Algèbre linéaire avancée I Jeudi 16 novembre 2023

Prof. D. Kressner EPFL

Série 9 (Corrigé)

L’exercice 1 sera discuté pendant le cours du lundi 20 novembre.

Exercice 1 - QCM

a) Déterminer si les énoncés proposés sont vrais ou faux.

• Soient a, b ∈ R. La fonction f : R → R, f (x) = ax + b, est toujours une
application linéaire.
⃝ vrai ⃝ faux
• Soit φ : R → R une application linéaire. Alors il existe un vecteur b ∈ Rn tel
n

que φ(u) = bT u pour tout u ∈ Rn .

⃝ vrai ⃝ faux
• Soit A ∈ Mm×n (R). Alors, l’ensemble d’arrivée de l’application Rn ∋ x 7→ Ax
est l’ensemble de toutes les combinaisons linéaires des colonnes de A.
⃝ vrai ⃝ faux
• Soient U, V deux espaces vectoriels et F : U → V une application linéaire. Si la
famille (u1 , . . . , un ) engendre U , alors la famille (F (u1 ), . . . , F (un )) engendre V .
⃝ vrai ⃝ faux
• Soient (v1 , . . . , vp ) une famille génératrice de R et F : R → Rn une application
n n

linéaire. Supposons que F (vi ) = 0, pour i = 1, . . . , p. Alors F est l’application

nulle.
⃝ vrai ⃝ faux
Sol.:
• Soient a, b ∈ R. La fonction f : R → R, f (x) = ax + b, est toujours une
application linéaire.
⃝ vrai faux
• Soit φ : Rn → R une application linéaire. Alors il existe un vecteur b ∈ Rn tel
que φ(u) = bT u pour tout u ∈ Rn .
vrai ⃝ faux
• Soit A ∈ Mm×n (R). Alors, l’ensemble d’arrivée de l’application Rn ∋ x 7→ Ax
est l’ensemble de toutes les combinaisons linéaires des colonnes de A.
vrai ⃝ faux
• Soient U, V deux espaces vectoriels et F : U → V une application linéaire. Si la
famille (u1 , . . . , un ) engendre U , alors la famille (F (u1 ), . . . , F (un )) engendre V .
⃝ vrai faux
• Soient (v1 , . . . , vp ) une famille génératrice de R et F : R → R une application
n n n

linéaire. Supposons que F (vi ) = 0, pour i = 1, . . . , p. Alors F est l’application

nulle.
vrai ⃝ faux

1
 b) Soit φ : R4 → R3 une application linéaire. Si v1 , v2 , v3 , v4 ∈ R4 sont linéairement indé-
pendants dans R4 , est-ce que leurs images φ(v1 ), φ(v2 ), φ(v3 ), φ(v4 ) sont linéairement
indépendantes ?
⃝ Non si l’un des vecteurs est dans Ker(φ), mais oui sinon.
⃝ Oui, toujours.
⃝ Non, jamais.
Sol.:
⃝ Non si l’un des vecteurs est dans Ker(φ), mais oui sinon.
⃝ Oui, toujours.
Non, jamais.

Exercice 2

a) Considérons l’espace vectoriel Mn×n (R), où n ≥ 1 est un entier.

i) Calculer dim(Mn×n (R)).
ii) Soit S1 ⊆ Mn×n (R) l’ensemble des matrices symétriques. Calculer dim(S1 ).
iii) Soit S2 ⊆ Mn×n (R) l’ensemble des matrices anti-symétriques. Calculer dim(S2 ).
iv) Montrer que S1 ⊕ S2 = Mn×n (R).
v) Soit T = {A ∈ Mn×n (R) : Tr(A) = 0}. Calculer dim(T ).
Rappel : Soit K un corps. L’application trace Tr : Mn×n (K) → K est définie par
Tr(A) = ni=1 aii pour toute matrice A ∈ Mn×n (K).
P

b) Soit n ≥ 1 un entier. Considérons Mn×n (C) comme espace vectoriel sur le corps R et
notons-le V .
i) Calculer dim(V ).
ii) Soit H1 ⊆ Mn×n (C) l’ensemble des matrices hermitiennes. Est-ce que H1 est un
C-sous-espace vectoriel de V ? Si oui, calculer dim(H1 ).
iii) Soit H1 ⊆ Mn×n (C) l’ensemble des matrices hermitiennes. Est-ce que H1 est un
R-sous-espace vectoriel de V ? Si oui, calculer dim(H1 ).
iv) Soit H2 ⊆ Mn×n (C) l’ensemble des matrices anti-hermitiennes. Est-ce que H2
est un R-sous-espace vectoriel de V ? Si oui, calculer dim(H2 ).

Sol.:
a) i) Soit A ∈ Mn×n (R), avec pour éléments aij , i, j = 1, . . . , n. On définit les matrices
Eij ∈ Mn×n (R), i, j = 1, . . . , n par
j
 ↓ 
0 ··· ··· 0

 ... 

Eij = 
...  ∈ Mn×n (R).
1
 
i → 
0 ··· ··· 0

2
 On voit que A = ni,j=1 aij Eij , c-à-d, l’ensemble {Eij : i, j = 1, . . . , n} engendre
P

Mn×n (R).
Soient αij ∈ R, i, j = 1, . . . , n t.q. ni,j=1 αij Eij = 0 ∈ Mn×n (R). Alors,
P

   
α11 α12 · · · α1n 0 0 ··· 0
 . .. .. .. 
 .  =  .. .. .. .. 

 . . . .  . . . . ⇒ αij = 0, i, j = 1, . . . , n,
αn1 αn2 · · · αnn 0 0 ··· 0

c-à-d, {Eij : i, j = 1, . . . , n} est une base pour Mn×n (R) ⇒ dim(Mn×n (R)) = n2 .
ii) D’abord on montre que S1 est un sous-espace vectoriel de Mn×n (R). La matrice
nulle est une matrice symétrique, donc S1 ̸= ∅. Soient A, B ∈ S1 et α ∈ R.
Comme

(A + B)T = AT + B T = A + B ⇒ A + B ∈ S1 ,
(αA)T = αAT = αA ⇒ αA ∈ S1 ,

S1 est un sous-espace vectoriel de Mn×n (R).

On définit 
E , si i = j,
ii
Sij =
Eij + Eji , si i < j,

c-à-d, n(n+1)
2
matrices Sij , 1 ≤ i ≤ j ≤ n. Soit A ∈ S1 avec pour éléments
aij = aji , i, j = 1, . . . , n. On obtient que
n
X X
A= aij Eij = aij Sij .
i,j=1 i≤j

Alors, l’ensemble des matrices Sij engendre S1 . De même que pour i), on montre
que les Sij sont linéairement indépendantes. Alors, dim(S1 ) = n(n+1)
2
.
iii) Soient A, B ∈ S2 et α ∈ R. La matrice nulle est dans S2 . Puisque

(A + B)T = AT + B T = −(A + B) ⇒ A + B ∈ S2 ,
(αA)T = αAT = −αA ⇒ αA ∈ S2 ,

S2 est un sous-espace vectoriel de Mn×n (R). On a vu dans la Série 2 que chaque

matrice A ∈ Mn×n (R) peut s’écrire comme somme d’une matrice symétrique et
d’une matrice antisymétrique ⇒ Mn×n (R) = S1 + S2 . De plus, la seule matrice
qui est symétrique et antisymétrique est la matrice nulle, c-à-d, S1 ∩ S2 = {0}.
D’après la formule de Grassmann, on a donc dim(S2 ) = n2 − n(n+1) 2
= n(n−1)
2
.
iv) Soient A, B ∈ T et α ∈ R. Comme

Tr(0) = 0 ⇒ 0 ∈ T,
n
X n
X n
X
Tr(A + B) = (A + B)ii = aii + bii = 0 ⇒ A + B ∈ T,
i=1 i=1 i=1
Xn n
X
Tr(αA) = (αA)ii = α aii = 0 ⇒ αA ∈ T,
i=1 i=1

3
 T est un sous-espace vectoriel de Mn×n (R).
Soit A ∈ T . Alors, comme a11 = −(a22 + · · · + ann ), on obtient
n
X n
X X
A= aij Eij = aii Eii + aij Eij
i,j=1 i=1 i̸=j
X
= a22 (−E11 + E22 ) + · · · + ann (−E11 + Enn ) + aij Eij .
i̸=j

Du coup, les matrices −E11 + Eii , i = 2, . . . , n et Eij , i ̸= j, engendrent T . Par

ailleurs, elles sont linéairement indépendantes (la vérification est analogue à i)).
On voit qu’il y a n2 − n matrices Eij , i ̸= j, et n − 1 matrices −E11 + Eii , i =
2, . . . , n. Donc, dim(T ) = n2 − 1.
b) i) Soit A ∈ V avec Aij = aij = αij + iβij , où αij , βij ∈ R, i, j = 1, . . . , n. Comme
n
X n
X n
X
A= aij Eij = αij Eij + βij iEij
i,j=1 i,j=1 i,j=1 |{z}
=: Cij
n
X n
X
= αij Eij + βij Cij , (1)
i,j=1 i,j=1

on voit que l’ensemble de matrices {Eij , Cij : i, j = 1, . . . , n} engendre V . De

plus, les matrices Eij , Cij , i, j = 1, . . . , n sont linéairement indépendantes car
pour αij , βij ∈ R, i, j = 1, . . . , n t.q. ni,j=1 αij Eij + ni,j=1 βij Cij = 0 ∈ Mn×n (C),
P P

on a
   
α11 + iβ11 α12 + iβ12 · · · α1n + iβ1n 0 0 ··· 0
 .. .. .. ..  =  ..
  .. .. .. 

 . . . .  . . . .,
αn1 + iβn1 αn2 + iβn2 · · · αnn + iβnn 0 0 ··· 0

⇒ αij = βij = 0, i, j = 1, . . . , n.
Alors, dim(V ) = 2n2 .
ii) Soient A, B ∈ H1 et α ∈ R. Comme

0H = 0 ⇒ 0 ∈ H1 ,
(A + B)H = AH + B H = A + B ⇒ A + B ∈ H1 ,
(αA)H = ᾱAH = αA ⇒ αA ∈ H1 ,

H1 est un R-sous-espace vectoriel de V . Sa dimension est n + n(n − 1) = n2 : on

peut le montrer en utilisant les matrices Eij et Cij . Autrement : pour A ∈ H1 ,
la diagonale doit être réelle, d’où le n. Puis il faut choisir un nombre complexe
(i.e. deux nombres réels) pour chaque élément de la partie triangulaire supérieure
stricte, c-à-d, n(n − 1)/2 nombres complexes, ou n(n − 1) nombres réels.
iii) De manière analogue à ii), on obtient que H2 est un R-sous-espace vectoriel de
V . La dimension de H2 est n2 également (la diagonale doit être imaginaire pure,
et idem à ii) pour le reste).

4
Exercice 3
Lesquelles des applications suivantes sont linéaires ? Sauf indication contraire, montrer la
linéarité sur le corps R.
1. C → C, z 7→ z.
2. C → C, z 7→ z, sur le corps C.
Z1
2
0
3. C ((−2, 2)) → R, f 7→ f (0) + f (x) ex dx.
−1
 
0 0
4. C ((0, ∞)) → C ((0, ∞)), f 7→ x 7→ x f (1/x) .
f (0)+ π
2
Z
5. C 0 (R/2πZ) → R, f 7→ f (2x) dx.
f (0)− π
2
6. (⋆⋆) R4 [x] → R4 [x], p 7→ p′ .
7. (⋆⋆) R3 [x] → R5 [x], p 7→ (2 − 3x + x2 )p.
8. F22 → F22 , (x, y) 7→ (x + y, x2 + y 2 ).
Z3
0
9. C ([0, 3]) → R, f 7→ 37f (1) + 58 f (x) dx.
2
(⋆⋆) Pour les applications 6 et 7, calculer une base de l’image et du noyau, et dire si les
applications sont injectives ou surjectives.
Notation : Pour I ⊆ R, on dénote l’espace vectoriel des fonctions réelles continues sur I
par C 0 (I). Par ailleurs, C 0 (R/2πZ) désigne l’espace vectoriel des fonctions sur R qui sont
2π-périodiques.
Sol.: Mises à part 2 et 8, les applications ci-dessus sont toutes linéaires sur le corps R.
On note h chacune de ces applications.
1. L’application h est linéaire car on a, pour λ ∈ R (λ = λ),
λh(x + iy) = λ(x + iy) = λ(x + iy) = h(λ(x + iy)).
Par ailleurs, pour a, b ∈ C,
h(a) + h(b) = a + b = a + b = h(a + b).
2. L’application n’est pas linéaire car
ih(i) = ii = −i2 = 1 ̸= −1 = h(i2 ) .
3. Pour f, g ∈ C 0 ((−2, 2)) et λ, µ ∈ R on a
  Z1   2
h(λf + µg) = λf + µg (0) + λf + µg (x) ex dx
−1
Z1   2
= λf (0) + µg(0) + λf (x) + µg(x) ex dx
−1
Z1 Z1
   
x2 x2
= λf (0) + f (x) e dx + µg(0) + g(x) e dx = λh(f ) + µh(g)
−1 −1

et donc l’application est linéaire.

5
4. Pour f, g ∈ C 0 ((0, ∞)) et λ, µ ∈ R on a
     
h(λf + µg) = x 7→ x λf + µg (1/x) = x 7→ xλf (1/x) + xµg(1/x)
     
= x 7→ λ xf (1/x) + x 7→ µ xg(1/x) = λh(f ) + µh(g)

et donc l’application est linéaire.

5. Pour f ∈ C 0 (R/2πZ) nous pouvons écrire h(f ) comme
f (0)+ π2 2f Z
(0)+π 2π π
Z
1 1Z Z
h(f ) = f (2x) dx = f (y) dy = f (y) dy = f (2x) dx.
2 2
f (0)− π2 2f (0)−π 0 0

Pour f, g ∈ C 0 (R/2πZ) et λ, µ ∈ R on a
 
λf +µg (0)+ π2
Z   Zπ Zπ
h(λf + µg) = λf + µg (2x) dx = λ f (2x) dx + µ g(2x) dx
0 0
 
λf +µg (0)− π2

f (0)+ π2 g(0)+ π2
Z Z
=λ f (2x) dx + µ g(2x) dx = λh(f ) + µh(g)
f (0)− π2 g(0)− π2

et donc l’application est linéaire.

6. Pour f, g ∈ R4 [x] et λ, µ ∈ R on a

h(λf + µg) = (λf + µg)′ = λf ′ + µg ′ = λh(f ) + µh(g),

donc h est linéaire. Le noyau contient tous les polynômes p tels que h(p) = p′ = 0,
c’est-à-dire les polynômes de degré 0. Une base du noyau est par exemple l’ensemble
{1}. L’image contient tous les polynômes p pour lesquels il existe un polynôme q de
degré ≤ 4 t.q. h(q) = q ′ = p, et donc l’image est donnée par tous les polynômes de
degré ≤ 3. Une base de l’image est l’ensemble {1, x, x2 , x3 }. L’application n’est ni
injective ni surjective.
7. Pour f, g ∈ R3 [x] et λ, µ ∈ R on a

h(λf + µg) = (2 − 3x + x2 )(λf + µg)

= λ(2 − 3x + x2 )f + µ(2 − 3x + x2 )g
= λh(f ) + µh(g),

donc h est linéaire. Le noyau contient tous les polynômes p tels que h(p) = 0, c’est-à-
dire seulement le polynôme p = 0, et donc le noyau est de dimension zéro et l’ensemble
vide ∅ en forme une base. L’image contient tous les polynômes p pour lesquels il existe
un polynôme q de degré ≤ 3 tel que h(q) = p, et donc une base de l’image est donnée
par {(2 − 3x + x2 ), (2 − 3x + x2 )x, (2 − 3x + x2 )x2 , (2 − 3x + x2 )x3 }. L’application est
injective mais elle n’est pas surjective.
8. L’application n’est pas linéaire sur R (F2 n’est pas un R-espace vectoriel).

6
 9. L’application est linéaire. Soient λ, µ ∈ R et f, g ∈ C 0 ([0, 3]). Alors, en tenant compte
du fait que l’intégration est linéaire, on obtient
Z3
h(λf + µg) = 37(λf + µg)(1) + 58 (λf + µg)(x) dx
2
Z3
= 37(λf (1) + µg(1)) + 58 (λf (x) + µg(x)) dx
2
Z3 Z3
   

= λ 37f (1) + 58 f (x) dx + µ 37g(1) + 58 g(x) dx

2 2
= λh(f ) + µh(g) .

Exercice 4
Soit V un espace vectoriel de dimension finie. L’application linéaire P : V → V est une
projection si P 2 = P . Montrer que :
i) V = Ker (P ) ⊕ Im (P ).
ii) Pour deux sous-espaces vectoriels W1 , W2 ⊆ V tels que V = W1 ⊕ W2 , il existe
exactement une projection P : V → V telle que Ker (P ) = W1 et Im (P ) = W2 .

Sol.:
i) Soient W1 := Ker (P ) et W2 := Im (P ).
(a) On montre que V = W1 +W2 . Soit v ∈ V , alors v = (v −P (v))+P (v). Il est clair
que P (v) ∈ W2 . De plus P (v − P (v)) = P (v) − P 2 (v) = P (v) − P (v) = 0 et donc
v − P (v) ∈ W1 . Il s’ensuit que v ∈ W1 + W2 . On a montré que V ⊆ W1 + W2 et
W1 + W2 ⊆ V découle de la définition d’espace vectoriel. Donc, V = W1 + W2 .
(b) On montre que W1 ∩ W2 = {0}. Soit v ∈ W1 ∩ W2 . Comme v est dans W2 =
Im (P ), alors il existe w ∈ V tel que P (w) = v. En appliquant P on obtient
P 2 (w) = P (w) = P (v). Mais comme on a aussi que v ∈ W1 = Ker (P ), alors
0 = P (v) = P (w) = v. On a montré la somme directe.
ii) Soient W1 , W2 ⊆ V deux sous-espaces vectoriels de V t.q. V = W1 ⊕ W2 .
(a) Existence de P : soient {u1 , ..., uk } une base de W1 et {v1 , ..., vl } une base de
W2 . Alors, {u1 , ..., uk , v1 , ..., vl } est une base de V . On définit P (ui ) = 0 pour
i = 1, ..., k et P (vj ) = vj pour j = 1, ..., l. Ainsi, l’application P est définie pour
tout élément de la base, par linéarité on étend la définition à tout élément de
l’espace.

(b) Unicité de P : soit P ′ un autre projection telle que Ker (P ′ ) = W1 et Im (P ′ ) =

W2 . Clairement, pour tout z ∈ W1 = Ker (P ) = Ker (P ′ ) on a P ′ (z) = P (z) (les
deux donnent 0). Soit v ∈ W2 = Im (P ) = Im (P ′ ), alors il existe w, w′ tels que
P (w) = P ′ (w′ ) = v. Il s’ensuit que

P (v) − P ′ (v) = P (P (w)) − P ′ (P ′ (w′ )) = P (w) − P ′ (w′ ) = v − v = 0,

7
 donc P (v) = P ′ (v) pour tout élément v ∈ W2 . Comme P, P ′ sont linéaires et
W1 ⊕ W2 = V , on a P (v) = P ′ (v) pour tout élément v de V .
Exercice 5
On considère les trois applications linéaires FA : R3 → R3 , FB : R2 → R3 , FC : R3 → R3
définies, pour D ∈ {A, B, C}, comme FD : x 7→ Dx, où
     
2 2 1 1 2 4 2 4
A = 2 3 2 ,

B = 3 4  , C = 4 2 5 .
    

4 2 2 1 3 6 3 3
1. Déterminer pour les applications linéaires FA , FB , FC si elles sont surjectives, injec-
tives, bijectives.
2. Calculer une base de leur noyau et de leur image.

Sol.:
1. Pour déterminer si les applications linéaires sont surjectives, injectives ou bijectives,
nous calculons la forme échelonnée de chaque matrice.
     
2 2 1 2 2 1 2 2 1
2 3 2 ; 0 1 1 ; 0 1 1 .
A=     

4 2 2 0 −2 0 0 0 2
L’application linéaire FA : R3 → R3 est surjective, puisque rang(A) = dim(R3 ) = 3,
et est injective car tous les vecteurs colonnes de A sont linéairement indépendants.
Puisque FA est surjective et injective, FA est bijective.
     
1 2 1 2 1 2
B = 3 4 ; 0 −2 ; 0 −2 .
     

1 3 0 1 0 0
L’application linéaire FB : R2 → R3 est injective car tous les vecteurs colonnes de B
sont linéairement indépendants. Mais elle n’est pas surjective puisque rang(B) = 2 <
3 = dim (R3 ). Donc FB n’est pas bijective.
     
4 2 4 4 2 4 4 2 4
C = 4 2 5 ; 0 0 1  ; 0 0 1 .
     

6 3 3 0 0 −3 0 0 0
L’application linéaire FC : R3 → R3 n’est ni surjective ni injective, car rang(C) =
2 < 3 = dim(R3 ), et C a seulement 2 vecteurs colonnes qui sont linéairement indé-
pendants. Donc FC n’est pas bijective.
2. Les applications FA et FB sont injectives, donc Ker (FA ) = Ker (FB ) = {0}, et par
conséquent leur noyau est de dimension 0 et l’ensemble vide ∅ en est une base. Les
vecteurs colonnes de A et B constituent une base de l’image de FA et FB , respecti-
vement, puisqu’ils sont linéairement indépendants. Ainsi, une base de l’image de FA
est
     
 2
 2 1 

Im(FA ) : 2 , 3 , 2 .
     
 

4 2 
2

8
 Comme FA est surjective, on peut aussi considérer la base canonique de R3 . Une base
de l’image de FB est
   
 1
 2 

Im(FB ) : 3 , 4 .
   
 

1 
3
La matrice C a seulement deux vecteurs colonnes qui sont linéairement indépendants,
par exemple les vecteurs colonnes 1 et 3. Ils forment une base de l’image de FC .
   
 4
 4 

Im(FC ) : 4 , 5 .
   
 

6 
3
Pour calculer une base du noyau de FC , nous résolvons Cx = 0. Puisque la solution
de Cx = 0 ne change pas si nous faisons des opérations sur les lignes de C, nous
prenons la forme échelonnée de la matrice C. Nous devons donc résoudre le système
linéaire (
4x1 + 2x2 + 4x3 = 0,
x3 = 0.
L’une des variables x1 ou x2 peut être choisie librement, par exemple x2 , et donc
x1 = −x2 /2, x3 = 0. Une base du noyau de FC est donnée par
 
 −1/2 
 
Ker (FC ) :

 1  .

 
 
0

Exercice 6 !
2 p(0)
Soit la transformation T : R2 [t] → R définie par T (p) = .
p′ (0)
i) Vérifier que T est linéaire.
ii) Trouver une base de Ker(T ).
iii) Trouver une base de Im(T ).

Sol.:
i) Pour tous p1 , p2 , p ∈ R2 [t] et c ∈ R, on a :
! ! !
p1 (0) + p2 (0) p1 (0) p2 (0)
T (p1 + p2 ) = = + = T (p1 ) + T (p2 ).
p′1 (0) + p′2 (0) p′1 (0) p′2 (0)
! !
cp(0) p(0)
T (cp) = =c = cT (p).
cp′ (0) p′ (0)
!
p(0)
ii) T (p) = 0 ⇔ = 0 ⇔ p(0) = 0 et p′ (0) = 0. Considérons un polynôme
p′ (0)
p ∈ R2 [t] de la forme p(t) = c2 t2 + c1 t + c0 . Donc, p′ (t) = 2c2 t + c1 . On a p(0) = 0 ⇔
c0 = 0 ⇔ p(t) = c2 t2 + c1 t. De plus, p′ (0) = 0 ⇔ c1 = 0 ⇔ p(t) = c2 t2 .
Ainsi, une base de Ker(T ) est {t2 }.

9
 iii) Soit p ∈ R2 [t] de la forme! p(t) = c2!t2 + c1 t + c0!. L’image Im
! T est l’ensemble des
p(0) c0 1 0
vecteurs T (p) = = = c0 + c1 . Ainsi, Im(T ) = R2
p′ (0) c1 0 1
( ! !)
1 0
(l’application est surjective) et une base de Im(T ) est l’ensemble , .
0 1
Exercice 7
Soient K un corps et n ≥ 1 un entier. Soit Tr : Mn×n (K) → K l’application trace.
i) Montrer que Tr est une application linéaire.
ii) Montrer que Tr(AB) = Tr(BA) pour toutes matrices A, B ∈ Mn×n (K).
iii) Montrer que Tr(S −1 AS) = Tr(A) pour A, S ∈ Mn×n (K) et S une matrice inversible.

Sol.:
i) Soient A, B ∈ Mn×n (K) et λ, µ ∈ K. Alors
n P
Tr(λA + µB) = i=1 (λA + µB)
P n Piin
= λ i=1 aii + µ i=1 bii
= λTr(A) + µTr(B).
Cela montre que Tr est une application linéaire.
ii) Par définition, (AB)ij = nk=1 aik bkj et donc
P

n
X n X
X n
Tr(AB) = (AB)ii = aik bki .
i=1 i=1 k=1

On a également (BA)pq = et donc

Pn
r=1 bpr arq
n
X n X
X n n X
X n
Tr(BA) = (BA)pp = bpr arp = arp bpr .
p=1 p=1 r=1 r=1 p=1

Comme les indices de sommation sont toujours des indices muets (c-à-d que l’on peut
les désigner par les symboles de notre choix), on a
n X
X n n X
X n
arp bpr = aik bki .
r=1 p=1 i=1 k=1

Cela montre que

Tr(BA) = Tr(AB) .
iii) Tr(S −1 AS) = Tr(S −1 (AS)) = Tr((AS)S −1 ) = Tr(A(SS −1 )) = Tr(AIn ) = Tr(A), où
l’on a utilisé ii) dans la deuxième égalité et l’associativité du produit de matrices dans
la première et troisième égalités.
Exercice 8
Calculer pour
0 1 0 ··· 0
 

0 ... 
 0 1 0
. .. .. .. .. 
A=  .. . . . . ∈ Mn×n (R),
 
0 ··· ··· 0 1
 

0 ··· ··· ··· 0

10
le noyau de l’application linéaire F : Mn×n (R) → Mn×n (R) définie comme

F : X 7→ AX − XA.

Sol.: On note
 
x11 x12 . . . x1n
 x21 x22 . . . x2n 

 .. .. .. 

X= ... ,
 . . . 
xn1 xn2 . . . xnn

et on cherche les n2 coefficients x11 , . . . , xnn ∈ R t.q. X ∈ Ker(F ). On calcule les multipli-
cations matricielles
   
x21 x22 . . . x2n 0 x11 x12 . . . x1,n−1
 . .. . . .. 
 .. . . .  0 x21 x22 . . . x2,n−1 

 .. .. .. .. 

AX = 
 , XA =  .. ,
xn1 xn2 . . . xnn 

. . . . . 
0 0 0 0 0 xn1 xn2 . . . xn,n−1

et on résout AX − XA = 0. Les équations de la première colonne donnent

x21 = x31 = · · · = xn1 = 0.

Les équations de la dernière ligne donnent

xn1 = xn2 = · · · = xn,n−1 = 0.

Pour un élément i, j avec i = 1, 2, . . . , n − 1 et j = 2, 3, . . . , n on obtient xi+1,j − xi,j−1 = 0.

Ceci (avec une renumérotation de i) est équivalent à

xi,j = xi−1,j−1 pour i, j ∈ {2, 3, . . . , n}.

Ainsi, si l’on connaît xi−1,j−1 , l’entrée xi,j suit. Avec ces conditions, cependant, il existe des
entrées de X qui sont libres : ce sont par exemple les entrées x11 , x12 , . . . , x1n . Le noyau a
donc pour dimension n et on a
  
 a1 a2 . . . an 
.. .. 

 

. .
 
 0

a1  

Ker (F ) = .  : a1 , a2 , . . . , an ∈ R .

. .. ..



. . . a2 




 

0 . . . 0 a1 

MATLAB exercice (optionnel)

On appelle racine carrée d’une matrice A ∈ Mn×n (K), une matrice B ∈ M √n×n (K) telle que
2
B = B · B = A. Reprendre la formule récursive pour la racine carrée a, où a ∈ [0, 1],
donnée par xn+1 = 21 (xn + a/xn ) et la généraliser au calcul de racines carrées de matrices.
Implémenter cette formule dans Matlab et l’utiliser pour calculer une racine carrée de la

11
 matrice A = diag(1/2, 1/3, 1/4), ainsi que de la matrice générée par hilb(4)/2. Proposer
une modification de la méthode qui permette de calculer une racine carrée de
 
3 1 1
A = 1 3 1

.
1 1 3

Sol.: Pour les matrices A = diag(1/2, 1/3, 1/4) et A = hilb(4)/2 on peut utiliser la
fonction
1 f u n c t i o n X1 = m a t r i x _ s q _ r o o t (A)
2

3 X0 = e y e ( s i z e (A) ) ;
4 f l a g = 1;
5 t o l = 1 e −15;
6 maxit = 1000;
7 i t e r a t i o n = 0;
8

9 while flag
10 i t e r a t i o n = i t e r a t i o n + 1;
11

12 X1 = (X0 + A/X0) / 2 ;
13

14 i f norm (X1−X0)< t o l
15

16 f l a g = 0;
17

18 end
19

20 i f i t e r a t i o n >= m a x i t
21

22 f l a g = 0;
23 warning ( ’No c o n v e r g e n c e : maximum number o f i t e r a t i o n s
reached ’ )
24

25 end
26

27 X0 = X1 ;
28

29 end
30

31 end
La fonction de Matlab sqrtm(A) calcule la racine carrée de A. On peut vérifier l’exactitude
de notre solution en utilisant norm(sqrtm(A) − P ).
Pour la troisième matrice, expérimentalement on voit que on peut pas utiliser la même
fonction. La formule est vraie pour 0 ≤ x ≤ 1. Si la méthode doit être appliquée à x > 1,

12
alors on doit le mettre à l’échelle pour obtenir un nombre dans l’intervalle [0, 1]. Cela nous
donne une motivation de multiplie la matrice A par un scalaire. Si on multiplie A avec
0 < c < 1, par example c√= 0.1, on peut utiliser la fonction donnée. Si B est une racine
de cA, il s’en suit que 1/ cB est une racine de A. L’argument rigoureux pour justifier la
multiplication avec un scalaire nécessite des connaissances sur les valeurs propres.

13