Académique Documents
Professionnel Documents
Culture Documents
Cours Algèbre Linéaire
Cours Algèbre Linéaire
Espace vectoriel
Un espace vectoriel est ensemble formé de vecteurs, de sorte que l’on
puisse additionner et (soustraire) deux vecteurs u, v pour en former un troisième
u + v ou (u − v) et aussi afin que que l’on puisse multiplier chaque vecteur
par un facteur λ pour obtenir un vecteur λ.u.
E×E → E
(u, v) → u + v,
K×E → E
(λ, u) → λ.u
Pour tous, u, v ∈ E, u + v = v + u.
(b) Associativité
Pour tous, u, v, w ∈ E, u + (v + w) = (u + v) + w.
1
(d) Existence d’un symétrique
Pour tout u de E, il existe un élément u0 de E tel que u + u0 = 0E . On
a aussi u0 + u = 0E . Cet élement u0 est noté -u.
Axiomes relatifs à la loi externe
(a) Soit 1 l’élément neutre de la multiplication de K Pour tout élément u de
E,on a
1.u = u.
λ.(µ.u) = (λ × µ).u.
2
Alors (1) avec u = 00E donne 00E + 0E = 0E + 00E = 00E
et (1) avec u = 0E donne 00E + 0E = 0E + 00E = 0E
d’où 0E = 00E .
Si u0 , u00 sont deux symétriques du même u, on a
u + u0 = u0 + u = 0E et u + u00 = u00 + u = 0E .
Donc
u0 + (u + u00 ) = u0 + 0E = u0 ,
u0 + (u + u00 ) = (u0 + u) + u00 = 0E + u00 = u00 .
Exemple
(1) Posons K = R et E = R2 . Un élément u ∈ E est donc un couple (x, y)
avec x un élément de R et y un élément de R.
(x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 ).
3
Définition de la loi externe
Si λ est un réel et (x1 , ..., xn ) est un élement de Rn , alors
λ.(x1 , ..., xn ) = (λx1 , ..., λxn ).
L’élement neutre de loi interne est le vecteur nul (0, ..., 0).
Le symétrique de (x1 , ..., xn ) est (−x1 , ..., −xn ), que l’on note −(x1 , ..., xn ).
4
2. Sous-espace vectoriel
Soit E un K-espace vectoriel
(2) u + v ∈ F, ∀u, v ∈ F.
(3) λ.u ∈ F, ∀λ ∈ K et ∀u ∈ F.
Exemples
(2) L’ ensemble des fonctions continues sur R est un s.e.v de l’espace vecto-
riel des fonctions de R dans R.
(3) L’ensemble des suites réelles convergentes est un s.e v de l’espace vectoriel
des suites réelles.
5
E2 Prouver que F est un s.e.v de E.
F + G = {u + v/u ∈ F, v ∈ G}.
Exemples
(1) F = {(x, y, z) ∈ R3 /y = z = 0} et G = {(x, y, z) ∈ R3 /x = z = 0}.
Un élément w de F + G s’écrit w = u + v où u ∈ F et v ∈ G. Comme
u ∈ F, u = (x, 0, 0) et comme v ∈ G, v = (0, y, 0). ⇒ w = (x, y, 0) et
donc F + G = {(x, y, z) ∈ R3 /z = 0}.
6
Soient F et G deux sous-espaces vectoriels de E.
Définition 4. F et G sont en somme directe dans E si
F ∩ G = {0E } et F + G = E.
Exemples
(1) F = {(x, y, z) ∈ R3 /x − y − z = 0} et G = {(x, y, z) ∈ R3 /y = z = 0}.
F ∩ G = {0R3 } : si u = (x, y, z) ∈ F ∩ G alors x − y − z = 0 car
u ∈ F et y = z = 0 car u ∈ G, donc u = (0, 0, 0) = 0R3 . Montrons
que F + G = R3 . Soit u = (x, y, z) ∈ R3 . On cherche v ∈ F et w ∈ G
tels que u = v + w. On a v = (y1 + z1 , y1 , z1 ) et w = (x2 , 0, 0). Donc
(x, y, z) = (y1 + z1 + x2 , y1 , z1 ). Ainsi y1 = y, z1 = z, x2 = x − y − z ⇒
(x, y, z) = (y +z, y, z)+(x−y −z, 0, 0) ∈ F ⊕G. Conclusion: F ⊕G = R3 .
(2) E = F(R, R), P l’ensemble des fonctions paires, I l’ensemble des fonc-
tions impaires. Montrons que P ⊕I = F(R, R). Soit f ∈ P ∩I, alors pour
tout réel x ∈ R, f (x) = f (−x) = −f (−x), ce qui implique f (x) = 0.
Donc f est la fonction nulle. Montrons que P + I = F(R, R). Soit
f ∈ F(R, R), posons g(x) = f (x)+f 2
(−x)
et h(x) = f (x)−f
2
(−x)
, donc g est
une fonction paire et h est une fonction impaire telles que f = g + h.
Définition 5. Un vecteur u de E est combinaison linéaire des vecteurs
u1 , ..., un de E, s’il existe des scalaires λ1 , ..., λn tels que
u = λ1 u1 + ... + λn un .
7
Exemple
Dans R4 , posons u1 = (1, 2, 0, 1), u2 = (2, 1, 3, −1), u3 = (3, 3, 3, 0) et u =
(5, 4, 6, −1). Le vecteur u est combinaison linéaire de {u1 , u2 , u3 } puisque
1 3 1
u = u1 + u2 + u3 .
2 2 2
Remarquez que cette combinaison linéaire égale à u n’est pas la seule, par
exemple
u = u1 + 2u2 = u2 + u3 .
(λ1 u1 + ... + λn un ) + (λ01 u1 + ... + λ0n un ) = (λ1 + λ01 )u1 + ... + (λn + λ0n )un
est aussi un vecteur de V. L’ensemble V est donc stable par addition. Enfin,
si λ1 u1 + ... + λn un est un vecteur de V et si λ ∈ K alors
est aussi un vecteur de V. L’ensemble V est donc stable par produit externe.
C’est bien un s.e.v de E et que c’est le plus petit s.e.v de E contenant
u1 , ..., un , (au sens de l’inclusion).
Grâce à la notion de sous-espace vectoriel engendré, nous obtenons beau-
coup d’exemples d’espaces vectoriels. Voici quelques-uns:
8
1 1
(3) Si u = 1 et v = 2 ∈ R3 . Déterminons P = V ect(u, v).
1 3
x x
y ∈ V ect(u, v) ⇔ y = λu + µv, pour certains λ, µ ∈ R.
z z
x 1 1 x = λ + µ,
⇔ y =λ 1 +µ 2
⇔ y = λ + 2µ,
z 1 3 z = λ + 3µ.
et X X X
u= αj uj ⇒ u = (λj − λi αj )uj + λi (ui + αj uj ).
j j6=i j6=i
Exemple
Dans R3 , on considère les trois vecteurs u1 = (1, 1, 1), u2 = (1, 2, 3) et u3 =
(3, 4, 5). On a u3 = 2u1 + u2 . Or,
V ect(u1 , u2 , u3 ) = V ect(u1 , u2 , u3 − 2u1 − u2 ) = V ect(u1 , u2 , 0)
et
= V ect(u1 , u2 , 0) = V ect(u1 , u2 ).
Ainsi,
= V ect(u1 , u2 , u3 ) = V ect(u1 , u2 ).
Écrire un espace engendré avec le moins de vecteurs possibles est l’un des
objetcifs de la partie suivante
9
3. Bases des espaces vectoriels
Définition 7. Une famille de vecteurs de E est libre si aucun de ses vecteurs
n’est combinaison linéaire des autres. Une famille de vecteurs de E est liée
si elle n’est pas libre.
Exemples:
(1) Les vecteurs u1 = (1, 0, 1), u2 = (−1, 1, 1), u3 = (0, 1, 0) de R3 sont
linéairement indépendants. Soient α, β, γ ∈ R.
α − β = 0,
αu1 + βu2 + γu3 = 0 ⇔ β + γ = 0,
α + β = 0.
(2) Dans le R-espace vectoriel R3 , soit u1 = (1, −1, −1), u2 = (2, −1, 1) et
u3 = (1, 0, 2). Soient α, β, γ ∈ R tels que αu1 + βu2 + γu3 = (0, 0, 0).
Nous obtenons donc:
α + 2β + γ = 0,
αu1 + βu2 + γu3 = 0 ⇔ −α − β = 0,
−α + β + 2γ = 0.
10
Aprés résolution du système, on obtient
αu1 + βu2 + γu3 = (0, 0, 0) ⇔ α = γ, β = −γ.
On en déduit que le système {u1 , u2 , u3 }. est lié car on a notament la
relation linéaire u1 − u2 + u3 = 0.
Définition 8. Le rang d’une famille est égal au plus grand nombre de vecteurs
linéairement indépendants que l’on peut extraire de cette famille
.
(1) {(1, 1, 1), (−1, 1, 1)} est libre ⇒ rang{(1, 1, 1), (−1, 1, 1)} = 2.
(2) Ona (0, −1, 1) = −(1, 0, −1) − (−1, 1, 0) ⇒
V ect{(1, 0, −1), (−1, 1, 0), (0, −1, 1)} = V ect{(1, 0, −1), (−1, 1, 0)}.
Puisque {(1, 0, −1), (−1, 1, 0)} est libre donc
rg{(1, 0, −1), (−1, 1, 0), (0, −1, 1)} = 2
Définition 9. Une famille {u1 , ..., un } de vecteurs de E est dite génératrice
de E si
E = V ect(v1 , ..., vn ).
On dit aussi que la famille {u1 , ..., un } engendre E ou que E est engendré
par la famille {u1 , ..., un }.
Exemple: F = {(x1 , x2 , x3 , x4 ) ∈ R4 /x1 − x2 = 0, x1 + x3 + x4 = 0}. F est
un s.e.v de R4 . Déterminons une famille génératrice de F. Ona
F = {(x1 , x1 , x3 , −x1 − x3 )/x1 , x3 ∈ R}
= {x1 (1, 1, 0, −1) + x3 (0, 0, 1, −1)/x1 , x3 ∈ R}.
Donc {(1, 1, 0, −1), (0, 0, 1, −1)} une famille génératrice de F.
Définition 10. Une famille de vecteurs de E est une base de E si c’est une
famille à la fois génératrice de E et libre.
Théorème 9. Une famille B = {u1 , ..., un } de vecteurs de E est base de E
si et seulement si
n
X
∀u ∈ E, il existe unique (λ1 , ..., λn ) ∈ Kn , u = λi ui .
i=1
11
Preuve. Tout vecteur u de E est combinaison linéaire des vecteurs de
B puisque B est une famille génératrice de E. Soit u ∈ E et {λ1 , ..., λn },
{µ1 , ..., µn }, deux ensembles de scalaires tels que
n
X n
X
λi ui = µi u i .
i=1 i=1
On a alors n
X
(λi − µi )ui = 0E
i=1
Exemple:
x
{(1, 1, 1), (−1, 1, 0), (1, 0, −1) forment une base de R3 . Soit y ∈ R3 ,
z
x 1 −1 1
y = a 1 + b 1 + c 0 , pour certains a, b, c ∈ R
z 1 0 −1
x+y+z
x = a − b + c, a= 3 ,
⇔ y = a + b, ⇔ b = −x+2y−z
3
,
x+y−2z
z = a − c. c= 3 .
Ceci implique
x 1 −1 1
y = x + y + z 1 + −x + 2y − z 1 + x + y − 2z 0 .
3 3 3
z 1 0 −1
Donc {(1, 1, 1), (−1, 1, 0), (1, 0, −1) est une partie génératrice de R3 . Si x =
y = z = 0 ⇒ a = b = c = 0 ce qui montre qu’elle est libre et donc c’est
une base de R3 . Les composantes de (x, y, z) dans cette base sont: x+y+z 3
,
−x+2y−z x+y−2z
3
et 3
.
Exemples :
(1) {(1, 0), (0, 1)} est une base de R2 .
12
(2) {(1, 0, 0), (0, 1, 0), (0, 0, 1)} est une base de R3 .
(3) En général, {e1 = (1, 0, ..., 0), ..., ei = (0, ..., 1, ...0), ..., en = (0, ..., 0, 1)}
est la base canonique de Rn .
(4) La famille {1, X, ..., X n } est une base de Rn [X] qui désigne l’espace vec-
toriel des polynômes de degré inférieur ou égal à n, on l’appelle la base
canonique de Rn [X].
Le théorème suivant s’appelle théorème de la base incomplète et il énonce
qu’une famille libre quelconque peut être complétée en une base en prenant
des vecteurs dans une famille génératrice quelconque.
Théorème 10. Soit E un espace vectoriel. Soit {u1 , ..., up } une famille libre
de E et {v1 , ..., vq } une famille génératrice de E. Alors il existe un entier
n ≥ p et une base {e1 , ..., en } de E telle que:
1. pour tout i ≤ p on a ei = ui
2. pour tout i > p on a ei ∈ {v1 , ..., vq }.
Exemple
Soit F le sous espace vectoriel R4 [X] engendré par les vecteurs P1 = X 2 ,
P2 = (X − 1)2 et P3 = (X + 1)2 Montrons que B = (P1 , P2 , P3 ) est une base
de F. Par construction, B est génératrice. Montrons que B est libre. En effet
soient α, β, γ ∈ R tels que αP1 + βP2 + γP3 = 0. Nous obtenons donc:
α + β + γ = 0,
2
αP1 +βP2 +γP3 = 0 ⇔ (α+β+γ)X −2(β−γ)X+β+γ = 0 ⇔ β − γ = 0,
β + γ = 0.
13
(ii) Le rang d’une famille est égal à la dimension du s.e.v engendré par cette
famille.
4. Applications linéaires
Définition 11. Soit E et F deux espaces vectoriels. Une application f de
E dans F est une application linéaire si:
1. f (u + v) = f (u) + f (v), ∀u, v ∈ E.
2. f (λ.u) = λf (u), ∀u ∈ E et ∀λ ∈ K.
Exemples:
(1)
f : R2 → R3
(x, y) 7→ (x − y, x, x + y)
14
Soient X = (x, y) et X 0 = (x, y) de R2 ,
f (X + X 0 ) = f (x + x0 , y + y 0 )
= ((x + x0 ) − (y + y 0 ), x + x0 , (x + x0 ) + (y + y 0 ))
= (x − y + x0 − y 0 , x + x0 , x + y + x0 + y 0 )
= (x − y, x, x + y) + (x0 − y 0 , x0 , x0 + y 0 )
= f (X) + f (X 0 ).
Soient X = (x, y) et λ ∈ R,
f (P ) = 2P − (X − 1)P 0 , ∀P ∈ E.
Soient P et Q de E,
15
Proposition 11. Si f : E → F une application linéaire, alors
(a) f (0E ) = 0F .
16
Le théorème du rang suivant donne une relation entre la dimension du noyau
et la dimension de l’image de f.
Théorème 14. Soit E et F deux espaces vectoriels de dimension finie et
f ∈ L(E, F ). On a
Donc
17
(2) f (x, y, z) = (2x − y + z, x − y − z, x + 2z)
Calculons le noyau :
(x, y, z) ∈ ker(f ) ⇔ (2x − y + z, x − y − z, x + 2z) = (0, 0, 0)
2x − y + z = 0
x = −2z
⇔ x−y−z =0 ⇔
y = −3z
x + 2z = 0
Ainsi
ker(f ) = {(−2z, −3z, z)/z ∈ R} = V ect{(−2, −3, 1)}.
La formule du rang, appliquée à f : R3 → R3 s’écrit dim R3 = dim Im(f )+
dim ker(f ). Donc dim Im(f ) = 2.
Calculons l’image. Quels éléments (X, Y, Z) ∈ R3 peuvent s’écrire f (x, y, z)?
f (x, y, z) = (X, Y, Z) ⇔ (x, y) = (x − y, x, x + y)
2x − y + z = X 2x − y + z = X 2x − y + z = X
⇔ x−y−z =Y ⇔ −y − 3z = 2Y − X ⇔ y + 3z = X − 2Y
x + 2z = Z y + 3z = 2Z − X X − Y − Z = 0.
Donc
Im(f ) = {(X, Y, Z) ∈ R3 /X − Y − Z = 0}
= {(X, Y, X − Y )/X, Y ∈ R}
= {X(1, 0, 1) + Y (0, 1, −1)/X, Y ∈ R}
= V ect{(1, 0, 1), (0, 1, −1)}.
18
Propriété
(1) L’application linéaire f est injective si son noyau est réduit au vecteur
nul: ker(f ) = {0}. Une application linéaire injective transforme les
familles libres en familles libres.
a11 · · · · · ·
a1p
.. .. .. ..
. . . .
A = ai1 · · · · · · aip .
. .. .. ..
.. . . .
an1 · · · · · · anp
On note aussi la matrice A par: A = (aij )0≤i≤n,0≤j≤p . On note Mn,p (K)
l’ensemble des matrices de type (n, p). Les matrices de type (n, n) sont ap-
pelées matrices carrées de taille n. L’ensemble de ces matrices sera notèe
Mn (K).
Exemples
1 4
1 2 3 1
A= ∈ M2,3 (K), B = 2 5 ∈ M3,2 (R), B = ∈
4 4 5 2
3 6
M2,1 (R), B = 1 ∈ M1 (R).
19
Définissons maintenant les opérations sur les matrices:
Addition:
Si A=(aij ), B = (bij ) sont des matrices de type (n, p), alors A + B est une
matrice de type (n, p) dont les coefficients sont donnée par:
cij = aij + bij .
Exemple:
1 2 −1 1 0 1
A= ,B = ∈ M2,3 (R).
2 1 −2 0 −1 1
2 2 0
A+B = ∈ M2,3 (R).
2 0 −1
Multiplication par un scalaire:
Si A=(aij ) est une matrice de type (n, p) et α ∈ K alors αA est une matrice
de type (n, p) dont les coefficients sont donnée par:
cij = αaij .
Exemple:
1 2 −1
A = 2 1 −2 .
0 1 −1
5 10 −5
5 × A = 10 5 −10 .
0 5 −5
Multiplication de deux matrices:
Si A=(aij ), B = (bij ) sont deux matrices de type (n, p), (p, q) alors AB
est une matrice de type (n, q) dont les coefficients sont donnée par:
p
X
∀i, j : cij = aik bkj = ai1 b1j + ai2 b2j + · · · + ain bnj
k=1
Il faut noter que le produit de deux matrices n’est possible que si le nom-
bre de lignes de la première est égal au nombre de colonnes de la deuxième.
Exemples:
20
(a) Le produit d’une matrice ligne A ∈ M1,m (K) par une mtrice colonne
B ∈ Mm,1 (K) est un scalaire:
b1j
..
.
A = (ai1 , ai2 , ..., aim ) bkj = ai1 b1j +· · ·+aik bkj +· · ·+aim bmj ∈ K.
.
..
bmj
−2 0
1 −1 2
(b) A = , et B = 1 −1 .
−2 0 1
−3 4
A ∈ M2,3 (R) et B ∈ M3,2 (R) ⇒ A × B ∈ M2,2 (R) et B × A ∈ M3,3 (R).
−9 9
A×B = .
1 4
−2 2 −4
B × A = 3 −1 1 .
−11 3 −2
1 1 0 1 1 2 −1 0 0 1 1 1
= 6= = .
−1 0 1 1 0 −1 0 1 1 1 −1 0
21
Proof. L’élément neutre pour l’addition est la matrice nulle On,p : la matrice
de type (n, p) dont tous les coefficients sont nulle.
Le symétrique d’une matrice A ∈ Mn,p (K) est la matrice obtenue en changeant
la signe de chaque coefficient.
B = {Eij , 1 ≤ i ≤ n, 1 ≤ j ≤ p} est une base de Mn,p (K), avec
1 si (m, n) = (i, j),
(Eij )mn = :
0 sinon
Colonne Cj
↓
0 ··· 0 ··· 0
... ..
.
..
.
..
.
..
.
Eij = .0 · · · 1 · · · 0 ← i ligne.
.. .. .. .. ..
. . . .
0 ··· 0 ··· 0
La base B s’appelle la base canonique de Mn,p (K).
Exemple:
1 2
1 3 5
A= ∈ M (2, 3), At = 3 4 ∈ M (3, 2).
2 4 6
5 6
Matrice unité ou identité: C’est la matrice de Mn (K) dont les coefficients
aij vérifient (
aii = 1
. On note In .
aij = 0 si i 6= j
Propriété: AIn = In A = A, ∀A ∈ Mn (K).
Définition 15. Une matrice carrée A ∈ Mn (K) est dite inversible s’il existe
une matrice carrée B ∈ Mn (K) telle que : A × B = B × A = In . On note
B = A−1 . La matrice B = A−1 s’appelle la matrice inverse de la matrice A.
1 2 3 −2
A= ,B= ,
1 3 −1 1
22
1 0
A×B =B×A= = I2
0 1
La matrice
A est alors
inversible
et A−1
= B.
0 1 a b
A= , ∀B = ,
0 0 c d
c d
A×B = 6= I2 ,
0 0
donc la matrice A est alors non inversible.
(ii) A(B + C) = AB + AC
(iv) (At)t = A
(v) (A + B)t = At + B t
23