Algèbre Lineaire Matrice

Chapitre 3bis : Applications linéaires et Matrices
Sandrine CHARLES : scharles@biomserv.univ-lyon1.fr
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
5.3 La symétrie définie par s ( x , y ) = ( −x , −y ) ........................................................9
5.4 La rotation d’angle θ ...........................................................................................10

6 Résolution d’un système linéaire..................................................................................10
6.1 Quelques définitions .............................................................................................10
6.2 Recherche des solutions de (S) .............................................................................11
6.3 Résolution de (S) par inversion de matrice...........................................................12
6.4 La méthode de Cramer .........................................................................................13
6.5 « Cas embêtants » .................................................................................................14
7 Changement de base .....................................................................................................15
7.1 Matrice de passage................................................................................................15
7.2 Changement de base pour un vecteur ...................................................................16
7.3 Changement de base pour une application linéaire ..............................................17
7.4 Matrices semblables .............................................................................................18
8 Exemples d’utilisation en biologie ...............................................................................18
Mathématiques : Outils pour la Biologie – Deug SV2 – UCBL S. Charles (10/02/03)
......................................................................................................................................................................................................
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.
1 Application linéaire et base
Soient E et F deux espaces vectoriels sur et f ∈ L ( E , F ) . Supposons que E soit muni de
la base B E = {u1 , u2 ,… , u p } . Alors dim ( E ) = p et ∀x ∈ E , x = x1u1 + x2u2 + … + x p u p .
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
{ f (u ) , f ( u ) ,…, f (u )} des vecteurs de la base de E.

1 2 p
Ceci signifie également que si l’on connaît tous les f ( ui ) pour i = 1,… , p , alors on connaît
un quelconque f ( x ) .
2 Matrice d’application linéaire
Soit f ∈ L ( E , F ) .
E est muni de la base B E = {u1 , u2 ,… , u p } : dim ( E ) = p
F est muni de la base B F = {v1 , v2 ,… , vn } : dim ( F ) = n
Les images f ( u1 ) , f ( u2 ) ,… , f ( u p ) des vecteurs de la base de E sont éléments de F et se
décomposent dans B F = {v1 , v2 ,… , vn } :
f ( u1 ) = a11v1 + a21v2 + … + an1vn
soit d’une manière générale f ( u j ) = a1 j v1 + a2 j v2 + … + anj vn ∀j = 1, p
Dans le terme général aij , i correspond à un vecteur de la base de F et j à un vecteur de la
base de E.
Chapitre 3bis : Applications linéaires et Matrices - page 2/21 -

......................................................................................................................................................................................................
Définition 1
(a 1j , a2 j ,… , anj ) sont les coordonnées du vecteur f ( u j ) dans la base {v1 , v2 ,… , vn } .
Définition 2
La matrice de l’application f : E → F relativement aux bases B E = {u1 , u2 ,… , u p } de E et
B F = {v1 , v2 ,… , vn } de F, est le tableau à n lignes et p colonnes des coordonnées des f ( u j )
dans la base {v1 , v2 ,… , vn } :
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 ) :
• Le nombre de lignes de A est donné par la dimension de F.

• Le nombre de colonnes de A est donné par la dimension de E.
• Les colonnes de A sont les coordonnées des vecteurs f ( u j ) dans la base {v1 , v2 ,… , vn } .
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.
3 Image d’un vecteur x de E par f
Soit f ∈ L ( E , F ) .
E est muni de la base B E = {u1 , u2 ,… , u p } et F est muni de la base B F = {v1 , v2 ,… , vn } .
Soit A ( n, p ) =  aij  la matrice associée à f relativement aux bases B E et B 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
f ( x ) = x1 f ( u1 ) + x2 f ( u2 ) + … + x p f ( u p ) car f est une application linéaire

= x1 ( a11v1 + a21v2 + … + an1vn ) + x2 ( a12v1 + a22 v2 + … + an 2 vn ) + … + x p ( a1 p v1 + a2 p v2 + … + anp vn )
On regroupe les termes en fonction de v1 , v2 ,… , vn :
f ( x ) = ( x1a11 + x2 a12 + … + x p a1 p ) v1 + ( x1a21 + x2 a22 + … + x p a2 p ) v2 + … + ( x1an1 + x2 an 2 + … + x p anp ) vn
Or f ( x ) = y1v1 + y2 v2 + … + yn vn , et donc par identification des deux expressions de f ( x ) , il
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
En utilisant la matrice A ( n, p ) , il vient : Y = AX .
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

......................................................................................................................................................................................................
4 Lien entre opérations sur les applications linéaires et

opérations sur les matrices
On suppose dans tout ce paragraphe que E est un espace vectoriel muni de la base
B E = {u1 , u2 ,… , u p } et que F est un espace vectoriel muni de la base B F = {v1 , v2 ,… , vn } .
4.1 Addition de deux applications linéaires
Proposition
Soient f , g ∈ L ( E , F ) . Soient M f et M g leurs matrices associées relativement aux bases
B E et B F . Alors f + g : E → F a pour matrice associée relativement aux bases B E et B F

M f + Mg .
Exemple
Considérons deux applications linéaires f et g définies comme suit :
f: 2
→ 2
g: 2
→ 2
( u1 , u2 ) ( 3u1 + u2 , u1 − u2 ) ( v1 , v2 ) ( v1 + 2v2 , −3v1 + v2 )

Calculer la matrice associée à l’application linéaire f + g relativement à la base canonique de
2
. Réponse.
4.2 Multiplication par un scalaire
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
relativement aux mêmes bases B E et B F .
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.

......................................................................................................................................................................................................
4.3 Composition d’application
Proposition :
Soient f : E → F et g : F → G . On suppose E, F et G munis respectivement des bases B E ,
B F et B G .Soit M f la matrice associée à f relativement aux bases B E et B F . Soit M g la
matrice associée à g relativement aux bases B F et B G . Alors h = g f admet M f M g comme
matrice associée relativement aux bases B E et B G .
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
( u1 , u2 ) ( 3u1 + u2 , u1 − u2 ) ( v1 , v2 ) ( v1 + 2v2 , −3v1 + v2 )

2
Déterminer la matrice de l’application linéaire g f relativement à la base canonique de .
Réponse.
4.4 Inverse d’une application linéaire
Définition
Soient f ∈ L ( E , F ) une application bijective et f −1 ∈ L ( F , E ) son application réciproque.
Soit M f la matrice associée à f relativement aux bases B E et B F . Alors la matrice associée à
f −1 relativement aux bases B F et B E est M −f 1 où M −f 1 est la matrice inverse de M f .

......................................................................................................................................................................................................
Proposition 1
Une application linéaire f est bijective si et seulement si sa matrice associée M f
relativement à deux bases quelconques est inversible.
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
que det ( M f ) ≠ 0 où M f est la matrice de f relativement aux bases B E et B F .
5 Les applications linéaires les plus classiques de 2
On se place dans l’espace vectoriel 2

, muni de la base canonique {e1 , e2 } . Dans les trois
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
cette application ; (4) Donner une représentation graphique.
5.1 L’homothétie de rapport λ
Notons H λ l’homothétie de rapport λ :
Hλ : 2
→ 2
On dit que H λ ( x ) est colinéaire à x

x Hλ ( x ) = λ x
(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 )
L’homothétie de rapport λ est bien une application linéaire.

......................................................................................................................................................................................................
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)
5.2 La symétrie définie par s ( x , y ) = ( x , −y )
Notons s la symétrie définie par :

s: 2
→ 2
x = ( x1 , x2 ) y = ( y1 , y2 ) = ( x1 , − x2 )
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)
La symétrie s est donc bien une application linéaire.

1 0 
(2) s ( e1 ) = (1, 0 ) = e1 s ( e2 ) = ( 0, −1) = −e2 A= 
 0 −1 
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)
On appelle également s la symétrie d’axe 0x, l’axe 0x est défini comme {( x, y ) ∈ 2

y = 0} ;
2
c’est un sous-espace vectoriel de .
5.3 La symétrie définie par s ( x , y ) = ( −x , −y )
Notons de nouveau s la symétrie définie par :

s: 2
→ 2
x = ( x1 , x2 ) y = ( y1 , y2 ) = ( − x1 , − x2 ) = − x
et α , β ∈ :
s (α x + β y ) = − (α x + β y )
= α (−x ) + β ( y)
= α s ( x) + β s ( y)
La symétrie s est donc bien une application linéaire.

 −1 0 
(2) s ( e1 ) = −e1 = ( −1, 0 ) s ( e2 ) = −e2 = ( 0, −1) A= 
 0 −1 
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 

......................................................................................................................................................................................................
5.4 La rotation d’angle θ
Notons rθ la rotation d’angle θ :
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
au chapitre 5 dans un cadre plus général.

Pour mémoire, disons simplement que :
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 
 cos θ − sin θ   x1   x1 cos θ − x2 sin θ 

Y = AX =    =  
 sin θ cos θ  x2   x1 sin θ + x2 cos θ 
6 Résolution d’un système linéaire
6.1 Quelques définitions
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
, avec i = 1, n (le nombre d’équations) et j = 1, p (le nombre d’inconnues).

......................................................................................................................................................................................................
Définition 2 : Définition matricielle de (S)

Un système (S) quelconque peut s’écrire sous la forme abrégée :
p
∑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
Définition 3 : Définition de (S) par les applications linéaires

• A est en fait la matrice d’une application linéaire f ∈ L ( E , F ) , où :
- E est un espace de dimension p (nombre d’inconnues de (S) = nombre de colonnes de A)

- F un espace de dimension n (nombre d’équations de (S) = nombre de lignes de A).
• B est la matrice des coordonnées d’un vecteur v ∈ F
• X est la matrice des coordonnées d’un vecteur u ∈ E
Alors l’écriture matricielle peut se mettre sous forme vectorielle :
AX = B ⇔ f ( u ) = v
6.2 Recherche des solutions de (S)
Si on considère l’expression vectorielle f ( u ) = v , la résolution du système (S) revient alors à
chercher tous les u satisfaisant cette équation, le vecteur v étant connu a priori.
Deux cas peuvent alors se présenter :

......................................................................................................................................................................................................
(1) v ∈ Im f et il admet au moins un antécédent dans E ; le système (S) a des solutions ;

(2) v ∉ Im f et le système (S) est impossible à résoudre : il n’y a pas de solutions.
Ainsi (S) admet des solutions si et seulement si v ∈ Im f .
Le nombre de solutions dépend alors de la nature de f :
• Si v ∈ Im f et si f non bijective, alors ker f ≠ 0 (ceci est vrai uniquement si E et F ont {}

même dimension).
Soit w ≠ 0 tel que w ∈ ker f . Alors f ( w ) = 0 .
Considérons f ( u + w ) : f ( u + w ) = f ( u ) + f ( w ) = v + 0 = v .
Donc u + w est solution de (S).

On montrerait de même que tout vecteur u + λ w ( λ ∈ ) est solution.
Ö Si v ∈ Im f et si f non bijective, alors (S) admet une infinité de solutions.
• Si v ∈ Im f et f bijective, alors nécessairement dim E = dim F (i.e., n = p ), et tout élément

de F possède un antécédent unique dans E : (S) admet une seule et unique solution.
Exemple
2 x + y = 1
Déterminer le nombre de solutions du système  . Réponse
x − 3y = 2
6.3 Résolution de (S) par inversion de matrice
On se place dans le cas où v ∈ Im f et f bijective. Le système f ( u ) = v admet alors une
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.

......................................................................................................................................................................................................
6.4 La méthode de Cramer
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 .
∆ est appelé déterminant du système.
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 
X ij étant le cofacteur associé à aij , avec i, j = 1, n .
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
première colonne par la matrice colonne B.

En effet :
a11 a12 … a1n
a21 a22 … a2 n n
∆= = ∑ X j1a j1 en développant / 1ère colonne
j =1
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
∆ i est le déterminant déduit de ∆ en remplaçant la ième colonne de ∆ par la colonne des
« 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
6.5 « Cas embêtants »
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 ?
Soit E un espace vectoriel de dimension n muni de deux bases : B E = {u1 , u2 ,… , un } et
B E′ = {u1′, u2′ ,… , un′ } où B E est par convention l’ancienne base et B E′ la nouvelle base.
On pose u′j = p1 j u1 + p2 j u2 + … + pnj un ∀j = 1, n . Ainsi les {p } ij avec i = 1, n sont les
coordonnées des u′j de la base B E′ dans la base B E = {u1 , u2 ,…, un } .
7.1 Matrice de passage
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 } .
u1′ u2′ … un′
 p11 p12 p1n  u1

 
p p22 p2 n  u 2
P =  21
 
 p 
pnn  un
 n1 pn 2
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.
7.2 Changement de base pour un vecteur
Soit de coordonnées ( x1 , x2 ,… , xn ) (les « anciennes » coordonnées) dans la base
B E = {u1 , u2 ,… , un } et de coordonnées ( x1′, x2′ ,… , xn′ ) (les « nouvelles » coordonnées) dans la
base B E′ = {u1′, u2′ ,… , un′ } .
On note X la matrice colonne des coordonnées ( x1 , x2 ,… , xn ) de x dans B E .
On note X′ la matrice colonne des coordonnées ( x1′, x2′ ,… , xn′ ) de x dans B E′ .
Il est facile de déterminer les relations entre les { x j } et les { x′j } à l’aide de la matrice de
passage P :
X = PX′ c'est-à-dire X′ = P −1X
Î On pourra retenir la petite phrase : « les anciennes = P × les nouvelles ».
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 :
e1′ = 3e1 − e2 + e3 e2′ = 2e1 + e3 e3′ = −2e1 + e2
Calculer les coordonnées de x dans la base B ′ = {e1′, e2′ , e3′ } . Réponse.

......................................................................................................................................................................................................
7.3 Changement de base pour une application linéaire
Théorème
Soit f ∈ L ( E , F ) une application linéaire.
Soient B E = {u1 , u2 ,… , un } et B E′ = {u1′, u2′ ,… , un′ } deux bases de E.
Soient B F = {v1 , v2 ,… , v p } et B F′ = {v1′, v2′ ,… , v′p } deux bases de F.
On note P la matrice de passage de B E = {u1 , u2 ,… , un } vers B E′ = {u1′, u2′ ,… , un′ } .
On note Q la matrice de passage de B F = {v1 , v2 ,… , v p } vers B F′ = {v1′, v2′ ,… , v′p } .
Si M f est la matrice de l’application f relativement aux bases B E et B F , alors M′f la matrice
de f relativement aux bases B E′ et B F′ est donnée par :
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′ }
deux bases de E. Soient M f la matrice de f relativement à la base B E et M′f la matrice de f
relativement à la base B E′ . On a alors M′f = P -1M f P .
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.

......................................................................................................................................................................................................
7.4 Matrices semblables
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.
8 Exemples d’utilisation en biologie
8.1 Le champ de blé (suite)

3 3
Soit f l’application linéaire de dans définie par la matrice
 1 0 1 4
 
A =  0 1 1 4
 0 0 1 2
 
On rappelle que P = {( x, y, z ) ∈ 3
x + y + z = 1} . Revoir.
• Montrons que l’image par f d’un élément de P est un élément de P :

Soient x = ( x1 , y1 , z1 ) élément de P vérifiant donc x1 + y1 + z1 = 1 :
 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 

......................................................................................................................................................................................................
On vérifie alors que ( x1 + x3 4 ) + ( x2 + x3 4 ) + x3 2 = x1 + x2 + ( x3 4 + x3 4 + x3 2 ) = 1

= x3
Donc f ( x ) ∈ P .
• Soit P0 = (1 3,1 3,1 3) élément de P . On note Pn +1 = f ( Pn ) , i.e., Pn +1 = APn (si on
confond le vecteur et la matrice colonne de ses coordonnées) :

- P0 = (1 3,1 3,1 3)
 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 
    
• On remarque à partir du calcul précédent que la fréquence de A3 est égale à 1 ( 3 × 2 ) dans
P1 et à 1 ( 3 × 22 ) dans P2 . On montre par récurrence que la fréquence de A3 est égale à
1 ( 3 × 2n ) dans Pn :
1) Pour n = 0 , 1 ( 3 × 20 ) = 1 3 c’est bien la fréquence de A3 dans P0 .
2) Supposons que la fréquence de A3 soit égale à 1 ( 3 × 2n ) dans Pn . On sait que
(
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
3) On peut donc conclure que ∀n ∈ , la fréquence de A3 dans Pn est égale à 1 ( 3 × 2n ) .
• On constate par ailleurs que l’on a toujours f1 = f 2 . Si c’est vrai alors :
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
Remarque : Les courbes A1 et A2 sont confondues.
8.2 L’alimentation des herbivores et ruminants
Un éleveur de bovins dispose en hiver de trois aliments (foin, ensilé,

farine) qui contiennent chacun trois éléments nutritifs indispensables
(A, B, C) selon le tableau suivant (unités arbitraires) :
http://www.interviandes.com/interviandes/elevage/alimentation.html
Foin Ensilé Farine

A 1 1 1
B 1 1 0
C 0 1 1
Sachant que chaque animal doit quotidiennement disposer de 6 unités de A, 3 unités de B et 5

unités de C, on peut alors chercher les doses x de foins, y d'ensilé et z de farine que doit lui
fournir l'éleveur. Pour cela, il faut résoudre le système suivant :
x + y + z = 6 1 1 1  x  6
      
(S)  x + y = 3 ⇔ AX = B avec A =  1 1 0  , X =  y  et B =  3 
y + z = 5  0 1 1 z  5
      

......................................................................................................................................................................................................
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.

Algèbre Lineaire Matrice

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Algèbre Lineaire Matrice

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 3bis : Applications linéaires et Matrices

Sandrine CHARLES : scharles@biomserv.univ-lyon1.fr

5.3 La symétrie définie par s ( x , y ) = ( −x , −y ) ........................................................9

5.4 La rotation d’angle θ ...........................................................................................10

1 Application linéaire et base

Soient E et F deux espaces vectoriels sur et f ∈ L ( E , F ) . Supposons que E soit muni de

la base B E = {u1 , u2 ,… , u p } . Alors dim ( E ) = p et ∀x ∈ E , x = x1u1 + x2u2 + … + x p u p .

{ f (u ) , f ( u ) ,…, f (u )} des vecteurs de la base de E.

2 Matrice d’application linéaire

E est muni de la base B E = {u1 , u2 ,… , u p } : dim ( E ) = p

F est muni de la base B F = {v1 , v2 ,… , vn } : dim ( F ) = n

Les images f ( u1 ) , f ( u2 ) ,… , f ( u p ) des vecteurs de la base de E sont éléments de F et se

décomposent dans B F = {v1 , v2 ,… , vn } :

f ( u1 ) = a11v1 + a21v2 + … + an1vn

soit d’une manière générale f ( u j ) = a1 j v1 + a2 j v2 + … + anj vn ∀j = 1, p

Dans le terme général aij , i correspond à un vecteur de la base de F et j à un vecteur de la

Chapitre 3bis : Applications linéaires et Matrices - page 2/21 -

(a 1j , a2 j ,… , anj ) sont les coordonnées du vecteur f ( u j ) dans la base {v1 , v2 ,… , vn } .

B F = {v1 , v2 ,… , vn } de F, est le tableau à n lignes et p colonnes des coordonnées des f ( u j )

dans la base {v1 , v2 ,… , vn } :

• Le nombre de lignes de A est donné par la dimension de F.

3 Image d’un vecteur x de E par f

E est muni de la base B E = {u1 , u2 ,… , u p } et F est muni de la base B F = {v1 , v2 ,… , vn } .

Soit A ( n, p ) =  aij  la matrice associée à f relativement aux bases B E et B F .

Chapitre 3bis : Applications linéaires et Matrices - page 3/21 -

f ( x ) = x1 f ( u1 ) + x2 f ( u2 ) + … + x p f ( u p ) car f est une application linéaire

On regroupe les termes en fonction de v1 , v2 ,… , vn :

f ( x ) = ( x1a11 + x2 a12 + … + x p a1 p ) v1 + ( x1a21 + x2 a22 + … + x p a2 p ) v2 + … + ( x1an1 + x2 an 2 + … + x p anp ) vn

Or f ( x ) = y1v1 + y2 v2 + … + yn vn , et donc par identification des deux expressions de f ( x ) , il

En utilisant la matrice A ( n, p ) , il vient : Y = AX .

Chapitre 3bis : Applications linéaires et Matrices - page 4/21 -

4 Lien entre opérations sur les applications linéaires et

4.1 Addition de deux applications linéaires

B E et B F . Alors f + g : E → F a pour matrice associée relativement aux bases B E et B F

( u1 , u2 ) ( 3u1 + u2 , u1 − u2 ) ( v1 , v2 ) ( v1 + 2v2 , −3v1 + v2 )

4.2 Multiplication par un scalaire

relativement aux mêmes bases B E et B F .

Chapitre 3bis : Applications linéaires et Matrices - page 5/21 -

4.3 Composition d’application

B F et B G .Soit M f la matrice associée à f relativement aux bases B E et B F . Soit M g la

matrice associée à g relativement aux bases B F et B G . Alors h = g f admet M f M g comme

matrice associée relativement aux bases B E et B G .

( u1 , u2 ) ( 3u1 + u2 , u1 − u2 ) ( v1 , v2 ) ( v1 + 2v2 , −3v1 + v2 )

4.4 Inverse d’une application linéaire

Soit M f la matrice associée à f relativement aux bases B E et B F . Alors la matrice associée à

f −1 relativement aux bases B F et B E est M −f 1 où M −f 1 est la matrice inverse de M f .

Chapitre 3bis : Applications linéaires et Matrices - page 6/21 -

relativement à deux bases quelconques est inversible.

que det ( M f ) ≠ 0 où M f est la matrice de f relativement aux bases B E et B F .

5 Les applications linéaires les plus classiques de 2

On se place dans l’espace vectoriel 2

cette application ; (4) Donner une représentation graphique.

5.1 L’homothétie de rapport λ

Notons H λ l’homothétie de rapport λ :

On dit que H λ ( x ) est colinéaire à x

L’homothétie de rapport λ est bien une application linéaire.

Chapitre 3bis : Applications linéaires et Matrices - page 7/21 -

5.2 La symétrie définie par s ( x , y ) = ( x , −y )

Notons s la symétrie définie par :

La symétrie s est donc bien une application linéaire.

Chapitre 3bis : Applications linéaires et Matrices - page 8/21 -

On appelle également s la symétrie d’axe 0x, l’axe 0x est défini comme {( x, y ) ∈ 2

5.3 La symétrie définie par s ( x , y ) = ( −x , −y )