CM Algèbre linéaire Chapitre 1 : Système linéaire Considérons le système linéaire d’équation suivante : x, y et z sont les inconnues L’ordre des équations n’a pas d’importance. Résoudre le système c’est obtenir toutes les solutions si elles existent. Notons que : On ne change pas le système si on multiplie une équation par une constante non nulle. On ne change pas le système si on ajoute à une équation une autre (et même le multiple d’une autre). 1er pivot x y z 1ere colonne L2←L2 –L1 L3←L3 +L1 2eme colonne 2eme pivot = -1, un bon pivot doit être égal à 1. On divise L2 par (-1) L2←L2/(-1) 3eme colonne 3eme pivot = -3 L3← L3/(-3) L1←L1-(3) L3 L2←L2-(2) L3 Le système admet une solution unique : Exemple 2 On sort l’«utile» Matrice du système 1ère colonne L2←L2-(2)L1 L3←L3-(1)L1 2eme colonne : pivot nul on cherche en dessous On change L2 et L3 L2↔L3 L2←L2 /(-1) matrice du second nombre L1←L1-(1) L2 L3←L3-(0) L2 3eme colonne -1L3←L3/(2) Solution unique : Exemple 3 1ère colonne L2←L2-(2)L1 L3←L3-(3)L1+ 2ème colonne L2← L2/ (-1) L1←L1-(1)L2 L3←L3-(1)L2 Pivot nul sans remplacement Discussion: Si , alors la 3eme équation ne peut être satisfaite, 0=m-3 est impossible Il n’y a pas de solution, le système est impossible Si m-3=0 (m=3), l’équation donne toujours 0=0 ce qui est toujours vrai Il reste On écrit : Il y a donc une infinité de solutions, le système est indéterminé d’ordre 1 (1seule inconnue libre) Exemple 4 1ere colonne : L2←L2-(1)L1 L3←L3-(2)L1 2eme colonne : pivot nul, en dessous aussi, donc on passe à la colonne suivante 3èmecolonne : L1←L1-(2)L2 L3←L3-(3)L2 Discussion : 0=(c-2a)+3(b-a) , il n’y a pas de solution si c-5a+3b=0, le système est indéterminé d’ordre 1 →si possible→ → Ligne “0” Si dans une ligne 0→impossible, il n’y a pas de solution. Si C=0 pour toutes les lignes 0, le système est indéterminé. indéterminé d’ordre 1 indéterminé d’ordre 2 Si B=0 et C=0→indéterminé d’ordre 2 Si →impossible Chapitre 2 : matrices Définition 1 : On appelle matrice réelle à m lignes et n colonnes tout tableau de nombres réels délimités par des parenthèses. , l’élément est en ligne i et en colonne j. On écrit aussi A= (aij) m éléments de A sera noté aij On notera l’ensemble des matrices à m lignes et n colonnes. Si m=n on parlera de matrice carré c’est une matrice carré d’ordre 3 (ou 3 lignes et 3 colonnes). Une matrice carrée possède une diagonale. Si m=1 on parlera de matrice ligne Si n=1 on parlera de matrice colonne Dans le cas de matrices carrés d’ordre n, on dira que est une matrice “diagonale” Cette matrice est nulle en dehors de sa diagonale. On distingue une matrice diagonale particulière : C’est al matrice identitaire d’ordre n. Définition 2 : Etant donné 2 matrices A et B appartenant au même format On définit la matrice . par Exemple : Propriété1 : L’addition des matrices possède les propriétés usuelles de l’addition de nombres. A+B=B+A → commutativité (A+B)+C=A+(B+C)=A+B+C → associativité A+(0)=A Matrice nulle Toute matrice A possède une matrice –A Tout A possède une opposé –A A+-A=(0) A+(-A)=(0) Remarque : Définition 3 : Etant donné une matrice définit par concrètement : Le produit A X B est possible et se calcul par : A C C 1X1=1 1X2=2 2X1=2 1+2+2=5 C à autant de lignes que A et autant de colonnes que B. Remarque 1 : Dans notre exemple A X B était possible et calculable mais B X A ne l’est pas. Remarque 2 : le produit des matrices n’est pas commutatif en général même si les 2 produits sont calculables. par contre on a toujours A (B+C)=A X B+A X C et A X (B X C)=(A X B)X C c’est la distributivité Exemple : A X B existe : B X A aussi : (13) La matrice identité de “bonne taille”, “joue le rôle du 1” pour le produit des matrices. Si : A Il n’y a que les matrices carrées que l’on peut additionner et multiplier. I3 A Remarque : Dans l’avenir in se limitera aux matrices carrées d’ordre n (2 ou 3). On pourra toujours calculer B+A=A+B et A X B et B X A. Le résultat sera toujours carré d’ordre n. Définition 4 : Soit A une matrice carrée d’ordre n, on dira que A est inversible ssi il existe une matrice carré d’ordre n, notée A-1 telle que A X A-1= A-1 X A=In. Remarques : Toutes les matrices carrées ne sont pas inversibles. L’inverse, si elle existe, est unique. Calcul pratique de A-1 On va utiliser la méthode du pivot. On part de A In “pivote” In A-1 si possible Exemple : Calculer, si elle existe, l’inverse de Posons : L2←L2-L1 L3←L3-2L1 L2←L2/(-1) L1←L1-2L2 L3←L3+3L2 On a les pivots donc A est inversible. L1←L1-L3 L2←L2-0L3 On vérifie : A X A-1 A est inversible si l’on trouve tout les pivots non-nuls nécessaires. Si il manque un pivot ou une colonne, on arrête car A n’est pas inversible. Chapitre 3 : Espaces vectoriels Définition 1 : Soit v’’, w’, w’’. On dira que un ensemble dont les éléments sont appelés vecteurs et notés v1, v2, v3, … ou v’, possède une structure d’espace vectoriel si : On définir sur une addition notée + telle que : v1+v2 = v2+v1 (v1+v2)+v3 = v1+(v2+v3) il existe un vecteur particulier tel que v+0E=v tout possède un opposé noté –v tel que v+(-v)=0E E est également doté d’une multiplication par un scalaire R X E→ (λ,v)→λ.v Telle que : λ.(v1+v2)=λ.v1+λ.v2 (λ1+λ2).v=λ1v+λ2v λ.(μ.v)=(λμ).v 1.v=v = vecteur nul Remarque : Les propriétés ont été tirés des propriétés des vecteurs de la géométrie. On montre que si λ.v=0E => λ=0 ou v=0E. Exemples : L’ensemble de vecteurs de la géométrie Notre membre sera : En particulier on utilisera On définira l’addition par v+w=(x, y, z)+(x’, y’, z’)=(x+x’, y+y’, z+z’) On peut vérifier que la propriété des membres sont vérifiés avec par :λ.v=λ.(x, y, z)=(λx, λy, λz) Ces définitions se généralisent facilement à Exemple : Dans v1 = (1, 2, 3) v2 = (2, 1, 0) Calcul de : 3v1+v2 =3.(1, 2, 3) + (2, 1, 0) =(3, 6, 9) + (2, 1 ,0) = (5, 7, 9) Définition 2 : Soit : Quelque soit un espace vectoriel (e.v) et soit un sous ensemble de On dira que F est un sous espace vectoriel de scalaire, c’est-à-dire ssi . est stable pour l’addition et le produit Donc F à lui tout seul est un espace vectoriel et dans ce cas : Dans soit : Soit v = (x, x, 0) w = (y, y, 0) v+w =(x+y, x+y, 0) de la forme Si , λ.v=λ(x, x, 0)= (λx, λx,0) de la forme Définition 3 : Soit un e.v et v1, v2,… vn une famille de vecteurs neutres de On combinaison linéaire de ces vecteurs tout vecteur de . de la forme : λ1v1+ λ2v2+…+λnvn Définition 4 : Une famille {v1,…vn} de vecteurs E sera dite libre ssi on a λ1.v1+λn.v=0E λ1=λ2=…=λn=0 Dans le cas contraire on dira que la famille est liée. Autre expression : {v1…vn} est libre ↔ les vecteurs v1…vn sont linéairement indépendants. Exemple : Dans v1= (1, 0, 2) et v2= (2, 1, 0) La famille {v1, v2} est-elle libre ? On pose Ce système possède-t-il une solution unique qui sera forcement Ici on trouve bien : La famille est libre Prenons v3= (7, 2, 6) La famille {v1, v2, v3} est-elle libre ? On pose On peut même dire que est la seule solution ? Système indéterminé d’ordre 1 : On ne peut donc pas affirmer seule solution, donc la famille est liée Remarques : Une famille d’un vecteur {v2} est libre si Une famille de 2 vecteurs {v1, v2} est liée si v1 et v2 sont proportionnels ou nuls Exemple : v1= (1, 1, 0) v2= (2, 2, 0) ? Au delas de 2 vecteurs il faut résoudre le système, mais la famille sera liée si : -un des 2 vecteurs et nul OU -2vecteurs sont proportionnels Dans une famille liée, il y a au moins un des vecteurs qui est une combinaison linéaire des autres. En effet : si les familles sont liées on a : Avec un des par exemple Combinaison linéaire des autres Propriété 1 : Soit {v1…vn} une famille de vecteurs. L’ensemble de toutes les combinaisons linéaires de ces vecteurs est un sous espace vectoriel de E. Le sous espace est appelé sous espage engendré par la famille {v1…vn}. On peut noter [{v1, v2 … vn}]. Idée de la démonstration : w1 et w2 combinaisons linéaires de {v1…vn} alors w1+w2 est encore une combinaison linéaire de {v1…vn}. Exemple : Combinaison linéaire de {v1…vn} Définition 5 : Soit E un espace vectoriel et une famille {v1…vn}, une famille de vecteur On dira que cette famille constitue une base de . ssi elle est libre et elle est géneratrice de Exemple : Dans , on dispose de la base canonique B= {e1, e2, e3} avec e1= (1,0,0) e2=(0,1,0) e3=(0,0,1) Génératrice : (a, b, c) = a(1, 0, 0) + b(0, 1, 0)+ c(0, 0, 1) Dans =ae1, be2, ce3 libre : Propriété 2 : On montre que toutes les bases de appelés dimension de , noté Dim( Remarque : on a donc dim ( dim( possèdent la même nombre de vecteurs ) )=3 )=n Propriété 3 : Soit et un vecteur muni d’une base B = {f1, f2, f3, … fn} alors tout vecteur peut s’écrire de manière unique comme combinaison linéaire des vecteurs de la base B. . La famille est génératrice donc on peut trouver les coeff a1, a2, a3,… an tel que écriture unique ? Supposons Comme f1 …fn est libre, on en déduit a1- a’1=0 an- a’n=0 ↘ ai= a’i On pourra définir la matrice du vecteur v dans la base B. Exemple : Dans munis de B = {e1, e2, e3} canonique On peut montrer que {e’1, e’2, e’3} avec et une autre base de On constate que Propriété 4 : Soit E un espace vectoriel de dimension n Prouver qu’une famille {v1, v2,…,vn} est une base Il suffit de prouver qu’elle est libre , B’ ? Chapitre 4 : Application linéaire Définition 1 : Soit E et F deux espaces vectoriels Une application sera dite linéaire ssi : Pour nous, on aura toujours E=F On dira que f est un endomorphisme de E. F linéaire Remarque : Si f est un endomorphisme de E, on a toujours or, Exemple d’application linéaire : Dans soit f définie par =(x+y, x-y) Soient X Y Exemple d’applications non linéaires : ↘ Définition 2 : Soit f un endomorphisme de On appelle : . Noyau de f, noté Ker(f), étant l’ensemble des vecteurs de E tels que Image de f, noté ou , étant l’ensemble de toutes les valeurs prises par Remarque : On a toujours Propriété 1 : sont des sous-espaces vectoriels de E. On appelle rang de f la dimension de . Démonstration : - Stable pour + ? sous-espaces vectoriels de ? Soient est-il dans ? on calcule Donc -Stable pour . ? sous-espace vectoriel de Stable pour + Soient ? Schéma classique : Im(f) 0E Ker(f) 0E Propriété 2 : on a toujours dim(ker(f))+dim(Im(f))=dim( Exemple : Dans ) , soit f définie par Caractériser Ker(f) Résultat : ei {ei} est génératrice et libre or Base de ker(f) {ei} dans ker(f)=1 Définition 3 : Soit f endomorphisme de E étant muni d’une base B=(ev, en) On “connait” f si on connait : ) On appelle matrice Exemple : Dans muni de sa base canonique {e1, e2}=B Soit f(e1) f(e2 Remarque : il existe une application linéaire particulière sur : l’application identité par M( , B)=In si dim( Propriété 3 : Soit )=n muni de sa base B. Soit f un endomorphisme de . On aura Exemple : dans , même f, A.V : Définition 4 : Soit L ( ) l’ensemble des endomorphismes de E. On définit sur L ( Addition par Multiplication par un scalaire Composition Remarque : on montre que Exemple sur la composition : dans soient f et g é endomorphismes ? On constate que sont encadrés dans L ( ): ). définie Propriété 4 : on a Exemple : De même Propriété/définition 5 : soit f un endomorphisme de E -on dira que f est injective ssi -on dira que f est sujective ssi On montre que est injective Hypothèse : posons Proposition/définition 6 : on dira que f est bijective si elle est à la fois injective et subjective. Dans ce cas f admet une réciproque , linéaire telle que Dans le cas des endomorphismes f injective f bijective Raison : f injective f sujective f injective: on résout seule solution Donc f injective et donc bijective Par définition, on a Propriété 7 : Soit f bijective sur E, alors toutes les matrices possibles de f sont inversibles si alors Chapitre 5 : Déterminants Approche : si une matrice est carrée d’ordre n et inversible sera inversible ssi pivot (en supposant ) sera inversible ssi Définition 1 : -étant donné carré étant donné d’ordre 1, on appel déterminant de A noté carrée d’ordre 2, on appel déterminant de A le nombre noté Propriété 1 : Proposition des déterminants - si une des colonnes de A est nulle si 2 colonnes de A sont proportionnelles -On ne modifie pas le déterminant si on ajoute à une colonne de A λ fois une autre colonne. - ne change pas si on échange 2 colonnes - est multiplié par α si on multiplie une autre colonne par α = Tout reste valable si on remplace “colonne” par “ligne” Exemple : Définition 2 : Soit A une matrice carrée d’ordre n. On veut définir où de manière récursive. est la matrice obtenue d’ordre n-1 en enlevant à A la ligne 1 colonne j. On parle de développement par rapport à la 1ère ligne. Remarque : On peut développer par rapport à n’importe quelle ligne ou colonne Propriété 2: La propriété 1 reste valide pour les déterminants d’ordre n. Remarque : Les équations de “type pivot” du genre le déterminant et ce de même avec les colonnes , sont utilisables sans changer et “plus librement”. Exemple : Calculer En taille 3, on peut intégrer le calcul direct “sans traitement” En taille , il faut traiter avant. Si on ne fait rien, on a 4 déterminants de taille 3 à calculer. Propriété 3 : Soient A et B 2 matrices carrés d’ordre n. On a Remarque : par contre en général Propriété 4 : Soit A une ùmatrice carrée d’ordre n. A sera inversible ssi Exemple : Par quelles valeurs de n la matrice est elle inversible ? Calcul de , A non inversible Remarque : Si A est la matrice d’un endomorphisme f, f sera bijective ssi Propriété 5 : Soit E un espace vectoriel muni d’une base canonique une famille de vecteurs de E. Elle sera une abse de E ssi Propriété 6 : Soit un système de n équations à n inconues. Soit A la matrice du système. Il y aurra solution unique ssi Chapitre 6 : valeurs propres - vecteurs propres Définition 1 : Soit f un endomorphisme de E. On dira qu’un vecteur v de E non-nul est un vecteur propre de f ssi il existe un nombre λ tel que . Ce λ est appelé valeur propre de f associé à . Propriété 1 : L’ensemble espace propre associé à la valeur propre de λ. est un sous espace vectoriel de E appelé sous Démonstration :Soit donc Idem pour . Propriété 2 : Si sont 2 valeurs propres de f avec On a Démonstration : Soit Propriété 3 : Soient des valeurs propres de f toutes distinctes et soient vecteurs propres associés, alors Donc par récurrence (sur p) : 1. Vrai pour ? On a , est libre. de famille { 2. On suppose que la propriété est vraie alors pour prouver la propriété à l’ordre . Notre hypothèse : donc est encore libre. Raisonnement par l’absurde : Supposons par Signifie que On fait des } est libre car (c’est un vecteur propre !) (hypothèse de récurrence) et “on s’en sert” Combinaison linéaire de est égale à famille libre donc coef=0 Cela nous conduit à ce qui est absurde car est un vecteur propre. Notre hypothèse famille liée est donc fausse, la famille est libre. Propriété 4 : Les valeurs propres d’un endomorphisme f sont les racines de polynômes caractéristiques de f : est matrice de On aura : Remarque : Si ; on appelle car on peut préciser que, si on a toujours Résumons : au début valeur propre associé à 1 Avec Donc non bijective Toute matrice de est on inversible (son Or M( Remarque : Marche à suivre : -Trouver -Poser matrice de -Calculer -Résoudre -caractériser les sous espaces propres Exemple 1 : Dans soit définie pas sa matrice 0) 2 valeurs propres : Sous-espace propre ? Pour Trouver v tel que f(v)=1.v en matrice système indéterminé d’ordre 1 Tout def par Pour système indéterminé d’ordre 1 Idem avec Racine apparente ? λ=0 non λ=1 (-1)3-4(1)²-5(1)-2=-12 λ=-1 -(-1)3-4(-1)²-5(-1)-2 1-4+5-2=0 !! λ=-1 est racine On peut mettre en facteur 3 valeurs propres : Synthèse : valeurs propres racine double Astuce : Pour indéterminé d’ordre 1 Il reste une équation Indéterminé d’ordre 2 Base constituée de 2 vecteurs propres indépendants Condition supplémentaire : si il reste Pas de V3 Définition 2 : Soit On dira que un endomorphisme de . admet une base de vecteurs propres ssi on peut trouver une base de constituée de vecteurs propres de . Remarque : Quel intérêt ? Si une telle base B’ existe, on aura =D(diagonale) Proposition 5 : une condition suffisante pour que que admette admette une base de vecteurs propres et valeurs propres distinctes (racines simples). Démonstration : Propriété 3 Proposition 6 : Si On a toujours admet n racines réelles on peut l’écrire sous la forme ( multiplicité de la racine admettra une base de vecteur propre ssi admettra une base de vecteur propre ssi ( ) multiplicité de la racine ) Chapitre 7 : Réduction des matrices I. Problèmes de changement de base Soit muni d’une base canonique base de et soit une autre . Définition 1 : On appelle matrice de passage de la base B à la base B’, la matrice Propriété 1 : Une matrice de passage est toujours inversible Démonstration : par exemple libre Propriété 2 : changement de base pour un vecteur Soit Soit On a alors ou Propriété 3 : Changement de base pour un endomorphisme Soit f un endomorphisme E Soit On a ou II. Réduction de matrice Définition 2 : Deux matrices carrées A et B de même ordre seront dites semblables ssi il existe une matrice carrée inversible P tel que Réduire la matrice A consiste à chercher une matrice B “la plus simple possible” (par exemple diagonnale) semblable à A. Propriété 4 : Deux matrices semblables ont même déterminant et même polynôme caractéristique. Nombres Remarque : On peut considérer 2 matrices semblables endomorphisme et comme étant 2 matrices d’un même . Remarque : 2 matrices semblables auront les mêmes valeurs propres, mais pas les mêmes vecteurs propres. Elles ont également la même la même trace (somme des éléments de la diagonale) Définition 3 : Une matrice carrée A sera dite diagonalisable ssi elle est semblable à une matrice diagonale via la formule est une forme réduite de A. D’où le processus de réduction des matrices carrées. Réduction des matrices : Soit A matrice carrée “à réduire” : On calcul et factorise son polynôme caractéristique pour trouver les valeurs propres On cherche s’il est possible d’obtenir une base de vecteurs propres. ( leurs matrices) -les valeurs propres sont toutes simples -les racines doubles amènent “bien” 2 vecteurs Si on dispose de cette base de vecteurs propres, on peut dire que A est diagonalisable. Dans ce cas, on aura représentés par Remarque : Si on ne dispose pas de cette base de vecteurs propres, il existe des solutions autres donnant une forme réduite “presque diagonale” (pas au programme) Exemple : Application : calcul de Si a est semblables à A par la formule Exercice type : 1. Montrer que A est diagonalisable 2. Préciser sa forme réduite D et la matrice de passage 3. Calculer Am 1. A diagonalisable ? donc A est diagonalisable 2. , x=0 y=0 3. Calculer Am P-1 (on change le signe) -4=a et -1=b