Vous êtes sur la page 1sur 134

1

MATHEMATIQUES GENERALES 2

Algebre linaire

Chapitre 1
Espace vectoriel
1

Premires dfinitions

Dfinition 1. on appelle espace vectoriel sur R ou R-espace vectoriel un ensemble E sur lequel on a dfini deux lois de composition :
Une loi interne dite addition, note + (i.e. une application + : E E E)
vrifiant :
(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 0E , dit neutre, tel que pour tout x E x+0E = x
soit x E ; il existe (x) lment de E dit oppos de x tel que x + (x) = 0E
une loi externe de domaine R (i.e. une application . : R E E,(, x) x)
vrifiant :
(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 dfinition 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 = Rn = R ... R

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
((x1 , y1 ), (x2 , y2 )) (x1 + x2 , y1 + y2 )
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 : vrifier les axiomes de la dfinition.

Interprtation gomtrique :
Soit P = {vecteursdansleplan} :
Dfinition 2. Une flche dans le plan est un segment entre deux points A et B
orients.
Deux flches sont quivalentes si elles ont mmes direction, sens et longueurs.
Les vecteurs du plan sont les classes dquivalences des flches.
Addition de vecteurs :
~ = AD
~ o AD
~ a le mme sens et la mme
Multiplication par un scalaire : AB
direction que AB et la longueur multiplie par (si est positif).

Exemple 2 :
Soit E = Rn [X] = {f onctionspolynomescoef f icientdansRdedegr 6 n} = {P (X) =
a0 + a1 X + ... + an xn ai R} est un espace vectoriel sur R muni des lois :
(a0 + a1 X + ... + an xn ) + (b0 + b1 X + ... + bn xn ) := ((a0 + b0 ) + (a1 + b1 )X + ... + (an + bn )xn )
.(a0 + a1 X + ... + an xn ) := (a0 + a1 X + ... + an xn )

Chapitre 1. Espace vectoriel

Fig. 1 Addition de deux vecteurs


Plus gnralement E = R[X] qui est lensemble des polynomes de tout degr
coefficient dans R est un espace vectoriel sur R avec les lois :
X
X
X
(ak + bk )xk
bk xk :=
ak x k +
k

ak x :=

ak xk

(Les sommes sont finies.)


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 = 0E pour tout x E
2. .0E = 0E
3. .x = 0E implique = 0 ou x = 0E
4. (1).x = x pour tout x E
Dmonstration. (1)
0.x = 0.x + 0E
= 0.x+x+(-x) dfinition de loppos

0E est le neutre de +

Calcul matriciel

= (0.x+x)+(-x) associativit de laddition


= (0+1)x+(-x) (car 1.x = x et distributivit de . par rapport +
) = x+(-x)
=0E
(2) Soit K.
.0E = (0.x) = (.0)x = 0.x = 0E
(3) Soient K et x E tels que x = 0E .
Supposons que 6= 0. Montrons qualors x = 0E .
Si 6= 0 alors il existe 1 K tel que . 1 = 1. Alors ( 1 )(x) =
( 1 )(x) = ( 1 )x = 1.x = x. Donc x = 0E .

1
0
E

= 0E et

(4) On a (1).x = (1)x + 0E = (1)x + x + (x) = ((1) + 1)x + (x) =


0.x + (x) = (x)

Simplification de notations : on notera par la suite 0E par 0 et x + (y) = x y.


Enfin espace vectoriel sera not ev.

Sous-espace vectoriel

2.1

Dfinition

On identifie 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 6=
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 effet F non vide implique qu il existe
x F donc x F . Par stabilit de laddition x x = 0E F .

Chapitre 1. Espace vectoriel

Proposition 1.2. F est un sev de E ssi :


F 6=
x, y F , K alors x + y F
Quelques exemples :
1. {0} et E sont toujours des sev de E.
2. Rn [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 R2 les axes de coordonnes sont des sev de R2 : F = {(x, 0), x R} et
G = {(0, y), y R}.
5. En gnral, les droites vectorielles dans R2 sont de sev de R2 : cest lensemble
suivant : Fv := {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. Enfin 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 {e1 , ..., en } une famille de n vecteurs dans E.
On dit que x E est une combinaison linaire de {e1 , ..., en } sil existe 1 ,...,n dans
K tels que x = 1 e1 + ... + n en .
Exemple :
Dans Rn , tout vecteur est combinaison linaire de la base canonique : e1 = (1, 0, ..., 0), e2 =
(0, 1, ..., 0), ..., en = (0, ...0, 1). Alors x = (x1 , ..., xn ) = x1 e1 + ... + xn en .

notation : On note vect(e1 , ..., en ) = {{textx E : il existe1 , ..., n Ktelsquex = 1 e1 + ...n en }


lespace vectoriel engendr par les vecteurs {e1 , ..., en }.

Calcul matriciel

Thorme 1.3. vect(e1 , ..., en ) est un sev contenant {e1 , ...en }. Cest le plus petit
avec cette propit. On lappelle le sous espace vectoriel engendr par {e1 , ...en }.
Dmonstration. Premire partie
{e1 , .., en } vect(e1 , ...en ) en effet ei = 0e1 + ...0ei1 , +1ei + 0ei+1 + ...0en pour
tout i = 1...n
Stabilit par rapport + :
soient x, y vect(e1 , ...en ). Alors il existe 1 ,...,n et 1 ,...n dans K tels que
x = 1 e1 + ... + n en et y = 1 e1 + ... + n en .
Alors x + y = (1 + 1 )e1 + ... + (n + n )en vect(e1 , ...en ).
Stabilit par rapport . :
Soient x vect(e1 , ...en ) tel que x = 1 e1 + ... + n en et K.
Alors x = (1 e1 + ... + n en ) = (1 e1 ) + ... + (n en ) = (1 )e1 + ... + n )en
vect(e1 , ...en ).
Deuxime partie : cest le plus petit
On fait par rcurrence :
Soit F un sous espace vectoriel de E contenant {e1 , ...en }.
Soit lhypothse de rcurrence HR(k) : F contient les combinaisons linaires de
{e1 , ...ek }.
HR(1) est vrifie : e1 F implique .e1 F pour tout K (par stabilit par
rapport la multiplication par un scalaire.
Soit 1 6 k 6 n 1. Supposons que HR(k) est vraie et montrons quelle implique
HR(k + 1).
Par hypothse F contient toutes les combinaisons linaires de {e1 , ...ek }.
Soit x = (1 e1 + ... + k ek ) + k+1 ek+1 . Ces deux lments (celui dans la parenthse
et le second) sont dans F par HR et car ek+1 F , donc x est dans F comme somme
de deux vecteurs de F.
Exemples :
1. Dans le dernier exemple de sev, vect(e1 ) est une droite vectorielle.
2. Regardons vect(e1 , e2 ) dans Rn avec e1 et e2 deux vecteurs de Rn .
si e1 ou e2 = 0 cest une droite vectorielle.
si e2 = e1 vect(e1 , e2 ) = vect(e1 )
sinon vect(e1 , e2 ) est un plan vectoriel.
Dfinition 5. Soit P une partie de E espace vectoriel. On pose vect(P ) = {x
E : il existe e1 , ..., en P tel que x = 1 e1 + ... + n en } cest dire lensemble des
combinaisons linaires des lments de P . Cest le plus petit sev de E contenant P.

Chapitre 1. Espace vectoriel

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 6= 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 R2 avec les lois classiques. Soit F laxe de abscisses engendr par e1 et G laxe des ordonnes engendr par e2 .

Fig. 2 Addition de deux vecteurs


Alors F G est reprsent par les deux axes de coordonnes mais e1 + e2 6 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+0F +G
- Soient x1 , x2 F + G. Alors il existe y1 , y2 F et z1 , z2 G tels que x1 = y1 + z1
et x2 = y2 + z2 . Alors x1 + x2 = (y1 + y2 ) + (z1 + z2 ) 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 6 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 dfinition de la somme de deux sev.
- On vient de voir que pour montrer quun ensemble nest pas un sev il suffit 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}

Chapitre 1. Espace vectoriel

11

Dmonstration. Soit x F G. Supposons que x = y1 + z1 = y2 + z2 et montrons


qualors y1 = y2 et z1 = z2 .
(y1 + z1 = y2 + z2 ) <=> (y1 y2 = z2 z1 ) et on a y1 y2 F et z2 z1 G. Or
F G = {0},donc y1 = y2 et z1 = z2 .
Dfinition 8. Soit F un sous espace vectoriel dun K-ev E. G est un supplmentaire de F si E = F G.
Remarques :
1. il y a deux conditions vrifier : 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 suffit 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 dfinir la dimension dun espace vectoriel de manire
intrinsque, ie en ne faisant appel quaux oprations dfinissant les structures.

Bases
Dfinition 9.
1. Une famille de vecteurs {v1 , ..., vn } dun K-ev E est dite gnratrice si E = vect(v1 , ..., vn ), ie pour tout x E il existe 1 ,...,n K
x = 1 e1 + ... + n en .
2. La famille {e1 , ..., en } est libre ssi 1 e1 + ... + n en = 0 implique 1 = ... =
n = 0. On dit alors quil sont linairement indpendants. Sinon on dit quils
sont lis.
3. Une famille {e1 , ..., en } de vecteurs de E est une base si elle est la fois libre
et gnratrice.
Exemples :
(1) E = R2
{(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 R3 , les vecteurs v1 = (1, 2, 1) , v2 = (1, 3, 1) et v3 = (1, 13, 5) sont lis
car 2v1 + 3v2 v3 = 0
Proposition 1.7. Soit {e1 , ..., en } une base de E. Soit x E. Alors il existe un
unique n-uplets (1 , ..., n ) K n tel que x = 1 e1 + ...n en .
Dfinition 10. (1 , ..., n ) sont les coordonnes de x dans {x1 , ..., xn }.
Dmonstration. existence : {e1 , ..., en } gnratrice implique qu il existe (1 , ..., n )
K n tels que x = 1 e1 + ...n en .
unicit : x = 1 e1 + ...n en = 1 e1 + ...n en .Ceci implique que
(1 1 )e1 + ... + (n n )en = 0. Or {e1 , ..., en } est libre donc i i = 0 pour
tout i = 1...n.
Proposition 1.8. (1) Soit {e1 , ..., en } une base de E. Soit {f1 , ..., fl } une autre famille de vecteurs de E tels que chaque ei est combinaison linaire de {f1 , ..., fl }.
Alors la famille {f1 , ..., fl } est gnratrice.
(2) a. Soit {e1 , ..., ek } une famille libre de E et ek+1 6 vect(e1 , ..., ek ). Alors {e1 , ..., ek+1 }
est encore libre.
b. Soit {f1 , ..., fk } une famille libre de F sev de E et {g1 , ..., gl } une famille libre de G
sev de E. On suppose que F et G sont en somme directes. Alors {f1 , ..., fk n, g1 , ..., gl }
est encore libre.
Dmonstration. (1) On veut montre que vect(f1 , ..., fl ) = E.
Or pour tout i = 1...n on a ei vect(f1 , ..., fl ) donc {e1 , ..., ek } vect(f1 , ..., fl ).
Do vect(e1 , ..., en ) = E vect(f1 , ..., fl ) E car vect(e1 , ..., en ) est le plus petit
sous espace vectoriel de E contenant {e1 , ..., en }. Do {f1 , ..., fl } est gnratrice.
(2) a. {e1 , ..., ek+1 } est elle libre ?
Soient 1 , ...k+1 K tels que 1 e1 + ... + k+1 ek+1 = 0. On doit montrer que i = 0
pour tout i.
k1
1
e1 + ... + k+1
ek = ek+1 , c est faux par hypoSupposons que k+1 6= 0. Alors k+1
thse. Donc k+1 = 0 et 1 e1 + ... + k ek = 0. Or la famille {e1 , ..., ek } est libre par
hyppothse donc pour tout i = 1...k i = 0.
b. laiss en exercice.

Chapitre 1. Espace vectoriel

Proposition 1.9.

13

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 {v1 , ..., vp } dont lun des deux vecteurs vi 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 finie cest dire quand il existe
une famille gnratrice finie.
Thorme 1.10. Dans un K-ev E non gal au vecteur nul et de dimension finie, il
existe toujours des base.
Dmonstration. admise
Thorme 1.11. Soit E 6= {0} un ev de dimension finie. 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 {e1 , ..., ek } et {f1 , ..., fl } deux bases.
Alors {e1 , ..., ek } est gnratrice et {f1 , ..., fl } est libre. Donc par le thorme prcdent, l 6 k. Et inversement k 6 l.

14

Calcul matriciel

(2) Soient {e1 , ..., ek } gnratrice et {f1 , ..., fl } base donc libre. Donc par thorme
k>l
(3) Soient {e1 , ..., ek } libre et {f1 , ..., fl } base donc gnratrice. Donc l > k
Dmonstration. Ide de la preuve du torme : (1) Soient {e1 , ..., ek } gnratrice et
{f1 , ..., fl } libre. A-t-on k > l ?
On suppose que l > k et on montre qualors k = l.
ide : substituer progressivement les fi aux ei 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.
... + dimEp .

1. Soient E1 , ...Ep des K-ev. Alors dim(E1 ...Ep ) = dimE1 +

2. Soit F un sev dun ev E. Alors dimF 6 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.
Dmonstration. admise

Chapitre 2
Feuille Td 1
A : espaces vectoriels, sous espaces vectoriels
Exercice 1
Parmi les ensembles suivants reconnaitre ceux qui sont des sev de R2 ou R3 :
E1 = {(x, y, z) R3 /x + y = 0} E10 = {(x, y, z) R3 /xy = 0}
E2 = {(x, y) R2 /x2 + yx > 0} E20 = {(x, y, z) R3 /x2 + xy + y 2 > 0}
E3 = {f F(R, R)/f (1) = 0} E30 = {f F(R, R)/f (1) = 0}

Exercice 2
On munit R2 des lois :

E E E
((x1 , y1 ), (x2 , y2 )) (x1 + x2 , y1 + y2 )
comme addition et

R E E
(, (x, y)) (x, 0)
15

16

Calcul matriciel

come multiplication par un scalaire.


E dot de ces lois est-il un espace vectoriel ?

Exercice 3
Dfinition 11. Une matrice carre 2 2 est un tableau carr deux lignes et deux
colonnes


A=

a11 a12
a21 a22

colonnes
= (aij )j=12
M2 (K)
i=12 lignes

,ou K est un corps (pensez aux nombres rels ou aux complexes).


On munit M2 (R) des lois suivantes :

M2 (R) M2 (R) M2 (R)


j=12
j=12
(aij )i=12 , (bij )j=12
i=12 (aij + bij )i=12
comme addition et

R M2 (R) M2 (R)
j=12
(, (aij )j=12
i=12 (aij )i=12
come multiplication par un scalaire.
Montrer que M2 (Rr) muni de ces lois est un espace vectoriel.

Exercice 4
Soit



a+b c
E = {A M2 (R)/A =
}
2c b


1 a
F = {A M2 (R)/A =
}
0 b
Lequel de ces deux sous ensembles de M2 (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 = {(, , ) R3 / + 2 +
3 = 0} sont des sev de R3 et que R3 = U V .

Exercice 6 : caractrisation de la somme directe de 3 sev


Soient U, V et W des sev dun ev E vrifiant :
(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 e1 = (0, 1, 2, 1), e2 = (1, 0, 2, 1), e3 = (3, 2, 2, 1) , e4 = (0, 0, 1, 0) et
e5 = (0, 0, 0, 1) des vecteurs de R4 . Les propositions suivantes sont elles vraies ou
fausses ? Justifier votre rponse.
1. vect(e1 , e2 , e3 ) = vect((1, 1, 0, 0), (1, 1, 4, 2))
2. (1, 1, 0, 0) vect(e1 , e2 ) vect(e2 , e3 , e4 )
3. dimR (vect(e1 , e2 ) vect(e2 , e3 , e4)) = 1
4. vect(e1 , e2 ) + (e2 , e3 , e4 ) = R4
5. vect(e4 , e5 ) est un sous espace vectoriel supplementaire de vect(e1 , e2 , e4 ) dans
R4

Exercice 8
On considre les vecteurs v1 = (1, 0, 0, 1), v2 = (0, 0, 1, 0, v3 = (0, 1, 0, 0), v4 =
(0, 0, 0, 1) et v5 = (0, 1, 0, 1) dans R4 .

18

Calcul matriciel

1. vect(v1 , v2 ) et vect(v3 ) sont ils supplmentaires dans R4 ?


2. Mme question pour vect(v1 , v3 , v4 ) et vect(v2 , v5 ).

Exercice 9
Soit E = M2 (R.


a 0
0 0


}

0 b
c d


}

E1 = {A M2 (R)/A =
et
E2 = {A M2 (R)/A =

Montrer que E1 et E2 sont deux sev de E et que E = E1 E2 .

C : familles libres et gnratrices. Base et dimension


Exercice 8
Soient les vecteurs v1 = (1 i, i) et v2 = (2, 1 + i) dans C2.
1. Montrer que le systme (v1 , v2 ) est R libre et li.
2. Vrifier que le systme S = (1, 0)(i, 0), (0, i), (0, i) est une base de C2 sur R et
donner les composantes des vecteurs v1 et v2 dans cette base.

Exercice 10
Montrer que dans R3 les vecteurs u1 = (2, 3, 1) et u2 = (1, 1, 2) engendrent le mme sev que les vecteurs v1 = (3, 7, 0) et v2 (5, 0, 7).

Exercice 11
La famille {v1 , v2 , v3 } R3 avec v1 = (1, 1, 1) , v2 = (2, 1, 3) et v3 = (0, 1, 5)
est-elle libre ? Est-elle gnratrice ? Quelle relation linaire lie les vecteurs ?
Quel est lespace quils engendrent ?

Chapitre 2. Feuille Td 1

19

Exercice 12
Montrer que la famille (v1 , v2 ) o v1 = (1, 2) et v2 = (1, 1) engendre R2 . Est
elle une base ?

Exercice 13
Dans R4 on considre lensemble E des vecteurs (x1 , x2 , x3 , x4 ) vrifiant x1 +
x2 , x3 , x4 = 0. Lensemble E est il un sev de R4 ? Si oui, en donner une base.

Exercice 14*
Les familles suivantes sont elles libres ?
(a) v1 = (1, 0, 1), v2 = (0, 2, 2) et v3 = (3, 7, 1) dans R3
(b) v1 = (1, 0, 0), v2 = (0, 1, 1) et v3 = (1, 1, 1) dans R3
(c) v1 = (1, 2, 1, 2, 1), v2 = (2, 1, 2, 1, 2) , v3 = (1, 0, 1, 1, 0) et v4 = (0, 1, 0, 0, 1)
dans R5
(d) v1 = (2, 4, 3, 1, 2, 1), v2 = (1, 1, 2, 1, 3, 1) et v3 = (0, 1, 0, 3, 6, 2) dans
R6

Exercice 15*
on considre dans Rrn une famile de 4 vecteurs linairement indpendants
(e1 , e2 , e3 , e4 ). Les familles suivantes sont elles libres ?
(a) (e1 , 2e2 , e3 )
(b) (e1 , e3 )
(c) (e1 , 2e1 + e4 , e4 )
(d) (3e1 + e3 , e3 , e2 + e3 )
(e) (2e1 + e2 , e1 3e2 , e4 , e2 e1 )

Chapitre 3
Solutions de la feuille 1
A : espaces vectoriels, sous espaces vectoriels
Exercice 1
(1) E1 est un sev :
-E1 6= car (0, 0, 0) E1 (en effet 0 + 0 = 0).
-soient (x1 , x2 , x3 ) E1 i.e. x1 + x2 = 0 et (y1 , y2 , y3 ) E1 i.e. y1 + y2 = 0
Alors ((x1 , x2 , x3 ) + (y1 , y2 , y3 ) = (x1 + y1 , x2 + y2 , x3 + y3 ) E1 si (x1 + y1 ) +
(x2 + y2 ) = 0. Ceci est vrai car x1 + x2 = 0 et y1 + y2 = 0.
Donc E1 est stable par addition.

- Soit (x, y, z) E1 ie x + y = 0. Soit R.


Alors (x, y, z) E1 car x + y = (x + y) = 0.
donc E1 reste stable par la multiplication par un scalaire.

(2) E2 nest pas un sev :


en effet (1, 2) = (0, 2) + (1, 0) et on a (1, 2) 6 E2 car 1 2 < 0 et (0, 2)
et (1, 0) sont dans E2 . Donc laddition n est pas stable.

21

22

Calcul matriciel

(3) E3 est un sev de lensemble des applications de R dans R. -E3 6= car


la fonction f qui est nulle partout appartient E3 . -Soient f, g E3 . Alors
(f + g)(1) = f (1) + g(1) = 0 donc f + g E3 -Soit f e3 et R. Alors
(f )(1) = f (1) = 0. donc f E3 .
(4) Par contre E30 nest pas un sev. Soit f E30 . Alors f (0) + f (0) = 2 =
(f + f )(0) Donc f + f 6 E30 .

Exercice 2
Laddition dfinit sur R2 est lusuelle. Donc il nous faut juste vrifier les
axiomes pour la multiplication par un scalaire.
Soient 1 R et (x, y) E. Alors i.(x, y) = (x, 0) 6= (x, y). Cet axiome ntant
pas vrifier, R2 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


a b
est
.
c d
(Les axiomes ne sont pas difficiles ici vrifier.)

Exercice 4
Tout lment de E peut scrire sous la forme :






1 0
1 0
0 1
A=a
+b
+c
0 0
0 1
2 0
avec a,b et c quelconques. Donc E est engendr par ces trois matrices , cest bien un
sev de M2 (R).
Quant F llment neutre de M2 (R) ne lui appartient pas. Donc F ne peut etre un
sev de M2 (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 R3 :
-(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 R3 = U V , ie que U et V sintersecte dans


llment neutre et que U et V engendre tout lespace.
Soient (x, y, z) R3 . 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=xa
c=ya

d=za
et on a b + 2c + 3d = 0 = (x a) + 2(y a) + 3(z a). Dou a = 16 (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(e1 , e2 , e3 ) = A, B = vect((1, 1, 0, 0), (1, 1, 4, 2)), C = vect(e1 , e2 ),
D = vect(e2 , e3 , e4 ) et E = vect(e4 , e5 ).
(a) Pour montrer lgalit entre les deux epsaces on montre que BA puis que
dimB = dimA. Pour montrer l inclusion il sufiit de montrer que les gnrateurs de B sont dans A.
(1, 1, 0, 0) A quivaut dire que (1, 1, 0, 0) est une combinaison linaire de (e1 , e2 , e3 ). Soient a, b, c R tels que (1, 1, 0, 0) = ae1 + be2 + ce3
(on suppose qu ils existent, si on aboutit a une contradiction cela voudra
dire que (1, 1, 0, 0) 6 A.) Ceci quivaut :

1 = b + 3c

1 = a + 2c
1 = b + 3c
=>
0 = 2a + 2b + 2c
a=b+c

0=abc
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 (e1 , e2 , e3 ). Soient a, b, c R tels que (1, 1, 4, 2) =
ae1 + be2 + ce3 Ceci quivaut :

1 = b + 3c

1 = a + 2c
1 = b + 3c
=>
4
=
2a
+
2b
+
2c
a
=b+c+2

2=abc
On peut prendre a = 1 = b, c = 0.
Donc B A.
Or (e1 , e2 ) est libre et e3 = 2e1 + 3e2 donc dimA = 2. et dimB = 2 car
ces deux gnrateurs sont libres entre eux.
(b) dimA = 2 et (e1 , e2 ) ainsi que (e2 , e3 ) 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

Chapitre 3. Solutions de la feuille 1

25

(d) dim(C + D) = dimC + dimD dim(C D) . Or dimC = 2 = dimA


donc dim(C + D) = dimD 6 3 car D a au plus 3 gnrateurs. Donc
dim(C + D) < dimR4 = 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 gnrateurs de A et de ceux de E. Donc il existe a, b, c, d, e tels que
z = ae1 + be2 + ce2 = 3 = de4 + ee5
. Ceci quivaut :

b + 3c = 0
*
b = 3c
a + 2c = 0
a = 2c
=>
2a + 2b + 2c = d

e=0=d

abc=e
donc z = 0 = A E.
On doit doit montrer que R4 = A+E. Il suffit de montrer que R4 A+E
car dimR4 > dim(A + E). Soit (x, y, z, w)R4 . Soient a, b, c, d, e R tels
que (x, y, z, w) = ae1 + be2 + ce3 + de4 + ee5 (si il n y a pas de solutions
cela veut dire que lon na pas linclusion souhaite).
Cela quivaut

x
=
b
+
3c
a = y 2c

y = a + 2c
b = x 3c
=>
z = 2a + 2b + 2c + d
d = z 2x + 2y

w =abc+e
e=wy+x
Il existe une solution ( il y en a mme plus). Donc on a bien linclusion.

Exercice 8
(a) dim(vect(v1 , v2 )+vect(v3 )) = dimvect(v1 , v2 )+dimvect(v3 )dim(vect(v1 , v2 )
vect(v3 ))geq3 < 4 = dimR4 donc ils ne peuvent supplmentaires.
(b) v5 = v4 + v3 donc v5 vect(v1 , v3 , v4 ) vect(v2 , v5 ). Les deux sev ne sont
pas supplmentaires lun de lautre.

26

Calcul matriciel

Exercice 9


a 0
0 0


}

0 b
c d


}

E1 = {A M2 (R)/A =
est engendr par la matrice


1 0
0 0

et
E2 = {A M2 (R)/A =

est engendr par les matrices



 
 

0 1
0 0
0 0
,
et
0 0
1 0
0 1
Donc ce sont bien des sev de lespace des matrices carres 2 2.


0 0
E1 E2 =
}
0 0
.
Toute matrice 2 2 peuvent scrire comme somme de matrices de E1 et E2 (en effet
il ny a pas de choix sur a,b,c,d pour que les matrices appartiennet E1 ou E2 .).
Do le rsultat.

C : familles libres et gnratrices. Base et dimension


Exercice 8
Remarque : C2 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 av1 + bv2 = (0, 0) implique a = b = 0 (cest la
dfinition de famille libre).
av1 +bv2 = a(1i, i)+b(2, 1+i) = (aia+2b, aib+ib) = (0, 0). Ceci quivaut :

Chapitre 3. Solutions de la feuille 1

27

a + 2b ia = 0 + i0
b + i(a b) = 0 + i0

on identifit 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 identifier les parties relles et imaginaires. On doit
rsoudre le systme complexe. Les deux qations sont quivalentes b = 21 (1 i)a.
Donc on peut choisir un a non nul tel que la premiere quation soit vrifier. Les
deux vecteurs sont lis.

2) On montre facilement que S est une famille gnratrice de C2 (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 lidentification partie relle et imaginaire).

v1 = 1(1, 0) 1(i, 0) + 0(0, 1) + 1(0, i) et v2 = 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(u1 , u2 ) vect(v1 , v2 )
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(u1 , u2 )


et on montre que x vect(v1 , v2 ).
Soit donc x vect(u1 , u2 ). x est combinaison linaire de u1 et u2 , ie soient a, R
tels que x = au1 + bu2 . Si x tait un lment de vect(v1 , v2 ) il existerait c et d rels
tels que x = cv1 + dv2 .
Alors au1 + bu2 = cv1 + dv2 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 = 71 (3a b). La troisieme nous donne d =
1
(a + 2b). Pour que c et d conviennent , il faut que la premiere quation soit vrifier
7
et cest le cas. Dou linclusion.
2) vect(v1 , v2 ) vect(u1 , u2 )
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 (u1 , u2 )
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 av1 + bv2 + cv3 = 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+bc=0

a + 3b + 5c = 0
<=>

a = 2b
c = b

2b 3b + 5b = 0

Chapitre 3. Solutions de la feuille 1

29

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 R3 , elle ne peut etre gnratrice que si elle est
libre. Ntant pas libre elle ne peut etre gnratrice.
Les vecteurs v1 et v2 forment une famille libre donc vect(v1 , v2 , v3 ) = vect(v1 , v2 ).
3)relation de dpendance
On a montr dans 1) que 2v1 + v2 v3 = 0. De plus la famille forme par v1 et v2
est libre donc il n y a quune relation de dpendance :2v1 + v2 v3 = 0.

Exercice 11
Pour montrer que la famille (v1 , v2 ) engendre R2 , il faut montrer que tout lment
de R2 scrit comme un combinaison linaire des vecteurs de cette famille. Soit
(x1 , x2 ) = x R2 . On doit montrer que le systme suivant admet toujours une
solution (x tant donn) : x = av1 + bv2 , ce qui quivaut :

a b = x1
2a + b = x2

<=>


a = x1 + b
b = 13 (x2 2x1 )

Donc le systme admet toujours une solution, donc la famille propose engendre R2 .
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 R4 , soient v1 = (1, 2, 3, 4), v2 = (1, 1, 1, 3), v4 = (2, 1, 1, 1), v4 = (1, 0, 1, 2)
et v5 = (2, 3, 0, 1). On pose U le sev engendr par (v1 , v2 , v3 ) et V celui engendr par
(v4 , v5 ).
(a) Vrifier que le systme (v1 , v2 , v3 , v4 ) est libre. (Comme il est form de 4
vecteurs de R4 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 av1 + bv2 + cv3 + dv4 = 0. Cela quivaut :

a + b + 2c d = 0

2a + b + c = 0
3a
+b+cd=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 famille dune famille libre est libre) et par hypothse ils engendrent U donc dimU = 3.
La famille engendre par (v4 , v5 ) est libre (facile) et engendre V donc dimV = 2.
De plus on a montr que vect(v1 , v2 , v3 , v4 ) = R4 donc vect(v1 , v2 , v3 , v4 , v5 ) = R4 .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 x1 , x2 , x3 , y1 , y2 R tels que
(a, b, c, d) = x1 v1 + x2 v2 + x3 v3 = y1 v4 + y2 v5 . Il nous faut donc rsoudre le systme suivant quatre quations et cinq inconnues (on va trouver la valeur de quatre

Chapitre 3. Solutions de la feuille 1

31

inconnues en fonction de la cinquime car la dimension de U V = 1) :

x1 + x2 + 2x3 + y1 2y2 = 0

2x1 + x2 + x3 3y2 = 0
3x1 + x2 + x3 + y1 = 0

4x1 + 3x2 + x3 2y1 y2 = 0


<=>

x1 + x2 + 2x3 + y1 2y2 = 0

x2 3x3 2y1 + y2 = 0
2x2 5x3 2y1 + 6y2 = 0

x2 7x3 6y1 + 7y2 = 0


<=>

x1 + x2 + 2x3 + y1 2y2 = 0

x2 3x3 2y1 + y2 = 0
x3 + 2y1 + 4y2 = 0

4x3 4y1 + 6y2 = 0


<=>

x1 + x2 + 2x3 + y1 2y2 = 0

x2 3x3 2y1 + y2 = 0
x3 + 2y1 + 4y2 = 0

4y1 + 22y2 = 0
<=>

y + 2y2 = 17
y
x1 = 9y2 14y2 11

2 2
2 2

x2 = 21y2 + 11y2 + y2 = 9y2


x3 = +11y2 4y2 = 7y2

y1 = 11
y
2 2
Alors tout lment de U V scrit sous la forme (a, b, c, d) = ( 17
y , 3y2 , 11
y , 10y2 )
2 2
2 2
17
11
avec y2 sans contraintes, donc U V = vect( 2 , 3, 2 , 10).

Exercice 13
E est un espace vectoriel. Sa dimension est dimE = dimR4 1 = 3 (1 est le nombre
dquation qui le dfinissent). Pour trouver une base il suffit de trouver trois lments
libres de 4 qui vrifient 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 (v1 , ..., vn ) est libre il faut montrer que
lunique solution de a1 v1 + ... + an vn = 0 (ici 0 est llment neutre de lev considr)
est a1 = ... = an = 0 (ici cest le scalaire 0).
(a) Soient a, b, c R tels que av1 + bv2 + cv3 = (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 v3 = v1 + v2 . Donc la famille nest pas libre.
(c) Soient a, b, c, di nR tels que av1 + bv2 + cv3 + dv4 = 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).

Chapitre 3. Solutions de la feuille 1

33

Exercice 15
Dans cet exercice on ne connait pas les valeurs des vecteurs (e1 , e2 , e3 , e4 ) mais on sait
quils sont linairement indpendants, cest die que si on a ae1 + be2 + ce3 + de4 = 0
ceci implique que a = b = c = d = 0.
(a) Une sous famille dune famille libre est libre donc (e1 , e2 , e3 ) est libre.
Soient a, b, c, d R tels que ae1 + 2be2 + ce3 = 0 . Par ce qui prcde cette
galit quivaut a = 2b = c = 0. Donc la famille est libre.
(b) (e1 , e3 ) 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 3ae1 + ae3 + be3 + ce2 + ce3 = 0. cela quivaut
3ae1 + ce2 + (a + b + c)e3 = 0. Donc on a a = 0 = c = a + b + c car
la famille (e1 , e2 , e3 ) est libre.Cela donne a = b = c = 0. Donc la famille
donne est libre.
(e) Soient a, b, c, di n tels que (2a + b d)e1 + (a 3b + d)e2 + ce4 = 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 calcul des dimensions... et ces problmes se ramnent ltude de systme linaires
(cf. exercices). Comme annonc dans lintroduction on va dans ce chapitre dvelopper 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

Etude dun systme par la mthode du pivot

On appelle systme dquations linaires un systme du type :

a11 x1 + ... + a1n xn = b1


..
.

a x + ... + a x = b
p1 1
pn n
p
Les xi sont les inconnues et rsoudre le systme consiste dterminer les xi 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
aij K)
(c) ajouter une ligne une combinaison linaire des autres lignes.
Illustrons cela par quelques exemples :
Exemple 1 :

L1 2x + y 2z + 3w = 1
L2
3x + 2y z + 2w = 4

L3
3x + 3y + 3z 3w = 5
On voit que les coefficients devant x sont tous non nuls. Si on multiplie la premire
ligne par 3 et les suivantes par 2 alors le coefficient devant x sera chaque fois 6.
Il suffira 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 ! !)

L01 2x + y 2z + 3w = 1
y + 4z 5w = 5
L02
0
L3
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 :

L1 x + 2y z = 1
L2
2x + 3y + z = 2

L3
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 quation avec un coefficient 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)

L1
x + 2y 3z = 4

L2
x + 3y + z = 11
L3
2x + 5y 4z = 13

L4
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)

L1 x 3y + 4z 2w = 5
L2
x y + 9z w = 7

L3
x 2y + 7z 2w = 9
On trouve :

x 3y + 4z 2w = 5
2y + 5z + w = 2

zw =6
On voit que lon peut exprimer toutes les solutions pour x,y,z en fonctions de w. Lensemble des solutions scrit sous la forme :(x, y, z, w) = (6111, 143, 6+, ).
Le systme admet une infinit de solutions. On appelle les variables x,y,z les inconnues 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 prparer le systme de manire ce que les calculs ne soient pas trop lourds.

Systmes homognes

Les systmes homognes sont les systmes de la forme :

a11 x1 + ... + a1n xn = 0


..
.

a x + ... + a x = 0
p1 1
pn n
Ces systme on toujours une solution au moins : x1 = ... = xn = 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.

Applications

Montrer que les vecteurs v1 = (1, 2, 3), v2 = (2, 3, 1) et v3 = (3, 2, 1)


forment une famille libre
Soient a, b, c R tels que av1 +bv2 +cv3 = 0. On doit montrer qualors a = b = c = 0
(cf. definition 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.

Chapitre 4. Interlude : le pivot de Gauss

39

Dtermination des relations linaires liant une famille de vecteurs


Dterminer les relations liant les vacteurs de R4 suivants :v1 = (1, 1, 0, 2),
v2 = (1, 0, 2, 1), v3 = (0, 1, 2, 3) et v4 = (1, 3, 4, 8)
On veut trouver a,b,c,d rels tels que av1 + bv2 + cv3 + dv4 = 0 cest dire trouver
les solutions du systme :

ab +d=0

a + c + 3d = 0
2b + 2c + 4d = 0

2a + b + 3c + 8d = 0
Utilisez la mthode pour trouver :

ab +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)v1 + ( 2)v2 + v3 + v4 = 0.
On peut choisir = 1 et = 0 (et inversement) et on trouve les quations
v1 + v2 v3 = 0 et 3v1 + 2v2 v4 = 0 (toutes les autres quations seront combinaisons linaires de celles ci. (Rflchissez y bien).

Soit v = (3, 9, 4, 2). Montrer que v vect(v1 , v2 , v3 ) o v1 = (1, 2, 0, 3),


v2 = (2, 3, 0, 1) et v3 = (2, 1, 2, 1). Dterminer les composantes de v sur
v1 , v2 , v3
On veut quil existe une solution lquation : av1 + bv2 + cv3 = 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 = v1 + 3v2 2v3 .
La famille v1 = (1, 1, 1), v2 = (0, 1, 1) et v3 = (0, 1, 1) gnre-t-elle R3 ?
On doit montrer que tout vecteur de R3 peut scrire comme combinaison linaire
des trois vecteurs proposs, i.e. que le systme (a, b, c) = ev1 + f v2 + gv3 admet au
moins une solution pour tout (a, b, c) R3 . 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 laffirmative.
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 R5 engendr par les vecteurs v1 = (1, 3, 2, 2, 3), v2 = (1, 4, 3, 4, 2), et v3 = (2, 3, 1, 2, 9).
Un lment de lespace F est de la forme (x1 , x2 , x3 , x4 , x5 ) et il vrifie des quations
du type : ax1 + bx2 + cx3 + dx4 + ex5 = 0. Les vecteurs v1 , v2 et v3 vrifient 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
vrifies par les vecteurs de f :

Chapitre 4. Interlude : le pivot de Gauss

x1 + x2 + x3 = 0
4x1 2x2 + x4 = 0

6x1 + x2 + x5 = 0

41

Chapitre 5
Calcul matriciel
Dans ce chapitre on dveloppe loutil fondamental de ce cours. Sa signification apparaitra dans le chapitre suivant. Pour linstant on va chercher sapproprier cet
objet appel matrice, i.e. on le dfinit ainsi que les oprations que lon sautorise
dessus.

1
1.1

Les matrices
Dfinitions

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 Mm,n (K). Un lment
de cet ensemble scrit :

a11 . . . a1n
.

= (aij )16i6m
A= .
16j6n

am1 . . . amn
o aij K
Si m = n on dit que A est une matrice carre et on note Mn,n (K) = Mn (K).
Dfinition 13. On appelle matrice identit In la matrice carre de n lignes et n
colonnes suivante :
43

44

Calcul matriciel

In =

1.2

1 0 . . . 0
0 1 0 . . 0

.
0 . . . 0 1

Oprations sur les matrices

On munit lensemble des matrices Mm,n (K) des oprations suivantes :


laddition :
+ : Mm,n Mm,n Mm,n
(aij ), (bij ) (aii + bij )
la multiplication par un saclaire :
. : K Mm,n Mm,n
, (bij ) (bij )
Ces oprations font de (Mm,n , +, .) un espace vectoriel, de dimension mn.

Transposition des matrices


Dfinition 14. Soit A Mm,p (K). La transpose de A, note t A, est un lment
de Mp,m (K) telle que a0 ij = aji .
Exemple

A=
Alors

1 2 3
4 5 6

1 4
t
A= 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 Mm,n (C). On appelle conjugaison hermitienne de M la


matrice t M telle que a0ij = aji .
Trace dune matrice carre
Dfinition 16. Soit A Mn (K) une matrice carre.
Sa trace, note T r(A), est la somme de ses coefficients diagonnaux.
Exemple

1 2 3
A= 4 5 6
1 1 1
alors T r(A) = 1 + 5 + 1 = 7.

1.3

Matrice lignes , Matrices colonnes

Soit M Mm,n (K).


Si m = 1 M est appele matrice ligne.
Si n = 1 M est appele matrice colonne.

Produit de matrices

En plus de laddition et de la multiplication par un scalaire, on peut dfinir le produit


de deux matrices, mais quentre matrices dun certain type.
Dfinition 17. On appelle produit de matrice lapplication :
. : Mm,n Mn,p Mm,p
(aij ), (bmk ) (cik )
o cik = ai1bik + ... + ain bnk .
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 6= 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 6= 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 :
Mn Mn Mn . Llment neutre est la matrice identit de taille n.
(b) Produit de matrice-vecteur
Soit A Mm,p (K) et

v=

v1
.
.
.
vp

Mp,1

Alors A.v est defini et gale :

a11 v1 + ... + a1p vp

.
v=

.
am1 v1 + ... + amp vp

Mm,1

Dfinition 18. Soit A Mn (K) une matrice care de taille n. On dit que A est
inversible si il existe une matrice B Mn (K) telle que A.B = In
Proposition 5.2. (a) t (AB) =t B t A
(t A)1 =t (A1 )

Matrices particulires

Dans cette section, on va dfinir diffrents sous ensembles des matrices carres A
Mn (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 Mn (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 Mn (C) est dite normale si t AA = At A.
(d) Matrices idempotente.
Dfinition 22. A est idempotente si A2 = A.
(e) Matrices nilpotente.
Dfinition 23. A est dite nilpotente si il existe m N tel que Am = In .
(f) Matrices Orthogonale.
Dfinition 24. A Mn (R) est dite orthogonale si t AA = In .
(g) Matrices unitaire.
Dfinition 25. A Mn (C) est dite unitaire si t AA = In .

Chapitre 6
Feuille Td 2
On munit lespace des matrices des lois usuelles qui en font un ev.

Exercice 1
Dans lensemble M2,3 (C) des matrices deux lignes et 3 colonnes coeficients complexes rsoudre :




1 i 1i
0 1 + i i
X =
2 i
i
1 1i i1

Exercice 2
Dterminer dans M2 (C) les matrices X et Y vrifiant :


1 i
X +Y =
1 i
et


X Y =

1 i
1 i

Exercice 3
Dterminer dans M2,3 (C) les matrices X, Y et Z telles que :

49

50

Calcul matriciel



4i
i

1
i

iX + Y iZ =

1
1 + 2i 

 0

1 5i 2
i
X Y + iZ =
0
1 i 

7
1

2i
4+i

X + Y + 2Z =
0
2i
1 2i

Exercice 4
Calculer les produits suivants lorsque cela est possible :
(a)


1 i
i 0

0 0 0
0 0 0



1 i 0
i 1 2

(b)


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 1 i 0
i 1 2
0 2

Chapitre 6. Feuille Td 2

51

Exercice 5
Calculer

1 2 1
1 0
2 1 2
1 0
2 1 2 0 1 1 2 3 0 0
1 2 3
0 0
1 2 1
0 1

Exercice 6
On considre les matrices

et

0 0 1
T = 0 1 0
1 0 0

1 2 1
A = 2 3 3
1 4 1
(a) Calculer T A et AT . Si X M3 (R), comment obtient on T X et XT
partir de X ? Calculer T 2
(b) pour

1 0 0
E= 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 M3 (R) vrifiant EE 1 =
I3 = E 1 E.

Exercice 7
Soit A la matrice

1 0 2
0 1 1
1 2 0

Calculer A3 et vrifier que A3 A 4I = 0.


En dduire que A est inversible.

52

Calcul matriciel

Exercice 8
Soit

1 1 0
A= 0 1 1
0 0 1

et soit B = A I3 .
(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 + I3 )n par la formule du binme et simplifier.
(c) En dduire An Pour tout entier n.

Exercice 9
Soit

2 1 1
A = 1 4 1
4 9 1
(a) On note KA lensemble des vecteurs

x
X= y
z

de R3 vrifiant

0
AX = 0
0

Montre que KA est un sev de Rr3 et dterminer une base de KA .


(b) On pose

1
C1 = A 0
0

0
C2 = A 1
0

Chapitre 6. Feuille Td 2

53

et

0
C3 = A 0
1

.
Le systme (C1 , C2 , C3 ) est-il libre dans R3 ?
Dterminer une base du sev appel Im(A) engendr par (C1 , C2 , C3 ).
(c) Dterminer lespace vectoriel engendr par KA Im(A). Que peut-on dire
de KA 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

1 1 3 5 1

2 0 1 3 1
A=
et B =

3 1 2 8 2

1
2
3
1 0 1

3 1 2

5
3
8
1
1
2

Que remarque-t-on ?
(b) Calculer le rang des

1
2

A1 =
1
2
1

A3 =

matrices suivantes.

1 2 1 1
1 0
1 1
1 1 1 1

1 0
1 1 2 1
,
A
=
2

1 0
1 1 1 1
1 1 1 2
1 0

1 1
0 2
1 1
2 1
1 1

1
1
1
1
1

1
1
2
1
1

3
2
2
3
0

A4 =

1 1
0 2
1 1
2 1
1 1

0
0
1
0
0

0
0
0
1
0
1
1
1
1
1

1
0
0
0
1
1
1
2
1
1

2
2
2
3
0

Chapitre 7
Solutions de la feuille 2
Exercice 1
Le systme


1 i 1i
2 i
i


X =

0 1 + i i
1 1i i1

quivaut

X=

1 i 1i
2 i
i

0 1 + i i
1 1i i1


=

1
1
1
1 2 + i 1

(On soustrait les coefficients des matrices termes termes).

Exercice 2
Comme pour un systme classique, on additionne les deux galits (Alors linconnue
Y disparaitra). On obtient :


2 0
2X =
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 :




0 i
Y =
1 0

Exercice 3
On rsout :


1 5i 2
i
X Y + iZ =
1 i

 0

7
1

2i
4
+
i
4i
i

1
i

iX + Y iZ =
X + Y + 2Z =
0
2i
1 2i
0
1
1 + 2i
Ce systme quivaut



1 5i 2
i

X Y + iZ =

0
1 i




8 + 5i 1 2i
4
2Y + (2 i)Z =
2i + 1 1 i

0


5i

5
i 1 i + 1

(1 i)Y + (i + 1)Z =
0
1+i
2i
ce qui quivaut


1 5i 2
i
X Y + iZ =
0
1 i


8 + 5i 1 2i
4
2Y + (2 i)Z =
0
2i + 1 1 i 
 1
1
(13

3i)
(3
i) 2(1 i)
1
2
2
(3 + i)Z =
2
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
1 i 0
1+ii
i 1 + (1)i
10+i2
0 0 2i
=
=
i 0
i 1 2
i 1 + 0 i i i + 0 (1) i 0 + 0 2
i 1 0

Chapitre 7. Solutions de la feuille 2

57

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) = (3) M1
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
0
0
i 1 =
0 4
0 2

6)



1 i
0 0 2i
i 1 1 i 0 = 0 0 2
i 1 2
0 2
2i 2 4

Exercice 5

1 2 1
1 0
2 1 2
1 0
1 2
2 2
1 0
2 1 2 0 1 1 2 3 0 0 = 2 1 1 3 = 1 2
1 2 3
0 0
1 2 1
0 1
1 2
1 1
0
1

Exercice 6
1)On obtient des matrices 3 3 :

1 4 1
T A = 2 3 3
1 2 1

58

Calcul matriciel

et

1 2 1
AT = 3 3 2
1 4 1

Soit

a b c
X= e f g
h i j

Alors

h i j
TX = e f g
a b c

et

c b a
XT = g f e
j i h

Et donc T 2

1 0 0
= 0 1 0
0 0 1

2)

1 2 1
EA = 4 7 5
1 4 1

3 2 1
AE = 1 3 3
9
4 1
Soit

a b c
X= e f g
h i j

Alors

0 0 0
0 0 0
a
b
c
EX = (Id3 + 2 0 0 )X = X+ 2 0 0 X = e + 2a f + 2b g + 2c
0 0 0
0 0 0
h
i
j

Chapitre 7. Solutions de la feuille 2

59

et

0 0 0
0 0 0
a + 2b b c
XE = X(Id3 + 2 0 0 ) = X + X 2 0 0 = e + 2f f g
0 0 0
0 0 0
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 vrifie que cela donne bien EX = Id. solution 2 On utilise la relation trouve
pour multiplier par E :
on a

0 0 0
E = I3 + 2 0 0
0 0 0
et

0 0 0
E2 = E + 2 0 0 E
0 0 0

On additionne et on obtient :

0 0 0
E 2 2 0 0 (I3 + E) = I3
0 0 0
<=>

0 0 0
0 0 0
E 2 2 0 0 (2E 2 0 0 ) = I3
0 0 0
0 0 0

Or

2
0 0 0
2 0 0 = 03
0 0 0

Do

0 0 0
0 0 0
E 2 2 2 0 0 E = E(E 2 2 0 0 ) = I3
0 0 0
0 0 0

60

Calcul matriciel

cest dire que E est inversible et dinverse

1 0
2 1
0 0

0
0
1

Exercice 7

1 0 2
A = 0 1 1
1 2 0
donc

3 4 2
A2 = 1 1 1
1 2
0

et

5 0 2
A3 = 0 3 1
1 2 4

Alors on obtient :

5 0 2
1 0 2
4 0 0
0 0 0
A3 A 4I = 0 3 1 0 1 1 0 4 0 = 0 0 0
1 2 4
1 2 0
0 0 4
0 0 0

Alors en rcrivant lquation prcdente on a A(A2 Id3 ) = 4Id3 cest dire


A(( 14 )(A2 Id3 )) = Id3 . Donc A est inversible, son inverse tant : A1 = ( 41 )(A2
Id3 ).

Exercice 8
(a) On trouve

0 0 1
B2 = 0 0 0
0 0 0

Chapitre 7. Solutions de la feuille 2

et

61

0 0 0
B3 = 0 0 0
0 0 0

Pour tout n > 3 B n = 0.


k k nk
, o Cnk sont les coefficients binomiaux.
(b) (B + I3 )n =k=n
k=0 Cn B I3
n
Or pour tout n > 3 B = 0, donc on garde dans la somme les trois premiers lments :

1 n n(n 1)

n
(B + I3 )n = I3 + nB + n(n 1)B 2 = An = 0 1
0 0
1

Exercice 9

2 1 1
A = 1 4 1
4 9 1
i. KA est non vide, en effet le vecteur nul lui appartient.
Soient X et Y dans KA . Alors X + Y KA :en effet A(X + Y ) =
AX + AY = 0 + 0 = 0 (cest un abus de notation , ici

0

0
0=
0
)
Soit R et X KA . Alors A(X) = (AX) = 0. (Par dfinition
KA est dans R3 .) KA est un sev de R3 .
Soit

x
X= y
z

dans KA . Alors


2 1 1
x
0
AX = 1 4 1 y = 0
4 9 1
z
0

62

Calcul matriciel

Pour trouver une base de KA , on doit donc rsoudre le systme suivant :

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 infinit de solutions qui scrivent toutes de la
, 37 , ) = ( 5
, 3 , 1) avec R. Cela quiforme : (x, y, z) = ( 5
7
7 7
vaut dire que le vecteur ( 5
, 3 , 1) engendre KA .
7 7
ii. On a

2
1
1
C1 = 1 , C2 = 4 et C3 = 1
4
9
1

C1 , C2 , C3 libre ? Soient x, y, z R tels que xC1 + yC2 + zC3 = 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 effet on a dimR3 = dimKA + dim(Im(A)) et ici dimKA = 1 donc
dim(Im(A)) = 2.)
Grace la rsolution du systme prcdent on a : C3 = 71 (5C1 3C2 ).
De plus on a C1 , C2 libre donc forme une base de Im(A).
iii. Lespace vectoriel engendr par KA ImA est lespace somme : KA +
ImA .De plus si BK et BIm sont les bases respectives de KA et ImA ,
Alors BK BIm engendre la somme. Pour avoir une base il faut extraire de la famille prcdente la plus grande famille libre. Dans cet

Chapitre 7. Solutions de la feuille 2

63

exercice, on montre que les vecteurs formant les deux bases sont libres
et donc que dim(KA + ImA ) = 3 et KA + ImA = R3 .
Pour lintersection on la calcule avec le pivot de Gauss :
Soit x KA ImA . Alors x = (5, 3, 7) = 1 C1 + 2 C2 . On rsout :
(5, 3, 7) 1 C1 2 C2 = 0 (remarque on retrouve le mme systme
que prcdemment donc on a = 1 = 2 = 0.i.e. KA = (0, 0, 0).

Exercice 10
1) Cet exercice est une illustration de rgA = rg t A.
Soient v1 , ..., v5 les vecteurs colonnes de la matrice A. On va dterminer 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 av1 + bv2 + cv3 + dv4 + ev5 = 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 : lespace 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 chelonn. Ici il faut dcider des valeurs de c, d, e pour avoir toutes les solutions 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 :
v1 + 7v2 + v3 = 0

64

Calcul matriciel

3v1 + 7v2 + 2v4 = 0


v1 + v2 + 2v5 = 0
.
Attention : lespace S et lespace vect(v1 , ..., v5 ) sont deux chose
diffrentes !
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 flches entre les matrices indiquent que lon applique la mthode
et nest en aucun cas un galit entre les matrices.

1 1 2 1 1
1 1
2
1
1
2 1 1 1 1
0 1 3 1 1

0 0 1 1

1
1
1
2
1
0
A1 =

2 1 1 1 1
0 1 3 1 1
1 1 1 1 2
0 0 1 0
1
On a soustrait la premire ligne aux 4 autres (avec un coefficient 2
pour les 2ieme te 4ieme lignes). Maintenant on garde les deux premires lignes et on applique la mme mthode pour chelonner la
matrice :

1 1
2
1
1
1 1
2
1
1
0 1 3 1 1
0 1 3 1 1

0
0

0 0 1 1
0 0 1 1
0 0
0 0
0
0
0
0 1 1
0 0 1 0
1
0 0
0
0
0
La matrice est chelonne et a 4 lignes indpendantes donc rgA1 = 4.

De mme on trouve rgA4 = rgA3 = 5 et rgA2 = 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 travailler, i.e. les espaces vectoriels, on veut dfinir les applications entre
ces ensembles et qui conservent la structure de ceux-ci. De telles applications sappellent applications linaires.

1
1.1

Dfinition et propits gnrales


Dfinition

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(0E ) = 0F .
B. u(x) = u(x)
Dmonstration. On a u(0E ) = u(0E + 0E ) = u(0E ) + u(0E ) donc
u(0E ) = 0F .
65

66

Calcul matriciel

De mme u(x) = u(0 x) = u(x + x x) = u(x) + u(x) + u(x)


et donc u(x) = u(x).
Exemples :
A.
u : R[X] R[X]
P P0
lapplication drive.En effet soient P, Q R[X] et R. Alors
u(P + Q) = (P + Q)0 = P 0 + Q0 = u(P ) + u(Q) et u(P ) = (P )0 =
P 0 = u(P ).
B.
u : C 1 (R, R) R
f f (0)
C.
u : E1 E2 E1
(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 injective 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 0 ) est un sev de F et u1 (F 0 ) = {x E : u(x) F 0 } 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 u1 ({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 dfinition de u1 (F 0 )
est ensembliste.)
Dmonstration.A. u(E 0 ) 6= car u(0) = 0 et 0 E 0 .
Soit y0 , y2 u(E 0 ) et , K. Alors (par dfinition) il existe
x1 , x2 E 0 tels que y1 = u(x1 ) et y2 = u(x2 ).
y1 + y2 = u(x1 ) + u(x2 ) = u(x1 + x2 ) u(E 0 )
B. u(0) = 0 et 0 F 0 donc 0 u1 (F 0 ).
Soient y1 , y2 u1 (F 0 ) et , K.
Alors u(y1 + y2 ) = u(y1 ) + u(y2 ) F 0
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 dfinition 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 P0
lapplication drive.
Alors Ker(D) = {P R[X] : P = a R} lensemble des fonctions 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 : R3 R3

x0 = x + y z
y 0 = 2x + y 3z
(x, y, z) (x , y , z ) =
0
z = 3x + 2y 4z
0

Alors Ker(f ) = {(x, y, z) R3 :

0=x+yz
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 ?
(x0 , y 0 , z 0 ) Im(f ) <=> il existe (x, y, z) R3 tq

x0 = x + y z
y 0 = 2x + y 3z
0
z = 3x + 2y 4z

Chapitre 8. Applications linaires : premire partie

69

<=> il existe (x, y, z) R3 tq

x0 = x + y z
y 0 2x0 = y z
0
z 3x0 = y z
<=> il existe (x, y, z) R3 tq

x0 = x + y z
y 0 + 2x0 = y + z
0
z x0 y 0 = 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
finie).
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 {vi }i une famille de vecteurs de E.
A. u injective et {vi }i libre implique {f (vi )}i libre dans F.
B. u surjective et {vi }i gnratrice implique {f (vi )}i gnratrice de F.
Dmonstration. (1) On suppose u injective. Soit n = dimE et {e1 , ..., en }
une base. On montre que {u(e1 ), ..., u(en )} est libre dans F.
Soient 1 , ..., n K tels que 1 u(e1 ) + ... + n u(en ) = 0.
Alors u(1 (e1 ) + ... + n (en )) = 0 car u est linaire.
Donc 1 (e1 ) + ... + n (en ) = 0 car u est injective.
Et finallement 1 = ... = n = 0 car {e1 , ..., en } est une base.

70

Calcul matriciel

Do n = dimE 6 dimF .
On suppose u injective et dimE = dimF = n. On vient de montrer
que {u(e1 ), ..., u(en )} est libre dans F, et comme elle a n lments
cest une base de F. Or {u(e1 ), ..., u(en )} Im(u) par dfinition donc
F = vect(u(e1 ), ..., u(en )) 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 finie.
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 0 Ker(u).
Soit
v : E 0 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 0 Ker(u) donc il existe z1 E 0 , z2 Ker(u)
tel que z = z1 + z2 . Et on a u(z) = u(z1 ) + u(z2 ) = u(z1 ) = y. Donc y
est bien limage dun lment z1 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 = {0} donc x = 0.
Alors on a dimE 0 = rg(u) et donc dimE = dimE 0 + dimKer(u) =
rg(u) + dimKer(u).

Chapitre 8. Applications linaires : premire partie

71

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 dfinir une opration supplmentaire sur les applications linaires :
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 ?...

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 {e1 , ..., en } et {f1 , ..., fp } des bases de
E et F.
On crit les images des lments de la base de E dans la base de F :
f (e1 ) = a11 f1 + ... + ap1 fp
f (e2 ) = a12 f1 + ... + ap2 fp
..
.
f (en ) = a1n f1 + ... + apn fp

Dfinition 30. On appelle matrice de f dans les bases {e1 , ..., en }


et {f1 , ..., fp } la matrice note M (f )ei fj Mp,n (K) dont les colonnes
sont les composantes des vecteurs f (e1 ), ..., f (en ) :

a11 . . . a1n
.

= (aij )16i6m
M (f )ei fj = .
16j6n

ap1 . . . apn
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 finie n et p,


{e1 , ..., en } et {f1 , ..., fp } des bases. Alors lapplication M : L(E, F )
Mp,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 = dimMp,n .
Exemples :
A. E = R2 , f la projection sur la premire bissectrice paralllement
la seconde bissectrice ; {e1 , e2 } tant la base canonique on a f (e1 ) =

Fig. 1 Addition de deux vecteurs


f (e2 ) = 21 (e1 + e2 ) = g donc
M (f )ei ,ei

1
=
2

1 1
1 1

B. Soit f : R2 R2 symtrie par rapport laxe des abcisses, paralllement laxe des ordonnes.
Alors f (e1 ) = e1 et f (e2 ) = e2 donc :


1 0
M (f )ei ,ei =
0 1

Chapitre 8. Applications linaires : premire partie

73

C. Soit f : R2 R2 rotation de centre 0 et dangle .(cf figure suivante)

Fig. 2 rotation dangle


Alors f (e1 ) = cos()e1 +sin()e2 etf (e2 ) = sin()e1 +cos()e2 .Donc
la matrice dans la base canonique est :


cos() sin()
M (f )ei ,ei =
sin() cos()
D. Soit f : E K une forme linaire, i.e. f (ei ) K . Alors M (f ) =
(f (e1 ), ..., f (en )) M1,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, {e1 , ..., en }
une base de E et x = x1 e1 + ... + xn en . On appelle matrice de x dans
la base {e1 , ..., en } la matrice colonne des composantes de x dans la
base {e1 , ..., en } :

x1

M (x)ei = ...
xn
Remarque : cela correspond la matrice de
f :K E
x
Proposition 8.7. Soient E et F deux ev, {e1 , ..., en } et {f1 , ..., fp } des
bases de E et F.
Pour tout f L(E, F ) et pour tout x E on a M (f (x))fi =
M (f )ei fi M (x)ei .
Dmonstration. Soit

M (f )ei fj

a11 . . . a1n
.
.
.
ap1 . . . apn

Pp
cest dire f (ei ) = a1i f1 + ... + api
f
=
p
j=1 aji fjP
Pn
Pp
n
On
(x) = f (x1 e1 +...+x
n en ) =
k=1 xk f (ek ) =
k=1 xk
j=1 ajk fj =
Pp a fP
P
n
p
j=1
k=1 (xk ajk )fj =
j=1 yj fj .
Donc

y1

M (f (x))fj = ...
yp
avec yj =

Pn

k=1 (xk ajk ).

Chapitre 8. Applications linaires : premire partie

75

Dautre part

M (f )ei fj M (x)ei =

a11 . . . a1n
.
.
.
ap1 . . . apn


x1
.. =
.
xn

y1
..
.
yp

Proposition 8.8. La matrice associe la composition de deux applications est le produit des matrices correspondantes : M (f og) =
M (f )M (g)
Proposition 8.9. Soit u : E F une application linaire entre deux
K-ev. Soient {e1 , ..., en } et {f1 , ..., fp } des bases de E et F. Soit A =
M (u)ei ,fj .
Alors A est inversible ssi u est bijective. On a alors M (u1 )fj ei = A1 .
Exemple de calcul de linverse dune matrice :
Soit


1 2
A=
1 3
.
Soient


x1
X=
x2
et


Y =

y1
y2

tels que


y1
y2


=

1 2
1 3

x1
x2

et on veut trouver M telle que






x1
y1
=M
x2
y2
(1) <=>


y1 = x1 + 2x2
y2 = x1 + 3x2

76

Calcul matriciel

On rsout et on trouve :


x1 = 3y1 2y2
y2 = y1 + y2

Donc
M =A

5.2


=

3 2
1 1

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 e0 bases de E. Alors la matrice
de passage de la base e dans la base e0 est la matrice correspondant
e0i = a1i e1 + ... + ani en cest dire lapplication identit
Id : Ee0 Ee
e0i e0i = ai1 e1 + ... + ain en
Remarque : cest bien lapplication identit ; dans lespace de dpart on
crit e0i dans la base (e), et dans lespace darrive on crit ce mme
lment dans la base (e).
Cette matrice scrit :

P (Id)ee0

a11 . . . a1n
.
.
.
an1 . . . ann

Cette matrice est inversible (car lapplication identit est bijective).


Exemple : On considre R2 avec pour bases : e = ((1, 0), (0, 1)) et
e0 = ((1, 1), (1, 2)). (Vrifier que ce sont bien des bases).
Alors on a

Chapitre 8. Applications linaires : premire partie

77

Id : Ee0 Ee
(1, 1) (1, 0) + (0, 1)
(1, 2) (1, 0) + 2(0, 1)
Do


P (Id)ee0 =

1 1
1 2

De mme on a
Id : Ee Ee0
(1, 0) 2(1, 1) (1, 2)
(1, 2) (1, 1) + (1, 2)
Do


P (Id)ee0 =

2 1
1 1

Proposition 8.10. Soit E un K-ev, e et e0 deux bases. Soit x E, P


la matrice de passage de e vers e0 , X la matrice de x dans e et X 0 la
matrice de x dans e0 .
Alors X 0 = AX.
Dmonstration. Soit e = (e1 , e2 , ..., en ) et e0 = (e01 , ..., e0n ).
P (Id)ee0 est dfinie par :e0i = ai1 e1 + ... + ain en .
x = x0 1 e0 1 + ... + x0 n e0 n
= x0 1 (a11 e1 + ... + a1n en )(+... + x0 n (an1 e1 + ... + ann en )
= e1 (a11 x0 1 + ... + an1 x0 n ) + ... + en (a1n x0 1 + ... + ann x0 n )
= x1 e1 + ... + xn en
Do

x1
a11 x0 1 + ... + an1 x0 n

..

.
..
. =
=

xn
a1n x0 1 + ... + ann x0 n

a11 . . . a1n
.
.
.
an1 . . . ann

x0 1
..
.
x0 n

78

Calcul matriciel

Proposition 8.11. Soit u : E F un application linaire.


soient e et e0 des bases de E et f et f 0 deux bases de F .
Soit A = M (f )ei fj et A0 = M (f )0 ei f 0 j .
Alors A0 = P (Id)1
f f 0 AP (Id)ee0 .
Corollaire 8.12. Soit u : E E un endomorphisme.
Alors (sous les mmes notations que prcdemment) on a A0 = P (Id)1
ee0 AP (Id)ee0 .
Dfinition 33. Deux matrices A et A carres n n sont dites semblables sil existe une matrice P de mme taille, inversible telle que
A0 = P 1 AP .
Rang dun vecteur :
On avait dfini 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 dfinit de la mme manire
le rang dune matrice (cf feuille2, exo 10) :
Dfinition 34. Soit A Mm,n . on appelle A1 , ..., An les vecteurs
colonnes de A.
Alors rg(A) = dim(vect(A1 , ..., An ).
Remarquez que cette dfinition est bien cohrente : en effet on a

e0 1

u(ei ) =t Ai ...
e0 n
et vect(u(e1 )..., u(en )) = Im(u).
Dernire remarque : les matrices inversibles (donc carre) correspondent
aux isomorphismes, donc le rang est maximal (= n).

Chapitre 9
Feuille Td 3
1

Dfinition

Exercice 1
Dterminer si les applications fi suivantes (de Ei dans Fi ) sont linaires :
f1 : (x, y) R2 7 (2x+y, xy) R2 , f2 : (x, y, z) R3 7 (xy, x, y) R3
f3 : (x, y, z) R3 7 (2x + y + z, y z, x + y) R3
f4 : P R[X] 7 P 0 R[X], f5 : P R3 [X] 7 P 0 R3 [X]
f6 : P R3 [X] 7 (P (1), P (0), P (1)) R3 , f7 : P R[X] 7 P (X2)P 0 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 6= 0. Soit x E tel que
n1 (x) 6= 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

Image et noyau

Exercice 3
E1 et E2 tant deux sous-espaces vectoriels de dimensions finies dun
espace vectoriel E, on dfinit lapplication f : E1 E2 E par
f (x1 , x2 ) = x1 + x2 .
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 6 Ker ()
alors, pour tout n N : n (x) 6= 0.
Exercice 5 : Soient la matrice :

1 1 1 3
1 2 0 2

A=
0 2 0 1
0 1 1 0
et lapplication linaire :4 4 dfinie 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 linaire de E dans lui-mme. Montrer que les deux assertions qui suivent
sont quivalentes :

Chapitre 9. Feuille Td 3

81

A. Ker(f ) = im(f ).
B. f 2 = 0 et n = 2 rg(f ).

Exercice 7
Donner des exemples dapplications linaires de R2 dans R2 vrifiant :
A. Ker(f ) = im(f ).
B. Ker(f ) inclus strictement dans im(f ).
C. im(f ) inclus strictement dans Ker(f ).

Injectivit, surjectivit, isomorphie

Exercice 8
Soit E un espace vectoriel de dimension 3, {e1 , e2 , e3 } une base de E,
et un paramtre rel.

(e1 ) = e1 + e2
(e2 ) = e1 e2
Dmontrer que la donne de
dfinit une ap
(e3 ) = e1 + e3
plication linaire de E dans E. crire le transform du vecteur
x = 1 e1 + 2 e2 + 3 e3 . Comment choisir pour que soit injective ?
surjective ?

Exercice 9
Pour les applications linaires trouves lexercice 1, dterminer ker(fi )
et Im (fi ), en dduire si fi est injective, surjective, bijective.

Exercice 10 :
Soient la matrice :

0 1 1
A= i 0 1
1 i 0

et lapplication linaire f : C 3 C 3 dfinie 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 dfinie par (x, y, z) = (2x + z, x + y, y 2z) dans la base
canonique de 3 .
B. : C 2 C 2 dfinie par (z, w) = ((1 + i)z iw, w + 2iz) dans la
base canonique de C 2
C. On note (e1 , e2 e3 , e4 ) la base canonique de 4 . Soit f :4 4 lapplication linaire dfinie par f (e1 ) = e1 + e2 , f (e2 ) = e2 + e3 ,
f (e3 ) = e3 + e4 et f (e4 ) = e4 + e1 . Quelle est la matrice de f
dans la base (e4 , e3 , e2 , e1 ) ? Dans la base canonique de 4 ?

Exercice 12 :
On note (e1 , e2 , e3 ) la base canonique de 3 .
Soit lapplication linaire :3 3 dfinie par :
1
1
(e1 ) = e1 e3
2
2
1
1
(e2 ) = e1 + e2 + e3
2
2
1
1
(e3 ) = e1 e2 e3
2
2
1. (a) Dterminer limage par dun vecteur x = e1 + e2 + e3 de
3
.
(b) Ecrire la matrice de dans la base canonique de 3
2. (a) Dterminer une base de Ker.

Chapitre 9. Feuille Td 3

83

(b) Quel est le rang de ? Montrer que la famille {f1 = e1 + e2 , f2 =


e1 + e3 } est une base de Im.
(c) Soit f3 = e2 + e3 . Montrer que la famille (f1 , f2 , f3 ) est une base
de 3 . Ecrire la dcomposition des vecteurs (f1 ), (f2 ) et (f3 ) dans
la base (f1 , f2 , f3 ). En dduire la dcomposition dun vecteur x =
f1 + f2 + f3 3 dans la base (f1 , f2 , f3 ).
(d) Ecrire la matrice de dans la base (f1 , f2 , f3 ).

Changement de base

Exercice 13 :
Donner les matrices de passage de la base B la base B 0 dans chacun
des cas suivants.
A. Dans 3 , B est la base canonique et B 0 = ((0, 1, 1), (1, 1, 1), (1, 1, 0)).
B. Dans 3 , B = ((1, 0, 0), (1, 1, 0), (1, 1, 1)) et B 0 est la base canonique
de 3 .
C. Dans C 3 , B est la base canonique et B 0 = ((1+i, 1i, 0), (0, 0, 2i), (i, 1, 2i)).

Exercice 14 :
Soitf lendomorphisme
de 3 dont la matrice dans la base canonique

1 0 1
est 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 (e1 e3 , e2 , e1 ) est une base de 3 et crire la
matrice de f dans cette base.

Chapitre 10
Solutions de la feuille 3
Exercice 1
Soitf1 : (x, y) R2 7 (2x + y, x y) R2
Soient z1 = (x1 , y1 ) et z2 = (x2 , y2 ) dans R2 .
Alors f1 (z1 + z2 ) = f1 ((x1 + x2 , y1 + y2 )) = (2(x1 + x2 ) + (y1 + y2 ), (x1 +
x2 ) (y1 + y2 .
Or on est maintenant dans R2 , donc on a
f1 (z1 + z2 ) = (2x1 + y1 , x1 y1 ) + (2x2 + y2 , x2 y2 ) = f1 (z1 ) + f1 (z2 )
.
Soient z = (x, y) R2 et R. Alors
f1 (z) = (f1 ((x, y)) = (2x + y, x) = f1 (z)
.
Donc f1 est linaire.

Soit
f6 : P R3 [X] 7 (P (1), P (0), P (1)) R3
. Soient P, Q R3 [X]. Alors
f6 (P + Q) = ((P + Q)(1), (P + Q)(0), (P + Q)(1)
85

86

Calcul matriciel

On a donc

f6 (P +Q) = (P (1)+Q(1), P (0)+Q(0), P (1)+Q(1)) = (P (1), P (0), P (1))+(Q(1), Q(


= f6 (P ) + f6 (Q)
.
Soient P R3 [X] et R (lespace des polynomes coefficients rels
est un R-espace vectoriel).
f6 (P ) = ((P )(1), (P )(0), (P )(1)) = (P (1), P (0), P (1))
Donc f6 est linaire.

On montre de mme que f3 , f4 , f5 , f7 sont linaires. Par contre f2 nest


pas linaire, en effet 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)) =
0 n1 (x). Comme n1 (x) 6= 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 famille {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 dfinition de f et ce quest la somme de deux sous-espaces
vectoriels, limage est
f = E1 + E2 .

Chapitre 10. Solutions de la feuille 3

87

Pour le noyau :
Ker f = {(x1 , x2 ) | f (x1 , x2 ) = 0}
= {(x1 , x2 ) | x1 + x2 = 0}
Mais on peut aller un peu plus loin. En effet un lment (x1 , x2 )
Ker f , vrifie x1 E1 , x2 E2 et x1 = x2 . Donc x1 E2 . Donc
x1 E1 E2 . Rciproquement si x E1 E2 , alors (x, x) Ker f .
Donc
Ker f = {(x, x) | x E1 E2 }.
De plus par lapplication x 7 (x, x), Ker f est isomorphe E1 E2 .
C. Le thorme du rang scrit :
dim Ker f + dim f = dim(E1 E2 ).
Compte tenu de lisomorphisme entre Ker f et E1 E2 on obtient :
dim(E1 E2 ) + dim(E1 + E2 ) = dim(E1 E2 ).
Mais dim(E1 E2 ) = dim E1 + dim E2 , donc on retrouve ce que lon
appelle quelques fois le thorme des quatre dimensions :
dim(E1 + E2 ) = dim E1 + dim E2 dim(E1 E2 ).

Exercice 4
Montrons ceci par rcurence : Pour n = 1, lassertion est triviale :
x
/ ker (x) 6= 0. Supposons que si x
/ ker alors n1 (x) 6=
0, (n > 2). Fixons x
/ ker , Alors par hypothses de rcurrence
n1 (x) 6= 0, mais n1 (x) = (n2 (x)) donc n1 (x)
/ ker
n1
n
grce lhypothse sur . Ainsi ( (x)) 6= 0, soit (x) 6= 0. Ce
qui termine la rcurrence.

Exercice 5
Soient la matrice :

1
1
A=
0
0

1
2
2
1

1 3
0 2

0 1
1 0

88

Calcul matriciel

et lapplication linaire : R4 R4 dfinie par (X) = AX.


Cela signifie que

1 1 1 3
1 2 0 2

((x, y, z, w)) =
0 2 0 1 t(x, y, z, w)
0 1 1 0
.
A. Ker() = Ker(A) = {(x, y, z, w) R4 /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 dimR4 = 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
1
1
v4 3v1 + v2 v3
2
2
. Les trois premiers vecteurs colonnes engendrent Im.

Exercice 6
(i) (ii) Supposons
f (x) ker f , cela
daprs la formule
dim imf = f , ainsi

ker f = imf . Soit x E, alors f (x) f donc


entraine f (f (x)) = 0 ; donc f 2 = 0. De plus
du rang dim ker f + f = n, mais dim ker f =
2f = n.

Chapitre 10. Solutions de la feuille 3

89

(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 dim ker f = f cest--dire dim ker f = dim imf .
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 R2 dans R2 ).
C. Lapplication nulle : f (x, y) = (0, 0). Exercice : cest la seule possible !

Exercice 8
A. Comment est dfinie partir de la dfinition sur les lments
de la base ? Pour x E alors x scrit dans la base {e1 , e2 , e3 },
x = 1 e1 + 2 e2 + 3 e3 . Et est dfinie sur E par la formule
(x) = 1 (e1 ) + 2 (e2 ) + 3 (e3 ).
Soit ici :
(x) = (1 + 2 + 3 )e1 + (1 2 ) + 3 e3 .
Cette dfinition rend automatiquement linaire (vrifiez-le si vous
ntes pas convaincus !).
B. On cherche savoir si est injective. Soit x E tel que (x) = 0
donc (1 + 2 + 3 )e1 + (1 2 ) + 3 e3 = 0. Comme {e1 , e2 , e3 }
est une base alors tous les coefficients sont nuls :
1 + 2 + 3 = 0,

1 2 = 0,

3 = 0.

Si 6= 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 = e1 + e2 2e3 on obtient (x) = 0.
C. On peut soit faire des calcul soit appliquer la formule du rang. Examinons 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 :
dim Ker + dim = dim E.
Si 6= 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 6 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 (finie).

Exercice 9
iv. f1 : R2 R2 . Les dimensions de lespace de dpart et darrive sont
les mmes donc par le thorme du rang f1 injective quivaut f1
surjective qui quivaut f1 bijective (cf cours). Calculons le noyau de
f1 .
kerf1 = {(x, y) R2 /f1 (x, y) = (0, 0)} = {(x, y)/x = y et 3x = 0}
Donc f1 est injective (resp. surjective, resp. bijective) si et seulement
si a 6= 2.
v. f2 nest pas linaire.
vi. De mme il faut juste voir linjectivit de f3 . Or ker(f3 ) = {z(1, 1, 1)/z
R}. Donc f3 nest pas injective (ni surjective ni bijective).
vii. Dans ce cas les dimensions sont infinies donc on ne peut utiliser le
thorme du rang. Kerf4 = {p R[X]/P 0 = 0} . cest lensemble
des polynomes constants. Donc elle nest pas injective (f4 (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 Q0 =
P ), donc tout lment de lespace d arrive a un antcdent.

Chapitre 10. Solutions de la feuille 3

91

viii. Pour f5 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. f5 est surjective mais pas injective.
ix. kerf6 = {ax3 +bx2 +cx+d/(a+bc+d, d, a+b+c+d) = (0, 0, 0)} =
{ax3 cx} = vect(x3 , x). Donc f6 nest pas injective. Les dimensions
sont diffrentes donc f6 pourrait etre surjective..f6 est surjective car
on peut toujours trouver un polynome en fixant trois de ses valeurs.
x. f7 est surjective mais pas injective.

Exercice 10
(a) On commence par calculer le noyau de .

Ker = {(x, y, z) C3 /A(x, y, z) = (0, 0, 0)} = {(x, y, z) C3 /y+z = 0, ix+z = 0, x+iy = 0}


. Dou
ker = {(x, y, z) C3 /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 C3 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 suffit 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 e1 , e2 , e3 la base canonique de R3 . Alors les vecteurs colonnes
reprsentent (e1 ), (e2 ), (e3 ) crits dans la base canonique de R3 . On a :
(e1 ) = ((1, 0, 0)) = (2, 1, 0) = 2e1 + e2
(e2 ) = (0, 1, 1) = e2 + e3
(e3 ) = (1, 0, 2) = e1 2e3
Donc la matrice de dans la base canonique de R3 (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 :

2 0 1
M () = 1 1 0
0 1 2
2) La base canonique de C2 en tant que C esace vectoriel est (1, 0), (0, 1)
(tout lment de C2 scrit sous la forme z(1, 0) + w(0, 1) = (z, w) avec
z, w C. On a :
(e1 ) = (1 + i, 2i)
(e2 ) = (i, 1)
Donc


M () =

1 + i i
2i
1

3) On suppose que (e4 , e3 , e2 , e1 ) est la base des epsaces de dpart et darrive. Alors
f (e4 ) = e4 + e1
f (e3 ) = e4 + e3
f (e2 ) = e3 + e2
f (e1 ) = e2 + e1
Alors

0
0
M (f ) =
1
1

0
1
1
0

1
1
0
0

1
0

0
1

Chapitre 10. Solutions de la feuille 3

Dans la base canonique on obtient :

1
1
M (f ) =
0
0

93

0
1
1
0

0
0
1
1

1
0

0
1

Exercice 12
i. (a) (x) = (e1 ) + (e2 ) + (e3 ) car est linaire. En regroupant
les termes on obtient :
1
1
1
1
1
1
(x) = ( + )e1 + ( )e2 + ( + )e3
2
2
2
2
2
2
(b) On a

1
1 1
2
M () = 0 12 12
12 12 12
ii. (a) Ker = {(x, y, z) R3 /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 (2e1 +
4e2 + 2e3 ) = 3e1 + e2 = f1 et (2e1 + e2 + e3 ) = e1 e3 = f2 et
f1 , f2 sont des vecteurs linairement indpendants dou ils engendrent
Im(). (Il ne fallait pas oublier de vrifier que f1 et f2 appartenaient
Im()).
(c) Les trois vecteurs f1 , f2 , f3 sont linairement indpendant et froment un sous espace vectoriel de dimension 3 donc forment une base
de R3 . On a :
(f1 ) = (3e1 + e2 ) = 3(e1 ) + (e2 )
car est linaire. Dou
1
5
(f1 ) = e1 + e2 e3
2
2
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 :
1
(f1 ) = f1 + f2
2

94

Calcul matriciel

. De mme on trouve :

1
(f2 ) = f1
2

et
(f3 ) = 0
car f3 est dans le noyau.
Do

1
2

1
2

0
M () = 1 0 0
0 0 0

Exercice 13
La matrice de passage de la base B dans la base B 0 est la matrice de lapplication linaire identit Id : (E, B 0 ) (E, B). Donc pour lobtenir il
suffit dexprimer les vecteurs de la base B 0 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
1i 0 1
0
2i 2i

Exercice 14
i. il suffit de calculer le carr de la matrice et on trouve la matrice nulle.
Soit x Im(f ).Alors il existe y R3 tel que f (y) = x (par dfinition).
Mais on vient de montrer que f of (y) = 0 = f (x). Dou x Ker(f ).
Dou linclusion.
ker(f ) = {(x, y, z) R3 : A(x, y, z) = (0, 0, 0)}

Chapitre 10. Solutions de la feuille 3

95

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 verifie facilement que vect{(e1 e3 , e2 , e1 )} = vect{(e1 , e2 , e3 )}
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 (e1 e3 ) = f (e1 ) f (e3 ) = (1, 2, 1) (1, 2, 1) = (0, 0, 0)
f (e2 ) = (0, 0, 0)
f (e1 ) = (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
1.1

Les dterminants
Dfinition

On commence par la dfinition classique du dterminant comme forme


multilinaire alterne. Puis on donnera une dfinition sous forme dune
formule de calculs qui se gnralise par rcurrence. Cest cette dernire
dfinition quil vous faut retenir pour linstant.

Dfinition 35. On appelle forme multilinaire alterne une application


97

98

Calcul matriciel

: Rp ...Rp R telle que :


n
(c1 , ..., ci + c0i , ..., cn ) = (c1 , ..., ci , ..., cn ) + (c1 , ..., c0i , ..., cn ) 1 6 i 6(11.1)
(c1 , ..., ci , ..., cn ) = (c1 , ..., ci , ..., cn(11.2)
)
X
si ci =
aj cj alors (c1 , ..., ci , ..., cn ) =(11.3)
0
j6=i

Remarque :
i. multilinaire veut donc dire linaire par rapport aux facteurs.
ii. si on permute deux facteurs ci avec cj par exemple alors
(c1 , ..., ci , ..., cj ..., cn ) = (c1 , ..., cj , ..., ci , ..., cn )
.
Thorme 11.1. Les formes multilinaires alternes sur un espace vectoriel E de dimension n sont toutes proportionnelles une certaine forme
.
admis
Dfinition 36. On dfinit le dterminant dune matrice A n n , note det(A), comme tant lunique forme multilineaire alterne telle que
det(In ) = 1.
Dtermination de cette forme en dimension 2
Dfinition 37. Une application : Rp Rp R est appele forme
bilinaire alterne si elle vrifie les identits suivantes :
(u + u0 , v) = (u, v) + (u0 , v)
(u, v) = (u, v)
(v, u) = (u, v)
on vrifie aisemment que cela implique :

(11.4)
(11.5)
(11.6)

Chapitre 11. Dterminant et inversion des matrices

(u, v + v 0 ) = (u, v) + (u, v 0 )


(u, v) = (u, v)
(0, u) = (u, 0) = 0
(u, u) = 0
(u + v, v) = (u, v) = (u, u + v)

99

(11.7)
(11.8)
(11.9)
(11.10)
(11.11)

Soit E un R-espace vectoriel de dimension 2 et f : E E R une forme


multilinaire alterne. Soit B = (e1 , e2 ) une base de E.Alors tout lment
de E se dcompose dans cette base :
xj = xj1 e1 + xj2 e2
On a par multilinarit et alternance :
f (x1 , x2 ) = f (x11 e1 + x12 e2 , x21 e1 + x22 e2 = (x11 x22 x12 x21 )f (e1 , e2 )
Si on pose f (e1 , e2 ) = 1 alors detB (x1 , x2 ) = x11 x22 x12 x21

E de dimension 3

Soit B = (e1 , e2 , e3 ) une base de E. Alors


xi = xi1 e1 + xi2 e2 + xi3 e3
. et on trouve
f (x1 , x2 , x3 ) = (a11 (a22 a33 a32 a23 )+a12 (a21 a33 +a31 a23 )+a13 (a21 a32 a22 a31 )f (e1 , e2 , e3 )
Si on pose f (e1 , e2 , e3 ) = 1 alors on dfinit detB (x1 , x2 , x3 ) = (a22 a33
a32 a23 ) + a12 (a21 a33 + a31 a23 ) + a13 (a21 a32 a22 a31

On peut dfinir 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=

a11 a12
a21 a22

On pose det(A) = a11 a22 a12 a21 .


Soit

a11 a12 a13


A = a21 a22 a23
a31 a32 a33
On pose det(A) = a11 (a22 a33 a32 a23 ) a12 (a21 a33 a31 a22 ) + a13 (a21 a32
a31 a22 ).
Cette dfinition se gnralise de la faon suivante :
Dfinition 39. Soit

A=

a11 . . . a1n
.
.
.
an1 . . . ann

On dfinit par rcurrence une application det : Mn (K) K de la manire


suivante :
si n = 1 A = a et det(A) = a
si n > 1 notons Aij la matrice obtenue en supprimant la ieme ligne et
la jieme colonne A (on a donc une matrice de dimension n 1). Alors
on pose
detA = a11 detA11 + ... + (1)k+1 a1k detA1k + ... + (1)n+1 a1n detA1n
On le note en gnral :





det(A) =



a11 . . . a1n
.
.
.
an1 . . . ann

Chapitre 11. Dterminant et inversion des matrices

101

Remarque : on retrouve bien les formules de (1.1), les colonnes de la matrice jouant le role des vecteurs ci . On vrifie 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 Mn (K).
Cela nous donne le corollaire suivant :
Corollaire 11.3. Rgle de dualit Toutes les propits des dterminants
relatives aux colonnes peuvent tre affirmes 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 colonnes) 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.

102

Calcul matriciel

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

5
A=
4

la matrice suivante ?

3 2
2 2
2 2

On remarque que la dernire colonne comporte que des 2 donc en soutrayant la premire ligne aux deux autres on obtient facilement des 0.






2 3
2 3 6
6 3 2
6





det(A) = 5 2 2 = 2 2 5 = 0 1 1
0 1 2
2 2 4
4 2 2
On dveloppe par
rapport la premire colonne :
1 1
= 2 (1 2 (1 1)) = 2
det(A) = 2
1 2
Thorme 11.5. det(AB)=det(A)det(B) A, B Mn (K)
Encore une fois la preuve en dimension 2ou 3 est facile : il suffit 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 Mn est inversible ssi det(A) 6= 0 et on
1
a det(A1 ) = det(A)
.
Cela vient du fait que det(In ) = 1 et quon ne peut jamais diviser par 0.

Chapitre 11. Dterminant et inversion des matrices

103

Corollaire 11.7. si A et A sont semblables alors det(A) = det(A0 ).


Dmonstration. Les matrices A et A sont semblables donc il existe une
1
det(A)det(P ) =
matrice inversible telle que A0 = P 1 AP . Alors det(A0 ) = det(P
)
det(A).
Ce corollaire nous permet de dfinir le dterminant dun endomorphisme
dun espace vectoriel E (en effet 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 finie 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.

Inversion des matrices

Ainsi quon la vu dans la section prcdente, calculer le dterminant suffit


dcider si une matrice est inversible ou non. On peut calculer linverse
dune matrice en rsolvant un sytme autant dinconnues que dquations (cf exemple dans le chapitre prcdent). Mais en fait on peut le faire
plus rapidement (cest surtout vrai partir de la dimension 3).
Dfinition 41. Soit A Mn .
i. bij = (1)i+j det(Aij est appel cofacteur de A dindice ij.
ii. On appelle comatrice de A Mn la matrice Com(A) dont les coefficients sont les cofacteurs : Com(A) = (bij )16j6n
16i6n .
Thorme 11.8. Soit A Mn . Alors
i. t Com(A)A = At Com(A) = det(A)In
ii. Si A est inversible, on a :
t Com(A)

det(A)

t Com(A)

det(A)

.A = A.

exercice : faire la preuve pour n = 2, 3.

t Com(A)

det(A)

= In . Donc A1 =

104

Calcul matriciel

3 Application du dterminant la thorie du


rang
3.1

Bases

Thorme 11.9. Soit E un espace vectoriel de dimension n. Soient {vi , ..., vn }


une famille de n vecteurs de E. Soit A la matrice dont les vecteurs colonnes sont constitus des vecteurs vi crits dans une base de E.
les vecteurs {v1 ..., vn } forment une base de e ssi det(A) =6= 0.

3.2

Famille libre

Thorme 11.10. Soient {e1 , ..., ek } une famille de k vecteurs dun espace
vectoriel E de dimension n et A Mnk 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

1
0
1
2
1
5

forment une
9
Les vecteurs v1 = 3 , v2 = 2 , v3 =

3
4
2
5
0
0
5
famille libre de R car dans la matrice associe on a un mineur de rang 3 :

A=

1
2
3
3
5

0 1
1 5
2 9
4 2
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.

Chapitre 11. Dterminant et inversion des matrices

105

Thorme 11.11. Soit {v1 , ..., vk } k vecteurs linairement indpendants


et A Mnk la matrice associe. Soit b un mineur dordre k non nul extrait
de A.
Pour quun vecteur w appartienne vect(v1 , ..., vk ), il faut et il suffit que
tous les bordants de b dans la matrice C = |v1 , ..., vn , w| soient nuls.
(En effet 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 Mpn . 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 mineurs non nuls extraits de A.

Chapitre 12
Feuille Td 4
Exercice 1
Soit A un endomorphisme dev de dimension finie. Montrer que les conditions sont quivalentes :
i. detA 6= 0
ii. A est injectif
iii. A est surjectif
iv. A est bijectif
v. Ker(A) = {0}

Exercice 2
Soient a = (a1 , a 2) et b = (b1 , b2 ) des vecteurs de R2 . Montrer que laire
du paralllogramme

 engendr par a et b est gale au dterminant de la
a1 b 1
matrice
. Dmontrer lnonc analogue dans R3 sur le volume
a2 b 2
dun paralllotope engendr par trois vecteurs.

Exercice 3
Calculer les dterminants suivants :




4 3 5
0

x
z




3 2 8 , x 0 y




1 7 5
z y 0
107


1 x x2

1 y y2

1 z z2

108

Calcul matriciel

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 :



1 x z
a b
2 1

0 1 y
(
a 6= 0
0 1
1 1
0 0 1

2 7 3
3 9 4
1 5 3

Exercice 5

1
2
Soient B =
1
1

2
4

2
2

1 0
1 1
1 0
3 2

1
x1

1
x2
; X =
x3
0
1
x4


; C1 = 0 et C2 =

1
1

i. Calculer le rang de B.
ii. Dterminer les solutions de BX = C1
iii. Dterminer les solutions de BX = C2

Exercice 6
Les vecteurs v1 = (1, 0, 0, 2, 5), v2 = (0, 0, 1, 4, 7), v3 = (0, 1, 0, 3, 4) et
v4 = (2, 3, 4, 11, 12) sont-ils indpendants dans R5 ?

Exercice 7
Pour quelles valeurs de et les vecteurs (2, , 1), (, 0, 1), (, , 0) forment
ils une base de R3 .

Chapitre 12. Feuille Td 4

109

Exercice 8
Soit A Mn (K) et K.
Montrer lquivalence :
u Rn \Au = u <=> est racine de p(x) = det(A xIn )

Exercice 9
Calculer le dterminant de la matrice qui reprsente dans la base canonique de R3 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

1
1
1

la matrice

1 1
2 4 M3 (R)
3 a

est-elle inversible ? Calculer dans ce cas son inverse.

Dterminants et inversion

Exercice 5 : Calculer les dterminants







1 0 2
1
2 3




, 3 4 5 , 3
1 4



5 6 7
5

suivants :

0 6
4 15 ,
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

110

Calcul matriciel

Exercice 13 : Soit End(3 ), dfini par limage par dune base


= {e1 , e2 , e3 } :
(e1 ) = e1 +2e2 +2e3 ,

(e2 ) = 3e1 +4e2 +6e3 ,

(e3 ) = 5e1 +62 +9e3 .

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
Solutions de la feuille 4
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(x y) = 0 (car A est linaire), donc x y Ker(A) et donc x y = 0.

A surjective <=> Im(A) = E <=> Ker(A) = 0


La premire quivalence est vraie par dfinition.
Ker(A) = 0 <=> dimKer(A) = 0 <=> dim(Im(A)) = dimE <=>
Im(A) = E.

111

112

Calcul matriciel

Cela nous donne directement la dernire quivalence.

A bijectve <=> det(A) 6= 0


Soient (e1 , ..., en ) une base de E.
Si A est bijective alors (A(e1 ), ..., A(en )) forme une base de E (car limage
dune base par un isomorphisme est une base). Donc det(A(e1 ), ..., A(en )) 6=
0 car (A(e1 ), ..., A(en )) nest pas lie. On a aussi det(e1 , ..., en ) 6= 0.
Rappel : soit f un endomorphisme, alors det(f (e1 ), ..., f (en )) = det(f )det(e1 , ..., en )
do det(A) 6= 0.
Rciproquement, si det(A) 6= 0, comme det(e1 , ..., en ) 6= 0, on a det(A(e1 ), ..., A(en )) 6=
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().
3
Ecrivons
pouvoir faire le produit vectoriel). On a

R (pour
aet b dans
b1
a1
a = a2 et b = b2 .
0
0

0
0
=
.
0
0
Alors a b =
a1 b 2 a2 b 1
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 (e1 , e2 ) galait 1. Alors par une proposition
du cours laire est gale au dterminant.

Chapitre 13. Solutions de la feuille 4

113

Soit a, b, c trois vecteurs de R3 et soit V le volume du paralllotope engendr 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 perab
. Alors
pendiculaire (a, b). le vecteur unitaire de cette droite est u = ||ab||
(rappel) p = |c.u| (le produit scalaire entre ces deux vecteurs). Finalement
V = Aire(a, b) p = ||a b|| |c.
Or

ab
= |c.a b|
||a b||

a1
b1
a2 b 3 a3 b 2
a b = a2 b 2 = a3 b 1 a1 b 3
a3
b3
a1 b 2 a2 b 1

et
c.a b = c1 (a2 b3 a3 b2 ) + c2 (a3 b1 a1 b3 ) + c3 (a1 b2 a2 b1 )
donc le volume gale

c 1 a1 b 1
det c2 a2 b2 = |det(c, a, b)| = |det(a, b, c)|
c 3 a3 b 3

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 combinaisons 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 1
1
1
1 1 1
1
1 1 1 1
1 1
1 1




= 1 (6 23 19 2) = 138 38 = 100

1 0
0
0
1 2 0
0
1 0 2 0
1 0
0 2





2 0
0


= 1 0 2 0



0
0 2




= 8

114

Calcul matriciel



0

x z


x 0 y = x x y


z 0
z y 0







+z



0
x
z
x 0
z y





= x(yz) + z(xy) = 0


De manire gnrale si une matrice est antisymtrique alors son dterminant sera nul.


1 x x2

1 y y2

1 z z2


1
x
x2

= 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 3 8
4 6 3 4 4

9 12 5
2 9 12 13 2
=
=
7 8 3
7 7 8 11 7

4 0 8 3 4 0
0 3




3 4 4
6 3 4




= (4) 12 13 2 3 9 12 13
8 11 7
7 8 11



6 3 4 0
3 4


Or 9 12 13 = 15 12 13 = 3(15 11 9 13) 4(15
7 8 11 9 8 11
8 + 9 12) = 96

3 4 4 3
0
4


et 12 13 2 = 12 113 2 = 3 (11 7 + 4 2) + 4(4 12 +
8 11 7 8
4 7
8 11) = 47
Alors le dterminant demand est 100.
6 5 8
4
9
7
5
2
7
5
3
7
4 8 8 3

Exercice 4
La premire mthode que lon a vu pour inverser une matrice tait de
rsoudre un systme A.(x1 , ..., xn ) = (x01 ..., x0n ) avec invonnues x1 , ..., xn .

Chapitre 13. Solutions de la feuille 4

115

1
com(A). On commence bien sur
Ici on va utiliser la formule A1 = det(A)
par caluler les dterminant pour vrifier qu ils sont non nuls.


a b
A1 =
et a 6= 0
0 1
On a det(A1 ) = a 6= 0 donc on peut inverser. On commence par les cofacteurs :

cof11 (A1 ) = (1)1+1 det(1) = 1


cof12 (A1 ) = (1)1+2 det(0) = 0
cof21 (A1 ) = (1)2+1 det(b) = b
cof22 (A1 ) = (1)2+2 det(a) = 4

Alors


com(A1 ) =

1 b
0 a

et donc

1 x z
A2 = 0 1 y
0 0 1


=

1
a

1
b
a
a

116

Calcul matriciel

detA2 = 1 donc on peut inverser. Les cofacteurs sont :




1 y
1+1
cof11 (A1 ) = (1) det(
)=1
0 1


0 y
1+2
cof12 (A1 ) = (1) det(
)) = 0
0 1


0 1
1+3
cof13 (A1 ) = (1) det(
)) = 0
0 0


x z
2+1
cof21 (A1 ) = (1) det(
)) = x
0 1


1 z
2+2
cof22 (A1 ) = (1) det(
)) = 1
0 1


1 x
2+3
cof23 (A1 ) = (1) det(
)) = 0
0 0


x z
3+1
cof31 (A1 ) = (1) det(
)) = xy z
1 y


1 z
3+2
cof32 (A1 ) = (1) det(
)) = y
0 y


1 x
3+3
cof33 (A1 ) = (1) det(
)) = 1
0 1
Alors

A1
2


A3 =

2 1
1 1

1 x xy z
y
= 0 1
0 0
1

On a det(A3 ) = 2 1 = 1 donc on peut inverser.




1 1
1
A3 =
1 2

2 7 3
A4 = 3 9 4
1 5 3

Chapitre 13. Solutions de la feuille 4

117

On a det(A3 ) = 3 et A1
4

7 2 1
5 1 1 .
= 1
3
2 1 3

Exercice 5

1
2
B=
1
1

1 0
1 1
1 0
3 2

1
1

0
1

1)Le rang de B est le plus grand dterminant non nul que lon peut ex 1 1
= 1 6= 0 donc rg(B) > 2.
traire. On a
2 1
On cherche maintenant un mineur dordre 3 :


1 0 1


1 1 1 = 1 6= 0 donc rg(B) > 3.


1 0 0
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 = C1 quivaut au systme :

x1 + x2 + x4 = 1

2x1 + x2 + x3 + x4 = 0
x1 + x2 = 0

x1 + 3x2 2x3 + x4 = 1
ce qui quivaut :

x2 = x1
x4 = 1
x1 + x3 = 1

2x1 2x3 = 0
Le systme nest pas compatible donc il ny a pas de solutions.

118

Calcul matriciel

3) BX = C2 quivaut au systme :

x1 + x2 + x4 = 2

2x1 + x2 + x3 + x4 = 4
x1 + x2 = 2

x1 + 3x2 2x3 + x4 = 2
ce qui quivaut :

x2 + x1 = 2

x4 = 0
x1 + x3 = 2

2x2 2x3 = 0
i.e.lensemble des solutions est lensemble des quadruplets (x1 , x2 , x3 , x4 )
tels que x2 = x3 = 2 x1 et x4 = 0.

Exercice 6
Les quatre vecteurs v1 = (1, 0, 0, 2, 5), v2 = (0, 0, 1, 4, 7), v3 = (0, 1, 0, 3, 4)
et v4 = (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).

1 0 0 2
0 0 1 3

A=
0 1 0 4
2 4 3 11
5 7 4 12
Or

1
0
0
2

0
0
1
4


0 2
1 3
= 8
0 4
3 11

donc la famille est libre.

Exercice 7
Les vecteurs (2, , 1), (, 0, 1), (, , 0) forment une base de R3 si et seulement si ils forment une famille libre (en effet on a trois vecteurs donc si ils

Chapitre 13. Solutions de la feuille 4

119

sont libres il engendrent un sev de R3 de dimension 3, donc par thorme,


ils engendrent tout lespace. ) donc si et seulement si det 6= 0.
Calculons ce dterminant :



2 2 2



0 = = ( 2) + 2



1 1 0 1
0
0
La famille est libre ssi ( 2) + 2 6= 0

Exercice 8
racine de p(x) = det(AxIn ) <=> det(AIn ) = 0 <=> AIn nest
pas bijective, en particuler elle nest pas injective <=> Ker(A In ) 6= 0
<=> il existe u 6= 0 tel que (A In )(u) = 0. ceci quivaut bien sur ce
qu il existe u 6= 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 respectivement : Mgof = Mg Mf 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 implique que son dterminant est nul. (Cest le mme argument pour g)
donc det(Mgof = 0.

Exercice 10
Pour que la matrice A soit inversible il faut que son dterminant soit non
nul. on va donc calculer ce dterminant :

1 1 1

det(A) = 1 2 4
1 3 a


1 1
1

= 0 1
3

0 2 a1




=a16=a7

120

Calcul matriciel

Donc si a 6= 7 la matrice est inversible.


Pour calculer linverse on calcule dabord

2a 12
Com(A) = 3 a
2
Alors

la comatrice :

4a 1
a 1 2
3
1

A1

2a 12 3 a 2
1
4 a a 1 3
=
a7
1
2
1

Exercice 11


2 3


1 4 = 2 4 + 3 = 11




1 0 2
1 0 2




3 4 5 = 0 4 1 = 6




0 6 3
5 6 7
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 = 18


5 6 21


1 0 0


2 3 5 = 9 5 = 4


4 1 3

Exercice 12
Les trois dterminant sont nuls car :
i. La deuxime colonne vaut deux fois la premire colonne

Chapitre 13. Solutions de la feuille 4

121

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 = {e1 , e2 , e3 } 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 suffit de montrer que le dterminant
de la matrice reprsentant cette application est non nul. On a :


1 3 5


2 4 6 = 2


2 6 9
donc est inversible. On calcule son inverse en utilisant la formule avec
les cofacteurs et on trouve :

3
1
0
2
M ()1 = 3 12 2
2
0 1
Alors laction de 1 est
1 (e1 ) = 3e2 + 2e3
1 (e2 ) = 32 e1 21 e2
1 (e3 ) = e1 + 2e2 e3

Chapitre 14
Rsolution dquations
diffrentielles
On va maintenant appliquer la thorie du calcul matriciel la rsolution
des systmes dquations diffrentielles. 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 lesquelles leur matrice semblable est diagonale. Cest une des parties les plus
importantes de ce chapitre, bien plus que les applications, il est trs important de vous entrainer le faire.
(remarque : la diagonalisation des matrices fait partie de ce que lon appelle rduction des endomorphismes qui comprend aussi la trigonalisation, mais que nous ne verrons pas ici.)

Diagonalisation

Le problme est le suivant. Etant donn un endomorphisme f on lui associe


une matrice MB (f ) crite dans une certaine base B ; on voudrait trouver
une base B 0 dans laquelle la matrice de f (semblable MB (f ) ) est la
plus simple possible (cest dire diagonale). Une telle base nexiste pas
toujours.
123

124

Calcul matriciel

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 b0 telle que A = P DP 1 o D est diagonale et reprsente
u dans la base b0 , P est la matrice de passage de b vers b0 .(On aura aussi
D = P 1 AP ).
si D est diagonale , cela implique que u(e0i ) = i e0i pour tout e0i b0 (i
est le ime coefficient de la diagonale de D).Aurement dit on veut trouver
une base b0 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 6= 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 dfinitions 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 xIE ). Cest un polynome de degr la dimension de E
dont les racines sont prcisemment les valeurs propres de u.

Chapitre 14. Rsolution dquations diffrentielles

125

Dfinition 44. Ce polynome P (x) est appel le polynome caractristique


de u (ou de A matrice).
Alors on a par dfinition :
Proposition 14.2. Lespace propre associ une valeur propre est
dfini par :
E = Ker(u IdE )
Cest une consquence du thorme prcdent.



a b
Exemple 1 : dim(E) = 2 , A =
c d

ax
b
= x2 (a + d)x + ad bc =
Alors det(A xI2 ) =
c
dx
x2 T r(A)x + det(A) o T r(A) est la trace de A, cest dire la somme
des coefficients diagonnaux de A.

Exemple 1 :

A=

2 1
1 2

Alors P (x) = x2 + 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 : x2 + 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 :
E1 = Ker(A + I2
) = {(x, y)/A(x, y) = (x, y)}
x + y = 0
on doit rsoudre :
xy =0
On a deux fois la mme quation.

126

Calcul matriciel

Donc E1 = {(x, y)/x = y} = vect((1, 1)).


= 3 :
E3 = Ker(A + 3I2 ) = {(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 E3 = {(x, y)/x = y} = vect((1, 1)).
Alors dans cet exemple,




1 0
1 1
D=
et P =
0 3
1 1
(lordre des valeurs propres dans la matrice diagonale est dtermin par
lordre des vecteurs propres dans b0 .
Dfinition 45. Pour un endomorphisme f : E E, on considre lensemble
A(f ) = {P K[X] : P (f ) = 0}
des polynomes annulant f pour E de dimension finie . Il existe un unique
polynome unitaire mf tel que A(f ) est lensemble des multiples de mf . Ce
polynome mf est le polynome minimal de f
Thorme 14.3. Cayley-Hamilton Soit f un endomorphisme dun espace vectoriel de dimension finie sur un corps K. Alors Pf (f ) = 0.
En dautres termes le polynome minimal divise le polynome caractristique.

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).

Chapitre 14. Rsolution dquations diffrentielles

127

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(Ei ) = i .
Exemple :

1 1
0
A = 0 1 1
1
0 1
Le polynome caractristique associ A est P (x) = x(x2 + 3x + 3).
Dans R ce polynome nest pas scind (i.e. x2 + 3x + 3 na pas de racines
relles) donc A nest pas diagonalisable dans R. Mais elle lest dans C
(tout polynome coefficient rels est scind dans C).On a :
0
DA = 0
0

3+ 3i
2

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 distinctes.
-cf exercice 2,1)

Application de la diagonalisation

On va appliquer la diagonalisation tout dabord au calcul des la puissance


dune matrice puis la rsolution de systme dquations diffrentielles
linaires.

128

Calcul matriciel

2.1

Calcul de la puissance dune matrice

Soit A Mn (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 = P DP 1 . Alors
Ak = P Dk P 1
(on remplace A par sa valeur k fois , et P 1 P = In ).
Or la matrice D est diagonale donc sa puissance kime est facile calculer :

1 0
0
k1 0
0
0 2
0 k
0
0
2

k
D = ..
alors
D
=

..

k
0
0 n
0
0 n
On na plus qu appliquer la formule pour retrouver Ak .

2.2 Rsolution des systme dquations diffrentielles


linaires coefficient constants
On veut rsoudre le systme suivant :

x1 = a11 x1 + ... + a1n xn


..
.

x0 = a x + ... + a x
n1 1
nn n
n
avec aij K(= R ou C) et xi drivables.
On crit le systme sous forme matricielle :

x1

X 0 = AX o X = ...
xn

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 = P DP 1 .La matrice P est la matrice de changement de base de la
base b vers la base v = (v1 , ..., vn ) o les vi sont les vecteurs propres de

Chapitre 14. Rsolution dquations diffrentielles

129

A. On peut appliquer ce mme changement de base aux vecteurs X et X 0


pour les exprims dans la nouvelle base forme des vecteurs propres. Soit
Y = P 1 X alors Y 0 = P 1 X 0 et on a
Y 0 = P 1 AX = P 1 AP P 1 X = DY
. Ce systme est facile intgrer car D est diagonale.
Ainsi pour rsoudre un systme diffrentiel coefficients constants on commence par diagonaliser la matrice, puis on intgre le systme diagonal.
Enfin grce aux matrices inversibles on crit les solutions dans la base de
dpart.

3 Rsolution des systmes dquations linaires,


systmes de Cramer
3.1
Soit

existence et unicit des solutions


(

a11 x1 + ... + a1n xn = b1


..
.am1 x1 + ... + amn xn = bm

un systme rsoudre o les (aij ) et bk sont les donnes et xj les inconnues.


On peut recrire ce systme sous forme marticielle :
AX = B avec A = (aij ).
Thorme 14.6. i. le systme a des solutions ssi B et li aux vecteurs
colonnes de A A1 , ..., An
ii. Il y a unicit des solutions ssi A1 , ..., An forment une famille libre
consquences directes :
i. si n > m la famille A1 , ..., An nest pas libre dans Rm , il ny a jamais
unicit des solutions.
ii. si m > n si A est fix, 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.

130

Calcul matriciel

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 X0 une solution particulire de ce systme. Alors toutes les autres
solutions scriront X0 +Y avec Y solution de AX = 0 (le systme hoogne
associ).
Dmonstration. on suppose que lon a une solution X0 telle que AX0 = B.
Soit X une autre solution. Alors AX = AX0 ce qui quivaut A(XX0 ) =
0. Donc Y = X X0 est une solution du systme homogne associ .
Corollaire 14.9. Soit AX = B un systme et X0 une solution. Alors
lensemble des solutions de ce systme est de la forme X0 + F o F est un
sous espace vectoriel de Rn de dimension n rg(A).

3.2

Rsolution thorique

Soit
(

a11 x1 + ... + a1n xn = b1


..
.am1 x1 + ... + amn xn = bm

un systme rsoudre o les (aij ) et bk sont les donnes et xj les inconnues.

a)m = n : systme de Cramer


On suppose A inversible donc de dterminant non nul. Jusquici pour rsoudre 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 xi ce sont les
formules de Cramer. On a :
2 ,...,An ))
x1 = det((B,A
det(A)
..
.

Chapitre 14. Rsolution dquations diffrentielles

131

1 ,A2 ,...,B))
xn = det((Adet(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 vrifie 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 suffit que B soit dans lespace
engendr par (A1 , ..., Ar ) (colonnes de la matrice modifie).
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.

4 0
ii. 0 1
5 1
iii.

0
i.
2

2
0
3

2
1
5 2

0 2
1 3
2 0


K=RouC

Exercice 2
Soit


A=

i. Diagonaliser A.
ii. Calculer Ak
133

1 1
2 4

134

Calcul matriciel

Exercice 3
Soit le systme


dx
=x
dt
dy
= 2x
dt

y
+ 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 dterminants


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 :

xyz =1

2x + 2y 3z = 0
x + 2y z = 0

4x + 3y 5z = 1