Réduction des endomorphismes et des matrices carrées

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Réduction des endomorphismes et des matrices carrées"

Transcription

1 48

2 Chapitre 4 Réduction des endomorphismes et des matrices carrées La motivation de ce chapitre est la suivante. Étant donné un endomorphisme f d un espace E de dimension finie, déterminé par sa matrice A, dans une base B de E, on cherche à comprendre comment «agit» l endomorphisme f sur les vecteurs de E. Dans le cas où la matrice est diagonale, l effet de l application f sur les vecteurs de E est facile à comprendre : le k ème vecteur de la base B est multiplié par une constante λ k par f. Si la matrice n est pas diagonale, l effet de f sur les vecteurs de E peut être moins simple à comprendre. Exemple 1. Soit f l endomorphisme d un espace E de dimension 2, donné par sa matrice A = 1 2 [ ] dans une base B = (e 1, e 2 ) de E. On ne voit pas immédiatement quel est la nature géométrique de cet endomorphisme f. Pourtant, sa matrice A vérifie A 2 = A, donc f est un projecteur. Pour comprendre f, il aurait été plus commode d exprimer sa matrice dans une base adaptée à ce projecteur plutôt que dans la base B. On cherchera donc une base C de E dans laquelle la matrice de f est la plus simple possible (i.e. diagonale). Ce n est pas toujours possible, mais nous verrons à quelle condition c est possible, et comment déterminer une telle base. Dans tout le chapitre, K désigne soit R, soit C. 4.1 Éléments propres Valeurs propres, vecteurs propres et espaces propres Soit f un endomorphisme d un K-espace vectoriel E. Définition (vecteur propre) Un vecteur propre de f est un vecteur non nul x tel que f(x) soit colinéaire à x. C est donc un vecteur non nul pour lequel il existe un scalaire λ vérifiant f(x) = λx. Du fait de la non nullité de x, un tel λ est alors unique. Exemple 1. Tout vecteur non nul du noyau de f (s il existe de tels vecteurs) est un vecteur propre de f (le coefficient λ est nul). Exemple 2. Soit E = F G une décomposition de f en somme directe et p le projecteur sur F parallèlement à G. Tous les vecteurs non nuls de F sont des vecteurs propres de p (pour le coefficient λ = 1). Tous les vecteurs non nuls de G sont des vecteurs propres de p (pour le coefficient λ = ). De plus, ces vecteurs sont les seuls vecteurs propres de p. En effet, soit x = x F +x G un vecteur propre de p et λ le coefficient de proportionnalité correspondant. L égalité p(x) = λx s écrit encore x F = λx F + λx G, soit encore (1 λ)x F λx G =. Comme la somme est directe, on en déduit que (1 λ)x F = λx G =. Deux cas sont alors possibles : 49

3 5 Chapitre 4. Réduction des endomorphismes et des matrices carrées 1. ou bien λ = 1, ce qui conduit à x G =, donc x = x F F 2. ou bien λ =, ce qui conduit à x F =, donc x = x G G (le cas λ, 1 conduirait à x F = x G =, ce qui est exclu car x ). Exemple 3. Soit E un K-espace vectoriel de dimension 3 muni d une base B = (e 1, e 2, e 3 ) et f L(E) donné par sa matrice 1 7 A = mat B (f) = On lit sur la matrice que f(e 2 ) = 4e 2, donc le vecteur e 2 est un vecteur propre de f (associé au scalaire λ = 4). Remarque 1. Dire qu un vecteur x est vecteur propre de f équivaut encore à dire que la droite vectorielle D = Vect(x) est stable par f. Remarque 2. La relation f(x) = λx s écrit encore (f λ Id E )(x) =. Un vecteur propre est donc un vecteur non nul appartenant au noyau d un endomorphisme du type f λ Id E, où λ est un scalaire. Il est donc naturel de commencer par chercher quels sont les λ pour lesquels ce noyau n est pas réduit à l espace nul, i.e. tel que l endomorphisme f λ Id E ne soit pas injectif. Définition (valeur propre, espace propre) Une valeur propre de l endomorphisme f est un scalaire λ tel que l endomorphisme f λ Id E ne soit pas injectif. Le noyau E λ (f) = Ker(f λ Id E ) est alors appelé sous-espace propre associé à la valeur propre λ. Les vecteurs non nuls de l espace propre E λ (f) sont donc les vecteurs propres associés à la valeur propre λ. On a aussi la description E λ (f) = {x E f(x) = λx}. Dire que l espace propre E λ (f) est réduit à l espace nul, c est dire que λ n est pas valeur propre de f. Définition (spectre) Le spectre d un endomorphisme est l ensemble de ses valeurs propres. On le note Sp(f). L objectif est donc de trouver une base de E formée de vecteurs propres, ou de décomposer l espace E en somme directe de sous-espaces propres (en concaténant les bases de ces espaces propres, on obtient alors une base de E, formée de vecteurs propres). Un premier résultat encourageant est le suivant : Théorème (indépendance des sous-espaces propres) Soient λ 1,..., λ p des valeurs propres deux à deux distinctes de f. Alors la somme E λ1 (f)+ +E λp (f) est directe. Démonstration. Il s agit de démontrer que, si x 1,..., x p sont des vecteurs appartenant aux espaces propres E λ1 (f),..., E λp (f) et vérifiant x x p =, alors ces vecteurs sont tous nuls. Pour cela, procédons par récurrence sur p. Cas p = 2 : on considère deux vecteurs x 1 E λ1 (f) et x 2 E λ2 (f) tels que x 1 + x 2 =. On a donc f(x 1 + x 2 ) = f(), i.e. λ 1 x 1 + λ 2 x 2 =. En retranchant la première égalité (multipliée par λ 2 ) à la seconde, on obtient (λ 1 λ 2 )x 1 =, d où x 1 = (car λ 1 λ 2 ), puis x 2 = (car x 1 + x 2 = ). Soit p 2. Supposons le résultat établi pour p sous-espaces propres, démontrons-le pour p + 1 espaces propres. Choisissons donc x 1 E λ1 (f),..., x p+1 E λp+1 (f) tels que x 1 + +x p+1 =. En appliquant f, on trouve λ 1 x λ p+1 x p+1 = d où, par la combinaison linéaire L 2 λ p+1 L 1, (λ 1 λ p+1 )x (λ p λ p+1 )x p =. Or, pour tout entier i [[1, p]], le vecteur y i = (λ i λ p+1 )x i appartient à l espace propre E λi (f), et on a y y p =. Par hypothèse de récurrence, les y i sont tous nuls. Le scalaire λ i λ p+1 étant non nul, chaque vecteur x i (1 i p) est nul. L égalité x x p+1 = fournit alors x p+1 =, ce qui prouve la propriété au rang p + 1, donc pour tout entier p 2 par récurrence.

4 4.1. Éléments propres 51 Remarque 3. Autrement formulé, cela signifie que des vecteurs propres associés à des valeurs propres distinctes sont des vecteurs indépendants. Corollaire Un endomorphisme f d un espace vectoriel de dimension finie n a au plus n valeurs propres distinctes. Démonstration. Soient λ 1,..., λ p des valeurs propres distinctes de f et E 1 (f),..., E p (f) les espaces propres associés. La somme directe E 1 (f) E p (f) est incluse dans E, donc on a dim ( E 1 (f)) + + dim(e p (f) ) n. Comme chaque espace propre est de dimension au moins égale à 1, on obtient p n. Remarque 4. En dimension n, un endomorphisme peut avoir n valeurs propres distinctes : c est le cas par exemple de l endomorphisme f : P XP de K n 1 [X], qui admet les n valeurs propres, 1,..., n 1 (en effet, pour tout k [[, n 1]], f(x k ) = kx k ). Remarque 5. En dimension infinie, un endomorphisme peut avoir une infinité de valeurs propres distinctes! Par exemple, l opérateur de dérivation de l espace vectoriel E = C (R, C) admet tous les nombres complexes pour valeurs propres. En effet, pour tout α C, la fonction f α : t e αt vérifie D(f α ) = αf α. Cette constatation est d ailleurs une façon très simple de montrer que la famille des fonctions f α (α C) est libre (ce qui signifie, rappelons-le, que toute sous-famille finie est libre). Théorème Soient f, g deux endomorphismes d un espace E qui commutent (i.e. tels que f g = g f). Alors tout sous-espace propre de f est stable par g. Démonstration. Soit λ une valeur propre de f et E λ (f) = {x E f(x) = λx} l espace propre associé. Pour tout vecteur x E λ (f), on a f ( g(x) ) = g ( f(x) ) = g(λx) = λg(x), ce qui prouve que le vecteur g(x) appartient à E λ (f). Une application linéaire est souvent donnée par sa matrice dans une base. On définit également la notion de valeur propre et de vecteur propre pour une matrice. Définition (valeur propre et vecteur propre d une matrice) Soit A M n (K) une matrice carrée. On appelle vecteur propre de A toute matrice colonne X non nulle telle qu il existe un scalaire λ vérifiant AX = λx valeur propre de A tout scalaire λ tel que la matrice A λ I n ne soit pas inversible. L ensemble E λ (A) = Ker(A λ I n ) = {X M n,1 (K) AX = λx} est l espace propre associé à la valeur propre λ spectre de A l ensemble Sp(A) de ses valeurs propres. Ainsi, si A est la matrice d un endomorphisme f dans une certaine base B, alors un scalaire λ est valeur propre de f si, et seulement si, il est valeur propre de A ; un vecteur x E est vecteur propre de f si, et seulement si, sa matrice X = mat B (x) est vecteur propre de A Polynôme caractéristique En dimension finie, les valeurs propres de f sont les scalaires λ pour lesquels f λ Id E n est pas bijectif (en dimension finie, l injectivité, la surjectivité et la bijectivité sont équivalentes), i.e. pour lesquels det(f λ Id E ) =.

5 52 Chapitre 4. Réduction des endomorphismes et des matrices carrées Proposition Soit f un endomorphisme d un espace de dimension finie. L application est polynomiale. Φ : K K λ det(f λ Id E ) Démonstration. Soit B une base de E et A = mat B (f). Pour tout λ, on a det(f λ Id E ) = det(a λ I n ). La méthode de développement d un déterminant par rapport à une ligne ou une colonne montre que ce déterminant est égal à une somme de produits de coefficients de la matrice A λ I n, i.e. un polynôme en λ. Définition (polynôme caractéristique) Soit f un endomorphisme d un espace E de dimension finie. Le polynôme caractéristique de f est le polynôme χ f K[X] tel que λ K, χ f (λ) = ( 1) n det(f λ Id E ). On définit de la même façon le polynôme caractéristique d une matrice carrée. Si A est la matrice de l endomorphisme f dans une certaine base B de E, on a donc χ A = χ f. Remarque 1. Dans les anciens programmes, ce polynôme était défini par χ f (λ) = det(f λ Id E ). Attention donc si vous consultez d anciens manuels ou sujets de concours... La raison du coefficient ( 1) n apparaîtra lorsque nous examinerons le coefficient dominant du polynôme. Exemple 1. Soit A = [ ] a b c d M2 (K). Pour tout λ K, on a χ A (λ) = ( 1) 2 a λ b c d λ = (a λ)(d λ) bc = λ2 (a + d)λ + ad bc, donc χ A = X 2 (a + d)x + (ad bc) = X 2 Tr(A)X + det(a). Théorème Soit A M n (K) une matrice carrée. Le polynôme caractéristique de A est de degré n exactement. Plus précisément, il vérifie χ A = X n Tr(A)X n ( 1) n det(a). Le théorème s applique bien sûr à un endomorphisme f d un espace de dimension n : son polynôme caractéristique est de la forme χ f = X n Tr(f)X n ( 1) n det(f). Démonstration. La linéarité par rapport à chaque colonne montre que l on a χ A (λ) = det(λ I n A). Notons A 1,..., A n les colonnes de la matrice A et D 1,..., D n les colonnes de la matrice I n. Pour tout entier k [[1, n]], la k ème colonne de la matrice λ I n A est égale à λd k A k, i.e. une combinaison linéaire de deux colonnes. En utilisant la linéarité du déterminant par rapport à chaque colonne, le déterminant de la matrice λ I n A s exprime comme somme de 2 n déterminants, qui sont construits en gardant, en k ème colonne, soit la colonne A k, soit la colonne λd K. Par exemple, pour n = 3, la linéarité par rapport à chacune des trois colonnes donne λ a 11 a 12 a 13 χ A (λ) = a 21 λ a 22 a 23 a 31 a 32 λ a 33 λ = λ λ + λ a 13 λ a 23 a 33 + λ a 12 a 22 a 32 λ + a 11 a 21 λ a 31 λ + = λ 3 a 33 λ 2 a 22 λ 2 a 11 λ 2 + = λ 3 Tr(A)λ 2 +

6 4.1. Éléments propres 53 Lorsque p exemplaires exactement des colonnes de la matrice λ I n sont conservés (et donc n p exemplaires des colonnes de la matrice A), on peut mettre λ en facteur dans chacune de ces p colonnes ; ce déterminant est donc égal à λ p det(m), où M est une matrice dont les coefficients ne dépendent pas de λ. On obtient donc un monôme de degré p exactement (ou le monôme nul dans le cas où cette matrice M vérifie det(m) = ). Comme on ne peut conserver que n exemplaires au plus des colonnes de la matrice λ I n, les monômes apparaissant dans l expression de det(λ I n A) sont tous de degré n au plus, donc le degré de χ A est au plus égal à n. Il est en fait exactement égal à n : en effet, la seule façon d obtenir un monôme de degré n est de conserver, dans chaque colonne, la partie provenant de la matrice λ I n et non de la matrice A. Il y a donc un unique terme de degré n, qui est det(λ I n ) = λ n. Le coefficient dominant de χ A est donc égal à 1. Il y a ensuite n façons exactement d obtenir un monôme de degré n 1 exactement : conserver, en n 1 occurrences exactement, les colonnes de la matrice λ I n et prendre, en une occurrence uniquement, une colonne de la matrice A. Si c est la k ème colonne de la matrice A qui a été conservée, le déterminant obtenu est égal à a kk. Le coefficient de λ k dans le résultat final est donc égal à a 11 a kk = Tr(A). Enfin, le coefficient constant est égal à χ A () = det( I n A) = ( 1) n det(a). Proposition Les valeurs propres d un endomorphisme d un espace de dimension finie (resp. d une matrice carrée) sont les racines de son polynôme caractéristique. Exemple 2. En dimension n, le polynôme caractéristique de l homothétie h de rapport r est χ h = (X r) n (en particulier, une homothétie a une unique valeur propre : son rapport). En effet, pour tout λ K, on a λ r χ h (λ) = ( 1) n λ r det(r I n λ I n ) = det(λ I n r I n ) =... = (λ r) n. λ r Remarque 2. Réciproquement, si un endomorphisme f vérifie χ f = (X r) n, ce n est pas nécessairement l homothétie vectorielle de rapport r! Par exemple, l endomorphisme f canoniquement associé à la matrice A = [ ] est χ = (X 1)2 ; pourtant, f n est pas l homothétie de rapport 1 (i.e. l application identité). Proposition Soient A, B M n (K) deux matrices. Si A et B sont semblables, elles ont le même polynôme caractéristique. La réciproque est fausse. Démonstration. Les matrices A et B étant semblables, il existe un endomorphisme f d un espace vectoriel E de dimension n et deux bases B, C de E telles que A = mat B (f) et B = mat C (f). On a alors χ A = χ f et χ B = χ f, d où χ A = χ B. Pour la réciproque, il suffit de considérer les matrices A = [ ] et B = [ 1 1 ] = I 2, qui ont même polynôme caractéristique mais ne sont pas semblables. Proposition (polynôme caractéristique d une matrice triangulaire ou diagonale) Soit A M n (K) une matrice triangulaire, de coefficients diagonaux λ 1,..., λ n. Alors χ A = (X λ 1 ) (X λ n ). C est en particulier vrai si la matrice A est diagonale. Démonstration. Résulte immédiatement du calcul du déterminant d une matrice triangulaire.

7 54 Chapitre 4. Réduction des endomorphismes et des matrices carrées Définition (multiplicité d une valeur propre) Soit f un endomorphisme d un espace de dimension finie et λ une valeur propre de f. La multiplicité algébrique de λ est sa multiplicité en tant que racine du polynôme caractéristique de f géométrique de λ est la dimension du sous-espace propre E λ (f) = Ker(f λ Id E ). Remarque 3. Il arrive que l on parle de la multiplicité d une valeur propre, sans préciser algébrique ou géométrique. Il s agit alors implicitement de la multiplicité algébrique. Théorème Soit λ une valeur propre d un endomorphisme f d un espace E de dimension finie. Sa multiplicité géométrique est inférieure ou égale à la multiplicité algébrique. Autrement dit : si λ est une racine de multiplicité ν du polynôme caractéristique, alors l espace propre associé est de dimension inférieure ou égale à ν. Démonstration. Soit d la dimension de l espace propre associé E λ (f). Considérons une base (e 1,..., e d ) de cet espace, que l on complète en une base B = (e 1,... e n ) de E. La matrice de f dans cette base est de la forme [ ] λ Id B A = mat B (f) =, C donc pour tout x K, on a χ f (x) = ( 1) n det(a x I n ) = ( 1) n (λ x) I d B C x I n d = ( 1) n det ( (λ x) I d ) det(c x In d ) = (x λ) d ( 1) n d det(c x I n d ) = (x λ) d χ C (x), donc χ f = (X λ) d χ C est divisible par (X λ) d : λ est racine de multiplicité au moins égale à d du polynôme caractéristique χ f. Remarque 4. On parle aussi de multiplicité algébrique et géométrique d une valeur propre d une matrice (c est la multiplicité algébrique et géométrique de λ en tant que valeur propre de l endomorphisme canoniquement associé). Exemple 3. Considérons la matrice A = M 3 (R) Pour tout réel λ, on a 5 λ 6 2 χ A (λ) = ( 1) λ λ 1 λ 6 2 = 1 λ 4 λ 2 1 λ 5 4 λ = (λ 1) 1 4 λ λ = (λ 1) 2 λ 1 2 λ = (λ 1) 2 λ 1 2 λ = (λ 1)(λ 2) 2 C 1 C 1 + C 2 + C 3 L 2 L 2 L 1 L 3 L 3 L 1

8 4.2. Diagonalisation et trigonalisation 55 donc χ A = (X 1)(X 2) 2. La matrice a deux valeurs propres : 1, de multiplicité algébrique 1, et 2, de multiplicité (algébrique) 2. Cherchons les multiplicités géométriques de ces valeurs propres. L espace propre E 1 (A) est de dimension au moins égale à 1 (car 1 est valeur propre de la matrice!), et au plus égale à 1 (multiplicité algébrique), donc l espace propre E 1 (A) est de dimension 1 exactement. On sait a priori que l espace propre E 2 (A) est de dimension 1 ou 2, mais on ne peut pas conclure directement. Calculons donc cette dimension, qui est la dimension de Ker(A 2 I 3 ). Par la formule du rang, il suffit de connaître le rang de cette matrice. Or rg(a 2 I 3 ) = rg = 2, donc dim(e 2 (A)) = 1. Dans ce cas, la multiplicité géométrique de la valeur propre 2 est strictement inférieure à sa multiplicité algébrique. Remarque 5. Dans la pratique, on essaye de calculer un polynôme caractéristique comme dans le calcul qui vient d être effectué : on essaye, par combinaisons linéaires de lignes et/ou colonnes, de faire apparaître des facteurs communs dans une même ligne ou colonne. 4.2 Diagonalisation et trigonalisation Diagonalisation Définition (endomorphisme diagonalisable) Un endomorphisme f d un espace E est dit diagonalisable si, et seulement si, il existe une base de E formée de vecteurs propres de f. En dimension finie (seul cas qui nous intéressera désormais), un endomorphisme est donc diagonalisable si, et seulement si, il existe une base B de E telle que la matrice de f dans la base B soit diagonale. Diagonaliser l endomorphisme f, c est trouver une telle base. Exemple 1. Une homothétie, un projecteur, une symétrie sont diagonalisable. Exemple 2. L endomorphisme f de R 2 dont la matrice dans la base canonique est A = [ 1 1 ] n admet aucune valeur propre : en effet, son polynôme caractéristique est χ A = X 2 Tr(A)X + det(a) = X Il n existe donc aucun vecteur x non nul tel que f(x) soit colinéaire à x (ce qui est assez raisonnable : nous verrons plus tard que f est une rotation...). Théorème (conditions nécessaires et suffisantes de diagonalisabilité) Soit f un endomorphisme d un espace E de dimension finie n. Les conditions suivantes sont équivalentes : 1. l endomorphisme f est diagonalisable 2. l espace E est la somme directe des sous-espaces propres de f 3. la somme des dimensions des sous-espaces propres de E est égale à n 4. le polynôme caractéristique de f est scindé, et la multiplicité géométrique de chaque valeur propre est égale à sa multiplicité algébrique. Démonstration. 4 = 3 : supposons le polynôme caractéristique scindé et écrivons-le sous la forme χ f = (X λ 1 ) d1 (X λ p ) dp (donc d d p = n car χ f est de degré n). Les valeurs propres sont donc les λ i, et l hypothèse sur les multiplicités signifie que chaque espace propre E λi (f) est de dimension d i : la somme des dimensions est égale à n. 3 = 2 : supposons que la somme des dimensions des sous-espaces propres soit égale à la dimension de E. Comme ces sous-espaces sont en somme directe, E est la somme directe des sous-espaces propres de f.

9 56 Chapitre 4. Réduction des endomorphismes et des matrices carrées 2 = 1 : supposons que E soit la somme directe des sous-espaces propres de f. En choisissant une base de chacun de ces sous-espaces, on obtient, par concaténation, une base de E, formée de vecteurs propres de f, donc f est diagonalisable. 1 = 4 : supposons f diagonalisable. Choisissons une base B de E formée de vecteurs propres de f et écrivons la matrice A de f dans cette base. Notons λ 1,..., λ p les coefficients diagonaux de A et d i le nombre d occurrences du scalaire λ i. Le polynôme caractéristique de f est donc χ f = (X λ 1 ) d1 (X λ p ) dp, où d d p = n, donc scindé. Les valeurs propres de f sont les λ i et chaque espace propre E λi (f) est de dimension d i (par la formule du rang : la matrice A λ i I n est de rang n d i ), i.e. de dimension égale à la multiplicité algébrique de la valeur propre λ i. Un cas particulier important est le suivant : Théorème (condition suffisante de diagonalisabilité) Soit f un endomorphisme de E de dimension finie n. Si f admet n valeurs propres deux à deux distinctes, f est diagonalisable. Les sous-espaces propres sont alors tous de dimension 1. Démonstration. En effet, sous cette hypothèse, notons λ 1,..., λ n les valeurs propres, et d i = dim(e λi (f)). On a ( n ) n dim E λi (f) = d i. i=1 Cette somme est inférieure ou égale à n (car n i=1 E λ i (f) E) et supérieure ou égale à n (car d i 1 pour tout i). Donc cette somme est égale à n, et E est égal à la somme directe des sous-espaces propres de f : l endomorphisme f est diagonalisable. De plus, les d i sont tous égaux à 1 : les espaces propres sont tous des droites. i=1 Remarque 1. Ce cas se produit si, et seulement si, le polynôme caractéristique de f est scindé à racines simples. En effet, si f admet les n valeurs propres deux à deux distinctes λ 1,..., λ n, en écrivant la matrice de f dans une base diagonale, on constate que χ f = (X λ 1 ) (X λ n ) : il est scindé à racines simples. Réciproquement, si le polynôme χ f est scindé à racines simples, f admet n racines deux à deux distinctes (car χ f est de degré n). Définition (matrice diagonalisable) Une matrice A M n (K) est dite diagonalisable si, et seulement si, il existe une matrice P inversible telle que la matrice P 1 AP soit diagonale. Diagonaliser la matrice A, c est trouver une telle matrice P inversible. Une matrice A est donc diagonalisable si, et seulement si, l endomorphisme f de K n canoniquement associé est diagonalisable. Tous les résultats énoncés pour les endomorphismes s étendent donc aux matrices carrées. Exemple 3. Diagonaliser, si possible, la matrice A =

10 4.2. Diagonalisation et trigonalisation 57 Commençons par calculer le polynôme caractéristique : pour tout réel λ, on a λ 1 2 χ A (λ) = ( 1) 3 1 λ 2 L 1 L 1 L λ λ 1 λ + 1 = 1 λ λ 1 1 = (λ + 1) 1 λ 2 C 2 C 2 + C λ 1 = (λ + 1) 1 λ λ = (λ + 1) 1 λ 2 λ = λ(λ + 1)(λ 1). La matrice admet trois valeurs propres distinctes : 1, et 1, donc elle est diagonalisable. Reste à trouver une matrice P inversible telle que P 1 AP soit diagonale (et plus précisément égale à diag( 1,, 1)). Pour cela, notons f l endomorphisme canoniquement associé à la matrice A et B = (e 1, e 2, e 3 ) la base canonique de R 3. On cherche une base C = (ε 1, ε 2, ε 3 ) telle que mat C (f) = diag( 1,, 1). En notant P la matrice de passage de la base B à la base C, on aura alors P 1 AP = diag( 1,, 1). Pour cela, il faut trouver une base de chaque espace propre (dont on sait qu ils sont tous de dimension 1). Espace propre E (f) = Ker(f). Soit x = (x 1, x 2, x 3 ) un vecteur de R 3. On a la suite d équivalences : x 2 2x 3 = x E (f) x 1 2x 3 = L x 1 x 2 = 2 L 2 L 3 x 2 2x 3 = x 2 2x 3 = x 1 x 2 = { x 2 = 2x 3 x 1 x 2 = λ R x = (2λ, 2λ, λ), donc le vecteur ε 1 = (2, 2, 1) forme une base de E (f). Espace propre E 1 (f) = Ker(f + Id R 3). La même méthode (résolution d un système linéaire) montre que le vecteur ε 2 = (1, 3, 2) en forme une base (faites le calcul!). Espace propre E 1 (f) = Ker(f Id R 3) : on s intéresse maintenant au noyau de la matrice A I 3 = On constate que les colonnes de cette matrice vérifient C 1 + C 2 =, ce qui s écrit encore (A I 3 ) 1 1 =. [ 11 ] La matrice colonne appartient donc au noyau de la matrice A I 3, i.e. à l espace propre E 1 (A). En revenant aux vecteurs, cela signifie que le vecteur ε 3 = (1, 1, ) appartient à l espace propre E 1 (f). Comme on sait que celui-ci est de dimension 1, c en est même une base. Cette méthode permet d obtenir une solution «à vue» du système linéaire, sans avoir à le résoudre. Remarque 2. La même méthode marche aussi pour les autres espaces propres, mais les combinaisons linéaires sont moins faciles à voir. Par exemple, les colonnes de la matrice A vérifient 2C 1 + 2C 2 + C 3 =, ce qui indique que le vecteur ε 1 = (2, 2, 1) appartient au noyau de f.

11 58 Chapitre 4. Réduction des endomorphismes et des matrices carrées La famille C = (ε 1, ε 2, ε 3 ) est libre (ce sont des vecteurs propres associés à des valeurs propres distinctes), donc c est une base de R 3. Par construction, on a f(ε 1 ) =, f(ε 2 ) = ε 2 et f(ε 3 ) = ε 3, donc la matrice de f dans cette base C est B = diag(, 1, 1). En notant P la matrice de passage de la base B à la base C, cette matrice B est aussi égale à P 1 AP. La matrice P est P = (il n est pas utile de déterminer la matrice P 1 pour vérifier que P 1 AP = diag(, 1, 1)). Exemple 4. Calculer les puissances de la matrice A = M 3 (R) Comme les puissances des matrices diagonales sont faciles à calculer, on essaye de diagonaliser cette matrice. Commençons par calculer son polynôme caractéristique : pour tout réel λ, on a λ 1 2 χ A (λ) = ( 1) 3 1 λ L 1 L 1 + L λ 1 λ 1 λ = 1 λ λ 1 1 = (λ 1) 2 1 C 3 C 3 C λ 1 = (λ 1) λ = (λ 1) 2 (λ + 2). Notons à nouveau f l endomorphisme de R 3 canoniquement associé à la matrice A. L endomorphisme f a deux valeurs propres : 1, de multiplicité 2, et 2, de multiplicité 1. L espace propre E 2 (f) est donc de dimension 1, alors que l espace propre E 1 (f) est de dimension 1 ou 2. Plus précisément, si E 1 (f) est de dimension 1, alors f (donc A) n est pas diagonalisable, alors qu il l est si dim(e 1 (f)) = 2. Commençons donc par déterminer cet espace propre. Matriciellement, il revient au même de déterminer l espace propre E 1 (A), i.e. le noyau de la matrice A I 3 = Cette matrice est de rang 1 (les trois colonnes sont proportionnelles), donc son noyau est de dimension 2, donc f est diagonalisable. De plus, les colonnes de cette matrice vérifient C 1 C 2 = et 2C 1 + C 3 =, ce qui signifie que les vecteurs ε 1 = (1, 1, ) et ε 2 = (2,, 1) appartiennent à l espace propre E 1 (f). Comme ces vecteurs sont indépendants et que cet espace est de dimension 2, ils en forment une base. Pour déterminer l espace propre E 2 (f) = Ker(f + 2 Id R 3), on s intéresse au noyau de la matrice A + 2 I 3 = Les colonnes de celle-ci vérifient C 1 = C 3, donc le vecteur ε 3 = (1,, 1) forme une base de E 2 (f). La famille C = (ε 1, ε 2, ε 3 ) est une base de R 3, et la matrice de f dans cette base est diag(1, 1, 2). Matriciellement : la matrice P =

12 4.2. Diagonalisation et trigonalisation 59 est inversible (c est la matrice de passage de la base canonique à la base C ), et vérifie P 1 AP = diag(1, 1, 2) = D. Pour tout entier n, on a 1 A n = (P DP 1 ) n = (P DP 1 )(P DP 1 ) (P DP 1 ) = P D n P 1 = P 1 P 1. ( 2) n Le calcul donne par ailleurs d où, tous calculs faits, P 1 = A n = ( 2) n ( 2) n 1 2 2( 2) n ( 2) n 1 ( 2) n 1 + 2( 2) n On vérifie que, pour n =, on trouve bien la matrice I 3, et la matrice A pour n = 1. Exemple 5. Diagonaliser si possible A = M 3 (R) Le polynôme caractéristique χ A = (X 1)(X 2) 2 a déjà été calculé (exemple 3 du paragraphe 4.1.2). La matrice A a une valeur propre de multiplicité 1 et une valeur propre de multiplicité 2. Comme dans l exemple précédent, cette matrice est diagonalisable si, et seulement si, l espace propre E 2 (f) est de dimension 2. Mais cette fois-ci, la matrice A 2 I 3 = est de rang 2 (car de rang au moins égal à 2 : les deux premières colonnes sont indépendantes, et de rang différent de 3 : 2 est valeur propre), donc E 2 (f) est de dimension 1, et la matrice n est pas diagonalisable. Exemple 6. Diagonaliser si possible A = [ ] 1. 1 Le polynôme caractéristique est χ A = X Pour déterminer les valeurs propres de A, il convient de préciser si l on travaille sur le corps R ou sur le corps C. Si K = R, le polynôme caractéristique n est pas scindé, donc la matrice n est pas diagonalisable : il n existe aucune matrice P inversible à coefficients réels telle que la matrice P 1 AP soit diagonale. Si K = C, alors le polynôme caractéristique χ A = (X i)(x + i) est scindé à racines simples, donc A est diagonalisable : il existe une matrice P à coefficients complexes telle que P 1 AP soit diagonale (et plus précisément égale à diag(i, i)). Le calcul (faites-le!) donne (par exemple) P = [ ] 1 1 i i Suites récurrentes linéaires Considérons l ensemble E des suites vérifiant la relation de récurrence linéaire n N, u n+p = a p 1 u n+p a 1 u n+1 + a u n (où a,..., a p 1 sont des scalaires). Proposition L ensemble E est un K-espace vectoriel de dimension p.

13 6 Chapitre 4. Réduction des endomorphismes et des matrices carrées Démonstration. Il est parfaitement clair que E est un K-espace vectoriel. Pour étudier sa dimension, considérons l application f : E K p. u (u,..., u p 1 ) Cette application est linéaire, et le théorème de définition des suites par récurrence indique que, pour tous y,..., y p 1 K, il existe une unique suite vérifiant u = y,..., u p 1 = y p 1 et n N, u n+p = a p 1 u n+p a 1 u n+1 + a u n. Autrement dit, cette application linéaire f est bijective, donc dim(e) = dim(k p ) = p. On s intéresse au calcul de u n en fonction des premiers termes u,..., u p 1. Pour cela, remarquons que, en posant on a, pour tout entier n, où u n+1 X n = u n. u n+p 1, u n+1 X n+1 =. u n+p 1 =. u n+p 1 = AX n, u n+p a u n + a 1 u n a p 1 u n+p 1 A = a a 1 a p 2 a p 1 Par récurrence, on a X n = A n X. Calculer le terme général u n de la suite (le premier coefficient du vecteur X n ) revient donc à calculer les puissances de A. Pour ce faire, on cherche à la diagonaliser. Proposition Le polynôme caractéristique de la matrice A ci-dessus est. χ A = X p a p 1 X p 1 a 1 X a. Démonstration. Soit λ K. La manipulation C 1 C 1 + λc λ n 1 C n (détaillée en plusieurs étapes) donne λ 1. λ... det(λ I n A) =... 1 C 1 C 1 + λc 2 λ 1 a a 1 a p 2 λ a p 1 1 λ 2 λ 1. =... 1 C 1 C 1 + λ 2 C 3 λ 1 a λa 1 a 1 a p 2 λ a p 1 = 1. λ... =.... 1, λ 1 P (λ) a 1 a p 2 λ a p 1

14 4.2. Diagonalisation et trigonalisation 61 où P (λ) = a a 1 λ a p 2 λ p 2 + (λ a p 1 )λ p 1. Le développement par rapport à la première colonne fait apparaître une matrice triangulaire inférieure, dont les coefficients diagonaux sont égaux à 1. On a donc χ A (λ) = ( 1) p+1 ( 1) p 1( λ p a p 1 λ p 1 a 1 λ a ). Remarque 1. La matrice a. 1.. a1 C = , 1 a p 2 1 a p 1 transposée de la matrice A précédente, est appelée matrice compagnon du polynôme P (qui est son polynôme caractéristique). Elle est d apparition assez fréquente en algèbre linéaire. En particulier, elle fournit simplement une matrice dont le polynôme caractéristique est imposé. Les valeurs propres de cette matrice A sont donc les racines du polynôme P = X p a p 1 X p 1 a 1 X a. Définition (équation caractéristique d une récurrence linéaire) L équation r p = a p 1 r p a 1 r + a est appelée équation caractéristique de la récurrence linéaire u n+p = a p 1 u n+p a 1 u n+1 + a u n. Ses racines sont les racines du polynôme caractéristique. Dans le cas p = 2, on retrouve l équation caractéristique de la récurrence linéaire d ordre 2 que vous avez étudiée l an dernier. Supposons ce polynôme scindé à racines simples et notons r 1,..., r p ces racines. La matrice A est alors semblable à la matrice D = diag(r 1,..., r p ), donc A n est semblable à D n = diag(r n 1,..., r n p ). Les formules de changement de base montrent alors que les coefficients de A n sont combinaisons linéaires des r n i. Il en est de même des coefficients de la matrice colonne An X, et en particulier de son premier coefficient u n. On a donc démontré le Théorème Si l équation caractéristique de la récurrence linéaire d ordre p admet p racines distinctes r 1,..., r p, alors les solutions de la récurrence sont les combinaisons linéaires des suites (r n 1 ) n,..., (r n p ) n. Plus précisément, si u est une suite vérifiant cette relation de récurrence, il existe un unique p-uplet (λ 1,..., λ p ) tel que n N, u n = λ 1 r n λ p r n p. L existence résulte de l énoncé précédent. Pour l unicité, il suffit de remarquer que, si la formule est vraie pour tout entier n, elle est en particulier vraie pour n [[, p 1]], ce qui conduit au système linéaire λ 1 r1 + + λ p rp = u. λ 1 r p λ p rp p 1 = u p 1 (dont les inconnues sont les λ i ). La matrice de ce système est la matrice de Vandermonde formée sur les scalaires deux à deux distincts r 1,..., r p, donc elle est inversible et le système admet une unique solution. Remarque 2. Dans le cas où les racines du polynôme P ne sont pas toutes simples, la situation est plus compliquée car on montre que la matrice A n est pas diagonalisable (vérifier que les espaces propres sont toujours de dimension 1). Ce cas sera étudié dans le cas particulier n = 2 dans le paragraphe suivant.

15 62 Chapitre 4. Réduction des endomorphismes et des matrices carrées Trigonalisation L exemple 5 du paragraphe précédent a montré que, même lorsque le polynôme caractéristique d une matrice (ou d un endomorphisme, ce qui revient au même) est scindé, la matrice (ou l endomorphisme) n est pas nécessairement diagonalisable. Définition (endomorphisme, matrice trigonalisable) Un endomorphisme f d un espace E de dimension finie est dit trigonalisable si, et seulement si, il existe une base B de E dans laquelle la matrice mat B (f) soit triangulaire supérieure. Une matrice A M n (K) est dite trigonalisable si, et seulement si, il existe une matrice P GL n (K) telle que la matrice T = P 1 AP soit triangulaire supérieure. Ainsi : une matrice A M n (K) est trigonalisable si, et seulement si, l endomorphisme f L(K n ) canoniquement associé est trigonalisable un endomorphisme f d un espace E est trigonalisable si, et seulement si, sa matrice, exprimée dans une base quelconque de E, est trigonalisable. Trigonaliser la matrice (ou l endomorphisme), c est trouver une telle matrice P (ou une telle base B). Théorème Une matrice A M n (K) est trigonalisable si, et seulement si, son polynôme caractéristique est scindé. Un endomorphisme f d un espace E de dimension finie est trigonalisable si, et seulement si, son polynôme caractéristique est scindé. Démonstration (non exigible). Les deux assertions étant équivalentes, nous les traiterons simultanément, utilisant alternativement le point de vue matriciel et le point de vue vectoriel. Si l endomorphisme est trigonalisable, on choisit une base B telle que la matrice A = mat B (f) soit triangulaire supérieure. Pour tout λ, la matrice λ I n λ est triangulaire supérieure, donc son déterminant est χ A (λ) = (λ a 11 ) (λ a nn ), donc le polynôme caractéristique est χ f = (X a 11 ) (X a nn ) : il est scindé. Pour la réciproque, raisonnons par récurrence sur la taille n de la matrice. Pour n = 1, le résultat est évident. Soit n 1. Supposons le résultat vrai pour toute matrice de taille inférieure ou égale à n et démontrons-le pour une matrice de taille n + 1. Soit donc A une telle matrice, χ son polynôme caractéristique et f l endomorphisme de K n+1 canoniquement associé. Soit r une valeur propre de A donc de f (le polynôme caractéristique est scindé) et ε 1 un vecteur propre associé. Complétons ce vecteur en une base B 1 de K n+1 : la matrice de f dans cette nouvelle base est de la forme r T 1 =. A 1 où A 1 M n (K). Matriciellement, en notant P 1 la matrice de passage de la base canonique à la base B 1, on a l égalité P1 1 AP 1 = T 1. Cette matrice T 1 étant triangulaire supérieure par blocs, elle vérifie :, λ K, χ(λ) = det(λ I n+1 T 1 ) = (λ r)χ A1 (λ). Par suite, on a χ = (X r)χ A1, donc le polynôme caractéristique de la matrice A 1 est scindé. Par hypothèse de récurrence, il existe une matrice Q 1 GL n (K) telle que la matrice T 2 = Q 1 1 A 1Q 1 soit triangulaire supérieure. Notons alors Q la matrice 1 Q =. Q 1 :

16 4.2. Diagonalisation et trigonalisation 63 c est une matrice inversible de taille n + 1, qui vérifie (en effectuant les produits par blocs) 1 r 1 Q 1 T 1 Q =. Q 1 1. A 1. Q 1 r =. Q 1 1 A 1Q 1 r =. T 2 = T qui est une matrice triangulaire supérieure. En notant P = P 1 Q (qui est une matrice inversible de M n+1 (K)), on a donc P 1 AP = T, ce qui prouve la propriété au rang n + 1, donc pour tout n par récurrence. [ ] 1 Exemple 1. Considérons la matrice A = r 2, où r est un scalaire. Son polynôme caractéristique 2r est χ A = X 2 2rX + r 2 = (X r) 2, donc A a une unique valeur propre, de multiplicité algébrique égale à 2. Si la multiplicité géométrique de cette valeur propre était égale à 2, A serait semblable de r I 2, donc égale à r I 2, ce qui n est pas. L espace propre est donc dimension 1 et la matrice n est pas diagonalisable. Trigonalisons-la. Pour cela, notons f l endomorphisme de K 2 canoniquement associé à A. Pour déterminer l espace propre E r (f), on calcule l espace propre [ ] ([ r 1 1 E r (A) = Ker(A r I 2 ) = Ker r 2 = Vect. r r]) On choisit donc pour premier vecteur de la nouvelle base ε 1 = (1, r). On complète ensuite avec le vecteur ε 2 = (, 1) (qui est bien indépendant du premier). Le calcul A [ ] = 1 [ ] 1 = 2r [ ] 1 + r r montre que l on a f(ε 2 ) = ε 1 + rε 2. [ ] r 1 La matrice T de f dans la base C = (ε 1, ε 2 ) est donc T = et la matrice P vérifiant P r 1 AP = T [ ] 1 est la matrice P =. r 1 [ ] 1 Exemple 2. Reprenons l exemple 5 du paragraphe : la matrice A = a pour polynôme caractéristique χ A = (X 1)(X 2) 2. Notons f l endomorphisme de R 3 canoniquement associé et cherchons une base C de R 3 telle que mat C (f) soit triangulaire supérieure. Pour l espace propre E 1 (f) = Ker(f Id R 3), on calcule l espace propre E 1 (A), i.e. qu on s intéresse au noyau de la matrice A I 3 =

17 64 Chapitre 4. Réduction des endomorphismes et des matrices carrées Les colonnes de cette matrice vérifient C 1 + C 2 + C 3 =, donc le vecteur ε 1 = (1, 1, 1) appartient à l espace propre E 1 (f), donc en forme une base. Pour l espace propre E 2 (f), on s intéresse au noyau de la matrice A 2 I 3 = On a cette fois-ci 2C 1 + 2C 2 + 3C 3 =, donc le vecteur ε 2 = (2, 2, 3) appartient à l espace propre E 2 (f) (et en forme même une base). Complétons la famille libre (ε 1, ε 2 ) en une base (ε 1, ε 2, ε 3 ) de R 3 : le fait que les deux premiers vecteurs soient des vecteurs propres de f montre que la matrice A 1 de f dans cette nouvelle base est de la forme 1 A 1 = 2, où les termes marqués restent à déterminer. Quelque soit le choix de ce vecteur ε 3, la matrice A 1 est triangulaire supérieure. La trace de A 1 étant par ailleurs égale à la trace de A, le terme situé en bas à droite est nécessairement égal à 2. Les deux autres termes dépendent du choix du vecteur ε 3. Choisissons par exemple le vecteur ε 3 = (1,, ) et déterminons ces deux autres termes. Remarquons tout d abord que ce choix est licite car ce vecteur n est pas combinaison linéaire des deux précédents (par exemple, le déterminant de la famille C = (ε 1, ε 2, ε 3 ) dans la base canonique de R 3 est égal à 1 ; en revanche, on ne pourrait pas choisir le vecteur (,, 1)...). Deux méthodes sont possibles pour terminer. Première méthode : on écrit la matrice de passage P de la base canonique à la base C, on calcule son inverse, et la matrice A 1 est A 1 = P 1 AP. On trouve P = , P 1 = 1 1 et A 1 = Deuxième méthode : on sait a priori qu il existe deux coefficients a, b tels que f(ε 3 ) = aε 1 + bε 2 + 2ε 3 (ce sont les deux coefficients cherchés). On calcule donc f(ε 3 ) 2ε 3, que l on cherche à exprimer comme combinaison linéaire de ε 1 et ε 2. Matriciellement, on a (A 2 I 3 ) = = 3 = 5 1 2, ce qui prouve que f(ε 3 ) 2ε 3 = 5ε 1 ε 2, donc que la matrice de f dans cette base C est A 1 = Attention! Le fait que f(ε 3 ) = (5, 3, 2) = 5e 1 +3e 2 +2e 2 (en notant e i les vecteurs de la base canonique) ne donne aucun renseignement sur les coefficients de la matrice A 1! Pour connaître les coefficients de la troisième colonne de cette matrice, il faut exprimer le vecteur f(ε 3 ) en fonction des vecteurs ε i de la nouvelle base C et non en fonction des vecteurs e i de l ancienne base. Corollaire (trigonalisation des matrices complexes) Toute matrice à coefficients complexes est trigonalisable ; tout endomorphisme d un C-espace vectoriel de dimension finie est trigonalisable. Démonstration. En effet, tout polynôme à coefficients complexes est scindé.

18 4.2. Diagonalisation et trigonalisation 65 Théorème Soit A M n (K) une matrice carrée dont le polynôme caractéristique est scindé. Notons λ 1,..., λ n ses valeurs propres (éventuellement confondues pour certaines). Alors Tr(A) = λ λ n det(a) = λ 1 λ n. Démonstration. Le polynôme caractéristique de A étant scindé, la matrice A est semblable à une matrice triangulaire supérieure T. Notons t i,j les coefficients de cette matrice : le polynôme caractéristique de T est égal à χ T = (X t 1,1 ) (X t n,n ). Comme ce polynôme caractéristique est aussi celui de A, les t i,i sont égaux aux λ i (avec même multiplicité). On a alors Tr(A) = Tr(T ) = n t i,i = i=1 n λ i et det(a) = det(t ) = i=1 n t i,i = i=1 n λ i. Terminons ce paragraphe en revenant sur le résolution des récurrences linéaires dans le cas où l équation caractéristique admet des racines doubles. Nous nous limiterons au cas p = 2. L équation admet donc une unique racine, notée r, double, donc la récurrence linéaire est u n+2 = 2ru n+1 r 2 u n (d équation caractéristique x 2 2rx + r 2 = ). [ ] 1 La matrice associée à cette récurrence linéaire est A = r 2. Nous avons étudié cette matrice 2r [ ] 1 dans l exemple 1, où nous avons vu qu en posant P =, on avait r 1 P 1 AP = [ ] r 1 = T. r Comme nous l avons vu, calculer u n revient à calculer A n ou, de façon équivalente, T n. L examen des premières puissances et une récurrence immédiate montrent que, pour tout entier n, on a [ ] T n r n nr = n 1 r n. Les coefficients de la matrice A n sont donc des combinaisons linéaires de r n et de nr n. On obtient Théorème Si l équation caractéristique de la récurrence linéaire u n+2 = au n+1 + bu n admet une racine double, notée r, alors les solutions de cette récurrence linéaire sont les combinaisons linéaires des suites (r n ) n et (nr n ) n. i=1

19 66 Chapitre 4. Réduction des endomorphismes et des matrices carrées

20 4.3. Test de compréhension du chapitre Test de compréhension du chapitre Questions 1. Soit f un endomorphisme d un espace E de dimension finie, et λ 1,..., λ p les valeurs propres de f. Est-il vrai que p p p a) E = E λi (f)? b) E λi = E λi (f)? i=1 i=1 i=1 c) f est diagonalisable si, et seulement si, E = p E λi (f)? i=1 2. Qu est-ce que la multiplicité algébrique d une valeur propre? La multiplicité géométrique? Quel lien y a-t-il entre les deux? 3. Combien un projecteur a-t-il de valeurs propres? Quelles sont-elles et quels sont les espaces propres associés? 4. Soit f un endomorphisme d un espace E de dimension n. Quelles sont les implications logiques entre les deux assertions suivantes : a) f est diagonalisable b) f admet n valeurs propres deux à deux distinctes. 5. Soient f et g les endomorphismes canoniquement associé aux matrices A = Combien y a-t-il de droites de R 3 stables par f? Par g? [ [ ] et B = [ ] Soient f, g deux endomorphismes qui commutent d un espace E. Que peut-on dire des sous-espaces propres de f? ] 7. Soit A =. Y a-t-il d autres matrices que les matrices diagonales qui commutent à A? 8. Soit f un endomorphisme d un espace E de dimension n. Quelles sont les implications logiques entre les trois assertions suivantes : a) f est inversible b) χ f () c) n est pas valeur propre de f. ] 9. À quelle condition sur les coefficients a, b, c, d, e, f la matrice A = 1. Une symétrie vectorielle est-elle toujours diagonalisable? [ 1 a 1 b c 2 d e f Soit f un endomorphisme nilpotent d un espace E. Quel est son spectre? est-elle diagonalisable? 12. Soit f un endomorphisme d un espace E de dimension n. On suppose que χ f = X n. Peut-on en déduire que f est nilpotent? 13. Soient A, B M n (K). Quelles sont les implications logiques entre les deux assertions suivantes : a) A et B sont semblables b) χ A = χ B. 14. Soit A M n (K). Y a-t-il un lien entre les valeurs propres de A et celles de A T? Entre les vecteurs propres? 15. Exhiber une infinité de matrices semblables à la matrice A = [ 1 2 ]. 16. On considère la matrice A = En commençant par trouver une valeur propre évidente, trouver toutes les valeurs propres (avec multiplicité) de la matrice A. Cette matrice est-elle diagonalisable?

21 68 Chapitre 4. Réduction des endomorphismes et des matrices carrées

22 4.3. Test de compréhension du chapitre Réponses 1. a) Non : si f n est pas diagonalisable, la somme des espaces propres est strictement incluse dans E. b) Oui : la somme des espaces propres est toujours une somme directe. c) Oui : théorème du cours. 3. Un projecteur a en général deux valeurs propres : ; l espace propre associé est le noyau du projecteur, i.e. l espace parallèlement auquel on projette 1 ; l espace propre associé est l espace des vecteurs invariants, i.e. l espace sur lequel on projette. Deux cas particulier : Id E est un projecteur qui admet 1 pour unique valeur propre, et l application nulle, projecteur qui admet pour unique valeur propre. 4. L assertion b) entraîne l assertion a) (cours) ; la réciproque est fausse (par exemple, l application Id E est diagonalisable, bien qu ayant une unique valeur propre). 5. L endomorphisme f admet trois valeurs propres simples, donc trois espaces propres, chacun étant de dimension 1. Il y a donc trois droites stables par f. La matrice B est de rang 1, donc son noyau est de dimension 2. Toute droite incluse dans le noyau de g (il y en a une infinité) est stable par g. 6. Chaque sous-espace propre de f est stable par g. 7. Notons f l endomorphisme canoniquement associé à la matrice A. Cet endomorphisme a trois valeurs propres simples, les trois espaces propres associés sont des droites, qui sont Vect(e i ), 1 i 3. Si M est une matrice qui commute à A, l endomorphisme canoniquement associé g commute à f, donc chacune des trois droites Vect(e i ) est stable par g, ce qui signifie qu il existe un scalaire λ i tel que g(e i ) = λ i e i : la matrice M = diag(λ 1, λ 2, λ 3 ) est diagonale. 8. Les trois assertions sont équivalentes (en effet, χ f () = ( 1) n det(f) ; les valeurs propres sont les scalaires λ tels que χ f (λ) = ). 9. La matrice A a deux valeurs propres doubles : 1 et 2. Le rang de la matrice A I 4 est en général égal à 1, sauf si a =, auquel cas il est égal à 2 (donc l espace propre E 1 est de dimension 2). De même, l espace propre E 2 est en général de dimension 1, sauf si f =, auquel cas il est de dimension 2. La matrice est donc diagonalisable si, et seulement si, a = f =. 1. Oui : on a E = Ker(s Id E ) Ker(s + Id E ). 11. On a Sp(f) = {}. En effet, f n est pas inversible donc est valeur propre de f. Réciproquement, si λ est une valeur propre de f et x un vecteur propre associé, on a f p (x) = λ p x pour tout entier p. Comme f p (x) = pour p grand, et que x, c est que λ =. 12. Oui. Le polynôme caractéristique de f est scindé donc f est trigonalisable. La seule valeur propre de f est, donc il existe une base B dans laquelle la matrice de f est triangulaire supérieure, les coefficients diagonaux étant tous nuls. Cette matrice est nilpotente. 13. L assertion a) entraîne l assertion b) ; la réciproque est fausse. 14. Les matrices A et A T ont les mêmes valeurs propres : pour tout λ, on a det(a λ I n ) = det ( (A λ I n ) T) = det(a T λ I n ). En revanche, on ne peut rien dire des vecteurs propres (l égalité AX = λx ne donne aucun renseignement sur le produit A T X). 15. Toutes les matrices de la forme [ 1 a 2 ], a R, on deux valeurs propres distinctes, donc sont diagonalisables. Les valeurs propres étant 1 et 2, elles sont semblables à la matrice A. 16. Pour λ = 1, la matrice A λ I n n est pas inversible, donc λ = 1 est valeur propre. Comme rg(a+i n ) = n 1, la multiplicité géométrique de cette valeur propre est égale à n 1, donc sa multiplicité algébrique est au moins égale à n 1. Les valeurs propres sont donc λ 1 = = λ n 1 = 1 et λ n à déterminer (éventuellement égale à 1 elle aussi). La relation λ i = Tr(A) donne λ n = n 1. La multiplicité algébrique de la valeur propre 1 est donc égale à sa multiplicité géométrique, et c est aussi le cas pour la valeur propre n 1 (comme toujours pour une valeur propre simple). La matrice A est donc diagonalisable.

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 3 4 Master d économie Cours de M. Desgraupes MATHS/STATS Document : Solution des exercices d algèbre linéaire Table des matières

Plus en détail

Université Paris IX Dauphine UFR Mathématiques de la décision Notes de cours ALGEBRE 2. Guillaume CARLIER

Université Paris IX Dauphine UFR Mathématiques de la décision Notes de cours ALGEBRE 2. Guillaume CARLIER Université Paris IX Dauphine UFR Mathématiques de la décision Notes de cours ALGEBRE 2 Guillaume CARLIER L1, année 2006-2007 2 Ce support de cours est basé sur le poly de Tristan Tomala des années précédentes.

Plus en détail

Indication Prendre une combinaison linéaire nulle et l évaluer par ϕ n 1.

Indication Prendre une combinaison linéaire nulle et l évaluer par ϕ n 1. 1 Définition Exercice 1 Déterminer si les applications f i suivantes (de E i dans F i ) sont linéaires : f 1 : (x, y) R 2 (2x + y, x y) R 2, f 2 : (x, y, z) R 3 (xy, x, y) R 3 f 3 : (x, y, z) R 3 (2x +

Plus en détail

Rappels d Algèbre Linéaire de P.C.S.I

Rappels d Algèbre Linéaire de P.C.S.I Rappels d Algèbre Linéaire de PCSI Table des matières 1 Structure d espace vectoriel sur IK 3 11 Définition et règles de calcul 3 12 Exemples de référence 3 13 Espace vectoriel produit 4 14 Sous-espaces

Plus en détail

Le Déterminant. par Alain Prouté Université Denis Diderot Paris 7. 1 Permutations. 1. 2 Application transposée, base duale. 3. 3 Mesures de volume.

Le Déterminant. par Alain Prouté Université Denis Diderot Paris 7. 1 Permutations. 1. 2 Application transposée, base duale. 3. 3 Mesures de volume. Ce cours peut être librement copié et distribué. Il est recommandé d en télécharger la version la plus récente à partir de : http://www.math.jussieu.fr/~alp. Toute remarque, correction ou suggestion doit

Plus en détail

Agrégation de Mathématiques Exercices d algèbre linéaire

Agrégation de Mathématiques Exercices d algèbre linéaire Agrégation de Mathématiques Exercices d algèbre linéaire P. HUBERT La plupart des exercices ci-dessous se trouvent dans les livres suivants : - E. Leichtnam, X. Schaeur, Exercices corrigés de mathématiques

Plus en détail

Exercices - Réduction des endomorphismes : énoncé. Réduction pratique de matrices

Exercices - Réduction des endomorphismes : énoncé. Réduction pratique de matrices Réduction pratique de matrices Exercice 1 - Diagonalisation - 1 - L1/L2/Math Spé - Diagonaliser les matrices suivantes : 0 2 1 A = 3 2 0 B = 2 2 1 0 3 2 2 5 2 2 3 0 On donnera aussi la matrice de passage

Plus en détail

1. a) question de cours b) P(f) est un polynôme de l endomorphisme f donc commute avec f.

1. a) question de cours b) P(f) est un polynôme de l endomorphisme f donc commute avec f. escp-eap 2(Ecole de commerce) OPTION SCIENTIFIQUEMATHEMATIQUES I adapté en retirant certaines question qui sont du cours de PC et en ajoutant le dernier exemple.. a) question de cours b) P(f) est un polynôme

Plus en détail

UNIVERSITE PAUL SABATIER 2008/2009. Le déterminant d une matrice carrée à deux lignes et colonnes A = définition le nombre réel (ou complexe)

UNIVERSITE PAUL SABATIER 2008/2009. Le déterminant d une matrice carrée à deux lignes et colonnes A = définition le nombre réel (ou complexe) UNIVERSITE PAUL SABATIER 2008/2009 YjY L1 - PCP - DETERMINANTS (COURS-EXERCICES) YjY 1 Déterminant, définition, propriètés Le déterminant d une matrice carrée à deux lignes et colonnes A = définition le

Plus en détail

Réduction. Sous-espaces stables. [http://mp.cpgedupuydelome.fr] édité le 29 décembre 2015 Enoncés 1

Réduction. Sous-espaces stables. [http://mp.cpgedupuydelome.fr] édité le 29 décembre 2015 Enoncés 1 [http://mp.cpgedupuydelome.fr] édité le 29 décembre 2015 Enoncés 1 Réduction Sous-espaces stables Exercice 1 [ 00755 ] [Correction] Soient u et v deux endomorphismes d un K-espace vectoriel E. On suppose

Plus en détail

Les espaces vectoriels

Les espaces vectoriels Agrégation interne UFR MATHÉMATIQUES 1. Généralités Les espaces vectoriels Dans tout le chapitre, K représente un corps commutatif. 1.1. Notion d espace vectoriel On considère un ensemble E sur lequel

Plus en détail

PROBLÈME : Endomorphismes semi-linéaires et valeurs co-propres. Partie I

PROBLÈME : Endomorphismes semi-linéaires et valeurs co-propres. Partie I PROBLÈME : Endomorphismes semi-linéaires et valeurs co-propres Sujet complet Mines Pont 2001 - PSI Partie I 1. Premières propriétés Remarquons d abord que la définition de la semi-linéarité de u est équivalente

Plus en détail

en dimension finie Table des matières

en dimension finie Table des matières Maths PCSI Cours Algèbre linéaire en dimension finie Table des matières 1 Rappels d algèbre linéaire 2 1.1 Applications linéaires......................................... 2 1.2 Familles libres, génératrices

Plus en détail

Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Laurent Garcin MPSI Lycée Jean-Baptiste Corot ESPACES VECTORIELS 1 Définition et exemples fondamentaux 1.1 Définition Définition 1.1 Espace vectoriel Soient K un corps et E un ensemble muni d une loi interne + et d une loi externe. i.e. d une application

Plus en détail

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées.

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées. Chapitre 10 Calcul Matriciel 101 Qu est-ce qu une matrice? Définition : Soit K un ensemble de nombres exemples, K = N, Z, Q, R, C, n, p N On appelle matrice à n lignes et p colonnes la données de np nombres

Plus en détail

11. Espaces vectoriels, homomorphismes, bases

11. Espaces vectoriels, homomorphismes, bases 11. Espaces vectoriels, homomorphismes, bases 11.1. Espaces vectoriels, algèbres 11.1.1. Structure d espace vectoriel et d algèbre 11.1.2. Combinaisons linéaires 11.1.3. Espaces vectoriels et algèbres

Plus en détail

Matrices et déterminants

Matrices et déterminants Matrices et déterminants Matrices Définition.. Une matrice réelle (ou complexe) M = (m i,j ) (m, n) à m lignes et n colonnes est un tableau à m lignes et n colonnes de réels (ou de complexes). Le coefficient

Plus en détail

Intégration de polynômes Points de Gauss

Intégration de polynômes Points de Gauss Intégration de polynômes Points de Gauss Commençons par un exercice classique de premier cycle. Problème 1 Trouver trois réels α, β et γ tels que, pour tout polynôme P de degré au plus 2, on ait : ( )

Plus en détail

Applications linéaires, matrices, déterminants

Applications linéaires, matrices, déterminants Applications linéaires, matrices, déterminants Exercice 1. Soit u: R 3 R défini pour tout x = (x 1, x, x 3 R 3 par u(x = (x 1 + x + x 3, x 1 + x x 3 1. Montrer que u est linéaire.. Déterminer ker(u. Allez

Plus en détail

Chapitre IV Bases et dimension d un espace vectoriel

Chapitre IV Bases et dimension d un espace vectoriel Chapitre IV Bases et dimension d un espace vectoriel Objectif : Nous allons voir comment fabriquer des systèmes de coordonnées pour les vecteurs d un espace vectoriel général. Dans ce chapitre désigne

Plus en détail

Correction du devoir maison n o 7 PARTIE I

Correction du devoir maison n o 7 PARTIE I Lycée Kléber Pour le 5 décembre 2014 PSI* 2014-2015 Correction du devoir maison n o 7 (Mines I PSI 2001) MATHEMATIQUES PARTIE I Remarquons d abord que la définition de la semi-linéarité de u est équivalente

Plus en détail

2010/2011. Espaces vectoriels

2010/2011. Espaces vectoriels Université Paris-Est Marne-la-Vallée 010/011 M1 enseignement CD/Préparation au CAPES Espaces vectoriels Dans toute la suite on considèrera des espaces vectoriels sur un corps commutatif K de caractéristique

Plus en détail

Espaces euclidiens. 1 Définitions et exemples. 2 Orthogonalité, norme euclidienne 2. 3 Espaces euclidiens, bases orthonormées 2

Espaces euclidiens. 1 Définitions et exemples. 2 Orthogonalité, norme euclidienne 2. 3 Espaces euclidiens, bases orthonormées 2 Espaces euclidiens Table des matières 1 Définitions et exemples 1 Orthogonalité, norme euclidienne 3 Espaces euclidiens, bases orthonormées 4 Orthogonalisation de Schmidt 3 5 Sous-espaces orthogonaux 3

Plus en détail

Exercice oral des mines : pour voir si vous avez compris l analogie de l exercice précédent.

Exercice oral des mines : pour voir si vous avez compris l analogie de l exercice précédent. Lycée Pierre de Fermat 203/204 MPSI Devoir maison Devoir maison n 20 Exercice : utilisation du produit matriciel par blocs. Dans l exercice K est un corps commutatif quelconque de caractéristique différente

Plus en détail

I. SYMÉTRIES. F = {x E σ(x) =x }, G = {x E σ(x) = x }.

I. SYMÉTRIES. F = {x E σ(x) =x }, G = {x E σ(x) = x }. Dans tout ce qui suit on désigne par k un corps commutatif de caractéristique différente de 2 (par exemple R ou C) etpare un k-espace vectoriel de dimension finie n>0. On appelle L(E) l anneau des endomorphismes

Plus en détail

Cours de Mathématiques II Chapitre 1. Algèbre linéaire

Cours de Mathématiques II Chapitre 1. Algèbre linéaire Université de Paris X Nanterre UFR Segmi Année 7-8 Licence Economie-Gestion première année Cours de Mathématiques II Chapitre Algèbre linéaire Table des matières Espaces vectoriels Espaces et sous-espaces

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 29 décembre 2015 Enoncés 1. d) Soient A vérifiant (P ) et B une matrice de même rang que A ; montrer

[http://mp.cpgedupuydelome.fr] édité le 29 décembre 2015 Enoncés 1. d) Soient A vérifiant (P ) et B une matrice de même rang que A ; montrer [http://mp.cpgedupuydelome.fr] édité le 29 décembre 205 Enoncés Exercice [ 02598 ] [Correction] Soient A et B deux matrices réelles carrées d ordre n telles qu il existe un polynôme P R [X] de degré au

Plus en détail

Espaces vectoriels de dimension finie

Espaces vectoriels de dimension finie Espaces vectoriels de dimension finie 1 Questions de cours 3 Exercices 1. Énoncer et montrer le théorème de la base incomplète. 2. Soit E de dimension finie n et F un sousespace de E. Montrer que F est

Plus en détail

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.

Exo7. 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 détail

Les espaces vectoriels Partie 1

Les espaces vectoriels Partie 1 Les espaces vectoriels Partie 1 MPSI Prytanée National Militaire Pascal Delahaye 1 er février 2016 1 Définition d un Espace Vectoriel Soit ( K,+, ) un corps commutatif (le programme impose K = R ou C).

Plus en détail

Autour de la diagonalisation

Autour de la diagonalisation Autour de la diagonalisation Cédric Gérot, Pierre Granjon, Nicolas Le Bihan Laboratoire des Images et des Signaux Grenoble January 22, 2003 Contents 1 Eléments d algèbre 2 11 Espace vectoriel 2 111 Définition

Plus en détail

Les matrices. 1 Définitions. 1.1 Matrice

Les matrices. 1 Définitions. 1.1 Matrice Les matrices 2012-2013 1 Définitions 11 Matrice Définition 1 Une matrice m n est un tableau de nombres à m lignes et n colonnes Les nombres qui composent la matrice sont appelés les éléments de la matrice

Plus en détail

Cours Diagonalisation

Cours Diagonalisation Cours Diagonalisation par Pierre Veuillez 1 Objectif Pour une matrice A donnée, déterminer une matrice D diagonale et une matrice P inversible telle que A = P D P 1. Interprètation : Quelle relation reconnaît-on?

Plus en détail

Exo7. Espaces vectoriels. 1 Définition, sous-espaces. Fiche amendée par David Chataur et Arnaud Bodin.

Exo7. Espaces vectoriels. 1 Définition, sous-espaces. Fiche amendée par David Chataur et Arnaud Bodin. Exo7 Espaces vectoriels Fiche amendée par David Chataur et Arnaud Bodin. Définition, sous-espaces Exercice Montrer que les ensembles ci-dessous sont des espaces vectoriels (sur R) : E = { f : [,] R } :

Plus en détail

Isométries d'un espace euclidien.

Isométries d'un espace euclidien. Isométries d'un espace euclidien. Dans ce chapitre, le corps des scalaires est R et l'espace (E ; ) est un espace euclidien de dimension finie n. 1. Isométries vectorielles d'un espace euclidien...p.1

Plus en détail

Les théorèmes de Gerschgorin et de Hadamard

Les théorèmes de Gerschgorin et de Hadamard Localisation des valeurs propres : Quelques propriétés sur les disques de Gerschgorin. Jean-Baptiste Campesato 22 septembre 29 Gerschgorin est parfois retranscrit en Gershgorin, Geršgorin, Hershhornou

Plus en détail

LISTE DE QUESTIONS DE COURS

LISTE DE QUESTIONS DE COURS LISTE DE QUESTIONS DE COURS sur le polycopié d Algèbre de 2008/2009 Chapitre 1 1. Définition 1.1 : Espace vectoriel. 2. Proposition 1.3 : Espace vectoriel produit. 3. Définition 1.2 : Sous-espaces vectoriels.

Plus en détail

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels.

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels. Enoncés et corrections : Sandra Delaunay Exo7 Sujets de l année 28-29 1 Partiel Exercice 1 Soit A une matrice 2 2 à coefficients réels. On suppose a + c = b + d = 1 et a b 1. ( ) a b c d 1. Soient (x 1,x

Plus en détail

ALGÈBRE BILINÉAIRE 1

ALGÈBRE BILINÉAIRE 1 3-8- 213 J.F.C. Eve p. 1 ALGÈBRE BILINÉAIRE 1 P mentionne des résultats particulièrement utiles et souvent oubliés dans la pratique de l algèbre bilinéaire... mentionne des erreurs à ne pas faire où des

Plus en détail

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015

Première 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 détail

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre 1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre BCPST Lycée Hoche $\ CC BY: Pelletier Sylvain Les deux modes de représentation des sous-espaces vectoriels Il existe deux modes

Plus en détail

Sujets HEC B/L 2013-36-

Sujets HEC B/L 2013-36- -36- -37- Sujet HEC 2012 B/L Exercice principal B/L1 1. Question de cours : Définition et propriétés de la fonction de répartition d une variable aléatoire à densité. Soit f la fonction définie par : f(x)

Plus en détail

Résumé de Math Sup et compléments : algèbre linéaire

Résumé de Math Sup et compléments : algèbre linéaire Résumé de Ma Sup et compléments : algèbre linéaire I - Espaces vectoriels - Sous espaces vectoriels 1) Structure de K-espace vectoriel Soient K un sous-corps de C et E un ensemble non vide muni d une l.d.c.i.

Plus en détail

1.3 Produit matriciel

1.3 Produit matriciel MATRICES Dans tout ce chapitre, K désigne les corps R ou C, p et n des entiers naturels non nuls 1 Matrices à coefficients dans K 11 Définition Définition 11 Matrice On appelle matrice à coefficients dans

Plus en détail

Résumé du cours d algèbre de Maths Spé MP

Résumé du cours d algèbre de Maths Spé MP 1 POLYNÔMES Résumé du cours d algèbre de Maths Spé MP 1 Polynômes 1) Formule de Taylor pour les polynômes. Soit P un polynôme non nul de degré n N. a K, P(X) = k=0 P (k) (a) (X a) k et en particulier P(X)

Plus en détail

Fiche Méthode 11 : Noyaux et images.

Fiche Méthode 11 : Noyaux et images. Fiche Méthode 11 : Noyaux et images. On se place dans un espace vectoriel E de dimension finie n, muni d une base B = ( e 1,..., e n ). f désignera un endomorphisme de E 1 et A la matrice de f dans la

Plus en détail

Applications linéaires

Applications linéaires [http://mp.cpgedupuydelome.fr] édité le 5 mai 2016 Enoncés 1 Applications linéaires Etude de linéarité a) Montrer que ϕ et ψ sont des endomorphismes de E. b) Exprimer ϕ ψ et ψ ϕ. c) Déterminer images et

Plus en détail

Algèbre linéaire. 1 Espaces vectoriels R n. Jean-Paul Davalan. 1.1 Les ensembles R n. 1.2 Addition dans R n. (R n, +) désigne R n muni de l addition.

Algèbre linéaire. 1 Espaces vectoriels R n. Jean-Paul Davalan. 1.1 Les ensembles R n. 1.2 Addition dans R n. (R n, +) désigne R n muni de l addition. Algèbre linéaire. Jean-Paul Davalan 2001 1 Espaces vectoriels R n. 1.1 Les ensembles R n. Définition 1.1 R 2 est l ensemble des couples (x, y) de deux nombres réels x et y. D une manière générale, un entier

Plus en détail

Chapitre 3. Espaces vectoriels

Chapitre 3. Espaces vectoriels Département de mathématiques et informatique L1S1, module A ou B Chapitre 3 Espaces vectoriels Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé

Plus en détail

Matrices. 3 Théorie du rang 11 3.1 Opérations élémentaires... 11 3.2 Rang d une matrice, pivot de Gauss... 11 3.3 Inversion des matrices...

Matrices. 3 Théorie du rang 11 3.1 Opérations élémentaires... 11 3.2 Rang d une matrice, pivot de Gauss... 11 3.3 Inversion des matrices... Maths PCSI Cours Matrices Table des matières Présentation de M n,p (K) 2 Espace des matrices (n, p) 2 2 Lien avec les applications linéaires 3 3 L algèbre M n (K) 5 4 Transposition 6 2 Représentation des

Plus en détail

AGRÉGATION INTERNE: RÉDUCTION DES ENDOMORPHISMES

AGRÉGATION INTERNE: RÉDUCTION DES ENDOMORPHISMES AGRÉGATION INTERNE: RÉDUCTION DES ENDOMORPHISMES VINCENT GUEDJ 1. Notions fondamentales 1.1. Noyau, Image. On se donne E un K-espace vectoriel de dimension finie (K = R, C principalement) et f L(E) un

Plus en détail

Algèbre linéaire 3 : produits scalaires, espaces euclidiens, formes quadratiques.

Algèbre linéaire 3 : produits scalaires, espaces euclidiens, formes quadratiques. Université Paris-Dauphine DU MI2E, 2ème année Algèbre linéaire 3 : produits scalaires, espaces euclidiens, formes quadratiques. Cours 2010/2011 Olivier Glass Le polycopié qui suit peut avoir des différences

Plus en détail

Espaces euclidiens. 1 Produit scalaire 2 1.1 Définition... 2 1.2 Exemples fondamentaux... 2 1.3 Cauchy-Schwarz... 3 1.4 Norme associée...

Espaces euclidiens. 1 Produit scalaire 2 1.1 Définition... 2 1.2 Exemples fondamentaux... 2 1.3 Cauchy-Schwarz... 3 1.4 Norme associée... Maths PCSI Cours Table des matières Espaces euclidiens 1 Produit scalaire 2 1.1 Définition...................................... 2 1.2 Exemples fondamentaux.............................. 2 1.3 Cauchy-Schwarz..................................

Plus en détail

Espaces affines. 2 Applications affines 7. 2.2 Projections et symétries affines ; affinités... 8 2.3 Alignement et parallélisme...

Espaces affines. 2 Applications affines 7. 2.2 Projections et symétries affines ; affinités... 8 2.3 Alignement et parallélisme... Maths PCSI Cours Espaces affines Table des matières 1 Espaces et sous-espaces affines 2 1.1 Espaces affines et translations.................................... 2 1.2 Exemples d espaces affines......................................

Plus en détail

Applications linéaires

Applications linéaires Bibliothèque d exercices Énoncés L1 Feuille n 18 Applications linéaires 1 Définition Exercice 1 Déterminer si les applications f i suivantes (de E i dans F i ) sont linéaires : f 1 : (x, y) R (x + y, x

Plus en détail

COR TD 2. Exercice 1. Déterminer si les applications f i suivantes sont linéaires : x + x, y + y )

COR TD 2. Exercice 1. Déterminer si les applications f i suivantes sont linéaires : x + x, y + y ) COR TD 2 Année 21 Exercice 1. Déterminer si les applications f i suivantes sont linéaires : f 1 : R 2 R 2 f 1 x, y = 2x + y, x y f 2 : R R f 2 x, y, z = xy, x, y f : R R f x, y, z = 2x + y + z, y z, x

Plus en détail

UNIVERSITÉ DE POITIERS

UNIVERSITÉ DE POITIERS UNIVERSITÉ DE POITIERS Faculté des Sciences Fondamentales et Appliquées Mathématiques PREMIÈRE ANNEE DE LA LICENCE DE SCIENCES ET TECHNOLOGIES UE L «algèbre linéaire» Plan du cours Exercices Enoncés des

Plus en détail

ESPACES VECTORIELS ET APPLICATIONS LINÉAIRES

ESPACES VECTORIELS ET APPLICATIONS LINÉAIRES 30-9- 2010 J.F.C. p. 1 ESPACES VECTORIELS ET APPLICATIONS LINÉAIRES Exercice 1 Intersection d hyperplans. E est un espace vectoriel de dimension n sur K (n [2, + [). Q1. Montrer que si F et G sont deux

Plus en détail

Table des matières. 1. Espaces propres et espaces caractéristiques

Table des matières. 1. Espaces propres et espaces caractéristiques RÉDUCTION DES ENDOMORPHISMES OLIVIER DEBARRE Table des matières 1. Espaces propres et espaces caractéristiques 1 2. Décomposition de Dunford 4 3. Structure des endomorphismes nilpotents et réduite de Jordan

Plus en détail

ÉCOLE NATIONALE DE L AVIATION CIVILE Session 2007

ÉCOLE NATIONALE DE L AVIATION CIVILE Session 2007 ÉCOLE NATIONALE DE L AVIATION CIVILE Session 27 CONCOURS DE RECRUTEMENT D ÉLÈVES INGÉNIEURS DU CONTRÔLE DE LA NAVIGATION AÉRIENNE Épreuve commune obligatoire de MATHÉMATIQUES Durée : 4 Heures Coefficient

Plus en détail

EXERCICE 1. Corrigé ECRICOME Eco 2012 par Pierre Veuillez

EXERCICE 1. Corrigé ECRICOME Eco 2012 par Pierre Veuillez Corrigé ECRICOME Eco par Pierre Veuillez EXERCICE (M 3 (R), +,.) désigne l espace vectoriel des matrices carrées d ordre 3 à coeffi cients réels. Deux matrices A et B de M 3 (R) étant données, on suppose

Plus en détail

17. ISOMÉTRIES LINÉAIRES

17. ISOMÉTRIES LINÉAIRES 17 ISOMÉTRIES LINÉAIRES 171 Isométries linéaires dans un espace vectoriel euclidien Soit E un espace vectoriel euclidien Une application linéaire f dans E est appelée isométrie linéaire ssi, quel que soit

Plus en détail

Devoir maison n 5. MP Lycée Clemenceau. A rendre le 7 janvier 2014. Centrale

Devoir maison n 5. MP Lycée Clemenceau. A rendre le 7 janvier 2014. Centrale Devoir maison n 5 MP Lycée Clemenceau A rendre le 7 janvier 214 Centrale - Dans le problème, λ désigne toujours une application continue de IR + dans IR +, croissante et non majorée. - Dans le problème,

Plus en détail

PC* Espaces préhilbertiens réels

PC* Espaces préhilbertiens réels I. Espace préhilbertien réel................................... 3 I.1 Produit scalaire dans un espace vectoriel réel................... 3 I.2 Inégalités de Cauchy-Schwarz et de Minkowski..................

Plus en détail

PAD - Notes de cours. S. Rigal, D. Ruiz, et J. C. Satgé

PAD - Notes de cours. S. Rigal, D. Ruiz, et J. C. Satgé ALGÈBRE PAD - Notes de cours S. Rigal, D. Ruiz, et J. C. Satgé November 23, 2006 Table des Matières Espaces vectoriels Applications linéaires - Espaces vectoriels............................... 3 -. Approche

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

EMLYON 2015 S. Éléments de correction

EMLYON 2015 S. Éléments de correction EMLYON 15 S Éléments de correction ECS Lycée La ruyère, Versailles Année 1/15 Premier problème Première partie 1. On peut vérifier le critère de sous-espace vectoriel E et, pour P 1, P E et λ R, λp 1 +

Plus en détail

Espaces vectoriels de dimension finie

Espaces vectoriels de dimension finie Chapitre 14 Espaces vectoriels de dimension finie Dans tout le chapitre K désigne R ou C. 14.1 Espaces vectoriels de dimension finie 14.1.1 Bases et dimension Ò Ø ÓÒ ½ º½ Espace vectoriel de dimension

Plus en détail

Définition d une norme

Définition d une norme Définition d une norme Définition E est un K-ev. L application N : E R + est une norme sur E ssi 1. x E, N(x) = 0 x = 0. 2. k K, x E, N(k.x) = k N(x). 3. x, y E, N(x + y) N(x) + N(y) Notation N,. Propriété

Plus en détail

TD 5- Applications linéaires

TD 5- Applications linéaires TD 5- Applications linéaires Exercice 1. Soit f l'application dénie sur R 2 par f(x, y) = (2x y, 3x + y). 1. Montrer que f est un endomorphisme de R 2. 2. Montrer que f est injective. 3. Montrer que f

Plus en détail

Corrigé Problème. Partie I. I-A : Le sens direct et le cas n = 2

Corrigé 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 détail

À propos des limites inductives filtrantes et du théorème de Lazard sur les modules plats

À propos des limites inductives filtrantes et du théorème de Lazard sur les modules plats 1 À propos des limites inductives filtrantes et du théorème de Lazard sur les modules plats Cette note est écrite comme une section 7 du chapitre VIII du livre Algèbre Commutative. Méthodes Constructives.

Plus en détail

Carnet de voyage en Algébrie

Carnet de voyage en Algébrie Université Claude Bernard-Lyon 1 Carnet de voyage en Algébrie Is(T ) S 4 Notes de TD de : Chrystel Bouvier Elisabeth Bruyère Encadrées par : Philippe Caldero 2 J aimerais vivre en Théorie, parce qu en

Plus en détail

Espaces vectoriels. Université d Orléans Année 2009-2010 Espaces vectoriels et applications linéaires. 2MA01-Licence de Mathématiques

Espaces vectoriels. Université d Orléans Année 2009-2010 Espaces vectoriels et applications linéaires. 2MA01-Licence de Mathématiques Université d Orléans Année 2009-2010 Espaces vectoriels et applications linéaires 2MA01-Licence de Mathématiques Espaces vectoriels Exercice 1 Soit E un espace vectoriel. Pour x, y E et λ, µ K, montrer

Plus en détail

Autour de Perron, Frobenius et Markov

Autour de Perron, Frobenius et Markov Université Claude Bernard Lyon 1-2007/2008 Préparation Capes - Algèbre et Géométrie - Devoir à rendre le 12 février 2008 - Autour de Perron Frobenius et Markov Rappels et notations On note M mn (K) le

Plus en détail

A. 1. Définitions 96/154. Cas particuliers

A. 1. Définitions 96/154. Cas particuliers I II III IV V VI VII VIII Cours de Mathématiques IUT Orsay DUT INFORMATIQUE A - Semestre 0-0 Introduction Wims Calcul ensembliste Relations binaires, applications Logique Raisonnements par récurrence,

Plus en détail

2. MATRICES ET APPLICATIONS LINÉAIRES

2. MATRICES ET APPLICATIONS LINÉAIRES 2. MATRICES ET APPLICATIONS LINÉAIRES 2.1 Définition Une matrice n m est un tableau rectangulaire de nombres (réels en général) à n lignes et m colonnes ; n et m sont les dimensions de la matrice. Notation.

Plus en détail

1 Topologies, distances, normes

1 Topologies, distances, normes Université Claude Bernard Lyon 1. Licence de mathématiques L3. Topologie Générale 29/1 1 1 Topologies, distances, normes 1.1 Topologie, distances, intérieur et adhérence Exercice 1. Montrer que dans un

Plus en détail

Feuille 5 : Exercices sur les déterminants, quelques corrections

Feuille 5 : Exercices sur les déterminants, quelques corrections Université de Poitiers Mathématiques L SPIC, Module 2L2 2/2 Feuille 5 : Exercices sur les déterminants, quelques corrections Exercice 3 : Dans cet exercice, pour obtenir directement les polnômes sous forme

Plus en détail

Espaces vectoriels et applications

Espaces vectoriels et applications Espaces vectoriels et applications linéaires 1 Définitions On parle d espaces vectoriels sur le corps R ou sur le corps C. Les définitions sont les mêmes en substituant R à C ou vice versa. Définition

Plus en détail

Document créé le 27 novembre 2013 Lien vers la dernière mise à jour de ce document Lien vers les exercices de ce chapitre

Document créé le 27 novembre 2013 Lien vers la dernière mise à jour de ce document Lien vers les exercices de ce chapitre Document créé le 27 novembre 2013 Lien vers la dernière mise à jour de ce document Lien vers les exercices de ce chapitre Chapitre 17 Matrices et applications linéaires Sommaire 171 Matrices et applications

Plus en détail

Partie II. Supplémentaires d un sous-espace donné. Partie I. Partie III. Supplémentaire commun. MPSI B 8 octobre 2015

Partie II. Supplémentaires d un sous-espace donné. Partie I. Partie III. Supplémentaire commun. MPSI B 8 octobre 2015 Énoncé Dans tout le problème, K est un sous-corps de C. On utilisera en particulier que K n est pas un ensemble fini. Tous les espaces vectoriels considérés sont des K espaces vectoriels de dimension finie.

Plus en détail

Exo7. Applications linéaires. 1 Définition. 2 Image et noyau. Exercice 1 Déterminer si les applications f i suivantes sont linéaires :

Exo7. Applications linéaires. 1 Définition. 2 Image et noyau. Exercice 1 Déterminer si les applications f i suivantes sont linéaires : Exo7 Applications linéaires 1 Définition Exercice 1 Déterminer si les applications f i suivantes sont linéaires : f 1 : R R f 1 x,y = x + y,x y f : R R f x,y,z = xy,x,y f : R R f x,y,z = x + y + z,y z,x

Plus en détail

CHAPITRE 2 SUITES RÉELLES ET COMPLEXES

CHAPITRE 2 SUITES RÉELLES ET COMPLEXES CHAPITRE SUITES RÉELLES ET COMPLEXES Les suites sont un objet fondamental à la fois en mathématiques et dans l application des mathématiques aux autres sciences. Nous verrons dans ce cours et les travaux

Plus en détail

C) Fiche : Espaces vectoriels.

C) Fiche : Espaces vectoriels. C) Fiche : Espaces vectoriels. 1) Définition d'un espace vectoriel. K= I ou est le corps des scalaires. E est un K-espace I vectoriel si et seulement si : C'est un ensemble non vide muni de deux opérations,

Plus en détail

TOPOLOGIE DE LA DROITE REELLE

TOPOLOGIE DE LA DROITE REELLE TOPOLOGIE DE LA DROITE REELLE P. Pansu 16 mai 2005 1 Qu est-ce que la topologie? C est l étude des propriétés des objets qui sont conservées par déformation continue. Belle phrase, mais qui nécessite d

Plus en détail

Algèbre Linéaire. Victor Lambert. 24 septembre 2014

Algèbre Linéaire. Victor Lambert. 24 septembre 2014 Algèbre Linéaire Victor Lambert 24 septembre 2014 Table des matières 1 Généralités 2 1.1 Espaces vectoriels............................ 2 1.2 Applications linéaires.......................... 4 1.3 Familles

Plus en détail

Rappels sur les applications linéaires

Rappels sur les applications linéaires Rappels sur les applications linéaires 1 Définition d une application linéaire Définition 1 Soient E et F deux espaces vectoriels sur un même corps K et f une application de E dans F Dire que f est linéaire

Plus en détail

LES ROTATIONS DE R 3 : VERSION MATRICIELLE

LES ROTATIONS DE R 3 : VERSION MATRICIELLE LES ROTATIONS DE R : VERSION MATRICIELLE. L espace R n Les structures dont R n est muni appartiennent à quatre niveaux : Structure vectorielle: Vecteur. Combinaison linéaire. Familles libres et liées.

Plus en détail

Exo7. Formes quadratiques. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr

Exo7. Formes quadratiques. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr Exo Formes quadratiques Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

Plus en détail

Mathématiques pour la Mécanique

Mathématiques pour la Mécanique Daniel Choï 1 LMNO Groupe Mécanique Modélisation Mathématique et Numérique Université de Caen, Bld Maréchal Juin, 14032 Caen Cedex, France Version Novembre 2008 1 choi@meca.unicaen.fr Avertissement Ce

Plus en détail

Énoncés des exercices

Énoncés des exercices Énoncés Énoncés des exercices Exercice 1 [ Indication ] [ Correction ] Soit f un endomorphisme de E, commutant avec tous les endomorphismes de E. Montrer que f est de la forme λid, avec λ IK. Exercice

Plus en détail

Les Mathématiques pour l Agrégation. C. Antonini J.-F. Quint P. Borgnat J. Bérard E. Lebeau E. Souche A. Chateau O. Teytaud

Les Mathématiques pour l Agrégation. C. Antonini J.-F. Quint P. Borgnat J. Bérard E. Lebeau E. Souche A. Chateau O. Teytaud Les Mathématiques pour l Agrégation C. Antonini J.-F. Quint P. Borgnat J. Bérard E. Lebeau E. Souche A. Chateau O. Teytaud 24 avril 2002 Table des matières 1 Algèbre linéaire 2 1.1 Généralités...............................

Plus en détail

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M Topologie 1 Espaces métriques 1.1 Distance Dans toute cette partie E représente un ensemble qui n est pas forcément un espace vectoriel. Définition

Plus en détail

EMLyon 2011 - Corrigé

EMLyon 2011 - Corrigé EMLyon - Corrigé Partie I. Soit X une variable aléatoire suivant la loi E() ; une densité de X est : f(x) = { si x < e x si x et E(X) = et V (X) =.. (a) Soit n N ; n E(S n ) = E(X k ) = n par linéarité

Plus en détail

Université Joseph Fourier, Grenoble. Déterminants. Luc Rozoy, Bernard Ycart

Université Joseph Fourier, Grenoble. Déterminants. Luc Rozoy, Bernard Ycart Université Joseph Fourier, Grenoble Maths en Ligne Déterminants Luc Rozoy, Bernard Ycart Les déterminants sont un outil indispensable de l algèbre linéaire, que vous avez déjà rencontré en dimensions 2

Plus en détail

Problèmes de Mathématiques Noyaux et images itérés

Problèmes de Mathématiques Noyaux et images itérés Énoncé Soit E un espace vectoriel sur IK (IK = IR ou lc). Soit f un endomorphisme de E. On pose f 0 = Id E, et pour tout entier k 1, f k = f f k 1. 1. Montrer que (Im f k ) k 0 et (Ker f k ) k 0 forment

Plus en détail

et Transversalité par Pierre Vogel

et Transversalité par Pierre Vogel Université Paris 7 Denis Diderot Institut de Mathématiques de Jussieu Géométrie des Variétés et Transversalité par Pierre Vogel Introduction Ce cours est destiné à l étude des variétés différentiables

Plus en détail

Espaces vectoriels et applications linéaires

Espaces vectoriels et applications linéaires Espaces vectoriels et applications linéaires Exercice 1 On considère l'ensemble E des matrices carrées d'ordre 3 défini par,,, 1) Montrer que est un sous-espace vectoriel de l'espace vectoriel des matrices

Plus en détail

Fiche n 1: Groupe, sous-groupe, ordre

Fiche n 1: Groupe, sous-groupe, ordre Université Lille 1 Algèbre 2010/11 M51.MIMP Fiche n 1: Groupe, sous-groupe, ordre Exercice 1 On considère sur R la loi de composition définie par x y = x + y xy. Cette loi est-elle associative, commutative?

Plus en détail