Solutions Complètes des Exercices d'Algèbre Linéaire

Dr. Kikmo Wilba Christophe

Exercice 1

1. Loi ∗ dénie par x ∗ y = xy + (x2 − 1)(y2 − 1)

(a) Vérications
 Commutativité :
x ∗ y = xy + (x2 − 1)(y 2 − 1) = yx + (y 2 − 1)(x2 − 1) = y ∗ x
La loi est commutative car x ∗ y = y ∗ x pour tous x, y ∈ R.
 Non-associativité : La loi est dénie par :
x ∗ y = xy + (x2 − 1)(y 2 − 1).
Pour vérier l'associativité, on compare (x ∗ y) ∗ z et x ∗ (y ∗ z).
 Calcul de (x ∗ y) ∗ z :
(x ∗ y) ∗ z = xy + (x2 − 1)(y 2 − 1) ∗ z
 

= xy + (x2 − 1)(y 2 − 1) z + (xy + (x2 − 1)(y 2 − 1))2 − 1 (z 2 − 1).

Développement :
= xyz+(x2 −1)(y 2 −1)z+ x2 y 2 + 2xy(x2 − 1)(y 2 − 1) + (x2 − 1)2 (y 2 − 1)2 − 1 (z 2 −1).

 Calcul de x ∗ (y ∗ z) :
x ∗ (y ∗ z) = x ∗ yz + (y 2 − 1)(z 2 − 1)
 

= x yz + (y 2 − 1)(z 2 − 1) + (x2 − 1) (yz + (y 2 − 1)(z 2 − 1))2 − 1 .

Développement :
= xyz+x(y 2 −1)(z 2 −1)+(x2 −1) y 2 z 2 + 2yz(y 2 − 1)(z 2 − 1) + (y 2 − 1)2 (z 2 − 1)2 − 1 .

Les expressions développées de (x ∗ y) ∗ z et x ∗ (y ∗ z) ne sont pas identiques. Par exemple,

le terme (x − 1)(y − 1)z dans (x ∗ y) ∗ z n'a pas d'équivalent direct dans x ∗ (y ∗ z).
2 2

 Élément neutre : On cherche e ∈ R tel que x ∗ e = x pour tout x ∈ R. Soit :

xe + (x2 − 1)(e2 − 1) = x.
Réécriture :
xe − x + (x2 − 1)(e2 − 1) = 0.
Factorisation :
x(e − 1) + (x2 − 1)(e2 − 1) = 0.
Pour que cette équation soit valable pour tout x, les coecients des puissances de x
doivent être nuls :
1
 1. Terme constant (en x ) : −(e − 1) = 0 =⇒ e = 1.
0 2 2

2. Terme linéaire (en x ) : e − 1 = 0 =⇒ e = 1.

1

3. Terme quadratique (en x ) : e − 1 = 0 (déjà satisfait par e

2 2 2
=1 ).
.
Vérication :
 Si e = 1 : x ∗ 1 = x · 1 + (x − 1)(1 − 1) = x.
2

 Si e = −1 : x ∗ (−1) = −x + (x − 1)(1 − 1) = −x ̸= x (sauf si x = 0).

2

L'unique élément neutre est e = 1.

(b) Résolution des équations
 Équation 2 ∗ y = 5 :
2 ∗ y = 2y + 3(y 2 − 1) = 3y 2 + 2y − 3 = 5
√
2 −2 ± 4 + 96 −2 ± 10
3y + 2y − 8 = 0 =⇒ y = =
6 6
Solutions : y = ou 4
y = −2.
 Équation x ∗ x = 1 :
3

x ∗ x = x4 − x2 + 1 = 1 =⇒ x4 − x2 = 0 =⇒ x2 (x2 − 1) = 0

Solutions : x = 0 ou x = ±1.
2. Vecteurs de R3
(a) Combinaisons linéaires
 3X 1 − 2X2 + X3 :
3(−1, 5, 2) − 2(2, −1, 2) + (1, 1, 3) = (−3 − 4 + 1, 15 + 2 + 1, 6 − 4 + 3) = (−6, 18, 5)

 3(X 1 − X3 ) + X2 :
3((−1 − 1, 5 − 1, 2 − 3)) + (2, −1, 2) = (−6, 12, −3) + (2, −1, 2) = (−4, 11, −1)

(b) Trouver α, β, γ non nuls

On résout le système : (
−α + 2β + γ = 0
5α − β + γ = 0
En soustrayant la première équation de la seconde :
6α − 3β = 0 =⇒ β = 2α

En substituant dans la première équation :

−α + 4α + γ = 0 =⇒ γ = −3α

Une solution non nulle est α = 1, β = 2, γ = −3. Le vecteur résultant est (0, 0, −3).
2
Exercice 2

1. Dénition d'une famille nie libre

Une famille nie de vecteurs (v , v , . . . , v ) dans un espace vectoriel E est dite libre (ou linéai-
rement indépendante) si la seule combinaison linéaire nulle de ces vecteurs est celle dont tous
1 2 p

les coecients sont nuls. Mathématiquement :

p
X
λi vi = 0 =⇒ λi = 0 ∀i ∈ {1, 2, . . . , p}.
i=1

Interprétation :
Aucun vecteur de la famille ne peut s'exprimer comme combinaison linéaire des autres.
2. Dénition du rang d'une famille nie
Le rang d'une famille nie de vecteurs (v , v , . . . , v ) est la dimension du sous-espace vectoriel
engendré par cette famille. Autrement dit :
1 2 p

rang(v , v , . . . , v ) = dim(vect(v , v , . . . , v )).

1 2 p 1 2 p

Propriété clé :
Le rang est égal au nombre maximal de vecteurs linéairement indépendants dans la famille.
3. Famille contenant le vecteur nul
Proposition :
Une famille de vecteurs contenant le vecteur nul est toujours liée (non libre).
Preuve :
Soit une famille (0, v , . . . , v ). La combinaison linéaire :
2 p

1 · 0 + 0 · v2 + · · · + 0 · vp = 0

admet un coecient non nul (λ =1 ) même si les autres sont nuls. Par dénition, la famille
n'est pas libre.
1

4. Sous-famille d'une famille libre

Proposition :
Toute sous-famille d'une famille libre est libre.
Preuve :
Soit une famille libre (u , u , u , u ). Considérons la sous-famille (u , u , u ). Supposons une
combinaison linéaire nulle :
1 2 3 4 1 2 3

αu + βu + γu = 0.1 2 3

En ajoutant 0 · u , on a :
4
αu1 + βu2 + γu3 + 0 · u4 = 0.

3
Comme la famille complète est libre, tous les coecients (α, β, γ, 0) doivent être nuls. Ainsi,
α=β=γ=0 , donc la sous-famille est libre.
Exercice 3

1. Famille génératrice de R2
Montrons que {(1, 2), (−1, 1)} est génératrice. Pour tout (a, b) ∈ R , on cherche α, β tels que :
2

α(1, 2) + β(−1, 1) = (a, b)

Ce qui donne le système : (

α−β =a
2α + β = b
En additionnant les deux équations :
a+b
3α = a + b =⇒ α = , β =α−a
3
La famille est donc génératrice. Comme elle a 2 vecteurs en dimension 2, c'est aussi une base.
2. Familles libres
F 1 = {(1, 1, 0), (1, 0, 0), (0, 1, 1)} : On calcule le déterminant de la matrice associée :
1 1 0
1 0 1 = 1 · (0 · 1 − 1 · 0) − 1 · (1 · 1 − 1 · 0) + 0 = −1 ̸= 0
0 0 1

Donc F est libre.

1

 F = {(0, 1, 1, 0), (1, 1, 1, 0), (2, 1, 1, 0)} : Ces vecteurs sont dans R mais leurs quatrièmes
4

composantes sont nulles. Ils ne peuvent pas engendrer un espace de dimension 3, donc ils
2

sont liés.
3. Bases
 {(1, 2), (−1, 1)} est une base de R car libre et génératrice.
2

 F est une base de R car libre et contient 3 vecteurs en dimension 3.

1
3

4. Famille libre dans R3

Pour {(1, 2, 3), (0, 1, −1), (2, 0, 1)}, on calcule le déterminant :
1 0 2
2 1 0 = 1(1 · 1 − 0 · (−1)) − 0 + 2(2 · (−1) − 1 · 3) = 1 − 10 = −9 ̸= 0
3 −1 1

La famille est libre, et comme elle a 3 vecteurs en dimension 3, c'est une base de R . 3

4
Exercice 4

1. Montrer que F est un sous-espace vectoriel de R3

Dénition de F :

F = {(x, y, z) ∈ R3 | x + y + z = 0}.

Preuve par stabilité par combinaisons linéaires :

Soient u = (x , y , z ) et v = (x , y , z ) deux vecteurs quelconques de F , et λ, µ ∈ R.
1. Vérication de la condition :
1 1 1 2 2 2

x + y + z = 0 et x + y + z = 0.
1 1 1 2 2 2

La combinaison linéaire λu + µv s'écrit :

(λx1 + µx2 , λy1 + µy2 , λz1 + µz2 ).
Vérions qu'elle appartient à F :
(λx1 + µx2 ) + (λy1 + µy2 ) + (λz1 + µz2 ) = λ(x1 + y1 + z1 ) + µ(x2 + y2 + z2 ) = λ · 0 + µ · 0 = 0.
Donc, λu + µv ∈ F .
2. Non-vide : Le vecteur nul (0, 0, 0) vérie 0 + 0 + 0 = 0, donc (0, 0, 0) ∈ F .
Conclusion :
F est un sous-espace vectoriel de R . 3

2. Trouver une base de F

Méthode :
L'équation x + y + z = 0 permet d'exprimer une variable en fonction des autres. Choisissons
z = −x − y .

Expression générale des vecteurs de F :

(x, y, z) = (x, y, −x − y) = x(1, 0, −1) + y(0, 1, −1).

Les vecteurs e 1 = (1, 0, −1) et e 2 = (0, 1, −1) engendrent F .
Indépendance linéaire :
Supposons αe 1 + βe2 = 0 . Alors :
α(1, 0, −1) + β(0, 1, −1) = (α, β, −α − β) = (0, 0, 0).
Ce qui implique α = β = 0. Donc {e , e } est libre. 1 2

Base de F :

B = {(1, 0, −1), (0, 1, −1)}.

5
3. Dimension de F
La base B contient 2 vecteurs, donc :
dim(F ) = 2.

Interprétation :
F est un plan passant par l'origine dans R . 3

Exercice 5

1. Montrer que E1 et E2 sont des sous-espaces vectoriels de R3

Ensembles dénis :
E 1 = {(x, y, z) ∈ R3 | x + y + z = 0} ,
E 2
3
= {(x, y, z) ∈ R | x − y = x + z = 0} .
Preuve pour E1 :
Identique à l'Exercice 4. E est un plan vectoriel (sous-espace de dimension 2).
1

Preuve pour E2 :
1. Non-vide : (0, 0, 0) ∈ E2 car 0 − 0 = 0 + 0 = 0.
2. Stabilité par combinaisons linéaires : Soient u = (x1, y1, z1), v = (x2, y2, z2) ∈ E2, et
λ, µ ∈ R .
λu + µv = (λx1 + µx2 , λy1 + µy2 , λz1 + µz2 ).
Vérication :
(λx1 + µx2 ) − (λy1 + µy2 ) = λ(x1 − y1 ) + µ(x2 − y2 ) = 0,

(λx1 + µx2 ) + (λz1 + µz2 ) = λ(x1 + z1 ) + µ(x2 + z2 ) = 0.

Donc λu + µv ∈ E . 2

Conclusion :
E1 et E sont des sous-espaces vectoriels de R .
2
3

2. Bases et dimensions de E1 et E2
Base de E1 :
Comme dans l'Exercice 4 :
B1 = {(1, 0, −1), (0, 1, −1)}, dim(E1 ) = 2.

6
Base de E2 :
Résolvons le système x − y = 0 et x + z = 0 :
 y = x,
 z = −x.
Ainsi, tout vecteur de E s'écrit : 2

(x, y, z) = (x, x, −x) = x(1, 1, −1).

Base proposée :

B2 = {(1, 1, −1)}, dim(E2 ) = 1.

3. Montrer que R3 = E1 ⊕ E2
Dénition de la somme directe :
R3 = E1 ⊕ E2 si :
1. E1 + E2 = R3 ,
2. E1 ∩ E2 = {0} .
Preuve :
1. Somme : Tout vecteur (x, y, z) ∈ R3 peut s'écrire comme :
   
2x − y − z −x + 2y − z −x − y + 2z x + y + z x + y + z −(x + y + z)
(x, y, z) = , , + , , .
3 3 3 3 3 3

 Le premier terme est dans E (somme des composantes = 0),

 Le second terme est dans E (forme (a, a, −a)).
1

Donc E + E = R .
1 2
3

2. Intersection : Soit u ∈ E ∩ E . Alors :

1 2

 u ∈ E =⇒ x + y + z = 0,
 u ∈ E =⇒ x = y et z = −x.
1

Donc 3x = 0 =⇒ x = 0, d'où u = (0, 0, 0).

Conclusion :
R3 est la somme directe de E et E . 1 2

Exercice 6

1. Base canonique et dimension de R2[X]

La base canonique de l'espace des polynômes réels de degré ≤ 2 est :
B = {1, X, X 2 }.

7
Dimension :

dim(R2 [X]) = 3.

2. P0 comme combinaison linéaire de P2 et P3

Polynômes donnés :

P0 = X 2 − 2,
P2 = (X − 2)(X + 1) = X 2 − X − 2,
P3 = (X − 1)(X + 2) = X 2 + X − 2.

Résolution :
On cherche α, β tels que P 0 = αP2 + βP3 :
X 2 − 2 = α(X 2 − X − 2) + β(X 2 + X − 2).

En développant et identiant les coecients :

X 2 − 2 = (α + β)X 2 + (−α + β)X + (−2α − 2β).

Système d'équations : 
α + β = 1,

−α + β = 0,

−2α − 2β = −2.


Résolution :
1. De la 2e équation : β = α.
2. Substituer dans la 1re : 2α = 1 =⇒ α = , donc β = .
1 1

3. Vérication dans la 3e équation :

2 2

(cohérent).
   
1 1
−2 −2 = −1 − 1 = −2
2 2

Conclusion :

1 1
P 0 = P 2 + P3 .
2 2

3. Liberté de (P1, P2, P3) et base de R2[X]

Polynômes :

P1 = (X − 1)(X + 1) = X 2 − 1,
P2 = X 2 − X − 2,
P3 = X 2 + X − 2.

8
Test de liberté :
On résout αP 1 + βP2 + γP3 = 0 :
α(X 2 − 1) + β(X 2 − X − 2) + γ(X 2 + X − 2) = 0.
En développant et identiant les coecients :
(α + β + γ)X 2 + (−β + γ)X + (−α − 2β − 2γ) = 0.
Système d'équations : 
α + β + γ = 0,

−β + γ = 0,

−α − 2β − 2γ = 0.


Résolution :
1. De la 2e équation : γ = β.
2. Substituer dans la 1re : α + 2β = 0 =⇒ α = −2β.
3. Substituer dans la 3e équation :
−(−2β) − 2β − 2β = 2β − 2β − 2β = −2β = 0 =⇒ β = 0.
Donc γ = 0 et α = 0.
Conclusion :
La seule solution est α = β = γ = 0, donc la famille (P , P , P ) est libre.
1 2 3

Base de R2 [X] :
Puisque (P , P , P ) est libre et contient 3 éléments dans un espace de dimension 3, c'est une
base de R [X].
1 2 3
2

Exercice 7

1. Intersection et somme de sous-espaces vectoriels

Énoncé :
Soient F et G deux sous-espaces vectoriels de E. Montrer que :
F ∩ G = F + G ⇐⇒ F = G.

Preuve :
 Sens direct ( =⇒ ) : Supposons F ∩ G = F + G.
 Par dénition, F + G contient tous les vecteurs de la forme u + v avec u ∈ F , v ∈ G.
 F ∩ G contient seulement les vecteurs communs à F et G.
 Si F ∩ G = F + G, alors tout u + v ∈ F ∩ G, donc u + v ∈ F et u + v ∈ G.
 Pour v = 0, u ∈ G (donc F ⊆ G).
 Pour u = 0, v ∈ F (donc G ⊆ F ).
 Ainsi, F = G.
 Sens inverse ( ⇐= ) : Si F = G, alors F ∩ G = F = F + F = F + G.
9
Conclusion :
L'égalité F ∩ G = F + G caractérise l'identité F = G.
2. Union de sous-espaces vectoriels
Énoncé :
Si E est de dimension nie et F , G sont des sous-espaces de E, montrer que :
F ∪ G est un sous-espace vectoriel ⇐⇒ F ⊆ G ou G ⊆ F.

Preuve du sens direct (⇒). Supposons F ∪ G sous-espace vectoriel. Par l'absurde :

 Si F ̸⊆ G et G ̸⊆ F , alors ∃u ∈ F \ G et ∃v ∈ G \ F .
 Comme u, v ∈ F ∪ G, la stabilité par addition implique u + v ∈ F ∪ G.
 Deux cas possibles :
 Si u + v ∈ F , alors v = (u + v) − u ∈ F (car F stable), contradiction.
 Si u + v ∈ G, alors u = (u + v) − v ∈ G (car G stable), contradiction.
 L'hypothèse initiale est donc fausse : nécessairement F ⊆ G ou G ⊆ F .
Preuve du sens inverse ( ⇐= ).Supposons F ⊆ G ou G ⊆ F et montrons F ∪ G
 Si F ⊆ G, alors F ∪ G = G qui est un sous-espace.
 Si G ⊆ F , alors F ∪ G = F qui est un sous-espace.
Dans les deux cas, F ∪ G est bien un sous-espace vectoriel.
Conclusion :
L'union F ∪ G est un sous-espace ssi un des sous-espaces est inclus dans l'autre.
3. Sous-espaces en dimension nie
Énoncé :
Montrer que tout sous-espace vectoriel d'un espace de dimension nie est de dimension nie.
Preuve :
 Soit E de dimension nie n, et F ⊆ E un sous-espace.
 Toute famille libre de F est aussi libre dans E, donc a au plus n vecteurs (d'après le
théorème de la dimension).
 La famille génératrice nie de E peut être restreinte à F , garantissant que F admet une
base nie.
Conclusion :

dim(F ) ≤ dim(E) < +∞.

10
Exercice 8

1. Demontrons que la Dérivation et un endomorphisme

Proposition
L'application de dérivation D : R[X] → R[X] dénie par D(f ) = f est un endomorphisme
′

d'espaces vectoriels.
Démonstration de la linéarité
Soient f, g ∈ R[X] et λ, µ ∈ R. Montrons que D préserve les combinaisons linéaires :
D(λf + µg) = (λf + µg)′
= λf ′ + µg ′ (par linéarité de la dérivation classique)
= λD(f ) + µD(g)
De plus, pour tout polynôme f ∈ R[X], sa dérivée f reste dans R[X]. Ainsi :
′

 D est bien dénie de R[X] dans R[X]

 D est linéaire
Donc D est bien un endomorphisme de R[X].
2. Image de la dérivation
Analyse

Im(D) = {f ′ | f ∈ R[X]}

Théorème fondamental
Tout polynôme P ∈ R[X] admet une primitive dans R[X], c'est-à-dire :
∀P ∈ R[X], ∃Q ∈ R[X] tel que Q = P ′

Conclusion

Im(D) = R[X]
La dérivation est surjective.
3. Noyau de la dérivation
Calcul

ker(D) = {f ∈ R[X] | f ′ = 0}

Résolution
Les solutions sont les polynômes constants :
f ′ = 0 ⇐⇒ f = C avec C ∈ R
11
Conclusion

ker(D) = R0 [X] ≃ R
où R [X] désigne l'espace des polynômes constants.
0

4. Propriétés de D
Propriété Valeur Justication
Injectivité Non ker(D) = R ̸= {0}
Surjectivité Oui Im(D) = R[X]
Bijectivité Non Car non injective
5. Dimension de R[X]
Preuve par l'absurde
Supposons R[X] de dimension nie n.
D'après le théorème du rang :
dim R[X] = dim ker(D) + dim Im(D)

n=1+n
Ce qui est impossible.
Conclusion

R[X] est un espace vectoriel de dimension innie

Exercice 9

1. Vérication que f est linéaire

L'application f : R 2
→ R2 est dénie par :
f (x, y) = (−x + 2y, −2x + 4y).

Preuve de linéarité :
Soit f : R 2
→ R2 dénie par :
f (x, y) = (−x + 2y, −2x + 4y)

Pour montrer que f est linéaire, nous allons vérier qu'elle préserve les combinaisons linéaires.
Soient ⃗u = (x , y ), ⃗v = (x , y ) deux vecteurs de R et α, β ∈ R.2

Calculons d'une part :

1 1 2 2

f (α⃗u + β⃗v ) = f (αx1 + βx2 , αy1 + βy2 )

= − (αx1 + βx2 ) + 2(αy1 + βy2 ), −2(αx1 + βx2 ) + 4(αy1 + βy2 )


= − αx1 + 2αy1 − βx2 + 2βy2 , −2αx1 + 4αy1 − 2βx2 + 4βy2

12
Et d'autre part :
αf (⃗u) + βf (⃗v ) = α(−x1 + 2y1 , −2x1 + 4y1 ) + β(−x2 + 2y2 , −2x2 + 4y2 )


= − αx1 + 2αy1 − βx2 + 2βy2 , −2αx1 + 4αy1 − 2βx2 + 4βy2
Nous obtenons bien :
f (α⃗u + β⃗v ) = αf (⃗u) + βf (⃗v )
Conclusion : L'application f préserve les combinaisons linéaires, donc elle est linéaire.

2. Noyau et image de f
Noyau (ker f ) :
ker f = {(x, y) | f (x, y) = (0, 0)}
= {(x, y) | −x + 2y = 0 et − 2x + 4y = 0}.
Les équations sont proportionnelles, donc :
ker f = {(2y, y) | y ∈ R}.
Une base de ker f est {(2, 1)}, et dim(ker f ) = 1.
Image (ℑf ) : L'image est engendrée par les colonnes de la matrice de f :
ℑf = vect{(−1, −2), (2, 4)} = vect{(−1, −2)},
avec dim(ℑf ) = 1.
3. Calcul de f n pour n ∈ N∗
La matrice de f est :  
−1 2
A= .
−2 4
On vérie que A 2
= 3A :
   
2 (−1)(−1) + 2(−2) (−1)(2) + 2(4) −3 6
A = = = 3A.
−2(−1) + 4(−2) −2(2) + 4(4) −6 12
Par récurrence, on montre que :
∀n ∈ N∗ , f n = 3n−1 f.
- **Base** : Pour n = 1, f 1
= f = 30 f . - **Hérédité** : Supposons f n
= 3n−1 f . Alors :
f n+1 = f ◦ f n = f ◦ (3n−1 f ) = 3n−1 f 2 = 3n−1 (3f ) = 3n f.

4. Calcul de hn où h = f + I
Dénissons h = f + I . Sa matrice est :
 
0 2
B =A+I = .
−2 5
Les valeurs propres de B sont solutions de :
−λ 2
det(B − λI) = = λ2 − 5λ + 4 = 0,
−2 5 − λ
donc λ = 1 ou λ = 4.
13
  Pour λ = 1 : ker(B − I) = vect{(2, 1)}
 Pour λ = 4 : ker(B − 4I) = vect{(1, 2)}
Ainsi, B = P DP avec :
−1
   
2 1 1 0
P = , D= .
1 2 0 4
L'inverse de P est : 1

2 −1

−1
P = .
3 −1 2
Finalement, la puissance n-ème de h est :
   
n n −1 1 2 1 1 0 2 −1
h = PD P = .
3 1 2 0 4n −1 2

Exercice 10

1. Décomposition de l'espace E = ker f ⊕ Imf

Hypothèse : Soit f ∈ L(E) telle que f 3 = f 2 + f .
Preuve :
1. Intersection nulle : Montrons que ker f ∩ Imf = {0}.
Soit x ∈ ker f ∩ Imf . Alors :
∃y ∈ E, x = f (y) et f (x) = f (y) = 0 2

D'après l'équation f 3
= f2 + f , appliquée à y :

f 3 (y) = f 2 (y) + f (y) =⇒ 0 = 0 + x =⇒ x = 0

2. Décomposition : Montrons que E = ker f + Imf .

Pour tout x ∈ E, posons :
x = (x − f 2 (x)) + f 2 (x)
| {z } | {z }
∈ker f ∈Imf

Vérication :
f (x − f 2 (x)) = f (x) − f 3 (x) = f (x) − (f 2 (x) + f (x)) = −f 2 (x) ∈ Imf
donc x − f (x) ∈ ker f si f (x) = 0.
2 2

Conclusion : E = ker f ⊕ Imf .

2. Étude de F = vect(x, f (x))

Hypothèse : f 2 + f + Id = 0, x ̸= 0.
(a) Base de F :
Montrons que {x, f (x)} est libre. Supposons :
αx + βf (x) = 0

En appliquant f :
αf (x) + βf 2 (x) = αf (x) − β(x + f (x)) = 0

14
 Ce qui donne le système :
(
αx + βf (x) = 0
−βx + (α − β)f (x) = 0

D'où α = β = 0.
(b) Stabilité :
Pour tout y ∈ F , y = αx + βf (x), alors :
f (y) = αf (x) + βf 2 (x) = αf (x) − β(x + f (x)) ∈ F

Exercice 11

1. Linéarité de h
L'application h est dénie par :
f (⃗u)
h(⃗u) = ⃗u − 2 w
⃗
f (w)
⃗
Preuve de linéarité :
 Additivité : f (⃗u + ⃗v )
h(⃗u + ⃗v ) = (⃗u + ⃗v ) − 2 w
⃗ = h(⃗u) + h(⃗v )
f (w)
⃗
 Homogénéité :
f (λ⃗u)
h(λ⃗u) = λ⃗u − 2 w
⃗ = λh(⃗u)
f (w)
⃗

2. Dimension de H = ker f
Par le théorème du rang :
dim E = dim ker f + dim Imf =⇒ dim H = n − 1

3. Calcul de h(w)
⃗

f (w)
⃗
h(w) ⃗ −2
⃗ =w ⃗ = −w
w ⃗
f (w)
⃗

4. Action sur H
Pour ⃗u ∈ H : 0
h(⃗u) = ⃗u − 2 w
⃗ = ⃗u
f (w)
⃗

5. Intersection H ∩ D
Si ⃗v ∈ H ∩ D, alors :
⃗v = λw
⃗ et f (⃗v ) = λf (w)
⃗ = 0 =⇒ λ = 0

15
6. Décomposition
Pour tout ⃗u ∈ E : f (⃗u)
⃗u − ⃗ ∈H
w
f (w)
⃗
car son image par f est nulle.
7. Somme directe
Tout vecteur s'écrit : 
f (⃗u)

f (⃗u)
⃗u = ⃗u − w
⃗ + w
⃗
f (w)
⃗ f (w)
⃗
avec H ∩ D = {0}, donc E = H ⊕ D.
8. Nature de h
h est une symétrie par rapport à H parallèlement à D.
 Pour tout ⃗u ∈ H , on a :
h(⃗u) = ⃗u
(point xe).
 Pour tout ⃗u ∈ D, c'est-à-dire ⃗u = λw⃗ , alors :
h(λw) ⃗ = −λw
⃗ = λh(w) ⃗ = −⃗u.
Ainsi, h est une symétrie orthogonale par rapport à H puisque D est la droite orthogonale à
H.

Exercice 12

1. Injectivité et Image de l'application linéaire f

Application dénie

f : R3 → R3
f (x, y, z) = (x + y − z, −y + z, −x + z)

Matrice associée
 
1 1 −1
A =  0 −1 1 
−1 0 1

16
a. Injectivité
Le noyau de f est :
ker(f ) = {(x, y, z) ∈ R3 | f (x, y, z) = (0, 0, 0)}
Résolution du système :
 
x + y − z = 0
 z = y

−y + z = 0 =⇒ x = z = y
 
−x + z = 0 y=0
 

Conclusion : ker(f ) = {(0, 0, 0)}, donc f est injective.

b. Image de f
Calculons le rang de A :
Les colonnes de A : 
1
  
1
 
−1
C1 =  0 , C2 = −1 , C3 =
    1
−1 0 1
On a C = −C + C , donc rang(A) = 2.
Conclusion : Im(f ) est de dimension 2, avec pour base :
3 1 2

    
 1 1 
 0  , −1
−1 0
 

2. Matrice associée dans la base canonique

Les colonnes de A représentent les images des vecteurs de base :
f (1, 0, 0) = (1, 0, −1), f (0, 1, 0) = (1, −1, 0), f (0, 0, 1) = (−1, 1, 1)

D'ou cette matrice est :

 
1 1 −1
 0 −1 1 
−1 0 1

3. Inversibilité de A et calcul de A−1

Déterminant

−1 1 0 1 0 −1
det(A) = 1 −1 −1 = −1 − 1 + 1 = −1 ̸= 0
0 1 −1 1 −1 0

Méthode des cofacteurs

Matrice des cofacteurs : 
−1 −1 −1


C = −1 0 −1
0 −1 −1

17
Matrice adjointe :  
−1 −1 0
adj(A) = C ⊤ = −1 0 −1
−1 −1 −1
Inverse : 
1 1 0


A−1 =
1
det(A)
adj (A) = 1 0 1
1 1 1

4. Composition g ◦ f et vérication
Dénition de g
 
x
−1  
g(x, y, z) = A y = (x + y, x + z, x + y + z)
z

Calcul de g ◦ f

(g ◦ f )(x, y, z) = g(x + y − z, −y + z, −x + z)
= (x + y − z − y + z, x + y − z − x + z, x + y − z − y + z − x + z) = (x, y, z)
Conclusion : g ◦ f = Id , donc g = f .
R3
−1

Conseils pratiques

 Pour l'injectivité : résoudre f (⃗u) = ⃗0

 Pour l'image : calculer le rang de la matrice
 Pour l'inverse : utiliser cofacteurs ou Gauss-Jordan
 Pour la composition : vérier g ◦ f = Id
Exercice 14
Données
 
0 1 −1
M = 0 1 1 
1 0 1

1. Calcul de M 3 − 2M 2 + 2M
1. Calcul de M : 2

−1 1 0


M 2 =  1 1 2
1 1 0
2. Calcul de M 3
= M · M2 : 
0 0 2


M 3 = 2 2 2
0 2 0

18
3. Calcul de l'expression :
M 3 − 2M 2 + 2M = 2I3

2. Calcul de M −1
De la relation M 3
− 2M 2 + 2M = 2I , on obtient :
M 2 − 2M + 2I
 
M =I
2

Donc : 1 −1 2

1 1
M −1 = (M 2 − 2M + 2I) =  1 1 0
2 2
−1 1 0

3. Vérication par la méthode des comatrice

1. Déterminant :
det(M ) = 2
2. Matrice des cofacteurs : 1

1 −1


C = −1 1 1
2 −1 −1
3. Matrice adjointe :  
1 −1 2
adj (M ) = C ⊤ =  1 1 −1
−1 1 −1
4. Matrice inverse : 
1 −1 2

1
M −1 = 1 1 −1
2
−1 1 −1

'Exercice 15

Données
Soit f un endomorphisme de R dont la matrice dans la base canonique est :
3

 
3 2 −2
A = −1 0 1 
1 1 0

19
1 : Calcul de (A − I)2

 
2 2 −2
A − I = −1 −1 1 
1 1 −1
  
2 2 −2 2 2 −2
(A − I)2 = −1 −1 1  −1 −1 1 
1 1 −1 1 1 −1
 
2 · 2 + 2 · (−1) − 2 · 1 2 · 2 + 2 · (−1) − 2 · 1 2 · (−2) + 2 · 1 − 2 · (−1)
= −1 · 2 − 1 · (−1) + 1 · 1 −1 · 2 − 1 · (−1) + 1 · 1 −1 · (−2) − 1 · 1 + 1 · (−1)
1 · 2 + 1 · (−1) − 1 · 1 1 · 2 + 1 · (−1) − 1 · 1 1 · (−2) + 1 · 1 − 1 · (−1)
 
0 0 0
= 0 0 0

0 0 0

(A − I)2 = 0

2 : Preuve par récurrence de An = nA + (1 − n)I

Initialisation (n = 1)

A1 = 1 · A + (1 − 1)I = A (Vrai)
Hérédité
Supposons la propriété vraie au rang k ≥ 1 :
Ak = kA + (1 − k)I

Au rang k + 1 :
Ak+1 = A · Ak
= A · (kA + (1 − k)I)
= kA2 + (1 − k)A

D'après la partie 1, on a A2
= 2A − I (car (A − I)2
). Donc :
=0

Ak+1 = k(2A − I) + (1 − k)A

= 2kA − kI + (1 − k)A
= (k + 1)A − kI
= (k + 1)A + (1 − (k + 1))I

Conclusion
Par récurrence, pour tout n ≥ 1 : An = nA + (1 − n)I

20
Exemple pour n = 2
 
5 4 −4
A2 = 2A − I = −2 −1 2 
2 2 −1

Interprétation
La matrice A vérie (A − I) = 0, ce qui en fait une matrice quasi-nilpotente. La formule
2

obtenue permet de calculer simplement les puissances de A.

'Exercice 16

Énoncé du problème
On considère :  
1 −2 4
 La matrice A = 1
 1 1
1 −1 1

−x + y − z = 10 (1)
 Le système d'équations :

x + y + z = −4 (2)

x − 2y + 4z = 6 (3)


1. Inversibilité de la matrice A
Étape 1 : Calcul du déterminant
Pour vérier si A est inversible, on calcule son déterminant :
1 −2 4
det(A) = 1 1 1
1 −1 1
1 1 1 1 1 1
=1· − (−2) · +4·
−1 1 1 1 1 −1
= 1(1 · 1 − (−1) · 1) + 2(1 · 1 − 1 · 1) + 4(1 · (−1) − 1 · 1)
= 1(1 + 1) + 2(1 − 1) + 4(−1 − 1)
= 2 + 0 − 8 = −6 ̸= 0

Conclusion : Comme det(A) = −6 ̸= 0, la matrice A est inversible.

Étape 2 : Calcul de la matrice inverse A−1
On utilise la méthode des cofacteurs :
1. Matrice des cofacteurs ou Comatrice :
 
+(1 · 1 − 1 · (−1)) −(1 · 1 − 1 · 1) +(1 · (−1) − 1 · 1)
com (A) = −(−2 · 1 − 4 · (−1)) +(1 · 1 − 4 · 1) −(1 · (−1) − (−2) · 1)
+(−2 · 1 − 4 · 1) −(1 · 1 − 4 · 1) +(1 · 1 − (−2) · 1)

21
  
2 0 −2
= −2 −3 −1
−6 3 3
2. Matrice adjointe : Transposée de la comatrice
 
2 −2 −6
adj (A) =  0 −3 3 
−2 −1 3

3. Matrice inverse :
  
2 −2 −6 −1/3 1/3 1
A−1 =
1
det(A)
· adj 1
(A) = −  0 −3 3  =  0
6
1/2 −1/2
−2 −1 3 1/3 1/6 −1/2

2. Résolution du système linéaire

Étape 1 : Réécriture matricielle
On réorganise les équations pour faire correspondre aux lignes de A :
x − 2y + 4z = 6 (correspond à la 1ère ligne de A)


x + y + z = −4 (2ème ligne)


x − y + z = −10 (équation (1) Ö -1)




Forme matricielle :   
x 6


A y  =  −4 
z −10

Étape 2 : Calcul de la solution

La solution est donnée par X = A −1
B :
    
x −1/3 1/3 1 6
y  =  0 1/2 −1/2  −4 
z 1/3 1/6 −1/2 −10
 
(−1/3) · 6 + (1/3) · (−4) + 1 · (−10)
=  0 · 6 + (1/2) · (−4) + (−1/2) · (−10) 
(1/3) · 6 + (1/6) · (−4) + (−1/2) · (−10)
   
−2 − 4/3 − 10 −40/3
= 0−2+5 = 3 
2 − 2/3 + 5 19/3

Conclusion
La solution unique du système est :
40 19
x=− , y = 3, z=
3 3

22
Exercice 17

a) Écriture du système
Données expérimentales
( m) k (λ) k (λ) k (λ) A(λ)
λ µ 1 2 3

6.5 1 -2 4 2.6
6.0 1 1 1 1.7
7.5 1 -1 1 1.58
Application de la loi de Beer-Lambert
Pour chaque longueur d'onde, on a :
A(λ) = k1 (λ)X + k2 (λ)Y + k3 (λ)Z
où X = c , Y = c , Z = c sont les concentrations inconnues.
1 2 3

Système d'équations

1 · X − 2 · Y + 4 · Z = 2.6 (pour λ = 6.5)
(pour λ = 6.0)

1 · X + 1 · Y + 1 · Z = 1.7


1 · X − 1 · Y + 1 · Z = 1.58 (pour λ = 7.5)
b) Résolution par la méthode de Cramer
Principe de la méthode
Pour un système AX = B :     
X a11 a12 a13 b1
X = Y  , A = a21 a22 a23  , B =  b2 
Z a31 a32 a33 b3
Les solutions sont données par :
det(AX ) det(AY ) det(AZ )
X= , Y = , Z=
det(A) det(A) det(A)
où A , A , A sont les matrices obtenues en remplaçant respectivement les 1ère, 2ème et 3ème
colonnes de A par B.
X Y Z

Application numérique
1. Calcul de det(A)  
1 −2 4
A = 1 1 1
1 −1 1

1 1 1 1 1 1
det(A) = 1 · − (−2) · +4·
−1 1 1 1 1 −1
= 1(1 · 1 − (−1) · 1) + 2(1 · 1 − 1 · 1) + 4(1 · (−1) − 1 · 1)
= 1(2) + 2(0) + 4(−2) = −6

23
2. Calcul de X  
2.6 −2 4
AX =  1.7 1 1
1.58 −1 1

1 1 1.7 1 1.7 1
det(AX ) = 2.6 − (−2) +4
−1 1 1.58 1 1.58 −1
= 2.6(2) + 2(1.7 − 1.58) + 4(−1.7 − 1.58)
= 5.2 + 0.24 − 13.12 = −7.68
−7.68
X= = 1.28
−6

3. Calcul de Y  
1 2.6 4
AY = 1 1.7 1
1 1.58 1

1.7 1 1 1 1 1.7
det(AY ) = 1 − 2.6 +4
1.58 1 1 1 1 1.58
= 1(0.12) − 2.6(0) + 4(−0.12)
= 0.12 − 0 − 0.48 = −0.36
−0.36
Y = = 0.06
−6

4. Calcul de Z  
1 −2 2.6
AZ = 1 1 1.7 
1 −1 1.58

1 1.7 1 1.7 1 1
det(AZ ) = 1 − (−2) + 2.6
−1 1.58 1 1.58 1 −1
= 1(3.28) + 2(−0.12) + 2.6(−2)
= 3.28 − 0.24 − 5.2 = −2.16
−2.16
Z= = 0.36
−6

Conclusion
Les concentrations des solutés sont :
X = c1 = 1.28, Y = c2 = 0.06, Z = c3 = 0.36

Exercice 18

1. Écrire le système d'équations sous la forme X ′ = AX

Le système décrit l'évolution des concentrations de polluant dans trois cuves avec un débit
constant r et un volume V pour chaque cuve.
24
 1) Cuve C 1 :
Entrée − Sortie = 0 − Vr x
dx1
dt
= 1

L'eau entrante est non polluée, donc seul le terme de sortie contribue.
2) Cuve C 2 :
Entrée − Sortie = Vr x
dx2
dt
= 1 −
r
V
x2
Le polluant entre depuis et sort vers C .
C1
3) Cuve C
3

3 :
dx3 r r
= x2 − x3
dt V V
Le polluant entre depuis C et sort vers l'égout.
2

Le système s'écrit sous forme matricielle :

 ′  r  
x1 −V 0 0 x1
x′2  =  r − Vr 0   x2 
V
x′3 0 r
V
−Vr
x3

Soit X ′
= AX , où :
− Vr
 
0 0
r
A= V
− Vr 0 
r
0 V
− Vr

2. Système à l'état stationnaire sous la forme AX = B

À l'état stationnaire, les dérivées temporelles sont nulles (X (t) = B). Le système devient :
′

   V 
− Vr

0 0 x1 −r
r

V
− Vr 0   x2 =
  V 
r
r r V
0 V
−V x3 r

Le système stationnaire devient alors :

− Vr
 

AX = B avec B= V
r
V

r

3. Analyse du système et résolution

1. Nature du système
Un système de Cramer est un système carré avec une matrice inversible. Calculons le détermi-
nant de A :  r  r  r r 3
det(A) = − × − × − =− ̸= 0
V V V V
Le système est donc de Cramer.
2. Algorithme de résolution par la méthode de Cramer
Pour résoudre AX = B, on utilise :
det(Ai )
xi =
det(A)
où A est la matrice A avec la i-ème colonne remplacée par B.
i

25
3. Calcul des solutions
 Pour x1 :
− Vr
 
0 0   
V V r  r r
A1 =  r
− Vr 0 , det(A1 ) = − × − × − =−
V r r V V V
r V
− Vr

− Vr V2
x1 =
=
r 3 r2
− V

 Pour x 2 :
− Vr − Vr
 
0     
r V r  V r V V r r 
A2 =  V r
0 , det(A2 ) = − × ×− −0× − − × ×− −0×0
V V r V r r V V
0 r
− Vr
2r
V 2V 2
x2 =
3 = −
− r r2
V

 Pour x 3 :
− Vr − Vr
 
0
A3 =  r
V
− Vr
r
V
r
V
, det(A3 ) = Calcul similaire = − 3rV
0 V r

− 3r
V 3V 2
x3 = 3 =
− Vr r2

Solutions nales

V2 2V 2 3V 2
x1 = , x2 = − , x3 =
r2 r2 r2

Interprétation physique
Les concentrations à l'état stationnaire sont proportionnelles à . Cela montre que : V2

 Une augmentation du volume V augmente la concentration résiduelle.

r2

 Une augmentation du débit r diminue la concentration, car le polluant est évacué plus
rapidement.
Exercice 19

1. Détermination du rang de A − λI2

Énoncé
Soit la matrice : 
7 5

A=
−6 −4

26
Étape 1 : Calcul du polynôme caractéristique
Le polynôme caractéristique est donné par :
7−λ 5
det(A − λI) = = (7 − λ)(−4 − λ) − (5)(−6)
−6 −4 − λ

= −28 − 7λ + 4λ + λ2 + 30 = λ2 − 3λ + 2

Étape 2 : Résolution de l'équation caractéristique

λ2 − 3λ + 2 = 0 =⇒ λ1 = 1, λ2 = 2

Étape 3 : Analyse du rang

 Pour λ ̸= 1, 2 : det(A − λI) ̸= 0 =⇒ Rang = 2
 Pour λ = 1 :
(lignes proportionnelles) =⇒ Rang = 1
 
6 5
A−I =
−6 −5

 Pour λ = 2 :
(lignes proportionnelles) =⇒ Rang = 1
 
5 5
A − 2I =
−6 −6

2. Détermination des vecteurs propres

Pour λ1 = 1
(  
6x + 5y = 0 5
(A − I)⃗v = 0 =⇒ =⇒ ⃗v1 =
−6x − 5y = 0 −6

Pour λ2 = 2
(  
5x + 5y = 0 1
(A − 2I)⃗v = 0 =⇒ =⇒ ⃗v2 =
−6x − 6y = 0 −1

3. Diagonalisation de A
Base de R2
La famille {⃗v , ⃗v } forme une base de R car :
1 2
2



5 1
det = 5(−1) − 1(−6) = 1 ̸= 0
−6 −1

Matrice de passage P et son inverse

   
5 1 −1 −1 −1
P = , P =
−6 −1 6 5

27
Vérication de la diagonalisation
 
−1 1 0
P AP =
0 2

4. Calcul de A−1 et Ak
Expression de A−1
En utilisant A
2
− 3A + 2I = 0 :
 
−1 3I − A 1 −4 −5
A = =
2 2 6 7

Expression de Ak
   
k 1k 0 −1 5 − 6 · 2k 5 − 5 · 2k
A =P P =
0 2k −6 + 6 · 2k −6 + 5 · 2k
Cette décomposition permet de calculer ecacement les puissances et l'inverse de A.
Exercice 20

1, Modélisation du système
Pour le graphe spécié :
 Page 1 → Page 3
 Page 2 → Pages 1, 3, 4
 Page 3 → Pages 1, 2
 Page 4 → Aucun lien
Paramètres :
C(1) = 1 (1 lien sortant)
C(2) = 3 (3 liens sortants)
C(3) = 2 (2 liens sortants)
C(4) = 0 (aucun lien sortant)
Système PageRank général :
  
Y Z
X = (1 − d) + d +


3 2



 

 Z
Y = (1 − d) + d


2 
X Y
Z = (1 − d) + d +


 1 3





 Y
T = (1 − d) + d


3

28
2. Résolution pour d = 12
Le système devient :  Y Z 1

 X− − = (1)

 6 4 2
Y − Z = 1 (2)



4 2
Y 1

 −X − + Z = (3)
6 2


T = 1 + Y (4)




les 3 premiere equation sont independents de T on peut donc utilise uniquement ce equation
2 6

pour forme notre systeme

Matrices du système :
1 − 16 − 41
  1
2
A= 0 1 − 14  , B =  12 
−1 − 16 1 1
2

Calcul des déterminants

1. Déterminant principal det(A) :
1 − 16 − 14           
1 1 1 1 1 1 1
det(A) = 0 1 − 4 = 1· 1 · 1 − − · − + · 0 · 1 − (−1) · − − · 0· − − (−1)
4 6 6 4 4 6
−1 − 61 1
23 1 1 2
= − − =
2. Déterminants partiels :
24 24 4 3

 Pour X : 1
− 61 − 14
2
1 35
det(AX ) = 2
1 − 14 =
1 48
− 61 1
 Pour Y :
2

1
1 − 14
2
1 5
det(AY ) = 0 2
− 14 =
1 8
−1 1
 Pour Z :
2

1 − 16 1
2
1 7
det(AZ ) = 0 1 2
=
8
−1 − 16 1
2

Solutions
35
det(AX ) 48 35
X= = 2 = ≈ 1.09375
det(A) 3
32
5
det(AY ) 15
Y = = 82 = = 0.9375
det(A) 3
16
7
det(AZ ) 21
Z= = 82
= = 1.3125
det(A) 16
3
1 Y
T = + ≈ 0.65625
2 6
29
Résultats naux
Page Score exact Score décimal
1 (X) 35
1.09375
2 (Y) 32
15
0.9375
3 (Z) 16
21
1.3125
4 (T) 16
21
32
0.65625
Classement :
1. Page 3 (Z)
2. Page 1 (X)
3. Page 2 (Y)
4. Page 4 (T)
3 : Analyse du web réel
Pour N = 1.3 × 10 pages :
14

 Nombre de coecients : N ≈ 1.69 × 10

2 28

 Stockage nécessaire : 1.69 × 10 disques de 1 To

16

Solution pratique : Google utilise :

 Une méthode itérative (pas de stockage matriciel)
 Des approximations distribuées
 Un découpage par blocs
21

Partie 1 : Détermination du rang de A − λI3

Soit la matrice : 
0 1 0


A =  0 0 1
−2 1 2

Étape 1 : Calcul du polynôme caractéristique

−λ 1 0
det(A − λI) = 0 −λ 1
−2 1 2 − λ
−λ 1 0 1
= −λ −1
1 2−λ −2 2 − λ
= −λ(λ2 − 2λ − 1) − (0 − (−2))
= −λ3 + 2λ2 + λ − 2

30
Étape 2 : Recherche des valeurs propres
Résolution de −λ + 2λ + λ − 2 = 0 :
3 2

On trouve les racines :

 λ = 1 (diviseur constant)
1

 λ = 2 (par factorisation)
2

 λ = −1 (équation résiduelle)
3

Étape 3 : Analyse du rang

Pour λ ̸= 1, 2, −1, rang(A − λI) = 3.
Pour λ = λ , rang(A − λ I) = 2 car les mineurs 2 × 2 sont non nuls.
i i

Partie 2 : Calcul des vecteurs propres

Pour λ1 = 1

−x1 + x2 = 0

(A − I)⃗v = 0 ⇒ −x2 + x3 = 0

−2x1 + x2 + x3 = 0

 
1
Solution : ⃗v1 = 1

1

Pour λ2 = 2

−2x1 + x2 = 0

(A − 2I)⃗v = 0 ⇒ −2x2 + x3 = 0

−2x1 + x2 = 0

 
1
Solution : ⃗v2 = 2

4

Pour λ3 = −1

x 1 + x 2 = 0

(A + I)⃗v = 0 ⇒ x2 + x3 = 0

−2x1 + x2 + 3x3 = 0

 
1
Solution : ⃗v3 = −1
1

31
Partie 3 : Base de R3
La famille B = {⃗v , ⃗v , ⃗v } forme une base car :
1 2 3

1 1 1
det(⃗v1 |⃗v2 |⃗v3 ) = 1 2 −1 = 6 ̸= 0
1 4 1

Partie 4 : Diagonalisation
Matrice de passage P
 
1 1 1
P = 1 2 −1
1 4 1

Calcul de P −1
 
6 3 −3
1
P −1 = −2 0 2
6
2 −3 1

Vérication
 
1 0 0
P −1 AP = 0 2 0  = D
0 0 −1

Partie 5 : Polynôme minimal et inverse

Polynôme minimal :
(A − I)(A − 2I)(A + I) = 0
Expression de A : En développant le polynôme caractéristique :
−1

A3 − 2A2 − A + 2I = 0 =⇒ A3 − 2A2 − A = −2I

(A2 − 2A − I)
=⇒ A(A2 − 2A − I) = −2I =⇒ A · =I
−2
Or I = AȦ comparant
−1
1
A−1 = (A2 − 2A − I)
2

Partie 6 : Calcul de Ak
Par diagonalisation :  
1 0 0
Ak = P Dk P −1 = P 0 2k 0  P −1
0 0 (−1)k

32