Cours Alg 22

1
Chapitre IV : Algbre linaire e e

Mustapha CHELLALI May 27, 2010
http://webserver.iam.net.ma/~chellali/sma2
mustapha.chellali@gmail.com
Prliminaire sur les systmes linaires e e e

Considrons le problme : e e Trouver tous les
x; y; z P R tel que: x + y 2z = 3
Il y a 3 inconnues et une quation . e Considrons de m^me le problme : e e e Trouver tous les
x; y P R tel que
Il y'a deux inconnues et 3 quations e Considrons de m^me le problme : e e e
V ` X
x + y = 1 x + 2y = 2 xy = 5
Trouver tous les
x; y P R tel que
V ` X
x + 3y = 2 x + 3y = 2 2x y = 5
Ici la m^me quation est rpete deux fois. Ce qui n'est pas absurde (on peut imaginer un e e e e problme concret qui mne a ce systme). e e e
Exemple : Trouver
x; y P R tel que x(1; 1; 2) + y(3; 3; 1) = (2; 2; 5)
Considrons de m^me le problme: e e e Trouver tous les
x; y P R tel que
x = 4
Une inconnue peut ne pas gurer explicitement dans les quations. C'est le cas de l'inconnue y e dans le systme ci dessus. e
4
Exemple : Trouver
x; y; z P R tel que

1 1
0 1 0
H d
x y z
I e
10 7
Plus gnralement e e
Dnition 1.1. On appel systme linaire le problme de trouver tous les x1 ; x2 ; ; xn P K (K e e e e corps commutatif ) vriant m quations de la forme : e e
V b b ` b b X
a11 x1 + a12 x2 + + a1n xn a21 x1 + a22 x2 + + a2n xn

1 1 2 2
am x + am x + + amn xn
= b1 = b2 = bm
(1) (2) (m)
1.1 Principe de rsolution : e

Principe de rsolution : Le principe pour rsoudre ce problme est simple: e e e

En utilisant une quation (j ), exprimer une inconnue xi1 en fonction des autres, rapporter le e rsultat dans les autres qutions. Cela donne un nouveau systme S2 de m 1 quations et e e e e n 1 inconnues Rsoudre le nouveau systme S2 . Utiliser la solution obtenue pour calculer ectivement e e e l'inconnue limine dans l'tape 1 e e e On a donc
S @A
&
xi1 = : : : S2 xi1 = : : :
@A X
Soit
V ` & xi1
= ::: xi2 = : : :
S3
@A : : :
S @A
V b b b b b ` b b b b b X
xi2 = : : :
...
xi = : : :
r
Sr
Remarque. A chaque inconnue limine correspend une quation limine e e e e e

Nombre d'inconnues limines = Nombre d'quations limins e e e e e
Quand ce procd de rsolution s'arrte t'il ? e e e e
5
Quand il n'est plus possible d'exprimer une inconnue en fonction des autres.
C'est dire : a

Soit il n'y a plus d'quations e Soit il n'y a plus d'inconnues Soit toutes les quations se prsenent sous la forme : e e
V ` X
Sr
0xir+1 + 0xir+2 + + 0xin = bHr+1
0xir+1 + 0xir+2 + + 0xin = bHm
La solution de ces systme est vidente : e e
Dans le premier cas les inconnues non encore limins peuvent prendre des valeurs arbitraires e ee et la solution gnrale du systme s'xprime au moyen de ces inconnues qui jouent le r^le de e e e e o paramtres arbitraires . La solution s'obtient en remontant les quations limines : dernire e e e e e quation limine, avant dernire, celle qui la prcde . . . e e e e ee Dans le second : si les quations non encore limins sont vris, le systme est possible, sa e e ee e e e solution (unique) s'obtient en remontant les quations limines : dernire quation limine, e e e e e e e avant dernire, celle qui la prcde . . . Sinon le systme est impossible . e ee e Dans le troisime cas e

{ Ou bien il existe un bHi T= 0 dans ce cas ce systme est impossible, donc le systme de e e
dpart est impossible. e { Ou bien tous les bHi sont nuls, dans ce cas tous les inconnues non encore limins e ee xir+1 ; xir+2 ; : : : ; xin vrient les quations, donc peuvent prendre des valeurs arbitraires e e et la solution gnrale du systme s'xprime au moyen de ces inconnues qui jouent le r^le e e e e o de paramtres arbitraires . La solution s'obtient en remontant les quations limines : e e e e dernire quation limine, avant dernire, celle qui la prcde . . . e e e e e ee
Exemple 1 :
S
On a
&
x+yz+t = x y 3z 5t =
&
1 1
(1) (2)
S @A S2 =y; z; t @A
&
x=1ty+z S2 =y; z; t
S2 =y; z; t @A
(1 t y + z ) y 3z 5t = 1 @A 2y 2z 6t = 2 & y = 1 z 3t
S3 =z; t S3 =z; t = Y
6 Le systme e
S3 =z; t = Y
n'a pas d'quations. Sa solution gnrale est : e e e
f(z; t) j z; t P K g
Donc la solution gnerale de S est e
V b b b b b b b b ` (x; y; z; t) b b b b b b b b X
dernire relation trouve e e x=1ty+z = 1 t (1 z 3t) + z = 4t relation qui la prcde ee
z; t P K y = 1 z 3t
W b b b b b b b b a b b b b b b b b Y
Soit
f(4t; 1 z 3t; z; t) j z; t P K g
Exemple 2 :
V b b ` b b X
S
On a
x+y =2 xy =0 2x + y = 3 x + 3y = 4 y =2x S2 =x
S @A S2 @A
Soit sous forme standard
V ` X
&
x (2 x) = 0 2x + (2 x) = 3 x + 3(2 x) = 4
V ` X
S2 @A
On rpte la mthode sur S e e e
2x = 2 x=1 2x = 2
&
S @A S3 @A
&
x=1 S3 = Y
2=2 2 = 2
&
S3 @A
0=0 0=0
S3 est un systme lementaire qui n'a pas d'inconnues, dont les relations sont vri. Donc S3 e e e e est possible . Donc S est possible. Sa solution unique est :
V b b ` b b X
(x; y )

x=1
Dernire equation limine e e e y =2x=1 Avant dernire equation limine e e e

V b b ` b b X
W b b a b b Y
Exemple 3 :
S
On a
x+y =2 xy =0 2x + y = 3 x + 3y = 7 y =2x S2 =x
S @A S2 @A
V ` X
&
x (2 x) = 0 2x + (2 x) = 3 x + 3(2 x) = 7
V ` X
S2 @A
On rpte la mthode sur S e e e
2x = 2 x=1 2x = 1
S @A S3 @A
& &
x=1 S3 = Y
2 = 1
&
2=2
S3 @A
0=0 0=3
S3 est un systme lementaire qui n'a pas d'inconnue, dont les relations ne sont pas vri. e e e e Donc S3 est impossible . Donc S est impossible.
Exemple 4 :
S
On a
V ` X
x+y+zt = 1 x + y z 2t = 3 3x + 3 y z 5t = 7
8
&
S @A S2 @A
&
x=1+tyz S2 =y; z; t
(1 + t y z ) + y z 2t = 3 3(1 + t y z ) + 3y z 5t = 7
S2 @A
&
On rpte la mthode de resolution sur S2 e e e
2z t 4z 2t
&
= 2 = 4
S2 =y; z; t @A S3 @A
t = 2z 2 S3 =y; z
= 4
4z 2(2z 2)
S3 @A
0 = 0
S3 est donc un systme lementaire sur lequel l'algorithme s'arrte. Comme les quations de e e e e S3 sont vries, sa solution gnerale est e e e
f(y; z)jy; z P K quelconques g

Donc la solution gnerale de S est e
V b b b b b b b b ` (x; y; z; t) b b b b b b b b X
y; z P K t = 2z 2
x=1+tyz = 1 + (2z 2) y z = 1 y 3z
dernire quation limine e e e e
W b b b b b b b b a b b b b b b b b Y
avant dernire quation limine e e e e
Soit
f (1 y 3z; y; z; 2z 2) jy; z P K g
Exemple 5 :
S
On a
V ` X
x+y+zt = 1 x + y z 2t = 3 3x + 3 y z 5t = 6
&
S @A S2 @A
&
x=1+tyz S2 =y; z; t
(1 + t y z ) + y z 2t = 3 3(1 + t y z ) + 3y z 5t = 6
9 Soit sous forme standard
S2 @A
&
On rpte la mthode de resolution sur S2 e e e
2z t 4z 2t
&
= 2 = 3
S2 =y; z; t @A S3 @A
t = 2z 2 S3 =y; z
= 3
4z 2(2z 2)
S3 @A
0 =
S3 est donc un systme lementaire sur lequel l'algorithme s'arrte. Comme les quations de e e e e S3 ne sont pas vries, S3 st impossible, donc S est impossible e e
1.2 Calcul d'une base de l'ensemble des solutions

Reprenons l'exemple 1. On a trouv la soluton gnrale de S e e e
f(4t; 1 z 3t; z; t) j z; t P K g
Une solution gnerale s'crit donc : e e
s = (4t; 1 z 3t; z; t) s = (0; 1; 0; 0) + z (0; 1; 1; 0) + t(4; 3; 0; 1)

L'ensemble des solution est donc un plan ane. Une base de l'espace vectoriel associ est : e ((0; 1; 1; 0); (4; 3; 0; 1)) Reprenons l'exemple 4. On a trouv la soluton gnrale de S e e e
f(1 y 3z; y; z; 2 2z) j y; z P K g

Une solution gnerale s'crit donc : e e
s = (1 y 3z; y; z; 2 2z ) s = (1; 0; 0; 2) + y(1; 1; 0; 0) + z (3; 0; 1; 2)

L'ensemble des solution est donc un plan ane. Une base de l'espace vectoriel associ est : e ((1; 1; 0; 0); (3; 0; 1; 2))
Autre Exemple de Systme linaire e e
&
x+yz+t=1 x y 3z 5t = 1
10
& & &
S S S S
x=1y+zt x y 3z 5t = 1
x=1y+zt ()(1) x y 3z 5t = 1
x=1y+zt ()(1) (1 y + z t) y 3z 5t = 1
&
x=1y+zt ()(1) 2y 2z 6t = 2 & x=1y+zt ()(1) S y = 1 z 3t & x=1y+zt ()(1) S y = 1 z 3t ()(2) & x=1y+zt ()(1) S y = 1 z 3t ()(2) V (y; z ) P K b b b b y = 1 z 3t (2) ` (1) = (x; y; z; t) x = 1 y + z t b b = 1 (1 z 3t) + z t b b X = 2z 4t & x=1y+zt ()(1) S y = 1 z 3t ()(2)

W b b b b a b b b b Y
S = (2z 4t; 1 z 3t; z; t) (y; z ) P K
2 Structure d'espace vectoriel

L'algbre linaire est n des problmes linaires, e e e e e Ces problmes sont tels que e
{ La somme de solutions est une solution, { Le produit d'une solution par une constante est une solution.

La linarit exige donc deux oprations : e e e
{ Une addition { et une multipication par une constante.

On suppose que ces deux lois ont toutes les bonnes proprits de l'addition et multiplication ee dans R, Ceci amne a la structure d' espace vectoriel e
11
Dnition 2.2. Soit E un ensemble. K un corps commutatif. + une loi interne sur E . : une loi e externe de K E 3 E . On dit que (E; +; :) est un espace vectoriel sur K si :
1. (E; +) esr un groupe ablien e 2. La loi : est assosiative, c'eat--dire : a
Vx P E V; P K
:(:x) = (: ):x
3. La loi : est distributive par rapport +, c'eat--dire : a a
V; Vx P E ( + ):x = :x + :x V P K Vx; y P E :(x + y) = :x + :y

4. 1 est neutre pour la loi . c'eat--dire : a
Vx P E
1:x = x
Par abus on note simplement E l'espace vectoriel (E; +; :) de plus quand la premire loi est e bien note +, on note alors 0 l'lement neutre pour +, x le symtrique de x pour + et pour n P Z e e e e on note nx la puissance nime de x pour +. De m^me quant la deuxime loi est bien note :, pour e e e x P E et P K on peut noter x l'lment :x ee Comme consquences immdiates de ces axiomes, on a e e

Vx P E 0:x = 0 Vx P E (1):x = x Vx P E Vn P Z nx = n1:x Vx P E; V P K (:x = 0 =A = 0 ou x = 0) Vx; y P E; V P K et = 0 (:x = :y =A x = y) T V; P K; Vx P E et x = 0 (:x = :x =A = ) T
Exemples :
K est un espace vectoriel sur K pour les lois + et :, nous verrons que cet espace vectoriel est
Posons K n = f(x1 ; x2 ; : : : ; xn ) j x1 ; x2 ; : : : ; xn P K g. C'est un espace vectoriel sur K pour les lois : (x1 ; x2 ; : : : ; xn ) + (xH1 ; xH2 ; : : : ; xHn ) = (x1 + xH1 ; x2 + xH2 ; : : : )
fondamental en ce sens que tout espace vectoriel se factorise en produit d'espaces vectoriels isomorphes a K .
:(x1 ; x2 ; : : : ; xn ) = (:x1 ; :x2 ; : : : ; :xn )
12
Soit E un espace vectoriel et F un ensemble. Rappelons que E F dsigne l'ensemble des e applications de F 3 E . C'est un espace vectoriel pour les lois (f; g ) 3 f + g : x 3 f (x) + g (x) (; f ) 3 :f : x 3 :f (x) Cet espace vectoriel joue un r^le important en analyse. o
Soit K un corps commutatif, K [X ] est naturalement un espace vectoriel sur K pour les lois :
P; Q P K [X ] 3 P + Q P
P K [X ]
P K 3 P
Soit K un corps commutatif, K (X ) est naturalement un espace vectoriel sur K pour les lois :
R1 ; R2 P K (X )] 3 R1 + R2 R P K [X ] P K 3 R
3 Sous espace vectoriel

Etant donne une structure sur un ensemble E , les parties de E qui sont stables par les oprations e e de la structures jouent un r^le important vis--vis a la structure. En eet, le problme fondamental o a e qui se pose c'est de chercher a factoriser la structure par ses sous structures de manire .similaire e n en n espaces vectoriels K K K . Dans la pulpart des cas on peut a la factorisation de K munir les parties stables d'une structure semblable induite par la structure de E . On obtient ainsi la notion de sous-groupe, sous-anneau, sous-corps : : : et de sous espace vectoriel. Dnition 3.3. Soientt (E; +; :), (F; +H ; :H ) des espaces vectoriels sur K On dit que (F; +H ; :H ) est e un sous espace vectoriel de (E; +; :) si :
1. F 2. 3.
&E Vx; y P F x +H y = x + y Vx P F V P K :Hx = :x
Par abus on dit alors que la partie F de E est un sous espace vectoriel.
13 On a une caractrisation beaucoup plus simple des sous espaces vectoriels e
Proposition 1.3. Soit E un espace vectoriel sur K . Soit F un sous ensemble de E . F est un sous espace vectoriel de E , si et seulement si :
1. F T= Y 2. Vx; y P F
x+y PF :x P F
3. Vx P F V P K
On peut runir les conditions 2. et 3. en une seule condition :: e
1. F T= Y 2. Vx; y P F V; P K
x + y P F
Comme consquences immdiates on a : e e
Vx P F; x P F Vx P F; Vn P Z; nx P F Vx ; x ; : : : ; xn P F V ; ; : : : ; n P K x + x + + nxn P F Remarque. On a 0 P F . Il en rsulte que pour justier que F T= Y, dans la majorit des cas, il e e sut de vrier que 0 P F , d'o une autre caracteisation : e u e
1 2 1 2 1 1 2

0PF
1. 0 P F 2. Vx; y P F V; P K
x + y P F
Exemples de sous espaces vectoriels
f0g et E sont des sous espaces vectoriel de E Soit I = [a; b] un interval de R, l'ensemble des fonctions continues de I 3 R est un sous
espace vectoriel de RI
3
E=R
et F = f(x; y; z ) j x 2y + 5z = 0g. F est un sous espace vectoriel de E , car :
{ (0; 0; 0) P F (car 0 2 0 + 5 0 = 0), donc F T= Y
14
{ Si (x; y; z ); (xH ; yH ; z H ) P F et ; P K , on a
(x; y; z ) + (xH ; yH ; z H ) = (x; y; z ) + (xH ; y H ; z H ) = (x + xH ; y + y H ; z + z H )
(x + xH ) 2(y + y H ) + 5(z + z H ) = (x 2y + 5z ) + (xH 2y H + 5z H ) =0+0=0 Donc (x; y; z ) + (xH ; y H ; z H ) P F Cet exemple est un cas particulier d'un rsultat gnral sur les systmes linaires homognes. e e e e e e Soit le systme linaire : e e
et on a
am x + am x + + amn xn = bm (m ) Dnition 4.3. Le systme linaire est dit homogne si tous les bi sont nuls e e e e Proposition 4.3. Soit un systme linaire homogne L'ensemble des solutions de est un sous e e e espace vectoriel de K n (en particulier il est non vide, donc n'est jamais imposible).
b b X
1 1 2 2
V b b `
= b1 = b2
(1) (2)
Soit E un espace vectoriel. Dans la plupart des relations liant les lments de E , ces lments ne ee ee sont pas ncessairement distints et l'ordre dans lequel les lments interviennent importe, (penser e ee aux quations d'un systme linaire par exemple) aussi au lieu de travailler avec des sous-ensembles e e e de E , on travail souvent plut^t avec des familles (vi )iPI de E . Une famille (vi )iPI d'lments de E o ee s'appel habitualement systme de E . Si I = f1; 2; : : : ; ng , le systme (vi )iPI se note aussi : e e (v1 ; v2 ; : : : ; vn ) La notion qui suit permet de construire des sous espaces vectoriels.
Notation : Soit I un ensemble et K un corps commutatif. on note
K (I ) = f(i )iPI j i P K i = 0 sauf pour ensemble ni de i P I g Pour (vi )iPI un systme de E et (i )iPI P K (I ) , on note e
iPI
i vi def =
iPI
i T=0
i vi
on dit que
Remarque. pour un systme ni (v1 ; v2 ; : : : ; vn ) ni de E , une combinaison linaire des vecteurs e e vi s'crit : e
e iPI i vi est une combinaison linaire des vecteur vi .
1 v1 + 2 v2 + + n vn
15
Proposition 5.3. Soit E un espace vectoriel. Soit (Fi )iPI une famille de sous espaces vectoriels de E , alors i Fi est un sous espace vectoriel de E Dnition 5.3. Soit E un espace vectoriel. Soit A un sous ensemble de E . On appel sous espace e vectoriel engendr par A, l'intersection des sous espaces vectoriel de E contenant A. e
On le note vect(A). Si (vi )iPI est un systme de E , on appel sous espace vectoriel engendr par e e (vi )iPI , celui engendr par A = fvi j i P I g, on le note vect(vi )iPI e Cette dnition se prte mal pour reconnaitre vect(A), la caractrisation qui suit est beaucoup e e e plus pratique :
Comme consquence immdiate de la dnition d'un sous e e e espace vectoriel, si F est sous espace vectoriel de E et les vi P F , alors toute combinaison linaire iPI i vi des vi est dans F . e
Proposition 6.3. Soit E un espace vectoriel, A une partie de E , F une partie de E . On a F = vect(A) si et seulement si 1. F est un sous espace vectoriel de E contenant A.
2. Tout sous espace vectoriel de E qui contient A, contient F Proposition 7.3. Soit E un espace vectoriel. Soit A un sous ensemble de E . On a
@
vect(A) =
aPA
a a j (a ) P K (A)
Autrement dit vect(A) est l'ensemble des combinaisons linaires des lments de A e ee
(A) ,. On vrie immdiatement que F est un e e Preuve : Posons F = aPA a a j (a ) P K sous espace vectoriel de E . On a A & F (prendre a = 1 et a = 0 pour aH T= a). Si F H est un sous espace vectoriel de E qui contient A, il contient toute combinaison linaire des lments de A, e ee donc contient F
0
Cas particuliers :

Soit v P E
vect(v) = fv j P K g
Soient v1 ; v2 P E
vect(v1 ; v2 ) = f1 v1 + 2 v2 j 1 ; 2 P K g
Plus gnralement, soient v1 ; v2 ; : : : ; vn P E e e
vect(v1 ; v2 ; : : : ; vn ) = f1 v1 + 2 v2 + + n vn j 1 ; 2 ; : : : n P K g
16
4 Factorisation d'espaces vectoriels

Schmatiquement, le problme de factoriser une structure S revient a trouver des structures e e S1 ; S2 ; : : : ; Sn de m^me type, indpendantes et tel que e e
S
@A S et S et : : : et Sn
1 2
L'avantage et que un problme sur S se scinde en n problmes plus simples sur les Si . e e L'exemple le plus simple est celui de factorisation des polyn^mes. Il existe d'autres exemples o comme la factorisation des groupes, la rduction des endomorphismes, la rduction des formes e e quadratiques, les probabilits produits, : : : . Ici on va s'intresser au problme de la factorisation e e e d'un espace vectoriel. Commenons d'abord par introduire la notion d'espaces vectoriels isomorc phes, c'eat--dire pratiquement identiques : a Dnition 6.4. Soient E; E H des espaces vectoriels sur le m^me corps K . Une application f : e e H est appele isomorphisme d'espace vectoriel si : E 3 E e
1. f est bijective 2. Vx; xH P E f (x + xH ) = f (x) + f (xH ) 3. Vx P E; V P K
f (x) = f (x)
Pratiquement cela signie que si on renome f (x) chaque l'lment x P E , E s'identie a E H ee
Proposition 8.4.
Soit E un espace vectoriel, l'application identique de E 3 E est un isomorphisme d'espace vectoriel Si f : E 3 E H est isomophisme d'espace vectoriel, alors f 1 : E H 3 E est isomophisme d'espace vectoriel, Soient f : E 3 E H et g : E H 3 E HH des isomorphismes d'espaces vectoriels, alors g f : E 3 E HH est un isomorphisme d'espace vectoriel. Dnition 7.4. Des espaces vectoriels E et E H sont dit isomorphes si il existe un isomorphisme e d'espace vectoriel de E vers E H
On note alors E 9 E H La proposition ci-dessus montre alors que :
Proposition 9.4. La relation "^tre isomorphe" est une relation d'quivalence sur la classe des e e espaces vectoriels sur un m^me corps K e
17 Revenons a notre problme de la factorisation d'un espace vectoriel, le point de dpart est la e e proposition qui suit :
Proposition 10.4. Soit E1 ; E2 ; : : : ; En des espaces vectoriels sur le m^me corps K . Soit sur e E1 E2 En les lois :
((x1 ; x2 ; : : : ; xn ); (y1 ; y2 ; : : : ; yn )) 3 (x1 ; x2 ; : : : ; xn )+(y1 ; y2 ; : : : ; yn ) = (x1 +y1 ; x2 +y2 ; : : : ; xn +yn ) (E1 E2 En ) (E1 E2 En ) 3 E1 E2 En
K (E1 E2 En ) 3 E1 E2 En (; (x1 ; x2 ; : : : ; xn )) 3 :(x1 ; x2 ; : : : ; xn ): = (x1 ; x2 ; : : : ; xn ) alors (E1 E2 En ; +; :) est un espace vectoriel sur K
Preuve : On vrie les axiomes composante a composante et c'est la un premier avantage de e la factorisation Dnition 8.4. L'espace vectoriel E1 E2 En s'appel espace vectoriel produit des espaces e vectoriels Ei
Il est facile de vrier que la relation "^tre isomorphe" est compatible avec le produit d'espaces e e vectoriels. Proposition 11.4. Soient E1 ; E2 ; : : : ; En ; E H ; E H ; : : : ; E H des espaces vectoriels sur K , on a :
1 2
H H H Ei 9 EiH pour i = 1; 2; : : : ; n =A E1 E2 En 9 E1 E2 En
Soit E un espace vectoriel, F1 ; F2 ; : : : ; Fn des sous espaces vectoriels de E , en rapport avec le problme de factoriser E en produit des Fi , la premire question qui se pose est : quel sens donner e e a:
F1 ; F2 ; : : : ; Fn sont indpendant ? e
Intuitivement cela peut vouloir dire que pour tout i, on peut itrer autant qu'on veut les lois + e et : sur j =i Fj sans que cela intersecte Fi , en terme prcis e T
Fi vect(
Examinons d'abort vect( j T=i Fj )
j T=i
F j ) = f0 g
Proposition 12.4. Soit E un espace vectoriel, F1 ; F2 ; : : : ; Fn des sous espaces vectoriels de E , on a :
vect(F1 F2 Fn ) = fx1 + x2 + + xn j x1 P F1 ; x2 P F2 : : : xn P Fn g
Preuve : On applique la caractrisation de vect(A) e
Dnition 9.4. Soit E un espace vectoriel. Soient F1 ; F2 ; : : : ; Fn des sous espaces vectoriels de E . e On appel somme des sous espaces vectoriels F1 ; F2 ; : : : ; Fn le sous espace vectoriel :
fx
+ x2 + + xn j x1 P F1 ; x2 P F2 : : : xn P Fn g
18
On le note naturalement F1 + F2 + + Fn ou
Remarque. 1. F1 + F2 + + Fn joue le r^le oppos (dual) F1 F2 Fn en inversant o e a l'ordre inclusion.
i=1 Fi
F F Fn est le plus grand sous espace vectoriel de E contenu dans F ; F ; : : : ; Fn. F + F + + Fn est le plus petit sous espace vectoriel de E contenant F ; F ; : : : ; Fn. Remarque. 2. On a une surjection canonique entre F F Fn et F + F + + Fn
1 1 2 1 2 2 1 2 1 2 1 2
(x1 ; x2 ; : : : ; xn ) 3 x1 + x2 + + xn Revenons a la question principale : Soient F1 ; F2 ; : : : ; Fn des sous espaces vectoriels d'un espace vectoriel E , on souhaite donner un sens prcis au terme intuitif : les sous espaces vectoriels e F1 ; F2 ; : : : ; Fn sont indpendants. La e proposition qui suit analyse la condition Fi vect( j =i Fj ) = f0g T
Proposition 13.4. Soient F1 ; F2 ; : : : ; Fn des sous espaces vectoriels d'un espace vectoriel E . Il estquivalent de dire : e
1. Pour tout i = 1; 2; : : : n
Fi
j T=i Fj = f0g
2. Pour i = 1; 2; : : : ; n on a Fi (F1 + F2 + + Fi1 ) = f0g 3. V(x1 ; x2 ; : : : ; xn ) P F1 F2 Fn
x1 + x2 + + xn = 0 =A xi = 0 pour i = 1; 2; : : : ; n
4. Vx P F1 + F2 + + Fn , il existe (x1 ; x2 ; : : : ; xn ) x = x1 + x2 + + xn .
P F F Fn
1 2
unique tel que
5. La surjection canonique entre F1 F2 Fn et F1 + F2 + + Fn est un isomorphisme d'espace vectoriel.
Preuve : . Il sut de montrer que 1) =A 2) =A 3) =A 4) =A 5) =A 1).

1) =A 2) immdiat e 2) =A 3) car si 2) supposons pour (x1 ; x2 ; : : : ; xn ) P F1 F2 Fn on a x1 + x2 + + xn =, soit i le plus grand entier tel que xi T= 0, alors chaque xi = ij1 xj , donc 0 =1 i1 F )(= f0g), donc x = 0 contradiction, donc x = 0 pour i = 1; 2; : : : ; n. xi P Fi ( j =1 j i i 3) =A 4) car si 3). Soit x P F1 + F2 + + Fn . Supposons que x admet deux criture e H + xH + + xH avec xi ; xH P Fi , alors (x1 xH ) + (x2 xH ) + x = x1 + x2 + + xn = x1 2 n 1 2 i + (xn xHn) = 0, par 2) on a xi xHi = 0 pour tout i, soit xi = xHi pour tout i. 4) =A 5) par dnition m^me d'une bijection. e e
en dduitde manire un peu informelle mais qui montre comment exploiter la factorisation, e e que Fi Fj = f0g j T=i
5) =A 1) car si 5), chaquei s'identie dans F1 F2 Fn f0gf0g f0g Fi F a f0g f0g tandit que jT=i Fj s'identie F1 F2 : : : Fi1 f0g Fi+1 Fn, on a
19
Dnition 10.4. Soient F1 ; F2 ; : : : ; Fn des sous espaces vectoriels d'un espace vectoriel E . On e dit que F1 ; F2 ; : : : ; Fn sont indpendant (ou que la somme ) F1 + F2 + + Fn est directe si ils e vrient les proprits equivalentes de la proposition ci-dessus. e ee
Une somme directe F1 + F2 + + Fn se note
F1 F2 Fn
Remarque. 1 La caractrisation 5 resoud notre problme de factorisation. e e Remarque. 2 F1 + F2 est directe si et seulement si F1 F2 = f0g : Remarque. 3 La caractrisation 2 montre que : e
F1 + F2 + + Fn directe
Exemple : Soit dans
@A b
b b X
V b b b `
F1 + F2 directe (F1 + F2 ) + F3 directe . . . (F1 + F2 + + Fn1 ) + Fn directe
R3 les sous espaces vectoriels
F = (x; y; z) P R j x + y + z = 0 F H = vect(1; 1; 1)
3
v P F @A x + y + z = 0 v P F H @A W P R tel que (x; y; z) = (1; 1; 1)
Cherchons si F + F H est directe. Soit v = (x; y; z ) P F
F H, on a :
x + y + z = 0 =A + + = 0 =A 3 = 0 =A = 0 =A x = y = z = 0 Donc F F H = f0g, donc F + F H est directe.
5 Espace vectoriel quotient

Conjointement au problme de la factorisation d'une structure, se pose le problme de quotionter e e (ou projeter) une stucture. Il s'agit de diviser les ensembles intervenant dans la struture, en classes (donc disjointes), de sorte que les lments d'une m^me classe possdent un m^me comportement ee e e e vis--vis a la structure (penser a la projection d'un lm sur un plan, ce que l'on voit sur le plan a re te dlement une sne a 3 dimension). La formulation prcise de ce problme est simple : e e e e e Trouver sur chaque ensemble intervenant dans la structure, une relation d'quivalence compatible e avec la structure.
Dnition 11.5. Soit E un espace vectoriel. Une relation binaire R sur E est dite compatible e avec la strucure d'espace vectoriel de E si :
Vx; y; xH; yH P E xR y et xHR yH =A (x + xH)R (xH + yH) Vx; y P E V P K xR y =A (x)R (y)
20
Proposition 14.5. Soit E un espace vectoriel. Pour qu'une relation binaire R sur E , soit une relation d'quivalence sur E compatible avec la sturcture d'espace vectoriel de E , il faut et il suf e qu'il existe un sous espace vectoriel F de E tel que
Vx; y P E xR y @A x y P F Preuve : . Posons F = fx P E j xR 0g. On vrie que F est sous espace vectoriel de E . On a e
xR y @A (x y)R 0 @A x y P F Inversement si F est un sous espace vectoriel de E , on vrie que la relation binaire x y P F e est une relation d'quivalence compatible avec la structure d'espace vectoriel de E e
Remarque. Le sous espace vectoriel F associ R par la proposition ci-dessus est unique. Pour ea cette raison on note E=F l'ensemble quotient E=R Proposition 15.5. Soit E un espace vectoriel , F un sous espace vectoriel de E . La relation x y P F tant une relation d'quivalence compatible avec la structure d'espace vectoriel de E , cela e e indui sur l'ensemble quotient E=F les lois :
(; x) P K E=F (x; y ) 3 x + y = x + y
3 x = x
pour lesquelles (E=F; +; :) est un espace vectoriel sur K .
Dnition 12.5. L'espace vectoriel E=F s'appel espace vectoriel quotient de l'espace vectoriel E e par son sous espace vectoriel F:
La proposition qui suit un certain lien du quotient d'espaces vectoriels avec le produit d'espaces vectoriels. Proposition 16.5. Soit E = F F H une somme directe. L'application
x P F H 3 x P E=F est un isomorphisme d'espace vectoriel.

Preuve : . L'application est injectif car (cf x8 suivant ) si x = 0, on a x P F , donc x P F F H , donc x = 0. L'application est surjective, car soit x P E=F , ecrivone x = x1 + x2 avec x1 P F et x2 P F H , on a x = x2 car x1 = 0 Remarque. On a E = F F H , par la proposition 13.4 on E 9 F F H , par la proposition ci-dessus F H 9 E=F , par la proposition 11.4, on en dduit que : e
E 9 F E=F
6 Indpendace linaire e e
Soit E un espace vectoriel. On a vu que la factorisation de E consiste a trouver des sous espaces vectoriels F1 ; F2 ; : : : ; Fn de E tel que :
E = F1 F2 Fn
21 Plus les sous espace vectoriel Fi sont petits, mieux est la factorisation, la meilleure factorisation est Fi = vect(vi ) avec vi T= 0 (les facteurs de la forme f0g n'apporte rien d'intrssant). Comment ee se re tent l'indpendance des Fi sur les vecteurs vi ? Autrement dit tant donns des vecteurs e e e e v1 ; v2 ; : : : ; vn de E a quelle condition la somme
vect(v1 ) + vect(v2 ) + + vect(vn )

est directe ? La rponse est done par : e e
Proposition 17.6. Soit E un espace vectoriel. Soit = (vi )iPI un systme de E , Il est quivalent e e de dire :
1. Chaque vi est T= 0 et la somme 3. V(i )iPI
2. Pour tout i P I on a vi P vect(vj )j T=i =
i vect(vi )
est directe
PK I
( )
Preuve : . Preuve : Si est libre, une relation i i vi = 0 avec un i T= 0 entraine vi = 1 jT=i j vj , donc vi P vect (fvj j j T= ig). Inversement si i ivi = 0 =A Vi P I i = 0 i alors est libre, car sinon, existe un i tel que vi P vect (fvj j j T= ig), soit vi = j T=i j vj , donc il on aurait une relation vi j T=i j vj = 0 avec i = 1 T= 0
( i i vi = 0 =A Vi P I i = 0)
Dnition 13.6. Soit = (vi )iPI un systme de E , on dit que les vi sont linairement indpendants e e e e (ou que est libre ), si il vrient les condition quivalente de la proposition ci-dessus Dans le e e cas contraire est dit li . e
Par abus, on dit qu'un sous ensemble A d'un espace vectoriel est libre (resp li) si le systme e e (a)aPA est libre (resp li). e
Remarque. 1 Le plus souvent c'est la condition 3. qui est la plus pratique vrier. a e Remarque. 2. Si = (v1 ; v2 ; : : : ; vn ) est ni. La condition libre equivaut a
relation i i vi = 0 est un systme linaire en i , montrer que ce systme a une solution unique e e e e e i = 0 Vi P I , revient resoudre rigouresement le systme linaire. C'est l'une des raisons pour a lequels nous avons commenc ce chapitre, par les systmes linaires e e e
Voici des proprits immdiates de la notion d'indpendance linaire ee e e e
V( ; ; : : : ; n) P K n ( v + v + + nvn = 0 =A = = = n = 0) Remarque. 3. Soit = (vi )iPI un systme de E libre, si et seulement si la relation i i vi = 0 e a une solution unique i = 0 pour tout i P I . En fait si on ecrit explicitement les vecteurs vi , la
1 2 1 1 2 1 2
Y est libre Si L est libre et LH & L, alors LH est libre. Si L est libre et x P E , on a L fxg libre @A x P vect(L) =
22

Tout systme contenant 0 est li. e e Si dans un systme, un vecteur est rpt, le systme est li. e e ee e e Si dans un systme, deux vecteurs sont proportionnels, le systme est li. e e e Soit dans un K n un systme a deux lments e ee
= (x ; x ; : : : ; xn) ; xH ; xH ; : : : ; xHn
1 2 1 2
avec si xHi = 0 xi = 0
x est li @A xH e
x x = H2 = = n x2 xHn
De cette caractrisation il vient immdiatement : e e

Le systme ((1; 2; 3; 0); (2; 4; 6; 0)) est li. e e Le systme ((1; 2; 3; 1); (2; 4; 6; 0)) est libre. e
Exemples :
Dans K n , le systme e ((1; 0; 0; : : : ); (0; 1; 0; : : : ); : : : ; (0; 0; : : : ; 0; 1)) est libre car
1 (1; 0; 0; : : : ) + 2 (0; 1; 0; : : : ) + = (0; 0; : : : ; 0)

quivaut a e [suite] (1 ; 2 ; : : : ; n ) = (0; 0; : : : ; 0)
Dans K [X ], le systme (X n)nPN est libre. e Dans K (X ), le systme des lments simples est libre (ct chapitre 3). e ee E = R et = ((1; 1; 2); (1; 1; 1); (2; 1; 1)) (1; 1; 2) + (1; 1; 1) + (2; 1; 1) = 0 @A ( + + 2 ; + + ; 2 ) = (0; 0; 0)
3 1 2 3 1 2 3 1 2 3 1 2 3
Donc
1 (1; 1; 2) + 2 (1; 1; 1) + 3 (2; 1; 1) = 0 V ` 1 + 2 + 2 3 = 0 @A X 1 + 2 + 3 = 0 21 2 3 = 0
23
@A X @A X @A X @A X @A X @A X
V ` V ` V ` V ` V `
V `
1 + (1 3 ) + 23 = 0 2 = 1 3 ()(1) 21 (1 3 ) 3 = 0 3 = 0 2 = 1 3 31 = 0

()(1)
1 + 2 + 23 = 0 2 = 1 3 ()(1) 2 1 2 3 = 0
3 = 0 ()(2) 2 = 1 3 ()(1) 31 = 0 3 = 0 ()(2) 2 = 1 3 ()(1) 1 = 0 ()(3)
3 = 0 ()(2) 2 = 1 3 ()(1) 1 = 0 ()(3)

V `
@A X
Donc est libre.
3 = 0
=0 1 = 0
2
()(2) ()(1) ()(3)
Montrons directement que le systme e

; ; X 1 X 2 X 3 b c
est libre dans R(X ) On a
X 1
X 2
X 3
=0
@A a(X 2)(X 3) + b(X 1)(X 3) + c(X 1)(X 2) = 0 @A a(X 5X + 6) + b(X 4X + 3) + c(X 3X + 2) = 0

2 2 2
@A (a + b + c)X (5a + 4b + 3c)X + 6a + 3b + 2c = 0

2
@A X
V `
a+b+c=0 5a + 4 b + 3 c = 0 6a + 3 b + 2 c = 0
24
@A X
V `
@A X @A X @A X @A X @A X
V ` V ` V ` V `
V `
a = b c ()(1) 5(b c) + 4b + 3c = 0 6(b c) + 3b + 2c = 0 a = b c ()(1) b 2c = 0 3b 4c = 0
a = b c ()(1) b = 2c ()(2) 2c = 0 a = b c ()(1) b = 2c ()(2) c=0 ()(3)
a = b c ()(1) b = 2c ()(2) 3(2c) 4c = 0
@A X
7 Gnrateurs linaires e e e
V `
a = b c ()(1) b=0 ()(2) c=0 ()(3) a=0 b=0 c=0

()(1) ()(2) ()(3)
Remarque. Soit = (vi )iPI un systme d'un espace vectoriel E , on peut aussi caractriser le fait e e que est libre, par pour tout x P E , la relation
x=
i vi
admet au plus une solution. On obtiendrait une notion oppose (duale) de la notion de libre e en inversant l'ordre dans R. pour tout x P E , la relation
x=
admet au moins une solution. Cela conduit la notion importante de systme gnrateur. a e e e
i vi
Dnition 14.7. Soit = (vi )iPI un systme d'un espace vectoriel E . On dit que est gnrateur e e e e si pour tout x P E , la relation
x=
admet au moins une solution (i )iPI
PK I
i vi
( )
25 Autrement dit E = vect fvi j i P I g Par abus, on dit qu'une partie B de E est un gnrateur de E , si le systme (b)bPB est un e e e gnrateur de E . e e Voici les proprits immdiates de la notion de gnrateur : ee e e e
E est gnrateur. e e Soit G un gnrateur et x P E , on a : e e

G n fxg generateur
Cette proprit est la proprit duale de 5 ee ee
@A x P vect(G)
Pour toute partie A d'un espace vectoriel, A est un gnrateur de vect(A) e e
La proposition qui suit donne un critre pratique pour vrier si un systme est gnrateur. e e e e e
Proposition 18.7. Soit q un gnrateur d'un espace vectoriel E . Soit un systme de E . Si tout e e e lment de q est combinaison linaire d'lments de , alors est gnrateur. ee e ee e e
, il sut de le vrier pour les lments d'un gnrateur. e ee e e
Autrement dit au lieu de vrier si tout lment de E est combinaison linaire d'lments de e ee e ee
Preuve : . On a q & vect( ), donc vect(q )(= E ) & vect( )

Exemples :
Dans K n , le systme e ((1; 0; 0; : : : ); (0; 1; 0; : : : ); : : : ; (0; 0; : : : ; 0; 1)) est gnrateur car tout (x1 ; x2 ; : : : ; xn ) P K n s'crit e e e (x1 ; x2 ; : : : ; xn ) = x1 (1; 0; 0; : : : ) + x2 (0; 1; 0; : : : ) + : : :

Dans K [X ], le systme (X n )nPN est gnrateur. e e e Dans K (X ), le systme des lments simples est gnrateur. e ee e e
26
Dans R2 le systme ((1; 1); (1; 2); (1; 1)) est gnrateur car soit (a; b) P R2 , cherchons si le e e e systme e (a; b) = 1 (1; 1) + 2 (1; 2) + 3 (1; 1) admet au moins une solution (1 ; 2 ; 3 ) P R3 On a (a; b) = 1 (1; 1) + 2 (1; 2) + 3 (1; 1)
+ @A 2 = ab + = & + @A 2 = ab + = & + + a @A ( =+ + a) 2 + ()(1)b = & a ( @A =3 + += b a)(1) +2 & = a )(1) @A = (b a+ 3+)=2 ()(2) + ( & = a )(1) @A = (b a+ 3+)=2 ()(2) + ( & 2 + )= 2 ( @A ==(b=+ (b 3a)=2; ()(1) a+ )(2) & 2 + )= 2 ( @A ==(b=+ (b 3a)=2; ()(1) a+ )(2)
1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 2 3 2 3 1 2 3 2 3 1 2 3 3 2 1 2 3 3 2 1 2 3 2 1 2 3 2
&
Donc le systme admet une innit de solution e e
f( =2 + (b + a)=2; ; (b a + 3 )=2) j P Rg

2 2 2 2
Donc ((1; 1); (1; 2); (1; 1)) est gnrateur. e e
8 Base et dimension d'un espace vectoriel

8.1 Base d'un espace vectoriel
Soit E un espace vectoriel.
( )
= (vi)iPI un systme de E , on a vu que : e libre si et seulement si pour tout x P E , la relation x = i ivi admet au plus une solution ( i ) P K I gnrateur si et seulement si pour tout x P E , la relation x = i ivi admet au moins une e e solution (i ) P K I
( )
Il en rsulte aussit^t : e o
Proposition 19.8. Soit E un espace vectoriel.
un systme de E , il est quivalent de dire : e e
27
1. Tout lment de E s'crit de faon unique comme combinaison linaire d'lments de . ee e c e ee 2.
est la fois libre et gnrateur. a e e
Dnition 15.8. Soit E un espace vectoriel. On appel base de E tout systme de E qui vrie les e e e conditions quivalente de la proposition ci-dessus. e
Par abus, on dit qu'une partie B de E est une base de E , si le systme (b)bPB est une base de e E . (Autrement dit si B est a la fois libre et gnrateur). e e Voici les proprits immdiates de la notion de base : ee e

Soit L une partie libre d'un espace vectoriel, alors L est une base de vect(L) Soient B; B H des bases d'un espace vectoriel, on a B & B H =A B = B H (en eet si x P B H n B on aura x P vect(B ) et B fxg libre, contradiction) Si un espace vectoriel E admet un gnrateur ni, alors toute les bases de E sont nies (donc e e toutes les parties libres sont nies) (en eet si G est un gnrateur ni de E et B base de e e E , soit B1 les lments de B intervenant dans l'criture des lments G comme combinaison ee e ee linaire d'lments de B , comme G est ni, B1 est ni, par le crytre 18.7 B1 est gnrateur, e ee e e e comme il est libre, c'est une base, comme B1 & B , on a B = B1 nie ) Dans K n , le systme ((1; 0; 0; : : : ); (0; 1; 0; : : : ); : : : ; (0; 0; : : : ; 0; 1)) est a la fois libre et gnrateur, e e e n . (On l'appel la base canonique de K n ). donc base de K Si L est une partie libre d'un espace vectoriel, c'est une base de vect(L) Dans K [X ], le systme (X n )nPN est une base. e Dans K (X ), le systme des lments simples est une base. e ee Dans R3 le systme ((2; 1; 3); (1; 4; 1); (2; 7; 1)) est une base car, soit (a; b; c) P R3 , mone trons que le systme e (a; b; c) = 1 (2; 1; 3) + 2 (1; 4; 1) + 3 (2; 7; 1) a une solution et une seule.
Exemples :

On a (a; b; c) = 1 (2; 1; 3) + 2 (1; 4; 1) + 3 (2; 7; 1)
@A X
V `
V `
+ 2 + 23 = a 1 + 42 + 73 = b 31 2 + 3 = c

1 1 2 3
2
2 + + 2 = a @A X + 4 + 7 = b 3 + = c
1 2 3 1 2 3
28
2 + + 2 = a @A X + 4 + 7 = b = 3 + c ()(1)
1 2 3 1 2 3 2 1 3
V `
@A X
V `
+ (31 + 3 c) + 23 = a 1 + 4(31 + 3 c) + 73 = b 2 = 31 + 3 c ()(1)

1
2
@A X 13 @A X 13 @A X
V ` V ` V `
V `
1 + 33 = a + c 1 + 83 = b + c 2 = 31 + 3 c
()(1)
1 = a + c 33 ()(2) 1 + 83 = b + c 2 = 31 + 3 c ()(1)
1 = a + c 3 3 ()(2) 13(a + c 33 ) + 83 = b + c 2 = 31 + 3 c ()(1) 1 = a + c 33 ()(2) = b 12c 13a 3 2 = 31 + 3 c ()(1)
@A X 31 @A X @A X
V ` V ` V `
1 = a + c 33 ()(2) ()(3) 3 = (b + 12c + 13a)=31 2 = 31 + 3 c ()(1)

()(2)
1 = a + c 3((b + 12c + 13a)=31) 3 = (b + 12c + 13a)=31 ()(3) 2 = 31 + 3 c ()(1) 1 = (8a)=31 (5c)=31 + (3b)=31 ()(3) 3 = (b + 12c + 13a)=31 2 = 31 + 3 c ()(1)
@A X
V b b ` b X
()(2)
@A b
1 = (8a)=31 (5c)=31 + (3b)=31 ()(2) 3 = (b + 12c + 13a)=31 ()(3) 2 = 3((8a)=31 (5c)=31 + (3b)=31) +((b + 12c + 13a)=31) c ()(1)
29
V `
@A X
1 = (8a)=31 (5c)=31 + (3b)=31 ()(2) 3 = (b + 12c + 13a)=31 ()(3) 2 = (11a)=31 + (2b)=31 (24c)=31 ()(1)
((2; 1; 3); (1; 4; 1); (2; 7; 1))
Le systme a une solution unique, donc e est une base de R3 . Les deux thormes qui suivent jouent un r^le fondamental en algbre linaire. e e o e e
8.2 Thorme de la base incomplte e e e

Thorme 1.8. ( Thorme de la base incomplte ) Soit E un espace vectoriel. Soit L une partie e e e e e libre de E et soit G une partie gnrateur de E , il existe GH & G tel que L GH est une base de E . e e
Pratiquement ce thorme veut dire que l'on peut complter de proche en proche, L par des lments e e e ee de G jusqu' obtenir une base de E . Nous montrerons que ce processus est ni si E a un gnrateur a e e ni. Nous dmontrons ce thorme sous l'hypothse que E a un gnrateur ni, la preuve dans le e e e e e e cas gnral fait appel a un lemme de thorie des ensemble qui n'a pas t vu en semestre 1, a savoir e e e ee le lemme de Zorn.
Preuve du thorme : Soit Go un gnrateur ni de E , Soit G1 les vecteurs gurant dans e e e e les dcompositions des lments de Go comme combinaison linaire d'lment de G. Comme Go est e ee e ee ni, G1 est ni. Par le crytre des gnrateurs 18.7 G1 est gnrateur. Il sut alors de dmontrer e e e e e e H & G1 tel que L GH est libre et jGH j le thorme pour G1 qui est gnrateur ni de E . Soit G e e e e maximum. Soit g P G1 , si g P vect(L GH ), alors L GH fg g est libre, de plus g P GH (puisque = = g P vect(L GH )), donc jGH fggj = jGH j +1 > jGH j, ce qui conterdit jGH j maximum. Donc pour tout = g P G1 , on a g P vect(L GH ), toujours par le crytre des gnrateurs 18.7, L GH est gnrateur. e e e e e Comme il est libre par construction, c'est une base de E
Comme consquences immdiates du thorme ci-dessus, on obtient : e e e e

Tous systme libre se complte a une base (prendre G = E ). e e Tous systme gnrateur contient une base (prendre L = Y). e e e Tout espace vectoriel admet une base (prendre L = Y et G = E ).
Exemple :
30 Dans R3 le systme ((1; 1; 0); (1; 1; 0)) est libre. On peut donc le complter par des vecteurs de e e la base canonique ((1; 0; 0); (0; 1; 0); (0; 0; 1)) et obtenir une base de R3 . On vrie que les systmes e e ((1; 1; 0); (1; 1; 0); (1; 0; 0)) ((1; 1; 0); (1; 1; 0); (0; 1; 0)) sont lis et que e est libre. donc la base cherche est e ((1; 1; 0); (1; 1; 0); (0; 0; 1)) . ((1; 1; 0); (1; 1; 0); (0; 0; 1))
8.3 Thorme de la dimension e e

Le deuxime thorme fondamental de l'algbre linaire est le thorme suivant : e e e e e e e
Thorme 2.8. ( Thorme de la dimension) Soit E un espace vectoriel. B et B H des bases de e e e e E . On a :
jB j = B H
Nous dmontrons ce thorme sous l'hypothse que E a un gnrateur ni, la preuve dans le e e e e e e cas gnral fait appel a au lemme de Zorn . e e On aura besoin du lemme suivant :
Lemme. Soit E un espace vectoriel. Soit L une partie libre de E , G un gnrateur de E . Soit e e H P G tel que x P L , il existe x (L n fxg) xH est libre et xH P L n fxg = Preuve : . Si tout xH P G appartient vect(L n fxg), par le critre des gnrateurs 18.7 L n fxg a e e e serait gnrateur, donc x P vect(L n fxg) ce qui conterdit L libre, donc il existe xH P G tel que e e xH P vect(L n fxg), par une proprit immdiate des partie libre, (L n fxg) fxH g est libre et on a = ee e xH P L n fxg car xH P vect(L n fxg) = = Preuve du thorme : Supposons que E admet un gnrateur ni. Soit L une partie libre e e e e de E et B une base de E , montrons que jLj jB j, il en resulterait que jB H j jB j et jB j jB H j donc jB j = [B H [. Pour montrer que jLj jB j on procde par recurrence sur jLj jL B j, par une e proprit immdiate des bases, L et B sont nies. Si jLj jL B j = 0 alors jLj = [L B [ jB j, ee e supposons jLj jL B j > 0, il existe alors x P L n L B , par le lemme il existe xH P B tel que (L nfxg) fxH g est libre et xH P L nfxg, alors xH P L B car comme x P L B on a L B & L nfxg. = = = Posons LH = (L n fxg) fxH g, alors LH B = ((L n fxg) B ) (fxH g B ) = (L B ) fxH g, donc jLH B j = jL B j + 1 et on a jLHj = [L[ (car xH P L n fxg), donc jLHj jLH B j = jLj jL B j 1, = H j `jB j, donc jLj `jB j par l'hypothse de rcurrence jL e e Dnition 16.8. Soit E un espace vectoriel. Le cardinal d'une base de E s'appel dimension de e l'espace vectoriel E
31 On la note dim(E)
Exemples :

dim(K n ) = n
L'espace vectoriel trivial f0g a pour base l'ensemble vide Y et donc :
dim(f0g) = 0
Si L est une partie libre d'un espace vectoriel, dim(vect(L)) = jLj On a vu qu'une base de K [X ] est (X n )nPN , par suite :

dim(K [X ]) = jNj X n;
(X )m nPN;PC;mPN(m!1) 1

On vu qu'une base de C [X ] est
, par suite :
dim(C(X )) = jNj + jCj jN n f0g j = jCj = jRj jRj = jRj

(car si a; b sont des cardinaux innis, avec a
b, on a a + b = a b = b )
Consquences immdiates des thormes 1.8 et 2.8 e e e e

Soit E un espace vectoriel de dimension nie n

Tout systme libre a au plus n lment (tout systme qui a strictement plus que n lments e ee e ee est li) e Tout systme libre qui a n lments est une base. e ee Tout systme gnrateur a au moins n lments. (tout systme qui a strictement moins que e e e ee e n lments est non gnrateur) ee e e Tout systme gnrateur qui a n lments est une base. e e e ee
Avec ces proprits on peut rapidement rpondre si les systmes suivants sont libre, lis, ee e e e gnrateur ou base : e e
E = R , ((1; 1; 0); (1; 1; 4); (0; 7; 8); (1; 1; 1)) libre ou li ? e E = R , ((1; 1); (1; 1)) base ? E = R , ((1; 5; 5; 7); (8; 4; 7; 2); (5; 1; 1; 2)) gnrateur ? e e
3 2 4
Remarque.
Dans un espace vectoriel de dimension nie n, si un systme a n lments, pour montrer que e ee ce systme est une base il sut de montrer qu'il est libre ou gnrateur. e e e
32
Dans l'exemple qui suit la dnition 15.8, il susait de vrier que le systme e e e
((2; 1; 3); (1; 4; 1); (2; 7; 1))
est libre (ou gnrateur) e e
Dans un espace vectoriel de dimension nie, le processus de compltition de proche en proche e s'arrte ncessairement, car sinon on construirait un systme libre inni. e e e
8.4 Classication des espaces vectoriels

En science naturelle se pose le problme de classier (numrer) tous les spces d'un tre vivant e e e e e e ayant une proprit donne. En mathmatique il se pose un problme analogue de classier ( ee e e e a isomorphisme prs) tous les espces d'une structure donne S . En terme prcis le problme revient e e e e e a:

Determiner un ensemble E dont les lments vrient la structure S ee e Chaque objet mathmatique qui vrie la structure est isomorphe a un et a un seul lment e e ee de E (en particulier les lments de E sont deux a deux non isomorphes ) ee
Pour la structure d'espace vectoriel, le problme de la classication est relativement facile (Il e n'on est rien de loin dans le cas des groupes nis par exemple), la proposition qui suit resoud le problme de classication des espaces vectoriels : e Proposition 20.8. (Classication des espaces vectoriels sur K ) Soient E et E H des espaces vecto-
riels sur le m^me corps K . On a e

En consquence on a e
E 9 E H @A dim(E ) = dim(E H )
Si n T= m, K n et K m ne sont pas isomorphes. dim(E ) = n @A E 9 K n

K n (n P N
L'ensemble des prototypes E des espaces vectoriels de dimension nie est donc form des e n ! 1)
est un isomorphisme d'espace vectoriel
Preuve de la proposition : Si E 9 E H soit f : E 3 E H un isomorphisme d'espace vectoriel. Soi B = (ei )iPI une base de E , soit B H = (f (ei ))i, montrons que B H est une base de E H . Soit y P E H , PI il existe x P E tel que y = f (x), crivons x = i ei , alors y = f (x) =( i xi ei ) = i xi f (ei ), e f ix donc B H est gnrateur de E H . B H est libre car si i xi f (ei ) = 0, alors f ( i xi ei ) = 0 = f (0), donc e e xi ei = 0, donc xi = 0 pour tout i P I ,. Par suite dim(E H ) = jI j = dim(E ). Inversement si i dim(E ) = dim(E H ), soient B et B H des bases respectives de E et E H , a donc jB j = jB H j, soit on H une bijection, pour x P E , x = f : B 3 B xi ei , posons f (x) = i xi f (ei ), on vrie que f e i
33
8.5 Base et dimension des solutions d'un systme linaire e e

Dans la proposition 4.3, nous avons vu que l'ensemble des solutions d'un systme homogne est un e e espace vectoriel. Trouvons une base et la dimension de cet espace vectoriel.
Proposition 21.8. Soit S un systme linaire homogne. Supposons qu'une rsolution de S a e e e e e conduit xj1 ; xj2 ; : : : ; xj comme paramtres. Soit sk la solution obtenus en prenant xj = 1 et a xj = 0 pour i T= k, alors (s1 ; s2 ; : : : ; st ) est une base de l'ensemble des solutions de S , et la solution gnrale de S s'crit e e e
t k i
s=
t k=1
xj sk
k
Corollaire. Soit S un systme linaire homogne. Supposons qu'une rsolution de S a conduit e e e e xj1 ; xj2 ; : : : ; xj comme paramtres, alors l'espace vectoriel S des solutions de S , vrie : a e e
t
dim(S ) = t
(= nombre des parametres)
Pour un systme non homogne il faut modier lgerement cette proposition ; e e e
Proposition 22.8. Soit S un systme linaire possible. Supposons qu'une rsolution de S a e e e conduit xj1 ; xj2 ; : : : ; xj comme paramtres. Soit so la solution obtenue en posant a e
t
xj1 = xj2 = = xj = 0
t
Soit so + sk la solution obtenus en prenant xj = 1 et xj = 0 pour i T= k, alors la solution gnrale e e de S s'crit de faon unique : e c
k i
s = so +
Exemples :
t k=1
xj sk
k
Soit le systme e
&
x+yz =1 xz =5
&
x+yz =1 xz =5
&
( + z @A xz= z5) + y (= 1 +5 )(1) ()(1)
&
@A 5 + yz = 1 x= +5
&
y 4 @A x = + 5 ()(2) =z ()(1)
La solution gnrale s'crit donc : e e e
s = (z + 5; 4; z ) = (5; 4; 0) + z (1; 0; 1)
zPK
34
Soit le systme trouver (x; y; z ) P K 3 tel que x + 5y = 3. On a : e
x + 5y = 3 @A x = 3 5y
Donc la solution gnrale s'crit : e e e
( )
s = (3 5y; y; z ) = (3; 0; 0) + y(5; 1; 0) + z (0; 0; 1)
8.6 Base et dimension d'une somme directe

Cherchons maintenant une base et la dimension d'une somme directe. On a
Proposition 23.8. Soient F1 ; F2 ; : : : ; Fn des sous espaces vectoriels d'un espace vectoriel E . Soit Bi une base de Fi , alors B1 B2 Bn est un gnrateur de F1 + F2 + + Fn , c'est une base e e avec Bi Bj = Y pour i T= j si et seulement si F1 + F2 + + Fn est directe.
Il rsulte de cette proposition qu'tant donn Bi e e e libre, et si Bi Bj = Y pour i T= j , alors la somme est directe.
Exemple : Soi
& E i = 1; 2; : : : ; n, si B B Bn est
1 2
vect(B1 ) + vect(B2 ) + + vect(Bn ))
B = (e1 ; e2 ; e3 ; e4 ) une base de R4 . Posons
F F F
1 2 3
= vect(e1 ) = vect(e2 ; e3 ) = vect(e4 )
alors F1 + F2 + F3 est directe.
Corollaire. Soient F1 ; F2 ; : : : ; Fn des sous espaces vectoriels d'un espace vectoriel E de dimension nie. On a
dim(F1 + F2 + + Fn ) dim(F1 ) + dim(F2 ) + + dim(Fn ) avec l'galit si et seulement si la somme est directe. e e
Dnition 17.8. Soit F un sous espace vectoriel d'un espace vectoriel E . On appel supplimentaire e de F dans E tout sous espace vectoriel F H de E tel que :
E = F FH
De cette dnition il rsulte immdiatement que ; e e e
f0g et E sont supplmentaires l'un de l'autre e
35
Si F F H est une somme directe, soit E1 = F supplmentaires l'un de l'autre. e
F H, dans l'espace vectoriel E , F

1
et F H sont
Il rsulte du thorme 1.8 (thorme de la base incomplte) et de la proposition 23.8 que e e e e e e
Proposition 24.8. Tous sous espace vectoriel d'un espace vectoriel E admet un supplimentaire dans E . Preuve : . Soit B1 une base de F , on complte B1 a une base B1 B H de E , (B H B1 ) = Y. Soit e H = vect(B H ). Comme B1 B H est libre et (B H B1 ) = Y, la somme F + F H est directe. Comme F B1 B H est gnrateur de F + F H (cf proposition 23.8), on a F + F H = vect(B1 B H ) = E e e
Comme consquences immdiates de la proposition ci-dessus on a : e e
Proposition 25.8. Soit F un sous espace vectoriel d'un espace vectoriel E
dim(F ) dim(E ) Si E est de dimension nie, on a :

dim(F ) = dim(E ) =A F = E
Proposition 26.8. Soit E un espace vectoriel de dimension nie. F un sous espace vectoriel de E . On a
dim(E=F ) = dim(E ) dim(F )

Preuve : Soit F H un sous espace vectoriel supplmentaire de F , on a dim(E ) = dim(F ) + e H ), et par la proposition 16.5 F H 9 E=F dim(F
8.7 Rang d'un systme de vecteur e

Dnition 18.8. Soit E un espace vectoriel. Soit S = (vi )iPI une famille d'lments de E e ee (systme de E ). On appel rang du systme S a dimension du sous espace vectoriel vect(S ) e e engendr par S e
On le note rang (S ) Par abus on appel aussi rang d'une partie A de E , le rang du systme (a)aPA , donc e
rang(A) = dim(vect(A))
Remarque. Pour le calcul du rang d'un systme S , il est inutile de considrer tout l'espace e e vect(S ), il sut (par le thorme de la base incomplte) de chercher un sous systme de S e e e e minimal qui engendre tous les lments de S ee
36
Proposition 27.8. Soit E un espace vectoriel de dimension nie. S = (v1 ; v2 ; : : : ; vn ) un systme e de E . Soit le systme linaire e e
x1 v1 + x2 v2 + : : : xn vn = 0 Supposons qu'une rsolution de ce systme linaire a conduit xi1 ; xi2 ; : : : ; xi comme inconues e e e a limines et xj j T= ik comme paramtres, alors (vi1 ; vi2 ; : : : ; vi ) est une base de vect(S ), en e e e e particulier rang(S ) = r. De plus ecrivons les xi en fonction des paramtres
r r k
xi =
k
xj
parametre r k=1
akj xj
alors
vj =
akj vi
Remarque. La deuxime relation revient dire qu'on obtient l'expression des vj (tel xj paramtre) e a e en lisant verticalement (les colonnes) la premire relation et en multipliant par -1 l'expression e obtenue.
Exemples :
1. S = ((1; 2); (4; 5); (6; 7))
x1 (1; 2) + x2 (4; 5) + x3 (6; 7) = 0 @A

&
&
x1 + 4x2 + 6x3 = 0 2x1 + 5x2 + 7x3 = 0
x1 + 4x2 + 6x3 = 0 2x1 + 5x2 + 7x3 = 0

2 3 2 3 2 3
x = x ( )(1) @A 2(4x 4 6 6x 5x +7x = 0 x )+

1
&
= x @A x 3x 45x 6x =0
1 2 2 3
&
()(1)
@A x x
&
&
= 4x2 6x3 ()(1) ()(2) 2 = 5x3 =3

1
@A x x
= 2x3 =3 2 = 5x3 =3
1
()(1) ()(2)
Par la proposition (v1 ; v2 ) est une base et on a
v3 = 2v1 =3 + 5v2 =3
Ce que l'on peut vrier directement. e
37
S = ((1; 2; 1); (4; 1; 7))
x1 (1; 2; 1) + x2 (4; 1; 7) = 0 @A x1 = x2 = 0
On retrouve que ((1; 2; 1); (4; 1; 7)) est libre. 2. S = ((1; 2; 2); (1; 1; 0); (3; 3; 4))
x1 (1; 2; 2) + x2 (1; 1; 0) + x3 (3; 3; 4) = 0
@A X 2x x @A X
V ` V `
V `
x1 + x2 + 3x3 = 0 1 2 + 3x3 = 0 2x1 + 4x3 = 0
x1 + (2x1 + 3x3 ) + 3x3 = 0 x2 = 2x1 + 3x3 ()(1) 2x1 + 4x3 = 0 x1 = 2x3 ()(2) ()(1) 2 = 2x1 + 3x3 2x1 + 4x3 = 0 x1 = 2x3 ()(2) = 2x1 + 3x3 ()(1) 2 x1 = 2x3 2 = x3
()(2) ()(1)
@A X x @A X x
V ` V `
0=0
@A X x
Donc (v1 ; v2 ) est une base, et
0=0
v3 = 2v1 + v2
9 Applications linaires et Matrices e

Soit E et E H des espaces vectoriels sur K , les applications E 3 E H les plus intressantes sont celles e qui sont compatibles avec les structures d'espace vectoriel de E et E H . Dnition 19.9. Soit E et E H des espaces vectoriels sur K , Une application f : E 3 E H est dite e
9.1 Applications linaires e
linaire si : e
Vx; xH P E f (x + xH) = f (x) + f (xH) Vx P E V P K f (x) = f (x)
38
On note L (E; E H ) l'ensemble des applications linaires de E 3 E H . e
Remarque. On peut grouper les deux conditions de la linairt en une seule savoir : e e a
Vx; xH P E V; P K
ou encore :
f (x + xH ) = f (x) + f (xH ) f (x + xH ) = f (x) + f (xH )
Vx; xH P E V P K
Soit f : E 3 E H linaire. Comme consquences immdiates de la linarit, on a e e e e e
f (0) = 0. Vx P E f (x) = f (x). Vx P E Vn P Z f (nx) = nf (x). Soit f : E 3 E H linaire. Soit : e
i vi
une combinaison linaire d'lments de E , on a : e ee
f(
i vi ) =
i f (vi )
Exemples :
1. Soit f : R2 3 R3
(x; y ) 3 (x + 2y; 3x + 5y; 7x + 11y )
f ((x; y) + (xH ; yH )) = f ((x + xH ; y + yH ))
= ((x + xH ) + 2(y + y H ); 3(x + xH ) + 5(y + y H ); (7)(x + xH ) + 11(y + y H )) = (x + 2y; 3x + 5y; 7x + 11y ) + (xH + 2y H ; 3xH + 5y H ; 7xH + 11y H ) = f ((x; y )) + f ((xH ; y H ))
39 2. Soit E l'ensemble des polyn^mes de K [X ] de degr o e 2. Soit
f : E 3 E
, .
3 XP (X + 2) (X 1)P (X 3)
f (P + Q)
VP; Q P E V; P K
= X (P + Q)(X + 2) (X 1)(P + Q)(X 3) = X (P (X + 2) + Q(X + 2)) (X 1)(P (X 3) + Q(X 3)) = (XP (X + 2) (X 1)P (X 3)) + (XQ(X + 2) (X 1)Q(X 3)) = f (P ) + f (Q)
Proposition 28.9.

Soient f; g : E 3 E H linaires, alors f + g : E 3 E H est linaire. e e Soient f : E 3 E H linaire, P K , alors f : E 3 E H est linaire. e e Soit f : E 3 E H et g : E H 3 E HH linaire, alors g f : E 3 E HH est linaire. e e Soit f : E 3 E H linaire bijective, alors f 1 : E H 3 E est linaire. e e
Les deux premires proprits montrent que : e ee Proposition 29.9. (L (E; E H ); +; :) est un espace vectoriel sur K . Il sut de remarquer que c'est un sous espace vectoriel de l'espace vectoriel (E H )E Pour les proprits de la loi sur les applications linaires, ils sont rsumes par : ee e e e
Proposition 30.9.

Soient f : E 3 E H et g : E H 3 E HH et h : E HH 3 E HHH , alors (h g) f = h (g f ) Soient f : E 3 E H et g : E H 3 E HH linaires, soit P K , alors (g f ) = (g) f = g (f ) e Soient f; f H : E 3 E H et g : E H 3 E HH linaires, on a g (f + f H ) = g f + g f H e Soient f : E 3 E H et g; gH : E H 3 E HH linaires, on a (g + gH ) f = g f + gH f e
40 La premire proprit est vrai pour f; g; h applications queconques et non ncessairement e ee e linaires. e Les proprits 2 3 et 4 sont rsums par : ee e e
Soient f; f H : E 3 E H et g : E H 3 E HH lineaires; ; P K on a g (f + f H ) = (g f )+ (g f H ) Soient f : E 3 E H et g; gH : E H 3 E HH lineaires; ; P K on a (g + gH ) f = (g f )+ (gH f )
Dnition 20.9. Soit E un espace vectoriel. Une application linaire f : E e e endomorphisme de E .

On note L (E )(= L (E; E )) l'ensemble des endomorphismes de E . Il rsulte en particulier des propositions ci-dessus que e
3 E
s'appel
Proposition 31.9. (L (E ); +; ) est un anneau.

(En fait c'est une K Algebre, on appel ainsi un anneau muni d'une structure d'espace vectoriel sur un corps K tel que la proprit 2 de la proposition 30.9 est vrie) ee e e Nous verrons au paragraphe suivant que l'anneau (L (E ); +; ) n'est ni commutatif, ni intgre. e
Dnition 21.9. Soit E un espace vectoriel. Une application linaire bijective f : E e e s'appel automorphisme de E .
On note GL(E ) l'ensemble des automorphismes de E . Il rsulte des propositions ci-dessus que e
3 E
Proposition 32.9. (GL(E ); ) est un groupe.

En fait on a GL(E ) = (L (E )) . (Si A est un anneau, l'ensemble des lments inversibles de A ee , a ne pas confendre avec A n f0g ) se note souvent A
41 Le groupe GL(E ) et ses sous groupe jouent un r^le important en gomtrie et en physique. o e e La proposition qui suit montre que la linairit preserve le caractre "sous espace vectoriel" e e e
Proposition 33.9. Soit f : E 3 E H linaire e

L'image f (F ) d'un sous espace vectoriel F de E est un sous espace vectoriel de E H L'image rciproque f 1 (F H ) d'un sous espace vectoriel F H de E H est un sous espace vectoriel e de E Dnition 22.9. Soit f : E 3 E H linaire. On appel noyau de f le sous espace vectoriel de E : e e f 1 f0g = fx P E j f (x) = 0g

On le note Ker(f )
Proposition 34.9.
f injective @A Ker(f ) = f0g
Preuve : . Si f est injective, on a x P Ker(f ) =A f (x) = 0 = f (0), donc x = 0. Inversement si Ker(f ) = f0g, f est injective car f (x) = f (xH ) =A f (x) f (xH ) = 0 3 f (x xH ) = 0, donc x xH P Ker(f ), donc x xH = 0
Exemple : Soit
E = K [X ] (K corps commutatif). Soit f E 3 E
P 3 P P H On vrie que f est linaire. Calculons Ker(f ) e e f (P ) = 0 @A P P H = 0 @A P = P H Or on a toujours si P T= 0, d (P H ) d (P )1, donc P = 0, donc Ker(f ) = f0g, donc f injective
Dnition 23.9. Soit f : E 3 E H linaire. On appel espace image de f le sous espace vectoriel e e f (E ) de F
On le note Im(f )
Im(f ) = ff (x) j x P E g
Remarque.
C'est l'nonc dual de : e e
f surjective @A Im(f ) = E H f injective @A Ker(f ) = f0g
Proposition 35.9. Soif f : E 3 E H linaire. Soit B = (ei )iPI une base de E , on a : e
Im(f ) = vect(f (ei ))iPI
42
Preuve : On a :
Im(f ) = ff (x) j x P E g = f (
Thorme 3.9. Soit f : E 3 E H linaire. On a un isomorphisme d'espace vectoriel : e e e
xi ei ) j (xi ) P K (I ) =
xi f (ei ) j (xi ) P K (I )
E=Ker(f ) 3 Im(f ) x 3 f (x)

Thorme 4.9. Soit f : E 3 E H linaire. Supposons E de dimension nie, on a : e e e
dim(Im(f))+dim(Ker(f))=dim(E)
Comme consquence, on a e
Preuve : . Voici une Preuve directe de ce thorme : Soit H un supplimentaire de Ker(f ) dans e e E . Soit f1 : H 3 Im(f ); x 3 f (x). f1 est injective car si f1 (x) = 0 alors x P Ker(f ), donc x P Ker(f ) H = f0g, donc x = 0. f1 est surjective car soit y P Im(f ), donc y = f (x) pour un x P E . Ecrivons x = x1 + x2 , avec x1 P Ker(f ) et x2 P H . On a y = f (x) = f (x1 ) + f (x2 ) = 0 + f (x2 ) = f (x2 ) et x2 P H . Donc dim(E ) = dim(H ) + dim(Ker(f )) = dim(Im(f )) + dim(Ker(f ))
Exemples :
1. Reprenons f : R2 3 R3
(x; y ) 3 (x + 2y; 3x + 5y; 7x + 11y ), on a :

V ` X
(x; y ) P Ker(f ) @A
Donc Ker(f ) = f(0; 0)g, donc dim(Ker(f )) = 0, donc dim(Im(f )) = dim(E ) = 2. On a en eet :
x + 2y = 0 3x + 5 y = 0 7x + 11y = 0
=0 @A x = 0 y
&
Donc ((1; 3; 7); (2; 5; 11)) est gnrateur de Im(f ), comme il est libre (car 1=2 T= 3=5), c'est e e une base de Im(f ), donc dim(Im(f )) = 2 2. Soit f
Im(f ) = f(x + 2y; 3x + 5y; 7x + 11y) j x; y P Rg = fx(1; 3; 7) + y (2; 5; 11) jx; y P Rg Im(f ) = vect((1; 3; 7); (2; 5; 11))
R4 3 R2
(x; y; z; t) 3 (x + y z t; x y + 2z 3t) (x; y; z; t) P Ker(f ) @A
&
x+yzt=0 x y + z 3t = 0
R2 )
Donc dim(Ker(f )) = 2, donc dim(Im(f )) = 2. On verie en eet que Im(f ) = vect((1; 1); (1; 1))(=
Ker(f ) = f(2t; z t; z; t) j z; t P Rg
43
Proposition 36.9. Soit f : E 3 E H linaire. Supposons dim(E ); dim(E H ) nies et dim(E ) = dim(E H ). e On a :
f bijective @A f injective @A f surjective

Preuve : . Si f est injective, on a Ker(f ) = f0g, donc dim(Ker(f )) = 0, donc dim(Im(f )) = dim(E ) = dim(E H ), donc Im(f ) = E H , donc f est surjective. Si f est surjective, on a Im(f ) = E H , donc dim(Im(f )) = dim(E H ) = dim(E ), donc dim(Ker(f )) = 0, donc Ker(f ) = f0g, donc f est injective Corollaire. Soit E un espace vectoriel de dimension nie. Soit f
P L (E ), on a ;
f bijective @A f injective @A f surjective

Dnition 24.9. soif f : E 3 E H linaire, on appel rang de l'application linaire f la dimension e e e de Im(f )
On le note rg (f ) On a donc :
rg(f ) + dim(Ker(f )) = dim(E )

Il rsulte de la proposition 35.9 que : e Proposition 37.9. Soit f : E 3 E H linaire, B = (ei )iPI une base de E , on a : e
rg(f ) = rg(f (ei ))iPI

En fait il y a une sorte de bijection entre les applications linaires et les systmes de vecteurs e e (et nous verrons plus loin avec les matrices). Comme cas particulier de la proposition ci-dessus, on a: Proposition 38.9. Soit f : E 3 E H linaire, B = (ei )iPI une base de E , on a : e
f injective si et seulement si (f (ei))iPI est libre f surjective si et seulement si (f (ei))iPI est gnrateur de E H e e f bijective si et seulement si (f (ei))iPI est une base de E H
En lien avect la proposition 35.9, on a : Proposition 39.9. Soit f : E 3 E H linaire. Le calcul de Ker(f ) donne implicitement une base e de Im(f )
Preuve : calcul de Ker(f ) revient a resoudre l'quation f (x) = 0. Soit B = (ei )iPI , Le e crivons = i xi ei , donc f (x) = i xi f (ei ), donc le calcul de Ker(f ) revient a resoudre le e x systme i f (ei ) = 0, nous avons dans la section du rang d'un systme comment la rsolution e xi e e du systme i xi f (ei ) = 0 doone une base de vect(f (ei ))iPI e
44
9.2 Matrices
9.2.1 Matrice associe une application linaire e a e Soif f : E 3 E H linaire. On souhaite crire analytequement (explicitement) l'expression de e e f (x). En dimension nie le problme est simple. Soient e
B = (e1 ; e2 ; : : : ; en ) une base de E B H = ("1 ; "2 ; : : : ; "m ) une base de E H .

Pour j = 1; 2; : : : ; n, crivons f (ej ) dans la base B H e
m i=1
f (e j ) =
n j =1
aij "i
n m j =1 i=1
Alors pour x P E , soit x = x1 e1 + x2 e2 + : : : xn en l'ecriture de x dans la base B . On a
f (x) = f (
Soit
xj ej ) =
n j =1 i=1 (
xj f (ej ) =
n
xj aij "i
f (x) =
j =1 aij xj )"i
Donc moyennement la donne des constantes aij , on explicite compltement f (x) par ses come e H. posantes dans la base B
Dnition 25.9. Soit K un corps commutatif. On appel matrice (m; n) coeients dans K , e a c toute famille (aij )1 i m;1 j n d'lments de K indexe par l'ensemble ee e
I = f1; 2; : : : ; mg f1; 2; ; ng
.
On note Mm;n (K ) l'ensemble des matrices (m; n) a coeients dans K . c Etant donn le double indice (i; j ) dans aij . Une matrice (aij ) P Mm;n (K ) s'crit aussi comme e e un tableau a m lignes et n colonnes :
P T T R Q U U S
a11 a21 ::: am1
a12 a22 ::: am2
::: ::: ::: :::
a1n a2n ::: amn
45
Proposition 40.9. Soif f : E 3 E H linaire. B = (e1 ; e2 ; : : : ; en ), B H = ("1 ; "2 ; : : : ; "m ) des e bases respectives de E et E H , il existe une matrice unique A = (aij ) P Mm;n (K ) vriant pour tout e x P E x = i xi ei
f (x) =
m n i=1 j =1
aij xj )"i
donne f (x) = Preuve : Ecrivons f (ej ) dans la base B H , f (ej ) = m aij "i , le calcul ci-dessus i =1 m m n n H i=1 ( j =1 aij xj )"i , inversement si pour tout x P E x = i xi ei on a f (x) = i=1 ( j =1 aij xj )"i , m H en particulier pour x = ej , donc f (ej ) = i=1 aij "i , par l'unicit de l'criture dans une base e e aHij = aij
Dnition 26.9. La matrice (aij ) s'appel matrice de l'application linaire e e H. f dans les bases B et B On note (aij ) = MBB (f )
0
On a donc
MBB (f )
0
P T T T T R
f (e1 ) f (e2 ) a11 a12 a21 a22 am1

. . .
am2
. . .
f (ej ) a1j a2j amj Ecriture de f (ej ) dans la base B H

. . .
f (en ) a1n a2n amn

. . .
Q U U U U S
"1 "2 "m

. . .
Proposition 41.9. Soif f : E 3 E H linaire. B = (e1 ; e2 ; : : : ; en ), B H = ("1 ; "2 ; : : : ; "m ) des e bases respectives de E et E H . L'application
P E f (x) = g(x), donc f = g, ainsi l'application est injective. L'application est surjective car si A = (aij ) P Mm;n (K ), posons pour tout x P E x = i xi ei :
0 0
f 3 MBB (f ) est une bijection entre L (E; E H ) et Mm;n (K ). Preuve : Si MBB (f ) = MBB (g), alors pour tout x
0
f (x) =
m n i=1 j =1
aij xj )"i
46
MBB (f )
0
On verie facilement que f est linaire, d'aprs l'unicit dans la proposition 40.9, on a A = e e e
Exemples :
Soit f : R2 3 R3 (x; y ) 3 (x + 2y; 3x + 5y; 7x + 11y ) On vre que f est linaire. Soient B = ((1; 0); (0; 1)) et B H = ((1; 0; 0); (0; 1; 0); (0; 0; 1)) les e e bases canoniques respectivement de R2 et R3 . On a :
{ f ((1; 0)) = (1; 3; 7) = 1:(1; 0; 0) + 3(0; 1; 0) + (7)(0; 0; 1) { f ((0; 1)) = (2; 5; 11) = 2(1; 0; 0) + 5(0; 1; 0) + 11(0; 0; 1)
donc
P
MBB (f ) = R
0
1 3 7
2 5 11
Q S
Soit E l'ensemble des polyn^mes de K [X ] de degr 2. Soit f : E 3 E , P 3 XP (X + o e 2) (X 1)P (X 3). On vrie que E un sous espace vectoriel de K [X ] ayant comme base canonique B = e (1; X; X 2 ). On vrie que f est linaire. On a : e e
{ f (1) = 1 { f (X ) = X (X + 2) (X 1)(X 3) = X 2 + 2X (X 2 4X + 3) = 6X 3 { f (X 2 ) = X (X + 2)2 (X 1)(X 3)2 = 11X 2 11X + 9

donc
P
MBB (f ) = R
1 0 0
9 6 11 0 11
Q S
9.2.2 Algbre des matrices e A l'aide de la bijection f 3 MBB (f ) nous allons transporter les oprations sur les applications e
0
linaires, en oprations sur les matrices. e e
Proposition 42.9.

Soient f; g : E 3 E H linaire. B; B H bases respectives de E et E H . Posons MBB (f ) = (aij ) e et MBB (g) = (bij ), alors MBB (f + g) = (aij + bij ) Soient f : E 3 E H linaire. B; B H bases respectives de E et E H . Soit P K . Posons e MBB (f ) = (aij ), alors MBB (f ) = (aij )
0 0 0 0 0
47
Soient f : E 3 E H et g : E H 3 E HH linaires. B; B H ; B HH bases respectives de E et e E H et E HH . Posons MBB (f ) = (bij ) P Mmn (K ) et MB B (g) = (aij ) P Mlm (K ), alors MBB (g f ) = (cij ) P Mln (K ), avec
0 0 00 00
cij =
n k=1
aik bkj
Ceci permet de dnir des oprations sur les matrices. de plus on a la chance que ses oprations e e e ne dpendent pas du choix des bases B et B H (il sont intrinsques ) e e
Dnition 27.9. e

Soient A = (aij ); B = (bij ) P Mm;n (K ). On pose A + B la matrice (aij + bij ) P Mm;n (K ). Soient A = (aij ) P Mm;n (K ). Soit P K . On pose A la matrice (aij ) P Mm;n (K ). Soient A = (aij ) P Mm;n (K ) et B = (bij ) P Mnl (K ). On pose AB la matrice (cij ) P Mm;l (K ). Avec
cij =
Remarque.
n k=1
aik bkj

La somme et produit par un scalaire des matrices se fait composante composante. a Le produit de matrice AB n'est dnit que si e le nombre de colonne de A = nombre de ligne de B
On a
H f f f f f f f f f f f f d
cij = (
iieme ligne de A
j ieme c o l o n n e de B
I g g g g g g g g g g g g e
Donc le produit est gnr par le produit lmentaire de matrice ligne par matrice colonne de la e ee ee forme
48
H f
(1 2 : : : n ) f . f d . .
Exemple :
1 2
I g g g e
= 1 1 + 2 2 + + n n
a b c p q r
R k
1 7 14 2 8 15 3 9 16
Q S
a + 2b + 3c 7a + 8b + 9c 14a + 15b + 16c p + 2q + 3r 7p + 8q + 9r 14p + 15q + 16r

Par construction on a
Proposition 43.9.

Soient f; g : E 3 E H linaire. B; B H bases respectives de E et E H . On a : e
MBB (f + g) = MBB (f ) + MBB (g)

0 0 0
Soient f : E 3 E H linaire. B; B H bases respectives de E et E H . Soit P K . On a : e
MBB (f ) = MBB (f )

0 0
Soient f : E E HH . On a :
3 E H et g : E H 3 E HH linaires. B; B H; B HH bases respectives de E et E H et e

MBB (g f ) = MB B (g)MBB (f )
00 0 00 0
Cet isomorphisme entre matrice et application linaire fait que toute les proprits des oprations e ee e sur les applications linaires se transmettent sur oprations sur les matrices. On obtient e e
Proposition 44.9. Soit : la multiplication des matrices par les scalaires

(Mm;n (K ); +; :)
est un espace vectoriel sur K:

formellement une matrice (m; n) se prsente comme un mn uplet (c'eat--dire : un lment e a ee mn ), on en dduit que : de K e
Proposition 45.9. Soit pour tout (r; s) (1 r m 1 s n) la matrice Ars = (aij ) P Mm;n (K ) avec aij = 1 si (i; j ) = (r; s) et aij = 0 sinon. Alors (Ars )1 r m 1 s n est une base de Mm;n (K )
49
Corollaire. l'espace vectoriel Mm;n (K ) est de dimension m n (nie) Corollaire. Soien E; E H des espace vectoriel sur m^me corps de dimension nie, alors l'espace e vectoriel L (E; E H ) est de dimension nie et on a :
dim(L (E; E H )) = dim(E ) dim(E H )

Examinons maintenant les proprits de la loi multiplication des matrices, rappelons que c'est ee une loi doublement externe : Une matrice (m; n)
une matrice (n; l) = une matrice (m; l)
On deduit de la proposition 30.9 :
Proposition 46.9.

Soient A P Mm;n ; B P Mn;l P K on a (AB ) = (A)B = A(B )
Soient A P Mm;n ; B P Mn;l ; C P Ml;p , on a :(AB )C = A(BC )
Soient A1 ; A2 P Mm;n (K ) B P Mn;l (K ) on a (A1 + A2 )B = A1 B + A2 B Soien A P Mm;n K; B1 ; B2 P Mn;l (K ) on a A(B1 + B2 ) = AB1 + AB2
Remarque.
1. L'associativit est une proprit non vidente du produit matriciel bien qu'elle rsulte par isoe ee e e morphisme d'une proprit vidente qui est l'associativit de la composition des applications. eee e 2. Les proprits 2 et 3 se rsument en : ee e
VA ; A P Mm;n(K ) VB P Mn;l (K ); V; P K
1 2
(A1 + A2 )B = (A1 B ) + (A2 B )
VA P Mm;nK; VB ; B P Mn;l (K ); V; P K
1 2
A(B1 + B2 ) = (AB1 ) + (AB2 )
Reprenant le problme de l'criture analytique de f , il admet une solution matricielle a savoir : e e
Proposition 47.9. Soit f : E 3 E H . Soit B; B H des bases respectives de E et E H . B = (e1 ; e2 ; : : : ; en ) et B H = ("1 ; "2 ; : : : ; "m ). Soit x P E , x = x1 e1 + x2 ee + : : : xn en l'criture de x dans e H . On a : B , et f (x) = y1 "1 + y2 "2 + + ym "m l'criture de f (x) dans B e
H f f f d
y1 y2 . . . ym
I g g g e
f MBB (f ) f f d
0
x1 x2 . . . xm
I g g g e
50 Notons
H f
MB (x) = f . f d .
. la formule ci-dessus s'crit : e
x1 x2
I g g g e
xm
0
MB (f (x)) = MBB (f )MB (x)

0
Cette formule est trs importante, c'est la raison d'tre des matrices. e e
Remarque. L'application x 3 MB (x) est un isomorphisme d'espace vectoriel entre E et Mn;1 (K )

Exemple :
Reprenons l'exemple E l'ensemble des polyn^mes de K [X ] de degr 2, et f : E 3 E;P 3 o e XP (X + 2) (X 1)P (X 3). Soit B = (1; X; X 2 ) la base canonique de E . Nous avons trouv e
P
MBB (f ) = R
1 0 0
9 6 11 0 11
Q S P
Q S
Il en rsulte que si P = ao + a1 X + a2 X 2 , alors f (P ) = bo + b1 X + b2 X 2 tel que e

P R
bo b1 b2
Q S
=R
1 0 0
9 6 11 0 11
QP SR
ao a1 a2
=R
ao 3 a1 + 9 a2 6a1 11a2 11a2
Q S
On vrie eectivement que e
XP (X + 2) (X 1)P (X 3) = ao 3a1 + 9a2 + (6a1 11a2 )X + 11a2 X 2

Resumons la correspendance entre applications linaires et les vecteurs d'une part, et les mae trices
51
xPE
MB (x)
0
y = f (x) MB (y) = MBB (f )MB (x) f +g f f g

0
MBB (f ) + MBB (g)

0 0
MBB (f )
0
MB B (f )MBB (g)
00 0
Exemples :
1. Soient f; g : R3 de R3 et R2
3 R
0
linaires, on donne les matrices de f et g dans les bases canoniques e 3 2 5 1 6 7

!
MBB (f ) =
Expliciter 5f + 2g . On a :
MBB (g) =
0
2 28 1 15
10
9
MBB (5f + 2g) = 5MBB (f ) + 2MBB (g)

0 0 0
15 10 25 5 30 35 =
4 56 2 30
!
20
18
19 66 5 3 60 53
3 1 1
On a donc pour x = (x1 ; x2 ; x3 ) f (x) = y1 "1 + y2 "2 . On a :
PR,x=xe
!
+ x2 e2 + x3 e3 . Posons f (x) = (y1 ; y2 ),

! P R
y1 y2
ce qui donne
&
19 66 5 60 53
x1 x2 x3
Q S
y1 = 19x1 + 66x2 + 5x3 y2 = 3x1 + 60x2 + 53x3
52 2. . Soient f : R4 3 R2 , g : R2 3 R3 linaires. On donne les matrices de f et g dans les e bases canoniques de R4 ; R2 et R3
MBB (f ) = 2 3
0
1
5
1 0 1
MB B (g) = R
0 00
3 11 1 4 2 8
Q S
Expliciter g f . On a :
MBB (g f ) = MB B (g)MBB (f )
00 0 00 0
3 11 1 4 2 8
P
Q S
2 3
1 0 5 2 1 11 4 8
Q S
=R
39 52 14 19 20 42
19 7 18
On a donc pour x = (x1 ; x2 ; x3 ; x4 ) P R4 , x = x1 e1 + x2 e2 + x3 e3 + x4 e4 . Posons f (x) = (y1 ; y2 ; y3 ), f (x) = y1 "1 + y2 "2 + y3 "3 . On a :
P R
y1 y2 y3
Q S
39 52 = R 14 19 20 42
19 7 18
11 4 8
T ST R
x1 x2 x3 x4
Q U U S
Ce qui donne
V ` X
y1 = 39x1 + 52x2 19x3 + 11x4 y2 = 14x1 + 19x2 7x3 + 4x4 y3 = 2x1 + 42x2 18x3 + 8x4
Dnition 28.9. Une matrice (m; n) est dite carr si m = n e e

Notons Mn (K ) = Mn;n (K ). Comme cas particulier de la proposition 46.9 ci-dessus, on a :
Proposition 48.9. Soit la multiplication des matrices.

(Mn (K ); +; )
est un anneau.
53
Son lment neutre pour la loi est la matrice identit ee e

P T T T R
0 ::: 0 1 0 ::: ... ... ::: 0 ::: 0 1 1 0
Q U U U S
Remarques.
1. Pour n ! 2, l'anneau Mn (K ) n'est pas commutatif, voici un contre exemple pour n = 2

1 0 0 0

0 0 1 0
0 0 0 0
T=
0 0 1 0

1 0 0 0
0 0 1 0
2. Le m^me contre-exemple ci-dessus montre que l'anneau Mn (K ) n'est pas intgre pour n ! 2 e e (Une lgante application du corollaire de la proposition 36.9 montre que les seules matrices ee rgulire pour la multiplication sont les matrices inversibles) e e 3. D'intressant contre-exemples pour l'algbre se trouve dans l'anneau Mn (K ), on y trouve par e e exemple des idaux maximaux tels que Mn (K )=I n'est pas un corps. e
Dnition 29.9. On dit qu'une matrice carr (n; n) est inversible si elle est inversible dans e e l'anneau Mn (K ).
Autrement dit A P Mn (K ) inversible si il existe AH P Mn (K ) tel que
P T R
AAH = AH A = T T
0 ::: 0 1 0 ::: ... ... ::: 0 ::: 0 1 1 0
Q U U U S
La proposition suivante vient alors complter le tableau d'isomorphismes de la proposition 43.9 e Proposition 49.9. Soit f : E 3 E H . Soit B; B H des bases respectives de E et E H . Supposons E; E H de dimension nie et dim(E ) = dim(E H ), On a :
f bijective
auquel cas on a :
@A MBB (f ) inversible
0 0
MB B (f 1 ) = (MBB (f ))1
0
Preuve : Posons n = dim(E ). Si f est bijective on a f f 1 = IE et f 1 f = IE , par suite MBB (f )MB B (f 1 ) = MB B (f 1 )MBB (f ) = In ( In matrice identit), donc MBB (f ) e
0 0 0 0 0 0
54 est inversible. Inversement si MBB (f ) est inversible, soit. A P Mn (K ) telle que MBB (f )A = AMBB (f ) = In , soit g P L (E H ; E ) telle que MB B (g) = A, on a alors MBB (g f ) = MB B (f g) = In , donc g f = IE et f g = IE
0 0 0 0 0 0 0
Notation : Soit E un espace vectoriel de dimension nie, B une base de E , f endomorphisme de E , la matrice MBB (f ) se note :
P L (E ) un
M B (f )
par la proposition ci-dessus :
f bijectif
@A MB (f ) inversible
Resumons la correspendance entre applications linaires et les vecteurs d'une part, et les mae trices
xPE
MB (x)
0
y = f (x) MB (y) = MBB (f )MB (x) f +g f f g f 1

0
MBB (f ) + MBB (g)

0 0
MBB (f )
0
MB B (f )MBB (g)
00 0
(MBB (f ))1
0
Proposition 50.9. Soit A P Mn (K ) une matrice carr coecient dans un corps commutatif K , ea il est equivalent de dire :
1. A est rgulire e e 2. A est rgulire droite e e a 3. A est rgulire gauche e e a 4. A est inversible a droite
55
5. A est inversible a gauche
Preuve : Soit iA : Mn;1 (K ) 3 Mn;1 (K ) X 3 AX , iA est linaire. Si A est rgulire a e e e gauche, soit la relation AX = 0, soit B P Mn (K ) ayant sa premire colonne gale a X les autre e e colonnes tant nulles, alors AB = 0 donc B = 0, donc X = 0, ainsi iA est injective, comme Mn;1 (K ) e est de dimension nie (=n2 ), par le corollaire de la proposition 36.9 iA est bijective, Soit B0 la base canonique de Mn;1 (K ), on vrie que MB0 (iA ) = A, donc A est inversible e
La proposition qui suit ramne le calcul de A1 a un problme de systme linaire. e e e e
6. A est inversible
Proposition 51.9. Soient A; B P Mn (K ) des matrices carres de m^me taille, si pour tous vecteurs e e colonnes X; Y P Mn;1 (K )
alors A est inversible et A1 = B
AX = Y =A Y = BX
Preuve : Pour X P Mn;1 (K ) posons Y = AX , donc BY = X soit BAX = X . Soit B0 la base canonique de Mn;1 (K ), la matrice de l'endomorphisme X 3 BAX dans B0 est BA, or c'application identique de Mn;1 (K ), donc BA = In (In matrice identit de taille n), par la e 1 A = BA et A rgulire, donc B = A1 proposition 50.9 A est inversible, on a A e e
Application : Pour calculer A1 , on resoud le systme linaire : e e
H f Af f d
x1 x2 xn
. . .
I g g g e
f f f d
y1 y2 yn y1 y2
. . .
I g g g e
par rapport aux inconnues x1 ; x2 ; : : : ; xn . Ecrivons alors matricielement la solution :

H f f f d
x1 x2 xn
. . .
I g g g e
H f
I g g g e
=Bf . f d . .
alors A1 = B
Exemple :
H
yn
A=d
1 1 2 1 1 1 0 1 3
I e,
on a :
56
H
Ad
V `
x1 x2 x3
I e
y1 y2 y3
I e
@A X
V `
x1 + x2 + 2x3 = y1 x1 + x2 + x3 = y2 x2 + 3x3 = y3
@A X
2x2 + 3x3 = y1 + y2 x1 = x2 + x3 y2 x2 + 3x3 = y3
(1) @A X @A X x
V `
V `
2x2 + 3x3 = y1 + y2 (1) x2 = y3 3x3 (2)
@A X
V `
x3 = (2y3 y1 y2 )=3
(1) (2)
x1 = (2y1 y2 y3 )=3 2 = y1 + y2 y3 x3 = (y1 y2 + 2y3 )=3

2 =3 1 1=3
D'o : u
H d
x1 x2 x3
I e
=d
1=3 1=3 I H y 1 1 e d y 1=3 2=3 y 1=3 1=3 I 1 1 e 1=3 2=3
I
1 2 3
Donc
H
A 1 = d
On vrie que : e
H d IH ed
2= 3 1 1=3
1 1 2 1 1 1 0 1 3
2= 3 1 1=3
1=3 1=3 I H 1 1 1 e = d 0 1=3 2=3 0
0 0 1 0 0 1
I e
9.2.3 Changement de base

Que deviennent ces matrices MB (x); MBB (f ) si on change les bases ?
0
Dnition 30.9. Soit E un espace vectoriel de dimension nie. Soient B = (e1 ; e2 ; : : : ; en ) et B H = e (eH1 ; eH2 ; : : : ; eHn ) des base de E . Soit eHj = n=1 aij ei l'criture de eHj dans la base B , j = 1; 2; : : : ; n. e i La matrice (aij ) s'appel matrice de passage de B B H . a
On la note PBB
0
57
eH1 eH2 : : :
PBB =
0
T T R
eHj a1j a2j anj

. . .
:::
eHn
Q U U S
e1 e2 en
. . .
4
eHj =
n
i=1 aij ei
Remarque. Soit IE l'application identique de E , c'eat--dire : x 3 x, on a a
PBB = MB B (IE ) Il en rsulte en particulier par la proposition 49.9 que e

0 0
1 PB B = PBB
0
Proposition 52.9. Soit E un espace vectoriel de dimension nie. Soient B = (e1 ; e2 ; : : : ; en ) et B H = (eH1 ; eH2 ; : : : ; eHn ) des base de E . Soit x P E , x = n=1 xi ei = n=1 xHi eHi . On a : i i
H f f f d
x1 x2 . . . xn
I g g g e
H f f f d
= PBB
xH1 xH2 . . . xHn
I g g g e
ce qui s'crit aussi e
MB (x) = PBB MB (x)

0 0
Preuve : . On a : x = IE (x), donc MB (x) = MB B (IE )MB (x), soit MB (x) = PBB MB (x)
0 0 0 0
Remarque. Contrairement ce qu'on aurait prfr, cette formule exprime les anciennes coora ee e donnes en fonction des nouvelle, cependant en pratique c'est bien sous cette forme qu'on applique e la formule car cela permet de recrir les equations en terme de nouvelles coordonnes. e e
Exemple : Considrons dans R2 le cercle unit. Son equation dans la base canonique ((1; 0); (0; 1)) e e
est
Soit B H = ((2; 3); (5; 7)), on a
x2 + x2 = 1 1 2
58
PBB = 2 5 3 7 Si dans B H le vecteur (x1 ; x2 ) s'crit xH1 eH1 + xH2 eH2 , on a e

0
x1 x2
2 5 3 7
!
xH1 xH2
donc
&
Dans B H , l'quation du cercle unit est donc e e
x1 = 2xH1 + 5xH2 x2 = 3xH1 + 7xH2
(2xH1 + 5xH2 )2 + (3xH1 + 7xH2 )2 = 1
H H Proposition 53.9. Soit f : E 3 E H , B1 ; B1 des bases de E . Soient B2 ; B2 des bases de E H . Soit H , Q la matrice de passage de B2 B H , on a : P = PB1 B1 la matrice de passage de B1 B1 a a 2
0
MB1 B2 (f ) = Q1 MB1 B2 (f )P
0 0
Preuve : . On a le diagramme des applications :
E; B1 IE
3 E H; B 5
4
H E; B1
IE
2
3 E H; B H
f
0 0
On a f = IE f IE , donc MB1 B2 (f ) = MB2 B2 (IE )MB1 B2 (f )MB1 B1 (IE ) = Q1 MB1 B2 (f )P

0 0 0 0
Exemple :
Soit f
R2 3 R3 , (x; y) 3 (x + 2y; 3x 5y; 6x y)
Soit B1 ; B2 les bases canoniques respectivement de R2 et R3 . Posons
H B2 = ((1; 1; 0); (1; 0; 1); (0; 1; 1)) MB1 B2 (f ) se lit directement sur l'criture de f (c'est l'un des avantages des bases canoniques) e
P
H B1 = ((1; 1); (2; 3))
MB 1 B 2 ( f ) = R
1 3 6
2 5 1
Q S
59 Cherchons d'abord MB1 B2 (f ) par calcul direct. On doit donc exprimer f (1; 1); f (2; 3) par leur H composantes dans B2 :
0 0
f (1; 1) = (3; 2; 5) = a(1; 1; 0) + b(1; 0; 1) + c(0; 1; 1)
@A X
V ` X V `
V `
a+b=3 a + c = 2 b+c=5
a+b=3 a + c = 2 b+c=5
a=3b ()(1) @A X (3 b) + c = 2
@A X @A X
V ` V `
V `
b+c=5
a=3b ()(1) b + c = 5 b+c=5 a=3b ()(1) c = 5 + b ()(2) b + (5 + b) = 5
a=3b ()(1) @A X c = 5 + b ()(2) b=5 ()(3) V ()(1) ` a = 2 @A X c = 0 ()(2) b=5 ()(3) f (2; 3) = (8; 9; 9) = a(1; 1; 0) + b(1; 0; 1) + c(0; 1; 1)
@A X a + c = 9
V ` X
V `
a+b=8 b+c=9
@A X @A X
V `
V `
a+b=8 a + c = 9 b+c=9
a=8b ()(1) (8 b) + c = 9 b+c=9 a=8b ()(1) b + c = 17 b+c=9
60
V `
@A X @A X
V `
a=8b ()(1) c = 17 + b ()(2) b + (17 + b) = 9 a=8b ()(1) c = 17 + b ()(2) b = 13 ()(3) b = 13

()(1) ()(2) ()(3)
a = 5 @A X c = 4
Donc
P
0 0
V `
MB1 B2 (f ) = R 5 13
0 Vrions maintenant la formule e Soit
P R
2 5 Q 4
S
MB1 B2 (f ) = Q1 MB1 B2 P
0 0
2 5 Q
5 0 13 4
S
= Q1 R
1 3 6
P
2 5 1
Q SP
On a 1 1 0 Q=R 1 0 1 S P= 1 2 1 3 0 1 1 Pour calculer Q1 , on exprime les vecteurs de B2 dans B H , on a

!
2
V ` X V ` X
@A X @A X @A X
V ` V `
V `
"1 = "H1 "2 ()(1) "3 = "H2 "H1 + "2 ()(2) H "H + "2 ) = " H "2 + ( "2 1 3
"1 = "H1 "2 ()(1) ("H1 "2 ) + "3 = "H2 "2 + "3 = "H3 "1 = "H1 "2 ()(1) "2 + "3 = "H2 "H1 "2 + "3 = "H3
"1 + "2 = "H1 "1 + "3 = "H2 "2 + "3 = "H3
"1 + "2 = "H1 "1 + "3 = "H2 "2 + "3 = "H3
61
V `
@A X @A X
d'o u
P V `
"1 = ("H3 + "H1 + "H2 )=2 "3 = ("H3 "H1 + "H2 )=2 ()(2) "2 = ("H3 + "H1 "H2 )=2 ()(3)
1=2 1=2 1=2
QP SR
"1 = "H1 "2 ()(1) H "H + "2 "3 = "2 1 ()(2) "2 = ("H3 + "H1 "H2 )=2 ()(3)
Q1 = R
On vrie que e
1= 2 1= 2 1=2
P
1=2 Q
1 =2 1 =2
S
1R 2
1 1 1
1 1 1
P
1 Q
1 1
S
QQ1 =
Enn on a bien
P R
1R 2
1 1 0 1 0 1 0 1 1
P
1 1 1 1 1 1
1 1 1
1 Q
1 1
S
=R
1 0 0 0 1 0 0 0 1
Q S
2 5 Q
5 0 13 4
S
1R 2
1 1 1
1 Q P 1
1 1
SR
2 3 5 6 1
Q S
1 2 1 3
9.2.4 Rang d'une matrice Dnition 31.9. Soit A P Mm;n (K ), soit S = ((c1 ; c2 ; : : : ; cn )) le systme de K m form par les e e e colonnes de A, le rang de S s'appel rang de la matrice A
On le note rg (A)
Proposition 54.9. Soif f : E 3 E H linaire, B; B H bases respectives de E; E H , on a : e
rg(f ) = rg(MBB (f ))
0
Preuve : Notons B = (ei )iPI . On a rg(f ) = rg((f (ei ))iPI ), la proposition en rsulte par e l'isomorphisme d'espace vectoriel v 3 MB (v )
Compltons la correspendance entre applications linaires et les vecteurs d'une part, et les e e matrices
62
xPE
MB (x)
0
y = f (x) MB (y) = MBB (f )MB (x) f +g f f g f 1 rg(f )

0
MBB (f ) + MBB (g)

0 0
MBB (f )
0
MB B (f )MBB (g)
00 0
(MBB (f ))1
0
rg(MBB (f ))
0
Notation : Soit E un espace vectoriel de dimension nie. B = (e1 ; e2 ; : : : ; em ) une base de E S = (v1 ; v2 ; : : : ; vn ) un systme de E . Ecrivons vj = m aij ei e i=1
Dnition 32.9. La matrice (aij ) P Mm;n (K ) s'appel matrice du systme S dans la base B e e
On la note MB (S ) Il rsulte de l'isomorphisme v 3 MB (v ) que : e
Proposition 55.9. Soit E un espace vectoriel de dimension nie. B une base de E S un systme e de E , on a :
rg(S ) = rg(MB (S ))
Dnition 33.9. Soit A = (aij ) P Mm;n (K ) la matrice (bij ) e matrice transpose de la matrice A e
P Mn;m(K ) avec bij
= aji s'appel
63 On la note t A Les colonnes de t A sont dans l'ordre les lignes de A. Si :

P
A=T R
a11 a12 : : : a1n a21 a22 : : : a2n ::: am1 am2 : : : amn
Q U U S
alors :
P
tA = T T
R
a11 a21 : : : an1 a12 a22 : : : an2 ::: a1m a2m : : : anm
Q U U S
Remarque. t (t A) = A
Proposition 56.9. Soit A une matrice, on a :
rg(A) = rg(t A)
Preuve : Soit (ci1 ; ci2 ; : : : ; cir ) les colonnes de A formant une base pour les autres. Soit (li1 ; li2 ; : : : ; lis ) les lignes de A formant une base pour les autres. Soit (cHi1 ; cHi2 ; : : : ; cHir ) les colonnes de A intersection de (ci1 ; ci2 ; : : : ; cir ) avec (li1 ; li2 ; : : : ; lis ). On a cHik P Rs . D'autre part (cHi1 ; cHi2 ; : : : ; cHir ) est libre car une relation :
1 cHi1 + 2 cHi2 + + r cHi = 0

r
se prolonge par combinaison linaire aux autrs quations en : e e Par suite r
s, soit rg(A)
1 ci1 + 2 ci2 + + r ci = 0 rg(t A). Comme on t (t A) = A, on a aussi rg(t A)

r
rg(A)
e Comme consquence des propositions 54.9 et 56.9 , voici une autre caractristisation des matrices e carres inversibles : e
64
Proposition 57.9. Soit A P Mn (K ), Il est quivalent de dire : e 1. A est inversible

2. rg(A) = n 3. Les colonnes de A forment un systme libre. e 4. Les lignes de A forment un systme libre. e
Preuve : Soit sur Mn;1 (K ) l'application X 3 AX , c'est un endomorphisme de Mn;1 (K ), on vrie que sa matrice dans la base canonique de Mn;1 (K ) est A, la proposition rsulte des e e propositions 54.9 et 56.9 Proposition 58.9. Le rang d'une matrice est unchang par les oprations suivante : e e Permuter deux lignes (resp colonnes)

Multiplier une ligne (resp colonne ) par un scalair non nul Ajouter une ligne (resp colonne) une combinaison linaire des autres lignes (resp colonnes) a e
Dnition 34.9. On appel opration lementaire sur une matrice une opration ayant l'une des e e e e formes suivantes : Permuter deux lignes (resp colonnes)

Multiplier une ligne (resp colonne ) par un scalair non nul Ajouter une ligne (resp colonne) une combinaison linaire des autres lignes (resp colonnes) a e
Proposition 59.9. Soit A une matrice (m; n), il est quivalent de dire : e 1. rg(A) = r
2. Il existe une succession d'oprations lementaires qui transforment A en une matrice de la e e forme :
P T T T T T T T T T T T T R
1
0 0
::: ::: ::: 0 0 ::: 0 0 ::: 0 0 ::: ::: ::: ::: 0 0 :::
::: ::: ::: ::: ::: ::: Q ::: ::: ::: ::: ::: U U 0 ::: ::: ::: ::: U U
2 3
::: ::: 0 r ::: ::: ::: ::: ::: ::: ::: :::
::: ::: ::: ::: ::: ::: 0 ::: ::: 0 ::: ::: ::: ::: ::: 0
U U U U U U U U S
1 ; 2 ; : : : ; r T= 0
65
Preuve : Rcurrence sur r. Posons A = (aij ), si A T= 0 soit (r; s) tel que ars T= 0 en permutant e la ligne r et la ligne 1, ensuite la colonne s et la colonne 1 on se ramne a a11 T= 0, ensuite pour e chaque ligne l2 ; l3 ; : : : ; lm on applique l'opration lmentaire : e ee a li = li i1 l1 a11 de cette manire A se transforme en une matrice de la forme : e
P T T T T R
a11 :::
0 0
A1
Q U U U U S
0 On a rg (A1 ) = r 1, on applique l'hypothse de rcurrence a A1 e e

Exemples :
Pour A; B matrice de m^me taille la notation A $ B signie que l'on passe de A a B par une e ou plusieurs oprations lmentaires. e ee
H
1. A =
f f f f d
0 0 0 0 0
H f f f f d
0 0 1 1 1 0 0 0 0 0
0 2 0 2 2
0 3 1 4 2 0 0 2 2 2 1 0 0 0 0
I g g g g e I g g g g e H I g g g g e H I g g g g e H I g g g g e
A$
1 0 0 1 1
H f f f f d
1 0 3 4 2 0 0 0 0 0
$
1 0 3 0 0
f f f f d I g g g g e
1 0 0 1 1
H f f f f d
0 0 0 0 0 1 0 0 0 0
0 0 2 2 2 0 0 0 0 0
1 0 3 4 2 0 2 0 0 0
f f f f d
1 0 0 0 1
H f f f f d
0 0 0 0 0 1 0 0 0 0
0 0 2 2 2 0 2 0 0 0
1 0 3 3 2 0 0 0 0 0
$
I g g g g e
f f f f d
1 0 0 0 0
0 0 0 0 0
0 0 2 2 2
1 0 3 3 3
A$
0 0 2 0 0
1 3 0 0 0
I g g g g e
1 3 0 0 0
3 r = 2
10 Determinant
10.1 Determinant d'un systme de vecteurs e
L'ide du dterminant vient de la volonte d'associ a un systme de vecteurs un nombre de sorte e e e e e que le systme est li si et seulement si ce nombre est nul. e e
66 Une solution gomtrique est donn par le volume du paralllotope engendr par ce systme de e e e e e e vecteurs.
S (x; y) y
q q
Si le nombre des vecteurs du systme est gal a la dimension de l'espace vectoriel, ce volume est e e possde des proprits de multilinarit qui le rende plus exploitable sur le plan du calcul. Cette e ee e e multilinarit est traduite gomtriquement e e e e
R
y1
z :
y2
z: y
+ y2
(S (x; y1 + y2 ) = S (x; y1 ) + S (x; y2 ))
De m^me on a S (x1 + x2 ; y ) = S (x1 ; y ) + S (x2 ; y ) e
Noter que si y2 n'est pas dans le plan de x; y1 , la linarit n'est plus vrai, il faut faire appel a e e une formule analogue a celle du thorme de Pythagore. e e Nous admettons le thorme suivant : e e
Thorme 5.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une e e base de E , il existe une application s : E n 3 K unique vriant : e
1. s(e1 ; e2 ; : : : ; en ) = 1
67
2. Pour tout i = 1; 2; : : : ; n et tous v1 ; v2 ; : : : ; vi1 ; vi+1 ; : : : ; vn P E , l'application :
v 3 s(v1 ; v2 ; : : : ; vi1 ; v; vi+1 ; : : : ; vn )

est linaire. e 3. Pour tout (v1 ; v2 ; : : : ; vn ) P E n , on a :
(v1 ; v2 ; : : : ; vn ) lie =A s(v1 ; v2 ; : : : ; vn ) = 0
Dnition 35.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une e base de E , l'unique application s : E n 3 K vriants les proprits 1) 2) et 3) du thorme 5.10 e ee e e ci-dessus s'appel dterminant dans la base B e
On note s((v1 ; v2 ; : : : ; vn )) = detB (v1 ; v2 ; : : : ; vn ) la proposition suivante montre que le calcul de detB (v1 ; v2 ; : : : ; vn ) se fait via les composantes des vecteurs vi dans B
Proposition 60.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une base de E , (v1 ; v2 ; : : : ; vn ) P E n , soit B0 la base canonique de Mn;1 (K ), soit pour chaque vi MB (vi ) le vecteur 1-colonne form des composantes de vi dans B , on a : e
detB (v1 ; v2 ; : : : ; vn ) = detB0 (MB (v1 ); MB (v2 ); : : : ; MB (vn ))

Preuve : L'application (v1 ; v2 ; : : : ; vn ) 3 detB0 (MB (v1 ); MB (v2 ); : : : ; MB (vn )) vrie les proe prits 1) 2) 3) du thorme 5.10 ee e e
On peut aussi caractriser les applications E n e thorme 5.10 e e
3 K
qui vrient les proprits 2) 3) du e ee
Proposition 61.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une base de E . Soit f : E n 3 K une application vriant les proprits 2) 3) du thorme 5.10, e ee e e alors :
V(v ; v ; : : : ; vn) P E n
1 2
f (v1 ; v2 ; : : : ; vn ) = f (e1 ; e2 ; : : : ; en )detB (v1 ; v2 ; : : : ; vn )
Comment change detB (v1 ; v2 ; : : : ; vn ) si on change la base B ?
68
Proposition 62.10. (Changement de base) Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ); B H = (eH1 ; eH2 ; : : : ; eHn ) des bases de E , on a :
detB (v1 ; v2 ; : : : ; vn ) = detB (B )detB (v1 ; v2 ; : : : ; vn )

0 0
Preuve : Prendre f (v1 ; v2 ; : : : ; vn ) = detB( (v1 ; v2 ; : : : ; vn ) dans la proposition 61.10 ci-dessus
Corollaire. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ); B H = (eH1 ; eH2 ; : : : ; eHn ) des bases de E , on a :
detB (B H )detB (B ) = 1
0
Proposition 63.10. (proprit fondamentale du dterminant) Soit E un espace vectoriel de diee e mension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une base de E , soit (v1 ; v2 ; : : : ; vn ) P E n , on a ;
(v1 ; v2 ; : : : ; vn ) libre
@A detB (v ; v ; : : : ; vn) T= 0
1 2
Preuve : On a par dnition l'implication @=, inversement si (v1 ; v2 ; : : : ; vn ) est libre c'est une e base de E , le corollaire de la proposition 62.10 ci-dessus montre que detB (v1 ; v2 ; : : : ; vn ) T= 0
10.2 Dterminant d'un endomorphisme e

L'ide du determinant d'un endomorphisme peut venir de la question suivante : Comment change e le volume d'un objet quand on le transforme par l'endomorphisme ? Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une base de E , soit (v1 ; v2 ; : : : ; vn ) P E n , posons :
proposition 61.10, on a :
g(v1 ; v2 ; : : : ; vn ) = detB (f (v1 ); f (v2 ); : : : ; f (vn )) Il est facile de voir que g vrie les proprits 2) et 3) du thorme 5.10, par suite par la e ee e e detB (f (v1 ); f (v2 ); : : : ; f (vn )) = detB (f (e1 ); f (e2 ); : : : ; f (en ))detB (v1 ; v2 ; : : : ; vn )
( )
69
Proposition 64.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une base de E , soit f un endomorphisme de E , le scalair :
detB (f (e1 ); f (e2 ); : : : ; f (en )) ne dpend que de f et non de la base B e

Preuve : Soit B H = (eH1 ; eH2 ; : : : ; eHn ) une autre base de E , on a :
detB (f (eH1 ); f (eH2 ); : : : ; f (eHn )) = detB (B )detB (f (eH1 ); f (eH2 ); : : : ; f (eHn ))

0 0
changement de base par ()
= detB (B )detB (f (e1 ); f (e2 ); : : : ; f (nn ))detB (B H ) = detB (f (e1 ); f (e2 ); : : : ; f (nn ))
0
Dnition 36.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une e base de E , soit f un endomorphisme de E , le scalair :
detB (f (e1 ); f (e2 ); : : : ; f (en )) s'appel determinant de l'endomorphisme f

On le note det(f )
Proposition 65.10. (proprit fondamentale du dterminant) Soit E un espace vectoriel de diee e mension nie. Soit f P L (E ) un endomorphisme de E , on a :
f bijectif
@A det(f ) T= 0
Preuve : f est bijectif si et seulement si (f (e1 ); f (e2 ); : : : ; f (en )) est libre
Proposition 66.10. Soit E un espace vectoriel de dimension nie, soient f; g P L (E ) des endomorphismes de E , on a :
det(f g) = det(f )det(g)

Preuve :
det(f g) = detB (f (g(e1 )); f (g(e2 )); : : : ; f (g(en ))) = det(f )detB ((g(e1 ); g(e2 ); : : : ; g(en )))
70
10.3 Dterminant d'une matrice e
Dnition 37.10. Soit A P Mn (K ), on appeldterminant de A le dterminant du systme form e e e e e par les colonne de A dans la base canonique de Mn;1 (K )
On le note det(A) Si la matrice A est note par un tableau e
P T
A=T . T R .
.
a11 a12 : : : a1n a21 a22 : : : a2n

. . .
Q U U U S
det(A) se note aussi A=

an1 an2 : : : ann a11 a12 : : : a1n a21 a22 : : : a2n an1 an2 : : :
. . .
. . . ann
Proposition 67.10. (proprit fondamentale du dterminant) Soit A P Mn (K ), on a : ee e Preuve : Soit iA
on a :
A inversible : Mn;1 (K ) 3 Mn;1 (K ) X
@A det(A) 3 AX , soit B
la base canonique de Mn;1 (K )
et par dnition : e par suite :
A = MB0 (iA ) det(A) = det(iA )
A inversible @A iA bijectif Proposition 68.10. Soit A; B P Mn (K ), on a :
@A det(iA) T= 0
det(AB ) = det(A)det(B )
Notation : Soit E un espace vectoriel de dimension nie n. Soit B une base de E , soit S = (v1 ; v2 ; : : : ; vn ) un systme de n vecteurs de E , on note MB (S ) la matrice carre (n; n) dont les e e colonnes sont dans l'ordre MB (v1 ); MB (v2 ); : : : MB (vn ), il rsulte de dnition du dterminant d'une e e e matrice que :
71
Proposition 69.10. Soit E un espace vectoriel de dimension nie n. Soit B une base de E , soit S = (v1 ; v2 ; : : : ; vn ) un systme de n vecteurs de E , on a : e
detB (S ) = det(MB (S ))
Cette proposition ramne le calcul du determinant d'un systme de vecteurs a celui d'une e e matrice.
Proposition 70.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une base de E , f P L (E ) un endomorphisme de E , on a :
det(f ) = det(MB (f ))
Preuve : det(f ) = detB ((f (e1 ); f (e2 ); : : : ; f (en ))) = detB0 ((MB (f (e1 )); MB (f (e2 )); : : : ; MB (f (en )))) = det(MB (f ))
Cette proposition ramne le calcul du determinant d'un endomorphisme a celui d'une matrice. e On peut maintenant complter le tableau de l'isomorphisme entre applications linaires et mae e trices :
72
xPE
MB (x)
0
y = f (x) MB (y) = MBB (f )MB (x) f +g f f g f 1 rg(f ) det(f )

0
MBB (f ) + MBB (g)

0 0
MBB (f )
0
MB B (f )MBB (g)
00 0
(MBB (f ))1
0
rg(MBB (f ))
0
det(MB (f ))
10.4 Calcul du dterminant e

Les propositions 69.10 et 70.10 montre que les calculs de dterminant se ramnent tous a celui e e d'une matrice, la proposition suivante donne une formule de rcurrence tr^s pratique pour calculer e e le dterminant d'une matrice : e
Proposition 71.10. Soit A = (aij ) une matrice carre, soit Aij la matrice dduite de A en e e supprimant la ligne i et la colonne j , on a :
Vj Vi
i+j i (1) aij det(Aij ) det(A) = j (1)i+j aij det(Aij )
det(A) =
dveloppement par rapport la colonne j e a dveloppement par rapport la ligne i e a
Exemple :

a b = (1)1+1 adet(d) + (1)1+2 cdet(b) = ad bc c d
Ainsi ces formules ramnent le calcul du determinant d'une matrice A d'ordre n au calcul des e dterminant des matrices Aij d'ordre n 1. On a int^ret a dvelopper par rapport a la ligne ou e e e colonne qui contient beaucoups de 0 car si aij = 0 inutile de calculer det(Aij ). Dans ce but on cre des 0 dans la matrice on utilisant la rgle donne par la proposition suivante qui se dduit e e e e immdiatement de la proprit fondamental du dterminant (alternance et multiliniarit) e ee e e
73
Proposition 72.10.

Le determinant d'une matrice est inchang si on ajoute une ligne (resp colonne) une come a binaison linaires des autres lignes (resp colonnes) e Si on multiplie une ligne ou colonne d'un matrice par un scalaire, det(A) est multipli par ce e scalaire. Si on permute deux lignes (resp colonnes) le dterminant est multipli par -1 e e
E xemple : Soit
A=f d
On a:

1 1 1 1
1 2 2 1
2 1 3 1 1 2 2
I g g e
c1 + c3
0 0 2 1
det(A) =
1 2 2 1
1
1 1 2
2 3 1 2

0 0 2 1

c2 + c3
0 3 1 3
1
1 1 2
2 3 1 2 0 5 3 6
det(A) =
0 0 2 1
0 3 1 3
1)
1
1 1 2
c4 + 2 c3

dveloppons par rapport a la premire ligne : e e
det(A) = +(
0 2 1
3 5 1 3 3 6

Le signe (1)i+j peut tre valu rapidement en partant de la case a11 avec un + et en basculant e e e au signe oppos chaque fois qu'en se dplace d'une case horizentalement ou verticalement jusqu'a e e la case aij . Rptons le raisennement sur le dterminant d'ordre 3 on a : e e e
74
det(A) = +(1)
Soit :

0 0 1 3 7
3 7 3

5 9 6

l2 2l3
det(A) = (
1)(+1)
5 9 = 3:(9) + 5:(7) = 8
La preuve de la proposition 71.10 donne une formule explicite de l'inverse d'une matrice :
Proposition 73.10. Soit A une matrice carr inversible. On a : e
A 1 =
det(A)
t ((1)i+j det(A )) ij
Toutefois cette formule n'a qu'un int^ret thorique puisqu'elle exige le calcul de n2 determinants e e ce qui est trop m^me si n = 3 e Il existent des determinants faciles a valuer. On a : e
Proposition 74.10. Dterminants remarquables : e
ja j = a

a b = ad bc c d
H H aHH a a a a H b b b bH bHH = c cH c cH cHH
Rgle de Sarus e
aHH bHH cHH

+ +
. . . 0 n
a aH b bH = (abH cHH + aH bHH c + aHH bcH ) c cH (aHHbHc + : : : )
Dterminant de matrice diagonale e

1
0
. . . 0
0 ... 0
= 1 2 n
75
Dterminant de matrice triangulaire suprieure e e

1
0
. . . 0
...
0
. . . n
= 1 2 n
Dterminant de matrice triangulaire infrieure e e

1 0 2 . . . . ... . .
. . . 0 n
= 1 2 n
Dterminant de matrice triangulaire suprieure par blocs e e

A1
0
. . . 0
A2
0
2
...
0
. . . An
= det(A1 )det(A2 ) det(An )
Dterminant de matrice triangulaire infrieure par bloc e e

A1
A
. . .
... ...
. . . 0 An
= det(A1 )det(A2 ) det(An )
(Les matrices Ai ont leures diagonales principales portes par la diagonale principale de la e matrice totale)
det(AB ) = det(A)det(B ) det(A ) = det1 A) (

1
det(tA) = det(A)
Exemples :

1.
2 0 0 0
1 2 1 3
1 0 1 1
1
0 = j 2j 0 1

2 1 3
0 0 1 0 = 2 (2 (1) 1) = 4 1 1
76

2.
1 1 2 2
0 2 0 1 1 1 4
0 0 1 = 3 1 3
1 1
2

3 4 3

10.5 Application aux systmes linaires (Elimination par blocs) e e

Reprenons le systme linaire gnral : e e e e
V b b ` b b X

1 1 2 2
am x + am x + + amn xn
P
= b1 (1) = b1 (2) = bm (m)
Noton
a n T A = T a n R am am amn
a11 a12 a21 a22
1 1 2 2
Q U U S
(La matrice du systme). Cette matrice se lit directement sur le systme. e e Matricielement le systme s'crit : e e
P
a n T a n T R am am amn
a11 a12 a21 a22
1 1 2 2
QH Uf Uf Sf d
x1 x2 xn
. . .
I g g g e
H f
=f . f d . .
b1 b2
I g g g e
bm
Dnition 38.10. Un systme linaire est dit de Cramer si sa matrice est carre et inversible e e e e
Proposition 75.10. Soit AX = b un systme linaire de Cramer, alors il admet une et une seule e e solution A1 b
La mthode d'limination peut tre gnralise naturalement comme suit : e e e e e e

Soit Ar une matrice carre de determinant non nul extraite de A. e
Ar en fonctions des autres inconnues.
En utilisant les quations qui touchent Ar , exprimer les inconnues xi1 ; xi2 ; : : : ; xir qui touchent e
77
e Rapporter l'xpression de xi1 ; xi2 ; : : : ; xir dans les quations qui ne touchent pas Ar e & n r inconnues systme Sr de e m r quation e
V b b ` b b X
Resoudre Sr . On a alors Solution de S = Solution de Sr et
xi1 = : : : xi2 = : : : xi = : : :
r
Mthode des dterminants 3 prendre r maximum. Alors Sr est ncessairement lementaire : e e e e
Sr
Remarque.
V ` X
0xir+1 + 0xir+2 + + 0xin = bHr+1
1. Si r n'est pas maximum, on peut toujours continuer la rsolution sur Sr . e
0xir+1 + 0xir+2 + + 0xin = bHm
2. Si Ar est inversible et Sr lementaire =A r est maximum. e 3. Le fait que Sr est lementaire T=A que r est maximum. e
Exemple :
V ` X
Il n'est pas facile de vrier si, toutes les 4 determinants d'ordre 3 extraits sont nuls ; il y a des e 1 1 matrices extraites d'ordre 2 de determinant non nul, on peut essayer par exemple Ar = 1 2 le systme de Cramer port par Ar est : e e
&
x+y+zt = 1 x + y z 2t = 3 3x + 3 y z 5t = 7
ce qui donne x = 1 y 3z et t = 2 2z que l'on porte dans les quations qui ne touchent pas e Ar (ici une seule) : 3x + 3 y z 5 t = 4 on trouve : 3(1 y 3z ) + 3y z 5(2 2z ) = 7 On trouve bien un systme lementaire, sa solution gnrale est : e e e e La solution gnerale de S se dduit alors de celle de Sr en remontant les quations. e e e
xt = 1yz x 2t = 3 y + z
f(y; z)jy; z P K g
Soution(S ) =
Soit
V `
(x; y; z; t) X
y; z P K x = 1 y 3z t = 2 2z
W a Y
Soution(S ) = f(1 y 3z; y; z; 2 2z ) j y; z P K g
78
11 Diagonalisation des endomorphismes

Soit E un espace vectoriel, f P L (E ) un endomorphisme de E , la donne du couple (E; f ) dnit e e une nouvelle structure. Se pose alors le problme de factoriser cette structure. L'analyse de ce e problme montre qu'il est quivalent a : e e

Factoriser l'espace vectoriel E en somme directe E = F1 F2 Fm Chaque Fi doit tre stable par f , c'est--dire : f (Fi ) & Fi e a
La meilleure factorisation tant lorsque Fi soient les plus petits, soit lorsque dim(Fi ) = 1, e c'eat--dire Fi = vect(vi ) avec vi T= 0. La condition f (Fi ) & Fi se traduit par : a
W P K
f (vi ) = vi
Comme pour les autres questions sur les applications linaires, la factorisation d'un endomore phisme, se ramne a celle d'une matrice carre, c'est pour cette raison nous nous limitons aux cas e e des matrices, de plus nous ne traitons que le cas de la factorisation optimale (la diagonalisation) le cas gnral ne fait pas partie du programme. e e Dans la suite Mn;1 (K ) est l'espace vectoriel des vecteur 1 colonne
H f f f d
x1 x2
. . .
I g g g e
xn Il est pratiquement identique a K n . Soit A P Mn (K ), elle dnit un endomorphisme de e Mn;1 (K ), iA : X 3 AX , par abus les objets li a iA (tel que ker(iA ); Im(iA ); : : : ) se notent e ker(A); Im(A); : : :
Dnition 39.11. Soit A P Mn (K ) une matrice carre, P K , on dit est une valeur propre de e e A si il existe un vecteur colonne X P Mn;1 (K ) avec X T= 0 et AX = X
On note sp(A) l'ensemble des valeurs propres de A (sp comme spctre) e Donc
H f
P Sp(A) @A W f . f d .
.
H I e,
x1 x2
I g g g e
1
xn
P Mn; (K ) A f f d
x1 x2 xn
. . .
I g g g e
H f
= f . f d . .
x1 x2
I g g g e
xn
Exemple : Soit
A=d
2 1 1 1 2 1 1 1 2
on a :
79
H
Ad
Donc 4 P sp(A)
1 1 1
I e
=d
4 4 4
I e
= 4d
1 1 1
I e
Proposition 76.11. Soit A P Mn (K ) une matrice carre, P K , In la matrice identit de taille e e n, on a :
P sp(A) @A det(A In ) = 0

Preuve : On a :
P sp(A) @A WX P Mn;1 (K ); X T= 0; et AX = X
@A WX P Mn; (K ); X T= 0; et (A In)X = 0
1
@A Ker(A In) T= f0g @A det(A In) = 0

Soit dans Mn (K (X )) la matrice :
A XIn
On note :
PA (X ) = det(A XIn )
La formule explicite du determinant montre que :
Proposition 77.11. PA (X ) P K [X ] Dnition 40.11. Soit A P Mn (K ), le polyn^me PA (X ) s'appel polyn^me caractristique de A e o o e

Les proprits des substitutions dans un polyn^me (cf cours semestre 1) donne : ee o
Proposition 78.11. Soit A P Mn (K ), soit P K , on a :
P sp(A) @A PA () = 0
80
Proposition 79.11. Soit A P Mn (K ), A = (aij ), notons tr(A) =
i aii ,
on a :
PA (X ) = (1)n X n + (1)n1 tr(A)X n1 + + det(A)

Corollaire. Soit A P Mn (K ), alors A admet au plus n valeurs propres .
Cas particulier :
Si A est une matrice (2; 2), on a :
PA (X ) = X 2 tr(A)X + det(A)
H
Si A = d
a aH aHH b bH bHH c cH cHH
I e,
posons :
H bH bHH HH 2 = a aH + cH cHH + a aHH c c b b

On a :
PA (X ) = X 3 + tr(A)X 2 2 X + det(A)
Exemples :
1. Cherchons le spectre de la matrice A =
1 1
2
4
, on a :
PA (X ) = X 2 tr(A)X + det(A) = X 2 5X + 6 = (X 2)(X 3)

Donc sp(A) = f2; 3g
H
2. A = d
2 1 1 1 2 1 1 1 2
e,
on a :
2 = 3 + 3 + 3 = 9
2 1 1 2 det(A) = 1 2 1 = 1 1 1 2 0

1 1 0 2 1 = 1 1 1 0
3 1
2 1
1 =4 1
PA (X ) = X 3 + 6X 2 9X + 4 = (X 4)(X 1)2
Donc sp(A) = f1; 4g
81
En vertu du problme de la diagonalisation des matrices, les deux lemmes suivants vont jouer e un r^le tr^s important : o e
Lemme 1. Soit A somme :

est directe.
P Mn(K ), soient ; ; : : : k P sp(A) des valeurs propres de A distints, la

1 2
Ker(A 1 In ) + Ker(A 2 In ) + + Ker(A k In )
Preuve : Rcurrence sur k, soit une relation : e

(1) appliquons A : soit (2) formons (2) k (1), il vient :
v1 + v2 + + vk = 0
vi P Ker(A i In )
Av1 + Av2 + + Avk = 0 1 v1 + 2 v2 + + k vk = 0
(1 k )v1 + (2 k )v2 + + (k1 k )vk1 = 0 L'hypothse de rcurrence montre que (i k )vi = 0 pour i = 1; 2; : : : ; k 1. Comme i k T= 0 e e on obtient v1 = v2 = = vk1 = 0, il reste dans (1) que vk = 0, donc v1 = v2 = = vk = 0
Lemme 2. Soit A P Mn (K ), P sp(A) une valeur propre de A, soit m la multipicit de dans e PA (X ), on a :
dim(Ker(A In )) m Preuve : Comme Ker(A In ) T= f0g, on a dim(Ker(A In )) ! 1. Soit B1 une base de Ker(A In ), soit k = dim(Ker(A In )) = jB1 j, on complte B1 a B base de Mn;1 (K ), dans e cette base la matrice de iA : Mn;1 (K ) 3 Mn;1 (K )X 3 AX est de la forme :
1
H f f f f d g g ::: ::: ::: ::: ::: g k g 0 ::: 0 e 0 : : : 0 0 A1 k = dim(Ker(AIn )), par suite dim(Ker(AIn ))

0
::: ::: ::: :::
D'o PA (X ) = (X )k Q u
m
82
Corollaire. Soit A P Mn (K ), P sp(A) une valeur propre de A, si est une racine simple du polyn^me caractristique de A, alors : o e
dim(Ker(A In )) = 1
Dnition 41.11. Soit A P Mn (K ), soit P sp(A) une valeur propre de A. on appel vecteur e propre de A associ la valeur propre tout vecteur X P Mn;1 (K ) (X T= 0) tel que AX = X ea
Proposition 80.11. Soit A P Mn (K ), soit sp(A) = f1 ; 2 ; : : : k g l'ensemble des valeurs propres de A, il est quivalent de dire : e
1. Mn;1 (K ) = Ker(A 1 In ) Ker(A 2 In ) Ker(A k In ) 2. Mn;1 (K ) admet une base forme de vecteurs propres de A e 3. Mn;1 (K ) admet une base o la matrice de l'endomorphisme Mn;1 (K ) 3 Mn;1 (K ) X 3 AX u est une matrice diagonale. 4. Il existe une matrice P P Mn (K ) inversible telle que P 1 AP est une matrice diagonale.
Preuve :

1) =A 2) car si 1) soit pour chaque valeur propre de A, B une base de Ker(A In ), alors en vertu de 1), (B1 ; B2 ; : : : ; Bk ) est une base de Mn;1 (K ) forme de vecteurs propres. e 2) =A 3) immdiat e 3) =A 4) par la formule de changement de base 4) =A 1) car si 4), notons D = P 1 AP , donc AP = P D, soit (c1 ; c2 ; : : : ; cn ) le systme de e Mn;1 (K ) form des colonnes de A et posons e
H f ::: D = f : 0: :2 : 0: : : : : : : d : :: : 0 0 : : : 0 n
:::
0 0
I g g e
Par dnition du produit matrciel la relation AP = P D quivaut a Aci = i ci , donc ci sont e e des vecteurs propres de A, comme P est inversible (c1 ; c2 ; : : : ; cn ) est libre, c'est donc une base de Mn;1 (K ), donc tout X P Mn;1 (K ) est combinaison linaire de vecteurs propres de A, e donc 1)
83
Dnition 42.11. Soit A P Mn (K ). On dit que A est diagonalisable si elle vrie les proprits e e ee quivalentes de la proposition ci-dessus. e
Le thorme suivant fournit un critre pour reconnaitre si une matrice est diagonalisable. e e e
Thorme 6.11. Soit A P Mn (K ) une matrice carre. A est diagonalisable si et seulement si e e e

1. PA (X ) est scind sur K e 2. Pour toute valeur propre de A, dim(Ker(A In )) = m la multipicit de dans PA (X ), e
Preuve : Pour tout valeur propre de A, on a :

1 donc
dim(Ker(A In ))
m m
( )
Psp(A)
dim(Ker(A In ))
sp(A)
d (PA (X )) = n
A diagonalisable @A dim(Psp(A) Ker(A In )) = dim(Mn;1 (K )) = n
@A @A
&
@ dim(Ker(A Psp(A)
Psp(A)
dim(Ker(A In )) = d (PA (X ))
Psp(A) m = d (PA (X ))
In)) = Psp A m
( )
(A ) dim( @A V (P spscinde sur KKer(A In)) = m PA X )
(ceci dH apres ())
Corollaire. Soit A P Mn (K ), si PA (X ) est scind et si toutes ses racines sont simples, alors A e est diagonalisable. Preuve : On a applique le corollaire du lemme2
Voici l'algorithme pour diagonaliser une matrice :
1. Si PA (X ) n'est pas scind sur K , s'arrter A n'est pas diagonalisable e e
84
2. Si il existe une valeur propre de A multiple telle que dim(Ker(A In )) T= m s'arrter A e n'est pas diagonalisable 3. Pour chaque valeur propre de A calculer une base B de Ker(A In ) en rsolvant le e systme linaire (A In )X = 0 e e 4. Posons sp(A) = f1 ; 2 ; : : : ; k g l'ensemble des valeurs propres de A. Soit B = (B1 ; B2 ; : : : ; B ) (c'est une base de Mn;1 (K )) forme de vecteurs propres de A, soit P la matrice de passage e de la base canonique de Mn;1 (K ) B , on a P 1 AP diagonale a
k
Proposition 81.11. Application de la diagonalisation 1 Soit A P Mn (K ) une matrice diagonalisable. Soit P une matrice inversible telle que P 1 AP soit une matrice diagonalisable. Posons
H f ::: P 1 AP = f : 0: :2 : 0: : : : : : : d : :: : 0 0 : : : 0 n
:::
0 0
I g g e
alors :
H
Vm P N
m f : Am = P f : 0: :2: : 0: : : : : : : d : : : : : m 0 0 : : : 0 n
m 1
:::
0 0
I g 1 gP e
Preuve : La matrice P dnit un changement de base B0 3 B (B0 base canonique de e Mn;1 (K )). Dans B , l'endomorphisme X 3 Am X est reprsent par la matrice e e
H f f d
m 1
m 2 0 : : : ::: ::: ::: ::: ::: m 0 0 : : : 0 n
:::
0 0
I g g e
la proposition s'ensuit par la formule de changement de base
Proposition 82.11. Pour toute A P Mn (C), la srie e
m=0
Am converge m!
Dnition 43.11. Soit A e I Am m=0 m! On la note eA
P Mn(C),
on appel matrice exponentielle de A, la limite de la srie e
85
Proposition 83.11. Application de la diagonalisation 2 Soit A P Mn (C) une matrice diagonalisable. Soit P une matrice inversible telle que P 1 AP soit une matrice diagonalisable. Posons
H f ::: P 1 AP = f : 0: :2 : 0: : : : : : : d : :: : 0 0 : : : 0 n
:::
0 0
I g g e
alors :
H
2 f : eA = P f : 0: e: : : 0: : : : : : : d : : : : : 0 0 : : : 0 e
e1
:::
0 0
I g 1 gP e
Preuve : On applique la proposition prcdente par passage a la limite ee
Remarque. 1. Si on a calcul Am , inutile d'utiliser la formule ci-dessus eA = P eD P 1 pour e A , l'expression de eA rsulte de l'expression de Am en remplaant chaque m par e calculer e e c
2. Parfois pour les besoins en systmes direntiels, on calcul plut^t etA , il sut dans l'expression e e o m de remplacer chaque m par et de A
Exemples :
1.
A=d A est diagonale par bloc, d'o : u
1 0 0 0 2 1 0 0 2
I e
PA (X ) = (1 X )(2 X )2 sp(A) = f1; 2g
scinde
Etudions d'abord la valeur propre multiple = 2

H d
x y z
I e
P Ker(A In) @A (A
H
In ) d
x y z
I e
0 0 0
I e
= @A x= 00 z
&
D'o Ker(AIn ) = vect d u
0 1 0
I e
dim(Ker(AIn )) < m = 2 3 A non diagonalisable
86 2.
H
A=d
1 0 0 0 0 1
0 1 0
I e
P M (R)
2
PA (X ) = (1 X )(X 2 + 1) non scind 3 A non diagonalisable e

3.
H d
5 1 0 0 1 1 0 0 2
I e
PA (X ) = (5 X )(1 X )(2 X ) scind et tous ses racines simples 3 A diagonalisable e

Cherchons une base de vecteurs propres. On a sp(A) = f1; 2; 5g
Cherchons les vecteurs propres associs a la valeur propre = 5 e

H d
x y z
I e
P Ker(AIn) @A (A
H
In ) d
x y z
I e
0 0 0
I e
@A X
V `
y=0 4y + z = 0 3z = 0
=0 @A y = 0 z
&
1 d'o Ker(A In ) = vect d 0 e u 0 Cherchons les vecteurs propres associs a la valeur propre = 2 e
H d
x y z
I e
P Ker(AIn) @A (A
H
In ) d
I
x y z
I e
0 0 0
I e
@A
&
3x + y = 0 y + z = 0
= 3 @A y z = y x
&
1 d'o Ker(A In ) = vect d 3 e u 3 Cherchons les vecteurs propres associs a la valeur propre = 1 e
H d
x y z
I e
P Ker(AIn) @A (AIn) d
H
x y z
I e
=d
0 0 0
I e
@A
&
4x + y = 0 z=0
= 4 @A y z = 0 x
&
d'o Ker(A In ) = vect d u
1 4 0
I e
87 D'o une base de vecteurs propres de A u

HH
B = dd
1 3 3
I H e;d
1 0 0
I H e;d
1 4 0
II ee
La matrice de passage de la base canonique de Mn;1 (K ) a la base B est ;

H
P =d
On a :
1 1 3 0 3 0
H
1 4 0
I e
P 1 AP = d
ce qui quivaut a : e
H
2 0 0 0 5 0 0 0 1
I
I e
A=Pd
On en dduit : e
H
2 0 0 0 5 0 0 0 1
e P 1
An = P d
H
2n 0 0 0 5n 0 0 0 1
5n 12
I e P 1
2n 3
=d et
5n 0 0
5n 4
1 =4
1 0
+ 1 =4 n1 2 2n
I e P 1
t
I e
etA = P d 0 e5t
0
H
e2t
0 et
0 0
=d 0 0 4.
e5t
e5t
4
e t =4
et
0
H
e5t
12
e2 + et=4 e e t et
2 3
e2t
A=d 0
3 c'est une matrice diagonale par blocs.
2 3
0 1 0 3 1
I e
88
PA(X ) = (X + 2)(X 1) scind. On a : sp(A) = f1; 2g e Cherchons les vecteurs propres associs a la valeur propre = 1 e
2
H d
x y z
I e
P Ker(A In) @A (A In) d
x y z
I e
=d
0 0 0
I e
= @A 3x+ 33y= 00 3x y
&
HH
D'o Ker(A In ) = vect dd 1 u 0
1 I
@A x = y
H e;d
0 0 1
II ee
dim(Ker(A In )) = 2 = m 3 On continue

H d
Cherchons les vecteurs propres associs a la valeur propre = 2 e
x y z
I e
P Ker(A In) @A (A In) d

& H I
x y z
I e
=d
0 0 0
I e
@A X
V `
3y = 0 3x + 3 y + 3 z = 0
3y = 0
y=0 z = x
1 d 0 e D'o Ker(A In ) = vect u 1 Une base de vecteurs propres est donc :
HH dd
1 I
1 0
e;d
0 0 1
I H e;d
1 0 1
I e
II ee
La matrice de passage de la base canonique de Mn;1 (K ) a la base B est ;

H
P =d
On a :
0 1 0 0 1 1 0 0 1 0 0
1 0 1
P 1 AP = d
ce qui quivaut a : e
H
0 0 2
I
I e
A=Pd
1 0 0 1 0 0
0 0 2
e P 1
89 On en dduit : e
H
An = P d
H d
1 0 0 0 1 0 n 0 0 (2)
I e P 1 I e
(2)n (2)n 1 0 0 1 0 n 1 (2)n 1 1 (2)

H
et
etA = P d
H d
et 0 0 et
0
0 e 2 t
0 0
I e P 1 I e
e 2 t et e2t
0
e2t et 0 et 0 t e2t et e

Cours Alg 22

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Cours Alg 22

Uploaded by

Copyright:

Available Formats

1

Chapitre IV : Algbre linaire e e

Prliminaire sur les systmes linaires e e e

Trouver tous les

x; y P R tel que x(1; 1; 2) + y(3; 3; 1) = (2; 2; 5)

Considrons de m^me le problme: e e e Trouver tous les

a11 x1 + a12 x2 + + a1n xn a21 x1 + a22 x2 + + a2n xn

(1) (2) (m)

1.1 Principe de rsolution : e

Remarque. A chaque inconnue limine correspend une quation limine e e e e e

Quand ce procd de rsolution s'arrte t'il ? e e e e

0xir+1 + 0xir+2 + + 0xin = bHr+1

0xir+1 + 0xir+2 + + 0xin = bHm

La solution de ces systme est vidente : e e

n'a pas d'quations. Sa solution gnrale est : e e e

dernire relation trouve e e x=1ty+z = 1 t (1 z 3t) + z = 4t relation qui la prcde ee

Dernire equation limine e e e y =2x=1 Avant dernire equation limine e e e

On rpte la mthode de resolution sur S2 e e e

f(y; z)jy; z P K quelconques g

dernire quation limine e e e e

avant dernire quation limine e e e e

9 Soit sous forme standard

On rpte la mthode de resolution sur S2 e e e

1.2 Calcul d'une base de l'ensemble des solutions

s = (4t; 1 z 3t; z; t) s = (0; 1; 0; 0) + z (0; 1; 1; 0) + t(4; 3; 0; 1)

f(1 y 3z; y; z; 2 2z) j y; z P K g

s = (1 y 3z; y; z; 2 2z ) s = (1; 0; 0; 2) + y(1; 1; 0; 0) + z (3; 0; 1; 2)

Autre Exemple de Systme linaire e e

S = (2z 4t; 1 z 3t; z; t)  (y; z ) P K

2 Structure d'espace vectoriel

La linarit exige donc deux oprations : e e e

{ Une addition { et une multipication par une constante.

3. La loi : est distributive par rapport  +, c'eat--dire : a a

V ; Vx P E ( + ):x = :x + :x V P K Vx; y P E :(x + y) = :x + :y

Vx P E 0:x = 0 Vx P E (1):x = x Vx P E Vn P Z nx = n1:x Vx P E; V P K ( :x = 0 =A = 0 ou x = 0) Vx; y P E; V P K et = 0 ( :x = :y =A x = y) T V ; P K; Vx P E et x = 0 ( :x = :x =A = ) T

:(x1 ; x2 ; : : : ; xn ) = (:x1 ; :x2 ; : : : ; :xn )

3 Sous espace vectoriel

&E Vx; y P F x +H y = x + y Vx P F V P K :Hx = :x

13 On a une caractrisation beaucoup plus simple des sous espaces vectoriels e

On peut runir les conditions 2. et 3. en une seule condition :: e

Comme consquences immdiates on a : e e

Exemples de sous espaces vectoriels

et F = f(x; y; z ) j x 2y + 5z = 0g. F est un sous espace vectoriel de E , car :

{ (0; 0; 0) P F (car 0 2 0 + 5 0 = 0), donc F T= Y

a11 x1 + a12 x2 + + a1n xn a21 x1 + a22 x2 + + a2n xn

Notation : Soit I un ensemble et K un corps commutatif. on note

e iPI i vi est une combinaison linaire des vecteur vi .

4 Factorisation d'espaces vectoriels

1. f est bijective 2. Vx; xH P E f (x + xH ) = f (x) + f (xH ) 3. Vx P E; V P K

Pratiquement cela signi e que si on renome f (x) chaque l'lment x P E , E s'identi e a E H ee 

Proposition 12.4. Soit E un espace vectoriel, F1 ; F2 ; : : : ; Fn des sous espaces vectoriels de E , on a :

Remarque. 1. F1 + F2 + + Fn joue le r^le oppos (dual)  F1 F2 Fn en inversant o e a l'ordre inclusion.

2. Pour i = 1; 2; : : : ; n on a Fi (F1 + F2 + + Fi1 ) = f0g 3. V(x1 ; x2 ; : : : ; xn ) P F1 F2 Fn

unique tel que

5. La surjection canonique entre F1 F2 Fn et F1 + F2 + + Fn est un isomorphisme d'espace vectoriel.

Preuve : . Il su t de montrer que 1) =A 2) =A 3) =A 4) =A 5) =A 1).

F1 + F2 directe (F1 + F2 ) + F3 directe . . . (F1 + F2 + + Fn1 ) + Fn directe

R3 les sous espaces vectoriels

 v P F @A x + y + z = 0  v P F H @A W P R tel que (x; y; z) = (1; 1; 1)

Cherchons si F + F H est directe. Soit v = (x; y; z ) P F

x + y + z = 0 =A  +  +  = 0 =A 3 = 0 =A  = 0 =A x = y = z = 0 Donc F F H = f0g, donc F + F H est directe.

5 Espace vectoriel quotient

Vx; y; xH; yH P E xR y et xHR yH =A (x + xH)R (xH + yH) Vx; y P E V P K xR y =A (x)R (y)

Chapitre IV : Algbre linaire e e

Prliminaire sur les systmes linaires e e e

Considrons de m^me le problme: e e e Trouver tous les

1.1 Principe de rsolution : e

Remarque. A chaque inconnue limine correspend une quation limine e e e e e

Quand ce procd de rsolution s'arrte t'il ? e e e e

La solution de ces systme est vidente : e e

n'a pas d'quations. Sa solution gnrale est : e e e

dernire relation trouve e e x=1ty+z = 1 t (1 z 3t) + z = 4t relation qui la prcde ee

Dernire equation limine e e e y =2x=1 Avant dernire equation limine e e e

On rpte la mthode de resolution sur S2 e e e

dernire quation limine e e e e

avant dernire quation limine e e e e

On rpte la mthode de resolution sur S2 e e e

Autre Exemple de Systme linaire e e

S = (2z 4t; 1 z 3t; z; t) (y; z ) P K

La linarit exige donc deux oprations : e e e

3. La loi : est distributive par rapport +, c'eat--dire : a a

V; Vx P E ( + ):x = :x + :x V P K Vx; y P E :(x + y) = :x + :y

Vx P E 0:x = 0 Vx P E (1):x = x Vx P E Vn P Z nx = n1:x Vx P E; V P K (:x = 0 =A = 0 ou x = 0) Vx; y P E; V P K et = 0 (:x = :y =A x = y) T V; P K; Vx P E et x = 0 (:x = :x =A = ) T

:(x1 ; x2 ; : : : ; xn ) = (:x1 ; :x2 ; : : : ; :xn )

&E Vx; y P F x +H y = x + y Vx P F V P K :Hx = :x

13 On a une caractrisation beaucoup plus simple des sous espaces vectoriels e

On peut runir les conditions 2. et 3. en une seule condition :: e

Comme consquences immdiates on a : e e

e iPI i vi est une combinaison linaire des vecteur vi .

1. f est bijective 2. Vx; xH P E f (x + xH ) = f (x) + f (xH ) 3. Vx P E; V P K

Pratiquement cela signie que si on renome f (x) chaque l'lment x P E , E s'identie a E H ee

Remarque. 1. F1 + F2 + + Fn joue le r^le oppos (dual) F1 F2 Fn en inversant o e a l'ordre inclusion.

Preuve : . Il sut de montrer que 1) =A 2) =A 3) =A 4) =A 5) =A 1).

v P F @A x + y + z = 0 v P F H @A W P R tel que (x; y; z) = (1; 1; 1)

x + y + z = 0 =A + + = 0 =A 3 = 0 =A = 0 =A x = y = z = 0 Donc F F H = f0g, donc F + F H est directe.

Vx; y; xH; yH P E xR y et xHR yH =A (x + xH)R (xH + yH) Vx; y P E V P K xR y =A (x)R (y)

De cette caractrisation il vient immdiatement : e e

Dans K n , le systme e ((1; 0; 0; : : : ); (0; 1; 0; : : : ); : : : ; (0; 0; : : : ; 0; 1)) est libre car

1 (1; 0; 0; : : : ) + 2 (0; 1; 0; : : : ) + = (0; 0; : : : ; 0)

1 (1; 1; 2) + 2 (1; 1; 1) + 3 (2; 1; 1) = 0 V ` 1 + 2 + 2 3 = 0 @A X 1 + 2 + 3 = 0 21 2 3 = 0

1 + (1 3 ) + 23 = 0 2 = 1 3 ()(1) 21 (1 3 ) 3 = 0 3 = 0 2 = 1 3 31 = 0

3 = 0 ()(2) 2 = 1 3 ()(1) 31 = 0 3 = 0 ()(2) 2 = 1 3 ()(1) 1 = 0 ()(3)

3 = 0 ()(2) 2 = 1 3 ()(1) 1 = 0 ()(3)

Montrons directement que le systme e

E est gnrateur. e e Soit G un gnrateur et x P E , on a : e e

Pour toute partie A d'un espace vectoriel, A est un gnrateur de vect(A) e e

, il sut de le vrier pour les lments d'un gnrateur. e ee e e

Donc le systme admet une innit de solution e e

f( =2 + (b + a)=2; ; (b a + 3 )=2) j P Rg

Donc ((1; 1); (1; 2); (1; 1)) est gnrateur. e e

un systme de E , il est quivalent de dire : e e

1. Tout lment de E s'crit de faon unique comme combinaison linaire d'lments de . ee e c e ee 2.

est la fois libre et gnrateur. a e e

On a (a; b; c) = 1 (2; 1; 3) + 2 (1; 4; 1) + 3 (2; 7; 1)

+ 2 + 23 = a 1 + 42 + 73 = b 31 2 + 3 = c

+ (31 + 3 c) + 23 = a 1 + 4(31 + 3 c) + 73 = b 2 = 31 + 3 c ()(1)

1 + 33 = a + c 1 + 83 = b + c 2 = 31 + 3 c

1 = a + c 33 ()(2) 1 + 83 = b + c 2 = 31 + 3 c ()(1)

1 = a + c 33 ()(2) ()(3) 3 = (b + 12c + 13a)=31 2 = 31 + 3 c ()(1)

8.2 Thorme de la base incomplte e e e

8.3 Thorme de la dimension e e

Thorme 2.8. ( Thorme de la dimension) Soit E un espace vectoriel. B et B H des bases de e e e e E . On a :

Consquences immdiates des thormes 1.8 et 2.8 e e e e

est libre (ou gnrateur) e e

8.4 Classication des espaces vectoriels

Si n T= m, K n et K m ne sont pas isomorphes. dim(E ) = n @A E 9 K n

8.5 Base et dimension des solutions d'un systme linaire e e

Pour un systme non homogne il faut modier lgerement cette proposition ; e e e

Soit le systme trouver (x; y; z ) P K 3 tel que x + 5y = 3. On a : e

f0g et E sont supplmentaires l'un de l'autre e

Si F F H est une somme directe, soit E1 = F supplmentaires l'un de l'autre. e

Il rsulte du thorme 1.8 (thorme de la base incomplte) et de la proposition 23.8 que e e e e e e

dim(F ) dim(E ) Si E est de dimension nie, on a :

8.7 Rang d'un systme de vecteur e