Une ressource Excellence Maths. Découvrir le professeur

Un système différentiel linéaire relie plusieurs fonctions inconnues et leurs dérivées par des équations linéaires couplées. Il s’écrit sous forme matricielle \(X^\prime = A(t)X + B(t)\), et c’est le chapitre où toute l’algèbre linéaire de la prépa trouve enfin son emploi : à coefficients constants, réduire la matrice \(A\) permet de résoudre le système. Tu trouveras ici la structure des solutions, l’exponentielle de matrice, les méthodes de résolution par réduction, le lien avec la stabilité, et des exemples corrigés.

Au programme

Niveau principal : MP/MPI, 2e année. Le socle porte sur les systèmes différentiels linéaires et l’exponentielle de matrice. La formule générale de Liouville et la décomposition de Dunford sont des approfondissements guidés. La linéarisation non linéaire est présentée séparément. Prérequis : équations différentielles et réduction des matrices.

I. Qu’est-ce qu’un système différentiel linéaire ?

Un système différentiel linéaire est un ensemble d’équations différentielles couplées : chaque dérivée \(x_i^\prime\) s’exprime linéairement en fonction de toutes les inconnues \(x_1, \dots, x_n\). On regroupe les inconnues dans un vecteur colonne \(X\) et on obtient l’écriture matricielle \(X^\prime = A(t)X + B(t)\), qui condense tout le système en une seule égalité.

A. Des équations couplées à X′ = AX + B

Prenons deux fonctions inconnues \(x\) et \(y\) de la variable \(t\), reliées par

\(\begin{cases} x^\prime = 3x- y \\ y^\prime = 2x + \phantom{2}y \end{cases}\)

En posant \(X = \begin{pmatrix} x \\ y \end{pmatrix}\) et \(A = \begin{pmatrix} 3 & -1 \\ 2 & 1 \end{pmatrix}\), le système se réécrit \(X^\prime = AX\). Dès que la dimension augmente, cette écriture est la seule praticable : résoudre le système revient alors à étudier la matrice \(A\), exactement comme en algèbre linéaire. C’est le prolongement naturel des équations différentielles scalaires vues en sup.

Définition — Système différentiel linéaire

Soit \(I\) un intervalle de \(\mathbb{R}\), \(A : I \to \mathcal{M}_n(\mathbb{K})\) et \(B : I \to \mathbb{K}^n\) continues. On appelle système différentiel linéaire d’ordre 1 toute équation de la forme

\(X^\prime(t) = A(t)\,X(t) + B(t)\),

où l’inconnue \(X : I \to \mathbb{K}^n\) est une fonction dérivable. Le système est homogène si \(B = 0\), à coefficients constants si \(A(t) = A\) ne dépend pas de \(t\).

B. Linéaire ou non, autonome ou non, homogène ou non

Trois adjectifs reviennent sans cesse. Linéaire : chaque \(x_i^\prime\) est une combinaison linéaire des \(x_j\), avec éventuellement un terme donné \(B_i(t)\) (pas de \(x^2\), pas de \(xy\)). Autonome : la matrice \(A\) et le second membre \(B\) ne dépendent pas explicitement de \(t\). Homogène : le second membre \(B\) est nul. Un système \(X^\prime = AX\) à coefficients constants est à la fois linéaire, autonome et homogène — c’est le cas central de la prépa.

Attention à la polysémie : en sciences industrielles, « système différentiel » désigne parfois un système décrit par une équation différentielle (automatique) ; en mécanique, c’est une pièce de transmission. Ici, « système » signifie toujours « système d’équations différentielles couplées ».


II. Ramener une équation d’ordre n à un système d’ordre 1

Toute équation différentielle linéaire d’ordre \(n\) se ramène à un système d’ordre 1 de taille \(n\). L’idée : poser comme nouvelles inconnues la fonction et ses dérivées successives. La matrice obtenue est alors une matrice compagnon, dont le polynôme caractéristique est exactement le polynôme de l’équation.

Considérons \(y^{\prime\prime} + a y^\prime + b y = 0\). Posons \(x_1 = y\) et \(x_2 = y^\prime\). Alors

\(\begin{cases} x_1^\prime = x_2 \\ x_2^\prime = -b\,x_1- a\,x_2 \end{cases} \quad\Longleftrightarrow\quad X^\prime = \begin{pmatrix} 0 & 1 \\ -b & -a \end{pmatrix} X.\)

Cette équivalence est fondamentale : elle montre que l’étude des systèmes contient celle des équations d’ordre \(n\), notamment l’équation différentielle d’ordre 2. Réciproquement, les outils du scalaire (variation des constantes, structure des solutions) se généralisent au vectoriel.

La fiche PDF à imprimer

4 pages.

Reçois gratuitement le PDF par e-mail.

Le cours reste accessible sur cette page. Le PDF est envoyé après saisie d’une adresse e-mail.


III. Existence, unicité et structure des solutions

Pour un système linéaire, la théorie est particulièrement belle : les solutions existent globalement, sont uniques dès qu’on fixe une condition initiale, et l’ensemble des solutions du système homogène est un espace vectoriel de dimension \(n\). Ces trois résultats structurent toute la résolution.

A. Le théorème de Cauchy linéaire

Théorème — Cauchy linéaire

Soit \(A : I \to \mathcal{M}_n(\mathbb{K})\) et \(B : I \to \mathbb{K}^n\) continues. Pour tout \(t_0 \in I\) et tout \(X_0 \in \mathbb{K}^n\), le problème de Cauchy

\(\begin{cases} X^\prime = A(t)X + B(t) \\ X(t_0) = X_0 \end{cases}\)

admet une unique solution, et celle-ci est définie sur tout l’intervalle \(I\) (solution globale).

Contrairement au cas non linéaire (où les solutions peuvent exploser en temps fini), la linéarité garantit l’existence globale : pas de « solution maximale strictement plus petite que \(I\) ». C’est le prolongement vectoriel du théorème de Cauchy-Lipschitz vu pour l’équation différentielle d’ordre 1.

B. L’espace des solutions : dimension n, système fondamental

Notons \(S_H\) l’ensemble des solutions du système homogène \(X^\prime = A(t)X\). C’est un sous-espace vectoriel de \(\mathcal{C}^1(I, \mathbb{K}^n)\), et sa dimension vaut \(n\).

Démonstration — dim \(S_H = n\)

Fixons \(t_0 \in I\) et considérons l’application

\(\varphi : S_H \to \mathbb{K}^n, \quad X \mapsto X(t_0).\)

Elle est linéaire. Elle est injective : si \(X(t_0) = 0\), alors \(X\) résout le problème de Cauchy de donnée initiale nulle, dont l’unique solution est \(X = 0\) (Cauchy linéaire). Elle est surjective : pour tout \(X_0 \in \mathbb{K}^n\), le théorème de Cauchy fournit une solution \(X\) telle que \(X(t_0) = X_0\). Donc \(\varphi\) est un isomorphisme et \(\dim S_H = \dim \mathbb{K}^n = n\). ∎

Une base \((X_1, \dots, X_n)\) de \(S_H\) est appelée système fondamental de solutions. Pour vérifier qu’une famille de solutions en est une base, on calcule son wronskien \(W(t) = \det\big(X_1(t), \dots, X_n(t)\big)\) : les solutions sont indépendantes si et seulement si \(W\) ne s’annule pas (il suffit de le vérifier en un point).

C. Wronskien et résolvante d’un système différentiel

La matrice \(R(t)\) dont les colonnes forment un système fondamental vérifiant \(R(t_0) = I_n\) est appelée résolvante du système : toute solution homogène s’écrit \(X(t) = R(t)X_0\). Le wronskien suit la formule de Liouville :

\(W(t) = W(t_0)\,\exp\!\left(\displaystyle\int_{t_0}^{t} \mathrm{tr}\,A(s)\,ds\right).\)

Cette formule montre que \(W\) ne s’annule jamais si \(W(t_0) \neq 0\) : l’indépendance se propage à tout l’intervalle.

D. La variation des constantes pour les systèmes

Pour le système complet \(X^\prime = A(t)X + B(t)\), la solution générale est la somme d’une solution particulière et de la solution générale homogène. Avec la résolvante, une solution particulière s’écrit

\(X_p(t) = R(t)\displaystyle\int_{t_0}^{t} R(s)^{-1} B(s)\,ds.\)

Dans le cas scalaire \(y^\prime=a(t)y+f(t)\), on multiplie par le facteur intégrant \(e^{-\int a}\). Son analogue matriciel dans la variation des constantes est \(R(t)^{-1}\).

Logo-excellence-maths
Un accompagnement premium et accessible
Un professeur diplômé de Polytechnique, exigeant et bienveillant. Suivi sur-mesure, résultats mesurables en 4 semaines. Premier cours « satisfait ou remboursé ».

IV. Coefficients constants : la solution X(t) = e^{tA}X₀

Lorsque \(A\) est constante, la solution du système homogène s’exprime avec l’exponentielle de matrice : exactement comme \(y^\prime = ay\) donne \(y = y_0 e^{at}\), le système \(X^\prime = AX\) donne \(X(t) = e^{tA}X_0\). C’est le résultat le plus important du chapitre.

Définition et théorème — Exponentielle de matrice

Pour \(A \in \mathcal{M}_n(\mathbb{K})\), la série \(\displaystyle\sum_{k=0}^{+\infty} \displaystyle\frac{A^k}{k!}\) converge dans \(\mathcal{M}_n(\mathbb{K})\) ; sa somme est notée \(e^A\). La fonction \(t \mapsto e^{tA}\) est dérivable et \(\displaystyle\frac{d}{dt}\,e^{tA} = A\,e^{tA} = e^{tA}A\).

Par conséquent, l’unique solution du problème de Cauchy \(X^\prime = AX,\ X(0) = X_0\) est

\(X(t) = e^{tA}\,X_0.\)

Vérification

Posons \(X(t) = e^{tA}X_0\). En dérivant terme à terme la série (convergence de la série en un point et convergence normale de la série des dérivées sur tout segment), \(X^\prime(t) = A\,e^{tA}X_0 = A\,X(t)\), et \(X(0) = e^{0}X_0 = X_0\). Les hypothèses de Cauchy linéaire garantissant l’unicité, c’est bien la solution. ∎

Erreur classique : factoriser \(e^{t(A+B)}\) sans vérifier la commutation. Si \(AB=BA\), alors \(e^{t(A+B)}=e^{tA}e^{tB}\) pour tout réel \(t\). Sans commutation, l’égalité n’est pas garantie ; une égalité à une valeur isolée de \(t\) ne suffit pas à conclure \(AB=BA\).


V. Résoudre en pratique : diagonaliser, trigonaliser, découpler

L’exponentielle \(e^{tA}\) donne la solution de façon abstraite, mais pour un calcul explicite on réduit \(A\). Trois cas se présentent : \(A\) diagonalisable (le plus simple), \(A\) à valeurs propres complexes, \(A\) non diagonalisable. La page dédiée détaille chaque cas ; voici le principe et un exemple.

Si \(A = PDP^{-1}\) avec \(D\) diagonale, alors \(e^{tA} = P\,e^{tD}\,P^{-1}\) où \(e^{tD} = \mathrm{diag}(e^{\lambda_1 t}, \dots, e^{\lambda_n t})\). Le changement d’inconnue \(Y = P^{-1}X\) découple le système en \(n\) équations scalaires indépendantes \(y_i^\prime = \lambda_i y_i\). C’est là que la diagonalisation et les valeurs propres de \(A\) deviennent l’outil décisif.

Exemple — système 2×2 diagonalisable

Résolvons \(X^\prime = AX\) avec \(A = \begin{pmatrix} 1 & 2 \\ 2 & 1 \end{pmatrix}\).

Les valeurs propres sont \(\lambda_1 = 3\) (vecteur \(\begin{pmatrix}1\\1\end{pmatrix}\)) et \(\lambda_2 = -1\) (vecteur \(\begin{pmatrix}1\\-1\end{pmatrix}\)). La solution générale est

\(X(t) = c_1 e^{3t}\begin{pmatrix}1\\1\end{pmatrix} + c_2 e^{-t}\begin{pmatrix}1\\-1\end{pmatrix}, \quad (c_1, c_2) \in \mathbb{R}^2.\)

Vérification : chaque terme \(e^{\lambda t}V\) (avec \(AV = \lambda V\)) vérifie \((e^{\lambda t}V)^\prime = \lambda e^{\lambda t}V = A(e^{\lambda t}V)\). \(\text{✓}\)

La fiche résoudre un système différentiel détaille la diagonalisation, la reconstruction de solutions réelles à partir d’une réduction complexe et les systèmes triangulaires. Le cas \(A=\lambda I+N\) nilpotent se calcule directement ; Dunford général est identifié comme approfondissement.

📄 Mémo gratuit : toutes les méthodes résumées sur 4 pages.

La fiche PDF à imprimer

4 pages.

Reçois gratuitement le PDF par e-mail.

Le cours reste accessible sur cette page. Le PDF est envoyé après saisie d’une adresse e-mail.


VI. Comportement des solutions : stabilité et portrait de phase

Au-delà du calcul explicite, on veut souvent décrire le comportement des solutions quand \(t \to +\infty\) : convergent-elles vers l’équilibre, oscillent-elles, divergent-elles ? La réponse se lit directement sur les valeurs propres de \(A\), et se visualise par le portrait de phase.

Pour \(X^\prime = AX\), l’origine est le seul point d’équilibre (si \(A\) est inversible), et l’on peut utiliser le tableau suivant pour une matrice réelle \(2\times2\) inversible :

Nature de l’équilibre selon les valeurs propres en dimension 2
Valeurs propres Type d’équilibre Comportement
Réelles de même signe négatif Nœud stable \(X(t) \to 0\)
Réelles de signes opposés Col (point selle) Instable
Complexes, partie réelle négative Foyer stable Spirale vers 0
Imaginaires pures Centre Orbites fermées

Critère de stabilité : l’origine est asymptotiquement stable si et seulement si toutes les valeurs propres de \(A\) ont une partie réelle strictement négative.

Champ de vecteurs et trajectoires en spirale d'un système X prime égale AX convergeant vers l'origine, caractéristique d'un foyer stable
Dans le plan réel, pour deux valeurs propres non réelles de partie réelle négative, les trajectoires non stationnaires spiralent vers l’équilibre.

VII. Au-delà du linéaire : linéarisation près d’un équilibre

Approfondissement non linéaire. Beaucoup de systèmes réels sont non linéaires (prédation, réactions chimiques, pendule). On les étudie localement en les linéarisant près de leurs points d’équilibre : au voisinage d’un équilibre \(X^\star\), le système \(X^\prime = F(X)\) se comporte comme \(Y^\prime = J\,Y\), où \(J = J_F(X^\star)\) est la matrice jacobienne de \(F\) au point \(X^\star\). La stabilité de l’équilibre se lit alors sur les valeurs propres de \(J\) (sous réserve qu’aucune n’ait de partie réelle nulle).

C’est cette méthode qui permet d’analyser le modèle de Lotka-Volterra (dynamique proie-prédateur) et tout système autonome du plan.

A. 🟠 Résolution numérique : méthode d’Euler et Python

Quand le système n’a pas de solution explicite, on le résout numériquement. La méthode d’Euler approche \(X(t+h) \approx X(t) + h\,F\big(X(t)\big)\). En Python, on utilise scipy.integrate.solve_ivp ou odeint pour intégrer le système et tracer ses trajectoires. Ces outils sont détaillés sur les pages applications du cocon.


VIII. Applications : mécanique, circuits, populations

Les systèmes différentiels linéaires modélisent une grande partie de la physique et de la biologie de prépa. Trois familles reviennent systématiquement.

  • Mécanique : deux masses reliées par des ressorts donnent \(X^{\prime\prime} = AX\) ; la diagonalisation révèle les oscillateurs couplés et leurs modes propres.
  • Circuits électriques : deux circuits couplés par mutuelle inductance se décrivent par un système linéaire ; stabilité et résonance se lisent sur le spectre de \(A\).
  • Dynamique des populations : du modèle proie-prédateur en Terminale (version discrète, suites de matrices) au modèle continu de Lotka-Volterra en prépa.

IX. Exemples d’application corrigés

Voici trois exemples d’application pour fixer les réflexes. Pour une série complète et graduée, rends-toi sur les exercices corrigés sur les systèmes différentiels.

Exercice 1 — Système 2×2 diagonalisable ★

Résoudre \(X^\prime = AX\) avec \(A = \begin{pmatrix} 2 & 1 \\ 0 & 3 \end{pmatrix}\) et la condition \(X(0) = \begin{pmatrix} 1 \\ 1 \end{pmatrix}\).

Voir la correction de l’exercice 1

\(A\) est triangulaire : ses valeurs propres sont \(2\) et \(3\), distinctes, donc \(A\) est diagonalisable. Vecteurs propres : \(\begin{pmatrix}1\\0\end{pmatrix}\) pour \(2\), \(\begin{pmatrix}1\\1\end{pmatrix}\) pour \(3\).

Solution générale : \(X(t) = c_1 e^{2t}\begin{pmatrix}1\\0\end{pmatrix} + c_2 e^{3t}\begin{pmatrix}1\\1\end{pmatrix}\).

Condition initiale : \(c_1 + c_2 = 1\) et \(c_2 = 1\), donc \(c_2 = 1,\ c_1 = 0\).

\(X(t) = e^{3t}\begin{pmatrix}1\\1\end{pmatrix}\).


Exercice 2 — Valeurs propres complexes ★★

Résoudre \(X^\prime = AX\) avec \(A = \begin{pmatrix} 0 & -1 \\ 1 & \phantom{-}0 \end{pmatrix}\).

Voir la correction de l’exercice 2

Le polynôme caractéristique est \(\lambda^2 + 1\), de racines \(\pm i\). Le système correspond à \(x^\prime = -y,\ y^\prime = x\), soit \(x^{\prime\prime} = -x\).

D’où \(x(t) = c_1 \cos t + c_2 \sin t\), puis \(y(t) = -x^\prime(t) = c_1 \sin t- c_2 \cos t\).

On reconnaît \(e^{tA} = \begin{pmatrix} \cos t & -\sin t \\ \sin t & \cos t \end{pmatrix}\) : les trajectoires sont des cercles (centre, orbites fermées).


Exercice 3 — Avec second membre ★★

Résoudre \(x^\prime = -x + 1\) couplé à \(y^\prime = x- y\), de condition \(x(0) = y(0) = 0\).

Voir la correction de l’exercice 3

La première équation se résout seule : \(x(t) = 1- e^{-t}\) (solution de \(x^\prime = -x + 1\), \(x(0)=0\)).

On reporte dans la seconde : \(y^\prime + y = 1- e^{-t}\). Solution homogène \(Ce^{-t}\) ; solution particulière : \(1\) pour le terme constant, et \(-t e^{-t}\) pour le terme résonant \(-e^{-t}\).

D’où \(y(t) = 1- te^{-t} + Ce^{-t}\). Condition \(y(0) = 0\) : \(1 + C = 0\), \(C = -1\).

\(y(t) = 1- (t+1)e^{-t}\).


X. Erreurs fréquentes et pièges classiques

Piège n°1 — \(X^\prime = AX\) contre \(X^\prime = XA\). \(X\) est un vecteur colonne et \(A\) une matrice : seul \(AX\) a un sens. Écrire \(XA\) ou intervertir l’ordre du produit casse toute la résolution.

Piège n°2 — oublier qu’il faut \(n\) constantes. L’espace des solutions homogènes est de dimension \(n\) : une solution générale d’un système \(3\times 3\) contient trois constantes arbitraires, pas une.

Piège n°3 — parler de « la » solution sans condition initiale. Sans donnée initiale, il y a une infinité de solutions. Une seule condition de Cauchy \(X(t_0) = X_0\) sélectionne l’unique solution.

Rappelle-toi enfin le piège de l’exponentielle (section IV) : la factorisation \(e^{t(A+B)}=e^{tA}e^{tB}\) n’est pas garantie sans commutation.


XI. Questions fréquentes

Qu’est-ce qu’un système différentiel ?

C’est un ensemble d’équations différentielles couplées : plusieurs fonctions inconnues sont reliées par leurs dérivées. Sous forme matricielle, un système différentiel linéaire s’écrit \(X^\prime = A(t)X + B(t)\), où \(X\) est le vecteur des inconnues et \(A\) la matrice des coefficients. Résoudre le système, c’est trouver toutes les fonctions \(X\) qui vérifient cette égalité.

Comment résoudre un système différentiel ?

Pour un système à coefficients constants \(X^\prime = AX\), on réduit la matrice \(A\) : si elle est diagonalisable, le changement d’inconnue \(Y = P^{-1}X\) découple le système en \(n\) équations scalaires \(y_i^\prime = \lambda_i y_i\). On les résout, puis on revient à \(X = PY\). Avec un second membre, on ajoute une solution particulière par variation des constantes.

Quelle différence entre une équation différentielle et un système différentiel ?

Une équation différentielle fait intervenir une seule fonction inconnue ; un système en relie plusieurs, couplées entre elles. Mais les deux sont liés : toute équation linéaire d’ordre \(n\) se ramène à un système d’ordre 1 de taille \(n\) (via une matrice compagnon). Le système est donc le cadre le plus général.

Pourquoi diagonaliser la matrice du système ?

Parce que la diagonalisation découple les équations. Si \(A = PDP^{-1}\), chaque composante \(y_i\) de \(Y = P^{-1}X\) vérifie une équation indépendante \(y_i^\prime = \lambda_i y_i\), triviale à résoudre. On ramène ainsi un problème couplé à \(n\) équations scalaires, puis on revient aux inconnues de départ.

Quelle est la dimension de l’espace des solutions ?

Pour un système homogène \(X^\prime = A(t)X\) de taille \(n\), l’ensemble des solutions est un espace vectoriel de dimension exactement \(n\). L’isomorphisme \(X \mapsto X(t_0)\) le prouve. Une base de cet espace s’appelle un système fondamental de solutions.

Qu’est-ce que la résolvante d’un système ?

C’est la matrice \(R(t)\) dont les colonnes forment le système fondamental vérifiant \(R(t_0) = I_n\). Toute solution homogène s’écrit alors \(X(t) = R(t)X_0\). Pour un système à coefficients constants, \(R(t) = e^{(t-t_0)A}\) : la résolvante est l’exponentielle de matrice.


XII. Pour aller plus loin

Tu maîtrises maintenant la structure et les méthodes des systèmes différentiels linéaires. Pour approfondir et t’entraîner :

Le périmètre de cette page est celui de MP/MPI. Pour une autre filière, il faut sélectionner les exercices selon son propre programme ; l’ensemble du chapitre n’est pas attribué à ECG2.

Logo-excellence-maths
Réussir ta prépa scientifique en maths
Un professeur diplômé de Polytechnique, exigeant et bienveillant. Suivi sur-mesure, résultats mesurables en 4 semaines. Premier cours « satisfait ou remboursé ».