Daniel Alibert - Cours Et Exercices Corrigés - Volume 6

Daniel Alibert Cours et Exercices corrigs Volume 6 1
Daniel ALIBERT
Espaces vectoriels. Applications linaires. Matrices.
Diagonalisation et trigonalisation.

Objectifs :
Savoir chercher une base dun espace vectoriel, dun noyau, dune image.
Dterminer une matrice associe une application linaire. Savoir calculer
avec des matrices : somme, produit, dterminant.
Savoir rsoudre un systme dquations linaires : calcul, prvision et
contrle de lensemble des solutions.
Savoir diagonaliser une matrice carre : valeurs propres, vecteurs propres.
Savoir rduire la forme triangulaire une matrice non diagonalisable.
.


Organisation, mode d'emploi

Cet ouvrage, comme tous ceux de la srie, a t conu en vue d'un usage
pratique simple.

Il s'agit d'un livre d'exercices corrigs, avec rappels de cours.
Il ne se substitue en aucune faon un cours de mathmatiques complet,
il doit au contraire l'accompagner en fournissant des exemples illustratifs,
et des exercices pour aider l'assimilation du cours.
Ce livre a t crit pour des tudiants de premire et seconde annes des
Licences de sciences, dans les parcours o les mathmatiques tiennent une
place importante.

Il est le fruit de nombreuses annes d'enseignement auprs de ces
tudiants, et de l'observation des difficults qu'ils rencontrent dans l'abord
des mathmatiques au niveau du premier cycle des universits :

- difficult valoriser les nombreuses connaissances mathmatiques dont
ils disposent lorsqu'ils quittent le lyce,
- difficult pour comprendre un nonc, une dfinition, ds lors qu'ils
mettent en jeu des objets abstraits, alors que c'est la nature mme des
mathmatiques de le faire,
- difficult de conception et de rdaction de raisonnements mme simples,
- manque de mthodes de base de rsolution des problmes.

L'ambition de cet ouvrage est de contribuer la rsolution de ces
difficults aux cts des enseignants.

Ce livre comporte quatre parties.

La premire, intitule "A Savoir", rassemble les dfinitions et rsultats qui
sont utiliss dans les exercices qui suivent. Elle ne contient ni
dmonstration, ni exemple.

La seconde est intitule "Pour Voir" : son rle est de prsenter des
exemples de toutes les dfinitions, et de tous les rsultats de la partie
prcdente, en ne faisant rfrence qu'aux connaissances qu'un tudiant
abordant le chapitre considr a ncessairement dj rencontr (souvent
des objets et rsultats abords avant le baccalaurat). La moiti environ de
ces exemples sont dvelopps compltement, pour clairer la dfinition ou
l'nonc correspondant. L'autre moiti est forme d'noncs intituls
"exemple traiter" : il s'agit de questions permettant au lecteur de rflchir
de manire active d'autres exemples trs proches des prcdents. Ils sont
suivis immdiatement d'explications dtailles.

La troisime partie est intitule "Pour Comprendre et Utiliser" : des
noncs d'exercices y sont rassembls, en rfrence des objectifs. Ces
noncs comportent des renvois de trois sortes :
() pour obtenir des indications pour rsoudre la question,
() lorsqu'une mthode plus gnrale est dcrite,
() renvoie une entre du lexique.
Tous les exercices sont corrigs de manire trs dtaille dans la partie
3 - 2. Au cours de la rdaction, on a souvent propos au lecteur qui
souhaiterait approfondir, ou largir, sa rflexion, des questions
complmentaires (QC), galement corriges de faon dtaille.

La quatrime partie, "Pour Chercher", rassemble les indications, les
mthodes, et le lexique.


Certains livres d'exercices comportent un grand nombre d'exercices assez
voisins, privilgiant un aspect "entranement" dans le travail de l'tudiant
en mathmatiques. Ce n'est pas le choix qui a t fait ici : les exemples
traiter, les exercices et les questions complmentaires proposs abordent
des aspects varis d'une question du niveau du L1 L2 de sciences pour
l'clairer de diverses manires et ainsi aider sa comprhension.
Le lecteur est invit, propos de chacun d'entre eux, s'interroger sur ce
qu'il a de gnral (on l'y aide par quelques commentaires)


Table des matires

1 A Savoir ........................................................................... 9
1-1 Espaces vectoriels ........................................... 9
1-2 Applications linaires .................................... 15
1-3 Matrices, dterminants .................................. 18
1-4 Rduction, polynmes annulateurs ............... 24
2 Pour Voir ....................................................................... 35
2-1 Espaces vectoriels ......................................... 35
2-2 Applications linaires .................................... 59
2-3 Matrices, dterminants .................................. 67
2-4 Rduction, polynmes annulateurs ............... 79
3 Pour Comprendre et Utiliser ......................................... 97
3-1 noncs des exercices ................................... 97
3-2 Corrigs des exercices ................................. 111
3-3 Corrigs des questions complmentaires .... 165
4 Pour Chercher .............................................................. 169
4-1 Indications pour les exercices ..................... 169
4-2 Mthodes ..................................................... 171
4-3 Lexique ........................................................ 175


1 A Savoir
Dans cette partie, on rappelle rapidement les principales dfinitions et les
principaux noncs utiliss. Voir votre cours pour les dmonstrations.
Vous trouverez des exemples dans la partie 2*Pour Voir.
1-1 Espaces vectoriels
Dfinition
Soit (K, +
K
,
K
) un corps, et (E , +
E
) un groupe commutatif.
Une structure d' espace vectoriel sur K est dfinie sur le groupe E par la
donne d'une loi externe de K sur E, c'est--dire d'une application :
K E E, (, x) . x
satisfaisant aux proprits suivantes :
1) Pour tout de K, tout x et tout y de E, on a l'galit :
. (x +
E
y) = (. x) +
E
(. y) .
2) Pour tout et tout de K, et tout x de E, on a l'galit :
( +
K
) . x = (. x) +
E
( . x) .
3) Pour tout et tout de K, et tout x de E, on a l'galit :
(
K
) . x = . ( . x) .
4) Soit 1
K
l'lment neutre de la multiplication de K. Pour tout x de E, on
a l'galit :
1
K
. x = x .
On dira aussi que E est un K- Espace Vectoriel. Les lments de K sont
souvent appels les scalaires, et les lments de E des vecteurs.
Dans les applications, le corps sera le plus souvent R (ou C).
Proprits lmentaires dcoulant de la structure d'espace vectoriel :

On note 0
K
, et 0
E
les lments neutres de +
K
et +
E
. Pour tout vecteur x
on a l'galit :
0
K
. x = 0
E .
Si on note x l'oppos du vecteur x dans E, et 1
K
l'oppos de 1
K
dans
K, on a pour tout x de E l'galit :
(1
K
) . x = x .
Dans la suite, on ne mentionnera plus en indice l'ensemble
correspondant une loi, ou un lment particulier (comme +
E
, ou 0
K
),
le contexte permettant de lever l'ambigut qui pourrait en rsulter :
+ dsigne aussi bien la loi d'addition de E que celle de K
Dfinition
Soit E un ensemble. Une famille d'lments de E, indexe par l'ensemble
I est une application f : I E. Par commodit dans les calculs, on note
par exemple (z
i
)
i
une telle application, et l'lment z
i
, qui serait not dans
d'autres contextes f(i), est appel l'lment d'indice i.
On notera bien que I n'est pas ncessairement un ensemble fini.
La famille (z
i
)
i
n'est pas la mme chose que l'ensemble {z
i
| iI}.
Soit E un K-espace vectoriel, I un ensemble d'indices, soit (
i
)
i
une
famille d'lments de K ayant la proprit suivante (la famille est appele
"famille presque nulle") :
"l'ensemble des lments i tels que
i
soit diffrent de 0 est fini".
Soit (z
i
)
i
une famille d'lments de E indexe par I,
L'lment de E dfini par :
z =
i
.z
i
iI

est la combinaison linaire de la famille (z
i
)
i
associe la famille (
i
)
i

: cette somme a bien un sens, puisque par hypothse seul un nombre fini
de termes ne sont pas nuls.

Dfinition
Soit E un K- espace vectoriel, et F une partie de E.
On dit que F est un sous-espace vectoriel de E si :
1) (F, +) est un sous-groupe de (E, +).
2) La loi externe se restreint F, c'est--dire en une application :
K F F,
ayant les proprits 1) 4) exiges pour les espaces vectoriels.
Proposition
Une partie F d'un espace vectoriel E est un sous-espace vectoriel si et
seulement si les trois conditions suivantes sont vrifies :
1) Pour tout x et tout y de F, x + y est un lment de F,
2) Pour tout x de F, et tout de K, .x est un lment de F,
3) 0
E
est un lment de F.
Soit E un espace vectoriel, (F
i
)
i
des sous-espaces de E, en nombre fini
ou non, et F l'intersection des sous-espaces vectoriels F
i
.
Alors F est un sous-espace vectoriel de E.
Par contre le rsultat analogue n'est pas vrai pour la runion de sous-
espaces vectoriels.
Soit A une partie de E, il existe un plus petit sous-espace vectoriel (pour
la relation d'inclusion) contenant A. Ce sous-espace est l'intersection de
tous les sous-espaces vectoriels contenant A.
Dfinition
Le plus petit sous-espace contenant A s'appelle le sous-espace vectoriel
engendr par A. On le note vect(A).
Le sous-espace vect(A) est l'ensemble des combinaisons linaires
d'lments de A.

Dfinition
Soient F et G des sous-espaces de E. On appelle somme de F et G, et on
note F + G le sous-espace vectoriel engendr par F G.
D'aprs la description gnrale donne ci-dessus, on voit que F + G est
l'ensemble des sommes d'un lment de F et d'un lment de G.
Si de plus F G = {0}, on dit que F et G sont en somme directe, et on
note cette somme F G.
Si F G = E, on dit que F et G sont des sous-espaces vectoriels
supplmentaires.
Dfinition
On dit qu'une famille (z
i
)
i
d'lments d'un espace vectoriel E est une
famille gnratrice de E si tout lment z de E peut s'crire comme une
combinaison linaire de (z
i
)
i
pour une famille de scalaires (
i
)
i
presque
nulle, c'est--dire sous la forme d'une somme d'un nombre fini d'lments :
z =
i
z
i
iI
.
Dfinition
Soit (x
i
)
i
une famille d'lments d'un espace vectoriel E.
On dit que (x
i
)
i
est une famille libre si pour toute famille presque nulle
d'lments de K, (
i
)
i
, l'implication suivante est vraie :
i
x
i
iI
= 0
i
= 0 pour tout i de I.
On dit encore que les lments de la famille (x
i
)
i
sont indpendants
(sous-entendu : entre eux).
Si la famille (x
i
)
i
n'est pas libre, on dit qu'elle est lie. On dira aussi
que les lments de la famille sont lis, ou dpendants.
Dans ce cas il existe une famille (
i
)
i
presque nulle de scalaires non tous
nuls telle que :

i
x
i
= 0
iI
.
Une telle relation est appele une relation de dpendance entre les
lments de la famille (x
i
)
i
. Dans une famille lie, un lment au moins
est combinaison linaire des autres.
Dfinition
Soit (x
i
)
i
une famille libre, et E = vect((x
i
)
i
). Pour le sous-espace E,
la famille (x
i
)
i
est donc une famille la fois libre et gnratrice.
Une telle famille est appele une base de E.
Soit (x
i
)
i
une base de E, et x un vecteur quelconque. La famille tant
gnratrice, x s'crit comme une combinaison linaire des (x
i
)
i
, et la
famille tant libre les coefficients de la combinaison linaire sont
dtermins de manire unique : on dit que ce sont les coordonnes de x
dans la base (x
i
)
i
.
Thorme
(thorme de la dimension)
Soit E un espace vectoriel ayant une base n lments.
1) Toute base de E a n lments.
2) Toute famille gnratrice de E a au moins n lments. Une telle famille
est une base si et seulement si elle a exactement n lments.
3) Toute famille libre de E a au plus n lments. Une telle famille est une
base si et seulement si elle a exactement n lments.
L'entier n ainsi attach E s'appelle la dimension de E.
On note n = dim(E). On dit que E est de dimension finie.
L'espace rduit 0 est de dimension 0.

Thorme
(thorme de la base incomplte)
Soit E un espace vectoriel et (x
1
, , x
n
) une famille gnratrice de E.
Soit (y
1
, ,y
m
) une famille libre, non gnratrice de E.
Il existe des lments (x
i
1
, x
i
2
, , x
i
k
) de la famille (x
1
, , x
n
) tels que
la famille (y
1
, ,y
m
, x
i
1
, x
i
2
, , x
i
k
) soit une base de E.
En particulier cet nonc montre qu'un espace ayant une famille
gnratrice finie a une base finie.
Proposition
Soit E un espace vectoriel de dimension finie.
1) Tout sous-espace F de E est de dimension finie, et dim(F) dim(E).
Si dim(F) = dim(E), alors F = E.
2) Soient F et F des sous-espaces de E, on a la relation suivante :
dim(F + F) = dim(F) + dim(F) dim(F F).
3) Tout sous-espace F admet un supplmentaire F dans E.
On a l'galit dim(F) = dim(E) dim(F).
1-2 Applications linaires
Dfinition
Soient E et F des espaces vectoriels sur un corps K, et f une application de
E dans F. On dit que f est une application linaire si les proprits
suivantes sont vrifies :
1) Pour tout x et tout y de E, on a l'galit :
f(x + y) = f(x) + f(y).
2) Pour tout x de E, et tout de K, on a l'galit :
f(.x) = .f(x).

Une application linaire f a les proprits suivantes.
Si 0
E
est l'lment neutre de E, et 0
F
l'lment neutre de F :
f(0
E
) = 0
F
.
L'image d'une combinaison linaire :
a
0
x
0
+ + a
n
x
n

est la combinaison linaire :
a
0
f(x
0
) + + a
n
f(x
n
).
On note L (E, F) l'ensemble des applications linaires de E dans F.
On peut munir L (E, F) d'une structure d'espace vectoriel, en dfinissant la
somme de deux applications linaires, et le produit d'une application par
un scalaire de la manire usuelle :
(f + g)(x) = f(x) + g(x),
(f)(x) = .f(x).
Si E = F, on notera plus simplement L(E). On dit alors qu'un lment de
L(E) est un endomorphisme de E.
Proposition
Soit f : E --. F une application linaire, E un sous-espace de E, et F un
sous-espace de F. Alors f(E) est un sous-espace vectoriel de F et f
-1
(F)
est un sous-espace vectoriel de E.
En particulier pour E = E, on note Im(f) le sous-espace f(E), appel
l'image de f.
On note Ker(f) le sous-espace f
-1
(0), appel le noyau de f.

Proposition
Une application linaire f est surjective si et seulement si Im(f) = F, et f est
injective si et seulement si Ker(f) = 0.

Proposition
1) Soit f : E F une application linaire.
Si (x
i
)
i
est une famille gnratrice d'un sous-espace E de E
(E = vect((x
i
)
i
)) alors (f(x
i
))
i
est une famille gnratrice de f(E).
2) Soit g une autre application linaire de E dans F.
Si (x
i
)
i
est une famille gnratrice de E, et si pour tout i on a l'galit :
f(x
i
) = g(x
i
),
alors les applications f et g sont gales.
Proposition
Soit f : E F une application linaire, (x
i
)
iI
une famille de E, et (f(x
i
))
iI

la famille de F image de la famille (x
i
)
iI
.
1) Si (x
i
)
iI
est lie, (f(x
i
))
iI
est lie.
2) De plus si f est injective, si (x
i
)
iI
est libre, (f(x
i
))
iI
est libre.
Proposition
Soit f : E F une application linaire.
1) Si f est injective, et F de dimension finie, alors E est de dimension finie
et dim(E) dim(F).
2) Si f est surjective, et E de dimension finie, alors F est de dimension finie
et dim(E) dim(F).
3) Si f est bijective, et E ou F de dimension finie, l'autre espace est aussi
de dimension finie, et dim(E) = dim(F).
4) Si E et F sont de dimension finie, on a l'galit :
dim(E) = dim(Ker(f)) + dim(Im(f)).
Consquence importante : soit f un endomorphisme de E, espace de
dimension finie, alors les trois conditions suivantes sont quivalentes :
* f est injective,
** f est surjective,

*** f est bijective .
Des espaces vectoriels ayant la mme dimension, soit n, sont
isomorphes, en particulier isomorphes R
n
.
La dimension de Im(f) s'appelle le rang de f, not rg(f).
L'galit 4), sous la forme :
rg(f) = dim(E) dim(Ker(f))
s'appelle parfois le thorme du rang.
1-3 Matrices, dterminants
Dfinitions gnrales, matrices.
Soient p et q des entiers strictement positifs. On appelle matrice de type
(p, q), coefficients dans le corps K, un tableau p lignes et q colonnes
d'lments de K. On dsigne un terme en donnant le numro de la ligne,
puis le numro de la colonne.
On note M
p, q
(K) l'ensemble des matrices p lignes et q colonnes.
Addition des matrices : Soit A = (a
ij
) et B = (b
ij
) des lments de M
pq
(K),
on appelle somme de A et B, et on dsigne par A + B, la matrice C = (c
ij
)
dfinie par :
c
ij
= a
ij
+ b
ij
.
L'lment neutre est la matrice note 0, dont tous les termes sont nuls.
Produit par un scalaire : Soit A = (a
ij
) une matrice, et un lment de
K. Le produit de A par est la matrice note A, dont le terme gnral est
a
ij
.
Produit de deux matrices : Soient p, q, r des entiers non nuls, A = (a
ij
)
un lment de M
pq
(K), B = (b
jk
) un lment de M
qr
(K).
On appelle produit de A par B, et on note AB la matrice de type (p, r),
C = (c
i,k
), dfinie par :

c
ik
= a
ij
.b
jk
j =1
j =q
.
Ce produit n'est donc pas, en gnral, interne, et dfinit une application :
M
pq
(K) M
qr
(K) --. M
pr
(K) .
On vrifie que cette loi est associative, et distributive gauche comme
droite sur l'addition.

Dans le cas o les deux dimensions sont gales, soit n, on note plutt
M
n
(K), la place de M
nn
(K). Le produit de deux matrices dfinit alors une
loi de composition interne dans M
n
(K). De plus elle possde un lment
neutre, not I
n
, ou simplement I, qui est la matrice dont tous les termes
sont nuls, l'exception de ceux de la diagonale qui valent 1.
Ce produit n'est pas commutatif et des lments non nuls peuvent avoir un
produit nul.
On vrifie enfin que pour dans K, A et B dans M
n
(K), on a les galits :
(A)B = (AB) = A (B).
L'ensemble M
p,q
(K) est un K-espace vectoriel.
A toute matrice M =(m
i,j
) de M
pq
(K) on associe une application linaire
f de K
q
dans K
p
. On parlera, par abus, de noyau de la matrice M, d'image
de la matrice M, de rang de M, en pensant f. Le rang d'une matrice est le
nombre maximum de vecteurs-colonnes indpendants.
Inversement, dans le cas d'espaces de dimension finie, on peut associer
toute application linaire une matrice, moyennant le choix de bases dans
les espaces considrs :
Soit u : E E une application linaire, B = (e
1
, e
2
, , e
n
) une base de
E, B = ( e
1
, e
2
, , e
p
) une base de E.
La matrice associe u dans les bases B et B, soit M = M(u, B, B) s'crit
en mettant en colonnes les coordonnes dans B des images par u des
vecteurs de la base B.

Les vecteurs colonnes de M forment une famille gnratrice de Im(u).
Dans le cas particulier ou E = E, on choisit toujours B = B.
La matrice d'une application compose est le produit des matrices
correspondantes.
Si un endomorphisme u d'un espace de dimension finie a pour matrice
A
1
par rapport une base B
1
, sa matrice A
2
par rapport une base B
2
est
donne par :
A
2
= P
-1
A
1
P
o P est la matrice de passage de la base B
1
la base B
2
.
Les colonnes de P sont formes des coordonnes des vecteurs de B
2

rapports B
1
.
Si X
1
reprsente la matrice des coordonnes d'un vecteur par rapport la
base B
1
et X
2
par rapport la base B
2
, alors :
X
1
= PX
2
.
On dit que les matrices A
1
et A
2
sont des matrices semblables. Elles
reprsentent le mme endomorphisme, dans des bases diffrentes.
Soit M une matrice, p lignes et q colonnes. La transpose de M est la
matrice q lignes et p colonnes obtenue partir de M en changeant les
lignes et les colonnes.
Systmes d'quations linaires
Un systme d'quations linaires est form de n quations linaires, m
inconnues. On convient que les termes contenant les inconnues figurent au
premier membre des quations, et que les donnes connues figurent au
second membre. Les solutions d'un tel systme sont des m-uples de
scalaires qui vrifient toutes les quations. Un tel systme est donn par
une matrice n lignes et m colonnes, obtenue en rangeant en ligne les
coefficients des diverses inconnues dans une quation donne, et un
vecteur n composantes, contenant les seconds membres des diffrentes
quations.

Un systme linaire quivaut une seule quation matricielle dans laquelle
l'inconnue est un vecteur m composantes.
Une mthode classique de rsolution connatre est la mthode du pivot
de Gauss, qui consiste remplacer le systme par un systme quivalent,
mais de forme triangulaire.
Calcul de
dterminant
Il existe une dfinition gnrale du dterminant d'un endomorphisme,
que nous ne rappelons pas.
On dfinit galement le dterminant d'une matrice carre.
Soit u un endomorphisme d'un espace vectoriel E de dimension finie, et A
la matrice associe u dans une base choisie de E. Le dterminant de A
est indpendant du choix de cette base, c'est le dterminant de u.
Enfin, on parle du dterminant d'un systme de n quations n
inconnues, c'est le dterminant de la matrice forme des coefficients de ce
systme.
On indique comment calculer, pratiquement, le dterminant d'une
matrice carre. On le fait de proche en proche :
matrice 2x2 :
det
a b
c d
|
\

|

|
|
\

|

|
|
=
a b
c d
= ad bc.

matrice 3x3 (rgle de Sarrus). On opre partir du tableau :
a a' a"
b b' b"
c c' c"
a a'
b b'
c c'

selon la rgle :
Les alignements descendant (de gauche droite) donnent les
produits affects de + : abc + abc + abc',
Les alignements montant donnent les produits affects de :

cba cba cba',
a a a
b b b
c c c
= ab' c" +a' b"c + a" bc' cb' a"c' b"a c" ba' .
Attention : la rgle de Sarrus ne sapplique quau cas 3 3.
Cas gnral : on se ramne aux cas prcdents par :
Dveloppement par rapport une ligne :
Les expressions places en facteur des coefficients d'une ligne
comme :
a a a
b b b
c c c
= a
b b
c c
a
b b
c c
+ a
b b
c c
,
sont appels les cofacteurs des termes de la matrice auxquels ils
sont associs. En gnral, pour dfinir le cofacteur d'un terme
d'une matrice (ici b, entour d'un crochet), on procde comme
suit : effacer dans la matrice la ligne et la colonne du terme choisi,
a a a
b b b
c c c

calculer le dterminant de la matrice (n-1, n-1) ainsi obtenue :
a a
c c
= ac ca,
multiplier le nombre obtenu par (1) lev la puissance p + q si
le terme de la matrice supprim se situe dans la ligne numro p et
la colonne numro q (sur l'exemple 2 + 2).

Transformation dun
dterminant avant
calcul.
Il est recommand dessayer de simplifier un dterminant avant de le
calculer. On utilisera les rsultats suivants :
Ajouter une ligne (colonne) un multiple dune autre ligne (colonne) ne
change pas la valeur dun dterminant.
changer deux lignes (ou deux colonnes) change le signe dun
dterminant, pas sa valeur absolue.
Un dterminant ayant deux lignes (ou deux colonnes) proportionnelles
est gal 0.
Le dterminant dune somme de matrice nest pas la somme des
dterminants de chacune delles.
Le dterminant dun produit de matrices est le produit des
dterminants de chacune.
On a lgalit, pour des matrices carres A et B :
det(A B) = det(B A).
Le dterminant d'une matrice carre et celui de sa transpose sont gaux.
Proposition
1) Une matrice carre est inversible si et seulement si son dterminant est
diffrent de 0.
2) Un systme de n quations n inconnues admet une solution unique si
et seulement si son dterminant est diffrent de 0.
Plus gnralement, le rang d'une matrice est la dimension du plus grand
dterminant non nul qu'on peut extraire de cette matrice.


1-4 Rduction des matrices carres, Polynmes
annulateurs
Dfinition
Soit u : E E une application linaire dun espace vectoriel E dans lui-
mme. On dit quun vecteur V est un vecteur propre de u si :
u(V) est colinaire V.
Dans ce cas, il existe un scalaire vrifiant u(V) = .V.
Soit A une matrice (n, n). On peut lui associer une application linaire
u de R
n
dans lui-mme. Les vecteurs propres de A sont, par dfinition, les
vecteurs propres de u.
Dfinition
Soit u : E E une application linaire dun espace vectoriel E dans lui-
mme. On dit quun scalaire t est une valeur propre pour u sil existe un
vecteur non nul V qui vrifie :
u(V) = t.V.
On dit que V est un vecteur propre relatif la valeur propre t.
L'ensemble des vecteurs propres relatifs une valeur propre donne t
est un sous-espace vectoriel, qu'on appelle le sous-espace propre relatif
t.
Des vecteurs propres V
1
, V
2
,V
p
( ) appartenant des sous-espaces
propres deux deux distincts forment toujours une famille libre.
Si t est une valeur propre de l'endomorphisme u de E, le sous-espace
propre associ est E
t
= Ker(u t.Id
E
) . Il en rsulte qu'une valeur propre
est un rel t tel que u t.Id
E
soit non inversible.


On suppose dornavant que les espaces vectoriels considrs sont de
dimension finie.

Un scalaire t est valeur propre de l'endomorphisme u si et seulement si
le dterminant de u t.Id est nul.
Les valeurs propres sont les solutions de l'quation polynomiale :
det(u X. Id
E
) = 0.
Le polynme figurant au premier membre de cette quation s'appelle le
polynme caractristique de u.
Si A est la matrice de u dans une base quelconque, le polynme
caractristique est :
P(X) = det(A X. Id).

Rappelons qu'on appelle ordre de multiplicit d'une racine d'un
polynme P la plus grande puissance de (X ) qui divise P(X).
Un polynme de degr n a au plus n racines, comptes avec leur ordre de
multiplicit. Il peut n'avoir aucune racine dans le corps K. S'il a
exactement n racines dans le corps K, on dit qu'il est scind sur K.

Dans la suite, le corps de base K est R ou C.
Si un polynme n'est pas toujours scind sur R, il est par contre toujours
scind sur C.
Thorme
(Cayley-Hamilton)
Soit M une matrice carre et P
M
(X) son polynme caractristique.
On a l'galit entre matrices (n, n) :
P
M
(M) = 0.

Dfinition
Soit M une matrice carre. On appelle polynme annulateur de M tout
polynme P tel que P(M) = 0.
Le polynme caractristique est un polynme annulateur.
L'ensemble des polynmes annulateurs d'une matrice est un idal de
l'anneau des polynmes. Cet ensemble est gal l'ensemble des multiples
d'un mme polynme, unitaire et de degr minimal, appel le polynme
minimal de la matrice.
Le polynme minimal est un diviseur du polynme caractristique.
Proposition
Soit u un endomorphisme d'un espace vectoriel de dimension finie E, t une
valeur propre, de multiplicit m(t), et E
t
le sous-espace propre relatif t,
de dimension d(t). On a la relation suivante :
1 d(t) m(t).
Dfinition
Une matrice carre est dite diagonalisable si elle est semblable une
matrice diagonale.
Elle est dite trigonalisable si elle est semblable une matrice triangulaire.
Thorme
Une matrice est diagonalisable si et seulement si :
1) Son polynme caractristique est scind.
2) Pour toute valeur propre t, on a l'galit :
d(t) = m(t).
Corollaire
Une matrice (n , n) qui a n valeurs propres distinctes est diagonalisable.

Diagonalisation
Dans la pratique, on effectue la dmarche suivante :
Calculer le polynme caractristique de la matrice.
Chercher les racines de ce polynme, sur R en gnral, ou C.
Nous supposons dans la suite que le polynme est scind.
Pour chaque valeur propre t, on note m(t) la multiplicit.
Dterminer une base du sous-espace propre associ.
Soit d(t) sa dimension. Vrifier que m(t) = d(t).
Passer la valeur propre suivante.
En juxtaposant les bases des diffrents sous-espaces propres, on obtient
une base forme de vecteurs propres. Dans cette nouvelle base, la matrice
est diagonale.
Proposition
Soit A une matrice carre, P son polynme caractristique et M son
polynme minimal.
1) Les polynmes P et M ont les mmes racines, relles ou complexes.
2) La matrice A est diagonalisable si et seulement si le polynme M n'a
que des racines simples.
Dfinition
Soit A une matrice carre. Soit t une valeur propre de A, et m(t) sa
multiplicit. On appelle sous-espace caractristique de A associ t le
sous-espace :
F
t
= Ker[(A t.I)
m(t)
].
Le sous-espace propre relatif t est une partie du sous-espace
caractristique.


Proposition
Soit A une matrice carre dont le polynme caractristique est scind.
1) La somme des sous-espaces caractristiques est directe, et gale
l'espace vectoriel tout entier.
2) Chaque sous-espace caractristique est stable par A.
3) Chaque sous-espace caractristique est de dimension gale la
multiplicit de la valeur propre correspondante.
Thorme
Une matrice carre est trigonalisable si et seulement si son polynme
caractristique est scind.
Sur C, toute matrice carre est trigonalisable.
Trigonalisation
Dans la pratique, on effectue la dmarche suivante.
Calculer le polynme caractristique de la matrice.
Chercher les racines de ce polynme, sur R en gnral, ou C.
Nous supposons dans la suite que le polynme est scind.
Pour chaque valeur propre t, on note m(t) la multiplicit.
Dterminer une base du sous-espace propre associ.
Soit d(t) sa dimension.
Si m(t) = d(t), passer une autre valeur propre.
Si m(t) > d(t), complter la famille de vecteurs
propres obtenue par m(t) d(t) vecteurs "pseudo-
propres" calculs par la mthode indique ci-
dessous.
Passer la valeur propre suivante.


En juxtaposant les diffrentes familles de vecteurs propres ou pseudo-
propres obtenues pour chaque valeur propre, on obtient une nouvelle base
dans laquelle la matrice est triangulaire.
Calcul des vecteurs pseudo-
propres
Soit A une matrice carre ayant une valeur propre t d'ordre m, dont le sous-
espace propre associ E
t
est de dimension d, d < m.
Soit (V
1
, ,V
d
) une base de E
t
.
Ces vecteurs sont des solutions indpendantes de l'quation :
(A t.I).V = 0.
Chercher des solutions indpendantes de l'quation :
(A t.I).W =
1
V
1
+ +
d
V
d
,
dans laquelle
1
, ,
d
, sont des paramtres quelconques.
On crira une base du sous-espace des solutions en compltant la famille
(V
1
, ,V
d
).
Soit (V
1
, ,V
d
, W
d+1
, ,W
d+k
) (k 1) une telle base.
NB : C'est une base du sous-espace vectoriel :
Ker[(A t.I)
2
] = (A t.I)
-1
[Ker(A t.I)].
Si d + k = m, le calcul est termin.
Si d + k < m, poursuivre le calcul de manire analogue partir de cette
nouvelle famille libre.
Chercher des solutions indpendantes de l'quation :
(A t.I).W =
1
V
1
+ +
d
V
d
+
d+1
W
d+1
+ +
d+k
W
d+k

dans laquelle
1
, ,
d+k
, sont des paramtres quelconques.
On crira une base du sous-espace des solutions en compltant la famille
(V
1
, ,V
d
, W
d+1
, ,W
d+k
).
Soit (V
1
, ,V
d
, W
d+1
, ,W
d+k
, W
d+k+1
, ,W
d+k+p
) (p 1) une telle base.
NB : C'est une base du sous-espace vectoriel :

Ker[(A t.I)
3
] = (A t.I)
-1
[Ker(A t.I)
2
].
Si d + k + p = m, le calcul est termin.
Si d + k + p < m, poursuivre le calcul de manire analogue partir de cette
nouvelle famille libre.
Puissances d'une matrice
carre
Une matrice carre A dont le polynme caractristique est scind est
semblable une matrice triangulaire A.
Si P est la matrice de passage, A = P.A.P
-1
, et, plus gnralement :
A
m
= P. A
m
.P
-1
.
Il suffit donc de savoir calculer une puissance d'une matrice triangulaire.
Les techniques dveloppes plus haut permettent d'obtenir, plus
prcisment, A comme la somme d'une matrice diagonale et d'une matrice
nilpotente, qui commutent. On peut donc appliquer la formule du binme
de Newton pour calculer une puissance de A. On se ramne alors au calcul
d'une puissance d'une matrice diagonale, ce qui est vident, et au calcul
d'une puissance d'une matrice nilpotente, qui est limit un petit nombre
de calculs (dans la pratique).


2 Pour Voir
Dans cette partie, on prsente des exemples simples des notions ou
rsultats abords dans la partie prcdente. Ils sont suivis de questions trs
lmentaires pour vrifier votre comprhension.
2-1 Espaces vectoriels
"Soit (K, +
K
,
K
) un corps, et (E , +
E
) un groupe commutatif. Une structure d' espace
vectoriel sur K est dfinie sur le groupe E par la donne d'une loi externe de K sur E,
c'est--dire d'une application K E E satisfaisant aux proprits suivantes"
exemple 1
On note K
n
, l'ensemble des n-uples d'lments de K :
x = (x
1
, x
2
, , x
n-1
, x
n
).
On dfinit sur K
n
une loi interne, note +, en posant :
x = (x
1
, x
2
, , x
n-1
, x
n
),
y = (y
1
, y
2
, , y
n-1
, y
n
),
x + y = (x1 + y1, x2 + y2 , , x
n-1
+ y
n-1
, x
n
+ y
n
).
On dfinit une loi externe :
K K
n
K
n

en posant pour un lment de K et x = (x
1
, x
2
, , x
n-1
, x
n
) :
. x = (.x
1
, .x
2
, , .x
n-1
, .x
n
).
On vrifie qu'on obtient bien ainsi une structure de K-espace vectoriel sur
K
n
.

exemple 2
( traiter)
Soit E un espace vectoriel sur un corps K, et A un ensemble quelconque
non vide. L'ensemble F (A , E) des applications de A dans E a une structure
"naturelle" d'espace vectoriel. Quelles sont les oprations ?
# rponse
La somme de deux applications se dfinit par :
(f + g)(x) = f(x) + g(x).
Le produit externe d'une application par un scalaire de K se dfinit par :
(.f)(x) = .f(x).
"Soit E un ensemble. Une famille d'lments de E, indexe par l'ensemble I est une
application f : I E. "
exemple 3
L'application :
u : N N,
i 2
i
,
dfinit une famille :
u
i
= 2
i
.
exemple 4
( traiter)
Donner l'exemple d'une famille de R
2
indexe par R.
# rponse
On peut proposer par exemple ((cos(), sin())
R
.

"La famille (z
i
)
i
n'est pas la mme chose que l'ensemble : {z
i
| iI}."
exemple 5
La famille infinie de Z, indexe par N, dfinie par :
z
i
= ( 1)
i
,
correspond l'ensemble fini :
{ 1, 1}.
exemple 6
( traiter)
Pour la famille de C indexe par N, dfinie par :
y
k
= i
k
,
(i est la racine carre de 1, comme d'habitude)
quel est l'ensemble des valeurs ?
# rponse
Les valeurs sont y
0
= 1, y
1
= i, y
2
= 1, y
3
= i, y
4
= 1 donc l'ensemble
des valeurs est :
{1, i, 1, i}.
"Soit E un K-espace vectoriel, I un ensemble d'indices, une famille d'lments de K telle
que l'ensemble des lments i tels que
i
soit diffrent de 0 est fini est appele famille
presque nulle."
exemple 7
La famille d'entiers indexe par [0 , 1] dfinie par :
z
x
= E(x) (partie entire)
est une famille presque nulle, puisque z
x
= 0 sauf si x = 1.

exemple 8
( traiter)
La famille de complexes indexe par N dfinie par :
u
p
= i
p
+ 1
est-elle presque nulle ?
# rponse
Non. Les termes de la famille dont l'indice est de la forme 4k + 2 sont nuls,
c'est--dire une infinit de termes, mais une infinit d'entre eux sont non
nuls, par exemple ceux d'indice 4k, qui valent tous 2.
"L'lment de E dfini par z =
i
.z
i
iI
est la combinaison linaire de la famille (z

i
)
i

associe la famille (
i
)
i
"
exemple 9
A partir de l'exemple 7, on peut, pour toute famille de vecteurs V
x
, indexe
par [0 , 1], dfinir la combinaison linaire :
z
x
V
x
x[0 , 1]
.
exemple 10
( traiter)
Donner une expression plus simple de la combinaison linaire donne dans
l'exemple 9.
# rponse
Seul z
1
n'est pas nul, et vaut 1, donc z
x
V
x
x[0 , 1]
= V
1
.

"On dit que F est un sous-espace vectoriel de E si -1) (F,+) est un sous-groupe de (E,+),
-2) La loi externe se restreint F, c'est--dire en une application K F . F, ayant les
proprits 1) 4) exiges pour les espaces vectoriels."
exemple 11
Dans l'espace vectoriel R
3
, le sous-ensemble :
F = {(x, y, z) | x + y + z = 0}
qui est un plan, est un sous-espace vectoriel.
On vrifie facilement toutes les conditions. Par exemple :
si x + y + z = 0, et x + y + z = 0,
alors (x + x) + (y + y) + (z + z) = 0.
Donc F est stable pour l'addition. Dans F l'addition est bien associative,
commutative, admet (0, 0, 0) comme lment neutre (0 + 0 + 0 = 0), et tout
vecteur a un symtrique (si x + y + z = 0, x + ( y) + ( z) = 0).
Les conditions sur la loi externe se vrifient de mme. En particulier si
est un scalaire, et (x, y, z) un lment de F, alors :
x + y + z = (x + y + z) = 0.
exemple 12
( traiter)
Dans l'espace vectoriel R
3
, le sous-ensemble :
G = {(x, y, z) | x + y + z = 1}
qui est un plan, est-il un sous-espace vectoriel ?
# rponse
La rponse est non. Par exemple G n'est pas stable pour l'addition :
si x + y + z = 1, et x + y + z = 1,
alors (x + x) + (y + y) + (z + z) = 2.

"Une partie F d'un espace vectoriel E est un sous-espace vectoriel si et seulement si les
trois conditions suivantes sont vrifies : 1) Pour tout x et tout y de F, x + y est un lment
de F, 2) Pour tout x de F, et tout de K, .x est un lment de F, 3) 0
E
est un lment de
F."
exemple 13
On a vrifi ces trois proprits sur F, ci-dessus.
Il faut connatre un petit catalogue de "grands" espaces vectoriels, les
autres espaces considrs dans la pratique tant le plus souvent des sous-
espaces de ceux-ci :
Espaces R
n
, C
n
:
droites, plans, sous-espaces engendrs par quelques vecteurs donns, ou
dfinis par quelques quations linaires
Espace des fonctions d'un ensemble I dans C, ou R, F(I , R) :
suites relles ou complexes, suites convergentes,
fonctions continues, drivables, paires, impaires, dont une ou plusieurs
drives vrifient des conditions linaires donnes
Espace des polynmes une indtermine : R[X], C[X] :
polynmes pairs, impairs, ayant une racine donne, dont les coefficients
vrifient une relation linaire donne, de degr infrieur ou gal un
entier donn
Espaces de matrices M
p,q
:
matrices symtriques, triangulaires
exemple 14
( traiter)
La troisime condition est-elle vraiment indispensable ?
Que pensez-vous du raisonnement suivant :
Supposons les deux premires conditions vrifies. Soit x un vecteur dans
F, et = 1. D'aprs la condition 2, ( 1)x est un lment de F, c'est--

dire x F. D'aprs la condition 1, x + ( x) est un lment de F, c'est--
dire 0 F.
Conclusion : la condition 3 est consquence des deux premires
conditions, il est inutile de la demander.
# rponse
Le raisonnement ci-dessus est exact, sauf sa conclusion. En effet la phrase
"soit x un vecteur dans F" contient une hypothse, c'est que F n'est pas
vide, hypothse qui n'est pas contenue dans les conditions 1 et 2.
Le raisonnement tablit qu'on peut remplacer la condition 3 par la
condition 3 :
"F n'est pas vide".
"L'intersection de sous-espaces vectoriels est un sous-espace vectoriel, par contre le
rsultat analogue n'est pas toujours vrai pour la runion de sous-espaces vectoriels."
exemple 15
Si E est le plan R
2
, F le sous-espace {(x, y) | x = y}, G le sous-espace {(x,
y) | x = y, l'union de ces deux droites n'est pas un sous-espace vectoriel.
Ainsi, (1, 1) F G, (1, 1) F G, et leur somme (2, 0) n'appartient
ni F ni G, donc n'appartient pas F G.
exemple 16
( traiter)
Dans l'espace des fonctions de R dans R, on note P le sous-espace des
fonctions paires, et I le sous-espace des fonctions impaires. L'union de ces
deux sous-espaces vectoriels est-elle un sous-espace vectoriel ?
# rponse
Non. Il suffit de considrer la somme d'une fonction paire, par exemple :
x x
2


et d'une fonction impaire :
x x
3
.
Cette somme :
x x
2
+ x
3
,
n'est ni paire, ni impaire.
"Soit A une partie de E, il existe un plus petit sous-espace vectoriel (pour la relation
d'inclusion) contenant A. Ce sous-espace est l'intersection de tous les sous-espaces
vectoriels contenant A."
exemple 17
Dans le plan R
2
, le plus petit sous-espace contenant (0, 0) et (1, 1), contient
donc tous les multiples de (1, 1) par un scalaire, soit l'ensemble :
= {(x, x) | x R}.
Comme est un sous-espace vectoriel du plan, c'est le plus petit.
exemple 18
( traiter)
Traiter le mme problme pour le plus petit sous-espace contenant les deux
points A = (1, 1) et B = (1, 1).
# rponse
Si vous avez rpondu "la droite AB", vous avez tort, car cette droite n'est
pas un sous-espace vectoriel de R
2
.
Si A et B sont dans un sous-espace vectoriel, alors la somme et la
diffrence y sont aussi, soit (2, 0) et (0, 2). En fait, comme un sous-espace
vectoriel est stable par multiplication, on peut multiplier par 1/2, donc (1,
0) et (0, 1) sont dans le plus petit sous-espace contenant A et B. Par stabilit
par combinaison linaire, on voit que pour tout x et tout y, le vecteur x (1,
0) + y (0, 1) = (x , y) est dans le plus petit sous-espace contenant A et B.
Le plus petit sous-espace est donc le plan tout entier.

"Le sous-espace vect(A) est l'ensemble des combinaisons linaires d'lments de A."
exemple 19
Les deux raisonnements particuliers faits ci-dessus utilisent prcisment
cette remarque.
exemple 20
( traiter)
Dterminer vect(A), pour la partie A de R[X] suivante :
A = {X
2p
| p entier naturel quelconque}.
# rponse
Les combinaisons linaires de cette famille infinie de vecteurs sont tous
les polynmes pairs.
"Soient F et G des sous-espaces de E. On appelle somme de F et G, et on note F + G le
sous-espace vectoriel engendr par F G."
exemple 21
Dans l'exemple 15, F + G contient le sous-espace engendr par (1, 1) et (1,
1), c'est donc R
2
(cf. exemple 18).
exemple 22
( traiter)
Dans l'exemple 16, dterminer I + P.
# rponse
C'est donc le sous-espace vectoriel engendr par les fonctions paires et les
fonctions impaires. On sait que toute fonction est somme d'une fonction
paire et d'une fonction impaire. Il en rsulte que :
I + P = F([1 , 1], R).

"Si de plus F G = {0}, on dit que F et G sont en somme directe, et on note cette
somme F G ."
exemple 23
Une fonction f sur [ 1 , 1], valeurs relles, qui est la fois paire et
impaire est la fonction nulle :
x, f(x) = f(x),
x, f(x) = f(x),
donc :
x, f(x) = f(x),
d'o :
x, f(x) = 0.
Les sous-espaces I et P sont en somme directe.
exemple 24
( traiter)
Dans l'espace vectoriel R[X], form des polynmes coefficients rels, le
sous-espace des polynmes qui ont pour racine 0 et le sous-espace des
polynmes qui ont pour racine 1 sont-ils en somme directe ?
# rponse
Un polynme qui a 0 et 1 pour racines est-il nul ? Non, bien sr, par
exemple le polynme :
X(X 1)
est dans ce cas.
Par contre, si on pose la mme question pour l'espace vectoriel des
polynmes de degr au plus 1, la rponse est oui.

"Si F G = E, on dit que F et G sont des sous-espaces vectoriels supplmentaires."
exemple 25
Dans l'exemple 23, d'aprs 22, I et P sont supplmentaires.
exemple 26
( traiter)
Dans l'espace vectoriel F(R ,R), les sous-espaces forms respectivement
des fonctions constantes, et des fonctions valant 0 en 0 sont
supplmentaires.
# rponse
Pour l'intersection : si une fonction est constante et nulle en 0, elle est nulle
partout.
Pour la somme : soit f une fonction quelconque, et a = f(0). On dfinit une
fonction g et une fonction h par :
x R, g(x) = f(x) a, x R, h(x) = a,
la fonction g est bien nulle en 0, et la fonction h est bien constante, et on a
de plus :
x R, f(x) = g(x) + h(x).
"On dit qu'une famille (z
i
)
i
d'lments d' un espace vectoriel E est une famille
gnratrice de E si tout lment z de E peut s'crire comme une combinaison linaire de
(z
i
)
i
pour une famille de scalaires (
i
)
i
presque nulle."
exemple 27
Dans l'espace vectoriel des polynmes coefficients complexes, C[X], la
famille infinie des monmes (X
k
)
kN
, est gnratrice : en effet, tout
polynme est combinaison linaire d'une sous-famille finie de cette
famille.

exemple 28
( traiter)
Dans R
2
, la famille (V
i
)
1i4
dfinie par :
V
1
= (1, 0), V
2
= (1, 1), V
3
= (0, 1), V
4
= (1, 1),
est-elle gnratrice ?
# rponse
Oui, bien sr. On peut donner deux arguments (au moins) :
Calcul direct. Soit V = (a, b) un vecteur de R
2
, on peut crire :
(a, b) = (a, 0) + (1, 1) + (0, b) + (1, 1),
V = aV
1
+ V
2
+ bV
3
+ V
4
,
donc tout vecteur est combinaison linaire des quatre vecteurs de la
famille.
Raisonnement gnral : la famille (V
i
)
1i4
contient une sous-famille
clairement gnratrice, la famille (V
1
, V
3
), donc elle est gnratrice.
"On dit qu'une famille (x
i
)
i
est une famille libre si pour toute famille presque nulle
d'lments de K, (
i
)
i
, l'implication suivante est vraie :
i
x
i
iI
= 0

i
= 0 pour
tout i de I."
exemple 29
La famille (V
i
)
1i4
de l'exemple prcdent n'est pas libre, puisque :
0 = 0.V
1
+ V
2
+ 0.V
3
+ V
4
,
donc il existe une combinaison linaire nulle dont tous les coefficients ne
sont pas nuls.

exemple 30
( traiter)
Dans F(R, R), soient f une fonction paire, non nulle, et g une fonction
impaire, non nulle. Vrifier que la famille (f, g) est libre.
# rponse
Deux arguments possibles.
Soient et des rels tels que :
.f + .g = 0,
c'est--dire :
x R, f(x) + g(x) = 0.
S'il existe un rel, soit a tel que f(a) 0, et g(a) = 0, on en dduit que :
f(a) = 0, donc = 0,
et comme il existe b tel que g(b) 0, on dduit que = 0.
S'il n'existe pas de rel tel que a, soit t tel que f(t) 0, et g(t) 0, on peut
crire :
f(t) + g(t) = 0,
de plus :
f(t) + g(t) = 0,
donc :
f(t) g(t) = 0.
On dduit, en ajoutant la premire et la dernire galit :
2f(t) = 0,
Et, en les soustrayant :
2g(t) = 0,
donc, comme f(t) 0, et g(t) 0, = = 0.
Supposons, par l'absurde, que 0. Alors :
f =
g,

donc f est, comme g, impaire, ce qui est faux car f est paire, et non nulle.
On dduit que = 0, et de mme = 0.
Noter la mthode employe, plus rapide ici : si une famille n'est pas libre,
un des termes au moins s'exprime en fonction linaire des autres.
"Si la famille (x
i
)
i
n'est pas libre, on dit qu'elle est lie. On dira aussi que les lments
de la famille sont lis, ou dpendants. Dans ce cas il existe une famille (
i
)
i
presque
nulle de scalaires non tous nuls telle que
i
x
i
= 0
iI
."
exemple 31
La famille (V
i
)
1i4
de l'exemple 28 est lie.
exemple 32
( traiter)
La famille des polynmes coefficients rels :
X, X 1, X 2
est-elle lie ?
# rponse
Peut-on trouver des rels a, b, c, non tous nuls, tels que :
aX + b(X 1) + c(X 2) = 0.
On voit que pour annuler le terme constant il faut :
b 2c = 0,
par exemple b = 2, c = 1, et pour annuler le coefficient de X :
a + b + c = 0,
soit, si b = 2 et c = 1, a = 1.

"Une famille libre et gnratrice est appele une base."
exemple 33
L'ensemble des nombres complexes, C, est un espace vectoriel sur R, pour
les oprations usuelles. Une base de cet espace vectoriel est, par exemple,
la famille (1, i).
exemple 34
( traiter)
Dans le mme espace vectoriel, la famille (i, j) est-elle une base ?
(rappel : j dsigne le complexe
1
2
+ i
3
2
).
# rponse
La rponse est oui, d'aprs les thormes gnraux sur les espaces de
dimension finie.
Plus directement, on peut vrifier que cette famille est libre :
i + j = 0,
impliquerait, si 0 :
i =
j,
donc, comme et sont des rels :
arg(i) = arg(j),
ce qui est faux, bien entendu.
Cette famille est aussi gnratrice. Soit z = a + ib, un nombre complexe
quelconque. Peut-on l'crire :
z = i + j,
et tant rels. Cela revient rsoudre les quations :

a =
1
2
,
b = +
3
2
.

d'o = 2a, et = b a 3. La famille est bien gnratrice.
En conclusion, c'est bien une base de C sur R.
"Soit E un espace vectoriel ayant une base n lments. 1) Toute base de E a n lments."
exemple 35
Nous avons vu, pour l'espace vectoriel C sur R, une base deux lments
(i, j). Toute autre base a exactement deux lments, par exemple (1, i).
exemple 36
( traiter)
Y-a-t-il une base trois lments dans R
2
?
# rponse
La rponse est non, en remarquant qu'on connat dans cet espace vectoriel
une base deux lments, la base :
((1, 0), (0, 1)).
"2) Toute famille gnratrice de E a au moins n lments. Une telle famille est une base
si et seulement si elle a exactement n lments."
exemple 37
nonc trs important, en particulier pour sa deuxime partie, qui vite des
calculs. Ainsi, sachant que R
2
a une base deux lments sur R, on peut
dduire que la famille :
((1, 1), (1, 1))
est une base en montrant simplement que cette famille est gnratrice :

(a, b) =
a + b
2
(1, 1) +
a b
2
(1, 1).
exemple 38
( traiter)
L'espace vectoriel R
3
a-t-il une famille gnratrice deux lments,
quatre lments ?
# rponse
Pour deux, la rponse est non, puisque cet espace a une base trois
lments :
((1, 0, 0), (0, 1, 0), (0, 0, 1)).
Pour quatre, la rponse est oui. Il suffit de complter une famille
gnratrice avec un vecteur quelconque :
((1, 0, 0), (0, 1, 0), (0, 0, 1), (1, 1, 1)).
"3) Toute famille libre de E a au plus n lments. Une telle famille est une base si et
seulement si elle a exactement n lments."
exemple 39
nonc trs important, en particulier pour sa deuxime partie, qui vite des
calculs. Ainsi, si on sait que C a une base deux lments sur R, on peut
traiter l'exemple 34 en montrant simplement que la famille (i, j) est libre.
exemple 40
( traiter)
L'espace vectoriel R
3
a-t-il une famille libre deux lments, quatre
lments ?
# rponse

Pour deux, la rponse est oui, il suffit de prendre une sous-famille deux
lments d'une famille libre :
((1, 0, 0), (0, 0, 1)).
Pour quatre, la rponse est non : dans R
3
, quatre vecteurs sont toujours
dpendants.
"L'entier n ainsi attach E s'appelle la dimension de E. "
exemple 41
Les exemples prcdents montrent qu'il est trs important de connatre la
dimension des espaces vectoriels avec lesquels on travaille. Par exemple :
dim(R
n
) = n,
dim
R
(C) = 2.
exemple 42
( traiter)
On note R
k
[X] l'espace vectoriel form des polynmes coefficients rels
de degr au plus k, et du polynme nul. Quelle est sa dimension ?
# rponse
Il faut trouver une base de ce sous-espace. Une famille est clairement
gnratrice :
(X
p
)
0pk
.
Il suffit de montrer qu'elle est libre, ce qui est vident puisqu'un polynme
est nul si et seulement si tous ses coefficients sont nuls.
On conclut :
dim(R
k
[X]) = k + 1.

"Soit E un espace vectoriel et (x
1
, , x
n
) une famille gnratrice de E. Soit (y
1
, , y
m
)
une famille libre, non gnratrice de E. Il existe des lments (x
i
1
, , x
i
k
) de la famille
(x
1
, , x
n
) tels que la famille (y
1
, , y
m
, x
i
1
, , x
i
k
) soit une base de E."
exemple 43
Dans de nombreux cas, la famille gnratrice (x
i
) est une base connue de
l'espace vectoriel, et la famille libre (y
j
) est une base d'un sous-espace
vectoriel. Cet nonc permet d'affirmer l'existence d'une base de l'espace
contenant la base connue du sous-espace, tout en donnant une mthode
pour la trouver.
Si E = R
3
[X], on cherche une base de E contenant la famille libre :
(X 1), (X 1)
2
.
Cette famille est libre car les polynmes qui y figurent sont de degrs
diffrents. Pour la complter, on a la possibilit d'essayer des vecteurs de
la base (1, X, X
2
, X
3
). On procde de proche en proche :
1, (X 1), (X 1)
2

est une famille libre, pour la mme raison de degrs, non gnratrice (la
dimension est 4, donc les familles gnratrices ont au moins quatre
termes). On lui applique nouveau la mme mthode :
1, (X 1), (X 1)
2
, X
3

est libre, et comme elle a 4 termes et que la dimension est 4, c'est bien une
base.
exemple 44
( traiter)
Dans R
3
, trouver une base contenant les vecteurs suivants :
A = (1, 1, 1), B = (1, 1, 1),
aprs avoir vrifi qu'ils forment bien une famille libre.
# rponse

Ces vecteurs ne sont pas proportionnels donc sont indpendants (argument
valable seulement pour deux vecteurs).
D'aprs le thorme de la base incomplte, il est certain que l'un, au moins,
des trois vecteurs de la base :
u = (1, 0, 0), v = (0, 1, 0), w = (0, 0, 1)
est indpendant des deux donns. Il suffit de procder quelques essais :
A + B = 2u,
donc u ne convient pas.
Par contre, si v = A + B, alors :
0 = +
1 = +
0 = ,
et les deux dernires galits sont incompatibles, et n'existent pas.
En conclusion, (A, B, v) forment une base de R
3
.
"Soit E un espace vectoriel de dimension finie. 1) Tout sous-espace F de E est de
dimension finie, et dim(F) dim(E). Si dim(F) = dim(E), alors F = E."
exemple 45
Rsultat trs important, puisqu'il permet de conclure l'galit de deux
ensembles, s'ils sont des espaces vectoriels, autrement que par une double
inclusion.
Soit E = R
2
[X], et F = {Q E | il existe P E, Q = P + P + P}, en notant
P le polynme driv de P, et P le polynme driv de P.
Les polynmes suivants appartiennent F :
Q
1
= 1 (prendre P = 1),
Q
2
= X + 1 (prendre P = X),
Q
3
= X
2
+ 2X + 2 (prendre P = X
2
).

Ces trois polynmes sont indpendants, puisque leurs degrs sont
diffrents, donc F contient une famille libre de trois lments, donc la
dimension de F est au moins 3. Comme elle est au plus gale celle de E,
qui vaut 3, on conclut :
dim(F) = dim(E) = 3.
Il en rsulte que F = E : tout polynme de degr au plus 2 est somme d'un
polynme bien choisi et de ses deux premires drives.
exemple 46
( traiter)
Dans R
3
, soit F le sous-espace form par les vecteurs (a, b, c) tels qu'il
existe trois rels x, y, z vrifiant :
a = x + y + 2z
b = y + 2z
c = z.
Montrer, par une mthode analogue, que F = R
3
.
# rponse
Si on choisit (1, 0, 0), on obtient le vecteur (1, 0, 0), pour (0, 1, 0), on
obtient (1, 1, 0), enfin, pour (0, 0, 1), on obtient (2, 2, 1).
On vrifie facilement que la famille :
(1, 0, 0), (1, 1, 0), (2, 2, 1)
est libre, donc la dimension de F est au moins 3, donc c'est 3, et E = F.
"2) Soient F et F des sous-espaces de E, on a la relation suivante : dim(F + F) = dim(F)
+ dim(F) dim(F F)."
exemple 47
Dans R
3
, les plans :
F = vect((1, 1, 0), (0, 1, 1)), F = vect((1, 2, 1), (1, 0, 1))

ont pour somme R
3
.
On remarque d'abord que (1, 0, 1) F, donc F n'est pas contenu dans F,
donc F F.
Leur intersection, est de dimension au moins 1, puisque :
dim(F + F) 3 2 + 2 dim(F F) 3,
mais elle n'est pas de dimension 2, puisqu'elle serait alors gale F et F
d'aprs le rsultat prcdent, et que F F.
Donc dim(F F) = 1, et dim(F + F) = 3.
exemple 48
( traiter)
Dans R
4
, quelles sont les dimensions possibles de l'intersection de deux
plans (sous-espaces de dimension 2) ?
# rponse
On part de dim(F + F) dim(R
4
) = 4, d'o :
dim(F) + dim(F) dim(F F) 4, et :
0 = 2 + 2 4 dim(F F).
D'autre part, F F est un sous-espace de F et de F, donc sa dimension
est au plus 2. En conclusion, dans R
4
, deux plans peuvent se couper en un
seul point (F F = {0}), en une droite, ou tre gaux.
"3) Tout sous-espace F admet un supplmentaire F dans E. On a l'galit dim(F) =
dim(E) dim(F)."
exemple 49
Cette condition n'est pas suffisante. Dans R
3
, le plan :
F = vect((1, 0, 0), (0, 1, 1)),
et la droite :
F = vect((1, 1, 1)),

ne sont pas supplmentaires, quoique dim(F) + dim(F) = 3.
En effet, F est engendr par la somme des deux vecteurs qui engendrent
F, donc F F.
exemple 50
( traiter)
Un supplmentaire n'est pas unique : soit D une droite du plan R
2
, et D'
une droite du plan distincte de D. Dmontrer que D et D' sont
supplmentaires.
# rponse
L'intersection de deux droites est de dimension 0 ou 1.
Si la dimension est 1, les deux droites sont gales :
dim(D D) = dim(D) = dim(D),
d'o :
D = D D = D.
L'intersection de deux droites distinctes est donc {0}.
Il en rsulte que la somme de deux droites distinctes est de dimension 2.
En conclusion, dans un plan, deux droites distinctes sont supplmentaires.
2-2 Applications linaires
"Soient E et F des espaces vectoriels sur un corps K, et f une application de E dans F. On
dit que f est une application linaire si les proprits suivantes sont vrifies : 1) pour
tout x et tout y de E, on a l'galit f(x + y) = f(x) + f(y), 2) pour tout x de E, et tout de
K, on a l'galit f(.x) = .f(x)."
exemple 51
Si E = R
4
, (ou K
n
en gnral), une application linaire sera souvent
exprime en fonction des coordonnes d'un vecteur quelconque.
Par exemple :

(a
1
, a
2
, a
3
, a
4
) (a
1
a
4
, a
2
+ a
3
).
Autre exemple :
(a
1
, a
2
, a
3
, a
4
) (a
1
* a
4
, a
2
+ a
3
).
Autre exemple :
(a
1
, a
2
, a
3
, a
4
) (a
1
a
4
, a
2
+ 1).
Le premier exemple est bien une application linaire, le second et le
troisime n'en sont pas, car les expressions qui figurent au second membre
ne sont pas linaires. Ainsi a
1
* a
4
n'est pas une expression linaire par
rapport a
1
et a
4
et a
2
+ 1 n'est pas une expression linaire par rapport
a
2
.
exemple 52
( traiter)
Les applications de R
2
[X] dans R
2
[X] dfinies par :
f : aX
2
+ bX + c (a + b + c)X
2
+ cX + b,
g : aX
2
+ bX + c (a * b + c)X
2
+ cX + b,
h : aX
2
+ bX + c (a + b + 1)X
2
+ cX + b,
sont-elles linaires ?
# rponse
Par analogie avec la remarque prcdente, on peut prvoir que f est linaire
(les coefficients du polynme image d'un polynme P sont des expressions
linaires par rapport aux coefficients de P), alors que g ne l'est pas ( cause
du produit a * b) et h non plus ( cause de a + b + 1).
C'est bien ce qu'on vrifie en appliquant la dfinition de la linarit.

"0n note Im(f) le sous-espace f(E), appel l'image de f."
exemple 53
L'image de f est l'ensemble des valeurs prises par f. C'est l'ensemble des
vecteurs V tels que l'quation f(X) = V ait une solution dans E.
Dans l'exemple 45, on a considr l'image F de l'application linaire de
R
2
[X] dans lui-mme donne par P P + P + P.
On a vrifi que l'image est R
2
[X].
exemple 54
( traiter)
Dterminer Im(f) pour l'application f de l'exemple 52.
# rponse
L'application est f : aX
2
+ bX + c (a + b + c)X
2
+ cX + b.
Procdons comme en 45-46 :
f(1) = X
2
+ X
f(X) = X
2
+ 1
f(X
2
) = X
2
.
Les polynmes X
2
+ X, X
2
+ 1, X
2
sont dans Im(f), donc X et 1 aussi, donc
Im(f) contient une famille libre de 3 lments, sa dimension est au moins
3, donc c'est 3, et :
Im(f) = R
2
[X].
"On note Ker(f) le sous-espace f-1(0), appel le noyau de f."
exemple 55
Le noyau est l'ensemble des solutions de l'quation f(V) = 0.

Rappelons que pour rsoudre une quation f(V) = W, o W est un vecteur
connu, il suffit de connatre une solution, soit V
0
, de cette quation, et le
noyau de f. L'ensemble des solutions est alors :
V
0
+ Ker(f).
Le noyau de l'application :
f : R
3
R
2

(x, y, z) (x y, y z)
est obtenu en rsolvant les quations :
x y = 0
y z = 0,
soit x = y = z. On crira :
Ker(f) = {(x, x, x) | x R}.
Une base de Ker(f) est le vecteur (1, 1, 1).
Pour rsoudre f(V) = (1, 1), il suffit alors de trouver un antcdent de (1, 1).
Par exemple (1, 0, 1). L'ensemble des solutions de f(V) = (1, 1) est donc
:
{(1 + x, x, 1 + x) | x R}.
exemple 56
( traiter)
Dterminer le noyau de l'application linaire :
H : R
2
[X] --. R
P P(0) + P(1).
On en donnera une base.
# rponse
Soit P = a + bX + cX
2
un polynme du noyau. Il vrifie l'quation :
a + a + b + c = 0,
c = b 2a,

donc :
P = a(1 2X
2
) + b(X X
2
).
Les polynmes (1 2X
2
) et (X X
2
) sont des lments du noyau, ils
constituent d'aprs ce rsultat une famille gnratrice de Ker(H). On
vrifie facilement qu'ils sont indpendants (ils ne sont pas proportionnels),
donc ils constituent une base de Ker(H).
"Une application linaire f est surjective si et seulement si Im(f) = F, et f est injective si
et seulement si Ker(f) = 0."
exemple 57
Exemple 54 : f est surjective.
exemple 58
( traiter)
Parmi les exemples prcdents (53 56), quelles sont les applications
linaires injectives ?
# rponse
Les applications linaires des exemples 55 et 56 ne sont pas injectives : on
a trouv que leur noyau n'est pas gal 0. Pour 53, on pourrait conclure
par le thorme du rang. Directement, on crit :
P = a + bX + cX
2
,
P appartient au noyau si P + P + P = 0 :
a + bX + cX
2
+ b + 2cX + 2c = 0,
donc :
a + b + 2c = 0,
b + 2c = 0,
c = 0,
d'o a = b = c = 0, P = 0. L'application est injective.

Pour 54, on crira :
(a + b + c)X
2
+ cX + b = 0,
soit :
a + b + c = 0,
c = 0,
b = 0,
d'o a = b = c = 0. L'application est injective.
"1) Soit f : E --. F une application linaire. Si (x
i
)
i
est une famille gnratrice de E
alors (f(x
i
))
i
est une famille gnratrice de Im(f)."
exemple 59
On a utilis cette proprit pour dterminer Im(f) dans l'exemple 54.
exemple 60
( traiter)
Reprendre l'exemple 55. Chercher une famille gnratrice de Im(f). Est-ce
une base ? En dduire Im(f).
# rponse
On rappelle que f est dfinie par :
(x, y, z) (x y, y z).
On calcule l'image d'une base (qui est une famille gnratrice) :
f(1, 0, 0) = (1, 0)
f(0, 1, 0) = (1, 1)
f(0, 0, 1) = (0, 1).
Ce n'est certainement pas une base, puisque dans R
2
il n'y a pas de famille
libre de plus de 2 lments. On voit que les deux premiers vecteurs (par
exemple) sont indpendants, donc Im(f) est de dimension 2, donc gale
R
2
.

"Si f est injective, si (x
i
)
iI
est libre, (f(x
i
))
iI
est libre."
exemple 61
C'tait le cas de 54. L'image d'une base par une application f injective (et
linaire) est une base de Im(f).
exemple 62
( traiter)
Dduire qu'une application linaire de R
3
dans R
2
n'est jamais injective.
# rponse
Sinon l'image de la famille libre (1, 0, 0), (0, 1, 0), (0, 0, 1) serait libre dans
R
2
ce qui est impossible.
"Soit f : E F une application linaire. Si f est injective, et F de dimension finie, alors E
est de dimension finie et dim(E) dim(F)."
exemple 63
Voir 62. Cet nonc permet de contrler le rsultat d'un calcul : si la
dimension de E est suprieure celle de F, le noyau de f n'est pas 0.
exemple 64
( traiter)
La rciproque : "Si dim(E) dim(F) alors f est injective" est-elle vraie ?
# rponse
Non, bien entendu. Par exemple :
f : R
2
R
3

(x, y) (x y, 0, 0)
a pour noyau :

{(x, x) | x R} = vect((1, 1)).
"Si f est surjective, et E de dimension finie, alors F est de dimension finie et
dim(E) dim(F)."
exemple 65
On fera les mmes remarques :
Il n'y a pas d'application linaire surjective de R
2
dans R
4
.
Une quation f(X) = V ne peut pas avoir de solution quel que soit V si
dim(E) < dim(F).
exemple 66
( traiter)
Que pensez-vous de la rciproque : "Si dim(E) dim(F) alors f est
surjective ".
# rponse
Elle est fausse galement :
f : R
3
R
2

(a, b, c) (a + b + c, a + b + c)
a pour image la droite :
{(x, x) | x R} = vect((1, 1)).
"Si E et F sont de dimension finie, on a l'galit : dim(E) = dim(Ker(f)) +
dim(Im(f))."
exemple 67
Relation trs importante, puisqu'elle vite un calcul lorsqu'on cherche les
dimensions de l'image et du noyau. Voir 58.

exemple 68
( traiter)
Reprendre l'exemple 55 (voir 60). Dterminer Im(f) en calculant sa
dimension.
# rponse
On a vu que dim(Ker(f)) = 1, d'o dim(Im(f)) = 2, et comme Im(f) R
2
,
Im(f) = R
2
.
"Consquence importante : soit f un endomorphisme de E, espace de dimension finie,
alors les trois conditions suivantes sont quivalentes * f est injective ** f est surjective
*** f est bijective ."
exemple 69
Dans l'exemple 53 (45), on a vu que l'application tait surjective, on peut
en dduire qu'elle est bijective. L'quation diffrentielle :
P + P + P = Q
a une solution unique dans R
2
[X], quel que soit Q dans R
2
[X].
exemple 70
( traiter)
Vrifier que l'application de R
2
dans R
2
:
(a, b) (a + 3b, 2a b)
est une bijection.
# rponse
Le noyau est manifestement (0, 0), donc l'application est injective, donc
bijective.

2-3 Matrices, dterminants
Produit de deux matrices
exemple 71
Le produit :
0 1
0 0
|
\

|

|
1 0
0 0
|
\

|

| =
0 0
0 0
|
\

|

| .
Noter que le produit de matrices non nulles peut tre nul.
exemple 72
( traiter)
Pour la matrice M suivante, calculer M
2
, M
3
:
M =
0 1 2
0 0 1
0 0 0
|
\

|

|
|
|
.
# rponse
On observe le cas d'une matrice non nulle, nilpotente (une puissance de
cette matrice est nulle).
M
2
=
0 1 2
0 0 1
0 0 0
|
\

|

|
|
|
0 1 2
0 0 1
0 0 0
|
\

|

|
|
|
=
0 0 1
0 0 0
0 0 0
|
\

|

|
|
|
M
3
=
0 1 2
0 0 1
0 0 0
|
\

|

|
|
|
0 0 1
0 0 0
0 0 0
|
\

|

|
|
|
=
0 0 0
0 0 0
0 0 0
|
\

|

|
|
|
.


"A toute matrice M = (m
i,j
) de M
pq
(K) on associe une application linaire f de K
q
dans
K
p
."
exemple 73
Un vecteur est reprsent par une matrice-colonne ( une seule colonne),
et l'application linaire est dfinie par le produit de matrices :
M =
1 0
2 3
4 1
|
\

|

|
|
|

d'o l'application :

x
y
|
\

|

| a
1 0
2 3
4 1
|
\

|

|
|
|
x
y
|
\

|

| =
x
2x + 3y
4x y
|
\

|

|
|
|
.
exemple 74
( traiter)
crire, par identification, la matrice qui correspond l'application linaire
:
(a, b, c) (a + c, b c).
# rponse
C'est une matrice (2, 3) :
1 0 1
0 1 1
|
\

|

| .

"Inversement, dans le cas d'espaces de dimension finie, on peut associer toute
application linaire une matrice, moyennant le choix de bases dans les espaces
considrs."
exemple 75
Dans la base canonique de R
2
[X], (1, X, X
2
), la matrice de l'application de
l'exemple 45 :
P P + P + P
s'crit en mettant en colonne les coefficients des images des vecteurs de
base :
1 1
X 1 + X
X
2
2 + 2X + X
2

d'o :
1 1 2
0 1 2
0 0 1
|
\

|

|
|
|
.
exemple 76
( traiter)
crire, dans les bases canoniques de R
3
et de R
2
, la matrice de l'application
linaire de 55.
Rappel : la base canonique de R
k
est forme des k-uples qui ont toutes
leurs composantes nulles sauf une, rangs depuis e
1
= (1, 0, 0) jusqu'
e
k
= (0, 0, 1).
# rponse
L'application considre est :
(x, y, z) (x y, y z)
donc :

(1, 0, 0) (1, 0)
(0, 1, 0) (1, 1)
(0, 0, 1) (0, 1).
D'o la matrice :
1 1 0
0 1 1
|
\

|

| .
"Soit M une matrice, p lignes et q colonnes. La transpose de M est la matrice q
lignes et p colonnes obtenue partir de M en changeant les lignes et les colonnes."
exemple 77
La transpose de la matrice ci-dessus est :
1 0
1 1
0 1
|
\

|

|
|
|
.
exemple 78
( traiter)
Existe-t-il des matrices gales leur transpose ? Si oui, donner un
exemple.
# rponse
Ce sont ncessairement des matrices carres. Il faut que les lignes et les
colonnes de mme numro soient identiques. Par exemple :
1 2 0
2 2 3
0 3 1
|
\

|

|
|
|
.
"Un systme d'quations linaires est donn par une matrice n lignes et m colonnes,
obtenue en rangeant en ligne les coefficients des diverses inconnues dans une quation

donne, et un vecteur n composantes, contenant les seconds membres des diffrentes
quations. Un systme linaire quivaut une seule quation matricielle dans laquelle
l'inconnue est un vecteur m composantes."
exemple 79
Le systme de trois quations deux inconnues :
x y = 1
x + 2y = 3
2x+ y = 4

quivaut l'quation matricielle :
MX = A,
avec :
M =
1 1
1 2
2 1
|
\

|

|
|
|
, X =
x
y
|
\

|

| , A=
1
3
4
|
\

|

|
|
|
.
exemple 80
( traiter)
crire le systme d'quations linaires quivalent :
1 2 0
2 0 1
1 3 2
|
\

|

|
|
|
a
b
c
|
\

|

|
|
|
=
1
1
2
|
\

|

|
|
|
.
# rponse
Il suffit d'effectuer le produit, on obtient les trois quations trois
inconnues :
a + 2b =1
2a + c =1
a + 3b+ 2c = 2
|
\


"Une mthode classique de rsolution connatre est la mthode du pivot de Gauss, qui
consiste remplacer le systme par un systme quivalent, mais de forme triangulaire."
exemple 81
Un systme de forme triangulaire est un systme dans lequel le nombre
d'inconnues figurant dans les quations successives diminue de un (au
moins) en passant d'une quation l'quation suivante.
Trois possibilits existent.
Premier cas :
a + 2b =1
2a + c =1
a + 3b+ 2c = 2
|
\

on conserve la premire quation, puis on limine l'inconnue a des deux
autres par des combinaisons de lignes. Ici, on peut ajouter le produit par 2
de la premire quation la seconde, et la premire quation la troisime
:
a + 2b = 1
4b+ c = 3
5b + 2c = 3.
|
\

Ce nouveau systme est quivalent au premier, il a les mmes solutions.
On conserve maintenant les deux premires quations, et on limine b de
la dernire quation en calculant 4 (troisime quation) 5 (deuxime)
:
a + 2b =1
4b+ c = 3
3c = 2.
|
\

On rsout maintenant les diverses quations en commenant par la
dernire, qui n'a qu'une inconnue, puis, c tant connu, la deuxime, qui n'a
plus qu'une inconnue, enfin on calcule a.

exemple 82
( traiter)
Second cas.
Par une mthode analogue, transformer le systme suivant :
a + 2b = 1
a + 6b + c = 4
2a + 2c = 3
a + 6b + 3c = 6.
|
\

Conclure, quant sa rsolution.
# rponse
Le systme, triangul par la mme mthode, est quivalent :
a + 2b =1
4b+ c = 3
3c = 2
c =1.
|
\

Ce nouveau systme comprend plusieurs quations ne contenant que
l'inconnue c. Soit ces quations sont quivalentes (proportionnelles), soit
elles sont incompatibles. Le premier cas conduit l'limination d'quations
superflues, puis une rsolution identique celle du premier exemple (82),
le second cas permet de conclure que le systme n'a pas de solution. C'est
ce second cas que l'on observe ici.
exemple 83
( traiter)
Troisime cas.
Transformer le systme suivant, et terminer sa rsolution :
a + 2b+ c + d = 1
a + 2b 2d = 2
2a + 4b+ 5c + 4d = 0.
|
\


# rponse
Le systme, aprs trigonalisation, est quivalent au suivant :
a + 2b+ c + d =1
4b+ c d = 3
3c + 2d = 2.
|
\

On voit qu'on n'a pas pu aboutir une dernire quation une seule
inconnue. Il y aura donc des inconnues ayant une valeur quelconque, et
d'autres s'exprimant en fonction des premires.
On fixe autant de valeurs arbitraires que ncessaire pour que la dernire
quation n'ait plus qu'une inconnue calculer.
Ici, fixons d arbitrairement. On peut alors calculer c, puis b, puis a, en
fonction de cette valeur de d. L'ensemble des solutions dpendra d'un
paramtre.
"Calculs de dterminants."
exemple 84
Calculons par dveloppement par rapport la premire ligne :
D =
1 2 1
0 1 3
2 0 2
.
On obtient :
D =
1 3
0 2
2
0 3
2 2
0 1
2 0
= 2 2 6 2
= 12.

exemple 85
( traiter)
Calculer de mme, par dveloppement par rapport une colonne :

H =
1 3 2
1 0 4
3 2 1
.
# rponse
La deuxime colonne comporte un zro, on la choisit donc pour le
dveloppement :
H = 3
1 4
3 1
+ 2
1 2
1 4
= 313 + 2 2
= 35.

NB : on aurait pu calculer ces deux dterminants par la formule de Sarrus.
"Transformation dun dterminant avant calcul."
exemple 86
On a vu sur l'exemple simple qui prcde que la prsence de 0 abrge le
calcul. Encore faut-il que les 0 soient dans une mme ligne ou une mme
colonne. On peut en faire apparatre par des oprations lmentaires :
A =
1 2 1 4
1 2 0 1
2 1 1 0
1 2 3 1
=
1 2 1 4
0 0 1 5
0 5 3 8
0 0 4 3
=
0 1 5
5 3 8
0 4 3
= 5
1 5
4 3
= 5( 3+ 20) = 85.


Utiliser, si possible, la prsence d'un coefficient gal 1 ou -1, ce qui vite
l'apparition de dnominateur.
exemple 87
( traiter)
Faire d'abord apparatre un 1 dans le terme de la premire ligne et premire
colonne, puis calculer le dterminant :
B =
3 2 1 2
0 2 4 5
2 4 1 1
5 2 1 0
.
# rponse
B =
3 2 1 2
0 2 4 5
2 4 1 1
5 2 1 0
=
1 2 1 2
2 2 4 5
6 4 1 1
7 2 1 0
=
1 2 1 2
0 6 2 1
0 16 7 11
0 16 6 14
=
6 2 1
16 7 11
16 6 14
=
0 0 1
82 15 11
100 22 14
=
82 15
100 22
=
82 15
18 7
=
46 1
18 7
= 46 7 18 = 304.

Bien entendu, de multiples possibilits de simplification peuvent tre
choisies, pour parvenir au mme rsultat.

"Une matrice carre est inversible si et seulement si son dterminant est diffrent de 0."
exemple 88
La matrice suivante est inversible :
M =
1 2
1 1
|
\

|

| .
En effet, son dterminant est 1. L'inverse de cette matrice est :
M
1
=
1 2
1 1
|
\

|

| .
On verra en exercice comment calculer l'inverse d'une matrice.
exemple 89
( traiter)
Vrifier que M
-1
est bien la matrice inverse de M.
# rponse
On calcule le produit M.M
-1
:
M.M
1
=
1 2
1 1
|
\

|

|
1 2
1 1
|
\

|

| =
1+ 2 2 + 2
11 2 1
|
\

|

| =
1 0
0 1
|
\

|

| .
"Un systme de n quations n inconnues admet une solution unique si et seulement si
son dterminant est diffrent de 0."
exemple 90
Reprenons le systme de 81. Son dterminant est :
1 2 0
2 0 1
1 3 2
=
1 2 0
0 4 1
0 5 2
=
4 1
5 2
= 8 5 = 3.
On a bien vrifi qu'il avait une solution unique.

exemple 91
( traiter)
Le systme suivant a-t-il une solution unique ? Le rsoudre.
a + 2b+ c + d = 1
a + 2b 2d = 2
2a + 4b+ 5c + 4d = 0
4b + c d = 3
|
\

# rponse
Le dterminant est :
1 2 1 1
1 2 0 2
2 4 5 4
0 4 1 1
=
1 2 1 1
0 4 1 1
0 0 3 2
0 4 1 1
=
4 1 1
0 3 2
4 1 1
=
4 1 1
0 3 2
0 0 0
= 0.
Il n'y a donc pas une solution unique.
Les transformations opres sur les lignes du dterminant sont celles de la
mthode du pivot. Le systme est donc quivalent :
a + 2b+ c + d =1
4b+ c d = 3
3c + 2d = 2
|
\

On fixe d arbitrairement, et on calcule ensuite c, b, a :
c =
2 2d
3
,
b =
3+ d +
2 + 2d
3
4
=
11+ 5d
12
,
a = 1 d +
2 + 2d
3
11+ 5d
6
=
1
6
7
6
d.


2-4 Rduction des matrices carres. Polynmes annulateurs
"Soit u : E --. E une application linaire dun espace vectoriel E dans lui-mme. On dit
quun vecteur V est un vecteur propre de u si u(V) est colinaire V."
exemple 92
Soit E l'espace vectoriel des fonctions indfiniment drivables sur R, et u
l'application de drivation, qui est, bien sr, linaire. Une fonction f est
une fonction propre si la drive f est proportionnelle f, il existe un rel
k tel que :
x R, f(x) = k f(x).
On voit que ces fonctions sont les fonctions exponentielles :
f(x) = Ce
kx
.
exemple 93
( traiter)
Soit E = R
2
[X], l'espace des polynmes coefficients rels de degr au
plus 2. Si l'application linaire u est dfinie par :
u(P) = P(0) + P(1)X,
quels sont les "polynmes propres" ?
# rponse
Un polynme propre P doit vrifier une galit :
kP = P(0) + P(1)X,
k tant un rel.
Il y a bien sr le cas du polynme nul.
Supposons d'abord k 0.
En dehors de P = 0, on voit que ncessairement P doit tre de degr au plus
1, soit P = a + bX. Les coefficients a et b doivent vrifier :
ka + kbX = a + (a + b)X,

ka + kbX = a + (a + b)X,
donc :
ka = a,
kb = a + b.
On cherche s'il y a des solutions avec k = 1 :
a = a,
b = a + b,
donc a = 0, et b quelconque :
P = bX.
Si k 1, alors a = 0, et b = 0, donc P = 0.
Supposons maintenant k = 0.
Le polynme P doit alors vrifier :
P(0) = P(1) = 0,
donc :
P = CX(X 1),
C tant une constante relle quelconque.
En conclusion, il y a deux familles de vecteurs propres :
P = bX,
P = CX(X 1).
"Soit u : E --. E une application linaire dun espace vectoriel E dans lui-mme. On dit
quun scalaire t est une valeur propre pour u sil existe un vecteur propre non nul V qui
vrifie : u(V) = t.V."
exemple 94
Dans l'exemple 92, les valeurs propres sont tous les rels.
exemple 95
( traiter)
Quelles sont les valeurs propres dans l'exemple 93 ?

# rponse
On a vu que l'on n'obtient des vecteurs propres non nuls seulement dans
deux cas : pour k = 1, et pour k = 0. Ce sont les deux valeurs propres.
"L'ensemble des vecteurs propres relatifs une valeur propre donne t est un sous-espace
vectoriel, qu'on appelle le sous-espace propre relatif t."
exemple 96
Dans l'exemple 93, il y a deux sous-espaces propres, chacun est de
dimension 1 :
pour t = 0, vect(X(1 X)),
pour t = 1, vect(X).
exemple 97
( traiter)
Quels sont les sous-espaces propres dans l'exemple 92 ?
# rponse
Il y en a une infinit, correspondant chaque rel. Chacun est de dimension
1 :
pour t = k, vect(e
kx
).
"Des vecteurs propres appartenant des sous-espaces propres deux deux distincts
forment toujours une famille libre."
exemple 98
Dans l'exemple 92 : les fonctions donnes par e
ax
, et e
bx
, a b, sont
linairement indpendantes.
En effet si on a pour tout x :
e
ax
+ e
bx
= 0,

on dduit (avec x = 0, puis en drivant en 0) :
+ = 0,
a + b = 0,
donc, comme a b, = = 0.
exemple 99
( traiter)
Vrifier cette indpendance des vecteurs propres pour l'exemple 93.
# rponse
C'est clair dans ce cas, puisque les polynmes sont de degr 1 pour la
valeur propre 1, et de degr 2 pour la valeur propre 0.
"Les valeurs propres sont les solutions de l'quation polynomiale : det(u X. Id
E
) = 0."
exemple 100
Le cas de l'exemple 92 n'entre pas dans ce rsultat, puisque l'espace
vectoriel considr n'est pas de dimension finie.
exemple 101
( traiter)
Vrifier dans le cas de l'exemple 93.
On choisira une base, puis on calculera le dterminant.
# rponse
Dans la base usuelle (1, X, X
2
), la matrice de u est :
A =
1 0 0
1 1 1
0 0 0
|
\

|

|
|
|
.

L'quation caractristique est :
1 X 0 0
1 1 X 1
0 0 X
= 0,
1 X ( )
2
X= 0.

On retrouve bien les valeurs propres 0 (multiplicit 1) et 1 (multiplicit 2).
"Soit M une matrice carre et P
M
(X) son polynme caractristique. On a l'galit entre
matrices (n, n), P
M
(M) = 0."
exemple 102
Dans l'exemple prcdent, on a :
P
A
(X) = (X 1)
2
X,
P
A
(A) = A I ( )
2
A
=
1 0 0
1 1 1
0 0 0
|
\

|

|
|
|
1 0 0
0 1 0
0 0 1
|
\

|

|
|
|
|
\

|

|
|
|
2
1 0 0
1 1 1
0 0 0
|
\

|

|
|
|
=
0 0 0
1 0 1
0 0 1
|
\

|

|
|
|
0 0 0
1 0 1
0 0 1
|
\

|

|
|
|
1 0 0
1 1 1
0 0 0
|
\

|

|
|
|
=
0 0 0
0 0 1
0 0 1
|
\

|

|
|
|
1 0 0
1 1 1
0 0 0
|
\

|

|
|
|
=
0 0 0
0 0 0
0 0 0
|
\

|

|
|
|
.

exemple 103
( traiter)
Vrifier ce rsultat gnral pour une matrice (2, 2) quelconque.

# rponse
Pour une matrice (2, 2) :
M =
a b
c d
|
\

|

| ,
le polynme caractristique est :
p
M
(X) = X
2
(a + d)X + (ad bc).
On doit calculer :
p
M
(M) =
a b
c d
|
\

|

|
a b
c d
|
\

|

|
(a + d)
a b
c d
|
\

|

|
+ (ad bc)
1 0
0 1
|
\

|

|
=
a
2
+ bc b(a + d)
c(a + d) d
2
+ bc
|
\

|

|
|
a(a + d) b(a + d)
c(a + d) d(a + d)
|
\

|

| +
ad bc 0
0 ad bc
|
\

|

|
=
0 0
0 0
|
\

|

| .

"Soit u un endomorphisme d'un espace vectoriel de dimension finie E, t une valeur propre,
de multiplicit m(t), et E
t
le sous-espace propre relatif t, de dimension d(t). On a la
relation suivante : 1 d(t) m(t)."
exemple 104
Dans l'exemple 93, on a bien :
d(0) = 1, m(0) = 2
d(1) = 1 = m(1).
exemple 105
( traiter)
Chercher les valeurs propres et les sous-espaces propres de la matrice :

B =
1 0 1
1 1 1
0 0 0
|
\

|

|
|
|
.
# rponse
1 X 0 1
1 1 X 1
0 0 X
= (1 X)
2
X = 0,
donc les valeurs propres sont les mmes que dans l'exemple 93 :
0, avec multiplicit 1
1, avec multiplicit 2.
Pour les sous-espaces propres :
t = 0, la dimension ne peut tre que 1 :
1 0 1
1 1 1
0 0 0
|
\

|

|
|
|
a
b
c
|
\

|

|
|
|
=
0
0
0
|
\

|

|
|
|
,
a + c = 0
a + b + c = 0.

On dduit b = 0, a = c, le sous-espace propre est vect((1, 0, 1)).
t = 1 :
1 0 1
1 1 1
0 0 0
|
\

|

|
|
|
a
b
c
|
\

|

|
|
|
=
a
b
c
|
\

|

|
|
|
,
a + c = a
a + b + c = b
0 = c.

On dduit c = 0, a = 0, le sous-espace propre est vect((0, 1, 0).

"Une matrice est diagonalisable si et seulement si : 1) Son polynme caractristique est
scind 2) Pour toute valeur propre t, on a l'galit d(t) = m(t)."
exemple 106
La matrice de l'exemple 105 n'est pas diagonalisable, ni celle de l'exemple
104.
exemple 107
( traiter)
La matrice suivante est-elle diagonalisable :
2 5
1 2
|
\

|

| .
# rponse
X
2
+ 1 = 0.
On voit donc que la question est insuffisamment prcise.
Sur R, le polynme n'est pas scind, donc la matrice n'est pas
diagonalisable.
Sur C, le polynme est scind, et a deux racines simples, donc la matrice
est diagonalisable.
"Mthode de diagonalisation."
exemple 108
Diagonaliser une matrice c'est
Dterminer si elle est diagonalisable, en cherchant les valeurs propres,
les sous-espaces propres,

Si la matrice est diagonalisable, crire la matrice de passage d'un
changement de base convenable (nouvelle base forme de vecteurs
propres).
Enfin crire la matrice diagonale semblable la matrice donne
correspondant la matrice de passage choisie.
exemple 109
( traiter)
Appliquer cette dmarche la matrice :
A =
1 0 0
2 1 2
0 0 1
|
\

|

|
|
|
.
# rponse
quation caractristique :
1 X 0 0
2 1 X 2
0 0 1 X
= (1 X)(1 X)
2
= 0.
Les valeurs propres sont donc 1, de multiplicit 2, et 1, de multiplicit 1.
Pour t = 1, le sous-espace est dtermin par les quations :
1 0 0
2 1 2
0 0 1
|
\

|

|
|
|
a
b
c
|
\

|

|
|
|
=
a
b
c
|
\

|

|
|
|
,
a = a
2a b 2c = b
c = c.

Donc a et c sont arbitraires, et b = a c. Les vecteurs propres s'crivent
:
(a, a c, c) = a (1, 1, 0) + c (0, 1, 1),

donc le sous-espace est de dimension 2, de base ((1, 1, 0), (0, 1, 1)).
On sait donc que la matrice est diagonalisable puisque, pour l'autre valeur
propre, simple, la dimension du sous-espace propre est ncessairement
gale la multiplicit.
Cherchons une base du sous-espace propre relatif la valeur propre 1 :
1 0 0
2 1 2
0 0 1
|
\

|

|
|
|
a
b
c
|
\

|

|
|
|
=
a
b
c
|
\

|

|
|
|
,
a = a
2a b 2c = b
c = c.

Donc a = c = 0, et b est arbitraire. Les vecteurs propres sont de la forme
gnrale b (0, 1, 0).
La matrice de passage a comme vecteurs-colonnes les vecteurs des bases
des sous-espaces propres, par exemple, en plaant d'abord les vecteurs
propres correspondant 1 :
P =
1 0 0
1 1 1
0 1 0
|
\

|

|
|
|
.
La matrice semblable, diagonale, qui correspond cette matrice de
passage, doit s'crire sans calcul : les valeurs propres sont ranger dans la
diagonale, dans le mme ordre que les vecteurs propres :
D =
1 0 0
0 1 0
0 0 1
|
\

|

|
|
|
.
"Soit A une matrice carre, P son polynme caractristique et M son polynme minimal.
1) M divise P, 2) Les polynmes P et M ont les mmes racines, relles ou complexes, 3)

La matrice A est diagonalisable si et seulement si le polynme M n'a que des racines
simples."
exemple 110
On suppose qu'une matrice A, (3, 3), a pour polynme caractristique :
P = (1 X)
2
(1 + X).
Quels choix sont possibles pour le polynme minimal ?
En raison des points 1) et 2), deux choix seulement :
M = P, et A n'est pas diagonalisable,
M = (X 1)(X + 1), et A est diagonalisable.
exemple 111
( traiter)
crire le polynme minimal dans les cas des exemples 104, 105, 109.
# rponse
Pour la matrice :
1 0 0
1 1 1
0 0 0
|
\

|

|
|
|

qui n'est pas diagonalisable, le polynme minimal est gal l'oppos du
polynme caractristique, (X 1)
2
X.
Pour la matrice :
1 0 1
1 1 1
0 0 0
|
\

|

|
|
|

la rponse est la mme.
Enfin, pour la matrice :

1 0 0
2 1 2
0 0 1
|
\

|

|
|
|

qui est diagonalisable, M = (X 1)(X + 1).
"Dmarche de trigonalisation."
exemple 112
Prenons l'exemple de la matrice :
M =
1 0 0
1 1 1
0 0 0
|
\

|

|
|
|
.
On sait (exemples 93-104) qu'elle a deux valeurs propres, 0, de multiplicit
1, et 1 de multiplicit 2.
Pour la premire valeur propre, t = 0 :
1 0 0
1 1 1
0 0 0
|
\

|

|
|
|
a
b
c
|
\

|

|
|
|
=
0
0
0
|
\

|

|
|
|
a = 0
a + b + c = 0.

Donc ce sous-espace a pour base (0, 1, 1).
Pour la valeur propre 1 :
1 0 0
1 1 1
0 0 0
|
\

|

|
|
|
a
b
c
|
\

|

|
|
|
=
a
b
c
|
\

|

|
|
|
a = a
a + b + c = b
0 = c.

Donc a = c = 0, et b est arbitraire. Une base est (0, 1, 0).

Il faut donc complter par un vecteur pseudo-propre relatif la valeur
propre 1. Ses coordonnes vrifient :
1 0 0
1 1 1
0 0 0
|
\

|

|
|
|
a
b
c
|
\

|

|
|
|
=
a
b
c
|
\

|

|
|
|
+
0
1
0
|
\

|

|
|
|
a = a
a + b + c = b +
0 = c.

Donc c = 0, b est arbitraire et a = .
L'ensemble des solutions est donn par :
(, 0, 0) + (0, b, 0)
Pour obtenir un vecteur indpendant de (0, 1, 0), on prend 0, par
exemple = 1, d'o le vecteur pseudo-propre :
(1, 0, 0).
La matrice de passage est, en plaant d'abord la valeur propre 0, puis la
valeur propre 1 :
P =
0 0 1
1 1 0
1 0 0
|
\

|

|
|
|
.
On crit la matrice triangulaire correspondant ce choix : d'abord, dans
la diagonale, les valeurs propres, la place correspondant aux vecteurs
propres. Ensuite, au-dessus de la diagonale, pour les colonnes
correspondant aux vecteurs pseudo-propres, on utilise les rsultats des
calculs : si V = (0, 1, 0) est le vecteur propre, et W = (1, 0, 0) le vecteur
pseudo-propre obtenu avec b = 0, et = 1, on a la relation :
MW = W + V,
donc se trouve dans la troisime colonne, seconde ligne.
La matrice trigonalise (ou triangularise) est :

T =
0 0 0
0 1 1
0 0 1
|
\

|

|
|
|
.
exemple 113
( traiter)
Appliquer la mme dmarche la matrice :
B =
1 0 1
1 1 1
0 0 0
|
\

|

|
|
|
.
# rponse
(voir 105).Les valeurs propres sont :
0, avec multiplicit 1,
1, avec multiplicit 2.
Pour la valeur propre 0, le sous-espace propre est vect((1, 0, 1)).
Pour la valeur propre 1, le sous-espace propre est vect((0, 1, 0).
On cherche un vecteur pseudo-propre pour 1 :
1 0 1
1 1 1
0 0 0
|
\

|

|
|
|
a
b
c
|
\

|

|
|
|
=
a
b
c
|
\

|

|
|
|
+
0
1
0
|
\

|

|
|
|
,
a + c = a
a + b + c = b +
0 = c.

Donc c = 0, b est arbitraire et a = . Les solutions sont :
(, 0, 0) + (0, b, 0).
On obtient un vecteur indpendant du vecteur propre par = 1, b = 0.
La matrice de passage peut s'crire :

P =
0 1 1
1 0 0
0 0 1
|
\

|

|
|
|
.
La matrice triangulaire associe est :
T =
1 1 0
0 1 0
0 0 0
|
\

|

|
|
|
.
"Calcul des puissances d'une matrice carre."
exemple 114
Une premire mthode passe par la connaissance d'un polynme
annulateur, si possible le polynme minimal. Reprenons l'exemple 109 :
S =
1 0 0
2 1 2
0 0 1
|
\

|

|
|
|
,
dont le polynme minimal est (111) X
2
1.
Cela signifie que :
S
2
= I.
On en dduit que si n = 2p, S
n
= I, et si n = 2p + 1, S
n
= S.
exemple 115
( traiter)
Une autre mthode passe par la rduction de la matrice la forme
diagonale, si possible, ou triangulaire. Reprendre le cas de 112, et calculer
l'expression de la puissance n-me de cette matrice.
# rponse
Rappelons que :

M =
1 0 0
1 1 1
0 0 0
|
\

|

|
|
|

T =
0 0 0
0 1 1
0 0 1
|
\

|

|
|
|

On crit :
T =
0 0 0
0 1 0
0 0 1
|
\

|

|
|
|
+
0 0 0
0 0 1
0 0 0
|
\

|

|
|
|
= D+ N.
Les matrices D et N commutent, de plus N
2
= 0, donc :
(D + N)
n
= D
n
+ nD
n-1
N.
On trouve donc :
T
n
=
0 0 0
0 1 0
0 0 1
|
\

|

|
|
|
n
+ n
0 0 0
0 1 0
0 0 1
|
\

|

|
|
|
n1
0 0 0
0 0 1
0 0 0
|
\

|

|
|
|
=
0 0 0
0 1 0
0 0 1
|
\

|

|
|
|
+ n
0 0 0
0 1 0
0 0 1
|
\

|

|
|
|
0 0 0
0 0 1
0 0 0
|
\

|

|
|
|
=
0 0 0
0 1 0
0 0 1
|
\

|

|
|
|
+
0 0 0
0 0 n
0 0 0
|
\

|

|
|
|
=
0 0 0
0 1 n
0 0 1
|
\

|

|
|
|
.

Il faut ensuite calculer l'inverse de la matrice P pour faire le changement
de base :
M
n
= PT
n
P
-1
.
Ici, on trouve :

P
1
=
0 0 1
0 1 1
1 0 0
|
\

|

|
|
|
,
M
n
=
0 0 1
1 1 0
1 0 0
|
\

|

|
|
|
0 0 0
0 1 n
0 0 1
|
\

|

|
|
|
0 0 1
0 1 1
1 0 0
|
\

|

|
|
|
,
=
0 0 1
0 1 n
0 0 0
|
\

|

|
|
|
0 0 1
0 1 1
1 0 0
|
\

|

|
|
|
=
1 0 0
n 1 1
0 0 0
|
\

|

|
|
|
.

Penser vrifier, au moins, que pour n = 1 la formule donne M.


indications pour rsoudre - mthode - lexique
3 Pour Comprendre
et Utiliser
3-1 noncs des exercices
Savoir rsoudre un systme d'quations linaires.
Applications : Savoir montrer qu'une famille de vecteurs
est libre, ou trouver une relation de dpendance. Savoir
montrer qu'un vecteur appartient au sous-espace engendr
par une famille de vecteurs donne, chercher les vecteurs
du noyau, les quations de l'image d'une application
linaire.
exercice 1
Mthode du pivot.
Rsoudre le systme d'quations linaires suivant, en discutant selon les
valeurs du paramtre rel m ().
x+ (2m1)y m
2
z + (m
2
+ m)t = m
x +(2m+1)y +( m
2
2m1)z + (2m
2
4m)t = m+1
x+ 2my
3
2
mz + (m
2
m)t = m
2x + 4my (2m+ 1)z + (m
2
m)t =1


exercice 2
Famille libre.
Les familles suivantes de vecteurs sont-elles libres ()? () ()
1) Dans R
3
: V
1
= (1, 1, 2), V
2
= (2, 2, 1),V
3
= (0, 1, 2).
2) Dans R
4
:
A
1
= (1, 1, 1, t ), A
2
= (1, 1, t, 1), A
3
= (1, t, 1, 1), A
4
= (t, 1, 1, 1).
Discuter selon les valeurs de t.
3) Dans F(R, R), les fonctions dfinies par les expressions :
cos(x), sin(x), cos
2
(x), sin
2
(x), cos(2x).
4) Dans R
2
[X] : X(X + 1), X(X 1), X(X 2), X(X 3).
exercice 3
Relation de dpendance.()
1) Expliquer pourquoi les vecteurs suivants sont lis (), et donner une
relation de dpendance entre eux ()() :
W
1
= (1, 0, 1, 2u), W
2
= (u, 1, 0, 1), W
3
= (1, u, 1, 0),
W
4
= (u, 1, 1, 1), W
5
= (1, 1, u, 1), W
6
= (1, u, 1, - 1).

2) Dmontrer que le vecteur W appartient au sous-espace engendr par les
vecteurs V
1
, V
2
, V
3
() :
). 3 , 2 , 1 , 2 ( ), 1 , 1 , 2 , 1 ( ), 0 , 0 , 1 , 1 ( ), 3 , 3 , 2 , 1 (
3 2 1
= = = = V V V W
3) Soit E un espace vectoriel, (x
k
)
1kn
une famille de vecteurs de E, et F
le sous-espace engendr par cette famille. Dmontrer que la famille
(x
k
)
1kn
est lie () si et seulement si il existe une sous-famille qui
engendre () encore F ().
exercice 4
Vecteurs d'un noyau.
Chercher la forme des vecteurs du noyau () de l'application linaire
indique, dans les cas suivants :

1) De C
(R) dans lui-mme () : u(f) = f f f.

2) De R
3
[X] dans R
2
[X] () : v(P) = P XP.
3) De R
4
dans lui-mme () :
(x, y, z, t) = (2x y + z + 2t, x + 2y z t, y 3z + t, x + z).
exercice 5
Relations entre les vecteurs d'une image.
Donner, sous forme de relations linaires, une condition ncessaire et
suffisante pour qu'un vecteur appartienne l'image de l'application linaire
() dans les cas suivants :
1) De R
3
dans R
4
() :
u(a, b, c) = (a b c, a + 2b c, 2a b + 3c, a + b + 2c).
2) De R
3
[X] dans R
2
[X] () : v(P) = P XP.
3) De R
4
dans lui-mme () :
(x, y, z, t) = (2x y + z + 2t, x + 2y z t, y 3z + t, x + z).
Savoir chercher une base d'un sous-espace vectoriel :
sous-espace donn par des quations, sous-espace donn
par des gnrateurs, intersection, somme de sous-espaces,
supplmentaire.
exercice 6
Sous-espace donn par des quations.()
Dans chaque cas, donner une base () du sous-espace vectoriel E dfini
par les quations linaires proposes ().
1) Dans R
4
, E est dfini par :


2) Dans R
3
, E est dfini par :
2b+ c = 0
a 3b + 3c = 0
a + b 4c = 0

3) R
2
[X], E(m) est dfini par :
P(1) + P(1)X+ P(0)X
2
= m P(X).
4) Bilan.
E peut-il tre vide ?
Si E est dfini par p quations n inconnues, dans quel cas est-on certain
que E n'est pas gal {0} ?
exercice 7
Sous-espace donn par des gnrateurs.()
Dans chaque cas, donner une base du sous-espace vectoriel F engendr
() par les vecteurs indiqus.
1) Dans R
3
[X], F est engendr par :
P
1
= X
3
X +1, P
2
= X
3
+ X1, P
3
= X1, P
4
= X +1.
2) Dans R
3
, F est engendr par :
V
1
= (1, 1, 2), V
2
= (1, 1, 1), V
3
= (2, 2, 3), V
4
= (0, 1, 1).
3) Dans F(R, R), F est engendr par (f
a
)
aR
, o f
a
(x) = cos(x + a).
4) Bilan. Pour un sous-espace d'un espace de dimension () n, engendr
() par p vecteurs, que peut-on prvoir sur la dimension du sous-espace,
c'est--dire le nombre de termes d'une base, avant de faire les calculs ?
= + +
+ = + +
+ = + +
z x t z y
t x t z y x
x y t t z y x
3 3
2
2 2

exercice 8
Intersection de sous-espaces.
Donner une base de l'intersection des sous-espaces E et F ci-dessous.
1) Dans R
5
, E = vect(V
1
, V
2
, V
3
), F = vect(W
1
, W
2
, W
3
) :
V
1
= (1, 2, 1, 1, 0), V
2
= (0, 0, 1, 2, 1)
V
3
= (0, 1, 1, 0, 2), W
1
= (1, 1, 1, 1, 1)
W
2
= (1, 0, 0, 2, 3), W
3
= (1, 1, 0, 2, 0)
2) Dans R
5
, E = vect(V
1
, V
2
, V
3
), ci-dessus, et F est dfini par les quations
linaires :
x y z + t + u = 0,
2x + y z t + u = 0.
3) Dans R
5
, F est le sous-espace de la question 2), et E est dfini par les
quations linaires :
x + y z t + 2u = 0,
x + 2y z + t 2u = 0.
4) Bilan. Dans chaque cas, dire ce que l'on pouvait prvoir, avant de faire
les calculs, sur la dimension () de l'intersection. Essayer de gnraliser
en nonant des rgles pratiques, et simples partir de la dimension de
l'espace "ambiant", du nombre de gnrateurs () de chaque sous-
espace, ou du nombre d'quations.
Ces rgles visent un contrle de la dimension () (majoration,
minoration), mais pas ncessairement un calcul.
exercice 9
Somme de sous-espaces.
Dans les trois cas de l'exercice prcdent, donner une base () de E + F.
Peut-on donner des indications a priori, sur la dimension de la somme
() ?

exercice 10
Supplmentaire () d'un sous-espace.()
1) Dans les deux cas de l'exercice 8, donner une base d'un supplmentaire
de E dans R
5
.
Que pouvait-on prvoir avant de faire les calculs ?
Essayer de donner une rgle pratique gnrale.
2) Soit T un espace vectoriel, f une application linaire surjective de T dans
R, et K le noyau de f.
2-1) Expliquer pourquoi K T.
2-2) Soit V un vecteur de T n'appartenant pas K. Dmontrer que vect(V)
est un supplmentaire de K dans T.
2-3) Donner deux exemples de cette situation, l'un o T est de dimension
finie, l'autre o T n'est pas de dimension finie () ().
Calculer avec des matrices. Quelques types de matrices
: inversibles, nilpotentes, symtriques, antisymtriques,
orthogonales. Associer une matrice une application
linaire.
exercice 11
Calcul matriciel.
1) Dans l'espace vectoriel M
n
(R) des matrices carres d'ordre n, relles, on
distingue les matrices lmentaires, notes E
i,j
, i et j tant compris entre 1
et n. Dans chacune de ces matrices, tous les termes sont nuls, sauf un, celui
situ dans la ligne i et la colonne j, qui vaut 1.
Vrifier que la famille (E
i,j
)
(i,j) [1..n]x[1..n]
est une base () de M
n
(R), et
que le produit de deux matrices de la famille est soit 0, soit une matrice de
la famille.
2) Soit Z
n
le centre de M
n
(R), c'est--dire l'ensemble des matrices qui
commutent avec toute matrice de type (n , n).

Dmontrer qu'une matrice A appartient Z
n
si et seulement si elle
commute avec toutes les matrices lmentaires.
En dduire quelles sont les matrices du centre ().
3) Soit A une matrice relle (2, 2), non multiple de la matrice identique I.
On note C(A) l'ensemble des matrices (2, 2), M, qui commutent avec A,
c'est--dire telles que AM = MA, c'est le centralisateur de A.
Vrifier que C(A) est un sous-espace vectoriel de M
2
(R) ().
En discutant selon les coefficients de A, dmontrer que ce sous-espace
vectoriel est de dimension 2 ().
En dduire que (I, A) en est une base.
Corollaire : dmontrer que toute puissance de A est combinaison linaire
de A et de I. Exprimer A
2
, A
3
en fonction de A et de I.
exercice 12
Matrices inversibles, nilpotentes.
1) On note GL
n
(R) le sous-ensemble de M
n,n
(R), form des matrices
inversibles. On l'appelle le groupe linaire d'ordre n.
Est-ce un sous-espace vectoriel ?
Dmontrer que pour toute matrice lmentaire E
i,j
, la matrice I + E
i,j
est
inversible ().
Montrer que son inverse est de la forme :
I + E
i,j
,
tant un rel que l'on prcisera (distinguer i = j et i j).
Dterminer le centralisateur de GL
n
(R), c'est--dire l'ensemble des
matrices qui commutent avec toute matrice inversible.
2) Le calcul de l'inverse d'une matrice inversible A peut s'aborder de deux
manire () :
Si on connat un polynme annulateur, il aura ncessairement un terme
constant non nul. A partir de cette remarque, calculer l'inverse de la
matrice de l'exemple 109 ().

Sinon, on rsout un systme formel Y = AX, en calculant X en fonction
de Y. On identifie alors le rsultat avec X = A
-1
Y.
Calculer de cette manire, aprs avoir vrifi qu'elle est inversible
(dterminant), l'inverse de :
P =
1 1 0 1
1 0 1 1
1 1 1 0
0 1 1 1
|
\

|

|
|
|
|
|
.
3) Une matrice est nilpotente si elle a une puissance nulle. On note ici
N
n
(R) le sous-ensemble de M
n
(R), form des matrices nilpotentes.
Pour une matrice nilpotente P, on dit que P est nilpotente d'indice k si P
k

est la matrice nulle et, k = 1 ou P
k-1
n'est pas nulle.
Donner des exemples d'lments de N
2
(R), non nuls, d'indices 1 et 2.
Pouvez-vous en trouver d'indice 3 ?
Le sous-ensemble N
n
(R) est-il un sous-espace vectoriel ?
Dans N
n
(R) soit P une matrice nilpotente d'indice k. Soit V un vecteur
de R
n
(matrice colonne) tel que P
k-1
V ne soit pas nul. Dmontrer que la
famille :
V, PV, P
2
V, , P
k-1
V
est une famille libre. Dduire que k n.
Plus gnralement, soit H un supplmentaire du noyau de P
k-1
, r sa
dimension et V
1
, V
2
, , V
r
une famille libre de H. Dmontrer que :
V
1
, PV
1
, P
2
V
1
, , P
k-1
V
1
, ,V
r
, PV
r
, P
2
V
r
, , P
k-1
V
r

est une famille libre.
Dans cette famille, les vecteurs autres que les V
j
forment une famille
libre de Ker(P
k-1
). Complter cette famille libre en une base de Ker(P
k-1
),
et crire la matrice de P dans la base de R
n
obtenue en juxtaposant la base
de H et la base de Ker(P
k-1
).

exercice 13
Matrices symtriques, antisymtriques, orthogonales.
On appelle matrice symtrique une matrice gale sa transpose, et
matrice antisymtrique une matrice oppose sa transpose. Enfin, on
appelle matrice orthogonale une matrice dont la transpose est l'inverse.
Ce sont des matrices carres.
On note S(n) (resp. A(n), O(n)) l'ensemble des matrices relles
symtriques de type (n, n) (resp. antisymtriques, orthogonales).
1) crire la forme gnrale des lments de S(2), A(2), O(2).
2) Ces sous-ensembles sont-ils des sous-espaces vectoriels de M
2,2
(R) ?
Gnraliser. Le cas chant, donner la dimension des sous-espaces.
3) Dmontrer que S(n) et A(n) sont supplmentaires.
4) On suppose maintenant n = 3. Pour tout V = (x, y, z), vecteur de R
3
, on
note ||V|| sa longueur : V = x
2
+ y
2
+ z
2
.
On rappelle que le produit scalaire de deux vecteurs de R
3
, V = (x, y, z) et
V' = (x', y', z') est le rel <V , V'> = xx' + yy' + zz'.
Dmontrer que si A est orthogonale, alors pour tout V et tout V', on a :
<AV , AV'> = <V , V'> ().
Dduire que, quelle que soit la matrice orthogonale A de O(3), on a pour
tout vecteur V : ||AV|| = ||V||.
On dit que A est la matrice d'une isomtrie.
exercice 14
Matrice associe une application linaire, dans des bases donnes.
Changement de base.
Lorsqu'une application linaire est donne, en dimension finie, il est
souvent (pas toujours) utile de la reprsenter par une matrice pour
transformer le problme pos en un problme "standard" de calcul
matriciel.

1) Soit u l'application linaire de R
3
[X] dans lui-mme obtenue en
associant un polynme P le polynme :
P(0) + P(0) X + P(0) X
2
+ P(0) X
3
.
crire la matrice de cette application dans la base (1, X, X
2
, X
3
).
Dduire le noyau et l'image de cette application.

2) Montrer que la famille suivante de fonctions sur R est une famille libre
:
s
1
: x sin(x)e
x
, c
1
: x cos(x)e
x
,
s
2
: x sin(x)e
2x
, c
2
: x cos(x)e
2x
.
Soit E l'espace vectoriel qu'elle engendre, et D l'application de drivation.
Dmontrer que D est un endomorphisme de E. Quelle est sa matrice
dans la base ci-dessus ?
Dmontrer que cette matrice est inversible, et calculer son inverse ().
En dduire une formule gnrale de calcul d'une primitive d'une fonction
:
f(x) =
1
sin(x)e
x
+
1
cos(x)e
x
+
2
sin(x)e
2x
+
2
cos(x)e
2x
.
3) Dans R
3
[X], on utilise gnralement la base B
1
= (1, X, X
2
, X
3
).
D'autres peuvent tre utiles dans certains cas, comme :
B
2
= (1, X 1, (X 1)
2
, (X 1)
3
).
crire la matrice P de passage () de la premire base dans la seconde.
Calculer son inverse Q ().
Soit H = a + bX + cX
2
+ dX
3
, un polynme. crire l'expression de H en
dcomposition sur la base B
2
(formule de Taylor en 1).
Soit f l'application linaire de R
3
[X] dans lui-mme dfinie par :
A (X 1)
2
A + (X 1)A + A + A(1).
crire la matrice de f dans la base B
1
, et en dduire sa matrice dans la base
B
2
, l'aide de P et Q. Vrifier en calculant directement cette matrice.

Savoir rduire une matrice carre : diagonalisation,
trigonalisation.
exercice 15
Valeurs propres, diagonalisation. ()
1) Les techniques mettre en oeuvre dans la pratique sont :
calcul d'un dterminant.
rsolution d'une quation algbrique.
criture d'une base d'un sous-espace vectoriel dfini par des quations
linaires.
Pour chacune des matrices ci-dessous, vrifier qu'elle est diagonalisable,
donner une base forme de vecteurs propres, et la matrice diagonale
correspondante.
A =
3 1 0
1 1 1
1 1 2
|
\

|

|
|
|
, B =
3 1 1
1 1 1
0 1 2
|
\

|

|
|
|
, C =
2 1 1
0 1 0
1 1 2
|
\

|

|
|
|
D =
0 1 1 0
1 2 1 2
0 2 0 2
1 0 1 0
|
\

|

|
|
|
|
|
, E =
0 0 1 1
1 1 1 1
0 1 0 1
1 0 1 0
|
\

|

|
|
|
|
|
F =
1 0 2 2
2 1 2 2
2 2 1 0
2 2 2 1
|
\

|

|
|
|
|
|
, G =
0 1 1 1
0 1 0 0
1 1 0 1
0 0 0 1
|
\

|

|
|
|
|
|
.

2) Soit A une matrice de type (n , n) ayant toutes ses valeurs propres
distinctes. On tudie le centralisateur de A.
2-1) On suppose d'abord que A est diagonale.
Montrer que C(A) est form de toutes les matrices diagonales.

2-2) Dans le cas gnral, soit M une matrice de C(A). Montrer que M est
diagonalisable par tout changement de base qui diagonalise A : on dit que
ces matrices sont simultanment diagonalisables.
2-3) Dmontrer que C(A) est un espace vectoriel de dimension n (), et
qu'il admet comme base les n matrices I, A, A
2
, , A
n-1
.
2-4) Que peut-on dire si A est diagonalisable, mais si les valeurs propres
de A ne sont pas distinctes deux deux ?
3) On dit qu'une matrice A est idempotente s'il existe un entier p,
strictement positif, tel que A
p
= I. Dmontrer que toute matrice
idempotente est diagonalisable sur C ().
exercice 16
Trigonalisation. ()
1) Pour chacune des matrices ci-dessous, vrifier qu'elle est trigonalisable,
donner une base forme de vecteurs propres et pseudo-propres, et la
matrice triangulaire correspondante.
A =
3 1 1
2 0 1
0 1 2
|
\

|

|
|
|
, B=
2 1 0
1 0 0
1 1 1
|
\

|

|
|
|
, C =
0 3 4
2 6 6
0 1 0
|
\

|

|
|
|
D =
5 1 7 7
6 2 6 6
7 5 5 1
8 6 8 4
|
\

|

|
|
|
|
|
, E =
3 1 2 2
3 0 3 2
2 0 1 3
3 1 3 1
|
\

|

|
|
|
|
|
.

2) On se place ici sur C. Soit A une matrice de type (n, n).
Soit B une matrice du centralisateur de A.
2-1) Montrer que tout sous-espace propre de A est stable par B.
2-2) En dduire que A et B ont au moins un vecteur propre en commun.
2-3) Soit V un vecteur propre commun. On considre une base de C
n
de la
forme :
V, V
2
,, V
n
.

Montrer que les endomorphismes de matrices A et B ont, aprs ce
changement de base, des matrices de la forme :
A =
0 A
1
|
\

|

| , B =
0 B
1
|
\

|

|
|
,
o A
1
et B
1
sont des matrices de type (n 1, n 1) qui commutent.
Dduire que A et B sont simultanment trigonalisables.

3-2 Corrigs des exercices
exercice 1-C
La mthode du pivot vite le calcul du dterminant (ou permet de le
calculer simplement) :

= + +
= + |
\
|
+
+ = + +
= + + +
m t m m z m m y
t m z m m y
m t m m z m m y
m t m m z m y m x
2 1 ) 3 ( ) 1 2 2 ( 2
0 ) 2 (
2
3
1 2 ) 5 ( ) 1 2 2 ( 2
) ( ) 1 2 (
2 2
2 2

= +
+ = +
= |
\
|
+
= + + +
0 ) 2 2 (
1 2 ) ( ) 1 (
0 2
2
3
) ( ) 1 2 (
2
2 2
t m m
m t m m z m
mt z m m y
m t m m z m y m x

Discussion :
Si m
2
+ m 0, il y a une solution unique, puisque le dterminant est
non nul ; on peut aussi simplement remarquer que la dernire quation
permet de tirer t = 0, puis z, puisque m 1, enfin, y et x.
La solution est :


Si m = 0, le systme obtenu aprs limination est le suivant. On voit que
t est indtermin. La solution est donne par un calcul simple. On trouve
l'ensemble des vecteurs de la forme :
(0, 0, 1, t).

=
=
=
=
0 0
1
0
0
t
z
y
y x

Si m = 1, la dernire quation ne dtermine pas t, qui est quelconque, mais
la troisime quation n'a pas de solution :
0 =
1
2
,

donc le systme n'a pas de solution.

(QC-1) Quel est le dterminant du systme ? Retrouver la discussion.

exercice 2-C
1) Si la combinaison linaire :
xV
1
+ yV
2
+ zV
3

est gale 0, les coefficients x, y, z vrifient un systme d'quations
linaires :
, 0 2 2
0 2
0 2
= + +
= +
= +
z y x
z y x
y x

qu'il faut rsoudre. On trouve, par la mthode du pivot par exemple :

Remarquer que maxima n'crit pas toujours les seconds membres, dans ce
cas ils sont gaux 0.
D'o z = 0 et ensuite facilement y = 0 et x = 0.
On peut aussi utiliser maxima par la fonction "echelon" :


Donc les vecteurs sont libres.
2) On procde de mme, mais pour utiliser maxima, il faut avoir recours
la fonction "triangularize", car maxima ne teste pas si une expression peut
s'annuler avant de diviser (calcul formel) : comparer



On voit que les trois dernires quations sont rduites 0 = 0 si t = 1. Il
y a donc d'autres solutions que la solution nulle. La famille n'est pas libre.
Si t = 3, la dernire quation ne dtermine pas le dernier coefficient.
La famille n'est pas libre.
Si t 0, et t 3, le systme a une seule solution, la solution triviale,
puisque les coefficients de la diagonale ne sont pas nuls.
3) C'est une situation o il faut procder " la main", sans aide d'un logiciel.
Il faut bien avoir conscience que les vecteurs sont des fonctions, et que le
vecteur 0 est la fonction qui associe tout x le rel 0.
La relation examiner est la suivante. Existe-t-il des rels non tous nuls,
, , , , tels que, pour tout x rel :
cos(x) + sin(x) + cos
2
(x) + sin
2
(x) + cos(2x) = 0.
Des connaissances en trigonomtrie sont utiles, mais non indispensables.
D'une faon gnrale, on traite l'indpendance de fonctions en donnant
la variable des valeurs particulires qui simplifient, si possible, les
quations. Ici, videmment, on essaie x = 0 :
+ + = 0.
De mme, pour /2 :
+ = 0.
Pour /2 :
+ = 0.

On obtient donc = 0, et = .
Pour :
+ + = 0.
On obtient donc = 0, et = .
En reportant dans l'quation de dpart, on trouve :
( cos
2
(x) + sin
2
(x) + cos(2x)) = 0.
Cette quation fait penser la relation trigonomtrique :
cos
2
(x) sin
2
(x) = cos(2x).
Il en rsulte que n'est pas ncessairement nul, donc la famille n'est pas
libre.
4) Dans un tel cas, on peut crire l'quation :
X(X + 1) + X(X 1) + X(X 2) + X(X 3) = 0
en faisant apparatre une base connue de l'espace vectoriel, ici 1, X, X
2
.
On obtient l'quation :
( + + + ) X
2
+ ( 2 3 ) X = 0,
d'o deux quations :
+ + + = 0
2 3 = 0.
Il y a donc d'autres solutions que la solution (0, 0, 0, 0), et la famille n'est
pas libre.

(QC-1) Donner un argument de dimension.

exercice 3-C
1) Dans R
4
, une famille de plus de quatre vecteurs est toujours lie.
Pour trouver une relation de dpendance, il suffit de rsoudre l'quation
suivante :
aW
1
+ bW
2
+ cW
3
+ dW
4
+ eW
5
+ fW
6
= 0.

Elle se traduit par un systme de 4 quations 6 inconnues, que l'on peut
traiter par la mthode du pivot.

La relation obtenue est :
W
6
2u
4
+ 6u
2
3u ( )+ W
1
u
3
+ 2u 1 ( )+
W
3
1 + u + 2u
4
6u
2
( )
+ W
5
u
2
( )
+ W
2
u
2
u
( )
= 0.

Prcisons la mthode : placer dans une matrice les coordonnes des
vecteurs en ligne, et en dernire colonne le nom du vecteur. Effectuer le
pivot de Gauss, jusqu' obtenir 0 dans une ligne pour tous les coefficients
sauf le dernier, qui est formel. Ce dernier coefficient est alors une
combinaison linaire nulle des vecteurs du systme.
2) Il faut crire une relation de dpendance entre les quatre vecteurs de
l'nonc, dans laquelle le coefficient de W n'est pas nul.
Le calcul conduit la relation :
0 = V
2
1
3
W+
4
3
V
1
,
soit :
W = 4V
1
+ 3V
2
.


3) Supposons d'abord que la famille (x
k
)
1kn
est lie. Il existe alors une
relation de dpendance entre ces vecteurs, c'est--dire n scalaires non tous
nuls (
k
)
1kn
tels que :
k
x
k
k=1
k= n
= 0.
Soit i un entier entre 1 et k, et supposons que le coefficient
i
est diffrent
de 0. On peut alors exprimer le vecteur x
i
en fonction des autres vecteurs
de la famille :
i
x
k
k=1
k= n, k i
= x
i
.
Soit y un vecteur quelconque de F. Il est combinaison linaire des vecteurs
de la famille (x
k
)
1kn
puisque celle-ci est gnratrice. Il existe des rels
k
vrifiant :
k
x
k
k=1
k= n
= y.
En substituant la valeur de x
i
, on crit :
i
|
\

|

|
|
x
k
k=1
k= n, k i
= y.
Tout vecteur de F est donc combinaison linaire de la sous-famille :
(x
k
)
1kn, k i

qui est donc une sous-famille gnratrice de F.

Rciproquement, supposons qu'une sous-famille de la famille (x
k
)
1kn
,
ne comprenant pas le vecteur x
j
, est une famille gnratrice de F. Comme
(x
k
)
1kn
est une famille gnratrice, chacun de ses lments est un vecteur
de F, en particulier x
j
. Ce vecteur s'crit donc comme combinaison linaire
des vecteurs de la sous-famille. Il existe une famille de scalaires
k
, k j,
vrifiant l'galit :
k
x
k
k=1
k= n, k j
= x
j
.
Le coefficient de x
j
n'est pas nul, donc l'galit crite ci-dessus est bien
une relation de dpendance entre les vecteurs de la famille (x
k
)
1kn
, qui
est bien une famille lie.
exercice 4-C
1) Les fonctions f du noyau sont les solutions de l'quation diffrentielle :
f f f = 0.
On lui associe l'quation caractristique :
t
2
t 1 = 0,
dont les solutions sont donnes par :
= 1 + 4 = 5
t
1
=
1+ 5
2
, t
2
=
1 5
2
.
L'ensemble des solutions est donc le sous-espace vectoriel engendr par
les deux fonctions exponentielles :

x ae
t
1
x
, x ae
t
2
x
.
2) En choisissant dans chacun des espaces vectoriels la base canonique, on
transforme ce calcul :
P = a + b X + c X
2
+ d X
3
,
v(P) = b + 2c X + 3d X
2
X(2c + 6d X)
v(P) =b 3d X
2
.

Il faut chercher les solutions du systme d'quations linaires :
b = 0
3d = 0.
Les solutions sont videmment les polynmes de la forme :
P = a + c X
2
.
Le noyau est le sous-espace vectoriel engendr par 1 et X
2
.
3) Dans ce cas, il suffit de rsoudre le systme d'quations linaires :
2x y+ z + 2t = 0
x+ 2y z t = 0
y 3z + t = 0
x + z = 0.

Le noyau de est la droite engendre par le vecteur ( 3, 5, 3, 4).
exercice 5-C
1) Soit (x, y, z, t) un vecteur de R
4
. Ce vecteur est dans l'image de
l'application u si et seulement si le systme d'quations suivant a une
solution :
a b c = x
a + 2b c = y
2a b+ 3c = z
a + b+ 2c = t.

Par la mthode du pivot, on fait apparatre d'ventuelles conditions entre
x, y, z, et t :


Une condition ncessaire et suffisante pour que le systme ait une solution
est donc :
3z y 20x 15t = 0.

(QC-1) Dans ce cas, combien le systme a-t-il de solutions ?

2) Reprenons le calcul de l'exercice prcdent.
Dans les bases canoniques, v s'crit :
P = a + b X + c X
2
+ d X
3
v(P) = b 3d X
2
.
L'quation qui caractrise l'image de P est donc, dans la base canonique :
si Q = + X + X
2
, = 0.

(QC-2) Comparer l'image et le noyau de v. Dduire la valeur de
l'application compose v o v.

3) La technique est la mme que dans la question 1).


Une quation de ce sous-espace vectoriel est donc (en simplifiant par 4) :
-3d c + b +a = 0.

(QC-3) Lorsque cette condition est vrifie, le systme a-t-il une solution
unique ? Donner une rponse d'ordre thorique, et une autre fonde sur
le calcul prsent ci-dessus.

exercice 6-C
Il faut chercher l'ensemble des solutions, c'est--dire la forme gnrale de
ces solutions, puis en tirer une base. Dans la pratique, les solutions
dpendront de paramtres arbitraires, et chacun d'eux correspond un
vecteur de base.
1) Rsolution du systme :

En simplifiant, les solutions sont les vecteurs de la forme :
(33t, 6t, - t, 19t)
soit :
t.(33, 6, -1, 19),

donc une base du sous-espace est (33, 6, - 1, 19).
2) La dmarche est la mme.

Une base du sous-espace est (-9, -1, 2). Rappel : %r3 dsigne une constante
quelconque.

3) Utilisons la base canonique de R
2
[X], 1, X, X
2
.
P = a + bX + cX
2
,
l'quation est :
(a b + c) + (a + b + c) X + a X
2
= m (a + bX + cX
2
)
soit :
a b + c = ma
a + b + c = mb
a = mc.
Rsolvons le systme par la mthode de Gauss :

Discussion.
Si - m
3
+ 2 m
2
- m -2 n'est pas nul, le systme a pour seule
solution la solution nulle. Dans ce cas E(m) = {0}.
Est-il possible que - m
3
+ 2 m
2
- m -2 = 0 ?


Il y a donc une solution relle.

(QC-1) Pouviez-vous le prvoir, sans Maxima ?
Pour cette unique valeur de m, soit m
0
, on a les solutions :
a = m
0
c
b = (1 + m
0
m
0
2
) c
et c est arbitraire.
Dans ce cas, le sous-espace E(m
0
) est une droite.
4) Bilan.
Bien entendu, si les quations proposes dfinissent bien un sous-espace
vectoriel, celui-ci n'est jamais vide. Il ne faut jamais arriver la conclusion
qu'il n'y a pas de solution. Il y a au moins la solution nulle.
Pour prvoir si E n'est pas {0}, il faut se placer dans la thorie des
applications linaires : un systme de p quations n inconnues correspond
une application linaire de R
n
dans R
p
. Le sous-espace dfini par les
quations est le noyau de cette application linaire.
Il y a un cas o l'on est sr que le noyau n'est pas {0}, c'est--dire
l'application non injective, c'est celui o la dimension de l'espace de dpart
est suprieure la dimension de l'espace d'arrive :
si n > p, E n'est pas gal {0}.
exercice 7-C
En dimension finie, il y a deux dmarches courantes pour trouver une base
partir d'une famille gnratrice.
La premire utilise le thorme de la base incomplte : partant d'un
gnrateur non nul, donc libre, complter progressivement une famille de

gnrateurs libre. On finit par obtenir une base. On traite de cette manire
la question 1.
La seconde utilise la remarque de l'exercice 3 : une famille gnratrice
libre est une famille gnratrice minimale. Dans cette mthode, on cherche
une relation de dpendance entre les gnrateurs, ce qui permet d'en
liminer un, puis une relation de dpendance entre les gnrateurs restant,
et ainsi de suite jusqu' l'obtention d'une famille gnratrice et libre.
On traitera de cette manire la question 2.
1) Le polynme P
1
n'est pas nul. Le polynme P
2
n'est pas proportionnel
P
1
, donc la famille (P
1
, P
2
) est libre. Pour voir si (P
1
, P
2
, P
3
) est libre, il
suffit de voir si P
3
est combinaison linaire des deux premiers :
P
3
= a P
1
+ b P
2
,
X 1 = a X
3
a X + a + b X
3
+ b X + b
a + b = 0,
a + b = 1
a + b = 1.
Ces quations sont videmment incompatibles donc (P
1
, P
2
, P
3
) est libre.
Pour voir si (P
1
, P
2
, P
3
, P
4
) est libre, il suffit de voir si P
4
est combinaison
des trois prcdents :
P
4
= a P
1
+ b P
2
+ c P
3
,
X + 1 = a X
3
a X + a + b X
3
+ b X + b + c X c
a + b = 0,
a + b + c = 1
a + b c = 1,
donc c = 1, b = 1, a = 1. La famille est lie.
Une base de F est :
(X
3
X + 1, X
3
+ X 1, X 1).
2) Cherchons une relation entre les quatre vecteurs :



La relation est :
10 V
4
+ 3 V
3
- 11 V
2
+ 5 V
1
= 0.
Elle permet de tirer tout vecteur en fonction des autres.

(QC-1) Pouvait-on prvoir ce rsultat pour des raisons de dimension ?

liminons V
4
.
On voit que les trois autres vecteurs sont indpendants :

3) La formule suivante est connue :
cos(x + a) = cos(x) cos(a) sin(x) sin(a).

Elle montre que toute fonction f
a
est combinaison linaire des fonctions
cosinus et sinus. Or f
0
(x) = cos(x) et f
2
(x) = sin(x), donc ces deux
fonctions sont des lments de la famille.
Il en rsulte que :
F = vect(sin, cos).
Comme, de plus, il est facile de voir que cosinus et sinus ne sont pas
proportionnels, on voit que ces deux fonctions forment une base de F.
4) La dimension d d'un sous-espace ne dpasse pas celle de l'espace
ambiant, et par ailleurs le nombre de vecteurs d'une famille gnratrice est
au moins gal la dimension :
d min(p, n).
exercice 8-C
1) Un vecteur X est dans l'intersection si et seulement s'il est la fois
combinaison linaire des vecteurs V
i
, et combinaison linaire des vecteurs
W
j
. Il faut donc rsoudre l'quation :
a
1
V
1
+ a
2
V
2
+ a
3
V
3
b
1
W
1
b
2
W
2
b
3
W
3
= 0.
On obtient :


On trouve donc :
12 V
2
+ 4 V
3
8 W
1
+ 4 W
2
+4 W
3
= 0
On voit que (a
1
, a
2
, a
3
) = s (0, 3, 1), s tant un rel quelconque, donc :
X = s (3 V
2
+ V
3
)
X = (0, s, 2s, 6s, 5s).

(QC-1) Vrifier qu'on obtient bien la mme rponse partir des inconnues
(b
j
).

2) Dans ce cas, il faut exprimer qu'un vecteur X combinaison des V
i
vrifie
les quations de F.
Si X est dans E, il existe a, b, c tels que :
X = a V
1
+ b V
2
+ c V
3

X = (a, 2a + c, a + b c, a + 2b, b + 2c).
En reportant dans les quations de F, on obtient :
a 2a c a b + c a + 2b + b + 2c = 0
a + 4a + 2c a b + c + a 2b + b + 2c = 0.
Le systme rsoudre est :
3a + 2b + 2c = 0
5a 2b + 5c = 0.
On trouve donc qu'il existe un rel t tel que :
X = 14 t V
1
25 t V
2
+ 4 t V
3

X = ( 14t, 24t, 43t, 36t, 17t)
donc l'intersection est la droite :
vect(( 14, 24, 43, 36, 17)).
3) Dans ce cas, l'intersection est dfinie par l'ensemble des quations de E
et de F :
x y z + t + u = 0
2x + y z t + u = 0

x + y z t + 2u = 0
x + 2y z + t 2u = 0.
Les solutions :

L'intersection est encore un sous-espace de dimension 1, engendr par le
vecteur :
(2, 2, 5, 3, 2).
4) Rgle gnrale : l'intersection tant contenu dans chacun des sous-
espaces vectoriels E et F, sa dimension est au plus la plus petite des
dimensions de E et de F.
Si un sous-espace est dfini par des gnrateurs, sa dimension est au plus
gale au nombre de gnrateurs. S'il est dfini par p quations dans un
espace ambiant de dimension n, il est de dimension au moins n p.
Par ailleurs, en raison de la relation sur les dimensions, l'intersection a pour
dimension :
dim(E) + dim(F) dim(E + F)
et comme E + F est un sous-espace vectoriel de l'espace ambiant, dont la
dimension est note n, dim(E + F) n, donc l'intersection a au moins pour
dimension :
dim(E) + dim(F) n.
En rsum :
min(dim(E), dim(F)) dim(E F) dim(E) + dim(F) n
cas 1. Les sous-espaces E et F sont dfinis par trois gnrateurs, donc
leur dimension est au plus 3. Si on vrifie que la dimension est 3, on obtient
:
L'application de la rgle donne :
3 dim(E F) 1.

cas 2. Ici, E est de dimension au plus 3. Pour F, qui est un noyau, le
thorme du rang indique que sa dimension est au moins 3.
Si on vrifie que E est de dimension 3, l'application de cette rgle donne :
3 dim(E F) 1.
cas 3. On obtient encore la mme relation, en vrifiant que E et F sont
de dimension 3.
exercice 9-C
La dimension de la somme peut se calculer partir des dimensions des
espaces et de leur intersection. Dans les cas considrs, les sous-espaces
sont de dimension 3, et leur intersection est de dimension 1, donc la somme
est de dimension 5. Comme il s'agit d'un sous-espace de R
5
, la somme E +
F est, dans tous les cas, gale R
5
.
Une base qui peut tre choisie dans chacun de ces cas, est la base
canonique. Nous chercherons toutefois, pour en expliquer la technique,
une base correspondant plus directement aux donnes.
cas 1. On dispose directement d'une famille gnratrice de E + F, en
runissant les familles gnratrices de E et de F. Cette famille gnratrice
comporte 6 lments. On sait qu'il y en a au plus 5 indpendants, puisque
l'espace ambiant est de dimension 5. Il s'agit donc d'un exercice du type de
l'exercice 7 (sous-espace donn par des gnrateurs).
limination d'un vecteur : insistons sur le fait qu'il ne faut pas procder au
hasard, mais liminer un vecteur qui s'exprime en fonction des autres
vecteurs.
On a vu que
12 V
2
+ 4 V
3
8 W
1
+ 4 W
2
+4 W
3
= 0
donc on peut liminer un quelconque des cinq vecteurs figurant dans cette
galit, par exemple W
3
.
Les autres vecteurs forment une base de E + F.
cas 2, cas 3. Dans ces deux cas, il faut d'abord se ramener au cas 1, en
explicitant une base des sous-espaces donns par des quations.

exercice 10-C
1) En dimension finie, on cherche une base d'un supplmentaire d'un sous-
espace connu par le procd de la base complmentaire : partant d'une base
du sous-espace, on la complte l'aide d'lments d'une base (ou mme
d'une famille gnratrice) de l'espace ambiant. Ici, on dispose donc de la
base canonique de R
5
.
Le problme est de vrifier, chaque pas, si le nouveau vecteur est une
combinaison linaire de ceux dj retenus.
E = vect((1, 2, 1, 1, 0), (0, 0, 1, 2, 1), (0, 1, 1, 0, 2)).
essai de e
1
= (1, 0, 0, 0, 0).
Ce vecteur est indpendant des trois vecteurs de base de E, comme on le
voit sans calcul sur la premire coordonne.
essai de e
2
= (0, 1, 0, 0, 0).
On vrifie sans peine que ce vecteur est indpendant des quatre premiers,
donc on conclut que le sous-espace vect(e
1
, e
2
) est un supplmentaire du
sous-espace E dans R
5
.
E = {(x, y, z, t, u) | x + y z t + 2u = 0, x + 2y z + t 2u = 0}.
On a calcul ci-dessus une base.
E = vect((3, 2, 0, 1, 0), (1, 0, 1, 0, 0), ( 6, 4, 0, 0, 1)).
essai de e
1
= (1, 0, 0, 0, 0).
Ce vecteur est indpendant des trois vecteurs de base de E.
essai de e
2
= (0, 1, 0, 0, 0).
On vrifie que ce vecteur est indpendant des quatre premiers, donc on
conclut que le sous-espace vect(e
1
, e
2
) est un supplmentaire du sous-
espace E dans R
5
.

QC-1) Faut-il s'tonner de ce rsultat : les deux sous-espaces, quoique
diffrents, ont en commun un mme supplmentaire. Donner une rponse
s'appuyant sur la thorie, et, si possible, une autre plus intuitive.


Connaissant la dimension d'un sous-espace, on peut en dduire par
diffrence la dimension d'un supplmentaire, donc le nombre de vecteurs
de base trouver.
De faon gnrale, il est utile de connatre d'abord une base du sous-espace
E avant d'en chercher un supplmentaire.
2)
2-1) Si K = T, l'image de f est {0}, alors que l'hypothse prcise que f est
surjective, donc Im(f) = R.
2-2) Montrons d'abord que K + vect(V) = T. Comme V n'appartient pas
K, on sait que f(V) 0. Notons a ce rel.
Soit b un rel quelconque :
b =
b
a
a =
b
a
f(V) = f
b
a
V
|
\

|

| .
On voit que tout rel est l'image d'un vecteur de vect(V).
Soit U un vecteur de T, d'aprs la remarque prcdente, on voit qu'il existe
un vecteur de vect(V), soit V, tel que f(U) = f(V).
On en dduit :
f(U V) = 0,
donc U V est un lment du noyau, soit W :
U = V + W.
Montrons maintenant que la somme est directe : si H est un vecteur de
vect(V) qui appartient au noyau, d'une part f(H) = 0, et d'autre part, il existe
un rel tel que H = V, donc f(H) = f(V) = 0, et comme f(V) 0, on a
= 0, donc H = 0.
2-3) En dimension finie, on peut prendre T = R
2
[X], et f(P) = P(0).
En dimension non finie, on prendra R[X] et l'application dfinie encore
par f(P) = P(0).
Bien entendu, ce ne sont que deux exemples parmi une infinit de
possibles.


(QC-2) En dimension finie, traiter la question par des arguments de
dimension.

exercice 11-C
1) Les deux points sont sans difficult. Toute matrice est, bien entendu,
combinaison linaire des matrices lmentaires, et cette famille est libre :
a
i , j ( )
= a
ij
E
ij
1i n
1 jn
.
Le coefficient d'indices (, ) du produit P des matrices E
ij
, et E
km
, s'crit
:
P
= E
ij
( )
t
E
km
( )
t
t =1
t = n
.
Si i, ou m, tous les termes de cette somme sont nuls.
Si = i et = m, la somme s'crit :
P
im
= E
ij
( )
it
E
km
( )
tm
t =1
t =n

donc si j = k, il y a un unique terme non nul dans la somme, le produit
(E
ij
)
ij
(E
jm
)
jm
, qui vaut 1, et si j k, tous les produits figurant dans la somme
son nuls, puisqu'un des facteur au moins est nul.
On en dduit :
E
ij
E
jm
= E
im
,
E
ij
E
km
= 0, si j k.
2)
La relation AM = MA, pour une matrice M, est linaire.
Si A est une matrice du centre, alors AE = EA pour toute matrice
lmentaire E.

Rciproquement, si cette relation est vraie pour toute matrice lmentaire,
elle est vraie pour toute combinaison linaire de matrices lmentaires,
c'est--dire pour toute matrice.
En prliminaire, on peut calculer les produits D = AE
ij
et G = E
ij
A pour
une matrice A quelconque.
Pour AE
ij
, il est clair que les (j 1) premires colonnes sont nulles, ainsi
que les (j + 1) dernires : D
kp
= 0 si p j.
Pour un terme de la j-ime colonne on trouve :
D
kj
= a
k1
(E
ij
)
1j
+ + a
kn
(E
ij
)
nj

D
kj
= a
ki
.
De manire image, ce produit droite "extrait" la i-ime colonne de A, et
la place en j-ime colonne.
On montrerait de mme que le produit gauche "extrait" la j-ime ligne
de A et la place en i-ime ligne, le reste tant 0 :
G
ik
= a
jk
,
G
pk
= 0 si p i.
Si le produit gauche est gal au produit droite, on trouve :
G
pk
= D
pk
,
donc tous les termes, sauf peut-tre celui pour lequel p = i et k = j sont
nuls.
G
ij
= D
ij

a
jj
= a
ii

a
pk
= 0 si p k
En rsum, dans la colonne i, tous les termes non situs dans la diagonale
sont nuls, et de mme pour les termes de la ligne j. De plus, les termes
diagonaux sont les mmes. (Voir calcul de G D ci-dessus).
Une matrice qui commute avec toutes les matrices lmentaires est donc
une matrice scalaire, c'est--dire de la forme I, I tant la matrice identit.
Rciproquement, il est vident que ces matrices sont dans le centre.

Z
n
= {I
n
| R}.
3) L'application qui une matrice M associe la matrice AM MA est
clairement linaire, et C(A) est son noyau. C'est bien un sous-espace
vectoriel.
Dans une base forme des matrices lmentaires, les quations qui
dfinissent le centralisateur sont :
M =
x y
z t
|
\

|

| , A =
a b
c d
|
\

|

| ,
ax + bz = ax + cy
cx + dz = az + ct
ay + bt = bx + dy
cy + dt = bz + dt.

Aprs simplification, le systme devient :
cx + (d a)z ct = 0
bx + (a d)y + bt = 0
cy+ bz = 0.

Supposons c 0,
cx + (d a)z ct = 0
cy+ bz = 0
bx + (a d)y + bt = 0

Le systme est quivalent :
cx + (d a)z ct = 0
cy + bz = 0.
L'ensemble des solutions est donc de dimension 2, dpendant des deux
paramtres z et t.
Si c = 0, le systme devient :
(d a)z = 0
bz = 0
bx + (a d)y + bt = 0.


Dans ce cas, si d a, alors z = 0, et y s'exprime en fonction de deux
paramtres arbitraires x et t. L'ensemble des solutions est de dimension 2.
Si d = a, et b 0, on obtient :
z = 0, x = t, y arbitraire,
donc la dimension est 2.
Enfin si d = a, c = 0, b = 0, alors le systme est trivial, et l'ensemble des
solutions est de dimension 4. Notons que ce cas est exclu par l'hypothse
prcisant que A n'est pas une matrice scalaire.
Il est vident que les matrices I et A sont dans le centralisateur de A.
d'aprs l'hypothse, A n'est pas proportionnelle I donc ces deux matrices
sont indpendantes. La dimension tant 2, cette famille libre de deux
lments est une base.
Il est clair que toute puissance de A commute avec A, donc est une
lment du centralisateur de A. Toute puissance de A est donc
combinaison linaire de A et I :
A
2
= A + I,
soit :
A =
a b
c d
|
\

|

| , A
2
=
a
2
+ bc b(a + d)
c(a + d) bc + d
2
|
\

|

|
|
,
a
2
+ bc = a +
b(a + d) = b
c(a + d) = c
bc + d
2
= d +

d'o on dduit d'abord = a + d, = bc ad, et :
A
2
= (a + d)A + (bc ad)I.
Pour A
3
, on obtient :
A
3
= (a + d)A
2
+ (bc ad)A
A
3
= (a + d)[(a + d)A + (bc ad)I] + (bc ad)A
A
3
= [(a + d)
2
+ (bc ad)]A + (a + d)(bc ad)I.

exercice 12-C
1) Il est clair que le groupe linaire n'est pas un sous-espace vectoriel :
par exemple, il ne contient pas l'lment neutre. En effet la matrice 0 n'est
pas inversible.
Si i j, la matrice I + E
ij
est triangulaire, et sa diagonale est forme de
1, donc son dterminant vaut 1, elle est bien inversible.
Pour I + E
ii
, c'est une matrice diagonale, dont tous les termes de la
diagonale valent 1 sauf un, qui vaut 2, donc son dterminant est 2. Elle est
galement inversible.
Supposons d'abord i = j. La matrice diagonale I + E
ii
a pour inverse la
matrice I
1
2
E
ii
, d'aprs le point prcdent.
Pour i j, cherchons s'il est possible de trouver tel que :
(I + E
ij
)(I + E
ij
) = I.
Cette quation s'crit :
I + ( + 1)E
ij
+ E
ij
2
= I.
Or E
ij
2
= 0 si i j, donc il faut rsoudre :
( + 1)E
ij
= 0,
d'o la solution vidente = 1.
Une matrice du centralisateur de GL
n
(R) commute avec les matrices de
la forme I + E
ij
, soit :
M(I + E
ij
) = (I + E
ij
)M
ME
ij
= E
ij
M,
donc les matrices du centralisateur du groupe linaire commutent avec les
matrices lmentaires, donc avec toutes les matrices : ce sont les matrices
scalaires :
C(GL
n
(R)) = Z
n
.
2)
Cette matrice A a pour polynme caractristique :

1 X
2
,
donc, d'aprs le thorme de Cayley-Hamilton, A
2
= I, cette matrice est
donc sa propre inverse.
Le dterminant de P est 1.

On peut le calculer par combinaison de lignes :
L2 + L1, puis L3-L1, donnent, sans changer le dterminant :

Ensuite L4-L2,

D'o le rsultat.
Pour l'inverse, on rsout le systme Y = PX, soit, avec les notations
videntes :
y
1
= x
1
+ x
2
x
4
y
2
= x
1
+ x
3
x
4
y
3
= x
1
+ x
2
x
3
y
4
= x
2
x
3
+ x
4
.

On obtient en identifiant les coefficients avec ceux de la matrice inverse,

P
1
=
1 1 3 2
1 0 1 1
0 1 1 1
1 1 2 1
|
\

|

|
|
|
|
|
.
Attention, dans cette opration, l'ordre des termes y
i
au second membre.
3)
Une matrice nilpotente d'indice 1 est la matrice nulle. On peut trouver
des matrices nilpotentes d'indice 2 (non nulles, de carr nul) par
ttonnement, ou partir des relations que les coefficients doivent
satisfaire :
A =
a b
c d
|
\

|

| , A
2
=
a
2
+ bc b(a + d)
c(a + d) d
2
+ bc
|
\

|

|
|
,
a
2
+ bc = 0
b(a + d) = 0
c(a + d) = 0
d
2
+ bc = 0.

On voit ainsi que si b = 0, alors a = d = 0, et c est quelconque, et de manire
analogue si c = 0, alors a = d = 0 et b est quelconque.
Deux exemples :
A
1
=
0 1
0 0
|
\

|

| ,
A
2
=
0 0
1 0
|
\

|

| ,
on peut aussi prendre a = d = b = c, par exemple :
A
3
=
1 1
1 1
|
\

|

| ,
on peut enfin utiliser la relation tablie dans l'exercice 11 :
A
2
= (a + d)A + (bc ad)I.

Si A
2
= 0 :
(a + d)A + (bc ad)I = 0,
ce qui permet de retrouver les exemples partir de :
a + d = 0
bc ad = 0.
Si A
3
= 0 :
[(a + d)
2
+ (bc ad)]A + (a + d)(bc ad)I = 0
(a + d)
2
+ (bc ad) = 0
(a + d)(bc ad) = 0,
donc a + d = 0 ou bc ad = 0 d'aprs la deuxime quation.
Mais la premire quation montre que si a + d = 0, alors bc ad = 0, et
rciproquement.
En conclusion, si A
3
= 0, alors a + d = bc ad = 0. On voit que cela
implique A
2
= 0, donc il n'existe pas de matrice (2, 2) d'indice 3.
Il est vident que la matrice 0 est nilpotente, et que le produit d'une
matrice nilpotente par un scalaire est encore une matrice nilpotente. Il reste
examiner la somme de deux matrices nilpotentes :
A
1
+ A
2
=
0 1
1 0
|
\

|

|
0 1
1 0
|
\

|

|
2
=
1 0
0 1
|
\

|

|
.

On voit sur cet exemple que la somme de deux matrices nilpotentes peut
ne pas tre nilpotente, et mme tre inversible.
On conclut que N
n
(R) n'est pas un sous-espace vectoriel.
On considre une quation :
0
V+
1
PV+ +
k1
P
k1
V = 0.
Appliquons P
k-1
:

0
P
k1
V+
1
P
k
V+ +
k1
P
2k2
V= 0
0
P
k1
V= 0,

puisque P
k
= 0, et on dduit
0
= 0. De proche en proche, on voit que tous
les coefficients de la combinaison linaire sont nuls, et que la famille est
bien libre.
Il s'agit d'une famille libre de k lments dans un espace vectoriel de
dimension n, donc k n. On avait dj constat qu'il n'existe pas de matrice
(2, 2) nilpotente d'indice suprieur 2.
On considre une quation :
1,0
V
1
+
1,1
PV
1
++
r,k1
P
k1
V
r
= 0
et on applique la mme technique, en appliquant d'abord P
k-1
:
1,0
P
k1
V
1
+
2, 0
P
k1
V
2
++
r, 0
P
k1
V
r
= 0
P
k1
1,0
V
1
+
2, 0
V
2
++
r,0
V
r ( )
= 0,

donc le vecteur
1,0
V
1
+
2, 0
V
2
+ +
r,0
V
r
est un lment du noyau de
l'application P
k-1
. Comme ce vecteur est galement, par dfinition, un
lment d'un supplmentaire de ce noyau, il est ncessairement gal 0.
En utilisant le fait que les vecteurs V
1
, , V
r
sont indpendants, on conclut
que les coefficients
i,0
sont tous nuls.
De proche en proche, on vrifie de mme que les autres coefficients sont
nuls. La famille est bien libre.
Une sous famille d'une famille libre est libre donc la famille :
PV
1
, P
2
V
1
P
k1
V
r

est bien libre. C'est videmment une famille de vecteurs de Ker(P
k-1
).
Compltons-l comme indiqu, par des vecteurs W
1
, , W
s
en une base
de ker(P
k-1
). La matrice de P s'crit dans cette base sous une forme du type
suivant :

0 0 0 0 a1 a2 a3 a4
1 0 0 0 b1 b2 b3 b4
0 0 0 0
0 0 1 0
0 0 0 0
0 0 0 0
0 0 0 0 y1 y2 y3 y4
0 0 0 0 z1 z2 z3 z4
|
\

|

|
|
|
|
|
|
|
|
|
|
|

les premires colonnes correspondant aux vecteurs de la famille ci-dessus,
et les dernires aux vecteurs W
i
.
(La matrice ci-dessus suppose, titre d'exemple, n = 8, P
2
= 0, r = 2, s = 4).
exercice 13-C
1) Pour une matrice symtrique, les relations vrifier sont :
A =
a b
c d
|
\

|

|
,
t
A =
a c
b d
|
\

|

|
,
a = a
b = c
c = b
d = d

donc les matrices symtriques sont de la forme :
A =
a b
b d
|
\

|

| .
De la mme faon, on voit que les matrices antisymtriques sont de la
forme :
A =
0 b
b 0
|
\

|

| .
Pour les matrices orthogonales, on doit vrifier A.
t
A = I, et
t
A.A = I :

a
2
+ b
2
=1
c
2
+ d
2
= 1
a
2
+ c
2
= 1
b
2
+ d
2
= 1
ab + cd = 0
ac + bd = 0.

Il en rsulte immdiatement :
a
2
= d
2
c
2
= b
2

et il faut discuter diffrents cas selon que :
a = d ou a = d, b = c ou b = c.
a = d = 0, b = 1 ou 1, c = 1 ou 1 :
0 1
1 0
|
\

|

| ,
0 1
1 0
|
\

|

| ,
0 1
1 0
|
\

|

| ,
0 1
1 0
|
\

|

| .
b = c = 0, a = 1 ou 1, d = 1 ou 1 :
1 0
0 1
|
\

|

| ,
1 0
0 1
|
\

|

| ,
1 0
0 1
|
\

|

| ,
1 0
0 1
|
\

|

| .
On suppose maintenant qu'aucune des inconnues n'est nulle.
a = d, donc par simplification b = c = 1 d
2
, ou 1 d
2
:
d 1 d
2
1 d
2
d
|
\

|

|
|
,
d 1 d
2
1 d
2
d
|
\

|

|
|
.
a = d, donc par simplification b = c = 1 d
2
, ou 1 d
2
:
d 1 d
2
1 d
2
d
|
\

|

|
|
,
d 1 d
2
1 d
2
d
|
\

|

|
|
.


(QC-1) Les deux premiers cas particuliers se retrouvent-ils dans les
formes gnrales ci-dessus ?
(QC-2) Remarquer d'aprs ces relations qu'il existe des rels et tels
que a = cos(), c = sin(), b = cos(), d = sin(). Quelle relation y-a-t-il
entre et ?

2) Les matrices symtriques et les matrices antisymtriques forment
clairement des sous-espaces vectoriels :
S(2) = vect
1 0
0 0
|
\

|

| ,
0 1
1 0
|
\

|

| ,
0 0
0 1
|
\

|

|
|
\

|

|
|
,
A(2) = vect
0 1
1 0
|
\

|

|
|
\

|

|
|
.

Leurs dimensions sont donc respectivement 3 et 1.
De faon gnrale, la transposition tant une opration linaire, on voit que
S(n) est le noyau de l'application linaire M M
t
M, et A(n) est le noyau
de l'application linaire M M +
t
M. Ce sont des sous-espaces vectoriels.
Bien entendu, O(n) n'est pas un sous-espace vectoriel puisqu'il ne contient
pas la matrice nulle, qui n'est pas inversible.
3) Si M appartient l'intersection de A(n) et de S(n), elle vrifie :
M =
t
M, et M =
t
M,
donc M = 0.
Soit A une matrice carre quelconque. On vrifie facilement que les
matrices :
s(A) =
1
2
A+
t
A ( ), et a(A) =
1
2
A
t
A ( )
sont respectivement symtrique et antisymtrique, et que leur somme est
la matrice A. On vrifie donc que toute matrice est somme d'une matrice
symtrique et d'une matrice antisymtrique. Les sous-espaces S(n) et A(n)
sont donc bien supplmentaires.

4) Si on reprsente un vecteur par une matrice colonne, on voit qu'on a
l'galit entre matrices une ligne et une colonne :
t
V.V' = (<V , V'>)
Le produit scalaire de A.V et A.V' se calcule donc par :
t
(A.V).(A.V') =
t
V.
t
A.A.V',
donc, puisque
t
A.A = I :
t
(A.V).(A.V') =
t
V.V',
<A.V , A.V'> = <V , V'>.
On remarque que ||V||
2
= <V , V>, donc :
||A.V|| = ||V||.
exercice 14-C
1) On calcule l'image de chaque vecteur de base, et on dispose ses
coefficients en colonnes :
1 0 0 0
0 1 0 0
0 0 0 0
0 1 0 0
|
\

|

|
|
|
|
|
.
Le noyau se calcule comme on l'a vu prcdemment : on constate qu'il est
de dimension 2, engendr par X
2
, et X
3
.
On sait que l'image est engendre par les vecteurs colonnes de la matrice,
soit (1, 0, 0, 0) et (0, 1, 0, 1), c'est--dire 1 et X + X
3
.
2) On considre comme d'habitude une combinaison linaire :
s
1
+ s
2
+ c
1
+ c
2
= 0,
sin(x)e
x
+ sin(x)e
2x
+ cos(x)e
x
+ cos(x)e
2x
= 0,
pour tout x.
Pour x = 0, on obtient :
+ = 0,
pour x = :

e
e
2
= 0,
donc = = 0.
Il reste rsoudre :
sin(x)e
x
+ sin(x)e
2x
= 0, x
ce qui implique :
e
x
+ e
2x
= 0,
si sin(x) 0, et mme pour tout x par continuit.
Pour x = 0, on obtient :
+ = 0,
et aprs drivation, pour x = 0 :
+ 2 = 0,
donc = = 0. La famille est bien libre.
Les formules usuelles de drivation donnent :
D(s
1
) = c
1
+ s
1

D(c
1
) = s
1
+ c
1
D(s
2
) = c
2
+ 2s
2

D(c
2
) = s
2
+ 2c
2
.
L'application D est bien un endomorphisme de E. Sa matrice s'crit, dans
la base (s
1
, c
1
, s
2
, c
2
) :
A =
1 1 0 0
1 1 0 0
0 0 2 1
0 0 1 2
|
\

|

|
|
|
|
|
.
Son dterminant est 10, donc la matrice est inversible.
Son inverse est :


L'application rciproque de D permet de calculer une primitive de tout
lment de E :
1
+
1
2
|
\

|

|
cos(x)e
x
+
1
+
1
2
|
\

|

|
cos(x)e
x
+
2
2
+
2
5
|
\

|

| cos(x)e
2x
+
2
+ 2
2
5
|
\

|

| cos(x)e
2x
.

3) La matrice P a pour colonnes les coordonnes des vecteurs de la seconde
base rapports la premire :



Les coordonnes de H dans l'ancienne base sont (a, b, c, d). Pour obtenir
les coordonnes dans la nouvelle base, on effectue le produit par Q :

On trouve :
H = (a + b + c + d) + (b + 2c + 3d) (X 1) + (c + 3d) (X 1)
2
+ d (X 1)
3

ce qui correspond bien la formule de Taylor en 1 :
H(X) = H(1) + H (1)(X1) +
H (1)
2
(X1)
2
+
H (1)
6
( X1)
3
.
Le calcul dans la base B
1
donne la matrice F suivante (les vecteurs
colonnes sont les coordonnes des transforms des vecteurs de base par f),
on a ensuite calcul la matrice (note G) dans la nouvelle base, par
composition avec les matrices P et Q, enfin l'image des vecteurs de la
nouvelle base permet de retrouver G, qui est plus simple que F :



exercice 15-C

Les calculs ci-dessus se lisent de la manire suivante :
le polynme caractristique est -T
3
+ 6 T
2
- 11 T + 6,
il a pour racines 1, 2, 3
soit trois racines distinctes, donc A est diagonalisable, une base de vecteurs
propres est donne par le dernier calcul, par exemple :
pour la valeur propre 2, la multiplicit est 1, et un vecteur propre est

( 1, - 1, 0).
Les autres rsultats sont donns sans commentaire.
Pour B :

Pour C :

Pour les matrices (4, 4) :
Pour D :

Pour E :

Pour F :

Pour G :


Pour E, F, G, certaines valeurs propres sont multiples, et on vrifie que la
dimension du sous-espace propre correspondant est gale la multiplicit
de la valeur propre.
2) On interprte les matrices comme reprsentant les applications linaires
de C
n
dans lui-mme, par rapport la base canonique.
La matrice A est diagonalisable.
2-1) Il est clair que toutes les matrices diagonales commutent entre elles,
donc les matrices diagonales appartiennent C(A). Rciproquement si M
est une matrice de C(A), soit a
p
un lment de la diagonale de A, dans la
colonne p. Notons V
p
le vecteur de la base canonique correspondant :
AV
p
= a
p
V
p

MAV
p
= a
p
(MV
p
) = A(MV
p
)
donc MV
p
est un vecteur propre pour la valeur propre a
p
, donc MV
p
est
proportionnel V
p
(puisque chaque sous-espace propre de A est de
dimension 1). On dduit que V
p
est galement vecteur propre pour M.
La base (V
p
) est donc une base de vecteurs propres pour M, donc M est
diagonale.
2-2) Le raisonnement prcdent s'applique une base quelconque de
vecteurs propres pour A, bien entendu. Aprs changement de base, la
matrice transforme de M doit tre diagonale, donc M et A sont
simultanment diagonalisables.
2-3) C(A) est bien un sous-espace vectoriel. Si on se place dans une base
o A est diagonale, les matrices de C(A) correspondent toutes les
matrices diagonales. Or l'espace vectoriel des matrices diagonales est de
dimension n. Donc dim(C(A)) = n.
Les puissances de A sont des lments de C(A). Pour montrer que la
famille I, A, , A
n-1
est une base de A, il suffit de montrer qu'elle est libre
ou gnratrice.
S'il existait une combinaison linaire de A nulle, avec au moins un
coefficient non nul :

0
I + +
n-1
A
n-1
= 0,
le polynme minimal de A serait de degr au plus n 1. Or ce polynme
est gal au polynme caractristique (ou son oppos), donc il est de degr
n. La famille I, A, , A
n-1
est libre.
2-4) Plaons-nous dans le cas o A est diagonale.
Le calcul prcdent s'applique en partie :
AV
p
= a
p
V
p

MAV
p
= a
p
(MV
p
) = A(MV
p
)
donc MV
p
est un vecteur propre pour la valeur propre a
p
, donc MV
p
est
proportionnel V
p
.
Sauf la partie barre, bien entendu, si a
p
n'est pas une valeur propre simple.
Cherchons donc un contre-exemple : il suffit de prendre A = I, et toutes les
matrices commutent avec I.
3) On raisonne sur le polynme minimal. C'est un diviseur du polynme :
X
p
1,
or ce polynme a toutes ses racines simples sur C :
1, e
2i
p
,, e
2i (p1)
p

`

)

.
Donc la matrice est diagonalisable sur C.
exercice 16-C
1) On donne sans commentaire les valeurs propres et les sous-espaces
propres correspondant. Rappelons qu'une matrice est trigonalisable si et
seulement si son polynme caractristique est scind. On indique comment
interprter le rsultat des calculs pour expliciter une base forme de
vecteurs propres et de vecteurs pseudo-propres.
Matrice A.


Pour A :

Il faut un vecteur pseudo-propre pour la valeur propre 1. On trouve ici, par
exemple :
W3 = (0, 1, 0), soit s = 1.
Avec V1 = (1, - 1, - 1), V2 = (1, 1, 1), W3, comme nouvelle base, la
matrice A a pour matrice semblable la matrice :
A =
3 0 0
0 1 1
0 0 1
|
\

|

|
|
|
.
Bien noter qu'aucun calcul n'est ncessaire, une fois les vecteurs choisis,
pour crire A. La diagonale contient les valeurs propres, et pour le vecteur
pseudo-propre, la relation AW3 = W3 + V2 (correspondant s = 1) donne
la troisime colonne.

Matrice B.

Dans la recherche du vecteur pseudo-propre, l'limination de Gauss
montre que la condition s = t doit tre remplie. Dans ce cas, on peut
prendre pour vecteurs de base :
V1 = (0, 0, 1), V2 = ( 1, 1, 0), W3 = ( 1, 0, 0) (avec s = 1).
La matrice semblable est :
B =
1 0 0
0 1 1
0 0 1
|
\

|

|
|
|
.

Matrice C.
On voit, ci-dessous, qu'il faut calculer deux vecteurs pseudo-propres, que
l'on obtient en deux calculs successifs. On peut prendre la base :
V1 = (1, 2, 1), W2 = (1, 1, 0) (s = 1),
W3 = ( 1, 0, 0) (s = 2, t = 0),
CW2 = W2 + V1, CW3 = W3 + W2.

La matrice obtenue est :
C =
2 1 0
0 2 1
0 0 2
|
\

|

|
|
|
.
Matrices D et E. La dmarche est la mme, on donne ci-dessous les
calculs dans Maxima, les bases, et les matrices semblables triangulaires.
Pour D :

V1 = (1, 0, 1, 0), W2 = (0, 1, 1, 1) (t = 1)
V3 = (0, 0, 1, - 1), W4 = ( 1, 1, 0, 0) (t = 2),
D =
2 1 0 0
0 2 0 0
0 0 4 2
0 0 0 4
|
\

|

|
|
|
|
|
.


Pour E :

V1 = (1, 1, 1, 1), V2 = (1, 0, 1, 0), W3 = (0, 1, 1, 1) (s = 1)
W4 = (0, 0, 1, 1) (s = 1, t = 0).
Matrice semblable :
E =
2 0 0 0
0 1 1 0
0 0 1 1
0 0 0 1
|
\

|

|
|
|
|
|
.
2-1) Le calcul a t fait dans l'exercice prcdent. Si V est un vecteur
propre de A pour la valeur propre , on peut crire :
AV = V
BA V = BV
A(BV) = (BV)
donc BV est encore un vecteur propre pour la valeur propre .
2-2) La restriction de B un sous-espace propre de A est un
endomorphisme de ce sous-espace, il a donc au moins un vecteur propre
dans ce sous-espace. Ce vecteur propre ne correspond pas ncessairement
la mme valeur propre.
2-3) C'est clair d'aprs la remarque du 2-2). Le nombre est l'une des
valeurs propres de la restriction de B au sous-espace propre de A.
En ritrant ce raisonnement, on conclut que A et B sont simultanment
trigonalisables.


3-3 Corrigs des questions complmentaires
exercice 1-QC

On retrouve bien les valeurs m = 0 et m = 1 de la discussion.
exercice 2-QC
Dans un espace vectoriel de dimension 3, une famille de 4 lments est
toujours lie. Le calcul reste indispensable pour trouver une relation de
dpendance entre les vecteurs.
exercice 5-QC
1) Le dterminant du systme de 3 quations trois inconnues qui reste
lorsque la condition est vrifie est 15, donc non nul, il y a donc une unique
solution.
2) Le noyau et l'image sont gaux, gaux au sous-espace vectoriel :
vect(1, X
2
),
On en dduit que l'application compose de v avec elle-mme est 0.

3) En reprenant le calcul, on voit qu'il reste, dans le systme rduit par la
mthode du pivot, une dernire quation deux inconnues. L'ensemble des
solutions dpendra donc d'un paramtre rel arbitraire.
D'un point de vue thorique, si le systme avait une solution unique,
l'application linaire associe la matrice des coefficients du systme
(premiers membres) serait injective. Or une application injective de R
4

dans lui-mme est bijective, il devrait donc y avoir une solution pour tout
(a, b, c, d), ce qui n'est pas le cas.
exercice 6-QC
Le polynme D(m) = 2 + m 2m
2
+ m
3
change de signe, puisqu'il est de
degr impair, donc il s'annule au moins une fois.
Le tableau de variation est le suivant :
D(m) = 1 4m + 3m
2
,
qui s'annule pour m = 1 et m = 1/3,
m 1/3 1 +
D + 0 0 +
D
2 +

Il y a donc une seule racine, infrieure 1.
exercice 7-QC
Dans R
3
, quatre vecteurs sont toujours lis, mais le sous-espace aurait pu
avoir une dimension plus petite.
exercice 8-QC
On voit que (b
1
, b
2
, b
3
) = t ( 2, 1, 1), donc :
X = t (2 W
1
+ W
2
+ W
3
) = (0, t, 2t, 6t, 5t).

exercice 10-QC
1) On sait, d'aprs la thorie, qu'un sous-espace vectoriel a, en gnral, une
infinit de supplmentaires.
Il faut en avoir aussi une ide "intuitive" : dans un plan, par exemple, tant
donne une droite passant par l'origine, il y a "beaucoup de place" pour
tracer d'autres droites distinctes de la premire. Chacune sera un
supplmentaire. Retenir l'ide qu'un sous-espace vectoriel (diffrent de
l'espace lui-mme) est "maigre".
2) Si n = dim(T), alors dim(K) = n 1. Il est donc clair que K T. Si V
n'appartient pas K, l'intersection de vect(V) et de K est le vecteur 0.
De plus la relation sur les dimensions montre que :
dim(vect(V) + K) = 1 + n 1 = n,
donc vect(V) est un supplmentaire de K.
(Observer comment l'argument de dimension simplifie la preuve).
exercice 13-QC
1) On vrifie que les formules gnrales contiennent bien les cas
particuliers.
2) La relation ab + cd = 0 donne :
cos()cos() + sin()sin() = 0
cos( ) = 0.
Donc :
= +
2
+ k.
On obtient deux possibilits :
= +
2
, = +
3
2
.
A1=
cos() sin()
sin() cos()
|
\

|

| , A2 =
cos() sin()
sin() cos()
|
\

|

| .


4 Pour Chercher
4-1 Indications pour les exercices ()
exercice 1-I
Appliquer la mthode du pivot en vitant, si possible, de diviser par une
expression contenant le paramtre.
exercice 2-I
1) et 2) crire l'quation correspondante, rsoudre avec la mthode du
pivot.
3) Idem, mais penser que les vecteurs sont des fonctions.
exercice 3-I
1) et 2) crire l'quation de dpendance, rsoudre (mthode du pivot).
exercice 4-I
1) Technique usuelle : quation caractristique.
2) Utiliser les bases canoniques pour transformer l'application en l'crivant
avec les coefficients des polynmes.
3) crire, rsoudre (pivot) le systme d'quations linaires.
exercice 5-I
1) crire u(a, b, c) = (x, y, z), rsoudre, et trouver les conditions, sur le
vecteur (x, y, z), pour lesquelles il y a bien une solution.
2) Reprendre le calcul de l'exercice prcdent.
3) Mme mthode qu'en 1).

exercice 6-I
Chercher l'ensemble des solutions, ventuellement en fonction de
paramtres arbitraires. Dduire les bases.
exercice 11-I
2) Calculer le produit d'une matrice quelconque avec une matrice
lmentaire, gauche, et droite.
3) C(A) est un noyau. Rsoudre le systme en discutant.
exercice 12-I
1) Distinguer i j et i = j. Calculer le dterminant.
2) Utiliser le thorme de Cayley-Hamilton.
exercice 13-I
4) crire le produit scalaire comme le rsultat d'un produit de matrices.
exercice 15-I
2) Penser la dimension du sous-espace des matrices diagonales.
3) Condition ncessaire et suffisante sur les racines du polynme minimal.

4-2 Mthodes ()
Mode d'emploi de cette partie : vous trouverez d'abord une liste de
mthodes de rsolution des types de questions prsentes dans ce
volume ; par commodit, on a prcis ensuite propos de chaque
exercice o une mthode a t indique par () le (ou les) numro
de la mthode concerne. S'agissant d'un discours sur les
mathmatiques, et non d'un discours mathmatique, on trouvera
naturel qu'il utilise les abus de langage usuels, les raccourcis
allusifs, et de faon gnrale qu'il se rapproche d'un discours oral
qui pourrait tre tenu devant les tudiants.

1- Base d'un noyau. C'est le cas d'un sous-espace donn par des
quations.

2- Base d'un sous-espace donn par quations. Rsoudre le systme
d'quations, en faisant apparatre d'ventuels paramtres arbitraires.
Sparer, dans l'expression, les diffrents paramtres. A chacun
correspond un vecteur de base.

3- Base d'une image. Cas d'un sous-espace donn par des
gnrateurs.

4- Base d'un sous-espace donn par gnrateurs (1). Extraire de la
famille gnratrice une base, par limination progressive des
vecteurs qui s'expriment comme combinaison linaire des autres,
que l'on conserve. Lorsqu'on ne peut plus rien liminer, on a obtenu
une base.

5- Base d'un sous-espace donn par gnrateurs (2). Complter
progressivement partir d'un vecteur non nul pris dans la famille
gnratrice, en lui adjoignant d'autres vecteurs de la famille et en
gardant toujours une famille libre. Lorsqu'on ne peut plus complter,
on a obtenu une base.

6- Base d'une intersection. Voir exercice 8 pour les 4 cas possibles.

7- Base d'une somme. Voir exercice 9.

8- Base d'un supplmentaire. En dimension finie, complter une base
du sous-espace donn en une base de l'espace, par le procd de la

base incomplte. Les vecteurs choisis pour complter forment une
base du supplmentaire.

9- Calculer l'inverse d'une matrice. Soit par la rsolution d'un
systme, soit partir de la connaissance d'un polynme annulateur.
Voir exercice 12.

10- Calculer une puissance d'une matrice. Soit par rduction de la
matrice la forme triangulaire (ou diagonale), puis changement de
base, soit partir de la connaissance d'un polynme annulateur. Voir
exemples 114 et 115.

11- Chercher si une famille finie est dpendante, libre. Poser
l'quation des familles libres V + W + U = 0. Rsoudre en
transformant cette quation en un systme d'quations linaires (cas
de la dimension finie). S'il y a une solution diffrente de 0, la famille
est dpendante, et on obtient des relations, sinon, elle est libre.
12- Chercher si une famille est gnratrice. Pour un vecteur
quelconque X, poser l'quation :
X = V + W + U
et voir si elle a une solution sans condition sur X. Dans ce cas la
famille est gnratrice.

13- Diagonaliser une matrice carre. Voir page 27.

14- Trigonaliser une matrice carre. Voir page 28.

15- Utiliser la dimension finie. Dans un espace de dimension n, pour
vrifier qu'une famille de n lments est une base de E, il suffit de
vrifier soit qu'elle est libre, soit qu'elle est gnratrice.

16- Utiliser la dimension finie. Dans un espace de dimension n, il est
quivalent, pour un endomorphisme, d'tre
injectif, surjectif, ou bijectif.

Les mthodes dans les exercices :

ex. 2 : 11 ex. 3 : 11 ex. 4 : 1
ex. 5 : 3 ex. 6 : 2, 12, 15 ex. 7 : 4, 5, 15
ex. 8 : 6 ex. 9 : 7 ex. 10 : 8, 16
ex. 12 : 9 ex. 15 : 13 ex. 16 : 16


4-3 Lexique ()
A
Application linaire : une application d'un espace vectoriel dans un autre
qui vrifie f(x + y) = f(x) + f(y) et f(a.x) = a.f(x) pour tout vecteur x,
tout vecteur y et tout scalaire a.
B
Base : une famille est une base d'un espace vectoriel E si elle est libre, et
gnratrice pour E.
C
Coordonnes : tant donne une base, un vecteur s'crit, de manire
unique, comme combinaison linaire des vecteurs de base. Les
coefficients de cette combinaison linaire sont les coordonnes du
vecteur sur la base.
D
Dpendante : pour une famille, synonyme de lie.
Dimension : dans un espace vectoriel ayant une famille gnratrice finie,
toutes les bases ont le mme nombre d'lments, qui s'appelle la
dimension de l'espace vectoriel.
E
Engendrer : une famille engendre l'espace vectoriel E si cette famille est
gnratrice pour E.
Endomorphisme : application linaire d'un espace vectoriel dans lui-
mme.
G
Gnratrice : une famille de vecteurs est gnratrice pour un espace
vectoriel E si tout vecteur de E est combinaison linaire des vecteurs
de cette famille.
I
Indpendante : pour une famille, synonyme de libre.

Image (d'une application linaire) : ensemble des images des vecteurs
de l'espace de dpart par cette application.
L
Libre : une famille de vecteurs est libre si aucun d'entre eux n'est
combinaison linaire des autres.
Lie : une famille est lie si elle n'est pas libre.
Linaire : une application
N
Noyau (d'une application linaire) : ensemble des vecteurs dont l'image
est gale 0.
P
Passage (matrice de) : si B1 et B2 sont des bases d'un espace vectoriel, la
matrice de passage de B1 B2 a pour colonnes les coordonnes des
vecteurs de B2 dans la base B1 (cf. p.20).
R
Rang (d'une application linaire) : dimension de l'image de cette
application linaire (si elle est de dimension finie).
S
Somme (de sous-espaces vectoriels) : la somme de F et G est l'ensemble
des vecteurs qui sont la somme d'un vecteur de F et d'un vecteur de
G.
Somme directe : la somme de F et G est directe si l'intersection de ces
deux sous-espaces vectoriels est {0}.
Supplmentaire (d'un sous-espace vectoriel) : si la somme des sous-
espaces F et G de E est directe, et si F + G = E, les sous-espaces F et
G sont supplmentaires.

Daniel Alibert - Cours Et Exercices Corrigés - Volume 6

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Daniel Alibert - Cours Et Exercices Corrigés - Volume 6

Încărcat de

Drepturi de autor:

Formate disponibile

Daniel Alibert Cours et Exercices corrigs Volume 6 1

est la combinaison linaire de la famille (z

(R) dans lui-mme () : u(f) = f f f.

S-ar putea să vă placă și