Espaces euclidiens, orthogonalité, longueur. Moindres carrés.

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Espaces euclidiens, orthogonalité, longueur. Moindres carrés."

Transcription

1 Université Nice Sophia-Antipolis SL2SF Algèbre 2 Espaces euclidiens, orthogonalité, longueur. Moindres carrés. On travaille avec le corps des réels, noté R. Pour tout entier naturel n, on considère l ensemble des n-uplets de réels que l on désigne par R n : ainsi, un élément x de R n est une famille de réels (x 1, x 2,..., x n ). Noter que R 0 ne contient qu un élément, la famille vide, que l on note 0. L ensemble R 1 se ramène à R. On appelle souvent x un vecteur en référence à la structure d espace vectoriel sur R n. (Voir 10.1 pour la définition de cette structure). 7. Produit scalaire dans R n. Étant donnés deux vecteurs x et y de R n, on considère le nombre réel n x 1 y x n y n = x i y i que l on appelle produit scalaire de x et y et que l on note x y. On vérifie très facilement les propriétés suivantes : pour tous x, u, v, y de R n, pour tout λ scalaire réel, on a (1) Le produit scalaire est bilinéaire i=1 u + v y = u y + v y x u + v = x u + x v λ x y = λ x y x λ y = λ x y (2) Le produit scalaire est symétrique. x y = y x (3) Le produit scalaire est défini positif. x x 0 et x x = 0 = x = 0. La troisième propriété permet de définir la norme euclidienne d un vecteur (on peut dire aussi sa longueur) par la formule x := x x Cette même propriété montre que la norme d un vecteur est nulle si et seulement si le vecteur est nul. Pour tout λ réel on a : λ x = λ x Théorème (Inégalité de Cauchy-Schwarz). : Pour x et y vecteurs de R n on a x y x y avec égalité si et seulement si x et y sont colinéaires.

2 26 Démonstration. Considérons deux vecteurs x et y de R n. Si x est le vecteur nul, le théorème est vrai. Supposons donc x 0 et, pour λ réel, considérons la fonction ϕ : R R λ = λ x + y 2. En utilisant la bilinéarité et la symétrie du produit scalaire on trouve ϕ(λ) = λ x + y λ x + y = λ 2 x 2 + 2λ x y + y 2. Comme le produit scalaire est défini positif, la fonction ϕ est toujours positive ou nulle. Comme c est une fonction polynôme du second degré, son discriminant 4 x y 2 4 x 2 y 2 est négatif ou nul. On a donc x y 2 x 2 y 2 et l inégalité demandée. S il y a égalité, c est que le discriminant s annule. C est le seul cas où ϕ a une racine (double) λ 0. Dire que ϕ(λ 0 ) = 0, c est dire que λ 0 x + y 2 = 0, donc (produit scalaire défini positif) que le vecteur λ 0 x + y est nul, soit encore que y est proportionnel à x. Réciproquement, si x et y sont colinéaires et que x n est pas nul, il existe un λ 0 tel que le vecteur λ 0 x + y est nul. On a alors x y = x λ 0 x = λ 0 x 2 = x y Corollaire (Inégalité du triangle). Pour x et y vecteurs de R n, on a : x + y x + y avec égalité si et seulement si l un des vecteurs est nul ou si ils sont proportionnels avec un coefficient de proportionnalité positif. Démonstration. On calcule x + y 2 = x + y x + y = x x y + y 2. En utilisant l inégalité de Cauchy-Schwarz, on obtient que et donc la majoration x y x y x y x + y 2 x x y + y 2 = ( x + y ) 2 qui est celle recherchée. Pour avoir égalité il est nécessaire et suffisant que x y = x y. En particulier on est dans le cas où l inégalité de Cauchy-Schwarz est une égalité, les deux vecteurs sont donc colinéaires avec un coefficient de proportionnalité positif (voir la preuve de 7.1).

3 7.3. Commentaire. On remarque que les preuves de l inégalité de Cauchy-Schwarz et de ses conséquences utilisent seulement les trois propriétés énoncées d abord pour le produit scalaire : bilinéarité, symétrie et positivité et non la formule explicite qui définit le produit scalaire (le vérifier). Encouragé par ce constat, on va désormais appeler produit scalaire sur un espace vectoriel E sur le corps R toute application bilinéaire φ : E E R ( x, y) φ( x, y) qui est bilinéaire, symétrique et définie positive. Pour une telle application, il y un analogue de l inégalité de Cauchy-Schwarz et de ses conséquences. Par exemple, l inégalité de Cauchy-Schwarz pour φ s énonce ainsi : Pour x et y vecteurs de E on a φ( x, y) φ( x, x) φ( y, y) avec égalité si et seulement si x et y sont colinéaires. On définit également une norme associée à φ sur E : pour tout vecteur x de E, x φ := φ( x, x) (voir ici les énoncés généraux pour les produits scalaires 10.9, les normes et l inégalité du triangle 3) Exemples d espaces vectoriels euclidiens.. On peut considérer l exemple suivant d application : φ : R n R n R ( x, y) 2x 1 y 1 + x 2 y x n y n qui est un produit scalaire sur R n (le vérifier). Si n 2, on a φ((1, 1, 0,..., 0), (1, 1, 0,..., 0)) = 1, alors que le produit scalaire usuel de ces deux vecteurs est nul. Il y a donc, en général, plusieurs produits scalaires sur un même espace vectoriel réel. Sous-espaces vectoriels d un espace vectoriel réel. Si F est un sous-espace vectoriel d un espace vectoriel euclidien E (donc muni d un produit scalaire φ), la restriction de φ à F F induit un produit scalaire sur F. Autrement dit, pour calculer le produit scalaire de deux vecteurs de F, on calcule leur produit scalaire dans E. Dans la suite on considèrera donc un espace vectoriel E muni d un produit scalaire que nous noterons. L exemple privilégié, que l on doit garder en tête, est celui de R n muni du produit scalaire usuel. Polynômes orthogonaux. C est un autre exemple très important et très utilisé dans les applications. Voir Feuille 4, Exercice Orthogonalité 8.1. Définition. On dira que deux vecteurs x et y de R n sont orthogonaux si leur produit scalaire est nul. Remarquer que le vecteur nul est orthogonal à tout autre vecteur. Le calcul de x + y 2 ci-dessus (7.2) prouve le résultat suivant :

4 Théorème (Pythagore). Deux vecteurs x et y de R n sont orthogonaux si et seulement si x + y 2 = x 2 + y Théorème. Une famille libre de vecteurs de E qui sont tous non nuls et orthogonaux deux à deux est une famille libre. Démonstration. On rappelle qu une famille ( v 1, v 2,..., v d ) est libre si toute combinaison linéaire λ 1 v 1 + λ 2 v λ d v d qui donne le vecteur nul est la combinaison linéaire triviale : celle où tous les scalaires λ 1, λ 2,..., λ d sont nuls. Considérons donc des réels (λ 1, λ 2,..., λ d ) et la combinaison linéaire λ 1 v 1 + λ 2 v λ d v d = d λ i v i. Supposons que le résultat est le vecteur nul et faisons le produit scalaire par le vecteur v i pour i de 1 à d. On obtient, en utilisant la bilinéarité du produit scalaire 0 = v i λ 1 v 1 + λ 2 v λ d v d = λ 1 v i v λ d v i v d. Comme le vecteur v i est orthogonal à tous les autres, on en déduit 0 = v i λ 1 v 1 + λ 2 v λ d v d = λ i v i v i = λ i v i 2. i=1 Mais v i n est pas le vecteur nul, donc sa longueur n est pas nulle. C est donc que λ i = Définition. Une famille finie ( v 1, v 2,..., v d ) de vecteurs de E qui sont tous non nuls et orthogonaux deux à deux (et qui est donc libre d après le théorème) est appelée famille orthogonale. Si de plus les vecteurs de la famille sont tous de norme 1, on dit alors que la famille est orthonormée (on dit parfois orthonormale). On abrège base orthonormée en b.o.n Définition. On dira qu un vecteur v de E est orthogonal à une partie A de E s il est orthogonal à tous les vecteurs de A. On définit l orthogonal A comme l ensemble des vecteurs de E orthogonaux à A. Un vecteur v de E est dit orthogonal à A si y A v y = Lemme. On considère un espace vectoriel E et une partie A de E. Alors A est un sousespace vectoriel de E, même si A n en est pas un. L intersection A A contient au plus le vecteur nul. Si F est un sous-espace vectoriel de E, un vecteur v de E est orthogonal à F si et seulement s il est orthogonal à une partie génératrice de F (par exemple une base de F ). Démonstration. Exercice. 9. Algorithme de Gram-Schmidt C est l outil essentiel Théorème. On considère un espace vectoriel E et une famille libre ( v 1,..., v p ). Il existe une famille orthonormée ( e 1,..., e p ) de E telle que, pour tout j de 1 à p, Vect( v 1,..., v j ) = Vect( e 1,..., e j ). Voir la définition de sous-espace vectoriel et du symbole Vect( ) ici 10.3.

5 Démonstration. La preuve se fait par récurrence sur p. Pour p = 0, on ne fait rien. Considérons alors un entier p > 0 et une famille libre ( v 1,..., v p ). Par hypothèse de récurrence, on sait trouver une famille orthonormée ( e 1,..., e p 1 ) telle que, pour tout j de 1 à p 1, Vect( v 1,..., v j ) = Vect( e 1,..., e j ). On considère alors le vecteur Il a deux propriétés importantes p 1 ε p = v p e j v p e j. j=1 (1) Il est non nul. Sinon, v p serait combinaison linéaire de e 1,..., e p 1, donc dans Vect( e 1,..., e p 1 ) qui est égal, toujours par hypothèse de récurrence, à Vect( v 1,..., v p 1 ). On aurait donc v p combinaison linéaire de ( v 1,..., v p 1 ), ce qui est impossible puisque la famille ( v 1,..., v p ) est libre. (2) Il est orthogonal à e i pour i de 1 à p 1. En effet, on a p 1 e i ε p = e i v p e j v p e i e j j=1 et le produit scalaire e i e j vaut 0 si i j et 1 si i = j. On en conclut que e i ε p = 0 pour i de 1 à p 1. Pour terminer la construction de la famille orthonormée ( e 1,..., e p ), il suffit de prendre e p = 1 ε p ε p. Les conséquences du résultat précédent sont importantes. On considère un espace vectoriel euclidien E, c est-à-dire un espace vectoriel sur R muni d un produit scalaire euclidien et un sous-espace vectoriel F de dimension finie p dans E. (1) Bases orthonormées. Le sous-espace F, qui est de dimension finie, a au moins une b.o.n. (2) Projection orthogonale. Si x est un vecteur de E et ( e 1,... e p ) une b.o.n. de F, alors le vecteur p v := e j x e j j=1 est dans F et la différence x v est orthogonale à F. C est le seul vecteur qui a cette propriété. On appelle v la projection orthogonale de x sur F et on la note pr F ( x). On définit ainsi une application de E dans E qui est linéaire. Voir Feuille 5. Exercice 2. (3) Supplémentaire orthogonal. Si E est lui-même de dimension finie n et F un sousespace vectoriel de dimension p dans E, alors F est un sous-espace vectoriel de dimension finie n p et tout vecteur x de E se décompose de manière unique en x = pr F ( x) + pr F ( x). Autrement dit, si on connaît l une des deux projections orthogonales, on déduit l autre par différence. On appelle F le supplémentaire orthogonal de F dans E. 29

6 30 (4) Optimisation. À cause du théorème de Pythagore, la projection orthogonale sur F a la propriété caractéristique suivante : pour tout vecteur y de F, x pr F ( x) x y avec égalité seulement si y = pr F ( x). Autrement dit, la fonction y x y, définie sur F, a un minimum unique qui est atteint pour y = pr F ( x). Ceci est un moyen efficace de résoudre certains problèmes d optimisation qui se ramènent ainsi à un calcul de projection orthogonale. (5) Moindres carrés. Voir Feuille 5. Exercice 5.

7 Université Nice Sophia-Antipolis SL2SF Algèbre 2 Matrices symétriques réelles. 10. Calcul matriciel Application bilinéaire symétrique associée à une matrice symétrique. On considère une matrice symétrique A dans M n (R). On appelle B la base canonique (e 1,..., e n ) de R n. (1) À une telle matrice est associée une application linéaire f de Rn dans R n. Si x est un vecteur de R n, on note X la matrice colonne de ses coordonnées dans la base canonique B. Le produit de matrices AX est une matrice colonne qui est la matrice dans la base canonique B d un vecteur y de R n. Ce vecteur est l image de x par f. (2) À une telle matrice est associée une application bilinéaire symétrique de Rn R n dans R. On considère deux vecteurs x et y de R n de matrices respectives X et Y dans la base B. Le produit de matrices t Y A X est une matrice 1 1, c est-à-dire un réel. Remarquons que ce réel est le produit scalaire y f( x). On notera φ l application φ : R n R n R On note que, puisque A est symétrique, ( x, y) y f( x). t Y A X = t X t A Y = t XA Y. On a donc φ( x, y) = φ( y, x), soit encore y f( x) = f( y) x. Espace vectoriel euclidien E x y f : E E y = f( x) x y = y x y f( x) = f( x) y Dans la base B X Y A matrice carrée n n Y = AX t Y X = t XY t Y A X = t (AX)Y = t X t A Y 11. Formes bilinéaires symétriques Dans cette section on étudie les applications bilinéaires symétriques φ : E E R ( u, v) φ( u, v). où E est un espace vectoriel sur R. Comme l espace d arrivée est R on appelle une telle application forme bilinéaire symétrique Lemme. On considère une application bilinéaire φ comme ci-dessus qui est de plus positive, c est-à-dire v E φ( v, v) 0. L ensemble des vecteurs v de E tels que φ( v, v) = 0 est un sous-espace vectoriel de E. C est aussi le sous-ensemble { v E w E φ( v, w) = 0}

8 32 Démonstration. On considère un vecteur v tel que φ( v, v) = 0, un vecteur w de E et un scalaire réel λ. On calcule φ( v + λ w, v + λ w), positif ou nul par hypothèse, en utilisant la bilinéarité : 0 φ( v + λ w, v + λ w) = φ( v, v) + λ 2 φ( w, w) + 2λφ( v, w) = λ 2 φ( w, w) + 2λφ( v, w). On en déduit que la fonction λ λ 2 φ( w, w) + 2λφ( v, w) ne prend aucune valeur négative, ce qui n est possible que lorsque φ( v, w) = 0. On vérifie ensuite que l ensemble { v E w E φ( v, w) = 0} est un sous-espace vectoriel de E. C est une conséquence de la linéarité de φ par rapport à son premier argument. Remarque. En particulier, une forme bilinéaire positive φ est un produit scalaire si et seulement si l une des deux propriétés suivantes est satisfaite (1) l ensemble { v E φ( v, v) = 0} est réduit au vecteur nul. (2) le sous-espace vectoriel { v E w E φ( v, w) = 0} est réduit au vecteur nul Théorème. On considère un entier naturel n, un espace vectoriel euclidien E de dimension finie n et une forme bilinéaire symétrique φ sur E. Il existe une base orthonormée ( v 1,..., v n ) de vecteurs de E, et une famille de réels (λ 1,..., λ n ) telles que (1) Pour i de 1 à n, φ( v i, v i ) = λ i. (2) Pour i et j de 1 à n, i j, φ( v i, v j ) = 0. (3) Si v = n i=1 α i v i et w = n i=1 β i w i, alors En particulier, φ( v, w) = φ( v, v) = n λ i α i β i. i=1 n λ i (α i ) 2. L assertion (3) est équivalente aux deux premières, compte tenu de la bilinéarité de φ. i=1 Démonstration. La démonstration se fait par récurrence sur l entier n. Pour n = 0 il n y a rien à faire (une famille à 0 éléments est vide). On considère alors un entier n > 0, une forme bilinéaire symétrique φ sur un espace euclidien E de dimension n et on fait l hypothèse que le théorème est vrai pour toute forme bilinéaire symétrique sur un espace de dimension strictement inférieure à n. À l aide de φ, on construit une application h : R n R x h( x) := φ( x, x). La sphère unité de R n est un ensemble fermé et borné de R n, donc compact. La fonction h est continue parce que polynomiale. Un théorème important d analyse affirme que toute fonction continue sur un compact est bornée et atteint ses bornes sur ce compact. La fonction h est donc bornée sur la sphère unité et il existe un vecteur v 0 de norme 1, tel que tout vecteur v de norme 1 a une image h(v) majorée par h(v 0 ). On désigne h(v 0 ) par λ 0.

9 33 On considère alors l application ψ : R n R n R ( u, v) λ 0 u v φ( u, v). C est encore une forme bilinéaire symétrique parce que φ et le produit scalaire sont toutes deux des formes bilinéaires symétriques. D autre part, ψ est positive. En effet, si v est nul ψ(0, 0) = 0 et sinon ψ( v, v) = v 2 (λ 0 h( v v ) 0. puisque v est un vecteur de norme 1. v Le lemme 11.1 montre que (1) L ensemble des vecteurs v de E tels que h( v) = λ 0 v 2 est un sous-espace vectoriel F 0 de E, non reduit à 0 puisqu il contient v 0. (2) Un vecteur v est dans F 0 si et seulement si pour tout w de E, ψ(v, w) = 0. On a donc montré : v F 0 w E En particulier, si w est orthogonal à F 0, on voit que φ( w, v) = λ 0 w v v F 0 φ( w, v) = 0. Tout vecteur v de E se décompose de manière unique en v + v avec v F 0 et v F 0. On calcule φ( v, w) : φ( v, w) = φ( v + v, w + w ) = φ( v, w ) + φ( v, w ) + φ( v, w ) + φ( v, w ) = φ( v, w ) + φ( v, w ) = λ 0 v w + φ( v, w ). Il suffit donc de connaître la valeur de φ sur un couple de vecteurs de F0 pour connaître φ. Or F0 est un espace vectoriel euclidien de dimension strictement inférieure à n. On peut lui appliquer l hypothèse de récurrence : il existe une base orthonormée de F0 vérifiant les conclusions du théorème. En prenant une base orthormée de F 0 et en la concaténant avec celle obtenue pour F0, on obtient une base orthonormée de E vérifiant les conclusions du théorème Exemple. On considère la matrice symétrique ( ) 7 2 A :=. 2 4 On lui associe la forme bilinéaire symétrique φ : R 2 R 2 R ((u 1, u 2 ), (v 1, v 2 )) ( u 1 u 2 ) ( L application h est alors h : R 2 R ) ( ) v1 = 7u v 1 v 1 + 4u 2 v 2 + 2u 1 v 2 + 2u 2 v 1. 2 (x 1, x 2 ) 7x x x 1 x 2.

10 34 Le cercle unité est l ensemble des vecteurs de norme 1, autrement dit l ensemble des vecteurs (cos θ, sin θ) pour θ réel. Pour trouver le maximum de h sur le cercle, on étudie la fonction R R θ h(cos θ, sin θ) = 7 cos 2 θ + 4 sin 2 θ + 4 sin θ cos θ = cos 2θ sin 2θ. 2 La dérivée vaut 3 sin 2θ + 4 cos 2θ et s annule si et seulement si tan 2θ = 4 soit encore tan θ = ou tan θ = 2. On vérifie que la deuxième valeur correspond à un maximum pour h. Le vecteur u = ( 2 1, ) 5 5 est de norme 1 et rend la fonction h maximum. On trouve φ( u, u) = h( u) = 8. Le vecteur v = ( 1, 2 ) 5 5 est de norme 1 et rend la fonction h minimum. On trouve φ( v, v) = h( v) = 3. La famille ( u, v) est orthonormée et on a φ( u, v) = 0. On vérifie également les relations : f( u) = 8 u et f( v) = 3 v Exemple. On considère dans R n, muni de son produit scalaire usuel, une famille de vecteurs ( w 1,..., w d ) et on veut résoudre le problème suivant : Quelle est la droite vectorielle qui est la plus proche de la famille ( w 1,..., w d )? On quantifie la question de la manière suivante : Trouver une droite vectorielle de R n telle que la somme suivante soit minimale d Σ( ) := w i pr ( w i ) 2. j=1 La différence w i pr ( w i ) est orthogonale à par définition de la projection orthogonale. Le théorème de Pythagore montre alors la relation : d Σ( ) := w j 2 pr ( w j ) 2. Considérons un vecteur unitaire u qui dirige. La somme Σ s écrit : d d Σ( ) := w j 2 w j u 2 j=1 j=1 La somme Σ( ) est une différence de deux termes. Le premier terme est indépendant de et ne dépend que de la famille de vecteurs. Le deuxième d j=1 w j u 2 est une forme quadratique associée à la forme bilinéaire symétrique d φ( u, v) = w j u w j v j=1 Dans les notations du théorème, il s agit de trouver le maximum de la fonction h( u) = φ( u, u) lorsque u est de norme 1 pour en déduire le minimum de Σ( ). C est donc exactement le problème étudié dans la preuve du théorème. j=1

11 Cet exemple est très utilisé en statistiques (analyse de données) ou en mécanique (axes principaux de rotation d un solide). 12. Réduction des matrices symétriques réelles On considère un entier n et une matrice symétrique réelle A. On considère la forme bilinéaire symétrique φ associée (voir 10.1). On veut calculer une base orthonormée ( v 1,..., v n ) et la famille de réels (λ 1,..., λ n ) dont le théorème 11.2 affirme l existence. Ces deux familles ont les propriétés suivantes (1) Pour i de 1 à n, v i f( v i ) = φ( v i, v i ) = λ i. (2) Pour i et j de 1 à n, i j, v j f( v i ) = φ( v i, v j ) = 0. Considérons le vecteur f( v i ) : on connait son produit scalaire avec tous les vecteurs de la base orthonormée ( v 1,..., v n ). Il vaut donc λ i v i, autrement dit : v i est un vecteur non nul du noyau de f λ i Id Définition. On appelle valeur propre de f un réel λ tel que le noyau ker(f λid) n est pas réduit au vecteur nul. Un vecteur non nul de ker(f λid) est appelé vecteur propre associé à la valeur propre λ. Lorsque λ est une valeur propre de f, le sous-espace vectoriel ker(f λid) est le sous-espace propre de f associé à la valeur propre λ. Il s agit donc de calculer les valeurs propres et les vecteurs propres de f à partir de la matrice A de f. On désigne par I n la matrice identité n n Théorème. On considère un réel λ et une application linéaire f : R n R n de matrice A dans la base B. Les propriétés suivantes sont équivalentes (1) Le noyau ker(f λid) n est pas réduit au vecteur nul (λ est valeur propre de f). (2) Le rang de la matrice A λi n est strictement inférieur à n. (3) det(a λi n ) = 0. La preuve est une application directe des propriétés du rang et du déterminant Exemple. On reprend l exemple On considère la matrice symétrique ( ) 7 2 A :=. 2 4 et le déterminant det(a λi 2 ) qui vaut λ 2 11λ Les valeurs propres sont les racines de ce polynôme du second degré, 8 et 3. Les vecteurs propres associés à la valeur propre 8 sont éléments du noyau de f 8Id, c est-à-dire les solutions du système linéaire sans second membre de matrice A 8I 2 v 1 + 2v 2 = 0 2v 1 4v 2 = 0. Les deux équations sont proportionnelles et le système est de rang 1 (est-ce surprenant?). L ensemble des solutions est une droite vectorielle dirigée par le vecteur (2, 1). Un vecteur directeur de norme 1 est u := (2/ 5, 1/ 5). On opère de même pour la valeur propre 3 pour trouver un vecteur propre de norme 1 associé v := (1/ 5, 2/ 5). On constate que la famille ( u, v) est orthonormée. 35

12 Théorème. On considère une matrice symétrique A et l application linéaire associée f : R n R n. Deux vecteurs propres u et v de f, associés à des valeurs propres différentes λ et µ sont orthogonaux. Démonstration. On considère le produit scalaire u f( v). Comme v est un vecteur propre associé à la valeur propre µ on a u f( v) = u µ v = µ u v. Comme A est symétrique on a aussi u f( v) = f( u) v et comme u est un vecteur propre associé à la valeur propre λ on a f( u) v = λ u v = λ u v. Au final, on obtient (λ µ) u v = 0 qui implique u v = 0 puisque λ µ Théorème (Matrices orthogonales). On considère un entier n et une matrice P de M n (R). Les propriétés suivantes sont équivalentes : 1. t P P = I n (on dit que P est orthogonale). 2. La famille des vecteurs colonnes de P est orthonormée. 3. P t P = I n 4. La famille des vecteurs lignes de P est orthonormée. On considère l application linéaire g qui a pour matrice P dans la base canonique B de R n. Les propriétés suivantes sont équivalentes aux 4 précédentes : 5. Pour toute b.o.n. ( v 1,..., v n ) de R n, la famille des images (g( v 1 ),..., g( v n )) est orthonormée. 6. Il existe une b.o.n. ( v 1,..., v n ) de R n telle que la famille des images (g( v 1 ),..., g( v n )) est orthonormée. Démonstration. L équivalence entre les 2 premières propriétés est une conséquence des règles de calcul d un produit de matrices. Il en est de même pour l équivalence entre les propriétés 3 et 4. La propriété 5 implique clairement la 6. La propriété 2 signifie que 6 est vraie pour la base B. La propriété 3 signifie que t P est aussi orthogonale. Remarquons d abord qu une matrice orthogonale P est inversible. Notons ( v 1,..., v n ) la famille de ses vecteurs colonnes. C est une b.o.n. Désignons par R la matrice des coordonnées dans la base ( v 1,..., v n ) des vecteurs ( e 1,..., e n ) de la base canonique. On a P R = RP = I n (le vérifier). On en conclut que t P = R et que P t P = I n (propriété 3). Les 4 premières propriétés sont équivalentes. Montrons que la propriété 1 implique la propriété 5. On considère une famille orthonormée ( v 1,..., v n ) de vecteurs de R n. On désigne par Q la matrice des vecteurs ( v 1,..., v n ) dans la base B. Elle est donc orthogonale. La matrice produit P Q est la matrice des coordonnées de la famille (g( v 1 ),..., g( v n )). Calculons t (P Q)P Q = t Q t P P Q = t QQ = I n ce qui prouve que P Q est orthogonale, donc que la famille (g( v 1 ),..., g( v n )) est orthonormée. Montrons ensuite que la propriété 6 implique la propriété 1. Si la propriété 6 est vraie il existe une matrice orthogonale Q telle que P Q est orthogonale. On a alors I n = P Q t (P Q) = P Q t Q t P = P t P. Remarque La multiplication des matrices induit sur l ensemble des matrices n n orthogonales une structure de groupe. On note ce groupe O(n, R).

13 12.5. Théorème. On considère un entier n et une matrice symétrique réelle A de M n (R). Il existe une matrice orthogonale P telle que la matrice t P AP est diagonale. Démonstration. On considère une b.o.n ( v 1,..., v n ) obtenue à partir du théorème 11.2 et la matrice P des coordonnées des vecteurs ( v 1,..., v n ) dans la base canonique B. Désignons par V i la matrice colonne des coordonnées de v i dans B. Comme f( v i ) = λ i v i, on a AV i = λ i V i. Mais V i est aussi la i-ème colonne de P. En résumé AP = P D où D est la matrice diagonale Diag(λ 1,..., λ n ). On conclut en utilisant le fait que P 1 = t P. 37

14 Définitions, commentaires Espace vectoriel. On se donne un corps K et un ensemble E muni d une addition notée +. On dit que E a une structure d espace vectoriel sur K si (1) E est un groupe abélien pour la loi +. On note 0 l élément neutre de cette loi. (2) Il existe une action de K sur E (appelée multiplication par un scalaire). Pour tout élément λ de K, et tout vecteur x de E, λx est un élément de E. Cette multiplication a les propriétés suivantes pour x dans E on a 1x = x. pour α et β dans K, et x dans E on a (α + β)x = αx + βx. pour α et β dans K, et x dans E on a α(βx) = (αβ)x. (3) pour α dans K, x et y dans E, on a α(x + y) = αx + αy Sous-espace vectoriel. On considère un espace vectoriel E sur un corps K et un sousensemble F de E. On dit que F est un sous-espace vectoriel de E si F contient 0 et stable par combinaison linéaire Sous-espace vectoriel engendré. On considère un espace vectoriel E sur un corps K et une famille (v 1,..., v p ) de p vecteurs de E. Le sous-espace vectoriel engendré par la famille (v 1,..., v p ) est l ensemble de toutes les combinaisons linéaires : λ 1 v λ p v p pour λ 1,..., λ p scalaires de K. Vérifier que c est bien un sous-espace vectoriel de E. On le note Vect(v 1,..., v j ). On convient que la famille vide engendre le sous-espace réduit à Bases, dimension. On se donne un espace vectoriel E sur un corps K. Une famille B := (e i ) i I de vecteurs de E est une base de E si tout vecteur x de E se décompose de manière unique comme combinaison linéaire finie d éléments de B. Lorsque E, espace vectoriel sur K, peut être engendré par un ensemble fini, alors il possède une base finie et toutes ses bases ont le même nombre d éléments. Ce nombre est appelé dimension de E. Lorsque E n a aucune base finie, on dit que E est de dimension infinie. L espace vectoriel K[X] des polynômes à coefficients dans K est dans ce dernier cas. On considère E espace vectoriel de dimension finie n sur K, avec une base B := (e 1,..., e n ). Tout vecteur x de E a une décomposition unique n x = α 1 e 1 + α 2 e α n e n = α i e i. Par exemple, la seule façon d écrire le vecteur nul est de prendre tous les coefficients égaux à Théorème de la base incomplète : On se donne un espace vectoriel E sur un corps K et une famille libre de vecteurs de E. On peut compléter cette famille en une base de E Application linéaire. On travaille sur un corps K. On se donne deux espaces vectoriels E et F sur K et une application f : E F. On dit que f est K-linéaire (linéaire s il n y a pas d ambiguïté) si (1) f est compatible avec l addition : pour x et y vecteurs de E f(x + y) = f(x) + f(y). i=1

15 (2) f est compatible avec la multiplication par un scalaire : pour x vecteur de E et λ scalaire f(λx) = λf(x). On appelle noyau de f, l ensemble des solutions dans E de l équation f(x) = 0. On le note ker f : ker f := {x E f(x) = 0}. C est un sous-espace vectoriel de E. On appelle image de f et on note f(e), le sous-ensemble des vecteurs de F qui ont au moins un antécédent : C est un sous-espace vectoriel de E. f(e) := {y F x E, y = f(x)} Image inverse. On se donne une application f : E E. L image inverse d une partie G de F est l ensemble des antécédents des éléments de G, c est-à-dire f 1 (G) := {x E f(x) G}. On voit que f 1 (G) est une partie de E et non un élément. On considère alors E et F, espaces vectoriels sur K et f une application linéaire de E dans F. Lorsque G est réduit à l élément 0 de F, l image inverse f 1 (0) qui est alors le noyau de f, contient en général plus d un élément de E. On voit donc que écrire f 1 (0) ne suppose pas que f est bijective, ou que l application inverse de f existe Polynômes, racines. On considère un corps K et un polynôme P à coefficients dans K de degré d. Un tel polynôme a une écriture unique P (T ) = a d T d + a d 1 T d a 0 avec a d 0. On dit qu un scalaire λ de K est une racine de P si P (λ) = 0 dans K, autrement dit si P (λ) = a d λ d + a d 1 λ d a 0 = 0. Un théorème classique est le suivant : λ est racine de P si et seulement si T λ divise P (T ) dans K[T ]. On désigne par r un entier. On dit que λ est racine de multiplicité r de P si et seulement si (T λ) r divise P (T ) dans K[T ] et (T λ) r+1 ne divise pas P (T ) dans K[T ]. On dit qu un polynôme de K[T ] est scindé dans K[T ] s il est produit dans K[T ] de facteurs de degré 1. Le théorème de d Alembert-Gauss affirme que : un polynôme de degré d de C[T ] est scindé dans C[T ]. C est-à-dire : il existe des entiers m 1,..., m k tels que m m k = d et des complexes distincts deux à deux λ 1,..., λ k, racines de P de multiplicités respectives m 1,..., m k. On a donc P (T ) = a d k (T λ i ) m i. En particulier, un polynôme de degré non nul a au moins une racine complexe. i=1 39

16 Produit scalaire euclidien. On considère un espace vectoriel E sur le corps des réels R. et une application E E R (x, y) x y qui, pour mériter le nom de produit scalaire euclidien, doit vérifier les propriétés suivantes : pour tous x et y de E, pour tout λ scalaire réel, on a (1) Elle est bilinéaire x + x y = x y + x y x y + y = x y + x y λx y = λ x y x λy = λ x y (2) Elle est symétrique. (3) Elle est définie positive. x y = y x x x 0 et x x = 0 = x = Norme. On considère un espace vectoriel E sur R. Une application E R + x x est une norme si elle vérifie les axiomes suivants : (1) Homogénéité : pour λ scalaire et x vecteur, λx = λ x (2) Positivité stricte : pour x dans E, x 0 et x = 0 = x = 0. (3) Inégalité triangulaire : pour tous x et y vecteurs de E, x + y x + y. Un produit scalaire euclidien (voir 10.9) définit une norme, dite euclidienne. Pour x vecteur de E, on pose x := x x. Il existe cependant des normes qui ne proviennent pas d un produit scalaire : par exemple sur l espace vectoriel R 2 on considère l application est une norme (le vérifier). R 2 R + (x 1, x 2 ) sup x 1, x 2

Extrait gratuit de document, le document original comporte 13 pages.

Extrait gratuit de document, le document original comporte 13 pages. Notations Dans ce problème, E est un espace euclidien de dimension n 1. On note (x y) le produit scalaire de deux vecteurs quelconques x, y de E. On note [x] ε la matrice-colonne des coordonnées d un vecteur

Plus en détail

Matrices symétriques réelles.

Matrices symétriques réelles. Université de Nice SL2M 2009-10 Algèbre 2 Matrices symétriques réelles. 4. Calcul matriciel 4.1. Application bilinéaire symétrique associée à une matrice symétrique. On considère une matrice symétrique

Plus en détail

Matrices symétriques réelles. Exercice 2 Le produit de deux matrices symétriques réelles est-il symétrique? R n = ker (u) Im (u)

Matrices symétriques réelles. Exercice 2 Le produit de deux matrices symétriques réelles est-il symétrique? R n = ker (u) Im (u) Matrices symétriques réelles 1 Préliminaires On se place dans (R n, ) euclidien, le produit scalaire canonique étant défini par : (x, y) R n R n, x y = t x y = x k y k On note : M n (R) l algèbres des

Plus en détail

Montrer qu il s agit d un produit scalaire, et trouver une base orthogonale pour ce produit scalaire. (x e k ).e k

Montrer qu il s agit d un produit scalaire, et trouver une base orthogonale pour ce produit scalaire. (x e k ).e k Ex 1 Facile Soit un espace préhilbertien réel E et deux vecteurs x,y E. a) Développer l expression y 2.x (x y).y b) Retrouver l inégalité de Cauchy-Schwarz ainsi que le cas d égalité. Ex 2 Cours, à faire

Plus en détail

Le Béaba des Espaces Normés et Algèbres de Banach

Le Béaba des Espaces Normés et Algèbres de Banach Le Béaba des Espaces Normés et Algèbres de Banach Alain Prouté Université Denis Diderot-Paris 7 Dernière révision de ce texte : 21 novembre 2012 Ce texte a été écrit pour le niveau Licence 2. Table des

Plus en détail

Corrigé Feuille 4. et sa matrice dans la base canonique, qui est orthonormée pour le produit scalaire canonique, est. P (x)q(x)dx,

Corrigé Feuille 4. et sa matrice dans la base canonique, qui est orthonormée pour le produit scalaire canonique, est. P (x)q(x)dx, Université Paris Panthéon-Sorbonne L MASS 0/03 Algèbre Corrigé Feuille 4 Exercice. a On remarque que dim F car F R 3 en effet,,, F. D autre part, soient e = 3,,, e =, 0,. On vérifie que {e, e } est une

Plus en détail

Algèbre linéaire pour GM Jeudi 07 novembre 2013 Prof. A. Abdulle. Exercice 1 Calculer les produits suivants en utilisant la multiplication par bloc :

Algèbre linéaire pour GM Jeudi 07 novembre 2013 Prof. A. Abdulle. Exercice 1 Calculer les produits suivants en utilisant la multiplication par bloc : Algèbre linéaire pour GM Jeudi 07 novembre 2013 Prof A Abdulle EPFL Série 7 Corrigé Exercice 1 Calculer les produits suivants en utilisant la multiplication par bloc : a b c 3 1 0 4 1 2 1 1 2 2 1 1 2 1

Plus en détail

Exercice I.1 Montrer que la somme de vecteurs et le produit d un vecteur par un nombre réel donnent à IR 3 une structure d espace vectoriel sur IR.

Exercice I.1 Montrer que la somme de vecteurs et le produit d un vecteur par un nombre réel donnent à IR 3 une structure d espace vectoriel sur IR. Exercices avec corrigé succinct du chapitre 1 (Remarque : les références ne sont pas gérées dans ce document, par contre les quelques?? qui apparaissent dans ce texte sont bien définis dans la version

Plus en détail

N1MA3W01 Algèbre 2 - Examen final En janvier, 3h - 35 points

N1MA3W01 Algèbre 2 - Examen final En janvier, 3h - 35 points N1MA3W01 Algèbre 2 - Examen final En janvier, 3h - 35 points Exercice 0 (sur 6 points) 1. Calculer les valeurs et vecteurs propres des matrices 1 2 0 0 0 0 A = 2 1 0 et B = 1 0 0. 0 0 3 6000 80008 4 2.

Plus en détail

Préparation à l'agrégation Interne Ce devoir est constitué de deux problèmes totalement indépendants. PROBLÈME 1

Préparation à l'agrégation Interne Ce devoir est constitué de deux problèmes totalement indépendants. PROBLÈME 1 Préparation à l'agrégation Interne 2005-2006 F. Dupré Ce devoir est constitué de deux problèmes totalement indépendants. PROBLÈME On notera N n l'ensemble des entiers compris entre et n, n désignant un

Plus en détail

Méthode. Montrer qu une famille est libre. Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Méthode. Montrer qu une famille est libre. Laurent Garcin MPSI Lycée Jean-Baptiste Corot ESPACES VECTORIELS DE DIMENSION FINIE 1 Familles de vecteurs 1.1 Opérations sur une famille engendrant un sous-espace vectoriel Lemme 1.1 Soient E un K-espace vectoriel, A et B deux parties de E. Alors

Plus en détail

Espaces préhilbertiens : projection orthogonale sur un sous-espace de dimension finie. Applications à l approximation des fonctions

Espaces préhilbertiens : projection orthogonale sur un sous-espace de dimension finie. Applications à l approximation des fonctions 3 Espaces préhilbertiens : projection orthogonale sur un sous-espace de dimension finie. Applications à l approximation des fonctions 3. Espaces préhilbertiens On rappelle qu une forme bilinéaire sur un

Plus en détail

Isométries affines et vectorielles

Isométries affines et vectorielles Chapitre 3 Isométries affines et vectorielles Objectifs de ce chapitre 1. Rappels sur les isométries vectorielles.. Groupe orthogonal en dimension et 3. Détermination d une isométrie vectorielle en dimension

Plus en détail

1 Produit scalaire hermitien

1 Produit scalaire hermitien Espaces préhilbertiens complexes. Espaces hermitiens. PSI Paul Valéry Dans tout ce chapître on travaille avec des espaces vectoriels complexes. z représente le module du complexe z et z son conjugué z.

Plus en détail

Notations et préliminaires

Notations et préliminaires Notations et préliminaires Tous les corps figurant dans le problème sont supposés commutatifs. N désigne l ensemble des nombres entiers naturels N désigne l ensemble des nombres entiers naturels non nuls

Plus en détail

4.1 Définitions et notations 1 CHAPITRE 4. Matrices Définitions et notations

4.1 Définitions et notations 1 CHAPITRE 4. Matrices Définitions et notations 4 Définitions et notations CHAPITRE 4 Matrices 4 Définitions et notations On désigne par K un des deux ensembles R ou C et par n et p deux entiers strictement positifs 4 Matrices Définition On appelle

Plus en détail

Espaces euclidiens. Endomorphismes symétriques et orthogonaux.

Espaces euclidiens. Endomorphismes symétriques et orthogonaux. Chapitre 5 Espaces euclidiens. Endomorphismes symétriques et orthogonaux. Dans ce chapitre, tous les espaces vectoriels sont des R-espaces vectoriels. 5.1 Produit scalaire et orthogonalité 5.1.1 Définition,

Plus en détail

EPREUVE SPECIFIQUE FILIERE PC MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont interdites. Notations et objectifs

EPREUVE SPECIFIQUE FILIERE PC MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont interdites. Notations et objectifs SESSION 2010 PCM1002 EPREUVE SPECIFIQUE FILIERE PC MATHEMATIQUES 1 Durée : 4 heures Les calculatrices sont interdites N.B. : Le candidat attachera la plus grande importance à la clarté, à la précision

Plus en détail

Réduction d endomorphismes

Réduction d endomorphismes Réduction d endomorphismes Ce document n est pas un cours mais présente seulement quelques notions à connaître sur le sujet. Soit E un K espace vectoriel, K = R ou C 1 Sous espaces stables 1.1 Définitions

Plus en détail

Concours PT 2004 Maths PT I-B

Concours PT 2004 Maths PT I-B Concours PT 4 Maths PT I-B L usage des calculatrices est interdit Partie A ) ( ) ( ) a a Soit A = b b et B = deux éléments de S a a b b ( ) c c C = AB = avec c c c i = a ik b k, évidemment i =,, c i =

Plus en détail

Algèbre linéaire pour GM Jeudi 28 novembre 2013 Prof. A. Abdulle , , )

Algèbre linéaire pour GM Jeudi 28 novembre 2013 Prof. A. Abdulle , , ) Algèbre linéaire pour GM Jeudi 8 novembre Prof. A. Abdulle EPFL Série (Corrigé) Exercice Parmi les matrices suivantes, indiquer celles qui sont diagonalisables (toujours en justifiant), et le cas échéant

Plus en détail

Commutant d une matrice

Commutant d une matrice Énoncé On désigne par n un entier naturel supérieur ou égal à 2, et par M n (IK) l algèbre sur IK des matrices carrées d ordre n à coefficients dans IK, avec IK = IR ou lc. La matrice identité de M n (IK)

Plus en détail

Décomposition de Dunford

Décomposition de Dunford Décomposition de Dunford Forêt Jérémy El Gareh Amin 0 mars 0 Table des matières Enoncé du Théorème Démonstration Usuelle. Lemmes............................................... Démonstration..........................................

Plus en détail

Concours d accès au cycle de préparation à l agrégation de Mathématiques

Concours d accès au cycle de préparation à l agrégation de Mathématiques Concours d accès au cycle de préparation à l agrégation de Mathématiques Session Février 2014 Épreuve d algèbre et de géométrie Durée 4 heures Le sujet comporte 5 pages, en plus de cette page de garde.

Plus en détail

Chapitre 5. Lois de composition internes - Relations

Chapitre 5. Lois de composition internes - Relations Chapitre 5 Lois de composition internes - Relations 1. Lois de composition internes 1.1. Définition et exemples Définition 5.1 Soit E un ensemble. Une loi de composition interne sur E est une application

Plus en détail

C H A P I T R E 2 F O R M E S Q U A D R A T I Q U E S

C H A P I T R E 2 F O R M E S Q U A D R A T I Q U E S C H A P I T R E 2 F O R M E S Q U A D R A T I Q U E S 1. Définitions et exemples DEFINITION 13 : FORME QUADRATIQUE Soit b une forme bilinéaire sur E. L application et appelée forme quadratique associée.

Plus en détail

FONCTIONS NUMÉRIQUES DE PLUSIEURS VARIABLES

FONCTIONS NUMÉRIQUES DE PLUSIEURS VARIABLES 29-3- 2011 J.F.C. Fnpv p. 1 TD 25 2010-2011 FONCTIONS NUMÉRIQUES DE PLUSIEURS VARIABLES Lundi 28 mars 2010 Exercice 1 ECRICOME 99 n est un élément de N. (x, y) R 2, f n (x, y) = (x n y) e x y. On se propose

Plus en détail

Rappels d algèbre linéaire

Rappels d algèbre linéaire Rappels d algèbre linéaire Ce chapitre se consacre à rappeler un certain nombre de résultats d algèbre linéaire qui seront utiles pour le cours d analyse numérique matricielle et optimisation Nous décomposons

Plus en détail

Comme pour toutes les autres questions, d autres méthodes ou options sont évidemment possibles à condition d être justifiées.

Comme pour toutes les autres questions, d autres méthodes ou options sont évidemment possibles à condition d être justifiées. 0 0 3 3 EXERCICE Soit les matrices A = et B = 2 3 0 0. Calculer le déterminant de A. En déduire le rang de cette matrice. 0 0 0 Dét(A) = dét = dét 0 0 car (propriété P ) le déterminant d une matrice ne

Plus en détail

APPLICATIONS LINÉAIRES

APPLICATIONS LINÉAIRES APPLICATIONS LINÉAIRES 1 Définition et premiers exemples 1.1 Définition Définition 1.1 Application linéaire Soient E et F deux K-espaces vectoriels. On appelle application linéaire de E dans F toute application

Plus en détail

Opérations élémentaires et déterminants

Opérations élémentaires et déterminants 10 Opérations élémentaires et déterminants On note toujours K le corps de réels ou des complexes On se donne un entier n 1 et M n (K désigne l espace vectoriel des matrices carrées d ordre n à coefficients

Plus en détail

Méthodes directes de résolution du système linéaire Ax = b

Méthodes directes de résolution du système linéaire Ax = b Chapitre 3 Méthodes directes de résolution du système linéaire Ax = b 3.1 Introduction Dans ce chapitre, on étudie quelques méthodes directes permettant de résoudre le système Ax = b (3.1) où A M n (R),

Plus en détail

Matrices et applications linéaires

Matrices et applications linéaires Matrices et applications linéaires Vidéo partie Rang d'une famille de vecteurs Vidéo partie Applications linéaires en dimension finie Vidéo partie Matrice d'une application linéaire Vidéo partie 4 Changement

Plus en détail

PROBLÈME 1 : Une équation matricielle PRÉLIMINAIRES PARTIE I

PROBLÈME 1 : Une équation matricielle PRÉLIMINAIRES PARTIE I TD - Chapitres 19 et 0 - ALGÈBRE LINÉAIRE PROBLÈME 1 : Une équation matricielle Extrait sujet «Petites Mines» 010 Le but de ce problème est d étudier différentes matrices qui commutent avec leur transposée,

Plus en détail

Matrices. 6 On appelle matrice triangulaire inférieure toute matrice carrée d ordre n telle que, si

Matrices. 6 On appelle matrice triangulaire inférieure toute matrice carrée d ordre n telle que, si Agrégation interne UFR MATHÉMATIQUES Matrices On note K un corps commutatif. n et p représentent deux entiers naturels non nuls. 1. Notion de matrice 1.1. Définitions Définition 1 On appelle matrice d

Plus en détail

MT23-Algèbre linéaire

MT23-Algèbre linéaire MT23-Algèbre linéaire Chapitre 4 : Valeurs propres - Vecteurs propres ÉQUIPE DE MATHÉMATIQUES APPLIQUÉES UTC juillet 2014 suivant Chapitre 4 Valeurs propres - Vecteurs propres 4.1 Vecteurs propres - Valeurs

Plus en détail

MHT201. Quelques indications de TD 12 (suite)

MHT201. Quelques indications de TD 12 (suite) MHT01 Quelques indications de TD 1 (suite) Exo 1 (1) Notons e 1 = (1, 0, 0), e = (0, 1, 0), et e 3 = (0, 0, 1) Alors {e 1, e, e 3 } est la base canonique de R 3 D après la définition de f, on a f(e 1 )

Plus en détail

1. Réduction d un endomorphisme en dimension finie, d une matrice

1. Réduction d un endomorphisme en dimension finie, d une matrice Réduction des endomorphismes en dimension finie 4-1 Sommaire 1 Réduction en dimension finie 1 11 Polynôme caractéristique 1 12 Ordre de multiplicité 2 2 Diagonalisation en dimension finie 2 21 Diagonalisibilité

Plus en détail

Représentation de Jordan

Représentation de Jordan Représentation de Jordan Soit M une matrice carrée réelle de dimension n. On suppose dans ce projet que le polynôme caractéristique de M a n racines réelles. Certaines racines sont multiples. 1 Nombre

Plus en détail

Un corrigé de la composition d algèbre. Problème 1 : puissances de matrices

Un corrigé de la composition d algèbre. Problème 1 : puissances de matrices Université de Poitiers Année 24-2 M MEEF Un corrigé de la composition d algèbre Mardi mars 2 à 3h durée : cinq heure Sujet et corrigé proposés par Anne Moreau Sources : deuxième composition de l épreuve

Plus en détail

Chapitre 4 : Méthode des moindres carrés

Chapitre 4 : Méthode des moindres carrés Chapitre 4 : Méthode des moindres carrés Table des matières 1 Introduction 2 11 Généralités 2 12 Notion de modèle et de regression linéaire multiple 2 2 Critère des moindres carrés - formulation 2 21 Critère

Plus en détail

Diverses factorisation de matrices

Diverses factorisation de matrices 18 Diverses factorisation de matrices On utilise les notations et dénitions du chapitre 13. 18.1 Les théorèmes de réduction des matrices Les théorèmes de réduction des matrices (voir le chapitre 17) nous

Plus en détail

École polytechnique - Écoles normales supérieures. Concours d admission filière MP. Corrigé de l épreuve de mathématiques A

École polytechnique - Écoles normales supérieures. Concours d admission filière MP. Corrigé de l épreuve de mathématiques A École polytechnique - Écoles normales supérieures Concours d admission 2016 - filière MP Corrigé de l épreuve de mathématiques A corrigé de l énoncé modifié par Abdellah Bechata, après correction des erreurs

Plus en détail

Feuille 2 : Orthogonalité, bases Hilbertienne

Feuille 2 : Orthogonalité, bases Hilbertienne MASTER DE MATHÉMATIQUES Universite de Nice Sophia Antipolis ANALYSE HILBERTIENNE 2015-2016 Feuille 2 : Orthogonalité, bases Hilbertienne Exercice 1. Soit E = L 2 (]0, 1[) muni de son produit scalaire usuel.,..

Plus en détail

T P E FILIERE M COMPOSITION DE MATHEMATIQUES OPTION

T P E FILIERE M COMPOSITION DE MATHEMATIQUES OPTION SESSION 1996 T P E FILIERE M COMPOSITION DE MATHEMATIQUES OPTION PREMIERE PARTIE : matrice compagne d un endomorphisme cyclique I 1) Si f est cyclique, il existe un vecteur x 0 tel que la famille B = (x

Plus en détail

MATHÉMATIQUES II. 2 2 à coefficients réels dont l élément nul est noté 0, et S 2 formé des matrices symétriques.

MATHÉMATIQUES II. 2 2 à coefficients réels dont l élément nul est noté 0, et S 2 formé des matrices symétriques. MATHÉMATIQUES II Dans tout le problème, M désigne le IR -espace vectoriel des matrices carrées à coefficients réels dont l élément nul est noté 0, et S le sous-espace vectoriel de M formé des matrices

Plus en détail

Exo7. Espaces vectoriels. 1 Définition, sous-espaces. 2 Systèmes de vecteurs

Exo7. Espaces vectoriels. 1 Définition, sous-espaces. 2 Systèmes de vecteurs Exo7 Espaces vectoriels 1 Définition, sous-espaces Exercice 1 Déterminer lesquels des ensembles E 1, E 2, E 3 et E 4 sont des sous-espaces vectoriels de R 3. Calculer leurs dimensions. E 1 = {(x,y,z) R

Plus en détail

Déterminants. Théorème 3 On suppose que F est une somme directe de n sous-espaces vectoriels F i. Alors. i=1

Déterminants. Théorème 3 On suppose que F est une somme directe de n sous-espaces vectoriels F i. Alors. i=1 Déterminants Dans tout le chapitre, K représente un corps commutatif 1 Applications et formes multilinéaires Soient E 1,, E p et F des espaces vectoriels sur K et ϕ une application de E 1 E p dans F Définition

Plus en détail

MATRICES. x + a f. x y + a 2 f. ) f( k ) ) = (N(F k+1 F k ) 0 k N 1 ).

MATRICES. x + a f. x y + a 2 f. ) f( k ) ) = (N(F k+1 F k ) 0 k N 1 ). MATRICES CCP 2, MATHÉMATIQUES 2, MP À PROPOS DU PRÉAMBULE Le préambule évoque des équations aux dérivées partielles elliptiques Ce sont des équations linéaires homogènes d ordre 2 Par exemple, dans le

Plus en détail

CH V : Généralités sur les suites réelles

CH V : Généralités sur les suites réelles CH V : Généralités sur les suites réelles I. Notion de suite I.1. Définition générale Définition Une suite de nombre réels u est une application de N dans R i.e. une fonction de N dans R telle que tout

Plus en détail

CONCOURS COMMUN POLYTECHNIQUE (ENSI) FILIERE MP MATHEMATIQUES 2

CONCOURS COMMUN POLYTECHNIQUE (ENSI) FILIERE MP MATHEMATIQUES 2 SESSION 2005 CONCOURS COMMUN POLYTECHNIQUE (ENSI) FILIERE MP MATHEMATIQUES 2 I - Détermination de Rac(A) dans quelques exemples Exemple 1 : Cas où A possède n valeurs propres distinctes 1. Le polynôme

Plus en détail

1 Opérateurs linéaires bornés

1 Opérateurs linéaires bornés Master Mathématiques Analyse spectrale Chapitre 2. Opérateurs bornés 1 Opérateurs linéaires bornés Soient E et F deux espaces de Banach. On appelle un opérateur borné de E dans F toute application linéaire

Plus en détail

Exercices corrigés. Exercice 6 Considérons les vecteurs de R 4 suivants : 1 e 1 = 1 1, e 2 = 1. , e 4 = 2, e 3 = 1 1

Exercices corrigés. Exercice 6 Considérons les vecteurs de R 4 suivants : 1 e 1 = 1 1, e 2 = 1. , e 4 = 2, e 3 = 1 1 Eercices corrigés Algèbre linéaire Enoncés Eercice On rappelle que (E, +, est un K-espace vectoriel si (I (E, + est un groupe commutatif ; (II-, y E, α K, α ( + y = α + α y ; (II- E, α, β K, (α + β = α

Plus en détail

COMPOSITION DE MATHÉMATIQUES D (U)

COMPOSITION DE MATHÉMATIQUES D (U) ÉCOLE NORMALE SUPÉRIEURE CONCOURS D ADMISSION 2016 FILIÈRE MPI COMPOSITION DE MATHÉMATIQUES D (U) (Durée : 6 heures) L utilisation des calculatrices n est pas autorisée. Préambule Ce problème est consacré

Plus en détail

Polynômes, endomorphismes et matrices Exercices

Polynômes, endomorphismes et matrices Exercices Polynômes, endomorphismes et matrices Exercices O. Simon, Université de Rennes I 16 janvier 2006 Exercice 1. Soit u un endomorphisme d un espace vectoriel sur un corps K et P un polynôme annulateur de

Plus en détail

DENOMBRABILITE. P. Pansu 14 mai 2005

DENOMBRABILITE. P. Pansu 14 mai 2005 DENOMBRABILITE P. Pansu 14 mai 2005 1 Motivation Il y a t il plus de réels dans ]1, + [ ou dans l intervalle ]0, 1[? Oui, bien sûr. Des droites passant par l origine dans le plan, il y en a-t-il autant

Plus en détail

pgcd, ppcm dans Z, théorème de Bézout. Applications

pgcd, ppcm dans Z, théorème de Bézout. Applications 7 pgcd, ppcm dans Z, théorème de Bézout. Applications Le théorème de division euclidienne et les sous-groupes de (Z, +) sont supposés connus. Pour tout entier relatif n, on note : nz = {n q q Z} l ensemble

Plus en détail

Filière MP (groupes M/MP/MPI) (Épreuve commune aux ENS de Lyon et Cachan) Filières MP et PC (groupe I) (Épreuve commune aux ENS de Paris et Lyon)

Filière MP (groupes M/MP/MPI) (Épreuve commune aux ENS de Lyon et Cachan) Filières MP et PC (groupe I) (Épreuve commune aux ENS de Paris et Lyon) LC 1 SESSION 00 Filière MP (groupes M/MP/MPI) (Épreuve commune aux ENS de Lyon et Cachan) Filières MP et PC (groupe I) (Épreuve commune aux ENS de Paris et Lyon) MATHÉMATIQUES Corrigé de M. Quercia (michel.quercia@prepas.org)

Plus en détail

Espaces de dimension finie

Espaces de dimension finie [http://mp.cpgedupuydelome.fr] édité le 28 décembre 2016 Enoncés 1 Espaces de dimension finie Bases en dimension finie Dimension d un espace Exercice 1 [ 01634 ] [Correction] Soit E l ensemble des fonctions

Plus en détail

Feuille d exercices 6 : Familles libres, génératrices. Applications linéaires.

Feuille d exercices 6 : Familles libres, génératrices. Applications linéaires. Université Denis Diderot Paris 7 (4-5) TD Maths, Agro wwwprobajussieufr/ merle Mathieu Merle : merle@mathuniv-paris-diderotfr Feuille d exercices 6 : Familles libres, génératrices Applications linéaires

Plus en détail

MATHÉMATIQUES II. Rappels, notations et objectifs du problème

MATHÉMATIQUES II. Rappels, notations et objectifs du problème MATHÉMATIQUES II Rappels, notations et objectifs du problème Dans tout ce problème, n désigne un entier naturel supérieur ou égal à 2 et M n ( IC ) l ensemble des matrices carrées complexes d ordre n De

Plus en détail

Espaces de Banach. 1 Normes sur un espace vectoriel. 2 Topologie des espaces vectoriels normés. 2.1 Rappels

Espaces de Banach. 1 Normes sur un espace vectoriel. 2 Topologie des espaces vectoriels normés. 2.1 Rappels 1 Normes sur un espace vectoriel Espaces de Banach Définition 1.1. (Norme) Soit V un R-espace vectoriel (abrégé R-ev dans la suite). Une norme est une application définie sur V à valeurs dans R +, notée

Plus en détail

Feuilles de TD du cours d Algèbre S4

Feuilles de TD du cours d Algèbre S4 Université Paris I, Panthéon - Sorbonne Licence M.A.S.S. 1-13 Feuilles de TD du cours d Algèbre S4 Jean-Marc Bardet (Université Paris 1, SAMM) Email: bardet@univ-paris1.fr Page oueb: http://samm.univ-paris1.fr/-jean-marc-bardet-

Plus en détail

Chapitre 9. Les polynômes. Définitions et structures. I.1 Définitions. K sera le corps R ou C.

Chapitre 9. Les polynômes. Définitions et structures. I.1 Définitions. K sera le corps R ou C. Chapitre 9 Les polynômes Motivation : Les polynomes sont les seules fonctions dont on sache calculer les images des rationnels. K sera le corps R ou C. I Définitions et structures I.1 Définitions Définition

Plus en détail

Distance à un sous-espace vectoriel

Distance à un sous-espace vectoriel [http://mp.cpgedupuydelome.fr] édité le 1 juillet 214 Enoncés 1 Distance à un sous-espace vectoriel Exercice 1 [ 526 ] [correction] [Déterminant de Gram] Soit E un espace préhilbertien réel. Pour (u 1,...,

Plus en détail

Chapitre 9. Polynômes. 1 Généralités. 1.1 Définitions

Chapitre 9. Polynômes. 1 Généralités. 1.1 Définitions Chapitre 9 Polynômes Dans tout le chapitre K désigne R ou C. 1 Généralités 1.1 Définitions Définition 1 Polynôme Une fonction P : K K est une fonction polynôme (ou plus simplement un polynôme) à coefficients

Plus en détail

Calcul matriciel : rappels et compléments

Calcul matriciel : rappels et compléments CHAPITRE 5 Calcul matriciel : rappels et compléments 5 L ensemble M n,p (K) 5 Structure d espace vectoriel Définition Soit K = R ou C On note M n,p (K) l ensemble des matrices ayant n lignes et p colonnes

Plus en détail

Corrigé du Concours Blanc

Corrigé du Concours Blanc Corrigé du Concours Blanc Exercice : On considère la fonction f définie par : f(x = x + 2 2 ln(e x + et on note (C la courbe représentative de f dans un repère orthonorrnal.. Etude de la fonction f. a.

Plus en détail

2.1 Rappels sur la convergence dans les espaces topologiques. Lemme (Axiome du choix) Pour tout ensemble non vide X il existe une fonction :

2.1 Rappels sur la convergence dans les espaces topologiques. Lemme (Axiome du choix) Pour tout ensemble non vide X il existe une fonction : Chapitre 2 Opérateurs bornés 2.1 Rappels sur la convergence dans les espaces topologiques 2.1.1 Relations d ordre Soit une relation d ordre sur un ensemble X. Si Y X on définit les majorants (resp. minorants)

Plus en détail

Partie 1 : un ensemble de matrices

Partie 1 : un ensemble de matrices Université Claude Bernard - Lyon Semestre d automne 0-03 Math III - PMI Durée : heure et 30 minutes Partie CCP - Devoir numéro Le candidat attachera la plus grande importance à la clarté, à la précision

Plus en détail

Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Laurent Garcin MPSI Lycée Jean-Baptiste Corot DÉTERMINANTS Dans tout ce chapitre, n désigne un entier naturel non nul. 1 Groupe symétrique 1.1 Permutation Définition 1.1 Permutation, groupe symétrique On appelle permutation de 1, n toute bijection

Plus en détail

Licence 3 Mathématiques - ULCO, La Mi-Voix, 2011/2012. Analyse Numérique. Fiche 7 - Calculs matriciels.

Licence 3 Mathématiques - ULCO, La Mi-Voix, 2011/2012. Analyse Numérique. Fiche 7 - Calculs matriciels. Licence 3 Mathématiques - ULCO, La Mi-Voix, 2/22 Analyse Numérique Fiche 7 - Calculs matriciels. Exercice Matrices triangulaires élémentaires Soit n N et on définit les matrices suivantes dans R n n :

Plus en détail

Espaces vectoriels de dimension finie

Espaces vectoriels de dimension finie Espaces vectoriels de dimension finie 1.1) Famille génératrice (rappel) Exemple 1 On considère par exemple l'espace vectoriel R² et les vecteurs 1,1, 1, et,3. Soit un élément quelconque de R²,,. Peut-on

Plus en détail

La décomposition de Dunford des endomorphismes.

La décomposition de Dunford des endomorphismes. Document de travail pour l atelier de la journée régionale APMEP d Aix-Marseille du 17 mai André BONNET andre.bonnet9@orange.fr La décomposition de Dunford des endomorphismes. En travaillant avec un jeune

Plus en détail

Géométrie dans l espace

Géométrie dans l espace Géométrie dans l espace I Modes de repérage dans l espace 1 I.A Coordonnées cartésiennes...................... 1 I.B Coordonnées cylindriques...................... 2 I.C Coordonnées sphériques.......................

Plus en détail

Chapitre 4: Valeurs propres et vecteurs propres

Chapitre 4: Valeurs propres et vecteurs propres VALEURS PROPRES ET VECTEURS PROPRES 91 Chapitre 4: Valeurs propres et vecteurs propres 4.1 Introduction et définitions Introduction : S il est vrai qu une transformation linéaire v Av peut faire bouger

Plus en détail

Déterminant d une matrice

Déterminant d une matrice Déterminant d une matrice ) Morphisme fondamental Prop : Pour toutes matrices A et B 2 M n (K), det(ab) = (det A)(det B) : Prop : A est inversible ssi det A 6= : Ainsi, l application A 7! det A est un

Plus en détail

1 Espaces d applications linéaires

1 Espaces d applications linéaires SOM1MT05 Université d Orléans Analyse Fonctionnelle 2014-2015 Cours, Chapitre n ± 2 Luc Hillairet. 1 Espaces d applications linéaires 1.1 Continuité des applications linéaires, norme subordonnée Soient

Plus en détail

et Systèmes d équations linéaires

et Systèmes d équations linéaires Opérations élémentaires et Systèmes d équations linéaires MPSI-Schwarz Prytanée National Militaire Pascal Delahaye 2 avril 2015 1 Les opérations élémentaires 11 Matrices associées aux OEL et aux OEC Lemme

Plus en détail

À propos des transvections

À propos des transvections À propos des transvections Antoine Ducros Préparation à l agrégation de mathématiques 1 Les transvections : aspect matriciel On fixe pour toute la suite du texte un corps commutatif k. (1.1) Définition.

Plus en détail

( ) dx t dt. ( ) B( t) Le principe de la résolution se base sur la diagonalisation de la matrice A ou à défaut sa trigonalisation.

( ) dx t dt. ( ) B( t) Le principe de la résolution se base sur la diagonalisation de la matrice A ou à défaut sa trigonalisation. Equations différentielles linéaires du premier ordre à coefficients constants (ou système d équation différentielles linéaires scalaire à coefficients constants du premier ordre) dx t dt B( t) + AX t x

Plus en détail

Filière SMA Module de topologie

Filière SMA Module de topologie Université Mohammed V-Rabat Faculté des sciences Département de mathématiques Filière SMA Module de topologie Semestre 5 Hamza BOUJEMAA 1 Introduction Le contenu du module de topologie enseigné en semestre

Plus en détail

deux matrices de M n,p (K) et λ K. On définit

deux matrices de M n,p (K) et λ K. On définit CHAPITRE 6 MATRICES Dans tout le chapitre, K désignera R ou C 1 Matrices à éléments dans K 11 Algèbre des matrices Définition 61 Soient n, p N On appelle matrice de taille (n, p) à coefficients dans K

Plus en détail

LEÇON N 35 : Produit vectoriel dans l espace euclidien orienté de dimension trois. Point de vue géométrique, point de vue analytique. Applications.

LEÇON N 35 : Produit vectoriel dans l espace euclidien orienté de dimension trois. Point de vue géométrique, point de vue analytique. Applications. LEÇON N 35 : Produit vectoriel dans l espace euclidien orienté de dimension trois. Point de vue géométrique, point de vue analytique. pplications. Pré-requis : Généralités sur les espaces euclidiens affines

Plus en détail

Fiche n 2. Transformations affines, barycentres, convexité

Fiche n 2. Transformations affines, barycentres, convexité Université de Rouen Mathématiques Géométrie (L3-S2) Année 2008-2009 Fiche n 2. Transformations affines, barycentres, convexité Exercice 1. (a) Montrer que des points A 0,..., A k sont affinement indépendants

Plus en détail

Matrices Orthogonales et Isométries vectorielles

Matrices Orthogonales et Isométries vectorielles Matrices Orthogonales et Isométries vectorielles MPSI - Prytanée National Militaire Pascal Delahaye 4 mai 016 Dans ce chapitre, on considère un espace euclidien (E,, ) de dimension n 1 Les isométries vectorielles

Plus en détail

Programmation linéaire et Méthode du simplexe (en bref)

Programmation linéaire et Méthode du simplexe (en bref) Université de Versailles Saint-Quentin-en-Yvelines Tahar Z. BOULMEZAOUD boulmeza@math.uvsq.fr Programmation linéaire et Méthode du simplexe (en bref) On appelle programme linéaire un problème d optimisation

Plus en détail

Université de Provence Feuille d exercices n 4. Théorie des ensembles, relations, applications. I. Un peu de logique

Université de Provence Feuille d exercices n 4. Théorie des ensembles, relations, applications. I. Un peu de logique Université de Provence 2010 2011 Mathématiques Générales 1 Feuille d exercices n 4 Théorie des ensembles, relations, applications I. Un peu de logique Exercice 1 Ecrire à l aide de quantificateurs (, )

Plus en détail

a 11 a 1n A = (a ij ) = ... a m1 a mn

a 11 a 1n A = (a ij ) = ... a m1 a mn Chapitre 4 Les matrices 4 Notions de bases Définition Une matrice est un tableau rectangulaire contenant des nombres : a a n A a ij a m a mn Les matrices peuvent représenter toutes sortes d informations

Plus en détail

LEÇON N 36 : Produit vectoriel, produit mixte.

LEÇON N 36 : Produit vectoriel, produit mixte. LEÇON N 36 :. Pré-requis : Généralités sur les espaces euclidiens affines et vectoriels de dimension inférieure ou égale à trois ; Orientation de l espace (base orthonormée directe, indirecte) : règle

Plus en détail

Chapitre 5. Applications

Chapitre 5. Applications Chapitre 5 Applications 1. Définitions et exemples Définition 5.1 Soient E et F deux ensembles. Une application f de E dans F est un procédé qui permet d associer à chaque élément x de E un unique élément

Plus en détail

Eléments propres d un endomorphisme

Eléments propres d un endomorphisme [http://mp.cpgedupuydelome.fr] édité le 5 mai 16 Enoncés 1 Eléments propres d un endomorphisme Eercice 1 [ 768 ] [Correction] Soient E = C (R, R) et D l endomorphisme de E qui à f associe sa dérivée f.

Plus en détail

TD-COURS 5 REVISIONS D ALGÈBRE 2 : MATRICES

TD-COURS 5 REVISIONS D ALGÈBRE 2 : MATRICES 22-10- 2011 JFC Mat p 1 TD-COURS 5 REVISIONS D ALGÈBRE 2 : MATRICES 2011-2012 LES NOTIONS Généralités (définition, matrices particulières) Opérations sur les matrices Matrice d une application linéaire

Plus en détail

Systèmes linéaires et déterminants

Systèmes linéaires et déterminants Université Paris-Sud Année 200-20 IFIPS Cycle Préparatoire, 2ème année Feuille n 3 Systèmes linéaires et déterminants Exercice Résoudre les systèmes suivants, en fonction du paramètre m R : (S ) { x +

Plus en détail

Plan (1/2) Support au cours. Plan (2/2) Vecteurs de R N et opérations Produit scalaire de deux vecteurs de R N Norme d un vecteur

Plan (1/2) Support au cours. Plan (2/2) Vecteurs de R N et opérations Produit scalaire de deux vecteurs de R N Norme d un vecteur Plan (1/2) Mathématique Élémentaire Introduction à l algèbre linéaire Support au cours S. Bridoux Université de Mons-Hainaut 1 L espace R N Vecteurs de R N et opérations Produit scalaire de deux vecteurs

Plus en détail

Matrices. 1 Matrices rectangulaires. 1.2 L espace vectoriel M n,p (K) Dans tout ce chapitre, K désigne R ou C.

Matrices. 1 Matrices rectangulaires. 1.2 L espace vectoriel M n,p (K) Dans tout ce chapitre, K désigne R ou C. Matrices Dans tout ce chapitre, K désigne R ou C Matrices rectangulaires Soient n, p deux nombres entiers non-nuls On appelle matrice à n lignes et p colonnes à coefficients dans K tout tableau rectangulaire

Plus en détail

2 Un cas particulier : valeurs propres d une matrice triangulaire.

2 Un cas particulier : valeurs propres d une matrice triangulaire. F. HECHNER, ÉCÉ, Collège Épiscopal Saint Étienne Année 04-05 Fiche Méthode : Trouver les valeurs propres de A (ou de f) On commence par rappeler les définitions du cours. On donne ensuite les principales

Plus en détail

LEÇON N 17 : Équations du second degré à coefficients réels ou complexes.

LEÇON N 17 : Équations du second degré à coefficients réels ou complexes. LEÇON N 17 : Équations du second degré à coefficients réels ou complexes Pré-requis : Nombres complexes : définition et propriétés ; Notions d anneaux, de corps ; Théorème de Liouville) 171 Équations du

Plus en détail

Rappel de calcul différentiel

Rappel de calcul différentiel Calcul différentiel et géométrie Année 008-009 ENS Cachan Vincent Beck Différentiabilité. Rappel de calcul différentiel Exercice 1 Exemples et contre-exemples. a) Étudier suivant les valeurs de α > 0,

Plus en détail

1 Équations cartésiennes, équations polaires d un ensemble de points

1 Équations cartésiennes, équations polaires d un ensemble de points Plans, cercles, droites et sphères Ce chapitre aborde les objets fondamentaux utilisés en géométrie : droites et cercles dans le plan, plans, droites et sphères dans l espace. Les objectifs du chapitre

Plus en détail