Algèbre Linéaire

Mathematiques
Algèbre Lineaire
INSA - 1ère annee
Sandrine Scott
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
suivant
2
1 Remerciements
Je tiens à remercier ici les collègues qui mont aidee dans lelaboration de ce cours, en particulier,
Francoise Bernis, Raymonde Cassinet, Jean-Louis Dunau et Luc Meallarès.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent
3
2 Introduction
Ce cours a ete elabore pour des elèves de formation continue, il est donc moins theorique et moins
approfondi quun cours classique de 1ère annee. Il constitue cependant une bonne base de travail
pour des elèves de 1ère annee (ou de 2ème annee entrant à linsa sans avoir fait dalgèbre lineaire
auparavant) pour les aider à comprendre certaines denitions et certains resultats. Il ne se substitue
en aucun cas au cours de lUV 4 de mathematiques de 1ère annee.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
suivant
4
Chapitre I
Espaces vectoriels
I.1 Denitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
I.2 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
I.3 Partie generatrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
I.4 Partie libre, Partie liee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
I.5 Base dun espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
I.6 Dimension dun espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
chapitre suivant
5
I.1 Denitions
Exemples :
Exemple A.1.1
Exemple A.1.2
Exemple A.1.3
Exercices :
Exercice B.1.1
Soient un ensemble E, un corps K (=R ou C) et deux lois
+ : E E E (loi interne)
(v
1
, v
2
) v
1
+v
2
et
. : K E E (loi externe)
(, v) .v
(E, +, .) est un espace vectoriel sur le corps K si les proprietes suivantes sont veriees :
1. La loi interne notee + doit
(a) etre commutative cest-à-dire pour tous v
1
, v
2
dans E, v
1
+v
2
= v
2
+v
1
(b) etre assiociative cest-à-dire pour tous v
1
, v
2
, v
3
dans E, (v
1
+v
2
) +v
3
= v
1
+ (v
2
+v
3
)
(c) admettre un neutre note 0
E
cest-à-dire pour tout v dans E, v + 0
E
= v
(d) etre telle que tout element v de E admette un symetrique cest-à-dire que pour tout v dans
E, il existe v
dans E tel que v +v
= 0
E
(à ce stade, on dit que (E, +) est un groupe commutatif)
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
chapitre suivant
6
Denitions 2. La loi externe notee . doit verier pour tous v
1
, v
2
dans E et tous , dans K,
(a) .(v
1
+v
2
) = .v
1
+.v
2
(b) ( +).v
1
= .v
1
+.v
1
(c) ().v
1
= .(.v
1
)
(d) 1
K
.v
1
= v
1
.
Les elements de E sont appeles des vecteurs, ceux de K des scalaires.
Les règles de calculs sont analogues à celles de R et on a
.v = 0
E
= 0
K
ou v = 0
E
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent chapitre suivant
7
I.2 Sous-espace vectoriel
Exemples :
Exemple A.1.4
Exemple A.1.5
Exemple A.1.6
Exercices :
Exercice B.1.2
Soient (E, +, .) un K espace vectoriel et F un sous-ensemble de E.
(F, +, .) est un sous-espace vectoriel de E si F = et si pour tous v
1
, v
2
de F et tout de K
alors
.v
1
+v
2
F
On dit que F est stable pour les lois + et .
Theorème I.1 Un sous-espace vectoriel est un espace vectoriel
Demonstration
Remarque : Si un sous-ensemble F de E ne contient pas 0
E
, il ne peut pas etre un sous-espace
vectoriel (pas de neutre pour laddition).
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
8
I.3 Partie generatrice
Exemples :
Exemple A.1.7
Exemple A.1.8
Exercices :
Exercice B.1.3
Soit E un espace vectoriel sur K, et A une partie non vide de E.
On appelle combinaison lineaire delements de A tout vecteur de la forme :
1
x
1
+
2
x
2
+... +
m
x
m
o` u i
i
K et x
i
A
Theorème I.2 Lensemble des combinaisons lineaires delements de A est un sous espace
vectoriel sur K de E, il contient A. On lappelle le sous espace vectoriel de E engendre par A, on
le note Vect (A).
Cest le plus petit sous espace vectoriel de E contenant A.
Demonstration
Remarque : Si F est un s.e.v. de E alors F = Vect (F).
Si A est une partie de E telle que E = Vect (A) alors A est une famille ou partie generatrice de
E. On dit aussi que A engendre E.
Si A engendre E alors tout element de E secrit comme une combinaison lineaire delements de
A.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
9
I.4 Partie libre, Partie liee
Exemples :
Exemple A.1.9
Exemple A.1.10
Exercices :
Exercice B.1.4
Soit E un espace vectoriel sur K, et v
1
, v
2
, ..., v
n
des vecteurs de E.
(v
1
, v
2
, ..., v
n
) est une partie libre de E si et seulement si :
(
1
,
2
, ...,
n
) K
n
_
(
1
v
1
+
2
v
2
+... +
n
v
n
= 0
E
. .
combinaison lineaire nulle des v
i
) = (i {1, 2, ..., n}
i
= 0
K
. .
les
i
sont tous nuls
)
_
Si la famille est libre, la seule facon dobtenir 0
E
comme combinaison lineaire des vecteurs de cette
famille est de prendre tous les
i
nuls.
Dans le cas contraire on dit que la famille est liee.
En dautres termes, (v
1
, v
2
, ..., v
n
) est une partie liee de E si et seulement si elle nest pas libre,
cest-à-dire si et seulement si :
(
1
,
2
, ...,
n
) K
n
,
1
v
1
+
2
v
2
+... +
n
v
n
= 0
E
. .
combinaison lineaire nulle des x
i
et i {1, 2, ..., n}
i
= 0
K
. .
les
i
sont non tous nuls
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
10
Base dun
espace vectoriel
I.5 Base dun espace vectoriel
Exemples :
Exemple A.1.11
Exemple A.1.12
Exercices :
Exercice B.1.5
Soit E un espace vectoriel sur K. Soit B une partie de E. B est une base de E si cest une partie
libre et generatrice de E.
Theorème I.3 Soit E un espace vectoriel sur K.
B = (e
1
, e
2
, ..., e
n
) est une base de E si et seulement si
(x E) (!(
1
,
2
, ...,
n
) K
n
) (x =
1
e
1
+
2
e
2
+... +
n
e
n
)
ce qui signie que B = (e
1
, e
2
, ..., e
n
) est une base de E si et seulement si tout vecteur de E secrit
de manière unique comme combinaison lineaire des elements de B.
Les
i
sappellent les composantes ou coordonnees du vecteur x relativement à la base B.
Demonstration
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent chapitre
11
I.6 Dimension dun espace vectoriel
Exemples :
Exemple A.1.13
Exemple A.1.14
Exercices :
Exercice B.1.6
Un espace vectoriel E est de dimension nie si il existe une famille A de cardinal ni qui engendre
E, cest-à-dire si il existe des vecteurs e
1
, e
2
, , e
p
de E tels que E = Vect (e
1
, e
2
, , e
p
)
Theorème I.4 (theorème admis) Toutes les bases dun espace vectoriel E de dimension nie
ont le meme nombre delements. Si n est ce nombre, n sappelle la dimension de E. On note
n = dim E.
Un espace vectoriel admet une innite de bases qui ont toutes le meme nombre de vecteurs.
Lespace vectoriel {0
E
} est un espace vectoriel de dimension 0 puisquil ne contient pas de famille
libre.
Propriete I.5 Si E designe un espace vectoriel de dimension nie, si n = dim E et si L, A et B
designent des parties de E nous avons les proprietes suivantes :
1. Si L est une partie libre, alors card L n
2. Si A est une partie generatrice, alors card A n
3. Si B est une base de E, alors card B = n
4. Si L est libre et si card L = n, alors L est une base
5. Si A est une partie generatrice et si card A = n, alors A est une base
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent chapitre
12
Dimension dun
espace vectoriel
Le rang dune famille de vecteurs est egal à la dimension de lespace vectoriel engendre par ces
vecteurs. On note :
rg (v
1
, v
2
, ..., v
n
) = dim (Vect (v
1
, v
2
, ..., v
n
))
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent suivant
13
Chapitre II
Matrices et Applications lineaires
II.1 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
II.2 Applications lineaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
II.3 Matrices dapplications lineaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
chapitre section suivante
14
II.1 Matrices
II.1.1 Denitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
II.1.2 Operations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
II.1.3 Matrice inversible . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
15
II.1.1 Denitions
Une matrice à elements dans K(= R ou C) est un tableau rectangulaire rempli delements de K.
A =
_
_
_
_
_
_
_
_
_
_
a
11
a
12
. . . a
1j
. . . a
1n
a
21
a
22
. . . a
2j
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
a
i2
. . . a
ij
. . . a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mj
. . . a
mn
_
_
_
_
_
_
_
_
_
_
= (a
ij
)
i{1,2,...,m},j{1,2,...,n}
Les a
ij
sont des elements de K, i est lindice de ligne et j est lindice de colonne.
M
mn
(K) designe lensemble des matrices m lignes n colonnes à coecients dans K.
La matrice
=
_
1 2 3
4 5 6
_
appartient à M
23
(K)
Dans le cas particulier o` u n = m, M
nn
(K) est note M
n
(K) et on lappelle lensemble des matrices
carrees dordre n à coecients dans K.
Une matrice est dite diagonale si m = n et si pour tout i = j dans {1, 2, , n}, les coecients
a
ij
sont nuls.
La matrice
D =
_
_
0 0 0
0 1 0
0 0 2
_
_
est une matrice diagonale dordre 3
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
16
Denitions On note aussi D = Diag(0, 1, 2).
Une matrice est dite triangulaire superieure (respectivement triangulaire inferieure) si
m = n et si pour tout i > j (respectivement i < j) dans {1, 2, , n}, les coecients a
ij
sont
nuls.
Considerons les matrices
E =
_
_
4 0 5
0 1 1
0 0 2
_
_
et F =
_
_
2 0 0
2 1 0
2 5 2
_
_
,
alors E est une matrice triangulaire superieure dordre 3 et F est triangulaire inferieure.
Une matrice colonne est une matrice à une seule colonne. Cest une matrice de M
m1
(K). Elles
sont très utiles pour representer les vecteurs dun espace vectoriel :
Soit E un espace vectoriel sur K dont la famille (e
1
, e
2
, e
3
, e
4
) est une base. Soit v un vecteur de
E qui secrit v = e
1
+ 2e
3
5e
4
alors on peut denir la matrice colonne V M
41
(K) par
V =
_
_
_
1
0
2
5
_
_
_
La transposee dune matice A sobtient en echangeant les lignes et les colonnes de A. On la note
t
A ou A
T
. Ainsi, si A M
nm
(K) alors
t
A M
mn
(K).
Si =
_
_
1 2
2 1
0 1
_
_
M
32
(K) alors
t
=
_
1 2 0
2 1 1
_
M
23
(K)
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
17
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section suivant
18
II.1.2 Operations
Exercices :
Exercice B.2.1
Exercice B.2.2
Exercice B.2.3
Exercice B.2.4
Soient A et B deux matrices de M
mn
(K). Notons a
ij
les coecients de A et b
ij
ceux de B. On
appelle somme des matrices A et B la matrice S de M
mn
(K) dont les coecients s
ij
sont denis
pour tout i {1, 2, ..., m} et tout j {1, 2, ..., n} par s
ij
= a
ij
+b
ij
. On note S = A+B.
Soient
=
_
1 2 3
4 5 6
_
et =
_
_
1 2
2 1
0 1
_
_
La somme + nexiste pas puisque les matrices nont pas le meme nombre de lignes ni de
colonnes.
Par contre,
+
t
=
_
1 2 3
4 5 6
_
+
_
1 2 0
2 1 1
_
=
_
2 0 3
6 6 5
_
On montre que (M
mn
(K), +) a une structure de groupe commutatif.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
19
Operations Soit A M
mn
(K). Notons a
ij
ses coecients. Multiplier une matrice par un scalaire K,
revient à multiplier tous les coecients par ce scalaire. Si on note
ij
les coecients de la matrice ,
resultat de cette operation, alors pour tout i {1, 2, ..., m} et tout j {1, 2, ..., n},
ij
= a
ij
et on
note = .A Ainsi
2. = 2.
_
1 2 3
4 5 6
_
=
_
2 4 6
8 10 12
_
On montre que (M
mn
(K), +, .) a une structure despace vectoriel. Il est de dimension nie et sa
dimension est dim M
mn
(K) = mn.
Soient A M
mn
(K) et B M
np
(K). Notons a
ij
les coecients de A et b
ij
ceux de B. On
appelle produit des matrices A et B la matrice P de M
mp
(K) dont les coecients p
ij
sont denis
pour tout i {1, 2, ..., m} et tout j {1, 2, ..., p} par p
ij
=
n
k=1
a
ik
b
kj
. On note P = AB. On dit
que le produit seectue lignes par colonnes. Cette denition sera justiee a posteriori lorsque nous
denirons les matrices dapplications lineaires.
Pour que le produit ait un sens, il faut que le nombre de colonnes de la matrice A soit egal au
nombre de lignes de la matrtice B.
Le produit
t
nexiste pas car le nombre de colonnes de
t
(en loccurrence 3) ne correspond
pas au nombre de lignes de (en loccurrence 2).
Par contre
P = =
_
1 2 3
4 5 6
_
_
_
1 2
2 1
0 1
_
_
=
_
3 1
6 7
_
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
20
Operations En eet, si on note
ij
,
ij
et p
i,j
les coecients respectifs des matrices , et P alors
p
11
=
3
k=1
1k
k1
= 1 1 + 2 (2) + 3 0 = 3
p
12
=
3
k=1
1k
k2
= 1 2 + 2 1 + 3 (1) = 1
p
21
=
3
k=1
2k
k1
= 4 1 + 5 (2) + 6 0 = 6
p
22
=
3
k=1
2k
k2
= 4 2 + 5 1 + 6 (1) = 7
Le produit matriciel est une loi associative et distributive par rapport à laddition : pour toutes
matrices A, B et C telles que les operations soient possibles, nous avons
A(BC) = (AB)C et A(B +C) = AB +AC
Le produit nest pas commutatif .(cf exercice B.2.3)
Si A M
n
(K) et si I
n
= Diag(1, 1, , 1) M
n
(K) alors AI
n
= I
n
A = A.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
21
II.1.3 Matrice inversible
Exemples :
Exemple A.2.1
Exercices :
Exercice B.2.5
Soit A M
n
(K). On dit que A est inversible si il existe une matrice A
M
n
(K) telle que
AA
= A
A = I
n
. Si A
existe, elle est unique et on la note A

1
.
Dans la mesure o` u A et B sont inversibles, le produit AB est inversible et (AB)
1
= B
1
A
1
.
De meme, si A est inversible alors la transposee de A est inversible et (
t
A)
1
=
t
_
A
1
_
.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section precedente chapitre section suivante
22
II.2 Applications lineaires
II.2.1 Denition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
II.2.2 Noyau, image et rang dune application lineaire . . . . . . . . . . . . . . . . 25
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
23
II.2.1 Denition
Exemples :
Exemple A.2.2
Exemple A.2.3
Exemple A.2.4
Exemple A.2.5
Exercices :
Exercice B.2.6
Soient E et F deux espaces vectoriels sur K. Soit g une application de E dans F.
g est une application lineaire si (v, v
) E
2
K
g(v +v
) = g(v) +g(v
) et g(.v) = .g(v)
Remarque : Si g est lineaire alors g(0
E
) = 0
F
En eet, pour tout x dans E, g(0
E
) = g(0
K
.x) = 0
K
.g(x) = 0
E
.
On note L(E, F) lensemble des applications lineaires de E dans F.
Lorsque E = F on le note L(E) ou encore End(E), et on lappelle aussi lensemble des endo-
morphismes de E.
On a la propriete suivante :
g L(E, F) (v, v
) E
2
K g(.v +v
) = .g(v) +g(v
)
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
24
Denition Si on munit L(E, F) des lois + et . denies pour les applications (cf exemple A.1.3) alors
(L(E), +, .) a une structure despace vectoriel sur K.
Soit g une application de E dans F.
g est injective si (v, v
) E
2
g(v) = g(v
) =v = v
g est surjective si w F, v E tel que w = g(v).

g est bijective si w F, ! v E tel que w = g(v)
(! signiant que pour chaque w, le v est unique)
g est bijective si et seulement si g est injective et surjective.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
25
II.2.2 Noyau, image et rang dune application lineaire
Exemples :
Exemple A.2.6
Exemple A.2.7
Exemple A.2.8
Soient E et F deux espaces vectoriels sur K et g L(E, F).
Le noyau de g, note Ker g, est deni par :
Ker g = {v E / g(v) = 0
F
} = g
1
({0
F
}) E
Ker g est lensemble des antecedents par g du vecteur nul de F.
Limage de g, notee Im g, est denie par :
Im g = {w F / v E , w = f(v)} = {f(v) / v E} F
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
26
Noyau, image
et rang dune
application
lineaire
Theorème II.2.1 Ker g est un sous espace vectoriel de E, Im g un sous espace vectoriel de F.
De plus on a :
g est surjective Im g = F
g est injective Ker g = {0
E
}
Demonstration
Si Im g est un sous espace vectoriel de dimension nie de F, on appelle rang de g, le reel note
rg g, egal à la dimension de Im g.
On a :
rg g = dim Im g
Theorème II.2.2 (Theorème du rang) (admis)
Soient E et F deux espaces vectoriels sur K, avec E de dimension nie, et g L(E, F). On a :
dim E = dim Ker g + dim Im g
Corollaire II.2.3 Soient E et F deux espaces vectoriels sur K, de meme dimension n, et
g L(E, F). Les assertions suivantes sont equivalentes :
_
_
_
_
_
_
_
1) g est bijective
2) g est injective
3) g est surjective
4) rg g = n
Demonstration
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section precedente chapitre
27
II.3 Matrices dapplications lineaires
II.3.1 Denitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
II.3.2 Proprietes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
II.3.3 Matrice de changement de bases . . . . . . . . . . . . . . . . . . . . . . . . 33
II.3.4 Rang dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
28
II.3.1 Denitions
Exemples :
Exemple A.2.9
Exemple A.2.10
Exercices :
Exercice B.2.8
Soient E et F deux Kespaces vectoriels de dimension nie et g L(E, F).
Lapplication g est caracterisee par la connaissance des images des vecteurs dune base de E.
En eet, soit E = (e
1
, e
2
, , e
p
) une base de E. Pour tout x E il existe (x
1
, x
2
, , x
p
) K
p
tel que
x =
p
j=1
x
j
e
j
En utilisant le fait que g est lineaire on obtient
g(x) = g
_
_
p
j=1
x
j
e
j
_
_
=
p
j=1
x
j
g(e
j
) (II.3.1)
Ainsi, si nous connaissons g(e
j
) pour tout j {1, 2, , p}, lapplication lineaire g est determinee
de manière unique.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
29
Denitions Soit F = (f
1
, f
2
, , f
n
) une base de F. Pour tout j {1, 2, , p}, g(e
j
) F et il existe
(a
1j
, a
2j
, , a
nj
) K
n
tel que
g(e
j
) =
n
i=1
a
ij
f
i
Notons X la matrice colonne formee des coordonnees de x dans la base E, Y celle formee des
coordonnees de g(x) dans la base F et pour tout j {1, 2, , p}, Y
j
celle formee des coordonnees de
g(e
j
) dans la base F. Nous avons donc
X =
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
k
.
.
.
x
p
_
_
_
_
_
_
_
_
_
, Y =
_
_
_
_
_
_
_
_
_
y
1
y
2
.
.
.
y
k
.
.
.
y
n
_
_
_
_
_
_
_
_
_
et Y
j
=
_
_
_
_
_
_
_
_
_
_
a
1j
a
2j
.
.
.
a
kj
.
.
.
a
nj
_
_
_
_
_
_
_
_
_
_
Notons A la matrice dont les colonnes sont les matrices Y
j
. Nous avons
A =
_
_
_
_
_
_
_
_
_
_
a
11
a
12
. . . a
1j
. . . a
1p
a
21
a
22
. . . a
2j
. . . a
2p
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
a
i2
. . . a
ij
. . . a
ip
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nj
. . . a
np
_
_
_
_
_
_
_
_
_
_
Le but est de trouver une relation entre les matrices X , Y et A.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
30
Denitions Si nous ecrivons de facon matricelle la relation (II.3.1) nous obtenons :
Y =
p
j=1
x
j
Y
j
= x
1
_
_
_
_
_
_
_
_
_
a
11
a
21
.
.
.
a
k1
.
.
.
a
n1
_
_
_
_
_
_
_
_
_
+x
2
_
_
_
_
_
_
_
_
_
a
12
a
22
.
.
.
a
k2
.
.
.
a
n2
_
_
_
_
_
_
_
_
_
+ +x
p
_
_
_
_
_
_
_
_
_
_
a
1p
a
2p
.
.
.
a
kp
.
.
.
a
np
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
a
11
x
1
+ a
12
x
2
+ + a
1p
x
p
a
21
x
1
+ a
22
x
2
+ + a
2p
x
p
.
.
.
.
.
.
.
.
.
.
.
.
a
k1
x
1
+ a
k2
x
2
+ + a
kp
x
p
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
x
1
+ a
n2
x
2
+ + a
np
x
p
_
_
_
_
_
_
_
_
_
_
= AX
A sappelle la matrice de lapplication lineaire g relativement aux bases E et F. Elle est donc
denie de la manière suivante :
g(e
1
) g(e
2
) . . . g(e
j
) . . . g(e
p
)
_
_
_
_
_
_
_
_
_
_
a
11
a
12
. . . a
1j
. . . a
1p
a
21
a
22
. . . a
2j
. . . a
2p
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
a
i2
. . . a
ij
. . . a
ip
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nj
. . . a
np
_
_
_
_
_
_
_
_
_
_
f
1
f
2
.
.
.
f
i
.
.
.
f
n
= Mat (g, E, F) M
np
(K))
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
31
II.3.2 Proprietes
Exemples :
Exemple A.2.11
Dans ce paragraphe E, F, et G designent des espaces vectoriels sur K de dimension nie respec-
tivement egale à n, m et p.
E = (e
1
, e
2
, ..., e
n
) (respectivement F = (f
1
, f
2
, ..., f
m
), G = (g
1
, g
2
, ..., g
p
)) designe une base de E
(respectivement F,G).
On verie facilement les trois armations suivantes :
1. Soient f un element de L(E, F) et un element de K alors
Mat (f, E, F) = Mat (f, E, F)
2. Soient f et g deux applications lineaires de L(E, F), on a
Mat (f +g, E, F) = Mat (f, E, F) + Mat (g, E, F)
3. Si f et g designent deux applications lineaires appartenant respectivement à L(E, F) et à L(F, G)
alors
Mat (g f, E, G) = Mat (g, F, G) Mat (f, E, F)
ce qui justie a posteriori la denition du produit de deux matrices.
4. Si f L(E, F) est bijective alors dim E = dim F et
Mat (f, E, F)Mat (f
1
, F, E) = Mat (f f
1
, E, E) = I
n
= Mat (f
1
, F, E)Mat (f, E, F)
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
32
Proprietes Donc la matrice de lapplication lineaire f est inversible et
Mat (f
1
, F, E) = M
1
(f, E, F)
Reciproquement, si une matrice est inversible, lapplication lineaire canoniquement associee est
bijective.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
33
II.3.3 Matrice de changement de bases
Exemples :
Exemple A.2.12
Exercices :
Exercice B.2.9
Nous avons dejà remarque quun meme espace vectoriel pouvait avoir plusieurs bases.
Soient E = (e
1
, e
2
, ..., e
n
) et E
= (e
1
, e
2
, ..., e
n
) deux bases du meme espace vectoriel E. Soit
x un vecteur de E. Notons (x
1
, x
2
, , x
n
) ses coordonnees dans la base E et (x
1
, x
2
, , x
n
) ses
coordonnees dans la base E
.
Soient X et X
les matrices colonnes associees aux coordonnees de x dans les bases E et E
.
La question est de savoir quel lien existe entre les matrices X et X
.
Pour tout j {1, 2, , n}, il existe (p
1j
, p
2j
, , p
nj
) K
n
tel que
e
j
=
n
i=1
p
ij
e
i
Soit I lapplication lineaire denie de E, muni de la base E
, vers E, muni de la base E et

qui pour chaque vecteur x de coordonnees (x
1
, x
2
, , x
n
) dans la base E
associe ses coordonnees

(x
1
, x
2
, , x
n
) dans la base E. Ainsi chaque e
j
, de coordonnees (0, 0, , 1, 0, , 0) dans la base E
a pour image (p
1j
, p
2j
, , p
nj
) qui sont ses coordonnees dans la base E :
I : (E, E
) (E, E)
(x
1
, x
2
, , x
n
) (x
1
, x
2
, , x
n
)
e
j
(p
1j
, p
2j
, , p
nj
)
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
34
Matrice de
changement de
bases
Soit P la matrice de cette application lineaire alors
P =
_
_
_
_
_
_
_
_
_
_
p
11
p
12
. . . p
1j
. . . p
1n
p
21
p
22
. . . p
2j
. . . p
2n
.
.
.
.
.
.
.
.
.
.
.
.
p
j1
p
j2
. . . p
jj
. . . p
jn
.
.
.
.
.
.
.
.
.
.
.
.
p
n1
p
n2
. . . p
nj
. . . p
nn
_
_
_
_
_
_
_
_
_
_
et X = PX
.
P sappelle la matrice de passage entre les bases E et E
, on la note P
EE
. Cest la matrice de
lapplication I relativement aux bases E
et E :
P
EE
= Mat (I, E
, E).
Il est clair que lapplication I est bijective et que son application reciproque est denie par :
I
1
: (E, E) (E, E
)
(x
1
, x
2
, , x
n
) (x
1
, x
2
, , x
n
)
e
j
(p
1j
, p
2j
, , p
nj
)
o` u pour tout j {1, 2, , n},
e
j
=
n
i=1
p
ij
e
i
.
Ainsi la matrice P
EE
est inversible et
P
1
EE
= P
E
E
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
35
Matrice de
changement de
bases
Voyons comment est transformee la matrice dune application lineaire lorsquon change de bases.
Soient E = (e
1
, e
2
, ..., e
n
), E
= (e
1
, e
2
, ..., e
n
) deux bases du meme espace vectoriel E et
F = (f
1
, f
2
, ..., f
p
), F
= (f
1
, f
2
, ..., f
p
) deux bases du meme espace vectoriel F. Soient enn
g L(E, F), A = Mat (g, E, F) et A
= Mat (g, E
, F
). Quel lien existe-t-il entre les matrices A et

A
?
Soit x un vecteur de E. Notons X la matrice colonne des coordonnees de x dans la base E, X
celle des coordonnees de x dans la base E
et de meme, notons Y la matrice colonne des coordonnees

de y = g(x) dans la base F et Y
celle des coordonnees de y dans la base F
. Soient enn les matrices

de passage P = P
EE
et Q = P
FF
.
Nous avons les relations suivantes
X = PX
, Y = QY
, Y = AX et Y
= A
et
Y = AX QY
= APX
= Q
1
APX
donc A
= Q
1
AP et
Mat (g, E
, F
) = P
1
FF
AP
EE
(II.3.2)
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
36
II.3.4 Rang dune matrice
Exemples :
Exemple A.2.13
Exercices :
Exercice B.2.10
Soit A une matrice de M
mn
(K) dont les colonnes sont identiees à n vecteurs V
1
, V
2
, ..., V
n
de K
m
.
V
1
V
2
. . . V
j
. . . V
n
A =
_
_
_
_
_
_
_
_
_
_
a
11
a
12
. . . a
1j
. . . a
1n
a
21
a
22
. . . a
2j
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
a
i2
. . . a
ij
. . . a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mj
. . . a
mn
_
_
_
_
_
_
_
_
_
_
Par denition le rang de la matrice A est egal à la dimension de Vect (V
1
, V
2
, ..., V
n
) soit à la
dimension de lespace engendre par les colonnes de A.
On note
rg A = dim Vect (V
1
, V
2
, ..., V
n
)
Remarque :
rg A min(m, n)
En eet, notons E = Vect (V
1
, V
2
, ..., V
n
), alors rg A = dim E.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
37
Rang dune
matrice
E est un sous-espace vectoriel de K
m
engendre par n vecteurs donc sa dimension est plus petite
que celle de K
m
qui vaut m et que le nombre de vecteurs generateurs, qui ici vaut n.
Soit E (respectivement F) un espace vectoriel de dimension n (respectivement m) dont E (res-
pectivement F) est une base. Soit g L(E, F) telle que Mat (g, E, F) = A.
Alors on a :
rg A = rg g
En eet, les vecteurs colonnes de A sont les vecteurs {g(e
1
), g(e
2
), , g(e
n
)} qui forment une
famille generatrice de Im g.
On a de plus le resultat suivant :
A M
mn
(K), rg A = rg
t
A
Ce qui permet de denir le rang dune matrice comme la dimension de lespace engendre par les
lignes de A.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent suivant
38
Chapitre III
Determinants
III.1 Forme n lineaire alternee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
III.2 Determinant dune matrice carree . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
III.3 Proprietes et calcul pratique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
III.4 Autres proprietes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
chapitre suivant
39
III.1 Forme n lineaire alternee
Soit E un espace vectoriel sur le corps K dont E = (e
1
, e
2
, , e
n
) est une base. On considère une
application
E E E K
(V
1
, V
2
, , V
n
) (V
1
, V
2
, , V
n
)
telle que
1. est lineaire par rapport à chaque variable :
Pour tout i {1, 2, , n}, tout W
i
E et tout K alors
(V
1
, V
2
, , V
i1
, V
i
+W
i
, V
i+1
, , V
n
) =
(V
1
, V
2
, , V
i1
, V
i
, V
i+1
, , V
n
) + (V
1
, V
2
, , V
i1
, W
i
, V
i+1
, , V
n
)
2. Si il existe i = j tel que V
i
= V
j
alors
(V
1
, V
2
, , V
i
, , V
j
, , V
n
) = 0
3.
(V
1
, V
2
, , V
j
, , V
i
, , V
n
) = (V
1
, V
2
, , V
i
, , V
j
, , V
n
)
4.
(e
1
, e
2
, , e
n
) = 1
On demontre quune telle application est unique, on la note det
E
et det
E
(V
1
, V
2
, , V
n
) est appele
le determinant des vecteurs (V
1
, V
2
, , V
n
) par rapport à la base E.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
chapitre suivant
40
Forme n
lineaire alternee
On peut aussi demontrer le resultat suivant :
(V
1
, V
2
, , V
n
) E
n
[(V
1
, V
2
, , V
n
) libre det
E
(V
1
, V
2
, ..., V
n
) = 0]
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
41
III.2 Determinant dune matrice carree
Exemples :
Exemple A.3.1
Exercices :
Exercice B.3.1
Soit la matrice carree dordre n
A =
_
_
_
_
_
_
_
_
_
a
11
a
12
... ... ... a
1n1
a
1n
a
21
a
22
... ... ... a
2n1
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
... ... ... ... a
nn1
a
nn
_
_
_
_
_
_
_
_
_
On appelle C
1
, C
2
, , C
n
(respectivement L
1
, L
2
, , L
n
) les colonnes (respectivement les lignes)
de la matrice A.
Le determinant de A note det A est le determinant des vecteurs C
1
, C
2
, , C
n
par rapport à la
base E. On a
det A =
a
11
a
12
... ... ... a
1n1
a
1n
a
21
a
22
... ... ... a
2n1
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
... ... ... ... a
nn1
a
nn
= det
E
(C
1
, C
2
, , C
n
)
On montre que
det A = det
t
A
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
42
Determinant
dune matrice
carree
donc le determinant de A est aussi le determinant des vecteurs L
1
, L
2
, , L
n
par rapport à la base
E. On a
det A = det
E
(L
1
, L
2
, , L
n
)
Dans le but dexpliciter det A par une relation de recurrence o` u A est une matrice dordre n
on denit pour tous i, j dans {1, 2, , n} les matrices A
ij
dordre n 1 obtenues à partir de A en
supprimant la ligne i et la colonne j.
Exemple : Soit
A =
_
_
1 1 3
2 0 4
5 4 2
_
_
alors,
A
11
=
_
0 4
4 2
_
, A
12
=
_
2 4
5 2
_
, A
13
=
_
2 0
5 4
_
Ceci etant deni, on a le resultat suivant.
Theorème III.1 (Developpement dun determinant) (admis) Avec les notations prece-
dentes, nous avons
det A =
n
i=1
(1)
i+j
a
ij
det A
ij
on dit que lon a developpe le determinant de A par rapport à la colonne j, ou aussi
det A =
n
j=1
(1)
i+j
a
ij
det A
ij
on dit que lon a developpe le determinant de A par rapport à la ligne i.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
43
Determinant
dune matrice
carree
Ce theorème se demontre par recurrence sur n.
Il est clair que si A = (a) alors det A = a.
Nous savons que
det
_
a b
c d
_
= ad bc
et si nous developpons ce determinant par rapport à la 2ème ligne alors
det
_
a b
c d
_
= (1)
2+1
c det (b) + (1)
2+2
d det (a) = bc +ad
Remarque : On sapercoit très vite que cette methode est lourde, surtout si la taille de la ma-
trice augmente. Par contre cette formule est très paratique quand une ligne ou une colonne contient
beaucoup de zeros.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
44
III.3 Proprietes et calcul pratique
Exemples :
Exemple A.3.3
Exercices :
Exercice B.3.2
Par rapport à la remarque du paragraphe precedent, on souhaite essayer de faire apparatre le
maximum de zeros dans une ligne ou dans une colonne dune matrice A, sans changer le determinant,
pour ensuite developper le determinant par rapport à cette ligne ou colonne.
Soit A une matrice carree dordre n dont on note C
1
, C
2
, , C
n
(respectivement L
1
, L
2
, , L
n
)
les colonnes (respectivement les lignes). Nous avons les proprietes suivantes :
1. Ajouter à une colonne C
i
un combinaison lineaire des autres colonnes ne change pas le deter-
minant de A. En eet :
det
E
(C
1
, , C
i
+
n
j=1
j=i
j
C
j
, C
n
) = det
E
(C
1
, , C
i
, , C
n
) +
n
j=1
j=i
j
det
E
(C
1
, , C
j
, , C
n
)
= det
E
(C
1
, C
2
, , C
n
) = det A
car dès que deux colonnes sont egales, le determinant est nul.
2. De meme ajouter à une ligne L
i
un combinaison lineaire des autres lignes ne change pas le
determinant de A. En eet :
det
E
(L
1
, , L
i
+
n
j=1
j=i
j
L
j
, L
n
) = det
E
(L
1
, , L
i
, , L
n
) +
n
j=1
j=i
j
det
E
(L
1
, , L
j
, , L
n
)
= det
E
(L
1
, L
2
, , L
n
) = det A
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
45
Proprietes et
calcul pratique
car dès que deux lignes sont egales, le determinant est nul.
3.
det
E
(
1
C
1
,
2
C
2
, ,
n
C
n
) =
1
2

n
det
E
(C
1
, C
2
, , C
n
)
donc multiplier une matrice carree dordre n par une constante revient à multiplier son
determinant par
n
:
det A =
n
det A.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent chapitre
46
III.4 Autres proprietes
Exemples :
Exemple A.3.4
Exercices :
Exercice B.3.3
Soit A une matrice de M
n
(K).
1. det (AB) = det A det B
2. A est inversible si et seulement si det A = 0
En eet , nous savons que si f End(E) et E de dimension nie n alors
f bijective f injective f surjective rg f = n
En transposant ceci à la matrice A, interpretee comme la matrice dun endomorphisme on
obtient en particulier
rg A = n A inversible
et
rg A = n Les vecteurs colonnes sont libres det
E
(C
1
, C
2
, ..., C
n
) = 0
De plus, puisque AA
1
= I
n
nous avons la formule
1 = det I
n
= det (AA
1
) = det A det A
1
et
det A
1
=
1
det A
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent chapitre
47
Autres
proprietes
3. Si A et A
sont deux matrices representant le meme endomorphisme f alors il existe une matrice
P telle que A
= P
1
AP. On a
det A
= det (P
1
AP) = det (P
1
A) det P = det P
1
det A det P = det A
Ainsi le determinant dune application lineaire ne depend pas de la base dans laquelle on ecrit
sa matrice et on a
det f = det A o` u A est la matrice de f dans nimporte quelle base de E
4. On appelle comatrice de A ou bien matrice des cofacteurs de A, la matrice de M
n
(K) notee
Com A denie par :
Com A = ((1)
i+j
det A
ij
)
1i,jn
Alors si A est inversible,
A
1
=
1
det A
t
Com(A)
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent suivant
48
Chapitre IV
Systèmes dequations lineaires
IV.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
IV.2 Pivot de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
IV.3 Systèmes de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
chapitre suivant
49
IV.1 Position du problème
Soit à resoudre le système dequations lineaires de m equations et n inconnues suivant :
(S)
_
_
a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... + a
2n
x
n
= b
2
a
31
x
1
+ a
32
x
2
+ ... + a
3n
x
n
= b
3
... ... ... ... ...
a
i1
x
1
+ a
i2
x
2
+ ... + a
in
x
n
= b
i
... ... ... ... ...
a
m11
x
1
+ a
m12
x
2
+ ... + a
m1n
x
n
= b
m1
a
m1
x
1
+ a
m2
x
2
+ ... + a
mn
x
n
= b
m
Les a
ij
ainsi que les b
i
sont des donnees, elements de K.
Les x
i
sont les n inconnues elements de K .
1. Ecriture matricielle : On peut ecrire ce système de la facon suivante :
AX = B
o` u
X =
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
; B =
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
chapitre suivant
50
Position du
problème
et
A =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
... ... ... ...
a
i1
a
i2
... a
in
... ... ... ...
a
m11
a
m12
... a
m1n
a
m1
a
m2
... a
mn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
2. Ecriture vectorielle : Si on note A
1
, A
2
, , A
n
les colonnes de la matrice A alors le système
secrit
x
1
A
1
+x
2
A
2
+ x
n
A
n
= B
3. Ecriture fonctionnelle : Si la matrice A represente l application lineaire f de L(E, F) et si
X et B sont les matrices colonnes representant les vecteurs x et b alors le système secrit aussi
f(x) = b
Resoudre ce système, cest trouver tous les n-uplets (x
1
, x
2
, , x
n
) qui satisfont aux m equations.
Cest denir lensemble des antecedents de b par f.
Si b = 0
F
, lequation f(x) = 0
F
est appelee equation homogène, elle represente le système
homogène. Resoudre ce système revient à determnier le noyau Ker f. On a toujours 0
E
Ker f
donc 0
E
est toujours solution du système homogène, cest la solution triviale.
Soit x
0
une solution particulière de (S) alors on a f(x
0
) = b et le système à resoudre devient
f(x) = f(x
0
) soit f(x x
0
) = 0
F
et x x
0
Ker f
Les solutions de (S) sont de la forme z +x
0
o` u z Ker f et x
0
est une solution particulière.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
51
IV.2 Pivot de Gauss
Exemples :
Exemple A.4.1
Exemple A.4.2
Exemple A.4.3
Exercices :
Exercice B.4.1
Nous nous contenterons de presenter cette methode sur trois exemples. Cette methode consiste
à transformer le système en un système triangulaire (cest-à-dire tel que la matrice du système soit
triangulaire) et que lon resout facilement en partant du bas.
Cette transformation se fait en remplacant une ligne par cette ligne plus une constante fois une
ligne xee à lavance de sorte de faire apparatre un zero.
Les exemples A.4.1, A.4.2 et A.4.3 presentent les trois cas de gure possibles.
Cette methode est assez pratique.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent chapitre
52
IV.3 Systèmes de Cramer
Exemples :
Exemple A.4.4
On se place dans le cas particulier o` u m = n. Nous allons presenter un procede de resolution
utilisant le calcul des determinants. Le resultat est le suivant :
Theorème IV.2 Le système (S) a une unique solution si et seulement si le determinant de A
nest pas nul.
Dans ce cas le système (S) est qualie de Cramer.
Si on note A
1
, A
2
, , A
n
les n colonnes de A alors lunique solution de (S) est donnee par les
egalites suivantes :
i {1, 2, ..., n} x
i
=
det
E
(A
1
, A
2
, ..., A
i1
, B, A
i+1
, ..., A
n
)
det A
(on a remplace la colonne i par le vecteur B.)
Demonstration
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent suivant
53
Chapitre V
Reduction des endomorphismes
V.1 Valeurs propres, vecteurs propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
V.2 Espace propre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
V.3 Polynome caracterisitique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
V.4 Diagonalisation des endomorphismes . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
V.5 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
chapitre suivant
54
V.1 Valeurs propres, vecteurs propres
Exemples :
Exemple A.5.1
Exercices :
Exercice B.5.1
Dans tout ce chapitre, E designe un Kespace vectoriel de dimension n et f est un endomor-
phisme de E.
Le but de ce chapitre est de trouver une base E de E telle que Mat (f, E), la matrice de f relati-
vement à la base E, soit la plus simple possible, lideal etant lorsque Mat (f, E) est diagonale.
On appelle valeur propre de f un scalaire de K tel quil existe un vecteur v de E non nul tel
que f(v) = v.
Le vecteur v est appele vecteur propre de f associe à la valeur propre .
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
55
V.2 Espace propre
Exemples :
Exemple A.5.2
Exercices :
Exercice B.5.2
Soit un scalaire, on note : E
= {v E, f(v) = v}. On a :
E
= {v E, f(v) v = 0
E
}
= {v E, (f Id
E
)(v) = 0
E
}
= Ker(f Id
E
)
Par consequent, E
est un s.e.v. de E puisquil est le noyau dune application lineaire.

Si nest pas valeur propre de f alors seul le vecteur nul verie f(v) = v et E
= {0
E
}.
Si au contraire est une valeur propre de f, alors E
= {0
E
} et E
est appele sous espace

propre de E relatif à la valeur propre de f et dans ce cas, dim E
1.
On constate que si est une valeur propre de f, alors E
est stable par f ce qui signie que pour

tout v E
, f(v) E
cest-à-dire f(E
) E
.
En eet, si v E
, f(v) = v et v E
puisque E
est un s.e.v. de E donc en particulier, E
est stable pour la loi interne. On peut donc considerer la restriction de f à E
dont la matrice dans

Sommaire
Concepts
Notions
Exemples
Exercices
Documents
56
Espace propre une base E
de E
est
_
_
_
_
_
_
_
0 0 0
0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0
0 0 . . . 0
_
_
_
_
_
_
_
M
dim E
(K)
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
57
V.3 Polynome caracterisitique
Exemples :
Exemple A.5.3
Exercices :
Exercice B.5.3
Soit A = (a
ij
)
i{1,2,,n},j{1,2,,n}
M
n
(K).
Theorème V.3 (admis) On denit la fonction P
A
(x) par
P
A
(x) = det(AxI
n
).
Cette fonction est une fonction polynome de degre n, qui secrit
P
A
(x) = (1)
n
x
n
+ (1)
n1
Tr(A)x
n1
+ + det(A) o` u Tr(A) =
n
i=1
a
ii
.
Cette fonction polynome sappelle le polynome caracteristique de A.
Si A et A
sont les matrices dun meme endomorphisme f relativement à deux bases dierentes
alors P
A
(x) = P
A
(x).
En eet, par la formule de changement de base (II.3.2) on a
A
= P
1
AP o` u P est la matrice de passage entre les deux bases.
Il est clair que A
xI
n
= P
1
(AxI
n
)P et en prenant le determinant on obtient
det (A
xI
n
) = = det (P
1
) det (AxI
n
) det P = det (AxI
n
)
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
58
Polynome
caracterisitique
puisque det (P
1
) =
1
det P
.
Ainsi on peut denir le polymome caracteristique de f, par
P
f
(x) = det(f xid
E
) = det(AxI
n
)
pour toute matrice A representant f dans une base de E.
Theorème V.4 Les valeurs propres de f sont les racines de P
f
.
Demonstration
On appelle multiplicite dune valeur propre , lordre de multiplicite de en tant que racine de
P
f
. On la note m
.
Propriete V.5 Soit f un endomorphisme de E et A sa matrice representative dans une base de
E.
Si dim E = n, alors f a au plus n valeurs propres.
Si P
f
est scinde, (ce qui sera toujours le cas si K = C) alors :
f a n valeurs propres distinctes ou non.
La somme des valeurs propres est egale à Tr(A).
Le produit des valeurs propres de f est egal à det A = det f.
Demonstration
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
59
V.4 Diagonalisation des endomorphismes
Exemples :
Exemple A.5.4
Exercices :
Exercice B.5.4
Si est une valeur propre de multiplicite m
de lendomorphisme f et si E
est lespace propre

associe, alors on verie que
1 dim E
Remarque : Si m
= 1 alors dim E
= 1 = m
.
Un endomorphisme f est diagonalisable, sil existe une base V de E dans laquelle la matrice de f
est diagonale cest-à-dire,
Mat (f, V) =
_
_
_
_
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . .
n
_
_
_
_
_
(on notera E la base canonique de E)
Premières consequences : Si f est diagonalisable alors
1. les termes de la diagonale principale de la matrice sont les valeurs propres de f.
2. le nombre de fois o` u gure une valeur propre sur cette diagonale est egal à lordre de multiplicite
de cette valeur propre.
3. ce nombre est aussi egal à la dimension du sous espace propre associe à cette valeur propre.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
60
Diagonalisation
des endomor-
phismes
4. le polynome caracteristique secrit :
P
f
(x) = (
1
x)(
2
x) (
n
x)
il est donc scinde dans K.
Au vu de la matrice il est clair que
f est diagonalisable si et seulement si il existe une base de vecteurs propres.
On peut egalement montrer que la reunion des bases des espaces propres forme toujours une fa-
mille libre.
Nous avons de plus lequivalence suivante :
Theorème V.6 (Admis) f est diagonalisable si et seulement si
_
P
f
est scindee dans K
Pour toute valeur propre , dim E
= m
.
Cas particulier important :
Corollaire V.7 Si le polynome caracteristique de f a n = dim E racines distinctes, alors f est
diagonalisable.
Demonstration
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent chapitre
61
V.5 Applications
Exemples :
Exemple A.5.5
Exemple A.5.6
Exemple A.5.7
1) Calcul de A
m
.
Si A est diagonalisable, il existe P GL
n
(K) et D = Diag(
1
,
2
, ,
n
) tels que D = P
1
AP
et A = PDP
1
.
On a alors A
m
= PD
m
P
1
avec D
m
= Diag(
m
1
,
m
2
, ,
m
n
) .
(cf lexemple A.5.5)
2) Applications aux systèmes lineaires dequations dierentielles du premier ordre à coecients
constants.
Nous nous contenterons de presenter un exemple.
Soit à resoudre le système suivant :
_
_
_
2x(t) + 4z(t) = x
(t)
3x(t) 4y(t) + 12z(t) = y
(t)
x(t) 2y(t) + 5z(t) = z
(t)
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent chapitre
62
Applications o` u x, y et z sont des fonctions de la variable t et x
, y
et z
sont leurs derivees.

Ce système secrit matriciellement
X
(t) = AX(t)
o` u
A =
_
_
2 0 4
3 4 12
1 2 5
_
_
et X(t) =
_
_
x(t)
y(t)
z(t)
_
_
on reconnat la matrice A de lexemple A.5.4. Ainsi en multipliant à gauche les deux membres
de legalite X
(t) = AX(t) par la matrice P

1
et en posant
Y (t) =
_
_
x
1
(t)
y
1
(t)
z
1
(t)
_
_
= P
1
X(t)
on obtient Y
(t) = DY (t) o` u D est diagonale, et le système est très simple à resoudre.

On resout en Y (t) et on revient à X(t) grace ` a la relation X(t) = PY (t).
(voir les calculs dans lexemple A.5.6).
3) Applications à des suites recurrentes.
Nous nous contenterons encore de presenter un exemple.
Soit les suites recurrentes (u
n
), (v
n
), (w
n
) denies par :
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent
63
Applications _
_
u
0
v
0
w
0
_
_
K
3
et n 0
_
_
_
u
n+1
= 2u
n
+ 4w
n
v
n+1
= 3u
n
4v
n
+ 12w
n
w
n+1
= u
n
2v
n
+ 5w
n
Le problème est dexprimer u
n
,v
n
et w
n
en fonction de n, u
0
, v
0
et w
0
.
Pour cela en notant X
n
le vecteur
_
_
u
n
v
n
w
n
_
_
on a avec les notations precedentes :
n 0 X
n+1
= AX
n
Et par recurrence immediate, on a pour tout n N, X
n
= A
n
X
0
.
(voir le resultat dans lexemple A.5.7)
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent suivant
64
Annexe A
Exemples
A.1 Exemples du chapitre I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
A.2 Exemples du chapitre II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
A.3 Exemples du chapitre III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
A.4 Exemples du chapitre IV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
A.5 Exemples du chapitre V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
65
A.1 Exemples du chapitre I
A.1.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
A.1.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
A.1.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
A.1.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
A.1.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
A.1.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
A.1.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
A.1.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
A.1.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
A.1.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
A.1.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
A.1.12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
A.1.13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
A.1.14 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
66
Exemple A.1.1
Lensemble R
2
= {(x, y), x R, y R} muni des lois + et . denies pour tous (x
1
, y
1
), (x
2
, y
2
) de
R
2
et tout de R par
(x
1
, y
1
) + (x
2
, y
2
) = (x
1
+x
2
, y
1
+y
2
) et .(x
1
, y
1
) = (x
1
, y
1
)
est un R espace vectoriel.
En eet, la loi interne est commutative et associative parce que laddition de R possède ces pro-
prietes.
Elle admet un neutre qui est 0
R
2 = (0, 0) puisque
(x, y) + (0, 0) = (x + 0, y + 0) = (x, y).
Enn, tout element (x, y) de R
2
admet un symetrique qui est (x, y) puisque
(x, y) + (x, y) = (x x, y y) = (0, 0) = 0
R
2.
Dautre part, pour verier que la loi externe a les proprietes requises, il sut decrire les formules
et utiliser le fait que la multiplication dans R est distributive par rapport à laddition et admet le reel
1 comme neutre.
En eet pour tous v
1
= (x
1
, y
1
) et v
2
= (x
2
, y
2
) de R
2
et tous , de R on a
1. .(v
1
+v
2
) = .(x
1
+x
2
, y
1
+y
2
) = ((x
1
+x
2
), (y
1
+y
2
)) = (x
1
+x
2
, y
1
+y
2
)
= (x
1
, y
1
) + (x
2
, y
2
) = .(x
1
, y
1
) +.(x
2
, y
2
) = .v
1
+.v
2
2. ( +).v
1
= ( +).(x
1
, y
1
) = (( +)x
1
, ( +)y
1
) = (x
1
+x
1
, y
1
+y
1
)
= (x
1
, y
1
) + (x
1
, y
1
) = .(x
1
, y
1
) +.(x
1
, y
1
) = .v
1
+.v
1
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
67
Exemple A.1.1 3. ().v
1
= ().(x
1
, y
1
) = (()x
1
, ()y
1
) = (x
1
, y
1
) = .(x
1
, y
1
)
= .(.(x
1
, y
1
)) = .(.v
1
)
4. 1.v
1
= 1.(x
1
, y
1
) = (1x
1
, 1y
1
) = (x
1
, y
1
) = v
1
.
Ainsi (R
2
, +, .) est un R espace vectoriel.
On verie de la meme manière que R
3
= {(x, y, z), x R, y R, z R} muni des lois + et .
denies pour tous (x
1
, y
1
, z
1
), (x
2
, y
2
, z
2
) de R
3
et tout de R par
(x
1
, y
1
, z
1
) + (x
2
, y
2
, z
2
) = (x
1
+x
2
, y
1
+y
2
, z
1
+z
2
) et .(x
1
, y
1
, z
1
) = (x
1
, y
1
, z
1
)
Plus generalement, on montre que R
n
= {(x
1
, x
2
, , x
n
), avec pour 1 i n x
i
R} muni des
lois + et . denies comme pour R
2
ou R
3
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
68
Exemple A.1.2
Denissons deux lois sur lensemble des fonctions polynomes K[x]. Une addition notee + o` u addi-
tionner deux fonctions polynomes revient à faire la somme des coecients des termes de meme degre.
Une loi externe notee . o` u multiplier une fonction polynome P par un scalaire revient à multiplier
tous les coecients de P par ce scalaire.
Si par exemple P = x
3
+ 2x
2
5 et Q = x
2
+ 8x 3 alors
P +Q = x
3
+ 3x
2
+ 8x 8 et 3.P = 3x
3
+ 6x
2
15
Alors (K[x], +, .) est un K espace vectoriel.
Il sut de verier que les lois + et . ont les proprietes requises.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
69
Exemple A.1.3
Soit I un intervalle de R, on note F(I, R) lensemble des fonctions denies de I vers R. Pour
toutes fonctions f et g de F(I, R) et tout R on denit
f +g F(I, R) o` u pour tout x I, (f +g)(x) = f(x) +g(x)
et
.f F(I, R) o` u pour tout x I, (.f)(x) = f(x)
Là encore, (F(I, R), +, .) est un R espace vectoriel.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
70
Exemple A.1.4
Soit (E, +, .) un K espace vectoriel. E et {0
E
} sont clairement des sous-espaces vectoriels de E.
En eet {0
E
} est non vide puisquil contient 0
E
et pour tout de K, .0
E
+ 0
E
= 0
E
{0
E
}
donc {0
E
} est un s.e.v (= sous-espace vectoriel) de E.
De meme, E est non vide puisquil contient 0
E
et pour tous v
1
, v
2
dans E et tout de K,
.v
1
+v
2
E puisque les lois . et + sont à valeurs dans E donc E est un s.e.v de E.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
71
Exemple A.1.5
Lensemble E
1
= {(x, y, z) R
3
/ x +y = 0} est-il un s.e.v. de R
3
?
Pour etre dans E
1
, un element de R
3
doit etre tel que la somme des deux premiers coecients
vaut 0.
Regardons si E
1
contient le neutre de R
3
à savoir 0
R
3 = (0, 0, 0). On a bien 0 + 0 = 0 donc
(0, 0, 0) E
1
et E
1
nest pas vide.
Regardons la stabilite par rapport aux lois + et ., cest-à-dire si pour tous v = (x, y, z) et
v
= (x
, y
, z
) de E
1
et tout de R, .v +v
E
1
.
On a .v +v
= .(x, y, z) + (x
, y
, z
) = (x, y, z) + (x
, y
, z
) = (x +x
, y +y
, z +z
) et
(x+x
)+(y+y
) = x+y+x
+y
= (x+y)+(x
+y
) = 0+0 = 0 puisque v et v
sont dans E
1
.
Par suite .v +v
E
1
et E
1
est un s.e.v. de R
3
.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
72
Exemple A.1.6
Lensemble E
2
= {(x, y, z) R
3
/ x +y +z = 1} est-il un s.e.v. de R
3
?
Pour etre dans E
2
, un element de R
3
doit etre tel que la somme de tous ces coecients vaut 1.
Regardons si E
1
contient 0
R
3 = (0, 0, 0) : 0 + 0 + 0 = 0 = 1 donc 0
R
3 E
2
et E
2
ne peut pas etre
un s.e.v. de R
3
car la loi + na pas de neutre.
E
2
nest pas un s.e.v. de R
3
.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
73
Exemple A.1.7
Les vecteurs e
1
= (1, 0) et e
2
= (0, 1) de R
2
forment une famille generatrice de R
2
. En eet tout
(x, y) de R
2
secrit comme combinaison lineaire des vecteurs e
1
et e
2
:
xe
1
+ye
2
= x(1, 0) +y(0, 1) = (x, 0) + (0, y) = (x, y)
et R
2
= Vect (e
1
, e
2
).
De meme les vecteurs e
1
= (1, 0, 0), e
2
= (0, 1, 0) et e
3
= (0, 0, 1) de R
3
forment une famille
generatrice de R
3
. En eet tout (x, y, z) de R
3
secrit comme combinaison lineaire des vecteurs e
1
, e
2
et e
3
:
xe
1
+ye
2
+ze
3
= x(1, 0, 0) +y(0, 1, 0) +z(0, 0, 1) = (x, 0, 0) + (0, y, 0) + (0, 0, z) = (x, y, z)
et R
3
= Vect (e
1
, e
2
, e
3
).
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
74
Exemple A.1.8
Soit f
i
la fonction polynome denie pour tout x R par f
i
(x) = x
i
avec la convention que pour
tout x R, f
0
(x) = 1.
La famille de fonctions polynomes {f
i
, i N} est une famille generatrice de lespace vectoriel K[x].
En eet, toute fonction polynome secrit comme combinaison lineaire de vecteurs f
i
. Par exemple, si
P = x
4
+ 5x
3
12x
2
+ 7 alors
P = f
4
+ 5f
3
12f
2
+ 7f
0
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
75
Exemple A.1.9
Les vecteurs e
1
= (1, 0) et e
2
= (0, 1) de R
2
forment une famille libre de R
2
. Pour le prouver,
il faut partir dune combinaison lineaire nulle des e
i
et montrer que la seule possibilite est que les
scalaires soient nuls.
1
e
1
+
2
e
2
= 0
R
2 (
1
,
2
) = (0, 0)
1
=
2
= 0
et (e
1
, e
2
) est donc une famille libre.
De meme les vecteurs e
1
= (1, 0, 0), e
2
= (0, 1, 0) et e
3
= (0, 0, 1) de R
3
forment une famille libre
de R
3
. En eet
1
e
1
+
2
e
2
+
3
e
3
= 0
R
3 (
1
,
2
,
3
) = (0, 0, 0)
1
=
2
=
3
= 0
et (e
1
, e
2
, e
3
) est donc une famille libre.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
76
Exemple A.1.10
La famille {(1, 2, 3), (1, 1, 1), (0, 0, 0)} est liee car
0(1, 2, 3) + 0(1, 1, 1) + 7(0, 0, 0) = (0, 0, 0) avec
3
= 7 = 0
On a pu ecrire une combinaison lineaire nulle de ces vecteurs sans que tous les coecients soient
nuls, la famille est donc liee.
On remarque que ceci sera toujours le cas dès que la famillle contient le vecteur nul.
La famille {(1, 2, 3), (1, 1, 1), (2, 4, 6)} est liee car
2(1, 2, 3) + 0(1, 1, 1) 1(2, 4, 6) = (0, 0, 0) avec
1
= 2 = 0
La famille {(1, 2, 3), (1, 1, 1), (1, 3, 5)} est-elle libre ?
Partons dune combinaison lineaire nulle de ces vecteurs et voyons si necessairement tous les
scalaires sont nuls.
1
(1, 2, 3) +
2
(1, 1, 1) +
3
(1, 3, 5) = (0, 0, 0)
(
1
+
2
+
3
, 2
1
+
2
+ 3
3
, 3
1
+
2
+ 5
3
) = (0, 0, 0)
ce qui conduit au système :
_
_
_
1
+
2
+
3
= 0
2
1
+
2
+ 3
3
= 0
3
1
+
2
+ 5
3
= 0
_
_
_
1
=
2
3
2
2
2
3
+
2
+ 3
3
= 0
3
2
3
3
+
2
+ 5
3
= 0
_
_
_
2
=
3
1
= 2
3
0 = 0
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
77
Exemple A.1.10 On constate que quel que soit
3
,
2
3
(1, 2, 3) +
3
(1, 1, 1) +
3
(1, 3, 5) = (0, 0, 0)
en particulier, si
3
= 1,
2(1, 2, 3) (1, 1, 1) (1, 3, 5) = (0, 0, 0)
La famille {(1, 2, 3), (1, 1, 1), (1, 3, 5)} est donc liee.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
78
Exemple A.1.11
Les vecteurs e
1
= (1, 0) et e
2
= (0, 1) de R
2
forment une base de R
2
puisquils sont generateurs et
libres. (cf exercices A.1.7 et A.1.9)
De meme, les vecteurs e
1
= (1, 0, 0), e
2
= (0, 1, 0) et e
3
= (0, 0, 1) de R
3
3
puisquils sont generateurs et libres. (cf exercices A.1.7 et A.1.9)
De la meme fa con dans R
n
les vecteurs e
1
, e
2
, ..., e
n
denis par :
e
1
= (1, 0, 0, ..., 0)
e
2
= (0, 1, 0, ..., 0)
.
.
.
.
.
.
.
.
.
e
n
= (0, 0, 0, ..., 1)
n
.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
79
Exemple A.1.12
Dans lexercice B.1.3, quand nous avons montre que les vecteurs
1
= (1, 1, 0),
2
= (0, 0, 1) et
3
= (1, 1, 2) de R
3
formaient une famille generatrice de R
3
nous avons ete amene à resoudre le
système
_
_
_
1
+
3
= x
3
= y
2
2
3
= z
dont lunique solution est
(S)
_
_
_
1
=
1
2
(x +y)
3
=
1
2
(x y)
2
= x y +z
Ainsi,
(x, y, z) R
3
! (
1
,
2
,
3
) denis par la système (S) ci-dessus tels que (x, y, z) =
1
1
+
2
2
+
3
3
ce qui daprès le theorème I.3 assure que la famille (
1
,
2
,
3
) est une base de R
3
.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
80
Exemple A.1.13
R
2
est de dimension nie puisque nous avons montre dans lexemple A.1.11 que R
2
etait engendre
par deux vecteurs. Ces deux vecteurs etant libres, nous avons donc dim R
2
= 2.
De meme, nous avons trouve deux bases dierentes de R
3
(cf les exemples A.1.11 et A.1.12) de
meme cardinal 3, donc R
3
est de dimension nie et dim R
3
= 3.
Plus generalement, R
n
est un espace vectoriel de dimension nie et dim R
n
= n
Daprès lexercice B.1.5, K
n
[x] est de dimension nie et dim K
n
[x] = n + 1. (Attention!)
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
81
Exemple A.1.14
Voici plusieurs methodes pour montrer que les vecteurs (
1
,
2
,
3
) denis dans lexercice B.1.4
3
.
Methode 1 : Montrer comme dans les exercices B.1.3 et B.1.4 quils forment une famille libre et
generatrice. Cest donc une base de R
3
.
Methode 2 : Montrer comme dans lexercice B.1.3 quils forment une famille generatrice et remar-
quer que cette famille est composee de trois vecteurs et que dim R
3
= 3. On conclut grace à la
propriete I.5 que la famille (
1
,
2
,
3
) est une base de R
3
.
Methode 3 : Montrer comme dans lexercice B.1.4 quils forment une famille libre et remarquer
que cette famille est composee de trois vecteurs et que dim R
3
= 3. On conclut grace à la
propriete I.5 que la famille (
1
,
2
,
3
) est une base de R
3
.
Remarque : rg (
1
,
2
,
3
) = dim R
3
= 3.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
82
A.2 Exemples du chapitre II
A.2.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
A.2.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
A.2.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
A.2.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
A.2.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
A.2.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
A.2.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
A.2.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
A.2.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
A.2.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
A.2.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
A.2.12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
A.2.13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
83
Exemple A.2.1
La question est de savoir si les matrices A =
_
1 2
1 3
_
et B =
_
1 0
0 0
_
sont inversibles ?
Pour A, cherchons une matrice A
=
_
x y
z t
_
telle que AA
= A
A = I
2
. Nous avons
AA
= I
2

_
1 2
1 3
__
x y
z t
_
=
_
1 0
0 1
_
_
x + 2z y + 2t
x + 3z y + 3t
_
=
_
1 0
0 1
_
ce qui conduit au système
_
_
x + 2z = 1
y + 2t = 0
x + 3z = 0
y + 3t = 1
_
y = 2t
x = 3z
z = 1
t = 1
do` u A
=
_
3 2
1 1
_
.
On verie ensuite que AA
= A
A = I
2
donc A est inversible et A
1
=
_
3 2
1 1
_
.
De la meme manière pour B, on cherche une matrice B
=
_
x y
z t
_
telle que BB
= B
B = I
2
.
Nous avons
BB
= I
2

_
1 0
0 0
__
x y
z t
_
=
_
1 0
0 1
_
_
x y
0 0
_
=
_
1 0
0 1
_
ce qui est impossible puisque 1 = 0 donc B nest pas inversible.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
84
Exemple A.2.1 Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
85
Exemple A.2.2
1. Soit E un espace vectoriel sur K et un element de K non nul. Soit g
lapplication denie
par
g
: E E
v .v
Alors g
L(E). En eet, pour tous (v, v
) E
2
et tout K,
g
(v+v
) = .(.v+v
) = .(.v)+.v
= ().v+.v
= ().v+.v
= .(.v)+.v
= .g
(v)+g
(v
)
Lapplication g
est appellee lhomothetie de E de rapport .

2. Soit lapplication
g : R
3
R
(x, y, z) y
alors g L(R
3
, R). En eet, pour tous v = (x, y, z) et v
= (x
, y
, z
) dans R
3
et tout R,
g(.v +v
) = g((x +x
, y +y
, z +z
))
= y +y
= .g(v) +g(v
)
g sappelle une projection.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
86
Exemple A.2.3
Lapplication
f
1
: R R
x x
2
nest pas injective car f
1
(2) = f
1
(2) = 4 donc on peut avoir
f
1
(x) = f
1
(y) sans que x = y, ce qui nie la denition dinjectif.
Une autre fa con de le demontrer est de regarder ce que signie f
1
(x) = f
1
(y). On a pour tout x
et y dans R,
f
1
(x) = f
1
(y) x
2
= y
2
x = y ou x = y
donc pas forcement x = y.
Lapplication
f
2
: R
+
R
x x
2
est injective car pour tout x et y dans R
+
,
f
2
(x) = f
2
(y) x
2
= y
2
x = y ou x = y
mais x et y sont positifs donc x = y est impossible et f
2
(x) = f
2
(y) =x = y.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
87
Exemple A.2.4
Lapplication
f
1
: R R
x x
2
nest pas surjective car pour w = 2, il nexiste pas de v tel
que f
1
(v) = w. En eet, f
1
(v) = v
2
et un carre est toujours positif.
Lapplication
f
3
: R R
+
x x
2
est surjective car pour tout w dans R
+
, il existe v =

w tel
que f
3
(v) = v
2
= (
w)
2
= w..
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
88
Exemple A.2.5
Une application bijective est à la fois injective et surjective donc lapplication
f : R
+
R
+
x x
2
.
En eet, elle est injective daprès lexemple A.2.3 et surjective daprès lexemple A.2.4.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
89
Exemple A.2.6
Dans lexercice B.2.6 nous avons montre que lapplication
g
2
: R
2
R
3
(x, y) (x +y, 2x, y 3x)
etait lineaire. Determinons son noyau.
Soit (x, y) R
2
.
(x, y) Ker g
2
g
2
(x, y) = (0, 0, 0) (x +y, 2x, y 3x) = (0, 0, 0)
_
_
_
x +y = 0
2x = 0
y 3x = 0
x = y = 0
Le seul vecteur du noyau est (0, 0) et Ker g
2
= {0
R
2} et g
2
est injective.
Que dire de la surjectivite ?
R
2
et R
3
sont des espaces de dimension nie donc daprès le theorème du rang,
dim Im g
2
= dim R
2
dim Ker g
2
= dim R
2
= 2
puisque lespace vectoriel reduit au vecteur nul est de dimension 0.
Ainsi, Im g
2
est un s.e.v. de dimension 2 dans R
3
de dimension 3, donc Im g
2
= R
3
et g
2
nest
pas surjective.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
90
Exemple A.2.6 Daprès les calculs faits dans lexercice B.2.6 pour savoir si g
2
etait surjective ou non on a
Im g
2
= {w = (, , ) R
3
tel que = 2}
= {(, , 2), (, ) R
2
}
= {(1, 0, 1) +(0, 1, 2), (, ) R
2
}
= V ect{(1, 0, 1), (0, 1, 2)}
On voit donc que les vecteurs (1, 0, 1) et (0, 1, 2) sont generateurs de Im g
2
, on verie aisement quils
forment une famille libre.
Ainsi, {(1, 0, 1), (0, 1, 2)} est une base de Im g
2
et on retrouve que dim Im g
2
= 2.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
91
Exemple A.2.7
Dans lexemple A.2.2 nous avons montre que lapplication
g
: E E
v .v avec = 0
K
etait lineaire. Determinons son noyau. Soit v E.
v Ker g
(v) = 0
E
.v = 0
E
= 0
K
ou v = 0
E
Ici, = 0
K
donc necessairement v = 0
E
et Ker g = {0
E
} et g est injective.
Si E est de dimension nie, on peut appliquer le theorème du rang qui permet decrire
dim Im g
= dim E dim Ker g
= dim E
puisque lespace vectoriel reduit au vecteur nul est de dimension 0.
Ainsi, Im g
est un s.e.v. de E de meme dimension que E donc Im g
= E et g
est surjective.
Cependant, les homotheties peuvent etre denies sur des espaces qui ne sont pas de dimension nie
et le theorème du rang ne sapplique plus. Pour savoir si g
est surjective, il faut revenir à la denition :

Soit w E on cherche v E tel que g
(v) = w, cest-à-dire .v = w. Or = 0
K
donc il existe
K tel que
= 1
K
. Par suite, si v =
w alors
g
(v) =
w = 1
K
w = w
et g
est surjective.
Remarque :
=
1
.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
92
Exemple A.2.7 Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
93
Exemple A.2.8
Dans lexemple A.2.2 nous avons montre que lapplication
g : R
3
R
(x, y, z) y
etait lineaire. Determinons son noyau.
Soit (x, y, z) R
3
.
(x, y, z) Ker g g(x, y, z) = 0 y = 0
donc
Ker g = {w = (x, y, z) R
3
tel que y = 0}
= {(x, 0, z), (x, z) R
2
}
= {x(1, 0, 0) +z(0, 0, 1), (x, z) R
2
}
= Vect {(1, 0, 0), (0, 0, 1)}
On voit donc que les vecteurs (1, 0, 0) et (0, 0, 1) sont generateurs de Ker g, on verie aisement quils
forment une famille libre.
Ainsi, {(1, 0, 0), (0, 0, 1)} est une base de Ker g et dim Ker g = 2 donc g nest pas injective.
Que dire de la surjectivite ?
R et R
3
sont des espaces de dimension nie donc daprès le theorème du rang,
dim Im g = dim R
3
dim Ker g = 3 2 = 1
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
94
Exemple A.2.8 Ainsi, Im g est un s.e.v. de dimension 1 dans R de dimension 1, donc necessairement, Im g = R
et g est surjective.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
95
Exemple A.2.9
Ecrivons la matrice de lapplication lineaire
g : R
3
R
(x, y, z) y
relativement aux bases canoniques de R
3
et R.
Soit donc e
1
= (1, 0, 0), e
2
= (0, 1, 0) et e
3
= (0, 0, 1) les vecteurs de la base canonique de R
3
et
f
1
= (1) le vecteur de la base canonique de R. Il faut calculer les images de e
1
, e
2
et e
3
en fonction de f
1
.
Il est clair que g(e
1
) = g(e
3
) = 0 = 0.f
1
et g(e
2
) = 1 = 1.f
1
do` u la matrice
g(e
1
) g(e
2
) g(e
3
)
A = Mat (g, (e
1
, e
2
, e
3
), (f
1
)) = ( 0 1 0 ) f
1
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
96
Exemple A.2.10
Ecrivons la matrice de lapplication lineaire
g
2
: R
2
R
3
(x, y) (x +y, 2x, y 3x)
relativement aux bases canoniques de R
2
et R
3
. Soit E = (e
1
, e
2
) et F = (f
1
, f
2
, f
3
) avec
e
1
= (1, 0), e
2
= (0, 1), f
1
= (1, 0, 0), f
2
= (0, 1, 0) et f
3
= (0, 0, 1), les bases canoniques de R
2
et R
3
respectivement.
Nous avons
g
2
(e
1
) = g
2
(1, 0) = (1, 2, 3) = f
1
+ 2f
2
3f
3
g
2
(e
2
) = g
2
(0, 1) = (1, 0, 1) = f
1
+ 0f
2
+f
3
do` u
B = Mat (g
2
, E, F) =
g
2
(e
1
) g
2
(e
2
)
_
_
1 1
2 0
3 1
_
_
f
1
f
2
f
3
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
97
Exemple A.2.11
Dans lexercice B.2.5 nous avons montre que la matrice C denie par
C =
_
_
1 0 1
1 0 1
0 1 2
_
_
est inversible et
C
1
=
_
_
1
2
1
2
0
1 1 1
1
2

1
2
0
_
_
=
1
2
_
_
1 1 0
2 2 2
1 1 0
_
_
.
Soient E et F deux espaces vectoriels de dimension 3 de base respective E = (e
1
, e
2
, e
3
) et
F = (f
1
, f
2
, f
3
).
On peut associer à la matrice C lapplication lineaire f de E vers E complètement denie par la
donnee des images par f des vecteurs (e
1
, e
2
, e
3
) et telle que C = Mat (f, E, F).
Ainsi
f(e
1
) = f
1
+f
2
f(e
2
) = f
3
f(e
3
) = f
1
f
2
2f
3
Et comme la matrice de f est inversible, la fonction f est bijective et f
1
est denie par
f
1
(f
1
) =
1
2
(e
1
+ 2e
2
+e
3
)
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
98
Exemple A.2.11
f
1
(f
2
) =
1
2
(e
1
2e
2
e
3
)
f
1
(f
3
) = e
3
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
99
Exemple A.2.12
Soit lapplication lineaire
g
2
: R
2
R
3
(x, y) (x +y, 2x, y 3x)
dont la matrice relativement aux bases canoniques E = (e
1
, e
2
) et F = (f
1
, f
2
, f
3
) avec e
1
= (1, 0),
e
2
= (0, 1), f
1
= (1, 0, 0), f
2
= (0, 1, 0) et f
3
= (0, 0, 1) de R
2
et R
3
est
A = Mat (g
2
, E, F) =
_
_
1 1
2 0
3 1
_
_
Soient E
= (e
1
, e
2
) et F
= (f
1
, f
2
, f
3
) deux nouvelles bases de R
2
et R
3
respectivement, denies
par
e
1
= (2, 1), e
2
= (3, 2), f
1
= (1, 1, 0), f
2
= (0, 0, 1) et f
3
= (1, 1, 2)
Determinons la matrice A
= Mat (g
2
, E
, F)
.
Daprès la formule etablie precedemment nous avons
A
= Q
1
AP avec P = P
EE
et Q = P
FF
.
Par denition, les matrices P et Q valent :
P =
_
2 3
1 2
_
et Q =
_
_
1 0 1
1 0 1
0 1 2
_
_
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
100
Exemple A.2.12 Il faut inverser la matrice Q ce que nous avons dejà fait (cf exercice B.2.5) et qui peut aussi se
faire en exprimant les vecteurs f
1
, f
2
et f
3
en fonction des vecteurs f
1
, f
2
et f
3
puisque Q
1
est la
matrice de passage entre les bases F
et F.
De toutes les fa cons on trouve
Q
1
=
_
_
1
2
1
2
0
1 1 1
1
2

1
2
0
_
_
et
A
=
_
_
1
2
1
2
0
1 1 1
1
2

1
2
0
_
_
_
_
1 1
2 0
3 1
_
_
_
2 3
1 2
_
=
_
_
1
2
1
2
0
1 1 1
1
2

1
2
0
_
_
_
_
3 5
4 6
5 7
_
_
=
_
_
7
2
11
2
6 8
1
2

1
2
_
_
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
101
Exemple A.2.13
Determinons le rang de la matrice
A =
_
_
1 1 1 1
2 3 4 5
0 1 2 3
_
_
M
34
(K)
On sait que
rg A min(3, 4) = 3
et que
rg A = dim Vect {C
1
, C
2
, C
3
, C
4
} = dim Vect {L
1
, L
2
, L
3
}
Or on constate que L
2
= L
3
+ 2L
1
donc Vect {L
1
, L
2
, L
3
} = Vect {L
1
, L
3
} et comme L
1
et L
3
ne
sont ni nulles, ni proportionnelles, {L
1
, L
2
} est libre donc
rg A = 2
.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
102
A.3 Exemples du chapitre III
A.3.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
A.3.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
A.3.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
A.3.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
103
Exemple A.3.1
Soit A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
. Calculons le determinant de A en le developpant par rapport à la
1ère ligne.
det
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
= (1)
1+1
(a
11
) det
_
a
22
a
23
a
32
a
33
_
+ (1)
1+2
(a
12
) det
_
a
21
a
23
a
31
a
33
_
+(1)
1+3
(a
13
) det
_
a
21
a
22
a
31
a
32
_
= a
11
(a
22
a
33
a
32
a
23
) a
12
(a
21
a
33
a
31
a
23
) +a
13
(a
21
a
32
a
31
a
22
)
= a
11
a
22
a
33
a
11
a
32
a
23
a
1
a
21
a
33
+a
12
a
31
a
23
+a
13
a
21
a
32
a
13
a
31
a
22
Dans le cas o` u la matrice est carree dordre 3, il existe une autre facon de presenter ce calcul que lon
appelle la règle de Sarrus. (cf cours en presentiel)
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
104
Exemple A.3.2
Le calcul du determinant des matrices diagonales ou traingulaires se prete très bien au develop-
pement par rapport à une ligne ou à une colonne à cause du grand nombre de zeros contenus dans
ces matrices.
Le determinant dune matrice triangulaire superieure est egal au produit des termes diagonaux :
a
11
a
12
... ... ... a
1n1
a
1n
0 a
22
... ... ... a
2n1
a
2n
0 0 a
33
... ... a
3n1
a
3n
0 ... ... 0 a
ii
... a
in
0 ... ... ... 0 a
n1n1
a
n1n
0 ... ... ... ... 0 a
nn
=
n
i=1
a
ii
Il sut de developper chaque determinant par rapport à la première colonne.
En transposant, on obtient que le determinant dune matrice triangulaire inferieure est egal au
produit des termes diagonaux.
Les matrices diagonales etant des matrices triangulaires particulières, leur determinant est egal
au produit des termes diagonaux.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
105
Exemple A.3.3
Calculons le determinant de la matrice
Z =
_
_
1 2
1 1
3 3
_
_
Nous allons essayer de faire apparaitre des zeros grace aux operations autorisees sur les lignes ou
colonnes.
det Z =
1 2
1 1
3 3
1 1 2
1 1
0 3
en remplacant C
1
par C
1
C
2
pour annuler le 3 de C
1
.
= ( 1)
1 1 2
1 1
0 3
en factorisant C
1
par ( 1)
= ( 1)
1 1 2
0 + 1 1
0 3
en remplacant L
2
par L
2
+L
1
.
= ( 1)(1)
1+1
+ 1 1
3
en developpant par rapport à C

1
.
= ( 1)[( + 1) 3] = ( 1)(
2
+ 3)
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
106
Exemple A.3.4
Pour savoir si lendomorphisme f associe à la matrice
T =
_
_
1 2 6
0 0 5
0 0 12
_
_
est bijectif, il sut de calculer det T. Or T etant triangulaire, son determinant est egal au produit
des termes diagonaux et
det T = 1 0 12 = 0
donc T nest pas inversible et f nest pas bijectif.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
107
A.4 Exemples du chapitre IV
A.4.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
A.4.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
A.4.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
A.4.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
108
Exemple A.4.1
Soit à resoudre le système dequations lineaires :
(I)
_
_
_
[5]x
1
+ 2x
2
+ x
3
= 12 l
1
5x
1
6x
2
+ 2x
3
= 1 l
2
4x
1
+ 2x
2
+ x
3
= 3 l
3
(I)
_
_
_
5x
1
+ 2x
2
+ x
3
= 12 l
1
l
1
[8]x
2
+ x
3
= 13 l
2
l
2
5
5
l
1
18
5
x
2
+
9
5
x
3
=
63
5
l
3
l
3
4
5
l
1
(I)
_
_
_
5x
1
+ 2x
2
+ x
3
= 12 l
1
l
1
8x
2
+ x
3
= 13 l
2
l
2
9
4
x
3
=
27
4
l
3
l
(
18
5
)
8
l
2
On obtient un système triangulaire qui se resoud facilement :
(I) x
3
= 3 x
2
= 2 x
1
= 1
Le 5 encadre est appele le premier pivot. Le -8 encadre est appele le deuxième pivot.
Un des interets de cette methode est que lon raisonne par equivalence. En eet les systèmes
successifs ont exactement le meme ensemble solution.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
109
Exemple A.4.2
(II)
_
_
_
[5]x
1
+ 2x
2
+ x
3
= 12 l
1
5x
1
+ 2x
2
+ 2x
3
= 1 l
2
4x
1

8
5
x
2
+ x
3
= 3 l
3
(II)
_
_
_
5x
1
+ 2x
2
+ x
3
= 12 l
1
l
1
x
3
= 13 l
2
l
2
5
5
l
1
9
5
x
3
=
63
5
l
3
l
3
4
5
l
1
(II)
_
_
_
5x
1
+ x
3
+ 2x
2
= 12 l
1
l
1
[1]x
3
= 13 l
2
l
2
0 = 36 l
3
l
3
9
5
l
2
Le système na donc pas de solution, on dit aussi quil est impossible.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
110
Exemple A.4.3
(III)
_
_
_
[5]x
1
+ 2x
2
+ x
3
= 12 l
1
5x
1
x
2
+ 2x
3
= 2 l
2
5x
1
+ 4x
2
3x
3
= 8 l
3
(III)
_
_
_
5x
1
+ 2x
2
+ x
3
= 12 l
1
l
1
[3]x
2
+ x
3
= 10 l
2
l
2
5
5
l
1
6x
2
2x
3
= 20 l
3
l
3
5
5
l
1
(III)
_
_
_
5x
1
+ 2x
2
+ x
3
= 12 l
1
l
1
3x
2
+ x
3
= 10 l
2
l
2
0 = 0 l
3
l
6
3
l
2
(III)
_
5x
1
+ 2x
2
= 12 x
3
3x
2
= 10 x
3
(III)
_
_
_
x
1
=
1
15
(16 5x
3
)
x
2
=
1
3
(10 +x
3
)
Le système a donc une innite de solution.
S =
__
16
15
,
10
3
, 0
_
+x
3
(1, 1, 3)/x
3
K
_
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
111
Exemple A.4.4
On se propose de resoudre par la methode de Cramer le système à trois equations, trois inconnues :
(S)
_
_
_
2x 5y + 2z = 7
x + 2y 4z = 3
3x 4y 6z = 5
La matrice associee à ce système est
A =
_
_
2 5 2
1 2 4
3 4 6
_
_
Son determinant est egal à
det A =
2 5 2
1 2 4
3 4 6
0 9 10
1 2 4
0 10 6
en remplacant L
1
par L
1
2L
2
et L
3
par L
3
3L
2
= (1)
2+1
1
9 10
10 6
en developpant par rapport à la 1ère colonne

= (54 + 100) = 46 = 0
Le deteminant de A nest pas nul donc daprès le theorème IV.2 les solutions sont (x, y, z) avec
x =
1
46
7 5 2
3 2 4
5 4 6
y =
1
46
2 7 2
1 3 4
3 5 6
et z =
1
46
2 5 7
1 2 3
3 4 5
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
112
Exemple A.4.4 Calculons x
x =
1
46
7 5 2
3 2 4
5 4 6
=
1
46
2
7 5 1
3 2 2
5 4 3
en factorisant la dernière colonne par 2

=
1
23
0 0 1
17 8 2
26 19 3
en remplacant C
1
par C
1
7C
3
et C
2
par C
2
+ 5C
3
=
1
23
(1)
1+3
1
17 8
26 19
en developpant par rapport à la 1ère ligne

=
1
23
(17 (19) + 8 26) = 5
Calculons y
y =
1
46
2 7 2
1 3 4
3 5 6
=
1
46
2
2 7 1
1 3 2
3 5 3
en factorisant la dernière colonne par 2

=
1
23
2 7 1
4 13 0
9 26 0
en remplacant L
2
par L
2
+ 2L
1
et L
3
par L
3
+ 3L
1
=
1
23
(1)
1+3
1
4 13
9 26
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
113
Exemple A.4.4 en developpant par rapport à la dernière colonne
=
1
23
(4 26 9 13) = 1
Calculons z
z =
1
46
2 5 7
1 2 3
3 4 5
=
1
46
0 9 1
1 2 3
0 10 4
en remplacant L
1
par L
1
2L
2
et L
3
par L
3
3L
2
=
1
46
(1)
2+1
1
9 1
10 4
en developpant par rapport à la 1ère colonne

=
1
46
(9 (4) + 10 1) = 1
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
114
A.5 Exemples du chapitre V
A.5.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
A.5.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
A.5.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
A.5.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
A.5.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
A.5.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
A.5.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
115
Exemple A.5.1
Soit E de dimension 3 dont E = (e
1
, e
2
, e
3
) est une base.
Soit f un endomorphisme de E, deni par :
Mat (f, E) =
_
_
2 0 4
3 4 12
1 2 5
_
_
Recherchons les valeurs propres de f. Soit v = xe
1
+ye
2
+ze
3
on a
f(v) = v (f id
E
)(v) = 0 (AI
3
)v = 0,
do` u
f(v) = v
_
_
2 0 4
3 4 12
1 2 5
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
_
_
_
(2 )x + 4z = 0
3x + (4 )y + 12z = 0
x 2y + (5 )z = 0
(0, 0, 0) est une solution evidente de ce système. Ce triplet ne sera pas la seule solution si et
seulement si lendomorphisme f id
E
nest pas injectif donc, puisquon est en dimension nie si et
seulement si lendomorphisme f id
E
nest pas bijectif, ce qui est equivalent au fait que la matrice
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
116
Exemple A.5.1 (AI
3
) nest pas inversible, cest-à-dire si et seulement si son determinant est nul :
2 0 4
3 4 12
1 2 5
= 0
ou encore, daprès les calculs eectues dans lexercice B.3.3, si et seulement si,
( 1)( 2) = 0.
Les valeurs propres de f sont donc 0, 1 et 2.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
117
Exemple A.5.2
Determinons les espaces propres associes aux valeurs propres de la matrice
A = Mat (f, E) =
_
_
2 0 4
3 4 12
1 2 5
_
_
calculees dans lexemple A.5.1 et qui valent 0, 1 et 2.
1. Pour = 0 on doit resoudre
_
_
_
2x + 4z = 0
3x 4y + 12z = 0
x 2y + 5z = 0
_
_
_
x = 2z
y =
3
2
z
2z 3z + 5z = 0
Donc E
0
= {(2z,
3
2
z, z), z R} = Vect {(4, 3, 2)}.
_
_
_
x + 4z = 0
3x 5y + 12z = 0
x 2y + 4z = 0
_
_
_
x = 4z
y = 0
4z + 0 + 4z = 0
Donc E
1
= {(4z, 0, z), z R} = Vect {(4, 0, 1)}.
_
_
_
4z = 0
3x 6y + 12z = 0
x 2y + 3z = 0
_
_
_
z = 0
x = 2y
2y 2y + 0 = 0
Donc E
2
= {(2y, y, 0), y R} = Vect {(2, 1, 0)}.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
118
Exemple A.5.3
Nous allons calculer le polymome caracteristique des endomorphismes associes aux matrices
A =
_
_
2 0 4
3 4 12
1 2 5
_
_
et C =
_
_
2 0 0
0 2 0
6 3 1
_
_
Au cours de lexemple A.5.1 nous avons calcule le polymome caracteristique de lendomorphisme
associe à la matrice A. Nous avons obtenu P
A
(x) = x(x1)(x2). On remarque que P
A
est scinde
dans R et que 0, 1 et 2 sont les trois valeurs propres de A, chacune etant de multiplicite 1.
On note que 0 + 1 + 2 = 3 = 2 4 + 5 = Tr(A). De plus on a det (A) = 0 1 2 = 0 et A nest
pas inversible.
Pour la matrice C, nous avons P
C
(x) = det(CxI) =
2 x 0 0
0 2 x 0
6 3 1 x
= (2x)
2
(1+x)
puisque la matrice est triangulaire inferieure. On remarque que P
C
est scinde dans R et les valeurs
propres de C sont donc 2 (valeur propre double) et 1 (valeur propre simple).
On remarque que les valeurs propres sont sur la diagonale de C donc leur somme vaut Tr(C) et
leur produit vaut detC.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
119
Exemple A.5.4
La question est de savoir si les endomorphismes associes aux matrices
A =
_
_
2 0 4
3 4 12
1 2 5
_
_
, C =
_
_
2 0 0
0 2 0
6 3 1
_
_
et J =
_
0 1
1 2
_
sont diagonalisables.
1. Etude de A et de lendomorphisme f associe : Nous avons P
A
(x) = x(x1)(x2) (cf exemple
A.5.1) dont les racines sont 0, 1 et 2. Le polynome caracteristique a donc 3 = dim E racines
distinctes donc, daprès le corollaire V.7, f est diagonalisable et il existe une base V, formee de
vecteurs propres de f, dans laquelle la matrice de f est diagonale.
Daprès les calculs de lexemple A.5.2 nous avons
E
0
= Vect {(4, 3, 2)} = Vect {v
0
}
E
1
= Vect {(4, 0, 1)} = Vect {v
1
}
E
2
= Vect {(2, 1, 0)} = Vect {v
2
}.
Or
4 4 2
3 0 1
2 1 0
4 4 2
3 0 1
0 1 0
en remplacant la colonne 1 par C

1
2C
2
= (1)
3+2
4 2
3 1
en developpant par rapport à la ligne 3

= 2 = 0
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
120
Exemple A.5.4 Donc la famille V = {v
0
, v
1
, v
2
} est une famille libre de trois vecteurs dans un espace de dimen-
sion 3 donc V est une base de E et
A
= Mat (f, V) =
_
_
0 0 0
0 1 0
0 0 2
_
_
De plus, par la formule du changement de base,
A
= P
1
AP avec P = P
EV
=
_
_
4 4 2
3 0 1
2 1 0
_
_
2. Etude de C et de lendomorphisme g associe : Nous avons P
C
(x) = (x+1)(x2)
2
(cf exemple
B.5.3), avec 2 valeur propre double et 1 valeur propre simple. Le polynome caracteristique est
scinde dans R et pour savoir si g est diagonalisable, il faut regarder si la dimension des espaces
propres est egale à la multiplicite des valeurs propres.
(a) 1 est une valeur propre simple donc dim E
1
= 1. On peut calculer le vecteur propre
associe et on obtient E
1
= Vect {(0, 0, 1)} = Vect {w
1
}.
(b) 2 est valeur propre double, il faut calculer la dimension de E
2
.
(x, y, z) E
2
6x 3y 3z = 0 2x y = z
Ainsi, E
2
= Vect {(1, 0, 2); (0, 1, 1)} = Vect {w
2
, w
3
}. Les vecteurs w
2
et w
3
ne sont
ni nuls ni colineaires, ils forment une famille libre et generatrice de E
2
qui est donc de
dimension 2.
Ainsi, nous avons dim E
1
= 1 = m
1
et dim E
2
= 2 = m
2
. Par suite, lendomorphisme
g est diagonalisable dans une base de vecteurs propres.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
121
Exemple A.5.4
De plus,
0 1 0
0 0 1
1 2 1
= 1 = 0.
La famille W = {w
1
, w
2
, w
3
} est donc une famille libre de trois vecteurs dans un espace de
dimension 3 donc W est une base de E et par la formule du changement de base on a
C
= Mat (g, W) =
_
_
1 0 0
0 2 0
0 0 2
_
_
= Q
1
BQ avec Q = P
EW
=
_
_
0 1 0
0 0 1
1 2 1
_
_
3. Etude de J et de lendomorphisme u associe :
Calculons le polynome caracteristique de la matrice J :
P
J
(x) = det(J xI) =
x 1
1 2 x
= (x)(2 x) + 1 = x
2
2x + 1 = (x 1)
2
Ainsi, P
J
est scinde dans R et 1 est valeur propre double de J. Pour savoir si u est diagonalisable
ou pas, il faut comparer la dimension de E
1
avec la multiplicite de la valeur propre 1.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
122
Exemple A.5.4 Determinons E
1
:
(x, y) E
1
x +y = 0 x = y
Donc E
1
= Vect {(1, 1)} qui est donc de dimension 1 puisque le vecteur (1, 1) nest pas nul.
Ainsi, dim E
1
= 1 = m
1
= 2 donc u nest pas diagonalisable.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
123
Exemple A.5.5
Calculons A
m
avec
A =
_
_
2 0 4
3 4 12
1 2 5
_
_
Daprès lexemple A.5.4, on sait que : D = P
1
AP, cest à dire A = PDP
1
avec :
D =
_
_
0 0 0
0 1 0
0 0 2
_
_
et P =
_
_
4 4 2
3 0 1
2 1 0
_
_
Ainsi, A
m
= PD
m
P
1
do` u
A
m
=
_
_
4 4 2
3 0 1
2 1 0
_
_
_
_
0 0 0
0 1 0
0 0 2
m
_
_
_
_
4 4 2
3 0 1
2 1 0
_
_
1
=
_
_
4 4 2
3 0 1
2 1 0
_
_
_
_
0 0 0
0 1 0
0 0 2
m
_
_
_
_
1
2
1 2
1 2 5
3
2
2 6
_
_
=
_
_
4 + 3 2
m
8 2
m+2
20 + 3 2
m+2
3 2
m1
2
m+1
3 2
m+1
1 2 5
_
_
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
124
Exemple A.5.6
Soit à resoudre le système suivant :
_
_
_
2x(t) + 4z(t) = x
(t)
3x(t) 4y(t) + 12z(t) = y
(t)
x(t) 2y(t) + 5z(t) = z
(t)
X
(t) = AX(t)
En multipliant à gauche les deux membres de legalite X
(t) = AX(t) par la matrice P

1
et en posant
Y (t) =
_
_
x
1
(t)
y
1
(t)
z
1
(t)
_
_
= P
1
X(t) avec P =
_
_
4 4 2
3 0 1
2 1 0
_
_
on obtient Y
(t) = DY (t) qui secrit :

_
_
0 0 0
0 1 0
0 0 2
_
_
_
_
x
1
(t)
y
1
(t)
z
1
(t)
_
_
=
_
_
x
1
(t)
y
1
(t)
z
1
(t)
_
_
et qui conduit au système :
_
_
_
x
1
(t) = 0
y
1
(t) = y
1
(t)
z
1
(t) = 2z
1
(t)
dont les solutions sont :
_
_
_
x
1
(t) = c
1
y
1
(t) = c
2
e
t
z
1
(t) = c
3
e
2t
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
125
Exemple A.5.6 o` u c
1
, c
2
, c
3
sont des scalaires.
On obtient X(t) en ecrivant X(t) = PY (t). Cest à dire :
_
_
_
x(t) = 4c
1
4c
2
e
t
+ 2c
3
e
2t
y(t) = 3c
1
+ c
3
e
2t
z(t) = 2c
1
+ c
2
e
t
o` u c
1
, c
2
, c
3
sont des scalaires.
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
126
Exemple A.5.7
Soit les suites recurrentes (u
n
), (v
n
), (w
n
) denies par :
_
_
u
0
v
0
w
0
_
_
K
3
et n 0
_
_
_
u
n+1
= 2u
n
+ 4w
n
v
n+1
= 3u
n
4v
n
+ 12w
n
w
n+1
= u
n
2v
n
+ 5w
n
Soit X
n
le vecteur
_
_
u
n
v
n
w
n
_
_
alors pour tout n N, on a X
n
= A
n
X
0
.
Ce qui donne daprès les calculs de lexemple A.5.5
X
n
=
_
_
4 + 3 2
n
8 2
n+2
20 + 3 2
n+2
3 2
n1
2
n+1
3 2
n+1
1 2 5
_
_
_
_
u
0
v
0
w
0
_
_
Do` u
_
_
u
n
= 4 + 3 2
n
u
0
+ 8 2
n+2
v
0
20 + 3 2
n+2
w
0
v
n
= 3 2
n1
u
0
2
n+1
v
0
+ 3 2
n+1
w
0
w
n
= u
0
2v
0
+ 5w
0
Retour au grain
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent suivant
127
Annexe B
Exercices
B.1 Exercices du chapitre I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
B.2 Exercices du chapitre II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
B.3 Exercices du chapitre III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
B.4 Exercices du chapitre IV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
B.5 Exercices du chapitre V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
128
B.1 Exercices du chapitre I
B.1.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
B.1.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
B.1.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
B.1.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
B.1.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
B.1.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
129
Exercice B.1.1
Verier que (R
3
, +, .) deni dans lexemple A.1.1 est un R espace vectoriel.
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
130
Exercice B.1.2
Parmi les ensembles suivants, quels sont ceux qui sont des sous-espaces vectoriels ?
E
3
= {(x, y, z) R
3
/ x +y z = 0}
E
4
= {(x, y) R
2
/ xy = 0}
E
5
= {f F(R, R) / f(0) = 1}
E
6
= {f F(R, R) / f(1) = 0}
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
131
Exercice B.1.3
Montrer que les vecteurs
1
= (1, 1, 0),
2
= (0, 0, 1) et
3
= (1, 1, 2) forment une famille
generatrice de R
3
.
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
132
Exercice B.1.4
Montrer que les vecteurs
1
= (1, 1, 0),
2
= (0, 0, 1) et
3
= (1, 1, 2) forment une famille libre
de R
3
.
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
133
Exercice B.1.5
Montrer que
K
n
[x] = {P K[x] avec degP n}
est un s.e.v. de K[x] et donner une base de ce s.e.v.
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
134
Exercice B.1.6
1. La famille F = {(2, 3), (6, 12)} est-elle une base de R
2
?
2. Quel est le rang de la famille de vecteurs G = {(2, 1, 3), (5, 2, 1), (9, 0, 5)} ?
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
135
B.2 Exercices du chapitre II
B.2.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
B.2.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
B.2.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
B.2.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
B.2.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
B.2.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
B.2.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
B.2.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
B.2.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
B.2.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
136
Exercice B.2.1
Calculer
t
+ . Que remarquez-vous ?
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
137
Exercice B.2.2
Calculer 5..
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
138
Exercice B.2.3
Calculer . Comparer ce resultat avec le produit .
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
139
Exercice B.2.4
Calculer
t
t
. Comparer ce resultat avec le produit .
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
140
Exercice B.2.5
La matrice
C =
_
_
1 0 1
1 0 1
0 1 2
_
_
est-elle inversible ? Si oui, donner C
1
.
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
141
Exercice B.2.6
Les applications suivantes sont-elles lineaires ? Si oui, dites si elles sont injectives, surjectives ou
bijectives.
1.
g
1
: K[x] K[x]
P P
derivee de P
2.
g
2
: R
2
R
3
(x, y) (x +y, 2x, y 3x)
3.
g
3
: R
2
R
3
(x, y) (x +y, 2x + 1, y 3x)
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
142
Exercice B.2.7
Pour chacune des deux applications lineaires suivantes, determiner le noyau, limage et le rang et
preciser, le cas echeant, si elles sont injectives, surjectives ou bijectives.
1.
h
1
: R
3
R
2
(x, y, z) (x +y z, x z)
2.
h
2
: R
3
R
3
(x, y) (x + 2y z, y +z, x +y z)
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
143
Exercice B.2.8
Ecrire les matrices des applications lineaires denies dans lexercice B.2.7 relativement aux bases
canoniques de R
2
et R
3
.
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
144
Exercice B.2.9
Soit lapplication lineaire de R
2
dans lui meme dont la matrice relativement à la base canonique
est
B =
_
7 12
4 7
_
= Mat (, E)
o` u E = (e
1
, e
2
) avec e
1
= (1, 0), e
2
= (0, 1).
Ecrire la matrice de relativement à la base E
= (e
1
, e
2
) avec e
1
= (2, 1), e
2
= (3, 2).
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
145
Exercice B.2.10
Calculer le rang de la matrice B denie par
B =
_
_
1 1 1
2 0 5
5 3 2
_
_
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
146
B.3 Exercices du chapitre III
B.3.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
B.3.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
B.3.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
147
Exercice B.3.1
Soit A =
_
_
1 1 3
2 0 4
5 4 2
_
_
. Calculer le determinant de A en le developpant par rapport à la 1ère
ligne, puis en appliquant la règle de Sarrus.
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
148
Exercice B.3.2
Calculer le determinant suivant :

3 16 24 33
1 5 7 9
5 27 36 55
7 38 51 78
Indications : Faire apparatre des zeros dans la première colonne en utilisant le 1, developper selon
cette colonne et recommencer.
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
149
Exercice B.3.3
1. Pour quelles valeurs de la matrice
A
=
_
_
_
_
_
_
2 0 4
3 4 12
1 2 5
_
_
_
_
_
_
est-elle inversible ?
2. Meme question pour la matrice
B
=
_
_
1 1 1
1 1 1
1 1 1
_
_
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
150
B.4 Exercices du chapitre IV
B.4.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section
151
Exercice B.4.1
Resoudre par la methode du pivot les systèmes suivants :
(S
1
)
_
_
2x + y z + t = 1
4x 2y + 3z 4t = 1
2x + y + 2z = 4
2x y + 2z 2t = 0
(S
2
)
_
_
x + 2y z = 2
x + y 3z = 1
2x + y + z = 4
x y + z = 1
et
(S
3
)
_
_
_
x + 2y = 3
2x 3y = 1
x y = 1
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
152
B.5 Exercices du chapitre V
B.5.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
B.5.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
B.5.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
B.5.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
153
Exercice B.5.1
Soit f un endomorphisme de E dont la matrice dans la base canonique est
B =
_
_
1 1 1
1 1 1
1 1 1
_
_
Donner les valeurs propres de f.
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
154
Exercice B.5.2
Determiner les espaces propres associes aux valeurs propres de la matrice
B =
_
_
1 1 1
1 1 1
1 1 1
_
_
calculees dans lexercice B.5.1 et qui valent 1 et 2.
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
155
Exercice B.5.3
Calculer le polynome caracteristique des endomorphismes g et h canoniquement associes aux
matrices
B =
_
_
1 1 1
1 1 1
1 1 1
_
_
et H =
_
_
4 0 2
0 1 0
5 1 3
_
_
Retour au grain
Solution
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
156
Exercice B.5.4
Les endomorphismes g, h et k dont les matrices respectives dans la base canonique sont
B =
_
_
1 1 1
1 1 1
1 1 1
_
_
, H =
_
_
4 0 2
0 1 0
5 1 3
_
_
et K =
_
0 1
1 0
_
sont-ils diagonalisables ?
1. Si vous ne savez pas comment demarrer voir aide 1
2. Pour la solution de la matrice B voir aide 2
3. Pour la solution de la matrice H voir aide 3
4. Pour la solution pour la matrice K voir aide 4
Retour au grain
Aide 1 Aide 2 Aide 3 Aide 4
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent
157
Annexe C
Documents
C.1 Documents du chapitre I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
C.2 Documents du chapitre II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
C.3 Documents du chapitre IV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
C.4 Documents du chapitre V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
158
C.1 Documents du chapitre I
C.1.1 Demonstration du theorème I.1 . . . . . . . . . . . . . . . . . . . . . . . . 159
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
159
Document C.1.1 Demonstration du theorème I.1
Soit (F, +, .) un sous-espace vectoriel de lespace vectoriel (E, +, .). Alors F nest pas vide et pour
tous v
1
, v
2
de F et tout de K on a
.v
1
+v
2
F
Prenons = 1 on obtient v
1
+v
2
F et + est une loi interne, associative et communtative comme
dans E.
Si on prend = 1 et v
1
= v
2
on obtient 0
E
= v
1
+v
1
F donc 0
E
F et il est le neutre pour
+ dans F.
En prenant = 1 et v
2
= 0
E
on obtient v
1
+ 0
E
F soit que le symetrique de tout element
de F est dans F. (F, +) est donc un groupe commutatif.
Enn, en prenant quelconque et v
2
= 0
E
on obtient .v
1
+0
E
F soit que . est une loi externe
qui a evidemment les memes proprietes dans F que dans E donc (F, +, .) est un K espace vectoriel.
Retour au theorème I.1
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
160
Vect (A) =
_
i J,
JN,
J ni
i
x
i
/ i J ,
i
K , x
i
A
_
_
x
i
A, x
i
= 1x
i
et x
i
secrit comme combinaison lineaire delements de A, donc x
i
Vect (A).
Par suite, A Vect (A) qui est donc non vide.
Soient v
1
=
1
x
1
+
2
x
2
+ ... +
m
x
m
et v
2
=
1
y
1
+
2
y
2
+ ... +
p
x
p
deux elements de A et
un scalaire, alors
v
1
+v
2
=
1
x
1
+
2
x
2
+... +
m
x
m
+
1
y
1
+
2
y
2
+... +
p
x
p
donc v
1
+v
2
secrit comme une somme nie delements de A multiplies par des scalaires donc
v
1
+v
2
Vect (A).
Par suite, Vect (A) est non vide et stable pour les lois + et ., cest donc un s.e.v. de E.
Il reste à montrer que cest le plus petit : Soit donc H, un s.e.v. de E qui contient A. Soit
v =
1
x
1
+
2
x
2
+... +
m
x
m
Vect (A) avec i, x
i
A.
Puisque A H, i, x
i
H, et en tant que s.e.v. de E, H est stable pour les lois + et .. Ainsi,
v H et Vect (A) H.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
161
Document
C.1.2
Demonstration
du theorème I.2
On vient de montrer que tout s.e.v. de E contenant A contient aussi Vect (A), donc Vect (A) est
bien le plus petit s.e.v. de E contenant A.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
162
1. Supposons que B = (e
1
, e
2
, ..., e
n
) soit une base de E.
B est un système generateur donc
v E, {
1
,
2
, ,
n
} K
n
tels que v =
1
e
1
+
2
e
2
+ +
n
e
n
Supposons quil existe une autre ecriture de ce meme vecteur v :
v =
1
e
1
+
2
e
2
+ +
n
e
n
alors
1
e
1
+
2
e
2
+ +
n
e
n
=
1
e
1
+
2
e
2
+ +
n
e
n
(
1
1
)e
1
+ (
2
2
)e
2
+ + (
n
n
)e
n
= 0
E
i {1, 2, , n}
i
i
= 0 puisque B est libre
i {1, 2, , n}
i
=
i
do` u lunicite de lecriture.
2. Supposons maintenant que tout vecteur de E secrive de manière unique comme combinaison
lineaire des elements de B.
Ceci signie en particuclier que B est une famille generatrice. Montrons quelle est libre. Soit
donc un combinaison lineaire nulle des e
i
.
1
e
1
+
2
e
2
+ +
n
e
n
= 0
E
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
163
Document
C.1.3
Demonstration
du theorème I.3
or il est clair que
0e
1
+ 0e
2
+ + 0e
n
= 0
E
et par unicite de lecriture, les
i
sont forcement nuls et B est un système libre. Par suite,
puisque nous avons dejà montre que B est generateur , B est une base.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
164
C.2 Documents du chapitre II
C.2.1 Demonstration du theorème II.2.1 . . . . . . . . . . . . . . . . . . . . . . . 165
C.2.2 Demonstration du corollaire II.2.3 . . . . . . . . . . . . . . . . . . . . . . . 167
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
165
Document C.2.1 Demonstration du theorème II.2.1
1. Ker g E est non vide car g(0
E
) = 0
F
donc 0
E
Ker g.
Pour tous v et v
dans Ker g et tout K on a

g(.v +v
) = .g(v) +g(v
) = .0
E
+ 0
E
= 0
E
donc .v +v
Ker g.
Ker g est non vide et stable pour les lois + et . de E alors Ker g est un s.e.v de E.
2. Im g F est non vide car g(0
E
) = 0
F
donc 0
F
Im g.
Pour tout w Im g, il existe v E tel que g(v) = w. De meme, pour tout w
Im g, il existe
v
E tel que g(v
) = w
et pour tout K
g(.v +v
) = .g(v) +g(v
) = .w +w
et .w +w
appartient à Im g.
Im g est non vide et stable pour les lois + et . de F alors Im g est un s.e.v de F.
3. Supposons que g est surjective alors
w F, v E tel que w = g(v)
et F Im g donc Im g = F
Supposons que Im g = F alors
w Im g = F, v E tel que w = g(v)
et g est surjective.
Par suite g est surjective Im g = F.
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
166
Document
C.2.1
Demonstration
du theorème
II.2.1
4. Supposons que g soit injective. Alors
(v, v
) E
2
g(v) = g(v
) =v = v
En particuler, si v Ker g alors g(v) = 0

F
= g(0
E
) et comme g est injective,
g(v) = g(0
E
) =v = 0
E
donc Ker g = {0
E
}.
Supposons que Ker g = {0
E
}. Soit v et v
deux vecteurs de E tels que g(v) = g(v
), alors
g(v) = g(v
) g(v)g(v
) = 0
F
g(vv
) = 0
F
vv
Ker g vv
= 0
E
v = v
et g est injective.
Par suite g est injective Ker g = {0
E
}
Retour au theorème II.2.1
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
167
Document C.2.2 Demonstration du corollaire II.2.3
1. Il est clair que 1. =2.
2. Si g est injective, alors dim Ker g = 0 et daprès le theorème du rang,
dim Im g = dim E = n = dim F
donc F = Im g et g est surjective.
3. Si g est surjective alors F = Im g et rg g = dim F = n.
4. Si rg g = n alors dim Im g = n = dim F donc F = Im g et g est surjective. De plus, daprès
le theorème du rang, dim Ker g = 0 donc Ker g = {0
E
} et g est injective. Par suite, elle est
bijective.
Retour au corollaire II.2.3
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
168
C.3 Documents du chapitre IV
C.3.1 Demonstration du theorème IV.2 . . . . . . . . . . . . . . . . . . . . . . . . 169
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section
169
Document C.3.1 Demonstration du theorème IV.2
On sait que :
det A = 0 A inversible
Ainsi :
(S) AX = B
A
1
AX = A
1
B
X = A
1
B
Donc (S) a une unique solution si et seulement si det A = 0.
Si (x
1
, x
2
, , x
n
) est solution alors on peut ecrire le système (S) sous forme vectorielle :
x
1
A
1
+x
2
A
2
+... +x
n
A
n
= B
On a alors les egalites suivantes :
det (A
1
, A
2
, ..., A
i1
, B, A
i+1
, ..., A
n
) = det (A
1
, ..., A
i1
, x
1
A
1
+x
2
A
2
+... +x
n
A
n
, A
i+1
, ..., A
n
)
=
j=n
j=1
x
j
det (A
1
, A
2
, ..., A
i1
, A
j
, A
i+1
, ..., A
n
)
en utilisant la linearite par rapport à la variable numero i
= x
i
det (A
1
, A
2
, ..., A
i1
, A
i
, A
i+1
, ..., A
n
)
puisquun determinant est nul dès que deux colonnes sont egales
= x
i
det A
Do` u
x
i
=
det (A
1
, A
2
, ..., A
i1
, B, A
i+1
, ..., A
n
)
det A
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section
170
Document
C.3.1
Demonstration
du theorème IV.2
Retour au theorème IV.2
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
171
C.4 Documents du chapitre V
C.4.1 Demonstration du theorème V.4 . . . . . . . . . . . . . . . . . . . . . . . . 172
C.4.2 Demonstration de la propriete V.5 . . . . . . . . . . . . . . . . . . . . . . . 173
C.4.3 Demonstration du corollaire V.7 . . . . . . . . . . . . . . . . . . . . . . . . 174
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
section suivant
172
Document C.4.1 Demonstration du theorème V.4
Nous avons dejà remarque que
f(v) = v (f id
E
) non bijectif det (f id
E
) = 0
donc
f(v) = v P
f
() = 0
Retour au theorème V.4
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
173
Document C.4.2 Demonstration de la propriete V.5
Si dim E = n, alors P
f
est une fonction polynome de degre n qui a donc au maximum n racines,
par suite, f a au plus n valeurs propres.
Une fonction polynome scindee possède exactement n racines, distinctes ou non et la somme
de leur multiplicite vaut n, le degre de P
f
.
Le fait que la somme des valeurs propres soit egale à la trace de A et que le produit soit
egal au determinant vient des relations entre les coecients dune fonction polynome et ses
racines que nous navons pas etudie.
Retour à la propriete V.5
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
precedent section
174
Document C.4.3 Demonstration du corollaire V.7
P
f
possède n = dim E racines distinctes donc il est scinde dans R. De plus, f nadmet que des
valeurs propres simples et pour chacune delles, lespace propre associe est de dimension 1, egale à la
multiplicite. Daprès le theorème V.6, f est diagonalisable.
Retour au corollaire V.7
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
175
Index des concepts
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
176
Index des notions
A
Application lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . 23
B
Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Bijective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
C
Combinaison lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Coordonnees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
D
Determinant de n vecteurs . . . . . . . . . . . . . . . . . . . 39
Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Dimension nie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
E
Edomorphisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Equation homogène . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
I
Image dune application lineaire . . . . . . . . . . . . . . 25
Injective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
M
Matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Matrice colonne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Matrice de passage . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Matrice diagonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Matrice inversible . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Matrice transposee . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Matrice triangulaire inferieure . . . . . . . . . . . . . . . . 16
Matrice triangulaire superieure . . . . . . . . . . . . . . . 16
Multiplicite dune valeur propre . . . . . . . . . . . . . . 58
Sommaire
Concepts
Notions
Exemples
Exercices
Documents
177
N
Noyau dun application lineaire. . . . . . . . . . . . . . . 25
P
Partie generatrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Partie liee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Partie libre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Polynome caracteristique . . . . . . . . . . . . . . . . . . . . . 57
Produit de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 19
R
Rang. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Rang dune application lineaire . . . . . . . . . . . . . . . 26
Rang dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . 36
S
Scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Somme de matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Sous espace propre . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Surjective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Système homogène . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
V
Valeur propore . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Vecteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Vecteur propre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Solution de lexercice B.1.1
Soit R
3
= {(x, y, z), x R, y R, z R}, muni des lois + et . denies pour tous (x
1
, y
1
, z
1
), (x
2
, y
2
, z
2
) de R
3
et tout de R
par
(x
1
, y
1
, z
1
) + (x
2
, y
2
, z
2
) = (x
1
+x
2
, y
1
+y
2
, z
1
+z
2
) et .(x
1
, y
1
, z
1
) = (x
1
, y
1
, z
1
)
La loi interne est commutative et associative parce que laddition de R possède ces proprietes.
Elle admet un neutre qui est 0
R
3 = (0, 0, 0) puisque
(x, y, z) + (0, 0, 0) = (x + 0, y + 0, z + 0) = (x, y, z).
Enn, tout element (x, y, z) de R
3
admet un symetrique qui est (x, y, z) puisque
(x, y, z) + (x, y, z) = (x x, y y, z z) = (0, 0, 0) = 0
R
3.
Dautre part, pour verier que la loi externe a les proprietes requises, il sut decrire les formules et utiliser le fait que
la multiplication dans R est distributive par rapport à laddition et admet le reel 1 comme neutre.
En eet pour tous v
1
= (x
1
, y
1
, z
1
) et v
2
= (x
2
, y
2
, z
2
) de R
3
et tous , de R nous avons
1. .(v
1
+v
2
) = .(x
1
+x
2
, y
1
+y
2
, z
1
+z
2
) = ((x
1
+x
2
), (y
1
+y
2
), (z
1
+z
2
)) = (x
1
+x
2
, y
1
+y
2
, z
1
+z
2
)
= (x
1
, y
1
, z
1
) + (x
2
, y
2
, z
2
) = .(x
1
, y
1
, z
1
) +.(x
2
, y
2
, z
2
) = .v
1
+.v
2
2. ( +).v
1
= ( +).(x
1
, y
1
, z
1
) = (( +)x
1
, ( +)y
1
, ( +)z
1
) = (x
1
+x
1
, y
1
+y
1
, z
1
+z
1
)
= (x
1
, y
1
, z
1
) + (x
1
, y
1
, z
1
) = .(x
1
, y
1
, z
1
) +.(x
1
, y
1
, z
1
) = .v
1
+.v
1
3. ().v
1
= ().(x
1
, y
1
, z
1
) = (()x
1
, ()y
1
, ()z
1
) = (x
1
, y
1
, z
1
) = .(x
1
, y
1
, z
1
) = .(.(x
1
, y
1
, z
1
))
= .(.v
1
)
4. 1.v
1
= 1.(x
1
, y
1
, z
1
) = (1x
1
, 1y
1
, 1z
1
) = (x
1
, y
1
, z
1
) = v
1
.
Ainsi (R
3
, +, .) est un R espace vectoriel.
Retour à lexercice
Etude de E
3
= {(x, y, z) R
3
/ x +y z = 0} :
E
3
est un sous-ensemble de R
3
, est-ce un s.e.v. de R
3
?
0 + 0 0 = 0 donc (0, 0, 0) E
3
et E
3
nest pas vide.
Soient v = (x, y, z) et v
= (x
, y
, z
) dans E
3
et R. Comme pour lexercice A.1.5 on a
.v +v
= (x +x
, y +y
, z +z
) et
(x +x
) + (y +y
) (z +z
) = x +y z +x
+y
= (x +y z) + (x
+y
) = 0 + 0 = 0
puisque v et v
sont dans E
3
.
Par suite .v +v
E
3
et E
3
est un s.e.v. de R
3
.
Etude de E
4
= {(x, y) R
2
/ xy = 0} :
E
4
est un sous-ensemble de R
2
, est-ce un s.e.v. de R
2
?
0 0 = 0 donc (0, 0) = 0
R
2 E
4
et E
4
nest pas vide.
Soient v = (x, y) et v
= (x
, y
) dans E
4
et R. Pour savoir si .v +v
= (x +x
, y +y
) E
4
, il faut eectuer le
produit (x +x
)(y +y
) et regarder sil est nul.

(x +x
)(y +y
) =
2
xy +xy
+x
y +x
et comme v et v
sont dans E
4
, il est clair que
2
xy = x
= 0 mais il ny a aucune raison pour que le terme xy
+yx
soit nul. Cest que E

4
nest pas un s.e.v., il sut donc de trouver un contre exemple.
(0, 1) E
4
car 0 1 = 0, de meme (1, 0) E
4
et (0, 1) + (1, 0) = (1, 1) et 1 1 = 1 = 0 donc E
4
nest pas stable pour
la loi +, ce nest pas un s.e.v. de R
2
.
Etude de E
5
= {f F(R, R) / f(0) = 1}
E
5
est un sous-ensemble de F(R, R), est-ce un s.e.v. de F(R, R) ?
Les fonctions de E
5
sont celles qui valent 1 en 0. La fonction identiquement nulle, neutre de F(R, R) vaut 0 en 0 et
nappartient donc pas à E
5
qui ne peut pas etre un s.e.v. de F(R, R).
Etude de E
6
= {f F(R, R) / f(1) = 0}
E
6
est un sous-ensemble de F(R, R), est-ce un s.e.v. de F(R, R) ?
Les fonctions de E
6
sont celles qui valent 0 en 1. La fonction identiquement nulle, neutre de F(R, R) vaut 0 en 1 et
appartient donc à E
6
qui nest pas vide.
Soient f et g dans E
6
et R. Pour savoir si .f +g E
6
, il faut calculer la valeur de cette fonction en 1 :
(.f +g)(1) = (.f)(1) +g(1) = f(1) +g(1) = 0
puisque f et g sont dans E
6
donc .f +g E
6
.
Par suite, E
6
nest pas vide et est stable pour les lois + et ., E
6
est un s.e.v. de F(R, R).
Retour à lexercice
Il faut montrer que R
3
= Vect (
1
,
2
,
3
), cest-à-dire que tout (x, y, z), vecteur quelconque de R
3
secrit comme combinaison
lineaire des vecteurs
1
,
2
et
3
.
On cherche donc des reels
1
,
2
et
3
tels que (x, y, z) =
1
1
+
2
2
+
3
3
.
Or
1
+
2
2
+
3
3
=
1
(1, 1, 0) +
2
(0, 0, 1) +
3
(1, 1, 2) = (
1
+
3
,
1
3
,
2
2
3
) = (x, y, z)
_
_
_
1
+
3
= x
3
= y
2
2
3
= z
_
_
_
1
=
1
2
(x +y)
3
=
1
2
(x y)
2
= x y +z
Le système admet des solutions donc la famille (
1
,
2
,
3
) est une famille generatrice de R
3
.
Retour à lexercice
On part dune combinaison lineaire nulle des
i
et il faut essayer de montrer que necessairement tous les scalaires sont nuls.
1
+
2
2
+
3
3
= (0, 0, 0)

1
(1, 1, 0) +
2
(0, 0, 1) +
3
(1, 1, 2) = (0, 0, 0)
(
1
+
3
,
1
3
,
2
2
3
) = (0, 0, 0)
_
_
_
1
+
3
= 0
3
= 0
2
2
3
= 0
_
_
_
1
= 0
3
= 0
2
= 2
3
= 0
La famille (
1
,
2
,
3
) est une famille libre de R
3
.
Retour à lexercice
K
n
[x] nest pas vide puisque la fonction polynome nulle est de degre et appartient donc à K
n
[x].
De plus, si P et Q sont deux fonctions polynomes de K
n
[x] alors pour tout K,
deg (P +Q) max(deg P,deg Q) n donc P +Q K
n
[x].
K
n
[x] est donc un s.e.v. de K[x] puisquil est non vide et stable pour les lois + et .
Determinons une base de ce s.e.v. :
Les fonctions polynomes de K
n
[x] sont de la forme
a
n
x
n
+a
n1
x
n1
+ +a
2
x
2
+a
1
x +a
0
.
Soit donc la famille B
n
= {f
i
, 0 i n} o` u pour tout i {0, 1, 2, , n} et pour tout x K f
i
(x) = x
i
avec la
convention que pour tout x K f
0
(x) = 1.
La famille B
n
est generatrice de K
n
[x] puisque pour tout P K
n
[x], il existe (a
n
, a
n1
, , a
1
, a
0
) K
n+1
tels que
P = a
n
f
n
+a
n1
f
n1
+ +a
2
f
2
+a
1
f
1
+a
0
f
0
Reste à montrer que B
n
est libre. Or une fonction polynome est nulle si et seulement si tous ses coecients sont nuls donc
a
n
f
n
+a
n1
f
n1
+ +a
2
f
2
+a
1
f
1
+a
0
f
0
= O
K[x]
a
n
x
n
+a
n1
x
n1
+ +a
2
x
2
+a
1
x +a
0
= O
K[x]
a
n
= a
n1
= = a
2
= a
1
= a
0
= O
et B
n
est une famille libre.
Par suite, B
n
est une base de K
n
[x].
Retour à lexercice
1. F contient deux vecteurs et dim R
2
= 2, il sut donc de verier que F est libre.
(2, 3) +(6, 12) = (0, 0) (2 6, 3 + 12) = (0, 0)
_
2 6 = 0
3 + 12 = 0

_
= 3
3 = 0
donc = = 0.
2. Calculer le rang de G revient à calculer la dimension de G = Vect {g
1
, g
2
, g
3
} o` u g
1
= (2, 1, 3), g
2
= (5, 2, 1) et
g
3
= (9, 0, 5). Pour cela, il faut trouver une base de G.
Il est clair que G = {g
1
, g
2
, g
3
} est une famille generatrice de G donc dim G 3. Pour savoir si cest une base, il faut
regarder si G est libre ou pas.
g
1
+g
2
+g
3
= 0
R
3
(2, 1, 3) +(5, 2, 1) +(9, 0, 5) = (0, 0, 0)
(2 + 5 + 9, + 2, 3 + 5) = (0, 0, 0)
_
_
_
2 + 5 + 9 = 0
+ 2 = 0
3 + 5 = 0
_
_
_
= 2
9 + 9 = 0
5 + 5 = 0
do` u = et = 2.
La famille G est donc liee, et si par exemple on prend = 1 on a
2g
1
+g
2
g
3
= 0
R
3 ou 2g
1
+g
2
= g
3
On en deduit que G = Vect {g
1
, g
2
, g
3
} = Vect {g
1
, g
2
}. En eet
(a) Vect {g
1
, g
2
, g
3
} est un s.e.v. de R
3
qui contient {g
1
, g
2
} et qui contient donc Vect {g
1
, g
2
} puisque, par denition,
Vect {g
1
, g
2
} est le plus petit s.e.v. de R
3
contenant {g
1
, g
2
}. Ainsi Vect {g
1
, g
2
, g
3
} Vect {g
1
, g
2
}
(b) g
3
= 2g
1
+ g
2
donc g
3
Vect {g
1
, g
2
}. Par suite Vect {g
1
, g
2
} est un s.e.v. de R
3
qui contient {g
1
, g
2
, g
3
} et qui
contient donc Vect {g
1
, g
2
, g
3
} puisque, par denition, Vect {g
1
, g
2
, g
3
} est le plus petit s.e.v. de R
3
contenant
{g
1
, g
2
, g
3
}. Ainsi Vect {g
1
, g
2
, g
3
} Vect {g
1
, g
2
}
Par double inclusion, nous avons G = Vect {g
1
, g
2
, g
3
} = Vect {g
1
, g
2
} et {g
1
, g
2
} est une famille generatrice de G.
Voyons si cest une famille libre.
g
1
+g
2
= 0
R
3 (2, 1, 3) +(5, 2, 1) = (0, 0, 0) (2 + 5, + 2, 3 ) = (0, 0, 0)
_
_
_
2 + 5 = 0
+ 2 = 0
3 = 0
_
_
_
= 2
9 = 0
5 = 0
do` u = = 0 donc la famille {(2, 1, 3), (5, 2, 1)} est libre.
Par suite {(2, 1, 3), (5, 2, 1)} est une base de G donc dim G = 2 et rg {(2, 1, 3), (5, 2, 1), (9, 0, 5)} = 2.
Retour à lexercice
t
+ =
_
_
1 4
2 5
3 6
_
_
+
_
_
1 2
2 1
0 1
_
_
=
_
_
2 6
0 6
3 5
_
_
=
t
_
+
t
_
On montre de fa con plus generale que pour toutes matrices A et B de M
mn
(K),
t
(A+B) =
t
A+
t
B.
Retour à lexercice
5. = 5
_
_
1 2
2 1
0 1
_
_
=
_
_
5 10
10 5
0 5
_
_
Retour à lexercice
Si on note
ij
,
ij
et q
i,j
les coecients respectifs des matrices , et Q = alors
q
11
=
2
k=1
1k
k1
= 1 1 + 2 4 = 9
q
12
=
2
k=1
1k
k2
= 1 2 + 2 5 = 12
q
13
=
2
k=1
1k
k3
= 1 3 + 2 6 = 15
q
21
=
2
k=1
2k
k1
= 2 1 + 1 4 = 2
q
22
=
2
k=1
2k
k2
= 2 2 + 1 5 = 1
q
23
=
2
k=1
2k
k3
= 2 3 + 1 6 = 0
q
31
=
2
k=1
3k
k1
= 0 1 + (1) 4 = 4
q
32
=
2
k=1
3k
k2
= 0 2 + (1) 5 = 5
q
33
=
2
k=1
3k
k3
= 0 3 + (1) 6 = 6
do` u
Q = =
_
_
1 2
2 1
0 1
_
_
_
1 2 3
4 5 6
_
=
_
_
9 12 15
2 1 0
4 5 6
_
_
Ce resultat est à comparer avec le produit dejà eectue :
P = =
_
1 2 3
4 5 6
_
_
_
1 2
2 1
0 1
_
_
=
_
3 1
6 7
_
On constate que P = Q soit que = , le produit matriciel nest pas commutatif (les matrices nont meme pas la
meme taille).
Retour à lexercice
R =
t
t
=
_
1 2 0
2 1 1
_
_
_
1 4
2 5
3 6
_
_
=
_
3 6
1 7
_
=
t
()
De meme,
t
t
=
t
().
On montre de fa con plus generale que pour toutes matrices A M
mn
(K) et B M
np
(K) on a
t
(AB) =
t
B
t
A.
Retour à lexercice
La matrice C est inversible et
C
1
=
_
_
1
2
1
2
0
1 1 1
1
2

1
2
0
_
_
=
1
2
_
_
1 1 0
2 2 2
1 1 0
_
_
Retour à lexercice
1. (P, Q) (K[x])
2
, K,
g
1
(P +Q) = (P +Q)
= P
+Q
= g
1
(P) +g
1
(Q)
daprès les proprietes de la derivee, donc g
1
L(K[x]).
De plus il est clair que les fonctions polynomes P = x + 1 et Q = x 7 ont la meme derivee, à savoir 1. On a donc
g
1
(P) = g
1
(Q) avec P = Q donc g
1
nest pas injective.
Dautre part, pour tout P = a
n
x
n
+a
n1
x
n1
+ a
1
x+a
0
K[x] il existe Q =
a
n
n + 1
x
n+1
+
a
n1
n
x
n
+
a
1
2
x
2
+a
0
x
tel que g
1
(Q) = Q
= P donc g
1
est surjective.
2. Pour tous v = (x, y) et v
= (x
, y
) dans R
2
et tout R,
g
2
(.v +v
) = g
2
((x +x
, y +y
))
= ((x +x
) + (y +y
), 2(x +x
), (y +y
) 3(x +x
))
= ((x +y) + (x
+y
), (2x) + 2x
, (y 3x) + (y
3x
))
= ((x +y), (2x), (y 3x)) + (x
+y
, 2x
, y
3x
)
= (x +y, 2x, y 3x) + (x
+y
, 2x
, y
3x
)
= .g
2
(v) +g
2
(v
)
donc g
2
L(R
2
, R
3
).
De plus,
g
2
(v) = g
2
(v
) (x +y, 2x, y 3x) = (x
+y
, 2x
, y
3x
)
_
_
_
x +y = x
+y
2x = 2x
y 3x = y
3x
x = x
et y = y
Ainsi, g
2
(v) = g
2
(v
) =v = v
et g
2
est injective.
Regardons si g
2
est surjective :
Soit w = (, , ) R
3
. On cherche v = (x, y) dans R
2
tel que g
2
(v) = w.
g
2
(v) = w (, , ) = (x +y, 2x, y 3x)
_
_
_
x +y =
2x =
y 3x =
_
_
_
x =

2
y =

2
2 =
donc si = 2 le système na pas de solutions.
Cela signie que si w = (, , ) avec = 2, il nesiste pas de v R
2
tel que g
2
(v) = w et g
2
nest pas surjective.
3. Pour tous v = (x, y) et v
= (x
, y
) dans R
2
et tout R,
g
3
(.v +v
) = g
3
((x +x
, y +y
))
= ((x +x
) + (y +y
), 2(x +x
) + 1, (y +y
) 3(x +x
))
= ((x +y) + (x
+y
), (2x) + 2x
+ 1, (y 3x) + (y
3x
))
= ((x +y), (2x), (y 3x)) + (x
+y
, 2x
+ 1, y
3x
)
= (x +y, 2x, y 3x) + (x
+y
, 2x
+ 1, y
3x
)
= .g
3
(v) +g
3
(v
) car g
3
(v) = (x +y, 2x + 1, y 3x)
donc g
3
nest pas linaire.
Retour à lexercice
1. Soit (x, y, z) R
3
.
(x, y, z) Ker h
1
h
1
(x, y, z) = 0
R
2 (x +y z, x z) = (0, 0)
_
x +y z = 0
x z = 0

_
x = z
y = 0
donc
Ker h
1
= {v = (x, y, z) R
3
tel que y = 0 et x = z}
= {(x, 0, x), x R}
= {x(1, 0, 1), x R}
= Vect {(1, 0, 1)}
On voit donc que le vecteur (1, 0, 1) est generateur de Ker h
1
, il nest pas nul donc {(1, 0, 1)} est une famille libre, cest
une base de Ker h
1
. De plus, h
1
nest pas injective.
On est en dimension nie donc le theorème du rang permet decrire :
dim Im h
1
= dim R
3
dim Ker h
1
= 3 1 = 2
Ainsi, Im h
1
2
de dimension 2, donc necessairement, Im h
1
= R
2
et h
1
est surjective.
Le rang de h
1
est la dimension de Im h
1
donc rg h
1
= 2.
2. Soit (x, y, z) R
3
.
(x, y, z) Ker h
2
h
2
(x, y, z) = 0 (x + 2y z, y +z, x +y z) = (0, 0, 0)
_
_
_
x + 2y z = 0
y +z = 0
x +y z = 0
_
_
_
z = y
x = 3y
3y +y +y = 0
y = x = z = 0.
Par suite Ker h
2
= {(0, 0, 0)} et h
2
est injective.
On est en dimension nie donc le theorème du rang permet decrire :
dim Im h
2
= dim R
3
dim Ker h
2
= 3 0 = 3
Ainsi, Im h
2
3
de dimension 3, donc necessairement, Im h
2
= R
3
et h
2
est surjective
donc bijective.
Le rang de h
2
est la dimension de Im h
2
donc rg h
2
= 3.
Retour à lexercice
1. Determinons la matrice de lapplication lineaire :
h
1
: R
3
R
2
(x, y, z) (x +y z, x z)
Il faut donc calculer les images par h
1
des vecteurs e
1
= (1, 0, 0), e
2
= (0, 1, 0) et e
3
= (0, 0, 1) en fonction des vecteurs
f
1
= (1, 0) et f
2
= (0, 1).
Nous avons
h
1
(e
1
) = h
1
(1, 0, 0) = (1, 1) = f
1
+f
2
h
1
(e
2
) = h
1
(0, 1, 0) = (1, 0) = f
1
+ 0f
2
h
1
(e
3
) = h
1
(0, 0, 1) = (1, 1) = f
1
f
2
do` u
C
1
= Mat (h
1
, (e
1
, e
2
, e
3
), (f
1
, f
2
)) =
h
1
(e
1
) h
1
(e
2
) h
1
(e
3
)
_
1 1 1
1 0 1
_
f
1
f
2
2. Determinons la matrice de lapplication lineaire :
h
2
: R
3
R
3
(x, y) (x + 2y z, y +z, x +y z)
Il faut donc calculer les images par h
2
des vecteurs e
1
= (1, 0, 0), e
2
= (0, 1, 0) et e
3
= (0, 0, 1) en fonction des vecteurs
f
1
= (1, 0, 0), f
2
= (0, 1, 0) et f
3
= (0, 0, 1).
Nous avons
h
2
(e
1
) = h
2
(1, 0, 0) = (1, 0, 1) = f
1
+ 0f
2
+f
3
h
2
(e
2
) = h
2
(0, 1, 0) = (2, 1, 1) = 2f
1
+f
2
+f
3
h
2
(e
3
) = h
2
(0, 0, 1) = (1, 1, 1) = f
1
+f
2
f
3
do` u
C
2
= Mat (h
2
, (e
1
, e
2
, e
3
), (f
1
, f
2
, f
3
)) =
h
2
(e
1
) h
2
(e
2
) h
2
(e
3
)
_
_
1 2 1
0 1 1
1 1 1
_
_
f
1
f
2
f
3
Retour à lexercice
Soit B
= Mat (, E
). Daprès la formule du cours on a

B
= P
1
AP avec P = P
EE
puisquici, on garde la meme base pour lespace de depart et darrivee.

On a
P =
_
2 3
1 2
_
Il faut donc inverser la matrice P. Nous avons
_
e
1
= 2e
1
+e
2
e
2
= 3e
1
+ 2e
2
do` u
_
2e
1
e
2
= e
1
3e
1
+ 2e
2
= e
2
et
P
1
=
_
2 3
1 2
_
Par suite,
B
=
_
2 3
1 2
__
7 12
4 7
__
2 3
1 2
_
=
_
2 3
1 2
__
2 3
1 2
_
=
_
1 0
0 1
_
On remarque que la matrice de relativement à la base E
est beaucoup plus simple que la matrice de relativement à

la base canonique E. On reviendra sur cet aspect dans la chapitre concernant la reduction dendomorphismes.
Retour à lexercice
Nous savons que rg B = dim Vect {C
1
, C
2
, C
3
} = dim Vect {L
1
, L
2
, L
3
} et que 1 rg B 3 .
On constate que L
2
+L
3
= 3L
1
mais que {L
1
, L
2
} est libre donc
rg B = 2
Retour à lexercice
det
_
_
1 1 3
2 0 4
5 4 2
_
_
= (1)
1+1
(1) det
_
0 4
4 2
_
+ (1)
1+2
(1) det
_
2 4
5 2
_
+ (1)
1+3
(3) det
_
2 0
5 4
_
= 0 (2) 4 4 + 2 (2) 5 4 + 3(2 4 0 5)
= 16 4 20 + 24 = 16
Retour à lexercice
3 16 24 33
1 5 7 9
5 27 36 55
7 38 51 78
0 1 3 6
1 5 7 9
0 2 1 10
0 3 2 15
= (1)
1+2
1 3 6
2 1 10
3 2 15
= (1)
1 3 6
0 5 2
0 7 3
= (1)(1)
1+1
5 2
7 3
= (1)(1)
1+1
(1)(1)
5 2
7 3
en factorisant chaque colonne par (1)

= (1)(5 3 2 7) = 1
Retour à lexercice
1. Pour savoir pour quelles valeurs de la matrice A
est inversible, il faut chercher pour quelles valeurs de , det A
nest pas nul. Calculons ce determinant en le developpant par rapport à la première ligne (parce quelle contient 0) :
2 0 4
3 4 12
1 2 5
= (1)
1+1
(2 )
4 12
2 5
+ (1)
1+3
4
3 4
1 2
= (2 )[(4 )(5 ) + 24] + 4(6 + 4 +)

= (2 )[20 +
2
+ 24 4]
= ( 1)(2 )
Donc A
est inversible si et seulement si {0, 1, 2}.

2. Regardons donc quand le determinant de B
sannule :
1 1 1
1 1 1
1 1 1
1 1 1
1 1 1
1 1 1
en remplacant C
1
par C
1
+C
2
+C
3
= (1 )
1 1 1
1 1 1
1 1 1
en mettant en facteur (1 ) dans C

1
= (1 )
1 1 1
0 2 0
0 0 2
en retranchant L
1
aux lignes 2 et 3
= (1 )(2 )
2
puisque la matrice est triangulaire superieure
Retour à lexercice
1. Pour S
1
:
(S
1
)
_
_
[2]x + y z + t = 1
4x 2y + 3z 4t = 1
2x + y + 2z = 4
2x y + 2z 2t = 0
_
2x + y z + t = 1
[1]z 2t = 1
3z t = 3
z t = 1
_
2x + y z + t = 1
z 2t = 1
5t = 0
0 = 0
Les solutions sont donc t = 0, z = 1, x = 1
y
2
do` u
S
1
= {(1
y
2
, y, 1, 0), y R}.
2. Pour S
2
:
(S
2
)
_
_
[1]x + 2y z = 2
x + y 3z = 1
2x + y + z = 4
x y + z = 1
_
x + 2y z = 2
y 2z = 3
3y + 3z = 0
3y + 2z = 1
_
x + 2y z = 2
y 2z = 3
9z = 9
+ 8z = 8
_
x + 2y z = 2
y 2z = 3
9z = 9
+ 0 = 0
Les solutions sont donc z = 1, y = 1, x = 1 do` u
S
2
= {(1, 1, 1)}.
3. Pour S
3
:
(S
3
)
_
_
_
x + 2y = 3
2x 3y = 1
x y = 1
_
_
_
x + 2y = 3
7y = 7
3y = 2
_
_
_
x + 2y = 3
7y = 7
0 = 1
Ce système na pas de solutions.
Retour à lexercice
On cherche donc les reels tels quil existe des v = 0
E
et f(v) = .v. Daprès le raisonnement fait precedemment, est
valeur propre de f si et seulement si la matrice B I
3
nest pas inversible.
Daprès les calculs faits dans lexercice B.3.3,
det (B I
3
) = (1 )(2 )
2
Les valeurs propres sont donc 1 et 2.
Retour à lexercice
Notons f lendomorphisme de E dont la matrice est
B =
_
_
1 1 1
1 1 1
1 1 1
_
_
.
f(v) = v (f id
E
)(v) = 0 (B I
3
)v = 0,
do` u
f(v) = v
_
_
1 1 1
1 1 1
1 1 1
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
_
_
_
(1 )x +y +z = 0
x + (1 )y +z = 0
x +y + (1 )z = 0
_
_
_
2x +y +z = 0
x 2y +z = 0
x +y +2z = 0
_
_
_
z = 2x y
x = y
x +x +2x = 0
Donc E
1
= {(x, x, x), x R} = Vect {(1, 1, 1)}.
_
_
_
x +y +z = 0
x +y +z = 0
x +y +z = 0
z = x y
Donc E
2
= {(x, y, x y), (x, y) R
2
} = Vect {(1, 0, 1), (0, 1, 1)}.
Retour à lexercice
1. Etude de la matrice B.
Au cours de lexercice B.5.1, nous avons calcule le polymome caracteristique de lendomorphisme associe à la matrice B.
Nous avons P
B
(x) = (1 x)(x + 2)
2
donc P
B
est scinde dans R, 1 est valeur propre simple et 2 est valeur propre
double.
Dans ces conditions, det B = 1 (2) (2) = 4 et on verie que 1 2 2 = 3 = 1 1 1 = Tr(B).
2. Etude de la matrice H.
Par denition,
P
H
(x) = det (H xI
3
) =
4 x 0 2
0 1 x 0
5 1 3 x
En developpant le determinant par rapport à la 2ème ligne, on obtient

P
H
(x) = (1 x)
4 x 2
5 3 x
= (1 x)[(4 x)(3 x) + 10]

= (1 x)(12 + 4x 3x +x
2
+ 10) = (1 x)(x
2
+x 2) = (1 x)
2
(2 +x)
Retour à lexercice
Aide 1, Exercice B.5.4
Il faut calculer pour chacune des trois matrices, le polynome caracteristique, les valeurs propres ainsi que leur multiplicite et
comparer la dimension des espaces propres avec la multiplicite des valeurs propres. On conclut ensuite avec le theorème V.6.
Retour à lexercice
Voici la solution pour B :
Nous avons P
B
(x) = (x 1)(x + 2)
2
(cf exercice B.5.1) dont les racines sont 1 et 2. Le polynome caracteristique est
scinde dans R. Pour savoir si g est diagonalisable, il faut verier si la dimension des espaces propres est egale à la multiplicite
des valeurs propres.
1. 1 est une valeur propre simple donc dim E
1
= 1
Remarque : dans lexercice B.5.2, nous avons meme montre que
E
1
= Vect {(1, 1, 1)} = Vect {w
1
}.
2. 2 est valeur propre double, donc il faut verier que dim E
2
= 2. Or, toujours dans lexercice B.5.2, nous avons
montre que E
2
= Vect {(1, 0, 1), (0, 1, 1)} = Vect {w
2
, w
3
} et dim E
2
= 2
Par suite, g est diagonalisable et il existe une base de vecteurs propres.
Dautre part,

1 1 0
1 0 1
1 1 1
1 0 0
1 1 1
1 2 1
= 1 + 2 = 3 = 0
La famille W = {w
1
, w
2
, w
3
} est donc ne famille libre de trois vecteurs dans un espace de dimension 3 donc W est une
base de E et
B
= Mat (g, W) =
_
_
1 0 0
0 2 0
0 0 2
_
_
De plus, par la formule du changement de base,
B
= Q
1
BQ avec Q = P
EW
=
_
_
1 1 0
1 0 1
1 1 1
_
_
Retour à lexercice
Voici la solution pour H :
Dans lexercice B.5.3 nous avons calcule le polynome caracteristique de h et avons trouve :
P
h
(x) = (1 x)
2
(2 +x)
dont les racines sont 1 et 2.
Le polynome caracteristique est scinde dans R. Pour savoir si h est diagonalisable, il faut savoir si la dimension des espaces
propres est egale à la multiplicite des valeurs propres.
1. 2 est une valeur propre simple donc dim E
2
= 1
2. 1 est valeur propre double, donc il faut regarder si dim E
1
= 2.
h(v) = v (H I
3
)v = 0
E

_
_
5 0 2
0 0 0
5 1 2
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
_
5x 2z = 0
5x +y + 2z = 0
0 y = 0 et z =
5
2
x
et E
1
= {(x, 0,
5
2
x), x R} = Vect {(2, 0, 5)} donc dim E
1
= 1 < 2 = m
2
(puisque le vecteur (2, 0, 5) nest pas
nul) et h nest pas diagonalisable.
Retour à lexercice
Voici la solution pour K :
Calculons le polynome caracteristique de k :
P
k
(x) = det (K xI
2
) =
x 1
1 x
= x
2
+ 1
La fonction polynome P
k
nest pas scindee sur R donc k nest pas diagonalisable dans R.
Cependant, si on suppose que E est un espace vectoriel sur le corps C, alors la fonction polynome P
k
est scindee sur C. De
plus, elle na que des racines simples (i et i) donc lendomorphisme associe est diagonalisable dans C.
Retour à lexercice

Algèbre Linéaire

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Algèbre Linéaire

Uploaded by

Copyright:

Available Formats

Mathematiques

dans E tel que v +v

existe, elle est unique et on la note A

g est surjective si w F, v E tel que w = g(v).

les matrices colonnes associees aux coordonnees de x dans les bases E et E

, vers E, muni de la base E et

associe ses coordonnees

). Quel lien existe-t-il entre les matrices A et

celle des coordonnees de x dans la base E

et de meme, notons Y la matrice colonne des coordonnees

celle des coordonnees de y dans la base F

. Soient enn les matrices

est un s.e.v. de E puisquil est le noyau dune application lineaire.

est appele sous espace

est stable par f ce qui signie que pour

est un s.e.v. de E donc en particulier, E

est stable pour la loi interne. On peut donc considerer la restriction de f `a E

dont la matrice dans

est lespace propre

sont leurs derivees.

(t) = AX(t) par la matrice P

(t) = DY (t) o` u D est diagonale, et le système est très simple à resoudre.

L(E). En eet, pour tous (v, v

est appellee lhomothetie de E de rapport .

= dim E dim Ker g

est un s.e.v. de E de meme dimension que E donc Im g

est surjective, il faut revenir `a la denition :

en developpant par rapport `a C

en developpant par rapport `a la 1`ere colonne

en factorisant la derni`ere colonne par 2

en developpant par rapport `a la 1`ere ligne

en factorisant la derni`ere colonne par 2

en developpant par rapport `a la 1`ere colonne

en remplacant la colonne 1 par C

en developpant par rapport `a la ligne 3

(t) = AX(t) par la matrice P

(t) = DY (t) qui secrit :

dans Ker g et tout K on a

E tel que g(v

En particuler, si v Ker g alors g(v) = 0

deux vecteurs de E tels que g(v) = g(v

) et regarder sil est nul.

= 0 mais il ny a aucune raison pour que le terme xy

soit nul. Cest que E

) (x +y, 2x, y 3x) = (x

). Dapr`es la formule du cours on a

puisquici, on garde la meme base pour lespace de depart et darrivee.

est beaucoup plus simple que la matrice de relativement `a

en factorisant chaque colonne par (1)

est inversible, il faut chercher pour quelles valeurs de , det A

= (2 )[(4 )(5 ) + 24] + 4(6 + 4 +)

est inversible si et seulement si {0, 1, 2}.

en mettant en facteur (1 ) dans C

En developpant le determinant par rapport `a la 2`eme ligne, on obtient

= (1 x)[(4 x)(3 x) + 10]

You might also like