Académique Documents
Professionnel Documents
Culture Documents
NOMBRES COMPLEXES
CHAPITRE III
NOMBRES COMPLEXES
NOMBRES COMPLEXES
3.1 Définition
On appelle nombre complexe tout couple de nombres réels (a, b)
satisfaisant aux axiomes suivants:
i) (a, b) = (a’, b’) ⇔ a = a’ et b = b’ ( é gal it é) ,
ii) (a, b) + (a’, b’) = (a + a’, b + b’) ( ad d it io n) ,
iii) (a, b) . (a’, b’) = (aa’ – bb’, ab’ + ba’) ( mu l t ip l ica tio n) .
L’ensemble des nombres complexes est noté ℂ.
Donc de ce qui précède, on peut dire que l’ensemble ℂ. des nombres
complexes n’est rien d’autre que l’ensemble IR 2 muni des lois d’égalité,
d’addition et de multiplication ci-dessus.
• (zz ) =
1
2
z1 .
z2
Remarque
Soient z = a + ib ⇒ z = a – ib.
• z + z = 2a soit a = 1 (z + z); (3. 9)
2
• z - z = 2ib soit b = 1 (z - z) . (3. 10)
2i
M
r
θ
O O
Fig. 10 Fig. 11
L’angle polaire θ qui est défini à 2k π près, puisque c’est l’angle d’un
vecteur avec un axe, s’appelle argument de z et se note: Arg z.
On a:
y
Arctg pour x > 0
x
y
π + Arctg x pour x < 0, y ≥ 0
Arg z = −π + Arcg y pour x < 0, y < 0 (3. 13)
x
π pour x = 0, y > 0
2
−π pour x = 0, y < 0
2
Si z = 0 , le module z est nul et l’argument quelconque.
Pour que deux nombres complex es z 1 et z 2 soient égaux, il faut et il suffit
que:
z 1 = z 2 et Arg z 1 = Arg z 2 + 2k π .
Exemple
Trouver l’argument principal et le module du nombre complexe:
z = - sin π − i cos π
8 8
Solution
On a: x = - sin π < 0 ; y = - cos π < 0 . En vertu de (3. 13), on a:
8 8
Arg z = - π + Arctg(ctg ) = - π + Arctg[tg( π − π )] = - π + Arctg(tg 3π )
π
8 2 8 8
= - π + 3π = - − 5π .
8 8
Donc Arg z = −5π , z = sin 2 π + cos 2 π = 1.
8 8 8
Dr. AKPATA Edouard
4
Cours et Exercices résolus d’Algèbre linéaire
z1 + z2
z2
z1
z1 – z2
Fig. 12
z = re i θ , (3. 14)
Z
Z
π Z1 Zo
4
Z2
n = 8
Fig. 13 Fig. 14
Exemple
3
Calculer i.
Solution
iπ
Posons Z 3 = z = i ; Ecrivons Z 3 sous la forme exponentielle: Z 3 = i = e 2 .
En utilisant la formule (3. 23), on obtient:
i(π + 2kπ )
Zk = e 6 3
, k = 0, 1, 2.
D’où:
iπ 3 +i
Z 0 = e 6 = cos π + isin π = ;
6 6 2
i 5π − 3 +i
Z1 = e 6
= cos 5π + isin 5π = ;
6 6 2
i 3π
Z2 = e 2 = cos 3π + isin 3π = -i. (voir Fig. 14).
2 2
CALCULS MATRICIELS
ESPACES VECTORIELS
CHAPITRE IV
4. 1 Définitions – Généralités
On appelle matrice de t ype (m, n) le tableau à m lignes et à n
colonnes :
a11........................a1n
. ........................ .
A = . ........................ . . (4. 1)
. ........................ .
am1........................amn
• On appelle matrice diagonale , une matrice dont tous les éléments sont
a11 .0 .. .. ........0
0 a .. .. ........0
nuls à l’exception de ceux de la diagonale principale .. .. .. .. .. .
22
.. .. .. .. ........0
0 .. ....... ...0. ann
• On appelle matrice unité , une matrice diagonale dont tous les éléments
1 0...........0
0 ..1............
diagonaux sont égaux à l’unité .. .. ............. . (4. 2)
.. .. .. 1 0
0 .. .. ..0.. 1
• On appelle matrice triangulaire supérieure ( resp . inférieure) , toute
matrice carrée d’ordre n dont tous les éléments situés en bas (resp. en haut )
de la diagonale principale sont nuls
Exemples (n = m =3)
1 1 0 2 1 0 1+ 2 1+1 0+ 0 3 2 0
0 1 0 + 1 3 1 = 0+1 1+3 0+1 = 1 4 1
1 0 1 0 1 1 1+ 0 0+1 1+1 1 1 2
Exemple ( λ = 3; i = 3; j = 4)
Exemples
1.
1 0 1
0 1 0 . 0 1 0 = 0.1+1.0+ 0.1 0.0+1.1+ 0.0 0.1+1.0+ 0.1 = 0 1 0
1 0 1 1.1+ 0.0+1.1 2 0 2
1 0 1 1.1+ 0.0+1.1 1.0+ 0.1+1.0
.
(2, 3 ) ( 3 , 3) (2, 3)
2. Soient A = 1 0 , B = 0 0
0 0 1
0
Calculons:
A B = 1
. 0 0 0 0
1 0 = 0 0
0
0 0
B . A = 0 0 1
0 = 0 0
1 0 0 0 1
0
On remarque que A . B ≠ B . A. Autrement dit, la multiplication des matrices
n’est pas commutative.
Remarque
La règle de multiplication est simple à retenir sous la forme suivante:
l’élément c i j de C est égal au produit scalaire du vecteur ligne i de A par le
vecteur colonne j de B.
Exercice
Calculer
le a un lion vautour chat
un a un dévoré dégusté mangé
un avait le chasseur zèbre poisson
iv) Propriétés
Soit quatre matrices A, B, C, D.
• (A + B) C = A C + B C ( d is tr ib u ti v it é d e . p ar r ap p o r t à +) ;
• D (B + C) = B D + C D ( d is tr ib u ti v it é d e . p ar r ap p o r t à +) ;
• A (B C) = (A B) C ( a s so ci at i vi té p a r l a lo i .) ;
• (A + B) + C = A + (B + C) ( a s so c iat i vi té p ar la lo i +) .
Exemple
1 0
Soient A = a11 a12 et I = ;
a21 a 22 0 1
Faisons le produit de ces deux matrices:
1 0
A x I = a11 a12 = a11 a12
a a
21 22 0 1 a a
21 22
1 0 a11 a12
I x A = = a11 a12
0 1 a21 a 22 a21 a 22
D’où A x I = I x A = A
a11 . . . . . . a1n
a . . . . . . a2n
21
A = . . . . . . . . .
. . . . . . . .
am1 . . . . . . amn
On appelle transposée de la matrice A la matrice notée t A définie par:
Exemple
1 5
1 2 3 4
La transposée de la matrice A = est la matrice A = 2 6 .
t
5 6 7 8 37
4 8
Propriétés
t t
1. ( A) = A;
t
2. (A + B) = t A + t B;
3. t
( λ A) = λ t A;
t
4. (AB) = t B t A.
4. 4 Théorème
L’ensemble des matrices carrées d’ordre n muni d’une loi d’addition +
et d’une loi de produit d’une matrice par un scalaire est un espace vectoriel
de dimension n 2 .
Propriétés
1. tr(A) = tr( t A);
2. tr(A + B) = tr(A) + tr(B).
En outre, si A et B sont deux matrices rectangulaires telles que les produits
AB et BA existent simultanément, on a :
3. tr(AB) = tr(BA) .
Exemple
1. Soit A = 1 0 ; ⇒ tr(A) = 1 + 4 = 5
0 4
1 −2
2. Soient A = 1 −1 −2 et B = 2 3 ,
2 0 3 0 −1
1 −2
AB = 1 −1 − 2 2 3 = −1 −3 ⇒ tr(AB) = (-1) + (-7) = -8
2 0 3 0 −1 2 −7
1 −2 −3 −1 −8
BA = 2 3 1 −1 − 2 = 8 − 2 5 ⇒ tr(BA) = (-3) + (-2)+ (-3) = -8.
0 −1 2 0 3 − 2 0 −3
On conclut que tr(AB) = tr(BA).
a 1 = (a 1 1 , a 1 2 , ……………, a 1 n )
.
.
a k = (a k 1 , , a k 2 , ………….., a k n )
.
.
a l = (a l 1 , a l 2 , , aln)
.
.
a m = (a m 1 , a m 2 , , a m n ), les lignes successives de la
matrice A.
1. Transformation de type I
On dira que la matrice A se déduit de la matrice A par la transposition de
deux lignes si
a 1 , ……… a l , ……….., a k , …………, a m sont les lignes successives de la
matrice A .
Exemple
1 0 9 1 0 9
La matrice A = 0 6 1 se déduit de la matrice A= 0 1 0 par la transposition
0 1 0 0 6 1
e e
de la 2 ligne et de la 3 ligne de A , c’est-à-dire a 2 et a 3 de A deviennent
respectivement a 3 et a 2 de A .
2. Transformation de type II
On dira que la matrice A se déduit de la matrice A par la multiplication d’une
ligne par un scalaire β non nul si a 1 , …………., β a k , ……….., a l , ………….., a m
sont les lignes successives de A .
Exemple
1 0 3 1 0 3
La matrice A = 4 8 6 se déduit de la matrice A = 2 4 3 ( x 2) par la
0 1 2 0 1 2
multiplication par 2 de la 2 e ligne de A .
Exemple
1 −12 7 1 0 9
La matrice A = 0 1 0 se déduit de la matrice A = 0 1 0 en additionnant
0 6 1 0 6 1
la 1 è r e ligne de A au produit de la 3 e par (- 2) , c’est-à-dire on a fait:
a 1 + (-2)a 3 de A et le résultat est écrit à la première ligne de A en conservant
les autres lignes.
Dr. AKPATA Edouard
14
Cours et Exercices résolus d’Algèbre linéaire
Première étape
a11 . . . . . . a1n
a . . . . . . a
21 2n
Soit A définie par: A = . . . . . . . . .
. . . . . . . .
am1 . . . . . . amn
Par h ypothèse, la matrice A possède des lignes non nulles. Considérons celle
dont le premier élément non nul appartient à la colonne de plus petit numéro
k 1 ≥ 1 . Si l’on interchange cette ligne avec la première à l’aide de la
transformation du t ype I, la matrice A devient:
0 . 0 a1(k1) . . . a1(n1)
1
0 . 0 a2k1 . . . a2n
0 . 0 . . . . . , où a1(k1) ≠ 0.
1
. . . . . . . .
0 . 0 a . . . amn
mk1
Ajoutons à la ligne i (i = 2, ………., m) de la matrice précédente le produit de
la 1 è r e ligne par
− aik
1
.Cette transformation nous donne une matrice dont les éléments de la
a1(k1)
1
0 . 0 a1(k1) . . . a1(n1)
1
(1)
0 . 0 0 . . . a2n
0 . 0 . . . . .
. . . . . . . .
0 . 0 0 . . . amn (1)
ère
La 1 colonne n’est plus affectée par les transformations antérieures.
Deux cas peuvent se présenter :
• Les lignes de la dernière matrice sont toutes nulles, à l’exception de
la première. Alors la procédure est terminée.
• La dernière matrice possède des lignes non nulles autres que la
première.
Deuxième étape
Choisissons parmi ces lignes celle dont le premier élément non nul
appartient à la colonne de plus petit numéro, par ex emple k 2 (k 1 < k 2 ). En
interchangeant cette ligne avec la deuxième ligne, on obtient :
0 . 0 a1(k1) . . . a1(n1)
1
0 . 0 0 ........... 0 a2(2k) ........ a2(2n)
, où
2
0 . 0 . ........... . . .
. . . . ............ . . .
0 . 0 0 ............ 0 amk ........ amn
(1) (1)
2
a2k ≠ 0 .
(2)
2
où k 1 < …… < k r et 1 2
4. 7 Théorème
Toute matrice peut être réduite à une matrice en escalier par un nombre
fini de transformations élémentaires (de types I et III) sur les lignes.
Exemples
1. Réduire la matrice suivante à une matrice en escalier:
0 0 0 0 0 1
0 −2 3 −4 5
A = 0
0 0 0 0 0 0
0 1 1 1 1 0
1 è r e étape
Interchangeons la 1 è r e et la 4 e ligne de A :
0 1 1 1 1 0
0 −2 3 −4 5
A ⇒ A1 = 0
0 0 0 0 0 0
0 0 0 0 0 1
2 e étape
Interchangeons la 3 e et la 4 e ligne de A 1 :
0 1 1 1 1 0
5.
A 1 ⇒ A 2 = 0 0 −2 3 −4
0 0 0 0 0 1
0 0 0 0 0 0
Ainsi on obtient la matrice en escalier A 2 .
3 −1 3 2 5
2. Réduire la matrice A = 5 −3 2 3 4 en escalier.
1 −3 −5 0 − 7
7 −5 1 4 1
1ère étape
Interchangeons la 1 è r e et la 3 e ligne de A :
1 −3 −5 0 −7
5 −3 2 3 4
A ⇒ A1=
3 −1 3 2 5
7 −5 1 4 1
2 e étape
Soustrayons de la 2 e , la 3 e et la 4 e ligne le produit respectif de la 1 è r e
par 5, 3, 7:
1 −3 −5 0 −7
0 12 27 3 39 ,
A1 ⇒ A2 =
0 8 18 2 26
0 16 36 4 50
3 e étape
Multiplions la 2 e par 1/3, la 3 e par 1/2, la 4 e par 1/2:
1 −3 −5 0 −7
0 4 9 1 13 ,
A2 ⇒ A3 =
0 4 9 1 13
0 8 18 2 25
4 e étape
Soustrayons de la 3 e et la 4 e ligne respectivement le produit de la 2 e par
1 et 2:
1 −3 −5 0 −7
0 4 9 1 13 ,
A3 ⇒ A4 =
0 0 0 0 0
0 0 0 0 −1
5 e étape
Interchangeons la 3 e et la 4 e ligne:
1 −3 −5 0 −7
1 13
A4 ⇒ A5 = 0 4 9
0 0 0 0 −1
0 0 0 0 0
On obtient la matrice en escalier A5.
Dr. AKPATA Edouard
17
Cours et Exercices résolus d’Algèbre linéaire
DETERMINANTS
4. 8 Définitions – Généralités
i) Déterminant d’ordre 1
Soit une matrice A = (a i j ) . On appelle déterminant d’ordre 1 de A, le nombre
noté aij = aij .
Attention! Ce n’est pas la valeur absolue de a i j !!!
Exemple
1 −12 7
Soit la matrice A = 0 1 0 ; par exemple −12 = -12 .
0 6 1
Exemple
Calculer le déterminant ∆ = −1 3
2 4
Solution
∆ = −1 3 = (-1) . 4 – 2 . 3 = -4 – 6 = -10 .
2 4
a a
11 12 13 a
∆ = a21 a22 a23 = a 1 1 a22 a23 - a 2 1 a12 a13 + a 3 1 a12 a13
a31 a32 a33 a32 a33 a32 a33 a22 a23
= a 1 1 (a 2 2 a 3 3 – a 3 2 a 2 3 ) – a 2 1 (a 3 3 a 1 2 – a 3 2 a 1 3 ) + a 3 1 (a 2 3 a 1 2 – a 2 2 a 1 3 )
= a11a22a33 – a11a32a23 – a21a33a12 + a21a32a13 + a31a23a12 – a31a22a13
= a11a22a33 + a21a32a13 + a31a23a12 – a11a32a23 – a21a33a12 – a31a22a13.
(4. 12)
Règle de calcul:
On peut se rappeler l’expression de ∆ en remarquant que les produits des
éléments précédés du signe + (resp. du signe – ) sont constitués par les
éléments de la diagonale principale (resp. non principale) et par les sommets
des deux triangles ayant un côté parallèle à cette diagonale principale (resp.
non principale). Ce procédé de calcul s’appelle règle de Sarrus ( 1 ) .
P ro d ui ts d e s é lém en ts P ro d ui t s d e s é l ém ent s
p ré céd é s d u sig ne ( +) p r écéd és d u s ig n e ( – )
Exemple
1 0 −1
Calculer le déterminant suivant: ∆ = 2 4 3 .
3 −1 6
Solution
Appliquons la règle de SARRUS:
∆ = 1.4.6 + 0.3.3 + 2.(-1).(-1) – (-1).4.3 –(-1).3.1 – 2.0.6 = 24 + 2 + 12 + 3
= 29 + 12 = 41.
Remarques
Il est à noter que la règle de SARRUS s’applique seulement aux
déterminants d’ordre 3 .
a11............... . ......a1n
. ...... . ... . ... . ... .
A = . ........................ . . et on notera dét(A) le nombre:
. ........................ .
an1............ . ... . ...ann
Notation :
a11 . . . . . . a1n
. . . . . . . .
. . . . . . . .
dét(A) = . . . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
an1 . . . . . . ann
La formule (4. 13) s’appelle développement du déterminant suivant la
première colonne .
La formule (4. 13) peut s’écrire sous la forme condensée:
n
dét(A) = ∑(−1)
i =1
i +1 ai1 M i1
n
dét(A) = ∑(−1)
i =1
i+ j
aij M ij , j =1,………, n . (4. 14)
La formule (4. 14) est le développement du déterminant A suivant la colonne
j.
En changeant le rôle des lignes et des colonnes, on établit par les mêmes
raisonnements que:
n
dét(A) = ∑(−1)
j =1
i+ j
aij M ij , i =1,………, n . (4. 15)
Exemple
Calculer le déterminant de la matrice triangulaire suivante:
a11 a12 ... .......a1n
0 a22 ... ......a2n
A = ... 0.. .... ..... ..
.... ..... 0 ..... ....
0 ........... ..0 ann
Solution
a11 . . . . . . a1n
0 a22 . . . . . a2n
. 0 . . . . . . a22 a23..............a2n
0 a33 ..... ....... a3n
dét(A) = . . 0 . . . . . = a
11 .... ................... ....
. . . 0. . . . . ................. ...... ....
. . . . 0. . . . 0 .................0.ann
. . . . . 0 . .
0 . . . . . 0 ann
a33 ..... ..............a2n
0 a44 ..... .......a3n
= a 1 1 a 2 2 .... ................... .... = ……….=
................. ...... ....
0 .................0.ann
= a 1 1 a 2 2 a 3 3 …………a n n .
Donc le déterminant de la matrice triangulaire est égal au produit des
éléments diagonaux .
• Mineur
Le déterminant de la matrice d’ordre (n-1) déduite de la matrice par
suppression de la ligne i et la de colonne j s’appelle mineur de l’élément a i j
et se note M i j .
Donc, par exemple M i 1 est le mineur de l’élément a i 1 .
Exemple
1 0 3
Soit A = 2 4 3
0 5 2
On a: M 1 1 = 4 3 est le mineur de l’élément 1 (1 è r e ligne, 1 è r e colonne) ,
5 2
1 3
M32 = est le mineur de l’élément 5 (3 e ligne, 2 e colonne) ,
2 3
.
.
.
• Cofacteur
On appelle cofacteur d’un élément d’un déterminant, le mineur de cet élément
multiplié (-1) i + j et se note A i j .
Remarque
Le cofacteur A i j de l’élément a i j dépend seulement de la position (i, j)
de a i j et pas de sa valeur : si l’on remplace a i j par un autre élément b i j , le
cofacteur A i j ne change pas de valeur.
n
dét(A) = ∑a
i =1
ij Aij , j =1,………, n . (4. 16)
En d’autres termes, le déterminant d’une matrice est égal à la somme des
produits des éléments d’une colonne quelconque par leurs cofacteurs
respectifs.
De même, si
n
dét(A) = ∑a
j =1
ij Aij , i =1,………, n (4. 17)
on dira que le déterminant d’une matrice carrée est égal à la somme des
produits des éléments d’une ligne quelconque par leurs cofacteurs respectifs.
dét( t A) = dét(A) ,
c’est-à-dire
a11 a12 a13 a11 a21 a31
a21 a22 a23 = a12 a22 a32
a31 a32 a33 a13 a23 a33
3. Si l’on multiplie tous les éléments d’une ligne ou d’une colonne par un
nombre λ , le déterminant est multiplié par ce nombre λ , c’est-à-dire
Exemple
8 4 7 4 4 7
6 3 9 = 2 3 3 9 = 0 ( 1 è r e et 2 e colonnes sont proportionnelles )
4 2 11 2 2 11
a11 + a11' a12 a13 a11 a12 a13 a11' a12 a13
a21 + a21
' a22 a23 = a21 a22 a23 + a21
' a22 a23 .
a31 + a31
' a32 a33 a31 a32 a33 a31
' a32 a33
a11 + λa12 a12 a13 a11 a12 a13 λa12 a12 a13 a11 a12 a13
a21 + λa22 a22 a23 = a21 a22 a23 + λa22 a22 a23 = a21 a22 a23
a31 + λ a32 a32 a33 a31 a32 a33 λa32 a32 a33 a31 a32 a33
Exemple
8 7 2 10 8 7 2 10 9 9 20 20 9 9
−8 2 7 10 = 1 0 9 9 20 = 1 8 −1 −6 0 = -4(-1) 0 −6 −1 =
4 4 4 5 −2 0 −1 −6 0 −2 4 −3 2 2 −3 4
0 4 −3 2 0 4 −3 2
10 9 9 10 9 9
= 4.2 0 −6 −1 = 4.2. 1 0 −6 −1 = 8. 1 .10 −6 −1 = 8[(-6).31 – 39] =
1 −3 4 10 0 −39 31 10 −39 31
= 8(-186 - 39) = -1 800 .
Exemple
1 1 1 1 1 1 1 1
1 −1 2 2 = 0 − 2 1 1 = 1.(-2).(-2).(-2) = -8
1 1 −1 3 0 0 −2 2
1 1 1 −1 0 0 0 −2
5. Méthode du pivot
Soit un déterminant ∆ n = det(a i j ) d’ordre n défini par:
Alors,
biq 1 1 biq
ou
ou
ou
biq 1 1 biq
c) d)
Fig. 15
Ces schémas illustrent les différentes formes qu’on peut rencontrer lors des
calculs; cela dépend de la position de chaque élément par rapport au pivot qui
a sa position fixe.
Exemple
8 7 2 10
−
Calculer le déterminant suivant: ∆4 = 8 2 7 10
4 4 4 5
0 4 −3 2
Dr. AKPATA Edouard
25
Cours et Exercices résolus d’Algèbre linéaire
Solution
Nous remarquons qu’aucun élément n’est égal à 1 . Donc il va falloir
faire apparaître un élément qui sera égal à 1 . Pour cela, mettons 4, de la
première colonne en facteur:
8 7 2 10 2 7 2 10
− 2 7 10 −
∆ 4 = 4 4 4 5 = 4 12 42 47 10
8 = (en prenant l’élément a 3 1 =1 comme
5
0 4 −3 2 0 4 −3 2
pivot et en supprimant la ligne et la colonne de cet élément, on a:) =
− 45 20
∆ 3 = -4 (-1) 1 + 1 = -4 (-90 + 27.20) = -1800 .
− 27 2
Remarque
MATRICES INVERSES
4. 11 Définitions
• Une matrice dont le déterminant n’est pas nul s’appelle matrice
régulière .
• Une matrice carrée est inversible si elle admet un élément
s ymétrique pour la multiplication; en d’autres termes, une matrice carrée
A d’ordre n est inversible s’il existe une matrice carrée B telle que:
AB = BA = I où I est la matrice unité.
1. Méthode de Jordan ( 1 )
Il existe une méthode simple et efficace de calcul de la matrice inverse par
des transformations élémentaires.
(1)
J o r d a n M a r i e E n n e mo n d C a m i l l e ( 0 5 . 0 1 . 1 8 3 8 – 2 1 . 0 1 . 1 9 2 2 ) , M a t h é m a t i c i e n f r a n ç a i s .
• Théorème
Toute matrice régulière peut être réduite à une matrice unité par des
transformations élémentaires.
• Théorème
Pour toute matrice régulière, il existe des matrices élémentaires Q 1 , ……., Q k
telles que:
Qk …………………………Q1A = I (4. 21)
Exemple
1 1 1 1
1 1 −1 −1 .
Trouver l’inverse de la matrice A définie par: A =
1 −1 1 −1
1 −1 −1 1
Solution
1 1 1 1 1 0 0 0
1 1 −1 −1 0 1 0 0
B =
1 −1 1 −1 0 0 1 0
1 −1 −1 1 0 0 0 1
1 1 1 1 1 0 0 0
0 0 −2 −2 −1 1 0 0
B ⇒ B1 = ;
0 −2 0 −2 −1 0 1 0
0 −2 −2 0 −1 0 0 1
1 1 1 1 1 0 0 0
0 −2 0 −2 −1 0 1 0
B1 ⇒ B2 = ;
0 0 −2 −2 −1 1 0 0
0 −2 −2 0 −1 0 0 1
1 1 1 1 1 0 0 0
0 −2 0 −2 −1 0 1 0
B2 ⇒ B3 = ;
0 0 −2 −2 −1 1 0 0
0 0 −2 2 0 0 −1 1
1 1 1 1 1 0
0 0
0 1 0 1 1/ 2 0 − 1/ 2 0
B3 ⇒ B4 =
0 0 1 1 1/ 2 − 1/ 2 0 0
0 0 0 1 1 / 4 − 1 / 4 − 1 / 4 1 / 4
Dr. AKPATA Edouard
28
Cours et Exercices résolus d’Algèbre linéaire
1 1 1 0 3/ 4 1/ 4 − 1/ 4
1/ 4
0 1 0 0 1/ 4 1/ 4 − 1/ 4 − 1/ 4
B4 ⇒ B5 = ;
0 0 1 0 1/ 4 − 1/ 4 1/ 4 − 1/ 4
0 0 0 1 1/ 4 1 / 4 − 1 / 4 1 / 4
1 1 0 0 1/ 2 1/ 2 0 0
0 1 0 0 1/ 4 1/ 4 − 1/ 4 − 1/ 4
B5 ⇒ B6 = ;
0 0 1 0 1/ 4 − 1/ 4 1/ 4 − 1/ 4
0 0 0 1 1 / 4 1 / 4 − 1 / 4 − 1 / 4
1 0 0 0 1/ 4 1/ 4 1/ 4
1/ 4
0 1 0 0 1/ 4 1/ 4 − 1/ 4 − 1/ 4
B6 ⇒ B7 = ;
0 0 1 0 1/ 4 − 1/ 4 1/ 4 − 1/ 4
0 0 0 1 1 / 4 − 1 / 4 − 1 / 4 1 / 4
d’où
1 / 4 1 / 4 1/ 4 1/ 4
1 / 4 1 / 4 − 1 / 4 − 1 / 4
A-1 = .
1/ 4 − 1/ 4 1/ 4 − 1/ 4
1 / 4 − 1 / 4 − 1 / 4 1 / 4
A11 A
........ ........... ......... n1
det(A) det(A)
........ ........... ......... .......... ........
⇒ A-1 = 1 B = ........ ........... ......... .......... .........
(4. 22)
det(A)
......... .......... .......... ......... .........
A1n A nn
det(A) ......... ........... ........ det(A)
Définition
Soit une matrice carrée A donnée. La matrice B est appelée co-matrice
de la matrice A si on a: AB = BA = det(A)I
Exemple
2 −1 3
Déterminer l’inverse de la matrice A définie par: A = −1 3 1
3 1 5
Solution
2 −1 3
det(A) = −1 3 1 = -10
3 15
−1 1 1 3
A 1 2 = (-1) 1 + 2 3 5 = 8; A 2 2 = (-1) 2 + 2 3 5 = -4; A 3 2 = (-1) 3 + 2 2 3 = -5;
−1 1
14 8 −10
La co-matrice B = 8 − 4 −5 .
−10 −5 5
Cas particulier
Inverse de la matrice carrée d’ordre deux
Soit une matrice A définie par:
A = a11 a12 ;
a21 a22
1 a22 −a12
A-1 = −a . (4. 23)
| A| 21 a11
Exemple
1 −1 0
Déterminer le rang de la matrice A suivante: A = 2 0 1
1 1 1
Solution
1 −1 0
A = 2 0 1
1 1 1
Nous remarquons que tous les mineurs d’ordre 1 ne sont pas tous nuls,
par exemple le 1 e r élément n’est pas nul et est égal à 1.
- Le mineur d’ordre 2 noté M 2 = 1 −1 = 2 ≠ 0.
2 0
1 −1 0
- Le mineur d’ordre 3 noté M 3 = det(A) = 2 0 1 = - 1 −1 + 1 −1
1 11 1 1 2 0
Donc le rang de la matrice est l’ordre maximal du mineur non nul, c’est-à-
dire l’ordre de M 2 , c’est-à-dire 2; rg(A) = 2.
Mais on peut rencontrer les cas où le mineur d’ordre deux situé en haut à
gauche de la matrice est nul, cela ne veut pas dire qu’il faut conclure
immédiatement que le rang de la matrice est égal à 1; il faudra plutôt chercher
un autre mineur d’ordre deux contenu dans la matrice. Si on se rend compte
que tous les mineurs d’ordre deux sont tous nuls, alors on peut conclure que
le rang de la matrice est égal à 1.
Exemple
2 −4 3 1 0
Soit A = 1 − 2 1 − 4 2 ; déterminer le rang de la matrice A.
0 1 −1 3 1
4 −7 4 − 4 5
Solution
2 −4 3 1 0
A = 1 −2 1 −4 2
0 1 −1 3 1
4 −7 4 − 4 5
2 −4 3
M 3 = 1 −2 1 = 1 ≠ 0
0 1 −1
(Si M 3 = 0, on allait calculer le deuxième mineur d’ordre 3 englobant M 2
pour voir s’il s’annule ou pas).
Le pas qui suit est de calculer le mineur d’ordre 4 englobant M 3 .
2 −4 3 1 2 −4 3 0
M4 = 1 − 2 1 − 4 = 0 (à vérifier!) ou M 4 ’ = 1 −2 1 2 = 0 (à vérifier!)
0 1 −1 3 0 1 −1 1
4 −7 4 − 4 4 −7 4 5
Donc le rang de la matrice A, rg(A) = 3.
Proposition 1
Les transformations élémentaires n’augmentent pas le rang d’une
matrice.
Proposition 2
Les transformations élémentaires ne changent pas le rang d’une
matrice.
Remarque
Le nombre de lignes non nulles d’une matrice en escalier est égal à son rang.
Exemple
0 2 −4
−1 − 4 5
Déterminer le rang de la matrice A suivante: A = 3 1 7 .
0 5 −10
2 3 0
Solution
Par des transformations élémentaires, on obtient:
0 2 −4 1 4 −5 1 4 −5
−1 − 4 5 2 3 0 0 −5 10
3 1 7 ⇒ 3 1 7 ⇒ 0 −11 22
0 5 −10 0 5 −10 0 5 −10
2 3 0 0 2 −4 0 2 −4
1 4 −5 1 4 −5
0 1 −2 0 1 −2
⇒ 0 1 −2 ⇒ 0 0 0 .
0 1 −2 0 0 0
0 1 −2 0 0 0
Nous remarquons qu’il reste deux lignes non nulles, par conséquent le rang l a
matrice A est 2.
Remarque
Pour déterminer le rang d’une matrice, il est conseillé de passer par les
transformations élémentaires sur sur cette matrice si son ordre est supérieur à
trois.
i) Règle de Cramer ( 1 )
Soit un s ystème de trois équations du 1 e r degré à 3 inconnues x, y, z:
1 e r cas: ∆ ≠ 0 .
Si le déterminant du s ystème ∆ ≠ 0 , le s ystème admet une solution
unique:
(1)
Cramer Gabriel (31.7.1704 – 4.1.1752), Mathématicien suisse
∆y
x = ∆x ; y = ; z = ∆z (4. 25)
∆ ∆ ∆
Les formules (4. 25) s’appellent formules de Cramer .
Si S est l’ensemble des solutions:
∆
S = ∆ x ; y ; ∆ z .
∆ ∆ ∆
Exemple
Trouver les solutions du s ystème suivant :
x + 2y + z = 4
3x − 5 y + 3z = 1
2x + 7 y − z = 8
Solution
Calculons le déterminant ∆ du s ystème:
1 2 1
∆ = 3 −5 3 = 33 ≠ 0 ⇒ le s ystème admet une solution unique
2 7 −1
définie par:
4 2 1 1 4 1 1 2 4
1 −5 3 3 1 3 3 −5 1
8 7 −1 ∆ 2 8 −1 2 7 8
x = ∆x = = 33 =1; y = y = = 33 =1; z = ∆ z = = 33 =1.
∆ ∆ 33 ∆ ∆ 33 ∆ ∆ 33
2 e cas: ∆ = 0 .
Supposons que l’un au moins des déterminants ∆ x , , ∆ y , ∆ z est non nul.
Prenons par exemple: ∆ x ≠ 0 . Alors de la formule: x = ∆ x ⇔ ∆ .x = ∆ x ⇔
∆
0.x= ∆ x , ce qui est impossible (car ∆ x ≠ 0 ); donc le s ystème n’admet pas de
solution.
Conclusion
Le s ystème d’équations linéaires non homogènes n’admet pas de
solution si ∆ = 0 et l’un au moins des déterminants ∆ x , ∆ y et ∆ z est différent
de zéro .
Etudions le cas où ∆ = 0 et ∆ x = ∆ y = ∆ z = 0 .
Dans ce cas précis, le s ystème, soit, possède une infinité de solutions,
soit, n’en possède pas du tout.
Exemple
Résoudre les s ystèmes d’équations linéaires suivants:
x+ y+ z=1 x+ y+ z=1
2x + y + z = 2 et 2x + 2 y + 2z = 3
3x + 2 y + 2z = 3 3x + 3 y + 3z = 4
Solution
1.
x + y + z = 1 (1)
2x + y + z = 2 (2)
3x + 2 y + 2z = 3 (3)
Calculons les déterminants:
1 1 1 1 1 1 1 1 1 1 1 1
∆ = 2 2 1 = 0; ∆ x = 2 1 1 = 0; ∆ y = 2 2 1 = 0; ∆ z = 2 1 2 = 0.
3 3 2 3 2 2 3 3 2 3 2 3
En faisant (2) – (1) on trouve: x = 1; en mettant cette valeur de x dans (3) on
a: y + z = 0 , c’est-à-dire: y = - z . En posant z = t (t ∈ IR) , on trouve: x = 1;
y = -t; z = t
Si S est l’ensemble de définition, S = { (1; -t; t), t ∈ IR } .
2.
x + y + z = 1 (1')
2x + 2 y + 2z = 3 (2')
3x + 3 y + 3z = 4 (3')
A X = b, (4. 27)
où A est une matrice donnée; b , une matrice colonne donnée; X , une matrice
colonne inconnue .
Une solution de l’équation (4. 27) est une matrice colonne X qui
transforme l’équation (4. 27) en identité .
Supposons que le déterminant ∆ de la matrice A est non nul. Alors le
s ystème (4.26), c’est-à-dire le s ystème (4. 27) possèdent une solution unique
donnée par la formule de Cramer. On se propose de représenter la solution d e
l’équation (4. 26) sous une forme matricielle.
Si A - 1 est la matrice inverse de A , alors, par la formule (4. 22),
Remarque
i) Si le déterminant ∆ = 0 , alors la matrice inverse A - 1 n’existe pas;
il va falloir utiliser la méthode de Cramer.
ii) La théorie des matrices et déterminants d’ordre n se construit par
analogie à celle des matrices et déterminants d’ordre 3 .
Exemple
Résoudre le s ystème d’équations :
x + 2y + z = 1
2x + y + z = −1
x + 3 y + z = 2
Solution
1 2 1 1
On a: A = 2 1 1 , b = − 1 .
1 3 1 2
−2 1 1
A = −1 0
-1
1 (à vérifier!).
5 −1 −3
Donc on a:
x −2 1 1
1 −1
y = −1 0 1 −1 = 1 .
z 2 0
5 −1 −3
D’où x = -1; y = 1; z = 0.
Si S est l’ensemble de solutions:
S = {(-1; 1; 0)}
4. 17 Théorème
Le s ystème (4. 25) est compatible si et seulement si: rg(A) = rg( A ).
Exemple 1
2x1 + x2 − x3 −3x4 =2
4x1 + x3 −7x4 =3
Trouver la solution générale du s ystème suivant: (I)
2x2 −3x3 + x4 =1
2x1 +3x2 −4x3 −2x4 =3
Solution
Ecrivons la matrice A et A :
2 1 −1 −3 2 1 −1 −3 2
−7 ; −7 3 .
A = 4 0 1 = 4 0 1
0 2 −3 1 A
0 2 −3 1 1
2 3 −4 −2 2 3 −4 −2 3
2x1 + x2 − x3 − 3x4 = 2
(x 1 et x 2 sont les in connues p rincip ale s; x 3 e t x 4 , les
4x1 + x3 − 7x4 = 3
inconnue s non princ ipa les) ;
2x1 + x2 = 2 + x3 + 3x4
;
4x1 = 3 − x3 + 7x4
Posons : x 3 = c 1 ; x 4 = c 2 , on obtient:
3 − c1 + 7c2
2x1 + x2 = 2 + c1 + 3c2 x1 = 4
⇒ ;
4x1 = 3 − c1 + 7c2 3c1 − c2 +1
x2 = 2
d’où la solution générale X:
3 − 1c + 7c
4 4 1 4 2
1 3 1
X 2 + 2 c1 − 2 c2 , c 1 , c 2 ∈ IR
c1
c
2
Exemple 2
Discuter le s ystème d’équations suivant:
Solution
Déterminons les rangs de la matrice A du s ystème et de la matrice élargie A
1 3 5 7 9 1
A ∼ 1 −2 3 −4 5 2
2 11 12 25 22 4
1 3 5 7 9 1
A ∼ 3 9 15 21 27 6 ;
2 11 12 25 22 4
1 3 5 7 9 1
A ∼ 1 3 5 7 9 2 ;
2 11 12 25 22 4
1 3 5 7 9 1
A ∼ 0 0 0 0 0 1 ;
2 11 12 25 22 4
1 3 5 7 9 1
A ∼ 2 11 12 25 22 4
0 0 0 0 0 1
La matrice A est équivalente à la suivante:
1 3 5 7 9
1 3 5 7 9
A ∼ 0 0 0 0 0 ∼
;
2 11 12 25 22
2 11 12 25 22
Il aisé de voir que rg(A) = 2 et rg( A ) = 3, c’est-à-dire rg(A) < rg( A ), ce qui
a11..................a1n b1
. .................. ... .
A = ar1..................arn br .
. .................. ... .
am1..................amn bm
La matrice A peut être réduite, par des transformations élémentaires, à la
matrice en escalier A ' :
(1)
Ga u s s C a r l F r i e d r i c h ( 3 0 . 4 . 1 7 7 7 – 2 3 . 2 . 1 8 5 5 ) , M a t h é m a t i c i e n a l l e m a n d
1 e r cas: br(r++11) ≠ 0 .
On remarque que la (r+1) è m e équation est de la forme:
0.x 1 + ……………..+ 0.x n = br(r++11) ≠ 0 ; on voit que cette équation n’admet pas
de solution, par conséquent le s ystème (4 29) n’admet pas de solution.
2 e cas: br(r++11) = 0 .
a2(2k) x2 + ......... ......... ..... + a2(2k)n xn = b2(2)
2
Le s ystème devient: .......... ........................... ........ .. ...
............................................... .. ...
.......... ........ ................... ........... ...
ar(rk) r xr +..... ....... + ar(rk) n xn = br(r)
Exemple
Résoudre le s ystème d’équations suivant:
x1 + x2 − x3 + x4 = 4
2x1 − x2 + 3x3 − 2x4 = 1
x1 − x3 + 2x4 = 6
3x1 − x2 + x3 − x4 = 0
Solution
Formons la matrice élargie associée au s ystème:
1 1 −1 1 4
2 −1 3 −2 1
A =
1 0 −1 2 6
3 −1 1 −1 0
Réduisons cette matrice en une matrice en escalier:
1 1 −1 1 4
0 3 −5 4 7
A ⇒ A1 =
0 1 0 −1 −2
0 4 −4 4 12
2 e étape: Divisons la 4 e ligne par 4 et soustrayons de la 3 e ligne les deux
dernières lignes multipliées par 3:
1 1 −1 1 4
0 3 −5 4 7
A1 ⇒ A2 =
0 0 −5 7 13
0 0 −2 1 −2
1 1 −1 1 4
0 3 −5 4 7
A2 ⇒ A3 =
0 0 −5 7 13
0 0 0 9 36
1 1 −1 1 4
0 3 −5 4 7
A3 ⇒ A4 =
0 0 −5 7 13
0 0 0 1 4
x1 + x2 − x3 + x4 =4
3x2 − 5x3 + 4x4 =7
− 5x3 + 7x4 =13
x4 =4
x1 + 2 – 3 + 4 = 4 ⇒ x1 = 1
Si S est l’ensemble de solutions:
S = {(1; 2; 3; 4)}.
1 e r cas: ∆ ≠ 0
Si le déterminant du s ystème (4. 32) est différent de zéro, il admet la solution
triviale (0, ……………, 0) .
2 e cas: ∆ = 0
Si le déterminant du s ystème (4. 32) est nul, il admet une infinité de solutions
qui se cherchent par les mêmes méthodes utilisées dans le cas du s ystème
linéaire non homogène.
Le s ystème (4. 32) admet de solution non triviale si et seulement si le
rang de la matrice A, rg(A) = r < n (où n est le nombre d’inconnues).
Exemple
Résoudre le s ystème d’équations suivant:
Solution
3 1−8 2 1
2−2−2−7 2
A =
1 11 −12 34 − 5
1 − 5 2 −16 3
En posant x 3 = c 1 , x 4 = c 2 , x 5 = c 3 , on obtient:
x 1 = −19 c1 − 3 c2 + 1 c3 , x 2 = −7 c1 + 25 c2 − 1 c3 .
8 8 2 8 8 2
CHAPITRE V
5. 1 Définition
On appelle espace vectoriel sur un corps K un ensemble E muni de
deux lois de composition:
• D’une loi interne , application de E x E dans E , appelée addition qui
fait de E un groupe abélien , c’est-à-dire qui satisfait aux axiomes
suivants:
1. ∀ u, v ∈ E, u + v = v + u ( co m mu t at i vi té) ,
2. ∀ u, v, w ∈ E, (u + v) + w = u + (v + w) ( as so c ia ti v ité ),
3. ∃! e = 0 ∈ E, ∀ u ∈ E, u + 0 = u ( élé me n t n e utr e) ,
4. ∀ u ∈ E, ∃ u’ = - u ∈ E, (opposé de u), u + (-u) = 0 (élément
s ymétrique).
• D’une loi externe , application de K x E dans E , appelée multiplication ,
satisfaisant aux axiomes suivants:
5. ∀ u, v ∈ E, ∀ α ∈ K, α (u + v) = α u + α v ( d is tr ib u ti v it é) ,
6. ∀ u ∈ E, ∀ α , β ∈ K, ( α + β ) u = α u + β u ( d is tr ib u ti v it é) ,
7. ∀ u ∈ E, ∀ α , β ∈ K, α ( β u) = ( αβ ) u ( as so c ia ti v ité) ,
8. ∀ u ∈ E, 1.u = u où 1 est l’élément neutre de K .
Exemple:
L’ensemble des matrices IR m x n de genre (m x n) muni de l’addition des
matrices et de la multiplication des matrices par un scalaire est un espace
vectoriel.
5. 2 Propriétés
SOUS-ESPACES VECTORIELS
5. 3 Définition:
Un sous-ensemble S non vide d’un espace vectoriel E est un sous-
espace vectoriel de E si quels que soient u et v de S et pour tout α de
K , on a:
1. u + v ∈ S,
2. α u ∈ S . (5. 1)
Cette définition est équivalente à la suivante:
∀ u, v ∈ S, ∀α , β ∈ K, α u + β v ∈ S. (5. 2)
Exemple :
L’ensemble E 2 des vecteurs du plan est un sous-espace vectoriel de E 3 .
5. 3 Propriétés:
1. Si u 1 , … … … … , u k sont des éléments du sous espace vectoriel S , toute
combinaison linéaire α u 1 + ……….+ α k u k est un élément de S .
i) Définition
Soient S 1 et S 2 des sous-espaces d’un espace vectoriel E . On
appelle somme S 1 + S 2 , des sous-espaces S 1 et S 2 l’ensemble des
vecteurs u de E de la forme u = u 1 + u 2 , où u 1 ∈ S 1 et u 2 ∈ S 2 .
Ainsi S1 + S2 = {u ∈ E / u = u1 + u2 , u1 ∈ S1 , u2 ∈ S2 }
ii) Proposition
La somme S 1 + S 2 est un sous-espace vectoriel de E .
iii) Définition
La somme des sous-espaces vectoriels S 1 et S 2 est directe et on la note
S 1 ⊕ S 2 , si la décomposition u = u 1 + u 2 est unique .
5. 5 Propriétés
5. 6 Enveloppe linéaire
On appelle enveloppe linéaire L(X ) d’un sous ensemble X d’un espace
vectoriel V , l’ensemble de toutes les combinaisons linéaires de X :
k
L(X) = y = ∑α x j j / x j ∈ X , α j ∈ IR, k = 1, 2, ........ (5. 3)
j =1
Propriétés
Exemple
Soient les vecteurs u(1, 1, 0) et v(1, 0, 1) de IR 3 .
Déterminer l’enveloppe linéaire L(u, v) des vecteurs u et v.
Solution
1 è r e méthode
Déterminer l’enveloppe linéaire L(u, v) des vecteurs revient à déterminer
l’ensemble des vecteurs w(x, y, z) tels que w = α u + β v; autrement dit trouver
l’équation que vérifient les composantes x, y, z de w quelles que soient les
valeurs de α et β .
x 1 1
L’écriture w = α u + β v peut s’écrire sous cette forme: x = α 1 + β 0 ; ainsi
z 0 1
x = α + β
on obtient le s ystème suivant: y = α ; nous remarquons que
z = β
x - y - z = 0 ∀ α , β ∈ IR.
Donc l’ensemble des solutions de l’équation x-y- z = 0 est l’enveloppe
linéaire L(u, v) des vecteurs u et v.
2 e m e méthode
Ecrire que w = α u + β v, cela veut dire que les trois vecteurs sont liés,
autrement dit det(w, u, v) = 0. En effet:
x 11
det(w, u, v) = y 1 0 = 0 ⇔ − y 1 1 + x 1 = 0 ⇔ − y + x − z 0
z 01 01 z1
Donc l’ensemble des solutions de l’équation x-y-z = 0 est l’enveloppe linéaire
L(u, v) des vecteurs u et v.
5.7 Définition
On dit que le s ystème (u 1 ,………u k ) d’un espace vectoriel E est
générateur si:
∀ u ∈ E ∃ (α1 , α 2 , .........., α k ) / u = α1u1 + α 2u2 + ............ + α k uk (5. 4).
5. 8 Définition
On dit que des vecteurs u 1 ,………u k d’un espace vectoriel E sont
linéairement dépendants s’il existe des nombres α 1 , … … … … α k tous non nuls
tels que α 1 u 1 +………. α k u k = 0 (5. 5).
On dit également que le s ystème (u 1 ,………u k ) est lié .
5. 9 Définition
On dit que des vecteurs u 1 ,………u k d’un espace vectoriel E sont
linéairement indépendants si de l’équation: α 1 u 1 +………. α k u k = 0 entraîne
que α 1 = ………….= α k = 0 . (5. 6)
On dit également que le s ystème (u 1 ,………u k ) est libre .
5. 10 Théorème
Des vecteurs u 1 ,………u k sont linéairement dépendants si et seulement
si l’un d’eux peut être représenté par une combinaison des autres.
5. 11 Théorème
Si un s ystème de vecteurs u 1 ,……u k est linéairement indépendant et si y
= α 1 u 1 +……+. α k u k , les coefficients α 1 , … … … … α k se définissent d’une seule
façon.
5. 12 Théorème
Un s ystème de vecteurs contenant un sous-s ystème linéairement
dépendant est linéairement dépendant.
Exemple
Etudier la dépendance linéaire des s ystèmes suivants: S 1 = (u 1 , u 2 , u 3 )
et S 2 = (v 1 , v 2 , v 3 ) avec: u 1 = (1; 0; 0), u 2 = (1; 1; 0), u 3 = (1; 1; 1);
v 1 = (1; 2;0), v 2 =(1; 0; 2), v 3 = (0; -1; 1).
Solution
1 è r e méthode (Par la définition)
1. Soit α , β , γ ∈ IR. Cherchons les valeurs de α , β , et γ pour qu’on ait:
α u 1 + β u 2 + γ u 3 = 0, c’est-à-dire:
1 1 1 α + β + γ = 0 γ = 0
α 0 + β 1 + γ 1 = 0 ⇔
β + γ = 0 ⇔ β = 0 , c’est-à-dire S 1 est un s ystème
0 0 1 γ =0 α = 0
libre.
BASE - DIMENSION
5. 13 Définition
On dit qu’un s ystème de vecteurs e 1 , ……….e n d’un espace vectoriel E
est une base de cet espace, si les vecteurs e 1 , ……….e n sont linéairement
indépendants et si chaque vecteur de E se présente par leur combinaison
linéaire; autrement dit si le s ystème de vecteurs { e 1 , ………,e n } est a la fois
libre et générateur.
Remarque
Avec un s ystème de n vecteurs e 1 , ……….e n on peut former n! bases
distinctes différant l’une de l’autre par l’ordre des vecteurs e 1 , ……….e n .
Exemple
Avec le s ystème (e 1 , e 2 , e 3 ) de 3 vecteurs linéairement indépendants, on
peut former les 3! = 6 bases distinctes: (e 1 , e 2 , e 3 ); (e 2 , e 3 , e 1 ); (e 3 , e 1 , e 2 );
(e 2 , e 1 , e 3 ); (e 1 , e 3 , e 2 ); (e 3 , e 2 , e 1 ).
Soit λ un nombre; on a:
n n
λu = λ ∑α e
i =1
i
i = ∑(λ α ) e
i =1
i
i
n
λu = ∑(λ α ) e
i =1
i
i (5. 9)
Donc la multiplication d’un vecteur par un nombre revient à multiplier ses
composantes par ce nombre.
Remarque
Il est parfois commode de représenter les composantes d’un vecteur
α1
n .
u = ∑α i ei sous forme du vecteur colonne . .
i =1 .
α n
n n
x1 = ∑α1i ei ,……………………, xk = ∑α ki ei et considérons les vecteurs colonnes de
i =1 i =1
leurs composantes dans la base B :
α11 α 1k
. .
. ,………………………………, . .
.n .n
α1 .α k
5. 17 Théorème
Des vecteurs u 1 ,…………….u k sont linéairement dépendants si et
seulement si les vecteurs colonnes de leurs composantes le sont dans une base
quelconque.
k
Supposons qu’on ait: λ 1 u 1 + … … … … … … … . . + λ k u k = ∑λ
m =1
m um
n
De façon détaillée: (car u m = ∑α
i =1
i
m ei ),
k k n n k
∑λ
m =1
m um = ∑λ (∑α
m =1
m
i =i
i
m ei ) = ∑(∑λ
i =1 m =1
m α mi ) ei = 0 (5. 10)
k k
∑λm α m1 e1 + ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯+∑λm α mn = 0 ,
m =1 m =1
on a:
k k
∑λ
m =1
m α m1 = 0, ⋯⋯⋯⋯⋯⋯⋯⋯⋯∑λm α mn = 0,
m =1
c’est-à-dire:
α11 α 1k 0
. . .
λ1 . +⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯+ λk . =. (5. 11)
.n .n .
α1 α k 0
autrement dit:
λ1u1 + + λ k u k = 0 ; donc la combinaison linéaire des
………………
5. 18 Théorème
Si une base d’un espace vectoriel E est composée de n vecteurs, tout
s ystème de m ( m > n ) vecteurs est linéairement dépendants.
Corollaire
Les bases de l’espace vectoriel E sont composées d’un même nombre de
vecteurs.
5. 19 Définition
On appelle dimension d’un espace vectoriel E le nombre de vecteurs
d’une base de E .
5. 20 Théorème
Si u 1 ,…………….u k est un s ystème linéairement indépendant de vecteurs
d’un espace vectoriel E tel que k < n , il existe dans E des vecteurs
uk +1 ,………………, un tels que le s ystème u 1 ,…………….u k , uk +1 ,………………, un forme
une base de E .
Exemple
Compléter le s ystème de vecteurs u 1 (1; 2; 0; 1) ,et u 2 (-1; 1; 1; 0) à une
base de l’espace IR 4 .
Solution
Considérons les vecteurs u 3 (1; 0; 0; 0) et u 4 (0; 1; 0; 0) et montrons que le
s ystème (u 1 , u 2 , u 3 , u 4 ) est une base de IR 4 .
Formons la matrice
Dr. AKPATA Edouard
54
Cours et Exercices résolus d’Algèbre linéaire
1 2 0 1
A = −1 1 1 0 dont les lignes sont les composantes des vecteurs u 1 , u 2 , u 3 , u 4 ..
1 0 0
0 1 0 0 0
Puisque rg(A) = 4 (à vérifier!), les lignes de A, c’est-à-dire les vecteurs u 1 ,
u 2 , u 3 , u 4 sont linéairement indépendants.
5. 21 Théorème
Pour tous sous-espaces vectoriels S 1 et S 2 de E , ona:
Exemple
CHANGEMENT DE BASE
5. 22 Définition
B = (e 1 ,……………e n ) et B’ = ( e1' ,………………, en' ) des bases de E .
Décomposons les vecteurs de la base B’ suivant ceux de B . On a:
n
e'j = α 1j e1 + ⋯⋯⋯⋯⋯⋯+ α nj en = ∑α ij ei , j =1,………, n.
i =1
Ces relations s’écrivent sous la forme matricielle suivante:
α11 . . α 1n
. .... .
( e1' ,………………, en' ) = (e 1 ,……………e n ) . . .. . . (5. 13)
. . .. .
α n . . . α nn
1
α11 . . α 1n
. .... .
La matrice A = . . . . . .s’appelle matrice de passage de la base B à l a
. . .. .
α n . . . α nn
1
base B’ .
Remarque
Pour déterminer la matrice de passage d’une base B à une base B’ , il
suffit d’écrire en colonne de la matrice les composantes des vecteurs de la
base B’ .
Exemple
Soient B = (e 1 ,……………e n ) la base (appelée base canonique) d’un
espace vectoriel E et u = 2 e 2 – e 3 ; v = e 1 – 3 e 3 ; w = e 1 + e 2 – 2 e 3 .
Déterminer la matrice de passage de la base B à la base B’ = (u, v, w).
Solution
Si A est la matrice de passage, alors on a:
0 1 1
A = 2 0 1
−1 −3 − 2
5. 23 Propriétés
1. det(A) ≠ 0.
Supposons par absurde que det(A) = 0. Ceci exprime que les colonnes
de la matrice sont linéairement dépendants. Vu que ces colonnes sont les
composantes des vecteurs e1' ,………………, en' dans la base B , ces derniers sont
linéairement dépendants en vertu du théorème 3.4.5, ce qui contredit le fait
que B est une base. Donc det(A) ≠ 0.
α1 α '1
. .
. = A .
. .
α n α ' n
3. A-1 est la matrice de passage de la base B’ à la base B .
APPLICATIONS LINEAIRES
GENERALITES
5. 24 Définition
Soient E et F deux espaces vectoriels sur un corps commutatif K
( K = IR ou C). On appelle application linéaire f de E dans F , toute
application de E dans F qui possède les deux propriétés suivantes:
1. ∀ u ∈ E , ∀ v ∈ E : f(u + v) = f(u) + f(v) ,
2. ∀ u ∈ E ∀ λ ∈ IR : f( λ u) = λ f(u) .
Les deux propriétés peuvent se résumer en une seule:
∀ u ∈ E , ∀ v ∈ E , ∀ ( α , β ) ∈ IR 2 : f( α u + β v) = α f(u) + β f(v) .
Remarques
E f
0E 0F F F
Fig.16
Exemple
Soit E l’ensemble des applications f de IR * + dans IR indéfiniment
dérivables. On considère l’application ϕ de E dans E définie par :
ϕ (f) = f + 2xf’ .
Montrer que ϕ est un endomorphisme .
Solution
Remarquons tout d’abord que ϕ est bien une application de E dan s
E , puisque f + 2xf’ est indéfiniment dérivable dès que f l’est.
Montrons que ϕ est une application linéaire.
∀ (f 1 , f 2 ) ∈ E 2 , ∀ ( α , β ) ∈ IR 2 , on a:
ϕ ( α f 1 , + β f 2 ) = ( α f 1 + β f 2 ) + 2x( α f 1 + β f 2 )’ ( p ar d é fi n it io n )
= α f 1 + β f 2 + 2x[( α f 1 )’ + ( β f 2 )’] ( d ér ivée d e l a so m me d e d e u x fo nc tio n s)
= α f 1 + β f 2 + 2x( α f 1 )’ + 2x( β f 2 )’ ( d i st r ib u ti v ité d e . p ar r ap p o r t à + )
= α f 1 + β f 2 + 2x α f 1 ’ + 2x β f 2 ’
= α f 1 + 2x α f 1 ’ + β f 2 + 2x β f 2 ’
= α (f 1 + 2xf 1 ’) + β (f 2 + 2xf 2 ’) ( mi s e e n f ac te ur d e α e t β )
= αϕ (f 1 ) + βϕ (f 2 ) , donc on a démontré que:
ϕ ( α f 1 + β f 2 = αϕ (f 1 ) + βϕ (f 2 ) , c’est-à-dire que ϕ est une application linéaire
de E dans E d’où ϕ est un endomorphisme.
Conséquence
Pour montrer qu’une application linéaire vérifie certaines conditions,
il suffit de vérifier que les transformés (ou images) des vecteurs de base
vérifient ces conditions.
5.26 Définitions
E f F E F
f
f
P f(P) Imf
Fig.17.a Fig.17.b
-1
E f E f 0F F
-1
f
-1
f (P’) P’ Kerf
Fig.18 . a Fig.18.b
Remarque
Cet ensemble N (f) n’est jamais vide puisque f(0) = 0 ∈ Kerf .
5. 27 Théorème
Kerf est un sous-espace de E .
5. 28 Théorème
Pour qu’une application linéaire f de E dans F soit injective , il faut et
il suffit que Kerf = {0}
5. 29 Théorème
Si E et F ont même dimension on a l’équivalence:
Kerf = {0 E } ⇔ f est bijective .
5. 30 Théorème
Imf est un sous-espace vectoriel de F .
Soient y 1 et y 2 deux éléments de Imf . Cela veut dire qu’il existe dans
E des éléments x 1 et x 2 tels que: y 1 = f(x 1 ) et y 2 = f(x 2 ) .
Soient deux réels α et β . On a:
α y 1 + β y 2 = α f(x 1 ) + β f(x 2 ) = f( α x 1 + β x 2 ) ( c ar f es t l i né air e ) .
5. 31 Théorème
La dimension de E est la somme de la dimension de l’image f( E ) de E
par l’application f et de la dimension du no yau de f , en d’autres termes:
dim E = dim Kerf + dim Imf
Remarques
1.
i) Si f est injective, c’est-à-dire Kerf = {0} , alors dim E = dim Imf ( car
d im Ke r f = 0 ) .
iii) dim E = dim Imf ⇔ l’image de toute base de E est une base de
f( E ) .
v1 = a11 u1 + a12 u2
v2 = a21 u1 + a22 u2 (5. 14)
v3 = a31 u1 + a33 u2
Le s ystème (5. 13) est appelé la forme analytique de l’application linéaire f
Soit A la matrice suivante issue du s ystème (5. 14):
f(e 1 ) f(e 2 )
Dr. AKPATA Edouard
60
Cours et Exercices résolus d’Algèbre linéaire
a11 a12
A = a21
a31
a22 .
a32
n n m m n m n
v = f(u) = ∑u j f(e j ) = ∑u j ∑aij ei' = ∑(∑aij u j ) ei' = ∑vi ei' ⇒ vi = ∑aij u j ,
j =1 j =1 i =1 i =1 j =1 i =1 j =1
1 ≤ i ≤ m.
en d’autres termes:
v1 = a11 u1 +⋯⋯⋯⋯⋯⋯+ a1n un
...................................................
................................................... (5. 15)
...................................................
vm = am1 u1 +⋯⋯⋯⋯⋯+ amn un
f(e 1 ) f(e n )
a11.............................a1n
... ... ... ... ... ...... ...
A = ... ... ... ... ... ...... ... .
... ... ... ... ... ...... ...
am1 ... ... ... ... .........amn
Dr. AKPATA Edouard
61
Cours et Exercices résolus d’Algèbre linéaire
Exemple
Soit E un espace vectoriel de base canonique B = (e 1 , e 2 , e 3 ).
Considérons une application linéaire f ayant pour matrice associée A définie
par:
1 2 1
A = 1 0 −1 .
1 1 0
Déterminer l’image Imf et le no yau Kerf de f.
Solution
Par définition v ∈ Imf si et seulement si on peut trouver un vecteur
x
u y ∈ E , tel que v = f(u) = A(u) ou encore:
z
1 2 1 x 1 2 1
v = A(u) = 1 0 −1 . y = x 1 + y 0 + z −1 (5. 16)
1 1 0 z 1 1 0
L’égalité (5. 15) montre que l’image Imf de f se confond avec l’enveloppe
linéaire du s ystème de vecteurs colonnes de la matrice A. Ce qui veut dire qu e
le rang de f est égal à celui de la matrice A qui est égal à deux (à vérifier!).
Donc nous pouvons prendre deux vecteurs colonnes quelconques des trois qui
engendreront l’image Imf de f. Par exemple nous pouvons prendre
1 2
v 1 = 1 , v2 = 0 .
1 1
D’où Imf est de dimension deux, donc le plan vectoriel engendré par les
vecteurs v 1 et v 2 .
1 2 1 x 0
A(u) = 1 0 −1 . y = 0 .
1 1 0 z 0
Ce qui veut dire que le no yau Kerf est l’ensemble des solutions du s ystème
homogène suivant:
x + 2y + z = 0 x = z y
x −z = 0 ⇔ x = -y = z ou x = = z
x + y =0 x = − y 1 −1 1
D’où le no yau Kerf est la droite d’équation x = - y = z ou engendrée par le
vecteur u(1; -1; 1).
i) Addition
On appelle somme des applications f 1 et f 2 et l’on note f 1 + f 2 ,
l’application f qui à tout élément u de E associe l’élément f(u) tel que
f(u) = (f 1 + f 2 )(u) = f 1 (u) + f 2 (u) .
Remarque
1. ( L , +) est un groupe abélien;
2. L ( E , F ) muni des deux opérations précédentes est un espace
vectoriel sur IR.
iii) Composition de deux applications linéaires
Soient E , F et G trois espaces vectoriels sur IR et soit f une
application linéaire de E dans F et g une application linéaire de F
dans G . On appelle application composée de f par g et l’on note
( g f ), l’application de E dans G qui à tout élément u ∈ E associ e
l’élément (g ° f)(u) ∈ G définie par:
(g ° f)(u) = g[f(u)] .
5. 36 Théorème
La composée de deux applications linéaires est une application
linéaire.
Soient f, g ∈ L ( E , F ) x L ( F , G ) et α , β ∈ IR on a:
(g ° f)( α u + β v) = g[f( α u + β v)]
= g[ α f(u) + β f(v)]
= g( α f(u)) + g( β f(v))
= α g[f(u)] + β g[f(v)]
= α g ° f(u) + β g ° f(v).
D’où g ° f est une application linéaire.
5. 37 Théorème
La composition des applications linéaires est distributive par rapport
à l’addition.