Chapitre X. Chapitre X : Matrice inverse et réciproque d une application

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Chapitre X. Chapitre X : Matrice inverse et réciproque d une application"

Transcription

1 Chapitre X Chapitre X : Matrice inverse et réciproque d une application

2 Introduction Dans ce chapitre, on fera le lien entre la matrice d une application linéaire et l inverse d une matrice (notion vue au premier quadrimestre).

3 Réciproque d une fonction Etant donné une fonction (pas nécessairement une application linéaire) f : A B, il est utile de pourvoir disposer, si elle existe, de sa réciproque f 1. La fonction f 1 est par définition une fonction f 1 : B A telle que f 1 (f (a)) = a pour tout a A et f (f 1 (b)) = b pour tout b B.

4 Réciproque d une fonction Exemple 1 La fonction f : R + R + : x x 2 admet pour réciproque f 1 : R + R + : x x. L existence de cette réciproque est bien pratique : si on souhaite par exemple résoudre l équation x 2 = 5 sur R +, il suffit de prendre l image des deux membres de l équation par la réciproque f 1 et on obtient alors x = 5.

5 Réciproque d une fonction L existence de f 1 implique que f est injective. En effet, s il existe deux nombres x et y tels que f (x) = f (y) := z, comment faire pour définir f 1 (z)? Est-ce que f 1 (z) = x ou f 1 (z) = y? Par exemple, si on considère g : R R + : x x 2, on ne peut définir sa réciproque vu que g n est pas injective sur R. C est la raison pour laquelle on restreint le domaine de g à R + avant de définir sa réciproque (comme expliqué dans l exemple précédent).

6 Réciproque d une fonction Donc, si f n est pas injective, il n y a pas d espoir de pouvoir définir une fonction réciproque f 1 : B A. Bien sûr, on peut quand même essayer de résoudre l équation f (x) = z pour z B. (Par exemple : si on veut résoudre x 2 = 5 sur R on a simplement x = 5 ou x = 5.) Il n empêche que si il existe une fonction réciproque, on aimerait pouvoir la trouver. Ca fournit un moyen systématique de résoudre f (x) = z : on applique simplement f 1 aux deux membres.

7 Réciproque d une fonction Théorème 2 La fonction f : A B admet une réciproque si et seulement si f est bijective. Démonstration : Si f n est pas injective, on vient d expliquer que f 1 ne peut exister. Si f n est pas surjective certains éléments de B ne peuvent avoir d image (donc f 1 n existe pas non plus). Si f est bijective, tout élément b B est atteint par un seul élément a b A et il suffit alors de définir f 1 : B A : b a b.

8 Réciproque d une fonction Remarque : dire que f 1 est l inverse de f revient à dire que (f f 1 ) est la fonction identité sur B et (f 1 f ) est la fonction identité sur A. La fonction identité sur l ensemble X est la fonction qui fixe tous les points de X : Id : X X : x x.

9 Réciproque d une fonction Exemple 3 La fonction f : R R + 0 : x 2x est bijective et admet pour réciproque la fonction log 2 : R + 0 R : x log 2(x). On va maintenant étudier l existence des réciproques dans le cas des applications linéaires f : V W où V et W sont des espaces vectoriels sur K.

10 Réciproque d un isomorphisme Il suffit donc de s assurer que f : V W est bijective pour savoir qu une réciproque f 1 : W V existe. Rappel (voir Chapitre VII) : une application linéaire bijective f : V W est appelée isomorphisme d espace vectoriels. Si une telle bijection existe, on dit que V et W sont isomorphes. Lorsque V = W, on parle d automorphisme ou bien de permutation linéaire.

11 Isomorphismes Dans la suite, on se limitera aux espaces vectoriels de dimension finie sur K. En fait : Théorème 4 Soit V et W deux espaces vectoriels de dimension finie sur K. Alors il existe une bijection f : V W si et seulement si dim K (V ) = dim K (W ). Démonstration : Si f : V W est une bijection linéaire, on vérifie facilement que si {e 1,..., e n } est une base de V alors {f (e 1 ),..., f (e n )} est une base de Im(f ) = W. Donc V et W ont même dimension. Si V et W ont même dimension et si {e 1,..., e n } et W = {f 1,..., f n } sont des bases de V et W respectivement, on vérifie à nouveau facilement que l unique application linéaire f : V W telle que f (e i ) = f i est une bijection.

12 Isomorphismes Le théorème précédent affirme donc que deux espaces vectoriels de dimension n N sur K sont toujours "les mêmes, mais vus différemment". En particulier, tout espace vectoriel de dimension n est isomorphe à K n! Exemple 5 L espace vectoriel R 2 sur R est isomorphe au sous-espace V = {(x, y, 0) x, y R} = <(1, 0, 0), (0, 1, 0)> de R 3 vu que V et R 2 ont même dimension (à savoir 2)! Par contre, il n existe aucune bijection linéaire entre R et R 2, ni entre R 2 et R 3, ni...

13 Isomorphismes En tout cas, on peut supposer que dim K (V ) = dim K (W ) lorsqu on étudie les bijections de V W. Comme tout espace vectoriel de dimension n sur K est isomorphe à K n, on ne perd pas grand chose à supposer de plus que V = W = K n pour un certain n N 0.

14 Réciproque d une permutation linéaire On va donc chercher à voir quand une application linéaire f : K n K n est bijective, et dans ce cas, comment faire pour calculer la réciproque f 1.

15 Réciproque d une permutation linéaire Remarquons qu on a déjà fourni des éléments de réponse à cette question dans le Chapitre VII. Pour vérifier qu un opérateur linéaire f : V V (avec V de dimension finie) est injectif, on vérifie que Ker(f ) = {0 V }. De plus, on a démontré (voir le Chapitre VII) : Théorème 6 Soit f : K n K n un opérateur linéaire. Alors f est injectif si et seulement si f est surjectif.

16 Réciproque d une permutation linéaire Donc, dans le cas d un opérateur linéaire f : K n K n, il suffit de vérifier que Ker(f ) = {(0, 0,..., 0)} pour conclure que f est bijectif (ce qui ne nous dit pas encore comment trouver f 1 ).

17 Réciproque d une permutation linéaire Exemple 7 On vérifie que l opérateur linéaire de R 3 f : R 3 R 3 : (x, y, z) (x + 2y + z, 3z, 2x y) est une permutation linéaire en vérifiant que le système x + 2y + z = 0 3z = 0 2x y = 0 n admet que (0, 0, 0) comme solution. (1) Donc, f 1 existe, mais comment la trouver?

18 Réciproque d une permutation linéaire Remarquons tout d abord que la réciproque d une permutation linéaire est aussi une permutation linéaire : Théorème 8 Si f : K n K n est une permutation linéaire alors sa réciproque f 1 : K n K n est aussi linéaire (donc est aussi une permutation linéaire). Démonstration : On veut vérifier que pour tous w 1, w 2 K n. Mais f 1 (w 1 + w 2 ) = f 1 (w 1 ) + f 1 (w 2 ) f (f 1 (w 1 ) + f 1 (w 2 )) = f (f 1 (w 1 )) + f (f 1 (w 2 )) = w 1 + w 2 donc forcément f 1 (w 1 + w 2 ) = f 1 (w 1 ) + f 1 (w 2 ). On vérifie de même que f 1 (λw) = λf 1 (w) pour tout w K n.

19 Réciproque d une permutation linéaire Exemple 9 Considérons les opérateurs linéaires f : R 2 R 2 : (x, y) (2x, y) et g : R 2 R 2 : (x, y) ( x 2, y). On a alors (g f )(x, y) = (x, y) = (f g)(x, y). Donc f et g sont inversibles et on a f 1 = g, g 1 = f.

20 Réciproque d une permutation linéaire Exemple (Suite de l exemple précédent) Remarquons que les matrices M f de f et M g de g dans la base canonique sont ( ) ( M f ) = M g = On a M g M f = M f M g = ( ) et la matrice ( 1 ) est la matrice de l application identité.

21 Réciproque d une permutation linéaire Sur l exemple précédent, on voit que la matrice de f 1 est simplement l inverse de la matrice de f selon la définition vue au premier quadrimestre. Rappel : une matrice carrée A Mat(n n, K) est inversible s il existe une matrice B telle que AB = BA = I avec I la matrice identité. Dans ce cas, on dit que B est l inverse de A et on note B = A 1. S il existe, l inverse de A est unique.

22 Réciproque d une permutation linéaire Théorème 10 Soit f : K n K n un opérateur linéaire et M sa matrice dans une base B de K n. Alors f est bijectif si et seulement si M est inversible, auquel cas la matrice de f 1 est précisément l inverse M 1 de M. C est évident vu que f est bijectif si et seulement si f 1 existe, et dire que (f f 1 ) = (f 1 f ) = Id revient à dire que, si N est la matrice de f 1 dans B : MN = NM = I. (Car on a vu au Chapitre IX que la matrice d une composée est le produit des matrices).

23 Matrice et opérations Pour résumer les choses, nous sommes donc parvenus à donner du sens : a la somme de deux matrices : c est la matrice de la somme des applications linéaires associées, au produit de deux matrices : c est la matrice de la composée des applications linéaires associées, au produit d une matrice par un scalaire : c est la matrice de l application linéaire obtenue en multipliant l application linéaire associée par le scalaire, à l inverse d une matrice (si elle existe) : c est la matrice de la réciproque de l application linéaire associée.

24 Réciproque d une permutation linéaire Exemple 11 Soit f : R 3 R 3 : (x, y, z) (x + y, x y, x). Il est facile de voir que f n est pas injective, par exemple car f (0, 0, 1) = (0, 0, 0) = f (0, 0, 0) (si on ne le voit pas, il suffit de calculer le noyau). Donc f 1 n existe pas. La matrice de f dans la base canonique est M = et cette matrice ne peut donc pas être inversible.

25 Réciproque et inverse Donc, on a ramené l étude de la réciproque éventuelle d un opérateur linéaire f : K n K n au problème suivant : Etant donné une matrice M Mat(n n, K) (M représente f dans une base donnée de K n ), est-ce que M est inversible? Si oui, comment calculer son inverse?

26 Réciproque et inverse En fait, on peut toujours considérer que M représente f dans la base canonique, c est-à-dire que f est l opérateur linéaire de K n défini par x 1 f (x) = M. x 2... x n

27 Réciproque et inverse On va maintenant énoncé un théorème qui résume les différentes conditions équivalentes qui expriment que f : K n K n est une permutation linéaire de K n. Rappelons pour ce faire que le rang de f est la dimension de son image (la dimension du sous-espace de K n engendré par les colonnes de M).

28 Réciproque et inverse Théorème 12 Soit f : K n K n un opérateur linéaire représenté par sa matrice M dans la base canonique. Alors les affirmations suivantes sont équivalentes : 1 f est un automorphisme (une permutation linéaire) de K n, 2 f est bijectif, 3 f est injectif (c est-à-dire, son noyau Ker(f ) est réduit au vecteur nul {(0, 0,..., 0)}), 4 Le rang de f est n, 5 M est inversible, 6 Le rang de M est n, 7 Les colonnes de M sont linéairement indépendantes, 8 Les lignes de M sont linéairement indépendantes.

29 Réciproque et inverse La démonstration de ce théorème résulte immédiatement de tout ce qu on a vu sur les applications linéaires. Nous allons cependant bien réexpliquer où tout cela a été prouvé.

30 Explication du théorème 12 Le point 1 est équivalent au point 2 par définition : un automorphisme (aussi appelé permutation linéaire) est un opérateur linéaire bijectif. Le point 2 est équivalent au point 3 car on a vu (fin du Chapitre VII) qu un opérateur linéaire en dimension finie est bijectif si et seulement si il est injectif si et seulement si son noyau est trivial.

31 Explication du théorème 12 On a aussi vu à la fin du Chapitre VII qu un opérateur linéaire en dimension finie est injectif si seulement si il est surjectif. Ici, surjectif signifie que l image de f est K n tout entier, c est-à-dire que l image de f est de dimension n, c est-à-dire que le rang de f est de dimension n. D où l équivalence du point 3 avec le point 4

32 Explication du théorème 12 Le rang de f vaut n si et seulement si f est bijectif si et seulement si la matrice de M est inversible. Ceci explique que le point 4 est équivalent au point 5.

33 Explication du théorème 12 La matrice M est inversible si et seulement si f est bijective si et seulement si le rang de f est n. Mais le rang de f est le rang de M, donc le point 5 est équivalent au point 6.

34 Explication du théorème 12 Si le rang de M vaut n, cela signifie que les n colonnes de M sont linéairement indépendantes (de façon équivalentes : elles forment une base de K n ). Donc le point 6 est équivalent au point 7.

35 Explication du théorème 12 On a mentionné au Chapitre IX que le rang d une matrice est égal au rang de sa transposée, ce qui explique l équivalence entre le point 7 et 8.

36 Explication du théorème 12 Le théorème 12 nous donne donc un premier critère pour voir si une matrice admet un inverse : on regarde si ses lignes ou ses colonnes (au choix!) sont linéairement indépendantes.

37 Explication du théorème 12 Exemple 13 La matrice M = n est pas inversible. En effet, la deuxième colonne de M vaut 2 fois la première colonne de M. Donc le rang de M est au plus de 3, et M ne peut être inversible par le théorème 12.

38 Explication du théorème 12 On peut se servir du théorème 12 pour déterminer si un système de n équations linéaires à n inconnues admet une unique solution. Rappelons qu un tel système peut s écrire sous la forme Au = b avec A la matrice des coefficients, u le vecteur colonne des inconnues et b le vecteur colonne des termes indépendants.

39 Explication du théorème 12 Exemple 14 Le système 3x + 3y z = 6 x y + 5z = 4 2x + 2y + 6z = 4 peut s écrire Au = b avec x 6 A = 1 1 5, u = y, b = z 4 (2)

40 Explication du théorème 12 Théorème 15 Le système de n équations à n inconnues à coefficients dans le corps K Ax = b admet une unique solution si et seulement si la matrice A Mat(n n, K) est inversible. Dans ce cas, x = A 1 b. Démonstration : Si A est inversible, on multiplie les deux membres de l équation Ax = b par A 1 et on trouve que A 1 (Ax) = (A 1 A)x = Ix = x = A 1 b qui est donc l unique solution du système. En revanche, si A n est pas inversible, l opérateur linéaire de K n défini par f (x) = Ax n est pas injectif (par le théorème 12). Le système admet donc soit zéro solutions (si b n est pas dans l image de f ) soit plusieurs solutions car si Ax = b et y Ker(f ) alors A(x + y) = Ax + Ay = b.

41 Matrice inverse Pour calculer effectivement l inverse de la matrice M, on peut procéder comme au premier quadrimestre : 1 Soit on utilise la méthode basée sur le déterminant de M, 2 Soit on fait des manipulations sur les lignes de A pour transformer A en la matrice identité. Appliquer les même manipulations sur la matrice identité livre la matrice M 1. Les manipulations admises sont : ajouter un multiple d une ligne à une autre ligne, diviser une ligne par un scalaire non nul.

42 Matrice inverse Illutrons la deuxième méthode sur un exemple concret. Cela fonctionne comme au premier quadrimestre, sauf qu on fait les calculs dans le corps K.

43 Matrice inverse Exemple 16 Calculons l inverse de la matrice M Mat(3 3, Z 2 ) définie par M = La matrice M est bien de rang 3, elle admet donc un inverse. Ecrivons : Remarque : comme la matrice est à coefficients dans Z 2, on ne devra jamais diviser (vu que le seul élément non nul est 1), c est pratique!

44 Matrice inverse Exemple (Suite de l exemple précédent) On soustrait la première ligne à la deuxième et à la troisième de façon à transformer la premier colonne en le vecteur (1, 0, 0). On obtient (rappel : 1 = 1 dans Z 2 ) :

45 Matrice inverse Exemple (Suite de l exemple précédent) A présent, on soustrait la deuxième ligne à la première pour transformer la deuxième colonne en (0, 1, 0). On obtient :

46 Matrice inverse Exemple (Suite de l exemple précédent) Finalement, on soustrait la troisième ligne aux deux premières pour transformer la troisième colonne en (0, 0, 1) :

47 Matrice inverse Exemple (Suite de l exemple précédent) Donc, l inverse (sur le corps Z 2, pas sur R!) de la matrice est M = M 1 = On peut le vérifier en effectuant le produit MM 1 = M 1 M et en constatant qu on obtient bien la matrice identité.

48 Matrice inverse Pourquoi cette méthode fonctionne t-elle? Simplement car ajouter λ fois la ligne j à la ligne i de M revient à multiplier M par la matrice I + λe ij ou E ij est la matrice ayant des zéros partout sauf un 1 en position (i, j). Donc, si on multiplie M par un certains nombre de matrices de la forme I + λe ij et qu on retombe sur l identité, le produit des I + λe ij sera M 1. Et on encode exactement le produit de ces matrices dans le tableau de droite!

49 Matrice inverse On appelle parfois cette méthode la méthode de Gauss. Elle est similaire à la méthode de Gauss pour résoudre des systèmes, sauf qu on s en sert pour inverser une matrice.

50 Matrice inverse Exemple 17 L unique solution du système linéaire sur Z 2 est x y = z 1 est x y = = 1 z

51 Matrice et déterminants A propos des déterminants : tout ce qui a été dit au premier quadrimestre (la définition, les propriétés, la façon de calculer un déterminant) sont à nouveau toujours valable sur un corps quelconque. Bien sûr, si M Mat(n n, K), alors det(m) K. Remarque : nous n avions démontré aucune des propriétés au premier quadrimestre, et on ne le fera pas d avantage ici. Pourquoi?

52 Matrice et déterminants Pour démontrer les propriétés des déterminants, on utilise une définition plus théorique de celui-ci. Cette définition fait intervenir les formes multilinéaires alternées et les permutations paires/impaires. Ces sujets ne sont pas au programme de ce cours. A notre niveau, on peut donc admettre les propriétés des déterminants sans démonstration.

53 Matrice et déterminants Les déterminants nous intéressent principalement pour le résultat important suivant : Théorème 18 La matrice M Mat(n n, K) est inversible si et seulement si son déterminant det(m) est non nul. Dans ce cas, la matrice inverse peut s écrire : 1 det(m) ( M) t avec M la comatrice de M, c est-à-dire : M ij vaut ( 1) i+j D ij avec D ij le déterminant de la matrice obtenue en enlevant la ligne i et la colonne j de M.

54 Matrice et déterminants Le calcul M 1 à partir de la comatrice n est cependant pas très efficace d un point de vue algorithmique (il faut calculer n 2 déterminants (n 1) (n 1)). Des algorithmes efficaces seront étudiés dans le cours de Calcul Formel et Numérique (BA2) pour les problèmes suivants : résoudre un système, calculer le déterminant et l inverse de M.

55 Matrice et déterminants On peut aussi démontrer les propriétés suivantes (vraies quel que soit le corps K) : det(a.b) = det(a) det(b), det(a t ) = det(a), c est-à-dire : le déterminant d un produit de matrices est égal au produit des déterminants, le déterminant de la transposée est égal au déterminant. Ici, A et B sont des matrices quelconques de Mat(n n, K).

56 Matrice et déterminants Exemple 19 Une matrice deux fois deux à coefficients dans K : ( ) a b c d est inversible si et seulement si ad bc 0. Par exemple, la matrice suivante de Mat(2 2, C) n est pas inversible : ( ) i 1 car i = 0. (On aurait aussi pu constater que la première colonne vaut i fois la deuxième). 1 i

57 Matrice et déterminants En résumé : Théorème 20 Soit M Mat(n n, K). Alors les propriétés suivantes sont équivalentes : 1 M est la matrice dans la base canonique d une permutation linéaire de K n, 2 M est inversible, 3 Le rang de M est n, 4 Les colonnes de M sont linéairement indépendantes, 5 Les lignes de M sont linéairement indépendantes, 6 det(m) 0, 7 Pour tout b Mat(n 1, K), le système Ax = b admet une unique solution.

58 Application Donnons à présent une application du calcul de l inverse d une matrice en cryptographie.

59 Application Décidons d encoder un message contenant m lettres au moyen d un mot de l espace vectoriel (Z 29 ) m. Même si l alphabet comporte 26 lettres, on prend Z 29 et non par Z 26 car 29 est premier (donc Z 29 est un corps.) Il suffit de décider que A est encodé par 1, B par 2,..., Z par 26 et on décide (par exemple) que 0 désigne un espace, 27 représente é et 28 représente è.

60 Application Pour crypter le message x (Z 29 ) m, on choisit une matrice inversible M Mat(m m, Z 29 ) et on calcule y := Mx Donc y est le message crypté (on peut éventuellement le retranscrire en lettres). On s assure que le destinataire connaisse M, et il n aura qu a calculer M 1 y s il veut décrypter le message.

61 Application Une personne qui ne connaît pas M aura donc du mal à savoir ce que le message crypté y signifie. Il faut pour cela pouvoir décoder le message en utilisant M (on dit que M est la clé de cryptage).

62 Application Prenons par exemple m = 4 et codons le mot INFO. Ce mot sera donc représenté par le vecteur (9, 14, 6, 15) de (Z 29 ) 4. Comme clé de cryptage, on utilise : M =

63 Application On peut vérifier que M est bien de rang maximal (ou alors on utilise un logiciel de calcul, comme Sage) et que M 1 =

64 Application Le message crypté est alors C est-à-dire : ZINM =

65 Application Le destinataire qui souhaite décoder ZINM retranscrit le message dans (Z 29 ) 4 : (26, 9, 14, 13) et calcule 26 9 M =

66 Le groupe linéaire général Avant de conclure ce chapitre, il nous reste à introduire une notion importante : le groupe linéaire général.

67 Le groupe linéaire général Considérons le sous-ensemble GL n (K) de toutes les matices de Mat(n n, K) qui sont inversibles. Alors : 1) La multiplication matricielle est une loi interne sur GL n (K). En effet, si M et N sont deux matrices inversibles, alors le produit MN est aussi inversible car MN(N 1 M 1 ) = M(NN 1 )M 1 = MM 1 = I = (N 1 M 1 )MN donc N 1 M 1 est l inverse de MN.

68 Le groupe linéaire général 2) La matrice identité I est inversible. Elle comporte des 1 sur la diagonale et des 0 partout ailleurs (et son déterminant vaut 1). La matrice I est un élément neutre pour la multiplication matricielle vu que pour toute matrice M : M.I = I.M = M 3) Toute matrice inversible admet un inverse (évidemment!) M 1 tel que MM 1 = M 1 M = 1. 4) Le produit matriciel est associatif (on le sait depuis longtemps).

69 Le groupe linéaire général On résume toutes ces propriétés en disant que (GL n (K),.) forme un groupe (le. représente la multiplication matricielle).

70 Le groupe linéaire général On avait déjà parlé de groupe commutatif au premier quadrimestre à l occasion du cours du sur les matrices. Ici, le groupe en question n est pas commutatif vu que le produit matriciel n est pas commutatif MN NM en général.

71 Le groupe linéaire général On appelle (GL n (K),.) le groupe linéaire général d ordre n sur K. Vu l importance des matrices inversibles, ce groupe a déja été bien étudié et on connaît pas mal de propriétés (on n entrera pas dans les détails ici).

72 Groupes De façon plus générale, en mathématiques, les ensembles munis d une loi interne, associative, avec élément neutre et dont tout élément est inversible sont appelés groupes. De même que pour les espaces vectoriels, les groupes sont fort étudiés (et on connaît de nombreux exemples).

73 Résumé des points importants du chapitre 1 La réciproque d une fonction f : A B. Cette réciproque existe si et seulement si f est bijective, 2 La matrice de la réciproque de la permutation linéaire f est l inverse de la matrice de f, 3 Les différentes caractérisations équivalentes d une matrice inversible (y compris celle avec le déterminant). Le calcul de l inverse avec la méthode de Gauss, 4 Le groupe linéaire général.

APPLICATIONS LINÉAIRES ET MATRICES. Résumé de cours d algèbre linéaire L1 de B. Calmès, Université d Artois (version du 1 er février 2016)

APPLICATIONS LINÉAIRES ET MATRICES. Résumé de cours d algèbre linéaire L1 de B. Calmès, Université d Artois (version du 1 er février 2016) APPLICATIONS LINÉAIRES ET MATRICES Résumé de cours d algèbre linéaire L de B. Calmès, Université d Artois (version du er février 206). Applications linéaires Soient E et F des espaces vectoriels sur K...

Plus en détail

Exercices fondamentaux

Exercices fondamentaux Université de Nantes Département de Mathématiques DEUG MIAS - Module M2 Algèbre Année 2002/2003 Liste d exercices n 1 Exercices fondamentaux Espaces vectoriels, sous-espaces vectoriels 1. Montrer que l

Plus en détail

Les équations du premier degré

Les équations du premier degré TABLE DES MATIÈRES 1 Les équations du premier degré Paul Milan LMA Seconde le 10 septembre 2010 Table des matières 1 Définition 1 2 Résolution d une équation du premier degré 2 2.1 Règles de base................................

Plus en détail

Changement de bases. 2. Rôle de Reprenons l'exemple précédent. La matrice est inversible et l'on a :

Changement de bases. 2. Rôle de Reprenons l'exemple précédent. La matrice est inversible et l'on a : Changement de bases. Position du problème On considère un espace vectoriel de dimension, dont on connaît une base,,,. On considère une famille de vecteurs de cet espace vectoriel,,,. ppelle la matrice

Plus en détail

Matrices. Bcpst 1 4 mars 2016

Matrices. Bcpst 1 4 mars 2016 Matrices Bcpst 1 4 mars 2016 Notations du chapitre Dans tout ce chapitre, n et p sont deux entiers naturels non nuls désigne l ensemble ou l ensemble I Ensemble des matrices Definition 11 Matrice à n lignes

Plus en détail

Université de Poitiers Année 2012-2013 L1 M2IPC Algèbre linéaire. Algèbre linéaire. rédigé par. Anne Moreau

Université de Poitiers Année 2012-2013 L1 M2IPC Algèbre linéaire. Algèbre linéaire. rédigé par. Anne Moreau Université de Poitiers Année 2012-2013 L1 M2IPC Algèbre linéaire Algèbre linéaire rédigé par Anne Moreau 1 2 Table des matières 1 Espaces Vectoriels 5 11 Structure d espace vectoriel 5 111 Espaces vectoriels

Plus en détail

6.2 INVERSE D UNE MATRICE. cours 17

6.2 INVERSE D UNE MATRICE. cours 17 6.2 INVERSE D UNE MATRICE cours 17 Au dernier cours nous avons vus La définition d une matrice Plusieurs définitions de matrice particulière La somme de matrices La multiplication d une matrice par un

Plus en détail

Matrices et applications linéaires notes de cours Licence Sciences et Technologies, L1, M 2

Matrices et applications linéaires notes de cours Licence Sciences et Technologies, L1, M 2 Matrices et applications linéaires notes de cours Licence Sciences et Technologies, L1, M 2 H Le Ferrand, leferran@u-bourgognefr March 27, 2007 Contents 1 L application x Ax 2 11 Linéarité 2 12 Coordonnées

Plus en détail

Espaces euclidiens. Soient E un espace vectoriel euclidien de dimension n, le produit scalaire sera noté comme

Espaces euclidiens. Soient E un espace vectoriel euclidien de dimension n, le produit scalaire sera noté comme Espaces euclidiens 1 Bases orthonormées Soient E un espace vectoriel euclidien de dimension n, le produit scalaire sera noté comme d habitude : < x, y >, ou (x, y) ou < x y > On note < x, x >= x 2, x est

Plus en détail

Matrices. Une matrice (n,p) est un tableau rectangulaire qui a n lignes et p colonnes représenté sous la forme suivante : (a 11...

Matrices. Une matrice (n,p) est un tableau rectangulaire qui a n lignes et p colonnes représenté sous la forme suivante : (a 11... I Généralités Matrices Une matrice n,p est un tableau rectangulaire qui a n lignes et p colonnes représenté sous la forme suivante : A= a 11 a 1p a n1 a np où le terme a ij R On peut aussi écrire la matrice

Plus en détail

RSA - bases mathématiques

RSA - bases mathématiques RSA - bases mathématiques Jang Schiltz Centre Universitaire de Luxembourg Séminaire de Mathématiques 162A, avenue de la Faïencerie L-1511 Luxembourg Luxembourg E-mail:schiltzj@cu.lu 1 Divisibilité Définition

Plus en détail

ESPACES PRÉHILBER TIENS RÉELS

ESPACES PRÉHILBER TIENS RÉELS ESPACES PRÉHILBER TIENS RÉELS 1 Produit scalaire et norme 1.1 Produit scalaire Définition 1.1 Soit E un R-espace vectoriel. On appelle produit scalaire sur E toute forme bilinéaire symétrique définie positive

Plus en détail

Matrices, déterminants

Matrices, déterminants Matrices, déterminants S2 Mathématiques Générales 1 11MM21 Les notes qui suivent sont très largement inspirées des sites : http://ueluniscielfr/mathematiques/calculmat1/calculmat1/co/calculmat1html http://ueluniscielfr/mathematiques/determinant1/determinant1/co/determinant1html

Plus en détail

2. MATRICES ET APPLICATIONS LINÉAIRES

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

Plus en détail

CH III Matrices. 1 / 8

CH III Matrices. 1 / 8 CH III Matrices. 1 / 8 Objectifs : Définition, dimension et opérations de matrices. Matrice transposée. Multiplication de deux matrices. Application à la résolution de système linéaire. I. La notion de

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

Chapitre II : Matrices et opérations

Chapitre II : Matrices et opérations Terminale S Spécialité Chapitre II : Matrices et opérations Année scolaire 205/206 I Généralités sur les matrices : Définition : Soient n et p, deux entiers naturels non-nuls, une matrice de format n,p

Plus en détail

Algèbre linéaire pour GM Jeudi 03 novembre 2011 Prof. A. Abdulle. Série 6 (Corrigé)

Algèbre linéaire pour GM Jeudi 03 novembre 2011 Prof. A. Abdulle. Série 6 (Corrigé) Algèbre linéaire pour GM Jeudi novembre Prof A Abdulle EPFL Série 6 (Corrigé Exercice a Calculer la décomposition LU de la matrice A = 9 6 6 Sol: On effectue la réduction de la matrice A jusqu à obtenir

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

Chapitre 3: Applications linéaires

Chapitre 3: Applications linéaires APPLICATIONS LINEAIRES 57 Chapitre 3: Applications linéaires 3.1 Introduction et définitions Introduction : Une application linéaire est une application entre espaces vectoriels qui préserve l'addition

Plus en détail

{ 2x + y = 1 3x + 7y = 2

{ 2x + y = 1 3x + 7y = 2 Enoncés : Barbara Tumpach Exo7 Révisions Algèbre linéaire Exercice. Résoudre de quatre manières différentes le système suivant (par substitution, par la méthode du pivot de Gauss, en inversant la matrice

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

Feuille 5 : Exercices sur les déterminants, quelques corrections

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

Plus en détail

Chapitre 4 : Matrices

Chapitre 4 : Matrices Lycée Paul Sabatier Classe de Première ES, Spécialité Chapitre 4 : C. Aupérin 008-009 Télécharger c est tuer l industrie, tuons les tous Thurston Moore Dernière modification : 4 avril 009 Table des matières

Plus en détail

Matrices. Par exemple, voici comment est notée et indexée une matrice 3 5 : (a 11. a 13. a 12. a 15 a 21 a 22 a 23 a 24 a 25 a 31. a 14 A = a 32.

Matrices. Par exemple, voici comment est notée et indexée une matrice 3 5 : (a 11. a 13. a 12. a 15 a 21 a 22 a 23 a 24 a 25 a 31. a 14 A = a 32. Matrices I- Généralités Définition : Une matrice A de taille n p est un tableau à deux dimensions de nombres a i j où i est la ligne et j la colonne, avec i n et j p Par exemple, voici comment est notée

Plus en détail

Algèbre linéaire. Cours 3. 1 Valeurs propres et vecteurs propres. Soit V un espace vectoriel sur un corps K et T un opérateur linéaire sur

Algèbre linéaire. Cours 3. 1 Valeurs propres et vecteurs propres. Soit V un espace vectoriel sur un corps K et T un opérateur linéaire sur Algèbre linéaire Cours 3 Valeurs propres et vecteurs propres V. Soit V un espace vectoriel sur un corps K et T un opérateur linéaire sur Définition. Un scalaire λ K est une valeur propre de T s il existe

Plus en détail

Applications linéaires

Applications linéaires Denis Pasquignon Applications linéaires Résumé du cours : 1. Généralités On appelle application linéaire de E dans F une application f : E F telle que (x 1, x 2 ) E 2 λ K, f(x 1 + λx 2 ) = f(x 1 ) + λf(x

Plus en détail

Factorisation LU. par Eric Brunelle

Factorisation LU. par Eric Brunelle Factorisation LU par Eric Brunelle 1 Introduction La factorisation LU d une matrice A n n est une astuce très importante dans le domaine de l analyse numérique. Sa base est très simple, mais ses applications

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

Groupes, anneaux, dimension et déterminants

Groupes, anneaux, dimension et déterminants Préparation à l agrégation 2009-2010 Philippe Lebacque Groupes, anneaux, dimension et déterminants 1. Les petits groupes Le but de cet exercice est l étude des groupes finis d ordre 15. 1.1. Les groupes

Plus en détail

Outils de base pour la classification des groupes de petit cardinal

Outils de base pour la classification des groupes de petit cardinal Chapitre II Outils de base pour la classification des groupes de petit cardinal Le titre est-il clair? Que signifie petit? Pas très grand, ok, mais pour quel ordre? Le but de ce cours est de fournir et

Plus en détail

Chapitre 4. Base et génératrice

Chapitre 4. Base et génératrice Chapitre 4. Base et génératrice 1. Système lié ou libre Soient v 1,, v m un système de vecteurs. On se pose la question : Est-ce que le vecteur 0 est une combinaison linéaire des v i? Chapitre 4. Base

Plus en détail

1 Notion de matrice. 2 Opérations sur les matrices. 1.1 Définitions et notations

1 Notion de matrice. 2 Opérations sur les matrices. 1.1 Définitions et notations ECS 3 2013 2014 Semaine de colle n o 16 du 13 au 17 janvier Toutes les définitions /énoncés du cours sont à connaître précisément Les démonstrations/exemples vus en classe peuvent être proposées comme

Plus en détail

Matrices. 1,n a 2,1 a 2,2 a 2,j a 2,n. A = j-ième colonne

Matrices. 1,n a 2,1 a 2,2 a 2,j a 2,n. A = j-ième colonne Matrices I Matrices et opérations I1 definitions Définition 1 Soit n un entier naturel non nul Une matrice carrée d ordre n est un tableau de nombres réels comportant n lignes et n colonnes Le nombre placé

Plus en détail

L espace de probabilités (Ω,A,P )

L espace de probabilités (Ω,A,P ) L espace de probabilités (Ω,A,P ) 1 Introduction Le calcul des probabilités est la science qui modélise les phénomènes aléatoires. Une modélisation implique donc certainement une simplification des phénomènes,

Plus en détail

Généralités sur les matrices

Généralités sur les matrices Généralités sur les matrices Sommaire 1. Matrices particulières... 1 2. Opérations sur les matrices... 2 Multiplication par un scalaire :... 2 Addition de deux matrices de même dimension () et... 2 Multiplication

Plus en détail

DIMENSION D'UN ESPACE VECTORIEL ADMETTANT UNE FAMILLE GÉNÉRATRICE FINIE RANG D'UNE APPLICATION LINÉAIRE

DIMENSION D'UN ESPACE VECTORIEL ADMETTANT UNE FAMILLE GÉNÉRATRICE FINIE RANG D'UNE APPLICATION LINÉAIRE DIMENSION D'UN ESPACE VECTORIEL ADMETTANT UNE FAMILLE GÉNÉRATRICE FINIE RANG D'UNE APPLICATION LINÉAIRE Notations : Dans tout l'exposé, on considérera, sauf mention contraire, que les familles sont constituées

Plus en détail

Valeurs propres, vecteurs propres Diagonalisation

Valeurs propres, vecteurs propres Diagonalisation Valeurs propres, vecteurs propres Diagonalisation Valeurs propres, vecteurs propres Définition. Soit la matrice carrée A : n n et le système A x λ x () où λ est un paramètre. On appelle valeur propre de

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

La Décomposition en Valeurs Singulières Analyse numérique et Application à la Vision

La Décomposition en Valeurs Singulières Analyse numérique et Application à la Vision La Décomposition en Valeurs Singulières Analyse numérique et Application à la Vision Valérie Perrier, Roger Mohr Ensimag et Laboratoire Jean Kuntzmann Décomposition en valeurs Deux parties : singulières

Plus en détail

3 = 2 3 1 2 2 3, A 4 =

3 = 2 3 1 2 2 3, A 4 = Soit A une matrice de M n (IK). Une décomposition LU de A est une égalité A = LU, où L est une matrice triangulaire inférieure (L pour Low ) à diagonale unité (tous les coefficients diagonaux valent 1),

Plus en détail

2 PGCD, PPCM, petit théorème de Fermat

2 PGCD, PPCM, petit théorème de Fermat Université de Paris-Sud, année 2012/2013 Filière Math/Info-L2 Maths 209 Feuille d exercices de soutien 1 Congruences et arithmétique sur Z Exercice 1. a) Soit n un nombre entier. Combien de valeurs peut

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

Réduction des endomorphismes et des matrices carrées

Réduction des endomorphismes et des matrices carrées 48 Chapitre 4 Réduction des endomorphismes et des matrices carrées La motivation de ce chapitre est la suivante. Étant donné un endomorphisme f d un espace E de dimension finie, déterminé par sa matrice

Plus en détail

Rappels d Algèbre Linéaire de P.C.S.I

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

Plus en détail

LA PROGRAMMATION LINEAIRE : RESOLUTION ANALYTIQUE

LA PROGRAMMATION LINEAIRE : RESOLUTION ANALYTIQUE LA PROGRAMMATION LINEAIRE : RESOLUTION ANALYTIQUE Dans cette leçon, nous abordons un algorithme de résolution d'un problème de programmation linéaire : l'algorithme du simplexe. Nous le présentons d'abord

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHÉMATIQUES

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHÉMATIQUES UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 203 204 Licence d économie Cours de M. Desgraupes MATHÉMATIQUES Corrigé du TD Valeurs propres et vecteurs propres Corrigé ex.

Plus en détail

Cours 3: Inversion des matrices dans la pratique...

Cours 3: Inversion des matrices dans la pratique... Cours 3: Inversion des matrices dans la pratique... Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module complémentaire de maths, année 2012 1 Rappel de l épisode précédent

Plus en détail

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

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

Plus en détail

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

Chapitre II Notion de structure de groupe

Chapitre II Notion de structure de groupe Chapitre II Notion de structure de groupe I Définitions 1. Définition générale Définition : Un groupe est un ensemble, ( ), telle que : muni d une loi de composition interne notée - la loi soit associative

Plus en détail

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

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

Plus en détail

1 Méthodes directes de résolution des systèmes linéaires en petite dimension

1 Méthodes directes de résolution des systèmes linéaires en petite dimension 1 Méthodes directes de résolution des systèmes linéaires en petite dimension révisions} : résolution des systèmes linéaires calcul de déterminant. Ce chapitre est censé n être qu une révision de méthodes

Plus en détail

5 Chapitre 5. Pseudo-primalité

5 Chapitre 5. Pseudo-primalité Chapitre 5 Chapitre 5. Pseudo-primalité Nous poursuivons l investigation autour de la réciproque du théorème de Fermat : après avoir vu le théorème de Lehmer dans le chapitre précédent, nous nous intéressons

Plus en détail

Polynômes à une indéterminée à coefficients dans IK. Table des matières

Polynômes à une indéterminée à coefficients dans IK. Table des matières Polynômes à une indéterminée à coefficients dans IK Rappels de Première année Table des matières 1 L algèbre IK[X] 2 1.1 Définition....................................... 2 1.2 Lois internes dans IK[X]..............................

Plus en détail

LES BONS COUPS DE BILI-NÉAIRE THE KID POUR AMÉLIORER TON EUCLIDIENNE ATTITUDE

LES BONS COUPS DE BILI-NÉAIRE THE KID POUR AMÉLIORER TON EUCLIDIENNE ATTITUDE 0-1- 014 J.F.C. Eve p. 1 LES BONS COUPS DE BILI-NÉAIRE THE KID POUR AMÉLIORER TON EUCLIDIENNE ATTITUDE Dans la suite, sauf mention du contraire, est un produit scalaire sur le R-espace vectoriel

Plus en détail

IV. PROGRAMMATION LINEAIRE. Forme standard Résolution graphique Définitions et théorèmes Algorithme du simplexe Dualité Approches non linéaires

IV. PROGRAMMATION LINEAIRE. Forme standard Résolution graphique Définitions et théorèmes Algorithme du simplexe Dualité Approches non linéaires Forme standard Résolution graphique Définitions et théorèmes Algorithme du simplexe Dualité Approches non linéaires IV.1 Forme standard (1) Minimiser avec Il est toujours possible de revenir à la forme

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

Chapitre 9: Introduction aux tests statistiques

Chapitre 9: Introduction aux tests statistiques Chapitre 9: Introduction aux tests statistiques 1. Approche 2. Formalisme général d un test statistique 3. P-value 4. Intervalle de confiance 5. Test bilatéral et test unilatéral 1 1. Approche Procédé

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

LAAS-CNRS. JAUMOUILLÉ Rodolphe

LAAS-CNRS. JAUMOUILLÉ Rodolphe 2009 LAAS-CNRS JAUMOUILLÉ Rodolphe [ Tutoriel pour le logiciel de Simulation de communications distribuées et de reconnaissance de formes d une SmartSurface] Tutoriel pour un logiciel permettant de simuler

Plus en détail

Calcul matriciel ( 1 2 0 4 3 1. M 11 M 12... M 1m M 21 M 22... M 2m... M n1 M n2... M nm. x 1 x 2... x n. x =

Calcul matriciel ( 1 2 0 4 3 1. M 11 M 12... M 1m M 21 M 22... M 2m... M n1 M n2... M nm. x 1 x 2... x n. x = Calcul matriciel Définitions Une matrice n x m est un tableau de nombres à n lignes et m colonnes. Exemple de matrice avec n = 2 et m = 3 : M = n et m sont les dimensions de la matrice M. ( 2 0 4 3 Un

Plus en détail

Cryptographie (RSA) et primalité

Cryptographie (RSA) et primalité Cryptographie (RS) et primalité January 26, 2011 (Chapitre pour le cours : groupes et arithmétique, MI4, L2 option info) 1 Cryptographie 1.1 Principes généraux La cryptographie est l art (ou la science)

Plus en détail

Des ensembles linéairement indépendants; les bases Algèbre linéaire I MATH 1057 F

Des ensembles linéairement indépendants; les bases Algèbre linéaire I MATH 1057 F Des ensembles linéairement indépendants; les bases Algèbre linéaire I MATH 157 F Julien Dompierre Département de mathématiques et d informatique Université Laurentienne Sudbury, 9 mars 211 (In)dépendance

Plus en détail

Initiation à l algorithmique... et à la programmation

Initiation à l algorithmique... et à la programmation IREM Clermont-Ferrand Année 2009-2010 Journée d information Malika More sur les nouveaux programmes de Seconde Initiation à l algorithmique... et à la programmation Contenu de l atelier Des algorithmes

Plus en détail

A. Décomposition de Dunford

A. Décomposition de Dunford SESSION 2011 Concours commun Mines-Ponts PREMIÈRE EPREUVE FILIÈRE MP 1 Le polynôme P ( 1 n (X λ i α i A Décomposition de Dunford (λ i X α i P i est annulateur de f d après le théorème de Cayley- Hamilton

Plus en détail

CHAPITRE I MATRICES ET DETERMINANTS

CHAPITRE I MATRICES ET DETERMINANTS CHAPITRE I MATRICES ET DETERMINANTS A) OPERATIONS SUR LES MATRICES (théorie) 1) Addition de deux matrices Exemple Andrée, Bernard, Charlotte et Dominique ont décidé de passer leur week-end à faire de la

Plus en détail

CNAM UE MVA 211 Ph. Durand Algèbre et analyse tensorielle deuxième partie Cours 8: Notions sur les groupes et algèbre de Lie

CNAM UE MVA 211 Ph. Durand Algèbre et analyse tensorielle deuxième partie Cours 8: Notions sur les groupes et algèbre de Lie CNAM UE MVA 211 Ph. Durand Algèbre et analyse tensorielle deuxième partie Cours 8: Notions sur les groupes et algèbre de Lie Avril 2007 1 Introduction Il existe une structure intermédiaire entre l analyse

Plus en détail

CNAM UE MVA 211 Ph. Durand Algèbre et analyse tensorielle deuxième partie Cours 3: Quelques points sur la théorie de l homotopie II

CNAM UE MVA 211 Ph. Durand Algèbre et analyse tensorielle deuxième partie Cours 3: Quelques points sur la théorie de l homotopie II CNAM UE MVA 211 Ph. Durand Algèbre et analyse tensorielle deuxième partie Cours 3: Quelques points sur la théorie de l homotopie II Fevrier 2007 1 Introduction Après avoir étudié le groupe fondamental

Plus en détail

Préparation du CRPE, problèmes du jour, mai 2011 (1 à 10)

Préparation du CRPE, problèmes du jour, mai 2011 (1 à 10) Préparation du CRPE, problèmes du jour, mai 2011 (1 à 10) Problème 1, les baguettes de bois Jean et Cécile forment chacun une ligne en mettant bout à bout des baguettes de bois. Toutes les baguettes utilisées

Plus en détail

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

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

Plus en détail

CONCOURS 2013 DEUXIÈME ÉPREUVE DE MATHÉMATIQUES. Filière MP. (Durée de l épreuve : 4 heures) L usage d ordinateur ou de calculette est interdit.

CONCOURS 2013 DEUXIÈME ÉPREUVE DE MATHÉMATIQUES. Filière MP. (Durée de l épreuve : 4 heures) L usage d ordinateur ou de calculette est interdit. A 013 MATH. II MP ÉCOLE DES PONTS PARISTECH, SUPAÉRO (ISAE), ENSTA PARISTECH, TÉLÉCOM PARISTECH, MINES PARISTECH, MINES DE SAINT-ÉTIENNE, MINES DE NANCY, TÉLÉCOM BRETAGNE, ENSAE PARISTECH (FILIÈRE MP),

Plus en détail

fonctions homographiques

fonctions homographiques fonctions homographiques Table des matières 1 aspect numérique et algébrique 3 1.1 activités.................................................. 3 1.1.1 activité 1 : différentes écritures.................................

Plus en détail

1 Nombres complexes 1 1.1 Rappel : équations de degré 2... 1

1 Nombres complexes 1 1.1 Rappel : équations de degré 2... 1 Table des Matières 1 Nombres complexes 1 1.1 Rappel : équations de degré.......................... 1 1.1.1 Théorie générale.............................. 1 1.1. Exemples..................................

Plus en détail

Matrices et déterminants

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

Plus en détail

70 exercices d algèbre linéaire

70 exercices d algèbre linéaire Pierre-Louis CAYREL 28-29 Licence 1 Algèbre Linéaire Université de Paris 8 Feuille d exercices 7 exercices d algèbre linéaire 1 Espaces vectoriels 1.1 Structure d espace vectoriel Exercice 1 On définit

Plus en détail

ou, n et p deux entiers naturels non nuls. colonne j 1,1 1,p ligne i i,j n,1 n,p

ou, n et p deux entiers naturels non nuls. colonne j 1,1 1,p ligne i i,j n,1 n,p Chapitre 12 : Matrices - résumé de cours Dans tout le chapitre désigne ou, n et p deux entiers naturels non nuls. 1. L'ensemble M n,p() 1.1 Définition et vocabulaire Déf: On appelle matrice à n lignes

Plus en détail

Devoir en temps libre

Devoir en temps libre Commentaires et erreurs fréquentes Deux circuits RLC Devoir en temps libre Si vous échelonnez P, la matrice obtenue n est plus P! Pour utiliser la formule de changement de base, il faut partir de la matrice

Plus en détail

Algèbre Matrices Algèbre des matrices carrées

Algèbre Matrices Algèbre des matrices carrées Algèbre Matrices Algèbre des matrices carrées Denis Vekemans Exercice 1 On considère les matrices suivantes : 1 2 1 0 1 et B = 3 4 2 2 3 Calculer, lorsque cela est possible, A 2, B 2, AB, BA, A t, B t,

Plus en détail

Questions préliminaires

Questions préliminaires ÉCOLE POLYTECHNIQUE ÉCOLES NORMALES SUPÉRIEURES CONCOURS D ADMISSION 2015 FILIÈRE MP COMPOSITION DE MATHÉMATIQUES A (XLCR) (Durée : 4 heures) L utilisation des calculatrices n est pas autorisée pour cette

Plus en détail

Les matrices. 1 Définitions. 1.1 Matrice

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

Plus en détail

1 Opérations sur les ensembles

1 Opérations sur les ensembles UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010 N. El Hage Hassan ÉLÉMENTS DE LA THÉORIE DES ENSEMBLES La théorie des ensembles est à elle seule une branche des mathématiques

Plus en détail

Université du Littoral - Côte d Opale Laurent SMOCH. Septembre 2012

Université du Littoral - Côte d Opale Laurent SMOCH. Septembre 2012 ISCID - PRÉPA 2ème année MATHÉMATIQUES APPLIQUÉES À L ÉCONOMIE ET À LA GESTION 2 Université du Littoral - Côte d Opale Laurent SMOCH Septembre 202 Laboratoire de Mathématiques Pures et Appliquées Joseph

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

1 Exercices fondamentaux

1 Exercices fondamentaux Université de Nantes Licence Math L3 Département de Mathématiques Année 2009-2010 Topologie et calculs différentiel Liste n 3 1 Exercices fondamentaux Applications Linéaires Exercice 1. Calculer la norme

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

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 1 : Points fixes de fonctions monotones

Cours 1 : Points fixes de fonctions monotones Université Bordeaux 1 INF569 Master d informatique Logique et Langages (2 - partie 2) Cours 1 : Points fixes de fonctions monotones Anne Dicky 7 novembre 2009 Table des matières 1 Exemples de points fixes

Plus en détail

CONCOURS COMMUN POLYTECHNIQUE EPREUVE SPECIFIQUE-FILIERE PC MATHEMATIQUES 1

CONCOURS COMMUN POLYTECHNIQUE EPREUVE SPECIFIQUE-FILIERE PC MATHEMATIQUES 1 SESSION 6 CONCOURS COMMUN POLYTECHNIQUE EPREUVE SPECIFIQUE-FILIERE PC MATHEMATIQUES 1 PARTIE I I1 Notons (x 1,,x n ) et (y 1,, y n ) les coordonnées de x et y dans la base B Puisque la base B est orthonormée,

Plus en détail

Résolution des systèmes linéaires

Résolution des systèmes linéaires ESCPI-CNAM Février 5 Résolution des systèmes linéaires Définitions Un système de m équations à n inconnues x,,...x n s écrit sous forme matricielle : AX = B où A est une matrice comportant m lignes et

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

a 22... a 2j... a 2p... a a n2... a nj A=(a ij

a 22... a 2j... a 2p... a a n2... a nj A=(a ij I Matrices : exemple et définition Voici les productions (en milliers) de deux usines de cycles appartenant à une même enseigne pour le premier semestre de l'année 2012 : Premier semestre 2012 VTT Adultes

Plus en détail

TAUX d EVOLUTIONS (cours)

TAUX d EVOLUTIONS (cours) TAUX d EVOLUTIONS (cours) Table des matières 1 calcul d un taux d évolution 3 1.1 activité.................................................. 3 1.2 corrigé activité..............................................

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

CHAPITRE V INEGALITES

CHAPITRE V INEGALITES CHAPITRE V INEGALITES COURS 1) Inégalités... p 1 ) Inéquations du premier degré à une inconnue. p ) Systèmes d inéquations... p 5 4) Encadrements.... p 6 EXERCICES.. p 10 COURS 1) Inégalités Rappelons

Plus en détail

Corrigé : EM Lyon 2006

Corrigé : EM Lyon 2006 Corrigé : EM Lyon 26 Option économique Exercice 1: 1. a) Comme A est une matrice triangulaire, on peut lire ses valeurs propres sur sa diagonale. Les valeurs propres de A sont et 1. b) Aadmet deux valeurspropresdistinctes

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

1 Somme de sous-espaces vectoriels

1 Somme de sous-espaces vectoriels Compléments d algèbre linéaire 1 Somme de sous-espaces vectoriels 1.1 Somme de 2 sevs Soient E 1 et E 2 deux sous-espaces vectoriels de E. On appelle somme de E 1 et E 2 l ensemble noté E 1 + E 2 et défini

Plus en détail

III Applications linéaires et matrices

III Applications linéaires et matrices III Applications linéaires et matrices 1 Notion d application linéaire 1.1 Définition et exemples On s intéresse aux applications entre deux K-espaces vectoriels qui, d une certaine façon conservent les

Plus en détail

Cours de Mathématiques II Chapitre 1. Algèbre linéaire

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

Plus en détail