SUPPORT DE COURS

UE : ALGEBRE
LINEAIRE

LPRGL 1

Equipe Pédagogique

MATHEMATIQUES
Propriété exclusive de PIGIER CI. Toute reproduction même partielle de ce document est strictement interdite.

Formation – Placement - Consultance

Tél : (225) 27 20 30 35 00 / Fax : (225) 27 20 22 67 64 SARL au capital de 300.000.000 FCFA
E-mail : [email protected] / [email protected] RCCM N° CI-ABJ-1977-B-26872
01 BP 1585 Abidjan République de Côte d'Ivoire CC : 7702508 P / Centre des Impôts : DGE
23, Boulevard de la République -Plateau Régime d’Imposition : Réel Normal
PIGIER CI ALGEBRE LINEAIRE

Sommaire

CHAPITRE 1 : CALCUL MATRICIEL .................................................................................................................. 2

CHAPITRE 2 : SYSTEMES D’EQUATIONS LINEAIRES ....................................................................................... 9
CHAPITRE 3 : NOTION D’ESPACES VECTORIELS ........................................................................................... 13
CHAPITRE 4: APPPLICATIONS LINEAIRES ....................................................................................................... 19
CHAPITRE 5 : REDUCTION DES MATRICES ................................................................................................ 30

1
PIGIER CI ALGEBRE LINEAIRE

CHAPITRE 1 : CALCUL MATRICIEL

I. Généralités
1. Exemple
Sur un chantier de bâtiment, trois entreprises cohabitent : Sonitra, Cie, Sodeci.
Elles ont besoin, par jour, pour le bon déroulement de leur chantier de
Ciment en tonnes Sable en m3 Gravillon en m2
Sonitra 10 5 5
Cie 8 3 2
Sodeci 7 3 2
3
Le prix d’une tonne de ciment est 94500F, le sable coûte 15000F le m et le
gravillon 5000F le m2.
1.1 Déterminer le tableau de réels représentant les achats puis le le tableau de
réels représentant les prix.
1.2 Combien de lignes et de colonnes retrouve-t-on sur chaque tableau.
2. Définitions
 Une matrice de réels est un tableau de lignes et colonnes appelée matrice
d’ordre ou de format.
 On désigne une matrice par A ; B ; C ; … etc.
2 −1
 Si on désigne par 𝐴 la matrice suivante (4 5 ) , on écrit
6 0
2 −1
𝐴 = (4 5 ).
6 0
 Une matrice est dite carrée si elle a le même nombre de lignes et de
colonnes. Si 𝑛 (𝑛 ∈ ℕ∗ ) est le nombre de lignes (colonnes), on dit que la
matrice est carrée d’ordre 𝑛.
3. Quelques matrices particulières
3.1 Matrices triangulaires
Une matrice triangulaire est une matrice carrée dont tous les éléments au
dessus ou en-dessous de la diagonale sont tous nuls.
−1 2 3
1 3 −1 0
Exemples : 𝐴 = ( ) ; 𝐵 = ( 0 4 5) ; 𝑃 = ( );
0 −1 4 5
0 0 3
3 0 0
𝑄 = (0 5 0 )
2 8 −1
3.2 Matrice diagonale
Une matrice diagonale est une matrice carrée dont tous les éléments sont
tous nuls sauf au moins un élément de la diagonale principale.
−1 0 0
2 0
Exemples : 𝐴 = ( ) ; 𝐵 = ( 0 0 0)
0 0
0 0 3
3.3 Matrice unité

2
PIGIER CI ALGEBRE LINEAIRE

Une matrice unité est une matrice diagonale dont tous les éléments de la
diagonale principale sont tous égaux à 1. On la note 𝐼 ou 𝐼𝑛 (𝑛 ∈ ℕ∗ ).
1 0 0
1 0
Exemples : 𝐼 = ( ) ; 𝐼 = (0 1 0).
0 1
0 0 1
4. Opérations et matrices
4.1 Transposée d’une matrice : Soit 𝐴 une matrice ; on appelle transposée de
𝐴 notée 𝑡𝐴 la matrice obtenue en échangeant les lignes et les colonnes de
même rang.
2 −1
2 4 6
Exemples : 𝐴 = (4 5 ) ⇒ 𝑡𝐴 = ( )
−1 5 0
6 0
4.2 Somme de matrices
 La somme de deux matrices est possible si elles sont de même
format.
 Exemple :
1 −1 0 5 3 2
Calculer 𝐴 + 𝐵 avec 𝐴 = (2 3 −5) et 𝐵 = ( 0 3 5)
4 1 6 −1 2 8
1 −1 0 5 3 2 6 2 2
𝐴 + 𝐵 = (2 3 −5) + ( 0 3 5) = (2 6 0 )
4 1 6 −1 2 8 3 3 14
4.3 Produit d’une matrice par un réel
 Multiplier une matrice 𝐴 par un réel 𝛼 revient à multiplier tous les
éléments de la matrice par 𝛼. Le produit se note 𝛼𝐴.
1 −1 0
3
 Exemple : Calculer 2𝐴 ; −𝐴 ; 2 𝐴 pour 𝐴 = (2 3 −5)
4 1 6
4.4 Produit de deux matrices
 Le produit de 𝐴 𝑒𝑡 𝐵 (noté: 𝐴𝐵) est possible si le nombre de
colonnes de 𝐴 est égal au nombre de lignes de 𝐵 .
 Exemple : Calculer 𝐴𝐵 puis 𝐵𝐴 pour les matrices suivantes
2 −1
5 −1 4
𝐴 = (4 5 ) et 𝐵 = ( )
3 0 7
6 0
5. Propriétés sur les opérations sur les matrices
Soient les matrices 𝐴 , 𝐵 𝑒𝑡 𝐶. Soient les réels 𝛼 et 𝛽
5.1 Transposée
 𝑡(𝐴 + 𝐵) = 𝑡𝐴 + 𝑡𝐵 ; 𝑡(𝐴 ∗ 𝐵) = 𝑡𝐵 ∗ 𝑡𝐴 ; 𝑡( 𝑡𝐴) = 𝐴
 𝐴 𝑒𝑠𝑡 𝑢𝑛𝑒 𝑚𝑎𝑡𝑟𝑖𝑐𝑒 𝑠𝑦𝑚é𝑡𝑟𝑖𝑞𝑢𝑒 ⇔ 𝑡𝐴 = 𝐴 .

5.2 Addition
 𝐴 + 𝐵 = 𝐵 + 𝐴 (l’addition est commutative).
5.3 Multiplication

3
PIGIER CI ALGEBRE LINEAIRE

 𝐴 ∗ 𝐵 ≠ 𝐵 ∗ 𝐴 (la multiplication n’est pas commutative)

 (𝐴 ∗ 𝐵) ∗ 𝐶 = 𝐴 ∗ (𝐵 ∗ 𝐶) (la multiplication est associative)
 𝐴 ∗ (𝐵 + 𝐶) = 𝐴 ∗ 𝐵 + 𝐴 ∗ 𝐶 ; (𝐵 + 𝐶) ∗ 𝐴 = 𝐵 ∗ 𝐴 + 𝐶 ∗ 𝐴
 𝐴∗𝐼 = 𝐼∗𝐴 =𝐴
 Puissance de matrices :
 𝐴𝑛 = 𝐴 ∗ 𝐴 ∗ … ∗ 𝐴 (𝑛 ∈ ℕ∗ ).
 𝐴𝑛 ∗ 𝐴𝑚 = 𝐴𝑛+𝑚 ; (𝐴𝑛 )𝑚 = 𝐴𝑛∗𝑚 (𝑛 , 𝑚 ∈ ℕ∗ )
 𝐼𝑛 = 𝐼
 Si 𝐴 est une matrice carrée alors 𝐴0 = 𝐼
 Formule :
A et B deux matrices de même format qui commutent
 (𝐴 + 𝐵)𝑛 = ∑𝑛𝑘=0 𝐶𝑛𝑘 𝐴𝑘 ∗ 𝐵 𝑛−𝑘 (𝑛 ∈ ℕ∗ ).
II. Déterminant d’une matrice carrée
1. Déterminant d’ordre 2
𝑎 𝑏
Soit une matrice carrée 𝐴 = ( ) (𝑎 , 𝑏, 𝑐, 𝑑 ∈ ℝ).
𝑐 𝑑
On appelle déterminant de 𝐴, le réel noté 𝑑𝑒𝑡𝐴 et défini par :
𝑎 𝑏
𝑑𝑒𝑡𝐴 = | | = 𝑎 ∗ 𝑑 − 𝑐 ∗ 𝑏.
𝑐 𝑑
2. Déterminant d’ordre 3
1 −1 0
Soit 𝐴 = (2 3 −5) . Calculer 𝑑𝑒𝑡𝐴.
4 1 6
2.1 Règle de Sarrus
1 −1 0 1 −1
Det 𝐴 = |2 3 −5| 2 3 = [(1 ∗ 3 ∗ 6) + ((−1) ∗ (−5) ∗ 4)(0 ∗ 21)] −
4 1 6 4 1
[(4 ∗ 3 ∗ 0) + (1 ∗ (−5) ∗ 1) + (6 ∗ 2 ∗ (−1))] = 55.
2.2 Méthode de Gauss
1 −1 0
−1 0 1 0 1 −1
𝑑𝑒𝑡𝐴 = |2 3 −5| = −2 ∗ | |+3∗| | − (−5) ∗ | | = 55.
1 6 4 6 4 1
4 1 6
Remarque : La méthode est appliquée à la deuxième ligne , elle peut l’être pour
toute ligne ou toute colonne.
3. Déterminant d’ordre 𝒏 ≥ 𝟒
La méthode de calcul est la méthode de Gauss ou la méthode par bloc lorsqu’elle
est possible.
Activité de recherche : le calcul du déterminant par la méthode par blocs.
4. Propriétés
Soient 𝐴 𝑒𝑡 𝐵 deux matrices carrées de même format
 det( 𝐴 ∗ 𝐵) = det 𝐴 ∗ 𝑑𝑒𝑡𝐵 ; det( 𝑡𝐴) = det 𝐴 ; det(𝐼) = 1.
III. Matrices inversibles
Soit 𝐴et 𝐵 deux matrices carrées de même format
1. Définition

4
PIGIER CI ALGEBRE LINEAIRE

𝐴 𝑒𝑡 𝐵 sont inverses l’une de l’autre si 𝐴 ∗ 𝐵 = 𝐵 ∗ 𝐴 = 𝐼 (𝑚𝑎𝑡𝑟𝑖𝑐𝑒 𝑢𝑛𝑖𝑡é)

Conséquence : 𝐴( 𝑟𝑒𝑠𝑝. 𝐵) 𝑒𝑠𝑡 𝑖𝑛𝑣𝑒𝑟𝑠𝑖𝑏𝑙𝑒 et sa matrice inverse 𝐴−1 = 𝐵(𝑟𝑒𝑠𝑝. 𝐵 −1 =
𝐴
2. Théorème d’inversibilité
 𝐴 est inversible ⇔ il existe une matrice 𝑀 telle que 𝐴 ∗ 𝑀 = 𝑀 ∗
𝐴=𝐼
 𝐴 est inversible ⇔ det 𝐴 ≠ 0.
3. Calcul de l’inverse d’une matrice inversible
3.1 Par calcul formel
Soit une matrice 𝐴 telle que 𝐴2 − 3𝐴 + 2𝐼 = 0
Montrer que : 𝐴 est inversible et déterminer sa matrice inverse.
3.2 Par la méthode du cofacteur
Algorithme de calcul
 Calculer le déterminant de la matrice
 Calculer la matrice des cofacteurs
 Prendre la transposée de la matrice des cofacteurs
 Multiplier la transposée par l’inverse du déterminant.
1 −1 0
Exemple : Soit 𝐴 = (2 3 −5) .Calculer l’inverse de 𝐴.
4 1 6
4. Propriétés
Soit deux matrices inversibles 𝐴 , 𝐵
−1
4.1 𝑡𝐴 est inversible et ( 𝑡𝐴) = 𝑡(𝐴−1 ).
4.2 𝐴 ∗ 𝐵 est inversible et (𝐴 ∗ 𝐵)−1 =𝐵 −1 ∗ 𝐴−1

TRAVAUX DIRIGES

EXERCICE 1
On donne les matrices suivantes:

 2 1   3 1 
  1 2 3  2 3 1     
A=   B=   C= 1 3  D=  1  3
 4 0 1   2 0  1  0  2  1
   2 

Utiliser ces matrices dans diverses opérations relatives aux matrices

EXERCICE 2
On donne les matrices suivantes:

5
PIGIER CI ALGEBRE LINEAIRE

1 1
1 3  1  3    1 2 1  4 1 1 
   2 3    
A=  0 2 0  2 B= 1 M= 2 1 2 K = - 4 2 0
3 4 1 4 1 - 1 0   1 0 1 
 2  
 0

   
 3 

Calculer si possible A.B et tBx tA puis conclure . Calculer MK – KM

EXERCICE 3

 7 m  2 0 
 
On considère la matrice Am =  2 6m 2  on pose dét(Am) = f(m)
 0  2 5  m 

a- Calculer f(m) en fonction de m. Que pensez-vous de dét( tA m ) ?
b- Vérifier que f(3) = 0. Déduire les autres racines de f(m) = 0

EXERCICE 4

 2 5 1 5 1 4
   
On considère les matrices A  3 2 4 et B  3 2 5 .
 1 4 2  4 1 6
   

a- Calculer la matrice produit P = A.B.

b- Calculer dét(A), dét(B) dét(P) et dét(A).dét(B). Que remarque-t-on ?
c- Quelle règle est-on tenté de tirer ?

EXERCICE 5
I- Calculer (si elle existe !) l’inverse de chacune des matrices suivantes :

3 3 6  3 3 - 6
2  3    
B =   C   4 2 4 D   -1 -1 6 
 1 3   9 5 1 - 4 8 6 
   

 2 1 1   1 2  3  2 1 1  1 3 4 
       
E   1 2 1 F=  2 1 0  G=  0 2 1  H= 3  1 6
 1 1 2  4 2 5  5 2  3   1 5 1
       

 2 1 1  1 0 0
   
II- Soit les matrices A   1 2 1 et I  0 1 0
 1 1 2  0 0 1
   

a- Calculer A2 ; montrer qu’il existe deux réels x et y tels que A2 = xA + yI.

b- En déduire, en notant que A = AI, qu’il existe une matrice B telle que AB = I .la déterminer
et vérifier que BA = I.

6
PIGIER CI ALGEBRE LINEAIRE

 2 1 3
 
III- On considère la matrice A    3 1  1 .
 1 1 1 


Calculer B = 4 A – A2 puis le produit A.B. En déduire que : A est inversible et déterminer son
inverse A–1

EXERCICE 6
Une entreprise fabrique des appareils de trois types différents : L, G, V.

Pour un appareil de type L, il faut : 10kg d’acier, 2kg de peinture et 10 heures de travail.

Pour un appareil de type G, il faut : 4kg d’acier, 1kg de peinture et 6 heures de travail.

Pour un appareil de type V, il faut : 10kg d’acier 1kg de peinture et 12 heures de travail.

On note respectivement x, y, z les quantités d’appareils de type L, G, V fabriqués, et a, b, c les

quantités d’acier (en kg) , de peinture(en kg) et de travail (en heures) nécessaires pour leur
fabrication.

1- Exprimer chacune des quantités a, b, c en fonction de x, y, z.

10 4 10  x a
     
2- On considère les matrices suivantes : M 2 1 1 X  y Y  b
10 6 12  z c 
     
a- Montrer que : Y = M.X

b- Montrer que M est inversible.

c- En déduire la matrice X en fonction de l’inverse de M et de Y puis déterminer l’inverse de

M.

3- Calculer les quantités d’appareils de chaque type L, G, V fabriqués en un mois sachant que
4200kg d’acier, 800kg de peinture et 5000 heures de travail ont été nécessaires.

EXERCICE 7

1- Une suite (un) est définie par son premier terme u1 = 2 et par la relation de récurrence:
un+1 = 3un + 2 où n désigne un entier naturel non nul.
Soit (v) la suite la suite définie par : vn = un + 1
a. Montrer que la suite (vn) est une suite géométrique; préciser la raison et le premier
terme
b. Calculer (vn) puis (un) en fonction de n
 2 0 2  1 0 0
   
2-On considère les matrices : A =   1 0  1 et I =  0 1 0 
  1 0  1  0 0 1
   
2
a. Calculer les matrices A et B = 2A + I

7
PIGIER CI ALGEBRE LINEAIRE

b. On admet que pour tout entier naturel non nul n, il existe un réel a n tel que: Bn = anA + I
En utilisant le fait que Bn+1 = Bn x B, calculer an+1 en fonction de an
3-En utilisant les résultats des questions 1- et 2-, exprimer Bn en fonction de A, I et n

E X E R C I C E 8 (BTS FC Août 2009)

1) On considère la fonction f définie par : f(X) = –X3 + 5X² + X – 5

a- Calculer f(1)

b- Factoriser f(X)

 2 -2 1
 
2) On considère la matrice A définie par : A =  - 2 1 - 2
 1 -2 2 
 

On désigne par M, la matrice définie par : M = A – xI, où x est un réel, et I la matrice

carrée unité d’ordre 3.

a- Calculer le déterminant de la matrice M.

b- Pour quelles valeurs de x la matrice M est-elle inversible ?
c- Calculer A² et A3 ; puis trouver N définie par : N = – A3 + 5A² + A – 5I
d- En déduire que : A est inversible, et trouver sa matrice inverse A–1
e- En utilisant le calcul matriciel, résoudre le système d’équations suivant :
 2x  2y  z  20

2x  y  2 z   23
 x  2y  2z  22


8
 PIGIER CI ALGEBRE LINEAIRE

CHAPITRE 2 : SYSTEMES D’EQUATIONS LINEAIRES

I. Généralités
1.1 Définitions
 Une équation linéaire est une équation de la forme :
𝑎1 𝑥1 + 𝑎2 𝑥2 + … + 𝑎𝑛 𝑥𝑛 = ℎ où 𝑥𝑖 (1 ≤ 𝑖 ≤ 𝑛) sont des inconnues réelles et
𝑎𝑖 (1 ≤ 𝑖 ≤ 𝑛) et ℎ sont des réels.
 Un système linéaire de 𝑝 équations linéaires à 𝑛 inconnues est un système de
la forme :
𝑎11 𝑥1 + 𝑎12 𝑥2 + … + 𝑎1𝑛 𝑥𝑛 = ℎ1
𝑎 𝑥 + 𝑎22 𝑥2 + … + 𝑎2𝑛 𝑥𝑛 = ℎ2
{ 21 1
⋮
𝑎𝑝1 𝑥1 + 𝑎𝑝2 𝑥2 + … + 𝑎𝑝𝑛 𝑥𝑛 = ℎ𝑝

𝑎11 𝑎12 … 𝑎1𝑛

𝑎21 𝑎22 … 𝑎2𝑛
dont la matrice associée est ( ⋮ ⋮ ⋮ ⋮ );
𝑎𝑝1 𝑎𝑝2 … 𝑎𝑝𝑛
𝑥1 ℎ1
𝑥2 ℎ
la matrice des inconnues est ( ⋮ ) et la matrice du second membre est ( ⋮2 ).
𝑥𝑛 ℎ𝑝
 L’écriture matricielle du système linéaire ci-dessus est
𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 ℎ1
𝑎21 𝑎22 … 𝑎2𝑛 𝑥2 ℎ2
( ⋮ ⋮ ⋮ ⋮ )∗( ⋮ )= ( ⋮ ) .
𝑎𝑝1 𝑎𝑝2 … 𝑎𝑝𝑛 𝑥𝑛 ℎ𝑝
 Si 𝐴 , 𝑋 , 𝐻 sont
respectivement la matrice du système, la matrice des inconnues, la matrice du
second membre alors l’écriture matricielle se note : 𝐴 ∗ 𝑋 = 𝐻.
1.2 Propriétés
Soit un système linéaire d’équations linéaires 𝐴 ∗ 𝑋 = 𝐻.
 Le système linéaire est de Cramer si la matrice associée 𝐴 est carrée et
𝑑𝑒𝑡𝐴 ≠ 0.
 Le système linéaire est singulier s’il n’est pas de Cramer.
1.3 Solution-Ensemble solution d’un système
𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 ℎ1
𝑎21 𝑎22 … 𝑎2𝑛 𝑥2 ℎ2
Soit le système suivant : ( ⋮ ⋮ ⋮ ⋮ )∗( ⋮ )= ( ⋮ )
𝑎𝑝1 𝑎𝑝2 … 𝑎𝑝𝑛 𝑥𝑛 ℎ𝑝
 Une solution du système est un 𝑛 − 𝑢𝑝𝑙𝑒𝑡 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) de réels vérifiant
toutes les équations du système.
 L’ensemble solution est l’ensemble de tous les 𝑛 − 𝑢𝑝𝑙𝑒𝑡𝑠 solutions du
système.

9
PIGIER CI ALGEBRE LINEAIRE

 Tout système de Cramer admet une et une seule solution

 Tout système singulier admet une infinité de solutions ou aucune solution.
II. Résoudre un système de Cramer
2𝑥 + 5𝑦 − 4𝑧 = −39
Soit le système suivant (𝑥 , 𝑦 , 𝑧) ∈ ℝ3 ∶ { 𝑥 − 𝑦 + 7𝑧 = 54
3𝑥 + 𝑦 − 2𝑧 = −11
2.1 Activité
 Donner la matrice associée au système puis l’écriture matricielle du système.
 Le système est –il de Cramer ? Justifier votre réponse.
2.2 Méthode de Cramer : Exposé de la méthode
2.3 Méthode du calcul de l’inverse de matrice : Exposé de la méthode
2.4 Méthode du pivot de Gauss : Exposé de la méthode
III. Résoudre un système singulier
3.1 Système ayant une infinité de solutions : Exposé par un exemple
3.2 Système n’ayant aucune solution : Exposé par un exemple

TRAVAUX DIRIGES
EXERCICE 1

On considère les matrices suivantes :

3 2 0  2 4 8 
   
A =  0  1 2  et B =  4 6  12 
 1 0 1  2 4  6 
  
1) Calculer les produits AB et BA
2) En déduire que la matrice A est inversible et déterminer son inverse A-1
  y  2z  43
3) Résoudre le système d'équations linéaires :  x  z  26
 3x  2y  7


EXERCICE 2

On considère la matrice carrée réelle d'ordre 3 :

3 2 2
 
A =  1 1 1  et note 𝐼3 la matrice carrée unité d'ordre 3.
3 3 4
 
113 96 112
2 2
1- a-Calculer 𝐴 et vérifier que : 𝐴 = ( 48 41 48 )
168 144 169
b- Montrer que : 𝐴3 − 8𝐴2 + 8𝐴 = 𝐼3
c- En déduire que la matrice A est inversible; donner l'expression de son inverse 𝐴−1 en
fonction de A et de𝐼3 puis écrire explicitement 𝐴−1
2- Résoudre par la méthode de la matrice inverse, le système 1 d'équations linéaires :

10
PIGIER CI ALGEBRE LINEAIRE

 3x  2y  2z  7
1: (x, y, z)  IR  x  y  z  3
3

3x  3y  4z 14


3- Résoudre par la méthode de la matrice inverse, le système d'équations linéaires :

 3 ln a  2 ln b  2 ln c  7
2 : (a, b, c)  IR3  ln a  ln b  ln c  3
3 ln a  3 ln b  4 ln c 14


EXERCICE 3

Résoudre par la méthode de la matrice inverse (si possible) chacun des systèmes d’équations
linéaires suivants :

 2x - y  3z  -1  12x  7y  6z  83

a- () : (x, y, z)  R ,  - 3x  y - z  5 .
3
b- () : (x, y, z)  R ,  8x
3
 4y  3z  24
 x  y  z  -1   2x  5y  13z  23
 

 6 x - 2y  5z  -22   8x  13y - 6z  -158

c- () : (x, y, z)  R , - 4x  3y 
3
2z  9 d- () : (x, y, z)  R ,  7x
3
 9y  5z  122
  3x  7y  8z  8  6x  3y  4z  26
 

EXERCICE 4

Résoudre par la méthode de pivot de Gauss, les systèmes suivants de l’exercice 4 précédent.

EXERCICE 5
I / On considère les matrices suivantes :

  3  4  2 1 1 0 1 0 0
     
A=  1 0 1  ; P = 1 0 1 ; D = 0  1 0
 6 6 5   0  1 2  0 0 2
     
1- Déterminer 𝑃−1 et vérifier que : 𝐴 = 𝑃𝐷𝑃−1

2- Déterminer par récurrence 𝐷𝑛 en fonction de n.

II/ On définit à présent trois suites réelles (Un), (Vn) et (Wn) par le système (S) suivant :

U n 1   3U n  4Vn  2Wn

(S)  Vn 1  U n  Wn , n  IN
 W  6 U  V  5W
 n 1 n n n

1- Ecrire le système (S) sous la forme matricielle

11
PIGIER CI ALGEBRE LINEAIRE

 U n 1   Un   U n 1   U0 
       
 Vn 1  = A  Vn  et montrer que :  Vn 1  = A  V0 
n+1

W  W  W  W 
 n1   n  n1   0

2- On admet que : 𝐴𝑛+1 = 𝑃𝐷𝑛+1 𝑃−1.Calculer 𝐴𝑛 en fonction de n

3- En supposant Uo, Vo, Wo donnés, déterminer le terme général de chacune de ces suites

12
PIGIER CI ALGEBRE LINEAIRE

CHAPITRE 3 : NOTION D’ESPACES VECTORIELS

I- GENERALITES
1) Définition d’espace vectoriel

(E, +,.) est un espace vectoriel sur IK (IR, C) lorsque les conditions suivantes sont vérifiées

a. (E, +) est un groupe abélien (ie l’addition est stable par associativité, commutative, admet un
élément neutre)
b. ∀ 𝛼 ∈ 𝐾, ∀𝑥 ∈ 𝐸, 𝜆𝑥 ∈ 𝐸
c. ∀𝑢, 𝑣 ∈ 𝐸, 𝛼, 𝛽 ∈ 𝐼𝐾, 𝛼. (𝑢 + 𝑣) = 𝛼. 𝑢 + 𝛼. 𝑣, (𝛼 + 𝛽). 𝑢 = 𝛼. 𝑢 + 𝛽. 𝑢, 1. 𝑢 = 𝑢

Exemples

 L’ensemble 𝐼𝑅 2 = {(𝑥, 𝑦)/ 𝑥 ∈ 𝐼𝑅, 𝑦 ∈ 𝐼𝑅} est un espace vectoriel pour les opérations suivantes:

Somme :(𝑥, 𝑦) + (𝑧, 𝑤) = (𝑥 + 𝑧, 𝑦 + 𝑤) et la multiplication :∝. (𝑥, 𝑦) = (∝. 𝑥, ∝. 𝑦)

 (𝐼𝑅 𝑛 , +,∗) est un espace vectoriel non nul

 (𝐼𝑅𝑛 [𝑋], +,∗) est un espace e vectoriel sur IR avec 𝐼𝑅𝑛 [𝑋] l’ensemble des polynômes de degrés ≤
𝑛
 ( 𝑀𝑛,𝑝 (𝐼𝑅), +,∗) est un espace vectoriel

2) Sous espace vectoriel

Application

𝐹 = {(𝑥, 𝑦, 𝑧) ∈ 𝐼𝑅 3 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑥 − 2𝑦 + 3𝑧 = 0}

Montrer que F est un sous-espace vectoriel de 𝐼𝑅 3

Résolution

 On a : (0,0,0) ∈ 𝐹 𝑑𝑜𝑛𝑐 𝐹 ≠ ∅ car 0-2*0+3*0=0

 Montrons que E est stable par la combinaison linéaire

Soient 𝑢 = (𝑥1 , 𝑦1 , 𝑧1 ) ∈ 𝐸 𝑒𝑡 𝑣 = (𝑥2 , 𝑦2 , 𝑧2 ) ∈ 𝐸

𝛼, 𝛽 ∈ 𝐼𝑅 𝛼𝑢 + 𝛽𝑣 = 𝛼(𝑥1 , 𝑦1 , 𝑧1 ) + 𝛽(𝑥2 , 𝑦2 , 𝑧2 ) = (𝛼𝑥1 + 𝛽𝑥2 ; 𝛼𝑦1 + 𝛽𝑦2 ; 𝛼𝑧1 + 𝛽𝑧2 ).

On a :

𝛼𝑥1 + 𝛽𝑥2 − 2(𝛼𝑥1 + 𝛽𝑥2 ) + 3( 𝛼𝑧1 + 𝛽𝑧2 ) = (𝛼𝑥1 − 2𝛼𝑦1 + 3𝛼𝑧1 ) + (𝛽𝑥2 − 2𝛽𝑦2 + 3𝛽𝑧2 ) = 0

On conclut de ses deux points que F est un sous-espace vectoriel de 𝐼𝑅 3

13
PIGIER CI ALGEBRE LINEAIRE

3) Combinaison linéaire : sous espace engendré

Définition

Soient 𝑈1 , 𝑈2 ,…, 𝑈𝑝 des éléments de l’espace vectoriel E et 𝛼1 , 𝛼2 , … ,𝛼𝑝 des éléments de K.

𝑝
Le vecteur ∑𝑖=1 𝛼𝑖 𝑈𝑖 est une combinaison linéaire des vecteurs 𝑈1 , 𝑈2 ,…, 𝑈𝑝 .

Application

Dans R3, on considère les vecteurs suivants:

u1 = (2, 1, 3) u2 = (3, 5, -2) u3 = (- 5, -13, 12) ;

v = (-6, -17, 17) w = (1, 1, 1) 0 = (0, 0, 0).

a. Le vecteur v est-il combinaison linéaire des vecteurs u1, u2, u3 ?

b. Cette combinaison linéaire est-elle unique ?

Résolution

a. Montrons qu’il existe 𝛼, 𝛽 , 𝛾 tels que 𝑉 = 𝛼𝑢1 + 𝛽𝑢2 + 𝛾𝑢2 avec (𝛼, 𝛽; 𝛾) ≠ (0,0,0) . On a

(−6; −17; 17) = 𝛼(2,1,3) + 𝛽(3,5, −2) + 𝛾(−5, −13,12)

2𝛼 + 3𝛽 − 5𝛾 = −6 𝛼 + 5𝛽 − 13𝛾 = −17 (𝐸1 )

⇔ {𝛼 + 5𝛽 − 13𝛾 = −17 ⇔ { 2𝛼 + 3𝛽 − 5𝛾 = −6 (𝐸2 )
3𝛼 − 2𝛽 + 12𝛾 = 17 3𝛼 − 2𝛽 + 12𝛾 = 17 (𝐸3 )

𝛼 + 5𝛽 − 13𝛾 = −17 (𝐸1 ) 𝛼 + 5𝛽 − 13𝛾 = −17 (𝐸1 ) 𝛼 = 3 − 2𝛾

⇔ { 7𝛽 − 21𝛾 = −28: 2(𝐸1 ) − (𝐸2 ) ⇔ { 𝛽 − 3𝛾 = −4 (𝐸2 ) ⇔ {𝛽 = −4 + 3𝛾
17𝛽 − 51𝛾 = −68: 3(𝐸1 ) − (𝐸3 ) 𝛽 − 3𝛾 = −4 (𝐸3 ) 𝛾 ∈ 𝐼𝑅

b. Cette combinaison n’est pas unique car il y a une infinité de solutions.

4) Famille libre, famille génératrice
 Si F est engendré par (𝑢1 , 𝑢2 , … . 𝑢𝑛 ) on note 𝐹 = 𝑉𝑒𝑐𝑡 < (𝑢1 , 𝑢2 , … . 𝑢𝑛 ) >
On dit que (𝑢1 , 𝑢2 , … . 𝑢𝑛 ) est génératrice de F. Ce qui veut dire que
∀𝑣 ∈ 𝐹, 𝑣 = ∑𝑛𝑖=1 𝛼𝑖 𝑢𝑖 avec 𝛼𝑖 ∈ 𝐼𝐾.
 Famille libre, famille liée

Application

((1,2), (1, −1)) est-elle une famille libre ? Est-elle génératrice de 𝐼𝑅 2?

Résolution

 Montrons qu’elle est une famille libre.

1ère méthode

Montrons que ∀𝛼, 𝛽 ∈ 𝐼𝑅 𝛼(1,2) + 𝛽(1, −1) = 0 ⇒ 𝛼 = 𝛽 = 0.

14
PIGIER CI ALGEBRE LINEAIRE

𝛼+𝛽 =0
𝛼(1,2) + 𝛽(1, −1) = 0 ⇔ { ⇒ 3𝛼 = 0 𝑒𝑡 𝛽 = 0
2𝛼 − 𝛽 = 0

Donc ((1,2), (1, −1)) est une famille libre

2ième méthode

Montrons que le déterminant de cette famille est différent de 0.

1 2
| | = −1 − 2 = 3 ≠ 0
1 −1

Donc : ((1,2), (1, −1)) est une famille libre

 Montrons que ((1,2), (1, −1)) est une famille génératrice de 𝐼𝑅 2

∀(𝑥, 𝑦) ∈ 𝐼𝑅 2 , 𝑎 𝑡 − 𝑜𝑛 𝛼, 𝛽 ∈ 𝐼𝑅 𝑡𝑒𝑙𝑠 𝑞𝑢𝑒 (𝑥, 𝑦) = 𝛼(1,2) + 𝛽(1, −1)?

𝑥+𝑦
𝑥 =𝛼+𝛽 𝛼= 3
On aura donc { ⇒ 𝑥 + 𝑦 = 3𝛼 𝑒𝑡 𝛽 = 𝑥 − 𝛼 ⇒ { 2𝑥+𝑦
𝑦 = 2𝛼 − 𝛽 𝛽=
3

Donc ∀(𝑥, 𝑦) ∈ 𝐼𝑅2 , on peut écrire (x, y) sous forme de combinaison linéaire de (1,2) 𝑒𝑡 (1, −1).

Alors ((1,2), (1, −1)) est une famille génératrice de 𝐼𝑅2 .

5) Dimension d’un espace vectoriel et d’un sous espace vectoriel.

(𝑒1 , 𝑒2 ) est la base canonique de 𝐼𝑅 2 avec 𝑒1 = (1,0); 𝑒2 = (0,1).

(𝑒1 , 𝑒2 , 𝑒3 ) est la base canonique de 𝐼𝑅 3 avec 𝑒1 = (1,0,0); 𝑒2 = (0,1,0) 𝑒𝑡 𝑒3 = (0,0,1) .

Toutes les bases d’un espace vectoriel ont le même nombre de vecteurs. Ce nombre s’appelle dimension
de E et est noté dim E.

Exemple

((1, −2), (2,3), (1,0)) n’est pas une base de 𝐼𝑅 2 car dim 𝐼𝑅 2 = 2

((1,2,1); (1,0, −1)) est libre mais composé de 2 vecteurs or dim 𝐼𝑅 3 = 3

((7,6,9); (1,4,6); (3,6,2)) est une base de 𝐼𝑅3. En effet cette famille est composée de 3 vecteurs dont la
dimension est celle de 𝐼𝑅 3. Il reste à montrer que cette famille est libre.

7 1 3
4 6 1 3 1 3
|6 4 6| = 7 | |− 6| | + 9| | = −196 + 96 − 54 ≠ 0
6 2 6 2 4 6
9 6 2

Donc : ((7,6,9); (1,4,6); (3,6,2)) est une base de 𝐼𝑅 3 .

15
PIGIER CI ALGEBRE LINEAIRE

II- MATRICE D’UN SYSTEME DE VECTEURS

1) Définition

La matrice de la famille (𝑢1 , 𝑢2 , 𝑢3 , … , 𝑢𝑝 ) dans la base 𝐵 = (𝑒1 , 𝑒2 , … 𝑒𝑛 ) est

𝑢1 𝑢2 … 𝑢𝑝

𝑒1 𝛼11 𝛼12 … 𝛼1𝑝

𝑒2 𝛼21 𝛼22 … 𝛼2𝑝
( ⋮ ⋮ ⋱ )
⋮ ⋮
𝑒𝑛 𝛼𝑛1 𝛼𝑛2 … 𝛼𝑛𝑝

2) Changement de base-Matrice de passage

On appelle matrice de la base 𝐵 = (𝑒1 , 𝑒2 , … 𝑒𝑛 ) à la base 𝐵′ = (𝑒′1 , 𝑒′2 , … 𝑒′𝑛 ) la matrice

𝑒′1 𝑒′2 … 𝑒′𝑝

𝑒1 𝛼11 𝛼12 … 𝛼1𝑝

𝑒2 𝛼21 𝛼22 … 𝛼2𝑝
𝑃𝐵𝐵′ = ( ⋮ ⋮ ⋱ )
⋮ ⋮
𝑒𝑛 𝛼𝑛1 𝛼𝑛2 … 𝛼𝑛𝑝

Exemple

Soit B la base canonique de 𝐼𝑅 2 et 𝐵′ = ((2,1); (−1,3)) .

2 −1
La matrice de passage de B à B’ est 𝑃𝐵𝐵′ = ( ).
1 3

Soit X un vecteur de coordonnées dans la base B et X’ les coordonnées du même vecteur dans la base B’.
On a 𝑋 = 𝑃𝐵𝐵′ 𝑋′

Exemple.

Soit B = (e1, e2, e3) la base canonique de R3 et Soit les vecteurs :

u = (1, 1, 1), v = (1, -1, 0), w = (-1, 1, -1).

1) Montrer que B' = (u, v, w) est une base de R3

2) Trouver les coordonnées de e1, e2, e3 dans la base B'

Résolution

1 1 −1
1 −1
1) 𝑃𝐵𝐵′ = (1 −1 1 ) det 𝐵 = | | = 2 ≠ 0 donc : B’ est une base de 𝐼𝑅 3
1 1
1 0 −1
1 0 0
2) Soit X les coordonnées de e1, e2, e3 dans B. on a 𝑋 = (0 1 0). Et X’ les coordonnées de
0 0 1
(e1, e2, e3) dans la base B’. On a 𝑋 = 𝑃𝑋 ′ 𝑑 ′ 𝑜ù 𝑋 ′ = 𝑃 −1 𝑋.

16
PIGIER CI ALGEBRE LINEAIRE

TRAVAUX DIRIGES

EXERCICE 0
Soit l’espace vectoriel réel R3 et les parties suivantes de R3

1) 𝑭 = {(𝑥 , 𝑦, 𝑧)/ 𝑥 − 2𝑦 + 3𝑧 = 0 }
2) 𝑭 = {(𝑎 , 𝑎 − 2𝑏 ,0) / 𝑎, 𝑏 ∈ ℝ }
3) 𝑭 = {(𝑎 ,0,1) / 𝑎 ∈ ℝ }

Montrer que F est un sous-espace vectoriel de R3

EXERCICE 1
Dans R3,
on considère les vecteurs :
u1 = (2, 1, 3) u2 = (3, 5, -2) u3 = (- 5, -13, 12) ;

v = (-6, -17, 17) w = (1, 1, 1) 0 = (0, 0, 0).

1) Le vecteur v est-il combinaison linéaire des vecteurs u1, u2, u3 ? cette combinaison linéaire
est-elle unique ?
2) Le vecteur w est-il combinaison linéaire des vecteurs u1, u2, u3 ?
3) Déterminer l'ensemble des triplets (x, y, z) de nombres réels tels que :
x.u1 + y.u2 + z.u3 = 0.

En déduire une expression de u3 en fonction de u1 et u2.

4) Soit U = (a, b, c) un vecteur quelconque de R3. Déterminer une condition nécessaire et

suffisante portant sur a, b, c pour que U soit combinaison linéaire de u1, u2, u3.

EXERCICE 2
Pour chacune des familles de vecteurs de R2 suivantes, dire si elle est libre, liée, génératrice, si
elle est une base de R2 :
((1, 2), (1, -1)) ; ((1, 4)) ;((0, 0)) ; ((1, -2), (2, 3), (1, 0)).

EXERCICE 3
Mêmes questions pour les familles de vecteurs de R3 :
1) ((1, 2, 1), (1, 0, -1)) ;
2) ((7, 6, 9), (1, 4, 6), (3, 6, 2)) ;
3) ((3, 6, 2), (6, 12, -4)) ;
4) ((2, 4, -6), (-3, -6, 9)) ;

EXERCICE 4

Soit B = (e1, e2, e3) la base canonique de R3 et Soit les vecteurs :

u = (1, 1, 1), v = (1, -1, 0), w = (-1, 1, -1).

1°) Montrer que B' = (u, v, w) est une base de R3

2°) Trouver les coordonnées de e1, e2, e3 dans la base B'.

17
PIGIER CI ALGEBRE LINEAIRE

EXERCICE 5
Déterminer une base et la dimension de chacun des sous-espaces vectoriels de R3 suivants :
F1 = {(x, y, z) ; 2x + y – z = 0}

F2 = {(x, y, z) ; 2x = 0 ; 3y – z = 0}

F3 = {(x, y, z) ; x – z = 0 ; 3y – z = 0}

F4 = {(x, y, z) ; -x –y + z = 0 ; 2x + y – 5z = 0}

F5 = {(x, y, z) ; 2x – 3z = 4y – 5x}

F6 = {(x, y, z) ; -x +2y = y +6z = 3z – 2x}.

EXERCICE 6
Résoudre le système linéaire :

1   ) x  y  z  0

 x  (1 -  )y -z 0
 x - y  (1 -  )z  0


On discutera suivant la valeur de  . On montrera qu'il existe deux valeurs de  pour lesquelles
l'ensemble des solutions est un sous-espace vectoriel non réduit au vecteur nul. On explicitera
une base de chacun de ces sous-espaces vectoriels.

18
PIGIER CI ALGEBRE LINEAIRE

CHAPITRE 4: APPPLICATIONS LINEAIRES

I. GENERALITES
1- Définition

Soit E et F deux espaces vectoriels réels

Soit f ∶ E ⟶ E une application

f est linéaire si ∀ 𝑢, 𝑣 ∈ E, ∀ 𝛼, 𝛽 ∈ IR, f(𝛼𝑢 + 𝑣𝛽) = 𝛼f(𝑢) + 𝛽f(𝑣)

2- Conséquences

Soit E et F deux espaces vectoriels réels

Soit f ∶ E ⟶ E une application

2- 1 f est linéaire ⇔ ∀ 𝑢, 𝑣 ∈ E, ∀ 𝛼 ∈ IR, f(𝑢 + 𝛽) = f(𝑢) + f(𝑣) 𝑒𝑡 f(𝛼𝑢) = 𝛼f(𝑢)

2-2 f est linéaire ⇒ f(0𝐸 ) = 0𝐹

3- Noyau et image d’une application linéaire

Soit E et F deux espaces vectoriels réels

3-1 Noyau

On appelle noyau de f noté Nf ou ker(f) le sous espace vectoriel de E défini par :

Ker(f) = Nf = {𝑢 ⃗ ) = ⃗0𝐹 }
⃗ ∈ E/f(u

3-2 Image

On appelle image de f noté Im(f)le sous espace vectoriel de F défini par :

Im(f) = {𝑓(𝑢⃗ ): 𝑢
⃗ ∈ 𝐸} = {v
⃗ ∈ F: ∃u ⃗ ) = ⃗⃗v}
⃗ ∈ E, f(u

4- Forme d’une application linéaire

Soit E et F deux espaces vectoriels réels de dimensions finies

Soit 𝔅E = (e1, e2, …, en) une base E de n vecteurs

Soit 𝔅F = (e1, e2, …, ep) une base F de p vecteurs

Soit f ∶ E ⟶ E une application

Prenons par exemple E = 𝐼𝑅 3 et F = 𝐼𝑅 2

𝔅E = (e1, e2, …, en) et 𝔅F = (i, j)

19
PIGIER CI ALGEBRE LINEAIRE

3 2
f ∶E=𝐼𝑅 ⟶F=𝐼𝑅
(𝑥,𝑦,𝑧)⟼(𝑥−2𝑦+𝑧;2𝑥−𝑧)

4-1 Expression analytique

𝑥 ′ = 𝑥 − 2𝑦 + 𝑧
⃗ = (𝑥, 𝑦, 𝑧) ∈ 𝐼𝑅 3 ; 𝑓(𝑢
Soit 𝑢 ⃗ ) = (𝑥 ′ , 𝑦 ′ ) ∈ 𝐼𝑅 2 , on a : {
𝑦 ′ = 2𝑥 − 𝑧

4-2 Matrice de f

Elle est obtenue à partir des images des vecteurs de la base de E (𝔅E )

𝑒1 = (1,0,0) ⇒ f(𝑒⃗⃗⃗1 ) = f(1,0,0) = (1,2)

⃗⃗⃗

𝑒2 = (0,1,0) ⇒ f(𝑒⃗⃗⃗2 ) = f(0,1,0) = (−2,0)

⃗⃗⃗

𝑒3 = (0,0,1) ⇒ f(𝑒⃗⃗⃗3 ) = f(0,0,1) = (1, −1)

⃗⃗⃗

a- Soit M la matrice de f relativement aux bases 𝔅E et 𝔅F

1 −2 1
M=( )
2 0 −1

b- Prendre la matrice à partir de l’expression analytique

𝑥′ 𝑦′ 𝑧′
1 −2 1
M=( )
2 0 −1

1 −2 1
c- Expression analytique à partir de la matrice de f : M = ( )
2 0 −1
x x
𝑥′ 𝑥′ 1 −2 1
⃗ = (𝑥, 𝑦, 𝑧) et f(u) = (x’,y’). Alors ( ) = M (y) Soit ( ) = (
Soit 𝑢 ) (y)
𝑦 𝑦 2 0 −1 z
z
4-3 Application linéaire définie à partir des images des vecteurs de la base

𝑒1 = (1,0,0) ⇒ f(𝑒⃗⃗⃗1 ) = f(1,0,0) = (1,2) ⇒ f(𝑒⃗⃗⃗1 ) = 𝑖 + ⃗⃗⃗

⃗⃗⃗ 2𝑗

𝑒2 = (0,1,0) ⇒ f(𝑒⃗⃗⃗2 ) = f(0,1,0) = (−2,0) ⇒ f(𝑒⃗⃗⃗2 ) = ⃗⃗⃗

⃗⃗⃗ 2𝑖

𝑒3 = (0,0,1) ⇒ f(𝑒⃗⃗⃗3 ) = f(0,0,1) = (1, −1) ⇒ f(𝑒⃗⃗⃗3 ) = 𝑖 − 𝑗

⃗⃗⃗

⃗⃗⃗
f(𝑒⃗⃗⃗1 ) = 𝑖 + 2𝑗
f est définie par : { f(𝑒⃗⃗⃗2 ) = ⃗⃗⃗
2𝑖
f(𝑒⃗⃗⃗3 ) = 𝑖 − 𝑗

En effet, on a :

⃗ ∈ 𝐼𝑅 3 , 𝑢
∀𝑢 ⃗ ) = 𝑓(𝑥𝑒⃗⃗⃗1 + 𝑦𝑒⃗⃗⃗2 + 𝑧𝑒⃗⃗⃗⃗3 ) = 𝑥𝑓(𝑒⃗⃗⃗1 ) + 𝑦𝑓(𝑒⃗⃗⃗2 ) + 𝑧𝑓(𝑒⃗⃗⃗3 )
⃗ = 𝑥𝑒⃗⃗⃗1 + 𝑦𝑒⃗⃗⃗2 + 𝑧𝑒⃗⃗⃗⃗3 ⇒ 𝑓(𝑢

f est définie si on connaît les images des vecteurs de la base de E.

20
PIGIER CI ALGEBRE LINEAIRE

Matrice à partir de la donnée des images des vecteurs de la base de E

1 −2 1
M=( )
2 0 −1
5- Composée de deux applications linéaires
Propriété :
Soient E, F et G trois espaces vectoriels réels. Soient 𝑢 ∶ E ⟶ F et 𝑣 ∶ F ⟶ G des
applications linéaires .Alors :
 L’application composée 𝑣 𝑜 𝑢 est une application linéaire de E dans G
 La matrice de l’application composée 𝑣 𝑜 𝑢 est : 𝑀(𝑣 𝑜 𝑢) = 𝑀(𝑣 ) × 𝑀( 𝑢)

II - ENDOMORPHISME

1- Définition
Soit E un espace vectoriel réel.
On appelle endomorphisme de E toute application linéaire de E dans E
2- Conséquences :

Soit f ∶ E ⟶ E un endomorphisme

2-1 ∀ 𝑢
⃗ ∈ 𝐸, 𝑓(𝑢 ⃗)∈𝐸
2-2 𝑓(0⃗ 𝐸 ) = ⃗0𝐸

3- Noyau et image d’un endomorphisme

Soit f ∶ E ⟶ E un endomorphisme
3-1 Noyau

Ker(f) = Nf = {𝑢 ⃗ ) = ⃗0𝐹 }
⃗ ∈ E/f(u

Nf est un sous espace vectoriel de E

EXEMPLE : Détermination du noyau d’un endomorphisme

⃗
𝑓 ( 𝑖) = 𝑗 + 𝑘
⃗ )et tel que : { 𝑓(𝑗) = 𝑖 + 𝑘
Soit f un endomorphisme sur E muni de la base (𝑖, 𝑗, 𝑘 ⃗
⃗)=𝑖−𝑗
𝑓(𝑘
Travail à faire : Déterminer le noyau de f
0 1 1
⃗ ) est : M = (1 0 −1)
La matrice de f relativement à la base (𝑖, 𝑗, 𝑘
1 1 0
Ker(f) = Nf = {𝑢 ⃗ ∈ E/f(u ⃗
⃗ ) = 0𝐸 }
x 0
𝑢
⃗ = (x, y, z) ⇒ f(𝑢 ⃗
⃗ ) = 0𝐸 ⇒ M (y) = (0)
z 0
0 1 1 x 0 𝑦 + 𝑧 = 0 𝑥=𝑧
(1 0 −1) (y) = (0) ⇔ { 𝑥 − 𝑧 = 0 , on obtient la solution : {𝑦 = −𝑧
1 1 0 z 0 𝑥+𝑦 =0

21
PIGIER CI ALGEBRE LINEAIRE

Nf = {(z, −z, z)/z ∈ IR}={z(1, −1,1)/z ∈ IR}

⃗ 0 = (1, −1,1) ≠ ⃗0 , {𝑢
𝑢 ⃗ 0 } est une base de Nf et dim Nf =1

3-2 Image de f

Im(f) = {𝑓(𝑢
⃗ )/𝑢
⃗ ∈ 𝐸}

𝑢 ⃗ ⇒ 𝑓(𝑢
⃗ = 𝑥𝑖 + 𝑦𝑗 + 𝑧𝑘 ⃗)
⃗ ) = 𝑥𝑓(𝑖) + 𝑦𝑓(𝑗) + 𝑧𝑓(𝑘

⃗)
⃗ ) est une combinaison linéaire de 𝑓(𝑖), 𝑓(𝑗) et 𝑓(𝑘
⇒ 𝑓(𝑢

⃗ )} est génératrice de Im(f)

⇒ La partie {𝑓(𝑖), 𝑓(𝑗), 𝑓(𝑘

⃗ )} est-elle libre ?
Question : {𝑓(𝑖), 𝑓(𝑗), 𝑓(𝑘

⃗ )}
Pour le savoir, on calcule le déterminant {𝑓(𝑖), 𝑓(𝑗), 𝑓(𝑘

0 1 1
𝑑𝑒𝑡{𝑓(𝑖), 𝑓(𝑗), 𝑓(𝑘⃗ )} = |1 ⃗ )} n’est pas libre, la
0 −1| = 0 ⇒ La partie {𝑓(𝑖), 𝑓(𝑗), 𝑓(𝑘
1 1 0
partie est donc liée.

On essaie alors de voir si 2 des trois vecteurs peuvent être libre et former une base.

⃗ ) = (1, −1,0)
𝑓(𝑖) = (0,1,1) , 𝑓(𝑗) = (1,0,1) , 𝑓(𝑘
0 1 1
On essaie {𝑓(𝑖), 𝑓(𝑗)} ; on constate que : 1 ≠ 0 ≠ 1

C’est-à-dire que : {𝑓(𝑖), 𝑓(𝑗)} est une partie libre : 𝑓(𝑖) et 𝑓(𝑗) forment une base de
Im(f).

Im(f) = {𝛼(0,1 , 1) + 𝛽(1,0,1)/𝛼, 𝛽 ∈ 𝐼𝑅}

0 1
on note: 𝐼𝑚(𝑓) = 𝑣𝑒𝑐𝑡 < (1) , (0) >,dim(f)=2
1 1
Remarque : dimN(f)+dimIm(f)=1+2=3=dimE

3-3 Théorème

Soit f un endomorphisme de E de dimension finie.

Soit Nf noyau de f
Soit Im(f)) image de f
dimE = dimNf + dimIm(f)

22
PIGIER CI ALGEBRE LINEAIRE

3-4 Définition
On appelle rang d’un endomorphisme, la dimension de son image.
Si f est un endomorphisme de E, on note rang de f, noté : rg(f) et rg(f)=dim𝐼𝑚(𝑓).

4- AUTOMORPHISME
4-1 Définition
Soit f ∶ E ⟶ E un endomorphisme
f est un automorphisme de E si f est bijective

4-2 Propriété 1
Soit f un endomorphisme de E muni de la base.
Soit Mf la matrice de f relativement à la base
f est un automorphisme de E 𝑑𝑒𝑡Mf ≠ 0

4-3 Propriété 2
Soit E un espace vectoriel de dimension.
Soit f ∶ E ⟶ E un automorphisme
 Nf = ⃗0𝐸
 Im(f) = f(E) = E

4-4 Réciproques d’un automorphisme

Soit f un automorphisme de E de dimension finie muni de la base 𝔅.

Soit Mf la matrice de f relativement à la base 𝔅
L’application réciproque 𝑓 −1 de f est un automorphisme de E de matrice 𝑀𝑓−1 = 𝑀𝑓−1
relativement à la base.

5- CHANGEMENT DE BASE
Soit f un endomorphisme de E de dimension finie.
Soit deux bases de E
Soit Mf la matrice de f relativement à la base 𝔅.
Soit M′f la matrice de f relativement à la base 𝔅’
On a : M′f = P −1 Mf P
Où 𝑃 est la matrice de passage de 𝔅 à 𝔅’ (𝑃 est une matrice inversible) et 𝑃 −1 est la
matrice de passage de 𝔅’ à 𝔅

23
PIGIER CI ALGEBRE LINEAIRE

Exemple :
⃗ ) , 𝔅’ = (𝑒1 , 𝑒2 , 𝑒3 ) où⃗⃗𝑒1 = 𝑖 + 2𝑗 − 𝑘
𝔅 = (𝑖, 𝑗, 𝑘 ⃗ , 𝑒2 = 𝑗 + 2𝑘
⃗ 𝑒𝑡 𝑒3 = 𝑖 − 𝑗 + 𝑘
⃗
Déterminer la matrice de passage de 𝔅 à 𝔅’

1 0 1
𝑃=( 2 1 −1)
−1 2 1

⃗⃗𝑒1 𝑒2 𝑒3

24
PIGIER CI ALGEBRE LINEAIRE

TRAVAUX DIRIGES

EXERCICE 1

Soit f l'endomorphisme de R3 défini par : f( (x, y, z) ) = (z + y – x, x + z – y, x + y – z)

1°) Ecrire la matrice A de f dans la base canonique B de R3.

2°) Déterminer la matrice de fof par les deux méthodes suivantes :

a) en calculant les images par fof des vecteurs de la base canonique ;

b) en calculant le produit AxA.

3°) En déduire fof(x, y, z) pour tout (x, y, z) dans R3.

EXERCICE2

Soit f l'endomorphisme de R3 dont la matrice dans la base canonique (e1, e2, e3) de R3 est :

 2  2  2
 
A   1 3 1  .
 1 1 1 
 

1°) Déterminer une base et la dimension de Ker(f) et de Im(f).

2°) On pose : v1 = e1 – e2 , v2 = e1 + e3 , v3 = e2 – e3 .

a. Montrer que (v1, v2, v3) est une base de R3.

b. Déterminer la matrice de f dans cette nouvelle base.

EXERCICE3

Soit l'endomorphisme de R3 dont la matrice dans la base canonique est :

1 1 1
 
M = 1 3 5
5 3 1
 

Déterminer une base et la dimension de Ker(f) et de Im(f).

EXERCICE 4

1 0 1
 
Soit f l'endomorphisme de R3 dont la matrice dans la base canonique est :M =  1 1 0 
0 1 1
 

25
PIGIER CI ALGEBRE LINEAIRE

1) Déterminer Ker(f). En déduire que f est un automorphisme de R3.

2) Déterminer Im(f). Trouver la matrice de f -1 dans la base canonique de R3.

EXERCICE 5

Dans l'espace vectoriel R3 muni de sa base canonique B = (e1, e2, e3), on considère les trois
vecteurs :

f1 = (1, 1, 1), f2 = (1, 1, -1), f3 = (1, -1, 1).

1°) Montrer que C = (f1, f2, f3) est une base de R3.

2°) On considère u l'endomorphisme de R3 défini par les relations :

u(e1) = f1 u(e2) = f2 u(e3) = f3.

a) Expliciter la matrice M de u dans la base canonique B.

b) Montrer que u est bijective.

3°) Déterminer la matrice de u2 = uou dans la base B. Montrer que cette matrice est
combinaison linéaire de M et I. En déduire une relation entre u, u 2 et id. Déterminer la
matrice de u 1, bijection réciproque de u.

EXERCICE 6

On considère l'espace vectoriel R3 muni de sa base canonique B = (e1, e2, e3).

Soit C = (u1, u2, u3), avec : u1 = (1, -2, 2) u2 = (0, 3, -2) u3 = (0, 4, -3) .

1°) Montrer que C est une base de R3.

2°) Soit f l'endomorphisme de R3 défini par :

f(e1 ) = u1 f(e2 ) = u2 f(e3 ) = u3 .

Expliciter la matrice A de f dans la bas canonique B. Montrer que f est bijective.

3°) Déterminer la matrice de f 2 dans la base B. En déduire la matrice A 1.

4°) Résoudre le système linéaire :

x  .x

- 2x  3y  4z   y
2x - 2y - 3z   z


On discutera suivant la valeur de  . On montrera qu'il existe deux valeurs de  pour

lesquelles l'ensemble de solutions est un sous-espace vectoriel non réduit au vecteur nul.
On explicitera une base de chacun de ces sous-espaces vectoriels.

26
PIGIER CI ALGEBRE LINEAIRE

5°) Soit D = (v1, v2, v3), avec :

v1 = (0, 1, -1) ; v2 = (1, -1, 1) ; v3 = (1, 1, 0) .

a. Montrer que D est une base de R3.

b. Déterminer la matrice de f dans la base D.

EXERCICE 7
  
B = { e1 , e2 , e3 } est une base de R3.
Soit un endomorphisme f  L( R3) défini par :
   
f (e1 )  3e1  e2  e3
   
f (e2 )  e1  e2  e3
   
f (e3 )  e1  e2  e3
Quelle est la matrice de f dans la base B ? Montrer que f est bijective et déterminer la matrice de
f–1 dans la base B.

EXERCICE 8

Soit f l’endomorphisme de R3 défini par f( i ) = (–1, 1, 1),

f( j ) = (1, –1, 1)

f( k ) = (1, 1, –1)
  
où { i , j , k } est la base canonique de R3, notée B.

 x  x 
     
1) Pour u  R3, de coordonnées  y  dans B, déterminer les coordonnées  y   de f( u )
z  z
   
dans B.
   
2) Pour u  R3, étudier l’existence de v  R3 tel que f( v ) = u .
3) En déduire que f est bijective ; préciser f –1 et vérifier que f –1 est un endomorphisme de
R3.

EXERCICE 9

On considère les suites (un) et (vn) définies par leurs premiers termes u0, v0 et par les relations de
récurrence : (n  N)

u n 1  6u n  v n

v n 1  u n  4v n

1°) Montrer qu'il existe une matrice A telle que pour tout n dans N :

 u n 1  u 
   A. n  .
 v n 1   vn 

27
PIGIER CI ALGEBRE LINEAIRE

2°) En déduire que, pour tout n dans N :

un  u 
   A n . 0  .
 vn   v0 

3°) Calculer An en écrivant A = 5I + J, où J est une matrice à déterminer, puis en

calculant J2.

4°) Pour tout n dans N, exprimer un et vn en fonction de n, u0, v0.

E X E R C I C E 10

Soit φ l’endomorphisme de IR3 défini par :

φ: IR3  IR3

(x ;y ;z) I (-3x+4y-2z ; x+z ; 6x-6y+5z)

Soit B = (e1 ;e2 ;e3) la base canonique de IR3 : e1 =(1,0,0) ; e2 =(0,1,0) ; e3 = (0,0,1)

PARTIE A
1) Déterminer φ(e1), φ(e2), φ(e3) en fonction de e1;e2et de e3

En déduire la matrice A de φ dans la base B

2) Déterminer les valeurs propres et les vecteurs propres de φ.

3) On pose u=(1,1,0) ; v=(1,0, -1) ; w=(0,1,2)

a- Montrer que (u, v, w) forme une base de IR3

b- Déterminer : φ (u) ; φ (v) ; φ (w) en fonction de u, v et w
c- En déduire la matrice D de φ dans base (u, v, w).
4) Soit P la matrice de passage de la base B à la base (u, v, w)
a- Déterminer P-1 et vérifier que A=PDP-1
b- Déterminer par récurrence Dn en fonction de n.

PARTIE B
On définit à présent trois suites réelles (Un), (Vn) et (Wn) par le système (S) suivant :

Un1   3Un  4Vn  2Wn


(S)  Vn1  Un  Wn , n  IN
W
 n1  6Un  Vn  5Wn

1) Ecrire le système (S) sous la forme matricielle

 U n 1   Un   U n 1   U0 
       
 Vn 1  = A  Vn  et montrer que  Vn 1  = A  V0 
n+1

W  W  W  W 
 n1   n  n1   0

2) On admet que :𝐴𝑛+1 = 𝑃𝐷 𝑛+1 𝑃−1, Calculer 𝐴n+1 en fonction de n

28
PIGIER CI ALGEBRE LINEAIRE

3) En supposant Uo, Vo, Wo donnés, déterminer le terme général de chacune de ces suites

E X E R C I C E 11

3 −2 0 4 −2 0 −3 4 −2
A = (−2 2 −2) B = (0 1 0 ) C=( 1 0 1)
0 −2 1 5 1 −1 6 1 5

Pour chacune des matrices ci-dessus déterminer :

1) Le polynôme caractéristique
2) Le spectre de la matrice
3) Les vecteurs propres associés aux valeurs propres
4) La matrice est-elle diagonalisable ?
a) Si oui, déterminer la matrice diagonale semblable notée D
b) Déterminer la matrice de passage de la base canonique à la base des vecteurs
propres noté P.
5) Vérifier que : 𝐴 = 𝑃𝐷𝑃−1
6) Exprimer 𝐴𝑛 en fonction de n.

29
PIGIER CI ALGEBRE LINEAIRE

CHAPITRE 5 : REDUCTION DES MATRICES

I. Généralités
1. Définition
Soit A et B, deux matrices carrées d’ordre n.
A est semblable à B s’il existe une matrice carrée P d’ordre n inversible
telle que A=P-1BP.
2. Conséquences
Soit A une matrice carrée d’ordre n.
2.1. A est diagonalisable si A est semblable à une matrice diagonale
(i.e il existe une matrice diagonale D et une matrice carrée inversible P telle
que D = P-1AP.)
2.2. A est trigonalisable si A est semblable à une matrice triangulaire
(i.e il existe une matrice triangulaire T et une matrice carrée inversible P telle
que
T = P-1AP)
3. Polynôme caractéristique
Soit A une matrice carrée d’ordre n.
3.1. Définition
On appelle polynôme caractéristique de A, la fonction polynôme en 𝜆 ∈ ℝ
notée P(𝜆) définie par P(𝜆) = det( A- 𝜆I).
3.2. Théorème 1
Le polynôme caractéristique de la matrice carrée A a au plus n racines (zéros).
3.3. Théorème 2
Soit 𝜆𝑖 une racine (zéro) du polynôme caractéristique P(𝜆) de A.
𝜆𝑖 est une racine (zéro) de multiplicité d’ordre 𝛼𝑖 (𝛼𝑖 ∈ ℕ∗ ) ⇔ P(𝜆) est
divisible par (𝜆 − 𝜆𝑖 )𝛼𝑖 .
3.4. Propriété
det (A) = P(0).
4. Puissance d’une matrice diagonale
𝑎11 0 … 0
0 𝑎22 … 0
Soit une matrice diagonale D = ( ) et p un entier naturel
⋮ ⋮ ⋮ ⋮
0 0 … 𝑎𝑛𝑛
non nul.
(𝑎11 )𝑝 0 … 0
𝑝
0 (𝑎22 ) … 0
On a 𝐷𝑝 = ( )
⋮ ⋮ ⋮ ⋮
0 0 … (𝑎𝑛𝑛 )𝑝

30
PIGIER CI ALGEBRE LINEAIRE

5. Puissance d’une matrice triangulaire

II. Diagonalisation
1. Définition
Soit A une matrice carrée d’ordre n. Soit 𝜆 (𝜆 ∈ ℝ) .
𝜆 est une valeur propre de A s’il existe un vecteur X (matrice d’ordre (n, 1)) si
AX = 𝜆X.
Remarque : Le vecteur X est appelé vecteur propre associé à la valeur
propre 𝜆.
2. Spectre d’une matrice
L’ensemble des valeurs propres de la matrice A est appelé spectre de A noté
Sp(A).
3. Sous-espace propre
Soit une valeur propre 𝜆 de A.
L’ensemble des vecteurs propres associés à 𝜆 noté 𝐸𝜆 est un sous-espace
vectoriel de ℝ𝑛 appelé sous-espace propre associé à.
Remarque : 𝐸𝜆 = {𝑣𝑒𝑐𝑡𝑒𝑢𝑟𝑋 / (𝐴 − 𝜆𝐼). 𝑋 = 0}.
4. Théorème 1
Soit A une matrice carrée d’ordre n. Soit 𝜆 (𝜆 ∈ ℝ)
𝜆 est une valeur propre de A ⇔ 𝜆 est une racine (zéro) de P (𝜆) = 0.
(i.e det (A- 𝜆I) = 0)).
5. Théorème 2
Soit A une matrice carrée d’ordre n.
Si le polynôme caractéristique P (𝜆) de A admet n racines distinctes alors A
est diagonalisable.
Remarque :
Toute matrice symétrique réelle est diagonalisable.
6. Théorème 3
Soit A une matrice carrée d’ordre n. Soit 𝜆1 , 𝜆2 , ⋯ , 𝜆𝑘 les valeurs propres
de A avec 𝑘 < 𝑛 de multiplicité d’ordres respectifs 𝛼1 , 𝛼2 , ⋯ , 𝛼𝑘 .
Si chaque sous-espace propre 𝐸𝜆𝑖 associé à la valeur propre 𝜆𝑖 est de
dimension 𝛼𝑖 alors A est une matrice diagonalisable.
7. Matrice diagonale semblable à une matrice.
7.1. Théorème 1
Si A est une matrice diagonalisable de valeurs propres 𝜆1 , 𝜆2 , ⋯ , 𝜆𝑛 alors
𝜆1 0 … 0
0 𝜆2 … 0
la matrice diagonale semblable D est donnée par D = ( )
⋮ ⋮ ⋮ ⋮
0 0 … 𝜆𝑛
7.2. Théorème 2
Si A est une matrice diagonalisable de valeurs propres 𝜆1 , 𝜆2 , ⋯ , 𝜆𝑘 (𝑘 <
𝑛) alors la matrice diagonale semblable D est telle que les valeurs propres
sont répétées sur la diagonale autant de fois que leur ordre de multiplicité.

31
PIGIER CI ALGEBRE LINEAIRE

8. Matrice de passage
8.1. Théorème 1
Soit A une matrice diagonalisable de valeurs propres 𝜆1 , 𝜆2 , ⋯ , 𝜆𝑛 .
Soit le vecteur 𝑋𝑖 ∈ 𝐸𝜆𝑖 ( 𝑖 ∈ {1 , 2 , ⋯ , 𝑛}) alors la matrice P définie par
P = ( 𝑋1 𝑋2 𝑋3 ⋯ 𝑋𝑛 ) est appelée matrice de passage telle que A= PDP-1
où D est la matrice diagonale semblable à A.
8.2. Théorème 2
Soit A une matrice diagonalisable de valeurs propres 𝜆1 , 𝜆2 , ⋯ , 𝜆𝑘 ( k < n )
de multiplicité d’ordres respectifs 𝛼1 , 𝛼2 , ⋯ , 𝛼𝑘 .
𝛼
Si 𝐸𝜆𝑖 = 𝑉𝑒𝑐𝑡(𝑋𝑖1 , 𝑋𝑖2 , ⋯ , 𝑋𝑖 𝑖 ) alors la matrice P définie par
𝛼 𝛼
P = (𝑋11 𝑋12 ⋯ 𝑋1 1 ⋯ 𝑋𝑘1 𝑋𝑘2 ⋯ 𝑋𝑘 𝑘 ) est la matrice de passage telle que A=
PDP-1 où D est la matrice diagonale semblable à A.
III. Trigonalisation
Par des activités de recherche
IV. Applications
1. Puissance d’une matrice diagonalisable.
1.1. Théorème
Soit une matrice A diagonalisable de matrice diagonale semblable D et de matrice
de passage P.
On a 𝐴𝑛 = 𝑃 𝐷𝑛 𝑃−1
1.2. Problème au système de suites récurrentes
𝑢𝑛+1 = 𝑢𝑛 + 3𝑣𝑛 − 3𝑤𝑛
Activité : Soit le système { 𝑤𝑛+1 = 2𝑢𝑛 + 𝑤𝑛 avec 𝑢0 = 𝑣0 = 𝑤0 = 1.
𝑤𝑛+1 = −𝑢𝑛 − 𝑣𝑛 + 3𝑤𝑛
𝑢𝑛
 Réécrire le système pour obtenir 𝑋𝑛+1 = 𝐴𝑋𝑛 où 𝑋𝑛 = ( 𝑣𝑛 ) et A une
𝑤𝑛
matrice carrée d’ordre 3.
 Diagonaliser A et en déduire 𝐴𝑛 (∀ 𝑛 ≥ 1)
 Exprimer 𝑢𝑛 , 𝑣𝑛 , 𝑤𝑛 en fonction de 𝑛.
2. Problème aux systèmes différentiels linéaires
2.1. Rappels : Résolution d’équations différentielles du 1er ordre à coefficients
constants
2.2. Activités : Résoudre les systèmes différentiels suivants
𝑥′ = 𝑥 𝑥 ′ = 3𝑥 − 3𝑦 − 2𝑧
′
{ 𝑦 = 𝑥 − 2𝑧 {𝑦 ′ = 𝑥 + 𝑦 + 2𝑧 + 2𝑒 −2𝑡
′
𝑧 = −𝑥 + 𝑦 − 3𝑧 𝑧 ′ = 𝑥 + 3𝑦

32
PIGIER CI ALGEBRE LINEAIRE

Exemple résolu :

𝑥′ = 𝑥
La matrice déduite du système (1) { 𝑦 ′ = 𝑥 − 2𝑧 n’est pas diagonalisée
′
𝑧 = −𝑥 + 𝑦 − 3𝑧
′
𝑥 = 4𝑥 − 2𝑦 𝑥′ 4 −2 0 𝑥
Considérons le système (𝑆) { ′
𝑦 =𝑦 ↔ (𝑦′) = (0 1 0 ) (𝑦 )
′
𝑧 = 5𝑥 + 𝑦 + 𝑧 𝑧′ 5 1 −1 𝑧
Résolution
𝑥 𝑥′ 4 −2 0
′
Posons : 𝑋 = (𝑦) , 𝑋 = (𝑦 ′ ) , 𝐴 = (0 1 0 ) on a alors : 𝑋 ′ = 𝐴𝑋
𝑧 𝑧′ 5 1 −1
Si A est diagonalisable alors il existe une matrice P inversible et une matrice D diagonale telles
que 𝐴 = 𝑃𝐷𝑃−1 .
Ainsi (S) : 𝑋 ′ = 𝑃𝐷𝑃−1 𝑋. Posons encore 𝑌 = 𝑃−1 𝑋. Ce qui implique que :

(S) : 𝑃−1 𝑋 ′ = 𝐷𝑃−1 𝑋 ↔ 𝑌 ′ = 𝐷𝑌

Diagonalisons A

𝑃𝐴 (𝑋) = −(𝑋 − 4)(𝑋 + 1)(𝑋 − 1)

𝐸4 = 𝑣𝑒𝑐𝑡 < (1; 0; 0) >; 𝐸−1 = 𝑉𝑒𝑐𝑡 < (0; 0; 1) > 𝑒𝑡 𝐸1 = 𝑣𝑒𝑐𝑡 < (2, 3, 13) >

1 0 2 4 0 0
𝑃 = (0 0 3 ) 𝑒𝑡 𝐷 = (0 −1 0)
1 1 13 0 0 1
𝑑𝑦1 𝑑𝑦1
= 4𝑑𝑡
𝑑𝑡 4 0 0 𝑦1 𝑦1 𝑦1 = 𝜆1 𝑒 4𝑡
𝑑𝑦2 𝑑𝑦2
𝑌 ′ = 𝐷𝑌 ⇔ 𝑑𝑡
= (0 −1 0) (𝑦2 ) 𝑦2
= −𝑑𝑡 ⇒ {𝑦2 = 𝜆2 𝑒 −𝑡
𝑑𝑦3 0 0 1 𝑦3 𝑑𝑦3 𝑦2 = 𝜆3 𝑒 𝑡
{ 𝑦 = 𝑑𝑡
( 𝑑𝑡 ) 3

1 0 2 𝜆1 𝑒 4𝑡 𝑥 = 𝜆1 𝑒 4𝑡 + 2𝜆3 𝑒 𝑡
Or 𝑋 = 𝑃𝑌 ⇒ 𝑋 = (1 0 3 ) (𝜆2 𝑒 −𝑡 ) d’où: { 𝑦 = 𝜆1 𝑒 4𝑡 + 3𝜆3 𝑒 𝑡
1 1 13 𝜆3 𝑒 𝑡 𝑧 = 𝜆1 𝑒 4𝑡 + 𝜆2 𝑒 −𝑡 + 13𝜆3 𝑒 𝑡

33
PIGIER CI ALGEBRE LINEAIRE

EXERCICE 1

E = IR3 est rapporté à sa base canonique (e1,e2,e3) et f l’endomorphisme de E de matrice M dans

cette base est :

1 −1 2
𝑀 = (−2 0 −1)
−2 −2 1
1. Déterminer 𝑃𝑀 son polynôme caractéristique.
2. Calculer ses valeurs propres.
3. Donner une base des sous-espaces propres
4. f est-elle diagonalisable ? justifier votre réponse.
5. Donner éventuellement l’expression diagonalisée.
6. Vérifier en utilisant les matrices de changement de base.

EXERCICE 2

3 1
On considère la matrice 𝐴 = ( )
1 3

1. Calculer le déterminant de A. la matrice A est-elle inversible ?

2. Calculer les valeurs propres de A. Indiquer pourquoi la matrice a est-elle diagonalisable ?
déterminer la matrice de passage P telle que : 𝐷 = 𝑃 −1 𝐴𝑃 , où 𝐷 est la matrice diagonale.
1
3. On pose 𝐵 = 𝐴. Déduire des résultats précédents la matrice 𝐵 𝑛 pour tout n entier
4
naturel.

4. Application :
3 1
𝑈𝑛 = 4 𝑈𝑛−1 + 4 𝑉𝑛−1
a) Calculer les suites réelles (𝑈𝑛 )𝑛≥0 et (𝑉𝑛 )𝑛≥0 définies par : { 1 3
𝑉𝑛 = 4 𝑈𝑛−1 + 4 𝑉𝑛−1
avec 𝑈0 = 2 et 𝑉0 = 1
b) Ces suites admettent-elles des limites quand 𝑛 → +∞ ?

EXERCICE 3

𝑥 ′ = 2𝑥 − 2𝑦 + 𝑧
On se propose de résoudre le système d’équations différentielles suivant : (S) { 𝑦 ′ = 𝑥 + 5𝑦 − 𝑧
𝑧 ′ = 2𝑥 + 4𝑦 + 𝑧

𝑥 𝑥′
1. On pose 𝑋 = (𝑦) et 𝑋′ = (𝑦′). Donner l’écriture matricielle associée au système (S)
𝑧 𝑧′
sous la forme : 𝑋 ′ = 𝐴𝑋
2. Déterminer les valeurs propres et vecteurs propres associés à la matrice A.
3. Déterminer la matrice diagonale D semblable à la matrice A
4. Déterminer l’expression de la solution générale du système (S).

34