Beruflich Dokumente
Kultur Dokumente
Algbre linaire
par
Automne 2009
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
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 :
a1 x1 + a 2 x 2 + ... + a n x n = b
variable
constante
x 2 = 2 x1 6
4 x 3 = 7
Ensemble de valeurs (s1, s2, , sn) qui vrifie chacune des quations lorsque
s1, s2, , sn remplacent x1, x2, , xn respectivement.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-3
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-4
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
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-5
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-6
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-8
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
4 -5
8
6 15
Pivot 1
3 -9 12 -9
6 15
3 -7
8 -5
3 -6
4 -5
Pivot 1
6 15
2 -4
2 -6
3 -6
4 -5
Pivot 2
6 15
2 -4
2 -6
4
Pivot 2
3 -9 12 -9
6 15
2 -4
2 -6
4
Pivot 3
0 -2
0 -24
1 -2
0 -7
4
colonnes pivots
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
x5 = 7
0 0 0
variables libres
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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
Solution :
Par dfinition,
x1 a1 + x2 a2 = b
1
2 7
x 1 2 + x 2 5 = 4
5
6 3
a1
a2
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
5 6 3
1 0 3
0 1 2
0 0 0
x 1 = 3 et
x2 = 2
a1
2
+ 2 5
6
a2
7
= 4
3
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-16
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-17
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
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-18
Ax=b
p+tv
p
Ax=0
tv
v
Interprtation gomtrique
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-20
x3
x2
v
w
u
x1
x3
w
x2
v
u
x1
w est linairement indpendant de u et v.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-21
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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)
(b)
(c)
(d)
Solution :
(a)
1 3
5
2
T (u) = A u = 3
5 = 1
1
1 7 9
(b)
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 ?
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-23
(d)
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)
(2)
Ds lors,
T(0) = 0
0 1
Matrice
identit
e1
e2
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-24
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-25
A
Transformations linaires dans R2 :
x2
1 0
A=
0 1
(1 , 1)
x1
Image dun
carr
(1 , -1)
1 0
A=
0 1
(-1 , 1)
x2
Image dun
carr
(1 , 1)
x1
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-26
x2
x2 = -x1
0 1
A=
1 0
(1 , 1)
x1
(-1 , -1)
Image dun
carr
x2 = -x1
x2
1 0
A=
0 1
(1 , 1)
.
(-1 , -1)
x1
Image dun
carr
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-27
(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
.
.
.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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-28
x2
x2
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
Nombre d'additions (+ et -)
Nombre de multiplications (x et /)
n3 n 2 5n
+
3
2
6
n3
n
+ n2
3
3
n3 n2 5 n
+
3
2
6
n3
n
+ n2
3
3
n3 2 n 2 + n
n3
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
n3
3
n3
3
n3
n3
n3
n3
n
3
n3
3
n4
3
n4
3
Il est facile de conclure que les algorithmes de Gauss et Jordan-Gauss sont les plus performants.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-31
3x1 + 7 x2 + 7 x3 = 6
Problme 2 (Lay, #13, p. 11). Solutionner le systme dquations suivant :
x1
3x3 = 8
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-33
p. 47).
p. 47).
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-34
1
0
5 2 6 9
0
0 1 7 4 8
0 0 0 0 1
0 0 0 0 0
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
1-36
1 0
p. 90).
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 - .
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
2-1
Chapitre 2
Algbre des matrices
Objectifs dapprentissage
Application au graphisme
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
2-2
Chapitre 2
Algbre des matrices
Introduction
Exemple de lindustrie automobile avec la CAO et FAO.
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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,
(2.1)
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
2-4
Exemple 1 : Calculer le produit matriciel AB avec
2 3
4 3 6
A=
et B =
.
1 5
1 2 3
Solution :
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
Thorme 2 :
Remarques :
En gnral, AB BA.
Si AB = AC, en gnral B C.
Ak = A A
k fois
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
b = linverse de a
Mme raisonnement pour une matrice :
A B = B A = A A 1 = A 1A = I
(2.2)
5
2
7 5
A=
et C =
2
3 7
3
Que reprsente C par rapport A ?
Solution :
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
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.
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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)
( A T ) 1 = ( A 1 ) T
(2.5)
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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)
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
(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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
(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.
0 1 2
Exemple : Trouver la matrice inverse de A = 1 0 3 .
4 3 8
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
La dcomposition
LU
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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)
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
2-14
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.
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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.
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
2-17
Mthode de Jacobi :
0
0
0
a 11
0 a
0
22 0
0
0 a nn
0
Pour la mthode de Jacobi,
D x(k + 1) = (D A) x(k) + b
(k = 0, 1, )
(2.15)
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)
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
* * * *
2
2
1 1 20 y 3 0 0 0 x 3 17
x(k+1)
x(k
(M A)
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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).
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-
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
2-20
jets graphiques rsident dans le fait que des segments de droite peuvent tre facilement transforms en dautres segments de droite.
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
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.
(x
(x
y 1) (x + h
y ) (x + h
plication matricielle
1 0 h x x + h
0 1 k y = y + k .
0 0 1 1 1
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
(10
( 15
6 14 2 )
9 21 3)
(5
3 7)
scalaires
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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)
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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 .
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)
Sommet
Si le centre de projection est (0, 0, 10), trouver limage de S en pour une projection en perspective sur le plan XY.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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 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
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 :
T
q T
p
r
Vecteur de translation
Un scalaire
normalement = 1
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
2-25
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.
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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 ?
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 :
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
Rp. : 1 2 3 2 0
0
0
1
Rp. : 3 2
12
4 3 3
0
0
1
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
3-1
Chapitre 3
Notions sur les dterminants
Objectifs dapprentissage
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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)
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.
(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)
a11
C=
0
a11
a12
(3.5)
det (A)
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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)
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-
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 )
Or
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)
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
3-4
o
Il en est de mme pour A21 et A31 en retirant les lignes et colonnes correspondantes.
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
...(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).
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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)
...(3.17)
suivant la ligne i :
j=1
n
i =1
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)
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;
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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 (colonnes)
Pair ou impair
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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,
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
Thorme 5
Soit A une matrice n n. Alors det(AT) = det(A)
...(3.19)
Dmonstration :
n
j=1
j=1
...(3.20)
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
3-10
Corollaire
Soient A une matrice n n, et E une matrice lmentaire n n. Alors
det(E) = 1
si E est une permutation de lignes
k
si E est une multiplication par une constante k
A i (b ) = [a 1 b a n ]
...(3.21)
det[A i (b )]
det (A )
i = 1, 2, , n
...(3.22)
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 =
A x = ej
0
e j = 1
0
...(3.23)
Seul lment non nul
de ce vecteur
det A i (e j )
det( A )
...(3.24)
me
( )
...(3.25)
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)
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
3-12
o
-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
Thorme 8
A 22
lonnes de
A 33
lonnes de
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
det[a 1
a 2 ] = det[a 1
a 2 c a1 ]
C.Q.F.D.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
3-15
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
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
4-1
Chapitre 4
Espaces vectoriels
Objectifs dapprentissage :
Systmes de coordonnes
Dimension dun espace et dun sous espace vectoriel. Rang dune matrice.
Changements de base
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
Exemple 1 :
Lespace Rn , avec n 1, est un espace vectoriel.
Exemple 2 :
n
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
Exemple 1 :
x
Lensemble de tous les vecteurs v R et v = y est un sous-espace vectoriel de R3. Mais
0
3
Exemple 2 :
Un plan dans R3 et ne passant pas par lorigine nest pas un sous-espace vectoriel de R3, car il ne
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
4-4
Thorme 1
Soient v1, v2, , vp Rn. Alors
p
H = y y = c i v i
i =1
(4.2)
Solution :
Les vecteurs de H peuvent scrire :
a 3b
1
3
ba
1
=a +b 1
a
1
0
b
0
1
v1
v2
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,
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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 .
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
4-6
Formulation explicite de N(A) :
[p. 222]
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 :
2 4 5 8 4 0 0 0 0 0
0 0
x1 2x2
x4 + 3x5
x3 + 2x4 2x5
0
= 0
= 0
= 0
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
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.
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)
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
4-8
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 :
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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).
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
i =1
T = [a 1
a 2 a n ]
(4.5)
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)
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
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
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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 :
Thorme 6
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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 :
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
[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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
x = PB [x]B
(4.9)
De plus,
[x]B = (PB)-1 x
(4.10)
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).
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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)
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
4-17
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
4-19
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
4-20
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
4-22
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
xB
C 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)
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)
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
4-23
Exemple : B = {b1 b2} et C = {c1 c2} avec
9
b1 =
1
5
b2 =
1
1
c1 =
4
3
c2 =
5
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
xi = 1.
i =1
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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 :
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
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
4-26
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
2 s
1
que H = Gn {v} . Pourquoi sagit-il dun sous-espace vectoriel ? Rp. : u = 3
2
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
Problme 7 (Lay, #25, p. 235). Dterminer si les noncs sont vrais ou faux. Justifier la rponse.
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
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)
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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. :
Problme 11 (Lay, #21et #22, p. 244). Dterminer si les noncs sont vrais ou faux. Justifier la rponse.
vots.
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
0
0 0 0 0
Problme 15 (Lay, #29, p. 262). Dterminer si les noncs sont vrais ou faux. Justifier la rponse.
Sil existe un ensemble de vecteurs {v1 , , v p } qui gnre V, alors dimV p Vrai
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
Problme 19 (Lay, #17, p. 269). Dterminer si les noncs sont vrais ou faux. Justifier la rponse.
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
u2
u2
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
5-1
Chapitre 5
Valeurs propres et vecteurs propres
Objectifs dapprentissage
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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.
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
5-4
Dmonstration :
a 12
a 13
a 11
A I = 0
a 22
a 23
0
a 33
(A I ) x = 0
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.
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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.
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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.
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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
Pour = 1,
1
v 1 = 1
1
x 3
1
1 +x
3
0
v2
1
0
1
v3
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
5-11
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
x(t) = ve
x'(t) = ve = Ave
Comme e
... (5.5)
t
v son vecteur propre correspondant. Chaque couple valeur-vecteur propre fournit une solution
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
= 2 5 6 = 0
Les racines sont : = 6 et = -1. Les valeurs tant distinctes, A est diagonalisable. Les vecteurs propres correspondants sont :
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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
de la forme v1e
nt
, ..., vne
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)
nt
+ ... + cnvne
c1e1t
c1
2t
c
ce
y ( t ) = 2 , avec 2 = y ( 0 ) = P 1x 0
nt
cn
cn e
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
5-14
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
( )
Im ve t =
1
[v v ]
2i
... (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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
5-15
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 )
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
5-16
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
x, y
x
(< : angle)
Les lignes et les colonnes d'une matrice orthogonale sont des vecteurs unitaires et sont mutuellement perpendiculaires.
cos sin
R =
sin cos
cos sin
Notons que RT = R1. En effet, R T =
sin cos
... (5.9)
cos sin
culer l'inverse d'une matrice 22, R 1 =
.
sin cos
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
5-18
A = AT
UT = U1
U = R13(/4)
Si A est symtrique, U orthogonale et B = UTAU, alors
...(5.10)
k i, j (lign. i et col. i de B)
...(5.11)
k i, j (lign. j et col. j de B)
...(5.12)
...(5.13)
...(5.14)
1
a jj a ii sin (2 ) = 0
2
...(5.15)
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
5-19
...(5.17)
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
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
5-21
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
5-22
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
Problme 5
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
CHAPITRE 6
Orthogonalit et moindres carrs
Objectifs dapprentissage
-
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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 :
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
6-3
Thorme 1
a)
b)
c)
d)
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 = 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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
u - (- v)
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)
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
6-5
+ v
2u v
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
[R (A )] = N (A )
et
[C (A )] = N (A T )
... (6.2)
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
6-6
Dmonstration :
Ax = 0 ri x = 0 i
ri
A
3
1
1 / 2
u 1 = 1, u 2 = 2 , u 3 = 2 .
1
1
7 / 2
Solution :
Par dfinition,
Ds lors,
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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)
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
6-8
z = y y
y = u
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
7 8 1
6 = 4 + 2
(y y )
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
si u 1 et u 2 = 1.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
6-11
.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
=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
z = y y
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
1
y = 2. crire y comme la somme d'un
3
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
u2
y = y 1 + y 2
y 2
y 1
u1
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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 :
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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)
... (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.
6-16
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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,
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
84 du vecteur Ax.
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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
XTX = XTy
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
2 5
+ x
7 14
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
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
6-25
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
6-26
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
1 / 2 1 / 12
Q=
1 / 2 1 / 12
1 / 2 1 / 12
2 / 6
.
1/ 6
1 / 6
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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.
1/2
dans R 2
1/2
dans R 3
(u1, u2)
u
u2
u1
Figure A1
d = uv = vu
Note. ku = k u
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
6-28
Loi du cosinus
2 u v cos = u + v v u
2
v u = ( v1 u1 ) + ( v2 u2 ) + ( v3 u3 )
2
Donc
2 u v cos = u + v u v + 2 ( u1v1 + u2v2 + u3v3 )
2
uv
u v
z
P(u1, u2, u3)
w
Q(v1, v2, v3)
v
y
Figure A2
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
6-29
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
6-30
u3
u u u u
, 1 3 , 1 2
v3
v1 v3 v1 v2
(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
v (u v)
2
= u
v (u v ) = u
2
(1 cos ) =
2
v u
2
v cos 2
2
v sin 2
2
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
6-32
Rp.: non
Problme 2 (Lay, #20, p.382). Dcider si les noncs suivants sont vrais ou faux. Justifier la rponse.
-
vv = v
Rp.:vrai
Rp. : vrai
-
Pour une matrice carre A, les vecteurs dans C(A) sont orthogonaux ceux de N(A).
Rp. : faux
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
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
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 )
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
GCI 100. Algbre linaire - Prpar par Pierre F. Lemieux, ing., professeur - Universit de Sherbrooke
7-1
CHAPITRE 7
Formes quadratiques. Coniques. Surfaces quadriques
Objectifs dapprentissage
-
Savoir reconnatre une conique dans le plan partir de la forme quadratique gnrale
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.
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.
7-3
( 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
7-4
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.
... (7.4)
7-5
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
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
x = Py = y
car
Py = (Py ) (Py ) = y T P T Py = y T y = y
2
0 0
P = [u1 u 2 u n ]
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
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.
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
[y1
y2
0 0 0 y 1
y 3 ] 0 3 0 y 2
0 0 3 y 3
7-9
P(x, y)
F(p, 0)
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)
... (7.13)
Forme quadratique
associe
quation quadratique dont le graphique constitue une conique
... (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.
5x12 4x 1x 2 + 8x 22 + 4 5x 1 16 5x 2 + 4 = 0
7-11
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
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
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
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
quation quadratique en x, y et z
... (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.
7-16
Rp. : (a) x T Ax =
13 2 13 2 3 2 3 2
y1 + y2 + y3 + y4 , (c) Dfinie positive.
2
2
2
2
3x 2 8 xy 12 y 2 30 x 64 y = 0
Rp. : Hyperbole
(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
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
Objectifs dapprentissage
-
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
8-3
, 2 R, mais Q
i 5 = i 4i = i
i 6 = i 4i 2 = 1
i11 = i 8i 3 = i
Exemple :
8-4
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 .
z z = 2bi
zz = ( a + bi )( a bi ) = a 2 b2i 2 = a 2 + b2
( 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
z = a + bi = zz = a 2 + b2
Exemple :
4 + 2i =
( 4 )
+ 22 = 2 5
b)
z
z1
= 1
z2
z2
c) z1 + z2 z1 + z2
d) z1 + z2 z1 z2
z = r = ( zz )
1/2
= a 2 + b2
8-6
z2 z1 = ( z2 z1 )( z2 z1 )
1/2
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
principal de z,, que lon note Arg z. Pour tout nombre complexe z 0 ne correspond
quune seule valeur de dans lintervalle [
z1 = z2
r1 = r2
et 1 = 2 + 2k
o k = un entier
De plus,
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
+ i sin
z = 2 cos
i sin
) = 2 cos ( + 8 ) + sin ( + 8 )
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
On constate que le fait de multiplier un nombre complexe par i effectue une rotation de
90o dans le sens antihoraire.
8-8
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 :
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
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
8-10
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!
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
Exemple :
a) Exprimer z = 2 + 2i sous forme exponentielle.
3
3
4
= 8e
8-11
i
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
Ces relations sont fort utiles dans la solution des quations diffrentielles.
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
8
= 2
2
Z1 = 2 + i
Z 2 = 2 i
8-13
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
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 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. : a = 3 2, b = 3 2