MAT 193: Algèbre linéaire

Chapitre I: Algèbre matricielle

Le but principal de ce chapitre est d’étudier les opérations et les propriétés de matrices.
Applications des matrices se trouvent dans la plupart des domaines scientifiques et du génie.
En informatique et en infographie, elles sont utilisées pour classer l’importance des pages
web, pour représenter des couleurs et pour projeter une image en 3 dimensions sur un écran
en 2 dimensions.

Partout dans ce cours, on désigne par Z l’ensemble des entiers, par Q l’ensemble des
nombres rationnels et par R l’ensemble des nombres réels.

1.1. Matrices

Le but de cette section est d’introduire les opérations arithmétiques sur les matrices
et d’étudier leurs propriétés. En tant qu’application, on parlera de coordonnées RVB des
couleurs numériques.

1.1.1. Définition. Une matrice réelle de type m × n est un tableau rectangulaire de

mn nombres réels rangés sur m lignes et n colonnes comme suit:

C1 C2 · · · Cn
 
a11 a12 ··· a1n L1

 a21 a22 ··· a2n 
 L2
 .. .. .. .. 
 . . . . 
am1 am2 · · · amn Lm

Le nombre aij s’appelle (i, j)-terme où i est l’indice de ligne et j est l’indice de colonne.
Deux matrices sont dites égales si elles sont du même type et les termes en même position
sont égaux.
La matrice est dite nulle, notée 0m×n , si aij = 0 pour tous 1 ≤ i ≤ m et 1 ≤ j ≤ n.
La matrice s’appelle une matrice-ligne si m = 1; et une matrice-colonne si n = 1.
La matrice est dite carrée d’ordre n si m = n; et dans ce cas, a11 , a22 , . . . , ann sont appelés
les termes diagonaux.
Une matrice carrée (a) d’ordre 1 sera identifiée avec le nombre a.

Notation. On désignera par Mm×n (R) l’ensemble des matrices réelles de type m × n; et
par Mn (R) l’ensemble des matrices carrées réelles d’ordre n.

1
 Exemple. Considérons les matrices réelles suivante:
√ √ !
2 2
−
 
0 0 0 2 2
A= ;B = √ √ .
0 0 0 2 2
2 2

Alors
(1) A = 02×3 , la matrice nulle de type 2 × 3; √ √
2 2
(2) B est une matrice carrée d’ordre 2, dont les termes diagonaux sont 2
, 2
.

En tant qu’application de matrices, on parlera de la couleur numérique.

1.1.2. Définition. Une couleur numérique C est obtenue en mélangeant le rouge, le

vert et le bleu d’intensités r, v, b ∈ [0, 1], respectivement. On appelle {r; v; b} coordonnées
RVB de C et on identifie C à la matrice-colonne réelle
 
r
 v .
b

À titre d’exemple, on a le tableau suivant:

rouge vert bleu blanc noir cyan magenta jaune gris pourpre
1
1 0 0 1 0 0 1 1 3
0, 6
1
0 1 0 1 0 1 0 1 3
0
1
0 0 1 1 0 1 1 0 3
1

Exemple. La couleur numérique

 
0, 2
 0, 3 
0, 1

est obtenue par mélanger 20% du rouge, 30% du vert et 10% du bleu.

On introduira des opérations arithmétiques sur des matrices.

1.1.3. Définition. Soient A = (aij )m×n , B = (bij )m×n ∈ Mm×n (R). On définit
(1) a · A = (aaij )m×n = A · a, pour tout a ∈ R;
(2) −A = (−aij )m×n , appelé opposé de A.
(3) A + B = (aij + bij )m×n ;
(4) A − B = (aij − bij )m×n .

Remarque. Si A et B ne sont pas du même type, alors ni A + B ni A − B n’est définie.

2
 Les opéatrations matricielles définies dans la définition 1.1.3 satisfont aux axiomes énoncés
dans le résultat suivant.

1.1.4. Proposition. Soient A, B ∈ Mm×n (R) et a, b ∈ R.

(1) 1 · A = A; (2) (ab)A = a(bA);
(3) (a ± b)A = aA ± bA; (4) a(A ± B) = aA ± aB;
(5) A + 0m×n = A; (6) A − A = 0m×n ;
(7) A + B = B + A; (8) (A + B) + C = A + (B + C).

Remarque. (1) Pour A, B, C ∈ Mm×n (R), grâce à l’associativité, on peut définir

A + B + C = (A + B) + C.

(2) En générale, pour A1 , · · · , Ar ∈ Mm×n (R) avec r > 2, on définit

A1 + A2 + · · · + Ar = (· · ·(A1 + A2 ) + · · · + Ar−1 ) + Ar .

On introduira la multiplication de matrices dans la définition suivante.

1.1.5. Multiplication. (1) Le produit d’une matrice de type 1 × n et une matrice de

type n × 1 est une matrice de type 1 × 1 définie par
 
b1
 Xn
(a1 · · · an )  ...  = ak b k .

k=1
bn

(2) Si A = (aik ) ∈ Mm×n (R) et B = (bkj ) ∈ Mn×p (R), alors le produit de A et B est défini
comme étant AB = (cij )m×p , où
 
b1j
 Xn
cij = (ai1 · · · ain )  ...  = aik bkj , i = 1, . . . , m; j = 1, . . . , p.

k=1
bjn

Remarque. (1) Si A = 0m×n ou B = 0n×p , alors AB = 0m×p .

(2) Si A, B ∈ Mn (R), alors AB ∈ Mn (R).

Exemple. Dans le calcul de la note finale du MAT193, les pondérations des devoirs, de
l’examen intra et de l’examen final sont 15%, 35% et 50%, respectivement. Si les notes des
devoirs, de l’examen intra et de l’examen final d’un étudiant sont 80, 56 et 75 respectivement,
alors sa note finale est donnée par
 
0, 15
80 × 0, 15 + 56 × 0, 35 + 75 × 0, 5 = (80, 56, 75)  0, 35  .
0, 50

3
 Exercice. Soient
 √   
2 3 2 2 2
A =  −2 0 0 , B =  0 3 .
√ √
1 3 2 0 2

Donner le (1,2)-terme et le (3,1)-terme du produit AB.

Solution. D’après la définition, le (1,2)-terme du produit AB est le produit de la
première ligne de A et la deuxième colonne de B, c’est-à-dire,
 
 √  2 √ √
2 3 2  3  = 2 × 2 + 3 × 3 + 2 2 = 15.
√
2

En outre, le (3,1)-terme de AB est

 
 √  2
1 3 2  0  = 2.
0

1.1.6. Définition. Pour tout entier n ≥ 1, la matrice carrée

 
1 0 ··· 0
 0 1 ··· 0 
In =  . . .
 
.. 
 .. .. . . . 
0 0 ··· 1 n×n

s’appelle matrice-identité d’ordre n.

Exemple.
 
  1 0 0
1 0
I1 = (1); I2 = ; I3 =  0 1 0  .
0 1
0 0 1

1.1.7. Proposition. Soient A, B, C des matrices réelles et a, b des nombres réels.

(1) Si AB et BC est défnis, alors (AB)C = A(BC).
(2) Si AB est défini, alors (aA)(bB) = (ab)(AB).
(3) Si AB, AC sont définis et du même type, alors A(B + C) = AB + AC.
(4) Si AC, BC sont définis et du même type, alors (A + B)C = AC + BC.
(5) Si A est de type m × n, alors Im A = A = AIn .

Remarque. (1) Si AB et BC sont définis, grâce à l’associativité, on peut définir

ABC := (AB)C.

4
 (2) En générale, si A1 , · · · , Ar avec r > 2 sont des matrices réelles telles que Ai Ai+1 est
défini, pour i = 1, . . . , r − 1, alors on définit

A1 A2 · · · Ar = (· · · (A1 A2 ) · · · Ar−1 )Ar .

(3) La multiplication n’est pas commutative. Par exemple,

         
1 1 0 1 1 2 0 0 0 1 1 1
= 6= = .
0 0 1 1 0 0 1 1 1 1 0 0

(4) Le produit AB peut être nul sans que A ou B est nulle. Par exemple,
    
0 1 1 1 0 0
= .
0 1 0 0 0 0

Exemple. D’après la proposition 1.1.7(2), on a

√
3 1
! √
2
√ !
2
√ √  √ √ √
− −
 
1 2 3 −1 1 −1 2 3 − 1 − 3−1
2 √2 √2 √2 = · √ = √ √ .
1 3 2 2 2 2 1 3 1 1 4 3+1 3−1
2 2 2 2

On va donner deux résultats qui facilitent le calcul du produit de deux matrices. On

commence par le cas où le facteur à droite est une matrice-colonne.

1.1.8. Proposition. Soit A une matrice réelle dont les colonnes sont A1 , A2 , . . . , An . Si
a1 , a2 , . . . , an ∈ R, alors
   
a1 a1
 a2   a2 
A  .  = (A1 A2 · · · An )  .  = a1 A1 + a2 A2 + · · · + an An .
   
.
 .  .
 . 
an an

Exercice. Calculer les produits suivants:

1 0 −1 1 0 −1
     
3 0
(1)  1 0 1  4 ; (2)  1 0 1  1 .
0 1 1 −1 0 1 1 0

Solution. D’après la proposition 1.1.8,

1 0 −1 −1
          
3 1 0 4
 1 0 1   4  =3·  1  +4·  0  + (−1) ·  1  =  2 .
0 1 1 −1 0 1 1 3

5
 1 0 −1 −1
          
0 1 0 0
 1 0 1   1  =0·  1  +1·  0  +0·  1  =  0 .
0 1 1 0 0 1 1 1

Le résultat suivant nous dit que le calcul d’un produit de deux matrices générales se
ramème au produit traité dans la proposition précédente.

1.1.9. Proposition. Soit A ∈ Mm×n (R). Si B ∈ Mn×p (R) dont les colonnes sont
B1 , B2 , . . . , Bp , alors

AB = A(B1 B2 · · · Bp ) = (AB1 AB2 · · · ABp ),

c’est-à-dire, la j-ième colonne de AB est le produit de A et la j-ième colonne de B.

Exercice. Calculer AB, où

 
  0 0 1
1 2 3
A= ,  1 0 0 .
−1 4 5
0 1 0
Solution. D’après la proposition 1.1.9, on a
      
0 0 1  
2 3 1
AB = A  1  , A  0  , A  0  = .
4 5 −1
0 1 0

1.1.10. Définition. Soit A = (aij )n×n une matrice carrée réelle. On dit que A est
diagonale si aij = 0 pour tous 1 ≤ i, j ≤ n avec i 6= j.

Exemple. (1) Toute matrice identité In est diagonale.

(2) Les matrices suivantes sont diagonales
   
0 0 0 0 0 0
√
 0 2 0 ,  0 0 0 .
√
0 0 5 0 0 0

En appliquant les propositions 1.1.8 et 1.1.9, on obtient le résultat suivant.

1.1.11. Proposition. Soit A = (A1 A1 · · · An ) ∈ Mm×n (R) partagée en colonnes. Si

a1 , a2 , . . . , an ∈ R, alors
 
a1 0 · · · 0
 0 a2 · · · 0 
A· . . . ..  = (a1 A1 , a2 A2 , · · · , an An ).
 
.
 . .. . . . 
0 0 · · · an

6
Exercice. Calculer le produit

√
 
  2 0 0
2 2 1 
√ 0 3 0 .
3 3 2
0 0 4

Solution. D’après la proposition 1.1.11, on a

√ √ √
 
  2 0 0    
2 2 1  2 · 2 3 · 2 4 · 1 4 3 2 4
√ 0 3 0 = √ = √ .
3 3 2 2·3 3· 3 4·2 6 3 3 8
0 0 4

1.1.12. Définition. Soit A = (aij )m×n . On définit la transposée de A par

AT = (a0ij )n×m , où a0ij = aji , i = 1, . . . , n; j = 1, . . . , m.

Remarque. (1) La i-ième ligne de AT est la transposée de la i-ième colonne de A.

(2) La j-ième colonne de AT est la transposée de la j-ième ligne de A.

Exercice. À l’aide de la remarque ci-haut, trouver les transposées des matrices

 
  2 3
0 1 2
A= ; B =  3 4 .
0 0 3
5 6

Solution. En transposant les lignes de A, on obtient

 
 T 0 0
0 1 2
=  1 0 .
0 0 3
1 1

Ensuite, en transposant les colonnes de B, on obtient

 T
2 3  
 3 4  = 2 3 5 .
3 4 6
5 6

1.1.13. Proposition. Soient A, B des matrices réelles et a ∈ R.

(1) (AT )T = A.
(2) (aA)T = aAT .
(3) Si A, B sont de même type, alors (A + B)T = AT + B T .
(4) Si AB est défini, alors (AB)T = B T AT .

7
 Exemple. Soient
 
  1 0
0 1 0
A= ;B =  0 1 .
0 0 1
0 0
On a  
0 1
AB = .
0 0
De l’autre côté,
 
0 0  
1 0 0
AT =  1 0  ; T
B = .
0 1 0
0 1
Maintenant,
 
  0 0  
1 0 0 0 0
B T AT =  1 0 = = (AB)T .
0 1 0 1 0
0 1
Remarquons que
 
0 0 0
AT B T =  1 0 0  .
0 1 0
D’où, (AB)T 6= AT B T .

1.1.14. Définition. Une matrice carrée A = (aij )n×n est dite symétrique si AT = A,
c’est-à-dire, aji = aij , pour tous 1 ≤ i, j ≤ n.

Remarque. Une matrice diagonale est symétrique.

Exercice. Laquelle de A, B est symétrique?

   
1 2 3 1 2 3
A =  2 5 4 , B= 2 5 4 .
3 4 6 3 −4 6

Solution. On calcule
   
1 2 3 1 2 3
AT =  2 5 4  = A; B T =  2 5 −4  =
6 B.
3 4 6 3 4 6

D’où, A est symétrique, mais B ne l’est pas.

1.2. Rang

8
 Le but de cette section est d’introduire la notion du rang d’une matrice. On commence
par les matrices échelonnées et les opérations élémentaires sur les lignes de matrices.

1.2.1. Définition. Soit A = (aij )m×n une matrice de lignes L1 , . . . , Lm . On dit que A
est échelonnée si, pour tout i = 2, . . . , m, la condition suivante est vérifiée:
Si Li est non nulle dont le premier terme non nul est dans la colonne ji , alors Li−1 est
non nulle dont le premier terme non nul est dans la colonne ji−1 < ji .
Dans ce cas, le premier terme non nul d’une ligne non nulle s’appelle pivot de cette ligne.

Remarque. Soit A une matrice échelonnée de type m × n.

(1) Une ligne nulle de A n’a aucun pivot.
(2) Chaque ligne, ainsi que chaque colonne, de A contient au plus un pivot. Par
conséquent, le nombre de pivots de A est plus petit ou égal à min {m, n}.

Exemple. (1) Toute matrice-ligne est échelonnée.

(2) Toute matrice nulle est échelonnée sans pivot.
(3) La matrice-identité d’ordre n est échelonnée de n pivots.
(4) Les matrices suivantes sont échelonnées dont les pivots sont encadrés.
   
  3 0 1 2 1 0 3 2 1 0
  1 1 3 0
0 1  0 0 0 9 1   0 0 0 5 0
   
, 0 1 1 −9  ,  , .

0 0  0 0 0 0 0   0 0 0 0 -7 
0 0 7 2
0 0 0 0 0 0 0 0 0 0

(5) Les matrices suivantes ne sont pas échelonnées:

   
  2 1 2 3 0 1 2
0 0
,  0 1 0 ,  0 9 0 1 .
0 1
2 0 0 0 8 1 2

1.2.2. Définition. Les opérations élémentaires sur les lignes d’une matrice sont les
opérations suivantes:
Type 1: Échanger deux lignes, notée Li ↔ Lj , où i 6= j.
Type 2: Additionner à une ligne un multiple d’une autre ligne, notée Li + aLj , où i 6= j
et a ∈ R.
Type 3: Multiplier une ligne par un nombre non nul, notée aLi , où a 6= 0.

En outre, on dit qu’une matrice A se réduit à une autre matrice B si cette dernière est
obtenue à partir de A par une suite finie d’opérations élémentaires sur les lignes.

Exemple.

9
    
1 2 3 4 1 2 3 4
L2 ↔L3
 4 5 6 7  −→  7 8 9 12  .
7 8 9 12 4 5 6 7
   
1 2 3 4 1 2 3 4
L2 −4L1
 4 5 6 7  −→  0 −3 −6 −9  .
7 8 9 12 7 8 9 12
   
1 2 3 4 1 2 3 4
3L2
 4 5 6 7  −→  12 15 18 21  .
7 8 9 12 7 8 9 12

1.2.3. Lemme. Toute opération élémentaire T sur les lignes d’une matrice est inversible.
Plus précisément,
(1) Si T est Li ↔ Lj , alors T −1 est Li ↔ Lj .
(2) Si T est Li + aLj avec i 6= j, alors T −1 est Li − aLj .
(3) Si T est aLi avec a 6= 0, alors T −1 est a−1 Li .

Exemple.
     
1 2 3 4 1 2 3 4 1 2 3 4
L2 ↔L3 L2 ↔L3
 4 5 6 7  −→  7 8 9 12  −→  4 5 6 7 .
7 8 9 12 4 5 6 7 7 8 9 12
     
1 2 3 4 1 2 3 4 1 2 3 4
L2 −4L1 L2 +4L2
 4 5 6 7  −→  0 −3 −6 −9  −→  4 5 6 7 .
7 8 9 12 7 8 9 12 7 8 9 12
     
1 2 3 4 1 2 3 4 1
1 2 3 4
3L2 L
3 2
 4 5 6 7  −→  12 15 18 21  −→  4 5 6 7 .
7 8 9 12 7 8 9 12 7 8 9 12

1.2.4. Corollaire. Soient A, B ∈ Mm×n (R). Si A se réduit à B, alors

(1) B se réduit à A;
(2) A = 0m×n si, et seulement si, B = 0m×n .

On a maintenant le résultat fondamental suivant.

1.2.5. Théorème. Si A est une matrice réelle, alors

(1) A se réduit à une matrice échelonnée, ce qui s’appelle forme échelonnée de A;
(2) les forme échelonnées de A ont le même nombre de pivots; ce nombre commun s’appelle
rang de A, noté rg(A).

10
 Remarque. Une matrice échelonnée est une forme échelonnée d’elle-même, dont le rang
est le nombre de pivots.

Exemple. rg(0m×n ) = 0 et rg(In ) = n.

Exercice. Trouver le rang de la matrice suivante:

 
0 2 4 2 10
A =  0 1 2 2 7 .
0 1 2 1 5

Solution. On effectue des réductions suivantes.

     
0 2 4 2 10 1
0 1 2 1 5 L2 −L1 0 1 2 1 5
L
2 1 L3 −L1
A=  0 1 2 2 7  −→  0 1 2 2 7  −→  0 0 0 1 2 .
0 1 2 1 5 0 1 2 1 5 0 0 0 0 0

D’où, rg(A) = 2.

Le résultat suivant rassemble des propriétés élémentaires du rang d’une matrice.

1.2.6. Lemme. Soit A une matrice réelle de type m × n.

(1) rg(A) ≤ min {m, n}.
(2) Si A se réduit à B, alors rg(A) = rg(B).
(3) rg(A) = 0 si, et seulement si, A = 0m×n .
(4) rg(AT ) = rg(A).

Exemple.
   
2 0 0 2 3 4
A =  3 1 0 , AT =  0 1 5  .
4 5 5 0 0 5
Ainsi rg(A) = 3.

1.3. Matrices inversibles

On sait que tout nombre réel non nul a admet un inverse a−1 tel que

aa−1 = a−1 a = 1.

D’une façon analogue, on définira la notion d’inverse de certaines matrices carrées.

1.3.1. Définition. Une matrice A ∈ Mn (R) est dite inversible s’il existe une matrice
B ∈ Mn (R) telle que
AB = In et BA = In .

11
Dans ce cas, B s’appelle l’inverse de A, et notée B = A−1 .

Exemple. Une matrice identité In est inversible avec In−1 = In .

Exercice. (1) Vérifier que

 −1  
1 1 1 −1
= .
0 1 0 1

(2) Vérifier que

 
1 0
0 0
est non inversible.
Solution. (1) On voit que
         
1 1 1 −1 1 0 1 −1 1 1 1 0
= et = .
0 1 0 1 0 1 0 1 0 1 0 1

(2) Pour tous a, b, c, d ∈ R, on a

      
a b 1 0 a 0 1 0
= 6= .
c d 0 0 c 0 0 1

On rassemble des propriétés de matrices inversibles dans le résultat suivant.

1.3.2. Proposition. Soient A, B, C des matrices réelles.

(1) Si A est inversible, alors A−1 et AT sont inversibles avec

(A−1 )−1 = A et (AT )−1 = (A−1 )T .

(2) Si AB = C avec A inversible, alors B = A−1 C.

(3) Si BA = C avec A inversible, alors B = CA−1 .
(4) Si A, B sont inversibles de même ordre, alors AB est inversible avec

(AB)−1 = B −1 A−1 .

Exemple. On a vu que
 −1  
1 1 1 −1
= .
0 1 0 1

D’après la proposition 1.3.2(1), on trouve

 −1  −1 !−1  
1 −1 1 1 1 1
= =
0 1 0 1 0 1

12
et
 −1  T !−1  −1 !T  T  
1 0 1 1 1 1 1 −1 1 0
= = = = .
1 1 0 1 0 1 0 1 −1 1

De même, on vérifie facilement que

 −1  
1 1 2 −1
= .
1 2 −1 1

Maintenant     
1 1 1 1 2 3
= .
0 1 1 2 1 2
D’après la proposition 1.3.2(4),
 −1  −1  −1     
2 3 1 1 1 1 2 −1 1 −1 2 −3
= = = .
1 2 1 2 0 1 −1 1 0 1 −1 2

Le résultat suivant est un critère pour une matrice carrée soit inversible.

1.3.3. Théorème. Si A ∈ Mn (R), alors A est inversible si, et seulement si, rg(A) = n.

Exercice. Soient
   
2 4 2 1 0 0
A =  1 2 2 ; B =  a 2 0 .
1 2 1 b c 3

Laquelle de A, B est inversible ?

Solution. D’abord, on a
     
2 4 2 1
1 2 1 L2 −L1 1 2 1
L 3 −L1
2 1
A =  1 2 2  −→  1 2 2  L−→  0 0 1 .
1 2 1 1 2 1 0 0 0

D’où, rg(A) = 2. D’après le théorème 1.3.3, A n’est pas inversible. Ensuite, on a

 
1 a b
T
B =  0 2 c .
0 0 3

Comme rg(B T ) = 3, d’après le théorème 1.3.3, B T est inversible, et d’après la proposition

1.3.2(1), B l’est aussi.

On étudiera comment inverser une matrice inversible. Pour ce faire, on introduira les
notions suivantes.

13
 1.3.4. Définition. Une matrice carrée A = (aij )n×n est dite
(1) triangulaire supérieure si aij = 0, pour tous 1 ≤ j < i ≤ n;
(2) triangulaire inférieure si aij = 0, pour tous 1 ≤ i < j ≤ n;
(3) triangulaire si A est triangulaire supérieure ou inférieure.

Remarque. (1) Toute matrice carrée échelonnée est triangulaire supérieure.

(2) Une matrice est diagonale si, et seulement si, elle est triangulaire supérieure et trian-
gulaire inférieure.

Exemple. Soient
 √ 
  3 0 4 5
2 0 0
0 1 0 5
 
A= −3 −1 0 , B =  .
  
0 0 0 2
2 −3
 
5
0 0 0 0

On voit que A est triangulaire inférieure et B est triangulaire supérieure.

1.3.5. Proposition. Soit A ∈ Mn (R) inversible. Si A0 est une forme échelonnée de A,

alors
(1) A0 est triangulaire supérieure dont les termes diagonaux sont tous non nuls;
(2) on peut échelonner A0 à In en éliminant les termes au-dessus des pivots à partir du
dernier pivot.

Exercice. Réduire la matrice échelonnée suivante à I3 .

1 2 −2
 
 0 1 1 .
0 0 2

Solution.

1 2 −2 1 2 −2
       
1 L2 −L1 1 2 0 1 0 0
L L3 −2L1 1 −2L2
 0 1 2 3
1  −→  0 1 1  −→  0 1 0  L−→  0 1 0 .
0 0 2 0 0 1 0 0 1 0 0 1

Le résultat suivant nous dit comment trouver l’inverse d’une matrice inversible.

1.3.6. Théorème. Soit A ∈ Mn (R) et B ∈ Mn×p (R).

(1) Si (A | B) s’échelonne à (In | C), alors A est inversible et C = A−1 B.
(2) Si (A | In ) s’échelonne à (In | C), alors A est inversible et C = A−1 .

Exercice. En sachant que A est inversible, calculer A−1 B et A−1 , où

14
    
1 2 2 3 4
A= , B= .
3 4 1 2 0

Solution. On doit échelonner (A | B) et (A | I2 ). Pour ce faire, on peut échelonner une

matrice (A | B | I2 ) comme suit:
   
1 2 2 3 4 1 0 L2 −3L1 1 2 2 3 4 1 0
(A | B | I2 ) = −→
3 4 1 2 0 0 1 0 −2 −5 −7 −12 −3 1

   
− 12 L2 1 2 2 3 4 1 0 L1 −2L2 1 0 −3 −4 −8 −2 1
−→ −→ .
5 7 3
0 1 2 2 6 2 − 21 0 1 5
2
7
2
3
6 − 2 − 12

Alors (A | B) et (A | I2 ) s’échelonnent respectivement aux matrices suivantes:

   
1 0 −3 −4 −8 1 0 −2 1
5 7 et .
0 1 2 2
6 0 1 − 32 − 21

D’où,    
−1 −3 −4 −8 −1 −2 1
A B= 5 7 , A = .
2 2
6 − 32 1

Maintenant, on considère les puissances d’une matrice carrée.

1.3.7. Définition. Soit A ∈ Mn (R). Pour tout r > 0, on définit

r fois
z }| {
r
A = AA · · · A .

En outre, si A est non nul, on pose A0 = In ; et si A est inversible, on définit alors

A−r = (A−1 ) r , pour tout r > 0.

Remarque. (1) Pour tous r, s > 0, on a Ar As = Ar+s et (Ar )s = Ars .

(2) Si A est inversible, alors Ar As = Ar+s et (Ar )s = Ars , pour tous r, s ∈ Z.

Exercice. Vérifier que A est inversible et calculer A−3 , où

 
1 2
A= .
3 5

Solution. On doit échelonner A et (A | I2 ). Pour ce faire, il suffira d’échelonner (A | I2 ).

D’abord, (A | I2 ) s’échelonne à la matrice suivante:
 
1 2 1 0
:= (C | D).
0 −1 −3 1

15
D’où, A s’échelonne à la matrice
 
1 2
C= .
0 −1

Par conséquent, rg(A) = 2, et donc, A est inversible. Ensuite, comme (C | D) s’échelonne à

la matrice suivante  
1 0 −5 2
,
0 1 3 −1
d’après le théorème 1.3.6(2), on a
 
−1 −5 2
A = ,
3 −1

Ainsi  2  
−2 −1 2 −5 2 31 −12
A = (A ) = = .
3 −1 −18 7

    
−3 −2 −1 31 −12 −5 2 −191 74
A =A A = = .
−18 7 3 −1 111 −43

On conclut cette section par la décomposition LU de matrice, qui sera utile pour la
résolution de systèmes d’équations linéaires et le calcul du déterminant d’une matrice carrée.

1.3.8. Définition. Une opération élémentaire T sur les lignes d’une matrice s’appelle
opération triangulaire inférieure si
(1) T est de type Li + aLj avec i > j, ou
(2) T est de type aLi avec a 6= 0.

Voici des propriétés d’opérations triangulaires inférieures.

1.3.9. Lemme. (1) L’inverse d’une opération triangulaire inférieure est triangulaire
inférieure.
(2) Les opérations triangulaires inférieures préservent les matrices triangulaires inférieures.

Exemple.
     
1 0 L2 +3L1 1 0 5L2 1 0
(1) −→ −→ .
0 1 3 1 15 5
       
1 0 L1 ↔L2 0 1 1 0 L1 +3L2 1 3
(2) −→ ; −→ .
0 1 1 0 0 1 0 1
On effectue des opérations élémentaires à I2 , une matrice triangulaire inférieure. Dans
la partie (1), les deux opérations sont triangulaires inférieures, et donc, la matrice rśultante

16
est encore triangulaire inférieure. Mais dans la partie (2), les deux opérations ne sont pas
triangulaires inférieures, et les matrices résultantes ne sont plus triangulaires inférieures.

1.3.10. Théorème. Soit A ∈ Mn (R) admettant une réduction

T1 T2
A / A1 / A2 / ··· / Ar−1 Tr / U,

où U est échelonnée et les Ti sont des opérations triangulaires inférieures. Si l’on effectue les
opérations Ti−1 à partir de In comme suit:
−1
Tr−1 Tr−1 T1−1
In / L1 / L2 / ··· / Lr−1 / L,

alors L est triangulaire inférieure et U est triangulaire supérieure telle que

A = LU,

appelée décomposition LU de A.

Remarque. Ce n’est pas vrai que toute matrice admet une décomposition LU.

Exercice. Donner une décomposition LU de la matrice suivante:

 
2 4 6
 3 5 7 .
1 2 3
Solution. On échelonne A par des opérations triangulaires inférieures comme suit:
       
2 4 6 1
1 2 3 1 2 3 1 2 3
L L2 −3L1 3 −L1
 3 5 2 1
7  −→  3 5 7  −→  0 −1 −2  L−→  0 −1 −2  .
1 2 3 1 2 3 1 2 3 0 0 0

À partir de I3 , on inverse les opérations ci-dessus comme suit:

       
1 0 0 1 0 0 1 0 0 2 0 0
 0 1 0  L−→ 3 +L1
 0 1 0  L−→ 2 +3L1
 3 1 0  −→2L1
 3 1 0 .
0 0 1 1 0 1 1 0 1 1 0 1

Par conséquent, on a une décomposition LU pour A comme suit:

    
2 4 6 2 0 0 1 2 3
 3 5 7  =  3 1 0   0 −1 −2  .
1 2 3 1 0 1 0 0 0

1.4. Exercices

17
1. Calculer le produit suivant:
 
√1 − √110 √1  2
2 15 √1

√ 0
√1 √1 − √115  2 2
 
√5 √2
 2 10
  0 .

 0 √2 √3  10 10
10 15
0 0 √3
 
0 √2 − √215 15
10

2. Donner, à l’aide de les propositions 1.1.8 et 1.1.9, la troisième colonne du produit AB, où
 
  2 1 2
3 0 1 2
 0 1 0
 
A= 0 9 0 7 ; B= .
  
 √2 0 0
√ 
0 8 1 2
2 −1 1 + 3

3. Calculer, l’aide des propositions 1.1.8 et 1.1.9, les produits suivants.

 
0 0 1 0 0 0
 √ 
1 0 3 4 6 3   0 1 0 0 0 0 

√
 3 7 √0 11 3 1   0 0 0 0 0 0 
  
(1)  ;
 √0 4 5 5 0 3  0 0 0 1 0 0 

√  
7 0 0 2 0 7  0 0 0 0 0 1 
1 0 0 0 0 0

√
 
  0 0 0 0 1
1 7 4 6 3
√  0 0 0 1 0 
 
 3 7 11 3 1  

(2)  √  0 0 1 0 0  .
 √0 4 5 0 3  
 0 1 0 0 0 
5 0 1 0 5
1 0 0 0 0

4. Calculer, à l’aide de la proposition 1.1.11, le produit suivant:

 
  3 0 0 0 0
7 8 0 9 2 
 0 0 0 0 0 
 2 9 3 8 0 
 
 0 0 −1 0 0 .

 5 4 8 7 9 

0 −3 0

 0 0 
3 5 7 9 8
0 0 0 0 4

5. Calculer, à l’aide des propositions 1.1.7(2) et 1.1.11, le produit suivant:

   
− √15 − 3√4 5 23 0  − √5
1 √2 0
 −1
 
0 5
 √2 − √2 1 
 4 2 5

 5 3 5 3  0 −1 0   −3 5 −3 5 3 5
√ √ √ .

0 √5 2 0 0 8 2 1 2
3 5 3 3 3 3

18
 6. Considérer deux matrices symétriques suivantes:
   
a b 0 1
A= , B= .
b c 1 0
Trouver la condition pour que AB soit symétrique.

7. Calculer AT A et AAT , où √

1 3
!
2
− 2
A= √ .
3 1
2 2

8. Considérer la matrice suivante:

 
1 2 1
A= .
2 3 1

Vérifier que AT A et AAT sont symétriques.

9. Montrer, pour toute matrice A, que AAT et AT A sont symétriques.

10. Dans chacun des cas suivants, trouver le rang de chacun des matrices suivantes:
 
1 −1 2 −1
1 2 −3
 
1
 3 1 4 3 
 
(1)  2 3 6 −5 ;  (2)  .
 −5 −3 −6 −7 
3 −1 2 −7
−2 2 −4 2

11. Trouver, si possible, l’inverse de chacune des matrices suivantes.

   
1 1 2 −3 1 1 2 3
 2 3 6 −5   2 3 6 5
   
(1)  ; (2)  .

 3 −1 2 −7   3 3 2 1 
7 3 10 −15 1 1 3 1

12. En sachant que A est inversible, trouver A−1 B, où

   
1 1 2 3 1 0
 2 3 6 5   0 1
   
A= , B= .

 3 3 2 1   1 0 
1 1 3 1 0 1

13. Dans chacun des cas suivants, calculer A−3 .

 
  1 0 2
3 4
(1) A = ; (2) A =  2 1 0  .
2 1
3 1 3

19
14. Trouver une décomposition LU de chacune des matrices suivantes:

−1
   
1 1 2 1 2
(1)  2 3 6  ; (2)  1 4 −3  .
3 −1 2 3 −6 −7

20
 Chapitre II: Déterminants

À chaque matrice carrée réelle, on associe un nombre réel, appelé son déterminant. Ceci
sera appliqué pour déterminer si une matrice carrée est inversible ou non, et pour calculer les
valeurs propres d’une matrice carrée. En géométrie, on utilise le déterminant pour calculer
l’aire d’un parallélogramme et le volume d’un parallélépipède.

2.1. Définition. Soit A = (aij )n×n ∈ Mn (R). Le déterminant de A est un nombre réel,
noté det(A) ou |A|, qui est défini par récurrence comme suit.
Si n = 1, on définit alors det(a11 ) = a11 .
Supposons que n > 1 et le déterminant de toute matrice carrée d’ordre n − 1 est défini.
Pour tous 1 ≤ i, j ≤ n, désignons par Mij la sousmatrice carrée de A d’ordre n − 1
obtenue en supprimant la i-ième ligne et la j-ième colonne. Par l’hypothèse de récurrence,
mij = det(Mij ) est défini, appelé mineur de A d’indices i, j. On définit alors
(1) det(A) = ai1 (−1)i+1 mi1 + ai2 (−1)i+2 mi2 + · · · + ain (−1)i+n min , où 1 ≤ i ≤ n,
appelé développement suivant la i-ième ligne; ou

(2) det(A) = a1j (−1)1+j m1j + a2j (−1)2+j m2j + · · · + anj (−1)n+j mnj , où 1 ≤ j ≤ n,
appelé développement suivant la j-ième colonne.

Remarque. Les nombres donnés dans (1) et (2) sont égaux pour tous 1 ≤ i, j ≤ n.

Le calcul du déterminant d’une matrice carrée d’ordre 2 est evident.

2.2. Proposition.
a11 a12
= a11 a22 − a12 a21 .
a21 a22

Exercice. Calculer
√ 2 3 −4
2 2
√ ; −1 0 3 .
−3 2 + 2
3 2 −1

Solution. (1) D’après la proposition 2.2, on a

√
2 2 √ √ √
√ = 2(2 + 2) − (−3) 2 = 4 + 5 2.
−3 2 + 2

(2) On développe ce déterminant selon la deuxième colonne.

2 3 −4
−1 3 2 −4 2 −4
−1 0 3 = 3 · (−1)1+2 + 0 · (−1)2+2 + 2 · (−1)3+2
3 −1 3 −1 −1 3
3 2 −1

21
 = (−3)(1 − 9) − 2(6 − 4) = 20.

Le résultat suivant est une conséquence immédiate de la définition.

2.3. Proposition. Soit A ∈ Mn (R) de lignes L1 , . . . , Ln et de colonnes C1 , . . . , Cn .

(1) Si Cj = aC 0 avec a ∈ R et C 0 une matrice-colonne, pour un certain 1 ≤ j ≤ n, alors

det(A) = a · det(C1 , . . . , Cj−1 , C 0 , Cj+1 , . . . , Cn ).

(2) Si Li = aL0 avec a ∈ R et L0 une matrice-ligne, pour un certain 1 ≤ i ≤ n, alors


L1
 .. 
 . 
 
 Li−1 
 
0 
det(A) = a · det 
 L .
 L 
 i+1 
 . 
 .. 
Ln

(3) En particulier, si A a une ligne nulle ou une colonne nulle, alors det(A) = 0.

Exemple.

1 2 2·1 2·2 1 2·2 1 2 2·1 2·2

2 = = ; 2 6= .
5 7 5 7 5 2·7 5 7 2·5 2·7

Exercice. Calculer
√1 √2 0
2 3
√1 √1 √1
2 3 5
√1 − √13 − √15
2

Solution. D’après la proposition 2.3(1), on a

√1 √2 0
2 3 1 2 0
√1 √1 √1
1 4
2 3 5 =√ 1 1 1 =√ .
30 30
√1 − √13 − √15 1 −1 −1
2

On étudiera comment calculer le déterminant d’une matrice carrée de grande taille. Le

premier résultat est de réduire la taille de matrices de certaines formes spéciales.

22
 2.4. Proposition. Si A et B sont des matrices carrées, alors
   
A C A 0
det = det(A) · det(B) = det .
0 B D B

Exercice. Calculer les déterminants suivants:

√ √
3 5 4 2 a √
√ √ 4 3 0 0
5 2 3 a b √
3 2 0 0
0 0 7 2 5 ; √ .
√ √ 3 9 7 11
0 0 5 3 0 √
√ √ 7 2 11 1
0 0 3 5 0

Solution. D’après la proposition 2.4, on a

√ √
3 5 4 2 a
√ √
5 2 3 a b √ 7 2 5
3 5 √ √
0 0 7 2 5 = √ · 5 3 0 = (6 − 5)5(5 − 3) = 10.
√ √ 5 2 √ √
0 0 5 3 0 3 5 0
√ √
0 0 3 5 0
En outre, on a
√
4 3 0 0
√ √ √
3 2 0 0 4 3 7 11
√ = √ · √ = (8 − 3) · (7 − 11) = −20.
3 9 7 11 3 2 11 1
√
7 2 11 1

Le résultat suivant est une conséquence immédiate de la proposition 2.4.

2.5. Proposition. Le déterminant d’une matrice triangulaire est le produit de ses

termes diagonaux.

Exemple. (1) det(In ) = 1.

(2) √
3 0 34 95
√
0 5 0 5 √ √ √
= 3 5(−3)(−1) = 3 15.
0 0 −3 2
0 0 0 −1

En sachant que toute matrice carrée se réduit à une matrice échelonnée, ce qui est
nécessairement triangulaire supérieure, le résultat suivant nous permet de calculer le déterminant
d’une matrice carrée générale.

23
 2.6. Théorème. Soient A, B ∈ Mn (R).
(1) Si B est obtenue en échangeant deux lignes (respectivement, deux colonnes) de A,
alors det(A) = −det(B).
(2) Si B est obtenue en additionnant un multiple d’une ligne (respectivement, colonne)
de A à une autre ligne (respectivement, colonne), alors det(A) = det(B).
(3) Si B est obtenue en multipliant une ligne (respectivement, colonne) de A par un
nombre non nul a ∈ R, alors det(A) = a−1 · det(B).
Démonstration. (3) Posons A = (A1 · · · An ) en colonnes. Supposons que

B = (A1 · · · Ai−1 ai Ai Ai+1 · · · An ),

où 6= 0. D’après la proposition 2.3, det(B) = a · det(A). Ceci donne det(A) = a−1 · det(B).
La preuve du théorème s’achève.

Exercice. Calculer
2 1 0 −1
−1 2 −1 3
.
3 −1 −4 1
0 5 −1 3

Solution. En vue du théorème 2.6, on effectue des opérations élémentaires comme suit:
2 1 0 −1 −1 2 −1 3 −1 2 −1 3
L2 +2L1 L3 −L2
−1 2 −1 3 L1 ↔L2 2 1 0 −1 L3 +3L1 0 5 −2 5 L4 −L2
= − = − =
3 −1 −4 1 3 −1 −4 1 0 5 −7 10
0 5 −1 3 0 5 −1 3 0 5 −1 3

−1 2 −1 3 −1 2 −1 3 −1 2 −1 3
0 5 −2 5 0 5 −2 5 L4 −L3 0 5 −2 5
− = −(−5) = 5 = 25.
0 0 −5 5 0 0 1 −1 0 0 1 −1
0 0 1 −2 0 0 1 −2 0 0 0 −1

Le résultat suivant rassemble des propriétés importants de détermiant de matrices.

2.7. Théorème. Si A, B ∈ Mn (R), alors

(1) det(A) = det(AT );
(2) det(AB) = det(A) det(B);
(3) det(Ar ) = (det(A))r , pour tout entier r ≥ 1.

Remarque. En vue du théorème 2.7(2), on peut appliquer la décomposition LU pour

calculer le déterminant.

24
 Exercice. À l’aide de la décomposition LU, calculer le détermineant suivant:
 
2 4 6
A =  3 5 7 .
1 2 3

Solution. On a trouvé une décomposition LU suivante:

  
2 0 0 1 2 3
A =  3 1 0   0 −1 −2  .
1 0 1 0 0 0

D’après le théorème 2.7(2), on a

2 0 0 1 2 3
det(A) = 3 1 0 · 0 −1 −2 = 2 × 0 = 0.
1 0 1 0 0 0

Le résultat suivant est très pratique pour déterminer si une matrice est inversible ou non.

2.8. Théorème. Une matrice carrée A est inversible si, et seulement si, det(A) 6= 0. Et
dans ce cas, det(Ar ) = (det(A))r , pour tout r ∈ Z.

Exercice. Soit  
2 1 0 −1
−1 2 −1 3 
 
A= .

 3 −1 −4 1 
0 5 −1 3

Vérifier que A est inversible et calculer det(A−3 ).

Solution. On a vu que det(A) = 25. D’après le théorème 2.8, A est inversible et
1
det(A−3 ) = (det(A))−3 = 25−3 = .
15625

2.10. Exercices

1. Calculer les détermiants suivants.

√ 1 −1 0 0 3 3 2 1
3+ 2 5 0
√ 2 4 0 0 7 3 6 5
(1) −6 0 1+ 3 ; (2) ; (3) .
√ 0 0 5 2 5 3 2 1
0 4+ 2 5
0 0 −6 −2 1 1 3 1

25
2. Calculer, à l’aide de la proposition 2.3, le déterminant suivant:

− √12 − √16 √1
3
√1 − √16 √1
.
2 3
√3 √2 √1
2 6 3

3. Trouver premièrement une décomposition LU de A, et en calculer det(A), où

 
2 6 10
A =  1 4 7 .
3 1 5

4. Calculer, à l’aide de la proposition 2.4, le déterminant suivant:

√ √ √
7 5 4 2 a
√ √ √
5 7 3 a b
√ √
0 0 11 13 0 .
√
0 0 2 5 5
√ √
0 0 13 11 0

5. Dans chacun des cas suivants, calculer le déterminant de la matrice donnée et donner les
valeurs réelles de a pour que la matrice soit inversible.
   
  1 1 1 1 0 a 0 0
a+1 3 4
 1 3 3 3   1 0 −1 0 
   
(1)  a 2 2  ; (2)   ; (3)  .
 1 3 a a   0 −1 0 1+a 
4 3 a
1 3 a 5 1 0 2 −1

6. Dans chacun des cas suivants, calculer le déterminant de A; déterminer si A est inversible
ou non; et si oui, trouver det(A−2 ) lorsque A est inversible.
   
3 1 −1 5 1 2 −1 0
9 3 −3 15  0 3 −1 0
   
(1) A =  ; (2) A =  .
  
 6 7 −8 10   3 0 −2 0 
−3 4 −8 2 0 4 −3 2

26
7. Considérer la matrice suivante:
 
a 1 −1 1
−1 a −1 −1 
 
A= .

 1 1 a −1 
−1 1 1 a

(1) Pour toute valeur réelle de a, montrer que A est inversible. Indice: Calculer AAT et
appliquer les théorèmes 2.7 et 2.8.
(2) Calculer det(A−2 ).

27
 Chapitre III: Systèmes d’équations linéaires

La résolution de systèmes d’équations linéaires apparaı̂t dans beaucoup de domaines de

sceinces, comme en traitement numérique du signal, en optimisation linéaire et en analyse
numérique. Dans ce cours, cela sera utilisée pour exprimer un vecteur comme une combinai-
son linéaire de certains vecteurs; et en particulier, pour trouver les coordonnées de vecteurs
dans une base d’un espace vectoriel. Le but de ce chapitre est d’étudier les propriétés et la
résolution de tels systèmes.

3.1. Définition. Un système d’équations linéaires sur R est un ensemble d’équations

linéaires comme suit:
a11 x1 + a12 x2 + ··· + a1n xn = b1
a21 x1 + a22 x2 + ··· + a2n xn = b2
.. .. .. ..
. . . .
am1 x1 + am2 x2 + · · · + amn xn = bm , aij , bi ∈ R.

On appelle x1 , x2 , . . . , xn inconnues ; aij coefficients ; et bi , termes constants.

Une solution de ce système est un n-uplet (s1 , s2 , . . . , sn ), si ∈ R, tel que

ai1 s1 + ai2 s2 + · · · + ain sn = bi , i = 1, . . . , m.

Le système est dit compatible s’il admet au moins une solution; et sinon, incompatible.
Deux systèmes d’équations linéaires sont dits équivalents s’ils ont le même ensemble de
solutions.

Exemple. (1) On a un système d’une équation linéaire

2x1 − x2 + x3 − x4 = 8,

dont (4, 0, 0, 0) est une solution.

(2) Considérons trois plans affines de l’espace définis par les équations

x + y − z = 1; 2x + y − z = 1; 3x + 2y − z = 2,

respectivement. Les points d’intersection de ces trois plans sont donnés par les solutions du
système d’équations linéaires suivant:

x + y − z = 1
2x + y − z = 1
3x + 2y − z = 2.

On verra que ce système a une seule solution (0, 1, 0). Ainsi, ces trois plans affines se
rencontrent en un seul point (0, 1, 0).

28
 (3) Le système suivant n’est pas linéaire:

x + y = 1
2x + xy = 2.

On utilisera la théorie des matrices pour étudier les systèmes d’équations linéaires. Pour
ce faire, on introduira la notion suivante.

3.2. Définition. Soit un système d’équations linéaires

a11 x1 + a12 x2 + ··· + a1n xn = b1

a21 x1 + a22 x2 + ··· + a2n xn = b2
(∗) .. .. .. ..
. . . .
am1 x1 + am2 x2 + · · · + amn xn = bm .
On appelle
   
a11 a12 ··· a1n a11 a12 ··· a1n b1
 a21 a22 ··· a2n   a21 a22 ··· a2n b2 
 et 
   
 .. .. .. .. .. .. .. .. .. 
 . . . .   . . . . . 
am1 am2 · · · amn am1 am2 · · · amn bm
matrice des coefficients et matrice augmentée de ce système, respectivement.

Remarque. On voit aisément que le système (∗) est équivalent à l’équation matricielle
    
a11 a12 · · · a1n x1 b1
 a21 a22 · · · a2n   x2   b2 
(∗∗) ..   ..  = 
    
 .. .. . . .. 
 . . . .  .   . 
am1 am2 · · · amn xn bm

de sorte que (s1 , s2 , . . . , sn ) est une solution du système (∗) si, et seulement si, la colonne
 
s1
 s2 
 
 .. 
 . 
sn

est une solution de l’équation matricielle (∗∗).

Exemple. (1) Considérons le système d’équations linéaires suivant:

2x − z = 1
x − 2y = 1
2x − 2z = 5.

29
 La matrice des coefficients et la matrice augmentée sont respectivement

0 −1 0 −1 1
   
2 2
 1 −2 0  et  1 −2 0 1 .
2 0 −2 2 0 −2 5

En outre, le système original est équivalent à l’équation matricielle

0 −1
    
2 x 1
 1 −2 0  y  =  1 .
2 0 −2 z 5

(2) Réciproquement, la matrice partagée

1 1 −1 2
 
 0 2 1 3 
0 0 2 0

représente une équation matricielle

1 1 −1
    
x 2
 0 2 1   y  =  3 ,
0 0 2 z 0

ou bien, un système d’équations linéaires

x + y − z = 2
2y + z = 3
2z = 0.

Dès maintenant, un système de m équations linéaires à n inconnues sera noté comme une
équation matricielle
AX = B,
où A ∈ Mm×n (R) et B ∈ Mm×1 (R). Le but est de résoudre un tel système, c’est-à-dire,
(1) déterminer si le système est compatible ou incompatible;
(2) trouver toutes les solutions s’il est compatible.

On commence par la résolution de certains systèmes asset simples, c’est-à-dire, les systèmes
échelonnés tels que définis ci-dessous.

3.3. Définition. Un système d’équations linéaires à n inconnues

AX = B

30
est dit échelonné si (A | B) est échelonnée. Dans ce cas,
(a) A est aussi échelonnée, dont les pivots sont des pivots de (A | B);
(b) une inconnue est dite libre si aucun de ses coefficients n’est un pivot de A.

Remarque. Si AX = B est un système échelonné à n inconnues, alors

(1) rg(A) ≤ rg(A | B);
(2) rg(A) ≤ n;
(3) le nombre d’inconnues libres est égal à n − rg(A).

Exemple. (1) Le système

2x1 + x2 − x3 + 2x4 − x5 = 0
5x3 + x4 + 5x5 = −1
7x4 = −8

est échelonné. En effet, la matrice augmentée

2 1 −1 2 −1
 
0
 0 0 5 1 5 −1 
0 0 0 7 0 −8

est échelonnée. Les pivots de la matrice des coefficients sont 2, 5 et 7 qui sont coefficients de
x1 , x3 et x4 respectivement. Donc les inconnues libres sont x2 et x5 .
(2) Le système
0x1 + 3x2 − 4x3 − 5x4 + x5 = 1
est échelonné, dont les inconnues libres sont x1 , x3 , x4 et x5 .
(3) Le système
x − 2y + z = 3
5y − 5z = −15
−2z = −4
est échelonné sans inconnue libre.
(4) Les systèmes suivants ne sont pas échelonnés.

x + y − z = 0 x + y − z = 0
3y + z = 1 3y + z = 5
y + z = 3; 2x + z = 3.

On étudiera la résolution de systèmes échelonnés d’équations linéaires.

3.4. Proposition. Soit AX = B un système échelonné d’équations linéaires. Si rg(A) <

rg(A | B), alors le système est incompatible.

31
 Exemple. Considérons le système échelonné suivant:

2x − y − 2z = 1
2y − 3z = 0
0z = 2
0z = 0.

La matrice augmentée est

 
2 −1 −2 1
0 2 −3 0
 
(A | B) =  .
 
 0 0 0 2 
0 0 0 0

Comme rg(A) = 2 < 3 = rg(A | B), d’après la proposition 3.4, le système est incompatible.

3.5. Proposition. Soit AX = B un système échelonné d’équations linéaires à n incon-

nues. Si rg(A) = rg(A | B) = n, alors le système admet une seule solution, ce qui peut être
trouvée par substitution successivement à partir de la dernière équation non nulle.

Exercice. Résoudre le système échelonné suivant:

2x − y + z = 1
y − z = 3
3z = 6
0z = 0.

Solution. La matrice augmentée est

 
2 −1 1 1
0 1 −1 3
 
(A | B) =  .
 
 0 0 3 6 
0 0 0 0

Comme rg(A) = 3, d’après la proposition 3.5, le système a une seule solution. D’après la
troisième équation, on trouve z = 2. En substituant z = 2 dans la deuxième équation, on
trouve y = 5. Enfin, en substituant y = 5 et z = 2 dans la première équation, on trouve
x = 2. Donc la solution du système est (2, 5, 2).

3.6. Théorème. Soit un système échelonné d’équations linéaires à n inconnues

AX = B.

Si rg(A) = rg(A | B) < n, alors

(1) le système a des inconnues libres xj1 , . . . , xjs avec s = n − rg(A);

32
 (2) le système a une infinité de solutions qui sont en bijection avec les s-uplets (λ1 , . . . , λs ),
λj ∈ R, de la façon suivante :

Étant donné (λ1 , . . . , λs ), on pose xjl = λl , l = 1, . . . , s. En déplaçant les

ai,jl λj à droite, on obtient un système échelonné sans inconnues libres. En
résolvant ce dernier par substitution, on trouve les valeurs pour les incon-
nues non libres. Cela donne la solution du système original correspondant à
(λ1 , . . . , λs ).

Exercice. Résoudre le système échelonne suivant:

2x1 + x2 − x3 + 2x4 − x5 = 0
5x3 + x4 + 5x5 = −1
7x4 = −8.

Solution. Le système est échelonné ayant deux inconnues libres x2 et x5 . Ainsi le

système admet une infinité de solutions. À titre d’exemple, on considère un couple (1, −1).
Posant x2 = 1 et x5 = −1, on obtient un système échelonné sans inconnue libre suivant:

2x1 − x3 + 2x4 = −2
5x3 + x4 = 4
7x4 = −8.

En résolvant la dernière système par substitution, on trouve une solution

 
46 36 8
, 1, , − , −1
70 35 7

du système original correspondant à (1, −1). Pour trouver toutes les solutions, on donne
x2 = λ et x5 = µ des valeurs réelles arbitraires. Ceci donne un système échelonné sans
inconnue libre comme suit:

2x1 − x3 + 2x4 = −λ +µ
5x3 + x4 = −5µ −1
7x4 = −8.

En résolvant par substitution, on trouve

λ 81 1 8
x1 = − + , x2 = λ, x3 = −µ + , x4 = − , x5 = µ.
2 70 35 7
Donc l’ensemble des solutions du système original est
  
λ 81 1 8
− + , λ, −µ + , − , µ | λ, µ ∈ R .
2 70 35 7

33
 La stratégie de la résolution d’un système général consiste à réduire le système à un autre
système plus simple sans changer l’ensemble des solutions.

3.7. Théorème. L’ensemble des solutions d’un système d’équations linéaires n’est pas
changé par les opérations élémentaires suivantes:
Type 1: Échanger deux équations, notée Ei ↔ Ej .
Type 2: Additionner à une équation un multiple d’une autre équation, notée Ei + aEj .
Type 3: Multiplier une équation par un nombre non nul a, notée aEi .

Remarque. Effectuer une opération élémentaire sur les équations d’un système est
équivalent à effectuer une opération élémentaire de même type sur les lignes de la matrice
augmentée.

Exemple.

x + 2y + 3z = 0 E2 −4E1 x+2y + 3z = 0 x +2y + 3z = 0

E3 −7E1 E3 −2E2
4x + 5y + 6z = 1 =⇒ −3y − 6z = 1 =⇒ −3y − 6z = 1
7x + 8y + 9z = 2 −6y − 12 = 2 0z = 0.

     
1 2 3 0 L2 −4L1 1 2 3 0 1 2 3 0
−7L1 −2L2
 4 5 6 1  L3=⇒  0 −3 6 1  L3=⇒  0 −3 6 1  .
7 8 9 2 0 −6 12 2 0 0 0 0

On voit que la nouvelle matrice augmentée est la matrice augmentée du nouveau système.

3.8. Corollaire. Soit AX = B un système d’équations linéaires. Si (A | B) s’échelonne

à une matrice échelonnée (A0 | B 0 ), alors le système original est équivalent au système
échelonné A0 X = B 0 .

Remarque. La méthode donnée dans le corollaire 3.8 s’appelle élimination de Gauss.

Exercice. Résoudre, par l’élimination de Gauss, le système

x2 − x3 + x4 = 0
2x1 − x2 + 3x3 − x4 = 6
4x1 + 4x2 + 4x4 = 12
3x1 − 3x2 + 6x3 − 3x4 = 9.

Solution. On échelonne la matrice augmentée comme suit:

   
0 1 −1 1 0 1 2 −1 2 3 L −2L
 L2 −4L1
 2 −1 3 −1 6  L1 + 41 L3  2 −1 3 −1 6  L43−3L11
  
 =⇒   =⇒
 4 4 0 4 12   4 4 0 4 12 

3 −3 6 −3 9 3 −3 6 −3 9

34
      
1 2 −1 2 3 1 2 −1 2 3 1 2 −1 2 3
 L3 +4L2
0 −5 5 −5 0 1 −1 1 −1 1 0
 −1E
0 1 0 0
   
 5 2  L4 +9L2
 =⇒  =⇒ .
   
0 −4 4 −4 0 0 −4 4 −4 0 0 0 0 0 0
  
     
0 −9 9 −9 0 0 −9 9 −9 0 0 0 0 0 0

Cette dernière représente le système échelonné suivant:

x1 + 2x2 − x3 + 2x4 = 3
x2 − x3 + x4 = 0
0x4 = 0
0x4 = 0.

Remarquons que x3 et x4 sont les inconnues libres. On donne x3 = λ et x4 = µ des

valeurs réelles arbitraires et on obtient le système échelonné suivant:

x1 + 2x2 = 3 + λ − 2µ
x2 = λ − µ.

En résolvant par substitution, on trouve que

x1 = 3 − λ, x2 = λ − µ, x3 = λ, x4 = µ.

Par conséquent, l’ensemble des solutions du système original est

{(3 − λ, λ − µ, λ, µ) | λ, µ ∈ R} .

Le résultat suivant découle des résultats précédents.

3.9. Théorème. Soit AX = B un système d’équations linéaires à n inconnues.

(1) Si rg(A) < rg(A | B), alors le système n’a aucune solution.
(2) Si rg(A) = rg(A | B) = n, alors le système admet une seule solution.
(3) Si rg(A) = rg(A | B) < n, alors le système admet une infinité de solutions.
Pour résumer, le système est compatible si, et seulement si, rg(A) = rg(A | B).

Exercice. Considérer le système suivant:

x + y + 3z = a
x + 2y + 2z = a
x + ay + z = 3.

Déterminer les valeurs de a pour que le système

(1) ait une seule solution;
(2) ait une infinité de solutions;
(3) n’ait pas de solution.

35
 Solution. On échelonne la matrice augmentée (A | B) comme suit:

     
1 1 3 a L2 −L1 1 1 3 a 1 1 3 a
3 −L1 L3 −(a−1)L2
 1 2 2 a  L=⇒  0 1 −1 0  =⇒  0 1 −1 0 .
1 a 1 3 0 a − 1 −2 3 − a 0 0 a−3 3−a

Pour toutes valeurs de a, cette dernière est échelonnée.

(1) Si a 6= 3, alors rg(A) = rg(A | B) = 3, et d’après le théorème 3.9, le système admet
une seule solution.
(2) Si a = 3, alors rg(A) = rg(A | B) = 2 < 3, et d’après le théorème 3.9, le système
admet une infinité de solutions.
(3) Il n’y a aucune valeur réelle de a pour que le système soit incompatible.

On conclut cette section par étudier des systèmes d’équations linéaires dont les termes
constants sont tous nuls.

3.10. Définition. Un système d’équations linéaires

AX = B

est dit homogène si B = 0. Dans ce cas, X = 0 est une solution, appelée la solution nulle.

On verra plus tard que les systèmes homogènes seront utilisés pour déterminer si des
vecteurs sont linéairement dépendants ou indépendants.

3.11. Théorème. Soit un système homogène de m équations linéaires à n inconnues

AX = 0.

(1) Le système admet des solutions non nulles si, et seulement si, rg(A) < n.
(2) Si m < n, alors le sysème admet des solutions non nulles.

Exemple. Considérons le système homogène suivant:

√ √
2x − (1 + 3)y − z = 0
√ √
(1 − 2)x + 3y + z = 0.

Comme le nombre d’équations est inférieur que celui d’inconnues, d’après le théorème
3.11(2), ce système homogène admet des solutions non nulles.

Exercice. Donner la valeur de a pour que le système homogène suivant ait des solutions
non nulles.
x + 2y + z = 0
x + y + 3z = 0
2x + 3y + 4z = 0
2x + 4y + az = 0.

36
 Solution. Comme le système est homogène, on échelonne la matrice des coefficients
     
1 2 1 1 2 1 1 2 1
 1 1 3   0 −1 2  0 −1 2 
     
A=  ⇒  ⇒  .

 2 3 4   0 −1 2  0 0 a−2 


2 4 a 0 0 a−2 0 0 0

Cette dernière matrice est échelonnée pour toute valeur de a. D’après le théorème 3.11(1),
le système homogène admet des solutions non nulles si, et seulement si, rg(A) < 3, si, et
seulement si, rg(A) = 2 si, et seulement si, a = 2.

3.12. Exercices

1. Résoudre par l’élimination de Gauss les systèmes suivants:

(1) x1 − 3x2 + x3 + 2x4 = 6

2x1 + x2 − 3x3 + x4 = 2
x1 + 4x2 + x3 − 5x4 = 1
4x1 + 2x2 − x3 − 2x4 = 0;

(2) x1 + 2x2 − x3 + 2x4 = 1

2x1 + 4x2 − x3 + 3x4 = 2
x1 + 2x2 + 2x3 + x4 = 1
x1 + 2x2 − 4x3 + 3x4 = 1.

2. Trouver le point d’intersection de trois plans affines définis par les équations x+2y−z = 1,
et 2x − y + z = 2, et 3x + 2y − z = 3, respectivement.

3. Considérer le système suivant:

x + y + z = 1
x + 2y + 2z = 2
2x + ay + 2z = 3.
Déterminer les valeurs réelles de a pour lesquelles le système
(1) n’ait pas de solution;
(2) ait une infinité de solutions;
(3) ait une seule solution.

4. Dans chacun des cas suivants, trouver la condition pour que le système soit compatible.

(1) x − 2y + z = 6
3x + y − z = 7
−x + y + az = 6.

37
 (2) x + 2y − 3z = a
2x + 6y − 11z = b
x − 2y + 7z = c.

5. Soient P1 , P2 , et P3 les plans affines définis par les équations x+2y+z = 1; 2x+5y+az = 1
et x + ay + 2z = 2, respectivement. Trouver les valeurs réelles de a pour que les trois
plans se coupent, c’est-à-dire, leur intersection est non vide.

6. Pour quelle valeur de a, le système homogène

x − y + z = 0
x − 4y + z = 0
3x + y + az = 0
−x − 2y − z = 0,

a-t-il des solutions non nulles? Si c’est le cas, trouver toutes les solutions.

7. Dans chacun des cas suivants, déterminer si le système homogène admet des solutions
non nulles.
(1) 2x − y + 4z = 0
y + z = 0
3x + y = 0;

(2) 3x − y + 2z = 0
y + z = 0
3x + 3z = 0;

(3) x1 − 3x2 + 6x3 − 3x4 = 0

x2 − x3 + x4 = 0
2x1 − x2 + 3x3 − x4 = 0
4x1 + 4x2 + x4 = 0.

38
 Chapitre IV: Espaces vectoriels

Dans les applications, beaucoup de quantités comme la chaleur et la température, peuvent

être décrites par une seule variable. Mais certaines d’autres quantités, comme la force et la
couleur numérique, exigent plusieurs variables pour leur définition. On les appelle quantités
vectorielles. Les quantités vectorielles différentes possèdent des propriétés communes. Par
exemple, une quantité vectorielle peut être multipliée par un constant et deux quantités
vectorielles de même genre peuvent être additionnées. Afin d’étudier les quantités vectorielles
diverses en même temps, on introduit la notion d’espace vectoriel et on étudie celle-ci en
général; en suite, on applique des résultats généraux dans des applications particulières.

4.1. Base et dimension

4.1.1. Définition. Les nombres réels s’appellent scalaires. Un ensemble E, ses éléments
s’appellent vecteurs, est dit espace vectoriel réel (ou bien, espace vectoriel sur R) s’il est
muni d’une multiplication par scalaires

· : R × E → E : (a, u) 7→ a · u

et d’une addition
+ : E × E → E : (u, v) 7→ u + v
satisfaisant aux axiomes suivants pour tous a, b ∈ R et u, v, w ∈ E.
(1) (associativité) a · (b · u) = (ab) · u.
(2) (neutralité) 1 · u = u.
(3) (commutativité) u + v = v + u.
(4) (associativité) u + (v + w) = (u + v) + w.
(5) Il existe un vecteur nul, noté 0E , de E tel que u + 0E = u.
(6) u admet un opposé, noté (−u), tel que u + (−u) = 0E .
(7) (distributivité) a · (u + v) = a · u + a · v.
(8) (distributivité) (a + b) · u = a · u + b · u.
En outre, E est dit nul si E = {0E }.

Remarque. (1) Pour tous u, v ∈ E, on définit la différence entre u et v par

u − v := u + (−v).

(2) Pour u, v, w ∈ E, grâce à l’associativité, on peut définir

u + v + w := (u + v) + w.

39
 (3) En général, pour tous u1 , . . . , un ∈ E avec n > 2, on définit

u1 + · · · + un := (· · · (u1 + u2 ) + · · · + un−1 ) + un .

Exemple. E = {0} est un espace vectoriel réel nul, pour les opérations suivantes:

0 + 0 = 0; a · 0 = 0, pour tout a ∈ R.

4.1.2. Proposition. Pour tout entier n ≥ 1, on a un espace vectoriel réel

  

 a1 

n  .. 
R =  .  | ai ∈ R
 
an
 

dont les opérations sont définies ci-dessous:

         
a1 aa1 a1 b1 a1 + b 1
a  ...  =  ...  ; ..  +  ..  =  ..
.
     
 .   .   .
an aan an bn an + b n

Remarque. Pour tout entier n ≥ 1, l’espace vectoriel réel Rn s’appelle espace vectoriel
canonique.

Exemple. (1) Prenant n = 1, on voit que R est un espace vectoriel sur R, noté R R.
(2) Prenant n = 2, on obtient le plan réel
  
2 a
R = | a, b ∈ R .
b

Dans cet exemple, un vecteur de la forme algébrique

 
a
b

peut être représenté par un vecteur géométrique du plan comme suit:

y
6
a


b 3

• u= b






 - x
a
40
 On peut multiplier un vecteur par un scalaire d’une façon géométrique comme suit:
y
6 au


u
- x

−bu

On peut aussi additionner deux vecteurs d’une façon géométrique comme suit:
y
r u+v
6 *
 







u






*

 v


 - x

(3) Prenant n = 3, on obtient l’espace vectoriel réel usuel

  
 a 
R3 =  b  | a, b, c ∈ R .
 
c
Ceci admet aussi un modèle géométrique.
(4) Une couleur numérique C dont les coorodnnées RVB sont {r; v; b} est représentée par
le vecteur  
r
 v  ∈ R3 .
b
Par excemple, le vecteur
 
0, 5
 0, 2  ∈ R3
0, 15
représente une couleur numérique, ce qui est composée de 50% du rouge, 20% du vert et
15% du bleu. Par contre, les vecteurs
   
0 1
 2  ,  0, 2  ∈ R3
0, 1 −2

41
ne représentent aucune couleur numérique.

Dès maintenant, on se fixe E un espace vectoriel réel. D’abord, on rassemble des pro-
priétés élémentaires d’espaces vectoriels dans le résultat suivant.

4.1.3. Proposition. Soient u, v, w ∈ E et a, b ∈ R. Les énoncés suivants sont valides.

(1) Si u + v = u + w, alors v = w.
(2) au = 0E si, et seulement si, a = 0 ou u = 0E .
(3) (−1)u = −u et −(−u) = u.
(4) −(u + v) = −u − v.
(5) u + v = w si, et seulement si, u = w − v.

La notion de combinaison linéaire joue un rôle important dans l’étude d’espaces vectoriels.

4.1.4. Définition. Soient u1 , . . . , un ∈ E. Un vecteur u ∈ E est dit combinaison linéaire

de u1 , . . . , un s’il existe a1 , . . . , an ∈ R, appelés coefficients, tels que
u = a1 u1 + · · · + an un .

Remarque. Lorsque n = 1, une combinaison linéaire de u1 est un multiple au1 de u1 ,

où a ∈ R.

Exemple. (1) Tout vecteur v ∈ E est une combinaison linéaire de lui-même, car v = 1·v.
(2) Pour tous u1 , . . . , un ∈ E, le vecteur nul 0E est toujours une combinaison linéaire de
u1 , . . . , un . En effet,
0E = 0 · u1 + · · · + 0 · un .

Exercice. Considérer deux vecteurs

   
1 2
u= ,v = ∈ R2 .
2 1
Donner la combinaison linéaire w de u, v à coefficients 2, 3.
Solution. Par définition,  
8
w = 2u + 3v = .
7
Ceci est illustré par

3v
+
2u
2u
3v

42
 On parlera d’une application des combinaisons linéaires aux couleurs numériques.

4.1.5. Proposition. Une couleur numérique C est obtenue en mélangeant des couleurs
numériques C1 , . . . , Cn si, et seulement si, C est une combinaison linéaire de C1 , . . . , Cn aux
coefficients a1 , . . . , an entre 0 et 1, c’est-à-dire,

C = a1 C1 + · · · + an Cn ; 0 ≤ a1 , . . . , an ≤ 1,

où ai est l’intensité (ou bien, le pourcentage) de la couleur numérique Ci , pour i = 1, . . . , n.

Exercice. Trouver les coordonnées RVB de la couleur numérique C obtenue en mélaneant

30% du magenta, 20% du blanc, 15% du jaune et 35% du pourpre.
Solution. Les colonnes des coordonnées RVB du magenta, du blanc, du jaune et du
pourpre sont respectivement
       
1 1 1 0, 6
 0 ,  1 ,  1 ,  0 .
1 1 0 1

D’après la proposition 4.1.5, on obtient

         
1 1 1 0, 6 0, 86
C = 0, 3  0  + 0, 2  1  + 0, 15  1  + 0, 35  0  =  0, 35  .
1 1 0 1 0, 85

C’est-à-dire, C est consitituée de 86% du rouge, 35% du vert, et 85% du bleu.

Le résultat suivant nous dit qu’exprimer un vecteur comme une combinaison linéaire
de vecteurs d’un espace vectoriel canonique se ramène à trouver une solution d’un système
d’équations linéaires.

4.1.6. Proposition. Soient u1 , . . . , un ; u ∈ Rm . Posons A = (u1 · · · , un ) ∈ Mm×n (R).

Pour tous a1 , . . . , an ∈ R, les énoncés suivants sont équivalents.
(1) u = a1 u1 + · · · + an un .
 
a1
(2) u = A  ...  .
 

an

(3) Le système AX = u a pour solution

 
a1
 .. 
 . .
an

43
 Exercice. Soient
       
1 2 1 0
u=  5 , u1 =
  3 , u2 =
  0 , u3 =
  1  ∈ R3 .
1 2 1 0

Exprimer, si possible, u comme une combinaison linéaire de u1 , u2 , u3 .

Solution. D’après la proposition 4.1.6, on doit chercher une solution du système

(u1 u2 u3 )X = u,

c’est-à-dire,
    
2 1 0 x 1
 3 0 1  y  =  5 .
2 1 0 z 1
Maintenant, on échelonne la matrice augmentée

−1 1 −1 −4 −1 1 −1 −4
     
2 1 0 1
(u1 u2 u3 | u) =  3 0 1 5  ⇒  3 0 1 5  ⇒  0 3 −2 −7  .
2 1 0 1 2 1 0 1 0 0 0 0

Cette dernière représente le système échenonné

−x + y − z = −4
3y − 2z = −7
0z = 0.

Comme z est une inconnue libre, le système admet une infinité de solutions. Pour trouver
une solution particulière, on pose par exemple z = 2. Cela nous donne y = −1 et x = 1.
C’est-à-dire,
u = 1 · u1 + (−1) · u2 + 2 · u3 .
Par contre, si l’on pose z = 5, alors y = 1 et x = 0. Ceci nous donne une autre expression

u = 0 · u1 + 1 · u2 + 5 · u3 .

Le résultat suivant nous donne un critère pour qu’un vecteur soit une combinaison linéaire
d’une famille de vecteurs.

4.1.7. Théorème. Si u1 , . . . , un ; u ∈ Rm , alors les conditions suivantes sont équivalentes:

(1) u est une combinaison linéaire de u1 , . . . , un .
(2) Le système d’équations linéaires suivant est compatible

(u1 · · · un )X = u.

44
 (3) rg(u1 · · · un ) = rg(u1 · · · un | u).

Exercice. Déterminer si v est une combinaison linéaire de v1 , v2 ou non, où

     
1 3 2
v1 =  3  , v2 =  2  ; v =  −1  ∈ R3 .
1 −4 1

Solution. D’après le théorème 4.1.7, on doit comparer rg(v1 v2 ) et rg(v1 v2 | v). Pour ce
faire, on échelonne la matrice (v1 v2 | v) comme suit:
   
1 3 2 1 3 2
 3 2 −1  ⇒  0 1 1  .
1 −4 1 0 0 1

D’où, rg(v1 v2 ) = 2 et rg(v1 v2 | v) = 3. Par conséquent, v n’est pas une combinaison linéaire
de v1 , v2 .

En général, les coefficients d’une combinaison linéaire de vecteurs u1 , . . . , un ne sont pas

uniques. Par exemple, dans l’espace réel R3 , on a vu que
             
1 2 1 0 2 1 0
 5  = 1 ·  3  + (−1) ·  0  + 2 ·  1  = 0 ·  3  + 1 ·  0  + 5 ·  1  .
1 2 1 0 2 1 0

On étudiera quand les coefficients de toute combinaison linéaire de u1 , . . . , un sont uniques.

4.1.8. Définition. Des vecteurs u1 , . . . , un ∈ E sont dits

(1) linéairement dépendants s’il existe a1 , . . . , an ∈ R, non tous nuls, tels que
a1 u1 + · · · + an un = 0E ;
(2) linéairement indépendants sinon; c’est-à-dire, si toute égalité

a1 u1 + · · · + an un = 0E

entraı̂ne que a1 = · · · = an = 0.

Remarque. (1) On dit qu’une famille {u1 , . . . , un } est liée ou libre si u1 , . . . , un sont
linéairement dépendants ou indépendants, respectivement.
(2) Par convention, la famille vide ∅ est libre.

Voici une autre interprétation de la dépendance lináire et de l’indépendance linéiare.

Soient des vecteurs u1 , u2 , . . . , un ∈ E. Considérons une équation homogène

(∗) x1 u1 + x2 u2 + · · · + xn un = 0E .

45
Alors la famille {u1 , u2 , . . . , un } est liée si (∗) a une solution non nulle et libre si (∗) n’a que
la solution nulle.
Exercice. Soient    
1 1
u1 = , u2 = ∈ R2 .
1 0
Vérifier si la famille {u1 , u2 } est liée ou libre.

Solution. La question est de déterminer si l’équation

     
1 1 0
x1 + x2 =
1 0 0

admet une solution non nulle. Cette équation est équivalente au système homogène

x1 + x2 = 0
x2 = 0.

Ceci n’a que la solution nulle x1 = x2 = 0. Ainsi {v1 , v2 } est libre.

Le résultat suivant nous dit comment déterminer si une petite famille de vecteurs est liée
ou libre.

4.1.9. Lemme. Soient u, v ∈ E.

(1) La famille {u} est liée si, et seulement si, u = 0E ;
(2) La famille {u, v} est liée si, et seulement si, l’un de u, v est un multiple de l’autre.

Exercice. Déterminer lesquelles des familles de vecteurs de R2 suivantes sont libres.

        
0 1 2 0
; ; u= ,v = .
0 2 0 3

Solution. D’après le lemme 4.1.9(1), la première famille est liée, et la deuxième est libre.
Enfin, pour tout a ∈ R, on voit que
   
2a 0
au = 6= v; av = 6= u.
0 3a

D’après le lemme 4.1.9(2), {u, v} est libre.

Le résultat suivant nous dit que déterminer si une famille de vecteurs d’un espace vectoriel
canonique est liée ou libre se ramène à déterminer si un système homogène d’équations
linéaires admet des solutions non nulles ou non.

4.1.10. Théorème. Pour tous u1 , . . . , un ∈ Rm , les conditions suivantes sont équivalentes.

(1) La famille {u1 , . . . , un } est libre.

46
 (2) Le système homogène suivant n’a que la solution nulle

(u1 , . . . , un )X = 0.

(3) rg(u1 . . . un ) = n, le nombre de vecteurs de cette famille.

Exercice. Déterminer laquelle des familles de vecteurs suivantes est liée.

(1)
        
 1 1 0 1 
v1 =  1  , v2 =  0  , v3 =  1  , v4 =  1  ⊆ R3 ;
 
0 1 1 1

(2)       

 2 1 0 

 
3 0 1
      
u1 =   , u2 =   , u3 =   ⊆ R4 .
     

  2   1   0 
 
 1 2 1 

Solution. D’après le théorème 4.1.10(3), il nous faut calculer le rang de la matrice

formée par les vecteurs de chacune des familles.
(1) On échelonne
   
1 1 0 1 1 1 0 1
(v1 v2 v3 v4 ) =  1 0 1 1  ⇒  0 1 −1 0  .
0 1 1 1 0 0 2 1

Comme rg(v1 v2 v3 ) < 4, la famille {v1 , v2 , v3 , v4 } est liée.

(2) On échelonne
   
2 1 0 1 2 1
3 0 1 0 3 2
   
(u1 u2 u3 ) =  ⇒ .
   
 2 1 0   0 0 2 
1 2 1 0 0 0

Comme rg(u1 u2 u3 ) = 3, la famille {u1 , u2 , u3 } est libre.

Le résultat suivant donne une caractérisation de l’indépendance linéaire.

4.1.11. Proposition. Si u1 , . . . , un ∈ E, alors les conditions suivantes sont équivalentes.

(1) La famille {u1 , . . . , un } est libre.
(2) Toute sous-famille de {u1 , . . . , un } est libre.
(3) Aucun de u1 , . . . , un n’est une combinaison linéaire des autres vecteurs.

47
 (4) Toute combinaison linéaire u de u1 , . . . , un s’écrit d’une façon unique
u = a1 u1 + · · · + an un , avec a1 , . . . , an ∈ R.

Remarque. Si {u1 , . . . , un } est libre, alors

(1) ui 6= 0E , i = 1, . . . , n;
(2) ui 6= uj lorsque i 6= j.

Exemple. Soient
       
2 1 0 1
u1 =  3  , u2 =  0  , u3 =  1  ; u =  5  ∈ R3 .
2 1 0 1

On a vu que
u = 1 · u1 + (−1) · u2 + 2 · u3 = 0 · u1 + 1 · u2 + 5 · u3 .
D’après la proposition 4.1.11(4), la famille {u1 , u2 , u3 } est liée.

Exercice. Vérifier qu’aucune des trois couleurs parmi le rouge, le vert et le bleu n’est
obtenue en mélangeant les deux autres.
Démonstration. Les vecteurs des coordonnées RVB de ces couleurs sont respectivement
    
1 0 0
R=  0 ;V =
  1 ;B =
  0 .
0 0 1

Comme (R V B) = I3 , ce qui est de rang 3. D’après le théorème 4.1.10(3), la famille {R, V, B}

est libre. D’après la proposition 4.1.11(3), aucun de R, V, B n’est une combinaison linéaire
des deux autres. D’après la proposition 4.1.5, aucun de R, V, B n’est obtenue en mélangeant
deux autres.

4.1.12. Définition. Soit E un espace vectoriel réel.

(1) Si E est non nul, alors une famille ordonnée {u1 , . . . , un } de vecteurs de E s’appelle
base de E si
(i) {u1 , . . . , un } est libre; et
(ii) tout vecteur u ∈ E est une combinaison linéaire de u1 , . . . , un .
(2) Si E = {0E } alors, par convention, la famille vide ∅ est la seule base de E.

Exercice. Vérifier que R2 a pour base la famille ordonnée suivante:

    
1 1
u1 = , u2 = .
1 −1

48
 Démonstration. D’abord, considérons la matrice
 
1 1
A = (u1 u2 ) = .
1 −1

On voit aisément que rg(A) = 2.

(1) D’après le théorème 4.1.10(3), la famille {u1 , u2 } est libre.
(2) Soit un vecteur quelconque u ∈ R2 . Pour vérifier que u est une combinaison linéaire
de u1 , u2 , considérons le système
AX = u.
Comme 2 = rg(A) ≤ rg(A | u) ≤ 2, on a rg(A) = rg(A | u) = 2. D’après le théorème
3.9(2), ce système est compatible. D’après le théorème 4.1.7(3), u est une combinaison
linéaire de u1 , u2 . Par définition, {u1 , u2 } est une base de R2 .

4.1.13. Proposition. Pour tout entier n ≥ 1, l’espace vectoriel réel Rn a pour base,
appelée base canonique, la famille ordonnée suivante:
      
 1 0 0 
 ..  
 

  0   1  
e1 =  .  , e2 =  .  , · · · , en =  .  .
     

  ..   ..   0  
 
0 0 1
 

Démonstration. On a (e1 · · · en ) = In , ce qui est de rang n. D’après le théorème

4.1.10(3), {e1 , . . . , en } est libre. En outre, tout vecteur
 
a1
u =  ...  ∈ Rn
 

an

s’écrit évidemment
u = a1 e1 + · · · + an en , où a1 , . . . , an ∈ R.
Par définition, {e1 , . . . , en } est une base de Rn . Ceci achève la démonstration.

Exemple. (1) La base canonique de R R est {1}.

(2) La base canonique du plan R2 est
    
1 0
e1 = , e2 = ,
0 1

illustrée par le diagramme comme suit:

49
 y
6

e2 6

- - x
e1

(3) La base canonique de l’espace usuel R3 est

      
 1 0 0 
e1 =  0 , e2 =
  1 , e3 =
  0  .
 
0 0 1

illustrée par le diagramme comme suit:

z
6

e3
6
-
e2
- y
e1

4.1.14. Théorème. Toutes les bases de E ont le même nombre de vecteurs; ce nombre
commun s’appelle dimension de E, noté dim(E).

Remarque. dim(E) = 0 si, et seulement si, E = {0E }.

Exemple. Pour tout n ≥ 1, on a dim(Rn ) = n.

En effet, {e1 , . . . , en } est une base de n vecteurs de Rn .

Le résultat suivant nous dit que la dimension de E est le plus grand nombre de vecteurs
linéairement indépendants.

4.1.15. Théorème. Si dim(E) = n, alors

(1) toute famille libre de n vecteurs de E est une base;
(2) toute famille de plus que n vecteurs de E est liée.

50
 Exemple. (1) On a dim(R2 ) = 2. Mais la famille
    
1 2
u= ,v =
2 4

n’est pas une base de R2 . En effet, comme v = 2u, cette famille est liée.

(2) Comme dim(R3 ) = 3, d’après le théorème 4.1.15(2), les vecteurs

 √   √   √   
2 3 5 1
√ √ √
u1 =  3 , u2 =
  5 , u3 =
  7 , u4 =
  1  ∈ R3
1 0 1 1
sont linéairement dépendants.

Exercice. Vérifier que {v1 , v2 , v3 } est une base de R3 , où

     
1 2 0
u1 =  1 , u2 =
  1 , u3 =
  3 .
0 0 1

Démonstration. Comme dim(R3 ) = 3, d’après le théorème 4.1.15(1), il suffit de vérifier

que {u1 , u2 , u3 } est libre. Pour ce faire, on échelonne la matrice
   
1 2 0 1 2 0
(u1 u2 u3 ) =  1 1 3  ⇒  0 −1 3  .
0 0 1 0 0 1

Ainsi rg(u1 u2 u3 ) = 3. D’après le théorème 4.1.10(3), {u1 , u2 , u3 } est libre. Comme dim(R3 ) =
3, {u1 , u2 , u3 } est une base de R3 .

4.2. Coordonnées

Le but de cette section est d’appliquer la théorie de matrices pour étudier les espaces
vectoriels de dimension finie. Partout dans cette section, on se fixe E un espace vectoriel
réel ayant une base finie. Rappelons qu’une base est une famille ordonnée.

4.2.1. Définition. Soit {u1 , . . . , un } une base de E. Pour tout u ∈ E, il y a n scalaires

uniques a1 , . . . , an ∈ R tels que

(∗) u = a1 u1 + · · · + an un .

On appelle a1 , . . . , an coordonnées de u dans la base {u1 , . . . , un }, et la matrice-colonne

 
a1
 .. 
 . 
an

51
colonne des coordonnées de u dans la base {u1 , . . . , un }.

Remarque. Si l’on considère (u1 , . . . , un ) comme une matrice-ligne formelle, alors

l’équation (∗) devient  
a1
u = (u1 , . . . , un )  ...  .
 

an

Ceci est illustrée par le diagramme suivant:

 
a1
..
 
 



. 


an
{u1 , . . . , un } / u.

Exercice. Considérons la base de R2 suivante:

   
1 1
u1 = , u2 = .
1 −1
√ √
(1) Donner le vecteur v ∈ R2 dont les coordonnées dans {u1 , u2 } sont 2, 3.
(2) Trouver la colonne des coordonnées de
 
2
u=
3

(2.1) dans la base {u1 , u2 } de R2 ;

(2.2) dans la base canonique {e1 , e2 } de R2 ;
(2.3) dans la base non canonique {e2 , e1 } de R2 .
Solution. (1) D’après l’hypothèse, on a
 √ √ 
√ √ 2+ 3
u= 2 · u1 + 3 · u2 = √ √ .
2− 3

(2.1) Supposons que les coordonnées de u dans {u1 , u2 } sont a1 , a2 , c’est-à-dire,

a1 u1 + a2 u2 = u.

Ceci est équivalent au système suivant

    
1 1 a1 2
= .
1 −1 a2 3

52
Pour ce résoudre, on échelonne
5
       
1 1 2 1 1 2 1 1 2 1 0 2
⇒ ⇒ ⇒ .
1 −1 3 0 −2 1 0 1 − 21 0 1 − 12
5
Ceci nous donne la solution a1 = 2
et a2 = − 12 . C’est-à-dire,

5 1
u = u1 − u2 .
2 2
D’où, les coordonnées de u dans {u1 , u2 } sont 25 ; − 12 , et donc, la colonne des coordonnées de
u dans {u1 , u2 } est !
5
2
.
− 21
On écrit aussi !
5
2
u = (u1 , u2 ) .
− 21
(2.2) On voit aisément que
     
2 2 0
u= = + = 2 · e1 + 3 · e2 .
3 0 3

D’où, la colonne des coordonnées de u dans {e1 , e2 } est

 
2
= u.
3

(2.3) Par contre, comme u = 3 · e2 + 2 · e1 , les coordonnées de u dans {e2 , e1 } sont {3; 2},
et donc, la colonne des coordonnées de u dans {e2 , e1 } est
 
3
.
2

L’observation suivante sera pratique.

4.2.2. Lemme. Soit {e1 , . . . , en } la base canonique de Rn . Étant donné

 
a1
u =  ...  ∈ Rn ,
 

an

ses coordonnées dans {e1 , . . . , en } sont a1 , . . . , an , appelées coordonnées canoniques. Par

conséquent, la colonne des coordonnées canoniques de u coı̈ncide avec u.

53
 Plus généralement, on a la notion suivante.

4.2.3. Définition. Soient {u1 , . . . , un } une base de E et {v1 , . . . , vm } une famille or-
donnée de vecteurs de E. Si Aj est la colonne des coordonnées de vj dans {u1 , . . . , un },
j = 1, . . . , m, alors la matrice
(A1 · · · Am ) ∈ Mn×m (R)
{v ,...,v }
s’appelle matrice des coordonnées de {v1 , . . . , vm } dans {u1 , . . . , un }, notée P{u11,..., umn } .

{v}
Remarque. (1) P{u1 ,...,un } est la colonne des coordonnées de v dans {u1 , . . . , un }.
(2) En considérant (v1 , . . . , vm ) et (u1 , . . . , un ) comme des matrices-ligne, on a
{v ,...,v }
(v1 , . . . , vm ) = (u1 , . . . , un )P{u11,..., umn } .

Ceci est illustré par le diagramme suivant:

{v ,...,v }
P{u 1,..., um}
{u1 , · · · , un }
1 n
/ {v1 , · · · , vm }.

Exercice. Considérer la base de R2 suivante:

    
1 1
u1 = , u2 = .
1 −1

Trouver la famille {v1 , v2 , v3 } ⊆ R2 , dont la matrice des coordonnées dans {u1 , u2 } est
 
1 2 1
A= .
2 1 1

Solution. D’après l’hypothèse, on a

 
1 2 1
(v1 , v2 , v3 ) = (u1 , u2 ) .
2 1 1

C’est-à-dire,
     
3 3 2
v1 = 1 · u1 + 2 · u2 = ; v2 = 2 · u1 + 1 · u2 = ; v3 = 1 · u1 + 1 · u2 = .
−1 1 0

Le résultat suivant est une conséquence immédiate du lemme 4.2.2.

4.2.4. Lemme. Soit {e1 , . . . , en } la base canonique de Rn . Si v1 , . . . , vm ∈ Rn , alors

{v ,...,v }
P{e11,...,enm} = (v1 · · · vm ).

54
 Exercice. Considérer les vecteurs
     
1 2 0
u1 =  0 , u2 =
  1 , u3 =
  1  ∈ R3 ,
2 0 2
et poser v1 = u1 − u2 ; v2 = u2 − u3 ; v3 = u1 − u3 ; v4 = u3 .
{v ,v ,v ,v }
(1) En sachant que {u1 , u2 , u3 } est une base de R3 , trouver P{u11,u22 ,u33 } 4 .
{v ,v ,v ,v4 }
(2) Considérant la base canonique {e1 , e2 , e3 }, trouver P{e11,e22,e33} .
Solution. (1) On cherche les coordonnées de vi dans la base {u1 , u2 , u3 }. Mais, d’après
l’hypothèse, on voit aisément que
v1 = 1 · u1 + (−1) · u2 + 0 · u3
v2 = 0 · u1 + 1 · u2 + (−1) · u3
v3 = 1 · u1 + 0 · u2 + (−1) · u3
v4 = 0 · u1 + 0 · u2 + 1 · u3
D’où,
 
1 0 1 0
{v ,v ,v ,v }
P{u11,u22 ,u33 } 4 =  −1 1 0 0 .
0 −1 −1 1
(2) On doit trouver les coordonnées canoniques de chacun des vi . D’après l’hypothèse,
on trouve
−1
       
2 1 0
v1 =  −1  , v2 =  0  , v3 =  −1  , v4 =  1 .
2 −2 0 2
D’après le lemme 4.2.4, on a
−1
 
2 1 0
{v ,v ,v ,v4 }
P{e11,e22,e33} = (v1 v2 v3 v4 ) =  −1 0 −1 1  .
2 −2 0 2

Le résultat suivant nous dit comment déterminer si une famille de vecteurs est une base
ou non en utilisant sa matrice des coordonnées dans une base connue.

4.2.5. Théorème. Si {u1 , . . . , un } est une base de E, alors n vecteurs v1 , . . . , vn de E

{v ,...,v }
forment une base si, et seulement si, P{u11,...,unn } est inversible.

4.2.6. Corollaire. Si A ∈ Mn (R), alors les colonnes de A forment une base de Rn si, et
seulement si, A est inversible.
Démonstration. Posons A = (A1 · · · An ), où Aj ∈ Rn . Soit {e1 , . . . , en } la base canon-
ique de Rn . D’après le lemme 4.2.4, on a
{A ,...,A }
P{e1 1,...,en }n = (A1 · · · An ) = A.

55
D’après le théorème 4.2.5, {A1 . . . An } est une base de Rn si, et seulement si, A est inversible.
La preuve du corollaire s’achève.

Exemple. Considérons la matrice suivante:

1 −2
 
2
A= 0 2 3 .
1 −2 −4

Comme rg(A) = 3, la matrice A est inversible. Par conséquent, R3 a une base comme suit:
   
−2 
 
 2 1
 0 , 2 , 3  .
−2 −4
 
1

Exercice. Considérons les vecteurs

     
1 2 3
u1 = 4 , u2 = 5 , u3 = 6  ∈ R3 .
    
7 8 9

Déterminer si {u1 , u2 , u3 } est une base de R3 ou non.

Solution. Posons 
1 2 3
A = (u1 u2 u3 ) =  4 5 6  ,
7 8 9
ce qui s’échelonne à
 
1 2 3
 0 −3 −6  .
0 0 0
Étant de rang 2, A est non inversible. D’après le corollaire 4.2.6, {u1 , u2 , u3 } n’est pas une
base de R3 .

On étudiera la matrice des coordonnéees d’une base dans une autre base.

4.2.7. Définition. Soient {u1 , . . . , un } et {v1 , . . . , vn } deux bases de E. La matrice de

passage de {u1 , . . . , un } à {v1 , . . . , vn } est définie comme étant
{v ,...,v }
P{u11,...,unn } ,

c’est-à-dire, la matrice des coordonnées de la famille {v1 , . . . , vn } dans la base {u1 , . . . , un }.

{v ,...,v }
Remarque. D’après le théorème 4.2.5, P{u11,...,unn } est inversible telle que
{v ,...,v }
(v1 , . . . , vn ) = (u1 , . . . , un )P{u11,...,unn } .

56
 Ceci est illustré par le diagramme suivant:
{v ,...,v }
P{u 1,...,un }
{u1 , · · · , un }
1 n
/ {v1 , · · · , vn }.

Exercice. Considérons la base de R2 suivante:

    
1 1
u1 = , u2 = .
1 −1

(1) Donner les matrices de passage de {u1 , u2 } à {u1 , u2 } et à {u2 , u1 } respectivement.

(2) Donner la base {v1 , v2 } à laquelle la matrice de passage de {u1 , u2 } est
 
2 4
P = .
3 1

Solution. (1) Comme u1 = 1 · u1 + 0 · u2 et u2 = 0 · u1 + 1 · u2 , on obtient

   
{u1 ,u2 } 1 0 {u2 ,u1 } 0 1
P{u1 ,u2 } = ; P{u1 ,u2 } = ,
0 1 1 0

(2) Posons
 
2 4
(v1 , v2 ) = (u1 , u2 ) .
3 1
C’est-à-dire,
   
5 5
v1 = 2u1 + 3u2 = , v2 = 4u1 + u2 = .
−1 3

Par définition,  
{v ,v } 2 4
P{u11,u22 } = := P
3 1
Comme det(P ) = −10, on voit que P est inversible. D’après le théorème 4.2.5, {v1 , v2 } est
une base de R2 . Par définition, la matrice de passage de {u1 , u2 } à {v1 , v2 } est P .

Le résultat suivant est une conséquence immédiate du lemme 4.2.4.

4.2.8. Lemme. Si {u1 , . . . , un } est une base de Rn , alors la matrice de passage de la

base canonique {e1 , . . . , en } à {u1 , . . . , un } est (u1 · · · un ).

Exemple. Considérons la base de R3 suivante:

 
−2 
    
 2 1
A =  0  , A2 =  2  , A3 =  3  .
 1
−2 −4

1

57
D’après 4.2.8, la matrice de passage de la base canonique {e1 , e2 , e3 } à cette base {A1 , A2 , A3 }
est simplement
1 −2
 
2
(A1 A2 A3 ) =  0 2 3 .
1 −2 −4

D’après le lemme 4.2.2, c’est trivial de trouver les coordonnées d’un vecteur de Rn dans la
base canonique. Le résultat suivant nous dit comment trouver les coordonnées d’un vecteur
dans une base non canonique au moyen de la matrice de passage.

4.2.9. Théorème. Soient {u1 , . . . , un } et {v1 , . . . , vn } deux bases de E. Soit P la

{w ,...,w }
matrice de passage de {u1 , · · · , un } à {v1 , · · · , vn }. Si w1 , . . . , wm ∈ E avec A = P{u11,...,unm} ,
alors
{w ,...,w }
P{v11,...,vn }m = P −1 A.

Remarque. Le théorème 4.2.9 est illustré par le diagramme commutatif suivant:

{u1 , · · · , un }
P / {v1 , · · · , vn }

P −1 A
A

& 
{w1 , . . . , wm }.

Exercice. (1) Montrer que le jaune J, le magenta M , le cyant C forment une base de
3
R.
(2) Déterminer si l’on peut mélanger le jaune, le magenta et le cyant pour obtenir la
couleur  
1
 1 
D =  4 .
1
4

Solution. (1) On sait que


    
1 1 0
J=  1 ,M =
  0 ,C =
  1 .
0 1 1

D’après le lemme 4.2.4, on a

 
1 1 0
{J,M,C}
P{e1 ,e2 ,e3 } = (J M C) =  1 0 1  := P.
0 1 1

58
Comme det(P ) = −2, on voit que P est inversible. D’après le théorème 4.2.5, {J, M, C} est
une base de R3 .
(2) En vue de la proposition 4.1.5, la couleur D est obtenue en mélangeant J, M, C si, et
seulement si,
D = a1 J + a2 M + a3 C, avec 0 ≤ a1 , a2 , a3 ≤ 1.
Ainsi, on doit trouver les coordonnées de A dans la base {J, M, C}. D’après le théorème
4.2.9, on considère le diagramme suivant

{e1 , e2 , e3 }
P / {J, M, C}

P −1 A
A

% 
A.

C’est-à-dire, la colonne des coordonnées de D dans {J, M, C} est P −1 A. Pour ce calculer,

on échelonne (P | D) comme suit:
  1

1 0 0

1 1 0 1 2
(P | D) =  1 0 1 14  ⇒  0 1 0 1 
.

2 
1 1
0 1 1 4 0 0 1 −4

Donc,  
1
2
{D} 1
P{J,M,C} =  ,
 
2
− 14
c’est-à-dire,
1 1 1
D= J+ M− C.
2 2 4
1
Comme − 4 < 0, d’après la proposition 4.1.5, on ne peut pas obtenir la couleur D en
mélangeant le jaune, le magenta, et le cyan.

Le résultat suivant donne une méthode pour trouver la matrice de passage entre deux
bases quelconques.

4.2.10. Théorème. Soient {u1 , . . . , un }, {v1 , . . . , vn } et {w1 , . . . , wn } des bases de

E. Soient P, Q les matrices de passage de {u1 , . . . , un } à {v1 , . . . , vn } et à {w1 , . . . , wn },
respectivement.
(1) La matrice de passage de {v1 , . . . , vn } à {u1 , . . . , un } est P −1 .
(2) La matrice de passage de {v1 , . . . , vn } à {w1 , . . . , wn } est P −1 Q.

59
 Remarque. Le théorème 4.2.10(2) est illustré par le diagramme commutatif suivant:

{u1 , . . . , un }
P / {v1 , . . . , vn }

P −1 Q
Q

& 
{w1 , . . . , wn }

Exercice. Considérons deux bases {u1 , u2 , u3 } et {v1 , v2 , v3 } de R3 , où

           
1 2 3 0 1 1
u1 =  1 , u2 =
  1 , u3 =
  0 ; v1 =
  1 , v2 =
  0 , v3 =
  1 .
0 0 1 1 1 1

Trouver la matrice de passage de {u1 , u2 , u3 } à {v1 , v2 , v3 }.

Solution. Les matrices de passage de {e1 , e2 , e3 } à {u1 , u2 , u3 } et à {v1 , v2 , v3 } sont
respectivement
   
1 2 3 0 1 1
P = (u1 u2 u3 ) =  1 1 0  et Q = (v1 v2 v3 ) =  1 0 1  .
0 0 1 1 1 1

D’après le théorème 4.2.10(2), la matrice de passage de {u1 , u2 , u3 } à {v1 , v2 , v3 } est

−1
P Q. En échelonnant (P | Q), on trouve
 
5 2 4
P −1 Q =  −4 −2 −3  .
1 1 1

Ceci signifie que

v1 = 5u1 − 4u2 + u3
v2 = 2u1 − 2u2 + u3
v3 = 4u1 − 3u2 + u3 .

4.3. Sous-espaces vectoriels

Le but de cette section est d’étudier des sous-ensembles particuliers d’un espace vectoriel,
appelés sous-espaces vectoriels. Un sous-espace vectoriel de Rn est toujours relié à une
matrice.

Partout dans cette section, on se fixe E un espace vectoriel réel.

60
 4.3.1. Définition. Un sous-ensemble non vide F de E s’appelle sous-espace vectoriel si
les conditions suivantes sont vérifiées.
(1) Si u ∈ F et a ∈ R, alors au ∈ F .
(2) Si u, v ∈ F , alors u + v ∈ F .

Exemple. (1) L’ensemble {0E } et E sont deux sous-espaces vectoriels de E, appelés

sous-espaces triviaux.
(2) L’ensemble des couleurs numériques n’est pas un sous-espace vectoriel de R3 . En
effet, il n’est pas stable pour l’addition.

Exercice. Vérifier que le plan Px,y des x, y de R3 est un sous-espace vectoriel.

Démonstration. Par définition, on a
  
 x 
Px,y =  y  | x, y ∈ R .
 
0

Pour tous    0 
x x
u =  y  , v =  y 0  ∈ Px,y ,
0 0
et tout a ∈ R, on a

x + x0
   
ax
au =  ay  , u + v =  y + y 0  ∈ Px,y .
0 0

D’où, Px,y est un sous-espace vectoriel de R3 .

On rassemble des propriétés d’un sous-espace vectoriel dans le résultat suivant.

4.3.2. Lemme. Soit F un sous-espace vectoriel de E. Les énoncés suivants sont valides.
(1) 0E ∈ F.
(2) Si u ∈ F , alors −u ∈ F.
(3) Si u1 , . . . , ur ∈ F , alors a1 u1 + · · · + ar ur ∈ F , pour tous a1 , . . . , ar ∈ R.

Remarque. Si F est un sous-espace vectoriel de E, alors F lui-même est un espace

vectoriel réel pour les opérations induites de celles de E comme suit:

· : R × F → F : (a, u) 7→ au
et
+ : F × F → F : (u, v) 7→ u + v.
En particulier, 0F = 0E .

61
 Exemple. Considérons la droite affine de R2 suivante:
  
x 2
D= ∈R |x+y =1 .
y

Il ne s’agit d’un sous-espace vectoriel, puisque 0 6∈ D.

4.3.3. Proposition. Soit dim(E) = n ≥ 0. Si F est un sous-espace vectoriel de E, alors

(1) dim(F ) ≤ n;
(2) dim(F ) < n lorsque F 6= E.

Remarque. Un sous-espace vectoriel F de Rn s’appelle

(1) droite vectorielle si dim(F ) = 1;
(2) plan vectoriel si dim(F ) = 2.

Exemple. (1) Soit F un sous-espace vectoriel non trivial de R2 . Alors

dim{0R2 } < dim(F ) < dim(R2 ).

D’où, 0 < dim(F ) < 2, et donc, dim(F ) = 1. C’est-à-dire, F est une droite vectorielle.
(2) Soit F un sous-espace vectoriel non trivial de R3 . Alors

dim{0R3 } < dim(F ) < dim(R3 ).

D’où, 0 < dim(F ) < 3, et donc, dim(F ) = 1 ou 2. C’est-à-dire, F est une droite vectorielle
ou un plan vectoriel.

4.3.4. Proposition. Si u1 , . . . , ur ∈ E, alors l’ensemble

{a1 u1 + · · · + ar ur | a1 , . . . , ar ∈ R}

est un sous-espace vectoriel de E, appelé sous-espace vectoriel engendré par u1 , . . . , ur et

noté < u1 , . . . , ur >.

Remarque. (1) Par définition, u1 , . . . , ur ∈< u1 , . . . , ur > .

(2) Si r = 1, alors < u1 >= {au1 | a ∈ R}.
(3) On appelle {u1 , . . . , un } ensemble générateur de < u1 , . . . , ur > .
(4) Une famille ordonnée {u1 , . . . , un } de vecteurs de E est une base si, et seulement si,
elle est libre et un ensemble générateur de E.

Exercice. Calculer le sous-espace vectoriel F de R3 engendré par

   
1 0
e1 =  0 , e2 =
  1  ∈ R3 .
0 0

62
 Solution. Par définition, on a
  
 x 
F =< e1 , e2 >= {xe1 + ye2 | x, y ∈ R} =  y  | x, y ∈ R ,
 
0

ce qui est le plan des x, y de R3 .

Le résultat suivant sera pratique dans le calcul.

4.3.5. Proposition. Soient u1 , . . . , ur−1 , ur ∈ E. Si ur est une combinaison linéaire de

u1 , . . . , ur−1 , alors
< u1 , . . . , ur−1 , ur >=< u1 , . . . , ur−1 > .

Exemple. Soient
       
1 1 2 0
u1 =  2  , u2 =  2  , u3 =  4  , u4 =  0  ∈ R3 .
3 0 3 0

Comme u4 = 0 · u1 + 0 · u2 + 0 · u3 et u3 = u1 + u2 , d’après la proposition 4.3.5, on a

  
 x+y 
< u1 , u2 , u3 , u4 >=< u1 , u2 , u3 >=< u1 , u2 >=  2x + 2y  | x, y ∈ R .
 
3x

On étudiera comment trouver une base d’un sous-espace vectoriel à partir de son ensemble
générateur. Le résultat suivant est evident.

4.3.6. Lemme. Si F est un sous-espace vectoriel de E engendré par u1 , . . . , ur , alors

{u1 , . . . , ur } est une base de F si, et seulement si, {u1 , . . . , ur } est libre.

Exemple. (1) Si u ∈ Rn est non nul, alors

< u >= {au | a ∈ R}

est une droite vectorielle. En effet, comme u est non nul, {u} est libre. D’après le lemme
4.3.6, {u} est une base de < u >. En particulier, dim < u >= 1.
(2) Si u, v ∈ Rn sont non co-linéaires, alors

< u, v >= {au + bv | a, b ∈ R}

est un plan vectoriel. En effet, comme u, v ne se trouvent pas dans la même droite vectorielle,
aucun de u, v n’est un multiple de l’autre. D’après le lemme 4.1.9, {u, v} est libre; et d’après
le lemme 4.3.6, {u, v} est une base de < u, v >. En particulier, dim < u, v >= 2.

63
 On va étudier deux sous-espaces associés à une matrice A ∈ Mm×n (R).

4.3.7. Définition. Soit A = (A1 · · · An ) ∈ Mm×n (R), où A1 , . . . , An ∈ Rm . Le sous-

espace vectoriel de Rm engendré par A1 , . . . , An s’appelle espace-colonne de A, noté C(A).

Remarque. Tout sous-espace vectoriel de Rn est l’espace-colonne d’une matrice.

Exemple. (1) Considérons

 
1 0
I2 = = (e1 e2 ).
0 1

Par définition, on a

C(I2 ) =< e1 , e2 >= {xe1 + ye2 | x, y ∈ R} = R2 .

(2) Soit
 
1 2 3 6
A =  2 3 5 10  .
3 4 7 14
Alors

      
1 2 3 6
C(A) =<  2  ,  3  ,  5  ,  10  >⊆ R3 .
3 4 7 14

Utilisant la notion d’espace-colonne de matrice, on obtient une interpretation alternative

de la compatibilité d’un système d’équations linéaires comme suit.

4.3.8. Proposition. Si A ∈ Mm×n (R), alors

(1) C(A) = {Au | u ∈ Rn };
(2) un système d’équations linéaires

AX = B

est compatible si, et seulement si, B ∈ C(A).

Exercice. Soient
     
1 2 3 6 2 2
A =  2 3 5 10  ; u =  1  ; v =  1  .
3 4 7 14 1 0

Déterminer lequel de u, v appartient à C(A).

64
 Solution. La question est de déterminer lequel des systèmes AX = u et AX = v est
compatible. Au lieu d’échelonner (A | u) et (A | v) séparément, on échelonne (A | u | v).
   
1 2 3 6 2 2 1 2 3 6 2 2
(A | u | v) =  2 3 5 10 1 1  ⇒  0 1 1 2 3 3  .
3 4 7 14 1 0 0 0 0 0 1 0
D’où, on voit que
 
1 2 3 6
A ⇒  0 1 1 2 ;
0 0 0 0
 
1 2 3 6 2
(A | u) ⇒  0 1 1 2 3  ;
0 0 0 0 1
et  
1 2 3 6 2
(A | v) ⇒  0 1 1 2 3  .
0 0 0 0 0
Ainsi, rg(A) 6= rg(A | u), mais rg(A) = rg(A | v). Par conséquent, AX = u est incompatible,
et AX = v est compatible. D’après la proposition 4.3.8(2), u 6∈ C(A) et v ∈ C(A).

On étudiera comment trouver une base de l’espace-colonne d’une matrice. Le résultat

suivant est une conséquence du lemme 4.3.6 et du théorème 4.1.10.

4.3.9. Proposition. Soit A ∈ Mm×n (R) dont les colonnes sont A1 , . . . , An . Comme
C(A) =< A1 , . . . , An >, les conditions suivantes sont équivalentes.
(1) A1 , . . . , An forment une base de C(A).
(2) A1 , . . . , An sont linéairement indépendants.
(3) rg(A) = n, le nombre de colonnes de A.

Exercice. Soit  
1 4 1
1 3 1
 
A= .
 
 −2 −4 1 
1 4 2
Vérifier si les colonnes de A forment une base de C(A) ou non.
Solution. Comme
   
1 4 1 1 4 1
1 3 1 0 1 0
   
A= ⇒ ,
   
 −2 −4 1   0 0 1 
1 4 2 0 0 0

65
on a rg(A) = 3, le nombre de colonnes de A. D’après la proposition 4.3.9, les colonnes de A
forment une base de C(A).

On a le résultat général suivant pour trouver une base de l’espace-colonne d’une matrice.

4.3.10. Théorème. Soit A ∈ Mm×n (R) de colonnes A1 , . . . , An . Soit A0 une forme

échelonnée de A. Si les pivots de A0 se trouvent dans les colonnes j1 , · · · , jr , alors la famille
{Aj1 , · · · , Ajr } est une base de C(A). En particulier, dim C(A) = rg(A).

Exercice. Trouver une base du sous-espace vectoriel F de R4 engendré par

       
1 4 2 7
 1   3   1   5 
       
u1 =   , u2 =   , u3 =   , u4 =  .
 −2   −4   0   −6 
1 4 2 7

Solution. Par l’hypothèse, F = C(A), où

   
1 4 2 7 1 4 2 7
 1 3 1 5   0 1 1 2
   
A= ⇒  := B

 −2 −4 0 −6   0 0 0 0 
1 4 2 7 0 0 0 0

Les pivots de B se trouvent dans les colonnes 1 et 2. D’après le théorème 4.3.10, {u1 , u2 }
est une base de F .

Enfin, on revient à la résolution d’un système homogène d’équations linéaires.

4.3.11. Lemme. Si A ∈ Mm×n (R), alors l’ensemble

N (A) := {u ∈ Rn | Au = 0}

est un sous-espace vectoriel de Rn , appelé noyau de A.

Remarque. On voit que N (A) est l’ensemble des solutions du système homogène

AX = 0.

Pour cette raison, N (A) s’appelle aussi espace-solution de ce système homogène.

Le résultat suivant nous dit comment trouver une base du noyau d’une matrice.

4.3.12. Théorème. Soit A ∈ Mm×n (R) dont A0 est une forme échelonnée.
Si le système homogène échelonné A0 X = 0 n’a aucune inconnue libre, alors N (A) est
nul et a pour base l’ensemble vide.

66
 Si le système échelonné A0 X = 0 admet s inconnues libres xi1 , xi2 , . . . , xis , alors on le
résout successivement
(1) en posant xi1 = 1, xi2 = · · · = xis = 0, ce qui donne une solution u1 ;
(2) en posant xi1 = 0, xi2 = 1, xi3 = · · · = xis = 0, ce qui donne une solution u2 ;
..
.
(s) en posant xi1 = xi2 = · · · = xis−1 = 0, xis = 1, ce qui donne une solution us .
Alors {u1 , . . . , us } est une base de N (A).
En tout cas, dim N (A) = n − rg(A), le nombre d’inconnues libres du système homogène
échelonné A0 X = 0.

Exercice. Trouver une base de l’espace-solution du système homogène suivant:

2x1 + x2 − x3 + 2x4 − x5 + 3x6 = 0

4x1 + 2x2 − x3 + 5x4 + 4x5 + 7x6 = 0
8x1 + 4x2 − 3x3 + 9x4 + 3x5 + 15x6 = 0
6x1 + 3x2 − 2x3 + 7x4 + 3x5 + 10x6 = 0.

Solution. En échelonnant la matrice augmentée, on réduit ce système au système

échelonné suivant:

2x1 + x2 − x3 + 2x4 − x5 + 3x6 = 0

x3 + x4 + 5x5 − x6 = 0
x5 + 2x6 = 0
0 = 0.

Les inconnues libres sont x2 , x4 et x6 . Ainsi l’espace-solution a une base composée de

trois solutions u1 , u2 , u3 .
(1) En posant x2 = 1, x4 = x6 = 0, on a un système sans inconnue libre

2x1 − x3 − x5 = −1
x3 + 5x5 = 0
x5 = 0.

En résolvant-le par substitution, on trouve x1 = − 12 , x3 = 0 et x5 = 0. Ceci donne le premier

vecteur de la base de l’espace-solution
 1 
−2
 1 
 
0
 
u1 =  .
 
 0 
 
 0 
0

67
 (2) En posant x2 = 0, x4 = 1 et x6 = 0, on a un système sans inconnue libre

2x1 − x3 − x5 = −2
x3 + 5x5 = −1
x5 = 0.

En résolvant-le par substitution, on trouve x1 = − 32 , x3 = −1 et x5 = 0. Ceci donne le

deuxième vecteur de la base de l’espace-solution
 3 
−2
 0 
 
 −1 
 
u2 =  .
 1 
 
 0 
0

(3) En posant x2 = x4 = 0 et x6 = 1, on a un système sans inconnue libre

2x1 − x3 − x5 = −3
x3 + 5x5 = 1
x5 = −2.

En résolvant-le par substitution, on trouve x1 = 3, x3 = 11 et x5 = −2. Ceci donne le

troisième vecteur de la base de l’espace-solution
 
3
 0 
 
 11 
 
u3 =  .
 0 
 
 −2 
1

En conclusion, on obtient une base de l’espace-solution du système original comme suit:

 1   3   

 − 2
− 2
3 

 



 1 
 
 0 
 
 0 



 
 0   −1   11 
     
, ,  .
 0   1   0 



      


  0   0   −2  

 
0 0 1
 

4.4. Sous-espaces affines

68
 On a étudié les sous-espaces vectoriels de Rn dans la section précédente. Cette section a
pour but d’étudier les sous-espaces affines de Rn , un autre genre de sous-ensembles de Rn .
On commence par la notion de coordonnées homogènes, ce qui est important en infographie.

4.4.1. Définition. Soit un vecteur

 
a1
u =  ...  ∈ Rn .
 

an

Un vecteur  
x1
 .. 
 . 
  ∈ Rn+1
 xn 
xn+1
s’appelle vecteur de coordonnées homogènes de u si xn+1 6= 0 et
 x1 
xn+1
..
 = u.
 
 .
xn
xn+1

Remarque. (1) On peut retrouver u à partir de ses coordonnées homogènes.

(2) En particulier, u a pour vecteur de coordonnées homogènes
 
a1
 .. 
û =  .  ,
 
 an 
1

appelé vecteur des coordonnées homogènes normalisées de u.

Exercice. (1) Trouver le vecteur u ∈ R2 dont

 
2
 −1  ∈ R3
−3

est un vecteur de coordonnées homogènes.

(2) Donner le vecteur des coordonnées homogènes normalisées du vecteur nul 0 de R3 .
Solution. (1) Par définition, on a
! !
2 2
−3 − 3
u= −1
= 1
.
−3 3

69
 (2) Par définition, on a  
0
0
 
0̂ =   ∈ R4 .
 
 0 
1
Remarquons que    
0 0
0 0
   
,
   
0 0
 
   √ 
2 2
sont aussi des vecteurs de coordonnées homogènes de 0.

Le résultat suivant décrit l’ensemble des vecteurs de coordonnées homogènes d’un vecteur
donné.

4.4.2. Lemme. Soit un vecetur

 
a1
u =  ...  ∈ Rn .
 

an

(1) Si v ∈ Rn+1 est un vecteur de coordonnées homogènes de u, alors w ∈ Rn+1 est aussi
un vecteur de coordonnées homogènes de u si, et seulement si, w = av avec a 6= 0.
(2) L’ensemble des vecteurs de coordonnées homogènes de v est
  
 aa1 
 .. 

 


 . 
  | 0 6= a ∈ R .

  aan  

 
a
 

Exercice. Soient    
10 −15
−6 9
   
v= , w=  ∈ R4 .
   
 14   −21 
2 −3
(1) Vérifier que v, w sont des vecteurs de coordonnées homogènes du même vecteur.
(2) Écrire w = av avec a non nul.
Solution. On voit que
 10     
− 35
 
2 5 5
 6   9 
 −2  = −3  =: u et  =  −3  = u.

3 
14 7 − 21 7
2 3

70
 En outre, v = 2û et w = (−3)û. Par conséquent, w = − 23 v.

On définira la notion de dépendance affine de vecteurs en termes de la dépendance linéaire

de leurs vecteurs de coordonnées homogènes normalisées.

4.4.3. Définition. Des vecteurs u1 , . . . , ur ∈ Rn sont dits

(1) affinement dépendants, ou bien, {u1 , . . . , ur } est affinement liée, si û1 , . . . , ûr sont
linéairement dépendants dans Rn+1 ;
(2) affinement indépendants, ou bien {u1 , . . . , ur } est affinement libre, si û1 , . . . , ûr sont
linéairement indépendants dans Rn+1 .

Remarque. Comme dim(Rn+1 ) = n + 1, d’après le théorème 4.1.15(2), toute famille

affinement libre de vecteurs de Rn contient au plus n + 1 vecteurs.

Exemple. D’après le lemme 4.1.9(1), toute famille d’un vecteur est affinement libre.

Exercice. Soient
       
1 2 0 1
u1 =  3  , u2 =  7  , u3 =  4  , u4 =  8  ∈ R3 .
7 6 7 6

Déterminer si {u1 , u2 , u3 , u4 } est affinement liée ou affinement libre.

Solution. Le problème se ramène à déterminer si {û1 , û2 , û3 , û4 } est liée ou libre dans
4
R . Pour ce faire, on échelonne
   
1 2 0 1 1 1 1 1
 3 7 4 8   0 1 −1 0 
   
A = (û1 û2 û3 û4 ) =  ⇒ .
 7 6 7 6   0 0 1 1 
1 1 1 1 0 0 0 0

Comme rg(A) = 3 < 4, d’après le théorème 4.1.10(3), {û1 , û2 , û3 , û4 } est liée dans R4 .
Par définition, {u1 , u2 , u3 , u4 } est affinement liée dans R3 .

4.4.4. Proposition. Soient u1 , . . . , ur ; u ∈ Rn avec {u1 , . . . , ur } affinement libre. Pour

tous c1 , · · · , cr ∈ R, on a que

u = c1 u1 + · · · + cr ur et c1 + · · · + cr = 1

si, et seulement si,

û = c1 û1 + · · · + cr ûr .
Dans ce cas, u s’appelle barycentre de u1 , . . . , ur ; et c1 , . . . , cr s’appellent coordonnées barycen-
triques de u dans {u1 , . . . , ur }.

71
 Remarque. Un vecteur u est un barycentre de u1 , . . . , ur dans Rn si, et seulement si, û
est une combinaison linéaire de û1 , . . . , ûr dans Rn+1 .

Exercice. Soient
       
3 1 1 4
u1 =  1  , u2 =  2  , u3 =  7  , u =  3  ∈ R3 .
1 2 1 0
Vérifier que u est un barycentre de u1 , u2 , u3 , en donnant les coordonnées barycentriques.
Solution. On devra résoudre l’équation suivante:

x1 û1 + x2 û2 + x3 û3 = û,

c’es-à-dire, le système
(û1 û2 û3 )X = û.
Comme    
3
3 1 1 4 1 0 0 2
1 2 7 3 0 1 0 −1 
   
(û1 û2 û3 | û) =  ⇒ 1 ,
  
 1 2 1 0   0 0 1 2

1 1 1 1 0 0 0 0
on obtient
3 1
û = û1 − û2 + û3 .
2 2
Ainsi u est un barycentre de u1 , u2 , u3 , dont les coordonnées barycentriques sont 32 , −1, 12 .
C’est-à-dire,
3 1 3 1
u = u1 − u2 + u3 et + (−1) + = 1.
2 2 2 2

On étudiera les sous-espaces affines. Pour ce but, on identifiera un vecteur de Rn avec

son point d’arrivée.

4.4.5. Proposition. Si u1 , u2 ∈ Rn , alors {u1 , u2 } est affinement libre si, et seulement

si, u1 6= u2 ; et dans ce cas, l’ensemble des barycentres de u1 , u2 est

{(1 − t)u1 + tu2 | t ∈ R} =: D(u1 , u2 ),

ce qui est la droite affine passant par u1 , u2 . En outre, le segment d’extrémités u1 , u2 est
donné par
{(1 − t)u1 + tu2 | 0 ≤ t ≤ 1} =: δ(u1 , u2 ).

Exercice. Trouver l’équation de la droite affine D de R2 passant par

   
2 4
u1 = , u2 = .
1 5

72
 Solution. On considère un vecteur quelconque
 
x
u= ∈ R2 .
y

Alors u ∈ D si, et seulement si, u est un barycentre de u1 , u2 si, et seulement si, û est
une combinaison linéaire de û1 , û2 si, et seulement si, rg(û1 û2 ) = rg(û1 û2 | û). Maintenant,
   
2 4 x 1 1 1
(û1 û2 | û) =  1 5 y  ⇒  0 2 x − 2 .
1 1 1 0 0 2x − y − 3

Par conséquent, u ∈ D si, et seulement si,

2x − y − 3 = 0.

Exercice. Considérer les vecteurs

     
1 2 0
u1 =  1 , u2 =
  1 ;u =
  1  ∈ R3 .
2 1 3

Vérifier que u appartient à la droite affine passant par u1 , u2 , mais n’appartient pas au
segment d’extrémités u1 , u2 .
Solution. Comme
   
1 2 0 1 0 2
 1 1 1   0 1 −1 
   
(û1 û2 | û) =  ⇒ ,
 2 1 3   0 0 0 
1 1 1 0 0 0

les coordonnées barycentriques de u dans {u1 , u2 } sont {2, −1}. Ainsi, u appartient à la
droite passant par u1 , u2 . Comme 2, −1 ne sont pas compris entre 0 et 1, u n’appartient pas
au segment d’extrémités u1 , u2 .

Maintenant, on étudiera l’indépendance affine de trois vecteurs.

4.4.6. Proposition. Si u1 , u2 , u3 ∈ Rn , alors {u1 , u2 , u3 } est affinement libre si, et seule-

ment si, u1 , u2 , u3 n’appartiennent pas à une même droite affine; et dans ce cas, l’ensemble
des barycentres de u1 , u2 , u3 est

{(1 − s − t)u1 + su2 + tu3 | s, t ∈ R} =: P (u1 , u2 , u3 ),

ce qui est le plan affine passant par u1 , u2 , u3 . En outre, le triangle de sommets u1 , u2 , u3 est

{(1 − s − t)u1 + su2 + tu3 | 0 ≤ s, t, s + t ≤ 1} =: ∆(u1 , u2 , u3 ).

73
 Exercice. Soient

−2
       
1 2 0
u1 =  3  , u2 =  7  , u3 =  4  ; v =  0  ∈ R3 .
7 6 7 8
(1) Vérifier que {u1 , u2 , u3 } est affinement libre.
(2) Donner une équation du plan affine P passant par u1 , u2 , u3 .
(3) Déterminer si u appartient au triangle ∆ de sommets u1 , u2 , u3 .
Solution. Soit un vecetur quelconque
 
x
u =  y  ∈ R3 .
z

Pour les parties (1), (2) et (3), on doit échelonner les matrices (û1 û2 û3 ), (û1 û2 û3 | u) et
(û1 û2 û3 | v), respectivement. Pour ce faire, on échelonne la matrice (û1 û2 û3 | u | v) comme
suit:
   
1 2 0 x −1 1 1 1 1 1
 3 7 4 y 0   0 1 −1 x − 1 −2 
   
(û1 û2 û3 | u | v) =  ⇒ (∗)
 7 6 7 z 8   0 0 1 x+z−8 1 

1 1 1 1 1 0 0 0 x + y + 5z − 39 0

(1) D’après (∗), on voit que (û1 û2 û3 ) se réduit à

 
1 1 1
 0 1 −1
 

 0 0 1
 

0 0 0

D’où, rg(û1 û2 û3 ) = 3. Donc {û1 , û2 , û3 } est libre dans R4 . Par conséquent, {u1 , u2 , u3 } est
affinement libre dans R3 .
(2) D’après (∗), on voit que (û1 û2 û3 | û) se réduit à
 
1 1 1 1
 0 1 −1 x − 1
 

 0 0 1 x+z−8
 

0 0 0 x + y + 5z − 39

Maintenant, u ∈ P si, et seulement si, u est un barycentre de u1 , u2 , u3 si, et seulement si,

û est une combinaison linéaire de û1 , û2 , û3 si, et seulement si, rg(û1 û2 û3 ) = rg(û1 û2 uˆ3 | û)
si et seulement si
x + y + 5z = 39.

74
 (3) Il s’agit de vérifier si l’on peut exprimer

a1 û1 + a2 û2 + a3 û3 = v̂; où a1 , a2 , a3 ≥ 0.

On commence par résoudre le système

(û1 û2 û3 )X = v̂.

D’après (∗), on voit que (û1 û2 û3 | v̂) se réduit à

   
1 1 1 1 1 0 0 1
0 1 −1 −2  0 1 0 −1 
   
⇒ .
 
 0 0 1 1   0 0 1 1 

0 0 0 0 0 0 0 0

D’où, v̂ = û1 − û2 + û3 . Ainsi, v est un barycentre de u1 , u2 , u3 , dont les coordonnées
baricentriques dans {u1 , u2 , u3 } sont 1, −1, 1. Comme −1 est négatif, v 6∈ ∆.

On conclut cette section par une application de coordonnées barycentriques en imagerie,

qui donne une méthode pour colorer un triangle d’une façon lisse.

4.4.7. Théorème. Soit ∆ un triangle coloré de sommets u1 , u2 , u3 auxquels les couleurs

sont C1 , C2 , C3 respectivement. Si u ∈ ∆ dont les coordonnées barycentriques dans {u1 , u2 , u3 }
sont a1 , a2 , a3 respectivement, alors la couleur C à u sera donnée par

C = a1 C 1 + a2 C 2 + a3 C 3 .

Exercice. Considérer
       
3 4 1 3
u1 =  1 , u2 =
  3 , u3 =
  5 ,u =
  3  ∈ R3 .
7
5 4 1 2

Soit ∆ un triangle coloré de sommets u1 , u2 , u3 auxquels les couleurs sont le magenta {1; 0; 1},
le magenta claire {1; 0, 4; 1}, et le pourpre {0, 6; 0; 1} respectivement.
(1) Vérifier que u ∈ ∆.
(2) Donner la couleur C à u.
Solution. (1) Il s’agit de vérifier que û est une combinaison linéaire de û1 , û2 , û3 à
coefficients entre 0 et 1. Pour ce faire, on échelonne
   
3 4 1 3 1 0 0 14
 1 3 5 3   0 1 0 12 
   
(û1 û2 û3 | û) =  ⇒ .
 5 4 1 3, 5   0 0 1 14 
1 1 1 1 0 0 0 0

75
 D’où,
1 1 1
u = u1 + u2 + u3 .
4 2 4
Par conséquent, u ∈ ∆ dont les coordonnées barycentrique dans {u1 , u2 , u3 } sont 41 , 12 , 14 .
(2) D’après la proposition 4.4.7,
      
1 1 0, 6 0, 9
1 1 1
C =  0  +  0, 4  +  0  =  0, 2  .
4 2 4
1 1 1 1

C’est-à-dire, C se compose 90% du rouge, 20% du vert, et 100% du bleu.

4.5. Exercices

1. Montrer qu’un espace vectoriel réel non nul contient une infinité de vecteurs.

2. Soit D une couleur obtenue en mélangeant 20% du blanc, 25% du magenta, 30% du gris
et 10% du pourpre.

(1) Exprimer la colonne des coordonnées RVB de la couleur D comme combinaison

linéaire des colonnes des coordonnées du blanc, du magenta, du gris et du pourpre.
(2) Donner les coordonnées RVB de la couleur D.

3. Considérer les vecteurs de R4 suivants:

         
1 0 7 6 −5
 −2   2   4 −2 −2
         
u1 =   , u2 =   , u3 =  ;u =  ;v =  .
    
 1   1   1   2   4 
0 −1 1 3 −4

À l’aide de la proposition 4.1.6 et du théorème 4.1.7, déterminer lequel de u et v est une

combinaison linéaire de u1 , u2 , u3 ; et donner une expression explicite dans le cas échéant.

4. Considérer les vecteurs de R4 suivants:

     
3 1 1
 2   4 2
     
u =   , v1 =   , v2 =  .
  
 a   −5   3 
b 2 1

Donner les valeurs réelles de a et b pour que u soit une combinaison linéaire de v1 et v2 .

76
5. Considérer les vecteurs de R5 suivants:
         
3 2 0 5 1

 2 


 0 


 5 


 31 


 0 

u1 =  0  , u2 =  3  , u3 =  6 ,u =  24 ;v =  3 .
         
−2 −7 −1
         
 1   0       
1 −4 0 11 5

(1) Exprimer u, à l’aide de la proposition 4.1.6, comme une combinaison linéaire de u1 , u2

et u3 .
(2) Déterminer, à l’aide du théorème 4.1.7, si v est une combinaison linéaire de u1 , u2 , u3
ou non.
(3) Vérifier, à l’aide du théorème 4.1.10, que la famille {u1 , u2 , u3 } est libre.
(4) Vérifier, à l’aide de la partie (1) et de la définition 4.1.8, que {u1 , u2 , u3 , u} est liée.

6. (1) Montrer qu’aucune des couleurs blanc, cyan et magenta ne peut être obtenue en
mélangeant deux autres. Indice: Vérifier que leurs colonnes des coordonnées RVB
sont linéairement indépendantes.
(2) Déterminer si l’on peut obtenir le pourpre en mélangeant le blanc, le cyan et le
magenta.
(3) Déterminer si l’on peut obtenir le blanc en mélangeant le jaune, le magenta et le cyan;
et si oui, donner l’intensité de chacune de ces trois couleurs?

7. Considérer les vecteurs de R4 suivants:

       
2 1 4 1
 1   2 −1 −5
       
u1 =   , u2 =   , u3 =  ;u =  .
    
 1   3   0   −7 
2 1 3 a

(1) Déterminer si {u1 , u2 , u3 } est liée ou libre.

(2) Donner la valeur réelle de a pour que u soit une combinaison linéaire de u1 , u2 , u3 ; et
dans ce cas, exprimer u comme une combinaison linéaire de u1 , u2 , u3 .

8. Dans chacun des cas suivants, déterminer si les vecteurs de R3 sont linéairement dépendants
ou indépendants:
           
1 3 2 1 2 3
 3   8   9   −2   1   −6 
           
(1)  ,  ,  ; (2)  ,  ,  .
 −1   −5   4   4   0   1 
4 7 23 1 −3 4

77
 9. Considérer les vecteurs de R3 suivants:

   
1 2
u1 =  2  , u2 =  1  .
1 −1

(1) Vérifier, à l’aide du théorème 4.1.10, que {u1 , u2 } est libre.

(2) Montrer que {u1 , u2 } n’est pas une base de R3 en donnant, à l’aide du théorème
4.1.7(3), un vecteur qui n’est pas une combinaison linéaire de u1 , u2 .

10. Considérer les vecteurs de R3 suivants:

       
1 1 2 2
u1 =  1  , u2 =  2  , u3 =  1  ; u =  3  .
2 1 1 −1

(1) Vérifier, d’après la définition 4.1.12(1), que {u1 , u2 , u3 } est une base de R3 . Indice:
Appliquer les théorèmes 4.1.10(3) et 4.1.7(3).
(2) Donner la colonne des coordonnées de u dans la base {u1 , u2 , u3 }, en appliquant le
lemme 4.1.6 pour exprimer u comme une combinaison linéaire de u1 , u2 , u3 .

11. Considérer les couleurs numériques suivantes:

      3   1 
1 1 0 4 3
5 5
M =  0 ,B =  1 ,C =  1 ,A =  6
;D = 
6
.
1 1
1 1 1 3 3

(1) Vérifier que les vecteurs M, B, C forment une base de R3 .

(2) Laquelle de A, D peut être obtenue en mélangeant M, B et C? Dans le cas échéant,
donner l’intensité de chacune de ces trois couleurs.

12. Soit E un espace vectoriel réel avec des vecteurs linéairement indépendants u1 , u2 , u3 .
Montrer, d’après la définition 4.1.8(2), que {v1 = 3u1 , v2 = 2u1 − u2 , v3 = u1 + u3 } est
libre.

13. Soit {u1 , u2 , u3 } une base de R3 . Soient v1 = a1 u1 ; v2 = a2 u2 ; v3 = a3 u3 avec a1 , a2 , a3 ∈ R.

(1) Donner la matrice des coordonnées de {v1 , v2 , v3 } dans la base {u1 , u2 , u3 }.
(2) Donner, à l’aide du théorème 4.2.5, la condition pour que {v1 , v2 , v3 } soit une base de
R3 .

78
14. Considérer les vecteurs de R3 suivants:
     
1 2 2
 −1  ,  −1  ,  1  .
1 a 3

Donner, à l’aide du corollaire 4.2.6, la valeur réelle de a pour que {u1 , u2 , u3 } soit une
base de R3 .

15. Dans chacun des cas suivants déterminer, avec justification, si les vecteurs donnés forment
une base de R3 ou non.
   
1 2
(1)  1  ,  1  ;
0 0

     
2 3 4
(2)  1 , 1 , 5 ;
   
0 0 6

       
5 2 7 1
(3)  6 , −3 , 3 , 2  .
     
−1 5 4 3
16. Dans chacun des cas suivants déterminer, à l’aide du théorème 4.2.5, si la famille de
vecteurs est une base de R4 ou non.
       
1 1 1 6
 1   0   1   4 
       
(1)   ,   ,   ,   ;
 1   1   1   6 
1 1 0 3
         
3 −2 0 4 13
2 0 0 −1 −2
         
(2)  , , , , .
         
 −5   1   1   3   7 
2 −3 1 0 5

17. Considérer les vecteurs de R3 suivants:

       
1 1 1 6
u1 =  0  , u2 =  −1  , u3 =  −2  ; u =  −5  .
0 0 1 2

(1) Donner la matrice des coordonnées de {u1 , u2 , u3 } dans la base canonique {e1 , e2 , e3 }.

79
 (2) Vérifier, à l’aide du théorème 4.2.5, que {u1 , u2 , u3 } est une base de R3 .
(3) Donner le vecteur w dont les coordonnées dans {u1 , u2 , u3 } sont {2, 3, −2}.
(4) Trouver, à l’aide de le théorème 4.2.9, la colonne des coordonnées de u dans la base
{u1 , u2 , u3 }.

18. Considérer les vecteurs de R3 suivants:

       
1 1 1 6
u1 =  0  , u2 =  −1  , u3 =  −2  ; u =  −5  .
0 0 1 2

(1) En appliquant le théorème 4.2.5 à la matrice des coordonnées canoniques, vérifier que
{u1 , u2 , u3 } est une base de R3 .
(2) En utilisant la définition 4.2.1, trouver les coordonnées de u dans la base {u1 , u2 , u3 }.
(3) Donner v1 , v2 ∈ R3 tels que la matrice des coordonnées de {v1 , v2 } dans la base
{u1 , u2 , u3 } est
 
2 1
 −1 2 .
1 −1

19. Soit {u1 , u2 , u3 } une base de R3 .

(1) Trouver la colonne des coordonnées de u1 − u3 dans la base {u1 , u2 , u3 }.
(2) Trouver la matrice des coordonnées de {u1 , u2 } dans la base {u1 , u2 , u3 }.

20. Considérer les vecteurs de R2 suivants:

       
1 2 4 7
u1 = , u2 = ;u = ;v = .
1 −1 5 −3

(1) Vérifier que {u1 , u2 } est une base de R2 .

(2) Trouver, à l’aide de le théorème 4.2.9, la matrice des coordonnées de {u, v} dans cette
base.

21. Soit {u1 , u2 , u3 } une base de R3 . Dans chacun des cas suivants, trouver la matrice de
passage de la base {u1 , u2 , u3 } à la base donnée:
(1) {u1 , u2 , u3 }; (2) {u3 , u1 , u2 };
(3) {u2 , u3 , u1 }; (4) {u3 , u2 , u1 }.

80
22. Dans chacun de cas suivants, déterminer si le sous-ensemble donné de R2 est un sous-
espace vectoriel ou non.
     
a a 2
(1) F1 = | b = 2a ; (2) F2 = |b=a .
b b

23. Donner des équations de la droite contenant le vecteur suivant:

 
7
u =  4 .
3

24. Soit P le sous-espace vectoriel de R3 engendré par

   
3 1
u1 =  2  , u2 =  −3  .
5 2

(1) Vérifier que P est un plan vectoriel.

(2) Trouver une équation de P .

25. Soit F le sous-espace vectoriel de R4 engendré par les vecteurs suivants:

     
1 2 2
 2   3   −1 
     
, , .
 1   −1   0 

−1 1 1

Donner un vecteur u ∈ R4 , qui n’appartient pas à F .

26. Soit F le sous-espace vectoriel de R4 engendré par les vecteurs suivants:

       
2 3 5 1
 −1   0   −1   1 
       
u1 =   , u2 =   , u3 =   , u4 =  .
 3   2   5   −1 
−1 1 0 2

Trouver une base de F et donner dim(F ). Indice: Appliquer le théorème 4.3.10 à la

matrice formée de ces vecteurs.

27. Soit D une droite vectorielle de Rn . Si u ∈ D est non nul, montrer que {u} est une base
de D.

81
28. Soit F le sous-espace vectoriel de R4 engendré par
     
−1 1 1
 1   −1   1
     
u1 =   , u2 =   , u3 =  ;

 1   1   −1 
1 1 1

et considérer ses vecteurs suivants:

v1 = 2u1 − u2 + u3 , v2 = u1 − u2 + u3 , v3 = u1 − u3 ; u = 3u1 − u2 + 4u3 .
(1) Vérifier, à l’aide du lemme 4.3.6, que {u1 , u2 , u3 } est une base de F .
(2) Donner la matrice des coordonnées de {v1 , v2 , v3 } dans {u1 , u2 , u3 };
(3) Vérifier, à l’aide du théorème 4.2.5, que {v1 , v2 , v3 } est aussi une base de F .

29. Soit F le sous-espace vectoriel de R4 engendré par les vecteurs suivants:

         
1 2 −1 1 1
 1  0   −2   2  1
         
u1 =   , u 2 =   , u2 =  ;u =  ;v =  .
  
 0   1   0   −1   a 
1 1 1 3 1

(1) Déterminer si u appartient à F ou non.

(2) Donner la valeur réelle de a pour que v appartienne à F.

30. Dans chacun des cas suivants, calculer la dimension du sous-espace vectoriel de R4 en-
gendré par les vecteurs donnés:
           
1 2 0 1 4 3
 −1   0   −2   −1   −2   −1 
           
(1)  ,  ,  ; (2)  ,  ,  .
 2   −1   5   2   0   2 
1 0 −1 1 1 −1

31. Considérer la matrice et les vecteurs suivants:

     
1 2 0 3 1 3 2
 0 4 −2 5 3   8 3
     
A= ;u =  ;v =  .
  
 −1 5 2 1 8   3   7 
0 1 −1 2 1 −2 2

(1) Donner une base de C(A).

(2) Déterminer le quel de u, v appartient à C(A). Indice: Pour les deux parties, il suffit
d’échelonner (A | u | v).

82
32. Trouver une base de N (A), où
 
1 3 1 5 4
3 8 −2 9 6
 
A= .
 
 −1 7 4 10 11 
4 1 −1 4 0

33. Trouver une base de l’espace-solution de chacun des systèmes homogènes suivants:

(1) 2x1 + x2 − x3 − x4 + x5 = 0
x1 − x2 + x3 + x4 − 2x5 = 0
3x1 + 3x2 − 3x3 − 3x4 + 4x5 = 0
4x1 + 5x2 − 5x3 − 5x4 + 7x5 = 0.

(2) x1 + 2x2 − 3x3 + 2x5 = 0

x1 − x2 − 3x3 + x4 − 3x5 = 0
2x1 − 3x2 + 4x3 − 5x4 + 2x5 = 0
9x1 − 9x2 + 6x3 − 16x4 + 2x5 = 0.

34. Donner une base de la droite vectoriel ` définie par les équations :

x + y − z = 0
x − 3y + z = 0.

35. Donner une base du plan vectoriel P défini par l’équation :

2x − y + 5z = 0.

36. Dans chacun des cas suivants, déterminer si les vecteurs donnés sont des coordonnées
homgènes d’un même vecteur de R3 ; et si oui, donner ce vecteur.
           
7 3 5 1 2 1
 −7   −3   −5   0   0   −1 
           
(1)  ,  ,  ; (2)   ,   ,  .
 14   6   10   2   4   2 
21 9 15 1 2 −1

37. Considérer
       
1 2 1 1
u1 =  1 , u2 =
  3 , u3 =
  2 , u4 =
  1  ∈ R3 .
1 1 4 5

(1) Vérifier que u1 , u2 , u3 , u4 sont linéairement dépendants, mais affinement indépendants.

83
 (2) Vérifier que tout vecteur u de R3 est un barycentre de u1 , u2 , u3 , u4 . Indice: Appliquer
le théorème 4.1.15(1) à la famille {û1 , û2 , û3 , û4 }.

38. Soient
         
1 2 1 1 0
1 3 2 1 −2
         
u1 =   , u2 =   , u3 =  ;u =  , v =   ∈ R4 .
         
 0   4   4   5   −8 
1 2 1 1 0

(1) Vérifier que u1 , u2 , u3 sont linéairement dépendants.

(2) Vérifier que u1 , u2 , u3 sont affinement indépendants.
(3) Le quel de u, v est un barycentre de u1 , u2 , u3 ? et dans le cas échéant, donner les
coordonnées barycentriques de ce vecteur dans {u1 , u2 , u3 }.

39. Soient      
1 2 −1
u1 = , u2 = , u= ∈ R2 .
1 1 1

(1) Donner l’équation de la droite affine D passant par u1 , u2 .

(2) Vérifier que u appartient à D, et donner ses coordonnées barycentriques dans {u1 , u2 }.
(3) Déterminer si u appartient au segment d’extrémités u1 et u2 .

40. Soient  7 
−1
    
3 2 4
u1 =  −1  , u2 =  2  , u3 =  1  ; u =  14  ∈ R3 .
 
2 5 7 4

(1) Vérifier que u1 , u2 , u3 sont affinement indépendants.

(2) Trouver l’équation du plan affine P passant par u1 , u2 , u3 .
(3) Vérifier que u appartient au triangle de sommets u1 , u2 , u3 ; et donner ses coordonnées
barycentriques.
(4) Soit ∆ un triangle coloré de sommets u1 , u2 , u3 , auxquels les couleurs sont le cyan, le
jaune et le blanc respectivement. Donner la couleur à u.

84
 Chapitre V: Applications linéaires

On a étudié des propriétés d’espaces vectoriels. Dans la plupart de cas, il est utile de relier
un espace vectoriel réel à un autre par une application linéaire enter eux. Les applications
linéaires jouent un rôle important dans beaucoup de branches de mathématiques ainsi que
dans les sciences appliquées comme infographie.

5.1. Applications générales

Le but de cette section est d’étudier les applications entre deux ensembles généraux.

5.1.1. Définition. Soit X, Y deux ensembles. Une application T de X dans Y est une
règle qui associe à chaque élément x ∈ X un élément unique T (x) ∈ Y , notée

T : X → Y : x 7→ T (x).

On appelle X domaine; et Y , codomaine, de T . En outre, si y = T (x), on appelle alors

y image de x par T ; et x, pré-image de y.

Exemple. (1) Pour tout ensemble X, on a l’application identité comme suit:

1IX : X → X : x 7→ x.

Par exemple, l’application identité de R2 est comme suit:

   
2 2 x x
1IR2 : R → R : 7→ .
y y

(2) À chaque vecteur de R2 , on associe son vecteur des coordonnées homogènes nor-
malisées. Cela donne une application comme suit:
 
  x
2 3 x
T :R →R : 7→  y  .
y
1
(3) Considérons l’ensemble
  
 x 
3
Z6=0 =  y  ∈ R | z 6= 0 .
 
z
À chaque vecteur u ∈ Z6=0 , on associe le vecteur de R2 , dont u est un vecteur de coordonnées
homogènes. Cela donne une application comme suit:
 
x  x 
2  z
T : Z6=0 → R : y  7→ y .
z z

85
 (4) Par contre, si l’on définit
 
x  x

3 2  z
T :R →R : y  7→ y ,
z z

alors il ne s’agit d’une application. En effet, l’image du vecteur nul 0 par T n’est pas bien
défini.

5.1.2. Définition. Soit T : X → Y une application. Étant donné un sous-ensemble Z

de X, son image par T est le sous-ensemble de Y tel que défini ci-dessous:

{T (z) | z ∈ Z} =: T (Z).

En particulier, T (X) s’appelle image de T , noté Im(T ).

Exercice. Considérons l’application suivante:

 
x  x

(2) z
T : Z6=0 → R :  y  7→ y .
z z

Calculer T (D), où

  
 a 
D =  a  | 0 6= a ∈ R .
 
a
Solution. Pour tout 
a
u =  a  ∈ D, où a 6= 0,
a
on a
a
     
a
1 1
T (u) = a = ∈ .
a
1 1
Ceci sinifie que  
1
T (D) ⊆ .
1
De l’autre côté,

1
v= 1 ∈D
1
est tel que
1
   
1
1
T (v) = 1 = .
1
1

86
Ainsi,  
1
⊆ T (D).
1
Ceci montre que  
1
T (D) = .
1

5.1.3. Définition. Une application T : X → Y est dite

(1) injective si tout élément y ∈ Y admet au plus une pré-image x ∈ X;
(2) surjective si tout élément y ∈ Y admet au moins une pré-image x ∈ X, c’est-à-dire,
Im(T ) = Y ;
(3) bijective si tout élément y ∈ Y ademt exactement une pré-image x ∈ X, c’est-à-dire,
T est surjective et injective.

Exercice. Vérifier que l’application suivante est injective et non surjective.

 
  x
x
T : R2 → R3 : 7→  y  .
y
1

Solution. Soient
x0
   
x 0
u= ,u = ∈ R2 .
y y0
Si u 6= u0 , alors x 6= y ou y 6= y 0 . D’où,
   0 
x x
6
 y =  y0  .
1 1

C’est-à-dire, T (u) 6= T (u0 ). Ainsi T est injective. En outre, considérons



0
w =  0  ∈ R3 .
2

Pour tout  
x
u= ∈ R2 ,
y
on a  
x
6 w.
T (u) =  y  =
1
Ainsi, w n’a aucune pré-image. Donc, T n’est pas surjective.

87
 Exercice. Vérifier que l’application suivante est surjective et non injective:
 
x x
!
T : Z6=0 → R2 :  y  7→ z
y .
z z

Solution. On vérifiera que Im(T ) = R2 . D’abord, par définition, Im(T ) ⊆ R2 . Pour

tout  
x
u= ∈ R2 ,
y
on voit que

x
û =  y  ∈ Z6=0
1
est tel que T (û) = u, et donc u ∈ Im(T ). D’où, R2 ⊆ Im(T ). Par conséquent, Im(T ) = R2 .
Ainsi, T est surjective. En outre,
   
2 3
u1 =  2 , u2 =
  3  ∈ Z6=0
2 3

sont distincts tels que

2
   
2
1
T (u1 ) = 2 =
2
1
et
3
   
3
1
T (u2 ) = 3 = .
3
1
D’où, T (u1 ) = T (u2 ). Cela montre que T est non injective.

5.1.4. Définition. Soient deux applications T : X → Y et S : Y → Z. On définit

application composée de T et S comme suit:

S ◦ T : X → Z : x 7→ S(T (x)).

Remarque. Pour toute application T : X → Y , on a

T ◦ 1IX = T et 1IY ◦ T = T.

Exercice. Calculer l’application composée des applications suivantes:

   
  2x x
2 3 x 3
S:R →R : 7→  3y  ; T :R →R:  y  7→ x + y − z.
y
1 z

88
 Solution. Pour tout  
x
u= ∈ R2 ,
y
on a  
2x
(T ◦ S)(u) = T (S(u)) = T  3y  = 2x + 3y − 1.
1
C’est-à-dire,  
2 x
T ◦S :R →R: 7→ 2x + 3y − 1.
y

5.1.5. Définition. Soit T : X → Y une application bijective. Alors tout y ∈ Y a

une et une seule pré-image x ∈ X, noté x = T −1 (y). On définit inverse de T comme étant
l’application
T −1 : Y → X : y 7→ T −1 (y).

Remarque. Si T : X → Y est bijective, alors T −1 ◦ T = 1IX et T ◦ T −1 = 1IY .

Exercice. Considérons l’application suivante, appelée changement d’échelle:

   
2 2 x 2x
T :R →R : 7→ .
y 3y

(1) Vérifier que T est bijective.

(2) Donner l’inverse T −1 .
Solution. Soit un vecteur quelconque
 
a
v= ∈ R2 .
b

On doit montrer que v admet une et une seule pré-image par T . D’abord, si
 
x
u= ∈ R2
y

est une pré-image de v par T , alors T (u) = v, c’est-à-dire,

!
    a
2x a 2
= . D’où, u = b
.
3y b 3

En outre, d’après l’hypothèse, on voit aisément que

!
a
2
T b
= v.
3

89
Ainsi, !
a
2
b
3

est la seule pré-image de v par T . Ainsi T est bijective. En outre, T −1 est l’application
suivante: !
  a
a
T −1 : R2 → R2 : 7→ 2
b
.
b 3

5.2. Applications linéaires

Dès maintenant, on s’intérèsse à des applications entre deux espaces vectoriels réels, qui
sont compatibles avec les opérations vectorielles.

Partout dans cette section, on fixe E, F deux espaces vectoriels réels.

5.2.1. Définition. Une application T : E → F est dite linéaire si, pour tous u, v ∈ E
et a ∈ R, les conditions suivantes sont vérifiées:
(1) T (u + v) = T (u) + T (v);
(2) T (au) = a T (u).

Exemple. (1) L’application nulle suivante est linéaire:

 
x  
3 2  0
0:R →R : y  7 → .
0
z

(2) L’application identité suivante est linéaire:

   
2 2 x x
1IR2 : R → R : 7→ .
y y

Le résultat suivant donne en particulier une propriété importante d’une application

linéaire.
5.2.2. Lemme. Soit T : E → F une application linéaire.
(1) T (0E ) = 0F .
(2) Si u1 , . . . , ur ∈ E et a1 , . . . , ar ∈ R, alors

T (a1 u1 + · · · + ar ur ) = a1 T (u1 ) + · · · + ar T (ur ),

90
 Exemple. L’application suivante, appelée translation, n’est pas linéaire:
     
x x 2
T : R3 → R3 :  y  7→  y  +  3  .
z z −1

En effet, T (0) 6= 0.

Exercice. Donner une application linéaire T : R2 → R3 telle que

   
1 1
T (e1 ) =  2  ; T (e2 ) =  1  ,
3 −1

où {e1 , e2 } est la base canonique de R2 .

Solution. Pour tout vecteur  
x
u= ∈ R2 ,
y
on a u = xe1 + ye2 . D’après le lemme 5.2.2(2), on a
     
1 1 x+y
T (u) = x · T (e1 ) + y · T (e2 ) = x  2  + y  1  =  2x + y  .
3 −1 3x − y
Ainsi T est l’application suivante:
 
  x+y
x
T : R2 → R3 : 7→  2x + y  .
y
3x − y

Le résultat suivant est un critère de la linéarité d’une application entre deux espaces
vectoriels canoniques.

5.2.3. Théorème. Une application T : Rn → Rm est linéaire si, et seulement si, T est
définie par une matrice A ∈ Mm×n (R) de la façon suivante:

T : Rn → Rm : u 7→ Au.

Dans ce cas, A = (T (e1 ) · · · T (en )), où {e1 , . . . , en } est la base canonique de Rn .

Exercice. Soit T : R3 → R2 une application linéaire définie par la matrice

 
1 2 3
A= .
4 5 6

Trouver sa formule en coordonnées canoniques.

91
 Solution. Pour tout vecteur
 
x
u =  y  ∈ R3 ,
z

d’après la définition, on a
 
  x  
1 2 3 x + 2y + 3z
T (u) = Au =  y = .
4 5 6 4x + 5y + 6z
z

Ceci donne la formule en coordonnées canoniques de T comme suit:

 
x  
3 2  x + 2y + 3z
T :R →R : y  7 → .
4x + 5y + 6z
z

Exercice. Considérer l’application suivante:

 
  x + 2y + 3z
x
2x + 2y − z
 
3 4
T :R →R : y 7 
→ .
   
 3x + 4y + 2z 
z
−x + z

Vérifier que T est linéaire et trouver la matrice qui définit T .

Solution. On voit aisément que
   
x + 2y + 3z 1 2 3  
 x
 2x + 2y − z 2 2 −1   
  
= y .
 
 3x + 4y + 2z 3 4 2 
 
 
z
−x + z −1 0 1

Ainsi T est linéaire et définie par la matrice

 
1 2 3
 2 2 −1 
 
A= .
 3 4 2 
−1 0 1

Le résultat suivant nous dit comment trouver l’application composée de deux applications
linéaires.

92
 5.2.4. Proposition. Soient deux applications linéaires

T : Rn → Rm : u 7→ Au

et
S : Rm → Rp : v 7→ Bv,
où A ∈ Mm×n (R) et B ∈ Mp×m (R). Alors S ◦ T : Rn → Rp est linéaire définie par BA.
C’est-à-dire,
S ◦ T : Rn → Rp : u 7→ (BA)u.

Exercice. Trouver la matrice qui définit l’application composée des applications linéaires
   
2 2 x 2x − 3y
T :R →R : 7→
y 3x + 4y

et  
  x+y
x
S : R2 → R3 : 7→  x − y  .
y
2x + 3y
Solution. On voit que T, S sont définies respectivement par les matrices suivantes:
 
  1 1
2 −3
A= , B =  1 −1  .
3 −4
2 3

D’après la proposition 5.2.4, S ◦ T est linéaire définie par

   
1 1   5 1
2 −3
BA =  1 −1  =  −1 −7  .
3 −4
2 3 13 6

C’est-à-dire,
   
  5 1   5x + y
x x
S ◦ T : R2 → R 3 : 7→  −1 −7  =  −x + 7y  .
y y
13 6 13x + 6y

On étudiera des propriétés d’applications linéaires. Le résultat suivant nous dit qu’une
application linéaire envoie un sous-espace vectoriel à un sous-espace vectoriel.

5.2.5. Proposition. Soit T : E → F une application linéaire.

(1) Si G est un sous-espace vectoriel de E, alors T (G) est un sous-espace vectoriel de F .
(2) En outre, si G =< v1 , . . . , vr >, alors T (G) =< T (v1 ), . . . , T (vr ) > .

93
 Remarque. La proposition 5.2.5(1) n’est pas valide si T n’est pas linéaire.

Exemple. Soit une application

 
  x+1
x
T : R2 → R3 : 7→  y − 1  .
y
x

Considérons le sous-espace vectoriel nul de R2 suivant

 
0
G= .
0

On voit que  
 1 
T (G) =  −1  ,
 
0
ce qui n’est pas un sous-espace vectoriel de R3 .

Exercice. Considérons l’application linéaire suivante:

   
x x+y+z
T : R3 → R3 :  y  →
7  x + y − z .
z x+y+z

Calculer l’image par T du plan vectoriel P de R3 engendré par

   
1 2
v1 =  2  , v2 =  1  .
1 1

Solution. Par définition, P =< v1 , v2 >. Selon la formule de T en coordonnées canon-

iques, on trouve que
       
1+2+1 4 2+1+1 4
T (v1 ) =  1 + 2 − 1  =  2  , T (v2 ) =  2 + 1 − 1  =  2  ,
1+2+1 4 1+2+1 4

D’après la proposition 5.2.5(2), on a

T (P ) =< T (v1 ), T (v2 ) >=< T (v1 ) >,

où la deuxième equalité est valide car T (v2 ) = T (v1 ). Ainsi, T (P ) est une droite vectorielle
de R3 .

94
 Le résultat suivant nous dt comment déterminer si une application linéaire est injective
ou non.

5.2.6. Proposition. Soit T : E → F une application linéaire. Alors

{u ∈ E | T (u) = 0F } ,

l’ensemble des pré-images de 0F par T , est un sous-espace vectoriel de E, appelé noyau de

T et noté N (T ). En outre, T est injective si, et seulement si, N (T ) = {0E }.

Exercice. Considérer la projection du plan sur l’axe des x suivante:

   
2 2 x x
px : R → R : 7→ .
y 0
Vérifier que px est linéaire et trouver son noyau.
Solution. On voit aisément que
    
x 1 0 x
= .
0 0 0 y

D’où, px est l’application linéaire définie par la matrice

 
1 0
.
0 0

Maintenant, pour tout  

x
u= ∈ R2 ,
y
on a    
0 x
u ∈ N (px ) ⇐⇒ = px (u) = ⇐⇒ x = 0.
0 0
Ainsi,   
0
N (px ) = |y∈R ,
y
ce qui est l’axe des y de R2 .

Le résultat suivant nous dit comment trouver l’image et le noyau d’une application linéaire
à l’aide de sa matrice.

5.2.7. Théorème. Si T : Rn → Rm est une application linéaire définie par une matrice
A ∈ Mm×n (R), alors
(1) Im(T ) = C(A). En particulier, dim(Im(T )) = rg(A);
(2) N (T ) = N (A). En particulier, dim(N (T )) = n − rg(A).

95
 Exercice. Soit une application linéaire:
 
  x + 2y + 3z
x
2x + 4y − z
 
3 4
T : R → R :  y  7→  .
 
 3x + 6y + 2z 
z
−x − 2y + 4z

Trouver une base pour chacun de Im(T ) et N (T ).

Solution. On voit aisément que T est définie par
   
1 2 3 1 2 3
 2 4 −1  0 0 1
   
A= = (A A A ) ⇒  := B.
 
1 2 3
 3 6 2  0 0 0
 
 
−1 −2 4 0 0 0

(1) D’après le théorème 5.2.7(1), Im(T ) = C(A). Comme les pivots de B se trouve dans
les colonnes 1 et 3, d’après le théorème 4.3.10, Im(T ) a pour base
    

 1 3 

 
 2   −1 
    
A1 =   , A3 =   .

  3   2  
 
 −1 4 

(2) D’après le théorème 5.2.7(2), N (T ) = N (A), l’espace-solution du système homogène

AX = 0. Comme A se réduit à B, ce dernier système est équivalent au système homogène
BX = 0, c’est-à-dire,
x + 2y + 3z = 0
z = 0
0z = 0
0z = 0,
dont l’inconnue libre est y. Posant y = 1, on obtient une base de N (T ) comme suit:
 
 −2 
 1  .
 
0

Le résultat suivant nous donne un critère pour une application linéaire soit injective et
soit surjective.

5.2.8. Corollaire. Si T : Rn → Rm est linéaire définie par A ∈ Mm×n (R), alors

(1) T est injective si, et seulement si, rg(A) = n.
(2) T est surjective si, et seulement si, rg(A) = m.

96
 Exercice. Déterminer si l’application linéaire suivante est injective ou surjective.
 
  x+y
x
T : R2 → R3 : 7→  2x + y  .
y
x − 3y

Solution. On voit aisément que T est définie par

   
1 1 1 1
A= 2 1 ⇒ 0 1 .
1 −3 0 0

Comme rg(A) = 2, d’après le corollaire 5.2.8, T est injective, mais non surjective.

Le résultat suivant donne des propiétés importantes d’applications linéaires injectives,

qui sera utile en infographie. On identifiera un vecteur avec son point d’arrivée.

5.2.9. Proposition. Si T : Rn → Rm est linéaire injective, alors T envoie

(1) un segment d’extrémités u1 , u2 au segment d’extrémités T (u1 ), T (u2 );
(2) un triangle de sommets u1 , u2 , u3 au triangle de sommets T (u1 ), T (u2 ), T (u3 ).

Exercice. Soit ∆ le triangle de sommets

     
0 1 0
u1 = , u2 = , u3 = .
0 0 1

Trouver l’image de ∆ par l’application linéaire suivante:

   
2 2 x x + 3y
T :R →R : 7→ .
y y

Solution. On voit que T est définie

 
1 3
A= .
0 1

Comme rg(A) = 2, d’après le corollaire 5.2.8(1), T est injective. On calcule

     
0 1 3
T (u1 ) = , T (u2 ) = , T (u3 ) = .
0 0 1

D’après la proposition 5.2.9(2), T (∆) est le triangle de sommets

     
0 1 3
, , .
0 0 1

5.3. Transformations linéaires

97
 Le but de cette section est d’étudier les applications linéaires d’un espace vectoriel dans
lui-même.

Partout dans cette section, on fixe E un espace vectoriel réel.

5.3.1. Définition. (1) Une application linéaire T : E → E s’appelle transformation

linéaire.
(2) Une transformation linéaire bijective de E s’appelle automorphisme de E.

Exemple. (1) L’application nulle

0 : E → E : u 7→ 0E

est une transformation linéaire de E.

(2) L’application identité
1I : E → E : u 7→ u
est un automorphisme de E.
(3) La projection de R2 sur l’axe des x
   
2 2 x x
px : R → R : 7→
y 0

est une transformation linéaire de R2 . En outre, on a deux vecteurs distincts

   
1 1
u= ,v = ∈ R2
1 2

tels que  
1
px (u) = = px (v).
0
Ainsi, px n’est pas injective. En particulier, px n’est pas un automorphisme de R2 .

Comme d’habitude, la théorie des matrices est très utile pour étudier les transformations
linéaires.

5.3.2. Définition. Soit T une transformation linéaire de E. Soit {u1 , . . . , un } une base
de E. Comme T (u1 ), . . . , T (un ) ∈ E, on obtient une matrice des coordonnées
{T (u ),...,T (un )}
1
P{u1 ,...,u n}
,

appelée matrice de T dans la base {u1 , . . . , un }, et notée [T ]{u1 ,...,un } .

Remarque. D’après la définition de matrice des coordonnées, on a

(T (u1 ), · · · , T (un )) = (u1 , · · · , un ) [T ]{u1 ,...,un } .

98
 Ceci est illustré par
[T ]{u1 ,...,un }
{u1 , · · · , un } / {T (u1 ), · · · , T (un )}.

Exercice. Considérons la projection de R2 sur l’axe des x suivante:

   
2 2 x x
px : R → R : 7→ .
y 0

Donner sa matrice dans la base suivante:

    
1 1
u1 = , u2 = .
1 −1

Solution. Par définition, on a

{p (u ),px (u2 )}
[px ]{u1 ,u2 } = P{u1x,u21} .

On voit que  
1 1 1
px (u1 ) = = u
2 1
+ u,
2 2
0
 
1 1 1
px (u2 ) = = u
2 1
+ u
2 2
0
D’où !
1 1
{p (u ),px (u2 )} 2 2
[px ]{u1 ,u2 } = P{u1x,u21} = 1 1
.
2 2

5.3.3. Lemme. Soit une transformation linéaire

T : Rn → Rn : u 7→ Au.

Si {e1 , . . . , en } est la base canonique de Rn , alors

[T ]{e1 ,...,en } = A.

Remarque. Le lemme 5.3.3 dit que toute transformation linéaire de Rn est définie par
sa matrice dans la base canonique.

Exercice. Considérons la projection de R2 sur l’axe des y suivante:

   
2 2 x 0
py : R → R : 7→ .
y y

Trouver la matrice de py dans la base canonique {e1 , e2 }.

99
 Solution. On voit aisément que
      
0 0·x+0·y 0 0 x
= = .
y 0·x+1·y 0 1 y

C’est-à-dire, py est la transformation linéaire suivante:

    
2 2 x 0 0 x
py : R → R : 7→ .
y 0 1 y

D’après le lemme 5.3.3,  

0 0
[py ]{e1 ,e2 } = .
0 1

Le résultat suivant nous dit comment utiliser la matrice d’une transformation linéaire
pour caculer l’image d’un vecteur.

5.3.4. Théorème. Soit T une transformation linéaire de E. Soit {u1 , . . . , un } une base
{u}
de E. Si u ∈ E avec P{u1 ,...,un } = A, alors

{T (u)}
P{u1 ,...,un } = [T ]{u1 ,...,un } A.

Exercice. Considérons les vecteurs suivants

     
1 −1 2
u1 = , u2 = ;u = ∈ R2 ,
−1 2 3

où u1 , u2 forment une base de R2 . Soit T une transformation linéaire de R2 telle que T (u1 ) =
u1 et T (u2 ) = −u2 . Trouver les coordonnées de T (u) dans la base {u1 , u2 }.
Solution. D’après le théorème 5.3.4, on a
{T (u)} {u}
P{u1 ,u2 } = [T ]{u1 ,u2 } P{u1 ,u2 } .

On a vu que  
1 0
[T ]{u1 ,u2 } = := A.
0 −1
Remarquons que la matrice de passage de {e1 , e2 } à {u1 , u2 } est
 
{u1 ,u2 } 1 −1 {u}
P{e1 ,e2 } = (u1 u2 ) = := P et P{e1 ,e2 } = u.
−1 2

D’après le théorème 4.2.9, on a

    
{u} −1 2 1 2 7
P{u1 ,u2 } =P u= = := B.
1 1 3 5

100
 Ainsi     
{T (u)} 1 0 7 7
P{u1 ,u2 } = AB = = .
0 −1 5 −5
C’est-à-dire, T (u) = 7 · u1 − 5 · u2 .

La matrice d’une transformation linéaire change si l’on change la base. Ce changement

est décrit dans le résultat suivant, ce qui découle du théorème 5.3.4.

5.3.5. Théorème. Soit T une transformation linéaire de E. Si {u1 , . . . , un } et {v1 , . . . , vn }

sont deux bases de E, alors

[T ]{v1 ,...,vn } = P −1 [T ]{u1 ,...,un } P,

où P est la matrice de passage de {u1 , . . . , un } à {v1 , . . . , vn }. Ceci est illustré par le dia-
gramme commutatif suivant:
[T ]{u1 ,...,un }
{u1 , . . . , un } / {T (u1 ), . . . , T (un )}
P P
 [T ]{v1 ,...,vn } 
{v1 , . . . , vn } / {T (v1 ), . . . , T (vn )} .

Exercice. Considérons la base de R2 suivante:

    
1 −1
u1 = , u2 = .
−1 2

Soit T une transformation linéaire de R2 telle que T (u1 ) = u1 et T (u2 ) = −u2 . Trouver
sa formule en coordonnées canoniques.
Solution. On veut trouver [T ]{e1 ,e2 } . Par l’hypothèse, on a

T (u1 ) = 1 · u1 + 0 · u2
T (u2 ) = 0 · u1 + (−1) · u2 .

Ainsi,  
{T (u ),T (u )} 1 0
[T ]{u1 ,u2 } = P{u1 ,u12 } 2 = := P.
0 −1
Comme P est la matrice de passage de {e1 , e2 } à {u1 , u2 }, d’après le théorème 5.3.4,

[T ]{u1 ,u2 } = P −1 [T ]{e1 ,e2 } P.

D’où,
   −1  
−1 1 −1 1 0 1 −1 3 2
[T ]{e1 ,e2 } = P [T ]{u1 ,u2 } P = = .
−1 2 0 −1 −1 2 −4 −3

101
Donc, la formule en coordonnées canoniques de T est donnée par
   
2 2 x 3x + 2y
T :R →R : 7→ .
y −4x − 3y

Le résultat suivant est une conséquence de la proposition 5.2.4.

5.3.6. Proposition. Soient T et S des transformations linéaires de Rn . Alors S ◦ T est

aussi une transformation linéaire de Rn . En outre, pour toute base {u1 , . . . , un } de Rn , on a

[S ◦ T ]{u1 ,...,un } = [S]{u1 ,...,un } [T ]{u1 ,...,un } .

Exercice. Soit T la transformation linéaire de R2 suivante:

   
2 2 x x−y
T :R →R : 7→ .
y 2x + 4y

Soit S une transformation linéaire de R2 telle que S(u1 ) = u1 et S(u2 ) = −u2 , où
    
1 −1
u1 = , u2 = .
−1 2

Trouver la formule de S ◦ T en coordonnées canoniques.

Solution. D’après le lemme 5.3.3, S◦T est définie par [S◦T ]{e1 ,e2 } . D’après la proposition
5.3.6,
[S ◦ T ]{e1 ,e2 } = [S]{e1 ,e2 } [T ]{e1 ,e2 } .
Maintenant, d’après l’hypothèse, on a
 
1 −1
[T ]{e1 ,e2 } = ,
2 4

et on a déjà trouvé que  

3 2
[S]{e1 ,e2 } = .
−4 −3
Ainsi     
3 2 1 −1 7 5
[S ◦ T ]{e1 ,e2 } = = .
−4 −3 2 4 −10 −8
C’est-à-dire, S ◦ T est de la forme:
   
2 2 x 7x + 5y
S◦T :R →R : 7→ .
y −10x − 8y

Le résultat suivant nous dit comment déterminer si une transformation linéaire est un
automorphisme ou non; et si oui, comment trouver son inverse.

102
 5.3.7. Théorème. Soit T une transformation linéaire de E. Pour toute base {u1 , . . . , un }
de E, les trois conditions suivantes sont équivalentes.
(1) T est un automorphisme de E.
(2) [T ]{u1 ,...,un } est inversible.
(3) {T (u1 ), . . . , T (un )} est aussi une base de E.
Dans ce cas, [T ]{u1 ,...,un } est la matrice de passage de {u1 , . . . , un } à {T (u1 ), . . . , T (un )},
et T −1 est aussi un automorphisme de E avec

−1
[T −1 ]{u1 ,...,un } = [T ]{u1 ,...,un } .

Exercice. Considérons l’application linéaire suivante:

   
2 2 x x + 3y
T :R →R : 7→ .
y y

(1) Vérifier que T est un automorphisme et donner T −1 .

(2) Trouver la matrice de passage de {u1 , u2 } à {T (u1 ), T (u2 )}, où
   
1 1
u1 = , u2 = .
2 3

Solution. (1) D’après le lemme 5.3.3, on voit que

 
1 3
[T ]{e1 ,e2 } = := A.
0 1

Comme A est inversible, d’après le théorème 5.3.7, T est un automorphisme et

 
−1 −1 1 −3
[T ]{e1 ,e2 } = A = .
0 1

C’est-à-dire, T −1 est de la forme:

   
−1 2 2 x x − 3y
T :R →R : 7→ .
y y

(2) D’après le théorème 5.3.7, la matrice de passage de {u1 , u2 } à {T (u1 ), T (u2 )} est
[T ]{u1 ,u2 } . Comme la matrice de passage de {e1 , e2 } à {u1 , u2 } est
 
1 1
P = (u1 u2 ) = .
2 3

D’après le théorème 5.3.5, on a

 
−1 19 27
[T ]{u1 ,u2 } = P [T ]{e1 ,e2 } P = ,
−5 −7

103
ce qui est la matrice de passage de {u1 , u2 } à {T (u1 ), T (u2 )}. C’est-à-dire,

T (u1 ) = 19u1 − 5u2 ;

T (u2 ) = 27u1 − 7u2 .

5.4. Rotations du plan

Cette section a pour but d’étudier un type spécial d’automorphismes du plan, c’est-à-
dire, les rotations en 2D. On commence par un petit rappel de la trigonométrie. Étant donné
un vecteur non nul  
x
u= ∈ R2 ,
y
p
la longueur de u est r = x2 + y 2 , et un argument θ de u est un angle de l’axe des abscisses
positifs à u. Dans ce cas, u est représenté par le vecteur du plan suivant:

y u
3


r 


 θ

-
x

Maintenant, on définit
x x y y
cos θ = =p ; sin θ = =p .
r x + y2
2 r x + y2
2

Ceci nous donne  

r cos θ
u= ,
r sin θ
appelé forme géométrique de u. En particulier, on voit aisément que le cercle unitaire se
compose des vecteurs suivants:
 
cos θ
, θ ∈ [0, 2π].
sin θ

Le tableau suivant donne les valeurs de sinus et de cosinus de certains angles spéciaux
dans le premier quadrant.

104
 π π π π
θ 0 6 4 3 2
√ √
3 2 1
cos θ 1 2 2 2
0
√ √
1 2 3
sin θ 0 2 2 2
1

5.4.1. Proposition. Si θ, φ sont des angles, alors

(1) cos(2π + θ) = cos θ;
(2) sin(2π + θ) = sin θ;
(3) cos2 θ + sin2 θ = 1;
(4) cos(θ + φ) = cos θ cos φ − sin θ sin φ;
(5) sin(θ + φ) = sin θ cos φ + cos θ sin φ.

Exemple. (1) D’après la proposition 5.4.1(4) et (5), on a

cos( π2 + θ)
   
− sin θ
= .
sin( π2 + θ) cos θ

(2) Considérons la matrice suivante:

 
cos θ − sin θ
Aθ := .
sin θ cos θ
En vue de la proposition 5.4.1, on vérifie que Aθ est inversible avec
 
−1 cos θ sin θ
Aθ = = ATθ .
− sin θ cos θ

En appliquant la proposition 5.4.1(4) et (5), on obtient le résultat suivant, ce qui nous

permet de trouver le sinus et le cosinus des angles spéciaux dans les autres quadrants.

5.4.2. Proposition. Si θ est un angle, alors

   
cos(π − θ) − cos θ
(1) = .
sin(π − θ) sin θ
   
cos(π + θ) − cos θ
(2) = .
sin(π + θ) − sin θ
   
cos(2π − θ) cos θ
(3) = .
sin(2π − θ) − sin θ

Exercice. Trouver un argument du vecteur suivant:

 √ 
− 3
u= .
−1

105
 Solution. Soit θ ∈ [0, 2π] un argument de u. Alors
√
x 3 y 1
cos θ = p =− ; sin θ = p =− .
2
x +y 2 2 2
x +y 2 2

On cherche un angle φ ∈ [0, π2 ] avec

√
3 1
cos φ = | cos θ| = ; sin φ = | sin θ| = .
2 2
D’après le tableau ci-dessus, φ = π6 . Comme u se trouve dans troisième quadrant, d’après la
proposition 5.4.2,
7π
θ =π+φ= .
6

Maintenant, on définira les rotations du plan.

5.4.3. Définition. Soit θ un angle fixe. L’application

   
2 2 r cos φ r cos(φ + θ)
ρθ : R → R : →
r sin φ r sin(φ + θ)
s’appelle rotation du plan d’un angle θ.

Exemple. Comme
cos π2
   
cos 0
e1 = , e2 = .
sin 0 sin π2
D’apprès la définition, on a
cos( π2 + θ)
     
cos θ − sin θ
ρθ (e1 ) = , ρθ (e2 ) = = .
sin θ sin( π2 + θ) cos θ

Le résultat nous donne la formule en coordonnées canoniques d’une rotation.

5.4.4. Théorème. La rotation ρθ du plan d’un angle θ est un automorphisme de la

forme     
2 2 x cos θ − sin θ x
ρθ : R → R : 7 → ,
y sin θ cos θ y
dont l’inverse est de la forme suivante:
    
−1 2 2 x cos θ sin θ x
ρθ : R → R : 7→ .
y − sin θ cos θ y

Exercice. Soit ρ la rotation de R2 d’un angle 2π

3
. Calculer ρ(u), où
 
1
u= .
1

106
 2π
Solution. Remarquons que 3
= π − π3 . D’après le théorème 5.4.4,
√
3
cos 2π − sin 2π − cos π3 − sin π3 − 21 −
! ! !
3 3 2
[ρ]{e1 ,e2 } = = = √ := A.
sin 2π
3
cos 2π
3
sin π3 − cos π3 2
3
− 12

D’où √
− 1+2 3
  !
1
ρ(u) = A = √ .
1 3−1
2

5.5. Transformations affines et calibration de caméra

Le but de cette section est d’étudier deux genres de transformations non linéaires de
n
R , qui ne sont pas représentables par la multiplication par une matrice si l’on utilise les
coordonnées canoniques. Cependant, elles sont représentables par la multiplication par une
matrice si l’on utilise les coordonnées homogènes. On commence par les transformations
affines.

5.5.1. Définition. Étant donné un vecteur B ∈ Rn , l’application

TB : Rn → Rn : u 7→ u + B

s’appelle translation de la direction B.

Remarque. Une translation de la direction B est bijective; et elle est linéaire si, et
seulement si, B est nul.

Exemple. La translation de R2 de la direction

 
3
−4

est l’application suivante:

   
2 2 x x+3
T :R →R : 7→ .
y y−4

Rappelons que toute transformation linéaire de Rn est de la forme

T : Rn → Rn : u 7→ Au,

où A ∈ Mn (R).

107
 5.5.2. Définition. Si A ∈ Mn (R) et B ∈ Rn , alors l’application

T : Rn → Rn : u 7→ Au + B

s’appelle transformation affine de Rn .

Remarque. (1) La transformation affine T est le composé de la transformation linéaire

définie par A et la translation de la direction B.
(2) Si A = In , alors T est la translation de la direction B.
(3) Si B est nul, alors T est une transfomration linéaire.

Exercice. Soit
2x − y + 1
   
x
T : R3 → R3 :  y  7→  3y − 2z + 2  .
z x−z+1
Vérifier que T est une transformation affine.
Démonstration. On voit aisément que

2x − y + 1 2x − y 2 −1
          
1 0 x 1
 3y − 2z + 2  =  3y − 2z  +  2  =  0 3 −2   y  +  2 .
x−z+1 x−z 1 1 0 −1 z 1

Ainsi T est une transformation affine de la forme

2 −1
      
x 0 x 1
3 3 
T :R →R : y  7→  0 3 −2   y  +  2  .
z 1 0 −1 z 1

Le résultat suivant dit qu’une transofrmation affine sera donnée aussi par la multipli-
cation à gauche par une matrice lorsqu’on utilise les coordonnées hommogènes au lieu de
coordonnées canoniques.

5.5.3. Théorème. Soit une transformation affine suivante:

T : Rn → Rn : u 7→ Au + B,

où A = (aij )n×n et B = (bi )1×n . Si u ∈ Rn , alors T

[ (u) = Âû, où
 
a11 · · · a1n b1
  . .. .. .. 
 ..

A B . . . ,
 = =
0 1

 an1 · · · ann bn 
0 ··· 0 1

appelée matrice en coordonnées homogènes de T .

108
 Exemple. Soient    
3 −2
B= ;v = ∈ R2 .
5 6
Considérer la transformation affine T = TB ◦ ρ π3 : R2 → R2 .
(1) Donner la formule en coordonnées canoniques de T .
(2) Calculer T (v), en utilisant la matrice en coordonnées homogènes de T .
Solution. (1) D’après le théorème 5.4.4, la rotation ρ π3 est définie par la matrice
! √ !
cos π3 − sin π3 1
2
− 23
A= = √ .
sin π3 cos π3 2
3 1
2

Pour tout u ∈ R2 , on a

T (u) = TB (ρ π3 (u)) = TB (Au) = Au + B.

D’où, T est de la forme

√ ! √ !
1 3 x− 3y+6
−
    
x x 3 2
T : R2 → R2 : 7→ √2
3
2
1
+ = √ .
y y 5 3x+y+10
2 2 2

(2) D’après le théorème 5.5.3, la matrice en coordonnées homogènes de T est

 1 √ 
3
  2
− 2
3
A B  √
 = = 3 1 .

0 1 2 2
5
0 0 1

Donc,  1
√
3
 √ 
− −2 3 2−3 3
 
√2 2 √
[
T (v) = Âv̂ = 
 3 1
5  6  =  8 − 3 

2 2
0 0 1 1 1
C’est-à-dire,  √ 
2−3 3
T (v) = √ .
8− 3

Dans le traitement d’image, on utilise la calibration de caméra (ou bien, la projection

perspective), pour modéliser le processus de formation des images. Dans ce modèle, l’espace
R3 sera repéré par un repère caméra tel que défini ci-dessous:
(1) l’origine est le centre optique de la caméra;
(2) l’axe des z pointe vers les objets;
(3) l’axe des y pointe vers le haut;
(4) l’axe des x est parallèle à la base de la caméra et pointe vers la gauche (en face des
objets).

109
 Dans la prise d’une photo, un vecteur (ou bien un point) de R3 est projeté sur le plan
image défini par z = −d, où d est la distance focale (c’est-à-dire, la distance entre le point
optique et le plan image) de la caméra. On note
     
 x   x 
Zd =  y  | x, y ∈ R et Z6=0 =  y  ∈ R3 | z 6= 0 .
   
d z

5.5.4. Définition. La projection perspective de centre 0 sur un plan affine Zd , avec

d 6= 0, est l’application définie par
Pd : Z6=0 → Zd : u 7→ u∗ ,
où u∗ est le point d’intersection de Zd et la droite vectorielle passant par u et l’origine 0.

Le résultat suivant nous dit comment calculer la projection perspective en utilisant les
coordonnées homogènes.

5.5.5. Théorème. Soit Pd la projection perspective de centre 0 sur Zd , où d 6= 0. Pour

tout u ∈ Z6=0 , son image Pd (u) a pour coordonnées homogènes
 
1 0 0 0
 0 1 0 0 
 
 û ,
 0 0 1 0 

0 0 d1 0
où la matrice s’appelle matrice en coordonnées homogènes de Pd .

Exercice. Donner la matrice en coordonnées homogènes de la projection perspective

P−2 et calculer l’image par cette projection du vecteur
 
1
u =  2 .
3
Solution. D’après le théorème 5.5.5, la matrice en coordonnées homogènes de P−2 est
 
1 0 0 0
 0 1 0 0 
 
 := A.
 0 0 1 0 

0 0 − 21 0
D’après le théorème 5.5.5, P−2 (u) a pour vecteur de coordonnées homogènes le produit
    
1 0 0 0 1 1
 0 1 0 0  2   2 
    
A · û =    =  .
 0 0 1 0  3   3 
0 0 − 21 0 1 − 32

110
C’est-à-dire,
1 ÷ (− 23 )
   2 
−3
P−2 (u) =  2 ÷ (− 2 )  =  − 3  .
3 
  4 
3 ÷ (− 23 ) −2

5.6. Exercices

1. Considérer l’application du déterminant

det : M3 (R) → R : A 7→ det(A).

(1) Déterminer, avec justification, si cette application est injective ou non.
(2) Déterminer, avec justification, si cette application est surjective ou non.
(3) Déterminer, avec justification, si cette application est bijective ou non.

2. Considérer l’application suivante

   
2 2 x x−3
T :R →R : 7→
y y+3

(1) Vérifier que T est bijective et trouve son inverse T −1 .

(2) Trouver l’image par T du triangle ∆ de sommets
     
−3 −2 −3
u1 = , u2 = , u3 = .
3 3 4

3. Considérer l’application suivante:

 
T 1 2 3
T : M3×2 (R) → M2×3 (R) : A 7→ A + .
4 5 6
(1) Vérifier que T est une application bijective.
(2) Donner l’inverse T −1 .

4. Considérer l’application suivante

x2 − y 2
   
2 2 x
T :R →R : 7→ .
y x + y2

(1) Calculer T (e1 ) et T (e2 ), avec {e1 , e2 } la base canonique de R2 .

(2) Trouver un vecteur spéficique u de R2 tel que T (u) 6= Au, où A est la matrice formée
par T (e1 ) et T (e2 ).
(3) Déterminer, à l’aide du théorème 5.2.3, si T est linéaire ou non.

111
5. Dans chacun des cas suivants, vérifier que l’application T est non linéaire.
   
2 2 x x+7
(1) T : R → R : 7→ .
y y−5
   
2 2 x x+y
(2) T :R →R : 7→ .
y y2

6. Dans chacun des cas suivants, trouver la matrice qui définit l’application linéaire T .
 
x  
3 2  7x
(1) T : R → R : y  7→ .
−5y
z
 
  7x
x
(2) T : R2 → R3 : 7→  9y  .
y
0
 
x  
3 2  2x − y + 3z
(3) T :R →R : y →7 .
x − 5y + z
z

7. Soit T : R2 → R3 une application linéaire. Si T (u1 ) = v1 et T (u2 ) = v2 , calculer T (u), où

   
      1 1
1 1 1
u1 = , u2 = ,u = ; v1 =  2  , v2 =  0  .
1 −1 2
1 1

Indice: D’abord, à l’aide de la proposition 4.1.6, exprimer u = a1 u1 + a2 u2 , a1 , a2 ∈ R; et

ensuite, utiliser la linéairité de T .

8. Considérer l’application linéaire suivante:

   
2 2 x 5x
T :R →R : 7→ .
y 7y

(1) Donner la matrice qui définit T .

(2) Donner l’image par T du disque unitaire
  
1 x 2 2
S = |x +y ≤1 .
y

112
 9. Considérer les vecteurs de R3 suivants:
−1 −1
         
1 0 a
u1 =  1 , u2 =
  2 , u3 =
  1 ; v=
  0 , u=
  b .
1 1 2 1 c

(1) Vérifier que {u1 , u2 , u3 } est une base de R3 .

(2) Donner la matrice de passage de {u1 , u2 , u3 } à la base canonique {e1 , e2 , e3 } de R3 .
(3) À l’aide de la partie (2), trouver l’application linéaire T : R3 → R4 telle que
     
1 1 0
 0   −1   0 
     
T (u1 ) =   , T (u2 ) =   , T (u3 ) =   .
 0   0   1 
0 0 1

10. Considérons l’application linéaire

   
2 2 x 2x
T :R →R : 7→
y 3y

et l’application linéaire S : R2 → R3 telle que

−1
   
2
S(e1 ) =  2  , S(e2 ) =  −5  .
3 7

(1) Donner la matrice qui définit l’application composée S ◦ T .

(2) Donner la formule de S ◦ T en coordonnées canoniques.

11. Considérer l’application linéaire suivante:

 
x1  
x3 + x4
 x 
 
T : R4 → R3 :  2  7→  x1 − x2 + x4 .
 x3 
2x1 − 2x2 + x3 + 3x4
x4

(1) Donner la matrice qui définit T .

(2) Donner une base de Im(T ).
(3) Donner une base de N (T ).

12. Soit T : R4 → R3 une application linéaire telle que

       
1 2 0 1
T (e1 ) =  2 , T (e2 ) =
  4 , T (e3 ) =
  1 , T (e4 ) =
  3 .
1 2 3 4

où {e1 , e2 , e3 , e4 } est la base canonique de R4 .

113
 (1) Trouver, à l’aide du théorème 5.2.3, la matrice qui définit T .
(2) Donner la dimension de Im(T ) et déterminer si T est surjective ou non.
(3) Donner la dimension de N (T ) et déterminer si T est injective ou non.

13. Dans chacun des cas suivants, trouver une base pour chacun de N (T ) et Im(T ).
   
x x + 2y + 3z
(1) T : R3 → R3 :  y  7→  2x + 4y + 6z  ;
z −3x − 6y − 9z
 
x1
x1 − x2 + x3 − x4
 
 x 
 
(2) T : R4 → R3 :  2  7→  2x1 + 3x2 − 2x3 + 5x4  .
 x3 
3x1 + 2x2 − x3 + 4x4
x4

14. Considérer l’application linéaire T : R4 → R3 : u 7→ Au, où

   
1 2 0 1 1 2 3 4
(1) A =  2 3 1 0  ; (2) A =  2 3 4 5 .
3 5 1 1 1 1 1 1

Dans chacun des cas ci-dessus, trouver la dimension de N (T ) et celle de Im(T ), et en

déterminer si T est injective et si T est surjective.

15. Considérer l’application linéaire suivante:

 
  2y
x
T : R2 → R3 : 7→  3x  .
y
x−y

(1) Trouver la matrice qui définit T .

(2) Vérifier, à l’aide du corollaire 5.2.8, que T est injective.
(3) À l’aide de la proposition 5.2.9, donner l’image par T du triangle ∆ de sommets
     
1 1 0
u1 = , u2 = , u3 = .
1 −1 2

16. Donner une application linéaire T : R2 → R3 qui envoie le segment d’extrémités

   
1 −1
u1 = , u2 =
2 1
en le segment d’extrémités
   
1 0
v1 =  1  , v2 =  1  .
−1 −1

114
17. Dans chacun des cas suivants, trouver la transformation linéaire T : R3 → R3 dont la
matrice dans la base canonique {e1 , e2 , e3 } est la matrice donnée.

1 −2 −2 2 −1
   
2
(1) 21  −2 1 −2  ; (2) 31  −1 2 2 ;
−2 −2 1 2 −1 2
 
0 1 0
1
(3) 3 0 0 −1  .
−1 0 0

18. Considérer la transformation linéaire suivante:

   
x x + 3y + z
T : R3 → R3 :  y  7→  2x − y + 2z  .
z 3x + 2y + 3z

(1) Trouver la matrice de T dans la base canonique de R3 .

(2) Donner une base pour chacun de N (T ) et Im(T ).
(3) Donner la valeur de a pour que u ∈ Im(T ), où
 
1
u=  a .
1

(4) Donner la valeur de b pour que v ∈ N (T ), où

−1
 

v =  b .
1

19. Dans chacun des cas suivants, trouver la dimension de chacun de Im(T ) et N (T ), et en
déterminer si T est un automorphisme ou non.
    
x1 1 2 3 4 x1
4  x2   2 3 4 5   x2 
    
4
(1) T : R → R :   7→  .
 x3   3 4 5 6   x3 

x4 4 5 6 7 x4

(2) T : R4 → R4 linéaire telle que

       
1 2 3 −1
 3  1 2 1
       
T (e1 ) =   , T (e2 ) =   , T (e3 ) =   , T (e4 ) =  .
     
 4   3   5   0 
7 4 7 1

115
20. Considérer la projection de R2 sur l’axe des y comme suit:
   
2 2 x 0
py : R → R : 7→ .
y y

(1) Donner, à l’aide du théorème 5.3.4, la matrice de py dans la base suivante:

    
1 −1
u1 = , u2 = .
3 1

(2) Posant u = 2u1 − 5u2 , à l’aide du théorème 5.3.4, trouver les coordonnées de T (u)
dans {u1 , u2 }. Attention: Les coordonnées de u dans {u1 , u2 } sont déjà données.

21. Considérer la transformation linéaire suivante:

2x − 3y + z
   
x
T : R3 → R3 :  y  7→  3x + y − z  .
z 2x − y + z

(1) Trouver la matrice de T dans la base de R3 suivante:

      
 1 1 0 
u1 =  1 , u2 =
  0 , u3 =
  1  .
 
0 1 1

Indice: D’abord, trouver la matrice de T dans la base canonique à l’aide du lemme

5.3.3; et ensuite, appliquer le théorème 5.3.5.
(2) Donner les coordonnées de T (u) dans la base {u1 , u2 , u3 }, où


1
u =  2 .
1

Indice: D’abord, trouver les coordonnées de u dans la base {u1 , u2 , u3 } à l’aide du

théorème 4.2.9, et ensuite; appliquer le théorème 5.3.4.

22. Trouver la transformation linéaire T de R2 telle que T (u1 ) = −u1 et T (u2 ) = u2 , où
   
−1 2
u1 = , u2 = .
2 1

Indice: Vérifier que {u1 , u2 } est une base de R2 .

116
23. Trouver une transformation linéaire T de R3 telle que T (u1 ) = 2u1 , T (u2 ) = 3u2 , et
T (u3 ) = 4u3 , où

−1
     
1 1
u1 =  −1  , u2 =  1  , u3 =  1  .
1 −1 1

Indice: D’abord, vérifier que {u1 , u2 , u3 } est une base de R3 et trouver la matrice de T
dans cette base; et ensuite, trouver la matrice de T dans la base canonique {e1 , e2 , e3 } de
R3 à l’aide du théorème 5.3.5.

24. Dans chacun des suivants, déterminer si la transformation linéaire T est un automor-
phisme ou non; et si oui, trouver son inverse T −1 .
   
2 2 x x+y
(1) T : R → R : 7→ ;
y x−y
   
2 2 x x+y
(2) T :R →R : 7→ .
y x+y

25. Considérer la transformation linéaire suivante:

2x − y + z
   
x
T : R3 → R3 :  y  7→  x + 3y − z  .
z 4x + 5y + 2z

(1) Vérifier que T est un automorphisme.

(2) Calculer T −1 , l’inverse de T .
(3) Donner la matrice de T dans la base {u1 , u2 , u3 }, où

    
1 1 1
u1 =  0 , u2 =
  1 , u3 =
  1 .
0 0 1

(4) Donner la matrice de passage de la base {u1 , u2 , u3 } à la base {T (u1 ), T (u2 ), T (u3 )}.

26. Dans chacun des cas suivants, trouver les valeurs de a pour que T soit un automorphisme.
(1) T : R3 → R3 : u 7→ Au, où
0 −1
 
2
A =  3 −1 4 .
a 3 2

117
 (2) T : R3 → R3 est linéaire satisfaisant à la condition suivante:
     
1 a 0
T (e1 ) =  0  , T (e2 ) =  1  , T (e3 ) =  a  ,
1 3 1

avec {e1 , e2 , e3 } la base canonique de R3 .

27. Calculer
π π
(1) cos 12 et sin 12 ; (2) cos 7π
12
et sin 7π
12
;
(3) cos 5π
12
et sin 5π
12
; (4) cos 17π
12
et sin 17π
12
.

28. Dans chacun des cas suivants, trouver un argument du vecteur donné.
   √     
3 −2 3 1 −1
(1) ; (2) ; (3) √ ; (4) .
−3 2 − 3 −1

29. Pour tout angle θ, on pose  

cos θ − sin θ
Aθ = .
sin θ cos θ

Vérifier, pour tous angles θ, ψ, que Aθ Aψ = Aθ+ψ .

2π
30. Soit ρ la rotation du plan d’un angle 3
. Soit T la transformation linéaire de R2 telle que
   
2 1
T (e1 ) = , T (e2 ) = ,
1 2

avec {e1 , e2 } la base canonique de R2 .

(1) Trouver la matrice de ρ ◦ T et celle de T ◦ ρ dans {e1 , e2 }.
(2) Calculer l’image de u par ρ ◦ T et celui par T ◦ ρ, et en déterminer si ρ ◦ T = T ◦ ρ
ou non, où  
1
u= .
1

31. Considérer la projection perspective P−3 de centre 0 sur le plan affine Z−3 . Soit ∆ le
triangle de sommets
     
1 0 0
u1 =  0  , u2 =  1  , u3 =  0  .
1 1 1

(1) Calculer vi = P−3 (pi ), pour i = 1, 2, 3.

118
(2) Vérifier que l’image de ∆ par P−3 est le triangle de sommets v1 , v2 , v3 .

Indice: D’après la proposition 4.4.6, tout u ∈ ∆ s’écrit

u = (1 − s − t)u1 + su2 + tu3 ; 0 ≤ s, t, 1 − s − t ≤ 1.

D’abord, calculer P−3 (u) à l’aide de la matrice en coordonnées homogènes de P−3 .

Pour la partie (1), spécifier les valeurs (s, t) = (0, 0); (s, t) = (1, 0) et (s, t) = (0, 1).
Pour la partie (2), vérifier que P−3 (u) = (1 − s − t)v1 + sv2 + tv3 .

119
 Chapitre VI: Diagonalisation

Comme on a déjà vu, une transformation linéaire d’un espace vectoriel de dimension
finie est complètement déterminée par sa matrice dans une base. Le but de ce chapitre
est d’étudier quand on peut trouver une base dans laquelle la matrice de la transformation
linéaire est diagonale. On dira que deux matrices carrées A, B sont semblables s’il existe une
matrice inversible P telle que B = P −1 AP . D’après le théorème 5.3.5, les matrices d’une
transformation linéaire dans deux bases sont semblables. Ainsi, le probléme se ramène à
celui quand une matrice carrée est semblable à une matrice diagonale. Pour ce faire, on a
besoin de notions de valeurs propres et de vecteurs propres. En tant qu’une autre application
de valeurs propres en informatique, on parlera de l’algorithme PageRank.

6.1. Polynômes

On commence par un petit rappel de polynômes réels.

6.1.1. Définition. Un polynôme réel de degré n est une expression formelle

f (λ) = cn λn + · · · + c1 λ + c0 ,

où λ s’appelle variable, et c0 , c1 , . . . , cn ∈ R, avec cn 6= 0, s’appellent coefficients.

Pour tout a ∈ R, on pose

f (a) = cn an + · · · + c1 a + c0 ∈ R.

La valeur a s’appelle racine de f (λ) si f (a) = 0.

Exemple. Si f (λ) = 3λ2 + 6, alors f (λ) n’a aucune racine réelle. En effet, pour tout
a ∈ R, on a f (a) = 3a2 + 6 ≥ 6.

6.1.2. Proposition. Soit f (λ) un polynôme réel de degré n. Alors a ∈ R est une racine
de f (λ) si, et seulement si, f (λ) = (λ − a)g(λ), où g(λ) est un polynôme réel de degré n − 1.
Par conséquent,
(1) f (λ) admet au plus n racines réelles; et
(2) f (λ) admet n racines réelles a1 , . . . , an (incluant les multiplicités) si, et seulement si,

f (λ) = c(λ − a1 ) · · · (λ − an ),

où c est le coefficient de λn dans f (λ).

Remarque. Dans la situation de la proposition 6.1.2(2), on dit que f (λ) est totalement
factorisable sur R.

120
 Exemple. Si f (λ) = 5(λ − 2)2 (λ − 3), alors f (λ) est totalement factorisable sur R et
admet trois racines 2, 2, 3.

Il n’y a pas de règle pour trouver les racines d’un polynôme réel général. Néanmoins, on
a le résultat suivant pour les polynômes de degré deux.

6.1.3. Proposition. Soit un polynôme réel de degré deux:

f (λ) = aλ2 + bλ + c, où a 6= 0.

Alors f (λ) admet une racine réelle si, et seulement si, le discriminant ∆ = b2 − 4ac ≥ 0; et
dans ce cas, f (λ) admet deux racines réelles suivantes:
√ √
−b + ∆ −b − ∆
λ1 = , λ2 = .
2a 2a

Exemple. Soit f (λ) = 3x2 +2x+1. Comme ∆ = 22 −4·3·1 = −8, d’après la proposition
6.1.3, f (λ) n’a aucune racine réelle. Par conséquent, f (λ) n’est pas factorisable sur R.

Le résultat suivant est très pratique pour trouver des racines d’un polynôme entier.

6.1.4. Proposition. Soit un polynôme à coefficients entiers

f (λ) = λn + cn−1 λn−1 + · · · + c1 λ + c0 .

Si q ∈ Q est une racine de f (λ), alors q ∈ Z est un diviseur de c0 .

Exercice. Factoriser f (λ) = λ3 − 4λ2 + λ + 6.

Solution. D’abord, les diviseurs de 6 sont ±1, ±2, ±3, ±6. Par essai-erreur, on trouve
f (−1) = 0. En divisant f (λ) par λ − (−1) = λ + 1, on trouve f (λ) = (λ + 1)(λ2 − 5λ + 6).
Considérons g(λ) = λ2 − 5λ + 6. Comme ∆ = 25 − 24 = 1. D’après la proposition 6.1.3,
g(λ) a deux racines

−(−5) + 1 −(−5) − 1
λ1 = = 3; λ2 = = 2.
2 2
D’où, λ2 − 5λ − 6 = (λ − 2)(λ − 3). Par conséquent, f (λ) = (λ + 1)(λ − 2)(λ − 3).

6.2. Diagonalisation de matrices et de transformations linéaires

6.2.1. Définition. Une matrice A ∈ Mn (R) est dite diagonalisable s’il existe une matrice
inversible P ∈ Mn (R) telle que P −1 AP est diagonale.

Remarque. Toute matrice diagonale est diagonalisable.

121
 Les notions suivantes sont essentielles pour étudier la diagonalisation de matrices carrées.

6.2.2. Définition. Soit A ∈ Mn (R). On dit que λ0 ∈ R est valeur propre de A s’il existe
un vecteur non nul u0 ∈ Rn tel que Au0 = λ0 u0 ; et dans ce cas, u0 s’appelle vecteur propre
associé à λ0 .

Remarque. (1) Un vecteur propre est toujours non nul, mais une valeur propre peut
être nulle.
(2) Si u0 est un vecteur propre de A associé à une valeur propre λ0 , alors au0 l’est aussi
pour tout nombre réel non nul a.

Exemple. Considérons la matrice

 
1 −1
A= .
2 4
On voit aisément que
      
1 1 −1 1 1
A = =2
−1 2 4 −1 −1
et       
−1 1 −1 −1 −1
A = =3 .
2 2 4 2 2

Ainsi 2, 3 sont des valeurs propres de A avec

   
1 −1
,
−1 2
des vecteurs propres associés à 2 et à 3, respectivement.

Le résultat suivant dit qu’une matrice carrée est diagonalisable si elle possède assez de
vecteurs propres linéairement indépendants.

6.2.3. Théorème. Une matrice A ∈ Mn (R) est diagonalisable si, et seulement si, A
admet n vecteurs propres linéairement indépendants u1 , . . . , un . Dans ce cas, P = (u1 · · · un )
est inversible telle que  
λ1 · · · 0
P −1 AP =  ... . . . ...  ,
 

0 ··· λn
où λi est la valeur propre à laquelle ui est associé.

Exemple. Soit  
1 −1
A= .
2 4

122
On a vu que A a deux vecteurs propres associés à 2 et 3 respectivement comme suit:
   
1 −1
u1 = , u2 = .
−1 2

Comme {u1 , u2 } est libre,

 
1 −1
P = (u1 u2 ) =
−1 2
est inversible. Maintenant
   
2 0 2 0
AP = (Au1 Au2 ) = (2u1 3u2 ) = (u1 u2 ) =P .
0 3 0 3

D’où, on a  
−1 2 0
P AP = .
0 3

On étudiera comment trouver les valeurs propres et les vecteurs propres associés. Soient
A ∈ Mn (R) et λ une variable. Alors A − λIn est une matrice carrée dont les termes sont
des polynômes à λ. De la même façon qu’on définit le déterminant d’une matrice carrée de
nombres réels, on définit le déterminant d’une matrice carrée de polynômes réels à λ, ce qui
est un polynôme réel à λ.

6.2.4. Proposition. Si A ∈ Mn (R), alors

det(A − λIn ) = (−1)n λn + an−1 λn−1 + · · · + a1 λ + a0

est un polynôme, appelé polynôme caractéristique de A et noté χA (λ).

Remarque. Pour calculer le déterminant d’une matrice carrée de polynômes, on peut

effectuer des opérations élémentaires habituelles sauf que
(1) multiplier ou diviser une ligne (ou colonne) par un polynôme non constant;
(2) additionner à une ligne (ou une colonne) le quotient d’une autre ligne (ou colonne)
divisé par un polynôme non constant.

Exercice. Calculer χA (λ), où

 
1 −1
A= .
2 4

Solution. On a
1 − λ −1 L1 +L2 3−λ 3−λ C2 −C1 3−λ 0
χA (λ) = = = = (3 − λ)(2 − λ).
2 4−λ 2 4−λ 2 2−λ

De l’autre côté, on a vu que A a pour valeurs propres 2 et 3.

123
 Voici le résultat pour trouver les valeurs propres d’une matrice carrée.

6.2.5. Théorème. Soient A ∈ Mn (R) et λ0 ∈ R. Les énoncés suivants sont équaivalents.

(1) λ0 est une valeur propre de A.
(2) λ0 est une racine de χA (λ).
(3) rg(A − λ0 In ) < n.

Remarque. Comme χA (λ) est de degré n, A a au plus n valeurs propres réelles.

Exercice. Trouver les valeurs propres réelles des matrices suivantes:

7 −6 −9
 
 
0 −1
A =  −2 6 −6  ; B= .
1 0
−1 −2 7

Solution. (1) On calcule le polynôme charactéristique comme suit:

7 − λ −6 −9 10 − λ λ − 10 λ − 10
L1 −(L2 +L3 )
χA (λ) = −2 6 − λ −6 = −2 6−λ −6
−1 −2 7 − λ −1 −2 7−λ

10 − λ 0 0
C2 +C1 ,C3 +C1 4 − λ −8
= −2 4 − λ −8 = (10 − λ)
−3 6 − λ
−1 −3 6 − λ

= (10 − λ)(λ2 − 10λ + 24 − 24) = (10 − λ)2 (0 − λ).

D’où, les valeurs propres de A sont 10 et 0.

(2) On a
−λ −1
χB (λ) = = λ2 + 1,
1 −λ
ce qui n’a aucune racine réelle. Par conséquent, B n’a aucune valeur propre réelle.

Le résultat suivant nous dit comment trouver les vecteurs propres d’une matrice carrée
associés à une valeur propre donnée.

6.2.6. Théorème. Soit A ∈ Mn (R) dont λ0 est une valeur propre. Les énoncés suivants
sont équivalents pour un vecteur u0 ∈ Rn .
(1) u0 est un vecteur propre de A associé à λ0 ;
(2) u0 est une solution non nulle du système homogène (A − λ0 In )X = 0;
(3) u0 est un vecteur non nul de N (A − λ0 In ).

Remarque. On appelle N (A − λ0 In ) espace propre de A associé à λ0 .

124
 (1) Une base de N (A − λ0 In ) est une famille libre maximale de vecteurs propres associés
à λ0 .
(2) dimN (A−λ0 In ) est le plus grand nombre de vecteurs propres linéairement indépendants
associés à λ0 , appelé multiplicité géométrique de λ0 et notée mg(λ0 ).
(3) D’après le théorème 4.3.12, mg(λ0 ) = n − rg(A − λ0 In ).

Exercice. On a vu que 10 est une valeur propre de la matrice

7 −6 −9
 

A =  −2 6 −6  .
−1 −2 7

(1) Donner la multiplicité géométrique de la valeur propre 10.

(2) Donner une famille libre maximale de vecteurs propres associés à 10.
Solution. (1) D’après la définition, mg(10) = 3 − rg(A − 10I3 ). On échelonne

−3 −6 −9
   
1 2 3
A − 10I3 =  −2 −4 −6  ⇒  0 0 0  .
−1 −2 −3 0 0 0

D’où, mg(10) = 2.
(2) Il s’agit de trouver une base de N (A−λ1 I3 ), c’est-à-dire, l’espace-solution du système
homogène (A − 10I3 )X = 0. Ce dernier est équivalent au système homogène échelonné

x + 2y + 3z = 0,

dont les inconnues libres sont y, z. Posant y = 1, z = 0; et y = 0, z = 1, on obtient une base

de N (A − λ1 I3 ) comme suit
 
−2 −3 
  

u =  1  , u2 =  0  .
 1 
0 1

Il s’agit d’une famille libre maximale de vecteurs propres de A associés à 10.

On est prêt de donner un critère pour qu’une matrice carrée soit diagonalisable et une
méthode pour la diagonaliser si c’est possible.

6.2.7. Théorème. Une matrice A ∈ Mn (R) est diagonalisable si, et seulement si, les
deux conditions suivantes sont vérifiées.
(1) χA (λ) = (λ1 − λ)n1 · · · (λs − λ)ns , où ni > 0 et λi ∈ R avec λi 6= λj lorsque i 6= j.
(2) mg(λi ) = ni , pour i = 1, . . . , s.
Dans ce cas, si Bi est une base de N (A − λi In ), pour i = 1, . . . , s, alors

B1 ∪ · · · ∪ Bs

125
est une base de Rn composée de vecteurs propres de A, qui forme une matrice inversible P
telle que
n n
z }|1 { z }|s {
( )
P −1 AP = diag λ1 , . . . , λ1 , . . . , λs , . . . , λs := D

où la j-ième colonne de P est un vecteur propre de A associé à la j-ième valeur propre de la
diagonale de D, pour j = 1, . . . , n.

Exercice. Donner une décomposition A = P DP −1 avec P inversible et D diagonale, où

7 −6 −9
 

A =  −2 6 −6  .
−1 −2 7

Solution. Le problème est de diagonaliser A. On a trouvé χA (λ) = (10 − λ)2 (0 − λ).

Donc, A admet deux valeurs propres λ1 = 10 et λ2 = 0.
(1) Base de N (A − λ1 I3 ). On a déjà trouvé une base de N (A − λ1 I3 ) comme suit:
 
−2 −3 
  

u1 =  1  , u2 =  0  .
 
0 1

(2) Base de N (A − λ2 I3 ). Comme

7 −6 −9 1 2 −7
   

A − λ2 I3 =  −2 6 −6  =⇒  0 1 −2  ,
−1 −2 7 0 0 0

le système homogène (A − λ2 I3 )X = 0 est équivalent au système homogène échelonné

x + 2y − 7z = 0
y − 2z = 0
0 = 0,

dont l’inconnue libre est z. Posant z = 1, on a une base de N (A − λ1 I3 ) comme suit:

  
 3 
u3 =  2  .
 
1

Ceci donne une base {u1 , u2 , u3 } de R3 composée de vecteurs propres de A associés aux
valeurs propres 10, 10, 0 repectivelement. On pose

−2 −3 3
 

P = (u1 u2 u3 ) =  1 0 2 ,
0 1 1

126
ce qui est inversible telle que
 
10 0 0
P −1 AP =  0 10 0  := D.
0 0 0

Ceci donne une décomposition A = P DP −1 .

On conclut cette section avec la diagonalisation de transformation linéaire.

6.2.8. Définition. Une transformation linéaire T de Rn est dite diagonalisable s’il existe
une base {u1 , · · · , un } de Rn telle que
 
λ1 · · · 0
[T ]{u1 ,··· ,un } =  ... . . . ...  ,
 

0 ··· λn

c’est-à-dire, T (ui ) = λi ui , pour i = 1, . . . , n. Dans ce cas, on dit aussi que T est un

changement d’échelle.

Exemple. La projection px de R2 sur l’axe des x

   
2 2 x x
px : R → R : 7→
y 0
est diagonalisable. En effet, d’après le lemme 5.3.3, on voit que
 
1 0
[px ]{e1 ,e2 } = ,
0 0
ce qui est diagonale.

Voici le critère et le procédé de la diagonalisation d’une transformation linéaire.

6.2.9. Théorème. Une transformation linéaire T de Rn est diagonalisable si, et seule-

ment si, sa matrice A dans la base canonique est diagonalisable. Dans ce cas, si {u1 , . . . , un }
est une base de Rn composée de vecteurs propres de A associés aux valeurs propres λ1 , . . . , λn ,
respectivement, alors  
λ1 · · · 0
[T ]{u1 ,...,un } =  ... . . . ..  .

. 
0 ··· λn

Exercice. Diagonaliser la transformation linéaire suivante:

x − 3y + 3z
   
x
T : R3 → R3 :  y  7→  3x − 5y + 3z  .
z 6x − 6y + 4z

127
 Solution. D’abord,
1 −3 3
 

[T ]{e1 ,e2 ,e3 } =  3 −5 3  := A.

6 −6 4
D’après le théorème 6.2.9, on doit diagonaliser la matrice A. Pour ce faire, on calcule

1−λ −3 3 −2 − λ 2 + λ 0
L1 −L2
χA (λ) = 3 −5 − λ 3 = 3 −5 − λ 3
6 −6 4−λ 6 −6 4−λ

−1 1 0 −1 0 0
C2 +C1
= (λ + 2) 3 −5 − λ 3 = (λ + 2) 3 −2 − λ 3
6 −6 4−λ 6 0 4−λ

−2 − λ 3
= (λ + 2)(−1) = (λ + 2)2 (4 − λ).
0 4−λ

D’où, les valeurs propres de A sont λ1 = −2 et λ2 = 4.

(1) Base de N (A − λ1 I3 ). On échelonne

3 −3 3 1 −1 1
   

A − (−2)I3 =  3 −3 3  ⇒  0 0 0 .
6 −6 6 0 0 0
Cette dernière matrice représente le système homogène échelonné

x − y + z = 0,

dont les inconnues libres sont y, z. Posant y = 1, z = 0; et y = 0, z = 1, on obtient une base

de N (A − λ1 I3 ) comme suit:
 
−1 
  
 1
u =  1  , u2 =  0  .
 1 
0 1

(2) Base de N (A − λ2 I3 ). On échelonne

−3 −3 3 1 1 −1
   

A − 4I3 =  3 −9 3  ⇒  0 2 −1  .
6 −6 0 0 0 0

Cette dernière représente le système homogène échelonné

x + y − z = 0
2y − z = 0,

128
dont z est la seule inconnue libre. Posant z = 2, on trouve une base de N (A − λ2 I3 ) comme
suit:   
 1 
u = 1  .
 3


2
D’après le théorème 6.2.9, {u1 , u2 , u3 } est une base de R3 telle que

−2
 
0 0
[T ]{u1 ,u2 ,u3 } =  0 −2 0  .
0 0 4

6.3. Algorithme PageRank

Un réseau de pages web se compose d’un nombre fini de pages et des liens entre eux.
Un moteur de recherche affiche des pages web selon leur importance de sorte que la page la
plus importante apparaı̂t en premier. Le PageRank, inventé par Larry Page, est l’algorithme
utilisé par Google pour classer les pages web. Pour établir le modèle mathématique, on doit
représenter un réseau de pages web par un graphe orienté.

6.3.1. Définition. Un réseau de n pages web est représenté par un graphe orienté tel
que défini ci-dessous:
(1) Les pages sont représentées par les entiers 1, 2, . . . , n.
(2) Un lien de la page i vers la page j sera représenté par une flèche i → j.

Exemple. Le graphe orienté suivant représente un réseau de 4 pages web et 8 liens.

1 o / 3
^ @ O

 
2 / 4

6.3.2. Définition. Soit W un réseau des pages web 1, 2, . . . , n. Soit lj le nombre de

liens sortant de la page j, pour j = 1, 2, . . . , n. On définit matrice des liens de W comme
suit:
L = (lij )n×n ,
où (
1
lj
, s’il existe un lien de la page j vers la page i;
lij =
0, sinon.

129
 Exemple. Soit W le réseau de pages web représenté par le graphe suivant:

/
1 o 3
^ @ O

 
2 / 4

Comme l1 = 3, l2 = 2, l3 = 1 et l4 = 2, la matrice des liens de W est donnée par

0 0 1 12
 
 1 
 3 0 0 0 
 
L= .
 1 1 0 1 
 3 2 2 
1 1
3 2
0 0

L’algorithme PageRank attribue à chaque page une valeur comprise entre 0 et 1, appelée
score d’importance, selon le principal suivant: le score d’importance d’une page est d’autant
plus grand qu’elle a un grand nombre de pages importantes la référençant.

6.3.3. Définition. Soit W un réseau des pages web 1, . . . , n. Soit lj le nombre de

liens sortant de la page j, pour j = 1, . . . , n. À chaque page i, on donne une valeur ai avec
0 < ai < 1, appelée score d’importance de la page i, de sorte que ni=1 ai = 1 et
P

X aj X n
ai = = lij aj , i = 1, . . . , n.
∃ j→i
lj j=1

Dans ce cas,  
a1
 .. 
 . 
an
s’appelle vecteur des scores d’importance pour W .

Le résultat suivant donne une interprétation d’un vecteur des scores d’importance en
termes de vecteurs propres.

6.3.4. Proposition. Soit W un réseau de pages web dont la matrice des liens est L. Un
vecteur des scores d’importance de W est un vecteur propre de L associé à la valeur propre
1 dont les termes sont strictement positifs et somment à 1.

On étudiera quand un réseau de pages web admet un seul vecteur des scores d’importance.

6.3.5. Définition. Un réseau de pages web est dit fortement connexe si son graphe
orienté admet un cycle orienté passant par toutes les pages.

130
 Remarque. Si W est fortement connexe, alors toutes les deux pages i, j peuvent être
rejointes par un chemin comme suit:
i / j1 / ··· / js / j.

Exemple. Le réseau de pages web suivant est fortement connexe:

/
1 o 3
^ @ O

 
2 / 4
En effet, on trouve un cycle orienté comme suit:

1 / 2 / 4 / 3 / 1.

6.3.6. Théorème. Soit W un réseau de pages web dont L est la matrice des liens. Si
W est fortement connexe, alors L admet un vecteur propre u0 associé à la valeur 1 tel que
1
u0 v=
a
est le seul vecteur des scores d’importance pour W , où a est la somme des termes de u0 .

Exercice. Trouver le vecteur des scores d’importance du réseau de pages web suivant:
/
1 o 3
^ @ O

 
2 / 4
Solution. On voit que ce réseau est fortement connexe et sa matrice des liens est
0 0 1 12
 
 1 
 3 0 0 0 
 
L= .
 1 1 0 1 
 3 2 2 
1 1
3 2
0 0
D’abord, on cherche un vecteur propre de L associé à la valeur propre 1, c’est-à-dire, une
solution non nulle du système homogène (L − I4 )X = 0. Comme

1
   
−1 0 1 2
−2 0 2 1  
    1 0 0 −2
1

3
−1 0 0   1 −3 0   0 0 3 0 −2 

L − I4 =  ⇒ ⇒ ,
    
 1 1
−1 1   2 3 −6 3   0 0 2 −3 
 3 2 2   
1 1
0 0 0 0
3 2
0 −1 2 3 0 −6

131
Cette dernière matrice représente le système homogène suivant

x1 − 2x4 = 0
3x2 − 2x4 = 0
2x3 − 3x4 = 0,

dont l’inconnue libre est x4 . Posant x4 = 6, on obtient x3 = 9, x2 = 4 et x1 = 12. Ceci

donne un vecteur propre strictement positif de L associé à 1 comme suit:
 
12
 4 
 
.
 9 

6

Comme 12 + 4 + 9 + 6 = 31, on voit que

 
12
1 
 4


31  9
 

6

est le vecteur des scores d’importance de W . C’est-à-dire, les scores d’importance des pages
sont donnés par
12 4 9 6
a1 = , a2 = , a3 = , a4 = .
31 31 31 31

6.4. Exercices

1. Factoriser les polynômes suivants si possible.

(1) x2 + 2x + 2; (2) x3 + x2 − 2; (3) x6 − 3x3 + 2;
(4) x4 − 9x2 − 4x + 12; (5) x3 − x2 − x − 2.

2. (MATLAB) Trouver les racines de 8x4 − 30x3 + 35x2 − 15x + 2.

3. Considérer la matrice réelle suivante:

 
1 2 3
A =  3 1 2 .
2 1 7

Vérifier que la valeur 2 est une valeur propre de A; et calculer sa multiplicité géométrique.

132
4. Dans chacun des cas suivants, trouver la valeur réelle de a pour que la valeur 3 soit une
valeur propre, et dans ce cas, calculer la multiplicité géométrique de 3.
   
1 2 3 3 2 1
(1)  3 1 2  ; (2)  a 1 3  .
2 1 a 2 3 1

5. Montrer qu’une matrice carrée A est inversible si, et seulement si, la valeur 0 n’est pas
valeur propre A.
1
6. Soit A une matrice inversible. Montrer que si λ0 est une valeur propre de A, alors est
λ0
une valeur propre de A−1 .

7. Diagonaliser, si possible, la matrice suivante:

2 −1
 
1
 −1 1 −1  .
0 1 1

8. Vérifier que la transformation linéaire suivante est un changement d’échelle :

   
2 2 x 2x + y
T :R →R : 7→ .
y 2x + 3y

9. Diagonaliser la transformation linéaire suivante :

−4x − 4y − 8z
   
x
T : R3 → R3 :  y  7→  4x + 6y + 4z  .
z 6x + 4y + 10z

10. (MATLAB) Considérer la matrice

 
5 1 1 −1
1 5 1 −1 
 
A= .

 1 1 5 −1 
−1 −1 −1 5
(1) Trouver le polynôme caractéristique de A.
(2) Trouver les valeurs propres de A.
(3) Donner une décomposition A = P DP −1 , avec P inversible et D diagonale.

133
11. Soit W un réseau de pages web représenté par le graphe suivant:

/
1 o 3
O O


/
2 o 4

(1) Donner la matrice des liens L de W .

(2) Vérifier que W est fortement connexe.
(3) Donner le vecteur des scores d’importance de W .

12. (MATLAB) Donner le vecteur des scores d’importance du réseau des pages web suivant:

1 o @ 2
o
@ 3
^ O ^ O

   
4 / 5 / 6

134
 Chapitre VII: Espaces euclidiens

Outre la structure d’espace vectoriel réel, le plan admet une géométrie euclidienne qui
mesure la longueur, la distance, et l’angle de vecteurs. Le but de ce chapitre est de généraliser
ces notions aux espaces vectoriels réels de dimensions supérieures.

7.1. Produit scalaire

La géométrie euclidienne de Rn est basée sur la notion de produit scalaire tel que défini
ci-dessous.

7.1.1. Théorème. Le produit scalaire sur Rn est, par définition, la fonction de deux
variables suivante:

< , >: Rn × Rn → R : (u, v) 7→ uT v :=< u, v >,

qui est bilinéaire, symétrique et défini positif, c’est-à-dire, pour u, v, w ∈ Rn et a, b ∈ R,

(1) < au + bv, w >= a < u, w > +b < v, w >; < u, av + bw >= a < u, v > +b < u, w >;
(2) < u, v >=< v, u >;
(3) < u, u > est strictement positif pour tout u 6= 0.

Remarque. Muni du produit scalaire, l’espace réel Rn s’appelle espace euclidien.

Exemple. Si
 √   √ 
2 − 2
√ √
u=  3 ,v =
  3  ∈ R3 ,
−3 2
alors
< u, v >= uT v = −2 + 3 − 6 = −5.

On généralise la notion de la longueur d’un vecteur du plan comme suit.

7.1.2. Définition. Pour tout u ∈ Rn , on définit longueur de u comme étant

√
||u|| := < u, u > ∈ R+ .

En outre, un vecteur de longueur 1 est dit unitaire.

Le résultat suivant est évident.

7.1.3. Lemme. Soient u ∈ Rn et a ∈ R.

135
 (1) ||au|| = |a| · ||u||.
(2) u 6= 0 si, et seulement si, ||u|| =6 0.
u
(3) Si u 6= 0, alors ||u|| est unitaire, appelé le vecteur unitaire de même direction que u.

Exercice. Donner le vecteur unitaire de même direction que le vecteur suivant:

 
4
u =  −2  ∈ R3 .
3
p √
Solution. Comme ||u|| = 42 + (−2)2 + 32 = 29, le vecteur
4
 
√
29
 √2 
 − 29 
√3
29

est le vecteur unitaire de même direction que u.

7.1.4. Définition. Pour tous u, v ∈ Rn , on définit distance entre u et v comme étant

d(u, v) := ||u − v||.

Exercice. Calculer la distance entre les vecteurs suivants:

   
1 3
u=  2 ,v =
  2  ∈ R3 .
3 1

Solution. D’après la définition, on a

p √
d(u, v) = ||u − v|| = (1 − 3)2 + (2 − 2)2 + (3 − 1)2 = 2 2.

La longueur de vecteur satisfait à une inégalité importante énoncées ci-dessous.

7.1.5. Inégalité de Cauchy-Schwarz. Si u, v ∈ Rn , alors

| < u, v > | ≤ ||u|| · ||v||.

L’inégalité de Cauchy-Schwartz nous permet de généraliser la notion d’un angle non

orienté dans le plan.

7.1.6. Définition. Soient u, v ∈ Rn tous non nuls. Comme

| < u, v > |
≤ 1,
||u|| · ||v||

136
 il existe un unique angle θ ∈ [0, π] tel que
< u, v >
cos θ = .
||u|| · ||v||
On appelle θ angle non orienté entre u et v.

Exercice. Trouver l’angle non-orienté θ entre les vecteurs suivants:

   
1 1
 0   0 
   
u =   , v =   ∈ R4 .
 0   0 
0 1

Solution. Par définition, on a

√
< u, v > 1 2
cos θ = = √ = .
||u|| · ||v|| 1· 2 2

D’où, θ = π4 .

7.2. Orthogonalité

7.2.1. Définition. Deux vecteurs u, v ∈ Rn sont dits orthogonaux, noté u ⊥ v, si

< u, v >= 0.

Remarque. (1) Si u ∈ Rn , alors u ⊥ 0.

(2) Deux vecteurs non nuls u, v ∈ Rn sont orthogonaux si, et seulement si, l’angle non
orienté entre eux est π2 .

Exemple. Les vecteurs suivants de R4 sont orthogonaux:

   
1 −1
 1   −1 
   
u =  ,v =  .
 0   3 
2 1

7.2.2. Lemme. Si F est un sous-espace vectoriel de Rn , alors

F ⊥ := {u ∈ Rn | u ⊥ v, pour tout v ∈ F }

est un sous-espace vectoriel de Rn , appelé orthogonal de F .

Exercice. Soit Dx l’axe des x de R3 . Vérifier que Dx⊥ = Py,z , le plan des y, z.

137
 Démonstration. D’abord, tout v ∈ Py,z s’écrit
 
0
v=  y .
z

Pour tout  
x
u =  0  ∈ Dx ,
0
on a < u, v >= 0. Ainsi v ∈ Dx⊥ . D’où Py,z ⊆ Dx⊥ . Réciproquement, soit
 
a
w=  b  ∈ Dx⊥ .
c

Comme e1 ∈ Dx , par définition,

0 =< w, e1 >= a.
Donc, w ∈ Py,z . Par conséquent, Dx⊥ ⊆ Py,z . Cela donne Dx⊥ = Py,z . En outre, on remarque

dim(Dx ) + dim(Dx⊥ ) = 1 + 2 = dim(R3 ).

Le résulat suivant nous dit en particulier comment calculer l’orthogonal d’un sous-espace
vectoriel lorsqu’un ensemble des générateurs est connu.

7.2.3. Théorème. Soit F un sous-espavce vectoriel de Rn .

(1) dim(F ) + dim(F ⊥ ) = n.
(2) (F ⊥ )⊥ = F .
(3) Si F est engendré par v1 , . . . , vr , alors

F ⊥ = {u ∈ Rn | u ⊥ vi , i = 1, . . . , r}.

Exercice. Calculer `⊥ , où ` est la droite vectorielle de R2 définie par

2x − y = 0.

Solution. Par hypothèse, ` est l’espace-solution du système homogène

2x − y = 0,

dont l’inconnue libre est y. Posant y = 2, on obtient une base de ` suivante:

  
1
u1 = .
2

138
En particulier, ` est engendrée par u1 . Pour tout
 
x
v= ∈ R2 ,
y

d’après le théorème 7.2.3(3), v ∈ `⊥ si, et seulement si, < v, u1 >= 0 si, et seulement si,
x + 2y = 0. C’est-à-dire, `⊥ est la droite vectorielle définie par

x + 2y = 0.

Plus généralement, on a la notion suivante.

7.2.4. Définition. Une famille {u1 , . . . , ur } de vecteurs de Rn est dite

(1) orthogonale si < ui , uj >= 0, pour tous 1 ≤ i, j ≤ r avec i 6= j;
(2) orthonormée si, pour tous 1 ≤ i, j ≤ r, on a

0, si i 6= j;
< ui , uj >=
1, si i = j.

Remarque. Une famille orthonormée est une famille orthogonale de vecteurs unitaires.

Exemple. (1) Pour tout u ∈ Rn , la famille {u} est orthogonale.

(2) Dans l’espace euclidien R3 , la famille
   
 1 1 
 0 , 0 
−1
 
1

est orthogonale, mais non orthonormée. En outre, la famille

   
 1 0 
 0 , 0 
−1
 
0

est orthonormée.

Le résultat suivant est pratique pour déterminer une famille de vecteurs est orthogonale
ou orthonormée.

7.2.5. Proposition. Si A = (A1 · · · An ) ∈ Mm×n (R) est partagée en colonnes, alors

(1) {A1 , . . . , An } est orthogonale si, et seulement si, AT A est diagonale;
(2) {A1 , . . . , An } est orthonormée si, et seulement si, AT A = In .

139
 Exercice. Vérifier que la famille
    

 1 −1 

 
1 −1
    
u1 =   , u2 = 
   
0 3


    
 
 2 1 

est orthogonale, mais non orthonormée.

Démonstration. Posons
 
1 −1
1 −1 
 
A = (u1 u2 ) =  .

 0 3 
2 1

Comme  
T 6 0
A A= ,
0 12
d’après la proposition 7.2.5, {u1 , u2 } est orthogonale, mais non orthonormée.

Le résultat suivant nous dit, en particulier, comment obtenir une famille orthonormée à
partir d’une famille orthogonale.

7.2.6. Lemme. Soit {u1 , . . . , ur } une famille orthogonale de vecteurs de Rn . Si

u1 , . . . , ur sont tous non nuls, alors {u1 , . . . , ur } est libre, et on a une famille orthonormée
 
u1 ur
,..., .
||u1 || ||ur ||

Remarque. En générale, une famille orthogonale n’est pas nécessairement libre. Cepen-
dant, une famille orthonormée est toujours libre.

Exemple. Considérons la famille

    
 1 1 
u =  0 ,v =  0  .
−1
 
1

Comme < u, v >= 0, elle est orthogonale. Comme u, v sont tous non nuls, elle est libre. En
outre, les vecteurs  √   √ 
2 2
u  2  v 2
=  √0  , = 0 
 
||u|| 2
||v|| √
2
2
− 2

forment une famille orthonormée.

140
 7.2.7. Définition. Soit F un sous-espace vectoriel de Rn . Une base de F est dite orthog-
onale ou orthonormée si elle est une famille orthogonale ou orthonormée, respectivement.

Exemple. La base canonique {e1 , . . . , en } de Rn est une base orthonormée.

Exercice. Vérifier que le plan

  
 x 
Px,y =  y  | x, y ∈ R
 
0

a pour base orthonormée    

 1 0 
e =  0  , e2 =  1  .
 1 
0 0
Démonstration. Comme < e1 , e2 >= 0 et ||e1 || = ||e2 || = 1, on voit que {e1 , e2 } est
une famille orthonormée. En particulier, elle est libre. En suite, tout

a
u =  b  ∈ Px,y
0

s’écrit u = ae1 + be2 . Ainsi {e1 , e2 } est une base, et donc, une base orthonormée, de Px,y .

Exercice. Vérifier que R2 a pour base orthonormée

( √ ! √ !)
2 2
2 2
u1 = √
2
, u2 = √ .
2
− 22

Solution. Considérons
√ √ !
2 2
2
− 2
B = (u1 u2 ) = √
2
√
2
.
2 2

Comme B T B = I2 , d’après la proposition 7.2.5(2), la famille {u1 , u2 } est orthonormée, et

donc, libre. Comme dim(R2 ) = 2, d’après le théorème 4.1.15, {u1 , u2 } est une base, et donc,
une base orthonormée, de R2 .

Le résultat suivant est une conséquence immédiate du lemme 7.2.6.

7.2.8. Corollaire. Soit D une droite vectorielle de Rn . Si u est un vecteur non nul de
D, alors  
u
||u||

141
est une base orthonormée de D.

Exemple. Si D est la droite vectorielle passant par

 
1
u1 =  −2  ,
1
alors D a pour base orthonormée
  
 1 1 
√  −2  .
 6 
1

7.2.9. Définition. Soit F un sous-espace vectoriel de Rn , dont {u1 , . . . , ur } est une

base orthonormée. Pour tout v ∈ Rn , on définit sa projection orthogonale sur F par

projF v =< u1 , v > u1 + · · · + < ur , v > ur .

Exemple. Soit Pxy le plan des x, y de R3 , dont {e1 , e2 } est une base orthonormée. Pour
tout  
x
v =  y  ∈ R3 ,
z
on voit que
 
x
projPx,y v =< e1 , v > e1 + < e2 , v > e2 = xe1 + ye2 =  y  .
0

On considère un cas particulier de la projection orthogonale sur une droite.

7.2.10. Proposition. Soit D une droite vectorielle de Rn engendrée par un vecteur u.

Si v ∈ Rn , alors
<u,v>
(1) proj D v = <u,u>
u;
(2) v − proj D v ∈ D⊥ .

Remarque. On écrit proj u v = proj D v, appelé projection orthogonale de v sur u. Ceci

est illustrée par le diagramme suivant:
36


v 
 v − proju v


 - -u
proju v
142
 Exercice. Considérer les vecteurs de l’espace euclidien R3 suivants:
   
1 2
u=  2 ,v=
  1 .
−1 2

Vérifier que u ⊥ (v − proj u v).

Solution. Par définition, on a
   
1 5
< u, v > 2 1  1
proju v = u= u= 2  ; v − proju v =  1  .
< u, u > 6 3 3
−1 7

On calcule    
1 5
1 
< u, v − proju v >= < 2  ,  1  >= 0.
3
−1 7

Le résultat suivant ramasse des propriétés de projection orthogonale.

7.2.11. Théorème. Soit F un sous-espace vectoriel de Rn , dont {u1 , . . . , ur } est une

base orthonormée. Si v ∈ Rn , alors
(1) v − proj F v ∈ F ⊥ ;
(2) v ∈ F si, et seulement si, v = proj F v, c’est-à-dire,

v =< u1 , v > u1 + · · · + < ur , v > ur .

Remarque. En particulier, le théorème 7.2.11(2) donne une méthode facile à trouver

les coordonnées d’un vecteur de F dans la base orthonormée {u1 , . . . , ur }.

Exercice. Considérer les vecteurs suivants:

√ ! √ !
2 2  
2
u1 = √2
2
, u2 = √2 ;v = ∈ R2 .
2
− 22 3

Trouver la colonne des coordonnées de v dans la base orthonormée {u1 , u2 } de R2 .

Solution. On a vu que {u1 , u2 } est une base orthonormée de R2 . Comme v ∈ R2 , d’après
le théorème 7.2.11(2), on a
5 1
v = projR2 v =< u1 , v > u1 + < u2 , v > u2 = √ u1 − √ u2 .
2 2
Ainsi !
√5
{v} 2
P{u1 ,u2 } = 1
.
− 2
√

143
 Le résultat suivant affirme en particulier que tout sous-espace vectoriel de Rn admet une
base orthonormée.

7.2.12. Procédé de Gram-Schmidt. Soit F un sous-espace vectoriel de Rn , dont

{u1 , . . . , ur } est une base. Si l’on pose successivement
v1 = u1 ;
<v1 ,u2 >
v2 = u2 − <v1 ,v1 >
v1 ;
<v1 ,u3 > <v2 ,u3 >
v3 = u3 − <v1 ,v1 >
v1 − <v2 ,v2 >
v2 ;
..
.
<v1 ,ur > <v2 ,ur > <vr−1 ,ur >
vr = ur − <v1 ,v1 >
v1 − <v2 ,v2 >
v2 − · · · − <vr−1 ,vr−1 >
vr−1 ,

alors {v1 , v2 , . . . , vr } est une base orthogonale de F , et donc

 
v1 v2 vr
, , ··· ,
||v1 || ||v2 || ||vr ||
est une base orthonormée de F .

Exercice. Soient    
1 0 0 1
1 1 0 0
   
A= ;v =  .
   
 0 1 1   0 
0 1 0 0
(1) Donner une base orthonormée de C(A).
(2) Calculer proj C(A) v.
(3) Déterminer si v ∈ C(A) ou non.
Solution. Comme rg(A) = 3, d’après la proposition 4.3.9(3), C(A) a pour base
      

 1 0 0  
  
 1   1   0 
     
A1 =   , A2 =   , A3 =   .

  0   1   1  
 
 0 1 0 

(1) Posons B1 = A1 , et calculons

< B1 , B1 >= 2, < B1 , A2 >= 1, < B1 , A3 >= 0.

(2) Posons  
−1
< B1 , A2 > 1 1 1

B2 = A2 − B1 = A2 − B1 =  ,
 
< B1 , B1 > 2 2 2 
2

144
et calculons
5
< B2 , B2 >= , < B2 , A3 >= 1.
2
(3) Posons
 
1
< B1 , A3 > < B2 , A3 > 2 1 −1

B3 = A3 − B1 − B2 = A3 − B2 =  ,
 
< B1 , B1 > < B2 , B2 > 5 5 3 
−2

et calculons
3
< B3 , B3 >= .
5
Cela nous donne une base orthogonale {B1 , B2 , B3 } de C(A). Posant
     
1 −1 1
B1 1  1  B2 1  1 B3 1  −1
    
C1 = = √   , C2 = =√   , C3 = =√  ,
  
||B1 || 2 0  ||B2 || 10  2  ||B3 || 15  3 
0 2 −2

d’après le lemme 7.2.6, {C1 , C2 , C3 } est une base orthonormée de C(A). Enfin,
1 1 1
< C1 , v >= √ , < C2 , v >= − √ , < C3 , v >= √ .
2 10 15
D’après la définition 7.2.9, on a
 
10
1 1 1 1  5

proj C(A) v = √ C1 − √ C2 + √ C3 = .
 
15 0

2 10 15  
−1

Comme proj C(A) v 6= v, d’après le théorème 7.2.11(2), v 6∈ C(A).

Soit A ∈ Mm×n (R) de rang n. D’après la proposition 4.3.9, les colonnes de A forment une
base de C(A). En appliquant le procédé de Gram-Schmidt à cette base, on obtient une base
orthonormée de C(A). En vue de la construction du Gram-Schmidt, on obtient le résultat
suivant.

7.2.13. Théorème. Soit A ∈ Mm×n (R) de rang n. Soit {C1 , . . . , Cn } la base or-
thonormée de C(A) obtenue en appliquant Gram-Schmidt aux colonnes de A. Si l’on pose
Q = (C1 · · · Cn ) ∈ Mm×n (R), alors
(1) QT Q = In ;
(2) R = QT A ∈ Mn (R) est triangulaire supérieure;
(3) A = QR, appelée décomposition QR de A.

145
 Exercice. Donner une décomposition QR de la matrice suivante:
 
1 0 0
 1 1 0 
 
A= .
 0 1 1 
0 1 0

Solution. On a trouvé, à l’aide du procédé de Gram-Schmidt aux colonnes de A, une

base orthonormée de C(A) suivante:
      

 1 −1 1 

 
 1  1 
  1  1 
  1  −1 
 
C1 = √   , C2 = √   , C3 = √   .


 2 0  10  2  15  3  

 0 2 −2 

Posons  
√1 − √110 √1
2 15
√1 √1 − √115
 
 2 10

Q = (C1 C2 C3 ) =  
 0 √2 √3 
 10 15 
0 √2 − √215
10

Alors
 

√1 √1 0 0
 1 0 0  2
√ √1 0

2 2 2 2
1 1 0
 
R = QTA =  − √110 √1 √2 √2 = 0 √5 √2
    
10 10 10 
0 1 1 10 10 
√1 − √115 √3 − √215 √3
 
0 0
15 15 0 1 0 15

est triangulaire supérieure telle que

 
√1 − √110 √1  2
2 15 √1

√ 0
√1 √1 − √115  2 2
 
√5 √2
 2 10
A = QR =   0 .

 0 √2 √3  10 10
10 15
0 0 √3
 
0 √2 − √215 15
10

7.3. Géométrie analytique

Le but de cette section est d’appliquer les résultats de la section précédante pour étudier
la géométrie de l’espace R3 . Considérons un plan vectoriel P de R3 . D’après le théorème
7.2.3(1), P ⊥ est de dimension 1, c’est-à-dire, une droite vectorielle engendré par un vecteur
non nul. Cette observation conduit à la notion suivante.

146
 7.3.1. Définition. Soit P un plan vectoriel de R3 . Un vecteur non nul de P ⊥ s’appelle
vecteur normal à P .

Le résultat suivant sera utile pour trouver l’équation d’un plan vectoriel de R3 .

7.3.2. Proposition. Un plan vectoriel P de R3 est défini par l’équation

ax + by + cz = 0

si, et seulement si,

 
a
 b 
c
est un vecteur normal à P .

On va donner une méthode pour trouver un vecteur normal à un plan vectoriel, en

utilisant la notion du produit vectoriel tel que défini ci-dessous.

7.3.3. Définition. Soit {e1 , e2 , e3 } la base canonique de R3 . Pour

   
x1 x2
u =  y1  , v =  y2  ∈ R3 ,
z1 z2

on définit le produit vectoriel de u et v par

u ∧ v := (y1 z2 − y2 z1 )e1 − (x1 z2 − x2 z1 )e2 + (x1 y2 − x2 y1 )e3 ∈ R3 ,

c’est-à-dire,
x1 x2 e 1
u∧v = y1 y2 e2 ,
z1 z2 e3
un déterminant formel développé suivant la dernière colonne.

Exemple.

−1
    

1 1 1 1 e1
 2 ∧ 1 = 2 1 e2 = −e1 + 2e2 − e3 =  2  .
3 1 3 1 e3 −1

On rassemble des propriétés élémentaires du produit vectoriel dans le résultat suivant.

7.3.4. Proposition. Soient u, v des vecteurs non co-linéaires de R3 .

(1) u ∧ v = −(v ∧ u).

147
 (2) u ∧ v est un vecteur normal au plan vectoriel engendré par u et v.
(3) det(u, v, u ∧ v) = ||u ∧ v||2 > 0.

Exercice. Donner une équation du plan vectoriel P engendré par

   
1 1
u =  2  , v =  1  ∈ R3 .
3 1

Solution. On a vu que
−1
 

u ∧ v =  2 ,
−1
ce qui est normal à P d’après la proposition 7.3.4. Ainsi, P est défini par l’équation suivante:

−x + 2y − z = 0.

En conséquence de la proposition 7.3.4, on obtient une méthode suivante pour plonger

un vecteur non nul dans une base orthogonale.

7.3.5. Corollaire. Soit L une droite vectorielle engendrée par un vecteur u. On prend
un vecteur non nul v ∈ R3 avec < u, v >= 0 et pose w = u ∧ v. Alors
(1) {v, w} est une base orthogonale de L⊥ .
(2) {u, v, w} est une base orthogonale de R3 avec det(u v w) > 0.

Exercice. Plonger u en une base orthogonale de R3 , où

 
1
u=  1 .
1

Solution. Les vecteurs orthogonaux à u sont les solutions de l’équation suivante:

x + y + z = 0.

Posant y = 1 et z = 0, on trouve x = −1. Ceci donne un vecteur

−1
 

v= 1 
0

avec < v, u >= 0. Maintenant, calculons

−1
 

w = u ∧ v =  −1  .
2

148
 Ceci nous donne une base orthogonale {u, v, w} de R3 . En outre, det(u v w) = 6.

On conclut cette section par la notion d’un angle orienté entre deux vecteurs de R3 .

7.3.6. Définition. Soit P un plan vectoriel de R3 auquel w est un vecteur normal. Si

u, v ∈ P sont non nuls, alors un angle de u à v orienté par w est un angle θ tel que
< u, v > det(u v w)
cos θ = et sin θ = .
||u|| · ||v|| ||u|| · ||v|| · ||w||

Exercice. Donner un angle θ de u à v orienté par v ∧ u, où

−1
   
1
u =  1  , v =  0  ∈ R3 .
0 1
√ √
Solution. D’abord, < u, v >= −1, ||u|| = 2 et ||v|| = 2. D’où
< u, v > 1
cos θ = =− .
||u|| · ||v|| 2
En suite,
−1



w = v ∧ u =  1 .
−1
√
avec ||w|| = 3. Comme

1 −1 −1
det(uvw) = 1 0 1 = −3,
0 1 −1
on a √
det(uvw) −3 3
sin θ = = √ =− .
||u|| · ||v|| · ||w|| 2 3 2
Pour trouver θ, on commence par un angle φ ∈ [0, π2 ] tel que
√
1 3
cos φ = | cos θ| = ; sin φ = | sin θ| = .
2 2
Selon le tableau, on voit que φ = π3 . Comme cos θ et sin θ sont négatifs, θ se trouve dans le
troisième quadrant. Ainsi,
π 4π
θ =π+φ=π+ = .
3 3

7.4. Matrices orthognales

149
 Le but de cette section est d’étudier une classe importante de matrices, appelées matrice
orthogonales. En appliquant la proposition 7.2.5(2), le lemme 7.2.6 et le corollaire 4.2.6, on
a le résultat suivant.

7.4.1. Théorème. Soit A ∈ Mn (R), dont les colonnes sont A1 , . . . , An . Les conditions
suivantes sont équivalentes:
(1) A est inversible avec A−1 = AT .
(2) ATA = In .
(3) {A1 , . . . , An } est une base orthonormée de Rn .
Dans ce cas, on dit que A est orthogonale.

Remarque. Soit A une matrice orthogonale.

(1) Si l’on permute des colonnes de A, la matrice résultante est orthogonale.
(2) Si l’on multiplie une colonne de A par −1, la matrice résultante est orthogonale.

Exemple. (1) Une matrice identité est orthogonale.

(2) Pour tout angle θ, les matrices suivantes sont orthogonales:
     
cos θ − sin θ − sin θ cos θ cos θ sin θ
; ; ;
sin θ cos θ cos θ sin θ sin θ − cos θ

−1
     
1 0 0 0 1 0 0 0
 0 cos θ − sin θ  ;  cos θ 0 − sin θ  ;  − sin θ cos θ 0 .
0 sin θ cos θ sin θ 0 cos θ cos θ sin θ 0

On ramasse des propriétés de matrices orthogonales dans le résultat suivant.

7.4.2. Proposition. Soient A, B ∈ Mn (R).

(1) Si A est orthogonale, alors AT est orthogonale.
(2) Si A, B sont orthogonales, alors AB est orthogonale.

Remarque. Lorsqu’on permute des lignes d’une matrice orthogonale, la matrice résultante
est orthogonale.

Exemple. Pour tout angle θ, les matrices suivantes sont orthogonales:

0 − sin θ cos θ − sin θ 0
   
cos θ
 0 1 0  ;  sin θ cos θ 0  .
sin θ 0 cos θ 0 0 1

Le résultat suivant est un cas particulier du théorème 7.2.13.

7.4.3. Corollaire. Si A ∈ Mn (R) est inversible, alors

A = QR,

150
où Q est orthogonale et R est triangulaire supérieure.

En vertu des théorèmes 4.2.9 et 4.2.10 et la proposition 7.4.2, on obtient le résultat suiv-
ant, qui nous dit comment calculer les coordonnées d’un vecteur dans une base orthonormée
et comment trouver la matrice de passage entre deux bases orthonormées.

7.4.4. Théorème. Soit {u1 , . . . , un } une base orthonormée de Rn .

(1) Pour tout vecteur u ∈ Rn , on a
{u}
P{u1 ,...,un } = (u1 · · · un )T u.

(2) Des vecteurs v1 , . . . , vn ∈ Rn forment une base orthonormée si, et seulement si,
{v ,...,v }
P{u11,...,unn } est orthogonale; et dans ce cas,
{v ,...,v }
P{u11,...,unn } = (u1 · · · un )T (v1 · · · vn ).

Exercice. Considérons deux bases orthonormées de R2 suivantes:

( √ ! √ !) ( √ ! !)
2
2
− 2
2
2
3 − 21
u1 = √
2
, u2 = √
2
et v1 = 1
, v2 = √
3
.
2 2 2 2

(1) Donner les coordonnées de u dans la base {u1 , u2 }, où

 
2
u= .
6

(2) Donner la matrice de passage de {u1 , u2 } à {v1 , v2 }.

Solution. (1) D’après la proposition 7.4.4(1), on a
√
2
√ !T 
2
√
2
√
2
!  √ 
−
 
{u} 2 2 4 2
P{u1 ,u2 } = 2
√ √
2
= 2
√
2
√ = √ .
2 2 6 − 22 2 6 2
2 2 2

(2) D’après le théorème 7.4.4(2), la matrice de passage de {u1 , u2 } à {v1 , v2 } est

√ √ √ !
2 3 + 1 − 3 − 1
(u1 u2 )T (v1 v2 ) = √ √ ,
4 1− 3 1+ 3

ce qui est orthogonale.

7.5. Matrices symétriques

Le but de cette section est la diagonalisation d’une matrice symétrique par une matrice
orthogonale, qui sera utile dans la mécanique quantique.

151
 7.5.1. Proposition. Si A ∈ Mn (R) est symétrique, alors
(1) χA (λ) = (λ1 − λ) · · · (λn − λ), avec λ1 , . . . , λn ∈ R ;
(2) deux vecteurs propres de A associés à deux valeurs propres distinctes respectives sont
orthogonaux.

Voici le procédé de la diagonalisation d’une matrice symétrique par une matrice orthog-
onale.

7.5.2. Théorème de l’axe principal. Si A ∈ Mn (R) est symétrique, alors il existe

une matrice orthogonale P telle que P −1 AP = P T AP est diagonale, où P est trouvée de la
façon suivante.
(1) On factorise χA (λ) = (λ1 − λ)n1 · · · (λs − λ)ns avec ni > 0 et λi 6= λj lorsque i 6= j.
(2) Pour chaque i = 1, . . . , s, on trouve
(i) une base Bi de N (A − λi In ), en résolvant (A − λi In )X = 0.
(ii) une base orthonormée Oi de N (A − λi In ), en appliquant le procédé de Gram-
Schmidt à Bi .
(3) Cela donne une base orthonormée O1 ∪ · · · ∪ Os de Rn , dont les vecteurs forment une
matrice orthogonale P telle que
n n
z }|1 { z }|s {
( )
P −1 AP = P T AP = diag λ1 , . . . , λ1 , . . . , λs , . . . , λs .

Exercice. Soit  
3 2 4
A =  2 0 2 .
4 2 3
Donner une décomposition A = P DP T , où P est orthogonale et D est diagonale.
Solution. En effectuant L1 − L3 et C3 + C1 à partir de A − λI3 , on trouve

3−λ 2 4 −1 − λ 0 1 + λ −1 − λ 0 0
χA (λ) = 2 −λ 2 = 2 −λ 2 = 2 −λ 4
4 2 3−λ 4 2 3−λ 4 2 7−λ

= (−1 − λ) (λ2 − 7λ − 8) = (−1 − λ)(λ + 1)(λ − 8) = (1 + λ)2 (8 − λ).

Ainsi, A a deux valeurs propres −1 et 8.

(a) Base orthonormée de N (A − (−1)I3 ) = N (A + I3 ).
   
4 2 4 2 1 2
A + I =  2 1 2 ⇒ 0 0 0 
4 2 4 0 0 0

152
Cette dernière matrice représente un système homogène échelonné

2x + y + 2z = 0,

dont les inconnues sont y et z.

Posant y = 2 et z = 0, on obtient x = −1.
Posant y = 0 et z = 1, on obtient x = −1.
Ceci donne une base de N (A + I3 ) suivante:
 
−1 −1 
  

u1 =  2  , u2 =  0  .
 
0 1

On appliquera le procédé de Gram-Schmidt à cette base.

(i) Posons v1 = u1 et calculons < v1 , v1 >= 5 et < v1 , u2 >= 1.
(ii) Posons
−4
 
< v1 , u2 > 1 1
v2 = u2 − v1 = u2 − u1 =  −2 
< v1 , v1 > 5 5
5
et calculons < v2 , v2 >= 95 .
Alors, {v1 , v2 } est une base orthogonale de N (A + I3 ). Posons
 
− √15 
−4

v1 1   v2 1
w1 = = √ v1 =  √2  , w2 = = √  −2  .
||v1 || 5  5  ||v2 || 3 5
0 5

Ceci donne une base orthonormée {w1 , w1 } de N (A + I3 ).

(b) Base orthonormée de N (A − 8I3 ).

−5 1 0 −1
   
2 4
A − 8I =  2 −8 2  ⇒  0 2 −1  .
4 2 −5 0 0 0

Cette dernière matrice représente un système homogène échelonné

x − z = 0
2y − z = 0.

Posant z = 2, on obtient y = 1 et x = 2. Ceci donne une base de N (A − 8I3 ) suivante:

  
 2 
u = 1  ,
 1 
2

153
ce qui est orthogonale. En la normalisant, on obtient une base orthonormée de N (A − 8I3 ):
2
  
 3 
1
w1 =  3
 .
 2 
3

Enfin, on obtient une matrice orthogonale

− √15 − 3√4 5 2
 
3
√2 − 3√2 5 1
 
P = (w1 w2 w3 ) = 
 5 3


5 2
0 √
3 5 3

telle que
−1
 
0 0
P T AP =  0 −1 0  .
0 0 8
Ceci donne une décomposition
   

3 2 4
 − √15 − 3√4 5 2
3 −1

0 0
 − √15 √2
5
0
 2 0 2  =  √2 − √2 1
   
  0 −1 0   − √4 − √2 5
√ .
 5 3 5 3   3 5 3 5 3 5 
4 2 3 0 √5 2 0 0 8 2 1 2
3 5 3 3 3 3

7.6. Transformations orthogonales

Le but de cette section est d’étudier une classe spéciale d’automorphismes de Rn , soit les
transformations orthogonales telles que définies ci-dessous.

7.6.1. Définition. Une transformation linéaire T de Rn est dite orthogonale si

< T (u), T (v) >=< u, v >,

pour tous vecteurs u, v ∈ Rn .

Exemple. L’application identité

1I : Rn → Rn : u 7→ u

est évidemment orthogonale.

Voici des propriétés des transformations orthogonales.

154
 7.6.2. Proposition. Soit T une transformation orthogonale de Rn .
(1) Si u ∈ Rn , alors ||T (u)|| = ||u||.
(2) Si u, v ∈ Rn , alors d(T (u), T (v)) = d(u, v).
(3) Si u, v ∈ Rn sont non nuls, alors l’angle non orienté entre T (u), T (v) est égal à celui
entre u, v.

Remarque. Une transformation orthogonale de Rn , avec 2 ≤ n ≤ 3, transforme les

rectangle en rectangles, et les carrés en carrés.

Le résultat suivant donne une méthode pour vérifier si une transformation linéaire est
orthogonale ou non.

7.6.3. Théorème. Soit T une transformation linéaire de Rn . Si {u1 , . . . , un } est une

base orthonormée de Rn , alors les conditions suivantes sont équivalentes.
(1) T est une transformation orthogonale.
(2) [T ]{u1 ,...,un } est une matrice orthogonale.
(3) {T (u1 ), . . . , T (un )} est une base orthonormée de Rn .

Remarque. Une transformation orthogonale est un automorphisme.

Exemple. La rotation ρθ d’un angle θ du plan est orthogonale. En effet, {e1 , e2 } est une
base orthonormée de R2 telle que
 
cos θ − sin θ
[ρ]{e1 ,e2 } = ,
sin θ cos θ
ce qui est orthogonale. D’après le théorème 7.6.3(2), ρθ est orthogonale.

On définira les rotations de R3 , qui sont orthogonales.

7.6.4. Définition. Soit L une droite vectorielle de R3 engendrée par un vecteur u, ce

qui est normal au plan L⊥ . La rotation ρθ,u autour de L d’angle θ orienté par u est une
transformation linéaire de R3 satisfaisant les deux conditions suivantes:
(1) Si v ∈ L, alors ρθ,u (v) = v.
(2) Si v ∈ L⊥ est non nul, alors ρθ,u (v) ∈ L⊥ tel que
(a) ||v|| = ||ρθ,u (v)||;
(b) l’angle de v à ρθ,u (v) orienté par u est θ.

Remarque. En bref, on appelle ρθ,u la rotation d’angle θ autour de u.

Le résulat suivant nous dit comment calculer les rotations de R3 .

7.6.5. Théorème. Soit L une droite vectorielle de R3 engendrée par un vecteur u. Si

{v, w} est une base orthogonale de L⊥ avec det(u v w) > 0, alors
 
u v w
u1 = , u2 = , u3 =
||u|| ||v|| ||w||

155
est une base orthonormée de R3 telle que
 
1 0 0
[ρθ ,u ]{u1 ,u2 ,u3 } =  0 cos θ − sin θ  .
0 sin θ cos θ
En particulier, toute rotation de R3 est orthogonale.

Exercice. Donner la rotation ρθ,e2 de R3 d’angle θ autour

 
0
e2 =  1 .
0
Solution. La droite vectorielle L engendrée par e2 est l’axe des y, dont {e2 } est une base
orthonormée. Or L⊥ est le plan des x, z, dont {e1 , e3 } est une base orthonormée. Comme
det(e2 , e1 , e3 ) = −1, on doit considérer la base orthonormée {e3 , e1 } de L⊥ . Maintenant,
{e2 , e3 , e1 } est une base orthonormée de R3 avec det(e2 , e3 , e1 ) > 0. D’après le théorème
7.6.5, on a
 
1 0 0
[ρθ,e2 ]{e2 ,e3 ,e1 } =  0 cos θ − sin θ  .
0 sin θ cos θ
C’est-à-dire,

  
1 0
ρθ,e2 (e2 ) = (e2 , e3 , e1 ) 0
  = 1 · e2 + 0 · e3 + 0 · e1 =  1 .
0 0
   
0 sin θ
ρθ,e2 (e3 ) = (e2 , e3 , e1 )  cos θ  = 0e2 + (cos θ)e3 + (sin θ)e1 =  0  .
sin θ cos θ
   
0 cos θ
ρθ,e2 (e1 ) = (e2 , e3 , e1 )  − sin θ  = 0e2 + (− sin θ)e3 + (cos θ)e1 =  0 .
cos θ − sin θ
D’où
 
cos θ 0 sin θ
{ρ (e1 ), ρθ,e (e2 ), ρθ,e (e3 )}
[ρθ,e2 ]{e1 ,e2 ,e3 } = P{e1θ,e 2
,e2 ,e3 }
2 2
= 0 1 0 .
− sin θ 0 cos θ
C’est-à-dire, ρθ,e2 est de la forme
   
x cos θ 0 sin θ x
3 3 
ρθ,e2 :R →R : y  7 →  0 1 0   y .
z − sin θ 0 cos θ z

156
 Voici un procédé pour calculer une rotation de R3 , ce qui est une conséquence du lemme
7.2.6, le corollaire 7.3.5, le théorème 7.6.5, et le théorème 5.3.4.

7.6.6. Théorème. Soit L une droite vectorielle de R3 engendrée par un vecteur u. On

veut calculer la rotation ρ autour de L d’angle θ orienté par u.
(1) On trouve v ∈ R3 non nul avec < u, v >= 0.
(2) On calcule w = u ∧ v.
(3) On obtient une base orthonormée de R3 suivante:
 
u v w
u1 = , u2 = , u3 = .
||u|| ||v|| ||w||

(4) D’après le théorème 7.6.5, on a

 
1 0 0
[ρ]{u1 ,u2 ,u3 } =  0 cos θ − sin θ  =: A.
0 sin θ cos θ

(5) Comme P = (u1 u2 u3 ) est orthogonale, d’après le théorème 5.3.4, on a

[ρ]{e1 ,e2 ,e3 } = P AP T .

Exercice. Soit L la droite vectorielle de R3 engendrée par

 
1
u =  1 .
1
π
Trouver la rotation ρ autour de L d’angle 3
orienté par u.
Solution. Les vecteurs orthogonaux à u sont les solutions de l’équation suivante:

x + y + z = 0.

Posant y = 1 et z = 0, on trouve x = −1. Ceci donne un vecteur

−1



v= 1 
0

avec < v, u >= 0. Maintenant, calculons

−1
 

w = u ∧ v =  −1  .
2

157
 On pose

−1 −1
     
1
u 1 v 1 w 1
u1 = = √  1  , u2 = = √  1  , u3 = = √  −1  .
||u|| 3 ||v|| 2 ||w|| 6
1 0 2

Alors {u1 , u2 , u3 } est une base orthonormée de R3 telle que

   
1 0 0 2 0 0
1 √
[ρ]{u1 ,u2 ,u3 } =  0 cos π3 − sin π3  =  0 1 − 3  := A.
2 √
0 sin π3 cos π3 0 3 1

Posant  √ √
2 − 3 −1

1 √ √
P = (u1 u2 u3 ) = √  2 3 −1  ,
6 √
2 0 2

on obtient
2 −1
 
2
1
[ρ]{e1 ,e2 ,e3 } = P AP T =  2 2 −1  .
3
−1 2 2
C’est-à-dire, la formule en coordonnées canonique de ρ est donnée par

2x − y + 2z
  
x
1
ρ : R3 → R3 :  y  7→  2x + 2y − z  .
3
z −x + 2y + 2z

On conclut cette section par une application dans la stéréovision.

7.6.7. Théorème. Soit M un objet à la position

 
a
 b 
c

dans un repère caméra initial de R3 . Si l’on tourne la caméra d’un angle θ autour d’un
vecteur non nul u, alors M est à la position
 
a
BT  b 
c

dans le nouveau repère caméra de R3 , où B est la matrice de ρθ,u de R3 dans la base canonique.

158
 Démonstration. Par l’hypothèse, la colonne des coordonnées de M dans la base canon-
ique {e1 , e2 , e3 } de R3 est
 
a
v =  b .
c
Étant orthogonale, ρθ,u transforme {e1 , e2 , e3 } en une base orthonormée {e01 , e02 , e03 }, où e0i =
ρθ,u (ei ), i = 1, 2, 3. D’après le théorème 5.3.7, B est la matrice de passage de {e1 , e2 , e3 }
à {e01 , e02 , e03 }. D’après le théorème 7.4.4, la colonne des coordonnées de M dans la base
{e01 , e02 , e03 } est
 
a
T 
B b ,
c
ce qui est la position de M dans le nouveau repère caméra.

Exercice. Dans un repère caméra initial de R3 , un objet M est situé à la position

 
1
 1 .
−2
π
On tourne la caméra d’angle 3
autour du vecteur
 
1
u =  1 .
1

Trouver la position de M dans le nouveau repère caméra de R3 .

Solution. Désignons par ρ la rotation de R3 d’angle π3 autour de u. On a vu que

2 −1
 
2
1
[ρ]{e1 ,e2 ,e3 } =  2 2 −1  =: B.
3
−1 2 2

D’après le théorème 7.6.7, dans le nouveau repère caméra, M est à la position suivante:

2 −1
      
1 2 1 2
1
B T  1  =  −1 2 2   1  =  −1  .
3
−2 2 −1 2 −2 −1

7.7. Méthode des moindres carrés

159
 La méthode des moindres carrés, indépendamment élaborée par Legendre en 1805 et par
Gauss en 1809, permet de comparer des données expérimentales à un modèle mathématique
censé décrire ces données.

7.7.1. Définition. Soit un système d’équations linéaires

AX = B, où A ∈ Mm×n (R).

Un vecteur S ∈ Rn s’appelle solution à moindres carrés de ce système si

||AS − B|| ≤ ||Au − B||

pour tout vecteur u ∈ Rn .

Remarque. Si le système AX = B est compatible, alors une solution à moindres carrés

est une solution exacte.

Le résultat suivant nous donne une méthode très pratique pour trouver les solutions à
moindres carrés d’un système d’équations linéaires.

7.7.2. Théorème. Soit un système d’équations linéaires

AX = B, où A ∈ Mm×n (R).

Un vecteur S ∈ Rn est une solution à moindres carrés de ce système si, et seulement si, S
est une solution exacte du système compatible suivant:

(ATA)X = ATB.

Exercice. Trouver une solution à moindres carrés du système suivant:

x − y = 1
x + y + 2z = 1
−2x + 4y + 2z = 3.

Solution. D’abord, on a que

1 −1 0
   
1
A=  1 1 2  et B =  1 .
−2 4 2 3

On calcule
6 −8 −2 −4
   

C = AT A =  −8 18 10  et D = AT B =  12  .
−2 10 8 8

160
Or (C|D) s’échelonne à la matrice suivante:

1 −5 −4 −4
 
 0 11 11 10  .
0 0 0 0
Posant z = 0, on obtient une solution à moindres carrés du système original suivante:
 
94
1
S = −  10  .
11
0
C’est-à-dire,
 
21
4
AS = −  26 
11
−34
est la projection orthogonale de B sur C(A).

Si A ∈ Mm×n (R) est de rang n, alors ATA est définie positive. En particulier, ATA est
inversible. Cette observation nous donne le résultat suivant.

7.7.3. Corollaire. Soit un système d’équations linéaires

AX = B, où A ∈ Mm×n (R).

Si rg(A) = n, alors le système admet une seule solution à moindres carrés donnée par

S = (ATA)−1 AT B.

Dans la pratique, on décrira la relation entre deux variables x et y selon des données
observées. Ces données observées sont représentées par des points du plan. S’ils ont tendance
à former une droite, on peut trouver une droite qui correspond le mieux à ces points.

Exercice. En enregistrant la pression (en atm) d’un gaz à température (en Celsius)
différente, on obtient les données suivantes:

6
3

• (300, 2.4)

2 • (200, 2)

• (100, 1.5)

- t
0
100 200 300

161
Donner l’estimation de la pression du gaz à 400 degrés Celsius.
Solution. Comme les points ont tendance à former une droite, on va trouver une droite
qui correspond le mieux les données observées. Supposons que p = at + b, où a, b ∈ R.
D’après les données observées, on considère le système suivant:

100a + b = 1, 5
200a + b = 2
300a + b = 2, 4.

Ceci nous donne    

100 1 1, 5
A =  200 1  et B =  2  .
300 1 2, 4
Comme les colonnes de A sont linéairement indépendantes, la matrice

14 × 104 6 × 102
 
T
A A=
6 × 102 3

est inversible, d’après le corollaire 7.7.3, le système a une seule solution à moindres carrés

−6 × 102 12, 7 × 102 2, 7 × 102

    
T −1 T 1 3 1
S = (A A) (A B) = = .
6 × 104 −6 × 102 14 × 104 5, 9 6 × 104 6, 4 × 104

C’est-à-dire, la droite cherchée est définie par l’équation

2, 7 3, 2
p= t+ .
600 3
Ainsi la pression sera environ 2,86 atm à la température 400 degrés Celsius.

Lorsque les points représentant des données expérimentales ont tendance à former une
courbe, on peut trouver une fonction polynomiale qui correspond le mieux à ces points.

Exercice. Étant données des données expérimentales suivantes:

y

6
(16, 2)
2 •

(4, 1) •

(8, 0)
0 • - x
4 8 16

•
(8, −1)

Donner une fonction polynomiale quadratique qui correspond le mieux à ces données.

162
 Solution. On cherche une fonction x = a + by + cy 2 . D’après les données observées, on
obtient le système suivant:
a − b +c = 8
a = 8
a + b + c = 4
a + 2b + 4c = 16.
Ceci donne    
1 −1 1 8
1 0 0   8
   
A=  et B =  .
 
 1 1 1   4 
1 2 4 16

Ainsi    
4 2 6 36
AT A =  2 6 8  et AT B =  28  .
6 8 18 76
Comme les colonnes de A sont linéairement indépendantes, AT A est inversible. D’après le
corollaire 7.7.3, le système admet une seule solution à moindres carrés suivante:

3 −5
    
11 36 5
1 
S = (AT A)−1 (AT B) = 3 9 −5   28  =  −1  .
20
−5 −5 5 76 3

C’est-à-dire, la function polynomiale quadratique cherchée est définie par l’équation

x = 5 − y + 3y 2 .

7.8. Exercices

1. Trouver le vecteur unitaire de même direction que le vecteur suivant:

 
4
 −2 
 
.
 3 

1

2. Dans chacun des cas suivants, calculer la distance entre u et v.

       
0 3 1 5
1 5 0 −3
       
(1) u =  , v =  ; (2) u =  , v =  .
       
 −4   1   1   −1 
1 1 −4 1

163
3. Dans chacun des cas suivants, calculer l’angle non orienté entre u et v.
 √ 
− 3 −2
     
1 1
(1) u =  0  , v=  0  ; (2) u =  1 , v=
  1 .
√
−1 3 −1 2

4. Donner une base de F ⊥ , où F est le sous-espace vectoriel de R4 engendré par

   
1 2
 −1   1 
   
u= , v =  .
 0   −1 
1 2

5. À l’aide du théorème 7.2.3(3), donner une base de C(A)⊥ , où

 
  1 0 2
1 −1 1  0 1 1 
1 0 0
   
(1) A =  ; (2) A = 1 1 3 .
   
 1 1 1 
 
 
 0 0 0 
1 2 4
1 1 3

6. Considérer la matrice suivante:

 
−1 1
1 −1 
 
A= .

 2 3 
2 −2

Déterminer, à l’aide de la proposition 7.2.5, si les colonnes de A forment une base

orthonormée ou non de C(A).

7. Vérifier, à l’aide de la proposition 7.2.5, que les colonnes de A forment une base or-
thonormée de C(A), où  
− √15 √25
 2 
A= √ √1  .
 5 5 
0 0

8. Soient
 
√3 − √16    
11 1 4
√1 √2
 
A = (A1 A2 ) = 
 11 6
;
 u =  1 ; v =  −1  .
√1 √1 −1 0
11 6

164
 (1) En calculant AT A, vérifier que A1 , A2 forment une base orthonormée de C(A).
(2) En calculant la projection orthogonale de v sur C(A), vérifier que v ∈ C(A).
(3) Donner la projection orthogonale de u sur C(A), et en déterminer si u appartient
à C(A) ou non.

9. Considérer les vecteurs de l’espace euclidien R4 suivants:

   
1 1
 −2   0 
   
u= ;v =  .
 2   −1 
1 0

(1) Donner une base orthonormée du sous-espace vectoriel F engendré par u.

(2) Calculer la projection orthogonale de v sur F .

10. Déterminer si les vecteurs suivants forment une base orthonormée de R3 ou non:
 1   2   2 
3 3 3
 2   2
  
u1 =  −  , u2 =   , u3 =  − 1  .
 3   3   3 
− 23 − 31 2
3

11. Soit F le sous-espace vectoriel de R4 engendré par u1 , u2 , u3 , où

       
1 −1 1 1
 1   1   0   0
       
u1 =   , u2 =   , u3 =  ;v =  .

 0   1   1   −1 
1 0 −1 0

(1) Vérifier que {u1 , u2 , u3 } est une base orthogonale de F .

(2) Donner, à l’aide du lemme 7.2.6 une base orthonormée de F .
(3) Donner la projection orthogonale de v sur F .

12. Soit F le sous-espace vectoriel de R4 engendré par u1 , u2 , u3 , u4 , où

         
−1 0 −2 1 1
 1   1   3   1 0
         
u1 =   , u2 =   , u3 =   , u4 =  ;v =  .
  
 0   1   1   0   0 
1 −1 1 1 1

(1) À l’aide du théorème 4.3.10, donner une base de F .

165
 (2) En appliquant le procédé de Gram-Schmidt, donner une base orthonormée de F .
(3) Calculer projF v; et en déterminer si v appartient au F ou non.

13. Considérer la matrice suivante:

 
1 0 1
1 1 2
 
A= .
 
 1 1 2 
1 1 2

(1) Vérifier que les colonnes de A forment une base de C(A);

(2) En appliquant le procédé de Gram-Schmidt aux bases trouvées en (1), donner une
base orthonormée de C(A).

14. Soient  
1 1 0
1 0 1
 
A= .
 
 0 1 2 
0 1 0

(1) Vérifier que les colonnes de A forment une base de C(A);

(2) Donner une base orthonormée de C(A);
(3) Donner une décomposition QR de A.

15. Considérer les vecteurs de l’espace euclidien R3 suivants:

 4
    3

0 −
 
5 5 1
 9 
u1 =  − 25  , u2 =  54  , u3 =  − 12 ; u =  −1  .
   
25 
12 3 16 2
25 5 25

(1) Vérifier, à l’aide du théorème 7.4.1, que {u1 , u2 , u3 } est une base orthonormée de
R3 .
(2) Trouver, à l’aide du théorème 7.4.4(1), la colonne des ccordonnées de u dans
{u1 , u2 , u3 }.

16. Trouver les valeurs de a, b, c telles que la matrice suivante soit orthogonale.
 
√1 √1 a
3 14
√1 √2
 

 3 14
b 
.
√1 3
− 14
√ c
3

166
17. Donner une décomposition QR de la matrice inversible suivante:
 
1 0 1 0
 0 1 0 1 
 
A= .
 1 1 1 0 
0 1 1 1

18. Considérer la base canonique {e1 , e2 , e3 } de R3 . Calculer les produits vectoriels e1 ∧ e2 ,

e2 ∧ e3 et e3 ∧ e1 .

19. Dans chacun des cas suivants, à l’aide de la proposition 7.3.4(2), trouver un vecteur
normal au plan P engendré par u, v, et en donner une équation pour P.
       
2 0 5 4
(1) u =  −1  , v =  3  ; (2) u =  0  , v =  −1  .
1 2 −1 2

20. Considérer les vecteurs de l’espace euclidien R3 suivants:

   
1 1
u =  −1  , v =  0  .
0 1

(1) Donner l’angle θ de u à v orienté par u ∧ v.

(2) Donner l’angle φ de u à v orienté par v ∧ u.

21. Dans chacun des cas suivants, diagonaliser la matrice symétrique donnée par une ma-
trice orthogonale.

5 −4 −2
   
1 1 0
(1)  1 2 1  ; (2)  −4 5 2 ;
0 1 2 −2 2 2
   
2 0 1 0 0 1 1 0
 0 2 0 1   1 −2 2 1 
   
(3)  ; (4)  .
 1 0 2 0   1 2 −2 1 
0 1 0 2 0 1 1 0

22. Déterminer si la transformation linéaire suivante est orthogonale ou non:

   
x1 x 1 − x2 − x3 − x4
4  x2  1 x1 − x2 + x3 + x4 
  
4
T :R →R :  7→  .
 x3  2  x1 + x2 − x3 + x4 
x4 x1 + x2 + x3 − x4

167
23. Dans chacun des cas suivants, trouver la matrice de la transformation linéaire T dans
la base canonique; déterminer si T est orthogonale ou non; et si oui, donner son inverse
en spécifiant la formule sous les coordonnées canoniques.

a − 2b + 2c
   
a
(1) T : R3 → R3 :  b  7→  2a − 2b + c  ;
c −2a + b + 2c
 
2 1 2
 
a a − b + c
3 
 32 3 3

3
(2) T : R → R : b  7→  3 a + 3 b − 13 c 
 2
.
c − 13 a + 23 b + 23 c

7π
24. Soit ρ la rotation du plan d’angle 6
.
(1) Donner la matrice de ρ dans la base canonique {e1 , e2 } de R2 .
(2) Calculer l’image par ρ du rectangle de sommets
       
0 3 0 3
u1 = , u2 = ; u3 = , u4 = .
−1 −1 1 1

25. Donner la rotation de R3 autour de l’axe des z d’angle 2π

3
orienté par e3 .
5π
26. Soit ρ la rotation de R3 autour de l’axe des x d’angle 3
orienté par le vecteur

−1



u =  0 .
0

(1) Donner la matrice de ρ dans base canonique {e1 , e2 , e3 } de R3 .

(2) Calculer l’image par ρ du vecteur suivant
 
2
v =  3 .
−1

27. Soit L la droite vectorielle de R3 engendrée par le vecteur suivant:

 
1
v =  −1 
1

(1) Calculer la rotation ρ de R3 autour de L d’angle 5π 6

orienté par v, c’est-à-dire,
donner la matrice de ρ dans la base canonique {e1 , e2 , e3 }.

168
 (2) Dans un repère caméra initial de R3 , un objet M est situé à la position
 
1
 0 .
1

On tourne la caméra d’angle 5π6

autour du vecteur v. Trouver la position de M
dans le nouveau repère caméra de R3 . Indice: Utiliser le résultat de la partie (1).

28. Dans chacun des cas suivants, trouver la solution à moindres carrés du système:

(1) x − z = 6
2x + y − 2z = 1
x + y = 9
x + y − z = 3;

(2) 2x − z = 0
x − 2y + 2z = 6
2x − y = 0
y − z = 6.

29. Trouver une solution à moindres carrés de chacun des systèmes suivants:

(1) x1 + x2 + 2x4 = 2
x1 − x3 = 5
x2 + x3 + 2x4 = 6
−x1 + x2 − x3 − x4 = 6;

(2) 4x1 + x3 + 5x4 = 9

x1 − 5x2 + x3 − 3x4 = 0
6x1 + x2 + 7x4 = 0
x1 − x2 − 5x3 − 5x4 = 0.

30. Trouver la droite y = a + bx, qui correspond le mieux les données observées suivantes:
       
0 1 2 3
, , , .
2 1 3 6

31. Trouver la courbe quadratique y = a + bx + cx2 , qui correspond le mieux les données
observées suivantes:
       
0 −1 1 2
, , , .
2 6 4 12

169