Académique Documents
Professionnel Documents
Culture Documents
ESATIC UP MATHS
Table des matières
NOTATIONS 4
INTRODUCTION 6
1 MATRICES 7
1.1 Présentation des matrices de type (p, q) sur un corps K commutatif . . . . 7
1.2 Différents types de matrices . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Matrice uniligne : p = 1, . . . . . . . . . . . . . . . . . . . . . . 8
1.2.2 Matrice unicolonne : q = 1, . . . . . . . . . . . . . . . . . . . . 8
1.2.3 Matrice nulle de type (p, q) . . . . . . . . . . . . . . . . . . . . 9
1.2.4 Matrice carrée d’ordre n . . . . . . . . . . . . . . . . . . . . . . 9
1.2.5 Matrice diagonale . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.6 Matrice unité (ou identité) d’ordre n . . . . . . . . . . . . . . . 10
1.2.7 Matrice triangulaire supérieure : . . . . . . . . . . . . . . . . . . 10
1.2.8 Matrice triangulaire inférieure : . . . . . . . . . . . . . . . . . . 10
1.2.9 Matrice en bloc . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.10 Transposée d’une matrice : . . . . . . . . . . . . . . . . . . . . 11
1.2.11 Opposée d’une matrice : . . . . . . . . . . . . . . . . . . . . . . 11
1.3 OPERATIONS SUR LES MATRICES . . . . . . . . . . . . . . . . . . . 12
1.3.1 Egalité de deux matrices de même type . . . . . . . . . . . . . . 12
1.3.2 Somme de deux matrices de même type . . . . . . . . . . . . . . 13
1.3.3 Multiplication par un scalaire . . . . . . . . . . . . . . . . . . . 13
1.3.4 Produit de deux matrices . . . . . . . . . . . . . . . . . . . . . 14
1.4 Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5 Matrices inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6 Opérations élémentaires sur les matrices . . . . . . . . . . . . . . . . . . 21
1.7 Les opérations élémentaires sur les matrices avec les matrices élémentaires 22
1.8 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1
TABLE DES MATIÈRES
2 CALCUL DE DÉTERMINANTS 28
2.1 Déterminant d’une matrice carrée d’ordre 2 . . . . . . . . . . . . . . . . 28
2.2 Déterminant d’une matrice carrée d’ordre 3 . . . . . . . . . . . . . . . . 28
2.2.1 Calcul d’un déterminant d’ordre 3 par la méthode de Sarrus . . . 28
2.2.2 Calcul du déterminant par le développement suivant une ligne ou
une colonne. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3 Calcul du déterminant d’une matrice carrée d’ordre n supérieur ou égal à 3 32
2.4 Propriétés des déterminants . . . . . . . . . . . . . . . . . . . . . . . . 34
2.5 Inverse d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.1 Propriétés de la matrice inverse . . . . . . . . . . . . . . . . . . 40
2.5.2 Inversion d’une matrice par sa comatrice . . . . . . . . . . . . . 41
2.5.3 Démontration de la méthode d’inversion d’une matrice par sa co-
matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.6 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4 ESPACES VECTORIELS 55
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Définition d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . 55
4.3 Définition générale d’un espace vectoriel sur un corps commutatif (K, ♥, ♣) 56
4.3.1 Tableau de simularité . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.4 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.4.1 Exemples de sous-espaces vectoriels . . . . . . . . . . . . . . . . 60
4.5 Suite liée de vecteurs. Suite libre de vecteurs . . . . . . . . . . . . . . . . 60
4.6 Espaces vectoriels de dimension finie . . . . . . . . . . . . . . . . . . . 62
4.6.1 Espace vectoriel ayant un nombre fini de générateurs . . . . . . . 62
4.6.2 Base d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . 62
ESATIC 2 UP Maths
TABLE DES MATIÈRES
5 APPLICATIONS LINÉAIRES 70
5.1 Image et Noyau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.1.1 Le théorème noyau-image . . . . . . . . . . . . . . . . . . . . . 72
5.1.2 Rang d’une application linéaire . . . . . . . . . . . . . . . . . . 73
5.2 Opérations sur les applications linéaires . . . . . . . . . . . . . . . . . . 74
5.2.1 L’espace vectoriel LK (E, F ) . . . . . . . . . . . . . . . . . . . . 74
5.2.2 Composition des applications linéaires . . . . . . . . . . . . . . . 74
5.3 Espace vectoriel quotient . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.3.1 Construction de l’espace vectoriel quotient de E par F . . . . . . 74
5.4 Matrice d’une application linéaire f : E → F . . . . . . . . . . . . . . . 76
5.4.1 Changement de bases . . . . . . . . . . . . . . . . . . . . . . . . 78
5.4.2 Déterminant d’une suite de vecteurs d’un K-espace vectoriel E
de dimension finie(Rappel,suite et fin) . . . . . . . . . . . . . . . 81
5.4.3 Déterminant et trace d’un endomorphisme sur un K -espace vec-
toriel E de dimension finie . . . . . . . . . . . . . . . . . . . . . 82
6 TRAVAUX DIRIGÉS 85
6.1 Calcul matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.2 Espaces vectoriels et applications linéaires . . . . . . . . . . . . . . . . . 87
6.3 TRAVAUX DIRIGES EN CBG1 Bioscience & STRM . . . . . . . . . . 99
6.3.1 Calculs Matriciels . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.4 Calculs de Déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.5 Système d’équations linéaires . . . . . . . . . . . . . . . . . . . . . . . . 102
6.6 Espaces Vectoriels-Applications Linéaires . . . . . . . . . . . . . . . . . 104
ESATIC 3 UP Maths
Notations
Notation Définition
N Ensemble des entiers naturels
Z Ensemble des entiers relatifs
R Ensemble des nombres réels
Im Image d’une application
ker Noyau d’une application linéaire
|.| Valeur absolue
k.kX Application norme sur l’ensemble X
⊕ La somme directe
P
Symbole de sommation
Q
Symbole du produit
◦ La composition des applications
∩ L’intersection
∪ L’union
6 = La non égalitïé
⊂ L’inclusion
∈ Appartenance
∈
/ non Appartenance
∀ Symbole universel "pour tout"
∃ Symbole universel "il existe"
u(k) Dérivée d’ordre k de u définie sur une partie de R
a|b a divise b
E(x) = [x] partie enti‘ere de x
PGCD plus grand commun diviseur
a∧b P GCD(a, b)
PPCM plus petit commun multiple
a∨b P P CM (a, b)
a ≡ b[N ] a est congru à b modulo N
an ...a0 b écriture en base b
n! factorielle de n : n! = 1 × 2 × ... × n
4
NOTATIONS
n!
Cnk coefficient binomial : Cnk = k!(n−k)!
ESATIC 5 UP Maths
INTRODUCTION
La Géométrie des Grecs (et l’Arithmétique) est (sont) l’origine arbitraire de notre
repère temporel, puis vint René Descartes qui, avec son système de repère et de coordon-
nées, a fait émergé l’algèbre de la géométrie et la géométrie de l’algèbre, le tout sous le
vocable de géométrie analytique ou d’algèbre linéaire quitte à se passer de l’intuition géo-
métrique immédiate. L’algèbre est la science des équations, cette science des équations
consiste à :
1. la recherche de l’ensemble des solutions d’équations
(avec le constat qu’il y a stabilité de cet ensemble moyennant certaines lois de
compositions internes ou externes, ce qui donnera le point 2.) ;
2. Structuration de l’ensemble des solutions d’équations, c’est-à-dire munir
Cet ensemble de loi de composition interne ou de loi de composition externe
(moyennant un ou des ensembles structurés) avec des propriétés avérées.
3. Etudier les applications entre des ensembles structurés de même type
Avec la propriété de la transparence des structures en présence, ces applications
sont appélées homomorphismes ;
4. Structuration de l’ensemble des homomorphismes.
Le nom de l’algèbre est lié au nom des équations auquelles on a affaire.
6
Chapitre 1
MATRICES
7
MATRICES
a14
a24
Ceci est la 2ème ligne : a21 a22 · · · a2q ; la 4ième colonne est : . .
..
ap4
• L’ensemble des matrices à n lignes et p colonnes à coefficients dans k est noté
Mn,p (k). Les éléments de Mn,p (R) sont appelés matrices réelles.
Exemple 1.1.1. Soit
1 2 3 4 5 6
7
−2 π 21
−9 −11 3
A= .
−3 −2 0 8 9 15
−4 75 − 13 −7π i 5+i
A est une matrice de type (4, 6).
1
Ici l’élément a14 = 4, a22 = π, a35 = 9, a33 = 0, a43 = − , a46 = 5 + i.
3
ESATIC 8 UP Maths
MATRICES
Exemple 1.2.2.
1
2
3
M =
4
5
6
est de type (6, 1)
0 0
A est la matrice nulle de type (3, 2).
Exemple 1.2.4.
1 4 38
A = −9 47 −2
0 1 3
4
est une matrice carrée d’ordre 3 et les éléments diagonaux sont : a11 = 1 ; a22 = ;
7
4
a33 = 3. Les éléments de la contre diagonale principale sont : a31 = 0 ; a22 = ;
7
8
a13 = .
3
ESATIC 9 UP Maths
MATRICES
Exemple 1.2.5.
1 0 0 " #
2 0
A1 = 0 0 0 ; A2 = .
0 −6
0 0 3
Exemple 1.2.6.
1 0 0 0
" # 1 0 0
1 0 0 1 0 0
I2 = , I3 = 0 1 0 , I4 = .
0 1 0 0 1 0
0 0 1
0 0 0 1
Exemple 1.2.7.
1 5 0 1
0 0 −4 0
A= .
0 0 1 −2
0 0 0 −3
Exemple 1.2.8.
1 0 0 0
0 7 0 0
B= .
5 −8 −1 0
−6 4 −1 −9
ESATIC 10 UP Maths
MATRICES
Exemple
1.2.9.
15 4 0 0 0
3 5 4 0 0 15 4 0
A= 0 1 5 4 0 où M =
3 5 4 ,
0 0 1 5 20 0 1 5
0 0 0 1 25
0 0 ! !
0 0 1 5 20
N = 0 0 , Q= et P = ‘
0 0 0 1 25
4 0
A0 = a0ij
1≤ i ≤ q
1≤ j ≤ p
où a0ij = aji .
La transposée de A est notée (t A) ; c’est la matrice dont les colonnes sont les lignes de A
et vice versa.
Exemple 1.2.10.
" # −1 4
−1 2 1 + i
Soit A = . On a (t A) = 2 −6 .
4 −6 −8
1 + i −8
ESATIC 11 UP Maths
MATRICES
Exemple"1.2.11. #
−1 2 1 + i
soit A = . On a :
4 −6 −8
" # " #
− (−1) −2 − (1 + i) 1 −2 − (1 + i)
(−A) = = .
−4 − (−6) − (−8) −4 6 8
Contre-exemple
1.3.1.
0 1 −8 0 1 −8
Soit A = −1 0 0 et B = −1 0 0 . On a A 6= B car
8 −1 0 8 0 0
a32 = −1 6= 0 = b32 .
Exemple 1.3.1.
−2 1 −8 −2 1 −8
A = 1 3 0 est une matrice symétrique, car (t A) = 1 3 0 = A.
−8 0 1 −8 0 1
Définition 1.3.3. Soit A ∈ Mn (K), si on a : (t A) = −A, on dit que A est une matrice
antisymétrique.
Exemple
1.3.2.
0 1 −8
A = −1 0 0 est une matrice antisymétrique, car
8 0 0
0 −1 8
t
( A) = 1 0 0 = −A
−8 0 0
ESATIC 12 UP Maths
MATRICES
Exemple 1.3.3. :
" # " #
2 −1 1−i 3 1 −1 + i
A= ; B= ,
−3 −1 + i 2 −3 1 i
" # " #
2+3 −1 + 1 1 − i + (−1 + i) 5 0 0
A+B = = .
−3 + (−3) −1 + i + 1 2+i −6 i 2 + i
Exemple 1.3.4.
! ! !
3 −2 0 5 3 3
Si A = et B= alors A+B = .
1 7 2 −1 3 6
!
−2
Par contre si B0 = alors A + B0 n’est pas définie.
8
On a ainsi une loi de composition interne : l’addition, qui fait de l’ensemble Mpq (K)
des matrices p × q un groupe commutatif. L’ élément neutre est la matrice dont tous les
coefficients aij sont nuls dite matrice nulle 0 . La matrice opposée à A = (aij ) est la
matrice (−A) de coefficients (−aij ).
ESATIC 13 UP Maths
MATRICES
(i) 1.A = A, pour tout élément A ∈ Mpq (K).1 étant l’élément neutre de (K∗ , ×).
(ii) α (βA) = (αβ) A, pour tout élément A ∈ Mpq (K), ∀α,β ∈ K.
(iii) α (A + B) = αA + αB, ∀α ∈ K, ∀A,B ∈ Mpq (K).
(iv) (α + β) A = αA + βA, ∀α,β ∈ K, pour tout élément A ∈ Mpq (K).
Ainsi l’addition qui fait de l’ensemble Mpq (K) des matrices de type (p, q) un groupe
commutatif en association avec la loi de composition externe (qui est la multiplicationon
par un scalaire, d’une matrice) vérifiant les propriétés sus-mentionnées fait de Mpq (K) un
K -espace vectoriel.
ESATIC 14 UP Maths
MATRICES
×
×
←B
×
×
|
|
A→ ← AB
× × × × − − − cij
Exemple 1.3.6.
! 1 2
1 2 3
A= B = −1 1
2 3 4
1 1
On dispose d’abord le produit correctement (à gauche) : la matrice obtenue est de
taille 2 × 2. Puis on calcule chacun des coefficients, en commençant par le premier coef-
ficient c11 = 1 × 1 + 2 × (−1) + 3 × 1 = 2 (au milieu), puis les autres (à droite).
1 2 1 2 1 2
−1 1 −1 1 −1 1
! 1 1! ! 1 1! ! 1 1!
1 2 3 c11 c12 1 2 3 2 c12 1 2 3 2 7
2 3 4 c21 c22 2 3 4 c21 c22 2 3 4 3 11
Remarque 1.3.6. Un exemple intéressant est le produit d’un vecteur ligne par un vecteur
colonne :
b1
b2
u = a1 a2 · · · an v= ..
.
bn
Alors u × v est une matrice de taille 1 × 1 dont l’unique coefficient est a1 b1 + a2 b2 + · · · +
an bn . Ce nombre s’appelle le produit scalaire des vecteurs u et v. Calculer le coefficient
ESATIC 15 UP Maths
MATRICES
cij dans le produit A × B revient donc à calculer le produit scalaire des vecteurs formés
par la i-ème ligne de A et la j-ème colonne de B.
−1 × 3 + 3 × 1 −1 × (−1) + 3 × (−3) −1 × 2 + 3 × 4 −1 × 1 + 3 × 7
A × B = AB = −4 × 3 + 1 × 1 −4 × (−1) + 1 × (−3) −4 × 2 + 1 × 4 −4 × 1 + 1 × 7
2 −6 8 14
B × A n’est pas un produit possible car le nombre de colonnes de B égalant 4 n’est
pas égal au nombre de lignes de A qui est 3.
Remarque 1.3.7 (Premier piège à éviter). Le produit de matrices n’est pas commutatif
en général. En effet, il se peut que AB soit défini mais pas BA, ou que AB et BA soient
tous deux définis mais pas de la même taille. Mais même dans le cas où AB et BA sont
définis et de la même taille, on a en général AB 6= BA.
" # " #
1 −4 3 −4
Exemple 1.3.8. Soient A = et B =
−3 2 −3 0
" # " #
15 −4 15 −20
on a : AB = 6= = BA.
−15 12 −3 12
Ainsi le produit de matrices n’est pas commutatif.
ESATIC 16 UP Maths
MATRICES
Exemple 1.3.9.
! ! !
0 −1 2 −3 0 0
A= B= et AB = .
0 5 0 0 0 0
Exemple 1.3.10.
! ! ! !
0 −1 4 −1 2 5 −5 −4
A= B= C= et AB = AC = .
0 3 5 4 5 4 15 12
n!
n ≥ 1, n ∈ N, {kn = .
k! (n − k)!
2 ∀A ∈ Mn (K) avec A 6= 0Mn (K) , on a A0 = In .
ESATIC 17 UP Maths
MATRICES
ESATIC 18 UP Maths
MATRICES
Proposition 1.5.2. L’ensemble GLn (K) des matrices carrées d’ordre n inversibles est un
groupe multiplicatif appelé le groupe linéaire.
Définition 1.5.2. i) Deux matrices A, B ∈ Mpq (K) sont équivalentes s’ils existent
P ∈ Mp (K) inversible et Q ∈ Mq (K) inversible telle que A = P BQ ⇔
P −1 AQ−1 = B.
ii) Deux matrices A, B ∈ Mn (K) sont semblables s’il existe P ∈ Mn (K) inversible
telle que A = P −1 BP ⇔ P A = BP ⇔ P AP −1 = B ⇔ AP −1 = P −1 B ce qui
entrainera que tr (A) = tr (B).
5 2 4 7 1 0 0 0
Exemple 1.5.2. Soient A = 3 2 0 1 et R = 0 1 0 0
1 0 2 3 0 0 0 0
0 0 1 5 2 0
1 5 0
Soit P = 2 0 − 2 avec P = 3 2 1
−1 1 2 1 0 0
0 0 1 5 2 0 1 0 0
On constate que P P 0 = 21 0 − 25 3 2 1 = 0 1 0
−1 1 2 1 0 0 0 0 1
5 2 0 0 0 1 1 0 0
0 1 5
Aussi P P = 3 2 1 2 0 − 2 = 0 1 0
1 0 0 −1 1 2 0 0 1
−1 0
Donc P est P =P
inversible d’inverse
1 0 −2 −3 1 0 2 3
0 1 3 4 0 1 −3 −4
Soit Q = avec Q0 =
0 0 1 0 0 0 1 0
0 0 0 1 0 0 0 1
ESATIC 19 UP Maths
MATRICES
1 0 −2 −3 1 0 2 3 1 0 0 0
0 1 3 4 0 1 −3
−4 0 1 0 0
On constate que QQ0 = =
0 0 1 0 0 0 1 0 0 0 1 0
0 0 0 1 0 0 0 1 0 0 0 1
1 0 2 3 1 0 −2 −3 1 0 0 0
0 1 −3 −4 0 1 3 4 0
1 0 0
et Q0 Q = =
0 0 1 0 0 0 1 0 0 0 1 0
0 0 0 1 0 0 0 1 0 0 0 1
−1 0
Ainsi Q est inversible d’inverse Q = Q
1 0 −2 −3
0 0 1 5 2 4 7
1 5 0 1 3 4
Aussi P AQ = 2 0 − 2 3 2 0 1
0 0 1 0
−1 1 2 1 0 2 3
0 0 0 1
1 0 −2 −3
1 0 2 3
0 1 3 4
P AQ = 0 1 −3 −4
0 0 1 0
0 0 0 0
0 0 0 1
1 0 0 0
P AQ = 0 1 0 0 = R
0 0 0 0
P AQ = R.
On a bien P AQ = R avec P ∈ M3 (R) inversible, A ∈ M34 (R) et Q ∈ M4 (R)
inversible donc A et R sont équivalentes.
2 1 1 1 21 − 23
Exemple 1.5.3. Soient M = 2 3 2 et D = 0 12 3
2
1 1 2 0 − 32 11 2
3 1 1
1 0 1 4
− 2
− 4
0 1 1 1
avec P = 0 1 1 et P = −4 2 −4
1 1 1
−1 −2 1 4 2
4
3
1 0 1 4
− 12 − 14 1 0 0
On a : P P 0 = 0 1 1 − 14 12 − 14 = 0 1 0
1 1 1
−1 −2 1 0 0 1
4 2 4
3 1 1
4
− 2
− 4
1 0 1 1 0 0
Aussi P 0 P = − 14 12 − 14 0 1 1 = 0 1 0
1 1 1
4 2 4
−1 −2 1 0 0 1
−1 0
Ainsi P est inversible d’inverse P = P
On constate que :
ESATIC 20 UP Maths
MATRICES
3
4
− 12 − 14 2 1 1 1 0 1
P −1 M P = − 14 12 − 14 2 3 2 0 1 1
1 1 1
1 1 2 −1 −2 1
4 2 4
1 3
1 2 −2
−1
P M P = 0 12 3
= D.
2
3 11
0 −2 2
donc M et D sont sont semblables.
Remarque 1.5.1. Deux matrices semblables sont équivalentes.Mais deux matrices équi-
valentes ne sont pas nécessairement semblables, il suffit qu’elles ne soient pas carrées.
0 2
0 2
A = −4 1 . Evidemment on a A équivalente à A0 , ce qui se note : A ∼ A0 qui
0
−1 3
se lit A équivalente à A0 .
−1 3
Exemple 1.6.3. soit A = −4 1 faisons 4L2 , on a :
0 2
ESATIC 21 UP Maths
MATRICES
−1 3
A0 = −16 4 .
0 2
Evidemment on a A équivalente à A0 , ce qui se note : A ∼ A0
qui se lit A équivalente à A0 .
Définition 1.6.2. Les matrices Eij ∈ Mpq (K) tels que aij = 1 et ars = 0, si r 6= i ou
s 6= j, sont les matrices élé mentaires de Mpq (K).X
Soit A = (aij ) ∈ Mpq (K),on a A = aij Eij .
1≤ i ≤ p
1≤ j ≤ q 1≤ i ≤ p
1≤ j ≤ q
0 0
0 0 0 0 0 0
Exemple 1.6.4. E23 = 0 0 1 0 ∈ M34 (R), E42 = ∈ M42 (R)
0 0
0 0 0 0
0 1
a11 a12
Soit A = a21 a22 . On a :
a31 a32
a11 0 0 a12 0 0 0 0 0 0 0 0
A = 0 0 + 0 0 + a21 0 + 0 a22 + 0 0 + 0 0
0 0 0 0 0 0 0 0 a31 0 0 a32
1 0 0 1 0 0 0 0 0 0
= a11 0 0 + a12 0 0 + a21 1 0 + a22 0 1 + a31 0 0 +
0 0 0 0 0 0 0 0 1 0
0 0
a32 0 0
0 1
= a11 E11 + a12 E12 + a21 E21 + a22 E22 + a31 E31 + a32 E32
X
= aij Eij ∈ M32 (R)
1≤ i ≤ 3
1≤ j ≤ 2
ESATIC 22 UP Maths
MATRICES
X
Soit A = (aij ) ∈ Mpq (K), alors A = aij Eij , et ∀Ekl ∈ Mp (K),
1≤ i ≤ p
1≤ j ≤ q 1≤ i ≤ p
1≤ j ≤ q
X X
Ekl .A = aij Ekl Eij = aij δli Ekj
1≤ i ≤ p 1≤ i ≤ p
1≤ j ≤ q 1≤ j ≤ q
X 0
= alj Ekj = al1 al2 · · · al(q−1) alq
1≤ j ≤ q
←− k ième ligne
0
de là, on comprend ce qui suit : Soit A ∈ Mpq (K). On appelle opérations él émentaires
sur A l’un des produits suivants :
1 a Soit r 6= s, A (Iq + λErs ), Ers ∈ Mq (K), c’est ajouter à la colonne s de A le
produit par un élément λ de K∗ de la colonne r, on parle de transvection sur
les colonnes de A.
b Soit r 6= s, (Ip + λErs ) A, Ers ∈ Mp (K), c’est ajouter à la ligne r de A le
produit par un élément λ de K∗ de la ligne s, on parle de transvection sur les
lignes de A.
2 a Soit r 6= s, (Ip − Err − Ess + Ers + Esr ) A, Err , Ess , Ers , Esr ∈ Mp (K),
c’est permuter les lignes r et s de A.
b Soit r 6= s, A (Iq − Err − Ess + Ers + Esr ), Err , Ess , Ers , Esr ∈ Mq (K),
c’est permuter les colonnes r et s de A.
3 a (Ip + (λ − 1) Err ) A, Err ∈ Mp (K), c’est multiplier la ligne r de A par un
élément λ de K∗ : on parle de dilatation ou d’affinité sur A.
b A (Iq + (λ − 1) Err ), Err ∈ Mq (K), c’est multiplier la colonne r de A par un
élément λ de K∗ : on parle de dilatation ou d’affinité sur A.
Pratiquement, cela se fait aisément en augmentant la matrice A par la matrice identité
de même nombre de lignes que A, à la suite de la dernière colonne de A, quand l’on
ESATIC 23 UP Maths
MATRICES
effectue des opérations élémentaires sur les lignes, à la fin des opérations sur les lignes,
on obtient à la place de la matrice identité, la matrice L par laquelle, il faudra multiplier
par A, comme suit :
L.A pour avoir la transformation obtenue de A.
En ce qui concerne les opérations sur les colonnes, on augmente la matrice A par la
matrice identité de même nombre de colonnes que A, à la suite de la derniè re ligne de
A, à la fin des opérations sur les colonnes, on obtient à la place de la matrice identité, la
matrice C par laquelle, il faudra multiplier par A , comme suit :
AC pour avoir la transformation obtenue de A.
Remarque 1.7.1. Les matrices L et C supra, sont dites matrices produit de matrices
d’opé rations élémentaires sur A.
Définition 1.7.2. Toute matrice par laquelle, on multiplie une matrice A pour obténir une
matrice semblable à A est une matrice produit de matrices d’opérations élé mentaires sur
A.
Proposition 1.7.2. Toute matrice carrée inversible est le produit de matrices d’opérations
élé mentaires.
Démonstration. il suffit de se souvenir que toute matrice A carrée inversible est é qui-
valente à la matrice identité de même ordre que A, moyennant des opérations élé men-
taires.
ESATIC 24 UP Maths
MATRICES
où r ≤ inf (p, q), Ir est la matrice unité d’ordre r et 0st est la matrice identiquement
nulle avec s lignes et t colonnes. R est la matrice échélonnée réduite de A. On appelle
l’entier r le rang de la matrice A et il se note rg (A) = r = rg (t A).
1 0 2 3
des opérations élémentaires sur les lignes de A en augmentant A de la matrice identité
de même nombre de lignes que A, à la suite de la dernière colonne de A. Et on fait les
opérations
élémentaires sur lamatrice
augmentée. Ainsi d’entrée, on a :
5 2 4 7 1 0 0 1 52 4
5
7
5
1
5
0 0 1
L
5 1
12 16
3 2 0 1 0 1 0 ∼ 0 5 − 5 − 5 − 5 1 0 L2 − 35 L1 ∼
4 3
1 0 2 3 0 0 1 0 − 25 6
5
8
5
− 15 0 1 L3 − 15 L1
| {z }| {z }
A I3
1 1
1 0 2 3 2
− 2
0 L1 − 12 L2
0 1 −3 −4 − 34 5
0 5
L
4 4 2
1 1
0 0 0 0 −2 2
1 L3 + 12 L2
| {z }| {z }
R0 P
Evaluons
:
1
2
− 12 0 5 2 4 7 1 0 2 3
P A = − 34 54 0 3 2 0 1 = 0 1 −3 −4 .
− 12 12 1 1 0 2 3 0 0 0 0
0
On a donc : P A = R .
R0 est dite matrice échélonnée à lignes canoniques de A.
ESATIC 25 UP Maths
MATRICES
3 Quand on veut travailler avec deux éléments d’une même colonne, il faut opé rer
avec les lignes.
4 4.On peut d’or et déjà compter le nombre de lignes non nulles de R0 (parce qu’on
a travaillé sur les lignes), et ce nombre est égal au rang de A. Il en serait de même
si on avait travaillé sur les colonnes.
Suite de ce qui précède. On continue les opérations élémentaires sur les colonnes cette
fois-ci, en augmentant R0 à la suite de sa troisième ligne par la matrice identité de même
nombre de colonnes que R0 , c’est-à-dire : C3 − 2C1 C4 − 3C1 C3 + 3C2 C4 + 4C2
1 0 2 3 1 0 0 0 1 0 0 0
0 1 −3 −4 0 1 −3 −4 0 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0
∼ ∼ 1 0 −2 −3 .
1 0 −2 −3
1 0 0 0
0 1 0 0 0 1 0 0 0 1 3 4
0 0 1 0 0 0 1 0 0 0 1 0
0 0 0 1 0 0 0 1 0 0 0 1
1 0 −2 −3
1 0 0 0 0 1 3 4
Ici on a : R = 0 1 0 0 et on pose Q = .
0 0 1 0
0 0 0 0
0 0 0 1
Evaluons :
1 0 −2 −3
1 1
2
−2 0 5 2 4 7
3 5 0 1 3 4
P AQ = − 4 4 0 3 2 0 1
1 1
0 0 1 0
−2 2 1 1 0 2 3
0 0 0 1
1 0 −2 −3
1 0 2 3 1 0 0 0
0 1 3 4
P AQ = 0 1 −3 −4 = 0 1 0 0 Donc P AQ =
0 0 1 0
0 0 0 0 0 0 0 0
0 0 0 1
1 0 −2 −3 1 0 2 3
0 1 3 4 0 1 −3 −4
0
R. Ainsi ayant Q = , avec Q =
0 0 1 0 0 0 1 0
0 0 0 1 0 0 0 1
1 0 −2 −3 1 0 2 3 1 0 0 0
0 1 3 4 0 1 −3 −4 0 1
0 0
on a : QQ0 = =
0 0 1 0 0 0 1 0 0 0 1 0
0 0 0 1 0 0 0 1 0 0 0 1
ESATIC 26 UP Maths
MATRICES
1 0 2 3 1 0 −2 −3 1 0 0 0
0 1 −3 −4 0 1 3 4 0 1 0 0
de même Q0 Q = = .
0 0 1 0 0 0 1 0 0 0 1 0
0 0 0 1 0 0 0 1 0 0 0 1
−1 0
Donc Q est inversible d’inverse
Q = Q .
1 1
2
− 2
0 5 2 0
Ayant P = − 34 54 0 , avec P 0 = 3 2 0
− 12 12 1 1 0 1
on a :
1 1
2
− 2
0 5 2 0 1 0 0
P P 0 = − 34 54 0 3 2 0 = 0 1 0
− 21 12 1 1 0 1 0 0 1
1 1
5 2 0 2
− 2
0 1 0 0
de même P 0 P = 3 2 0 − 34 54 0 = 0 1 0 Donc P est inver-
1 0 1 − 12 12 1 0 0 1
−1 0
sible d’inverse P = P . Comme on a : P AQ = R et que P et Q sont des matrices
carrées inversibles d’ordre respectif 3 et 4 on a bien A est équivalente à R et le rang de
A est 2.
Proposition 1.8.2. Deux matrices sont équivalentes ssi elles ont le même rang.
Démonstration. Soient A, B ∈ Mpq (K) de même rang, alors ils existent P1 , P2 ∈ GLP (K)
et Q1 , Q2 ∈ GLq (K) telles que P1 AQ1 = R = P2 BQ2 ⇐⇒ P2−1 P1 AQ1 Q−1 2 = B avec
−1 −1
P2 P1 ∈ GLP (K) et Q1 Q2 ∈ GLq (K), ce qui veut dire que A et B sont semblables.
GLP (K) est l’ensemble des matrices carrées d’ordre p inversibles. R est une matrice de la
nature que la matrice R de la proposition (ci-dessus) définissant le rang d’une matrice.
Proposition 1.8.3. Deux matrices carrées semblables, ont nécessairement la même trace
et le même rang.
" # " #
1 2 1 0
Remarque 1.8.3. Voici deux matrices carrées A = et B = , Le
− 12 −1 0 0
rang de A = le rang de B = 1, mais elles ne sont pas semblables car tr (A) = 0 6=
1 = tr (B), alors que si elles étaient semblables, elles devraient avoir nécessairement la
même trace.
ESATIC 27 UP Maths
Chapitre 2
CALCUL DE DÉTERMINANTS
Le déterminant est un simple scalaire (nombre) calculé à partir des éléments d’une
matrice carrée. Ce scalaire est nul si la matrice carrée en question est non inversible.
28
CALCUL DE DÉTERMINANTS
Ou
a11 a12 a13
det A = a21 a22 a23
a31 a32 a33
a11 a12 a13
a21 a22 a23
= (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 ) − (a31 a22 a13 + a32 a23 a11 + a33 a21 a12 )
Remarque 2.2.2. Pour tout aij élément de A matrice carrée, si (i + j) est paire Xij et
Cij sont égaux sinon ils sont opposés l’un à l’autre.
a11 a12 a13
Exemple 2.2.1. Soit A = a21 a22 a23
ESATIC 29 UP Maths
CALCUL DE DÉTERMINANTS
Methode
a32
a21 a23 a11 a13
det A = a12 × (−1)1+2 × + a22 × (−1)2+2 ×
a31 a33 a31 a33
a11 a13
+a32 × (−1)3+2 ×
a21 a23
= (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 )
− (a31 a22 a13 + a32 a23 a11 + a33 a21 a12 )
det A = a12 × C12 + a22 × C22 + a32 × C32 .
Exemples pratiques
−1 −2 3
Exemple 2.2.2. A = 3 0 1 ,
−1 4 5
−1 −2 3
det A = 3 0 1
−1 4 5
Développons suivant la 2ème ligne.
ESATIC 30 UP Maths
CALCUL DE DÉTERMINANTS
−2 3 −1 −2
det A = 3 × (−1)1+2 × + 1 × (−1)2+3 ×
4 5 −1 4
= −3 (−2 × 5 − 4 × 3) − 1 × (−1 × 4 − (−1) × (−2))
= −3 (−22) − (−6) = 72.
0 1 3 1
det A = (−1) × (−1)1+1 × + (−2) × (−1)1+2 ×
4 5 −1 5
3 0
+3 × (−1)1+3 ×
−1 4
= 72.
2 −2 0
Développons det B suivant la 1ère ligne :
0 0 −5
−4 −1
det B = −4 −1 2 = (−5) × (−1)1+3 ×
2 −2
2 −2 0
= −5 × (−4 × (−2) − (−1) × 2) = −50.
Développons det B suivant la 1ère colonne
0 0 −5
det B = −4 −1 2
2 −2 0
0 −5 0 −5
= (−4) × (−1)1+2 × + 2 × (−1)1+3 ×
−2 0 −1 2
= − (−4) × (0 × 0 − (−2) × (−5)) + 2 (0 × 2 − (−1) × (−5))
= −40 − 10
= −50
ESATIC 31 UP Maths
CALCUL DE DÉTERMINANTS
0 0 −5
det B = −4 −1 2
2 −2 0
0 −5 0 −5
= (−4) × (−1)1+2 × + (−1) × (−1)2+2 ×
−2 0 2 0
0 0
+2 × (−1)2+3 ×
2 −2
= (−4) (10) − (10) + 0
= −50
Remarque 2.2.3. (i) Quand l’on a choisi une ligne ou une colonne suivant laquelle
le calcul du déterminant d’une matrice sera développé,le déterminant est égal à
la somme des produits de chaque élément de ladite ligne ou colonne par son
cofacteur.
(ii) En choisissant une colonne ou une ligne où il y a plus de zéros , on a moins de
termes dans le développé.
(iii) Par cette méthode du développement suivant une ligne ou une colonne, on constate
que dans le déveppé l’ordre de la matrice dont on calcule le déterminant s’abaisse.
ESATIC 32 UP Maths
CALCUL DE DÉTERMINANTS
−1 0 2 0
−1 0 2
2 3 −1 4 2+4
det A = = 4 × (−1) × −3 2 −1
−3 2 −1 0
4 5 −1
4 5 −1 0
" #
−1 2 −1 2
= 4 2× −5×
4 −1 −3 −1
= 4 [2 (1 − 8) − 5 (1 + 6)]
= 4 (−14 − 35)
= 4 (−49)
= −196
Aussi det A avec le développement suivant la deuxième ligne de A sera bien long à
écrire en effet :
−1 0 2 0
2 3 −1 4
det A =
−3 2 −1 0
4 5 −1 0
0 2 0 −1 2 0
2+1 2+2
det A = 2 × (−1) × 2 −1 0 + 3 × (−1) × −3 −1 0
5 −1 0 4 −1 0
−1 0 0 −1 0 2
2+3 2+4
= + (−1) × (−1) × −3 2 0 + 4 × (−1) × −3 2 −1
4 5 0 4 5 −1
Remarque 2.3.1. Pour développer suivant les lignes ou les colonnes, il vaut mieux choisir
celles qui renferment le plus de zéros pour réduire le nombre de calculs.
ESATIC 33 UP Maths
CALCUL DE DÉTERMINANTS
−1 4 5 2 −2 0
−1 −2 3 0 0 −5 14 −4 1
on a : AB = 3 0 1 −4 −1 2 = 2 −2 −15
−1 4 5 2 −2 0 −6 −14 13
14 −4 1
det (AB) = 2 −2 −15 = −3600.
−6 −14 13
On sait aussi que det A = 72 et det B = −50 et det A × det B = 72 × (−50) = −3600.
On a bien det (AB) = det A × det B.
Propriété 2.4.2. (ii) ∀λ ∈ K, ∀A ∈ Mn (K), alors det (λA) = λordre(A) det A =
λn det A.
1 2 3 1 2 3
Exemple 2.4.2. det 2 0 3 −1 = 23 det 0 3 −1 .
0 0 −2 0 0 −2
Propriété 2.4.3. Le déterminant d’une matrice triangulaire, en particulier celui d’une
matrice diagonale, est égal au produit des éléments diagonaux (c’est-à-dire des éléments
de la diagonale principale). Par conséquent le déterminant d’une matrice unité est égale
à 1.
1 2 3
Exemple 2.4.3. A = 0 3 −1 ;
0 0 −2
1 2 3
det A = 0 3 −1 = 1 × 3 × (−2) = −6.
0 0 −2
2 0 0 0
0 3 0 0
B= ;
0 0 −1 0
0 0 0 −5
2 0 0 0
0 3 0 0
det B = = 2 × 3 × (−1) × (−5) = 30.
0 0 −1 0
0 0 0 −5
ESATIC 34 UP Maths
CALCUL DE DÉTERMINANTS
1 0 0 0
0 1 0 0
I4 =
0 0 1 0
0 0 0 1
1 0 0 0
0 1 0 0
det I4 = =1×1×1×1=1
0 0 1 0
0 0 0 1
Propriété 2.4.4. Le déterminant ne change pas quand on ajoute à une ligne une com-
binaison des autres lignes ; en particulier, on peut remplacer une ligne par la somme de
toutes les lignes ou encore ajouter à une ligne λ multiplié par une autre ligne où λ est un
scalaire non nul.
Remarque 2.4.2. Il est plus intéressant de faire des manipulations (légitimes) qui font
apparaître des zéros dans le déterminant afin d’en faciliter le calcul(voir supra).
Propriété 2.4.5. Le déterminant d’une matrice dont une ligne ou une colonne est for-
mée de zéros est un déterminant nul. Le déterminant d’une matrice dont une ligne (resp.
une colonne) est une combinaison des autres lignes (resp. des autres colonnes) est un
déterminant nul.Aussi si deux lignes(resp.deux colonnes) sont proportionnelles dans un
déterminant, le déterminant est nul.
−1 −2 3
Exemple 2.4.5. det A = 3 6 1 = 0, car la 2ème colonne est égale à deux fois
−1 −2 5
la 1ère colonne.
ESATIC 35 UP Maths
CALCUL DE DÉTERMINANTS
(ii) h i h i
det C1 C2 C3 · · · βCi · · · Cn = β det C1 C2 C3 · · · Ci · · · Cn ;
β∈K un corps.
L1 L1
L2 L2
L L
3 3
.
ou (ii)0 det .. = γ det ... ;
γLi Li
. .
.. ..
Ln Ln
γ ∈ K un corps.
2 a + b b2 2 a b2 2 b b2
Exemple 2.4.6. (i) a a − b2 b = a a b + a −b2 b
a2 a3 + b ab a2 a3 ab a2 b ab
avec a, b ∈ K un corps.
2 − b2 a + b b 2 + b 2 a b2 −b2 b b
0
(i ) a a b = a a b + a a b
a2 a3 ab a2 3
a ab a 2
a3 ab
avec a, b ∈ K un corps.
ESATIC 36 UP Maths
CALCUL DE DÉTERMINANTS
−1 −2 17 × 3 −1 −2 3
Exemple 2.4.7. (ii) det A = 3 0 17 × 1 = det A = 17 × 3 0 1
−3 0 17 × 11 −3 0 11
−23 × (−1) −23 × (−2) −23 × 3 −1 −2 3
0
(ii) 3 0 1 = (−23) × 3 0 1
−3 0 11 −3 0 11
Propriété 2.4.7. Le déterminant une forme alternée : cela signifie étant donnée A une
matrice carrée
d’oredre n à coeffients dans K, det A ∈ K, et avec
L1
L2
L3
..
.
h i
A = Li = C1 C2 C3 · · · Ci · · · Cj · · · Cn ; 1 ≤ i, j ≤ n.
.
..
Lj
.
.
.
Ln
L1 L1
L2 L2
L3 L3
.. ..
. .
h i
det A = det C1 C2 C3 · · · Ci · · · Cj · · · Cn = det Li = − det Lj
. ..
.. .
Lj Li
. ..
.
. .
Ln Ln
L1 L1
L2 L2
L3 L3
.. ..
. .
⇔ det j = − det Li = − det A
L
. .
.. ..
Li Lj
. .
. .
. .
Ln Ln
h i
det A = det C1 C2 C3 · · · Ci · · · Cj · · · Cn
ESATIC 37 UP Maths
CALCUL DE DÉTERMINANTS
h i
det A = − det C1 C2 C3 · · · Cj · · · Ci · · · Cn ⇔
h i
det C1 C2 C3 · · · Cj · · · Ci · · · Cn = − det A ; 1 ≤ i, j ≤ n.
Tout ceci signifie que lorsqu’on permute deux lignes (ou deux colonnes) dans un détermi-
nant le déterminant est changé en son opposé.
Exemple 2.4.8.
−1 −2 3 −1 −2 3
det A = 3 0 1 = 72, mais −3 0 11 = −72 = − det A
−3 0 11 3 0 1
ième ième
car j’ai permuté la 2 et la 3 lignes.
Propriété 2.4.8.
Remarque 2.4.3. 1 Lorsque deux matrices carrées sont semblables, elles ont né-
cessairement les mêmes trace, rang et déterminant. Mais cela ne suffit pas pour
être semblables.
2 Aussi est-il clair que deux matrices qui n’ont pas la même trace ou pas le même
rang ou pas le même déterminant, ne peuvent être semblables.
" # " #
1 2 0 1
Remarque 2.4.4. Voici deux matrices carrées A = ,B = ,
− 21 −1 0 0
On a le rang de A = au rang de B = 1, det (A) = det (B) = 0,
tr (A) = tr (B) = 0, mais A et B ne sont pas semblables car
ESATIC 38 UP Maths
CALCUL DE DÉTERMINANTS
" # " #
1 0 −2 1
Soit P = 1
,Q = , ce sont deux matrices inversibles et on a :
2
1 1 0
P AQ = B, donc A et B sont équivalentes, mais seraient semblables si P −1 = Q, alors
qu’avec " # " #
1 0 1 0
P× = × P = I2 , on a
− 12 1 − 12 1
" # " #
1 0 −2 1
P −1 = 6= Q = , donc on peut conclure que A et B ne sont
− 12 1 1 0
pas semblables, alors qu’elles ont le même rang, le même déterminant, et la même trace.
Définition 2.5.2. Etant données deux matrices A et B tel que AB = BA, on dit que A et
B commutent.
Proposition 2.5.1. Deux matrices qui commutent sont carrées de même ordre.
Théorème 2.5.1. Une matrice carrée A est inversible si et seulement si son dé terminant
est non nul. Si A est inversible, son inverse est unique. On la note A−1 et on a :
1
det A−1 = = (det A)−1 .
det A
" #
2 3
Exemple 2.5.2. A = , det A = −2 6= 0 donc A est inversible, avec B =
2 2
" #
−1 32
,
1 −1
" #" # " #
2 3 −1 32 1 0
on constate que : AB = =
2 2 1 −1 0 1
1 1 1
donc A−1 = B et det B = det A−1 = − = = .
2 (−2) det A
ESATIC 39 UP Maths
CALCUL DE DÉTERMINANTS
Proposition 2.5.2. Deux matrices A et B carrées de même ordre n tel que AB = In (ou
BA = In ) sont inversibles et d’inverse l’une de l’autre.
ESATIC 40 UP Maths
CALCUL DE DÉTERMINANTS
4 Evaluons (Im + AB)−1 +A (In + BA)−1 B = (Im + AB)−1 +(Im + AB)−1 AB,
d’après la question 3. De là, on a :
ESATIC 41 UP Maths
CALCUL DE DÉTERMINANTS
1 3 −2
Exemple 2.5.4 (Exemple pratique). A = 0 −1 3 . Notons A = (aij )1≤ i, j ≤ 3 .
−1 −5 6
−1 3 −1 3
Le cofacteur de a11 = 1 est C11 = (−1)1+1 × = 9, on a X11 =
−5 6 −5 6
1 −2
Le cofacteur de a32 = −5 est C32 = (−1)3+2 × = −3, on a
0 3
1 −2
X32 = . Ainsi de suite.
0 3
9 −3 −1
La comatrice de A est donc comA = −8 4 2 .
7 −3 −1
car A0 n’est rien d’autre que la matrice A dans laquelle la i-ième ligne est remplacer par
la k-iè me ligne, avec k 6= i, donc A0 a deux lignes identiques : la i-ième ligne et la k
-ième ligne, avec k 6= i, ainsi det (A0 ) développé suivant la i-ième ligne est :
En résumé, (
det (A) si i = k
on a : ak1 Ci1 + ak2 Ci2 + ... + akn Cin = .
0 si i 6= k
C11 C12 · · · C1n
C21 C22 · · · C2n
Considérons la matrice des cofacteurs com (A) = C = .. ...
.
.
Cn1 Cn2 · · · Cnn
ESATIC 42 UP Maths
CALCUL DE DÉTERMINANTS
a11 a12 · · · a1n C11 C21 · · · Cn1
a21 a22 · · · a2n C12 C22 · · · Cn2
t
Evaluons A. ( C) = .. ..
. .. ..
. .
. .
an1 an2 · · · ann C1n C2n · · · Cnn
det (A) 0 ··· 0
.. ..
0 det (A) . .
= .. ... ...
= det (A) In .
. 0
0 ··· 0 det (A)
t
car dans le produit A. ( C), l’élément
( de la i-ième ligne et de la j-ième colonne est :
det (A) si i = j
ai1 Cj1 + ai2 Cj2 + ... + ain Cjn = .
0 si i 6= j
On a (t C) .A = A. (t C) = det (A) In .
Proposition 2.5.3.
Théorème 2.5.2.
1 1
Si A est une matrice inversible alors A−1 = × com (t A) = × (t com (A))
det A det A
où (t A) désigne la transposée de A, com (t A) désigne la comatrice de la transposée
de A et (t com (A)) désigne la transposée de la comatrice de A.
Remarque 2.5.1.
det (Aij )
En somme, si A est inversible d’ordre n, (A−1 )ji = , où 1 ≤ i, j ≤ n et
det A
Aij est la matrice obtenue en supprimant la ligne i et la colonne j de A.
det (Aij ) det (Aji )
Aussi (A−1 )ji = ⇔ (A−1 )ij = avec 1 ≤ i, j ≤ n et
det A det A
Aji est la matrice obtenue en supprimant la ligne j et la colonne i de A.
Définition 2.5.4.
Remarque 2.5.2.
1
Soit une matrice inversible A, son inverse est notée A−1 6= qui n’existe pas.
A
ESATIC 43 UP Maths
CALCUL DE DÉTERMINANTS
1 0 −1
Exemple 2.5.5. Soit A = 3 −1 −5 , A est -elle inversible ?
−2 3 6
1 0 −1 0 0 −1
det A = 3 −1 −5 = −2 −1 −5 = 2, à la 1ère colonne, j’ai fait la 1ère
−2 3 6 4 3 6
ème
colonne plus la 3 colonne afin d’avoir plus de zéro dans mon déterminant pour ne pas
avoir beaucoup de termes à développer. Comme det A = 2 6= 0, alors A est inversible.
1 1
A−1 = × com (t A) = × (t com (A)).
det
A det
A
1 3 −2
(t A) = 0 −1 3 ,
−1 −5 6
9 −3 −1
com (t A) = −8 4 2 = (t com (A)).
7 −3 −1
9 −3 −1
9 −3 −1 2 2 2
1
A−1 = −8 4 2 −4 2 1 .
=
2 7 −3 −1
7 −3 −1 2 2 2
Proposition 2.6.2. Soit A = (aij ) 1≤ i ≤ n alors rgA est le plus grand entier naturel s
1≤ j ≤ m
qui est tel qu’on puisse extraire de A une matrice d’ordre s de dé terminant 6= 0 (avec
permutation des colonnes(resp. lignes) de A si necessaire).
!
2 0 5 −1 2 0
Exemple 2.6.1. A = , on a = 4 6= 0 comme 2 ≥ rgA, donc
1 2 3 1 1 2
rgA = 2.
ESATIC 44 UP Maths
Chapitre 3
45
RÉSOLUTION D’UN SYSTEME LINÉAIRE
Exemple 3.0.4.
Considérons le système linéaire
x1 + 7x3 = −1
(S) ⇐⇒ 2x1 − x2 + 5x3 = −5
−x1 − 3x2 − 9x3 = 7
Sa matriceassociée est
1 0 7
A = 2 −1 5 ;
−1 −3 −9
x1 −1
X = x2 ; B = −5 . Alors (S) ⇐⇒ AX = B
x3 7
Exemple 3.0.5.
Considérons le système linéaire homogène
x1 + 7x3 = 0
(S) ⇐⇒ 2x1 − x2 + 5x3 = 0
−x1 − 3x2 − 9x3 = 0
Sa matrice associée est
ESATIC 46 UP Maths
RÉSOLUTION D’UN SYSTEME LINÉAIRE
1 0 7
A = 2 −1 5 ;
−1 −3 −9
x1 0
X = x2 ; B = 0 . Alors (S) ⇐⇒ AX = B = 0M31 (R) .
x3 0
Définition 3.1.1. Nous obtenons la matrice augmentée associée au système (S) en ad-
joingnant à la dernière colonne de la matrice du système A une colonne constituée des bi ,
les seconds membres des équations de (S).
De là : La matrice augmentée associée au système (S) est alors :
a11 a12 · · · a1n b1
a21 a22 · · · a2n b2
.
. .. .. .. ..
.
. . . . .
am1 am2 ··· amn bm
−1 −3 −9 −5
La méthode de base pour résoudre un système d’équations linéaires est de remplacer
le système par un autre, plus simple, ayant le même ensemble de solutions.
Ceci se fait par une succession d’opérations, appelées opérations élémentaires : qui consiste
à : au choix
(1) multiplier une équation par une constante non nulle ;
(2) permuter deux équations ;
ESATIC 47 UP Maths
RÉSOLUTION D’UN SYSTEME LINÉAIRE
Exemple 3.1.2. Utilisons ces opérations élémentaires pour résoudre le système suivant.
x1 + x2 + 7x3 = −1
(S) ⇔ 2x1 − x2 + 5x3 = −5
−x1 − 3x2 − 9x3 = −5
−1 −3 −9 −5
en faisant des opérations élémentaires sur les lignes (que sur les lignes qui repré-
sentent
les équations) de la matrice
augmentée ; on a :
1 1 7 −1 1 1 7 −1
2 −1 5 −5 ≈ 0 −3 −9 −3 L2 − 2L1
−1 −3 −9 −5 0 −2 −2 −6 L + L1
3
1 1 7 −1 1 1 7 −1
1
≈ 0 1 3 1 − 3 L2 ≈ 0 1 3 1
0 1 1 3 −1L 0 0 −2 2 L − L2
2 3 3
1 0 4 −2 L1 − L2 1 0 0 2 L1 − 4L3
≈ 0 1 3 1 ≈ 0 1 0 4 L2 − 3L3 .
0 0 1 −1 − 12 L3 0 0 1 −1
1 0 0 x1 2
ce qui donne matriciellement : (S) ⇔ 0 1 0 x2 = 4 ⇔
0 0 1 x3 −1
x1 = 2
x2 = 4
x3 = −1
D’où SR3 = {(2, 4, −1)}. Nous remarquons que les opérations élémentaires peuvent
être faites uniquement sur la matrice augmentée pour revenir à la fin au système d’équa-
tions. C’est ce que nous avons fait. On obtient ainsi l’unique solution du système : x1 = 2,
ESATIC 48 UP Maths
RÉSOLUTION D’UN SYSTEME LINÉAIRE
x2 = 4 et x3 = −1.
Donc SR3 = {(2; 4; −1)}.
Remarque 3.1.1 (Remarque très importante). Quand on finit de résoudre une équation
ou un systéme d’équations, il faut toujours donné l’ensemble solution clairement.
Exemple 3.2.1.
x − 2y + z = 3
(Σ) ⇐⇒ 2x − y + z = 1
−x − y + z = 0
1 −2 1
La matrice associée à (Σ) est A = 2 −1 1
−1 −1 1
et det (A) =3 6= 0 ; c’est donc
un système de Cramer.
1 −1
0 3 3
−1
A = −1 32 13 ,
−1 1 1
x 3 0 13 −1 3
3 1
3
on a alors y = A−1 1 = −1 32 13 1 = −7 .
3
z 0 −1 1 1 0 −2
1 −7
Donc SR3 = ; ; −2 .
3 3
ESATIC 49 UP Maths
RÉSOLUTION D’UN SYSTEME LINÉAIRE
−1 −1 1
1 −2 1
∆ = det A = 2 −1 1
−1 −1 1
1 −2 −1
= 2 −1 0 = 3 (je rappelle que j’ai fait col3 + col2 )
−1 −1 0
3 −2 1 1 3 1
∆x = 1 −1 1 = 1 ; ∆y = 2 1 1 = −7 ;
0 −1 1 −1 0 1
1 −2 3
∆z = 2 −1 1 = −6 ;
−1 −1 0
∆x 1 ∆y −7 ∆z −6
x= = ;y= = ; z= = = −2
∆ 3 ∆ 3
∆ 3
1 −7
Donc SR3 = ; ; −2 .
3 3
ESATIC 50 UP Maths
RÉSOLUTION D’UN SYSTEME LINÉAIRE
Remarque 3.3.1.
ESATIC 51 UP Maths
RÉSOLUTION D’UN SYSTEME LINÉAIRE
(a) Si m = n
(un tel système est dit carré et l’on dit d’un système carré échelonné
qu’il est trigonal).
a11 x1 + a12 x2 + · · · +a1n xn = b1
a22 x2 + · · · +a2n xn = b2
... ..
.
a x =b
nn n n
Dans ce premier cas il est facile de résoudre le système lorsque tous
les termes diagonaux sont non nuls. on utilise
l’algorithme de la remontée :
bn
la dernière équation donne en effet la valeur xn = ,
ann
puis l’avant-dernière ligne donne la valeur
1
xn−1 = bn−1 − a(n−1)n xn et, plus généralement,
a(n−1)(n−1) !
n
1 X
on obtient : xk = bk − akj xj ,
akk j=k+1
ce qui permet de calculer les xk successifs par ordre décroissant de
l’indice k. Le système admet une unique solution, et cela quel que
puisse être le second membre.
Un système ayant cette propriété s’appelle un système de Cramer.
Si, au cours de cet algorithme, on trouve un coefficient diagonal nul
dans une ligne, par exemple la ligne k, alors on ne peut pas trouver
la valeur de xk .
La ligne correspondante introduit une condition de compatibilité.
Si cette condition n’est pas vérifiée, le système n’admet pas de solutions ;
si au contraire cette condition est vérifiée, toute solution de xk convient
et l’on peut poursuivre l’algorithme. Il y a alors une infinité de solutions,
paramétrées par la valeur de xk .
Cette situation peut d’ailleurs se rencontrer plusieurs fois au cours de
la remontée, induisant une discussion plus approfondie.
On voit par là l’intérêt des systèmes triangulaires dont les coefficients
diagonaux sont non nuls.
(b) Sim < n : on a :
a11 x1 + a12 x2 + · · · +a1n xn = b1
a22 x2 + · · · +a2n xn = b2
... .. .. .
. .
a x
mm m =bm
Dans ce cas, on fixe arbitrairement les valeurs des variables xm+1 à xn .
On est alors ramené au cas précédent, simple à résoudre lorsque tous
ESATIC 52 UP Maths
RÉSOLUTION D’UN SYSTEME LINÉAIRE
les coefficients diagonaux sont non nuls, nécessitant une discussion sinon.
(c) Si m > n :
a11 x1 + a12 x2 + · · · +a1n xn = b1
a22 x2 + · · · +a2n xn = b2
.. ..
..
.
. .
ann xn = bn .
0 = bn+1
.. ..
. .
0 = bm
Dans ce cas les dernières lignes donnent directement des conditions de
compatibilité.
Lorsqu’elles sont vérifiées, on se ramène au cas ci-dessus. D’où, là encore,
l’intérêt de l’obtention de coefficients diagonaux non nuls.
2x − y − z = 1 (E 1 ) 2x − y − z = 1
(E1 )
Exemple 3.4.1. Soit (S) ⇔ 3x + 4y − 2z = 0 (E2 ) ⇔ 6y − 6z = 1 (E2 − E3 )
3x − 2y + 4z = −1 (E3 ) y − 11z = 5 (3E1 − 2E3 )
1
2x − y − z = 1
(E1 ) ⇒ x = 10
19
⇔ 6y − 6z = 1 (E2 ) ⇒ y = − 60 .
29
−60z = 29 (6E3 − E2 ) ⇒ z = − 60
1 19 29
Donc SR3 = ;− ;− .
10 60 60
ESATIC 53 UP Maths
RÉSOLUTION D’UN SYSTEME LINÉAIRE
x1j 0
x2j
..
.
..
0
.
ème
A −→ seule la j
xjj = 1 coordonnée est égale à 1.
x(j+1)j 0
.. ..
.
.
xnj 0
:
1 1 1
Soit A = 1 −1 0 , montrer que A est inversible et calculer A−1 .
1 0 −1
Réponse
x1 y1
det A = 3 ; soit X = x2 ; Y = y2 ,
x3 y
3
1 1 1 x1 y1
(S) ⇔ AX = Y ⇐⇒ 1 −1 0 x2 = y2 ⇐⇒
1 0 −1 x3 y3
x1 + x2 + x3 = y1
(S) ⇔ x1 − x2 = y2 ⇐⇒
x − x3 = y3
1
1 1 1
x1 = 3 y1 + 3 y2 + 3 y3
(S 0 ) ⇔ x2 = 13 y1 − 23 y2 + 13 y3
x3 = 13 y1 + 13 y2 − 23 y3
0
associée à (S ) est l’inverse de A donc :
La matrice
1 1 1
3 3 3
A−1 = 1
− 23 1
.
3 3
1 1
3 3
− 23
ESATIC 54 UP Maths
Chapitre 4
ESPACES VECTORIELS
4.1 Introduction
→
− →
− − → →
−
Dans P l’ensemble des vecteurs du plan, on a : ∀→ −
u ,→
−
v ∈ P,→u +− v ∈P
→
−
(1) →
−
u + (→−v +→ −
w ) = (→−
u +→ −v)+→ −w , ∀→
−
u ,→
−v ,→
−w ∈ P.
− →
→ − →
− − → − →
− −
(2) Le vecteur 0 ∈ P vérifie : ∀→ −
u ∈ P,→ u + 0 = 0 +→ u =→−
u.
→
− →
− →
− →
− → − →
− →
− →
− →
−
(3) ∀ u ∈ P , on a : (− u ) ∈ P et u + (− u ) = (− u ) + u = 0 .
→
−
(4) →
−
u +→ −v =→ −v +→−u , ∀→
−u ,→−v ∈ P.
→
− − →
−
Aussi ∀α ∈ (R, +, ×), ∀→ −u ∈ P , α→ .u = α→−
u ∈ P avec :
→
−
(5) 1→
−u =→ −
u , ∀→−u ∈ P .(1 est l’élément neutre de (R, ×))
→
−
(6) α (β →
−
u ) = (α × β) → −u , ∀→
−u ∈ P , ∀α, β ∈ R.
→
−
(7) α (→
−u +→ −v ) = α→−
u + α→ −v , ∀α ∈ K, ∀→ −u ,→
−v ∈ P.
→
−
(8) (α + β) →−u = α→−
u + β→−u , ∀α, β ∈ R, ∀→−u ∈ P.
→
−
Ainsi on dit que P , +, . est un R-espace vectoriel.
55
ESPACES VECTORIELS
ESATIC 56 UP Maths
ESPACES VECTORIELS
ESATIC 57 UP Maths
ESPACES VECTORIELS
Remarque 4.3.1.
4.3.2 Exemples
a) Soit K = R ou C et n un entier naturel non nul.
ESATIC 58 UP Maths
ESPACES VECTORIELS
c) L’ensemble Mpq (K) des matrices de type (p, q) muni de l’addition est un groupe
commutatif en association avec la loi de composition externe
(qui est la multiplicationon par un scalaire complexe ou réel, d’une matrice)
fait de Mpq (K) un K-espace vectoriel avec K = C ou R.
Définition 4.3.1.
Soit une suite (x1 , x2 , ....., xn ) de n vecteurs d’un (K, +, ×)-espace vectoriel (E, +, .) ;
une combinaison linéaire
n
de cette suite est un élément de E de la forme :
X
y= αi xi = α1 x1 + α2 x2 + ..... + αn xn
i=1
où α1 , α2 , ....., αn sont des scalaires de K ce sont les coéfficients de
la combinaison linéaire.
Aussi une suite (x1 , x2 , ....., xn ) de n vecteurs d’un (K, ♥, ♣)-espace
vectoriel (E, ⊕, ⊗) ;une combinaison liné aire de cette suite est un élément
de E de la forme :
y = (α1 ⊗ x1 ) ⊕ (α2 ⊗ x2 ) ⊕ ..... ⊕ (αn ⊗ xn )
où α1 , α2 , ....., αn sont des scalaires de K ce sont les coéfficients de
la combinaison linéaire.
ESATIC 59 UP Maths
ESPACES VECTORIELS
Remarque 4.4.1. Tout sous-ensemble non vide F d’un K-espace vectoriel E qui est tel
que toute combinaison linéaire de ses éléments lui appartiennent est un sous-espace vec-
toriel de E.
ESATIC 60 UP Maths
ESPACES VECTORIELS
−1 2 −3 w 0 4 −4 w+u
1 2 −1 u
A ≈ 0 −2 2 v−u
0 0 0 w + u + 2 (v − u) ⇒ w + u + 2 (v − u) = ~0
w + u + 2 (v − u) = ~0 ⇔ w + u + 2 (v − u) = 2v − u + w = ~0 ; donc
la famille {u, v, w} est une famille liée et la relation de dé pendance
liant les vecteurs : u, v, w est : 2v − u + w = ~0.
2. u = (−1, 2, 5); v = (2,3, 4); w = (7, 0, −7).
−1 2 5 u −1 2 5 u
Soit B = 2 3 4 v ≈ 0 7 14 v + 2u
7 0 −7 w 0 14 28 w + 7u
−1 2 5 u
B ≈ 0 7 14 v + 2u
0 0 0 w + 7u − 2 (v + 2u) ⇒ w + 7u − 2 (v + 2u) = ~0
ESATIC 61 UP Maths
ESPACES VECTORIELS
Propriété 1
Pour qu’une suite de vecteurs x1 , x2 , ....., xn soit liée, il faut et il suffit
que l’un d’eux soit une combinaison linéaire des autres.
Théorème 1
Soit (x1 , x2 , ....., xn ) une suite de n vecteurs d’un espace vectoriel E.
Soit (y1 , y2 , ....., yn+1 ) une suite de (n + 1) combinaisons linéaires des
vecteurs x1 , x2 , ....., xn . Alors la (y1 , y2 , ....., yn+1 ) est liée.
Proposition 4.6.1.
Tout sous ensemble non vide d’un espace vectoriel E engendré par une famille de
vecteurs de E, est un sous-espace vectoriel de E , aussi tout sous-espace vectoriel
de E, est un sous ensemble de E engendré par une famille de vecteurs de E.
ESATIC 62 UP Maths
ESPACES VECTORIELS
Remarque 4.6.1.
a) Si E = {0E } , il n’y a pas de base ; on dit encore que E est de dimension nulle et
on pose dimE = 0.
b) Un K-espace vectoriel non nul de dimension finie, admet une infinité de bases.
Exemple 4.6.2. : ∀λ ∈ R∗ , ((λ, 0) ; (0, λ)) est une base du R-espace vectoriel R2 .
c) Dans un K-espace vectoriel de dimension finie n, toute famille de vecteurs
de E, de cardinal strictement inférieur à n, ne peut être génératrice, avec possibilité
d’indépendance linéaire.
d) Dans un K-espace vectoriel de dimension finie n, toute famille de vecteurs
de E, de cardinal strictement supérieur à n, ne peut être libre, avec possibilité
d’être génératrice.
e) Dans un K-espace vectoriel de dimension finie n, seule une famille de vecteurs
de E, de cardinal égal à n, peut être une base de E.
Exemples
ESATIC 63 UP Maths
ESPACES VECTORIELS
ESATIC 64 UP Maths
ESPACES VECTORIELS
Exemple 4.6.3. Soient V1 = (1, −6, 8), V2 = (0, −3, 11), V3 = (0, 0, −5) trois vecteurs
du R-espace
vectoriel R3 , et S = (V1 , V2 , V3 ).
Comme cardinal de (S) noté Card (S) = 3 = dim R3 alors on peut évaluer le
déterminant de S :
1 0 0 1 0 0
det (S) = −6 −3 0 = 15. Soit A = −6 −3 0 ,
8 11 −5 8 11 −5
t
on a det (S) = det A = det ( A).
On peut donc saisir les coordonnées des Vj en colonne ou en ligne.
Proposition 4.6.2. Soit S = (V1 , V2 , ...., Vn ) une suite de n vecteurs d’un K-espace vec-
toriel E de
dimension n. Soit une base β, de E,
a) Si detβ (S) 6= 0, alors la suite S est libre ou linéairement indépendante et comme
Card (S) = dim E, donc S est une base de E.
b) Si detβ (S) = 0, alors la suite S est liée ou liné airement dépendante.
ESATIC 65 UP Maths
ESPACES VECTORIELS
Proposition 4.7.1.
Remarque 4.7.1.
Définition 4.7.1.
Remarque 4.7.2.
ESATIC 66 UP Maths
ESPACES VECTORIELS
Si v1 , v2 , v3 ∈ E,
vect (v1 , v2 , v3 ) = {αv1 + βv2 + γv3 ; α, β, γ ∈ K} =< v1 , v2 , v3 >
c’est l’ensemble des combinaisons linéaires des vecteurs v1 , v2 , v3 .
Proposition 4.7.2.
Proposition 4.7.3.
Remarque 4.7.3.
Exercice 4.7.1. Préciser si les familles constituées des vecteurs suivants sont liés ou
libres.
1. u = (7, 12); v = (18, −13); w = (−4, 17)
2. u = (−1, 0, 2); v = (1, 3, 1); w = (0, 1, −1)
5 9
3. u = (15, −27, −6, 12); v = (− , , 1, −2).
2 2
Proposition de correction
1. u = (7, 12); v = (18, −13); w = (−4, 17)
La famille F = {u, v, w} ⊂ R2 et le CardF =3 > dim R2 = 2
donc la famille F est liée dans R2 .
0, 2); v = (1,3, 1); w= (0, 1, −1)
2. u = (−1,
−1 0 2 u −1 0 2 u
Soit A = 1 3 1 v ≈ 0 3 3 v + u
0 1 −1 w 0 1 −1 w
−1 0 2 u
A≈ 0 3 3 v+u délà on a bien :
0 0 6 −3w + (v + u)
−1 0 2
A ≈ 0 3 3 ⇒le rang de A : rg (A) = 3
0 0 6
ESATIC 67 UP Maths
ESPACES VECTORIELS
Remarque 4.7.4.
ESATIC 68 UP Maths
ESPACES VECTORIELS
ESATIC 69 UP Maths
Chapitre 5
APPLICATIONS LINÉAIRES
Remarque 5.1.1.
(i) et (ii) ⇐⇒ ∀x, y ∈ E, ∀α, β ∈ K, f ((α⊥x) > (β⊥y)) = (α♥f (x)) ∗ (β♥f (y))
(i) et (ii) ⇐⇒ ∀x, y ∈ E, ∀α ∈ K, f ((α⊥x) >y) = (α♥f (x)) ∗ f (y).
Définition 5.1.2 (Application linéaire). Soient (E, +, .) et (F, +, .) deux K -espaces vec-
toriels et f : E → F une application de E dans F . On dit que f est une application
linéaire si elle possède les deux propriétés suivantes :
(1) ∀x ∈ E, ∀y ∈ E , f (x + y) = f (x) + f (y).
(2) ∀x ∈ E, ∀α ∈ K, f (αx) = αf (x).
Remarque 5.1.2. Une application f entre deux K -espaces vectoriels E et F est linéaire
ssi les expressions images de f (x), pour x ∈ E, sont linéaires par rapport aux
coordonnées de x ∈ E, moyennant une base sur E .
70
APPLICATIONS LINÉAIRES
Exemple 5.1.2. Soit f : R2 −→ R2 , (x, y) 7−→ (2x + y, 0) est une application linéaire
de R2 dans R2 .
Exemple 5.1.3. Soit g : R2 −→ R2 , (x, y) 7−→ (4, x − 9y) n’est pas une application
linéaire de R2 dans R2 , car g (0, 0) = (4, 0) 6= (0, 0) vecteur nul de R2 .
Définition 5.1.3 ( noyau d’une application linéaire). Le noyau d’une application li-
néaire f : E → F est l’ensemble des vecteurs x ∈ E tels que f (x) = 0. Il est noté Ker
f. D’où Ker f = {x ∈ E; f (x) = 0F }.
Définition 5.1.4 (de l’image d’une application linéaire). L’image d’une application li-
néaire f : E → F est l’ensemble image de E par l’application f , c’est-à-dire l’ensemble
des vecteurs appartenant à F tels qu’il existe au moins un vecteur x ∈ E avec f (x) = y.
On la note f (E) ou encore ImIm f .
ImIm f = {y ∈ F , ∃x ∈ E ; f (x) = y} = { f (x) ; x ∈ E} = f (E).
ESATIC 71 UP Maths
APPLICATIONS LINÉAIRES
Lemme 5.1.3. Soit (x1 , x2 , ....., xn ) une suite libre de vecteurs de E et une
application linéaire f : E → F injective. Alors (f (x1 ) , f (x2 ) , ....., f (xn ))
est une suite libre dans F .
ESATIC 72 UP Maths
APPLICATIONS LINÉAIRES
Exemples
ESATIC 73 UP Maths
APPLICATIONS LINÉAIRES
ESATIC 74 UP Maths
APPLICATIONS LINÉAIRES
Problème
La construction de l’espace vectoriel quotient de E par F donne une solution
au problème suivant : étant donné un K-espace vectoriel E et un sous-espace
vectoriel F , trouver un espace vectoriel E 0 sur K et une application linéaire surjective
f : E → E 0 dont le noyau est F . Lorsque E est de dimension finie, on obtient
aisément une solution du problème de la façon suivante : prenant un sous-espace
supplémentaire G de F dans E ; la projection p : E → G de E sur G
parallèlement à F est une application linéaire surjective de noyau F .
ESATIC 75 UP Maths
APPLICATIONS LINÉAIRES
ESATIC 76 UP Maths
APPLICATIONS LINÉAIRES
a1j
a2j
ème
dont la j colonne (j = 1, 2, ..., p) est constitué e par les coordonnées ..
.
aqj
0
du vecteur f (ej ) par rapport à la base β . C’est pourquoi nous avons écrit f (e1 )
au dessus de la première colonne, ...., f (ep ) au-dessus de la pième colonne.
Lorsque E = F , l’application linéaire f est un endomorphisme de E et nous
pouvons choisir β = β 0 . La matrice Mββ (f ) s’appelle la matrice de
l’endomorphisme relativement à la base β de E.
λ −1 −2
Démonstration. :
Moyennant β = (e1 , ..., ep ) et β 0 = (t1 , ..., tq ) respectivement sur E et F deux
K-espaces vectoriels de dimensions respectives p et q, il y a isomorphisme entre
E et Kp et isomorphisme entre F et Kq .
ESATIC 77 UP Maths
APPLICATIONS LINÉAIRES
x1
.
Ainsi ∀x ∈ E, ∃!xβ = .. ∈ Kp matrice colonne qui représente
xp
les coordonnées du vecteur x ∈ E dans la base β de sorte que
p
X
β
symboliquement : x = β × x = xi ei .
i=1
F c’est-à-dire
Il sera de même de :
y1
β0 ..
∀y ∈ F , ∃!y = . ∈ Kq matrice colonne qui représente
yq
les coordonnées du vecteur y ∈ F dans la base β 0 de sorte que
q
X
0 β0
symboliquement : y = β × y = yi ti .
i=1
De là l’application linéaire f : (E, β) −→ (F, β 0 ) peut être définie comme suit :
a) f (x) = y on n’a pas utilisé les bases en présence.
0
b) f xβ = y β on a utilisé les bases en présence, ce qui permettra de déterminée
0
f à la donnée de Mβ 0 β (f ) en posant : f xβ = Mβ 0 β (f ) × xβ = (f (x))β 0 = y β .
Avec les données de f , β et β 0 on a naturellement Mβ 0 β (f ).
Remarque 5.4.2. 1◦ ) Les espaces vectoriels LK (E, F ) et Mqp (K) sont isomorphes mais
cet isomorphisme dépend des bases β et β 0 choisies dans E et F .
On devrait le noter : Mβ 0 β : LK (E, F ) → Mqp (K).
Il est déterminé par le choix de ces bases.
2◦ ) Il résulte de la proposition 1 qu’une matrice q × p quelconque dont les
coefficients appartiennent à un corps K peut toujours être considé rée comme
la matrice d’une application linéaire d’un espace vectoriel E de dimension p
sur K dans un espace vectoriel F de dimension q sur K,
par exemple de E = Kp dans F = Kq .
ESATIC 78 UP Maths
APPLICATIONS LINÉAIRES
Proposition 5.4.4. Soient β = (e1 , ..., en ) , β 0 = e01 , ..., e0n deux bases de E, u ∈
LK (E ),
P = Pββ 0 = M atββ 0 (IdE ), A = M at (u, β) = M atββ (u),
A0 = M at (u, B 0 ) = M atβ 0 β 0 (u)
= M atβ 0 β 0 (IdE ◦ u ◦ IdE ) = M atβ 0 β (IdE ) × M atββ (u) × M atββ 0 (IdE ).,
or M atβ 0 β (IdE ) = (M atββ 0 (IdE ))−1 , donc :
A0 = P −1 AP ⇔ A = P A0 P −1 .
ESATIC 79 UP Maths
APPLICATIONS LINÉAIRES
0 1 1 0 0 0 0 0
0 0 1 0 0 0 1 1
Exercice 5.4.1. Montrer que les matrices A = et B =
0 0 0 0 0 0 0 1
0 0 0 0 0 0 0 0
sont
semblables.
Proposition de solution
La solution revient à trouver quatre vecteurs v1 , v2 , v3 , v4 ∈ R4 tel que :
Av1 = 0, Av2 = 0, Av3 = v2 , Av4 = v2 + v3 et det (v1 , v2 , v3 , v4 ) 6= 0.
Dès lors ;
Av1 = 0, je propose dans β la base canonique de R4 , v1 = (0, 0, 0, 1)
Av2 = 0, je propose dans β la base canonique de R4 , v2 = (1, 0, 0, 0)
Av3 = v2 , je propose dans β la base canonique de R4 , v3 = (0, 1, 0, 0)
Av4 = v2 + v3 , je propose dans β la base canonique de R4 , v4 = (0, 0, 1, 0).
0 1 0 0
0 0 1 0
Soit γ = {v1 , v2 , v3 , v4 }, on a det γ = = −1 6= 0.
0 0 0 1
1 0 0 0
0 1 0 0
0 0 1 0
De là soit P = Ppass(β à γ) = Pβγ = , alors on a :
0 0 0 1
1 0 0 0
−1
B = P AP ⇐⇒ A et B sont semblables.
Remarque 5.4.3. Soit x ∈ E, soient β = (e1 , ..., en ), β 0 = e01 , ..., e0n deux bases de E,
symboliquement on notera :
β 0
= β × x et β = βPββ 0 ici β est considérée comme une matrice uniligne :
x
e1 e2 · · · en et β 0 est considérée comme une matrice uniligne :
0 0 0
e1 e2 · · · en .
Aussi on a : (e0i )β = Pββ 0 (ei )β , ∀i ∈ {1, 2, ..., n}, (e0i )β et (ei )β sont les
coordonnées de e0i et ei dans la base β = (e1 , ..., en ).
0 0 0
Proposition 5.4.6. Soient β = (e
1 , ..., e n ) , β = e1
, ..., e n deux bases de E.
x1
x2
β
Soit x ∈ E, et x = .
= les coordonnées de x dans la base β.
..
xn
ESATIC 80 UP Maths
APPLICATIONS LINÉAIRES
x01
x02
β0
et x = .. = les coordonnées de x dans la base β 0
.
x0n
0 0
alors xβ = (Pββ 0 = P ) × xβ ⇔ xβ = (Pβ 0 β = P −1 ) × xβ .
Exemple 5.4.2. Soient V1 = (1, −6, 8), V2 = (0, −3, 11), V3 = (0, 0, −5) trois vecteurs
du R-espace
vectoriel R3 , et S = (V1 , V2 , V3 ).
Comme cardinal de (S) noté Card (S) = 3 = dim R3 alors on peut évaluer le
déterminant de S :
1 0 0 1 0 0
det (S) = −6 −3 0 = 15. Soit A = −6 −3 0 ,
8 11 −5 8 11 −5
t
on a det (S) = det A = det ( A).
On peut donc saisir les coordonnées des Vj en colonne ou en ligne.
Proposition 5.4.7. Soit S = (V1 , V2 , ...., Vn ) une suite de n vecteurs d’un K-espace vec-
toriel E de
dimension n. Soit une base β, de E,
a) Si detβ (S) 6= 0, alors la suite S est libre ou linéairement indépendante et comme
Card (S) = dim E, donc S est une base de E.
b) Si detβ (S) = 0, alors la suite S est liée ou liné airement dépendante.
Remarque 5.4.4. Soient deux bases β = (e1 , e2 , ..., en ) et β 0 = (t1 , t2 , ..., tn ) d’un K-
espace vectoriel E
de dimension
n.
Pββ 0 = t1 tβ2 · · · tβn où tβj constituent la j ième colonne avec les coordonnées
β
de
tj dans la base β. ∀1 ≤ j ≤ n,
ESATIC 81 UP Maths
APPLICATIONS LINÉAIRES
et det (Pββ 0 ) = detβ (β 0 ) = tβ1 tβ2 · · · tβn . Je rappelle que Pββ 0 est la matrice
de
passage de la base β à la base β 0 .
Proposition 5.4.8. Soit S = (V1 , V2 , ...., Vn ) une suite de n vecteurs d’un K-espace vec-
toriel E de
dimension n. Soit deux base β, β 0 de E, alors :
detβ (S) = V1β V2β · · · Vnβ = detβ (β 0 ) × detβ 0 (S)
0 0 0
= tβ1 tβ2 · · · tβn × V1β V2β · · · Vnβ
detβ (S) = det (Pββ 0 ) × detβ 0 (S).
0 2 −2
2
Soit Xβ0 = −3 les coordonnées d’un vecteur x1 dans la base β0 .
−4
1. Calculer f (x1 ) dans la base β0 .
2. Soient u1 = e1 + e2 + e3 , u2 = e1 + 3e2 + 2e3 , u3 = e1 + 2e2 + e3 .
ESATIC 82 UP Maths
APPLICATIONS LINÉAIRES
−4 2
2.
a) Avec β = (u1 , u2 , u3 ) ⊂ R3 et Card (β) = 3 = dim R3 ,
1 1 1
on va calculer det (β) = 1 3 2 = −1 6= 0, donc β est une base de R3 .
1 2 1
b) La matricede passageP de la base β0 à la base β est :
1 1 1
P = Pβ 0 β = 1 3 2
1 2 1
c) La matrice de passage P 0 de la base β à la base
β0 est :
1 −1 1
0 −1 −1
P = Pββ0 = (Pβ0 β ) = P = −1 0 1 .
1 1 −2
1
d) On a Xβ = Pββ0 × Xβ0 = −6 d’une façon
7
l’autre
façon serait
par exemple de noter que
2
Xβ0 = −3 = au1 + bu2 + cu3
−4
1 1 1
Xβ0 = a 1 + b 3 + c 2 et en résolvant le
1 2 1
système on trouve bien a =1, b = −6, c = 7.
0 0 0
−1
e) On a : D = P AP = 0 1 0 d’une façon
0 0 2
ESATIC 83 UP Maths
APPLICATIONS LINÉAIRES
1 2 1
1 1 1
(S2 ) ⇔ (f (u2 ))β0 = a0 u1 + b0 u2 + c0 u3 = a 1 + b 3 + c 2 ,
1 2 1
1 1 1
00 00 00
(S3 ) ⇔ (f (u3 ))β0 = a u1 + b u2 + c u3 = a 1 + b 3 + c 2 ,
1 2 1
je rappelle queles (Si ) pouri = 1, 2, 3, sont des
systèmes à résoudre.
0 00
a a a 0 0 0
0 00
Et alors D = b b b = 0 1 0 .
c c0 c00 0 0 2
0 0 0 1 0
f) (f (x1 ))β = M at (f, β, β) Xβ = DXβ = 0 1 0 −6 = −6 .
0 0 2 7 14
Pour la deuxième façon, on rappelle qu’à la question 1. on a calculer
f (x1 ) dans labase β0 , de là on fait la mise ené quation
suivante
:
8 1 1 1
(f (x1 ))β0 = 10 = au1 + bu2 + cu3 = a 1 + b 3 + c 2
2 1 2 1
en résolvant le système ci-dessus, on trouve bien a = 0, b = −6, c = 14.
A2 = P D2 P −1
A3 = P D3 P −1
−1 −1
g) On a D = P AP ⇐⇒ A = P DP ⇒ .
A4 = P D4 P −1
A = P Dn P −1 , n ∈ N
n
Il fautsavoir que
0 0 0 0 0 0 0 0 0
D = 0 1 0 ⇒ Dn = 0 1n 0 = 0 1 0 , n ∈ N.
0 0 2 0 0 2n 0 0 2n
1 1 1 0 0 0 1 −1 1
n n −1
Ainsi : n ∈ N, A = P D P = 1 3 2 0 1 0 −1 0 1
1 2 1 0 0 2n 1 1 −2
n n n+1
2 −1 2 1−2
n n+1 n+1
A = 2 −3 2 3 − 2n+2 .
2n − 2 2n 2 − 2n+1
ESATIC 84 UP Maths
Chapitre 6
TRAVAUX DIRIGÉS
Exercice 6.1.2.
On considère lamatrice
−1 1 1
A = −1 −1 0
1 0 −1
1. Calculer (A + I3 )3 où I3 désigne la matrice unité de M3 (R).
2. En déduire :
a) L’expression de An où n ∈ N.
b) Que A est inversible. Donner son inverse.
c) Une extension de An où n ∈ Z.
1 1 −1
Exercice 6.1.3. Les matrices : A = −2 −2 2
−3 −3 3
0 1 0
et B = 0 0 0 sont-elles semblables ?
0 0 0
85
TRAVAUX DIRIGÉS
3 −2 −8
est un diviseur de zèro sur M3 (R) cela signifie :
trouver une matrice B non nulle telle que AB = 0.
Exercice 6.1.5. I) Les nombres 204, 527 et 255 étant divisibles par 17,
démontrer que le déterminant suivant l’est aussi sans calculer 4.
2 0 4
4= 5 2 7
2 5 5
.
II) Calculer les déterminants suivants :
1 1 1 1 1 1 0 1 1
40 = −1 0 1 41 = b + c c + a a + b 42 = 1 0 1
−1 −1 0 bc ca ab 1 1 0
Exercice 6.1.7. Déterminer, suivant les valeurs du paramètre a, le rang des matrices
suivantes :
2
0 1 1 1 1
1 −1 a a 1 a
2
−1 3 3 2 1
A= 1 1 − a 2 ; B = a a a ; C= .
−2 0 a 3 1
a+1 2 3 1 a a3
−4 3 −1 0 1+a
Exercice 6.1.8.
I) Résoudre les systèmes
d’équations linéaires suivants :
2x − y − z
= 4 3x + y + z
= 1
a) 3x + 4y − 2z = 11 , b) x − y + 2z = 2 ,
3x − 2y + 4z = 11 x + 3y − 3z = −3
ESATIC 86 UP Maths
TRAVAUX DIRIGÉS
x + y − 3z = 1
2x + y − 2z = 1
c) .
x+y+z
= 3
x + 2y − 3z
= 1
Résoudre et discuter suivant les valeurs du paramètre réel m le système suivant :
II)
2x + (m − 1) y − 3mz = 2
x − 2 (m − 1) y + mz = 1 .
x + (m − 1) y − 2mz = 2m
Exercice 6.2.1. Soit R∗+ muni de la loi de composition interne ⊕ définie par a ⊕ b = ab,
∀a, b ∈ R∗+ et de la loi de composition externe ⊗ telle que
λ ⊗ a = aλ ; ∀a ∈ R∗+ , ∀λ ∈ R.
Montrer que R∗+ , ⊕, ⊗ est un R-espace vectoriel.
ESATIC 87 UP Maths
TRAVAUX DIRIGÉS
Série A
Exercice 6.2.3. Dans R2 , on pose : (x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 ) et α (x, y) =
(αx, 0) ,
α ∈ R. Ces deux lois de composition définissent-elles sur R2
une structure d’espace vectoriel sur R?
Exercice 6.2.5. On considère les sous-ensembles suivants définis par des conditions sur
les composantes d’un vecteur a = (x1 , x2 , x3 , x4 ) de R4 .
Indiquer ceux qui sont des sous-espaces vectiriels et
préciser alors leur dimension.
E1 = {x ∈ R4 | x2 = 0} ; E2 = {x ∈ R4 | x2 ≥ 0} ; E3 = {x ∈ R4 | x1 = x2 + x3 } ;
E4 = {x ∈ R4 | x3 x4 = 0} ; E5 = {x ∈ R4 | x1 ∈ Q} ; E6 = {x ∈ R4 | x2 = x21 } .
5
ses composantes dans la base B ?
4. Le système S = (3 + 2x + 2x2 ; 1 + 3x + 2x2 ; 3 − 5x − 2x2 ) est-il une
base
de E ? Si non, indiquer une relation qui lie les trois polynômes. Déterminer
la dimension du sous espace vectoriel de E engendré par ce système
ESATIC 88 UP Maths
TRAVAUX DIRIGÉS
f (x, y, z) = (x + y, y + z, z − 1) ;
g(x, y) = (x, y, m) où m est un paramètre réel.
ESATIC 89 UP Maths
TRAVAUX DIRIGÉS
0 2 −2
1. Déterminer la matrice définie par : (A − λI3 ) où I3 est la matrice d’ordre 3
et λ ∈ R.
2. Calculer le polynôme P (λ) = det (A − λI3 ). En déduire les solutions de
l’équation P (λ) = 0.
3. Déterminer une base de chacun des sous-espaces vectoriels de R3 définis par
Eλi = ker (f − λi IdR3 ), où λi couvre les solutions de P (λ) = 0
et IdR3 est l’application identité de R3 .
4. Soient u1 = e1 + e2 + e3 , u2 = e1 + 3e2 + 2e3 , u3 = e1 + 2e2 + e3 .
a) Montrer que β = (u1 , u2 , u3 ) est une base de R3 .
b) Déterminer la matrice de passage P de la base β0 à la base β.
c) Déterminer la matrice D de f dans la base β par la formule D = P −1 AP .
d) Donner l’expression de A à partir de celle de D ci-dessus.
Donner A2 , A3 , A4 en fonction de P , D et P −1 .
Déterminer explicitement An avec n ∈ N.
Série B
Exercice 6.2.14. Soit E = {(x, y) ∈ R2 / y = 2x}. Montrer que E est un sous-espace
vectoriel
de R2 et déterminer une base de E.
ESATIC 90 UP Maths
TRAVAUX DIRIGÉS
3 0 2 2 −3 1
Exercice 6.2.16. Soient les matrices : A = 4 2 0 ; B = 2 −i 2 ;
1 i 1 −i 2 0
0 −2 2 !
2 −4 3
C = −3 −1 1 et D = .
−5 11 −2
−3 1 −1
1 ) Calculer si possible les matrices suivantes : E = AB et E 0 = BA
◦
1 2 5 2 0 −2
Exercice 6.2.17. On considère les matrices A = 3 2 3 ; B = 1 4 −2
−2 −6 0 0 −1 0
x
et T = y .
z
1◦ ) Montrer que A et B Sont inversible et déterminer leur inverse.
Mêmes questions pour C=AB.
2
2◦ ) Résoudre dans IR3 l’équation matricielle CT = 0 .
m
!
1 1
Exercice 6.2.18. On considère la matrice A = ∈ M2 (R) .
−1 0
ESATIC 91 UP Maths
TRAVAUX DIRIGÉS
a) Montrer que A2 = A − I2 .
b) Calculer A3
c) Montrer que, si p est un entier positif, on a :
A3p = (−1)p I2 , A3p+1 = (−1)p A , A3p+2 = (−1)p (A − I2 ) .
d) Les suites réelles (un ) et (vn ) sont d éfinies par les relations de récurrence :
un+1 = un + vn , vn+1 = −un et par la donnée de u1 et v1 .
Calculer un et vn en fonction de u1 , v1 et n, en particulier
pour n = 3p; n = 3p + 1 ; n = 3p + 2, p ∈ N.
3 1 −1
Exercice 6.2.20. 1◦ ) Inverser si possible la matrice : Am = 3 1 −m .
m − 4 −2 −1
◦ 3
2 ) Résoudre dans IR en discutant éventuellement suivant les valeurs de m
le système
:
3x + y − z = −m
P
( 1) 3x + y − mz = −3 et
(m − 4) x − 2y − z = −1
3x + y − z = 1
P
( 2) 3x + y + z = −3 avec les formules de Cramer
− 5 x − 2y − z = −1
Série C
ESATIC 92 UP Maths
TRAVAUX DIRIGÉS
Exercice 6.2.21. Sur l’ensemble Pn0 des polynômes à une indéterminée X de coéfficients
réels,
de degré égal à l’entier positif n, on définit l’addition de deux polynô mes P et Q par :
a) Examiner si l’ensemble Pn0 muni de ces deux lois est un espace vectoriel.
b) Même question pour l’ensemble Pn des polynômes à une indéterminée X,
de degré inférieur ou égal à l’entier n. Montrer que l’ensemble In
des polynômes P de Pn tels que :
P (X) + P (−X) = 0
Exercice 6.2.22. Sur l’ensemble S des suites numériques u=(un )n∈N on définit l’addition
de
deux suites u et v par u + v = (un + vn )n∈N
et la multiplication par un scalaire réel λ par :
λu = (λun )n∈N
Exercice 6.2.23. 1 On considère les sous-ensembles suivants définis par des condi-
tions sur
les composantes d’un vecteur a = (x1 , x2 , x3 , x4 ) de R4 .
Indiquer ceux qui sont des sous-espaces vectiriels et préciser alors leur dimension.
E1 = {x ∈ R4 | x2 = 0} ; E2 = {x ∈ R4 | x2 ≥ 0} ;
E3 = {x ∈ R4 | x1 = x2 + x3 } ; E4 = {x ∈ R4 | x3 x4 = 0} ; E5 = {x ∈ R4 | x1 ∈ Q} ;
E6 = {x ∈ R4 | x2 = x21 } .
ESATIC 93 UP Maths
TRAVAUX DIRIGÉS
Exercice 6.2.24. Déterminer si les ensembles suivants sont des sous-espaces vectoriels
de
l’espace vectoriel E des fonctions dérivables sur R :
E1 = {f ∈ E | f 2 = f 0 } ; E2 = {f ∈ E | f (x) = xf 0 (x) , ∀x ∈ R} .
Exercice 6.2.25. I) Montrer que les vecteurs suivants de R3 sont linéairement dépen-
dants
et préciser leur relation de dépendance :
a) u = (1, 2, −1); v = (1, 0, 1); w = (−1, 2, −3)
b) u = (−1, 2, 5); v = (2, 3, 4); w = (7, 0, −7).
II) Préciser si les familles constituées des vecteurs suivants sont li és ou libres.
a) u = (7, 12); v = (18, −13); w = (−4, 17)
b) u = (−1, 0, 2); v = (1, 3, 1); w = (0, 1, −1)
5 9
c) u = (15, −27, −6, 12); v = (− , , 1, −2).
2 2
III) Déterminer tous les vecteurs (x, y, z) de R3 tels que le système suivant soit libre :
j = e1 +e2 +...+ej pour j = 1, 2, ..., n. Montrer que {1 , 2 , ..., n } est aussi un système libre.
V) Si b1 = (1, 1, 1; 1); b2 = (1, 1, −1, −1); b3 = (1, −1, 1, −1); b4 = (1, −1, −1, 1)
constitient une base de R4 ,
VII) Montrer que les polynômes P1 , P2 , P3 définis ci-après forment une base
de l’espace vectoriel des polynômes
à une indéterminée X, de degré inférieur ou égal à deux :
ESATIC 94 UP Maths
TRAVAUX DIRIGÉS
VIII) Soit E l’espace vectoriel des fonctions réelles continues et d érivables sur R et
F l’ensemble des fonctions numériques f définies par :
αx + β
si x < 0
2
f (x) = ax + bx + c si 0 ≤ x ≤ 1 .
γx + δ si 1 < x
P7 (X) = 3 − X − 3X 2 − X 3 .
ESATIC 95 UP Maths
TRAVAUX DIRIGÉS
Montrer que cette application n’est pas injective et déterminer les valeurs
du réel a pour lesquelles elle est surjective. Donner une base du noyau de f .
(A + B)−1 = A−1 + B −1 .
ESATIC 96 UP Maths
TRAVAUX DIRIGÉS
Exercice 6.2.31. Si M et N sont deux matrices de types respectifs (m, n) et (n, m) telles
que M N = I,
montrer que la matrice P = N M est idempotente, c’est-à-dire que P 2 = P .
En déduire que P est diviseur à droite et à gauche de zéro.
Exercice 6.2.33. Montrer que les vecteurs suivants forment une base de R3 :
f (1 ) = (1, 1, 1, 0) ; f (2 ) = (−1, −1, −1, 0) ; f (3 ) = (0, 1, −1, −1) .
f (x, y, z, t) = (x + t, x + y + t, y + z + t) .
ESATIC 97 UP Maths
TRAVAUX DIRIGÉS
2 0 4
4= 5 2 7
2 5 5
.
II) Calculer les déterminants suivants :
1 1 1 1 1 1 0 1 1
40 = −1 0 1 41 = b + c c + a a + b 42 = 1 0 1
−1 −1 0 bc ca ab 1 1 0
3 1 1 1 0 a b c
1 3 1 1 a 0 c b
43 = 44 = où a, b, c ∈ R
1 1 3 1 b c 0 a
1 1 1 3 c b a 0
III) Exprimer le déterminant d’ordre n suivant en fonction de 4n−1 et 4n−2 :
2 1 0 ··· ··· 0
1 2 1 0 ··· 0
... ... .. .. ..
0 . . .
4n = .. . . ... ... ... .
. . 0
.. .. .. ..
. . . . 1
0 ··· ··· 0 1 2
" # 1 2 1 2 − a −1 3
1 a
A1 = , A2 = −1 0 1 , A3 = −1 1 − a −2 ,
−a 2
3 2 2 2 3 2−a
ESATIC 98 UP Maths
TRAVAUX DIRIGÉS
2 1 3 −1 2 0 2 0 2
3 −1 2 0
0 1
0 1 0
A4 = , A5 =
1 3 4 −2 2 1 0 2 1
4 −3 1 1 0 1 0 1 0
Exercice 6.2.37.
I) Résoudre les systèmes
d’équations linéaires suivants :
2x − y − z
= 4 3x + y + z
= 1
a) 3x + 4y − 2z = 11 , b) x − y + 2z = 2 ,
3x − 2y + 4z = 11 x + 3y − 3z = −3
x + y − 3z = 1
x+y+z+t+u = 7
2x + y − 2z = 1
3x + 2y + z + t − 3u = −2
c) , d)
x + y + z = 3
y + 2z + 2t + 6u = 23
x + 2y − 3z = 1 5x + 4y + 3z + 3t − u = 12
ESATIC 99 UP Maths
TRAVAUX DIRIGÉS
3 −3 −4
a Calculer : A3 − 3A − 2I.
1
b En déduire que A est inversible et que son inverse est A−1 = (A2 − 3I).
2
1 1 2 1 0 0
II- On considère les matrices suivantes : B = 1 2 1 et I = 0 1 0.
2 1 1 0 0 1
1. Calculer B 2 et B 3 .
2. On pose D = −B 2 + 4B + I et C = −B 3 + 4B 2 + B − 4I.
a- Calculer D et C.
b- Montrer que C = BD − 4I.
c-En déduire que la matrice B est inversible et trouver sa matrice inverse
B −1 .
−1 1 1 1 0 0
Exercice 6.3.3. I- Soit A = 3 5 3 et I3 = 0 1 0.
1 1 −1 0 0 1
1- a. Calculer A3 + 3A2 + 16A + 12I.
b. En déduire l’existence d’une matrice P telle que AP = I.
c. Donner une écriture de P sous forme de matrice.
a b c 1 0 0
II- On donne les matrices M = 0 a b et I = 0 1 0 où a, b, c ∈ R.
0 0 a 0 0 1
1- Supposons que a = 3, b = 2, c = 1. Montrer que M est inversible et calculer
son inverse.
2- On pose : a = b = 1 et c = 0.
a. Déterminer la matrice B = A − I ; calculer B 2 et B 3 . En déduire B n
pour tout n ≥ 3.
b. Exprimer A en fonction de B et I et calculer An en fonction de I, n et B
(se servir du binôme de Newton). En déduire alors A20 (donner l’expres-
sion et la forme matricielle).
1 8 2 8 7 3
A- 1. i. Déterminer les cofacteurs de tous les éléments de M .
ii. En déduire le déterminant de M . Dire si det(M ) 6= 0.
1
iii. Si oui, Calculer la matrice P = Com(M )t , où Com(M ) désigne
det(M )
la comatrice de la matrice M .
iv. Que représente la matrice P pour la matrice M ?
v. Déterminer B = 50M . Montrer que det(B) = 503 det(M ).
1 0 0 0 0
−5 2 3 5 1
2. Soit la matrice N = 8 15 −10 20 0 Montrer que det(N ) =
9 5 40 10 0
−1 10 −20 25 0
3
5 det(M ).
B- Reprendre la question 1) pour la matrice A. (A ne pas traiter au TD)
2 −1 5 10 3 3
D1 = , D2 = , D3 = ,
−3 4 1 2 2 1
2 0 3 1 2 3 0 1 1
D4 = −2 3 1 , D5 = 4 5 6 , D7 = 1 0 1 ,
5 1 0 1 2 −3 1 1 0
1 0 0 1 1 1 0 0
0 1 1 0 1 0 1 0
D8 = , D9 = .
1 0 1 0 0 0 1 1
0 1 0 1 0 0 1 1
Exercice 6.4.4. Dire pourquoi les déterminants suivants sont nuls sans calcul formel :
1 2 −3 3 4 5
0 0
∆1 = 4 5 6 , ∆2 = , ∆3 = 1 0 2 ,
1 0
−2 −4 6 2 4 3
−2 1 3 3 0 1 1 1
0 2 1 6 −2 3 −4 6
∆4 = , ∆5 = .
5 1 0 3 5 3 8 7
10 −3 7 −9 2 −2 5 −5
1 1 −1 0 0 1
1- a. La matrice A est-elle inversible ? Si oui, justifier puis dé terminer son inverse.
b. En déduire la résolution du système suivant :
−x + y + z = 2
3x + 5y + 3z = 1
x + y − z = −3
1 2 3
II-
1) Résoudre le système d’équations :
2x + 3y + z = 1100
x + 5y + 2z = 880
4x + y + 3z = 1980
On pourra remarquer que dans ce système, tous les éléments du second membre
sont multiples de 22.
2) L’entreprise CBG-Technologie fabrique trois types d’articles X, Y, Z. Chaque
article passe successivement dans trois ateliers : atelier 1 ; atelier 2 et atelier
3. Le temps de passage dans les ateliers sont donnés dans le tableau suivant :
X Y Z
Atelier 1 20 30 10
Atelier 2 10 50 20
Atelier 3 40 10 30
Exercice 6.6.2. Parmi les ensembles suivants reconnaître ceux qui sont des sev de R2 ou
R3 :
E1 = {(x, y, z) ∈ R3 /x + 2y − 3z = 0}
E10 = {(x, y, z) ∈ R3 /xy = 0}
E2 = {(x, y) ∈ R2 /2x − 3y > 0}
E20 = {(x, y, z) ∈ R3 /x2 + xy + y 2 ≤ 0}
E3 = {f ∈ F(R, R)/f (0) = 1}
E30 = {f ∈ F(R, R)/f (1) = 0}
Exercice 6.6.3. 1) Dans R3 déterminer les sous espaces vectoriels engendrés par
A = {(1, 1, 1) ; (1, 0, 1)} .
2) Soit F = {(x, y, z) ∈ R3 / x + 2y − z = 0} Montrer qu’il existent deux vecteurs
qui engendrent F.
3) Dans R3 , on considère, F = {(x, 0, 0) ; x ∈ R} et G = {(x, x, 0) ; x ∈ R}
a. Montrer F et G sont des sous espaces vectoriels de R3 .
b. Déterminer F + G.
Exercice 6.6.4. 1- Dans R2 , montrer que (1, 2); (2, 3); (2, 2) forme un système
générateur.
2- Montrer que R2 = V ect {(1, 1); (2, 3)}
1 Les familles de vecteurs suivantes sont-elles libres ? : A1 = {(1; 2; 3), (4; 5; 6), (−1; 2; 3)} ;
A2 = {1; cos(x); cos(2x)} ; A3 = {1; 1+x; x2 } ; A4 = {(1; 0; 3), (2; 1; −1), (3; 1; 2)}.
Exercice 6.6.5. I. Parmi les applications suivantes quelles sont celles qui sont
linéaires ? Si oui quelles sont celles qui sont injectives, surjectives, bijectives ?
II. Soit E l’espace vectoriel des fonctions de R dans R, deux fois dérivables et ϕ
l’application :
f : E −→ E
y 7−→ y 00 + y 0 − 2y.
f (v1 ) = (0, 5, 1) = u1
f (v2 ) = (3, 1, 2) = u2
f (v3 ) = (1, 6, 0) = u3 .
. . .
4) Écrire les matrices AB1 = . . . ;
. . .
. . . . . .
AB = . . . et P = . . ..
. . . . . .
NB : P est la matrice de passage de la base B1 à la base B. Les matrices AB
et AB1 sont les matrices de f dans les bases B et B1 respectivement.
4) Montrer que P est inversible et calculer P −1
4) Montrer que AB = P −1 AB1 P .
[1] Jean-Marie Monier, Algèbre MPSI, Cours et 700 Exercices Corrig és, 3ème édition,
DUNOD
[2] J.-P.Lecoutre, P. Pilibossian, Travaux Dirigés, Algèbre, 2ème édition, DUNOD
[3] J.Lelong-Ferrand, J.M. Arnaudiès, Cours de Mathématiques, Tome 1, Algèbre, 3ème
édition, DUNOD.
[4] Claude Boy, Alain Nizard, Prépas TD Algèbre, Exercices et corrigés, Armand Colin.
[5] Algèbre linéaire de Prof. Eva Bayer Fluckiger ; Dr. Philippe Chabloz
107