Frangois (Oreja) cl tant-|ce| Algebre linéaire = MTL (tit ET EXERCICES CORRIGES Licence de mathématiques, L2 @F de boeckPour toute information sur notre fonds et les nouveautes dans votre domaine de spécialisation, consultez notre site web: www.deboeck.com © De Boeck & Larcier s.a., 2006 Editions De Boeck Université Rue des Minimes 39, B-1000 Bruxelles Tous droits réservés pour tous pays. Il est interdit, saut accord préalable et écrit de I'éditeur, de reproduire (notamment par photocopie) partiellement ou totalement le présent ouvrage, de le stocker dans une banque de données ou de le communiquer au public, sous quelque forme et de quelque maniére que ce soit. Imprimé en Belgique Dépot legal : Bibliotheque nationale, Paris : janvier 2006 Bibliothéque royale de Belgique : 2005/0074/170 ISBN 2-8041-4906-4Table des matiéres Avant-propos... Il Chapitre 1 Rappels d’algébre 1 §,_Matrices.... Applications injectives, surjectives, bijectives. 1.1 Image directe d'une partie de 1.2 Image réciproque par (d'une partie de F.. 13 Injection de F dans F*. 1.4 Surjection de £ sur F. 15 __Bijection de £ sur F.. Espaces vectoriels sur K . 2.1 Espaces vectoriels et sous-espaces vectoriels wale lee leoleelneleales 23 Famille génératrice ... . 2.4 Sous-espace veeroriel engendré par une farnille de vecteure, 5 i f 26 Espace vectoriel de dimension ini our Bases d‘un espace vectoriel de dimension finie ............ soe 3.1_Base de E. f 3.3__Caractérisation des bases 3.4 Théoréme de la base incomplete .. Rang d'une famille de vecteurs. 41 Rang... 4.2__Caleul du rang. 4.3_ Representation d'une famille de vecteurs sur une bas 4.4_ Calcul du rang par échelonnement.. 5.1_Matrice & m lignes et p colonnes.. 5.2_ Matrices particulitre 5.3_ Addition et produit Sholo le loolallals Ia run scalaire rm 5.5 Transposée d'une matriceAlgabre linéaire ot bilingaire 5,6 Rang d'une matrice 5.2_Lowerse dune marrice care ay 5.8 Calcul du rang par la méthode de Gauss. 6 Systémes linéaires .. 12 6.1 _Echelonnement du systéme 12 6.2 _Interprétation en terme de mati 13 7._Applications linéaires. - 13 ZA_Definition ses 13 7.2__Comment définir une application linéaire 13, 7.3_Noyau dune application linéaire wu 7.4 Image de E par une application linéaire 14 75 ion linéaire et famille libre ou famille génératrice . 14 26 Théoréme de la dimension... 1s 7.7 Caractérisation des isomorphismes . 15 8. Applications linéaires et matrice: 15 $.1__Matrice d’une application linéaire. 15 8.2 _Matrice d'une composi 16 8.3_Matrice de lisomorphi: 16 9. _Changement de bases.. 16 91 Matrice de passage. 16 9,2_Relation entre les composantes d'un méme vecteur 17 9.3 Relation entre les matrices d'un méme endomorphism. 17 9.4 _Plusieurs changements de bases... 7 10. Compléments sur les sous-espaces vectoriels _ 17 10.1 Intersection de deus SEV 10.2 Sommededewe SEV 10.3 Somme ditecte de deux 8.E.V. Sous-espaces supplémentaires ... 18 10.4 Somme directe de p S.E.V. 18. 11. Polynémes 4 une indéterminée sur un corps K.. 19 11.1 Degré d'un polyném 1 11.2 Lespace vectoricl XI... 19 11.3 Produit de deux polynémes. 19 11.4 Division cuclidienne de deux polynomes 20 11.5 Racines d'un polynome 20 11.6 PGCD de deux polynémes. 21 LLZ Théorbme de Be70Ut ities ZL 11.8 Formule de Taylor. 21 11.9 Théoréme de d'Alembert 22 Chapitre 2 Déterminants 24 1, Présentation du probléme .. 2._Définition des déterminants i tntntnnnnnntnnnntnsntennnatannnne — 25 VlTable des matiaras 3.__Propriétés fondamentales des déterminants. BaL_ Proposition ssssssaneesanaecenserenenee 26 5, _Régles de calcul sur les déterminants..........0.0 ovine enue 35 Sal Regles de base ensesnens 35 §.2_Déterminant d'un produit 39 Applications des déterminants. Matrices carrées 7.2._Résolution d’un systéme de Cramer. Ty 7.3_ Equation Pun hyperplan voennnnon nnn conn 5 8.__Rang d'une famille de vecteurs ou d'une matrice. Matrices quetconques 46 @.1 Rang Pune matrice queleonquen nnn. 46 .2_Systtmes d'équations cartésiennes dun S.E. 30 9. __Déterminant d‘un endomorphisme..... 52 Annexe : Preuve des théorémes 2 et 3. Cas général .. 53 3.__Applications diverses 4, Exercices théoriques. 5.__Exercices dont les calculs sont a faire avec Maple. ..u.rucrenere Chapitre 3 Diagonalisation et trigonalisation 90 2.__Endomorphisme ou matrice diagonalisable.............. 1 3.__Valeurs et vecteurs propres .. 92 4. _Polyndme caractéristique. Calcul des valeurs propres. 94 41 Polynéme caractéristique d'une matrices. orn 94 4.2__Polynome caractéristique d'un endomorphisme «. 96 4.3 Calcul des valeurs propres.. % 5. _Sous-espaces propres. Théoréme de dimension. Indépendance 99 99 6.3 Une condition suffisante de diagonalisation 6.4 Technique pratique de diagonalisation, Exemples.. vil Elements sous droits d'auteurAlgabré linéaire et bilinéaire 7. Comment n’‘est-on pas diagonalisable sur K ? 7.1 Matrice complexe non diagonalisable sur ©. 7.2 Matrice réelle non diagonalisable sur R 7.3 Malgré tout, une matrice semblable plus simple. 8._C.N.S. de trigonalisation. BD DisFinnitinen a esas snnnnsnsnninsnnnsnnsnrinnnnnsssanimnsnnnsnninanssniannsasasssnsssssiimrsenssnnnsssnnns 115 8.2 Théoréme fondamental cee 116 9. Technique de trigonatisation. 9.1 Allure d’une forme triangulaire cherchée. Réduite de Jordar 57 Mara nina 5 M. ne 9.4 Un exemple en dimension quatre.. 95 Remarques finales .. 10. Application aux puissances d'une matrice carrée. 10.1 Cas des matrices diagonalisables 10.2 Cas des matrices seulement trigonalisables 11, Application aux suites récurrentes. 12. Application aux systémes différentiels. 12.1 Cas ott A est diagonalisabl 12.2 Cas oi A est seulement trigonalisable.. 13. Théoréme de Cayley-Hamilton. Compléments. 13.1 Polynémes d’endomorphisme 13.2 Théoréme de Cayley-Hamilton 13.3 Application au calcul de l'inverse .. Exercices Exercices de raisonnement simpl Exercices théoriques. Interprétation géométrique Exercices supplémentaires systemes différentiel Exercices structurels. MD ep Chapitre 4 Projections et symétries 1._Endomorphisme vérifiant (f — ald) o (f — Bid) = 2. Projection sur F parallalement &G 2.1 Définition A partir de Fet G et propristés 2.2 Caractérisation 2.3 Projection sur F parallélement & G et projection sur G parallélement a F. 3._Symétrie par rapport 3 F parallélement a G.. 3.1 Definition géomeétrique VuTable des matiores 1D Csractdrication —_— _ 195 3.3 Comment écrire ou reconnaitre une symétrie. - 196 4. Projection et symétrie orthogonale dans R? ou R3. _ 197 4.1 Cas R2 : projection orthogonale sur une droite .. 197 4.2 Cas RB}: projection orthogonale sur une droite ~_197 43 Cas 3: projection orthogonale sur un plan... 17 44 _Cas R®; symétric orthogonale par rapport & une droite 198 45 Cas R3: symétric orthogonale par rapport 4 une droite 18 4.6 _Cas B®; symétric orthogonale par rapport &.un plan. vom 9B Chapitre 5 Formes bilinéaires symétriques sur un espace vectoriel 1, Forme bilinéaire symétrique sur soe 200 1.1. Définition et exemples ... . 200 1.2 Développement de /(X, Y). . 201 2. Expression d'une forme bilinéaire symétrique dans une base. . 202 2.1. _Ecriture dans une base. Matrice symétrique d'une forme bilinéaire .. . 202 2.2 Changement de base... su . 204 it scala _ 205 3.2_Inegalité de Cauchy-Schware, 3.3 Inégalité triangulaire. 3.4 Orthogonalité.. 4. Base orthonormée. Matrice orthogonale.. 4A Systéme orthogonal de vecteurs nw 43__Existences de bases orthonormeées. Algorithme de Gram-Schmide .. 44 Expression du produit scalaire sur une base orthonormée 4.5_Composantes d’un veetcur sur une base orthonorméc.. 4.6 Matrice de passage entre bases orthonormécs 5. Orthogonal supplémentaire. Projection orthogonale 5.1 Orthogonal supplémentaire 5.2 Projection orthogonale sur un sous-cspace veetoricl. Chapitre 6 Diagonalisation des matrices symétriques réelles. Endomorphisme auto-adjoint 1, Enoncé du théoréme général. 3.1_Notations et rappels des propriétés élémentaires 3.2_ Toutes les valeurs propres sont réelles xAlgatre lindaire &t bilinéaire 3.3 Démonstration par récurrence du théoréme 3.4 _Orthogonalité des sous-espaces propres.. 4 Adjoint d'un endomorphisme d’un espace euclidies 4.1_Foume linéaire sur E. 4.2 _Adioint d'un endomorphisme de 4.3 Endomorphisme auto-adjoint.. Réduction d'un endomorphisme auto-adjoint.. Chapitre 7 Isométries d’un espace vectoriel réel 2._Déterminant et valeurs propres d'une isométrie.... 3. Groupe des isométries de RP... 4,_Isométries de 12 4.1 _Deux valeurs propres réclles 4.2_Deux valeurs propres complexes co: 43_Récapitulatif. 5._Isométries de [23 Chapitre 8 Formes quadratiques ‘1._Définition. 2. Ecriture dans une base quelconque . 3. But de la réduction d'une forme quadratique sur R"., 3.1 Exemple et position du probleme 3.2. Les deux fayons de procéder 4 Réduction par la méthode de Gauss. 4.1 Deux exemples..... 4.2_ Principe général de la méthode de Gauss. 5. Réduction par diagonalisation ... 6. Illustration géométrique 6.1 Exemples dans le plan. 6.2 Exemples dans espace. Chapitre 9 Géométrie élémentaire dans R? et R3 Retour sur terre dans R2 et R3 4, Orientation..... 2._Produit scalaire et orthogonalit 2.1 Produit scalaire, distance de deux vecteurs. 2.2 Projection orthogonale, distance & un sous-espace vectoriel . 2.3 Orthogonalité d'un plan et Tune droite..(ey reli Rappels d’algébre 1_Applications injectives, surjectives, bijectives_2 2 _Espaces vectoriels surK_ 3 3 Bases d'un espace vectorie! de dimension finie_6 4 Rang d'une famille de vectours_7 §_Matrices 9 G__Systémes linéaires 12 7 Applications linéaires 13 8 __ Applications linéaires et matrices _15 9 _Changementde bases _16 10__Compléments sur les sous-espaces vectoriels 17 11_Polyndmes & une indéterminée sur un corps K_19Chapitre 1 Rappels d'algdbre Ce premier chapitre est un résumé de ce quil est indispensable de bien avoir compris et retenu du cours d'algébre et d’algébre linéaire de premiere année. Mais attention, cela ne signifie pas qu'il faut se contenter de ce qui est résumé dans ces quelques pages ! En par- ticulier, il n'y. ici aucune démonstration, seulement des rappels et éventuellement quel- ques exempics, (On ne parlera ici que de famille contenant un nombre fini de vecteurs. Les espaces vec- toricls seront done de dimension finie, La lettre K designe R ou C indifféremment, 1. Applications injectives, surjectives, bijectives Soit E et F deux ensembles quelconques non vides, et fune application de E dans F. 1.1 Image directe d’une partie de F Etant donnée une partie A de E, l'image directe de A par fest le sous-ensemble de F formé des éléments fla) lorsque @ décrit 4: fid) = {ye F:3ae 4, y=fla)}. 1.2 Image réciproque par f d’une partie de F Soit B une partic de F. On appelle image réciproque de B par f, et on note f-4(B), Yensemble des éléments xe E dont l'image par fest dans B: f'(B) = {xe Ezflx)e B}. ‘On fera attention a la notation f-1(B) qui préte A confusion avec Pidée que f pourrait étre bijective. I n’en est rien !Espaces vectoriels sur K 1.3 Injection de E dans F On dit que fest injective de E dans F lorsque deux éléments distincts de Tensemble E ont toujours deux images distinctes dans F: (Wa, ty € E) (x4 # xy => fly) # fl). Par contraposée, cela équivaut a dire que l'égalité f(xy) = fxg) implique xj =.x3. Cela signifie aussi que pour tout y € F, Péquation y= ft) a au maximum une solution xe k, 1.4 Surjection de E sur F On dit que fest surjective de F sur F lorsque tout élément de ensemble darrivée Fest Vimage d'au moins un élément de ensemble de départ E: (Vye F) Axe E)(y=flz) Cela signifie que pour tout y € F, Péquation y = ft) admet toujours au moins une solu- tionxe FE. 1.5 Bijection de E sur F ‘On dit que fest bijective lorsque tout élément de Fest image d'un et d'un seul élément de E, Cela équivaut donc A dire que fest 4 la fois injective et surjective. Liapplication qui a chaque y € Fassocic unique élément « € E tel que fla) = yest une bijection de Fsur E. On Pappelle bijection réciproque de f, et on la note f-}, 2. Espaces vectoriels sur K 2.1 Espaces vectoriels et sous-espaces vectoriels On ne démontre que trés rarement qu’un ensemble F est un espace vectoriel en démon- trant toutes les propriétés de la définition. On démontre toujours que E est un sous-Chapitre 1 Fappels d'algabre espace vectoricl d'un ensemble vectoriel connu, Pour cela, on démontre que £ est stable pour l'addition et pour la multiplication par un scalaire, ive. : © (Vx, ye E)(x+ye E) * (Vere E)(WAe K) (Axe E). 2.2 Combinaisons linéaires de vecteurs Une combinaison linéaire des vecteurs 1, up... 4p de E est un vecteur de ta forme Ayn, + Agtiy + "+ Ayu, oinles Ay, ..., A, sont des scafaires appartenant 4 K. II s'agit évi- demment d'un vecteur appartenant 4 espace vectoriel E. 2.3 Famille génératrice Une famille {1 1p) «5 up} de vecteurs de E est dite génératrice de F lorsque tout vec~ teur de E est une combinaison linéaire des vecteurs ayy ty rs tye Pa Remarque En pratique, pour démontrer que {1,, u2, ..., up} est une famille génératrice de E, on se donne un vecteur quelconque x ¢ Eet on montre quill existe des scalaires Ays seu Ay tels que x= Ayuy + Aug +--+ Ait eer oe () _ (- *) _ 2) jFxempte | Démontrer que la famille « = (3), 0 = 7"), w= le est un . x ae ae générateur de R? se fait en montrant que pour tout () € R2, il existe trois réels a, 4¢ *)_ (1), ,(-4), (2 . . eee tels que (3) = o(3)+4(~;")+<(5). ce qui est un systéme de deux équations & trois inconnues. x = a-4b+2¢ y = 2a42b+5e. Hest facile de voir que ce systéme admet des solutions a, 4, ¢ quels que soient x et y. Ils peuvent étre uniques ou non, cela est un autre probléme. y Attention La seule chose importante est I'existence des scalaires A, ...Espaces vectoriels sur K 2.4 Sous-espace vectoriel engendré par une famille de vecteurs Soit une famille donnée {1, 13, ..-. up} de veeteurs de £. ensemble de toutes les com- binaieons linéaires de ces vecteurs est/un sous- espace vectoriel de E. On V'appelle sous- espace vectoriel engendré par les vecteurs {14,g, --» Uy}- Dans RLX1], la famille de polyndmes {3, X- 1, X2 - 4X +9} engen- dre le sous-espace vectoriel RyL¥] des polyndmes de degré inférieur ou égal a 2. Dire que {1y, 1g, -.- est une famille génératrice de l'espace vectoriel £ signifie donc q > a, ger espa ig! que le sous-espace veclorel engendré par cette famille est égal 4 E tout entier. 2.5 Famille libre de vecteurs On dit qu'une famille {11, up, ..., up} de p vecteurs de E est libre lorsque + (yu + Aug + + yyy = 0) = (Uy = ag= =A, =0). Cela signifie qu’aucun des vecteurs iy ity, .144 4) nlest une combinaison linéaire des autres. Si un vecteur x de E est une combinaison linéaire des wecteurs iy ty, ny tp formant une famille libre, alors lécriture xs Ayu t Aga t+ Age, est unique. Quand une famille de vecteurs n'est pas libre, on dit qu’elle est liée. L’un au moins des vecteurs est combinaison linéaire des autres. 2.6 Espace vectoriel de dimension finie sur K On dit que E est de dimension finie sur X quand il existe une famille {a7, ty, +1 ph (avec un nombre fini de vecteurs) qui engendre E. ‘Tout vecteur de £ est donc une combinaison linéaire des vecteurs uy, Wy eos» tyeChapitee 1 Rappéls d’algebre * Dans un espace vectoriel de dimension 1, le rang d'une famille de vecteurs est infé- rieur ou égal a cette dimension 2. © Une famille est de rang 1 si et seulement si tous les vecteurs sont proportionnels, ce qui est facile a constater. © Une famille est de rang supérieur ou égal a 2 si et seulement s'il contient deux vecteurs non proportionnels. C'est facile 4 voir. wos My est €gal au rang de la famille tgs hy F gy ons ey © Le rang de la famille 1, 2, quels que soient les sealaires ay, ..., dy: On peut itérer ce procédé. * Une famille de p vecteurs est de rang p si et seulement si c'est une famille libre. 4.3 Représentation d'une famille de vecteurs sur une base Dans un espace vectoriel de dimension » muni dune base ®, on peut représenter une famille {4,, ..., %)} de p vecteurs par la matrice 4 » lignes et p colonnes contenant dans la premiére colonne les composantes du vecteur #4 sur B, en deuxiéme colonne les com- posantes du vecteur ny sur A et ainsi de suite : Ha 42 07 hp Ya M22" Map Mal Myo np en notant w;; la i-iéme composante du vectcur 1. On met traditionnellement les vee- teurs en colonnes. 4.4 Calcul du rang par échelonnement La méthode de Gauss, décrite plus bas, et qui permet d’échelonner une matrice, nous donne le rang d'une famille de vecteurs. Quand on a représenté la famille de vecteurs par sa matrice ci-dessus sur une base quelconque, on échelonne la matrice. Le rang de la famille de vecteurs, qui est aussi (par définition) celui de la matrice, est égal au nombre de lignes non nulles qui restent dans cette matrice échelonnéc.Matrices Ca eéeultat age facile i rotenie. I] cera revu d'une facon plus compléte dans ce cours Ie rang d'une matrice, i.e, le nombre maximum de colonnes formant une famille libre est aussi égal au nombre maximum de lignes formant une famille libre. 5. Matrices 5.1 Matrice an lignes et p colonnes Il sagit d'un tableau de 1 x p scalaires noté sous la forme : 1 By Mp 4) a a Aa[2 22 Bp Sad 9n,2 Sap et l'on note a; Vélément situé 4 intersection de la i-itme ligne et de la j-itme colonne. On dit qu’une matrice est nulle lorsque tous ses coefficients sont nuls. Quand elle admet autant de lignes que de colonnes (n =p), on parle de matrice carrée. 5.2 Matrices particuliéres La matrice identité d’ordre nest la matrice carrée dont tous les éléments sont nuls sauf ceux situés sur la diagonale principale ~ & savoir les «;,;— qui sont égaux un, Une matrice est dite diagonale lorsque tous les éléments hors-diagonale, les a; ; avec 1#y, sont nuls. Une matrice est triangulaire supérieure lorsque tous les éléments en dessous de la dia- gonale, i.e. les a ;avec />/sont nuls, On a une définition analogue pour triangulaire inférieure, Une matrice est symétrique lorsque a; if = 4j,; pour tous fet.Ch: 1 Rappels d'algabre | 5.3 Addition et produit par un scalaire © Lasomme §= + Bde deux matrices 4 et B ayant le méme nombre nde lignes et le méme nombre p de colonnes est la matrice de mémes dimensions » et dont l’élément situé sur la ligne et la colonne jest la somme §; ;= a; 5+ 3; > © Le produit d'une matrice A par un scalaire 2 est la matrice de mémes dimensions obtenue en multipliant chaque coefficient par ce scalaire. Leensemble M,, ,(K) des matrices & » lignes et p colonnes et a coefficients dans K, muni de ces deux operations, est un espace vectoriel de dimension n x p sur K. 5.4 Produit de deux matrices Attention, on ne peut faire le produit C=.4 x Bde deux matrices que lorsque le nombre p de colonnes de la matrice d est égal au nombre de lignes de la matrice B. On fait donc le produit d'une matrice m x p par une matrice p x g pour obtenir une matrice m x g dont Teélément générique ¢; ;est donné par la formule : # Le produit de matrices n'est pas commutatif. En général AB 4 BA. ¢ Le produit de deux matrices non nulles peut étre la matrice nulle. 5.5 Transposée d’une matrice La transposée de la matrice 4 = a; ; m lignes et p colonnes est la matrice notée ‘4 ayant lignes et » colonnes, et dont le terme situé sur la ligne fet la colonne jest a; On part de 4 et on remplace les colonnes par les lignes. La transposée du produit AB est le produit ‘B‘A. Une matrice symétrique est une matrice égale a sa transposée.Matrices 5.6 Rang d'une matrice Le rang d'une matrice est égal au nombre maximum de colonnes formant un systéme libre. Un théoréme trés important affirme que le rang d'une matrice est égal au rang de sa transposée. Le rang d'une matrice est donc aussi égal au nombre maximum de lignes formant un sys~ tame libre. Il est inférieur ou égal au nombre de lignes et au nombre de colonnes de la matrice, 5.7 Inverse d’une matrice carrée Une matrice carrée est inversible quand il existe une matrice, notée A~!, telle que Ad =#14=1, Une matrice est inversible si et seulement si [voir ci-dessous] l'application linéaire dont velle est la matrice sur une base quelconque est bijective (son noyau est réduit & zéro). Linverse du produit AB de deux matrices inversible est le produit B-LAM1. 5.8 Calcul du rang par la méthode de Gauss ‘On ne change pas le rang d’une matrice en remplagant chaque ligne Z, a partir de la deuxiéme par une combinaison linéaire Ly— ay y/a, yy, cc qui met des zéros dans la premiére colonne en dessous de la premiére ligne. On peut recommencer, en faisant apparaitre des zéros dans la deuxiéme colonne en dessous de Ia deuxiéme ligne et ainsi de suite. Les coefficients (comme a, y au départ) par lesquels on divise doivent étre non nuls : on les appelle pivots. ‘On finit par obtenir une matrice échelonnée : le nombre de zéros en téte (a gauche) de chaque ligne est strictement croissant. Le rang de la matrice initiale est égal au nombre de lignes non identiquement nulles dans Ja matrice échelonnéc finale.Chapitte 1 Rappe's c’algabre 6. Systemes linéaires Un systéme linéaire de n équations a p inconnues est donne sous la forme : ay ity tay zat" Hay, 9p = By Ag, 181 +g 2+ Fay, pty = Oy + tot = By 1% Fy ID Bn, p*p En notant A Ja matrice nx p des coefficients du systéme et B le vecteur second membre, on cherche un vecteur X € WY solution de léquation AX = B. 6.1 Echelonnement du systéme Le systéme de m équations E}, E>, ..., E,, est equivalent au systéme : By, Ey ~ ay lay yE yy ny Ey = dy ly Ey ott les nouvelles équations, a partir de la deuxiéme, ne contiennent plus l'inconnue x. in peut recommencer, de fagon que les équations a partir de Ja troisitme ne contiennent 1 it de fa 1 ti tir de Jat it it plus Tinconnue x, et ainsi de suite. En pratique, on échelonne la matrice augmentée du systéme, matrice 4 m lignes et p+ 1 colonnes : M1 42 °° Ap 4 My Mp7 1 Ay bp Cr obtenue en ajoutant la colonne second membre a la matrice 4 des coefficients du systéme. * Si cette matrice échelonnée comporte une ou plusicurs lignes avec p zéros suivis d'un dernier élément non nul, le systéme est impossible. * Sinon, le rang r du systéme est égal au nombre de lignes non identiquement nulles, .c. au nombre d’équations linéairement indépendantes du systéme initial. Ce rang est aussi le rang de la matrice J. * Sir5-..» ¢y} (appelée « ancienne base ») Aune « nouvelle base » Bi = {ef, ey... e%,} est la matrice carrée inversible dont la premitre colonne est formée des composantes du vecteur ef sur l'ancienne base, dont la deuxitme colonne est formée des composantes du vecteur ¢} sur l'ancienne base et ainsi de suite. La matrice de passage de la nouvelle base & 'ancienne est évidemment P-1,Complaments sur les sous-espaces vectoriels 9.2 Relation entre les composantes d’un méme vecteur Soit les composantes d'un certain vecteur sur 'ancienne base et V ses composantes sur la nouvelle base. En appelant Pla matrice de passage de lancienne base a la nouvelle, on ala relation fondamentale : V= PV que l'on retient en se rappelant que quand on ne fait pas d’errcur, on n’a pas de « PV ». 9.3 Relation entre les matrices d’un méme endomorphisme Soit fun endomorphisme de E dont la matrice sur lancienne base est 4 et dont la matrice sur la nouvelle base est 4’. En appelant toujours P la matrice de passage de l'ancienne base 4 la nouvelle, on a Ia relation : a4 = Pap |, 9.4 Plusieurs changements de bases Si P est la matrice de passage de la base @ a la base Wh” et si Pest la matrice de passage dela base B’ ala base B”, la matrice de passage de la base WB & la base B” est le produit PP’ (attention a Yordre !). 10. Compléments sur les sous-espaces vectoriels 10.1 Intersection de deux S.E. Lintersection F' 7 G de deux sous-espaces vectoriels Fet G de E est le sous-espace vec- toriel de E formé des vecteurs appartenant A Fet 4 G. 7Chapitre 1 Rappels d’algabre 10.2 Somme de deux S.E. La somme F'+ Gde deux sous-espaces vectoriels Fet G de E est le sous-espace vectoriel de E formé des vecteurs de E qui peuvent s‘écrire comme somme d'un veetcur de F et d'un vecteur de G. Ona la relation : dim(F' G) + dim(F + G) = dim F+ dim G 10.3 Somme directe de deux S.E. Sous-espaces supplémentaires On dit que les deux sous-espaces vectoriels F et G sont en somme directe lorsque tout vecteur de £ s'écrit de fagon unique comme un vecteur de Fet un vecteur de G. On dit aussi que F et G sont supplémentaires dans E. On note E=F @ G. © Cela équivaut a dire que FA G=(0) et dim E= dim F+dim G. © Cela équivaut a dire qu’en prenant une base de Fet en lui adjoignant une base de G ‘on obtient une base de E. Le théoréme de la base incomplete signifie que tout sous espace vectoriel de E (distinct de £) admet au moins un supplémentaire. 10.4 Somme directe de p S.E. On dit que les sous-espaces vectoriels Fj, Fy, ..., Fy sonten somme directe dans E lors- que tout vecteur de E stérit de facon unique comme somme x= x, +xz +" +x, 01 x, € Fy, xy © Fy ct ainsi de suite. On note E=F, © Fy 8 ~- @ F, Cela équivaut & dire qu'en prenant la réunion d'une base de F;, d'une base de F... d'une base de F, on obtient une base de E.Polynémes & une indéterminée sur un corps K 14. Polynomes a une indéterminée sur un corps K 11.1 Degré d’un polynéme Un polynéme est une suite (a9, a), 4, -.., dy, --.) d’éléments de K dont seulement un nombre fini dentre eux sont non nuls. Si» est le plus grand entier tel que a, #0, on note de fagon symbolique : Pa ayta,X+ayX244a,N7 et cet entier » sappelle le degré du polynéme P. Si Pest le polyndme nul, i.e. que tous ses coefficients sont nuls, on dit que son degré est gal 4 — o>, par commodité, * Un polynéme se note indifféremment P tout court ou PLX). © Pour montrer qu'un polynéme est le polynéme nul, on doit montrer que chacun de ses coefficients est nul. Ne pas confondre avec Ia résolution d’une équation p(x) = 0 qui consiste a trouver les quelques valeurs de « € Kannulant le polyndme ! © Le degré de Ia somme de deux polyndmes est inférieur ou égal au plus grand des deux degeés. 11.2 L’espace vectoriel K[X] Lrensemble K[X] des polynémes sur X, muni de Paddition et de la multiplication par un scalaire est un espace vectoricl de dimension infinie sur KX. Le sous-espace vectoriel K,[X] formé des polyndmes dont le degré est inférieur ou égal 4 nest de dimension n+ 1. Sa base « canonique » est la famille : {1 X, X2, 00. XP. 11.3 Produit de deux polynomes La formule définissant le produit de polyndmes est : (Som Eo)- FL =0 b= 0 p=0 i=0Chapitte # Roppels d'algebra 11.9 Théoréme de d’Alembert Tout polynéme de degré n 2 1 a coefficients complexes admet exactement » racines dis tinctes ou non dans C. Il peut donc se factoriser de fagon unique sous Ia forme : PUX) = ACN = ay)! x (X ~ ag)? x0 x (X= a)" oft A est un complexe non nul, oit les ay, a2, «..s az sont des complexes deux a deux dis- tinets ct oit les entiers 14, my, ..., my vérifient my + my +°~ + m= 2. Cas fondamental des polynémes réels Un polynéme a coefficient réel peut se considérer comme un élément de CLX] et le théoréme de d'Alembert s'applique. Les racines complexes sont deux 4 deux conjuguées. En regroupant les facteurs (X— a)” et (X—4)", on obtient: (X= ay” (X= a" = (22 + p+ g)™ oii ce polynéme du second degré est sans racine réelle. Le théoréme de d'Alembert s’énonce ainsi pour les polynémes a coefficients réels : Tout polynéme a coeflicients récls s'écrit comme produit de polynémes du premicr degré ct de polynomes du second degré 4 discriminant négatif. Les seuls polyndmes réels irréductibles sur R sont done ceux du premier degré et ceux du second degré & discriminant négatif. 22Chapitre 2 Déterminants Présentation du probleme 24 Definition des déterminants 25 Propriétés fondamentales des déterminants 26 Formes multilinéaires altornées et déterminants 311 Ragles de calcul sur les déterminants 35 Theoréme fondamental 39 Applications des déterminants. Matrices carrées 41 Rang d'une famille de vecteurs ou d'une matrice, Matrices quelconques 46 eemraneeon a Déterminant d'un endomorphisme 52 Annexe : Preuve des théorémes 2 et 3. Cas général 53 Exercices 56 23Chapitte 2. Determinants 1. Présentation du probleme Dans tout ce chapitre, K désigne R ou C et un entier naturel supérieur ou égal & 1, Par simplification, on notera souvent E=K*. On notera Cy, ..., C, des vecteurs de E. Un tel systéme de m vecteurs sera représenté par la matrice carrée d'ordre n de ses compo- santes sur la base canonique : le premier vecteur C, est mis en premiére colonne, et ainsi de suite. Cette matrice est aussi celle, sur la base canonique, de l'endomorphisme de E défini par ley) = Cy, vy fled = Cie On se propose de définir une application Ae M,(K) > det(d) € K possédant les pro- priétés suivantes 3. © det(4) #0 <> la matrice 4 est inversible, # det(‘d) = det(A). #det(4 x B) = det(4) x det(B). # det(/,) =1. Cette application, appelée déterminant, nous donnera donc une condition nécessaire et suflisante assez pratique (a défaut d'etre réellement simple & calculer) pour regarder si un systéme de 7 vecteurs de £ est libre, ou si un endomorphisme est un automorphisme, Nous allons procéder de la fagon suivante : a) Donner la définition de l'application det par récurrence : comment definir le déter- minant d'une matrice carrée de dimension n quand on sait le faire en dimension m1. b) Enoncer et vérifier un certain nombre de propriétés trés importantes qui vont a la fois: * Nous donner des régles pratiques de calcul des déterminants. © Montrer que le déterminant est ce que l'on appelle une forme multilinéaire alternée sur £. ©) Nous montrerons, ce qui est assez pénible a défaut d’étre vraiment tres difficile, que —a une constante multiplicative prés — il y a unc scule forme multilinéaire alternée sur E, le déterminant. d) Nous en déduirons alors les proprigtés : det(‘d)=det(d) et det(dx B) = det(A) x det(B). Le point c) pourra étre admis sans état d’Ame, méme si nous en donnons la démonstra- tion. 24Définition des déterminants Rappelons enfin que le rang d'une maurice est égal au nombre maximum de colonnes ou de lignes de la matrice formant une famille libre : le rang de la transposée de A est donc égale au rang de 4, Une démonstration est donnée en exercice, pour rafraichir la mémoire ! 2. Définition des déterminants Nous allons maintenant donner la définition du déterminant d'une matrice carrée. Elle se fait par récurrence sur la dimension. Notations. Soit 1>2 un entier et 4€ M,(K) une matrice carrée de dimension n. Pour tous 1S iS net 1S m nous noterons 4; ;la matrice carrée de dimension 2 — 1 obtenue en supprimant dans 4 la ligne i et la colonne j. Rappelons enfin qu'une matrice carrée de dimension 1 est simplement un scalaire. Définition 1 ; On définit par récurrence sur 7 une application Ae M,{K)+ det(d)e K de la facon suivante © Pour n= 1, det(a) =a. © Pourn>1: det(A) = a, 1 det(A, ,)—a, 5 det(A, >) +--(—1)£*1 a, , det(A, 4) +4(=1)"*1 a, , det(Ay,,)- Le scalaire det(4) s‘appelle déterminant de la matrice 4 et se note: feu. 42 °° 41m aso ase der(A) =| -21 “22 Bi 8n2 Gaon a det(d) — & det(c) = ad— bc. 2Chapitre 2 Déterminants 9 -2|* 9 -3 1-3 =5x 24-2x(- 12-9) +3 x8= 186. Déterminant d’une matrice triangulaire, Soit 4 une matrice triangu- laire inférieure avec les coefficients @,d>, .....@, sur la diagonale principale. La matrice 4 1 est une matrice triangulaire de dimension ~1 ayant les coefficients dy, ..., d, sur la diagonale. Comme 4, est le seul coefficient non nul de la premiére ligne, on obtient simplement det(4) =, x det(4, 1). En recommengant, on voit facilement que det(A) = d, x dy ~~ x d, est le produit des éléments diagonaux, Le raisonnement est légérement différent pour une matrice triangulaire supérieure, mais conduit au méme résultat. Ce résultat sera évident, d'ailleurs, quand on aura montré que det(‘A) = det(). Feererrrymgmg Comme cas particulier de matrice triangulaire, nous avons la matrice identité dont les éléments diagonaux valent 1. Son déterminant est done égal a 1. 4 -8 [ht ol 1 0 ba ' o 3. Propriétés fondamentales des déterminants 3.1 Proposition Le déterminant d'une matrice carrée de dimension n est une forme 1 linéaire alternée sur K", ce qui signifie qu'il vérifie les trois propriétés : Proposition 1: (1) Pour tout Ae Ket toutindice 1 det(X, Cy, ... 2,) soit une applica- tion linéaire de E dans K permet d’écrire : 1 axl + aCy Cy .- & dee( Cy, Cy, on, Gy) det] Ply Cy, oC, ead " = det(Cy, Cy... C,)+ PL aydet(C, C, kad | 30Formes multilinéaires alternées et déterminants Dans chacun des termes det(C,, Cy, ..., G,), nous avons deux vecteurs égaux (le premier et le A-itme). Chaque terme de la somme est donc nul. Nous avons donc bien * a(e + Dlg Cyr ¢,) = det(Cy. Cy... C,)- be? Cette démonstration faite pour j= 1 est évidemment valable, avec des notations plus délicates 4 gérer, pour tout vecteur C;. 4. Formes multilinéaires alternées et déterminants Ce paragraphe est a sauter en premiére lecture, seul le théortme 3 affirmant que le déter- minant d’une matrice est égal a celui de sa transposée étant 4 connaitre impérativement. Définition 2 : On appelle forthe wilingaire ‘lternee aur F toute application' de ENSEXEX-~xE dans K possédant les propriétés suivantes pour tout (Cy, nn Gy BM: (1) Pour tout Ae Ket tout indice 1 <<», ona GCA CEOS MG Men enncC (2) Pour tout 1<< n, si le vecteur C; est la somme G;= C/ + C7" de deux vee- teurs, alors AG. (3) Si deux vecteurs C; et C; sont égaux, alors (Cy, ... C,) = 0. Attention Dans la propriété (1), il ya un et un seul vecteur qui est multiplié yy par un scalaire. Dans la propriété (2), il y a un et un seul vecteur que l'on décompose comme une somme de deux vecteurs. On peut résumer les deux premiéres propriétés de la fagon suivante : Pour tout indice 1 1, Je determinant d'une matrice carrée de dimension » est égal au déterminant de sa transposée : det(A) = det(‘A). Démonstration. Nous procédons par récurrence sur la dimension n. L’hypothése #(n) est Ia suivante, composée de deux affirmations : © Soit fune forme multilinéaire alternée sur E= K. Alors il existe une constante A telle que pour tous vecteurs Cy, Cp..., C,, de Eon ait: Ap Co oory Cp) = A det( Cy, Cyyieee Cy) * Pour toute matrice carrée de dimension 7, on a det(4) = det(‘4). a) Montrons que la propriété est vraie pour m= 2. Notons 2; et 22 les deux vecteurs de la base canonique de K*. Soit fune forme bilinéaire alternée sur E = K2. Nous avons: flac, + bey, ce, + dey) = afley, ce, + dey) + bfley, ce, + dey) eps ey) # ad fley, €7) + 8c ley, e,) + bd fley, €2) = (ad~ bc) flys €2) = fle, ey) x det(aes + bey, cey + dey). La constante est done 4 =/(e}, ¢3). Par ailleurs, i est évident que les matrices a sa transposée ont le méme déterminant ad— de. b) Montrons que la propriété est héréditaire. Supposons-la vraie pour un entier 2 — 1 donné ct montrons qu’elle est vraic pour I'entier suivant 1. 32Formes multilinéaires alternées et déterminants Cette demonstration est trés technique. Paisons-la dans le eas = 3. Elle se généralise sans difficulté structurelle, mais avec des notations trés pénibles. Le cas général est démontré dans l'annexe A, en fin de chapitre avant les exercices : /a démonstration donnée en annexe remplace le texte placé a partir @ici jusqu'au c). a a, a, 1 42% Soit done f une forme multilingaire alternée sur E=K3, Soit A=|& 4, 6} la 4% G) matrice stockant les trois vecteurs Cy, Gp, C3. Nous avons, en utilisant la linéarité par rapport au premier vecteur © = a1¢y + b4¢2 + eye: fl) = faye, + yey + Gey Cy. Cy) = ayfley, Cy, Cy) + by fleg, Cy, Cy) + eyfles, Cy, C3). Nous pouvons remplacer, dans le premier de ces trois petits termes le vecteur Cy par Cy aye, ct Cy par Cy — aze,, et de méme dans les deux autres pour obteniz ; 100 0 a a 0 a 4% flA)= a f]0 6, &|+4,f/1 0 Ota sO B 4]. 0 & 0 6 100 10 0 rapplication (22 23 oe + Lapplication |"? 3)+/]0 dy dy| est une application bilinéaze alternée sur 4 04 6 by &, Ket est donc de la forme A; det (2 ‘| « Pour calculer la constante Ay, i suftit de 2 3 prendre by = 1, 3 = 0, cy =0, cy = 1 etYon obtient Ay = fey, ¢y €4)- ay 4 + Lapplication (? i 0 a a, Jaa © 0 | est une application bilinéaire alternée sur 0 % K? et est done de Ia forme A det ("2 *} Pour calculer Ap, il suffit de prendre 2 4) =1, a3 =0, cy =0, ¢=1 (ce qui donne un petit déterminant égal a 1) et Ton a 4a = Rea e163) =~ fle en €9)- 33Chapitre 2 Déterminants g) Quand deux lignes (ou deux colonnes) sont égales (ou proportionnelles), le déter~ minant est nul. h) Ledéterminant d'une matrice triangulaire est égal au produit des éléments diago- naux, La propriété a) a déja été énoncée et traduit que le déterminant est une forme multili- néaire alternée, La seconde vient de ’égalité det(‘4) = det(d) qui permet de renverser le role des lignes et des colonnes. Les propriétés f), g), h) ont deja été énoncées et démontrées. Montrons la propriété d) : application : Aw xy (- 144 a; det(4;, ;) 1 est une forme multilinéaire alternée (méme démonstration que celle faite avec i= 1 dans le paragraphe 2). Il existe done une constante A (indépendante de la matrice 4) telle que: n YE viv a; ; det(4; ) = A det(a). j=i Quand on prend 4=d,p seule la matrice 4; ; n'a pas de colonne nulle ; c'est la matrice identité de dimension n— 1 et son déterminant vaut 1. La somme de gauche se réduit ainsi A(- 1)! x 1=Ax 1, Ona done A= 1, En permutant lignes et colonnes, on obtient la proposition e). Ces régles de calcul conduisent 4 I'idée suivante : Faire apparaitre un maximum de zéros sur une méme ligne (ou colonne) en faisant des combinaisons linéaires de lignes ou de colonnes, ct développer par rapport a cette ligne (ou colonne). Reprenons le déterminant valant 186 du premier exemple et déve loppons-le par rapport a la troisiéme ligne qui compte déja un zér 5 18 + 24 3(- 40-8) = 186. 36Regles de calcul sur les déterminants On peut aussi faire apparaitre un deuxitme zéro sur la deuxitme colonne en ajoutant quatre fois la premidre ligne 4a seconde, et en develappant par FAppOrt A cette seconde colonne : 5 2 3 5 2 3 24 21 4-8 9|=|24 0 21 0)" j| 2x a3 1 0 -3| |1 0 -3 5 4 2 1 2 3 1 -2 a Ss so 1-2-1 4 Nous faisons apparaitre des zéros sur la derniére ligne en a) ajoutant deux fois ta deuxiéme colonne a la quatriéme b) ajoutant la premiére colonne a la troisiéme c) ajou- tant deux fois la premiére colonne a la deuxiéme : 5 4 7 9 2 7 3 4 14 7 9 d= 5 7 @ 5 =-| 7 3 4}. oe -17 -8 -5 1 0 o 0 On peut ensuite faire apparaitre un zéro sur la seconde ligne de la premiére colonne en soustrayant a la premiére colonne la somme des deux autres : -2 7 9 0 3.04 -4 -8 <5 On peut multiplier la derniere ligne par ~ 1 pour arranger les signes : -279 a@=|0 3 4). 4°85 On peut faire apparaitre un zéro en bas dela premiére colonne en ajoutant deux fois la premiere ligne & la derniére ligne : -2 7 9 d=|}0 3 4 0 22 23 7Frangois Cottet-Emard PV CeC) ym eV et bilinéaire Ce eMC eee ae a aS Oa) eee ce RO Ce Se Rae eR ree) Tu ae) er se ea ae eee Se urs matiques, depuis les déterminants jusqu’a la diagonalisation, et l'alg&bre bilinéaire ainsi Pree eee mes Ue Ce ura eg réels ou les complexes, sans tomber dans une abstraction trop théorique. Un résumé des prérequis de U'algebre de 'année Li de licence permet au lecteur de vérifier ses Peres reed La définition des déterminants est donnée par récurrence, ce qui donne immédiatement les techniques de calculs importantes. Certaines parties peuvent étre admises en pre- miére lecture sans nuire a une bonne assimilation des notions nouvelles. La technique de trigonalisation des matrices est donnée sous la forme de Jordan, suivant un algorithme ee MC Meee el ee a eae Cn et ed Ce oe Cee tee ome CeCe espace, La diagonalisation des matrices symétriques est faite a la main, sans utiliser de Ronee eco érequis de La en début d’ou dexercices corrigés (démarc proche du lecteur nples détaillé Francois Cottet-Emard Directeur d'études pour la Licence Maths @ Paris Sud Orsay Doe ee ee ee ee ead ea eee rete) mi | } | lll ll prnerts | WN ed 9 "78 149062 i este! ALGELI