRALITÉS SUR LES FONCTIONS, QUELQUES FONCTIONS
USUELLES ET MÉTHODES DE RÉSOLUTION D’ÉQUATIONS
Définition 4.3. Soient f et g deux fonctions définies sur Df et Dg respectivement telles que
f prenne ses valeurs dans un ensemble E ⊂ Dg .
On appelle composée de f par g la fonction g ◦ f définie par :
On note alors g = f −1 .
Remarque 4.2.
1. Certaines fonctions n’admettent pas de réciproque. Par exemple, la fonction x 7−→ x2
n’admet pas de réciproque sur R ; par contre, sa restriction à R+ = [0; +∞[ admet pour
√
réciproque la fonction racine carrée y 7−→ y.
2. Si une fonction est strictement monotone (i.e. strictement croissante ou strictement
décroissante) alors elle admet une réciproque.
3. Si f et g sont réciproques l’une de l’autre, alors leurs graphes sont symétriques par
rapport à la première bissectrice du plan (i.e. la droite d’équation y = x).
Exemple 4.1 (suite). La fonction f de l’Exemple 4.1 admet pour réciproque la fonction h
définie par h(y) = 21 y − 12 . En effet, ces deux fonction sont définies sur R et on a :
1 1 1 1
(h ◦ f ) (x) = h (f (x)) = f (x) − = (2x + 1) − = x, pour tout x ∈ R
2 2 2 2
et
1 1
(f ◦ h) (y) = f (h(y)) = 2h(y) + 1 = 2 y− + 1 = y, pour tout y ∈ R.
2 2
La fonction g (fonction inverse) de ce même exemple est sa propre réciproque. Le vérifier
en exercice.
70
CHAPITRE 4. GÉNÉRALITÉS SUR LES FONCTIONS, QUELQUES FONCTIONS
USUELLES ET MÉTHODES DE RÉSOLUTION D’ÉQUATIONS
y
1
x
0 1
√ 1
Figure 4.1 – Graphe de la fonction x 7−→ x3 (bleu) et de sa réciproque x 7−→ 3
x = x3
(rouge).
71
CHAPITRE 4. GÉNÉRALITÉS SUR LES FONCTIONS, QUELQUES FONCTIONS
USUELLES ET MÉTHODES DE RÉSOLUTION D’ÉQUATIONS
y
1 • • •
y = 1]−2;1]∪[2;3] (x)
• x
0 1
|x + y| ≤ |x| + |y|.
y = |x|
x
0 1
Remarque 4.3.
1. Si une fonction est linéaire, elle est en particulier affine.
72
CHAPITRE 4. GÉNÉRALITÉS SUR LES FONCTIONS, QUELQUES FONCTIONS
USUELLES ET MÉTHODES DE RÉSOLUTION D’ÉQUATIONS
2. Une fonction affine est strictement croissante si, et seulement si, a > 0 et est strictement
décroissante si, et seulement si, a < 0. Elle est constante si a = 0.
3. Le graphe d’une fonction affine est une droite dont le coefficient directeur est a et
l’ordonnée à l’origine b.
Remarque 4.4.
1. Les fonctions quadratiques sont définies sur R.
2. Une fonction quadratique n’est autre qu’un polynôme de degré 2.
∆ = b2 − 4ac.
73
CHAPITRE 4. GÉNÉRALITÉS SUR LES FONCTIONS, QUELQUES FONCTIONS
USUELLES ET MÉTHODES DE RÉSOLUTION D’ÉQUATIONS
y
3
x= 2
Cf
• 1 • x
−1 0 1 4
•
A( 23 ; −18, 75)
avec an ∈ R∗ et an−1 , . . . , a0 ∈ R.
Remarque 4.5.
1. Les fonctions polynomiales sont définies sur R.
2. Toute fonction polynomiale de degré n admet au plus n racines.
f : R∗ −→ R∗ .
1
x 7−→
x
74
CHAPITRE 4. GÉNÉRALITÉS SUR LES FONCTIONS, QUELQUES FONCTIONS
USUELLES ET MÉTHODES DE RÉSOLUTION D’ÉQUATIONS
La fonction inverse est décroissante sur chacun des intervalles ] − ∞, 0[ et ]0; +∞[ et est
sa propre réciproque. Son graphe est représenté dans la Figure 4.5.
y=x
1
1
y= x
x
0 1
Figure 4.5 – Courbe représentative de la fonction inverse. Cette fonction étant sa propre
réciproque, sa courbe représentative est symétrique par rapport à la première bissectrice du
plan (pointillés).
P (x)
f (x) =
Q(x)
Df = {x ∈ R : Q(x) ̸= 0} .
x
f (x) = .
x2 − 2x + 1
75
CHAPITRE 4. GÉNÉRALITÉS SUR LES FONCTIONS, QUELQUES FONCTIONS
USUELLES ET MÉTHODES DE RÉSOLUTION D’ÉQUATIONS
Cette fonction est une fonction rationnelle et son domaine de définition est :
n o
Df = x ∈ R : x2 − 2x + 1 ̸= 0
n o
= x ∈ R : (x − 1)2 ̸= 0
= R \ {1} .
1 Cf
x
0 1
x=1
x
Figure 4.6 – Courbe représentative Cf de la fonction f (x) = x2 −2x+1
. Celle-ci admet une
asymptote verticale d’équation x = 1.
où 0! = 1 et, pour n ∈ N∗ , n! = 1 × 2 × · · · × n.
Définition[-Théorème] 4.13. Il existe une unique fonction f : R 7−→ R+ ∗ continue en au
Cette fonction est appelée exponentielle de base e ou simplement exponentielle et est notée
exp(·) ou e· .
Proposition 4.3 (Admise et rappel de la caractérisation).
1. La fonction exp est strictement croissante sur R.
76
CHAPITRE 4. GÉNÉRALITÉS SUR LES FONCTIONS, QUELQUES FONCTIONS
USUELLES ET MÉTHODES DE RÉSOLUTION D’ÉQUATIONS
2. L’image de R par exp est R+∗ ; en particulier exp est à valeurs strictement positives.
3. On a, pour tous x, y ∈ R :
1
exp(0) = 1, exp(−x) = et exp(xy) = (exp(x))y .
exp(x)
et par défintion x, y ∈ R :
exp(x)
exp(x + y) = exp(x) exp(y) d’où exp(x − y) = .
exp(y)
Remarque 4.6.On a défini ici la fonction exponentielle par ces propriétés algébriques. Une
définition alternative de cette fonction est la suivante. La fonction exponentielle (de base e)
est l’unique fonction f de R dans R, valant 1 en 0, dérivable sur R et étant sa propre dérivée
(voir cours du Semestre 2), c’est-à-dire vérifiant :
f ′ (x) = f (x), pour tout x ∈ R.
y = exp(x)
x
0 1
77
CHAPITRE 4. GÉNÉRALITÉS SUR LES FONCTIONS, QUELQUES FONCTIONS
USUELLES ET MÉTHODES DE RÉSOLUTION D’ÉQUATIONS
Remarque 4.7. En d’autres termes, ln est la fonction telle que pour tout x ∈ R et tout
∗ :
y ∈ R+
y = exp(x) ⇐⇒ x = ln(y).
En particulier, ln(x) = 0 si, et seulement si, x = 1.
y
y = exp(x)
1
x
0 1
y = ln(x)
Figure 4.8 – Courbe représentative de la fonction logarithme népérien (rouge). Cette courbe
est le symétrique par rapport à la première bissectrice du plan (pointillés) de celle de la
fonction exponentielle (bleu).
Proposition 4.4.
∗.
1. La fonction ln est strictement croissante sur R+
∗ , on a :
2. Pour tous x, y ∈ R+
∗ , on a :
3. Pour tous x, y ∈ R+
x
ln = ln(x) − ln(y).
y
∗ et tout p ∈ R, on a :
4. Pour tout x ∈ R+
ln (xp ) = p ln(x).
78
CHAPITRE 4. GÉNÉRALITÉS SUR LES FONCTIONS, QUELQUES FONCTIONS
USUELLES ET MÉTHODES DE RÉSOLUTION D’ÉQUATIONS
an ≥ b ou an ≤ b. Par exemple, on peut écrire que :
79
CHAPITRE 4. GÉNÉRALITÉS SUR LES FONCTIONS, QUELQUES FONCTIONS
USUELLES ET MÉTHODES DE RÉSOLUTION D’ÉQUATIONS
1. La fonction loga est la réciproque de la fonction exponentielle de base a. Elle est telle
que, pour tout x ∈ R et tout y ∈ R+ ∗ , on a :
Remarque 4.9.
1. On peut vérifier que cette définition est cohérente avec les règles de calcul usuelles :
1
xα xβ = xα+β , (xα )β = xαβ et x−α =
xα
1
et la notation x k introduite précédemment pour la racine k e .
2. La fonction x 7−→ xα a un comportement très différent selon que α < 0, 0 < α < 1 ou
α > 1 comme l’illustre la Figure 4.9.
80
CHAPITRE 4. GÉNÉRALITÉS SUR LES FONCTIONS, QUELQUES FONCTIONS
USUELLES ET MÉTHODES DE RÉSOLUTION D’ÉQUATIONS
y
x
0 1
1
Figure 4.9 – Graphe de la fonction x 7−→ xα pour α = −1, 5 < 0 (rouge), α = 3 ∈]0; 1[
(vert) et α = 2, 5 > 1 (bleu).
b ∆
En posant X = x + 2a , cette dernière équation est équivalente à X 2 = 4a2.
Si ∆ < 0, il est clair que cette équation n’admet pas de solution puisque le carré d’un
nombre réel est toujours positif. Ceci prouve le point 3..
∆
Si ∆ = 0, l’équation X 2 = 4a 2 = 0 admet pour unique solution X = 0 ce qui est équivalent
−b
à x = 2a . Ceci prouve le point 2..
√ √
∆ ∆ ∆
Si ∆ > 0, l’équation X 2 = 4a2 = 0 admet pour solutions X1 = − 2a et X2 = 2a . En
b
utilisant que le changement de variable X = x + 2a est équivalent à x = X − −b
2a , on obtient
√ √
que l’équation ax2 + bx + c admet pour solutions x1 = −b− 2a
∆
et x2 = −b+2a
∆
. Ceci prouve
le point 1.. □
Preuve de la Proposition 4.4 : Pour montrer que la fonction ln est strictement croissante
sur R+ ∗ , il suffit de voir que si 0 < x < y alors ln(x) < ln(y). Or puisque la fonction exp est
Ceci prouve le point 2. ; la preuve du point 3. est similaire. Passons à la preuve du point 4..
On a :
81