16 06 20 Actu CoursAlgLin L1
16 06 20 Actu CoursAlgLin L1
16 06 20 Actu CoursAlgLin L1
Adolphe CODJIA
1 MATRICES 2
1.1 Présentation des matrices de type (p; q) sur un corps K commutatif . . . . 2
1.2 Quelques matrices de type (p; q) . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 OPERATIONS SUR LES MATRICES . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Somme de deux matrices de même type . . . . . . . . . . . . . . . 5
1.3.2 Egalité de deux matrices de même type . . . . . . . . . . . . . . . . 5
1.3.3 Multiplication par un scalaire d’une matrice . . . . . . . . . . . . . 6
1.3.4 Produit de deux matrices . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Matrices inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Matrices équivalentes et matrices semblables . . . . . . . . . . . . . . . . . 9
1.7 Opérations élémentaires sur les matrices . . . . . . . . . . . . . . . . . . . 11
1.8 Les opérations élémentaires sur les matrices avec les matrices élémentaires 12
1.9 Matrices échelonnées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.9.1 Inversion d’une matrice par les opérations élémentaires sur les ma-
trices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.10 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 CALCUL DE DÉTERMINANTS 25
2.1 Déterminant d’une matrice carrée d’ordre 2 . . . . . . . . . . . . . . . . . 25
2.2 Déterminant d’une matrice carrée d’ordre 3 . . . . . . . . . . . . . . . . . 25
2.2.1 Calcul d’un déterminant d’ordre 3 par la méthode de Sarrus . . . . 25
2.2.2 Calcul du déterminant par le développement suivant une ligne ou
une colonne. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3 Calcul du déterminant d’une matrice carrée d’ordre n supérieur ou égal à 3 28
2.4 Propriétés des déterminants . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 Inverse d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.5.1 Propriétés de la matrice inverse . . . . . . . . . . . . . . . . . . . . 34
2.5.2 Inversion d’une matrice par sa comatrice . . . . . . . . . . . . . . . 35
2.5.3 Démontration de la méthode d’inversion d’une matrice par sa co-
matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.6 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1
TABLE DES MATIÈRES
4 ESPACES VECTORIELS 49
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2 Dé…nition d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . 49
4.3 Dé…nition générale d’un espace vectoriel sur un corps commutatif (K; ~; |) 50
4.3.1 Tableau de simularité . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.4 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.4.1 Exemples de sous-espaces vectoriels . . . . . . . . . . . . . . . . . . 53
4.5 Suite liée de vecteurs. Suite libre de vecteurs . . . . . . . . . . . . . . . . . 53
4.6 Espaces vectoriels de dimension …nie . . . . . . . . . . . . . . . . . . . . . 54
4.6.1 Espace vectoriel ayant un nombre …ni de générateurs . . . . . . . . 54
4.6.2 Base d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . 55
4.6.3 Déterminant d’une suite de vecteurs d’un K-espace vectoriel E de
dimension …nie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.7 Sous-espaces vectoriels d’un espace vectoriel de dimension …nie . . . . . . . 57
4.7.1 Rang d’une suite …nie de vecteurs . . . . . . . . . . . . . . . . . . . 57
4.8 Sous-espaces supplémentaires . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.9 Produit de deux espaces vectoriels sur un même corps commutatif K . . . 60
5 APPLICATIONS LINÉAIRES 61
5.1 Image et Noyau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.1.1 Le théorème noyau-image . . . . . . . . . . . . . . . . . . . . . . . 63
5.1.2 Rang d’une application linéaire . . . . . . . . . . . . . . . . . . . . 63
5.2 Opérations sur les applications linéaires . . . . . . . . . . . . . . . . . . . . 64
5.2.1 L’espace vectoriel LK (E; F ) . . . . . . . . . . . . . . . . . . . . . . 64
5.2.2 Composition des applications linéaires . . . . . . . . . . . . . . . . 65
5.3 Espace vectoriel quotient . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.3.1 Construction de l’espace vectoriel quotient de E par F . . . . . . . 65
5.3.2 Problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.4 Matrice d’une application linéaire f : E ! F . . . . . . . . . . . . . . . . . 66
5.4.1 Changement de bases . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.4.2 Déterminant d’une suite de vecteurs d’un K-espace vectoriel E de
dimension …nie(Rappel,suite et …n) . . . . . . . . . . . . . . . . . . 70
5.4.3 Déterminant et trace d’un endomorphisme sur un K-espace vectoriel
E de dimension …nie . . . . . . . . . . . . . . . . . . . . . . . . . . 71
i
INTRODUCTION
1
Chapitre 1
MATRICES
A = (aij ) 1 i p .
1 j q
a14
a24
Ceci est la 2eme ligne : a21 a22 a2q ; la 4ieme colonne est : .. .
.
ap4
Pour A = (aij ) 1 i p,
1 j q
2
CHAPITRE 1. MATRICES
2 3
L1
6 L2 7
6 7
6 L3 7
6 .. 7
6 7
on peut écrire une matrice suivant ses lignes : A = 6 . 7; 1 i p,
6 7
6 Li 7
6 .. 7
4 . 5
Lp
ou suivant ses colonnes : A = C1 C2 C3 Cj Cq ;1 j q
Exemple 2 3
1 2 3 4 5 6
6 2 7
9 11 3 7
A=6 4 3
21 7 c’est une matrice de type (4; 6)
2 0 8 9 15 5
1
4 75 3
7 i 5+i
1
Ici l’élément a14 = 4, a22 = , a35 = 9, a33 = 0, a43 = , a46 = 5 + i.
3
3
CHAPITRE 1. MATRICES
2 8
3
1 4 3
A = 4 9 47 2 5 c’est une matrice carrée d’ordre 3 et les
0 1 3
4
éléments diagonaux sont : a11 = 1 ; a22 = ; a33 = 3. Les éléments de la
7
4 8
contre diagonale principale sont : a31 = 0 ; a22 = ; a13 = .
7 3
e) Matrice diagonale
C’est une matrice carrée telle que tous les termes en dehors de la diagonale principale
sont nuls.
Exemples :
2 3
1 0 0
2 0
A1 = 4 0 0 0 5 ; A2 = .
0 6
0 0 3
f) Matrice unité(ou identité) d’ordre n
C’est la matrice diagonale d’ordre n telle que tous les termes de la diagonale
principale sont égaux à 1 (et les autres nuls). On la note In .
Exemples 2 3
2 3 1 0 0 0
1 0 0 6 0 1 0 0 7
1 0
I2 = , I3 = 0 1 0 5,
4 I4 = 64 0 0 1 0 5.
7
0 1
0 0 1
0 0 0 1
g) Matrice triangulaire supérieure :
C’est une matrice carrée telle que tous les termes en-dessous de la diagonale
principale sont nuls(a
2 ij = 0 si i > j).
3
1 5 0 1
6 0 0 4 0 7
Exemple : A = 6 4 0 0 1
7.
2 5
0 0 0 3
h) Matrice triangulaire inférieure :
C’est une matrice carrée telle que tous les termes au-dessus de la diagonale
principale sont nuls(a
2 ij = 0 si i < j). 3
1 0 0 0
6 0 7 0 0 7
Exemple : B = 6 4 5
7.
8 1 0 5
6 4 1 9
i) Matrice en bloc
C’est une matrice de type (m; n) dans laquelle on trouve des matrices
bien établies.
Soient M 2 Mr (K), N 2 Mrs (K), P 2 Ms (K) et Q 2 Msr (K) alors
M N
A= est en bloc par exemple.
Q P
Exemple : 2 3
15 4 0 0 0 0 1
6 3 5 4 0 0 7 15 4 0 0 0
6 7
A=6 6 0 1 5 4 0 7 où M =
7 @ 3 5 4 0 0 A,
4 0 0 1 5 20 5 0 1 5 4 0
0 0 0 1 25
4
CHAPITRE 1. MATRICES
0 0 1 5 20 M
N= ,Q= et alors A = .
0 0 0 1 25 N Q
j) Transposée d’une matrice :
On appelle transposée de la matrice A = (aij ) 1 i p la matrice A0 = a0ij 1 i q
1 j q 1 j p
où a0ij
= aji .
La transposée de A est notée (t A) ; c’est la matrice dont les colonnes sont les lignes
de A et vice versa. 2 3
1 4
1 2 1+i
Exemple : A = ; (t A) = 4 2 6 5.
4 6 8
1+i 8
k) Opposée d’une matrice :
C’est la matrice obtenue en prenant l’opposée de chaque terme :
si A = (aij ) 1 i p ( A) = ( aij ) 1 i p .
1 j q 1 j q
1 2 1+i ( 1) 2 (1 + i)
Exemple : soit A = ; on a : ( A) =
4 6 8 4 ( 6) ( 8)
1 2 (1 + i)
ainsi ( A) = .
4 6 8
5
CHAPITRE 1. MATRICES
6
CHAPITRE 1. MATRICES
X
n
on pose : AB = C = (cij )1 i m 2 Mm;p (K) ; où cij = aik bkj
1 j p
k=1
(on dit que l’on fait li-col, c’est-à-dire ligne par colonne) est le produit de
la matrice A par B. En fait pour obtenir le terme cij de la matrice A B = AB,
on multiplie les composantes de la ieme ligne de A par celles de la j eme colonne
de B dans l’ordre et on fait la somme des di¤érents produits.
On a symboliquement du point de vu des types de matrices
(m; n) (n; p) = (m; p).
Exemples
2 3
1 3
3 1 2 1
A = 4 4 1 5; B = ;
1 3 4 7
0 2 2 3
1 3
3 1 2 1
A B = AB = 4 4 1 5
1 3 4 7
2 0 2 3
1 3+3 1 1 ( 1) + 3 ( 3) 1 2+3 4 1 1+3 7
=4 4 3+1 1 4 ( 1) + 1 ( 3) 4 2+1 4 4 1+1 7 5
02 3 + 2 1 0 ( 31) + 2 ( 3) 0 2+2 4 0 1+2 7
0 8 10 20
= 4 11 1 4 3 5.
2 6 8 14
B A n’est pas un produit possible car le nombre de colonnes de B
égalant 4 n’est pas égal au nombre de lignes de A qui est 3.
Remarque
1 4 3 4
Soient A = et B =
3 2 3 0
15 4 15 20
on a : AB = 6= = BA.
15 12 3 12
Ainsi le produit de matrices n’est pas commutatif.
Dé…nition
Quand on a deux matrices carrées A et B telles que A B = B A
on dit que A et B commutent(ou permutent).
Exemple
1 2 0 12
Soient A = et B = 1 1 , on constate que
2 0 2 4
1 2 0 12 0 12 1 2
AB = 1 1 = 1 1 = BA
2 0 2 4 2 4
2 0
Ainsi A et B commutent mais le produit de matrices n’est pas commutatif.
Aussi A et B sont dites commutantes(permutantes).
Remarques
1.Formule du binôme de Newton
8A; B 2 Mn (K), commutant(permutant) e.i. A B = B A, on a :
Xn Xn
(A + B) =n
{n A B =
k n k k
{kn B n k Ak ;
k=0 k=0
n!
n 1, n 2 N, {kn = .
k! (n k)!
2. 8A 2 Mn (K) avec A 6= 0Mn (K) , on a A0 = In .
Propriétés
7
CHAPITRE 1. MATRICES
8
CHAPITRE 1. MATRICES
9
CHAPITRE 1. MATRICES
1 0
Donc P est 2 inversible d’inverse 3 P = P2 3
1 0 2 3 1 0 2 3
6 0 1 3 4 7 6 4 7
Soit Q = 6 7 avec Q0 = 6 0 1 3 7
4 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1
2 32 3 2 3
1 0 2 3 1 0 2 3 1 0 0 0
6 0 1 3 4 7 6 4 7 6 7
On constate que QQ0 = 6 76 0 1 3 7=6 0 1 0 0 7
4 0 0 1 0 54 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1 0 0 0 1
2 32 3 2 3
1 0 2 3 1 0 2 3 1 0 0 0
6 0 1 3 7 6
4 76 0 1 3 4 7 6 0 1 0 0 7
7 6
et Q0 Q = 64 0 0 1 = 7
0 54 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1 0 0 0 1
1 0
Ainsi Q est inversible d’inverse Q = Q 2 3
2 32 3 1 0 2 3
0 0 1 5 2 4 7 6
0 1 3 4 7
Aussi P AQ = 4 12 0 5 54
3 2 0 1 56 4 0 0 1
7
2 0 5
1 1 2 1 0 2 3
0 0 0 1
2 3
2 3 1 0 2 3
1 0 2 3 6 0 1 3 7
4
P AQ = 4 0 1 3 4 56 4 0 0 1
7
0 5
0 0 0 0
2 3 0 0 0 1
1 0 0 0
P AQ = 4 0 1 0 0 5 = R
0 0 0 0
P AQ = R.
On a bien P AQ = R avec P 2 M3 (R) inversible, A 2 M34 (R) et Q 2 M4 (R) inversible
donc A et R sont 2 équivalentes. 3 2 3
2 1 1 1 21 3
2
ii) Soient M = 4 2 3 2 5 et D = 4 0 12 3 5
2
3 11
2 1 1 23 2 30 2 2 3
1 1
1 0 1 4 2 4
avec P = 4 0 1 1 5 et P 0 = 4 14 12 1 5
4
1 1 1
12 2 1 3 2 3 4 1 2 1 34 2 3
1 0 1 4 2 4
1 0 0
On a : P P 0 = 4 0 1 1 5 4 14 21 1 5
4
=4 0 1 0 5
1 1 1
2 3 1 12 1 1 3 2 4 2 4 3 2 0 0 13
4 2 4
1 0 1 1 0 0
Aussi P 0 P = 4 41 12 1 54
4
0 1 1 5=4 0 1 0 5
1 1 1
4 2 4
1 2 1 0 0 1
1 0
Ainsi P est inversible d’inverse P = P
On constate2que : 32 32 3
3 1 1
4 2 4
2 1 1 1 0 1
P 1 M P = 4 14 21 1 54
4
2 3 2 54 0 1 1 5
1 1 1
2 4 1 2 3 43 1 1 2 1 2 1
1 2 2
P 1 M P = 4 0 12 3 5
2
= D.
3 11
0 2 2
10
CHAPITRE 1. MATRICES
11
CHAPITRE 1. MATRICES
Exemples 2 3
2 3 0 0
0 0 0 0 6 0 0 7
E23 = 0 0 1 0 5 2 M34 (R), E42 = 6
4 7
4 0 0 5 2 M42 (R)
0 0 0 0
2 3 2 3 2 03 1 2 3
a11 a12 a11 0 0 a12 0 0
A = 4 a21 a22 5 = 4 0 0 5 + 4 0 0 5 + 4 a21 0 5
a2
31 a32
3 2 0 0 3 20 0 3 0 0
0 0 0 0 0 0
4
+ 0 a22 + 5 4 5 4
0 0 + 0 0 5
2 0 03 2a31 0 3 02 a32 3 2 3
a11 a12 1 0 0 1 0 0
A = 4 a21 a22 5 = a11 4 0 0 5 + a12 4 0 0 5 + a21 4 1 0 5
2 a31 a332 2 0 30 2 0 30 0 0
0 0 0 0 0 0
4 5 4
+a22 0 1 +a31 0 0 + a32 0 0 55 4
2 0 0 3 1 0 0 1
a11 a12
A = 4 a21 a22 5 = a11 E11 + a12 E12 + a21 E21 + a22 E22 +a31 E31 + a32 E32
a31 a32
X
A= aij Eij 2 M32 (R)
1 i 3
1 j 2
12
CHAPITRE 1. MATRICES
X X
Aussi 8Ekl 2 Mq (K), AEkl = aij Eij Ekl = aij jk Eil
1 i p 1 i p
1 j q 1 j q
2 3
a1k
6 a2k 7
X 6 7
6 .. 7
= aik Eil = 6 0 . 0 7
6 7
1 i p 4 a(p 1)k 5
apk
"
ieme
l colonne de A
a recuperé la k ieme colonne de A
de là, on comprend ce qui suit :
Soit A 2 Mpq (K). On appelle opérations élémentaires sur A l’un des
produits suivants :
1.a.Soit r 6= s, A (Iq + Ers ), Ers 2 Mq (K), c’est ajouter à la colonne s de A
le produit par un élément de K de la colonne r, on parle de transvection
sur les colonnes de A.
b).Soit r 6= s, (Ip + Ers ) A, Ers 2 Mp (K), c’est ajouter à la ligne r de A
le produit par un élément de K de la ligne s, on parle de transvection
sur les lignes de A.
2.a.Soit r 6= s, (Ip Err Ess + Ers + Esr ) A, Err ; Ess ; Ers ; Esr 2 Mp (K),
c’est permuter les lignes r et s de A.
b) Soit r 6= s, A (Iq Err Ess + Ers + Esr ), Err ; Ess ; Ers ; Esr 2 Mq (K),
c’est permuter les colonnes r et s de A.
3.a. (Ip + ( 1) Err ) A, Err 2 Mp (K), c’est multiplier la ligne r de A par un
élément de K : on parle de dilatation ou d’a¢ nité sur A.
b. A (Iq + ( 1) Err ), Err 2 Mq (K), c’est multiplier la colonne r de A par un
élément de K : on parle de dilatation ou d’a¢ nité sur A.
Pratiquement, cela se fait aisément en augmentant la matrice A par la matrice
identité de même nombre de lignes que A, à la suite de la dernière colonne de A,
quand l’on e¤ectue des opérations élémentaires sur les lignes, à la …n des
opérations sur les lignes, on obtient à la place de la matrice identité,
la matrice L par laquelle, il faudra multiplier par A, comme suit :
L:A pour avoir la transformation obtenue de A.
En ce qui concerne les opérations sur les colonnes, on augmente la matrice A par la
matrice identité de même nombre de colonnes que A, à la suite de la dernière ligne
de A, à la …n des opérations sur les colonnes, on obtient à la place de la matrice
identité, la matrice C par laquelle, il faudra multiplier par A, comme suit :
AC pour avoir la transformation obtenue de A.
Remarque
Les matrices L et C supra, sont dites matrices produit de matrices d’opérations
élémentaires sur A.
Dé…nition
Les matrices :
1. (Iq + ( 1) Err ), Err 2 Mq (K) ;
2. (Ip + ( 1) Err ), Err 2 Mp (K) ;
3. r 6= s, (Iq Err Ess + Ers + Esr ), Err ; Ess ; Ers ; Esr 2 Mq (K) ;
4. r 6= s, (Ip Err Ess + Ers + Esr ), Err ; Ess ; Ers ; Esr 2 Mp (K) ;
13
CHAPITRE 1. MATRICES
14
CHAPITRE 1. MATRICES
2 3
4 0 5 8 1 1
6 0 1 2 3 0 2 7
A2 = 6 4 0 0
7
7 9 10 15 5
0 0 0 0 0 0
2 3
4 0 0 0
6 11 7 0 0 7
b) B1 = 64 5 0
7 ; ceci est une matrice échelonnée suivant
9 0 5
0 0 1 3
les colonnes.
2 Les di¤érents pivots
3 sont : 4 ; 7 ; 9 ; 3.
4 0 0 0 0
6 11 7 0 0 0 7
B2 = 64 5 0
7
9 0 0 5
0 0 1 3 0
2 3
1 0 0 0 0
6 0 1 0 0 0 7
ii) C1 = 6 7
4 0 0 1 0 0 5 celle-là est une matrice échelonnée réduite.
0 0 0 1 0
2 3
1 0 0 0 0
6 0 1 0 0 0 7 I3 0
C2 = 6 7
4 0 0 1 0 0 5= 0 0
0 0 0 0 0
Remarque
Une matrice A est inversible si et seulement si, échelonnée reduite elle est
équivalente à une matrice identité de même ordre que A.
15
CHAPITRE 1. MATRICES
2 3
1 0 0 13 1
3
1
3 1
4 0 1 5 L1 L
2 3 .
1 0 13 2
3 3 1
L2 2 L3
0 0 1 13 1
3
2
3
Comme l’échelonnage de la matrice A sous la réduite
2 1 à donner la3matrice identité,
1 1
3 3 3
alors la matrice A est inversible d’inverse A 1
=4 1
3
2
3
1
3
5.
1 1 2
3 3 3
II) Avec opérations élémentaires sur les colonnes
On augmente la matrice A de la matrice unité de même nombre de colonne
que
2 A à la suite3 de la dernière ligne de A comme suit :
1 1 1
6 1 1 0 7
6 7
6 1 0 1 7
6 7 = N et l’on cherchera à échelonner la matrice A sous
6 1 0 0 7
6 7
4 0 1 0 5
0 0 1
la forme échelonné réduite
Ceci étant, déroulons :
16
CHAPITRE 1. MATRICES
C2 -C1 C3 -C1 C1 + 12 C2 - 12 C2 C3 - 12 C2
2 3 2 3 2 3
1 1 1 1 0 0 1 0 0
6 1 1 0 7 6 1 2 1 7 6 0 1 0 7
6 7 6 7 6 1 7
6 1 0 1 7 6 1 1 2 7 6 2 1 3 7
6 7 6 7 6 2 2 7
6 1 0 0 7 6 1 1 1 7 6 1 1 1 7
6 7 6 7 6 2 2 2 7
4 0 1 0 5 4 0 1 0 5 4 1 1 1 5
2 2 2
0 0 1 0 0 1 0 0 1
C1 + 13 C3 C2 + 13 C3 2
C3
2 33
1 0 0
6 0 1 0 7 2 3
6 7 1 1 1
6 0 0 1 7 3 3 3
6 7)A 1
=4 1 2 1 5.
6 1 1 1 7 3 3 3
6 3 3 3 7 1 1 2
4 1 2 1 5 3 3 3
3 3 3
1 1 2
3 3 3
17
CHAPITRE 1. MATRICES
2 3
4 0 5 8 1 1
6 0 1 2 3 0 2 7
A1 = 64 0 0
7 ) rg (A1 ) = 4 ;
7 9 10 15 5
0 0 0 3 1 9
2 3
4 0 5 8 1 1
6 0 1 2 3 0 2 7
A2 = 64 0 0
7 ) rg (A2 ) = 3 ;
7 9 10 15 5
0 0 0 0 0 0
2 3
4 0 0 0 0
6 11 7 0 0 0 7
B1 = 64 5 0
7 ) rg (B1 ) = 4 ;
9 0 0 5
0 0 1 3 0
2 3
4 0 0 0
6 11 7 0 0 7
B2 = 64 5 0
7 ) rg (B2 ) = 4.
9 0 5
0 0 1 3
Remarque
Le rang de A est indépendante des opérations élémentaires ayant permis son
échelonnage ou son échelonnage réduit.
Exemple2 3
5 2 4 7
Soit A = 4 3 2 0 1 5, recherchons le rang de A.
1 0 2 3
Nous allons faire des opérations élémentaires sur les lignes de A en
augmentant A de la matrice identité de même nombre de lignes que A,
à la suite de la dernière colonne de A. Et on fait les opérations
élémentaires
2 sur la matrice
3 augmentée. Ainsi d’entée, on a :
6 7 2 2 4 7 1
3 1
6 5 2 4 7 1 0 0 7 1 5 5 5 5
0 0 L
5 1
6 7 4 0 4 12 16 3 5
6 3 2 0 1 0 1 0 7 5 5 5 5
1 0 L2 35 L1
6 7 2 6 8 1
4 1 0 2 3 0 0 1 5 0 5 5 5 5
0 1 L3 15 L1
| {z }| {z }
A I3
2 3
6 1 0 2 3 1 1
0 7 L1 1 L2
6 2 2 7 2
6 0 1 3 4 3 5
0 7 5
L
6 4 4 7 4 2
4 0 0 0 0 1 1
1 5 L3 + 1 L2
2 2 2
| {z }| {z }
R0 P
Evaluons
2 :1 32 3 2 3
1
2 2
0 5 2 4 7 1 0 2 3
PA = 4 3
4
5
4
0 54 3 2 0 1 5 = 4 0 1 3 4 5.
1 1
2 2
1 1 0 2 3 0 0 0 0
0
On a donc : P A = R .
Dé…nition
R0 est dite matrice échélonnée à lignes canoniques de A car le premier terme
non nul d’une ligne non nulle est 1.
Remarques
1.Le meilleur choix pour opérations élémentaires sur lignes ou colonnes
d’une matrice de type (p; q) : il faut choisir de travailler sur les lignes si p < q sinon
18
CHAPITRE 1. MATRICES
19
CHAPITRE 1. MATRICES
20
CHAPITRE 1. MATRICES
21
CHAPITRE 1. MATRICES
2 3
1 0 1 0 0 1 0
6 0 1 2 0 1 3 0 7
'6
4 0
7 L + 3L2 .
0 0 1 3 11 0 5 3
L4 2L2
0 0 0 0 2 6 1
Evaluons
2 : 3 2 3 2 3 2 3
0 0 1 0 0 0 1 0 2 3 4 1 0 1
6 0 1 3 0 7 7 6 0 1 3 0 7 6 3 7 6 1 7
5 7 6 06 1 2 7
6 A1 = 6 = 7
4 1 3 11 0 5 4 1 3 11 0 5 4 1 0 1 5 4 0 0 0 5
0 2 6 1 0 2 6 1 0 2 4 0 0 0
2 3 2 3
1 0 1 0 0 1 0
6 0 1 2 7 6 0 1 3 0 7
Ainsi B1 = 6 7
4 0 0 0 5 et P1 = 4 1 3
6 7
11 0 5
0 0 0 0 2 6 1
On
2 refait la même chose pour A
32 2 ; on aura donc : 3
0 3 2 1 1 0 0 1 3 4 2 0 0 1 L3
4 2 5 1 6 0 1 0 5'4 0 1 9 10 0 1 2 5 L2 + 2L3
21 3 4 2 0 0 1 03 3 2 1 1 0 0 L1
1 0 23 28 0 3 5 L1 3L2
'4 0 1 9 10 0 1 2 5 L2
2 0 0 29 29 1 3
23 18 7
6 3 L3 + 3L2
23
1 0 0 5 29 29 29
L1 + 29 L3
'4 0 1 0 1 299 2
29
4
29
5 L2 + 9 L3 .
29
1 3 6 1
0 0 1 1 29 29 29
L
29 3
Evaluons
2 23 : 3 2 23 32 3
18 7 18 7
29 29 29 29 29 29
0 3 2 1
4 9 2 4 5
A2 = 4 29 9 2 4 54
2 5 1 6 5
29 29 29 29 29
1 3 6 1 3 6
29 29 29 29 2 29 29 31 3 4 2
1 0 0 5
4
= 0 1 0 1 5
2 3 0 20 1 1 3
23 18 7
1 0 0 5 29 29 29
Ainsi B2 = 4 0 1 0 1 5 et P2 = 4 29 9 2
29
4 5
29
.
1 3 6
0 0 1 1 29 29 29
2) On augmente la matrice A1 à la suite de sa dernière ligne par la matrice I3
car le nombre de colonnes de A1 est 3.
Aussi on échelonne réduire à colonne canonique la matrice A1 avec
les opérations élémentaires sur les colonnes :
1
C C2 + 32 C1 C2 +2C1
2 21
2 3 3
2 3 4 1 0 0
6 3 1 5 7 6 23 11 7
6 7 6 1 23 11 7
6 1 0 1 7 6 2 3 7
6 7 6 2 7
6 0 2 4 7 6 0 2 4 7
6 7 6 7
6 1 0 0 7 6 1 3
2 7
6 7 6 2 2 7
4 0 1 0 5 4 0 1 0 5
0 0 1 0 0 1
22
CHAPITRE 1. MATRICES
3 2
C1 - 11 C C C3 -2C2
2 2 11 2 3
1 0 0
6 0 1 0 7
6 7
6 1 3
0 7
6 11 11 7
6 6 4
0 7
6 11 11 7
6 1 3
1 7
6 11 11 7
4 3 2
2 5
11 11
0 0 1
.
Evaluons : 2 3 2 3
2 1 3 2 3 3 4 2 1 3
3 1 0 0
1 6 1
11 11 3 1 5 7 11 11 6 0 1 0 7
A1 4 11 3
2 5=6
2
4 1
74 3 2
2 5=6 7
11 0 1 5 11 11 4 1
11
3
11
0 5
0 0 1 0 0 1 6 4
0 2 4 0
2 3 11 11
2 1 3
3 1 0 0
1 6 0
11 11 1 0 7
Ainsi : Q1 = 4 3 2
2 5 et C1 = 6
4 1
7.
11 11
11
3
11
0 5
0 0 1 6 4
11 11
0
On refait la même chose pour A2 ; on aura donc :
-C4 C2 +3C4 C3 +2C4 C1
2 3 2 3
0 3 2 1 1 0 0 0
6 2 5 1 6 7 6 6 23 13 2 7
6 7 6 7
6 1 3 4 2 7 6 2 3 8 1 7
6 7 6 7
6 1 0 0 0 7 7 6 0 0 0 1 7
6 6 7
6 0 1 0 0 7 6 0 1 0 0 7
6 7 6 7
4 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 1 3 2 0
C1 -3C4 - 21 C4 C3 + 13 C C2 + 23
2 4
C
2 3 2 4
1 0 0 0
6 0 1 0 0 7
6 7
6 5 1 29 29 7
6 2 2 2 7
6 3 1 13 23 7
6 2 2 2 7
6 0 0 0 1 7
6 7
4 0 0 1 0 5
1 0 2 3
10 1 2
C1 + 29 C3 C2 + 29 C3 29 C3 C4 -C3
2 3
1 0 0 0
6 0 1 0 0 7
6 7
6 0 0 1 0 7
6 7
6 - 22 8 13 7
6 29 - 29 29 5 7
6 0 0 0 1 7
6 7
4 10 1 2
1 5
29 29 29
9 2 4
29 29 29
1
Evaluons :
23
CHAPITRE 1. MATRICES
2 3 2 3
22 8 13
5 2 3 22 8 13
5
29 29 29 0 3 2 1 6 29 29 29
6 0 0 0 7
1 7 4 0 0 0 1 7
A2 6 = 2 5 1 6 56 7
4 10 1 2
1 5 4 10 1 2
1 5
29 29 29 1 3 4 2 29 29 29
9 2 4 9 2 4
29 29 29
1 2 3 29 29 29
1
1 0 0 0
4
= 0 1 0 0 5
0 0 1 0
2 3
22 8 13
5 2 3
29 29 29 1 0 0 0
6 0 0 0 1 77
Ainsi Q2 = 6
4 et C2 = 4 0 1 0 0 5.
10
29
1
29
2
29
1 5
9 2 4 0 0 1 0
29 29 29
1
24
Chapitre 2
CALCUL DE DÉTERMINANTS
25
CHAPITRE 2. CALCUL DE DÉTERMINANTS
= (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 ) (a31 a22 a13 + a32 a23 a11 + a33 a21 a12 ).
a11 a12 a13
Ou det A = a21 a22 a23
a31 a32 a33
a11 a12 a13
a21 a22 a23
= (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 ) (a31 a22 a13 + a32 a23 a11 + a33 a21 a12 ).
Remarque : La méthode de Sarrus ne s’applique qu’au déterminant d’ordre 3.
Methode
Developpement suivant la 1ere ligne pour calculer det A ;
on a : det A = a11 C11 + a12 C12 + a13 C13 .
Ainsi :
a22 a23 a21 a23
det A = a11 ( 1)1+1 + a12 ( 1)1+2
a32 a33 a31 a33
a21 a22
+a13 ( 1)1+3
a31 a32
= a11 (a22 a33 a32 a23 ) a12 (a21 a33 a31 a23 )
26
CHAPITRE 2. CALCUL DE DÉTERMINANTS
Exemples pratiques
2 3 2 3
1 2 3 0 0 5
A=4 3 0 1 5, B = 4 4 1 2 5.
1 4 5 2 2 0
1 2 3
det A = 3 0 1 développons suivant la 2eme ligne.
1 4 5
2 3 1 2
det A = 3 ( 1)1+2 + 1 ( 1)2+3
4 5 1 4
= 3 ( 2 5 4 3) 1 ( 1 4 ( 1) ( 2))
= 3 ( 22) ( 6) = 72.
En développant det A suivant la 1ere ligne on a :
0 1 3 1
det A = ( 1) ( 1)1+1 + ( 2) ( 1)1+2
4 5 1 5
3 0
+3 ( 1)1+3 = 72.
1 4
C’est plus long à calculer.
Développons det B suivant la 1ere ligne :
0 0 5
4 1
det B = 4 1 2 = ( 5) ( 1)1+3
2 2
2 2 0
= 5 ( 4 ( 2) ( 1) 2) = 50:
Développons det B suivant la 1ere colonne
0 0 5
det B = 4 1 2
2 2 0
0 5 0 5
= ( 4) ( 1)1+2 + 2 ( 1)1+3
2 0 1 2
= ( 4) (0 0 ( 2) ( 5)) + 2 (0 2 ( 1) ( 5))
= 40 10 = 50.
Le calcul de det B avec le développement suivant la 2ieme ligne
27
CHAPITRE 2. CALCUL DE DÉTERMINANTS
0 0 5
det B = 4 1 2
2 2 0
0 5 0 5
= ( 4) ( 1)1+2 + ( 1) ( 1)2+2
2 0 2 0
0 0
+2 ( 1)2+3 = ( 4) (10) (10) + 0 = 50.
2 2
C’est plus long à e¤ectuer que les précédents.
Remarques
(i) Quand l’on a choisi une ligne ou une colonne suivant laquelle le calcul du
déterminant d’une matrice sera développé, le déterminant est égal à la somme
des produits de chaque élément de ladite ligne ou colonne par son cofacteur.
(ii) En choisissant une colonne ou une ligne où il y a plus de zéros, on a moins de
termes dans le développé.
(iii) Par cette méthode du développement suivant une ligne ou une colonne, on constate
que dans le déveppé l’ordre de la matrice dont on calcule le déterminant s’abaisse.
Exemple
2 3
1 0 2 0
6 2 3 1 4 7
A=6 4 3 2
7,
1 0 5
4 5 1 0
développons suivant la 4eme colonne ; det A :
1 0 2 0
1 0 2
2 3 1 4 2+4
det A = = 4 ( 1) 3 2 1
3 2 1 0
4 5 1
4 5 1 0
1 2 1 2
=4 2 5
4 1 3 1
= 4 [2 (1 8) 5 (1 + 6)] = 4 ( 14 35)
= 4 ( 49) = 196.
Aussi det A avec le développement suivant la deuxième ligne de A sera
bien long à écrire en e¤et :
1 0 2 0
2 3 1 4
det A =
3 2 1 0
4 5 1 0
0 2 0 1 2 0
2+1 2+2
det A = 2 ( 1) 2 1 0 + 3 ( 1) 3 1 0
5 1 0 4 1 0
28
CHAPITRE 2. CALCUL DE DÉTERMINANTS
1 0 0 1 0 2
+ ( 1) ( 1)2+3 3 2 0 +4 ( 1)2+4 3 2 1 .
4 5 0 4 5 1
Théorème
Soit A = (aij )1 i; j n .
Déterminant de A développé par rapport à la i-ième ligne :
X
n
det (A) = ai1 Ci1 + ai2 Ci2 + ::: + ain Cin = aik Cik .
k=1
Déterminant de A développé par rapport à la j-ième colonne :
X
n
det (A) = a1j C1j + a2j C2j + ::: + anj Cnj = akj Ckj .
k=1
Remarque
Pour développer suivant les lignes ou les colonnes, il vaut mieux choisir celles
qui renferment le plus de zéros pour réduire le nombre de calculs.
29
CHAPITRE 2. CALCUL DE DÉTERMINANTS
1 2 3
det A = 0 3 1 = 1 3 ( 2) = 6.
0 0 2
2 3
2 0 0 0
6 0 3 0 0 7
B=6 4 0 0
7;
1 0 5
0 0 0 5
2 0 0 0
0 3 0 0
det B = = 2 3 ( 1) ( 5) = 30.
0 0 1 0
0 0 0 5
2 3
1 0 0 0
6 0 1 0 0 7
I4 = 64 0 0 1 0 5
7
0 0 0 1
1 0 0 0
0 1 0 0
det I4 = =1 1 1 1=1
0 0 1 0
0 0 0 1
3) Le déterminant ne change pas quand on ajoute à une ligne une combinaison
des autres lignes ; en particulier, on peut remplacer une ligne par la somme de
toutes les lignes ou encore ajouter à une ligne multiplié par une autre ligne où
est un scalaire non nul.
(Dans la propriété 3) en remplacant ligne(s) par colonne(s), on a le même résultat).
Exemple
1 2 3
det A = 3 0 1 ; en ajoutant à la 3eme ligne, deux fois la 1ere ligne, on a :
1 4 5
1 2 3
det A = 3 0 1 , je développe par rapport à la 2eme colonne,
3 0 11
3 1
det A = ( 2) = 2 (33 + 3) = 72.
3 11
Remarque
Il est plus intéressant de faire des manipulations (légitimes) qui font
apparaître des zéros dans le déterminant a…n d’en faciliter le
calcul(voir supra).
4) Le déterminant d’une matrice dont une ligne ou une colonne est formée de zéros
est un déterminant nul. Le déterminant d’une matrice dont une ligne(resp. une colonne)
est une combinaison des autres lignes (resp. des autres colonnes) est
un déterminant nul.Aussi si deux lignes(resp.deux colonnes) sont proportionnelles
dans un déterminant, le déterminant est nul.
30
CHAPITRE 2. CALCUL DE DÉTERMINANTS
Exemple
1 2 3
det A = 3 6 1 = 0, car la 2eme colonne est égale à deux fois la
1 2 5
ere
1 colonne.
5) Le déterminant est linéaire en ses lignes et colonnes respectivement.
(pour ne pas dire multilinéaire suivant les lignes ou les colonnes)
Cela signi…e : étant donnée A une matrice carrée 2 d’ordre
3 n ; on a :
L1
6 L2 7
6 7
6 L3 7
6 . 7
6 7
A = C1 C2 C3 Ci Cn = 6 .. 7 ; 1 i n.
6 7
6 Li 7
6 . 7
4 .. 5
Ln
0
(i) det C1 C2 C3 Ci + Ci Cn =
det C1 C2 C3 Ci Cn + det C1 C2 C3 Ci0 Cn
2 3 2 3 2 3
L1 L1 L1
6 L2 7 6 L2 7 6 L2 7
6 7 6 7 6 7
6 L3 7 6 L3 7 6 L3 7
6 .. 7 6 . 7 6 . 7
6 7 6 7 6 7
ou (i0 ) det 6 . 7 = det 6 .. 7 + det 6 .. 7.
6 7 6 7 6 0 7
6 Li + L0i 7 6 Li 7 6 Li 7
6 . 7 6 . 7 6 . 7
4 .. 5 4 .. 5 4 .. 5
Ln Ln Ln
Exemples
2 a + b b2 2 a b2 2 b b2
2
(i) a a b b = a a b + a b2 b
a2 a3 + b ab a2 a3 ab a2 b ab
avec a; b 2 K un corps.
2 b2 a + b b 2 + b 2 a b2 b2 b b
0
(i ) a a b = a a b + a a b
a2 a3 ab a2 a3 ab a2 a3 ab
avec a; b 2 K un corps.
(ii)
det C1 C2 C3 Ci Cn = det C1 C2 C3 Ci Cn ;
2 3 2 K un corps.
2 3
L1 L1
6 L2 7 6 L2 7
6 7 6 7
6 L3 7 6 L3 7
6 . 7 6 . 7
6 7 6 7
ou (ii)0 det 6 .. 7 = det 6 .. 7 ;
6 7 6 7
6 Li 7 6 Li 7
6 . 7 6 . 7
4 .. 5 4 .. 5
Ln Ln
2 K un corps.
31
CHAPITRE 2. CALCUL DE DÉTERMINANTS
Exemple
1 2 17 3 1 2 3
(ii) det A = 3 0 17 1 = det A = 17 3 0 1
3 0 17 11 3 0 11
23 ( 1) 23 ( 2) 23 3 1 2 3
0
(ii) 3 0 1 = ( 23) 3 0 1
3 0 11 3 0 11
6) Le déterminant une forme alternée : cela signi…e étant donnée A une matrice
carrée2 d’oredre
3 n à coe¢ ents dans K, det A 2 K, et avec
L1
6 L2 7
6 7
6 L3 7
6 7
6 .. 7
6 . 7
6 7
A=6 Li 7 = C1 C2 C3
6 . 7 Ci Cj Cn ; 1 i; j n.
6 .. 7
6 7
6 L 7
6 j 7
6 . 7
4 .. 5
Ln
2 3 2 3
L1 L1
6 L2 7 6 L2 7
6 7 6 7
6 L3 7 6 L3 7
6 7 6 7
6 .. 7 6 .. 7
6 . 7 6 . 7
6 7 6 7
det A = det C1 C2 C3 Ci Cj 6
Cn = det 6 i 7 = det 6
L 7
6 .j
L 7
7
.
6 .. 7 6 .. 7
6 7 6 7
6 L 7 6 L 7
6 j 7 6 i 7
6 . 7 6 . 7
4 .. 5 4 .. 5
Ln Ln
2 3 2 3
L1 L1
6 L2 7 6 L2 7
6 7 6 7
6 L3 7 6 L3 7
6 7 6 7
6 .. 7 6 .. 7
6 . 7 6 . 7
6 7 6 7
, det 6
6
Lj 7=
7 det 6
6
Li 7=
7 det A
6 .. 7 6 .. 7
6 . 7 6 . 7
6 Li 7 6 Lj 7
6 7 6 7
6 .. 7 6 .. 7
4 . 5 4 . 5
Ln Ln
det A = det C1 C2 C3 Ci Cj Cn
det A = det C1 C2 C3 Cj Ci Cn ,
det C1 C2 C3 Cj Ci Cn = det A ; 1 i; j n.
Tout ceci signi…e que lorsqu’on permute deux lignes (ou deux colonnes) dans
un déterminant le déterminant est changé en son opposé.
32
CHAPITRE 2. CALCUL DE DÉTERMINANTS
Exemple
1 2 3 1 2 3
det A = 3 0 1 = 72, mais 3 0 11 = 72 = det A
3 0 11 3 0 1
car j’ai permuté la 2ieme et la 3ieme lignes.
7) Soit A 2 Mn (K), det (A) = det (t A).
M N
8) Soient M 2 Mr (K), N 2 Mrs (K) et P 2 Ms (K) alors = jM j jP j.
0 P
A1
0 A2 Y
n
9) Soient Ai 2 Mri (K) où 1 i n, alors .. = jAi j.
0 0 . i=1
0 0 0 An
10) Si deux matrices A; B 2 Mn (K) sont semblables, i.e. A = P 1 BP .
8m 2 K, 8k 2 N , comme (A + mIn )k = P 1 (B + mIn )k P , alors
rang (A + mIn )k = rang (B + mIn )k ,
det (A + mIn )k = det (B + mIn )k et
trace (A + mIn )k = trace (B + mIn )k .
Remarque
1)Lorsque deux matrices carrées sont semblables, elles ont nécessairement
les mêmes trace, rang et déterminant. Mais cela ne su¢ t pas pour être semblables.
2)Ausi est-il clair que deux matrices qui n’ont pas la même trace ou pas le même
rang ou pas le même déterminant, ne peuvent être semblables.
Remarque
1 2 0 1
Voici deux matrices carrées A = 1 ,B= ,
2
1 0 0
On a le rang de A = au rang de B = 1, det (A) = det (B) = 0,
tr (A) = tr (B) = 0, mais A et B ne sont pas semblables car
1 0 1 2 2 1
1 1 =
2
1 2
1 1 0
1 2 2 1 0 1
= .
0 0 1 0 0 0
1 0 2 1
Soit P = 1 ,Q= , ce sont deux matrices
2
1 1 0
inversibles et on a : P AQ = B, donc A et B sont équivalentes,
mais seraient semblables si P 1 = Q, alors qu’avec
1 0 1 0
P 1 = 1 P = I2 , on a
2
1 2
1
1 0 2 1
P 1= 1 6= Q = , donc on peut conclure
2
1 1 0
que A et B ne sont pas semblables, alors qu’elles ont le même rang,
le même déterminant, et la même trace.
En résumé : Avoir le même rang , le même déterminant, et la même trace,
pour des matrices carrés de même ordre, sont des conditions nécessaires
pour qu’elles soient semblables, mais pas su¢ santes.
33
CHAPITRE 2. CALCUL DE DÉTERMINANTS
34
CHAPITRE 2. CALCUL DE DÉTERMINANTS
35
CHAPITRE 2. CALCUL DE DÉTERMINANTS
1 2 1 2
Le cofacteur de a32 = 5 est C32 = ( 1)3+2 = 3, on a X32 = .
0 3 0 3
Ainsi de suite. 2 3
9 3 1
La comatrice de A est donc comA = 4 8 4 2 5.
7 3 1
36
CHAPITRE 2. CALCUL DE DÉTERMINANTS
Exemple
2 3
1 0 1
Soit A = 4 3 1 5 5, A est -elle inversible ?
2 3 6
1 0 1 0 0 1
det A = 3 1 5 = 2 1 5 = 2, à la 1ere colonne, j’ai fait la
2 3 6 4 3 6
ere eme
1 colonne plus la 3 colonne a…n d’avoir plus de zéro dans mon déterminant
pour ne pas avoir beaucoup de termes à développer. Comme det A = 2 6= 0,
alors A est inversible.
1 1 1
A = com (t A) = (t com (A)).
det
2 A 3 det A
1 3 2
(t A) = 4 0 1 3 5,
12 5 6 3
9 3 1
com (t A) = 4 8 4 2 5 = (t com (A)).
2 7 3 31 2 3
9 3 1
9 3 1
1 2 2 2
A 1= 4 8 4 2 5 = 4 4 2 1 5.
2 7 3 1
7 3 1 2 2 2
37
CHAPITRE 2. CALCUL DE DÉTERMINANTS
0 1
1
2 3 4
B 1 5 7 C
2) Soit A = B C
@ 17 1 3 11 A ) det (A) = 36 99 6= 0
1
2
8 9 10
) rg (A) = 4.
Proposition
Soit A = (aij ) 1 i n alors rgA est le plus grand entier naturel s
1 j m
qui est tel qu’on puisse extraire de A une matrice d’ordre s de déterminant 6= 0
(avec permutation des colonnes(resp. lignes) de A si necessaire).
Exemple
2 0 5 1 2 0
A= , on a = 4 6= 0 comme 2 rgA,
1 2 3 1 1 2
donc rgA = 2.
Corollaire
Soit A = (aij ) 1 i n , rg (t A) = rgA.
1 j m
Remarque
rg (A) = 0 , toutes les composantes de la matrice A sont nulles.
38
Chapitre 3
Dé…nition
De maniére générale, on appelle équation linéaire d’inconnues x1 ; ... ; xn
(une combinaison linéaire des x1 ; ... ; xn égaliant b)
toute égalité de la forme : a1 x1 + ::: + an xn = b , (E)
où a1 ; ::: ; an et b sont des nombres(réels ou complexes)
Il importe d’insister ici que ces équations linéaires sont implicites,
c’est-à-dire qu’elles décrivent des relations entre les inconnues, mais ne
donnent pas directement les valeurs que peuvent prendre ces inconnues.
Résoudre une équation signi…e donc la rendre explicite, c’est-à-dire
rendre plus apparentes les valeurs que les inconnues peuvent prendre.
Une solution de l’équation linéaire (E) est un n-uple (s1 ; ::::; sn ) de
valeurs respectives des inconnues x1 ; ... ; xn qui satisfont l’équation (E).
Autrement dit : a1 s1 + ::: + an sn = b.
Exemple
2x1 + 4x2 3x3 = 9 est une équation linéaire d’inconnues x1 , x2 , x3 .
Dé…nition
Un ensemble …ni d’équations linéaires d’inconnues x1 ; ... ; xn s’appelle
un système d’équations linéaires d’inconnues x1 ; ... ; xn .
Exemple
Le système
x1 3x2 + x3 = 1
2x1 + 4x2 3x3 = 9
admet comme solution
x1 = 18; x2 = 6; x3 = 1.
Par contre
x1 = 7 ; x2 = 2 ; x3 = 0
ne satisfait que la première équation. Ce n’est donc pas une solution
du système.
Dé…nition
Un système d’équations est dit incompatible ou inconsistant s’il n’admet
pas de solutions, c’est-à-dire que l’ensemble solution c’est l’ensemble vide.
Exemple
Le système linéaire
39
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES
x1 + x2 = 1
2x1 + 2x2 = 1
est clairement incompatible donc SR2 = fg = ?.
Dé…nition
Soient n; m 1.
On appelle système de m équations à n inconnues tout système (S) de la
forme :8
>
> a11 x1 + a12 x2 + ::: + a1n xn = b1 (E1 )
>
< a21 x1 + a22 x2 + ::: + a2n xn = b2 (E2 )
(S) , .. .. .. ,
>
> . . .
>
: a x + a x + ::: + a x
m1 1 m2 2 mn n= b (E )
m m
où aij ; bi sont des scalaires donnés ; x1 ; x2 ; :::; xn sont des inconnues et
(Ei ) la i-ième équation de (S) ; 81 i m.
La matrice A = (aij )1 i m est la matrice associée à (S)(dite aussi la matrice de (S)).
1 j n
Il est à noter que la j-ième colonne de A est composée des coé¢ cients de
l’inconnue xj dans les di¤érentes équations du système de la première équation(E1 )
à la dernière équation(Em ) ; 81 j n.
Les (bi )1 i m sont les seconds membres de (S) , et (S) est dit homogène si bi = 0
81 i m.
Ecriture 2matricielle3 2 (S). 3
de
x1 b1
6 .. 7 6 .. 7
Soit X = 4 . 5 ; B = 4 . 5. Alors (S) () AX = B.
xn bm
Exemples
1)Considérons
8 le système linéaire
< x1 + 7x3 = 1
(S) , 2x1 x2 + 5x3 = 5
:
x1 3x2 9x3 = 7
Sa matrice 2 associée est 3
1 0 7
A= 4 2 1 5 5;
2 31 32 9 3
x1 1
X = 4 x2 5 ; B = 4 5 5. Alors (S) () AX = B
x3 7
2)Considérons
8 le système linéaire homogène
< x1 + 7x3 = 0
(S) , 2x 1 x2 + 5x3 = 0
:
x1 3x2 9x3 = 0
Sa matrice 2 associée est 3
1 0 7
A= 4 2 1 5 5;
2 31 32 93
x1 0
X = x2 ; B = 0 5. Alors (S) , AX = B = 0M31 (R) .
4 5 4
x3 0
40
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES
41
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES
La
2 matrice augmentée 3 associée au système est :
1 1 7 1
4 2 1 5 5 5, on va chercher à échellonner réduire la matrice
1 3 9 5
du système en faisant des opérations élémentaires sur les lignes
(que sur les lignes qui représentent les équations) de la matrice
augmentée
2 ; on a : 3 2 3
1 1 7 1 1 1 7 1
4 2 1 5 5 5 4 0 3 9 3 5 L2 2L1
21 3 9 35 0 2 2 2 6 L3 + L1
3
1 1 7 1 1 1 7 1
4 0 1 3 1 5 1 L2 4 0 1 3 1 5
3
1
2 0 1 1 3 3 2 L3 20 0 2 2 3 L3 L2
1 0 4 2 L1 L2 1 0 0 2 L1 4L3
4 0 1 3 1 5 4 0 1 0 4 5 L2 3L3 .
1
0 0 1 1 L
2 3
02 0 1 312 3 2 3
1 0 0 x1 2
ce qui donne matriciellement : (S) , 4 0 1 0 5 4 x2 5 = 4 4 5 ,
8 0 0 1 x3 1
< x1 = 2
x2 = 4
:
x3 = 1
D’où SR3 = f(2; 4; 1)g.
Nous remarquons que les opérations élémentaires peuvent être faites
uniquement sur la matrice augmentée pour revenir à la …n au système
d’équations. C’est ce que nous avons fait.
On obtient ainsi l’unique solution du système : x1 = 2, x2 = 4 et x3 = 1.
Donc SR3 = f(2; 4; 1)g.
Remarque très importante
Quand on …nit de résoudre une équation ou un systéme d’équations,
il faut toujours donné l’ensemble solution clairement.
Proposition
Etant donné un sytème (S) de matrice A et de matrice augmentée M ,
le système est compatible
(c’est-à-dire n’admet pas l’ensemble vide comme solution) ssi
le rang de A est égal au rang de M i.e. rg (A) = rg (M ).
42
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES
43
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES
1 2 1
= 2 1 0 = 3 (je rappelle que j’ai fait col3 + col2 )
11 0
3 2 1 1 3 1
x = 1 1 1 = 1 ; y = 2 1 1 = 7;
0 1 1 1 0 1
1 2 3
z = 2 1 1 = 6;
1 1 0
x 1 y 7 z 6
x= = ;y= = ; z= = = 2
3 3 3
1 7
Donc SR3 = ; ; 2 .
3 3
44
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES
45
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES
les coe¢ cients diagonaux sont non nuls, nécessitant une discussion sinon.
(c) Si m > n :
8
> a11 x1 + a12 x2 + +a1n xn = b1
>
>
>
> a22 x2 + +a2n xn = b2
>
> .. ..
>
> . . .
< . .
ann xn = bn :
>
>
>
> 0 = bn+1
>
> .. ..
>
> . .
>
:
0 = bm
Dans ce cas les dernières lignes donnent directement des conditions de
compatibilité.
Lorsqu’elles sont véri…ées, on se ramène au cas ci-dessus. D’où, là encore,
l’intérêt de l’obtention de coe¢ cients diagonaux non nuls.
Exemple 8 8
< 2x y z = 1 (E1 ) < 2x y z = 1 (E1 )
Soit (S) , 3x + 4y 2z = 0 (E2 ) , 6y 6z = 1 (E2 E3 )
: :
8 3x 2y + 4z = 1 (E3 ) y 11z = 5 (3E1 2E3 )
1
< 2x y z = 1 (E1 ) ) x = 10
, 6y 6z = 1 (E2 ) ) y = 19 60
.
: 29
60z = 29 (6E3 E2 ) ) z = 60
1 19 29
Donc SR3 = ; ; .
10 60 60
46
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES
47
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES
22ieme Méthode : 3 2 3
1 2 0 1 0 0 1 2 0 1 0 0
4 2 1 0 L1
0 1 0 5'4 0 5 0 2 1 0 5
L2 + 2L1
20 5 1 0 0
1
1
2
3 0 52 1 0 0 1
1 0 0 5 5
0 L1 + 5 L2
'4 0 1 0 2
5
1
5
0 5 1
L
5 2
2 0 0 1
1
2
2
1 31 L3 L2 2 1 2 3
1 0 0 5 5
0 5 5
0
4
' 0 1 0 2 1
0 5 ) A 1 = 4 25 15 0 5.
5 5
0 0 1 2 1 1 L3 2 1 1
ieme
3 Méthode : 2 3 2 0 3
x x
Soit le système : AX = Y , A 4 y 5 = 4 y 0 5 = Y
8 8 z z0
< x + 2y = x0 < x = 51 x0 + 25 y 0
, 2x + y = y , 0
y = 25 x0 + 15 y 0 , (S 0 )
: :
5y z = z 0 z =22x0 + y 0 z 0 3
1 2
5 5
0
La matrice du systme (S ) est 0 4 2 1
0 5 c’est donc l’inverse de A
5 5
2 1 1
1
c’est-à-dire A . Car avec
AX = Y , X = A 1 Y .
48
Chapitre 4
ESPACES VECTORIELS
4.1 Introduction
! ! !
Dans P l’ensemble des vecteurs du plan, on a : 8! u ;!
v 2 P;!
u +!v 2P
!
(1) !
u + (! v +! w ) = (!u +! v)+! w ; 8!
u ;!v ;!
w 2 P.
! ! ! ! !
(2) Le vecteur 0 2 P véri…e : 8! u 2 P; !u + 0 = 0 +! u =!u.
! ! ! ! ! ! ! ! !
(3) 8 u 2 P , on a : ( u ) 2 P et u + ( u ) = ( u ) + u = 0 .
!
(4) !
u +! v =! v +! u ; 8!u ;! v 2 P.
! !
Aussi 8 2 (R; +; ), 8! u 2 P, ! :u = ! u 2 P avec :
!
(5) 1!u =! u , 8!u 2 P .(1 est l’élément neutre de (R; ))
!
(6) ( ! u)=( )! u , 8!u 2 P , 8 ; 2 R.
!
(7) (! u +! v)= ! u + ! v ; 8 2 K; 8! u ;!v 2 P.
!
(8) ( + ) ! u = ! u + ! u , 8 ; 2 R, 8! u 2 P.
!
Ainsi on dit que P ; +; : est un R-espace vectoriel.
49
CHAPITRE 4. ESPACES VECTORIELS
(7) (x + y) = x + y, 8 2 K, 8x; y 2 E.
(8) ( + ) x = x + x, 8 ; 2 K; tout élément x 2 E.
Aussi on dit que (E; +; :) est un K-espace vectoriel.
Dé…nitions
1.Un élément x de (E; +; :) un K-espace vectoriel(qu’on pourrait écrire ~x ) est dit
vecteur et ceux de K scalaires.
2.Deux vecteurs x et y de E sont dit colinéaires s’il existe 2 K tel que
y = x.
Remarque
Nous laissons au lecteur le soin de distinguer l’élément neutre de (E; +).
(qu’on pourrait écrire ~0 ou 0E ),
qui est un vecteur, appelé vecteur nul de E, de l’élément nul 0 de K
(qu’on pourrait écrire 0K ), qui est un scalaire.
Ces éléments véri…ent les règles de calcul suivantes :
Tout élément x 2 E 0K :x = 0E , d’après (8) si = :
Tout élément x 2 E; 8 2 K; :x = 0E () = 0K ou x = 0E :
On a en outre : ( x) = ( ) x = x; tout élément x 2 E; 8 2 K:
Et, en particulier ( 1) x = (1:x) = x:
Remarque
Tout ensemble non vide (E; >; ?) muni de deux lois de composition : ">" la première,
une loi de composition interne tel que (E; >) soit un groupe commutatif
car véri…ant les propriétés (1) jusqu’à (4) et "?" la deuxième loi
étant une loi de composition externe sur E moyennant un ensemble de
scalaires 2 K un corps commutatif et véri…ant relativement
les propriétés (5) jusqu’à (8) est dit un K-espace vectoriel.En e¤et :
50
CHAPITRE 4. ESPACES VECTORIELS
4.3.2 Exemples
a) Soit K = R ou C et n un entier naturel non nul.
On munit l’ensemble Kn des lois dé…nies par les formules ci-dessous :
51
CHAPITRE 4. ESPACES VECTORIELS
c) L’ensemble Mpq (K) des matrices de type (p; q) muni de l’addition est un groupe
commutatif en association avec la loi de composition externe
(qui est la multiplicationon par un scalaire complexe ou réel, d’une matrice)
fait de Mpq (K) un K-espace vectoriel avec K = C ou R.
Dé…nition
Soit une suite (x1 ; x2 ; :::::; xn ) de n vecteurs d’un (K; +; )-espace vectoriel (E; +; :) ;
une combinaison nlinéaire de cette suite est un élément de E de la forme :
P
y= i xi = 1 x1 + 2 x2 + ::::: + n xn
i=1
où 1 ; 2 ; :::::; n sont des scalaires de K ce sont les coé¢ cients de
la combinaison linéaire ; aussi dit-on que y est combinaison linéaire des
vecteurs x1 ; x2 ; ::::; xn .
Aussi une suite (x1 ; x2 ; :::::; xn ) de n vecteurs d’un (K; ~; |)-espace
vectoriel (E; ; ) ;une combinaison linéaire de cette suite est un élément
de E de la forme :
y = ( 1 x1 ) ( 2 x2 ) ::::: ( n xn )
où 1 ; 2 ; :::::; n sont des scalaires de K ce sont les coé¢ cients de
la combinaison linéaire.
Exemple
Dans R2 , x = 2 (1; 4) + 7 ( 4; 5) 3 (6; 9) est une combinaison de la
suite de vecteurs((1; 4) ; ( 4; 5) ; (6; 9)).
52
CHAPITRE 4. ESPACES VECTORIELS
8x; y 2 F :x+y 2F
() 8 , 2 K, 8x, y 2 F , x + y 2 F .
8 2 K; 8x 2 F; :x 2 F .
De même :
8x; y 2 F :x+y 2F
() 8 2 K, 8x, y 2 F , x + y 2 F .
8 2 K; 8x 2 F; :x 2 F .
Remarque
Tout sous-ensemble non vide F d’un K-espace vectoriel E qui est tel que
toute combinaison linéaire de ses éléments lui appartiennent est un
sous-espace vectoriel de E.
53
CHAPITRE 4. ESPACES VECTORIELS
54
CHAPITRE 4. ESPACES VECTORIELS
Propriété 2
Soit E un K-espace vectoriel ayant n générateurs. Alors toute suite
de (n + 1) vecteurs de E est liée.
Proposition
Tout sous ensemble non vide d’un espace vectoriel E engendré par une famille de
vecteurs de E, est un sous-espace vectoriel de E, aussi tout sous-espace vectoriel
de E, est un sous ensemble de E engendré par une famille de vecteurs de E.
55
CHAPITRE 4. ESPACES VECTORIELS
Exemples
a° ) Soit K = R ou C et n un entier naturel non nul. Le K-espace vectoriel Kn a
une base dite base canonique (e1 ; e2 ; :::::; en ) où le vecteur ek est le vecteur
(0; 0; ::; 0; 1; 0; :::; 0) ; le 1 étant la k ieme coordonnée, toutes les autres
coordonnées sont nulles.
b° ) Soit Cn [X] le C-espace vectoriel des polynômes à une variable complexes de
degré inférieur ou égal à n; avec le polynôme nul. La suite de polynômes
(1; x; x2 ; :::::; xn ) forme une base de E.
Donc dim E = n + 1.
Plus généralement 8a 2 C, on véri…e que
1; x a; (x a)2 ; :::::; (x a)n est aussi une base de E.
Ainsi il y a bien une in…nité de bases de Cn [X].
c° ) Il ne faut pas croire que tout espace vectoriel soit de dimension …nie.
Le C-espace vectoriel C [x] de tous les polynômes complexes n’est pas de
dimension …nie ; s’il était de dimension n, n + 1 polynômes quelconques seraient liés ;
or la suite (1; x; x2 ; :::::; xn ) est une suite libre de n + 1 vecteurs.
Un espace vectoriel qui n’est pas de dimension …nie est dit de dimension in…nie.
Proposition
L’ensemble (Mpq (K) ; +; :) des matrices p q est un espace vectoriel sur K,
une de ses bases est constituée par les matrices Eij tels que aij = 1 et ars = 0,
si r 6= i ou s 6= j. Ceux sontX les matrices élémentaires de Mpq (K).
Soit A = (aij ) 2 Mpq (K), alors A = aij Eij ce qui entrainera que
1 i p
1 j q 1 i p
1 j q
la dimension de Mpq (K) sur K est pq.
Exemples
a° ) Une base de l’espace vectoriel M23 (R) est constitué par les matrices :
1 0 0 0 1 0 0 0 1
E11 = ; E12 = ; E13 = ,
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
E21 = ; E22 = ; E23 = .
1 0 0 0 1 0 0 0 1
Donc la dimension de M23 (R) est 6.
2 5 7
Ainsi la matrice A = appartenant à M23 (R) s’écrit :
9 8 4
A = 2E11 + 5E12 7E13 + 9E21 + 8E22 + 4E23 .
b° ) Une matrice 1 q a la forme A = a11 a12 a1q .
on l’appelle matrice ligne ou uniligne appartenant à l’espace M1q (K)
qui est isomorphe à Kq , donc de dimension
0 q. 1
a11
B a21 C
B C
c° ) Une matrice p 1 a la forme B = B .. C.
@ . A
ap1
On l’appelle matrice colonne ou unicolonne appartenant à l’espace Mp1 (K)
qui est isomorphe à Kp , donc de dimension p.
d° ) Une matrice n n est dite matrice carrée d’ordre n appartenant à l’espace
vectoriel des matrices notée Mn (K).Il est de dimension n2 sur K.
56
CHAPITRE 4. ESPACES VECTORIELS
57
CHAPITRE 4. ESPACES VECTORIELS
58
CHAPITRE 4. ESPACES VECTORIELS
2 3 2 3
1 0 2 u 1 0 2 u
Soit A = 4 1 3 1 5 v 4 0 3 3 5 v+u
2 0 13 1 w 0 1 1 w
1 0 2 u
A 4 0 3 3 5 v+u délà on a bien :
2 0 0 6 3 3w + (v + u)
1 0 2
A 4 0 3 3 5 )le rang de A : rg (A) = 3
0 0 6
aussi la famille G = fu; v; wg R3 et le sous-espace vectoriel engendré
par G = fu; v; wg c’est-à-dire < u; v; w > est de
dimension rg (A) = 3 = CardG donc la famille G est libre dans R3 .
Remarque
En formant une matrice A constituée en ligne ou en colonne des coordonnées
des vecteurs d’une famille donnée F ; lorsque le rang de A est égal au cardinal
de F, la famille F est libre sinon elle est liée.
5 9
3. u = (15; 27; 6; 12) ; v = ( ; ; 1; 2).
2 2
La famille H = fu; vg R4
aussi"soit #
15 27 6 12 u
A= 5 9
1 2 v
2 2
15 27 6 12 u
0 0 0 0 6v + u ) 6v + u = ~0
4
La famille H = fu; vg R est donc liée car il y a une relation
de dépendance entre les vecteurs : u; v qui est : 6v + u = ~0.
59
CHAPITRE 4. ESPACES VECTORIELS
60
Chapitre 5
APPLICATIONS LINÉAIRES
61
CHAPITRE 5. APPLICATIONS LINÉAIRES
2 3
1
6 2 7
6 7
Y = 6 .. 7 qui est la matrice colonne des coordonnées de y 2 E au biais
4 . 5
n
de la base = (e1 ; e2 ; :::::; en ). On peut dire que f est complètement
déterminée par son action sur une base de E.
Remarques
1) Une application linéaire est une application d’un K-espace vectoriel E dans
un K-espace vectoriel F , telle que l’image d’une combinaison linéaire de vecteurs
de E est égale à une combinaison linéaire de l’image des vecteurs de E, avec le même
coe¢ cient de combinaison par rapport à un vecteur de E et son image.
2) Une application f entre deux K-espaces vectoriels E et F est linéaire
ssi les expressions images de f (x), pour x 2 E, sont linéaires par rapport aux
coordonnées de x 2 E, moyennant une base sur E.
Exemple
Cette expression : a1 x1 +:::+an xn est linéaire en x1 ; x2 ; :::; xn , car combinaison linéaire
des x1 ; ... ; xn ; mais pas celle-ci : a1 x1 + ::: + an xn + b.
Exemples
a) Soit f : R2 ! R2 , (x; y) 7 ! (2x + y; 0) est une application linéaire
de R2 dans R2 .
b) Soit g : R ! R2 , (x; y) 7 ! (4; x 9y) n’est pas une application linéaire
2
62
CHAPITRE 5. APPLICATIONS LINÉAIRES
Remarques
1)L’image par une application linéaire f : E ! F d’un sous-espace vectoriel de E
est un sous-espace vectoriel de F .
2) Aussi l’image reciproque de f d’un sous-espace vectoriel de F
est un sous-espace vectoriel de E.
Proposition 2
Une application linéaire f : E ! F est surjective si et seulement si Im f = F .
Dé…nition 4 (d’un isomorphisme)
1) Une application linéaire f : E ! F est un isomorphisme si elle est injective et
surjective. On dit alors que E et F sont isomorphes par f .
2) Une application linéaire f : E ! E est un endomorphisme. Un endomorphisme
qui est bijectif est un automorphisme.
3) Deux espaces E et F sont isomorphes noté(E ' F ),
s’il existe au moins un isomorphisme f de E sur F .
4) Si f : E ! F est un isomorphisme, il existe une application inverse f 1 ; et
f 1 est un isomorphisme de F sur E.
5) f : E ! F est un isomorphisme () Ker f = f0E g et f (E) = F .
Théorème 1
Soient E et F deux K-espaces vectoriels de dimension …nie
et une application linéaire f : E ! F . Alors :
(a) f est un isomorphisme entre E et F .
m
(b) dimE = dimF et Kerf = f0E g .
m
(c) dimE = dimF et Im f = F
Lemme 3 Soit (x1 ; x2 ; :::::; xn ) une suite libre de vecteurs de E et une
application linéaire f : E ! F injective. Alors (f (x1 ) ; f (x2 ) ; :::::; f (xn ))
est une suite libre dans F .
63
CHAPITRE 5. APPLICATIONS LINÉAIRES
Exemples
a° ) L’application f : E ! F qui, à tout vecteur x 2 E associe le vecteur nul 0F
de F est linéaire. On a Im f = f0F g et le rang de f est nul.Le noyau ker f = E.
b° ) L’application f de E dans E qui, à tout vecteur x 2 E, associe le vecteur x est
linéaire. Ker f = f0g, f (E) = E. On l’appelle l’identité IdE .
C’est un isomorphisme de E sur E;ou automorphisme de E.
c° ) Si E est un espace vectoriel sur le corps K et a 6= 0 un élément de K,
l’application f :x 7 ! ax est une application linéaire de E sur E et
c’est un automorphisme(homothétie vectorielle):
d° ) Soit F et G deux sous-espaces supplémentaires dans E. A tout vecteur x 2 E;
on peut faire correspondre sa composante y 2 F dé…nie par :
x = y + z, y 2 F , z 2 G.
L’application f : x 7 ! y est une application linéaire de E dans F qu’on appelle
projection sur F parallèlement à G. Le noyau de f est G et l’image f (E) est F .
Si E est de dimension …nie, on véri…e directemnet le théorème noyau-image
sur les dimensions.
e° ) Soit E = Cn [X] le C-espace vectoriel des polynômes complexes de degré
inférieur ou égal à n, avec le polynôme nul. L’application f : P 7 ! P + P 0 ; où P 0 est
le polynôme dérivé de P , est une application linéaire de E dans E; on dit encore que
c’est un C-endomorphisme de E.
On véri…e directement que Ker f = f0g ; il résulte alors du théorème 1 que f est
un automorphisme de E donc est surjective.
f° ) Une application linéaire de E un K-espace vectoriel dans K s’appelle une forme
linéaire sur E (K est un espace vectoriel sur lui-même). Soit f une forme linéaire
non nulle sur un K-espace vectoriel E de dimension n. On a Im f 6= f0g et Im f K ;
donc l’image de f , espace de dimension 1 appelé droite vectorielle
(à cause de sa dimension qui est 1) et le noyau de f est de dimension n 1
et on dit que c’est un hyperplan de E.
Un K-espace vectoriel de dimension 2 est appelé plan vectoriel.
L’ensemble des formes linéaires de E se note E ou LK (E; K)
c’est un -espace vectoriel appelé le dual de E.
64
CHAPITRE 5. APPLICATIONS LINÉAIRES
65
CHAPITRE 5. APPLICATIONS LINÉAIRES
dimension …nie.
5.3.2 Problème
La construction de l’espace vectoriel quotient de E par F donne une solution
au problème suivant : étant donné un K-espace vectoriel E et un sous-espace
vectoriel F , trouver un espace vectoriel E 0 sur K et une application linéaire surjective
f : E ! E 0 dont le noyau est F . Lorsque E est de dimension …nie, on obtient
aisément une solution du problème de la façon suivante : prenant un sous-espace
supplémentaire G de F dans E ; la projection p : E ! G de E sur G
parallèlement à F est une application linéaire surjective de noyau F .
Théorème 3
Soit f : E ! E 0 une application linéaire surjective de l’espace vectoriel E sur
l’espace vectoriel E 0 et F son noyau. L’espace E 0 est isomorphe à
l’espace quotient E=F par un isomorphisme tel que :f = ' ; où ' est
l’application linéaire canonique de E sur E=F . Suivant le diagramme suivant
'
E ! E=F
f
& #
E0
Corollaire 1 du théorème 3
Toutes les solutions du problème sont des espaces vectoriels
isomorphes entre eux.
Corollaire 2 du théorème 3
Si E est de dimension …nie et F un sous-espace vectoriel de E,
on a : dim E=F =dim E dim F , et dim E=F s’appelle la codimension
de F dans E, et se note co dim F , ainsi co dim F = dim E=F .
Dé…nition
Soit f une application linéaire de E ! F deux K-espaces vectoriels de
dimension …nie chacun. On appelle conoyau de f , et on le note Co ker f
l’espace quotient F= Im f . De là si f est surjective alors Co ker = f0F g.
66
CHAPITRE 5. APPLICATIONS LINÉAIRES
67
CHAPITRE 5. APPLICATIONS LINÉAIRES
2 3
x1
6 7
Ainsi 8x 2 E, 9!x = 4 ... 5 2 Kp matrice colonne qui représente
xp
les coordonnées du vecteur x 2 E dans la base de sorte que
p
X
symboliquement : x = x = xi ei .
i=1
Il sera de même 2
de F 3c’est-à-dire :
y1
6 7
8y 2 F , 9!y = 4 ... 5 2 Kq matrice colonne qui représente
0
yq
les coordonnées du vecteur y 2 F dans la base 0 de sorte que
q
0
X
0
symboliquement : y = y = yi ti .
i=1
De là l’application linéaire f : (E; ) ! (F; 0 ) peut être dé…nie comme suit :
a) f (x) = y on n’a pas utilisé les bases en présence.
0
b) f x = y on a utilisé les bases en présence, ce qui permettra de déterminée
0
f à la donnée de M 0 (f ) en posant : f x = M 0 (f ) x = (f (x)) 0 = y .
Avec les données de f , et 0 on a naturellement M 0 (f ).
Corollaire L’espace vectoriel LK (E; F ) est de dimension …nie n = pq.
Remarques
1° ) Les espaces vectoriels LK (E; F ) et Mqp (K) sont isomorphes mais
cet isomorphisme dépend des bases et 0 choisies dans E et F .
On devrait le noter : M 0 : LK (E; F ) ! Mqp (K).
Il est déterminé par le choix de ces bases.
2° ) Il résulte de la proposition 1 qu’une matrice q p quelconque dont les
coe¢ cients appartiennent à un corps K peut toujours être considérée comme
la matrice d’une application linéaire d’un espace vectoriel E de dimension p
sur K dans un espace vectoriel F de dimension q sur K,
par exemple de E = Kp dans F = Kq .
68
CHAPITRE 5. APPLICATIONS LINÉAIRES
69
CHAPITRE 5. APPLICATIONS LINÉAIRES
2 3
0 1 0 0
6 0 0 1 0 7
De là soit P = Ppass( a ) = P = 6 7
4 0 0 0 1 5, alors on a :
1 0 0 0
1
B = P AP , A et B sont semblables.
Remarque :
Soit x 2 E, soient = (e1 ; :::; en ), 0 = e01 ; :::; e0n deux bases de E,
symboliquement on notera :
x= x et 0 = P 0 ici est considérée comme une matrice uniligne :
e1 e2 en et 0 est considérée comme une matrice uniligne :
e01 e02 e0n .
Aussi on a : (e0i ) = P 0 (ei ) , 8i 2 f1; 2; :::; ng, (e0i ) et (ei ) sont les
coordonnées de e0i et ei dans la base = (e1 ; :::; en ).
Proposition
) ; 0 =1 e01 ; :::; e0n deux bases de E.
Soient = (e1 ; :::; en0
x1
B x2 C
B C
Soit x 2 E, et x = B .. C= les coordonnées de x dans la base .
@ . A
xn
0 1
0
x1
B x0 C
0 B 2 C
et x = B .. C= les coordonnées de x dans la base 0
@ . A
x0n
0 0
alors x = (P 0 = P ) x , x = P 0 = P 1 x .
70
CHAPITRE 5. APPLICATIONS LINÉAIRES
1
= det P 0 det (M (f )) det P 0
1
= det P 0 det (M (f )) det P 0
1
= det P 0 det P 0 det (M (f ))(car K est un corps commutatif)
= det (M (f )).
1
Aussi T race M 0 0 (f ) = T race P 0 M (f ) P 0
1
= T race P 0 P 0 M (f ) = T race (M (f )).
Exercice
3
Soit f un endomorphisme de 2 R de matrice
3 A dans la base canonique 0 = (e1 ; e2 ; e3 )
1 2 3
dé…nie par : A = 4 1 4 5 5.
2 3 0 2 2
2
Soit X 0 = 4 3 5 les coordonnées d’un vecteur x1 dans la base 0 .
4
1. Calculer f (x1 ) dans la base 0 .
71
CHAPITRE 5. APPLICATIONS LINÉAIRES
72
CHAPITRE 5. APPLICATIONS LINÉAIRES
2 3 2 3 2 3
1 1 1
(S3 ) , (f (u3 )) 0 = a00 u1 + b00 u2 + c00 u3 = a 4 1 5 + b 4 3 5 + c 4 2 5,
1 2 1
je rappelle que0les (Si ) pour i
1 0 = 1, 2, 3, sont
1 des systèmes à résoudre.
a a0 a00 0 0 0
Et alors D = @ b b0 b00 A = @ 0 1 0 A.
c c0 c00 0 0 20 12 3 2 3
0 0 0 1 0
f) (f (x1 )) = M at (f; ; ) X = DX = @ 0 1 0 A 4 6 5 = 4 6 5.
0 0 2 7 14
Pour la deuxième façon, on rappelle qu’à la question 1. on a calculer
f (x1 ) dans la2 base3 0 , de là on fait la mise2en équation
3 2 suivante
3 2: 3
8 1 1 1
(f (x1 )) 0 = 4 10 5 = au1 + bu2 + cu3 = a 4 1 5 + b 4 3 5 + c 4 2 5
2 1 2 1
en résolvant le système ci-dessus, on trouve 8 bien a = 0, b = 6, c = 14.
2 2 1
>
> A = PD P
<
A3 = P D3 P 1
g) On a D = P 1 AP , A = P DP 1 ) .
>
> A4 = P D4 P 1
: n
A = P Dn P 1 , n 2 N
Il faut
0savoir que1 0 1 0 1
0 0 0 0 0 0 0 0 0
D = @ 0 1 0 A ) Dn = @ 0 1n 0 A = @ 0 1 0 A, n 2 N.
0 0 2 0 0 0 2n 1 0 0 0 2n 1 0 1
1 1 1 0 0 0 1 1 1
Ainsi : n 2 N, An = P Dn P 1 = @ 1 3 2 A @ 0 1 0 A @ 1 0 1 A
n
0 n 11 2 1 0 0 2 1 1 2
2 1 2n 1 2n+1
An = @ 2n+1 3 2n+1 3 2n+2 A.
2n 2 2n 2 2n+1
73
CHAPITRE 5. APPLICATIONS LINÉAIRES
TRAVAUX DIRIGÉS
Calcul matriciel
Exercice 1
On considère les matrices suivantes :
2 3
2 1 0
4 5 2 0 1 0
A= 1 0 2 5, B = , C= :
3 1 2 0 3
3 1 1
Calculer, parmi les produits matriciels suivants, ceux qui ont un sens :
2 0 4
4= 5 2 7
2 5 5
:
74
CHAPITRE 5. APPLICATIONS LINÉAIRES
Exercice 6
Soit M 2 M2 4 (R) : 3
a b c d
6 b a d c 7
M =6 4 c
7.
d a b 5
d c b a
1) Donner la transposée (t M ), de la matrice M .
2) Calculer M: (t M ) et (t M ) :M , ces deux matrices commutent-elles ?
3) Déterminer le déterminant de M en sachant qu’il est positif.
4) A quelle condition M est-elle inversible ? Donner sa matrice inverse.
Exercice 7
Déterminer, suivant les valeurs du paramètre a, le rang des matrices0suivantes : 1
0 1 0 1 0 1 1 1 1
1 1 a a 1 a2 B 1 3 3 2 1 C
A=@ 1 1 a 2 A; B = @ a2 a a A ; C=B @
C.
2 0 a 3 1 A
a+1 2 3 1 a a3
4 3 1 0 1+a
Exercice 8
I) Résoudre
8 les systèmes d’équations linéaires
8 suivants :
< 2x y z = 4 < 3x + y + z = 1
a) 3x + 4y 2z = 11 ; b) x y + 2z = 2 ;
: :
3x 2y + 4z = 11 x + 3y 3z = 3
8
>
> x + y 3z = 1
<
2x + y 2z = 1
c) :
>
> x+y+z = 3
:
x + 2y 3z = 1
II) Résoudre
8 et discuter suivant les valeurs du paramètre réel m le système suivant :
< 2x + (m 1) y 3mz = 2
x 2 (m 1) y + mz = 1 .
:
x + (m 1) y 2mz = 2m
Exercice 9
Z
Déterminer 2 de façon que le système homogène :
8 5Z
< 3 x + 4y + 3z =0
3x + 3 y =0
:
3x + 3y z =0
admette des solutions non nulles, et résoudre.
Exercice 10
Discuter
8 et résoudre le système sur R3 :
< ax + by + cz =1
cx + ay + bz = 1 ; (a; b; c) 2 R3 .
:
bx + cy + az =1
Exercice 11
75
CHAPITRE 5. APPLICATIONS LINÉAIRES
Discuter
8 et résoudre le système sur C3 :
2
< x + y + z =0
x+ y+ z = 0 où 2 C.
: 2
x+ y+ z =0
Mise en bouche
EXERCICE 1.1
Soit R+ muni de la loi de composition interne dé…nie par a b = ab,
8a; b 2 R+ et de la loi de composition externe telle que
a = a ; 8a 2 R+ , 8 2 R.
Montrer que R+ ; ; est un R-espace vectoriel.
EXERCICE 1.2
Considérons les opérations suivantes : : R2 R2 ! R2 et : R2 R ! R2 .
Dans quels cas la structure (R2 ; ; ) est-elle un espace vectoriel sur R ?
8 (x1 ; y1 ) ; (x2 ; y2 ) 2 R2 , 8 2 R.
p p 3 p p 5
1. (x1 ; y1 ) (x2 ; y2 ) = 3 x + 3 x
1 2 ; 5 y1 + 5 y2 ; (x1 ; y1 ) = x1 3 ; x1 3
;
2. (x1 ; y1 ) (x2 ; y2 ) = (x1 + y1 ; 0) ; (x1 ; y1 ) = (x1 ; 0) ;
3. (x1 ; y1 ) (x2 ; y2 ) = (y1 + y2 ; x1 + x2 ) ; (x1 ; y1 ) = (y1 ; x1 ).
Série A
Exercice 1
Dans R2 , on pose : (x; y) + (x0 ; y 0 ) = (x + x0 ; y + y 0 ) et (x; y) = ( x; 0) ;
2 R: Ces deux lois de composition dé…nissent-elles sur R2
une structure d’espace vectoriel sur R?
Exercice 2
I) Montrer que les vecteurs suivants de R3 sont linéairement
dépendants et préciser leur relation de dépendance :
a) u = (1; 2; 1); v = (1; 0; 1); w = ( 1; 2; 3)
b) u = ( 1; 2; 5); v = (2; 3; 4); w = (7; 0; 7).
II) Préciser si les familles constituées des vecteurs suivants sont liés ou libres.
a) u = (7; 12); v = (18; 13); w = ( 4; 17)
b) u = ( 1; 0; 2); v = (1; 3; 1); w = (0; 1; 1)
5 9
c) u = (15; 27; 6; 12); v = ( ; ; 1; 2):
2 2
III) Déterminer tous les vecteurs (x; y; z) de R3 tels que le système suivant soit libre :
76
CHAPITRE 5. APPLICATIONS LINÉAIRES
E1 = fx 2 R4 j x2 = 0g ; E2 = fx 2 R4 j x2 0g ; E3 = fx 2 R4 j x1 = x2 + x3 g ;
E4 = fx 2 R4 j x3 x4 = 0g ; E5 = fx 2 R4 j x1 2 Qg ; E6 = fx 2 R4 j x2 = x21 g :
Exercice 4
On considère E = R2 [X], l’espace vectoriel des polynômes de degré inférieur ou égal
à 2 à coe¢ cients réels muni de sa base canonique B = (1; x; x2 ).
1. Montrer que B1 = (1; 1 + x; 1 + x + x2 ) est une base de E.
2
2. 0 = 2x1+ 3x + 4 dans la base B1 .
Ecrire f (x)
2
3. Soit P = @ 1 A dans la base B1 ; quelles sont
5
ses composantes dans la base B ?
4. Le système S = (3 + 2x + 2x2 ; 1 + 3x + 2x2 ; 3 5x 2x2 ) est-il une base
de E ? Si non, indiquer une relation qui lie les trois polynômes. Déterminer
la dimension du sous espace vectoriel de E engendré par ce système
Exercice 5
Soit F le sous-espace vectoriel de R3 engendré par les vecteurs :
f (x; y; z) = (x + y; y + z; z 1) ;
g(x; y) = (x; y; m) où m est un paramètre réel.
Exercice 8
77
CHAPITRE 5. APPLICATIONS LINÉAIRES
Exercice 9
Soit f l’application linéaire de R4 dans R3 dé…nie par :
78
CHAPITRE 5. APPLICATIONS LINÉAIRES
Série B
Exercice 1
Soit E = f(x; y) 2 R2 = y = 2xg: Montrer que E est un sous-espace vectoriel
de R2 et déterminer une base de E:
Exercice 2
On considère R3 muni de la base canonique = fe1 ; e2 ; e3 g :
Soient !
u = e1 + 2e2 + e3 , ! v = 2e1 + e2 e3 , ! w m = me2 e3 ; m 2 R
! ! !
1) Pour quelles valeurs de m, Sm = f u ; v ; w m g est-il une base de R3 ?
En déduire que S1 est une base de R3 :
2) Déterminer la matrice de passsage de la base à la base S1 :
3) Déterminer la matrice de passage de la base S1 à la base :
! !
4) Soit H = ( 5; 1; 2). Quelles sont les coordonnées de H dans la base S1 ?
5) On considère l’application linéaire
fm : R3 ! R3 : (x; y; z) 7! (x + 2y + z; 2x + y z; my z):
a) Quelle est la matrice de fm dans la base ?
b) Dans quels cas fm est-elle un automorphisme de R3 ?
En déduire que f0 et f1 sont des automorphismes de R3 :
c) Trouver (x; y; z) tel que f1 (x; y; z) = (0; 1; 7) et calculer ( f1 ) 1 (2; 5; 0):
Exercice 3 0 1 0 1
3 0 2 2 3 1
Soient les matrices : A = @ 4 2 0 A ; B = @ 2 i 2 A;
0 1 1 i 1 i 2 0
0 2 2
2 4 3
C=@ 3 1 1 A et D = .
5 11 2
3 1 1
1° ) Calculer si possible les matrices suivantes : E = AB et E 0 = BA
que peut-on conclure ?
2° ) Calculer si possible les matrices : F = AD et F 0 = DA.
3° ) Calculer C 3 . En déduire que C n’est pas inversible.
Exercice 4 0 1 0 1
1 2 5 2 0 2
On considère les matrices A = @ 3 2 3 A;B = @ 1 4 2 A
0 21 6 0 0 1 0
x
et T = @ y A:
z
1° ) Montrer que A et B Sont inversible et déterminer leur inverse.
Mêmes questions pour C=AB. 0 1
2
2° ) Résoudre dans IR3 l’équation matricielle CT = @ 0 A :
m
Exercice 5
1 1
On considère la matrice A = 2 M2 (R) :
1 0
a) Montrer que A2 = A I2 :
79
CHAPITRE 5. APPLICATIONS LINÉAIRES
b) Calculer A3
c) Montrer que, si p est un entier positif, on a :
A3p = ( 1)p I2 , A3p+1 = ( 1)p A , A3p+2 = ( 1)p (A I2 ) :
d) Les suites réelles (un ) et (vn ) sont dé…nies par les relations de récurrence :
un+1 = un + vn ; vn+1 = un et par la donnée de u1 et v1 :
Calculer un et vn en fonction de u1 , v1 et n, en particulier
pour n = 3p; n = 3p + 1 ; n = 3p + 2; p 2 N.
Exercice 6
Soit E un R - espace vectoriel de dimension 3 et = (e1 ; e2 ; e3 ) une base de E.
On considère l’application R - linéaire u : E ! E dé…nie par :
u (e1 ) = e1 + e2 + 2e3 , u (e2 ) = u (e1 ), u (e3 ) = e1 e2 .
Soit M la matrice de u dans la base : On pose :
f1 = e2 + e3 , f2 = e1 + e3 , f3 = e1 + e2 et & = (f1 ; f2 ; f3 ).
1) Écrire la matrice M .
2) Calculer la dimension de Ker (u), le rang de u et le rang de M .
3) Montrer que & est une base de E.
4) Soit P la matrice de passage de la base à la base & et
N la matrice de u dans la base &:
4-a) Déterminer les matrices P; P 1 et N:
4-b) Pour tout entier k 1, calculer N k et en déduire M k :
Exercice 7 0 1
31 1
1° ) Inverser si possible la matrice : Am = @ 31 m A:
m 4 2 1
3
2° ) Résoudre dans IR en discutant éventuellement suivant les valeurs de m
le système
8 :
P < 3x + y z = m
( 1) 3x + y mz = 3 et
:
8 (m 4) x 2y z = 1
P < 3x + y z = 1
( 2) 3x + y + z = 3 avec les formules de Cramer
:
5 x 2y z = 1
80
CHAPITRE 5. APPLICATIONS LINÉAIRES
Série C
Exercice 1
Sur l’ensemble Pn0 des polynômes à une indéterminée X de coé¢ cients réels,
de degré égal à l’entier positif n, on dé…nit l’addition de deux polynômes P et Q par :
( P )(X) = P (X):
a) Examiner si l’ensemble Pn0 muni de ces deux lois est un espace vectoriel.
b) Même question pour l’ensemble Pn des polynômes à une indéterminée X,
de degré inférieur ou égal à l’entier n. Montrer que l’ensemble In
des polynômes P de Pn tels que :
P (X) + P ( X) = 0
u = ( un )n2N
81
CHAPITRE 5. APPLICATIONS LINÉAIRES
j = e1 +e2 +:::+ej pour j = 1; 2; :::; n. Montrer que f 1 ; 2 ; :::; ng est aussi un système libre.
V) Si b1 = (1; 1; 1; 1) ; b2 = (1; 1; 1; 1) ; b3 = (1; 1; 1; 1); b4 = (1; 1; 1; 1) consti-
tient une base de R4 ,
E = f( ;2 ; +2 ; )j 2 R; 2 Rg
:
VII) Montrer que les polynômes P1 , P2 , P3 dé…nis ci-après forment une base
de l’espace vectoriel des polynômes
à une indéterminée X, de degré inférieur ou égal à deux :
VIII) Soit E l’espace vectoriel des fonctions réelles continues et dérivables sur R et
F l’ensemble des fonctions numériques f dé…nies par :
8
< x+ si x < 0
2
f (x) = ax + bx + c si 0 x 1 .
:
x+ si 1 < x
Exprimer les constantes réelles , , , en fonction des trois réels a, b, c pour que
F soit un sous-espace vectoriel de E. Déterminer alors la dimension et
une base de F .
82
CHAPITRE 5. APPLICATIONS LINÉAIRES
u = (2; 1; 0) ; v = ( 1; 0; 1) ; w = (4; 1; 2)
a) Déterminer la dimension et une base de F et écrire la forme générale d’un
élément de F .
b) Montrer que G = f(0; + ; ) j 2 R; 2 Rg est
3
un sous-espace vectoriel de R dont on déterminera la dimension et une base.
c) Déterminer la dimension et une base de la somme et de l’intersection
des sous-espaces vectoriels F et G.
d) Déterminer les coordonnées des vecteurs de la base canonique de R3
dans la nouvelle base de F + G.
X) Dans l’espace vectoriel R3 [X] des polynômes de degré inférieur ou égal à 3,
on considère les polynômes suivants de l’indéterminée X :
P7 (X) = 3 X 3X 2 X 3.
Déterminer la dimension et une base des espaces vectoriels F et G engendré
respectivement par les familles fP1 ; P2 ; P3 ; P4 g et fP5 ; P6 ; P7 g,
puis des espaces vectoriels F \ G et F + G:
XI) Soit F et G les sous-espaces vectoriels de R4 engendrés par les familles
respectives fu1 ; u2 ; u3 g et fv1 ; v2 g ; où :
Exercice 7
Trouver un endomorphisme de R3 dont le noyau soit le sous-espace vectoriel
engendré par les vecteurs u = (1; 0; 0) et v = (1; 1; 1). Est-il unique ?
Exercice 8
Soit f l’application linéaire de R4 dans R3 dé…nie par :
83
CHAPITRE 5. APPLICATIONS LINÉAIRES
1 1
(A + B) =A + B 1.
e) Si A est une matrice inversible, sa transposée admet comme
inverse la transposée de A 1 .
f) Si AB = I, alors A et B sont deux matrices inverses l’une de l’autre.
g) Deux matrices distinctes ont deux déterminants distincts.
h) Pour tout entier n et toute matrice carrée A : detAn = (det A)n .
Exercice 10
1 0 1 1
On considère les matrices : A = B= .
1 2 1 0
Calculer A2 + 2AB + B 2 et comparer avec (A + B)2 . Commenter.
Exercice 11
Si M et N sont deux matrices de types respectifs (m; n) et (n; m) telles que M N = I,
montrer que la matrice P = N M est idempotente, c’est-à-dire que P 2 = P .
En déduire que P est diviseur à droite et à gauche de zéro.
Exercice 12
On considère les matrices suivantes :
2 3
2 1 0
5 2 0 1 0
A=4 1 0 2 5, B = , C= .
3 1 2 0 3
3 1 1
Calculer, parmi les produits matriciels suivants, ceux qui ont un sens :
1 = (1; 0; 1) ; 2 = ( 1; 1; 0) ; 3 = (2; 1; 1) .
On dé…nit alors l’application f de R3 dans R4 par les images,
exprimées dans la base canonique de R4 :
84
CHAPITRE 5. APPLICATIONS LINÉAIRES
f ( 1 ) = (1; 1; 1; 0) ; f ( 2 ) = ( 1; 1; 1; 0) ; f ( 3 ) = (0; 1; 1; 1) .
Déterminer la matrice A qui représente f lorsque R3 est muni de la basef 1 ; 2 ; 3 g
et la matrice B lorsque R3 est muni de la base canonique.
A-t-on une relation matricielle entre A et B ?
Exercice 14
On considère l’homomorphisme f de R4 dans R3 dé…ni par :
f (x; y; z; t) = (x + t; x + y + t; y + z + t) .
Déterminer la matrice de cette application linéaire lorsque R4 est
muni de la base formée des vecteurs :
u1 = (1; 1; 1; 1; ) ; u2 = (1; 1; 1; 0) ; u3 = (1; 1; 0; 0) ; u4 = (1; 0; 0; 0)
et R3 de la base :
2 0 4
4= 5 2 7
2 5 5
:
II) Calculer les déterminants suivants :
1 1 1 1 1 1 0 1 1
40 = 1 0 1 41 = b + c c+a a+b 42 = 1 0 1
1 1 0 bc ca ab 1 1 0
3 1 1 1 0 a b c
1 3 1 1 a 0 c b
43 = 44 = où a; b; c 2 R
1 1 3 1 b c 0 a
1 1 1 3 c b a 0
III) Exprimer le déterminant d’ordre n suivant en fonction de 4n 1 et 4n 2 :
2 1 0 0
1 2 1 0 0
.. .. .. . . ..
0 . . . . .
4n = .. . . .. .. .. .
. . . . . 0
.. ... ... ...
. 1
0 0 1 2
85
CHAPITRE 5. APPLICATIONS LINÉAIRES
2 3 2 3
1 2 1 2 a 1 3
1 a
A1 = , A2 = 4 1 0 1 5 , A3 = 4 1 1 a 2 5,
a 2
3 2 2 2 3 2 a
2 3 2 3
2 1 3 1 2 0 2 0 2
6 3 1 2 0 7 6 0 1 0 1 0 7
A4 = 6
4 1
7 , A5 = 6 7
3 4 2 5 4 2 1 0 2 1 5
4 3 1 1 0 1 0 1 0
Exercice 17
I) Résoudre
8 les systèmes d’équations linéaires
8 suivants :
< 2x y z = 4 < 3x + y + z = 1
a) 3x + 4y 2z = 11 , b) x y + 2z = 2 ,
: :
3x 2y + 4z = 11 x + 3y 3z = 3
8 8
>
> x + y 3z = 1 >
> x+y+z+t+u = 7
< <
2x + y 2z = 1 3x + 2y + z + t 3u = 2
c) , d)
>
> x+y+z = 3 >
> y + 2z + 2t + 6u = 23
: :
x + 2y 3z = 1 5x + 4y + 3z + 3t u = 12
II) Résoudre et discuter suivant les valeurs du paramètre réel m
les système suivants : 8
8 > mx + y + t = m+1
< 2x + (m 1) y 3mz = 2 >
<
x + my + z = m 1
a) x 2 (m 1) y + mz = 1 , b)
: >
> y + mz + t = m+1
x + (m 1) y 2mz = 2m :
x + z + mt = m 1
Exercice 1
1. Déterminer les réels x et y tels que les matrices A et B suivantes soient égales :
1 3 0 1 3 x 1 + 2y
A= et B =
3 2x + 3y 4 3 7 4
0 1
1 1 a
2. @
Soit la matrice A = 1 1 b A. Déterminer a; b et c pour que la matrice A2
1 1
2 2
c
soit la matrice0nulle. 1 0 1
1 1 4 1 0 0
3. Soient P = @ 1 1 4 A ; I3 = @0 1 0A et M = P + I3 .
1 1
2 2
2 0 0 1
a. Montrer que P 2 est une matrice nulle.
b. Exprimer M 2 et M 3 en fonction des matrices P et I.
c. Montrer que 8n 2 N ; M n = nP + I3 .
86
CHAPITRE 5. APPLICATIONS LINÉAIRES
Calculs de Déterminant
87
CHAPITRE 5. APPLICATIONS LINÉAIRES
Exercice 1
Soit les matrices suivantes :
0 1 0 1
3 2 4 2 1 4
M = @2 4 5A et A = @5 2 3A
1 8 2 8 7 3
A- 1. i. Déterminer les cofacteurs de tous les éléments de M .
ii. En déduire le déterminant de M . Dire si det(M ) 6= 0.
1
iii. Si oui, Calculer la matrice P = Com(M )t , où Com(M ) désigne la
det(M )
comatrice de la matrice M .
iv. Que représente la matrice P pour la matrice M ?
v. Déterminer B = 50M . Montrer que det(B) = 503 det(M ).
0 1
1 0 0 0 0
B 5 2 3 5 1C
B C
B
2. Soit la matrice N = B 8 15 10 20 0C 3
C Montrer que det(N ) = 5 det(M ).
@ 9 5 40 10 0A
1 10 20 25 0
B- Reprendre la question 1) pour la matrice A: (A ne pas traiter au TD)
Exercice 2
Calculer les déterminants suivants à l’aide de la méthode de développement :
2 1 5 10 3 3
D1 = , D2 = , D3 = ,
3 4 1 2 2 1
2 0 3 1 2 3 0 1 1
D4 = 2 3 1 , D5 = 4 5 6 , D7 = 1 0 1 ,
5 1 0 1 2 3 1 1 0
1 0 0 1 1 1 0 0
0 1 1 0 1 0 1 0
D8 = , D9 = .
1 0 1 0 0 0 1 1
0 1 0 1 0 0 1 1
Exercice 3
Calculer à l’aide de la méthode de Sarrus les déterminants suivants :
8 5 21 4 5 3 5 4 2
4 6 1 = 595, 3 2 1 = 108, 3 5 1 = 199
1 12 7 1 7 4 6 2 5
Exercice 4
Dire pourquoi les déterminants suivants sont nuls sans calcul formel :
1 2 3 3 4 5
0 0
1 = 4 5 6 , 2 = , 3 = 1 0 2,
1 0
2 4 6 2 4 3
2 1 3 3 0 1 1 1
0 2 1 6 2 3 4 6
4 = , 5 = .
5 1 0 3 5 3 8 7
10 3 7 9 2 2 5 5
88
CHAPITRE 5. APPLICATIONS LINÉAIRES
Exercice 1 0 1 0 1 0 1
2 1 1 x 0
Soit les matrices A = @ 1 3 1 A, X = @y A et B = @ 1 A.
1
2
1 1 z 2
Résoudre l’équation matricielle AX = B.
Exercice 2
On considère le système d’équations
8
< x 3y = a
(S) x y=b
:
x + 3y + 2z = c:
89
CHAPITRE 5. APPLICATIONS LINÉAIRES
II-
1) Résoudre le système d’équations :
8
< 2x + 3y + z = 1100
x + 5y + 2z = 880
:
4x + y + 3z = 1980
On pourra remarquer que dans ce système, tous les éléments du second membre
sont multiples de 22.
2) L’entreprise CBG-Technologie fabrique trois types d’articles X; Y; Z. Chaque
article passe successivement dans trois ateliers : atelier 1 ; atelier 2 et atelier 3.
Le temps de passage dans les ateliers sont donnés dans le tableau suivant :
X Y Z
Atelier 1 20 30 10
Atelier 2 10 50 20
Atelier 3 40 10 30
Au cours d’un programme de fonctionnement annuel, les charges horaires des
ateliers ont été de 110000 heures pour l’atelier 1, de 88000 heures pour l’atelier
2 et de 198000 heures pour l’atelier 3.
Exercice 1
1. On pose E = R2 . Doté des lois suivantes, E est - il un espace vectoriel ?
(a) L’addition : E E ! E ; ((x1 ; y1 ); (x2 ; y2 )) ! (x1 + x2 ; y1 + y2 )
et la multiplication R E ! E ; ( ; (x; y)) ! ( x; 0).
(b) L’addition : E E ! E ; ((x1 ; y1 ); (x2 ; y2 )) ! (x1 3x2 ; y1 + x1 y2 )
et la multiplication R E ! E ; ( ; (x; y)) ! ( 2x; y).
2. Soit L l’ensemble des suites réelles qui tendent vers 0.
Montrer que (L; +; ) est un R-espace vectoriel.
3. Est ce que les ensembles suivants sont des espaces vectoriels ?
(a) A = ensemble des fonctions polynômes.
(b) B = ensemble des fonctions polynômes de degré supérieur ou égal à 2:
(c) C = ensemble des fonctions polynômes degré strictement inférieur à 2:
Exercice 2
Parmi les ensembles suivants reconnaître ceux qui sont des sev de R2 ou R3 :
E1 = f(x; y; z) 2 R3 =x + 2y 3z = 0g
E10 = f(x; y; z) 2 R3 =xy = 0g
E2 = f(x; y) 2 R2 =2x 3y > 0g
90
CHAPITRE 5. APPLICATIONS LINÉAIRES
EXERCICE 5
I. Parmi les applications suivantes quelles sont celles qui sont linéaires ? Si oui quelles
sont celles qui sont injectives, surjectives, bijectives ?
a) f : R2 ! R2 , (x; y) 7 ! (2x + y; 3x 2y)
b) f : R2 ! R2 , (x; y) 7 ! (x + y; xy)
2 2
c) f :R !R , (x; y) 7 ! (x + 1; y)
d) f : R2 ! R3 , (x; y) 7 ! (x + y; x; 0)
II. Soit E l’espace vectoriel des fonctions de R dans R, deux fois dérivables et '
l’application :
f : E !E
y 7 ! y 00 + y 0 2y.
f (v1 ) = (0; 5; 1) = u1
f (v2 ) = (3; 1; 2) = u2
f (v3 ) = (1; 6; 0) = u3 .
91
CHAPITRE 5. APPLICATIONS LINÉAIRES
92
Bibliographie
93