Documente Academic
Documente Profesional
Documente Cultură
1 Espaces vectoriels 3
1.1 Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Quelques propriétés . . . . . . . . . . . . . . . . . . . . 5
1.2 Sous espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Intersection de sous-espaces vectoriels . . . . . . . . . . 6
1.2.2 Somme de sous espaces vectoriels . . . . . . . . . . . . 6
1.2.3 Somme directe de sous espaces vectoriels . . . . . . . . 7
1.2.4 Sous-espaces supplémentaires . . . . . . . . . . . . . . 7
1.3 Parties génératrices, Parties libres , Bases . . . . . . . . . . . . 7
1.3.1 Combinaisons linéaires . . . . . . . . . . . . . . . . . . 7
1.3.2 Famille (partie) génératrice . . . . . . . . . . . . . . . 8
1.3.3 Famille libre-Famille liée . . . . . . . . . . . . . . . . . 9
1.3.4 Base- Dimension . . . . . . . . . . . . . . . . . . . . . 10
1.3.5 Rang d’un ensemble de vecteurs . . . . . . . . . . . . . 12
2 Applications linéaires 13
2.1 Noyau et image d’une application linéaire . . . . . . . . . . . . 16
2.2 Rang d’une application linéaire . . . . . . . . . . . . . . . . . 16
3 Les Matrices 18
3.1 Dé…nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Matrices particulieres . . . . . . . . . . . . . . . . . . . . . . . 19
3.3 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . 21
3.4 Matrice associée à une application linéaire . . . . . . . . . . . 25
1
4.1.2 Déterminant en dimension 2 et 3 . . . . . . . . . . . . 27
4.1.3 Calcul de l’inverse d’une matrice . . . . . . . . . . . . 31
4.2 Systèmes d’équations linéaires . . . . . . . . . . . . . . . . . . 32
4.2.1 Méthode de Cramer . . . . . . . . . . . . . . . . . . . 33
4.2.2 Méthode de Gauss . . . . . . . . . . . . . . . . . . . . 34
2
Chapitre 1
Espaces vectoriels
On dit que (E; ; )est un espace vectoriel sur le corps K (ou K- Espace
vectoriel) si les axiomes suivants sont véri…és.
1-(E; ) est un groupe commutatif c’est-à-dire :
a- 8u; v 2 E : u v = v u (commutativité)
b-8u; v; w 2 E : (u v) w = u (v w) (Associativité)
c-9e 2 E; 8u 2 E; u e = u (élément neutre)
d-8u 2 E; 9u 2 E : u u = e (symétrique)
2-8 ; 2 K; 8u; v 2 E :
a- ( + ) u = ( u) ( v)
b- (u v) = ( u) ( v)
c-( : ) u = ( u)
d-1K u = u où 1K est l’élément neutre pour la multiplication de K
3
-Les éléments du corps K sont appelés scalaires, et sont notés en géné-
ral par des lettres grecques ; ; ; :::etc. Le corps K est appelé le corps des
scalaires.
-Les éléments de l’espace vectoriel sont appelés des vecteurs, et sont notés
par des lettres latines u, v, x, y,...etc.
- La loi de composition interne est notée usuellement + ; elle est appelée
couramment l’addition des vecteurs, et v + v est appelée somme des vecteurs
v et v
- La loi de composition externe est appelée couramment multiplication
par un scalaire. Le scalaire et le vecteur sont écrits côte à côte sans notation
particulière ; si est un scalaire et v un vecteur, on écrit v.
Exercice 4 Montrer que (R2 ; ; ) est un espace vectoriel sur R tel que la
loi interne dé…nie par :
8 (x; y) ; (x; y) 2 R2 : (x; y) (x; y) = (x + x; y + y)
La loi externe dé…nie par :
8 (x; y) 2 R2 ; 8 2 R : (x; y) (x; y) = (x + x; y + y)
4
1.1.1 Quelques propriétés
Proposition 6 Soit E un espace vectoriel sur K, soient x; y 2 E et ; 2K
on a :
( )x = x x et (x y) = x y
0E = 0E et 0k x = 0E
Remarque 7
v = 0E , = 0K ou v = 0E
Exemple 10 :
Si E est un espace vectoriel, alors f0E g et E sont des sous espaces vec-
toriels de E:
Soit E = R2 ; montrer que F = f(x; 0) ; x 2 Rg est un sous-espace vecto-
riel de E:
5
Exemple 13 : Les parties suivantes ne sont pas des sous espaces vectoriels
de R2
A = (x; y) 2 R2 : x + y = 1 car ne contient pas le vecteur nul
B = (x; y) 2 R2 : xy = 0 car non stable par addition
2
C = (x; y) 2 R : x + y 2 Z car non stable par produit extérieur
Exemple 18 : E = R2 ; K = R
F1 = f(x; 0) ; x 2 Rg, F2 = f(0; y) ; y 2 Rg
F1 [ F2 n’est un S.E.V de R2 ; car :
0 0
9 = 1; = 1; (x; y) = (1; 0) 2 F1 ; x ; y = (0; 1) 2 F2 mais 1 (1; 0)+1 (0; 1) = (1; 1) 2
= F1 [F2
Exemple 20 E = R2 ; K = R
F1 = f(x; 0) ; x 2 Rg, F2 = f(0; y) ; y 2 Rg
F1 + F2 = f(x; 0) + (0; y) =x; y 2 Rg = R2
6
1.2.3 Somme directe de sous espaces vectoriels
Soit E un K-espace vectoriel et soient F1 et F2 deux sous-espaces vecto-
riels de E , la somme F1 + F2 est directe ssi F1 \ F2 = f0E g :
Dans ce cas on écrit F1 F2 :
Exemple 22 :E = R2 ; K = R
F1 = f(x; 0) ; x 2 Rg, F2 = f(0; y) ; y 2 Rg ; on a :
F1 + F2 = R2 et F1 \ F2 = f0R2 g
d’où R2 = F1 F2 :
Remarque 23 :
Si E = F1 F2 alors F1 et F2 sont supplémentaires dans E:
x= 1 x1 + 2 x2 + ::: + n xn
7
Solution 26 x est combinaison linéaire de fx1 ; x2 ; x3 g ssi :
9 1 ; 2 ; 3 2 R : x = 1 x1 + 2 x2 + 3 x3
( 1; 5; 3) = 1 (1; 1; 1) +
(2; 3; 1) +
2 3 (2; 1; 1)
8 8
< 1+2 2+2 3 = 1 < 1=2
() 1+3 2+ 3 = 5 =) 2 = 2
: :
1 + 2 3 = 3 3 = 1
D’où x = 2x1 + 2x2 + x3
donc x est combinaison linéaire de fx1 ; x2 ; x3 g :
Exemple 28 :1) Dans R2 ; tout vecteur est combinaison linéaire de fe1 = (1; 0) ; e2 = (0; 1)g
En e¤et : soit (x; y) 2 R2 ; on a (x; y) = x (1; 0) + y (0; 1)
Donc R2 = vect fe1 ; e2 g
2) Dans Rn ; tout vecteur est combinaison linéaire de
fe1 = (1; 0; 0; :::0) ; e2 = (0; 1; 0; :::0) ; :::; en = (0; 0; 0; :::; 1)g
Donc Rn = vect (e1 ; e2 ; :::; en ) :
8
Donc E est l’ensemble des combinaisons linéaires des vecteurs u1 = (1; 2; 0) ; u2 =
(0; 0; 1) de R3 ; à coe¢ cient réels
E = vect (u1 ; u2 ) est donc un sous-espace vectoriel de R3 :
9
1.3.4 Base- Dimension
Dé…nition 37 : On appelle base d’un espace vectoriel E , toute système
famille de vecteurs de E libre et génératrice de E:
Le nombre d’éléments d’une base d’un espace vectoriel E sur le corps K
est appelé la dimension de l’espace vectoriel E .
On le note dimE (ou dim E s’il n’y a pas d’ambiguïté).
K
Exemple 38 : E = R2 ; K = R
A = fe1 = (1; 0) ; e2 = (0; 1)g forme une base de R2 ) dim R2 = 2
Généralement fe1 = (1; 0; 0; :::0) ; e2 = (0; 1; 0; :::0) ; :::; en = (0; 0; 0; :::; 1)g
forme une base de Rn ; s’appelle base canonique de Rn et dim Rn = n:
Solution 42 : 1) On a évidemment :
2) On écrit :
(4; 3) = (1; 1) + (2; 3)
et on cherche les réels ; . D’où le système :
+2 =4
=) = 18 et = 7
+3 = 3
10
Remarque 43 : Si E = f0E g on pose dimE = 0. En e¤et il n’y a pas de
famille libre dans E ; les familles libres sont donc vides, elles ont 0 éléments.
Propriétés :
Soit E un K-espace vectoriel E tel que : dim E = n
et soit F un sous-espace vectoriel de E, alors :
1) dim F dim E
2) dim E = dim F () E = F
Car : dim (F \ G) = 0
Exercice 47 : E = R3 ; K = R
Soit le sous-espace F = f(x; y; z) 2 R3 =x 3y + 2z = 0g de R3
1) Donner une base de F
2) Déterminer dim F
3) complèter F de façon à obtenir une base de R3 .
11
Théorème 48 Si dim E = n alors toute famille libre de E qui a n éléments
est une base de E
Si dim E = n alors toute famille génératrice de E qui a n éléments di¤é-
rents est une base de E
Exemple 52 :1)
12
Chapitre 2
Applications linéaires
f (x; y; z) = (x y; y z)
13
-Montrer que f est linéaire ?
0 0 0
Soient (x; y; z) ; x ; y ; z 2 R3 et ; 2 R, on a :
0 0 0 0 0
f (x; y; z) + x ;y ;z = f x + x0; y + y ; z + z
0 0 0
= ( x + x0) y+ y ; y+ y z+ z
0 0 0
= (x y) + x0 y ; (y z) + y z
0 0 0
= ( (x y) ; (y z)) + x0 y ; y z
0 0 0
= ((x y) ; (y z)) + x0 y ; y z
0 0 0
= f ((x; y; z)) + f x ; y ; z :
14
Exercice 61 : Dire lesquelles parmi les applications suivantes sont linéaires
de E dans F (sur R) :
1) E = F = R+ R+ ; f (x; y) = (x y; x + 2y)
2) E = F = R2 ; f (x; y) = (x y; 1 + x) :
3) E = F = R2 ; f (x; y) = (x 2y; x)
4) E = F = R; f (x) = x2
5) E = R; F = R2 ; f (x) = (jxj ; 2x)
Solution 62 :1) f n’est pas linéaire car R+ R+ n’est pas un espace vectoriel
2) f n’est pas linéaire car :
f (0; 0) = (0 0; 0 + 1) = (0; 1) 6= (0; 0)
3) puisque f (0; 0) = (0; 0) ; alors on peut rien conclure
0 0
soient (x; y) ; x ; y 2 R2 et ; 2 R. On a :
0 0 0
f (x; y) + x ;y = f x + x0; y + y
0 0
= f ((x; y)) + f x ; y :
15
2.1 Noyau et image d’une application linéaire
Dé…nition 66 : Soit f une application linéaire de E dans F .
- On appelle noyau de f , et on note ker f , le sous-ensemble de E dé…ni
par :
ker f = fx 2 E : f (x) = 0F g = f 1 (0F )
x 2 ker f , f (x) = 0F
- On appelle image de f , et on note Im f , le sous-ensemble de F dé…ni
par :
Im f = fy 2 F : 9x 2 E : y = f (x)g
= ff (x) 2 F : x 2 Eg = f (E)
y 2 Im f , 9x 2 E : y = f (x)
16
rg (f ) = dim Im f
Exercice 71 : Soit
f : R3 ! R2
(x; y; z) 7! (x y + 2z; 2x z)
17
Chapitre 3
Les Matrices
3.1 Dé…nitions
Dé…nition 72 (Matrice) : Soit deux entiers n et p supérieurs ou égaux à 1.
On appelle matrice de type (n; p) à coe¢ cients dans K, un tableau rectangu-
laire
à n lignes et p colonnes d’éléments de K. Un tel tableau est représenté de
la façon suivante 0 1
a11 a12 ::: a1m
B a21 a22 ::: a2m C
A=B @ :
C
: A
an1 an2 ::: anm
18
0 1
4 5 1 0
Exemple 74 : A = @ p1 0 2 0 A est une matrice de 3 linges et 4
2 0 5 1
colonnes p
A 2 M3;4 (R) et on a : a13 = 1 et a31 = 2
Mtrice ligne
Une matrice ne contenant qu’une ligne est appelée matrice ligne, ou encore
vecteur ligne. Si elle a m colonnes on la note de la manière suivante :
Matrice colonne
Une matrice ne contenant qu’une colonne est appelée matrice colonne, ou
encore vecteur colonne. Si elle a n colonnes on la note de la manière suivante :
0 1
a11
B a21 C
B C
@ : A
an1
Matrice carées
Ce sont les matrices qui ont même nombres de lignes et de colonnes, ce
nombre de lignes et de colonnes s’appelle l’ordre de la matrice
_ les coé¢ cients ayant même indice de ligne et de colonne s’appellent les
coe¢ cients diagonaux.
19
0 1
1 5 6
Exemple 75 : @ 0 2 1 A est une matrice carrée d’ordre 3, les coe¢ cients
3 1 6
diagonaux sont 1, 2 et 3
Matrices diagonales
On appelle matrice diagonale une matrice carrée dont les termes situés
hors de la diagonale principale sont tous nuls.
(c’est-à-dire une matrice A = (aij ) carrée d’ordre n est diagonale si pour
tous i et j tels que 1 i n, 1 j n; i 6= j on a aij = 0.
0 1
1 0 0
Exemple 78 @ 0 4 0 A
0 0 6
20
Cas particuliers
Matrices scalaires
Ce sont les matrices diagonales dont tous les coe¢ cients diagonaux sont
égaux,
0 1
0 0
Exemple 79 B = @ 0 0 A
0 0
Matrice identité
c’est la matrice dont tous les co¢ cients diagonaux valent 1, on note In la
matrice identité d’ordre n. On a donc
0 1
1 0 ::: 0
B 0 1 ::: 0 C
In = B
@ :
C
: A
0 0 ::: 1
21
Remarque 83 : -La transposée d’une matrice carrée est une matrice de
même type
-Si A est une matrice carrée, les termes diagonaux de A et de At sont les
mêmes.
Exemple 84
0 1 0 1
1 1 3 1 2 3
A= @ 2 0 9 A t
)A = @ 1 0 5 A
3 5 2 3 9 2
2x + 3 = 1 x=2
A = B () )
2y 4 = 5 y = 29
Propriétés
Soient A; B; C 2 Mn;m (K) on a :
1) A + B = B + A:
2) (A + B) + C = A + (B + C)
3) Si on note Onm la matrice de Mn;m (K) dont tous les coe¢ cients sont
nuls, on a A + Onm = A.
0 0
4) Si A = (aij ) et A = ( aij ) 2 Mn;m (K), alors A + A = Onp .
5) (A + B)t = At + B t
22
Produit d’une matrice par un scalaire
Soit A 2 Mn;m (K) et 2 K. On appelle produit de la matrice A par le
scalaire , et on note A la matrice A = (bij) de Mn;m (K) telle que
81 i n; 1 j m : bij = aij
X
P
81 i n; 1 j q : cij = aik bkj
k=1
C’est à dire que pour obtenir l’élément cij (i-ème ligne et j-ème colonne de
AB), on utilise les aik ; 1 k p (la i-ème ligne de A) et les bkj ; 1 k p
(la j-ème colonne de B).
23
0 1 0 1
2 2 1 3 1
Exemple 90 A = @ 10 0 5 A, B = @ 2 4 A
3 1 2 0 1
0 10 1
2 2 1 3 1
AB = @ 10 0 5 A@ 2 4 A =
3 1 2 0 1
0 1
(2 3 + 2 2 + 1 0) (2 1 + 2 4 + 1 1)
= @ (10 3 + 0 2 + ( 5) 0) (10 1 + 0 4 + ( 5) 1) A
(( 3) 3 + 1 2 + 2 0) (( 3) 1 + 1 4 + 2 1)
0 1
10 11
= @ 30 5 A
7 3
Propriétés
1) Le produit des matrices A et B n’est dé…ni que si le nombre de colonnes
de A est égal au nombre de lignes de B
2) Le produit matriciel n’est pas commutatif
0 2 1 0
Exemple 91 A = et B =
1 1 1 1
2 2 0 2
AB = mais BA
2 1 1 3
3) Si A 2 Mn;p (K), B 2 Mp;k (K) et C 2 Mk;m (K), alors (AB)C =
A(BC)
4) Si A 2 Mn;p (K), B; C 2 Mp;k (K), alors A(B + C) = AB + AC.
5) Si A; B 2 Mn;p (K), C 2 Mp;k (K), alors (A + B)C = AB + AC:
6) Si A 2 Mn;p (K), B 2 Mp;k (K), alors (AB)t = B t At .
7) Si A 2 Mn;p (K) alors AIp = A et In A = A (où In est la matrice unité
d’ordre n).
Matrice inversible
Dé…nition 92 Une matrice A 2 Mn (K) est dite inversible s’il existe une
matrice B de Mn (K), telle que
AB = BA = In
24
Lorsque B existe, B est unique et est appelée inverse de A
L’inverse de A est notée A 1
1 2
Exemple 93 A = 2 M2 (K)
0 3
Montrer que A est inversible
d’ordre 3.
Mf (BE ; BF ) = B
@ : : A :
0
an1 an2 ::: anp en
25
0 0 0
f (e1 ) = a11 e1 + a21 e2 + ::: + an1 en
0 0 0
f (e2 ) = a12 e1 + a22 e2 + ::: + an2 en
:
0 0 0
f (ej ) = a1j e1 + a2j e2 + ::: + anj en
:
0 0 0
f (ep ) = a1p e1 + a2p e2 + ::: + anp en
26
Chapitre 4
det : Mn (K) ! K
A 7 ! det A
tel que :
Si n = 1, A = (a11 ) et det A = a11
Si n 2
X
n
detA = ( 1)i+j aij det Aij 8j; 1 j n
i=1
a b a b
det = = ad bc
c d c d
27
Exemple 98 Calculez le déterminant des matrices suivantes ;
1 2 sin cos
A= B=
3 4 cos sin
Matrice d’ordre 3
0 + + 1
a11 a12 a13 a a a a a21 a22
det @ a21 a22 a23 A = +a11 22 23 a12 21 23 + a13 =
a32 a33 a31 a33 a31 a32
a31 a32 a33
= a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a31 a22 a13 a32 a23 a11 a33 a21 a12
0 1
2 1 0
Exemple 99 A = @ 1 1 3 A
3 2 1
1 3 1 3 1 1
det A = 2 +0
2 1 3 1 3 2
= 2 ( 1 6) (1 9) + 0 = 14 + 8 = 6
28
Par la règle de Sarrus :
+ + +
2 1 0 2 1
1 1 3 1 1 = 2+9+0 0 12 1= 6
3 2 1 3 2
Remarque 101 : Cette méthode ne s’applique pas pour les matrices de taille
supérieure à 3 3.
a b
Exemple 102 :
c d
Si on développe par rapport à la première colonne
+
a b
= ad bc
c d
29
Et si on développe par rapport à la deuxième colonne
a b
+ = ad bc
c d
Remarque 103 Pour déterminer si Cij = + det Aij ou Cij = det A;on
peut se souvenir que l’on associe des signes en suivant le schémas
0 1
+ + :::
B + + ::: C
B C
A=B +B + ::: C
C
@ + + ::: A
: : : : :
30
EX1 :
6 5 4 6 1 4
7 10 3 =5 7 2 3
12 25 1 12 5 1
Car la seconde colonne est un multiple de 5.
EX2 :
3 2 4 3 3 2 4 3 2 3
7 5 3 2 = 7 5 3 7 5 2
9 2 10 4 9 2 10 9 2 4
31
et Aij est la matrice obtenue en supprimant la i-ième ligne et la j-ième
colonne de la matrice A.
0 1
1 1 0
Exemple 105 : A = @ 0 1 1 A
1 0 1
det A = 2 6= 0 =) A est inversible et on a A 1 = det1 A Comt (A)
0 1
1 1 0 1 0 1
B + 0 1 1 1
+
1 0 C 0 1
B C 1 1 1
B 1 0 1 0 1 1 C
Com (A) = B
B + C=@ 1
C 1 1 A
B 0 1 1 1 1 0 C
@ A 1 1 1
1 0 1 0 1 1
+ +
1 1 0 1 0 1
0 1
1 1 1
t
Alors Com (A) = @ 1 1 1 A
1 1 1
D’où :
0 1 0 1 1 1
1
1 1 1
1 2 2 2
A 1= @ 1 1 1 A=@ 1
2
1
2 2
1 A
2 1 1 1
1 1 1 2 2 2
32
Formulation matricielle : Un tel système peut s’écrire sous forme ma-
tricielle M X = B avec
0 1 0 1 0 1
a11 a12 ::: a1p x1 b1
B a21 a22 ::: C
a2p C B x2 C B C
M =B ; X=B C et B = B b2 C
@ : : A @ : A @ : A
an1 an2 ::: anp xp bn
33
On a det M = 7 6= 0, alors le système admet une solution unique donnée par
1 2 1 3 1 1 3 2 1
0 1 1 1 0 1 1 1 0
1 1 2 0 1 1 2 1 1 1
x= = = 0; y= = 1; z= =1
7 7 7 7
34
00
L3 donne z = 2.
00
L2 donne y = 2
00
L1 donne x = 1.
Cette méthode peut être utilisée même si le système n’est pas un système
de Cramer
Alors, on trouve 8
< x + 3y z = 9
s= 28 = 0
:
:::
Le système n’admet pas de solution
35