Universit e de Nice SL2SF

2012-13 Alg` ebre 2

Vecteurs propres et valeurs propres.
On travaille sur le corps R des reels.
On pourrait egalement utiliser le corps des complexes C. La plupart des resultats sont en fait
valables sur un corps quelconque.
Un resultat essentiel du cours de premi`ere annee est le suivant : on consid`ere un syst`eme lineaire
homog`ene (i.e. sans second membre) de j equations ` a : inconnues
c
1,1
r
1
+ . . . + c
1,n
r
n
= 0
.
.
.
c
p,1
r
1
+ . . . + c
p,n
r
n
= 0.
La matrice j : de coecients c
i,j
pour i de 1 ` a j et , de 1 ` a : est la matrice du syst`eme. On la
designe par .
On echelonne les lignes de la matrice . Le rang des lignes de est le nombre de pivots obtenu dans
la procedure dechelonnage. Il ne depend pas du procede choisi. Cest le nombre de variables
liees du syst`eme. On lappelle le rang du syst`eme (ou rang des lignes de ). Lespace des solutions
du syst`eme a pour dimension le nombre de variables libres et, bien s ur, le nombre de variables
est egal `a la somme du nombre de variables liees et du nombre de variables libres. Cest la premi`ere
forme du theor`eme du rang.
1. Applications lin eaires
Dans tout ce paragraphe, on consid`ere deux espaces vectoriels 1 et 1 sur R et une application
) : 1 1.
Pour les denitions aller au paragraphe 10.
1.1. Matrice dune application lineaire. On suppose ici que 1 et 1 sont de dimension nie.
On note : la dimension de 1 et j la dimension de 1. On se donne des bases B = (c
1
. . . . . c
n
) de
1 et ( = (c
1
. . . . . c
p
) de 1.
On consid`ere une application lineaire ) : 1 1. La matrice de ) dans les bases (B. () est
un tableau ` a j lignes et : colonnes. Sur la ,-`eme colonne on dispose les coordonnees dans la base
( de limage par ) du ,-`eme vecteur de B, de sorte que le coecient c
i,j
de la matrice, situe sur
la ligne de numero i et la colonne de numero , est la i-`eme coordonnee du vecteur )(c
j
). On note
`
p,n
(R) lensemble des matrices ` a j lignes et : colonnes.
Aux operations sur les applications lineaires, correspondent les operations sur les matrices : produit
par un scalaire, somme, produit de matrices.
Noter que le produit 1 de deux matrices na de sens que si le nombre de lignes de 1 est egal
au nombre de colonnes de . La matrice 1 a alors le nombre de lignes de et le nombre de
colonnes de 1. En particulier, si est dans `
p,n
(R) et A une matrice colonne de `
n,1
(R), alors
le produit A est une matrice colonne de `
p,1
(R).
2
Comment disposer le produit de deux matrices : ci-dessous le calcul du coecient c
i,j
du produit
1. Il ne fait intervenir que la i-`eme ligne de et la ,-`eme colonne de 1.
_
_
_
_
/
1,j
/
2,j
.
.
.
/
n,j
_
_
_
_
_
_
_
_
c
i,1
c
i,2
. . . c
i,n
_
_
_
_
_
_
_
_
.
.
.
. . . c
i,j
_
_
_
_
c
i,j
= c
i,1
/
1,j
+ c
i,2
/
2,j
+ . . . + c
i,n
/
n,j
=
n

=1
c
i,
/
,j
.
1.1.1. Exercice. On consid`ere un entier :, : 2, deux entiers i et ,, 1 i ,= , :, une
matrice carree 1
i,j
() de taille : : dont les coecients diagonaux sont tous egaux `a 1, dont le
coecient /
i,j
vaut et dont tous les autres coecients sont nuls.
On consid`ere egalement une matrice `a : lignes et j colonnes. On designe par 1
i
la ligne de
numero i, pour i de 1 `a :. Montrer que le produit 1
i,j
() est une matrice

qui a les memes

lignes que sauf la ligne de numero i qui vaut 1
i
+ 1
j
.
1.1.2. Exercice. Montrer que `
p,n
(R) est un espace vectoriel sur R. En donner une base.
Quelle est sa dimension ? Montrer que `
n,n
(R), que lon notera desormais `
n
(R), est stable par
la multiplication des matrices. Montrer que ce produit nest pas commutatif si : 1.
Comment calculer avec la matrice de ) ? Notons la matrice de ) dans les bases (B. ().
Un vecteur r de 1 est un element de ker ) si )(r) =

0. Ses coordonnees (r
1
. . . . . r
n
) dans B sont
solutions du syst`eme lineaire homog`ene de matrice . Ce syst`eme a j equations ` a : inconnues. Il a
pour rang le rang de (nombre de variables liees) et lensemble de ses solutions est de dimension
d rg() (nombre de variables libres). On a donc dimker ) = dim1 rg(). Comme le sous-
espace ker ) est independant de la base choisie, le rang de la matrice de ) dans une base B ne
depend pas du choix de cette base.
Un vecteur de 1 est un element de Im()) sil existe un vecteur r de 1 tel que )(r) = . Le
sous-espace vectoriel Im) est engendre par les images des vecteurs de B. Sa dimension est le rang
des colonnes de . On demontre que le rang des colonnes de est egal au rang des lignes de .
1.2. Theor`eme (du rang). On consid`ere une application lineaire ) : 1 1 entre deux espaces
vectoriels de dimension nie sur R. Le rang de ) est egal `a la dimension de Im()) et on a la
formule
dimker ) = dim1 dimIm()).
2. Vecteurs propres et valeurs propres dune application lin eaire
Dans tout ce paragraphe, on consid`ere un entier d, un espace vectoriel 1 de dimension d sur R et
une application lineaire ) : 1 1.
2.1. Denition. On dit quun vecteur de 1 est un vecteur propre de ) si
nest pas nul
)() est un vecteur proportionnel `a .
Lorsque est un vecteur propre de ), le coecient de proportionnalite de )() sur est la valeur
propre associee `a .
3
Si est un vecteur propre de ), il existe un scalaire tel que
)() = .
On dit que est un vecteur propre de ) de valeur propre .
2.1.1. Exemple. On consid`ere lapplication p : R
2
R
2
dont la matrice dans la base canonique
de R
2
est la suivante
:=
_
1 6
5 2
_
et les deux vecteurs
n :=
_
3
2
_
et :=
_
6
5
_
On verie que
p(n) =
_
9
11
_
et p() :=
_
24
20
_
.
On en deduit que n nest pas un vecteur propre de p, tandis que est un vecteur propre de valeur
propre 4.
2.1.2. Exemple. [plus general : on ne suppose pas que 1 est de dimension nie] On consid`ere
lespace vectoriel des polynomes dune variable ` a coecients reels note R[A] et lapplication
derivation
1 : R[A] R[A]
1 1

.
Un vecteur propre de 1 est un polynome non nul 1 dont la derivee 1

lui est proportionnelle.

Si le degre de 1 est au moins 1, alors la derivee 1

est de degre strictement inferieur et ne peut

donc pas etre proportionnelle ` a 1. Si 1 est de degre 0, cest une constante non nulle et sa derivee
est nulle. On voit donc que les seuls vecteurs propres de 1 sont les constantes non nulles, tous
associes ` a la seule valeur propre 0.
Noter quune base de R[A] est la famille des mon omes (1. A. A
2
. . . .) qui est innie denombrable.
Lespace vectoriel R[A] nest donc pas de dimension nie.
2.2. Denition. On consid`ere une valeur propre de lapplication ). Le sous-espace propre
de ) associe `a est lensemble des vecteurs de 1 solutions du syst`eme lineaire )() = . Cest
un sous-espace vectoriel de 1. On le note 1

()).
Comme est une valeur propre de ), le sous-espace 1

()) contient au moins un vecteur non nul. Il

est donc de dimension strictement positive. Lensemble des vecteurs propres de ) de valeur propre
est lensemble des vecteurs non nuls de 1

()).
On remarque que le syst`eme lineaire )() = secrit
() Id)() =

0.
2.2.1. Exemple. On consid`ere lapplication p : R
3
R
3
dont la matrice dans la base canonique
de R
3
est la suivante
:=
_
_
4 1 6
2 1 6
2 1 8
_
_
.
4
Le scalaire 2 est une valeur propre de p. En eet, lapplication p 2Id a pour matrice
21
3
=
_
_
2 1 6
2 1 6
2 1 6
_
_
qui est de rang 1. Le syst`eme lineaire p() 2 =

0 se reduit ` a la seule equation 2

1

2
+6
3
= 0.
Ses solutions forment un sous-espace vectoriel 1
2
(p) de dimension 2 dans R
3
dont une base est
_
_
_
_
1
2
0
_
_
.
_
_
3
0
1
_
_
_
_
.
2.3. Theor`eme. On consid`ere un scalaire . Les assertions suivantes sont equivalentes
(1) est une valeur propre de ).
(2) Il existe un vecteur propre de ) de valeur propre .
(3) Le syst`eme lineaire () Id)() =

0 a au moins une solution non nulle (on dit aussi non

triviale, puisque le vecteur nul est toujours solution).
(4) Le noyau de ) Id nest pas reduit au seul vecteur nul.
(5) Le rang de ) Id nest pas maximum (autrement dit strictement inferieur `a la dimension
d de 1.
La seule chose qui ne decoule pas des denitions est lequivalence de (3) et (4). Cest le theor`eme
du rang, applique `a ) Id qui fournit la reponse, puisque
dimker() Id) + rg() Id) = d.
2.3.1. Exemple. Cherchons ` a determiner toutes les valeurs propres de lapplication p etudiee
dans lexemple 2.1.1. On consid`ere la matrice de p Id
1
2
:=
_
1 6
5 2
_
.
Elle nest pas de rang maximum si et seulement si les deux lignes sont proportionnelles, autrement
dit si (1 )(2 ) = 30. Les valeurs convenables de sont les solutions de lequation du second
degre

2
3 28 = 0.
Ces solutions sont 4 et 7.
Calculons le sous-espace propre 1
4
(p). Cest lensemble des solutions du syst`eme de matrice
(4)1
2
. Cette matrice est de rang 1, donc 1
4
(p) est une droite vectorielle engendree par un
de ses vecteurs non nul, par exemple trouve en 2.1.1.
Pour le calcul de 1
7
(p), on resout le syst`eme de matrice 71
2
qui est egalement de rang 1. Le
sous-espace propre 1
7
(p) est une droite vectorielle engendree par un de ses vecteurs non nul, par
exemple u de coordonnees (1. 1).
On constate que la famille (. u) est une base de R
2
formee de vecteurs propres de p.
Dans le cas general le calcul du determinant fournit un crit`ere pour decider quune matrice carree
est de rang maximum ou pas.
5
2.4. Syst`emes dynamiques lineaires discrets.
2.4.1. Exemple. (Voir D. Lay, Alg`ebre lineaire et applications). On fait des statistiques sur une
population de chouettes : lannee :, les populations des femelles poussins, jeunes et adultes, sont
designees respectivement par r
n
,
n
et .
n
. On etablit experimentalement les relations suivantes :
r
n+1
= 0. 33.
n
(taux de fertilite des adultes),
n+1
= 0. 18r
n
(capacite ` a nicher) et .
n+1
= 0. 71
n
+
0. 99.
n
(les adultes de lannee :+1 sont ceux de lannee : qui ont survecu et les jeunes de lannee
: qui sont devenus adultes). On souhaite prevoir levolution de la population de chouettes adultes
` a long terme si les param`etres de fecondite, survie, etc. restent les memes.
Si on traite (r
n
.
n
. .
n
) comme un vecteur de R
3
on voit que
_
_
r
n+1

n+1
.
n+1
_
_
=
_
_
0 0 0. 33
0. 18 0 0
0 0. 71 0. 99
_
_
_
_
r
n

n
.
n
_
_
.
Le probl`eme revient ` a calculer les puissances de la matrice
:=
_
_
0 0 0. 33
0. 18 0 0
0 0. 71 0. 99
_
_
.
2.4.2. Exemple. Lexemple le plus cel`ebre est sans doute celui de Fibonacci (voir Wikipedia :
comparer les articles en anglais et en francais).
On etudie les suites donnees par leurs deux premiers termes n
0
, n
1
et pour : 0 par la formule
de recurrence
n
n+2
= n
n+1
+ n
n
.
On fait une reduction classique mais importante. On consid`ere le vecteur
l
n
=
_
n
n
n
n+1
_
qui est donc deni par
l
0
=
_
n
0
n
1
_
et, pour : 0. l
n+1
=
_
0 1
1 1
_
l
n
.
Il sagit alors detudier les puissances de la matrice
1 :=
_
0 1
1 1
_
.
On reviendra sur ces exemples plus tard.
Universit e de Nice SL2SF
2012-13 Alg` ebre 2
Determinants.
Une parenth`ese dans le monde des permutations dun ensemble ni. On xe un entier naturel : et
on consid`ere lensemble 1. 2. . . . . : des : premiers entiers. On peut les considerer en eux-memes
ou comme les numeros dun ensemble ni ` a : elements.
3. Permutations
3.1. Une permutation est une bijection de lensemble 1. 2. . . . . : sur lui-meme. Une telle
permutation est donc une application : 1. 2. . . . . : 1. 2. . . . . : qui a une application
reciproque notee
1
. Lensemble de ces bijections forme un groupe pour la composition des
applications, appele groupe symetrique et note o
n
. Le groupe o
n
a :! elements (le demontrer
par recurrence).
La notation traditionnelle est la suivante : une permutation de o
n
est notee
_
1 2 . . . :
(1) (2) . . . (:)
_
.
Par exemple la notation
(3.1.1) :=
_
1 2 3 4 5
5 1 4 3 2
_
designe la permutation de o
5
telle que (1) = 5, (2) = 1, (3) = 4, (4) = 3 et (5) = 2. Pour
cette permutation particuli`ere, les transformes successifs de 1 sont 5 = (1), 2 = (5), 1 = (5),
5 = (1)...
3.2. Cycles. On appelle cycle de longueur j une permutation de o
p
telle que lensemble des
transformes successifs de 1 (et donc de tout element) est lensemble 1. 2. . . . . j tout entier. Un
tel cycle est caracterise par la liste des transformes successifs de 1. Par exemple la permutation
:=
_
1 2 3 4 5
5 3 4 1 2
_
est un cycle de longueur 5. La liste des transformes successifs de 1 est (1. 5. 2. 3. 4). La liste des
transformes successifs de 2 est (2. 3. 4. 1. 5). Elle caracterise la meme permutation (on voit que
cest la liste circulaire qui caracterise la permutation).
Plus generalement, on appelle cycle de longueur j de o
n
(j :) une permutation qui induit un
cycle sur un sous-ensemble ` a j elements de 1. 2. . . . . : et qui laisse les autres elements xes. Par
exemple, la permutation
_
1 2 3 4 5
5 1 3 4 2
_
est un cycle de longueur 3 que nous noterons `a laide de la liste des transformes successifs de 1, ` a
savoir (1. 5. 2). De meme la la permutation
_
1 2 3 4 5
1 2 4 3 5
_
7
est un cycle de longueur 2 que nous noterons (3. 4). On remarque encore que (4. 3) designe le
meme cycle. On constate que les deux cycles (1. 5. 2) et (3. 4) commutent et que leur produit est
egal ` a la permutation decrite en (3.1.1).
On consid`ere une permutation dans o
n
. Partant dun element de 1. 2. . . . . :, par exemple 1, on
consid`ere ses transformes successifs par : 1, (1), ((1))... Cette suite dentiers entre 1 et : est
forcement periodique. Supposons que
i
(1) =
j
(1) avec i < ,. Puisque est bijective cest donc
que
ji
(1) = 1. On voit donc que la periode de la suite des images successives de 1 est le plus
petit des entiers / pour lesquels

(1) = 1. Notons le c. La donnee de la liste (1. (1). . . . .

c1
(1))
permet de connatre les images par de tous les termes de la liste :
1 (1) . . .
c1
(1) 1.
Si on prend un element de lensemble 1. 2. . . . . : qui nest pas dans la liste, on est s ur que
ses images successives ne sont pas non plus dans la liste. On peut donc recommencer le meme
processus jusqu` a epuisement de lensemble 1. 2. . . . . :. On a alors obtenu un nombre ni de
listes ` a supports disjoints (cest-`a-dire quun element de 1. 2. . . . . : gure dans une liste et une
seule). La reunion des supports est 1. 2. . . . . :. On a demontre :
3.3. Theor`eme. Toute permutation de o
n
se decompose en un produit de cycles `a supports
disjoints.
Noter que deux cycles ` a supports disjoints commutent toujours. La decomposition de la permuta-
tion de la formule (3.1.1) en cycles `a supports disjoints est (1. 5. 2)(3. 4). La decomposition est
unique (meme si la facon de lecrire ne lest pas).
3.4. Signature. On consid`ere une permutation de o
n
. Une inversion est une paire i. , telle
que (i) et (,) ne sont pas dans le meme ordre que i et ,. Le nombre dinversions de est le
nombre de telles paires. Un cycle de longueur j a j 1 inversions.
3.5. Denition. On appelle signature de la permutation le nombre (1)
I()
o` u 1() est le
nombre dinversions de . On la note c().
La signature vaut donc 1 ou 1 suivant que 1() est pair ou impair. Un cycle de longueur j est
de signature (1)
p1
. Linteret de la notion de signature est dans le resultat suivant :
3.6. Theor`eme. La signature dun produit de permutations est le produit des signatures.
Demonstration. Considerons deux permutations et

de o
n
. Une paire i. , est une inversion
pour la composee

si et seulement si une et une seule des assertions suivantes est vraie

i. , est une inversion pour et (i). (,) nest pas une inversion pour

.
i. , nest pas une inversion pour et (i). (,) est une inversion pour

.
On consid`ere les deux ensembles suivants :
Lensemble des inversions de .
Lensemble

des paires i. , pour lesquelles (i). (,) est une inversion pour

.
Le nombre delements du premier est 1() et le nombre delements du second est 1(

). Une
inversion de

est un element de

qui nest pas dans lintersection

, cest-` a-dire
un element de la dierence symetrique

. La parite du nombre delements de

est
la somme des parites du nombre delements de et du nombre delements de

(cf. fonction
booleenne

ou exclusif

).
La signature de la permutation decrite en (3.1.1) est 1 puisque elle est le produit des cycles
(1. 5. 2) et (3. 4) de longueur 3 et 2.
8
4. D eterminant dune matrice carr ee
On consid`ere une matrice carree de /
n
(R). Le coecient de situe sur la i-`eme ligne et la
,-`eme colonne est note c
i,j
pour i et , de 1 ` a :.
On donne une denition recursive du determinant : cest le scalaire donne par la formule suivante
det :=
n

j=1
(1)
1+j
c
1,j

1,j
o` u
1,j
est le determinant de la matrice (: 1) (: 1) obtenue en oubliant la premi`ere ligne
et la ,-`eme colonne de . Reste `a preciser ce quest le determinant dune matrice 1 1 : cest la
valeur de son unique coecient. Pour lanecdote : on convient que le determinant dune matrice
0 0 vaut 1.
Consequence : Le determinant dune matrice triangulaire est egal au produit des coecients
diagonaux de la matrice.
On appelle cette mani`ere de calculer le determinant : developpement par rapport `a la premi`ere
ligne. On constate (par recurrence !) que det est une somme de termes qui sont les produits
dune liste de : coecients de aectes dun signe + ou . Les listes sont obtenues en choisissant
un terme dans chaque ligne et un dans chaque colonne. Reste ` a calculer le signe :
4.1. Theor`eme. Le determinant de est donne par la formule (non recursive) suivante :
det =

Sn
c()c
1,(1)
c
2,(2)
. . . c
n,(n)
.
En consequence, le determinant de peut se calculer en developpant par rapport `a la i-`eme ligne :
det =
n

j=1
(1)
i+j
c
i,j

i,j
.
ou par rapport `a la ,-`eme colonne :
det =
n

i=1
(1)
i+j
c
i,j

i,j
o` u
i,j
est le determinant de la matrice (: 1) (: 1) obtenue en oubliant la i-`eme ligne et la
,-`eme colonne de .
Prendre garde `a la fausse similitude entre les formules. Dans lune lindice de ligne est xe, alors
que dans lautre cest lindice de colonne.
4.2. Corollaire. Une matrice de /
n
(R) et sa transposee ont meme determinant.
Les exemples de petite taille : pour une matrice de /
2
(R), on trouve
det
_
c /
c d
_
=

c /
c d

= cd /c.
9
Pour les matrices de /
3
(R), en developpant par rapport `a la premi`ere ligne
det
_
_
c / c
d c )
p / i
_
_
=

c / c
d c )
p / i

= c

c )
/ i

d )
p i

+ c

d c
p /

= cci c)/ /di + /)p + cd/ ccp.

On retrouve bien quil y a 3! = 6 termes dans le developpement, 3 avec le signe + et 3 avec le
signe .
Attention aux analogies trop faciles ! Dans le developpement du determinant dune matrice 4 4
dans /
4
(R) il y a 4! = 24 termes. Par exemple, il y a un terme en c
1,1
c
2,3
c
3,4
c
4,2
aecte du
signe +, car la permutation
_
1 2 3 4
1 3 4 2
_
est le cycle (2. 3. 4) et a pour signature +1.
4.3. Multilinearite. On se donne deux matrices

et

dans /
n
(R). On suppose que les lignes
de

et de

sont les memes, sauf la i-`eme. On appelle la matrice qui a les memes lignes que

sauf la i-`eme qui est la somme de la i-`eme ligne de

et de la i-`eme ligne de

. Alors :
det() = det(

) + det(

).
On se donne maintenant une matrice dans /
n
(R) et un scalaire . On appelle

la matrice
qui a les memes lignes que sauf la i-`eme qui est le produit de la i-`eme ligne de par le scalaire
. Alors :
det(

) = det().
Demonstration. On developpe tous les determinants par rapport ` a la ligne de numero i.
4.4. Transformations permises. On rappelle les operations permises sur les lignes dune ma-
trice
(1) Ajouter ` a une ligne un multiple dune autre ligne.
(2) Multiplier une ligne par un scalaire non nul.
(3) Echanger deux lignes.
4.5. Lemme. Le determinant dune matrice de /
n
(R) qui a deux lignes proportionnelles est
nul.
Demonstration. Par recurrence sur :. Si : = 2 cest facile. Si : 2, et que les lignes de numero
i et , sont proportionnelles, on developpe par rapport ` a une ligne de numero / (/ ,= i, / ,= ,)
et les matrices obtenues en oubliant la ligne de numero / et une colonne ont encore deux lignes
proportionnelles.
4.6. Lemme. On consid`ere une matrice de /
n
(R) et une matrice

obtenue `a partir de
par une transformation de type (1). On a alors det

= det .
Demonstration. On consid`ere un scalaire et la matrice

obtenue en ajoutant `a la i-`eme ligne

de le produit de la ,-`eme par . Designons par

la matrice obtenue en remplacant la i-`eme

ligne de par la ,-`eme. Par multilinearite on a det

= det + det

et par le lemme 4.5 on

a det

= 0.
10
On resume les resultats obtenus dans le theor`eme suivant :
4.7. Theor`eme. On consid`ere une matrice de /
n
(R).
(1) Une matrice

obtenue `a partir de par une transformation permise de type (1) a meme

determinant que .
(2) Une matrice

obtenue `a partir de en multipliant une ligne par un scalaire a pour

determinant det

= det .
(3) Une matrice

obtenue `a partir de en permutant deux lignes a pour determinant det

=
det .
Remarque : Les formules analogues obtenues en transposant sont vraies : dans les enonces ci-
dessus on peut remplacer ligne par colonne. Le theor`eme ci-dessus est un outil essentiel pour le
calcul pratique des determinants.
Demonstration. On a dej` a demontre les points (1) et (2) du theor`eme. Pour le point (3), on peut
revenir `a la formule non recursive du theor`eme 4.1 ou proceder par recurrence de mani`ere similaire
` a la preuve du lemme 4.5.
Attention ! Si est une matrice de /
n
(R) et un scalaire, alors det = ()
n
det .
4.8. Corollaire. On consid`ere une matrice de /
n
(R). Alors det ,= 0 si et seulement si
est de rang maximum autrement dit si et seulement si est inversible dans /
n
(R).
Demonstration. On sait (voir cours L1) que lon peut trouver une matrice

equivalente `a
(donc de meme rang) et `a lignes echelonnees en eectuant des transformations permises de type
(1) et (2). La matrice

est de rang : si et seulement si elle est triangulaire superieure avec des

coecients diagonaux tous egaux `a 1.
4.9. Determinant dun produit de matrices.
4.10. Theor`eme. On consid`ere deux matrices et 1 dans /
n
(R). On a
det 1 = det det 1.
Demonstration.
`
A lexercice 7 de la feuille 2, on montre que si

est une matrice equivalente

obtenue ` a partir de par une transformation de type (1), alors on peut construire une matrice
triangulaire 1 telle que

= 1. On voit que det 1 = 1 et que det

= det , donc on a bien

dans ce cas det 1 = det 1 det .
De mani`ere analogue, lorsque

est une matrice equivalente obtenue ` a partir de par une

transformation de type (2), alors on peut construire une matrice diagonale 1 (avec tous les
coecients diagonaux egaux `a 1 sauf lun dentre eux egal ` a ) telle que

= 1. On voit que
det 1 = et que det

= det , donc on a bien dans ce cas det 1 = det 1det .

Le theor`eme ?? montre que toute matrice de /
n
(R) est un produit de matrices associees `a des
transformation de type (1) ou (2). Multiplier `a gauche par , cest donc multiplier successivement
par de telles matrices. Si = 1
1
. . . 1
k
, on a
det(1) = det(1
1
) . . . det(1
k
) det 1
Pour 1 = 1
n
on trouve det = det(1
1
) . . . det(1
k
) det 1
n
ce qui donne la formule attendue.
4.11. Corollaire. Soit une matrice inversible dans /
n
(R). Alors
det(
1
) = (det )
1
.
Demonstration. On a
1
= 1
n
et det 1
n
= 1 do` u det det(
1
) = 1 ce qui montre le resultat.

11
4.12. Calcul de linverse. On consid`ere une matrice de /
n
(R). Le coecient de situe sur
la i-`eme ligne et la ,-`eme colonne est note c
i,j
pour i et , de 1 ` a :. On appelle cofacteur C
i,j
la quantite (1)
i+j

i,j
o` u o` u
i,j
est le determinant de la matrice (: 1) (: 1) obtenue en
oubliant la premi`ere ligne et la ,-`eme colonne de . Avec ces notations, le developpement de det
par rapport ` a la ligne de numero i secrit
det =
n

j=1
c
i,j
C
i,j
.
On appelle matrice des cofacteurs de (ou comatrice de ) la matrice dont le coecient situe
sur la i-`eme ligne et la ,-`eme colonne est C
i,j
. On la note c().
4.13. Theor`eme. On consid`ere une matrice de /
n
(R) et la matrice de ses cofacteurs c().
Alors
(det )1
n
=
t
c() =
t
c() .
En particulier, si det est inversible, est aussi inversible et on a

1
= (det )
1 t
c().
Demonstration. On calcule le coecient du produit des matrices
t
c() situe ` a la ligne numero i
et `a la colonne numero ,. Il vaut :
n

k=1

i,k
C
j,k
.
Lorsque i = , on trouve det . Lorsque i ,= ,, on trouve le developpement du determinant de la
matrice obtenue en remplacant la ligne numero , de par la ligne numero i. Mais, puisque i ,= ,
la matrice ainsi obtenue a deux lignes qui sont egales. Son determinant est donc nul.
Remarque : Le calcul du determinant dune matrice de /
n
(R) ne fait intervenir que les operations
daddition et de multiplication dans R sans jamais faire intervenir de calcul dinverse. De meme
le calcul du produit de deux matrices ne fait intervenir que ces memes operations. On peut donc
considerer des matrices `a coecients complexes, entiers, polynomes ou plus generalement ` a coe-
cients dans un anneau commutatif unitaire. Leur determinant est bien deni et cest un complexe,
un entier, un polyn ome ou un element de lanneau commutatif unitaire considere. Le produit de
deux telles matrices sera encore du meme type et le theor`eme 4.10 valide.
Le theor`eme 4.13 setend donc, avec la meme preuve, de la mani`ere suivante : Soit une matrice
`a coecients entiers (resp. polynomes) qui a un inverse `a coecients entiers (resp. polynomes).
Alors son determinant est inversible dans les entiers (resp. polynomes). Il vaut donc 1 ou 1
(resp. il est un polynome constant non nul) Reciproquement si det est inversible dans les entiers
(resp. les polynomes) alors a un inverse a coecients entiers (resp. polynomes).
Par exemple, la matrice a coecients entiers
_
3 1
2 1
_
a un determinant egal ` a 5. Elle est inversible dans /
2
(R), mais on peut armer que son inverse
nest pas ` a coecients entiers.
4.13.1. Exercice. On consid`ere un syst`eme lineaire homog`ene de :1 equations `a : inconnues.
On suppose quil est de rang maximum : 1.
Montrer que lespace des solutions est une droite vectorielle.
12
On designe par la matrice du syst`eme. Montrer quune base de cette droite est donnee par le
vecteur de coordonnees
1
. . . . .
n
o` u
i
est le determinant de la matrice : 1 : 1 obtenue
en oubliant la i-`eme colonne de .
Application : On donne deux plans de R
3
dequations respectives
3r 5 +. = 0 et r 2 + 9. = 0.
Determiner une base de leur intersection.
4.14. Polyn ome caracteristique dune matrice carree. Le theor`eme qui suit est simplement
une traduction de la denition. On utilise la propriete fondamentale du determinant.
4.15. Theor`eme. On consid`ere une matrice dans /
n
(R) et un scalaire dans R. Les proprietes
suivantes sont equivalentes :
(1) est valeur propre de
(2) La matrice 1
n
nest pas de rang maximum.
(3) Le determinant det( 1
n
) est nul.

Etant donnee une matrice dans /

n
(R), on consid`ere la matrice 11
n
` a coecients po-
lynomes en 1. Comme le calcul du determinant ne fait intervenir que des multiplications et
des additions, il est possible de calculer le determinant dune matrice de /
n
(R[1]). Cest un
polyn ome de R[1].
4.16. Denition. On consid`ere une matrice dans /
n
(R) et la matrice 11
n
dans /
n
(R[1]).
Le determinant det( 11
n
) est un polynome `a coecients dans R quon appelle le polynome
caracteristique de . Ses racines dans R sont les valeurs propres de dans R.
Considerons une matrice triangulaire dans /
n
(R) et designons par
1
. . . . .
n
ses coecients
diagonaux. Alors, 11
n
est aussi triangulaire et son determinant est le produit de ses elements
diagonaux
1
1. . . . .
n
1. On en deduit que les valeurs propres de la matrice triangulaire ,
comptees avec multiplicite, sont ses elements diagonaux.
Universit e de Nice SL2SF
2012-13 Alg` ebre 2
Changements de variables.
5. Changement de base
5.1. On consid`ere un corps K et un espace vectoriel 1 de dimension nie sur K muni dune base
B := (c
1
. . . . . c
n
). Un vecteur r de 1 a pour coordonnees (r
1
. r
2
. . . . . r
n
) dans la base B. Cela veut
dire quil se decompose en
r = r
1
c
1
+ . . . r
n
c
n
.
Pour ne pas confondre scalaires et vecteurs on peut mettre des `eches sur ces derniers : lecriture
devient
r = r
1
c
1
+ . . . r
n
c
n
.
On se donne une autre base B

:= (c
1
. . . . . c
n
) de 1. On va lappeler la nouvelle base et on va appeler
B lancienne base. Comment se donner les vecteurs de la famille B

? Par leurs coordonnees dans

la base B. Pour , de 1 ` a :, chacun des c
j
a une decomposition unique sur la base B
(5.1.1) c
j
= 1
1,j
c
1
+ . . . 1
n,j
c
n
.
Ainsi, 1
i,j
est la i-`eme coordonnee du vecteur c
j
dans la base B. On inscrit ces coordonnees dans
une matrice de /
n
(K). Ainsi la ,-`eme colonne de cette matrice est la liste (1
1,j
. . . . . 1
n,j
) des
coordonnees de c
j
dans la base B. On appelle la matrice 1 matrice de passage de la base B ` a
la base B

.
Si r est un vecteur de 1, on note A la matrice colonne de ses coordonnees dans la base B et A

la matrice colonne des coordonnees de r dans la base B

. En partant de r = r

1
c
1
+ . . . r

n
c
n
et en
substituant dans cette formule lexpression (5.1.1) des vecteurs de B

dans la base B, on trouve

r = r

1
c
1
+ . . . r

n
c
n
=
n

i=1
r

i
c
i
=
n

i=1
r

i
_
n

k=1
1
k,i
c
k
_
=
n

k=1
_
n

i=1
1
k,i
r

i
_
c
k
.
On en deduit la decomposition de r dans la base B. Comme cette decomposition est unique, on en
deduit que r
k
=

n
i=1
1
k,i
r

i
pour / de 1 ` a :. Autrement dit, la matrice colonne A est le produit
de la matrice 1 par la matrice A

:
A = 1A

.
On obtient le slogan suivant : la matrice de passage de lancienne base B `a la nouvelle base B

a pour coecients les coordonnees des vecteurs de la nouvelle base dans lancienne et elle permet
de calculer les anciennes coordonnees dun vecteur au moyen des nouvelles.
5.2. Theor`eme. On consid`ere un corps K et un espace vectoriel 1 de dimension nie sur K muni
dune base B := (c
1
. . . . . c
n
).
(1)

Etant donnee une base B

de 1, la matrice de passage 1 de B `a B

est une matrice

inversible : son rang est : et son determinant est non nul. La matrice de passage de B

`a
B est 1
1
.
(2) Reciproquement, on consid`ere une matrice inversible 1 dans /
n
(K). Il existe une unique
base B

de 1 telle que 1 est la matrice de passage de B `a B

.
14
Demonstration. (1) Designons par 1

la matrice de passage de B

` a B. Si r est un vecteur de 1,
on note A la matrice colonne de ses coordonnees dans la base B et A

la matrice colonne des

coordonnees de r dans la base B

. On a donc A = 1A

et A

= 1

A do` u A = 11

A. En prenant
successivement pour r les vecteurs de la base B, on en deduit les egalites suivantes :
n

j=1
1
i,j
1

j,k
= 0 si i ,= /
= 1 si i = /
qui prouvent que le produit de matrices 11

est egal `a 1
n
.
(2) Pour , de 1 ` a :, on consid`ere le vecteur c
j
dont les coordonnees dans la base B sont les
coecients de la ,-`eme colonne de 1. Montrons que la famille (c
1
. . . . . c
n
) est libre. Considerons
une combinaison lineaire

n
j=1

j
c
j
. La matrice colonne de ses coordonnees dans la base B est la
combinaison lineaire

n
j=1

j
1
j
des colonnes de 1. Comme 1 est de rang :, une telle combinaison
lineaire est nulle si et seulement si tous les
j
sont nuls.
5.3. Determinant dune famille de vecteurs. On consid`ere un corps K et un espace vectoriel
1 de dimension nie sur K muni dune base B. On consid`ere dautre part une famille de : vecteurs
(
1
. . . . .
n
) de 1 et la matrice ` de leurs coordonnees dans la base B. Le coecient `
i,j
de `
situe ` a la ligne numero i et ` a la colonne numero , est donc egal `a la i-`eme coordonnee du vecteur

j
dans la base B.
On appelle determinant de la famille (
1
. . . . .
n
) dans la base B le determinant de la matrice `.
On le note det
B
(
1
. . . . .
n
).
Ce determinant depend de la famille (
1
. . . . .
n
) et de la base B. On se donne une base B

de 1
et la matrice de passage 1 de B ` a B

. On designe par `

la matrice des coordonnees des vecteurs

de la famille (
1
. . . . .
n
) dans la base B

. Pour , de 1 ` a :, on note \
j
(resp. \

j
) la matrice colonne
des coordonnees de
j
dans la base B (resp. B

). On a \
j
= 1\

j
pour , de 1 ` a :. La r`egle de calcul
du produit de matrices donne ` = 1`

et en passant aux determinants

det
B
(
1
. . . . .
n
) = det 1 det
B

(
1
. . . . .
n
).
On voit donc que le determinant de la famille de vecteurs (
1
. . . . .
n
) dans la base B depend de
la base B dans lequel on le calcule. En revanche, il est nul dans une base si et seulement sil est
nul dans toutes les bases.
5.4. Aires. On travaille dans R
2
, muni du produit scalaire qui fait de la base canonique B
0
une
base orthonormee. Si n et sont deux vecteurs et B une base orthonormee, on note l et \ les
matrices colonnes des coordonnees de n et dans la base B. Alors, le produit scalaire n [ se
calcule par la formule suivante
n [ = n
1

1
+ n
2

2
.
Pour une matrice 1 de /
2
(R) les proprietes suivantes sont equivalentes :
(1) 1 est la matrice de passage dune base orthonormee ` a une autre base orthonormee.
(2) La transposee
t
1 est linverse de 1.
Demonstration. Dire que le produit
t
1 1 vaut 1
2
, cest dire que les relations suivantes sont veriees :
1
2
1,1
+ 1
2
2,1
= 1
2
1,2
+ 1
2
2,2
= 1. 1
1,1
1
1,2
+ 1
2,1
1
2,2
= 0.

15
Lorsquune matrice 1 de /
2
(R) verie lune des proprietes ci-dessus, on dit quelle est orthogo-
nale. Les matrices orthogonales de /
2
(R) forment un groupe pour la multiplication des matrices,
note O(2. R). Cest un sous-groupe du groupe des matrices inversibles GL
2
(R).
5.5. Theor`eme. On consid`ere R
2
muni du produit scalaire qui fait de la base canonique B
0
une
base orthonormee et deux vecteurs n et dans R
2
. On choisit comme aire unite celle du carre
construit sur les vecteurs de B
0
.
Laire du parallelogramme determine par n et est egale `a la valeur absolue du determinant
det
B
0
(n. ).
Si B est une autre base orthonormee, la valeur absolue du determinant det
B
(n. ) est egale `a
laire du parallelogramme construit sur n et .
Demonstration. On remarque dabord que det
B
(n. ) = det 1 det
B
0
(n. ) o` u 1 est la matrice de
passage de B
0
` a B. Comme cette matrice est orthogonale, son determinant vaut 1 ou -1 et les deux
determinants det
B
(n. ) et det
B
0
(n. ) ont meme valeur absolue. Pour calculer cette valeur absolue
il sut donc de choisir une base orthonormee.
On note que si n et sont colineaires, alors det
B
0
(n. ) = 0. Supposons quils ne sont pas colineaires.
On choisit une base orthormee (c
1
. c
2
) avec c
1
colineaire ` a n (par exemple n,|n|). On decompose
sur la base (c
1
. c
2
) en =
1
c
1
+
2
c
2
. Comme c
1
est colineaire `a n on a (proprietes du determinant,
voir paragraphes 10.8 et 4.4)
det
B
(n. ) = det
B
(n.
1
c
1
+
2
c
2
) = det
B
(n.
1
c
1
) + det
B
(n.
2
c
2
) = det
B
(n.
2
c
2
).
Comme n est colineaire `a c
1
, la matrice des coordonnees dans la base B des vecteurs n et
2
c
2
est
_
n
1
0
0
2
_
o` u n
1
est la coordonnee de n sur c
1
. Le determinant de cette matrice a pour valeur absolue
[n
1
[ [
2
[. Mais [n
1
[ est la longueur du vecteur n (la base du parallelogramme) et [
2
[ est la longueur
de la projection de sur la direction perpendiculaire `a n (la hauteur). Cest donc bien laire dun
rectangle qui a meme base et meme hauteur que le parallelogramme construit sur n et lorsquon
prend comme unite laire du carre construit sur les deux vecteurs dune base orthonormee.
5.6. Corollaire. On consid`ere R
2
muni du produit scalaire qui fait de la base canonique B
0
une
base orthonormee et deux vecteurs n et dans R
2
. On appelle langle (n. ). On a alors, pour
toute base orthonormee B,
[ det
B
(n. )[ = |n|||[ sin [
5.7. Volumes. De mani`ere similaire `a ce qui prec`ede, on demontre :
5.8. Theor`eme. On consid`ere R
3
muni du produit scalaire qui fait de la base canonique B
0
une
base orthonormee et trois vecteurs n, et u dans R
3
. On choisit comme volume unite celui du
cube construit sur les vecteurs de B
0
.
Le volume du parallelepip`ede determine par n, et u est egal, pour toute base orthonormee B, `a
la valeur absolue du determinant det
B
(n. . u).
Demonstration. La preuve est similaire. On remarque dabord que si n. . u sont coplanaires alors
le volume et le determinant sont tous les deux nuls. On les suppose alors non coplanaires et
on choisit une base orthonormee B = (c
1
. c
2
. c
3
) obtenue en completant une base orthonormee
16
( := (c
1
. c
2
) du plan engendre par n et . En decomposant u en u

+ u

o` u u

est colineaire ` a c
3
on obtient que u

= u
3
c
3
et
det
B
(n. . u) = det
B
(n. .

u

+

u

) = det
B
(n. .

u

).
En developpant ce dernier determinant par rapport `a la derni`ere colonne on trouve
det
B
(n. .

u

) = u
3
det
C
(n. ).
ce qui est bien le produit de laire de la base par la hauteur du parallelepip`ede.
5.9. Applications lineaires et changements de base. On consid`ere un corps K et deux
espaces vectoriels 1 et 1 de dimensions nies j et : sur K. On se donne des bases B de 1 et (
de 1. Une application lineaire n : 1 1 est donnee par sa matrice dans les bases B et ( (voir
section ??). On note cette matrice . Cest une matrice `a : lignes et j colonnes dans /
n,p
(K).
On xe une nouvelle base B

de 1 et une nouvelle base (

de 1 et on veut calculer la matrice de

n dans les bases B

et (

. On note 1 la matrice de passage de B ` a B

et Q la matrice de passage
de ( ` a (

.
Pour cela on consid`ere un vecteur r de 1 et on note A (resp. A

) la matrice colonne de ses

coordonnees dans la base B (resp. B

). On appelle limage n(r) et on note 1 (resp. 1

) la matrice
colonne de ses coordonnees dans la base B (resp. B

). On a les egalites matricielles suivantes :

1 = A. A = 1A

. 1 = Q1

.
On en deduit que pour tout r de 1, on a 1

= Q
1
1 A

, ce qui montre que la matrice

de n
dans les bases B

et (

est

= Q
1
1.
5.10. Endomorphismes. On consid`ere un corps K et un espace vectoriel 1 de dimension nie :
sur Kmuni dune base B. On appelle endomorphisme de 1 une application lineaire n : 1 1.
Une telle application est donnee par sa matrice dans la base B. On note cette matrice . Cest
une matrice carree dans /
n
(K).
On xe une nouvelle base B

de 1 et on note 1 la matrice de passage de B ` a B

. On note

la
matrice de n dans la base B

. On a alors :

= 1
1
1.
5.11. Theor`eme. On consid`ere un corps K, un espace vectoriel 1 de dimension nie : sur K et
un endomorphisme n de 1. On xe une base B de 1 et on consid`ere la matrice de n dans B.
Le determinant det ne depend que de n et pas de la base utilisee pour le calculer. On lappelle
determinant de n.
De meme, le polynome caracteristique det(11
n
) ne depend que de n et ne depend pas de la base
utilisee pour le calculer. On lappelle polynome caracteristique de n. Ses racines sont les valeurs
propres de n.
Pour calculer le polynome caracteristique dun endomorphisme n, il sut de calculer le polynome
caracteristique de la matrice de n dans une base B de 1 (nimporte quelle base convient).
5.12. Corollaire. Sous les hypoth`eses du theor`eme, on consid`ere une valeur propre de n et
lespace propre associe, note 1

. La dimension de 1

est majoree par la multiplicite de comme

racine du polynome caracteristique.
17
Demonstration. On consid`ere une base (c
1
. . . . . c
d
) de 1

que lon compl`ete en une base B =

(c
1
. . . . . c
d
. . . . . c
n
) de 1. Dans la base B la matrice de n est triangulaire par blocs :
=
_
1
d
1
0 C
_
o` u 1
d
est la matrice unite de /
k
(K) et C une matrice de /
nd
(K). La matrice 11
n
secrit
donc
11
n
=
_
( 1)1
d
1
0 C 11
nd
_
.
En developpant son determinant par rapport aux premi`eres colonnes, on trouve
det( 11
n
) = ( 1)
d
det(C 11
nd
).
On en deduit que ( 1)
d
divise le polynome caracteristique, donc que d est plus petit que la
multiplicite de comme racine du polynome caracteristique de n (denition de la multiplicite en
10.8).
5.13. Theor`eme. On consid`ere un corps K, un espace vectoriel 1 de dimension nie : sur K et
un endomorphisme n de 1. On choisit des valeurs propres
1
. . . . .
r
de n distinctes deux `a deux.
On consid`ere les espaces propres 1
1
. . . . . 1
r
associes respectivement `a
1
. . . . .
r
. Pour , de 1 `a :,
on se donne une base de 1
i
quon appelle B
i
. La famille T obtenue en concatenant les B
i
(i de 1
`a :) est une famille libre.
Demonstration. Supposons la conclusion du theor`eme fausse et considerons le premier indice :,
: < :, tel que
la famille obtenue en concatenant B
1
. B
2
. . . . . B
s
est une famille libre
la famille obtenue en concatenant B
1
. B
2
. . . . . B
s
. B
s+1
est liee.
Il existe alors au moins un vecteur r non nul de 1
s+1
qui est une somme r
1
+r
2
+. . . +r
s
avec r
i
dans 1
i
. Appliquons n ` a tous ces vecteurs : on a n(r) =
s+1
r et n(r
i
) =
i
r
i
. On en deduit que
r = r
1
+ . . . +r
s

s+1
r =
1
r
1
+ . . . +
s
r
s
.
Par combinaison lineaire de ces deux egalites on obtient
0 = (
s+1

1
)r
1
+ . . . (
s+1

s
)r
s
.
Or une telle combinaison lineaire a necessairement tous ses termes nuls puisque la concatenation
des B
1
. B
2
. . . . . B
s
est une famille libre. Ceci entrane, puisque les
i
sont deux ` a deux distincts,
que les r
i
sont tous nuls. On obtient que r est nul aussi, ce qui contredit lhypoth`ese.
5.14. Denition. Une matrice de /
n
(K) est diagonalisable sil existe une base de K
n
formee
de vecteurs propres de .
Un endomorphisme n de 1 est diagonalisable sil existe une base de 1 formee de vecteurs propres
de n. Lendomorphisme n est diagonalisable si et seulement si sa matrice dans une base B de 1
est diagonalisable.
Si est diagonalisable, on a une base B

:= (c
1
. . . . . c
n
) de vecteurs propres de . Notons
(
1
. . . . .
n
) les valeurs propres associees. Designons par 1 la matrice de passage de la base ca-
nonique B
0
` a la base B

. La ,-`eme colonne de 1 a pour coecients les coordonnees de c

j
. On a
donc 1 = 11 o` u 1 est la matrice diagonale diag(
1
. . . . .
n
). On en deduit que 1 = 1
1
1.
On dira que 1 est une matrice diagonale semblable ` a .
18
Supposons n diagonalisable. On se donne une base B de 1 et la matrice de n dans cette base.
Designons par B

une base formee de vecteurs propres et 1 la matrice de passage de B ` a B

. La
matrice 1 de n dans la base B

est diagonale. Pour i de 1 ` a :, le i-`eme coecient sur la diagonale

de 1 est la valeur propre associee au vecteur propre c
i
. La formule de changement de base pour
les endomorphismes (5.10) donne
1 = 1
1
1.
5.15. Theor`eme. Une matrice de /
n
(K) ayant : valeurs propres distinctes deux `a deux est
diagonalisable. Cest le cas lorsque le polynome caracteristique a : racines simples.
Demonstration. Designons par
1
. . . . .
n
les valeurs propres de . Pour i de 1 ` a :, on designe par

i
un vecteur propre associe ` a la valeur propre
i
.
Le theor`eme 5.13 montre que la famille (
1
. . . . .
n
) est libre. Comme elle a : elements, cest une
base de K
n
.
6. Applications
6.1. Syst`emes dynamiques lineaires discrets. Ce paragraphe fait suite aux exemples de 2.4.
Le corps K sera ici R ou C et j un entier. On se donne une matrice dans /
p
(K), un vecteur
l
0
dans K
p
et on consid`ere la suite de vecteurs de premier terme l
0
denie, pour : 0, par :
l
n+1
= l
n
.
Le probl`eme est le suivant : quel est le comportement asymptotique de la suite de vecteurs
(l
n
)
nN
quand : tend vers linni ? Comment ce comportement depend-il du terme initial l
0
?
Par comportement asymtotique on entend : la limite eventuelle, un equivalent, ou meme un
developpement limite quand : tend vers linni.
On dira que la suite (l
n
)
nN
de vecteurs de K
p
a une limite 1 dans K
p
si et seulement si, pour ,
de 1 ` a j, la suite de terme general l
n,j
(la ,-`eme coordonnee de l
n
) a pour limite 1
j
dans K.
Pour : entier, on a l
n
=
n
l
0
. Etudier la suite de vecteurs (l
n
)
nN
revient ` a etudier la suite des
images dun vecteur l
0
par les puissances de la matrice .
6.1.1. Exemple. Considerons la matrice suivante :
:=
_
0. 8 0. 2
0. 1 0. 9
_
.
Son polyn ome caracteristique est 1
2
(1. 7)1 + 0. 7 dont les racines sont 1 et 0. 7. Le vecteur
\ := (1. 1) est un vecteur propre associe `a la valeur propre 1, tandis que le vecteur \ := (2. 1)
est un vecteur propre associe ` a la valeur propre 0. 7.
Laction de la matrice sur ces deux vecteurs est simple. \ = \ donc
n
\ = \ . Dautre part
\ = (0. 7)\ donc
n
\ = (0. 7)
n
\.
Pour : xe, lapplication \
n
\ est lineaire comme composee dapplications lineaires. Tout
vecteur l
0
de R
2
se decompose sur la base (\. \). Pour un vecteur l
0
se decomposant en l
0
=
\ + \, on obtient

n
l
0
=
n
\ +
n
\ = \ + (0. 7)
n
\.
Quand : tend vers linni, (0. 7)
n
tend vers 0 et on en deduit que l
n
=
n
l
0
tend vers \ . Cette
limite ne depend que de la decomposition de l
0
dans la base (\. \).
Par exemple, si l
0
= (1. 0), on a
l
0
=
1
4
\
1
4
\.
La limite de la suite de premier terme (1. 0) est donc
1
4
\ = (
1
4
.
1
4
).
19
6.1.2. Exemple. Considerons maintenant la matrice :
:=
_
0. 8 0. 1
0. 1 0. 8
_
.
Son polyn ome caracteristique est 1
2
(1. 6)1 + 0. 63 dont les racines sont 0. 9 et 0. 7. Le vecteur
\ := (1. 1) est un vecteur propre associe ` a la valeur propre 0. 9, tandis que le vecteur \ := (1. 1)
est un vecteur propre associe ` a la valeur propre 0. 7.
Laction de la matrice sur ces deux vecteurs est la suivante : \ = (0. 9)\ donc
n
\ = (0. 9)
n
\ .
Dautre part \ = (0. 7)
n
\ donc
n
\ = (0. 7)
n
\.
Pour un vecteur l
0
se decomposant en l
0
= \ + \, on obtient

n
l
0
=
n
\ +
n
\ = (0. 9)
n
\ + (0. 7)
n
\.
Quand : tend vers linni, (0. 7)
n
et (0. 9)
n
tendent vers 0 et on en deduit que l
n
=
n
l
0
tend
vers le vecteur nul. On peut etre un peu plus precis et calculer par exemple la limite de la pente
du vecteur l
n
dans la base (\. \). Cette pente est innie si = 0 et sinon vaut
(0. 7)
n
(0. 9)
n
=

_
0. 7
0. 9
_
n
qui tend vers 0 quand : tend vers linni.
Comment interpreter ce resultat ?
(1) Quand = 0, cest-` a-dire quand l
0
est colineaire ` a \, le vecteur l
n
reste colineaire ` a \.
(2) Quand ,= 0 (meme sil est tr`es petit), la pente du vecteur l
n
dans la base (\. \) tend
vers 0. Le vecteur l
n
tend vers le vecteur nul et sa direction tend vers la direction de \ .
20
6.1.3. Exemple. Considerer maintenant la matrice :
:=
_
0. 9 0. 1
0. 11 0. 91
_
.
et expliquer le dessin obtenu ci-dessous.
21
6.2. Syst`emes dierentiels.
`
A savoir avant de commencer. On consid`ere un reel c, un reel
0
et lequation dierentielle

= c.
Il existe une unique fonction t (t) derivable sur R, telle que

(t) = c(t) pour tout t reel et

(0) =
0
. Cest la fonction denie sur R par t
0
c
at
.
De mani`ere analogue, si c et
0
sont des complexes, il existe une unique fonction de R dans C,
derivable, telle que

(t) = c(t) et (0) =

0
.
Cest la fonction t
0
c
at
. Si et sont les parties reelles et imaginaires de c, alors on a :
c
at
= c
(+i)t
= c
t
c
it
= c
t
(cos t + i sin t).
6.2.1. Le corps K sera ici R ou C et j un entier. On se donne une matrice dans /
p
(K), un
vecteur l
0
dans K
p
et on consid`ere le syst`eme dierentiel
(6.2.1)
dl
dt
= l.
Une solution du syst`eme dierentiel 6.2.1 est une fonction l : R K
p
, cest-` a-dire un j-uplet
de fonctions l := (n
1
. . . . . n
p
) `a valeurs dans K, telles que :
_

_
n

1
(t) =
1,1
n
1
(t) + . . . +
1,p
n
p
(t) =

p
j=1

1,j
n
j
(t)
.
.
.
.
.
.
n

i
(t) =
i,1
n
1
(t) + . . . +
i,p
n
p
(t) =

p
j=1

i,j
n
j
(t)
.
.
.
.
.
.
n

n
(t) =
n,1
n
1
(t) + . . . +
n,p
n
p
(t) =

p
j=1

n,j
n
j
(t).
Une solution du syst`eme dierentiel 6.2.1 de condition initiale l
0
est une solution qui verie
de plus l(0) = l
0
.
6.3. Theor`eme. On designe par K lun des corps R ou C et par j un entier. On se donne une
matrice dans /
p
(K), un vecteur l
0
dans K
p
et on consid`ere le syst`eme dierentiel
dl
dt
= l.
Il existe une unique solution du syst`eme de condition initiale l
0
.
6.3.1. Exemple. Considerons la matrice de lexemple 6.1.2. Le vecteur \ := (1. 1) est un vecteur
propre associe `a la valeur propre 0. 9, tandis que le vecteur \ := (1. 1) est un vecteur propre
associe ` a la valeur propre 0. 7.
Considerons la fonction
l : R R
2
t c
(0,9)t
\.
Cest une solution du syst`eme de condition initiale \ . En eet, la valeur de l en 0 est \ et la
derivee de l est la fonction t (0. 9)c
(0,9)t
\ . Or \ est un vecteur propre de valeur propre (0. 9).
On a donc (0. 9)\ = \ et (0. 9)c
(0,9)t
\ = c
(0,9)t
\ .
De meme, la fonction t c
(0,7)t
\ est une solution du syst`eme de condition initiale \.
Pour un vecteur l
0
se decomposant en l
0
= \ + \, on obtient une solution de condition
initiale l
0
en prenant l(t) = c
(0,9)t
\ + c
(0,7)t
\.
22
Le theor`eme 6.3 arme que cest la seule. Verions-le ici. Soit

l une autre solution de condition
initiale l
0
. La fonction l

l est une solution de condition initiale 0. Montrer lunicite de la
solution de condition initiale l
0
revient donc `a montrer que la fonction nulle est lunique solution
de condition initiale 0.
Designons par 1 la matrice de passage de la base canonique de R
2
` a la base (\. \) formee de
vecteurs propres de et par 1 la matrice diagonale
1 :=
_
0. 9 0
0 0. 7
_
.
On a alors = 111
1
. Considerons une solution l de condition initiale 0 et posons o = 1
1
l.
On a alors :
do
dt
=
d(1
1
l)
dt
= 1
1
dl
dt
= 1
1
l = 11
1
l = 1o.
On en deduit que les fonctions coordonnees de o verient donc
o

1
(t) = (0. 9)o
1
(t). o
1
(0) = 0
o

2
(t) = (0. 7)o
2
(t). o
2
(0) = 0.
On est alors ramene ` a des equations dierentielles lineaires dordre 1 `a coecients constants. La
seule solution est la fonction nulle.
Sur ce dessin, on a represente, pour diverses conditions initiales, lensemble des extremites des
vecteurs l(t) lorsque t varie de 10 `a 5.
Sur ce dessin, on a represente, pour les memes conditions initiales, lensemble des extremites
des vecteurs l(t) lorsque t varie de 10 `a 10.
23
Quelle dierence entre les deux dessins ? Considerer lechelle. Pouvez-vous expliquer cette dierence
en etudiant la limite de la pente du vecteur l(t) quand t tend vers ou +? Voici un troisi`eme
dessin, qui represente, toujours pour les memes conditions initiales, lensemble des extremites
des vecteurs l(t) lorsque t varie de 10 `a 5.
24
Note : Pour tout point du plan de coordonnees (r. ) on a represente par un vecteur dorigine
(r. ) la valeur de
_
r

_
. On peut verier que les courbes representees sont tangentes en (r. )
au vecteur
_
r

_
. En eet, le vecteur de coordonnees (r

(t).

(t)) est le vecteur vitesse au point

de coordonnees (r(t). (t)) le long de la courbe parametree t (r(t). (t)) tracee dans R
2
. Si
cette courbe parametree est une solution de lequation dierentielle, on a
_
r

(t)

(t)
_
=
_
r(t)
(t)
_
.
25
10. D efinitions, commentaires
10.1. Espace vectoriel. On se donne un corps K et un ensemble 1 muni dune addition notee
+. On dit que 1 a une structure despace vectoriel sur K si
(1) 1 est un groupe abelien pour la loi +. On note 0 lelement neutre de cette loi.
(2) Il existe une action de K sur 1 (appelee multiplication par un scalaire). Pour tout element
de K, et tout vecteur r de 1, r est un element de 1. Cette multiplication a les proprietes
suivantes
pour r dans 1 on a 1r = r.
pour et dans K, et r dans 1 on a ( + )r = r + r.
pour et dans K, et r dans 1 on a (r) = ()r.
(3) pour dans K, r et dans 1, on a (r + ) = r + .
10.2. Sous-espace vectoriel. On consid`ere un espace vectoriel 1 sur un corps K et un sous-
ensemble 1 de 1. On dit que 1 est un sous-espace vectoriel de 1 si 1 contient 0 et stable par
combinaison lineaire.
10.3. Sous-espace vectoriel engendre. On consid`ere un espace vectoriel 1 sur un corps K et
une famille (
1
. . . . .
p
) de j vecteurs de 1. Le sous-espace vectoriel engendre par la famille
(
1
. . . . .
p
) est lensemble de toutes les combinaisons lineaires :

1
+ . . . +
p

p
pour
1
. . . . .
p
scalaires de K. Verier que cest bien un sous-espace vectoriel de 1. On le note
Vect(
1
. . . . .
j
).
On convient que la famille vide engendre le sous-espace reduit ` a 0.
10.4. Bases, dimension. On se donne un espace vectoriel 1 sur un corps K. Une famille B :=
(c
i
)
iI
de vecteurs de 1 est une base de 1 si tout vecteur r de 1 se decompose de mani`ere unique
comme combinaison lineaire nie delements de B.
Lorsque 1, espace vectoriel sur K, peut etre engendre par un ensemble ni, alors il poss`ede une
base nie et toutes ses bases ont le meme nombre delements. Ce nombre est appele dimension
de 1. Lorsque 1 na aucune base nie, on dit que 1 est de dimension innie. Lespace vectoriel
K[A] des polyn omes ` a coecients dans K est dans ce dernier cas.
On consid`ere 1 espace vectoriel de dimension nie : sur K, avec une base B := (c
1
. . . . . c
n
). Tout
vecteur r de 1 a une decomposition unique
r =
1
c
1
+
2
c
2
+ . . . +
n
c
n
=
n

i=1

i
c
i
.
Par exemple, la seule facon decrire le vecteur nul est de prendre tous les coecients egaux ` a 0.
10.5. Theor`eme de la base incompl`ete : On se donne un espace vectoriel 1 sur un corps K
et une famille libre de vecteurs de 1. On peut completer cette famille en une base de 1.
10.6. Application lineaire. On travaille sur un corps K. On se donne deux espaces vectoriels
1 et 1 sur K et une application ) : 1 1. On dit que ) est K-lineaire (lineaire sil ny a pas
dambigute) si
(1) ) est compatible avec laddition : pour r et vecteurs de 1
)(r + ) = )(r) + )().
26
(2) ) est compatible avec la multiplication par un scalaire : pour r vecteur de 1 et scalaire
)(r) = )(r).
On appelle noyau de ), lensemble des solutions dans 1 de lequation )(r) = 0. On le note
ker ) :
ker ) := r 1 [ )(r) = 0.
Cest un sous-espace vectoriel de 1.
On appelle image de ) et on note )(1), le sous-ensemble des vecteurs de 1 qui ont au moins un
antecedent :
)(1) := 1 [ r 1. = )(r).
Cest un sous-espace vectoriel de 1.
10.7. Image inverse. On se donne une application ) : 1 1. Limage inverse dune partie G
de 1 est lensemble des antecedents des elements de G, cest-`a-dire
)
1
(G) := r 1 [ )(r) G.
On voit que )
1
(G) est une partie de 1 et non un element.
On consid`ere alors 1 et 1, espaces vectoriels sur K et ) une application lineaire de 1 dans
1. Lorsque G est reduit ` a lelement 0 de 1, limage inverse )
1
(0) qui est alors le noyau de ),
contient en general plus dun element de 1. On voit donc que ecrire )
1
(0) ne suppose pas que )
est bijective, ou que lapplication inverse de ) existe.
10.8. Polyn omes, racines. On consid`ere un corps K et un polyn ome 1 ` a coecients dans K
de degre d. Un tel polynome a une ecriture unique
1(1) = c
d
1
d
+ c
d1
1
d1
+ . . . + c
0
avec c
d
,= 0.
On dit quun scalaire de K est une racine de 1 si 1() = 0 dans K, autrement dit si
1() = c
d

d
+ c
d1

d1
+ . . . + c
0
= 0.
Un theor`eme classique est le suivant : est racine de 1 si et seulement si 1 divise 1(1) dans
K[1].
On designe par : un entier. On dit que est racine de multiplicite : de 1 si et seulement si
(1 )
r
divise 1(1) dans K[1] et (1 )
r+1
ne divise pas 1(1) dans K[1].
On dit quun polynome de K[1] est scinde dans K[1] sil est produit dans K[1] de facteurs de
degre 1.
Le theor`eme de dAlembert-Gauss arme que : un polynome de degre d de C[1] est scinde
dans C[1]. Cest-` a-dire : il existe des entiers :
1
. . . . . :
k
tels que :
1
+. . .+:
k
= d et des complexes
distincts deux ` a deux
1
. . . . .
k
, racines de 1 de multiplicites respectives :
1
. . . . . :
k
. On a donc
1(1) = c
d
k

i=1
(1
i
)
m
i
.
En particulier, un polyn ome de degre non nul a au moins une racine complexe.
27
10.9. Produit scalaire euclidien. On consid`ere un espace vectoriel 1 sur le corps des reels R.
et une application
1 1 R
(r. ) r [
qui, pour meriter le nom de produit scalaire euclidien, doit verier les proprietes suivantes : pour
tous r et de 1, pour tout scalaire reel, on a
(1) Elle est bilineaire
r

+ r

[ = r

[ +r

[
r [

= r [

+r [

r [ = r [
r [ = r [
(2) Elle est symetrique.
r [ = [ r
(3) Elle est denie positive.
r [ r 0 et
r [ r = 0 = r = 0.
10.10. Norme. On consid`ere un espace vectoriel 1 sur R. Une application
1 R
+
r |r|
est une norme si elle verie les axiomes suivants :
(1) Homogeneite : pour scalaire et r vecteur,
|r| = [[|r|
(2) Positivite stricte : pour r dans 1, |r| 0 et |r| = 0 = r = 0.
(3) Inegalite triangulaire : pour tous r et vecteurs de 1,
|r + | |r| +||.
Un produit scalaire euclidien (voir 10.9) denit une norme, dite euclidienne. Pour r vecteur de 1,
on pose
|r| :=
_
r [ r.
Il existe cependant des normes qui ne proviennent pas dun produit scalaire : par exemple sur
lespace vectoriel R
2
on consid`ere lapplication
R
2
R
+
(r
1
. r
2
) sup [r
1
[. [r
2
[
est une norme (le verier).