Académique Documents
Professionnel Documents
Culture Documents
ALGEBRE ´
LINEAIRE
SEG:S2
1 Calcul matriciel 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Matrices carrées particulières . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Matrice Diagonale . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2 Matrice nulle et matrice unité . . . . . . . . . . . . . . . . 2
1.3.3 Matrice triangulaire . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Opérations élémentaires sur les matrices . . . . . . . . . . . . . . 3
1.4.1 Égalité de deux matrices . . . . . . . . . . . . . . . . . . . 3
1.4.2 Addition et soustraction de matrices . . . . . . . . . . . . 3
1.4.3 Produit d’une matrice par un réel . . . . . . . . . . . . . . 5
1.4.4 Produit de deux matrices . . . . . . . . . . . . . . . . . . 5
1.5 Transposée d’une matrice . . . . . . . . . . . . . . . . . . . . . . 6
1.5.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Matrice symétrique et matrice antisymétrique . . . . . . . . . . . 7
1.7 Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . 8
1.7.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.8 Déterminant d’une matrice carrée . . . . . . . . . . . . . . . . . . 10
1.8.1 Déterminant d’une matrice carrée d’ordre 2 . . . . . . . . 10
1.8.2 Déterminant d’une matrice carrée d’ordre 3 par la méthode
de Sarrus . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.8.3 Déterminant d’une matrice carrée d’ordre n > 2 par la
méthode de cofacteurs . . . . . . . . . . . . . . . . . . . . 12
1.8.4 Propriétés des déterminants . . . . . . . . . . . . . . . . . 15
1.9 La comatrice d’une matrice . . . . . . . . . . . . . . . . . . . . . 16
1.10 Inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.10.1 Définition et exemples . . . . . . . . . . . . . . . . . . . . 17
1.10.2 Quelques Propriétés de l’inverse . . . . . . . . . . . . . . . 18
i
TABLE DES MATIÈRES
3 Espaces vectoriels 41
3.1 Définition d’un espace vectoriel . . . . . . . . . . . . . . . . . . . 41
3.2 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3 Combinaisons linéaires . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4 Famille libre, Famille liée, Famille génératrice . . . . . . . . . . . 44
3.4.1 Famille génératrice . . . . . . . . . . . . . . . . . . . . . 44
3.4.2 Famille libre, Famille liée . . . . . . . . . . . . . . . . . . . 44
3.5 Base d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . 45
3.6 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.6.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.6.2 Noyau et image d’une application linéaire . . . . . . . . . . 48
ii Algèbre linéaire
Chapitre 1
Calcul matriciel
1.1 Introduction
Dans de nombreuses analyses économiques, les différentes variables sont reliées
entre elles par des équations linéaires. L’algèbre linéaire fournit une notation
claire et précise pour formuler et résoudre de tels problèmes. Dans ce chapitre,
nous allons tout d’abord définir la notion de matrice. Nous nous intéresserons
ensuite aux différents types de matrices et aux opérations usuelles telles que
l’arithmétique, le calcul du déterminant ou de l’inverse.
1.2 Matrices
1.2.1 Définition
Définition 1.2.1. Une matrice peut être considérée comme un tableau rectangu-
laire constitué de nombres, qui a m lignes et n colonnes.
a11 a12 · · · a1n
a21 a22 · · · a2n
A = (aij ) = ..
.. .. ..
. . . .
am1 am2 · · · amn
• aij est appelé élément ou coefficient de la matrice.
• L’élément aij est caractérisé par sa valeur et par sa position.
• i est le no de la ligne et j le no de la colonne.
Définition 1.2.2.
• Une matrice de m lignes et de n colonnes est dite de type (m, n).
• Si m = n la matrice est dite matrice carrée d’ordre n.
• une matrice d’ordre (m × 1)est appelée vecteur-colonne .
• une matrice d’ordre (1 × n)est appelée vecteur-ligne .
1
Calcul matriciel
1.2.2 Exemples
Exemple 1.2.1. La matrice A suivante est carrée d’ordre 3.
4 0 −2
A = 17 −9 2
34 1 −6
2 Algèbre linéaire
1.4 Opérations élémentaires sur les matrices
Définition 1.3.4. La matrice unité ou matrice identité est une matrice diagonale
dont tous les termes de la diagonale sont égaux à 1. On la note In avec n l’ordre
de la matrice
Exemple 1.3.3. In la matrice identité d’ordre 3
1 0 0
0 1 0
0 0 1
3
Calcul matriciel
Théorème 1.4.1. Si A , B etC sont des matrices de même ordre, alors nous
avons :
• l’addition des matrices est commutative : A + B = B + A.
• l’addition des matrices est associative : A + (B + C) = (A + B) + C.
• La matrice nulle 0, est l’élément neutre pour l’addition :
A+0=0+A=A
4 Algèbre linéaire
1.4 Opérations élémentaires sur les matrices
i = 1 · · · m et j = 1 · · · q
On dit que le coefficient Cij est obtenu en multipliant la ième ligne de A par la
jème colonne de B.
5
Calcul matriciel
6 Algèbre linéaire
1.6 Matrice symétrique et matrice antisymétrique
1.5.2 Propriétés
Proposition 1.5.1. Si A et B sont deux matrices dont la somme et le produit
sont définis, on alors les relations suivantes :
• t (A + B) =t A +t B
• t (A.B) =t B.t A
• t (t A) = A
7
Calcul matriciel
Exemple 1.6.1.
• A une matrice symétrique
−1 2 4
A= 2 5 9
4 9 45
• A une matrice antisymétrique
0 2 4 −9
−2 0 −5 3
−4 5 0 −10
9 −3 10 0
Remarque 1.6.1.
1. Les éléments de la diagonale principale d’une matrice antisymétrique sont
nuls.
2. Soit A une matrice carrée quelconque :
• A + (t A) est une matrice symétrique
• A − (t A)est une matrice antisymétrique
Exemple 1.6.2. Soit la matrice carrée suivante :
1 3 2
A = 0 1 −1
2 5 4
1 3 2 1 0 2 2 3 4
t
A+ A= 0 1 −1 + 3 1 5 = 3 2 4
2 5 4 2 −1 4 4 4 8
1 3 2 1 0 2 0 3 0
A −t A = 0 1 −1 − 3 1 5 = −3 0 −6
2 5 4 2 −1 4 0 6 0
8 Algèbre linéaire
1.7 Trace d’une matrice carrée
1.7.2 Propriétés
Proposition 1.7.1.
• tr(t A) = tr(A).
• Si A et B sont deux matrices carrées de même ordre, alors on a :
tr(A.B) = tr(B.A).
tr(A) = tr(t A)
1 3 2
A = 0 1 −1 ⇒ tr(A) = 1 + 1 + 4 = 6
2 5 4
1 0 2
t
A = 3 1 5 ⇒ tr(t A) = 1 + 1 + 4 = 6 = tr(A)
2 −1 4
Exemple 1.7.3. Soient les deux matrices A et B suivantes, vérifions que
9
Calcul matriciel
10 Algèbre linéaire
1.8 Déterminant d’une matrice carrée
|A| = a11 a22 a33 + a21 a32 a13 + a31 a12 a23 − a21 a12 a33 − a11 a32 a23 − a31 a22 a13
|A| = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 − a33 a21 a12 − a32 a23 a11 − a31 a22 a13
Remarque 1.8.1.
ATTENTION : La méthode de Sarrus ne marche que pour les matrices
carrés d’ordre 3
11
Calcul matriciel
2 −3 1
& %
3
2 −3
& &
% %
AL =
5 4 −2
& &
% %
2
−3 1
% &
3 2 −3
12 Algèbre linéaire
1.8 Déterminant d’une matrice carrée
Définition 1.8.2.
1. Soit A une matrice carrée d’ordre n, on appelle sous-matrice Aij la ma-
trice d’ordre (n − 1) obtenue en supprimant la i ème ligne et la j ème
colonne de la matrice A.
2. Le déterminant d’une sous-matrice Aij est appelé mineur de l’élément
aij .
3. La signature d’un élément aij est donnée par (−1)i+j .
4. Le cofacteur d’un élément aij est le produit de soin mineur par sa signa-
ture, soit :
(−1)i+j |Aij |.
Exemple 1.8.3. Trouver la sous-matrice A23 , le mineur de a12 et le cofacteur
de a32 de la matrice :
5 2 −3
−6 4 7
8 −1 −4
Solution
La sous matrice
5 2
A23 =
8 −1
Elle est obtenue en éliminant la ligne 2 et la colonne 3 de la matrice A.
Le mineur de a12 est le déterminant de la sous matrice A12 soit :
−6 7
|A12 | = = 24 − 56 = −32
8 −4
Le cofacteur de l’élément a32 est le produit du mineur de a32 par sa signature,
soit :
3+2 5 5
−3
(−1) |A32 | = (−1) = −1(35 − 18) = −17
−6 7
Remarque 1.8.2. La signature est positive lorsque (i + j) est pair et négative
lorsque (i+j) est impair. En pratique, lorsque la signature d’élément est négative,
on change le signe de son mineur pour obtenir le cofacteur et si la signature
est positive, on conserve le même signe. La signature des éléments alterne d’un
élément à l’autre.la signature d’une matrice carrée d’ordre n est :
− . . . (−1)1+j . . . (−1)1+n
+
− + . . . (−1)2+j . . . (−1)2+n
.. .. .. .. .. ..
. . . . . .
i+1 i+j i+n
(−1) . . . . . . (−1) . . . (−1)
.. .. .. .. .. ..
. . . . . .
(−1)n+1 . . . . . . (−1)n+j . . . +
13
Calcul matriciel
pour tout j, 1 ≤ j ≤ n.
Exemple 1.8.4. Calculer le déterminant de la matrice :
3 −2 1
2 −3 4
5 −1 2
Solution
4 3 1 9
Solution
14 Algèbre linéaire
1.8 Déterminant d’une matrice carrée
5. Si on a une ligne (resp. une colonne) combinaison linéaires des autres lignes
(resp.des autres colonnes) alors |A| = 0
a11 a12 a13
a 21 a 22 a23 =0
αa11 + βa21 αa12 + βa22 αa13 + βa23
6. Le déterminant ne change pas si l’on ajoute à une ligne (resp.à une colonne)
une combinaison linéaire des autres lignes (resp. des autres colonnes).
a11 a12 a13 a11 a12 a13
a21 + ka11 a22 + ka12 a23 + ka13 = a21 a22 a23
a31 a32 a33 a31 a32 a33
15
Calcul matriciel
7. Soit A et B deux matrices qui ne diffèrent que par le fait que les éléments
d’une ligne (ou d’une colonne) de la matrice B sont obtenus en multipliants
par k les éléments de même adresse de A. alors
|A| = k|B|
a11 a12 a13 a11 a12 a13
ka21 ka22 ka23 = k a21 a22 a23
a31 a32 a33 a31 a32 a33
8. det(A) = det(t A)
9. det(A.B) = det(A).det(B)
10. Le déterminant d’une matrice triangulaire est égal au produit des éléments
de la diagonale principale.
11. Le déterminant d’une matrice diagonale est égal au produit des éléments de
la diagonale principale.
Remarque 1.8.3. Le déterminant d’une matrice identité (quel que soit son
ordre) est égal à 1.
16 Algèbre linéaire
1.10 Inverse d’une matrice
1 2 0 2 + 0 1
+
−4 −
−1 −1 −1 −1 −4
2 3 1 3 − 1 2
− −4
com(B) = +
−1 −1 −1 −1 −4
2 3 1 3 1 2
+ − +
1 2 0 2 0 1
7 −2 1
com(B) = −10 2 2
1 −2 1
A.A−1 = A−1 .A = In
Remarque 1.10.1. Une matrice n’est inversible que si son déterminant est non
nul.
Pour calculer son inverse, nous commençons par calculer son déterminant :
17
Calcul matriciel
(A.B)−1 = B −1 .A−1
Remarque 1.11.1.
• Le rang d’une matrice A est noté rg(A)
• Si A d’ordre (m × n), alors rg(A) ≤ min(m, n).
18 Algèbre linéaire
1.11 Rang d’une matrice
1.11.2 Exemples
Exemple 1.11.1. Si A est la matrice suivante d’ordre (2 × 3) ; cherchons son
rang :
1 3 2
A=
1 3 1
la sous-matrice
carrée
d’ordre 2, composée de la deuxième et de la troisième
3 2
colonne A1 est inversible det(A1 ) = 3 − 6 = −3 6= 0. II existe donc au
3 1
moins une sous-matrice d’ordre 2 dont le déterminant est différent de zero.Par
conséquent rg(A) = 2
det(B1 ) = −5 6= 0 ⇒ rg(B) = 2
Remarque 1.11.2.
• Le rang d’une matrice carrée d’ordre n inversible est égal à n (rg(A) = n).
• Si tons les éléments d’une matrice sont nuls, on dit que le rang est zéro.
• Si une matrice A d’ordre (m × n) a un rang maximal rg(A) = min(m, n),
on dit que la matrice a un rang complet.
19
Calcul matriciel
Li ↔ Lj , (Ci ↔ Cj ), ; (i 6= j)
3. Le fait d’ajouter à une ligne ( colonne)le multiple d’une autre ligne (colonne)
Le rang de cette matrice est r, car la plus grande sous-matrice inversible est
d’ordre r.
20 Algèbre linéaire
1.12 La forme normale d’une matrice
Exemple 1.12.1.
1. La forme normale d’une matrice carrée d’ordre 3 inversible est :
1 0 0
Id3 = 0 1 0
0 0 1
21
Calcul matriciel
22 Algèbre linéaire
Chapitre 2
2.1 Introduction
Résoudre un système d’équations linéaires est un problème qui a préocupé
les mathématiciens à presque toutes les époques de l’histoire. Toutes sortes de
solutions ont été imaginées mais l’invention des matrices a permis de systématiser
les méthodes de solution.
Dans ce chapitre, nous allons voir que le calcul matriciel est un outil puissant et
bien adapte à ce genre de problèmes. II permet en effet d’accroitre la vitesse de
résolution de tels systèmes et d’en simplifier considérablement le calcul.
2.2 Définitions
Définition 2.2.1.
• On appelle équation linéaire à p inconnues toute équation de la
forme :
a1 x1 + a2 x2 + ...... + ap xp = b
x1 , x2 ......xp sont les inconnues
a1 , a2 , .......ap , b sont des coefficients numériques appartenant à R
• Un p-uplet (c1 , c2 , .....cp ) d’éléments de R vérifie l’équation ou est
solution de l’équation si l’égalité : a1 c1 + a2 c2 + .... + ap cp = b est
vérifié.
• L’équation 0x1 +0x2 +...+0xp = β est impossible si β 6= 0 indéterminé
si β = 0.
Remarque 2.2.1. Lorsque l’équation comporte peu d’inconnue, on les notes par
commodité : x, y, z, t, ....
23
Résolution des systèmes d’équations linéaires
Définition 2.2.2.
• On appelle système de n équations linéaires à p inconnues le n-
uplet d’équations :
Remarque 2.2.2. Un système homogène admet toujours la solution nulle (0, 0...., 0).
Définition 2.3.1. On appelle opération élémentaire sur les lignes d’un système :
24 Algèbre linéaire
2.4 Écriture matricielle d’un système linéaire
Proposition 2.3.1. En effectuant une opération élémentaire sur les lignes d’un
système (S), on obtient un système (S’) qui lui est équivalent.
Remarque 2.3.1. Il faut faire bien attention à ne faire qu’une opération élé-
mentaire à la fois.
AX = b
Avec
a11 a12 . . . a1p b1
a21 a22 . . . a2p b2
A= et b =
.. .. .. .. ..
. . . . .
an1 an2 . . . anp bn
Remarque 2.4.1.
– A est une matrice d’ordre (n,p) appelée matrice du système S
– X est un vecteur-colonne à p composantes appelé vecteur des inconnues
– b est un vecteur-colonne a n composantes appelé vecteur des constantes.
Définition 2.4.1 (Rang d’un système linéaire).
On appelle le rang d’un système linéaire, celui de sa matrice.
Exemple 2.4.1.
Ecrivons le système d’équations linéaires S1 suivant sous forme matricielle :
x1 − 2x2 + 3x3 = 16
2x1 + 2x2 − x3 = 0
S1
x1 + x2 + 5x3 = 11
x1 + x2 − 6x3 = −11
25
Résolution des systèmes d’équations linéaires
−11
Le rang du système S1 est égal à trois puisque le rang de sa matrice associé A est
égal à trois.
1 −2 3
En effet le déterminant de la sous matrice 1 1 5 est diff érent de 0.
1 1 −6
En effectuant l’opération L3 = L3 − L2 , on obtient
1 −2 3 1 −2 3
3+3
1 −2
1 1 5 = 1 1 5 = −11(−1) = −11(1+2) = −33 6= 0
1 1 −6 0 0 −11 1 1
26 Algèbre linéaire
2.5 Résolution des systèmes linéaires par la méthode de Cramer
Proposition 2.5.1.
• Un système linéaire de n équations à n inconnues est de Cramer si et
seulement le déterminant de la matrice associe est non nul.
• Un système linéaire de n équations à n inconnues est de Cramer s’il admet
une solution unique.
Exemple 2.5.1.
Résoudre par la méthode de CRAMER le système d’équations suivant :
2x1 − 3x2 + 5x3 , =-8 ;
4x1 − 2x2 + x3 , =12 ;
x1 + 5x2 − x3 , =-3.
Solution
Le déterminant étant différent de zéro, la solution est unique est donnée par :
−8 −3 5
2 −8 5
2 −3 −8
12 −2 1
4 12 1
4 −2 12
−3 5 −1
1 −3 −1
1 5 −3
x1 = 89
= 3 x2 = 89
= −2 x3 = 89
= −4
27
Résolution des systèmes d’équations linéaires
Remarque 2.6.1.
1. Choix des pivots : à chaque étape, si cést possible, on a intérêt à
choisir un pivot simple ( 1 est souvent le meilleur choix ) .
2. Si lors d’une étape apparait une équation de la forme 0 = β
28 Algèbre linéaire
2.6 Résolution des systèmes linéaires par la méthode de Gauss
x1 + 2x2 + x3 = 1
L1 ↔ L2 2x2 + x3 = 2
x1 − 2x2 + 2x3 = 3
x1 + 2x2 + x3 = 1
a21
L2 = L2 − a11 L1 = L2
2x2 + x3 = 2
a31
L3 = L3 − a11 L1 = L3 − L1
−4x2 + x3 = 2
x1 + 2x2 + x3 = 1
2x2 + x3 = 2
S
1
−4x2 + x3 = 2
x1 + 2x2 + x3 = 1
2x2 + x3 = 2
a32 −4
L3 = L3 − L2 = L3 − L2 = L3 + 2L2
a22 2
3x3 = 6
29
Résolution des systèmes d’équations linéaires
S = {(−1, 0, 2)}
Exemple 2.6.2. Résoudre
x1 − x4 = 0
x1 + 2x2 + x3 + 2x4 = 3
x1 − x4 = 0
a21
L2 = L2 − L
a11 1
= L2 − L1
2x2 + x3 + 3x4 = 3
a31
L3 = L3 − L
a11 1
= L3 − 2L1
2x2 + 3x3 + 2x4 = 5
a41
L4 = L4 − L = L4 − L1
a11 1
−2x2 + 2x3 + 2x4 = 4
x1 − x4 = 0
2x2 + x3 + 3x4 = 3
S 2x2 + 3x3 + 2x4 = 5
1
−2x2 + 2x3 + 2x4 = 4
x1 − x4 = 0
2x2 + x3 + 3x4 = 3
L3 = L3 − aa32 L2 = L3 − 22 L2 = L3 − L2
22
2x3 − x4 = 2
L4 = L4 − aa42 L2 = L4 − −22
L2 = L4 + L2
22
3x3 + 5x4 = 7
30 Algèbre linéaire
2.6 Résolution des systèmes linéaires par la méthode de Gauss
x1 − x 4 = 0
2x2 + x3 + 3x4 = 3
2x3 − x4 = 2
S
2
3x3 + 5x4 = 7
x1 − x4 = 0
2x2 + x3 + 3x4 = 3
2x3 − x4 = 2
a 43 3
L = L − L = L − L
4 4 3 4 3
13
a33 2 x = 4
2 4
8 1 17 8
Donc S = {( 13 , − 13 , 13 , 13 )}
31
Résolution des systèmes d’équations linéaires
x1 + 2x2 + x3 = 1
L1 ↔ L2 2x1 + 2x2 + x3 = 2
x1 − 2x2 − x3 = 1
a21 x1 + 2x2 + x3 = 1
L2 = L2 = L2 − = L2 − 2L1
L
a11 1
−2x2 − x3 = 0
L3 = L3 = L3 − aa31
11
L1 = L3 − L1
−4x2 − 2x3 = 0
x1 + 2x2 + x3 = 1
−2x2 − x3 = 0
S1
−4x2 − 2x3 = 0
x1 + 2x2 + x3 = 1
−2x2 − x3 = 0
a32 −4
L3 = L3 − L2 = L 3 − L 2 = L 3 − 2L 2
a22 −2
0 = 0
32 Algèbre linéaire
2.6 Résolution des systèmes linéaires par la méthode de Gauss
x1 = 1 − 2x2 − x3 = 1
x2 = − 12 x3 = − 12 λ
λ∈R
x =λ
3
S = {(1, − 12 λ, λ) avec λ ∈ R}
Exemple 2.6.4. Résoudre
2x1 + x2 − 3x3 + 4x4 = 5
3x1 + 5x2 + 2x3 − 3x4 = 8
−x1 + 3x2 + 8x3 − 11x4 = -7
−x1 + 3x2 + 8x3 − 11x4 = -7
3x1 + 5x2 + 2x3 − 3x4 = 8
L1 ↔ L3
2x + x2 − 3x3 + 4x4 = 5
1
−x1 + 3x2 + 8x3 − 11x4 = -7
L2 = L2 − aa21
11
L 1 = L2 + 3L
1
14x2 + 26x3 − 36x4 = -13
a31
L3 = L3 − a11 L1 = L3 + 2L1
7x2 + 13x3 − 18x4 = -9
−x1 + 3x2 + 8x3 − 11x4 = −7
14x2 + 26x3 − 36x4 = -13
S1
7x2 + 13x3 − 18x4 = -9
−x1 + 3x2 + 8x3 − 11x4 = −7
14x2 + 26x3 − 36x4 = -13
a32 7 1
L3 = L3 − L2 = L3 − L2 = L3 − L2
a22 14 2
5
0=
2
33
Résolution des systèmes d’équations linéaires
On peut aisément lui associer la matrice (dite matrice augmentée par le second
membre) suivante :
a11 a12 . . . a1p b1
a21 a22 . . . a2p b2
[A|b] = ..
.. .. .. ..
. . . . .
an1 an2 . . . anp bn
Ici, la barre verticale ne sert qu’à séparer les parties gauches des parties droites
des équations (elle ne sert qu’à faciliter la lecture). Résoudre le système S revient
à échelonner la matrice augmentée [A|b] en effectuant le même genre d’opérations
de Gauss que sur les systèmes d’équations.
Exemple 2.6.5. Résoudre le système suivant :
x+y+z =1
(S) 3x + 2y + z =6
y−z =3
34 Algèbre linéaire
2.6 Résolution des systèmes linéaires par la méthode de Gauss
1 1 1 1
(L3 = L3 + L2 ) ⇒ [A|b] ∼ 0 −1 −2 3
0 0 −3 6
En analysant la dernière matrice obtenue, on se rend compte :
1. la dernière ligne de la matrice implique
−3z = 6 ⇔ z = −2
−y − 2z = 3 ⇒ −y + 4 = 3 ⇒ y = 1
x+y+z =1⇒x+1−2=1⇒x=2
Remarque 2.6.2.
1. Résoudre un système d’équations par matrices ou en manipulant directe-
ment les équations revient exactement au même. La seule différence est que
la méthode par matrices est beaucoup moins longue à utiliser puisque nous
n’avons pas besoin de retranscrire les variables (dans cet exemple, x, y et
z) à chaque étape.
2. Résoudre un système d’équations par matrice est plus avantageux lorsque
on résout plusieurs systèmes d’équations qui différent uniquement par le
second membre.
On remarque que les deux systèmes ne différent que par leurs seconds membres
b1 et b2 , donc ils ont la même matrice associé A qu’on va augmanter des deux
seconds membres et faire une résolution simultanée.
1 1 1 1 4
[A|b1 , b2 ] = 3 2 1 6 5
0 1 −1 3 9
1 1 1 1 4
(L2 = L2 − 3L1 ) ⇒ [A|b] ∼ 0 −1 −2 3 −7
0 1 −1 3 9
35
Résolution des systèmes d’équations linéaires
1 1 1 1 4
(L3 = L3 + L2 ) ⇒ [A|b1 , b2 ] ∼ 0 −1 −2 3 −7
0 0 −3 6 2
Donc
x+y+z =1 x+y+z =4
(S1 ). ⇔) −y − 2z = 3 et (S2 ). ⇔) −y − 2z = −7
−3z =6 −3z =2
Remarque 2.7.1. Si la matrice A est une matrice triangulaire, son rang est égal
au nombre de pivots non nuls sur la diagonale.
Exemple 2.7.1.
1 0 9
0 −4 11 le rang = 2
0 0 0
1 5 0
0 3 21 le rang = 3
0 0 7
5 0 11
0 0 19 le rang = 1
0 0 0
36 Algèbre linéaire
2.7 Application de la méthode de Gauss
1 0 −1 2
0 0 1 3
L1 ↔ L2
0 0 1 2
−2 4 −4 1
−1 0 3 0
1 0 −1 2
0 0 1 3
L4 = L4 + 2L1
0 0 1 2
L5 = L5 + L1
0 4 −6 5
0 0 2 2
1 0 −1 2
0 4 −6 5
L2 ↔ L4
0 0 1 2
0 0 1 3
0 0 2 2
1 0 −1 2
0 4 −6 5
L4 = L4 − L3
0 0 1 2
L5 = L5 − 2L3
0 0 0 2
0 0 0 −2
1 0 −1 2
0 4 −6 5
L5 = L5 + L4
0 0 1 2
0 0 0 2
0 0 0 0
37
Résolution des systèmes d’équations linéaires
1
Li = Li
aii
3. Étape 3 : Pour avoir 0 pour tous les éléments situés au dessus de la diago-
nale, on pose :
Exemple 2.7.3. Vérifier si la matrice A est inversible, si oui donner son inverse.
2 1 3
A = −1 5 −2
5 8 7
38 Algèbre linéaire
2.7 Application de la méthode de Gauss
39
Résolution des systèmes d’équations linéaires
On remarque que le nombre de pivots non nuls est égal à 3, donc la matrice est
inversible.
Avoir 1 sur la diagonale
L1 = 12 L1 1 12 21 | 12 0
0
L2 = −L2 0 1 2 | 2 −1 0
L3 = − 41 L3 0 0 1 | 54 − 34 − 14
1 1
− 81
1 0 0 | 8 8
1
L1 = L1 − L 0 1 0 | −1 1 1
2 2
2 2 2
0 0 1 | 45 − 34 − 41
Donc
1 1
− 18
8 8
1 1 1
−
A−1
= 2 2 2
5
4
− 34 − 14
40 Algèbre linéaire
Chapitre 3
Espaces vectoriels
+ : E × E −→ E
(u, v) 7−→ u + v
telle que
u + u0 = OE , u0 = −u
. : R × E −→ E
(λ, v) 7−→ λ.v
41
Espaces vectoriels
Remarque 3.1.1.
• Les éléments de E sont appelés vecteurs
• Les éléments de R sont appelés scalaires
u
• L’ordre λu est à respecter : xλ et n’ont pas de sens.
λ
Exemple 3.1.1.
1. L’ensemble des matrices rélles est un R. espace vectoriel.
2. L’ensemble des fonctions continues C(R) est un R. espace vectoriel.
3. Lénsemble des suites réelles S est un R. espace vectoriel.
4. Rn est un R. espace vectoriel, (n ≥ 1).
• les vecteurs sont les n-uplets (x1 , · · · , xn ) d’éléments de R
• La loi + : (x1 , · · · , xn ) + (y1 , · · · , yn ) = (x1 + y1 , · · · , xn + yn )
• La loi . : λ.(x1 , · · · , xn ) = (λ.x1 , · · · , λ.xn )
Propriétés 3.1.1. Pour tout (u, v) ∈ E 2 et tout (α, β) ∈ R
• α.u = OE ⇔ α = 0 ou u = OE
• -u=(-1).u. on pose u-v=u+(-v)
• (α − β).u = α.u − β.u
42 Algèbre linéaire
3.3 Combinaisons linéaires
Exemple 3.2.2. E = R2 ,
F = {(x, 0)/x ∈ R} et G = {(0, y)/y ∈ R} sont des sous espaces vectoriels de E
F ∪ G = {(x, y)/x = 0 ou y = 0} n’est pas un s.e.v de E :
En effet (1, 0) ∈ F ∪ G et (0, 1) ∈ F ∪ G mais (1, 0) + (0, 1) = (1, 1) ∈
/ F ∪G
2u + v, 4u − 5v, 9u + 13v....
Définition 3.3.1. Soit {u1 , · · · , un } une famille finie de vecteurs d’un R. espace
vectoriel E. On dit qu’un vecteur u de E est combinaison linéaire des vecteurs
{u1 , · · · , un } s’il existe une famille de scalaires {α1 , · · · , αn } telle que
u = α1 u1 + · · · + αn un
Exemple 3.3.1.
E = R2 : tout vecteur (x, y) ∈ R2 est combinaison linéaire des vecteurs (1, 0)
et (0, 1)
∀(x, y) ∈ R2 , (x, y) = x(1, 0) + y(0, 1)
Théorème 3.3.1.
1. Dans un espace vectoriel E , l’ensemble des combinaisons linaires d’une
famille finie de vecteurs {u1 , · · · , un } est un sous espace vectoriel de E en-
gendré par la famille u1 , · · · , un . On le note V ect{u1 , · · · , un } .
2. V ect{u1 , · · · , un } est le plus petit s.e.v de E contenant la famille {u1 , · · · , un }
Remarque 3.3.1. Ce théorème est souvent utilisé en pratique. Pour montrer que
F un sous espace vectoriel de l’espace vectoriel E, on monttre que F est l’ensemble
de toutes les combinaisons linéaires d’un nombre fini de vecteurs de E.
43
Espaces vectoriels
Exemple 3.3.2.
E = {(x, y, z) ∈ R3 /2x + y − z = 0} est un R espace vectoriel.
En effet E ⊂ R3 qui est un espace vectoriel sur R et en plus on a .
∀u = (x, y, z) ∈ E ⇔ z = 2x + y
⇔ u = (x, y, 2x + y)
⇔ u = x(1, 0, 2) + y(0, 1, 1)
∀(λ1 , . . . , λn ) ∈ Rn : λ1 u1 + . . . + λn un = 0 ⇒ λ1 = . . . = λn = 0
∃(λ1 , . . . , λn ) : (λ1 , . . . , λn ) 6= 0E et λ1 u1 + . . . + λn un = 0
44 Algèbre linéaire
3.5 Base d’un espace vectoriel
(λ1 u1 + λ2 u2 + λ3 u3 = 0E ) ⇒ (λ1 , λ2 , λ3 , 0) = 0E
λ1 = 0
(λ1 , λ2 , λ3 , 0) = 0E ⇒ λ2 = 0
λ3 = 0
Théorème 3.4.1. Soit E un R. espace vectoriel et {u1 , · · · , un } une famille de
n vecteurs de E.
({u1 , · · · , un } est liée ) ⇔ ( l’une des ui (1 ≤ i ≤ n) est combinaison linéaire des autres
45
Espaces vectoriels
Théorème 3.5.1.
Soit E un R.espace vectoriel ; B={u1 , · · · , un } une base de E. Alors tout vec-
teur de E s’écrit de manière unique comme combinaison linéaire des vecteurs
u1 , · · · , un .
Définition 3.5.2.
Si U = λ1 u1 + . . . + λn un est l’écriture de U dans la base B={u1 , · · · , un }. Les
scalaires λ1 , · · · , λn s’appellent ccordonnées ou composantes de U dans la base B.
3.6.1 Définitions
Définition 3.6.1. Une application f de E dans F est dite linéaire si :
1. ∀(u, v) ∈ E 2 , f (u + v) = f (u) + f (v)
2. ∀u ∈ E, ∀λ ∈ R f (λu) = λf (u)
On note L(E, F ) l’ensemble des applications de E dans F.
Propriétés 3.6.1.
Si f est une application linéaire de E dans F , alors
• f (u − v) = f (u) − f (v), ∀(u, v) ∈ E 2
• f (−u) = −f (u), ∀u ∈ E
• f (0E ) = 0F
46 Algèbre linéaire
3.6 Applications linéaires
Exemple 3.6.1.
f: R → R
x 7→ ax (a ∈ R)
Exemple 3.6.2.
f: R2 → R3
(x, y) 7→ (x + y, x − y, 2y)
f ((x, y) + (x0 , y 0 )) = f (x + x0 , y + y 0 )
= ((x + x0 ) + (y + y 0 ), (x + x0 ) − (y + y 0 ), 2(y + y 0 ))
= ((x + y) + (x0 + y 0 ), (x − y) + (x0 − y 0 ), 2y + 2y 0 )
= ((x + y), (x − y), 2y) + ((x0 + y 0 ) + (x0 − y 0 ), 2y 0 )
= f (x, y) + f (x0 , y 0 ).
47
Espaces vectoriels
f: R2 → R2
(x, y) 7→ (x + y, x + y).
Solution
48 Algèbre linéaire
3.6 Applications linéaires
f: R2 → R2
(x, y) 7→ (x + y, x − y).
Solution
f: R3 → R2
(x, y, z) 7→ (x − y, y − z).
49
Espaces vectoriels
50 Algèbre linéaire