Rappels d’algèbre linéaire MP Lycée Clemenceau Table des matières I Rappel d’algèbre linéaire 1) Notions générales . . . . . . . . . . . . . a) Familles de vecteurs . . . . . . . . b) Sommes de sous espaces vectoriels 2) Application linéaire . . . . . . . . . . . . a) Rappels et généralisations . . . . . b) Forme linéaire . . . . . . . . . . . c) Dimension finie . . . . . . . . . . . 3) Trace d’un endomorphisme . . . . . . . 4) Calcul matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 . 2 . 2 . 3 . 5 . 5 . 7 . 8 . 9 . 10 Rappel d’algèbre linéaire I 2 Rappel d’algèbre linéaire 1) a) MP 2015-16 Notions générales Familles de vecteurs Définition I - 1 : Famille Soit E un ensemble non vide, on considère I un ensemble (non vide ), qu’on appellera ensemble d’indices. On appelle famille d’éléments de E indexée par I toute application de I dans E. On note le plus souvent (xi )i∈I cette famille, avec pour tout i ∈ I xi ∈ E. Définition I - 2 : Support d’une famille On suppose que E est muni d’une structure admettant un élément nul (corps, espace vectoriel ...). On considère alors une famille d’éléments de E indexée par I, (xi )i∈I . On appelle support de cette famille l’ensemble {i ∈ I/xi 6= 0}. Remarque : Une famille dont le support est fini est dite presque nulle. Notation : On notera E I l’ensemble des familles d’éléments de E et E (I) l’ensemble des familles de support fini d’éléments de E. Pour la suite on considère E un K-espace vectoriel où K est un corps de caractéristique nulle. Définition I - 3 : Soit (xi )i∈I une famille de vecteurs de E. On appelle combinaison linéaire de cette famille tout vecteur x tel que : X ∃ (λi )i∈I ∈ E (I) / x = λ i xi i∈I Remarque : – Dans cette définition la somme n’est pas infini car le support est fini. On peut aussi écrire cette définition sous la forme : X ∃J ⊂ I fini tel que ∃ (λi )i∈J ∈ E J / x = λi xi i∈J – Si A est une partie non vide de E, on dit que x ∈ E est une combinaison linéaire de A si c’est une combinaison linéaire de la famille (x)x∈A des éléments de A. Proposition I - 1 : L’ensemble des combinaisons linéaires d’une partie non vide A de E est un sous espace vectoriel noté Vect (A). C’est le plus petit sous espace vectoriel contenant A. On l’appelle sous espace vectoriel engendré par A. 1) Notions générales MP 2015-16 3 Définition I - 4 : Famille libre Soit (xi )i∈I une famille de vecteurs de E, on dit que (xi )i∈I est une famille libre si ∀ (λi )i∈I ∈ K(I) , X λi xi = 0 ⇒ ∀i ∈ I, λi = 0 i∈I Une famille non libre est dite liée. Une famille est donc libre si toute sous famille finie de cette famille est libre. X On peut voir aussi qu’une famille est liée si il existe une combinaison linéaire λi xi = 0 telle que (λi )i∈I ∈ K(I) i∈I n’est pas la famille nulle. On peut aussi dire qu’il existe un vecteur non nul de la famille qui est combinaison linéaire des autres. Définition I - 5 : Famille génératrice On dit que (xi )i∈I est une famille génératrice de E si ∀x ∈ E, ∃ (λi )i∈I ∈ K(I) / x= X λi xi i∈I C’est à dire que la famille est génératrice si et seulement si tout vecteur de E est combinaison linéaire de la famille ou encore si et seulement si Vect (xi )i∈I = E Propriété I - 1 : des sur et sous familles Toute sur famille d’une famille génératrice est génératrice. Toute sous famille d’une famille libre est une famille libre. Définition I - 6 : Base – Soit B une famille non vide de vecteurs de E. On dit que cette famille est une base de E si elle est libre et génératrice de E. Une famille (ei )i∈I est donc une base si et seulement si tout vecteur de E s’écrit de façon unique comme combinaison linéaire de vecteurs de la famille B. – Soit B = (ei )i∈I une base de E. Par définition, pour tout vecteur x ∈ E il existe une unique famille X (λi )i∈I ∈ K(I) telle que x = λi ei . On appelle coordonnées de x dans la base B la famille (λi )i∈I . i∈I Exemple : La famille (X n )n∈IN est une famille libre et génératrice de IR [X], c’est donc une base de cet espace. Exemple : La famille (x → eax ) a ∈ IR b) Sommes de sous espaces vectoriels Définition I - 7 : Soit E un K−espace vectoriel. On considère (Ei )i∈I une famille finie de sous espaces vectoriels de E. On appelle somme de ces sous espaces vectoriels l’ensemble ( ) X X Ei = x ∈ E / ∃ (xi )i∈I ∈ (Ei )i∈I tel que x = xi i∈I i∈I ! C’est aussi le plus petit sous espace vectoriel contenant tous les Ei , c’est donc Vect [ i∈I Ei . 1) Notions générales MP 2015-16 4 Définition I - 8 : Somme directe Soit E un K−espace vectoriel. On considère (EP i )i∈I une famille finie de sous espaces vectoriels P P de E. La somme Ei est directe si pour tout x ∈ Ei , il existe (xi )i∈I ∈ (Ei )i∈I tel que x = xi et tel i∈I i∈I i∈I que cette écriture soit unique. On note alors la somme M Ei i∈I Cela revient à dire que l’application définie sur Y Ei à valeurs dans E définie par (xi )i∈I 7→ i∈I X xi est i∈I injective. Proposition I - 2 : Caractérisation X La somme Ei est directe si et seulement si i∈I X (xi )i∈I ∈ (Ei )i∈I xi = 0 ⇒ ∀i ∈ I xi = 0 i∈I ou encore si et seulement si ∀i ∈ I, X Ei ∩ Ej = {0} j∈I\{i} Démonstration : P – On suppose que la somme est directe, soit x ∈ Ei , on suppose qu’il existe (xi )i∈I ∈ (Ei )i∈I et (x0i )i∈I ∈ i∈I (Ei )i∈I telles que x= X xi = i∈I X x0i i∈I On a alors , pour io ∈ I, xio − x0io = X (x0i − xi ) i∈I\{io } P le terme de gauche est un élément de Eio et celui de droite est un élément de Ei , or leur intersection i∈I\{io } xi = x0i . est réduite à O, donc c’est élément est nul. C’est à dir que pour tout i ∈ I L’écriture est donc bien unique. P – Réciproque : on suppose que l’écriture d’un élément de Ei est unique. Soit i0 ∈ I et x ∈ Eio ∩ i∈I X Ej . On a alors j∈I\{io } ∃ (xj )j∈I\{io } ∈ (Ej )j∈I\{io } tel que x = X xj j∈I\{io } On peut alors écrire x+ X j∈I\{io } 0=0+ X xj j∈I\{io } on peut alors, par hypothèse identifier, et on obtient que x = 0. ! P D’où Eio ∩ Ej = {0} j∈I\{io } – La seconde propritété est de façon immédiate équivalente à première en faisant une simple différence de deux écritures de 0 Exemple : Deux sous espaces supplémentaires dans le cas des polynomes Dans l’espace vectoriel K[X], le sous-espace vectoriel K[X]P constitué des multiples d’un polynome P de degré n + 1 admet pour sous espace supplémentaire le sous-espace vectoriel Kn [X] constitué des polynomes de degré inférieur ou égal à n. 2) Application linéaire MP 2015-16 5 Proposition I - 3 : En dimension finie Si E est un espace de dimension finie alors la somme est directe si et seulement si ! X X dim Ei = dim (Ei ) i∈I i∈I Démonstration : Pour plus de simplicité on suppose que I = [1, n] . On considère l’application de E1 × .. × En L dans Ei . i∈I C’est une application bijective si et seulement si la somme est directe (en regardant le noyau) d’où le résultat. Corollaire I - 1 : L Si E est de dimension finie et que la somme est directe alors on a E = Ei si et seulement si i∈I dim (E) = X dim (Ei ) i∈I Définition I - 9 : Base adaptée à une somme directe Soit E un espace vectoriel de dimension finie, on considère un sous espace vectoriel F de E. Si (ei ) est une base de F, alors toute base de E telle Lque les premiers vecteurs soient les (ei ) est dite adaptée à F. On généralise cette notion avec : si E = Ei et on considère une base pour chacun des sous espaces, on i∈I obtient ainsi une base de E adaptée à la famille des sous espaces. Remarque : L Si (ei )i∈I est une base de E, on a E = K.ei . i∈I Proposition I - 4 : Projecteurs associés L Soit (Ei ) une famille de sousP espaces vectoriels telle que E = i∈I Ei . On considère alors les projecteurs pi d’image Ei et de noyau Ej . Cette famille de projecteurs est dite associée à la somme directe et j6=i vérifie X pi = IdE et pi ◦ pj = 0 i 2) a) Application linéaire Rappels et généralisations Théorème I - 1 : Soit F un K espace vectoriel. L Soit E un K espace vectoriel et une famille (Ei )i∈I finie de sous espaces vectoriels, telle que E = Ei . i∈I Pour tout i ∈ I, on considère ui une applications linéaires de Ei dans F . Il existe alors une application linéaire u de E dans F et une seule telle que, pour tout i ∈ I, ui soit la restriction de u à Ei . Démonstration : Soit E = L Ei . Soit i un ensemble d’indice fini, on considère ui une aplication linéaire de i∈I Ei dans F. X X Soit x ∈ E, tel que x = xi , on pose u (x) = ui (xi ) . Par l’unicété de l’écriture de x, on montre que cette i∈I application est linéaire. i∈I 2) Application linéaire MP 2015-16 6 Réciproquement si on considère une application linéaire u et si on note ui la restriction se u à Ei alors on a la même écriture. Remarque : X Si on note (pi )i∈I les projecteurs associés à la somme directe, on a, pour tout x ∈ E, u(x) = ui (pi (x)). i∈I Cependant on ne devrait pas écrire u = X ui ◦ pi car l’espace d’arrivé de pi est E et non Ei , mais comme i∈I Im(pi ) = Ei on se l’autorise parfois. Proposition I - 5 : Caractérisation des propriétés des applications linéaires à l’aide de l’image d’une base. Soient E et F deux K espaces vectoriels. Soit (ei )i∈I une base de E et (fi )i∈I une famille de F . Il existe une et une seule application linéaire de E dans F telle que ∀i ∈ I f (ei ) = fi . On a de plus les propriétés suivantes : a) f surjective si et seulement si (yi )i∈I génératrice de F b) f injective si et seulement si (yi )i∈I libre c) f bijective si et seulement si (yi )i∈I base. Théorème I - 2 : On considère E et F deux K espaces vecoriels. Soit u une application linaire de E dans F , alors u définit un isomorphisme de tout supplémentaire de ker (u) dans Im (u). Démonstration : Soit u une application linéaire de E vers F, on suppose que ker (u) admet un supplémentaire qu’on note G. On considère alors l’application linéaire suivante g: G → Im (u) x → u (x) Montrons que cette application est une bijection. Soit x ∈ ker (g) , on a alors x ∈ G et g (x) = 0. C’est à dire x ∈ G et u (x) = 0. Ce qui s’écrit encore x ∈ G et x ∈ ker (u) . Or, par hypothèse et définition des supplémentaires, on a G ∩ ker (u) = {0} . On en déduit que x = 0 et donc ker (g) = {0} . g est donc injective. Soit y ∈ Im (u) Corollaire I - 2 : Théorème du rang Si E est de dimension finie alors Im(u) est de dimension finie. On dit alors que u est de rang fini et on pose rg(u) = dim(Im(u)) et on a : dim (E) = dim (ker (u)) + rg (u) On retrouve alors les propriétés en dimension finie : – si dim(E) = dim(F ) alors f est un isomorphisme si et seulement si rg(f ) = dim(E). – le rang est invariant par isomorphisme. Proposition I - 6 : Application : interpolation de Lagrange 2 Soit (xi )i∈[[0,n]] ∈ Kn+1 telle que pour tout couple (i, j) ∈ [[0, n]] , avec i 6= j on a xi 6= xj . Alors pour toute famille (yi )i∈[[0,n]] ∈ Kn+1 il existe un unique polynôme P ∈ Kn [X] tel que pour tout i ∈ [[0, n]] P (xi ) = yi 2) Application linéaire MP 2015-16 7 Démonstration : On considère l’application ϕ de K [X] dans Kn+1 définie par ϕ (P ) = (P (xi ))i∈[0,n] Cette application est linéaire et a pour noyau l’ensemble des polynômes multiples de n Q (X − xj ) . j=0 D’après l’exemple b) un supplémentaire du noyau est Kn [X] . On en déduit d’après la proposition précédente que ϕ définie un isomorphisme de Kn [X] dans Kn+1 , d’où le résultat. Remarque : Polynômes de Lagrange n Q X − xj On pose pour i ∈ [0, n], Li = . Ces polynômes vérifient Li (xi ) = 1 et Li (xj ) = 0 pour j 6= i. j=0 xi − xj j6=i Ces polynômes sont appelés polynômes de Lagrange. Ils forment une base de Kn [X]. On peut alors écrire tout polynôme sous la forme n X P = P (xi ) .Li i=0 b) Forme linéaire Proposition I - 7 : H est un hyperplan (noyau d’une forme linéaire non nulle) si et seulement si il existe une droite vectorielle qui lui soit supplémentaire. Démonstration : Soit ϕ une forme linéaire non nulle. Comme elle est non nulle, il existe un vecteur non nul e tel que ϕ (e) 6= 0.Montrons que ker (ϕ) ⊕ Ke = E. Soit x ∈ Ke ∩ ker (ϕ) , on a par définition ϕ (x) = 0 et ∃λ ∈ K tel que x = λ.e. On a alors 0 = ϕ (λ.e) = λ.ϕ (e) et donc, comme par hypothèse ϕ (e) 6= 0, λ = 0 et par suite x = 0. Conclusion : Ke ∩ ker (ϕ) = {0}. Soit x ∈ E analyse : on suppose qu’il existe x1 ∈ ker (ϕ) et λ ∈ K tel que x = x1 + λ.e. 1 On a alors ϕ (x) = λϕ (e) , et donc λ = ϕ (x) . ϕ (e) ϕ(x) ϕ(x) ϕ(x) On a x = x − ϕ(x) ϕ(e) e + ϕ(e) e or x − ϕ(e) e ∈ ker (ϕ) et ϕ(e) e ∈ Ke. Conclusion : E = ker (ϕ) + Ke. Réciproque : soit H tel qu’il existe e ∈ E tel que H ⊕ Ke = E. On considère alors l’application ϕ de E dans K définie par : pour x ∈ E, ∃ (x1 , λ) ∈ H × K tel que x = x1 + λ.e, on pose alors ϕ (x) = λ. Par unicité de l’écriture, ϕ est correctement définie et de plus elle est linéaire. On a aussi ker (ϕ) = H Proposition I - 8 : Soient ϕ et ψ deux formes linéaires non nulles sur un K espace vectoriel E. On a ker (ϕ) = ker (ψ) si et seulement si ∃k ∈ K tel que ϕ = k.ψ Démonstration : Si ∃k ∈ K tel que ϕ = k.ψ, alors on a de façon immédiate ker (ϕ) = ker (ψ) . Réciproquement : on considère deux forment linéaires telles que ker (ϕ) = ker (ψ). On considère alors e ∈ E tel que ϕ (e) 6= 0. On a alors ψ (e) 6= 0 car sinon e ∈ ker (ψ) = ker (ϕ) ce qui est absurde. On utilise alors la décomposition précédente d’un vecteur x : x=x− On a ψ x − ϕ(x) ϕ(e) e = 0 car on a vu que x − ϕ(x) ϕ(e) e ϕ (x) ϕ (x) e+ e ϕ (e) ϕ (e) ∈ ker (ϕ) et on a ker (ϕ) = ker (ψ) par hypothèse. 2) Application linéaire On en déduit que ψ (x) = MP 2015-16 8 ϕ (x) ψ(e) ψ (e) et donc, en posant k = , on obtient ψ = kϕ avec k 6= 0. ϕ (e) ϕ(e) Définition I - 10 : Dual (la notion est hors programme, c’est juste pour information) Soit E un K espace vectoriel. On appelle espace dual de E l’espace des formes linéaires définies sur E. On le note E ∗ Remarque : Attention à ne pas confondre avec l’ensemble privé de 0. c) Dimension finie Proposition I - 9 : Forme non nulle – Pour tout vecteur non nul e ∈ E il existe une forme linéaire ϕ telle que ϕ(e) = 1. – Seul le vecteur nul est le vecteur en le quel toutes les formes linéaires s’annulent. Proposition I - 10 : Equation d’un hyperplan On considère E un K -espace vectoriel de dimension finie égale à n. Soit F une sous espace vectoriel de E. F est un hyperplan de E si et seulement si dim (F ) = n − 1. Si (ei )i∈[1,n] est une base de E, alors pour tout hyparplan H il existe une famille (ai )i∈[1,n] ∈ Kn telle que n n X X x= xi .ei ∈ H ⇔ ai .xi = 0 i=1 i=1 et tout ensemble vérifiant une telle équation est un hyperplan. Démonstration : On a vu que F est un hyperplan si et seulement si c’est le supplémentaire d’une droite, donc par propriété sur les dimensions, F est un hyperplan si et seulement si il est de dimension n − 1. Soit F un hyperplan, on considère alors ϕ une forme linéaire dont F est le noyau. D’après l’écriture dans une base d’une application linéaire (une application linéaire est caractérisée par l’image des vecteurs d’une base de E ) , on a l’existence de (ai )i∈[1,n] ∈ Kn tel que ϕ (x) = n X ai .xi avec ∀i ∈ [1, n] , ϕ (ei ) = ai i=1 On en déduit l’équation de l’hyperplan. Remarque : 1. Méthode pratique : recherche d’une base d’hyperplan à partir de son équation. On suppose par exemple que a1 6= 0, alors Pn x1 = − a11 k=2 ak .xk n x2 = x2 1 X x1 = − ak .xk ⇔ .. a1 . k=2 xn = xn a2 an − a1 − a1 x1 1 0 x2 .. = x2 0 + .. + xn ... . . .. 0 xn 0 1 On obtient ainsi une famille génératrice de n − 1 vecteurs, qui est donc forcément libre. C’est une base de l’hyperplan. 3) Trace d’un endomorphisme MP 2015-16 9 Remarque : 1. Ecriture matricielle : dans une base donnée de E (espace vectoriel de dimension finie n). Soit (ϕ1 , .., ϕn ) une famille de forme linéaire et (e1 , .., en ) une famille de vecteurs de E. Si ∆ est la matrice dont les lignes sont les matrices lignes des formes linéaires, et si P est la matrice des vecteurs ei , la matrice (ϕi (ej )) est alors ∆P . On a alors les résultats sur le fait que ce soient des bases et la relation de dualité avec l’égalité ∆P = In . 2. Systèmes linéaires (équations linéaires en dimension finie) Théorème I - 3 : Si F est un sous-espace vectoriel de E de dimension p, l’ensemble des formes linéaires s’annulant sur F est un sous-espace vectoriel de E ∗ de dimension n − p. Théorème I - 4 : Si B ∗ = (ϕ1 , .., ϕq ) est une famille libre de formes linéaires sur un espace vectoriel E de dimension n, l’intersection des noyaux respectifs Hi des formes linéaires ϕi est un sous-espace vectoriel F de E de dimension n − q. Toute forme linéaire s’annulant sur F est combinaison linéaire de (ϕ1 , .., ϕq ). 3) Trace d’un endomorphisme Définition I - 11 : Soit A une matrice, élément de Mn (K). On appelle trace de A le nombre noté Tr (A) ou tr (A) et défini par n X Tr (A) = aii i=1 Proposition I - 11 : L’application de Mn (K) dans K qui à A associe Tr (A) est une application linéaire. Proposition I - 12 : Pour toutes matrices A et B de Mn (K), on a la relation Tr (AB) = Tr (BA) Démonstration : On considère A et B deux matrices carrées d’ordre n, on a Tr (AB) = n X n X i=1 k=1 aik bki = n X n X bki aik = Tr (BA) k=1 i=1 Corollaire I - 3 : Soit A ∈ Mn (K) et B ∈ Gln (K), alors Tr (A) = Tr B −1 .A.B C’est à dire que deux matrices semblables ont même trace. On remarque donc que si A est la matrice d’un endomorphisme, la trace ne change pas par changement de base. On peut donc donner la définition suivante. 4) Calcul matriciel MP 2015-16 10 Définition I - 12 : Trace d’un endomorphisme Soit E un espace vectoriel de dimension n, on considère f ∈ L (E) , on appelle trace de f la trace des matrices de f dans n’importe quelle base. Exemple 1. Tr (IdE ) = dim (E) On a un cas particulier où la trace nous donne une information précise : Proposition I - 13 : Trace d’un projecteur Soit p un projecteur de E, espace vectoriel. On a alors l’égalité suivante : rg (p) = Tr (g) Démonstration : Si r est le rang de p (c’est à dire la dimension du sous espace sur le quel on projette) , alors il existe une base de E dans la quelle la matrice de p est Ir 0 0 0 on a alors Tr (p) = r 4) Calcul matriciel Définition I - 13 : Matrices équivalentes Soient A et B deux matrices de Mn,p (K). On dit que A et B sont équivalentes si et seulement si il existe P ∈ Gln (K) et Q ∈ Glp (K) telles que B = P −1 AQ. Cela revient à dire que A et B sont les matrices d’une même application linéaire de Kp dans Kn dans des bases différentes. Proposition I - 14 : Caractérisation Toute matrice M ∈ Mn,p de rang r est équivalente à la matrice Jr = Ir 0r,p−r 0n−r,r 0n−r,p−r Corollaire I - 4 : Deux matrices de Mn,p (K) sont équivalentes si et seulement si elles ont même rang. Définition I - 14 : Matrices semblables Soient A et B deux matrices de Mn (K). On dit que A et B sont semblables si et seulement si il existe P ∈ Gln (K) telle que A = P −1 BP . Remarque : Changement de bases Cela veut dire qu’elles sont les matrices d’un même endomorphisme de Kn dans des bases différentes. Quelques rappels importants : Soit E un K espace vectoriel de dimension finie égale à n. Soit B = (ei )i∈[[1,n]] une base de E. Soit u ∈ L (E), on appelle matrice de u dans la base B la matrice MB (u) dont les colonnes sont définies par : la j ieme colonne est la colonne des coordonnées de u(ej ) dans la base B. Si B 0 = (fi )i∈[[1,n]] est une autre base de E, on appelle matrice de passage de la base B à la base B 0 , la 0 B matrice PB dont les colonnes sont les coordonnées des vecteurs de B 0 dans la base B. B0 −1 B0 Si B est la matrice de u dans la base B 0 alors on a B = PB APB .