Coursalglin 2

1
MATHEMATIQUES GENERALES 2
Algebre linaire
Chapitre 1
Espace vectoriel
1 Premires dnitions
Dfinition 1. on appelle espace vectoriel sur R ou R-espace vectoriel un en-
semble E sur lequel on a dni deux lois de composition :
Une loi interne dite addition, note + (i.e. une application + : E E E)
vriant :
(x +y) +z = x + (y +z) pour tout x, y, z E
x +y = y +x pour tout x, y E
il existe un lment de E, not 0
E
, dit neutre, tel que pour tout x E x+0
E
= x
soit x E ; il existe (x) lment de E dit oppos de x tel que x + (x) = 0
E
une loi externe de domaine R (i.e. une application . : R E E,(, x) x)
vriant :
(x) = ()x pour tout , R et x E
( +)x = x +x
(x +y) = x +y
1.x = x
Les lments de E sont appels vecteurs et ceux de R scalaire.
Remarque : On peut remplacer dans la dnition R par un corps quelconque. Dans
ce cours on notera K un tel corps et on pensera K = R, C.
Exemple 1 : Modle fondamental :
E = R
n
= R ... R
3
4 Calcul matriciel
Exemple : n = 2. Alors E = R R = {(x, y) : x R y R} est un R-espace
vectoriel :
on prend les applications :
E E E
((x
1
, y
1
), (x
2
, y
2
)) (x
1
+x
2
, y
1
+y
2
)
comme addition et
R E E
(, (x, y)) (x, y)
come multiplication par un scalaire.
On a alors (0, 0) comme neutre et (x, y) = (x, y).
Ici les 2-uplets sont les vecteurs et les rels les scalaires.
Exercice : vrier les axiomes de la dnition.
Interprtation gomtrique :
Soit P = {vecteursdansleplan} :
Dfinition 2. Une che dans le plan est un segment entre deux points A et B
orients.
Deux ches sont quivalentes si elles ont mmes direction, sens et longueurs.
Les vecteurs du plan sont les classes dquivalences des ches.
Addition de vecteurs :
Multiplication par un scalaire :

AB =

AD o

AD a le mme sens et la mme
direction que AB et la longueur multiplie par (si est positif).
Exemple 2 :
Soit E = R
n
[X] = {fonctionspolynomescoefficientdansRdedegr n} = {P(X) =
a
0
+a
1
X +... +a
n
x
n
a
i
R} est un espace vectoriel sur R muni des lois :
(a
0
+a
1
X +... +a
n
x
n
) + (b
0
+b
1
X +... +b
n
x
n
) := ((a
0
+b
0
) + (a
1
+b
1
)X +... + (a
n
+b
n
)x
n
)
.(a
0
+a
1
X +... +a
n
x
n
) := (a
0
+a
1
X +... +a
n
x
n
)
Chapitre 1. Espace vectoriel 5
Fig. 1 Addition de deux vecteurs
Plus gnralement E = R[X] qui est lensemble des polynomes de tout degr
coecient dans R est un espace vectoriel sur R avec les lois :
k
a
k
x
k
+
k
b
k
x
k
:=
k
(a
k
+b
k
)x
k
k
a
k
x
k
:=
k
a
k
x
k
(Les sommes sont nies.)
Exemple 3 :
Soit F(R, R) ensemble des fonctions de R dans R. On munit cet ensembles des lois
suivantes :
(f +g)(x) := f(x) +g(x)
(f(x)) := f(x)
Proposition 1.1. Soit E un espace vectoriel. Alors :
1. 0.x = 0
E
pour tout x E
2. .0
E
= 0
E
3. .x = 0
E
implique = 0 ou x = 0
E
4. (1).x = x pour tout x E
Dmonstration. (1)
0.x = 0.x + 0
E
0
E
est le neutre de +
= 0.x+x+(-x) dnition de loppos
6 Calcul matriciel
= (0.x+x)+(-x) associativit de laddition
= (0+1)x+(-x) (car 1.x = x et distributivit de . par rapport +
) = x+(-x)
=0
E
(2) Soit K.
.0
E
= (0.x) = (.0)x = 0.x = 0
E
(3) Soient K et x E tels que x = 0
E
.
Supposons que = 0. Montrons qualors x = 0
E
.
Si = 0 alors il existe
1
K tel que .
1
= 1. Alors (
1
)(x) =
1
0
E
= 0
E
et
(
1
)(x) = (
1
)x = 1.x = x. Donc x = 0
E
.
(4) On a (1).x = (1)x + 0
E
= (1)x + x + (x) = ((1) + 1)x + (x) =
0.x + (x) = (x)
Simplication de notations : on notera par la suite 0
E
par 0 et x+(y) = xy.
Enn espace vectoriel sera not ev.
2 Sous-espace vectoriel
2.1 Dnition
On identie parmi les sous parties de E celles qui se comportent bien par rapport
aux oprations de E.
Dfinition 3. Soit E un K-ev et F une partie de E. On dit que F est un sous espace
vectoriel de E (ou sev) si :
F =
F est stable par rapport laddition : x, y F => x +y F
F est stable par rapport la multiplication : K, x F => .x F
Consquence : 0 est toujours dans F. En eet F non vide implique qu il existe
x F donc x F. Par stabilit de laddition x x = 0
E
F.
Proposition 1.2. F est un sev de E ssi :
F =
x, y F , K alors x +y F
Quelques exemples :
1. {0} et E sont toujours des sev de E.
2. R
n
[X] R[X]
3. Lensemble des fonctions drivables et drives continues de R dans R (C
1
(R, R))
est un sev de F(R, R).
4. Dans R
2
les axes de coordonnes sont des sev de R
2
: F = {(x, 0), x R} et
G = {(0, y), y R}.
5. En gnral, les droites vectorielles dans R
2
sont de sev de R
2
: cest lensemble
suivant : F
v
:= {y E : il existe R tq y = v}
Une partie quelconque F dun espace vectoriel E nest pas toujours un sous espace
vectoriel, par contre elle sera toujours inclue dans un sev de E. Enn une partie
F dun espace vectoriel E peut ne pas tre un sous espace vectoriel de E mais tre
un espace vectoriel (en changeant biensr les lois daddition et/ou de multiplication
par un scalaire).
2.2 Sous espace vectoriel engendr par une partie de E
On veut construire le plus petit sous espace vectoriel contenant une partie de E
donne.
Dfinition 4. Soit {e
1
, ..., e
n
} une famille de n vecteurs dans E.
On dit que x E est une combinaison linaire de {e
1
, ..., e
n
} sil existe
1
,...,
n
dans
K tels que x =
1
e
1
+... +
n
e
n
.
Exemple :
Dans R
n
, tout vecteur est combinaison linaire de la base canonique : e
1
= (1, 0, ..., 0), e
2
=
(0, 1, ..., 0), ..., e
n
= (0, ...0, 1). Alors x = (x
1
, ..., x
n
) = x
1
e1 +... +x
n
e
n
.
notation : On note vect(e
1
, ..., e
n
) = {{textx E : il existe
1
, ...,
n
Ktelsquex =
1
e
1
+...
n
e
n
}
lespace vectoriel engendr par les vecteurs {e
1
, ..., e
n
}.
8 Calcul matriciel
Thorme 1.3. vect(e
1
, ..., e
n
) est un sev contenant {e
1
, ...e
n
}. Cest le plus petit
avec cette propit. On lappelle le sous espace vectoriel engendr par {e
1
, ...e
n
}.
Dmonstration. Premire partie
{e
1
, .., e
n
} vect(e
1
, ...e
n
) en eet e
i
= 0e
1
+ ...0e
i1
, +1e
i
+ 0e
i+1
+ ...0e
n
pour
tout i = 1...n
Stabilit par rapport + :
soient x, y vect(e
1
, ...e
n
). Alors il existe
1
,...,
n
et
1
,...
n
dans K tels que
x =
1
e
1
+... +
n
e
n
et y =
1
e
1
+... +
n
e
n
.
Alors x +y = (
1
+
1
)e
1
+... + (
n
+
n
)e
n
vect(e
1
, ...e
n
).
Stabilit par rapport . :
Soient x vect(e
1
, ...e
n
) tel que x =
1
e
1
+... +
n
e
n
et K.
Alors x = (
1
e
1
+... +
n
e
n
) = (
1
e
1
) +... +(
n
e
n
) = (
1
)e
1
+... +
n
)e
n

vect(e
1
, ...e
n
).
Deuxime partie : cest le plus petit
On fait par rcurrence :
Soit F un sous espace vectoriel de E contenant {e
1
, ...e
n
}.
Soit lhypothse de rcurrence HR(k) : F contient les combinaisons linaires de
{e
1
, ...e
k
}.
HR(1) est vrie : e
1
F implique .e
1
F pour tout K (par stabilit par
rapport la multiplication par un scalaire.
Soit 1 k n 1. Supposons que HR(k) est vraie et montrons quelle implique
HR(k + 1).
Par hypothse F contient toutes les combinaisons linaires de {e
1
, ...e
k
}.
Soit x = (
1
e
1
+... +
k
e
k
) +
k+1
e
k+1
. Ces deux lments (celui dans la parenthse
et le second) sont dans F par HR et car e
k+1
F, donc x est dans F comme somme
de deux vecteurs de F.
Exemples :
1. Dans le dernier exemple de sev, vect(e
1
) est une droite vectorielle.
2. Regardons vect(e
1
, e
2
) dans R
n
avec e
1
et e
2
deux vecteurs de R
n
.
si e
1
ou e
2
= 0 cest une droite vectorielle.
si e
2
= e
1
vect(e
1
, e
2
) = vect(e
1
)
sinon vect(e
1
, e
2
) est un plan vectoriel.
Dfinition 5. Soit P une partie de E espace vectoriel. On pose vect(P) = {x
E : il existe e
1
, ..., e
n
P tel que x =
1
e
1
+... +
n
e
n
} cest dire lensemble des
combinaisons linaires des lments de P. Cest le plus petit sev de E contenant P.
2.3 Intersection et somme de deux sev
Dfinition 6. Soient F et G deux ensembles. Alors la somme F + G = {z : z =
x +y avec x F, y G}.
Proposition 1.4. Soient F et G deux sev dun K-ev E. Alors :
1. F G est un sev de E.
2. F G nest pas en gnral un sev de E. MaisF +G est un sev de E et cest le
plus petit contenant F G.
3. Le complmentaire E-F nest pas un sev de E.
Dmonstration. (1) F G = car 0 F et 0 G, donc 0 F G
Soient x, y F G i.e. x, y F et x, y G. Alors x +y F et x +y G car F et
G sont des sev ; do x +y F G.
Soit K et x F G. Alors xF et x G car F et G sev de E, donc x F G.
(2)Contre-exemple Dans R
2
avec les lois classiques. Soit F laxe de abscisses engen-
dr par e
1
et G laxe des ordonnes engendr par e
2
.
Alors F G est reprsent par les deux axes de coordonnes mais e
1
+ e
2
F G
car il engendre la premire diagonale.
exercice : faites un dessin pour vous en convaincre
Par contre F +G est un sev de E :
- 0 = 0 + 0 F +G
- Soient x
1
, x
2
F +G. Alors il existe y
1
, y
2
F et z
1
, z
2
G tels que x
1
= y
1
+z
1
et x
2
= y
2
+z
2
. Alors x
1
+x
2
= (y
1
+y
2
) + (z
1
+z
2
) F +G.(car F et g sont deux
sev) - Soit K et x = y +z F +G . Alors x = y +z F +G (car F et G
sont deux sev de E).
Cest le plus petit contenant F G :
10 Calcul matriciel
Soit H un sev de E tel que F G H. Soit x = y +z F +G. y F donc y H et
z G donc z H donc y +z H car H est stable par addition. Donc F +G H.
(3) 0 E F donc le complmentaire ne peut etre un sev de E.
Remarques :-Lunion de deux sev nest pas un espace vectoriel cause de la non
stabilit par rapport laddition. Do la dnition de la somme de deux sev.
- On vient de voir que pour montrer quun ensemble nest pas un sev il sut dexiber
un contre exemple, alors que pour montrer que lon est en prsence dun ev il faut
montrer les proprits pour tous les lments.
Quelques propits de la somme de deux sous espaces vectoriels :
associativit : Soient F,G et H trois sev dun K-ev E. Alors (F + G) + H =
F + (G+H) = F +G+H
commutativit : F+G=G+F sont le plus petit sev contenant F G = G F.
lment neutre : Pour tout sev F on a : F +{0} = F
Attention
En gnral il nexsite pas de sev tels que F + G = 0. De mme F + G = F + H
nimplique pas G = H
exercice : trouver un contre exemple
Proposition 1.5. Soient P et Q deux parties de E. Alors vect(P Q) = vect(P) +
vect(Q).
Dmonstration. admise
2.4 Some directe. Supplmentaire
Dfinition 7. Soient F et G deux sev dun K-ev E. On dit que F et G sont en
sommes directes si F G = {0}.
Notation : Si F et G sont en somme directe on note F +G = F G.
Proposition 1.6. Soient F et G deux sev de E en somme directe. Alors F G =
{x E : il existe un unique y F etz G tels que x = y +z}
Dmonstration. Soit x F G. Supposons que x = y
1
+ z
1
= y
2
+ z
2
et montrons
qualors y
1
= y
2
et z
1
= z
2
.
(y
1
+z
1
= y
2
+z
2
) <=> (y
1
y
2
= z
2
z
1
) et on a y
1
y
2
F et z
2
z
1
G. Or
F G = {0},donc y
1
= y
2
et z
1
= z
2
.
Dfinition 8. Soit F un sous espace vectoriel dun K-ev E. G est un supplmen-
taire de F si E = F G.
Remarques :
1. il y a deux conditions vrier : F G = {0} et F +G = E.
2. Attention : Il ny a pas unicit du supplmentaire dun sev donn.
3. Attention : G supplmentaire nest pas le complmentaire de F dans E.
2.5 Dimension dun espace vectoriel
On a tous, de faon intuitive, la notion de dimension : on a envie par exemple de dire
quune droite est de dimension 1 car il sut dun paramtre pour situ un point de
la droite, un plan de dimension 2 et lespace K
n
de dimension n. Le problme auquel
on est confront est darriver dnir la dimension dun espace vectoriel de manire
intrinsque, ie en ne faisant appel quaux oprations dnissant les structures.
Bases
Dfinition 9. 1. Une famille de vecteurs {v
1
, ..., v
n
} dun K-ev E est dite g-
nratrice si E = vect(v
1
, ..., v
n
), ie pour tout x E il existe
1
,...,
n
K
x =
1
e
1
+... +
n
e
n
.
2. La famille {e
1
, ..., e
n
} est libre ssi
1
e
1
+ ... +
n
e
n
= 0 implique
1
= ... =
n
= 0. On dit alors quil sont linairement indpendants. Sinon on dit quils
sont lis.
3. Une famille {e
1
, ..., e
n
} de vecteurs de E est une base si elle est la fois libre
et gnratrice.
Exemples :
(1) E = R
2
{(0, 0), (1, 0)} ni libre ni gnratrice
12 Calcul matriciel
{(1, 0), (0, 1)} base
{(1, 1), (2, 2)} non base
{(0, 1), (1, 0), (1, 1)} gnratrice mais pas libre
{(1, 0), (1, 0)} pas libre pas gnratrice
{(1, 0), (1, 1)} base
(2) Dans R
3
, les vecteurs v
1
= (1, 2, 1) , v
2
= (1, 3, 1) et v
3
= (1, 13, 5) sont lis
car 2v
1
+ 3v
2
v
3
= 0
Proposition 1.7. Soit {e
1
, ..., e
n
} une base de E. Soit x E. Alors il existe un
unique n-uplets (
1
, ...,
n
) K
n
tel que x =
1
e
1
+...
n
e
n
.
Dfinition 10. (
1
, ...,
n
) sont les coordonnes de x dans {x
1
, ..., x
n
}.
Dmonstration. existence : {e
1
, ..., e
n
} gnratrice implique qu il existe (
1
, ...,
n
)
K
n
tels que x =
1
e
1
+...
n
e
n
.
unicit : x =
1
e
1
+...
n
e
n
=
1
e
1
+...
n
e
n
.Ceci implique que
(
1

1
)e
1
+ ... + (
n

n
)e
n
= 0. Or {e
1
, ..., e
n
} est libre donc
i

i
= 0 pour
tout i = 1...n.
Proposition 1.8. (1) Soit {e
1
, ..., e
n
} une base de E. Soit {f
1
, ..., f
l
} une autre fa-
mille de vecteurs de E tels que chaque e
i
est combinaison linaire de {f
1
, ..., f
l
}.
Alors la famille {f
1
, ..., f
l
} est gnratrice.
(2) a. Soit {e
1
, ..., e
k
} une famille libre de E et e
k+1
vect(e
1
, ..., e
k
). Alors {e
1
, ..., e
k+1
}
est encore libre.
b. Soit {f
1
, ..., f
k
} une famille libre de F sev de E et {g
1
, ..., g
l
} une famille libre de G
sev de E. On suppose que F et G sont en somme directes. Alors {f
1
, ..., f
k
n, g
1
, ..., g
l
}
est encore libre.
Dmonstration. (1) On veut montre que vect(f
1
, ..., f
l
) = E.
Or pour tout i = 1...n on a e
i
vect(f
1
, ..., f
l
) donc {e
1
, ..., e
k
} vect(f
1
, ..., f
l
).
Do vect(e
1
, ..., e
n
) = E vect(f
1
, ..., f
l
) E car vect(e
1
, ..., e
n
) est le plus petit
sous espace vectoriel de E contenant {e
1
, ..., e
n
}. Do {f
1
, ..., f
l
} est gnratrice.
(2) a. {e
1
, ..., e
k+1
} est elle libre ?
Soient
1
, ...
k+1
K tels que
1
e
1
+... +
k+1
e
k+1
= 0. On doit montrer que
i
= 0
pour tout i.
Supposons que
k+1
= 0. Alors

1
k+1
e
1
+ ... +

k
1
k+1
e
k
= e
k+1
, c est faux par hypo-
thse. Donc
k+1
= 0 et
1
e
1
+... +
k
e
k
= 0. Or la famille {e
1
, ..., e
k
} est libre par
hyppothse donc pour tout i = 1...k
i
= 0.
b. laiss en exercice.
Proposition 1.9. 1. x est une famile libre quivaut x non nul.
2. Toute famille contenant une famille gnratrice est gnratrice.
3. Toute sous-famille dune famille libre est libre.
4. Toute famille contenant une famille lie est lie.
5. Toute famille {v
1
, ..., v
p
} dont lun des deux vecteurs v
i
est nul est lie.
Essayez de vous convaincre de la vracit de la proposition ci-dessus en donnant la
preuve
Dimension
Dans cette sous section on se place en dimension nie cest dire quand il existe
une famille gnratrice nie.
Thorme 1.10. Dans un K-ev E non gal au vecteur nul et de dimension nie, il
existe toujours des base.
Thorme 1.11. Soit E = {0} un ev de dimension nie. Alors :
1. Toute famille gnratrive de E a au moins autant dlments que nimporte
quelle famille libre de E
2. De toute famille gnratrice on peut extraire une base.
3. (Thorme de la base incomplte) Toute famille libre peut etre complte par
des vecteurs de E de manire former une base.
Consquences :
1. Deux bases donnes de E ont le mme nombre dlments. Ce nombre est la
dimension de lespace not n = dimE.
2. Toute famille gnratrice a au moins n lments
3. Toute famille libre a au plus n lments.
Dmonstration. des consquences :
(1) Soient {e
1
, ..., e
k
} et {f
1
, ..., f
l
} deux bases.
Alors {e
1
, ..., e
k
} est gnratrice et {f
1
, ..., f
l
} est libre. Donc par le thorme prc-
dent, l k. Et inversement k l.
14 Calcul matriciel
(2) Soient {e
1
, ..., e
k
} gnratrice et {f
1
, ..., f
l
} base donc libre. Donc par thorme
k l
(3) Soient {e
1
, ..., e
k
} libre et {f
1
, ..., f
l
} base donc gnratrice. Donc l k
Dmonstration. Ide de la preuve du torme : (1) Soient {e
1
, ..., e
k
} gnratrice et
{f
1
, ..., f
l
} libre. A-t-on k l ?
On suppose que l k et on montre qualors k = l.
ide : substituer progressivement les f
i
aux e
i
tout en gardant la proprit detre
gnratrice.
(2) Ide : Si la famille gnratrice nest pas une base alors elle nest pas libre. On
montre quelle contient une famille gnratrice plus petite.
(3) Ide : Montrer quune famille libre non gnratrice est contenue dans une
famille libre plus grande.
Thorme 1.12. 1. Soient E
1
, ...E
p
des K-ev. Alors dim(E
1
...E
p
) = dimE
1
+
... +dimE
p
.
2. Soit F un sev dun ev E. Alors dimF dimE. Si dimF = dimE alors F = E.
3. Soient F et G deux sev supplmentaires lun de lautre. Alors dimF +dimG =
dimE.
4. Soient F et G deux sous espaces vectoriels de E. Alors dim(F +G) +dim(F
G) = dimF +dimG.
Chapitre 2
Feuille Td 1
A : espaces vectoriels, sous espaces vectoriels
Exercice 1
Parmi les ensembles suivants reconnaitre ceux qui sont des sev de R
2
ou R
3
:
E
1
= {(x, y, z) R
3
/x +y = 0} E
1
= {(x, y, z) R
3
/xy = 0}
E
2
= {(x, y) R
2
/x
2
+yx 0} E
2
= {(x, y, z) R
3
/x
2
+xy +y
2
0}
E
3
= {f F(R, R)/f(1) = 0} E
3
= {f F(R, R)/f(1) = 0}
Exercice 2
On munit R
2
des lois :
E E E
((x
1
, y
1
), (x
2
, y
2
)) (x
1
+x
2
, y
1
+y
2
)
comme addition et
R E E
(, (x, y)) (x, 0)
15
16 Calcul matriciel
E dot de ces lois est-il un espace vectoriel ?
Exercice 3
Dfinition 11. Une matrice carre 22 est un tableau carr deux lignes et deux
colonnes
A =
_
a
11
a
12
a
21
a
22
_
= (a
ij
)
j=12 colonnes
i=12 lignes
M
2
(K)
,ou K est un corps (pensez aux nombres rels ou aux complexes).
On munit M
2
(R) des lois suivantes :
M
2
(R) M
2
(R) M
2
(R)
(a
ij
)
j=12
i=12
, (b
ij
)
j=12
i=12
(a
ij
+b
ij
)
j=12
i=12
comme addition et
R M
2
(R) M
2
(R)
(, (a
ij
)
j=12
i=12
(a
ij
)
j=12
i=12
Montrer que M
2
(Rr) muni de ces lois est un espace vectoriel.
Exercice 4
Soit
E = {A M
2
(R)/A =
_
a +b c
2c b
_
}
F = {A M
2
(R)/A =
_
1 a
0 b
_
}
Lequel de ces deux sous ensembles de M
2
(R) sont des sev ?
Chapitre 2. Feuille Td 1 17
B :Somme et somme directe despaces vectoriels
Exercice 5
Montrer que les ensembles U = {(a, a, a)/a R} et V = {(, , ) R
3
/ + 2 +
3 = 0} sont des sev de R
3
et que R
3
= U V .
Exercice 6 : caractrisation de la somme directe de 3 sev
Soient U, V et W des sev dun ev E vriant :
(1) : U V = {0} = (U +V ) W
1. Dmontrer que : U V = {0} = U (V +W)
2. Montrer que (1) quivaut : pour tout x dans U +V +W il existe un unique
(u, v, w) U V W tels que x = u +v +w
Exercice 7
Soient e
1
= (0, 1, 2, 1), e
2
= (1, 0, 2, 1), e
3
= (3, 2, 2, 1) , e
4
= (0, 0, 1, 0) et
e
5
= (0, 0, 0, 1) des vecteurs de R
4
. Les propositions suivantes sont elles vraies ou
fausses ? Justier votre rponse.
1. vect(e
1
, e
2
, e
3
) = vect((1, 1, 0, 0), (1, 1, 4, 2))
2. (1, 1, 0, 0) vect(e
1
, e
2
) vect(e
2
, e
3
, e
4
)
3. dim
R
(vect(e
1
, e
2
) vect(e
2
, e
3
, e4)) = 1
4. vect(e
1
, e
2
) + (e
2
, e
3
, e
4
) = R
4
5. vect(e
4
, e
5
) est un sous espace vectoriel supplementaire de vect(e
1
, e
2
, e
4
) dans
R
4
Exercice 8
On considre les vecteurs v
1
= (1, 0, 0, 1), v
2
= (0, 0, 1, 0, v
3
= (0, 1, 0, 0), v
4
=
(0, 0, 0, 1) et v
5
= (0, 1, 0, 1) dans R
4
.
18 Calcul matriciel
1. vect(v
1
, v
2
) et vect(v
3
) sont ils supplmentaires dans R
4
?
2. Mme question pour vect(v
1
, v
3
, v
4
) et vect(v
2
, v
5
).
Exercice 9
Soit E = M
2
(R.
E
1
= {A M
2
(R)/A =
_
a 0
0 0
_
}
et
E
2
= {A M
2
(R)/A =
_
0 b
c d
_
}
Montrer que E
1
et E
2
sont deux sev de E et que E = E
1
E
2
.
C : familles libres et gnratrices. Base et dimension
Exercice 8
Soient les vecteurs v
1
= (1 i, i) et v
2
= (2, 1 +i) dans C2.
1. Montrer que le systme (v
1
, v
2
) est R libre et li.
2. Vrier que le systme S = (1, 0)(i, 0), (0, i), (0, i) est une base de C
2
sur R et
donner les composantes des vecteurs v
1
et v
2
dans cette base.
Exercice 10
Montrer que dans R
3
les vecteurs u
1
= (2, 3, 1) et u
2
= (1, 1, 2) en-
gendrent le mme sev que les vecteurs v
1
= (3, 7, 0) et v
2
(5, 0, 7).
Exercice 11
La famille {v
1
, v
2
, v
3
} R
3
avec v
1
= (1, 1, 1) , v
2
= (2, 1, 3) et v
3
= (0, 1, 5)
est-elle libre ? Est-elle gnratrice ? Quelle relation linaire lie les vecteurs ?
Quel est lespace quils engendrent ?
Exercice 12
Montrer que la famille (v
1
, v
2
) o v
1
= (1, 2) et v
2
= (1, 1) engendre R
2
. Est
elle une base ?
Exercice 13
Dans R
4
on considre lensemble E des vecteurs (x
1
, x
2
, x
3
, x
4
) vriant x
1
+
x
2
, x
3
, x
4
= 0. Lensemble E est il un sev de R
4
? Si oui, en donner une base.
Exercice 14*
Les familles suivantes sont elles libres ?
(a) v
1
= (1, 0, 1), v
2
= (0, 2, 2) et v
3
= (3, 7, 1) dans R
3
(b) v
1
= (1, 0, 0), v
2
= (0, 1, 1) et v
3
= (1, 1, 1) dans R
3
(c) v
1
= (1, 2, 1, 2, 1), v
2
= (2, 1, 2, 1, 2) , v
3
= (1, 0, 1, 1, 0) et v
4
= (0, 1, 0, 0, 1)
dans R
5
(d) v
1
= (2, 4, 3, 1, 2, 1), v
2
= (1, 1, 2, 1, 3, 1) et v
3
= (0, 1, 0, 3, 6, 2) dans
R
6
Exercice 15*
on considre dans Rr
n
une famile de 4 vecteurs linairement indpendants
(e
1
, e
2
, e
3
, e
4
). Les familles suivantes sont elles libres ?
(a) (e
1
, 2e
2
, e
3
)
(b) (e
1
, e
3
)
(c) (e
1
, 2e
1
+e
4
, e
4
)
(d) (3e
1
+e
3
, e
3
, e
2
+e
3
)
(e) (2e
1
+e
2
, e
1
3e
2
, e
4
, e
2
e
1
)
Chapitre 3
Solutions de la feuille 1
A : espaces vectoriels, sous espaces vectoriels
Exercice 1
(1) E
1
est un sev :
-E
1
= car (0, 0, 0) E
1
(en eet 0 + 0 = 0).
-soient (x
1
, x
2
, x
3
) E
1
i.e. x
1
+x
2
= 0 et (y
1
, y
2
, y
3
) E
1
i.e. y
1
+y
2
= 0
Alors ((x
1
, x
2
, x
3
) + (y
1
, y
2
, y
3
) = (x
1
+y
1
, x
2
+y
2
, x
3
+y
3
) E
1
si (x
1
+y
1
) +
(x
2
+y
2
) = 0. Ceci est vrai car x
1
+x
2
= 0 et y
1
+y
2
= 0.
Donc E
1
est stable par addition.
- Soit (x, y, z) E
1
ie x +y = 0. Soit R.
Alors (x, y, z) E
1
car x +y = (x +y) = 0.
donc E
1
reste stable par la multiplication par un scalaire.
(2) E
2
nest pas un sev :
en eet (1, 2) = (0, 2) +(1, 0) et on a (1, 2) E
2
car 1 2 < 0 et (0, 2)
et (1, 0) sont dans E
2
. Donc laddition n est pas stable.
21
22 Calcul matriciel
(3) E
3
est un sev de lensemble des applications de R dans R. -E
3
= car
la fonction f qui est nulle partout appartient E
3
. -Soient f, g E
3
. Alors
(f + g)(1) = f(1) + g(1) = 0 donc f + g E
3
-Soit f e
3
et R. Alors
(f)(1) = f(1) = 0. donc f E
3
.
(4) Par contre E
3
nest pas un sev. Soit f E
3
. Alors f(0) + f(0) = 2 =
(f +f)(0) Donc f +f E
3
.
Exercice 2
Laddition dnit sur R
2
est lusuelle. Donc il nous faut juste vrier les
axiomes pour la multiplication par un scalaire.
Soient 1 R et (x, y) E. Alors i.(x, y) = (x, 0) = (x, y). Cet axiome ntant
pas vrier, R
2
muni de ces lois nest pas un ev.
Exercice 3
Cest bien un ev. Llment neutre de laddition est
_
0 0
0 0
_
et loppos de
_
a b
c d
_
est
_
a b
c d
_
.
(Les axiomes ne sont pas diciles ici vrier.)
Exercice 4
Tout lment de E peut scrire sous la forme :
A = a
_
1 0
0 0
_
+b
_
1 0
0 1
_
+c
_
0 1
2 0
_
avec a,b et c quelconques. Donc E est engendr par ces trois matrices , cest bien un
sev de M
2
(R).
Quant F llment neutre de M
2
(R) ne lui appartient pas. Donc F ne peut etre un
sev de M
2
(R).
Chapitre 3. Solutions de la feuille 1 23
B :Somme et somme directe despaces vectoriels
Exercice 5
On montre dabord que U et V sont des sev de R
3
:
-(0, 0, 0) U donc U est non vide. De meme (0, 0, 0) V car 0 + 0 + 0 = 0 donc V
nest pas vide.
-Stabilit pour laddition :
Soient (a, a, a) U et (b, b, b) U , Alors (a +b, a +b, a +b) U. vident.
Soient (a, b, c) et (d, e, f) dans V. Alors a +d + 2(b +e) + 3(c +f) = a + 2b + 3c +
d + 2e + 3f = 0. Donc V est stable par addition.
-Stabilit par multiplication par un scalaire :
Soit R. Alors (a, a, a) U.
Soit (a, b, c) V . Alors a +2b +3c = (a +2b +3c) = 0. Do la stabilit de V.
Maintenant il nous faut montrer que R
3
= U V , ie que U et V sintersecte dans
llment neutre et que U et V engendre tout lespace.
Soient (x, y, z) R
3
. On veut monter quil existe (a, a, a) U et (b, c, d) V tels
que (x, y, z) = (a, a, a) + (b, c, d). On obtient le systme suivant :
_
_
_
x = a +b
y = a +c
z = a +d
qui est quivalent
_
_
_
b = x a
c = y a
d = z a
et on a b +2c +3d = 0 = (x a) +2(y a) +3(z a). Dou a =
1
6
(x +2y +3z). Et
on trouve alors les expressions de b,c et d en x,y et z grace aux quations prcdentes.
On vient de montrer que sil existe une dcomposition de (x, y, z) alors elle est
unique (car on na pas de choix sur a,b,c,d).Rciproquement Si pour (x, y, z) donns
on choisit a,b,c,d tels que ci dessus alors (a, a, a) + (b, c, d) = (x, y, z).
24 Calcul matriciel
Exercice 7
On commence par donner des noms aux ensembles que l on va considrer (pour
raccoucir la rdaction).
Soient vect(e
1
, e
2
, e
3
) = A, B = vect((1, 1, 0, 0), (1, 1, 4, 2)), C = vect(e
1
, e
2
),
D = vect(e
2
, e
3
, e
4
) et E = vect(e
4
, e
5
).
(a) Pour montrer lgalit entre les deux epsaces on montre que BA puis que
dimB = dimA. Pour montrer l inclusion il suit de montrer que les g-
nrateurs de B sont dans A.
(1, 1, 0, 0) A quivaut dire que (1, 1, 0, 0) est une combinaison li-
naire de (e
1
, e
2
, e
3
). Soient a, b, c R tels que (1, 1, 0, 0) = ae
1
+be
2
+ce
3
(on suppose qu ils existent, si on aboutit a une contradiction cela voudra
dire que (1, 1, 0, 0) A.) Ceci quivaut :
_
_
1 = b + 3c
1 = a + 2c
0 = 2a + 2b + 2c
0 = a b c
_
=>
_
1 = b + 3c
a = b +c
On peut prendre a = 1 = b, c = 0.
De mme (1, 1, 4, 2) A quivaut dire que (1, 1, 4, 2) est une
combinaison linaire de (e
1
, e
2
, e
3
). Soient a, b, c R tels que (1, 1, 4, 2) =
ae
1
+be
2
+ce
3
Ceci quivaut :
_
_
1 = b + 3c
1 = a + 2c
4 = 2a + 2b + 2c
2 = a b c
_
=>
_
1 = b + 3c
a = b +c + 2
On peut prendre a = 1 = b, c = 0.
Donc B A.
Or (e
1
, e
2
) est libre et e
3
= 2e
1
+ 3e
2
donc dimA = 2. et dimB = 2 car
ces deux gnrateurs sont libres entre eux.
(b) dimA = 2 et (e
1
, e
2
) ainsi que (e
2
, e
3
) sont des familles libres donc A =
C D do C D = A et on a dj que (1, 1, 0, 0) A.
(c) C D = A et dimA = 2
(d) dim(C + D) = dimC + dimD dim(C D) . Or dimC = 2 = dimA
donc dim(C + D) = dimD 3 car D a au plus 3 gnrateurs. Donc
dim(C + D) < dimR
4
= 4 , il ne peut y avoir galit entre les deux
ensembles.
(e) Calculons A E.
Soit z A E . Alors z est la fois une combinaison linaire des gn-
rateurs de A et de ceux de E. Donc il existe a, b, c, d, e tels que
z = ae
1
+be
2
+ce
2
= 3 = de
4
+ee
5
. Ceci quivaut :
_
_
b + 3c = 0
a + 2c = 0
2a + 2b + 2c = d
a b c = e
_
=>
_
_
_
b = 3c
a = 2c
e = 0 = d
donc z = 0 = A E.
On doit doit montrer que R
4
= A+E. Il sut de montrer que R
4
A+E
car dimR
4
dim(A + E). Soit (x, y, z, w)R
4
. Soient a, b, c, d, e R tels
que (x, y, z, w) = ae
1
+ be
2
+ ce
3
+ de
4
+ ee
5
(si il n y a pas de solutions
cela veut dire que lon na pas linclusion souhaite).
Cela quivaut
_
_
x = b + 3c
y = a + 2c
z = 2a + 2b + 2c +d
w = a b c +e
_
=>
_
_
a = y 2c
b = x 3c
d = z 2x + 2y
e = w y +x
Il existe une solution ( il y en a mme plus). Donc on a bien linclusion.
Exercice 8
(a) dim(vect(v
1
, v
2
)+vect(v
3
)) = dimvect(v
1
, v
2
)+dimvect(v
3
)dim(vect(v
1
, v
2
)
vect(v
3
))geq3 < 4 = dimR
4
donc ils ne peuvent supplmentaires.
(b) v
5
= v
4
+v
3
donc v
5
vect(v
1
, v
3
, v
4
) vect(v
2
, v
5
). Les deux sev ne sont
pas supplmentaires lun de lautre.
26 Calcul matriciel
Exercice 9
E
1
= {A M
2
(R)/A =
_
a 0
0 0
_
}
est engendr par la matrice
_
1 0
0 0
_
et
E
2
= {A M
2
(R)/A =
_
0 b
c d
_
}
est engendr par les matrices
_
0 1
0 0
_
,
_
0 0
1 0
_
et
_
0 0
0 1
_
Donc ce sont bien des sev de lespace des matrices carres 2 2.
E
1
E
2
=
_
0 0
0 0
_
}
.
Toute matrice 22 peuvent scrire comme somme de matrices de E
1
et E
2
(en eet
il ny a pas de choix sur a,b,c,d pour que les matrices appartiennet E
1
ou E
2
.).
Do le rsultat.
C : familles libres et gnratrices. Base et dimension
Exercice 8
Remarque : C
2
est un Rr ev de dimension 4 et un C ev de dimension 2.
1) Montrons que le systme est R libre :
Soient a,b dans R et montrons que av
1
+ bv
2
= (0, 0) implique a = b = 0 (cest la
dnition de famille libre).
av
1
+bv
2
= a(1i, i)+b(2, 1+i) = (aia+2b, aib+ib) = (0, 0). Ceci quivaut :
_
a + 2b ia = 0 +i0
b +i(a b) = 0 +i0
on identit la partie relle et imaginaire :
_
_
a + 2b = 0
a = 0
b = 0
a +b = 0
Donc a = b = 0.
Par contre si a et b sont complexes on obtient
_
a + 2b ia = 0 +i0
b +i(a b) = 0 +i0
Mais cette fois on ne peut pas identier les parties relles et imaginaires. On doit
rsoudre le systme complexe. Les deux qations sont quivalentes b =
1
2
(1 i)a.
Donc on peut choisir un a non nul tel que la premiere quation soit vrier. Les
deux vecteurs sont lis.
2) On montre facilement que S est une famille gnratrice de C
2
(tous les lments
de
2
peuvent scrire sous la forme a(1, 0) + b(i, 0) + c(0, 1) + d(0, i)) et que cette
famille est R libre (grace lidentication partie relle et imaginaire).
v
1
= 1(1, 0) 1(i, 0) + 0(0, 1) + 1(0, i) et v
2
= 2(1, 0) + 0(i, 0) 1(0, 1) + 1(0, i)
Exercice 9
Pour montrer que deux espaces sont les memes, en rgle gnrale on montre les deux
inclusions.
1) vect(u
1
, u
2
) vect(v
1
, v
2
)
Pour montrer une telle inclusion il faut montrer que tout lment du premier espace
28 Calcul matriciel
appartient au deuxime. Donc on prend un lment quelconque x dans vec(u
1
, u
2
)
et on montre que x vect(v
1
, v
2
).
Soit donc x vect(u
1
, u
2
). x est combinaison linaire de u
1
et u
2
, ie soient a, R
tels que x = au
1
+bu
2
. Si x tait un lment de vect(v
1
, v
2
) il existerait c et d rels
tels que x = cv
1
+dv
2
.
Alors au
1
+bu
2
= cv
1
+dv
2
i.e. a(2, 3, 1) +b(1, 1, 2) = c(3, 7, 0) +d(5, 0, 7). Il
nous faut montrer que le systme que lquation prcdente engendre est rsoluble.
_
_
_
2a +b = 3c + 5d
3a b = 7c
a 2b = 7d
La deuxime quation nous donne c =
1
7
(3a b). La troisieme nous donne d =
1
7
(a +2b). Pour que c et d conviennent , il faut que la premiere quation soit vrier
et cest le cas. Dou linclusion.
2) vect(v
1
, v
2
) vect(u
1
, u
2
)
On procde de meme :cette fois grace au systme obtenu prcdemment on trouve
a et b en fonction de c et d.
Une deuxieme mthode consistait en une fois que lon a 1), on montre que (u
1
, u
2
)
est libre, cest donc une base dun ev de dimension 2 dou lgalit des espaces.
Exercice 10
1)libre ?
Soient a,b,c rels tels que av
1
+bv
2
+cv
3
= 0 (1). rappel : la famille est libre ssi
la relation prcdente (1) implique a = b = c = 0. Sinon elle est lie.
(1) quivaut :
_
_
_
a + 2b = 0
a +b c = 0
a + 3b + 5c = 0
<=>
_
_
_
a = 2b
c = b
2b 3b + 5b = 0
Alors a = 2, b = 1 et c = 1 est solution de (1). Donc la famille nest pas libre
(elle est donc lie).
2)gnratrice ?
La famille comporte trois vecteurs de R
3
, elle ne peut etre gnratrice que si elle est
libre. Ntant pas libre elle ne peut etre gnratrice.
Les vecteurs v
1
et v
2
forment une famille libre donc vect(v
1
, v
2
, v
3
) = vect(v
1
, v
2
).
3)relation de dpendance
On a montr dans 1) que 2v
1
+v
2
v
3
= 0. De plus la famille forme par v
1
et v
2
est libre donc il n y a quune relation de dpendance :2v
1
+v
2
v
3
= 0.
Exercice 11
Pour montrer que la famille (v
1
, v
2
) engendre R
2
, il faut montrer que tout lment
de R
2
scrit comme un combinaison linaire des vecteurs de cette famille. Soit
(x
1
, x
2
) = x R
2
. On doit montrer que le systme suivant admet toujours une
solution (x tant donn) : x = av
1
+bv
2
, ce qui quivaut :
_
a b = x
1
2a +b = x
2
<=>
_
a = x
1
+b
b =
1
3
(x
2
2x
1
)
Donc le systme admet toujours une solution, donc la famille propose engendre R
2
.
Comme elle est compose de deux vecteurs, le thorme sur la dimension dit que
cest une base.
remarque : il est parfois plus facile de montrer quune famille est libre plutot que
gnratrice. Toujours grace au th sur la dimension on pouvait ici montrer que la
famille tait libre, donc une base et donc gnratrice.
30 Calcul matriciel
Exercice 12
Dans R
4
, soient v
1
= (1, 2, 3, 4), v
2
= (1, 1, 1, 3), v
4
= (2, 1, 1, 1), v
4
= (1, 0, 1, 2)
et v
5
= (2, 3, 0, 1). On pose U le sev engendr par (v
1
, v
2
, v
3
) et V celui engendr par
(v
4
, v
5
).
(a) Vrier que le systme (v
1
, v
2
, v
3
, v
4
) est libre. (Comme il est form de 4
vecteurs de R
4
il en sera une base).
(b) En dduire la dimension de chacun des sous espaces U, V , U +V et U V .
(c) Dterminer une base du sev U V .
1) Soient a, b, c, d R tels que av
1
+bv
2
+cv
3
+dv
4
= 0. Cela quivaut :
_
_
a +b + 2c d = 0
2a +b +c = 0
3a +b +c d = 0
4a + 3b +c + 2d = 0
La troisime ligne moins la deuxime donne a = d. Donc le systme quivaut :
_
_
a = d
b = 2c
2a +b +c = 0
6a + 3b +c = 0
ce qui nous donne a = c = 0 donc b = d = 0.
La famille forme par les quatre premiers vecteurs est donc libre.
2) 1) implique que les trois premiers vecteurs sont libres eux aussi (car toute sous fa-
mille dune famille libre est libre) et par hypothse ils engendrent U donc dimU = 3.
La famille engendre par (v
4
, v
5
) est libre (facile) et engendre V donc dimV = 2.
De plus on a montr que vect(v
1
, v
2
, v
3
, v
4
) = R
4
donc vect(v
1
, v
2
, v
3
, v
4
, v
5
) = R
4
.De
plus les trois premiers vecteurs engendrent U et les deux derniers engendrent V donc
les cinq vecteurs engendrent u +V . La dimension de U +V est donc 4. Finalement
dimU V = dimU +dimV dimU +V = 1.
3) La dimension de U V gale 1 donc une base de U V sera form dun seul
vecteur. Soit (a, b, c, d) U V . Alors il existe x
1
, x
2
, x
3
, y
1
, y
2
R tels que
(a, b, c, d) = x
1
v
1
+ x
2
v
2
+ x
3
v
3
= y
1
v
4
+ y
2
v
5
. Il nous faut donc rsoudre le sys-
tme suivant quatre quations et cinq inconnues (on va trouver la valeur de quatre
inconnues en fonction de la cinquime car la dimension de U V = 1) :
_
_
x
1
+x
2
+ 2x
3
+y
1
2y
2
= 0
2x
1
+x
2
+x
3
3y
2
= 0
3x
1
+x
2
+x
3
+y
1
= 0
4x
1
+ 3x
2
+x
3
2y
1
y
2
= 0
<=>
_
_
x
1
+x
2
+ 2x
3
+y
1
2y
2
= 0
x
2
3x
3
2y
1
+y
2
= 0
2x
2
5x
3
2y
1
+ 6y
2
= 0
x
2
7x
3
6y
1
+ 7y
2
= 0
<=>
_
_
x
1
+x
2
+ 2x
3
+y
1
2y
2
= 0
x
2
3x
3
2y
1
+y
2
= 0
x
3
+ 2y
1
+ 4y
2
= 0
4x
3
4y
1
+ 6y
2
= 0
<=>
_
_
x
1
+x
2
+ 2x
3
+y
1
2y
2
= 0
x
2
3x
3
2y
1
+y
2
= 0
x
3
+ 2y
1
+ 4y
2
= 0
4y
1
+ 22y
2
= 0
<=>
_
_
x
1
= 9y
2
14y
2

11
2
y
2
+ 2y
2
=
17
2
y
2
x
2
= 21y
2
+ 11y
2
+y
2
= 9y
2
x
3
= +11y
2
4y
2
= 7y
2
y
1
=
11
2
y
2
Alors tout lment de UV scrit sous la forme (a, b, c, d) = (
17
2
y
2
, 3y
2
,
11
2
y
2
, 10y
2
)
avec y
2
sans contraintes, donc U V = vect(
17
2
, 3,
11
2
, 10).
Exercice 13
E est un espace vectoriel. Sa dimension est dimE = dimR
4
1 = 3 (1 est le nombre
dquation qui le dnissent). Pour trouver une base il sut de trouver trois lments
libres de
4
qui vrient lquation. Prenons par exemple ((1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1).
32 Calcul matriciel
Exercice 14
Pour montrer quune famille de vecteurs (v
1
, ..., v
n
) est libre il faut montrer que
lunique solution de a
1
v
1
+... +a
n
v
n
= 0 (ici 0 est llment neutre de lev considr)
est a
1
= ... = a
n
= 0 (ici cest le scalaire 0).
(a) Soient a, b, c R tels que av
1
+bv
2
+cv
3
= (0, 0, 0). Ceci quivaut :
a(1, 0, 1) +b0, 2, 2) +c(3, 7, 1)
<=>
_
_
_
a + 3c = 0
2b + 7c = 0
a + 2b +c = 0
<=>
_
_
_
a = 0
b = 0
c = 0
Donc la famille est libre.
(b) On a directement que v
3
= v
1
+v
2
. Donc la famille nest pas libre.
(c) Soient a, b, c, d
i
nR tels que av
1
+bv
2
+cv
3
+dv
4
= 0. Ceci quivaut :
_
_
a + 2b +c = 0
2a +b +d = 0
a + 2b +c = 0
2a +b +c = 0
a + 2b +d = 0
<=>
_
_
_
a = b
c = 3b
c = d
Donc (0, 0, 0, 0) nest pas lunique solution du systme, donc la famille
nest pas libre.
(d) On trouve que la famille est libre (ici il faut prendre 3 variables car il y a
trois vecteurs).
Exercice 15
Dans cet exercice on ne connait pas les valeurs des vecteurs (e
1
, e
2
, e
3
, e
4
) mais on sait
quils sont linairement indpendants, cest die que si on a ae
1
+be
2
+ce
3
+de
4
= 0
ceci implique que a = b = c = d = 0.
(a) Une sous famille dune famille libre est libre donc (e
1
, e
2
, e
3
) est libre.
Soient a, b, c, d R tels que ae
1
+2be
2
+ce
3
= 0 . Par ce qui prcde cette
galit quivaut a = 2b = c = 0. Donc la famille est libre.
(b) (e
1
, e
3
) est libre en tant que sous famille dune famille libre.
(c) le deuxime vecteur est evidemment une combinaison linaire des deux
autres donc la famille nest pas libre.
(d) Soient a, b, c R tels que 3ae
1
+ ae
3
+ be
3
+ ce
2
+ ce
3
= 0. cela quivaut
3ae
1
+ ce
2
+ (a + b + c)e
3
= 0. Donc on a a = 0 = c = a + b + c car
la famille (e
1
, e
2
, e
3
) est libre.Cela donne a = b = c = 0. Donc la famille
donne est libre.
(e) Soient a, b, c, d
i
n tels que (2a + b d)e
1
+ (a 3b + d)e
2
+ ce
4
= 0. Ceci
quivaut d = 2a et b = a. (0, 0, 0) nest pas lunique solution du systme
donc la famille nest pas libre.
Chapitre 4
Interlude : le pivot de Gauss
On a vu dans ce chapitre que lindpendance et la dpendance dun systme de
vecteurs revient frquemment dans par exemple la dtermination de base ou le cal-
cul des dimensions... et ces problmes se ramnent ltude de systme linaires
(cf. exercices). Comme annonc dans lintroduction on va dans ce chapitre dvelop-
per un outil appel mthode du pivot ou dlimination de Gauss pour tudier ces
systmes. Les exemples donns dans ce chapitre tiendront lieu dexercices : vous
de jouer.Pour vous entrainer, vous pouvez rsoudre les exercices prcdents avec la
mthode du pivot
1 Etude dun systme par la mthode du pivot
On appelle systme dquations linaires un systme du type :
_
_
a
11
x
1
+... +a
1n
x
n
= b
1
.
.
.
a
p1
x
1
+... +a
pn
x
n
= b
p
Les x
i
sont les inconnues et rsoudre le systme consiste dterminer les x
i
qui
satisfont les quations du systme.
Comme on la vu dans la pratique certaines oprations sont non seulement autorises
mais surtout permettent de rsoudre le systme/
(a) changer lordre des quations ;
35
36 Calcul matriciel
(b) multiplier une quations par une constante lment de K (le corps tels que
a
ij
K)
(c) ajouter une ligne une combinaison linaire des autres lignes.
Illustrons cela par quelques exemples :
Exemple 1 :
L
1
L
2
L
3
_
_
_
2x +y 2z + 3w = 1
3x + 2y z + 2w = 4
3x + 3y + 3z 3w = 5
On voit que les coecients devant x sont tous non nuls. Si on multiplie la premire
ligne par 3 et les suivantes par 2 alors le coecient devant x sera chaque fois 6.
Il sura par exemple de soustraire la nouvelle ligne 1 aux deux autres pour faire
disparaitre dans celles-ci linconnues x. On fait maintenant la mme chose avec les
y dans les deux dernires lignes et on obtient :(faites les tapes ! !)
L
1
L
2
L
3
_
_
_
2x +y 2z + 3w = 1
y + 4z 5w = 5
0 = 8
(Remarque : attention la deuxime tape ne toucher plus la ligne que vous avez
soustraite ! Pourquoi ?...)
Dans cet exemple on trouve 0 = 8 ce qui est videmment faux, on dit alors que le
systme est incompatible ou qu il n a pas de solutions.
Exemple 2 :
L
1
L
2
L
3
_
_
_
x + 2y z = 1
2x + 3y +z = 2
2 4y 6z = 2
Aprs la mme mthode dcrite ci dessus on trouve :
_
_
_
x + 2y z = 1
y + 3z = 0
z = 1
Chapitre 4. Interlude : le pivot de Gauss 37
Et on peut remonter la valeur de z dans dabord lquation 2 puis dans la 1 pour
trouver les valeurs de x et y.
Comme on le voit la mthode consiste choisir une inconnue dans la premire qua-
tion avec un coecient non nul, et liminer cette inconnue dans les quations
suivantes. Puis on renouvelle lopration en oubliant la premire quation. On dit
que lon met le systme sous forme chelonne.
Exercez-vous sur les systmes suivants :
1)
L
1
L
2
L
3
L
4
_
_
x + 2y 3z = 4
x + 3y +z = 11
2x + 5y 4z = 13
4x + 11y = 37
On trouve
_
_
x + 2y 3z = 4
y + 4z = 7
2z = z
0 = 0
donc z = 1 ,y = 3 et x = 1.
2)
L
1
L
2
L
3
_
_
_
x 3y + 4z 2w = 5
x y + 9z w = 7
x 2y + 7z 2w = 9
On trouve :
_
_
_
x 3y + 4z 2w = 5
2y + 5z +w = 2
z w = 6
On voit que lon peut exprimer toutes les solutions pour x,y,z en fonctions de w. Len-
semble des solutions scrit sous la forme :(x, y, z, w) = (6111, 143, 6+, ).
Le systme admet une innit de solutions. On appelle les variables x,y,z les incon-
nues principales et w la variable libre (il peut y en avoir plusieurs).
38 Calcul matriciel
Remarquez que les chelonnements que vous trouvez dpendent de linconnue et de
la premire quation que vous choisissez. Pour bien utiliser la mthode il faut pr-
parer le systme de manire ce que les calculs ne soient pas trop lourds.
2 Systmes homognes
Les systmes homognes sont les systmes de la forme :
_
_
a
11
x
1
+... +a
1n
x
n
= 0
.
.
.
a
p1
x
1
+... +a
pn
x
n
= 0
Ces systme on toujours une solution au moins : x
1
= ... = x
n
= 0.
Lensemble des solutions dunsystme linaire homogne n inconnues et p quations
est un sous espace vectoriel de K
n
. Si le systme sous forme chelonne comporte k
quations lespace des solutions est de dimension n k. En particulier un systme
homogne avec plus dinconnues que dquations admet des solutions non nulles.
Remarque : La dimensions de lespace des solutions gale le nombre de variables
libres qui apparaissent dans le systme sous forme chelonne.
3 Applications
Montrer que les vecteurs v
1
= (1, 2, 3), v
2
= (2, 3, 1) et v
3
= (3, 2, 1)
forment une famille libre
Soient a, b, c R tels que av
1
+bv
2
+cv
3
= 0. On doit montrer qualors a = b = c = 0
(cf. denition de systeme libre). Cela revient rsoudre :
_
_
_
a + 2b + 3c = 0
2a + 3b + 2c = 0
3a b +c = 0
Rsoudre le systme par la mthode. On trouve bien a = b = c = 0.
Dtermination des relations linaires liant une famille de vecteurs
Dterminer les relations liant les vacteurs de R
4
suivants :v
1
= (1, 1, 0, 2),
v
2
= (1, 0, 2, 1), v
3
= (0, 1, 2, 3) et v
4
= (1, 3, 4, 8)
On veut trouver a,b,c,d rels tels que av
1
+ bv
2
+ cv
3
+ dv
4
= 0 cest dire trouver
les solutions du systme :
_
_
a b +d = 0
a +c + 3d = 0
2b + 2c + 4d = 0
2a +b + 3c + 8d = 0
Utilisez la mthode pour trouver :
_
_
a b +d = 0
b +c + 2d = 0
0 = 0
0 = 0
On trouve deux variables libres et deux inconnues principales. Les solutions sont de
la forme : (a, b, c, d) = ( 3, 2, , ). Dou les relations puvent scrire
sous la forme ( 3)v
1
+ ( 2)v
2
+v
3
+v
4
= 0.
On peut choisir = 1 et = 0 (et inversement) et on trouve les quations
v
1
+ v
2
v
3
= 0 et 3v
1
+ 2v
2
v
4
= 0 (toutes les autres quations seront com-
binaisons linaires de celles ci. (Rchissez y bien).
Soit v = (3, 9, 4, 2). Montrer que v vect(v
1
, v
2
, v
3
) o v
1
= (1, 2, 0, 3),
v
2
= (2, 3, 0, 1) et v
3
= (2, 1, 2, 1). Dterminer les composantes de v sur
v
1
, v
2
, v
3
On veut quil existe une solution lquation : av
1
+ bv
2
+ cv
3
= v cest dire une
solution au systme :
_
_
a + 2b + 2c = 3
2a + 3b c = 9
2c = 4
3a b +c = 2
40 Calcul matriciel
(remarquez que cette fois le systme nest pas homogne et quil pourrait ne pas y
avoir de solutions).
On trouve ici a = 1, b = 3 et c = 2. Donc v appartient bien lespace engendr
par les trois vecteurs et on a v = v
1
+ 3v
2
2v
3
.
La famille v
1
= (1, 1, 1), v
2
= (0, 1, 1) et v
3
= (0, 1, 1) gnre-t-elle R
3
?
On doit montrer que tout vecteur de R
3
peut scrire comme combinaison linaire
des trois vecteurs proposs, i.e. que le systme (a, b, c) = ev
1
+ fv
2
+ gv
3
admet au
moins une solution pour tout (a, b, c) R
3
. On doit donc rsoudre le systme suivant
(en fonction de a,b,c) :
_
_
_
e = a
e +f +g = b
e +f g = c
On trouve bien e, f, g en fonction de a, b, c (le faire ! !) do la rponse par larma-
tive.
Trouver une base de E F o E et F sont des sev on renvoit ltudiant
lexercice 12 de la premire feuille.
Equations dun sous espace Il sagit de trouver les quations satisfaites par les
vecteurs dun espace engendrs par des vaecteurs donns.
Dterminer les quations du sous espace F de R
5
engendr par les vec-
teurs v
1
= (1, 3, 2, 2, 3), v
2
= (1, 4, 3, 4, 2), et v
3
= (2, 3, 1, 2, 9).
Un lment de lespace F est de la forme (x
1
, x
2
, x
3
, x
4
, x
5
) et il vrie des quations
du type : ax
1
+ bx
2
+ cx
3
+ dx
4
+ ex
5
= 0. Les vecteurs v
1
, v
2
et v
3
vrient en
particulier ces quations, donc on trouve le systme :
_
_
_
a + 3b 2c + 2d + 3e = 0
a + 4b 3c + 4d + 2e = 0
2a + 3b c 2d + 9e = 0
<On chelonne le systme et on trouve deux inconnues principales et trois variables
libres. On trouve donc trois quations qui engendreront lensemble des quations
vries par les vecteurs de f :
_
_
_
x
1
+x
2
+x
3
= 0
4x
1
2x
2
+x
4
= 0
6x
1
+x
2
+x
5
= 0
Chapitre 5
Calcul matriciel
Dans ce chapitre on dveloppe loutil fondamental de ce cours. Sa signication ap-
paraitra dans le chapitre suivant. Pour linstant on va chercher sapproprier cet
objet appel matrice, i.e. on le dnit ainsi que les oprations que lon sautorise
dessus.
1 Les matrices
1.1 Dnitions
Dfinition 12. Une matrice est un tableau rectangulaire de nombres dans un corps
K(= R ou C) m lignes et n colonnes. On note cet ensemble M
m,n
(K). Un lment
de cet ensemble scrit :
A =
_
_
a
11
. . . a
1n
.
.
.
a
m1
. . . a
mn
_
_
= (a
ij
)
1im
1jn
o a
ij
K
Si m = n on dit que A est une matrice carre et on note M
n,n
(K) = M
n
(K).
Dfinition 13. On appelle matrice identit I
n
la matrice carre de n lignes et n
colonnes suivante :
43
44 Calcul matriciel
I
n
=
_
_
1 0 . . . 0
0 1 0 . . 0
.
.
.
0 . . . 0 1
_
_
1.2 Oprations sur les matrices
On munit lensemble des matrices M
m,n
(K) des oprations suivantes :
laddition :
+ : M
m,n
M
m,n
M
m,n
(a
ij
), (b
ij
) (a
ii
+b
ij
)
la multiplication par un saclaire :
. : K M
m,n
M
m,n
, (b
ij
) (b
ij
)
Ces oprations font de (M
m,n
, +, .) un espace vectoriel, de dimension mn.
Transposition des matrices
Dfinition 14. Soit A M
m,p
(K). La transpose de A, note
t
A, est un lment
de M
p,m
(K) telle que a
ij
= a
ji
.
Exemple
A =
_
1 2 3
4 5 6
_
Alors
t
A =
_
_
1 4
2 5
3 6
_
_
Conjugaison hermitienne
Rappel : Soit z = a +ib C. Alors z = a ib est le conjugu de z.
Chapitre 5. Calcul matriciel 45
Dfinition 15. Soit M M
m,n
(C). On appelle conjugaison hermitienne de M la
matrice
t
M telle que a
ij
= a
ji
.
Trace dune matrice carre
n
(K) une matrice carre.
Sa trace, note Tr(A), est la somme de ses coecients diagonnaux.
Exemple
A =
_
_
1 2 3
4 5 6
1 1 1
_
_
alors Tr(A) = 1 + 5 + 1 = 7.
1.3 Matrice lignes , Matrices colonnes
Soit M M
m,n
(K).
Si m = 1 M est appele matrice ligne.
Si n = 1 M est appele matrice colonne.
2 Produit de matrices
En plus de laddition et de la multiplication par un scalaire, on peut dnir le produit
de deux matrices, mais quentre matrices dun certain type.
Dfinition 17. On appelle produit de matrice lapplication :
. : M
m,n
M
n,p
M
m,p
(a
ij
), (b
mk
) (c
ik
)
o c
ik
= ai1b
ik
+... +a
in
b
nk
.
Proposition 5.1. Le produit de matrice est associatif, i.e. (A.B).C = A.(B.C)
Le produit de matrice est distributif (par rapport +), i.e. A.(B+C) = A.B+A.C.
46 Calcul matriciel
Remarques :
(a) Le produit nest pas commutatif, i.e. A.B = B.A. (par exemple si A na
pas le mme nombre de colonnes que B a de lignes)
(b) A.B = A.C nimplique pas que B = C, mme si A = 0. (Exercice : contre
exemple ?)
(c) On peut avoir A.B = 0 sans que A ou B soit nulle.
Exemples :
(a) Pour les matrices carres, le produit des matrices est une loi interne :
M
n
M
n
M
n
. Llment neutre est la matrice identit de taille n.
(b) Produit de matrice-vecteur
Soit A M
m,p
(K) et
v =
_
_
v
1
.
.
.
v
p
_
_
M
p,1
Alors A.v est deni et gale :
v =
_
_
a
11
v
1
+... +a
1p
v
p
.
.
.
a
m1
v
1
+... +a
mp
v
p
_
_
M
m,1
n
(K) une matrice care de taille n. On dit que A est
inversible si il existe une matrice B M
n
(K) telle que A.B = I
n
Proposition 5.2. (a)
t
(AB) =
t
B
t
A
(
t
A)
1
=
t
(A
1
)
3 Matrices particulires
Dans cette section, on va dnir dirents sous ensembles des matrices carres A
M
n
(K).
Chapitre 5. Calcul matriciel 47
(b) (a) Matrices symtriques et antisymtriques .
Dfinition 19. A est dite symtrique (resp. antisymtrique) si
t
A =
A(resp.(
t
A = A).
(b) Matrices hermitiennes et antihermitiennes.
Dfinition 20. A M
n
(C) est dite hermitienne (resp. antihermitienne)
si
t
A = A (resp.
t
A = A).
(En particulier les matrices relles symtriques sont hermitiennes.)
(c) Matrices normales.
Dfinition 21. A M
n
(C) est dite normale si
t
AA = A
t
A.
(d) Matrices idempotente.
Dfinition 22. A est idempotente si A
2
= A.
(e) Matrices nilpotente.
Dfinition 23. A est dite nilpotente si il existe m N tel que A
m
= I
n
.
(f) Matrices Orthogonale.
Dfinition 24. A M
n
(R) est dite orthogonale si
t
AA = I
n
.
(g) Matrices unitaire.
Dfinition 25. A M
n
(C) est dite unitaire si
t
AA = I
n
.
Chapitre 6
Feuille Td 2
On munit lespace des matrices des lois usuelles qui en font un ev.
Exercice 1
Dans lensemble M
2,3
(C) des matrices deux lignes et 3 colonnes coecients com-
plexes rsoudre :
_
1 i 1 i
2 i i
_
X =
_
0 1 +i i
1 1 i i 1
_
Exercice 2
Dterminer dans M
2
(C) les matrices X et Y vriant :
X +Y =
_
1 i
1 i
_
et
X Y =
_
1 i
1 i
_
Exercice 3
Dterminer dans M
2,3
(C) les matrices X, Y et Z telles que :
49
50 Calcul matriciel
_
_
iX +Y iZ =
_
4i i 1 i
0 1 1 + 2i
_
X Y +iZ =
_
1 5i 2 i
0 1 i
_
X +Y + 2Z =
_
7 1 2i 4 +i
0 2i 1 2i
_
Exercice 4
Calculer les produits suivants lorsque cela est possible :
(a)
_
1 i
i 0
__
1 i 0
i 1 2
_
(b)
_
0 0 0
0 0 0
__
0 0 0
0 0 0
_
(c)
_
1 1 1
_
_
_
1
1
1
_
_
(d)
_
_
1
1
1
_
_
_
1 1 1
_
(e)
_
1 i 0
i 1 2
_
_
_
1 i
i 1
0 2
_
_
(f)
_
_
1 i
i 1
0 2
_
_
_
1 i 0
i 1 2
_
Exercice 5
Calculer
_
_
1 2 1
2 1 2
1 2 3
_
_
_
_
1 0
0 1
0 0
_
_
_
_
2 1 2
1 2 3
1 2 1
_
_
_
_
1 0
0 0
0 1
_
_
Exercice 6
On considre les matrices
T =
_
_
0 0 1
0 1 0
1 0 0
_
_
et
A =
_
_
1 2 1
2 3 3
1 4 1
_
_
(a) Calculer TA et AT. Si X M
3
(R), comment obtient on TX et XT
partir de X? Calculer T
2
(b) pour
E =
_
_
1 0 0
2 1 0
0 0 1
_
_
Calculer EA et AE.omment obtient on EX et XE partir de X?
En dduire lexistence dune seule matrice E
1
M
3
(R) vriant EE
1
=
I
3
= E
1
E.
Exercice 7
Soit A la matrice
_
_
1 0 2
0 1 1
1 2 0
_
_
Calculer A
3
et vrier que A
3
A 4I = 0.
En dduire que A est inversible.
52 Calcul matriciel
Exercice 8
Soit
A =
_
_
1 1 0
0 1 1
0 0 1
_
_
et soit B = A I
3
.
(a) Calculer B
2
, B
3
en dduire une formule de rcurrence que lon dmontrera
pour B
n
, pour tout entier n.
(b) Dvelopper (B +I
3
)
n
par la formule du binme et simplier.
(c) En dduire A
n
Pour tout entier n.
Exercice 9
Soit
A =
_
_
2 1 1
1 4 1
4 9 1
_
_
(a) On note K
A
lensemble des vecteurs
X =
_
_
x
y
z
_
_
de R
3
vriant
AX =
_
_
0
0
0
_
_
Montre que K
A
est un sev de Rr
3
et dterminer une base de K
A
.
(b) On pose
C
1
= A
_
_
1
0
0
_
_
,
C
2
= A
_
_
0
1
0
_
_
et
C
3
= A
_
_
0
0
1
_
_
.
Le systme (C
1
, C
2
, C
3
) est-il libre dans R
3
?
Dterminer une base du sev appel Im(A) engendr par (C
1
, C
2
, C
3
).
(c) Dterminer lespace vectoriel engendr par K
A
Im(A). Que peut-on dire
de K
A
Im(A) ?
Exercice 10 : Rang dune matrice
Dfinition 26. On appelle rang dune matrice la dimension de lespace vectoriel
engendr par ses vecteurs colonnes.
(a) Calculer le rang des matrices
A =
_
_
1 1 3 5 1
2 0 1 3 1
3 1 2 8 2
_
_
et B =
_
_
_
_
_
_
1 2 3
1 0 1
3 1 2
5 3 8
1 1 2
_
_
_
_
_
_
Que remarque-t-on?
(b) Calculer le rang des matrices suivantes.
A
1
=
_
_
_
_
_
_
1 1 2 1 1
2 1 1 1 1
1 1 1 2 1
2 1 1 1 1
1 1 1 1 2
_
_
_
_
_
_
, A
2
=
_
_
_
_
_
_
1 0 0 0 1
1 1 0 0 0
1 0 1 0 0
1 0 0 1 0
1 0 0 0 1
_
_
_
_
_
_
A
3
=
_
_
_
_
_
_
1 1 1 1 3
0 2 1 1 2
1 1 1 2 2
2 1 1 1 3
1 1 1 1 0
_
_
_
_
_
_
, A
4
=
_
_
_
_
_
_
1 1 1 1 2
0 2 1 1 2
1 1 1 2 2
2 1 1 1 3
1 1 1 1 0
_
_
_
_
_
_
Chapitre 7
Exercice 1
Le systme
_
1 i 1 i
2 i i
_
X =
_
0 1 +i i
1 1 i i 1
_
quivaut
X =
_
1 i 1 i
2 i i
_
_
0 1 +i i
1 1 i i 1
_
=
_
1 1 1
1 2 +i 1
_
(On soustrait les coecients des matrices termes termes).
Exercice 2
Comme pour un systme classique, on additionne les deux galits (Alors linconnue
Y disparaitra). On obtient :
2X =
_
2 0
0 2i
_
Cest dire :
X =
_
0 0
0 i
_
55
56 Calcul matriciel
On trouve Y en remplaant la valeur de X dans une des deux quations :
Y =
_
0 i
1 0
_
Exercice 3
On rsout :
_
_
X Y +iZ =
_
1 5i 2 i
0 1 i
_
X +Y + 2Z =
_
7 1 2i 4 +i
0 2i 1 2i
_
iX +Y iZ =
_
4i i 1 i
0 1 1 + 2i
_
Ce systme quivaut
_
_
X Y +iZ =
_
1 5i 2 i
0 1 i
_
2Y + (2 i)Z =
_
8 + 5i 1 2i 4
0 2i + 1 1 i
_
(1 i)Y + (i + 1)Z =
_
5i 5 i 1 i + 1
0 1 +i 2i
_
ce qui quivaut
_
_
X Y +iZ =
_
1 5i 2 i
0 1 i
_
2Y + (2 i)Z =
_
8 + 5i 1 2i 4
0 2i + 1 1 i
_
1
2
(3 +i)Z =
_
1
2
(13 3i)
1
2
(3 i) 2(1 i)
0 1 i + 1
_
Maintenant quon a Z on remonte sa valeur dans les quations prcdentes pour
avoir X et Y .
Exercice 4
On applique quand cest possible la formule du cours : 1)
_
1 i
i 0
__
1 i 0
i 1 2
_
=
_
1 +i i i 1 + (1)i 1 0 +i 2
i 1 + 0 i i i + 0 (1) i 0 + 0 2
_
=
_
0 0 2i
i 1 0
_
2) On ne peut faire le produit de deux matrices 2 3 (il faut que la premire ait le
mme nombre de colonnes que la seconde a de lignes).
3)
_
1 1 1
_
_
_
1
1
1
_
_
= (1 + 1 + 1) = (3) M
1
4)
_
_
1
1
1
_
_
_
1 1 1
_
=
_
_
1 1 1
1 1 1
1 1 1
_
_
5)
_
1 i 0
i 1 2
_
_
_
1 i
i 1
0 2
_
_
=
_
0 0
0 4
_
6)
_
_
1 i
i 1
0 2
_
_
_
1 i 0
i 1 2
_
=
_
_
0 0 2i
0 0 2
2i 2 4
_
_
Exercice 5
_
_
1 2 1
2 1 2
1 2 3
_
_
_
_
1 0
0 1
0 0
_
_
_
_
2 1 2
1 2 3
1 2 1
_
_
_
_
1 0
0 0
0 1
_
_
=
_
_
1 2
2 1
1 2
_
_
_
_
2 2
1 3
1 1
_
_
=
_
_
1 0
1 2
0 1
_
_
Exercice 6
1)On obtient des matrices 3 3 :
TA =
_
_
1 4 1
2 3 3
1 2 1
_
_
58 Calcul matriciel
et
AT =
_
_
1 2 1
3 3 2
1 4 1
_
_
Soit
X =
_
_
a b c
e f g
h i j
_
_
Alors
TX =
_
_
h i j
e f g
a b c
_
_
et
XT =
_
_
c b a
g f e
j i h
_
_
Et donc T
2
=
_
_
1 0 0
0 1 0
0 0 1
_
_
2)
EA =
_
_
1 2 1
4 7 5
1 4 1
_
_
AE =
_
_
3 2 1
1 3 3
9 4 1
_
_
Soit
X =
_
_
a b c
e f g
h i j
_
_
Alors
EX = (Id
3
+
_
_
0 0 0
2 0 0
0 0 0
_
_
)X = X+
_
_
0 0 0
2 0 0
0 0 0
_
_
X =
_
_
a b c
e + 2a f + 2b g + 2c
h i j
_
_
et
XE = X(Id
3
+
_
_
0 0 0
2 0 0
0 0 0
_
_
) = X +X
_
_
0 0 0
2 0 0
0 0 0
_
_
=
_
_
a + 2b b c
e + 2f f g
h + 2i i j
_
_
On a deux choix pour montrer que E est inversible :
solution 1 On rsout XE = Id et on trouve
_
_
1 0 0
2 1 0
0 0 1
_
_
et on vrie que cela donne bien EX = Id. solution 2 On utilise la relation trouve
pour multiplier par E :
on a
E = I
3
+
_
_
0 0 0
2 0 0
0 0 0
_
_
et
E
2
= E +
_
_
0 0 0
2 0 0
0 0 0
_
_
E
On additionne et on obtient :
E
2
_
_
0 0 0
2 0 0
0 0 0
_
_
(I
3
+E) = I
3
<=>
E
2
_
_
0 0 0
2 0 0
0 0 0
_
_
(2E
_
_
0 0 0
2 0 0
0 0 0
_
_
) = I
3
Or
_
_
0 0 0
2 0 0
0 0 0
_
_
2
= 0
3
Do
E
2
2
_
_
0 0 0
2 0 0
0 0 0
_
_
E = E(E 2
_
_
0 0 0
2 0 0
0 0 0
_
_
) = I
3
60 Calcul matriciel
cest dire que E est inversible et dinverse :
_
_
1 0 0
2 1 0
0 0 1
_
_
Exercice 7
A =
_
_
1 0 2
0 1 1
1 2 0
_
_
donc
A
2
=
_
_
3 4 2
1 1 1
1 2 0
_
_
et
A
3
=
_
_
5 0 2
0 3 1
1 2 4
_
_
Alors on obtient :
A
3
A 4I =
_
_
5 0 2
0 3 1
1 2 4
_
_
_
_
1 0 2
0 1 1
1 2 0
_
_
_
_
4 0 0
0 4 0
0 0 4
_
_
=
_
_
0 0 0
0 0 0
0 0 0
_
_
Alors en rcrivant lquation prcdente on a A(A
2
Id
3
) = 4Id
3
cest dire
A((
1
4
)(A
2
Id
3
)) = Id
3
. Donc A est inversible, son inverse tant : A
1
= (
1
4
)(A
2
Id
3
).
Exercice 8
(a) On trouve
B
2
=
_
_
0 0 1
0 0 0
0 0 0
_
_
et
B
3
=
_
_
0 0 0
0 0 0
0 0 0
_
_
Pour tout n 3 B
n
= 0.
(b) (B +I
3
)
n
=
k=n
k=0
C
k
n
B
k
I
nk
3
, o C
k
n
sont les coecients binomiaux.
Or pour tout n 3 B
n
= 0, donc on garde dans la somme les trois pre-
miers lments :
(B +I
3
)
n
= I
3
+nB +n(n 1)B
2
= A
n
=
_
_
1 n n(n 1)
0 1 n
0 0 1
_
_
Exercice 9
A =
_
_
2 1 1
1 4 1
4 9 1
_
_
i. K
A
est non vide, en eet le vecteur nul lui appartient.
Soient X et Y dans K
A
. Alors X + Y K
A
:en eet A(X + Y ) =
AX +AY = 0 + 0 = 0 (cest un abus de notation , ici
0 =
_
_
0
0
0
_
_
)
Soit R et X K
A
. Alors A(X) = (AX) = 0. (Par dnition
K
A
est dans R
3
.) K
A
est un sev de R
3
.
Soit
X =
_
_
x
y
z
_
_
dans K
A
. Alors
AX =
_
_
2 1 1
1 4 1
4 9 1
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
62 Calcul matriciel
Pour trouver une base de K
A
, on doit donc rsoudre le systme sui-
vant :
_
_
_
2x +y +z = 0
x + 4y z = 0
4x + 9y z = 0
<=>
_
_
_
x + 4y z = 0
7y + 3z = 0
7y + 3z = 0
Donc on trouve une innit de solutions qui scrivent toutes de la
forme : (x, y, z) = (
5
7
,
3
7
, ) = (
5
7
,
3
7
, 1) avec R. Cela qui-
vaut dire que le vecteur (
5
7
,
3
7
, 1) engendre K
A
.
ii. On a
C
1
=
_
_
2
1
4
_
_
, C
2
=
_
_
1
4
9
_
_
et C
3
=
_
_
1
1
1
_
_
C
1
, C
2
, C
3
libre ? Soient x, y, z R tels que xC
1
+yC
2
+zC
3
= 0 (1).
Rappel : la famille est libre ssi ((1) => x = y = z = 0)
Cela revient rsoudre le systme :
_
_
_
2x +y +z = 0
x + 4y z = 0
4x + 9y z = 0
On vient de voir que ce systme a des solutions non nulles : la famille
nest pas libre.
(On verra plus tard que lon pouvait conclure directement : en ef-
fet on a dimR
3
= dimK
A
+ dim(Im(A)) et ici dimK
A
= 1 donc
dim(Im(A)) = 2.)
Grace la rsolution du systme prcdent on a : C
3
=
1
7
(5C
1
3C
2
).
De plus on a C
1
, C
2
libre donc forme une base de Im(A).
iii. Lespace vectoriel engendr par K
A
Im
A
est lespace somme : K
A
+
Im
A
.De plus si B
K
et B
Im
sont les bases respectives de K
A
et Im
A
,
Alors B
K
B
Im
engendre la somme. Pour avoir une base il faut ex-
traire de la famille prcdente la plus grande famille libre. Dans cet
exercice, on montre que les vecteurs formant les deux bases sont libres
et donc que dim(K
A
+Im
A
) = 3 et K
A
+Im
A
= R
3
.
Pour lintersection on la calcule avec le pivot de Gauss :
Soit x K
A
Im
A
. Alors x = (5, 3, 7) =
1
C
1
+
2
C
2
. On rsout :
(5, 3, 7)
1
C
1
2
C
2
= 0 (remarque on retrouve le mme systme
que prcdemment donc on a =
1
=
2
= 0.i.e. K
A
= (0, 0, 0).
Exercice 10
1) Cet exercice est une illustration de rgA = rg
t
A.
Soient v
1
, ..., v
5
les vecteurs colonnes de la matrice A. On va dter-
miner le nombre dquations qui lient les vecteurs (cest le nombre
de variables libres dans le systme chelonn de Gauss, cf. Pivot de
Gauss).
Soient a, b, c, d, e, R tels que av
1
+ bv
2
+ cv
3
+ dv
4
+ ev
5
= 0. Cela
quivaut :
_
_
_
a b + 3c + 5d +e = 0
2a c + 3d +e
3a b + 2c + 8d + 2e = 0
<=> au systme chelonn suivant
_
a b + 3c + 5d +e = 0
2b 7c 7d e = 0
Il y a deux quations liant les 5 variables donc le systme a 3 variables
libres. On a donc 3 quations indpendantes qui lient 5 vecteurs : les-
pace vectoriel engendr par ces vecteurs et de dimension 2, donc la
matrice est de rang 2.
Remarque : pour trouver les quations liant les vecteurs on trouve
dabord les gnrateurs de lespace S des solutions du systme che-
lonn. Ici il faut dcider des valeurs de c, d, e pour avoir toutes les solu-
tions donc un systme gnrateur pour S est ((1, 7, 1, 0, 0), (3, 7, 0, 2, 0), (1, 1, 0, 0, 2))
(on crit a, b en fonctions des autres variables). Alors les quations liant
les vecteurs sont :
v
1
+ 7v
2
+v
3
= 0
64 Calcul matriciel
3v
1
+ 7v
2
+ 2v
4
= 0
v
1
+v
2
+ 2v
5
= 0
.
Attention : lespace S et lespace vect(v
1
, ..., v
5
) sont deux chose
direntes !
Par la mme mthode on montre que rgB = 2 (et on a
t
A = B).
2) Pour calculer le rang dune matrice, il existe une mthode de Gauss
pour les matrices. Elle consiste mettre des 0 dans la matrice en se
servant dun pivot. On va en voir un exemple avec la premire matrice.
Les ches entre les matrices indiquent que lon applique la mthode
et nest en aucun cas un galit entre les matrices.
A
1
=
_
_
_
_
_
_
1 1 2 1 1
2 1 1 1 1
1 1 1 2 1
2 1 1 1 1
1 1 1 1 2
_
_
_
_
_
_
_
_
_
_
_
_
1 1 2 1 1
0 1 3 1 1
0 0 1 1 0
0 1 3 1 1
0 0 1 0 1
_
_
_
_
_
_
On a soustrait la premire ligne aux 4 autres (avec un coecient 2
pour les 2ieme te 4ieme lignes). Maintenant on garde les deux pre-
mires lignes et on applique la mme mthode pour chelonner la
matrice :
_
_
_
_
_
_
1 1 2 1 1
0 1 3 1 1
0 0 1 1 0
0 0 0 0 0
0 0 1 0 1
_
_
_
_
_
_
_
_
_
_
_
_
1 1 2 1 1
0 1 3 1 1
0 0 1 1 0
0 0 0 1 1
0 0 0 0 0
_
_
_
_
_
_
La matrice est chelonne et a 4 lignes indpendantes donc rgA
1
= 4.
De mme on trouve rgA
4
= rgA
3
= 5 et rgA
2
= 4 (sous rserve d
erreurs de calculs). Vous pouvez retrouver ces rsultats en utilisant la
mthode de 1) (cest un bon entrainement pour rsoudre des systmes).
Chapitre 8
Applications linaires :
premire partie
Maintenant que lon a nomm les ensembles sur lequels on veut tra-
vailler, i.e. les espaces vectoriels, on veut dnir les applications entre
ces ensembles et qui conservent la structure de ceux-ci. De telles ap-
plications sappellent applications linaires.
1 Dnition et propits gnrales
1.1 Dnition
Dfinition 27. Soient E et F deux ev sur un mme corps K et u :
E F une application. On dit que f est linaire si :
A. u(v +w) = u(v) +u(w) pour tout v, w E.
B. u(v) = u(v) pour tout v E et K.
Lensemble des applications linaires de E dans F est not L(E, F).
Consquences :
A. u(0
E
) = 0
F
.
B. u(x) = u(x)
Dmonstration. On a u(0
E
) = u(0
E
+ 0
E
) = u(0
E
) + u(0
E
) donc
u(0
E
) = 0
F
.
65
66 Calcul matriciel
De mme u(x) = u(0 x) = u(x+xx) = u(x) +u(x) +u(x)
et donc u(x) = u(x).
Exemples :
A.
u : R[X] R[X]
P P
lapplication drive.En eet soient P, Q R[X] et R. Alors

u(P +Q) = (P +Q)
= P
+Q
= u(P) +u(Q) et u(P) = (P)
=
P
= u(P).
B.
u : C
1
(R, R) R
f f(0)
C.
u : E
1
E
2
E
1
(x, y) x
la projection sur le premier facteur.
Dfinition 28.A. On appelle endomorphisme de E un application
linaire de E dans E. Lensemble des endomorphismes est not
End(E).
B. On appelle isomorphisme de E dans F une application linaire de E
dans F qui est une bijection.
C. Soit E un K-ev. On appelle forme linaire une application f : E
K.
Rappels : Une application bijective est un application la fois in-
jective et surjective. u est injective ssi (si x, y E sont tels que
u(x) = u(y) alors x=y) et u surjective quivaut pour tout y F
il existe x E tel que y = u(x)
Chapitre 8. Applications linaires : premire partie 67
2 Comportement des applications linaires
par rapport un sev
Proposition 8.1. Soient E et F deux espaces vectoriels sur un mme
corps K. Soit u : E F une application linaire. Soient E un sev de
E et Fun sev de F.
Alors u(E
) est un sev de F et u
1
(F
) = {x E : u(x) F
} est un
sev de E.
Dfinition 29. On appelle u(E) limage de u et on la note Im(u).
Sa dimension est appel rang de u et est not dim(Im(u)) = rg(u).
Le sev u
1
({0}) = {x E : u(x) = 0} est appel noyau de u et est
not Ker(u) (de kernel)
(Remarque : on ne suppose pas u inversible, la dnition de u
1
(F
)
est ensembliste.)
Dmonstration.A. u(E
) = car u(0) = 0 et 0 E
.
Soit y
0
, y
2
u(E
) et , K. Alors (par dnition) il existe

x
1
, x
2
E
tels que y
1
= u(x
1
) et y
2
= u(x
2
).
y
1
+y
2
= u(x
1
) +u(x
2
) = u(x
1
+x
2
) u(E
)
B. u(0) = 0 et 0 F
donc 0 u
1
(F
).
Soient y
1
, y
2
u
1
(F
) et , K.
Alors u(y
1
+y
2
) = u(y
1
) +u(y
2
) F
Proposition 8.2. Soit u : E F un application linaire.Alors

A. u est injective ssi Ker(u) = {0}.
B. u est surjective ssi Im(u) = F.
Dmonstration.A. =>)Supposons u injective.
Soit x ker(u) (on veut montrer que x = 0). Par dnition on a
u(x) = 0 = u(0) et u est injective donc x = 0.
<=)On suppose que ker(u) = 0. Soient x, y E tels que u(x) =
u(y). Alors, comme u est linaire, on a u(x y) = o, cest--dire
x y ker(u). Donc par hypothse x = y.
B. u surjective <=> pour tout y F il existe x E tel que y = u(x).
Ceci quivaut ce que u(E) = F, i.e. Im(u) = F.
68 Calcul matriciel
Exemples :
A. Soit
D : R[X] R[X]
P P
lapplication drive.
Alors Ker(D) = {P R[X] : P = a R} lensemble des fonc-
tions constantes car seules les constantes ont des drives nulles et
Im(u) = R[X] car tout polynome a une primitive polynomiale, donc
tout lment de lespace driv a au moins un antcdant.
B.
u : C
1
(R, R) R
f f(0)
Alors Ker(u) = {f : R R : f(0) = 0} et Im(u) = R.
C.
f : R
3
R
3
(x, y, z) (x
, y
, z
) =
_
_
_
x
= x +y z
y
= 2x +y 3z
z
= 3x + 2y 4z
Alors Ker(f) = {(x, y, z) R
3
:
_
_
_
0 = x +y z
0 = 2x +y 3z
0 = 3x + 2y 4z
}
On trouve que {x = 2, y = , z = } donne lensemble des
solutions, i.e. Ker(f) = {(x, y, z) : x = 2, y = , z = } =
{(2, , tel que R} = vect(2, 1, 1).
Quelle est limage de f ?
(x
, y
, z
) Im(f) <=> il existe (x, y, z) R

3
tq
_
_
_
x
= x +y z
y
= 2x +y 3z
z
= 3x + 2y 4z
<=> il existe (x, y, z) R
3
tq
_
_
_
x
= x +y z
y
2x
= y z
z
3x
= y z
<=> il existe (x, y, z) R
3
tq
_
_
_
x
= x +y z
y
+ 2x
= y +z
z
= 0
3 Comportement des applications linaires
par rapport aux dimensions
Proposition 8.3. Soit u : E F linaire (E et F K-ev de dimension
nie).
A. u injective implique dimF dimE
u injective et dimE = dimF implique u bijective.
B. u surjective implique dimE dimF.
u surjective et dimE = dimF implique u bijective.
En dautres termes :Soit {v
i
}
i
une famille de vecteurs de E.
A. u injective et {v
i
}
i
libre implique {f(v
i
)}
i
libre dans F.
B. u surjective et {v
i
}
i
gnratrice implique {f(v
i
)}
i
gnratrice de F.
Dmonstration. (1) On suppose u injective. Soit n = dimE et {e
1
, ..., e
n
}
une base. On montre que {u(e
1
), ..., u(e
n
)} est libre dans F.
Soient
1
, ...,
n
K tels que
1
u(e
1
) +... +
n
u(e
n
) = 0.
Alors u(
1
(e
1
) +... +
n
(e
n
)) = 0 car u est linaire.
Donc
1
(e
1
) +... +
n
(e
n
) = 0 car u est injective.
Et nallement
1
= ... =
n
= 0 car {e
1
, ..., e
n
} est une base.
70 Calcul matriciel
Do n = dimE dimF.
On suppose u injective et dimE = dimF = n. On vient de montrer
que {u(e
1
), ..., u(e
n
)} est libre dans F, et comme elle a n lments
cest une base de F. Or {u(e
1
), ..., u(e
n
)} Im(u) par dnition donc
F = vect(u(e
1
), ..., u(e
n
)) Im(u) F. Lapplication u est donc
surjective, et par suite bijective. (2) exercice
Thorme 8.4. Thorme du rang
Soit u : E F linaire , E et F deux K-ev de dimension nie.
Alors dimE = dim(Ker(u)) +rg(u).
Dmonstration. Si u est bijective alors Ker(u) = 0 et dim(E) =
dim(Im(u)) = dimF = rg(u).
u non bijective. On veut se ramener au cas prcdent.
Ker(u) E est un sev de E. Il existe E sev de E tel que E =
E
Ker(u).
Soit
v : E
Im(u)
x u(x)
la restriction de u E.
Proposition 8.5. Lapplication v est bijective.
Dmonstration. v est surjective : Soit y Im(u). Il existe z E tel
que u(z) = y. Or E = E
Ker(u) donc il existe z

1
E
, z
2
Ker(u)
tel que z = z
1
+z
2
. Et on a u(z) = u(z
1
) +u(z
2
) = u(z
1
) = y. Donc y
est bien limage dun lment z
1
de E.
v est injective : v et linaire donc il faut montrer que Ker(v) = {0}.Soit
x Ker(v) cest--dire v(x) = 0 = u(x). Donc en fait x Ker(v). Or
Ker(u) E
= {0} donc x = 0.
Alors on a dimE
= rg(u) et donc dimE = dimE
+ dimKer(u) =
rg(u) +dimKer(u).
4 Opration sur les applications linaires
Addition : u, v L(E, F) alors u +v L(E, F) .
Multiplication par un scalaire : soit K, alors u L(E, F)
L(E, F) muni des lois prcdentes est un espace vectoriel.
On peut dnir une opration supplmentaire sur les applications li-
naires :
Composition : soient u L(E, F) et v L(F, G) alors vou
L(E, G). Cest un loi interne sur End(E).
Question : a ne vous rappelle rien ?...
5 Applications linaires et matrices
Soient E et F deux K-ev de dimension respective n et p. Soit f : E F
une application linaire. Soient {e
1
, ..., e
n
} et {f
1
, ..., f
p
} des bases de
E et F.
On crit les images des lments de la base de E dans la base de F :
f(e
1
) = a
11
f
1
+... +a
p1
f
p
f(e
2
) = a
12
f
1
+... +a
p2
f
p
.
.
.
f(e
n
) = a
1n
f
1
+... +a
pn
f
p
Dfinition 30. On appelle matrice de f dans les bases {e
1
, ..., e
n
}
et {f
1
, ..., f
p
} la matrice note M(f)
e
i
f
j
M
p,n
(K) dont les colonnes
sont les composantes des vecteurs f(e
1
), ..., f(e
n
) :
M(f)
e
i
f
j
=
_
_
a
11
. . . a
1n
.
.
.
a
p1
. . . a
pn
_
_
= (a
ij
)
1im
1jn
La matrice associe f dpend des bases de E et F. Quand f : E E
, on peut choisir la mme base.
72 Calcul matriciel
Proposition 8.6. Soient E et F deux K-ev de dimension nie n et p,
{e
1
, ..., e
n
} et {f
1
, ..., f
p
} des bases. Alors lapplication M : L(E, F)
M
p,n
qui une application associe sa matrice dans une base donne
est un isomorphisme despace vectoriel, i.e. M(f +g) = M(f) +M(g)
, M(f) = M(f) et M est bijective.
En particulier dimL(E, F) = np = dimM
p,n
.
Exemples :
A. E = R
2
, f la projection sur la premire bissectrice paralllement
la seconde bissectrice ; {e
1
, e
2
} tant la base canonique on a f(e
1
) =
f(e
2
) =
1
2
(e
1
+e
2
) = g donc
M(f)
e
i
,e
i
=
1
2
_
1 1
1 1
_
B. Soit f : R
2
R
2
symtrie par rapport laxe des abcisses, parall-
lement laxe des ordonnes.
Alors f(e
1
) = e
1
et f(e
2
) = e
2
donc :
M(f)
e
i
,e
i
=
_
1 0
0 1
_
C. Soit f : R
2
R
2
rotation de centre 0 et dangle .(cf gure suivante)
Fig. 2 rotation dangle
Alors f(e
1
) = cos()e
1
+sin()e
2
etf(e
2
) = sin()e
1
+cos()e
2
.Donc
la matrice dans la base canonique est :
M(f)
e
i
,e
i
=
_
cos() sin()
sin() cos()
_
D. Soit f : E K une forme linaire, i.e. f(e
i
) K . Alors M(f) =
(f(e
1
), ..., f(e
n
)) M
1,n
.
74 Calcul matriciel
5.1 Image dun vecteur
Les vecteurs sont reprsents par les matrices colonnes.
Dfinition 31. Soit E un espace vectoriel de dimension n, {e
1
, ..., e
n
}
une base de E et x = x
1
e
1
+... +x
n
e
n
. On appelle matrice de x dans
la base {e
1
, ..., e
n
} la matrice colonne des composantes de x dans la
base {e
1
, ..., e
n
} :
M(x)
e
i
=
_
_
_
x
1
.
.
.
x
n
_
_
_
Remarque : cela correspond la matrice de
f : K E
x
Proposition 8.7. Soient E et F deux ev, {e
1
, ..., e
n
} et {f
1
, ..., f
p
} des
bases de E et F.
Pour tout f L(E, F) et pour tout x E on a M(f(x))
f
i
=
M(f)
e
i
f
i
M(x)
e
i
.
Dmonstration. Soit
M(f)
e
i
f
j
=
_
_
_
_
_
_
a
11
. . . a
1n
.
.
.
a
p1
. . . a
pn
_
_
_
_
_
_
cest dire f(e
i
) = a
1i
f
1
+... +a
pi
f
p
=
p
j=1
a
ji
f
j
On a f(x) = f(x
1
e
1
+...+x
n
e
n
) =
n
k=1
x
k
f(e
k
) =
n
k=1
x
k
p
j=1
a
jk
f
j
=
p
j=1
n
k=1
(x
k
a
jk
)f
j
=
p
j=1
y
j
f
j
.
Donc
M(f(x))
f
j
=
_
_
_
y
1
.
.
.
y
p
_
_
_
avec y
j
=
n
k=1
(x
k
a
jk
).
Dautre part
M(f)
e
i
f
j
M(x)
e
i
=
_
_
_
_
_
_
a
11
. . . a
1n
.
.
.
a
p1
. . . a
pn
_
_
_
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_
=
_
_
_
y
1
.
.
.
y
p
_
_
_
Proposition 8.8. La matrice associe la composition de deux ap-
plications est le produit des matrices correspondantes : M(fog) =
M(f)M(g)
Proposition 8.9. Soit u : E F une application linaire entre deux
K-ev. Soient {e
1
, ..., e
n
} et {f
1
, ..., f
p
} des bases de E et F. Soit A =
M(u)
e
i
,f
j
.
Alors A est inversible ssi u est bijective. On a alors M(u
1
)
f
j
e
i
= A
1
.
Exemple de calcul de linverse dune matrice :
Soit
A =
_
1 2
1 3
_
.
Soient
X =
_
x
1
x
2
_
et
Y =
_
y
1
y
2
_
tels que
_
y
1
y
2
_
=
_
1 2
1 3
_
_
x
1
x
2
_
et on veut trouver M telle que
_
x
1
x
2
_
= M
_
y
1
y
2
_
(1) <=>
_
y
1
= x
1
+ 2x
2
y
2
= x
1
+ 3x
2
76 Calcul matriciel
On rsout et on trouve :
_
x
1
= 3y
1
2y
2
y
2
= y
1
+y
2
Donc
M = A
1
=
_
3 2
1 1
_
5.2 Changement de base
On a vu que la matrice correspondant un application linaire u :
E F dpend des bases choisies de E et F. On veut voir ce quil
advient lorsque lon change ces bases.
Dfinition 32. Matrice de passage
Soit E un K-ev de dimension n, e et e
bases de E. Alors la matrice

de passage de la base e dans la base e
est la matrice correspondant

e
i
= a
1i
e
1
+... +a
ni
e
n
cest dire lapplication identit
Id : E
e
E
e
e
i
e
i
= a
i1
e
1
+... +a
in
e
n
Remarque : cest bien lapplication identit ; dans lespace de dpart on
crit e
i
dans la base (e), et dans lespace darrive on crit ce mme
lment dans la base (e).
Cette matrice scrit :
P(Id)
ee
=
_
_
_
_
_
_
a
11
. . . a
1n
.
.
.
a
n1
. . . a
nn
_
_
_
_
_
_
Cette matrice est inversible (car lapplication identit est bijective).
Exemple : On considre R
2
avec pour bases : e = ((1, 0), (0, 1)) et
e
= ((1, 1), (1, 2)). (Vrier que ce sont bien des bases).
Alors on a
Id : E
e
E
e
(1, 1) (1, 0) + (0, 1)
(1, 2) (1, 0) + 2(0, 1)
Do
P(Id)
ee
=
_
1 1
1 2
_
De mme on a
Id : E
e
E
e
(1, 0) 2(1, 1) (1, 2)

(1, 2) (1, 1) + (1, 2)
Do
P(Id)
ee
=
_
2 1
1 1
_
Proposition 8.10. Soit E un K-ev, e et e
deux bases. Soit x E, P

la matrice de passage de e vers e
, X la matrice de x dans e et X
la
matrice de x dans e
.
Alors X
= AX.
Dmonstration. Soit e = (e
1
, e
2
, ..., e
n
) et e
= (e
1
, ..., e
n
).
P(Id)
ee
est dnie par :e
i
= a
i1
e
1
+... +a
in
e
n
.
x = x
1
e
1
+... +x
n
e
n
= x
1
(a
11
e
1
+... +a
1n
e
n
)(+... +x
n
(a
n1
e
1
+... +a
nn
e
n
)
= e
1
(a
11
x
1
+... +a
n1
x
n
) +... +e
n
(a
1n
x
1
+... +a
nn
x
n
)
= x
1
e
1
+... +x
n
e
n
Do
_
_
_
x
1
.
.
.
x
n
_
_
_
=
_
_
_
a
11
x
1
+... +a
n1
x
n
.
.
.
a
1n
x
1
+... +a
nn
x
n
_
_
_
=
_
_
_
_
_
_
a
11
. . . a
1n
.
.
.
a
n1
. . . a
nn
_
_
_
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_
78 Calcul matriciel
Proposition 8.11. Soit u : E F un application linaire.
soient e et e
des bases de E et f et f
deux bases de F.
Soit A = M(f)
e
i
f
j
et A
= M(f)
e
i
f
j
.
Alors A
= P(Id)
1
ff
AP(Id)
ee
.
Corollaire 8.12. Soit u : E E un endomorphisme.
Alors (sous les mmes notations que prcdemment) on a A
= P(Id)
1
ee
AP(Id)
ee
.
Dfinition 33. Deux matrices A et A carres n n sont dites sem-
blables sil existe une matrice P de mme taille, inversible telle que
A
= P
1
AP.
Rang dun vecteur :
On avait dni le rang dune application linaire u : E F par
la dimension de limage de u : rg(u) = dim(Im(u)). Les matrices
reprsentant des applications linaires, on dnit de la mme manire
le rang dune matrice (cf feuille2, exo 10) :
m,n
. on appelle A
1
, ..., A
n
les vecteurs
colonnes de A.
Alors rg(A) = dim(vect(A
1
, ..., A
n
).
Remarquez que cette dnition est bien cohrente : en eet on a
u(e
i
) =
t
A
i
_
_
_
e
1
.
.
.
e
n
_
_
_
et vect(u(e
1
)..., u(e
n
)) = Im(u).
Dernire remarque : les matrices inversibles (donc carre) correspondent
aux isomorphismes, donc le rang est maximal (= n).
Chapitre 9
Feuille Td 3
1 Dnition
Exercice 1
Dterminer si les applications f
i
suivantes (de E
i
dans F
i
) sont li-
naires :
f
1
: (x, y) R
2
(2x+y, xy) R
2
, f
2
: (x, y, z) R
3
(xy, x, y) R
3
f
3
: (x, y, z) R
3
(2x +y +z, y z, x +y) R
3
f
4
: P R[X] P
R[X], f
5
: P R
3
[X] P
R
3
[X]
f
6
: P R
3
[X] (P(1), P(0), P(1)) R
3
, f
7
: P R[X] P(X2)P
R[X].
Exercice 2
Soit E un espace vectoriel de dimension n et une application linaire
de E dans lui-mme telle que
n
= 0 et
n1
= 0. Soit x E tel que
n1
(x) = 0. Montrer que la famille {x, . . . ,
n1
(x)} est une base de
E.
Indication Prendre une combinaison linaire nulle et lvaluer par
n1
.
79
80 Calcul matriciel
2 Image et noyau
Exercice 3
E
1
et E
2
tant deux sous-espaces vectoriels de dimensions nies dun
espace vectoriel E, on dnit lapplication f : E
1
E
2
E par
f(x
1
, x
2
) = x
1
+x
2
.
A. Montrer que f est linaire.
B. Dterminer le noyau et limage de f.
C. Appliquer le thorme du rang.
Indication
Faire un dessin de limage et du noyau pour f : R R R.
Exercice 4
Soient E un espace vectoriel et une application linaire de E dans E.
On suppose que Ker () Im () = {0}. Montrer que, si x Ker ()
alors, pour tout n N :
n
(x) = 0.
Exercice 5 : Soient la matrice :
A =
_
_
_
_
1 1 1 3
1 2 0 2
0 2 0 1
0 1 1 0
_
_
_
_
et lapplication linaire :
4
4
dnie par (X) = AX.
(a) Dterminer le noyau de et en donner une base.
(b) Quel est le rang de lapplication ?
(c) Dterminer une base de limage de .
Exercice 6
Soient E un espace vectoriel de dimension n et f une application li-
naire de E dans lui-mme. Montrer que les deux assertions qui suivent
sont quivalentes :
A. Ker(f) = im(f).
B. f
2
= 0 et n = 2 rg(f).
Exercice 7
Donner des exemples dapplications linaires de R
2
dans R
2
vriant :
A. Ker(f) = im(f).
B. Ker(f) inclus strictement dans im(f).
C. im(f) inclus strictement dans Ker(f).
3 Injectivit, surjectivit, isomorphie
Exercice 8
Soit E un espace vectoriel de dimension 3, {e
1
, e
2
, e
3
} une base de E,
et un paramtre rel.
Dmontrer que la donne de
_
_
_
(e
1
) = e
1
+e
2
(e
2
) = e
1
e
2
(e
3
) = e
1
+e
3
dnit une ap-
plication linaire de E dans E. crire le transform du vecteur
x =
1
e
1
+
2
e
2
+
3
e
3
. Comment choisir pour que soit injective ?
surjective ?
Exercice 9
Pour les applications linaires trouves lexercice 1, dterminer ker(f
i
)
et Im (f
i
), en dduire si f
i
est injective, surjective, bijective.
Exercice 10 :
Soient la matrice :
A =
_
_
0 1 1
i 0 1
1 i 0
_
_
et lapplication linaire f : C
3
C
3
dnie par f(X) = AX.
82 Calcul matriciel
(a) Lapplication f est-elle injective ? surjective ?
(b) Dterminer une base de Imf et une base de Kerf.
4 Matrice dune application linaire dans
une base
Exercice 11 :
Ecrire les matrices des applications linaires suivantes dans les bases
proposes.
A. :
3
3
dnie par (x, y, z) = (2x +z, x +y, y 2z) dans la base
canonique de
3
.
B. : C
2
C
2
dnie par (z, w) = ((1 +i)z iw, w + 2iz) dans la
base canonique de C
2
C. On note (e
1
, e
2
e
3
, e
4
) la base canonique de
4
. Soit f :
4
4
lap-
plication linaire dnie par f(e
1
) = e
1
+ e
2
, f(e
2
) = e
2
+ e
3
,
f(e
3
) = e
3
+ e
4
et f(e
4
) = e
4
+ e
1
. Quelle est la matrice de f
dans la base (e
4
, e
3
, e
2
, e
1
) ? Dans la base canonique de
4
?
Exercice 12 :
On note (e
1
, e
2
, e
3
) la base canonique de
3
.
Soit lapplication linaire :
3
3
dnie par :
(e
1
) =
1
2
e
1

1
2
e
3
(e
2
) = e
1
+
1
2
e
2
+
1
2
e
3
(e
3
) = e
1

1
2
e
2

1
2
e
3
1. (a) Dterminer limage par dun vecteur x = e
1
+ e
2
+ e
3
de
3
.
(b) Ecrire la matrice de dans la base canonique de
3
2. (a) Dterminer une base de Ker.
(b) Quel est le rang de ? Montrer que la famille {f
1
= e
1
+ e
2
, f
2
=
e
1
+e
3
} est une base de Im.
(c) Soit f
3
= e
2
+ e
3
. Montrer que la famille (f
1
, f
2
, f
3
) est une base
de
3
. Ecrire la dcomposition des vecteurs (f
1
), (f
2
) et (f
3
) dans
la base (f
1
, f
2
, f
3
). En dduire la dcomposition dun vecteur x =
f
1
+f
2
+f
3

3
dans la base (f
1
, f
2
, f
3
).
(d) Ecrire la matrice de dans la base (f
1
, f
2
, f
3
).
5 Changement de base
Exercice 13 :
Donner les matrices de passage de la base B la base B
dans chacun
des cas suivants.
A. Dans
3
, B est la base canonique et B
= ((0, 1, 1), (1, 1, 1), (1, 1, 0)).

B. Dans
3
, B = ((1, 0, 0), (1, 1, 0), (1, 1, 1)) et B
est la base canonique

de
3
.
C. Dans C
3
, B est la base canonique et B
= ((1+i, 1i, 0), (0, 0, 2i), (i, 1, 2i)).

Exercice 14 :
Soit f lendomorphisme de
3
dont la matrice dans la base canonique
est
_
_
1 0 1
2 0 2
1 0 1
_
_
.
(a) Montrer que f f = 0 et en dduire que Imf Kerf. Dterminer
Kerf et en donner une base.
(b) Montrer que la famille (e
1
e
3
, e
2
, e
1
) est une base de
3
et crire la
matrice de f dans cette base.
Chapitre 10
Exercice 1
Soitf
1
: (x, y) R
2
(2x +y, x y) R
2
Soient z
1
= (x
1
, y
1
) et z
2
= (x
2
, y
2
) dans R
2
.
Alors f
1
(z
1
+z
2
) = f
1
((x
1
+x
2
, y
1
+y
2
)) = (2(x
1
+x
2
)+(y
1
+y
2
), (x
1
+
x
2
) (y
1
+y
2
.
Or on est maintenant dans R
2
, donc on a
f
1
(z
1
+z
2
) = (2x
1
+y
1
, x
1
y
1
) +(2x
2
+y
2
, x
2
y
2
) = f
1
(z
1
) +f
1
(z
2
)
.
Soient z = (x, y) R
2
et R. Alors
f
1
(z) = (f
1
((x, y)) = (2x +y, x) = f
1
(z)
.
Donc f
1
est linaire.
Soit
f
6
: P R
3
[X] (P(1), P(0), P(1)) R
3
. Soient P, Q R
3
[X]. Alors
f
6
(P +Q) = ((P +Q)(1), (P +Q)(0), (P +Q)(1)
85
86 Calcul matriciel
On a donc
f
6
(P+Q) = (P(1)+Q(1), P(0)+Q(0), P(1)+Q(1)) = (P(1), P(0), P(1))+(Q(1), Q(0), Q(1))
= f
6
(P) +f
6
(Q)
.
Soient P R
3
[X] et R (lespace des polynomes coecients rels
est un R-espace vectoriel).
f
6
(P) = ((P)(1), (P)(0), (P)(1)) = (P(1), P(0), P(1))
Donc f
6
est linaire.
On montre de mme que f
3
, f
4
, f
5
, f
7
sont linaires. Par contre f
2
nest
pas linaire, en eet par exemple f(1, 1, 0) +f(1, 1, 0) nest pas gal
f(2, 2, 0).
Exercice 2
Montrons que la famille {x, . . . ,
n1
(x)} est libre. Soient
0
, . . . ,
n1

tels que
0
x + +
n1
n1
(x) = 0. Alors :
n1
(
0
x + +
n1
n1
(x)) = 0. Mais comme de plus
n
= 0, on a lgalit
n1
(
0
x+
+
n1
n1
(x)) =
n1
(
0
x) +
n
(
1
x + +
n1
n2
(x)) =
n1
(x). Comme
n1
(x) = 0 on obtient
0
= 0.
En calculant ensuite
n2
(
1
(x) + +
n1
n1
(x)) on obtient
1
= 0 puis, de proche en proche,
n1
= =
0
= 0. La fa-
mille {x, . . . ,
n1
(x)} est donc libre. Elle compte n vecteurs. Comme
dim (E) = n elle est libre maximale et forme donc une base de E.
Exercice 3
A. ...
B. Par dnition de f et ce quest la somme de deux sous-espaces
vectoriels, limage est
f = E
1
+E
2
.
Pour le noyau :
Ker f = {(x
1
, x
2
) | f(x
1
, x
2
) = 0}
= {(x
1
, x
2
) | x
1
+x
2
= 0}
Mais on peut aller un peu plus loin. En eet un lment (x
1
, x
2
)
Ker f, vrie x
1
E
1
, x
2
E
2
et x
1
= x
2
. Donc x
1
E
2
. Donc
x
1
E
1
E
2
. Rciproquement si x E
1
E
2
, alors (x, x) Ker f.
Donc
Ker f = {(x, x) | x E
1
E
2
}.
De plus par lapplication x (x, x), Ker f est isomorphe E
1
E
2
.
C. Le thorme du rang scrit :
dimKer f + dimf = dim(E
1
E
2
).
Compte tenu de lisomorphisme entre Ker f et E
1
E
2
on obtient :
dim(E
1
E
2
) + dim(E
1
+E
2
) = dim(E
1
E
2
).
Mais dim(E
1
E
2
) = dimE
1
+dimE
2
, donc on retrouve ce que lon
appelle quelques fois le thorme des quatre dimensions :
dim(E
1
+E
2
) = dimE
1
+ dimE
2
dim(E
1
E
2
).
Exercice 4
Montrons ceci par rcurence : Pour n = 1, lassertion est triviale :
x / ker (x) = 0. Supposons que si x / ker alors
n1
(x) =
0, (n 2). Fixons x / ker , Alors par hypothses de rcurrence
n1
(x) = 0, mais
n1
(x) = (
n2
(x)) donc
n1
(x) / ker
grce lhypothse sur . Ainsi (
n1
(x)) = 0, soit
n
(x) = 0. Ce
qui termine la rcurrence.
Exercice 5
Soient la matrice :
A =
_
_
_
_
1 1 1 3
1 2 0 2
0 2 0 1
0 1 1 0
_
_
_
_
88 Calcul matriciel
et lapplication linaire : R
4
R
4
dnie par (X) = AX.
Cela signie que
((x, y, z, w)) =
_
_
_
_
1 1 1 3
1 2 0 2
0 2 0 1
0 1 1 0
_
_
_
_
t(x, y, z, w)
.
A. Ker() = Ker(A) = {(x, y, z, w) R
4
/A
t(x, y, z, w)}. on doit donc

rsoudre le systme suivant :
x +y +z + 3w = 0
x + 2y + +2w = 0
2y z = 0
y +z = 0
On trouve Ker() = {w(6, 1, 1, 2)/w R}.
B. Par le thorme du rang, on a dimR
4
= rg +dimKer(). Do
rg = 4 1 = 3
C. Limage de est engendr par les vecteurs colonnes de la matrice A
associe . Or le rang de est 3 donc trois des vecteurs colonnes
sont libres et une seule quation lie tous les vecteurs colonnes. On
dtermine cette quation en chelonnant la matrice
tA. On trouve
v
4
3v
1
+
1
2
v
2

1
2
v
3
. Les trois premiers vecteurs colonnes engendrent Im.
Exercice 6
(i) (ii) Supposons ker f = imf. Soit x E, alors f(x) f donc
f(x) ker f, cela entraine f(f(x)) = 0 ; donc f
2
= 0. De plus
daprs la formule du rang dimker f + f = n, mais dimker f =
dimimf = f, ainsi 2f = n.
(ii) (i) Si f
2
= 0 alors imf ker f car pour y imf il existe x
tel que y = f(x) et f(y) = f
2
(x) = 0. De plus si 2f = n alors par
la formule Du rang dimker f = f cest--dire dimker f = dimimf.
Nous savons donc que f est inclus dans ker f mais ces espaces sont
de mme de dimension donc sont gaux : ker f = f.
Exercice 7
A. Par exemple f(x, y) = (0, x) alors Ker f = f = {0} R = {(0, y) |
y R}.
B. Par exemple lidentit : f(x, y) = (x, y). En fait un petit exercice est
de montrer que les seules applications possibles sont les applications
bijectives (cest trs particulier aux applications de R
2
dans R
2
).
C. Lapplication nulle : f(x, y) = (0, 0). Exercice : cest la seule pos-
sible !
Exercice 8
A. Comment est dnie partir de la dnition sur les lments
de la base ? Pour x E alors x scrit dans la base {e
1
, e
2
, e
3
},
x =
1
e
1
+
2
e
2
+
3
e
3
. Et est dnie sur E par la formule
(x) =
1
(e
1
) +
2
(e
2
) +
3
(e
3
).
Soit ici :
(x) = (
1
+
2
+
3
)e
1
+ (
1

2
) +
3
e
3
.
Cette dnition rend automatiquement linaire (vriez-le si vous
ntes pas convaincus !).
B. On cherche savoir si est injective. Soit x E tel que (x) = 0
donc (
1
+
2
+
3
)e
1
+ (
1
2
) +
3
e
3
= 0. Comme {e
1
, e
2
, e
3
}
est une base alors tous les coecients sont nuls :
1
+
2
+
3
= 0,
1

2
= 0,
3
= 0.
Si = 0 alors en resolvant le systme on obtient
1
= 0,
2
= 0,
3
= 0. Donc x = 0 et est injective.
90 Calcul matriciel
Si = 0, alors nest pas injective, en resolvant le mme systme
on obtient des solutions non triviales, par exemple
1
= 1,
2
= 1,
3
= 2. Donc pour x = e
1
+e
2
2e
3
on obtient (x) = 0.
C. On peut soit faire des calcul soit appliquer la formule du rang. Exa-
minons cette deuxime mthode. est surjective si et seulement si
la dimension de est gal la dimension de lespace darrive (ici
E de dimension 3). Or on a une formule pour dim :
dimKer + dim = dimE.
Si = 0, est injective donc Ker = {0} est de dimension 0. Donc
dim = 3 et est surjective.
Si = 0 alors nest pas injective donc Ker est de dimension au
moins 1 (en fait 1 exactement), donc dim 2. Donc nest pas
surjective.
On remarque que est injective si et seulement si elle est surjective.
Ce qui est un rsultat du cours pour les applications ayant lespace
de dpart et darrive de mme dimension (nie).
Exercice 9
iv. f
1
: R
2
R
2
. Les dimensions de lespace de dpart et darrive sont
les mmes donc par le thorme du rang f
1
injective quivaut f
1
surjective qui quivaut f
1
bijective (cf cours). Calculons le noyau de
f
1
.
kerf
1
= {(x, y) R
2
/f
1
(x, y) = (0, 0)} = {(x, y)/x = y et 3x = 0}
Donc f
1
est injective (resp. surjective, resp. bijective) si et seulement
si a = 2.
v. f
2
nest pas linaire.
vi. De mme il faut juste voir linjectivit de f
3
. Or ker(f
3
) = {z(1, 1, 1)/z
R}. Donc f
3
nest pas injective (ni surjective ni bijective).
vii. Dans ce cas les dimensions sont innies donc on ne peut utiliser le
thorme du rang. Kerf
4
= {p R[X]/P
= 0} . cest lensemble
des polynomes constants. Donc elle nest pas injective (f
4
(1) = 0).
Par contre elle est surjective car tout polynome admet une primitive
polynomiale (ie pour tout P R[X] il existe Q R[X] tel que Q
=
P), donc tout lment de lespace d arrive a un antcdent.
viii. Pour f
5
on trouve de la mme manire quelle nest pas injective.
Elle nest pas surjective non plus car les espaces vectoriels sont les
polynomes de degr au plus trois et les primitives dun polynome de
degr 3 est de degr4. (on pouvait ici utiliser le thorme du rang). est
linaire. f
5
est surjective mais pas injective.
ix. kerf
6
= {ax
3
+bx
2
+cx+d/(a+bc+d, d, a+b+c+d) = (0, 0, 0)} =
{ax
3
cx} = vect(x
3
, x). Donc f
6
nest pas injective. Les dimensions
sont direntes donc f
6
pourrait etre surjective..f
6
est surjective car
on peut toujours trouver un polynome en xant trois de ses valeurs.
x. f
7
est surjective mais pas injective.
Exercice 10
(a) On commence par calculer le noyau de .
Ker = {(x, y, z) C
3
/A(x, y, z) = (0, 0, 0)} = {(x, y, z) C
3
/y+z = 0, ix+z = 0, x+iy = 0}
. Dou
ker = {(x, y, z) C
3
/x = iz, y = z}
. Donc
ker = vect{(i, 1, 1)}
Lapplication nest pas injective. Par le thorme du rang, elle nest pas
surjective.
Remarque : Ici on considre C
3
en tant que C espace vectoriel il est donc
de dimension trois et dimker() = 1
(b) On a dj le vecteur de base du noyau. Par le thorme du rang
la dimension de limage est 2. or les vecteurs colonnes de A engendrent
Im().Donc il sut de prendre deux vecteurs colonnes indpendants pour
avoir une base. Par exemple
Im() = vect{(0, i, 1), (1, 0, i)}
.
92 Calcul matriciel
Exercice 11
1. Soient e
1
, e
2
, e
3
la base canonique de R
3
. Alors les vecteurs colonnes
reprsentent (e
1
), (e
2
), (e
3
) crits dans la base canonique de R
3
. On a :
(e
1
) = ((1, 0, 0)) = (2, 1, 0) = 2e
1
+e
2
(e
2
) = (0, 1, 1) = e
2
+e
3
(e
3
) = (1, 0, 2) = e
1
2e
3
Donc la matrice de dans la base canonique de R
3
(cela veut dire que les
espaces de dpart et d arrive ont la mme base. quand ce nest pas le cas
on le prcisera) est :
M() =
_
_
2 0 1
1 1 0
0 1 2
_
_
2) La base canonique de C
2
en tant que C esace vectoriel est (1, 0), (0, 1)
(tout lment de C
2
scrit sous la forme z(1, 0) + w(0, 1) = (z, w) avec
z, w C. On a :
(e
1
) = (1 +i, 2i)
(e
2
) = (i, 1)
Donc
M() =
_
1 +i i
2i 1
_
3) On suppose que (e
4
, e
3
, e
2
, e
1
) est la base des epsaces de dpart et dar-
rive. Alors
f(e
4
) = e
4
+e
1
f(e
3
) = e
4
+e
3
f(e
2
) = e
3
+e
2
f(e
1
) = e
2
+e
1
Alors
M(f) =
_
_
_
_
0 0 1 1
0 1 1 0
1 1 0 0
1 0 0 1
_
_
_
_
Dans la base canonique on obtient :
M(f) =
_
_
_
_
1 0 0 1
1 1 0 0
0 1 1 0
0 0 1 1
_
_
_
_
Exercice 12
i. (a) (x) = (e
1
) +(e
2
) +(e
3
) car est linaire. En regroupant
les termes on obtient :
(x) = (
1
2
+ )e
1
+ (
1
2

1
2
)e
2
+ (
1
2
+
1
2

1
2
)e
3
(b) On a
M() =
_
_
1
2
1 1
0
1
2

1
2
1
2
1
2

1
2
_
_
ii. (a) Ker = {(x, y, z) R
3
/M()(x, y, z) = (0, 0, 0)} On rsout le
systme et on trouve :
ker = {(x, y, z)/y = z, x = 0} = vect{(0, 1, 1)}
(b) Par le thorme du rang on a rgM() = 2. On a de plus (2e
1
+
4e
2
+ 2e
3
) = 3e
1
+ e
2
= f
1
et (2e
1
+ e
2
+ e
3
) = e
1
e
3
= f
2
et
f
1
, f
2
sont des vecteurs linairement indpendants dou ils engendrent
Im(). (Il ne fallait pas oublier de vrier que f
1
et f
2
appartenaient
Im()).
(c) Les trois vecteurs f
1
, f
2
, f
3
sont linairement indpendant et fro-
ment un sous espace vectoriel de dimension 3 donc forment une base
de R
3
. On a :
(f
1
) = (3e
1
+e
2
) = 3(e
1
) +(e
2
)
car est linaire. Dou
(f
1
) =
5
2
e
1
+
1
2
e
2
e
3
Or on veut crire la matrice dans la nouvelle base donc il faut crire
les images des nouveaux vecteurs de bases dans ces nouveaux vecteurs
de base. On trouve :
(f
1
) =
1
2
f
1
+f
2
94 Calcul matriciel
. De mme on trouve :
(f
2
) =
1
2
f
1
et
(f
3
) = 0
car f
3
est dans le noyau.
Do
M() =
_
_
1
2
1
2
0
1 0 0
0 0 0
_
_
Exercice 13
La matrice de passage de la base B dans la base B
est la matrice de lap-

plication linaire identit Id : (E, B
) (E, B). Donc pour lobtenir il

sut dexprimer les vecteurs de la base B
dans la base B.
i.
_
_
0 1 1
1 1 1
1 1 0
_
_
ii.
_
_
1 1 0
0 1 1
0 0 1
_
_
iii.
_
_
1 +i 0 i
1 i 0 1
0 2i 2i
_
_
Exercice 14
i. il sut de calculer le carr de la matrice et on trouve la matrice nulle.
Soit x Im(f).Alors il existe y R
3
tel que f(y) = x (par dnition).
Mais on vient de montrer que fof(y) = 0 = f(x). Dou x Ker(f).
Dou linclusion.
ker(f) = {(x, y, z) R
3
: A(x, y, z) = (0, 0, 0)}
Donc
ker(f) = {(x, y, z) : x +z = 0, 2x + 2z = 0, x z = 0}
Les trois quations sont proportionnelles et on trouve :
ker(f) = vect{(1, 0, 1), (0, 1, 0)}
Attention ici on voit que y nintervient pas dans les quations, cela
veut dire que le noyau de f contient laxe des y.
ii. On verie facilement que vect{(e
1
e
3
, e
2
, e
1
)} = vect{(e
1
, e
2
, e
3
)}
donc la dimension de cet espace est 3 , il est forme de trois vecteurs
qui forment donc une base.
On doit crire limage des trois vecteurs de la nouvelle base par f dans
cette meme base.
f(e
1
e
3
) = f(e
1
) f(e
3
) = (1, 2, 1) (1, 2, 1) = (0, 0, 0)
f(e
2
) = (0, 0, 0)
f(e
1
) = (1, 2, 1)
Alors la matrice reprsentant f est
_
_
0 0 1
0 0 2
0 0 1
_
_
Chapitre 11
Dterminant et inversion des
matrices
Comme on la vu jusque l, beaucoup de problmes dalgbre linaire
comme savoir si une famille est libre ou non, ou une matrice est ou non
inversible, se ramnent rsoudre des systmes dquations linaires. On
voudrait pouvoir trouver une solution ces problmes sans avoir rsoudre
explicitement les sytmes, puis trouver des solutions facilement. Cest dans
ce cadre que nous allons introduire la notion de dterminants.Nous allons
nous restreindre pour les exemples aux matrices 22 ou 33, bien que les
calculs se gnralisent par rcurrence aux dimensions suprieures. Ensuite
nous donneront les applications pour calculer linverse dune matrice, ou
la thorie du rang.
1 Les dterminants
1.1 Dnition
On commence par la dnition classique du dterminant comme forme
multilinaire alterne. Puis on donnera une dnition sous forme dune
formule de calculs qui se gnralise par rcurrence. Cest cette dernire
dnition quil vous faut retenir pour linstant.
Dfinition 35. On appelle forme multilinaire alterne une application
97
98 Calcul matriciel
: R
p
...R
p
R telle que :
(c
1
, ..., c
i
+c
i
, ..., c
n
) = (c
1
, ..., c
i
, ..., c
n
) +(c
1
, ..., c
i
, ..., c
n
) 1 i n (11.1)
(c
1
, ..., c
i
, ..., c
n
) = (c
1
, ..., c
i
, ..., c
n
) (11.2)
si c
i
=
j=i
a
j
c
j
alors (c
1
, ..., c
i
, ..., c
n
) = 0 (11.3)
Remarque :
i. multilinaire veut donc dire linaire par rapport aux facteurs.
ii. si on permute deux facteurs c
i
avec c
j
par exemple alors
(c
1
, ..., c
i
, ..., c
j
..., c
n
) = (c
1
, ..., c
j
, ..., c
i
, ..., c
n
)
.
Thorme 11.1. Les formes multilinaires alternes sur un espace vec-
toriel E de dimension n sont toutes proportionnelles une certaine forme
.
admis
Dfinition 36. On dnit le dterminant dune matrice A n n , no-
te det(A), comme tant lunique forme multilineaire alterne telle que
det(I
n
) = 1.
Dtermination de cette forme en dimension 2
Dfinition 37. Une application : R
p
R
p
R est appele forme
bilinaire alterne si elle vrie les identits suivantes :
(u +u
, v) = (u, v) +(u
, v) (11.4)
(u, v) = (u, v) (11.5)
(v, u) = (u, v) (11.6)
on vrie aisemment que cela implique :
Chapitre 11. Dterminant et inversion des matrices 99
(u, v +v
) = (u, v) +(u, v
) (11.7)
(u, v) = (u, v) (11.8)
(0, u) = (u, 0) = 0 (11.9)
(u, u) = 0 (11.10)
(u +v, v) = (u, v) = (u, u +v) (11.11)
Soit E un R-espace vectoriel de dimension 2 et f : EE R une forme
multilinaire alterne. Soit B = (e
1
, e
2
) une base de E.Alors tout lment
de E se dcompose dans cette base :
x
j
= x
j1
e
1
+x
j2
e
2
On a par multilinarit et alternance :
f(x
1
, x
2
) = f(x
11
e
1
+x
12
e
2
, x
21
e
1
+x
22
e
2
= (x
11
x
22
x
12
x
21
)f(e
1
, e
2
)
Si on pose f(e
1
, e
2
) = 1 alors det
B
(x
1
, x
2
) = x
11
x
22
x
12
x
21
E de dimension 3
Soit B = (e
1
, e
2
, e
3
) une base de E. Alors
x
i
= x
i1
e
1
+x
i2
e
2
+x
i3
e
3
. et on trouve
f(x
1
, x
2
, x
3
) = (a
11
(a
22
a
33
a
32
a
23
)+a
12
(a
21
a
33
+a
31
a
23
)+a
13
(a
21
a
32
a
22
a
31
)f(e
1
, e
2
, e
3
)
Si on pose f(e
1
, e
2
, e
3
) = 1 alors on dnit det
B
(x
1
, x
2
, x
3
) = (a
22
a
33

a
32
a
23
) +a
12
(a
21
a
33
+a
31
a
23
) +a
13
(a
21
a
32
a
22
a
31
On peut dnir les dterminants de la mme manire pour des lments
d un espace vectoriel de dimension n, mais nous ne le ferons pas ici.
100 Calcul matriciel
1.2 Dterminant dune matrice
Dfinition 38. Soit A = (a) une matrice (1 1). On pose det(A) = a.
Soit
A =
_
a
11
a
12
a
21
a
22
_
On pose det(A) = a
11
a
22
a
12
a
21
.
Soit
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
On pose det(A) = a
11
(a
22
a
33
a
32
a
23
) a
12
(a
21
a
33
a
31
a
22
) +a
13
(a
21
a
32
a
31
a
22
).
Cette dnition se gnralise de la faon suivante :
Dfinition 39. Soit
A =
_
_
_
_
_
_
a
11
. . . a
1n
.
.
.
a
n1
. . . a
nn
_
_
_
_
_
_
On dnit par rcurrence une application det : M
n
(K) K de la manire
suivante :
si n = 1 A = a et det(A) = a
si n > 1 notons A
ij
la matrice obtenue en supprimant la ieme ligne et
la jieme colonne A (on a donc une matrice de dimension n1). Alors
on pose
detA = a
11
detA
11
+... + (1)
k+1
a
1k
detA
1k
+... + (1)
n+1
a
1n
detA
1n
On le note en gnral :
det(A) =
_
_
_
_
_
_
_
_
_
_
a
11
. . . a
1n
.
.
.
a
n1
. . . a
nn
_
_
_
_
_
_
_
_
_
_
Remarque : on retrouve bien les formules de (1.1), les colonnes de la ma-
trice jouant le role des vecteurs c
i
. On vrie facilement que cest bien une
forme bilinaire alterne par rapport aux colonnes.
1.3 Dterminants de la transpose dune matrice, du
produit dune matrice et dun endomorphisme
Les thormes qui suivent sont faciles dmontrer en petite dimension
(mais fastidieux crire). Pour les preuves, vous pouvez vous rferrer au
livre de Joseph Grifone ou bien mcrire.
Thorme 11.2. det(
t
A) = det(A) A M
n
(K).
Cela nous donne le corollaire suivant :
Corollaire 11.3. Rgle de dualit Toutes les propits des dterminants
relatives aux colonnes peuvent tre armes pour les lignes.
On a par exemple les proprits suivante :
Thorme 11.4. le dterminant est une fonction multilinaire et alterne
de chaque ligne.
Cela implique les proprits suivantes (qui sont les mmes pour les co-
lonnes) qui nous faciliteront le calcul des dterminants :
i. si la matrice a deux lignes galent, le dterminant est nul.
ii. si on change deux lignes de la matrice, le dterminant change de signe.
iii. Le dterminant est non nul si et seulement si les vecteurs lignes sont
indpendants.
iv. Si on ajoute une ligne une combinaison linaire des autres lignes, le
dterminant ne change pas.
Calcul des dterminants Grce aux proprits prcdentes, le calcul
des dterminants est rendu plus simple :
i. On choisit si on dveloppe par rapport aux lignes ou aux colonnes.
ii. On permute (en noubliant pas de changer de signe le dterminant)
les lignes (resp. les colonnes) pour rendre les calculs faciles.
iii. En ajoutant ou soustrayant une ligne des combinaisons linaires
des autres lignes (comme avec Gauss) on transforme la premire ligne
(resp. colonne) de la matrice de sorte quelle ait un maximum de 0.
iv. En multipliant une colonne par un scalaire le dterminant est multipli
par le mme scalaire.
Exemple Quel est le dterminant de la matrice suivante ?
A =
_
_
6 3 2
5 2 2
4 2 2
_
_
On remarque que la dernire colonne comporte que des 2 donc en sou-
trayant la premire ligne aux deux autres on obtient facilement des 0.
det(A) =
6 3 2
5 2 2
4 2 2
2 3 6
2 2 5
2 2 4
2 3 6
0 1 1
0 1 2
On dveloppe par rapport la premire colonne :

det(A) = 2
1 1
1 2
= 2 (1 2 (1 1)) = 2
Thorme 11.5. det(AB)=det(A)det(B) A, B M
n
(K)
Encore une fois la preuve en dimension 2ou 3 est facile : il sut dun
cot de dvelopper les dterminant de deux matrices quelconques (mais
de mme dimension) puis de les multiplier en dveloppant compltement
le rpoduit, et dun autre cot multiplier les deux matrices et calculer le
dterminant du produit.
Cela nous donne le corollaire trs important suivant :
Corollaire 11.6. Une matrice A M
n
est inversible ssi det(A) = 0 et on
a det(A
1
) =
1
det(A)
.
Cela vient du fait que det(I
n
) = 1 et quon ne peut jamais diviser par 0.
Corollaire 11.7. si A et A sont semblables alors det(A) = det(A
).
Dmonstration. Les matrices A et A sont semblables donc il existe une
matrice inversible telle que A
= P
1
AP. Alors det(A
) =
1
det(P)
det(A)det(P) =
det(A).
Ce corollaire nous permet de dnir le dterminant dun endomorphisme
dun espace vectoriel E (en eet les matrices dun mme endomorphisme
sont semblables entre elles donc le dterminant ne dpendra pas de la base
de E choisie).
Dfinition 40. Soit E un espace vectoriel de dimension nie et f un
endomorphisme de E. on appelle dterminant de f le dterminant de la
matrice qui reprsente f dans une base quelconque de E.
2 Inversion des matrices
Ainsi quon la vu dans la section prcdente, calculer le dterminant sut
dcider si une matrice est inversible ou non. On peut calculer linverse
dune matrice en rsolvant un sytme autant dinconnues que dqua-
tions (cf exemple dans le chapitre prcdent). Mais en fait on peut le faire
plus rapidement (cest surtout vrai partir de la dimension 3).
n
.
i. b
ij
= (1)
i+j
det(A
ij
est appel cofacteur de A dindice ij.
ii. On appelle comatrice de A M
n
la matrice Com(A) dont les coe-
cients sont les cofacteurs : Com(A) = (b
ij
)
1jn
1in
.
Thorme 11.8. Soit A M
n
. Alors
i.
t
Com(A)A = A
t
Com(A) = det(A)I
n
ii. Si A est inversible, on a :
t
Com(A)
det(A)
.A = A.
t
Com(A)
det(A)
= I
n
. Donc A
1
=
t
Com(A)
det(A)
.
exercice : faire la preuve pour n = 2, 3.
3 Application du dterminant la thorie du
rang
3.1 Bases
Thorme 11.9. Soit E un espace vectoriel de dimension n. Soient {v
i
, ..., v
n
}
une famille de n vecteurs de E. Soit A la matrice dont les vecteurs co-
lonnes sont constitus des vecteurs v
i
crits dans une base de E.
les vecteurs {v
1
..., v
n
} forment une base de e ssi det(A) == 0.
3.2 Famille libre
Thorme 11.10. Soient {e
1
, ..., e
k
} une famille de k vecteurs dun espace
vectoriel E de dimension n et A M
nk
la matrice dont les colonnes sont
constitues des composantes des k vecteurs.
la famille des k vecteurs ssi on peut extraire de A un mineur dordre k.
(Un mineur est une sous matrice(k) de la matrice A).
Exemple
Les vecteurs v
1
=
_
_
_
_
_
_
1
2
3
3
5
_
_
_
_
_
_
, v
2
=
_
_
_
_
_
_
0
1
2
4
0
_
_
_
_
_
_
, v
3
=
_
_
_
_
_
_
1
5
9
2
0
_
_
_
_
_
_
forment une
famille libre de R
5
car dans la matrice associe on a un mineur de rang 3 :
A =
_
_
_
_
_
_
1 0 1
2 1 5
3 2 9
3 4 2
5 0 0
_
_
_
_
_
_
3.3 Appartenance dun vecteur lespace engendr
par une famille
Dfinition 42. Soit A une matrice et b un mineur dordre k extrait de
A. On appelle bordant de b tout mineur dordre k + 1 extrait de A dont
b est un mineur extrait.
Thorme 11.11. Soit {v
1
, ..., v
k
} k vecteurs linairement indpendants
et A M
nk
la matrice associe. Soit b un mineur dordre k non nul extrait
de A.
Pour quun vecteur w appartienne vect(v
1
, ..., v
k
), il faut et il sut que
tous les bordants de b dans la matrice C = |v
1
, ..., v
n
, w| soient nuls.
(En eet on vient de voir que k vecteurs taient linairement indpendant
ssi il existait un mineur dordre k non nul. Donc ils sont lis ssi tous les
mineurs dordre k sont nuls.)
3.4 Dtermination du rang
Thorme 11.12. Soit A M
pn
. Le rang de A est k ssi on peut extraire
de A un mineur b dordre k non nul et tous les bordants de b dans A sont
nuls.
Autre manire de chercher le rang dune matrice :
Thorme 11.13. Le rang dune matrice A est lordre maximal des mi-
neurs non nuls extraits de A.
Chapitre 12
Feuille Td 4
Exercice 1
Soit A un endomorphisme dev de dimension nie. Montrer que les condi-
tions sont quivalentes :
i. detA = 0
ii. A est injectif
iii. A est surjectif
iv. A est bijectif
v. Ker(A) = {0}
Exercice 2
Soient a = (a
1
, a2) et b = (b
1
, b
2
) des vecteurs de R
2
. Montrer que laire
du paralllogramme engendr par a et b est gale au dterminant de la
matrice
_
a
1
b
1
a
2
b
2
_
. Dmontrer lnonc analogue dans R
3
sur le volume
dun paralllotope engendr par trois vecteurs.
Exercice 3
Calculer les dterminants suivants :
4 3 5
3 2 8
1 7 5
0 x z
x 0 y
z y 0
1 x x
2
1 y y
2
1 z z
2
107
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
, ,
6 5 8 4
9 7 5 2
7 5 3 7
4 8 8 3
Exercice 4
Calculer les inverses des matrices suivantes :
(
a b
0 1
a = 0
_
_
1 x z
0 1 y
0 0 1
_
_
_
2 1
1 1
_
_
_
2 7 3
3 9 4
1 5 3
_
_
Exercice 5
Soient B =
_
_
_
_
1 1 0 1
2 1 1 1
1 1 0 0
1 3 2 1
_
_
_
_
; X =
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
; C
1
=
_
_
_
_
1
0
1
1
_
_
_
_
et C
2
=
_
_
_
_
2
4
2
2
_
_
_
_
i. Calculer le rang de B.
ii. Dterminer les solutions de BX = C
1
iii. Dterminer les solutions de BX = C
2
Exercice 6
Les vecteurs v
1
= (1, 0, 0, 2, 5), v
2
= (0, 0, 1, 4, 7), v
3
= (0, 1, 0, 3, 4) et
v
4
= (2, 3, 4, 11, 12) sont-ils indpendants dans R
5
?
Exercice 7
Pour quelles valeurs de et les vecteurs (2, , 1), (, 0, 1), (, , 0) forment
ils une base de R
3
.
Exercice 8
Soit A M
n
(K) et K.
Montrer lquivalence :
u R
n
\Au = u <=> est racine de p(x) = det(A xI
n
)
Exercice 9
Calculer le dterminant de la matrice qui reprsente dans la base cano-
nique de R
3
la projectio f sur le plan x y + 5z = 0 paralllement
la droite x = y = z suivie de laprojection g sur le plan x + y + z = 0
paralllement la droite x = y = 5z.
Exercice 10
Pour quelles valeurs de a R la matrice
_
_
1 1 1
1 2 4
1 3 a
_
_
M
3
(R)
est-elle inversible ? Calculer dans ce cas son inverse.
1 Dterminants et inversion
Exercice 5 : Calculer les dterminants suivants :
2 3
1 4
1 0 2
3 4 5
5 6 7
1 0 6
3 4 15
5 6 21
1 0 0
2 3 5
4 1 3
Exercice 6 : Lesquels des dterminants suivants sont nuls ?
2 4 1 3
1 2 1 0
0 0 2 2
3 6 2 5
9 9 8
25 75 30
5 15 6
1 0 1 0
0 1 1 0
0 0 1 1
1 1 1 1

Exercice 13 : Soit End(
3
), dni par limage par dune base
= {e
1
, e
2
, e
3
} :
(e
1
) = e
1
+2e
2
+2e
3
, (e
2
) = 3e
1
+4e
2
+6e
3
, (e
3
) = 5e
1
+6
2
+9e
3
.
Expliciter la matrice M() de dans la base . M() est elle inversible ?
Si oui, linverser, et en dduire laction de
1
dans la base .
Chapitre 13
Exercice 1
On montre dabord que
kerA = {o} <=> Ainjectif <=> Asurjectif <=> Abijectif
.
Rappel : On a dimE = dim(Ker(A)) +rgA.
A injective <=> KerA = {0}.
Soit x E tel que x KerA. Alors A(x) = 0 = A(0). Comme A est
injective x = 0.
Supposons Ker(A) = 0. Soient x, y E tels que A(x) = A(y). Alors on a
A(xy) = 0 (car A est linaire), donc xy Ker(A) et donc xy = 0.
A surjective <=> Im(A) = E <=> Ker(A) = 0
La premire quivalence est vraie par dnition.
Ker(A) = 0 <=> dimKer(A) = 0 <=> dim(Im(A)) = dimE <=>
Im(A) = E.
111
Cela nous donne directement la dernire quivalence.
A bijectve <=> det(A) = 0
Soient (e
1
, ..., e
n
) une base de E.
Si A est bijective alors (A(e
1
), ..., A(e
n
)) forme une base de E (car limage
dune base par un isomorphisme est une base). Donc det(A(e
1
), ..., A(e
n
)) =
0 car (A(e
1
), ..., A(e
n
)) nest pas lie. On a aussi det(e
1
, ..., e
n
) = 0.
Rappel : soit f un endomorphisme, alors det(f(e
1
), ..., f(e
n
)) = det(f)det(e
1
, ..., e
n
)
do det(A) = 0.
Rciproquement, si det(A) = 0, comme det(e
1
, ..., e
n
) = 0, on a det(A(e
1
), ..., A(e
n
)) =
0.
Exercice 2
Soit A le paralllogramme engendr par (a, b). Soit A laire de A. Alors
A = ||a|| h o ||a|| est la longueur du vecteur a. Or h = ||b||sin() Donc
A = ||a|| h = ||a||||b||sin().
Dautre part on a (rappel) ||a b|| = ||a||||b||sin().
Ecrivons a et b dans R
3
(pour pouvoir faire le produit vectoriel). On a
a =
_
_
a
1
a
2
0
_
_
et b =
_
_
b
1
b
2
0
_
_
.
Alors a b =
_
_
0
0
a
1
b
2
a
2
b
1
_
_
=
_
_
0
0
det(a, b)
_
_
.
donc ||a b|| = |det(a, b)|.
(On pouvait aussi montrer que laire tait une forme bilinaire alterne
telle que laire engendre par (e
1
, e
2
) galait 1. Alors par une proposition
du cours laire est gale au dterminant.
Soit a, b, c trois vecteurs de R
3
et soit V le volume du paralllotope engen-
dr par ces trois vecteurs. Alors V = Aire(a, b) p o p est la profondeur
par rapport au plan (a, b), cest dire la projection de c sur la drtoie per-
pendiculaire (a, b). le vecteur unitaire de cette droite est u =
ab
||ab||
. Alors
(rappel) p = |c.u| (le produit scalaire entre ces deux vecteurs). Finalement
V = Aire(a, b) p = ||a b|| |c.
a b
||a b||
= |c.a b|
Or
a b =
_
_
a
1
a
2
a
3
_
_
_
_
b
1
b
2
b
3
_
_
=
_
_
a
2
b
3
a
3
b
2
a
3
b
1
a
1
b
3
a
1
b
2
a
2
b
1
_
_
et
c.a b = c
1
(a
2
b
3
a
3
b
2
) +c
2
(a
3
b
1
a
1
b
3
) +c
3
(a
1
b
2
a
2
b
1
)
donc le volume gale
det
_
_
c
1
a
1
b
1
c
2
a
2
b
2
c
3
a
3
b
3
_
_
= |det(c, a, b)| = |det(a, b, c)|
Exercice 3
Pour trouver les dterminants sans trop faire de calculs, on met le plus
de 0 possible dans la matrice (c est dire que lon ajoute des combinai-
sons linaires un ligne des autres lignes (resp. aux colonnes) avant de
dvelopper.
4 3 5
3 2 8
1 7 5
0 6 2
0 19 23
1 7 5
= 1 (6 23 19 2) = 138 38 = 100
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 0 0 0
1 2 0 0
1 0 2 0
1 0 0 2
= 1
2 0 0
0 2 0
0 0 2
= 8
0 x z
x 0 y
z y 0
= x
x y
z 0
+z
0 x
z
x 0
z y
= x(yz) +z(xy) = 0
De manire gnrale si une matrice est antisymtrique alors son dtermi-
nant sera nul.
1 x x
2
1 y y
2
1 z z
2
1 x x
2
0 y x (y x)(y +x)
0 z x (z x)(z +x)
= 1((y x)(z x)(z +x) (z x)(y x)(y +x)) = (y x)(z x)(z y)
6 5 8 4
9 7 5 2
7 5 3 7
4 8 8 3
6 3 8 4
9 12 5 2
7 8 3 7
4 0 8 3
6 3 4 4
9 12 13 2
7 8 11 7
4 0 0 3
= (4)
3 4 4
12 13 2
8 11 7
6 3 4
9 12 13
7 8 11
Or
6 3 4
9 12 13
7 8 11
0 3 4
15 12 13
9 8 11
= 3(15 11 9 13) 4(15

8 + 9 12) = 96
et
3 4 4
12 13 2
8 11 7
3 0 4
12 113 2
8 4 7
= 3 (11 7 +4 2) +4(4 12 +
8 11) = 47
Alors le dterminant demand est 100.
Exercice 4
La premire mthode que lon a vu pour inverser une matrice tait de
rsoudre un systme A.(x
1
, ..., x
n
) = (x
1
..., x
n
) avec invonnues x
1
, ..., x
n
.
Ici on va utiliser la formule A
1
=
1
det(A)
t
com(A). On commence bien sur
par caluler les dterminant pour vrier qu ils sont non nuls.
A
1
=
_
a b
0 1
_
et a = 0
On a det(A
1
) = a = 0 donc on peut inverser. On commence par les cofac-
teurs :
cof
11
(A
1
) = (1)
1+1
det(1) = 1
cof
12
(A
1
) = (1)
1+2
det(0) = 0
cof
21
(A
1
) = (1)
2+1
det(b) = b
cof
22
(A
1
) = (1)
2+2
det(a) = 4
Alors
t
com(A
1
) =
_
1 b
0 a
_
et donc
A
1
=
_
1
a
1
b
0
a
a
_
A
2
=
_
_
1 x z
0 1 y
0 0 1
_
_
detA
2
= 1 donc on peut inverser. Les cofacteurs sont :
cof
11
(A
1
) = (1)
1+1
det(
_
1 y
0 1
_
) = 1
cof
12
(A
1
) = (1)
1+2
det(
_
0 y
0 1
_
)) = 0
cof
13
(A
1
) = (1)
1+3
det(
_
0 1
0 0
_
)) = 0
cof
21
(A
1
) = (1)
2+1
det(
_
x z
0 1
_
)) = x
cof
22
(A
1
) = (1)
2+2
det(
_
1 z
0 1
_
)) = 1
cof
23
(A
1
) = (1)
2+3
det(
_
1 x
0 0
_
)) = 0
cof
31
(A
1
) = (1)
3+1
det(
_
x z
1 y
_
)) = xy z
cof
32
(A
1
) = (1)
3+2
det(
_
1 z
0 y
_
)) = y
cof
33
(A
1
) = (1)
3+3
det(
_
1 x
0 1
_
)) = 1
Alors
A
1
2
=
_
_
1 x xy z
0 1 y
0 0 1
_
_
A
3
=
_
2 1
1 1
_
On a det(A
3
) = 2 1 = 1 donc on peut inverser.
A
1
3
=
_
1 1
1 2
_
A
4
=
_
_
2 7 3
3 9 4
1 5 3
_
_
On a det(A
3
) = 3 et A
1
4
=
1
3
_
_
7 2 1
5 1 1
2 1 3
_
_
.
Exercice 5
B =
_
_
_
_
1 1 0 1
2 1 1 1
1 1 0 0
1 3 2 1
_
_
_
_
1)Le rang de B est le plus grand dterminant non nul que lon peut ex-
traire. On a
1 1
2 1
= 1 = 0 donc rg(B) 2.
On cherche maintenant un mineur dordre 3 :
1 0 1
1 1 1
1 0 0
= 1 = 0 donc rg(B) 3.
Or det(B) = 0 donc rg(B) = 3.
2) Comme det(B) = 0 on ne peut pas inverser la matrice pour trouver la
solution directement. On n a pas dunicit non plus.
BX = C
1
quivaut au systme :
_
_
x
1
+x
2
+ x
4
= 1
2x
1
+x
2
+x
3
+x
4
= 0
x
1
+x
2
= 0
x
1
+ 3x
2
2x
3
+x
4
= 1
ce qui quivaut :
_
_
x
2
= x
1
x
4
= 1
x
1
+x
3
= 1
2x
1
2x
3
= 0
Le systme nest pas compatible donc il ny a pas de solutions.
3) BX = C
2
quivaut au systme :
_
_
x
1
+x
2
+ x
4
= 2
2x
1
+x
2
+x
3
+x
4
= 4
x
1
+x
2
= 2
x
1
+ 3x
2
2x
3
+x
4
= 2
ce qui quivaut :
_
_
x
2
+x
1
= 2
x
4
= 0
x
1
+x
3
= 2
2x
2
2x
3
= 0
i.e.lensemble des solutions est lensemble des quadruplets (x
1
, x
2
, x
3
, x
4
)
tels que x
2
= x
3
= 2 x
1
et x
4
= 0.
Exercice 6
Les quatre vecteurs v
1
= (1, 0, 0, 2, 5), v
2
= (0, 0, 1, 4, 7), v
3
= (0, 1, 0, 3, 4)
et v
4
= (2, 3, 4, 11, 12) sont indpendants ssi on peut extraire un mineur
de rang 4 de la matrice A dont les colonnes sont ces vecteurs (ssi rg(A) =
4).
A =
_
_
_
_
_
_
1 0 0 2
0 0 1 3
0 1 0 4
2 4 3 11
5 7 4 12
_
_
_
_
_
_
Or

1 0 0 2
0 0 1 3
0 1 0 4
2 4 3 11
= 8
donc la famille est libre.
Exercice 7
Les vecteurs (2, , 1), (, 0, 1), (, , 0) forment une base de R
3
si et seule-
ment si ils forment une famille libre (en eet on a trois vecteurs donc si ils
sont libres il engendrent un sev de R
3
de dimension 3, donc par thorme,
ils engendrent tout lespace. ) donc si et seulement si det = 0.
Calculons ce dterminant :
2
0
1 1 0
2 2

1 0 0
= ( 2) +
2
La famille est libre ssi ( 2) +
2
= 0
Exercice 8
racine de p(x) = det(AxI
n
) <=> det(AI
n
) = 0 <=>AI
n
nest
pas bijective, en particuler elle nest pas injective <=> Ker(AI
n
) = 0
<=> il existe u = 0 tel que (AI
n
)(u) = 0. ceci quivaut bien sur ce
qu il existe u = 0 tel que Au = u.
Exercice 9
On veut le dterminant de lapplication compose gof. La matrice associe
cette application est le produit des matrices associees f et g respecti-
vement : M
gof
= M
g
M
f
et le dterminant le produit des deux.
Or lapplication f est une projection sur un plan paralllement une
droite. En particulier tous les points situs sur cette droite seront tous
envoys sur (0, 0, 0). Donc lapplication nest pas injective, ce qui im-
plique que son dterminant est nul. (Cest le mme argument pour g)
donc det(M
gof
= 0.
Exercice 10
Pour que la matrice A soit inversible il faut que son dterminant soit non
nul. on va donc calculer ce dterminant :
det(A) =
1 1 1
1 2 4
1 3 a
1 1 1
0 1 3
0 2 a 1
= a 1 6 = a 7
Donc si a = 7 la matrice est inversible.
Pour calculer linverse on calcule dabord la comatrice :
Com(A) =
_
_
2a 12 4 a 1
3 a a 1 2
2 3 1
_
_
Alors
A
1
=
1
a 7
_
_
2a 12 3 a 2
4 a a 1 3
1 2 1
_
_
Exercice 11
2 3
1 4
= 2 4 + 3 = 11
1 0 2
3 4 5
5 6 7
1 0 2
0 4 1
0 6 3
= 6
Pour la troisime matrice, on remarque que la troisime colonne vaut
trois fois la troisieme colonne de la deuxieme matrice et que le reste est
identique, alors le dterminant est multipli par trois :
1 0 6
3 4 15
5 6 21
= 18
1 0 0
2 3 5
4 1 3
= 9 5 = 4
Exercice 12
Les trois dterminant sont nuls car :
i. La deuxime colonne vaut deux fois la premire colonne
ii. la deuxime ligne vaut 5 fois la troisime ligne
iii. la dernire ligne est la somme de toutes les lignes.
Exercice 13
La matrice reprsentant dans la base = {e
1
, e
2
, e
3
} est telle que ses
colonnes sont l image des vecteurs de base exprims dans la base de lespace
d arrive (qui est la mme que celle de dpart dans ce cas ci). On obtient
alors :
_
_
1 3 5
2 4 6
2 6 9
_
_
Pour montrer que est inversible il sut de montrer que le dterminant
de la matrice reprsentant cette application est non nul. On a :
1 3 5
2 4 6
2 6 9
= 2
donc est inversible. On calcule son inverse en utilisant la formule avec
les cofacteurs et on trouve :
M()
1
=
_
_
0
3
2
1
3
1
2
2
2 0 1
_
_
Alors laction de
1
est

1
(e
1
) = 3e
2
+ 2e
3
1
(e
2
) =
3
2
e
1

1
2
e
2

1
(e
3
) = e
1
+ 2e
2
e
3
Chapitre 14
Rsolution dquations
direntielles
On va maintenant appliquer la thorie du calcul matriciel la rsolution
des systmes dquations direntielles. Avant cela il nous faut un petit
peu plus de thorie : la diagonalisation des matrices. Diagonaliser les
matrices rendra la rsolution des sytmes linaires beaucoup plus facile ;
mais on ne peut pas toujours le faire. On va donc dans un premier temps
caractriser les matrices diagonalisables puis trouver les bases dans les-
quelles leur matrice semblable est diagonale. Cest une des parties les plus
importantes de ce chapitre, bien plus que les applications, il est trs im-
portant de vous entrainer le faire.
(remarque : la diagonalisation des matrices fait partie de ce que lon ap-
pelle rduction des endomorphismes qui comprend aussi la trigo-
nalisation, mais que nous ne verrons pas ici.)
1 Diagonalisation
Le problme est le suivant. Etant donn un endomorphisme f on lui associe
une matrice M
B
(f) crite dans une certaine base B; on voudrait trouver
une base B
dans laquelle la matrice de f (semblable M

B
(f) ) est la
plus simple possible (cest dire diagonale). Une telle base nexiste pas
toujours.
123
1.1 Vecteur propre - valeur propre
Soit
u : E E
x Ax
un endomorphisme (avec A la matrice de u dans une base b). On veut
trouver une base b
telle que A = PDP

1
o D est diagonale et reprsente
u dans la base b
, P est la matrice de passage de b vers b
.(On aura aussi

D = P
1
AP).
si D est diagonale , cela implique que u(e
i
) =
i
e
i
pour tout e
i
b
(
i
est le ime coecient de la diagonale de D).Aurement dit on veut trouver
une base b
dont tous les vecteurs ont des images par u proportionnels

eux-mmes.
Dfinition 43. i. Soit u : E E linaire , avec E de dimension n.
On dira que x = 0 tel que u(x) = x est un vecteur propre de u
pour la valeur propre .
ii. Soit une valeur propre de u. On pose E
= {vecteur propre pour}

{0}.E
est le sous espace propre associ . Cest un sev de E.

iii. On dit que u est diagonalisable si u possde une base de vecteurs
propres.
On conserve ces dnitions pour une matrice (toute matrice A est asocie
un endomorphisme
u : E E
x Ax
).
Thorme 14.1. Soit u : E E linaire.
Soit P(x) = det(u xI
E
). Cest un polynome de degr la dimension de E
dont les racines sont prcisemment les valeurs propres de u.
Chapitre 14. Rsolution dquations direntielles 125
Dfinition 44. Ce polynome P(x) est appel le polynome caractristique
de u (ou de A matrice).
Alors on a par dnition :
Proposition 14.2. Lespace propre associ une valeur propre est
dni par :
E
= Ker(u Id
E
)
Cest une consquence du thorme prcdent.
Exemple 1 : dim(E) = 2 , A =
_
a b
c d
_
Alors det(A xI
2
) =
a x b
c d x
= x
2
(a + d)x + ad bc =
x
2
Tr(A)x + det(A) o Tr(A) est la trace de A, cest dire la somme
des coecients diagonnaux de A.
Exemple 1 :
A =
_
2 1
1 2
_
Alors P(x) = x
2
+ 4x + 3. Les racines de P sont 1 et 3. Ce sont aussi
les valeurs propres de A.
Attention , la recherche des racines dpend du corps dans lequel
vous les cherchez : x
2
+ 1 na pas de racines dans R mais en a
deux dans C.
On va rechercher maintenant les vecteurs propres associs aux valeurs
propres :
= 1 :
E
1
= Ker(A +I
2
) = {(x, y)/A(x, y) = (x, y)}
on doit rsoudre :
_
x +y = 0
x y = 0
On a deux fois la mme quation.
Donc E
1
= {(x, y)/x = y} = vect((1, 1)).
= 3 :
E
3
= Ker(A + 3I
2
) = {(x, y)/A(x, y) = 3(x, y)}
on doit rsoudre :
_
x +y = 0
x +y = 0
On a deux fois la mme quation.
Donc E
3
= {(x, y)/x = y} = vect((1, 1)).
Alors dans cet exemple,
D =
_
1 0
0 3
_
et P =
_
1 1
1 1
_
(lordre des valeurs propres dans la matrice diagonale est dtermin par
lordre des vecteurs propres dans b
.
Dfinition 45. Pour un endomorphisme f : E E, on considre len-
semble
A(f) = {P K[X] : P(f) = 0}
des polynomes annulant f pour E de dimension nie . Il existe un unique
polynome unitaire m
f
tel que A(f) est lensemble des multiples de m
f
. Ce
polynome m
f
est le polynome minimal de f
Thorme 14.3. Cayley-Hamilton Soit f un endomorphisme dun es-
pace vectoriel de dimension nie sur un corps K. Alors P
f
(f) = 0.
En dautres termes le polynome minimal divise le polynome caractris-
tique.
1.2 caractrisation des endomorphismes diagonalisables
Dans lexemple un fois que lon a calculer les valeurs propres on savait la
matrice diagnalisable car les valeurs propres taient distinctes. Ce nest
pas toujours le cas.
Dfinition 46. Soit une valeur propre de u : E E linaire.
On appelle multiplicit de sa multiplicit en tant que racine du polynome
caractristique, i.e. la plus grande puissance n telle que (x)
n
divise p(x).
Thorme 14.4. Soit f un endomorphisme de E.f est diagonalisable ssi :
i. P(x) est scind dans K (i.e. on peut lcrire comme produit de (x) :
P(x) = (1)
n
(x
1
)
1
...(x
p
)
p
avec
i
K et
1
+... +
p
= n)
ii. Pour chaque valeur propre
i
de multiplicit
i
on a dim(E
i
) =
i
.
Exemple :
A =
_
_
1 1 0
0 1 1
1 0 1
_
_
Le polynome caractristique associ A est P(x) = x(x
2
+ 3x + 3).
Dans R ce polynome nest pas scind (i.e. x
2
+ 3x + 3 na pas de racines
relles) donc A nest pas diagonalisable dans R. Mais elle lest dans C
(tout polynome coecient rels est scind dans C).On a :
D
A
=
_
_
0 0 0
0
3+
3i
2
0
0 0
3
3i
2
_
_
Remarque : une valeur propre peut tre nulle, mais jamais une vecteur
propre : une famille de vecteurs contenant un vecteur nul ne peut tre
libre donc ne peut tre une base.
Thorme 14.5. Une matrice carre A est diagonalisable si et seulement
si son polynome minimal est scind et ses racines sont deux deux dis-
tinctes.
-cf exercice 2,1)
2 Application de la diagonalisation
On va appliquer la diagonalisation tout dabord au calcul des la puissance
dune matrice puis la rsolution de systme dquations direntielles
linaires.
2.1 Calcul de la puissance dune matrice
Soit A M
n
(K). Supposons que A est diagonalisable. Il existe alors une
matrice diagonale D et un matrice inversible P telles que D = P
1
AP,
ou de manire quivalente A = PDP
1
. Alors
A
k
= PD
k
P
1
(on remplace A par sa valeur k fois , et P
1
P = I
n
).
Or la matrice D est diagonale donc sa puissance kime est facile calculer :
D =
_
_
_
_
_
1
0 0
0
2
0
.
.
.
0 0
n
_
_
_
_
_
alors D
k
=
_
_
_
_
_
k
1
0 0
0
k
2
0
.
.
.
0 0
k
n
_
_
_
_
_
On na plus qu appliquer la formule pour retrouver A
k
.
2.2 Rsolution des systme dquations direntielles
linaires coecient constants
On veut rsoudre le systme suivant :
_
_
x
1
= a
11
x
1
+... +a
1n
x
n
.
.
.
x
n
= a
n1
x
1
+... +a
nn
x
n
avec a
ij
K(= R ou C) et x
i
drivables.
On crit le systme sous forme matricielle :
X
= AX o X =
_
_
_
x
1
.
.
.
x
n
_
_
_
On suppose A digonalisable donc il existe une matrice diagonale D et un
matrice inversible P telles que D = P
1
AP, ou de manire quivalente
A = PDP
1
.La matrice P est la matrice de changement de base de la
base b vers la base v = (v
1
, ..., v
n
) o les v
i
sont les vecteurs propres de
A. On peut appliquer ce mme changement de base aux vecteurs X et X
pour les exprims dans la nouvelle base forme des vecteurs propres. Soit
Y = P
1
X alors Y
= P
1
X
et on a
Y
= P
1
AX = P
1
APP
1
X = DY
. Ce systme est facile intgrer car D est diagonale.
Ainsi pour rsoudre un systme direntiel coecients constants on com-
mence par diagonaliser la matrice, puis on intgre le systme diagonal.
Enn grce aux matrices inversibles on crit les solutions dans la base de
dpart.
3 Rsolution des systmes dquations linaires,
systmes de Cramer
3.1 existence et unicit des solutions
Soit
_
a
11
x
1
+... +a
1n
x
n
= b
1
.
.
.a
m1
x
1
+... +a
mn
x
n
= b
m
un systme rsoudre o les (a
ij
) et b
k
sont les donnes et x
j
les inconnues.
On peut recrire ce systme sous forme marticielle :
AX = B avec A = (a
ij
).
Thorme 14.6. i. le systme a des solutions ssi B et li aux vecteurs
colonnes de A A
1
, ..., A
n
ii. Il y a unicit des solutions ssi A
1
, ..., A
n
forment une famille libre
consquences directes :
i. si n > m la famille A
1
, ..., A
n
nest pas libre dans R
m
, il ny a jamais
unicit des solutions.
ii. si m > n si A est x, il existera toujours des second membres B pour
lequel il ny aura pas de solutions.
Corollaire 14.7. si m = n et si A est inversible alors il y a existence et
unicit des solutions du systme AX = B.
La preuve est facile.
Dfinition 47. Un tel systme est dit de Cramer.
Thorme 14.8. Soit AX = B un systme linaire dquations linaires
. Soit X
0
une solution particulire de ce systme. Alors toutes les autres
solutions scriront X
0
+Y avec Y solution de AX = 0 (le systme hoogne
associ).
Dmonstration. on suppose que lon a une solution X
0
telle que AX
0
= B.
Soit X une autre solution. Alors AX = AX
0
ce qui quivaut A(XX
0
) =
0. Donc Y = X X
0
est une solution du systme homogne associ .
Corollaire 14.9. Soit AX = B un systme et X
0
une solution. Alors
lensemble des solutions de ce systme est de la forme X
0
+F o F est un
sous espace vectoriel de R
n
de dimension n rg(A).
3.2 Rsolution thorique
Soit
_
a
11
x
1
+... +a
1n
x
n
= b
1
.
.
.a
m1
x
1
+... +a
mn
x
n
= b
m
un systme rsoudre o les (a
ij
) et b
k
sont les donnes et x
j
les incon-
nues.
a)m = n : systme de Cramer
On suppose A inversible donc de dterminant non nul. Jusquici pour r-
soudre untel systme on pouvait soit utiliser le pivot de Gauss soit inverser
la matrice A (ce qui revient beaucoup de calculs si la matrice est grande).
Dans cette section on prsente une troisime manire de rsoudre un tel
systme : il existe des formules directes pour calculer les x
i
ce sont les
formules de Cramer. On a :
x
1
=
det((B,A
2
,...,An))
det(A)
.
.
.
x
n
=
det((A
1
,A
2
,...,B))
det(A)
sont les solutions du systme.
b) Cas gnral
On rsoud en trois tapes :
i. On calcule le rang r de A. On sait alors que lon peut extraire de A
une matrice carre inversible de taille r. On extrait cette matrice (en
permutant les quations et/ou les inconnues du systme)
ii. On vrie que le systme est compatible (i.e. il faut que les solutions
du systme de Cramer soit aussi solution des autres quations).
Pour avoir des solutions il faut et il sut que B soit dans lespace
engendr par (A
1
, ..., A
r
) (colonnes de la matrice modie).
iii. On rsout le systme principal de Cramer.
On fera des exemples dans les exercices.
Chapitre 15
Feuille Td 5
A : Diagonalisation
Exercice 1
Calculer les polynomes caractristique et minimal des endomorphismes
reprsentes par les matrices qui suivent. Calculer les vecteurs propres et
sous espaces propres quand cela est possible. Donner la matrice de passage
P telle que D = P
1
AP o D est diagonale (quand cela est possible.
i.
_
_
1 0 2
0 1 3
2 2 0
_
_
ii.
_
_
4 0 2
0 1 0
5 1 3
_
_
iii.
_
2 1
5 2
_
K=RouC
Exercice 2
Soit
A =
_
1 1
2 4
_
i. Diagonaliser A.
ii. Calculer A
k
133
Exercice 3
Soit le systme
_
dx
dt
= x y
dy
dt
= 2x + 4y
i. Ecrire le systme sous forme matricielle.
ii. Diagonaliser la matrice trouve en 1).
iii. Rsoudre le systme.
B :Rsolutions de systme linaire par les d-
terminants
Exercice 4
Soit le systme
_
_
_
2x 5y + 2z = 7
x + 2y 4z = 3
3x 4y 6z = 5
i. Montrer que cest un systme de Cramer.
ii. Le rsoudre grace aux formules de Cramer
Exercice 5
Eventuellement rsoudre le systme suivant :
_
_
x y z = 1
2x + 2y 3z = 0
x + 2y z = 0
4x + 3y 5z = 1

Coursalglin 2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Coursalglin 2

Transféré par

Droits d'auteur :

Formats disponibles

1

lapplication drive.En eet soient P, Q R[X] et R. Alors

= u(P) +u(Q) et u(P) = (P)

) et , K. Alors (par dnition) il existe

Proposition 8.2. Soit u : E F un application linaire.Alors

) Im(f) <=> il existe (x, y, z) R

Ker(u) donc il existe z

= rg(u) et donc dimE = dimE

bases de E. Alors la matrice

est la matrice correspondant

(1, 0) 2(1, 1) (1, 2)

deux bases. Soit x E, P

= ((0, 1, 1), (1, 1, 1), (1, 1, 0)).

est la base canonique

= ((1+i, 1i, 0), (0, 0, 2i), (i, 1, 2i)).

t(x, y, z, w)}. on doit donc

est la matrice de lap-

) (E, B). Donc pour lobtenir il

On dveloppe par rapport la premire colonne :

Exercice 6 : Lesquels des dterminants suivants sont nuls ?

110 Calcul matriciel

= 1((y x)(z x)(z +x) (z x)(y x)(y +x)) = (y x)(z x)(z y)

= 3(15 11 9 13) 4(15

dans laquelle la matrice de f (semblable M

telle que A = PDP

, P est la matrice de passage de b vers b

.(On aura aussi

dont tous les vecteurs ont des images par u proportionnels

= {vecteur propre pour}

est le sous espace propre associ . Cest un sev de E.

Vous aimerez peut-être aussi