Académique Documents
Professionnel Documents
Culture Documents
Algèbre
I. Généralités……………………………………………………...…………….1
II. Matrices carrées………………………………………………………..……..7
III. Opérations sur les matrices..………………………………………………...10
IV. Déterminant d’une matrice d’ordre n…………………………………..……17
V. Matrice inversible…………………………………………………………...22
VI. Rang d’une matrice………………………………………………………….26
VII. Systèmes linéaires…………………………………………………………...28
I. Espace vectoriel……………………………………………………………..38
II. Sous-espaces vectoriels…………………………………...…………………39
III. Combinaison linéaire et famille génératrice………………………………...43
IV. Rang et ordre d’un système de vecteurs…………………………………….46
V. Base et dimension d’un espace vectoriel……………………………………47
I. Applications linéaires………………………………………………………..52
II. Noyau et image d’une application linéaire………………………………….54
III. Applications linéaires injectives et surjectives……………………………...58
IV. Le rang d’une application linéaire ……………………………..…………...61
2
Chapitre I : Calcul matriciel et systèmes linéaires
I. Généralités
1. Notion de Matrices
Définition :
Une matrice à n lignes et p colonnes est un tableau d’éléments de comportant n lignes et
p colonnes.
a1 1 .... a1 p
A . .
. .
a .... a
n 1 n p
Les aij sont appelés les coefficients de la matrice A .
Exemple :
3
Exemple :
Soient les matrices suivantes :
0 0 0
000
01,2 0 0 ; 02,3 et 03,3 0 0 0
000 0 0 0
2.2 Matrice ligne
Définition :
Exemple :
Exemple :
5
- A est une matrice colonne de type 2,1 définie par : A
8
1
- B est une matrice colonne de type 3,1 définie par : B 4
5
0
2
- C est une matrice colonne de type 4,1 définie par : C
1
4
2.4 Matrice rectangulaire
Définition :
Exemple :
A et B sont deux matrices rectangulaires.
4
1 1
3 2 1
A M 2,3 et B 2 4 M 3,2
4 5 6 3 7
2.5 Matrice unité ou identité
Définition :
1 si i=j
Une matrice A de type n, n est une matrice unité ou identité si : ai j .
0 si i j
On note I n ou I .
Exemple :
1 0
- I 2 est une matrice identité définie par : I 2
0 1
1 0 0
- I 3 est une matrice identité définie par : I 3 0 1 0
0 0 1
1 0 0 0
0 1 0 0
- I 4 est une matrice identité définie par : I 4
0 0 1 0
0 0 0 1
2.6 Matrice opposée
Définition :
La matrice opposée d’une matrice A ai j est la matrice A définie par A ai j dont
tous les coefficients sont les opposées des coefficients de A .
Exemple :
La matrice A est la matrice opposée de la matrice A .
0 3 4 0 3 4
A 1 5 2 A = 1 5 2
2 1 3 2 1 3
5
Exemple :
1. Soient A et B deux matrices.
A 1 2 et B 3 0 5
x y 2 1 2
C et D
3z 2w 6 4
x 1 x 1
y 2 2 y 0
CD
3z 6 z 2
2w 4 w 2
1
- A 1 3 2 M 1,3 A t 3 M 3,1
2
0 1 0 5
- B M 2,2 B t M 2,2
5 1 1 1
1 7
1 0 2
- C 0 1 M 3,2 C t M 2,3
2 4 7 1 4
10 2 6 10 3 15
- D 3 1 12 M 3,3 D 2 1 4 M 3,3
t
15 4 20 6 12 20
6
II. Matrices carrées
3 4 5
0 1
A M 2 B 7 9 3 M 3
3 4 8 1 2
A est une matrice carrée d’ordre et B est une matrice carrée d’ordre 3.
2. Diagonale principale d’une matrice carrée
Définition :
Soit A une matrice carrée :
Les éléments a11 , a22 , aii ,...., ann forment la diagonale principale de la matrice A . On note
DP A a11 , a22 , aii ,...., ann .
Exemple :
1 2 3
Soit la matrice A 5 0 9
6 1 8
7
Exemple :
1 0 3
Soit la matrice A 2 4 9 .
5 8 7
On a : DP A 1, 4, 7
Alors, Tr A 1 4 7 4
4. Matrice diagonale
Définition :
Une matrice carrée A d’ordre n est diagonale si aij 0 i j , c’est-à-dire si tous les
éléments qui ne sont pas situés sur la diagonale principale sont nuls.
Exemple :
3 0 0
La matrice A 0 2 0 est diagonale.
0 0 5
1 0 3
La matrice B 0 4 0 n’est pas diagonale.
2 0 6
5. Matrice scalaire
Définition :
a si i=j
Une matrice carrée A d’ordre n est une matrice scalaire si aij , c’est-à-dire
0 si i j
que tous les éléments situés sur la diagonale principale sont égaux et que tous les autres
éléments sont nuls.
Exemple :
a 0 0
- A 0 a 0 , a est une matrice scalaire.
0 0 a
- Si a 1 , alors la matrice A est une matrice unité ou identité.
1 0
- B est une matrice scalaire.
0 1
1 0 0
- C 0 1 0 n’est pas une matrice scalaire.
0 0 1
8
6. Matrice triangulaire
Définition 1 :
Une matrice carrée A d’ordre n est une matrice triangulaire inférieure si tous ses éléments
au-dessus de la diagonale principale sont nuls. Autrement dit, si aij 0 pour tout i j .
a11 0 0 0
.. a22 0 0
A
.. .. .. 0
an1 .. .. ann
Définition 2 :
Une matrice carrée A d’ordre n est une matrice triangulaire supérieure si tous ses éléments
au-dessous de la diagonale principale sont nuls. Autrement dit, si aij 0 pour tout i j .
a11 .. .. a1n
0 a22 .. ..
A
0 0 .. ..
0 0 0 ann
Exemple :
2 0 0
- A est une matrice triangulaire inférieure : A 6 3 0 .
5 1 4
3 2 1 4
0 8 7 3
- B est une matrice triangulaire supérieure : B .
0 0 6 2
0 0 0 1
Remarque :
Si une matrice A est triangulaire supérieure alors sa matrice transposée A t est triangulaire
inférieure et inversement.
7. Matrice symétrique
Définition :
Une matrice carrée A est symétrique si elle est égale à sa transposée A At . Autrement dit,
si aij a ji i et j .
9
Exemple :
1 2 3
- A 2 6 0 est une matrice symétrique car A At .
3 0 5
3 10 2
- B 12 25 5 n’est pas une matrice symétrique car B Bt .
4 0 7
8. Matrice antisymétrique
Définition :
Une matrice carrée A est antisymétrique si sa transposée est égale à son opposée At A .
Autrement dit, si aij a ji i et j .
Exemple :
0 2 1
- A 2 0 4 est une matrice antisymétrique.
1 4 0
10 0 2
- B 4 2 11 n’est pas une matrice antisymétrique.
5 6 15
Remarque :
On ne peut pas additionner des matrices qui ne sont pas du même format.
Propriétés :
Soient A , B et C des matrices de M n,p .
- A B B A
- A B C A B C
- A 0n , p A
10
- A A A A 0n , p
- A B A B , ou B est la matrice opposée de B .
A B At Bt
t
-
Exemple :
Soient les matrices suivantes :
3 4 2 2 1 1 0 0 0
1 2
A 1 3 6 ; B 8 5 3 ; C et O3 0 0 0
0 7 1 4 0 2 0 3 0 0 0
Calculons les sommes suivantes :
3 0 4 0 2 0 3 4 2
. A O 1 0 3 0 6 0 1 3 6 A
0 0 7 0 1 0 0 7 1
3 2 4 1 2 1 5 5 3
A B 1 8 3 5 6 3 9 2 3
0 4 7 0 1 2 4 7 1
3 2 4 1 2 1 1 3 1
A B 1 8 3 5 6 3 7 8 9
0 4 7 0 1 2 4 7 3
On ne peut pas calculer A C ou B C , car elles n’ont pas le même format.
Définition 2 :
Propriétés :
Soient A et B deux matrices de M n,p et ,
- A B A B
- A A A
- A A
A At
t
-
11
Exemple :
Soient les matrices suivantes :
2 3 1 1 0 0
3 4
A ; B 6 4 0 ; I 0 1 0
1 2 8 1 5 0 0 1
Calculons les produits suivants :
23 2 4 6 8
2A =
2 1 2 2 2 4
3 2 3 3 3 1 6 9 3
3B 3 6 3 4 3 0 = 18 12 0
3 8 3 1 3 5 24 3 15
1 0 0 0 0
I 0 1 0 = 0 0
0 0 1 0 0
Remarque :
On ne peut effectuer la multiplication des deux matrices A et B que si le nombre des colonnes
de A est égal à celui des lignes de B .
Propriétés :
Soient A , B et C des matrices de dimensions compatibles, nous avons alors les propriétés
suivantes :
- A B C A B C
- A B C AB AC
- A B A B . AB où
12
Exemple :
1 2
1 2
Soit A 0 1 et B
5 3 1 0
0 1 0 1 1 2
- Soit C 2 3 0 et D 0 2 0
1 4 1 1 3 5
13
3. Produit de deux matrices carrées
Propriétés :
Soient A , B et C des matrices carrées .
- AB M n et BA M n
- I n A AI n A
- En général, AB BA
- AB AC n’implique pas B C , même si A 0n .
Exemple :
Soient les matrices suivantes :
0 0 4 3 4 3
A ; B et C =
1 0 5 2 2 1
On a :
0 0 4 3 0 4 0 5 0 3 0 2 0 0
AB = 1 4 0 5
1 0
5 2 1 3 0 2 4
3
0 0 4 3 0 4 0 2 0 3 0 1 0 0
AC =
1 0 2 1 1 4 0 2 1 3 0 1 4
3
Définition:
Soit A une matrice carrée d’ordre n . Les puissances de la matrice A sont définies comme
suit : A p A A .... A = A p 1 A p *
p fois
Propriétés :
Soit A une matrice carrée d’ordre n et soient p, k .
- A 0 In
- A p Ak A pk
- A p k
A pk
14
Exemple :
Soit A une matrice carrée d’ordre 3.
1 1 1
A 0 1 0
0 0 1
Calculons A 2 et A 3 .
1 1 1 1 1 1 1 2 2
A A A 0 1 0 0 1 0 0 1 0
2
0 0 1 0 0 1 0 0 1
1 2 2 1 1 1 1 3 3
A A A 0 1 00 1 0 0 1 0
3 2
0 0 1 0 0 1 0 0 1
Théorème:
Soient A et B deux matrices carrées d’ordre n .
Si les matrices A et B commutent pour le produit matriciel, c’est-à-dire AB BA . Alors
n
pour tout p A B C np An p B p
* n
:
p 0
Remarque :
Si AB BA , alors :
A B A2 2 AB B 2
2
A B A2 2 AB B 2
2
A2 B 2 A B A B
Exemple :
2 0 1 0
Soient A et B deux matrices carrées d’ordre 2 : A et B .
4 2 1 1
Les matrices A et B commutent pour le produit matriciel car :
2 0
AB BA
2 2
Ainsi,
A B A2 2AB B2
2
15
2 0 2 0 4 0
A 2 A. A .
4 2 4 2 16 4
2 0 4 0
2 AB 2
2 2 4 4
1 0 1 0 1 0
B 2 B.B
1 1 1 1 2 1
4 0 4 0 1 0 9 0
A B
2
16 4 4 4 2 1 18 9
6. Matrice idempotente
Définition:
Une matrice carrée A est dite idempotente lorsque A2 A .
Exemple :
2 3 5
La matrice A 1 4 5 est idempotente car :
1 3 4
2 3 5 2 3 5 2 3 5
A 1 4 5 1 4 5 1 4 5
2
1 3 4 1 3 4 1 3 4
7. Matrice nilpotente
Définition :
Une matrice carrée A est dite nilpotente lorsqu’il existe un entier positif n n 2 tel que
A n 0n . n est appelé indice de nilpotence.
Exemple :
1 1 3
La matrice A 5 2 6 est nilpotente car :
2 1 3
16
1 1 3 1 1 3 0 0 0
A 5 2
2
6 5 2 6 3 3 9
2 1 3 3 1 1 3
2 1
0 0 0 1 1 3 0 0 0
A 3 3
3
9 5 2 6 0 0 0
1 1 3 3 0 0 0
2 1
Exemple :
det A 2 et det B 7
a a1 2
Soit A 1 1 une matrice carrée d’ordre 2.
a2 1 a2 2
a1 1 a1 2
On note également : det A = a1 1a2 2 a1 2a2 1
a2 1 a2 2
Exemple :
Calculons le déterminant des matrices suivantes :
4 3 1 5 7 4
A , B et C
1 2 2 4 2 4
Ainsi,
17
4 3
det A = 2 4 1 3 8 3 5
1 2
1 5
det B = 4 1 2 5 4 10 14
2 4
7 4
det C = 4 7 2 4 28 8 20
2 4
a1 1 a1 2 a1 3
Soit A a2 1 a2 2 a2 3 une matrice carrée d’ordre 3.
a
3 1 a3 2 a3 3
Le déterminant de la matrice A est défini par :
Exemple :
Calculons le déterminant des matrices suivantes :
2 3 2 1 0 5
A 1 4 3 et B 2 4 3
1 1 1 1 2 7
Ainsi,
2 3 2 2 3 2 2 3
det A 1 4 3 1 4 3 1 4
1 1 1 1 1 1 1 1
= 2 4 1 3 3 1 2 1 1 3 1 1 2 3 1 2 4 1
= 8 9 2 3 6 8
= 1 1 0
18
1 0 5
det B 2 4 3
1 2 7
1 0 5
1 4 7 2 2 5 1 0 3 5 4 1 3 2 1 7 0 2
2 4 3
28 20 0 20 6 0
8 26 18
Exemple :
1 2 4
Calculons det M11 , det M12 , det M13 et det M 23 de la matrice A 0 1 3
5 0 8
1 3
det M 11 8 1 0 3 8
0 8
0 3
det M 12 8 0 5 3 15
5 8
0 1
det M 13 0 0 5 1 5
5 0
1 2
det M 23 0 1 5 2 10
5 0
Définition 2 :
Le cofacteur d’un élément ai j d’une matrice carrée A d’ordre n où n 2 , est égal au produit
1
i j
par le mineur de cet élément.
19
Le cofacteur de l’élément ai j est noté Ai j . Ainsi, Ai j 1 det M ij .
i j
Exemple :
1 2 4
Calculons A11 , A12 , A13 et A23 de la matrice A 0 1 3
5 0 8
Définition 3 :
Exemple :
1 2 4
Calculons le déterminant de la matrice A 0 1 3
5 0 8
Si nous développons le déterminant par rapport à la première ligne, nous obtenons :
n
det A ai j Ai j 1 A1 1 2 A1 2 4 A1 3
j 1
= 1 8 2 15 4 5
= 8 30 20 2
Si nous développons le déterminant par rapport à la première colonne, nous obtenons :
20
n 1 3 2 4 2 4
det A ai j Ai j 1 1 0 1 5 1
11 2 1 31
i 1 0 8 0 8 1 3
1 3 2 4
= 5
0 8 1 3
= ( 8 0) 5 (6 4)
8 10
2
Remarque :
Propriétés :
1 0 2
1. Soit A 3 4 0 .
4 0 8
det A 0 car les lignes 1 et 3 sont proportionnelles L3 4L1 .
7 10 0
2. Soit A 25 5 0 .
12 3 0
21
det A 0 car la colonne 3 est nulle.
7 8 12
3. Soit A 9 0 2 .
1 4 5
det A 0 car L1 L2 2L3 .
2 4 0 0 4 2
4. Soient A 1 8 3 et B 3 8 1 .
0 5 7 7 5 0
det B det A car C1 B C3 A , C3 B C1 A
5 7 10
5. Soit A 0 6 8 .
0 0 2
det A 5 6 2 60
2 3 2 1
6. Soient A et B .
1 5 4 4
det AB det A det B 7 4 28
V. Matrice inversible
1. Définition
Une matrice A M n est dite inversible ou régulière s’il existe une matrice unique
B Mn telle que : AB BA I n .
B sera noté A1 M n . Ainsi la matrice A1 est la matrice inverse de la matrice A .
Si la matrice B n’existe pas alors la matrice A est dite singulière ou non inversible.
2. Propriétés
22
Exemple :
1 2 7 2
1- Soient : A et B
3 7 3 1
1 0
On a : AB BA 1
, alors la matrice A est inversible et A B
0 1
équivalente en lignes de la forme I n A1 M n,2 n .
Si au bout d’un certain nombre d’opérations élémentaires, on voit apparaître à la place de la
matrice𝐴, une matrice avec une ligne nulle, alors la matrice A est non inversible.
Opérations élémentaires :
On appelle opérations élémentaires sur les lignes d’une matrice les opérations :
23
Exemple :
1 0 2
1. Pour déterminer l’inverse de la matrice A 4 2 1 M 3 effectuons sur la
1 2 10
1 0 2 1 0 0
matrice 4 2 1 0 1 0 M 3,6 une suite d’opérations élémentaires en lignes :
1 2 10 0 0 1
1 0 2 1 0 0 L1 1 0 2 1 0 0
4 2 1 0 1 0 L2 L2 4 L1 0 2 9 4 1 0
1 2 10 0 0 1 L3 L3 L1 0 2 8 1 0 1
L1 1 0 2 1 00
1 0 2 1 0 0
1 0 1 9 1
0 2 9 4 1 0 L2 L2 2 0
2 2 2
0 2 8 1 0 1 0 0
L3 L3 L2 1 5 1 1
1 0 2 1 0 0 L1 L1 2 L3 9 2 2
1 0 0
0 1 9 1 9 0 1 0 41 4 9
2 0 L2 L2 L3
2 2 2 2 2
0 0 1 5 1 1 L3 L3 0 0 1 5 1 1
9 2 2
41 9 1 1
et on vérifie facilement que A A AA I3 .
1
Ainsi, la matrice A 4
2 2
5 1 1
1 2 1
2. Pour déterminer l’inverse de la matrice B 2 1 5 M 3 effectuons sur la
1 1 4
1 2 1 1 0 0
matrice 2 1 5 0 1 0 M 3,6 une suite d’opérations élémentaires en lignes :
1 1 4 0 0 1
24
1 2 1 1 0 0 L1 1 2 1 1 0 0
2 1 5 0 1 0 L2 L2 2 L1 0 3 3 2 1 0
1 1 4 0 0 1 L3 L3 L1 0 3 3 1 0 1
L1 L1 2 L2 1 2 3 0
1 2 1 1 0 0 3 1 0 3 3
L 0 1 1 2 1 0
0 3 3 2 1 0 L2 2
3 3 3
0 3 3 1 0 1 0 0 0 1
L3 L3 L2 1 1
On constate qu’à la place de la matrice B , on a une matrice avec une ligne identiquement nulle
L3 . Alors, la matrice B est non inversible.
3.2 Méthode des cofacteurs
Définition :
Exemple 1 :
4 1
Soit A
2 3
Calcul du déterminant de la matrice A :
4 1
det A 3 4 2 1 12 2 10 0 .
2 3
La comatrice de la matrice A :
3 2 3 2
C A
1 4 1 4
La transposée de la comatrice de la matrice A :
3 1
t
C A
2 4
L’inverse de la matrice A :
1 t 1 3 1
A 1 C A
det A 10 2 4
25
Exemple 2 :
1 2 1
Soit A 3 0 4
0 4 1
Calcul du déterminant de la matrice A :
1 2 1
2 1 1 1 1 2
det A 3 0 4 0 4 1
0 4 3 4 3 0
0 4 1
4 4 3 0 6
46 2
La comatrice de la matrice A :
0 4 3 4 3 0
4 1 0 1 0 4
2 0 16 3 0 12 0 16 3 12
1 2
2 4 1 0 4 0 6
1 1 1
C A 1 4
4 1 0 1 0 4
8 0 4 3 0 6 8 1 6
2 1
1 1
1 2
0 3 0
4 3 4
16 6 8
t
C A 3 1 1
12 4 6
L’inverse de la matrice A :
8 3 4
16 6 8
1 t 1 3 1 1
1
A C A 3 1 1
det A 2 2 2 2
12 4 6 6 2 3
VI. Rang d’une matrice
Définition :
Soit A M ( n, p ) . Le rang de la matrice A , noté rg A , est égal au nombre de colonnes de
A linéairement indépendantes.
26
Proposition :
Le rang de la matrice A M ( n, p ) est l’ordre du plus grand mineur non nul de A . Autrement
dit, le rang de la matrice A est l’ordre de la plus grande sous-matrice carrée inversible extraite
de la matrice A .
Le rg A Min n, p .
Propriétés :
- Le rang d’une matrice nulle est égal à 0.
- rg A rg ( At )
- Une matrice carrée est inversible si et seulement si son rang est égal à son ordre.
- Le rang d’une matrice ne se modifie pas lorsque :
- Des lignes (ou des colonnes) sont permutées ;
- Une ligne (ou une colonne) est multipliée par un réel non nul ;
- On remplace une ligne (ou une colonne) par une combinaison linéaire de cette ligne
(colonne) ou les autres lignes (colonnes).
- Le rang d’une matrice diagonale est égal au nombre de ses éléments diagonaux non nuls.
Exemple :
Soient les matrices suivantes :
1 4 5 4 6
3 4
A = ; B = 2 2 1 ; C 2 3
2 3 1 6 4 2 3
Le rang de la matrice A :
On a Min(2, 2) 2
Alors, 1 rg(A) 2
Le det( A) 0 , alors le rg ( A) 2
Le rang de la matrice B :
On a Min(3,3) 3
Alors, 1 rg(B) 3
27
1 4 5
2 1 2 1 2 2
det( B) 2 2 1 1 4 5
6 4 1 4 1 6
1 6 4
Ainsi, 8 6 4 8 1 5 12 2
14 36 50 0
Le det( B) 0 , alors rg ( B) 3
Donc, 1 rg(B) 3
1 4
Soit B1 la matrice carrée d’ordre 2 extraite de B .
2 2
1 4
Ainsi, det B1 = 1 2 2 4 10 .
2 2
Le det B1 0 , alors rg B 2 .
Le rang de la matrice C :
On a Min(3, 2) 2
Alors, 1 rg(C) 2
Par conséquent, le rg C 1 .
1. Généralité
28
- Résoudre le système S , c’est déterminer l’ensemble de p -uplet x1 ,...., x p qui vérifient
les n équations.
- Le système est dit compatible s’il admet au moins une solution.
- Le système est dit impossible ou incompatible s’il n’admet pas de solution.
- Le système S est dit homogène si b1 bn 0 .
- Deux systèmes sont équivalents s’ils ont le même ensemble de solutions.
Exemple :
Soit le système linéaire suivant :
x1 2 x2 4 x3 5 x4 10
S :
x1 3 x2 2 x3 4 x4 12
x 4 x x x 20
1 2 3 4
Définition:
a11 a12 a1 p x1 b1
Où A , X et B
an1 anp x b
an 2 p n
a11 a12 a1 p x1 b1
Ainsi, =
an1 an 2
anp x p bn
Exemple :
Soit le système linéaire suivant :
x1 x2 x3 4 x4 2
S :
4 x2 x3 5 x4 3
3x 2 x 7 x 6
1 3 4
x1
1 1 1 4 2
x2
0 4 1 5 x 3
3 0 2 7 3 6
x4
29
1.3 Rang d’un système linéaire
Définition:
Le rang d’un système est égal au rang de sa matrice A .
Exemple :
Soit le système linéaire suivant :
x1 x2 +x3 3
S : 2 x2 x3 1
2x 3x 4
1 3
1 1 1
A 0 2 1
2 0 3
Le déterminant de la matrice A :
1 1 1
2 1 1 1 1 1
det A 0 2 1 1 0 2
0 3 0 3 2 1
2 0 3
= 6 0 +2 1 2
= 40
Le det A 0 , alors le rg A 3 .
Par conséquent, le rg S 3 .
30
x1 x2 2 x3 5
S :
2 x2 x3 2
2x 3 x 3
1 2
On a : n p 3
Calculons le rang de S :
1 1 2
2 1 1 2 1 2
det A 0 2 1 1 0 2
3 0 3 0 2 1
2 3 0
0 3 2 1 4 13
Définition :
- Si le det A 0 , alors le système admet une et une seule solution à savoir la solution nulle
0,0.....,0 .
- Si le det A 0 , alors le système admet une infinité de solutions.
Exemple :
1. Résolvons le système linéaire suivant :
31
x 2 y 3 z 3
S :
x y z 1
yz 5
1 2 3 x 3
Où A 1 1 1 X= y B = 1
0 1 1 z 5
Vérifions d’abord si la matrice A est inversible ou non.
1 2 3
1 1 2 3 2 3
det A 1 1 1 1 1 0
1 1 1 1 1 1
0 1 1
1 1 2 3 1 0
1 1 1 1 1 1
1 1 0 1 0 1
2 0 1 1
2
1 1 1
3 1 3 1
C A
1 1 0 1 0 1
1 2 1
2 3
1 3
1 2
1 1
1 1 1 1
0 1 1 0 1 1
1 t
1
A C A 1 1 1 2 1 1 2
det( A) 1 1 1 1 1 1
Enfin, calculons X A1B :
x 0 1 1 3 0 1 5 6
y 1 1 2 1 3 1 10 6
z 1 1 1 5 3 1 5 1
Ainsi, x 6, y 6 et z 1 .
32
D’où, l’ensemble des solutions est l’ensemble : S 6, 6,1 .
x 2 y 3z 0
S :
2 x 3 y z 0
3 x y 2 z 0
1 2 3 x 0
Où A 2 3 1 X= y B = 0
3 1 2 z 0
Vérifions d’abord si la matrice A est inversible ou non.
1 2 3
3 1 2 1 2 3
det A 2 3 1 1 2 3
1 2 3 2 3 1
3 1 2
6 1 2 4 3 3 2 9
5 2 21 18
0 0
X A1 0 0
0 0
Ainsi, x 0, y 0 et z 0 .
33
L’unique solution est donnée par :
b1 a12 a1n a11 b1 a1n a11 a12 b1
Exemple :
1. Résolvons le système linéaire suivant :
x 4 y 5z 1
S : x 3 y 4z 2
3 x 7 y 9 z 4
Calculons d’abord le déterminant de la matrice A :
1 4 5
3 4 1 4 1 3
det A 1 3 4 1 4 5
7 9 3 9 3 7
3 7 9
27 28 4 9 12 5 7 9
1 12 10 1
1 4 5
2 3 4 3 4 2 4 2 3
1 4 5
4 7 9 7 9 4 9 4 7
x 1 136 130 5
det A 1
1 1 5
1 2 4 2 4 1 4 1 2
1 1 5
3 4 9 4 9 3 9 3 4
y 34 3 50 19
det A 1
1 4 1
1 3 2 3 2 1 2 1 3
1 4 1
3 7 4 7 4 3 4 3 7
z 26 40 2 16
det A 1
34
2. Résolvons le système linéaire suivant :
x 3 y 0
S : 2 x 4 y z 0
3 y +z 0
Calculons d’abord le déterminant de la matrice A :
1 3 0
4 1 2 1 2 4
det A 2 4 1 1 3 0
3 1 0 1 0 3
0 3 1
1 6 5
0 3 0 1 0 0 1 3 0
0 4 1 2 0 1 2 4 0
0 3 1 0 0 0 1 0 0 3 0 0
x 0 ; y 0 : z 0
det A 5 det A 5 det A 5
D’où, l’ensemble des solution est l’ensemble : S 0,0,0 .
Exemple :
1. Soit le système linéaire suivant :
4 x y 2 z 3
S :
3 x y 4 z 2
x y z 5
35
4 x y 2 z 3
S : 3x y 4 z 2
x y z 5
4 x y 2 z 3 L1
7 y 22 z 1 L2 3L1 4 L2
5y 2 z 17 L3 L1 4 L3
4 x y 2 z 3 L1
7 y 22 z 1 L2
124 z 124 L3 5 L2 7 L3
4 x y 2 z 3
7 y 22 z 1
z 1
4 x y 1
y 3
z 1
x 1
y 3
z 1
x 3 y 2 z 1
S : 2 x 4 y 5 z 4
x 7 y 3z 2
x 3 y 2 z 1
S :
2 x 4 y 5 z 4
x 7 y 3z 2
x 3 y 2 z 1 L1
10 y z 6 L2 L2 2 L1
10 y z 1 L3 L3 L1
x 3 y 2 z 1
10 y z 6
7
0z
36
D’où, l’ensemble des solution est l’ensemble vide : S .
3. Soit le système linéaire suivant :
2 x y z 4
S :
x 2 y z 1
x 8 y 5 z 11
2 x y z 4
S : x 2 y z 1
x 8 y 5 z 11
2 x y z 4 L1
5 y 3z 6 L2 L1 2 L2
15y 9 z 18 L3 L1 2 L3
2 x y z 4
5 y 3z 6
0z 0
37
Chapitre II: Espaces vectoriels réels
I. Espace vectoriel
Soit E un ensemble muni d’une loi de composition interne noté et d’une loi de composition
externe à opérateur dans . On dit que E est un espace vectoriel sur s’il vérifie les
propriétés suivantes :
Addition :
- x y z x y z , x, y, z E
- x y yx , x, y E
- Il existe un élément de E noté 0 E , ou plus simplement 0, dit neutre, tel que
x E : x 0E x
- Pour tout x E , il existe un élément de E noté x , dit opposé de x , tel que : x x 0E
Ces propriétés font de E , un groupe commutatif.
Multiplication externe :
- x = x , , , x E
- x = x x , , , x E
- x y = x y , , x, y E
- 1.x x , x E
Remarque :
2. Propriétés
- x 0E = 0 ou x 0E
- x y x y
- x x x
- x x
Exemple 1:
L’ensemble 2
muni des lois suivantes est un espace vectoriel sur :
38
- Définition de la loi interne : Si x, y et x ', y ' sont deux éléments de 2
, alors
x, y x ', y ' x x ', y y '
- Définition de la loi externe : Si x, y et x ', y ' sont deux éléments de 2
et , alors
x, y x, y .
Exemple 2:
a 0 a1 x an x n b0 b1 x bn x n a0 b0 a1 b1 x an bn x n
- Définition de la loi externe : Si a0 a1 x an x n et b0 b1 x bn x n sont deux
éléments de Pn X et , alors : a0 a1 x an x n a0 a1 x an x n
Définition 2:
Soit F une partie d’un espace vectoriel E , ,. . L’ensemble F est un sous-espace vectoriel
de E si et seulement si les deux conditions suivantes sont satisfaites :
Exemple :
1. L’ensemble F1 x, y 2
/ x 2 y 0 est un sous-espace vectoriel de 2
. En effet,
39
- Le vecteur nul 0,0 F1 , car 0 2 0 0 .
- Soient x, y et x ', y ' deux éléments de l’ensemble F1 .
On a alors x 2 y 0 et x ' 2 y ' 0 .
Donc x x ' 2 y y ' 0 .
Ainsi x x ', y y ' F1 .
- Soit x, y F et .
On a alors x 2 y 0 .
Donc x 2 y 0 .
Ainsi x, y F1 .
2. L’ensemble F2 x, y, z 3
/ x 3 y z 2 n’est pas un sous-espace vectoriel de 3
Théorème :
L’intersection de deux sous-espaces vectoriels d’un espace vectoriel E est un sous espace
vectoriel de E .
Exemple :
3
Soit dans les sous-espaces F et G définis par :
F x, y, z 3
/ x y z 0 et G x, y, z 3
/ 3x z 0
L’ensemble F G x, y, z 3
/ x y z 0 et 3x z 0 est un sous-espace vectoriel de
3
.
Remarque :
La réunion de deux sous-espaces vectoriels n’est pas en général un sous-espace vectoriel.
Exemple :
3
Soit dans les sous-espaces vectoriels F et G définis par :
F x, y, z 3
/ x 0 et G x, y, z 3
/ z 0
40
L’ensemble F G x, y, z 3
/ x 0 ou z 0 n’est pas un sous-vectoriel car les deux
vecteurs 0, 2,1 et 3, 4,0 appartiennent à F G , mais leur somme
Définition 1 :
Exemple :
3
Soient F et G deux espaces vectoriels de donnés par :
F x, y, z 3
/ x 0 et G x, y, z 3
/ y 0
F G
x, y, z 0, y, z x, 0, 0
On peut écrire également :
F G
x, y, z 0, y, 0 x, 0, z
On constate alors, qu’un élément de 3 ne peut pas s’écrire d’une façon unique comme la
somme d’un élément de F et d’un élément de G .
Définition 2:
Théorème :
On dit que E1 et E2 sont supplémentaires dans E ou encore que E est la somme directe de
E1 et de E2 si les deux conditions suivantes sont vérifiées :
1. E E1 E2
41
2. E1 E2 0E
Exemple :
Si une fonction appartient à E1 E2 , alors elle est à la fois paire et impaire, c’est-à-dire
f x f ( x) et f x f ( x) .
La seule fonction à la fois paire et impaire est la fonction nulle. Donc E1 E2 0E .
Il s’agit de vérifier que toute fonction qui appartient à E peut s’écrire comme la somme d’une
fonction paire et d’une fonction impaire.
f ( x) f1 ( x) f 2 ( x) (1)
f ( x) f1 ( x) f 2 ( x)
Et
f ( x) f1 ( x) f 2 ( x) (2)
f ( x) f ( x) f ( x) f ( x)
f1 ( x) et f 2 ( x)
2 2
f ( x) f ( x) f ( x) f ( x)
Alors pout tout x , f ( x) f1 ( x) f 2 ( x) avec f1 E1 et
2 2
f 2 E2 .
Ainsi, E E1 E2 .
42
III. Combinaison linéaire et famille génératrice
1. Combinaison linéaire
Définition :
Exemple :
2. Système générateur
Définition 1 :
Soit E un espace vectoriel.
- On dit qu’un système de vecteurs u1 , u2 ,..., un est un système générateur de E si tout
vecteur u de E est une combinaison linéaire des vecteurs u1 , u2 ,..., un . On a ainsi
n
u i ui .
i 1
- On dit aussi que le système u1 , u2 ,..., un engendre E ou que E est engendré par le
système u1 , u2 ,..., un .
- Le système u1 , u2 ,..., un s’appelle également une famille génératrice de E .
- On note E Vect (u1 , u2, ....., un ) ou E u1 , u2, ....., un .
Remarque :
Pour montrer qu’un ensemble E est un espace vectoriel, il suffit de montrer qu’il est défini
comme étant un sous-espace vectoriel engendré par une partie de vecteurs.
Exemple :
43
1. 2
est engendré par le système 3,1 , 1, 1 , car tout vecteur x, y de 2
s’écrit comme
une combinaison linéaire de 3,1 et 1, 1 . En effet,
x, y 1 3,1 2 1, 1 x, y 31 , 1 2 , 2
3 2 x
1
1 2 y
31 2 x
41 x y
31 2 x
x y
1
4
x 3y
2 4
x y
1 4
x y x 3y
Ainsi, x, y 3,1 1, 1 .
4 4
2. L’ensemble E x, y 2
/ x 2 y 0 est un sous-espace vectoriel de 2
engendré par
le système 2,1 car tout vecteur de E s’écrit comme une combinaison linéaire du vecteur
2,1 . En effet,
E x, y 2 / x 2 y 0
E x, y 2 / x 2 y
E 2 y, y : y
E y 2,1 : y
E Vect 2,1
3. L’ensemble F x, y, z 3 / x 2 z 0 est un sous-espace vectoriel de 3 engendré
par le système 0,1,0 , 2,0,1 car tout vecteur de F s’écrit comme une combinaison
linéaire des vecteurs 0,1,0 et 2,0,1 . En effet,
F x, y, z 3 / x 2 z 0
F x, y, z 3 / x 2 z
F 2 z , y, z : y, z
F y 0,1, 0 z 2, 0,1 : y, z
F Vect 0,1, 0 , 2, 0,1
44
3. Système libre-Système lié
Définition :
- On dit que les vecteurs u1 , u2 , u3 ,..., un d’un espace vectoriel E sont linéairement
indépendants ou le système u1 , u2 , u3 ,..., un est un système libre si et seulement si
1u1 2u2 nun 0E 1 2 n 0 .
- On dit que les vecteurs u1 , u2 , u3 ,..., un d’un espace vectoriel E sont linéairement
dépendants ou le système u1 , u2 , u3 ,..., un est un système lié si et seulement s’il existe n
réels non tous nuls 1 , 2 ,..., n tels que 1u1 2u2 nun 0E .
Proposition :
Remarque :
Pour montrer qu’un système S u1 , u2 ,..., un est libre ou lié, on considère d’abord que
1u1 2u2 nun 0E , ensuite, on résout le système dont les inconnus sont 1 , 2 ,...., n .
- Si le système admet une solution unique 1 2 .... n 0 alors le système est libre.
- Si le système admet une infinité de solutions, alors le système est lié.
Exemple :
1. Dans 3
, les vecteurs (2, 1, 4),(4,1,8),(3, 4,8) sont libres (ou linéairement indépendants).
en effet :
On a 1 (2, 1, 4) 2 (4,1,8) 3 (3, 4,8) (0,0,0)
(21 , 1 , 41 ) (42 , 2 ,82 ) (33 , 43 ,83 ) (0, 0, 0)
21 42 33 0 L1
1 2 43 0 L2
4 8 8 0
1 2 3 L3
21 42 33 0 L1
62 113 0 L2 L1 2 L2
23 0 L3 L3 2 L1
45
21 42 33 0 21 42 0 1 0
62 113 0 62 0 2 0
3 0 3 0 0
3
Donc, 1 2 3 0
3
2. Dans , les vecteurs (1, 2,3),(2,1,3),(1,0,1) sont liés (ou linéairement dépendants). En
effet :
On a 1 (1, 2,3) 2 (2,1,3) 3 (1,0,1) (0,0,0)
Définition :
Exemple :
46
Donc, 1 rang S 3 .
1 22 3 0 L1
21 3 0 L2
3 0 L3 L3 L2
2 0
1 0
0
3
Donc, 1 2 3 0 .
Alors, rang S 3
Définition :
On dit qu’un système B u1 , u2, ....., un est une base de E si et seulement si il est libre et
générateur de E .
Proposition :
Un système B u1 , u2, ....., un est une base de E si pour tout vecteur u de E s’écrit d’une
façon unique comme combinaison linéaire de u1 , u2, ....., un :
Les scalaires 1 , 2, ....., n sont appelés les coordonnées du vecteur u dans la base
u1 , u2 ,....., un .
Exemple 1 :
47
1- Soient e1 1, 0, 0 , e2 0,1, 0 , e3 0, 0,1 des vecteurs de 3
.
Exemple 2 :
Soit F x, y, z 3
/ x 2 y z 0 un sous-espace vectoriel de 3
.
Déterminons la base de F .
On a : F x, y, z 3
/ x 2 y z 0
F x, y, z 3
/ z x 2 y
F x, y, x 2 y : x, y
F x 1, 0,1 y (0,1, 2) : x, y
F Vect 1, 0,1 , (0,1, 2)
Définition 2 :
La dimension d’un espace vectoriel de dimension finie est le nombre d’éléments d’une base de
E . On la note dim E .
Exemple :
- 2
est de dimension 2. On écrit dim
2. 2
- 3
est de dimension 3. On écrit dim 3 . 3
- Plus généralement, n
est de dimension n . On écrit dim n
n.
- n X est de dimension n 1 . On écrit dim n X n 1 .
Théorème de la base incomplète :
Soit E un espace vectoriel sur , que l’on suppose de dimension finie. Soient F une partie
génératrice finie de E et G une partie libre de E , G F . Il existe alors une base B de E
telle que : G B F .
Exemple :
Soit 4
muni de sa base canonique B e1 , e2 , e3 , e4 et soit S une famille libre donnée par
S v1 , v2 de où v1 1, 2, 0, 0 et v2 1,1, 0, 0 .
4
Théorème :
Soit F un sous-espace vectoriel de E de dimension finie.
- Alors, F est de dimension finie.
- dim F dim E .
- F E dim F dim E .
Théorème :
Soit E un espace vectoriel et soient F et G deux sous-espaces vectoriels de E . On a :
49
dim F G dim F dim G
Exemple :
3
On considère les deux sous-espaces vectoriels de donnés par :
F x, y, z 3
/ x y z 0 et G 2 y, y, y / y
Montrons que les deux sous espaces vectoriels F et G sont en somme directe
(supplémentaires) dans 3 . C’est-à-dire 3 F G .
Montrons alors que :
On a :
F x, y, z 3
/ x y z 0
F x, y, z 3
/ x y z
F y z , y, z : y, z
F y 1,1, 0 z 1, 0,1 : y, z
F Vect 1,1, 0 , 1, 0,1
Soient 1 , 2
50
Donc dim F 2 .
On a également :
G 2 y, y, y / z
G y 2,1, 1 / z
G Vect 2,1, 1
S 2 est un système d’un seul vecteur non nul. D’où S 2 est libre.
On a dim F 2 et dim G 1
x y z 0 2 y y y 0 2 y 0 y 0
x, y, z F G x 2 y
x 2 y
x 2 y x 0
z y z y z y z 0
D’où F G 0 3
Par conséquent, les deux sous espaces vectoriels F et G sont en somme directe
(supplémentaires) dans 3 .
Alors, F G 3
.
51
Chapitre III : Applications linéaires
I. Applications linéaires
1. Définitions
Définition 1 :
Soient E et F deux espaces vectoriels et f une application de E dans F . On dit que f
est une application linéaire si :
1- f (u v) f (u) f (v) u, v E
2- f (.u) . f (u) u E,
Proposition :
Soient E et F deux espaces vectoriels et f une application de E dans F . On dit que f
est une application linéaire si :
u, v E , f (u v) f (u) f (v)
Définition 2 :
Soit f une application de E dans F .
52
En effet, soient u x, y, z et v x ', y ', z ' deux vecteurs de 3
, on a :
En effet, si 1,1 et 2 , on a :
Alors : f 2 1,1 2 f 1,1
2. Propriétés
- f 0E 0F
- u E, f u f u
p p
- u1 , u2 ,....u p E , f iui i f ui
i 1 i 1
L’image par f d’une combinaison linéaire est la combinaison linéaire des images.
Théorème :
53
Proposition 1 :
Si f et g sont deux applications linéaires de E dans F . Alors :
Proposition 2:
Si f est une application linéaire de E dans F et g une applications linéaire de F dans
G , alors g f est une application linéaire de E dans G .
Proposition 3:
1
Si f est un isomorphisme, alors f est aussi un isomorphisme.
Proposition 4:
Définition 1 :
Définition 2 :
K er f f 1 0F u E ; f u 0F
54
Proposition :
Soit f une application linéaire de E dans F . Le noyau de f est un sous espace vectoriel
de E .
Exemple 1:
3 3
Soit f une application linéaire de dans définie par :
f x, y, z 2x y 4z, x y 2z, x y 3z
Déterminons le noyau de f :
2 x y 4 z 0
u x, y, z K er f x y 2z 0
x y 3z 0
2 x y 4 z 0 L1
y0 L2 L1 2 L2
y 2z 0 L3 L1 2 L3
2 x y 4 z 0
y0
2z 0
x 0
y 0
z0
Donc : u 0,0,0
Alors, K er f 0,0,0
Exemple 2:
3 3
Soit f une application linéaire de dans définie par :
f x, y, z x z, y, x y z
Déterminons le noyau de f :
55
x z 0
u x, y, z K er f y 0
x y z 0
x z 0
y 0
x z 0
x z
y 0
x z
Définition 3 :
Im f v F ; u E tel que f u v
Proposition :
Soit f une application linéaire de E dans F . L’image de f est un sous espace vectoriel de
F.
Exemple :
2 3
Soit f une application linéaire de dans définie par :
f x, y 2x y z, x y, x z
Déterminons l’image de f :
56
2 x y z a
u a, b, c Im f x y b
xz c
2 x y z a L1
x y b L2
x y ac L3 L1 L3
2 x y z a L1
x y b L2
abc 0 L3 L2 L3
Proposition:
- Si S est une partie liée de E alors f S est une partie liée de F . La réciproque est fausse.
- Si f S est une partie libre de F alors S est une partie libre de E . La réciproque est
fausse.
Exemple :
3 3
Soit f une application linéaire de dans définie par :
f x, y, z x 2 y z, x 4 y, z
57
La base canonique de 3
est constituée des trois vecteurs e1 1,0,0 , e2 0,1,0 et
e3 0,0,1 .
f e1 f 1,0,0 1,1,0
f e2 f 0,1,0 2, 4,0
f e f 0,0,1 1,0,1
3
Théorème 1 :
Exemple :
3 3
Soit f une application linéaire de dans définie par :
f x, y, z x y z, x z, x 3 y
Déterminons le noyau de f :
58
x y z 0
u x, y, z K er f xz 0
x 3y 0
x y z 0 L1
xz 0 L2
2 x 3z 0 L3 L3 3L1
x y z 0 L1
xz 0 L2
5z 0 L3 L3 2 L2
y 0
x0
z0
Donc, u 0,0,0
Ainsi, K er f 0,0,0
Définition 2 :
Soient E et F deux espaces vectoriels de dimension finie et f une application linéaire de
E dans F . On dit que f est surjective si tout élément de F possède au moins un antécédent
dans E par f . Autrement dit : v F , u E tel que f u v .
Théorème 2 :
Théorème 3 :
On dit que f est bijective si et seulement si elle est à la fois injective et surjective. Autrement
dit, si K er f 0E et Im f F .
Exemple :
59
x y a
u a, b Im f
x 2 y = b
x y a
y a b
x y a
y a b
x a b a
y a b
x 2a b
y a b
x , y 2 a b, a b
Proposition :
f u , f u ,... f u de F
1 2 n
est libre.
- Si f est bijective et la famille u1, u2 ,...un est une base de E , alors la famille
Proposition :
60
- Si l’application f est surjective alors dim E dim F .
- Si l’application f est bijective alors dim E dim F .
rg f dim Im f
Exemple :
3 3
Soit f une application linéaire de dans définie par :
f x, y, z 2x z, x z, x y 2z
Déterminons l’image de f :
f e1 f 1,0,0 2,1,1
f e2 f 0,1,0 0,0,1
f e3 f 0,0,1 1, 1, 2
61
1 2,1,1 2 0,0,1 3 1, 1, 2 0,0,0
21 , 1 , 1 0,0, 2 3 , 3 , 23 0,0,0
21 3 0
1 3 0
2 0
1 2 3
1 2 23 0 L3 L1
1 3 0 L2
2 0 L1 L3
1 3
1 2 23 0 L1
1 3 0 L2
31 0 L3 L2 L3
2 0
3 0
0
1
Ainsi, rg f dim Im f 3
Théorème du rang
Proposition :
62
Exemple :
Déterminons le noyau de f :
2 x y 0
u x, y, z K er f
3 y 2 z 0
y 2 x
6 x 2 z 0
y 2 x
z 3x
Ainsi,
rg f dim 3
dim Ker f
rg f 3 1
rg f 2
rg f dim 3
l’application f n’est pas injective.
rg f dim 2
l’application f est surjective.
63