Professional Documents
Culture Documents
AbdelMalek Essaadi
Universite
Facult
e des Sciences et Techniques Tanger
D
epartement Des Sciences Math
ematiques
Pr
eface
Introduction lalg`
ebre lin
eaire
Modules M111
Fractions Rationnelles
Reduction des endomorphismes
Une serie dexercices est presentee `a la fin de chaque chapitre. Cette serie dexercice contient
egalement des examens proposes `a la FSTT depuis 1996.
Nous vous remercions par avance pour toute remarque ou critique et/ou suggestion constructive
et nous vous souhaitons bon courage.
Abdesslam ARHRIB
Tanger le 10 Octobre 2007.
Abdesslam ARHRIB
email: aarhrib@ictp.it
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
une application.
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
9
10
10
11
11
12
12
12
13
14
14
14
15
15
16
2 Espaces Vectoriels
2.1 Loi de composition interne et externe: . . . . . . . . . . . . . . . .
2.1.1 Loi de composition Interne . . . . . . . . . . . . . . . . . .
2.1.2 Loi de composition externe . . . . . . . . . . . . . . . . . .
2.1.3 Structure despace vectoriel sur IR o`
u C.
l . . . . . . . . . . .
2.1.4 R`egles de calcul dans un espace vectoriel . . . . . . . . . . .
2.2 Sous espaces verctoriels . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Base dun espace vectoriel . . . . . . . . . . . . . . . . . . . . . . .
2.3.1 Famille generatice. . . . . . . . . . . . . . . . . . . . . . . .
2.3.2 Famille libre, famille liee. . . . . . . . . . . . . . . . . . . .
2.3.3 Base dun espace vectoriel, Dimension dun espace vectoriel.
2.4 Exercices resolus . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
19
19
19
20
21
22
23
24
24
25
27
28
31
3 Applications lin
eaires
3.1 Definitions et exemples . . . . . . . . . . . . . . . . . .
3.2 Proprietes des applications lineaires . . . . . . . . . .
3.3 Noyau et image dune application lineaire . . . . . . .
3.4 Rang dun syst`eme de vecteurs, rang dune application
3.4.1 Rang dun syst`eme de vecteurs . . . . . . . . .
3.4.2 Rang dune application lineaire . . . . . . . . .
3.5 Exercices resolus . . . . . . . . . . . . . . . . . . . . .
3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
35
35
36
37
39
39
40
41
43
. . . . .
. . . . .
. . . . .
lineaire
. . . . .
. . . . .
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4 Matrices
4.1 Matrice dune application lineaire . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.1 Matrices particuli`eres . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.2 Des exemples classiques . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Operations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.1 Addition des matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.2 Produit par un scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.3 Transposee dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.4 Produit des matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3 Changement de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3.1 Matrice de passage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3.2 Action du changement de base sur les composantes dun vecteur . . . .
4.3.3 Action du changement de base sur la matrice dune application lineaire:
4.4 Exercices resolus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
45
45
46
48
49
49
49
50
50
52
52
53
54
55
59
5 D
eterminants et leurs applications
5.1 Determinant dun syst`eme de n vecteurs . . . . .
5.1.1 Permutation: . . . . . . . . . . . . . . . .
5.1.2 Signature dune permutation . . . . . . .
5.1.3 Determinant dun syst`eme de vecteurs. . .
5.2 determinant dune matrice: . . . . . . . . . . . .
5.2.1 Proprietes: . . . . . . . . . . . . . . . . .
5.2.2 regles pratique: . . . . . . . . . . . . . . .
5.2.3 Inverse dune matrice carree . . . . . . . .
5.2.4 determination du rang dune matrice: . .
5.2.5 Exemples de calcul de determinants. . . .
5.3 Application `a la resolution des equations lineaires
5.3.1 Resolution des syst`emes lineaires . . . . .
5.4 Exercices resolus . . . . . . . . . . . . . . . . . .
5.5 Exercices . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
63
63
63
63
63
64
64
65
65
66
66
66
67
69
73
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
deux polynomes
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
75
75
75
75
75
76
76
77
77
77
77
78
78
79
79
79
80
80
81
84
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6 Polyn
omes
6.1 Notions generales. . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Definition dun polynome . . . . . . . . . . . . . . . .
6.1.2 Egalite de deux polynomes . . . . . . . . . . . . . . .
6.1.3 Operation sur K[X] . . . . . . . . . . . . . . . . . . .
6.1.4 Notion dindeterminee. . . . . . . . . . . . . . . . . . .
6.1.5 Degre dun polynome `a une indeterminee: . . . . . . .
6.2 Division euclidienne-polynomes irreductibles . . . . . . . . . .
6.2.1 Division euclidienne (D.E). . . . . . . . . . . . . . . .
6.2.2 Exemple. . . . . . . . . . . . . . . . . . . . . . . . . .
6.2.3 P.G.C.D de deux polynomes . . . . . . . . . . . . . .
6.2.4 Algorithme dEuclide pour la recherche du P.G.C.D de
6.3 Polynomes irreductibles dans K[X] . . . . . . . . . . . . . . .
6.4 Fonction Polynome dune variable, racine dun polynome . .
6.4.1 Fonction polynome . . . . . . . . . . . . . . . . . . .
6.4.2 Derivee dun polynome . . . . . . . . . . . . . . . . .
6.4.3 Formule de Taylor pour les polynomes . . . . . . . .
6.4.4 Racine dun polynome . . . . . . . . . . . . . . . . .
6.5 Exercices resolus . . . . . . . . . . . . . . . . . . . . . . . . .
6.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
7 Fractions Rationnelles
7.1 Corps des fractions . . . . . . . . . .
7.2 Decomposition en element simples. .
7.2.1 Division suivant les exposants
7.2.2 Resultats generaux. . . . . .
7.2.3 Decomposition dans C[X]
l
. .
7.3 Decomposition dans IR[X] . . . . . .
7.4 Exercices . . . . . . . . . . . . . . .
. . . . . . .
. . . . . . .
croissants:
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
87
87
88
88
89
90
91
93
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
8 R
eduction des endomorphismes
8.1 Vecteurs propres et valeurs propres dun endomorphisme
8.1.1 Vecteurs propres . . . . . . . . . . . . . . . . . .
8.2 Sous espace propre . . . . . . . . . . . . . . . . . . . . .
8.3 Polyn
ome caracteristique dun endomorphisme . . . . .
8.4 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . .
8.5 Applications . . . . . . . . . . . . . . . . . . . . . . . . .
8.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
95
. 95
. 95
. 96
. 98
. 100
. 104
. 108
8
P
V
V
F
F
Chapitre 1
Q
V
F
V
F
P et Q
V
F
F
F
Remarque:
1.1
Notions de Logique
Assertion
D
efinition: Une assertion est lenonce dune propriete qui est exclusivement vraie (V) ou fausse (F).
Disjonction:
La disjonction de deux propositions P et Q que lon note P ou Q est vraie si au moins lune des
propositions P, Q est vraie, fausse dans tous les autres cas.
Exemples:
a. 2 = 3 est une assertion fausse.
b. 6 > 2 est une assertion vraie.
c. Le Maroc est un pays du continent Americain est une assertion fausse.
P
V
V
F
F
Proposition:
D
efinition: Une proposition P est un enonce contenant une variable, elle sera vraie pour certaines
valeurs de la variable et fausse pour toutes les autres valeurs de la variable.
Exemple
x > 4 est une proposition, elle est vraie pour les nombres strictement superieurs `
a 4, fausse dans tous
les autres cas.
Il est un signe sur lequel il semble important de sattarder: . Quelle est la signification de P Q
ou P et Q sont deux propositions.
D
efinition: La relation (P ou Q) sappelle limplication de Q par P et se note:
P Q et senonce P implique Q .
P
V
V
F
F
D
efinition: La negation dune proposition P que nous noterons non P (ou P ) est vraie lorsque P
est fausse, fausse lorsque P est vraie.
P
F
V
P
F
F
V
V
Q
V
F
V
F
P ou Q (P Q)
V
F
V
V
Les deux derni`eres lignes de la table de verite de P Q montrent que P peut etre fausse alors que
limplication reste vraie et ce peut importe la valeur de verite de Q.
Exemple
Exemple:
P : x > 3;
P ou Q
V
V
V
F
Implication:
N
egation dune proposition.
P
V
F
Q
V
F
V
F
nonP : x 3
Conjonction:
D
efinition: Soient P et Q deux propositions. On appelle conjonction de P et Q que nous notons
P et Q la proposition qui est vraie si et seulement si P et Q sont vraies simultanement et fausses
dans tous les autres cas.
7
10
Equivalence:
1.2.1
D
efinition: Deux propositions P, Q sont equivalentes si chacune delle implique lautre (P Q) et
(Q P ). On note: P Q.
Inclusion
P
V
V
F
F
Q
V
F
V
F
P Q
V
F
V
V
P Q
V
V
F
V
QP
V
F
F
V
Dapr`es le tableau de verite, on conclut quune equivalence est vraie si P et Q ont exactement les
memes valeurs de verite.
Si lon a P Q: On dit que P est une condition necessaire et suffisante pour que Q soit vraie, Q est
une condition necessaire et suffisante pour que P soit vraie.
La demonstration dune equivalence consiste la plupart du temps `a faire deux demonstrations, lune
pour P Q, et lautre pour Q P . On peut aussi enchaner des equivalences, mais il faut justifier
chacune delles.
Inclusion et egalit
e
D
efinition: Etant donnes deux ensembles A et B. Nous dirons que A est inclus dans B, que A est
un sous-ensemble de B, ou que A est une partie de B, si tous les elements de A sont elements de B
et nous ecrivons: A B
A B (x A x B) .
on note aussi A B par B A et on lit B contient A.
Exemple:
Soit E = {a, b, c} .
P(E) = {, {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, {a, b, c}}.
Tout element de P(E) est inclus dans E: E , {a} E, {a, b} E et {a, b, c} E.
Egalit
e
D
efinition: Deux ensembles A et B sont egaux sils sont formes des memes elements; on ecrit: A = B
(A = B)
Propri
et
es:
(A B et B A)
1) P et ( Q et R ) ( P et Q ) et R: Associativite de la conjonction.
(x A x B)
2) P ou ( Q ou R ) ( P ou Q ) ou R: Associativite de la disjonction.
1.2.2
R
eunion, intersection et compl
ementaire.
Intersection
Lintersection de A et B, notee A B est definie par:
5) (P Q) et (Q R) P R: Transitivite de limplication.
A B = {x E; x A et x B} E
6) (P Q) et (Q R) P R. Transitivite de lequivalence.
Lorsque lintersection de deux ensembles A et B est vide, on dit que A et B sont disjoints. Dans le
cas contraire, on dit que A et B se coupent.
R
eunion
1.2
Notions
el
ementaires de th
eorie des ensembles.
...Et mieux vaudra alors ne pas parler de theorie des ensembles mais simplement dun vocabulaire
ou dune grammaire... Laurent Schwartz
D
efinition: De mani`ere intuitive, nous definissons un ensemble comme etant une famille ou une
collection, E, dobjets a, b, c,.... appeles elements de E.
On note a A, on lit a appartient `a A ou a est element de A.
Exemples:
Compl
ementaire
11
12
Exemple:
D
efinition dune application
IN = ZZ .
CIN = IN , CZ
D
efinition: Une application f de X Y est une correspondance entre un element de X et un
element de Y fonctionnelle par rapport `a cet element de Y , cest `a dire:
{0}
Exercices:
1. A (B C) = (A B) C = A B C
2. A (B C) = (A B) C = A B C
3. A (B C) = (A B) (A C)
4. A (B C) = (A B) (A C)
6.
CEA
CEB
CEAB
CEA
X X
x x
1.3.1
IdX :
CEB .
Produit
1.3
5. A CEA = E ; A CEA =
CEAB
D
efinition 1: On appelle relation R entre deux variables decrivant respectivement deux ensembles
X et Y toute propriete definie sur X Y , cest `a dire une propriete caracteristique des elements dune
partie G de X Y .
G est le graphe de la relation R.
Soient x X et y Y ; on dit x et y sont en relation R(x, y) si (x, y) G, on note:
R(x, y) (x, y) G
D
efinition 2: Soient R une relation entre x element de X et y element de Y et G son graphe. On
appelle correspondance entre X et Y le triplet (X, Y, G). X est lensemble de depart, Y est lensemble
darrivee, G est le graphe de la correspondance.
D
efinition 3: Une correspondance (X, Y, G) est fonctionnelle par rapport `
a la deuxi`eme variable si:
x X , il existe un seul y Y tel que (x, y) G
Exemples:
a. G1 = {(x, y) IR2 ; y = x2 }; x IR, il existe un unique y IR tel que y = x2 IR . (x, y) G1
G1 est un graphe dune correspondance fonctionnelle.
1.3.2
Application surjective
On dit que lapplication f : X Y est surjective si pour tout y Y , il existe au moins un element
x X tel que y = f (x).
Exemple: lapplication
(
IR IR
f:
x x2
nest pas surjective, (pour tout y < 0 il nexiste pas de x reel tel que y = x2 )
1.3.3
Application injective
On dit que lapplication f : X Y est injective si elle verifie les deux proprietes equivalentes suivantes:
a. si x et x X et si f (x) = f (x ) alors que x = x .
b. si x et x X et si x 6= x alors f (x) 6= f (x )
La propriete b. nest rien dautre que la contraposee de a.
Exemple: x y = x2 nest pas injective: soit x 6= 0: x 6= x et f (x) = f (x) alors que x 6= x
1.3.4
Image et Image r
eciproque dun ensemble par une application.
D
efinition: Soit f : X Y une application. Soit A X (une partie de X) B Y (une partie de
Y)
a. limage de A par f notee f (A) est definie par:
f (A) = {y Y ; y = f (x)/x A} Y
b. limage reciproque de B par f notee f 1 (B) est definie par:
f 1 (B) = {x X, f (x) B} X
Propri
et
es Soit f : X Y une application.
1. f est surjective si et seulement si f (X) = Y .
13
2. f est injective si et seulement si pour tout y Y ; f 1 ({y}) a au plus un element cest `
a dire
vide ou bien contient un seul element.
Preuve:
1. Supposons que f est surjective et montrons que f (X) = Y .
f (X) Y , par definition meme de f (X). Montrons que Y f (X). Soit y Y , f etant surjective,
donc il existe x X tel que y = f (x) f (X) do`
u linclusion.
Reciproquement, si f (X) = Y alors pour tout y Y , y est element de f (X); donc il existe x X tel
que y = f (x) f est donc
( surjective.
IR IR
Exemple: Soit f :
; Gf = {(x, y) IR2 /y = x2 } est une parabole. Cette application
x x2
14
f (x) = f (x ), apr`es composition par g on obtient g(f (x)) = gof (x) = g(f (x )) = gof (x ). Comme
gof est injective alors x = x et donc f est injective.
3. f et g surjectives, donc f (X) = Y et g(Y ) = Z. Z = g(Y = f (X)) = gof (X) ce qui montre que
gof est surjective.
4. Supposons que gof est surjective et montrons que g est surjective. En effet, soit z Z, dapr`es la
surjectivite de gof , il existe x X tel que gof (x) = z, ce qui revient `a dire que g(f (x)) = z. Pour
tout z Z, il existe y = f (x) Y tel que g(y) = z, donc g est surjective.
5. f et g bijectives gof bijective decoule de 2. et 4.
(gof )1 est la bijection reciproque de gof definie de Z dans X. Soit z Z, on a:
on compose (7.6) par
g1
f 1
Compos
ee dapplications
D
efinition: Soient f : X Y , g: Y Z deux applications de graphes respectifs G et H.
Lapplication composee gof : de X Z est definie par son graphe:
{(x, z) X Z, il existe y Y tel que (x, y) G et (y, z) H}
gof :
X Z
x gof (x) = g(f (x)) Z ; f (x) Y
(1.2)
on obtient:
(gof )1 (z) = f 1 [g1 (z)] = f 1 og1 (z)
1.3.5
(1.1)
on obtient:
(1.3)
1.4
1.4.1
D
efinition: Une relation R entre X et Y , est la donnee de deux ensembles X et Y , et dune partie
G de X Y . Pour tout couple (x, y) de X Y on note:
xRy (x, y) G
ou encore:
Application bijective
D
efinition: Une application f de X Y est bijective si elle est `a la fois injective et surjective.
Si f est bijective et si G est son graphe, lensemble:
G1 = {(y, x) Y xX; (x, y) G} Y X
est un graphe dans Y X. Ce graphe definit donc une application f 1 : Y X appelee bijection
reciproque de f .
On a f 1 of = IdX ; f of 1 = IdY .
Th
eor`
eme: Soient X, Y , Z trois ensembles, f une application de X dans Y et g une application de
Y dans Z. On a les implications suivantes:
1. f et g injectives gof injective
2. gof injective f injective
3. f et g surjectives gof surjective
4. gof surjective g surjective
5. f et g bijectives gof bijective et (gof )1 = f 1 og1
Preuve:
1. Supposons que f et g sont injectives et montrons que gof lest aussi. gof est une application de X
vers Z; soit donc x, x X tel que gof (x) = gof (x ). On a donc g(f (x)) = g(f (x )) qui implique que
f (x) = f (x ) du fait de linjectivite de g. f etant injective donc f (x) = f (x ) implique que x = x .
On conclut donc que gof est injective.
2. Supposons que gof est injective et montrons que f est injective. Soient x, x X tel que
G = {(x, y) X Y /xRy}
1.4.2
Relations binaires
D
efinition: Soit E un ensemble.
1. Une relation binaire R est une relation de E vers E. Son graphe G est une partie de E E.
2. Une relation binaire R definie sur E est:
i. Reflexive si x E xRx
ii. Sym
etrique si x, y E ( xRy yRx
iii. Antisym
etrique si x, y E ( xRy et yRx) x = y
iv. Transitive si x, y, z E ( xRy et yRz) xRz
Exemple: On consid`ere la relation binaire R definie sur E = {1, 2, 3, 6} par: xRy si et seulement si
x divise y.
Le graphe G de R est defini par:
G = {(a, b) E E/ a divise b} E E
= {(1, 1), (1, 2), (1, 3), (1, 6), (2, 2), (2, 6), (3, 6)}
15
1.4.3
1.5
Relation d
equivalence
D
efinition: Une relation binaire R definie par son graphe G est une relation dequivalence si et
seulement si elle est reflexive, symetrique et transitive.
Exemples: Soit la relation binaire R definie sur IR par x, y G , xRy si et seulement si x = y.
i.) son graphe G = {(x, y) IR2 ; x = y} est la droite vectorielle y = x
ii.) R est reflexive, symetrique et transitive, cest donc une relation dequivalence.
1.4.4
16
Classe d
equivalence
D
efinition:
1. Soit R une relation dequivalence sur E. Pour x E , la classe de x modulo R (notee x
ou
cl(x)) est definie par
x
= cl(x) = {y E; xRy} E
2. lensemble de toutes les classes dequivalence est appele ensemble quatient de E par R note:
E/R.
Propri`
et
es:
1. Si R est une relation dequivalence sur E on a:
(x, y) E E , xRy cl(x) = cl(y)
2. Les classes dequivalence forment une partition de E, cest `
a dire (si cl(x) cl(y) 6= alors
cl(x) = cl(y) et la reunion de toutes les classes est lensemble E:
E = xE cl(x)
Exemple: La relation definie sur IR par: xRy si et seulement si x = y est une relation dequivalence.
x IR ;
cl(x) = {y IR/xRy} = {y IR/x = y} = {x}
xIR cl(x) = xIR {x} = IR, on a donc bien une partition de IR
Exercices
Exercice 1. A etant une partie quelconque de E, donner le resultat de chacune des operations suivantes:
CEA A; A A; A ; A E ; A E; E CEA ; E A CEA .
Exercice 2. A, B et C trois parties de E:
a. Montrer que CEAB = CEA CEB et CEAB = CEA CEB
b. Montrer que A (B C) = (A B) (A C) et A (B C) = (A B) (A C)
c. On definit la difference (B A) de deux ensembles A et B par:
B A = {x B et x
/ A}
Monter que B A = B (A B) = B CEA
Exercice 3. A et B etant deux parties quelconques de E, montrer que:
a. A B CEB CEA
b. A B = B A B = A
c. A B = A CEB
d. A B = E CEA B
Exercice 4. Soit A, B et C trois elements de P(E). prouver que:
Si [(A B) (A C) et (A B) (A C) alors B C
Exercice 5. On appelle difference symetrique entre deux elements A et B de P(E), lensemble des
elements de E qui appartiennent `a lune des parties A ou B sans appartenir `a lautre. On note
AB = {x E|(x A et x
/ B) ou (x B et x
/ A)}
Etablir
les relations:
a. AB = (A B) (A B)
b. AB = [A (A B)] [B (A B)]
c. CEAB = (A B) CEAB
Exercice 6. Soient p et q deux assertions. On notera pq lassertion (p et non q) et pq lassertion
((pq) ou (qp))
1) Ecrire la table de verite de pq.
2) Ecrire la table de verite de pq.
3) Soit r une assertion, montrer que les assertions (pq)r) et p(qr) sont equivalentes.
4) Soient E un ensemble et A et B deux parties de E definies par A = {x E|p} et B = {x E|q}.
On pose A B = A CEB et AB = (A B) (B A) Donner une nouvelle definition de
A B et de AB en utilisant les assertions p et q.
5) En deduire legalite (AB)C = A(BC).
Exercice 7. Soient f une application de E dans F , A et B deux parties de E. Montrer que:
a. si A B alors f (A) f (B)
b. f (A B) = f (A) f (B)
c. f (A B) f (A) f (B)
d. monter que si f est injective alors f (A B) = f (A) f (B). Donner un contre exemple montrant
17
que si f nest pas injective linclusion c est stricte.
e. Si A B alors f 1 (A) f 1 (B)
f. f 1 (A B) = f 1 (A) f 1 (B)
g. f 1 (A B) = f 1 (A) f 1 (B)
f (A)
h. Montrer que: f injective A P(E): f (CEA ) CF
Exercice 8. Soient f une application de E F , A et B deux parties de F telles que B A.
Montrer que:
f 1 (A B) = f 1 (A) f 1 (B)
f 1 (A)
f 1 (CEA ) = CE
A = f 1 (f (A))
pour tout n 2
1 5 n+1
1
1 + 5 n+1
)
(
)
}
xn = {(
2
2
5
pour tout n 0
18
20
b. (ZZ, T ) tel que :
ZZ ZZ ZZ
(x, y) x y = xy + y
Chapitre 2
Propri
et
es
Soit (E, T ) un ensemble muni dune loi de composition interne T. On dit que:
Espaces Vectoriels
y +w y =0
(2.1)
Il est evident de se convaincre que si y1 et y2 sont solutions de (2.1) alors y1 + y2 et aussi solution de
(2.1). De meme pour tout IR, si y1 est solution de (2.1) y1 est aussi solution.
En general, un prob`eme qui verifie ce genre de proprietes est dit lineaire.
Par la structure despace vectoriel, nous abordons une serie de chapitres dalg`ebre lineaire qui
constituera, avec dautres outils danalyse, le cadre mathematique pour la resolution de probl`emes
lineaires.
Tout au long de ce chapitre, K designera k = IR ou C.
l
2.1
2.1.1
D
efinition
Soit E un ensemble. on appelle loi de composition interne entre element de E, tout application de
E E dans E.
A tout couple (x, y) E 2 , la loi associe un element unique z E appele le compose de x et y.
Notation:
E E E
2.1.2
D
efinition: E un ensemble donne. On appelle loi de composition externe entre elements de E et
elements K = IR,C
l toute application de K E vers E definie par:
K E E
(x, y) xT y
(, x) . x
Lensemble K est appele le domaine doperateurs. La loi externe sera notee par . x ou simplement
x.
Exemple:
ZZ ZZ ZZ
(x, y) x + y
(x, y) x.y
K = IR, E = IRn [X] lensemble des fonctions polynomes `a coefficients dans IR de degre n, soit
P IRn [X], P (x) = a0 + a1 x1 + ..... + an xn
IR IRn [X] IRn [X]
(, P ) . P (x) = a0 + a1 x1 + ..... + an xn
(ZZ, +) , (ZZ, .)
19
21
2.1.3
22
2.1.4
D
efinition: On designe par 0K lelement neutre pour laddition dans K et 1K lelement neutre pour
la multiplication dans K . On dit quun ensemble E, muni dune operation interne + et dune
operation externe . a une structure despace vectoriel sur K si:
i (E, +) est un groupe abelien cest `a dire:
i1 quelque soit x, y, z E ; (x + y) + z = x + (y + z).
i2 il existe 0E Equelque soit x E; 0E + x = x + 0E = x
i3 quelque soit x E, il existe x E; x + x = x + x = 0E (x = x)
i4 quelque soit x, y E x + y = y + x
R`
egles de calcul dans un espace vectoriel
Soient x, y E et , K
a) Soit `a calculer: (x y) =?
(x y) + y = (x y + y) = x on conclut donc que:
(x y) = x y
(2.2)
0E = 0E
(2.3)
1K .x = x
iii loperation interne est distributive par rapport `a laddition dans K et par rapport `
a loperation
interne de E.
On dit que E est un espace vectoriel sur E pour les lois considerees.
Les element de E sont des vecteurs et ceux de K sont des scalaires,
0E : element neutre de E pour la loi interne +
0K : element neutre de E pour laddition dans K.
Les propri`etes `
a verifier sont:
(2.4)
b) Soit `a calculer: ( )x =?
( )x + x = ( + )x = x, On conclut donc que:
( )x = x x
(2.5)
0K x = 0E
(2.6)
Interpr
etation g
eom
etrique
En physique, beaucoup de grandeurs sont representees par des vecteurs: le vecteur force, le vecteur
vitesse...
Sur les vecteurs de meme origine on peut definir deux operations:
Exemples
a.) E = IR, K = IR; a + b laddition habituelle dans IR, a.b la multiplication habituelle dans IR,
(IR, +, .) est un IR espace vectoriel.
b.) E = C,
l K = IR, laddition dans C
l est definie par: z = a + ib C,
l z = a + ib C,
l z + z =
a + ib + a + ib = a + a + i(b + b ) et la loi externe est definie par: c IR, z = a + ib C:
l
c . z = c(a + ib) = ca + icb. Il est facile de verifier que C
l est un IR espace vectoriel.
c.) E = IR[x],K = IRn [X], laddition dans IRn [X] est definie par: (P, Q) IRn [X], (P + Q)(x) =
P (x) + Q(x). La loi externe est definie par: IR, P IRn [X], (.P )(x) = P (x). (Rn [x], +, .)
est un IR espace vectoriel.
d.) E = IR2 = IR IR, K = IR, laddition interne dans IR2 est: (a, b) + (a , b ) = (a + a , b + b ), la
loi externe: c IR, (a, b) IR2 c(a, b) = (ca, cb). On montre facilement que (IR2 , +, .) est un IR
espace vectoriel.
(2.7)
u+v
1.a
u
> 0
1.b
u < 0
1.c
Figure 2.1:
23
2.2
24
e.) Soit E un espace vectoriel sur K, v1 , v2 E tels que v1,2 6= 0E ; alors:
F =< v1 , v2 >= {x E/il existe 1 , 2 K : x = 1 v1 + 2 v2 }
D
efinition: Soit E un espace vectoriel et F une partie non vide de E. On dit que F est un sousespace vectoriel de E, si la restriction des lois de E `a F fait de F un espace vectoriel.
En principe, pour montrer que F est un sous-espace vectoriel, il faudrait verifier la totalite des
axiomes de la definition ev1 . . . ev8 . En fait, il suffit de verifier la stabilite des deux lois comme
laffirme le theor`eme suivant:
Th
eor`
eme: Une partie F dun K espace vectoriel E est un sous espace vectoriel si et seulement
si:
F =< v1 , v2 , . . . , vn >= {x E/ 1 , . . . , n K : x = 1 v1 + 2 v2 + . . . + n vn }
Proposition: Soient F1 et F2 deux sous espaces vectoriels dun K espace vectoriel alors:
sev1 . F 6=
F1 + F2 = {x E; x = x1 + x2 , xi Fi }
est un sous espace vectoriel de E.
Preuve:
1.) F1 et F2 sont des sous espaces vectoriels de E alors 0E F1 et 0E F2 et par suite 0E I et
donc I 6= .
soient x I, y I: (x F1 et x F2 , y F1 et y F2 ) donc x y I. Pour tout K et x I
on a x F1 et x F2 donc x I, donc I = F1 F2 est un sous espace vectoriel de E.
2.) 0E = 0E + 0E E1 + E2 et donc E1 + E2 6= . Quelque soient x, y E1 + E2 avec x = x1 + x2 ,
xi Ei et y = y1 + y2 , yi Ei ; x y = x1 y1 + x2 y2 = x1 + x2 E1 + E2 . quelque soit K,
quelque soit x E1 + E2 , x = x1 + x2 on a x = x1 + x2 E1 + E2 , E1 + E2 appele somme de
deux sous espaces vectoriels.
Remarque: Si F est sous-espace vectoriel, alors le vecteur nul 0E est necessairement element de
F , ainsi pour montrer que F 6= il faut penser `a prouver que 0E F .
2.3
Exemples:
2.3.1
F est donc un sous-espace vectoriel. F est dit droite vectorielle engendree par v.
D
efinition: Soit E un K espace vectoriel. Une famille de vecteurs (vi )i=1,...,n delements de E est
dite generatrice, si pour tout x E il existe des scalaires i K (i = 1, . . . , n) (non tous nuls) tels
que:
x = 1 v1 + 2 v2 + . . . + n vn
On dit aussi que tout element x E se decompose sur les vecteurs vi ou encore que tout element
x E est combinaison lineaire des vecteurs vi .
Le plus petit sousespace vectoriel F de E contenant n elements de E, v1 , v2 , . . . , vn , est le
sousespace vectoriel des combinaisons lineaires de v1 , v2 , . . . , vn . En le note < v1 , v2 , . . . , vn >:
< v1 , v2 , . . . , vn >= {x E; x = 1 v1 + 2 v2 + . . . + n vn ; i K(i = 1, . . . , n)}
Exemples:
a) Pour tout (x, y) IR2 :
(x, y) = (x, 0) + (0, y) = x(1, 0) + y(0, 1)
e1 = (1, 0), e2 = (0, 1)
(e1 , e2 ) est une famille generatrice de IR2
25
b) Pour tout (x1 , x2 , . . . , xn ) IRn :
(x1 , x2 , . . . , xn ) = (x1 , 0, . . . , 0) + . . . + (0, . . . , xi , . . . , 0) + . . . + (0, . . . , 0, xn )
= x1 (1, 0, . . . , 0) + . . . + xi (0, . . . , 1, . . . , 0) + . . . + xn (0, . . . , 0, 1)
|
{z
e1
{z
ei
ei admet 1 sur la i`eme composante. (e1 , . . . , en ) est une famille generatrice de IRn
x2
(1, X, X 2 )
{z
en
d) Plus generalement dans IRn [x], quelque soit P IRn [x], P (x) = a0 + a1 x + . . . + an xn implique
que, (1, X, . . . , X n ) est une famille generatrice de lensemble des polyn
omes de degres inferieur
a n.
`
2.3.2
Dans lespace IR3 dorigine O, considere souvent en physique, soient trois vecteurs OA, OB et OC,
quelle peut etre leur configuration:
26
On dit aussi que les vecteurs (v1 , v2 , ..., vn ) sont lineairement independants.
2.) Une famille qui nest pas libre est dite liee, on dit aussi que ses vecteurs sont lies ou lineairement
dependants, autrement dit,
une famille (vi )i=1...n de vecteurs de E est dite liee sil existe une famille de scalaires de K non tous
nuls tels que: 1 v1 + 2 v2 + ... + n vn = 0
Exemples:
a) (e1 , e2 ) est une famille libre; pour tous , IR e1 + e2 = (0, 0) alors = = 0.
b) (e1 , e2 , e1 + e2 ) est une famille liee; il existe 1 = 1, 2 = 1 et 3 = 1 tels que 1 e1 + 2 e2 + 3 e3 =
(0, 0).
Th
eor`
eme:
Une famille (v1 , v2 , ..., vn ) est liee si et seulement si lun au moins des vecteurs vi secrit comme
combinaison lineaire finie des autres vecteurs de la famille.
Preuve: Supposons que (v1 , v2 , ..., vn ) est liee, il existe une famille de scalaires de K non tous nuls
tel que: 1 v1 + 2 v2 + ... + n vn = 0. Si i 6= 0, on pourra ecrire:
vi =
C
E
Reciproquement: Supposons que vi est combinaison lineaire des autres vecteurs, alors il existe des
scalaires i K tel que:
C
A
(2.8)
(2.9)
O
a
1
i1
i+1
n
v1 . . .
vi1
vi+1 . . .
vn
i
i
i
i
b
Figure 2.2:
OC. On dit que les trois vecteurs forment un syst`eme lie ou sont dependants (2.2:b)
parallelogramme. Avec OD = OA et OE = OB. Dans ce cas aussi on dit que les trois
vecteurs forment un syst`eme lie ou sont dependants.
OA, OB et OC forment un vrai tri`edre.
Dans le dernier cas, on dit que les trois vecteurs forment un syst`eme libre ou sont independants.
Ceci nous m`
ne aux definitions:
OA, OB, OC forment un syst`eme lie si:
OA, OB, OC forment un syst`eme libre si:
(, , IR)(OA + OB + OC = 0 = = = 0)
En general on a:
D
efinitions:
1.) Une famille (vi )i=1,...,n de vecteurs de E est dite libre si:
(i )i=1,...n K tels que 1 v1 + 2 v2 + ... + n vn = 0E alors 1 = 2 = ... = n = 0K
ainsi on a montre quil existe une combinaison lineaire nulle des vecteurs (v1 , v2 , ..., vn ), sans que tous
les coefficients soient nuls. La famille est donc liee.
Remarques:
Toute sous-famille dune famille libre est libre.
Toute sur famille dune famille liee est liee.
Tous les elements dune famille libre sont non nuls
(si xp = 0 on aura la combinaison suivante 0x1 + 0... + 0xp1 + p xp + 0xn = 0E avec p 6= 0).
En particulier (x) est libre si et seulement si x 6= 0.
Proposition:
Soit (v1 , v2 , ..., vn ) une famille libre et x un vecteur quelconque de lespace vectoriel engendre par
(v1 , v2 , ..., vn ). Alors, la decomposition de x sur les vi est unique.
Preuve: Soit x un vecteur quelconque de lespace vectoriel engendre par (v1 , v2 , ..., vn ), donc x
est combinaison lineaire des vi :
x = 1 v1 + 2 v2 . . . + n vn
soit:
x = 1 v1 + 2 v2 . . . + n vn
une autre decomposition de x sur les vi . On a donc:
1 v1 + 2 v2 . . . + n vn = 1 v1 + 2 v2 . . . + n vn
27
En utilisant la propriete de distributivite de la loi externe par rapport `
a la loi interne on trouve:
(1 1 )v1 + (2 2 )v2 . . . + (n n )vn = 0E
1 1 = 0 , 2 2 = 0 , n n = 0
do`
u lunicite de la decomposition.
Dans lespace IR3 , considere souvent en mecanique du solide, on a pris lhabitude de tracer un tri`edre
dorigine O (ou un rep`ere dorigine O), avec les vecteurs i , j et k dorigine O sur ses aretes. Pour
3
tout point A de lespace IR defini par ses coordonnes x, y et z de telle sorte que
OA = x i + y j + z k
D
efinition dune Base: Une famille de vecteurs (vi )i=1,...,n est une base de E si elle est `
a la
fois libre et generatrice.
Exemples: a.) Dans IR2 , quelque soit (x, y) IR2 (x, y) = x(1, 0) + y(0, 1) = xe1 + ye2 , (e1 , e2 ) est
un systeme libre, cest donc une base de IR2 , appellee la base canonique de IR2 .
b.) Dans lespace vectoriel IRn , pour tout (x1 , x2 , . . . , xn ) IRn :
(x1 , x2 , . . . , xn ) = x1 (1, 0, . . . , 0) + . . . + xi (0, . . . , 1, . . . , 0) + . . . + xn (0, . . . , 0, 1)
{z
e1
{z
ei
{z
en
ei admet 1 sur la i`eme composante. (e1 , . . . , en ) est une famille libre et generatrice de IRn , cest la
base canonique de IRn .
Proposition: Soit (vi )i=1,...,n une base de E espace vectoriel sur K. Tout x E se decompose
de mani`ere unique sur la base de E, cest `a dire:
x E
! (1 , . . . , n ) K n
tel que
si on effectue un changement de rep`ere (ou de tri`edre) on aura le meme resultat, c-`a-d que le point A
sera defini par trois coordonnees.
Tout vecteur de IR3 est combinaison lineaire unique de trois vecteurs non coplanaires i , j et k
dorigine O, ces trois vecteurs engendrent donc tout IR3 , ils constituent ce quon appelle une base de
IR3 .
Toutes les bases de IR3 ont trois elements, ce nombre est la dimension de IR3 . Ainsi IR3 est de dimension trois.
sont finies et ont le meme nombre delements. Ce nombre est la dimension de E (sur K).
Notation: Soit (vi )i=1,...,n une base, on note dimK E = n
Exemples:
a.) {0E } est un espace vectoriel sur K. dimK {0E } = 0
b.) dimIR IRn [x] = n + 1: (IRn [x] ensemble des polynomes de degre inferieur ou egal `a n)
c.) dimIR IRn = n.
d.) C,
l IR espace vectoriel, dimIRC
l =2
e.) C,
l C
l espace vectoriel, dimC
l =1
lC
2.3.3
28
: x = 1 v1 + . . . + n vn
(2.10)
Preuve: La decomposition vient du fait que (vi )i=1,...,n est un syst`eme generateur. Lunicite vient
de lindependance des (vi )i=1,...,n .
Th
eor`
eme de la base incompl`
ete:
Th
eor`
eme: Dans un espace vectoriel, une partie libre peut toujours etre completee en une base de E.
Dimension dun espace vectoriel: Un espace vectoriel est dit de dimension finie sil existe dans
E une partie generatrice finie. Dans le cas contraire, il est de dimension infinie.
Th
eor`
eme de la dimension: Dans un Kespace vectoriel E, de dimension finie, toutes les bases
2.4
Exercices r
esolus
Equation caract
eristique dun sous espace vectoriel
Trouver l
equation du sous espace engendr
e par les vecteurs u1 = (1, 1, 2) et u2 = (2, 1, 1)
de IR3 .
V ect(u1 , u2 ) =< u1 , u2 >= {v = (x, y, z) IR3 ; , IR v = u1 + u2 }
(2.11)
De cette definition, on conclut que v < u1 , u2 > sil existe , IR tel que v = u1 + u2 . Si on
pose v = (x, y, z), cette derni`ere equation nous donne le syst`eme suivant:
+ 2 = x
+ =y
2 + = z
(l1 )
(l2 )
(l3 )
(2.12)
29
et dans (l3 ) nous donne: z = 2(2y x) + x y. Lequation du sous espace engendre par (u1 , u2 )
est donc:
x 3y + z = 0
autre m
ethode: Les deux vecteurs u1 et u2 sont lineairement independant, < u1 , u2 > est un plan
vectoriel. Dim< u1 , u2 >= 2, lequation du plan vectoriel < u1 , u2 > est de la forme:
ax + by + cz = 0
(2.13)
les vecteurs u1 et u2 doivent verifies (2.13). On a donc le syst`eme des deux equations suivantes:
(
a + b + 2c = 0
2a + b + c = 0
a + b = 2c
2a + b = c
(2.14)
(2.15)
alors
===0
(2.16)
Lequation eq. (2.16) nous donne un syst`eme a trois inconnues , et et trois equations, et dans
lequel x, y, z sont des parametres reels.
(S 1 )
+ 2 + x = 0
+ + y = 0
2 + + z = 0
(c11 )
(c12 )
(c13 )
(2.17)
notre but cest de trouver une condition sur x, y et z pour que la seule est unique solution du syst`eme
(2.18) soit = = = 0. A cet effet, nous allons appliquer la methode de Gauss. En effet, la
premi`ere etape consiste a annuler les coefficients de dans c12 et c13 . Ceci est possible en remplacant
c12 par c12 c11 et c13 par c13 2c11 . Le syst`eme S 1 devient S 2 :
2
(S )
+ 2 + x = 0
(c21 = c11 )
0 + (y x) = 0
(c22 = c12 c11 )
0 3 + (z 2x) = 0
(c23 = c13 2c11 )
(2.18)
30
A ce niveau on procede de la meme mani`ere avec les equations c22 et c23 . On annule donc le coefficient
de dans c23 en remplacant c23 par c23 3c22 . En effet, le syst`eme S 2 devient
3
(S )
+ 2 + x = 0
(c31 = c21 )
0 + (y x) = 0
(c32 = c22 )
0 + 0 + (z 3y + x) = 0
(c33 = c23 3c22 )
(2.19)
31
2.5
Exercices
IR
.x = x
, y IR+ , IR
, E2 = {(x, y) IR2 ; x + y = 1}
E3 = {(x, y) IR2 ; 2x + y = 0}
, E8 = {f C 2 (IR); f + f = 0C 2 (IR) }
Exercice 5. Dans IR2 , soient u1 = (1, 0), u2 = (0, 1), u3 = (0, 4), u4 = (1, 1) et u5 = (0, 0). Les
syst`emes de vecteurs {u1 , u2 }, {u2 , u3 }, {u1 , u4 }, {u4 , u5 }, {u5 }, {u1 , u2 , u3 } sont-ils libres?
2
32
Exercice 10. Dans IR3 espace vectoriel sur IR, soient u = (1, 1, 1), v = (0, 1, 2), w = (1, 2, 3)
trois elements de IR3 .
1. Montrer que {u, v, w} est lie.
2. Soit F le sous-espace vectoriel de IR3 engendre par < u, v, w >. Donner une base de F .
3. a.) Soit G = {(x, y, z) IR3 /x + 2y + z = 0}. Montrer que G est un sous-espace vectoriel de IR3 .
b.) Determiner une base de G et montrer que F = G.
Exercice 11.
Soient F et H 2 s.e.v dun K-espace vectoriel E.
1. Montrer que F H est un s.e.v de E.
2. Montrer que F H est un sous espace vectoriel de E ssi F H ou H F .
3. Montrer que F + H = {x + y; x F et y H} (appele somme de F et H) est le plus petit sous
espace vectoriel de E contenant F H.
4. On dit que la somme de F et H est directe si tout element de F + H secrit dune facon unique
sous la forme x + y o`
u x F et y H, et dans ce cas F + H sera note F H. Montrer que les
proprietes suivantes sont equivalentes:
i La somme F et H est directe .
ii Pour tout x F , pour tout y H, x + y = 0E = x = y = 0E .
iii F H = {0E }.
Application: Soit E = IR5 . Montrer que F et H sont des sous espaces vectoriels de E et voir si leur
somme est directe dans les cas suivants:
a F = {(2x, y, z, 3y, x); x, y, z IR} et H = {(x, x, y, x, x); x, y R}
b F = {(x, y, x, 2y); x, y R} et H = {(2x, x, y, 0); x, y IR}
Exercice 12. Lensemble E(IR, IR) des fonctions numeriques reelles de variable reelle muni des deux
operations suivantes ( reel):
Exercice 7. Dans IR3 , on consid`ere les 4 vecteurs: u = (1, 1, 1); v = (1, 1, 0); w = (1, 0, 0);
t = (3, 5, 2). Demontrer que le syst`eme {u, v, w} est une base de IR3 et trouver les coordonnees
de t dans cette base.
Quelles sont les coordonnees de t dans la base canonique de IR3 ?
Exercice 8. Dans IR3 verifier que a, b, c sont independants et calculer les coordonnees de x sur
la base {a, b, c} :
a = (1, 1, 1) , b = (1, 1, 1) , c = (1, 1, 1) , x = (2, 3, 1)
2. Meme probl`eme dans C
l 3:
a = (1, 1, i) , b = (1, i, 1) , c = (i, 1, 1) , x = (1 + i, 1 i, i).
Exercice 13. Montrer que lensemble des applications continues de IR dans IR est un espace vectoriel
sur IR, et que dans cet espace vectoriel les fonctions f1 (x) = x, f2 (x) = Sin(x), f3 (x) = ex sont
lineairement independantes.
Exercice 9. Dans IRn demontrer que le sous-espace vectoriel engendre par a et b, dune part, et
le sous-espace vectoriel engendre par c et d, dautre part, sont identiques, et determiner leur dimension:
1. n = 3, a = (2, 3, 1), b = (1, 1, 2), c = (3, 7, 0), d = (5, 0, 7)
2. n = 4, a = (2, 3, 1, 0), b = (3, 1, 0, 2), c = (4, 5, 1, 4) , d = (9, 8, 3, 2).
Dans chacun des cas precedents, completer la base obtenue pour obtenir une base de IRn .
33
et V2 E2
a) Soient les applications suivantes:
p EE
V V1
q: EE
V V2
(, IR)
34
36
vectoriel sur K = IR. On definit sur F([a, b]) lapplication qui, `a chaque fonction derivable g de
F([a, b]) associe sa fonction derivee g :
Chapitre 3
Applications lin
eaires
E F
x
f (x) = 0F
3.1
D
efinitions et exemples
D
efinition 1 Etant donnes deux espaces vectoriels E et F sur le meme corps commutatif K, on
appelle application lineaire de E dans F toute application de E dans F telle que:
i) x, y E
ii) x E
,
,
f (x + y) = f (x) + f (y)
K
, K
f (x + y) = f (x) + f (y)
et
py (x, y) = y
, f
E F
x (f )(x) = f (x)
3.2
Propri
et
es des applications lin
eaires
i.) f (0E ) = 0F
E F
x (f + g)(x) = f (x) + g(x)
Th
eor`
eme 1: Si f est une application lineaire de E dans F , on a les proprietes suivantes:
f (x) = f (x)
x, y E
x E
f (x) = f (x)
ii.) Si E1 est un sous espace vectoriel de E, f (E1 ) F est un sous espace vectoriel de F .
iii.) Si F1 est un sous espace vectoriel de F , f 1 (F1 ) E est un sous espace vectoriel de E
Preuve: i.)Soit y f (E) F , il existe x E tel que y = f (x). On a : y + 0F = 0F + y = y et
x + 0E = 0E + x = x.
x + 0E = 0E + x = x = f (x + 0E ) = f (x) + f (0E ) = f (x) = y = f (x) + 0F
= f (0E ) = 0F
Pour tout x E, on a:
x + (x) = 0E
ii.) f (E1 ) 6= .
Soit K un scalaire, y1 , y2 f (E1 ), il existe x1 , x2 E1 tel que: y1 = f (x1 ) et y2 = f (x2 ). Du
fait que f est lineaire, on a les relations suivantes:
y1 y2 = f (x1 ) f (x2 ) = f (x1 x2 )
y1 = f (x1 ) = f (x1 )
IR3 IR2
(x, y, z)
f (x, y, z) = (x2 + x, x + y z)
E1 est un sous espace vectoriel de E, alors x1 x2 E1 et x1 E1 . On conclut donc que f (E1 ) est
un sous espace vectoriel de F .
nest pas lineaire. Ni i), ni ii) de la definition 1 nest satisfaite `a cause du terme x2 .
4.) E = F = F([a, b]) ensemble des fonctions reelles derivables sur [a, b]. F([a, b]) est un espace
35
37
Soient K un scalaire, x1 , x2 f 1 (F1 ), il existe y1 , y2 F1 tels que: y1 = f (x1 ) et y2 = f (x2 ).
Du fait que f est lineaire, on a les relations suivantes:
y1 y2 = f (x1 ) f (x2 ) = f (x1 x2 )
y1 = f (x1 ) = f (x1 )
definition
de gof
38
Preuve: De la definition de la surjectivite et de Im(f ), le b.) decoule immediatement.
a.) Supposons que f soit injective, Soit x Ker(f ) alors f (x) = 0F = f (0E ). De linjectivite de f
il sensuit que x = 0E et donc Ker(f ) = {0E }. Reciproquement, supposons que le noyau de f soit
reduit au 0E . Soient x1 et x2 deux elements de E tels que f (x1 ) = f (x2 ). Par linearite de f , on
obtient: f (x1 x2 ) = 0F , le vecteur x1 x2 est donc dans le noyau de f qui est reduit `a {0E }, il en
resulte que: x1 x2 = 0E cest `a dire x1 = x2 . On conclut que f est injective.
Proposition:
Si f est un isomorphisme de E sur F , alors la bijection reciproque f 1 de F sur E est aussi lineaire.
Preuve: Soient y1 et y2 deux vecteurs de F , et deux scalaires de K. f etant un isomorphisme,
donc il existe x1 et x2 E (uniques) tels que: y1 = f (x1 ) et y2 = f (x2 ), on a aussi f 1 (y1 ) = x1 et
f 1 (y2 ) = x2 .
f est lineaire
g est lineaire
definition de gof
3.3
D
efinition: f etant une application lineaire de E dans F ,
i.) f 1 ({0F }), est un sous espace vectoriel de E est appele noyau de lapplication lineaire f , on le
note Kerf .
Kerf = {x E ; f (x) = 0F } = f 1 ({0F }) E
ii.) f (E) sous-espace vectoriel de F appele image de f et est note Imf .
Imf = {y F ; x E : y = f (x) } = f (E) F
Proposition
Ker(f ) est un sous-espace vectoriel de E et Im(f ) est un sous-espace vectoriel de F .
Preuve: f (0E ) = 0F ; 0E est dans le noyau, donc Ker(f ) 6= . Si x1 et x2 sont deux elements
du noyau, et deux elements de K:
f (x1 + x2 ) = f (x1 ) + f (x2 ) = 0F + 0F = 0F
donc x1 + x2 Ker(f ).
0F est dans Im(f ) 6= . Soient y1 et y2 deux element de Im(f ) et deux elements de K, donc il
existe x1 et x2 tels que: y1 = f (x1 ) et y2 = f (x2 ). Il sensuit que:
y1 + y2 = f (x1 ) + f (x2 ) = f (x1 + x2 ) Im(f )
Proposition
Soit f une application lineaire de E dans F :
a. f est injective si et seulement si Ker(f ) = {0E }
b. f est surjective si et seulement si Im(f ) = F
39
(u1 , . . . , un ) etant une base de E, alors tout vecteur x E secrit de mani`ere unique x = 1 u1 +
. . . n un . On definit lapplication comme suit:
x E
(x) = 1 v1 + . . . n vn
40
On refait la meme chose pour (S 2 ) avec cette fois
(3.1)
(S )
7
3
21 2 + 43 = 0
01 + 73 2 63 = 0
01 + 02 54 3 = 0
(3.4)
On remonte le syst`eme (S 3 ) `a partir de lequation l 3 , qui elle donne 3 = 0. Les autres equations
impliquent 2 = 1 = 0.
Le syst`eme (v1 , v2 , v3 ) est libre et est donc de rang 3.
= 1 v1 + 1 v1 + . . . + n vn + n vn = (x) + (y)
On montre de meme que pour tout IR (x) = (x).
Dapr`es la definition (3.1) on verifie sans peine que (ui ) = (0u1 + . . . + 1ui + . . . + 0un ) = 1vi = vi
pour tout i = 1, . . . , n.
Reste `
a montrer lunicite dune telle application. Supposons quil existe une autre application de
E vers F tel que (ui ) = vi pour tout i = 1, . . . , n. Pour tout x E on a: x = 1 u1 + . . . + n un ,
(x) = (1 u1 + . . . + n un ) = 1 (u1 ) + . . . + n (un ) = 1 v1 + . . . + n vn = (x); ceci etant
vraie pour tout x E, on conclut donc que = , do`
u lunicite.
3.4
3.4.1
D
efinition: On appelle rang dun syst`eme de vecteur S = (v1 , v2 , . . . , vp ) dun espace vectoriel E
sur K, la dimension du sous-espace vectoriel F =< v1 , v2 , . . . , vn > engendre par S. Le rang est note
rgS.
Dapr`es la definition, le rang de S = (v1 , v2 , . . . , vp ) est le nombre maximum de vecteurs lineairement
independants extraits de S. Si dimK E = n, on a evidement:
3.4.2
D
efinition: Le rang dune application lineaire de E dans E est la dimension de lensemble image de
f (Imf = f (E)) et est notee : rgf = dimK Im(E).
Th
eor`
eme de la dimension
Th
eor`
eme: Soient E et F deux espaces vectoriels de dimension finie et f une application lineaire de
E vers F . On a alors:
dimE = rgf + dim(Ker f )
Preuve: Supposons que dimE = n, dimKerf = p, et soit B1 = (v1 , v2 , . . . , vp ) une base de Kerf .
Dapr`es le theor`eme de la base incompl`ete, on peut toujours completer B1 en une base B = B1 B2
de E, avec B2 = (u1 , u2 , . . . , unp ). B est une base de E donc generatrice, pour tout x E, il existe
1 , . . . p , p+1 , . . . , n K tels que:
x = 1 v1 + . . . + p vp + p+1 u1 + . . . + n unp
Exemple: Dans IR3 espace vectoriel, quel est le rang de v1 = (2, 3, 5), v2 = (1, 2, 3) et v2 =
(4, 3, 8)?
Il est evident que si (v1 , v2 , v3 ) est libre alors: < v1 , v2 , v3 >= IR3 et donc le rang de (v1 , v2 , v3 ) est
trois. Etudions si (v1 , v2 , v3 ) sont lineairement independant ou non?
Soient 1 , 2 et 3 des elements de IR tels que
(l1 )
(l2 )
(l3 )
(3.2)
(S )
21 2 + 43 = 0
0 +
0
1
7
3 2
1
5 2
63 = 0
45 3 = 0
l1 = l1
l2 = 32 l2 l1
l3 = 52 l3 l1
le syst`eme sera resolu par la methode du pivot de Gauss decrite ci-dessous. Dans la prem`ere ligne
(l1 ) on choisit un des coefficients i qui soit non nul. Ce coefficient est appele pivot de Gauss. Dans
notre cas, le premier pivot est le coefficient de 1 qui est 2. Le syst`eme (S 1 ) devient
(3.8)
On conclut que (f (u1 ), . . . , f (unp ) est une famille generatrice de f (E). Reste `a montrer que (f (u1 )+
. . . f (unp ) est une famille libre de f (E) pour conclure que rgf = n p. Soit 1 , . . . , np K tels
que
51 32 + 83 = 0
(3.7)
(v1 , . . . , vp ) etant un element du Kerf , donc f (v1 ) = 0, . . . , f (vp ) = 0 et par consequent, pour tout
y f (E)
y = f (x) = p+1 f (u1 ) + . . . + n f (unp ).
1 v1 + 2 v2 + 3 v3 = 0IR3
(S 1 )
(3.6)
Soit y un element quelconque de f (E), donc il existe x E tel que y = f (x). x peut etre decompose
sur la base B (3.6). y est donc donne par:
rg(v1 , v2 , . . . , vp ) inf(n, p)
21 2 + 43 = 0
(3.5)
(3.9)
La derni`ere egalite (3.9) montre que 1 u1 + 2 u2 + . . . + np unp est un element de Kerf , donc il
existe 1 , 2 , . . . p K tels que 1 u1 + 2 u2 + . . . + np unp = 1 v1 + 2 v2 + . . . + p vp ce qui
implique que
1 u1 + 2 u2 + . . . + np unp 1 v1 2 v2 . . . p vp = 0E
(3.3)
(3.10)
41
(f (u1 ), . . . , f (unp ) est libre, cest alors une base de f (E) = Imf . On conclut donc que dimImf =
n p = dimE dimKerf
Corrollaire: Soient E et F deux espaces vectoriels de dimensions finies et f une application lineaire
de E vers F .
i.) Si dimE < dimF , alors f nest pas surjective
42
(e1 , e2 , e3 ) est la base canonique de IR3 .
a. Calculer f (x, y, z) pour tout (x, y, z) IR3 .
b. Determiner Kerf et Imf et montrer que IR3 = kerf Imf
R
eponse:
a. f etant lineaire, pour tout (x, y, z) IR3 ,
f (x, y, z) = f (xe1 + ye2 + ze3 ) = xf (e1 ) + yf (e1 ) + zf (e1 ) = x(1, 1, 1) + y(1, 1, 0) + z(0, 2, 1)
= (x + y, x y + 2z, x + z)
3.5
+ =0
+ 2 = 0
+ =0
Kerf
b.
Exercices r
esolus
(3.11)
{z
f (x,y,z)
{z
f (x ,y ,z )
= {(x, y, z) IR3 |z = 2x et y = x}
(c11 )
(c12 )
(c13 )
(3.12)
43
3.6
Exercices
Exercice 1. a) Quelles sont parmi les applications suivantes celles qui sont lineaires?
f1 : IR2 IR
f2 : IR2 IR2
f1 (x, y) = xy
f2 (x, y) = (2x + y, x + 1)
f3 : IR3 IR2
f3 (x, y, z) = (|y|, 0)
f5 : IR3 IR2
f2 (x, y, z) = (x + y, x + y z)
f4 : IR[X] IR[X]
f4 (P ) = XP
f (x, y) = (y, x)
f (x, y) = (x, x)
f (P ) = P + (X 1)P
A = {P IR3 [X] ; f (P ) = P }
a.) Montrer, sans en chercher une base, que ce sont des sous-espaces vectoriels de IR3 [X]; donner une
base et la dimension de chacun deux.
b.) Montrer que IR3 [X] = A S. Donner la decomposition dune fonction polyn
ome quelconque de
IR3 [X] associee `
a cette somme directe.
2. Soit E les sous-espace vectoriel de IR3 [X] engendre par {1 + X 3 , X, X 2 }. Montrer que A E et
donner une base de E S.
3. Soit F le sous-espace vectoriel de IR3 [X] qui verifie F (E S) = S. Quelle est la dimension de
44
F ? Montrer que E F = {0} pui que IR3 [X] = E F .
Exercice 7. Soit E un espace vectoriel reel et f un endomorphisme de E qui verifie f of 3f +2idE =
0.
a) Montrer les inclusions suivantes:
Im(f 2Id) Ker(f Id)
et
Ker(e p) = Im p
46
La matrice est donc rectangulaire de la forme:
a11 a12 a13
a21 a22 a23
M=
Chapitre 4
x1
Matrices
x3
{z
y1
{z
y2
4.1
y1
y2
x2 f (e2 ) + x3 f (e3 ) = [x1 a11 + x2 a12 + x3 a13 ]f1 + [x1 a21 + x2 a22 + x3 a23 ]f2 =
D
efinition: Soient E et F deux K espaces vectoriels de dimensions respectives n et p. Soient (e1 ,
e2 , . . . , en ) une base de E et (f1 , f2 , . . . , fp ) une base de F. f une application lineaire de E dans F .
Pour tout i = 1, . . . , n, f (ei ) F , donc il existe ai,j ... tels que:
f (e1 ) = a1,1 f1 + a2,1 f2 + . . . + ap,1 fp
f (e2 ) = a1,2 f1 + a2,2 f2 + . . . + ap,2 fp
..
.=
f (ej ) = a1,j f1 + a2,j f2 + . . . + ap,j fp
..
.
f (en ) = a1,n f1 + a2,n f2 + . . . + ap,n fp
fi
..
.
fp
a
21
.
..
ai1
..
.
. . . a1n
. . . a2n
.
. . . ..
...
x3
{z
31
{z
21
xn
y1
..
. son image par f , les yi sobtienent de la facon suivante:
yp
a
21
.
..
Y = MX =
ai1
..
.
. . . a1n
. . . a2n
..
.
...
...
et Y = f (X) = (y1 , y2 , . . . , yp ) =
ain
..
.
...
. . . apn
x1
x2
..
.
xj
..
.
xn
y1
y2
..
.
yi
..
.
yp
...
. . . apn
Le tableau des aij sappelle la matrice de f relativement aux bases (ei )i=1,...,n et (fj )j=1,...,p . On note
M = (aij )1ip
x1
x2 =
ain
..
.
{z
23
x1
n
p
canoniques de IR et IR . Posons X = (x1 , x2 , . . . , xn ) = ...
En ecrivant en colonne les composantes des f (ej ) dans la base (f1 ,. . .,fp )
f1
f2
..
.
...
, 1jn
4.1.1
Matrices particuli`
eres
Matrice nulle
Considerons IRn qui est un espace vectoriel de dimension n. Lapplication lineaire nulle de IRn
dans IRn qui, `a tout vecteur x IRn fait correspondre le veteur nul. Ainsi la matrice de est donnee
47
par:
0 0 ... 0 ...
0 0 ... 0 ...
.
.. ..
. . . . . .. . . .
0 0 ... 0 ...
.
.. ..
. . . . . .. . . .
0 0 ... 0 ...
IRn =
0
0
..
.
48
Matrice Sym
etrique, antisym
etrique
Une matrice carree M = (aij ) est dite symetrique si aij = aji pour tout i, j.
..
.
a11
a
12
.
..
M =
a1i
..
.
a12
a22
..
.
. . . a1i
. . . a2i
.
. . . ..
a2i
..
.
. . . aii . . .
.
. . . .. . . .
. . . ain . . . ann
a1n a2n
Matrice Identit
e
Lapplication lineaire identite IIRn de IRn dans IRn tel que IIRn (x) = x pour tout x IRn . Considerons
la base canonique (e1 , . . . , en ) de IRn . On a lors IIRn (ei ) = ei i = 1, . . . , n, la matrice de IIRn
relativement `
a la base canonique de IRn est:
MI n =
IR
1 0 ... 0 ...
0 1 ... 0 ...
.. ..
.
. . . . . .. . . .
0 0 ... 1 ...
.. ..
.
. . . . . .. . . .
0 0 ... 0 ...
0
0
..
.
0
..
.
1
ain
..
.
0
a12
..
.
M =
a1i
..
. . . a1n
. . . a2n
..
...
.
a12
0
..
.
...
...
...
...
a2i
..
.
a1n a2n
4.1.2
a1i
a2i
..
.
. . . a1n
. . . a2n
.
. . . ..
ain
..
.
0
...
..
...
.
...
. . . ain . . .
Homoth
etie
Soit un reel. hx une application lineaire de IR2 vers IR2 qui `a (x, y) IR2 fait correspondre (x, y).
Donc hx (e1 ) = e1 et hx (e2 ) = e2 , la matrice de hx relativement `a la base canonique de IR2 est:
Matrice Diagonale
Considerons lapplication lineaire dIRn de IRn dans IRn tel que pour tout i = 1, . . . , n: dIRn (ei ) = i ei ,
i IR. La matrice de dIRn relativement `a la base canonique de IRn est:
Md n = i ij =
IR
1 0
0 2
..
..
.
.
0 0
..
..
.
.
0
...
...
0
0
..
.
...
...
0
0
..
.
...
...
. . . i . . . 0
.
.
. . . .. . . . ..
. . . 0 . . . n
Mhx =
0
0
1 0
0 1
Projecteurs
px une application lineaire de IR2 vers IR2 qui `a (x, y) IR2 fait correspondre (x, 0). Donc px (e1 ) = e1
et px (e2 ) = (0, 0), la matrice de px relativement `a la base canonique de IR2 est:
Mpx =
1 0
0 0
Matrice Triangulaire
Une matrice carree M = (aij ) est dite triangulaire superieure si on a aij = 0 pour i > j.
.
..
M =
0
..
.
. . . a1n
. . . a2n
..
...
.
...
ain
..
.
...
. . . ann
Mpy =
0 0
0 1
1
2
1 1
1 1
pour tout (x, y) IR2 , f (x, y) = 12 (x + y)(e1 + e2 ), f (x, y) est un vecteur de la premi`ere bissectrice.
49
1. A M2,2 (IR),
Sym
etries
2
50
sx une application lineaire de IR vers IR qui, `a (x, y) IR fait correspondre (x, y). Donc sx (e1 ) =
e1 et sx (e2 ) = e2 , la matrice de sx relativement `a la base canonique de IR2 est:
1 0
0 1
Msx =
A=
a b
c d
4.2
{z
E12
+c
0 0
1 0
{z
E21
+d
0 0
0 1
{z
E22
A=
a b c
d e f
+e
|
=a
0 0 0
0 1 0
{z
E22
1 0 0
0 0 0
{z
E11
+f
+b
0 0 0
0 0 1
{z
E23
0 1 0
0 0 0
{z
E12
+c
0 0 1
1 0 0
{z
E13
+d
|
0 0 0
1 0 0
{z
E21
Op
erations sur les matrices
M = (aij )
Preuve: Exercice.
et
N = (bij )
M + N = (aij + bij )
(4.1)
0 1
0 0
Proposition: Dans lespace vectoriel Mn,n (K) des matrices carrees dordre n > 1:
4.2.2
{z
E11
+b
(E11 , E12 , E13 , E21 , E22 , E23 ) est une base de M23 (IR) et dimM23 (IR) = 6 = 2 3.
4.2.1
2. A M2,3 (IR),
Mf =
1 0
0 0
(E11 , E12 , E21 , E22 ) est une base de M22 (IR) et dimM22 (IR) = 4 = 2 2.
cos sin
sin cos
=a
|
Rotation de IR2
M = (aij )
o`
u M = (aij )
Proposition: Lespace vectoriel Mp,n (K) est de dimension np et admet pour base la famille des
matrices elementaires Eij (1 i n,1 j p).
, 1ln
en dautres termes, lelement aij de Eij vaut 1, et tous les autres elements sont nuls.
En particulier lespace vectoriel Mn,n (K) des matrices carrees est de dimension n2 .
Exemple:
Transpos
ee dune matrice
D
efinition: La transposee dune (n, p)matrice M = (aij )1in,1jp est la matrice (p, n), notee t M
definie par: t M = (bij )1ip,1jn et bij = aji i, j. t M est donc une (p, n) matrice.
On a la propriete suivante:
t t
( M) = M
(4.2)
Th
eor`
eme: Mp,n (K) muni de ces deux lois est un K espace vectoriel.
Lelement neutre pour la loi + est la matrice nulle (tous les coefficients sont nuls).
Loppose de M = (aij ) est M = (aij )
4.2.3
Exemples: 1: La transposee de M =
1 2 3
4 5 6
4.2.4
a b
c d
1 4
est t M = 2 5
est
tM
3 6
a c
b d
D
efinition: Le produit de la (n,p) matrice M = (aij )1in,1jp et de la (p, q) matrice N =
(bkl )1kp,1lq est la (n, q) matrice notee M.N ou M N definie par :
M N = (cij )1in,1jq
cij =
p
X
k=1
aik bkj
(4.3)
51
Exemple:
!
1 4 1 1
1 2
1 2 1 1
= 2 5 1 1
1 3
1 3 0 0
0
3
0
0
1 1 |
{z
}
{z
32
24
{z
34
Produit successif
La puissance m-i`eme dune matrice carree A etant definie par:
52
X = AX
A1 X = A1 AX = X
X = A1 X
Exemples:
!
1 2
;X=
1.) A =
1 3
A0 = I , A1 = A , A2 = AA , Am = Am1 A
La matrice A est dite:
x1
x2
x1
x2
; X =
x1 = x1 + 2x2
x2 = x1 + 3x2
; X = AX {
involutive si A2 = I
3 2
1 1
2.) Soit f une application lineaire de IR2 dans IR2 , B = (e1 , e2 ) la base canonique de IR2 . {
Propri
et
es du produit
Soit M , M1 , M2 Mn,p (IR); N , N1 , N2 Mp,q (IR); K:
M [f, B] =
(M1 + M2 )N = M1 N + M2 N
(M N ) = (M )N = M (N )
N=
3 3
2 2
!
!
x1
. Sont image par f est Y = f (X) =
x2
f (x1 e1 + x2 e2 ) = x1 f (e1 ) + x2 f (e2 ) = x1 (a11 e1 + a12 e2 ) + x2 (a12 e1 + a22 e2 ) = (x1 a11 + x2 a12 )e1 +
(x1 a21 + x2 a22 )e2 , Y est donc definie par:
t (M N ) =t N t M
2 3
4 6
a11 a12
a21 a22
(M N )P = M (N P )
M=
M (N1 + N2 ) = M N1 + M N2
x1 = 3x1 2x2
.
x2 = x1 + x2
MN =
0 0
0 0
et
NM =
6 3
4
6
Proposition: Soient E et F deux espaces vectoriels sur K de dimensions n et p. B = (ei )i=1,...,n une
base de E, B = (fi )i=1,...,p une base de F . f une application lineaire de E sur F , g une application
lineaire de E sur F alors:
M [f + g, B, B ] = M [f, B, B ] + M [g, B, B ]
K : M [f, B, B ] = M [f, B, B ]
Proposition: Soient E, F et G trois espaces vectoriels sur K de dimensions n, p et q. B = (ei )i=1,...,n
une base de E, B = (fi )i=1,...,p une base de F et B = (gi )i=1,...,q une base de G. f une application
lineaire de E sur F , g une application lineaire de F sur G alors:
M [gof, B, B ] = M [g, B , B ]M [f, B, B ]
D
efinition: Une matrice carree A Mn (K) est dite inversible sil existe une matrice A Mn (K)
telle que: AA = A A = I. A est dite inverse de A et est notee A1 .
Proposition: Soient E et F deux espaces vectoriels de meme dimension n sur K. B = (e1 , . . . , en )
une base de E, B = (f1 , . . . , fn ) une base de F une application lineaire de E F est bijective (c.`a.d
isomorphisme) si et seulement si M [f, B, B ] est inversible. De plus
1
(M [f, B, B ])
= M [f
, B , B]
Y = (y1 , y2 ) =
4.3
4.3.1
y1 = x1 a11 + x2 a12
y2 = x1 a21 + x2 a22
a11 a12
a21 a22
x1
x2
= M [f, B]X
Changement de base
Matrice de passage
..
..
n
X
i=1
pij ei
53
La matrice de passage de la base B `a la base B est la matrice notee PBB et dont les colonnes sont
les composantes des vecteurs fi dans la base B:
p11
a12 . . . a1j
p22 . . . p2j
.
..
. . . . ..
pi2 . . . pij
..
.
. . . . ..
pn2 . . . pnj
p
21
.
..
PBB =
pi1
..
.
pn1
. . . p1n
. . . p2n
..
.
...
...
54
ce qui est equivalent `a ecrire:
X=
pin
..
.
...
. . . pnn
x1
x2
..
.
xi
..
.
xn
pn1
4.3.3
X =
xn
xi f i =
i=1
x1
x2
..
.
xi
..
.
xn
X =
=
=
i=1
n
X
xj fj =
n
X
xj (
i=1
n
X
n
X
(4.6)
(4.7)
1
M [f, B , B ] = PBB
M [f, B, B]PBB
B
Exemple:
(4.4)
1 1
la matrice dune application lineaire relativement `a la base canonique B =
1 1
2
PBB =
n X
n
X
1 1
1 1
1/2 1/2
1/2 1/2
P 1 = PB B =
pij xj ei
j=1 i=1
x1 = y1 y2
x2 = y1 y2
et
y1 = 1/2(x1 x2 )
y2 = 1/2(x1 + x2 )
xi ei
(4.5)
M
i=1
P
x1 = nj=1 p1j xj
x = Pn p x
2
= PBB X
pij xj )ei
i=1 j=1
n
X
xn
Y = PBB
M [f, B, B]PBB X
pij ei ) =
i=1
xi
..
.
...
. . . pnn
x1
x2
..
.
xi ei =
xi
i=1
..
.
pin
..
n
X
...
x1
x2
..
.
. . . p1n
. . . p2n
..
...
.
1
X = PBB
X = PB B X
(PBB )1 = PB B
p12 . . . p1j
p22 . . . p2j
..
.
. . . . ..
pi2 . . . pij
..
.
. . . . ..
pn2 . . . pnj
4.3.2
p11
p
21
.
..
=
pi1
..
.
j=1 2j j
... = ...
P
xn = nj=1 pnj xj
=P
MB P =
1 1
1 1
Matrices semblables
D
efinition: Deux matrices carrees dordre n A et B sont semblables sil existe une matrice carree
inversible P dordre n telle que:
B = P 1 AP
55
Rang dune Matrices
D
efinition: Soit M une (n, p) matrice, on appelle rang de M , le rang du syst`eme des vecteurscolonnes de M .
Si M est interpretee comme une matrice de lapplication lineaire f : IRn IRp relativement aux bases
canoniques, alors le rang de M est le rang de f .
56
M2 est deja triangulaire inferieure. On fera la meme procedure pour la rendre diagonale.
La ligne l32 reste inchangee alors que l22 1(resp l12 ) sera remplacee par 65 l22 l32 (resp l12 + l32 ).
Le rang des colonnes dune matrice M est egal `a celui de ses lignes, cest `
a dire le rang de M est egal
au rang de la transposee t M de M .
Proposition 2:
1) M est inversible
5
6
1
10
1
2
1
0
23
0 = 10
3
23
M4 = 0 53
2) t M est inversible
M 1
7) M est de rang n
Exercices r
esolus
1 2 3
1 0 0
M = 2 3 1 = 0 1 0
1 3 2
0 0 1
l1
l2
l3
1 2
M1 = 0 21
0 1
(4.8)
2
21
0 0
= l1
l21 = 12 l2 l1
l31 = l3 l1
l12 = l11
l22 = l21
l32 = 21 l31 + l2
1
3
25 = 1
23
3
0
1
2
1
2
0
1
2
1
2
61
61
5
6
5
6
16
76
16
61
1
2
67
5
6
16
3
3
l14 = 10
3 l2 + l1
l24 = l2 3
l34 = l33
(4.12)
l15 = l14
l25 = 53 l2 4
l35 = 31 l34
(4.13)
1 1
2 3
B=
3 4
8 11
B2 =
1 1
2 3
5 0
0 5
2 3
4 2
1 2
2 1
(4.9)
(4.10)
3 1
8 1
AB =
(A + B)2 =
A2 + AB + BA + B 2 =
Maintenant, on oublit l11 . La ligne l21 reste inchangee alors que l31 sera remplacee par 12 l31 + l1:
M2 = 0
(4.11)
67
12
A2 + 2AB + B 2 =
l11
3
1 0 0
52 = 1 21 0
1
1 0 1
A2 =
A+B =
La ligne l1 reste inchangee alors que l2 (resp l3 ) sera remplacee par 12 l2 l1 (resp l3 l1 ).
R
eponse:
tout calcul fait, on a
1 2 3
3 1
1 3 2
ce qui revient `
a chercher une matrice N telle que: M N = I3 . Pour cela, on va ecrire la matrice M
`a gauche et la matrice I `
a droite et effectuer des operations sur les deux matrices jusqu`a ce que M
deviendra la matrice unite. En effet:
Exercice 1: m
ethode de Gauss pour le calcul de linverse dune matrice
M = 2
12
1
2
5
6
2
= 21
A=
1
2
Soit `
a calculer linverse de
1
1 0 0
2
0 = 12
1
0 0 1
2
M5 = 0 1
1
2
1
10
1
2
1
0
32
0 = 10
23
3
M4 est d`eja diagonale, pour obtenir M 1 , il suffit de transformer M4 en I3 . Pour ce faire on remplace
l14 par l14 , l2 4 par 53 l2 4 et l34 par 31 l34 : ce qui donne:
Soit M une matrice carree dordre n. Les proprietes suivantes sont equivalentes:
4.4
2
53
0 0
M3 = 0
Proposition 1:
14 6
24 18
16 12
16 16
BA =
5 7
0 1
16 12
16 16
57
d.) Par definition, B = A I3 et comme AI3 = I3 A on peut donc utiliser la formule du binome pour
calculer B 3 . En effet, B 3 = A3 3A2 I3 + 3AI32 I33 = A3 3A2 + 3A I3 = 0. On a donc
1 1 1
1 1 .
0 0 1
a.) Calculer A2 , A3 et en deduire An pour tout n IN.
b.) Determiner KerA et ImA.
c.) On pose B = A I3 , Calculer B 2 , B 3 et en deduire linverse A1 de la matrice A.
R
eponse:
1 2 3
1 3 6
1 4 10
a.) A2 = 0 1 2 , A3 = 0 1 3 , A4 = 0 1 4 .
0 0 1
0 0 1
0 0 1
De A2 , A3 et A4 , on remarque que An peut se mettre sous la forme:
1 n
1
0 0
A = 0
n(n+1)
2
n
1
n(n+1)
2
1 n
1
0 0
A A= 0
1 n+1
= 0
1
0
0
n
1
(n+1)(n+2)
2
n+1
1
b.)
KerA =
n
1
= {(x, y, z) IR3 |x = 0 , y = 0 , z = 0}
= {(0, 0, 0)}
(4.15)
Comme A est definie de IR3 IR3 , dapr`es le theor`eme de la dimension: dimImA + dmkerA = 3,
alors dimImA = 3. Et comme ImA IR3 on conclut que ImA = IR3 .
Autrement: comme KerA = {(0, 0, 0)}, A est injective, et par consequent A est surjective et donc
ImA = IR3
c.)
B =
0 0 0
0
0 0 0
0 0
0 1 1
1
0 0 0
A I3 = 0 0
Linverse
de P nest rien dautre que la matrice de passage de la base B `a la base B. Pour
1
calculer P
il suffit dexprimer (e1 , e2 , e3 ) en fonction de (f1 , f2 , f3 ). En effet,
PB B = P
= {(x, y, z) IR3 |x + y + z = 0 , y + z = 0 , z = 0}
0 0 1
0
0 0 0
B = 0 0
1
1
(c11 )
(c12 )
(c13 )
(4.16)
une manipulation facile de ce syst`eme nous permet dobtenir (e1 , e2 , e3 ) en fonction de (f1 , f2 , f3 ).
La somme (c12 ) + (c13 ) nous donne: e1 = 21 f2 + 12 f3 .
La difference (c11 ) (c13 ) nous donne: e3 = 21 f1 21 f3 . De lequation (c11 ) on tire e2 = 21 f1 12 f2 . La
matrice de passage inverse P 1 est:
1 1 1
x
0
1 1 y = 0 }
0 0 1
z
0
{(x, y, z) IR | 0
f2 = e1 e2 + e3
f =e +e e
3
1
2
3
n(n+1)
2
P 1
PBB = 1 1
f1 = e1 + e2 + e3
nIN An = 0 1
0 0
1 1 0
1 1
0 0
1
= (A 3A + 3I3 ) = 0
(4.14)
A1
A partir de cette relation, on en deduit que A1 = A2 3A + 3I3 . La question a.) nous permet de
calculer explicitement A1 :
1 1 1
1 n + 1 n + 1 + n(n+1)
2
1 = 0
1
n+1
0 0 1
0
0
1
0 1
{z
supposons que cest vraie et montrons que An+1 prend la meme forme. En effet:
n+1
58
0 1
1
1
= 1 1 0
2
1 0 1
59
4.5
Exercices
Exercice 1. Soit f lendomorphisme de IR3 , qui dans la base canonique, est represente par la matrice:
60
a. Calculer R R , et en deduire Rn pour tout n IN
b. Calculer linverse de R .
Exercice 7. La matrice de la symetrie par rapport `a laxe Ox (res Oy) est de la forme:
2 3 1
A= 5
1 0
4 11 3
Sx =
a la base:
Exercice 2. Dans IR3 trouver la matrice de passage P de la base canonique (e1 , e2 , e3 ) `
e1 = e2 + e3 , e2 = e1 + e3 , e3 = e1 + e2 . Calculer P 1 .
a.
b.
c.
d.
0
D[1 , . . . , n ] =
..
.
0
2
..
.
...
...
..
.
0
0
..
.
...
i IR
a1 a2 a3
a4 a5
0 0 a6
T (a) = 0
ai IR
a11 . . . . . . a1m
. . . . . . a2m
..
..
..
.
.
.
an1 . . . . . . anm
a21
.
.
.
x1
x2
. .
.
.
xm
a11
a21
= .
.
.
an1
a12
a22
.x1 + .
an2
a1m
a2m
.x2 + . . . + .
.
.
anm
.xm
de meme, prouver que multiplier une matrice `a gauche par une matrice colonne revient `
a effectuer
une combinaison lineaire de ses lignes, cest `a dire, prouver que
a11 . . . . . . a1m
. . . . . . a2m
..
..
..
.
.
.
an1 . . . . . . anm
a21
(x1 . . . . . . xn ).
..
.
Exercice 6. On consid`ere la rotation de centre O et dangle dans IR2 . Sa matrice est de la forme:
R =
cos sin
sin cos
Sy =
1 0
0 1
0 0 1
1 1 1
1 1 , V = 1 0 0 .
0 1 0
1 1 1
a. Calcuer U V , V U , U et V I sont-elles reguli`eres?
b. Calcuer U n , V m ,U n V m .
c. Mettre sous la forme la plus simple possible (U V )n .
1 0 0
0
1
0 0 1
1 1
C =
0 1
1
0
0
1
1 0 1
a 0 b
0 , B = b a 0 et
0 1 1
0 b a
an bn bn
1 1
Exercice 5. Prouver que pour multiplier une matrice a` droite par une matrice colonne revient `
a
effectuer une combinaison lineaire de ses colonnes, cest `a dire, prouver que
Calculer Sx Sx , Sxn , n IN
Quel est linverse de Sx ?
Memes questions pour Sy .
Calculer Sx Sy , Sx Sy Sx et Sy Sx Sy ; interpreter les resultats.
a. Calculer T (a) + T (b) et T (a)T (b). Etudier la stabilite de la somme et de la multiplication des
matrices triangulaires inferieures.
b. Montrer que lensemble des matrices triangulaires inferieures 3 3 est un sous espace vectoriel de
M3 (IR). Quelles sont sa base et sa dimension.
1 0
0 1
Exercice 12. E est un K-espace verctoriel, dimK E = n. Une matrice A Mn (K) est dite nilpotente sil existe un entier p > 1 tel que: Ap = 0 et Ap1 6= 0 a. Demontrer que si A est nilpotente
dindice p alors In A est inversible et a pour inverse: In + A + A2 + ... + Ap1 .
b. Demontrer que sil existe e E telque Ap1 (e) 6= 0E alors (e, A(e), A2 (e), ...Ap1 (e)) est libre.
c. Que se passe-t-il si p=n?
Applications:
1 0 0 0
1 1 0 0
eduire
a. Soit la matrice: A =
Calculer les puissances successives de B = A I, en d
1 1 1 0
1 1 1 1
An .
61
b. Calculer linverse de la matrice:
A=
o`
u a, b, c IR.
1
0
0
0
a
1
0
0
b
a
1
0
c
b
a
1
1 1 0
0
62
1
0
0
de
1 . Demontrer que B 3 = 0. En
0
la forme (e, B(e), B 2 (e)).
un = vn1 + wn1
vn = un1 + wn1 ,
w =u
n
n1 + vn1
avec
u0 = v0 = w0 = 1
Probl`
eme 2:
Premi`ere partie: Soit p la permutation de lensemble {1, 2, 3, 4} definie par:
p=
1234
4123
ee dordre 3 donnee
Exercice 13. Pour
tout triplet (a, b, c)
IR on note M (a, b, c) la matrice carr
a+c
b
c
par M (a, b, c) = b
a + 2c b
c
b
a+c
a. Montrer que toute matrice M (a, b, c) peut secrire sous la forme AI3 + bJ + cK o`
u J et K sont
independantes de a, b et c. En deduire que E = {M (a, b, c); (a, b, c) IR3 } muni des operations usuelles
(addition des matrices et multiplication par un scalaire) est un sous-espace vectoriel de M3 (IR) dont
on precisera une base.
b. Calculer J 2 , JK, KJ et K 2 en fonction de I3 , J et K. La multiplication des matrices est-elle
stable dans E?
a b b
A= b a b
b b a
1 1 1
J = 1 1 1
1 1 1
Exercice 15. Soit M une matrice carree. Demontrer que M est inversible si et seulement si M t
est inversible. Demontrer egalement que si M est inversible alors (M t )1 = (M 1 )t .
Exercice 16. SI M et N sont des matrices carrees reelles de meme ordre, demontrer que M et
N sont inversibles si et seulement si M.N est inversible. Calculer linverse de M et linverse de N en
fonction de M , N et (M.N )1 .
Probl`
eme 1 Dans lespace vectoriel IR3 muni de sa base canonique B = (e1 , e2 , e3 ) on consid`ere
lapplication:
(
IR3 IR3
f:
(x, y, z) f (x, y, z) = (y + z, x + z, x + y)
1. Montrer que f est un endomorphisme et determiner sa matrice MB relativement `
a la base B.
2. Montrer que f est injective, en deduire Imf et le rang de f .
3. Montrer que la matrice MB verifie MB2 = MB + 2I3 et en deduire MB1 .
4. On consid`ere les ensembles suivants:
E1 = {(x, y, z) IR3 ; f (x, y, z) = (x, y, z)} , E2 = {(x, y, z) IR3 ; f (x, y, z) = 2(x, y, z)}
Montrer que E1 et E2 sont deux sous espaces vectoriels de IR3 . Donner une base B1 de E1 et une
base B2 de E2 .
Aton IR3 = E1 E2 ?
5. On se donne les vecteurs f1 = (1, 1, 0), f2 = (0, 1, 1) et f3 = (1, 1, 1), montrer que B =
(f1 , f2 , f3 ) est une bases de IR3
Ecrire la matrice de passage P de B `a B ainsi que son inverse P 1
, i = 1, 2, 3, 4
a
d
M (a, b, c, d) =
c
b
c
b
a
d
d
c
b
a
1. Montrer que toute matrice M (a, b, c, d) peut secrire sous la forme aI4 + bJ + cJ 2 + dJ 3 .
2. Montrer que E4 = {M (a, b, c, d) M4 (IR); (a, b, c, d) IR4 } est un sous espace vectoriel de M4 (IR).
Donner une base B de E4 .
3. Lensemble E4 est-il stable pour la multiplication des matrices?
4. Soit g lapplication de IR4 dans E4 definie par:
g:
IR4 E4
(a, b, c, d) M (0, b, c, d)
64
On appelle: determinant de n vecteurs x1 , . . . , xn de E par rapport `a la base B le scalaire:
det(x1 , x2 , . . . , xn ) =
Sn
on le note:
a11
a21
..
.
Chapitre 5
D
eterminants et leurs applications
a12
a22
..
.
an1 an2
. . . a1n
. . . a2n
..
..
.
.
. . . ann
Th
eor`
eme: i.) Le determinent est une fonction lineaire par rapport a` chaque colonne, cest `a dire:
K, k = 1, . . . , n: det(x1 , . . . , xi , . . . , xn ) = det(x1 , . . . , xi , . . . , xn )
5.1
5.1.1
si xj = yj + zj , j = 1, . . . , n alors:
D
eterminant dun syst`
eme de n vecteurs
Permutation:
D
efinition: On appelle permutation de E toute bijection de E sur lui meme. Lensemble des
permutations est un groupe pour la composition des applications
appele groupe symetrique Note SE .
SE={1,2} = {
1 2
1 2
SE={1,2,3} = {
1 2
2 1
1 2 3
1 2 3
1 2 3
3 2 1
,
,
1 2 3
1 3 2
1 2 3
3 1 2
1 2 3
2 1 3
1 2 3
2 3 1
cardSE = cardE
5.1.2
Th
eor`
eme: pour quun systeme de n vecteurs x1 , x2 ,..., xn dun espace vectoriel E de dimension n, constituent une base de E il faut et il suffit que leur determinent par rapport `a une base de
E soit non nul.
5.2
d
eterminant dune matrice:
D
efinition: Soit M = (aij ) une matrice carree dordre n. on appelle determinant de M , et on note
det(A) le scalaire:
X
()a(1),1 a(1),1 . . . a(n),n
det(M ) =
Sn
5.2.1
Vn
D
efinition: On appelle signature dune permutation p le nombre
(p) = (1)I(p) =
5.1.3
+1
1
D
eterminant dun syst`
eme de vecteurs.
D
efinition: E un espace vectoriel, dimE = n, B = (e1 , e2 , ..., en ) une base de E x1 , x2 , . . . , xn : n
vecteurs de E.
ai1
n
X
ai2
aij ei =
xj =
.. i = 1, . . . , n
.
j=1
ain
63
Propri
et
es:
a. det(In ) = 1
b. A, B Mn (K), det(AB)=det(A)det(B)
c. det(M ) = n det(M ) , det(t M )=det(M )
d. Si les colonnes de A sont liees, det(M ) = 0 si les colonnes de A sont libres, det(M ) 6= 0
e. det(M ) ne change pas si lon ajoute `a une colonne de M une combinaison lineaire quelconque
des autres colonne
X
det(c1 , c2 , . . . , cn ) = det(c1 +
i ci , c2 , . . . , cn )
i>1
1
det(A)
Preuve: Supposons que A est inversible, il existe donc une matrie inverse A1 Mn (K) telle que
AA1 = In ; do`
u det(AA1 ) = 1 et par consequent: det(A)det(A1 ) = 1, on conclut donc que
detA 6= 0 et det(A1 ) = det1(A) .
Reciproquement, si detA 6= 0 alors les n vecteurs colonne (c1 , c2 , . . . , cn ) que forment la matrice A
forment une base de K n et A est la matrice de passage de la base canonique `a la base (c1 , c2 , . . . , cn ),
65
5.2.4
Preuve: A et B sont semblables alors il existe une matrice inversible P tel que: A = P 1 BP .
On a alors:
det(B)det(P )
det(A) = det(P 1 )det(B)det(P ) =
= det(B)
det(P )
r
egles pratique:
1. det
2.
a c
b d
S2
d
etermination du rang dune matrice:
Propri
et
es:
5.2.2
66
Si det(M ) 6= 0; rang(M ) = n
Si det(M ) = 0 on cherche le plus grand mineur dordre (n 1) qui soit non nul.
Si tout les mineurs dordre (n 1) sont nuls, on cherche un mineur dordre (n 2) qui soit non
nul.
5.2.5
()a(1),1 a(2),2 = ad bc
Exemples de calcul de d
eterminants.
a d g
X
det b e h =
()a(1),1 a(2),2 a(3),3
S3
c f k
= aek + dhc + gbf gec ahf dbk
on va developper D1 suivant la premi`ere colonne, mais avant de faire ainsi on remplace la ligne l2 par
l2 ab l3 (chose qui ne change pas la valeur de D1 ):
0
a
b
l1
a
b
= 2abc
D1 = 0 ab c c l2 ab l3 = b
ab c c
b
c
0
l3
D
efinition: soit M = (aij ) une matrice n n. On appelle mineur relatif au terme aij le determinant
de la matrice (n 1, n 1) obtenu en supprimant dans M la i `eme ligne et la j `eme colonne.
D
eveloppement dun d
eterminant suivant une ligne ou une colonne
Th
eor`
eme: soit M = (aij ) une matrice (n, n). Quels que soient les indices i et j on a:
det(M ) =
n
X
D2 =
(1)k+j akj kj
k=1
o`
u:
0 a + a1
0 1 ac
b
b
c
D3 =
cM
b + ac
c ab
1
= +a
5.3
e h
d g
d g
b
+c
f k
f k
e h
1 a b + c l1
1 b c + a l2
1 c a + b l3
0 a + a1
a
1
b
c
l1 + la2
l2 + ab l3
l3
= b
b +
c
1
c
a
a + a1
1 ac
b
l1 +
l2
l3
l2
a
b + ac
c ab
{z
11
{z
21
0 a b b a l1 l2
1
b
c+a
l2
1
c
a+b
l3
0 a b b a l1 l2
0 b c c b l2 l3
1
c
a+b
l3
= 0
Application `
a la r
esolution des
equations lin
eaires
1. D
efinition: Un systeme dequation lineaire de p equations n inconnues xi est de la forme:
0 1 1
= (a b)(b c) 0 1 1
1 c a+b
Exemples: Dans les exemples qui suivent on proc`ede a un developpement selon la premi`ere colonne:
a c
(+1)a c
=
= (+1)ad + (1)bc
1.
b d
(1)b d
2.
5.2.3
= 1 a2 + b2 + c2
a d g
(+1)a d g
b e h = (1)b e h
c f k
(+1)c f k
1
a b l1
a 1
c l2
b c 1 l3
{z
31
Th
eor`
eme: Soit M une matrice carree dordre n est inversible, si det(M ) different de zero. Son
inverse est donnee par:
1 t c
( M)
M 1 =
det(M )
Snp =
a
21 x1 + a22 x2 + . . . + a2n xn =
..
..
..
.
.
. =
b1
b2
..
.
..
..
..
.
.
.
...
. = ..
o`
u les aij et bi sont des coefficients dun corps K; (x1 , . . . , xn ) les inconnus.
(5.1)
67
On appelle solution du syst`eme lineaire (5.7) tout vecteur X = (x1 , x2 , . . . , xn ) dont les composantes xi satisfont toutes les equations du syst`eme (5.7).
68
On a:
det(C1 , . . . , Ci1 , B, Ci+1 , Cn ) = det(C1 , . . . , Ci1 ,
(5.2)
x1
b2
x2
bp
xn
la derni`ere equation vient du fait que les determinents det(C1 , . . . , Ci1 , Cj , Ci+1 , Cn )j=1,...,n sont tous
nuls sauf pour j = i.
R
esolution des syst`
emes lin
eaires
Sr =
D
efinition: On appelle syst`eme de Cramer un syst`eme dont la matrice A est carree et inversible.
b1
..
.
AX = B
Snr =
a11
a21
C1 =
..
.
an1
a1j
a2j
, . . . , Cj = .
.
anj
a1n
a2n
, . . . , Cn = .
.
x1 C1 + x2 C2 + . . . xi Ci + . . . + xn Cn =
ann
j=1
..
..
..
.
.
.
...
. = ..
D
efinitions:
(5.9)
Preuve: En utilisant les vecteur Ci definis ci-dessus le syst`eme matriciel AX = B peut secrire de
mani`ere vectorielle de la facon suivante:
n
X
..
..
..
.
.
.
...
. = ..
(5.8)
Th
eor`
eme de Cramer: Un syst`eme de Cramer type (5.4) (avec det(A) 6= 0) admet toujours
une et une seule solution quelque soit le vecteur B. Les xi sont donnees par:
..
..
..
.
.
.
...
. = ..
(5.4)
xi =
..
..
..
.
.
.
...
. = ..
(5.7)
o`
u A est une matrice n p, X un vecteur `a p colonnes et B un vecteur `a n colonnes.
Si rangA = r, on peut extraire de A une sous matrice carree dordre r inversible. On reecrit le syst`eme
(5.7) comme:
Syst`
eme de Cramer
Sn =
(5.6)
Cas g
en
eral
D
efinition: On appelle rang du syst`eme (refax) le rang de la matrice associee A.
..
..
..
.
.
...
. =
AX = B
5.3.1
n
X
j=1
2. Ecriture matricielle:
Le syst`eme (5.7) peut secrire de mani`ere matricielle de la facon suivante:
b1
xj Cj , Ci+1 , Cn )
j=1
Un syst`eme qui admet des solutions est dit solvable ou compatible. Dans le cas contraire le
syst`eme (5.7) est dit incompatible.
n
X
xj Cj = B
(5.5)
a1r b1
a2r b2
..
..
.
.
arr br
air bi
Remarques: Si les r premi`ere equations (associees aux r premi`eres inconnus) font un syst`eme de
Cramer, le syst`eme (Sr ) est solvable si les n r equations restantes (5.9) se deduisent lineairement
des r precedentes. Ceci revient `a dire que les i = 0, pour tout i = r + 1, . . . , n. On a donc le resultat
suivant:
69
70
3.) Resoudre le syst`eme suivant:
Th
eor`
eme: Un syst`eme lineaire de n equations `a p inconnus et de rang r est compatible si est
seulement si les determinants caracteristiques i sont tous nuls. Pour resoudre le sust`eme (Snr ), on
resout le syst`eme de Cramer forme par les r premi`eres equations principales et les inconnus principales. Les autres variables sont dites libres.
Pour calculer la solution, on donne aux variables libres xr+1 , . . . , xn des valeurs arbitraires.
5.4
Exercices r
esolus
(S) =
2x + y z = 0
x+y+z =1
3x + y z = 1
2 1 1
Le determinant du syst`eme est = 1 1 1 = 2 6=, le syst`eme est donc de Cramer et admet une
3 1 1
solution unique. Pour trouver cette solution avec la methode des determinants on calcul x , y et
z :
0 1 1
2 0 1
2 1 0
x = 1 1 1 = 2 , y = 1 1 1 = 2 , z = 1 1 1 = 2
1 1 1
3 1 1
3 1 1
on obtient donc
x
=1
y=
y
= 1 ,
z=
z
=1
2x + y + z = + 2
x 2y + z =
x + y 2z =
2 1
1
1 2 1 = 0, le syst`eme nest pas de Cramer. Le rang du
1
1 2
2 1
= 3 6= 0
syst`eme est egale `
a deux car le mineur dordre deux :
1 2
Le determinants caracteristique est:
1 =
x + my + z = 1
3x + y mz = 1
x=
2x + y z = 0
2 1 + 2
2 1 1
1 2
= 1 2 1 = 6( + 1)
1
1
1
1 1
0 1 1
x = 1 m 1 = 2m
1 1 m
2 0 1
y = 1 1 1 = 2m
3 1 m
2x + y = 1 z
x 2y = 1 z
x=
y=
1+3z
3
1+3z
3
avec z IR
2 1 0
z = 1 m 1 = 2m
3 1 1
on obtient donc
x=
1
x
=
2m
y=
y
1
=
m2
z=
z
1
=
2m
2x + y = z (l1 )
x + my = 1 z (l2 )
3x + y mz = 1 (l3 )
(5.10)
(5.11)
Les deux premi`eres equations (l1 et l2 ) constituent les equations principales et la troisi`eme equation
23z
(l3 ) est lequation secondaire. On considerant 2l2 l1 on obtient y = 2m1
. A partir de l2 on obtient
z1+mz
x = 2m1 .
Lequation secondaire est verifiee uniquement pour m = 0 mais pas pour m = 2. On conclusion:
On dit que pour m = 0 le syst`eme admet une infinite de solution {(x, y, z) IR3 |x = z + 1, y =
3z 2, z IR}
71
pour m = 2 le syst`eme est incompatible (pas de solution).
72
le syst`eme est donc compatible si
Une autre fa
con de resoudre le syst`eme dans cas est de calculer le determinant caracteristique.
En effet
2 1 0
1 = 1 m 1 = 2m
3 1 1
(S) =
x + y + 3z + 5t = a
xyz+t=b
2x + y + 4z + 8t = c
2x 2y 2z + 2t = d
Rang du sys`
eme:
Pour determiner le rang du syst`eme, on calcul le determinant du syst`eme (S). En effet,
det(S) =
1 1
3
1 1 1
2 1
4
2 2 2
5
1
=0
8
2
1 1 1
1
4 8
2 2 2
21 =
1
3 5
1
4 8
2 2 2
1
3 5
31 = 1 1 1
2 2 2
1
3 5
41 = 1 1 1
1
4 8
1 1 1
12 = 2 4 8
2 2 2
1 3 5
22 = 2 4 8
2 2 2
1 3 5
32 = 1 1 1
2 2 2
1 3 5
42 = 1 1 1
2 4 8
1 1 1
13 = 2 1 8
2 2 2
1 1 5
23 = 2 1 8
2 2 2
1 1 5
33 = 1 1 1
2 2 2
1 1 5
43 = 1 1 1
2 1 8
1 1
3
24 = 2 1
4
2 2 2
1 1
3
34 = 1 1 1
2 2 2
1 1 1
14 = 2 1
4
2 2 2
1 1
3
44 = 1 1 1
2 1
4
Un calcul trivial mais fastidieux montre que tout les ij sont nuls. Le rang du syst`eme est donc
1 1
strictement inferieur `
a trois. Il est clair que le mineur dordre deux =
= 2 6= 0, le rang
1 1
du syst`eme est deux.
Le syst`eme est compatible si et seulement si tous les determinants caracteristiques associes `
a
sont nuls. Dans ce cas on a deux determinants caracteristiques qui sont donnes par:
1 1 a
1 = 1 1 b = 3a + b 2c
2 1 c
1 1 a
2 = 1 1 b = 2(2b d)
2 2 d
d = 2b
x=
3a + b 2c = 0
et
1
(2a + b 11t 6z)
3
1
y = (a b 4t 3z)
3
(5.12)
z, t R
73
5.5
Exercices
1 1
1
1
1 1 1
1
= 16 ,
1
1 1 1
1
1
1 1
Exercice 2. Calculer les determinants suivants:
Exercice 1. Demontrer que: D =
1 a0 a20
D(a0 , a1 , a2 ) = 1 a1 a21
1 a2 a22
a
0
c
0
1
1
D(a0 , a1 , a2 , a3 ) =
1
1
0
a
0
c
b
0
d
0
a0
a1
a2
a3
0
b
= (bc ad)2
0
d
a20
a21
a22
a23
a30
a31
a32
a33
0
1
1
0
0
0
1
1
3 2 1
1 1 0
A= 2 0 1 , B= 0 1 1
1 0 1
1 2 1
C =
1
0
0
1
1
1
0
0
...
...
...
n =
0
0
..
.
0
..
.
a1
0
0
..
.
0
0
0
...
...
...
x 1 + x2
x
0
x
1 + x2
3 2 1
0 1
1 2 1
1 + x2
x
0
...
x
1 + x2
x
0
0
x
1 + x2 x
n =
..
.
...
0
0
...
...
0
0
...
...
x1
x3
1
iii) Meme
question pour:
m 1 1
x1
1
1) A = 0 m 0 , X = x2 et B = 1 .
1
1 1 m
x
2 1 1 1
3
x1
1 2 1 1
1
x
2) A =
et B =
, X=
.
1 1 2 1
2
x3
x
1 1 1 2
4
x1
3 4 1 2
3
x
3) A = 6 8 2 2 , X =
et B = 7 .
x3
9 12 3 10
13
x4
. . . an1 an
...
0
0
...
0
0
..
..
...
.
.
...
x
0
. . . 1
x
. . . a1 bn
. . . a2 bn
=0
..
..
.
.
. . . an bn
a1 b2
a2 b2
..
.
an b1 an b2
a1 b1
a2 b1
Exercice 8. Montrer que pour n 3: =
..
.
a0 a1 a2
1 x 0
0 1 x
Dn = .
..
..
..
.
.
0
0
0
0
0
0
74
2x 3y + z = 1
x + 4y 2z = 0
8x y z = 3.
3x + 4y + z + 2t = 3
6x + 8y + 2z + 5t = 7
xyz =1
2x + 2y 3z = 0
xy+z+t=2
x + y z + 2t = 1
,
x + 2y z = 0
y + 2z = 0
4x + 3y 5z = 1
x + my + z = 1
xyz =0
mx + y + (m 1)z = m
x+y+z =m+1
mx + my 2z = 1
mx + y 2mz = 1
Exercice 11. Soit M une matrice carree antisymetrique, cest `a dire telle que, M t = M . Montrer
que M nest pas inversible si n est impair.
76
Remarque:
Si K est un corps commutatif alors le produit des polynomes est commutatif.
El
ement neutre pour le produit:
Chapitre 6
Cest le polynome defini par: e = (1, 0, 0, ..., 0, ...) tel que pour tout P K[X], P.e = e.P = P
Proposition: Lensemble K[X] muni de la loi + et de la loi produit est un anneau commutatif
unitaire.
Polyn
omes
6.1
Notions gen
erales.
6.1.4
Dans tout ce chapitre K designera un corps commutatif. Nous ne considerons que le cas o`
u K=IR, C
l
ou Q.
l
6.1.1
D
efinition dun polyn
ome
On appelle polyn
ome a coefficients dans K toute suite delements ai de K; soit (a0 , a1 , ..., ai , ...), tous
nuls a partir dun certain rang, c.`a.d quil existe un n0 N tel que pour tout n n0 , an = 0.
Les elements ai de K sont les coefficients du polyn
omes.
Notation: On note K[X] lensemble des polyn
omes `a coefficients dans K.
6.1.2
Soit le polynome X = (0, 1, 0, ..., 0, ...), il est facile de voir que le polynome X 2 = (0, 0, 1, 0, ..., 0, ...)
et que X 3 = X 2 X = (0, 0, 0, 1, 0, ..., 0, ...). Par recurrence on verifie que X n = (0, 0, ..., 0, 1, 0, ...) et
aussi X n X m = X n+m . Si on identifit le polynome (1, 0, 0, ..., 0, ...) `a 1, tout polynome P de K[X]
secrit comme:
P = a0 + a1 X + a2 X 2 + ... + an X n
pour tout n N la relation a0 + a1 X + a2 X 2 + ... + an X n = 0 implique que (ai = 0)i=0,1,2,...,n
Remarque:
Egalit
e de deux polyn
omes
6.1.3
Notion dindetermin
ee.
Op
eration sur K[X]
6.1.5
Degr
e dun polyn
ome `
a une indetermin
ee:
P
a. D
efinition: Etant donne le polynome P = a0 + a1 X + a2 X 2 + ... + ai X i + ... = iN ai X i de
K[X].
On appelle degre de P , que lon note degP , le plus grand entier n tel que an 6= 0.
Propriet
es:
Soient
P = a0 + a1 X + ... + an X n et Q = b0 + b1 X + ... + bn X n avec an 6= 0, bn 6= 0 on a les resultats suivants:
i Si n 6= m il en resulte que P + Q 6= 0 et deg(P + Q)=max(n, m)
ii Si n = m et si P + Q 6= 0 alors deg(P + Q) max(n, m)
iii Si P Q 6= 0 alors deg(P Q) degP +degQ
iv Deux polynomes P et Q sont egaux ssi ils ont les memes coefficients.
v Soit P un element non nul de K[X]. Quel est son inverse?
Soit Q son inverse: P Q = QP = 1 ceci implique que 0=degP + degQ et parsuite degP =-degQ
donc degP =degQ=0. Les seuls elements inversibles de K[X] sont les elements de K .
Remarque
Lensemble des polynomes muni de la loi additif et de la multiplication externe est un espace vectoriel
sur le corp K. Pour les polynomes de degre n, la famille (1, X, X 2 , . . . , X n ) est une base: dimK[X] =
n+1
75
77
6.2
78
Division euclidienne-polyn
omes irr
eductibles
Th
eor`
eme P1 et P2 deux polynomes de K[X] non nuls. Les proprietes suivantes sont equivalentes:
i P1 et P2 sont premiers entre eux.
ii P.G.C.D(p1 , P2 ) = 1
6.2.1
6.2.2
Exemple.
6.2.4
S = Q 1 R0 + R 1
Procede de calcul de Q et R
Si P = 0 alors Q = R = 0 convienent. Supposons alors que P 6= 0 et soient m = degP (P =
a0 + a1 X + . . . + am X m ) tel que am 6= 0 et n= degS (S = b0 + b1 X + . . . + bn X n ) tel que an 6= 0.
R 1 = Q 3 R2 + R 3
..
... =
.
R0 = Q 2 R1 + R 2
Exemple:
Soit `
a effectuer la division euclidienne de P = 3X 5 + X 4 6X 2 + 5X 1 et de S = 2X 3 X + 1. On
trouve Q = 23 X 2 + 12 X + 34
D
efinition Deux polyn
omes P et Q K[X] sont premiers entre eux si leurs P.G.C.D est de degre 0.
P.G.C.D(P, Q) = 1.
degR2 degR1
degR3 degR2
degRn degRn1
Rn+1 = 0
P = X 4 10X 2 + 1 , S = X 4 4 2X 3 + 6X 2 4 2 + 1
P = X 5 iX 4 + X 3 X 2 + iX 1 , S = X 4 iX 3 + 3X 2 2iX + 2
degR1 degR0
6.2.3
degR0 degS
Rn2 = Qn Rn1 + Rn
Si m n , P = 0S + P : R = 0 et Q = 0 convienent.
Si m n: le procede de la determination de Q et R est recapitule dans lexemple suivant.
6.3
Polyn
omes irr
eductibles dans K[X]
a. D
efinition
P est un polynome de K[X], on dit que P est irreductible dans K[X] si degP 1 et tout diviseur de
P est (`a un facteur K pr`es ) 1 ou P ( ou P )
79
b. Exemples:
80
Exemple
a. Tout polyn
ome de degre 1 est irreductible
Si P (X) = 1 + 2X + 3X 2 , P (X) = 2 + 6X
6.4.3
Th
eor`
eme
Soit P K[X] et a K, alors si degP n on a:
P (X) = P (a) +
(X a)2
(X a)3 (3)
(X a)n (n)
(X a)
P (a) +
P (a) +
P (a) + . . . +
P (a)
1!
2!
3!
3!
Les polyn
omes irreductibles de C[X]
l
sont les polyn
omes de degre 1.
Autrement: tout polyn
ome de degre 1 de C[X]
l
admet (au moins ) une racine dans C.
l
Exemple
Exemple
X2
P (X) =
+ X + 2 les racines de P
Dans C[X], P est reductible P (X) =
3
.
sont z1,2 = 1i
2
(X z1 )(X z2 ), alors
P (X) = P (1) +
(X 1)2
(X 1)
P (1) +
P (1) = 2 + 2(X 1) + (X 1)2
1!
2!
Corollaire
Les polyn
omes irreductibles de IR[X] sont les polyn
omes de degre 1 et les polyn
omes de degre 2 `
a
descriminant negatif.
X2
6.4
6.4.1
1
2
1
2
D
efinition 1
Soit P K[X], si pour x K; P (x) = 0 on dit que x est racine de P .
b. Exemples:
(X 2 +
6.4.4
5
5
1
2
2 )(X + 2 2 ). Le
5
eductible: (X 2
2 ) est r
polyn
ome (X 2 +
+
1
2
5
2 )
1
2
= (X
r 2
5
4
Exemples
=
51
)(X
2
51
)
2
Fonction Polyn
ome dune variable, racine dun polyn
ome
Fonction polyn
ome
D
efinition
A tout polyn
ome P = a0 + a1 X + . . . + an X n de K[X]. On peut faire correspondre une application
p de K dans K definie par:
Pour tout x K
p(x) = a0 + a1 x + . . . + an xn K
D
efinition 2
On appelle ordre de multiplicite dune racine K dun polynome P , le plus grand entier k tel que
P soit divisible par (X )k .
6.4.2
D
eriv
ee dun polyn
ome
D
efinition
Soit P K[X] donne par:
Th
eor`
eme
P (X) = a0 + a1 X + a2 X 2 + . . . + an X n K
le polyn
ome derivee de P (X) note P (X) est donne par:
n1
81
Preuve: )
Par definition, est racine dordre k de P si et seulement si P (X) = (X )k Q(X). Le calcul des
derivees successives de P donne:
P (X) = k(X )k1 Q(X) + (X )k Q (X)
82
Si = , X 4 + 2 X 2 + 1 = (X 2 + 1)2 =
X e
i
2
= (X e
)(X (e
))
(X )
(X )2
(X )k1 (k1)
(X )k (k)
P (X) = P () +
P () +
P () + . . . +
P
() +
P ()
1!
2!
3!
k!
(n)
(k+1)
(X )
(X )
P (k+1) () + . . . +
P (n) ()
(6.2)
+
(k + 1)!
n!
etant donne que toute les derivees P () = P () = P () = P (k1) () = 0 sont nulles et que
P (k) () 6= 0, on peut factoriser (X )k du reste du developpement. On aura donc
P (x) = (X )k Q(X)
Exercices r
esolus
Exercice 1:
a.) Factoriser X 2 2 cos X + 1 en produit de polyn
omes irreductibles sur IR[X] puis sur C[X]
l
(discuter selon les valeurs du param`etre reel [0, ])
b.) Meme question pour X 4 2 cos X 2 + 1.
R
eponse:
a.) Le descriminant du polyn
ome X 2 2 cos X + 1 est donne par = 4 cos2 4 = 4 sin2 0.
= 0 si = 0 ou = , dans ce cas X 2 2 cos X + 1 a une racine double X1,2 = 1 ( = 0)
ou X1,2 = 1 ( = ). La decomposition de X 2 2 cos X + 1 en produit de polyn
omes
irreductibles dans IR[X] est donnee par X 2 2 cos X + 1 = X 2 2X = (X 1)2 ( = 0) ou
X 2 2 cos X + 1 = X 2 + 2X = (X + 1)2 ( = ).
Si 6= 0 cest `
a dire 6= 0 et 6= , dans ce cas = 4 sin2 < 0. X 2 2 cos X + 1 na
pas de racines dans IR, il est donc irreductible dans IR[X].
Les racines de X 2 2 cos X + 1 dans C
l sont X1,2 = cos i sin = ei (X2 = X1 ). La
decomposition de X 2 2 cos X + 1 en produit de polyn
omes irreductibles dans C[X]
l
est:
X 2 2 cos X + 1 = (X e+i )(X ei )
b.) Dans ce cas, on pose: Y = X 2 . On a donc: X 4 2 cos X 2 + 1 = Y 2 2 cos Y + 1, dont le
descriminat est: 4 sin2 0.
(6.1)
i
2
6.5
+ 1)
2
+i
i
2
(X + e 2 )(X + e 2 ) = (X + 2 cos + 1)
2
+ 1)(X 2 2 cos + 1)
2
2
Exercice 2:
P 3 (1)
P (1) = 0
P (1) = 0
P 3 (1) = 30 6= 0
(6.3)
83
c. P admet 1 comme racine triple, donc P est divisible par (X 1)3 = 1 + 3X 3X 2 + X 3 , on
montre facilement que
P (X) = (X 1)3 (4 2X + X 3 )
et comme 2 est racine simple de P , alors (42X +X 3 ) est divisible par X 2. Il est facile de verifier
que 4 2X + X 3 = (X 2)(2 + 2X + X 2 ) avec 2 + 2X + X 2 est irreductible dans IR[X] (car < 0).
Dans C[X],
l
2+ 2X + X 2 a deux racines z = 1 i et z = 1+ i et donc 2+ 2X + X 2 = (X z)(Z z).
La decomposition en polyn
omes irreductibles de P est
P (X) = (X 1)3 (X 2)(2 + 2X + X 2 )
dans IR[X]
dans C[X]
l
84
6.6
Exercices
Exercice 1.. Effectuer les divisions euclidiennes de A par B dans IR[X] avec:
A = 7X 4 X 3 + 2X 4,
B = 2X 2 3X 5
B = X3 1
A = X 1,
A = X 5 iX 4 + X 3 X 2 + iX 1,
B = X 4 4 2X 3 + 6X 2 4 2 + 1
B = X 4 iX 3 + 3X 2 2iX + 2
A = (X + 1) ,
3
A = X + 1,
B = X2 + X + 1
B = (X 1)3
B = X2 + X + 1
B = X 4 3X 3 + 9X 2 8X + 6
85
a. Le reste de la division euclidienne de A par B est le reste de la division euclidienne de C par B.
b. Le reste de la division euclidienne de An par B est le reste de la division euclidienne de C n par B
( n IN).
Exercice 13. Soit P (X) = X 8 + X 4 + 1
a. Donner la decomposition de P en produit de facteurs irreductibles dans IR[X]
b. Donner la decomposition de P en produit de facteurs irreductibles dans C[X]
l
Exercice 14. Soit les deux polyn
omes P = X 3 + 1 et Q = X 4 + 1. Montrer quils sont premiers entre
eux et determiner les deux polyn
omes U et V tels que P U + QV = 1 ,
degU deg Q, degV deg P .
Exercice 15. Trouver les racines dans C
l de P (X) = X 5 1 et Q(X) = X 4 + X 3 + X 2 + X + 1.
Factoriser Q en produit de polyn
omes irreductibles sur C[X]
l
puis sur IR[X]
omes P , P X divise P oP X.
Exercice 16. Montrer que pour tout polyn
Application Resoudre lequation:
X IR,
(X 2 3X + 1)2 3X 2 + 8X 2 = 0
86
88
x2 +3x+1
x1
Chapitre 7
laddition
Dans ce chapitre nous considerons (K, +, .) un corps commutatif et K[X] lensemble des polyn
omes
a coefficient dans K, K [X] = K[X] {0K[X] }.
D
efinition et th
eoreme:
La relation R definie sur K[X]K [X] par: Pour tout (P, Q) K[X]K [X], (R, S) K[X]K [X]
(P, Q)R(R, S) si et seulement si P S = QR, est une relation dequivalence.
Lensemble quotient de cette relation K[X]K [X]/R est appele lensemble des fonctions rationnelles
note K(X)
Repr
esentation irr
eductible dune fraction
D
efinition et th
eor`
eme: Pour toute fraction rationnelle F ; il existe (P, Q) K[X] K [X] telle
P
que: F = Q
avec P.G.C.D(P, Q) = 1. (c.`a.d que P et Q nont pour diviseurs communs que des
P
est appelee representation irreductible de F .
elements de K ) Q
Remarque:
P1
Q1
P2
Si Q
est une autre representation irreductible de F alors P2 = P1 et Q2 = Q1 avec K ;
2
donc toute racine de P1 (respectivement de Q1 ) est une racine de P2 (respectivement Q2 ).
P1
Soit un element de K, F une fraction de K(X), il existe un representant de F soit Q
verifiant
1
P2
Q1 () 6= 0: on dira que est substituable dans F , on la note F (). Si Q2 est un autre representant
de F verifiant aussi Q2 () 6= on aura:
(
cette valeur commune
P1
P2
=
Q1
Q2
P1 ()
Q1 ()
Q1 ()Q2 () 6= 0)
P1 ()
P2 ()
=
Q1 ()
Q2 ()
Exemple et remarque:
F
=
=
X 3 + 4x2 + 4x + 1
si x 6= 1 et x 6= 1;
x2 1
2
(X + 3X + 1)(x + 1)
x2 + 3x + 1
=
(x + 1)(x 1)
x1
87
R
S
P S+QR
QS
P R
Q.S
PR
QS
Si F =
et la multiplication
Fractions Rationnelles
7.1
P
Q
7.2
D
ecomposition en
el
ement simples.
7.2.1
Th
eor`
eme: Soient P et S K[X], (S(0) 6= 0K ) et soit n IN. Il existe un couple unique (Q, C)
delements de K[X] verifiant: P = S.Q + X n+1 C avec degQ n. On dit quon a divise P par S
suivant les exposants croissants `a lordre n. Q et X n+1 C sont appeles respectivement le quotient et
le reste de la division selon les exposants croissants `a lordre n.
Exemple: Soit `a diviser P = X 3 + 2X 1 et S = X 2 3X + 2 suivant les exposants croissants `a
lordre 3:
89
1 + 2x + x3
3
1
+1 x + x2
2
2
1 2
1
x + x + x3
2
2
1
3
1
x + x2 x3
2
4
4
5 2 3 3
x + x
4
4
5
15
5
x2 + x3 x4
4
8
8
21 3 5 4
x x
8
8
21 3 63 4 21 5
x + x x
8
16
16
53/16x4 21/16x5
53 21
x4 ( x)
16 16
Proposition 3: Soient (Q1 , Q2 , . . . , Qn ) une famille de polynome premier entre eux deux `a deux
et P un polynome tel que deg(P ) < deg(Q1 .Q2 . . . . .Qn ); alors il existe une famille unique de polynome
(P1 , . . . , Pn ) tels que:
2 3x + x2
1 1
5
21
+ x + x2 + x3
2 4
8
16
P
P1
P2
Pn
=
+
+ ... +
avec degPi < degQi
Q 1 Q 2 . . . Qn
Q1 Q2
Qn
Proposition 4: P et Q etant deux polynomes non nuls tels que degQ 1 et degP < degQn , (n 2)
alors il existe une famille unique de polynome (P1 , . . . , Pn ) tes que:
P1
Pn
P2
P
+ 2 + ... + n
=
Qn
Q
Q
Q
X
a
b
c
d
=
+
+
+
(X + 1)4
X + 1 (X + 1)2 (X + 1)3 (X + 1)4
X(X + 1)4
= X = a(X + 1)3 + b(X + 1)2 + c(X + 1)1 + d
(X + 1)4
7.2.3
R
esultats gen
eraux.
P
Q
Le polyn
ome E est la partie enti`ere de
Exemple:
P
Q
X 2 +1
X
=X+
1
X;E
P
Q
et
,
R
Q
D
ecomposition dans C[X]
l
Nous avons vu dans le chapitre precedent que les seuls polynomes irreductible de C[X]
l
sont les
polynomes de degres 1. Alors la decomposition en produit de facteurs irreductibles de tout polynome
de C[X]
l
peut secrire:
Q = (X r1 )1 (X r2 )2 . . . (X rn )n
a
b
a(X 1) + b(X + 1)
+
=
X +1 X 1
(X 1)(X + 1)
(7.1)
P
Q
o`
u Q est un element
Si degQ = 1, lelement simple S est dit de premi`ere esp`ece. P est une constante dans ce cas.
Si degQ = 2, lelement simple S est dit de seconde esp`ece.
et les Aij C
l
R(X)
R(X)
=E+
Q(X)
V1 (X)V2 (X) . . . Vn (X)
Pn (X)
P1 (X) P2 (X)
+
+ ... +
avec degPi < degVi i = 1, . . . , n
= E+
V1 (X)
V2 (X)
Vn (X)
= E+
(7.4)
pour tout i = 1, . . . , n,
1
2
D
efinition: Un element simple de K(X) est une fraction rationnelle S =
irreductible de K[X], 0 degP < degQ et IN :
P
Q
(7.3)
Preuve: On pose Vi (X) = (X ri )i pour tout i = 1 . . . n, Q devient Q(X) = V1 (X)V2 (X) . . . Vn (X).
Dapr`es les propositions 3 et 4:
P
Q
Exemple:
secrit:
=X
P
Q
n X
i
X
P
P
Aij
= i=n
=E+
i
Q
(X ai )j
i=1 (X ri )
i=1 j=1
sa partie fractionnaire.
X
(X + 1)(X 1)
(7.2)
5
21
53 21
1 1
1 + 2x + x3 = ( + x + x2 + x3 )(2 3x + x2 ) + x4 ( x)
2 4
8
16
16 16
Proposition 1. Soit
Exemple:
On a donc:
7.2.2
90
Pi (X)
Vi (X)
=
=
Pi (X)
(X ri )i
a1
a2
ai
+
+ ... +
(X ri )1 (X ri )2
(X ri )i
(7.5)
91
1
Exemple: Decomposer dans C[X]:
l
(X1)2 (X 2 +1)2 ;
2
2
2
Q(X) = (X 1) (X + i) (X i) , dapr`es les theor`emes precedents on a:
1
(X 1)2 (X 2 + 1)2
a2
a4
a6
a1
a3
a5
+
+
+
+
+
X 1 (X 1)2
X + i (X + i)2 X i (X i)2
(7.6)
multipliant `
a droite et a` gauche de (7.6) par X et prenant la limite lorsque X tends vers linfini
on obtient
a1 + a3 + a5 = 0
multipliant `
a droite et a` gauche de (7.6) par (X 1)2 et prenant X = 1, on trouve a2 =
92
1
(X 1)2 (X 2 + 1)2
1
2+i
2i
1
i
i
+
+
(7.11)
+
+
(7.7)
2i
1 + 2X
2+i
+
=
8(X + i) 8(X i)
4(1 + X 2 )
i
X
i
=
8(X + i)2 8(X i)2
2(1 + X 2 )2
1
4
multipliant `
a droite et a` gauche de (7.6) par (X i)2 et prenant X = i, on trouve a6 = 8i
multipliant `
a droite et a` gauche de (7.6) par (X + i)2 et prenant X = i, on trouve a4 =
i
8
a1 + a2 ia3 a4 + ia5 a6 = 0
3
a1 ia3 + ia5 =
4
X=
1
2
(7.8)
(7.9)
1
i
i
1
2+i
2i
+
+
+
+
(7.10)
2(X 1) 4(X 1)2 8(X + i) 8(X + i)2
8(X i) 8(X i)2
7.3
D
ecomposition dans IR[X]
Les polyn
omes irreductibles de IR[X] sont les (X a) et les (X 2 + pX + q) avec p2 4q < 0. La
decomposition en facteur irreductibles de Q secrit comme
i n
2
j
Q = m
i=1 (X ri ) i=1 (X + pj X + qj )
P
Q
i
m X
X
est de la forme:
n X
i
X
Bjk X + Cjk
P
Aik
=E+
+
k
2 + p X + q )k
Q
(X
a
)
(X
i
j
j
i=1 k=1
j=1 k=1
(7.12)
1
1 + 2X
1
X
+
+
+
2(X 1) 4(X 1)2 4(1 + X 2 ) 2(1 + X 2 )2
(7.13)
93
7.4
Exercices
A(X)
Xa)n B2 (X) B2 (a)
A
B2
avec B = (X a)2 B2 .
l
u
et v designant respectivement les polyn
ome conExercice 2: Soit F = uv un element de C(X),
jugues de u et v. Demontrer que la fraction uv est independant du representant uv de F choisi, on pose
=F
=
F , F
G = F + G;
FG = F .G
, F
l F+
F = uv , Demontrer que ( C)
a.) Demontrer que si a C
l on a F (a) = F (a).
b.) En deduire que si a, complexe non reel, est une racine ( resp un pole) dordre de F , a
est une
racine ( resp pole) dordre de F que peut-on dire si F IR[X].
Exercice 3: Decomposer en eement simples les fractions suivantes:
1
X4 1
1
danslC[X]
1 + X4
(7.14)
1
X m (1 X)n
l (n IN; a, b C,
l a 6= b)
Exercice 5: Decomposer en elements simples sur C
1
(X 2 1)n
1
(X a)n (X b)n
Exercice 6: (xh ) (1 h n) etant une famille de n nombres complexes tous distincts, on pose
Q(X) = (X x1 )(X x2 ) . . . (X xn )
Demontrer que
n
X
1
Ah
Bh
[
=
+
]
2
[Q(X)]2
(X
x
)
(X
xh )
h
h=1
Calculer Ah et Bh `
a laide de Q (xh ) et Q (xh )
94
Exercice 7: Soit P (X) un polynome defini sur le corps C
l et ayant tous ses zeros distincts.
u P designant le polynome
a.) Decomposer en elements simples sur C,
l la fraction rationnelle P P(X) ; o`
derive de P .
b.) Decomposer de meme la fraction
P 2 P P
P2
96
1(0, y), (0, y) est donc vecteur propre de sx associe `a la valeur propre 1.
Donc sx (e1 ) = e1 et sx (e2 ) = e2 , la matrice de sx relativement `a la base canonique de IR2 est:
Msx =
Chapitre 8
1 0
0 1
On remarque que la matrice de sx par rapport `a la base des vecteurs propres (e1 , e2 ) est diagonale.
R
eduction des endomorphismes
8.2
D
efinition: Soit M la matrice dun endomorphisme f de E, un scalaire de K.
Dans ce chapitre nous abordons un probl`eme important en alg`ebre lineaire: la reduction des matrices
carees. Notre but est de trouver une base dans laquelle la matrice M dun endomorphisme donne est
diagonale.
Tout au long de ce chapitre, K designe un corps commutatif, E un espace vectoriel sur K,
lapplication identite de E sera notee par IE = I.
8.1
8.1.1
Vecteurs propres
D
efinitions: Soit M la matrice dun endomorphisme f de E. Un vecteur v E est dit vecteur
propre de M si:
i. v 6= 0E
ii. il existe K tel que M v = v (o`
u f (v) = v).
Le scalaire est appele valeur propre associe au vecteur propre v.
Remarques:
Si v = 0E la relation M 0E = 0E est toujours verifiee.
les vecteurs propres v associes `a la valeur propre = 0K sont les vecteurs du KerM : M v = 0E
Si v 6= 0E la valeur propre lorsquelle existe elle est unique. En effet, soit et K deux valeurs
propres associees `
a v: M v = v et M v = v on a donc v = v ( )v = 0K donc =
Si v est un vecteur propre associe `a la valeur propre alors pour tout K; v est aussi vecteur
propre correspondant `
a la meme valeur propre . En effet: M ( v) = M (v) = (v) = ( v).
Exemples 9.1
i. Soit K. On definit lhomothetie vectorielle f de rapport par:
EE
f :
x x
E = {v E ; M v = v}
E est appele le sous espace propre correspondant `a la valeur propre .
E 6= car le vecteur nul 0E appartient `a E .
Si v1 et v2 sont deux elements de E alors: M v1 = v1 et M v2 = v2 . pour tous , K v1 + v2
est aussi element de E . En effet: M (v1 + v2 ) = M (v1 ) + M (v2 ) = v1 + v2 = (v1 + v2 ),
v1 + v2 est donc vecteur propre associe `a la valeur propre
Remarques:
Si = 0K est valeur propre de M , par definition, il existe x E , x 6= 0E , tel que M x = 0K .x = 0E ,
donc E0 = KerM 6= {0E }.
Le sous espace E = {0E } signifie que nest pas valeur propre.
f (E ) E . En effet, pour tout y f (E ), il existe x E tel que y = f (x) = M x, puisque x est
element du sous espace propre alors y = f (x) = x. M y = f (y) = M (x) = f (x) = y donc y E .
Th
eor`
eme 9.1: E un espace vectoriel de domention finie sur K, M matrice dun endomorphisme f
de E, K une valeur propre de M . On a equivalence entre les deux proprietes suivantes:
i. est valeur propre de f
ii. M I nest pas inversible
Preuve: Soit une valeur propre de f , il existe un vecteur v 6= 0E E tel que M v = v
(M I)(v) = 0E , ce qui veut dire que (M I) nest pas injectif donc pas inversible.
Reciproquement: Si M I nest pas inversible alors Ker(M I) 6= {0E }, donc il existe v 6= 0E E
tel que (M I)(v) = 0E M v = v, donc est valeur propre.
Th
eor`
eme 9.2: Soient M une matrice dun endomorphisme de E et 1 , 2 deux scalaires distincts
(1 6= 2 ) alors:
i. E1 E2 = {0E }.
ii. Si v1 et v2 sont vecteurs propres associes respectivement aux valeurs propres 1 et 2 (1 6= 2 )
alors la famille: {v1 , v2 } est libre.
Preuve:
i.) Soit x E1 E2 alors x E1 et x E2 . Il sen suit donc que f (x) = 1 x = 2 x
(1 2 )x = 0E . Et comme 1 6= 2 on conclut que x = 0E .
ii.) Soient 1 et 2 deux scalaires tel que
1 v1 + 2 v2 = 0E
(8.1)
97
on a
M (1 v1 + 2 v2 ) = 1 1 v1 + 2 2 v2 = 0E
(8.2)
si on soustrait 1 (8.1) `
a (8.2) on obtient (1 2 )2 v2 = 0E et comme 1 6= 2 et v2 6= oE on conclut
que 2 = 0K et par suite 1 = 0K . La famille {v1 , v2 } est donc libre.
Le resultat (ii.) du theor`eme precedent se generalise facilement aux cas de m valeurs propres.
Th
eor`
eme 9.3: Soient E un espace vectoriel de dimension finie sur un corps K et M une matrice
dun endomorphisme f de E. Soient i , i = 1, . . . , m, m valeurs propres de M deux `
a deux distinctes
et {vi } (i = 1, . . . , m), vi les vecteurs propres correspondants. Alors la famille {vi } (i = 1, . . . , m) est
libre.
Preuve: Par recurrence sur m.
m = 1, le vecteur propre v1 associe `a la valeur propre 1 est par definition non nul, donc {v1 } est
libre.
m = 2 demonstration d`eja faite dans le theor`eme precedent ii).
supposons que le resultat est vrai pour m 1, soit 1 , . . . , m des scalaires tels que
1 v1 + 2 v2 + . . . + m vm = 0E
(8.3)
98
le vecteur (1 m+1 )x1 + (2 m+1 )x2 + . . . + (m m+1 ) = 0E est un element de E1 + E2 +
. . . + Em = E1 E2 . . . Em , donc 0E peut secrire comme: 0E = 0E1 + 0E2 + . . . + 0Em . La
decomposition est unique, ce qui implique que:
(p m+1 )xp = 0E
8.3
D
efinition: Soient E un espace vectoriel sur un corps K et M la matrice dun endomorphisme f de
E. On definit le polynome caracteristique de M comme etant:
PM () = det(M IE )
Exemples 9.2:
a. Soit `a calculer le polynome caracteristique de la matrice
i = 1, . . . , m 1 i = 0K
1
0
1
2
1
0
2
1
= (1 )
2 1
0
2 1
= (1 )[(2 )(1 ) + 2] = (1 )( 1)
M2 =
a b
c d
Th
eor`
eme 9.4: Si 1 , 2 , . . . , m sont des scalaires deux `a deux distincts, alors
a
b
c
d
= (a )(d ) bc = ad bc (d + a) + 2
E1 + E2 + . . . + Em = E1 E2 . . . Em
Preuve: par recurrence sur m.
Pour m = 1 il ny a rien `
a montrer. Supposons que E1 + E2 + . . . + Em = E1 E2 . . . Em
et montrons que E1 , E2 , . . . Em , Em+1 sont en somme directe. Pour cela il suffit de montrer que
(E1 + E2 + . . . + Em ) Em+1 = {0E }. En effet soit x (E1 + E2 + . . . + Em ) Em+1 , donc
x E1 + E2 + . . . + Em et x Em+1 . x etant element de E1 + E2 + . . . + Em et x Em+1 , il
secrit comme:
x = x1 + x2 + . . . + x m
,
xi Ei
Calculons M x: M x = M (x1 + x2 + . . . + xm ) = 1 x1 + 2 x2 + . . . + m xm (f est lineaire et xi Ei ).
Or M x = m+1 x = m+1 (x1 + x2 + . . . + xm ) du fait que x Em+1 .
En identifiant les deux expressions de M x on trouve:
1 x1 + 2 x2 + . . . m xm = m+1 x1 + m+1 x2 + . . . + m+1 xm
(8.9)
Th
eor`
eme 9.5: Les valeurs propres de M dans K sont exactement les racines dans K du polynome
caracteristique PM .
Preuve: Cela resulte du fait que si est valeur propre de M alors M IE nest pas inversible.
Exemples 9.3:
0 1
2
1 sont les racines de PM1 () = (1 )( 1).
0 2 1
On a donc trois valeurs propres: 1 = 0 , 2 = 1 , 3 = 1.
Les vecteurs propres associes `a la valeur propre 1 = 0 sont definis par:
(8.6)
(8.8)
0 1
2
1
2 1
PM1 () = det(M I3 ) =
M1 = 0
(8.4)
(8.5)
(8.7)
est un scalaire de K. PM est un polynome `a coefficient dans K dont le degre est la dimension de E.
si on soustrait m (8.3) `
a (8.4) on obtient
(1 m )1 v1 + (2 m )2 v2 + . . . + (m1 m )m1 vm1 = 0E
p = 1, 2, . . . , m
Polyn
ome caract
eristique dun endomorphisme
on deduit
M (1 v1 + 2 v2 + . . . + m vm ) = 1 1 v1 + 2 2 v2 + m m vm = 0E
pour
Comme les i sont deux `a deux distincts, donc xp = 0E pour p = 1, 2, . . . , m et par consequent
x = 0E .
E0 = {(x, y, z) IR ; M1 y = 0 }
99
Tout vecteur propre verifie:
100
toute matrice M dun endomorphisme f de E, tel que le polynome caracteristique PM ai toutes ses
racines dans K on a: PM (M ) = 0Mn .
x z = 0
2y + z = 0
2y z = 0
Remarques:
Les vecteurs propres associes `a 0 sont donc de la forme (x, y, z) = (z, z/2, z) = z(1, 1/2, 1). E0
est donc le sous espace de dimension un engendre par v0 = (1, 1/2, 1).
Les vecteurs propres associes `a la valeur propre 1 = 1 sont definis par:
PM (M ) = a0 IE + a1 M + a2 M 2 + . . . + an M n
x
x
E1 = {(x, y, z) IR3 ; M1 y = +1 y }
z
z
x z = x
a0 IE
2y + z = y
2y z = z
IE
Les vecteurs propres associes `a = 1 sont donc de la forme (x, y, z) = (z/2, z, z) = z(1/2, 1, 1).
E1 est donc le sous espace de dimension un engendre par v1 = (1/2, 1, 1).
Les vecteurs propres associes `a la valeur propre 1 = 1 sont definis par:
E1
Tout vecteur propre verifie:
1 1
1 2
0 0 0
M1 [B ] = 0 1 0
0 0 1
!
3 5
2 .
1
1
= 1 3 + 2
1
2
et 2 =
d+a+i
2
d+a
.
2
et 2 =
d+ai
.
2
Remarque: On voit clairement que la notion de valeur propre depend du corps K. Dans le cas du
polyn
ome caracteristique PM2 avec < 0. On dit que M2 na pas de valeurs propres dans IR.
Propri
et
e: Si 0 est une racine dordre m du polyn
ome caracteristique PM () alors 1 dimE0 m.
E0 est le sous espace propre associe `a 0 .
Th
eor`
eme de Cayley-Hamilton (admis): Soit E un espace vectoriel sur K de dimnsion n. Pour
(8.12)
M2 =
2 3
3 5
Verifions Cayley-Hamilton:
PM (M ) =
1 0
0 1
1 1
1 2
2 3
3 5
d+a
2
d+a+
2
PM () = det(M I2 ) =
(8.10)
a b
sont les racines de PM2 () = ad bc (d + a) + 2 .
c d
= 2, son descriminant est = (d + a)2 4(ad bc) = (d a)2 + 4bc.
an
a1 a2
M . . . M n1
a0 a0
a0
M=
x z = x
2y + z = y
DegPM2
M 1 =
Exemple: Soit la matrice
2y z = z
x
x
= {(x, y, z) IR3 ; M1 y = 1 y }
z
z
= M (a1 a2 M . . . an M n1 ) = (a1 a2 M . . . an M n1 )M
a1 a2
an
a1 a2
an
= M ( M . . . M n1 ) = ( M . . . M n1 )M(8.11)
a0 a0
a0
a0 a0
a0
8.4
0 0
0 0
2 1
1 1
Diagonalisation
D
efinition: On dira que la matrice M dun dun endomorphisme f
une base B telle que:
1 0 . . . 0
0 2 . . . 0
M [f, B] = D =
.
.. . .
..
. ..
.
.
0
...
101
autrement, on dira que M est semblable `a D, cest `a dire quil existe une matrice de passage telle que
D = P 1 M P
1 1
1
E2
M3 [B ] = 0 2
(8.13)
est:
1 1
0
P = 1 0
1
1 1 1
P
On pourra verifier sans probl`eme que
(8.14)
0 1
2
1 a trois valeurs propres distinctes:
0 2 1
1 = 0 , 2 = 1 , 3 = 1. Les vecteurs propres associes sont: v0 = (1, 1/2, 1), v1 = (1/2, 1, 1)
et v1 = (1, 0, 0). La base des vecteurs propre est B = (v0 , v1 , v1 ). La matrice M1 dans cette base
B est diagonale et est donnee par:
0
2
PM () = (1)n ( 1 )1 ( 2 )2 . . . ( m )m
x
x
= {(x, y, z) IR2 ; M3 y = 2 y }
z
z
E = E1 . . . Em
i M est diagonalisable
Tout vecteur (x, y, z) E1 verifie x = y = z. Donc E1 est un sous espace vectoriel de dimension 1
engendre par v1 = (1, 1, 1).
Caract
erisation: Soient E un K-espace vectoriel de dimension n et M une matrice carree dordre
n associee `a un endomorphisme f de E dans E. Les proprietes suivantes sont equivalentes:
x
x
E1 = {(x, y, z) IR2 ; M3 y = +1 y }
z
z
102
0 0 0
1 0
0 0 1
M1 [B ] = 0
1
1
1
1
= 2 1 1
3
1 2 1
Une condition de diagonalisation de la matrice M est que IR est somme de ses sous espaces propres:
IR3 = E1 E2 (dimIR3 = dimE1 + dimE2 ).
1 1
1
b. Dans lExemple 9.4:, nous avons traite M3 = 1 1 1 . Nous avons montre que
1
1 1
M3 a deux valeurs propres: 1 = 1 valeur propre simple et 2 = 2 valeur propre double. On a
egalement montre que 1 = 1 est associee au vecteurs propres v1 = (1, 1, 1) et que dimE1 = 1.
La valeur propre double 2 = 2 est associee aux vecteurs propres v2 = (1, 0, 1) et v3 = (0, 1, 1)
et que dimE2 = 2.
La matrice M3 dans la base des vecteurs propres B = (v1 , v2 , v3 ) est de la forme:
M3 [B ] = P 1 M3 P
3
(8.15)
M3 [B ] = 0 2
0
2
(8.16)
103
M3 est donc diagonale. Cet exemple correspond au !
cas iii) de la caracterisation.
0 1
dans IR et dans C.
l Le polyn
ome caracteristique
c. Soit `
a diagonaliser la matrice M4 [B] =
1 0
de M4 est donne par:
PM4 () = 2 + 1
x
y
Ei = {(x, y) C
l ; M4
x
y
=i
La matrice de passage de B `
a B est:
P =
1 1
i i
1
2
1
2
I2
8.5
(8.20)
...
n1
0
(D[1 , 2 , . . . , m ])n = D[n1 , n2 , . . . , nm ] =
..
.
0 ... 0
n2 . . . 0
.. . .
.
. ..
.
. . . 0 nm
(8.21)
x
y
=2
x
y
R
esolution des syst`
emes des suites r
ecurrentes:
= {(x, y) IR ; 3x + y = 2x et x + y = 2y}
2
= {(x, y) IR ; x + y = 0}
(8.18)
Tout vecteur de E2 est donc de la forme: (x, y) = x(1, 1), E2 est donc engendre par (1, 1) et est
donc de dimension
1. La matrice
M5 nest donc pas diagonalisable (dimE2 = 1 6= 2).
4 0 2
= ( 1)2 ( + 2)
Applications
PM6 () =
Soit M une matrice carree dordre n. Si M est diagonalisable alors elle existe une matrice de passage
P telle que:
1 0 . . . 0
0 2 . . . 0
D[1 , 2 , . . . , m ] =
= P 1 M P
..
.. . .
..
. .
.
.
E2 = {(x, y) IR2 ; M5
tout vecteur (x, y, z) E1 est donc de la forme (x, y, z) = (x, 0, 5x/2) = x(1, 0, 5/2). E1 est donc
engendre par (1, 0, 5/2) et est de dimension 1, dimE1 = 1 6= 2. La matrice M6 nest donc pas
diagonalisable.
I
2
{(x, y, z) IR ; M6 y = y }
= {(x, y, z) IR3 ; 5x + 2z = 0 et y = 0}
i 0
0 i
M4 [B ] =
E1 =
= {(x, y, z) IR3 ; 4x 2z = x , y = y et 5x + y + 3z = z}
pour tout vecteur (x, y) Ei , on a y = ix. Ei est engendre par u1 = (1, i), Ei =< (1, i) >. De
meme on montre que Ei est engendre par u2 = (1, i), Ei =< (1, i) >.
La base des vecteurs propres est B = (u1 , u2 ) et la matrice M4 dans cette base est:
(8.17)
Ce polyn
ome na pas de racines dans IR, donc M4 nest pas diagonalisable dans IR.
PM4 () a deux racines simples dans C:
l 1 = i et 2 = i, donc M4 est diagonalisable dans C.
l
Sous espaces propres:
2
104
Nous traitons cette application sur un exemple. Soient (un ), (vn ) et (wn ) trois suites reelles de
premiers termes u0 = 1, v0 = 1, w0 = 1 tels que:
w =u
n
n1 + vn1 wn1
(8.22)
ce syst`eme de suites recurrentes peut secrire sous forme matricielle de la facon suivante:
un
Xn = vn = 1
wn
un1
1
1
1 1 vn1 = M3 Xn1
wn1
1 1
Xn = M3 Xn1
105
u0
106
R
esolution dun syst`
eme diff
erentiel lin
eaire:
Nous traitons cela dans lexemple suivant:
M3n X0
Le probleme est donc ramene au calcul de M3n qua nous avons etudie dans la section precedente.
On a montre precedement que M3 est semblable `a une matrice diagonale. M3n est donc donnee par:
1 0
0
M3 [B ] = 0 2 0
0 0 2
y3 (t)
differentiel (8.23) peut secrire sous forme matricielle comme:
P
On pourra verifier sans probleme que
1 1
0
1
P = 1 0
1 1 1
1
1
1
1
= 2 1 1
3
1 2 1
D= 0
un
vn =
wn
on trouve donc:
y3 (t)
1
1
1 1 Y (t) = M3 Y (t)
1 1
(8.24)
0 0
1 0
0
2 0 = 0 2 0 = P 1 M3 P
0 3
0 0 2
(1 + (1)n 2( 1 + n))/3
(1 (2)n )/3
(1 (2)n )/3
(1 (2)n )/3
(1 + (1)n 2( 1 + n))/3
(1 (2)n )/3
n
n
n
n
n
(
(1 2 (1) )/3
(1 2 (1) )/3
(1 + (1) 2 1 + n))/3
{z
(8.25)
y1 (t)
M3n =
Y (t) = 1
1n
0
0
1
1
1
1 1
0
1
n
0 2 1 1
1 0 (2)n
M3 = 1 0
3
1 1 1
0
0
(2)n
1 2 1
y1 (t)
i (t)
. On pose Y (t) = y2 (t) . On a donc Y (t) = dYdt(t) = y2 (t) . Le syst`eme
avec yi (t) = dydt
(8.23)
(1 + (1)n 2( 1 + n))/3
(1 (2)n )/3
(1 (2)n )/3
u0
(1 (2)n )/3
(1 + (1)n 2( 1 + n))/3
(1 (2)n )/3
v0
n
n
n
n
n
(
w0
(1 2 (1) )/3
(1 2 (1) )/3
(1 + (1) 2 1 + n))/3
z1 (t)
Y (t) = z2 (t)
z3 (t)
(8.26)
Z (t) = P
n (
un = (1 + (1) 2 1 + n))/3
vn = (1 + (1)n 2( 1 + n))/3
z1 (t)
Y (t) = z2 (t)
z3 (t)
Z (t) = DZ(t)
wn = (1 2( 2 + n)(1)n )/3
comme D est diagonale, on a donc un trois equation differentielle du premier ordre non couplee:
R
esolution dun syst`
eme diff
erentiel lin
eaire du premier ordre:
Rappel: Equation diff
erentielle lin
eaire du premier ordre
z1 (t) = 1 z1 (t)
y (t)
Soit `
a resoudre lequation differentielle lineaire du premier ordre suivante:
= ay(t) o`
u a est une
constante reelle. La resolution est immediate. Il suffit decrire y (t) = ay(t) sous la forme: dy(t)
y(t) = adt.
Apr`es integration on trouve:
y(t) = ceat
ou c est une constante reelle fixee par les condition initiale du probl`eme en question. Si par exemple
`a t = 0, y(0) = y0 alors la solution generale de lequation differentielle est y(t) = y0 eat .
z2 (t) = 2 z2 (t)
z (t) = z (t)
3 3
3
(8.27)
La resolution dune equation differentielle du premier ordre est facile, z (t) = az(t) a pour solution
generale: z(t) = z(0)eat . La solution des trois equations differentielles (8.28) est de la forme:
z1 (t) = z1 (0)e 1
z2 (t) = z2 (0)e 2
z (t) = z (0)e3 t
3
3
(8.28)
107
8.6
on trouve:
1 1
0
z1 (0)et
t
2t
(0)et
(0)e2t
y2 (t) = z1
+ z3
108
Exercices
Exercice 1. Soit A une matrice carree. Montrer que A et t A ont les memes valeurs propres.
(8.29)
Exercice 2. Soient f et g des endomorphismes dun espace vectoriel E. Montrer que f og et gof
ont les memes valeurs propres.
(8.30)
Exercice 3. Soit M une matrice carree inversible. Determiner les valeurs propres de M 1 en fonction
de celles de M .
Exercice 4. Une matrice carree A est dite nilpotente sil existe un entier p > 1 tel que: Ap = 0 et
Ap1 6= 0. Montrer que si A est nilpotente alors 0 est lunique valeur propre de A.
Exercice 5. Les matrices suivantes sont elles diagonalisables?
A1 =
1 3
3 9
A2 =
9 2
2 6
2 2
4 4
2 4 4
1
A3 = 2
0 2 0
0 0
0 0 1
A4 = 2
Exercice 6. Pour les matrices de lexercice 3, montrer par le calcul que le theor`eme de Cayleyselle existe.
Hamilton est verifie. En deduire A1
i
4 0
1
2
2
v = 2u
+ 4v
4w
n
n1
n1
n1
w = 2u
n
n1 4vn1 + 4wn1
Calculer un , vn et wn