Bases Indispensables des Mathématiques
|
|
- Georges Després
- il y a 5 ans
- Total affichages :
Transcription
1 Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Bases Indispensables des Mathématiques Chapitre 2 : Algèbre linéaire. (Applications linéaires et Matrices) Julian Tugaut Julian Tugaut Bases Indispensables des Mathématiques
2 Sommaire 1 Applications linéaires 2 Matrices : Introduction 3 Quelques matrices particulières 4 Calcul matriciel Addition et multiplication par un scalaire Produit de deux matrices 5 Déterminants 6 Inversion de matrices 7 Diagonalisation Introduction Méthode
3 Plan 1 Applications linéaires 2 Matrices : Introduction 3 Quelques matrices particulières 4 Calcul matriciel 5 Déterminants 6 Inversion de matrices 7 Diagonalisation
4 Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Applications linéaires Définition Soient E et F deux espaces vectoriels sur R. On dit qu une application f de E dans F est linéaire si λ R, x,y E, on a : f (λx +y) = λf(x)+f(y). Julian Tugaut Bases Indispensables des Mathématiques
5 Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Applications linéaires Définition Soient E et F deux espaces vectoriels sur R. On dit qu une application f de E dans F est linéaire si λ R, x,y E, on a : f (λx +y) = λf(x)+f(y). Exemples L application Id E de E dans lui-même définie par Id E (x) := x est linéaire. L application de R n dans R définie par f(x 1,,x n ) := x 1 + +x n est linéaire. L application Tr de M n (R) dans R qui, à une matrice, associe sa trace est également linéaire. Julian Tugaut Bases Indispensables des Mathématiques
6 Vocabulaire Endomorphisme Une application linéaire de E dans lui-même est un endomorphisme.
7 Vocabulaire Endomorphisme Une application linéaire de E dans lui-même est un endomorphisme. Exemple L application f de C dans lui-même définie par f(z) := z.
8 Vocabulaire Endomorphisme Une application linéaire de E dans lui-même est un endomorphisme. Exemple L application f de C dans lui-même définie par f(z) := z. Isomorphisme Une application linéaire bijective de E vers F est un isomorphisme.
9 Vocabulaire Endomorphisme Une application linéaire de E dans lui-même est un endomorphisme. Exemple L application f de C dans lui-même définie par f(z) := z. Isomorphisme Une application linéaire bijective de E vers F est un isomorphisme. Exemple L application f de C dans R 2 définie par f(z) := (Re(z);Im(z)).
10 Vocabulaire Endomorphisme Une application linéaire de E dans lui-même est un endomorphisme. Exemple L application f de C dans lui-même définie par f(z) := z. Isomorphisme Une application linéaire bijective de E vers F est un isomorphisme. Exemple L application f de C dans R 2 définie par f(z) := (Re(z);Im(z)). Définition On dit que E est isomorphe à F s il existe un isomorphisme de l un vers l autre.
11 Théorème de la dimension Image On appelle image de f : Imf := {f(x) ; x E} F.
12 Théorème de la dimension Image On appelle image de f : Imf := {f(x) ; x E} F. Noyau On appelle noyau de f : Kerf := {x E f(x) = 0}. Imf est un sous-espace vectoriel de F tandis que Kerf est un sous-espace vectoriel de E. On appelle rang de f : rg(f) := dimimf.
13 Théorème de la dimension Image On appelle image de f : Imf := {f(x) ; x E} F. Noyau On appelle noyau de f : Kerf := {x E f(x) = 0}. Imf est un sous-espace vectoriel de F tandis que Kerf est un sous-espace vectoriel de E. On appelle rang de f : rg(f) := dimimf. Théorème du rang dime = dimimf +dimkerf = rg(f)+dimkerf.
14 Déterminer une application linéaire Résultat Soient {e 1 ; ; e p } une base de E et {f 1 ; ; f n } une base de F. Alors connaître les coordonnées des p vecteurs f(e 1 ),,f(e p ) dans la base {f 1 ; ; f n } est suffisant pour caractériser l application linéaire f.
15 Déterminer une application linéaire Résultat Soient {e 1 ; ; e p } une base de E et {f 1 ; ; f n } une base de F. Alors connaître les coordonnées des p vecteurs f(e 1 ),,f(e p ) dans la base {f 1 ; ; f n } est suffisant pour caractériser l application linéaire f. Démonstration On suppose connues les coordonnées des p vecteurs f(e 1 ),,f(e p ) dans la base {f 1 ; ; f n } : f(e j ) = a 1,j f 1 +a 2,j f 2 + +a n 1,j f n 1 +a n,j f n. Soit un vecteur quelconque x de E. Il existe α 1,, α p R tels que x = α 1 e 1 + +α p e p d où : f(x) = p α j f(e j ) = j=1 p j=1 i=1 n a i,j α j f i = n p a i,j α j f i i=1 j=1
16 Plan 1 Applications linéaires 2 Matrices : Introduction 3 Quelques matrices particulières 4 Calcul matriciel 5 Déterminants 6 Inversion de matrices 7 Diagonalisation
17 Matrice d une application linéaire On connaît donc l application linéaire f si l on connait : f(e 1 ) {}} { a 1,1. a i,1. a n,1 ; ; f(e j ) {}} { a 1,j. a i,j. a n,j ; ; f(e p) { }} { a 1,p. a i,p. a n,p Pour simplifier l écriture, on met tous les coefficients dans un tableau à n lignes et p colonnes : a 1,1 a 1,j a 1,p... a i,1 a i,j a i,p... a n,1 a n,j a n,p
18 Terminologie Matrice Ce tableau est appelé la matrice de l application linéaire f.
19 Terminologie Matrice Ce tableau est appelé la matrice de l application linéaire f. Rang d une matrice Le rang d une matrice M est égal au rang de son application linéaire.
20 Terminologie Matrice Ce tableau est appelé la matrice de l application linéaire f. Rang d une matrice Le rang d une matrice M est égal au rang de son application linéaire. Notation Pour simplifier, on écrit M = (a i,j ) 1 i n. 1 j p M est alors une matrice à n lignes et p colonnes. On appelle M n,p (R) l espace vectoriel des matrices à n lignes et p colonnes et à coefficients dans R. On note : dim M n,p (R) = np.
21 Transposée Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Transposée La transposée de M est M T := (a j,i ) 1 i n, 1 j p. M T est alors une matrice à p lignes et n colonnes. Julian Tugaut Bases Indispensables des Mathématiques
22 Plan 1 Applications linéaires 2 Matrices : Introduction 3 Quelques matrices particulières 4 Calcul matriciel 5 Déterminants 6 Inversion de matrices 7 Diagonalisation
23 Matrices carrées Définition Matrices ayant autant de lignes que de colonnes : a 1,1 a 1,j a 1,n... M := a i,1 a i,j a i,n... a n,1 a n,j a n,n Trace On définit la trace comme étant la somme des éléments diagonaux : n Tr(M) := a i,i. i=1
24 Matrices symétriques Matrices symétriques Matrices carrées réelles telles que M = M T : a i,j = a j,i. Exemple : M :=
25 Matrices diagonales Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Les matrices diagonales sont des matrices carrées telles que les coefficients hors diagonale sont nuls : a i,j = 0 si i j. Exemple : M := Julian Tugaut Bases Indispensables des Mathématiques
26 Matrices diagonales Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Les matrices diagonales sont des matrices carrées telles que les coefficients hors diagonale sont nuls : a i,j = 0 si i j. Exemple : M := Les matrices diagonales jouent un rôle particulier puisqu il est facile de les multiplier, de calculer leurs puissances et leur exponentielle. On cherche autant que faire se peut à travailler avec. Julian Tugaut Bases Indispensables des Mathématiques
27 Matrices triangulaires Remarque On ne peut pas toujours travailler avec des matrices diagonales mais si l on travaille dans C, on peut toujours se ramener à une matrice triangulaire supérieure (ou une matrice triangulaire inférieure).
28 Matrices triangulaires Remarque On ne peut pas toujours travailler avec des matrices diagonales mais si l on travaille dans C, on peut toujours se ramener à une matrice triangulaire supérieure (ou une matrice triangulaire inférieure). Définition Une matrice triangulaire supérieure est une matrice carrée telle que a i,j = 0 si i > j : M :=
29 Matrices identités Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation La matrice identité est une matrice diagonale dont tous les termes diagonaux sont égaux à 1. On la note I n lorsque l on est en dimension n : I 4 := Julian Tugaut Bases Indispensables des Mathématiques
30 Matrices identités Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation La matrice identité est une matrice diagonale dont tous les termes diagonaux sont égaux à 1. On la note I n lorsque l on est en dimension n : I 4 := Il s agit aussi de l élément neutre pour la multiplication des matrices. Julian Tugaut Bases Indispensables des Mathématiques
31 Matrices nulles Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation La matrice nulle est une matrice carrée dont tous les coefficients sont égaux à 0. On la note O n lorsque l on est en dimension n : O 4 := Julian Tugaut Bases Indispensables des Mathématiques
32 Matrices nulles Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation La matrice nulle est une matrice carrée dont tous les coefficients sont égaux à 0. On la note O n lorsque l on est en dimension n : O 4 := Il s agit aussi de l élément neutre pour l addition des matrices. Julian Tugaut Bases Indispensables des Mathématiques
33 Vecteurs lignes/colonnes Vecteur ligne Un vecteur ligne est une matrice ayant une unique ligne et p colonnes.
34 Vecteurs lignes/colonnes Vecteur ligne Un vecteur ligne est une matrice ayant une unique ligne et p colonnes. Exemple ( )
35 Vecteurs lignes/colonnes Vecteur ligne Un vecteur ligne est une matrice ayant une unique ligne et p colonnes. Exemple ( ) Vecteur colonne Un vecteur colonne est une matrice ayant une unique colonne et n lignes.
36 Vecteurs lignes/colonnes Vecteur ligne Un vecteur ligne est une matrice ayant une unique ligne et p colonnes. Exemple ( ) Vecteur colonne Un vecteur colonne est une matrice ayant une unique colonne et n lignes. Exemple
37 Plan 1 Applications linéaires 2 Matrices : Introduction 3 Quelques matrices particulières 4 Calcul matriciel Addition et multiplication par un scalaire Produit de deux matrices 5 Déterminants 6 Inversion de matrices 7 Diagonalisation
38 Addition L addition de deux matrices se fait coefficient à coefficient : a 1,1 a 1,2 a 1,3 a 1,4 b 1,1 b 1,2 b 1,3 b 1,4 a 2,1 a 2,2 a 2,3 a 2,4 + b 2,1 b 2,2 b 2,3 b 2,4 a 3,1 a 3,2 a 3,3 a 3,4 b 3,1 b 3,2 b 3,3 b 3,4 = a 1,1 +b 1,1 a 1,2 +b 1,2 a 1,3 +b 1,3 a 1,4 +b 1,4 a 2,1 +b 2,1 a 2,2 +b 2,2 a 2,3 +b 2,3 a 2,4 +b 2,4 a 3,1 +b 3,1 a 3,2 +b 3,2 a 3,3 +b 3,3 a 3,4 +b 3,4
39 Addition L addition de deux matrices se fait coefficient à coefficient : a 1,1 a 1,2 a 1,3 a 1,4 b 1,1 b 1,2 b 1,3 b 1,4 a 2,1 a 2,2 a 2,3 a 2,4 + b 2,1 b 2,2 b 2,3 b 2,4 a 3,1 a 3,2 a 3,3 a 3,4 b 3,1 b 3,2 b 3,3 b 3,4 = a 1,1 +b 1,1 a 1,2 +b 1,2 a 1,3 +b 1,3 a 1,4 +b 1,4 a 2,1 +b 2,1 a 2,2 +b 2,2 a 2,3 +b 2,3 a 2,4 +b 2,4 a 3,1 +b 3,1 a 3,2 +b 3,2 a 3,3 +b 3,3 a 3,4 +b 3,4 Les matrices doivent avoir le même nombre de lignes et de colonnes.
40 Addition L addition de deux matrices se fait coefficient à coefficient : a 1,1 a 1,2 a 1,3 a 1,4 b 1,1 b 1,2 b 1,3 b 1,4 a 2,1 a 2,2 a 2,3 a 2,4 + b 2,1 b 2,2 b 2,3 b 2,4 a 3,1 a 3,2 a 3,3 a 3,4 b 3,1 b 3,2 b 3,3 b 3,4 = a 1,1 +b 1,1 a 1,2 +b 1,2 a 1,3 +b 1,3 a 1,4 +b 1,4 a 2,1 +b 2,1 a 2,2 +b 2,2 a 2,3 +b 2,3 a 2,4 +b 2,4 a 3,1 +b 3,1 a 3,2 +b 3,2 a 3,3 +b 3,3 a 3,4 +b 3,4 Les matrices doivent avoir le même nombre de lignes et de colonnes. La multiplication par un scalaire λ R s effectue sur chaque coefficient : a 1,1 a 1,2 a 1,3 a 1,4 λ.a 1,1 λ.a 1,2 λ.a 1,3 λ.a 1,4 λ. a 2,1 a 2,2 a 2,3 a 2,4 = λ.a 2,1 λ.a 2,2 λ.a 2,3 λ.a 2,4 a 3,1 a 3,2 a 3,3 a 3,4 λ.a 3,1 λ.a 3,2 λ.a 3,3 λ.a 3,4
41 Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Propriétés de l addition Addition et multiplication par un scalaire Produit de deux matrices Groupe L ensemble M n,p (R) des matrices à n lignes et p colonnes muni de l addition matricielle est un groupe abélien. Et, muni de la multiplication par un scalaire, c est un R-espace vectoriel. Julian Tugaut Bases Indispensables des Mathématiques
42 Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Propriétés de l addition Addition et multiplication par un scalaire Produit de deux matrices Groupe L ensemble M n,p (R) des matrices à n lignes et p colonnes muni de l addition matricielle est un groupe abélien. Et, muni de la multiplication par un scalaire, c est un R-espace vectoriel. Pour les matrices carrées, on a de plus : Tr(A+B) = Tr(A)+Tr(B) et Tr(λ.A) = λ.tr(a). La trace est donc une application linéaire de M n (R) vers R. On a également : (A+B) T = A T +B T. Julian Tugaut Bases Indispensables des Mathématiques
43 Définition du produit de deux matrices Rappel Une matrice est associée à une application linéaire. Ainsi, si f est une application linéaire d un espace vectoriel E de dimension p vers un espace vectoriel n, la matrice associée est un tableau à n lignes et p colonnes, les n coordonnées dans la nouvelle base des images par f de l ancienne base.
44 Définition du produit de deux matrices Rappel Une matrice est associée à une application linéaire. Ainsi, si f est une application linéaire d un espace vectoriel E de dimension p vers un espace vectoriel n, la matrice associée est un tableau à n lignes et p colonnes, les n coordonnées dans la nouvelle base des images par f de l ancienne base. Définition On définit le produit d une matrice A M n,p par une matrice B M q,r comme étant la matrice associée à la composée des deux applications linéaires associées.
45 Définition du produit de deux matrices Rappel Une matrice est associée à une application linéaire. Ainsi, si f est une application linéaire d un espace vectoriel E de dimension p vers un espace vectoriel n, la matrice associée est un tableau à n lignes et p colonnes, les n coordonnées dans la nouvelle base des images par f de l ancienne base. Définition On définit le produit d une matrice A M n,p par une matrice B M q,r comme étant la matrice associée à la composée des deux applications linéaires associées. Première remarque On en déduit immédiatement que le produit A B n est défini que si p = q et alors la matrice produit A B est dans M n,r.
46 Formule pour le produit On peut montrer que le produit d une matrice A M n,p par une matrice B M p,q est une matrice C dans M n,q dont chaque coefficient c i,j est égal à c i,j = p a i,k b k,j. k=1
47 Formule pour le produit On peut montrer que le produit d une matrice A M n,p par une matrice B M p,q est une matrice C dans M n,q dont chaque coefficient c i,j est égal à c i,j = p a i,k b k,j. k=1 Matrices carrées On peut toujours multiplier deux matrices carrées de même taille entre elles, dans un sens ou dans l autre.
48 Formule pour le produit On peut montrer que le produit d une matrice A M n,p par une matrice B M p,q est une matrice C dans M n,q dont chaque coefficient c i,j est égal à c i,j = p a i,k b k,j. k=1 Matrices carrées On peut toujours multiplier deux matrices carrées de même taille entre elles, dans un sens ou dans l autre. Propriétés Tr(A B) = Tr(B A). Et : (A B) T = B T A T.
49 Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Remarques importantes sur le produit Addition et multiplication par un scalaire Produit de deux matrices Le produit de deux matrices non nulles peut être nul. Exemple : = Julian Tugaut Bases Indispensables des Mathématiques
50 Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Remarques importantes sur le produit Addition et multiplication par un scalaire Produit de deux matrices Le produit de deux matrices non nulles peut être nul. Exemple : = Et, une matrice est inversible pour le produit si et seulement si le rang de la matrice (en d autres termes, la dimension de l image de son application linéaire associée) est égal à n. Ainsi, une matrice est inversible si et seulement si ses vecteurs colonnes (ou ses vecteurs lignes) forment une famille libre dans R n. Julian Tugaut Bases Indispensables des Mathématiques
51 Plan 1 Applications linéaires 2 Matrices : Introduction 3 Quelques matrices particulières 4 Calcul matriciel 5 Déterminants 6 Inversion de matrices 7 Diagonalisation
52 Définition Par définition, le déterminant... détermine. Il détermine en particulier l inversibilité ou non de la matrice. On le définit comme étant une application multi-linéaire de la matrice.
53 Définition Par définition, le déterminant... détermine. Il détermine en particulier l inversibilité ou non de la matrice. On le définit comme étant une application multi-linéaire de la matrice. Exemple On considère une matrice carrée de n lignes et n colonnes. On appelle C 1,,C n ses n colonnes. On a alors : Det ( C 1,,C i 1, λ.c i +C i,c i+1,,c n ) =λdet(c 1,,C i 1,C i,c i+1,,c n ) +Det ( C 1,,C i 1,C i,c i+1,,c n ).
54 si k i. Enfin, on suppose Det(I n ) = 1. Définition Par définition, le déterminant... détermine. Il détermine en particulier l inversibilité ou non de la matrice. On le définit comme étant une application multi-linéaire de la matrice. Exemple On considère une matrice carrée de n lignes et n colonnes. On appelle C 1,,C n ses n colonnes. On a alors : Det ( C 1,,C i 1, λ.c i +C i,c i+1,,c n ) =λdet(c 1,,C i 1,C i,c i+1,,c n ) +Det ( C 1,,C i 1,C i,c i+1,,c n ). On suppose également que le déterminant est nul dès que deux colonnes sont égales d où : Det(C 1,,C i 1,C i + λ.c k,c i+1,,c n ) = Det(C 1,,C i 1,C i,c i+1,,c n )
55 Calcul pratique 1 Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Définition calculatoire Det(A) := n a i,σ(i). σ S n ( 1) Inv(σ) i=1 Julian Tugaut Bases Indispensables des Mathématiques
56 Calcul pratique 1 Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Définition calculatoire Det(A) := n a i,σ(i). Peu pratique... σ S n ( 1) Inv(σ) i=1 Julian Tugaut Bases Indispensables des Mathématiques
57 Calcul pratique 1 Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Définition calculatoire Det(A) := n a i,σ(i). Peu pratique... σ S n ( 1) Inv(σ) i=1 Dans M 2 (R) Det (( a b c d )) := ad bc. Julian Tugaut Bases Indispensables des Mathématiques
58 Calcul pratique 2 Dans M 3 (R) Det a 1,1 a 1,2 a 1,3 a 2,1 a 2,2 a 2,3 a 3,1 a 3,2 a 3,3
59 Calcul pratique 2 Dans M 3 (R) Det a 1,1 a 1,2 a 1,3 a 2,1 a 2,2 a 2,3 a 3,1 a 3,2 a 3,3 se calcule par la méthode de Sarrus (NE FONCTIONNE PAS SI N 4!!). On réécrit les deux premières lignes en dessous de la matrice. On prend la somme des trois nombres obtenus en effectuant le produit des trois diagonales descendantes et l on retranche les trois nombres obtenus en effectuant le produit des trois diagonales ascendantes.
60 Calcul pratique 2 Dans M 3 (R) Det a 1,1 a 1,2 a 1,3 a 2,1 a 2,2 a 2,3 a 3,1 a 3,2 a 3,3 se calcule par la méthode de Sarrus (NE FONCTIONNE PAS SI N 4!!). On réécrit les deux premières lignes en dessous de la matrice. On prend la somme des trois nombres obtenus en effectuant le produit des trois diagonales descendantes et l on retranche les trois nombres obtenus en effectuant le produit des trois diagonales ascendantes. En dimension quelconque On effectue le pivot de Gauss (opérations sur les lignes de la matrice) pour simplifier le calcul du déterminant.
61 Exemple de calcul de déterminant par le pivot (L 1 ) (L 2 ) (L 3 ) (L 4 ) On encadre le pivot que l on choisit puis l on applique les opérations sur les lignes : (L 1 ) (L 2 ) (L 1 ) (L 3 ) (L 1 ) (L 4 ) (L 1 )
62 Exemple de calcul de déterminant par le pivot 2 On conserve l encadrement du pivot (pour se souvenir de ne plus utiliser la ligne (L 1 )). On procède de même que précédemment : (L 1 )+ 1 2 (L 3) (L 2 ) (L 3 ) (L 4 ) (L 3 )
63 Exemple de calcul de déterminant par le pivot 2 On conserve l encadrement du pivot (pour se souvenir de ne plus utiliser la ligne (L 1 )). On procède de même que précédemment : (L 1 )+ 1 2 (L 3) (L 2 ) (L 3 ) (L 4 ) (L 3 ) Puis : (L 1 )+ 1 2 (L 2) (L 2 ) (L 3 ) (L 4 ) (L 2 )
64 Exemple de calcul de déterminant par le pivot 3 Puis : (L 1 )+ 1 4 (L 4) (L 2 )+ 1 2 (L 4) (L 3 )+ 1 2 (L 4) (L 4 )
65 Exemple de calcul de déterminant par le pivot 3 Puis : (L 1 )+ 1 4 (L 4) (L 2 )+ 1 2 (L 4) (L 3 )+ 1 2 (L 4) (L 4 ) On calcule ensuite le déterminant en développant par rapport à la première colonne.
66 Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Développement par rapport à une colonne (ou une ligne) Si une ligne ou une colonne contient beaucoup de 0, on peut utiliser la formule suivante : Julian Tugaut Bases Indispensables des Mathématiques
67 Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Développement par rapport à une colonne (ou une ligne) Si une ligne ou une colonne contient beaucoup de 0, on peut utiliser la formule suivante : n ) Det(A) = a i,k ( 1) i+k Det (Ãi,k k=1 où Ãi,k est la matrice A à laquelle on a enlevé la ligne i et la colonne k. Julian Tugaut Bases Indispensables des Mathématiques
68 Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Développement par rapport à une colonne (ou une ligne) Si une ligne ou une colonne contient beaucoup de 0, on peut utiliser la formule suivante : n ) Det(A) = a i,k ( 1) i+k Det (Ãi,k k=1 où Ãi,k est la matrice A à laquelle on a enlevé la ligne i et la colonne k. De même : n ) Det(A) = a k,j ( 1) k+j Det (Ãk,j k=1 où Ãk,j est la matrice A à laquelle on a enlevé la ligne k et la colonne j. Julian Tugaut Bases Indispensables des Mathématiques
69 Quelques propriétés Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Si le déterminant est nul, la matrice est non inversible. Julian Tugaut Bases Indispensables des Mathématiques
70 Quelques propriétés Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Si le déterminant est nul, la matrice est non inversible. Si le déterminant est non nul, la matrice est inversible. Julian Tugaut Bases Indispensables des Mathématiques
71 Quelques propriétés Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Si le déterminant est nul, la matrice est non inversible. Si le déterminant est non nul, la matrice est inversible. Det(AB) = Det(BA) = Det(A)Det(B). Julian Tugaut Bases Indispensables des Mathématiques
72 Quelques propriétés Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Si le déterminant est nul, la matrice est non inversible. Si le déterminant est non nul, la matrice est inversible. Det(AB) = Det(BA) = Det(A)Det(B). Le déterminant d une matrice diagonale est égal au produit des éléments diagonaux. Julian Tugaut Bases Indispensables des Mathématiques
73 Quelques propriétés Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Si le déterminant est nul, la matrice est non inversible. Si le déterminant est non nul, la matrice est inversible. Det(AB) = Det(BA) = Det(A)Det(B). Le déterminant d une matrice diagonale est égal au produit des éléments diagonaux. Le déterminant d une matrice triangulaire est égal au produit des éléments diagonaux. Julian Tugaut Bases Indispensables des Mathématiques
74 Quelques propriétés Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Si le déterminant est nul, la matrice est non inversible. Si le déterminant est non nul, la matrice est inversible. Det(AB) = Det(BA) = Det(A)Det(B). Le déterminant d une matrice diagonale est égal au produit des éléments diagonaux. Le déterminant d une matrice triangulaire est égal au produit des éléments diagonaux. Det(λA) = λ n Det(A). Julian Tugaut Bases Indispensables des Mathématiques
75 Quelques propriétés Applications linéaires Matrices : Introduction Quelques matrices particulières Calcul matriciel Déterminants Inversion de matrices Diagonalisation Si le déterminant est nul, la matrice est non inversible. Si le déterminant est non nul, la matrice est inversible. Det(AB) = Det(BA) = Det(A)Det(B). Le déterminant d une matrice diagonale est égal au produit des éléments diagonaux. Le déterminant d une matrice triangulaire est égal au produit des éléments diagonaux. Det(λA) = λ n Det(A). ( ) Det A T = Det(A). Julian Tugaut Bases Indispensables des Mathématiques
76 Plan 1 Applications linéaires 2 Matrices : Introduction 3 Quelques matrices particulières 4 Calcul matriciel 5 Déterminants 6 Inversion de matrices 7 Diagonalisation
77 Définition Par définition, A M n (R) est inversible si et seulement s il existe une matrice B M n (R) telle que A B = B A = I n. On note A 1 cette matrice inverse (si elle existe).
78 Inversion par le pivot de Gauss On peut procéder par le pivot de Gauss. Reprenons notre exemple : A :=
79 Inversion par le pivot de Gauss On peut procéder par le pivot de Gauss. Reprenons notre exemple : A := On met la matrice identité à droite de la matrice initiale et on les sépare par un trait vertical. Puis, l on effectue le pivot de Gauss jusqu à obtenir la matrice identité à gauche. On aura alors l inverse de A à droite.
80 Exemple d inversion de matrice par le pivot de Gauss (L 1 ) (L 2 ) (L 3 ) (L 4 ) On encadre le pivot que l on choisit puis l on applique les opérations sur les lignes : (L 1 ) (L 2 ) (L 1 ) (L 3 ) (L 1 ) (L 4 ) (L 1 )
81 Exemple d inversion de matrice par le pivot de Gauss 2 On conserve l encadrement du pivot (pour se souvenir de ne plus utiliser la ligne (L 1 )). On procède de même que tout à l heure : (L 1 )+ 1 2 (L 3) (L 2 ) (L 3 ) (L 4 ) (L 3 )
82 Exemple d inversion de matrice par le pivot de Gauss 2 On conserve l encadrement du pivot (pour se souvenir de ne plus utiliser la ligne (L 1 )). On procède de même que tout à l heure : (L 1 )+ 1 2 (L 3) (L 2 ) (L 3 ) (L 4 ) (L 3 ) Puis : (L 1 )+ 1 2 (L 2) (L 2 ) (L 3 ) (L 4 ) (L 2 )
83 Exemple d inversion de matrice par le pivot de Gauss 3 Puis : (L 1 )+ 1 4 (L 4) (L 2 )+ 1 2 (L 4) (L 3 )+ 1 2 (L 4) (L 4 )
84 Exemple d inversion de matrice par le pivot de Gauss 3 Puis : (L 1 )+ 1 4 (L 4) (L 2 )+ 1 2 (L 4) (L 3 )+ 1 2 (L 4) (L 4 ) Et enfin : (L 1 ) (L 3) (L 2) (L 4)
85 Exemple d inversion de matrice par le pivot de Gauss 3 Puis : (L 1 )+ 1 4 (L 4) (L 2 )+ 1 2 (L 4) (L 3 )+ 1 2 (L 4) (L 4 ) Et enfin : (L 1 ) (L 3) (L 2) (L 4) La matrice à droite du trait vertical est l inverse de la matrice de départ.
86 Plan 1 Applications linéaires 2 Matrices : Introduction 3 Quelques matrices particulières 4 Calcul matriciel 5 Déterminants 6 Inversion de matrices 7 Diagonalisation Introduction Méthode
87 Matrices diagonales Si la matrice D est diagonale, alors : D 1 = D := λ 1 1 (0)... (0) λ 1 n λ 1 (0)... (0) λ n, et exp[d] = e λ 1 (0)... (0) e λn. On suppose bien sûr λ i 0 pour prendre l inverse de D.
88 Valeurs propres et vecteurs propres Définition d une valeur propre Soit f un endomorphisme d un R-espace vectoriel E. On dit que λ est une valeur propre de f s il existe un vecteur v E non nul tel que f(v) = λv. En d autres termes, λ est une valeur propre de f si Ker(f λid) {0}.
89 Valeurs propres et vecteurs propres Définition d une valeur propre Soit f un endomorphisme d un R-espace vectoriel E. On dit que λ est une valeur propre de f s il existe un vecteur v E non nul tel que f(v) = λv. En d autres termes, λ est une valeur propre de f si Ker(f λid) {0}. Définition d un vecteur propre On dit que v est un vecteur propre de f associé à la valeur propre λ si v E est tel que f(v) = λv et v 0. Puis, Ker(f λid) {0} est le sous-espace propre associé.
90 Valeurs propres et vecteurs propres Définition d une valeur propre Soit f un endomorphisme d un R-espace vectoriel E. On dit que λ est une valeur propre de f s il existe un vecteur v E non nul tel que f(v) = λv. En d autres termes, λ est une valeur propre de f si Ker(f λid) {0}. Définition d un vecteur propre On dit que v est un vecteur propre de f associé à la valeur propre λ si v E est tel que f(v) = λv et v 0. Puis, Ker(f λid) {0} est le sous-espace propre associé. Valeur propre d une matrice On dit que λ est une valeur propre de la matrice M si λ est une valeur propre de l application linéaire associée.
91 Trouver les valeurs propres Polynôme caractéristique Le polynôme caractéristique de la matrice M est le polynôme χ M (X) := Det (M XI n ). Soit f l application linéaire associée à M. On appelle polynôme caractéristique de f, et on note χ f, le polynôme χ M. Les racines du polynôme χ f correspondent aux valeurs propres de f, par définition.
92 Trouver les valeurs propres Polynôme caractéristique Le polynôme caractéristique de la matrice M est le polynôme χ M (X) := Det (M XI n ). Soit f l application linéaire associée à M. On appelle polynôme caractéristique de f, et on note χ f, le polynôme χ M. Les racines du polynôme χ f correspondent aux valeurs propres de f, par définition. Exemple ( ) 0 1 Soit M :=. Alors, 1 2 ( χ M (X) = X 2 2X 1 = X (1+ ) ( 2) X (1 ) 2). Les valeurs propres de M sont donc 1+ 2 et 1 2.
93 Trouver les valeurs propres Polynôme caractéristique Le polynôme caractéristique de la matrice M est le polynôme χ M (X) := Det (M XI n ). Soit f l application linéaire associée à M. On appelle polynôme caractéristique de f, et on note χ f, le polynôme χ M. Les racines du polynôme χ f correspondent aux valeurs propres de f, par définition. Exemple ( ) 0 1 Soit M :=. Alors, 1 2 ( χ M (X) = X 2 2X 1 = X (1+ ) ( 2) X (1 ) 2). Les valeurs propres de M sont donc 1+ 2 et 1 2. Spectre On apppelle spectre de M, et on note Sp(M) l ensemble des valeurs propres de M.
94 Définition Vecteurs propres On cherche ensuite les vecteurs propres associés à λ en résolvant (M λi n )v = 0.
95 Définition Vecteurs propres On cherche ensuite les vecteurs propres associés à λ en résolvant (M λi n )v = 0. Définition Soit M une matrice carrée n n. Soit λ 1,, λ d ses valeurs propres. On introduit le sous-espace vectoriel de K n : F := Ker (M λ 1 I n )+ +Ker (M λ d I n ). Si F = K n, on dit que la matrice M est diagonalisable. Et, alors, il existe une matrice inversible P et une matrice diagonale D telle que M = PDP 1.
96 En pratique Étape 1 On calcule le polynôme caractéristique χ M.
97 En pratique Étape 1 On calcule le polynôme caractéristique χ M. Étape 2 Les racines de χ M correspondent aux valeurs propres.
98 En pratique Étape 1 On calcule le polynôme caractéristique χ M. Étape 2 Les racines de χ M correspondent aux valeurs propres. Étape 3 On cherche les vecteurs propres associés aux valeurs propres.
99 En pratique Étape 1 On calcule le polynôme caractéristique χ M. Étape 2 Les racines de χ M correspondent aux valeurs propres. Étape 3 On cherche les vecteurs propres associés aux valeurs propres. Étape 4 Si M est diagonalisable, on a une base {v 1,,v n } de vecteurs propres de M avec Mv i = λ i v i. On écrit la matrice associée à cette base : P := ((p i,j )) où p i,j est la j-ème coordonnée du vecteur v i. Alors : M = PDP 1 où D est la matrice diagonale dont les coefficients sont les valeurs propres.
100 Preuve On note {e 1,,e n } la base canonique de K n. Par définition, on a Pe i = v i d où P 1 v i = e i. Comme {v 1,,v n } est une base de K n, tout vecteur v K n peut s écrire sous la forme : D où v = α 1 v 1 + +α n v n. PDP 1 v = PDP 1 (α 1 v 1 + +α n v n ) = PD(α 1 e 1 + +α n e n ) = P(α 1 λ 1 e 1 + +α n λ n e n ) = α 1 λ 1 v 1 + +α n λ n v n = M(α 1 v 1 + +α n v n ) = Mv.
Chapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailUn K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E
Exo7 Espaces vectoriels Vidéo partie 1. Espace vectoriel (début Vidéo partie 2. Espace vectoriel (fin Vidéo partie 3. Sous-espace vectoriel (début Vidéo partie 4. Sous-espace vectoriel (milieu Vidéo partie
Plus en détail[http://mp.cpgedupuydelome.fr] édité le 30 avril 2015 Enoncés 1
[http://mpcpgedupuydelomefr] édité le 3 avril 215 Enoncés 1 Exercice 1 [ 265 ] [correction] On note V l ensemble des matrices à coefficients entiers du type a b c d d a b c c d a b b c d a et G l ensemble
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailCorrigé Problème. Partie I. I-A : Le sens direct et le cas n= 2
33 Corrigé Corrigé Problème Théorème de Motzkin-Taussky Partie I I-A : Le sens direct et le cas n= 2 1-a Stabilité des sous-espaces propres Soit λ une valeur propre de v et E λ (v) le sous-espace propre
Plus en détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailDéterminants. Marc SAGE 9 août 2008. 2 Inverses et polynômes 3
Déterminants Marc SAGE 9 août 28 Table des matières Quid des formes n-linéaires alternées? 2 2 Inverses et polynômes 3 3 Formule de Miller pour calculer un déterminant (ou comment illustrer une idée géniale)
Plus en détailMathématiques appliquées à l'économie et à la Gestion
Mathématiques appliquées à l'économie et à la Gestion Mr Makrem Ben Jeddou Mme Hababou Hella Université Virtuelle de Tunis 2008 Continuité et dérivation1 1- La continuité Théorème : On considère un intervalle
Plus en détailPremiers exercices d Algèbre. Anne-Marie Simon
Premiers exercices d Algèbre Anne-Marie Simon première version: 17 août 2005 version corrigée et complétée le 12 octobre 2010 ii Table des matières 1 Quelques structures ensemblistes 1 1.0 Ensembles, relations,
Plus en détailJournées Télécom-UPS «Le numérique pour tous» David A. Madore. david.madore@enst.fr. 29 mai 2015
et et Journées Télécom-UPS «Le numérique pour tous» David A. Madore Télécom ParisTech david.madore@enst.fr 29 mai 2015 1/31 et 2/31 : définition Un réseau de R m est un sous-groupe (additif) discret L
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailCours de mathématiques
DEUG MIAS premier niveau Cours de mathématiques année 2003/2004 Guillaume Legendre (version révisée du 3 avril 2015) Table des matières 1 Éléments de logique 1 1.1 Assertions...............................................
Plus en détailCompter à Babylone. L écriture des nombres
Compter à Babylone d après l article de Christine Proust «Le calcul sexagésimal en Mésopotamie : enseignement dans les écoles de scribes» disponible sur http://www.dma.ens.fr/culturemath/ Les mathématiciens
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailLicence Sciences de l Ingénieur et Licence Informatique. Niveau L2 (= 2ème année)
Licence Sciences de l Ingénieur et Licence Informatique Niveau L2 (= 2ème année) Mathématiques : Résumé de ce qu il faut savoir en Algèbre linéaire (ou Calcul Matriciel) au sortir du L1, en préalable au
Plus en détailExemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailComment démontrer des formules sans effort? exposé de maîtrise
Comment démontrer des formules sans effort? exposé de maîtrise Marc Mezzarobba Sam Zoghaib Sujet proposé par François Loeser Résumé Nous exposons un ensemble de méthodes qui permettent d évaluer «en forme
Plus en détailMATLAB : COMMANDES DE BASE. Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */.
Page 1 de 9 MATLAB : COMMANDES DE BASE Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */. Aide help, help nom_de_commande Fenêtre de travail (Command Window) Ligne
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailLe produit semi-direct
Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailIV- Equations, inéquations dans R, Systèmes d équations
IV- Equations, inéquations dans R, Systèmes d équations 1- Equation à une inconnue Une équation est une égalité contenant un nombre inconnu noté en général x et qui est appelé l inconnue. Résoudre l équation
Plus en détailTriangle de Pascal dans Z/pZ avec p premier
Triangle de Pascal dans Z/pZ avec p premier Vincent Lefèvre (Lycée P. de Fermat, Toulouse) 1990, 1991 1 Introduction Nous allons étudier des propriétés du triangle de Pascal dans Z/pZ, p étant un nombre
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détailRésumé du cours d algèbre 1, 2013-2014. Sandra Rozensztajn. UMPA, ENS de Lyon, sandra.rozensztajn@ens-lyon.fr
Résumé du cours d algèbre 1, 2013-2014 Sandra Rozensztajn UMPA, ENS de Lyon, sandra.rozensztajn@ens-lyon.fr CHAPITRE 0 Relations d équivalence et classes d équivalence 1. Relation d équivalence Définition
Plus en détailProgramme de la classe de première année MPSI
Objectifs Programme de la classe de première année MPSI I - Introduction à l analyse L objectif de cette partie est d amener les étudiants vers des problèmes effectifs d analyse élémentaire, d introduire
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailFonctions de plusieurs variables et applications pour l ingénieur
Service Commun de Formation Continue Année Universitaire 2006-2007 Fonctions de plusieurs variables et applications pour l ingénieur Polycopié de cours Rédigé par Yannick Privat Bureau 321 - Institut Élie
Plus en détailCours arithmétique et groupes. Licence première année, premier semestre
Cours arithmétique et groupes. Licence première année, premier semestre Raphaël Danchin, Rejeb Hadiji, Stéphane Jaffard, Eva Löcherbach, Jacques Printems, Stéphane Seuret Année 2006-2007 2 Table des matières
Plus en détailExtrait du poly de Stage de Grésillon 1, août 2010
MINI-COURS SUR LES POLYNÔMES À UNE VARIABLE Extrait du poly de Stage de Grésillon 1, août 2010 Table des matières I Opérations sur les polynômes 3 II Division euclidienne et racines 5 1 Division euclidienne
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailMathématiques Algèbre et géométrie
Daniel FREDON Myriam MAUMY-BERTRAND Frédéric BERTRAND Mathématiques Algèbre et géométrie en 30 fiches Daniel FREDON Myriam MAUMY-BERTRAND Frédéric BERTRAND Mathématiques Algèbre et géométrie en 30 fiches
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailDurée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point
03 Mai 2013 Collège Oasis Durée de L épreuve : 2 heures. apple Le sujet comporte 4 pages et est présenté en livret ; apple La calculatrice est autorisée ; apple 4 points sont attribués à la qualité de
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailRappels et compléments, première partie : Nombres complexes et applications à la géométrie
Rappels et compléments, première partie : Nombres complexes et applications à la géométrie 1 Définition des nombres complexes On définit sur les couples de réels une loi d addition comme suit : (x; y)
Plus en détailLa géométrie du triangle III IV - V Cercles remarquables - Lieux géométriques - Relations métriques
La géométrie du triangle III IV - V Cercles remarquables - Lieux géométriques - Relations métriques III. Cercles 1. Cercle d'euler 2. Droite d'euler 3. Théorème de Feuerbach 4. Milieux des segments joignant
Plus en détailVI. COMPLÉMENTS SUR LES MODULES, THÉORÈME CHINOIS, FACTEURS INVARIANTS SÉANCES DU 15, 16 ET 22 OCTOBRE
VI. COMPLÉMENTS SUR LES MODULES, THÉORÈME CHINOIS, FACTEURS INVARIANTS SÉANCES DU 15, 16 ET 22 OCTOBRE 12. Compléments sur les modules 12.1. Théorème de Zorn et conséquences. Soient A un anneau commutatif
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailCHAPITRE 10. Jacobien, changement de coordonnées.
CHAPITRE 10 Jacobien, changement de coordonnées ans ce chapitre, nous allons premièrement rappeler la définition du déterminant d une matrice Nous nous limiterons au cas des matrices d ordre 2 2et3 3,
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailÉquations d amorçage d intégrales premières formelles
Équations d amorçage d intégrales premières formelles D Boularas, A Chouikrat 30 novembre 2005 Résumé Grâce à une analyse matricielle et combinatoire des conditions d intégrabilité, on établit des équations
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailTP 1 Introduction à Matlab Février 2009
1 Introduction TP 1 Introduction à Matlab Février 2009 Matlab pour «MATtrix LABoratory», est un logiciel qui a été conçu pour fournir un environnement de calcul numérique de haut niveau. Il est particulièrement
Plus en détailC algèbre d un certain groupe de Lie nilpotent.
Université Paul Verlaine - METZ LMAM 6 décembre 2011 1 2 3 4 Les transformations de Fourier. Le C algèbre de G/ Z. Le C algèbre du sous-groupe G 5 / vect{u,v }. Conclusion. G un groupe de Lie, Ĝ l ensemble
Plus en détailTOUT CE QU IL FAUT SAVOIR POUR LE BREVET
TOUT E QU IL FUT SVOIR POUR LE REVET NUMERIQUE / FONTIONS eci n est qu un rappel de tout ce qu il faut savoir en maths pour le brevet. I- Opérations sur les nombres et les fractions : Les priorités par
Plus en détailLicence de Mathématiques 3
Faculté des sciences et techniques Département de mathématiques 2004-2005 Licence de Mathématiques 3 M62 : Fonctions réelles de plusieurs variables Laurent Guillopé www.math.sciences.univ-nantes.fr/~guillope/m62/
Plus en détail2.4 Représentation graphique, tableau de Karnaugh
2 Fonctions binaires 45 2.4 Représentation graphique, tableau de Karnaugh On peut définir complètement une fonction binaire en dressant son tableau de Karnaugh, table de vérité à 2 n cases pour n variables
Plus en détailQuelques tests de primalité
Quelques tests de primalité J.-M. Couveignes (merci à T. Ezome et R. Lercier) Institut de Mathématiques de Bordeaux & INRIA Bordeaux Sud-Ouest Jean-Marc.Couveignes@u-bordeaux.fr École de printemps C2 Mars
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailENSAE - DAKAR BROCHURE D'INFORMATION SUR LE CONCOURS DE RECRUTEMENT D ÉLÈVES INGÉNIEURS STATISTICIENS ÉCONOMISTES (I S E) Option Mathématiques CAPESA
ENSEA - ABIDJAN ENSAE - DAKAR ISSEA - YAOUNDÉ BROCHURE D'INFORMATION SUR LE CONCOURS DE RECRUTEMENT D ÉLÈVES INGÉNIEURS STATISTICIENS ÉCONOMISTES (I S E) Option Mathématiques CAPESA CENTRE D APPUI AUX
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailQuelques contrôle de Première S
Quelques contrôle de Première S Gilles Auriol auriolg@free.fr http ://auriolg.free.fr Voici l énoncé de 7 devoirs de Première S, intégralement corrigés. Malgré tout les devoirs et 5 nécessitent l usage
Plus en détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailLes travaux doivent être remis sous forme papier.
Physique mathématique II Calendrier: Date Pondération/note nale Matériel couvert ExercicesSérie 1 : 25 septembre 2014 5% RH&B: Ch. 3 ExercicesSérie 2 : 23 octobre 2014 5% RH&B: Ch. 12-13 Examen 1 : 24
Plus en détailspé MP POLYCOPIÉ D EXERCICES 2015-2016
spé MP POLYCOPIÉ D EXERCICES 5-6 POLYNÔMES Soit n IN (a) Montrer qu il existe un polynôme P n tel que : θ IR : P n (cos θ) sin θ = sin(n + )θ On donnera une expression de P n (b) Calculer le degré, le
Plus en détailAnnexe 1 Programmes des classes préparatoires aux Grandes Ecoles
Annexe 1 Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Physique, chimie et sciences de l ingénieur (PCSI) Discipline : Mathématiques Première année Classe préparatoire
Plus en détail