Matrice Et Vecteurs L2FED Chap 1 Et 2

UNIVERSITE CATHOLIQUE DU CONGO
Faculté d’Economie et Développement
MATHEMATIQUE GENERALE
(Chapitre Un et Deux)
A l’usage des étudiants de G2 FED
Professeur Dr LUNGIAMBUDILA Oscar
Année académique 2016-2017
Kinshasa/R.D. Congo
2
Notes de Cours de Mathématique Générale (G2 FED) Dr. LUNGIAMBUDILA Oscar c UCC 2016
Chapitre Premier
Matrices et déterminants
1.1 Notions générales

1.1.1 Définition formelle
On appelle matrice un tableau à double entrée dont chacune des cases est un nombre réel
appelé élément de la matrice.
Exemple 1.1.
 
  1
1 2    −3 
1 2 3  
3 −4  2
   
; 4 5 6  ; ; (5)
  
−1 10  0
  
  
7 8 9  
0 1  4 
9
Une matrice est caractérisée, en premier lieu, par sa taille. On repère cette dernière en associant
à la matrice son nombre de lignes et son nombre de colonnes. Le couple de ces deux nombres est
appelé dimension (ou format) de la matrice.
Remarque 1.1.
On donnera toujours le nombre de lignes en premier, puis celui des colonnes.
Exemple 1.2.
Pour les matrices de l’exemple, leurs dimensions respectives sont : (4, 2) ; (3, 3) ; (6, 1) et (1, 1).
Remarque 1.2.
Les matrices de format (1, 1) ne sont rien d’autres que des nombres réels.
D’une manière générale, une matrice de dimension (m, n) s’écrira sous la forme :
 
a11 a12 . . . a1j . . . a1n
 a21 a22 . . . . . . . . . . . . 
M = M (m, n) =  .
 
. .. .. .. .. .. 
 . . . . . . 
am1 am2 . . . amj . . . amn
Notions générales 2
L’élément aij est celui qui se trouve à l’intersection de la ième ligne et de la jème colonne.
On pourra définir la matrice M (m, n) par :
M = M (m, n) = (aij ) avec i ∈ {1, . . . , m} et j ∈ {1, . . . , n}.
Exemple 1.3.
1 3 −1
 
Soit A =  4 2 −3  A est une matrice de dimension (3, 3) ; a11 = 1, a23 = −3, a13 = −1,
7 0 8
etc . . .
1.1.2 Diagonale d’une matrice

La diagonale d’une matrice A = (aij ) est l’ensemble des éléments aij pour lesquels i = j.
Exemple 1.4.
1 3 −1


Pour la matrice A =  4 2 −3  les éléments de sa diagonale sont : a11 = 1, a22 = 2 et

7 0 8
a33 = 8.
1.1.3 Matrices particulières

Matrice colonne
Ce sont des matrices de format (m, 1), c’est à dire les matrices à une colonne. On les appelle
aussi les matrices unicolonnes.
Matrice ligne
Ce sont les matrices de format (1, n), c’est à dire à une ligne. On les appelles aussi les matrices
unilignes.
Matrice carrée
Une matrice est dite carrée lorsque son nombre de lignes est égal à son nombre de colonnes.
Une matrice carrée de format (m, m) est appelée matrice carrée d’ordre m.
Exemple 1.5.

1 2
• est une matrice carrée d’ordre 2.
3 4
 
1 2 3
•  4 5 6  est une matrice carrée d’ordre 3.
7 8 9
Matrice diagonale
Une matrice carrée d’ordre n est dite diagonale si tous les éléments autres que ceux de sa
diagonale sont nuls.
(A diagonale) ⇔ (aij = 0 pour tout i 6= j).
Exemple 1.6.
 
1 0 0
A =  0 −1 0 
0 0 4
Une matrice diagonale est dite scalaire si tous ses éléments diagonaux sont égaux.
Exemple 1.7.
 
−2 0 0 0
 0 −2 0 0
 
A=  est une matrice scalaire d’ordre 4.

 0 0 −2 0 
0 0 0 −2
Matrice unité
On appelle unité d’ordre n, toute matrice scalaire dont les éléments diagonaux valent tous 1.
Exemple 1.8.

1 0
• A = 12 = est la matrice unité d’ordre 2.
0 1
 
1 0 0
• B = 13 =  0 1 0  est la matrice unité d’ordre 3.
0 0 1
Matrice symétrique
Une matrice carrée d’ordre n est dite symétrique si les éléments symétriques par rapport à sa
diagonales sont égaux.
(A symétriques ⇔)aij = aji pour tout i, j ∈ {1, 2, ..., n}.
Exemple 1.9.
Les matrices suivantes sont symétriques
1 −1 4
 

4 −2  −1 3 5 
−2 1
4 5 2
Remarque 1.3.
Une matrice diagonale est par définition symétrique.
Matrice triangulaire
Une matrice carrée d’ordre n est dite triangulaire supérieure (resp. inférieure) si tous les
éléments situés en dessous (resp. au dessus) de sa diagonale sont nuls.
1 −2 5
 
A= 0 3 9  est triangulaire supérieure.

0 0 −7
 
1 0 0
B =  5 3 0  est triangulaire inférieure.
6 7 −7
Matrice nulle
Une matrice est dite nulle si tous ses éléments sont nuls.
1.1.4 Transposée d’une matrice

On appelle transposée d’une matrice A(m, n), la matrice notée tA de format (n, m) ayant pour
lignes les colonnes de A et pour colonnes les lignes de A.
Exemple 1.10.
   
1 4 7 1 2 3
A =  2 5 8  alors sa transposée st la matrice tA =  4 5 6 
3 6 9 7 8 9
Résultat important
Une matrice est symétrique si et seulement si elle est égale à sa propre transposée.
A symétrique ⇔ A = tA
1.1.5 Sous-matrices d’une matrice

Soit A = (aij ) une matrice de format (m, n). La suppression d’une ligne et d’une colonne
quelconques de la matrice A détermine une nouvelle matrice appelée sous-matrce de A. Elle sera
notée Aij si on a supprimé la ligne i et a colonne j.
Exemple 1.11.
1 0 −4 3
 

1 8 2 1 −4 3
Soit A =  2 1 8 2  . Alors on a : A11 = ; A32 =
−9 7 24 2 8 2
4 −9 7 24
Opération sur les matrices 5
1.2 Opération sur les matrices

1.2.1 Multiplication d’une matrice par un réel
Soient A = (aij ) et k ∈ R. Aors la matrice kA est obtenue en multipliant tous les éléments de
la matrice A par k.
Exemple 1.12.
1 −1 3 −3
   
Si A =  2 4  alors 3A =  6 12 
0 7 0 21
1.2.2 Addition et soustraction de deux matrices

Pour additionner ou soustraire deux matrices il faut :
• que les matrices soient de même format.
• additionner ou soustraire les termes homologues des deux matrice

4 5 −2 0 4 2 4 9 0
Ainsi si A = et B = alors A + B = et A − B =
1 −1 3 3 7 −1 4 6 2

4 1 −4
.
−2 −8 4
1.2.3 Multiplication de deux matrices

Pour multiplier deux matrices, il faut :
• que le nombre de colonnes de la première soit égal au nombre de lignes de la seconde.
• utiliser la règle suivantes : Si A est de dimension (m, n) et si B est de dimension (n, p), alors
la matrice AB = A × B est de dimension (m, p) et ses éléments sont obtenus de a manière
suivante :
(a) les éléments de la première ligne de AB sont obtenus à partir de ceux de la première
ligne de A et ceux de chacune des colonnes de B.
(b) Idem pour les autres lignes de AB.
Ainsi si A = (aij ) est de dimension (m, n) et B = (bij ) est de dimension (n, p) alors AB = (cij )
est de dimension (m, p) telle que :
Xn
cij = aik bkj .
k=1
Exemple 1.13.
 
1 0
1 2 3 4
1. Si A =  2 5  et B = , alors AB est une matrice de format (3, 4) telle
0 3 5 6
0 4
que :
   
1 0 1 2 3 4
1 2 3 4
AB =  2 5  × =  2 19 31 38 
0 3 5 6
0 4 0 12 20 24
4 −3 16 13 −35
   
63
12 4 1 −2
2. Si A =  5 1  et B = alors AB =  55 20 2 −1 .
−5 0 −3 9
2 −1 29 8 5 −13
Propriétés
1. Soit A = A(m, n), alors 1m × A = 1m A = A et A × 1n = A1n = A.
2. AB 6= BA.
3. A.(BC) = (AB).C.
4. A.(B + C) = A.B + A.C.
5. (A + B).C = A.C + B.C.
6. A2 = A × A et An = |A × A {z
× ... × A}.
n fois
1.2.4 Transformations élémentaires sur les lignes d’une matrice

Une transformation élémentaire sur les lignes d’une matrice est l’une de trois opérations sui-
vantes :
1. Permuter(ou intervertir) deux lignes ;
2. Multiplier une ligne par un scalaire non nul ;
3. Ajouter à une ligne un multiple d’une autre ligne.
Matrice en escalier
On appelle matrice en escalier, une matrice dont les zéros sur les lignes formes un escalier de
gauche à droite, c’est à dire une matrice de la forme :
 
a11 a12 a13 a14 ... a1n
 0 a22 a23 a24 ... a2n 
 
 0 0 a33 a34 ... a3n 
 
 
 0 0 0 a44 ... a4n 
 .. .. .. .. .. .. 
 
 . . . . . . 
0 0 0 0 ... amn
On utilise les transformations élémentaires pour convertir une matrice donnée en une matrice en
escalier.
Exemple 1.14.
 
1 0 5
Transformer en escalier la matrice A =  0 0 1  .
2 6 0
     
1 0 5 1 0 5 1 0 5
 0 0 1  L2 ↔ L3  2 6 0  L2 = L2 − 2L1  0 6 −10  en escalier.
=⇒ =⇒
2 6 0 0 0 1 0 0 1
Matrice élémentaire
On appelle matrice élémentaire d’ordre n, toute matrice carrée d’ordre n obtenue à partir de
la matrice unité 1n en appliquant l’une des transformations élémentaires.
   
1 0 0 1 0 0
L = L2 − 2L1 
Exemple : 13 =  0 1 0  2 −2 1 0  élémentaire
=⇒
0 0 1 0 0 1
Remarque 1.4.
Appliquer une transformation élémentaire sur une matrice A équivaut à multiplier A à gauche
par la matrice élémentaire correspondant à la transformation effectuée.
1.2.5 Déterminant d’une matrice

Soit A = (aij ) une matrice carrée d’ordre n. A la matrice A, on associe un nombre réel appelé
déterminant de A et noté det(A).
Toute matrice dont le déterminant est non nul est dite inversible ou régulière.
Toute matrice dont le déterminant est nul est dite non inversible ou singulière.
Quelques propriétés du déterminant

Pour toute matrice carrée A d’ordre n et pour tout réel α.
1. det(αA) = αn det(A).
2. det(1n ) = 1.
3. det(AB) = det(BA) = det(A).det(B).
4. det(An ) = (det(A))n .
Calcul du déterminant
• Matrice carrée d’ordre 1
A = (a), alors det(A) = a.
• Matrice
carrée
d’ordre 2
a b a b
A= alors det(A) = = ad-bc.
c d c d
• Matrice carrée d’ordre 3 : Méthode de Sarrus

 
a11 a12 a13
A =  a21 a22 a23 
a31 a32 a33
a11 a12 a13 a11 a12
det(A) = a21 a22 a23 a21 a22
a31 a32 a33 a31 a32
= (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 ) − (a31 a22 a13 + a32 a23 a11 + a33 a21 a12 )
Exemple 1.15.
1 3 −2
 
Calculons le déterminant de la matrice A =  0 4 6 . On a :

2 3 −5
1 3 −2 1 3
det(A) = 0 4 6 0 4 = (−20 + 36) − (−16 + 18) = 14.
2 3 −5 2 3
1.2.6 Déterminant d’une matrice d’ordre supérieure

On appelle cofacteur Dij d’un élément aij de la matrice A = (aij ) le réel défini par :
Dij = (−1)i+j det(Aij ),
où Aij est la sous-matrice de A obtenue en supprimant la ième ligne et la jème colonne . On a le
résultat suivant : n n
X X
det(A) = aik Dik = aki Dki .
k=1 k=1
Exemple 1.16.
Calculer
le déterminant
 des matrices suivantes
1 3 −2
1. A =  0 4 6 .
2 3 −5
4 6 3 −2 3 −2
det(A) = 1 −0 +2 = 14.
3 −5 3 −5 4 6
 
2 9 9 4
 2 −3 12 8 
 
2. B =  . On a :
 4 8 3 −5 
1 2 6 4
−3 12 8 9 9 4 9 9 4 9 9 4
det(B) = 2 8 3 −5 − 2 8 3 −5 + 4 −3 12 8 − 1 −3 12 8 .
2 6 4 2 6 4 2 6 4 8 3 −5
Tout calcul fait on trouve det(B) = 147.
Propriétés des déterminants

1. Le déterminant d’une matrice ne change pas si on ajoute un multiple quelconque d’une ligne
(ou d’une colonne) à une autre ligne (ou colonne) ;
2. La permutation de deux lignes (ou deux colonnes) change le signe du déterminant ;
3. La multiplication des éléments d’une ligne (ou d’une colonne) par un scalaire, multiplie le
déterminant par ce scalaire ;
4. Le déterminant d’une matrice en escalier est égal au produit des éléments sur la diagonale
principale ;
5. Le déterminant d’une matrice est égal à celui de sa transposée ;
6. Si tous les éléments d’une ligne ou d’une colonne sont nuls, alors le déterminant est nul ;
7. Si deux lignes ou deux colonnes sont identiques ou proportionnelles, alors le déterminant est
égal à zéro.
Remarque 1.5.
Il est clair que l’utilisation des propriétés ci-dessus permet de creuser une ligne ou une colonne
afin de reduire l’ordre du déterminant.
Exemple 1.17. (déterminant de Vandermonde)
1 a a2 L2 = L2 − L1 1 a a2 1 a a2
V3 = 1 b b2 L3 = L3 − L1 0 b − a b2 − a2 = (b − a)(c − a) 0 1 b + a
1 c c2 = 0 c − a c 2 − a2 0 1 c+a
1 b+a
= (b − a)(c − a) = (b − a)(c − a)(c − b).
1 c+a
De même on peut démontrer que
1 a a2 a3
1 b b2 b3
V4 = = (b − a)(c − a)(d − a)(c − b)(d − b)(d − c).
1 c c2 c3
1 d d2 d3
Exercice : Montrer que

a b 1
c d 1 =0
ac(d−b) bd(c−a)
cd−ab cd−ab
1
Comatrice d’une matrice carrée

On appelle comatrice d’une matrice carrée A, la matrice notée cA dont les éléments homologues
à ceux de la matrice A = (aij ) valent Dij , où Dij est le cofacteur de l’élément aij .
Exemple 1.18.

−1 3
1. A = . On a : D11 = −1, D12 = −4, D21 = −3 et D22 = 1 ; donc cA =
4 −1

−1 −4
.
−3 1
   
7 4 2 46 7 12
2. B =  1 2 −5 . On obtient cB =
  −20 62 −54 .
−3 6 8 −24 37 10
1.2.7 Inverse d’une matrice

Soit A une matrice carrée dont le déterminant est non nul. Alors A est inversible et son inverse
notée A−1 , est définie par :
1
A−1 = tc .
det(A) A
Exemple 1.19.

1 3 1 −4 1 −3
1. A = ; det(A)=-13. Donc A est inversible. cA = et tcA = .
4 1 −3 −1 −4 −1
D’où 1 3
−1 −1 1 −3 − 13 14
A = = 4 1
13 −4 −1 13 13
On vérifie aisément que A × A−1 = A−1 × A = 12 .

 
7 4 2
2. B =  1 2 −5  ; on obtient det(B)=374. Par conséquent B est inversible. D’après
−3 6 8
46 −20 −24
   
46 7 12
l’exemple précédent on a : cB =  −20 62 −54  ; donc tcB =  7 62 37  On
−24 37 10 12 −54 10
déduit alors que :
46 −20 −24
 
1 1 
B −1 = tcB = 7 62 37 
det(B) 374
12 −54 10
Inversion par la méthode de Gauss

La méthode de Gauss consiste en ceci :
1. Mettre côte à côte la matrice à inverser et la matrice identité de même dimension ;
2. Appliquer les transformations élémentaires (les mêmes transformations) aux deux matrices
simultanément ;
3. Continuer le processus en 2 jusqu’à réduire la matrice à inverser à une matrice identité ;
4. A la fin de l’étape 3, la matrice obtenue à la place de la matrice identité de depart est la
matrice inverse cherchée.
Exemple 1.20.
 
1 2 3
Calculer l’inverse de la matrice A =  2 5 7 .
3 7 11
Nous obtenons successivement les matrices suivantes :
   
1 2 3 1 0 0 L1 = L1 1 2 3 1 0 0
 2 5 7 0 1 0  L2 = 2L1 − L2 ⇒  0 −1 −1 2 −1 0 
3 7 11 0 0 1 L3 = 3L1 − L3 0 −1 −2 3 0 −1
 
L1 = L1 1 2 3 1 0 0 L1 = L1 + 3L2
L2 = L2 ⇒  0 −1 −1 2 −1 0  L2 = L2 + L3 ⇒
L3 = L2 − L3 0 0 1 −1 −1 1 L3 = L3
1 −1 0 7 −3 0 L1 = L1 − L2 1 0 0 6 −1 −1
   
 0 −1 0 1 −2 1  L2 = −L2 ⇒  0 1 0 −1 2 −1 
0 0 1 −1 −1 1 L3 = L3 0 0 1 −1 −1 1
6 −1 −1
 
−1
Il en résulte que l’inverse A =  −1 2 −1 
−1 −1 1
Exercice  2 1 1 
−
 5 5 5 
 
−2 3 0
 
 
 1 2 2 
On considère les matrices A =  1 2 −1  et B = 
 15

15 15 
0 4 1 



4 8 7
 
− −
15 15 15
1. Calculer les produits A × B et B × A.
2. (a) Calculer le déterminant de la matrice A.
(b) La matrice A est-elle inversible ?
(c) Donner la matrice A−1 , inverse de la matrice A.
3. Calculer l’inverse de A par la méthode de Gauss.
Application aux systèmes linéaires d’équations 12
1.3 Application aux systèmes linéaires d’équations

1.3.1 Système linéaire d’équation à deux inconnues
On appelle ainsi tout système de la forme

ax + by = c
(1)
a0 x + b 0 y = c 0
Les inconnues sont ici x et y ; les réels a, a0 , b et b0 sont donnés.
A un tel système correspond une matrice carrée d’ordre 2 de la forme

a b
A=
a0 b 0

x c
En posant X = et B = le système est équivalent à l’équation suivante :
y c0

ax + by = c a b x c
0 0 0 ⇔ 0 0 . = ⇔ A × X = B.
ax+by =c a b y c0
On distingue alors deux cas :
1. Si A est inversible (c’est à dire de(A) = ab0 − a0 b 6= 0), on a : (1) ⇔ X = A−1 B.
2. Si A est non inversible, A−1 n’existe pas. On calcule les déterminants suivants : Dx =
c b a c
0 0 et Dy = .
c b a0 c 0
• Si l’un de ces deux déterminants est non nuls (c’est à dire siDx 6= 0 ou Dy 6= 0) alors
le système n’admet de solution
• Dx = Dy = 0 alors les deux équations sont équivalentes. Il y a une infinité de solution.
Soit S l’ensemble de solutions de (1)
S = {(x, y) ∈ R2 \ax + by = c}
Remarque 1.6.
Dx Dy
Lorsque det(A) 6= 0 alors (1) admet une solution unique x = et y = .
det(A) det(A)
Exemple 1.21.
1.
2x − 5y = 27
6x + 7y = 15

2 −5
La matrice associée à ce système est : A = ; det(A)=44 donc A est inversible.
6 7
Par conséquent le système admet une unique solution. On a alors :

x −1 27 1 7 5 27 6
=A . = =
y 15 44 −6 2 15 −3
D’où x = 6 et y = −3.
2.

−3x + y = 2 −3 1 2 1 −3 2
, det(A) = = 0; Dx = = 0 et Dy = = 0.
6x − 2y = −4 6 −2 −4 −2 6 −4

−3x + y = 2
Par conséquent ⇔ −3x + y = 2. D’où l’ensemble des solutions est :
6x − 2y = −4
S = {(x, y) ∈ R2 \ − 3x + y = 2}
3.
−3x + y = 2 −3 1 2 1
det(A) = = 0; Dx = = −5 6= 0.
6x − 2y = 1 6 −2 1 −2
Le système n’admet pas donc de solution.
1.3.2 Système linéaire de trois équations à trois inconnues

On appelle ainsi tout système de la forme

 ax + by + cz =d
(2) a0 x + b0 y + c0 z = d0

a”x + b”y + c”z = d”

a b c
La matrice associée au sytème (2) est : A =  a0 b0 c0 . Le système (2) est alors équivalent
a” b” c”
à l’équation matricielle suivante :
     
a b c x d
 a0 b0 c0  .  y  =  d0 
a” b” c” z d”
La démarche est entièrement identique à celle exposée ci-dessus :

1. Si det(A) 6= 0 alors X = A−1 B, c’est à dire :
Dx Dy Dz
x= ; y= ; z=
det(A) det(A) det(A)
d b c a d c a b d
avec Dx = d0 b0 c0 ; Dy = a0 d0 c0 ; Dz = a0 b 0 d 0
d” b” c” a” d” c” a” b” d”
2. Si det(A)=0 et si l’un des déterminants Dx , Dy ou Dz st non nul alors le système (2) n’admet
pas de solution.
3. Si det(A)=0 et si Dx = Dy = Dz = 0, on ne peut rien conclure : Il faut revenir au système
initial.
Exemple 1.22.
Resoudre par la méthode matricielle les sytèmes suivants
 
 2x + 3y − z = 24  x − 2y + z = 2
(1) 4x − 2y + 3z = 6 (2) x + y − 2z = 1
6x − y + 2z = 22 2x − y − z = −1
 
Exercice
On considère le système 
 x + y + 2z = −1
(S) : x+z =2
x + 2y − z = 1

1. Déterminer la matrice A du système (S) et calculer A2 et A3 .

2. Calculer F = −A3 + A2 + 6A + I, où I est la matrice unité d’odre 3.
3. En déduire que la matrice A est inversible et calculer A−1 .
4. Donner la solution de (S) dans R3 .
5. Retrouver cette solution à partir de la méthode du Pivot de Gauss.
1.3.3 Cas particulier des systèmes homogènes

Ce sont les sytèmes de la forme

ax + by + cz =0
ax + by = 0

0 0 0
(I) ou (II) ax+by+cz =0
a0 x + b 0 y = 0 
a”x + b”y + c”z = 0
Ici on peut remarquer que Dx = Dy = Dz = 0.
Si det(A) 6= 0 alors on a : x = y = z = 0. Par contre si det(A) = 0, on a infinité de solution.
L’ensemble des solutions est soit une droite (cas du système (I)) soit un plan (cas du système (II))
Remarque 1.7.
On traiterait le cas des sytèmes linéaires d’ordre 4,5,... de la même manière que ceux d’ordre
2 et 3. La démarche est la même mais les calculs sont fastidieux.
Remarque 1.8.
1. Si le nombre d’équations est supérieurs à celui des inconnues, on choisit un sous-système
dont le nombre d’inconnues sera égal à celui d’équations. On résoud ce sous-système et on
vérifie si les solutions trouvées vérifient les équations laissées dans le système de départ. Si
oui l’ensemble de solution du sytème de départ est le mème que celui du sous-système choisi.
Sinon, le sytème de départ n’a pas de solution.
2. Si le nombre d’équations est inférieur à celui des inconnues, alors certaines inconnues doivent
joué le rôle de paramètres.
1.3.4 Résolution du système par la méthode de Gauss

Cette méthode consiste à échelonner le système linéaire d’équations en échelonnant la matrice
complétée du système par des transformations éémentaires sur les lignes.
Exemple 1.23.

 x + 2y + 2z = 109
Résoudre le système 2x + 2y + 2z = 164

3x + 4y + 5z = 275
En résolvant par la méthode de Gauss, on obtient successivement :
   
1 2 2 109 L1 = L1 1 2 2 109
 2 2 2 164  L2 = 2L1 − L2 ⇒  0 2 2 54 
3 4 5 275 L3 = 3L1 − L3 0 2 1 52
 
L1 = L1 1 2 2 109
L2 = L2 ⇒  0 2 2 54 
L3 = L2 − L3 0 0 1 2

 x + 2y + 2z = 109
Le système devient 2y + 2z = 54 et admet comme solution : x = 55, y = 25 et z = 2.

z = 2
Exercice
Trois personnes jouent ensemble. A la fin de chaque partie, le perdant double l’avoir de chacun des
deux autres joueurs. Après trois parties où chacun a perdu une fois, les trois joueurs se retrouvent
chacun avec un avoir de 24OOF.
On désigne par : x l’avoir initial du joueur J1 ayant perdu la 1ère partie ; y l’avoir initial du
joueur J2 ayant perdu la 2ème partie et z l’avoir initial du joueur J3 ayant perdu la 3ème partie.
1. Déterminer en fonction de x, y et z, l’avoir de chacun des joueurs J1 , J2 et J3 :
(a) à la première partie.
(b) à la deuxième partie.
(c) à la troisième partie.
2. Présenter un système de trois équations linèaires en x, y et z constitué par les résultats
précédents.
−1 2 −3 −5 4 −3
   
3. On pose A1 =  2 1 0  ; A2 =  10 −7 6  et on considère les systèmes

4 −2 5 8 −6 5
 
 −x + 2y − 3z = 1  x−y−z = 600
(S1 ) : 2x + y =1 (S2 ) : −x + 3y − z = 1200
4x − 2y + 5z = 1 −2x − 2y + 14z = 4800
 
(a) Calculer les produits A1 × A2 et A2 × A1 . Que peut-on alors déduire des matrices A1
et A2 ?
(b) Résolver le système (S1 ) par la méthode matricielle.
(c) Résolver le système (S2 ) par la méthode du pivot de GAUSS.
4. Trouver alors les avoirs initiaux des trois joueurs.
Chapitre Deux
Espaces vectoriels et Applications

linéaires
2.1 L’ensemble Rn
On connaı̂t l’ensemble R2 des couples de réels (x, y) ; de même l’ensemble R3 des triplets de
nombres réels (x, y, z).
D’une manière générale, pour tout entier naturel non nul n, on définit l’ensemble Rn des
n-uplets de réels (x1 , x2 , ..., xn ).
2.2 Addition dans Rn

2.2.1 Loi de composition interne
Soient X = (x1 , x2 , ..., xn ) et Y = (y1 , y2 , ..., yn ) deux éléments de Rn . On définit la somme de
ces éléments par :
X + Y = (x1 , x2 , ..., xn ) + (y1 , y2 , ..., yn ) = (x1 + y1 , x2 + y2 , ..., xn + yn ).
On a : pour tous éléments X et Y de Rn , X + Y ∈ Rn . On dit que l’addition est une loi de

composition interne dans Rn .
D’une manière générale étant donné un ensemble non vide E, une loi ∗ définie sur E est interne
si : ∀x, y ∈ E, x ∗ y ∈ E
2.2.2 Propriétés de l’addition dans Rn

1. [(x1 , x2 , ..., xn )+(y1 , y2 , ..., yn )]+(z1 , z2 , ..., zn ) = (x1 , x2 , ..., xn )+[(y1 , y2 , ..., yn )+(z1 , z2 , ..., zn )].
On dit que l’addition est associative dans Rn .
2. Pour tout n-uplet X = (x1 , x2 , ..., xn ), on a : X + (0, 0, ..., 0) = (0, 0, ..., 0) + X = X.
On dit que le n-uplet 0Rn = (0, 0, ..., 0) est l’élément neutre de l’addition dans Rn .
3. Tout élément X = (x1 , x2 , ..., xn ) de Rn admet un symétrique qui est son opposé −X =
(−x1 , −x2 , ..., −xn ). On a
(x1 , x2 , ..., xn ) + (−x1 , −x2 , ..., −xn ) = (0, 0, ..., 0) = 0Rn .
Multiplication par un réel et notion d’espace vectoriel 18
On dit que dans Rn , tout élément est symétrisable.

4. Pour tous X = (x1 , x2 , ..., xn ) et Y = (y1 , y2 , ..., yn ) éléments de Rn , on a : X + Y = Y + X.
On dit que dans Rn l’addition est commutative.
Pour résumer ces différentes propriétés vérifiées par Rn , on dit que (Rn , +) est un groupe
commutatif ou abélien.
D’une manière générale soit E un ensemble non vide muni d’une loi de composition interne
∗. On dit (E, ∗) est un groupe si ∗ vérifient les propriétés suivantes :
(a) Pour tout éléments x, y et z de E, (x ∗ y) ∗ z = x ∗ (y ∗ z). On dit que ∗ est associative
dans E.
(b) Il existe un élément e ∈ E (élément neutre ou vecteur nul) tel que : ∀x ∈ E, x ∗ e =
e ∗ x = x.
(c) Pour tout x ∈ E, il existe un élément x0 de E (appelé symétrique de x pour la loi ∗)
tel que : x ∗ x0 = x0 ∗ x = e.
Si de plus on a : ∀(x, y) ∈ E 2 , x ∗ y = y ∗ x (commutativité de ∗ dans E), on dit que (E, ∗)
est un groupe commutatif ou groupe abélien.
2.3 Multiplication par un réel et notion d’espace vectoriel

Soient λ ∈ R et X = (x1 , x2 , ..., xn ) un élément de Rn . Le produit de λ par X est défini par :
λ.X = λ(x1 , x2 , ..., xn ) = (λx1 , λx2 , ..., λxn ).
On a les propriétés suivantes

1. 0.(x1 , x2 , ..., xn ) = (0, 0, ..., 0) = 0Rn .
2. 1.(x1 , x2 , ..., xn ) = (x1 , x2 , ..., xn ).
3. ∀λ ∈ R, λ.(0, 0, ..., 0) = (0, 0, ..., 0).
4. ∀(λ, µ) ∈ R2 , (λ + µ).(x1 , x2 , ..., xn ) = λ.(x1 , x2 , ..., xn ) + µ.(x1 , x2 , ..., xn ).
5. ∀(λ, µ) ∈ R2 , (λµ).(x1 , x2 , ..., xn ) = λ.[µ.(x1 , x2 , ..., xn )].
6. ∀λ ∈ R, λ.[(x1 , x2 , ..., xn ) + (y1 , y2 , ..., yn )] = λ.(x1 , x2 , ..., xn ) + λ.(y1 , y2 , ..., yn ).
On dit que l’ensemble Rn muni de l’addition et de la multiplication par un réel ((Rn , +, .))
est un espace vectoriel. Ses éléments sont donc appelés des vecteurs.
D’une manière générale soit V un ensemble non vide muni d’une loi de composition interne ∗
et d’une loi de composition externe •. On dit que (V, ∗, •) a une structure d’espace vectoriel
sur un corps K (pouvant être R ou C) si les propriétés suivantes sont satisfaites.
(a) (V, ∗) est un groupe abélien.
(b) ∀α, β ∈ K et ∀x ∈ V , α • (β • x) = (αβ) • x.
(c) ∀α ∈ K, ∀(x, y) ∈ V 2 on a : α • (x ? y) = (α • x) ∗ (α • y) (Distributivité de • par
rapport à ∗).
Systèmes générateurs - Dépendance linéaire 19
(d) ∀x ∈ V , 1 • x = x (avec 1 l’élément neutre de K pour la loi •).
Exemple 2.1.
On considère dans R3 les vecteurs →

−
u = (1, 3, −2), →
−
v = (0, 1, −1) et →
−
w = (1, 3, 7). Calculer les
→
− →
− →
− →
− →
− →
− →
− →
−
vecteurs X = 2 u − 3 v + w et Y = u − 3 v − 2 w .
→
− →
−
On dit que les vecteurs X et Y sont des combinaisons linéaires des vecteurs →−
u ,→−
v et →−
w.
2.4 Sous-espace vectoriel

Soit (V, +, .) est un espace vectoriel sur K et soit E une partie non vide de V . Si (E, +, .) est
aussi un espace vectoriel sur K, alors on dit que E est un sous-espace vectoriel de V .
D’une manière générale si (V, +, .) un espace vectoriel sur K et si E ⊂ V (avec E 6= ∅). (E, +, .)
est un sous-espace vectoriel de V si et seulement si on a :
1. 0V ∈ E.
2. Pour tout (α, β) ∈ K 2 et pour tout (x, y) ∈ E 2 , (α.x + β.y) ∈ E.
Exemple 2.2.
1. On considère l’espace vectoriel (R2 , +, .) et on définit le sous-ensemble E1 de R2 par : E1 =

{(x, 0), x ∈ R}. Démontrer que (E1 , +, .) est un sous-espace vectoriel de R2 .
2. Montrer que l’ensemble E = {(x, y, z) ∈ R3 , x + y + z = 0} est un sous-espace vectoriel de
R3 .
2.5 Systèmes générateurs - Dépendance linéaire

2.5.1 Partie stable par combinaison linéaire
On dit qu’une partie E d’un espace vectoriel V sur K est stable par combinaison linéaire si :
∀(x, y) ∈ E 2 et ∀(α, β) ∈ K 2 , on a (αx + βy) ∈ E.
Exemple 2.3.
Tout sous-espace vectoriel d’un espace vectoriel est stable par combinaison linéaire.
2.5.2 Systèmes générateurs

Soit S = {v1 , v2 , ..., vm } une famille d’éléments d’un espace vectoriel V sur K. On dit que S
est une famille génératrice (système générateur) de V si :
∀v ∈ V, il existe (α1 , α2 , ..., αm ) ∈ K m tel que v = α1 v1 + α2 v2 + ... + αm vm .
Exemple 2.4.
Base d’un espace vectoriel- Dimension 20
La famille S = {e1 = (1, 0), e2 = (0, 1)} est une famille génératrice de R2 .
En effet pour tout X = (x, y) ∈ R2 , on a : X = xe1 + ye2 .
Exercice Soit u = (1, 2) et v = (2, −1) deux vecteurs de R2 . Démontrer que le système
S = {u, v} est un système générateur de R2 .
2.5.3 Dépendance linéaire : Partie libre et partie liée

Soit S = {v1 , v2 , ..., vm } une famille d’éléments d’un espace vectoriel V sur K.
1. On dit que S est une famille libre (ou linéairement indépendante) si :
α1 v1 + α2 v2 + ... + αm vm = 0V ⇒ α1 = α2 = ... = αm = 0.
2. La famille S est dite liée si elle n’est pas libre. Dans ce cas il existe au moins un αj 6= 0 avec
j ∈ {1, 2, ..., m} tel que α1 v1 + α2 v2 + ... + αm vm = 0V .
Exemple 2.5.
On considère dans R2 les vecteurs u1 = (1, 2), u2 = (−2, −4), v1 = (2, 1) et v2 = (3, 5).
Démontrer que S1 = {u1 , u2 } est un système liée et que S2 = {v1 , v2 } est un système libre.
PROPRIETES
1. Tout vecteur d’un système libre est non nul. Inversement tout système contenant un vecteur
nul est lié.
2. Si S est un système lié alors tout système contenant S est aussi lié.
3. Toute famille contenue dans une famille libre est aussi libre.
4. Si S est lié alors il existe au moins un vecteur de S qui soit combinaison linéaire des autres
vecteurs de S.
5. Dans Rn (n ∈ N tel que n ≥ 2) tout système libre contenant exactement n vecteurs est
générateur de Rn . et inversement.
2.6 Base d’un espace vectoriel- Dimension

Définition 2.1.
Une famille S non vide d’un espace vectoriel V est une base de V si et seulement si elle est à
la fois libre et génératrice.
Exemple 2.6.
1. On considère l’espace vectoriel (R2 , +, .). Montrer que B1 = {(1, 0); (0, 1)} est une base de
R2 . (B1 est appelée la base canonique de R2 .)
2. On montre que B2 = {(1, 0, 0); (0, 1, 0); (0, 0, 1)} est une base de R3 . C’est la base canonique
de R3 .
3. Plus généralement la base canonique de Rn est la famille B = {e1 , e2 , ..., en } où ek est un
vecteur de Rn dont les composantes sont nulles sauf la k ieme qui est égale à 1.
Base d’un espace vectoriel- Dimension 21
2.6.1 Dimension d’un espace vectoriel

Soit V est un espace vectoriel et B une base de V . La dimension de V est le nombre entier
noté dimV et qui est égal au nombre d’éléments de la base B.
Exemple 2.7.
L’ensemble Rn est un espace vectoriel de dimension n.

Propriétés
Soit V un espace vectoriel de dimension n.
1. Toute famille S libre contenant exactement n éléments est une base de V .
2. Toute famille S génératrice contenant exactement n éléments est une base de V .
3. Soit B = {v1 , v2 , ..., vn } une base de V . Alors pour tout v ∈ V , il existe de façon unique
(α1 , α2 , ..., αn ) ∈ K n tel que : v = α1 v1 + α2 v+ ... + αn vn .
Les scalaires (α1 , α2 , ..., αn ) sont appelés les coordonnées du vecteur v dans la base B.
4. Soit S = {v1 , v2 , · · · , vk } un syst ?me libre de V . On peut compl ?ter le syst ?me S par (nk )
vecteurs non nuls pour en faire une base de V .
5. Soit E un sous-espace vectoriel de V . Alors dimE ≤ dimV . Si dimE = n alors E ≡ V .
2.6.2 Rang d’un système de vecteurs

Le rang d’un système de vecteurs S est l’entier naturel noté rg(S) et qui est égal à la dimension
du sous-espace vectoriel engendré par S. Le rang de S est donc le nombre maximal de vecteurs
linéairement indépendant de S.
Exemple 2.8.
Déterminer les rangs des systèmes suivants : S1 = {(1, 2); (4, 8); (2, 3)} ; S2 = {(1, 2); (−1, 3); (3, 5)}
et
S3 = {(1, 2, 3); (0, −1, 2); (−2, 1, 6)}.
Exercice 1
On considère l’espace vectoriel R2 muni de sa base canonique B = {e1 , e2 } avec e1 = (1, 0) et

e2 = (0, 1). Soit u = (1, 2) et v = (2, 3).
1. Démontrer que B1 = {u, v} est aussi une base de R2 .
2. Déterminer les coordonnées des vecteurs e1 , e2 et w = e1 − 2e2 dans la base B1 .
Exercice 2
Déterminer suivants les valeurs du paramètre réel α le rang des systèmes suivants :
S1 = {a = (α, 1, 1); b = (1, α, 1); c = (1, 1, α)}
S2 = {a = (α, 1, 1); b = (−1, −α, −1); c = (−1, −1, α)}
Applications linéaires 22
2.7 Applications linéaires

Définition 2.2.
Soit E et F deux espaces vectoriels sur un corps K. On appelle application linéaire de E vers
F , toute application ϕ : E −→ F vérifiant les propriétés suivantes :
1. ∀(u, v) ∈ E 2 , ϕ(u + v) = ϕ(u) + ϕ(v).
2. ∀u ∈ E et ∀α ∈ K, ϕ(αu) = α.ϕ(u).
2.7.1 Remarques et vocabulaire

1. Une application linéaire de E vers F est aussi appelée un homomorphisme de E vers F
2. Si E = F , on dit que ϕ est un endomorphisme de E.
3. Si F = R, on dit que ϕ est une forme linéaire sur E.
4. Si ϕ est une application bijective alors on dit que ϕ est un isomorphisme de E vers F . En
particulier si E = F et si ϕ est une application linéaire bijective alors on dit que ϕ est un
automorphisme.
Exemple 2.9.
Démontrer que les applications suivantes sont linéaires
f : R3 −→ R2
(x, y, z) −→ (x + y + z, 2x − 3y − z)
g : R3 −→ R3
(x, y, z) −→ (x + y − z, y + z, −2x + y − 3z)
2.7.2 Propriétés
Soit ϕ une application linéaire de E dans F . On a les propriétés suivantes :
1. ϕ(0E ) = 0F .
2. Si S est un système lié de vecteurs de E alors ϕ(S) est un système lié de vecteurs de F .
Par contre si S est un système libre de vecteurs de E, ϕ(S) n’est pas forcément un système
libre de vecteurs de F .
3. Soit f : E −→ F et g : F −→ G deux applications linéaires. Alors l’application gof est
une application linéaire de E vers G.
4. La composée de deux isomorphismes est un isomorphisme. De même la composée de deux
endomorphismes est un endomorphisme.
5. Si f est une application linéaire bijective de E vers F alors sa réciproque est une application
linéaire de F vers E.
Exercice Déterminer l’application linéaire f og, avec f, g les applications linéaires de l’exemple
ci-dessus.
2.7.3 Noyau et Image d’une application linéaire

Soit f une application linéaire de E vers F .
• On appelle noyau de f l’ensemble noté Kerf et qui est le sous-espace vectoriel de E constitué
des vecteurs u tels que f (u) = 0F .
Kerf = {u ∈ E, f (u) = 0F } ⊂ E.
Exercice Démontrer que Kerf est un sous-espace vectoriel de E.

• On appelle image de f l’ensemble noté f (E) ou Imf constitué des images des éléments de
E.
f (E) = Imf = {v = f (u), u ∈ E} ⊂ F.
• Le rang de f est la dimension de Im(f ). On a alors rangf = dim(Imf ).
• Si dimE = n avec n ∈ N∗ alors : dim(Kerf ) + dim(Imf ) = n.
Exemple 2.10.
Déterminer le noyau et l’image des applications linéaires de l’exemple précédent et de l’endo-

morphisme h de R3 défini ci-dessous :
h : (x, y, z) 7−→ h(x, y, z) = (x + y − z, y + z, −2x + y + 5z)
Exercice
1. On considére dans R3 muni de sa base canonique, l’application définie par :
f: R3 −→ R3
(x, y, z) 7−→ (2x + 4z, 3x − 4y + 12z, x − 2y + 5z)
(a) Démontrer que f est un endomorphisme de R3 .

(b) Déterminer le noyau Kerf et l’image Imf .
(c) On pose J = {u ∈ R3 , f (u) = u}. Montrer que J est un sous-espace vectoriel de R3
dont on donnera la dimension.
(d) On pose K = {u ∈ R3 , f (u) = 2u}. Montrer que K est un sous-espace vectoriel de R3
dont on donnera la dimension et une base B.
2. On considére l’application linéaire g définie par :
g: R3 −→ R2
(x, y, z) 7−→ (x + y + z, 2x − 3y − z).
Définir l’application linéaire gof .
2.7.4 Quelques propriétés

Soit f une application linéaire de E vers F , où E et F sont des espaces vectoriels de dimensions
finies. On a les prorpiétés suivantes
1. f est injective ⇔ Kerf = {0E }.
2. f est sujective ⇔ Imf = F .
3. Si dimE = dimF alors f injective ⇔ f est surjective ⇔ f est bijective.
4. Les propositions suivantes sont équivalentes : On suppose que dimE = dimF
(a) f est un ismorphisme de E vers F .
(b) Kerf = {0E }.
(c) L’image de tout système libre S de E par f est un système libre S 0 = f (S) de F .
(d) f transforme une base B de E en une base B 0 = f (B) de F .
2.7.5 Représentation matricielle d’une application linéaire

Soient E et F deux espaces vectoriels tels que dimE = n et dimF = m et admettant respecti-
vement comme bases BE = {e1 , e2 , ..., en } et BF = {v1 , v2 , ..., vm }. Soit ϕ une application linéaire
de E vers F . Alors ϕ est parfaitement définie par la donnée des images des éléments de BE .
En effet soit i ∈ [1, n] et j ∈ [1, m] alors
m
X
ϕ(ei ) = αij vj ,
j=1
où αij sont les coordonnées de ϕ(ei ) dans la base BF .

Soit u ∈ E alors il existe de façon unique des coefficients xi tels que :
Xn
u= xi ei (les xi sont les coordonnées de u dans la base BE ).
i=1
On déduit alors l’image de u par ϕ en utilisant les propriétés de ϕ :

ϕ(u) = ϕ( ni=1 xi ei ) = ϕ(x1 e1 + x2 e2 + ... + xn en )
P
= x1 ϕ(e1 ) + x2 ϕ(e2 ) + ... + ϕ(en )

En posant 

 ϕ(e1 ) = α11 v1 + α12 v2 + . . . +α1m vm
 v arphi(e2 ) = α21 v1 + α22 v2 + . . . +α2m vm

.. .. .. ..


 . . . .
ϕ(en ) αn1 v1 + αn2 v2 + . . . +αnm vm ,

on obtient la matrice de l’appication linéaire ϕ relativement aux bases BE et BF en portant en

colonne les coordonnées dans la base BF des images des éléments de la base BE . On obtient ainsi
 
α11 α21 . . . αn1
 α12 α22 . . . αn2 
A= . ∀(u, v) ∈ E × F, ϕ(u) = v ⇔ v = Au
 
. .. .. .. 
 . . . . 
α1m α2m . . . αnm
A est la matrice de l’application linéaire ϕ relativement aux bases BE et BF .
Exemple 2.11.
Déterminons la matrice de l’application linéaire suivante relativement aux bases canoniques de

R et R3 .
2
Théorème 2.1.
Soit ϕ une application linéaire de E vers F avec dimE = dimF dont les bases respectives sont
BE et BF . Soit A la matrice de ϕ relativement aux bases BE et BF . Alors ϕ est un isomorphisme
de E vers F si et seulement si det(A) 6= 0.
2.7.6 Matrices semblables

Deux matrices carrées d’ordre n A et B sont dites semblables si et seulement si il existe une
matrice inversible P telle que B = P −1 AP .
2.7.7 Matrice de passage

Soit V un espace vectoriel de dimension n. On désigne par B1 = {e1 , e2 , · · · , en } et B2 =
{u1 , u2 , · · · , un } deux bases de V . On appelle matrice de passage de la base B1 à la base B2 , la
matrice notée P obtenue en mettant en colonnes les coordonnées des vecteurs de la base B2 dans
la base B1 .
Exemple 2.12.
1. On considére dans R2 muni de sa base canonique B0 = (e1 , e2 ) les vecteurs u = (1, 2) et

v = (2, 3). Il aisé de voir que B = (u, v) est aussi une base de R2 . On déduit que la matrice
de passage de la base B0 à la base B est :

1 2
P =
2 3
Par ailleurs on a : u = e1 + 2e2 et v = 2e1 + 3e2 . On déduit alors que e1 = −3u + 2v et

e2 = 2u − v. d’où la matrice de passage de la base B à la base canonique B0 est :

0 −3 2
P =
2 −1
2. On désigne par B0 la base canonique de R3 . Soit u = (1, −1, 0), v = (1, 0, −1) et w = (1, 1, 1)
trois éléments de R3 . On montre aisément que B = (u, v, w) est une autre base de R3 . La
matrice de passage de la base B0 à la base B est
 
1 1 1
P =  −1 0 1 
0 1 1
En résolvant le système linéaire


 u = e1 − e2
v = e1 − e3 ,

w = e1 + e2 + e3
on obtient
1

e1 = (u + v + w)


3 

1

e2 = (−2u + v + w)
 3
 e3 = 1 (u − 2v + w)



3
D’où la matrice de passage de la base B à B0 est :
1 −2 1
 
1
P 0 =  1 1 −2 
3
1 1 1
Remarque 2.1.
Si P est la matrice de passage de la base B1 à la base B2 alors P −1 est la matrice de passage
de la base B2 à la base B1 .
Théorème 2.2.
Soit f un endomorphisme sur un espace vectoriel de dimension finie E. Soit B1 et B2 deux
bases de E. On désigne par A et B les matrices de l’endomorphisme f relativement aux bases B1
et B2 respectivement. Soit P la matrice de passage de la base B1 à la base B2 , alors on a :
A = P BP −1 (ou B = P −1 AP ).
Exemple 2.13.
On considére l’application linéaire définie sur R3 par : f (x, y, z) = (2x + 4z, 3x − 4y + 12z, x −
2y + 5z). Soit u = (1, −1, 0), v = (1, 0, −1) et w = (1, 1, 1) trois éléments de R3 .
1. Déterminer la matrice A de f relativement à la base canonique de R3 .
2. Déterminer la matrice de passage de la base canonique à la base B = (u, v, w).
3. En déduire la matrice A0 de f relativement à la base B.
Exercice
→
− → − → −
L’espace R3 est rapporté à sa base canonique ( i , j , k ). On considére les matrices
 2 1 1 
−
 5 5 5 
 
−2 3 0
 
 
 1 2 2 
A =  1 2 −1  et B =   15

15 15 
0 4 1 



4 8 7
 
− −
15 15 15
Vecteurs propres et valeurs propres 27
1. Calculer les produits A × B et B × A.

2. (a) Calculer le déterminant de la matrice A.
(b) La matrice A est-elle inversible ?
(c) Donner la matrice A−1 , inverse de la matrice A.
3. A est la matrice d’un endomorphisme f de R3 .
(a) Justifier que f est une bijection et donner la matrice de f −1 .
→
− →
− →
− →
−
(b) Déterminer les coordonnées de chacun des vecteurs → −a = i et b = i + j dans la
base initiale.
− →
→ − − →
− →
−
4. On pose →−
u = i + k,→ v = k et → −
w = j.
(a) Démontrer que le triplet (→
−u ,→
−v ,→
−
w ) forme une nouvelle base de R3 .
(b) Exprimer chacun des vecteurs f (→
−
u ), f (→
−
v ) et f (→
−
w ) par une combinaison linéaire des
→
− →
− →
−
vecteurs u , v et w .
(c) En déduire la matrice de f dans la nouvelle base.
→
−
5. (a) Ecrire un système linéaire (S) d’ordre 3 permettant de déterminer l’antécédent P =
(x, y, z) par f du vecteur →
−q (1, 1, 1).
→
−
(b) Résoudre le système (S) par la méthode du pivot de Gauss et préciser P .
2.8 Vecteurs propres et valeurs propres

2.8.1 Exemple introductif
Soit f l’endomorphisme de R3 défini par :
f (x, y, z) = (2x + 4z, 3x − 4y + 12z, x − 2y + 5z).
1. Déterminer la matrice A de l’application relativement à la base canonique de R3 .

2. On pose P (λ) = det[A − λ.I], où I est la matrice carrée unité d’ordre 3.
(a) Calculer P (λ) puis résoudre l’équation P (λ) = 0.
(b) Pour chacune des solutions λi de l’équation précédente, déterminer l’ensemble
Eλi = {(x, y, z) ∈ R3 : f (x, y, z) = λi .(x, y, z)}
Définition 2.3.
Soit E un espace vectoriel de dimension n et ϕ un endomorphisme sur E ; soit λ ∈ R. On dit
que λ est une valeur propre de ϕ s’il existe un vecteur u non nul tel que ϕ(u) = λu.
Un vecteur vérifiant cette relation est appelé vecteur propre de ϕ associé à la valeur propre λ.
1. L’ensemble de tous les vecteurs propres associsé à la même valeur propre λ est un sous-espace
vectoriel de E appelé espace propre associé à la valeur propre λ.
2. Ces notions s’appliquent aussi à une matrice carrée A associée à l’endomorphisme ϕ. Ainsi
λ est une valeur propre de ϕ s’il existe un vecteur non nul u tel que Au = λu.
Vecteurs propres et valeurs propres 28
2.8.2 Polynômes et équations caractéristiques

Soit ϕ un endomorphisme défini sur un espace vectoriel de dimension n. On se propose de
déterminer les valeurs propres et vecteurs propres associés de ϕ. Soit A la matrice de ϕ dans une
base donnée de E.
Soit u 6= 0 un vecteur non nul de E tel que ϕ(u) = λu.
ϕ(u) = λu ⇔ Au = λu
⇔ (A − λI)u = 0E ,
où I est la matrice unité d’ordre n. Cette équation n’admet de solution non triviale que si det(A −
λI) = 0. Le polynôme PA (λ) = det(A − λI) est appelé polynôme caractéristique de ϕ et l’équation
PA (λ) = 0 est l’équation caractéristique de ϕ.
1. Les solutions de l’équation caractéristique sont les valeurs propres de A (ou de ϕ).
2. λi étant une valeur propre de A, l’ensemble des solutions de l’équations (A − λi I)u = 0E est
le sous-espace propre associé à la valeur propre λi .
Exemple 2.14.
Dans l’exemple introductif, le polynôme caractéristique est : P (λ) = −λ(λ − 1)(λ − 2), donc
les valeurs propres sont : 0,1,2.
2.8.3 Propriétés
1. Deux matrices semblables ont le même polynôme caractéristique, donc les mêmes valeurs
propres.
2. Si λ1 , λ2 , · · · , λm sont les valeurs propres d’une matrice carrée d’ordre n A et si le polynôme
caractéristique de A est sous la forme P (λ) = a(λ − λ1 )α1 (λ − λ2 )α2 · · · (λ − λm )αm (avec
m ≤ n) alors on a :
Xm
αi
det(A) = Πm λ
i=1 i et tr(A) = λi
i=1
Ainsi une matrice A est inversible si elle n’a pas de valeur propre nulle.
Le réel αi est appelé ordre de multiplicité de la valeur propre λi . Si αi = 1, on dit que la
valeur propre λi est simple. Si αi = 2, λi est une valeur propre double.
3. Si λ1 , λ2 , · · · , λm sont les valeurs propres d’une matrice carrée d’ordre n alors on a :
dim(Eλ1 ) + dim(Eλ2 ) + · · · + dim(Eλm ) = n.
2.8.4 Conséquences
1. A est une matrice inversible (régulière) si et seulement si 0 n’est pas une valeur propre de
A.
Diagonalisation d’une matrice 29
2. λ1 , λ2 , · · · , λm étant des valeurs propres distinctes d’une matrice A et x1 , x2 , · · · , xm des

vecteurs propres associés respectivement aux λi , alors le système {x1 , x2 , · · · , xm } est un
système libre.
3. Toutes les valeurs propres d’une matrice symmétrique sont des réelles.
4. Les espaces propres associés aux deux différentes valeurs propres d’une matrice symétrique
sont orthogonaux.
Exercice 1
1 2
Déterminer les valeurs propres et les sous-espaces propres associées de la matrice A =
3 2
Exercice 2
On considére l’endomorphisme f de R3 dont la matrice relativement à la base canonique est :
 
0 1 1
B= 1 0 1 
1 1 0
1. Déterminer le polynôme caractéristique de B.

2. En déduire les valeurs propres de B et les espaces propres associés.
3. Déterminer pour chaque espace propre une base.
4. La matrice B est-elle inversible ?
2.9 Diagonalisation d’une matrice

2.9.1 Ordre de multiplicité d’une valeur propre
Soit M une matrice carrée d’ordre n et P son polynôme caractéristique. On désigne par
λ1 , λ2 , · · · , λp (avec p ≤ n) les valeurs propres de la matrice M . Posons
P (λ) = a(λ − λ1 )α1 (λ − λ2 )α2 · · · (λ − λp )αp , avec α1 + α2 + · · · + αp = n.
Le réel αi est appelé ordre de multiplicité de la valeur propre λi .
2.9.2 Matrice diagonalisable

Soit M une matrice carrée d’ordre n, E un espace vectoriel et f l’endomorphisme dont la
matrice relativement à une base donnée de E est M . On dit la matrice M est diagonalisable (ou
que l’endomorphisme f est diagonalisable) s’il existe une base de E telle que f soit représenté par
une matrice diagonale, c’est-à-dire que M est semblable à une matrice diagonale.
Théorème 2.3.
Soit M une matrice carrée d’ordre n. Si le polynôme caractéristique de M admet exactement

n racines simples λ1 , λ2 , · · · , λn alors il existe une matrice inversible P telle que
 
λ1 0 · · · 0
 0 λ2 · · · 0 
P −1 M P =  .
 
. . .
 .. .. . . .. 

0 0 ··· λn
c’està-dire ue M est semblable à une matrice diagonale. On dit alors que la matrice M est diago-
nalisable.
Théorème 2.4.
Soit M une matrice carrée d’ordre n. On désigne par λ1 , λ2 , · · · , λp (avec p ≤ n) les valeurs
propres de M et par Eλi l’espace propre associé à la valeur propre λi . Les proprositions suivantes
sont équivalentes :
1. M est diagonalisable
2. Chaque sous-espace propre Eλi a pour dimension égale à l’ordre de multiplicité αi de la
valeur propre λi .
Exercice
Dire si les matrices suivantes sont diagonalisables :
1 −1 2 7 −12 −2
     
2 0 4
5 3
A= , B =  3 −3 6  , C =  3 −4 0  , D =  3 −4 12 
−8 −6
2 −2 4 −2 0 −2 1 −2 5
Autres exercices d’algèbre linéaire
EXERCICE I
Calculer le déterminant de chacune des matrices suivantes :
 
  0 8 0 0 9
  0 0 0 −4
1 0 3 1 0 0 0 0 
1 0 0 0
   
2 3 −2 ;   ; 0 −4 0 0 −5
   
0 1 0 4 
−2 −2 −1 0 −4 1 0 −4
 
0 0 1 0
0 1 0 1 1
EXERCICE II
Résoudre le système différentiel X’=AX, où A est la matrice
 
3 2 4
A =  −1 3 −1 
−2 −1 −3
EXERCICE III
Etant donnés quatre nombres réels (u0 , v0 , w0 , x0 ), on définit quatre nouveaux nombres (u1 , v1 , w1 , x1 )
en calculant les moyennes suivantes :
2u0 + v0 + w0 + x0 u0 + 2v0 + w0 + x0 u0 + v0 + 2w0 + x0
u1 = , v1 = , w1 =
5 5 5
u0 + v0 + 2w0 + x0 u0 + v0 + w0 + 2x0
w1 = x1 =
5 5
En itérant ce procédé, on définit quatre suites (un ), (vn ), (wn ) et (xn ) telles que pour tout
n ∈ N, on ait :


 un+1 = 15 (2un + vn + wn + xn )
vn+1 = 51 (un + 2vn + wn + xn )


 wn+1 = 51 (un + vn + 2wn + xn )

= 51 (un + vn + wn + 2xn )

 x
n+1
1. Ecrire cette relation de récurrence sous forme matricielle. On note A la matrice associée à
cette relation. et on pose B = 5A.
2. La matrice B est-elle diagonalisable ?
3. Sans déterminer les racines du polynômes caractéristique de B, montrer que 1 est valeur
propre de B.
4. Quelle est la dimension du sous-espace V1 associé à cette valeur propre ?
5. Déterminer toutes les valeurs propres de B
6. En déduire un polynôme annulateur de B de degré 2
7. En déduire l’existence de deux nombres réels an et bn , que l’on calculera, tels que B n =
an B + b n I
EXERCICE IV
Soient A et B deux matrices. Parmi les affirmations suivantes, lesquelles sont vraies, lesquelles
sont fausses, et pourquoi ?
1. Si le produit AB est défini, alors le produit BA est défini.
2. Si la somme A + B est définie, alors le produit AB est défini.
3. Si le produit AB est défini, alors le produit tB tA est défini.
4. Si la somme A + B est définie, alors le produit A tB est défini.
5. Si les produits AB et BA sont définis, alors la somme A + B est définie.
6. Si les produits AB et BA sont définis, alors la somme A + tB est définie.
7. Si les produits AB et tBA sont définis, alors la somme A + tA est définie.
8. Si les produits AB et tBA sont définis, alors la somme A + tB est définie
9. Si le produit AB est défini, alors la somme A tA + B tB est définie.
10. Si le produit AB est défini, alors la somme tA A + B tB est définie.
EXERCICE V
Soit A une matrice carrée. On dit que A est diagonale si tous ses coefficients d’ordre (i, j) avec
i 6= j, sont nuls. Parmi les affirmations suivantes, lesquelles sont vraies, lesquelles sont fausses, et
pourquoi ?
1. Si A est inversible alors AtA = tAA.
2. Si A est inversible alors AtA est inversible.
3. Si A est inversible alors A + tA est inversible.
4. Si A est inversible alors A est équivalente à la matrice identité.
5. Si A est inversible alors A est semblable à la matrice identité.
6. Si A est diagonale, alors A est inversible.
7. Si A est diagonale, alors A est symétrique.
8. Si A est diagonale et si tous ses coefficients diagonaux sont non nuls alors A est inversible.
9. Si A est diagonale alors A est semblable à la matrice identité.
10. Si A est diagonale alors A est équivalente à la matrice identité.
EXERCICE VI
Parmi les affirmations suivantes, lesquelles sont vraies, lesquelles sont fausses, et pourquoi ?
1. Si une matrice est de rang r alors elle est équivalente à la matrice Ir
2. Une matrice est de rang r si et seulement si la famille de ses vecteurs colonnes est de rang r.
3. Une matrice est de rang r si et seulement si la famille de ses vecteurs lignes est de rang r.
4. Si une matrice A est de rang r alors toute matrice formée de r colonnes parmi les colonnes
de A est de rang r.
5. Si une matrice formée de r colonnes parmi les colonnes de A est de rang r, alors A est de
rang ≥ r.
6. La matrice nulle est la seule matrice de rang 0.
7. Si deux lignes de A ne sont pas proportionnelles alors le rang de A est au plus 2.
8. Si deux lignes de A sont proportionnelles alors le rang de A est strictement inférieur à son
nombre de colonnes.
9. Si une matrice carrée de Mr , extraite de A est inversible, alors A est de rang ≥ r.
10. Si A est de rang r, alors aucune matrice carrée de Mr+1 extraite de A n’est inversible.
11. Si toute matrice carrée de Mr , extraite de A, est de rang r alors A est de rang r.
EXERCICE VII
Parmi les affirmations suivantes, lesquelles sont vraies, lesquelles sont fausses, et pourquoi ?
1. Si un système linéaire a plus d’inconnues que d’équations, il a une infinité de solutions.
2. Si un système linéaire a plus d’équations que d’inconnues, il a au plus une solution.
3. Si le rang de la matrice d’un système est égal au nombre d’équations, et strictement inférieur
au nombre d’inconnues, alors le système a une infinité de solutions.
4. Si un système linéaire a une solution unique alors il a autant d’équations que d’inconnues.
5. Si un système linéaire a une solution unique, alors le rang de sa matrice est égal au nombre
d’inconnues.
6. Si un système linéaire n’a pas de solution, alors son second membre est non nul.
7. Si un système linéaire a un second membre nul et si le rang de sa matrice est égal au nombre
d’équations, alors sa solution est unique.
8. Pour m < n, si un système linéaire de m équations à n inconnues a une matrice de rang m,
alors il a une infinité de solutions.
9. Si un système de deux équations à deux inconnues n’a pas de solution, alors les deux
équations sont celles de deux droites parallèles dans le plan.
10. Si un système de deux équations à trois inconnues n’a pas de solution, alors les deux équations
sont celles de deux droites parallèles dans l’espace.
EXERCICE VIII
On 
considère
 les matricessuivantes.

0 3

 1  ......1  −1 
0 2

1 0 0 −1 2 3
..... .
0 1 0 2 1 −3
−2 3 −4
   
1 0 0
0 1 0 , ...  3 1 −3 
0 0 1 1 −2 0
 
0 0 1
 0 1 0 
 
 1 0 0 
 
 1 1 ...... 0 
 
 
 2 1 0 
 
 −2 0 1 
0 −1 2
– Ecrire la transposée de chacune de ces matrices.
– Etant données deux matrices A, B appartenant à l’ensemble ci-dessus, calculer ceux des
produits A B, tA B, A tB, tA tB qui sont définis.
EXERCICE IX
On considère la matrice
 suivante.
0 0 0
A= 1 0 1  .
0 0 1
On note f l’endomorphisme de R3 qui a pour matrice A dans la base canonique de R3 , notée
{ e1 , e2 , e3 }.
1. Montrer que f ◦ f (e1 ) = f (e2 ) = 0. Montrer que f ◦ f (e3 ) = f (e3 ).
2. En déduire A2 . Vérifier en effectuant le produit matriciel.
3. Montrer que A3 = A2 sans effectuer le produit matriciel, puis vérifier en l’effectuant.
4. Donner une base de Ker f et une base de Im f
EXERCICE X
 suivante.
0 0 1
A= 1 0 0  .
0 1 0
{ e1 , e2 , e3 }.
– Pour i = 1, 2, 3, déterminer f ◦ f (ei ), puis f ◦ f ◦ f (ei ).
– En déduire que A2 = A−1 . Vérifier en calculant le produit matriciel.

EXERCICE XI
 suivante.
0 1 0
A= 0 0 1  .
0 0 0
{ e1 , e2 , e3 }.
1. Pour i = 1, 2, 3, déterminer f ◦ f (ei ), puis f ◦ f ◦ f (ei ).
2. En déduire A2 et A3 .
3. Pour k ∈ N∗ , donner une expression de (I3 + A)k en fonction de k. Vérifier votre expression
pour k = 3 en effectuant le produit matriciel.
4. Reprendre la question précédente pour (I3 − A)k , puis pour (3I3 − 2A)k .
EXERCICE XII
 suivante.
1 1 1
A= 1 1 1  .
1 1 1
{ e1 , e2 , e3 }.
1. Pour i = 1, 2, 3, déterminer f ◦ f (ei ), en déduire que f ◦ f = 3f .
2. Pour k ∈ N∗ , démontrer par récurrence que f ◦k = 3k−1 f .
3. En déduire l’expression de Ak en fonction de k.
4. Pour k ∈ N∗ , donner une expression de (I3 + A)k en fonction de k. Vérifier votre expression
pour k = 3 en effectuant le produit matriciel.
5. Reprendre la question précédente pour (I3 − A)k , puis pour (3I3 − 2A)k .
EXERCICE XIII
On rappelle qu’une matrice carrée est symétrique si elle est égale à sa transposée. On note Sn
l’ensemble des matrices carrées symétriques. On dit qu’une matrice carrée est antisymétrique
si elle est l’opposée de sa transposée : tA = −A. On note An l’ensemble des matrices carrées
antisymétriques.
1. Montrer que les éléments diagonaux d’une matrice antisymétrique sont nuls.
2. Soit A une matrice carrée quelconque. Montrer que A + tA est symétrique et A − tA est
antisymétrique.
3. Montrer que Sn ⊕ An = Mn .
4. Soit T l’application de Mn dans lui-même qui à une matrice associe sa transposée. Montrer
que T est la symétrie par rapport à Sn , parallèlement à An .
5. Montrer que le produit de deux matrices symétriques A et B est symétrique si et seulement

si AB = BA (on dit que A et B ”commutent”).
6. Montrer que le produit de deux matrices antisymétriques A et B est antisymétrique si et
seulement si AB = −BA.
7. Soit A une matrice inversible. Montrer que tA est inversible et que son inverse est t (A−1 ).
8. Soit A une matrice symétrique et inversible. Montrer que son inverse est symétrique.
9. Soit A une matrice antisymétrique et inversible. Montrer que son inverse est antisymétrique.
10. Montrer qu’aucune matrice de A3 n’est inversible.
EXERCICE XIV
On appelle trace d’une matrice carrée la somme de ses éléments diagonaux. On note tr(A) la trace
de A ∈ Mn .
– Soient A B deux matrices de Mn . Montrer que tr(AB) = tr(BA).
– En déduire que deux matrices carrées semblables ont la même trace.
– Soit A une matrice carrée non nulle. Montrer que les traces de A tA et tA A sont strictement
positives.
EXERCICE XV
Soit R2 [X] l’espace vectoriel des polynômes de degré ≤ 2 en la variable X. On considère les
applications linéaires suivantes, de R2 [X] dans lui-même.
• f : P (X) 7−→ f (P )(X) = P 0 (1) + P (1)X • f : P (X) 7−→ f (P )(X) = XP 0 (X) + P (X) •
f : P (X) 7−→ f (P )(X) = XP 0 (X)−P (X) • f : P (X) 7−→ f (P )(X) = (X 2 +1)P 0 (X)−2XP (X)
On considère les deux bases suivantes de R2 [X].
{b1 , b2 , b3 } = {1, X, X 2 } , {c1 , c2 , c3 } = {(X − 1)2 , (X 2 − 1), (X + 1)2 } .
– Déterminer la matrice de passage P de la base {b1 , b2 , b3 } à la base {c1 , c2 , c3 } et calculer
son inverse.
– Calculer l’image par f des 6 vecteurs b1 , b2 , b3 , c1 , c2 , c3 .
– Ecrire la matrice de f dans chacune des deux bases, puis vérifier la formule de changement
de base en effectuant le produit matriciel.
EXERCICE XVI
Déterminer
 le rang des
 matrices suivantes.
2 −3 −4
 3 1 5 
 
 −1 0 −1 
 
 
 0 2 4 
 
 1 1 2 
 
 1 −1 2 
 
 2 1 3 
 
0 −1 0
EXERCICE XVII
Résoudre les systèmes linéaires suivants.
 

 x − 2y + 3z = 5 
 10x + 9y + z = −50
 
 2x − 4y + z = 5  9x + 10y + 5z = 40

 

x + 2y − z = 5 10x + 9y + z = −50
 


 2x + y + z = 10 

 9x + 10y + 5z = 41
 
x + 2z = 0 x + 5y + 9z = 180
 
 

 x−y−z−t = 3 
 3x + 4y + z + 2t = 3
 
 2x − z + 3t = 9  6x + 8y + 2z + 5t = 7

 

x+y−z−t = −1 x − 2y + z + t = −2
x+y+z−t 2x − y − z − t = −1
 


 = 0 


 
x−y−z+t = 2 x+y+z+t = −8
 


 x + 2y − 3z = 4
x + 3y − z



 = 11

2x + 5y − 5y + z = 5


 x +z = 4




 x + y + 2z = 9
−x + y = 1

EXERCICE XVIII
Déterminer, selon les valeurs du paramètre réel λ, l’ensemble des solutions des systèmes linéaires
suivants.
 

 2x + 3y − 2z = 5 
 2x + λy + 4z = 0
 
 x − 2y + 3z = 2  x + y + 2λz = 0

 

4x − y + 4y + λz = λ λy + 2z = 1
 x + λy − z = −1 λx + y − z
 




 = 0
 
x+y+z = 2 x − 2y + z = λ
 


 x + 2y − z + t = 1

 x + 3y + z − t = 1


y+z+t = −1

 x + y + λz + t =

 1

x + y + z + λt = −1

EXERCICE XIX
Calculer
 l’inversedes
 matrices suivantes.

0 1 0 1 2 0
 0 0 1  3 −1 1 
−2 1 2 0 1 2
EXERCICE XX
Pour
chacune
des
matrices A
suivantes :
2 1 7 5
1 2 −6 −4
1. Déterminer selon les valeurs de λ le rang de la matrice A − λI2 .

2. On note λ1 et λ2 les deux réels tels que le rang de A −λi I2 est1.Pour i = 1, 2, déterminer
x 0
l’ensemble des solutions du système linéaire (A − λi I2 ) = . On note vi un vecteur
y 0
non nul solution de ce système.
3. Montrer que {v1 , v2 } est une base de R2 .
4. Soit P la matrice de passage de la base canonique de R2 à la base {v1 , v2 }. Calculer P −1 .

−1 λ1 0
Montrer que P AP = .
0 λ2
5. Montrer que la matrice (A − λ1 I2 )(A − λ2 I2 ) est nulle. En déduire une expression de A−1 en
fonction de A et I2 .

−1 −1 1/λ1 0
6. En utilisant l’expression de la question précédente, vérifier que P A P = .
0 1/λ2
7. Pour k ∈ N∗ , donner une expression de Ak en fonction de k.
EXERCICE XXI
Pour
 chacune desmatrices
 A suivantes:
0 1 0 2 −1 1
 0 0 1   1 4 −3 
−2 1 2 1 1 0
1. Déterminer selon les valeurs de λ le rang de la matrice A − λI3 .
2. On note λ1 , λ2 et λ3 les trois réels tels que le rang de A − λi I3 est 2. Pour i = 1, 2, 3,
   
x 0
déterminer l’ensemble des solutions du système linéaire (A − λi I3 )  y  =  0  . On
z 0
note vi un vecteur non nul solution de ce système.
3. Montrer que {v1 , v2 , v3 } est une base de R3 .
4. Soit P la matrice de passage de la base canonique de R3 à la base {v1 , v2 , v3 }. Calculer P −1 .
 
λ1 0 0
Montrer que P −1 AP =  0 λ2 0  .
0 0 λ3
5. Montrer que la matrice (A − λ1 I3 )(A − λ2 I3 )(A − λ3 I3 ) est nulle. En déduire une expression
de A−1 en fonction de A2 , A et I3 .
 
1/λ1 0 0
6. En utilisant l’expression de la question précédente, vérifier que P −1 A−1 P =  0 1/λ2 0 
0 0 1/λ3
7. Pour k ∈ N∗ , donner une expression de Ak en fonction de k.

Matrice Et Vecteurs L2FED Chap 1 Et 2

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

Matrice Et Vecteurs L2FED Chap 1 Et 2

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE CATHOLIQUE DU CONGO

Faculté d’Economie et Développement

Professeur Dr LUNGIAMBUDILA Oscar

Année académique 2016-2017

1.1 Notions générales

M = M (m, n) = (aij ) avec i ∈ {1, . . . , m} et j ∈ {1, . . . , n}.

1.1.2 Diagonale d’une matrice

Pour la matrice A =  4 2 −3  les éléments de sa diagonale sont : a11 = 1, a22 = 2 et

1.1.3 Matrices particulières

A= 0 3 9  est triangulaire supérieure.

1.1.4 Transposée d’une matrice

1.1.5 Sous-matrices d’une matrice

1.2 Opération sur les matrices

1.2.2 Addition et soustraction de deux matrices

1.2.3 Multiplication de deux matrices

1.2.4 Transformations élémentaires sur les lignes d’une matrice

1.2.5 Déterminant d’une matrice

Quelques propriétés du déterminant

• Matrice carrée d’ordre 3 : Méthode de Sarrus

Calculons le déterminant de la matrice A =  0 4 6 . On a :

1.2.6 Déterminant d’une matrice d’ordre supérieure

Propriétés des déterminants

Exemple 1.17. (déterminant de Vandermonde)

Exercice : Montrer que

Comatrice d’une matrice carrée

1.2.7 Inverse d’une matrice

On vérifie aisément que A × A−1 = A−1 × A = 12 .

Inversion par la méthode de Gauss

1.3 Application aux systèmes linéaires d’équations

1.3.2 Système linéaire de trois équations à trois inconnues

La démarche est entièrement identique à celle exposée ci-dessus :

1. Déterminer la matrice A du système (S) et calculer A2 et A3 .

1.3.3 Cas particulier des systèmes homogènes

1.3.4 Résolution du système par la méthode de Gauss

3. On pose A1 =  2 1 0  ; A2 =  10 −7 6  et on considère les systèmes

Espaces vectoriels et Applications

2.2 Addition dans Rn

X + Y = (x1 , x2 , ..., xn ) + (y1 , y2 , ..., yn ) = (x1 + y1 , x2 + y2 , ..., xn + yn ).

On a : pour tous éléments X et Y de Rn , X + Y ∈ Rn . On dit que l’addition est une loi de

2.2.2 Propriétés de l’addition dans Rn

(x1 , x2 , ..., xn ) + (−x1 , −x2 , ..., −xn ) = (0, 0, ..., 0) = 0Rn .

On dit que dans Rn , tout élément est symétrisable.

2.3 Multiplication par un réel et notion d’espace vectoriel

λ.X = λ(x1 , x2 , ..., xn ) = (λx1 , λx2 , ..., λxn ).

On a les propriétés suivantes

(d) ∀x ∈ V , 1 • x = x (avec 1 l’élément neutre de K pour la loi •).

On considère dans R3 les vecteurs →

2.4 Sous-espace vectoriel

1. On considère l’espace vectoriel (R2 , +, .) et on définit le sous-ensemble E1 de R2 par : E1 =

2.5 Systèmes générateurs - Dépendance linéaire

∀(x, y) ∈ E 2 et ∀(α, β) ∈ K 2 , on a (αx + βy) ∈ E.

2.5.2 Systèmes générateurs

∀v ∈ V, il existe (α1 , α2 , ..., αm ) ∈ K m tel que v = α1 v1 + α2 v2 + ... + αm vm .

2.5.3 Dépendance linéaire : Partie libre et partie liée

2.6 Base d’un espace vectoriel- Dimension

2.6.1 Dimension d’un espace vectoriel

L’ensemble Rn est un espace vectoriel de dimension n.

2.6.2 Rang d’un système de vecteurs

On considère l’espace vectoriel R2 muni de sa base canonique B = {e1 , e2 } avec e1 = (1, 0) et

S1 = {a = (α, 1, 1); b = (1, α, 1); c = (1, 1, α)}

S2 = {a = (α, 1, 1); b = (−1, −α, −1); c = (−1, −1, α)}

2.7 Applications linéaires

2.7.1 Remarques et vocabulaire