Algèbre Linéaire

GCI 100.
Algbre linaire
par
Pierre F. Lemieux, ing., M.S. (MIT), Ph. D. (Waterloo)

Professeur associ
Dpartement de gnie civil
Facult de gnie
Universit de Sherbrooke
Courriel : Pierre.F.Lemieux@USherbrooke.ca
Automne 2009
GCI 100. ALGBRE LINAIRE

Contenu du cours
Chapitre 1. quations linaires. Introduction exploratrice lalgbre linaire
Introduction
1.1 Systmes dquations linaires : mthodes de Gauss et Jordan-Gauss
1.2 Transformations des lignes et matrice-chelon
1.3 quations vectorielles
1.4 quation matricielle Ax = b
1.5 Ensemble des solutions dun systme dquations linaires
1.6 Indpendance linaire
1.7 Introduction aux transformations linaires
1.8 La matrice dune transformation linaire
1.9 Comparaisons des diffrents algorithmes de solution dun systme dquations linaires
Problmes sur le chapitre 1
Chapitre 2. Algbre des matrices
Introduction
2.1 Oprations matricielles
2.2 Matrice inverse
2.3 Caractrisation des matrices inverses
2.4 Dcomposition LU d'une matrice
2.5 Solution itratives des systmes dquations linaires
2.6 Applications numriques au graphisme.
Chapitre 3. Notions sur les dterminants
3.1 Introduction la notion de dterminant
3.2 Proprits des dterminants
3.3 Rgle de Cramer. Formule pour la matrice inverse. Dterminant comme surface et volume.
Chapitre 4. Espaces vectoriels
4.1 Espaces vectoriels et sous-espaces vectoriels
4.2 Noyau. Espace colonne. Transformations linaires.
4.3 Ensembles linairement indpendants. Bases.
4.4 Systmes de coordonnes
4.5 Dimension dun espace vectoriel
4.6 Notion de rang Retour lanalyse dimensionnelle.
4.7 Changement de base.
4.8 Les chanes de Markov
Chapitre 5. Valeurs propres et vecteurs propres

5.1 Notions de base
5.2 Lquation caractristique
5.3 Diagonalisation dune matrice
5.4 Application aux quations diffrentielles
5.5 Mthodes itratives pour obtenir les valeurs propres
Chapitre 6. Orthogonalit et moindres carrs
6.1 Produit scalaire ou intrieur. Longueur. Orthogonalit
6.2 Ensembles orthogonaux
6.3 Projections orthogonales
6.4 Problme des moindres carrs
6.5 Application au modle linaire
6.6 La procdure de Gram-Schmidt
Annexe : Complments sur les longueurs, les normes, le produit scalaire et le produit vectoriel
Chapitre 7. Fonctions quadratiques, coniques. Surfaces quadriques
7.0 Introduction
7.1 Matrices symtriques. Diagonalisation.
7.2 Formes quadratiques
7.3 Exemple d'application
7.4 Matrices dfinies positives
7.5 Diagonalisation d'une forme quadratique
7.6 Les coniques
7.7 Les surfaces quadriques
Chapitre 8. Les nombres complexes
8.0 Introduction
8.1 Ensembles fondamentaux des nombres
8.2 Caractristiques et proprits des nombres complexes
8.3 Reprsentation gomtrique des nombres complexes. Forme trigonomtrique.
8.4 Formule de De Moivre
8.5 Formule dEuler
8.6 Solutions de systmes dquations
1-1
Chapitre 1
quations linaires. Introduction exploratrice lalgbre linaire.
Objectifs dapprentissage
Le but principal de ce chapitre est une introduction rapide et un rappel des notions de base
en algbre linaire
Ce quest un systme dquations linaires. Solutions et systmes quivalents. Notation

matricielle. Oprations lmentaires.
Transformation des lignes et matrice-chelon. Solution avec la matrice augmente.
Ensemble des solutions dquations linaires.
Indpendance linaire
Introduction aux transformations linaires et matrice dune transformation linaire. Application au graphisme.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-2
Chapitre 1
quations linaires. Introduction exploratrice lalgbre linaire.
Introduction
Importance de lalgbre linaire sest accrue avec le dveloppement de
linformatique.
Algbre linaire a actuellement plus de potentiel que tout autre sujet mathmatique.
Applications :
thorie des graphes, solutions de systmes dquations linaires, systmes

dquations non linaires simultanes, moindres carrs, graphisme,
1.1 Systmes dquations linaires

quation linaire :
a1 x1 + a 2 x 2 + ... + a n x n = b
variable
constante
quation non linaire :
x 2 = 2 x1 6
Systmes dquations linaires :

2 x 1 x 2 + 1.5 x 3 = 8
x1
Solution
4 x 3 = 7
Ensemble de valeurs (s1, s2, , sn) qui vrifie chacune des quations lorsque
s1, s2, , sn remplacent x1, x2, , xn respectivement.
Ensemble des solutions ensemble de toutes les solutions possibles.
1-3
2 systmes linaires quivalents
2 systmes qui ont le mme ensemble des solutions.
x1 2 x2 = 1
Solution unique
3.0
x 1 + 3 x2 = 3
X2
2.5
2.0
1.5
Solution unique
1.0
0.5
X1
0.0
-4
-3
-2
-1
-0.5
-1.0
-1.5
Nombre infini de solutions

3.0
x1 2 x2 = 1
X2
2.5
x 1 + 2 x2 = 1
2.0
1.5
1.0
0.5
Infinit de solutions
X1
0.0
-4
-3
-2
-1
-0.5
-1.0
-1.5
Aucune solution
4.0
X2
3.5
3.0
2.5
x1 2 x2 = 1
2.0
x 1 + 2 x2 = 3
1.5
1.0
0.5
X1
0.0
-4
-3
-2
-1
-0.5
Aucune solution
-1.0
-1.5
1-4
Systme consistant il existe une solution ou une infinit de solutions.
Notation matricielle
x1 2 x 2 + x 3 = 0
2 x2 8 x3 = 8
1
0
2 1
2 8
4 x 1 + 5 x 2 + 9 x 3 = 9
0
8
9
Matrice des
coefficients
Matrice
augmente
A =
1 2 1
0
2 8
4 5
9
Ab =
1 2 1
0
2 8
4 5
9
0
8
9
Solutionner un systmes dquations linaires

remplacer un systme dquations linaires par un systme quivalent plus facile
solutionner.
Oprations lmentaires sur les lignes de la matrice augmente :

1.
Remplacer une ligne par la somme delle-mme et un multiple dune autre ligne.
2.
Permuter 2 lignes.
3.
Multiplier tous les lments dune ligne par une constante non nulle.
Si les matrices augmentes des 2 systmes dquations linaires sont quivalentes, alors les
2 systmes ont le mme ensemble de solutions.
1-5
Exemple illustratif . Solutionner le problme suivant :

x1 2 x2 + x3 = 0
2 x2 8 x3 = 8
4 x1 + 5 x2 + 9 x3 = 9
1 2 1
0
2 8
4 5
9
0
8
9
2e ligne
multiplier
par 1/2
Solution :
(1) Garder x1 dans la premire quation et lliminer des 2 autres (mthode de Gauss) :
4 qn 1 :
4 x1 8 x2 + 4 x3 = 0
+ qn 3 :
-4 x1 + 5 x2 + 9 x3 = -9
-3 x2 + 13 x3 = -9
nouvelle qn 3 :
Rsultat :
x1 2 x 2 + x3
1 2 1
=0
x2 4 x3 = 4
3 x2 + 13 x3 = 9
1 4
0
4
0 3 13 9
(2) Multiplier la 2e ligne par 1/2 pour obtenir 1 comme coefficient de x2, puis liminer x2 de
lqn 3
3 qn 2 :
3 x2 12 x3 = 12
+ qn 3 :
3x2 + 13 x3 = 9
nouvelle qn 3
x3 = 3
Rsultat :
x1 2 x2 + x3 = 0
1 2
x2 4 x 3 = 4
1 4
x3 = 3
Le systme triangulaire obtenu est quivalent au systme original.
1-6
Pour obtenir la solution, nous procdons par substitution reculon :

x3 = 3
x2 = 4 + 4 x3 = 16
x1 = 0 + 2 x2 x3 = 29
Cette faon de procder sappelle lalgorithme par limination de Gauss.
Poursuite de llimination : algorithme de Jordan-Gauss

liminer x3 des qns 1 et 2 :
4 qn 3
4 x3 = 12
+ qn 2
x2 4 x 3 = 4
nouvelle qn 2 : x2
= 16
-1 qn3
+ qn 1
: x1 2 x2 + x3 = 0
nouvelle qn 1
: x1 2 x2
- x3 = -3
= -3
Rsultat :
x1 2 x2
= -3
1 -2 0
-3
x2
= 16
1 0
16
0 1
+ x3 =
(1)
liminer x2 de lqn 1 :
qn 1
x1 2 x2 = -3
+ 2 qn 2 :
2 x2 = 32
nouvelle qn 1 : x1
= 29
Rsultat final :
x1
x2
= 29
1 0 0 29
= 16
0 1 0 16
x3 = 3
0 0 1
De nouveau, nous avons obtenu un systme linaire quivalent o la substitution reculon

nest pas ncessaire.
1-7
Note numrique
Les systmes dquations linaires se solutionnent avec un ordinateur. Lalgorithme
de solution utilis se rsume principalement une mthode par limination. En gnral,
larithmtique utilise est celle point (virgule) flottant, i.e.
nombre = . d1 d2 ... dp 10 r
p = le nombre de chiffres droite du point dcimal (8 ou 16),
r = un nombre entier.
Une telle reprsentation arithmtique des nombres est inexacte cause des troncations lors
du stockage des nombres. Ainsi 1/3 nest pas un nombre exact dans lordinateur.
1.2 Transformations des lignes et matrice-chelon

Dfinition de matrice-chelon :
Une matrice rectangulaire a une forme de matrice-chelon si elle a les caractristiques suivantes :
1.
2.
3.
Toutes les lignes non nulles se trouvent au-dessus des lignes nulles.
Le premier lment non nul dune ligne se trouve dans une colonne droite du
premier lment non nul de la ligne qui la prcde.
Tous les lments dans la colonne sous le premier lment non nul dune ligne
sont nuls.
Si, en plus de ces caractristiques, une matrice rectangulaire est dite matrice-chelon
rduite si elle possde aussi les caractristiques suivantes :
4.
5.
Le premier lment non nul de chaque ligne est gal 1.

Tout premier lment non nul dune ligne est le seul lment non nul dans sa colonne.
1-8
Exemples : les matrices augmentes de lexemple prcdent, i.e.

Colonnes des pivots
1 -2 1
1 0 0 29
1 -4 4
0 1 0 16
0 0 1
matrice-chelon
matrice-chelon rduite
pivots
Thorme 1
Toute matrice est quivalente par les lignes une et une seule matrice-chelon
rduite.
Preuve. Voir Lay (2003), p. A1 dans lannexe A.
Position dun pivot : position dun lment de A qui correspond au premier lment non nul
dune ligne dans la forme chelon de A.
Colonne-pivot : colonne de A qui contient un pivot.
Algorithme pour lobtention dune matrice-chelon ( et matrice-chelon rduite) :
Soit A une matrice rectangulaire ayant m lignes et n colonnes.

1. Poser p = 1, i.e. le premier pivot.
2. Pour j = p n, trouver la premire colonne non nulle. Soit k cette colonne.
3. Pour i = p m, trouver un lment non nul (max en valeur absolue dans le cas du pivotage
partiel). Soit r cet lment.
4. Permuter les lignes p et r.
5. Pour les lignes i = p +1 m, utiliser les oprations lmentaires sur les lignes afin de
rendre les lments nuls dans la colonne k sous le pivot p.
6. Poser p = p + 1, i.e. augmenter p de 1.
1-9
7. Rpter les tapes 2 6 jusqu ce quil ny ait plus aucune ligne non nulle modifier.
8. En partant du pivot le plus droite, diviser le pivot par lui-mme pour obtenir 1 et, laide
des oprations lmentaires sur les lignes, crer des lments nuls dans la colonne contenant
ce pivot et au-dessus de ce pivot. Procder de la mme faon en progressant vers la gauche.
Exemple :
0
Matrice originale A :
3 -6
3 -7
8 -5
3 -9 12 -9
p = 1 + permutation des lignes 1 et 3 :
4 -5
8
6 15
Pivot 1
3 -9 12 -9
6 15
3 -7
8 -5
3 -6
Obtention des lments nuls sous le pivot 1 : 3 -9 12 -9
4 -5
Pivot 1
6 15
2 -4
2 -6
3 -6
4 -5
Pivot 2
Obtention des lments nuls sous le pivot 2 : 3 -9 12 -9
6 15
2 -4
2 -6
4
Pivot 2
Aucune nouvelle ligne modifier :
3 -9 12 -9
6 15
2 -4
2 -6
4
Pivot 3
Obtention de la matrice-chelon rduite :
0 -2
0 -24
(oprations lmentaires sur les lignes)
1 -2
0 -7
4
colonnes pivots
1-10
Note numrique
Dans les calculs numriques, les algorithmes de solution de systmes
dquations linaires pratiquent le pivotage partiel, i.e. ils considrent llment
en position de pivot comme nul, recherchent le plus grand en valeur absolue sous
la position du pivot et permutent les 2 lignes.
r = i pour max { | ai p |, i = p, ... , m }
permutation des lignes r et p si r p.
Solutions des systmes linaires :

Considrons le systme suivant dquations linaires :
x1 + 6 x2 + 2 x3 5 x4 2 x5 = - 4
2 x3 8 x4 x5 =
x5 = 7
Sous forme de matrice augmente,

1 6 2 -5 -2 -4
0 0 2 -8 -1
0 0 0
variables libres
Aprs avoir obtenu la forme matrice-chelon rduite,

1 6 0 3
0 0 1 -4 0
0 0 0
0 1
x1 + 6 x2
pivots
+ 3 x4
= 0
x3 4 x4
= 5
x5 = 7
variables de base
La solution gnrale prend la forme suivante :

x1 = -6 x2 - 3 x4
x2 = libre
x3 = 5 + 4x4
x4 = libre
x5 = 7
1-11
Thorme 2
Un systme dquations linaires est consistant si et seulement si la matrice des
coefficients et la matrice augmente, lorsque ramenes sous forme de matrice-chelon
rduite, ont le mme nombre de lignes non nulles.
1.3 quations vectorielles

Vecteur dans Rn : un vecteur dans Rn est un ensemble ordonn de n nombres rels qui se
reprsentent sous forme dune matrice ayant n lignes et 1 colonne, i.e.
u1
u
2
u=

u n
2 vecteurs u et v sont gaux si ui = vi pour i = 1, ..., n.

Proprits algbriques de Rn
Pour u, v, w Rn et c, d des scalaires :
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
u+v = v+u
(u + v) + w = u + (v + w)
u+0 = 0+u = u
u + (-u) = -u + u = 0
c (u + v) = c u + c v
(c + d) u = c u + d u
c (d u) = (cd) u
1u = u
Combinaisons linaires :
Soient y, v1, v2, ..., vp Rn et c1, c2, ..., cp des scalaires. Le vecteur y
y = c1 v1 + c2 v2 + ... + cp vp
est une combinaison linaire des vecteurs v1, v2, ..., vp.
1-12
Gomtrie dans R2 :
x2
Soient u, v R2.
2
6
u= , v=
2
3
4
u+v =
5
Loi du paralllogramme
u+v
u, v et (u + v) sont des points dans R2.
u
De plus,
1
0
u=2 +2
0
1
1
0
v = 6 + 3
0
1
x1
Coordonnes
x2 suivant j
Coordonnes
x1 suivant i
1
0
u et v sont des combinaisons linaires des vecteurs et .
0
1
Exemple dutilisation de combinaison linaire :

1
2
7
Soient a1 = 2 , a 2 = 5 , b = 4 dans R3.

5
6
3
Le vecteur b peut-il tre une combinaison de a1 et a2 ?
Solution :
Par dfinition,
x1 a1 + x2 a2 = b
Scalaires qui sont des

inconnues dterminer
1
2 7
x 1 2 + x 2 5 = 4
5
6 3
a1
a2
1-13
x1 + 2 x 2
2 x + 5 x =
1
2
5 x 1 + 6 x 2
x1 + 2 x 2 = 7
7
4

3
2 x1 + 5 x 2 = 4
5 x 1 + 6 x 2 = 3
Aprs transformation de ce systme dquations linaires en systme quivalent sous forme de

matrice-chelon rduite,
1 2 7
2 5 4
5 6 3
1 0 3
0 1 2
0 0 0
x 1 = 3 et
x2 = 2
Donc b est une combinaison linaire de a1 et a2, i.e.

1
3 2
5
a1
2
+ 2 5
6
a2
7
= 4
3
Une quation vectorielle de la forme

x1 a1 + x2 a2 + ... + xn an = b
a le mme ensemble de solutions que le systme linaire dont la matrice augmente
est
Ab = [ a1 a2 ... an b ]
Le vecteur b est une combinaison linaire des vecteurs a1, a2, ..., an si et seulement si
il existe une solution au systme linaire associ la matrice augmente Ab. noter
que les colonnes de A sont les vecteurs a1, a2, ..., an, et celles de Ab, a1, a2, ..., an, b.
1-14
Dfinition
Soient v1, v2, ..., vp Rn. Lensemble de toutes les combinaisons linaires
de v1, v2, ..., vp se dnote Gen { v1, v2, ..., vp } et constitue le sous-ensemble de Rn
engendr par v1, v2, ..., vp. Donc
Gen { v1, v2, ..., vp } = { y | y = c1 v1 + c2 v2 + ... + cp vp }
b { v1, v2, ..., vp } b = c1 v1 + c2 v2 + ... + cp vp
1.4 Lquation matricielle A x = b

Soit A une matrice ayant m lignes et n colonnes. Alors le produit Ax est la combinaison
linaire des colonnes de A avec les lments de x comme coefficients, i.e.
x1
x
Ax = [a1 , a 2 , ... , a n ] 2 = x1 a1 + x 2 a 2 + ... + x n a n

x n
Thorme 3
Si A est une matrice m n, dont les colonnes a1, a2, ..., an ainsi que b
sont dans Rm, alors lquation matricielle
Ax = b
a le mme ensemble de solutions que lquation vectorielle
x1 a1 + x2 a2 + ... + xn an = b
qui a son tour le mme ensemble de solutions que la matrice augmente
[ a1, a2, ... , an, b ]
Lquation Ax = b a une solution si et seulement si b est une combinaison linaire des colonnes de A.
1-15
Exemple : Est-ce que le systme dquations linaires suivant est consistant pour nimporte
quelles valeurs des lments de b ?
3
4
1
b1
A = 4 2 6 et b = b 2
3 2 7
b 3
Solution :
3 4 b1
b1
b1
1
1 3 4
1 3 4
4 2 6 b 0 14 10 b + 4b 0 14 10
b 2 + 4b1
2
2
1
0 0 0 b3 + 3b1 (b 2 + 4b1 )/2

3 2 7 b3
0 7 5 b3 + 3b1
1 3 4
b1
0 14 10
b2 + 4b1
1
0 0 0 b1 b2 + b3
2
Matrice-chelon
Ce systme dquations est consistant si b1 b2/2 + b3 = 0. Il sagit de lquation dun plan passant par lorigine dans R3. La combinaison linaire des colonnes de A gnrent un plan dans
R3.
1-16
1.5 Ensemble des solutions dun systme dquations linaires

Systme dquations linaires homogne :
Ax = 0
A : matrice m n
0
Rm
Un tel systme dquations a au moins une solution, i.e. la solution triviale x = 0. Il existe une
solution non triviale si et seulement si le systme dquations possde au moins une variable
libre.
Exemple : Dterminer si le systme dquations linaires homognes suivant possde une solution non triviale et dcrire lensemble des solutions.
3 x1 + 5 x2 4 x3 = 0
-3 x1 2 x2 + 4 x3 = 0
6 x1 +
x2 8 x3 = 0
Solution :
Il faut tout dabord ramener la matrice augmente une forme matrice-chelon :
5 4 0
3
3 5 4 0
3 5 4 0
3 2 4 0 0 3
0 0 0 3 0 0
0 9 0 0
1 8 0
6
0 0 0 0
pivots
x3 devient donc une variable libre. Obtenons la matrice-chelon rduite :
1 0 4 / 3 0
0 1
0
0
0 0
0
0
4 / 3 x3 = 0
x1
=0
x2
0 =0
Forme de la solution :
x 1 4 / 3 x 3
x = x 2 = 0 = x 3
x 3 x 3
4 / 3
0
v
paramtre
1-17
Forme paramtrique vectorielle :

Considrons le systme dquations linaires suivant et dcrire lensemble des solutions :
5 4
3
7
A = 3 2 4 et b = 1
1 8
6
4
Solution :
5 4 7
3
1 0 4 / 3 1
3 2 4 1 0 1
0
2
6
0 0
1 8 4
0
0
x = p + t v,
x2
= 2
0=0
x 1 1 + 4 / 3 x 3 1 4 / 3 x 3 1
=2+ 0 =2+x
x = x 2 =
2
3

x 3
0 x 3 0
x3
i.e.
4 / 3 x 3 = 1
x1
4 / 3
0
tR
Obtenir la solution paramtrique :

1. Rduire la matrice augmente sa matrice-chelon rduite.
2. Exprimer chaque variable de base en fonction des variables libres.
3. crire le vecteur solution x comme un vecteur dpendant des variables libres.
4. Dcomposer x en une combinaison linaire de vecteurs avec les variables
libres comme paramtres.
Thorme 6
Soit A x = b un systme dquations linaires consistant pour un vecteur
b, et soit p une solution. Alors la solution peut sexprimer comme lensemble
des vecteurs de la forme w = p + vH, o vH est une solution quelconque du systme homogne.
1-18
Ax=b
p+tv
p
Ax=0
tv
v
Interprtation gomtrique
1.6 Indpendance linaire

Dfinition
Un ensemble de vecteurs { v1, , vp } Rn est linairement indpendant
si lquation vectorielle
x1 v1 + x2 v2 + + xp vp = 0
na que la solution triviale, i.e. x = 0. Ds lors, { v1, , vp } est linairement
dpendant sil existe des constantes c1, , cp non toutes nulles de telle sorte
que
c1 v1 + c2 v2 + + cp vp = 0
1-19
Exemple : Dterminer si { v1, v2, v3 } forme un ensemble linairement indpendant et, si possible, trouver une relation de dpendance entre eux.
1
v 1 = 2 ,
3
4
v 2 = 5 ,
6
2
v 3 = 1
0
Solution :
2 0
1 4 2 0
1 4
1 0 2 0
2 5 1 0 0 3 3 0 0 1 1 0
3 6 0 0
0 0
0 0 0 0
0 0
x1
linairement dpendant
2 x3 = 0
x2 +
x3 = 0
0=0
x 1 2 x 3
x = x = x
3
2 3
x 3 x 3
2
1

1
Posons que x3 = 5, alors x1 = 10 et x2 = -5. Ds lors, une relation de dpendance linaire est
10 v1 - 5 v2 + 5 v3 = 0
Les colonnes de la matrice A sont linairement indpendantes si et seulement si
lquation vectorielle A x = 0 na que la solution triviale.
Thorme 7
Un ensemble de vecteurs { v1, , vp } est linairement dpendant si et seulement si au moins un des p vecteurs peut scrire comme une combinaison linaire des
autres.
Thorme 8
Soient p vecteurs v1, , vp Rn et p > n. Alors cet ensemble de vecteurs
est linairement dpendant. Si cet ensemble de vecteurs contient en particulier le vecteur 0, il est linairement dpendant.
1-20
x3
x2
v
w
u
x1
w est linairement dpendant de u et v.
x3
w
x2
v
u
x1
w est linairement indpendant de u et v.
1-21
1.7 Introduction aux transformations linaires

Posons que
1
4 3 1 3 1 5
2 0 5 1 1 = 8
et
1

4 3 1 3 4 0
2 0 5 1 1 = 0
La matrice A transforme le vecteur x R4 en un vecteur b R2 ou 0 R2 . Ds lors, la solution dun systme dquations linaires A x = b signifie que lon recherche tous les vecteurs
x R4 qui se transforment dans le vecteur b R2 ou 0 R2 laide de la matrice A.
Dfinition
Une transformation T de Rn Rm est une rgle qui assigne chaque vecteur
x Rn un vecteur T(x) Rm. Lensemble des vecteurs x Rn sappelle le domaine de T, tandis que lensemble des vecteurs dans Rm sappelle le co-domaine de
T. Pour chaque vecteur x Rn , le vecteur T(x) sappelle limage de x. De plus,
lensemble de toutes les images T(x) sappelle le champ de T.
champ
Rn
domaine
T(x)
Rm
co-domaine
Domaine, co-domaine et champ
1-22
Transformation matricielle
Notons que le domaine de la transformation T est Rn lorsque la matrice A possde n colonnes et que son co-domaine est Rm lorsque A possde m lignes.
Exemple :
1 3
3
3
2
Posons que A = 3
5 , u = , b = 2 , c = 2
1
1 7
5
5
et
1 3
x 1 3x 2
x1
T ( x) = A x = 3
5 = 3x 1 + 5x 2
x
1 7 2 x 1 + 7 x 2
(a)
Trouver limage T(u).
(b)
Trouver un x R2 dont l'image est b.
(c)
Y a-t-il plus dun x dont limage est b ?
(d)
Dterminer si c est dans le champ de la transformation T ?
Solution :
(a)
1 3
5
2
T (u) = A u = 3
5 = 1
1
1 7 9
(b)
Il sagit de solutionner A x = b i.e.

1 3
3
1 3 3
1 0 1.5
x1
3
5 = 2 3
5
2 0 1 0.5
x
1 7 2 5
1 7 5
0 0
0
Matrice augmente
Matrice-chelon
rduite
1.5
Ds lors, x1 = 1.5 et x2 = -0.5, donc b est limage de x =
0.5
(c)
Tout vecteur x dont limage serait b doit vrifier la relation de (b). Il est clair que la
solution est unique. Pourquoi ?
1-23
(d)
Si le vecteur c se trouve dans le champ de T, alors c doit vrifier c = T(x). Ds lors,

3
1 3 3
1 3
3
5 2 0 1
2
1 7 5
0 0 35
Matrice
augmente
Matrice-chelon
Ce systme dquations est inconsistant, car il aurait fallu que la dernire ligne soit entirement nulle. Donc c champ de T(x).
Dfinition
Une transformation est linaire si
(1)
T(u + v) = T(u) + T(v) pour tout u, v dans le domaine de T.
(2)
T(cu) = c T(u) pour tout u et tous les scalaires c.
Ds lors,
T(0) = 0
T(cu + dv) = cT(u) + dT(v)
Pour tous les vecteurs u et v dans le domaine de T et tous les scalaires c, d.
1.8 La matrice dune transformation linaire

Les caractristiques dune transformation linaire T sont troitement lies celles de la
matrice A de la transformation. Par exemple, posons que
1 0
I2 =
0 1
Matrice
identit
e1
e2
1-24
Supposons maintenant une transformation linaire T de R2 R3 telle que

5
3
T (e 1 ) = 7 et T (e 2 ) = 8
2
0
Sans aucune information additionnelle, trouver une formule pour limage dun x arbitraire dans
R2.
Solution :
x
x = 1 = x1
x 2
1
0 + x 2

0
1 = x 1 e 1 + x 2 e 2

5
T (x) = x 1 T (e 1 ) + x 2 T (e 2 ) = x 1 7 + x 2
2
3 5x 1 3x 2
8 = 7 x + 8x
1
2

0 2x 1 + 0
5 3
x1
x
T (x) = [T (e 1 ) , T (e 2 )] = Ax = 7 8 1
x
x 2
2
0 2
Matrice de la
transformation
Thorme 10
Soit T : Rn Rm une transformation linaire. Il existe une matrice
unique A de telle sorte que
T(x) = Ax x R n
Les colonnes de A sont T(e1), ..., T(en), o ej est la jme colonne de la
matrice identit In dans Rn.
La matrice A sappelle la matrice standard de la transformation linaire.
1-25
Exemple : Trouver A pour la dilatation T(x) = 3x dans R2.

3x
3 0 x 1
1
0
T ( x ) = 1 = 3 + 3 = [T (e 1 ) , T (e 2 )] x =

0 3 x 2
0
1
3x 2
A
Transformations linaires dans R2 :
Transformations linaires : rflexion
x2
1 0
A=
0 1
(1 , 1)
x1
Image dun
carr
(1 , -1)
(a) rflexion par laxe x1
1 0
A=
0 1
(-1 , 1)
x2
Image dun
carr
(1 , 1)
x1
(b) rflexion par laxe x2
1-26
x2
x2 = -x1
0 1
A=
1 0
(1 , 1)
x1
(-1 , -1)
Image dun
carr
(c) rflexion par la droite
x2 = -x1
x2
1 0
A=
0 1
(1 , 1)
.
(-1 , -1)
x1
Image dun
carr
(d) rflexion par l origine
1-27
Transformations linaires : contraction et expansion

Image dun
k 0
x2
x2
A
=
0 1
carr
(k , 1)
(k , 1)
0<k<1
k>1
x1
x1
x2
x2
(1 , k)
k>1
1 0
A=
0 k
(1 , k)
0<k<1
x1
x1
Transformations linaires : cisaillement
.
.
.x
k
x2
Image dun
carr
x2
1 k
A=
0 1
.
k
x1
x2
.
.
k<0
x1
x1
1 0
A=
k 1
.
x1
k>0
1-28
Transformations linaires : projections
x2
x2
projection sur laxe x1
x1
projection sur laxe x2
1 0
A=
0 0
Image dun
carr
0 0
A=
0 1
x1
Dfinition
Une application T : Rn Rm est dite sur Rm si chaque b Rm est
limage dau moins un x Rn.
Une application T : Rn Rm est dite univoque si chaque b Rm est
limage de tout au plus un seul x Rn.
Thorme 11
Soit une transformation linaire T : Rn Rm . Alors T est univoque si et
seulement si lquation T(x) = 0 na que la solution triviale.
Thorme 12
Soit une transformation linaire T : Rn Rm et soit A une matrice standard. Alors
a) T transforme Rn sur Rm si et seulement si les colonnes de A gnrent
Rm.
b) T est univoque si et seulement si les colonnes de A sont linairement
indpendantes.
1-29
Exemple : Soit T(x1, x2) = (3x1 + x2, 5x1 + 7x2, x1 + 3x2). Dmontrer quil sagit dune transformation univoque. Application de R2 sur R3 ?
Solution :
3 1
3x 1 + x 2
5 7 x 1 = 5x + 7 x
2
x 1
2
1 3
x 1 + x 2
Il sagit dune transformation linaire. De plus, les colonnes de A sont linairement indpendantes. En effet, la seule faon que b = 0 est que la solution soit triviale.
1.9 Comparaison des diffrents algorithmes de solution d'un systme

d'quations linaires
Comme les ordinateurs sont limits quant au nombre de dcimales ou de chiffres significatifs
qu'ils peuvent accommoder, ils doivent tronquer la plupart des quantits numriques. Par
exemple, la reprsentation de 2/3 dans un ordinateur utilisant 8 chiffres seulement sera
0.66666666 ou 0.66666667, ce qui entrane une erreur de troncation. Une des considrations
dans l'utilisation d'un algorithme pour la solution d'un systme d'quations linaires est l'obtention du temps minimal. cela doit s'ajouter la minimisation des erreurs de troncation. Ds lors,
un algorithme se doit d'utiliser le nombre minimal d'oprations arithmtiques pour y parvenir.
Le tableau ci-dessous indique le nombre d'oprations (additions/soustractions et multiplications/divisions) ncessaires pour diffrents algorithmes.
Mthode
Solutionner Ax = b par Jordan-Gauss
Nombre d'additions (+ et -)
Nombre de multiplications (x et /)
n3 n 2 5n
+
3
2
6
n3
n
+ n2
3
3
Solutionner Ax = b par Gauss
n3 n2 5 n
+
3
2
6
n3
n
+ n2
3
3
Trouver A-1 en rduisant

[ A | I ] [ I | A-1 ]
Solutionner Ax = b par x = A-1b
n3 2 n 2 + n
n3
Trouver det (A) par transformation lmentaires sur les lignes

Solutionner Ax = b par la rgle de Cramer
n3 n 2
3
n3 + n 2
3
n
n
n
+
3
2 6
n
2n
+
1
3
3
n 4 n3 n 2 n
+
3
6
3 6
n4 n3 2 n2 2 n
+
+
+
1
3
3
3
3
1-30
Lorsque la matrice est volumineuse, i.e. la valeur de n est grande, il est alors possible d'obtenir
une approximation le nombre d'oprations arithmtiques l'aide des formules suivantes :
Mthode
Solutionner Ax = b par Jordan-Gauss
Nombre d'additions (+ et -)
Nombre de multiplications (x et /)
n3
3
n3
3
Solutionner Ax = b par Gauss
n3
3
n3
3
Trouver A-1 en rduisant

[ A | I ] [ I | A-1 ]
Solutionner Ax = b par x = A-1b
n3
n3
n3
n3
Trouver det (A) par transformation lmentaires sur les lignes
n
3
n3
3
Solutionner Ax = b par la rgle de Cramer
n4
3
n4
3
Il est facile de conclure que les algorithmes de Gauss et Jordan-Gauss sont les plus performants.
1-31

Problme 1 (Lay, #11, p. 11). Solutionner le systme dquations suivant :
x2 + 4 x3 = 5
x1 + 3x2 + 5 x3 = 2
Rp. : Systme inconsistant
3x1 + 7 x2 + 7 x3 = 6
Problme 2 (Lay, #13, p. 11). Solutionner le systme dquations suivant :
x1
3x3 = 8
2 x1 + 2 x2 + 9 x3 = 7 Rp. : x = (5,3, -1)

x2 + 5 x3 = 2
Problme 3 (Lay, #19, p. 12). Trouver la valeur de h pour que le systme dquations soit consistant,
la matrice tant augmente, i.e.
1 h 4
Ab =
3 6 8
Rp. : h 2
Problme 4 (Lay, #25, p. 12). Trouver une quation impliquant g, h et k pour que le systme
dquations soit consistant.
1 4 7 g
Ab = 0
3 5 h
2 5 9 k
Rp. : k + 2 g + h = 0
Problme 5 (Lay, #7, p. 25). Trouver la solution gnrale de

1 3 4 7
Ab =
Rp. : x1 = -5 3x2, x2 libre, x3 = 3
3 9 7 6
Problme 6 (Lay, #13, p. 25). Trouver la solution gnrale de
1 3 0 1 0 2
0 1 0 0 4 1
Ab =
0 0 0 1 9
4
0
0 0 0 0 0
Rp. : x1 = 5 + 3 x5 , x2 = 1 + 4 x5 , x3 libre, x4 = 4 9 x5 , x5 libre
1-32
Problme 7 (Lay, #19, p. 26). Choisir h et k de telle sorte que le systme dquations ci-dessous
ne possde pas de solution
possde une solution unique
possde plusieurs solutions
x1 + h x2 = 2
4 x1 + 8 x2 = k
Inconsistant : h = 2, k 8
Une solution : h 2
Plusieurs solutions : h = 2, k = 8
Problme 8 (Lay, #13, p. 38). Dterminer si b est une combinaison linaire des colonnes de A.
1 4 2
3
A=0
3 5 , b = 7 Rp. : non

2 8 4
3
2
2
Problme 9 (Lay, #13, p. 25). Considrons les vecteurs u et v suivants : u = , v = . Montrer
1
1
h
que tout vecteur de la forme b = se trouve dans lensemble Gn {u, v} peu importe les vak
leurs de h et k.
Problme 10 (Lay, #29 et 30, p. 39). Considrons k masses ponctuelles m1, m2, , mk places aux
points v1, v2, , vk respectivement. La masse totale du systme des masses ponctuelles est :
j
m = m1 + m2 + + mk = m j
j =1
Le centre de gravit ou centre de masse du systme devient :

1
1 k
v = [m1v1 + m2 v 2 + + mk v k ] = m j v j
m
m j =1
Calculer le centre de gravit du systme suivant :
5
4
4
9
v1 = 4 , v 2 = 3 , v 3 = 3 , v 4 = 8

3
2
1
6
m1 = 2 g , m2 = 5 g , m3 = 2 g , m4 = 1 g
Est-ce que le centre de gravit de ce systme de points se trouve dans {v1 v 2 v 3 v 4} ? Justifier la rponse.
1-33
Problme 11 (Lay, #5,

rielle.
p. 47).
crire lquation matricielle suivante sous forme dquation vecto5

5 1 8 4 1 8
2 7 3 5 3 = 16
p. 47).
crire sous forme dquation vectorielle et sous forme matricielle :

3x1 + x2 5 x3 = 9
x2 + 4 x3 = 0
Problme 13 (Lay, #23 et 24, p. 48). Dterminer si ces noncs sont vrais ou faux. Justifier la rponse.
Lquation Ax = b sappelle une quation vectorielle. Faux
Le vecteur b est une combinaison linaire des colonnes de A ssi Ax = b possde au moins
une solution. Vrai
Lquation Ax = b est consistante si la matrice augmente A b = [ A, b ] a un pivot dans
chaque ligne. Faux
Si A est une matrice m n et si A gnre Rm, alors A ne peut avoir un pivot dans chaque
ligne. Faux
Toute combinaison linaire de vecteurs peut toujours scrire dans la forme Ax = b pour
une forme approprie de A et de b. Vrai
Si A est une matrice m n et si A ne gnre pas Rm, alors lquation Ax = b est inconsistante pour des vecteurs b R m Vrai
Problme 14 (Lay, #39 et 41, p. 49). laide de MATLAB, dterminer si les colonnes de la matrice
suivante peuvent engendrer R4. Y a-t-il possibilit de retirer une colonne de A et de toujours
pouvoir engendrer R4 ?
12 7 11 9 5
9 4 8 7 3
A=
6 11 7 3 9
4 6 10 5 12
Problme 15 (Lay, #12, p. 55). Dcrire les solutions de lquation Ax = 0 dans la forme paramtrique, la matrice ci-dessous tant une forme quivalente de ladite matrice A.
1-34
1
0
5 2 6 9
0
0 1 7 4 8
0 0 0 0 1
0 0 0 0 0

b:
p. 55).
5
8
1
1
0
0

0
7
4
Rp. : x = x2 + x4 + x5
0
1
0
0
0
1

0
0
0
Trouver lquation paramtrique de la droite passant par a et parallle

2
5
a = , b =
0
3
Rp. : x = a + tb
Problme 17 (Lay, #23 et 24, p. 55). Dterminer si ces noncs sont vrais ou faux. Justifier la rponse.
Une quation Ax = 0 est toujours consistante. Vrai
Lquation x = p + tv dcrit une droite passant par v et parallle p. Faux
Si x est une solution non triviale de Ax = 0 , alors chacun des lments de x est non nul.
Faux
Problme 18 (Lay, #33 et 34, p. 56). Pour les 2 matrices suivantes, trouver une solution non triviale de
lquation Ax = 0 par simple inspection.
2 6 4 6
7 21 , 8 12
3 9 6 9
3
Rp. : 1re matrice : x =
1
3
2me matrice : x =
2
Problme 19 (Lay, #1, 2 et 8, p. 71). Dterminer si ces 3 ensembles de vecteurs sont linairement indpendants. Mme question pour les colonnes de la matrice. Justifier la rponse.
5 7 9
0 0 3
1 3 3 2
a) 0 , 2 , 4
b) 0 , 5 , 4
c ) 3 7 1 2

0 6 8
8 8 1
0 1 4 3
Rp. : a) Oui, b) Oui, c) Non
1-35
Problme 20 (Lay, #41, p. 72). laide de MATLAB, trouver un ensemble de vecteurs linairement
indpendant avec les colonnes de A.
8 3 0 7 2
9 4 5 11 7
A=
6 2 2 4 4
5 1 7 0 10
Problme 21 (Lay, #3, p. 80). Soit T ( x ) = Ax . Trouver un vecteur x dont limage sous T est b.
Est-ce que ce vecteur est unique ?
0 2
1
1
3
A = 2 1
6 , b= 7
Rp. : x = 1 unique

3 2 5
3
2
Problme 22 (Lay, #9, p. 80). Trouver tous les vecteurs x R 4 dont limage est le vecteur 0 pour la
transformation linaire suivante :
9
7
1 4 7 5
4
3
x Ax, A = 0 1 4 3 Rp. : x = x3 + x4
1
0
2 6 6 4

0
1
Problme 23 (Lay, #13 et 16, p. 80). Utiliser un systme cartsien pour tracer les 2 points u et v suivants ainsi que limage de ces points sous les transformations T1 et T2 :
1 0
0 1
5
2
T1 ( x ) =
, T2 ( x ) =
, u = , v =
0 1
1 0
2
4
Problme 24 (Lay, #27, p. 81). Montrer que la droite passant par les points p et q de Rn peut scrire
dans la forme paramtrique (1 t ) p + tq . Le segment de droite de p vers q est lensemble de
points pour 0 t 1 . Montrer que la transformation linaire T(x) transforme ce segment de
droite soit en un segment de droite soit en un seul point.
Problme 25 (Lay, #1, 3 et 4, p. 90). Soit T(x) une transformation linaire. Trouver la matrice standard de T(x) pour les cas suivants :
1) T : R 2 R 4 , T ( e1 ) = ( 3 1 3 1) et T ( e 2 ) = ( 5 2 0 0 )
2) T : R 2 R 2 qui effectue une rotation de 3/2 dans le sens antihoraire autour de
lorigine.
3) T : R 2 R 2 qui effectue une rotation de /4 dans le sens horaire autour de lorigine.
1-36
Problme 26 (Lay, #10, p. 90). Trouver la matrice de la transformation linaire T : R 2 R 2 qui, en

premier lieu, rflchit les points travers laxe vertical x2, puis effectue une rotation de /2 dans
le sens horaire.
0 1
Rp. : T =
1 0
p. 90).
Trouver les termes qui manquent dans la matrice suivante :

? ? ? x1 3x1 2 x3
? ? ? x =
4 x1
? ? ? x3 x1 x2 + x3
Problme 28 (Lay, #37 et 39, p. 91-92). laide de MATLAB, dterminer si les matrices suivantes sont
des transformations biunivoques :
5
4 7 3 7
5 10 5 4
6 8 5 12 8
8
3 4 7
, 7 10 8 9 14
4 9 5 3
3 5 4 2 6
3 2 5 4
5 6 6 7 3
Remarque. Matrice lmentaire de rotation :
cos sin
R=
avec dans le sens antihoraire
sin cos
Pour une rotation dans le sens horaire, il faut remplacer par - .
2-1
Chapitre 2
Algbre des matrices
Matriser les oprations matricielles
Approfondir la notion de matrice inverse
Caractriser une matrice inverse
Savoir obtenir la dcomposition LU dune matrice
Notions sur la solution itrative dun systme dquation
Application au graphisme
2-2
Chapitre 2
Algbre des matrices
Introduction
Exemple de lindustrie automobile avec la CAO et FAO.
2.1 Oprations matricielles

Notation :
Soit la matrice A ayant m lignes et n colonnes. Les colonnes de A sont des vecteurs
dans Rm. Ds lors
A = [a 1 , a 2 ,..., a n ]
a 11 a 1 j a 1n

A = a i1 a ij a in

a m1 a mj a mn
ligne i
colonne j
Matrice diagonale D
Matrice nulle 0
a ij = 0 i j
a ij = 0 i, j
Addition, soustraction et multiplication par un scalaire :

r a
rA = 11
r a 21
r a 12
multiplication par un scalaire r
r a 22
a + b
A + B = 11 11
a 21 + b 21
a 12 + b12
addition de 2 matrices
a 22 + b 22
a b
A B = 11 11
a 21 b 21
a 12 b12
a 22 b 22
2-3
Thorme 1
Soient A, B et C des matrices de mme dimension, et soient r et s des scalaires. Ds lors,
(a) A + B = B + A
(b) (A + B) + C = A + (B + C)
(c) A + 0 = A
(d) r (A + B) = r A + r B
(e) (r + s) A = r A + s A
(f) r (s A) = (r s) A
Multiplication matricielle :
(1)
Multiplication
par B
(2)
Multiplication
par A
.Bx
.
A (Bx)
Multiplication par AB
Multiplication matricielle
Dfinition : Soient A une matrice m n et B une matrice n p, ainsi que x = (x1, , xp).
Soient b1, , bp les colonnes de B. Alors le produit matriciel AB est la matrice m p dont
les colonnes sont Ab1, , Abp. Ds lors,
AB = A [b1 b p ] = [Ab1 Abp ]
(2.1)
2-4
Exemple 1 : Calculer le produit matriciel AB avec
2 3
4 3 6
A=
et B =
.
1 5
1 2 3
Solution :
Posons que B = [ b1, b2, b3 ].

2 3 4 11
A b1 =
=
1 5 1 1
2 3 3 0
A b2 =
=
1 5 2 13
AB = A [b 1
b2
2 3 6 21
A b3 =
=
1 5 3 9
11 0 21
b3 ]=
1 13 9
Noter que A b1 est une combinaison linaire des colonnes de A avec les lments de b1
comme coefficients.
Exemple 2 : Soient A une matrice 3 5 et B une matrice 5 2. Dterminer si AB et BA
sont dfinis.
Solution :
B
A
* * * * *
* * * * *
* * * * *
35
*
*
*
*
AB
*
*
* *
* = * *
*
* *
*
52
32
Compatibilit
Dimension de AB
Produit BA non dfini, car B a 2 colonnes et A 3 lignes.
2-5
Rgle de calcul de AB :
Si le produit AB est dfini, les lments de C = AB sobtiennent de la faon suivante :
cij = produit de la ime ligne de A avec la jme colonne de B
n
i.e.
c ij = a ik b kj , n tant le nombre de colonnes de A.

k =1
Thorme 2 :
Soient A, B et C des matrices dont les dimensions rendent compatibles les

produits matriciels. Ds lors,
a)
A (BC) = (AB) C
(associativit)
b)
A (B + C) = AB + AC
(distributivit par la gauche)
c)
(B + C) A = BA + CA
(distributivit par la droite)
d)
r (AB) = (rA) B = A (rB)
(multiplication par un scalaire r)
e)
In A = A = A In
(identit pour la multiplication matricielle)
Remarques :
En gnral, AB BA.
Si AB = AC, en gnral B C.
AB = 0 ne permet pas de conclure que A ou B = 0.
Puissances dune matrice :
Ak = A A
k fois
Matrice transpose dune matrice :

Soit une matrice A de grandeur m n. La matrice transpose AT de A obtenue lorsque
les colonnes de A deviennent les lignes de AT.
2-6
Exemple :
5 2
5 1 0
B = 1 3 B T =
2 3 5
0
4
Thorme 3 :
Soient des matrices A et B dont les dimensions sont appropries. Ds
lors,
a)
b)
c)
d)
(AT)T = A
(A + B)T = AT + BT
(r AT) = r AT
(AB)T = BT AT
2.2 Matrice inverse

1
a = a a 1 = a b = 1 b = a 1
a
b = linverse de a
Mme raisonnement pour une matrice :
A B = B A = A A 1 = A 1A = I
(2.2)
B = la matrice inverse de A se note A-1
Exemple : Considrons les 2 matrices suivantes :
5
2
7 5
A=
et C =
2
3 7
3
Que reprsente C par rapport A ?
Solution :
2-7
5 7 5 1
2
=
AC =
2 0
3 7 3
5 1
7 5 2
CA =
=
2 3 7 0
3
0
1
0
1
Donc C = A-1.
Pour une matrice 22, il existe une formule simple pour calculer son inverse et dceler si cette
inverse existe.
Thorme 4
a b
Soit A =
. Si (ad bc) 0, alors A a une inverse et cette inverse
c d
sobtient laide de
1 d b
.
(2.3)
A 1 =
ad bc c a
Si (ad bc) = 0, alors A na pas dinverse.
Remarque. Le dnominateur (ad bc) sappelle le dterminant de A.
Importance de lexistence dune inverse :
Thorme 5
Si une matrice A n n a une inverse, alors, pour chaque b Rn, lquation
Ax = b possde une solution unique donne par x = A-1 b.
Exemple : Poutre horizontale.
Une poutre horizontale est supporte en ses 2 extrmits et est soumise 3 charges concentres aux points 1, 2 et 3 comme le montre la fig. ci-dessous. Daprs la loi de Hooke,
y=Df
-1
D = matrice de flexibilit, et D
et D
-1
= la matrice de rigidit. La signification des colonnes de D
est dcrite ci-dessous.
2-8
f1
f2
y1
y2
f3
y3
La force f = (1, 0, 0) correspond une seule force unitaire vers le bas au point 1. La dflexion
correspondante est le vecteur
1
y = D f = [d 1 d 2 d 3 ] 0 = 1 d 1 + 0 d 2 + 0 d 3 = d 1
0
Ds lors, la 1re colonne d1 donne les dflexions causes par une force unitaire au point 1. Une
interprtation similaire prvaut pour les autres colonnes de D.
Posons que D-1 = [w1 w2 w3] et considrons la dflexion y = (1, 0, 0). Ds lors,
1
f = D y = [w 1 w 2 w 3 ] 0 = 1 w 1 + 0 w 2 + 0 w 3 = w 1
0
1
La 1re colonne w1 de D1 donne les forces qui doivent tre appliques aux 3 points afin de
produire une dflexion unitaire au point 1 et des dflexions nulles aux 2 autres points.
Thorme 6
a) Si A est inversible, alors A-1 aussi est inversible.
b) Si A et B sont 2 matrices n n et inversibles, alors AB aussi est inversible et
( AB) 1 = B 1A 1
(2.4)
c) Si A est inversible, alors AT aussi, et
( A T ) 1 = ( A 1 ) T
(2.5)
2-9
Matrices lmentaires :
Une matrice lmentaire est la matrice obtenue en pratiquant une seule opration lmentaire sur les lignes dune matrice identit I. Les 3 types doprations lmentaires sont :
(1) permuter 2 lignes : Eij
(2) multiplier une ligne par un scalaire s 0 : Ei(s)
(3) additionner la ime ligne s fois la ligne j : Ei(sj)
Exemples : Soit les matrices suivantes :
1 0 0
0 1 0
1 0 0
E 3 (4 1) = 0 1 0 E12 = 1 0 0 E 3 (5) = 0 1 0
4 0 1
0 0 1
0 0 5
a b c
A = d e f
g h i
b
c
a
d e f
a b c
E 3 (4 1) A = d
e
f , E12 A = a b c , E 3 (5) A = d e f
g 4a h 4b i 4c
g h i
5g 5h 5i
Les matrices lmentaires sont inversibles :

(1) E ij E ij = I E ij1 = E ij
(2.6)
1
1
(2) E i E i (s ) = I E i1 (s) = E i
s
s
(2.7)
(3) E i (s j)E i (s j) = I E i1 (s j) = E i (s j)
(2.8)
Thorme 7
Une matrice A n n est inversible si et seulement si A est quivalente par les
lignes In. La suite doprations lmentaires sur les lignes qui transforment A en In,
transforment aussi In en A-1.
2-10
Dmonstration
Supposons que A soit inversible. Alors Ax = b a une solution pour chaque vecteur b
(Thorme 5). Donc A possde un pivot dans chaque ligne. A tant carre, les n pivots se
trouvent sur la diagonale principale. La matrice-chelon rduite de A est In.
Supposons maintenant que A In. Chaque opration lmentaire sur les lignes de A correspond la pr-multiplication de A par une matrice lmentaire E. Ds lors,
A E1A E2 E1A Ep E2 E1A = A 1A = I n
Comme les matrices lmentaires sont inversibles,
(E p E1 )1 (E p E1 ) = (E p E1 )1 I n
A = E p E 1 1
(2.9)
C.Q.F.D.
Algorithme pour trouver A-1
Rduire la matrice augmente [A I] une matrice-chelon rduite.

Si A est quivalente la matrice-chelon rduite I, alors [A I] est quivalente par
les lignes [I A-1].
0 1 2
Exemple : Trouver la matrice inverse de A = 1 0 3 .
4 3 8
2-11
Solution :
0 1
1 0
4 3
1 0
0 1
0 0
2 1 0 0 1 0
3 0 1 0 0 1

8 0 0 1 4 3
3 0 1 0 1 0
2 1 0 0 0 1

2 3 4 1 0 0
3 0 1 0 1 0 3
2 1 0 0 0 1 2

8 0 0 1 0 3 4
3 0
1
0 1 0
2 1
0
0 0 1

1 3 / 2 2 1 / 2 0 0
0 1 0
1 0 0
0 4 1
0 9 / 2
0
2
1
3/ 2
3 / 2
1
2 1 / 2
7
4
9 / 2 7 3 / 2
A = 2
4
1
3 / 2 2 1 / 2
1
Autre faon de voir linversion :

In = [e1 e2 en]
AI = [A e1 e2 en ]
Il sagit de la solution simultanment dun systme de n quations linaires.
2.3 Caractrisation des matrices inverses

Thorme 8
a.
b.
c.
d.
e.
f.
g.
h.
i.
j.
k.
l.
Soit A une matrice n n. Les noncs suivants sont tous vrais ou tous faux.
A est inversible.
A est quivalente par les lignes In.
A a n pivots.
Ax = 0 na que la solution triviale.
Les colonnes de A forment un ensemble linairement indpendant.
La transformation linaire x Ax est injective .
Ax = b a au moins une solution pour chaque b Rn.
Les colonnes de A engendrent Rn.
La transformation linaire x Ax transforme de Rn Rn.
C n n CA = I
D n n AD = I
AT est inversible.
2-12
Soient A et B 2 matrices carrs de mme dimension. Alors, si AB = I, A et B sont inversibles et B = A-1 ainsi que A = B-1.
0 2
1
Exemple : Dterminer si A = 3
1 2 est inversible.
5 1 9
Solution : Il est suffisant de montrer que la matrice A sous forme de matrice-chelon contient
3 pivots.
1 0 2 1 0 2
A 0 1
4 0 1 4
0 1 1 0 0 3
C.Q.F.D.
pivots
2.4 Dcomposition LU dune matrice

La dcomposition dune matrice consiste exprimer cette matrice en un produit de 2 ou
plusieurs matrices.
La dcomposition
LU
permet de solutionner une suite de systmes
dquations linaires ayant la mme matrice des coefficients sans avoir transformer la matrice
A chaque solution. Supposons en premier lieu que la matrice A puisse tre ramene la
forme chelon sans permutation de lignes. Alors la matrice m n A peut tre dcompose
dans la forme LU, i.e.
1
*
A=
*
0
1
*
*
L
0
0
1
*
0 a
0 0
0 0
1 0
*
b
0
0
*
*
0
0
*
*
c
0
*
*
*
(2.10)
U gnrale quelconque
L = une matrice triangulaire infrieure m m avec des 1 sur la diagonale principale,

U = une matrice-chelon m n de A.
2-13
La matrice L est inversible et porte le nom de matrice triangulaire infrieure unitaire.
Motivation :
A = LU
L (Ux ) = b
y = Ux
Ly = b
Ux = y
(2.11)
Il ne faut pas oublier que L et U sont triangulaires si A est une n n.
Exemple : La dcomposition LU de A tant connue, solutionner Ax = b lorsque

9
5
b= .
7

11
Solution :
0
3 7 2 2 1
3 5
1
0 1 1
A = LU =
=
6 4 0 5 2 5

9 5 5 12 3 8
0
1
1 1
[L b] =
2 5
3 8
0 0 9 1
0 0 5 0
1 0 7 0

3 1 11 0
0 0 3 7 2 2
0 0 0 2 1 2
1 0 0 0 1 1
3 1 0 0
0 1
0 0 0 9
1 0 0 4
= [I y ]
0 1 0 5
0 0 1 1
3 7 2 2 9 1 0
0 2 1 2 4 0 1
[U y ] =
0 0 1 1
5 0 0

0 1 1 0 0
0 0
3
3
4
0 0 4
x=
6
1 0 6

0 1 1
1
0 0
2-14
Algorithme pour la dcomposition LU :
Supposons que la matrice A puisse tre ramene la forme chelon sans permutation de
lignes. Ds lors, A peut tre ramene la forme U par des remplacements de lignes grce
laddition de multiple dune ligne sous la ligne contenant le pivot. Donc
(Ep E1) A = U
(2.12)
A = (Ep E1)-1 U = LU
L = (Ep E1)-1
(2.13)
Car le produit de matrices triangulaires infrieures est aussi une matrice triangulaire infrieure.
Exemple : Trouver la dcomposition LU pour

4 1 5 2
2
4 5 3 8 1
.
A=
2 5 4 1
8
7 3 1
6 0
Solution :
Comme A possde 4 lignes, L est une matrice 4 4. Ainsi
2 4 1 5 2 2 4 1 5
( 4 / 2 ) 4 5 3 8 1 0 3 1 2
( 2 / 2) 2 5 4 1 8 0 9 3 4

(6 / 2) 6 0 7 3 1 0 12 4 12
1
1
2
L=
1
2
3
10
0 0 0
1 0 0
* 1 0
* * 1
La 1re colonne de L = la 1re colonne de A divise par a11 = 2.

Notons que, sous a11, il sagit des coefficients ayant permis dobtenir
des zros sous a11 mais en signe contraire.
2-15
2 4 1 5
(1) 0 3 1 2
A
( 9 / 3) 0 9 3 4
( 12 / 3) 0 12 4 12
0
1
2 1
L=
1 3
3 4
0 0
0 0
1 0
2 1
2
2
0
3
10
(1) 0
5 ( 4 / 2) 0
2
0
U=
0
4 1 5 2
2
0
3 1 2 3

0 0 2 1
0
0 0 4 7 (1) 0
4 1 5 2
3 1 2 3
0 0 2 1
0 0 0 5
4 1 5 2
3 1 2 3
0 0 2 1
0 0 0 5
Pour vrification, le produit LU redonne la matrice A originale.
Dans la pratique, il y a permutation des lignes afin de permettre le pivotage partiel pour
obtenir comme pivot le terme avec la valeur absolue la plus grande. Il faut alors modifier la dcomposition LU en consquence pour tenir compte des permutations.
Exemple : Obtenir la dcomposition LU pour la matrice suivante :

1 1 5 8 7
2 1 4 9
1
A=
4
8 4 0 8
3
0 5 3
2
Solution :
( 1 / 4 ) 1
1 5 8 7 ( 3 / 3) 0 3 6 8 5 (1 / 2 ) 0
0
(2 / 4) 2 1 4 9 1
(1) 0 3 6 9 3
A=
(1) 4 8 4 0 8
4 8 4 0 8
4
( 2 / 4 ) 2 3 0 5 3 (1 / 3) 0 1 2 5 7 (1) 0
a
(1) 0
0

4
0 0
1 8
3 6 9 3
8 4 0 8
0 0 2 6
c
0 0
0 5
3 6 9 3
=V
8 4 0 8
0 0 2 6
d
2-16
Dnotons par V la matrice-chelon permute obtenue ci-dessus. Permutons maintenant V
pour obtenir la matrice-chelon U. De plus, crons L*.
4
0
U=
0
8 4
8
3 6 9 3
0 0 2 6
0 0
0 5
0
1 1/ 2
1/ 4
1 / 2
1
0
L* =
1
0
0
1
1/ 2 1/ 3
1 1/ 2
1/ 4
1 / 2
1
0
L*U =
1
0
0
1
1/ 2 1/ 3
1 4
0 0
0 0
0 0
8 4
1
0
0
8 1 1 5 8 7
3 6 9 3 2 1 4 9
1
=
.
0 0 2 6 4
8 4 0 8

0 0
0 5 2
3
0 5 3
0
Notons que la matrice L* est construite de telle sorte que les oprations qui permettent de rduire
A vers V permettent aussi de rduire L* vers une matrice identit permute P. Ainsi pour ramener la matrice L* ci-dessus une matrice triangulaire infrieure unitaire L, il faut la prmultiplier par la matrice de permutation obtenue du produit des 2 matrices de permutation ncessaires pour obtenir les pivots pendant les calculs de la matrice-chelon, i.e. PA = LU.
2.5 Solutions itratives de systmes dquations linaires

Supposons que la matrice A soit inversible.
But dune mthode itrative : produire une suite de vecteurs x(0), x(1), , x(k), qui
converge vers la solution unique de Ax = b. Convergence signifie que x(k) tend vers x
lorsque k est grand.
Supposons que A puisse scrire dans la forme A = M N. Ds lors,

(k)
Si la suite des x
Mx = Nx + b
(2.13)
Mx(k + 1) = Nx(k) + b (k = 0, 1, )
(2.14)
vrifie
et si cette suite converge vers x*, alors il peut tre dmontr que Ax* = b.
2-17
Mthode de Jacobi :
0
0
0
a 11
0 a
0
22 0
Hypothse : les lments de la diagonale principale D =

sont non nuls.

0
0 a nn
0
Pour la mthode de Jacobi,
D x(k + 1) = (D A) x(k) + b
(k = 0, 1, )
(2.15)
Il faut fournir le vecteur de dpart x(0).
Exemple : Appliquer la mthode de Jacobi au problme suivant :

10x 1 +
x 2 x 3 = 18
x 1 + 15x 2 + x 3 = 12
x1 +
x 2 + 20x 3 = 17
Solution :
10 0 0 y1 0 1 1 x 1 18
0 15 0 y = 1 0 1 x + 12
2
2
0 0 20 y 3 1 1 0 x 3 17
x(k+1)
x(k
(D A)
Ce systme peut se rcrire ainsi :

y1 = ( x2 + x3 + 18) / 10
y2 = ( x1 x3 12) / 15
y3 = (x1 x2 + 17) / 20
Itration k
x(k)
x1
1,8
1,965
1,9957
1,9993
1,9999
2,0000
x2
-0,8
-0.965
-0,9963
-0,9995
-0,9999
-1,0000
x3
0,85
0,980
0,9971
0,9996
0,9999
1,0000
2-18
Une fois x(1) calcul, on utilise les valeurs de x(1) droite de lquation pour obtenir x(2), et ainsi de suite jusqu ce que la prcision dsire soit atteinte.
Mthode de Gauss-Seidel :
La matrice A est dcompose de la faon suivante :
*
*
A = *
*
*
* * * *
* * * *
* * * *
* * * *
* * * *
*
*
M = *
*
*
0 0 0 0
* 0 0 0
* * 0 0
* * * 0
* * * *
Ds lors, avec le mme exemple numrique que pour la mthode de Jacobi,

10 0 0 y1 0 1 1 x 1 18
1 15 0 y = 0 0 1 x + 12
2
2
1 1 20 y 3 0 0 0 x 3 17
x(k+1)
x(k
(M A)
Ce systme peut se rcrire ainsi :
y1 = ( x2 + x3 + 18) / 10
y2 = ( y1 x3 12) / 15
y3 = (y1 y2 + 17) / 20
Itration k
x(k)
x1
1,800
1,9906
1,9998
2,0000
2,0000
2,0000
x2
-0,920
-0.9984
-0,9999
-1,0000
-1,0000
-1,0000
x3
0,986
0,9995
1,0000
1,0000
1,0000
1,0000
2-19
Remarque
La mthode de Gauss-Seidel nest pas ncessairement plus rapidement convergente que celle de Jacobi. Il existe une condition qui garantit la convergence des 2 mthodes, mais pas la seule. Une matrice A n n est diagonale dominante si
n
a ii > a ij
(2.16)
j=1
ji
Si la matrice A est diagonale dominante, alors les mthodes de Jacobi et GaussSeidel sont convergentes vers la solution peu importe le choix de x(0).
2.6 Application au graphisme

Le graphisme consiste dans la prsentation et aussi lanimation dimages sur lcran. Par
exemple, la lettre N se dtermine laide de 8 points, comme le montre la fig. ci-dessous.
y
6
Sommets de la lettre
1
0,00
0,50
6,00
0,50
0,50
0,00
5,50
6,00
0,00
0,00
0,00
1,58
6,42
8,00
8,00
8,00
Il faut aussi spcifier les sommets qui sont relis ensemble pour former les segments de la lettre.
La raison principale pour laquelle des segments de droite sont utiliss pour dcrire plusieurs ob-
2-20
jets graphiques rsident dans le fait que des segments de droite peuvent tre facilement transforms en dautres segments de droite.
Exemple 1 : La transformation avec la pr-multiplication de la matrice des points D par la ma-
1 0,25
trice A =
dcrit une dformation par cisaillement.
1
0
1 0,25 0 0,5
AD =
1 0 0
0
0 0,5 6 5,895
=
0 0 0 1,580
0 5,5 6
0 1,58 6,42 8 8 8
2,105 2 7,5 8
6,420 8 8 8
6
5,5
0,5
Exemple 2 : Rtrcir la dernire transformation. Pour ce faire, on utilise la matrice de contrac0,75 0

tion S =
. La transformation compose devient :
1
0
0,75 0 1 0,25 0,75 0,1875
SA =
=
1 0
1 0
1
0
La mathmatique implique dans le graphisme est troitement lie aux multiplications matricielles. Malheureusement la translation dun objet ne correspond pas une multiplication matricielle, ntant pas une transformation linaire. Pour pallier cette difficult, on utilise la notion
de coordonnes homognes. Chaque point (x, y) de R2 peut tre identifi par le point
(x, y, 1) dans R3.
Exemple 3 : La translation de la forme

coordonnes homognes
(x
(x
y 1) (x + h
y ) (x + h
y + k ) prend la forme suivante en
y + k 1) et elle se calcule laide de la multi-
plication matricielle
1 0 h x x + h
0 1 k y = y + k .
0 0 1 1 1
2-21
Exemple 4 : Toute transformation linaire dans R2 se reprsente en coordonnes homognes
A 0
par une partition de matrice de la forme
o A est une matrice 22.
0 1
cos sin 0
sin cos 0
0
0
1
Rotation dans le
sens anti-horaire autour de lorigine
0 1 0
1 0 0
0 0 1
s 0 0
0 t 0
0 0 1
Rflexion par
y=x
Multiplier x par
s et y par t
Transformations composes : Avec = /2, sin = 1 et cos = 0. Les transformations suivantes peuvent tre regroupes dans une mme matrice de transformation.
1 0 0,5 0 1 0 0,3 0 0 0 0,3 0,5
0 1
2 1 0 0 0 0,3 0 = 0,3
0
2
0 0
1 0 0 1 0
0 1 0
0
1
translation
rotation
changement
dchelle
transformation
compose
Coordonnes homognes en 3-D :

(2.17)
Tout scalaire non nul qui est un multiple de (x, y, z, 1) fournit un ensemble de coordonnes
homognes pour (x, y, z). Par exemple,
(10
( 15
6 14 2 )
9 21 3)
(5
3 7)
scalaires
2-22
Exemple 5 : Trouver les matrice de transformation pour les oprations suivantes :
(1) rotation de 30o autour de laxe Y ;
(2) translation par le vecteur p = (-6 4 5).
Par convention, un angle est positif sil est dans le sens anti-horaire lorsque lon regarde vers
lorigine partir de la partie positive de laxe de rotation.
Solution :
Rotation :
Les axes X et Z tournent, tandis que laxe Y sert daxe de rotation.
3/2 0
A= 0
1
0,5 0
3/2
0,5
0
0 A=
0,5
3 / 2
0
1
0
0
0
0
3 / 2 0
0
1
0,5
Translation :
1
0
A=
0
0 0 6
1 0 4
0 1 5
0 0 1
dans le plan XZ
Projections en perspectives :
.
.
(x*, y*, 0)
x*
(x, y, z)
d-z
(0, 0, d)
2-23
Un objet en 3-D se reprsente sur un cran en 2-D laide dune projection de lobjet sur
une vue en plan. Pour simplifier, supposons que le plan XY reprsente lcran, et supposons
que lil de lobservateur se trouve sur laxe Z au point (0, 0, d). Une projection en perspective trace chaque point (x, y, z) en un point dimage (x*, y*, 0) de telle sorte que lil de
lobservateur, le point considr et sa projection se trouve sur une mme droite. Daprs la fig.
ci-dessus et d au fait que les triangles sont semblables,
x*
x
=
d
dz
dx
x
=
d z 1 z / d
y
y* =
1 z / d
x* =
(2.18)
x
laide des coordonnes homognes, (x, y, z, 1) se trace comme
1 z / d
y
1 z / d
0 1 .
Nous pouvons aussi crire

x 1
y 0
P =
z 0

1 0
0
0
1
0
0
0
0 1 / d
0 x x
0 y y
=
0 z 0

1 1 1 / z / d
(2.19)
Exemple 5 : Considrons la bote S dont les sommets sont :
Sommet
Si le centre de projection est (0, 0, 10), trouver limage de S en pour une projection en perspective sur le plan XY.
2-24
Solution :
Soit P la matrice de projection, et D la matrice des donnes en coordonnes homognes
0
1 0
0 1
0
PD =
0 0
0
0 0 1 / 10
5
5
3
1
1
0
=
0
0
0
0,5 0,5 0,5
0 3
0 1
0 5
1 1
3
0
5 5 3 3 5 5 3
1 0 0 1 1 0 0
5 5 5 4 4 4 4
1 1 1 1 1 1 1
3
5
5
3
1
1
0
0
0
0
0
0
0
0,5 0,6 0,6 0,6 0,6
Pour obtenir les coordonnes dans R3, nous utilisons (2.17) pour diviser les 3 premires lignes
de la dernire matrice ci-dessus par llment se trouvant sur la 4ime ligne dans chaque colonne :
Sommet
10
10
8,3
8,3
20
1,7
1,7
En rsum :
Forme typique dune transformation pour le graphisme en 3-D :
Matrice 33 qui produit

une transformation
T
q T
Vecteur dans R3 associ

la transformation en
perspective
p
r
Vecteur de translation
Un scalaire
normalement = 1
2-25

Problme 1 (Lay, #1, p. 116). Pour les matrices suivantes, calculer les oprations demandes si elles
sont dfinies :
2 0 1
7 5 1
1 2
3 5
, B=
, C=
, D=
A=
4 5 2
1 4 3
2 1
1 4
-2A
B-2A
AC
CD
Problme 2 (Lay, #7, p. 116). Si la matrice A est une 5 3 et le produit AB est une 5 7 , quelle est
la dimension de la matrice B ? Rp. : une 3 7
Problme 3 (Lay, #22, p. 116). Considrons les matrices suivantes :
1 1 1
2 0 0
A = 1 2 3 , D = 0 3 0
1 4 3
0 3 5
Calculer AD et DA. Expliquer comment la matrice D affecte le rsultat du produit.
Problme 4 (Lay, #17, p. 117). Considrons les matrices suivantes :

1 2
1 2 1
A=
, AB =
2 5
6 9 3
7
8
Trouver les 2 premires colonnes de B. Rp. : b1 = , b2 =
4
5
Problme 5 (Lay, #15, p. 117). Dterminer si les noncs sont vrais ou faux. Justifier la rponse.
Si les matrices A et B sont des matrices dordre 2 et que leurs colonnes respectives sont
a1 et a2 ainsi que b1 et b2, alors AB = [a1b1 a2b2 ] . Faux
AB + AC = A ( B + C )
A T + BT = ( A + B )
( AB )
= A TBT
Vrai
Vrai
Faux
2-26
Problme 6 (Lay, #37, p. 118). laide de MATLAB, construire une matrice dordre 4 et vrifier que
( A + I )( A I ) = A 2 I
Quen est-il si on a une matrice B dordre 2 au lieu de I ?
Problme 7 (Lay, #1, p. 126). Trouver linverse des matrices suivantes :

3 1 2
1
8 6
3 4
2
A=
, B=
Rp. : A 1 =
,B =
5 4
7 8
5 / 2 4
7 / 4 3 / 4
Problme 8 (Lay, #7, p. 126). Considrons la matrice A et les vecteurs b1, b2, b3, b4 suivants :
1 2
1
1
2
3
A=
, b1 = , b 2 = , b 3 = , b 4 =
5 12
3
5
6
5
1
6
Rp. : A 1 =
5 / 2 1 / 2
Trouver linverse de A et solutionner les 4 quations. Puis, reprendre la solution de ces 4 systmes dquations laide dune matrice augmente de ces 4 vecteurs.
Problme 9 (Lay, #9, p. 126). Dterminer si les noncs suivants sont vrais ou faux. Justifier votre
rponse.
Pour que B soit linverse de A, il faut que AB = I et BA = I. Vrai
1
Si A et B sont inversibles, alors ( AB ) = A -1B -1 Faux
a b
Si A =
est inversible, alors ab cd 0 Faux
c d
Toute matrice lmentaire est inversible. Vrai
Problme 10 (Lay, #13, p. 126). Dmontrer que si AB = AC, avec A une matrice inversible dordre n
et que les matrices B et C sont de dimension n p , alors B = C.
Problme 11 (Lay, #36, p. 127). laide de MATLAB, Trouver la 2me et la 3me colonne de la matrice suivante sans calculer la 1re colonne de A-1:
25 9 27
A = 546 180 537
154 50 149
Problme 12 (Lay, #3,5,6, p. 132). En utilisant un minimum de calculs, dterminer si les matrices suivantes sont inversibles :
2-27
5 0 0
3 7 0 ,
8 5 1
3 5 1 5 4
0
1
0 2 , 0 3 4
4 9 7 3 6 0
Problme 13 (Lay, #11, p. 132). Dterminer si les noncs suivants sont vrais ou faux. Justifier votre
rponse. Les matrices sont dordre n.
Si lquation Ax = 0 na que la solution triviale, alors A est quivalente par les lignes
une matrice I. Vrai
Si les colonnes de A engendrent Rn, alors les colonnes sont linairement indpendantes.
Si A est une matrice dordre n, alors lquation Ax = b a au moins une solution pour
chaque b de Rn. Faux
Si lquation Ax = 0 a une solution non triviale, alors A a moins de n pivots. Vrai
Si AT nest pas inversible, alors A nest pas inversible. Vrai
Sil y a une matrice dordre n telle que AD = I, alors il existe une matrice C telle que
CA = I. Vrai
Problme 14 (Lay, #41, p. 133). En utilisant MATLAB, solutionner le systme dquations suivant :
4.5 x1 + 3.1x2 = 19.249
1.6 x1 + 1.1x2 = 6.843

Puis solutionner de nouveau alors que lon a arrondi le vecteur de droite 2 dcimales :
4.5 x1 + 3.1x2 = 19.25
1.6 x1 + 1.1x2 = 6.84
Trouver le % derreur lorsque lon utilise la solution du 2me systme dquations comme approximation de la vraie solution du 1er systme dquations.
Problme 15 (Lay, #3, p. 149). Trouver la solution de lquation Ax = b laide de la dcomposition
LU.
2 1 2
1
A = 6 0 2 , b = 0

8 1 5
4
1
Rp. : x = 3

3
Problme 16 (Lay, #7, p. 149). Trouver la factorisation LU de la matrice A avec une matrice L uni-
2 5
taire : A =
3 4
0
5
1
2
Rp. : L =
,U=
3 / 2 1
0 7 / 2
2-28
Problme 17 (Lay, #9, p. 149). Trouver la factorisation LU de la matrice A avec une matrice L uni0 0 3 1 2
3 1 2
1
taire : A = 1 2 10 , Rp. : L = 1 1 0 0 3 12
2 5 6
3 2 / 3 1 0 0 8
Problme 18 (Lay, #14, p. 149). Trouver la factorisation LU de la matrice A avec une matrice L uni0
1 4 1 5
1
3 7 2 9
3 1
, Rp. :
taire : A =
2 3 1 4
2 1
1 6 1 7
1 2
0 0 1 4 1 5
0 0 0 5 1 6
1 0 0 0 0 0
0 1 0 0 0 0
Problme 18 (Lay, #31, p. 150). Avec MATLAB, solutionner le problme de rpartition des tempratures suivant laide de la dcomposition LU :
0o
0o
0o
0o
5o
20o
5o
20o
10o
10o
10o
10o
Les tempratures imposes se trouvent lextrieur du rectangle, tandis que les nombres
lintrieur indiquent la numrotation des tempratures dterminer.
Problme 19 (Lay, #3, 4, 5, 6, 7, 8, p. 166). Trouver les matrices 3 3 qui effectuent les transformations
composites suivantes en 2 dimensions en utilisant les coordonnes homognes :
Translation par (3, 1), puis une rotation de 45o autour de lorigine
2 2 2 2
Rp. : 2 2
2 2
0
0
2 2
1
2-29
Translation par (-2, 3), puis redimensionner x par 0.8 et y par 1.2
0.8 0 1.6
Rp. : 0 1.2 3.6
0
1
0
Rflchir les points travers laxe des x et rotation de 30o autour de lorigine
3 2
12
0
Rp. : 1 2 3 2 0
0
0
1
Rotation de 30o, puis rflchir travers laxe des x

3 2 1 2 0
Rp. : 1 2 3 2 0
0
0
1
Rotation des points de 60o autour du point (6, 8)

1 2 3 2 3 + 4 3
Rp. : 3 2
12
4 3 3
0
0
1
3-1
Chapitre 3
Notions sur les dterminants
Assimiler la notion de dterminant
Comprendre les proprits dun dterminant
Rgle de Cramer pour le calcul dun dterminant
Formule pour le calcul dune matrice inverse
Signification du dterminant pour le calcul dune aire et dun volume
Remarque. La notion de dterminant est importante surtout pour les raisonnements et les preuves quelle permet dobtenir. Elle offre peu dintrt dans les calculs matriciels.
3-2
Chapitre 3
Notions sur les dterminants
3.1 Introduction la notion de dterminant
Considrons quelques cas pour illustrer la notion de dterminant. Tout dabord, tudions le
cas dun systme de 1 quation 1 inconnue.
ax=b
(3.1)
det (A)
Remarquons que la matrice A des coefficients est une matrice 1 1, i.e. A = [a]. Elle se trouve donc dj sous forme de matrice-chelon. La solution est donne par
b
det (b )
1
x = b=
=
det (a ) det (a )
a
(3.2)
Le coefficient a dans lquation (3.1) sappelle le dterminant de A ou det(A). Cest un nom-
bre scalaire associ la matrice A. La solution de (3.1) existe si le det(A) est 0. Notons aussi que la matrice des coefficients A 1 1 ne contient quun lment, i.e. a11 = a.
Considrons maintenant un systme linaire de 2 quations 2 inconnues :

a11 x + a12 y = b1
(3.3)
a 21 x + a 22 y = b 2
Avec la mthode par limination de Gauss,
a 11 x
+ a 12 y = b1
(a 11 a 22 a 21 a 12 )
y = (a 11 b 2 a 21 b1 ) / a 11
a 11
(3.4)
Sous forme matricielle,
a11
C=
0
( a11 a22 a21 a12 )
a11
a12
(3.5)
det (A)
3-3
laide de la substitution reculon, la solution de (3.4) devient
y=
a 11 b 2 a 21 b1
a b a 21 b1
= 11 2
a 11 a 22 a 21 a 12
det( A)
a b a b
a b a b
x = 22 1 12 2 = 22 1 12 2
a 11 a 22 a 21 a 12
det( A)
(3.6)
Notons aussi que
b a12
= a 22 b1 a12 b 2
det 1
b 2 a 22
b1
a
= a11 b 2 a 21 b1
det 11
a 21 b 2
(3.7)
Le numrateur de llment c22 de la matrice C, i.e. une forme chelon de A, est le dterminant de la matrice des coefficients A. De nouveau, la solution (3.6) existe seulement si le d-
terminant de A est non nul.
Pour un systme linaire de 3 quations 3 inconnues, en supposant quaucune permutation de lignes nest ncessaire pour lobtention des pivots, la matrice A prend la forme sui-
a11 a12
a
21 a 22
a 31 a 32
vante :
a
11
C= 0
a13 x1 b1
a 23 x 2 = b 2
a 33 x 3 b 3
a12
a11 a 22 a12 a 21
a11
0
a13
a11 a 23 a13 a 21
a11
det(A)
(a11a 22 a12a 21 )
det(A) = a11a22a33 + a12a23a31 + a13a21a32 a11a23a32 a12a21a33 a13a22a31
Or
det(A) = a11(a22a33 a23a32) a21(a12a33 a13a32) + a31(a12a23 a13a22)

det (A ) = a11 det (A11 ) a 21 det (A 21 ) + a 31 det(A 31 )
a11 a12
det (A11 ) = a 21 a 22
a 31 a 32
a13
a 22
a 23 =
a
a 33 32
a 23
= a 22a 33 a 23a 32
a 33
(3.8)
(3.9)
...(3.10)
...(3.11)
...(3.12)
3-4
o
A11 = la matrice (n 1) (n 1) obtenue en retirant la 1re ligne et la 1re colonne de A.
Il en est de mme pour A21 et A31 en retirant les lignes et colonnes correspondantes.
De plus, la solution de (3.8) prend la forme suivante :

b1
det b 2
b
3
x1 =
a12
a 22
a 32
det (A )
a13
a 23
a 33
a11 b1 a13
det a 21 b 2 a 23
a
31 b 3 a 33
x2 =
det (A )
x3 =
a11 a12
det a 21 a 22
a
31 a 32
det (A )
(3.13)
b1
b2
b 3
Examinons de plus prs le dterminant det(A) tel que formul dans (3.11) :
det (A ) = a11 det (A11 ) a 21 det (A 21 ) + a 31 det (A 31 )
Remarquons tout dabord que a11, a21 et a31 sont les lments de la 1re colonne de A. De plus,
notons que
det (A ) = ( 1)1+1 a11 det (A11 ) + ( 1)2 +1 a 21 det (A 21 ) + ( 1)3 +1 a 31 det (A 31 )

3
det (A ) = (1) i +1 a i1 det (A i1 )
...(3.14)
i =1
Mineur Mi1 de A
Lexpression det(Aij) sappelle le mineur Mij de A. Lexpression (1)i +j Mij porte le nom de
cofacteur (i,j), ou Cij de A. Lexpression (3.14) constitue ainsi le calcul du dterminant de la
matrice A par un dveloppement par les cofacteurs suivant sa 1re colonne. Nous aurions pu obtenir le dterminant de A par un dveloppement suivant la premire ligne de A en regroupant
diffremment les termes de (3.10).
3-5
Dfinition
Pour une matrice A n n, son dterminant est le nombre scalaire obtenu en calculant lexpression suivante :
n
i =1
i =1
det( A) = A = a i1 C i1 = a i1 ( 1)i +1 M i1
...(3.15)
Thorme 1
Le dterminant dune matrice A n n peut se calculer par un dveloppement en cofacteurs suivant nimporte quelle ligne ou nimporte quelle colonne. Ainsi
n
det (A ) = a ij C ij
...(3.16)
suivant la colonne j : det(A) = a ij C ij
...(3.17)
suivant la ligne i :
j=1
n
i =1
Cette dfinition donne suite au thorme suivant :
Une permutation des nombres entiers {1, 2, ..., n} est un arrangement de ces entiers de
telle sorte quils soient dans un ordre quelconque sans omission ou sans rptition. Ainsi
(1, 2, 3)
(2, 1, 3)
(3, 1, 2)
(1, 3, 2)
(2, 3, 1)
(3, 2,1)
sont des permutations des 3 premiers entiers. Il y en a 6, i.e. 3!.

Une inversion se produit lorsquun entier est plus grand que celui qui le suit dans une permutation. Le nombre total dinversions se dtermine de la faon suivante. Soit une suite de n entiers
{j1, j2, ..., jn};
trouver le nombre dentiers qui sont la fois infrieurs j1 et qui le suivent dans la suite;
trouver le nombre dentiers qui sont la fois infrieurs j2 et qui le suivent dans la suite;
procder de la mme faon avec j3, ..., jn-1.
additionner tous ces nombres ; ils constituent le nombre total dinversions.
3-6
Exemple : Trouver le nombre total dinversion dans la permutation suivante {6, 1, 3, 4, 5, 2}.
Solution :
Le nombre dinversions est :
5 + 0 + 1 + 1 + 1 = 8.
Permutation paire : nombre pair dinversions

Permutation impaire : nombre impair dinversions
Produit lmentaire de A : produit de n lments de A dont aucun ne se trouve dans la mme
ligne ou la mme colonne que les autres.
Ds lors, le dterminant de A est la somme de tous ses produits lmentaires affects dun signe
algbrique + ou selon que le nombre dinversions des indices des lignes ou des colonnes soit
pair ou impair respectivement.
Exemple : Considrons le dterminant de la matrice A 3 3.
Solution :
Produit lmentaire
Permutation (colonnes)
Pair ou impair
Prod. lment. avec signe
a11a22a33
(1,2,3)
Pair
a11a22a33
a11a23a32
(1,3,2)
Impair
a11a23a32
a12a21a33
(2,1,3)
Impair
a12a21a33
a12a23a31
(2,3,1)
Pair
a12a23a31
a13a21a32
(3,1,2)
Pair
a13a21a32
a13a22a31
(3,2,1)
Impair
a13a22a31
Un dterminant peut aussi se dfinir comme la somme de tous les produits lmentaires avec
signe algbrique de la matrice A n n .
Thorme 2
Le dterminant dune matrice triangulaire A est le produit des termes de la
diagonale principale.
3-7
Remarque
Le calcul du dterminant dune matrice A n n exige n! multiplications.
Ainsi une matrice 25 25 est considre comme petite daprs les standards modernes. Un cofacteur exige au-del de 1,5 1025 multiplications. Un ordinateur
super puissant qui effectuerait 1 1018 multiplications par seconde prendrait
500000 annes pour calculer le dterminant selon la dfinition donne ci-dessus.
Heureusement il y a des mthodes plus rapides.
3.2 Proprits des dterminants

3.2.1 Oprations sur les lignes
Thorme 3 Oprations sur les lignes dune matrice

Soit A une matrice carre.
a) Si lon ajoute le multiple dune ligne de A une autre ligne de A pour gnrer une matrice B, alors det(B) = det(A).
b) Si lon permute 2 lignes de A pour gnrer B, alors det(B) = det(A).
c) Si lon multiplie une ligne de A par un scalaire k pour gnrer B, alors
det(B) = k det(A).
1 4 2
Exemple : Calculer det(A) pour la matrice A = 2 8 9 .
1 7
0
Solution :
La stratgie consiste ramener A sous forme de matrice-chelon laide doprations
lmentaires, car ces dernires naffectent pas la valeur du dterminant. Ds lors,
1 4 2
1 4 2
det (A ) = 2 8 9 = 0 0 5
1 7
0
0 3
2
Si lon permute les lignes 2 et 3, il faut changer le signe du dterminant. Alors
3-8
1 4
det( A) = 0
2 = (1) (3) ( 5) = 15
5
Remarque
Supposons que la matrice carre A ait t rduite une forme chelon U
laide doprations lmentaires sur les lignes. Sil y a eu k permutations de lignes
pour y arriver, alors le dterminant de A devient :
det( A) = ( 1)k det (U )
...(3.18)
De plus,
( 1)k produit des pivots de U

si A est inversible
det (A ) =
0
si A n ' est pas inversible
Thorme 4
La matrice carre A est inversible si et seulement si det(A) 0. Le dterminant de A est nul si les lignes de A sont linairement dpendantes.
3 1 2 5
5 3 6
0
Exemple 1 : Calculer det
.
6 7 7 4
5 8 0
9
Solution :
Additionnons 2 fois la ligne 1 la ligne 3 :
det (A ) =
3 6
3 6
5 8
5
=0
car les lignes 2 et 3 sont identiques.
3-9
1
2 1
0
5 7 3
2
Exemple 2 : Calculer det
.
0
3
6
2
2 5 4 2
Solution :
0 1
det (A ) =
2 5 7
0 3
0 0 3
= 2 3
2 = 2 0
0 3
0 3
5 = ( 2 ) (1)
Mineur
M21
3 1
= 2 15 = 30
Mineur
dans M21
3.2.2 Oprations sur les colonnes
Thorme 5
Soit A une matrice n n. Alors det(AT) = det(A)
...(3.19)
Dmonstration :
n
j=1
j=1
AT det( A T ) = det(B) = ( 1)1+ j b1 j det(B 1j ) = ( 1)1+ j a j1 det( A j1 )
Dveloppement en cofacteurs suivant la 1re

ligne de B
Dveloppement en cofacteurs suivant la 1re

colonne de A
3.2.3 Produit matriciel

Thorme 6
Soient A et B 2 matrices carres. Alors
det(AB) = det(A) det(B)
...(3.20)
3-10
Corollaire
Soient A une matrice n n, et E une matrice lmentaire n n. Alors
det(EA) = det(E) det(A)

si E est un remplacement de ligne
1
det(E) = 1
si E est une permutation de lignes
k
si E est une multiplication par une constante k
3.3 Rgle de Cramer. Formule pour la matrice inverse. Dterminant comme

surface et volume.
3.3.1 Rgle de Cramer
Notation :
A i (b ) = [a 1 b a n ]
...(3.21)
Matrice A dans laquelle la colonne ai

est remplace par b.
Rappelons-nous les rsultats de la section 1 propos des solutions de systmes linaires 1, 2 ou

3 quations 3 inconnues. Nous pouvons gnraliser cette approche un systme linaire de n
quations n inconnues ; le rsultat porte le nom de rgle de Cramer.
Thorme 7
Soit A une matrice n n inversible. Pour b Rn , la solution unique de
Ax=b
est donne par
xi =
det[A i (b )]
det (A )
i = 1, 2, , n
...(3.22)
Exemple : Utiliser la rgle de Cramer pour solutionner

3 x1 2 x 2 = 6
5 x1 + 4 x2 = 8
3-11
Solution :
3 2
A=
5 4
6 2
A 1 (b) =
8 4
3 6
A 2 (b) =
5 8
det[A 1 (b )] 24 + 16
=
= 20
det (A )
2
det[A 2 (b )] 24 + 30
x2 =
=
= 27
det (A )
2
x1 =
3.3.2 Formule pour le calcul dune matrice inverse

La rgle de Cramer permet dobtenir une formule pour calculer une matrice inverse A-1
lorsque la matrice A est inversible. La jime colonne de A-1 est donne par la solution du systme dquations linaires
A x = ej
0

e j = 1

0
...(3.23)
Seul lment non nul
de ce vecteur
Le vecteur ej est la jime colonne de I. Ds lors, si M = A-1

m ij =
det A i (e j )
det( A )
...(3.24)
me
La i colonne de A est remplace par ej [voir (3.22)]
( )
det A i (e j ) = ( 1)i + j det A ji = C ji
...(3.25)
Le 1 de ej est sur la jime ligne de ej

C11
1 C12
A 1 =
det( A)
C1n
C 21 C n1
C 22 C n 2 adj A
=
det( A)
C 2n C nn
...(3.26)
3-12
o
adj A = la matrice adjointe de A, i.e. la matrice transpose de la matrice des cofacteurs de

A.
-1
Exemple : trouver A
3
2 1
de A = 1 1 1 .
1 4 2
Solution :
C11 = +
1 1
= 2
4 2
C12 =
1 1
=3
1 2
C13 = +
1 1
=5
1 4
C 21 =
1 3
= 14
4 2
C 22 = +
2 3
= 7
1 2
C 23 =
2 1
= 7
1 4
C 31 = +
1 3
=4
1 1
C 32 =
2 3
=1
1 1
C 33 = +
2 1
= 3
1 1
det(A) = 2 (2) + 1 (14) + 1 (4) = 14

2 14 4
adj A = 3 7 1
5 7 3
2 14 4
1
1
A = 3 7 1
14
5 7 3
3.3.3 Dterminants comme aire et volume
Thorme 8
A 22
lonnes de
A 33
lonnes de
det(A) = aire du paralllogramme dtermin par les coA.

det(A) = volume du paralllpipde dtermin par les coA.
3-13
Illustration en 2 dimensions
a 0
A=
0 d
0

d
Aire = a d
.
.
a

0
Une matrice A 2 2 diagonale illustre facilement ce thorme. En effet, det(A) = ad, qui
est la surface du rectangle.
.
d sin
d cos
a cos
a sin
La matrice de
cos sin
transformation B =
effectue la rotation montre la figure ci-dessus sur la ma sin cos
a 0
trice A =
. De plus, det(B) = 1. Daprs les proprits des dterminants,
0 d
3-14
det (BA ) = det (B ) det (A ) = det( A) = ad aire du rectangle = det( A) = ad .
Considrons maintenant le cas de 2 vecteurs quelconques comme le montre la fig. ci-dessous.
.
.
.
.
a2
a2 - c a1
a1
La matrice A = [ a1 a2 ], i.e. des 2 vecteurs colonnes a1 et a2. Ces 2 vecteurs constituent 2

vecteurs positions de 2 points dans le plan. Les vecteurs partant de lorigine et se rendant ces 2
points sont les 2 cts dun paralllogramme. Traons une perpendiculaire la droite a1 en 0.
Le point dintersection entre cette perpendiculaire et la droite passant par a2 et parallle a1 est
le point a2 c a1. Nous avons vu ci-dessus que laire du rectangle est donne par le dterminant
de la matrice det[a 1
a 2 c a 1 ] . Daprs les proprits des dterminants,
det[a 1
a 2 ] = det[a 1
a 2 c a1 ]
C.Q.F.D.
Une dmonstration similaire peut se faire en 3 dimensions.
3-15

Problme 1 (Lay, #3, p. 190). Calculer le dterminant de la matrice A suivante par un dveloppement
en cofacteurs suivant la 1re ligne, puis suivant la 2me colonne.
2 4 3
A = 3 1
2
1 4 11
det A = -5
Problme 2 (Lay, #15, p. 191). Calculer le dterminant de la matrice A suivante laide dune approche bien connue qui prvaut seulement pour les matrices carres dordre 2 et 3 et qui est dcrite
ci-dessous.
Soustraction de la somme
de ces produits
a11 a12
a
a
21 22
a31 a32
a13 a11 a12

a23 a21 a22
a33 a31 a32

Addition de la somme
de ces produits
3 0 4
A = 2 3 2 Rp. : det A = 1
0 5 1
Problme 3 (Lay, #19, p. 191).
1 0
0 1
0 k
Calculer le dterminant des matrices lmentaires suivantes :

0 1 0 0 k 0 0 0 1 0 0 1 0
0 , 0 1 0 , 0 1 0 , 1 0 0 , 0 0 1

1 k 0 1 0 0 1 0 0 1 1 0 0
Problme 4. Quel est leffet du produit de chacune des matrices lmentaires avec la matrice
suivante. Montrer le rsultat avec chacune des matrices qui rsultent de ces produits.
a b c
A = d e f ( Prendre les matrices lmentaires du prob.3)
g h i
3-16
Problme 5 (Lay, #43, p. 192). Est-ce que cest vrai que det ( A + B ) = det A + det B ? Pour ce faire,
gnrer 4 paires de matrices alatoires A et B dordre 5 dans MATLAB, et calculer
det ( A + B ) det A det B dans chaque cas.
Problme 6 (Lay, #44, p. 192). Est-ce que cest vrai que det AB = ( det A )( det B ) ? Pour ce faire,
gnrer 4 paires de matrices alatoires A et B dordre 5 dans MATLAB et calculer
det AB ( det A )( det B ) dans chaque cas.
Problme 7 (Lay, #3, p. 199). Quelle proprit des dterminants a t utilise ici ?
1 3 4 1 3 4
2 0 3 = 0 6 5
5 4 7 5 4 7
Problme 8 (Lay, #9, p. 199). Trouver le dterminant de la matrice suivante en la ramenant sous la
forme dune matrice chelon.
1 1 3 0
0 1 5 4
Rp. : det A = 3
A=
1 2 8 5
3 1 2 3
Problme 9 (Lay, #21, p. 199). Utiliser la notion de dterminant pour dterminer si la matrice A suivante est inversible :
2 3 0
A = 1 3 4 Rp. : det A = -1
1 2 1
Problme 10 (Lay, #31, p. 200). Dmontrer que si la matrice A est inversible, alors det A 1 =
1
.
det A
Problme 11 (Lay, #3, p. 209). Employer la rgle de Cramer pour solutionner le systme dquations
suivant :
3 x1 2 x2 = 7
x1 = 4
det ( A ) = 8
5 x1 + 6 x2 = 5
x2 = 5 / 2 / 3
Problme 12 (Lay, #19 et 21, p. 209). Trouver laire de chacun des paralllogrammes suivants :
1. (0, 0), (5, 2), (6, 4), (11, 6)
Rp. : 8
2. (-1, 0), (0, 5), (1, -4), (2, 1)
Rp. : 14
3-17
Problme 13 (Lay, #3, p. 209). Soit la matrice A suivante :
1 1 3
0 1 5
A=
1 2 8
3 1 2
0
4
1
Avec MATLAB, calculer A-1, puis (A-1)-1. Finalement, obtenir A ( A 1 ) . Utiliser la com
mande format long pour obtenir le plus grand nombre de dcimales possible. mettre vos
commentaires.
4-1
Chapitre 4
Espaces vectoriels
Objectifs dapprentissage :
Comprendre la notion despace et de sous-espace vectoriel
Distinguer les notions de noyau et despace colonne d une matrice
Notions sur une base dun espace ou dun sous-espace vectoriel
Systmes de coordonnes
Dimension dun espace et dun sous espace vectoriel. Rang dune matrice.
Changements de base
4-2
Chapitre 4
Espaces vectoriels
4.1 Espaces vectoriels et sous-espaces vectoriels
Vols spatiaux : traitement de gros ensembles de coordonnes pour diriger et manoeuvrer la
fuse dans son vol. Il y a donc manipulations, transformations de vecteurs.
Dfinition
Un espace vectoriel est un ensemble V non vide de vecteurs sur lesquels sont
dfinies les oprations daddition et de multiplication par un scalaire, et qui sont
soumis aux 10 axiomes suivants :
1. u, v V u + v V.
2. u + v = v + u
3. (u + v) + w = u + (v + w)
4. 0 V et u + 0 = u
5. u V, u V
6. u V et c R
cu V
7. c (u + v) = cu + cv
8. (c + d) u = cu + du
9. c(du) = (cd) u
10. 1u = u
Daprs ces axiomes,

0u = 0
c0 = 0
u = (1) u
Exemple 1 :
Lespace Rn , avec n 1, est un espace vectoriel.
Exemple 2 :
n
Considrons les polynmes p( t ) = a 0 + a i t i , avec n 0 ; p(t) Pn.

i =1
4-3
n
n
cp( t ) = ca 0 + (ca i ) t i = c a 0 + a i t i P n
i =1
i 1
n
n
n
p( t ) + q( t ) = a 0 + (a i ) t i + b 0 + (b i ) t i = (a 0 + b 0 ) + (a i + b i ) t i P n
i =1
i =1
i =1
c R et p P n
p, q P n
Donc P n est un espace vectoriel.
Un sous-espace vectoriel est un sous-ensemble H V qui a les 3 proprits suivantes :

1. 0 H
2. u, v H u + v H
3. c R, u H cu H
Exemple 1 :
x
Lensemble de tous les vecteurs v R et v = y est un sous-espace vectoriel de R3. Mais
0
3
R2 nest pas un sous-espace vectoriel de R3.
Exemple 2 :
Un plan dans R3 et ne passant pas par lorigine nest pas un sous-espace vectoriel de R3, car il ne
contient pas le vecteur 0. En effet, soit H = x a T x = c, a, x R 3 , c R un plan dans R3. Si

c 0, alors y, z = 0 x 0, do x = (x, y, z) ne peut tre un vecteur nul.
Rappelons quune combinaison linaire de p vecteurs v1, v2, , vp Rn se dfinit comme
p
y = ci v i
i =1
c1 , c 2 , , c p R
(4.1)
Considrons lensemble H de tous les vecteurs y obtenus comme une combinaison linaire des
vecteurs v1, v2, , vp Rn que nous noterons Gn{ v1, v2, , vp } i.e. H est lensemble engendr.
4-4
Thorme 1
Soient v1, v2, , vp Rn. Alors
p
H = y y = c i v i
i =1
(4.2)
est un sous-espace vectoriel de Rn.
Exemple 1 : Soit H = lensemble de tous les vecteurs de la forme (a 3b, b a, a, b), o a et b

sont des scalaires arbitraires. Montrer que H est un sous-espace vectoriel de R4.
Solution :
Les vecteurs de H peuvent scrire :
a 3b
1
3
ba
1

=a +b 1
a
1
0

b
0
1
v1
v2
Ds lors H = { x x = a v1 + b v2 }. Donc H est un sous-espace vectoriel daprs le thorme 1.
Exemple 2 : Trouver les valeurs de h pour lesquelles le vecteur y = (-4, 3, h) sera dans le
sous-espace vectoriel gnr par v1, v2 et v3.
Solution
Soit H = { x x = a v1 + b v2 + c v3 } (voir la page suivante pour v1,v2, v3). Ds lors,
4-5
4
1
5
3
3 = a 1 + b 4 + c 1

h
2
7
0
v1
v2
v3
5 3 4 1 5 3
4 1 5 3
4
1
1 4 1
3 0 1 2
1 0 1 2
1
2 7 0
h 0 3 6 8 + h 0 0 0 5 + h
Pour que le systme soit compatible, il faut h = 5.
4.2 Noyau. Espace colonne. Transformations linaires.

Dfinition :
Le noyau dune matrice A mn, N(A), est lensemble de toutes les solutions
du systme dquations homognes Ax = 0, i.e.
N ( A ) = x x R n et Ax = 0
(4.3)
5
1 3 2

Exemple : Dterminer si u N(A) pour A =
et u = 3
5
9
1
Solution :
5
1 3 2 0
Au =
3 =
1 0
5 9
2
OK.
Thorme 2
N N ( A ) = x x R n et Ax = 0 R n un sous-espace vectoriel .
4-6
Formulation explicite de N(A) :
[p. 222]
La solution de Ax = 0 donne une description explicite de N(A).
Exemple : Trouver lensemble des vecteurs qui gnrent N(A) pour la matrice suivante :
3 6 1 1 7
A = 1 2 2 3 1 .
2 4 5 8 4
Solution :
Obtenir la matrice-chelon rduite :

3 6 1 1 7 0 1 2 0 1 3 0
1 2 2 3 1 0 0 0 1 2 2 0
2 4 5 8 4 0 0 0 0 0
0 0
x1 2x2
x4 + 3x5
x3 + 2x4 2x5
0
= 0
= 0
= 0
La solution gnrale devient :

x1 = 2x2 +x4 3x5
x3 = -2x4 + x5
avec x2, x4 et x5 comme variables libres. Donc
x 1 2x 2 + x 4 3x 5
x
x2
2
x 3 = 2x 4 + 2x 5 = x 2

x4
x 4
x 5
x5
2
1

0 + x 4

0
0
1
0

2 + x 5

1
0
3
0

2

0
1
4-7
Observations :
Notons que les vecteurs u, v et w sont linairement indpendants, car x2u + x4v + x5w = 0
seulement si x2 = x4 = x5 = 0.
Le nombre de vecteurs gnrant N(A) = le nombre de variables libres.
Dfinition :
Lespace colonne de A mn, C(A), est lensemble des combinaisons linaires des
colonnes de A, i.e.
n
C( A) = y y = c i a i
i =1
A = [a 1
a 2 a n ]
(4.4)
Thorme 3
C(A), avec A mn est un sous-espace de Rm.
Exemple 1 : Trouver une matrice A de telle sorte que W = C(A), o

6a b
W = a + b a , b R .
7a
Solution :
6
1
6 1

W = a 1 + b 1 A = 1
1
7
0
7 0

W = C(A)
4-8
Comparaison entre N(A) et C(A) :

Soit A une matrice mn.
N(A)
C(A)
N(A) = un sous-espace de Rn
C(A) = un sous-espace de Rm
N ( A ) = x x R n et Ax = 0
C( A) = y y = c i a i
i =1
N(A) = { 0 } si et seulement si
Ax = 0 na que la solution triviale.
C(A) = Rm si et seulement si x Ax
transforme Rn en Rm.
A = [a 1
a 2 a n ]
Exemple 2 : Trouver un vecteur non nul dans N(A) et dans C(A) lorsque
4 2 1
2
A = 2 5 7 3
3
7 8 6
a1
Solution :
a1 C(A) ou toute autre colonne de A.
Pour trouver u N(A), il faut tout dabord obtenir la matrice-chelon rduite de la matrice
augmente A = [ A 0 ].
1 0 9 0 0
[A 0] 0 1 5 0 0
0 0 0 1 0
Variable libre
4-9
Ds lors,
9 x 3
9
5x
5
u = 3 = x3
x3
1

0
0
Posons que x3 = 1 u = (-9, 5, 1, 0).
Exemple 3 : Avec la mme matrice A de lexemple prcdent, dterminer si

3
3
2
u=
N(A) et si v = 1 C(A).
2
3

0
Solution :
3
2
u = N(A) ?
2

0
3
4 2 1 0 0
2
2
Au = 2 5 7 3 = 3 0 Non !
1
3
7 8 6 3 0
0
3
v = 1 C(A) ?
3
4 2 1 3 2 4 2 1 3
2
[A v ] = 2 5 7 3 1 0 1 5 4 2
3
7 8 6 3 0 0 0 17 1
Matrice-chelon pour A et
Ab ayant le mme nombre de
lignes non nulles
4-10
Dfinition :
Une transformation linaire T dun espace vectoriel V sur un espace vectoriel
W est une rgle qui associe v V un vecteur unique T(x) W de telle sorte que
T(u + v) = T(u) + T(v) u, v V
T(cu) = cT(u)
u V et c R.
Le noyau de T est N (T) = x x R n et Tx = 0

n
Limage de T est Im(T) = y y = c i a i
i =1
T = [a 1
a 2 a n ]
4.3 Ensembles linairement indpendants. Bases.

Dfinition :
Un ensemble de vecteurs { v1, v2, , vp } est dit linairement indpendant si
lquation vectorielle
c1 v 1 + c 2 v 2 + + c p v p = 0
(4.5)
ne possde que la solution triviale c1 = c2 = = cp = 0. Il y a dpendance linaire

si (4.5) prvaut alors quil existe des valeurs de c1, c2, .., cp non toutes nulles.
Dfinition :
Soit H V, H un sous-espace vectoriel dans lespace vectoriel
Lensemble B = {b1, b2, , bp} V forme une base de H si
B forme un ensemble linairement indpendant ;
le sous-espace gnr par B est H, i.e.
p
H = x x = c i b i
i =1
b i B
V.
(4.6)
4-11
Exemple 1 : Soit la matrice inversible A nn. Les colonnes de A sont linairement indpendantes ; ds lors, elles forment une base pour Rn.
Exemple 2 : Les colonnes de la matrice identit I, i.e. e1, e2, , en, forment la base classique
de Rn.
Exemple 3 : Dterminer si les vecteurs suivants sont linairement indpendants :
3
v 1 = 0
6
4
v 2 = 1
7
2
v 3 = 1 .
5
Solution :
3 4 2
3 4 2 3 4 2
0
1
1 0 1
1 0 1
1
2 6 7
5 1 0 1 1 0 0
2
det( A) = 3 1 2 = 6
ou 3 lignes non nulles
Thorme 5 Thorme de lensemble gnrateur
Soit S = {v1, , vp} V et H = x x = c i v i .
i =1
Si un des vecteurs dans S, par exemple vk est une combinaison linaire des autres
vecteurs de V, alors {v1, , vk-1, vk+1, , vp} gnre toujours H.
Si H {0}, alors un sous-ensemble de S gnre H.
4-12
1
0
Exemple 1 : Trouver une base pour C(B) si B =
0
0
0 1 1 0
.
0 0 0 1
0 0 0 0
4 0
Solution :
1
0
0
0 1 1 0
0 0 0 1
0 0 0 0
4 0
Matrice-chelon rduite
pivots
1

0
Ds lors, S =
0
0
0
1

0

0
0
0
. On pouvait retirer les colonnes b2 et b4 pour gnrer C(B).
1

0
1 4 0 2 1
3 12 1 5 5
.
Exemple 2 : Trouver une base pour C(A) si A =
2 8 1 3 2
5 20 2 8 8
Solution :
La matrice A a la matrice B de lexemple 1 comme matrice-chelon rduite. Donc

base pour C(A) = {a1, a3, a5}.
Thorme 6
Les colonnes dune matrice A contenant les pivots dans la matrice-chelon

rduite forment une base pour C(A).
Note. Ce sont les colonnes de A quil faut prendre pour gnrer C(A).
4-13
Exemple : Quels sont les sous-espaces vectoriels gnrs par les 3 matrices suivantes :
1 2
A 2 = 0 3
0 0
1 2 4
A 3 = 0 3 5
0 0 6
1 2 4 7
A 4 = 0 3 5 8
0 0 6 9
1 2
A 2 = 0 3
0 0
1 2 4
A 3 = 0 3 5
0 0 6
1 2 4 7
A 4 = 0 3 5 8
0 0 6 9
Solution :
a1 et a2 sont
lin. indp. Mais
ne gnrent pas
R3.
a1, a2 et a3 forment une base

pour R3.
a1, a2, a3 et a4 sont

lin. dpend. mais
gnrent R3.
4.4 Systmes de coordonnes

Thorme 7 : unicit de la reprsentation
Soit B = {b1, , bn} une base pour lespace vectoriel V. Alors, pour tout
vecteur x V, il existe un ensemble unique de scalaires c1, cn de telle sorte
que
n
x = ci b i
(4.7)
i =1
Dmonstration :
n
n
V = x x = c i b i x = c i b i
i =1
i =1
4-14
n
Supposons que x = d i b i . Alors (c1 d1) b1 + + (cn dn) bn = 0 b1, , bn sont lii =1
nairement dpendants s'il existe des (ci di) 0. Donc (ci di) = 0 i. C.Q.F.D.
Dfinition :
Soit B = {b1, .., bn} base pour V. Soit x V. Alors
c1
[x ]B = x R2 = c1 b1 + + cn bn
cn
[x]B = coordonnes de x dans la base B
... (4.8)
x = coordonnes de x dans Rn
Exemple : Dterminer x dans R2, si

2
[x ]B =
1
1
avec b1 = b 2 = .
0
2
Solution :
1
1 1
x = ( 2 ) b 1 + (3) b 2 = 2 + 3 = .
0
2 6
Coordonnes dans Rn :
Lorsquune base B pour Rn a t fixe, les coordonnes xB se trouvent facilement.
2
1
4
Exemple : Posons que b1 = , b 2 = , et x = , avec b1 , b 2 , x R 2 . Trouver [x]B.
1
1
5
4-15
Solution :
c1 = 3
2
1 4
2 1 c1 4
c1 + c 2 =
=
c2 = 2
1
1 5
1 1 c 2 5
b1
b2
b1
b2
PB
x
[x]B
1
0 4
x = 4 + 5 =
0
1 5
Ds lors, notons que
x = PB [x]B
(4.9)
PB = matrice qui transforme les coordonnes dun vecteur de la base B

la base canonique de Rn.
De plus,
[x]B = (PB)-1 x
(4.10)
car PB est inversible.
Thorme 8
Soit B = [b1, , bn] une base pour V. Alors la transformation x x B est
une transformation isomorphe de V dans Rn.
Dfinition
Deux espaces vectoriels V1 et V2 sont isomorphes si on vrifie pour tout
couple de vecteurs x1, y1 V1, ainsi que pour le couple correspondant de vecteurs
x2, v2 V2, lgalit suivante :
(x1, y1) = (x2, y2).
4-16
Comme une transformation de coordonnes est une opration linaire, alors
(c1u1 + c p u p )B = c1u 1B + + c p u pB
...(4.11)
ce qui est, par dfinition, un isomorphisme.
Exemple : Dterminer si le vecteur x est dans H et trouver ses coordonnes dans la base B.
3
1
3
v 1 = 6 , v 2 = 0 , x = 12 , B = {v 1
2
1
7
v2}
Solution :
Si x H, alors
3
c1 6 + c 2
2
1 3
3 1 3 1 0 2
0 = 12 6 0 12 0 1 3

1 7
2 1 7 0 0 0
c1
c2
Matrice-chelon
rduite
2
Ds lors, [x ]B = .
3
Plan H
3v2
x = 2v1 +3v2
v2
0
v1
2v1
4-17
4.5 Dimension dun espace vectoriel

Rappel : Un espace vectoriel ayant une base B contenant n vecteurs est isomorphe avec Rn.
Thorme 9
Si un espace vectoriel V a une base B = {b1, b2, ..., bn}, alors tout ensemble contenant plus de n vecteurs est linairement dpendant.
Dmonstration :
Soit {u1, ... , up} V avec p > n. Les vecteurs coordonnes u1B, ... , upB forment un ensemble
linairement dpendant dans Rn, car p > n. Donc il existe des scalaires non tous nuls tels que
0
c1u 1B + + c p u pB =
0
Vecteur nul
dans Rn
0
Or, daprs (4.11), c1u 1 + + c p u p = c1u 1 + + c p u p = 0 b 1 + 0 b n = 0 .
B
0
Comme les ci ne sont pas tous nuls, lensemble {u1, ... , up} est linairement dpendant.
C.Q.F.D.
Thorme 10
Si la base dun espace vectoriel V contient n vecteurs, alors toute autre base
de V doit contenir aussi n vecteurs.
Dfinition :
Soit B = {b1, ... , bn} une base pour lespace vectoriel V. La dimension de V
est le nombre de vecteurs dans B, que lon note dim V.
4-18
Exemple 1 : dim Rn = n.
3
1
Exemple 2 : Soit v 1 = 6 , v 2 = 0 , B = {v 1
2
1
v 2 }. Le sous-espace
H = {x x = c1 v 1 + c 2 v 2 }
a comme dimension 2, i.e. dim H = 2.
a 3b + 6c
5a + 4d
Exemple 3 : Trouver dim H si H =
a , b, c, d R
b 2c d
5d
Solution :
xH
6
0
1
3
5
0
0
4
x = a + b + c + d . Notons que b3 = -2 b1.
0
1
2
1

0
0
0
5
0 1 3 6
0
1 3 6
5 0
0
4 0 1 2 1
dim H = 3.
0 1 2 1 0 0
0 19
0
5 0 0
0
0
0 0
Thorme 11
Soit H un sous-espace vectoriel de V. Tout ensemble de vecteurs linairement indpendants de H peut tre augment, si ncessaire, pour devenir une base
pour V. De plus, dim H dim V.
Thorme 12 : base
Soit V un espace vectoriel avec dim V = p et p 1. Tout ensemble linairement indpendant dexactement p vecteurs de V est une base pour V. Tout
ensemble dexactement p vecteurs qui gnre V forme une base pour V.
4-19
Dimension de N(A) et C(A) :

Comme les colonnes de A , une matrice mn, contenant des pivots forment une base pour
C(A), alors
dim C(A) = nombre de pivots
De plus, dim N(A) = nombre de variables libres dans Ax = 0.
Exemple : Trouver dim C(A) et dim N(A) pour la matrice suivante :
3 6 1 1 7
A = 1 2 2 3 1 .
2 4 5 8 4
Solution :
x5
3 6 1 1 7 0 1 2 2 3 15 0
1 2 2 3 1 0 0 0 1 2 2 0
2 4 5 8 4 0 0 0 0 0 0 0
x2
x4
variables libres
pivots
Donc dim N(A) = 3 et dim C(A) = 2.. En effet,

x 1 2 x 2 + x 4 3x 5
x
x2
2
x 3 = 2x 4 + 2x 5 = x 2

x4
x 4
x 5
x5
2
1

0 + x 4

0
0
1
0

2 + x 5

1
0
3
0

2 .

0
1
4-20
4.6 Rang dune matrice

Chaque ligne dune matrice A mn peut tre relie un espace Rn. Lespace ligne de
A, que lon note aussi R(A), se dfinit comme
m
R ( A) = x x = c i ri
i =1
ri = la i me ligne de A = C( A T )
Thorme 13
Si 2 matrices A et B sont quivalentes par les lignes, alors
R(A) = R(B).
Si B est sous forme de matrice-chelon, alors les lignes non nulles de B forment une base pour R(A) et pour R(B).
Exemple : Trouver des bases pour R(A), C(A) et N(A) dans le cas de la matrice suivante :
2 5 8
1
3 5
3 11 19
7 13
1
0 17 1
1 5 0
7 1 0

5 3 0
3 5 1
5 1
1 2 2 7 0
0 0 4 20 0

0 0
0
0 0
0 1
1 2
0 0
0 0
0 1
0 3
1 5
0 0
Matrice-chelon
rduite
Matrice-chelon
Base pour R(A) : {(1, 3 5, 1 5), (0, 1, -2, 2 7), (0, 0, 0 4, 20)}
Base pour C(A) : les colonnes a1, a2 et a4 de A.
x1 x 3 x 5
x 2 x 3x
5
2 3
= x3
Base pour N(A) : x 3 =
x3

x 4 5x 5
x 5
x5
1
2

1 + x5

0
0
1
3

0

5
1
4-21
1
2

base = 1 ,

0
0
1
3

0 .

5
1
Dfinition :
Le rang de A est la dimension de C(A).
Thorme 14 : thorme du rang
Soit A une matrice mn. Alors dim C(A) = dim R(A) = nombre de pivots de A. De plus,
rang A + dim N(A) = n.
Dmonstration :
Daprs le thorme 6, les colonnes contenant les pivots constituent une base pour C(A). Donc
le rang de A est le nombre de pivots de A dans la forme chelon. De plus, comme la matricechelon contient un ligne non nulle pour chaque pivot et comme ces lignes non nulles constituent
une base pour R(A), le rang de A est aussi dim R(A). Dim N(A) = le nombre de colonnes de
A sans pivot.
C.Q.F.D.
Continuation du thorme 8 (chapitre 2) : matrice inversible

m.
n.
o.
p.
q.
r.
Les colonnes de A forment une base pour Rn.

C(A) = Rn
dim C(A) = n
rang A = n
N(A) = {0}
Dim N(A) = 0
4-22
4.7 Changement de base

Illustration laide dun exemple. Soient B = {b1, b2} et C = {c1, c2} deux bases dans
V, de telle sorte que b1 = 4c1 + c2 et b2 = 6c1 + c2. Supposons le vecteur
x = 3b1 + b2. Trouver [x]C.
3
Tout dabord, [x ]B = x = [b1
1
3
b2 ] .
1
Comme le passage dune base une autre est une transformation linaire, alors
4 6 4 6 3 6
+ 1 =
=
1 1 1 1 1 4
[x ]C = [3b1 + b 2 ]C = 3[b1 ]C + [b2 ]C = 3
xB
C B
T = [ [b1]C [b2]C ] = matrice de transformation de B vers C.
C B
De plus, ( T )-1 [x]C = [x]B

C B
T = ( T )-1.
BC
C B
Thorme 15
Soient B = {b1, ..., bn} et C= {c1, ..., cn} des bases pour V. Alors il existe
une matrice dordre n T de telle sorte que
C B
[x]C = T [x ]B
C B
et
C B
...(4.12)
= [[b1]C ... [bn]C].
Corollaire :
Soient B = {b1 ... bn} et E = {e1 ... en} deux bases de Rn. Alors
[bi]E = bi et
T = [b 1 b n ]
E B
...(4.13)
4-23
Exemple : B = {b1 b2} et C = {c1 c2} avec
9
b1 =
1
5
b2 =
1
1
c1 =
4
3
c2 =
5
Trouver la matrice de transformation pour passer de B C.
Solution :
Posons que
x1
et
x2
[b1 ]C =
[c1
Ds lors,
[c1
y1
y2
[b 2 ]C =
x
c 2 ] 1 = b1
x 2
y
c2 ] 1 = b 2
y 2
1 3 9 5 1 0 6 4
4 5 1 1 0 1 5 3
I2
T
C B
4.8 Les chanes de Markov

Dfinitions :
Vecteur de probabilit x : xi 0 et
xi = 1.
i =1
Matrice stochastique P : matrice dont les colonnes sont des vecteurs de

probabilit.
Matrice stochastique P rgulire : matrice qui ne contient que des lments
strictement positifs pour une puissance k de la
matrice, Pk i.e. 0 < pij < 1 i,j.
Dans une chane de Markov, cest un processus de changement dans lequel un tat futur dpend
de manire probabiliste de ltat actuel. La matrice P reprsentant le passage de ltat actuel un
tat futur sappelle la matrice de transition. La matrice stochastique P est dite rgulire si tous
4-24
ses lments sont positifs pour une certaine puissance k de P. Si P est rgulire, alors le thorme 18 sapplique.
Thorme 18
Soit P une matrice stochastique rgulire dordre n. Alors P a un vecteur q
dtat permanent unique. De plus, si x0 est un tat initial et que xk+1 = P xk pour
k = 0, 1, 2, ..., alors la chane de Markov converge vers q lorsque k .
Ltat permanent q sobtient laide de Pq = q ou (P I) q = 0. Comme il sagit dun systme dquations homognes, il faut que det(P I) = 0 si lon veut viter la solution triviale.
Pour sassurer que q soit un vecteur de probabilit, on choisit les (n - 1) premires quations de
(P I) q = 0 auxquelles on ajoute la condition
q1 + q2 + ... + qn = 1.
Exemple de matrice stochastique rgulire :
0.5 0.2 0.3
0.37 0.26 0.33
2
P = 0.3 0.8 0.3 P = 0.45 0.70 0.45
0.2 0 0.4
0.18 0.04 0.22
0 < pij < 1 i,j.
Exemple : Un observateur sest aperu que le processus lectoral dans une rgion donne du
Qubec depuis un certain temps rpond aux caractristiques suivantes :
70 % des libraux gardent leur

affiliation au parti libral
20 % des libraux passent au PQ
L = libral,
L
x = P
A
0,7 0,1 0,3
P = 0,2 0,8 0,3
0,1 0,1 0,4
L
La somme des lments de

chaque colonne doit donner 1.
L
P
A
10 % des libraux passent lADQ
P = pquiste,
A = adquiste.
En supposant que la matrice de transition demeure constante, trouver ltat long terme.
4-25
Solution :
1
1 1 1 0 0 0.3214
1
0,3 0,1 0,3 0 0 1 0 0,5357
0, 2 0, 2 0,3 0 0 0 1 0,1429
La solution devient
0,3214
q = 0,5357
0,1429
Donc, long terme, le PQ est gagnant. Si la tendance se maintient ....
Dfinition :
Une matrice A dordre n est dite diagonalisable (nondefective) si elle possde n
vecteurs propres linairement indpendants.
Thorme : puissance des matrices
Soit A une matrice dordre n diagonalisable. Alors
Ak 0 si et seulement si < 1 pour toutes les valeurs propres de A.
Ak est borne si et seulement si 1 pour toutes les valeurs propres de A.
Ak si et seulement si > 1 pour une valeur propre quelconque de A.
4-26

x
Problme 1 (Lay, #3, p. 223). Soit H = : x 2 + y 2 1 . Dmontrer laide dun exemple num y
0.5
rique bien choisi que H nest pas un sous-ensemble vectoriel. Rp. : u = 4u H
0.5
Problme 2 (Lay, #9, p. 223). Soit H = x = 3s , s R . Trouver un vecteur v R 3 de telle sorte

2 s
1
que H = Gn {v} . Pourquoi sagit-il dun sous-espace vectoriel ? Rp. : u = 3

2
Problme 3 (Lay, #13, p. 223). Considrons les vecteurs suivants :

1
2
4
3
v1 = 0 , v 2 = 1 , v 3 = 2 , w = 1

1
3
6
2
w est-il dans lensemble {v1 v 2 v 3 } ? Non, car lensemble ne comprend que 3 vecteurs
Combien y a-t-il de vecteurs dans H = Gn {v1 v 2 v 3 } ? Une infinit
w est-il dans le sous-espace H ? Justifier la rponse. Oui. Matrice chelon rduite de Ab.
Problme 4 (Lay, #35, p. 225). laide de MATLAB, montrer que le vecteur w se trouve dans le
sous-espace de R4 gnr par les 3 vecteurs v1, v2, v3 suivants :
9
7
4
9
7
4
5
4
w=
, v1 =
, v2 =
, v 3 = . Rp. : Oui
4
2
1
4

8
9
7
7
4-27
Problme 5 (Lay, #1, p.234). Dterminer si w se trouve dans le noyau de A, i.e. N(A) :
1
3 5 3
w = 3 , A = 6 2 0

4
8 4 1
Rp. : oui, Ax = 0
Problme 6 (Lay, #15, p. 234). Trouver la matrice A de telle sorte que lensemble C(A) soit
2 x + 3t
0 2 3
1 1 2
r + s 2t
:
r
,
s
,
t
R
Rp
.
:
4 1 0
4r + s
3r s t
3 1 1
N(A) est lensemble solution de Ax = 0
Vrai, par dfinition
m
Si A est une matrice m x n, alors N ( A ) R
Faux, dans Rn
Lquation Ax = b, A une m x n, est consistante, alors C(A) = Rm Faux, il faut m pivots

Le noyau dune transformation linaire est un espace vectoriel.
Vrai
Problme 8 (Lay, #39, p. 236). Posons que a1, , a5 sont les colonnes de A et que B = [a1 a 2
5
3
A=
8
0
3 2 1 12
4 4 5 12
1 1 0 2
1 2
a4 ] .
(via MATLAB)
Expliquer pourquoi a3 et a5 font partie de lespace colonne de B

Rp. : rref[B, a3], rref[B, a5]
Trouver un ensemble de vecteurs qui gnrent N(A) Rp. : rref(A) et trouver la solution
gnrale.
Problme 9 (Lay, #3, p. 243). Est-ce que les 3 vecteurs suivants forment une base pour R3 ?
1 3 3
0 , 2 , 5 Rp. : non, 2 pivots

2 4 1
4-28
Problme 10 (Lay, #13, p. 243). Supposons que A soit quivalente par les lignes B. Trouver des bases pour C(A) et N(A).
2 4 2 4
1 0 6 5
C ( A ) = a1 et a 2
A = 2 6 3 1 , B = 0 2 5 3 , Rp. :
rref ( A ) et solution gnrale Ax = 0

2 3
3 8
0 0 0 0
Problme 11 (Lay, #21et #22, p. 244). Dterminer si les noncs sont vrais ou faux. Justifier la rponse.
Un seul vecteur par lui-mme est linairement dpendant.
Les colonnes dune matrice inversible A nn forment une base pour Rn
Faux, seul 0 lest.

Vrai, car n pi-
vots.
Un ensemble linairement indpendant dans un sous-espace H est une base pour H.

Faux, car cest le plus grand ensembles linairement indpendant.
Une base est un ensemble linairement indpendant aussi large que possible. Vrai
Si B est une matrice-chelon de la matrice A, alors les colonnes pivots de B forment une
base pour C(A). Faux. Les oprations sur les lignes de A peuvent modifier C(A).
2
Problme 12 (Lay, #11, p. 254). Soit x = dans la base canonique. Trouver une matrice pour
6
3 4
transformer ce vecteur dans la base B = , .
5 6
2 2 6
3
Rp. : x B = PB1x =
=
5 / 2 3 / 2 6 4
Problme 13 (Lay, #35, p. 255). Soit H = Gn {v1
v 2 } et B = {v1
v 2 } . Montrer que x se trouve
dans H et trouver les coordonnes de x dans la base B, i.e. [x ]B .
4-29
11
14
19
5
8
13
v1 = , v 2 = , x =
10
13
18

7
10
15
5 / 3
Rp. : [x ]B =
.
8/3
Problme 14 (Lay, #11, p. 261). Trouver la dimension du sous-espace gnr par les vecteurs suivants :
1 3 9 7
0 , 1 , 4 , 3

2 1 2 1
Rp. : dim = 2
Problme 15 (Lay, #13, p. 261). Trouver dim N(A) et dim C(A) :

1 6 9 0 2
0 1 2 4 5
Rp. : dim C(A) = 3, dim N(A) = 2
A=
0 0 0 5 1
0
0 0 0 0
Sil existe un ensemble de vecteurs {v1 , , v p } qui gnre V, alors dimV p Vrai
Sil existe un ensemble {v1 , , v p } linairement indpendant dans V, alors
dimV p . Vrai, car on peut complter la base, si p < n .

Si dimV = p , alors il existe un ensemble gnrateur de (p + 1) vecteurs dans V. Vrai, il
sagit dajouter le vecteur 0.
Problme 16 (Lay, #1, p. 269). Hypothse : la matrice A est quivalente la matrice B par les lignes.
Sans calculs, trouver le rang de C(A), R(A) et N(A). Puis trouver une base pour C(A), R(A) et
N(A).
1 4 9 7
1 0 1 5
A = 1 2 4 1 , B = 0 2 5 6
5 6 10 7
0 0 0 0
Rp. : rang C(A) = 2, rang R(A) = 2, rang N(A) = 2.

Base pour C(A) : colonnes a1 et a2, base pour R(A) : 2 premires lignes de B
4-30
1 5

5 / 2 3
Base pour N(A) :
,
1 0
0 1
Problme 17 (Lay, #5, p. 269). Si une matrice A ( 3 8 ) est de rang 3, trouver dim N(A), dim R(A) et
le rang de AT . Rp. : dim N(A) = 5, dim R(A) = 3, rang AT = 3
Problme 18 (Lay, #13, p. 269). Si A est une matrice 7 5 , quel est le rang max de A ? Si A est une
matrice 5 7 , mme question. Rp. : max = 5, i.e. nombre possible de pivots.
La matrice A est une m n .
R(A) est le mme que C(AT)
Si B est une matrice chelon quelconque de A, et si B a 3 lignes non nulles, alors les 3
premires lignes de A forment une base pour R(A). Rp. : faux, permutation possibles
des lignes.
dim R(A) = dim C(A)
Rp. : vrai
dim R(A) + dim N(A) = le nombre de lignes de A. Rp. Vrai
Problme 20 (Lay, #9, p. 276). Pour les bases B et C ci-dessous, trouver la matrice de changement de
base pour passer de B C, puis celle pour passer de C B.
6 2
2 6
9 2
1 2
B = , , C = ,
Rp. : P =
, P =
B
B
C
4 1
4 9
1 0
1 2
Problme 21 (Lay, #19, p. 277). laide de MATLAB, sachant que
1 2 1
2
8
7
P = 3 5 0 , v1 = 2 , v 2 = 5 , v 3 = 2 ,

4 6 1
3
2
6
Trouver un base {u1
u2
ment de base de la base {u1
u 3 } pour R3 de telle sorte que P soit la matrice de change-
u2
u 3 } vers la base {v1
v2
v3} .
Trouver une base {w1 w2 w3} pour R3 de telle sorte que P soit la matrice de changement
de base de {v1
Rp. : [u1
u2
v2
v 3 } vers la base {w1
w2
2 8 7
6 6 5
u 3 ] = 2 7 2 P = 5 9 0 ,
6
3 2
21 32 3
w3} .
{w1
w2
28 38 21
w 3 } = 9 13 7
3
3 2
5-1
Chapitre 5
Valeurs propres et vecteurs propres
Comprendre la notion de valeur et vecteur propres.
Rle du dterminant et de lquation caractristique.
Diagonalisation dune matrice.
Application aux quations diffrentielles. Rle des nombres complexes.
Calcul des valeurs propres par des mthodes itratives (mthode de Jacoby et du QR).
Utilisation de MATLAB pour vrifier les proprits des valeurs et des vecteurs propres.
5-2
Chapitre 5
Valeurs propres et vecteurs propres
5.1 Notions de base
Dfinition :
Un vecteur propre (eigenvector) d'une matrice d'ordre n (matrice carre nn)
est un vecteur x non nul tel que Ax = x pour un scalaire quelconque . Un scalaire
est une valeur propre de la matrice A s'il existe une solution non triviale x du systme
d'quations Ax = x ; un tel vecteur x devient alors le vecteur propre associ la valeur
propre .
Exemple 1 : Considrons la matrice et les vecteurs suivants :
1 6
6
A=
, u = et
5 2
5
3
v = .
2
Est-ce que u et v sont des vecteurs propres de A ?
Solution :
1
Au =
5
1
Av =
5
6 6 24
6
=
= 4 = 4u
2 5 20
5
6 3 9
3
=
2 2 11
2
Donc u est un vecteur propre, alors que ce n'est pas le cas pour v.
Exemple 2 : Montrer que 7 est une valeur propre de A de l'exemple prcdent.
Solution :
Pour que 7 soit une valeur propre de A, il faut que Ax = 7x et que la solution soit non triviale.
Ds lors, il faut que Ax - 7x = 0.
Ax 7 x = (A 7I )x = 0
1 6 7 0 6 6
A 7I =
5 2 0 7 5 5
5-3
Les colonnes de la matrice A 7I sont linairement dpendantes, de sorte qu'il existe des solutions non triviales. Donc 7 est une valeur propre de A. Pour trouver le vecteur propre correspondant,
6 6 0 1 1 0
5 5 0 0 0 0 x = x 2
1
1
De plus, tout vecteur de cette forme avec x2 0 est un vecteur propre associ = 7.
Ds lors, est une valeur propre d'une matrice carre A si et seulement si l'quation
(A I )x = 0
... (5.1)
a une solution non triviale. Se rappeler que l'ensemble des solutions de (5.1) constitue le noyau
de la matrice A I. Cet ensemble devient un sous-ensemble de Rn et s'appelle l'espace vecteur-propre (eigenspace) de A correspondant . La fig. ci-dessous illustre les sous-espaces
engendrs par les 2 valeurs propres de A, i.e. 1 = 7 et 2 = 4.
x2
[p. 299]
Sous-espace "vecteur-propre"
correspondant = 7
x1
Sous-espace "vecteur-propre"
correspondant = -4
Thorme 1
Les valeurs propres d'une matrice triangulaire sont les lments de la
diagonale principale.
5-4
Dmonstration :
a 12
a 13
a 11
A I = 0
a 22
a 23
0
a 33
(A I ) x = 0
Le systme A - I = 0 a des solutions triviales si et seulement si il a des solutions non triviales.

Ds lors, il faut qu'il y ait au moins un terme nul sur la diagonale principale. Pour cela, il faut
que soit gale au moins un des lments sur la diagonale de A.
C.Q.F.D.
Thorme : (suite sur les matrices inversibles)

Soit A une matrice carre nn. Alors A est inversible si et seulement si aucune valeur propre n'est nulle.
Thorme 2 :
Si v1, ..., vr sont les vecteurs propres associs aux valeurs propres distinctes
1, ...r d'une matrice carre A nn, alors l'ensemble { v1, ..., vr } est linairement
indpendant.
5.2 L'quation caractristique

2 3
Exemple : Trouver les valeurs propres de A =
.
3 6
Solution :
Il s'agit de trouver toutes les valeurs de de telle sorte que (A - I) x = 0 pour des solutions non triviales. Ds lors,
3 0 2
3
6
3 6 0 3
0
2
det (A I ) = det
3 = 0
6
3
[A I ] =
det (A I ) = (2 )( 6 ) 9 = 2 + 4 21
5-5
Les racines sont : = 3 et = 7. Ces valeurs de font que le systme d'quations a des solutions non triviales, i.e. det (A - I) = 0.
Thorme 3 : Proprits des dterminants
a) A est inversible si et seulement si det (A) 0.
b) det (AB) = det (A) det (B).
c) det (AT) = det (A)
d) Si A est triangulaire, det (A) = le produit des lments de la diagonale principale.
e) Une opration lmentaire de remplacement Ei (jr) ne modifie pas det (A).
L'quation caractristique :
Un scalaire est une valeur propre de la matrice A carre nn si et
seulement si vrifie l'quation caractristique
det (A -I) = 0
Exemple : Trouver l'quation caractristique de la matrice suivante :

5 2 6 1
0 3 8 0
.
A=
0 0
5
4
0
1
0 0
Solution :
6
1
5 2
0
3 8
0
det (A I ) =
= (5 )(3 ) (5 )(1 )
0
0
5
4
0
0
1
0
(5 )2 (3 ) (1 ) = 0 ou ( 5)2 ( 3) ( 1) = 0
4 - 143 + 682 - 130 + 75 = 0
Polynme caractristique de A : polynme de degr n = 4

= 5 = valeur propre de multiplicit 2
5-6
Dfinition :
2 matrices carres A et B nn sont similaires s'il existe une matrice inversible P de telle sorte que P1AP = B ou A = PBP1.
Thorme 4
Si les 2 matrices A et B sont similaires, alors ces 2 matrices ont le mme
polynme caractristique et aussi les mmes valeurs propres.
Dmonstration :
B = P1AP B - I = P1AP - P1P = P1(A - I)P
det (B -I) = det[P1 (A -I) P] = det (P1) det (A - I) det (P)
Or
det (P1) det (P) = det (P1 P) = det( I ) = 1

det (B -I) = det (A - I).
C.Q.F.D.
Note. Le calcul du polynme caractristique n'est pas la faon prconise sur le plan numrique.
La mthode dite du QR est la plus approprie.
5.3 Diagonalisation dune matrice

5 0
Exemple 1 : Considrons la matrice diagonale D =
. Calculons les produits D2 et D3.
0 3
Solution :
5 0 5 0 5 2 0
D2 =
=
2
0 3 0 3 0 3
5 0 5 2 0 5 3
D 3 = DD 2 =
=
2
0 3 0 3 0
3 3
5-7
En gnral,
5 k
Dk =
0
0
pour k 1.
3 k
7 2
Exemple 2 : Considrons la matrice A =
. Trouver une formule pour Ak sachant que
4 1
1
1
A = PDP1 avec P =
et
1 2
5 0
D=
.
0 3
Solution :
Tout d'abord, il faut trouver P1. l'aide de la formule d'inversion pour une matrice carre 22,
2 1
P 1 =
.
1 1
Ds lors,
A2 = (PDP1) ( PDP1) = PD (PP1) DP1 = PDDP1 = PD2P1
1 5 2
1
A2 =
1 2 0
0 2 1
3 2 1 1
1 5 k
1
A k = PD k P 1 =
1 2 0
0 2 1 2 5k 3k
=
3 k 1 1 2 3 k 2 5 k
5 k 3k
2 3 k 5 k
Thorme 5 : thorme sur la diagonalisation
Une matrice carre A nn est diagonalisable si et seulement si A possde n vecteurs propres linairement indpendants. De plus, A = PDP1, avec D
une matrice diagonale, si et seulement si les colonnes de P sont des vecteurs
propres linairement indpendants de A.
Dans un tel cas, les lments de D
sont les valeurs propres de A et les colonnes de P les vecteurs propres correspondants.
Les vecteurs propres de A forment une base pour Rn et porte le nom de base vecteur-propre.
5-8
Dmonstration :
Soit P = [v1, ..., vn] et D = [1, ..., n]. Alors
AP = A [v1, ..., vn] = [Av1, ..., Avn]
PD = [1v1, ..., nvn]
Supposons que A soit diagonalisable, i.e. A = PDP1. Ds lors,
AP = (PDP1) P = PD
[Av1, ..., Avn] = [1v1, ..., nvn]
Av1 = 1v1, ..., Avn = 1vn
Comme P est inversible, ses colonnes sont linairement indpendantes. De plus, ces dernires
relations montrent qu'il s'agit des valeurs et des vecteurs propres de A.
3
3
1
Exemple 3 : Diagonaliser la matrice suivante : A = 3 5 3 .

3
3
1
Solution :
tape 1 : Trouver les valeurs propres de A.
Pour les besoins de la cause, voici le polynme caractristique :

det (A - I) = ( 1) ( + 2)2
Les racines sont = 1 et = 2.
tape 2 : Trouver 3 vecteurs propres linairement indpendants.
Pour = 1,
1
v 1 = 1
1
Pour = 2, nous obtenons que x1 = x2 x3 , d'o

x 2 x 3
=x
x = x 2
2
x 3
1
1 +x
3

0
v2
1
0

1
v3
Il est facile de vrifier que ces 3 vecteurs sont linairement indpendants.
5-9
tape 3 : Construire la matrice P avec les 3 vecteurs trouvs l'tape 2. Ds lors,
P = [v 1
v2
1 1 1
v 3 ] = 1 1 0
1 0 1
tape 4 : Construire la matrice D avec les valeurs propres.

0
1 0
D = 0 2 0
0 0 2
Vrification :
3
3 1 1 1 1
2
2
1
AP = 3 5 3 1 1 0 = 1 2 0
3
3
1 1 0 1 1
0 2
OK
0 1
2
2
1 1 1 1 0
PD = 1 1 0 0 2 0 = 1 2 0
1 0 1 0 0 2 1
0 2
4
3
2
Exemple 4 : Diagonaliser la matrice suivante : A = 4 6 3.

3
3
1
Solution :
tape 1 : Obtenir le polynme caractristique :
0 = det (A I ) = 3 32 + 4 = ( 1)( + 2) 2
Les racines sont : = 1, et = -2 de multiplicit 2.
tape 2 : Trouver les vecteurs propres.
=1
1
v 1 = 1
1
5-10
= 2
4
3
0 4 4 3 0
2 + 2
4 6 + 2 3 0 0 0 0 0
3
3
1 + 2 0 0 0 1 0
1
v 2 = 1
0
On constate qu'il n'y a qu'un seul vecteur propre associ la valeur propre de
multiplicit 2 qu'est = 2.
Conclusion : Il ne peut y avoir que 2 vecteurs propres indpendants. Il est impossible de gnrer l'espace R3 partir de ces 2 vecteurs propres. D'aprs le thorme 5, la matrice n'est pas
diagonalisable.
Thorme 6
Une matrice carre nn ayant n valeurs propres distinctes est diagonalisable.
Dmonstration : Voir le thorme 2.

5 8 1
Exemple 5 : La matrice A = 0 0
7 est-elle diagonalisable ?
0 0 2
Solution : noter que c'est un matrice triangulaire. Donc 1 = 5, 2 = 0, 3 = -2. Ces 3 valeurs
propres sont distinctes A est diagonalisable.
Thorme 7
Soit A une matrice nn avec les valeurs propres distinctes 1, ..., p.
a) Pour 1 k p, la dimension de l'espace vecteur-propre pour k est la multiplicit
de k.
b) A est diagonalisable si et seulement si la somme des dimensions des espaces vecteurspropres est gale n.
c) Si A est diagonalisable, l'ensemble des vecteurs propres engendre Rn.
5-11
Valeurs propres complexes

Le polynme caractristique est un polynme de degr n. Il a donc n racines. Il se peut
que des racines soient des nombres complexes. Si un polynme a des racines complexes, alors,
comme les lments de la matrice sont des nombres rels, les racines complexes existent par
paires conjugues, i.e. = a + i b et
= a i b . Bien entendu, les vecteurs propres associs
sont aussi complexes, et ils sont aussi forms d'lments conjugus.
5.4 Application aux quations diffrentielles

Considrons le systme d'quations diffrentielles simultanes suivant :
x 1 = a 11 x 1 + + a 1n x n
x = a x ++ a x
2
21 1
2n n
x n = a n1 x 1 + + a nn x n
ou
a 11 a 1n x 1 ( t )
x = Ax =

a n1 a nn x n ( t )
avec
x =
dx( t )
.
dt
... (5.1)
... (5.2)
Une solution de ce systme est la fonction vectorielle x(t) qui vrifie (5.1) pour toutes les valeurs de t dans un intervalle de variation de t. Comme il s'agit d'un systme linaire, si u et v
sont des solutions, alors cu + dv est aussi une solution. En ingnierie, il s'agit du principe de
superposition des solutions. Les bouquins sur les quations diffrentielles montrent qu'il existe
toujours un ensemble fondamental de solutions pour (5.1). Toute solution de (5.1) est alors une
combinaison linaire unique de ces n fonctions. L'ensemble fondamental des solutions devient
une base pour l'ensemble de toutes les solutions. Si le vecteur x0 est spcifi, alors il s'agit d'un
problme valeurs initiales, et il faut alors la solution unique avec la perspective que la fonction
x est telle que x' = Ax avec la condition que x(0) = x0.
5-12
Lorsque A est une matrice diagonale, les solutions de (5.1) s'obtiennent l'aide de la
thorie de base des quations diffrentielles. Voici un exemple illustratif :
x ( t ) 3 0 x 1 ( t )
1 =
x 2 ( t ) 0 5 x 2 ( t )
x 1 ( t )
... (5.3)
= 3x 1 ( t )
x 2 ( t ) = 5x 2 ( t )
Le systme (5.3) est dit dcoupl, car chaque drive ne dpend que de sa fonction elle-mme et
qu'elle n'est pas relie ou combine avec l'autre. D'aprs la thorie fondamentale de l'intgration,
x 1 ( t ) c 1e 3 t
1 3t
0 5t
=
+
c
e
c
1
2
x ( t ) =
1 e
5t
2 c 2 e
0

Ce cas particulier nous indique cependant la forme gnrale de la solution de l'quation
x' = Ax
... (5.4)
t
i.e. une combinaison linaire des
x(t) = ve
Notons aussi que
x'(t) = ve = Ave
Comme e
... (5.5)
t
est toujours 0, alors Av = v si et seulement si est une valeur propre de A et
v son vecteur propre correspondant. Chaque couple valeur-vecteur propre fournit une solution
de x = Ax. Ces solutions portent le nom de fonctions propres de lEDO.
Exemple :
Supposons une particule se dplaant dans un champ planaire et que sa position x vrifie la
condition x' = Ax avec x(0) = x0 :
4 5
A=
et
2 1
2,9
x0 = .
2,6
Solutionner ce problme aux valeurs initiales.

Solution :
= 2 5 6 = 0
Les racines sont : = 6 et = -1. Les valeurs tant distinctes, A est diagonalisable. Les vecteurs propres correspondants sont :
5-13
5
v 1 = et
2
1
v2 = .
1
Ds lors,
5
x ( t ) = c1 e 6 t + c 2
2
1 t
1 e
Pour dterminer les valeurs de c1 et c2, t = 0,

5
c1 + c 2
2
x( t ) =
Donc
1 2,9
1 = 2,6

c1 = 3/70 et c2 = 188/70.
3 5 6 t 188 1 t
e +
e .
70 2
70 1
Dcouplage d'un systme mcanique :

Supposons un systme mcanique dcrit par la relation x' = Ax, A tant une matrice carre nn, et que la matrice A soit diagonalisable. Posons alors que les fonctions solutions sont
1t
de la forme v1e
nt
, ..., vne
, o v1, ..., vn sont les vecteurs propres linairement indpendants.
Ds lors, A = PDP1, o P = [v1, ..., vn]. Dfinissons une nouvelle fonction y telle que
y ( t ) = P 1 x ( t ) x ( t ) = P y ( t )
... (5.6)
Ds lors,
d
(Py ) = A (Py ) = PDP 1 Py = PDy
dt
Py' = PDy P 1 Py' = P 1 PDy y' = Dy
y'1 ( t ) 1
=0

y' n ( t ) 0
0 0 y1 ( t )
0
0 n y n ( t )
... (5.7)
Ce changement de variable a permis de dcoupl le systme mcanique. Rappelons que

t
x(t) = Py(t) = [v1, ..., vn] y(t) = c1v1e
nt
+ ... + cnvne
c1e1t
c1
2t
c
ce
y ( t ) = 2 , avec 2 = y ( 0 ) = P 1x 0

nt

cn
cn e
5-14
Valeurs propres complexes :

Lorsqu'une matrice avec lments rels possde des valeurs propres complexes, celles-ci
existent alors par paires conjugues, i.e. et avec les vecteurs propres correspondants conjugues v et v. Ds lors, 2 solutions de x' = Ax sont : x 1 ( t ) = ve t
et x 2 ( t ) = ve t .
Dans la pratique, il est plus facile de ngocier avec des fonctions relles. Notons tout
d'abord que les parties relle et imaginaire de x1(t) sont des solutions relles de x' = Ax. Posons que
Re v = partie relle de v
Im v = partie imaginaire de v
v = Re v + i Im v
v = Re v i Im v
v + v = 2 Re v
Ds lors,
v v = 2 i Im v
Donc
( )
Re ve t =
1
[v + v] et
2
Rappel (fonctions complexes) :
( )
Im ve t =
1
[v v ]
2i
e (a +ib )t = e at e ibt = e at (cos bt + i sin bt )
... (5.8)
Alors
ve t = (Re v + i Im v ) e at (cos bt + i sin bt )
= [(Re v ) cos bt (Im v ) sin bt ] e at
+ i [(Re v ) sin bt + (Im v ) cos bt ] e at
Les 2 solutions relles de x' = Ax sont :
y1 (t ) = Re x1 (t ) = ( Re v ) cos bt ( Im v ) sin bt eat

y 2 (t ) = Im x1 (t ) = ( Re v ) sin bt + ( Im v ) cos bt e at
noter que les valeurs propres complexes conjugues permettent d'avoir des solutions priodiques (oscillations, vibrations, ...). La fonction eat peut alors jouer le rle d'amortissement.
5-15
Exemple : Solutionner le systme diffrentiel linaire suivant :

2 2.5
3
dx
= Ax avec A =
et x ( 0 ) = .
dt
10 2
3
Solution :
i
2
1 = 2 + 5i, v1 = .
i
x1 ( t ) = e( 2+5i )
2
i
x 2 ( t ) = e( 25i ) = x1 ( t )
2
( complexe conjugu )
Or, la solution complexe devient

i
i
x1 ( t ) = e( 2+5i ) = e 2 t ( cos5t + i sin 5t )
2
2
sin 5t 2 t
y1 ( t ) = Re ( x1 ( t ) ) =
e
2 cos5t
cos5t 2 t
y1 ( t ) = Im ( x1 ( t ) ) =
e
2sin 5t
Ds lors,la solution relle devient
sin 5t 2 t
cos5t 2 t
e
c
x ( t ) = c1
+
2
2sin 5t e
2 cos5t
Il faut dterminer c1 et c2. t = 0,
0
1 3
c1 + c2 = c1 = 1.5 et c2 = 3
2
0 3
Donc
sin 5t 2 t
cos5t 2 t
x ( t ) = 1.5
e + 3
e
2 cos5t
2sin 5t
5-16
5.5 Mthode itrative pour obtenir les valeurs propres

Dans plusieurs problmes d'ingnierie, il n'est pas ncessaire de connatre avec prcision
les valeurs propres. Dans un tel cas, la voie est ouverte pour l'utilisation de mthodes itratives
pour le calcul des valeurs propres. Une mthode itrative, dite la mthode de Jacobi, s'applique
aux matrices symtriques.
Dfinition :
Une matrice carre A nn est dite symtrique si A = AT, i.e.
aij = aji i j.
(ATA)T = ATA ATA symtrique.
De plus,
Dfinition :
Une matrice carre U est dite orthogonale si UUT = UTU = In. De plus,
l'inverse de U est gale sa transpose, i.e. U1 = UT. Si U et V sont orthogonales, alors
(UV )T (UV ) = (V T U T )(UV) = V T (U T U)V = V T V = I n

Une matrice orthogonale U ne modifie pas le produit scalaire, la longueur et l'angle :
(Ux) (Uy) = x y
Ux = x
x, y
x
(Ux , Uy ) = (x , y ) x, y non nuls
(< : angle)
Les lignes et les colonnes d'une matrice orthogonale sont des vecteurs unitaires et sont mutuellement perpendiculaires.
Exemple : Soit la matrice rotation dfinie par
cos sin
R =
sin cos
cos sin
Notons que RT = R1. En effet, R T =
sin cos
... (5.9)
et, l'aide de la formule pour cal-
cos sin
culer l'inverse d'une matrice 22, R 1 =
.
sin cos
5-17
Pour un cas plus gnral, la matrice de rotation pour les lignes i et j, i < j, d'une matrice nn se
dfinit par la matrice suivante :
1
R ij () =
0

0 cos sin 0
0 sin cos 0
0
0
0
1
0
col. i
ligne i
ligne j
col. j
Dfinition :
Les matrices A et B sont dites similaires s'il existe une matrice inversible telle que P1AP = B ou de faon quivalente, PBP1 = A. Le fait de changer la matrice A en la matrice B s'appelle une transformation de similarit.
Comme nous l'avons vu prcdemment, 2 matrices similaires ont le mme polynme caractristique et, par le fait mme, les mmes valeurs propres. De plus, si la matrice P est une matrice
orthogonale U, alors la transformation de similarit B = U1AU, alors B est dite en similarit
orthogonale avec A.
Thorme sur la diagonalisation d'une matrice symtrique :
Soit une matrice symtrique A d'ordre n. Il y a alors une matrice orthogonale U telle que UTAU = diag (1, ..., n). De plus les valeurs propres
de A sont relles, et les vecteurs propres v1, ..., vn sont les colonnes de U et
forment une base de vecteurs orthonorms.
Exemple : La transformation de similarit suivante (rotation autour de l'axe y)
1 / 2 0 1 / 2 3 0 1 1 / 2 0 1 / 2 4 0 0
1
0 0 3 0 0
1
0 = 0 3 0
0
1 / 2 0 1 / 2 1 0 3 1 / 2 0 1 / 2 0 0 2
5-18
A = AT
UT = U1
U = R13(/4)
Si A est symtrique, U orthogonale et B = UTAU, alors
diag (4, -3, 2)
BT = (UTAU)T = UTATU = UTAU = B

d'o l'on tire que B aussi est une matrice symtrique. Ds lors,
BT = Rij() TA Rij()
est une matrice symtrique.
Examinons maintenant l'effet des multiplications matricielles des matrices de rotation
Rij() sur la matrice A. Soit une matrice A nn symtrique pr-multipli par une la matrice
de rotation Rij()T et post-multipli par Rij(). La matrice B ainsi obtenue est la mme que la
matrice A sauf pour les lignes i et j pour lesquelles nous obtenons que
bij = bji = aij [cos2 - sin2] + (ajj - aii) sin cos
...(5.10)
bik = bkj = aik cos + ajk sin
k i, j (lign. i et col. i de B)
...(5.11)
bjk = bkj = aik sin + ajk cos
k i, j (lign. j et col. j de B)
...(5.12)
bii = aii cos2 + ajj sin2 + 2aij sin cos
...(5.13)
bjj = aii sin2 + ajj cos2 2aij sin cos
...(5.14)
Mthode de Jacoby pour une matrice symtrique :

Choisissons l'angle de telle sorte que bij = bji = 0. Ds lors,
a ij cos(2 ) +
1
a jj a ii sin (2 ) = 0
2
...(5.15)
L'angle en radian s'obtient l'aide de
1
2a ij
si a ii a jj
tg 1
a ii a jj
2
=

si a ii = a jj
4
...(5.16)
Si A est symtrique et i ainsi que j sont les indices de l'lment hors diagonal le plus grand en
valeur absolue, alors, avec une rotation pour que bij = bji = 0, la matrice B devrait se rapprocher
plus prs d'tre une matrice diagonale que A. Cette procdure itrative qui cherche par une suite
de transformations de rotation rapprocher B d'une matrice diagonale s'appelle la mthode de
Jacoby, i.e. en dbutant avec la matrice A0 = A, la mthode une suite de matrices de rotation de
telle sorte que
5-19
A k = R k T A k 1 R k D = diag (1 , , n ) alors que k
...(5.17)
Puisque A0 = A, nous pouvons exprimer Ak en fonction de A selon la procdure suivante :

A k = U k T AU k
avec U k = R 1 R 2 R k = U k 1 R k
...(5.18)
La matrice Uk dans (5.18) est le produit de matrices orthogonales, d'o le fait qu'elle-mme est
orthogonale. mesure que k , le thorme sur la diagonalisation d'une matrice symtrique
garantit que Uk U. Il faut bien noter que la mthode de Jacobi gnre des valeurs propres approches et non exactes ; il en est de mme pour les vecteurs propres.
Notation :
Pour simplifier la notation, les matrices de rotation se noteront
Rk = Rij(k)
Sk = sin k
Ck = cos k
Exemple : Excuter 3 itrations l'aide de la mthode de Jacobi sur la matrice suivante :
0,01 0,02
3
A = 0,01 2
0,1 .
0,02 0,1
1
Solution :
La plus grande valeur absolue pour un lment hors diagonale principale est a23 = 0,1. Ds lors,
1 =
1 1 2a 23 1 1 2 (0,1)
= tg
tg
= 0,0985376 radians
2
a
a
2 1
33 2
22
C1 = cos 1 = 0,995133 et S1 = sin 1 = 0,0985376

0
0 3
0,01 0,02 1 0
1
A 1 = R 1 A 0 R 1 = 0 C1 S1 0,01 2
0,1 0 C1
0 S1 C1 0,02 0,1
1 0 S1
3
0,011922 0,018917
= 0,011922 2,009902
0
0,018917
0
0,990098
T
0
S1
C1
5-20
Il faut remarquer ici que l'arrive des lments a23 = a32 = 0 a fait augmenter lgrement
les lments a12 = a21. Le nouvel lment hors diagonale principale le plus grand en valeur absolue est maintenant a13 = a31 = 0,018917 ; noter cependant qu'il est plus petit que a23 = a32 de
la matrice A0. Notons aussi que U1 = R1. Si nous continuons,
2 =
1 1 2a 13 1 1 2 (0,018917
= tg
tg
= 0,0094179
2
a
a
2
3
0
,
990098
11 33
C2 = cos 2 = 0,999956 et S2 = sin 2 = 0,00941065

3
0,011922 0,018917 C 2
C 2 0 S2
0
A2 = 0
1 0 0,011922 2,009902
0
S 2 0 C 2 0,018917
0
0,990098 S 2
0
3,000178 0,011922
= 0,011922 2,009902 0,000112
0
0,000112 0,989920
0 S2
1
0
0 C 2
0
0
1
0,999956 0 0,009411
U 2 = 0 0,995133 0,098538
0
1
0
0 0,098538 0,995133 0,009411 0 0,999956

0
0,009411
0,999956
= 0,000927 0,995133 0,098533

0,009365 0,098538 0,995089
Avec une 3ime itration, nous obtenons que 3 = 0,012035. Ds lors,
A3 = R3TA2R3 , U3 = U2R3 et
0
1,35E 06
3,00032
A3 =
0
2,00976
1,12E 4
1,35E 06 1,12E 4 0,989920
0,999883 0,0120355 0,0094108
U 3 = 0,0110502 0,995072 0,0985332
0,0105503 0,0984177
0,995089
5-21
Mthode dite du QR.

La mthode la plus efficace pour obtenir les valeurs propres et les vecteurs propres d'une
matrice carre quelconque est la mthode dite du QR. Cette mthode implique une srie de
transformations orthogonales de similarit sur la matrice A pour la rduire une matrice triangulaire ou quasi-triangulaire. La description de cette mthode sort du cadre de ce cours. Pour
plus de dtails, le lecteur devrait se rfrer
Stewart, G. W. (1973), Introduction to Matrix Computations, Academic Press, New york,

p. 327-394.
5-22

3 2
Problme 1 (Lay, #1, p. 308). Est-ce que = 2 est une valeur propre de la matrice A =
? Oui
3 8
Problme 2
(Lay, #7, p. 308)
Est-ce que = 4 est une valeur propre de la matrice
3 0 1
A = 2 3 1 ? Si oui, trouver un vecteur propre qui lui est associ. Oui et x = (1, 1, -1).
3 4 5
Problme 3 (Lay, #21, p. 309). Dterminer si lnonc est vrai ou faux et justifier la rponse.
a) Si Ax = x pour un vecteur quelconque x, alors est une valeur propre de A. Faux
b) Une matrice A nest pas inversible ssi = 0 est une valeur propre de A. Vrai
c) Un nombre c est une valeur propre de A ssi lquation ( A cI ) x = 0 a une solution non
triviale. Vrai
d) Pour trouver une valeur propre de A, il suffit de ramener A une matrice chelon. Faux
Problme 4 (Lay, #25, p. 309) . Dmontrer que si est une valeur propre dune matrice inversible A,
-1
alors -1 est une valeur propre de A .
Problme 5
(Lay, #3, p. 317)
3 2
. Trouver le polynme caractristique de la matrice A =
.
1 1
Rp. : 2 2 1
1 0 1
Problme 6 (Lay, #9, p. 317) . Trouver le polynme caractristique de la matrice A = 2 3 1 .
0 6 0
Rp. : 3 + 4 2 9 6
5-23
Problme 7 (Lay, #17, p. 318) . Trouver les valeurs propres de la matrice
3 0
5 1
A= 3 8
0 7
4 1
0
0
0
2
9
0
0 0
0 0
1 0
2 3
0
Rp. : 1,2 = 1, 3,4 = 3, 5 = 0
Problme 8 (Lay. #3, p. 325) . Utiliser la factorisation A = PAP-1 pour calculer Ak, o k est un nombre positif arbitraire.
0 1 0 a 0 1 0
a
3 a b b = 3 1 0 b 3 1
)
ak
Rp. : k
k
3a 3b
bk
1 0
Problme 9 (Lay, #7, p. 326) . Diagonaliser la matrice A =
.
6 1
1 0
1 0
Rp. : P =
,D =
3 1
0 1
3 1
Problme 10 (Lay, #9, p. 326) . Diagonaliser la matrice A =
. Non diagonalisable.
1 5
Problme 11 ( Lay, #21 et #22, p. 326). Dterminer si lnonc est vrai ou faux et justifier la rponse.
A est diagonalisable si A = PDP -1 pour une matrice quelconque D et une matrice quelconque inversible P. Faux
Si Rn a comme base les vecteurs propres de A, alors A est diagonalisable. Vrai
A est diagonalisable ssi A a n valeurs propres y compris les valeurs propres multiples.
Faux
Si A est diagonalisable, alors A est inversible. Faux
Si A est inversible, alors A est diagonalisable. Faux
Si AP = PD, avec D diagonale, alors les colonnes non nulles de P correspondent doivent
tre des vecteurs propres de A. Vrai
Problme 12 (Lay, #33, p. 326) . laide de MATLAB, diagonaliser la matrice suivante :
6 4
3 0
A=
1 2
4 4
0
1
1
0
9
6
5-24
5
0
Rp. : D =
0
0
1 0
0
,
0 2 0
0 0 2
0
2 2
1 1
P=
1 7
2 2
6
1 3
1 0
0 4
1
Problme 13 (Lay, #10, p. 361). Trouver la solution relle gnrale du systme diffrentiel linaire
suivant :
3 1
x' =
x
2 1
cos t sin t 2 t
sin t + cos t 2 t
Rp. : c1
e + c2
e
2 cos t
2sin t
CHAPITRE 6
Orthogonalit et moindres carrs
-
Comprendre la notion dorthogonalit de 2 vecteurs et densemble orthogonal et orthonorm.
Saisir la notion de projection orthogonale.
Interprter gomtriquement une projection orthogonale avec ses proprits.
Comprendre ce quest un problme au sens des moindres carrs. Solution.
Comprendre et interprter le lissage dune droite (courbe de tendance dans EXCEL) au

sens des moindres carrs.
Comprendre le procd de Gram-Schmidt pour obtenir une base orthogonale et orthonorme.
6-2
Chapitre 6
Orthogonalit et moindres carrs
6.1 Produit scalaire ou intrieur. Longueur. Orthogonalit.
Dfinition :
Le produit scalaire (ou produit intrieur) de 2 vecteurs u et v, que lon
note uT v ou aussi u v se dfinit comme
u T v = [u 1
v1
v
u 2 u n ] 2 = u 1 v1 + u 2 v 2 + + u n v n

v n
... (6.1)
= u i vi
i =1
u1
u
avec u = 2 et

u n
v1
v
v = 2.

v n
2
Exemple : Calculer u v et v u pour les vecteurs u = 5
1
3
v = 2 .
3
Solution :
u v = uT v = (2)(3) + (5)(2) + (1)(3) = 1

v u = vT u = (3)(2) + (2)(5) + (3)(1) = 1
6-3
Thorme 1
a)
b)
c)
d)
Soient u, v et w Rn, et c un scalaire. Alors

uv =vu
(u + v) w = u w + v w
(cu) v = c(u v) = u (cv)
u u 0 et u u = 0 si et seulement si u = 0.
Longueur dun vecteur :

La longueur ou la norme dun vecteur v Rn, que lon note v , le scalaire
v = vv =
v i2
... (6.2)
i =1
cv = c v
... (6.3)
Un vecteur u dont la longueur est 1 sappelle un vecteur unitaire. Pour rendre unitaire ou normaliser un vecteur v,
u=
v
v
... (6.4)
Exemple : Soit v = (1, -2, 2, 0). Trouver un vecteur unitaire u dans la mme direction que v.
Solution :
Calcul de la longueur de v : v
= v v = (1) 2 + (2) 2 + (2) 2 = 9
v = 9 =3
1 1/ 3

v v 1 2 2 / 3
Calcul du vecteur unitaire u : u =
= =
=
.
v 3 3 2 2/3

0 0
6-4
Distance dans Rn :
Soient u, v Rn. La distance entre les points u et v est la longueur du vecteur (u v), que l'on note dist (u v) et
dist (u v) = (u v)
7
3
Exemple : Calculer la distance entre les 2 points suivants : u = et v = .
1
2
Solution :
Tout d'abord,
7 3 4
uv = = .
1 2 1
v
u
u v = 4 2 + ( 1) 2 = 17
-v
u-v
Vecteurs orthogonaux :
Considrons dans R2 ou R3 2 droites passant par l'origine et dcrites par les vecteurs u
et v, comme le montre la fig. ci-contre.
Les 2 droites sont gomtriquement perpendiculaires
si et seulement si la droite passant par u est
u - v
v
une bissectrice perpendiculaire du segment de
u - (- v)
droite reliant les points -v et v. C'est un

nonc quivalent exiger que les distances
origine
u - v et u - (- v) soient gales.
Ds lors,
dist ( u v ) = u ( v ) = ( u + v ) ( u + v )
2
= u (u + v) + v (u + v)
= u u + u v + v u + v v = u 2 + v 2 + 2 u v
... (6.1)
En procdant de la mme faon avec v,
6-5
[dist (u, v )]2 =
+ v
2u v
Ces 2 distances sont gales si et seulement si u v = 0, i.e. si u et v sont orthogonaux.

Dfinitions :
Les vecteurs u, v Rn sont orthogonaux si u v = 0.

Si un vecteur z est orthogonal tous les vecteurs d'un sous-espace W de Rn, alors
il est dit orthogonal W. L'ensemble de tous les vecteurs z orthogonaux W s'appelle
le complment orthogonal de W, que l'on dnote par W .
Exemple : Considrons un plan W passant par l'origine dans R3, posons que L est une droite pas-
sant par l'origine et qu'elle est perpendiculaire au plan. Alors w W et z L sont perpendiculaires. De plus, L = W et W = L .
W
w
90o
z
L
1. Un vecteur x W si et seulement si x est orthogonal tout vecteur d'un ensemble qui gnre W.
2. W est un sous-espace de Rn.
Thorme 3
Soit une matrice A m n. Alors
[R (A )] = N (A )
et
[C (A )] = N (A T )
... (6.2)
6-6
Dmonstration :
Ax = 0 ri x = 0 i
ri
A
Donc x est orthogonal R (A).

Mme raisonnement avec AT.
6.2 Ensembles orthogonaux

Un ensemble de vecteurs {u1, ..., up} de Rn est un ensemble orthogonal si ui uj = 0
i j.
Exemple : Montrer que les 3 vecteurs suivants forment un ensemble orthogonal.
3
1
1 / 2
u 1 = 1, u 2 = 2 , u 3 = 2 .
1
1
7 / 2
Solution :
u1 u2 = 3(-1) + 1(2) + 1(1) = 0

u1 u3 = 3(-1/2) + 1(-2) + 1(7/2) = 0
u2 u3 = -1(-1/2) + 2(-2) + 1(7/2) = 0
Donc {u1, u2, u3} est un ensemble orthogonal.
Thorme 4
Si S = {u1, ..., up} est un ensemble orthogonal de vecteurs non nuls dans
Rn, alors S est linairement indpendant et forme ainsi une base pour le sousespace gnr par S.
Dmonstration :
Par dfinition,
0 = c1u1 + c2u2 + ... + cpup
Ds lors,
0 = 0 u1 = c1 (u1 u1) + c2 (u2 u1) + ... + cp (up u1) = c1 (u1 u1)

c1 = 0 car u1 0.
6-7
Dfinition :
Une base orthogonale pour un sous-espace W de Rn est une base
pour W, laquelle est en mme temps un ensemble orthogonal.
Thorme 5
Soit {u1, ..., up} une base orthogonale pour un sous-espace W de
R . Alors tout vecteur y W a une reprsentation unique comme combinaison linaire des vecteurs u1, ..., up. De fait,
n
y = c1u1 + ... + cpup
cj =
avec
y u j
u j u j
(j = 1, ..., p)
Exemple : Pour W comprenant les 3 vecteurs de l'exemple prcdent que l'on considre une
6
base, exprimer y = 1 comme une combinaison linaire de cette base.
8
Solution :
y u1 = 11
y u2 = -12
y u3 = -33
u1 u1 = 11
u2 u2 = 6
u3 u3 = 33/2
y=
11
12
33
u1 +
u2 +
u 3 = u 1 2u 2 2u 3
11
6
33 / 2
Projection orthogonale :
Soit un vecteur non nul u Rn. Considrons le problme de dcomposer un vecteur
y Rn dans la somme de 2 vecteurs, le premier un multiple de u et le second un vecteur orthogonal u. Ds lors,
y = y + z
o
... (6.3)
y = u o est un scalaire et z un vecteur orthogonal u.
6-8
z = y y
y = u
Alors z = y u est orthogonal u si et seulement si
0 = (y u ) u = y u (u ) u = y u (u u )
y u
u u
y =
et
y u
u.
u u
De plus
Projection orthogonale
de y sur u
z =y
y u
u
u u
Composante de y
orthogonale u
7
4
Exemple : Soit y = et u = . Trouver la projection orthogonale de y sur u.
6
2
Solution:
Calcul
7 4
y u = = 40
6 2
4 4
u u = = 20
2 2
Ds lors
y =
7 8 1
40 4 8
= et y y = =
20 2 4
6 4 2
La somme des 2 vecteurs :
7 8 1
6 = 4 + 2

(y y )
6-9
Autre vrification :
8 1
y (y y ) = = 8 + 8 = 0
4 2
De plus, un autre fait intressant : la distance entre de y avec la droite L passant par l'origine et
dans la direction u est donne par la longueur de (y y ) i.e.
y y =
( 1)2 + 2 2
= 5
L = {x x = u }
y
y y
Application en mcanique : Dcomposer une force en composantes :

Fu 2
Fu 1

F=
u1 +
u 2 = F cos u 1 + F sin u 2
u 1 u1
u2 u2
si u 1 et u 2 = 1.
Ensemble orthonorm : Un ensemble orthogonal de vecteurs {u1, ..., up}est orthonorm si

u1 = = u p = 1 .
Thorme 6
Une matrice U m n possde des colonnes orthonormes si et
seulement si UTU = I.
6-10
Thorme 7
Soit une matrice U m n avec des colonnes orthonormes et posons que x et y Rn. Alors
a. Ux= x
b. (Ux) (Uy) = x y
c. (Ux) (Uy) = 0 si et seulement si x y = 0.
Dmonstration (thorme 6) :
U = [u 1
u2
u3 ]
u T
u T u 1
1

1T
T
et U T = u T
U
U
=
u 2 u 1
2
T
T
u 3
u 3 u 1
u 1T u 2
uT
2 u2
u 3T u 2
u 1T u 3
uT
2 u3 = I
u 3T u 3
C.Q.F.D.
1 / 2
Exemple : Posons que U = 1 / 2

0
2/3
2 / 3 et
1 / 3
2
x = . Vrifier que Ux = x .
3
Solution :
1 / 2
1
/
2
1
/
2
0
UTU =
1 / 2
2 / 3 2 / 3 1 / 3 0
1 / 2
Ux = 1 / 2
0
2/3
1 0
2 / 3 =
0 1
1 / 3
2/3
3
2
2 / 3 = 1
3
1 / 3 1
Ux = 9 + 1 + 1 = 11
x = 2 + 9 = 11
Une matrice orthogonale est une matrice carre inversible telle que U-1 = UT. Ds lors,
une matrice orthogonale a des colonnes orthonormes. De plus, toute matrice carre dont les colonnes sont orthonormes est orthogonale.
6-11
6.3 Projections orthogonales

Pour un vecteur donn y et un sous-espace W dans Rn, il existe un vecteur y dans W tel
que
(1) y est l'unique vecteur dans W pour lequel y y est orthogonal W,
(2) y est l'unique vecteur dans W qui soit le plus prs de y.
.y
W
.y
Exemple : Soit {u1, ..., u5 } une base orthogonale pour R5 et posons que y = c1u1 + ... + c5u5.
Considrons maintenant un sous-espace W = Gen{u1, u2} et posons que
y = c1u1 + c2u2 +c3u3 +c4u4 + c5u5
z1 = c1u1 + c2u2
z1 Gen {u1, u2}
z2 = c3u3 + c4u5 + c5u5
z2 Gen {u3, u4, u5}
=0
=0
=0
Or z2 u1 = (c3u3 + c4u5 + c5u5) u1 = c3u3 u1 + c4u4 u1 + c5u5 u1 = 0.
Donc z 2 W .
Thorme 8
Soit W un sous-espace de Rn. Alors tout y Rn peut s'crire de faon
unique dans la forme y = y + z avec y W et z W . De plus, si {u1, ..., up}

forme une base orthogonale pour W, alors
y up
y u1
y =
u1 + +
up
u1 u1
up up
...(6.4)
z = y y
6-12
Le vecteur y s'appelle la projection orthogonale de y sur W, que l'on note aussi projW y.
z = y y
y = projW y
W
2
2
Exemple : Posons que u 1 = 5 , u 2 = 1 et

1
1
1
y = 2. crire y comme la somme d'un
3
vecteur de W = Gen {u1, u2) et un vecteur orthogonal W.
Solution :
2
2 2 / 5
y u1
y u2
9 3
y =
u1 +
u2 =
5 + 1 = 2
u1 u1
u2 u2
30
6
1
1 1 / 5
1 2 / 5 7 / 5
z = y y = 2 2 = 0
3 1 / 5 14 / 5
1 2 / 5 7 / 5
y = 2 = 2 + 0
3 1 / 5 14 / 5
6-13
Interprtation gomtrique de la projection orthogonale
dim W = 1 y =
y u1
u1
u1 u1
dim W > 1 y =
y up
y u1
u1 + +
up
u1 u1
up up
et chaque terme est lui-mme une projection orthogonale de y dans un

sous-espace gnr par un des vecteurs u dans la base de W. La projection y est donc la somme des projections de y dans des sous-espaces
unidimensionnels mutuellement orthogonaux.
u2
y = y 1 + y 2
y 2
y 1
u1
Proprit des projections orthogonales :

{u1, ..., up} une base orthogonale de W et y W, alors projW y = y (voir le thorme 6).
Thorme 9 : thorme de la meilleure approximation
Soit W un sous-espace de Rn, y Rn et y la projection orthogonale de y
dans W. Alors y est le point de W le plus prs de y au sens que
y y < y v v W et v y
... (6.5)
6-14
Dmonstration :
Soit v W et v y . Alors (v y ) se trouve dans W et est orthogonal
.
y
yv
y y
y v
v
W
y v = (y y ) + (y v )
Or
yv
De plus,
= y y
+ y v
y v > 0. Donc y v
=0
2
2
+ 2 (y y ) (y v ) = y y
> y y
+ y v
C.Q.F.D.
Exemple : Trouver la distance du point y R3 au sous-espace W avec
1
5
1
y = 5, u 1 = 2, u 2 = 2 et W = Gen{u 1 , u 2 }.
10
1
1
Solution :
6-15
Comme {u1, u2} est une base orthogonale de W, alors
5
1 1
21
15
1 7
y = u 1 +
u 2 = 2 2 = 8
30
6
2
2
1
1 4
1 1 0
y y = 5 8 = 3
10 4 6
y y
= 3 2 + 6 2 = 45
y y = 3 5
Thorme 10
Si {u1, ..., up} est une base orthonorme du sous-espace W dans Rn, alors
projW y = (y u1) u1 + (y u2) u2 + ... + (y up) up
... (6.6)
Si nous posons que U = [u1 u2 ... up], alors

projW y = U UT y
... (6.7)
Dmonstration :
Tout d'abord, (6.6) dcoule de (6.4) du thorme 8 en tenant compte que la base est orthonorme.
De plus,
projW y = (y u1) u1 + (y u2) u2 + ... + (y up) up
projW y = u 1
u2
y u1
y u
2
= u1
up

y u p
u 1 y
u y
2
u 2 up

u p y
U np
u1T y
n1
1n
= UU T y
y Rn
C.Q.F.D.
6.4 Problmes de moindres carrs

6-16
Penser Ax comme une approximation b. Plus la distance entre b et Ax sera petite,
mieux ce sera. Le problme gnral des moindres carrs consiste trouver un vecteur x tel que
la distance b Ax soit aussi petite que possible.
Dfinition :
Si A est une matrice mn et b Rm, alors une solution de Ax = b au sens
des moindres carrs consiste trouver un vecteur x dans Rn tel que
b Ax b Ax
pour tout x R .
n
Solution du problme gnral des moindres carrs :

Soit A est une matrice mn et b Rm. Appliquons le thorme 9 (thorme de la meilleure approximation) au sous-espace C (A). Posons alors que
b = projC( A) b
Comme b est dans C(A), le systme d'quations Ax = b est consistant. Ds lors, il y a un vecteur x Rn tel que
Ax = b
... (6.8)
Puisque b est le point de C(A) le plus prs de b, le vecteur x devient une solution au sens des
moindres carrs de Ax = b. La fig. ci-dessous illustre ce problme.
b A x
b = Ax
C (A)
Rn
6-17
Supposons maintenant que x vrifie Ax = b . Or, d'aprs le thorme 8 (thorme de la dcomposition orthogonale), la projection b a la proprit que b b est orthogonal C(A). Ds
lors, b = Ax est orthogonal chaque colonne de A, i.e.
a j (b Ax ) = a Tj (b Ax ) = 0
A T (b Ax ) = 0
A T Ax = A T b
Thorme 13
L'ensemble des solutions au sens des moindres carrs de Ax = b
concide avec l'ensemble non vide des solutions des quations canoniques
A T Ax = A T b
... (6.9)
Exemple : Trouver la solution au sens des moindres carrs du systme inconsistant suivant :
4 0
2
A = 0 2 , b = 0 .
1 1
11
Solution :
4 0 2 1 0 11
Tout d'abord, inconsistance car 0 2 0 0 1
0 .

1 1 11 0 0 42
Au sens des moindres carrs,
6-18
4 0
4 0 1
= 17 1
A A=
0
2

0 2 1 1 1 1 5
2
4 0 1 19
T
A b=
0 =
0 2 1 11 11

17 1 x 1 19
A T A x = A Tb
=
1 5 x 2 11
T
(A T A)1 = 841 51
(
x = A T A
1
17
)1 A T b = 841 51
1 19 1
=
17 11 2
Thorme 14
La matrice ATA est inversible si et seulement si les colonnes de A sont linairement indpendantes. Dans un tel cas, Ax = b n'a qu'une solution au sens
des moindres carrs et elle provient de
x = ( A T A) 1 A T b
...
(6.10)
Exemple : l'aide des donnes de l'exemple ci-dessus, dterminer l'erreur au sens des moindres
carrs dans la solution trouve pour ce problme.
6-19
Solution :
4 0
4
2
1
b = 0 et Ax = 0 2 = 4
2
11
1 1 3
2 4 2
b Ax = 0 4 = 4
11 3 8
b Ax =
( 2 )2 + ( 4 )2 + (8)2
= 84
Ds lors, tout vecteur b R2 se trouve une distance d'au moins
84 du vecteur Ax.
6.5 Applications aux modles linaires

Notation : au lieu d'crire Ax = b, on crit X
= y, o X rfre la matrice de conception,
au vecteur paramtre et y au vecteur observation. Cette notation est communment
utilise en ingnierie.
Droite par les moindres carrs :

y = o + 1 x
Modle utilis :
...(6.11)
Les points exprimentaux sont donns par : (x1, y1), ..., (xn, yn).
Point provenant des donnes
(xj, yj)
Droite
y = o + 1 x
.
.
rsidu
Point sur la courbe
(xj, o + 1 xj)
x
x1
xj
xn
6-20
La faon usuelle d'ajuster ou lisser la droite travers des donnes consiste minimiser la
somme des carrs des rsidus entre les valeurs mesures et les valeurs calcules l'aide de la
droite. La droite cherche s'appelle aussi la droite de rgression de y sur x, car on suppose que
l'erreur s'est produite sur les valeurs de y seulement. Les coefficients o et 1 s'appellent les
coefficients de rgression. Ce sont les valeurs de o et 1 que l'on cherche dterminer pour
lisser la droite. Ds lors,
Valeur prdite y Valeur mesure yj
o + 1 x1
y1
o + 1 xn
yn
Le tout peut s'crire comme le systme d'quations suivant :

1 x 1
y1
1 x
y
1
2
X = y avec X =
, = , y = 2

2

1 x n
y n
... (6.12)
Exemple : Trouver la droite de lissage au sens des moindres carrs pour les points suivants :
(2, 1), (5, 2), (7, 3), (8, 3).
Solution :
Tout d'abord, construisons la matrice X et le vecteur y :
1
1
X=
1
2
5
, et
7
1
2
y = .
3

3
Pour la solution au sens des moindres carrs,

X
=y
et
XTX = XTy
6-21
Ds lors,
1 1 1 1 1
T
X X=
2 5 7 8 1
2
5 4 22
=
7 22 142
1

1 1 1 1 2 9
T
X y=
=
2 5 7 8 3 57

3
Les quations canoniques deviennent
4 22 o 9
22 142 = 57
1
o 4 22
= 22 142
9 1 142 22 9 1 24 2 / 7
=
=
57 = 84 22
4 57 84 30 5 / 14

Donc la droite de rgression devient :

y=
2 5
+ x
7 14
Mthode gnralise des moindres carrs :

Les statisticiens considrent la prsence d'un vecteur rsiduel de telle sorte que
y = X
+
Toute quation qui peut se ramener cette forme devient un modle linaire. Comme les quantits X et y sont connues, le but consiste minimiser le rsiduel , ce qui revient trouver la
= y au sens des moindres carrs. Ds lors, la solution des quations canoniques

solution de X
fournit la solution :
XTX = XTy
Exemple : Supposons que les points (x1, y1), ..., (xn, yn) semblent rpondre une courbe parabolique, i.e.
y = o + 1x + 2x2
Dcrire le modle linaire qui peut gnrer un modle au sens des moindres carrs.
6-22
Solution :
Ds lors, nous pouvons crire
y1 = 0 + 1 x 1 + 2 x 12 + 1
y 2 = 0 + 1 x 2 + 2 x 22 + 2
y n = 0 + 1 x n + 2 x 2n + n
ou
y1 1 x 1
y
2 = 1 x 2

y n 1 x n
y

x 12
1 1
x 22 2
2 +

3
x 2n
n
6.6 La procdure de Gram-Schmidt

Il s'agit d'une procdure simple pour gnrer une base orthogonale ou orthonorme pour un
sous-espace non nul de Rn. Nous allons dbuter par un exemple.
Exemple : Soient
1
0
0
1
1
0
x1 = , x 2 =
, x 3 = .
1
1
1

1
1
1
Construire une base orthogonale pour le sous-espace W engendr par {x1, x2, x3}.
Solution :
1re tape : Posons que v1 = x1 et que W1 = Gen {x1} = Gen {v1}.
2me tape : Posons que v2 est le vecteur produit en soustrayant de x2 sa projection sur W1.
6-23
Ds lors,
v 2 = x 2 projW 1x 2
x v
= x 2 2 1 v1
v1 v1
1 3 / 4
0
1
1/ 4
3 1
= =
1 4 1 1 / 4

1
1 1 / 4
3
1
ou v 2 =
1

1
noter que v2 est la composante de x2 orthogonale x1, et {v1, v2} est une base orthogonale
de W2 engendr par x1 et x2. Le mme raisonnement vaut pour v'2 qui n'est qu'un changement
d'chelle pour v2.
3me tape : Posons que v3 est un vecteur produit en soustrayant de x3 sa projection sur le
sous-espace W2. Ds lors,
x v
x3 v 2
projW2 x 3 = 3 1 v 1 +
v 2
v1 v1
v 2 v 2
Projection de
x3 sur v1
Projection de
x3 sur v'2
1
3 0
1

2 2 1 2 / 3
projW2 x 3 =
=
+
4 1 12 1 2 / 3
1
1 2 / 3
Alors v3 est la composante de x3 orthogonale W2, i.e.
6-24
0 0 0
0 2 / 3 2 / 3
=
v 3 = x 3 projW 2 x 3 =
1 2 / 3 1 / 3

1 2 / 3 1 / 3
La fig. ci-dessous illustre cette construction de v3 partir de x3.
x3
v3
W2 = Gen{v1, v'2}
v'2
projW2 x3
v1
Thorme 11
Soit une base {x1, ..., xp} pour un sous-espace W de Rn. Posons alors que
v 1 = x1
x v
v 2 = x 2 2 1 v1
v1 v1
vp = xp
x p v1
v1 v1
v1
xp v2
v2 v2
v 2
x p v p 1
v p 1 v p1
v p 1
Alors {v1, ..., vp} forme une base orthogonale pour W. De plus
Gen {v1, ..., vk} = Gen {x1, ..., xk} pour 1 k p.
Bases orthonormes :
Si {v1, ..., vk} est une base orthogonale du sous-espace W, alors il suffit de normaliser chaque
vecteur vk pour obtenir une base orthonorme.
6-25
La factorisation QR d'une matrice A :

Thorme 12
Si une matrice A mn a des colonnes linairement indpendantes, alors
cette matrice peut tre factorise en un produit de 2 matrices Q et R, o Q
est est une matrice dont les colonnes forment une base orthonorme pour C(A)
et R est une matrice triangulaire suprieure nn et inversible ayant une
diagonale principale positive.
Dmonstration :
Construire une base orthonorme {u1, ..., un} de W = C(A) l'aide de la procdure de GramScmidt. Soit Q = [u1 u2 ... un].
Pour k = 1, ..., n, xk se trouve dans Gen {x1, ..., xk} = Gen {u1, ..., uk}. Donc il existe des
constantes telles que
xk = r1ku1 + ... + rkkuk + 0 uk-1 + ... + 0 un
Nous supposons ici que rkk 0. Si tel n'tait pas le cas, il s'agit de multiplier et rkk et uk
par -1. Ceci dmontre que xk est une combinaison linaire des colonnes de Q avec comme
coefficients scalaires les lments du vecteur
r1k

r
rk = kk
0

0
Ds lors, xk = Q rk pour k = 1, ..., n. Posons maintenant que R = [r1, ..., rn]. Alors
A = [x 1 x n ] = [Qr1 Qrn ] = QR
R est inversible parce que les colonnes de A sont linairement indpendantes.
6-26
Exemple : Trouver la factorisation QR de

1
1
A=
1
0 0
1 0
.
1 1
1 1
Solution :
Dans un exemple prcdent, nous avions trouv une base orthogonale pour C(A), les vecteurs
x1, x2 et x3 tant les colonnes de A, i.e.
1
1
v 1 = ,
1
3
1
v 2 = ,
1

1
0
2 / 3
v3 =
1/ 3
1/ 3
ou
0
2
'
v3 = .
1

1
Normalisons ces 3 vecteurs pour obtenir la matrice Q orthonorme suivante :

1 / 2 3 / 12
1 / 2 1 / 12
Q=
1 / 2 1 / 12
1 / 2 1 / 12
2 / 6
.
1/ 6
1 / 6
Pour trouver la matrice R, notons que

QTA = QT(QR) = IR = R.
Donc
1/ 2
R = 3 / 12
0
1
1/ 2
1/ 2
1/ 2
1
1 / 12 1 / 12 1 / 12
1
2 / 6 1 / 6 1 / 6
1
0
1
1
1
0
2 3 / 2
0
= 0 3 / 12
1
0
0
1
2 / 12 .
2 / 6
1
6-27
ANNEXE
Complments sur les longueurs, les normes, le produit scalaire et le
produit vectoriel
Longueur ou norme
Dans R 2 et R 3 , un vecteur peut sinterprter gomtriquement comme un segment de droite
oriente. Ds lors, ce segment de droite possde une longueur.
Dans le systme cartsien de
coordonnes, la longueur sobtient laide du thorme de Pythagore :

u = ( u12 + u22 )
1/2
dans R 2
u = ( u12 + u22 + u32 )
1/2
dans R 3
(u1, u2)
u
u2
u1
Figure A1
Distance entre 2 points

La distance d entre 2 points u et v, que ce soit dans R2 ou R3, sobtient laide de
d = uv = vu
Note. ku = k u
6-28
Produit scalaire. Projections.

Pour comprendre la notion de produit scalaire, on utilise la loi des cosinus. En effet, dans R2
comme dans R3, la longueur du ct PQ du triangle de la fig. A2 se dtermine laide de
w = PQ = v u
w = u + v 2 u v cos
2
Loi du cosinus
2 u v cos = u + v v u
2
u = u12 + u22 + u32

2
v = v12 + v22 + v32

2
v u = ( v1 u1 ) + ( v2 u2 ) + ( v3 u3 )
2
= u + v 2 ( u1v1 + u2v2 + u3v3 )

2
Donc
2 u v cos = u + v u v + 2 ( u1v1 + u2v2 + u3v3 )
2
u v cos = ( u1v1 + u2v2 + u3v3 ) = u v

Le produit scalaire se dfinit donc comme u v = ( u1v1 + u2v2 + u3v3 ) . Langle entre 2 vecteurs
devient maintenant
cos =
uv
u v
z
P(u1, u2, u3)
w
Q(v1, v2, v3)
v
y
Figure A2
6-29
Proprits du produit scalaire

Soit u, v et w des vecteurs dans R2 ou R3 ainsi que k un scalaire. Alors
uv = vu
u(v + w) = u v + u w
k ( u v ) = ( ku ) v = u ( kv )
v v 0 si v 0
v v = 0 si v = 0
Langle entre les 2 vecteurs u et v est aigu si u v > 0 , obtus si u v < 0 . Ces 2 vecteurs sont
perpendiculaires si u v = 0 .
Projection orthogonale
On peut considrer un vecteur u comme compos de 2 vecteurs, lun w1 parallle une direction
donne a et lautre w2 perpendiculaire ce vecteur, comme le montre la fig. A3. Donc
u = w1 + w 2 . Le vecteur w1 sappelle la projection orthogonale de u sur a, i.e. proja u .
Ds lors, w1 = projau et w 2 = u projau . Comme w1 est parallle a, alors w 1 = ka et
u = w 1 + w 2 = ka + w 2
u a = ( ka + w 2 ) a = k a + w 2 a
2
k=
ua
a
ua
et projau =
De plus,
projau =
ua
a
a =
ua
a
a =
ua
u a cos
=
= u cos
a
a
w2
w1
a
Figure A3
6-30
Produit vectoriel (dans R3 seulement)

Le produit vectoriel des vecteurs u et v est dfini par
u v = ( u2v3 u3v2 ) i + ( u3v1 u1v3 ) j + ( u1v2 u2 v1 ) k

u
uv = 2
v2
u3
u u u u
, 1 3 , 1 2
v3
v1 v3 v1 v2
Proprits du produit vectoriel :

(a ) u v = ( v u)
(b ) u ( v + w ) = (u v ) + ( u w )
(c ) (u + v ) w = (u w ) + ( v w )
( d ) k ( u v ) = ( ku ) v = u ( kv )
(e) u u = 0
( f ) u (u v ) = 0
( g ) v (u v) = 0
2
2
2
2
( h ) u v = u v ( u v ) Identit de Lagrange
(i ) u ( v w ) = ( u w ) v ( u v ) w
( j ) (u v ) w = (u w ) v ( v w ) u
Preuve de la proprit (h) :

2
2
2
2
u v = ( u2v3 u3v2 ) + ( u3v1 u1v3 ) + ( u1v2 u2v1 )
u
v ( u v ) = ( u12 + u22 + u32 )( v12 + v22 + v32 ) ( u1v1 + u2v2 + u3v3 )

2
En dveloppant les produits du ct droit de ces 2 quations,

uv = u
2
v (u v)
2
Interprtation gomtrique du produit vectoriel :

En reprenant lidentit de Lagrange,
uv = u
= u
v (u v ) = u
2
(1 cos ) =
2
v u
2
v cos 2
2
v sin 2
2
Comme 0 , sin 0. Ds lors,

u v = u v sin
Cette formule donne laire du paralllogramme form par les vecteurs u et v. Bien entendu, il
faut prendre la valeur absolue du produit vectoriel, u v . De plus, la valeur absolue du produit
mixte u ( v w ) donne le volume du paralllpipde engendr par ces 3 vecteurs.
6-31
Quelques thormes sur les normes peuvent se rvler fort utiles pour la comprhension de certaines formules.
Thorme A.1 (Lingalit de Cauchy-Schwarz). Si u, v R n , alors u v u v .
Preuve.
Si u ou v = 0, alors lgalit est vrifie. Si u, v 0 , alors, pour un scalaire r,
0 ( ru + v ) ( ru + v ) = r 2u u + 2 ru v + v v = r 2 u + 2ru v + v
2
0 ar 2 + 2br + c avec a = u , b = u v, c = v
2
avec a > 0
P ( r ) = ar + 2br + c
2
P ( r ) = ar 2 + 2br + c avec a > 0, c > 0

2b 4b2 4ac
. Pour que P ( r ) 0 , il faut que b2 ac . Ds
2a
2
v
uv u v .
Or, les racines sont de la forme
lors,
(u v )
= uv u
2
Une application trs intressante permet de dmontrer que, pour le produit scalaire de 2 vecteurs,
uv
= cos 1 cos 1
u v
Thorme A.2 (Lingalit triangulaire). Si u, v R n , alors u + v u + v .
Preuve.
2
u + v = (u + v ) (u + v ) = u u + 2 (u v ) + v v
= u + 2 (u v) + v
2
D'aprs l'ingalit de Cauchy-Schwarz,

u + 2 (u v) + v u + 2 u v + v = ( u + v
2
Donc u + v u + v
Thorme A.3 (Thorme de Pythagore). Si 2 vecteurs u et v sont orthogonaux dans Rn, alors
u+v = u + v
2
Preuve. Se rappeler que u v = 0 .
6-32
Problmes sur la chapitre 6

Problme 1 (Lay, #15, p.382). Dterminer si ces vecteurs sont orthogonaux :
8
2
a = , b =
5
3
Rp.: non
Problme 2 (Lay, #20, p.382). Dcider si les noncs suivants sont vrais ou faux. Justifier la rponse.
-
vv = v
Si la distance entre u et v gale celle entre u et v, alors u et v sont orthogonaux.
Rp.:vrai
Rp. : vrai
-
Pour une matrice carre A, les vecteurs dans C(A) sont orthogonaux ceux de N(A).
Rp. : faux
Si les vecteurs v1, v2, , vp engendrent un sous-espace W et si x est orthogonal chacun

des vecteurs vj, alors x W . Rp. : vrai
Problme 3 (Lay, #9, p.392). Dterminer si les vecteurs v1, v2 et v3 sont orthogonaux. Si oui, exprimer le vecteur x comme une combinaison linaire de ces 3 vecteurs.
1
1
2
8
v1 = 0 , v 2 = 4 , v 3 = 1 , x = 4 Rp.: base orthogonale

1
1
2
3
5
3
x = v1 v 2 + 2 v 3
2
2
Problme 4 (Lay, #21, p. 392). Dterminer si cet ensemble de vecteurs est orthonorm :
1
3

10
10 0
3
, 1
, 1
20
20
2
3
1
1
2
20
20
Rp. : Oui
6-33
1
Problme 5 (Lay, #11, p. 392) . Calculer la projection orthogonale de y = sur la droite passant
7
4
2
par lorigine et le point . Rp. : y = .
2
1
Problme 6 (Lay, #35, p. 393). En utilisant MATLAB, montrer que les colonnes de la matrice suivante sont orthogonales :
6
1
6
A=
2
3
2
3 6
2
3 6
1 2
6
1 2
2
1
6
1
.
3
2
3
Problme 7 (Lay, #36a, p. 393). Normer les colonnes de la matrice A du problme 4 pour obtenir la
matrice U. Obtenir les produits UTU et UUT . Comment expliquer ce rsultat ?
Problme 8
(Lay, #3, p. 400).
Dterminer si les vecteurs u1 et u2 sont orthogonaux, puis trouver la
projection orthogonale du vecteur y sur Gn(u1, u2).

1
1
1
y = 4 , u1 = 1 , u 2 = 1

0
3
0
1
Rp.: y = 4

0
Problme 9 (Lay, #13, p.401). Trouver la meilleure approximation de z dans la forme c1v1 +c2v2.
3
2
1
1
7
1
1
3
z = , v1 = , v 2 = Rp.: z = projW z =
2
3
0
2

3
1
1
3
6-34
Problme 10 (Lay, #21, p. 401). Trouver si les noncs suivants sont vrai ou faux. Justifier la rponse.
a) Si z est orthogonal u1 et u2 et que W = Gn(u1, u2), alors z W Vrai
b) Pour tout y et tout sous-espace W, le vecteur y projW y Vrai
c) Si y W , alors projW y = y
Faux
Problme 11 (Lay, #2, p.416). Trouver une solution au sens des moindres carrs :
2 1
5
4
A = 2 0 , b = 8 Rp.:

3
2 3
1
Problme 12 (Lay, #9, p. 416). Trouver la projection orthogonale de b sur les colonnes de A ainsi
que la solution au sens des moindres carrs de Ax = b :
1 5
4
1
2 / 7
A = 3 1 , b = 2 Rp.: b = 1 , x =

1 / 7
2 4
3
0
Problme 13 (Lay, #17, p. 417). Trouver si les noncs suivants sont vrai ou faux. Justifier la rponse.
a) Une solution au sens des moindres carrs de Ax = b est un vecteur x de telle sorte que
Ax = b , o b est le vecteur orthogonal de b sur les colonnes de A. Vrai
b) La solution au sens des moindres carrs de Ax = b est un vecteur x de telle sorte que
b Ax b Ax pour x R n .
Faux
c) Si les colonnes de A sont linairement indpendantes, alors Ax = b a une seule solution

au sens des moindres carrs.
Problme 19 (Lay, #19, p. 417) . Soit A une matrice m x n. Dmontrer que si x R n vrifie Ax = 0
ssi A T A = 0 .
Problme 20 (Lay, #1, p. 425) . Trouver lquation y = 0 + 1x au sens des moindres carrs pour
lensemble des points suivants : (0, 1), (1, 1), (2, 3), (3, 2). (Rp. : y = 0.9 + 0.4 x)
Problme 21 (Lay, #11, p. 426) . Daprs la 1re loi de Kepler, une comte devrait avoir une orbite elliptique, parabolique ou hyperbolique. Lquation de lorbite en coordonnes polaires indique
que la position (r, ) vrifie une quation de la forme
r = + e ( r cos )
o e = lexcentricit, avec les caractristiques suivantes :

6-35
ellipse : 0 e < 1
parabole : e = 1
hyperbole : e > 1
Des mesures prises lors du passage dune comte ont fourni les valeurs suivantes :
0.88
3.00
1.10
2.30
1.42
1.65
1.77
1.25
2.14
1.01
Dterminer le type dorbite et prdire la position de la comte lorsque = 4.6 rad .

Rp. : e = 0.811, r = 1.33 lorsque = 4.6 .
7-1
CHAPITRE 7
Formes quadratiques. Coniques. Surfaces quadriques
-
Savoir diagonaliser une matrice symtrique
Reprsenter une forme quadratique sous forme matricielle
Valeurs min et max dune forme quadratique
Savoir diagonaliser une forme quadratique et dterminer ses axes principaux
Savoir reconnatre une conique dans le plan partir de la forme quadratique gnrale
Savoir reconnatre les principales formes quadratiques.
GCI 100 Algbre linaire
Pierre F. Lemieux, ing., Ph.D.
7-2
Chapitre 7
Formes quadratiques. Coniques. Surfaces quadriques.
7.0 Introduction
Les courbes coniques (cercle, ellipse, parabole et hyperbole) et les surfaces quadriques (sphre, ellipsode, hyperbolode une feuille, hyperbolode 2 feuilles, cne elliptique, parabolode elliptique, parabolode hyperbolique) reviennent souvent en ingnierie, que ce soit en hydraulique, en
structures ou en gotechnique. Elles peuvent toutes se reprsenter par une forme quadratique que
nous pouvons tudier l'aide de l'algbre linaire pour en dterminer la forme et les proprits. la
base, nous retrouvons la thorie des matrices symtriques ainsi que la thorie des valeurs et des vecteurs propres.
Par exemple, les plantes dcrivent des orbites elliptiques autour du soleil. La gotechnique utilise
la notion de cercle de glissement pour la stabilit d'un talus. Le domaine des structures utilise la parabolode hyperbolique pour certaines formes de voiles minces.
7.1 Matrices symtriques. Diagonalisation.

Une matrice carre A est dite symtrique lorsqu'elle est gale sa transpose. Donc
A T = A a ji = a ij
Exemple. La matrice suivante est symtrique :
0 1 0
1 5
8
0 8 7
... (7.1)
Les matrices symtriques jouissent de plusieurs proprits intressantes, ce que nous verrons l'aide
des thormes qui suivent.
Thorme 1. Si A est une matrice symtrique, alors les vecteurs propres

associs 2 valeurs propres distinctes sont orthogonaux.
Dmonstration. Considrons les vecteurs propres v1 et v2 associs aux valeurs propres distinctes 1
et 2 respectivement. Ds lors,
1v1T v 2 = ( Av1 ) v 2 = ( v1T A T ) v 2 = v1T Av 2 = v1T ( Av 2 ) = v1T ( 2 v 2 T )

T
= 2 v1T v 2 ( 1 2 ) v1T v 2 = 0 v1T v 2 = 0

Une matrice A est dite diagonalisable orthogonalement s'il existe une matrice orthogonale P (i.e.
avec P-1 = PT) et une matrice diagonale D telle que
... (7.2)
A = PDP T = PDP 1
Pour diagonaliser orthogonalement une matrice d'ordre n, il faut trouver n vecteurs propres linairement indpendants et mutuellement orthogonaux. Si A est orthogonalement diagonalisable, alors
7-3
A T = (PDPT ) = PTT DT P = PDPT = A A = A T

T
Thorme 2. Une matrice A d'ordre n est diagonalisable orthogonalement si

et seulement si A est symtrique.
Exemple d'application. Diagonaliser orthogonalement la matrice A suivante :
3 2 4
A = 2 6 2
4
2 3
dont le polynme caractristique est
( 7 )2 ( + 2) = 0
Solution
Les calculs usuels produisent les valeurs suivantes :
1
1 / 2
1
1 = 7, v 1 = 0 v 2 = 1
2 = 2, v 3 = 1 / 2

1
0
1
Mme si v1 et v2 sont linairement indpendants, ils ne sont pas orthogonaux. Ds lors, v2 peut se
dcomposer en une composante projete sur v1 et une composante perpendiculaire v1. Ainsi
1 / 2
1 1 / 4
v 2 v1
1 / 2
z2 = v2
v1 =
1
0 =
1
v1 v1
2
0
1 1 / 4
Alors {v1, z2} forment une base orthogonale du sous-espace pour = 7. Si on norme les 3 vecteurs
et que l'on forme la matrice P,
1 / 2 1 / 18 2 / 3
7 0 0
P = [u1 , u 2 , u 3 ] = 0
4 / 18 1 / 3 et D = 0 7 0
1 / 2 1 / 18
2
/
3
0
0
Et A = PDP-1. L'ensemble des valeurs propres d'une matrice A s'appelle le spectre de A.
7-4
Thorme 3. Le thorme spectral des matrices symtriques.

Une matrice A d'ordre n et symtrique possde les caractristiques suivantes :
a) A possde des valeurs propres relles.
b) La dimension de chaque espace des vecteurs propres pour chaque valeur propre est gale la multiplicit de comme racine du polynme caractristique.
c) Les espaces des vecteurs propres sont mutuellement orthogonaux au
sens que les vecteurs propres associs des valeurs propres distinctes
sont orthogonaux.
d) A est orthogonalement diagonalisable.
Dcomposition spectrale de A (selon le spectre i.e. les valeurs propres):

Posons que A = PDP-1, o les colonnes de P sont les vecteurs mutuellement orthogonaux u1, u2, ...,
un et que 1, 2, ..., n sont les valeurs propres associes sur la diagonale principale de D. Comme
P-1 = PT,
T
u1T
1 0 u1
= u u
A = PDPT = [u1 un ]
n n]
[ 1 1
... (7.3)
T
uT
0 n un
n
A = 1u1u1T + 2u2u2T = + nununT
Dcomposition spectrale de A
Rappelons que uuT gnre une matrice une matrice d'ordre n ( i.e. n x n). En effet, u est une matrice n x 1, tandis que uT est une matrice 1 x n. De plus, cest une matrice symtrique.
7.2 Formes quadratiques

Forme linaire :
a1 x1 + a2 x2 + ... + an xn = b
aTx = b
Forme quadratique :
a1 x12 + a2 x22 + ... + an xn2 + (ak xi xj, i < j)
... (7.4)
ou, sous forme matricielle, xTA x.
7-5
Exemple de forme quadratique :

a1x12 + a 2 x 22 + a 3 x1x 2 = [x 1
a 3 / 2 x 1
a
x 2 ] 1
= x T Ax
a 3 / 2 a 2 x 2
Remarques.
La faon d'obtenir la forme matricielle d'une forme quadratique n'est pas unique. En effet, l'obtention d'une matrice symtrique A n'est qu'une faon particulire de partager le coefficient a3 du
terme associ x1x2 entre les termes a12 et a21 de la matrice A ( noter que la somme des termes
aij et aji de A donne la valeur du coefficient ak associ au terme xixj de la forme quadratique).
Nous aurions pu aussi obtenir la forme suivante :
a 1x 12 + a 2 x 22 + a 3 x 1x 2 = [x 1
2a 3 / 3 x 1
a
x 2 ] 1
= x T Ax
a 2 x 2
a 3 / 3
Problmes impliquant une forme quadratique :

Voici quelques problmes pratiques utilisant la notion de forme quadratique :
Min ou Max de
x T Ax avec x = ( x 12 + x 22 + + x 2n )1/ 2 = 1
Conditions pour la matrice A de telle sorte que
x T Ax > 0 x 0
Si xTAx = c, c tant une constante, quelle forme prend le graphique de cette fonction ?
Soit P une matrice orthogonale. Le changement de variable x = Py transforme xTAx en
yT(PTAP)y. La matrice (PTAP) est symtrique. La matrice P peut tre choisie de telle sorte
que la forme quadratique yT(PTAP)y n'ait pas de produits croiss. Dans le cas des coniques
et des surfaces quadriques, il s'agira de les ramener en position standard.
7.3 Exemple d'application

Trouver les valeurs min et max de la forme quadratique
x 12 + x 22 + 4 x 1x 2
vrifiant la contrainte
x =1
Pour solutionner ce problme, il faut tout d'abord faire une petit excursion thorique.
7-6
Thorme. Soit A une matrice symtrique. De plus, posons que les valeurs propres sont en ordre dcroissant i.e.
1 2 ... n
et que
x x = 1 .
Alors
1 xTAx n
xTAx = 1 ou n seulement si x est le vecteur propre associ 1 ou n respectivement.

Preuve.
Supposons que la forme quadratique a t diagonalise, i.e.
x T Ax = y T Dy avec x = Py
Alors
x = Py = y
car
Py = (Py ) (Py ) = y T P T Py = y T y = y
2
De plus, y = 1 ssi x = 1. Donc xTAx et

soient des vecteurs unitaires.
Ds lors,
1 0
0
2
D=
0 0
P = [u1 u 2 u n ]
yTDy gnrent les mmes valeurs en autant que x et y
0
0
avec 1 2 n
y T y = 1 y T Dy = 1y12 + 2 y 22 + + n y 2n
1 (y12 + y 22 + + y 2n ) = 1
De plus,
y = e1
e1T De1 = 1
x = Pe1 = u1
u1T Au1 = 1
Donc la valeur maximale que peut prendre la forme quadratique est 1. Une preuve similaire montrerait que la valeur minimale est n.
C.Q.F.D.
De retour notre problme,
1 2 x1
x12 + x 22 + 4x1x 2 = x T Ax = [x1 x 2 ]

2 1 x 2
7-7
2
1
det (I A ) = det
= 2 2 3 = ( 3)( + 1) = 0
2
Donc
1/ 2
2 = 1 u2 =
min
1/ 2
1/ 2
1 = 3 u1 =
max
1/ 2
7.4 Matrice dfinie positive

Une forme quadratique est dite dfinie positive si, x 0, xTAx > 0. La matrice A est alors dite
dfinie positive. Voici quelques autres dfinitions :
xTAx 0 x 0
xTAx < 0 x 0
xTAx 0 x 0
xTAx peut prendre des valeurs positives ou ngatives
Semi-dfinie positive :
Dfinie ngative :
Semi-dfinie ngative :
Non dfinie :
Thorme. Une matrice symtrique A est dfinie positive ssi toutes ses valeurs propres sont
positives.
7.5 Diagonalisation d'une forme quadratique

Soit la forme quadratique suivante :
x T Ax = [x1
x2
a11 a12
a
a 22
x n ] 21
a n1 a n 2
a1n x1
a 2n x 2

a nn x n
... (7.5)
avec A = AT.
Il existe une matrice orthogonale P, i.e. PTP = I telle que
1 0 0
0 0
2
P T AP = D =
0 0 n
avec P = [u1 u 2 u n ]
... (7.6)
7-8
les vecteurs ui tant les vecteurs propres unitaires associes chacun leur valeur propre respective.
Ds lors, posons que
x = Py
... (7.7)
et
xTAx = (Py)TA(Py) = yTPTAPy = yT(PTAP)y = yTDy
... (7.8)
Ce changement de variable permet d'obtenir une forme quadratique diagonalise, i.e.
xTAx = yTDy = 1y12 + 2y22 + ... + nyn2
... (7.9)
Il s'agit d'une forme quadratique sans produits croiss. Les colonnes de P s'appellent les axes principaux de la forme quadratique yTDy.
Exemple d'application : Soit la forme quadratique suivante :
1 2 0 x 1
[x1 x 2 x 3 ] 2 0 2 x 2
0 2 1 x 3
Il s'agit de diagonaliser cette forme quadratique et de donner ses axes principaux.
Solution :
det(A - I) = 3 - 9 = ( + 3) ( - 3) = 0
2 / 3
1/ 3
2 / 3
1 = 0 x 1 = 1 / 3 , 2 = 3 x 2 = 2 / 3 , 3 = 3 x 3 = 2 / 3
2 / 3
2 / 3
1 / 3
x1
2 / 3
1/ 3
2 / 3
x = Py = x 2 = y1 1 / 3 + y 2 2 / 3 + y 3 2 / 3

x 3
2 / 3
2 / 3
1 / 3
Axes principaux
La nouvelle forme quadratique devient :
[y1
y2
0 0 0 y 1
y 3 ] 0 3 0 y 2

0 0 3 y 3
7-9
7.6 Les coniques

Dans le plan, une conique se dfinit de la faon suivante. Soit L une droite fixe et un point fixe
F = (p, 0) non sur L. Soit P un point qui se dplace dans le plan form par L et F de telle sorte que
le rapport de sa distance de F sa distance de L soit toujours gal une constante. Le lieu de P
s'appelle une conique. La droite fixe L s'appelle la directrice, le point F le foyer et le rapport constant, que l'on note e, l'excentricit de la conique. Sans perte de gnralit, l'axe Y peut tre choisi
comme L, et le point F(p, 0) comme foyer.
Droite L appele directrice
P(x, y)
F(p, 0)
Fig. 1. Dfinition gnrale d'une conique.
Ds lors,
(x p )2 + y2
PF
=e
PA
=e
(1 e )x
2
2px + y 2 + p2 = 0
Excentricit e
Conique
e =1
Parabole
e<1
Ellipse
e>1
Hyperbole
Table 1. Excentricit et conique
p
e = 1 y 2 = 2p x
2
parabole
... (7.10)
e <1
y2
1 e2
+
=1
p 2e 2
p2e 2
(1 e2 )2 (1 e2 )
ellipse
... (7-11)
7-10
e >1
y2
1 e2
=1
p2e2
p2e 2
(1 e2 )2 (e2 1)
hyperbole
... (7.12)
quation gnrale d'une conique :

ax2 + 2bxy + cy2 + dx + ey + f = 0
... (7.13)
Forme quadratique
associe
quation quadratique dont le graphique constitue une conique
Forme matricielle gnrale :

xTAx + KTx + f = 0
... (7.14)
a
A=
b
d
K=
e
b
c
... (7.15)
x
x=
y
Condition essentielle pour avoir une conique : a, b, c ne sont pas tous nuls.
Les coniques non dgnres sont : l'ellipse, le cercle, la parabole et l'hyperbole.
Les coniques dgnres sont : les points singuliers et les paires de droites.
La Fig. 2 illustre les coniques non dgnres en position standard.
Exemple d'application complet :

Dcrire la conique suivante :
5x12 4x 1x 2 + 8x 22 + 4 5x 1 16 5x 2 + 4 = 0
7-11
(1) crire cette quation sous forme matricielle :

xTAx + KTx + 4 = 0
avec
5 2
A=
2 8
4 5
K=
16 5
(2) Pour diagonaliser la matrice A, il faut trouver les valeurs propres et les vecteurs propres.
5 2
det( A I) = det
= (9 )(4 ) = 0
2 8
2 / 5
= 4 v1 =
1 / 5
1 / 5
= 9 v2 =
2/ 5
2 / 5 1 / 5
T
T
P=
avec P P = PP = I
1 / 5 2 / 5
7-12
Fig. 2. Coniques en position standard.
7-13
(3) Pour diagonaliser la forme quadratique associe, il faut effectuer un changement de variables.
Ds lors, posons que x = Py. Il s'agit ici d'une rotation. En remplaant x par Py, il vient que
(Py)TA(Py) + KT(Py) + 4 = 0
yT(PTAP)y + (KTP)y + 4 = 0
4 0
P T AP =
0 9
2 / 5 1 / 5
K T P = 20 / 5 80 / 5
= [ 8 36]
1
/
5
2
/
5
La conique devient donc

4 y12 + 9 y 22 8y1 36y 2 + 4 = 0
d'o limination des produits croiss.
Rappel sur la matrice de rotation dans le plan
y
(-sin , cos )
Rotation antihoraire
(0, 1)
(cos , sin )
(1, 0)
1
0

0
1

cos
sin
sin
cos
cos sin
A=
sin cos
(4) Il s'agit maintenant de ramener la conique en position standard. Pour ce faire, il faut effectuer
une translation des axes y1 et y2. Regroupons tout d'abord les termes en y1 et y2 :
4 (y12 2 y1 ) + 9 (y 22 4 y 2 ) + 4 = 0
Compltons les carrs :
4(y12 2 y1 + 1) 4 + 9(y 22 4 y 2 + 4 ) 36 = 4
4(y1 1) + 9(y 2 2 ) = 36
2
Posons maintenant que z1 = y1 - 1 et z2 = y2 - 2. Ds lors, cette translation produit
7-14
4z12 + 9z 22 = 36
z12 z 22
+
=1
9
4
Il s'agit de l'quation d'une ellipse.
z2
Aprs la translation
x2
y2
z1
y1
x1
Aprs la rotation
Fig. 3. Rle jou par chaque transformation de variable.
7.7 Les surfaces quadriques

La forme gnrale d'une surface quadrique est la suivante :
a x2 + b y2 + c z2 + 2d xy + 2e xz + 2f yz + g x + h y + i z + j = 0
Forme quadratique associe
quation quadratique en x, y et z
La forme matricielle devient donc

xTAx + KTx + j = 0
... (7.16)
a d e
g
x
avec A = d b f , K = h , x = y

e f c
i
z
7-15
La surface quadrique constitue le graphique obtenu de l'quation graphique en traant z = f(x, y).
De plus, la courbe obtenue par l'intersection d'une surface quadrique et d'un plan est la trace de ce
plan sur la surface. La Fig. 4 prsente les surfaces quadriques en position standard.
La procdure pour obtenir l'quation de la surface quadrique en position standard est la mme que
celle pour les coniques.
Fig. 4. Surfaces quadriques en position standard.
7-16

Problme #1 (Lay, #16, p.462). Soit la forme quadratique suivante :
Q ( x ) = 4 x12 + 4 x22 + 4 x32 + 4 x42 + 3 x1 x2 + 3x3 x4 4 x1 x4 + 4 x2 x3
(a) Diagonaliser cette forme quadratique.
(b) Trouver les valeurs min et max de Q(x) avec x = 1 .
(c) Cette forme quadratique est-elle dfinie positive ?
Rp. : (a) x T Ax =
13 2 13 2 3 2 3 2
y1 + y2 + y3 + y4 , (c) Dfinie positive.
2
2
2
2
Problme #2 (Anton-Rorres, #10, p. 463). Identifier la conique suivante :
3x 2 8 xy 12 y 2 30 x 64 y = 0
Rp. : Hyperbole
Problme #3 (Anton-Rorres, #15, p. 463). Identifier les coniques suivantes :
(a) 8 x 2 + 7 y 2 = 0
Rp. : un seul point
(b) x 2 + 3 y 2 + 7 = 0
Rp. : Pas de courbe
2
2
(c) x 2 xy + y = 0
Rp. : la droite y = x
7-17
ANNEXE : Complments sur les coniques et le quadriques
Pourquoi coniques ?
Z
quation du cne :
X 2 +Y2 Z2 = 0
quation du plan :
Z = k (Y 1)
Courbes dintersection :
Z = k (Y 1)
X 2 + Y 2 k 2 (Y 1) = 0
2
= X 2 + 1 k 2 Y 2 + 2k 2Y k 2 = 0
k < 1: ellipses
k = 1: paraboles
1 < k : hyperboles
7-18
Quadriques
Quadriques
(suite)
7-19
Hyperbolode
une nappe
Parabolode
hyperbolique
7-20
Chteau deau
(rservoir lev)
8-1
CHAPITRE 8
Les nombres complexes
-
Reprsenter graphiquement un nombre complexe

Effectuer les oprations de +, -, et sur les nombres complexes
crire un nombre complexe sous forme polaire
Utiliser la formule de De Moivre
Trouver les racines dun nombre complexe
Utiliser la formule dEuler
Solutionner des quations complexes
8-2
CHAPITRE 8
Les nombres complexes
8.0 Introduction
Considrons le problme de trouver les racines du polynme suivant :
P2 ( x ) = x 2 4 x + c = 0
Suivant la valeur que prendra c, ce polynme du 2me degr peut avoir 2 racines relles
distinctes, 1 racine relle double ou pas de racines relles. Par exemple,
c = 5,
c = 4,
c = 8,
4 16 + 4 5
x1 = 5 et x2 = 1
2
4 16 4 4
x1 = 2 et x2 = 2
2
4 16 4 8
x1 = 2 + 2 1 et x2 = 2 2 1
2
x1 = 2 + 2i et x2 = 2 2i
Dans ce dernier cas, on reprsente 1 par la lettre i, laquelle signifie imaginaire

ntant pas un nombre rel. Les racines x1 et x2 sont alors 2 nombres complexes. Dans
un tel cas, la parabole ne croise pas laxe des x. Cest pourquoi on dit quun tel
polynme na pas de racines relles, mais des racines complexes. On appelle donc
nombre complexe, z, tout nombre de la forme z = a + bi , o a est la partie relle, Re(z),
et b la partie imaginaire, Im(z), a et b tant des nombres rels. Les rgles de calcul sur
les nombres complexes sont aussi simples que dans le cas des nombres rels, tout en se
rappelant que i2 = -1.
8-3
8.1 Ensemble fondamentaux des nombres

N = {0,1, 2,3, ,} = ensemble des nombres entiers non ngatifs (nombres naturels)
P = {1, 2,3,} = N {0} = ensemble des nombres entiers positifs
Z = {, 2, 1,0,1, 2,} = ensemble de tous les entiers
a
Q = , a , b Z avec b 0 = ensemble des nombres rationnels

b
R = {ensemble de tous les nombres rels}
C = z = a + bi, a , b R et i = 1 = ensemble des nombres complexes

Un nombre irrationnel est un nombre qui fait partie de R mais ne fait pas partie de Q.
Ainsi,
3 N, P, Z, Q, R, C
0 N, Z, Q, R, C
4 Z, Q, R, C
4.3 R, C
3 + 2i C
2i C ( imaginaire pur )
, 2 R, mais Q
8.2 Caractristiques et proprits des nombres complexes

8.2.1 Puissances entires de i :
i = 1
i 2 = 1
i 3 = i 2i = i
i 4 = i 2i 2 = 1
( idem pour tout exposant qui est un multiple entier de 4 )
i 5 = i 4i = i
i 6 = i 4i 2 = 1
i11 = i 8i 3 = i
Exemple :
i 23 = i 54i 3 = i 54i 2i = (1)( 1) i = i
8-4
8.2.2 galit des 2 nombres complexes :

Soit z1 = a + bi et z2 = c + di des nombres complexes. Lgalit z1 = z2 implique que
a = c et b = d .
ca
,
bd
ce qui est impossible puisque le ct droit de cette galit est un nombre rel. C.Q.F.D.
En effet, a + bi = c + di
(b d ) i = a c .
Si (b d) est non nul, alors i =
8.2.3 Conjugu dun nombre complexe :
Le nombre complexe conjugu z dun nombre complexe z = a + bi se dfinit comme

z = a bi
z + z = 2a
z z = 2bi
zz = ( a + bi )( a bi ) = a 2 b2i 2 = a 2 + b2
8.2.4 Oprations fondamentales sur les nombres complexes :
( a + bi ) + ( c + di ) = ( a + c ) + ( b + d ) i
Soustraction : ( a + bi ) ( c + di ) = ( a c ) + ( b d ) i
Multiplication : ( a + bi )( c + di ) = ac + adi + bci + bdi 2 = ( ac bd ) + ( ad + bc ) i
a + bi ( a + bi ) ( c di ) ac + bd bc ad
Division :
=
=
+
i
c + di ( c + di ) ( c di ) c 2 + d 2 c 2 + d 2
Addition :
Exemples :
a) Faire disparatre i du dnominateur dans les expressions suivantes :
4 4 i
4i
= =
7i 7i i
7
i 3 =
1
1
1 i
i
= = =
=i
3
i
i
ii
1
b) Effectuer
(2 + i)
+ 1 2i
8-5
i
(2 + i )
+ 1 2i =
(2 + i ) (2 + i )
2
+ 1 2i =
( 3 + 4i )( 3 + 4i )
+ 1 2i
i
24 7i
649 1257
7 24i
+ 1 2i =
+ 1 2i =
625
625 625
( 7 + 24i ) 7 24i
8.2.5 Valeur absolue ou module dun nombre complexe

La valeur absolue dun nombre complexe se dfinit par :
z = a + bi = zz = a 2 + b2
Exemple :
4 + 2i =
( 4 )
+ 22 = 2 5
8.2.6 Proprits des valeurs absolues

Soient z1 et z2, des nombres complexes.
a) z1 z2 = z1 z2
En effet, z1 z2 = ( z1 z2 )( z1 z2 ) = z1 z2 z1 z2 = z1 z2
2
b)
z
z1
= 1
z2
z2
c) z1 + z2 z1 + z2
d) z1 + z2 z1 z2
8.3 Reprsentation gomtrique des nombres complexes. Forme

trigonomtrique
Soit le nombre complexe z = a + bi . On peut considrer ce nombre comme un couple
ordonn de nombres rels, i.e. (a, b). Laxe des abscisses, Ox, est laxe rel i.e. la partie
relle de z, Re (z), tandis que laxe des ordonnes, Oy, est laxe imaginaire i.e. la partie
imaginaire de z, Im (z). La figure ci-dessous reprsente le plan complexe. Le module r,
i.e. la distance du point P de lorigine O :
z = r = ( zz )
1/2
= a 2 + b2
8-6
De mme que pour le plan cartsien, la notion de distance entre 2 points z1 et z2 se

dfinit :
z2 z1 = ( z2 z1 )( z2 z1 )
1/2
On peut aussi utiliser la reprsentation trigonomtrique pour un nombre complexe z. En

effet, comme le montre la figure ci-dessous
ci dessous et comme pour le plan cartsien, le nombre
complexe z peut scrire dans la forme
form trigonomtrique suivante :
z = a + bi = r ( cos + i sin )
Cependant, il faut ajouter la remarque importante suivante : la position de z demeure
inchange si on utilise langle ' = + 2k , o k est un entier. Il existe donc un seul
nombre appartenant lintervalle [
] , et la valeur de sappelle largument
principal de z,, que lon note Arg z. Pour tout nombre complexe z 0 ne correspond
quune seule valeur de dans lintervalle [
] , cette valeur de portant le nom de
valeur principale.. 2 nombres complexes sont gaux ssi
z1 = z2
r1 = r2
et 1 = 2 + 2k
o k = un entier
De plus,
z = a + bi = r ( cos + i sin ) cos =
a
b
, sin =
r
r
Figure 8-1
8-7
Exemples :
a) crire sous forme trigonomtrique le nombre complexe z = 4 3i
r 2 = 16 + 9 = 25 r = 5
cos = 4 , sin = 3
z = 5 ( 0.8 0.6i ) = 5 ( cos 36.87o i sin 36.87o )
5
5
b) Dterminer le module et largument du nombre complexe z = 2 cos
+ i sin
Ce nombre complexe peut aussi scrire
z = 2 cos
i sin
) = 2 cos ( + 8 ) + sin ( + 8 )
Le module est 2 et son argument est 9
2k prs. Pour se convaincre de largument

8
ci-dessus, il sagit de positionner le nombre complexe dans le plan complexe.
8.4 Formule de De Moivre

Produit de 2 nombres complexes :
Soient les 2 nombres complexes z1 = r1 ( cos 1 + i sin 1 ) et z2 = r2 ( cos 2 + i sin 2 ) . Le
produit de z1 z2 devient :
z1 z2 = r1r2 ( cos 1 cos 2 sin 1 sin 2 ) + i ( cos 1 sin 2 + sin 1 cos 2 )

= r1r2 cos (1 + 2 ) + i sin (1 + 2 )
Quotient de 2 nombres complexes :
Le quotient de ces 2 nombres scrit :
z1 r1 ( cos 1 + i sin 1 ) r1 ( cos 1 + i sin 1 ) ( cos 2 i sin 2 )
=
=
z2 r2 ( cos 2 + i sin 2 ) r2 ( cos 2 + i sin 2 ) ( cos2 i sin 2 )
=
r1
r
( cos1 cos 2 + sin 1 sin 2 ) + i ( sin 1 cos2 cos1 sin 2 ) = 1 cos (1 2 ) + i sin (1 2 )
r2
r2
Le nombre complexe i comme oprateur de rotation :

iz = r ( i cos + i 2 sin ) = r ( sin + i cos ) = r cos + + i sin +

2
2

On constate que le fait de multiplier un nombre complexe par i effectue une rotation de
90o dans le sens antihoraire.
8-8
Avec les considrations ci-dessus, on peut dduire la formule de De Moivre :
z n = r n ( cos n + i sin n )
On peut aussi trouver la racine n-ime dun nombre complexe. En effet, soit
w = r ( cos + i sin ) un nombre complexe. On appelle racine n-ime dun nombre
complexe w un nombre complexe z tel que z n = w . Ds lors, on pose que
z = ( cos + i sin )
Daprs la formule de De Moivre,
z n = n ( cos n + i sin n ) = r ( cos + i sin )
n = r
n = + 2k
Or n, > 0 = n r
De plus,
+ 2k
n
n
Les solutions distinctes sont donc obtenues pour k = 0,1, 2, , n 1 . La k-ime racine zk
devient
zk = n r cos + 2k + i sin + 2k
n
n
n
n
k = 0,1,2, , n 1
Exemple :
Trouver les racines carres et les racines cubiques de 1.
a) Les racines carres :
Tout dabord, 1 = 1 ( cos 0o + i sin 0o ) .
zk = 1 cos 0o + 2k + i sin 0o + 2k
2
2

k = 0,1
8-9
Ds lors,
z0 = 1 ( cos 0o + i sin 0o ) = 1
z1 = 1 ( cos + i sin ) = 1
b) Les racines cubiques :

zk = 3 1 cos 0o + 2k + i sin 0o + 2k
3
3

k = 0,1, 2
Ds lors,
z0 = 3 1 ( cos 0o + i sin 0o ) = 1
2
2
z1 = 3 1 cos
+ i sin
3
3
1
3
= +i
2
2
4
4
z2 = 3 1 cos
+ i sin
3
3
1
3
= i
2
2
Z1
Z0
Z2
Figure 8-2. Racines cubiques de 1

1
3
Il faut noter que = z1 = + i
z2 = 2 = . Il sagit dun triangle quilatral
2
2
inscrit dans le cercle de rayon 1 ci-dessus. On peut gnraliser en affirmant que les
racine n-imes de 1 gnrent un polygone rgulier de n cts inscrit dans un cercle de
rayon 1.
De plus, on peut considrer un nombre complexe comme un vecteur OP (voir la fig. 8-1).
8-10
8.5 Formule dEuler

Rappel sur les dveloppements en srie
cos = 1
sin =
2!
3!
e = 1 + +
2!
4
4!
5!
3!
+ = ( 1)
6!
+ = ( 1)
7!
k +1
k =1
4!
+ =
k =0
2k
( 2k ) !
k =0
( 2 k 1)
( 2k 1)!
k!
Si on dveloppe e en srie de Taylor, il vient que
e =
i
k =0
( i )
k!
= 1 + i
2
2!
3
3!
4
4!
+i
5
5!
2 4

3 5
= 1
+
+ i + +
3! 5!
2! 4!

= cos + i sin
On obtient ainsi la formule dEuler :
ei = cos + i sin
Si on dveloppe e z en srie de Taylor, alors
e z = e x +iy = e x eiy = e x ( cos y + i sin y )

De plus, on peut tablir une relation avec la formule de De Moivre. En effet,
z = x + iy = r ( cos + i sin ) = rei
z n = r n ( ei ) = r n ein = r n ( cos n + i sin n )
n
Exemple :
a) Exprimer z = 2 + 2i sous forme exponentielle.
3
3
z = 8 ( cos + i sin ) = 8 cos

+ i sin
4
4
4
= 8e
8-11
i
b) Exprimer z1z2 sous la forme a + bi si z1 = 2e 12 et z2 = 3e
2
3
3
i +
i
i 12 i 23
3
3
12 3
= 6e 4 = 6 cos
+ i sin
z1 z2 = 2e 3e = 6e
4
4
= 3 2 + i 3 2
8.6 Application trigonomtrique de la formule dEuler

Si on note que
eix = cos x + i sin x
e ix = cos x i sin x
on obtient par addition et soustraction
eix + e ix
2
ix
e e ix
sin x =
2i
cos x =
Ces relations sont fort utiles dans la solution des quations diffrentielles.
8.7 Solution de systmes dquations

Un exemple va servir pour montrer comment solutionner un problme dquation avec
une variable complexe. Trouver les solutions de lquation
z 2 + 2 (1 i ) z 6i 3 = 0
8-12
Solution :
Tout dabord, il sagit de complter un carr :
z 2 + 2 (1 i ) z = z + (1 i ) (1 i )
2
Ds lors,
z + (1 i ) (1 i ) 6i 3 = 0
2
( z + (1 i ) )
3 4i = 0
En posant Z = z + 1 i, il vient que

Z 2 = 3 + 4i
Les racines de Z ne peuvent tre des nombres rels.
Donc Z = a + bi. Ds lors,
a 2 b2 + 2abi = 3 + 4i
D'o
a 2 b2 = 3 et 2ab = 4
Les modules de ces 2 membres sont gaux d'o

a 2 + b 2 = 32 + 42 = 5 b2 = 5 a 2
a 2 ( 5 a 2 ) = 3 2a 2 = 8 a =
2ab = 4 a = 2, b = 1 et
a = 2, b = 1 et
8
= 2
2
Z1 = 2 + i
Z 2 = 2 i
Les solutions de l'quation sont:

z1 = Z1 1 + i = 2 + i 1 + i = 1 + 2i
z2 = Z 2 1 + i = 2 i 1 + i = 3
8-13

Problme 1. Transformer les expressions suivantes dans la forme z = a + bi :
a)
5 15i
3 4i
b)
3i 30 i19
2i 1
Rp. : 3 i
Rp. : 1 + i
1
3
i , valuer les expressions
Problme 2. Si z1 = 2 + i , z2 = 3 2i et z3 = +
2 2
suivantes :
a)
3z1 4 z2
b)
3z13 3z12 + 4 z1
Rp. : 5 + 25i
1
3
Rp. : +
i
2 2
c) z34
d)
Rp. : 157
2 z2 + z1 5 i
2 z1 z2 + 3 i
Rp. :1
Problme 3. Rsoudre lquation suivante : z 4 4 = 0 . Tracer dans le plan dArgand.
Rp. : z1 = i 2, z2 = i 2, z3 = 2, z4 = 2
Problme 4. Soit z = a + bi . Dterminer les valeurs de a et b si
a) zz = 0
Rp. : a = b = 0
b) z 2 = ( z )
Rp. : a = 0 et b R ou a R et a = 0
Problme 5. Solutionner lquation 5 z 2 + 2 z + 10 = 0 .
Problme 6. crire z = 1 + i 3
Problme 7. Si z1 = 2e
12
11
Rp. : ( 1 7i ) / 5
dans la forme z = a + bi
et z2 = 3e
2
3
, trouver z1 z2 = a + bi
Rp. : 1024 1773.6i
Rp. : a = 3 2, b = 3 2

Algèbre Linéaire

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Algèbre Linéaire

Hochgeladen von

Copyright:

Verfügbare Formate

GCI 100.

Pierre F. Lemieux, ing., M.S. (MIT), Ph. D. (Waterloo)

GCI 100. ALGBRE LINAIRE

Chapitre 5. Valeurs propres et vecteurs propres

Ce quest un systme dquations linaires. Solutions et systmes quivalents. Notation

Transformation des lignes et matrice-chelon. Solution avec la matrice augmente.

Ensemble des solutions dquations linaires.

thorie des graphes, solutions de systmes dquations linaires, systmes

1.1 Systmes dquations linaires

quation non linaire :

Systmes dquations linaires :

Ensemble des solutions ensemble de toutes les solutions possibles.

2 systmes linaires quivalents

2 systmes qui ont le mme ensemble des solutions.

Nombre infini de solutions

Systme consistant il existe une solution ou une infinit de solutions.

Solutionner un systmes dquations linaires

Oprations lmentaires sur les lignes de la matrice augmente :

Exemple illustratif . Solutionner le problme suivant :

Le systme triangulaire obtenu est quivalent au systme original.

Pour obtenir la solution, nous procdons par substitution reculon :

Poursuite de llimination : algorithme de Jordan-Gauss

De nouveau, nous avons obtenu un systme linaire quivalent o la substitution reculon

1.2 Transformations des lignes et matrice-chelon

Le premier lment non nul de chaque ligne est gal 1.

Exemples : les matrices augmentes de lexemple prcdent, i.e.

Algorithme pour lobtention dune matrice-chelon ( et matrice-chelon rduite) :

Soit A une matrice rectangulaire ayant m lignes et n colonnes.

p = 1 + permutation des lignes 1 et 3 :

Obtention des lments nuls sous le pivot 1 : 3 -9 12 -9

Obtention des lments nuls sous le pivot 2 : 3 -9 12 -9

Aucune nouvelle ligne modifier :

Obtention de la matrice-chelon rduite :

(oprations lmentaires sur les lignes)

Solutions des systmes linaires :

Sous forme de matrice augmente,

Aprs avoir obtenu la forme matrice-chelon rduite,

La solution gnrale prend la forme suivante :

1.3 quations vectorielles

2 vecteurs u et v sont gaux si ui = vi pour i = 1, ..., n.

u, v et (u + v) sont des points dans R2.

Exemple dutilisation de combinaison linaire :

Soient a1 = 2 , a 2 = 5 , b = 4 dans R3.

Le vecteur b peut-il tre une combinaison de a1 et a2 ?

Scalaires qui sont des

Aprs transformation de ce systme dquations linaires en systme quivalent sous forme de

Donc b est une combinaison linaire de a1 et a2, i.e.

Une quation vectorielle de la forme

1.4 Lquation matricielle A x = b

0 0 0 b3 + 3b1 (b 2 + 4b1 )/2

1.5 Ensemble des solutions dun systme dquations linaires

Forme paramtrique vectorielle :

Obtenir la solution paramtrique :

1.6 Indpendance linaire

w est linairement dpendant de u et v.

1.7 Introduction aux transformations linaires

Domaine, co-domaine et champ

Trouver limage T(u).

Trouver un x R2 dont l'image est b.

Y a-t-il plus dun x dont limage est b ?

Dterminer si c est dans le champ de la transformation T ?

Il sagit de solutionner A x = b i.e.

Si le vecteur c se trouve dans le champ de T, alors c doit vrifier c = T(x). Ds lors,