9782100567331-Leca-C13.

qxd 25/07/11 10:34 Page 58

FICHE 13
Espaces
vectoriels

I Définitions
A. Espaces vectoriels
Soit E un ensemble. On le munit de deux opérations
une addition interne :
+:E×E →E
(
u ,
v ) → u + v
une multiplication externe :
.:R× E → E
(λ,
v ) → λ.
v
On dit que E muni de ces deux opérations est un R-espace vectoriel lorsque les 8
axiomes suivants sont vérifiés :
(A1) ∀u ,
v ,w
 ∈ E, (u + v) + w = u + (v + w)
(A2) ∀u ,
v ∈ E, u + v = v + u

(A3) ∃ 0 tel que ∀ u ∈ E, u + 0 = 0 + u = u
(A4) ∀u ,∃ − u tel que u + (−u ) = −u + u = 0
(A5) ∀α,β ∈ R ∀ u ∈ E, α.(β.
u ) = (α.β).
u
(A6) ∀α ∈ R ∀u ,
v ∈ E, α.(
u + v) = α.
u + α v
(A7) ∀α,β ∈ R ∀ u ∈ E, (α + β).u = α.
u + β. u
(A8) ∀
u ∈ E,1.
u = u

Les éléments u,

v ,... d'un espace vectoriel sont appelés vecteurs, les réels α,β,.. sont
appelés scalaires.

58 Mathématiques pour l’économie

[Link] 25/07/11 10:34 Page 59

1
3
Exemples :
L'ensemble R muni de l'addition et de la multiplication est est un
R-espace vectoriel.
L'ensemble R2 = R × R = { x = (x1 ,x2 )/x1 ∈ R, x2 ∈ R} muni de
l'addition des couples :
+ : R2 × R2 → R2
((x1 ,x2 ),(y1 ,y2 )) → (x1 ,x2 ) + (y1 ,y2 ) = (x1 + y1 ,x2 + y2 )
et de la multiplication par un réel :
. : R × R2 → R2
(λ,(x1 ,x2 )) → λ.(x1 ,x2 ) = (λx1 ,λx2 )
est est un R-espace vectoriel.
Même chose pour Rn.
L'ensemble C muni de l'addition des complexes et de la multiplication
par un réel est un R-espace vectoriel.

B. Combinaisons linéaires
• Soit u1 ,
u 2 ,...,
u n ∈ E . On appelle combinaison linéaire des vecteurs u1 ,
u 2 ,...,
un
tout vecteur v de la forme
v = α1 u1 + α2 u2 + ... + αn un
où α1 ,α2 ,...,αn ∈ R .
• Si S = { u 1 ,
u 2 ,...,
u n } , on note L(S) l'ensemble des combinaisons linéaires des
vecteurs de S

Exemple :
© Dunod – La photocopie non autorisée est un délit.

Soit u1 = (1,−3), u2 = (2,5).

Le vecteur v = (1,−14) = 3(1,−3) − (2,5) = 3 u 1 − u2 est une combi-
naison linéaire de u1 ,u 2.
Soit u1 = (1,0), u2 = (0,1).
v = (4,6) = 4(1,0) + 6(0,1) = 4
u 1 + 6
u 2 est une combinaison linéai-
re de u1 ,
 
u 2.

C. Sous-espaces vectoriels
• Soit E un espace vectoriel. Soit A ⊂ E, A = ∅. On dit que A est un sous-espace
vectoriel de E lorsque A est lui-même un espace vectoriel.
• A est un sous-espace vectoriel de E si et seulement si

FICHE 13 – Espaces vectoriels 59

[Link] 25/07/11 10:34 Page 60

∀
u ,
v ∈ A, u + v ∈ A
et
∀α ∈ R,∀
u ∈ A, α.
u∈A
c'est-à-dire si et seulement si l'addition interne et la multiplication externe sont
stables dans A.

Exemples :
E = R3, A = { u = (x,y,z) t.q. 3x + 5y − z = 0} .
A = ∅, en effet (0,0,0) ∈ A .
v = (x  ,y  ,z  ) ∈ A, u + v = (x + x  ,y + y  ,z + z  ) et
Soit u = (x,y,z),
3(x + x ) + 5(y + y  ) − (z + z  ) = (3x + 5y − z) + (3x  + 5y  − z  )


= 0 + 0 = 0 . Donc u + v ∈ A. Soit α ∈ R, et u ∈ A.
α.
u = (αx,αy,αz) et 3(αx) + 5(αy) − (αz) = α(3x + 5y − z) = 0 .
Donc α. u ∈ A.
D'où A est un sous-espace vectoriel de R3.
E = R3, A = { u = (x,y,z)/x + 2y + 5z = 2}
(0,0,0) ∈/ A donc A n'est pas un sous-espace vectoriel de R3.

• Soit S = {u 1 ,u 2 ,...,u n } un système de vecteurs d'un espace vectoriel E. L(S), l'en-

semble des combinaisons linéaires des vecteurs de S est un sous-espace vecto-
riel de E.
• L'intersection de deux sous-espaces vectoriels est encore un sous-espace vectoriel.
C'est faux pour l'union.

D. Système libre
• u 1 ,
Soit { u 2 ,...,
u n } un système de vecteurs de E. On dit que ce système est libre
lorsque ∀α1 ,α2 ,...,αn ∈ R , l'implication suivante est vraie :
α1 u1 + α2 u2 + ... + αn un = 0 ⇒ α1 = α2 = ... = αn = 0
On dit aussi : les vecteurs u1 ,
u 2 ,...,
u n sont linéairement indépendants.
• Un système qui n'est pas libre est dit lié. On dit aussi : ses vecteurs sont linéaire-
ment dépendants. Donc
• Un système est dit lié lorsque α1 u1 + α2 u2 + ... + αn un = 0 ET α1 ,α2 ,...,αn non
tous nuls.

Exemples :

Soit u1 = (1,2), u2 = (−2,3).

60 Mathématiques pour l’économie

[Link] 25/07/11 10:34 Page 61

1
3
α1 u1 + α2 u2 = 0 ⇒ α1 (1,2) + α2 (−2,3) = (0,0)
⇒ (α1 − 2α2 ,2α1 + 3α2 ) = (0,0)

α1 − 2α2 = 0
⇒ ⇒ α1 = α2 = 0 .
2α1 + 3α2 = 0
Donc le système de vecteurs est libre.
Soit u1 = (1,2,0), u2 = (−5,3,1) u3 = (4,3,−1).
α1 u1 + α2 u2 + α3 u3 = 0
⇒ α1 (1,2,0) + α2 (−5,3,1) + α3 (4,3,−1) = (0,0,0)

α1 − 5α2 + 4α3 = 0
⇒ 2α1 + 3α2 + 3α3 = 0 ⇒ α1 = α2 = α3 = 0 .
α2 − α3 = 0
Donc le système de vecteurs est libre.
Soit u1 = (4,1,6), u2 = (−2,1/2,3) u3 = (1,3/4,9/2) .
α1 u1 + α2 u2 + α3 u3 = 0 s'écrit sous forme de système linéaire

4α1 − 2α2 + α3 = 0
α1 + (1/2)α2 + (3/4)α3 = 0
6α1 + 3α2 + (9/2)α3 = 0
La résolution du système linéaire donne α1 = α2 = (−1/2)α3 . Ainsi
pour α1 = 1 = α2 et α3 = −2 on a u1 + u2 − 2 u 3 = 0 combinaison
linéaire nulle sans que tous les coefficients ne soient nuls donc le systè-
me de vecteurs est lié.

E. Système générateur
Soit {
u 1 ,
u 2 ,...,
u n } un système de vecteurs de E. On dit que ce système est générateur
© Dunod – La photocopie non autorisée est un délit.

de E lorsque tout vecteur de E s'écrit comme combinaison linéaire des vecteurs du

système c'est-à-dire ∀ v ∈ E, ∃ α1 ,α2 ,...,αn tel que
v = α1 u1 + α2 u2 + ... + αn un

Exemples :
Soit E = R2 . u1 = (1,0), u2 = (0,1). Tout vecteur v = (x,y)de R2
s'écrit v = (x,y) = x(1,0) + y(0,1). Donc le système { u 1 ,
u 2 } est géné-
rateur de R .2

Soit E = R3. u1 = (1,0,1), u2 = (0,1,1), u3 = (1,1,1) . Montrons que
tout vecteur v = (x,y,z) de R3 s'écrit
v = (x,y,z) = α1 u1 + α2 u2 + α3 u3 .

FICHE 13 – Espaces vectoriels 61

[Link] 25/07/11 10:34 Page 62

On trouve α1 ,α2 ,α3 en résolvant le système linéaire suivant :


α1 + α3 = x
α2 + α3 = y
α1 + α2 + α3 = z
ce qui donne α1 = z − y, α2 = z − x, α3 = x + y − z
On a donc
(x,y,z) = (z − y)(1,0,1) + (z − x)(0,1,1) + (x + y − z)(1,1,1) .
Donc le système {
u 1 ,
u 2 ,
u 3 } est générateur de R3.

F. Base d'un espace vectoriel

• u 1 ,
Soit { u 2 ,...,
u n } un système de vecteurs de E. On dit que ce système est une base
de E lorsqu'il est à la fois libre et générateur de E.

Exemples :
Soit E = R2. u1 = (1,0), u2 = (0,1).
Le système { u 1 ,
u 2 } forme une base de R2 car il est à la fois libre (à mon-
trer) et générateur de R2 (déjà montré).On l'appelle la base canonique
de R2.
De même le système { u 1 ,
u 2 ,
u 3 } où u1 = (1,0,0),
u 2 = (0,1,0),
u3 = (0,0,1) forme une base de R3 car il est à la fois libre et générateur
de R3. On l'appelle la base canonique de R3. Le système { u 1 ,
u 2 ,
u 3 } où
u1 = (1,0,1), u2 = (0,1,1), u3 = (1,1,1) , forme une base de R3 car il
est à la fois libre (à montrer) et générateur de R3 (déjà montré).

• Un système de vecteurs de E, { u 1 ,
u 2 ,...,
u n } est une base de E si et seulement si
tout vecteur de E s'écrit de façon unique comme combinaison linéaire des vecteurs
du système.
Soit v ∈ E, v s'écrit de manière unique
v = α1 u1 + α2 u2 + ...αn un
Les nombres α1 ,α2 ,...,αn s'appellent les composantes du vecteur v dans la base
{
u 1 ,
u 2 ,...,
u n }.
On pose
 
α1
 α2 
V = 
...
αn
appelé matrice colonne ou vecteur colonne associé à v dans la base {
u 1 ,
u 2 ,...,
u n }.

62 Mathématiques pour l’économie

[Link] 25/07/11 10:34 Page 63

1
3
II L'essentiel à savoir
• Soit {u 1 ,
u 2 ,...,u n } une base de E et {v1 ,
v2 ,...,
v p } un système de vecteurs de E.
Si {
v1 ,
v2 ,..., v p } est libre, alors p
n .
Si {
v1 ,
v2 ,..., v p } est libre et p = n, alors {v1 ,
v2 ,...,v p } est une base de E.
Si {
v1 ,
v2 ,..., v p } est générateur de E, alors p  n .
Si {
v1 ,
v2 ,..., v p } est générateur de E et p = n, alors { v1 ,
v2 ,...,
v p } est une base de E.
Sachant qu'une base de R3 contient 3 vecteurs (la base canonique par exemple),
pour montrer que 3 vecteurs de R3 forment une base il suffit donc de montrer qu'ils
forment un système libre ou qu'ils forment un système générateur de R3.

Exemple :
Considérons le système { u 1 ,
u 2 ,
u 3 } où u1 = (5,−2,1), u2 = (9,1,4),
u3 = (−1,6,−1) . Pour montrer que ce système est une base de R3 il
suffit de montrer qu'il est libre.

• Toutes les bases d'un espace vectoriel E contiennent le même nombre de vecteurs.
Ce nombre s'appelle la dimension de E. dim R2 = 2, dim R3 = 3, dim Rn = n .
• On appelle rang d'un système S de vecteurs le nombre maximal de vecteurs linéai-
rement indépendants que l'on peut extraire de ce système ou encore rang S = dim
L(S)

Exemple :
rang {(1,3,6),(2,6,12),(3,1,18)} = 2.

Application
É n o n c é 1
Soit A = {a = (x,y,z) ∈ R /x + y − z = λ} .
3

a) Donner une condition nécessaire sur λ ∈ R pour que A soit un sous-espace

vectoriel de R3.
On suppose désormais que λ = 0.
b) Démontrer que A = L(S) où S = { u ,
v } avec u et v deux vecteurs de R3 que
l'on déterminera.
c) En déduire que A est un sous-espace vectoriel de R3 et en donner la dimen-
sion.

FICHE 13 – Espaces vectoriels 63

[Link] 25/07/11 10:34 Page 64

S o l u t i o n 1
a) Une condition nécessaire pour que A soit un sous-espace vectoriel de R3 est
0R3 = (0,0,0) ∈ A . Donc λ = 0.
b) a = (x,y,z) ∈ A ⇔ a = (x,y,x + y) ⇔ a = x u + y v avec u = (1,0,1) et
v = (0,1,1).
c) A = L(S) et L(S) est un sous-espace vectoriel. dim A = 2 car S forme une base de
L(S). En effet S est générateur de L(S) par définition et S = {(1,0,1),(0,1,1)} est
libre.

É n o n c é 2

a) Donner une condition nécessaire et suffisante pour que les vecteurs u = (a,b)
et v = (c,d) forment un système libre de R2.
b) En déduire {
u ,
v } libre si et seulement si {
u + v,
u − v} libre.

S o l u t i o n 2

a = γc
a) { v } lié ⇔ u = γ v ⇔
u , ⇔ ad = bc .
b = γd
On en déduit { u ,
v } libre ⇔ ad − bc = 0.
b) u = (a,b), v = (c,d), u + v = (a + c,b + d), u − v = (a − c,b − d) .
{
u + v, u − v} libre ⇔ (a + c)(b − d) − (b + d)(a − c) = 0
⇔ 2(ad − bc) = 0 ⇔ { u ,
v } libre.

E n o n c é 3

a) Montrer que l'ensemble A = { a = (x, y, z, t) ∈ R4 /6x − y + 10z + t = 0} est

un sous-espace vectoriel de R .
4

b) Déterminer une base de cet espace.

c) Quelle est la dimension de cet espace?

S o l u t i o n 3
a) A = ∅, en effet (0, 0, 0, 0) ∈ A.
Soit u = (x, y, z, t) ∈ A et v = (x  , y  , z  , t  ) ∈ A.
Donc 6x − y + 10z + t = 0 et 6x  − y  + 10z  + t  = 0.

64 Mathématiques pour l’économie

[Link] 25/07/11 10:34 Page 65

1
3
u + v = (x + x  , y + y  , z + z  , t + t  ) et 6(x + x  ) − (y + y  ) + 10(z + z  ) + (t + t  )
= (6x − y + 10z + t) + (6x  − y  + 10z  + t  ) = 0 + 0 = 0 . Donc u + v ∈ A.
Soit α ∈ R et u ∈ A.
α.u = (αx, αy, αz) et 6(αx) − (αy) + 10(αz) + (αt) = α(6x − y + 10z + t) = 0 .
Donc α. u ∈ A.
D'où A est un sous-espace vectoriel de R4.
b) A = { a = (x,y,z,t) ∈ R4 /6x − y + 10z + t = 0}
= {
a = (x,y,z,t) ∈ R4 /y = 6x + 10z + t}
= {
a = (x,6x + 10z + t,z,t), x ∈ R, z ∈ R, t ∈ R}
= {
a = x(1,6,0,0) + z(0,10,1,0) + t (0,1,0,1) x ∈ R,z ∈ R,t ∈ R} .
Donc {(1,6,0,0), (0,10,1,0), (0,1,0,1)} est un système générateur deA. De plus il est
libre. Donc c'est une base.
(Libre car : α1 (1,6,0,0) + α2 (0,10,1,0) + α3 (0,1,0,1) = (0,0,0,0) implique
α1 = α2 = α3 = 0)
c) dimA = 3 car il y a 3 vecteurs dans la base ci-dessus.
© Dunod – La photocopie non autorisée est un délit.

FICHE 13 – Espaces vectoriels 65

[Link] 25/07/11 10:34 Page 66

Applications FICHE 14
linéaires

I Définitions
E et F désignent deux espaces vectoriels.
• Une application f : E −→ F est dite linéaire lorsque :
(i) ∀
u ,
v ∈ E, f (
u + v) = f (
u ) + f (
v)
et
u ∈ E,∀λ ∈ R, f (λ
(ii) ∀ u ) = λ f (
u)
On peut résumer les deux conditions précédentes en une seule qui est :
∀ v ∈ E, ∀λ,β ∈ R, f (λ
u , u + β v) = λ f (
u ) + β f (
v)

Exemple :
L’application f : R −→ R telle que f (x) = 5x est linéaire.
L’application f : R −→ R telle que f (x) = x 2 n’est pas linéaire.
L’application f : R2 −→ R3 telle que f (x,y) = (5x,3x − y,x + y) est
linéaire. En effet :
∀u = (x,y), v = (x ,y ) ∈ R2 , f (
u + v)= f (x + x ,y + y )
= (5(x + x ),3(x + x ) − (y + y ),(x + x ) + (y + y ))
= (5x,3x − y,x + y) + (5x ,3x − y ,x + y ) = f ( u ) + f (
v ) . (i)
est vérifiée.
∀u = (x,y) ∈ R2 ,∀λ ∈ R, f (λ u ) = f (λx,λy)
= (5λx,3(λx − λy),λx + λy) = λ f (x,y) = λ f ( u ). (ii) est vérifiée.

II L’essentiel à savoir
A. Opérations sur les applications linéaires
• La somme de deux applications linéaires est une application linéaire.
• Le produit d’une application linéaire par un réel est une application linéaire.

66 Mathématiques pour l’économie

[Link] 25/07/11 10:34 Page 67

1
4
• L’ensemble des applications linéaires de E dans F muni de l’addition et de la mul-
tiplication par un réel est un espace vectoriel. On le note L(E,F) .
• La composée de deux applications linéaires est une application linéaire.

B. Isomorphisme
• Une application linéaire bijective d’un espace vectoriel E dans Rn est dite isomor-
phisme de E dans Rn.
• Tout espace vectoriel de dimension n est isomorphe à Rn.

C. Noyau d’une application linéaire

• On appelle noyau de l’application linéaire f l’ensemble, noté K er f des vecteurs
de E qui ont pour image le vecteur nul 0 F de F :
K er f = { u ) = 0 F }
u ∈ E/ f (
• K er f est un sous-espace vectoriel de E.

Exemple :
Soit f : R3 −→ R3 telle que f (x,y,z) = (x − z,3x + 3y,x + y) . f est
une application linéaire. K er f = {
u = (x,y,z) ∈ R3 / f (  = {
u ) = 0} u
= (x,y,z) ∈ R3 /(x − z,3x + 3y,x + y) = (0,0,0)} .
Il faut donc résoudre le système linéaire suivant :

x −z =0
3x + 3y = 0
x+y=0
ce qui donne z = x, y = −x.
K er f = {u = (x,y,z) ∈ R3 /z = x, y = −x}
© Dunod – La photocopie non autorisée est un délit.

= {
u = (x,−x,x), x ∈ R} = { u = x(1,−1,1), x ∈ R}.

D. Image d’une application linéaire

• On appelle image de l’application linéaire f l’ensemble, noté I m f ou f (E), des
images par f des vecteurs de E :
I m f = {
v = f (
u ), u ∈ E}
• I m f est un sous-espace vectoriel de F.
• Soit {u 1 ...,
u n }, une base de E.
I m f = { v = f (α1 u1 + .. + αn un ) = α1 f (
u 1 ) + .. + αn f (
u n )} donc I m f est
engendré par { f ( u 1 ),.., f (
u n )}.

FICHE 14 – Applications linéaires 67

[Link] 28/07/11 7:35 Page 68

• Soit {
u 1 ...,
u n }, une base de E.
Le nombre rang f = rang{ f ( u 1 ),.., f (
u n )} = dim I m f est appelé le rang de l’ap-
plication linéaire f.

E. Théorème des dimensions

(ou Théorème du rang)
Pour toute application f ∈ L(E,F)
dim K er f + dim I m f = dim E

F. Résultats importants
•  si et seulement si f injective.
K er f = {0}
• I m f = F si et seulement si f surjective.
• dim I m f = dim E = dim F si et seulement si f bijective.
• Soit { an }, une base de E, et {b1 ...,bn }, un système quelconque de vecteurs de
a1 ...,
F. Alors
il existe une unique application linéaire f telle que f ( a1 ) = b1 ,.., f (
an ) = bn .
f est injective si et seulement si {b1 ...,bn } est libre.
f est surjective si et seulement si {b1 ...,bn } est générateur de F.
f est bijective si et seulement si {b1 ...,bn } est une base de F.

Application
É n o n c é 1
Soit f ∈ L(R ,R ) telle que :
3 2


f (1,0,1) = (1,2)
f (0,1,1) = (1,0) (1)
f (a,0,1) = (−1,1)

a) Pour quelles valeurs de a ∈ R l’application linéaire f telle que (1) est unique?
b) f peut-elle être injective ? surjective ?
c) Pour a = 0, calculer f (x,y,z) et rang f. Définir K er f.

68 Mathématiques pour l’économie

[Link] 25/07/11 10:34 Page 69

1
4
S o l u t i o n 1
a) f est unique si et seulement si les vecteurs {(1,0,1),(0,1,1),(a,0,1)} forment une
base de R3. Ce qui est le cas pour a = 1.
b) f ne peut pas être injective car d’après le théorème :
dim I m f + dim K er f = dim R3 = 3 or dim I m f
2 car I m f ⊂ R2 .
D’où dim K er f  1 et on sait que f injective ⇔ dim K er f = 0.
f est surjective car {(1,2),(1,0),(−1,1)} est générateur de R2.

c) Le système {(1,0,1),(0,1,1),(0,0,1)} est une base de R3 (voir a) et pour tout

(x,y,z) ∈ R3 on a (x,y,z) = x(1,0,1) + y(0,1,1) + (z − x − y)(0,0,1) .
Il en résulte f (x,y,z) = f (x(1,0,1) + y(0,1,1) + (z − x − y)(0,0,1))
= x f (1,0,1) + y f (0,1,1) + (z − x − y) f (0,0,1)
= x(1,2) + y(1,0) + (z − x − y)(−1,1) .
D’où f (x,y,z) = (2x + 2y − z,x − y + z)
rang f = rang {(1,2),(1,0),(−1,1)} = 2
u = (x,y,z) ∈ R3 / f (x,y,z)
K er f = {
= (0,0)} = {
u = (x,y,z) ∈ R3 /(2x + 2y − z,x − y + z) = (0,0)}

2x + 2y − z = 0
x −y+z =0
ce qui donne y = −3x, z = −4x
d’où K er f = {
u = α(−1,3,4)/α ∈ R}.
© Dunod – La photocopie non autorisée est un délit.

É n o n c é 2
Soit l’application
ϕ: R2 −→ R3
(x,y) → ϕ(x,y) = x u + y v
où u,
v sont des vecteurs de R3, donnés.
a) ϕ est-elle une application linéaire ?
b) ϕ peut-elle être injective ? surjective ?
c) Donner une condition nécessaire et suffisante pour que ϕ soit injective.
d) Soit u = (1,1,1) et v = (2,2,2). Déterminer K erϕ.

FICHE 14 – Applications linéaires 69

[Link] 25/07/11 10:34 Page 70

S o l u t i o n 2
a) oui
b) ϕ peut être injective mais non surjective. On utilise le théorème des dimensions
dim I mϕ + dim K erϕ = 2 (1).
ϕ surjective ⇒ I mϕ = R3 ⇒ dim I mϕ = 3 ce qui est impossible d’après (1) sachant
que dim K erϕ  0.
c) ϕ injective si et seulement si {
u ,
v } libre.
d) K erϕ = { 
a = (x,y)/ϕ(x,y) = 0} = { a = (x,y)/(x + 2y,x + 2y,x + 2y)
= (0,0,0)} = { a = (x,y)/x + 2y = 0} = { a = x(1,−1/2)/x ∈ R} .

É n o n c é 3
Soit l’application
ϕ: R3 −→ R2
(x,y,z) → ϕ(x,y,z) = x u + y v + z w


où u,
v ,w
 sont des vecteurs de R2, donnés.
a) Démontrer que ϕ ∈ L(R3 ,R2 ).
b) ϕ peut-elle être injective ? surjective ?
c) Donner une condition nécessaire et suffisante pour que ϕ soit surjective.
d) Soit u = (1,2), v = (3,4) et w
 = (5,6). Déterminer I mϕ et K erϕ.

S o l u t i o n 3
a) Aucune difficulté.
b) D’après le théorème des dimensions dim I mϕ + dim K erϕ = 3 , dim I mϕ
2 car
I mϕ ⊂ R2 d’où dim K erϕ  1 et donc ϕ ne peut pas être injective. Par contre ϕ peut
être surjective.
c) dim I mϕ = 2 ⇔ ϕ surjective.
d) {
u ,  est l’image (par ϕ) du système {i, j,k}
v ,w}  base canonique de R3.
Rang{ u ,
v ,w}
 = 2 d’où I mϕ = R 2

K erϕ = { a = (x,y,z)/ϕ( 
a ) = 0}
= { a = (x,y,z)/(x + 3y + 5z,2x + 4y + 6z) = (0,0)}

x + 3y + 5z = 0
2x + 4y + 6z = 0
d’où y = −2x, z = x
K erϕ = {
a = x(1,−2,1)/x ∈ R}

70 Mathématiques pour l’économie

[Link] 28/07/11 7:37 Page 71

1
4
E n o n c é 4
Soit f une application de R3 dans R3 telle que :
f (
u ) = f (x, y, z) = (x + y − z, x + z, 2x − 2y − 3z).
a) Montrer que f est une application linéaire de R3 dans R3.
b) f est-elle injective? surjective? bijective?
c) Déterminer Ker f et f (R3 ).

S o l u t i o n 4
a = (x,y,z) , b = (x  ,y  ,z  ) ∈ R3 , f (
a) ∀  = f (x + x  ,y + y  ,z + z  )
a + b)
= ((x +x  ) + (y + y  ) − (z +z  ),(x +x  ) + (z +z  ),2(x +x  ) − 2(y + y  ) − 3(z +z  ))
= (x + y − z, x + z, 2x − 2y − 3z) + (x  + y  − z  , x  + z  , 2x  − 2y  − 3z  )
= f ( 
a ) + f (b).
∀a = (x,y,z) ∈ R3 , ∀λ ∈ R, f (λ a ) = f (λx,λy,λz)
= (λx + λy − λz,λx + λz,2λx − 2λy − 3λz) = λ f (x,y,z) = λ f ( a ).
Donc f est une application linéaire de R3 dans R3 .
b) On considère la base canonique de R3 : {(1,0,0), (0,1,0), (0,0,1)}
f (1,0,0) = (1,1,2), f (0,1,0) = (1,0,−2), f (0,0,1) = (−1,1,−3).
Soit S = {(1,1,2), (1,0,−2), (−1,1,−3)}.
α1 (1,1,2) + α2 (1,0,−2) + α3 (−1,1,−3) = (0,0,0) .
α1 + α2 − α3 = 0
α1 + α3 = 0
2α1 − 2α2 − 3α3 = 0.
La résolution de ce système donne α1 = α2 = α3 = 0 donc S est libre donc f est injec-
tive.
© Dunod – La photocopie non autorisée est un délit.

Or f : E → F où E = R3 et F = R3 donc dim E = dim F = 3 . Donc f injective ⇔ f

surjective. Donc f bijective.
 car f injective et f (R3 ) = R3 car f surjective.
c) Ker f = {0}

FICHE 14 – Applications linéaires 71

[Link] 25/07/11 10:35 Page 72

FICHE 15
Matrices

I Définitions
• Un tableau de m × n nombres réels disposés en m lignes et n colonnes est dit
matrice de format (m,n) .
On note
 
a11 ... a1 j ... a1n
 . . . . 
 
 . . . . 
 
 . . . . 
 
A = A(m,n) = (ai j ) i=1,...,m =  ai1 ... ai j ... ain 
j=1,...,n  
 . . . . 
 
 . . . . 
 
. . . .
am1 ... am j ... amn
ai j est le nombre situé à la i-ième ligne et j-ième colonne de la matrice A.
Lorsqu’il n’y a pas d’ambiguïté sur m et n, on pourra noter A = (ai j ).

Exemples :
   
−2 1 −2
A =  8 −3  est une matrice (3,2), A =  −3  est une
1 3 5
matrice (3,1)

3 −1
A = ( 3 −1 6 5 ) est une matrice (1,4), A = est une
4 −3
matrice (2,2),

• Une matrice (m,1) est dite matrice colonne

• Une matrice (1,n) est dite matrice ligne
• Une matrice (n,n) est dite matrice carrée d'ordre n

72 Mathématiques pour l’économie

[Link] 25/07/11 10:35 Page 73

1
5
• Une matrice carrée d'ordre n est dite matrice diagonale lorsque ai j = 0 si i = j.

Exemple :
 
−2 0 0
A =  0 −3 0 
0 0 4

• La matrice unité In est la matrice diagonale telle que ∀i = 1,..,n, aii = 1

Exemple :
 
1 0 0
I3 =  0 1 0 
0 0 1

• La matrice nulle θn est la matrice carrée d'ordre n dont tous les coefficients sont
nuls

Exemple :
 
0 0 0
θ3 =  0 0 0 
0 0 0

• La matrice transposée de A, notée A T , est la matrice dont les lignes sont les
colonnes de A (et les colonnes sont les lignes de A). En notant A T = (aiTj ) on a
aiTj = a ji .

Exemple :
 
−2 1 
−2 8 1
© Dunod – La photocopie non autorisée est un délit.

soit A =  
8 −3 alors A =
T
1 −3 3
1 3

• La trace d’une matrice carrée d’ordre n est la somme de ses termes diagonaux.

II L'essentiel à savoir
A. Opérations sur les matrices
• Égalité de deux matrices de même format
Soit A et B deux matrices de format (m,n) , A = (ai j ), B = (bi j ).
A = B si et seulement si ai j = bi j.

FICHE 15 – Matrices 73
[Link] 25/07/11 10:35 Page 74

• Addition de deux matrices de même format

Soit A et B deux matrices de format (m,n) .
A + B = (ai j + bi j ) i=1,...,m .
j=1,...,n

Exemple :
 
−1 5 1 3 2 8
Soit A = et B =
2 3 4 −4 1 2

2 7 9
Alors A + B =
−2 4 6

• Produit d'une matrice par un scalaire

Soit λ ∈ R , λA = (λai j ) i=1,...,m .
j=1,...,n
 
−1 5 1 −3 15 3
Soit A = et λ = 3, Alors λA =
2 3 4 6 9 12
• Produit de deux matrices
Le produit AB de deux matrices A et B n'est défini que si le nombre de colonnes
de A est égal au nombre de lignes de B.
Soit A(m, p) = (ai j ) i=1,...,m et B( p,n) = (bi j ) i=1,..., p .
j=1,..., p j=1,...,n
Alors AB(m,n) = (ci j ) i=1,...,m avec
j=1,...,n
p
ci j = aik bk j
k=1

Exemple :
 
 2 −2 1 4
−1 5 1
Soit A = et B =  −3 6 8 −1 
2 3 4
5 2 1 −2

−12 34 40 −11
alors AB =
15 22 30 −3
A est de format (2,3), B de format (3,4) d'où AB est de format (2,4).
Par exemple : Pour obtenir le terme c21 = 15 on a calculé
c21 = k=1 a2k bk1 = a21 b11 + a22 b21 + a23 b31
3

c21 = 2 × 2 + 3 × (−3) + 4 × 5 = 15 .

Remarque : dans cet exemple le produit B A n'existe pas .

74 Mathématiques pour l’économie

[Link] 25/07/11 10:35 Page 75

1
5
• le produit de deux matrices n'est pas commutatif. Lorsque AB et B A existent, en
général AB = B A :
Exemple :
 
2 3 1 0
Soit A = et B = ,
1 0 2 1
 
8 3 2 3
AB = , BA = , AB = B A
1 0 5 6

• le produit est distributif par rapport à l'addition.

A(B + C) = AB + AC et (B + C)A = B A + C A
• le produit est associatif
ABC = A(BC) = (AB)C
• Soit A(m,n) alors
AIn = A et Im A = A
• Un produit de deux matrices peut être nul sans qu'aucune des deux matrices ne soit
la matrice nulle.
Exemple
   
1 0 −1 0 0 0
 2 0 −1  ×  2 −1 8  = θ3
3 0 0 0 0 0

B. Matrices et systèmes linéaires

Grâce au produit matriciel on peut représenter un système linéaire par une équation
matricielle.
© Dunod – La photocopie non autorisée est un délit.

Soit le système linéaire de n équations et n inconnues :



 a11 x1 + a12 x2 + ...a1n xn = b1

a21 x1 + a22 x2 + ...a2n xn = b2

 .... ...

an1 x1 + an2 x2 + ...ann xn = bn

On peut le représenter par

AX = B
     
a11 a12 ... a1n x1 b1
 a21 ... ... ...   x2   b2 
avec A = 
 ...
, X =  , B =  
...   .   . 
an1 ... ... ann xn bn

FICHE 15 – Matrices 75
[Link] 25/07/11 10:35 Page 76

C. Matrices Inversibles
• Une matrice carrée d'ordre n est dite inversible lorsqu'il existe une matrice B telle
que AB = In .
Dans ce cas B est noté A−1.
• Pour calculer l'inverse d'une matrice carrée A d'ordre 3 inversible on peut appli-
quer la méthode suivante :
On note
 
x a α
A−1 =  y b β 
z c γ
et on résout A A−1 = I3 en résolvant les 3 équations matricielles suivantes (qui cor-
respondent à 3 systèmes linéaires) :
           
x 1 a 0 α 0
A y  = 0, Ab = 1, Aβ  = 0.
z 0 c 0 γ 1

D. Espace vectoriel des matrices

• On note M(m,n) l'ensemble des matrices de format (m,n) . Muni de l'addition des
matrices et de la multiplication d'une matrice par un scalaire, M(m,n) est un
R-espace vectoriel de dimension m × n .

Exemple :
M(2,2) est un espace vectoriel de dimension 4. Une base est formée des
matrices (2,2) ayant tous leurs cofficients nuls sauf un qui vaut 1.
   
1 0 0 1 0 0 0 0
, , ,
0 0 0 0 1 0 0 1

E. Matrices et applications linéaires

Soit E un espace vectoriel de dimension n et {e1 ,...,en } une base de E.
Soit F un espace vectoriel de dimension m et { f 1 ,..., f m } une base de F.
Soit ϕ : E −→ F une application linéaire.
Pour tout i = 1,...,n, notons c1i ,..,cmi les composantes du vecteur ϕ(ei ) dans la base
{ f 1 ,..., f m } de F :

76 Mathématiques pour l’économie

[Link] 25/07/11 10:35 Page 77

1
 

5
c11 ... c1i ... c1n
ϕ(e1 ) = c11 f 1 + ... + cm1 f m  c21 ... c2i ... c2n 
 
ϕ(e2 ) = c12 f 1 + ... + cm2 f m  ... ... 
d’où A =  c31 c3i c3n 
... ...  .. .. 
 . . 
ϕ(en ) = c1n f 1 + ... + cmn f m
cm1 ... cmi . . . cmn

A, matrice dont les colonnes sont les composantes des vecteurs ϕ(ei ) pour i = 1,..,n ,
est la matrice qui représente ϕ dans les bases {e1 ,...,en }, { f 1 ,..., f m }.
D'autre part à toute matrice on peut associer une application linéaire.

Exemple :
Soit ϕ : R2 −→ R3 telle que
ϕ(u) = ϕ(x,y) = (x + y,3x − 5y,6x + 8y) .
La matrice A représentant ϕ dans les bases canoniques de R2 et R3 a
pour première colonne les composantes de ϕ(1,0) dans la base cano-
nique de R3 et pour deuxième colonne celles de ϕ(0,1) dans la base
canonique de R3 .
ϕ(1,0) = (1,3,6) = 1(1,0,0) + 3(0,1,0) + 6(0,0,1)
ϕ(0,1) = (1,−5,8) = 1(1,0,0) − 5(0,1,0) + 8(0,0,1)
 
1 1
A =  3 −5 
6 8

Soit u ∈ E et v = ϕ(u) ∈ F.
© Dunod – La photocopie non autorisée est un délit.

Soit U la matrice colonne de u dans la base de E et V la matrice colonne de v dans la

base de F.
ϕ(u) = v si et seulement si AU = V.

FICHE 15 – Matrices 77
[Link] 25/07/11 10:35 Page 78

Application
É n o n c é 1
Soit ϕ : R2 −→ R3 telle que ϕ(u) = ϕ(x,y) = (x + y,x − y,y − x) .
a) Déterminer la matrice de ϕ dans la base canonique de R2 et la base { f 1 , f 2 , f 3 }
de R3 avec f 1 = (1,0,1), f 2 = (0,1,1), f 3 = (1,1,1) .
b) Même question quand on choisit la base canonique de R2 et la base canonique
de R3.

S o l u t i o n 1
a) ϕ(1,0) = (1,1,−1) = −2 f 1 − 2 f 2 + 3 f 3
ϕ(0,1) = (1,−1,1) = 2 f 1 + 0 f 2 − 1. f 3
d'où la matrice A dans les bases choisies
 
−2 2
A =  −2 0 
3 −1
b) Si on choisit les bases canoniques alors :
 
1 1
A =  1 −1 
−1 1

É n o n c é 2
On considère la matrice

−2 −2 3
A=
2 0 −1
Déterminer l'application linéaire ϕ ∈ L(R3 ,R2 ) dont la matrice est A dans les bases
suivantes : { f 1 , f 2 , f 3 } de R3 avec f 1 = (1,0,1), f 2 = (0,1,1) f 3 = (1,1,1) et {e1 ,e2 }
base canonique de R2.

S o l u t i o n 2
Déterminer ϕ c'est calculer ϕ(x,y,z).
ϕ(x,y,z) = ϕ[(z − y) f 1 + (z − x) f 2 + (x + y − z) f 3 ]
= (z − y)ϕ( f 1 ) + (z − x)ϕ( f 2 ) + (x + y − z)ϕ( f 3 ) car ϕ linéaire

78 Mathématiques pour l’économie

[Link] 25/07/11 10:35 Page 79

1
5
= (z − y)[−2e1 + 2e2 ] + (z − x)[−2e1 + 0e2 ] + (x + y − z)[3e1 − 1e2 ]
= (z − y)(−2,2) + (z − x)(−2,0) + (x + y − z)(3,−1)
= (5x + 5y − 7z,−x − 3y + 3z).

É n o n c é 3
Calculer l'inverse de la matrice inversible A suivante :
 
2 2 1
A= 0 1 0
−1 −2 0

S o l u t i o n 3
On pose
 
x a α
A−1 =y b β
z c γ
et on résout A A−1 = I3 c'est-à-dire
    
2 2 1 x a α 1 0 0
 0 1 0 y b β  = 0 1 0
−1 −2 0 z c γ 0 0 1
ce qui revient à résoudre les 3 systèmes linéaires :
  
 2x + 2y + z = 1  2a + 2b + c = 0  2α + 2β + γ = 0
y=0 , b=1 , β=0
  
© Dunod – La photocopie non autorisée est un délit.

−x − 2y = 0 −a − 2b = 0 −α − 2β = 1
Finalement on obtient :
 
0 −2 −1
A−1 = 0 1 0 
1 2 2

E n o n c é 4
   
2 6 −2 −4 6 −2

On considère les matrices A = −2 6 2  et B =  −2 0 2 .
−1 −3 10 −1 −3 4
a) Déterminer le réel a tel que A = a I + B. Calculer B 2 et B 3 .

FICHE 15 – Matrices 79
[Link] 25/07/11 10:35 Page 80

n(n − 1)a n−2 2

b) Montrer que ∀n ∈ N , An = a n I + na n−1 B + B .
2
c) A l'aide de la formule du binôme de Newton, retrouver la valeur de An .

S o l u t i o n 4
   
2 6 −2 −4 6 −2
a) A = a I + B ⇔ a I = A − B =  −2 6 2  −  −2 0 2 
−1 −3 10 −1 −3 4
 
6 0 0
=  0 6 0  = 6I ⇒ a = 6.
0 0 6
   
6 −18 12 0 0 0
Après calcul on trouve, B 2 =  6 −18 12  et B 3 = B 2 × B =  0 0 0  .
6 −18 12 0 0 0
b) On procède par récurrence en posant P(n) :
n(n − 1)6n−2 2
An = 6n I + n6n−1 B + B .
2
0(0 − 1)60−2 2
• P(0) est vraie. En effet A0 = I et 60 I + 0 × 60−1 B + B = I. Donc
2
0(0 − 1)60−2 2
A0 = 60 I + 0 × 60−1 B + B .
2
• Supposons P(n) vraie et montrons P(n + 1) vraie c'est-à-dire supposons que
n(n − 1)6n−2 2
An = 6n I + n6n−1 B + B
2
(n + 1)n6n−1 2
et montrons An+1 = 6n+1 I + (n + 1)6n B + B .
2
En utilisant la question a) et l'hypothèse de récurrence on a:
An+1 = An × A
n(n − 1)6n−2 2
= (6n I + n6n−1 B + B )(6I + B)
2
n(n − 1)6n−1 2 n(n − 1)6n−2 3
= 6n+1 I 2 + n6n B I + B I + 6n I B + n6n−1 B 2 + B
2 2
n(n − 1)6n−1 2
= 6n+1 I + n6n B + B + 6n B + n6n−1 B 2
2
n(n − 1)6n−1
= 6n+1 I + (n6n + 6n )B + ( + n6n−1 )B 2
2

80 Mathématiques pour l’économie

[Link] 25/07/11 10:35 Page 81

1
5
n−1
= 6n+1 I + 6n (n + 1)B + n6n−1 ( + 1)B 2
2
(n + 1)n6n−1 2
= 6n+1 I + (n + 1)6n B + B .
2
Donc P(n + 1) vraie. Ce qui achève la récurrence.
c) Les matrices B et 6I commutent, (6I )B = B(6I ). On peut alors appliquer la for-
mule du binôme de Newton,
n 
n
A = (6I + B) = (B + 6I ) =
n n n
B k (6I )n−k .
k=0
k
Puisque B k = 0 pour k
3, on a, pour tout entier naturel n,
n    
n n n n
A =
n
B (6I ) =
k n−k
B (6I ) +
0 n−0
B (6I ) +
1 n−1
B 2 (6I )n−2
k=0
k 0 1 2
n(n − 1)6 n−2
= 6n I + n6n−1 B + B2.
2
© Dunod – La photocopie non autorisée est un délit.

FICHE 15 – Matrices 81
[Link] 25/07/11 10:36 Page 82

Déterminants FICHE 16

I Définitions
• Soit A = (ai j ) i=1,2 une matrice carrée d’ordre 2. Le déterminant de A est le sca-
j=1,2
laire noté det (A) tel que
 
a a12 
det (A) =  11 = a11 a22 − a12 a21
a21 a22 
• Soit A = (ai j ) i=1,2,3 une matrice carrée d’ordre 3. Le déterminant de A est le sca-
j=1,2,3
laire noté det (A) tel que
       
 a11 a12 a13  a
  a23   a21 a23   a21 a22 
det (A) =  a21 a22 a23  = a11  22  − a 
12   + a 
13 
  a32 a33 a31 a33 a31 a32 
a31 a32 a33
• Soit A = (ai j ) i=1,...,n une matrice carrée d’ordre n. Par récurrence on définit le
j=1,...,n
déterminant de A, noté det (A) tel que
n
det (A) = (−1)1+ j a1 j det ( Ã1 j )
j=1

où Ã1 j est la matrice obtenue à partir de A en supprimant la première ligne et la

j-ième colonne de A. On dit alors que l’on calcule le déterminant en développant
suivant la première ligne.

II L’essentiel à savoir
A. Propriétés
Soit A = (ai j ) i=1,...,n et B = (bi j ) i=1,...,n deux matrices carrées d’ordre n et λ ∈ R .
j=1,...,n j=1,...,n
On a :
• det (AB) = det (A)det (B) = det (B A)

82 Mathématiques pour l’économie

[Link] 25/07/11 10:36 Page 83

1
6
• det (A T ) = det (A)
• det (λA) = λn det (A) (d’où det (−A) = (−1)n det (A) )
• Soit A une matrice diagonale et a11 ,a22 ,...,ann ses termes diagonaux. On a
det (A) = a11 a22 ...ann (det (In ) = 1 )
• Si A est une matrice triangulaire supérieure (c’est-à-dire i > j ⇒ ai j = 0 ) ou bien
inférieure (c’est-à-dire i < j ⇒ ai j = 0 ) alors det (A) = a11 a22 ...ann
• A est inversible si et seulement si det (A) = 0.
1
• Si det (A) = 0 alors det (A−1 ) = où A−1 est la matrice inverse de A.
det (A)

B. Calcul d’un déterminant

• On peut développer suivant une ligne i quelconque avec la formule

n
det (A) = (−1)i+ j ai j det ( Ãi j )
j=1

ou suivant une colonne j quelconque avec la formule


n
det (A) = (−1)i+ j ai j det ( Ãi j )
i=1

où Ãi j est la matrice obtenue à partir de A en supprimant la i-ème ligne et la j-ème

colonne de A.

Remarques : On développe suivant la ligne ou colonne contenant le

plus de zéros. On peut utiliser le schéma ci-dessous pour avoir le signe
associé aux coefficients de la ligne ou colonne suivant laquelle on déve-
© Dunod – La photocopie non autorisée est un délit.

loppe :  
+ − + ...
 − + − ... 
 
... ...
+ − + ...

Exemple
Pour calculer le déterminant de
 
2 −1 1
A =  5 −3 2 
0 1 3
si on développe suivant la première colonne, les calculs sont les suivants :

FICHE 16 – Déterminants 83
[Link] 25/07/11 10:36 Page 84

     
 −3 2     
det (A) = 2   − 5  −1 1  + 0  −1 1 
1 3   1 3   −3 2 
= 2(−3 × 3 − 2 × 1) − 5((−1) × 3 − 1 × 1) = −2
si on développe suivant la première ligne, les calculs sont les suivants :
     
 −3 2  5 2  5 −3 

det (A) = 2   
+ 1  + 1   = −2
1 3 0 3 0 1 

C. Opérations sur les lignes et colonnes

Il est parfois utile d’effectuer des opérations sur les lignes ou les colonnes d’un déter-
minant afin d’en simplifier le calcul. Soit A une matrice carrée d’ordre n. On note
A1 ,A2 ,...,An ses n colonnes. On a les propriétés suivantes :
• si deux colonnes de A sont identiques, alors son déterminant est nul
det (A1 ,...,Ak ,...,Ak ,...,An ) = 0

• le déterminant de A est inchangé si on ajoute à l’une de ses colonnes une combi-

naison linéaire des autres

det (A1 ,A2 ,...Ak + λ p A p ,...,An ) = det (A)
p=k

• si on échange deux colonnes, alors le déterminant change de signe

det (A1 ,...,A j ,...,Ak ,...,An ) = −det (A1 ,...,Ak ,...,A j ,...,An )

• det (A1 ,...,λA j ,...,...,An ) = λdet (A1 ,...,A j ,...,An )

Remarque : ces propriétés restent vraies si on remplace les colonnes de

la matrice par les lignes.

D. Inversion d’une matrice

• Calcul pratique de l’inverse d’une matrice
Soit A = (ai j ) i=1,...,n
j=1,...,n
−→ étape 1: On calcule det (A) .
Si det (A) = 0, la matrice n’est pas inversible.
Si det (A) = 0, la matrice est inversible, on passe à l’étape 2.

84 Mathématiques pour l’économie

[Link] 25/07/11 10:36 Page 85

1
6
−→ étape 2 : On appelle matrice des cofacteurs ou co-matrice de A, la matrice
C = (ci j ) i=1,...,n telle que ci j = (−1)i+ j det ( Ãi j ) où Ãi j est la matrice obtenue à
j=1,...,n

partir de A en supprimant la i-ème ligne et la j-ème colonne de A.

Exemple :
 
1 2 −1
A = 0 2 1  , det A = 2 = 0 d’où le calcul de
1 2 0
 
−2 1 −2
C =  −2 1 0 
4 −1 2

−→ étape 3 : On calcule C T et
1
A−1 = CT
det (A)
 
−2 −2 4
1
et dans notre exemple : A−1 = 1 1 −1 
2
−2 0 2

E. Déterminant d’un système de vecteurs

Soit E un espace vectoriel de dimension n, muni d’une base B = {e1 ,...,en }. Soit
x1 ,...,xn n vecteurs de E. On appelle déterminant de (x1 ,...,xn )dans la base B le
© Dunod – La photocopie non autorisée est un délit.

déterminant de la matrice M qui a pour colonnes les composantes de x1 ,...,xn dans la

base B.

Exemple

Soit B = {e1 ,e2 ,e3 } la base canonique de R3 . Soit x1 = (1,0,1),

x2 = (2,2,2), x3 = (−1,1,0). Le déterminant (x1 ,x2 ,x3 ) dans la base B
 
1 2 −1
est égal à det  0 2 1  = 2
1 2 0

Un système de vecteurs de E est libre si et seulement si son déterminant est non nul.

FICHE 16 – Déterminants 85
[Link] 25/07/11 10:36 Page 86

Application
É n o n c é 1
Calculer le déterminant de la matrice suivante :
 
8 2 3
A =  9 7 1
10 6 2

S o l u t i o n 1
On note A1 ,A2 ,A3 les 3 colonnes de A.
det A = det (A1 ,A2 ,A3 ) = det (A1 − A2 − 2A3 ,A2 ,A3 ) = det (0,A2 ,A3 ) = 0 .

É n o n c é 2

Soit m ∈ R . On considère la matrice

 
m m 1
A=  0 1 0
1−m −m 0
a) Déterminer les valeurs de m pour lesquelles A est inversible.
b) Calculer la matrice inverse A−1 de A lorsqu’elle existe.

S o l u t i o n 2
a) A est inversible si et seulement si det (A) = 0. Calculons det (A) en développant
le long de la troisième colonne. On obtient det (A) = −1 + m. Donc A est inversible
si et seulement si m = 1.
b) Soit m = 1. Calculons la matrice des cofacteurs.
   
0 0 m−1 0 −m −1
C =  −m m−1 m  et C =  0
T
m−1 0 
−1 0 m m−1 m m
 
0 −m −1
1 1 
A−1 = CT = 0 m−1 0 
m−1 m−1
m−1 m m

86 Mathématiques pour l’économie

[Link] 25/07/11 10:36 Page 87

1
6
É n o n c é 3

a) A l’aide du déterminant, donner une condition nécessaire et suffisante pour

que les vecteurs u = (a,b) et v = (c,d) forment un système libre de R2.
b) En déduire {u,v} libre si et seulement si {u + v,u − v} libre.

S o l u t i o n 3
a) On munit R de la base canonique. det (u,v) = ad − bc . D’où ad − bc = 0 est une
2


condition nécessaire et suffisante pour {u,v} libre.
a +c a −c
b) det (u + v,u − v) =   = −2(ad − bc)
b+d b−d
D’où le résultat
© Dunod – La photocopie non autorisée est un délit.

FICHE 16 – Déterminants 87
[Link] 25/07/11 10:37 Page 88

Diagonalisation FICHE 17
d’une matrice carrée

I Définitions
Valeurs propres – Vecteurs propres
Soit E un R-espace vectoriel, de dimension n, muni d'une base B.
Soit f une application linéaire de E dans E. Soit A la matrice qui représente f dans la
base B de E départ et E arrivée.
• Une valeur propre réelle de f est un scalaire λ ∈ R tel qu'il existe v ∈ E, v = 0
vérifiant :
f (
v ) = λ
v
• v est alors appelé vecteur propre de f associé à la valeur propre λ.
• Une valeur propre réelle de A est un scalaire λ ∈ R tel qu'il existe un vecteur
colonne V, V = 0 vérifiant :
AV = λV
• V est aussi appelé vecteur propre de A associé à la valeur propre λ.

Remarque :
On définit de façon analogue les valeurs propres complexes.

• Le sous-espace propre associé à une valeur propre λ est l'ensemble :

E λ = {
v ∈ E t.q. f (
v ) = λ
v } = K er( f − λI )
où I : E −→ E est l'application identique de E dans E.
v → I ( v ) = v
E λ est un sous-espace vectoriel de E.

88 Mathématiques pour l’économie

[Link] 25/07/11 10:37 Page 89

1
7
II L'essentiel à savoir
A. Calcul des valeurs propres
• Le polynôme caractéristique de f, ou de A, est le polynôme défini pour chaque λ
par
 
 a11 − λ a12 ... ... a1n 

 a21 a22 − λ ... ... a2n 
P A (λ) = det (A − λIn ) = 
 ... ... ... ... ... 
 a an2 ... ... ann − λ 
n1

où In est la matrice unité (n,n).

• λ est valeur propre de A si et seulement si P A (λ) = 0 .

Exemple :
 
3 0 0
A = 0 3 6
8 0 6
Les valeurs propres de A sont les racines de P A (λ).
 
3 − λ 0 0 

P A (λ) = det (A − λI ) =  0 3−λ 6  = 0.
 8 0 6 − λ
(3 − λ)2 (6 − λ) = 0
Il y a donc une valeur propre réelle simple λ1 = 6 et une valeur propre
réelle double λ2 = 3.
© Dunod – La photocopie non autorisée est un délit.

• Une matrice carrée A d'ordre n admet n valeurs propres réelles ou complexes, dis-
tinctes ou confondues.
• Le déterminant de A est égal au produit de ses valeurs propres.
• La trace de A est égale à la somme de ses valeurs propres.

B. Diagonalisation d'une matrice carrée

Une matrice carrée A d'ordre n est diagonalisable dans R lorsqu'il existe une matrice
réelle diagonale D et une matrice inversible P telles que A = P D P −1 .

FICHE 17 – Diagonalisation d’une matrice carrée 89

[Link] 25/07/11 10:37 Page 90

Remarque :
A peut ne pas être diagonalisable dans R mais diagonalisable dans C
(la définition est analogue).

• Une matrice carrée A d'ordre n est diagonalisable dans R si et seulement si toutes

ses valeurs propres sont réelles et la multiplicité de chaque valeur propre est égale
à la dimension du sous-espace propre associé à la valeur propre.
• Une condition suffisante pour que A soit diagonalisable dans R est que A admet-
te n valeurs propres réelles distinctes.

C. Méthode de diagonalisation
• On calcule les valeurs propres de A en cherchant les racines de P A (λ). Si certaines
sont complexes, alors A n’est pas diagonalisable dans R. Lorsqu’elles sont toutes
réelles, on procède de la façon suivante :
– si elles sont toutes distinctes alors A est diagonalisable dans R.
– si certaines d'entre elles sont multiples on cherche pour chacune le sous-espa-
ce propre associé en résolvant (A − λI )X = 0 et on en trouve une base.
– si pour chaque valeur propre λ, dim E λ = multiplicité de λ alors A est diago-
nalisable dans R.
– si pour une valeur propre λ, dim E λ < multiplicité de λ alors A n'est pas dia-
gonalisable.
• Lorsque A est diagonalisable on forme D matrice diagonale contenant les valeurs
propres et P matrice inversible ayant pour colonnes les vecteurs des bases des E λ .
• On calcule P −1 . On écrit A = P D P −1 .

Exemple :
Diagonaliser la matrice A suivante
 
3 0 0
A =  1 8/3 −2/3 
1 −1/3 7/3
Les valeurs propres de A sont les racines de P A (λ).
 
3 − λ 0 0 
 

P A (λ) = det (A − λI ) =  1 8/3 − λ −2/3  = 0.
 1 −1/3 7/3 − λ 
(3 − λ)[(8/3 − λ)(7/3 − λ) − 2/9] = 0
(3 − λ)(λ2 − 5λ + 6) = 0 (3 − λ)2 (2 − λ) = 0

90 Mathématiques pour l’économie

[Link] 25/07/11 10:37 Page 91

1
7
Il y a donc une valeur propre simple λ1 = 2 et une valeur propre double
λ2 = 3.
Résolvons (A − 2I )X = 0
    
1 0 0 x 0
(A − 2I )X =  1 2/3 −2/3   y  =  0 
1 −1/3 1/3 z 0
ce qui donne

 x =0
x + (2/3)y − (2/3)z = 0

x − (1/3)y + (1/3)z = 0

d'où x = 0, y = z, E 1 = {(x,y,z) ∈ R3 t.q. x = 0, y = z} . Une base

en est {(0,1,1)}. dim E 1 = 1.
Résolvons (A − 3I )X = 0
    
0 0 0 x 0
(A − 3I )X =  1 −1/3 −2/3   y  =  0 
1 −1/3 −2/3 z 0
ce qui donne

 0=0
x − (1/3)y − (2/3)z = 0

x − (1/3)y − (2/3)z = 0

d'où E 2 = {(x,y,z) ∈ R3 t.q. x = (1/3)y + (2/3)z}

= {((1/3)y + (2/3)z,y,z), y ∈ R,z ∈ R}
© Dunod – La photocopie non autorisée est un délit.

= {(1/3,1,0)y + (2/3,0,1)z, y ∈ R,z ∈ R}.

Une base en est {(1/3,1,0),(2/3,0,1)} . dim E 2 = 2.
Donc A est diagonalisable dans R
   
2 0 0 0 1/3 2/3
D = 0 3 0 P = 1 1 0 
0 0 3 1 0 1
 
−1 1/3 2/3
P −1 =  1 2/3 −2/3 
1 −1/3 1/3
A = P D P −1

FICHE 17 – Diagonalisation d’une matrice carrée 91

[Link] 25/07/11 10:37 Page 92

D. Matrices symétriques
• Une matrice carrée A d'ordre n est dite symétrique lorsque A T = A, c'est-à-dire
lorsque ∀i = 1,..,n, ∀ j = 1,..,n ; ai j = a ji
Si A est une matrice symétrique réelle alors
– A a des valeurs propres réelles
– A est diagonalisable dans R
– il existe P telle que P −1 = P T d'où A = P D P T .

Application
É n o n c é 1
Diagonaliser la matrice A suivante puis calculer An .
 
1 0 3
A = 0 3 0
3 1 1

S o l u t i o n 1
Les valeurs propres de A sont les racines de P A (λ).
 
1 − λ 0 3 

P A (λ) = det (A − λI ) =  0 3−λ 0  = 0.
 3 1 1 − λ
(3 − λ)[(1 − λ)(1 − λ) − 9] = 0
(3 − λ)(1 − λ − 3)(1 − λ + 3) = 0 (3 − λ)(−2 − λ)(4 − λ) = 0
Il y a donc 3 valeurs propres réelles : λ1 = 3, λ2 = −2, λ3 = 4 . A est diagonalisable
dans R car elle admet 3 valeurs propres réelles distinctes. Résolvons (A − 3I )X = 0
    
−2 0 3 x 0
(A − 3I )X =  0 0 0   
y = 0 
3 1 −2 z 0
ce qui donne 
 −2x + 3z = 0
0=0

3x + y − 2z = 0

92 Mathématiques pour l’économie

[Link] 25/07/11 10:37 Page 93

1
7
d'où z = (2/3)x et y = −(5/3)x,
E 1 = {(x,y,z) ∈ R3 t.q. z = (2/3)x, y = −(5/3)x} .
Une base en est {(1,−(5/3),(2/3))}. dim E 1 = 1.
Résolvons (A + 2I )X = 0
    
3 0 3 x 0
(A + 2I )X =  0 5 0   y  =  0 
3 1 3 z 0
ce qui donne

 3x + 3z = 0
5y = 0

3x + y + 3z = 0

d'où x = −z y = 0 et E 2 = {(x,y,z) ∈ R3 t.q. x = −z, y = 0}. Une base en est

{(1,0,−1)}. dim E 2 = 1
Résolvons (A − 4I )X = 0
    
−3 0 3 x 0
(A − 4I )X =  0 −1 0    
y = 0
3 1 −3 z 0
ce qui donne

 −3x + 3z = 0
−y = 0

3x + y − 3z = 0

d'où x = z, y = 0 et E 3 = {(x,y,z) ∈ R3 t.q. x = z, y = 0} . Une base en est

© Dunod – La photocopie non autorisée est un délit.

{(1,0,1)}. dim E 3 = 1
     
3 0 0 1 1 1 0 −3/5 0

D = 0 −2 0  
P = −(5/3) 0 0  P =  1/2 1/10 −1/2 
−1

0 0 4 (2/3) −1 1 1/2 1/2 1/2

An = (P D P −1 )n = P D P −1 P D P −1 ...P D P −1 = P D n P −1

FICHE 17 – Diagonalisation d’une matrice carrée 93

[Link] 25/07/11 10:37 Page 94

É n o n c é 2
∗
Soit a ∈ R et
 
1 0 0
A = 0 4 a
0 a 4
a) Pourquoi A est-elle diagonalisable dans R ?
b) Définir le polynôme caractéristique P A (λ) et calculer les valeurs propres de
A.
c) Pour chacune des valeurs propres λ de A donner une base du sous-espace
propre E λ associé.
En déduire D matrice diagonale et P matrice inversible telles que A = P D P −1 .

S o l u t i o n 2
a) A est diagonalisable dans R car c'est une matrice réelle symétrique.
b)
 
1 − λ 0 0 
 
P A (λ) = det (A − λI ) =  0 4−λ a  = (1 − λ)[(4 − λ)2 − a 2 ]
 
0 a 4−λ
Les valeurs propres de A sont les racines de P A (λ).
La résolution de P A (λ) = 0 donne λ1 = 1, λ2 = 4 − a et λ3 = 4 + a.
c) Lorsque a ∈
/ {0,3,−3} , les 3 valeurs propres réelles sont distinctes.
Résolvons (A − I )X = 0
    
0 0 0 x 0
(A − I )X =  0 3 a   y  =  0 
0 a 3 z 0

ce qui donne y = z = 0, d'où E 1 = {x(1,0,0) ∈ R3 } . Une base en est {(1,0,0)}.

Résolvons (A − (4 − a)I )X = 0
    
−3 + a 0 0 x 0
(A − (4 − a)I )X =  0 a a  y  = 0
0 a a z 0

ce qui donne x = 0 et z = −y d'où E 2 = {(x,y,z) ∈ R3 t.q x = 0,z = −y} . Une

√ √
base en est {(0,1/ 2,−1/ 2)}.
Résolvons (A − (4 + a)I )X = 0

94 Mathématiques pour l’économie

[Link] 25/07/11 10:37 Page 95

1
    

7
−3 − a 0 0 x 0
(A − (4 + a)I )X =  0 −a a  y  = 0
0 a −a z 0

ce qui donne x = 0 et z = y d'où E 3 = {(x,y,z) ∈ R3 t.q x = 0,z = y} . Une base en

√ √
est {(0,1/ 2,1/ 2)}.
D est une matrice diagonale ayant les 3 valeurs propres comme termes diagonaux.
 
1 0 0
D = 0 4 − a 0 
0 0 4+a
P est une matrice ayant pour colonnes les composantes des vecteurs propres.
   
1 0√ 0√ 1 0√ 0√
P =  0 1/ √2 1/√2  et P −1 =  0 1/√2 −1/√ 2 
0 −1/ 2 1/ 2 0 1/ 2 1/ 2

Notons que pour ce choix de bases et donc de P on a P −1 = P T .

Si a = 3 ou a = −3, il y a une valeur propre simple λ1 = 7 et une valeur propre double
λ2 = 1.
Comme A est diagonalisable, puisque symétrique, le sous-espace propre associé à la
valeur propre double sera de dimension 2.

E n o n c é 3
Démontrer qu'une matrice symétrique réelle de format (2, 2) est diagonalisable dans
R. Expliciter ses valeurs propres.

S o l u t i o n 3
© Dunod – La photocopie non autorisée est un délit.

a b
Soit a ∈ R, b ∈ R, c ∈ R et A = ∈ M(2, 2) .
b c
Le polynôme caractéristique de A est P A (λ) = det(A − λI ) = λ2 − (a + c)λ + ac − b2 .
Son discriminant est = (a − c)2 + 4b2
0 .
a 0
Cas 1 : = 0 d'où a = c et b = 0 et A = matrice diagonale (ayant une
0 a
valeur propre réelle double a).
Cas 2 : > 0.
1 √ 1 √
Les valeurs propres sont λ1 = [(a + c) + ] et λ2 = [(a + c) − ]. Elles sont
2 2
réelles et distinctes donc A est diagonalisable dans R.

FICHE 17 – Diagonalisation d’une matrice carrée 95

[Link] 25/07/11 10:38 Page 96

FICHE 18
Formes
quadratiques

I Définitions
• Une forme quadratique q sur Rn est une application de Rn dans R qui à
n n
x ) = i=1 j=1 ci j xi x j où ∀i, j ci j ∈ R .
x = (x1 ,...,xn ) associe q(
n n
• Une forme quadratique q telle que q( x ) = i=1 j=1 ci j xi x j s’écrit toujours sous
la forme

n 
n
x) =
q( ai j xi x j
i=1 j=1

ci j + cji
où ∀i, j ai j = a ji = .
2
• Soit A la matrice symétrique telle que A = (ai j )i j .
Soit X le vecteur colonne des composantes de x dans la base canonique. En assi-
milant une matrice (1,1) à un réel on peut écrire :
x ) = X T AX
q(

A toute forme quadratique on peut associer une matrice symétrique.

Exemple :
x ) = 3x12 + 5x1 x2 − 6x22 s’écrit
q(
  
3 5/2 x1
x ) = ( x1
q( x2 )
5/2 −6 x2

96 Mathématiques pour l’économie

[Link] 25/07/11 10:38 Page 97

1
8
II L’essentiel à savoir
A. Nature d’une forme quadratique
Une forme quadratique q (ou la matrice symétrique associée A) est dite :
• semi-définie positive lorsque ∀x ∈ R, q( x)
0
• semi-définie négative lorsque ∀ x ∈ R, q( x)  0
x ∈ R, x = 0 ⇒ q(
• définie positive lorsque ∀ x) > 0
• définie négative lorsque ∀x ∈ R, x = 0 ⇒ q(x) < 0
• indéfinie lorsque ∃x ∈ R, /q(
x ) > 0 et ∃y ∈ R, /q(y ) < 0

B. Théorème
Une forme quadratique q (ou la matrice symétrique associée A) est :
• semi-définie positive si et seulement si les valeurs propres de A sont positives ou
nulles.
• semi-définie négative si et seulement si les valeurs propres de A sont négatives ou
nulles.
• définie positive si et seulement si les valeurs propres de A sont strictement
positives.
• définie négative si et seulement si les valeurs propres de A sont strictement
négatives.
• indéfinie si et seulement si les valeurs propres de A sont de signes opposés.

C. Cas particulier des matrices (2,2)

Pour connaître la nature d’une matrice symétrique d’ordre 2 il suffit de calculer son
déterminant et sa trace.
© Dunod – La photocopie non autorisée est un délit.

det (A) = produit des 2 valeurs propres.

trace(A) = somme des 2 valeurs propres.
Si det (A) > 0 alors les 2 valeurs propres sont du même signe.
Si alors trace(A) > 0 , les 2 valeurs propres sont strictement positives d’où la matri-
ce est définie positive et si trace(A) < 0 , les 2 valeurs propres sont strictement néga-
tives d’où la matrice est définie négative.
Si det (A) = 0 alors l’une au moins des 2 valeurs propres est nulle. Si alors
trace(A) > 0 on a une valeur propre nulle et l’autre strictement positive d’où la matri-
ce est semi-définie positive.
Si trace(A) < 0 on a une valeur propre nulle et l’autre strictement négative d’où la
matrice est semi-définie négative.
Si det (A) < 0 alors les 2 valeurs propres sont de signes opposés d’où la matrice est
indéfinie.

FICHE 18 – For mes quadratiques 97

[Link] 25/07/11 10:38 Page 98

Application
É n o n c é 1
Etudier les formes quadratiques suivantes :
a) q1 (x1 ,x2 ) = −x12 + x1 x2 − x22 √
b) q2 (x1 ,x2 ,x3 ) = 3x12 + 8x22 + 3x32 − 2 2x1 x2 + 4x2 x3

S o l u t i o n 1
 
−1 1/2
a) La matrice symétrique associée à q1 est A1 = .
1/2 −1
Comme A1 est une matrice symétrique d’ordre 2, il suffit de calculer son déterminant
et sa trace pour connaître sa nature.
det (A1 ) = 3/4 > 0 donc les 2 valeurs propres de A1 sont de même signe.
trace(A1 ) = −2 < 0 donc les 2 valeurs propres sont strictement négatives. D’où la
matrice A1 est définie négative. Donc la forme quadratique q1 aussi.
 √ 
3 − 2 0
√
b) La matrice symétrique associée à q2 est A2 =  − 2 8 2  . Il faut calcu-
0 2 3
ler les valeurs propres de cette matrice symétrique d’ordre 3 pour connaître leurs
signes.
Les valeurs propres de A sont les racines de P A (λ).
√
3−√λ − 2 0
P A (λ) = − 2 8 − λ 2 = 0 c’est-à-dire (3 − λ)(λ2 − 11λ + 18) = 0. On
0 2 3 − λ}
trouve 3 valeurs propres λ1 = 2, λ2 = 3 et λ3 = 9. Comme les 3 valeurs propres sont
strictement positives A2 est définie positive de même que q2.

É n o n c é 2
Quelle condition doit vérifier a pour que la matrice suivante soit semi-définie posi-
 
a 2
tive? A = .
2 1

S o l u t i o n 2
det (A) = a − 4 et trace(A) = a + 1. Donc si a = 4, A est semi-définie positive et si
a > 4, A est définie positive.

98 Mathématiques pour l’économie

[Link] 25/07/11 10:38 Page 99

L’ensemble R2, FICHE 19

l’ensemble Rn

I Définitions
R2 = R × R = {
x = (x1 ,x2 )/x1 ∈ R, x2 ∈ R}
R2 est muni de 2 opérations :
l'addition (x1 ,x2 ) + (y1 ,y2 ) = (x1 + y1 ,x2 + y2 )
la multiplication par un réel λ(x1 ,x2 ) = (λx1 ,λx2 )

II L'essentiel à savoir
A. Normes et distances sur R2
Dans R, la valeur absolue de x mesure la longueur de x. Dans R2 pour mesurer la
« longueur » de x on introduit la notion de norme qui généralise la valeur absolue.
• Une norme sur R2 est une application de R2 dans R notée ||.|| qui vérifie les
4 conditions suivantes :
1) ||
x ||
0
x || = 0 ⇒ x = 0
© Dunod – La photocopie non autorisée est un délit.

2) ||
3) ||λx || = |λ|||
x ||
4) ||
x + y||  ||x || + ||y ||

Exemples :
L'application ||.||1 telle que ||x ||1 = |x
1 | + |x 2 | est une norme sur R .
2

L'application ||.||2 telle que || x ||2 = x1 + x2 est une norme sur R2.
2 2

On l'appelle la norme euclidienne

L'application ||.||3 telle que ||
x ||3 = max{|x1 |,|x2 |} est une norme sur R2.

• Une distance sur R2 est une application de R2 × R2 dans R telle que

x ,y ) = ||
d( x − y||

F I C H E 1 9 – L’ e n s e m b l e R2 , l’ensemble Rn 99
[Link] 25/07/11 10:38 Page 100

Remarque :
La distance est définie à partir d'une norme donc à chaque exemple de
norme correspond une distance.

Exemple :
La distance euclidienne est l'application qui vérifie
√
d2 (
x ,y ) = (x1 − y1 )2 + (x2 − y2 )2

B. Boules ouvertes ; boules fermées

• La boule ouverte est l'ensemble
◦
B ( x ∈ R2 /||
a ,r) = { x − a || < r}
• La boule fermée est l'ensemble
a ,r) = {
B( x ∈ R2 /||
x − a ||  r}
• Un voisinage de a est un sous-ensemble de R2 qui contient une boule (ouverte ou
fermée) centrée en a .

Remarque :
Les boules dépendent de la norme choisie.
On utilisera dans la suite la norme euclidienne ||.||2 .

C. Sous-ensembles ouverts ;
sous-ensembles fermés de R2
• Un sous-ensemble de R2 est dit ouvert s'il est voisinage de chacun de ses points.
Le produit de deux intervalles ouverts de R est un ouvert de R2.

Exemples :
R2 , R∗+ × R∗+ , ] − 2,5[×]0,1[ sont ouverts dans R2.

• Un sous-ensemble de R2 est dit fermé si son complémentaire dans R2 est ouvert.

Le produit de deux intervalles fermés de R est un fermé de R2.

Exemples :
R2 , R+ × R+ , [3,8] × [−1,0] sont fermés dans R2.

100 Mathématiques pour l’économie

[Link] 25/07/11 10:38 Page 101

1
9
D. Sous-ensembles bornés
• Un sous-ensemble A de R2 est dit borné lorsque
∃c > 0, t.q. ∀
x ∈ A, ||
x ||2  c
On a la définition équivalente
• Un sous-ensemble A de R2 est dit borné lorsque
∃c1 ,c2 > 0, t.q. ∀
x ∈ A, |x1 |  c1 ,|x2 |  c2

Exemples :
A = {x ∈ R+ × R+ /3x1 + 5x2  8} est borné. En effet 0  x1  8/3 et
0  x2  8/5 on a donc ∀ x ∈ A , |x1 |  8/3 et |x2 |  8/5.
1 2
A = {x =( ,e−t ), t ∈ R} est borné.
1 + t2

E. Sous-ensembles compacts
• Un sous-ensemble A de R2 est dit compact lorsqu'il est à la fois fermé et borné.

F. Généralisation à Rn
Rn = R × R... × R = {
x = (x1 ,x2 ,...,xn )/x1 ∈ R, x2 ∈ R,...xn ∈ R} . Rn est muni de
l'addition interne et de la multiplication par un réel.
On définit les notions de norme, distance, boules... de la même façon que pour R2.

Exemple :
Dans R3, la boule fermée est l'ensemble
B( a ,r) = {
x ∈ R3 /||
x − a ||  r}. Donc la boule fermée de centre
0 = (0,0,0) et de rayon 1 pour la norme euclidienne ||.||2 est
 = {
B 2 (0,1) x ∈ R3 / x12 + x22 + x33  1} . C'est la sphère de centre
0 = (0,0,0) et de rayon 1.

Application
É n o n c é 1

Dessiner B 1 (0,1), 
B 2 (0,1),  , les boules fermées de R2 de centre 0 et de rayon
B 3 (0,1)
1 pour respectivement , les normes ||.||1 , ||.||2 , ||.||3 .

F I C H E 1 9 – L’ e n s e m b l e R2 , l’ensemble Rn 101
[Link] 25/07/11 10:38 Page 102

S o l u t i o n 1

1
B3(0,1)

B2(0,1)

B1(0,1)

(0,0) 1


B 1 (0,1) 
et B 3 (0,1) 
sont des carrés. B 2 (0,1) est un disque.

102 Mathématiques pour l’économie