1.cours D Algebre Espaces Vectoriels Et Applications Lineaires Janvier 2020 PDF

École Nationale Polytechnique
Classes Préparatoires
Résumé de cours :
1ère Partie :
- Structure d'Éspaces Vectoriels - Applications
Linéaires
Année Universitaire : 2019 - 2020
1ère Année - Janvier 2020

1
Algèbre 2 : Algèbre Linéaire - Résumé de cours -
1ère Partie : - Structure d'espace vectoriel - Applications linéaires ENP
Contenu :
Le deuxième semestre du cours d'Algèbre de 1ère année concerne l'Algèbre Linéaire.
Il est composé de six chapitres.
Le premier chapitre a trait à la structure d'espace vectoriel puis aux opérations sur
les espaces vectoriels, et enn, aux espaces vectoriels de dimension nie.
1. Structure d'espace vectoriel
2. Sous-espaces vectoriels d'un espace vectoriel
3. Opérations sur les sous-espaces vectoriels :
- Somme de sous espaces vectoriels
- Espaces supplémentaires dans un espace vectoriel
4. Vecteurs particuliers dans un espace vectoriel :
- Les combinaisons linéaires d'une famille nie de vecteurs
- Familles de vecteurs libres : vecteurs linéairement indépendants
- Familles de vecteurs liés : vecteurs linéairement dépendants
- Familles de vecteurs générateurs
- Bases dans un espace vectoriel
5. Espaces vectoriels de dimension nie
- Dénition et opérations.
- Formule des dimensions de Grassmann
Le deuxième chapitre traite des applications linéaires :

1. Applications linéaires
2. L'espace vectoriel des applications linéaires
- L'espace vectoriel des endomorphismes
- Le groupe linéaire
3. Noyau, image et rang d'une application linéaire
4. Application linéaires particulières :
- Applications linéaires injectives
- Applications linéaires surjectives
- Applications linéaires bijectives
-Transport de la strucure par isomorphismes d'espaces vectoriels
Le troisième chapitre porte sur les matrices :
1. Dénition d'une matrice
2. Matrices particuliéres
3. Opérations sur les matrices
4. L'espace vectoriel des matrices et l'algèbre des matrices carré es
5. Matrices inversibles et caractérisations á l'aide des dét erminants
6. L'écriture matricielle d'une application linéaire
7. Matrice de changement de bases
Algèbre 2 : Résumé de cours

- Algèbre Linéaire - Structure d'espace vectoriel - Applications linéaire
Janvier 2020/ENP/Cycle Préparatoire/ 2ème semestre
8. Eet d'un changement de bases sur la matrice d'une application linéaire

- Application : Résolution des suites récurrentes lináires et de systèmes de suites récurrentes
lináires, à coecients constants.
Le chapitre quatre aborde la réduction des matices carrées.
Le Chapitre cinq développe le calcul des déterminants.
Enn, le sixième et dernier chapitre étudie les systémes linéaires

Table des matières

1 La structure d'espace vectoriel 5
1.1 Dénition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Conventions : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Règles de calculs dans un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Structure d'algèbre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Sous espaces vectoriels (sev) dans un espace vectoriel 7

2.1 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1 Propriété : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.2 Caractérisation des sev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3 Opérations sur les sev : 7

3.1 Sommes de sev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2 Somme directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.3 Sous-espaces supplémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4 Vecteurs particuliers dans un ev 8

4.1 Les combinaisons linéaires d'une famille nie de vecteurs . . . . . . . . . . . . 8
4.2 Familles de vecteurs libres : vecteurs linéairement indépendants . . . . . . . 8
4.3 Familles de vecteurs liés : vecteurs linéairement dépendants . . . . . . . . . . 8
4.4 Familles de vecteurs générateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.5 Bases dans un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5 Espaces vectoriels de dimension nie 8

5.1 Dénition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
6 Morphismes d'espaces vectoriels 10

6.1 Dénition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
6.2 L'espace vectoriel des applications linéaires . . . . . . . . . . . . . . . . . . . . . 10
6.3 Sous-espaces orthogonaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
6.4 L'espace vectoriel des endomorphismes d'un K -ev . . . . . . . . . . . . . . . . 11
6.5 Transport de structure d'espace vectoriel par isomorphismes d'espaces vectoriels . . . 11
6.6 Le groupe linéaire des automorphismes de E . . . . . . . . . . . . . . . . . . . 11
6.7 Noyau - Image - Rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
6.7.1 Noyau d'une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . 12
6.7.2 L'image d'une application linéaire . . . . . . . . . . . . . . . . . . . . . . . 12
6.7.3 Rang d'une application lináire . . . . . . . . . . . . . . . . . . . . . . . . . 12
6.7.4 Applications linéaires particulières . . . . . . . . . . . . . . . . . . . . . . 12

Les espaces vectoriels

1 La structure d'espace vectoriel
1.1 Dénition :
Soit (K, +, .) un corps commutatif.
Un espace vectoriel est un ensemble E non vide muni d'une lci notée +, lui conférant une structure de
groupe abélien, et d'une loi dite externe notée ·, qui est une application de K × E vers E , (λ, x) 7→ λ.x,
jouissant des quatre propriétés suivantes :
Propriété 1 :
1.x = x, ∀x ∈ E
1 désignant l'élément neutre de la 2ème loi interne du corps K
Propriété 2 :
λ.(x + y) = λ.x + λ.y, ∀x ∈ E, ∀y ∈ E, ∀λ ∈ K
Propriété 3 :
(λ + µ).x = λ.x + µ.x, ∀x ∈ E, ∀λ ∈ K, ∀µ ∈ K
Propriété 4 :
(λ.µ).x = λ.(µ.x), ∀x ∈ E, ∀λ ∈ K, ∀µ ∈ K
On dira que (E, +, .) est un espace vectoriel su K , ou bien un K e-v.
1.2 Conventions :
Les éléments de E sont appelés des vecteurs
Les éléments de K sont appelés des scalaires
L'élément neutre du groupe (E, +) est noté 0 : dit vecteur nul
L'élément neutre du groupe (K, +) est aussi noté 0 : dit scalaire nul
L'élément symétrique du vecteux x dans le groupe (E, +) est noté −x
L'élément symétrique du scalaire λ dans le groupe (K, +) est noté −λ
1.3 Règles de calculs dans un espace vectoriel

1. λ.x = 0 ⇔ λ = 0 ou bien x = 0 (ou inclusif)
2. λ.(−x) = (−λ).x = −(λ.x), ∀x ∈ E, ∀λ ∈ K
3. λ.(x − y) = λ.x − λ.y, ∀x ∈ E, ∀y ∈ E, ∀λ ∈ K

Exercice :
Soit E = R+ − {0} et K = R considéré comme un corps vis-à-vis de l'addition et de la multiplication
des réels.
On munit E de la loi interne : x ⊕ y = xy, ∀x ∈ E, ∀y ∈ E,
On considère la loi externe : λ x = xλ , ∀x ∈ E, ∀λ ∈ K,
Montrer que (E, ⊕, ) est un K ev.
1.4 Structure d'algèbre

Dénition :
On dit que E est une algèbre sur K , si :
(E, +, .) est un K e-v
E est muni d'une deuxième lci notée ×, pour laquelle (E, +, ×) est un anneau
Pour tout x, y dans E , et pour tout λ dans K :
λ.(x × y) = (λ.x) × y = x × (λ.y)

Remarque :
Si la loi × est commutative (ie l'anneau est commutatif), on dira que l'algèbre est commutative.
Exemples classiques :
1. On pose : E = K n = {x = (x1 , ..., xn ), xi ∈ K} l'ensemble des n-uplets, composantes dans K .

La loi interne est l'addition + des n-uplets. (+ est la 1Ξre loi de K ).
La loi externe est la multiplication . de chaque composante par un scalaire. (. est la 2Ξme loi de
K ).
2. Soit X un ensemble non vide. Si (E, +, .) est un K -ev, alors E X , l'ensemble de toutes les
fonctions (applications) de X vers E , est un K -ev, muni de la loi interne + des fonctions, et de la loi
., multiplication des fonctions par un scalaire.
3. K [X], l'anneau des polynômes à une indéterminée et à coecients dans K , est une K algèbre
commutative.

2 Sous espaces vectoriels (sev) dans un espace vectoriel

2.1 Dénition
Soit (E, +, .) un K -ev et F un sous-ensemble non vide de E .
On dit que (F, +.) est un sev de l'espace vectoriel (E, +, .) si (F, +.) est lui-même un K -ev.
On dira dans ce cas que F est sev de E .
2.1.1 Propriété :
F est sev de E ssi F est stable par la loi + et que la loi externe . de E induit une loi externe sur
F , ie : λ.x ∈ F, ∀x ∈ F , ∀λ ∈ K .
En eet :
1. La loi + est une lci dans F , vu que c'est une lci dans E et que F est stable par cette loi.
2. L'associativité est vraie dans F, car elle est vraie dans E.
3. Étant donné que F est non vide, soit x un élément dans F . Comme 0 = 0.x (règles de calculs
dans un ev), donc 0 = 0.x est dans F , du fait par hypothèse que le produit d'un vecteur de F par un
scalaire appartient à −x = (−1).x est dans F ègles de calculs dans ev) et du fait par hypothse que
le produit d'un vecteur de F par un scalaire appartient à F
Remarque :
5cm
Ceci entrainera nécessairement que (F, +) est un sous-groupe du groupe (E, +).
5cm
2.1.2 Caractérisation des sev

F est sev de E ssi x + λ.y ∈ F, ∀x ∈ F, ∀y ∈ F, ∀λ ∈ K .
Exemples classiques :
1. Kn [X] l'ensemble des polynômes de degré inférieur ou égale à n est K -ev.
3 Opérations sur les sev :

3.1 Sommes de sev
Soit (E, +, .) un K -ev.
Soient E1 , E2 , ..., Em des sev de E .
On pose : E1 + E2 + ... + Em le sous-ensemble de E déni par :
E1 + E2 + ... + Em = {x = x1 + x2 + ... + xm , xi ∈ Ei }
Propriété :
E1 + E2 + ... + Em est un sev de E , appelé somme des sev Ei .
3.2 Somme directe

La somme E1 + E2 + ... + Em est dite directe, si ∩Ei est réduite à {0}.
On écrit : ⊕Ei .
3.3 Sous-espaces supplémentaires

Pour m = 2, si E = ⊕Ei , on dira que les deux sev sont supplémentaires dans E .
On écrit aussi : E1 = E E2 .
De même pour E2 .

4 Vecteurs particuliers dans un ev

Soit (E, +, .) un K -ev. On donne p vecteurs de E : x1 , x2 , ..., xp .
4.1 Les combinaisons linéaires d'une famille nie de vecteurs

Dénition : On appelle combinaisons linéaire des vecteurs E : x1 , x2 , ..., xp , tout vecteur x de E
qui s'écrit sous la forme : x = c1 x1 + c2 x2 + ... + cp xp , où 1 c1 , c2 , ..., cp sont des scalaires de K .
4.2 Familles de vecteurs libres : vecteurs linéairement indépendants

Dénition : On dit que les vecteurs x1 , x2 , ..., xp forment une famille libre ou bien qu'ils sont
linéairement indépendants, si : c1 x1 + c2 x2 + ... + cp xp = 0 implique c1 = 0, c2 = 0, ..., cp = 0.
4.3 Familles de vecteurs liés : vecteurs linéairement dépendants

Dénition : On dit que les vecteurs x1 , x2 , ..., xp forment une famille liée ou bien qu'ils sont
linéairement dépendants, s'il existe des scalaires c1 , c2 , ..., cp non tous nuls ; tq :
c1 x1 + c2 x2 + ... + cp xp = 0.
4.4 Familles de vecteurs générateurs

Dénition : On dit que les vecteurs x1 , x2 , ..., xp forment une famille génératrice ou bien qu'ils
sont géné rateurs de E ; si tout vecteur x de E s' écrit comme combinaison linénaire de ces vecteurs :
x = c1 x1 + c2 x2 + ... + cp xp .
On écrit : E = hx1 , x2 , ..., xp i, ou bien : E = vect {x1 , x2 , ..., xp } .
4.5 Bases dans un espace vectoriel

Dénition : On dit que les vecteurs x1 , x2 , ..., xp forment une base de E si elle est libre et
génératrice.
Ceci est équivalent de dire : tout vecteur x de E s'écrit de faon unique.
5 Espaces vectoriels de dimension nie

5.1 Dénition :
On dit qu'un espace vectoriel est de dimension nie, s'il posséde au moins une partie génératrice.
Dans ce cas, la dimension de E est notée dimK E.
C'est le cardinal de toute base.
Exemples-type :
1. La base canonique de K n : ce sont les vecteurs de la famille :
e1 = (1, 0, ..., 0), e2 = (0, 1, 0, ..., 0), ..., en = (0, 0, ..., 0, 1)

.
Donc :dimK K n = n.
2. La base canonique de Rn [X] : ce sont les polyn ômes :
P0 = 1, P1 = X, P2 = X 2 ..., Pn = X n
.
Donc : dimK Rn [X] = n + 1.

Propriété : 1. Si F est un sev d'un K -ev E , et si E est de dimension niem alors :

F est de dimension nie
dimF ≤ dimE
F = E ssi dimF = dimE
En particulier : dimF = 0 ssi F = {0}

2. Formule des dimensions (formule de Grassmann) :
dim(F1 + F2 ) = dimF1 + dimF2 − dim(F1 ∩ F2 )
3. Rang d'un systéme de vecteurs :
C'est la dimension du sev engendré par ces vecteurs. On note dim(he1 , ..., ep i) ce rang.
Exercices
Exercice 1
Soit E = RN le R-ev des suites numériques rélles. On donne les sev :
E1 = {(un )n ∈ E, tq : un+1 = 2un }
E2 = {(un )n ∈ E, tq : un+1 = 3un }

Montrer que :
E1 + E2 = {(un )n ∈ Ntq : un+2 = aun+1 − bun , ∀n ∈ N}, en détreminant a et b.
Exercice 2
Soit E un K -ev et F1 , F2 et F3 trois sev de E .
On suppose que :
- F1 ∩ F2 = {0}
- (F1 + (F2 ) ∩ F3 = {0}
Montrer que :
1/ F2 ∩ F3 = {0}
2/ F1 ∩ (F2 + F3 ) = {0}
3/ pour tout x élément de F1 + F2 + F3 :
l'écriture x = u1 + u2 + u3 dans F1 + F2 + F3 est unique.

Les applications linéaires

6 Morphismes d'espaces vectoriels
6.1 Dénition :
Soit (K, +, .) un corps commutatif et E et F deux K -ev.
On dit qu'une application f de E vers F est un morphisme d'espaces vectoriels ou que f est application
linéaire de E vers F , si :
f (λx + µy) = λf (x) + µf (y), pour tout x et y dans E et pour tout λ et µ dans K .
Remarque :
1. f est un morphisme des groupes (E, +) et (F, +).
2. On peut uniquement vérier :
f (x + λy) = f (x) + λf (y), pour tout x et y dans E et pour tout λ dans dans K .
6.2 L'espace vectoriel des applications linéaires

Il est noté : LK (E, F ).
Muni de l'addition des applications et de la multiplication des applications par un scalaire.
C'est un K -ev.
Propriété :
Si E et F sont deux K -ev de dimension nie, alors LK (E, F ) : est de dimension nie et :
dimK LK (E1 , E2 ) = (dimK E1 )(dimK E2 )
Remarque :
Le cas F = K donne le K -ev des formes linéaires sur E .
On le note E ∗ , appelé dual (algébrique) de E .
Dans ce cas, f (x) est noté hf, xi , dit crochet de dualité.
Exemples :
- La forme linéaire de Dirac, dite 'impulsion de Dirac' , notée δx0 :
hδx0 , ϕi = ϕ(x0 ) pour toute fonction ϕ de l'espace vectoriel des fonctions continues sur R
Proposition : Soit E de dimension nie n et f ∈ E ∗ une forme linéaire non nulle.
On a : dimK Ker(f ) = n − 1.
Le noyau de f est appelé hyperplan de E déterminé par f .
Remarques :
1. Tout sev de dimension n − 1, avec n ≥ 3, d'un ev de dimension n est appelÃ c hyperplan.Pour
n = 2, on dit que c'est une droite. Pour n = 3, on dit que c'est un plan.
2. Soit x ∈ E . Posons x = x1 e1 + · · · + xn en , on a alors f (x) = a1 x1 + · · · + an xn .
L'hyperplan déterminé par f est donc l'ensemble des vecteurs x de E dont les composantes vérient
l'équation linéaire :
a1 x1 + · · · + an xn = 0.
L'espace des solutions d'un systéme d'équations linéaires peut donc être vu comme une intersection
d'hyperplans.
Base duale
Soit E un espace vectoriel de dimension nie sur un corps K . Puisque dimK L(E, K) = (dimK E)(dimK K) =
dimK E , on a la proporiété suivante :
dimK E ∗ = dimK E et par conséquent, E et E ∗ sont isomorphes.
Théoréme : Soit E de dimension nie égale à n et e1 , · · · , en une base de E .
Considérons les formes linéaires f1 , . . . , fn dénies par hfi , ek i = δik où δik = 0 si i 6= k et δik = 1 si

i = k . δik est appelé symbole de Kronecker).

Alors {f1 , . . . , fn } est une base de E∗ appelée base duale de e1 , ..., en .
Exemple :
Soient E = Rn [X] le R − ev des polynômes de degré inférieur ou égal à n et a0 , a1 , ..., an n + 1 réels
distincts deux á deux.
On dénit les polynômes L0 , L1 , ..., Ln de Lagrange par :
Li (aj ) = δij
Montrer que les polyn ômes de Lagrange forment une base de Rn [X].
On pourra utiliser les n + 1 formes linéaires I j : Rn [X] −→ R tq :
P → P (ai )
On a, pour tout (i, j) ∈ {0, ..., n}2 , Ij(ai) = δij .
6.3 Sous-espaces orthogonaux

Proposition :
Soit E un espace vectoriel et F un sous-espace vectoriel de E . L'ensemble des formes linéaires qui
s'annulent sur tous les vecteurs de F : F ⊥ = f : E −→; K, ∀v ∈ F, f (v) = 0 est un sous-espace vectoriel
de E ∗ appelé l'orthogonal de F .
Remarque :
En dimension nie, et en utilisant la linéarité, on montre que, si e1 , · · · , ep est une base de F , alors
F ⊥ = f ∈ E; f (e1 ) = · · · = f (ep ) = 0.
Proposition :
Soit E de dimension nie et F un sous-espace vectoriel de E . On a :
dimE = dimF ⊕ dimF ⊥
6.4 L'espace vectoriel des endomorphismes d'un K -ev

Pour E = F , on obtient le K -ev des endomorphismes de E .
Dans ce cas, on le note LK (E).
Remarque :
L'espace vectoriel LK (E) muni de la composition des application est une algébre non commutative.
6.5 Transport de structure d'espace vectoriel par isomorphismes d'espaces vecto-

riels
Un isomorphisme d'espaces vectoriels est une application linéaire bijective de E vers F .
L'ensemble de ces isomorphismes est noté IsoK (E, F ).
Il y a transport de structure d'espace vectoriel par cet isomorphsme.
6.6 Le groupe linéaire des automorphismes de E

C'est le sous ensemble de LK (E) des applications liéaires bijectives de E vers lui même
Muni de la composition des applications, c'est un groupe, dit groupe linéaire de E . On le note GlK (E).

6.7 Noyau - Image - Rang

6.7.1 Noyau d'une application linéaire
Soit f une application linéaire entre deux K -ev E et F .
Le noyau d'une application linéaire f c'est le noyau de f , f considéré en tant que morphisme de
groupes, noté donc kerf .
Propriété :
C'est un sev de E .
6.7.2 L'image d'une application linéaire

L'image de f c'est l'image de l'application f , noté Imf .
Propriété :
C'est un sev de E .
Remarque :
De faon générale, si F est sev de E , alors f (F ) est un sev de E .
On a : ker(f ) = f −1 ({0}) et Im(f ) = f (E).
6.7.3 Rang d'une application lináire

Le rang de f , lorsque E est de dimension nie, c'est la dimension du sev
Imf , noté rg(f ).
Théorème du rang :
Soit E et F deux espaces vectoriels de dimension nie et f ∈ LK (E, F ). On a :
dimK E = rg(f ) + dimK (Ker(f ))
6.7.4 Applications linéaires particulières

1. Applications linéaires injectives :
Une application linéaire est injective ssi kerf = {0}.
Propriété :
Si f est injective et si la famille (vi )i∈I est libre dans E , alors la famille (f (vi))i ∈ I est libre
dans F.
2. Applications linéaires surjectives :
Une application linéaire est surjective si Im(f ) = F .
Propriété :
Si f est surjective et si la famille (vi )i∈I est génératrice de E, alors la famille (f (vi ))i∈I est
génératrice de F.
En particulier, si f est bijective, l'image d'une base de E est une base de F.
Corollaire Soit f ∈ LK (E, F ) où E et F sont deux espaces vectoriels de même dimension nie.
Les propriétés suivantes sont équivalentes : i)f est injective ii) f est surjective iii) f est bijective
Corollaire :
Soit f ∈ LK (E), avec E de dimension nie.
On a les équivalences suivantes :
f est bijective ⇔ Kerf = 0 ⇔ Imf = E .
Exercice
Soit E un espace vectoriel de dimension nie n, muni d'une base (b1 , . . . , bn ).
Pour tout i = 1, . . . , n, on dénit la i-è me application coordonnée Li comme l'application de E dans

R qui à v ∈ E associe le réel xi qui est la i-ème coordonnée de v sur la base (b1 , . . . , bn ).
v = x1 b1 + · · · + xi bi + · · · + xn ......1 (v)b1 + · · · + Li (v)bi + · · · + Ln (v)bn .

1. Montrer que les Li sont des applications lin'eaires.
2. Montrer que le noyau de Li est un sous-espace vectoriel de dimension n − 1 de E (hyperplan).
3. On prend E = R3 et b1 = (1, 0, −1), b2 = (0, 2, 3), b3 = (0, 0, 1).
Montrer que (b1 , b2 , b3 ) est une base de E .
Pour i = 1, 2, 3, déterminer l'image par Li d'un vecteur v = (x, y, z) quelconque de R3 .
Exercice
Soient V et W deux sous-espaces vectoriels de R4 tels
que V ∩ W = {0}.
On note V + W = u ∈ R , u = v + w, v ∈ V, w ∈ W .
4

1. Montrez que V +W est un sous-espace vectoriel de R4 . 2. Soit v un vecteur non nul de V , et {w1 , w2 }
une famille libre de vecteurs de W .
a. Qu'implique l'existence de ces deux familles libres sur les dimensions de V et W ?
b. Montrez que la famille {v, w1 , w2 } est libre dans R4 .
3. On considère maintenant une famille libre de deux vecteurs {v1 , v2 } de V . Montrez que {v1 , v2 , w1 , w2 }
est une base de R4 .
Exercice
Soit H un sous-espace vectoriel de E . Les propriétés suivantes sont équivalentes :
i)H est le noyau d'une forme linéaire non nulle ;
ii) il existe une droite D de E telle que E = H ⊕ D.
Équations de récurrence linéaires Nous présentons ici la résolution, dans le cas

général, des équations d'ordre quelconque.
Considérons l'équation E : ∀n ∈ N , un+d = a0 un + a1 un+1 + · · · + ad−1 un+d−1 .
Pour connaître la forme des solutions de (E), il faut résoudre l'équation caracté-
ristique associée : rd = a0 + a1 r + · · · + ad−1 rd−1 .
C'est la condition pour que la suite géométrique (un ) = (rn ) soit solution de (E).
On démontre le résultat suivant :
Théorème :
L'ensemble des suites complexes solution de (E) est un espace vectoriel de dimen-
sion d sur C.
Notons r1 , . . . , rk les racines (réelles ou complexes) de l'équation caractéristique
associée et m1 , . . . , mk leurs multiplicités.
Toute solution de l'équation (E). s'écrit :
k m
X Xi −1
un = λi,j nj (ri )n ; ,
i=1 j=0
où les d coecients λi,j , i = 1, . . . , k, j = 0, . . . , mi −1 sont réels ou complexes.
En pratique, pour déterminer une solution vériant d conditions particulières, il
sut de calculer ses coecients λi,j en résolvant un système linéaire ordinaire, de
d équations à d inconnues.

Exemple :
Considérons l'équation suivante : (E) ∀n ∈ N , un+3 = un + un+1 − un+2 .
L'équation caractéristique associée est : r3 = 1 + r − r2 . Elle a pour racines 1
(racine simple) et −1 (racine double). Toute solution de l'équation de récurrence
s'écrit donc : un = a(1)n + b(−1)n + cn(−1)n . Pour trouver la solution qui vérie
u0 = −1, u1 = 1, u2 = 0, on résout le système suivant.
a+b = −1
a−b−c = 1
a + b + 2c = 0
La solution est a = 1/4, b = −5/4, c = 1/2.
1 5 1
On obtient : un = − (−1)n + n(−1)n
4 4 2


1.cours D Algebre Espaces Vectoriels Et Applications Lineaires Janvier 2020 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

1.cours D Algebre Espaces Vectoriels Et Applications Lineaires Janvier 2020 PDF

Transféré par

Droits d'auteur :

Formats disponibles

École Nationale Polytechnique

- Structure d'Éspaces Vectoriels - Applications

Année Universitaire : 2019 - 2020

1ère Année - Janvier 2020

Le deuxième chapitre traite des applications linéaires :

Algèbre 2 : Résumé de cours

8. Eet d'un changement de bases sur la matrice d'une application linéaire

Le chapitre quatre aborde la réduction des matices carrées.

Le Chapitre cinq développe le calcul des déterminants.

Enn, le sixième et dernier chapitre étudie les systémes linéaires

Algèbre 2 : Résumé de cours

Table des matières

2 Sous espaces vectoriels (sev) dans un espace vectoriel 7

3 Opérations sur les sev : 7

4 Vecteurs particuliers dans un ev 8

5 Espaces vectoriels de dimension nie 8

6 Morphismes d'espaces vectoriels 10

Algèbre 2 : Résumé de cours

Les espaces vectoriels

On dira que (E, +, .) est un espace vectoriel su K , ou bien un K e-v.

1.3 Règles de calculs dans un espace vectoriel

Algèbre 2 : Résumé de cours

1.4 Structure d'algèbre

λ.(x × y) = (λ.x) × y = x × (λ.y)

1. On pose : E = K n = {x = (x1 , ..., xn ), xi ∈ K} l'ensemble des n-uplets, composantes dans K .

Algèbre 2 : Résumé de cours

2 Sous espaces vectoriels (sev) dans un espace vectoriel

2.1.2 Caractérisation des sev

3 Opérations sur les sev :

3.2 Somme directe

3.3 Sous-espaces supplémentaires

Algèbre 2 : Résumé de cours

4 Vecteurs particuliers dans un ev

4.1 Les combinaisons linéaires d'une famille nie de vecteurs

4.2 Familles de vecteurs libres : vecteurs linéairement indépendants

4.3 Familles de vecteurs liés : vecteurs linéairement dépendants

4.4 Familles de vecteurs générateurs

4.5 Bases dans un espace vectoriel

5 Espaces vectoriels de dimension nie

e1 = (1, 0, ..., 0), e2 = (0, 1, 0, ..., 0), ..., en = (0, 0, ..., 0, 1)

Algèbre 2 : Résumé de cours

Propriété : 1. Si F est un sev d'un K -ev E , et si E est de dimension niem alors :

 F = E ssi dimF = dimE

 En particulier : dimF = 0 ssi F = {0}

E1 = {(un )n ∈ E, tq : un+1 = 2un }

E2 = {(un )n ∈ E, tq : un+1 = 3un }

Algèbre 2 : Résumé de cours

Les applications linéaires

6.2 L'espace vectoriel des applications linéaires

dimK LK (E1 , E2 ) = (dimK E1 )(dimK E2 )

Algèbre 2 : Résumé de cours

i = k . δik est appelé symbole de Kronecker).

On a, pour tout (i, j) ∈ {0, ..., n}2 , Ij(ai) = δij .

6.3 Sous-espaces orthogonaux

dimE = dimF ⊕ dimF ⊥

6.4 L'espace vectoriel des endomorphismes d'un K -ev

6.5 Transport de structure d'espace vectoriel par isomorphismes d'espaces vecto-

6.6 Le groupe linéaire des automorphismes de E

Algèbre 2 : Résumé de cours

6.7 Noyau - Image - Rang

6.7.2 L'image d'une application linéaire

6.7.3 Rang d'une application lináire

dimK E = rg(f ) + dimK (Ker(f ))

8. Eet d'un changement de bases sur la matrice d'une application linéaire

Enn, le sixième et dernier chapitre étudie les systémes linéaires

5 Espaces vectoriels de dimension nie 8

4.1 Les combinaisons linéaires d'une famille nie de vecteurs

5 Espaces vectoriels de dimension nie

Propriété : 1. Si F est un sev d'un K -ev E , et si E est de dimension niem alors :

F = E ssi dimF = dimE

En particulier : dimF = 0 ssi F = {0}