Académique Documents
Professionnel Documents
Culture Documents
2020 – 2021
Universitaire
2 Séries de Fourier 11
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Résultats de convergence . . . . . . . . . . . . . . . . . . . . . . . 16
Page 2/ 18
PARTIE 1 – Suites et Séries
1 Séries en Z
Lorsqu’on traite un signal temporel, il arrive souvent qu’on n’ait accès qu’à
certaines de ses valeurs (e.g., celles aux temps nT , pour n ∈ N, et T > 0, appelé
période d’échantillonnage). Finalement, à partir d’un signal continu f (t), nous
ne pouvons parfois considérer qu’un signal discret numérique fn = f (nT ).
Nous allons voir ici un outil (utilisé en filtrage numérique, ainsi qu’en résolu-
tion d’équations récurrentes) permettant d’associer une fonction d’une variable
complexe z à ce type de signal discret.
Ainsi, à l’aide des propriétés sur les séries entières, on en déduit celles sur
les séries en Z.
Page 3/ 18
PARTIE 1 – Suites et Séries
Proposition 8. Si ∑n∈N ∣cn ∣ et ∑n∈N ∣c−n ∣ (ou ∑n∈N ∣an ∣ et ∑n∈N ∣bn ∣)
convergent, la série trigonométrique ∑n∈Z cn einx converge normalement sur
R. La fonction définie par :
S(x) = ∑ cn einx ,
n∈Z
Proposition 9. Si (cn )n∈N et (c−n )n∈N (ou (an )n∈N et (bn )n∈N ) sont réelles,
décroissantes et tendent vers 0, alors la série trigonométrique ∑n∈Z cn einx
converge simplement sur R ∖ {2πx, x ∈ Z}, et uniformément sur tout inter-
valle de la forme [2kπ + α, 2(k + 1)π − α], avec 0 < α < π et k ∈ Z.
Page 13/ 18
PARTIE 1 – Suites et Séries
1.1 Propriétés
Proposition 2. Linéarité
Soit (an )n∈N et (bn )n∈N deux suites complexes et α, β deux complexes. Dans
ce cas, on a :
Proposition 3. Modulation
Soit (an )n∈N une suite complexe et q ∈ C∗ . On définit la suite (bn )n∈N par :
bn = q n an .
Dans ce cas, on a :
z
Z(bn )(z) = Z(an ) ( ) .
q
z z/q z
Z(bn )(z) = Z(an ) ( ) = = .
q z/q − 1 z − q
Page 5/ 18
PARTIE 1 – Suites et Séries
1 1 1 T
2 2 2 2 2
∑ ∣cn (f )∣ = ∣a0 (f )∣ + ∑ ∣an (f )∣ + ∑ ∣bn (f )∣ = ∫ ∣f (t)∣ dt.
n∈Z 2 n∈N∗ 2 n∈N∗ T 0
f (x−) + f (x+)
Sf (x) = .
2
En particulier, si f est continue en x, alors Sf (x) = f (x).
On peut cependant calculer explicitement Dn (t) (étant donné qu’il s’agit d’une
somme de termes d’une suite géométrique) :
2π(2n+1)
2πn exp [i T t] − 1 sin[π(2n + 1)t/T ]
∀t ∈ R∖2πZ, Dn (t) = exp [−i t] = .
T exp [i 2π
T t] − 1
sin[πt/T ]
Page 17/ 18
PARTIE 1 – Suites et Séries
0, si k ≠ p,
δp (k) = {
1, si k = p.
Proposition 5. Avance
Soit (an )n∈N une suite complexe et k ∈ N∗ . La suite avancée de k de la
suite (an )n∈N est définie par bn = an+k . Dans ce cas, on a :
k−1
Z(bn )(z) = z k [Z(an )(z) − ∑ an z −n ] .
n=0
Page 7/ 18
TABLE DES MATIÈRES
2 Séries de Fourier 4
Page 2/ 6
PARTIE 1 – Suites et Séries
Proposition 7. Soit (an )n∈N et (bn )n∈N deux suites complexes. On note Ra
et Rb les rayons de convergences des séries Z(an )(z) et Z(bn )(z). Dans ce
cas, pour tout ∣z∣ > max(Ra−1 , Rb−1 ), on a :
Page 9/ 18
1.4 Application : Suites récurrentes
z2
Z1 (z) = .
z2 − 4
On cherche sa série en Z inverse. Pour cela, on va mettre Z1 (z) sous forme
de fractions rationnelles :
z 1 1
Z1 (z) = [ + ].
2 z−2 z+2
On définit deux signaux géométriques avec an = 2n et bn = (−2)n . Par le
formulaire du cours, on sait que :
z z
Z(an )(z) = , et Z(bn )(z) = .
z−2 z+2
Finalement, par linéarité, on obtient que :
an + bn
Z( ) (z) = Z1 (z).
2
Ainsi la série en Z inverse de Z1 est la suite (cn )n∈N définie par :
Page 10/ 18
PARTIE 1 – Suites et Séries
Z −1 ((z − 1)−2 ) = δ1 ∗ n.
Finalement, on a :
⎧
⎪ 0, si n = 0,
1 3 1 ⎪
an = δ1 ∗ (−1)n + δ1 ∗ 1 + δ1 ∗ n = ⎨ (−1)n−1 3 n−1
4 4 2
2 , si n > 0.
⎪
⎪ + +
⎩ 4 4
2 Séries de Fourier
Ici nous allons nous pencher sur une certaine forme de séries de fonctions :
les séries trigonométriques. Elles vont nous permettre d’approximer des fonc-
tions irrégulières (comme un signal en créneau) à l’aide de fonctions régulières
(somme de cos et de sin)
Page 11/ 18
2 - Séries de Fourier
Page 6/ 6
PARTIE 1 – Suites et Séries
Proposition 8. Si ∑n∈N ∣cn ∣ et ∑n∈N ∣c−n ∣ (ou ∑n∈N ∣an ∣ et ∑n∈N ∣bn ∣)
convergent, la série trigonométrique ∑n∈Z cn einx converge normalement sur
R. La fonction définie par :
S(x) = ∑ cn einx ,
n∈Z
Proposition 9. Si (cn )n∈N et (c−n )n∈N (ou (an )n∈N et (bn )n∈N ) sont réelles,
décroissantes et tendent vers 0, alors la série trigonométrique ∑n∈Z cn einx
converge simplement sur R ∖ {2πx, x ∈ Z}, et uniformément sur tout inter-
valle de la forme [2kπ + α, 2(k + 1)π − α], avec 0 < α < π et k ∈ Z.
Page 13/ 18
2.2 Définitions
On reconnaît la somme des termes d’une suite géométrique (de raison eix ), ce
qui implique que pour tout x ∈ [α, 2π − α] :
1 − ei(n+1)x 2 1 1
∣En (x)∣ = ∣ ix
∣≤ ix
= ≤ .
1−e ∣1 − e ∣ ∣ sin(x/2)∣ sin(α/2)
Vérifions rapidement la relation suivante :
n n−1
∀x ∈ [α, 2π − α], Sn (x) = ∑ cn eikx = ∑ [ck − ck+1 ]Ek (x) + cn En (x).
k=0 k=0
2.2 Définitions
1 T 2πn
∀n ∈ Z, cn (f ) = ∫ f (t) exp [−i t] dt,
T 0 T
et :
⎧ 1 T
⎪
⎪
⎪ a 0 (f ) = f (t)dt,
⎪ ∫
⎪
⎪
⎪ T 0
T
⎪ 2
⎨ ∀n ∈ N∗ , an (f ) = ∫ f (t) cos(2πnt/T )dt,
⎪
⎪
⎪ T 0T
⎪
⎪
⎪ ∗ 2
⎪
⎪ ∀n ∈ N , bn (f ) = ∫ f (t) sin(2πnt/T )dt.
⎩ T 0
Page 14/ 18
PARTIE 1 – Suites et Séries
Page 15/ 18
2.3 Résultats de convergence
n≠0 :
2 T /2 2 0 2 T /2
an (f ) = ∫ h(t)dt = ∫ h(t)dt + ∫ h(t)dt,
T −T /2 T −T /2 T 0
2 T /2 2 T /2 2 T /2
= ∫ h(−τ )dτ + ∫ h(t)dt = ∫ [h(τ ) + h(−τ )]dτ = 0.
T 0 T −T /2 T 0
Page 16/ 18
PARTIE 2 – Analyse Fonctionnelle
◇ Croissances comparées :
sh(x) sh(x)
lim = lim = +∞.
x→−∞ x x→+∞ x
e−x − ex ex − e−x
sh(−x) = =− = −sh(x),
2 2
ce qui prouve l’imparité de sh. On en déduit aisément que sh(0) = 0.
◇ Soit x > 0. Comme exp est strictement croissante, on a :
◇ On sait que :
implique bien que sh(x) tend vers +∞ quand x → +∞. Comme sh est
impaire, on a l’égalité suivante :
◇ Nous avons :
sh(x) ex e−x 1 ex 1 et
lim = lim − lim = lim + lim = +∞.
x→+∞ x x→+∞ 2x x→+∞ 2x 2 x→+∞ x 2 t→−∞ t
Page 7/ 75
1.1 Fonctions Cosinus et Sinus Hyperboliques
sh(x) ch(t)
lim = lim = +∞.
x→−∞ x t→+∞ t
Page 8/ 75
PARTIE 2 – Analyse Fonctionnelle
qui est égal exactement au membre de droite, toujours par la formule d’Euler
version hyperbolique.
Page 9/ 75
TABLE DES MATIÈRES
2 Séries de Fourier 4
Page 2/ 6
PARTIE 1 – Suites et Séries (TD)
1 Séries en Z
Exercice 1. Signal Dirac
À l’aide d’un calcul direct, calculez la série en Z de la suite Dirac en p ∈ N.
Correction ▼ [001]
Exercice 2.
Calculez la série en Z des suites définies ci-dessous :
◇ an = n(n − 1) ;
◇ bn = (−1)n ;
◇ cn = sin(nω) pour ω ∈ R ;
◇ dn = 2−n−3 ;
◇ en = n2 .
Correction ▼ [002]
Exercice 3. Signal ch
ex +e−x
On définit la suite (an )n∈N par an = f (n) avec f (x) = 2 . Exprimez la
série en Z de (an )n∈N en fonction de f (1).
Correction ▼ [003]
Exercice 4.
On définit les suites (an )n∈N et (bn )n∈N par an = 1 et bn = (a ∗ a)n .
1. Calculez la série en Z de (bn )n∈N .
2. Montrez que bn = n + 1.
3. Déduisez-en la formule de la série en Z de la suite (cn )n∈N avec cn = n.
Correction ▼ [004]
Exercice 5.
Exprimez an en fonction de n avec a0 = a1 = 1 et an+2 − 2an+1 + an = 0.
Correction ▼ [005]
Page 3/ 6
2 - Séries de Fourier
s0 = 0, et sn+1 = sn + (n + 1)2 .
2 Séries de Fourier
Exercice 7. Fonction Porte
On définit la fonction 2-périodique suivante :
⎧
⎪ −1, si − 1 < x < 0,
⎪
⎪
⎪
f (x) = ⎨ 0, si x ∈ {−1, 0, 1},
⎪
⎪
⎪
⎪
⎩ 1, si 0 < x < 1.
Montrez l’égalité ci-dessous.
1 − (−1)n iπnx
∀x ∈ R, f (x) = ∑ e .
n∈Z iπn
n≠0
Correction ▼ [007]
Page 4/ 6
PARTIE 2 – Analyse Fonctionnelle
f ′ (x) =
1
= 1 − x2 + x4 + ⋯ + (−1)n x2n + o (x2n+1 ).
1 + x2 x→0
x3 x5 (−1)n x2n+1
arctan(x) = x − + +⋯+ + o (x2n+2 ).
3 5 2n + 1 x→0
(α)2 4 (α)n 2n
f ′ (x) = √
1
= 1 + αx2 + x +⋯+ x + o (x2n+1 ).
1 + x2 2 n! x→0
f ′ (x) =
1
= 1 + x2 + x4 + ⋯ + x2n + o (x2n+1 ).
1 − x2 x→0
x3 x5 x2n+1
argth(x) = x + + +⋯+ + o (x2n+2 ).
3 5 2n + 1 x→0
Page 37/ 75
2 - Séries de Fourier
Page 6/ 6
5 - Dérivées Partielles et Différentielles
Page 44/ 75
5.3 Différentielle
Page 50/ 75
PARTIE 2 – Analyse Fonctionnelle
Page 3/ 75
1 - Fonctions Hyperboliques
Dans cette partie, nous allons très souvent utiliser la fonction exp. Rap-
pelons qu’il s’agit de l’unique fonction de classe C 1 (R, R) (continue, dérivable
et de dérivée continue sur R) telle que :
+∞
xk
∀x ∈ R, exp(x) = ∑ .
k=0 k!
Ces deux définitions sont équivalentes. Enfin, il nous reste à énoncer la propriété
la plus importante de la fonction exp :
∀x ∈ R, exp(x) = ex .
1 Fonctions Hyperboliques
Les fonctions hyperboliques sont définies de façon similaire aux fonctions
cos et sin, à l’aide de la fonction exp. Rappelons avant tout que :
Page 4/ 75
PARTIE 2 – Analyse Fonctionnelle
ex + e−x
∀x ∈ R, ch(x) = .
2
La fonction sinus hyperbolique, notée sh (ou sinh), est définie sur R
par :
ex − e−x
∀x ∈ R, sh(x) = .
2
D’après les définitions, nous pouvons déjà énoncer des propriétés évidentes :
◇ Croissances comparées :
ch(x) ch(x)
lim = −∞, et lim = +∞.
x→−∞ x x→+∞ x
e−x + ex
ch(−x) = = ch(x),
2
ce qui prouve la parité de ch. Enfin, comme exp(0) = 1, on en déduit
aisément que ch(0) = 1.
Page 5/ 75
1.1 Fonctions Cosinus et Sinus Hyperboliques
ex + e−x
ch(x) = > 0.
2
implique bien que ch(x) tend vers +∞ quand x → +∞. Comme ch est
paire, on a l’égalité suivante :
ex ex
lim = 0, et lim = +∞.
x→−∞ x x→+∞ x
ch(x) ex e−x 1 ex 1 et
lim = lim + lim = lim − lim = +∞.
x→+∞ x x→+∞ 2x x→+∞ 2x 2 x→+∞ x 2 t→−∞ t
Page 6/ 75
PARTIE 2 – Analyse Fonctionnelle
◇ Croissances comparées :
sh(x) sh(x)
lim = lim = +∞.
x→−∞ x x→+∞ x
e−x − ex ex − e−x
sh(−x) = =− = −sh(x),
2 2
ce qui prouve l’imparité de sh. On en déduit aisément que sh(0) = 0.
◇ Soit x > 0. Comme exp est strictement croissante, on a :
◇ On sait que :
implique bien que sh(x) tend vers +∞ quand x → +∞. Comme sh est
impaire, on a l’égalité suivante :
◇ Nous avons :
sh(x) ex e−x 1 ex 1 et
lim = lim − lim = lim + lim = +∞.
x→+∞ x x→+∞ 2x x→+∞ 2x 2 x→+∞ x 2 t→−∞ t
Page 7/ 75
1.1 Fonctions Cosinus et Sinus Hyperboliques
sh(x) ch(t)
lim = lim = +∞.
x→−∞ x t→+∞ t
Page 8/ 75
PARTIE 2 – Analyse Fonctionnelle
qui est égal exactement au membre de droite, toujours par la formule d’Euler
version hyperbolique.
Page 9/ 75
1.2 Dérivation et Variations
et :
sh(2x) = 2sh(x)ch(x).
Démonstration. Comme exp est de classe C 1 (R, R), il est clair que ch et sh le
sont aussi. Ensuite, pour x ∈ R, on a :
ex − e−x ex + e−x
ch′ (x) = = sh(x), et sh′ (x) = = ch(x).
2 2
Page 10/ 75
PARTIE 2 – Analyse Fonctionnelle
x −∞ 0 +∞
ch′ (x) − 0 +
+∞ +∞
ch(x)
1
x −∞ 0 +∞
sh′ (x) +
+∞
sh(x) 0
−∞
À l’aide de ces variations, nous avons donc une nouvelle inégalité satisfaite
par ch :
Page 11/ 75
1.2 Dérivation et Variations
Page 12/ 75
3 - Transformée de Fourier
Exercice 20.
Soit a > 0. On définit la fonction :
1
f (x) = .
1 + a2 x2
On admettra que f ∈ L1 (R).
1. Montrez qu’il existe deux constantes b et c telles que :
b c
∀x ∈ R, f (x) = − ,
ix + a′ ix − a′
avec a′ = 1/a.
2. D’après l’exercice 18, quelle est la transformée de Fourier de la fonction :
1
f1 (x) = .
ix + a′
Page 8/ 45
1.3 Fonction Tangente Hyperbolique
Or e−2x tend vers 0, quand x → +∞. Cela implique donc bien que :
1−0
lim th(x) = = 1.
x→+∞ 1−0
Enfin, comme th est impaire, nous avons :
lim th(x) = lim th(−t) = − lim th(t) = −1.
x→−∞ t→+∞ t→+∞
∀x ∈ R, th′ (x) =
1
= 1 − th2 (x).
ch (x)
2
th′ (x) = 2
1
> 0.
ch (x)
Cela implique bien que la fonction th est croissante.
Page 14/ 75
PARTIE 2 – Analyse Fonctionnelle
Page 15/ 75
5 - Dérivées Partielles et Différentielles
3. Déduisez-en y(x).
Correction ▼ [023]
Exercice 25.
Calculez les dérivées partielles par rapport à x, à y et à z des fonctions :
◇ f (x, y, z) = ex + ey − ez ;
◇ g(x, y, z) = (x + y)e−z ;
◇ h(x, y, z) = 1
1+x2 +y 2 +z 2
.
Correction ▼ [025]
Exercice 26.
Donnez les dérivées partielles par rapport à x et à y de la fonction :
f (x, y) = (x + y, x − y).
Correction ▼ [026]
1. Pensez aux différentes transformées de Fourier que nous avons déjà calculées dans les
précédents exercices.
Page 10/ 45
PARTIE 2 – Analyse Fonctionnelle
Page 17/ 75
1.4 Fonctions Réciproques
Passons à la dernière fonction réciproque : celle de th, qui est une bijection
entre R et ] − 1, 1[.
Page 18/ 75
PARTIE 2 – Analyse Fonctionnelle
Il existe aussi une forme en série entière de th, mais les coefficients sont
difficiles à exprimer.
Enfin, les dérivées des fonctions réciproques nous aident à avoir le dévelop-
pement de certaines.
Page 19/ 75
2 - Développements Limités
2 Développements Limités
Ici nous allons voir comment approcher certaines fonctions par des poly-
nômes. Pour cela, nous allons avoir besoin de la définition de voisinage d’un
point :
Page 20/ 75
A - Fonctions Hyperboliques
A Fonctions Hyperboliques
Correction de l’exercice 1. ▲
On rappelle que :
ey + e−y
ch(y) = .
2
Nous allons utiliser cette formule pour y = 2 + kx :
2020
e2+kx + e−2−kx e2 2020 kx e−2 2020 −kx
C= ∑ = ∑ e + ∑ e ,
k=1 2 2 k=1 2 k=1
e2 2020 x k e−2 2020 −x k e2 x 1 − e2020x e−2 −x 1 − e−2020x
= ∑ (e ) + ∑ (e ) = e + e ,
2 k=1 2 k=1 2 1 − ex 2 1 − e−x
e2+x 1010x e−1010x − e1010x e−2−x −1010x e1010x − e−1010x
= e + e ,
1−e x 2 1 − e−x 2
1 1
= −e2+1011x sh(1010x) + e−2−1011x sh(1010x),
1 − ex 1 − e−x
sh(1010x)
= [e−2−1011x (1 − ex ) − e2+1011x (1 − e−x )] .
(1 − ex )(1 − e−x )
Remarquons que :
et que :
e−2−1011x (1 − ex ) − e2+1011x (1 − e−x ) = e−2−1011x − e2+1011x − e−2−1010x + e2+1010x ,
= −2sh(2 + 1011x) + 2sh(2 + 1010x).
sh(1010x)
C= [sh(2 + 1010x) − sh(2 + 1011x)] .
1 − ch(x)
Page 14/ 45
2.1 Comparaisons et Notations de Landau
x2 + x3 = O (x) + O (1).
x→0 x→0
Page 22/ 75
PARTIE 2 – Analyse Fonctionnelle
Exemple 9. Si 1
2 f (x) = O (g(x)), alors on a :
x→x0
Négligeabilité
Page 23/ 75
2.1 Comparaisons et Notations de Landau
D’après la remarque précédente, cela revient à dire que f (x) − L tend vers
0, quand x tend vers x0 :
lim f (x) = L.
x→x0
Exemple 13. Comme f (x) = x3 +3 tend vers 3 quand x tend vers 0, on sait
que x3 + 3 = o (1).On peut élever au carré cette égalité : (x3 + 3)2 = o (1).
x→0 x→0
Page 24/ 75
PARTIE 2 – Analyse Fonctionnelle
Équivalence
f (x) ∼ 4.
x→0
mais on a pas 2 ∼ 1 !!
x→+∞
Page 25/ 75
2.1 Comparaisons et Notations de Landau
f1 (x)f2 (x) = [g1 (x) + o (g1 (x))] [g2 (x) + o (g2 (x))] ,
x→x0 x→x0
= g1 (x)g2 (x) + g2 (x) o (g1 (x)) + g1 (x) o (g2 (x))
x→x0 x→x0
+ o (g1 (x)) o (g2 (x)),
x→x0 x→x0
= g1 (x)g2 (x) + o (g1 (x)g2 (x)).
x→x0
On a donc montré que f1 (x)f2 (x) − g1 (x)g2 (x) = o (g1 (x)g2 (x)), ce qui
x→x0
termine la preuve.
(x + 2)2 ∼ 4.
x→0
f (x)
f (x) ∼ g(x) ⇐⇒ lim = 1.
x→x0 x→x0 g(x)
Page 26/ 75
PARTIE 2 – Analyse Fonctionnelle
f (x) = a0 + a1 x + ⋯ + an xn + o (xn ).
x→0
f (x) = a0 + a1 (x − x0 ) + ⋯ + an (x − x0 )n + o ((x − x0 )n ).
x→x0
Page 27/ 75
2.2 Définitions et Propriétés
Étant donné que les deux développements limités sont supposés différents, on
note k ≥ n le plus grand entier tel que ak ≠ bk : pour tout j > k, on a aj = bj .
Finalement, on a :
a0 − b0 ak−1 − bk−1
+⋯+ + (ak − bk ) = o ((x − x0 )n−k ).
(x − x0 ) k x − x0 x→x0
Page 28/ 75
PARTIE 2 – Analyse Fonctionnelle
Ainsi, ce quotient admet une limite quand x tend vers x0 : f est dérivable en
x0 et f ′ (x0 ) = a1 .
f (x) = 4 + 4x + x2 = 4 + 4x + x2 + o (x2 ).
x→0
Page 29/ 75
2.3 Formules de Taylor
f (n) (x0 )
f (x) = f (x0 ) + f ′ (x0 )(x − x0 ) + ⋯ + (x − x0 )n + o ((x − x0 )n ).
n! x→x0
Page 30/ 75
PARTIE 2 – Analyse Fonctionnelle
Soit ε > 0 et η > 0 qu’on fixera plus tard. Supposons que x = x0 + h avec
h ∈] − η, η[. Dans ce cas, par le changement de variable s = t−x 0
h , on a :
pour un certain M (η). En effet, on sait que la fonction f (n+1) est continue sur
[x0 − η, x0 + η] donc bornée sur cet intervalle, par une quantité qu’on note ici
M (η). Finalement, on obtient que :
M (η)η
lim = 0.
η→0 (n + 1)!
M (η)η
On peut donc prendre η suffisamment petit pour que (n+1)! ≤ ε.
Page 31/ 75
2.4 Calculs sur les Développements Limités
n n
On pose les deux polynômes Gn (X) = ∑ ak X k et Fn (X) = ∑ bk (X − g0 )k . On
k=0 k=0
peut donc effectuer la division euclidienne de Fn ○ Gn (X)par X n+1 :
Fn ○ Gn (X) = Rn (X) + X n+1 Qn (X), avec deg(Rn ) ≤ n.
Page 32/ 75
PARTIE 2 – Analyse Fonctionnelle (TD)
1. On calcule la dérivée de v :
v ′ (s) = ∂t y(s, χ(s))+χ′ (s)∂x y(s, χ(s)) = ∂t y(s, χ(s))−∂x y(s, χ(s)) = 1,
χ(s) = x + (t − s).
v(s) = s + d.
Par définition de v, on a :
Page 39/ 45
E - Dérivées Partielles et Différentielles
1. On vérifie que :
On vérifie que :
x 1
∂t y(t, x) = − , et ∂x y(t, x) = .
(1 + t)2 1+t
Page 40/ 45
PARTIE 2 – Analyse Fonctionnelle (TD)
1. On vérifie que :
v ′ (s) = ∂t y(s, χ(s)) + χ′ (s)∂x y(s, χ(s)),
= ∂t y(x, χ(s)) + y(s, χ(s))∂x y(s, χ(s)) = 0.
Ainsi on a v(s) = v(0) pour tout s.
2. Comme χ′ (s) = −y(s, χ(s)) = −v(s) = −v(0) et que :
v(0) = y(0, χ(0)) = χ(0),
on obtient que χ′ (s) = −χ(0) et donc :
χ(s) = −χ(0)s + χ(0) = χ(0)(1 − s).
D’après l’énoncé, χ(t) = x implique que :
x
χ(0) = .
1−t
La fonction v est constante :
x
v(s) = v(0) = y(0, χ(0)) = χ(0) = .
1−t
3. On applique la relation v(t) = y(t, χ(t)) = y(t, x) et donc :
x
y(t, x) = v(t) = .
1−t
On vérifie que :
x 1
∂t y(t, x) = , et ∂x y(t, x) = .
(1 − t)2 1−t
Ainsi y et bien solution :
x x 1
∂t y(t, x) + y(t, x)∂x y(t, x) = − = 0.
(1 − t)2 1−t 1−t
4. On remaque que :
lim y(t, x) = +∞.
t→1−
Ainsi la solution n’est pas définie en tout temps !
Page 41/ 45
F - Intégrales Doubles et Triples
1
1 1 1 x2
I2 = ∫ [∫ (x + y)dy] dx = ∫ (2x + 0)dx = 2 [ ] = 0.
−1 −1 −1 2 −1
2
1 2 1 y 2 ex 1
I3 = ∫ [∫ yex dy] dx = ∫ [ ] dx = 2 ∫ ex dx = 2[e − 1].
0 0 0 2 0 0
1
1 2 1 x2 [e2 − 1] e2 − 1
I4 = ∫ [∫ xey dy] dx = ∫ x[e2 − 1]dx = [ ] = .
0 0 0 2 0
2
Page 42/ 45
PARTIE 2 – Analyse Fonctionnelle
f ′ (x) =
1
= 1 − x2 + x4 + ⋯ + (−1)n x2n + o (x2n+1 ).
1 + x2 x→0
x3 x5 (−1)n x2n+1
arctan(x) = x − + +⋯+ + o (x2n+2 ).
3 5 2n + 1 x→0
(α)2 4 (α)n 2n
f ′ (x) = √
1
= 1 + αx2 + x +⋯+ x + o (x2n+1 ).
1 + x2 2 n! x→0
f ′ (x) =
1
= 1 + x2 + x4 + ⋯ + x2n + o (x2n+1 ).
1 − x2 x→0
x3 x5 x2n+1
argth(x) = x + + +⋯+ + o (x2n+2 ).
3 5 2n + 1 x→0
Page 37/ 75
2.5 Exemples à connaître
x3 x2
sin(x) = x − + o (x3 ), et cos(x) = 1 − + o (x3 ).
6 x→0 2 x→0
Ainsi on a :
x3 x3
x− 6 + o (x3 ) x− 6 + o (x3 )
x→0 x→0
tan(x) = = ,
1− x2
+ o (x3 ) 1−y
2 x→0
x2
pour y = 2 + o (x3 ) proche de 0. On connaît le développement limité de
x→0
1
1−y au voisinage de 0, ce qui ous permet d’avoir :
x3
tan(x) = [x − + o (x8 )] [1 + y + y 2 + y 3 + o (y 3 )] ,
6 x→0 y→0
3 2 2 2 3
x ⎡ x x x2 ⎤
+ o (x8 )] ⎢1 + + o (x3 )) + ( + o (x3 )) + o (x3 )⎥ ,
⎢ ⎥
= [x − +(
6 x→0 ⎢
⎣ 2 2 x→0 2 x→0 x→0 ⎥
⎦
3 2 4
x 8 x x 3 3
= [x − + o (x )] [1 + + + o (x ) + o (x )] ,
6 x→0 2 4 x→0 x→0
1 3 3
= x − x + o (x ).
3 x→0
Page 38/ 75
PARTIE 2 – Analyse Fonctionnelle
2.6 Application
Les développements limitées permettent de lever l’indétermination lors de
calculs de limite.
sin(x)
Exemple 31. On pose f (x) = x , pour tout x ≠ 0. On veut savoir si f
peut s’étendre en 0 de façon continue. Un développement limité à l’ordre 0
de f suffit donc :
x3
x− 3! + o (x4 ) x2
x→0
f (x) = =1− + o (x3 ) = 1 + o (1).
x 3! x→0 x→0
3 Transformée de Fourier
On rappelle que L1 (R, C) est l’ensemble des fonctions intégrables sur R,
c’est-à-dire des fonctions f ∶ R → C avec :
+∞
∫ ∣f (x)∣dx < +∞.
−∞
Étant donné que fT est périodique, on peut définir sa série de Fourier. Sup-
posons que fT peut s’écrire maintenant en fonction de sa série de Fourier, à
l’aide du théorème de Dirichlet :
T /2
e−2ikπx/T fT (x)dx.
1
fT (x) = ∑ e2ikπx/T ck (fT ), avec ck (fT ) = ∫
k∈Z T −T /2
Suite à cette relation, nous allons définir les points ξk = 2πk/T , qui forment
une subdivision de R de pas dξk = ξk+1 − ξk = 2π/T . Notons que dξk tend vers
Page 39/ 75
3 - Transformée de Fourier
Page 40/ 75
PARTIE 2 – Analyse Fonctionnelle
lim f (A) = 0.
A→+∞
lim f (−A) = 0.
A→+∞
Enfin, on sait que e±iAξ est de norme 1 ce qui prouve que, pour x = ±A, :
Page 41/ 75
3 - Transformée de Fourier
∀ξ ∈ R, f̂ ′ (ξ) = −î
p(ξ).
∀x ∈ R, f (x) = F −1 [f̂](x)
Page 42/ 75
PARTIE 2 – Analyse Fonctionnelle
implique que p est intégrable sur R. Par la Proposition 33, on sait que f̂ est
dérivable et que :
f̂ ′ (ξ) = −î
p(ξ).
Maintenant, tentons d’écrire p̂ en fonction de f̂. Pour cela, effectuons une
intégration par partie :
A A 2 1 −ixξ −ax2 A iξ A
−ixξ −ax2
∫ e−ixξ p(x)dx = ∫ e−ixξ xe−ax dx = [− e e ] − ∫ e e dx,
−A −A 2a −A 2a −A
iξ ̂
qui converge vers − 2a f (ξ) quand A tend vers +∞. Ainsi on a obtenu que :
f̂ ′ (ξ) = −
ξ ̂
f (ξ).
2a
Les solutions de cette équation différentielle sont de la forme :
ξ2
f̂(ξ) = f̂(0) exp (− ) .
2a
On admet ici (et démontrera le résultat plus loin dans le cours) que :
+∞
e−ax dx = √ .
1 1
f̂(0) = √ ∫
2
2π −∞ 2a
On a donc que :
1 ξ2
f̂(ξ) = √ exp (− ) .
2a 4a
4 Produit de convolution
Page 43/ 75
5 - Dérivées Partielles et Différentielles
Page 44/ 75
PARTIE 2 – Analyse Fonctionnelle
f (a + tv) − f (a)
∂v f (a) = ϕ′ (0) = lim .
t→0 t
Page 45/ 75
5.1 Dérivées Partielles
∂f (a)
∂i f (a), ∂xi f (a), ∂εi f (a), .
∂xi
On parlera aussi de dérivée partielle de f par rapport à xi .
Page 46/ 75
PARTIE 2 – Analyse Fonctionnelle
Exemple 40. La fonction définie par f (x, y) = xey − yex admet une dérivée
partielle en (0, 0) par rapport à x et y, ∂x f (0, 0) = 1, et ∂y f (0, 0) = −1.
Étant donné que les dérivées partielles sont fortement liées aux dérivées
d’une fonction à une variable, toutes les opérations élémentaires sont encore
vraies :
ce qui donne :
∂x1 (g ○ f )(x1 , x2 ) = ∂y1 g(f (x1 , x2 ))∂x1 f1 (x1 , x2 ) + ∂y2 g(f (x1 , x2 ))∂x1 f2 (x1 , x2 ),
= f2 (x1 , x2 ) × 1 + f1 (x1 , x2 ) × 0 = x2 .
Page 47/ 75
5.2 Dérivées Partielles Successives
∂ 2 f (a)
∂ji f (a), ∂xj xi f (a), ∂εj εi f (a), .
∂xj ∂xi
Page 48/ 75
PARTIE 2 – Analyse Fonctionnelle
ATTENTION .! Il n’est pas toujours vrai que ∂xy f (x, y) = ∂yx f (x, y) !
On n’a donc pas le droit de dériver dans l’ordre qu’on veut !
f (x, y) − f (0, y) x2 − y 2
=y 2 ,
x x + y2
∂x f (0, y) = −y,
ce qui implique que ∂yx f (0, 0) = −1. Par le même type de calculs, on peut
vérifier que ∂xy f (0, 0) existe et vaut 1.
5.3 Différentielle
Page 49/ 75
PARTIE 3 – Algèbre Linéaire et Géométrie
Page 7/ 97
PARTIE 2 – Analyse Fonctionnelle
Ainsi, on a :
= g(f (a)) + dgf (a) (dfa (h)) + dgf (a) ( o (∥h∥)) + o (∥y∥).
∥h∥→0 y→0
Page 51/ 75
1.2 Famille de Vecteurs
Ainsi un nombre fini d’éléments regroupés dans une famille F nous permet
de construire une infinité de nouveaux éléments :
⎛⎛ 1 ⎞ ⎛ 0 ⎞⎞
Exemple 11. Soit F = ⎜⎜ 0 ⎟ , ⎜ 1 ⎟⎟ famille de vecteurs de R3 . On a :
⎝⎝ 1 ⎠ ⎝ 1 ⎠⎠
⎧ 1 ⎫ ⎧ ⎫
⎪
⎪ ⎛ ⎞
⎪ ⎛0⎞ ⎪ ⎪
⎪
⎪ ⎪⎛
⎪
x ⎞ ⎪
⎪
⎪
Vect(F) = ⎨x ⎜ 0 ⎟ + y ⎜ 1 ⎟ , x, y ∈ R⎬ = ⎨⎜ y ⎟ , x, y ∈ R⎬ .
⎪
⎪ ⎪
⎪ ⎪
⎪⎝ ⎪
⎪
⎩ ⎝1⎠
⎪ ⎝1⎠ ⎭ ⎪
⎪ ⎩ x+y ⎠ ⎪
⎭
Nous pouvons voir ainsi l’espace VectF) comme étant l’ensemble des élé-
ments de E qui sont engendrés par des combinaisons linéaires de F : on dira
que F est une famille génératrice de Vect(F). Cependant, il arrive qu’on puisse
créer tout cet ensemble avec juste une sous-famille de F, et non avec F : on
dira que la famille F est liée, étant donné qu’on aura une condition (linéaire)
reliant les différents éléments de F.
Page 8/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
on a λ1 = ⋯ = λp = 0 ;
◇ liée si elle n’est pas libre ;
◇ génératrice si pour tout vecteur x de E, il existe des éléments
λ1 , . . . , λp de K tels que :
p
x = ∑ λi ei .
i=1
Page 9/ 97
1.3 Exemple de Kn
1.3 Exemple de Kn
On rappelle la notation Kn pour l’ensemble des n-uplets (x1 , . . . , xn ) où
chaque xi appartient à K. Pour x = (x1 , . . . , xn ) et y = (y1 , . . . , yn ) deux
n-uplets et pour un scalaire λ ∈ K, on définit la somme x + y par :
x + y = (x1 + y1 , . . . , xn + yn ),
λx = (λx1 , . . . , λxn ).
Ces deux opérations font de Kn un K-espace vectoriel, dont le vecteur nul est
le n-uplet 0Kn = (0, . . . , 0), qu’on peut abréger en 0.
i-ème coordonnée
↓
εi = (0, . . . , 0, 1, 0, . . . , 0).
Page 10/ 97
PARTIE 2 – Analyse Fonctionnelle
5.5 Gradient
Page 55/ 75
5.6 Introduction aux Équations aux Dérivées Partielles
Nous allons voir certaines EDPs types, et les méthodes de résolutions as-
sociées.
L’idée pour résoudre de telles équations est de poser des fonctions auxi-
liaires. Tout d’abord, on va prendre un paramétrage spatial : on fixe T > 0
et x ∈ R, et on considère une fonction χ de classe C 1 (R+ , R) avec χ(T ) = x.
Cependant quel choix de paramétrage convienda-t-il le mieux ?
Pour le savoir, on définit la fonction : u(t) = y(t, χ(t)). Alors on obtient :
Page 56/ 75
PARTIE 2 – Analyse Fonctionnelle
χ(t) = c(t − T ) + x.
y(T, x) = y0 (x − cT ).
Nous allons voir ici le cas unidimensionnel (n = 1). Pour cela, on va passer
par la transformée de Fourier spatiale :
+∞
e−ixξ y(t, x)dx.
1
∀ξ ∈ R, ŷ(t, ξ) = √ ∫
2π −∞
Page 57/ 75
5.6 Introduction aux Équations aux Dérivées Partielles
où ξ est un paramètre. Une fois qu’on a cette solution, il suffit d’écrire que :
y(t, x) = F −1 (̂
y (t, ξ))(x).
Exemple 47. Supposons que f est nulle et que y0 (x) = e−ax , pour a > 0.
2
On étudie le problème :
⎧ ′
⎪ Y (t) = −Dξ Y (t), ∀t > 0,
2
⎪
⎨
⎪ Y (0) = ŷ0 (ξ) = √1 e−ξ /(4a) .
2
⎪
⎩ 2a
ξ2
ŷ(t, ξ) = Y (t) = √ exp [− ] e−Dξ t = √ exp [− ( + Dt) ξ 2 ] .
1 2 1 1
2a 4a 2a 4a
Page 58/ 75
PARTIE 2 – Analyse Fonctionnelle
Dans cette dernière section, nous allons maintenant intégrer les fonctions
à plusieurs variables.
P = I1 × ⋯ × In ,
Page 59/ 75
6.1 Fonctions en Escalier et Intégrale
mes(P ) = l1 ⋯ln .
mes(P ) = (2 − 1) × (3 − 1) × (4 − 1) = 6.
1, si x ∈ A,
χP (x) = {
0, sinon.
Page 60/ 75
PARTIE 2 – Analyse Fonctionnelle
Page 61/ 75
6.2 Fonctions Intégrables
Page 62/ 75
PARTIE 2 – Analyse Fonctionnelle
v = mχP , et w = M χP .
I − (f ) ≤ I + (f ).
Page 63/ 75
6.2 Fonctions Intégrables
Maintenant que nous avons défini l’intégrale d’une fonction sur Rn , nous
devons définir l’intégrale de f sur un ensemble A de Rn .
Page 64/ 75
PARTIE 2 – Analyse Fonctionnelle
f (x), si x ∈ A,
g(x) = {
0, sinon.
k k′
f (x) = ∑ αi χPi (x), et g(x) = ∑ βj χQj (x).
i=1 j=1
k k′
(λf + g)(x) = ∑ λαi χPi (x) + ∑ βj χQj (x).
i=1 j=1
k k′
∫ (λf + g)(x)dx = ∑ λαi mes(Pi ) + ∑ βj mes(Qj ) = λ ∫ f (x)dx + ∫ g(x)dx.
A i=1 j=1 A A
Page 65/ 75
6.2 Fonctions Intégrables
Ainsi en prenant la borne supérieure sur les vf puis les vg , on a montré que :
Ainsi en prenant la borne inférieure sur les wf puis les wg , on a montré que :
Page 66/ 75
PARTIE 2 – Analyse Fonctionnelle
∫ f (x)dx ≥ 0.
A
∫ f (x)dx ≤ ∫ g(x)dx.
A A
k
f (x) = ∑ λi χPi (x).
i=1
0 ≤ ∫ v(x)dx ≤ I − (f ) = ∫ f (x)dx.
A A
Page 67/ 75
6.2 Fonctions Intégrables
∣∫ f (x)dx∣ ≤ ∫ ∣f (x)∣dx.
A A
∫ f (x)dx = ∫ f (x)dx.
A A∪B
f (x), si x ∈ A,
p̃(x) = {
0, sinon,
Page 68/ 75
PARTIE 2 – Analyse Fonctionnelle
Exemple 58. On a :
1 1
∫ (x2 + y 2 )dxdy = ∫ (∫ (x2 + y 2 )dx) dy,
[−1,1]×[−1,1] −1 −1
1
2
= ∫ ( + 2y 2 ) dy,
−1 3
4 1 8
= + 2 ∫ y 2 dy = .
3 −1 3
Page 69/ 75
6.4 Changements de Variables
Page 70/ 75
PARTIE 2 – Analyse Fonctionnelle
ϕ ∶ R+ × [0, 2π[ → R2 ,
(r, θ) ↦ (r cos(θ), r sin(θ)).
cos(θ) −r sin(θ)
Jac(ϕ)(r, θ) = ( ),
sin(θ) r cos(θ)
Page 71/ 75
PARTIE 3 – Algèbre Linéaire et Géométrie
Définition 28. Le mineur ∆i,j (A) est le déterminant calculé après avoir
ôté à A sa i-ème ligne et sa j-ème colonne.
⎛ 2 1 0 4 ⎞
⎜ −1 3 2 1 ⎟
A=⎜
⎜ 1
⎟.
⎜ 5 0 −2 ⎟
⎟
⎝ 0 1 −1 3 ⎠
21 4 5 −2 1 4
∣ 1 5 −2 ∣ = 2 ∣ ∣−∣ ∣ = 2 × 17 − (−1) = 35.
01 3 1 3 1 3
2 1 4 3 1 1 4 1 4
∣ −1 31 ∣ = 2∣ ∣ − (−1) ∣ ∣+∣ ∣ = −55.
1 5 −2 5 −2 5 −2 3 1
Page 31/ 97
PARTIE 2 – Analyse Fonctionnelle
Exemple 61. Étudions le volume d’un cône dont la base est un disque de
rayon R > 0 et de hauteur H > 0. L’angle d’ouverture vaut alors α avec
tan(α) = R/H. Cette objet peut être représenté par l’ensemble des points
(x, y, z) avec (x, y) ∈ B(0, R) et z tel que :
x2 + y 2 ≤ z 2 tan2 (α), et 0 ≤ z ≤ H.
Page 73/ 75
6.4 Changements de Variables
Page 74/ 75
3.6 Lien avec les applications linéaires
x 2x+y
Exemple 42. Soit u ∈ L(R3 ) définie par ( yz ) ↦ ( z ). Cherchons sa
x+z
matrice A dans la base canonique B = (ε1 , ε2 , ε3 ) de R . 3
On obtient finalement :
⎛2 1 0⎞
MatB (u) = ⎜ 0 0 1 ⎟ .
⎝1 0 1⎠
⎛n ⎞ n n p p ⎛ n ⎞
u(x) = u ∑ λj ej = ∑ λj u(ej ) = ∑ λj (∑ aij fi ) = ∑ ∑ aij λj fi
⎝j=1 ⎠ j=1 j=1 i=1 i=1 ⎝j=1 ⎠
Page 36/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Exemple 43. Soit u ∈ L(R2 ) tel que sa matrice dans la base canonique C
soit MatC (u) = ( 14 37 ). Dans ce cas, pour (x, y) ∈ R2 , on a :
x+3y
MatC (u(x, y)) = ( 14 32 ) ( xy ) = ( 4x+2y ).
Exemple 44. Soit u ∈ L(R2 ) tel que, dans la base B = ((1, 1), (1, −1)),
MatB (u) = ( 14 32 ). Soit (x, y) ∈ R2 . On cherche ses coordonnées (α, β) dans
la base B, c’est-à-dire α et β tels que (x, y) = α(1, 1) + β(1, −1). On doit
alors résoudre le système :
x+y
x = α + β, α= 2 ,
{ ⇐⇒ { x−y
y = α − β, β= 2 .
(x + y)/2
MatB ((x, y)) = ( ).
(x − y)/2
1 3 (x + y)/2 2x − y
MatB (u(x, y)) = ( )( )=( ).
4 2 (x − y)/2 3x + y
Page 37/ 97
4.1 Éléments Propres
0 0 0 1
Exemple 47. Soit A = ( ) et B = ( ). Si une matrice M est
0 0 0 0
semblable à A alors elle peut s’écrire :
M = P −1 AP.
BX = λX,
Page 44/ 97
PARTIE 2 – Analyse Fonctionnelle (TD)
1 Fonctions Hyperboliques
Exercice 1.
Soit x ≠ 0. Exprimez en fonction de ch(x), sh(x), ch(1010x) et sh(1010x) :
2020
C = ∑ ch(2 + kx).
k=1
Correction ▼ [001]
Exercice 2.
Soit x ≠ 0. Exprimez en fonction de ch(x), sh(x), ch(1010x) et sh(1010x) :
2020
S = ∑ sh(2 + kx).
k=1
Correction ▼ [002]
Exercice 3.
Calculez la limite suivante :
Correction ▼ [003]
Exercice 4.
Étudiez et tracez le graphe de la fonction f définie pour tout x > 0 :
f (x) = x − log(sh(x)).
Correction ▼ [004]
Exercice 5.
1. Montrez que pour tous a et b on a :
th(a) + th(b)
th(a + b) = .
1 + th(a)th(b)
Page 3/ 45
1 - Fonctions Hyperboliques
Exercice 6.
Soit x ∈ R. Exprimez ch(y), sh(y) et th(y) en fonction de x, avec :
x π
y = log [tan ( + )] .
2 4
Correction ▼ [006]
Exercice 7.
Simplifiez les expressions suivantes :
√ √
A = log ( x2 + 1 + x) + log ( x2 + 1 − x) , B = sh2 (a) cos2 (b) + ch2 (a) sin2 (b).
Correction ▼ [007]
Exercice 8.
Donnez les solutions réelles de ch(x) = 2.
Correction ▼ [008]
Exercice 9.
Donnez les solutions réelles de sh(x) = 1/2.
Correction ▼ [009]
Page 4/ 45
7.4 Sous-Espaces Orthogonaux
A⊥ = {x ∈ E, ∀y ∈ A, x ⊥ y}.
car x ⊥ z et y ⊥ z.
◇ Soit x ∈ E ⊥ . En particulier, x ⊥ x, et comme φ est une forme définie, on
en déduit que x = 0E . Réciproquement, φ(0E , 0E ) = 0, donc le vecteur
nul est orthogonal à lui-même.
◇ Soit x ∈ A ∩ A⊥ . Alors φ(x, x) = 0 et donc x = 0E , car φ est une forme
définie.
Page 74/ 97
3 - Transformée de Fourier
−1/2, si x ≠ 0,
g(x) = {
f (x), sinon,
est continue.
Correction ▼ [014]
Exercice 15.
Soit f une fonction de classe C 2 . Calculez la limite suivante :
f (x)−f (0)
f ′ (x) −
L = lim x
.
x→0 x
Correction ▼ [015]
3 Transformée de Fourier
Exercice 16. Transformée des fonctions portes
Soit T > 0. On définit la fonction porte suivante :
1, si − T ≤ x ≤ T,
ΠT (x) = {
0, sinon.
Page 6/ 45
PARTIE 3 – Algèbre Linéaire et Géométrie
Définition 55. Une matrice carrée réelle A de taille n est dite orthogonale
si et seulement si AT A = In .
Page 81/ 97
7.8 Orientation
7.8 Orientation
Exemple 70. Soit B = ((1, 1), (1, 0)). La matrice de B dans la base
1 1
canonique de R2 est ( ), dont le déterminant vaut -1. La base B est
1 0
donc une base indirecte.
Page 84/ 97
PARTIE 2 – Analyse Fonctionnelle (TD)
4 Produit de Convolution
Exercice 21.
Soit a, b > 0. On pose :
b 2 b2
ay 2 + b(x − y)2 = (σy + x) + bx2 − 2 x2 ,
σ σ
√
avec σ = a + b.
2. À l’aide de la question précédente, montrez que pour tout x ∈ R :
√ ab 2
Ga ∗ Gb (x) = π(a + b) exp [− x ].
a+b
On rappellera que :
+∞ 2 √
∫ e−z dz = π.
−∞
Correction ▼ [021]
Exercice 22.
Fixons T . On note ΠT la fonction porte définie dans l’exercice 16.
1. Que vaut ΠT ∗ ΠT (x) si x ∈ [−2T, 0] ? et si x ∈ [0, 2T ] ? et si x ∉ [−2T, 2T ] ?
2. À l’aide de la question précédente et de l’exercice 16, retrouvez le résultat
trouvé dans l’exercice 17.
Correction ▼ [022]
Exercice 23.
On va résoudre l’équation différentielle suivante y ′′ (x) − y(x) = E(x), avec E(x)
définie dans l’exercice 18 pour a = 1.
1. On suppose qu’une solution y admette une transformée de Fourier ŷ, tout
comme sa dérivée seconde y ′′ . Montrez que pour tout ξ ∈ R :
1 1 1
ŷ(ξ) = − √ .
2π 1 + iξ 1 + ξ2
Page 9/ 45
5 - Dérivées Partielles et Différentielles
3. Déduisez-en y(x).
Correction ▼ [023]
Exercice 25.
Calculez les dérivées partielles par rapport à x, à y et à z des fonctions :
◇ f (x, y, z) = ex + ey − ez ;
◇ g(x, y, z) = (x + y)e−z ;
◇ h(x, y, z) = 1
1+x2 +y 2 +z 2
.
Correction ▼ [025]
Exercice 26.
Donnez les dérivées partielles par rapport à x et à y de la fonction :
f (x, y) = (x + y, x − y).
Correction ▼ [026]
1. Pensez aux différentes transformées de Fourier que nous avons déjà calculées dans les
précédents exercices.
Page 10/ 45
PARTIE 2 – Analyse Fonctionnelle (TD)
Exercice 27.
Donnez les différentielles des fonctions suivantes au point a = (1, −1) :
◇ f (x, y) = 2x − y ;
◇ g(x, y) = x2 + y 2 ;
◇ h(x, y) = xy.
Correction ▼ [027]
χ′ (s) = −1,
{
χ(t) = x.
Vérifiez que la fonction définie par v(s) = y(s, χ(s)) satisfait v ′ (s) = 1.
2. Exprimez χ(s) et v(s) en fonction de t et de x.
3. Déduisez-en y(t, x) et vérifiez qu’elle est bien solution.
Correction ▼ [028]
Vérifiez que la fonction définie par v(s) = y(s, χ(s)) est constante.
2. Exprimez χ(s) et v(s) en fonction de t et de x.
3. Déduisez-en y(t, x) et vérifiez que y est bien solution.
Correction ▼ [029]
Page 11/ 45
6 - Intégrales Doubles et Triples
Vérifiez que la fonction définie par v(s) = y(s, χ(s)) est constante.
2. Exprimez χ(s) et v(s) en fonction de t et de x.
3. Déduisez-en y(t, x) et vérifiez que y et bien solution.
4. Que remarquez-vous ?
Correction ▼ [030]
Exercice 32.
Calculez l’intégrale suivante :
π(x + y)
I =∫ z 2 sin ( ) dxdydz.
[−1,2]×[−2,1]×[−1,1] 2
Correction ▼ [032]
Page 12/ 45
PARTIE 2 – Analyse Fonctionnelle (TD)
Exercice 33.
On pose D = {(x, y) ∈ [0, 1] × R, x2 ≤ y ≤ x}. Calculez ∫D xydxdy.
Correction ▼ [033]
Exercice 34.
On pose D = {(x, y) ∈ R2 , x ≥ 0, y ≥ 0, x + y ≤ 1}. Calculez ∫D xydxdy.
Correction ▼ [034]
Exercice 35.
On définit les deux ensembles :
◇ D1 = {(x, y) ∈ R2 , 0 ≤ x ≤ 1, 0 ≤ y − x ≤ 1} ;
◇ D2 = {(x, y) ∈ R2 , 0 ≤ x ≤ 1, x2 ≤ y ≤ 1}.
Calculez les intégrales ∫D1 xydxdy et ∫D2 xydxdy.
Correction ▼ [035]
Exercice 36. √
Calculez l’intégrale suivante I = ∫D(0,2π) y cos( x2 + y 2 )dxdy.
Correction ▼ [036]
Exercice 37.
Calculez I = ∫D xydxdy, avec D = {(x, y) ∈ R2 , x ≥ 0, y ≥ 0, x2 + y 2 ≤ 1}.
Correction ▼ [037]
Exercice 38.
Pour D = {(x, y, z) ∈ R3 , x ≥ 0, y ≥ 0, z ≥ 0, x2 + y 2 + z 2 ≤ 1}, calculez l’intégrale
I = ∫D xyz(x2 + y 2 + z 2 )dxdydz.
Correction ▼ [038]
Exercice 39.
Que vaut le volume de H = {(x, y, z) ∈ R3 , −4 ≤ z ≤ 4, x2 + y 2 ≤ z 2 + 1} ? 2
Correction ▼ [039]
Page 13/ 45
A - Fonctions Hyperboliques
A Fonctions Hyperboliques
Correction de l’exercice 1. ▲
On rappelle que :
ey + e−y
ch(y) = .
2
Nous allons utiliser cette formule pour y = 2 + kx :
2020
e2+kx + e−2−kx e2 2020 kx e−2 2020 −kx
C= ∑ = ∑ e + ∑ e ,
k=1 2 2 k=1 2 k=1
e2 2020 x k e−2 2020 −x k e2 x 1 − e2020x e−2 −x 1 − e−2020x
= ∑ (e ) + ∑ (e ) = e + e ,
2 k=1 2 k=1 2 1 − ex 2 1 − e−x
e2+x 1010x e−1010x − e1010x e−2−x −1010x e1010x − e−1010x
= e + e ,
1−e x 2 1 − e−x 2
1 1
= −e2+1011x sh(1010x) + e−2−1011x sh(1010x),
1 − ex 1 − e−x
sh(1010x)
= [e−2−1011x (1 − ex ) − e2+1011x (1 − e−x )] .
(1 − ex )(1 − e−x )
Remarquons que :
et que :
e−2−1011x (1 − ex ) − e2+1011x (1 − e−x ) = e−2−1011x − e2+1011x − e−2−1010x + e2+1010x ,
= −2sh(2 + 1011x) + 2sh(2 + 1010x).
sh(1010x)
C= [sh(2 + 1010x) − sh(2 + 1011x)] .
1 − ch(x)
Page 14/ 45
2 - Applications linéaires
Exercice 28.
Nous allons découvrir dans cette exercice une autre utilisation du noyau
d’une application. Plus précisément, nous allons démontrer rapidement que
l’ensemble suivant est un espace vectoriel :
E = {(x, y, z) ∈ R3 , 2x + y − z = 0}.
Exercice 29.
Montrez que l’ensemble ci-dessous est un R-espace vectoriel :
E = {(x, y, z, t) ∈ R4 , x − y + z − t = 0}.
Correction ▼ [029]
Exercice 30.
On définit u = (1, 1) et v = (1, −1), puis F = Vect(u) et G = Vect(v).
1. Montrez que F et G sont supplémentaires dans R2 .
2. Exprimez p1 (x, y), le projeté de (x, y) sur F parallèlement à G.
3. Exprimez p2 (x, y), le projeté de (x, y) sur G parallèlement à F .
4. Exprimez la symétrie s1 par rapport à F parallèlement à G.
5. Exprimez la symétrie s2 par rapport à G parallèlement à F .
Page 12/ 90
A - Fonctions Hyperboliques
Correction de l’exercice 3. ▲
À l’aide de la définition de ch, la formule du binôme de Newton nous donne :
ex + e−x 3 e3x + 3e2x e−x + 3ex e−2x + e−3x e3x + 3ex + 3e−x + e−3x
ch3 (x) = ( ) = = .
2 8 8
De la même manière, on trouve que :
Or exp(−4x) converge vers 0, quand x tend vers +∞. Cela implique donc que :
Correction de l’exercice 4. ▲
Page 16/ 45
PARTIE 2 – Analyse Fonctionnelle (TD)
ex − e−x
f (x) = x − log ( ) = x + log(2) − log(ex − e−x ),
2
= x + log(2) − log[ex (1 − e−2x )],
= x + log(2) − log(ex ) − log(1 − e−2x ),
= x + log(2) − x − log(1 − e−2x ) = log(2) − log(1 − e−2x ).
Page 17/ 45
PARTIE 3 – Algèbre Linéaire (TD)
Exercice 41.
−1 0 1
Soit A = ( 1 −1 0 ). Calculez le produit suivant :
0 1 −1
a b c
A⋅(d e f ).
g h i
Exercice 42.
Dîtes si les propositions suivantes sont vraies ou fausses. Justifiez vos ré-
ponses.
1. Si A est inversible, alors A−1 l’est aussi et (A−1 )−1 = A ;
2. Si A est inversible et si λ ≠ 0, alors λA est inversible et (λA)−1 = λ−1 A−1 ;
3. Si A et B sont inversibles, alors A+B l’est aussi et (A+B)−1 = A−1 +B −1 ;
4. Si A et B sont inversibles, alors AB l’est aussi et (AB)−1 = B −1 A−1 ;
5. Si A et P sont inversibles, alors P AP −1 l’est aussi et :
(P AP −1 )−1 = P A−1 P −1 .
Correction ▼ [042]
Exercice 43.
Soit D une matrice diagonale. Montrez que :
Dans ce cas, montrez que D−1 est diagonale et son coefficient diagonal d’ordre
i est d−1
ii .
Correction ▼ [043]
Page 17/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Exercice 47.
Calculez la trace et le déterminant de la matrice :
⎛ −1 0 1 ⎞
A = ⎜ 1 −1 0 ⎟ .
⎝ 0 1 −1 ⎠
Exercice 48.
Calculez le déterminant des matrices suivantes :
⎛1 0 1 0⎞ ⎛ 1 2 1 2 ⎞
⎜0 1 0 0⎟ ⎜ 2 1 2 1 ⎟
A=⎜
⎜1
⎟, B=⎜ ⎟
⎜ 0 −1 0⎟
⎟
⎜ 1
⎜ 2 −1 −2 ⎟
⎟
⎝1 2 3 4⎠ ⎝ −2 −1 2 1 ⎠
⎛1 0 1 0 1 ⎞ ⎛1 1 1 1 1 ⎞
⎜0 1 0 1 0 ⎟ ⎜1 1 1 1 −1 ⎟
⎜ ⎟ ⎜ ⎟
C=⎜
⎜1 0 1 0 −1 ⎟
⎟, et D=⎜
⎜1 1 1 −1 1 ⎟
⎟.
⎜ ⎟ ⎜ ⎟
⎜0 1 0 −1 0 ⎟ ⎜1 1 −1 1 1 ⎟
⎝1 0 −1 0 1 ⎠ ⎝1 −1 1 1 1 ⎠
Correction ▼ [048]
Page 19/ 90
A - Fonctions Hyperboliques
◇ Expression de sh(y) :
ey − e−y
sh(y) = ,
2
sin( x2 + π4 ) cos( x2 + π4 )
tan ( x2 − π4 ) − 1
tan( x2 + π4 ) cos( x2 + π4 )
− sin( x2 + π4 )
= = ,
2 2
sin2 ( x2 + π4 ) − cos2 ( x2 + π4 )cos [2 ( x2 + π4 )]
= =− ,
2 cos ( x2 + π4 ) sin ( x2 + π4 ) sin [2 ( x2 + π4 )]
par les formules de duplication. On a finalement que :
cos (x + π2 ) sin(x)
sh(y) = − = = tan(x).
sin (x + π
2
) cos(x)
Correction de l’exercice 7. ▲
◇ Commençons par :
√ √
A = log ( x2 + 1 + x) + log ( x2 + 1 − x) .
Page 20/ 45
3.5 Lien avec les Applications Linéaires
Exercice 55.
Soit f l’application linéaire définie par :
f (x, y, z) = (x + y, y − z).
Exercice 56.
Soit f l’endomorphisme défini par :
Page 22/ 90
4.1 Éléments Propres
Exercice 60.
Trouvez les valeurs propres (réelles et complexes) et les sous-espaces propres
des matrices suivantes :
0 1 1 1 ⎛0 0 1⎞
A=( ), B=( ), et C = ⎜ 0 1 0 ⎟.
−1 0 0 1 ⎝1 0 0⎠
Correction ▼ [060]
n
∀i, j, aij ≥ 0, et ∀i, ∑ aij = 1.
j=1
1/2 1/2
S=( ).
1/4 3/4
Commentez.
Correction ▼ [061]
Page 24/ 90
4.2 Polynôme Caractéristique
Exercice 65.
Soit f l’endomorphisme de R3 dont la matrice dans la base canonique est :
⎛2 0 0⎞
A = ⎜ 0 4 2 ⎟.
⎝ 0 −1 1 ⎠
Exercice 66.
Soit f l’endomorphisme de R3 dont la matrice dans la base canonique est :
⎛2 1 2⎞
A = ⎜ 0 4 2 ⎟.
⎝ 0 −1 1 ⎠
Exercice 67.
Soit A la matrice :
⎛ 2 0 −1 ⎞
A = ⎜ −1 1 1 ⎟,
⎝ 0 −1 0 ⎠
et f l’endomorphisme de R3 associé.
Page 26/ 90
PARTIE 3 – Algèbre Linéaire (TD)
4.3 Diagonalisation
Exercice 68.
Les matrices suivantes sont-elles diagonalisables dans R ?
⎛ 1 4 5 ⎞ ⎛ 1 0 0 ⎞ ⎛ 0 1 1 ⎞ ⎛ 2 0 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
A=⎜ 0 2 6 ⎟, B=⎜ 1 2 0 ⎟, C=⎜ 0 0 0 ⎟, D=⎜ 1 2 0 ⎟.
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 0 0 7 ⎠ ⎝ 1 0 2 ⎠ ⎝ 0 0 0 ⎠ ⎝ 0 3 2 ⎠
Correction ▼ [068]
Exercice 69.
Soit f l’endomorphisme de R3 dont la matrice dans la base canonique est :
⎛ 0 5 −2 ⎞
A = ⎜ 0 −7 3 ⎟ .
⎝ −1 −16 7 ⎠
Page 27/ 90
PARTIE 2 – Analyse Fonctionnelle (TD)
De plus, on a :
x3
+o(x4 )
esin(x) = ex− 6 ,
3 2 3
x 1 x3 1 x3
= 1 + (x − + o(x4 )) + (x − + o(x4 )) + (x − + o(x4 )) + o(x3 ),
6 2 6 6 6
x2
=1+x+ + o(x3 ),
2
et :
x3
+o(x4 )
etan(x) = ex+ 3 ,
2 3
x3 1 x3 1 x3
= 1 + (x + + o(x4 )) + (x + + o(x4 )) + (x + + o(x4 )) + o(x3 ),
3 2 3 6 3
x2 x3
=1+x+ + + o(x3 ).
2 2
Cela nous permet de trouver le développement limité suivant :
x3 x3
esin(x) − etan(x) = − + o(x3 ) ∼ − .
2 2
Donc l’équivalent de f au voisinage de 0 est :
−x3 /2
f (x) ∼ ,
−x3 /2
ce qui implique que :
lim f (x) = 1.
x→0
Page 25/ 45
B - Développements Limités
1
lim g(x) = lim f (x) = − = g(0).
x→0 x→0 2
Donc g est continue en 0, dans ce cas (et elle est continue en tous les
autres points). Donc pour a = 1, g est continue.
f ′′ (0) 2
f (x) = f (0) + f ′ (0)x + x + o(x2 ),
2
f ′′ (0)
′ f (x) − f (0) f ′ (0)x + 2 x2 + o(x2 )
f (x) − = f ′ (x) − ,
x x
f ′′ (0)
= f ′ (x) − f ′ (0) − x + o(x).
2
f (x)−f (0)
f ′ (x) − f ′ (x) − f ′ (0) f ′′ (0)
x
= − + o(1),
x x 2
f ′′ (0) f ′′ (0)
= f ′′ (0) − + o(1) = + o(1).
2 2
f ′′ (0)
L= .
2
Page 26/ 45
A.1 Sous-Espaces Vectoriels
√
7. On a 2 ∈ E et 1 √1
= λ ⋅ x ∉ E : sinon, on aurait a ∈ N et
∈ Q. Or
√
2 2
b ∈ N∗ tels que 2
√ √
= ab , puis 2 = 2a
2 b impliquerait que 2 ∈ Q, ce qui
est faux. Donc E n’est pas stable par produit par un scalaire : ce n’est
pas un sous-R-espace vectoriel de R.
Correction de l’exercice 2. ▲
On sait que E ⊂ R3 . Montrons que E est un sous-R-espace vectoriel de R3 .
◇ On remarque tout d’abord que (0, 0, 0) ∈ E.
◇ Soit X = (x, y, z) et X ′ = (x′ , y ′ , z ′ ) des éléments de E et λ ∈ R. Posons
X ′′ = (x′′ , y ′′ , z ′′ ) = X + λX ′ qui vérifie :
2x′′ − y ′′ + z ′′ = 2(x + λx′ ) − (y + λy ′ ) + (z + λz ′ ) = (2x − y + z) + λ(2x′ − y ′ + z ′ ) = 0,
Correction de l’exercice 3. ▲
Page 32/ 90
C - Transformée de Fourier
4. Pour ξ ∈ R, on a :
1
f̂(ξ) = √
+∞
∫ f (x)e−ixξ dx,
2π −∞
1 0 x −ixξ T x
=√ [∫ )e
(1 + dx + ∫ (1 − ) e−ixξ dx] ,
2π −T T 0 T
1 0 1 0 T 1 T
=√ [∫ e−ixξ dx + ∫ xe−ixξ dx + ∫ e−ixξ dx − ∫ xe−ixξ dx] ,
2π −T T −T 0 T 0
1 0 1 T 1
=√ [∫ e −ixξ
dx + JT (ξ) + ∫ e −ixξ
dx − IT (ξ)] ,
2π −T T 0 T
1 1 − eiT ξ 1 e−iT ξ − 1 1
=√ [ − IT (−ξ) + − IT (ξ)] ,
2π −iξ T −iξ T
1 eiT ξ − e−iT ξ 1
=√ [ − (IT (−ξ) + IT (ξ))] .
2π iξ T
1 − cos(T ξ)
f̂(ξ) = 2 √ .
T 2πξ 2
On peut aussi utiliser les formules de duplication pour réécrire cette
formule :
1 − [cos2 (T ξ/2) − sin2 (T ξ/2)] 4 sin2 (T ξ/2)]
f̂(ξ) = 2 √ = √ .
T 2πξ 2 T 2πξ 2
Page 28/ 45
PARTIE 2 – Analyse Fonctionnelle (TD)
2. Pour ξ ∈ R, on a :
+∞ +∞
E(x)e−ixξ dx = √ ∫ e−(a+iξ)x dx,
̂ 1 1
E(ξ) =√ ∫
2π −∞ 2π 0
B 1 e−(a+iξ)B − 1
= lim √ ∫ e−(a+iξ)x dx = lim √
1
.
B→+∞ 2π 0 B→+∞ 2π −(a + iξ)
Cependant, ∣e−(a+iξ)B ∣ ≤ e−aB tend vers 0, quand B tend vers +∞. Ainsi
on a montré que :
̂ 1 1
E(ξ) =√ .
2π a + iξ
Page 29/ 45
C - Transformée de Fourier
g (ξ) = e−iT ξ √
2 sin(T ξ)
̂ .
2πξ
⎧
⎪
1
si − 2T ≤ x ≤ 0,
⎪
⎪ 2T ,
⎪ 1
f ′ (x) = ⎨ − 2T , si 0 ≤ x ≤ 2T,
⎪
⎪
⎪
⎪
⎩ 0, sinon.
ΠT (x + T ) − ΠT (x − T ) = 1 − 0 = 1.
ΠT (x + T ) − ΠT (x − T ) = 0 − 1 = −1,
̂ 2 sin(T ξ)
h(ξ) = eiT ξ √ .
2πξ
Page 30/ 45
PARTIE 2 – Analyse Fonctionnelle (TD)
− e−iT ξ √
1 ̂ 1 2 sin(T ξ) 2 sin(T ξ)
f̂′ (ξ) = [h(ξ) − ̂
g (ξ)] = [eiT ξ √ ],
2T 2T 2πξ 2πξ
sin(T ξ) 2i sin2 (T ξ)
(e − e−iT ξ ) √
1 iT ξ
= = √ .
T 2πξ T 2πξ
D’après le cours, on sait que f̂′ (ξ) = iξ f̂(ξ), ce qui nous permet
d’écrire que :
1 2 sin2 (T ξ)
f̂(ξ) = f̂′ (ξ) = √ .
iξ T 2πξ 2
1 b c b(ix − a′ ) − c(ix + a′ )
= − = ,
1 + a2 x2 ix + a′ ix − a′ (ix + a′ )(ix − a′ )
(b − c)ix − a′ (b + c) ′
2 (b − c)ix − a (b + c)
= = −a .
−x2 − a′2 a2 x2 + 1
Par identification, de telles constantes sont solutions de :
b − c = 0, 1 1
{ 2 ′
⇐⇒ b = c = ′
= .
a a (b + c) = 1, 2
2a a 2a
exp(−a′ x), si x ≥ 0,
g(x) = {
0, sinon,
1 1 1
̂
g (ξ) = √ ′
= √ f1 (ξ).
2π iξ + a 2π
Page 31/ 45
D - Produit de Convolution
D Produit de Convolution
Page 32/ 45
PARTIE 3 – Algèbre Linéaire (TD)
α + β = 0,
{ puis α = β = 0.
α = 0,
x = αu = −βv + γw.
Page 43/ 90
D - Produit de Convolution
Page 34/ 45
B - Applications Linéaires
aussi de la structure d’espace vectoriel. Ici, on dira que u est R-linéaire mais
pas C-linéaire.
f1 (x, y) = f1 (xε1 + yε2 ) = xf1 (ε1 ) + yf1 (ε2 ) = x(1, 3) + y(1, 1).
Finalement, on a obtenu :
f1 (x, y) = (x + y, 3x + y) .
x+y x−y
(x, y) = v+ w.
2 2
Page 46/ 90
B - Applications Linéaires
dim(ker(u)) = 1,
Page 48/ 90
PARTIE 2 – Analyse Fonctionnelle (TD)
∂x f (x, y, z) = ϕ′ (x) = ex .
◇ On pose ϕ(t) = 1
1+t2 +y 2 +z 2
. Ainsi on a :
∂x h(x, y, z) = ϕ′ (x) = −
2x
.
(1 + x2 + y 2 + z 2 )2
∂y f (x, y, z) = ϕ′ (y) = ey .
◇ On pose ϕ(t) = 1
1+x2 +t2 +z 2
. Ainsi on a :
∂y h(x, y, z) = ϕ′ (y) = −
2y
.
(1 + x2 + y 2 + z 2 )2
Page 37/ 45
PARTIE 3 – Algèbre Linéaire (TD)
∀(x, y, z, t) ∈ R4 , u(x, y, z, t) = x − y + z − t.
Page 51/ 90
PARTIE 3 – Algèbre Linéaire (TD)
(x′ , y ′ , z ′ ) = (x, y, z) − λA = (
x+z x−z z−x
λ= , et , y, ).
2 2 2
Ainsi la projection p1 de (x, y, z) ∈ R3 s’écrit :
x+z x+z
p1 (x, y, z) = λA = ( , 0, ).
2 2
2. Par le biais de ce qu’on a fait précédemment, on obtient aussi que :
p2 (x, y, z) = (x′ , y ′ , z ′ ) = (
x−z z−x
, y, ).
2 2
3. Comme s1 = p1 − p2 , on trouve que :
x+z x+z x−z z−x
s1 (x, y, z) = ( , 0, )−( , y, ) = (z, −y, x) .
2 2 2 2
4. De la même manière que pour s1 , on vérifie que :
Page 53/ 90
E - Dérivées Partielles et Différentielles
1. On vérifie que :
On vérifie que :
x 1
∂t y(t, x) = − , et ∂x y(t, x) = .
(1 + t)2 1+t
Page 40/ 45
B - Applications Linéaires
et :
Page 56/ 90
F - Intégrales Doubles et Triples
1
1 1 1 x2
I2 = ∫ [∫ (x + y)dy] dx = ∫ (2x + 0)dx = 2 [ ] = 0.
−1 −1 −1 2 −1
2
1 2 1 y 2 ex 1
I3 = ∫ [∫ yex dy] dx = ∫ [ ] dx = 2 ∫ ex dx = 2[e − 1].
0 0 0 2 0 0
1
1 2 1 x2 [e2 − 1] e2 − 1
I4 = ∫ [∫ xey dy] dx = ∫ x[e2 − 1]dx = [ ] = .
0 0 0 2 0
2
Page 42/ 45
PARTIE 2 – Analyse Fonctionnelle (TD)
(x, y) ∈ D ssi 0 ≤ x ≤ 1 et 0 ≤ y ≤ 1 − x.
Page 43/ 45
C.2 Inverse d’une matrice
⎛ −5 7 1 ⎞ ⎛ 18 0 0 ⎞
A ⋅ ⎜ 1 −5 7 ⎟ = ⎜ 0 18 0 ⎟ = 18I3 .
⎝ 7 1 −5 ⎠ ⎝ 0 0 18 ⎠
On définit alors la matrice :
−5 7 1 ⎞
1 ⎛
B= ⎜ 1 −5 7 ⎟ .
18 ⎝
7 1 −5 ⎠
Par ce qui précède on a que :
1 1
AB = × [A(18B)] = × 18I3 = I3 .
18 18
De la même façon, on montre que BA = I3 . Ainsi A est inversible et A−1 = B. 11
11. En fait, si AB = I3 , on n’a pas besoin de vérifier que BA = I3 , pour montrer que A soit
inversible et savoir que A−1 = B. Nous le verrons dans un autre exercice.
Page 62/ 90
PARTIE 3 – Algèbre Linéaire (TD)
(C T )ij = cji = (A + B)ji = aji + bji = (AT )ij + (B T )ij = (AT + B T )ij .
AA−1 = In = A−1 A.
(A−1 )T AT = In = AT (A−1 )T .
Page 65/ 90
C.4 Trace et Déterminant
Page 66/ 90
C.4 Trace et Déterminant
⎛ det(A) 0 ⋯ 0 ⎞
⎜ .. .. .. ⎟
⎜ 0 . . . ⎟
AB T = ⎜ .. .. .. ⎟ = det(A)In .
⎜ . . ⎟
⎜ . 0 ⎟
⎝ 0 ⋯ 0 det(A) ⎠
1 1
A( BT ) = AB T = In .
det(A) det(A)
A−1 =
1
BT .
det(A)
1 1
det(A) = ∣ ∣ = −2.
1 −1
Comme det(A) est non nul, A est inversible. On doit maintenant cal-
culer les différents mineurs de A :
◇ (i, j) = (1, 1) : ∆11 (A) = ∣ 10 −1
0 ∣ = −1 ;
Page 72/ 90
PARTIE 3 – Algèbre Linéaire et Géométrie
Page 3/ 97
1 - Espaces Vectoriels
1 Espaces Vectoriels
Voici une définition générale des espaces vectoriels, qui ne fait pas partie
du programme, mais qui est bon d’avoir dans un coin de la tête.
Page 4/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Les C-espaces vectoriels sont aussi des R-espaces vectoriels, étant donné
que R est inclus dans C. Cependant, la réciproque est fausse !
muni des lois usuelles (voir Section 1.3 pour plus de détails), est aussi un
K-espace vectoriel.
Dans ce cours, nous ne considérons que les cas où K est soit R soit C.
Cependant, on peut définir des K-espaces vectoriels pour d’autres choix de K.
Par exemple, il existe des Q-espace vectoriels, mais qui sont bien trop complexes
à étudier.
Page 5/ 97
1.1 Sous-Espaces Vectoriels
λ ⋅ (ix) = i (λx) ∈ E.
Page 6/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Page 7/ 97
1.2 Famille de Vecteurs
Ainsi un nombre fini d’éléments regroupés dans une famille F nous permet
de construire une infinité de nouveaux éléments :
⎛⎛ 1 ⎞ ⎛ 0 ⎞⎞
Exemple 11. Soit F = ⎜⎜ 0 ⎟ , ⎜ 1 ⎟⎟ famille de vecteurs de R3 . On a :
⎝⎝ 1 ⎠ ⎝ 1 ⎠⎠
⎧ 1 ⎫ ⎧ ⎫
⎪
⎪ ⎛ ⎞
⎪ ⎛0⎞ ⎪ ⎪
⎪
⎪ ⎪⎛
⎪
x ⎞ ⎪
⎪
⎪
Vect(F) = ⎨x ⎜ 0 ⎟ + y ⎜ 1 ⎟ , x, y ∈ R⎬ = ⎨⎜ y ⎟ , x, y ∈ R⎬ .
⎪
⎪ ⎪
⎪ ⎪
⎪⎝ ⎪
⎪
⎩ ⎝1⎠
⎪ ⎝1⎠ ⎭ ⎪
⎪ ⎩ x+y ⎠ ⎪
⎭
Nous pouvons voir ainsi l’espace VectF) comme étant l’ensemble des élé-
ments de E qui sont engendrés par des combinaisons linéaires de F : on dira
que F est une famille génératrice de Vect(F). Cependant, il arrive qu’on puisse
créer tout cet ensemble avec juste une sous-famille de F, et non avec F : on
dira que la famille F est liée, étant donné qu’on aura une condition (linéaire)
reliant les différents éléments de F.
Page 8/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
on a λ1 = ⋯ = λp = 0 ;
◇ liée si elle n’est pas libre ;
◇ génératrice si pour tout vecteur x de E, il existe des éléments
λ1 , . . . , λp de K tels que :
p
x = ∑ λi ei .
i=1
Page 9/ 97
1.3 Exemple de Kn
1.3 Exemple de Kn
On rappelle la notation Kn pour l’ensemble des n-uplets (x1 , . . . , xn ) où
chaque xi appartient à K. Pour x = (x1 , . . . , xn ) et y = (y1 , . . . , yn ) deux
n-uplets et pour un scalaire λ ∈ K, on définit la somme x + y par :
x + y = (x1 + y1 , . . . , xn + yn ),
λx = (λx1 , . . . , λxn ).
Ces deux opérations font de Kn un K-espace vectoriel, dont le vecteur nul est
le n-uplet 0Kn = (0, . . . , 0), qu’on peut abréger en 0.
i-ème coordonnée
↓
εi = (0, . . . , 0, 1, 0, . . . , 0).
Page 10/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Page 11/ 97
1.4 Somme Directe
1 1
Exemple 12. Dans E = R2 , on pose F = Vect {( )} et G = Vect {( )}.
0 1
Montrons que F et G sont supplémentaires.
x
Si ( ) ∈ F ∩ G, alors il existe par définition deux scalaires λ et µ tel que :
y
x 1 x 1
( ) = λ( ), et ( ) = µ( ).
y 0 y 1
λ + µ = x,
{
µ = y.
Page 12/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
x = xF + xG = x′F + x′G .
x = λ1 f1 + ⋯ + λp fp + µ1 g1 + ⋯ + µq gq ,
0E = λ1 f1 + ⋯ + λp fp + µ1 g1 + ⋯ + µq gq .
Page 13/ 97
1.4 Somme Directe
0E = λ1 f1 + ⋯ + λp fp + µ1 g1 + ⋯ + µq gq .
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
xF xG
0E = λ1 f1 + ⋯ + λp fp ,
{
0E = µ1 g1 + ⋯ + µq gq .
Comme (f1 , . . . , fp ) est une base de F et donc une famille libre, les
coefficients λi sont donc nuls. De la même façon les µi sont nuls. On
vient alors de montrer que la famille (f1 , . . . , fp , g1 , . . . , gq ) est libre.
Finalement la famille (f1 , . . . , fp , g1 , . . . , gq ) est une base.
Page 14/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
1 1
Exemple 13. Reprenons F = Vect {( )} et G = Vect {( )}. On a déjà
0 1
vu que F et G sont supplémentaires dans R2 : R2 = F ⊕ G.
De plus, dim R2 vaut 2. On peut montrer rapidement que dim F = dim G = 1.
On a donc bien :
dim R2 = dim F + dim G.
2 Applications Linéaires
Passons maintenant à l’étude de fonctions particulières définies sur les es-
paces vectoriels.
Exemple 15. La symétrie par rapport à 0 est définie par s(x) = −x.
Page 15/ 97
2 - Applications Linéaires
Page 16/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
X = u(x) et Y = u(y).
Projections et Symétries
1 1
Exemple 17. Rappelons que F = Vect {( )} et G = Vect {( )} sont
0 1
2
supplémentaires dans R . La projection sur F parallèlement à G est l’ap-
x x−y
plication ( ) ↦ ( ) tandis que la projection sur G parallèlement à F
y 0
x y
est l’application ( ) ↦ ( ).
y y
Page 17/ 97
2 - Applications Linéaires
G = ker(p).
Page 18/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
0E = u2 (x′ ) = x.
On a ainsi prouvé que F ∩ G est inclus dans {0E }. Par double inclusion,
on a F ∩ G = {0E }.
Montrons maintenant que E = F + G. Soit x ∈ E et cherchons une
décomposition x = xF + xG , avec xF ∈ F et xG ∈ G. Or F = Im(u) et
G = ker(u) : on veut écrire x = u(x′ ) + xG , avec u(xG ) = 0E . Si une telle
décomposition existe, alors en prenant l’image de x par u on a :
xF = x − (x − u(x)) = u(x).
Page 19/ 97
2 - Applications Linéaires
1 1
Exemple 18. Reprenons F = Vect {( )} et G = Vect {( )} supplémen-
0 1
taires dans R2 . La symétrie par rapport à F parallèlement à G est alors
l’application :
x x−y y x − 2y
( )↦( )−( )=( ).
y 0 y −y
Page 20/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
3 Matrices
Page 21/ 97
3.1 Règles de calculs
1 2 3
Exemple 19. La matrice A = ( ) est une matrice de taille 2 × 3.
4 5 6
Ces coefficients sont réels (mais aussi complexes). Donc A est un élément
de M2,3 (R) et de M2,3 (C).
i 2i
Exemple 20. La matrice A = ( ) est une matrice de taille 2 × 2. Ces
3 0
coefficients sont complexes. Donc A est un élément de M2,2 (C).
Nous pouvons effectuer certains calculs avec ces nouveaux objets. Ces opé-
rations sont une extension des opérations élémentaires que nous connaissons
dans R (et dans C).
1 0 1 0 −1 0
Exemple 21. Soit A = ( ) et B = ( ). Alors on a :
0 1 0 −1 0 −1
1 −1 1
A+B =( ).
−1 1 −1
Page 22/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
∀1 ≤ i ≤ n, ∀1 ≤ j ≤ m, (λA)ij = λ Aij .
1 0 1
Exemple 22. Soit A = ( ) et λ = 2. Alors on a :
0 1 0
2 0 2
λA = ( ).
0 2 0
j-ème colonne
↓
0 ... 0 0 0 ... 0
⎛ .. .. .. .. .. ⎞
⎜ 0. . . . .
... 0 ⎟
Eij = ⎜0 ... 0 0 0
... 0 ⎟ ← i-ème ligne
⎜0 ... 0 1 0
... 0 ⎟
⎜. ... 0
..
0
..
0
.. ..
⎟
⎝ .. . . . .⎠
0 ... 0 0 0 ... 0
Page 23/ 97
3.1 Règles de calculs
−1 1 1 ⎛1 2⎞
Exemple 23. Soit A = ( ) et B = ⎜ 0 1 ⎟. Ici n = 2, m = 3 et
0 −1 1 ⎝1 0⎠
p = 2. On utilise le schéma suivant pour faire le produit A B :
0 −1
A B=( ) ∈ M2,2 (K).
1 −1
Page 24/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
1 0 1 2 3
Exemple 24. Considérons A = ( ) et B = ( ) . On obtient que :
1 0 4 5 6
1 2 3
A B=( ).
1 2 3
⎛1 0 ⋯ 0⎞
⎜0 . . . . .. ⎟
⎜ . . .⎟
In = ⎜ . ⎟.
⎜ .. . . 0⎟
.. ..
⎜ ⎟
⎝0 ⋯ 0 1⎠
A In = In A = A.
1 0 1 2 1 2 1 0
( ) ( )≠( ) ( ).
0 0 3 4 3 4 0 0
Page 25/ 97
3.3 Quelques matrices particulières
Définition 21. Une matrice P ∈ Mn,n (K) est dite inversible s’il existe
une matrice Q ∈ Mn,n (K) (appelée inverse de P et notée P −1 ) telle que :
P Q = Q P = In .
1 1
Exemple 26. La matrice P = ( ) est inversible et :
0 2
1 2 −1
P −1 = ( ).
2 0 1
Nous verrons plus tard comment caractériser si une matrice est inverisble
ou non, plus facilement.
Définition 22. Une matrice A de Mn,1 (K) (ne possédant qu’une seule
colonne) est dite matrice colonne.
Une matrice A de M1,n (K) (ne possédant qu’une seule ligne) est dite ma-
trice ligne.
Page 26/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Par la suite, si aucune ambiguïté n’a lieu, nous confondrons Mn,1 (K) et
M1,n (K) avec Kn .
Définition 23. Une matrice A de Mn,n (K) est dite matrice carrée.
Définition 24. Une matrice A de Mn (K) est dite diagonale, si tous les
coefficients aij sont nuls pour i ≠ j.
3.4 Transposée
Nous pouvons interchanger les lignes et les colonnes d’une matrice. On
construit alors une nouvelle matrice et donc une nouvelle opération sur Mn,m (K).
Page 27/ 97
3.4 Transposée
1 2 3
Exemple 30. La transposée de A = ( ) est :
4 5 6
⎛1 4⎞
A = ⎜ 2 5 ⎟.
T
⎝3 6⎠
Proposition 14. La transposée d’une matrice ligne est une matrice co-
lonne, dont les coefficients sont rangés dans le même ordre.
La transposée d’une matrice colonne est une matrice ligne, dont les coeffi-
cients sont rangés dans le même ordre.
⎛1⎞
A = ⎜ 2 ⎟.
T
⎝3⎠
Exemple 32. On a :
T
1 0 1 0
( ) =( ).
0 2 0 2
Page 28/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
1 2
Exemple 33. Soit A = ( ). La trace de A vaut :
17 −1
Tr(A) = 1 + (−1) = 0.
De plus, étant donné que la transposée ne change pas les termes diagonaux,
nous avons :
Page 29/ 97
3.5 Trace et Déterminant
a b
Définition 27. Soit A = ( ) ∈ M2 (K). Le déterminant de A vaut :
c d
det(A) = ad − bc.
Page 30/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Définition 28. Le mineur ∆i,j (A) est le déterminant calculé après avoir
ôté à A sa i-ème ligne et sa j-ème colonne.
⎛ 2 1 0 4 ⎞
⎜ −1 3 2 1 ⎟
A=⎜
⎜ 1
⎟.
⎜ 5 0 −2 ⎟
⎟
⎝ 0 1 −1 3 ⎠
21 4 5 −2 1 4
∣ 1 5 −2 ∣ = 2 ∣ ∣−∣ ∣ = 2 × 17 − (−1) = 35.
01 3 1 3 1 3
2 1 4 3 1 1 4 1 4
∣ −1 31 ∣ = 2∣ ∣ − (−1) ∣ ∣+∣ ∣ = −55.
1 5 −2 5 −2 5 −2 3 1
Page 31/ 97
3.5 Trace et Déterminant
Page 32/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
1 0
Exemple 39. La matrice A = ( ) a un déterminant nul : elle n’est pas
0 0
inversible.
⎛ a11 0 ⋯ 0 ⎞
⎜ 0 a .. .. ⎟
⎜ 22 . . ⎟
A=⎜ . . ⎟.
⎜ . .. .. ⎟
⎜ . . 0 ⎟
⎝ 0 ⋯ 0 an+1,n+1 ⎠
Page 33/ 97
3.5 Trace et Déterminant
Opérations élémentaires
Certaines opérations matricielles permettent de simplifier les calculs de
déterminants :
Page 34/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Page 35/ 97
3.6 Lien avec les applications linéaires
x 2x+y
Exemple 42. Soit u ∈ L(R3 ) définie par ( yz ) ↦ ( z ). Cherchons sa
x+z
matrice A dans la base canonique B = (ε1 , ε2 , ε3 ) de R . 3
On obtient finalement :
⎛2 1 0⎞
MatB (u) = ⎜ 0 0 1 ⎟ .
⎝1 0 1⎠
⎛n ⎞ n n p p ⎛ n ⎞
u(x) = u ∑ λj ej = ∑ λj u(ej ) = ∑ λj (∑ aij fi ) = ∑ ∑ aij λj fi
⎝j=1 ⎠ j=1 j=1 i=1 i=1 ⎝j=1 ⎠
Page 36/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Exemple 43. Soit u ∈ L(R2 ) tel que sa matrice dans la base canonique C
soit MatC (u) = ( 14 37 ). Dans ce cas, pour (x, y) ∈ R2 , on a :
x+3y
MatC (u(x, y)) = ( 14 32 ) ( xy ) = ( 4x+2y ).
Exemple 44. Soit u ∈ L(R2 ) tel que, dans la base B = ((1, 1), (1, −1)),
MatB (u) = ( 14 32 ). Soit (x, y) ∈ R2 . On cherche ses coordonnées (α, β) dans
la base B, c’est-à-dire α et β tels que (x, y) = α(1, 1) + β(1, −1). On doit
alors résoudre le système :
x+y
x = α + β, α= 2 ,
{ ⇐⇒ { x−y
y = α − β, β= 2 .
(x + y)/2
MatB ((x, y)) = ( ).
(x − y)/2
1 3 (x + y)/2 2x − y
MatB (u(x, y)) = ( )( )=( ).
4 2 (x − y)/2 3x + y
Page 37/ 97
3.6 Lien avec les applications linéaires
Par unicité de la décomposition dans une base, on a bien que ckj = (AB)kj
pour tous 1 ≤ k, j ≤ n.
Page 38/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
⎧
⎪ a11 x1 + ⋯ + a1p xp = y1 ,
⎪
⎪
⎪ .
(S) ⎨ .. .. ..
⎪ . .
⎪
⎪
⎪
⎩ an1 x1 + ⋯ + anp xp = yn ,
⎛ a11 ⋯ a1p ⎞ ⎛ y1 ⎞
A=⎜ .
⎜ ..
..
.
⎟,
⎟ et Y =⎜ .
⎜ ..
⎟.
⎟
⎝a ⋯ a ⎠ ⎝y ⎠
n1 np n
X = A−1 Y.
On rappelle qu’il y a trois cas possibles : soit le système n’a aucune solution,
soit le système a une unique solution, soit le système a une infinité de solutions.
Plus précisément, considérons E l’ensemble des solutions du système. Il n’y a
alors que trois cas :
◇ E est vide : E = ∅ ;
◇ E est réduit à un élément : E = {(x1 , . . . , xp )} ;
◇ E est infini. Dans ce cas, il existe un entier 1 ≤ d ≤ p, (u1 , . . . , ud ) une
famille libre de Kp et x = (x1 , . . . , xp ) ∈ Kp tels que :
E = {z ∈ Kp , ∃ (λ1 , . . . , λd ) ∈ Kd , z = x + λ1 u1 + ⋯ + λd ud }.
Page 39/ 97
4 - Diagonalisation
E = x + Ku1 + ⋯ + Kud ,
= x + Ku1 ⊕ ⋯ ⊕ Kud ,
= x + Vect(u1 , . . . , ud ).
4 Diagonalisation
Considèrons un système linéaire AX = Y . Si A est diagonale, alors on sait
résoudre facilement ce système :
yi
xi = ,
aii
X = P X̃.
Le but de cette partie est de savoir si une matrice A admet une décompo-
sition en P DP −1 avec P inversible et D diagonale : on dira alors que A est
diagonalisable.
Remarquons que la matrice P −1 qui est présente dans ce type de décom-
position est la matrice de passage de la base canonique – notée (ε1 , . . . , εn ) –
vers une base B c’est-à-dire que εi = P −1 ei . Il faut donc chercher à comprendre
cette nouvelle base B = (e1 , . . . , en ) (Quels sont ces éléments ?). On calcule :
Page 40/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Page 41/ 97
4.1 Éléments Propres
1 2
Exemple 45. Soit A la matrice A = ( ) vue à coefficients réels. Pour
−1 4
trouver quelles sont ses valeurs propres et ses veteurs propres, on doit cher-
cher les λ réels et les vecteurs NON NULS X de R2 , pour lesquels on a
une relation AX = λX. On cherche X sous la forme (x, y). Si on a une
relation de vecteurs propres, x et y sont solutions du système à paramètre
λ suivant :
x + 2y = λx, (1 − λ)x + 2y = 0,
{ ⇔{
−x + 4y = λy, −x + (4 − λ)y = 0.
Pour éviter les disjonctions de cas, on échange les lignes :
−x + (4 − λ)y = 0, −x + (4 − λ)y = 0,
{ ⇔ {
(1 − λ)x + 2y = 0, L2 ←L2 +(1−λ)L1 [(4 − λ)(1 − λ) + 2]y = 0.
Page 42/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
A = P −1 BP.
Soit λ ∈ K valeur propre de B. Il existe X vecteur non nul tel que BX = λX.
Posons Y = P −1 X. Nous avons alors que :
AY = P −1 BP P −1 X = P −1 BX = P −1 (λX) = λP −1 X = λY.
Comme X est non nul, Y est un vecteur non nul : λ est aussi une valeur propre
de A.
On remarque ensuite que B = Q−1 AQ avec Q = P −1 ∈ GLn (K) : on peut
donc appliquer le raisonnement précédent, ce qui nous permet de conclure.
⎛ 4 2 −1 ⎞ ⎛1 1 1⎞
A = ⎜ 0 5 0 ⎟, et P = ⎜ 0 1 0 ⎟.
⎝2 2 1 ⎠ ⎝2 1 1⎠
Page 43/ 97
4.1 Éléments Propres
0 0 0 1
Exemple 47. Soit A = ( ) et B = ( ). Si une matrice M est
0 0 0 0
semblable à A alors elle peut s’écrire :
M = P −1 AP.
BX = λX,
Page 44/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Cela implique que (λ − µ)X = 0. Si X est non nul, il existerait une coordonnée
de X, notée xi , qui est donc non nulle. En particulier, on aurait que (λ−µ)xi = 0
avec xi ≠ 0 : forcément λ−µ = 0, ce qui est impossible par hypothèse. On vérifie
rapidement que 0 ∈ Eλ (A) ∩ Eµ (A), ce qui termine la preuve.
On peut voir la matrice A − XIn comme une matrice de taille n dont les
coeffcients sont des polynômes de degré inférieur ou égal à 1 par rapport à la
variable X. Comme le calcul du déterminant consiste à faire des sommes de
termes constitués de produits des coefficients de la matrice, on en déduit que
χA (X) est une somme de produits de polynômes en X : c’est donc bel et bien
un polynôme en X.
Page 45/ 97
4.2 Polynôme Caractéristique
pour un certain c ∈ K. En pratique ce résultat est très utile pour détecter des
erreurs de calculs.
Théorème 33.
Les valeurs propres d’une matrice A sont les racines du polynôme caracté-
ristique χA (X).
On trouve les valeurs propres d’une matrice en trouvant les racines de son
polynôme caractéristique. C’est pourquoi on essaiera AU MAXIMUM de
calculer et de garder au cours des calculs le polynôme sous forme FACTORI-
SÉE lorsque c’est possible.
Démonstration. Cela vient du fait que les valeurs sont exactement les racines
de χA (X) qui est de degré n.
Page 46/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
⎛1 0 1⎞
Exemple 48. Considérons le cas de la matrice A = ⎜ 0 2 0 ⎟. Son poly-
⎝2 0 0⎠
nôme caractéristique se calcule par le déterminant :
RRR 1 − X 0 1 RRR
R
R
χA (X) = RRR 0 2−X 0 RRR.
RRR RRR
2 0 −X RR
RRR 1 − X 0 1 RRR
χA (X) = RRRRR 0 2−X 0 RRR = (2 − X)∣ 1 − X 1 ∣,
RRR RRR 2 −X
2 0 −X RR
Page 47/ 97
4.3 Diagonalisation
4.3 Diagonalisation
Pour certaines matrices, dont les matrices diagonales, on sait effectuer des
calculs liés aux matrices, comme des calculs de puissances ou des résolutions
d’équations différentielles (cf. Section 5). C’est pourquoi nous allons nous y
ramener.
Définition 38. Soit A une matrice de taille n. On dit que A est dia-
gonalisable si et seulement s’il existe une matrice P inversible telle que
D = P −1 AP soit diagonale.
Grâce à cette dernière remarque, faisons un petit aparte sur les endomor-
phismes u d’un espace vectoriel E de dimension finie. Tout d’abord énonçons
le résultat suivant :
Ainsi si MatB (u) est diagonalisable pour une certaine base B elle l’est pour
n’importe qu’elle autre base aussi. On peut alors définir correctement la notion
de diagonalisabilité d’un endomorphisme u :
Page 48/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Page 49/ 97
4.4 Exemples
Non
χA (X) scindé Non diagonalisable
4.4 Exemples
4.4.1 Matrice non diagonalisable dans R
⎛ 7 3 −4 ⎞
A = ⎜ −6 −2 5 ⎟ .
⎝ 4 2 −1 ⎠
Page 50/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
On peut alors factoriser par 1−X dans la première colonne. On effectue ensuite
l’opération L2 ← L2 + 2L1 , ce qui permet d’obtenir :
RRR 1 − X 3 −4 RR
RRR RRR 1 3 −4 RRR
R
R
χA (X) = RRR −2(1 − X) −2 − X R
R
RRR = (1 − X)RRR −2 −2 − X RRR,
RRR
5
RRR RRR
5 RRR
0 2 −1 − X 0 2 −1 − X RR
RRR 1 3 −4 RRR
= (1 − X)RRRRR 0 4 − X −3 RRRRR = (1 − X)[(4 − X)(−1 − X) + 6],
RRR R
0 2 −1 − X RR
= (1 − X)(X 2 − 3X + 2) = (1 − X)(X − 1)(X − 2) = −(1 − X)2 (X − 2).
⎧
⎪ 6x + 3y − 4z = 0, ⎧
⎪ 6x + 3y − 4z = 0,
⎪
⎪
⎪ ⎪
⎪
⎪ 2x + y = 0,
⎨ −6x − 3y + 5z = 0, ⇔ ⎨ z = 0, ⇔{
⎪
⎪
⎪ L2 ←L2 +L1 ⎪
⎪
⎪ z = 0.
⎪
⎩ 4x + 2y − 2z = 0, L3 ←L3 − 23 L1 ⎪
⎩ (−2 + 3 )z = 0,
8
Par conséquent, une base de E1 (A) est donnée par le vecteur (1, −2, 0).
Comme E1 (A) est de dimension 1, la matrice A n’est pas diagonalisable dans
R (ni dans C).
Page 51/ 97
4.4 Exemples
⎛2 0 0⎞
Soit B = ⎜ 3 −1 4 ⎟. On calcule son polynôme caractéristique :
⎝ 2 −2 5 ⎠
Page 52/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
⎛1 0 0⎞
Exemple 49. Ici, on aurait très bien pu prendre P = ⎜ 1 2 1 ⎟ et dans ce
⎝0 1 1⎠
⎛2 0 0⎞
cas la matrice D qu’il faut fournir est D = ⎜ 0 1 0 ⎟.
⎝0 0 3⎠
0 1
La matrice C = ( ) est-elle diagonalisable sur C ? Si oui, la diagona-
−1 0
liser.
On calcule le polynôme caractéristique de C :
Page 53/ 97
5 - Premières applications
5 Premières applications
5.1 Puissance d’une matrice
Quand une matrice est diagonalisable, on peut calculer très simplement ses
puissances. Si la matrice A est diagonalisable, on peut calculer une matrice P
inversible et une matrice D diagonale telle que D = P −1 AP . Par conséquent
on a A = P DP −1 et Ak = (P DP −1 )k . Par une récurrence simple, on montre
que (P DP −1 )k = P Dk P −1 :
◇ Pour k = 1, on a bien (P DP −1 )k = P Dk P −1 ;
◇ Soit k un entier supérieur à 1 et supposons que (P DP −1 )k = P Dk P −1 .
On a alors par hypothèse de récurrence :
(P DP −1 )k+1 = (P DP −1 )k P DP −1 = (P Dk P −1 )P DP −1 = P Dk+1 P −1 ;
Page 54/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
1 , . . . , λn ),
Dk+1 = Dk D = diag(λk1 , . . . , λkn )D = diag(λk+1 k+1
Page 55/ 97
5.2 Systèmes Différentiels
α′ (t) = −α(t),
{
β ′ (t) = β(t).
Page 56/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Figure 2 – Tracé de l’évolution de (x(t), y(t)) dans le cas où (x0 , y0 ) = (2, 1).
Figure 3 – Tracé de l’évolution de (x(t), y(t)) dans le cas où (x0 , y0 ) = (2, 0).
Page 57/ 97
6 - Quelques astuces pour se corriger
Page 58/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
On a donc montré que AX = sX, pour X un vecteur non nul. Donc s est valeur
propre de A et X est bien un vecteur propre associé.
⎛ 0 2 −1 ⎞
Étudions la matrice A = ⎜ 1 0 0 ⎟. On remarque que la somme sur
⎝ −1 4 −2 ⎠
chaque ligne vaut 1 : 1 est une valeur propre et (1, 1, 1) est un vecteur propre
associé. De plus, on peut calculer le déterminant de A (par la formule de
Sarrus par exemple) : on trouve que det(A) = 0. Ainsi 0 est une valeur propre.
Utilisons enfin la dernière propriété, pour déterminer la dernière valeur propre
(complexe) de A, notée λ :
1 + 0 + λ = Tr(A) = −2.
Ainsi −3 est une autre valeur propre. Pour utiliser ce genre de raisonnement
(très rapide) nous ne pouvons pas appliquer directement les résultats ci-dessus :
nous allons tout simplement faire une astuce littéraire, en donnant des vecteurs
propres associés. Voici un exemple de rédaction de réponse :
Page 59/ 97
6 - Quelques astuces pour se corriger
⎛1 2 3⎞
Exemple 51. La matrice ⎜ 2 2 4 ⎟ est symétrique, donc diagonalisable.
⎝3 4 4⎠
Page 60/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Page 61/ 97
7.1 Rappels sur le Produit Scalaire
φ ∶ E×E → R,
x1 x2
(( ),( )) ↦ x1 y2 + x2 y1 .
y1 y2
x1 x2 x3
En effet, on a pour tout X1 = ( ), X2 = ( ) et X3 = ( ) vecteurs de
y1 y2 y3
R2 et pour tout réel α,
x1 αx2 + x3
φ(X1 , αX2 + X3 ) = φ (( ),( )) ,
y1 αy2 + y3
= x1 (αy2 + y3 ) + y1 (αx2 + x3 ),
= α(x1 y2 + y1 x2 ) + (x1 y3 + y1 x3 ),
= αφ(X1 , X2 ) + φ(X1 , X3 ).
φ(X1 , X2 ) = x1 y2 + x2 y1 = x2 y1 + x1 y2 = φ(X2 , X1 ).
Page 62/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
φ ∶ E×E → R,
(x, y) ↦ x1 y1 + x2 y2 ,
Montrons la symétrie :
φ((x1 , . . . , xn ), (y1 , . . . , yn )) = x1 y1 + ⋯ + xn yn ,
= y1 x1 + ⋯ + yn xn ,
= φ((y1 , . . . , yn ), (x1 , . . . , xn )).
Page 63/ 97
7.1 Rappels sur le Produit Scalaire
Comme on a une somme de nombres positifs ou nuls (car ce sont des carrés
de réels), le résultat est lui-même positif ou nul. Enfin φ est bien une forme
définie. En effet, si φ((x1 , . . . , xn ), (x1 , . . . , xn )) = 0, comme c’est une somme
de nombres positifs, cela veut dire que chaque terme de la somme est en fait
nul. On en déduit que :
x21 = x22 = ⋯ = x2n = 0.
φ ∶ E×E → R,
⎛⎛ x1 ⎞ ⎛ y1 ⎞⎞ n
⎜⎜ ... ⎟ , ⎜ .. ⎟⎟ ↦ ∑ xi yi .
⎜⎜ ⎟ ⎜ . ⎟⎟
⎝⎝ xn ⎠ ⎝ yn ⎠⎠ i=1
N ∶ E → R+ ,
√
x ↦ φ(x, x),
Page 64/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
√ √ n
Exemple 55. Dans Rn , on pose ∥x∥2 = ⟨x, x⟩ = ∑i=1 ∣xi ∣2 : c’est la
norme euclidienne canonique de Rn .
Page 65/ 97
7.1 Rappels sur le Produit Scalaire
Par positivité de φ, P (t) est positif pour tout t réel. De plus la bilinéarité et
la symétrie nous donnent :
N (x + y) ≤ N (x) + N (y).
De plus, l’inégalité ne peut être une égalité que si les deux vecteurs x et y
sont colinéaires.
Page 66/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
φ(x, y)
−1 ≤ ≤ 1.
N (x)N (y)
φ(x, y)
cos θ = .
N (x)N (y)
Le nombre θ est appelé angle non orienté entre les deux vecteurs x et y.
Page 67/ 97
7.3 Orthogonalité
√
Exemple 56. Si on considère les vecteurs u = (1, −1, 0) et v = (−1, 1, 2)
et qu’on munit R3 du produit scalaire canonique, on a ⟨u, v⟩ = −2, ⟨u, u⟩ = 2
et ⟨v, v⟩ = 4. L’angle non-orienté θ entre u et v est défini par :
√
−2 2
cos θ = √ √ = − .
2 4 2
7.3 Orthogonalité
Deux vecteurs non nuls sont orthogonaux si et seulement si leur angle non
orienté est π/2 ("angle droit").
Démonstration. On a vu que :
Page 68/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Page 69/ 97
7.3 Orthogonalité
n 2 n
[N (∑ vi )] = ∑[N (vi )]2 .
i=1 i=1
n+1 2 n 2 n 2
[N ( ∑ vi )] = [N (∑ vi + vn+1 )] = [N (∑ vi )] + [N (vn+1 )]2 ,
i=1 i=1 i=1
n
car ∑ vi et vn+1 sont orthogonaux. En effet,
i=1
n n
φ (∑ vi , vn+1 ) = ∑ φ(vi , vn+1 ) = 0.
i=1 i=1
Page 70/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
f
On pose finalement ej+1 = N (fj+1j+1 )
.
La famille (e1 , . . . , en ) de E ainsi construite est une base orthonormée
pour φ. De plus, on a
j
φ(fj+1 , ek ) = φ(vj+1 , ek ) − ∑ λi φ(ei , ek ) = φ(vj+1 , ek ) − λk = 0.
i=1
Page 71/ 97
7.3 Orthogonalité
Page 72/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
1 2 1
e1 = ( √ , √ , √ ) .
6 6 6
On définit maintenant le vecteur intermédiaire f2 sous la forme f2 = v2 −λe1
avec λ = ⟨v2 , e1 ⟩. Comme λ = √
10
, on a :
6
1 1 1 1
f2 = v2 − λe1 = ( , − , ) , avec ∥f2 ∥ = √ .
3 3 3 3
On pose ensuite le normalisé de f2 :
f2 1 1 1
e2 = = (√ , − √ , √ ) .
∥f2 ∥ 3 3 3
Remarque 12. En appliquant ce procédé à une base, on voit que tout espace
vectoriel E admet une base orthonormée.
∀(x, y) ∈ A × B, x ⊥ y.
Page 73/ 97
7.4 Sous-Espaces Orthogonaux
A⊥ = {x ∈ E, ∀y ∈ A, x ⊥ y}.
car x ⊥ z et y ⊥ z.
◇ Soit x ∈ E ⊥ . En particulier, x ⊥ x, et comme φ est une forme définie, on
en déduit que x = 0E . Réciproquement, φ(0E , 0E ) = 0, donc le vecteur
nul est orthogonal à lui-même.
◇ Soit x ∈ A ∩ A⊥ . Alors φ(x, x) = 0 et donc x = 0E , car φ est une forme
définie.
Page 74/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Exemple 62. Soit D = Vect((a, b)) avec a ≠ 0. Le vecteur (x, y) est dans
D⊥ si et seulement s’il est orthogonal à (a, b). Cela revient à être solution
de l’équation :
ax + by = 0.
Donc D⊥ = {(− ab y, y) , y ∈ R} = Vect((−b, a)).
Théorème 51.
Soit F un sous-espace vectoriel de E. Alors E = F ⊕ F ⊥ .
Page 75/ 97
7.5 Projections et Symétries Orthogonales
Par conséquent, z est orthogonal à tous les éléments de C. On sait alors que
z est orthogonal à l’espace engendré par la famille C qui par construction est
F tout entier. Ainsi z ∈ F ⊥ . On a donc x = y + z avec y ∈ F et z ∈ F ⊥ , ce qui
prouve le résultat annoncé.
Proposition 52. Soit p une projection orthogonale. Il existe une base or-
thonormée de diagonalisation de p.
Page 76/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Théorème 53.
Soit (e1 , . . . , en ) base othonormée de E. Tout vecteur x ∈ E se décompose
de la façon suivante :
n
x = ∑ φ(x, ei ) ei .
i=1
Page 77/ 97
7.7 Isométries et Matrices Orthogonales : Généralités
Remarque 13. Cela signifie que la coordonnée de x selon ei peut être cal-
culée à l’aide d’un produit scalaire (alors que pour une base quelconque
il faut résoudre un système linéaire !).
Page 78/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
1
φ(x, y) = [N (x + y)2 − N (x)2 − N (y)2 ] .
2
On en déduit que u préserve le produit scalaire :
1
φ(u(x), u(y)) = [N (u(x) + u(y))2 − N (u(x))2 − N (u(y))2 ] ,
2
1
= [N (u(x + y))2 − N (u(x))2 − N (u(y))2 ] ,
2
1
= [N (x + y)2 − N (x)2 − N (y)2 ] = φ(x, y).
2
2. ⇒ 1. Immédiat par la définition de la norme et d’une isométrie.
2. ⇒ 3. Considérons B = (e1 , . . . , en ) une base orthonormée de E. On note
fi = u(ei ). Montrons que B ′ = (f1 , . . . , fn ) est une base orthonormée
de E. On a pour tout i et j,
Page 79/ 97
7.7 Isométries et Matrices Orthogonales : Généralités
AT = A.
Page 80/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Définition 55. Une matrice carrée réelle A de taille n est dite orthogonale
si et seulement si AT A = In .
Page 81/ 97
7.7 Isométries et Matrices Orthogonales : Généralités
0 1
Exemple 67. La matrice ( ) est une matrice orthogonale de taille 2.
1 0
√ √ √
⎛ 1/√3 1/ 3 1/ √3 ⎞
Exemple 68. La matrice ⎜ ⎜ 1/√2 −1/ 2 ⎟
√ ⎟
0 est une matrice ortho-
√
⎝ 1/ 6 −2/ 6 1/ 6 ⎠
gonale de taille 3. Pour le montrer on vérifie que AT A = I3 , ou que les
vecteurs colonnes/lignes forment une base orthonormée pour le produit sca-
laire canonique.
Théorème 58.
Soit u une isométrie de E, muni d’un produit scalaire φ. La matrice de u
dans une base orthonormée est une matrice orthogonale. Réciproquement, si
la matrice d’une application linéaire u dans une base orthonormale est une
matrice orthogonale, alors u est une isométrie de E.
Page 82/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Théorème 59.
On a les propriétés suivantes :
◇ Le déterminant d’une matrice orthogonale est 1 ou -1.
◇ Les valeurs propres possibles d’une matrices orthogonale sont ±1.
Page 83/ 97
7.8 Orientation
7.8 Orientation
Exemple 70. Soit B = ((1, 1), (1, 0)). La matrice de B dans la base
1 1
canonique de R2 est ( ), dont le déterminant vaut -1. La base B est
1 0
donc une base indirecte.
Page 84/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Exemple 71. Reprenons l’exemple avec u = (1, 1) et v = (1, 0). L’angle non
orienté entre u et v est donné par :
⟨u, v⟩ 1×1+1×0 1 π
θ̃ = arccos ( ) = arccos ( √ √ ) = arccos ( √ ) = .
∥u∥∥v∥ 1 +1 × 1 +0
2 2 2 2 2 4
L’angle non orienté est π/4 modulo 2π. De plus la base (u, v) est indirecte.
L’angle orienté entre les deux vecteurs est donc −π/4 modulo 2π.
Définition 59. Soit u une isométrie de Rn . On dit que u est une isométrie
directe de Rn si u est une isométrie et si l’image de la base canonique par
u est une base orthonormée directe.
Si l’image de la base canonique est une base orthonormée indirecte, on dira
que u est une isométrie indirecte.
Page 85/ 97
7.9 Isométrie dans R2
cos θ − sin θ
MatB (f ) = ( ) ;
sin θ cos θ
Page 86/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
cos θ − sin θ
( ),
sin θ cos θ
Page 87/ 97
7.9 Isométrie dans R2
1 0
Mat(u,v) (f ) = ( ).
0 −1
Page 88/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Page 89/ 97
7.9 Isométrie dans R2
4/5 3/5
Exemple 74. Si on considère C = ( ), c’est une matrice orthogo-
−3/5 4/5
nale de déterminant 1 : c’est la matrice d’une rotation. L’angle θ de la rota-
tion est déterminée modulo 2π par les contraintes cos θ = 4/5 et sin θ = −3/5.
Ce n’est pas un angle connu ! Donnons la valeur de l’angle qui est comprise
entre −π et π. Puisque sin θ < 0, l’angle θ est dans ]−π, 0[. Ainsi −θ ∈]0, π[
et vérifie cos(−θ) = cos θ = 4/5. On a alors par définition −θ = arccos(4/5)
et au final :
θ = − arccos(4/5).
Page 90/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
j = k ∧ i = (k2 i3 − k3 i2 , k3 i1 − k1 i3 , k1 i2 − k2 i1 ).
Page 91/ 97
7.10 Isométries dans R3
⎛1 0 0 ⎞
MatB (f ) = ⎜ 0 1 0 ⎟ .
⎝ 0 0 −1 ⎠
Démonstration. On sait déjà que c’est une isométrie, et qu’elle est diagonali-
sable avec pour valeurs propres 1 et -1. De plus, les propriétés sur les symétries
impliquent que E1 = P et E−1 = P ⊥ . Soit (e1 , e2 ) une base orthonormée de P et
e3 un vecteur unitaire de P ⊥ . L’une des bases B = (e1 , e2 , e3 ) ou B ′ = (e2 , e1 , e3 )
est orthonormée directe. Dans n’importe laquelle de ces deux bases de diago-
nalisation la matrice de f est la matrice annoncée, de déterminant clairement
égal à -1. C’est donc une isométrie indirecte.
Page 92/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
⎛1 0 0 ⎞
MatB (f ) = ⎜ 0 cos θ − sin θ ⎟ ;
⎝ 0 sin θ cos θ ⎠
◇ Si θ ∈ 2πZ, alors f = id et R3 = E1 ;
◇ Si θ ∉ 2πZ, alors E1 = D et :
— soit θ ∈ π +2πZ et α(−1) = 2 avec E−1 = D⊥ : dans ce cas f est un
retournement, c’est-à-dire une symétrie orthogonale par rapport
à la droite D. Donc f est diagonalisable, car R3 = E1 ⊕ E−1 ;
— soit θ ∉ πZ et 1 est la seule valeur propre de f avec E1 = D et
donc f n’est pas diagonalisable.
Page 93/ 97
7.10 Isométries dans R3
Page 94/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Classification de A = I3 est
A ∈ M3 (R) l’identité
A ≠ I3
Calcul de i ⊥ k
A est la rotation
Calcul de w = k ⋅ (i ∧ Ai) d’angle θ d’axe
E1 orienté par k
Page 95/ 97
7.10 Isométries dans R3
A ≠ −I3
A est la symétrie
A est-elle
orthogonale
symétrique ? Oui
par rapport à E1
Non
A est la composée
Calcul de i ⊥ k
de -Id avec la
rotation d’angle θ
Calcul de
d’axe E−1
w = k ⋅ (i ∧ (−Ai))
orienté par k
Page 96/ 97
PARTIE 3 – Algèbre Linéaire et Géométrie
Page 97/ 97
Année
2020 – 2021
Universitaire
2 Applications linéaires 9
3 Matrices 14
3.1 Règles de Calculs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2 Inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Transposée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.4 Trace et Déterminant . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.5 Lien avec les Applications Linéaires . . . . . . . . . . . . . . . . . 21
4 Diagonalisation 23
4.1 Éléments Propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2 Polynôme Caractéristique . . . . . . . . . . . . . . . . . . . . . . . 25
4.3 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5 Applications 28
Correction 31
A Espaces Vectoriels 31
A.1 Sous-Espaces Vectoriels . . . . . . . . . . . . . . . . . . . . . . . . 31
A.2 Famille de Vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . 33
A.3 Somme Directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
B Applications Linéaires 44
C Matrices 57
C.1 Règles de Calculs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
C.2 Inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . 60
C.3 Transposée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Page 2/ 90
PARTIE 3 – Algèbre Linéaire (TD)
D Diagonalisation 79
D.1 Éléments Propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
D.2 Polynôme Caractéristique . . . . . . . . . . . . . . . . . . . . . . . 83
D.3 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
Page 3/ 90
1 - Espaces Vectoriels
1 Espaces Vectoriels
1.1 Sous-Espaces Vectoriels
Exercice 1.
Est-ce que ces ensembles sont des sous-R-espaces vectoriels de R ? Justifiez.
1. E = [1, 2] ;
2. E = R∗ ;
3. E l’ensemble des nombres pairs ;
4. E l’ensemble des nombres impairs ;
5. E = Q ;
√
6. E = {x 2, x ∈ R} ;
√
7. E = {x 2, x ∈ Q}.
Correction ▼ [001]
Exercice 2.
Est-ce que l’ensemble ci-dessous est un R-espace vectoriel ? Justifiez.
E = {(x, y, z) ∈ R3 , 2x − y + z = 0}.
Correction ▼ [002]
Exercice 3.
Est-ce que ces ensembles sont des sous-R-espaces vectoriels de C ? Justifiez.
1. E = R ;
2. E = iR = {ix, x ∈ R} ;
√ √
3. E = (i + 2)R = {(i + 2)x, x ∈ R} ;
4. E = S(0, 1) = {z ∈ C, ∣z∣ = 1} ;
5. E = D(0, 1) = {z ∈ C, ∣z∣ ≤ 1}.
Correction ▼ [003]
Page 4/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Exercice 4.
On pose E = {(z, z ′ ) ∈ C2 , 2z − z ′ = 0}. Est-ce que E est un R-espace
vectoriel ? un C-espace vectoriel ?
Correction ▼ [004]
Exercice 6.
Soit E = {(x, y, z) ∈ R3 , 2x − y + z = 0}.
1. Montrez que tout (x, y, z) ∈ E s’écrit sous la forme :
Exercice 7.
Soit E = {(x, y, z, t) ∈ R4 , x + y + z + t = 0}.
1. Montrez que tout P = (x, y, z, t) ∈ E s’écrit sous la forme :
Page 5/ 90
1.2 Famille de Vecteurs
Exercice 8.
On note (ε1 , . . . , εn ) la base canonique de Rn , et définit :
n
E = {(x1 , . . . , xn ) ∈ Rn , ∑ xi = 0} .
i=1
Exercice 9.
Montrez que E = {(x, y) ∈ R2 , x − y = 0} est un R-espace vectoriel, trouvez
en une base, et déduisez-en que sa dimension vaut 1.
Correction ▼ [009]
Exercice 10.
Montrez que E = {(x, y, z) ∈ R3 , x − y = 0, z − 2y = 0} est un R-espace
vectoriel de dimension 1.
Correction ▼ [010]
Page 6/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Exercice 13.
On définit E = Vect(v1 ) avec v1 = (1, 0, 0). On note (ε1 , ε2 , ε3 ) la base
canonique de R3 .
1. Montrez que E est un sous-R-espace vectoriel de R3 de dimension 1.
2. Soit v2 = (0, 1, 1) et v3 = (0, 1, −1). Montrez que F = Vect(v2 , v3 ) est un
R-espace vectoriel de dimension 2.
3. Pour v2′ = ε2 et v3′ = ε3 , montrez que (v2′ , v3′ ) est une base de F .
4. Montrez E et F sont supplémentaires dans R3 .
Correction ▼ [013]
Exercice 14.
On définit E = Vect(v) avec v = (a, b) non nul et b ≠ 0.
1. Montrez que E est un R-espace vectoriel de R2 de dimension 1.
2. Soit w = (−b, a). On admet que F = Vect(w) est un R-espace vectoriel
de dimension 1. Montrez que E et F sont supplémentaires dans R2 .
Page 7/ 90
1.3 Somme Directe
Exercice 15.
Soit A = (a1 , . . . , an ) ∈ Rn un point non nul. On note A⊥ l’ensemble des
(x1 , . . . , xn ) tels que :
n
∑ ai xi = 0.
i=1
Exercice 16.
On pose E = Vect(u) avec u = (1, 0, 1). Dans cet exercice, on va voir
comment construire un supplémentaire S de E dans R3 .
1. Que vaut la dimension de E ? Que vaudra alors dim(S) ?
2. Donnez un vecteur v ∉ E.
3. On pose F = Vect(u, v). Donnez la dimension de F . Justifiez.
4. Donnez un vecteur w ∉ F .
5. Montrez que S = Vect(v, w) est un supplémentaire de E dans R3 .
Correction ▼ [016]
Page 8/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Exercice 17.
On pose u1 = (1, 0, 1, 0) et u2 = (1, 0, −1, 0).
1. Donnez la dimension de E = Vect(u1 , u2 ). Justifiez votre réponse.
2. Donnez un supplémentaire S de E dans R4 .
Correction ▼ [017]
2 Applications linéaires
Exercice 18.
Montrez que l’application suivante est linéaire :
∀(x, y) ∈ R2 , u(x, y) = 2x − y.
Correction ▼ [018]
Exercice 19.
Montrez que l’application définie par : ∀x ∈ R, u(x) = (x, 2x) ; est linéaire.
Correction ▼ [019]
Exercice 20.
Est-ce que l’application u définie ci-dessous est linéaire ?
Correction ▼ [020]
Exercice 21.
On rappelle que C2 est un R-espace vectoriel. Montrez que l’application
définie par : ∀(z1 , z2 ) ∈ C2 , u(z1 , z2 ) = 2z1 + z2 ; est linéaire.
Correction ▼ [021]
Page 9/ 90
2 - Applications linéaires
Exercice 22.
Ici, C2 sera vu comme un C-espace vectoriel. Est-ce que l’application définie
ci-dessous est linéaire ?
Correction ▼ [022]
Exercice 23.
On note (ε1 , ε2 ) la base canonique de R2 . On définit les vecteurs v = (1, 1)
et w = (1, −1).
1. Montrez que (v, w) est une base de R2 .
2. On définit la fonction f1 linéaire par :
Exercice 24.
On définit les vecteurs suivants :
u(e1 ) = f1 , et u(e2 ) = f2 .
Page 10/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Exercice 25.
On définit l’application u sur R2 par :
∀(x, y) ∈ R2 , u(x, y) = x − y.
Exercice 26.
On définit l’application u sur R2 par :
Exercice 27.
On définit l’application u sur R4 par :
u(x, y, z, t) = (x − y, x + z, t − y).
Page 11/ 90
2 - Applications linéaires
Exercice 28.
Nous allons découvrir dans cette exercice une autre utilisation du noyau
d’une application. Plus précisément, nous allons démontrer rapidement que
l’ensemble suivant est un espace vectoriel :
E = {(x, y, z) ∈ R3 , 2x + y − z = 0}.
Exercice 29.
Montrez que l’ensemble ci-dessous est un R-espace vectoriel :
E = {(x, y, z, t) ∈ R4 , x − y + z − t = 0}.
Correction ▼ [029]
Exercice 30.
On définit u = (1, 1) et v = (1, −1), puis F = Vect(u) et G = Vect(v).
1. Montrez que F et G sont supplémentaires dans R2 .
2. Exprimez p1 (x, y), le projeté de (x, y) sur F parallèlement à G.
3. Exprimez p2 (x, y), le projeté de (x, y) sur G parallèlement à F .
4. Exprimez la symétrie s1 par rapport à F parallèlement à G.
5. Exprimez la symétrie s2 par rapport à G parallèlement à F .
Page 12/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Correction ▼ [030]
Exercice 31.
On définit A = (1, 0, 1), F = Vect(A) et A⊥ = {(x, y, z) ∈ R3 , x + z = 0}. À
l’aide de l’exercice 15, on sait que F et A⊥ sont supplémentaires dans R3
1. Exprimez la projection p1 sur F parallèlement à A⊥ .
2. Exprimez la projection p2 sur A⊥ parallèlement à F .
3. Exprimez la symétrie s1 par rapport à F parallèlement à A⊥ .
4. Exprimez la symétrie s2 par rapport à A⊥ parallèlement à F .
Correction ▼ [031]
Exercice 32.
On définit les sous-R-espaces vectoriels de R2 suivants :
Page 13/ 90
3 - Matrices
3 Matrices
3.1 Règles de Calculs
Exercice 34.
Calculez les sommes matricielles si possible :
⎛ 1 2 3 ⎞ ⎛ −1 0 1 ⎞ ⎛ −2 −1 ⎞ ⎛ 3 2 ⎞
⎜ 4 5 4 ⎟ + ⎜ 1 −1 0 ⎟ , ⎜ 0 1 ⎟ + ⎜ 1 0 ⎟,
⎝ 3 2 1 ⎠ ⎝ 0 1 −1 ⎠ ⎝ 2 3 ⎠ ⎝ −1 −2 ⎠
1 2 3 ⎛ −1 0 ⎞ 1 −1 1 1 2 3
( ) + ⎜ 1 −1 ⎟ , ( )+( ).
4 5 6 ⎝ 0 1 ⎠ −1 1 −1 4 5 6
Correction ▼ [034]
Exercice 35.
Calculez les produits matriciels suivants si possible :
⎛ 1 2 3 ⎞ ⎛ −1 0 1 ⎞ ⎛ −2 −1 ⎞ ⎛ 3 2 ⎞
⎜ 4 5 4 ⎟ ⋅ ⎜ 1 −1 0 ⎟ , ⎜ 0 1 ⎟ ⋅ ⎜ 1 0 ⎟,
⎝ 3 2 1 ⎠ ⎝ 0 1 −1 ⎠ ⎝ 2 3 ⎠ ⎝ −1 −2 ⎠
−1 0 ⎞
1 2 3 ⎛ 1 −1 1 1 2 3
( ) ⋅ ⎜ 1 −1 ⎟ , ( )⋅( ).
4 5 6 ⎝ −1 1 −1 4 5 6
0 1 ⎠
Correction ▼ [035]
Page 14/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Page 15/ 90
3.2 Inverse d’une matrice
Exercice 37.
Dîtes si ces égalités sont vraies. Justifiez votre réponse.
1. A(B + C) = AB + AC ;
2. (A + B)(A − B) = A2 − B 2 ;
3. (A − B)2 = A2 − 2AB + B 2 ;
4. (A + B)2 = A2 + 2AB + B 2 .
Correction ▼ [037]
A = ( 57 23 ) , et 3 −2 ) .
B = ( −7 5
Exercice 39.
On considère deux matrices 2 × 2 générales qu’on écrit sous la forme :
′ b′ ) .
A = ( ac db ) et B = ( ac′ d′
Exercice 40.
123 −5 7 1
Soit A = ( 3 1 2 ). Calculez le produit A ⋅ ( 1 −5 7 ) . Déduisez-en que A est
231 7 1 −5
inversible et donnez son inverse.
Correction ▼ [040]
Page 16/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Exercice 41.
−1 0 1
Soit A = ( 1 −1 0 ). Calculez le produit suivant :
0 1 −1
a b c
A⋅(d e f ).
g h i
Exercice 42.
Dîtes si les propositions suivantes sont vraies ou fausses. Justifiez vos ré-
ponses.
1. Si A est inversible, alors A−1 l’est aussi et (A−1 )−1 = A ;
2. Si A est inversible et si λ ≠ 0, alors λA est inversible et (λA)−1 = λ−1 A−1 ;
3. Si A et B sont inversibles, alors A+B l’est aussi et (A+B)−1 = A−1 +B −1 ;
4. Si A et B sont inversibles, alors AB l’est aussi et (AB)−1 = B −1 A−1 ;
5. Si A et P sont inversibles, alors P AP −1 l’est aussi et :
(P AP −1 )−1 = P A−1 P −1 .
Correction ▼ [042]
Exercice 43.
Soit D une matrice diagonale. Montrez que :
Dans ce cas, montrez que D−1 est diagonale et son coefficient diagonal d’ordre
i est d−1
ii .
Correction ▼ [043]
Page 17/ 90
3.3 Transposée
3.3 Transposée
Exercice 44.
Donnez la transposée des matrices suivantes :
1 0 1 0 1 ⎛ −1 1 −1 ⎞
A=( ), B=( ), et C = ⎜ 0 −1 0 ⎟ .
0 1 0 1 0 ⎝ −1 1 −1 ⎠
Correction ▼ [044]
Exercice 45.
Montrez les propositions suivantes :
1. (AT )T = A ;
2. (A + B)T = AT + B T ;
3. (λA)T = λAT ;
4. (AB)T = B T AT ;
5. Si A est inversible alors AT l’est aussi avec :
Correction ▼ [045]
Page 18/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Exercice 47.
Calculez la trace et le déterminant de la matrice :
⎛ −1 0 1 ⎞
A = ⎜ 1 −1 0 ⎟ .
⎝ 0 1 −1 ⎠
Exercice 48.
Calculez le déterminant des matrices suivantes :
⎛1 0 1 0⎞ ⎛ 1 2 1 2 ⎞
⎜0 1 0 0⎟ ⎜ 2 1 2 1 ⎟
A=⎜
⎜1
⎟, B=⎜ ⎟
⎜ 0 −1 0⎟
⎟
⎜ 1
⎜ 2 −1 −2 ⎟
⎟
⎝1 2 3 4⎠ ⎝ −2 −1 2 1 ⎠
⎛1 0 1 0 1 ⎞ ⎛1 1 1 1 1 ⎞
⎜0 1 0 1 0 ⎟ ⎜1 1 1 1 −1 ⎟
⎜ ⎟ ⎜ ⎟
C=⎜
⎜1 0 1 0 −1 ⎟
⎟, et D=⎜
⎜1 1 1 −1 1 ⎟
⎟.
⎜ ⎟ ⎜ ⎟
⎜0 1 0 −1 0 ⎟ ⎜1 1 −1 1 1 ⎟
⎝1 0 −1 0 1 ⎠ ⎝1 −1 1 1 1 ⎠
Correction ▼ [048]
Page 19/ 90
3.4 Trace et Déterminant
Page 20/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Exercice 54.
On considère e1 = (1, 0, 0), e2 = (1, −1, 0), e3 = (1, −1, 1), f1 = (1, 2, 3),
f2 = (1, 0, −1) et f3 = (1, 0, 1).
1. Montrez que E = (e1 , e2 , e3 ) est une base de R3 .
2. Montrez que F = (f1 , f2 , f3 ) est une base de R3 .
3. Donnez la matrice M1 de E dans F.
4. Donnez la matrice M2 de F dans E.
5. Que remarquez-vous entre M1 et M2 ?
Correction ▼ [054]
Page 21/ 90
3.5 Lien avec les Applications Linéaires
Exercice 55.
Soit f l’application linéaire définie par :
f (x, y, z) = (x + y, y − z).
Exercice 56.
Soit f l’endomorphisme défini par :
Page 22/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Exercice 57.
Soit f l’endomorphisme défini par :
2x − y + t −x + 2y + t x + y + 2t
f (x, y, z, t) = ( , , 0, ).
3 3 3
1. Donnez la matrice M de f dans la base canonique.
2. Que vaut M 2 ?
3. Trouvez les vecteurs X tels que M X = X.
4. Trouvez les vecteurs X tels que M X = 0.
5. Caracatérisez géométriquement f .
Correction ▼ [057]
Exercice 58.
Donnez la matrice d’une homothétie h de rapport λ.
Correction ▼ [058]
4 Diagonalisation
4.1 Éléments Propres
Exercice 59.
On définit la matrice :
⎛ 1 2 −1 ⎞
A = ⎜ 0 1 1 ⎟.
⎝ −1 0 3 ⎠
Page 23/ 90
4.1 Éléments Propres
Exercice 60.
Trouvez les valeurs propres (réelles et complexes) et les sous-espaces propres
des matrices suivantes :
0 1 1 1 ⎛0 0 1⎞
A=( ), B=( ), et C = ⎜ 0 1 0 ⎟.
−1 0 0 1 ⎝1 0 0⎠
Correction ▼ [060]
n
∀i, j, aij ≥ 0, et ∀i, ∑ aij = 1.
j=1
1/2 1/2
S=( ).
1/4 3/4
Commentez.
Correction ▼ [061]
Page 24/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Exercice 63.
On considère la matrice :
⎛ 0 3 −2 ⎞
A = ⎜ 1 0 1 ⎟.
⎝ 3 −5 5 ⎠
Exercice 64.
On considère la matrice :
⎛0 3 −2 1⎞
⎜1 0 1 1⎟
A=⎜
⎜3
⎟.
⎜ −5 5 0⎟
⎟
⎝0 1 0 1⎠
Page 25/ 90
4.2 Polynôme Caractéristique
Exercice 65.
Soit f l’endomorphisme de R3 dont la matrice dans la base canonique est :
⎛2 0 0⎞
A = ⎜ 0 4 2 ⎟.
⎝ 0 −1 1 ⎠
Exercice 66.
Soit f l’endomorphisme de R3 dont la matrice dans la base canonique est :
⎛2 1 2⎞
A = ⎜ 0 4 2 ⎟.
⎝ 0 −1 1 ⎠
Exercice 67.
Soit A la matrice :
⎛ 2 0 −1 ⎞
A = ⎜ −1 1 1 ⎟,
⎝ 0 −1 0 ⎠
et f l’endomorphisme de R3 associé.
Page 26/ 90
PARTIE 3 – Algèbre Linéaire (TD)
4.3 Diagonalisation
Exercice 68.
Les matrices suivantes sont-elles diagonalisables dans R ?
⎛ 1 4 5 ⎞ ⎛ 1 0 0 ⎞ ⎛ 0 1 1 ⎞ ⎛ 2 0 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
A=⎜ 0 2 6 ⎟, B=⎜ 1 2 0 ⎟, C=⎜ 0 0 0 ⎟, D=⎜ 1 2 0 ⎟.
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 0 0 7 ⎠ ⎝ 1 0 2 ⎠ ⎝ 0 0 0 ⎠ ⎝ 0 3 2 ⎠
Correction ▼ [068]
Exercice 69.
Soit f l’endomorphisme de R3 dont la matrice dans la base canonique est :
⎛ 0 5 −2 ⎞
A = ⎜ 0 −7 3 ⎟ .
⎝ −1 −16 7 ⎠
Page 27/ 90
5 - Applications
Exercice 70.
Soit :
−1 ⎛ 2 0 1 0 ⎞
⎛ 2 2 0 ⎞ ⎛ 0 0 1 ⎞ ⎛ 0 0 ⎞
⎜
⎜ −1 1 ⎟
1 ⎟ ⎜ 0 ⎟ ⎜ 0 ⎟ ⎜ ⎟
0 0
A=⎜ 1 2 ⎟, B=⎜ 1 0 ⎟, C = ⎜ −1 0 ⎟, D=⎜ ⎟.
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ 0 ⎟
⎝ 0 2 2 ⎠ ⎝ 0 1 0 ⎠ ⎝ 0 0 1 ⎠ ⎜ 1 0 2 ⎟
⎝ 0 1 0 −1 ⎠
Exercice 71.
Les matrices suivantes sont-elles diagonalisables dans C ? Si oui, diagonalisez-
les.
⎛ 3 −2 ⎞ ⎛ 0 i ⎞ ⎛ 1 3 ⎞ ⎛ i 0 ⎞
A= , B= , C= , D= .
⎝ 3 1 ⎠ ⎝ −i 0 ⎠ ⎝ −1 −2 ⎠ ⎝ 1 i ⎠
Correction ▼ [071]
5 Applications
Exercice 72. Puissances de matrice
On définit la matrice :
1 0 0
A = (0 0 1).
0 −1 0
1. Est-ce que A est diagonalisable dans R ? dans C ? Si oui, diagonalisez-la.
2. Calculez Ak pour tout k ∈ N.
101
3. Répondez aux mêmes questions pour la matrice S = ( 0 2 0 ) .
103
Correction ▼ [072]
Page 28/ 90
PARTIE 3 – Algèbre Linéaire (TD)
⎧
⎪
⎪ u0 = 0,
⎪
⎪
⎨ u1 = 1,
⎪
⎪
⎪
⎩ un+2 = un+1 − un , ∀n ∈ N.
⎪
Vn = An V0 .
⎧
⎪
⎪ x′ (t) = x(t) + y(t),
y ′ (t) = x(t) − y(t).
⎪
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪ x(0) = 1,
⎪
⎪
⎪
⎪
⎩ y(0) = 1.
1. On pose V (t) = (x(t), y(t)). Montrez que V ′ (t) = AV (t) avec A une
matrice qu’on exprimera.
2. Montrez que A est diagonalisable dans R et exprimez les matrices P
inversible et D diagonale telles que A = P DP −1 .
3. Que vaut P −1 ?
Page 29/ 90
5 - Applications
Le but de cet exercice est d’exprimer y(t), dans certains cas particuliers.
y(t)
1. On pose V (t) = ( ′ ). Vérifiez qu’il existe une matrice A (à donner)
y (t)
telle que V ′ (t) = AV (t).
2. Exemple 1 : On étudie ici le cas b = 0 et c = −1, avec y0 = 1 et y0′ = 0.
(a) Montrez que A est diagonalisable dans C et trouvez P (inversible)
et D diagonale avec A = P DP −1 .
(b) On pose W (t) = P −1 V (t). Montrez qu’il existe une matrice diago-
nale Dw telle que W ′ (t) = Dw W (t).
(c) On décompose W (t) en (w1 (t), w2 (t)). Déduisez-en que w1 (resp.
w2 ) vérifie une équation différentielle simple, qu’on résoudra. Expli-
citez ainsi W (t) puis V (t). Que vaut y(t) ? 2
3. Exemple 2 : On étudie ici le cas b = 0 et c = −1, avec y0 = 0 et y0′ = 1.
Que vaut y(t) ? 3
Correction ▼ [075]
Page 30/ 90
PARTIE 3 – Algèbre Linéaire (TD)
A Espaces Vectoriels
A.1 Sous-Espaces Vectoriels
Correction de l’exercice 1. ▲
2 divise forcément a, étant donné que 2 est un nombre premier. Ainsi on peut écrire a sous
la forme 2k, ce qu’on peut réinjecter dans a2 = 2b2 , pour avoir 2k2 = b2 . Finalement, soit 2
soit k diviserait b. Cela impliquerait que 2√ou k diviserait a et b : cela contredit l’hypothèse
que a et b sont premiers entre eux. Ainsi 2 n’est pas un élément √ de Q.
5. En fait, on remarque que si α ∈ R, on peut écrire α = x 2, avec x = √α2 ∈ R : donc
α ∈ E, puis R ⊂ E. On a clairement E ⊂ R : finalement E = R donne que E est bien un
R-espace vectoriel.
Page 31/ 90
A.1 Sous-Espaces Vectoriels
√
7. On a 2 ∈ E et 1 √1
= λ ⋅ x ∉ E : sinon, on aurait a ∈ N et
∈ Q. Or
√
2 2
b ∈ N∗ tels que 2
√ √
= ab , puis 2 = 2a
2 b impliquerait que 2 ∈ Q, ce qui
est faux. Donc E n’est pas stable par produit par un scalaire : ce n’est
pas un sous-R-espace vectoriel de R.
Correction de l’exercice 2. ▲
On sait que E ⊂ R3 . Montrons que E est un sous-R-espace vectoriel de R3 .
◇ On remarque tout d’abord que (0, 0, 0) ∈ E.
◇ Soit X = (x, y, z) et X ′ = (x′ , y ′ , z ′ ) des éléments de E et λ ∈ R. Posons
X ′′ = (x′′ , y ′′ , z ′′ ) = X + λX ′ qui vérifie :
2x′′ − y ′′ + z ′′ = 2(x + λx′ ) − (y + λy ′ ) + (z + λz ′ ) = (2x − y + z) + λ(2x′ − y ′ + z ′ ) = 0,
Correction de l’exercice 3. ▲
Page 32/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Correction de l’exercice 4. ▲
Notons que E ⊂ C2 avec C2 étant un K-espace vectoriel (pour K = R ou
C). Montrons que E est un sous-K-espace vectoriel de C2 .
◇ Tout d’abord (0, 0) ∈ E ;
◇ Soit Z1 = (z1 , z1′ ), Z2 = (z2 , z2′ ) ∈ E et λ ∈ K. Que K soit R ou C, on a
bien Z3 = Z1 + λZ2 ∈ C2 et :
Correction de l’exercice 5. ▲
On remarque tout d’abord que v1 = ε1 + 2ε2 et v2 = ε1 − ε2 . Cela implique
que E ⊂ Vect(ε1 , ε2 ). En effet, on peut écrire x ∈ E sous la forme αv1 + βv2 ,
avec α et β deux réels. On vérifie alors que :
1 2 1 1 a+b 2a − b
x = aε1 + bε2 = a ( v1 + v2 ) + b ( v1 − v2 ) = v1 + v2 ,
3 3 3 3 3 3
Page 33/ 90
A.2 Famille de Vecteurs
Correction de l’exercice 6. ▲
Soit E = {(x, y, z) ∈ R3 , 2x − y + z = 0}. On définit les vecteurs :
⎛1⎞ ⎛0⎞
v1 = ⎜ 2 ⎟ , et v2 = ⎜ 1 ⎟ .
⎝0⎠ ⎝1⎠
⎛x⎞
⇐⇒ ⎜ y ⎟ = xv1 + zv2 .
⎝z⎠
⎛ α ⎞
0 = αv1 + βv2 = ⎜ 2α + β ⎟ .
⎝ β ⎠
Correction de l’exercice 7. ▲
Soit E = {(x, y, z, t) ∈ R4 , x + y + z + t = 0}. On définit les vecteurs :
⎛ 1 ⎞ ⎛ 0 ⎞ ⎛ 0 ⎞
⎜ 0 ⎟ ⎜ 1 ⎟ ⎜ 0 ⎟
v1 = ⎜ ⎟
⎜ 0 ⎟, v2 = ⎜ ⎟
⎜ 0 ⎟, et v3 = ⎜ ⎟
⎜ 1 ⎟.
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ −1 ⎠ ⎝ −1 ⎠ ⎝ −1 ⎠
Page 34/ 90
PARTIE 3 – Algèbre Linéaire (TD)
⎛x⎞ ⎛ x ⎞
⎜y⎟ ⎜ y ⎟
P ∈ E ⇐⇒ t = −x − y − z ⇐⇒ ⎜ ⎟ ⎜
⎜z ⎟=⎜
⎟ = xv1 + yv2 + zv3 .
⎟
⎜ ⎟ ⎜ z ⎟
⎝ t ⎠ ⎝ −x − y − z ⎠
⎛ α ⎞
⎜ β ⎟
0 = αv1 + βv2 + γv3 = ⎜
⎜
⎟,
⎟
⎜ γ ⎟
⎝ −α − β − γ ⎠
Correction de l’exercice 8. ▲
On note (ε1 , . . . , εn ) la base canonique de Rn , et définit :
n
E = {(x1 , . . . , xn ) ∈ Rn , ∑ xi = 0} .
i=1
n
1. Soit P = (x1 , . . . , xn ) = ∑ xi ei ∈ Rn . Alors on vérifie que :
i=1
P ∈ E ⇐⇒ xn = −x1 − ⋯ − xn−1 ,
n−1
⇐⇒ P = ∑ xi εi + (−x1 − ⋯ − xn−1 )εn = x1 e1 + ⋯ + xn−1 en−1 .
i=1
Page 35/ 90
A.2 Famille de Vecteurs
⎛ λ1 ⎞
⎜ .. ⎟
⎜
0 = λ1 e1 + ⋯ + λn−1 en−1 = ⎜ . ⎟
⎟.
⎜ λ ⎟
⎜ n−1 ⎟
⎝ −λ1 − ⋯ − λn−1 ⎠
Correction de l’exercice 9. ▲
On peut montrer que E est un sous-R-espace vectoriel de R2 . Cependant,
nous allons utiliser la méthode vue ci-dessus pour montrer que E est un R-
espace vectoriel et trouver une famille génératrice en même temps !
Soit (x, y) ∈ R2 . Nous avons alors que :
Ainsi on a montré que E = Vect(v) avec v = (1, 1), ce qui implique que E est
un R-espace vectoriel.
Montrons que la famille (v) est libre. Soit λ ∈ R tel que λv = 0. Alors (λ, λ)
est le vecteur nul, puis λ = 0 : on a donc montré que (v) est une famille libre.
Ainsi (v) est une famille libre et génératrice de E : c’est une base de E.
Elle ne possède qu’un seul élément, ce qui implique que dim(E) = 1.
On a donc montré que E est l’espace vectoriel engendré par v = (1, 1, 2).
Page 36/ 90
PARTIE 3 – Algèbre Linéaire (TD)
λ1 e1 + ⋯ + λk ek − λk+1 ek+1 = 0.
λ1 λk
ek+1 = e1 + ⋯ + ek ,
λk+1 λk+1
puis que ek+1 ∈ F , car F est un espace vectoriel. Cela est impossible par
définition de ek+1 . Donc λk+1 = 0. On est donc ramené à :
λ1 e1 + ⋯ + λk ek = 0.
Page 37/ 90
A.3 Somme Directe
Page 38/ 90
PARTIE 3 – Algèbre Linéaire (TD)
R3 = E + F,
Page 39/ 90
A.3 Somme Directe
α + β = 0,
{ ⇐⇒ α = β = 0.
α − β = 0,
La famille (v2 , v3 ) est donc une famille libre, et génère F : c’est une
base de F . Donc la dimension de F est 2.
3. Par définition, on sait que v2 = v2′ + v3′ et v3 = v2′ − v3′ . Ainsi on a
E ⊂ Vect(v2′ , v3′ ). On remarque que v2′ = 21 v2 + 12 v3 et v3′ = 12 v2 − 12 v3 ,
ce qui nous donne enfin que F = Vect(v2′ , v3′ ). On a dons montré que
(v2′ , v3′ ) est une famille génératrice de F avec deux éléments. Comme
dim(F ) = 2, on sait que (v2′ , v3′ ) est une base de F .
4. Par la question précédente, on sait que F = Vect(v2′ , v3′ ). Considérons
(x, y, z) ∈ E ∩ F. Comme (x, y, z) ∈ E, on sait que y = z = 0. Ensuite,
comme (x, y, z) ∈ F , on sait qu’il existe α, β tels que (x, y, z) = αv2′ +βv3′ .
En particulier, on obtient que x = 0. On a ainsi montré que E ∩ F = {0}.
De plus, on sait que dim(E) + dim(F ) = 3 = dim(R3 ) : E et F sont
supplémentaires dans R3 .
Page 40/ 90
PARTIE 3 – Algèbre Linéaire (TD)
αa = −βb, β(a2 + b2 ) = 0,
{ ⇐⇒ {
αb = βa, α = βa/b.
Ainsi le vecteur v = (1, −1) génère E. Par ce qui précède, on sait que
dim(E) = 1, et que Vect(w) avec w = (1, 1) est un supplémentaire de E
dans R2 .
1. On remarque que :
n n
2
∑ ai ai = ∑ ai > 0,
i=1 i=1
Page 41/ 90
A.3 Somme Directe
∑ni=1 ai xi
λ= , puis y = x − λA.
∑ni=1 a2i
Page 42/ 90
PARTIE 3 – Algèbre Linéaire (TD)
α + β = 0,
{ puis α = β = 0.
α = 0,
x = αu = −βv + γw.
Page 43/ 90
B - Applications Linéaires
B Applications Linéaires
Page 44/ 90
PARTIE 3 – Algèbre Linéaire (TD)
u(x + λx′ ) = (x + λx′ , 2(x + λx′ )) = (x, 2x) + λ(x′ , 2x′ ) = u(x) + λu(x′ ).
Page 45/ 90
B - Applications Linéaires
aussi de la structure d’espace vectoriel. Ici, on dira que u est R-linéaire mais
pas C-linéaire.
f1 (x, y) = f1 (xε1 + yε2 ) = xf1 (ε1 ) + yf1 (ε2 ) = x(1, 3) + y(1, 1).
Finalement, on a obtenu :
f1 (x, y) = (x + y, 3x + y) .
x+y x−y
(x, y) = v+ w.
2 2
Page 46/ 90
PARTIE 3 – Algèbre Linéaire (TD)
∀(x, y) ∈ R2 , u(x, y) = x − y.
Page 47/ 90
B - Applications Linéaires
dim(ker(u)) = 1,
Page 48/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Donc pour tout vecteur (a, b) ∈ R2 , on a trouvé un couple (x, y) tel que
u(x, y) = (a, b). Cela implique que Im(u) = R2 .
3. Comme ker(u) = {0}, on obtient que dim(ker(u)) = 0, tandis que
Im(u) = R2 implique que dim(Im(u)) = 2.
Page 49/ 90
B - Applications Linéaires
Or le vecteur (1, 1, −1, 1) est non nul : il forme donc à lui seul une base
de ker(u). La dimension de ker(u) vaut donc 1.
Passons à l’ensemble image :
Montrons que famille B = ((1, 1, 0), (0, 1, 0), (0, 0, 1)) est libre. Soit
α, β, λ tels que :
8. On peut même aller plus loin. En effet, on remarque que (1, 1, 0) = (1, 0, 0) + (0, 1, 0).
On obtient donc que Im(u) = Vect[(1, 0, 0), (0, 1, 0), (0, 0, 1)] = R3 .
Page 50/ 90
PARTIE 3 – Algèbre Linéaire (TD)
∀(x, y, z, t) ∈ R4 , u(x, y, z, t) = x − y + z − t.
Page 51/ 90
B - Applications Linéaires
A⊥ = {(x, y, z) ∈ R3 , x + z = 0}.
Page 52/ 90
PARTIE 3 – Algèbre Linéaire (TD)
(x′ , y ′ , z ′ ) = (x, y, z) − λA = (
x+z x−z z−x
λ= , et , y, ).
2 2 2
Ainsi la projection p1 de (x, y, z) ∈ R3 s’écrit :
x+z x+z
p1 (x, y, z) = λA = ( , 0, ).
2 2
2. Par le biais de ce qu’on a fait précédemment, on obtient aussi que :
p2 (x, y, z) = (x′ , y ′ , z ′ ) = (
x−z z−x
, y, ).
2 2
3. Comme s1 = p1 − p2 , on trouve que :
x+z x+z x−z z−x
s1 (x, y, z) = ( , 0, )−( , y, ) = (z, −y, x) .
2 2 2 2
4. De la même manière que pour s1 , on vérifie que :
Page 53/ 90
B - Applications Linéaires
1. Par définition, on a :
Page 54/ 90
PARTIE 3 – Algèbre Linéaire (TD)
avec Vect ((1, 23 , 0) , (0, 0, 1)) = Vect((2, 3, 0), (0, 0, 1)), tandis que :
Page 55/ 90
B - Applications Linéaires
et :
Page 56/ 90
PARTIE 3 – Algèbre Linéaire (TD)
◇ On voit que :
D’après le cours, u5 est la symétrie par rapport à Vect((1, 0, 1), (0, 1, 0))
parallèlement à Vect((1, 0, 0)).
C Matrices
C.1 Règles de Calculs
⎛ 1 2 3 ⎞ ⎛ −1 0 1 ⎞ ⎛ 1 − 1 2 + 0 3 + 1 ⎞ ⎛ 0 2 4 ⎞
⎜ 4 5 4 ⎟ + ⎜ 1 −1 0 ⎟ = ⎜ 4 + 1 5 − 1 4 + 0 ⎟ = ⎜ 5 4 4 ⎟ ,
⎝ 3 2 1 ⎠ ⎝ 0 1 −1 ⎠ ⎝ 3 + 0 2 + 1 1 − 1 ⎠ ⎝ 3 3 0 ⎠
Page 57/ 90
C.1 Règles de Calculs
⎛ −2 −1 ⎞ ⎛ 3 2 ⎞ ⎛ −2 + 3 −1 + 2 ⎞ ⎛ 1 1 ⎞
⎜ 0 1 ⎟ + ⎜ 1 0 ⎟ = ⎜ 0 + 1 1 + 0 ⎟ = ⎜ 1 1 ⎟,
⎝ 2 3 ⎠ ⎝ −1 −2 ⎠ ⎝ 2 − 1 3 − 2 ⎠ ⎝ 1 1 ⎠
1 −1 1 1 2 3 1 + 1 −1 + 2 1 + 3 2 1 4
( )+( )=( )=( ).
−1 1 −1 4 5 6 −1 + 4 1 + 5 −1 + 6 3 6 5
⎛ 1 2 3 ⎞ ⎛ −1 0 1 ⎞
⎜ 4 5 4 ⎟ ⋅ ⎜ 1 −1 0 ⎟
⎝ 3 2 1 ⎠ ⎝ 0 1 −1 ⎠
⎛ 1 1 −2 ⎞
= ⎜ 1 −1 0 ⎟ .
⎝ −1 −1 2 ⎠
−1 0 ⎞
1 2 3 ⎛ 1 × (−1) + 2 × 1 + 3 × 0 1 × 0 + 2 × (−1) + 3 × 1
( ) ⋅ ⎜ 1 −1 ⎟ = ( )
4 5 6 ⎝ 4 × (−1) + 5 × 1 + 6 × 0 4 × 0 + 5 × (−1) + 6 × 1
0 1 ⎠
1 1
=( ).
1 1
Page 58/ 90
PARTIE 3 – Algèbre Linéaire (TD)
2. FAUX. En effet, on a :
Page 59/ 90
C.2 Inverse d’une matrice
3 −2 ) = (
( 57 23 ) ( −7
5×3+2×(−7) 5×(−2)+2×5
) = ( 10 01 ) ,
5 7×3+3×(−7) 7×(−2)+3×5
et :
3 −2 ) ( 5 2 ) = (
( −7
3×5+(−2)×7 3×2+(−2)×3
) = ( 10 01 ) ,
5 73 (−7)×5+5×7 (−7)×2+5×3
⎧
⎪
⎪ aa′ + bc′ = a′ a + b′ c = 1,
ab′ + bd′ = a′ b = 0,
⎪
⎪
⎪
⎪
⎪
ca′ = c′ a + d′ c = 0,
⎨
⎪
⎪
⎪
cb′ = c′ b = 1.
⎪
⎪
⎪
⎪
⎩
Page 60/ 90
PARTIE 3 – Algèbre Linéaire (TD)
La dernière équation nous impose donc que b et c sont non nuls, puis :
⎧
⎪
⎪ a′ = 0,
d′ = −a/(bc),
⎪
⎪
⎪
⎪
⎪
b′ = 1/c,
⎨
⎪
⎪
⎪
c′ = 1/b.
⎪
⎪
⎪
⎪
⎩
Finalement, si A est inversible si et seulement si ad − bc = −bc ≠ 0 et :
0 1/c d −b
A−1 = (
1
)= ( ).
1/b −a/(bc) ad − bc −c a
Le sens réciproque est immédiat.
2e cas : d ≠ 0. Ce cas-là est plus complexe. C’est pour cela que nous n’uti-
liserons que très rarement cette méthode pour savoir si une matrice est inver-
sible 10 . Le système se réécrit :
⎧
⎪
⎪ bc′ = b′ c,
a′ a + b′ c = 1,
⎪
⎪
⎪
⎪
⎪
⎪
ab′ + bd′ = a′ b + b′ d = 0,
⎪
⎪
⎨
ca′ + dc′ = c′ a + d′ c = 0,
⎪
⎪
⎪
⎪
⎪
⎪
c′ b + d′ d = 1.
⎪
⎪
⎪
⎪
⎩
Comme d est non nul, en multipliant la deuxième ligne par d, on trouve que :
Page 61/ 90
C.2 Inverse d’une matrice
⎛ −5 7 1 ⎞ ⎛ 18 0 0 ⎞
A ⋅ ⎜ 1 −5 7 ⎟ = ⎜ 0 18 0 ⎟ = 18I3 .
⎝ 7 1 −5 ⎠ ⎝ 0 0 18 ⎠
On définit alors la matrice :
−5 7 1 ⎞
1 ⎛
B= ⎜ 1 −5 7 ⎟ .
18 ⎝
7 1 −5 ⎠
Par ce qui précède on a que :
1 1
AB = × [A(18B)] = × 18I3 = I3 .
18 18
De la même façon, on montre que BA = I3 . Ainsi A est inversible et A−1 = B. 11
11. En fait, si AB = I3 , on n’a pas besoin de vérifier que BA = I3 , pour montrer que A soit
inversible et savoir que A−1 = B. Nous le verrons dans un autre exercice.
Page 62/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Page 63/ 90
C.3 Transposée
1, si i = j,
D est inversible ⇐⇒ ∀i, j ∈ J1, nK, ∃aij , dii aij = {
0, sinon,
⇐⇒ ∀i ∈ J1, nK, dii ≠ 0.
1/dii , si i = j,
aij = {
0, sinon,
puis :
−1
⎛ d11 0 ⋯ 0 ⎞ ⎛ 1/d11 0 ⋯ 0 ⎞
.. .. . .. .. ..
⎜ 0
⎜ . . .. ⎟
⎟
⎜ 0
⎜ . . . ⎟
⎟
⎜ . .. .. ⎟ =⎜ . .. .. ⎟.
⎜ . . . 0 ⎟ ⎜ . . . ⎟
⎜ . ⎟ ⎜ . 0 ⎟
⎝ 0 ⋯ 0 dnn ⎠ ⎝ 0 ⋯ 0 1/dnn ⎠
C.3 Transposée
⎛1 0⎞ 0 1 ⎛ −1 0 −1 ⎞
T T T
A = ⎜ 0 1 ⎟, B =( ), et C = ⎜ 1 −1 1 ⎟ .
⎝1 0⎠ 1 0 ⎝ −1 0 −1 ⎠
Page 64/ 90
PARTIE 3 – Algèbre Linéaire (TD)
(C T )ij = cji = (A + B)ji = aji + bji = (AT )ij + (B T )ij = (AT + B T )ij .
AA−1 = In = A−1 A.
(A−1 )T AT = In = AT (A−1 )T .
Page 65/ 90
C.4 Trace et Déterminant
Page 66/ 90
PARTIE 3 – Algèbre Linéaire (TD)
RRR 1 2 2 RRR
RR RR 1 2
det(B) = (−1)2+4 (−6) × RRRR 1 2 0 RRRR = (−6) × (−1)1+3 × 2 × ∣ ∣,
RRR RRR −2 −1
RR −2 −1 0 RR
Page 67/ 90
C.4 Trace et Déterminant
RRR 2 0 1 0 RRR
RRR RR RRR 2 0 1 RRR
R0 2 0 1 RRRR RR RR 1 0
det(C) = 2 RRRRR RRR = 2 × 2 RRRR 0 1 0 RRRR = 4 × 2 ∣ ∣ = 8 × 1 = 8.
RRR 0 0 1 0 RR RRR RRR 0 1
RRR RRR RR 0 0 1 RR
R0 0 0 1 RR
Vue que tous (sauf un) coefficients de la deuxième ligne sont nuls, on
Page 68/ 90
PARTIE 3 – Algèbre Linéaire (TD)
1. On sait que :
tandis que :
A−1 (AB)A = A−1 ABA = In BA = BA.
Ainsi on a bien montré que BA = In , puis B = A−1 , par définition.
Page 69/ 90
C.4 Trace et Déterminant
On remarque que :
n n n
0 = ∑ λi fi = ∑ λi f (εi ) = f (∑ λi εi ) ,
i=1 i=1 i=1
Page 70/ 90
PARTIE 3 – Algèbre Linéaire (TD)
Page 71/ 90
C.4 Trace et Déterminant
⎛ det(A) 0 ⋯ 0 ⎞
⎜ .. .. .. ⎟
⎜ 0 . . . ⎟
AB T = ⎜ .. .. .. ⎟ = det(A)In .
⎜ . . ⎟
⎜ . 0 ⎟
⎝ 0 ⋯ 0 det(A) ⎠
1 1
A( BT ) = AB T = In .
det(A) det(A)
A−1 =
1
BT .
det(A)
1 1
det(A) = ∣ ∣ = −2.
1 −1
Comme det(A) est non nul, A est inversible. On doit maintenant cal-
culer les différents mineurs de A :
◇ (i, j) = (1, 1) : ∆11 (A) = ∣ 10 −1
0 ∣ = −1 ;
Page 72/ 90
PARTIE 3 – Algèbre Linéaire (TD)
⎛ −1 0 −1 ⎞T 1 0 1 ⎞
1 ⎛
A−1 = − ⎜ 0 −2 0 ⎟ = ⎜ 0 2 0 ⎟ .
1
2 ⎝ 2 ⎝
−1 0 1 ⎠ 1 0 −1 ⎠
1. On sait que v1 = (1, 0) = 1ε1 + 0ε2 et que v2 = (2, 1) = 2ε1 + 1ε2 . Ainsi on
a:
1 2
A = MatC (B) = ( ).
0 1
2. Les deux vecteurs de B sont clairement non colinéaires : cette famille
est libre. Elle possède deux éléments, et dim(R2 ) = 2. Il s’agit donc bien
d’une base de R2 .
3. On décompose les deux vecteurs v1 et v2 dans B très facilement :
v1 = 1v1 + 0v2 , et v2 = 0v1 + 1v2 .
Cela implique que :
1 0
B = MatB (B) = ( ).
0 1
4. On décompose les vecteurs de la base canonique dans (v1 , v2 ) :
ε1 = 1v1 + 0v2 , et ε2 = −2v1 + 1v2 .
Ainsi la matrice de C dans B est :
1 −2
C=( ).
0 1
Page 73/ 90
C.5 Lien avec les Applications Linéaires
1 2
A=( ),
0 1
⎛1 1 1 ⎞
E = ⎜ 0 −1 −1 ⎟ .
⎝0 0 1 ⎠
Son déterminant vaut −1 (on peut utiliser la règle de Sarrus par exemple
pour le calculer). Ainsi E est inversible et par l’exercice 53, on sait que
E est une base de R3 .
2. La matrice de F dans la base canonique est :
⎛1 1 1⎞
F = ⎜ 2 0 0 ⎟.
⎝ 3 −1 1 ⎠
Page 74/ 90
PARTIE 3 – Algèbre Linéaire (TD)
f2 + f3 1 3 f1 + f2
e1 = , e2 = − f1 + f3 et e3 = − + 2f3 .
2 2 2 2
Ces relations impliquent que :
⎛ 0 −1/2 −1/2 ⎞ 1 ⎛ 0 −1 −1 ⎞
M1 = MatF (E) = ⎜ 1/2 0 −1/2 ⎟ = ⎜ 1 0 −1 ⎟ .
⎝ 1/2 3/2 2⎝
2 ⎠ 1 3 4 ⎠
4. On observe que :
⎛ 3 1 1 ⎞
M2 = MatE (F) = ⎜ −5 1 −1 ⎟ .
⎝ 3 −1 1 ⎠
Page 75/ 90
C.5 Lien avec les Applications Linéaires
1 1 0
M1 = ( ).
0 1 −1
2. On remarque que :
1 2 2
M2 = ( ).
0 1 0
1 2 −1
M3 = ( ).
0 −1 1
1 3 2
M4 = ( ).
0 −1 0
Page 76/ 90
PARTIE 3 – Algèbre Linéaire (TD)
0 1
M = MatC (f ) = ( ).
1 0
0 1
MatC (f −1 ) = M −1 = ( ).
1 0
f (x, y) = (x, y) ⇐⇒ y = x,
⇐⇒ (x, y) ∈ F = Vect((1, 1)),
f (x, y) = −(x, y) ⇐⇒ y = −x,
⇐⇒ (x, y) ∈ G = Vect((1, −1)).
1 1
MatC (B) = ( ).
1 −1
Son déterminant vaut −2, et est donc non nul : d’après l’exercice 53, on
sait que B est une base de R2 .
5. Par la définition de f , on voit que f (1, 1) = (1, 1) = 1(1, 1) + 0(1, −1) et
que f (1, −1) = (−1, 1) = 0(1, 1) + (−1)(1, −1). Ainsi la matrice de f dans
la base B est :
1 0
MatB (f ) = ( ).
0 −1
Page 77/ 90
C.5 Lien avec les Applications Linéaires
1. On a :
2 1 1 1 2 1
f (ε1 ) = ( , − , 0, ) , f (ε2 ) = (− , , 0, ) ,
3 3 3 3 3 3
1 1 2
f (ε3 ) = (0, 0, 0, 0),
f (ε4 ) = ( , , 0, ) .
3 3 3
Nous avons ainsi la matrice de f dans la base canonique :
2. On remarque que M 2 = M .
3. Soit X = (x, y, z, t) tel que M X = X. Alors les coordonnées de X véri-
fient le système :
2 1 1
3 x − 3 y + 3 t = x,
⎧
⎪
⎪
⎪
⎪
⎪ 1 2 1
⎪ − 3 x + 3 y + 3 t = y,
⎪ t = x + y,
⎨ ⇐⇒ {
⎪
⎪
⎪ 0 = z, z = 0.
⎪
⎪
⎪ 1 1 2
⎩ 3 x + 3 y + 3 t = t,
⎪
Page 78/ 90
PARTIE 3 – Algèbre Linéaire (TD)
⎛λ 0 ⋯0 ⎞
⎜0 . . . . .. ⎟
⎜ . . . ⎟
M =⎜ . .. .. ⎟ = λIn .
⎜ .. . . 0⎟
⎜ ⎟
⎝0 ⋯ 0 λ⎠
D Diagonalisation
D.1 Éléments Propres
⎧
⎪
⎪ x + 2y − z = 2x,
⎪
⎪
⎨ y + z = 2y, ⇐⇒ x = y = z.
⎪
⎪
⎪
⎩ −x + 3z = 2z,
⎪
Page 79/ 90
D.1 Éléments Propres
2. Soit λ une valeur propre de A. Il existe alors V = (x, y, z) non nul tel
que AV = λV :
⎧
⎪
⎪ x + 2y − z = λx, ⎧
⎪
⎪ 2y − z = (λ − 1)x,
⎪
⎪ ⎪
⎪
⎨ y + z = λy, ⇐⇒ ⎨ z = (λ − 1)y,
⎪
⎪
⎪ ⎪
⎪
⎪
⎩ −x + 3z = λz,
⎪ ⎩ x = (3 − λ)z,
⎪
⎧
⎪
⎪ 2y − (λ − 1)y = (3 − λ)(λ − 1)2 y,
⎪
⎪
⇐⇒ ⎨ z = (λ − 1)y,
⎪
⎪
⎪
⎩ x = (3 − λ)(λ − 1)y,
⎪
⎧
⎪
⎪ λ(2 − λ)(3 − λ)y = 0,
⎪
⎪
⇐⇒ ⎨ z = (λ − 1)y,
⎪
⎪
⎪
⎩ x = (3 − λ)(λ − 1)y.
⎪
Supposons que y = 0. Par les équations 2 et 3, on a que x = y = z = 0, ce
qui est impossible par hypothèse sur V . Ainsi y est non nul et on peut
alors diviser par y dans la première équation !
⎧
⎪
⎪ λ(2 − λ)(3 − λ) = 0,
⎪
⎪
AV = λV ⇐⇒ ⎨ z = (λ − 1)y,
⎪
⎪
⎪
⎩ x = (3 − λ)(λ − 1)y.
⎪
Page 80/ 90
PARTIE 3 – Algèbre Linéaire (TD)
y = λx, y = −λ2 y,
{ ⇐⇒ {
−x = λy, x = −λy.
x + y = λx,
{
y = λy.
E1 = Vect((1, 0)).
Page 81/ 90
D.1 Éléments Propres
Page 82/ 90
PARTIE 3 – Algèbre Linéaire (TD)
(b) On note i l’indice tel que ∣xi ∣ = maxk ∣xk ∣. Cela implique que :
RRR n RRR
∣xi ∣ ≥ RRR ∑ aij xj RRRRR = ∣λxi ∣.
R
R
RRRj=1 RRR
Page 83/ 90
D.2 Polynôme Caractéristique
Ainsi on a :
χA (X) = (1 − X)(4 − X) − 6 = X 2 − 5X − 2.
RRR −X 3 −2 RRR
R
χA (X) = det(A − XI3 ) = RRR 1 −X
R 1 RRR.
RRR RRR
3 −5 5 − X RR
RRR −X 3 −2 + X RRR
χA (X) = RRR 1 −X 0 RRR.
C3 ←C3 −C1 RRR
R RRR
R 3 −5 2 − X RR
RRR 3 − X −2 0 RRR
χA (X) = R
RR 1
R −X 0 RRR.
L1 ←L1 +L3 RRR
RRR
R 3 −5 2 − X RR
χA (X) = −X 3 + 5X 2 − 8X + 4.
2. On doit trouver que χA (A) = −A3 + 5A2 − 8A + 4I3 est la matrice nulle
(calculs laissés au lecteur).
Page 84/ 90
PARTIE 3 – Algèbre Linéaire (TD)
En faisant L3 ← L3 − L2 puis L4 ← L4 + L2 , on a :
RRR −X 0 −2 1 RRR
χA (X) = RRRRR 12 −X 1 1 RRR.
0 4−X −1 RR
RRR 1 0 1 2−X RRR
2−X 0 0 2 − X −1
χA (X) = −X∣ 2 2−X −1 ∣ = −X(2 − X)∣ ∣.
1 0 2−X 0 2−X
Page 85/ 90
D.2 Polynôme Caractéristique
1. Nous avons :
2−X 0 0
χf (X) = χA (X) = ∣ 0 4−X 2 ∣ = (2 − X)∣ 4−X
−1
2
1−X ∣,
0 −1 1−X
2. Les valeurs propres de f sont les racines de χf (X) : les seules valeurs
propres de f sont 2 et 3. Étudions les sous-espaces propres de f .
Soit X = (x, y, z) ∈ R3 . Alors on a :
⎧
⎪
⎪ 2x = 2x,
⎪
⎪
X ∈ E2 (f ) ⇔ AX = 2X ⇔ ⎨ 4y + 2z = 2y, ⇔ y + z = 0.
⎪
⎪
⎪
⎩ −y + z = 2z,
⎪
⎛2 0 0⎞
MatB (f ) = ⎜ 0 2 0 ⎟ .
⎝0 0 3⎠
Page 86/ 90
PARTIE 3 – Algèbre Linéaire (TD)
1. Nous avons :
2−X 1 2
χf (X) = χA (X) = ∣ 0 4−X 2 ∣ = (2 − X)∣ 4−X
−1
2
1−X ∣,
0 −1 1−X
2. Les valeurs propres de f sont les racines de χf (X) : les seules valeurs
propres de f sont 2 et 3. Étudions les sous-espaces propres de f .
Soit X = (x, y, z) ∈ R3 . Alors on a :
⎧
⎪
⎪ 2x + y + 2z = 2x,
⎪
⎪
X ∈ E2 (f ) ⇔ AX = 2X ⇔ ⎨ 4y + 2z = 2y, ⇔ y = z = 0.
⎪
⎪
⎪
⎩ −y + z = 2z,
⎪
Page 87/ 90
D.2 Polynôme Caractéristique
et f l’endomorphisme de R3 associé.
1. On développe le polynôme caractéristique de A par rapport à la pre-
mière ligne :
RRR 2 − X 0 −1 RRR
RRR RR 1−X 1 −1 1 − X
χA (X) = RRR −1 1 − X 1 RRRR = (2 − X) ∣ ∣−∣ ∣,
RRR RRR −1 −X 0 −1
RR 0 −1 −X RR
= (2 − X)(X 2 − X + 1) − 1,
= −X 3 + 3X 2 − 3X + 1 = (1 − X)3 .
Page 88/ 90
PARTIE 3 – Algèbre Linéaire (TD)
⎛ 2x − z ⎞ ⎛ 1 + x ⎞
⇐⇒ ⎜ −x + y + z ⎟ = ⎜ −1 + y ⎟.
⎝ −y ⎠ ⎝ 1+z ⎠
Page 89/ 90
D.3 Diagonalisation
D.3 Diagonalisation
Page 90/ 90