Académique Documents
Professionnel Documents
Culture Documents
ALGEBRE LINEAIRE
L2 Génie Civil
Enseignant : M. KOSSA 2020-2021
COURS
D’ALGEBRE LINEAIRE
III. MATRICE
1. Définitions
2. Matrices particulières
3. Addition de matrices
4. Multiplication de matrices
4.1. Définition du produit de matrices
4.2. Propriétés du produits de matrices
4.3. Matrice identité
5. Inverse d’une matrice : définition
5.1. Définition
5.2. Propriétés
6. Inverse de matrice : calcul
6.1. Matrice
6.2. Méthode de Gauss pour inverser les matrices
7. Inverse d’une matrice : systèmes linéaires
7.1. matrice et systèmes linéaires
7.2. matrice inversible et systèmes linéaires
L’algèbre linéaire est un outil essentiel pour toutes les branches des
mathématiques appliquées, en particulier lorsqu’il s’agit de modéliser puis
résoudre numériquement des problèmes issus de divers domaines : des sciences
physiques ou mécaniques, des sciences du vivant, de la chimie, de l’économie,
des sciences de l’ingénieur,…
2. Définitions
On écrit usuellement de tels systèmes en n lignes placées les unes sous les
autres.
Exemple 1
Définition 3 (solution)
Une solution du système linéaire est une liste de p nombres réels
(un p-uplet) tels que si l’on substitue pour , pour ,
etc., dans le système linéaire, on obtient une égalité. L’ensemble des solutions
du système est l’ensemble de tous ces p-uplets.
Exemple 2
Le système
Par contre, ne satisfait que la première équation. Ce n’est donc pas une
solution du système.
Définition 4
On dit que deux systèmes linéaires sont équivalents s’ils ont le même ensemble
de solutions.
Théorème 1
Un système d’équations linéaires n’a soit aucune solution, soit une seule
solution, soit une infinité de solutions.
4. Systèmes homogènes
Un cas particulier important est celui des systèmes homogènes, pour lesquels
, c’est-à-dire dont le second membre est nul. De tels
systèmes sont toujours compatibles car ils admettent toujours la solution
. Cette solution est appelée solution triviale.
Géométriquement, dans le cas , un système homogène correspond à deux
droites qui passent par l’origine, (0,0) étant donc toujours solution.
Exemple 3
Il se trouve que les systèmes linéaires sous une forme échelonnée réduite sont
particulièrement simples à résoudre.
Exemple 4
Exemple 5
Utilisons ces opérations élémentaires pour résoudre le système suivant.
Puis
On continue ainsi
.
5.3 Méthode du pivot de Gauss
Il reste à le mettre sous la forme échelonnée réduite. Pour cela, on ajoute à une
ligne des multiples adéquats des lignes situées au-dessous d’elle, en allant du
bas à droite vers le haut à gauche.
On fait apparaître des 0 sur la troisième colonne en utilisant le pivot de la
troisième ligne :
Théorème 2
Tout système homogène d’équations linéaires dont le nombre d’inconnues est
strictement plus grand que le nombre d’équations a une infinité de solutions.
Exemple 6
Considérons le système homogène
, , .
RAPPELS ET NOTATION
Et une multiplication
On dit que , muni des deux opérations est un espace vectoriel si pour tout
et pour tout , on a les propriétés suivantes :
(1) ;
(2) ;
(3) Il existe tel que pour tout ;
(4) Pour tout , il tel que ;
(5) ;
(6) ;
(7) ;
(8) .
Définition de l’addition.
Exemple 9
Tout plan passant par l’origine est un espace vectoriel (par rapport aux
opérations habituelles sur les vecteurs).
Remarque 1
2. Sous-espace vectoriel
Il est vite fatiguant de vérifier les 8 propriétés qui font d’un ensemble un espace
vectoriel. Heureusement, il existe une manière rapide et efficace de prouver
qu’un ensemble est un espace vectoriel : grâce à la notion de sous-espace
vectoriel.
Définition 7
Remarque 2
Expliquons chaque condition.
La première condition signifie que le vecteur nul de doit aussi être dans
. En fait il suffit même de prouver que est non vide.
La deuxième condition, c’est dire que est stable pour l’addition : la
somme de deux vecteurs de est bien sûr un vecteur de (car est
un espace vectoriel), mais ici on exige que soit un élément de .
La troisième condition, c’est dire que est stable pour la multiplication
par un scalaire.
Définition 8
Soit un entier, soient n vecteurs d’un espace vectoriel .
Tout vecteur de la forment
Exemple 11
Dans l’espace vectoriel , est combinaison linéaire des vecteurs
et car on a l’égalité
Exemple 12
et un vecteur quelconque de . On a :
Exemple 13
On a donc
donne le système
4. Sous-espace engendré
Théorème 3
Définition 9
Le sous-espace du théorème précédent est appelé le sous-espace vectoriel
engendré par .
Si l’on pose , alors est noté
ou
.
Exemple 15
Soit le sous-ensemble de . défini par :
.
Est-ce que est sous-espace vectoriel de ?
L’ensemble est l’intersection de et , les sous-ensembles de définis par :
et
Ce sont deux plans passant par l’origine, donc des sous-espaces vectoriels de
. Ainsi est un sous-espace vectoriel de , c’est une droite
vectorielle.
Remarque 4
Exemple 16
Est-ce que les sous-espaces vectoriels et de définis par
et
sont supplémentaires dans ?
8. Indépendance linéaire
Définition 12
Soit un ensemble non vide de vecteur d’un espace.
Remarque 5
Tout vecteur non nul est linéairement indépendant.
En effet implique que ou .
Le vecteur nul est linéairement dépendant car pour tout .
Plus généralement tout ensemble contenant le vecteur nul est linéairement
dépendant.
En effet soient des vecteurs quelconques et . Alors
pour tout .
Exemple 17
Soient , ,
Exemple 18
Les polynômes , et forme un
ensemble linéairement dépendant car
Exemple 19
, ,
Et donc , , .
Théorème 4
Un ensemble est linéairement dépendant si et seulement si au moins l’un de des
vecteurs de est une combinaison linéaire des autres vecteurs de .
Théorème 5
Soit un sous-ensemble de . Si contient plus de éléments,
alors est linéairement dépendant.
9. Base et dimension
9.1 Base
Théorème 6
Si est une base de l’espace vectoriel , alors tout vecteur
s’exprime de façon unique comme combinaison linéaire d’éléments de :
Exemple 19
Les vecteurs et de la figure ci-dessous forment une base du plan car on a
pour tout vecteur du plan ou et sont des nombres réels
uniquement déterminés.
Exemple 20
.
Alors est une base de car est linéairement indépendant et
engendre
Exemple 22
Soient , et .
9.2. Dimension
Définition 15
Un espace vectoriel admettant une base ayant un nombre fini d’éléments est
dit de dimension finie
Exemple 23
1. La base canonique de est et La dimension de est donc 2.
1. Définition
Définition 17
• Une matrice est un tableau rectangulaire d’éléments de .
• Elle est dite de taille si le tableau possède lignes et colonnes.
• Les nombres du tableau sont appelés les coefficients de .
• Le coefficient situé à la i-ème ligne et à la j-ème colonne est noté .
ou ou .
Exemple 24
Définition 18
• Deux matrices sont égales lorsqu’elles ont la même taille et que les coefficients
correspondants sont égaux.
• L’ensemble des matrices à lignes et colonnes à coefficients dans est noté
.
Les éléments de sont appelés matrices réelles.
2. Matrices particulières
• Une matrice qui n’a qu’une seule ligne ( ) est appelée matrice ligne ou
vecteur ligne. On la note
.
• De même, une matrice qui n’a qu’une seule colonne ( ) est appelée
matrice colonne ou vecteur colonne. On la note
• La matrice (de taille ) dont tous les coefficients sont des zéros est appelée
la matrice nulle et est notée ou plus simplement 0. Dans le calcul matriciel,
la matrice nulle joue le rôle du nombre 0 pour les réels.
3. Addition de matrices
Exemple 25
Si et alors .
Exemple 26
Si et alors .
La matrice est l’opposée de et est notée . La différence est
définie par .
Exemple 27
Si et alors
Proposition 3
Soient , et trois matrices appartenant à Soient et
deux scalaires.
1. : la somme est commutative,
2. : la somme est associative,
3. : la matrice nulle est l’élément neutre de l’addition,
4. ,
5. .
4. Multiplication de matrices
Exemple 28
Soient ,
Un exemple intéressant est le produit d’un vecteur ligne par un vecteur colonne :
Proposition 3
1. : associativité du produit,
2. et : distributivité du produit par
rapport à la somme,
3. et
Ses éléments diagonaux sont égaux à 1 et tous ses autres éléments sont égaux à
0. Elle se note ou simplement . Dans le calcul matriciel, la matrice identité
joue un rôle analogue à celui du nombre 1 pour les réels. C’est l’élément neutre
pour la multiplication. En d’autres termes :
Proposition 5
et .
5.1. Définition
Exemple 28
Soit . Étudier si est inversible, c’est étudier l’existence d’une
Exemple 29
5.2. Propriétés
Unicité
Proposition 6
Si est inversible, alors son inverse est unique.
Inverse de l’inverse
Proposition 7
Soit une matrice inversible. Alors est aussi inversible et on a :
Considérons la matrice : .
Proposition 9
Si , alors est inversible et
1. avec : on peut multiplier une ligne par un réel non nul (ou un
élément de ).
N’oubliez pas : tout ce que vous faites sur la partie gauche de la matrice
augmentée, vous devez aussi le faire sur la partie droite.
Exemple 30
puis
puis
Ainsi l’inverse de est la matrice obtenue à droite et après avoir factorisé tous
les coefficients par , on a obtenu :
Le système linéaire
Proposition 10
Soit une matrice de taille . On dit que est triangulaire inférieure si ses
éléments au-dessus de la diagonale sont nuls, autrement dit :
Exemple 31
Une matrice qui est triangulaire inférieure et triangulaire supérieure est dite
diagonale. Autrement dit : .
Exemple 32
et
8.2. La transposition
Définition 22
Exemple 32
Théorème 8
Si est inversible, alors l’est aussi et on a
8.3. La trace
Définition 23
Si alors .
Si alors .
Théorème 8
,
pour tout ,
,
,
Définition 24
Exemple 34
Exemple 35
Définition 25
Exemple 36
Exemple 37
9. Déterminant
Définition 26
Le déterminant est définie comme une application, qui à une matrice carrée
associe un scalaire :
ou
C’est donc le produit des éléments sur la diagonale principale (en bleu) moins le
produit des éléments sur l’autre diagonale (en orange).
-
+
Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 40
9.1.2. Matrice
- - -
+ + +
Exemple 38
+ + +
Attention : cette méthode ne s’applique pas pour les matrices de taille supérieure
à 3. Nous verrons d’autres méthodes qui s’appliquent aux matrices carrées de
toute taille et donc aussi aux matrices .
Une des techniques les plus utiles pour calculer un déterminant est le
«développement par rapport à une ligne (ou une colonne)».
9.2.1. Cofacteur
Définition 26
. Calculons , , , .
Donc , , ,...
Exemple 41
Théorème 10
Exemple 42
et donc
Le théorème suivant, appelé règle de Cramer, donne une formule explicite pour
la solution de certains systèmes d’équations linéaires ayant autant d’équations
que d’inconnues. Considérons le système d’équations linéaires à équations et
inconnues suivant :
Exemple 43
On a
Rappel
1. Définition
Pour tout , ;
Pour tout et pour tout ,
Exemple 44
Soient on a
Soient et , on a :
Théorème 12
Remarque 6
Rappels
Théorème 13
Définition 27
Théorème 14
et
Théorème 15
Exemple 45
Déterminons et .
Nous allons voir qu’il existe un lien étroit entre les matrices et les applications
linéaires. À une matrice on associe naturellement une application linéaire. Et
réciproquement, étant donné une application linéaire, et des bases pour les
espaces vectoriels de départ et d’arrivée, on associe une matrice.
Dans cette section, tous les espaces vectoriels sont de dimension finie.
Définition 28
En termes plus simples : c’est la matrice dont les vecteurs colonnes sont l’image
par f des vecteurs de la base de départ , exprimée dans la base d’arrivée . On
note cette matrice .
Remarque 7
Exemple 46
Il est utile d’identifier vecteurs lignes et vecteurs colonnes ; ainsi peut être vue
comme l’application
Cet exemple illustre bien le fait que la matrice dépend du choix des bases