Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

Cours Algèbre II

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 37

Contents

1 Rappels et compléments sur les matrices 1


1.1 Transposé d’une matrice . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3 Matrices symétrique et antisymetrique . . . . . . . . . . 2
1.2 Matrices particulières . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Matrices triangulaire . . . . . . . . . . . . . . . . . . . . 3
1.2.1.1 Matrices triangulaire supérieure . . . . . . . . . 3
1.2.1.2 Matrices triangulaire inférieure . . . . . . . . . 3
1.2.2 Matrices diagonale . . . . . . . . . . . . . . . . . . . . . 4
1.3 Méthode de pivot de Gauss . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Rappelle de la formule de l’inverse d’une matrice carrée . 4
1.3.2 Méthode de pivot de Gauss . . . . . . . . . . . . . . . . 5

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

3 Espaces vectoriels-Applications linéaires 18


3.1 Structure d’espace vectoriel . . . . . . . . . . . . . . . . . . . . 19
3.2 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3 Famille libre- Famille liée . . . . . . . . . . . . . . . . . . . . . . 21
3.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.4 Famille génératrice . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . 24

4 Réduction des endomorphismes 25


4.1 Polynôme minimal . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.2 Exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.3 Exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.1.4 Exemple 3 . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 Polynôme caractéristique . . . . . . . . . . . . . . . . . . . . . . 28
4.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3 Valeurs propres et vecteurs propres . . . . . . . . . . . . . . . . 29
4.3.1 Valeurs propres . . . . . . . . . . . . . . . . . . . . . . . 29
4.3.2 Vecteurs propres . . . . . . . . . . . . . . . . . . . . . . 30

Algèbre II CHEMKHI Majed


CONTENTS iii

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

Algèbre II CHEMKHI Majed


Chapter 1

Rappels et compléments sur les


matrices

Contents
1.1 Transposé d’une matrice . . . . . . . . . . . . . . . 2

1.2 Matrices particulières . . . . . . . . . . . . . . . . . 3

1.3 Méthode de pivot de Gauss . . . . . . . . . . . . . 4

1
1.1. TRANSPOSÉ D’UNE MATRICE 2

1.1 Transposé d’une matrice

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.

• t (AC) = (t C)(t A).

1.1.3 Matrices symétrique et antisymetrique


Définition
• Une matrice est dite symétrique si elle est égale à sa transposé, c’est-à-dire
t
A = A.
• Une matrice est dite antisymétrique si elle est égale à l’opposé de sa transposé,
c’est-à-dire t A = −A.
Proposition
Une matrice symétrique ou antisymétrique est nécessairement carrée et on a :
• A =t A ⇔ aij = aji , ∀i, j.
• A = −t A ⇔ aij = −aji , ∀i, j et on a aii = 0, ∀i.
Exemple: Cas particulier des vecteurs colonnes.
Soit

Algèbre II CHEMKHI Majed


1.2. MATRICES PARTICULIÈRES 3

   
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 .

1.2 Matrices particulières

1.2.1 Matrices triangulaire


1.2.1.1 Matrices triangulaire supérieure

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

1.2.1.2 Matrices triangulaire inférieure

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

Algèbre II CHEMKHI Majed


1.3. MÉTHODE DE PIVOT DE GAUSS 4

Remarque
La transposé d’une matrice triangulaire supérieure est une matrice triangulaire
inférieure et vice versa.

1.2.2 Matrices diagonale


Elles sont à la fois triangulaires supérieure et inférieure.
Les éléments non diagonaux sont nuls.
D = (dij ), 1 ≤ i, j ≤ n et dij = 0 si i 6= j.
On la note: D = diag(d1 , d2 , ..., dn ) où di = dii .
Exemples
• In = diag(1, 1, ..., 1).
 
2 0 0
 
•A=  0 1 0 , A = diag(2, 1, 3).

0 0 3
Remarque
Les matrices diagonales sont symétriques. 
d1 0 ... 0
 0 . . . . . . ...
 

Si D = diag(d1 , d2 , ..., dn ) =  . . , alors,
 
 .. .. ... 0 
 
0 ... 0 dn
t
D = diag(d1 , d2 , ..., dn ) = D.

1.3 Méthode de pivot de Gauss

1.3.1 Rappelle de la formule de l’inverse d’une matrice


carrée
Soit A = (aij ) ∈ Mn (R), 1 ≤ i, j ≤ n.
Si A une matrice inversible, alors son inverse A−1 est donner par la formule
suivante :

1 t
A−1 = Com(A).
det(A)

Algèbre II CHEMKHI Majed


1.3. MÉTHODE DE PIVOT DE GAUSS 5

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 .

1.3.2 Méthode de pivot de Gauss


Il existe une formule théorique qui donne l’inverse d’une matrice en fonction de
son déterminant et de sa comatrice. On n’utilise presque jamais cette formule
en pratique, on lui préfère l’algorithme du pivot de Gauss. Concrètement, on
crée un tableau avec à gauche la matrice à inverser, et à droite la matrice
identité. On réalise ensuite une suite d’opérations élémentaires sur la matrice
à inverser pour la ramener à l’identité (des combinaisons linière sur les lignes).
La même suite d’opérations élémentaires effectuée sur la matrice identité donne
l’inverse de la matrice de départ.
Exemple 1:
Soit la matrice
 
1 1 2
 
A=
 1 2 1 

2 1 1

Algèbre II CHEMKHI Majed


1.3. MÉTHODE DE PIVOT DE GAUSS 6

La matrice inverse est donc:

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.

Algèbre II CHEMKHI Majed


Chapter 2

Systèmes linéaires

Contents
2.1 Définition et notation . . . . . . . . . . . . . . . . . 8

2.2 Résolution des systèmes particuliers . . . . . . . . 9

2.3 Opérations élémentaires . . . . . . . . . . . . . . . 11

2.4 Méthode LU . . . . . . . . . . . . . . . . . . . . . . 13

2.5 Méthode Cholesky . . . . . . . . . . . . . . . . . . . 16

7
2.1. DÉFINITION ET NOTATION 8

2.1 Définition et notation


Considérons
 le système suivant:
 a11 x1 + a12 x2 + ... + a1n xn = b1



 a x + a x + ... + a x = b

21 1 22 2 2n n 2
(S) : .. .. .. .


 . . .


ap1 x1 + ap2 x2 + ... + apn xn = bp

Avec aij ∈ R, ∀ 1 ≤ i ≤ p ≤ j ≤ n.
• Ce système à p équations et n inconnues.
• Résoudre (S), c’est trouver tous les inconnues X = (x1 , x2 , ..., xn ) ∈ Rn
vérifiant (S).
• x1 , x2 , ..., xn s’appellent les inconnues de systèmes (S).
• Les aij sont appelés les coefficients des inconnues et les bj sont appelés les
seconds membres.



 a11 x1 + a12 x2 + ... + a1n xn = 0

 a x + a x + ... + a x = 0

21 1 22 2 2n n
• Le système . .. ..

 .. . .



ap1 x1 + ap2 x2 + ... + apn xn = 0

est appelé système linéaire homogène associés au système
 (S).
b1
 
 b 
 2 
• Posons A = (aij ), 1 ≤ i ≤ p et 1 ≤ j ≤ n, b = (bj ) =  . .
 .. 
 
bp
Le système (S) peut s’écrire sous la forme:
   
x1 b1
   
 x2   b2 
A =  ⇔ AX = b
   
.. ..

 .  
  . 

xp bp
.

Algèbre II CHEMKHI Majed


2.2. RÉSOLUTION DES SYSTÈMES PARTICULIERS 9

2.2 Résolution des systèmes particuliers

2.2.1 Système triangulaire


Définition
On dit qu’un système de p équations linéaire et n inconnues est triangulaire si:

1. p = n.

2. aii 6= 0, ∀i ∈ {1, ..., n}.

3. aij = 0, ∀i, j telque i > 0.

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

Algèbre II CHEMKHI Majed


2.2. RÉSOLUTION DES SYSTÈMES PARTICULIERS 10

2.2.2 Système échelonné


Définition
On dit qu’un système de p équations linéaire et n inconnues où p ≤ n est
échelonné si si après permutation de certaines inconnues, on peut le mettre
sousla forme:


 a11 x1 + a12 x2 + ... + a1n xn = b1

a22 x2 + ... + a2n xn = b2


... .. ..


 . .


app xp + app+1 xp+1 + ... + apn xn = bp

avec aii 6= 0, ∀i ∈ {1, ..., p}.
Remarque
Si p = n, on trouve le systéme triangulaire.
Exemple
Soit à résoudre le système suivant:

 2x + y − z − t = 4 L1


(S) : −x + 3y + 7t = 5 L2 .


5y − t = 8 L3




 −z + 2x + y − t = 4 L1
(S) ⇔ −x + 3y + 7t = 5 L2 .


5y − t = 8 L3




 −z + 2x + y = 4+t L1
⇔ −x + 3y = 5 − 7t L2 .


5y = 8 + t L3

On résoudre alors le système en considérons t comme un paramètre.
La solutioncomprendra une infinité des réponses qui dépend d’un paramètre.


 z = − 14 5
+ 725
t
(S) ⇔ x = − 15 + 38 5
t .

 8
y = + 15 t

5
 
1 38 8 1 14 72
SR3 = { − + t, + t, − + t, t }, t ∈ R.
5 5 5 5 5 5

Algèbre II CHEMKHI Majed


2.3. OPÉRATIONS ÉLÉMENTAIRES 11

2.2.3 Système équivalent


Définition
Deux systèmes (S) et (S 0 ) ayant même nombres d’inconnues à coefficient dans
R (ou dans C) sont dites équivalent s’ils ont le même ensemble des solutions.
Remarque
Ils n’ont pas nécessairement le même nombre d’équations.
Proposition

1. Pour tout λ ∈ R∗ (resp. C∗ ), l’équation: L : a1 x1 + a2 x2 + ... + an xn = b


à même ensemble de solution que λL : λa1 x1 + λa2 x2 + ... + λan xn = λb

2. Soit un système d’équation


 linéaire comportant au moins  deux équations
 L  Li
i
Li et Lj , alors: (S) : est équivalent à (S 0 ) :
 Lj  Li + Lj

Exemple
 
 2x + 3y = 2 L1  2x + 3y = 2 L1
0
(S) : . ⇔ (S ) : .
 −5x + y = 1 L2  −3x + 4y = 3 L1 + L2

2.3 Opérations élémentaires


Soit: 


 a11 x1 + a12 x2 + ... + a1n xn = b1

 a x + a x + ... + a x = b

21 1 22 2 2n n 2
(S) : . . .

 .. .. ..



ap1 x1 + ap2 x2 + ... + apn xn = bp

    
a11 a12 ... a1n x1 b1
    
 a a ... a  x   b 
 21 22 2n   2   2 
⇔ . . . .   .  =  .  ⇔ AX = b.
 .. .. .. ..   ..   .. 
    
ap1 ap2 ... apn xn bn
On veut transformer le système à un système équivalent ayant une forme plus
simple.
Pour se faire, on réalise les transformations suivant élémentaires qui correspon-
dant à des transformations de la matrice A.
Ces opérations sont les suivants:

Algèbre II CHEMKHI Majed


2.3. OPÉRATIONS ÉLÉMENTAIRES 12

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 :

• Permutation de deux lignes (resp. deux colonnes).

• Multiplication par λ 6= 0 d’une ligne (resp. une colonne).

• Addition à une ligne (resp. une colonne), de produit par λ 6= 0 d’une


autre ligne (resp. une autre colonne).

Proposition
On obtient un système équivalent à (S) en le transforment par des opérations
élémentaires sur les lignes (resp. les colonnes).
Notations

• Une permutation de la ligne i et de la ligne j peut se symboliser par Lij


ou Li ↔ Lj (resp Cij ou Ci ←→ Cj pour les colonnes).

• Le produit par λ 6= 0 de la ligne i se symbolise par Li (λ) ou Li ←− λLi


(resp. Ci (λ) ou Ci ←− λCi pour les colonnes).

• L’addition à la ligne i du produit de la ligne j par λ 6= 0 se symbolise


par Lij (λ) ou Li ←− Li + λLj (resp. Cij (λ) ou Ci ←− Ci + λCj pour les
colonnes).

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

Algèbre II CHEMKHI Majed


2.4. MÉTHODE LU 13




 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

SR4 = {(−1, 2, 0, 5)}

2.4 Méthode LU

2.4.1 Description de la méthode

Algèbre II CHEMKHI Majed


2.4. MÉTHODE LU 14

2.4.2 Applicabilité de la méthode

2.4.3 Algorithme

Algèbre II CHEMKHI Majed


2.4. MÉTHODE LU 15

2.4.4 Exemple

Algèbre II CHEMKHI Majed


2.5. MÉTHODE CHOLESKY 16

2.5 Méthode Cholesky

2.5.1 Description et applicabilité de la méthode

2.5.2 Algorithme

Algèbre II CHEMKHI Majed


2.5. MÉTHODE CHOLESKY 17

2.5.3 Exemple

Algèbre II CHEMKHI Majed


Chapter 3

Espaces vectoriels-Applications
linéaires

Contents
3.1 Structure d’espace vectoriel . . . . . . . . . . . . . 19

3.2 Sous-espaces vectoriels . . . . . . . . . . . . . . . . 19

3.3 Famille libre- Famille liée . . . . . . . . . . . . . . . 21

3.4 Famille génératrice . . . . . . . . . . . . . . . . . . 22

3.5 Applications linéaires . . . . . . . . . . . . . . . . . 24

18
3.1. STRUCTURE D’ESPACE VECTORIEL 19

3.1 Structure d’espace vectoriel


Soit K = R ou C.
On appelle espace vectoriel sur le corps K (Ke.v), un ensemble E munie de
deux opérations:

1. Une addition notée ” + ”.

2. Une multiplication notée ”.” (Loi de composition externe) vérifiant


pour tout x et tout y de E, pour tout λ et tout µ de K, les quatre
proprietes:

• 1.x = x

• λ.(x + y) = λ.x + λ.y

• (λ + µ).x = λ.x + λ.y

• (λ.µ)x = λ.(µ.x)

3.2 Sous-espaces vectoriels

3.2.1 Définition

Algèbre II CHEMKHI Majed


3.2. SOUS-ESPACES VECTORIELS 20

3.2.2 Exemples

Algèbre II CHEMKHI Majed


3.3. FAMILLE LIBRE- FAMILLE LIÉE 21

3.3 Famille libre- Famille liée

3.3.1 Définition

3.3.2 Exemples

Algèbre II CHEMKHI Majed


3.4. FAMILLE GÉNÉRATRICE 22

3.4 Famille génératrice

3.4.1 Définition

Algèbre II CHEMKHI Majed


3.4. FAMILLE GÉNÉRATRICE 23

3.4.2 Exemples

Algèbre II CHEMKHI Majed


3.5. APPLICATIONS LINÉAIRES 24

3.5 Applications linéaires

Algèbre II CHEMKHI Majed


Chapter 4

Réduction des endomorphismes

Contents
4.1 Polynôme minimal . . . . . . . . . . . . . . . . . . . 26

4.2 Polynôme caractéristique . . . . . . . . . . . . . . . 28

4.3 Valeurs propres et vecteurs propres . . . . . . . . 29

4.4 Diagonalisation . . . . . . . . . . . . . . . . . . . . . 31

4.5 Application . . . . . . . . . . . . . . . . . . . . . . . 32

25
4.1. POLYNÔME MINIMAL 26

Dans tout le chapitre K désigne l’un des corps R ou C et E un K−espace


vectoriel non réduit au vecteur nul.
In : la matrice identité de taille n.

4.1 Polynôme minimal

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)

Or A 6= 0, A − I 6= 0 et A(A − I) = 0, alors le polynôme minimal de A est


µA (X) = 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).

Algèbre II CHEMKHI Majed


4.1. POLYNÔME MINIMAL 27

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 .

Algèbre II CHEMKHI Majed


4.2. POLYNÔME CARACTÉRISTIQUE 28

4.2 Polynôme caractéristique

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.

2. Le coefficient de X n est (−1)n .

3. Le coefficient de X n−1 est (−1)n−1 tr(A) avec tr : la trace de la matrice


A, tr(A) = ni=1 aii où A = (aij ).
P

4. Le terme constante de PA (X) est det(A).

5. A et t A ont le même polynôme caractéristique.

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

Algèbre II CHEMKHI Majed


4.3. VALEURS PROPRES ET VECTEURS PROPRES 29


−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

4.3 Valeurs propres et vecteurs propres

4.3.1 Valeurs propres


Définition
On appelle valeurs propres d’une matrice A ∈ Mn (R), les racines du polynôme
caractéristique PA .
Les valeurs propres d’une matrice A seront notés λi .
L’ordre de multiplicité d’une valeur propre est noté mλ .
Exemple 1:
Soit  
0 −1
A= 
1 0

PA (X) = det(A − XI2 ) = X 2 + 1.


= 0 ⇔ X 2 + 1 = 0 ⇔ X 2 = −1 ⇔ X = ±i.
PA (X) 
 λ = i valeur propre simple, c0 est a dire m = 1
1 i
Donc:
 λ2 = −i valeur propre simple, c0 est a dire m−i = 1

Exemple 2:

Algèbre II CHEMKHI Majed


4.3. VALEURS PROPRES ET VECTEURS PROPRES 30

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.

4.3.2 Vecteurs propres


Définition
Soit λ une valeur propre de A.
On appelle sous-espace propres de A associé à la valeur propre λ, le noyau
Eλ = Ker(A − λI3 ). Il est constitué du vecteur nul et des vecteurs propres de
A associé à la valeur propre λ.
Exemple
Soit  
1 4 2
 
A=
 0 −3 −2 

0 4 3
2
A (X) = −(X − 1) (X + 1).
P
 λ = −1 valeur propre simple
1
 λ2 = 1 valeur propre double
Sous-espaces propres
• E−1 = Ker(A + I3 )
Soit X = (x, y, z) ∈ E−1 ⇔ (A + I3 )X = 0R3 .
 
2 4 2
 
Or A + I3 =  0 −2 −2 , donc:

0 4 4

Algèbre II CHEMKHI Majed


4.4. DIAGONALISATION 31


 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 .

Algèbre II CHEMKHI Majed


4.5. APPLICATION 32

4.4.2 Théorème
Soit A ∈ Mn (R), il’ y’a équivalence:

1. A est diagonalisable.

2. • PA à toutes ces racines dans K.

• Pour toute valeur propre λ de A, on a: dim(Eλ ) = mλ .

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, ilsexistent D diagonale
 etP 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

1. Déterminer le polynôme caractéristique de A.

Algèbre II CHEMKHI Majed


4.5. APPLICATION 33

2. Déterminer les valeurs propres associées à A avec leurs ordre de multi-


plicités.

3. Déterminer les sous-espaces propres associées à A.

4. Justifié que la matrice A est diagonalisable.

5. Déterminer une matrice P inversible et une matrice D diagonale tel que


A = P DP −1 .

6. ∀n ∈ N, calculer An .

4.5.2 Exercice 2
Soit  
1 −1 1
 
B=
 −1 1 1 

0 0 2

1. Déterminer le polynôme caractéristique de B.

2. Déterminer les valeurs propres associées à B avec leurs ordre de multi-


plicités.

3. Déterminer les sous-espaces propres associées à B.

4. Justifié que la matrice B est diagonalisable.

5. Déterminer une matrice P inversible et une matrice D diagonale tel que


B = P DP −1 .

6. ∀n ∈ N, calculer B n .

4.5.3 Exercice 3
Soit  
1 1 1
 
J =
 1 1 1 

1 1 1

Algèbre II CHEMKHI Majed


4.5. APPLICATION 34

1. Déterminer les valeurs propres associées à J.

2. Déterminer les sous-espaces propres associées à J.

3. Montrer que la matrice J est diagonalisable.

4. Déterminer une matrice P inversible et une matrice D diagonale tel que


J = P DP −1 .

Algèbre II CHEMKHI Majed

Vous aimerez peut-être aussi