Cours Algèbre II
Cours Algèbre II
Cours Algèbre II
2 Systèmes linéaires 7
2.1 Définition et notation . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Résolution des systèmes particuliers . . . . . . . . . . . . . . . . 9
2.2.1 Système triangulaire . . . . . . . . . . . . . . . . . . . . 9
2.2.2 Système échelonné . . . . . . . . . . . . . . . . . . . . . 10
2.2.3 Système équivalent . . . . . . . . . . . . . . . . . . . . . 11
2.3 Opérations élémentaires . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Méthode LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.1 Description de la méthode . . . . . . . . . . . . . . . . . 13
2.4.2 Applicabilité de la méthode . . . . . . . . . . . . . . . . 14
i
CONTENTS ii
2.4.3 Algorithme . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.4 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5 Méthode Cholesky . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5.1 Description et applicabilité de la méthode . . . . . . . . 16
2.5.2 Algorithme . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.4 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.4.2 Théorème . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.5 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.5.1 Exercice 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.5.2 Exercice 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.5.3 Exercice 3 . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Contents
1.1 Transposé d’une matrice . . . . . . . . . . . . . . . 2
1
1.1. TRANSPOSÉ D’UNE MATRICE 2
1.1.1 Définition
Soit A ∈ Mnp . On appelle transposé de A et on note t A la matrice de
Mpn obtenu en inversant les lignes et les colonnes, c’est-à-dire, si A = (aij )
1 ≤ i ≤ n et 1 ≤ j ≤ p alors t A = (aji ), 1 ≤ j ≤ n et 1 ≤ i ≤ p.
Exemple:
1 5
1 2 3
A= alors t A = 2 0 .
5 0 2
3 2
1.1.2 Propriétés
Soit A, B ∈ Mnp , C ∈ Mpr et soit λ ∈ R.
• t (A + B) =t A +t B.
• t (λA) = λt A.
• t (t A) = A.
x1 y1
x2
y
2
X= , Y = .
.. ..
.
xn yn
y1
y2
(t X)Y = x1 x2 ... xn . = x1 y1 + x2 y2 + ... + xn yn .
..
yn
C’est l’expression matricielle du produit scalaire de deux vecteurs X et Y dans
Rn , en particulier, si X = Y , (t X)X = x21 + x22 + ... + x2n = ||X||2 .
Ce sont des matrices carrées dont les éléments sous la diagonale principale sont
nuls.
T = (tij ), 1 ≤ i, j ≤ n avec tij = 0 si i > j.
Exemple
2 1 4
T =
0 1 −1
0 0 3
Ce sont des matrices carrées dont les éléments au dessus de la diagonale prin-
cipale sont nuls.
T = (tij ), 1 ≤ i, j ≤ n avec tij = 0 si i < j.
Exemple
2 0 0
T =
5 1 0
−1 4 3
Remarque
La transposé d’une matrice triangulaire supérieure est une matrice triangulaire
inférieure et vice versa.
1 t
A−1 = Com(A).
det(A)
Exemple
1 3 −1
A=
3 −1 .
1
−2 1 3
1 3 −1
−1 1 3 −1 3 −1
det(A) = 3 −1 1 = 1 − 3 + (−2) .
1 3 1 3 −1 1
−2 1 3
⇔ det(A) = −38.
−4 −11 1
Com(A) = −10 1 −7 .
2 −4 −10
−4 −10 2
t
Com(A) = −1
Ainsi, A−1 = det(A)
1
38 −11
1 −4 .
1 −7 −10
Remarque
Si A ∈ Mn (R) une matrice inversible, alors A−1 A = AA−1 = In .
Exemple 2:
Soit la matrice
2 −4 4
B=
2 0 1
4 1 1
Calculer l’inverse de B par la méthode de pivot de Gauss.
Systèmes linéaires
Contents
2.1 Définition et notation . . . . . . . . . . . . . . . . . 8
2.4 Méthode LU . . . . . . . . . . . . . . . . . . . . . . 13
7
2.1. DÉFINITION ET NOTATION 8
1. p = n.
Proposition
Un
système triangulaire à une solution unique par remontée successive.
a11 x1 + a12 x2 + ... + a1n xn = b1
a22 x2 + ... + a2n xn = b2
.. ..
...
. .
an−1n−1 xn−1 + an−1n xn = bn−1
ann xn = bn
On trouve:
bn 1 bn
xn = ann
⇒ xn−1 = (b
an−1n−1 n−1
− an−1 an−1n ) ⇒ ... ⇒ x1 = ...
Exemple
3x + 4y + 5z = 1 L1
(S) : 2y − 3z = −1 L2 .
2z = 3 L3
• L3 ⇒ z = 23 .
−1+3z
• L2 ⇒ y = 2
⇒y = 74 .
1−4y−5z
• L1 ⇒ x = 3
⇒ x = − 92 .
9 7 3
SR3 ={ − , , }
2 4 2
Exemple
2x + 3y = 2 L1 2x + 3y = 2 L1
0
(S) : . ⇔ (S ) : .
−5x + y = 1 L2 −3x + 4y = 3 L1 + L2
Définition
Soit (S) un système de p équations et n inconnues. On appelle transformation
élémentaires sur les lignes (resp. sur les colonnes) de (S) l’une des opérations
suivantes :
Proposition
On obtient un système équivalent à (S) en le transforment par des opérations
élémentaires sur les lignes (resp. les colonnes).
Notations
Exemple
x + y + 3z = 1 L1 ←− L1
4x + y − 2z + t
= 3 L2 ←− L2 − 4L1
(S) :
2x − y + z + 3t = 11 L3 ←− L3 − 2L1
3x + 5y − z − 2t = −3 L4 ←− L4 − 3L1
x + y + 3z = 1 L1 ←− L1
−3y − 14z + t = −1 L2 ←− − 13 L2
↔
−3y − 5z + 3t = 9 L3 ←− L3
2y − 10z − 2t = −6 L4 ←− L4
x + y + 3z = 1 L1 ←− L1
y + 14 z − 1 t = 1
L2 ←− L2
3 3 3
↔
−3y − 5z + 3t = 9
L3 ←− L3 + 3L2
2y − 10z − 2t = −6 L4 ←− L4 − 2L2
x + y + 3z = 1 L1 ←− L1
y + 14 z − 1 t = 1
L2 ←− L2
3 3 3
↔
9z + 2t = 10 L3 ←− 19 L3
− 58 z − 4 t = − 20
L4 ←− −3L4
3 3 3
x + y + 3z = 1 L1 ←− L1
y + 14 z − 1 t = 1
L2 ←− L2
3 3 3
↔
2 10
z + 9t = 9 L3 ←− L3
58z + 4t = 20 L4 ←− −58L3
x + y + 3z = 1
y + 14 z − 1 t =
1
3 3 3
↔
2 10
z + 9t = 9
80
= − 400
−9t 9
x = −1
y = 2
↔
z = 0
t = 5
2.4 Méthode LU
2.4.3 Algorithme
2.4.4 Exemple
2.5.2 Algorithme
2.5.3 Exemple
Espaces vectoriels-Applications
linéaires
Contents
3.1 Structure d’espace vectoriel . . . . . . . . . . . . . 19
18
3.1. STRUCTURE D’ESPACE VECTORIEL 19
• 1.x = x
• (λ.µ)x = λ.(µ.x)
3.2.1 Définition
3.2.2 Exemples
3.3.1 Définition
3.3.2 Exemples
3.4.1 Définition
3.4.2 Exemples
Contents
4.1 Polynôme minimal . . . . . . . . . . . . . . . . . . . 26
4.4 Diagonalisation . . . . . . . . . . . . . . . . . . . . . 31
4.5 Application . . . . . . . . . . . . . . . . . . . . . . . 32
25
4.1. POLYNÔME MINIMAL 26
4.1.1 Définition
Théorème
Le polynôme minimal d’une matrice A ∈ Mn (K) est un polynôme unitaire de
plus petit degré, noté µA tel que µA (A) = 0.
Exemple: Soit A un endomorphisme de E vérifiant A2 = A (Projecteur).
On a donc P (A) = 0 avec P (X) = X 2 − X = X(X − 1).
P est un polynôme non nul, alors A admet un polynôme minimal µA qui est un
polynôme unitaire qui divise le polynôme X(X − 1), Donc on a 3 possibilités:
X
µA (X) = X −1
X(X − 1)
4.1.2 Exemple 1
Soit
1 −1 1
A=
−1 1 1
0 0 2
Calculer A2 , puis déduire le polynôme minimal µA de A.
Réponse
le calcul donne A2 = 2A ⇔ A(A − 2I3 ) = 0.
Or A 6= 0 et A − 2I3 6= 0, On en déduit que le polynôme minimal de A est
µA (X) = X(X − 2).
4.1.3 Exemple 2
Soit
2 2 1
B=
−1 −1 0
0 0 0
Calculer B 2 et B 3 , puis déduire le polynôme minimal µB de B.
Réponse
2 2 2
Le calcul donne B 2 =
−1 −1 −1 et B 3 = B 2 .
0 0 0
3 2 2
B = B ⇔ B (B − I3 ) = 0.
Le polynôme minimal µB de B est donc un diviseur du polynôme X 2 (X − 1).
Or B 6= 0, B 2 6= 0, B − I3 6= 0 et B(B − I3 ) 6= 0
On en déduit que le polynôme minimal de B est µB (X) = X 2 (X − 1).
4.1.4 Exemple 3
Soit
2 4 0
C=
0 2 3
0 0 2
Calculer (C − 2I3 ) et (C − 2I3 )3 , puis déduire le polynôme minimal µC de C.
Réponse
0 4 0 0 0 12
Le calcul donne (C − 2I3 ) = , (C − 2I3 )2 = 0 0
0 0 3 et
0
0 0 0 0 0 0
3
(C − 2I3 ) = 0.
Le polynôme minimal µC de C est donc un diviseur du polynôme (X − 2)3 .
Or (C − 2I3 ) 6= 0 et (C − 2I3 )2 6= 0.
On en déduit que le polynôme minimal de C est µC (X) = (X − 2)3 .
4.2.1 Définition
Soit A ∈ Mn (K). La fonction X 7−→ det(A − XIn ) est une fonction polynôme
de degré n.
Le polynôme PA (X) = χA (X) = det(A − XIn ) est appelé polynôme carac-
téristique de la matrice A.
4.2.2 Propriétés
1. PA (X) est un polynôme de degré n.
4.2.3 Exemples
Exemple 1:
Soit
0 −1
A=
1 0
−X −1
PA (X) = det(A − XI2 ) = = X 2 + 1.
1 −X
Exemple 2:
Soit
−1 0 5
B=
1 −2 0
−1 1 4
−1 − X 0 5
PB (X) = det(B − XI3 ) = 1 −2 − X 0 = −(X + 1)2 (X − 3).
−1 1 4−X
Exemple 3:
Soit
0 0 −1
C=
1 0
0
0 1
0
−X 0 −1
PC (X) = det(C − XI3 ) = 1 −X
0 = −(X 3 + 1).
0 1 −X
Exemple 2:
Soit
−1 0 5
B=
1 −2 0
−1 1 4
PB (X) = det(B − XI3 )| = −(X + 1)2 (X − 3).
= 0 ⇔ X = −1 ou X = 3.
PB (X)
λ = 3 valeur propre simple, c0 est a dire m = 1
1 3
Donc:
λ2 = −1 valeur propre double, c0 est a dire m−1 = 2
Propriétés
Pn
1. tr(A) = i=1 λi : Somme des valeurs propres.
Qn
2. det(A) = i=1 λi : Produit des valeurs propres.
2x + 4y + 2z = 0
y = −z
−2y − 2z = 0 ⇒
x = z
4y + 4z = 0
Donc X = (z, −z, z) = z(1, −1, 1) = yU1 .
1
Ainsi, E−1 =< U1 > avec U1 = −1
1
• E1 = Ker(A − I3 )
Soit X = (x, y, z) ∈ E1 ⇔ (A − I3 )X = 0R3 .
0 4 2
Or A − I3 = 0 −4 , donc:
−2
0 4 2
4y + 2z = 0
−4y − 2z = 0 ⇒ z = −2y
4y + 2z = 0
Donc X = (x, y, −2y) = x(1, 0, 0) + y(0, 1, −2) = xU2 + yU3 .
1 0
Ainsi, E1 =< U2 , U3 > avec U2 = 0 et U3 = 1
0 −2
Corollaire
Si λ une valeur propre de A de multiplicité mλ , alors on a: 1 ≤ dim(Eλ ) ≤ mλ .
4.4 Diagonalisation
4.4.1 Définition
Soit A ∈ Mn (R).
On dit que A est diagonalisable s’il existe une base de E dans laquelle la
matrice A est diagonale.
On dit que A est diagonalisable s’il existe une matrice P ∈ Mn (K) inversible
et une matrice D ∈ Mn (K) diagonale tel que P −1 AP = D, c’est-à-dire A =
P DP −1 .
4.4.2 Théorème
Soit A ∈ Mn (R), il’ y’a équivalence:
1. A est diagonalisable.
Exemple
1 4 2
Soit A =
0 −3 −2
0 4 3
2
PA (X) = −(X − 1) (X + 1).
1
• E−1 =< U1 > avec U1 = −1
1
1 0
• E1 =< U2 , U3 > avec U2 =
0 et U3 = 1
0 −2
On a: SpA = {−1, 1} ∈ R de plus dim(E−1 ) = 1 = m−1 et dim(E1 ) = 2 = m1 ,
donc A est diagonalisable.
−1
Ainsi, ilsexistent D diagonale
etP inversible tel
que A = P DP avec :
−1 0 0 1 1 0
D= 0 1 0 et P = −1 0 1
0 0 1 1 0 −2
4.5 Application
4.5.1 Exercice 1
Soit
−1 0 0
A=
1 −2 0
−1 1 −1
6. ∀n ∈ N, calculer An .
4.5.2 Exercice 2
Soit
1 −1 1
B=
−1 1 1
0 0 2
6. ∀n ∈ N, calculer B n .
4.5.3 Exercice 3
Soit
1 1 1
J =
1 1 1
1 1 1