Académique Documents
Professionnel Documents
Culture Documents
i~
...
;0 CD"
I
0
CD'"
CD CD
:J.Q
:J e
.....
0>.
CD
~~ ,
0
~ m
c 0
(I>
CD.;(
0.0
_CD
CD-o
~
\l)
m
o.
CD. 0
(i):-;
0>
:i
CD
en
en
CD
CD
15'
:7
:J
CO
o
.;(
TI
en
en
CD
en
CD
4'
=-
=-
CiJ
-->
1_,
"'. ,- ,-i"
'
::~:~.
N.
51
.1..;.):
:.
~~,
. : .ii:~
~.:~
~i
. ~~~
a
'$.
;,~~
R. Cairoli
I.
'.M
:~t
~
,~,
~
..
l :t~
ISBN 288074-110-6
Composition et impression Schiiler SA, 2500 Bienne
CHIOIS Lausanne
Tous droits reserves
lmprime en Suisse
Preface
~ ~. :'1
' "
', : ,(
H
....
" ~;1'
(
L'enseignement de l'algebre lineaire s'est considerablernent developpe au
cours des deux dernieres decennies. De nos jours, presque to utes les sections
d'etudes scientifiques et techniques, et notarnrnent les sections d'ingenieurs,
incluent l'algebre lineaire dans la formation de base de leurs etudiants. Un ouvrage
qui s'ajoute aux nombreux deja existants dans la litterature peut done encore se
justifier et pretendre repondre a des exigences restees insatisfaites.
A l'exception de quelques-uns, les sujets developpes dans ce livre sont
classiques et servent normalement de base a la realisation de tout livre d'algebre
lineaire de rneme niveau . Ce qui distingue celui-ci des autres reside dans I'arrange
ment de la matiere et surtout dans sa presentation, qui emprunte beaucoup a la
geometric ordinaire et vise a developper chez Ie lecteur une comprehension intui
tive. Un autre element distinctif est certainement la place accordee a la notion
d'espace affine et a l'etude de la geornetrie affine a plusieurs dimensions.
Dans l'elaboration de la matiere, l'auteur s'est prevalu de l'experience de
plusieurs annees d'enseignement a des sections d'ingenieurs de I'Ecole polytechni
que federale de Lausanne. C'est a travers cette experience que l'exposition pure
ment formelle concue initialement a cede la place a un discours plus parle et,
oserait-on dire, plus humain.
Conscient du fait que les concepts abstraits ne deviennent clairs qu 'a travers
les exemples, l'auteur s'est constamment soucie de favoriser la comprehension par
des motivations, des commentaires et des illustrations.
Outre creer les conditions propices a une meilleure assimilation des theore
mes et des techniques de calcul de l'algebre lineaire, cet ouvrage veut inciter Ie
lecteur a un travail de recherche personnel. Quelques-uns des nombreux exercices
places a la fin de chaque chapitre ont pour but d'encourager une telle activite,
Ce livre a ete ecrit a l'intention des etudiants du premier cycle d'etudes des
eccles d'ingenieurs de niveau universitaire, mais il s'adresse egalement aux etu
diants en rnathematique et en physique orientes vers les applications. 11 peut en
outre venir en aide aux scientifiques a la recherche de methodes algebriques leur
permettant d'apporter des elements de reponse aux problernes qu'ils rencontrent,
ainsi qu'aux maitres du degre secondaire desireux de savoir vers quels programmes
conduit leur enseignement.
(
(
(
('
(
(
(
(
-C
r(
(
(
(
(
(
(
(
<:
(
(
(
(
(
(,
.:
(
(
R._rdrmmts
(
(
(
Conventions
. 1. Decoupage du texte
. ~;
Ce livre est divise en deux tomes. Chaque tome se compose de cinq chapitres
numerotes respectivement de I a 5 et de 6 a 10. Le second tome contient en outre
un appendice repere par la lettre A. Chaque chapitre est divise en sections et
chaque section en paragraphes. Les sections sont reperees par une double numero
tat ion et les paragraphes par une triple numerotation. Par,c;xeIPple. 7.2 renvoie a
la deuxieme section du septierne chapitre et 7.2.4 au quatrieme paragraphe de cette
section. La derniere section de chaque chapitre rassemble les exercices sur la
matiere traitee dans Ie chapitre. Ces exercices sont nurnerotes de la merne facon
que les paragraphes. Ainsi, 7.4.11 designe Ie onzierne exercice de la quatrierne
section du septieme chapitre, Les figures sont reperees par l'abreviation Fig. suivie
de deux nombres , Ie premier indiquant Ie chapitre et Ie deuxierne la figure. Par
exemple, Fig. 7.3 designe la troisieme figure du septieme chapitre.
'~;~
-~
\.
.....,-~
...... ;.
.
, ..l '
'~~~'J
;:i
:~;,.
.;;.,;,
:~,
.:j'
~;,
" r~
~~
.~
~1
.:0;1_,
0i.,.:
(
Tout au long de ce livre, par deux. trois
n objets , nous entendrons (sauf
mention explicite du contraire) deux. trois
n objets distincts .
(
(
~, ; II
';
S
"
"
~ .;.;.
:~t
~~'.' .: ~:
(
(
Convent ions
. .;:0:-. :'
:. ~
'i
(x .to ... .t.) et dirons que x, est Ie i-ieme terme ou Ie terme d 'indice i. Nous dirons
en ou-tre que I'ensernble {I . 2.... n} est Yensemble d 'indices.
On remarquera que notre definition n'exclut pas que Xi = xj pour des indices
i ei ] differents, ni rneme que X ; = x pour tout indice t. x designant un element de
E. On remarquera encore que (XI' .t 2' .. .. x.) = (x]. x; .... x~ ) si et seulement si
XI
= :cit
.'(1
(
(
(
(
TOME I
.1:,
(
.:.1
._'
;f!.'
Chapitre I
. ~;~ .
."
:t
1:...018
-.i
;~
.;':
'i<~
;,l-'
:1:'
"r~ '
. ~
.:$
J~.
' 1f,~
.~
'::~
1f
"?J
'
Conventions
7
10
12
15
19
22
24
27
31
34
<.
(
('
-(
l
(
(
(
(
37
41
(
(
Chapitre 2
!-~ 2'
.~
Chapitre 3
(
47
50
53
57
59
61
66
73
83
(
(
Systernes lineaires
(
3.1
3.2
Definitions et exemples . . . . .
Existence et unicite des solutions .
89
92
(
(
(
(
(
..
--
(
(
--,
.J
3.3
3.4
3.5
3.6
Chapitre 4
(.
(
(
(
.,
Chapitre 5
... . . . . .. . ... . . ..
Exercices
. . . . .
III
119
124
126
128
130
133
7.2
7.3
7.4
Chapitre 8
._:~'"X
Exercices
. . . . . .. . . . .
137
143
146
150
154
:,'
..-s.
: ;~~
;~~
t
Chapitre 9
'I
:;:";
~ _. r
.~:;~
69
74
77
82
87
93
98
107
9.4 Exercices
113
118
123
126
TOME 2
(
(
Conventions . . . . . . . . : . . . . . . . .
. . . . . . . . . .
(
~:
-j
C ha pitre 6
(
(
(
(
Generalites . . . . .
Applications lineaires .
Noyaux et images . .
Operations sur les applications lineaires .
Representation matricielle d ' une application lineaire .
Changements de base .
Applications aflines
Exercices
. .. . .
10
15
18
21
27
32
41
"1,;'
52
60
65
Exercices
8. 1 Exernples preliminaires . . . . . . . . . . . .
8.2 Definitions et premieres consequences . . . . .
8.3 Formulati on matricielle, polynorne caracteristique
8.4 Reduction la forme diagona le . . . . . . . . . .
8.5 Reductio n des applications lineaires no'N"diigonalisables
..
8.6 Transformations et matrices syrnetriques
8.7 Application am systernes differentiels
.' .
. . . . . .
.
8.8 Exercices
j: "
Determinants
5.1
5.2
5.3
5.4
5.5
Exercices
94
100
105
108
Algebre ma tricielle
4. 1
4.2
4.3
4.4
4.5
4.6
4.7
Chapitre 7
Appendice
129
131
133
137
140
142
145
149
152
153
154
158
161
165
47
,(
',
I
~:
;'~,
., . .
~\
..
CHAPITRE
(
(
;,
(
(
(
(
1.1 UN MODELE D'ESPACE VECTORIEL
(
(
1.1.1 Introduction
Des notions physiques telles que la force ou la vitesse sont caracterisees par
une direction , un sens et une intensite. Ce triple caractere est rnis en evidence par
les fleches, Celles-ci sont a l'origine de la notion de vecteur et en constituent
I'exemple Ie plus suggestif. Bien que leur nature soit essentiellement geornetrique,
c'est leur aptitude a se Iier les unes aux autres , done leur comportement algebrique,
qui retiendra principalement notre attention. Partage en classes d'equivalence et
muni de deux operations appelees addition et multiplication par un scalaire,
I'ensemble qu'elles forment represente Ie modele c1assique d'un espace vectoriel.
Un de nos premiers objectifs est la description detaillee de ce modele.
(
(
(
,(
(
(
(
(
(
Fig. 1.1
~Q
P
(
1.1.3 Ensemble des vecteurs
Nous dirons que deux flechessont equivalentes si elles ont la merne direc
tion,le meme sens et la merne intensite . Partageons l'ensemble des flechesen classes
d'equivalence: deux fieches appartiennent a une meme c1asse si et seulement si elles
sont equivalentes. Nous dirons que chacune de ces classes est un vecteur. Ran
geons, en outre, les fleches degenerees (c'est-a-dire de la forme PP) en une c1asse
distinguee que nous appellerons vecteurnul et noterons O. L'ensernble des vecteurs
(
(
( ,
(
(
(
(
Un modele d'espace veetoriel
(
ainsi definis sera designe par V. II faut souligner que les elements de V sont des
classes de fleches et non pas des fleches individuelIes. II est cependant clair qu'une
fleche quelconque suffit a determiner la c1asse a laquelIe elIe appartient et iI est
Dans ce livre, les vecteurs seront designes par des lett res latines minuscules
imprimees en caractere gras ou par des couples de lettres latines majuscules
surmontees d'une fleche (par exemple, PQ designe Ie vecteur determine par la
fieche PQ). Dans les figures. les fleches seront toutefois designees par Ie symbole
du vecteur qu'elles representent,
(
(
(
(
(
(
(
~
Fig. 1.3
j .
':'
(
(
+ (-y~.
x+y
::---z---
~
(
(
(
(x
y)
z = x
+ (y + z)
et
Y= Y
x.
II est en outre evident que Ie vecteur nul 0 est l'element neutre de I'addition
vectorielIe, autrement dit , que
<.'<,
0 = 0
+x
(-x) = 0,
= x,
et que
( ,
Fig. 1.4
1.1.6 Remarque
XI
x:J
Xl)
+ ....
x2
+ ... +
Xk'
12
P+Q
----I
--F:::,
-l'
",;"/ I
__, , /
/;tJ P
........... J...
...............
I
I""."
I..................
t----
+Q
dans ~
'"
/",/
<,,j,-"
_
0'
1.3.1
l.L':
.. :-
~es
Fig. 1,8
vectoriels geometriques
Ii
,n
., 1i.
~~
a.
-(
a2
.\
(
~1
1,3.2 Vectoriallse de
"./
.... ....
......A.._
/,"/
O~_
-..._--
-......
--
,.""
.>
-~P+Q
Fig, 1.6
o<1'/
-- --
....
-- -P
"
.... -
"
--~P
an
Munissons R n des operations d'addition et de multiplication par un scalaire
definies au moyen des fonnules suivantes :
a.
bl
al
a2
b2
a2
+ b,
+ b2
+
an)
a.
aa.
a2
aa2
LbnJ
lan+bnJ
Fig. 1.7
(
(
Lan)
Laan
o
o
(1.1)
- --
---
----0""",,,, ....
....,.
I <, ....
!
<,
...... I
II
,.,
Ii:
.................
"1
00(...
dans ~O'
(
(
(
(
(
(
'
On remarquera que si 0' est une deuxieme origine, ~O' et % sont egaux
en tant qu'ensernbles, mais differents en tant qu'espaces vectoriels (fig. 1.8).
(
(
14
et que
-a,
al
a2
-a2
est l'oppose de
-an
JR I sera identifie
1.4.1 Avertissement
Dorenavant, sauf mention explicite du contraire, les vecteurs seront les
elements d'un espace vectoriel donne E.
an
a JR.
~.~
XI'
at
1.4.3 Exemples
(I) Le vecteur nul est combinaison lineaire de XI ' x2.... . xk Pour voir cela,
il suffit de prendre a l = a2 = ... = at = O. Dans ce cas. la combinaison lineaire
est appelee combinaison lineaire triviale.
(2) Les combinaisons lineaires d'un vecteur X sont appelees multiples de X.
Un multiple de X est done un vecteur de la forme ax. On notera que Ie vecteur nul
est multiple de tout vecteur.
(3) Combinaisons con vexes. On appelle combinaison convexe toute combi
naison lineaire dont les coefficients sont non negatifs et de somme egale Ii 1.
L'ensemble des combinaisons convexes de deux points Pet Q de ~ est le segment
de droite joignant Pet Q. Pour s'en rendre compte, il suffit d'ecrire
aP
a
a
IS
+ (I
- a)Q = Q
a(P - Q),
,,"
",'"
""~
,," "
oar;:---.:.:.::--------;;
Q + a(P .' , " ------",,,/
-,
",,,,,,, ., -- ----'"
a(P -
Q)'<
/'" p'
-,
,,//<""
" y"
".
P- Q
Fig. 1.'1
Q)
(
(
Espaces vectoriels et espaees affines
16
17
(
Nous laissons au lecteur Ie soin de verifier que I'ensemble des combinaisons
con vexes de trois points est Ie triangle. eventuellement degenere, dont les sommets
sont ces trois points.
D'une maniere generate, on peut montrer que I'ensemble des combinaisons
con vexes de k > 3 points est Ie plus petit polyedre convexe (polygone convexe si
:(10 designe Ie plan), eventuellement degenere, comprenant ces points.
(4) On dit que Ie vecteur-colonne (x?)de R 3 est solution du systerne d'equa
tions linea ires
3xI - 2x z
-.r.l.t
+ 4x3 =
Xz -
0
5x3 = 0
t+f
ou
(1.2)
I
I
Soit (XI' XZ, , Xt) une famille de vecteurs. L 'ensemble des eombinaisons
lineaires de xI' x 2, ..., Xt est un sous-espaee vectoriel S de E, plus precisement Ieplus
petit sous-espace vectoriel de E (au sens de l'inclusion } eomprenant XI' Xz, ..., Xt
Les vecteurs XI' xz. .... Xt de la proposition 1.4.7 sont appeles generateurs
de S et la famille (XI ' Xz... Xt) famille generatrice de S. On dit aussi que ces
vecteurs ou cette famille engendrent S.
(
,(
Si Ie vecteur x est combinaison lineaire des vecteurs XI ' Xz, ..., Xt et chacun
,de ces vecteurs est combinaison lineaire des vecteurs YI' Yz, ... YI' alors X est
combinaison lineaire de YI ' Yz...., YI '
1.4.7 Proposition
= 0,
(1.3)
si ses termes .~t X~. ~, substitues aux inconnues XI' Xz, X3' verifient les deux
equations.
Toute combinaison lineaire al(x]) + az(x;) de solutions (x]) et (X;) du
systeme (1.2) est encore une solution de ce systeme,
(5) Soit f l et f z les deux fonctions definies par
fl(l) ;: cost et fz(t) ;: sint.
(
(
(
(
(
(
(
(
(
1.4.10 Exemples
( ,
:o
(
(
(
(
(
~ . . ~--<.. ~_ .~ - - ~ ....., . . ..
18
(
4
~
;1,
ww[f]m
En effet,
..
,.
.! ~ . :
"
J
:1
!i
;~
i~
II
era.
(5) Etant donne cinq nombres 10, ... , 14 arbitrairement choisis, definissons
x = ccle,
OU
p,{/)
==
(t - (0 )
...
(t .:. IJ ... (I - (4 )
\'
CCI' (X2' CC 3
+ CC2e2 + cc3e3'
(1.5)
ou l'accent circonflexe indique I'absence des facteurs d'indice i. II est evident que
P,{IJ
I et p,{/)
= 0 si i
a 3e3
# j.
(1.6)
Nous allons etablir que ces cinq polynornes engendrent I'espace vectoriel de tous
les polynomes de degre inferieur ou egal Ii 4, en demontrant que si P est un tel
polynone, alors
(
(
+ '" +
(I. 7)
"' j
ill
A cet effet, designons par p Ie polynome defini par Ie second membre de (I. 7).
D'apres (1.6),
p(t 4) = 0
(
(
'(
(
(
<
aiel
+0+
+0
= p(to)
p(tJ' I = P(l4)'
ce qui montre que p et p prennent les memes valeurs en t = to> ..., I = t , done
4
que Ie polynome p - p a au moins cinq zeros. Puisqu'il est de degre inferieur ou
egal Ii 4, nous en concluons qu'il est nul, done que p = p. La formule (1.7) est ainsi
dernontree.
(6) L'ensemble des polynomes de degre inferieur ou egal Ii n est un so us
espace vectoriel de l'espace de tous les potynemes. II est engendre par les monomes
Po: Po(/)
== I , PI: PI(/) ==
I,
... ,
P. : pit)
== 1'.
(un
f
j
,--t
j
Fig. 1.10
(
20
21
(
combinaison lineaire des deux autres, autrement dit, leurs representants ne sont
pas paralleles un meme plan.
Sur la base de ces observations, nous allons etendre la notion d'absence de
parallelisme un meme plan au cas d'un nombre quelconque de vecteurs d'un
espace vectoriel E.
,.
"
;1
l~'
II
I'
Ii
(6) Si les vecteurs x X2' ... , Xk sont Iineairement independants, les vecteurs
Xi.' X ...., Xi/ (I ~ i l < i2 < ... < i/ ~ k) I~ egalement. En d'autres termes,
i2
toute sous-famille d'une famille libre est elle-meme libre.
On dit que les vecteurs XI. x 2' ..., x t sont lineairement independants si la
relation a.x. + a 2x2 + ... + atxk = 0 implique a l = a2 = ... = a k = 0, autrement
dit, si la combinaison lineaire triviale est la seule combinaison lineaire de XI' x 2
.... xk qui soit nulle. Dans Ie cas contraire, on dit que les vecteurs XI' x 2...., xk sont
lineairement dependants.
Si I'attention est fixee sur la famille (XI' x 2' .... Xk) plutot que sur les termes
dont elle est constituee, on dit que celle-ci est libre ou liee suivant que les vecteurs
x., x 2' .... Xk sont lineairernent independants ou dependants.
Selon la definition 1.5.2. les vecteurs x,. x 2' , x k sont lineairernent depen
dants s'il existe des nombres non tous nuls ai' a 2, , ak tels que alx l + a2x2 +
... + akxk = O.
(
1.5.5 Proposition. Caracterisation de la dependance lineaire
Pour qu'une famil/e de vecteurs (XI' x2' ..., Xk) (k > I) soit liee, il faut et il
suffit qu'un vecteur Xi soit combina ison lineaire des vecleurs x j avec j i.
DEMONSTRAnON
Si la famille (Xl' X2' ..., Xk) est liee, il existe des nombres non tous nuls a.,
... , at tels que alx. + Cx 2X2 + ... + <XkXk = O. En supposant <Xi non nul et en
2,
cesolvant par rapport XI' nous obtenons
(
XI = .!..(-alx. - ... a).j - ... - akXk)'
aj
.(
(
(
(
(
Exemples
Voici quelques cas ou la definition 1.5.2 s'applique directement.
I
I
(I) Une famille reduite un seul terme X est libre ou liee suivant que X est
non nul ou nul.
(2) Pour qu'un couple (x, y) soit lie, il faut et il suffit que I'un des vecteurs
X ou y soit multiple de l'autre. On remarquera que Ie couple (x, 0) est lie, mais que
x n'est pas multiple de 0 si x O.
(3) Si un des vecteurs XI ' x 2. .... Xk est nul , ~s vecteurs sont lineairement
dependants. car, en supposant Xi = 0, nous voyons que 1a combinaison lineaire
OX I + ... + l~ i~ + ... + OXk est nulle _sans etre triviale.
(4) Si ~ .,;" ifPour un couple d'indices i etj differents, alors les vecteurs Xl'
X2' .... Xk sont lineairement dependants, car. etant admis par exemple que i < j,
la combinaison lineaire OX I + ... + ~+ ... + (-I)xj + ... + OXk est nullesa!l~._
~ tre triviale. Cet exemple et Ie precedent se generaifsent de la facon suivante:
(5) Si les vecteurs XI ' x 2. ..., xk sont lineairernent dependants. alors les
vecteurs XI' .... Xk' xt + l, .... x/Ie sont aussi, quels que soient x k+....., x/ (I> k) .
En d'autres termes, toute famille finie de vecteurs admettant une sous-famille liee
est elle-meme liee.
Pour qu'une famil/e de vecteurs (XI' X2' .... Xk) Soil fibre, il [aut et il suffi:
qu'aucun vecteur X ne puisse s'ecrire de t!eux manieres sous laforme d'une combinai-
(
(
DEMONSTRAnON
Supposons que la famille (x. , X2' ..., Xk) soit libre. S'il existait un vecteur X
tel que
X = <X,x,
+ a2x2 + ... +
akxk = a;x.
<X;X2
+ ... + <XiXk'
(a2 - (2)x 2
+ ... + (ak
- <Xi)Xt
(
(
(
,.
(
(
(
(
(
22
{
(
I.6.S Proposition
( 'l l:/,
I, :
( I , :!
I;
,I
23
'j
I '
"I,
J.;
~ I
Si
1.6. I Introduction
XI
XI' X2'
+ YI' X 2 + Y2'
Xn
, Xn
celles de ax.
On dit qu'une famille finie de vecteurs est une base de E si elle est Iibre et
engendre E.
1.6.3 Proposition
Pour qu 'une famille de vecteurs (e., e2... .. en) soit une base de E, il [aut et i/
suffit que tout vecteur x de E s'exprime de maniere unique sous la forme d'une
combinaison lineaire des vecteurs e l , e2, . ... en:
x = xle.
x 2e 2
+ ... +
xnen.
1.6.7 Exemples
(1) La donnee d'une base d~ns ~ equivaut a celie d'un systerne d'axes de
reference d'origine 0 dans :?: Les composantes d'un point de ~ sent, dans ce
cas. les coordonnees de ce point par rapport au systerne d'axes.
(2) Deux (trois) vecteurs lineairement independants de V 2 (V3) forment une
base.
(3) Les vecteurs-colonnes de IRn
(1.9)
Par definition d'une base. les vecteurs el' e2' .... en engendrent E. done tout
vecteur x s'ecrit sous 1a forme (1.9). O'autre part. puisque el' e . ..., en sont
2
lineairernent independants, la decomposition (1.9) est unique, d'apres la proposi
tion 1.5.6.
I
.~
(
1.6.4 Composantes d'un veeteur
En presence d'une base. tout vecteur est done entierement determine par ses
composantes.
.j
.~ ,
j'
o
o
(1.10)
.',
.'
i:
h
o
,
oI
10
forment une base que l'on appelle base canonique de IRn Les composantes du
vecteur-colonne (a j ) dans cette base sont c a2, .... an'
(4) Les polynornes Po ... P4 definis dans (1.5) forment une base de I'espace
vectoriel des polynornes de degre inferieur ou egal Ii 4. En effet, ils engendrent cet
espace et, de plus. ys sont lineairernent independants, car la relation CXoPo + ... +
a 4 P4 = 0 implique aopo(t;) + ... + a 4P4(t;) = 0 et done. par (1..6). a j = 0 pour
i = O.... ,4. D'apres (I }), les composantes dans cette base d'un polynome P de
degre inferieur ou egal a 4 sont p(to)..... p(t4 ) ,
(5) Les monornes Po ..., Pn definis dans (1.8) forment une base de I'espace
vectoriel des polynornes de degre inferieur ou egal a n. En effet, ils engendrent cet
(
Dimension d'un espaee vectoriel
24
25
(
(
r.
espace et, en outre. ils sont lineairernent independants, car la relation CXoPo + ...
+ a.p. = 0 s'ecrit aussi sous la forme a o + a.t + ... + a.t' == 0 et implique done
a o = a l = ... = a. = 0 (cf. exercice 1.12.5). Les composantes d'un polynome de
degre inferieur ou egal n dans cette base sont les coefficients de ce polynome,
Tout espace veetoriel de dimensionfinie et non reduit au vecteur nul admet une
base. En fait, de toute famille generatrice d 'un tel espaee on peut extraire une base.
:'1
Soit (V V . ... . Vm) une famille generatrice de E. Si E n'est pas reduit a {o}.
2
au moins un vecteur Vi n'est pas nul. Designons ce vecteur par x. Le corollaire
resulte alors du theoreme 1.7.3 applique aux families (x) et (VI' vl ..... v".).
.,
~. i
! t. :
1\'
q: j
anest liee.
X. = aiel
On dit que E est de dimensionfinie s'il est engendre par une famille finie de
vecteurs. Dans Ie cas contraire , on dit que E est de dimension infinie.
I
1.
a2
a.
I
e l = -XI - -el - ... - -e.
Soit (x x 2
Xk) une famille libre et (VI' vl . .. .. v,J une famille genhatriee
de E. Si (x t- Xl'
Xk) n'est pas une base de E, on prot extraire une sous-famille (Vii '
Vil ..... Vi) de (v V2..... v,J de telle maniere que la famille (XI' .... Xk. ViI' .... Vi) soit
une base de E.
DEMONSTRAnON
.(
(
Comme x. n'est pas nul . au moins un des coefficients al' 0:2' .. .. a. n'est pas nul.
Quitte aenumerer autrement les termes de la base. nous pouvons admettre que
DEMONSTRAnON
Si (el' el' .... e.) est une base de E. toute famille de vecteurs (XI ' Xl' .... Xk) done
Nous raisonnons par I'absurde en supposant que la famille (XI' Xl' .... Xk)
soit libre. Considerons la decomposition de Xl suivant la base (e., el' .... e.):
\1f
(
1.7.S Theoreme
1.7.1 Introduction
:: i.
:lt l
DEMONSTRAnON
Au moins un des vecteurs Vi n'est pas combinaison lineaire des vecteurs XI'
Xl' .... Xk ' sinon (XI' Xl' .... Xk) engendrerait E. en raison de 1.4.4. et serait donc
une base de E. Notons ce vecteur vir La famille (XI' .... Xk' Vi.) est alors libre . En
effet.Ia relation alx l + ... + akx k + PIVil = 0 implique d'abord PI = O. autrement
Vi. serait combinaison lineaire des vecteurs XI' Xl' .... Xk et ensuite a l = a 2 = ...
= ak = O. puisque les vecteurs X Xl' .... Xk sont lineairement independants, Si
la famille (XI' .... Xk' Vi.) engendre E. elle est une base de E et Ie theorerne est alors
demontre, Dans Ie cas contraire, Ie meme raisonnement nous assure de l'existence
d'un vecteur Vil tel que (XI' .... Xk' Vii ' Vil ) est une famille libre. Si cette famille
al
..
,t
.:t:.
' .~
~~
.,.
al
al
Xl = P.x l
e,
o
PI
--XI
Pl
I
P3
+ -x,
- -e3
Pl' Pl
P.
P2
- ... - -e.
.~~.
et done de conclure que (XI' Xl' e3' .... e.) est une famille generatrice de E. puisque
Ie sous-espace vectoriel qu'elle engendre comprend les vecteurs XI' el' .... e. La
suite de la demonstration poursuit ce precede d'echange: el' .... e. sont remplaces
successivement par Xl' .... X . Le resultat montre que la famille (XI' Xl' .... xJ
engendre E. Mais alors Xk est combinaison lineaire des vecteurs XI' Xl..... X ce
qui contredit l'hypothese, en raison de la proposition 1.5.5.
(
(
(
(
(
(
(
(
26
(
(
Ii.
(
(
(
(
(
II
1.
1.7.6 Corollaire
Si (e., e2
DEMONSTRAnON
Tout espace vecto riel E de dimension finie non nulle n peut etre mis en
correspondanee biunivoque avec JR'. II suffit de choisir une base de E et de faire
correspondre Ii tout vecteur x de E Ie vecteur -colonne dont les tennes sont les
composantes de x dans la base cho isie:
R'
x.
x2
(
(
(
(
(
(
(
(
(
27
1.7.8 Exemples
2
eta.
(1.11)
x.
D 'apres la proposition 1.6.5, cette co rrespondance conserve les operations
d'addition vectorielle et de multiplication par un scalaire; en d'autres tennes, elle
permet, comme nous l'avons deja fait remarquer, d'effectuer les ope rations sur les
vecteurs par des operations sur les nombres. On dit que E et JR' sont isomorphes,
ou que la correspondance est un isomorphisme (cf. 6.3.7). Evidemment, eet isomor
phisme depend de la base de E choisie.
II importe de noter qu'un espace vectoriel E de dimension n n'admet, en
general, aucune base privilegiee, contrairement a JR' ; pa r consequent. sauf si Ie
cho ix d' une base de E a ete fait. iI faudra eviter de considerer E et R' comme
identiques.
(
(
1.8.1 Introduction
Dans eette section, nous reprenons l'etude des sous-espaces vectoriels d'un
espace vectoriel donne E et introduisons les notions de rang d'une famille finie de
vecteu rs, ainsi que celie de somme directe de sous-espaees vectoriels.
(
DEMONSTRAnON
(
(
E
(
(
(
Assertion (a). Une famille libre a n tennes qu i ne serait pas une base se
prolongerait en une base. d'apres Ie theoreme 1.7.3. et la dimension de E sera it
alors superieure a n.
Assertion (b). D'une famille generatrice Ii n tennes qui ne serai t pas une base
on pourrait extra ire une base. d'apres Ie corollaire I. 7.4. et la dimension de E serait
alors inferieure Ii n.
1.8.3 Proposition
...
(
(
28
29
(
(
'~ "
.<
~
}:
,~.
DEMONSTRATION
Ecartons Ie cas trivial ou Ie rang de la famille (XI' x 2' ... xt) est nul. D'apres
Ie eorollaire 1.7.4, on peut alors extraire de cette famille une base du sous-espaee
vectoriel qu'elle engendre. Le rang est done inferieur Ii k ou egal Ii k suivant que
(XI' x 2' ..., Xt) est une famille liee ou Iibre.
(
(
.>
~
,..
Pour que Ie rang d 'unefamille de vecteurs (XI ' X2' ..., xt) soit egal au rang de
la famille augmentee (x, x2' , xt , y), if faut et if suffit que Ie vecteur y soit
combinaison lineaire des vecteurs XI' x 2' ..., Xt.
DEMONSTRATION
+t
= u
v,
(
(
'(
.(
(
(
(
(
(
(
DEMONSTRATION
(
(
(
DEMONSTRATION
(
(
(
(
( /.1
(0
(
30
Espaces aflines
31
(
s,
(
(
(
aS
dimE = dimS
(1.12)
dimT.
DEMONSTRAnON
Ecartons Ie cas trivial OU un des sous-espaces Set Tse reduit a {O}. Soit (e.,
e2' .... ek) une base de Set (ek+I' ek+2' ... e.) une base de T. II suffit de demontrer
que (e,... ek. ek+\ ... e.) est une base de E. ou , ce qui revient au meme, que tout
vecteur de E s'ecrit de rnaniere unique SOllS la forme d'une combinaison lineaire
des vecteurs el ' ... ek' ek+I' ... en' Or. cela est imrned ia t, car tout vecteur de E s'ecrit
de maniere unique sous la forme 5 + t, OU 5 est un vecteur de S et t un vecteur
de T.
ij
"
(
(
1.8.10 Extension
On dit que la somme SI + S2 + .,. + Skdes sous-espaces vectoriels St. S2'
... Sk de E est directe si, pour i = 1.2. .... k, SI n T I = {O}. OU T I est la somme
des Sj d'indice j different de i. On note cette somme directe S\ EB S2 EB ... EB Sk'
De rneme qu'en 1.8.7. on dernontre qu'une somme SI + S2 + ... + Sk est
directe si et seulement si chacun de ses vecteurs s'ecrit d'une seule rnaniere so us
la forme s\ + 5:2 + ... + 5k. OU 5j est un vecteur de SI pour i = I. 2..... k, II est
evident que cette condition est remplie si et seulement si la seule decomposition
du vecteur nul est celie dans laquelle tous les 51 sont nuls.
Si les dimensions de St. S2 .... Sksont finies, la relation (1.12) se generalise
et devient
dim(SI EB S2 EB ... EB Sk) = dim S,
1.9.3 Notation
Si P est un point et x un vecteur, pour exprimer que Q est l'unique point
tel que x = PQ. nous ecrirons
Q = P
+ x.
(1.14)
Bien qu'un peu abusive. cette ecriture est commode a I'usage et suggere bien
Ie sens de l'operation qu'elle designe (fig. 1.11).
//Q=P+>
(1.13)
Fig. 1.11
( )
On remarquera que
(
+ (x +
y) = (P
x)
y.
(
(
32
I
I
I,
Espaccs affines
33
(
(
(
(
(
(
1.9.7 Exemples
PP =
(2) Si PQ
de la regie (I).
-Q'P. II suffit de
j'
PQ
= 0, aI6rs
P'
i l'
f~
I;
Q'
Fig. 1.12
I0;:''
/Ja.
-Xl
P =O+x
E
----
eo est
3x1
r :
(I) II est dit dans 1.9.1 que l'espace ~ . de la geometrie elementaire est un
espace affine. En elfet, sa direction est l'espace geometrique Vet les conditions (a)
et (b) de la definition 1.9.2 sont satisfaites. II faut bien noter qu 'au couple de points
::...--- (P, Q) est associe Ie vecteur PQ et non pas la fleche W. En fait, la fleche pouvant
etre identifee au couple d~ points, nous voyons que ce que postule la definition
1.9.2 n'est rien d'autre qu'une forme abstraite de correspondance entre fleches et
\ vecteurs,
(2) Tout espace vectoriel E peut etre considere com me un espace affine de
direction E lui-meme si au couple de vecteurs (x, y) est associe Ie vecteur y - x.
En effet, les conditions (a) et (b) de la definition 1.9.2 sont satisfaites.
(3) Soit E un espace vectoriel, S un sous-espace vectoriel de E distinct de
E et x un vecteur de E. Nous designerons par x + S I'ensemble des vecteurs z de
la forme x + y, ou y parcourt S. Si x n'appartient pas Ii S, x + S n'est pas un
sous-espace vectoriel de E, car Ie vecteur nul n'appartient pas Ii x + S. Par contre,
x + S devient un espace affine de direction S, lorsqu'on y introduit la correspon
dance entre couples et vecteurs definie dans l'exemple (2). En effet, la difference
de deux vecteurs de x + S est un vecteur de S et les conditions (a) et (b) de la
definition 1.9.2 sont satisfaites.
(4) Pour iIlustrer l'exemple (3), considerons Ie systeme d'equations lineaires
-
2x2 + 4x J =
3
X 2 - 5x; = -4.
(1.15)
.(
(
(
(
(
Comme dans l'exemple (4) de 1.4.3, nous appellerons solution de ce systeme tout
vecteur-colonne (x?> de IRJ dont les tennes x~, x~, xg verifient les deux equations.
Prenons une solution particuliere de ce systeme, par exemple
[~]
[i]
(
(
(
(
(
(
+ S,
(
(
34
1.10.3 Proposition
1.10.1 Introduction
sous-espace affine que nous allons introduire. Les sous-espaces affines de I'espace
:~
affine
de la geometrie elementaire sont les points, les droites, les plans et :9'
lui-meme,
On notera que !/ ainsi defini n'est pas vide, car iI comprend au moins Ie
point Po.
Suivant I'exemple (3) de 1.9.7, nous designerons Ie dernier membre de (1.16)
plus brievement par Po + S, ce qui nous permettra de considerer un sous-espace
affine comme un sous-ensemble Y de (f de la forme
(
(
(
(
~~
~
= Po
(1.17)
S,
~~
Assertion (b). En vertu de (a), pour tout couple (P, Q) de points de .9: PQ
est un vecteur de S. Reciproquement, si x est un vecteur de S, choisissons un point
quelconque P de Y et posons Q = P + x. D'apres (a), Q est un point de g; done
x est bien un vecteur de la forme PQ, avec P et Q des points de Y:
(1.16)
Assertion (a). Posons .'7" = P + S. II suffit de montrer que .Y' est inclus
dans 51; car I'argument symetrique nous foumira l'inclusion opposee et done la
conclusion Y = ..9: Soit Q un point de Y '; c'est-a-dire un point tel que PQ
appartienne a S. Puisque P est un point de g;
appartient a S. Mais PoQ =
P;P + PQ, par la condition (b) de la definition 1.9.2, donc ~ appartient aussi
DEMONSTRATION
PJ
35
Soit Y et
deux sous-espaces affines de (;f. Si .'7' et .!F ont au moins un
point commun P, leur intersection est un sous-espace affine de if de direction
= {Q: PQ e S} n {Q : PQ e T}
l'intersection de leurs directions. En effet, .Y n
= {Q: PQ e S n T}, ou Set T sont les directions respectives de .Y et de .!i":
.r
(
(
(
(,
Fig. 1,13
.r
(
36
31
(
(
M,
1.10.9 Exemples
(I) Comme deja annonce et illustre (fig. 1.13), les sous-espaces affines de
0/ sont les points, les droites, les plans et ' lui-rneme.
(2) L'espace affine t! est un sous-espace affine de lui-rneme. Pour s'en
rendre compte, iI suffit de mettre E a la place de S dans (1.16). .
(3) Pour tout point Po de ft, {po} est un sous-espace affine. On voit cela en
posant S = {o} dans (1.16).
(4) Un sous-espace affine de dimension nulle se reduit a un seul point. Un
sous-espace affine de dimension I est appele droite affine ou simplement droite; un
de dimension 2 plan affine ou simplement plan. II est clair qu'une droite est
determinee par deux de ses points et un plan par trois de ses points non alignes,
c'est-a-dire n'appartenant pas a une merne droite.
(
(
(
(
(
(
(
(
(
(
(
,(
1.11.1 Introduction
Comme pour Ie choix d'une base dans un espace vectoriel, Ie choix d'un
n
repere dans un espace affine de dimension n permettra d'identifier cet espace a R
et, par ce moyen, de traiter les problernes geometriques par des calculs sur les
coordonnees (geometric analytique).
Dans cette section , (( designera un espace affine de dimension finie non nulle
n et de direction E.
1.11.2 Reperes
On appelle repere de if tout ensemble (0 ; e l, e2' ..., en> forme d'un point
0, appele origine, et d 'une base (e" e2' ..., en) de E.
(
(
(
(
(
(
(
1.11.3 Remarque
1.10.11 Parallelisme
.;.;;.
...'
, ,
2
On peut concevoir un repere sous la forme d'une famille de points (0; PI'
Pn) telle que (~, OP;, .... OP,,) est une base de E.
(
(
(
(
1.11.4 Coordonnees
(
(
(
(
38
39
Si XI' X2 .. Xn sont les coordonnees d'un point Pet YI' Y2 .. Yn celles d'un
point Q. les composantes du vecteur PQ = OQ - OP sont YI - XI' Y2 - x2 ...
Yn - x n Inversement, si XI' x 2 ... x n sont les coordonnees d'un point Pet zi' Z2.
... Zn les composantes d'un vecteur z, les coordonnees du point Q = P + z sont
XI + Z x 2 + z2' ... x n + Zn. car Pet Q sont lies par la relation PQ = OQ - OP
(
(
(
z.
Par la suite. un point P defini par ses coordonnees XI' X2' .... x n sera designe
;~
.i
P = Po
ou
aiv i
al. a 2 at
a2 v2
+ ... + atvk
(1.18)
V.XI
~.
~
~!
)
P = Po + av
= x~ + aVI
P = Po + all'. + a 2"2
x. = x~ + a .vlI + a2 v12
X 2 = x~ + alv21 + a 2vn
xJ = x~ + a1vJ. + a2 v J2 .
XI
X2 = x~
= x~
XJ
+
+
aV2
aVJ
(1.20)
.~~
Plan:
representation parametrique de .9: Les vecteurs VI' v2. .... vt sont appeles vecteurs
directeurs de .Y et les variables a l a 2..... at parametres de la representation. On
notera que Ie nombre de parametres est egal
Representation
parametrique:
Equations
parametriques
dans Ie cas n = 3:
Oroite:
vr2
+ ... +
VnXn = ~.
. (1.21)
x 2 = a2
Fig. 1.14
Xn_1 =
Supposons main tenant que if soit muni d'un repere (0; e e 2..... e,,). En
designant par x x2 .... x n et x~. x~ .. x~ les coordonnees respectives de Pet Po
et par Vlj' Vu. .. .. Vn j les composantes de Vj. nous voyons que la relation (1.18) s'ecrit,
de rnaniere equivalente, sous la forme
{
(
(
(
XI = x~
x 2 = x~
+
+
Xn = x~
a.v21
+ a2 vI2 +
+ a2vn +
a1vnl
+ a2vn2 + ... +
alvlI
+ 'akvlk
+ akv2k
akvnk'
. ';,.
xn =
Vn-lan _I'
vn
ou al. a 2. .... an _I sont des variables parcourant R. Ces equations sont de la fa nne
(1.19) et representent done un hyperplan.
Dans Ie cas particulier ou n = 2.
vlXI
(1.19)
an _I
a VI
- - -a.
v
v
Vr2 =
v.XI
vr2
vJxJ
(
_:,.1
40
Excrciccs
41
- i - 2a
t+
r.~
~ t~
:j
?~
.",r1.,
.:z
vJ = ~(-4, 5, -2,3) . (
': 9~~:
,.
~~
I - 20: 1
. 2et l
3 - 3a l
= - I + 4a 1
X4
a2
4a ) (
s.
5aJ
(
- 4a 2 - 2aJ I
+ 3a~ + 3a J . /
....
a; ,,
x2 =
I + a; + ai
xJ = - I
+ 2a; ,
X 4 = - 2 + 2a; + 3ai. I
XI
I -
= - i - 2a
t + 3a
XI
Xl
= -I + 2a'
XJ
x) =
XI
6a,
a'
<'
4a .
<.
(
+ 3xJ - 4x 4 = 4,
parallelement a une droite de vecteur directeur v( I, 4, 3, -
1).
Solution. Les equations parametriques de la droite passant par P de veeteur
directeur v sont
xJ
X4
1+
= -3 +
= -2 +
=
1-
.(
(
(
a
4a
3a
a.
P sont 2,
,(
x2
XI -
r, 1, O.
(
(
(
(
(3) Deux droites '/ et '/ ' sont donnees par leurs equations parametriques
X2
+ 2a
d'equation
Xl
/
XI
./
+ a
I
x2 =
I
X J = -I
XI
x2 =
xJ =
+ a ')
+ 20:')
+ a ').
't'"
= M(-2, 2, -3,4) (
v2 = PoP;(-I, 0, -4,3) r
XI
= P(-I
3a = P(- 2
6a = P( 5
.' -';'.
..f
;jJ
VI
:~
; !,
(
(
1.12 EXERCICES
4+ a '.
(
(
[iJ. [-:]. m m
(
(
42
43
Excrcices
(
(
(
[~;]
1.12.9 Soit (e., ez) une base d'un espace vectoriel E de dimension 2. Montrer
que les familles de vecteurs (e, + e2 ez). (el + ez. e t - ez) et (e., e2 + ae l) (a etant
un nombre arbitraire) sont des bases de E. Calculer, en outre, les composantes de
e l et e2 dans chacune de ces bases.
comme combinaison
(
(
(
1.12.2 Montrer que toute fonction de la forme f(t) == asin(At + Ii) (a. A ~
0, Ii E [0. 21t est combinaison lineaire des fonctions s(t) == sin(At) et c(t) == cos (AI)
et, inversernent, que toute combinaison lineaire de s et c est une fonction de la
meme forme que f.
1.12.10 Dans chacun des cas suivants, dire si la famille (fl' f2 f) est une base
de I'espace vectoriel des polynomes de degre inferieur ou egal a 2. Si oui , trouver
les composantes dans cette base des monomes Po(t) == I. p,(t) == t et pz(t) ==
(a) f,(t) == I
f 2(t) == 2 - t +
f)(t) == -6 + 3t (b) fl(t) == 1 + 2t
fit) == I - 2t
f 3(t) == t.
(c) fl(t) == t , fit) == t
fit) == I + t +
+,z.
(
(
(
dl
d2
d3
d4
,z.
0 '
C3
I I" ,)
C3
et d4 sont differents de O.
(
(
+,z.
,z.
R S?
+,z.
3r.
(
(
+,z.
,z.
.~.
1.12.12 Soit (e., e2, ..., e6 ) une base d'un espace vectoriel E de dimension 6.
Soit S Ie sous-espace vectoriel de E engendre par les vecteurs e, - e2' e) + e4 et
e, + e6 Quelles conditions doivent satisfaire les composantes d'un vecteur X de
E pour qu'il appartienne a S?
(
(
(
(
1.12.6 Montrer que les fonctions fl(t) == 1. f 2(t ) == e' et f 3(t) == e2J sont
lineairement independantes,
l ~ rJ e~ \
, ;-.:>
='':> 01-. ,
~~.
1.12.7 Soit (x x~ . .... x k ) une famille libre de vecteurs d'un espace vectoriel
E. Soit (YI ' Yz ..., Yk) une deuxierne famille de vecteurs de E. On suppose que
chaque vecteur Xi soit combinaison lineaire des vecteurs Y" Y2' ..., Yk' Montrer que
la famille (y,. Y2' ... Yk) est libre .
(
(
(
/
1.12.8 Soit (e., e~. e3 e4 ) une base d'un espace vectoriel E de dimension 4.
(a) Montrer que les vecteurs v, = e l + e 2 + e4 v2 = e, - ez + e3 - 2e4 et
v3 = -e. + ez - e3 + e, sont lineairement independants,
(b) Prolonger la famille (vI' v2 v3) en une base de E.
; :~
~
.~
>?
..
'::
l
44
-I
2 1
-2
-I
-2
-II .
5
-1
) et (
2 1
XI
Xl =
X4
1 I) .
T et de S
n T.
~,
n + dimeS n n
;,
Z!, ~
2 - a; - ai
3 + a; - ai
Xl = -2 + (X; + ai
x4 =
4 - a; + ai .
XI =
a2
;j ,
.~
dim T.
(
(
('
(
(
2o: l
a l
a l
al
x2 =
I + a l - 2a2 +
X2 =
I + a l + a2 .+
Xl =
2
- a2 X4 = - 2 - a l 3a2 -
('
(
f
= dimS
XI =
+ al
+ a l + a2
-3 + a l - a2
1 + a l + a2'
"
dimeS
1
2
-1
X2 =
3
-I
3I.
45
Exercices
(
(
.'-~:
l
:l.,
+ PQ. ou
ffa.
ae(-oo.l] etpeR
-(
.c
(
(
't',
". '
+ Xl - 2x4 =
-' -1 = --x 2 - I = Xl - 2
I'hyperplan d'equation
geometnque
.
. .
defini
'
.
Ileu
-XI
e m par Ies equattons
3:<1 -
X2
a une
= x2 + I = Xl -
X4 + 2
x j - -I sur l'h yoerp Ian d"equation
, 2XI
- = -
,
x, = _.
-I
4'
(
(
.',
+ 3x, -
t'.
-4
droite de vecteur
2
X4 + I
= -.
-2
2
(a) Montrer que !jJ est une droite et ecrire ses equations pararnetriques.
(b) Calculer les coordonnees du point d'intersection de 'd et ..9:
I et q Ie
.C
:.':4
~
i
~.
aI ' a 2, .. ., ak'
Lorsque a l
.. ..
= (l2 =
...
= (lk = ~.
Pk
11
:j
I
on
(
(
(
(
(
(,
/
(
(
46
I
(
CHAPITRE
jeNi
(
(
1.12.25 Soit.9; .Y' et .9''' trois hyperplans paralleles d'un espace affine de
dimension finie superieure a I. Soit en outre 9., 9 2, , des droites du meme
espace, non paralleles a .9'. On designe par Pi' P; et P;' les points d'intersection
respectifs de Y: ..9", .9''' et gj' Montrer que PiP;' = ap;p;, avec a independant
de i (theoreme de Thales).
donnee d'une nouvelle operation sur les vecteurs, celie de produit scalaire. II s'agit
de notions metriques telles que la nonne ou I'orthogonalite, Dans l'espace vectoriel
geornetrique V, on peut definir un produit scalaire en partant des idees de longueur
et d'angle, Muni de ce produit scalaire, V devient un exemple de ce que nous
appellerons espace vectoriel euclidien (cr. definition 2.2.3).
Tout au long de cette section, les vecteurs seront les elements de V.
(
(
.j
(
2,1,3 Norme, angle de deux vecteurs
(
(
1:
Les fleches representatives d'un rneme vecteur x ont toutes la meme lon
gueur . Nous designerons cette longueur par II x II et I'appellerons norme de x. II
est clair qu'un vecteur est nul si et seulement si sa nonne est nulle. Nous dirons
qu'un vecteur est unitaire si sa nonne est 1. Si x est un vecteur non nul, _I-x est
( '
i1x II
48
Cette expression vaut egalement dans Ie cas ou x est nul, a condition d'admettre
que la projection orthogonale du vecteur nul est Ie vecteur nul. La norme de proj,x
s'ecrit
y II cosO,
(2.1)
II proi~y x II
(2.3)
(x I v)v,
II
proj.x
II
I(x I v)l
proj.(x
(2.5)
'.
~~
l;.
i
f
"j:'
/,1
WI
{!
'\
:'.1
i lI
.i:,
x II cosO(_I- v),
II
'ti
v II
i.l
!!
(j
~I
rlI
,~
~I
(b)(ax + py I z) = a(x I z)
(c) (x I x) > 0 si x "# O.
il
,:~
II..l
i.
'1 su ffiIt d
bstituer
'
e su
II
i
~
proj.x = (x I v)
_ (x I v)
II V 11 2 V -
(v I v) v.
s
~.
(2.2)
(
(
(
(
(
La seule ..9.t!! demande une verification est la deuxierne, Si zest nul, les trois
produits scalaires sont nuls et l'egalite est vraie. Si z n'est pas nul,
proj.(ax
+ py)
= aproj.x
(ax
+ py I z)
(z I z)
(x I z)
(z I z)
= a--z
.:....-....,......,~.:.......:..z
'(
(
(
pproj.y,
a (2.2),
+ i y I z) z
(z I z) ,
(
2.1.8 Bases orthononnales
Une base (e l , e2' eJ ) de Vest dite orthonormale si les vecteurs el , e2' eJ sont
orthogonaux deux deux et unitaires.
:,?'
+ P(y I z).
'~ i
2.1.7 Proprietes
~,
II
On dit que des vecteurs x et y sont orthogonaux s'ils sont non nuls et leur
angle est
(
(2.4)
proj,x
(
49
x = (x I e.)e,
(x I e~2
(x I eJ)eJ.
(
(
(2.6)
'J
so
51
(
(
(
(
(
(
= (x.e. +. X2e2 +. x)e) lei) = x.(e l lei) +. x2(e21 e.) +. xie) lei) = XI'
puisque (e, lei) = I et (e2 1e.) = (e) leI) = 0; de merne;
(x lei)
(x I e2)
= X 2,
(x I e)
(
(
= X),
d'ou la decomposition.
..,./:::.
(
(
Cette decomposition s'obtient egalement par (b) de 2.1.7. En effet, xI' X2' .l")
etant les composantes de x,
2.2.4 Remarques
2.2.1 Introduction
l
(
(
(
(
(
+. r(x I z).
se developpe en une somme de neuf termes de la forme x;YJ{ell e); or, par I'ortho
normalite de la base, (ell e) est nul si i :F jet vaut I si i = j, ce qui entraine
On appelle espace vectoriel euclidien tout espace vectoriel muni d'un produit
scalaire.
II est clair que tout sous-espace vectoriel d'un espace vectoriel euclidien E
devient lui-rneme un espace vectoriel euclidien s'il est muni du produit scalaire
herite de E.
..
:71
On dit qu'un vecteur est unitaire si sa norme est I. D'apres (2.7), si x est
I
non nu ,
I
..
jj-;-it
est un vecteur urutaire.
2.2.6 Exemples
(I) Vu les propnetes 2.1.7, l'operation definie dans 2.1.4 est un produit
scalaire dans V conforme a la definition 2.2.2.
(
..~:
(
53
Orthogonalite
52
I~
at
a2
~~l
I.1bb,
~J
~i
',..
"r, \"
.~:.:.
~: "l
l~ 1
,~
'~ I
"' I
~ ~':
(4) Un autre exemple de produit scalaire dans C1a.bl est foumi par la formule
Sf(t)g(t)p(t)dt,
a
,(
i!
,I
I
Co(t) ==
~' ck(t)
==
.n
I
,-cos(kt),
yrr.
/1
52' ...)
Ck
et
5k
5 k(t )
==
I .
,-sm(kt).
(2.12)
y1t
(2.11)
(cosk
+ l)t) + cosk
- l)t))dt =
t L(cosk
- l)t) - cosk
+ l)tdt
(
si k '" I,
1t si k = I", 0,
21t si k = I = 0 ;
sin(kt)sin(lt)dt
- x
-x
-x
j cos(kt)~os(lt)dt
(f I g) =
\
-.(
';:' i
.~~
2.3.3 Exemples
Cette operation definit bien un produit scalaire, car les conditions (a) et (b) de la
definition 2.2.2 sont manifestement satisfaites et, en outre, l'integrale
S(2(t)dt
(2.10)
... '
Sf(t)g(t)dt.
2.3.2 OrthogoDalite
"
v
:..i
(2.9)
. ;".
-.;,;,..
La preuve que l'operation definie par (2.9) satisfait a la condition (c) n'est pas
immediate. Nous laissons toutefois au lecteur la tache de l'effectuer, car nous
reviendrons sur cette question dans la section 9.2.
(f I g) =
2.3.1 Introduction
\'
J.ii
~~
.;s:'
.. ,
:1:1
est un produit scalaire dans JR. que l'on appelle produit scalaire canonique.
Par la suite, sauf mention explicite du contraire, R sera considere com me
muni de ce produit scalaire.
Deux aut res exemples de produits scalaires dans 1R3 sont definis par les
formules
([::]1 [~])
~
.:;;..
(2.8)
lb.
([::] I
2.3 ORTHOGONALITE
-JII'
{O~k"'~
1t si k = I '" 0;
(
l)tdt = O.
(
(
54
Orthogonalite
55
(
2.3.4 Orthogonalite Ii un sous-espace vectoriel
(
(
o.
,~
,-.,
+ Y 11 2 =
II x
II X 11
II
2
Y 11 .
(2.15)
L'extension de (2.15) au cas d'une famille orthogonale (x. , X2' .... Xk) de plus
de deux termes se fait par recurrence:
II x,
x2
+ ... + x, 11 2 =
II x,1I
2+
II x211
+ .,. +
II xk 11
2.
(2.16)
DEMONSTRATION
(v'v)
2.3.9 Orthogonalisation
Soit (XI' x2
Xk) une famille orthogonale de vecteurs non nuls. La relation
a,x, + a2x2 +
+ akx k = 0 ~~traine , pour i = 1.2..., k, grace la linearite
gauche du produit scalaire,
o=
La relation
(X + YI X + y) = (x I x)
a = - -.
Toute famille orthogonale finie de vecteurs non nuls est fibre. En particulier,
toute famille orthonormale finie est fibre.
(2.17)
(x I v) ,
(x I v\.
proj.x = (v I v)
,
'
(y I y)
+ 2(x I y)
Y 11 =
II X 11
II Y 11
a droite du
2(x I y)
(x 2 1 VI)
v2 = x2
-(- , - ) v,,
vJ = x J
(xJ I v,)
(xJ I v:J
- - v , - - - v2,
(VI I v,)
(v2 1 v0
v, v,
(2.18)
(2.13)
produit scalaire. Cette
(2.14)
(x, I v0
(xk I vk_,)
(Xk I VI)
vk_,
vk = Xk - - V I - - - v2 - ... (Vk_1 I Vk_l)
(v,1 v,)
(v2 1 v0
En d'autres termes, Vi (i > I) est la difference de Xi et la somme des projec
tions orthogonales de Xi sur les vecteurs V, . v2_ .... Vi_I '
(
.
s:
Nous allons montrer, par recurrence, que les vecteurs VI ' V2, .., Vk sont
orthogonaux deux a deux et non nuls . A cet elfet, supposons que les vecteurs VI '
v2, ..., vj (i < k) Ie soient. Alors , pour i = 1,2, ..., i,
Vo(t) == I,
..}.
.1
Jsds ==
-! Srds
-I
L.
(
(
t,
I
- t Ss)ds .t
== t2
-!.
-I
Les polynomes vo, VI et v2 ainsi obtenus sont les trois premiers termes d'une famille
orthogonale infinie connue sous Ie nom de systeme de Legendre.
0,
ce qui demontre que vi+ 1 est orthogonal VI ' v2' , Vi ' En outre, VH I n'est pas nul ,
sinon xi + 1 serait combinaison lineaire des vecteurs VI ' v2, , Vi et done des vecteurs
XI ' x2' ..., Xi' en contradiction avec l'hypothese d' independance lineaire des vecteurs
XI ' x 2, , xk' Les vecteurs VI' v2, , VH I sont done orthogonaux deux a deux et
nOll nuls, ce qui etablit notre assertion .
On notera que, pou r chaque i, les families (X I' X 2' , Xi) et (VI ' V2, , Vi)
engendrent Ie meme sous-espace vectoriel de E.
1
I
_I I).
-I
~J '
1
V2
-I
1
1
~i
-!j
. ),
(Ie facteur 3"I peut etre
onus
V)
1
\
-I
- I
I
I I
3 I
--7f-;
33
-6
=
2
11
- -
I
5
(Ie facteur
11
(
(
(
(
-IT
2.4.2 Exemples d'appUcation
(2) Soit (Po, PI' P2) la famille de vecteurs de C[_I . II definie par plt) == t
Comme (x I e)e est la projec tion orthogonale de x sur e, x - (x I e)e est orthogonal
e, done (x I e)e, ce qui nous permet d'appliquer (2.15) au second membre de
(2.20) et d'obtenir
II ne reste alors plus qu'a multiplier les racines carrees des deux membres extremes
de (2.21) par II y II et substituer y II y lie pour etablir (2.19).
";."
1
1
(2.19)
II x
I
I I
3 I
II
.(
et l'inegali te est en fait une egalite. Si y n'est pas nul, posons e = _I_yet ecrivons
I y II
(2.20)
X = (x I e)e + x - (x I e)e.
I
VI
x 1111 y
I (x I y) I ,;;; II
I
-I
II,
,
(
2.3.10 Exemples
I
I
II ,
-I
v2(t) == f
Vii v)
(v" v,)
~ (xi+11 VI)
(XHII v,)
(Xi+l lv) - L. ( I ) (V, I v) = (xi+ l l v) ( I ) (vjlv)
I_ I v, VI
vj vj
VI (t) == t -
' a .1
57
:Y
~ (x j + 1 I v,)
(Vi+llv) = (Xi + l -
InegalilCs. angles
-~
56
"
I ~a,hi
l';;;
i=1
n
~cf ~
br
/"
V i-I
i= 1
(
(
~j
t
(
Espaces vectoriels euclidiens et espaces affines euclid iens
58
59
n)2
( 1: a/
:.0;;;;
n 1:af,
i- I
i- I
- I :!'::
ou encore
n)2
I
( -n
1:a/
I
:.0;;;; -
i _I
..
1:af,
I_ I
Jf2(t)dtJg2(t)dt.
:.0;;;;
f(t) IdtY
:.0;;;;
'~1
(b-a)!f2(t)dt.
,,
I
i
Par exernple,
(I
JSiii'idt
i
~
(Ii
I."
:.0;;;;
(x I y)
II x 1111 y II
:!':: 1
I f(t)g(t)dt I
.~
n sintdt = 2n,
cosO =
(x I y)
II x li llY
(2.23)
II"
Ce nombre est appele angle des vecteurs x et y. On notera les cas particuliers
suivants:
(x I y)
h
x et y ort ogonaux : II x ]] y II
. ,
.0 n
= 0, ce qUI. equrvaut
a = 2";
(xly)
PII Y 11 2
{ISiP>o,cequiequivaut ao =o ;
x = py: II x 1111 y II = IPIII Y 11 2 = - 1si P < 0, ce qui equivaut a 0 = n.
Si x et y sont non nuls, la relation (2.14), ou celle qui en derive par
substitution de -yay, s'ecrit, a I'aide de (2.23), sous la forme equivalente
II x
(2.24)
ou encore
jo
.jSfnidt J27c.
:.0;;;;
II
Y 11 2 :.0;;;; II x
f +
II
Y 11 2 + 1 11 x
11 11
Y II = (II x II
II Y 11)2,
II x
+ YII
:.0;;;;
II x II
+ IIY II
I II x II - II y III
(
,
:.0;;;;
II x - y II
(2.22)
2.5.1 Introduction
(
Projection orthogonale et mcilJeure approximation
60
61
(
(
DEMONSTRATION
D'apres Ie theorerne 1.7.3, la famille (e., e2, ..., ek) se prolonge en une base
(e, ..., ek' Xk+I' . .. , x,,) de E. Applique acette base, Ie precede d'orthogonalisation
de Gram-Schmidt (2.18) nous foumit une base orthogonale (e., ..., ek' Vk + I' , v,,)
de E. Posons
ek+1
- - - Vk+ l , . . .,
vk + I
II
II
en = - - vn
II
vn
II
(x I x)
II X 11
~ ~ aj"xjx ,
;- I j - I
(2.27)
Nous reviendrons sur les expressions ainsi obtenues dans Ie chapitre 9. Pour
l'instant, limitons-nous a observer que si la base (e. , e2, ..., en) est orthononnale,
(2.26) et (2.27) se simplifient et se redu isent aux expressions qui definissent Ie
produit scalaire canonique dans R n et Ie carre de la nonne correspondante:
(x I y) = X.YI
(2.28)
(x I x)
(2.29)
II X
(
(
(
(
Tout espaee veetoriel euclidien de dimension finie non 'Julie admet une base
orthonorma/e.
DEMONSTRATION
Un tel espace comprend au moins un vecteur non nul e., .que nous pouvons
supposer unitaire. II suffit alors d'appliquer la proposition 2.5.2 a la famille (e.).
= x,(ej I ej ) = X;,
Tout espace vectoriel de dimension finie non nulle n peut etre rendu eucli
dien. II sul'fit de choisir une base (e., e2, ..., en) de cet espace et de definir Ie produit
scalaire par la fonnule (2.28). Pour ce produit scalaire, la base (e., e2' ..., en) est
orthononnale.
II est evident que tout espace vectoriel reduit au vecteur nul peut egalement
etre considere comme euclidien.
+ (x I ez}e2 + ... +
(2.25)
(x I en)en
(
(
(
(
.(
(
(
(
2.5.5 Expression du produit scalaire en Conction des composantes
Soit x" x 2, ..., x n et YI' Y2' ..., Yn les composantes respectives de x et de y dans
une base (e., e2' .. ., en) de E. Par la linearite gauche et droite du produit scalaire,
n)
""
n "
n
(x l y) = ( ~x;ei! ~Yjej = ~ ~xjYj(ejle) = ~ ~aijxJ'j'
;= 1
j=1
;= 1 j = 1
j=1 j - I
(2.26)
2.6.t Introduction
(
(
( /
l
(
62
(
(
(
s-.
. i
s-,
(a) II existe un sous-espace vectoriel T de E, orthogonal a Set tel que E soit somme
directe de S et T.
(b) E est somme directe de Set
(c) Tout vecteur x de E s'ecrit (necessairement de maniere unique) sous la forme
s-.
x=s+t,
(2.30)
s-
est Ie
On dit que S admet un complementaire orthogonal dans E. ou que
complementaire orthogonal de S dans E. si l'une des conditions equivalentes (a}-(d)
est satisfaite.
(Sl.)l. = S.
(2.31)
(
(
-,-'I
a tous
les vecteurs
(a) La base ('I' '2' ..., 'k) est orthogonale. Dans ce cas, d'apres ce qui precede,
.
(x I 'I)
(x I'0
(x I 'k)
proJsx = - - V I + - - ' 2 + ... +
~I~
~I~
~I~
--'k'
(2.32)
(b) La base ('., '2' ..., 'k) n'est pas orthogonale. Dans ce cas, soit on l'orthogonalise
par Ie precede de Gram-Schmidt et on applique (2.32) a la base orthogonale
('t, v;, ..., 'i) obtenue par ce precede, soit on determine les coefficients
de la combinaison lineaire al'. + a2'2 + ... + ak'k de maniere que Ie vecteur
x - (a l,. + a2'2 + ... + ak'k) soit orthogonal a,., '2' ..., 'k; cette condition
se traduit par les k equations
al(,,1 ' j) +
CX2('
I,).
i = 1,2, ..., k,
d'ou I'on tire les valeurs de a., a 2' ..., a k qui produisent la combinaison lineaire
egale a projsx.
63
(
(
Projection orthogonale et rneilleure approximation
64
6S
(
(
<
(
(
(
(
(2.33)
II
x - projsx
II
II
x - y
x - y = (x - projjx)
II,
(projsx - y).
'I
~
i"
x - Y 11 2 =
II
x - projsx
11
II projj x
- Y 11 >
II
x - prohx
2
11 ,
~.
.
f
;
i ,
fk
(flv )
p = - - ovo
(vo I vo)
(flv.)
(flv
(VI I
v.)
I,
- I
(vol vo)
Sl/l/dl
2
S 12dl =
Sill (/
t)dl
!,
(v21 V2) =
S(r -
- I
==
t + ! .";-(/ 2 t)
_1_ ~
JQSicl/eosU,)d,
s) =
~ j IsinUI)dl
2~(_IY' +1
}
'
==
i ~(-
(
Iy+lsin(jI).
(2.34)
k- ao
j ~IJ
tidl = h.
= O.
lim
(f I 5.)SI
2;
= 0 (leealculde(v.lv.)estdoneinutile);
- I
-1
-I
(f Iv0 =
-(
D'autre part,
fk(/)
(flv l ) =
(f I c.)c.
y7t-x
= Sl/ ldl =
(flc) =
(fl
(v2 1 Vv
= (f I eo>CO +
+ - - v I + - - 2v 2,
ou vo, VI et v2 sont les polynornes orthogonaux obtenus dans l'exemple (2) de 2.3.10 .
Le calcul des produits sealaires donne:
(fl vo)
ee qu i etablit (2.33),
.~
Fig. 2.2
II
f - fk
II =
O.
(
(
(
(
66
67
Les proprietes les plus importantes des determinants seront etablies dans la
section 5.I. En anticipant sur cette section, nous enoncons ici les deux proprietes
qui nous servent a etudier Ie produit vectoriel et Ie produit mixte.
2.7.1 Introduction
JR.2
[:~J, [:~J,
et on note
la, bll'
(2.35)
a2 b2
Ie nombre
a,b2
a2b l
(2.36)
(2.39)
(XI'
x 2'
XJ) .
RJ
[:J [H [::J.
2.7.5 Orientation de E
et on note
a\ b l C 1
a2 b2 C2"
a J bJ CJ
(2.37)
Ie nombre
a, b2 C21 - a2Ib'
s, cJ
I bJ CJ
(
(
(
(
= a lb 2cJ + atJJc J
2.7.6 Remarque
(2.38)
(
(
68
69
(
(
II
(I) L'orientation d'une base (XI' X2' x 3) change si l'un des vecteurs Xi est
rem place par son oppose, ou si deux vecteurs XI et xj sont echanges.
(2) L'orientation d'une base (XI' X2' x 3) reste inchangee si les vecteurs Xi sont
permutes cycliquement, c'est-a-dire si XI prend la place de X2' X2 celie de X3 et X3
celie de XI (ou, ce qui revient au rneme, si XI et x 3 et ensuite x 2 et XI sont echanges),
A I'aide de (I) et (2), un examen des six dispositions possibles de xI' X2 et
X3 no us permet de conclure que les trois triplets
i ';
precedents.
(2.43)
Si tous les Yi sont nuls, les vecteurs x et y sont lineairement dependants. Si un des
Yi' par exemple Y3' est non nul, iI existe a tel que x 3 = aYJ' ce qui entraine, par
substitution de aY3 X3 dans (2.43),
,,~
',.;/
I
I ,
I:
II
;1
Soit XI' Xl' X3et YI' Y2' Y31es composantes respectives des vecteurs Xet y dans
la base (e l , e2' e J). On appelle produit vectorielde Xet y, et on note X x y, Ie vecteur
(Xz.VJ - XJYZ)e1
YI
(2.41)
x 2 Y2
X3
Y=
(
(
'
La premiere colonne dans (2.41) est donc Ie produit de a par la deuxieme, ce qui
implique la dependance lineaire de x et y.
(py
)IZ) = P(x x y)
y(x x z).
(2.44)
..,
(2.45)
(
(
(
Y3
privees de leur i-ieme terme, Ie deuxierne determinant etant cependant pris avec
Ie signe -:
X X
X\
(2.40)
Cette definition depend du choix de la base (e., Cl , e3)' mais nous verrons
dans 2.7.13 qu'elle n'en depend pas si ce choix est fait parmi les bases orthonor
males directes.
La i-ieme composante de X x y est Ie determinant des deux colonnes
- .(
et donc
X2 = aY2' XI = aYI'
Cas particuliers :
e l x e l = e z x e2 = e3 x eJ = 0,
e l x el = e3, ez x eJ = e. , e J x e l
(2.42)
est
ez.
(
(
ay,
(a) orthogonal X et
(b) de norme II X 1111 y II sinO, ou 0 est I'angle de X et y.
(
(
x;,x;
X31 XI YI
X2 Y2
XI XI YI
=
x2 X2 Y2 = 0,
x 3 x 3 Y3
pouvons ecrire
x x y =
(
(
II x
x Y 11 2 = (XV'3 - XJYV
(xi
I'
=
+ ~ + ~)(yi + Y~ + Y~) - (XtYl + X2Y2 + XJY3)2
211
2 2
= II x 11 y 11 sin 0,
'.
(x;y; - x2Y;)e),
II xliII y x z 11 cosO,
:if~
2.7.12 Orientation
Si x et y sont lineairernent independants, Ie triplet (x x y, x, y) et done aussi
Ie triplet (x, y, x x y) sont directs.
En effet, ZI, Z2' Z3 etant les eomposantes de x x y (dans la base (e l , e2, e3
Ie determinant de passage de (e l , e2' e3) a (x x y, x, y) s'ecrit
ZI XI YI
z2 x2 Y21 =
Z3 X3 Y3
zi + ~ + ~ .
(2.46)
Ce determinant est done positif, puisqu'au moins un des z, n'est pas nul, d'apres
(c) de 2.7.10.
1"\
1;01
(
L'expression du produit vectoriel (2.40) est invariante par ehangement de
base orthonormale directe. Soit en effet (e;, e;, e;) une telle base. Selon les proprie
tes metriques 2.7 .11, e; x e; est soit e;, soit -e;. D 'apres 2.7.12, Ie triplet (e; , e;,
e; x e;) est direct, done e; x e; = e;, vu l'assertion (I) de 2.7.7. Par Ie meme
xc"
, ...
<
<
. 'e~
'~~
';".L
~r.
:}
g,
:
'lS.
I
;t
ou 0 est I'angle de x et y x z.
3
On remarquera que dans Ie cas ou E est l'espaee vectoriel geometrique V ,
Ie produit rnixte, ecrit sous la forme (2.47), symbolise Ie volume (oriente) du
parallelepipede eonstruit sur des representants de x, y et z d'origine commune
(fig. 2.4).
i'
(\
~,
(xJy; - x;y)e;
(.=1
.~x;e;) x (\i=1
~Y;~;) = .=1)-1
.~ .~ x;Y;e; x e;
= (x2Y) - xJy2)e;
\t : ;
71
70
,~.
~:~
Fig. 2.4
I I I I I I
(x I y x z) = XI Y2 z2 ._ X2 YI ZI
y 3 z3
y 3 z3
+ X3 YI
ZI =
y,.
2 ~2
XI YI ZI
X2Y2 2
Z I, (2.48)
X3 Y3 Z3
(
(
72
73
(
(
(2.49)
ce qui montre que I'ordre dans lequelles deux produits sont effectues est indifferent
et justifie la notation suivante:
ce qui etablit (2.51). Pour obtenir (2.52), il suffit d'appliquer (2.50) au double
produit vectoriel u x (z x v), ou u = x x y, car cela donne, compte tenu de
(2.49),
x x (y x z) '" (x x y) x z.
2.7.16 Notation
(
(
(
2.8.1 Introduction
- (
permutation cyclique.
,;
,~)
i:,
.~.
"
2.8.3 Exemples
(2.50)
(2.51)
(2.52)
:1:1,
.~
.~
(
(
'(,.
x x (y x z) = (x I z)y - (x I y)z,
(x x y I z x v) = (x I z)(y I v) - (x I v)(y I z),
(x x y) x (z x v) = [x, y, vIz - [x, y, z)v.
Soil e un espace affine de direction E. On dit que if' est un espace affine
euclidien si E est un espace vectoriel euc1idien.
En vertu de 1.10.5 et 2.2.3, tout sous-espace affine d'un espace affine
euc1idien est lui-meme un espace affine euc1idien.
(
(
(
(
(
(J
(,..
c
(
est orthogonal Ii S. D'autre part, si Q est un point de !/ tel que QP est orthogonal
(
(
(
t5(P, Q) =
II
PQ II .
(2.53)
Des regles (I), (2) et (3) de 1.9.5 et des proprietes de la norme vues dans 2.2.5,
il resulte que t5(P, Q) = t5(Q, P), que t5(P, Q) est positif si les points Pet Q sont
distincts et nul s'ils sont confondus. De la condition (b) de la definition 1.9.2 et
de (2.22), il resulte en outre que tout triplet de points (P, Q, R) verifie l'inegalite
triangulaire:
t5(P, R)
t5(P, Q)
7S
74
+ t5(Q, R).
(2.54)
. ::t~
'::
'\fr
.....
,'
.~.
;f
Ii S, en ecrivant
QR = QP - RP,
QR est un vecteur de S orthogonal Ii S, done Ii lui-meme. Par
consequent, QR = 0, ce qui entraine Q = R .
nous voyons que
.;
1
:j,,'
.~
;~
'j..
'
l'1
'\
.~
projsPl'
;~
...
.:j
~i
):
j'
I
j:
i
' j~
Fig. 2.5
.: ~
,~
.~
1:i
i
'E
a un sous-espace affine
a un byperplan
1
,.~
~
,
ia
a un sous-espaee affine
'::i'
s: Nous nous
(
(
~ - projs~
(
(
P;;R
RP
(2.55)
PQ 11 2 =
t52(P, Q) =
II
II
2
11
(
Espaees veetoriels euclidiens et espaces affines euclidiens
76
77
(
(
de la fonnule
dist(P, Y ) =
II
proj.p;;p
II
I (p;;p I n) I
II nil
(2.56)
u
p;;p -
proj'/;;;P
~ + a 'v' - avo
=v -
(v I v') ,
proJ"v = v - - - v .
(v' I v')
(2.58)
On notera que u n'est pas nul, car 9 et 9 ' ne sont pas paralleles, Supposons que
la droite determinee par P et P' soit orthogonale a g et a g '. Alors Ie vecteur
. " est orthogonal a v et a v', done a u. En d'autres termes,
(~ I u)
= (p;;p
In)
(n I D) D.
a '(v' I u) - a(v I u) = O.
(2.59)
(
(
(
Mais
Si g' est de dimension finie non nulle et .9' est un hyperplan de if , tout
vecteur n normal Ii .9' est un vecteur directeur de la perpendiculaire par P Ii .Y .
Lorsque la dimension de if est 3, un tel vecteur est fourni par Ie produit vectoriel
VI x v ' ou VI' v sont des vecteurs directeurs de .9' (pour Ie cas general, voir
2
2
l'exercice 5.5.!3).
(v' I u)
= (v' I v)
=0
et
(
(v I v')
(v I u) = (v I v) - - - ( v I v') = (u I u),
(v' I v')
Posons
ou Po est un point quelconque de .9'. Pour justifier cette formule, il suftit d'obser
ver que
(projyP)P = Po(projy .p) est un vecteur orthogonal Ii n, ce qui
no us pennet de conclure que
(projyP)P
-(
'J
(PoPa I u) - a(u I u) = O.
En posant
.
(v' I v)
u' = v' - proJ v' = v' - - - v
(v I v) ,
(2.60)
(~ I u')
+ a'(u' I u')
a=
(PoP'o I u)
(u I u)
et
= O.
a =
,
(PoPO I u)
(u'l u') ,
(2.61)
ou u et u' sont definis dans (2.58) et (2.60). Par les representations (2 .57), ces
valeurs de a et de a ' determinent les points P et P' cherches, En effet, Ie vecteur
"
est orthogonal Ii u et Ii u', donc a v et Ii v', vu que ces deux vecteurs
appartiennent au plan vectoriel engendre par u et u'.
(
(
(
Po
av et P'
= PO + a'v',
(2.57)
(
(
(
\.
79
78
\
(
(
(
(
Po
dist( Y, 9')
= s, P') = II proj.~ II
1(~ln)1
II n II
(2.62)
a I'intervalle [0,
i).
Si 9 est orthogonale
a .9 ~ I'angle de
g, et ,9'
est, par convention, ~ (c'est-a-dire I'angle de v et n'importe quel vecteur non nul
2
de Y ).
On remarquera que I'intersection de 9 et .9' peut etre vide. En particulier,
notre definition d'angle s'applique a deux droites gauches.
.9
Supposons que les points Pet R soient distincts d'un point Q. On appelle
angle determine par P, Q, R, et l'on note PQR, I'angle des vecteurs QP et QR
(fig. 2.7).
Q
Fig. 2.8
(
p
Fig. 2.7
(fig.2.9)
evident que cos () = I (n I n') I, .
. II est eVI
ou n et n, sont d es
II n 1111 n'lI
vecteurs normaux respectivement a y ' et aY '. II est egalement evident que lorsque
if est de dimension 2, la presente definition de ()coincide avec celie du paragraphe
precedent.
0 '
et a
a c-
II RP 11 2 = II QP _ QR 11 2
2
= II QP f + II QR 11
211
QP 1111 QR IIcos(PQR),
< "
,J
b 2(P, R) = b2(P, Q)
(2.63)
+ b2(Q, R).
(2.64)
~.
b2(P, R) = b 2(P, Q)
g '
....
Fig. 2.9
(
80
81
(
2.8.16 Reperes orthononnaux
Supposons que !if soit de dimension finie non nulle n. On dit qu'un repere
(0; e l e2... e.) de if est orthonormal si la base (e l e2' ... eJ est orthonormale.
!
i;
I, !I
I!
Ij
Encore sous I'hypothese que it est de dimension finie non nulle, considerons
un hyperplan .Y de !if de direction S. un vecteur n normal a Y et un point
quelconque Po de Y '. D'apres (1.16). P est un point de Y si et seulement si Ie
vecteur
appartient as. D'autre part. en vertu de (2.31). ce vecteur appartient
a S si et seulement s'il est orthogonal a D. L'hyperplan .Y est done constitue des
points P qui verifient l'equation
XI
x2
xJ
P';P
(n I p';p) =
o.
(2.65)
Munissons iif d'un repere orthonormal (0; el' e2' .... e.) et designons par
les coordonnees de po. par XI' X2 .. . . x. celles de Pet par VI' v2 v.
les composantes de n, L'equation (2.65) s'ecrit, de maniere equivalente, so us la
forme
if,
VI(X I -
xC:>
V2(X2 -
X~
+ ... +
v.(x. -
X~ = O.
(2.66)
V:Z-~2
+ ... +
v"x.
t5.
V1XI
0
V2X2
+ ... +
(2.68)
= II n IIdist(O, Y ' ).
XI
+
+
x2 =
xJ =
a
2a.
-1 - 2a '
2 - a'
- 2a'.
= I~I =
J-s.
-(
(3) Les donnees etant celles du probleme precedent. determiner les points
d'intersection P, P' des droites g , g ' et la perpendiculaire commune a g et
a g'.
a =
0
v"x.
(n OP~.
1
1
1
dist(9. 9')
(2.67)
ou
t5 =
=
=
=
et g' d'equations
ou encore
VIX.
xg ~~
'ii ,
Jfi. = Jf
dist(P .9') =
<'
(
(2.69)
4,
S.
a
= -
Les coordonnees des points cherches P et P' se calculent alors par (2.57) :
9 13
P(I. S. 5)' r(l, 3, 2).
\
(
.'
proJyP = Po + proJsPoP = Po +
(PoP I YI)
(JQ I Y2 -
YI)
(Y I Y ) YI + (Y2 - Y I Y2 - YI )(Y2 - YI)'
I
I
I
(
(
(
ce qui nous permet de calculer les coordonnees de projyP. soit 1, ;-t, 3. 2.
La distance de P a .Y est egale a la norme du vecteur P(projyP). c'est-a-dire
a JI3/2.
<
(
(
(. .
(
Espaces vectoriels euclidiens et espaces affines euclidiens
82
(
(
(x, - 1)2
Exercices
a egale distance de PI et de P2
(x 3 - 2)2 + (x 4 + 1)2
=
+ (x2 - 1)2
x7
(x 3 + 1)2
(x 4 - 1)2.
2x 1 - 2x2
6X3 - 4x 4 = 3.
83
2.9 EXERCICES
2.9.1 Lesquelles des operations definies ci-dessous sont des produits scalai
res dans R 3?
(a) (x I y) = xLY.
(b) (x I y) = xIY.
(c) (x I y) = xIY,
+
+
+
Meme question rapportee aux espaces vectoriels respectifs CI_1. II ' CIO. )
et CIR :
(d) (f I g) =
j rf(t)g{t)dt.
-I
2x 1
x2
2x 3 = 3
(e)
I ~91
(f1 g)
Stf2(t)g{t)dt .
a P(3, 0, 3),
Po(O, - 3,0) et
(I) (f I g) =
Se-'f(t)g(t)dt.
-
= 3.
i .. O
i .. O
min(m )
(P I q) =
3
tg(}=-=I
3
'
ce qui entraine () =~ . Soit Q(x., x2' x 3) un point quelconque du cone dis
tinct de P. L'angle du vecteur directeur 0(2, -1,2) de I'axe du cone et
II
:1
2(x, - 3) - x 2
+ 2(x 3 -
XI -
3)2 + ~
16x1x3
a /Pi'
(a) Montrer que l'operation ainsi definie est un produit scalaire dans I'espace
vectoriel des polynomes,
(b) Exhiber. une famille infinie de polynomes orthonormale pour ce produit sea
laire .
a (2.23), que
+
J2
(x3 - 3i)'I3(-).
2
x7 + 7x~ + ~ + 8x1X2 -
3) =
:E
i -O
2.9.3 Montrer que pour tout couple (x, y) de vecteurs d'un espace vectoriel
euclidier;,
" x + Y,,2
+ II x -
y "z = 2"
0
0
2'
I"
\.
t
-I
o
3
-II).
(
Exercices
84
85
<"
(
II '
1:
2)1.6 Soit (e., ~, eJ' e4) une base orthonormale d'un espace vectoriel euc1i
dien de dimension 4. Par Ie precede de Gram-Schmidt, orthogonaliser Ie triplet
de vecteurs (x., x z, x J), ou XI = e l + e2 + eJ + e4' Xz = e2 + eJ + e4 et
xJ = e J + e4
//
~ A
J3 _~ , J2 ~ , J6 =~
I [
I]
I [I]
II
I; t
'
I [
I']
vectorielles suivantes:
(a) (x x (y x z) + (y x (z x x + (z x (x x y = O. (Utiliser"(2.50).)
(b) (x x y I (y x z) x (z x xj) = [x, y, zf. (Utiliser (2.51) ou (2.52).)
lv, y, z]
[x, v, z]
[x, y, v] ([
U ..
)
(c) v = -I--]x + - - ] y + - - ] z x, y, z] i' 0). ( tiliser (2.52).
x,y,z
[x,y,z
Ix,Y,z
/
! ~.
fA: = 0.)
(b) En deduire que S n'adrnet aucun complementaire orthogonal dans C[-~.~J
(autrement dit, que S $ SJ. i' C[_x.~I)
i!r
i,
2.9.9 Soit (e l , ez, ..., eA:) une famille orthonormale de vecteurs d'un espace
vectoriel euc1idien E. Montrer que pour tout vecteur x de E,
A:
L (x I e;i
;=1
II
<
(
0 _
I
'
.j5
SJf+7dl <-.
L
p
(
(
(
"(
(
(
2
11
~~
,
Xz
+ 3xJ + x 4 =
2.
(
2.9.17 Trouver l'equation de l'hyperplan mediateur du segment d'extrerni
(
2:9.11 Soit E un espace vectoriel euc1idien de dimension 4, muni d'une base
orthoriormale, Soit S Ie sous-espace vectoriel de E engendre par les vecteurs
VIO, I, I, I) V2( -3, I, I, I) et V3(0, -2, I, I). Determiner Ie cornplementaire
orthogonal de S dans E.
r2
de
2.9.18 Trouver les equations pararnetriques des bissectrices des deux droites
passant par Ie point Po(-I , 2, 1,3), de vecteurs directeurs respectifs v(l, -3,2,2)
et v'(4, 0, I, I).
(
2.9.19 Determiner la projection orthogonale du point P(-I , I, I, I) sur Ie
plan passant par Ie point Po(O, 1,2, -I), de vecteurs directeurs vl(-l, 0, 2, I) et
viO, I, I, -I). Calculer en outre la distance de Pace plan.
(
(
Excrciccs
86
87
(
(
2.9.27 Les quatre sommets d'un tetraedre sont p.(l, I, I), P 2(- I, 2, I),
P
2, 3) et P Trouver les coordonnees du point P4 , sachant qu'il appartient a
4
la3(5,
dro ite passant par Po(I, 0, I), de vecteur directeurv(-2, -1,3), et que Ie volume
Montrer que
dist(P g ) =
"
du tetraedre est 5.
II P;P x Y II.
II Y II
(
(
XI
=
=
=
=-
XI
x2 = I
x) = -I + a
x 4 = 2 - a,
x2
x)
X4
a'
I - a'
1 + 2cx' .
XI -
3x2 + x) - 2x 4 - Xs = 2 et 2x I
II
(
01
II
II
0211
1, 2, 4, 0, -2), c:5. = -I et
(
(
<.
'l?
i
'~
'I!'
-:/,
~~
~..
.....-,'
" I"
sinO I
c:5(P2, r,
sin O2
c:5(P I , r,
sinO)
(
(
(
(
CHAPITRE 3
-
(
(
Systemes lineaires
' .. ,
.1
I
-f",
I
,I
t
'ifr
..
;;.
~
3.1.1 Introduction
(
I'on peut resoudre facilement. Le precede de transformation est connu sous Ie nom
-(
.~
a2l x,
+ a l2x2 +
+ anX2 +
amlx.
~L
allx l
+
+
ax. = b,
a~x. = b2
(
(
(3.1)
= bm
ou all' au, .... a"", sont des nombres appeles coefficients du systeme, bl' b1, .... bm
des nombres appeles coefficients du second membre et XI' X2' ... x. des nombres
inconnus appeles inconnues du systerne, Si les coefficients du second membre sont
tous nuls, on dit que Ie systeme est homogene. On appelle systeme homogeneassocie
au systeme (3.1) Ie systeme que I'on obtient de (3.1) en substituant des zeros aux
(
(
(
3.1.3 Ecriture abregee
~~
'9i
.~
-;;
~ ai;-"j
;~ 1
= b., i = 1,2...., m.
(3.2)
91
Definitions ct exemples
Systemes linealres
90
(
(
Une ecriture encore plus condensee sera introduite dans I'exemple (5)
de 4.1.7 .
(
(
XI
= t(-I +
3X2
2x l )
(3.4)
Substituons ensuite l'expression ainsi obtenue Ii XI dans les deux autres equations
On appelle solution du systeme (3.1) tout n-uplet de nombres (x1. x~, ... x~
tel que
r.a;;cJ =
de (3.3):
9X2
6X2
+ 17xl
= I
solution XI = I. X 2 = 2. xl = -I.
Les deux equations (3.5) s'obtiennent plus rapidement en soustrayant la
premiere equation de (3.3) multipliee par 4 de la deuxieme multipliee par 3 et en
additionnant la meme equation multipliee par 2 Ii la troisierne multipliee par 3. De
meme, nous obtenons l'equation (3.6) en soustrayant la premiere equation de (3.5)
multipliee par 2 de la deuxieme multipliee par 3, puis en divisant les deux membres
par - 19. Ces operations reduisent Ie systeme (3.3) au systeme equivalent
-
x2 = I
x2 = 0
4x I
x 2 + 3X3
+ 4x 2 + 3X3
= -I
xI - x2
3x I + 2x 2
+
-
2x l = 0
3Xl = 2.
(3.8)
3xI - 3X2 - 2x 3 = -I
- 2x I
(3.7)
attention.
n'admet aueune solution. car les deux equations se contredisent I'une I'autre. Ces
equations representent deux droites paralleles,
3x2 2x 3 = - I
9X2 + 17xl =
I
Xl = -I
que l'on resout par substitution. comme il a ete indique ci-dessus. Par la suite, c'est
cette variante de la methode d'elimination des inconnues qui retiendra notre
(I) Le systeme
(3.6)
-I
Par substitution de cette valeur Ii Xl dans l'une des deux equations (3.5). nous
determinons la valeur de X2' soit X2 = 2. Nous calculons finalement la valeur de
XI par (3.4). ce qui nous donne XI = 1. Le systerne (3.3) admet done I'unique
3.1.6 Exemples
(3.5)
7.
simplification, il reste
3xI
+
+
5xl
Xl
XI
XI
2xl) - x 2 + 3Xl = -I
2x l ) + 4X2 + 3x 3 = 3.
+
+
3X2
3x2
j-I
+
+
!(-I
-t(-I
(3.3)
au systerne equivalent
XI -
x 2 + 2x) = 0
5x2 - 9xl = 2.
(3.9)
(
92
93
Systemes lineaires
(
(
Pour resoudre ce systeme, nous assignons aXl une valeur arbitraire c, exprimons
en fonction de (X l'aide de la deuxieme equation, puis XI l'a ide de la premiere
equation . II en resulte que les solutions du systeme (3.8) sont les triplets de nombres
de la fonne
x2
XI =
! -!a
X2 =
! +
Xl
ou
(X
(3.10)
ja
3.2.2 Notation
Nous assignerons aux matrices des symboles propres, a savoir les lettres
latines majuscules imprimees en caractere gras: A, B, ... . Toutefois, les matrices
colonnes seront egalernent designees par les symboles reserves aux vecteurs: a, b,
(X,
(
(
(
(
On appelle matrice nulle, et on note 0 , toute matrice dont chaque tenne est
nul. Les matrices-colonnes nulles sont egalement designees par Ie symbole
vectoriel O.
On appelle matrice-unite d'ordre n, et on note In ou simplement I, la matrice
carree d'ordre n
(
(
(
(
a.m
all a l2
a2l an
alj
a"1j
a'n
am
.. am
.. aIM
.. . . . .
II
(3.11)
(3.12)
On appelle une matrice une seule ligne matrice-ligne et une matrice une
seule colonne matrice-colonne. II est clair qu 'une matrice-colonne n'est rien d'autre
qu'un vecteur-colonne. Par la suite, les lignes d'une matrice seront assimilees des
matrices-lignes et les colonnes des matrices-colonnes.
L'interet de la notion de matrice apparaitra tout au long de ce livre, partir
de cette section, mais la raison d'etre immedia te de cette notion est simplement de
pennettre a certaines families finies de nombres d'etre concues sous la forme d'un
tableau rectangulaire.
oI
'(
00 .. . I
On appelle matrice
lignes et n colonnes, ou matrice de type m x n, tout
tableau rectangulaire de nombres
,(
3,2.1 Matrices
10
[i
3 -I
~] , [-~
4 -I
I
3
2I -25) '
I 00-63]
-2
I
sont respectivement 3, 2 et I.
(
(
(
(
(
3.2.5 Matrices associees :i un systeme lineaire
On appelle matrice associee au systeme (3.1) la matrice (3.11), c'est-a-dire
la matrice A dont les termes sont les coefficients du systeme. On appelle matrice
du secondmembre du systeme (3.1), ou simplement second membre du systeme (3.1),
la matrice-colonne b = (b,.) dont les tennes.sont les coefficients du second membre
de ce systeme. On appelle matrice augmentee associee au systeme (3.1) la matrice
obtenue de A en y ajoutant b comme (n + lj-ieme colonne.
(
(
(
(
(
(
(
94
Systemes lineaires
(
Nous venons de definir les differentes matrices associees a un systeme, mais
il est egalernent utile de pouvoir parler du systerne hornogene associe a une matrice
donnee ou du systeme associe a une matrice augmentee donnee. Cette terminologie
s'explique d'elle -meme et nous ne nous attarderons done pas a la preciser davan
tage.
(
(
(
[-~
xla l
x2a2 +
... + x.a.
= b.
(3.13)
En effet, les deux membres de cette equation sont les vecteurs-colonnes dont les
i-iemes termes sont les deux membres de la i-ieme' equation du systerne.
D'apres la proposition 1.8.4. l'equation (3.13) admet au moins une solution
(x~. x~, .... x~ si et seulement si Ie rang de la famille (ai' a 2..... a.) est ega I au rang
de la famille augmentee (a a 2 a b). Selon la proposition 1.5.6. cette solution
est unique si et seulement si Ie rang de la famille (a a2. .... a.) est n.
A I'aide de la definition 3.2.4. nos conclusions se resurnent de la rnaniere
suivante:
I
\
<
-2
17
5
3 -3
9
0
0
0
-I]
-I]
~
-I]
-I
3
3L 2 - 4L I
3L J + 2L 1
-n(3LJ
(3.14)
2LJ
-2
17
I .
I -I
(3.15)
al
aln
3.3.1 Exemple
La methode employee pour reduire les systernes (3.3) et (3.8) aux systemes
equivalents (3.7) et (3.9) est. en fait. un precede d'annulation de certains termes
de la matrice associee au systeme par des operations sur les lignes de la mat rice
augmentee, Voici, indiquee acote de cette mat rice, la suite des operations que nous
avons effectuees pour aboutir au systerne (3.7):
-3
9
6
-2
3
3
(3.16)
<
-3
-I
4
3
0
0
9S
Matrices echclonnees
ouil < l: < ... < l, et aliI ' a2;2' .... a'i, sont des termes non nuls. Bien entendu, les
lignes nulles terminales peuvent manquer.
Les matrices nulles et les matrices-unites I. sont des matrices echelonnees,
Deux autres exemples de matrices eehelonnees sont les suivants:
o
o
o
o
o
o
o
-2
2 -I
0
0
0
o
o
2 1,
[~
2 -3
0-1
000
~]
(
Matrices echelonnees
Systemes lineaires
96
97
(
(
I
i
i
I
i
a;'
ia'2h
(
a;""
ja;'j2
foumit une matrice A(2). puis une matrice A()) et, ainsi de suite, jusqu'a A(m) ou
jusqu'a ce que la seule Iigne non nulle d'une matrice A(') soit la premiere. A ce point,
1a matrice transformee est de la forme
: (I)
a(Inl )
a(2)
2n
~~ ~!.1...:" ""1.~y.~i. :
(3.17)
......1 a( ~ )
d:')
..........
rn
........................
: 'Jr
,(
\;i
I
,\
3.3.6 Pivots
-aW/aU:.
' a (l)
:..y !...........]
a2
a(InI ,
a;'
o
fa;"h
. .. a:n,.
ou les termes a2h , ajh' ..., a;'j2 ne sont pas tous nuls, soit a une matrice dont les
lignes d'indice i ~ 2 sont nulles. Dans Ie deuxieme cas, la matrice est echelonnee.
Dans Ie premier cas. Ie merne precede de reduction applique a la matrice
Les termes a\}~, ag~, ..., a~J~ de la matrice (3.17) sont appeles pivots. Dans les
operations de reduction. les pivots servent a annuler certains termes des colonnes
dont ils font partie. Par extension, on appelle pivot d'une matrice echelonnee non
nulle tout premier terme non nul d'une ligne non nulle . Les pivots de la matrice
(3.16) sont donc alii' a'!j2' .... a,j, D'apres 3.3.3, Ie rang d'une matrice echelonnee
est egal au nombre de pivots qu'elle comprend.
(
3.3.7 Reduction
poursuivi. Plus precisement, chaque pivot peut etre utilise pour annuler tous les
autres tennes de la colonne dont il fait partie. Par exemple, nous annulons Ie terme
a\}~ en additionnant ala premiere ligne la deuxierne multipliee par a\~/a~~. Apres
cette suite d' ope rations, nous divisons encore chaque ligne non nulle par son pivot.
Nous obtenons ainsi une matrice echelonnee dont les pivots sont des 1 et les
colonnes dont ils font partie des vecteurs-colonnes de la base canonique de R,m.
Une telle matrice est appelee matrice echelannee simplifiee. Ainsi, to ute matrice non
nulle peut etre transformeeen une matrice echelonnee simplijiee par une suite finie
d'operations elementaires sur les lignes. On dit egalement que toute matrice non
nulle peut etre reduite a laforme echelonnee simplifiee par une telle suite d'opera
tions .
(
(
(
(
( .,
(
{
98
Systemcs IinCaires
Matrices echclonnees
99
[~
(
(
(
I
0
0
0
2
0
0
0
0
I
0
0
3
-2
0
0
0
0
I
0
_2J
[~
-I
1
0
0
1
0
3.3.9 Remarques
0
0
"I
-:)
[-~
10
.- 6
12
4
11
-7
14
5
-I
I
-2
-I
1 -41
-I
27
2 -52
1 -19
2
-2
0
4
1
-2
- I
5
I
0
I
-I
-I
0
-I
I
-3
8
5
-19
0
0
0
2
0
0
0
I
-I
-I
3
I
I
1
-3
-I
-I
-I
3
-3
5
5
-13
I
0
0
0
2
0
0
0
I
-I
0
0
I
I
0
0
-I
-I
0
0
-3
5
2
0
h
1
a la forme
echelonnee:
OJ LL, - 2L.
o
6
3
2+L(
L J - 3L(
(3.18)
-l .
3
[~
L 2 + L)
-3
2
0
0
0
I
I
0
0
I
-I
0
0
-I
I
0
0
-3
-5
I
0
L J - L2 puis echanger
L( + 3L 2 L J et L(
-3
-6
J
6 .
(3.19)
I
0
0
0
2
0
0
0
0
I
0
0
2
-I
0
0
- 2
I
0
0
0
0
I
0
3
0
18
3 .
-"J
+ L2
L
[~ 2)2 L
L
L)
1 2 -
[~ ~) .
Les operations elementaires sur les lignes d'une matrice ne modifient pas son
rang. En effet, si at, a2' .... an sont les colonnes d'une matrice A et ai. a2' .... a~ celles
de la matrice A' deduite de A par une operation de type I. 2 ou 3. alors to ute
rela tion de la forme
L,
L2 + L I
(2) Pour reduire la mat rice (3. 18) a la forme echelonnee simplifiee, nous
multiplions d'abord la deuxieme ligne de (3. 19) par - I et divisons la trois ieme par
2; ensuite no us procedons ainsi:
I
0
0
0
-n
L( - 2L t
_6J
-3
-3
IS
(3.20)
min(m. n).
(3.21)
(
100
Systemes lineaires
101
(
(
Le rang etant conserve par les operations elernentaires sur les lignes, la forme
echelonnee sirnplifiee de toute matrice carree d'ordre n et de rang nest la matrice
unite In.
Le rang d'une matrice peut etre determine par reduction la forme echelon
nee. Tres souvent, cependant, ce rang peut etre trouve avant que la forme echelon
nee ne soit atteinte. Voici un exemple :
I
3
-5
-2
-1
-I
I
2
4
-3
2
1
-6
-I
I
0
0
0
0
3 L 2 3L 1
-7 L) + 5L.
2 L4 + 2L,
I t, + L I
-4
1
-I
-8
2
-2
4
0
0
forme
'a'n
6
0
0
ou all'
s'ecrit
~~ >:.
al2x2
a22-"2
+
+
+ a1n-"n
+ a2n-"n
:."7:'
....,
r~-~~~~
+
+
ai2-"2
a12-"2
+
+
+
+
1. ~~. . ~.;.
- (
= hI
= h2
(3.22)
D'apres 3.4.1, ce systerne est equivalent au systerne initial. Les inconnues x.' x 2'
(ain
+ aalJx.
b, + ab,
et inversement, ce qui montre que l'addition a une equation d'un multiple d'une
autre equation laisse I'ensemble des solutions inchange,
3x I
XI
+
+
-
X2
3x 2
X2
2X2
+
+
+
+
2x)
6x)
2x)
3x)
- 3x 4 =
- 5x 4 =
2
- 7x4 =
5
- X4 = - I .
1
2 3
3 -I
1 2
a;n-"n = b,
al"."n = hi
(a;1
..., x. peuvent etre determinees dans l'ordre inverse, en resolvant les equations
successivernent de la derniere
" ' " . ;.~ .: .' 3.... f Operations elementaires sur les equations d'un systeme Iineaire
ajJx,
a/lx,
a;",x. = h~.
W~
--J ....
.:"
. . . h2
..~.) fj~
-12
....
-1
. ',
b;,
. . .
!.~~. :....:.....
1
0
0
0
2
6
2
3
-3
1
-5 2 L2 - 2L,
-7 5 L) - 3LI
-1 -1 L 4 - L J
2 -3
I
I
0
2
2 3 1
0
o -1 I -2 2L4
1
1
LJ
(
(
(
a la forme
echelonnee :
I
1 2 -3
1 2 I 0
o -4 -4 2 2 j t(L) + 4L 2)
2 -2 L4 - L 2
1 I
0
0
0
0
1
0
0
1
2 -3
0
2
I
2 3 I
5 -3
0
(
(
(
Systemes lineaires
102
,I
X2
X2
+ 2x 3 + 2x3 +
2x 3 +
3x 4 =
X4 =
3x 4
5X4 =
de parametres.
I
-3 .
XI
= -S
x2
= -5'
X3
= S
X4
+ IOx2 + IIx3 - X4 +
6X2 7x3 + X4 6x I + 12x2 + 14x3 - 2x4 +
2xI + 4x z + 5X3 - x 4 +
-s3
ai. bi
a;" bz
(3.23)
a,i
......
a;. b;.
~r.
(
(
(
(
(
(
aiiJxiJ + ...
a2j2xjz
... + ai.x.
... + a'z.x.
+ ..,
a;j,Xj,
+ ... + a;.x.
= bi
= b'z
XI
52x 6 =
Nous attribuons ensuite des valeurs arbitraires ai' a 2. .... a._, aux n - r inconnues
d'indice j different de l l ....l- (s'il n'y a pas de telles inconnues, Ie systeme se
reduit au systeme (3.22. En groupant alors les termes contenant les valeurs aj
x3
-X3
x. =
X2 = a..
II
"
I
~I
.' ",
.~
+ X4 + X4 -
Xs -
Xs
3x 6 =
5x 6 =
2."C6 =
-6
-3
6.
(3.26)
(3.27)
a 2 Xs = a 3
x3 -x3
-6 - 2al - az
-3 - a 2 + a 3
2x6 = 6
3x6 =
a3
5x 6 =
-15 - 2a. - 2a 2
x2 = a l
x 3 = 18
+ a2
2a 3
a3
(3.28)
= az
X s = (X3
X4
X6
= 3.
(3.24)
b;.
+ 2x2 +
Posons
oti aiiJ' a~2' ... a;j,sont les pivots, soit une matrice de cette meme forme, mais avec
un pivot supplementaire b;+ I dans la derniere colo nne. Dans Ie deuxieme cas. Ie
systeme n'admet aucune solution. car la derniere colonne n'est pas combinaison
lineaire des autres colonnes. Dans Ie premier cas. Ie rang de la matrice associee au
systeme est egal au rang de la matrice augmentee, done Ie systeme admet au moins
une solution. d'apres la proposition 3.2.7. Pour trouver I'ensemble des solutions.
DOUS ecrivons d'abord Ie systeme reduit equivalent au systeme initial:
(
(3.25)
6
Xs - 19x6 = 3.
2xs -
La matrice augmentee associee Ii ce systeme est la matrice (3.18). Par des opera
tions elementaires sur les lignes, cette matrice a ete reduite Ii la forme echelonnee
(3.19). Le systerne associe a la matrice sous cette forme s'ecrit
Xs - 41x6 = 0
Xs + 27x6 = 0
5xI
-3x. -
103
'v
' .~
' ,~
;r'
~i
Lorsque Ie systeme Ii resoudre admet plus d'une solution. il est souvent plus
commode de poursuivre la reduction jusqu'a la forme echelonnee simplifiee. On
peut alors resoudre Ie systeme reduit, comme dans 3.4.3. en attribuant des valeurs
arbitraires aux inconnues dont l'indice n'est pas I'indice de colonne d'un pivot et
en exprimant les autres inconnues en fonction des valeurs attribuees,
(
104
Systemes lineaires
Par exemple, Ie systeme (3.25) est equ ivalent au systeme assode a la matrice
augrnentee (3.20) (obtenue par reduction de la matrice (3.18) a la forme echelonnee
'f.
simplifiee):
.;'' C:
x,
2x 2
+
XJ -
2x 4
X4
Xs
x6 =
"
i
~
j
= -IS
=
18
2x s
l,
3.
'i
105
(
(
: '~
(
(
(
(
(
(
'~
"J
XI
3x I
5x 1
+ x2 +
+ 2x 2 +
+ 4x 2 +
2xJ = I
3xJ = 4
7xJ = 6,
+ x 2 + 2xJ =
+ 2~2 + 3xJ =
+ 4x 2 + 7xJ =
XI
3x I
5x t
3
-3
3.
a la forme
'/if
.i
[i
2
3
7
[i
I
I
- I
2
3
-3
-I
12
I -12 L J
[i
0
I
0
-I
3
0
2
-I
0
I
2
I
4
-i]-L' + JL,
L
,
+
r-
3 L J - 5L I
L2
XI = -9 + a
= 12 - 3a
X2
x J = a .
Pour etudier I'ensemble des solutions d'un systerne, il est utile de considerer
toute solution comme un vecteur-colonne de IRn ou n est Ie nombre d'inconnues
de ce systerne. L'ensemble des solutions est alors un sous-ensernble de R n dont
nous allons examiner la structure.
, ,~.
,~
't!
~.
.y.:
x J = -9
3xJ = 12.
3.5.1 Introduction
.~
, ~;
I~ .
:1
<~
-9]
' , .~
echelonnee simplifiee:
XI = 2 + a
x 2 = -I - 3a
xJ = a,
.,.
IF
aI'inconnue xJ et en
L ay(a1xJ + a2X;) =
j=1
a l L aijxJ
j- I
\
(
+- a 2 L aijxJ
= 0, i = 1,2, .... m.
j -I
Cela montre que I'ensemble des solutions est un sous-espace vectoriel de IRn Si
A est la matrice nul1e, il est evident que ce sous-espace est IRn lui-rneme. Ecartons
ce cas et reduisons A a la forme echelonnee simplifiee, Supposons, pour alleger
I'exposition, que la mat rice reduite soit de la forme particuliere
(
(
(
(
(,
(
(
(
(
I a lz
0 0
0 0
0 0
(
(
(
(
0 a l 0 a l6 a l7
I a2. 0 a26 a27 .
1
0 0 I a36a37
0 0 0 0 0
xl
X.
x,
= a.
X6
X7
LaiJ(yj j-I
(3.29)
tr
XI
Xz
i
j;
.~
'l'
-a1z
-at.
-a16
-at7
~j
I
0
0
0
0
0
-a 26
-a2.
+ az
I
0
0
0
+ al
-a27
+ a.
-a36
-a37
I
0
0
I
I.
(3.30)
i
.1
!j
j'
f:
.(
= Xo
(3.31)
a, _,x,_, .
Xo
(3.32)
+ S.
3.5.6 Proposition
;;
ce qui .m ontre que y - Xo = (yj - xJ> est une solution du systeme homogene
associe et done que toute solution du systeme s'obtient en additionnant aXo une
solution du systeme hornogene associe. Compte tenu de la proposition 3.5.3, la
solution generale s'ecrit done sous la forme
,i.'.
.
.i
= O. i = 1,2 ... m.
3.5.7 Proposition
3.5.4 CoroUaire
bi
:>
:j
= b, -
';
"
LaijYj - La0J
j- I
j- I
3.5.3 Proposition
au systeme.
xJ> =
1.'
-s
107
Systemcs lineaires
106
if
:,
" J.
...
:j
"
I
.,
'.'
3.5.8 Corollaire
Pour qu'un systeme lineaire admette une solution unique, il [aut et il suffit qu'il
admette au mains une solution et que le systeme homogene associe n 'ait que la
solut ion nu//e.
Si Ie nombre d'equations m. Ie nombre d'inconnues net Ie rang r sont egaux.
Ie rang de la matrice augmentee associee au systeme ne peut etre superieur r .
Dans ce cas. la proposition suivante peut etre consideree comme corollaire de la
proposition 3.2.7.
(
108
SystCmcs lincaires
109
Exereices
(
(
3.5.9 Proposition
3.6.6 Soit aI' a2' ... an des nombres distincts et k un entier positif inferieur
a n. Montrer que Ie rang de la matrice
tI.
a l of
a2 ~
tIz
(
(
3.6 EXERCICES
an
est egal
cl. . ..
a k+ I.
+ xJ
+ xJ
+ x2 + aXJ
x2
XI
x,
= b,
= b2
= bJ
+
+
2x 2
3xJ == b l
6x 2
xI - 2x I
II xJ = b I
7x J = bJ
XI
2x I
admette au moins une solution quel que soit Iechoix de bl , b2 et bJ ? Cette condition
etant remplie, ce systerne a-t-il plus d'une solution?
3.6.2 Dans chacun des cas suivants, dire, sans Ie resoudre, si Ie systeme n'a
(a)
2x1
-3x l
2X2 + 4xJ = I
3x 2 - 6x J = 2
X2 + 2.'CJ = I.
XI -
(c)
+ x 2 + 5x J
+
-
+ 4x 4
xJ
XJ -
2x J
=
6
x 4 = -2
3x 4 =
3.
3
x, - 2X2 - 2x J = - I
-3x l + 2x 2 + x J = -I
3xI - 3x 2 - 2xJ =
O.
2.\:1
;:;
5
2
- I
2
-2
-I
3
I
I
-3
4 1,
a 2.
al
aI'
-I
-I
- 3
[ 4
5
2
3
I
I
-4
0
4-1
-3
2
-3
-I
2
2 -I
+ 2a:2
+ 2a:2
5 + a l - 5a2
2 + 2a l + 3a 2.
XI
al
- 2
2
0
4
+ x2
2 X4 -
X4 -
X4 -
xJ - 2x4
9x s =
13
6xs = -6
6.'Cs =
I
tx s = -3
-~J
5 .
- 2
aXI
aIx I
aJx l
a
b
3x I - h I - xJ
x \ - XI + 2x J
x\ - x2 + x J
- XI
egal
=
X2 =
xJ =
x4 =
2a 2
a Ia forme echelonnee:
port a t.
-I
I + al
-I - a l
x J = 2 + 3a l
X4 =
I + al
X, =
XI =
+
+
+
b''C2
b2x 2
bJX2
+
+
+
-\
eXJ = I
2xJ = I
~xJ = I.
(
(
(
(
:]
".
:1
<
(
(
(
(
(
110
SystCmcs IinCai=
(
(
5
2
4
XI
x2
x3
bX3
:).
CHAPITRE
:1
:1
m" UJ.
Algebre matricielle
+1
+1
+1
bX4
"
Xn _
xn
aXn _ 2
+
aX n _ 1
bx;
+
+
I,
Cij = aij
bij'
L'operation qui associe Ii tout couple de matrices du meme type leur somme est
appelee addition matricielle. Exemple :
i
a ll
(0
21
012
0 22
0 13)
0 23
[b ll
b l2 b13) =
b21 bn
b23
[all
0 21
+ b ll
+ b21
0 12
an
+ b l2
+ b22
013
0 23
+ b13)
+ b23
(
(
(
(
(
(
112
AIgc!bre matricielle
113
(
4.1.3 Multiplication d'une matrice par un scalaire
al
a2
aa l2
aa 21 aqu
aa lJ ]
aa2J
1
i
i,
lf
Soit A = (a if) une mat rice de type m x n et B = (bjk) une matrice de type
n x p. On appelle produit de A et B, et on note AB, la matrice C = (CiA:) de type
m x p dont les termes sont definis par la relation
+ ... +
a;"hnk
raijk'
(4.1)
ll
b l2 b lJ ] = [a l ibll + al2b21 allbl2 + al2bU
all a12]
[a21 au b21 bu b2J
a21bll + aUb 21 a21bl2 + a22bu
a2
' "
anb J anb2
mt +-+
C
anbn
aIJ2 +
x p = (m x n)'(n x p).
[~ ~][~ ~] [~ ~],
=
-(
allblJ + a12b23]
a21bl3+ aUb 23 '
+ C)
+ B)C
(b) A(B
-r
mt A nt
B,
= AB
= AC
+ AC
+ BC
A(BC) est
.., + anbn],
';"
(
(
[atbl
ou encore
(c) (A
an] b,
b2
bn
albn
a2bn
,'
L'operation qui associe atout couple de matrices leur produit (lorsque celui-ci est
defini) est appelee multiplication matricielle. Exemples:
tal
a,b l a\b2
a2bl a2b2
..
j -I
(b
bn ]
~I
ble des matrices de type m x n devient un espace vectoriel de dimension mn. Les
matrices dont un des termes est egal I et les autres sont nuls forrnent une base
a/Jill
an
= ailblk +
b2
C;k
I[bl
i a;(b
(
(
(
(
1c Ck' )
j = I V k= I J
(
(
(
(
114
1\5
Algebrc matricielle
(
(
(A
f (i arb.k)ck,.
k-I
'_ 1 V J
8)k =
,~J~)A'8k-'
(4.3)
(formule du binome),
S'agissant de sommes finies, l'ordre des sommations sur jet sur k peut etre inverse,
ce qui montre l'egalite des deux expressions.
[~
et
(A")' = Ak',
0I 00] [alla21
0 I
aJI
a l2 all),
a21 a22 a2J
= (all
0 I
a12 all]
[all al2 a lJ ]
an a2J = a21 a22 a2J .
an aJJ
a JI an aJJ
AI. = A et
I",A = A,
(
(
= C.
a=d=I
ou que 8
forme
I
[oo
=0
sans que A
(4) En posant
et b = c = 0 dans l'exemple ci-dessus, no us
voyons que le carre d'une matrice non nulle peut etre nul. A l'aide de la multiplica
tion par blocs, no us verrons que la puissance n-ieme de toute matrice carree de la
[I 0 0]
AD = AC,
all al2 a lJ )
( a 21 a22 a2J 0 I 0
~ ~) = [~ ~) .
(4.2)
: )[
A(aIn ) = cxA
et
(cxlm)A = cxA.
II
I
.~.
8)2 = A2 + A8
8A
A. =
..
..
aln
a20
I.
.... ..
I
0
0
0
0
0
0
..
8 2 = A2 + 2A8
ou encore,
all
al2
a21
a!2
aln
a20
IlxX2
l
b,
b2
. . .. ..
8 2
Plus generalement, so us la meme hypothese, il est facile de cons tater, par recur
ami
--' .'
,~,
(4.4)
an -l,n
..
Ax = b,
(A
al2 all
0 aZJ
0
0
am!
...
bm
aIM
X.
...
116
Aigebre matricielle
tr(AB) = tr(BA).
(4.5)
Br) Br!
j-I
i -I
.~
AB = I
~~~
A =
ZI
A ~~Z. '. : : Au I,
[
(4.6)
ou Ai} est, pour i = I. 2, ... q etj = I, 2, .... r, une matrice dont Ie nombre de lignes
est independant de j et Ie nombre de colonnes independant de i.
On peut multiplier des matrices partagees en so us-matrices. en operant
comme si chaque sous-matrice etait un terme ordinaire d'une matrice. La seule
condition que doivent remplir les partitions est que les produits matriciels entrant
enjeu soient definis, On appelle ce mode de multiplication multiplication matr icielle
par blocs.
Voici un exemple :
..
A"
Au
l~::r -~: --
--I
p
p"
B II
BIZ
BI]
p'
p"
+
AIZB z1
+ :i +
Alz8i2 ! A12B!3
---1
";\;';8;';"";\;';8;;'"i'X;';8;';"
m'
AnBz l
+ i +
AnBn
i AnBn
(
B"
. ..
CIZ . . . Cit]
CII
.;;
so us reserve que les produits A;)Jjk soient definis pour tout choix des indices i.], k,
. .. .. .
B=I
.~
~
Bit
BlJ
B I I BIZ
BZI Bn
~
.~
(
(
CZ1
.C~. :
c,
CqZ
En effet,
1- 11v- 1
117
: .
CqJ
ou
CiA: = AIIBl k
AilBl l
+ ... +
A)lrk'
(4.7)
colonnes. II vient:
It
f:
bz ...
A I bl
bn
1'"
Ab l Ab z
1.
'(" I
~,'t. I
.";,;. ,
i'".
....
,
,
(4.8)
Abn
de la maniere suivante:
'
a1n
oj
f .
An
~..
Ao _ 1
i a.. l ..
0..0..:....:..:....0'"["..0..
fl.,
:~!
~ i
~. i
.~
~~ .
(
(
.I
~:. \
A~
A~ _I
I
x
lX
O..O'..:....:..:....i:i't(j'
A:-
" 0'
Ao0-1
1
I'
ix
O..O..:..:....:..Ot..O
(
(
(
(
Matrices inversibles
Algebre matricielle
118
119
ou les croix occupent la place de tennes numeriques qu'il n'est pas necessaire de
specifier. Mais alors
al
IX
A: = A:-1A. =
= 0,
A, _I
j x
! a.I ..
OO:::Ot"O 0"0":::..0''[ .... 0..
rg 'A = rgA,
aif
aj ; .
(4.9)
A = [all a l2 a lJ),
a21 a22 a2l
'A =
[
a ll
a l2
a21]
a22
alJ
a23
(
(
(
(
(4.9).
.L aAk'
j-I
4.2.1 Introduction
On sait que tout nombre non nul a admet un inverse unique, c'est-a-dire un
nombre, note a-I, tel que aa- I = 1. En est-il de merne pour les matrices? La
reponse cette question est negative. Par exemple, Ie produit de la matrice
*1
A =
B=[;
't
. (~
~.
. ~)
I.>; i
1JI
(~ ~)
.i'
tl
La seule qui ne soit pas evidente est la derniere, En voici la preuve. Soit
L'extension de (d)
.~ .
j -I
~.~
(cf. 3.3.10).
"I.
'R.
L btjaji"
car la famille des lignes et celle des colonnes d'une meme matrice ont Ie merne rang
Ii
(4.10)
Dans cette section, nous no us proposons d'etudier les matrices qui admet
tent un inverse et d'exposer une methode de calcul de cet inverse.
.~
~,
~;
,~ , .
-r
i!
co
\~
AD = BA = I.
(4.11)
(
(
120
Algebre matricielJe
4.2.3 Proposition
'~
Soit A une matrice carree. S 'il existe une matrice B inecessairement carree
et du meme ordre que A) telle que AB = I ou BA = I, alors B verlfie (4.11),
autrement dit, A est inversible et B = A-I .
ou XI' X2' ... , x. sont les colonnes de X et e l , e2' ..., ell celles de I. Les equations (4.13)
sont l'expression matricielle de n systemes de matrice associee commune A et de
seconds membres e l , e2, . .. , e. Suivant 3.4.5, ces systemes peuvent etre resolus
simultanement en reduisant la matrice augmentee n fois
:;;
DEMONSTRAnON
[ A
ABx
= A(8x) =
AO
..
O.
B(AB)y
By
(
(
Posons B = (b i) et designons par bl' b2, ... , b, les colonnes de B. Les solutions des
n systemes reduits associes a la matrice augmentee (4.14) sont
.(
b. 1 b. 2
.~.
x.
(4.14)
:t
"
;~I.
BA(Hy)
.~
consequent,
bl"
b211
b" b l2
b21 b 22
'.
I]
e.] = [A
a la
(
(
121
Matrices inversibles
b""
Comme x est arbitraire, la remarque (6) de 4.1.7 nous permet de conclure que
BA = I.
1:",;
...
~.
~ -.
.~
Une matrice carrie A d'ordre nest inversible si et seulementsi son rang est n.
XI
= bl'
X2
b2,
.. .,
X.
b.
Par consequent, Best une solution de l'equation (4.12). La proposition 4.2.3 nous
permet alors de conclure que A est inversible et que B = A-I .
Une methode de calcul de la matrice inverse faisant appel aux determinants
sera presentee dans 5.3.6.
DEMONSTRATION
(
(
~;
~:,
~; ~
..
~.
. ..
4.2.5 CalcuI de la matrice inverse
DEMONSTRAnON
v,
:~
.~~
'~'. :
AX = I ,
(4.12)
ou X est une matrice carree inconnue. En vertu de (4.8), cette equation s'exprime,
de maniere equivalente, par les n equations matricielles
.. . ,
Ax. = e.,
(4.13)
.i
o j.
(
(
(
(
(
(
( ,
123
Matrices inversibJes
AJgebre matricieJle
122
(
(
A-I=i
- 14
3
[ -5
-b
'"a
A _ rb
- c
d
4.2.8 Remarques
tAA
(al
b2
+ c? +
0j-I
[3 -I
0
2
0
= 0
0 -4
0
o
[o
A-I _
b2
A=
par reduction de
mations:
{\
i(
tP)14
c2
d2
0 1 0]
2- 0
.
0 _4- 1
que
AX
(A~I)
1
0
0
0
1
0
o -4
3 -2
1
1 -I
2 -5 3
11 3-1
2 -2]
[2 1-5
L., - LI
1 L3 - 2LI
0] L. 2L
+ J
o 2L2 - L3
1
0] L 2L
o -3 -I -2
~ L+ 3L
0
-7 4 2]
2 o 3 -1 -I iL
0
I
0
In'
= A-I,
B- 1,
[Io 2-2
I
1 1-1
[~
BY
Ainsi,
= 1m,
AZ
CY
O.
C) O
(X YZ) = (10 0)
(oA B
In '
= I.
[~
-b
II en resulte que
1
0
-d
(5) Soit A une matrice inversible d'ordre m, B une matrice inversible d'ordre
n et C une matrice de type m x n. Considerons l'equation matricielle
4.2.9 Exemples
[;
-d]
d-c
a
b'
- a2
2 -2
3 -I
1 -5
-c
ou a, b, c et d sont des nombres non tous nuls. Les colonnes de A sont orthogonales
deux deux et de meme nonne. Cela entraine aussitot que
4]
-1.
1
8
-1
3
2 -5
1 iL3
(o
_A-lCD-I.
B O B -I
(4.15)
(
124
AlgCbre matricielle
125
(
(
t4, .... ~.
(4.17)
L
..................!
= 'xY. II x II = ./XX.
............?.!~ !..
..
(
(
(
(
(
. . . . . . . .
............ ..........
a~i:
L~
0
0
0 ... a
bl
alb l
... ,a.b., .
,(
aI =
Nous avons deja constate que la multiplication d'une matrice scalaire aI par
une matrice A est equivalente a la multiplication du nombre a par A:
(al)A = aA.
. (,
~t :
A(al) = aA.
.e
all
alz
a22
a l
a2n
(
al 0
o az
0
0
0 . . . a.
(4.16)
.
..
;\
't
. . .
aM
(
(
<
(
{
(
(
(
(
Algcbn: raatricielle
126
127
<'
On appelle matrice symetrique toute matrice egale asa transposee. Entre les
tennes alj d'une matrice symetrique il y a done la relation
'1i
(4.18)
alj = aj i
-I 2 5]
[
2
5
0
-I
-I .
3
L'inverse d'une matrice symetrique inversible est encore une matrice syme
trique, car, d'apres (a) de la proposition 4.2.6,
(
(
(
(
'(AD)
= 'B'A = BA.
4.3.6 Remarque
o!.. . i-ieme
1
,
. 0 I .....l-ieme
,
~
e)
,!
lu
.i
tf
t
f
(;
)
lu = I .
1
Type 3:
If se deduit de
I.. .
o i-ieme
o!.. . l-ieme
0 .. 0
t
T
i-ieme l-ieme
autrement dit,
i
~
o
o
1 0
oI
I~ =
.....i-ieme
i
.~
00 . . . . .
(
(
1
t
(
["
Type 2:
i-ieme l-ieme
I.
Iii =
exernple, si i < I,
(
128
129
Fonctions malricielles
Aigebre rnatricielle
(
2
converge (absolument) si chacun des n tennes de la matrice
:E Cl~k
it'
.1l
-~
j{x) =
II A II =
Ii
I~
~
~
a toute
+ ... + Clk.-I'
un polynorne,
(4.19)
~~
~~ I
~
Nous pouvons definir des fonctions matricielles plus generales que les
polynomes l'aide de series matricielles. Soit A une matrice carree d'ordre n. Nous
dirons qu 'une serie
j~lj~l~
)Y.
(4.22)
.
eo
j{A ) =
(4.23)
:E
ClkA k
k -O
(
.{
a (4.17). a
(4.24)
(4.20)
(
(
j{tA) =
a A:
oc
k -O
:E ClJAk.
D 'apres ce qui a ete dit dans 4.5.2, cette serie converge absolument pour tout t tel
que
ou rest la borne apparaissant dans (4.21) (par convention riO = (0) . En outre.
(f(/A' = A,!(tA) ,
(
(
-
I t I <IIAII'
Xl
k -O
~~
:E ClkAk
('
(4.21)
r.
'.
j{A) = CloI
k -O
La serie (4.20) converge alors absolument pour toute matrice carree A d'ordre n
ce qui atteste que toute mat rice inversible est un produit de matrices elementaires.
Supposons qu 'une fonction reelle j'solt defin ie par une serie entiere dans un
a une
voisinage de 0:
= I.
En multipliant les deux membres par (MIM2 ... Mk)-I. nous en concluons, grace
au corollaire 4.2.7, que
A
converge (absolument) quand I tend vers l'infini. Cette condition etant remplie,
nous appellerons somme de la serie (4.20) la matrice formee des termes-limites.
Cette somme est encore designee par ['expression (4.20).
A noter que si la matrice A est nilpotente. la serie (4.20) se reduit
somme finie, car Ak = 0 pour tout entier k assez grand.
Selon 3.3.5. 3.3.7 et 4.4.2 . to ute matrice peut etre transformee en une matrice
que
... MkA
k -O
oj!
M IM2
(4.25)
(
( .
130
Algebre matricielle
Matrices de transition
131
(
(
(lttA" = (aol
=
=
(
Aj(tA).
a la limite.
4.6.2 Matrices de transition
ak
(4.26)
k=ok!
H) = exp(A)exp(H).
(4.27)
o~
ail
ai2
+ ... +
(r.
.!.H /) = i
I
k-o k!
1-0 I!
1-0 k-O k!(i-k)!
00 I
~ -I,(A + H)' = exp(A + H).
exp(A)exp(H) = ( i ..!..Ak)(i
= 1-0
A~/-k)
En particulier,
exp(A)exp(-A)
= exp(A
- A)
= exp(O)
o ~ pJOl
= I.
pf'
~ I . j = 1.2. .. n.
= I.
On appelle la matrice-ligne
(4.28)
(exp(tA' = Aexp(tA).
(
(
p(Ol]
(
<
' "
(4.29)
rR(Ol p(Ol
L (O) = [YI
2
matrice-ligne
L(kl =
(
132
133
Exercices
Algebre matricielle
(
(
4.7 EXERCICES
p\k-I)a lj
'j
L(k-I)A.
'i
L (O)Ak
(4.30)
4.6.5 Exemple
Un magasin vend deux marques m, et m2 d'un certain produit et un client
habituel de la maison achete m l avec probabilite 0,7 si son dernier achat etait m l
et avec probabilite 0,4 si son dernier achat etait m 2 Nous allons calculer les
probabilites d'achat de m l et de m2 lors du sixieme achat (l'achat initial est fait a
l'instant 0). Nous avons faire une chaine de Markov deux etats, l'etat I
designant la marque m l et l'etat 2 la marque m 2 La matrice de transition de cette
chaine est
A = [0,7
0,4
L(O)
L(O)A S ;;;
[t t] [0,57247
0,57004
It
:i
.~
. ,~
.~
_I
[-I
2 _I,B= _:
B 2,
... ,
AB = alBI
7: .
.~
~
~~
~~
:oJ
: :,
~ -~ ,C=~ .
8 2B2
+ ... +
0,42914].
[:
:]
otB
[:
-{
~]
A=
I 2 3]
[ I 2
I
sous la forme I + Bet calculer Ak , pour tout nombre entier positif k,
la formule du binorne.
a l'aide de
'1:
4.7.5 Montrer que les seules matrices qui commutent avec la matrice
.;~ . ~
ij
.i" ~. I
f
~
41
:~
l
:>./,. .
} "~ ~
)~ - '
'4' :
:~ti.
~~~
; .;.i. .
a"Bn '
:/;,
0,42753)
0,42996 ;;; [0,57084
<'[
"
[I]
tion matricielle AX = B, ou
:Jj
-Il
.f.
4]
~.
[t 1].
Calculer, !orsque la multiplication est possible, les produits AA, BB, AB, AC, BC,
L(S)
3)
2
A= ( 3
':?
0,3) .
0,6
La loi
4.7.1 Soit
~:~
oI I
(
al a2 a 3
al a2
at
an
a".t
a".2
o
1
(
at
En deduire que les matrices qui commutent avec A et 'A sont de la forme aI.
Relever, au passage, que si deux matrices commutent, aucune des deux, en general,
(
(
(
134
13S
Exerciccs
Aigebre rnatricielle
(
Z
X = O.
4.7.8 Methode des moindres cartes. Soit PI(a\ . hi)' Pz(a z h~ ... P.(a h.)
2
n points de IR tels que a, '" aJ si i '" j. Soit k un entier positif inferieur a n, Pour
(
(
I
I
I
(hz - p(a~)Z
+ ... + (h. _
c
[8
p(a.z.
- I
1
- I
ao.
a\
a7
az ~
I
I a.
hi
hz
t4
I. b
tl. .. . tI.)
I
2
l h.
)
1
I
-I
I
1
o
o
o
o
I
o
o
0
3
2 -5
- 2
-2
., 1
4.7.11 Montrer que si une matrice inversible A commute avec une mat rice
8 . alors A- I commute avec 8.
4.7.12 Soit A une matrice carree, Soit 8 et C des matrices invers ibles du
meme ordre que A telles que '(8A)8 - 1(C8 - 1)- 1 = I. Montrer que A est inversible
et exprimer A-I en fonction de 8 et C. (Appliquer la proposition 4.2.3.)
-I
0
4.7.17 Soit 0 une matrice diagonale d'ordre n dont les tennes diagonaux
sont distincts. Demontrer que toute mat rice diagonale d'ordre n s'ecrit de maniere
1
unique sous la forme d'une combinaison lineaire des matrices I, O. Oz. .... 0--
4.7.9 Montrer que si A est une matrice inversible , aA I'est egalement pour
rnultipliee par - I.
(a) Montrer que pour toute matrice carree A. A + 'A est une matrice symetrique
et A - 'A une matrice antisyrnetrique.
(b) Montrer que I'ensemble des matrices syrnetriques d'ordre n et celui des matrices
antisymetriques d'ordre n sont des sous-espaces complernentaires dans I'espace
vectoriel des matrices carrees d'ordre n.
(c) Trouver la dimension de ces deux sous -espaces et verifier la relation (1.12).
A-I
2
2
'AAp = 'Ab.
8-
-A- 1C8
<"
[0
Le but de cet exercice est de trouver Ie polynome p(t) == a o + alt + ... + akt* qui
minimise o(P). On designe par p Ie vecteur-colonne forme des coefficients inconnus
al ... ak et on pose
A)-I=
~~
:{~
-,
(
.)u
Algebre matricielle
(
(
CHAPITRE
Determinants
II Ax II .,;; IIAllllxll
II A II < r.
<11). r
eo
:;.~
(J - A)-I = ~ Ak
k -O
' :~
r.
:{
A =
0'
alors
exp(tA) = ( cost
.
smr
-sint] .
cost
\I
5.1.1 Introduction
"
(0-1]
5.1 DEFINITION
.f:
., ~
r
~
-,
~~ I
<~ ~ I
t2
'": .
~r
!,~~
,', t
5.1.2 Notation
Le determinant d'une matrice carree A = (aij) est un nombre associe
nous nous appretons a definir et noterons
,';'.:
all
:.:. .:
a l2
a l
a 21 a22
a2n
a A que
IAI ou
(
(
(
(
(
a. 1 a.2 ...
ann
ou aussi
det(a l , a2' ..., a.),
lorsque la dependance de A est exprimee au moyen de ses colonnes at, a 2, .... a.
En accord avec ce dernier symbole, Ie determinant est egalement appele determi
nant des vecteurs-colonnes a l a 2, .... a.
(
(
(
(
(
lt
Determinants.
138
(
Par la suite, il sera souvent question de colonnes ou de Iignes d'un determi
nant . II est entendu que ces colonnes ou ces !ignes sont celles de la matrice a
laquelle Ie determinant est assode.
Si A est une matrice carree d'ordre n superieur a I, nous designerons par
Aij la matrice carree d'ordre n - I obtenue en supprimant la i-ieme ligne et la
j-ieme colonne de A.
(
(
?,
nous obtenons:
a\
a2
:1
a2 0 ., . 0
o aJ . .. 0
~.
i!
t:,
-:
~
..i.,
nous obtenons:
all a.2
= alii All
=
I- I
= 2 et n = 3,
.~
.":
-<i
:!
I I
- a21 al2
a32
al J
aJJ
I I
+
l
aJI a 2
a22
:~
5.1.4 Exemples
\";'
.~
I~
(
(
(
(
(
3(11~ ~I
= - 3(- 8
~.
- II~ ~I
I I 2
- 2 2 0 I
I 2 4
0) - 2(-2 - 0
I) = 14.
(3) Determinant d'une matrice triangulaire. Par appl ication repetee de (5.1),
a22
a l.
a22 a2J
o a33
a2n
a2n
aJ.
... = a lla22 ... ann ' (5.4)
all
. . . a.. ,
0 . . . a..
~!;
I I 2
= -3 I 2 4
3 2 0
(5.3)
= 0".
.'~
I I 2
2 0 I
I 2 4
3 2 0
0 . . . a.
.'
13
aa23 /
Ial.1
~.
.J'
(5.2)
En part iculier,
"-;
."
... = a la2'" a .
a1
~~
I (-li+laill A;.! .
IA I
. . . .. . I =
al
139
..'
':..;.
i~.
1
\.~;
(a) det(a., , aj , , at> ..., a.) = -det(a. , , at, ..., aj ' ..., a.) (n> I,j <.k).
(b) det(a. , , aaj , , a.) = adet (a., ..., aj ' , a.) .
(c) det(a l, , aj + aj, ..., a.) = detfa. , ..., aj' ... , a.) + det(al' ..., aj, ..., a.).
(d) deue. , e2' ..., e.) = I, ou (e l, e2' ..., e.) est la base canonique de lR .
En d'autres tennes, Ie determinant est mult iplie par - I si deux de ses
colonnes sont echang ees, il est multiplie par a si une de ses colonnes est multipliee
par a , il est additif en chacune de ses colonnes et attribue la valeur I a la
matrice -unite.
L'union des proprietes (a), (b) et (c) s'enonce en disant que Ie determinant
d'ordre nest une forme n-lineaire alternee dans R' (cf. 6.4.3).
Le determinant d'ordre n n'est pas additif (sauf si n = I) ; autrement dit,
I A + 8 I n'est en general pas egal a I A I + I 8 I. Par exemple,
I~ ~I # I~ ~I + I~ ~I
(
Determinants
140
141
(
Nous verrons dans 5.2.4 que les proprietes (a}-(d) caracterisent Ie determi
nant d'ordre n. Ces proprietes en entrainent d'autres, que nous enoncerons dans
les deux propositions suivantes et demontrerons, avec Ie theoreme 5.1.5. dans la
section 5.2.
On remarquera d'ores et deja que Ie determinant est nul si deux de ses
colonnes sont egales ou si I'une d'entre elles est nulle . En effet, un echange de deux
colonnes egales laisse Ie determinant inchange et , d'apres (a). change en meme
temps ce determinant en son oppose. ce qui demontre la premiere assertion ; quant
a la seconde, il suffit de poser a = 0 dans (b).
On notera en outre que
laAI = an I AI
pour toute matrice elementaire M et toute matrice carree B du rneme ordre que M.
De (5.6) et des relations (a). (b) et (c) de 4.4.3 , il resulte en outre que
I'M I = I M I
voici :
I Ak I
I A Ik
(5.9)
,(
(b) det(al ' a2' ..., a,.) 0 si et seulement si les vecteurs-colonnes a l a2' ..., an sont
lineairement independents.
En d'autres termes, Ie determinant reste inchange lorsqu'on additionne a
I'une de ses colonnes un multiple d 'une autre colonne ou une combinaison lineaire
des autres colonnes: en outre. vu la proposition 4.2.4, Ie determinant d'une matrice
est non nul si et seulement si cette matrice est inversible (ou nul si et seulement
si cette matrice n'est pas inversible).
(a) I AB I = I A II B I;
(b) ItA I = I A I.
~.
k :ky,j
(5.5)
a,,) = det(a"
, aj + I akak
;:
f
pour toute matrice carree A d 'ordre n. En effet, cela resulte de (b) appliquee a
chaque colonne de A.
(5.8)
(
5.1.9 Determinant comme fonction des !ignes
;v
lineairement independantes.
I'!
~,'"
(
(
.~
:'i~
= a.
(5.6)
IMBI
IMIIBI
(5.7)
proposition 5.1.8,
IA-11=IAI- I .
est vraie pour tout entier k .
(
(
(
142
143
Determinants
(
Dans Ie cas ou n = 2, un parallelepipedeest appele parallelogrammeet son
Le rang d'une matrice A (non necessalrement carree) est le plus grand entier
k tel que l'on puisseextraire de A une sous-matricecarreed'ordre k et de determinant
non nul.
(
{
DEMONSTRAnON
a~
a~
~~
a~
PJ
detfa., aJ I =
amj,
est r, car r de ses lignes sont lineairement independantes, Par consequent, rgA ~ r.
D'autre part, r' etant Ie rang de A, nous pouvons extraire de A r' colonnes
lineairement independantes formant une sous-rnatrice A' de rang r ', En prenant
alors r' lignes lineairement independantes de A', nous constituons une sous-matrice
carree de A d'ordre r' et de rang r', D'apres (b) de la proposition 5.1.6, Ie
determinant de cette sous-matrice est non nul. Par consequent, r' = rgA ~ r .
Nous en concluons que rgA = r, ce qu'il fal1ait dernontrer.
all
a21
a,211 =
au
= II a l 11 211 a 2 11 2
- (a, I aJ2 = (allau - a21 a 1J2,
ami! amj2 . . .
II
I det(a l ,
a2' a3) I =
all
a l2
all
II a21
au
a31
a32
a23
a33
M, ...,
p;;p,,)
I detfe., e 2, .., eJ I
~ ajPOP
----+
}
{P: -PoP = ~
j' 0 ~ aj ~ I,J = 1,2. .., n .
j -I
(5.11)
<'
(
(
(
(
(
c.
I det(a l , a 2, ..., aJ I.
(5.12)
144
qeterminants
145
(
(
- --
..
"'~'.
'~j
.. .,
k :k"j
II
det(a" ..., aj ,
.~
f.
. ::~ ~
-~t: j
:.1t.
Inversement, supposons que les vecteurs-colonnes a" a2' ..., an soient lineairernent
independants, Selon la proposition 4.2.4 , la matrice A de colonnes ai ' a2' ..., an est
alors inversible. -D'apres-(d) ~du-theoreme~ 5.1;5 -et ~ (a)- de- Ia -p roposition 5.1.8
(demontree ci-dessous),
I
(
(
= I I I = I AA-I I = I A II A-I I,
~.
"
IAI
i -I
II_I
II
(i.J)<l1
(5.13)
(i.I)'<l2
Propriete (a) . En vertu de (a) du theoreme 5. I .5, nous pouvons admettre que
j = I. D'apres (b) et (c) du meme theorerne,
det(a,
+ aak'
a 2,
~ a,tllk'
k :k"j
'.~; ~
~' :
" ' ~R
~.
-:
'i
Propriete (a) . Si A n'est pas inversible, Ie produit AB ne l'est pas non plus,
selon (c) de la proposition 4.2.6. Or, nous venons d'etablir que Ie determinant
d'une matrice non inversible (c'est-a-dire dont les colonnes sont lineairernent
est inversible, il existe, d'apres 4.4.4 , des matrices elementaires M I , M 2, ..., Mk telles
que A = M,M2 ... M k Compte tenu de (5.7), nous pouvons done ecrire
. (.
Propriete (b). Si A n'est pas inversible, 'A ne I'est pas non plus, d'apres (a)
de 4.2.6, done I A I = I'A I = 0, d'apres (b) de la proposition 5.1.6. Si A est
inversible, A = M IM2 . .. M k , OU M I , M 2, ..., M k sont des matrices elementaires.
Dans ce cas, grace a la relation (e) de 4. I.9, a la propriete (a) demontree ci-dessus
et a (5.8), nous pouvons ecrire
~' i
8j
f1'1
i
(
(
(
(
S.2.4 Caracterisation du determinant d'ordre n
Le determinant d'ordre nest la seule fonction reelle definie dans l'ensemble
des matrices carrees d'ordre n verifiant les proprietes (a)-(d) enoncees dans Ie
theoreme 5.1.5. En elfet, nous avons demontre qu'une telle fonction, tout com me
Ie determinant d'ordre n, attribue a A la valeur 0 si A est une matrice non invers ible
et la valeur I M I II M 2 1... I M k I si A est un produit de matrices elementaires M"
M 2, .... M k Toute matrice carree etant de I'une de ces deux sortes, I'assertion est
dernontree.
(
(
(
(
147
Determinen ts
146
(
(
(
(
Soit A = (ai) une matrice ca rree d'ordre n > 1 et ai ' a2' ..., an ses colonnes.
Fixons j > I et designons par A' = (aij) la matrice obtenue a partir de A en
echangeant success ivement aj et aj-I ' aj et aj _ 2' . , aj et a, . Les colonnes de A'
(ecrites dans I'ordre) etant~, ai ' ..., aj-I' aj
an' it est clair que , pour tout ind ice
de ligne i,
+ - +
+
+ - +
+" ...,
+
+
I,
I
!
Ainsi, d'apres (5.16) et (5.18), Ie determinant d'une matrice carree est egal
ala somme des termes d'une colonne ou d'une ligne mult iplies par leurs cofacteurs
IA'I
= L(-li+ laijIAijl.
(5.14)
i- I
I A' I =
(- 1);-1
En comparant (5.14)
n
IAI
I A I.
(5.15)
:.
(5.16)
i- I
respectifs.
-1
'J~."~
'&)
r,',
"
-:1'- ,
':t .
'{
.(
.>
II
-3
- 3
10
-2
- 9
Soit A = (aij) une matrice carree d'ordre n > 1. D 'apres (5.16), Ie develop
pement de la matrice IA = (aiJ suivant la i-ieme colonne s'ecrit
o -10
-3
o ...
- 3 -10
-3
I IAI = L(-li+jai;l('A)jil.
(5.17)
j- I
(
(
(
(
IAI
= L(-I)i+JoijIAijl, i = 1, 2, ...,n.
(5.18)
j -I
_21
-9
o -10
-3
5
0
-3
= -21
I = -2 '7 = - 14.
-3
Comme
ai; = aij et ('A )ji = '(A ij)'
-3
1-3 -10
"
'. ;i1
, I, .
148
Determ inants
149
"l;l ~
t;
f:
x?al
x~a2
+ ... +
'i~,;
~f~
~l"
x2j
x~an = b.
A
.'''' .
b, aj + I'
x nj
aJ.
...
detta, ..., aj _
.. .
j = 1.2.. . n.
"(
... j-ieme
10 .
Ces equations sont l'expression matricielle de n systemes lineaires que nous resol
vons Ii I'aide de la formule de Cramer (5.19). La solution unique duj-ieme systeme
s'ecrit
all .. , 0 . . al n
. bl
b2
al n
a2n
0 __
1
xj
jAII ajl
. , . I . . apr
b; . .
T
j-ieme
' .
0 . .
T
i-ieme
alllf
+
+
-
2x2
6xJ = 5
3x 2
3xJ = 2
2X2 - 4xJ = I.
A-I =
Selon (5.19).
XI
3
2
2
=
326
233
2 -2-4
5 6
2 3
1-4
3 2
2 3
2 -2
-to
I . x2 =
326
233
2 -2-4
alllf
xJ
2
1
t
326
233
2 -2-4
_I_A.
I AI
....
(5.20)
n.
A=
(oij)'
\f\'
A-I =
(5.21)
(
(
[a
22
1
allan - a21 a12 -a21
A =
rr\ .L od1 R
En d'autres terrnes, A-I est egale Ii la matrice des cofacteurs transposee divisee par
Ie determinant de A.
On notera Ie cas part iculier ou n = 2:
(
_(-I)i+jIAjil_cofaji ' - 1 2
IA I
- I A I ' 1- ,
x ij -
+
+
5 2 6
2 3 3
1 -2-4
Cette relation est connue sous Ie nom de formule de Cramer pour la resolu
tion d'un systeme lineaire.
Resolvons, par exemple, Ie systeme lineaire
3x,
2x1
2x1
i = 1.2 ... n,
(5.19)
ani'
ani
-(
.(
xij =
, j = 1.2 ... n.
IAI
(
<
II s'ensuit que
all
a 21
I 1=1'1.
I .
10
Xljl
3 1 2]
[-I0 II 0I .
-a I2 )
all
(5.22)
(
(
(
(
(
(
lSI
Determinants
ISO
(
(
(
(
cofall = /:
cofal) =
~I
= -I, cofa l2 =
1_ ~ :I
= I, cofa21 =
A = '[-I2
-I
-I
2
-3
-I_~ ~I
-I:
= -I,
,'4
o21 -- 2, ...,
j'
~!
'1
....1
/
I]
-4 .
3
- I
A-I=-t -:
[
-2
I
41
I
I
2-I]
*1
'*. 1
:' ,
'~. !
..~;; !
". !
o
o
a-b ~_b2
b-e b2-
2 - 3 I
3 4 0-1
c2
c2
(3) On notera,
,I
I'
c2
.. ,
I
.i
":":1
;
:~ I
'l j
0
0
I = 4(-2) = -8 .
0
I
.~ j
2 -3 .
-4
3
0
0
I
0
I
- I
- I
21
I
I
- I
-I
(
(
I
-I
I
I
-I
-II ,
I
I
-I
-I
(
(
I
2
2
0' = 4
I
I
I+a I
I
I I+b I
1 I+e I
I
I I+d
1
I
peut etre calcule en appliquant (c) du theoreme 5.1.5 et (a) de la proposition 5.1.6.
A cet effet, posons
(4) Le determinant
I
I
- I
-I
o
o
I
I
a la
a
0
b =
I . I, a = 1
0 '
,0
0
b
o'
0
c=
0
0
e
0
, d=
0
0
0
d
(
152
Determinants
2 100
I 2 I 0
0
0
I 2 I
I
l,i
:'f;'.
~:
I 2 I
(~, l;
0 I 2
I I 0 . . . 0
o r
I A.I
21 A._II -
A'_ 2
21 A, _I I -IA._ 2 1.
01
C
= IAI
(5.23)
O il.
X OI
X 02
XOn
XII
XI2
X,.
....................................
B
(
(
J
I x. 1 x. 2
x".
Pour etablir cela, il suffit de soustraire la premiere ligne de to utes les aut res et
d'appliquer (5. I). Compte tenu de (b) de la proposition 5.1.8, Ie resultat de ces
operations est Ie determinant det(a l, a2' .... a.) dont la valeur absolue est. selon
X,
x2
. X.
XII
xI2
. XI.
IAIIBI .
(5.24)
X. 2 .
(
(5.26)
I x"'
(
= O.
l
(5.25)
BOB
[oAC] [1 0] [A IC].l
A
~ r ~
.\
I. : 0
#IAIIBI-IDIICI
~:
,~', I
(
(
~"
153
I~ ~I
,i
';; - .
o . . . .
o . . . .
,.'it!'
ii,
;;(.
-,::.;~
x".
(
(
(
(
(
(
<.
(
.i)
154
.~
Determinants
ISS
Exercices
~,
t;
5.5 EXERCICES
cr.
a'j-I
a2 ~
d:- 1
al
5.5.1 Montrer que
::
3
0
4
5
I
I
I
-2
2
2
21 = 60.
0
6
3
0
3
3
0
I
0
I
0
~ s"
aj ) .
')
t ]
'---
a.
== .n (a;
.. . .
.-/
a: ... 0:;-'
I
-I
a -I -I
I
a -I
-I
A=I
I
-I
l r:
.
I
2
aa.+b,
ab,+c,
al
acl+a,
aa2+ b2
ab2+c2
aC2+a2
aaJ+b J
abJ+c J
aCJ+aJ
= (a J + I) a2
aJ
all +t a12+t
p(t) ==
...
b2
C2
bJ
cJ
. ..
I XI)
..
(x,
a..+1
I Xk)
Jf
3 -I
I -5
AA = IAI I..
:- I
/~ 1A
tl7- A
rv
IAI=IAI- I .
(Utiliser (a) de la proposition 5.1.8 et (5.3).)
\
2cosO
2cosO
2cosO
n+ l
(
(
(/
, /
"
que la relation
I?
5.5.5 Soit (XI ' X2' ... . xk) une famille de vecteurs d'un espace vectoriel
euclidien. Demontrer que cette famille est liee si et seulement si son determinant
de Gram
('. ',)
(XI
/)
par sa k-ieme.)
(b) Dans I'hypothese que I A I '" O. en deduire la fonnule d'inversion (5.21), ainsi
a,.+t
. . .... .
a., +1 a. 2+t
(
c.
bl
... .
( (.
I 2 -2]
' "
(-I)(n
2cosO
I) si 0 = (2k
+ I)n.
(
(
156
Delenninants
(
(
5.5.11 Soit A une matrice inversible d'ordre m, B une matrice carree d'ordre
n, C une matrice de type m x n et Dune matrice de type n x m.
Index
I~ ~I
=/AI/B-DA-IC/.
(Verifier que
[DA BC]
m
[1DAI
~][~
B - DA-IC
[I0
A-IC]
\
(
I~ ~I ~IAB-DCI
5.5.12 Soit PI(al' aJ. Pib l, bJ et P3(cl cJ trois points non alignes d'un
plan affine euclidien, muni d'un repere orthonormal. Montrer que
~+~
XI
x2
er.+~
al
a2
bl
b2
ci
c2
bhbi
t'T+ci
=0
VI2
V21
V22
vl ... _ 1
vl..- _ I
V=
V.I
V.2
' "
I.
et appliquer (5.24).)
v.... _ 1
i
..,
~\
addition
d'applications, 10. /8
matricielle, III
vectorielle, 8, II
adjointe
d'une application lineaire , /58
d'une mat rice. /52
affine
application -, 32
dilatation - . 35
droite -, plan -, hyperplan -. 36
espace - . 3 /
projection -. symetrie -, 35
sous-espace -. 34
affinite, 37
aire, 143
alternee, forme n-lineaire - . 139
angle(s)
de deux vecteurs, 47, 59
de deux hyperplans, 79
determine par trois points. 78
d'Euler, 66
bijective. 9
composee, 9
constante, 7. 34
duale,44
identique, 7
injective. 9
inverse. 9
nulle, /2
surjective, 9
application lineaire, lO
adjointe, /58
associee Ii une matrice, 22
composee, /9
diagonalisable, 77
nilpotente, /08
approximation. meilleure -. 64
asymptote, cone -. /46
auto-adjointe, transformation -. /55
axe(s)
de rotation. 56. 58. 62
de symetrie, 55
barycentre, 45
base. 22
canonique,23
changement de -, 27
directe ou positivement orientee,
67,29
duale.20
indirecte ou negativement orientee,
67.29
orthonormale, 49. 60
bijective, application -. 9
.(
J
l
l
(
(
(
(
(
(
(
(
<.
(,
158
Index
Index
159
(
(
(
bilineaire, forme -, / /3
blocs,
diagonale par -, 44
(
(
(
(
(
(
(
(
(
l . ..
caracteristique
equation -, 79, 80
polynorne -, 79
Cauchy-Schwarz, inegalite de - , 57
centrage, /32
centre
de grav ite, 45
de rotation, 62
changement
de base, 27
de repere, 37
Chasles, relation de -, 31
coefficients
d'une forme lineaire ou quadrati
que, //4
cofacteurs(s), 147
methode des -, 149
colonne
d'une matrice, 92
matrice- -, 92
vecteur- - , 13
combinaison
convexe, 15
lineaire, lineaire triviale, 15
commutent
applications lineaire qui - , 44
matrices qui - , 114
compatible, incompatible, 90
complementaire
orthogonal, 62
sous-espace -, 29
completion des carres, /17, /26
composantes, 22
composee
d'applications, 9
diagonal(e)
matrice - , 124
par blocs, 44
tenne - ,92
diagonalisable(s)
application lineaire -, 77
matrice -, 83
simultanement, /24, /64
diagonalisation, 83
d'une matrice nonnale, /6/
d'une mat rice symetrique, 96
d'une transformation hennitienne,
/56
d'une lransfonnation nonnale,
d'applications lineaires, /9
cone
asymptote. /46
coniques, 134
conservation
des angles, 48
des barycentres, 45
convergence en nonne, 65
coordonnees, 37
couple, 2
/60
decomposition
spectrale, 77
/63
matrice symetrique - , / /9
dependance lineaire, 20
determinant
de Gram, 154
de passage, 67, 28
de Vandennonde, 155
d'ordre 2 et 3, 66
d'ordre n, 138
d'une application lineaire, 3/
d'une famille de vecteurs-colonnes,
137
>,
de deux points, 74
d'un point a un sous-espace affine,
75
droite,36
affine, 36
vectorielle, 17
dual(e)
application -, 44
base -,20
espace - , 20
echelonnee
matrice - , 95
matrice - simplifiee, 97
elementaires
matrices - , 126
operations - , 96
de depart. d'arrivee, 7
d'indices, 2
equatioms)
caracteristique, 79
d'une droite, d'un plan, 39
d'un hyperplan, 39, 153
matricielle d'une application affine,
37
matricielle d'une application
lineaire , 24
parametriques, 38
equilatere, hyperbole -, /34
equivalents, systemes lineaires -, 90
espace(s)
affine, 31
affine euclidien, 73
affine oriente, 29
directeur, 31, 35
dual, 20
(
160
Index
161
Index
(
vectoriel, 10
vectoriel complexe, /49
vectoriel euclidien, 51
vectoriels fonctionnels, 14, 149
vectoriel geometrique, 10
vectoriel hennitien, 151
vectoriel oriente, 67, 29
Euclide, postulat d' -, 37
euclidien
espace vectoriel -, 51
espace affine -, 73
Euler, angles d' - , 66
exponentielle d'une matrice, 130
extremums d'une fonction, 122
famille
finie, I
infinie, 2
generatrice, 17
libre, liee, 20
orthogonale, orthononnale, 53
fixe, element - , 8
forme
antilineaire, 161
bilineaire, 113
bilineaire associee a une matrice,
JJ5
bilineaire syrnetrique, JJ3
bilineaire symetrique definie, 119
bilineaire symetrique reduite, 116
diagonale, 82
echelonnee, 96
echelonnee simplifiee, 97
lineaire, 19
n-lineaire altemee, 139
nonnale, 134, 138
quadratique, 113
quadratique hennitienne, 162
semi-lineaire, 161
sesquilineaire, 162
sesquilineaire hermitienne, 162
sesquilineaire hennitienne definie,
163
hennitien(ne)
espace -, 151
forme quadratique -, 162
fonne sesquilineaire -, 162
matrice -, 153
produit scalaire -, 151
transformation -, 155
I
....
!
.:~
homogene
systeme differentiel -, 99
systeme differentiel - associe, 100
systeme lineaire - , 89
systerne lineaire - associe, 89
homothetie, 12
affine, 35
hyperbole, 134
hyperboloide, a une nappe,
nappes, 135
hyperplan, 36
affine, 36
d'affinite, 37
polaire, /47
tangent, 130
vectoriel, 29
..:'1
]It
~~
e....
i
' 1
~;.
~~ ' I
~~~
: '.I:~
;t"
a deux
-,
.~:~
1..
';;'i
' , o ..lo
.,
, ./
.~
.";
:..1
.;
identitets)
du parallelogramme, 83
vectorielles. 72. 85
" ~
image
d'un element, 7
d'un sous-ensemble, 8
d'un sous-espace vectoriel, 15
d'une application, 8
d'une famille, 8
d'un parallelepipede, 40
reciproque d'un sous-ensemble, 8
reciproque d'un sous-espace vecto
riel, 15
inconnues
d'un systeme Iineaire, 89 '
principales, 103
independance lineaire, 20
indices, ensemble d' -, 2
indirect(e)
base, 67, 29
repere,29
inegalite
de Cauchy-Schwarz, 57
triangulaire, 58, 74
inertie, loi d' - , 127
injective, application - , 9
intersection de sous-espaces vecto
riels, 17
invariant(s)
element - , 8
points -,34
so us-ensemble - , 8
sous-espace - d'une dilatation, 14,
36
inverse
d'une application, 9
d'une application lineaire, 19
d'une matrice, 119
inversible, matrice -, 119
isometrie,61
a deux dimensions, 62
a trois dimensions, 63
isomorphisrne, 18
de E dans R~, 27, 61
de E dans (C~, 152
Kr-r. Iii
Lagrange, fonnule de -, 18
Legendre, systerne de -, 57
Iibre,20
liee, 20
ligne(s)
d'une matrice, 92
rnatrice- - , 92
operations elementaires sur les -, 96
(
(
(
(
lineaire
application -, 10
combinaison - , 15
dependance - , independance -, 20
forme -,19
systeme -, 89
linearite
(
(
-(
,<
l
matrice(s)
adjointe, 152
a m Iignes et n colonnes, 92
antisymetrique, 135
associee a un systerne lineaire, 93
augmentee, 93
carree,92
conjuguee, 152
de passage, 27
de type I x I, 124
de type m x n, 92
de transition, 131
diagonale, 124
diagonalisable, 83
d'une application lineaire, 21. 22
d'une forme bilineaire, 114
d'une forme quadratique, 115
d'une forme sesquilineaire, 162
echelonnee, 95
elementaire, 126
hermitienne, 153
hennitienne definie, 163
hessienne, 122
inversible, Ill)
<
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(.
(
(
(
(
(
ii
I
I
i
(
(
(
(
(
(
t')
Index
163
Index
162
-ligne, -eolonne, 92
nilpotente, 115
nonnale, /53
nulle,93
orthogonale, 50
reguliere, 119
scalaire, 124
semblables, 30
symetrique, 126
transposee , 118
triangulaire, 125
-unite, 93
unitaire, 154
meilleure approximation, 64
mineur(s), 147
principaux, 120
moindres carres, methode des -, 134
multiplication matricielle, 112
par blocs, 116
multiplication par un scalaire
d'une application, 10
orientation
orienteje)
base -, 67, 29
repere -,29
origine
d'un repere, 37
d'un vectorialise, 32
orthogonal(e)
complernentaire -, 62
famille -, 53
matrice -, 50
projection -, 13
symetrie -, 13
transfonnation -, 49
orthogonalisation, precede d' -, 55
orthogonaux
sous-espaces affines -, 74
sous-espaces vectoriels -, 54
vecteurs -, 48, 53
orthononnal(e)
base, famille, 53
repere, 80
',f;
\~
~
~;,
.~~
. . .:.
. ,; ..
' --: ~~
~ . ~.~;
parabole, 138
paraboloides, 139
parallelisme, 36
parallelogramme, 143
identite du - , 83
regie du -, 32
parallelepipede, 142
parametrique(s)
representation - , 38, 142
equations -, 38, 14j
parametres, 38
passage
determinant de -, 67, 28
matrice de -, 27
permutation cyclique, 68
perpendiculaire, 75
perpendiculaire commune, 76
plan, 36
' ~~f
,{':
";1
affine, 36
vectoriel, 17
point, 31
invariant, 34
pivot, 97
polaire
hyperplan -, 147
representation - , 166
polynome
caracteristique, 79, 80
matriciel, 128
trigonometrique, 65
positif, I
positivement orientee, base -, 67, 29
probleme aux valeurs initiales, 99
precede d'orthogonalisation, 55
produit
de matrices, 112
10, 18
d'une matrice par un scalaire, 112
d'un vecteur par un scalaire, 9, 11
mixte,71
scalaire, 48, 50
scalaire canonique, 52, /51
scalaire defini par une base, 61
scalaire hermitien, 151
vectoriel, 68
projection
affine, 35
affine orthogonale, 36
orthogonale
sur une droite vectorielle, 48, 55
sur un sous-espace affine, 74, 36
sur un sous-espace vectoriel, 62,
13
propre
valeur -, vecteur -, 74, 77
sous-espace -, 74, 77
puissance d'une matrice, 114, 85
Pythagore, theoreme de -, 55 ,78
quadratique, forme -, Jl3, 162
quadrique, 130
a centre, 133
d'affinite, 37
de dilatation, 13, 36
d'hornothetie, 12,35
reduction
la forme echelonnee, 96
ala forme diagonale, 82, 155
a la forme triangulaire, 89, 155
d'une forme bilineaire syrnetrique,
lJ6
d'une forme sesquilineaire hermi
tienne,163
simultanee, 123, /64
regie du parallelogramme, 32
repere
direct, indirect, 29
orthonormal, 80
changement de -, 38
scalaire,9
semblables, matrices -, 30
similitude, 64
somme
d'applications, 10, 18
de matrices, III
de sous-espaces vectoriels, 17
(
164
165
Index
Index
(
(
I
I
de vecteurs, II
directe, 29, 30
sous-espace
affine, 34
complernentaire, 29
propre, 74, 77
stable, 76
vectoriel, 16
soustraction
matricielle, III
vectorielle, 9, II
spectre
d'une matrice, 78
spectrale, decomposition - , 77
stable
so us-ensemble, 8
sous-espace, 76
surjective, application - , 9
symetrie, 13
affine, 35
affine orthogonale, 36
axiale,55
centrale, 12,35
orthogonale, 13
symetrique
matrice -, 126
transformation -, 93
systemets)
de Legendre, 57
differentiel, 98
lineaire, 89
lineaires equivalents, 90
trigonometrique, 53
terme(s)
diagonaux, 92
d'une famille, 2
d'une matrice, 92
d'un vecteur-colonne, 13
theoreme
de Pythagore, 55, 78
de Thales, 46
du cosinus, 59, 78
du sinus, 86
spectral, 77
transformation
158
normale, 159
orthogonale, 49
symetrique, 93
unitaire, 154
translation, 34
transvection, 43
affine, 45
triangulaire
inegalite -, 58
matrice -, 125
trigonalisable
application lineaire - , 89
matrice -, 90
triplet, 2
: :J~
;1
:f-; ~
~l
:~' i
' :~: l
normal, 63, 74
oppose, II
orthogonaux, 48, 53
unitaire, 47,51
vecteur propre
vectoriel(le)
droite -, 17
espace -, 10
hyperplan -, 29
plan -, 17
produit -, 68
sous-espace -, 16
vectorialise, 12, 32
(
(
(
(
(
(
(
(
;,i..
Z.,'/
%:/
.~ ;
~.j
-." !
:;:" 1
'(
,(
, ",' I
.
..': 1
(
(
(
unitaire
matrice -, 154
transformation -, 154
vecteur - , 47, 51
valeur(s) propre(s)
calcul de la - maximale par itera
tion, 111
d'une rnatrice, 77
vecteur(s), 7, 10
-colonne, 13
directeurs, 38
dants. 20
(
(
(
'I
I
(
(
(
(
(
(
(
(
(,
~,
j
--ll
. .,
I
. ,
'\ 1
~I
;~. : l
;',
:: j
(
(
,
" I
(
(
-;
(
(
,.;
(
(
(
(
York,1969.
S. Mac Lane, G. Birkhoff, Algebre, Gauthier-Villars, Paris, 1971.
B. Noble , Applied linear algebra, Prentice-Han, Englewood Cliffs, New Jersey,
1969.
E. Ramis, C. Deschamps, J. Odoux, Cours de mathematiques speciales, Masson ,
Paris , 1977.
E. Snapper, R.J. Troyer, Metric affine geometry, Academic Press, New York,
London, 1971.
E. Sperner, Einfiihrung in die Analytische Geometrie und Algebra, Vandenhoeck &
Ruprecht, Gottingen, 1957.
C. Tisseron, Geometries affine. projective et euclidienne, Hermann, Paris, 1983.
(
(
(
(
1968.
J. Dieudonne, Algebre lineaire et geom etrie elementaire, Hermann, Paris, 1964.
J. Frenkel, Geometrie pour I'eleve-professeur, Hermann, Paris, 1973.
F. R. Gantmacher, The theory of matrices, Chelsea Publishing Company, New
York,1977.
R.J . Goult, Applied linear algebra, Ellis Horwood Ltd ., Chichester, 1978.
W. Greub, Linear algebra, Springer-Verlag, New York , 1981.
P. R. Halmos, Finite-dimensional vector spaces, Van Nostrand, New York , 1958.
K. Hoffman, R. Kunze, Linear algebra, Prentice-Han, Englewood Cliffs, New
Florida, 1985.
S. Lang , Aig ebre lineaire, Inter Edit ions, Paris, 1976.
H. Liebeck, Algebra for scientists & engineers, J. Wiley & Sons, London, New
Jersey, 1961.
M. Jeger, B. Eckmann, Eirifiihrung in die vektorielle Geometrie und lineare Algebra,
Birkh iiuser Verlag, Basel, 1967.
H.-J. Kowalsky, Lineare Algebra, W. de Gruyter, Berlin, 1970.
P. Lancaster, M. Tismenetsky, The theory of matrices, Academic Press, Orlando,
Bibliographie