Académique Documents
Professionnel Documents
Culture Documents
INTRODUCTION
1. OBJET DU COURS
L’algèbre linéaire est un langage universel qui sert à décrire de nombreux
phénomènes en mécanique, électronique, et économie, par exemple. Il n’est donc pas
étonnant de retrouver cette matière enseignée au début de nombreux cursus
universitaires car elle est nécessaire pour pouvoir exprimer des concepts plus avancées
les années suivantes. Ainsi il est crucial pour les étudiants d’en maîtriser son
vocabulaire et sa grammaire au plus tôt. Pourtant, même si elle est un domaine
des mathématiques, il n’est pas nécessaire d’être un mathématicien averti pour
l’apprendre, fort heureusement.
En effet, les traitements des vastes ensembles des données nécessite au préalable
une mise sous une forme appropriée des informations disponibles. Et le plus
couramment on recourt à des listes ou des tableaux. Ainsi, ces listes (ou vecteurs) et
tableaux (matrices) sont des grandeurs physiques de dimension élevées résumant l’état
d’un ensemble d’éléments (chiffres) suivant la position que chacun occupe. Leur
traitement permet de dégager d’autres renseignements plus utiles. C’est pourquoi, à
l’issu de ce cours, un étudiant en informatique devra être capable de :
1. Distinguer une grandeur scalaire de la vectorielle et la matricielle ;
2. Effectuer les différentes opérations possibles sur ces grandeurs ;
3. Construire un système d’opérations linéaires et d’en déterminer sa solution si elle
existe.
Pour y parvenir, quelques pré-requis sont recommandés. C’est ainsi que l’étudiant
est sensé maîtrisé :
- La représentation d’un point dans le plan cartésien ;
- Les notions sur les ensembles et les opérations telles que la réunion, l’intersection,
la complémentarité, …
- Les notions sur la structure algébrique telles que : les groupes, le groupe abélien,
l’anneau, …
2. PLAN DU COURS
INTRODUCTION ................................................................................................................. 1
1. OBJET DU COURS..................................................................................................... 1
2. PLAN DU COURS ...................................................................................................... 1
3. BIBLIOGRAPHIE ....................................................................................................... 2
CHAPITRE I : CALCUL VECTORIEL ......................................................................... 3
1.1. DEFINITION ............................................................................................................... 3
1.2. OPERATIONS SUR LES VECTEURS ...................................................................... 3
1.3. PRODUIT SCALAIRE ................................................................................................ 4
1.4. DISTANCE ET NORME D’UN VECTEUR .............................................................. 5
-2-
3. BIBLIOGRAPHIE
1. FRANCIS G. FLOREY, Elementary linear algebra with application, New Jersey,
1979.
2. HOFFMAN, KENNETH and RAY KUNZE, Linear algebra, 4th ed. N.J. 1991.
3. NERING, EVRA D., Linear algebra and theory, New-York, 1983.
4. Noble BEN, Applied linear, New-york, 1989.
5. GILLES OUELLET, Vecteurs et matrices : Théorie, exemples, problèmes, les
éditions : Le griffon d’argile, 1987.
-3-
1.1. DEFINITION
La grandeur X = (x1, x2, …, xn) est appelée vecteur.
xj (j = 1, 2, …, n) est la composante du vecteur X occupant la position j.
n est la dimension ou l’ordre du vecteur X.
On note aussi X⃗.
Tout vecteur X = (x1, x2, …, xn) a pour origine O⃗ et extrémité le point de coordonnées
(x1, x2, …, xn)
Soient A(x1, y1) et B(x2, y2) le vecteur v⃗ = AB a pour origine le point A et pour
extrémité B, il a la même distance et le même sens que le vecteur B – A = (x2 – x1,
y2 – y1)
Exemple : Soit A(1, 4) et B(5, 3) représenter graphiquement le vecteur v⃗ = AB et
comparer avec le vecteur B – A.
B – A = (4, -1)
-4-
THEOREME
Soient X = (x1, x2, …, xn) et Y = (y1, y2, …, yn) deux vecteurs de IRn, alors :
a) X + Y = Y + X : la commutativité ;
b) Si O = (0, 0, …, 0) IR, X + O = X : O = (0, 0, …, 0) est un élément neutre ;
c) X + (X) = X + X = O : X est l’opposé du vecteur X ;
d) Si , IR, ( + )X = X + X : multiplication par un scalaire ;
e) Si IR, (X + Y) = X + Y.
EXERCICES
Si P = (3, 2, 1) ; Q = (-1, 2, 3) et S = (2, -3, 4), calculer :
a) P + Q d) (P + Q) + S g) (2 + 3)P
b) Q – S e) P + (Q + S) h) 3(P + Q)
c) 3P + 2S f) 2P + 3Q i) 3P + 3Q
X⃗. Y⃗ = XY
THEOREME
Soient X⃗ et Y⃗ deux vecteurs de IRn, alors :
a) X⃗. Y⃗ = Y⃗. X⃗ ;
b) Si IR, λX⃗. Y⃗ = X⃗. λY⃗ = λ(Y⃗. X⃗) ;
c) X⃗ + Y⃗ Z⃗ = X⃗. Z⃗ + Y⃗. Z⃗ où Z IRn ;
d) X⃗. X⃗ > 0, X⃗. X⃗ = 0 ssi X⃗ = 0
Exemple 2 : Soit le vecteur X⃗ = (2, 3), déterminer un vecteur Y⃗ tel que le produit
scalaire X⃗. Y⃗ soit nul.
3
X⃗ = (2, 3) X⃗. Y⃗ = 2y1 + 3y2 = 0 y1 y 2
2
Posons y2 = 4, y1 = -6 ; d’où Y⃗ = (-6, 4)
Posons y2 = -2, y1 = 3 ; d’où Y⃗ = (3, -2)
Deux vecteurs sont perpendiculaires si leur produit scalaire est nul.
X⃗ = X⃗. X⃗ = x
B⃗ = (−1) + 3 + 1² + 5² = √1 + 9 + 1 + 25 = 6
C⃗ = 1² + 2² + (−4)² = √1 + 4 + 16 = √21
PROPRIETES
La norme d’un vecteur X⃗ de IRn vérifie les propriétés suivantes :
a) X⃗ ≥ 0, X⃗ = 0 ssi X⃗ = O⃗
b) λX⃗ = ‖λ‖ X⃗ ∀λ ∈ ℝ
c) X⃗ + Y⃗ = X⃗ Y⃗
La norme permet en outre le calcul de la distance euclidienne « d » entre deux points
de IRn. Ainsi, si X et Y sont deux points de IRn la distance séparant X et Y notée d(A,
B) est donnée par :
d(X, Y) = X⃗ − Y⃗
Cette distance d(X, Y) vérifie les propriétés suivantes :
a) d(X, Y) ≥ 0, on a d(X, Y) = 0 ssi X = Y ;
b) d(X, Y) = d(Y, X) : symétrie ;
c) d(X, Y) ≤ d(X, Z) + d(Z, Y) : inégalité triangulaire.
Si X⃗ = 1 alors le vecteur X⃗ est dit normé.
⃗
Si X⃗ est un vecteur quelconque non nul, alors Y⃗ = ⃗
est un vecteur normé.
Exemple : Normer les vecteurs suivants : A= (3, 4) ; C= (1, 2, -4)
1 3 4
A⃗ = √9 + 16 = 5 (3, 4) = , est normé
5 5 5
1 1 2 4
A⃗ = √1 + 4 + 16 = √21 (1, 2, -4) = , ,
21 21 21 21
est normé
Soient X⃗ = (x1, x2, …, xn) et Y⃗ = (y1, y2, …, yn) deux vecteur de IRn, alors l’angle formé
par X⃗ et Y⃗, est donné par :
X⃗. Y⃗
cos (θ) =
X⃗ Y⃗
Y⃗ = √4 + 25 = √29
X⃗. Y⃗ 13
cos(θ) = = = 0,763386285 ⇒ θ = 40,23636°
X⃗ Y⃗ √10√29
b) X.Y = 2 + 0 36 = 34
X⃗ = √1 + 16 = √17
Y⃗ = √4 + 4 + 81 = √89
X⃗. Y⃗ −34
cos(θ) = = = −0,874096644 ⇒ θ = 150,938°
X⃗ Y⃗ √17√89
REMARQUES :
0 si λ 0
1. Si X⃗ = λY⃗, IR , alors =
180 si λ 0
π
2. Si X⃗. Y⃗= 0 alors Cos = 0 = ; donc X⃗ est perpendiculaire à Y⃗.
2
REMARQUE
Lorsqu’un vecteur est normé, chacune de ses composantes peut être exprimée en
fraction de cosinus. On appelle ces cosinus « cosinus directeurs »
Soient X⃗ = (x1, x2, …, xn) et Y⃗ = (y1, y2, …, yn), le produit extérieur des vecteurs X⃗ et Y⃗
de IR 3 est un vecteur à la fois perpendiculaire à X⃗ et à Y⃗. Il est donc perpendiculaire
au plan formé par X⃗ et Y⃗.
On note X⃗ΛY⃗ et on a :
⃗ı ⃗ȷ k⃗
⃗ ⃗
XΛY = x x x = (x y − x y , x y − x y , x y − x y )
y y y
Propriétés
X⃗ΛY⃗ = −Y⃗ΛX⃗ : Anticommutativité
X⃗ΛY⃗ = O⃗
1.7.1. DEFINITION
Soit un corps commutatif ( = = )
Soit E un ensemble dont les éléments sont appelés des vecteurs. On muni E de :
La loi interne « + » (addition vectoriel) : (x, y)E², (x + y)E
La loi externe « * » (multiplication vectorielle) : x E , , (x)E
(E, +, *) est un espace vectoriel (ev) sur ( -ev) si :
1) (E, +) est un groupe commutatif
l’addition est associative : (x, y, z)E3, (x + y) + z = x + (y + z)
l’addition est commutative : (x, y)E2, x + y = x + y
il existe un élément neutre OEE tel que x E, x + OE = x
x E, ! x ’ E t e l q u e x + x ’ = x ’ + x = OE (x ’e s t appelle
l’opposé de x et se note (-x)
2) La loi externe doit vérifier :
, ( x , y) E ² , ( x + y) = x + y
( 1 , 2 ) , x E , ( 1 + 2 ) x = 1 x + 2 x
( 1 , 2 ) , x E , 1 ( 2 x ) = ( 1 . 2 ) x
x E, 1 . x = x
Propriétés :
Si E est un -ev, on a :
λ=0
1) xE, , x = OE
ou x = 0
2) (-)x = -(x) = (-x)
n n
= et E = .( ,+,*) est un -ev
-9-
Exemple 1 : Dans l’espace 3 les vecteurs X = (0, x2, x3) forment un sous-
espace vectoriel. De même pour ceux qui s’écrivent par exemple
(x1, 3x1, x3).
Exemple 2 : Démontrer que l’ensemble des vecteurs s’écrivant (x1, 3x1, 5) ne
forme pas un sous-espace 3.
Solution : Car cet ensemble ne possède pas l’élément neutre (0, 0, 0).
λ X
i 1
i i = 1X1 + 2X2 + … + nXn avec iK.
n
Définition 2 : On dit que la famille {Xi}iI est libre si λ X
i 1
i i = OE i=0
iI.
Définition 3 : On dit que la famille {Xi}iI est liée si elle n’est pas libre :
∃ λ ,…,λ ≠ (0, … , 0) tq λx =O
∈
Définition 5 : On dit que la famille {Xi}iI est une base de E si {Xi}iI est une
famille libre et génératrice.
Propriété : On dit que la famille {Xi}iI est une base de E ssi XE, X s’écrit
de manière unique :
- 10 -
X= λx
∈
Tout espace vectoriel possède une base, non unique. Deux bases d’un même
espace ont le même nombre d’éléments et ce nombre est la dimension de
l’espace vectoriel.
Remarque : La famille (e1, e2, …, en) avec :
e1 = (1, 0, 0, …, 0) ;
e2 = (0, 1, 0, …, 0) ;
…
en = (0, 0, 0, …, 1)
constitue la base canonique de n.
Propriétés :
{x} est une famille libre x 0
Toute famille contenant une famille génératrice est génératrice
Toute sous-famille d’une famille libre est libre
Toute famille contenant une famille liée est liée
Toute famille {v1, v2, …, vp} dont l’un des vecteurs vi est nul, est liée.
λx =0
∈
- 11 -
F = x ∈ E/x = λ x avec (λ , … , λ ) ∈ ℝ
- 12 -
b. Remarque
F = Vect{x1, …, xp} {x1, …, xp} est une famille génératrice de F.
c. Définition 2
La dimension de F s’appelle le rang de la famille G : dim G = rg G
d. Propriétés :
Soit G = {x1, …, xp}
rg G p
rg G = p G est libre
on ne change pas le rang d’une famille de vecteurs :
- en ajoutant à l’un d’eux une combinaison linéaire des autres
- en multipliant l’un d’eux par un scalaire non nul
- en changeant l’ordre des vecteurs
x = α,e
λ + 2λ + 3λ = 0 (1)
4λ + 5λ + 6λ = 0 (2)
3λ + 6λ + λ = 0 (3)
1 2 3
4 5 6
7 8 1
= (1 ∗ 5 ∗ 1 + 4 ∗ 8 ∗ 7 + 7 ∗ 2 ∗ 6) − (7 ∗ 5 ∗ 7 + 6 ∗ 8 ∗ 1 + 1 ∗ 4 ∗ 2)
= 12 ≠ 0
Le rang de cette famille est 3
- 13 -
1. Définition
Soient E et F deux -ev ( = ou ) et une application f de E dans F.
On dit que f est linéaire ssi :
(x, y)E² et (, )K² ; f(x + y) = f(x) + f(y)
Remarques :
1) f : E F est une application linéaire ssi :
∀x ∈ E et ∀λ ∈ 𝕂, f(λx) = λf(x)
∀(x, y) ∈ E , f(x + y) = f(x) + f(y)
2) f(OE) = OF
4. Théorème fondamental
Soit f une application linéaire de E dans F avec dim E = n, alors dim(Im(f)) +
dim(ker(f)) = dim E
Remarque : ce n’est vrai qu’en dimension finie !
Exemple 1:
a) f(x1, x2) = 2x1 – 5x2 est une application de IR² → IR ;
b) f(x1, x2, x3) = (x1 – x3, 4x1 + x2) est une application de IR 3 → IR² ;
c) f(x1, x2) = (3x2, x2 – x1, 2x1 + x2) est une application de IR² → IR 3 .
- 15 -
y1 f 1 a 11 x 1 a 12 x 2 ... a 1n x n a 11 a 12 ... a 1n x 1
y
2 f a 21 x 1 a 22 x 2 ... a 2n x n a 21 a 22 .... a 2n x 2
Y= = 2 (X)=f(x) =
... ... ... ... ... ... .... ...
y f a x a x ... a x a a p2 ... a pn x n
p n p1 1 p2 2 pn n p1
Y = A.X.
A est appelé matrice de l’application linéaire f. elle dépend au choix des bases de E
et de F. Elle est d’ordre (p x n).
Exemples
2 0
a) A = transforme IR² → IR²
1 3
3 2
b) B = 1 1 transforme IR² → IR3
0 2
1 0 2 3
c) C = transforme IR4 → IR²
2 3 4 1
5 2 0 5 10
Dans le cas a) soit X = IR², on a AX = IR²
7 1 3 7 16
3 2 29
5 5
Cas b) X = IR², est transformé en Y = AX = 1 1 12
7 0 2 7 14
- 16 -
1
2
Cas c) Soit X = IR4 est transformé en Y = AX
0
1
1
1 0 2 3 2 4
Y = IR²
2 3 4 1 0 7
1
L’application f : IRn → IRp est dite linéaire si elle vérifie les deux conditions
suivantes :
(1) f(x + x') = f(x) + f(x') x, x' IRn ;
(2) f(x) = .f(x), IR et x IRn ;
Ceci a pour conséquence, si A est la matrice de l’application linéaire f, alors x
IRn, x' IRn et IR, on a :
(1) A(X + X') = AX + AX'
(2) A(X) = AX.
Exemple 1
3 2
5 2
Soit A = 1 1 ; X = ; X' = et = 3, on a :
0 2 7 1
3 2 3 2 3 2
5 2 ? 5 2
(1) 1 1 1 1 1 1
0 2 7 1 0 2 7 0 2 1
3 2 29 4
7 ?
1 1 12 1
0 2 6 14 2
33 33
?
13 13 oui
12 12
3 2 3 2 3 2 29
5 ? 5 15 ?
(2) 1 1 3. 3. 1 1 1 1 3 12
0 2 7 0 2 7 0 2 21 14
- 17 -
87 87
?
36 36 oui
42 42
Exemple 2
Déterminer la matrice de l’application linéaire f : IR² → IR3 qui transforme les
1 2
1 2
vecteurs B1 = et B2 = en les vecteurs A1 = 0 et A2 = 1
2 3 2 0
a 11 a 12
On a : A(3, 2) = a 21 a 22
a a 32
31
AB1 A1 (1)
AB2 A 2 (2)
a 11 a 12 1 a 11 2a 12 1 (1)
1
De (1) AB1 = a 21 a 22 0 a 21 2a 22 0 (2)
2
a
31 a 32 2 a 2a 2 (3)
31 32
a 11 a 12 2 2a 11 3a 12 2 (4)
2
De (2) AB2 = a 21 a 22 1 2a 21 3a 22 1 (5)
3
a
31 a 32 0 2a 3a 0
31 32 (6)
( 2) a 21 2a 22 0 2
(5) 2a 21 3a 32 1 1
a22 = 1 et a21 = 2
(3) a 31 2a 32 2 2
( 6) 2a 31 3a 32 0 1
a32 = 4 et a31 = 2 – 8 =
- 18 -
7 4
Finalement la matrice A est : A = 2 1
6 4
DEFINITION
Soit f : IRn → IRp une application linéaire de matrice A, alors l’ensemble des
antécédents de 0 de f est un sous-espace vectoriel de IRn ; c’est l’ensemble des
solutions du sytème homogène de matrice A. Ce sous-espace est appelé noyau de f, et
noté Ker(f).
1 2 1
Exemple 1 : Soit f : IR3 → IR2 de matrice A = déterminer le Ker(f)
1 4 1
x1
1 2 1 0 x 2x 2 x 3 0 (1)
On a : AX = 0 x 2 1
1 4 1 x 0 x 2 4x 2 x 3 0 (2)
3
(1) + (2) 6x2 + 2x3 = 0 x3 = 3x2
de (1) : x1 = 2x2 – x3 = 2x2 + 3x2 = x2
x2
Solution X = x 2 , posons = x2
3x
2
1
X = 1 IR
3
1
Donc Ker(f) = α 1 où α IR
3
1 2 2
3 3
Exemple 2 : Soit f : IR → IR de matrice A = 2 3 1
1 1 7
On a Ker(f) = {(0, 0, 0)}
DEFINITION
On appelle transformation linéaire de IRn toute application linéaire f : IRn → IRn ayant
la propriété suivante : tout vecteur Y de IRn admet un antécédent X unique par f. on dit
aussi que f est une bijection de IRn sur lui-même.
- 19 -
- 20 -
a a … a
a a … a
A= … …
… …
a a … a
a) La matrice transposée d’une matrice A(p, n) est la matrice A(p, n) = (bij) telle que bij =
aji pour i = 1, 2, …, n et j = 1, 2, …, p.
La transposée d’un vecteur colonne X de IRn est X' = (x1, x2, …, xn)
1 2 3 1 4 0
A = 4 6 7 → A' = 2 6 2
0 2 1 3 7 1
- 21 -
2 3 5
2 0 1 3
0 1 7
B = 3 1 4 6 → B' =
5 7 2 1 1 4 2
3 6 1
4
1
Exemple 2 : La transposée de C = 0 est C' = 4 1 0 1 2
1
2
Exemple :
2 1 4 7
1 6 0 2
A= est symétrique.
4 0 1 3
7 2 3 5
Exemple :
1 0 0 0
4 0 0
0 3 0 0
A = 0 7 0 ; B=
0 0 0 0 0
0 1
0
0 0 5
d) La matrice identité ou unité In est une matrice diagonale dont tous les éléments non
nuls sont égaux à 1.
Exemple :
1 0 0
A = 0 1 0
0 0 1
- 22 -
Exemple :
2 1 3 6 5 1
A = ; B =
4 1 1 1 4 3
8 4 4
C = A + B =
3 5 4
4 6 2
D = A – B =
5 3 2
N.B : L’addition ou la soustraction de deux matrices n’est possible que si celles-
ci ont mêmes dimensions.
1 −1 0 0 1 0
Soient A = 0 0 2 et B = −4 1 −2
2 3 1 11 0 −1
1 −1 0 0 1 0 1 0 0
A+B= 0 0 2 + −4 1 −2 = −4 1 0
2 3 1 11 0 −1 13 3 0
1 −1 0 2 −2 0
2A = 2 ∗ 0 0 2 = 0 0 4
2 3 1 4 6 2
Exemple :
2 1 3 4 2 6
Avec A = ; on a : B = -2A = et
4 1 1 8 2 2
1 3
1 1
C = A 2 2
2 2 1 1
2 2
- 23 -
gOf
REMARQUE :
On ne peut faire le produit de deux matrices que si le nombre de colonnes de la
première est égal au nombre de lignes de la seconde.
On remarque que gOf est encore une application linéaire de IR² dans IR², de
3 1
matrice
3 1
Applications :
x x y x 2x y x 2x y
f: →g:
y x y y x 2y y x 2y
x 2(x y) (x y) 3x y
alors
y (x y) 2(x y) 3x y
1 1 2 1
L’application f a pour matrice A = et g pour B = .
1 1 1 2
3 1
L’application composée gOf aura pour matrice B.A =
3 1
En général, soit A(m, n) et B(n, p), on a : Am, n x Bn, p = Cm, p
On a :
- 24 -
Exemples.
1
2
a) 3 1 4 0 = 17 : scalaire ;
3
1
2
1 1 0 2 9
1
b) 0 1 3 4 11 : vecteur colonne ;
2 0
0 1 3 13
3
1 1 0 2
c) 2 1 3 0 1 3 4 8 3 6 9 : vecteur ligne ;
2 0 1 3
1 0 1 2 4 2 3
2 0 2 4 8 4 6
d) 10 1 2 4 2 3 0 1 2 4 2 3 : matrice ;
0 0 0 0 0 0 0
3 0 3 6 12 6 9
1 3
1 0 1 2 1 1
0 1
e) 3 2 1 2 3 9 : matrice ;
4 2 0 3 2 2
1 0 1 10
1 2 0
f) Soit A = 3 1 1 calculer A3
2 0 1
1 2 0 1 2 0 7 0 2
2
A = A.A = 3 1 1. 3 1 1 2 7 2
2 0 1 2 0 1 0 4 1
7 0 2 1 2 0 3 14 2
3 2
A = A .A = 2 7 2 3 1 1 23 11 9
0 4 1 2 0 1 14 4 5
- 25 -
Exemple :
6 5 17 2 1 6
A = 21 5 28 et B = 4 3 1 ; on a :
3 1 7 1 0 1
6 5 17 2 1 6 9 21 48
A.B = 21 5 28 4 3 1 90 6 159
3 1 7 1 0 1 9 6 24
2 1 6 6 5 17 9 21 48
B.A = 4 3 1 21 5 28 90 6 159
1 0 1 3 1 7 9 6 24
f(x) = xa e
donc
y = xa
e = α e ∀j pour 1 ≤ j ≤ n
- 27 -
e e … e
α α … α e
… α e
P = α… α
… … … …
α α … α e
b) Proposition :
Soit E un K-ev de dimension p, alors :
Toute matrice de passage est inversible
Si PBB’ est la matrice de passage de B et B’ alors (PBB’)-1
est la matrice de passage de B’ et B et (PBB’)-1 = PB’B
Remarques
N = P-1MP
PN = PP-1MP = IMP PNP-1 = M
Si N est une matrice diagonale :
M = (PNP ) = PNP ∗ PNP ∗ … ∗ PNP
Mn = PNnP-1
λ 0 0
Comme N est diagonale : N = 0 … 0
0 0 λ
λ 0 0
Donc N = 0 … 0 ⟹ calcul de Mn
0 0 λ
Exemple :
2 5 6
A = 4 1 7 ; tr(A) = 2 + (-1) + 5 = 6
3 3 5
PROPRIETES
a) tr(A + B) = tr(A) + tr(B) ;
b) tr(A) = tr(A) ;
c) tr(A') = tr(A) ;
d) tr(AB) = tr(BA) si ce produit est possible
- 29 -
La matrice A peut être transformée en B qui lui est semblable à l’aide de l’une de
trois opération élémentaires suivantes :
1. multiplier une ligne Li par une constante , on a : Li ← Li ;
2. échanger les lignes Li et Lj, on écrit :Li Lj ou bien Li ↔ Lj ;
3. remplacer la ligne Li en combinant avec la ligne Lj telle que : Li ← Li + Lj.
EXEMPLE :
A l’aide des opérations élémentaires, transformer les matrices suivantes en matrices
échelonnées ;
2 1 6 0 2 6 2
a) A = 4 3 1 et B = 4 6 8 4
1 0 1 2 4 2 4
Solution :
2 1 6 L2 ← L2 – 2L1 2 1 6
0
A = 4 3 1 1 5 11
L 3 ← L3 L1 1
1 0 1 2 0 2
2
2 1 6
1 0 5 11
L3 ← L3 L2
10 9
0 0
10
0 2 6 2 4 6 8 4 4 6 8 4
1
B = 4 6 8 4 L1 ↔ L2 0 2 6 2 L3 ← L3 L1 0 2 6 2
2 4 2
2 4 2 4 2 4
0 7 6 6
4 6 8 4
7
L3 ← L3 L2 0 2 6 2
2 0
0 27 13
- 30 -
Développement Développement
sur la 1ère ligne sur la 1ère colonne
REMARQUES :
- Le déterminant d’une matrice diagonale est le produit de ses éléments diagonaux.
- Le déterminant d’une matrice régulière est non nul.
- Si A et B sont deux matrices carrées (n x n) alors : AB BA A . B
- Si k est un scalaire quelconque, A une matrice carrée (n x n) alors : kA k n A ;
- Le développement d’un déterminant à partir des mineurs peut se faire sur une
ligne ou colonne quelconque. On préfère la ligne ou la colonne qui contient
beaucoup des zéros ;
- Toute transformation élémentaire d’une ligne (ou colonne) de la forme :
Li ←Li + Lj (ou Ci ← Ci + Cj) ne modifie pas la valeur du déterminant ;
- En multipliant une ligne ou une colonne par une constante k, le déterminant de la
nouvelle matrice sera k fois le déterminant de A ;
- En permutant deux lignes ou deux colonnes d’une matrice ; le déterminant
change de signe.
Exemple : calculer le déterminant de la matrice A suivante :
3 2 4
A = 1 6 5
0 7 3
Développement sur la 3ème ligne :
A ( 1) 31 a 31 A 31 ( 1) 3 2 a 32 A 32 ( 1) 3 3 a 33 A 33
2 4
Où A31 = ; A 31 = 2.5 – 6.4 = 10 – 24 = 14
6 5
3 4
A32 = ; A 32 = 3.5 – (1).4 = 15 + 4 = 19
1 5
3 6
A33 = ; A 33 = 3.2 – (1).6 = 6 + 6 = 12
1 2
- 31 -
Finalement :
A = 0.(14) – 7.(19) + 3.12 = 169
EXERCICES
Calculer les déterminants des matrices suivantes au développement sur la dernière
colonne :
11 1 4 1 1
7 4 3 0 a a a a
0 6 1 7 4
5 2 1 3 a b b b
A= ; B= a C = 5 4 1 2 0
6 9 4 1 b c c
9 3 5 10 0
1 0 2 0
a b c d
6 6 3 2 0
2 1 6
A= 4 3 1 On a :
1 0 1
1
2 −1 61 0 0 1 − 31 0 0
L ← L ⎛ 2 1 ⎞
(A|I) = 4 3 10 1 0 ≈ ⎜ 3 10 0⎟
1 0 10 0 1 L ← L 1 4
4 40 0 1
⎝1 0 1 ⎠
0 1 1 1 0 1 0 0 1
3 10 0 1 3 3 1
⎛1 1 ⎞ L ←L −L ⎛0 − 0 −1⎞
L ↔L ⎜ 4 40 0⎟ L ← L − L ≈ ⎜ 4 4 4 ⎟
1 4 1 1
1 − 3 1 0 0 0 − 2 0 −1
⎝ 2 ⎠ ⎝ 2 2 ⎠
0 0 1
L ← L 1 0 1 1 4
≈ 0 1 −1 0 −
L ← −2L 0 1 −4 3 3
−1 0 2
- 32 -
0 0 1
1 4
⎛1 0 1
0 − ⎞
L ← L − L ≈ ⎜0 1 −1 3 3⎟
0 0 −3 1 10
−1 −
⎝ 3 3⎠
0 0 1
⎛1 0 1 0 1 −4 ⎞
L ← − L ≈ ⎜0 1 −1 3 3⎟
0 0 11 1 10
−
⎝ 3 9 9⎠
1 1 19
− −
⎛1 3 9 9⎞
L ←L −L 0 0 1 4 22⎟
≈ ⎜0 1 0 −
L ←L +L ⎜0 3 9 9⎟
0 1
1 1 10
⎝ − ⎠
3 9 9
1 3 1 9 19 9 3 1 19
1
D’où A =
-1 1 3 4 9 22 9 3 4 22
1 3 1 9 10 9 9 3 1 10
Exemple 2 :
2 3 1
A= 3 6 2
1 2 1
3 1 1
−2 3 11 0 0 1 − − − 0 0
L ← L ⎛ 2 2 2 ⎞
(A|I) = 3 6 20 1 0 ≈ ⎜ 2 1
1 2 −1 0 0 1 L ← L 1 2 0 0⎟
3 3
⎝1 2 −1 0 0 1⎠
3 1 1 3 1 1
1 − − − 0 0 1 − − − 0 0
⎛ 2 2 2 ⎞ ⎛ 2 2 2 ⎞
L ←L −L 7 7 1 1 2 1 1
⎜ ⎟ L L ≈ ⎜0 0⎟
L ← L − L ⎜0 2 6 2 3
0
⎟ 7 ⎜
1
3 7
0
⎟
7 1 1 7 1 1
⎝0 2
−
2 2
0 1⎠ ⎝0 2
−
2 2
0 1⎠
2 1
1 0 0 − 0
L ←L + L ⎛ 1 7 7 ⎞
0 1 1
≈⎜ 3 0 0⎟
L ←L − L ⎜ 5 7 ⎟
0 0 − 1
⎝ 3 0 − 1⎠
3
- 33 -
2 1
− 0
2 ⎛1 0 0 7 7 ⎞
1 1
L ← − L ≈ ⎜0 1 0 0⎟
7 ⎜ 3 7 ⎟
0 0 1 1 3
⎝ 0 − ⎠
5 5
2 1
− 0
⎛1 7 7 ⎞
1 0 0 1 1
L ← L − L ≈ ⎜0 1 0 0 ⎟
3 ⎜0 7 5⎟
0 1
1 3
⎝ 0 − ⎠
5 5
2 1
− 0
⎛ 7 7 ⎞ 1 −10 5 0
1 1
A =⎜ 0 ⎟= 5 0 0
⎜ 7 5 ⎟ 35 0 7 −21
1 3
⎝ 0 5
− ⎠
5
Exemple 3
3 1 5
A= 1 6 1
1 13 3
1 5 1
3 1 5 1 0 0 1 0 0
(A|I) = −1 6 −1 0 1 0 L ← L ≈ 3 3 3
−1 6 −1 0 1 0
1 13 30 0 1
1 13 30 0 1
1 5 1 1 5
1 0 0 1 1
⎛ 3 3 3 ⎞ L2 ← 2 L ⎛ 3 3 0 0⎞
L ←L +L ⎜ 19 2 1 19 2 1 3
L ← L − L ⎜0 3 1 0⎟ ≈ ⎜0 1 1 ⎟
3 3 ⎟ L3 ← 3 L ⎜ 9 0 0⎟
38 4 1 38 3
1 6
⎝0 − 0 1⎠ ⎝ 0 1 0 0 0⎠
3 3 3 9
1
13 0 0
⎛1 0 3 ⎞
L ←L − L 8 1
≈⎜ 1 0 0⎟ ∶ A est singulière
L ←L −L ⎜0 1 6 ⎟
9 1
0 0 0 0 − 0⎠
⎝ 6
- 34 -
1 4
Exemple 1 : On considère la matrice A = suivante :
3 5
1) Calculer le polynôme caractéristique de A.
2) Trouver les valeurs propres de A.
3) Pour chaque valeur propre, déterminer les sous-espaces propres correspondant.
4) Calculer D = MatB(f), représentation matricielle de f dans la nouvelle base.
Solution :
Polynôme caractéristique :
1 4 1 0
P (λ) = −λ
3 5 0 1
1 λ 4
Pn() = = ( – 1)( – 5) – 12 = ² 6 + 5 – 12
3 5λ
Recherche des valeurs propres
Pn() = ² 6 + 5 – 12 = 0
² 6 – 7 = 0 : équation caractéristique ;
Δ' = 9 + 7 = 16
7 λ1 valeur propre
1, 2 = 3 ± 4 =
1 λ 2 valeur propre
Recherche des vecteurs propres.
a) Pour 1 = 7
x1 1 7 4 x 1 0 6x 1 4x 2 0
Soit X =
x2 3 5 7 x 1 0 3x 1 2x 2 0
6 3
x2 = x1 = x1
4 2
x 1 1
E = Ker(f) = X = 3 =x 3 ; x ∈ℝ v = 3
x
2 2 2
b) Pour 2 = 1
x 1 1 4 x 1 0 2x 4x 2 0
Soit X = 1 1
x2 3 5 1 x 1 0 3x 1 6 x 2 0
1
x2 = x1
2
x 1 1
X= 1 =x 1 v = 1
− x − −
2 2 2
1 1
7 0
D= P= 3 1
0 −1 −
2 2
- 36 -
Exemple 2 :
6 −2 4
B= 0 3 0
14 1 5
Polynôme caractéristique
6 − λ −2 4
Pn() = 0 3−λ 0 = (3 – )[(6 – )(5 – ) – 56] = (3 – ² - 11 – 26)
14 1 5−λ
Recherche des valeurs propres
Pn() = (3 – ² - 11 – 26) = 0
1 = 3 ; ² - 11 – 26 = 0
Δ = 121 + 4.26 = 225 = 15²
11 15 13
2, 3 =
2 2
Les valeurs propres sont : 1 = 13 ; 2 = 3 ; 3 = 2
7
x3 = x1
4
1 1
X=x 0 v = 0
b) Pour 2 = 3.
x1 6 3 2 4 x 1 0
Soit X = x 2 0 3 3 0 x 2 0
x 11 1 5 3 x 3 0
3
3x 1 2x 2 4x 3 0
x1 = 0
x1 x 2 2x 3 0
x2 = 2x3
0 0 0
X = 2x = x −2 v = −2 ‖v ‖ = 0² + (−2) + 1² = √5
x 1 1
- 37 -
8x 1 2x 2 4x 3 0
5x 2 0 x2 0
14x x2 7x 3 0
1
x3 = 2x1
x 1 1
X= 0 =x 0 v = 0 ‖v ‖ = 1² + 0² + (−2)² = √5
−2x −2 −2
Le vecteur normé est :
1 √5
⎛ √5⎞ ⎛ 5 ⎞
v =⎜ 0 ⎟=⎜ 0 ⎟
2 2√5
− −
⎝ √5⎠ ⎝ 5 ⎠
4√65 √5
0
⎛ 65 5 ⎞
13 0 0
⎜ 2√5 ⎟
D= 0 3 0 P=⎜ 0 − 0 ⎟
0 0 −2 ⎜ 5 ⎟
7√65 √5 2√5
⎝ 65 −
5 5 ⎠
- 38 -
x 1 2x 2 3x 3 x 4 1
iv. x2 x3 1
2 x 7x 3x 2x 2
1 2 3 4
Les deux premiers sont plus familier ; une équation à une inconnue ; deux
équations à deux inconnues. Le troisième est un système de trois équations à trois
inconnues et le dernier un système de trois équations à quatre inconnues.
Dans les deux premiers exemples, on a choisi les variables X et Y comme inconnues
tandis que dans les deux derniers on a choisi des notations à indices pour désigner les
inconnues ; c’est ce type de notations que nous utiliserons constamment dans la suite.
Dans tous les systèmes précédents, chaque équation est de la forme :
F(X) = b
Où X : désigne un vecteur de IRn (n = 1, 2, …) ;
F : désigne une fonction linéaire sur IRn ;
b : est un nombre réel donné.
C’est pour cette raison qu’on parle d’équations linéaires.
On appelle système de p-équations linéaires à n-inconnues x1, x2, … xn, un système (S)
de la forme :
- 39 -
a 11 x 1 a 12 x 2 ... a 1n x n b1
a x a x ... a x b
21 1 22 2 2n n 2
...
a p1 x 1 a p2 x 2 ... a pn x n b p
Où les quantités aij et bi représentent des nombres réels donnés appelés coefficients du
système.
x1
x
On appelle solution de (S) tout vecteur X = 2 de IRn dont les coordonnées vérifiant
...
x
n
les p-équations simultanément.
Résoudre (S), c’est déterminer l’ensemble de ses solutions.
REMARQUE
Dans la notation aij, le nombre i indique le numéro de l’équation et j le numéro de
l’inconnue à laquelle ce coefficient est attaché. On lit :
Pour a12 : « a un deux » et non « a douze »
NOTATION MATRICIELLE
L’exemple 4) ci-dessus peut s’écrire :
x1
x
f1(X) = 1 2 3 1 2 = 1
x
3
x
4
x1
x
f2(X) = 0 1 1 0 2 = 1
x
3
x
4
x1
x
f3(X) = 2 7 3 2 2 = 2
x
3
x
4
Il est plus agréable d’adopter la notation économique suivante :
x
1 2 3 1 1 1
x
0 1 1 0 2 1
2 7 3 x
2 3 2
x4
- 40 -
a 11 a 12 ... a 1n x 1 b1
a 21 a 22 ... a 2n x 2 b 2
...
... ... ... ... ...
a
p1 a p2 ... a pn x n b n
Le système (S) peut aussi se mettre sous forme de sa matrice complète, à p-lignes et
(n+1)-colonnes :
a 11 a 12 ... a 1n b1
a 21 a 22 ... a 2n b 2
(S) =
... ... ... ... ...
a p1 a p2 ... a pn b p
La barre verticale n’est utile que pour éviter de confondre les coefficients des
inconnues avec les nombres figurant au second membre des équations.
EXEMPLES
0 1 3 1
3) Le système de matrice complète a pour forme :
0 0 1 2
0x 1 x 2 3x 3 1 x 3x 3 1
soit 2
0x 1 0x 2 x 3 2 x3 2
1 3 1
4) La matrice complète correspond au système de deux équations à deux
0 1 2
5
inconnues. Il a pour solution unique X =
2
- 41 -
1 3 2 1
5) Le système de matrice complète représente le système :
0 0 0 0
1x 1 3x 2 2x 3 1
x1 + 3x2 + 2x3 = 1
0x 1 0x 2 0x 3 0
L’ensemble des solutions est un vecteur de IR3 de la forme :
1 3x 2 2x 3
X= x2 où x2 et x3 IR
x3
1 3 2 1
6) La matrice complète représente le système :
0 0 0 1
1x 1 3x 2 2x 3 1
0 = 1 : faux
0x 1 0x 2 0x 3 1
Il n’a aucune solution.
b) Exemples
- 42 -
1 1 2
2x 4
2 1 4 1
X= 2 x x
4
2 5
4 0 où x4 IR
52
0 1
x4
3. (S3) : Les inconnues principales sont x1, x3 et x4. la dernière équation est
vérifiée par tout vecteur et n’intervient donc pas. Chaque choix d’une
valeur numérique pour l’inconnue non principale (ou secondaire) x2
détermine une solution du système.
1
x4 = équation 3
3
2
x3 = 2x4 = équation 2
3
1
x1 = 4 + 2x2 – 3x3 + 4x4 = + 2x4 équation 1
2
L’ensemble des solutions de (S3) est donc formé des vecteurs :
1 0 1 2
x2
2 1 0 1
X = x2 x2 où x2 IR
2 3 2 2 3 0
13 1
13
a. DEFINITION
Deux systèmes d’équations linéaires à n-inconnues sont dits équivalents s’ils ont
les mêmes solutions ; plus précisément si l’ensemble des solutions de l’un (dans
IRn) est égal à l’ensemble des solutions de l’autre.
x 2x 2 1
Exemple : Considérons le système (S) : 1
2 x 1 3 x 2 5
- 44 -
x 2x 2 1
Le système (S') : 1 obtenu en éliminant x1 dans la 2ème équation de
7 x 2 7
(S) est équivalent à (S). Le système (S') est en échelons et déterminé ; son unique
1
solution est X =
1
1 2 1 1 2 1
La matrice complète de (S) est et celle de (S') est
2 7 7
2 3 5
Si on appelle L1 = (1 2 1) 1ère ligne de (S)
L2 = (2 3 5) 2ème ligne de (S)
On a pour (S') : L1 L1 et L 2 L 2 2L1
b. OPERATIONS ELEMENTAIRES
Soit une matrice à p-lignes et m-colonnes représentant un système (S) :
a 11 a 12 ... a 1m
a
21 a 22 ... a 2m
(S) =
... ... ... ...
a a ... a
p1 p2 pm
Désignons par L1 = a 11 a 12 ... a 1m , …, L1 = a p1 a p2 ... a pm les vecteurs
lignes de cette matrice.
On appelle opération élémentaire chacune des règles suivantes, ayant pour effet de
former, à partir d’une matrice (S) donnée, une nouvelle matrice (S').
1. Choisir deux entiers i et j avec 1 ≤ i ˂ j ≤ p et échanger les lignes Li et Lj de
(S). les autres lignes restant inchangées ; on écrit symboliquement Li Lj
ou bien Li ↔ Lj ;
2. Choisir deux entiers i et j distincts et un nombre réel et remplacer la ligne Li
de (S) par Li = Li + Lj : on écrit symboliquement :
Li ← Li + Lj
Ainsi, on a :Li = a i1 a i2 ... a im
Lj = λa j1 λa j2 ... λa jm
Li + Lj = a i1 λa j1 a i2 λa j2 ... a im λa jm
0 1 1 2 1 2 3 1 1 2 3 1
1 2 3 1 L1 ↔ L2 0 1 1 2 L3 ← L3 + L 1 0 1 1 2
1 2 1 1 1 2 1 1 0 4 2 0
1 2 3 1
L3 ← L3 4L2 0 1 1 2 : Matrice échelonnée.
0 0 6 8
0 1 1 2
La matrice complète de (S) est : 1 2 3 1
1 3 1 1
Transformations élémentaires de (S)
0 1 1 2 1 2 3 1 1 2 3 1
1 2 3 1 L1 ↔ L2 0 1 1 2 finalement 0 1 1 2
1 3 1 1 1 3 1 1 0 0 6 8
8 4
de (1) : 6x3 = 8 x3 =
6 3
4 2
de (2) : x2 – x3 = 2 x2 = 2 + x3 = 2
3 3
4 12 11
de (3) : x1 + 2x2 + 3x3 = 1 x1 = 1 – 2x2 – 3x3 = 1
3 3 3
11
3
2
(S) adment l’unique solution X =
3
4
3
EXERCICES
2 2 7 1
Soit (S) = 3 1 2 4
1 1 3 1
- 46 -
2 2 7 1 1 1 3 1
L2 ← L2 3L1
(S) = 3 1 2 4 L1 ↔ L3 3 1 2 4 L3 ← L3 L1
1 1 3 1 2 2 7 1
1 1 3 1
0 4 7 1
0 0 1 3
de (3) : x3 = 3
de (2) : 4x2 – 7x3 = 1 4x2 = 1 – 7x3 = 1 + 21 = 20 ; x2 = 5
de (1) : x1 + x2 + 3x3 = 1 x1 = x2 – 3x3 + 1 = 5 + 9 + 1 = 5
THEOREME
Soit (S) une matrice dont la première colonne n’est pas nulle (c’est-à-dire contient
au moins un coefficient non nul). Par une succession convenable d’opérations
élémentaires, la matrice (S) peut être transformée en une matrice (S') dont la première
colonne a tous ses coefficients nuls, sauf le premier.
En effet, soit ai1 un coefficient non nul de la première colonne de (S). Il suffit de
procéder comme suit :
2) Echanger les lignes L1 et Li (si i ≠ 1). Le coefficient a11 de la nouvelle matrice est
alors non nul.
a j1
3) Pour j = 2, …, p faire l’opération suivante : Lj ← Lj L1
a 11
a j1
La première coordonnée de la nouvelle ligne Lj sera alors : a j1 a 11 = 0
a 11
Exemple : Transformer
2 2 7 1 2
(S) = 3 1 2 4 en une matrice dont la première colonne est 0
1 1 3 1 0
- 47 -
Solution :
2 2 7 1 L2 ← L2 3 L1 2 2 7 1
2
3 1 2 4 0 4 17 2 11 2
1 1 3 1
1 L3 ← L3 L1 0
0 1 2 3 2
2
Exemple :
x 1 2x 2 3x 3 0
2x 1 x 2 3x 3 0
3x 2x x 0
1 2 3
Exemple 1
x 1 2x 2 3x 3 0
2x 1 x 2 3x 3 0
3x 2x x 0
1 2 3
On a :
1 2 3 0 L ← L 2L 1 2 3 0
2 2 1 4
2 1 3 0 L3 ← L3 L1 0 3 3 0 L3 ← L3 L2
1 2 1 0 0 4 8 0 3
1 2 3 0
0 3 3 0
0 0 4 0
Ainsi ; 4x3 = 0 x3 = 0, x2 = 0 et x1 = 0
- 48 -
Exemple 2.
1 1 0 3 1
1 1 2 1 0
Résoudre le système homogène dont la matrice est :
4 2 6 3 4
2 4 2 4 7
On a :
1 1 0 3 1 0 1 1 0 3 1 0
L2 ← L2 L1
1 1 2 1 0 0 L3 ← L3 L1 0 2 2 2 1 0
4 2 6 3 4 0 L4 ← L4 L1 0 6 6 15 3 0
2 4 2 4 7 0 0 2 2 10 0 0
1 1 0 3 1 0
L3 ← L3 L2 0 2 2 2 1 0 4
0 L ← L L3
L4 ← L4 L2 9 3 0
4 4
0 0 3
0 0 0 12 4 0
1 1 0 3 1 0
0 2 2 2 1 0
0 0 0 9 3 0
0 0 0 0 0 0
On a :
1
de (3) : 9x4 – 3x5 = 0 x4 = x5
3
2
de (2) : 2x2 + 2x3 + 2x4 + x5 = 0 2x2 + 2x3 + x5 + x5 = 0
3
5 5
2x2 + 2x3 + x5 = 0 x2 = x3 + x5
3 3
5
de (1) : x1 + x2 – 3x4 – x5 = 0 x1 = –x2 + 3x4 + x5 = – x3 – x5 + x5 + x5
3
7
x 1 = – x3 + x5
6
- 49 -
7 7
x3 x5
1
6 6
x 5x 1 5
D’où la solution X =
3
6
5
x 3 1 x 5 6 Où x3 et x5 IR
x3 0 0
1 0 1
0 x5 0
" 3
0 x 5 1
THEOREME
Soit (S) un système homogène de p-équations linéaires à n-inconnues, avec p ˂ n (il y
a moins d’équations que d’inconnues). Alors (S) est toujours indéterminé, c’est-à-dire
qu’il admet des solutions autres que le vecteur nul.
a 11 a 12 ... a 1n b1 x1
a a 22 ... a 2n b2 x2
A = 21 ; b= ; X=
... ... ... ... ... ...
a a n2 ... a nn b x
n1 n n
Alors la solution du système est :
1
x1 = ; x2 = 2 ; x3 = 3 ; … ; xn = n
A A A A
où A est le déterminant principal du système et :
b1 a 12 ... a 1n a 11 b1 a 13 ... a 1n
b2 a 22 ... a 2n a b2 a 23 ... a 2n
Δ1 = ; Δ2 = 21 ;…;
... ... ... ... ... ... ... ... ...
bn a n2 ... a nn a n1 bn a n3 ... a nn
- 50 -
a 11 a 12 ... a 1, n -1 b1
a 21 a 22 ... a 2, n -1 b2
Δn =
... ... ... ... ...
a n1 a n2 ... a n, n -1 bn
2x 1 x 2 x 3 5
Exemple : x 1 x 2 x 3 1 x1 = 2 ; x2 = 2 ; x3 = -1
x 2x 3x 3
1 2 3
2x 1 x 2 x 3 3
b) x1 x 2 x 3 0
4x 3x 2x -4
1 2 3
2x 1 x 2 x 3 5
c) x 1 x 2 x 3 1
x 2 x 3x 3
1 2 3
2x 1 x 2 5x 3 x 4 5
x x 2x x 6
1 2 3 4
d)
2x 1 2x 2 x 3 x 4 0
3x 1 x 2 3x 3 2x 4 12
2x 1 3x 2 x 3 4x 4 4
x 1 3x 2 x 3 2x 4 0
e)
4x 1 3x 2 2x 3 4x 4 8
12x 1 12x 2 5x 3 4x 4 8