Académique Documents
Professionnel Documents
Culture Documents
Introduction ............................................................................................................................2
1 Application linéaire et base ............................................................................................2
2 Matrice d’application linéaire.........................................................................................2
3 Image d’un vecteur x de E par f ...................................................................................3
4 Lien entre opérations sur les applications linéaires et opérations sur les matrices.........5
4.1 Addition de deux applications linéaires..................................................................5
4.2 Multiplication par un scalaire .................................................................................5
4.3 Composition d’application .....................................................................................6
4.4 Inverse d’une application linéaire...........................................................................6
2
5 Les applications linéaires les plus classiques de ......................................................7
5.1 L’homothétie de rapport λ ....................................................................................7
5.2 La symétrie définie par s ( x , y ) = ( x , −y ) ...........................................................8
Introduction
Comme nous l’avons vu au chapitre 2, la notion d’application linéaire est indépendante de la
notion de base d’un espace vectoriel. Toutefois, travailler avec des applications linéaires dont
les espaces vectoriels sont munis d’une base, permet d’énoncer, comme nous allons le
découvrir, d’autres propriétés très intéressantes.
Ainsi :
f ( x ) = f ( x1u1 + x2u2 + … + x p u p ) = x1 f ( u1 ) + x2 f ( u2 ) + … + x p f ( u p )
Ö Cette expression montre que l’application linéaire f est entièrement définie par les images
Ceci signifie également que si l’on connaît tous les f ( ui ) pour i = 1,… , p , alors on connaît
un quelconque f ( x ) .
Soit f ∈ L ( E , F ) .
base de E.
Définition 1
Définition 2
La matrice de l’application f : E → F relativement aux bases B E = {u1 , u2 ,… , u p } de E et
f (u1 ) f (u 2 ) ... f (u p )
a11 a12 a1 p v1
a21 a22 a2 p v2
A=
an1 an 2 anp v p
Conséquences
A a pour dimension ( n, p ) :
Exemple
Considérons l’application linéaire suivante :
f: 3
→ 2
( x1 , x2 , x3 ) ( x1 − x2 , 2 x2 + 3x3 )
3 2
Déterminer la matrice associée à f relativement aux bases canoniques de et . Réponse.
Soit f ∈ L ( E , F ) .
x1
Soit x un vecteur de E : x = x1u1 + x2u2 + … + x p u p . On appelle X = la matrice colonne
xp
des coordonnées du vecteur x dans B E .
y1
Soit y = f ( x ) , l’image de x par f : y ∈ F ⇒ y = y1v1 + y2 v2 + … + yn vn . On appelle Y =
y
n
la matrice colonne des coordonnées du vecteur y dans B F .
y1 x1
Ö L’objectif est d’exprimer Y = en fonction de X = .
y x
n p
vient :
y1 = x1a11 + x2 a12 + … + x p a1 p
y2 = x1a21 + x2 a22 + … + x p a2 p
y = x a + x a +… + x a
p 1 n1 2 n2 p np
Exemple
3 2
Considérons la matrice suivante associée à f relativement aux bases canoniques de et :
1 −1 0
A= . Voir exemple précédent. Calculer l’image de x = (1, −1,1) par f. Réponse.
0 2 3
Proposition
Soient f , g ∈ L ( E , F ) . Soient M f et M g leurs matrices associées relativement aux bases
Exemple
Considérons deux applications linéaires f et g définies comme suit :
f: 2
→ 2
g: 2
→ 2
Proposition :
Soit f : E → F une application linéaire ayant M pour matrice associée relativement aux
bases B E et B F . Soit λ ∈ , alors l’application linéaire λ f a pour matrice associée λ M
Exemple
f: 2
→ 2
( u1 , u2 ) ( 3u1 + u2 , u1 − u2 )
Déterminer la matrice associée à l’application linéaire λ f relativement à la base canonique
de 2
, avec λ ∈ . Réponse.
Proposition :
Soient f : E → F et g : F → G . On suppose E, F et G munis respectivement des bases B E ,
h : E
f
→ F
g
→G
X Y =MfX Z = Mg Y = M g (M f X) = (M gM f ) X
Remarques
1. La multiplication de deux matrices équivaut à la composition de deux applications
linéaires.
2. Le fait que la composition de deux applications ne commute pas est liée à la non
commutativité du produit matriciel.
Exemple
Considérons deux applications linéaires f et g définies comme suit :
f: 2
→ 2
g: 2
→ 2
Définition
Soient f ∈ L ( E , F ) une application bijective et f −1 ∈ L ( F , E ) son application réciproque.
Proposition 1
Une application linéaire f est bijective si et seulement si sa matrice associée M f
Exemple
Considérons l’application linéaire définie par :
f: 2
→ 2
( u1 , u2 ) ( v1 , v2 ) = ( 2u1 − u2 , u1 )
Déterminer la matrice associée à f −1 . Réponse.
Proposition 2
Une application linéaire f est bijective si et seulement si il existe des bases B E et B F telles
exemples suivants on abordera successivement les points suivants : (1) Montrer que
l’application considérée est linéaire ; (2) Déterminer la matrice A associée à l’application
relativement à la base {e1 , e2 } ; (3) Calculer l’image d’un vecteur quelconque x = ( x1 , x2 ) par
Hλ : 2
→ 2
(1) Soient x , y ∈ 2
et α , β ∈ .
H λ (α x + β y ) = λ (α x + β y ) = λα x + λβ y = α ( λ x ) + β ( λ y )
= α Hλ ( x ) + β Hλ ( y )
λ 0
(2) H λ ( e1 ) = λ e1 = ( λ , 0 ) H λ ( e2 ) = λ e2 = ( 0, λ ) A=
0 λ
x
(3) Soit X = 1 .
x2
Notons Y la matrice colonne des coordonnées du vecteur image de x par H λ :
λ 0 x1 λ x1
Y = AX = =
0 λ x2 λ x2
(4)
x = ( x1 , x2 ) y = ( y1 , y2 ) = ( x1 , − x2 )
(1) Soient x , y ∈ 2
et α , β ∈ . Notons x = ( x1 , x2 ) et y = ( y1 , y2 ) :
s (α x + β y ) = s α ( x1 , x2 ) + β ( y1 , y2 )
= s (α x1 + β y1 ,α x2 + β y2 )
= (α x1 + β y1 , −α x2 − β y2 )
= α ( x1 , − x2 ) + β ( y1 , − y2 )
= αs ( x) + β s ( y)
x
(3) Soit X = 1 . Notons Y la matrice colonne des coordonnées de l’image de x par s :
x2
1 0 x1 x1
Y = AX = =
0 −1 x2 − x2
(4)
x = ( x1 , x2 ) y = ( y1 , y2 ) = ( − x1 , − x2 ) = − x
(1) Soient x , y ∈ 2
et α , β ∈ :
s (α x + β y ) = − (α x + β y )
= α (−x ) + β ( y)
= α s ( x) + β s ( y)
−1 0 x1 − x1
Y = AX = =
0 −1 x2 − x2
rθ : 2
→ 2
y = x
x = ( x1 , x2 ) y = ( y1 , y2 ) avec
( x , y ) = θ
x représente la norme du vecteur x , autrement dit sa longueur. Cette notion sera présentée
x = x12 + x22
2
(1) Nous admettrons que rotation d’angle θ est donc bien une application linéaire.
cos θ − sin θ
(2) rθ ( e1 ) = ( cos θ ,sin θ ) rθ ( e2 ) = ( − sin θ , cosθ ) A=
sin θ cos θ
x
(3) Soit X = 1 . Notons Y la matrice colonne des coordonnées de l’image de x par rθ :
x2
Définition 1
On appelle système linéaire un système (S) de n équations linéaires à p inconnues dans
qui s’écrit sous la forme :
a11 x1 + a12 x2 + … + a1 p x p = b1
a21 x1 + a22 x2 + … + a2 p x p = b2
(S )
a x + a x + … + a x = b
n1 1 n 2 2 np p n
où les coefficients aij et bi appartiennent à , et où les x j sont les inconnues à valeurs dans
∑a x
j =1
ij j = bi i = 1, n
b1 x1
ou sous la forme matricielle AX = B avec A ( n , p ) = aij , B( n ,1) = et X( p ,1) = .
b xp
n
Exemple
Le système (S) suivant est un système linéaire de 3 équations à 4 inconnues x, y, z , t :
x − y + z + t = 2
(S) x + y − z + 2t = 1
y + 2z =0
x
1 −1 1 1 2
y
⇔ AX = B avec A = 1 1 −1 2 B = 1 X =
0 1 2 0 0 z
t
chercher tous les u satisfaisant cette équation, le vecteur v étant connu a priori.
Deux cas peuvent alors se présenter :
Considérons f ( u + w ) : f ( u + w ) = f ( u ) + f ( w ) = v + 0 = v .
Exemple
2 x + y = 1
Déterminer le nombre de solutions du système . Réponse
x − 3y = 2
solution unique.
Or f ( u ) = v ⇔ AX = B . f étant bijective, det ( A ) ≠ 0 et A est inversible :
AX = B ⇔ X = A −1B
Exemple
2 x + y = 1
Résoudre le système . Réponse
x − 3y = 2
Les systèmes linéaires s’utilisent par conséquent pour inverser des matrices.
Définition
On appelle système de Cramer un système de n équations à n inconnues ( n = p ) dont la
matrice est inversible (une solution unique), c’est-à-dire telle que ∆ = det ( A ) ≠ 0 .
Proposition
Un système de Cramer admet toujours une et une seule solution :
1
X = A −1B = ( adjA ) .B
t
(R)
∆
Conséquences
D’après la relation (R), on a :
1t 1
X= X ij B = X ji B
∆ ∆
X 11 X 21 … X n1 b1
1 X 12 X 22 … X n 2 b2
X=
∆
X 1n X 2n … X nn bn
1 n
La première ligne de la relation (R) est : x1 = ∑ X j1b j
∆ j =1
n
Î ∑X
j =1
b n’est autre que le déterminant d’ordre n obtenu en remplaçant dans ∆ , la
j1 j
an1 an 2 … ann
b1 a12 … a1n
b2 a22 … a2 n n
∆1 = = ∑ X j1b j en développant / 1ère colonne
j =1
bn an 2 … ann
∆1
Donc x1 = , et par généralisation, on obtient :
∆
∆i 1 n
xi = = ∑ X ji b j ∀i = 1, n
∆ ∆ j =1
« seconds membres » b j .
Exemples
2 x + y = 1
1. Résoudre par la méthode de Cramer le système . Réponse
x − 3y = 2
x + y + 2z = 1
2. Résoudre de deux façons différentes le système 2 x + y + 2 z = 2 .
x + 3y + z = 1
Résolution par inversion de matrice Résolution par la méthode de Cramer
Les « cas embêtants » sont ceux pour lesquels, soit v ∉ Im f (pas de solution), soit v ∈ Im f
mais f non bijective (une infinité de solutions).
Nous traiterons ces deux cas à partir de deux exemples.
Exemples
x + y + 3 z + 5t = 1
1. Résoudre x + 2 y + 5 z + 9t = 2 . Réponse
2 x + 3 y + 8 z + 14t = 1
x − y + z = 1
2. Résoudre 2 x + y + 2 z = 2 . Réponse
− x + 3 y − z = −1
7 Changement de base
Problématique
La matrice d’une application linéaire f est toujours construite relativement à un choix de bases
dans E et dans F. Comment relier deux matrices qui représentent la même application linéaire
lorsque l’on change de bases pour E et F ?
B E′ = {u1′, u2′ ,… , un′ } où B E est par convention l’ancienne base et B E′ la nouvelle base.
Définition
On appelle matrice de passage de la base B E à la base B E′ , la matrice notée P dont les
colonnes sont constituées des coordonnées des vecteurs u′j de la base B E′ dans la base
B E = {u1 , u2 ,… , un } .
Remarques
1. La matrice P est nécessairement une matrice carrée d’ordre égal à la dimension de E.
2. P est en fait, la matrice associée à l’application linéaire identité Id E relativement aux
bases B E′ et B E .
Proposition
Une matrice de passage est toujours inversible.
Il est facile de déterminer les relations entre les { x j } et les { x′j } à l’aide de la matrice de
passage P :
Exemple
0
On considère X = −1 la matrice des coordonnées de x dans la base canonique
2
B = {e1 , e2 , e3 } de 3
. Soit B ′ = {e1′, e2′ , e3′ } une autre base de R 3 avec :
Théorème
Soit f ∈ L ( E , F ) une application linéaire.
M′f = Q -1M f P
Corollaire
Soit f ∈ L ( E , E ) , un endomorphisme de E, et B E = {u1 , u2 ,… , un } , B E′ = {u1′, u2′ ,… , un′ }
Exemple
Soit f ∈L( 3
, 2
), une application linéaire dont la matrice relativement aux bases
3 −1 1
canoniques de 3
et 2
est M f = .
0 2 0
3 2 −2
Soit P = −1 0 1 , la matrice de changement de base de l’exemple précédent.
1 1 0
Déterminer la matrice M′f de l’application linéaire f dans la nouvelle base. Réponse.
Définition
On dit que deux matrices carrées A et B de même ordre sont semblables s’il existe une
matrice P inversible telle que B = P −1AP . Les matrices A, B, P ont même dimension.
Notation : A ∼ B
Propriétés
Soient A, B et C trois matrices carrées d’ordre n :
(i) A∼B⇔B∼A
(ii) A = B ⇒ A ∼ B avec P = I n
(iii) Si A ∼ B et B ∼ C , alors A ∼ C
Conséquence
Dans le corollaire du paragraphe précédent, les matrices M f et M′f sont semblables. Ainsi,
deux matrices sont semblables si elles représentent la même application linéaire, mais dans
des bases différentes.
On rappelle que P = {( x, y, z ) ∈ 3
x + y + z = 1} . Revoir.
1 0 1 4 x1 x1 + x3 4
f ( x ) se calcule par AX = 0 1 1 4 x2 = x2 + x3 4
0 0 1 2 x x 2
3 3
Donc f ( x ) ∈ P .
1 0 1 4 1 3 5 12
- P1 = f ( P0 ) ⇔ 0 1 1 4 1 3 = 5 12
0 0 1 2 1 3 1 6
1 0 1 4 5 12 11 24
- P2 = f ( P1 ) ⇔ 0 1 1 4 5 12 = 11 24
0 0 1 2 1 6 1 12
1 ( 3 × 2n ) dans Pn :
(
Pn +1 = APn . Si Pn = a, b,1 ( 3 × 2n ) , alors : )
1 0 1 4 a a′
Pn +1 = 0 1 1 4 b = b′
0 0 1 2 n
1 ( 3 × 2 ) 1 ( 3 × 2 )
+
n 1
1 1
f1 + f 2 + f 3 = 1 ⇔ 2 f1 = 1 − f 3 ⇔ f1 = f 2 = −
2 3 × 2n +1
On pourrait aussi montrer ce résultat par récurrence.
1 1
D’un point de vue mathématique, lim n
= 0 ,ce qui signifie que lim f3 = 0 et lim f1,2 = .
n→+∞ 2 n →+∞ n →+∞ 2
D’un point de vue biologique, au bout d’un certain temps, la population ne contiendra plus
que des plantes de type A1 et A2, qui seront d’ailleurs en proportions égales à 50% ; le type A3
aura disparu.
Voici une simulation qui permet de le vérifier :
0.6
0.5
0.4
A1
0.3 A2
A3
0.2
0.1
0
0 5 10 15
http://www.interviandes.com/interviandes/elevage/alimentation.html
1 0 1 1
det A = + − = 1 , en développant par rapport à la première colonne.
1 1 1 1
Ainsi, det A ≠ 0 , la matrice A est donc inversible et l’application linéaire qui lui est associée
est donc bijective.
En conséquence, on peut affirmer qu’il existe une solution unique au système (S) :
X = A −1B
+1 −1 +1
Pour calculer A , il faut calculer adjA = −0
−1
+1 −1 . Ainsi :
+ ( −1) − ( −1) +0
1 0 −1
( adj A ) = − 1
−1 1
=
t
A 1 1
det A 1
−1 0
1 0 −1 6 1
Finalement, X = −1 1 1 3 = 2 .
1 −1 0 5 3
On en conclut que l’éleveur devra donner 1 dose de foin, 2 doses d’ensilé et 3 doses de farines
à chaque animal pour lui assurer un développement dans les meilleures conditions.