MODULE : RÉUSSIR SA DEUXIÈME ANNÉE Mathématiques en Classes préparatoires Filière PT SOMMAIRE GÉNÉRAL Chapitre 1 : Prérequis en analyse Chapitre 2 : Intégration sur un segment Chapitre 3 : Intégrales impropres Chapitre 4 : Séries numériques Chapitre 5 : Algèbre linéaire Chapitre 6 : Déterminants Chapitre 7 : Endomorphismes et matrices carrées Chapitre 8 : Equations différentielles linéaires Chapitre 9 : Séries entières Chapitre 10 : Espaces probabilisés Chapitre 11 : Calcul différentiel Chapitre 12 : Courbes du plan Chapitre 13 : Intégrales dépendant d’un paramètre Chapitre 14 : Espaces préhilbertiens Chapitre 15 : Espaces euclidiens, coniques Chapitre 16 : Géométrie de l’espace Chapitre 17 : Variables aléatoires discrètes CHAPITRE 5 : ALGÈBRE LINÉAIRE CHAPITRE 5 : ALGÈBRE LINÉAIRE Espaces vectoriels : Définition : 𝕂 désigne ℝ ou ℂ. On appelle 𝕂-espace vectoriel un triplet 𝐸, +, . où 𝐸 est un ensemble, + ∶ 𝐸 2 𝐸 est une loi de composition interne et . ∶ 𝕂 × 𝐸 𝐸 est une loi de composition externe, qui vérifie de plus : • le couple (𝐸, +) est un groupe abélien (son neutre sera noté 0𝐸 ) ; • les lois + et . sont compatibles au sens suivant : ∀ (𝑥, 𝑦) ∈ 𝐸 2 , ∀(, 𝜇) ∈ 𝕂2 : . 𝑥 + 𝑦 = . 𝑥 + . 𝑦 ; + 𝜇 . 𝑥 = . 𝑥 + 𝜇. 𝑥 ; .(𝜇. 𝑥) = 𝜇 . 𝑥 ; 1𝕂 . 𝑥 = 𝑥. CHAPITRE 5 : ALGÈBRE LINÉAIRE Remarques : ∗ Un espace vectoriel n’est jamais vide, il possède toujours 0𝐸 . ∗ Les éléments de 𝐸 s’appellent les vecteurs, et ceux de 𝕂 les scalaires. ∗ On déduit de la définition que ∀ 𝑥 ∈ 𝐸, −1 . 𝑥 = − 𝑥, ainsi que ∀ 𝑥 ∈ 𝐸, ∀ ∈ 𝕂, . 𝑥 = 0𝐸 = 0𝕂 ou 𝑥 = 0𝐸 ∗ Dans la pratique, on ne se sert presque jamais de cette définition pour démontrer qu’un objet est un espace vectoriel, on démontre toujours qu’on a affaire à un sous-espace vectoriel d’un espace vectoriel notoire. CHAPITRE 5 : ALGÈBRE LINÉAIRE Espaces vectoriels notoires : 𝑛 désigne un entier naturel non nul. ∗ (𝕂𝑛 , + , . )est le 𝕂-ev formé des 𝑛-uplets d’éléments de 𝕂. ∗ Si 𝑋 désigne un ensemble quelconque non vide et 𝐸 un 𝕂-ev, 𝓕(𝑋, 𝐸), +, . est le 𝕂-ev formé des fonctions définies sur 𝑋 et à valeurs dans 𝐸. ∗ En particulier, (𝕂ℕ , +, . ) est le 𝕂-ev formé des suites d’éléments de 𝕂, qui sont aussi les fonctions de ℕ dans 𝕂. ∗ 𝕂 𝑋 ,+ , . est le 𝕂-ev des polynômes à une indéterminée à coefficients dans 𝕂. ∗ 𝓜𝑛,𝑝 𝕂 , +, . est le 𝕂-ev des matrices à 𝑛 lignes et 𝑝 colonnes à coefficients dans 𝕂, où 𝑛 ∈ ℕ∗ et 𝑝 ∈ ℕ∗ . CHAPITRE 5 : ALGÈBRE LINÉAIRE Définition : On dit qu’un ensemble 𝐹 est un sous-espace vectoriel de 𝐸, et on note 𝐹 < 𝐸 lorsque i. 𝐹⊂𝐸 ii. 𝐹≠∅ iii. ∀ 𝑥, 𝑦 ∈ 𝐹 2 , 𝑥 + 𝑦 ∈ 𝐹 iv. ∀ , 𝑥 ∈ 𝕂 × 𝐹, . 𝑥 ∈ 𝐹. Autrement dit, un sous-espace vectoriel de 𝐸 est une partie de 𝐸, non vide, stable par somme, et stable par multiplication par un scalaire. Remarques : ∗ Pour montrer que 𝐹 ≠ ∅ on vérifie toujours que 0𝐸 ∈ 𝐹. ∗ Les propriétés (𝑖𝑖𝑖) et (𝑖𝑣) sont équivalentes à ∀ , 𝑥, 𝑦 ∈ 𝕂 × 𝐹 2 , . 𝑥 + 𝑦 ∈ 𝐹. CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 1 : Tout sous-espace vectoriel d’un espace vectoriel est un espace vectoriel. Théorème 2 : Si 𝐹 et 𝐺 sont deux sous-espaces vectoriels de 𝐸, alors 𝐹 𝐺 est un sous-espace vectoriel de 𝐸. Définition : Si 𝑥1 , ⋯ , 𝑥𝑛 sont des vecteurs de 𝐸 et 1 , ⋯ , 𝑛 des scalaires, le vecteur 1 𝑥1 + ⋯ + 𝑛 𝑥𝑛 de 𝐸 s’appelle une combinaison linéaire des vecteurs 𝑥1 , ⋯ , 𝑥𝑛 . CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 3 : i. Soient 𝑥1 , ⋯ , 𝑥𝑛 ∈ 𝐸 . L’ensemble Vect 𝑥1 , ⋯ , 𝑥𝑛 = 1 𝑥1 + ⋯ + 𝑛 𝑥𝑛 , 1 , ⋯ , 𝑛 ∈ 𝕂𝑛 formé par toutes les combinaisons linéaires des vecteurs 𝑥1 , ⋯ , 𝑥𝑛 est un sous-espace vectoriel de 𝐸. C’est le plus petit (au sens de l’inclusion) sous-espace vectoriel de 𝐸 possédant chaque 𝑥𝑖 . C’est aussi l’intersection de tous les sous-espaces vectoriels de 𝐸 possédant chaque 𝑥𝑖 . On l’appelle sous-espace vectoriel engendré par 𝑥1 , ⋯ , 𝑥𝑛 . ii. De même si 𝐴 est une partie non vide de 𝐸 , l’ensemble Vect(𝐴) formé par toutes les combinaisons linéaires d’un nombre arbitraire (fini) d’éléments de 𝐴 est un sous-ev de 𝐸, appelé sous-ev engendré par 𝐴. C’est le plus petit sous-ev de 𝐸 contenant 𝐴 , et l’intersection des sous-ev de 𝐸 contenant 𝐴. CHAPITRE 5 : ALGÈBRE LINÉAIRE Bases : Soit E un 𝕂-ev et 𝓕= 𝑥𝑖 𝑖∈𝐼 une famille d’éléments de 𝐸, indexée par un ensemble non vide d’indices 𝐼, fini ou infini. Soit 𝑛 un entier naturel non nul. Définition : ∗ On appelle relation de dépendance linéaire de la famille 𝓕 une égalité de la forme 1 𝑥𝑖1 + ⋯ + 𝑛 𝑥𝑖𝑛 = 0𝐸 , où 1 , ⋯ , 𝑛 sont des scalaires non tous nuls et où 𝑖1 , ⋯ , 𝑖𝑛 sont des indices distincts de 𝐼. ∗ Si une telle relation de dépendance linéaire de la famille 𝓕 existe, on dit que 𝓕 est une famille liée. Dans le cas contraire, on dit que est une famille libre. ∗ En particulier, dans le cas d’une famille finie 𝓕= 𝑥1 , ⋯ , 𝑥𝑛 d’éléments de 𝐸, on a : 𝑥1 , ⋯ , 𝑥𝑛 est libre ∀ 1 , ⋯ , 𝑛 ∈ 𝕂𝑛 , 1 𝑥1 + ⋯ + 𝑛 𝑥𝑛 = CHAPITRE 5 : ALGÈBRE LINÉAIRE Remarque : Dans la pratique, pour montrer que la famille 𝑥1 , ⋯ , 𝑥𝑛 d’éléments de 𝐸 est libre, on écrira : « Soit 1 , ⋯ , 𝑛 ∈ 𝕂𝑛 tel que 1 𝑥1 + ⋯ + 𝑛 𝑥𝑛 = 0𝐸 ; montrons que 1 = ⋯ = 𝑛 = 0𝕂 ». Exemple : Dans 𝕂[X], montrer que toute famille constituée de polynômes non nuls de degrés distincts est libre. CHAPITRE 5 : ALGÈBRE LINÉAIRE Définition : La famille 𝓕= 𝑥𝑖 𝑖∈𝐼 est dite famille génératrice de 𝐸 si tout vecteur de 𝐸 est combinaison linéaire des éléments de 𝓕. Autrement dit, 𝓕 est génératrice lorsque 𝐸 = Vect(𝓕) ou encore lorsque ∀ 𝑥 ∈ 𝐸, ∃ 𝑛 ∈ ℕ∗ , ∃ (𝑖1 , ⋯ , 𝑖𝑛 ) ∈ 𝐼 𝑛 , ∃ 1 , ⋯ , 𝑛 ∈ 𝕂𝑛 , 𝑥 = 1 𝑥𝑖1 + ⋯ + 𝑛 𝑥𝑖𝑛 . En particulier, dans le cas d’une famille finie 𝓕 =(𝑥1 , ⋯ , 𝑥𝑛 ) d’éléments de 𝐸, on a : 𝑥1 , ⋯ , 𝑥𝑛 est génératrice de 𝐸 = Vect(𝑥1 , ⋯ , 𝑥𝑛 ) ∀ 𝑥 ∈ 𝐸, ∃ 1 , ⋯ , 𝑛 ∈ 𝕂𝑛 , 𝑥 = 1 𝑥1 + ⋯ + 𝑛 𝑥𝑛 . Remarquons que par définition, la famille 𝑥1 , ⋯ , 𝑥𝑛 est génératrice de Vect(𝑥1 , ⋯ , 𝑥𝑛 ). CHAPITRE 5 : ALGÈBRE LINÉAIRE Définition : Soit 𝓕 = (𝑥𝑖 )𝑖∈𝐼 une famille indexée par un ensemble totalement ordonné 𝐼. ∗ On dit que 𝓕 est une base de 𝐸, lorsque 𝓕 est à la fois une famille libre et génératrice de 𝐸. ∗ Dans le cas d’une famille finie 𝓕 =( 𝑥1 , ⋯ , 𝑥𝑛 ) d’éléments de 𝐸, on a : ( 𝑥1 , ⋯ , 𝑥𝑛 ) est une base de E ∀ 𝑥 ∈ 𝐸, ∃! 1 , ⋯ , 𝑛 ∈ 𝕂𝑛 , 𝑥 = 1 𝑥1 + ⋯ + 𝑛 𝑥𝑛 . CHAPITRE 5 : ALGÈBRE LINÉAIRE Exemples : ∗ La famille 𝑒1 , 𝑒2 , ⋯ , 𝑒𝑛 = 1,0, ⋯ , 0 , 0, 1, 0, ⋯ , 0 , ⋯ , 0, 0, ⋯ , 1 s’appelle base canonique de 𝕂𝑛 . ∗ La famille 𝓕 = 𝑋 𝑘 𝑘∈ℕ est une base de 𝕂 𝑋 . En effet, tout polynôme à coefficients dans 𝕂 s’écrit de manière unique comme combinaison linéaire d’un nombre fini d’éléments de cette famille. Théorème 4 (théorème de la base incomplète) : Soit 𝓛 une famille libre de 𝐸 et 𝓖 une famille génératrice de 𝐸, telles que 𝓛 ⊂ 𝓖. Il existe une base 𝓑 de 𝐸 telle que 𝓛 ⊂ 𝓑 ⊂ 𝓖. CHAPITRE 5 : ALGÈBRE LINÉAIRE Corollaire : i. Toute famille libre de 𝐸 peut être complétée en une base de 𝐸. ii. De toute famille génératrice de 𝐸 , on peut extraire une base de 𝐸. Une conséquence évidente est que tout espace vectoriel possède au moins une base. CHAPITRE 5 : ALGÈBRE LINÉAIRE Dimension : Soit 𝐸 un 𝕂-ev. On dit que 𝐸 est de dimension finie lorsque 𝐸 possède une base finie. Dans le cas contraire, on dit que 𝐸 est de dimension infinie. Théorème 5 : Si 𝐸 est de dimension finie, alors toutes les bases de 𝐸 sont des familles finies, et elles ont toutes un même cardinal. Ce cardinal commun est appelé dimension de 𝐸 et est noté dim(𝐸). CHAPITRE 5 : ALGÈBRE LINÉAIRE Remarques : ∗ On en déduit que si 𝐸 possède une base infinie, alors toutes les bases de 𝐸 sont infinies donc 𝐸 est de dimension infinie. Par exemple, 𝕂[X] est de dimension infinie car 𝓕= 𝑋 𝑘 𝑘∈ℕ en est une base infinie. ∗ On a dim 𝐸 = 0 𝐸 = 0𝐸 . CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 6 : Soit un 𝕂-ev de dimension finie 𝑛. i. 𝑛 est le cardinal maximal des familles libres d’éléments de 𝐸 . De plus, toute famille libre constituée d’exactement 𝑛 vecteurs de 𝐸 est une base de 𝐸. ii. 𝑛 est le cardinal minimal des familles génératrices de 𝐸 . De plus, toute famille génératrice constituée d’exactement 𝑛 vecteurs de 𝐸 est une base de 𝐸. Ainsi, pour une famille 𝓕 de cardinal 𝑛 d’éléments de 𝐸, on a : 𝓕 est libre 𝓕 est génératrice 𝓕 est une base. CHAPITRE 5 : ALGÈBRE LINÉAIRE Exemple : Soit 𝑃0 , ⋯ , 𝑃𝑛 une famille d’éléments de 𝕂[X] telle que ∀ 𝑖 ∈ 0, ⋯ , 𝑛 , deg(𝑃𝑖 ) = 𝑖 . Montrer que cette famille est une base de 𝕂𝑛 [𝑋]. 𝐸 = 𝕂𝑛 [𝑋] est de dimension 𝑛 + 1 car il possède comme base 1, 𝑋, ⋯ , 𝑋 𝑛 qui est de cardinal 𝑛 + 1. La famille 𝑃0 , ⋯ , 𝑃𝑛 est une famille libre (car constituée de polynômes non nuls de degrés distincts) de cardinal 𝑛 + 1, c’est donc une base de 𝐸. CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 7 : Soit 𝐸 un 𝕂-ev de dimension finie 𝑛. Si 𝐹 est un sous-espace vectoriel de 𝐸 alors 𝐹 est de dimension finie et on a 0 ≤ dim 𝐹 ≤ 𝑛. De plus, on a dim 𝐹 = 𝑛 𝐹 = 𝐸. Théorème 8 : Soient 𝐸 et 𝐹 deux 𝕂-ev de dimensions finies. L’espace produit 𝐸 × 𝐹 = 𝑥, 𝑦 , 𝑥 ∈ 𝐸 et 𝑦 ∈ 𝐹 est un 𝕂ev de dimension finie et on a dim 𝐸 × 𝐹 = dim 𝐸 + dim(𝐹). Si 𝑒1 , ⋯ , 𝑒𝑛 et 𝑓1 , ⋯ , 𝑓𝑝 sont des bases de 𝐸 et 𝐹, une base de 𝐸 × 𝐹 est 𝑒1 , 0𝐹 , ⋯ , 𝑒𝑛 , 0𝐹 , 0𝐸 , 𝑓1 , ⋯ , 0𝐸 , 𝑓𝑝 . CHAPITRE 5 : ALGÈBRE LINÉAIRE Espaces supplémentaires : Soit 𝐸 un 𝕂-ev et soient 𝐹 et 𝐺 deux sous-espaces vectoriels de 𝐸. Définition : On appelle somme de 𝐹 et 𝐺 et on note l’ensemble 𝐹 + 𝐺 des sommes d’un élément de 𝐹 et d’un élément de 𝐺, soit : 𝐹 + 𝐺 = 𝑥 + 𝑦, 𝑥 ∈ 𝐹, 𝑦 ∈ 𝐺 . CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 9 : i. 𝐹 + 𝐺 est le sous-espace vectoriel de 𝐸 engendré par 𝐹 et 𝐺, c’est-à-dire 𝐹 + 𝐺 = Vect(𝐹⋃𝐺). ii. Si 𝐹 et 𝐺 sont de dimension finie, alors 𝐹 + 𝐺 aussi et on a la formule de Grassmann : dim 𝐹 + 𝐺 = dim 𝐹 + dim 𝐺 − dim 𝐹 𝐺 . Définition : On dit que la somme de 𝐹 et 𝐺 est directe lorsque 𝐹 𝐺 = 0𝐸 . On la note alors 𝐹 ⊕ 𝐺. On dit que 𝐹 et 𝐺 sont supplémentaires dans 𝐸, si 𝐸 est la somme directe de 𝐹 et 𝐺, c’est-à-dire 𝐸 = 𝐹 ⊕ 𝐺. 𝐸 =𝐹+𝐺 Ainsi, 𝐸 = 𝐹 ⊕ 𝐺 tout vecteur de 𝐸 𝐹 𝐺 = 0𝐸 s’écrit de manière unique comme somme d’un vecteur de 𝐹 et d’un vecteur de 𝐺. CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 10 : Tout sous-espace supplémentaire. vectoriel de 𝐸 possède un Théorème 11 : On suppose que 𝐸 est de dimension finie. Alors : 𝐸 =𝐹+𝐺 𝐸 =𝐹⊕𝐺 dim 𝐸 = dim 𝐹 + dim(𝐺) 𝐹 𝐺 = 0𝐸 dim 𝐸 = dim 𝐹 + dim(𝐺) Autrement dit, deux des trois conditions 𝐸 = 𝐹 + 𝐺 ; 𝐹 𝐺 = 0𝐸 ; dim 𝐸 = dim 𝐹 + dim(𝐺) entraînent la troisième. Si c’est le cas, on obtient une base de 𝐸 par concaténation d’une base de 𝐹 et d’une base de 𝐺. CHAPITRE 5 : ALGÈBRE LINÉAIRE Applications linéaires : Soient 𝐸 et 𝐹 deux 𝕂-ev. Définition : ∗ On dit que 𝑓 est une application linéaire (ou un morphisme d’espace vectoriel), et on note 𝑓 ∈ 𝓛(𝐸, 𝐹) lorsque : ∀ 𝑥, 𝑦 ∈ 𝐸 2 , 𝑓 𝑥 + 𝑦 = 𝑓 𝑥 + 𝑓(𝑦) et ∀ 𝑥 ∈ 𝐸, ∀ ∈ 𝕂, 𝑓 𝑥 = 𝑓 𝑥 . ∗ On dit que 𝑓 est un isomorphisme de 𝐸 sur 𝐹 si 𝑓 est linéaire et bijective de 𝐸 dans 𝐹. ∗ On dit que 𝑓 est un endomorphisme de 𝐸, et on note 𝑓 ∈ 𝓛(𝐸) si 𝑓 est linéaire de 𝐸 dans 𝐸. ∗ On dit que 𝑓 est un automorphisme de 𝐸, et on note 𝑓 ∈ 𝓖𝓛(𝐸) si 𝑓 est linéaire et bijective de 𝐸 dans 𝐸. ∗ On dit que 𝑓 est une forme linéaire sur 𝐸 si 𝑓 est linéaire de 𝐸 dans 𝕂. CHAPITRE 5 : ALGÈBRE LINÉAIRE Remarques : ∗ Pour établir la linéarité d’une application 𝑓, on vérifie d’abord que ∀ 𝑥 ∈ 𝐸, 𝑓(𝑥) ∈ 𝐹. ∗ On peut se contenter de vérifier l’unique relation suivante : ∀ (𝑥, 𝑦, ) ∈ 𝐸 2 × 𝕂, 𝑓 𝑥 + 𝑦 = 𝑓 𝑥 + 𝑓(𝑦). ∗ Si 𝑓 ∈ 𝓛(𝐸, 𝐹), on a toujours 𝑓 0𝐸 = 0𝐹 . CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 12 : i. 𝓛 𝐸, 𝐹 , + , . est un 𝕂-ev. ii. Si 𝑓 ∈ 𝓛(𝐸, 𝐹) et 𝑔 ∈ 𝓛(𝐹, 𝐺) alors 𝑔 ○ 𝑓 ∈ 𝓛(𝐸, 𝐺) (où E, F, G sont trois 𝕂-ev). iii. 𝓛 𝐸 , +, . ,○ est une 𝕂-algèbre. iv. Si 𝑓 est un isomorphisme de 𝐸 sur 𝐹 alors sa bijection réciproque 𝑓 −1 est linéaire, donc un isomorphisme de 𝐹 sur 𝐸. v. 𝓖𝓛 𝐸 ,○ est un groupe (non commutatif) de neutre 𝑖𝑑𝐸 , appelé groupe linéaire de 𝐸. CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 13 : Soit 𝑓 ∈ 𝓛(𝐸, 𝐹). i. Si 𝐺 est un sous-ev de 𝐸, alors l’image de 𝐺 par 𝑓, c’est-à-dire 𝑓 𝐺 = 𝑓 𝑥 , 𝑥 ∈ 𝐺 est un sous-ev de 𝐹. En particulier l’image de 𝒇, qui est 𝐼𝑚 𝑓 = 𝑓 𝐸 = 𝑓 𝑥 , 𝑥 ∈ 𝐸 , est un sous-ev de 𝐹. ii. Si 𝐻 est un sous-ev de 𝐹, alors l’image réciproque 𝑓 −1 𝐻 = 𝑥 ∈ 𝐸, 𝑓 𝑥 ∈ 𝐻 de 𝐻 par 𝑓 est un sous-ev de 𝐸. En particulier, le noyau de 𝑓, qui est 𝐾𝑒𝑟 𝑓 = 𝑓 −1 0𝐹 = 𝑥 ∈ 𝐸, 𝑓 𝑥 = 0𝐹 est un sous-ev de 𝐸. iii. 𝑓 est injective 𝐾𝑒𝑟 𝑓 = 0𝐸 . CHAPITRE 5 : ALGÈBRE LINÉAIRE Remarques : ∗ Par définition, 𝑓 est surjective 𝐼𝑚 𝑓 = 𝐹. Notons que 𝑓 ∈ 𝓛(𝐸, 𝐹) est toujours « surjective sur son image ». ∗ Pour montrer que est injective, on pourra écrire : « Soit 𝑥 ∈ 𝐸 tel que 𝑓 𝑥 = 0𝐹 ; montrons que 𝑥 = 0𝐸 ». CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 14 : Soit 𝑓 ∈ 𝓛 𝐸, 𝐹 . L’image par 𝑓 de la famille de 𝐸 est la famille 𝑥𝑖 𝑖∈𝐼 de 𝐸 est la famille 𝑓( 𝑥𝑖 )𝑖∈𝐼 . i. Si 𝑓 est injective alors l’image par 𝑓 de toute famille libre de 𝐸 est une famille libre de 𝐹. ii. Si 𝑓 est surjective alors l’image par 𝑓 de toute famille génératrice de 𝐸 est une famille génératrice de 𝐹 alors 𝑓 est surjective. iii. 𝐹 est un isomorphisme l’image par 𝑓 de toute base de 𝐸 est une base de 𝐹 il existe une base de 𝐸 dont l’image par 𝑓 est une base de 𝐹. CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 15 (détermination d’une application linéaire) : Soient 𝐸 et 𝐹 deux 𝕂-ev, 𝑥𝑖 𝑖∈𝐼 une base de 𝐸 et 𝑦𝑖 𝑖∈𝐼 une famille quelconque de 𝐹. Il existe une unique application 𝑓 ∈ 𝓛 𝐸, 𝐹 telle que ∀ 𝑖 ∈ 𝐼, 𝑓 𝑥𝑖 = 𝑦𝑖 . Remarque : On en déduit que : Pour définir 𝑓 ∈ 𝓛 𝐸, 𝐹 , il suffit de se donner l’image par 𝑓 des vecteurs d’une base de 𝐸. Deux applications linéaires de 𝐸 dans 𝐹 qui coïncident sur une base de 𝐸 sont égales. CHAPITRE 5 : ALGÈBRE LINÉAIRE Soient 𝐸 et 𝐹 deux 𝕂-ev. Théorème 16 : Soit 𝑓 ∈ 𝓛(𝐸, 𝐹) . Si 𝐺 est un sous-ev de 𝐸 de dimension finie, alors 𝑓(𝐺) est de dimension finie et dim(𝑓 𝐺 ) ≤ dim(𝐺). Si de plus 𝑓 est injective, on a dim 𝑓 𝐺 = dim(𝐺) . Théorème 17 (Théorème du rang) : Soit 𝑓 ∈ 𝓛(𝐸, 𝐹). Si E est de dimension finie alors Ker(f) et Im(f) également et on a : dim 𝐸 = dim Ker 𝑓 + dim(Im 𝑓 ) . CHAPITRE 5 : ALGÈBRE LINÉAIRE Corollaire : Soient 𝐸 et 𝐹 deux 𝕂-ev de dimensions finies. i. 𝐸 et 𝐹 sont isomorphes dim 𝐸 = dim(𝐹). ii. Soit 𝑓 ∈ 𝓛(𝐸, 𝐹). On suppose que dim 𝐸 = dim(𝐹) . Alors 𝑓 injective 𝑓 surjective 𝑓 bijective. Remarques : ∗ Tout 𝕂-ev 𝐸 de dimension 𝑛 est isomorphe à 𝕂𝑛 . En effet, un isomorphisme est l’application qui, à tout vecteur de 𝐸 associe le 𝑛-uplet de ses coordonnées dans une base fixée. L’équivalence 𝑓 injective 𝑓 surjective n’est plus valable entre ev de dimensions infinies, comme le montre l’exemple suivant. CHAPITRE 5 : ALGÈBRE LINÉAIRE Exercice : Soit 𝐸 = ℝ[𝑋] . Etudier l’endomorphisme 𝜑 de 𝐸 défini par ∀ 𝑃 ∈ 𝐸 , 𝜑 𝑃 = 𝑃 𝑋 + 1 − 𝑃(𝑋). ∗ Il est clair que l’application 𝜑 est bien définie de 𝐸 dans 𝐸 et qu’elle est linéaire. ∗ 𝜑 n’est pas injective car 1𝐸 ∈ Ker(𝜑). Plus précisément, si 𝑃 ∈ Ker(𝜑) on a 𝑃 𝑋 + 1 = 𝑃(𝑋) donc ∀ 𝑛 ∈ ℕ, 𝑃 𝑛 = 𝑃(0) donc le polynôme 𝑃 𝑋 − 𝑃(0) possède une infinité de racines, il est donc nul et donc 𝑃 est constant. On en déduit que Ker 𝜑 = ℝ0 𝑋 = Vect 1𝐸 . ∗ Montrons que 𝜑 est surjective. Pour cela, montrons d’abord que pour tout 𝑛 ∈ ℕ∗ , 𝜑 ℝ𝑛 𝑋 = ℝ𝑛−1 𝑋 . D’une part, 𝜑(ℝ𝑛 𝑋 ) est engendré par la famille 𝜑 𝑋 𝑘 𝜑 1𝐸 = 0𝐸 et pour 𝑘 ∈ 1, ⋯ , 𝑛 , 𝜑 𝑋 𝑘 = 𝑋 + 1 𝑘 − 𝑋 𝑘 = ℝ𝑛−1 𝑋 . On en déduit 𝜑(ℝ𝑛 𝑋 ) ⊂ ℝ𝑛−1 [𝑋]. D’autre part, le théorème du rang appliqué à 𝜑𝑛 = , mais 𝑋𝑖 ∈ 0≤𝑘≤𝑛 𝑘 𝑘−1 𝑖=0 𝑖 ℝ𝑛 [𝑋] ℝ𝑛−1 [𝑋] 𝑃 𝜑(𝑃) donne : 𝑛 + 1 = dim(Ker 𝜑𝑛 ) + dim(Im(𝜑𝑛 )) = 1 + dim(𝜑 ℝ𝑛 [𝑋] ) , donc 𝜑(ℝ𝑛 𝑋 ) est un sous-ev de ℝ𝑛−1 [𝑋] de dimension 𝑛, donc ils sont égaux. On conclut que est surjective, car ℝ[X]=⋃𝑛∈ℕ ℝ𝑛 [𝑋] = ⋃𝑛∈ℕ 𝜑(ℝ𝑛+1 𝑋 ) ⊂ Im(𝜑), d’où l’égalité Im 𝜑 = ℝ 𝑋 . CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 18 : Soient 𝐸 et 𝐹 deux 𝕂-ev de dimension finie. Alors 𝓛 (𝐸, 𝐹) de dimension finie et dim 𝓛 𝐸, 𝐹 = dim(𝐸) × dim(𝐹). En particulier, dim 𝓛 𝐸 dim( 𝓛 𝐸, 𝕂 )= dim(𝐸) . = (dim(𝐸))2 et CHAPITRE 5 : ALGÈBRE LINÉAIRE Exemples d’endomorphisme : Soit 𝐸 un 𝕂-ev. L’endomorphisme 𝑖𝑑𝐸 de 𝐸 s’appelle homothétie de rapport de 𝐸. Soient 𝐹, 𝐺 deux sous-ev de 𝐸 supplémentaires. On a 𝐸 = 𝐹 ⊕ 𝐺 ; tout vecteur 𝑥 de 𝐸 se décompose de manière unique suivant cette somme directe : 𝑥 = 𝑓 + 𝑔 avec 𝑓 ∈ 𝐹 et 𝑔 ∈ 𝐺. Définition : ∗ Le projecteur (ou la projection) sur 𝐹 parallèlement à 𝐺 est l’endomorphisme : 𝐸 𝐸 𝑝𝐹,𝐺 = . 𝑥 =𝑓+𝑔 𝑓 ∗ La symétrie par rapport à 𝐹 parallèlement à 𝐺 est 𝐸 𝐸 l’endomorphisme 𝑠𝐹,𝐺 = 𝑥=𝑓+𝑔 . 𝑓−𝑔 ∗ L’affinité de base 𝐹, de direction 𝐺 et de rapport est 𝐸 𝐸 l’endomorphisme 𝑥=𝑓+𝑔 . 𝑓+𝑔 CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 19 : 𝑝𝐹,𝐺 i. 𝑠𝐹,𝐺 2 2 = 𝑝𝐹,𝐺 ; 𝑝𝐺,𝐹 = 𝑖𝑑𝐸 − 𝑝𝐹,𝐺 (co-projecteur) ; = 𝑖𝑑𝐸 ; 𝑠𝐹,𝐺 −1 = 𝑠𝐹,𝐺 ; 𝑠𝐹,𝐺 = 2 𝑝𝐹,𝐺 − 𝑖𝑑𝐸 . Soit 𝑝 ∈ 𝓛(𝐸) tel que 𝑝2 = 𝑝 . Alors 𝑝 est le projecteur sur 𝐹 = Im 𝑝 = Ker(𝑝 − 𝑖𝑑𝐸 ) parallèlement à 𝐺 = Ker(𝑝). 2 iii. Soit 𝑠 ∈ 𝓛(𝐸) tel que 𝑠 = 𝑖𝑑𝐸 . Alors 𝑠 est la symétrie par rapport à 𝐹 = Ker( 𝑠 − 𝑖𝑑𝐸 ) parallèlement à 𝐺 =Ker(𝑠 + 𝑖𝑑𝐸 ). ii. CHAPITRE 5 : ALGÈBRE LINÉAIRE Remarques : ∗ On voit que les relations 𝑝2 = 𝑝 et 𝑠 2 = 𝑖𝑑𝐸 (le carré est pris au sens de la composition) caractérisent les projecteurs et symétries respectivement. ∗ Dans les deux cas, 𝐹 est l’ensemble des points fixes de 𝑝 ou 𝑠. CHAPITRE 5 : ALGÈBRE LINÉAIRE Matrices : Les indices des lignes et colonnes sont des entiers naturels non nuls. Espaces de matrices : Définition : 𝑎11 ⋯ 𝑎1𝑝 ⋮ ⋱ ⋮ ∗ L’ensemble des matrices 𝐴 = 𝑎𝑖𝑗 1≤𝑖≤𝑛 = à 1≤𝑗≤𝑝 𝑎𝑛1 ⋯ 𝑎𝑛𝑝 𝑛 lignes et 𝑝 colonnes d’éléments de 𝕂 se note 𝓜𝑛𝑝 (𝕂). L’ensemble 𝓜𝑛𝑛 (𝕂) des matrices carrées de taille 𝑛 à coefficients dans 𝕂 se note simplement 𝓜𝑛 (𝕂). ∗ Si 𝐴 = (𝑎𝑖𝑗 ) et 𝐵 = 𝑏𝑖𝑗 sont dans 𝓜𝑛𝑝 (𝕂) et ∈ 𝕂 on note respectivement 𝐴 et 𝐴 + 𝐵 les éléments de 𝓜𝑛𝑝 (𝕂) de coefficients de place (𝑖, 𝑗) valant 𝑎𝑖𝑗 et 𝑎𝑖𝑗 + 𝑏𝑖𝑗 . ∗ On appelle matrice élémentaire et on note 𝐸𝑖𝑗 la matrice dont tous les coefficients sont nuls, à l’exception de celui de place (𝑖, 𝑗) qui vaut 1. CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 20 : i. Muni des lois + et . ainsi définies, 𝓜𝑛𝑝 (𝕂) est un 𝕂ev. ii. Soit 𝐼 = 1, ⋯ , 𝑛 × 1, ⋯ , 𝑝 ordonné par l’ordre lexicographique. La famille 𝐸𝑖𝑗 est une base de 𝑖,𝑗 ∈𝐼 𝓜𝑛𝑝 𝕂 et dim(𝓜𝑛𝑝 𝕂 ) = 𝑛𝑝 ; dim 𝓜𝑛 𝕂 = 𝑛2 . Exemple : L’espace 𝓜2 (ℝ) est de dimension 4 et admet pour base 1 0 0 1 0 0 0 0 (𝐸11 , 𝐸12 , 𝐸21 , 𝐸22 ) = , , , . On 0 0 0 0 1 0 0 1 notera la différence entre cette base et (𝐸11 , 𝐸12 , 𝐸21 , 𝐸22 ). On veillera donc à ne pas employer la notation fautive 𝐸𝑖𝑗 1≤𝑖≤𝑛 . 1≤𝑗≤𝑝 CHAPITRE 5 : ALGÈBRE LINÉAIRE Définition : Soient 𝑛, 𝑝 𝑒𝑡 𝑞 trois entiers naturels non nuls. Pour 𝐴 ∈ 𝓜𝑛𝑝 (𝕂) et 𝐵 ∈ 𝓜𝑝𝑞 (𝕂) on définit le produit 𝐴 × 𝐵 de 𝐴 par 𝐵 comme l’élément de 𝓜𝑛𝑞 (𝕂) de coefficients : 𝑝 ∀ 𝑖 ∈ 1, ⋯ , 𝑛 , ∀ 𝑗 ∈ 1, ⋯ , 𝑞 , 𝑐𝑖𝑗 = 𝑎𝑖𝑘 𝑏𝑘𝑗 . 𝑘=1 CHAPITRE 5 : ALGÈBRE LINÉAIRE Remarques : ∗ Le produit de deux matrices n’a de sens que si le nombre de colonnes de la première est égal au nombre de lignes de la seconde. Mnémotechniquement, 𝓜𝑛𝑝 𝕂 × 𝓜𝑝𝑞 𝕂 = 𝓜𝑛𝑞 𝕂 . ∗ En particulier, le produit de deux éléments de 𝓜𝑛 𝕂 a un sens et le résultat est un élément de 𝓜𝑛 𝕂 . ∗Le produit matriciel n’est pas commutatif. On a 𝐴𝐵 ≠ 𝐵𝐴 en général, même lorsque les produits existent tous les deux et sont des matrices de même taille. Si 𝐴, 𝐵 ∈ 𝓜𝑛 𝕂 vérifient 𝐴𝐵 = 𝐵𝐴 on dit que 𝐴 et 𝐵 commutent. ∗ Par contre, le produit matriciel est associatif, 𝐴(𝐵𝐶) = (𝐴𝐵)𝐶 pourvu que ceci ait un sens. CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 21 : i. Soit et deux matrices élémentaires de tailles respectives (𝑛, 𝑝) et (𝑝, 𝑞). On a 𝐸𝑖𝑗 × 𝐸𝑘𝑙 = 𝛿𝑗𝑘 𝐸𝑖𝑙 . ii. 𝓜𝑛 𝕂 , +, . ,× est une algèbre. L’élément neutre pour le produit matriciel est la matrice 𝐼𝑛 = 1 ⋯ (0) ⋮ ⋱ ⋮ appelée 𝐦𝐚𝐭𝐫𝐢𝐜𝐞 𝐢𝐝𝐞𝐧𝐭𝐢𝐭é ou (0) ⋯ 1 𝐦𝐚𝐭𝐫𝐢𝐜𝐞 𝐮𝐧𝐢𝐭é d’ordre 𝑛. Remarques : ∗ 𝛿𝑖𝑗 est le symbole de Kronecker, valant 1 si 𝑖 = 𝑗 et 0 si 𝑖 ≠ 𝑗. Avec cette notation, 𝐼𝑛 = 𝛿𝑖𝑗 1≤𝑖≤𝑛 . 1≤𝑗≤𝑛 ∗ ∀ 𝐴 ∈ 𝓜𝑛 𝕂 , 𝐴 × 𝐼𝑛 = 𝐼𝑛 × 𝐴 = 𝐴. CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 22 : ′ i. Soient 𝐴, 𝐴 ∈ 𝓜𝑝 (𝕂) ; 𝐷, 𝐷’ ∈ 𝓜𝑟 (𝕂) ; 𝐵, 𝐵’ ∈ 𝓜𝑝𝑟 (𝕂) ; 𝐶, 𝐶’ ∈ 𝓜𝑟𝑝 (𝕂). On forme les matrices par blocs 𝑀 = 𝐴 𝐵 et 𝑀 = 𝐴′ 𝐵′ éléments de 𝓜𝑝+𝑟 (𝕂) . Alors, 𝐶 𝐷 𝐶′ 𝐷′ 𝐴 + 𝐴′ 𝐵 + 𝐵′ 𝑀 + 𝑀′ = 𝐶 + 𝐶′ 𝐷 + 𝐷′ et 𝐴𝐴′ + 𝐵𝐶′ 𝐴𝐵 + 𝐵𝐷′ 𝑀𝑀′ = . 𝐶𝐴 + 𝐷𝐶′ 𝐶𝐵′ + 𝐷𝐷′ ii. Soient 𝐴 ∈ 𝓜𝑛𝑝 𝕂 ; 𝐶1 , ⋯ , 𝐶𝑝 ses colonnes, éléments 𝑥1 de 𝓜𝑛1 𝕂 et 𝑋 = … ∈ 𝓜𝑝1 (𝕂). On a : 𝑥𝑝 𝐴𝑋 = 𝑥1 𝐶1 + ⋯ + 𝑥𝑝 𝐶𝑝 . CHAPITRE 5 : ALGÈBRE LINÉAIRE Soient 𝐴 ∈ 𝓜𝑛𝑝 (𝕂) ; 𝐵 = (𝑋1 … 𝑋𝑞 ) ∈ 𝓜𝑝𝑞 𝕂 de colonnes 𝑋1 , ⋯ , 𝑋𝑞 , éléments de 𝓜𝑝1 (𝕂). On a : 𝐴𝐵 = 𝐴𝑋1 … 𝐴𝑋𝑞 . iii. CHAPITRE 5 : ALGÈBRE LINÉAIRE Caractéristiques des matrices : a) Matrices inversibles : Définition : Soit 𝐴 ∈ 𝓜𝑛 (𝕂). On dit que A est inversible, et on note 𝐴 ∈ 𝐺𝐿𝑛 (𝕂), si il existe une matrice 𝐵 ∈ 𝓜𝑛 𝕂 telle que 𝐴𝐵 = 𝐵𝐴 = 𝐼𝑛 . Si c’est le cas, 𝐵 est unique ; on l’appelle inverse de A et on la note 𝐵 = 𝐴−1 . CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 23 : Soient 𝐴 et 𝐵 deux éléments de 𝓜𝑛 𝕂 . i. Si 𝐴 est inversible, d’inverse 𝐵 alors 𝐵 est inversible, d’inverse 𝐴. Autrement dit : 𝐴 ∈ 𝐺𝐿𝑛 𝕂 𝐴−1 ∈ 𝐺𝐿𝑛 𝕂 et (𝐴−1 )−1 = 𝐴 . ii. 𝐴𝐵 = 𝐼𝑛 𝐵𝐴 = 𝐼𝑛 𝐴 et 𝐵 sont inversibles et inverses l’une de l’autre. iii. Si 𝐴 et 𝐵 sont inversibles, alors 𝐴𝐵 aussi et on a (𝐴𝐵)−1 = 𝐵−1 𝐴−1 . iv. 𝐺𝐿𝑛 𝕂 , × est un groupe (non commutatif) de neutre 𝐼𝑛 , appelé groupe linéaire d’ordre 𝑛. CHAPITRE 5 : ALGÈBRE LINÉAIRE Définition : Soit 𝐴 ∈ 𝓜𝑛𝑝 (𝕂). ∗ On appelle noyau de A, et on note Ker(𝐴), l’ensemble Ker 𝐴 = 𝑋 ∈ 𝓜𝑝1 (𝕂), 𝐴𝑋 = 𝓜𝑝1 (𝕂). 0 ⋮ 0 𝑛 . C’est un sev de ∗ On appelle image de 𝐴, et on note Im(𝐴), l’ensemble Im 𝐴 = 𝐴𝑋, 𝑋 ∈ 𝓜𝑝1 (𝕂) . C’est un sev de 𝓜𝑛1 (𝕂). Remarque : Si 𝐶1 , ⋯ , 𝐶𝑝 désignent les colonnes de A, alors Im(𝐴) = Vect(𝐶1 , ⋯ , 𝐶𝑝 ). CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 24 : Soit 𝐴 ∈ 𝓜𝑛 (𝕂) . 𝐴 est inversible Ker( 𝐴 ) = 0 Im 𝐴 = 𝓜𝑛1 𝕂 les colonnes de 𝐴 ⋮ 0 𝑛 forment une base de 𝓜𝑛1 𝕂 . Remarque : Pour montrer qu’une matrice 𝐴 ∈ 𝓜𝑛 (𝕂) est inversible, on pourra écrire : 𝑥1 0 « Soit 𝑋 = … ∈ 𝓜𝑛1 𝕂 tel que 𝐴𝑋 = … ; 𝑥𝑛 0 𝑛 montrons que : 𝑥1 = 𝑥2 = ⋯ = 𝑥𝑛 = 0 ». CHAPITRE 5 : ALGÈBRE LINÉAIRE Transposition : b) Définition : Soit 𝐴 = 𝑎𝑖𝑗 1≤𝑖≤𝑛 1≤𝑗≤𝑛 𝑡 ∈ 𝓜𝑛𝑝 𝕂 . On appelle transposée de 𝐴, et on note 𝐴, l’élément de 𝓜𝑝𝑛 (𝕂) défini par : 𝑡 𝐴 = 𝑏𝑖𝑗 1≤𝑖≤𝑝 1≤𝑗≤𝑛 où ∀ 𝑖 ∈ 1, ⋯ , 𝑝 , ∀ 𝑗 ∈ 1, ⋯ , 𝑛 , 𝑏𝑖𝑗 = 𝑎𝑗𝑖 . Exemple : 𝑡 𝑎 𝑏 𝑐 𝑑 = 𝑒 𝑓 𝑡 𝑎 𝑏 𝑐 𝑑 𝑒 𝑓 . CHAPITRE 5 : ALGÈBRE LINÉAIRE i. Théorème 25 : L’application 𝓜𝑛𝑝 (𝕂) 𝓜𝑝𝑛 (𝕂) 𝑡 est linéaire. En 𝐴 𝐴 particulier, si 𝑛 = 𝑝 c’est un endomorphisme de 𝓜𝑛 (𝕂). ii. iii. iv. 𝑡 𝑡 𝐴 = 𝐴. 𝑡 𝐴𝐵 = 𝑡𝐵 𝑡𝐴, pourvu que le produit 𝐴𝐵 ait un sens. 𝑡 Pour , on a 𝐴 est inversible 𝐴 est inversible. Si c’est le cas, 𝑡 𝐴 −1 = 𝑡 𝐴−1 . Remarque : Les colonnes de 𝑡𝐴 étant les lignes de 𝐴, la propriété (𝑖𝑣) et le théorème 24 permettent d’affirmer que : 𝐴 ∈ 𝓜𝑛 (𝕂) est inversible les lignes de A CHAPITRE 5 : ALGÈBRE LINÉAIRE Définition : Soit A ∈ 𝓜𝑛 (𝕂). On dit que 𝐴 est symétrique , et on note 𝐴 ∈ 𝓢𝑛 (𝕂), 𝑡 𝐴 = 𝐴, c’est-à-dire si ∀ 𝑖, 𝑗 ∈ 1, ⋯ , 𝑛 2 , 𝑎𝑗𝑖 = 𝑎𝑖𝑗 . On dit que 𝐴 est antisymétrique , et on note 𝐴 ∈ 𝓐𝑛 (𝕂), 𝑡𝐴 = −𝐴, c’est-à-dire si ∀ 𝑖, 𝑗 ∈ 1, ⋯ , 𝑛 2 , 𝑎𝑗𝑖 = −𝑎𝑖𝑗 . Théorème 26 : i. 𝓢𝑛 (𝕂) est un sous-ev de 𝓜𝑛 (𝕂) de dimension de base 𝐸11 , ⋯ , 𝐸𝑛𝑛 , 𝐸𝑖𝑗 + 𝐸𝑗𝑖 1≤𝑖≤𝑗≤𝑛 . 𝑜𝑟𝑑𝑟𝑒 𝑙𝑒𝑥𝑖𝑐𝑜. 𝓐𝑛 (𝕂) est un sous-ev de 𝓜𝑛 (𝕂) de dimension de base 𝐸𝑖𝑗 − 𝐸𝑗𝑖 1≤𝑖≤𝑗≤𝑛 ii. 𝑜𝑟𝑑𝑟𝑒 𝑙𝑒𝑥𝑖𝑐𝑜. 𝑛(𝑛+1) , 2 𝑛(𝑛−1) , 2 CHAPITRE 5 : ALGÈBRE LINÉAIRE Exemple : 𝑎 𝑑 𝑒 L’élément générique de 𝓢3 (ℝ) est 𝐴 = 𝑑 𝑏 𝑓 donc 𝓢3 (ℝ) a pour base 𝑒 𝑓 𝑐 1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 , 0 1 0 , 0 0 0 , 1 0 0 , 0 0 0 , 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 et pour dimension 6. De même l’élément générique de 𝓐3 (ℝ) est 0 1 0 0 0 1 0 0 0 0 𝑎 𝑏 𝐴 = −𝑎 0 𝑐 d’où la base −1 0 0 , 0 0 0 , 0 0 1 0 0 0 −1 0 0 0 −1 0 −𝑏 −𝑐 0 et la dimension, 3. CHAPITRE 5 : ALGÈBRE LINÉAIRE c) Trace : Définition : Soit 𝐴 = 𝑎𝑖𝑗 ∈ 𝓜𝑛 (𝕂) . On appelle trace de la matrice 𝐴, et on note tr(𝐴) le scalaire tr 𝐴 = 𝑎11 + ⋯ + 𝑎𝑛𝑛 = 𝑛𝑖=1 𝑎𝑖𝑖 . Théorème 27 : 𝓜𝑛 (𝕂) 𝕂 i. L’application 𝑡𝑟 = est linéaire, 𝐴 tr(𝐴) c’est donc une forme linéaire sur 𝓜𝑛 (𝕂). ii. ∀ (𝐴, 𝐵) ∈ 𝓜𝑛 (𝕂) 2 , tr 𝐴𝐵 = tr 𝐵𝐴 . CHAPITRE 5 : ALGÈBRE LINÉAIRE Exercice : On note 𝐸 = 𝓜𝑛 (𝕂). a) Soit ɸ une forme linéaire sur 𝐸. Montrer qu’il existe une unique matrice 𝑀 ∈ 𝐸 telle que ∀ 𝐴 ∈ 𝐸, ɸ 𝐴 = tr(𝐴𝑀). b) On note 𝑀ɸ cette matrice. Montrer que l’application 𝓛(𝐸, ) 𝐸 est un isomorphisme. ɸ 𝑀ɸ Existence : on décompose 𝐴 = 𝑎𝑖𝑗 ∈ 𝐸 en 𝐴 = 𝑛𝑖=1 𝑛𝑗=1 𝑎𝑖𝑗 𝐸𝑖𝑗 . On a alors par linéarité ɸ 𝐴 = 𝑛𝑖=1 𝑛𝑗=1 𝑎𝑖𝑗 ɸ(𝐸𝑖𝑗 ) . Or pour 𝑀 = 𝑚𝑖𝑗 ∈ 𝐸 on a tr 𝐴𝑀 = 𝑛𝑖=1 𝐴𝑀 𝑖𝑖 = 𝑛𝑖=1 𝑛𝑗=1 𝑎𝑖𝑗 𝑚𝑗𝑖 donc on aura tr 𝐴𝑀 = ɸ 𝐴 en posant 𝑚𝑗𝑖 = ɸ(𝐸𝑖𝑗 ). - Unicité : si 𝑀 = 𝑚𝑖𝑗 et 𝑁 = 𝑛𝑖𝑗 conviennent toutes deux, on a : ∀ 𝐴 ∈ 𝐸, tr 𝐴𝑀 = 𝑡𝑟(𝐴𝑁) et avec la matrice élémentaire 𝐴 = 𝐸𝑖𝑗 on obtient ∀ 𝑖, 𝑗 ∈ 1, ⋯ , 𝑛 2 , 𝑚𝑗𝑖 = 𝑛𝑗𝑖 donc 𝑀 = 𝑁. b) Pour 𝑀 ∈ 𝐸 notons ɸ𝑀 = 𝐴 tr(𝐴𝑀). L’application proposée 𝐸 𝓛(𝐸, 𝕂) est la bijection réciproque de qui est 𝑀 ɸ𝑀 manifestement linéaire. C’est donc un isomorphisme. a) - CHAPITRE 5 : ALGÈBRE LINÉAIRE d) Matrices triangulaires, diagonales : Définition : Soit 𝐴 = 𝑎𝑖𝑗 ∈ 𝓜𝑛 𝕂 . On dit que 𝐴 est triangulaire supérieure (resp. triangulaire inférieure ; diagonale) si elle vérifie ∀ 𝑖, 𝑗 ∈ 1, ⋯ , 𝑛 2 , 𝑖 > 𝑗 𝑎𝑖𝑗 = 0 (resp. 𝑖 < 𝑗 𝑎𝑖𝑗 = 0 ; 𝑖 ≠ 𝑗 𝑎𝑖𝑗 = 0). On note 𝑇𝑆𝑛 (𝕂) (resp. 𝑇𝐼𝑛 (𝕂) ; 𝐷𝑛 (𝕂)) l’ensemble des matrices triangulaires supérieures (resp. inférieures ; diagonales). CHAPITRE 5 : ALGÈBRE LINÉAIRE Remarque : Il est évident que 𝐷𝑛 𝕂 = 𝑇𝑆𝑛 𝕂 𝑇𝐼𝑛 (𝕂) et que 𝑡 l’application 𝐴 𝐴 est un isomorphisme de 𝑇𝑆𝑛 (𝕂) sur 𝑇𝐼𝑛 (𝕂). Théorème 28 : i. 𝑇𝑆𝑛 𝕂 ; 𝑇𝐼𝑛 𝕂 et 𝐷𝑛 𝕂 sont trois sous-algèbres de 𝑛(𝑛+1) 𝑛(𝑛+1) 𝓜𝑛 𝕂 de dimensions respectives , et 𝑛. 2 2 ii. Si 𝐹 désigne l’un de ces trois ensembles, et 𝐴, 𝐵 deux matrices de 𝐹 de coefficients diagonaux 1 , ⋯ , 𝑛 et 𝜇1 , ⋯ , 𝜇𝑛 respectivement, alors 𝐴𝐵 ∈ 𝐹 et ses coefficients diagonaux sont 1 𝜇1 , ⋯ , 𝑛 𝜇𝑛 . iii. Soit 𝐴 ∈ 𝐹 de coefficients diagonaux 1 , ⋯ , 𝑛 . 𝐴 est inversible si et seulement si, ∀ 𝑖 ∈ 1, ⋯ , 𝑛 , 𝑖 ≠ 0 et si c’est le cas, 𝐴−1 appartient à 𝐹 et ses coefficients 1 1 diagonaux sont , ⋯ , . 1 𝑛 CHAPITRE 5 : ALGÈBRE LINÉAIRE Matrice d’un vecteur, d’un endomorphisme : Définition : ∗ Soit 𝐸 un 𝕂-ev, de dimension 𝑛, de base 𝛽 = 𝑒1 , ⋯ , 𝑒𝑛 . Pour 𝑥 ∈ 𝐸 décomposé dans 𝛽 en 𝑥 = 𝑥1 𝑒1 + ⋯ + 𝑥𝑛 𝑒𝑛 , on appelle matrice représentative de 𝑥 dans la base 𝛽 la matrice colonne 𝑥1 suivante 𝑥 𝛽 = ⋮ ∈ 𝓜𝑛1 𝕂 . 𝑥𝑛 ∗ Soit 𝐸 un 𝕂-ev de dimension 𝑛, de base 𝛽 = 𝑒1 , ⋯ , 𝑒𝑛 ; 𝐹 un 𝕂-ev de dimension 𝑝, de base 𝓑 = 𝑒1 , ⋯ , 𝑒𝑝 et 𝑓 ∈ 𝓛 𝐸, 𝐹 . On appelle matrice représentative de 𝒇 dans le couple de 𝛽 𝓑 bases 𝛽, 𝓑 la matrice notée 𝑓 obtenue en décomposant les vecteurs 𝑓 𝑒1 , ⋯ , 𝑓(𝑒𝑛 ) dans 𝓑 : 𝑓 𝛽 𝓑 𝑒1 = ⋮ 𝑒𝑝 ⋮ ⋯ ⋱ ⋯ ⋮ ∈ 𝓜𝑝𝑛 𝕂 . CHAPITRE 5 : ALGÈBRE LINÉAIRE En particulier, si 𝐸 = 𝐹 et 𝛽 = 𝓑 alors la matrice 𝛽 𝛽 𝑓 ∈ 𝓜𝑛 (𝕂) de l’endomorphisme 𝑓 dans le couple de bases 𝛽, 𝛽 s’appelle simplement matrice de 𝑓 dans la base 𝛽 et se note 𝑓 𝛽 . Exemple : Soit 𝐸 = 𝓜2 (ℝ) ; 𝛽 = (𝐸11 , 𝐸12 , 𝐸21 , 𝐸22 ) ; 𝐹 = ℝ et 𝓑 = (1). On a alors 𝐼2 ∈ 𝐸 et sa matrice colonne 1 0 représentative dans 𝛽 est 𝐼2 𝛽 = 0 ∈ 𝓜4,1 𝕂 . 1 CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 29 : Soient 𝐸, 𝐹, 𝐺 trois 𝕂-ev de dimensions respectives 𝑛, 𝑝, 𝑞 et de bases respectives 𝛽, 𝓑, 𝐵. 𝐸 𝓜𝑛1 (𝕂) i. L’application est un isomorphisme. 𝑥 𝑥𝛽 ii. Si 𝑓 ∈ 𝓛(𝐸, 𝐹) et 𝑥 ∈ 𝐸 on a : 𝑓(𝑥) 𝓛(𝐸, 𝐹) iii. iv. = 𝑓 × 𝑥 𝛽. 𝓜𝑝𝑛 (𝕂) 𝛽 L’application est un isomorphisme. 𝑓 𝑓𝓑 Si 𝑔 ∈ 𝓛(𝐸, 𝐹) et 𝑓 ∈ 𝓛(𝐹, 𝐺) alors 𝓑 𝛽 𝐵 v. 𝛽 𝓑 𝛽 𝓑 𝓑 𝐵 𝑓○𝑔 = 𝑓 × 𝑔 . Soit 𝑓 ∈ 𝓛(𝐸, 𝐹) et𝛽𝑝 = 𝑛. 𝑓 est un isomorphisme de 𝐸 sur 𝐹 si et seulement si 𝑓 𝓑 ∈ 𝐺𝐿𝑛 𝕂 , et si c’est le cas, 𝓑 𝛽 −1 CHAPITRE 5 : ALGÈBRE LINÉAIRE 𝓛(𝐸) 𝓜𝑛 (𝕂) est un isomorphisme 𝑓 𝑓𝛽 d’algèbre, i.e. un isomorphisme qui vérifie de plus : 𝐼𝑑𝐸 𝛽 = 𝐼𝑛 et ∀ 𝑓, 𝑔 ∈ 𝓛 𝐸 , 𝑓 ○ 𝑔 𝛽 = 𝑓 𝛽 × 𝑔 𝛽 . vii. Soit 𝑓 ∈ 𝓛(𝐸). On a 𝑓 ∈ 𝓖𝓛 𝐸 𝑓 𝛽 ∈ 𝐺𝐿𝑛 (𝕂) et si c’est le −1 −1 cas alors 𝑓 𝛽 = 𝑓 𝛽 . vi. L’application Remarque : Avec 𝐸 = 𝕂𝑛 et 𝐹 = 𝕂𝑝 munis de leurs bases canoniques 𝛽 et 𝓛(𝕂𝑛 , 𝕂𝑝 ) 𝓜𝑝𝑛 (𝕂) 𝛽 𝓑, l’isomorphisme réciproque de est 𝑓 𝑓𝓑 𝓜𝑝𝑛 (𝕂) 𝓛(𝕂𝑛 , 𝕂𝑝 ) où 𝑓𝐴 est défini par ∀ 𝑋 ∈ 𝕂𝑛 , 𝑓𝐴 𝑋 = 𝐴 𝑓𝐴 𝐴𝑋 (on identifie 𝕂𝑛 et 𝓜𝑛1 (𝕂 )). L’application linéaire 𝑓𝐴 s’appelle application linéaire canoniquement associée à 𝑨. CHAPITRE 5 : ALGÈBRE LINÉAIRE Définition : Soient 𝛽 et 𝛽′ deux bases de 𝐸. On appelle matrice de passage de 𝜷 à 𝜷′ et on note 𝑃𝛽,𝛽′ la matrice obtenue en décomposant les vecteurs de 𝛽′ dans la base 𝛽. Ainsi, si 𝛽 = 𝑒1 , ⋯ , 𝑒𝑛 et 𝛽′ = 𝑒′1 , ⋯ , 𝑒′𝑛 alors : 𝑃𝛽,𝛽′ 𝑒1 = ⋮ 𝑒𝑛 ⋮ ⋯ ⋱ ⋯ ⋮ . CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 30 : i. Soient 𝐸 un 𝕂-ev de dimension 𝑛 et 𝛽, 𝛽′ et 𝛽′′ trois bases de 𝐸. On a : 𝑃𝛽,𝛽′ = 𝑖𝑑𝐸 𝛽′ 𝛽 ; 𝑃𝛽,𝛽′ × 𝑃𝛽′,𝛽′′ = 𝑃𝛽,𝛽′′ ; 𝑃𝛽,𝛽′ ∈ 𝐺𝐿𝑛 (𝕂) et (𝑃𝛽,𝛽′ )−1 = 𝑃𝛽′,𝛽 . Soient 𝐸 un 𝕂-ev de dimension 𝑛 et 𝛽 une base de 𝐸. Pour toute matrice 𝑃 ∈ 𝐺𝐿𝑛 (𝕂) il existe une unique base 𝛽′ de 𝐸 telle que 𝑃 = 𝑃𝛽,𝛽′ . ii. Remarque : Ainsi toute matrice inversible est une matrice de passage, par exemple entre la base canonique de 𝓜𝑛1 (𝕂) et la base 𝐶1 , ⋯ , 𝐶𝑛 de 𝓜𝑛1 (𝕂) formée par ses colonnes. CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 31 : Soient 𝐸 un 𝕂-ev de dimension 𝑛 et 𝛽, 𝛽′ deux bases de 𝐸. i. Soit 𝑥 ∈ 𝐸. On a : 𝑥 𝛽 = 𝑃𝛽,𝛽′ 𝑥 𝛽 ′. Soit 𝐹 un 𝕂-ev de dimension 𝑝 et 𝓑, 𝓑′ deux bases de 𝐹 et 𝑓 ∈ 𝓛(𝐸, 𝐹). On a : ii. 𝑓 iii. 𝛽′ 𝓑′ = 𝑃𝓑′,𝓑 × 𝑓 𝛽 𝓑 × 𝑃𝛽,𝛽′ . En particulier, pour 𝑓 ∈ 𝓛(𝐸), on a : 𝑓 𝛽′ = 𝑃𝛽′,𝛽 × 𝑓 𝛽 × 𝑃𝛽,𝛽′ . CHAPITRE 5 : ALGÈBRE LINÉAIRE Matrices semblables, équivalentes : Définition : Deux matrices 𝐴 et 𝐵 de 𝓜𝑛 (𝕂) sont dites semblables, et on note 𝐴 ~ 𝐵 lorsque : ∃ 𝑃 ∈ 𝐺𝐿𝑛 𝕂 , 𝐴 = 𝑃𝐵𝑃−1 . Remarque : D’après le point (iii) du théorème 31, les matrices d’un même endomorphisme dans deux bases de E sont semblables. CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 32 : i. ~ est une relation d’équivalence sur 𝓜𝑛 (𝕂). ii. Deux matrices sont semblables si et seulement si ce sont les matrices d’un même endomorphisme dans des bases (éventuellement) différentes. iii. Deux matrices semblables ont même trace, même rang et même déterminant. Définition : Soit E un 𝕂-ev de dimension finie et 𝑓 ∈ 𝓛(𝐸). On appelle trace de 𝑓, et on note tr(𝑓) la trace de la matrice de f dans n’importe quelle base de 𝐸. CHAPITRE 5 : ALGÈBRE LINÉAIRE Définition : Deux matrices 𝐴 et 𝐵 de 𝓜𝑛𝑝 (𝕂) sont dites équivalentes, et on note 𝐴 ε 𝐵 lorsque : ∃ 𝑃 ∈ 𝐺𝐿𝑛 𝕂 , ∃ 𝑄 ∈ 𝐺𝐿𝑝 𝕂 , 𝐴 = 𝑃𝐵𝑄. Remarque : D’après le point (𝑖𝑖) du théorème 31, les matrices d’une même application linéaire dans deux couples de bases de 𝐸 et de 𝐹 sont semblables. CHAPITRE 5 : ALGÈBRE LINÉAIRE i. Théorème 33 : ε est une relation d’équivalence sur 𝓜𝑛𝑝 (𝕂). Deux matrices sont équivalentes si et seulement si elles ont même rang. ii. CHAPITRE 5 : ALGÈBRE LINÉAIRE Rang : Définition : 𝐸 de dimension finie. Le rang d’une famille de 𝑝 vecteurs (𝑥1 , ⋯ , 𝑥𝑝 ) est la dimension du sev de 𝐸 qu’ils engendrent : Vect(𝑥1 , ⋯ , 𝑥𝑝 ). Le rang d’une application linéaire 𝑢 ∈ 𝓛(𝐸, 𝐹) (𝐸 et 𝐹 deux 𝕂-ev) est dim Im 𝑢 = dim(𝑢 𝐸 ). 𝐴 ∈ 𝓜𝑛,𝑝 (𝕂) , rg( 𝐴 ) est la dimension du sev de 𝓜𝑛,1 (𝕂) engendré par les colonnes de 𝐴. CHAPITRE 5 : ALGÈBRE LINÉAIRE Remarques : ∗ Si 𝛽 = (𝑒1 , ⋯ , 𝑒𝑛 ) base de 𝐸 et 𝑢 ∈ 𝓛(𝐸, 𝐹). On a rg(𝑢)= rg(𝑢 𝑒1 , ⋯ , 𝑢(𝑒𝑛 )). ∗ Si 𝑢 ∈ 𝓛(𝐸, 𝐹), 𝛽 base de 𝐸, 𝛽′ base de 𝐹 alors rg(𝑢)=rg(𝐴) où : 𝑒1 ⋯ 𝐴 = 𝑢 𝛽,𝛽′ = ⋮ ⋮ ⋱ ⋮ ∈ 𝓜𝑛,𝑝 (𝕂). 𝑒𝑛 ⋯ ∗ rg 𝑥1 , ⋯ , 𝑥𝑛 est le nombre maximal de vecteurs linéairement indépendants qu’on peut extraire de la famille 𝑥1 , ⋯ , 𝑥𝑛 . CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème du rang (rappel) : Soit 𝑢 ∈ 𝓛(𝐸, 𝐹). On a : dim (Ker(𝑢)) + rg(𝑢) = dim (𝐸). Théorème 34 : 𝑡 • rg(𝐴) = rg( 𝐴) avec 𝐴 ∈ 𝓜𝑛,𝑝 𝕂 . • Une opération élémentaire sur les lignes et les colonnes ne change pas le rang d’une matrice : permuter deux lignes ou deux colonnes ; rajouter à une ligne ou une colonne une combinaison linéaire des autres ; multiplier une ligne ou une colonne par un scalaire non nul. CHAPITRE 5 : ALGÈBRE LINÉAIRE Définition : Pour 𝐴 ∈ 𝓜𝑛 (𝕂). On appelle mineur d’ordre 𝒑 de 𝑨 le déterminant d’une matrice de taille 𝑝 extraite de 𝐴. Exemple : 2 1 1 1 1 −1 0 1 1 3 0 −3 0 2 4 2 1 2 est une matrice de taille 2 extraite de 𝐴 1 2 est un mineur d’ordre 2 de 𝐴. 1 1 2 2 CHAPITRE 5 : ALGÈBRE LINÉAIRE Théorème 35 : Le rang de 𝐴 est l’ordre maximal des mineurs ≠ 0 extraits de 𝐴 (𝐴 ∈ 𝓜𝑛,𝑝 𝕂 ). Exemple : 1 𝐴= 3 2 2 −2 1 −1 𝐿1 −3 0 1 𝐿2 1 −1 0 𝐿3 −1 −1 2 𝐿4 Déterminer son rang. • 𝐴 ∈ 𝓜4 ℝ rg(𝐴) ≤ 4. De manière générale, pour 𝐴 ∈ 𝓜𝑝,𝑛 ℝ , rg 𝐴 ≤ min 𝑝, 𝑛 . • 𝐴 ≠ 0 donc rg(𝐴) ≥ 1. De manière générale, rg 𝐴 = 0 𝐴 = 0. CHAPITRE 5 : ALGÈBRE LINÉAIRE On a, pour 𝐴 ∈ 𝓜𝑛 ℝ (matrice carrée) rg 𝐴 = 𝑛 𝐴 inversible det(𝐴) ≠ 0. • Ici, on a 𝐿4 = 𝐿2 − 𝐿1 donc det 𝐴 = 0 rg(𝐴) ≤ 3. 1 −2 • est un mineur d’ordre 2 (≠ 0) extrait de 3 −3 𝐴 donc rg(𝐴) ≥ 2. 1 −2 1 −3 0 3 0 • 3 −3 +2× +1× 0 =1× 1 −1 2 −1 2 1 −1 3 −3 = 3 − 6 + 3 + 6 = 6 ≠ 0 rg(𝐴) ≥ 3. 2 1 Donc rg 𝐴 = 3. [Pour le calcul du 2ème terme, on rajoute un − en plus du − existant (ce qui fait +) car 𝑛°𝑙𝑖𝑔𝑛𝑒 + 𝑛°𝑐𝑜𝑙𝑜𝑛𝑛𝑒 = 3 est impair]. FIN