Académique Documents
Professionnel Documents
Culture Documents
Notation.
Si A est une matrice, la notation suivante est très utile pour désigner ses entrées :
A=[aij],
! la matrice a une seule colonne (m =1) et n lignes, elle se réduit à un vecteur de Rn.
Si
Si les deux dimensions sont égales (m=n), la matrice est dite carrée.
T
La matrice transposée A de la matrice A=[aij] est la matrice obtenue en échangeant les
lignes et les colonnes : AT=[aji].
Une matrice carrée est symétrique si elle est égale à sa transposée. Par exemple, la
&1 3 2 #
matrice A = $$3 ' 1 ' 2 !! est symétrique car aij=aji pour tous i,j entre 1 et 3.
$%2 ' 2 5!"
On peut réaliser des opérations élémentaires sur les matrices comme l’addition, la
soustraction ou la multiplication par un nombre réel.
&3 4# &2 5 #
Si A = $1 ' 2!! et B =
$ $7
$ ' 4!! alors :
$%' 1 3!" $%2 ' 3 !"
&5 9#
C = A + B = $$8 ' 6!! .
$%1 0 !"
Il faut que A=[aij] et B=[bij] aient les mêmes dimensions (dans ce cas, n=3 et m =2). La
formule générale pour C=A+B est :
Si k est un scalaire, on a :
kA=[k⋅aij].
&3 4# &9 12 #
Par exemple, si A = $1 ' 2! alors 3A = $3 ' 6!! .
$ ! $
$%' 1 3!" $%' 3 9 !"
L’élément neutre de l’addition est la matrice nulle dont tous les éléments sont des zéros.
2. Produit matriciel
&1 2# &2 1 #
Si A = $ ! et B = $1 ' 1! alors :
%' 1 3" % "
$1" 2 + 2 "1 1"1+ 2 " (#1) '
C = AB = & )
%#1" 2 + 3"1 #1"1+ 3" (#1)(
&4 ' 1#
= $ !.
! %1 ' 4"
En général, étant données les matrices A=[aij] et B=[bij], posant AB=[mij] on a :
m
mij = #a ik " bkj .
k=1
Pour que le produit matriciel soit possible, il faut que les dimensions des matrices soient
compatibles, c’est-à-dire il faut que le nombre de colonnes de A soit égal au nombre de
!
1
lignes de B. En terme de dimension, si la matrice A est une matrice n×m et la matrice B
est une matrice m×p, la matrice C = AB est une matrice n×p.
Comme les vecteurs sont des matrices à une colonne, on peut définir le produit matriciel
de 2 vecteurs vTw dont le résultat est un nombre réel (on peut vérifier qu’au niveau des
dimensions, il n’y a pas de problème car vT a pour dimensions (1,n) et w a pour
dimensions (n,1) ). Ce produit matriciel est appelé produit scalaire de deux vecteurs. Le
produit scalaire vTv est égal au carré de la norme (longueur) du vecteur v.
&1 0 0#
I = $$0 1 0!! .
$%0 0 1!"
4. Matrice inverse
-1
On peut aussi définir l’inverse A d’une matrice carrée A (si cet inverse existe); cet
inverse a la propriété suivante :
-1 -1
A A = A A = I.
2
-1 T
- matrice orthogonale : Q = Q .
Une matrice carrée est régulière lorsque les colonnes (ou les lignes) sont des vecteurs
linéairement indépendants. Une matrice carrée est singulière si au moins une colonne (ou
ligne) est une combinaison linéaire des autres colonnes (ou lignes).
Pour trouver l’inverse d’une matrice, le procédé peut être assez exigeant, surtout si on a
affaire à une matrice de très grandes dimensions. Pour une matrice 2×2, il y a une
formule très simple.
Théorème.
"a b%
Soit A = $ ' . Si ad-bc≠0, alors la matrice est inversible et :
#c d&
1 # d "b&
A"1 = % (.
ad " bc $"c a '
! Et si ad-bc=0, alors la matrice est singulière.
!
Il existe un opérateur de matrice, appelé déterminant et noté det(A) pour une matrice A,
qui est différent de zéro pour une matrice régulière et qui est égal à zéro pour une matrice
singulière.
Pour une matrice 2×2, la formule pour le déterminant est très simple:
"a b%
det$ ' = ad ( bc.
#c d&
3
On peut noter que :
f(x+y) = A(x+y) = Ax + Ay = f(x) + f(y);
f(ax) = A(a x) = aAx= af(x).
1- f (x + y) = f (x) + f (y)
! ! !
2- f (α x) = α f (x),
où x, y ∈ E et α ∈ R.
! ! !
!Ces deux relations
! peuvent être regroupées sous la forme d’une relation unique:
!
f (αx + β y) = α f (x) + β f (y),
où x, y et α, β∈ R.
On peut montrer! !
que toute application !
linéaire f de l’espace vectoriel E dans l’espace
vectoriel F (dimensions finies) peut se mettre sous la forme f(x) = Bx, où B est une
matrice. Supposons par exemple que E = F de dimension 2 et qu’une base de E est (e1,
e2). Il s’ensuit que :
f(x) = f (x1e1+x2e2) = x1 f (e1) + x2 f (e2),
4
Exemple 2. Application linéaire sur le plan réel :
2
En prenant E = F = R , l’application suivante est une application linéaire :
5
Définition (noyau d'une application linéaire).
Le noyau de f, noté Ker f, est l’ensemble des éléments x ∈ E dont l’image est le vecteur
zéro de F :
Ker f = { x| f(x) = 0}.
!
!
Théorème.
Ker f est un espace vectoriel qui est un sous-espace vectoriel de E .
Si on désire résoudre des équations linéaires basées sur des applications linéaires, on est
!
conduit à chercher un vecteur x tel que f(x) = b. Pour que cette équation ait une solution,
il faut que b soit un élément de Im f (b ∈ Im f) d’après la définition de Im f. Une telle
équation peut avoir aucune solution, une solution ou une infinité de solutions.
Le noyau Ker f est l’ensemble des solutions homogènes de l’équation f(x) = 0; cet
ensemble peut contenir un seul élément (l’élément neutre) ou un ensemble d’éléments
comprenant l’élément neutre.
6
&2#
Une autre base de l’image de f serait ( $ ! ); cette base ne contient qu’un seul élément.
%0 "
Comme la base ne contient qu’un seul élément, l’image de f est un espace vectoriel de
dimension 1.
Le noyau de f:
&x # &x # &0 #
Le noyau de f est l’ensemble des vecteurs $ 1 ! de R tels que f( $ 1 ! ) = $ ! , c’est-à-
2
"1 1%
On remarque dans l'exemple précédent que les colonnes de la matrice $ ' forment un
#0 0&
ensemble générateur pour l'image de cette fonction f. Ceci est vrai en général, puisque
les colonnes sont les images d'une base:
Théorème. !
Soit f une application linéaire : f(x)=Ax. Alors les colonnes de A forment un ensemble
générateur pour Im f.
! !
7
Théorème.
Si E et F sont des espaces vectoriels de dimension finie et si f : E → F est une
application linéaire :
dim ( E ) = dim (Im f) + dim (Ker f).
! ! ! !
En particulier, supposons que E = F = R n . Le théorème précédent indique que si le
noyau de f ne contient
! que l’élément nul (dim Ker f = 0), l’image de f est égale à R n
(dim (Im f) = n). Dans ce cas, tous les vecteurs de R n appartiennent à Im f et toutes les
équations f(x) = b ont!une solution et une seule. On dira aussi que f est une application
–1
régulière qui définit une application bijective sur R n . On peut alors écrire que
! x = f (b)
–1
où f est appelé l’application inverse de f.!
Dans le cas contraire où le noyau de f! contient des éléments autres que l’élément nul
(dim Ker f > 0), l’image de f est un sous-ensemble de Rn (dim (Im f) < n). Dans ce cas, il
y a des vecteurs de Rn qui ne sont pas des éléments de Im f et l’équation f(x) = b n’a pas
de solution si b est un élément (de Rn) qui n’appartient pas à Im f. Dans ce cas, f est une
application singulière et n’a pas d’application inverse.
2
Exemple. Application de R dans lui-même:
&x # & x + x2 #
En prenant E = F = R , l’application f ( $ 1 ! ) = $ 1
2
! est une application linéaire;
% x2 " % 0 "
on a vérifié précédemment que Im f est l’axe des X et Ker f est une droite de pente –1
passant par l’origine. On a montré que dim (Im f) = 1 et
! ! 2
dim (Ker f) = 1 et comme dim ( R ) est égal à 2, on vérifie bien :
2
dim ( R ) = dim (Im f) + dim (Ker f)
2 = 1 + 1.
On remarque aussi que l’application f est une application singulière qui n’a pas d’inverse.
&4 # & 3# &5 # & 3# & 3#
On a f ( $ ! ) = $ ! et on a f ( $ ! ) = $ ! ; on voit donc que l’équation f(x) = $ ! a
% ' 1" % 0" % ' 2" % 0" % 0"
&4 # &5 #
plusieurs solutions puisque $ ' 1! et $ ' 2! sont deux solutions possibles. De même,
% " % "
comme le noyau de f a pour dimension 1, cela signifie que l’équation f(x) = 0 a plus
d’une solution car tous les éléments du noyau sont solutions de cette équation f(x) = 0. Il
s’ensuit que cette équation a une infinité de solutions.