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

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 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 Espaces Vectoriels Applications linéaires 4 3 Représentation matricielle 9 4 Diagonalisation 5 5 Décompositions matricielles 3 Espaces Vectoriels Corrigé ex. : Espaces définis par paramètres On considère les deux ensembles suivants : E = {(a, b, b a) a, b R} E = {(c, c + d, d) c, d R} -) Montrons que E est stable par addition et par multiplication par un scalaire. Si x = (a, b, b a) et x = (a, b, b a ) alors on a x + x = (a, b, b a) + (a, b, b a ) = (a + a, b + b, b a + b a ) = (a + a, (b + b ), (b + b ) (a + a )) = (A, B, B A) avec A = a + a et B = b + b. Le vecteur x + x est bien de la forme voulue et appartient donc à E. Pour la multiplication par un scalaire, calculons λx : avec A = λa et B = λb. λx = λ(a, b, b a) = (λa, λb, λ(b a)) = (λa, λb, λb λa) = (A, B, B A)

2 On procède de manière analogue pour l ensemble E. Ce sont donc des sousespaces vectoriels de R 3. -) Soit x = (x, x, x 3 ) E. On va trouver l équation vérifiée par x, x et x 3 en éliminant les paramètres a et b entre les équations : d où On a x = a x = b x 3 = b a x 3 = b a = /x x x x + x 3 = Il s agit d un plan passant par l origine. Dans le cas de E, on obtient de façon analogue : x x + x 3 = -3) L intersection E E est une droite vérifiant les deux équations précédentes : { x x + x 3 = x x + x 3 = qui conduisent à x = x 3 et x =. C est la droite passant par l origine et de vecteur directeur (,, ). Corrigé ex. : Espaces définis par équations linéaires Dans R 3, on considère les sous-ensembles suivants : P = {(x, x, x 3 ) x x + x 3 = } D = {(x, x, x 3 ) x + x + x 3 = et x x 3 = } -) Pour montrer que P et D sont des sous-espaces vectoriels de R 3, il suffit de monter qu ils sont stables par addition et par multiplication par un scalaire. Si x = (x, x, x 3 ) et x respectivement les équations = (x, x, x 3) sont des vecteurs de P, ils vérifient { x x + x 3 = x x + x 3 = En additionnant les deux lignes, on voit que leur somme vérifie elle aussi l équation et donc x + x P. De même, on montre que le vecteur λx vérifie l équation en la multipliant par λ. On procède de manière analogue pour D. -) P est un plan car il est défini par une seule équation dans R 3. Il est donc de dimension et il suffit de trouver deux vecteurs indépendants vérifiant son équation pour former une base. Par exemple, les deux vecteurs suivants : (,, ) et (,, ). On peut aussi raisonner au moyen d applications linéaires. P est l ensemble des vecteurs qui annulent la fonction f de R 3 dans R définie par f(x, x, x 3 ) = x x + x 3

3 On a donc P = Kerf. L espace image est R qui est de dimension, donc par le théorème des dimensions on obtient : dim Ker f = dim E dim Im f = 3 = ce qui confirme que le noyau est un plan. L espace D est de dimension car il est défini par l annulation de deux équations linéaires indépendantes, d où : dim D = 3 = Un vecteur directeur de cette droite est un vecteur qui vérifie les deux équations définissant D : { x + x + x 3 = x x 3 = On en déduit x = x 3 et x = x 3. Un vecteur directeur possible est donc (,, ). Corrigé ex. 3 : Rang d une famille de vecteurs Le rang de la famille des trois vecteurs a = (, m, m) b = (m,, m) c = (m, m, ) est aussi le rang de la matrice m m M = m m m m Son déterminant vaut det M = m 3 3m + = (m ) (m + ) Si m est différent de et de -/, le déterminant n est pas nul et la matrice est donc de rang maximal 3. Si m = /, la matrice sera de rang. On note que, dans ce cas, la somme des trois lignes de la matrice est nulle mais que les deux premières sont indépendantes, ce qui est une autre façon de voir que le rang est. Enfin, si m =, les trois lignes de la matrice sont identiques, ce qui signifie qu elle est de rang. Corrigé ex. 4 : Sous-espace dépendant d un paramètre F m est le sous-espace vectoriel de R 3 défini par F m = {(x, x, x 3 ) x x 3 = et m x + 3x 3 = } Les deux équations sont indépendantes si et seulement si les deux lignes de la matrice ( ) M = m 3 3

4 sont indépendantes, ce qui a lieu lorsque le déterminant est non nul. On calcule : det M = 3 + m. Si m 3/, les deux équations sont indépendantes et ne peuvent être vérifiées simultanément que si x = x 3 =. L espace F m est alors l ensemble des vecteurs de la forme (x,, ), c est-à-dire l axe des x qui a pour vecteur directeur (,, ). Si m = 3/, l ensemble F m est le plan d équation x x 3 =. Il est donc de dimension. Pour constituer une base, il suffit de prendre deux vecteurs indépendants vérifiant cette équation. Par exemple, les vecteurs (,, ) et (,, ). Corrigé ex. 5 : Base d un sous-espace Dans R 4, si on a les égalités x = x = x 3 = x 4, tout vecteur s écrit x = (x, x, x 3, x 4 ) = (x, x, x, x ) = x (,,, ) Le sous-espace est donc l ensemble des multiples du vecteur (,,, ). Il est donc de dimension : c est la droite passant par l origine et de vecteur directeur (,,, ). Applications linéaires Corrigé ex. 6 : Dimensions des espaces de départ et d arrivée Si f est une application linéaire de R 3 dans R, l espace de départ est de dimension strictement plus grande que l espace d arrivée. On en déduit que :. f ne peut pas être injective car, si c était le cas, l espace de départ serait injecté dans l espace d arrivée. Ce dernier devrait donc être de dimension au moins 3.. f pourrait être surjective. 3. f ne peut pas être bijective. Pour cela, il faudrait déjà que les deux espaces aient la même dimension. Si f est une application linéaire de R dans R 3, l espace de départ est de dimension strictement plus petite que l espace d arrivée. On en déduit que. f pourrait être injective.. f ne peut pas être surjective car l espace image sera au mieux de dimension et ne pourra donc jamais remplir l espace d arrivée. 3. f ne peut pas être bijective. Pour cela, il faudrait déjà que les deux espaces aient la même dimension. Enfin, si f est une application linéaire de R dans R, elle peut tout à fait être injective, surjective ou bijective. Les espaces de départ et d arrivée ayant même dimension, on peut même dire que si elle est injective elle sera automatiquement surjective, et vice-versa. 4

5 Corrigé ex. 7 : Noyau et image en fonction d un paramètre u est l endomorphisme de R 3 défini par u x x = x + x + x 3 x + λx + λx 3 x 3 x + λx Pour déterminer son noyau, on pose les équations suivantes : x + x + x 3 = x + λx + λx 3 = x + λx = Par soustraction des deux dernières équations, on obtient λx 3 =. Supposons que λ. On en déduit que x 3 =, ce qui conduit à { x + x = x + λx = Si λ, ces deux équations sont indépendantes et donnent x = et x =. On trouve alors que le noyau ne contient que le vecteur nul. Si au contraire λ =, il reste l équation x + x = (et toujours x 3 = ). Le noyau est alors la droite passant par l origine et de vecteur directeur (,, ). Il reste à examiner le cas où λ =. Le système initial se ramène alors simplement à : x + x + x 3 = x = Le noyau est cette fois la droite de vecteur directeur (,, ). Déterminons maintenant l image dans les trois cas précédents. Si λ et λ, le noyau est réduit à et l application est donc injective. Il en résulte qu elle est aussi surjective puisque l espace de départ et l espace d arrivée ont même dimension. L espace image est donc l espace d arrivée R 3 tout entier. Le rang est 3. Si λ =, l image de l application est définie par X = x + x + x 3 Y = x + x + x 3 Z = x + x où X, Y et Z sont les coordonnées dans l espace d arrivée. On voit ici que X = Y, autrement dit que X Y =. C est l équation d un plan dans R 3. Une base possible est formée des vecteurs (,, ) et (,, ). Le rang est. Si λ =, l image de l application est définie par X = x + x + x 3 Y = x Z = x On voit que Y = Z, autrement dit que Y Z =. C est l équation d un plan dans R 3. Une base possible est formée des vecteurs (,, ) et (,, ). Le rang est. 5

6 Corrigé ex. 8 : Matrice de permutation Soit u l application de R 3 dans R 3 définie par x x 3 u x x 3 = x x 8-) u est linéaire car elle est définie par des combinaisons linéaires des variables x, x et x 3. 8-) La matrice associée à u dans la base canonique est M = C est une matrice de permutation. L application u opère une permutation circulaire des variables x, x et x ) On calcule M = M 3 = On voit donc que M 3 = I, ce qui peut s écrire MM = M M = I et montre que M est l inverse de M. On a donc M = M. 8-4) Calculons les puissances successives de la matrice M. Puisque M 3 = I, on a M 4 = M, M 5 = M, M 6 = I, etc. De même, puisque M = M, on calcule M = M 4 = M, et ensuite M 3 = I, M 4 = M, M 5 = M, M 6 = I, etc. Corrigé ex. 9 : Base d un noyau On considère l application u de R 4 dans R définie par x ( u : x x 3 x + x + 3x 3 + x 4 x + x + 3x 3 + x 4 x 4 Il s agit de déterminer une base du noyau de cette application. Puisque les deux expressions sont indépendantes, l espace image sera de dimension. On en déduit que le noyau est de dimension 4 =. Il suffit donc de trouver deux vecteurs indépendants vérifiant les équations données. Si on soustrait les deux équations, on trouve : x + x = On peut prendre, par exemple, les vecteurs (,,, ) et (,,, 3). ) 6

7 Corrigé ex. : Application définie sur les vecteurs d une base f est l application linéaire de R dans R 3 définie par f(, ) = (4,, ) et f(, ) = (,, 6). -) Pour trouver les images par f des vecteurs de la base canonique de R, il suffit d exprimer ces vecteurs en fonction des vecteurs (, ) et (, ) dont on nous donne les images par f. On trouve facilement que e = (, ) = /((, )+(, )). D où, par linéarité, f(e ) = f(, ) = / ( f(, ) + f(, ) ) = / ( (4,, ) + (,, 6) ) = (3,, 3) De même, e = (, ) = /((, ) (, )) d où : f(e ) = f(, ) = / ( f(, ) f(, ) ) = / ( (4,, ) (,, 6) ) = (,, 3) -) L image par f d un vecteur quelconque de R s écrit f(x, x ) = f(x e + x e ) = x f(e ) + x f(e ) = x (3,, 3) + x (,, 3) = (3x + x, x + x, 3x 3x ) -3) Le noyau de f est défini par les équations 3x + x = x + x = 3x 3x = qui donnent x = x =. Le noyau est donc réduit au vecteur et l application f est injective. Par le théorème des dimensions, on en déduit que l image est de dimension = L application n est donc pas surjective (puisque < 3). Par élimination entre les équations suivantes on obtient la relation : y = 3x + x y = x + x y 3 = 3x 3x 3y 6y y 3 = C est l équation de l image. Il s agit d un plan dans l espace d arrivée R 3. Le rang de f est la dimension de l espace image, c est-à-dire. 7

8 -4) La droite de R d équation x + x a pour vecteur directeur (, ). Son image est donc la droite de vecteur directeur f(, ) = (,, 6). C est un sousespace vectoriel de dimension de R 3. -5) Dans l équation du plan y + y + y 3 =, on remplace y, y, y 3 par leurs valeurs en fonction de x, x, x 3. On obtient donc et par conséquent (3x + x ) + (x + x ) + (3x 3x ) = 7x x = C est l équation d une droite passant par l origine dans R. C est donc un sous-espace vectoriel de dimension de R. Corrigé ex. : Noyau et image sans calculs f(x, x, x 3, x 4 ) = ( ) x x + x 3 x + x x 4 -) L application f est linéaire car les deux expressions qui définissent le vecteur image sont homogènes de degré (linéaires). -) L application f n est pas injective car la dimension de l espace départ est strictement supérieure à la dimension de l espace d arrivée. -3) Pour déterminer le noyau de f, on doit résoudre les équations x x + x 3 = x + x x 4 = On peut facilement exprimer toutes les variables en fonction de x et x comme ceci : x x x x 3 = x x + x = x + x x 4 x + x Les deux vecteurs V = et V = sont indépendants et constituent une base du noyau. Celui-ci est donc un sous-espace de dimension deux (un plan) dans R 4. -4) On vérifie facilement que f(v ) = et donc que le vecteur V appartient au noyau de f. Pour trouver les coordonnées de V dans la base (V, V ) trouvée à la question précédente, il faut déterminer λ et λ tels que : V = λ V + λ V On trouve λ = et λ =, donc V = V + V. -5) Le théorème des dimensions stipule que, pour toute application linéaire f : E F, on a Dim Ker(f) + Dim Im(f) = Dim E où E est l espace de départ. Puisque la dimension du noyau est et que la dimension de l espace de départ est 4, on en déduit que la dimension de l image est. L image est donc l espace d arrivée tout entier. 8

9 3 Représentation matricielle Corrigé ex. : Images de la base canonique On considère l endomorphisme u de R 3 défini par les relations : u( e ) = e + e + e 3 u( e ) = e + e u( e 3 ) = u( e ) u( e ) La dernière relation conduit, par substitution, à u( e 3 ) = e + e + e 3 Les images des vecteurs de base ont respectivement pour coordonnées (,, ), (,, ) et (,, ). La matrice de l application dans la base canonique est donc M = On voit immédiatement que les deux premières lignes de cette matrice sont identiques tandis que la troisième est indépendante. La matrice est donc de rang. Le noyau est défini par les équations { x + x + x 3 = x + x + x 3 = On en tire x = x 3 puis x = x 3. C est la droite passant par l origine et de vecteur directeur (,, ). Le noyau est de dimension. L image est l ensemble des vecteurs vérifiant y = x + x + x 3 y = x + x + x 3 y 3 = x + x 3 ce qui conduit à y = y et y 3 quelconque. L image est donc un plan et a pour dimension. Le théorème des dimensions se vérifie puisque la somme de la dimension du noyau et de celle de l image est égale à celle de l espace lui-même : + = 3. Enfin l endomorphisme u n est ni injectif (noyau non réduit à ), ni surjectif (image différente de l espace d arrivée). Corrigé ex. 3 : Composition d applications On considère les fonctions f : (x, y) (3x + y, y) et g : (x, y) (y, x) de R dans R. 3-) On calcule f g(x, y) = f ( g(x, y) ) = f(y, x) = (3y + x, x) 9

10 De même on trouve g f(x, y) = g ( f(x, y) ) = g(3x + y, y) = (y, 6x + y) Ces deux applications sont bien linéaires puisqu elles sont définies par des combinaisons linéaires des variables. 3-) Les matrices représentant les applications f, g, f g et g f dans la base canonique sont respectivement : M f = ( ) 3 M g = ( ) M f g = ( ) 3 M g f = On vérifie facilement les relations M f g = M f M g et M g f = M g M f. ( ) 6 Corrigé ex. 4 : Matrice dans des bases données On considère l application u : R 4 R 3 définie par les relations suivantes dans les bases canoniques B 4 = { e, e, e 3, e 4 } et B 3 = { f, f, f 3 } : u( e ) = f f u( e ) = f + f 3 u( e 3 ) = f + f + f 3 u( e 4 ) = f + f + 3 f 3 4-) La matrice associée à u dans ces bases est faite en colonnes des images des vecteurs de la base de départ, exprimées dans la base d arrivée. On obtient donc à partir des relations précédentes : M = 3 C est une matrice ) On montre facilement que les lignes de cette matrice sont indépendantes (le bloc des trois premières colonnes, par exemple, est de déterminant non nul). Le rang de u (qui est aussi le rang de la matrice) est donc ) Les coordonnées de l image d un vecteur x = (x, x, x 3, x 4 ) s obtiennent en multipliant la matrice M par le vecteur x (en colonne) : u(x) = Mx = x x x 3 3 = x + x 3 + x 4 x + x + x 3 + x 4 x x + x 3 + 3x 4 4 Corrigé ex. 5 : Changement de base La matrice M =

11 représente un endomorphisme u de R 3 dans une base B = { e, e, e 3 }. 5-) Les vecteurs e, e et e 3 sont définis dans la base canonique au moyen des relations suivantes : e = e + e + e 3 e = e + e 3 e 3 = e 3 Ils ont donc respectivement pour coordonnées (,, ), (,, ) et (,, ) dans la base canonique. Leurs images (toujours dans la base canonique) sont obtenues en les multipliant à gauche par la matrice M. On trouve f(e ) = Me = f(e ) = Me = f(e 3) = Me 3 = On constate donc les relations suivantes f(e ) =, f(e ) = e et f(e 3) = e 3. La matrice M associée à u dans la base B est faite en colonnes des images des vecteurs de B exprimées elles aussi dans la base B. On a donc : M = 5-) La matrice M étant diagonale, on obtient : (M ) n = n On en déduit M n en faisant le changement de base en sens inverse. La matrice de passage P de la base B à la base B est P = La relation de changement de base est M = P MP. Par conséquent M = P M P et donc M n = P (M ) n P. On calcule P =

12 et on trouve, tous calculs faits, que M n = n n Corrigé ex. 6 : Indépendance dans l image On considère l application linéaire h de R 3 dans R 3 définie par f : (a, b, c) (a + b, b + c, a c). 6-) Calculons les images des vecteurs de base : f(e ) = f(,, ) = (,, ) f(e ) = f(,, ) = (,, ) f(e 3 ) = f(,, ) = (,, ) 6-) Cherchons une relation de dépendance entre les vecteurs f(e ), f(e ), f(e 3 ). Cela revient à chercher trois coefficients a, a, a 3 non tous nuls tels que : On a donc : D où les équations : a f(e ) + a f(e ) + a 3 f(e 3 ) = a (,, ) + a (,, ) + a 3 (,, ) a + a = a + a 3 = a a 3 = qui donnent a = a = a 3 et donc, par exemple, a =, a = et a 3 =. La combinaison recherchée est finalement : f(e ) = f(e ) + f(e 3 ) 6-3) Les vecteurs f(e ), f(e ), f(e 3 ) sont liés mais ils sont deux à deux indépendants : l application f est donc de rang. 6-4) Par le théorème des dimensions, on en déduit que le noyau de f est de dimension 3 =. En posant que f(x) =, on obtient les mêmes expressions que précédemment : a + b = b + c = a c = Les éléments du noyau sont donc de la forme (a, a, a). Ce sont tous les multiples de (,, ). Le noyau est ainsi la droite passant par l origine et de vecteur directeur (,, ).

13 6-5) Si f est une application linéaire de R p dans R q et que les vecteurs f(e ),..., f(e p ) forment un système linéairement indépendant dans l image f(r p ), on a Par conséquent dim Im f = p dim Ker f = p p = ce qui montre que f est injective. La réciproque est vraie : si f est injective, les vecteurs f(e ),..., f(e p ) sont linéairement indépendants. Ils constituent une base de f(r p ). Remarque : f(r p ) n est pas forcément R q tout entier (il faudrait en plus que p = q). Corrigé ex. 7 : Systèmes dégénérés Dans le système d équations linéaires : x + 3x x 3 = mx + 3x 3 = x + x 3 = le déterminant est égal à (m 3). Si m 3, le système a une solution unique qui est (,, ). On aura donc des solutions autres que (,, ) seulement si m = 3. Cela signifie que le noyau de l application linéaire associée u : x x x 3 x + 3x x 3 mx + 3x 3 x + x 3 n est pas réduit à l élément et, par conséquent, que l application n est pas injective. Corrigé ex. 8 : Matrices par blocs où A et C sont des blocs carrés. M = ( ) A B C ( 8-) ) Cherchons l inverse M sous la forme d une matrice par blocs M = E F. Il faut que M M G H = I et M M = I. En développant ces deux égalités, on obtient les équations suivantes : AE + BG = I EA = I AF + BH = EB + F C = CG = GA = CH = I HC = I Les deux dernières relations imposent que C soit inversible. Dans ce cas, la relation CG = impose que G =. Les deux premières relations imposent alors que AE = EA = I, c est-à-dire que A soit inversible. 3

14 8-) Sous la condition que A et C sont inversibles, on peut alors résoudre les équations précédentes pour obtenir l inverse de M. On trouve facilement : E = A F = A BC et donc finalement M = G = H = C ( ) A A BC C. On vérifie a posteriori que M M = M M = I. Corrigé ex. 9 : Bloc identité ( ) A On a M = et on souhaite trouver un inverse de la même forme, c est-àdire M =. I B ( ) C I D Il faut que M M = I et M M = I. En développant la première égalité, on obtient les équations suivantes : AC = I C + B = BD = I La deuxième égalité donne de même : CA = I A + D = DB = I Puisque les blocs sont tous carrés par hypothèse, les produits obtenus ne sont possibles que si ils ont tous la même taille. C est une première condition. Les relations AC = CA = I signifient que A doit être inversible et alors on a C = A. De la même manière, B doit être inversible et on a D = B. La condition A + D = enfin impose que A = B. 4

15 4 Diagonalisation Corrigé ex. : Valeurs et vecteurs propres Modèle de résolution Prenons, à titre d exemple, la matrice 4. On commence par calculer son polynôme caractéristique : P (λ) = det λ 4 λ λ = λ 3 + 6λ λ + 6 = (λ )(λ )(λ 3) Il y a donc trois valeurs propres : λ =, λ = et λ 3 = 3. Les vecteurs propres associés X sont solution de l équation (A λi)x = pour chacune des valeurs propres respectivement. Valeur propre λ : on pose le système (A I)X =, ce qui donne x + x + x 3 = x + 3x x 3 = x + x x 3 = En faisant la différence entre la deuxième et la troisième équation, on obtient x =, ce qui donne ensuite x 3 = x. On peut donc choisir comme vecteur propre V = (ou n importe quel multiple de ce vecteur). Valeur propre λ : le système (A I)X = s écrit x + x + x 3 = x + x x 3 = x + x x 3 = La première équation donne x 3 =, cequi conduit ensuite à x = x. On peut donc choisir comme vecteur propre V =. Valeur propre λ 3 : le système (A 3I)X = s écrit x + x + x 3 = x + x x 3 = x + x 3x 3 = 5

16 La première équation donne x = x 3. En reportant dans la deuxième, on obtient alors x = x 3. On peut donc choisir comme vecteur propre V 3 =. Finalement, la matrice de passage est la matrice formée en colonne des vecteurs propres : P = et la matrice diagonalisée comporte les valeurs propres sur la diagonale : D = 3 La relation entre A, P et D est : Solution de tous les exemples D = P A P Pour tous les exemples de cet exercice, on donne le polynôme caractéristique et les valeurs propres. Lorsque la matrice est diagonalisable, on indique aussi la matrice de passage et la matrice diagonale, sinon on indique seulement les vecteurs propres. ( ) Matrice Polynôme caractéristique : P (λ) = λ 4 λ + 3 = (λ ) (λ 3). Valeurs propres : λ =, λ( = 3. ) Matrice de passage : P =. ( ) Matrice diagonale : D =. 3 ( ) 6/5 8/5 Matrice 8/5 6/5 Polynôme caractéristique : P (λ) = λ 4 = (λ ) (λ + ). Valeurs propres : λ =, λ( =. ) Matrice de passage : P =. ( ) Matrice diagonale : D =. ( ) Matrice Polynôme caractéristique : P (λ) = λ λ +. Valeurs propres : λ = ( i, λ = ) + i. Matrice de passage : P =. ( i i ) i Matrice diagonale : D =. + i 6

17 Matrice ( ) Polynôme caractéristique : P (λ) = λ 4 λ + 5. Valeurs propres : λ = ( i, λ = ) + i. Matrice de passage : P =. ( i i ) i Matrice diagonale : D =. + i Matrice 4 Polynôme caractéristique : P (λ) = λ 3 +6 λ λ+6 = (λ ) (λ ) (λ 3). Valeurs propres : λ =, λ =, λ 3 = 3. Matrice de passage : P =. Matrice diagonale : D =. 3 Matrice 4 3 /3 3 Polynôme caractéristique : P (λ) = λ 3 λ + 5 λ 3 = (λ ) (λ + 3). Valeurs propres : λ = 3 simple, λ = double. La valeur propre simple λ = 3 a pour vecteur propre V =. 4/3 La valeur propre double λ = ne possède qu un seul vecteur propre V =. /3 La matrice n est donc pas diagonalisable Matrice 3 Polynôme caractéristique : P (λ) = λ 3 + λ + λ = (λ ) (λ + ). Valeurs propres : λ = double, λ = simple. Matrice de passage : P = 3. Matrice diagonale : D =. 7

18 3 Matrice Polynôme caractéristique : P (λ) = λ 3 +5 λ 7 λ+8 = (λ 6) (λ 3). Valeurs propres : λ = 3 simple, λ = 6 double. La valeur propre simple λ = 3 a pour vecteur propre V = La valeur propre double λ = 6 ne possède qu un vecteur propre V =. La matrice n est donc pas diagonalisable. 3 Matrice Polynôme caractéristique : P (λ) = λ 3 + λ + 8 λ = (λ ) (λ + 3). Valeurs propres : λ = 3 simple, λ = double. 5 La valeur propre simple λ = 3 a pour vecteur propre V = 6. 5 La valeur propre double λ = ne possède qu un vecteur propre V =. La matrice n est donc pas diagonalisable. 4/3 /3 /3 Matrice /3 /3 /3 Polynôme caractéristique : P (λ) = λ 3 3 λ λ = λ (λ + ) (λ + ). Valeurs propres : λ =, λ =, λ 3 =. Matrice de passage : P =. Matrice diagonale : D = Matrice Polynôme caractéristique : P (λ) = λ 4 λ λ 5 λ+4 = (λ ) (λ ) (λ 3) (λ 4). Valeurs propres : λ =, λ =, λ 3 = 3, λ 4 = 4. Matrice de passage : P =. 8

19 Matrice diagonale : D = 3 4 Matrice Polynôme caractéristique : P (λ) = λ 4 4 λ λ = λ (λ ). Valeurs propres : λ = double, λ = double. Matrice de passage : P =. Matrice diagonale : D =. Corrigé ex. : Matrice paramétrique ( ) m m On considère la matrice A = où m est un paramètre réel. m -) Pour que A ait une valeur propre nulle, il faut et il suffit que son déterminant soit nul (puisque le déterminant est le produit des valeurs propres). On calcule : det(a) = (m ) m = m 5m + 4 = (m )(m 4). Cela se produit donc lorsque m = ou m = 4. On détermine la seconde valeur propre en utilisant la trace de la matrice. On a : Tr(A) = m 4 = λ + λ = + λ. { si m = Par conséquent, λ = m 4 = 4 si m = 4 -) Le vecteur propre V correspondant à la valeur propre doit vérifier l équation AV = V =. ( ) Dans le cas où m =, l équation AV = a pour solution le vecteur V =. ( ) Dans le cas où m = 4, l équation AV = a pour solution le vecteur V =. 9

20 Corrigé ex. : Trace et déterminant M = -) Si on additionne les colonnes de la matrice M, on trouve le vecteur. Or additionner les colonnes, revient à multiplier la matrice à droite par le vecteur. On a donc la relation : M = =. Cela signifie que le vecteur est un vecteur propre de valeur propre λ =. -) On note λ, λ et λ 3 les valeurs propres de M. La trace de la matrice est : Tr(A) = + = = λ + λ + λ 3 = + λ + λ 3. On en déduit que λ + λ 3 =. -3) Le déterminant de la matrice est : det(a) = 4 = λ λ λ 3 = λ λ 3. On en déduit que λ λ 3 = 7. -4) Des deux questions précédentes, on déduit que λ = 7 et λ 3 = 7. Corrigé ex. 3 : Matrices symétriques les matrices symétriques possèdent les propriétés suivantes : toute matrice symétrique est diagonalisable ; les valeurs propres sont toujours réelles (autrement dit, jamais complexes) et les vecteurs propres de même ; des vecteurs propres correspondant à des valeurs propres distinctes sont orthogonaux entre eux ; on peut choisir les vecteurs propres de manière à former une base orthonormée (c est-à-dire constituée de vecteurs unitaires orthogonaux entre eux).

21 Pour tous les exemples de cet exercice, on donne le polynôme caractéristique, les valeurs propres, la matrice de passage P et la matrice diagonale D. La matrice de passage est formée en colonnes de vecteurs orthonormés : cela en fait une matrice dite orthogonale qui vérifie la propriété P = t P. ( ) Matrice Polynôme caractéristique : P (λ) = λ 4 = (λ ) (λ + ). Valeurs propres : λ =, λ =. Matrice de passage : P =. ( ) Matrice diagonale : D =. ( ) 3 Matrice 3 Polynôme caractéristique : P (λ) = λ 6 λ + 5 = (λ ) (λ 5). Valeurs propres : λ =, λ = 5. Matrice de passage : P =. ( ) Matrice diagonale : D =. 5 ( ) 3 6 Matrice 6 Polynôme caractéristique : P (λ) = λ λ 5. Valeurs propres : λ =, λ = 5. 5 Matrice de passage : P = 5. ( ) 5 Matrice diagonale : D =. 5 Matrice / / / / Polynôme caractéristique : P (λ) = λ λ = λ (λ 3) (λ + 3). Valeurs propres : λ = 3, λ = 3, λ 3 =. 3 6 Matrice de passage : P =

22 3 Matrice diagonale : D = 3. 8 Matrice 8 5 Polynôme caractéristique : P (λ) = λ 3 + λ 35 λ+43 = (λ 9) (λ 3). Valeurs propres : λ = 3 simple, λ = 9 double Matrice de passage : P = Matrice diagonale : D = Matrice Polynôme caractéristique : P (λ) = λ λ + = (λ ) (λ + ). Valeurs propres : λ = simple, λ = double. 6 3 Matrice de passage : P = Matrice diagonale : D =. Matrice Polynôme caractéristique : P (λ) = λ 3 +3 λ +λ 3 = (λ ) (λ + ) (λ 3). Valeurs propres : λ =, λ =, λ 3 = Matrice de passage : P = Matrice diagonale : D =. 3

23 5 Décompositions matricielles Corrigé ex. 4 : Décomposition en valeurs singulières Définitions et propriétés On considère une matrice A de taille m n (donc pas nécessairement carrée) et on note r son rang. On a donc r min(m, n). Il est facile de vérifier que la matrice t A A est carrée de taille n n et symétrique de rang r. Puisqu elle est symétrique, elle est diagonalisable et ses valeurs propres sont réelles. On montre que ses valeurs propres sont même positives ou nulles. Traditionnellement, les valeurs propres non nulles de t A A sont notées σ, σ,..., σ r et sont rangées dans l ordre décroissant, comme ceci : σ σ σ r >. Les nombres σ, σ,..., σ r sont appelés les valeurs singulières de la matrice A. Autrement dit, les valeurs singulières de A sont les racines carrées des valeurs propres non nulles de t A A. Il y a r valeurs singulières (compte-tenu de l ordre de multiplicité) et, puisque t A A est de taille n, la valeur propre est de multiplicité n r. On montre qu il est possible de trouver des matrices orthogonales U et V telles que la matrice A s écrive sous la forme du produit A = V Σ t U () où Σ est une matrice de la même taille que la matrice A ayant les valeurs singulières sur sa diagonale et des partout ailleurs. La matrice Σ est dite parfois pseudo-diagonale. Elle a la forme suivante : σ... Σ = σ r.... Le produit matriciel de la relation () implique que la matrice V est carrée de taille m, la matrice U est carrée de taille n. La matrice Σ est de taille m n comme A. Puisque U et V sont orthogonales, on peut inversement exprimer Σ en fonction de A par la relation suivante : Σ = t V A U () La relation () s appelle décomposition en valeurs singulières de la matrice A. Cette décomposition est toujours possible mais n est pas unique. Il est cependant facile de déterminer des matrices orthogonales U et V. Il se trouve en effet qu on peut prendre pour la matrice U la matrice des vecteurs propres singuliers, c est-à-dire la matrice 3

24 de passage dans la diagonalisation de la matrice symétrique t A A. Si on appelle U, U,...,U n ces vecteurs propres, on définit alors r vecteurs V, V,...,V r en posant V i = σ i A U i pour i r. Si r < m, on complète ensuite les V i obtenus afin de former une base orthonormée. Les V i constituent les colonnes de la matrice V. Modèle de résolution ( ) 3 À titre d exemple, prenons la matrice A =. 3 On commence par calculer la matrice M = t A A : M = t A A = = 4 4 Le polynôme caractéristique de M est : P (λ) = λ 3 + λ λ = (λ ) (λ ) λ Les valeurs propres sont donc λ =, λ = et λ 3 =. Les valeurs singulières sont les racines carrées des valeurs propres non nulles, donc σ = et σ =. La matrice Σ sera la matrice pseudo-diagonale de même taille que A : ( ) Σ = La diagonalisation de la matrice M = t A A conduit aux vecteurs propres suivants (qui forment une base orthonormée) : 6 U = U = 5 U 3 = On obtient donc la matrice orthogonale U : U = Il ne reste plus qu à calculer les vecteurs V et V par la formule V i = σ i A U i. On trouve : V = A U = ( ) 6 3 σ 3 6 = 6 4

25 puis V = A U = ( ) 3 5 σ 3 5 = Les vecteurs V et V constituent les colonnes de la matrice V : V = On peut vérifier a posteriori que le produit V Σ t U redonne bien la matrice A de départ : 6 6 ( ) 6 V Σ t U = ( ) = ( ) 3 =. 3 Solution de tous les exemples Matrice ( 3 ) 3 V = Σ = U =

26 Matrice 6 3 V = Σ = U = ( ) Matrice V = 6 Σ = 3 6 U = / 3/ Matrice 3/ 3/ 3/ + 3/ V = Σ = U = 6

27 Corrigé ex. 5 : Décomposition LU Modèle de résolution 4 Prenons, à titre d exemple, la matrice A = On doit trouver une matrice triangulaire inférieure L et une matrice triangulaire supérieure U dont le produit est égal à la matrice donnée. La condition nécessaire et suffisante pour que cette décomposition soit possible est que les mineurs principaux nord-ouest (situés en haut à gauche de la matrice) soient non nuls. Si de plus le déterminant de la matrice elle-même est non nul alors la décomposition est unique. On vérifie ici que : det() = ( ) 4 det = det = On applique une méthode du pivot qui construira la matrice U et on remplit au fur et à mesure les éléments de la matrice L. Au départ la matrice L est égale à.... Première étape On prend la première ligne comme ligne pivot et on cherche à faire apparaître des dans la première colonne sous le terme pivot (ici ). On fait pour cela des combinaisons linéaires avec la ligne pivot L. On remplace la deuxième ligne L par L 3L. On obtient la matrice : Le coefficient a a = 3 (qui a servi à faire la combinaison) devient le terme d indice (, ) de la matrice L. De même, on remplace la troisième ligne L 3 par L 3 + L. On obtient maintenant la matrice : 4 A = 3 Le coefficient a 3 a = (qui a servi à faire la combinaison) devient le terme d indice (3, ) de la matrice L. 7

28 À ce stade, la matrice L est égale à 3.. Deuxième étape La première ligne et la première colonne ont été traitées. On recommence maintenant la même procédure sur le sous-bloc suivant : 4 3 ( ) 3 Dans ce sous-bloc, la première ligne va servir de ligne pivot et il faut faire apparaître un dans la première colonne sous le terme pivot. Pour cela, on remplace la troisième ligne L 3 de la matrice A par L 3 + L et on obtient maintenant la matrice : 4 A = 3 Le coefficient a 3 a = (qui a servi à faire la combinaison) devient le terme d indice (3, ) de la matrice L. À ce stade, la matrice L est égale à 3. La procédure est complète. La matrice A obtenue est triangulaire supérieure : c est la matrice U recherchée. On peut vérifier effectivement que : = Solution de tous les exemples 5-) Tous les exemples de cette question peuvent être factorisés. On donne cidessous les deux matrices triangulaires L et U dont le produit L U est égal à la matrice initiale. ( ) 3 Matrice L = ( ) U = ( ) 3 4 8

29 Matrice ( ) ( ) b c Matrice a b a c + b L = ( ) U = ( ) Matrice L = 4 Matrice Matrice ( ) a 4 3 Matrice U = ( ) b c b 3 4 L = U = L = 3 U = 4 3 L = 5 4 U = L = 3 U =

30 Matrice L = U = ) La matrice A = 4 5 ne vérifie pas le critère indiqué précédemment 3 concernant les mineurs ( principaux ) nord-ouest. En effet, le déterminant du mineur de taille est nul : det =. 4 Cette matrice n admet donc pas de décomposition LU. On transpose les lignes et les colonnes d indices et 3. On obtient alors la matrice suivante : 3 A = La matrice A vérifie le critère. En appliquant l algorithme, on obtient : L = U = La matrice qui effectue la permutation des lignes et colonnes d indices et 3 est : P = On a donc la relation A = P L U. Corrigé ex. 6 : Décomposition de Cholesky Toutes les matrices de cet exercice sont des matrices symétriques définies positives. On peut le vérifier en calculant leurs mineurs principaux nord-ouest qui sont tous strictement positifs. Par exemple, dans le cas de la matrice A = 8, on vérifie que 4 3

31 det() = > ( ) det = 4 > 8 det 8 = 36 > 4 On peut donc rechercher une décomposition de Cholesky, c est-à-dire une matrice triangulaire inférieure L telle que la matrice A s écrive sous la forme A = L t L. Modèle de résolution Prenons, à titre d exemple, la matrice A A = 8 précédente. 4 Si on écrit la matrice A donnée et la matrice L recherchée sous forme de matrices par blocs, elles ont la forme suivante : ( ) ( ) α B λ A = L = a A l L où α et λ sont des nombres, a et l sont des vecteurs colonnes et A et L sont des sous-blocs carrés. On effectue le produit L t L et on l identifie avec A. On obtient les relations suivantes : α = λ On en déduit que a = λ l A = l t l + L t L λ = α l = a /λ A l t l = L t L Les deux premières égalités permettent de calculer la première colonne de L et la troisième signifie qu il suffit de calculer la quantité A l t l (qui est un bloc de taille ) et de lui appliquer à nouveau la même procédure. On a donc ici : λ = = et d autre part : A l t l = l = a / = = ( ) 8 4 ( ) 8 4 ( ( ) ) ( ) ( 4 ) = ( )

32 On a pour l instant trouvé la première colonne de la matrice L. On arrive à la matrice suivante : ( ) 4 4 On recommence la procédure avec la sous-matrice de taille encadrée :. 4 3 Cette fois on obtient : { λ = 4 = l = a / = 4/ = A l t l = 3 = 9. On arrive à la matrice suivante : 9 On termine en appliquant à nouveau la procédure au sous-bloc de taille encadré : Finalement la matrice recherchée est λ = 9 = 3. L = 3 On peut vérifier facilement que L t L = = 8 = A Solution de tous les exemples Pour tous les exemples de l exercice, on indique ci-dessous la matrice triangulaire inférieure L telle que le produit L t L soit égal à la matrice donnée. ( ) Matrice ( ) L = Matrice ( ) 5 L = ( ) 3

33 Matrice ( 4 ) 6 6 ( ) a Matrice a a + ( ) a a Matrice a a Matrice 8 4 Matrice Matrice L = L = ( ) 3 ( ) a ( ) a L = a a L = 3 L = 4 L = 3 Matrice L =

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

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

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 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

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

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

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

Applications linéaires

Applications linéaires Applications linéaires I) Applications linéaires - Généralités 1.1) Introduction L'idée d'application linéaire est intimement liée à celle d'espace vectoriel. Elle traduit la stabilité par combinaison

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

IV.1 Dual d un espace vectoriel... 77

IV.1 Dual d un espace vectoriel... 77 76 IV FORMES LINÉAIRES, DUALITÉ IV Formes linéaires, dualité Sommaire IV.1 Dual d un espace vectoriel.......... 77 IV.1.a Rappels sur les e.v................... 77 IV.1.b Rappels sur les applications linéaires........

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

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

Cours de mathématiques - Alternance Gea

Cours de mathématiques - Alternance Gea Cours de mathématiques - Alternance Gea Anne Fredet 11 décembre 005 1 Calcul matriciel Une matrice n m est un tableau de nombres à n lignes( et m colonnes. 1 0 Par exemple, avec n = et m =, on peut considérer

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

Exercices Corrigés Premières notions sur les espaces vectoriels

Exercices 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 détail

Analyse des données et algèbre linéaire

Analyse des données et algèbre linéaire Analyse des données et algèbre linéaire Fondamentaux pour le Big Data c Télécom ParisTech 1/15 Machine-Learning : Une donnée x i = un ensemble de features (caractères) d un individu i x i = (x i,1,...,

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

Chapitre 4. Adjoints Opérateurs auto-adjoints et isométries

Chapitre 4. Adjoints Opérateurs auto-adjoints et isométries Chapitre 4 Adjoints Opérateurs auto-adjoints et isométries I. Adjoint : Cas général d une forme { bilinéaire symétrique sesquilinéaire hermitienne On suppose dans tout I que E est un espace vectoriel de

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

Applications Bilinéaires et Formes Quadratiques

Applications Bilinéaires et Formes Quadratiques 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

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

Mathématiques appliquées à l informatique

Mathématiques appliquées à l informatique Mathématiques appliquées à l informatique Jean-Etienne Poirrier 15 décembre 2005 Table des matières 1 Matrices 3 1.1 Définition......................................... 3 1.2 Les différents types de matrices.............................

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

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

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

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

Formulaire de maths Algèbre linéaire et multilinéaire

Formulaire de maths Algèbre linéaire et multilinéaire Formulaire de maths Algèbre linéaire et multilinéaire Nom Formule Espaces vectoriels Famille libre On dit que la famille est libre si Famille liée On dit que la famille est liée si Théorème de la base

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

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls.

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls. Diagonalisation des matrices http://www.math-info.univ-paris5.fr/~ycart/mc2/node2.html Sous-sections Matrices diagonales Valeurs propres et vecteurs propres Polynôme caractéristique Exemples Illustration

Plus en détail

X-ENS PSI - 2009 Un corrigé

X-ENS PSI - 2009 Un corrigé X-ENS PSI - 009 Un corrigé Première partie.. Des calculs élémentaires donnent χ A(α) = χ B(α) = X X + et χ A(α)+B(α) = X X + 4α + 4 On en déduit que Sp(A(α)) = Sp(B(α)) = {j, j } où j = e iπ 3 Sp(A(α)

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

1 Notion d espace vectoriel

1 Notion d espace vectoriel Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Résumé de cours sur les espaces vectoriels et les applications linéaires Les vecteurs du plan, les nombres réels, et les polynômes à coefficients

Plus en détail

Examen - septembre 2012. Question de cours Enoncer et démontrer l inégalité de Cauchy-Schwarz dans un espace euclidien. Quel est le cas d égalité?

Examen - septembre 2012. Question de cours Enoncer et démontrer l inégalité de Cauchy-Schwarz dans un espace euclidien. Quel est le cas d égalité? Université Paris Dauphine DEMIE e année Algèbre linéaire 3 Examen - septembre 01 Le sujet comporte pages. L épreuve dure heures. Les documents, calculatrices et téléphones portables sont interdits. Question

Plus en détail

Espaces vectoriels 2006-2007. Agrégation interne de Mathématiques Département de Mathématiques Université de La Rochelle F.

Espaces vectoriels 2006-2007. Agrégation interne de Mathématiques Département de Mathématiques Université de La Rochelle F. Agrégation interne de Mathématiques Département de Mathématiques Université de La Rochelle 2006-2007 Espaces vectoriels Convention 1. Dans toute la suite, k désignera un corps quelconque. Définition 2.

Plus en détail

Feuille d exercices n 14 : corrigé

Feuille d exercices n 14 : corrigé Feuille d exercices n 4 : corrigé PTSI B Lycée Eiffel avril 3 Exercice (*) Commençons déjà par constater que la fonction nulle vérifie toutes les conditions de l exercice, il nous restera donc à regarder

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

Université Joseph Fourier, Grenoble. Calcul matriciel. Bernard Ycart

Université Joseph Fourier, Grenoble. Calcul matriciel. Bernard Ycart Université Joseph Fourier, Grenoble Maths en Ligne Calcul matriciel Bernard Ycart Ce chapitre est essentiellement technique et ne requiert pas d autre connaissance théorique que celle des espaces vectoriels

Plus en détail

Séance de soutien PCSI2 numéro 10 : Espaces vectoriels et applications linéaires

Séance de soutien PCSI2 numéro 10 : Espaces vectoriels et applications linéaires Séance de soutien PCSI2 numéro 10 : Espaces vectoriels et applications linéaires Tatiana Labopin-Richard Mercredi 18 mars 2015 L algèbre linéaire est une très grosse partie du programme de Maths. Il est

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

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

Actions de groupes. Exemples et applications

Actions de groupes. Exemples et applications 4 Actions de groupes. Exemples et applications G, ) est un groupe multiplicatif et on note ou G si nécessaire) l élément neutre. E est un ensemble non vide et S E) est le groupe des permutations de E.

Plus en détail

Applications linéaires

Applications linéaires Chapitre IV Applications linéaires Révisions Définition. Soient E, deux espaces vectoriels sur le même corps commutatif est dite linéaire si quels que soient x, y E et λ,. Une application f : E f x y f

Plus en détail

APPLICATIONS LINÉAIRES

APPLICATIONS LINÉAIRES 21-10- 2007 J.F.C. A.L. p. 1 APPLICATIONS LINÉAIRES I GÉNÉRALITÉS 1. Définition et vocabulaire 2. Conséquences de la définition 3. Caractérisation II OPÉRATIONS SUR LES APPLICATION LINÉAIRES 1. Somme,

Plus en détail

Algèbre 2, Cours de deuxième année de l Université de Bordeaux. Jean-Jacques Ruch 1

Algèbre 2, Cours de deuxième année de l Université de Bordeaux. Jean-Jacques Ruch 1 Algèbre 2, Cours de deuxième année de l Université de Bordeaux 1 1 Institut de Mathématiques Bordeaux, UMR 5251 du CNRS, Université de Bordeaux, 351 cours de la Libération, F33405 Talence Cedex, France

Plus en détail

Mathématiques autour de la cryptographie.

Mathématiques autour de la cryptographie. Mathématiques autour de la cryptographie. Index Codage par division Codage série Code cyclique Code dual Code linéaire Corps de Galois Elément primitif m séquence Matrice génératrice Matrice de contrôle

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

Résolution de systèmes linéaires par des méthodes directes

Résolution 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 détail

Cours de mathématiques M22 Algèbre linéaire

Cours de mathématiques M22 Algèbre linéaire Cours de mathématiques M22 Algèbre linéaire λ u u + v u v u Exo7 Sommaire Systèmes linéaires 3 Introduction aux systèmes d équations linéaires 3 2 Théorie des systèmes linéaires 7 3 Résolution par la méthode

Plus en détail

ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE. Algèbre Linéaire. Bachelor 1ère année 2008-2009. Sections : Matériaux et Microtechnique

ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE. Algèbre Linéaire. Bachelor 1ère année 2008-2009. Sections : Matériaux et Microtechnique ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE Algèbre Linéaire Bachelor ère année 28-29 Sections : Matériaux et Microtechnique Support du cours de Dr Lara Thomas Polycopié élaboré par : Prof Eva Bayer Fluckiger

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

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul 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 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

Structures algébriques

Structures 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 détail

2 Opérateurs non bornés dans un espace de Hilbert

2 Opérateurs non bornés dans un espace de Hilbert 2 Opérateurs non bornés dans un espace de Hilbert 2. Opérateurs non bornés: définitions et propriétés élémentaires Soit H un espace de Hilbert et A un opérateur dans H, c est-à-dire, une application linéaire

Plus en détail

E3A PC 2009 Math A. questions de cours. t C). On véri e que

E3A PC 2009 Math A. questions de cours. t C). On véri e que E3A PC 29 Math A questions de cours. Soit C 2 M 3 (R) Analyse : Si C = S + A, S 2 S 3 (R) et A 2 A 3 (R) alors t C = t S + t A = S A d où S = 2 (C +t C) et A = 2 (C t C). L analyse assure l unicité (sous

Plus en détail

Les astuces de Maths. par Isabelle Blejean C OLLECTION LES MÉMENTOS DE L INSEEC MÉMENTO N 9

Les astuces de Maths. par Isabelle Blejean C OLLECTION LES MÉMENTOS DE L INSEEC MÉMENTO N 9 C OLLECTION LES MÉMENTOS DE L INSEEC CAHIERS MÉTHODOLOGIQUES POUR LES CLASSES PRÉPARATOIRES AUX GRANDES ÉCOLES DE COMMERCE Les astuces de Maths par Isabelle Blejean MÉMENTO N 9 Les Mémentos de l INSEEC

Plus en détail

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint 18 mars 2008 1 Généralités sur les opérateurs 1.1 Définitions Soient H et H deux espaces de Hilbert sur C. Définition 1.1

Plus en détail

1 Programme de Colles : Espaces vectoriels.

1 Programme de Colles : Espaces vectoriels. Lycée Louis le grand Année scolaire 2007/2008 Mathématiques Supérieure MPSI Semaine 12 11 mai 2009 1 Programme de Colles : Espaces vectoriels. On note K le corps R ou C. 1.1 Axiomes d espace vectoriel.

Plus en détail

Université Joseph Fourier, Grenoble. Espaces vectoriels. Bernard Ycart

Université Joseph Fourier, Grenoble. Espaces vectoriels. Bernard Ycart Université Joseph Fourier, Grenoble Maths en Ligne Espaces vectoriels Bernard Ycart Vous devez vous habituer à penser en termes de «vecteurs» dans un sens très général : polynômes, matrices, suites, fonctions,

Plus en détail

-1 Goupes, Anneaux, Corps, Algèbres. Qu est-ce? 5 1 Groupes... 5 2 Anneaux... 5 3 Corps... 6 4 Algèbre... 6

-1 Goupes, Anneaux, Corps, Algèbres. Qu est-ce? 5 1 Groupes... 5 2 Anneaux... 5 3 Corps... 6 4 Algèbre... 6 Table des matières -1 Goupes, Anneaux, Corps, Algèbres. Qu est-ce? 5 1 Groupes.......................................... 5 2 Anneaux.......................................... 5 3 Corps...........................................

Plus en détail

Université Paris 6 Année universitaire 2011-2012 Cours Groupes finis et leurs représentations Corrigé de l examen terminal du 21 mai 2012.

Université Paris 6 Année universitaire 2011-2012 Cours Groupes finis et leurs représentations Corrigé de l examen terminal du 21 mai 2012. Université Paris 6 Année universitaire 011-01 Cours Groupes finis et leurs représentations Corrigé de l examen terminal du 1 mai 01 Exercice 1 Questions de cours Soit G un groupe fini et soit p un nombre

Plus en détail

PC* Devoir 6: Corrigé 2011 2012. Partie I : Généralités

PC* Devoir 6: Corrigé 2011 2012. Partie I : Généralités PC* Devoir 6: Corrigé 20 202 Partie I : Généralités I.A - Questions préliminaires a b c I.A.) M S M = b l m avec (a, b, c, l, m, t) R 6. c m t Les éléments de S sont les matrices de la forme : M = ae +

Plus en détail

Applications linéaires

Applications linéaires le 8 Février UTBM MT Arthur LANNUZEL http ://mathutbmal.free.fr Applications linéaires Exemples et définitions. Soit E et F, espaces vectoriels sur K = R ou C. On s intéresse aux applications qui conservent

Plus en détail

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

Plus en détail

Anneaux, algèbres. Chapitre 2. 2.1 Structures

Anneaux, algèbres. Chapitre 2. 2.1 Structures Chapitre 2 Anneaux, algèbres 2.1 Structures Un anneau est un ensemble A muni de deux opérations internes + et et d éléments 0 A et 1 A qui vérifient : associativité de l addition : commutativité de l addition

Plus en détail

Un 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

Un 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

Calcul différentiel sur R n Première partie

Calcul 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 détail

Cours 02 : Problème général de la programmation linéaire

Cours 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 détail

INTRODUCTION À LA THÉORIE DES GROUPES MAT 2600

INTRODUCTION À LA THÉORIE DES GROUPES MAT 2600 INTRODUCTION À LA THÉORIE DES GROUPES MAT 26 ABRAHAM BROER Références [1] M.A. Armstrong, Groups and symmetry, U.T.M., Springer-Verlag, New York, 1988. [2] J.D. Dixon, Problems in group theory, Dover reprint,

Plus en détail

MATHEMATIQUES Option Economique

MATHEMATIQUES Option Economique Concours EDHEC 9 Classes Préparatoires MATHEMATIQUES Option Economique La présentation, la lisibilité, l'orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront pour

Plus en détail

3.7 Somme, Somme directe, Sous-Espaces Supplémentaires... 27

3.7 Somme, Somme directe, Sous-Espaces Supplémentaires... 27 Table des matières 1 Calcul matriciel 3 11 Dénitions et propriétés 3 12 Opérations sur les matrices 4 121 Addition 4 122 Multiplication par un scalaire 5 123 Multiplication des matrices 5 13 Matrices élémentaires

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

Par contre, lorsque P est finie, l inclusion f(p ) P implique l égalité f(p ) = P car, f

Par contre, lorsque P est finie, l inclusion f(p ) P implique l égalité f(p ) = P car, f Université Lyon 1 Algèbre générale S.P. Groupes III I. Groupe symétrique et géométrie. On se donne un ensemble E (souvent un espace euclidien ou une partie de cet espace) et une bijection f : E E (souvent

Plus en détail

1. Montrer que B est une base de. 2. Donner la dimension de f ( 3 ), puis la dimension de Ker f, qu en conclure?

1. Montrer que B est une base de. 2. Donner la dimension de f ( 3 ), puis la dimension de Ker f, qu en conclure? Chapitre Applications linéaires Testez vos connaissances Pourquoi s intéresse-t-on au applications linéaires en économie? Qu est-ce qu un noyau, un rang et une image d une application linéaire? Donner

Plus en détail

HENRI ROUDIER ALGEBRE LINEAIRE COURS & EXERCICES CAPES &AGRÉGATION INTERNES & EXTERNES DEUXIÈME ÉDITION REVUE &.AUGMENTÉE VUIBERT

HENRI ROUDIER ALGEBRE LINEAIRE COURS & EXERCICES CAPES &AGRÉGATION INTERNES & EXTERNES DEUXIÈME ÉDITION REVUE &.AUGMENTÉE VUIBERT HENRI ROUDIER ALGEBRE LINEAIRE COURS & EXERCICES CAPES &AGRÉGATION INTERNES & EXTERNES DEUXIÈME ÉDITION REVUE &.AUGMENTÉE VUIBERT Table analytique des matières 1. La structure d'espace vectoriel 1. Espaces

Plus en détail

Table des matières. Applications linéaires.

Table des matières. Applications linéaires. Table des matières Introduction...2 I- s et exemples...3 1-...3 2- Exemples...4 II- Noyaux et images...5 1- Rappels : images directes et images réciproques...5 a- s...5 b- Quelques exemples...5 2- Ker

Plus en détail

ENONCE : Le chiffrement de Hill ( Niveau Terminale S spécialité)

ENONCE : Le chiffrement de Hill ( Niveau Terminale S spécialité) ENONCE : Le chiffrement de Hill ( Niveau Terminale S spécialité) Le mathématicien américain Lester Hill (1891-1961) a inventé une méthode de chiffrement à clé symétrique (secrète) par substitution polygraphique

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème 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 détail

133: endomorphismes remarquables d'un espace vectoriel euclidien de dimension nie

133: endomorphismes remarquables d'un espace vectoriel euclidien de dimension nie 133: endomorphismes remarquables d'un espace vectoriel euclidien de dimension nie Pierre Lissy March 8, 2010 On considère un espace vectoriel euclidien de dimension nie n, le produit scalaire sera noté

Plus en détail

Programme mat231, 2009 2010

Programme mat231, 2009 2010 Programme mat231, 2009 2010 (2 septembre 2009) Pierre Bérard Université Joseph Fourier Pierre.Berard@ujf-grenoble.fr Le programme de l ue mat231 a été recentré. Il portera cette année uniquement sur l

Plus en détail

Algèbre linéaire et géométrie pour le CAPES 1. Olivier DEBARRE. 1 Version très préliminaire

Algèbre linéaire et géométrie pour le CAPES 1. Olivier DEBARRE. 1 Version très préliminaire Algèbre linéaire et géométrie pour le CAPES 1 Olivier DEBARRE 1 Version très préliminaire Table des matières Chapitre 1. Espaces vectoriels et applications linéaires 5 1. Définitions 5 2. Applications

Plus en détail

19. APPLICATIONS LINÉAIRES

19. APPLICATIONS LINÉAIRES 19. APPLICATIONS LINÉAIRES 1 Dénitions générales. 1. 1 Applications linéaires. On dit qu'une application d'un espace vectoriel E dans un espace vectoriel F est linéaire si elle est compatible avec les

Plus en détail

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Chapitre 6 Méthodes de Krylov 611 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Dans le cas où la matrice A n est pas symétrique, comment peut-on retrouver une matrice de corrélation

Plus en détail

: 3 si x 2 [0; ] 0 sinon

: 3 si x 2 [0; ] 0 sinon Oral HEC 2007 Question de cours : Dé nition d un estimateur ; dé nitions du biais et du risque quadratique d un estimateur. On considère n (n > 2) variables aléatoires réelles indépendantes X 1,..., X

Plus en détail

Devoir à la maison : correction

Devoir à la maison : correction Calcul différentiel 2 Sous-variétés : bilan Devoir à la maison : correction Exercice 1. Un exemple de sous-variété : les structures complexes Soit E un R-espace vectoriel. Montrer que la donnée d une structure

Plus en détail

Université de Nantes Année 2009-2010 Faculté des Sciences et des Techniques Département de Mathématiques. Topologie et calculs différentiel Liste n 5

Université de Nantes Année 2009-2010 Faculté des Sciences et des Techniques Département de Mathématiques. Topologie et calculs différentiel Liste n 5 Université de Nantes Année 009-010 Faculté des Sciences et des Techniques Département de Mathématiques Topologie et calculs différentiel Liste n 5 Applications Différentiables Exercice 1. Soit f : R n

Plus en détail

Résumé de cours: Espaces vectoriels (Généralités) 1 Vocabulaire : 1.3 Régles de calcul : 1.1 Loi de composition interne :

Résumé de cours: Espaces vectoriels (Généralités) 1 Vocabulaire : 1.3 Régles de calcul : 1.1 Loi de composition interne : Résumé de cours : Espaces vectoriels Partie I : Généralités. : Source disponible sur : c Dans tout le chapitre K désigne un sous corps de C, et en général sauf mention du contraire, Q ou R ou bien C et

Plus en détail

Travaux dirigés avec SAGE (partie III)

Travaux dirigés avec SAGE (partie III) Math 3 Année 2010-2011 Sommaire 1 Vecteurs et matrices 2 1.1 Construction, opérations élémentaires............................. 2 1.1.1 Vecteurs.......................................... 2 1.1.2 Matrices..........................................

Plus en détail

NOTATIONS PRÉLIMINAIRES

NOTATIONS 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 détail

0 0 0 0 1 0 0 1 0 0 0 A = B =

0 0 0 0 1 0 0 1 0 0 0 A = B = 2 ALGÈBRE Exercice 2.1. Soit n un entier supérieur ou égal à 2 et A, B les deux matrices de M n (R) définies par : 0 0 0 0 1 0 0 0 0... 0 1 0 0 0 A =.......... B = 0 0... 0 0 0...... 0 0 0 1. Déterminer

Plus en détail

Université Joseph Fourier, Grenoble. Systèmes linéaires. Bernard Ycart

Université Joseph Fourier, Grenoble. Systèmes linéaires. Bernard Ycart Université Joseph Fourier, Grenoble Maths en Ligne Systèmes linéaires Bernard Ycart Si vous savez déjà résoudre un système linéaire par la méthode de Gauss, vous n apprendrez pas grand chose de neuf dans

Plus en détail

Espaces vectoriels. par Pierre Veuillez

Espaces vectoriels. par Pierre Veuillez Espaces vectoriels par Pierre Veuillez 1 Objectifs : Disposer d un lieu où les opérations + et se comportent bien. Déterminer des bases (utilisation de la dimension) Représenter les vecteurs grace à leurs

Plus en détail

Autour du cardinal d un ensemble de matrices binaires

Autour du cardinal d un ensemble de matrices binaires Autour du cardinal d un ensemble de matrices binaires Adrien REISNER 1 Abstract. We here study a couple of algebraic and analytic properties of certain binary matrices in the spaces M n(r). In particular,

Plus en détail

FICHE MÉTHODE POUR L ALGÈBRE LINÉAIRE EN L1

FICHE MÉTHODE POUR L ALGÈBRE LINÉAIRE EN L1 FICHE MÉTHODE POUR L ALGÈBRE LINÉAIRE EN L TABLE DES MATIÈRES. Déterminer si un ensemble est un sous espace vectoriel sur R ou non.. Une vérification essentielle.2. La stabilité par combinaisons linéaires

Plus en détail

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits.

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits. Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits 1 La qualité de la rédaction est un facteur important dans l appréciation

Plus en détail

Correction de l épreuve intermédiaire de mai 2009.

Correction de l épreuve intermédiaire de mai 2009. Licence de Gestion. 3ème Année Année universitaire 8-9 Optimisation Appliquée C. Léonard Correction de l épreuve intermédiaire de mai 9. Exercice 1 Avec les notations du cours démontrer que la solution

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

Plus en détail

ANALYSE MATRICIELLE ET ALGÈBRE LINÉAIRE APPLIQUÉE. - Notes de cours et de travaux dirigés - PHILIPPE MALBOS

ANALYSE MATRICIELLE ET ALGÈBRE LINÉAIRE APPLIQUÉE. - Notes de cours et de travaux dirigés - PHILIPPE MALBOS UNIVERSITÉ CLAUDE BERNARD LYON Licence Sciences, Technologies, Santé Enseignement de mathématiques des parcours Informatique ANALYSE MATRICIELLE ET ALGÈBRE LINÉAIRE APPLIQUÉE - Notes de cours et de travaux

Plus en détail

Fonctions de plusieurs variables

Fonctions 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 détail

en utilisant un point-virgule.

en utilisant un point-virgule. 6 Chapitre Chapitre 6. Géométrie analytique Ce chapitre présente les possibilités de votre calculatrice dans le domaine de la géométrie analytique, tout particulièrement pour les problèmes liés aux espaces

Plus en détail