Math´ematiques
Alg` ebre Lin´ eaire
INSA - 1` ere ann´ ee
Sandrine Scott
Sommaire Concepts Notions
Exemples Exercices Documents suivantI
1 Remerciements
Je tiens `a remercier ici les coll`egues qui m’ont aid´ee dans l’´elaboration de ce cours, en particulier, Fran¸coise Bernis, Raymonde Cassinet, Jean-Louis Dunau et Luc M´eallar`es.
Sommaire Jpr´ec´edent
2 Introduction
Ce cours a ´et´e ´elabor´e pour des ´el`eves de formation continue, il est donc moins th´eorique et moins approfondi qu’un cours classique de 1`ere ann´ee. Il constitue cependant une bonne base de travail pour des ´el`eves de 1`ere ann´ee (ou de 2`eme ann´ee entrant `a l’insa sans avoir fait d’alg`ebre lin´eaire auparavant) pour les aider `a comprendre certaines d´efinitions et certains r´esultats. Il ne se substitue en aucun cas au cours de l’UV 4 de math´ematiques de 1`ere ann´ee.
Sommaire Concepts Notions
Exemples Exercices Documents
suivantI
Chapitre I
Espaces vectoriels
I.1 D´efinitions. . . 5
I.2 Sous-espace vectoriel . . . 7
I.3 Partie g´en´eratrice . . . 8
I.4 Partie libre, Partie li´ee . . . 9
I.5 Base d’un espace vectoriel . . . 10
I.6 Dimension d’un espace vectoriel . . . 11
Sommaire chapitreN suivantI
I.1 D´ efinitions
Exemples: Exemple A.1.1 Exemple A.1.2 Exemple A.1.3
Exercices: Exercice B.1.1
Soient un ensembleE, un corpsK (=RouC) et deux lois
+ : E×E −→ E (loi interne)
(v1, v2) 7−→ v1+v2 et . : K×E −→ E (loi externe) (λ, v) 7−→ λ.v
(E,+, .) est unespace vectorielsur le corpsK si les propri´et´es suivantes sont v´erifi´ees : 1. La loi interne not´ee + doit
(a) ˆetre commutative c’est-`a-dire pour tousv1, v2dans E, v1+v2=v2+v1
(b) ˆetre assiociative c’est-`a-dire pour tousv1, v2, v3dans E, (v1+v2) +v3=v1+ (v2+v3) (c) admettre un neutre not´e 0E c’est-`a-dire pour toutv dans E,v+ 0E=v
(d) ˆetre telle que tout ´el´ementvdeEadmette un sym´etrique c’est-`a-dire que pour toutvdans
Sommaire Concepts Notions
Exemples Exercices Documents chapitreN suivantI
D´efinitions 2. La loi externe not´ee.doit v´erifier pour tousv1, v2 dansE et tousλ, µdansK,
(a) λ.(v1+v2) =λ.v1+λ.v2
(b) (λ+µ).v1=λ.v1+µ.v1
(c) (λµ).v1=λ.(µ.v1) (d) 1K.v1=v1.
Les ´el´ements deE sont appel´es desvecteurs, ceux de Kdesscalaires.
Les r`egles de calculs sont analogues `a celles deRet on a λ.v= 0E⇐⇒λ= 0K ou v= 0E
Sommaire Jpr´ec´edent chapitreN suivantI
I.2 Sous-espace vectoriel
Exemples: Exemple A.1.4 Exemple A.1.5 Exemple A.1.6
Exercices: Exercice B.1.2
Soient (E,+, .) unK−espace vectoriel etF un sous-ensemble deE.
(F,+, .) est unsous-espace vectorieldeE siF 6=∅ et si pour tousv1, v2 deF et toutλdeK alors
λ.v1+v2∈F On dit queF est stable pour les lois + et.
Th´eor`eme I.1 Un sous-espace vectoriel est un espace vectoriel
D´emonstration
Remarque: Si un sous-ensembleF deE ne contient pas 0E, il ne peut pas ˆetre un sous-espace vectoriel (pas de neutre pour l’addition).
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent chapitreN suivantI
I.3 Partie g´ en´ eratrice
Exemples: Exemple A.1.7 Exemple A.1.8
Exercices: Exercice B.1.3
SoitEun espace vectoriel surK, etAune partie non vide deE.
On appellecombinaison lin´eaire d’´el´ements deAtout vecteur de la forme : λ1x1+λ2x2+...+λmxm o`u ∀i λi∈K et xi∈A
Th´eor`eme I.2 L’ensemble des combinaisons lin´eaires d’´el´ements de A est un sous espace vectoriel surK deE, il contient A. On l’appelle le sous espace vectoriel deE engendr´e parA, on le note Vect(A).
C’est le plus petit sous espace vectoriel deE contenant A.
D´emonstration
Remarque : SiF est un s.e.v. deE alorsF= Vect (F).
SiAest une partie deEtelle queE= Vect (A) alorsAest unefamille ou partie g´en´eratricede E. On dit aussi queAengendreE.
Si A engendre E alors tout ´el´ement de E s’´ecrit comme une combinaison lin´eaire d’´el´ements de A.
Sommaire Jpr´ec´edent chapitreN suivantI
I.4 Partie libre, Partie li´ ee
Exemples: Exemple A.1.9 Exemple A.1.10
Exercices: Exercice B.1.4
SoitEun espace vectoriel surK, etv1, v2, ..., vn des vecteurs deE.
(v1, v2, ..., vn) est une partie libredeEsi et seulement si :
∀(λ1, λ2, ..., λn)∈Kn h
( λ1v1+λ2v2+...+λnvn= 0E
| {z }
combinaison lin´eaire nulle desvi
) =⇒ (∀i∈ {1,2, ..., n}λi= 0K
| {z } lesλisont tous nuls
)i
Si la famille est libre, la seule fa¸con d’obtenir 0Ecomme combinaison lin´eaire des vecteurs de cette famille est de prendre tous lesλi nuls.
Dans le cas contraire on dit que la famille estli´ee.
En d’autres termes, (v1, v2, ..., vn) est une partie li´ee de E si et seulement si elle n’est pas libre,
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent chapitreN suivantI
Base d’un espace vectoriel
I.5 Base d’un espace vectoriel
Exemples: Exemple A.1.11 Exemple A.1.12
Exercices: Exercice B.1.5
SoitE un espace vectoriel surK. SoitBune partie deE.Best unebasedeE si c’est une partie libre et g´en´eratrice deE.
Th´eor`eme I.3 SoitE un espace vectoriel sur K.
B= (e1, e2, ..., en)est une base de E si et seulement si
(∀x∈E) (∃!(λ1, λ2, ..., λn)∈Kn) (x=λ1e1+λ2e2+...+λnen)
ce qui signifie queB= (e1, e2, ..., en)est une base deE si et seulement si tout vecteur de E s’ecrit de mani`ere unique comme combinaison lin´eaire des ´el´ements de B.
Lesλi s’appellent les composantes ou coordonn´ees du vecteurxrelativement `a la base B.
D´emonstration
Sommaire Jpr´ec´edent chapitreN
I.6 Dimension d’un espace vectoriel
Exemples: Exemple A.1.13 Exemple A.1.14
Exercices: Exercice B.1.6
Un espace vectorielEest dedimension finiesi il existe une familleAde cardinal fini qui engendre E, c’est-`a-dire si il existe des vecteurse1, e2,· · ·, ep deE tels queE= Vect (e1, e2,· · ·, ep)
Th´eor`eme I.4 (th´eor`eme admis) Toutes les bases d’un espace vectorielE de dimension finie ont le mˆeme nombre d’´el´ements. Si n est ce nombre, n s’appelle la dimension de E. On note n=dim E.
Un espace vectoriel admet une infinit´e de bases qui ont toutes le mˆeme nombre de vecteurs.
L’espace vectoriel{0E}est un espace vectoriel de dimension 0 puisqu’il ne contient pas de famille libre.
Propri´et´e I.5 SiE d´esigne un espace vectoriel de dimension finie, si n=dim E et siL,AetB d´esignent des parties deE nous avons les propri´et´es suivantes :
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent chapitreN
Dimension d’un espace vectoriel Lerang d’une famille de vecteurs est ´egal `a la dimension de l’espace vectoriel engendr´e par ces
vecteurs. On note :
rg (v1, v2, ..., vn) = dim (Vect (v1, v2, ..., vn))
Sommaire
Jpr´ec´edent suivantI
Chapitre II
Matrices et Applications lin´eaires
II.1 Matrices . . . 14 II.2 Applications lin´eaires . . . 22 II.3 Matrices d’applications lin´eaires. . . 27
Sommaire Concepts Notions
Exemples Exercices Documents
chapitreN section suivanteI
II.1 Matrices
II.1.1 D´efinitions. . . 15 II.1.2 Op´erations . . . 18 II.1.3 Matrice inversible . . . 21
Sommaire sectionN suivantI
II.1.1 D´ efinitions
Unematrice`a ´el´ements dansK(=RouC) est un tableau rectangulaire rempli d’´el´ements deK.
A=
a11 a12 . . . a1j . . . a1n a21 a22 . . . a2j . . . a2n
... ... ... ...
ai1 ai2 . . . aij . . . ain
... ... ... ...
am1 am2 . . . amj . . . amn
= (aij)i∈{1,2,...,m},j∈{1,2,...,n}
Lesaij sont des ´el´ements deK,iest l’indice de ligne etj est l’indice de colonne.
Mmn(K) d´esigne l’ensemble des matricesmlignesncolonnes `a coefficients dansK.
La matrice
Ω =
1 2 3
4 5 6
appartient `a M23(K)
Dans le cas particulier o`un=m,Mnn(K) est not´eMn(K) et on l’appelle l’ensemble des matrices carr´ees d’ordren`a coefficients dansK.
Une matrice est ditediagonale sim=net si pour touti6=j dans{1,2,· · ·, n}, les coefficients
Sommaire Concepts Notions
Exemples Exercices Documents sectionN suivantI
D´efinitions On note aussiD= Diag(0,1,2).
Une matrice est dite triangulaire sup´erieure (respectivement triangulaire inf´erieure) si m = n et si pour tout i > j (respectivement i < j) dans {1,2,· · ·, n}, les coefficients aij sont nuls.
Consid´erons les matrices E=
4 0 5
0 1 1
0 0 2
et F =
2 0 0
2 1 0
2 5 2
,
alorsE est une matrice triangulaire sup´erieure d’ordre 3 etF est triangulaire inf´erieure.
Unematrice colonneest une matrice `a une seule colonne. C’est une matrice deMm1(K). Elles sont tr`es utiles pour repr´esenter les vecteurs d’un espace vectoriel :
SoitE un espace vectoriel surK dont la famille (e1, e2, e3, e4) est une base. Soitvun vecteur de Equi s’´ecritv=e1+ 2e3−5e4 alors on peut d´efinir la matrice colonneV ∈ M41(K) par
V =
1 0 2
−5
Latranspos´eed’une maticeAs’obtient en ´echangeant les lignes et les colonnes deA. On la note
tAouAT. Ainsi, siA∈ Mnm(K) alorstA∈ Mmn(K).
Si ∆ =
1 2
−2 1
0 −1
∈ M32(K) alors t∆ =
1 −2 0
2 1 −1
∈ M23(K)
Sommaire sectionN suivantI
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent sectionN suivantI
II.1.2 Op´ erations
Exercices: Exercice B.2.1 Exercice B.2.2 Exercice B.2.3 Exercice B.2.4
Soient Aet B deux matrices deMmn(K). Notons aij les coefficients deA et bij ceux deB. On appellesomme des matricesA et B la matrice S de Mmn(K) dont les coefficients sij sont d´efinis pour touti∈ {1,2, ..., m} et toutj∈ {1,2, ..., n}parsij=aij+bij. On noteS=A+B.
Soient
Ω =
1 2 3
4 5 6
et ∆ =
1 2
−2 1
0 −1
La somme Ω + ∆ n’existe pas puisque les matrices n’ont pas le mˆeme nombre de lignes ni de colonnes.
Par contre,
Ω + t∆ =
1 2 3 4 5 6
+
1 −2 0
2 1 −1
=
2 0 3 6 6 5
On montre que (Mmn(K),+) a une structure de groupe commutatif.
Sommaire Jpr´ec´edent sectionN suivantI
Op´erations Soit A ∈ Mmn(K). Notons aij ses coefficients. Multiplier une matrice par un scalaire λ ∈ K,
revient `a multiplier tous les coefficients par ce scalaire. Si on noteλij les coefficients de la matrice Λ, r´esultat de cette op´eration, alors pour touti∈ {1,2, ..., m} et toutj∈ {1,2, ..., n}, λij =λaij et on note Λ =λ.AAinsi
2.Ω = 2.
1 2 3
4 5 6
=
2 4 6 8 10 12
On montre que (Mmn(K),+, .) a une structure d’espace vectoriel. Il est de dimension finie et sa dimension est dimMmn(K) =mn.
Soient A ∈ Mmn(K) et B ∈ Mnp(K). Notons aij les coefficients de A et bij ceux de B. On appelleproduitdes matrices Aet B la matriceP deMmp(K) dont les coefficients pij sont d´efinis pour tout i ∈ {1,2, ..., m} et tout j ∈ {1,2, ..., p} parpij =
n
X
k=1
aikbkj. On note P = AB. On dit que le produit s’effectue lignes par colonnes. Cette d´efinition sera justifi´ee a posteriori lorsque nous d´efinirons les matrices d’applications lin´eaires.
Pour que le produit ait un sens, il faut que le nombre de colonnes de la matrice A soit ´egal au nombre de lignes de la matrticeB.
Le produit t∆Ω n’existe pas car le nombre de colonnes det∆ (en l’occurrence 3) ne correspond pas au nombre de lignes de Ω (en l’occurrence 2).
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent sectionN suivantI
Op´erations En effet, si on noteωij,δij etpi,j les coefficients respectifs des matrices Ω, ∆ etP alors
p11 =
3
X
k=1
ω1kδk1= 1×1 + 2×(−2) + 3×0 =−3
p12 =
3
X
k=1
ω1kδk2= 1×2 + 2×1 + 3×(−1) = 1
p21 =
3
X
k=1
ω2kδk1= 4×1 + 5×(−2) + 6×0 =−6
p22 =
3
X
k=1
ω2kδk2= 4×2 + 5×1 + 6×(−1) = 7
Le produit matriciel est une loi associative et distributive par rapport `a l’addition : pour toutes matricesA, B et Ctelles que les op´erations soient possibles, nous avons
A(BC) = (AB)C et A(B+C) =AB+AC Le produit n’est pas commutatif .(cf exerciceB.2.3)
SiA∈ Mn(K) et si In = Diag(1,1,· · ·,1)∈ Mn(K) alorsAIn=InA=A.
Sommaire Jpr´ec´edent sectionN
II.1.3 Matrice inversible
Exemples: Exemple A.2.1
Exercices: Exercice B.2.5
Soit A ∈ Mn(K). On dit que A est inversible si il existe une matrice A0 ∈ Mn(K) telle que AA0=A0A=In. SiA0 existe, elle est unique et on la note A−1.
Dans la mesure o`uAet B sont inversibles, le produitABest inversible et (AB)−1=B−1A−1. De mˆeme, siAest inversible alors la transpos´ee de Aest inversible et (tA)−1= t A−1
.
Sommaire Concepts Notions
Exemples Exercices Documents
Jsection pr´ec´edente chapitreN section suivanteI
II.2 Applications lin´eaires
II.2.1 D´efinition . . . 23 II.2.2 Noyau, image et rang d’une application lin´eaire . . . 25
Sommaire sectionN suivantI
II.2.1 D´ efinition
Exemples: Exemple A.2.2 Exemple A.2.3 Exemple A.2.4 Exemple A.2.5
Exercices: Exercice B.2.6
SoientE etF deux espaces vectoriels surK. Soitgune application de E dansF. g est uneapplication lin´eaire si∀(v, v0)∈E2 ∀λ∈K
g(v+v0) =g(v) +g(v0) et g(λ.v) =λ.g(v) Remarque : Sig est lin´eaire alorsg(0E) = 0F
En effet, pour toutxdansE,g(0E) =g(0K.x) = 0K.g(x) = 0E. On noteL(E, F) l’ensemble des applications lin´eaires deE dansF.
Sommaire Concepts Notions
Exemples Exercices Documents sectionN suivantI
D´efinition Si on munit L(E, F) des lois + et . d´efinies pour les applications (cf exemple A.1.3) alors
(L(E),+, .) a une structure d’espace vectoriel surK.
Soitgune application deE dansF.
g estinjectivesi∀(v, v0)∈E2 g(v) =g(v0) =⇒v=v0 g estsurjectivesi∀w∈F,∃v∈E tel que w=g(v).
g estbijectivesi∀w∈F,∃! v∈E tel que w=g(v) (! signifiant que pour chaquew, lev est unique)
g est bijective si et seulement sig est injective et surjective.
Sommaire Jpr´ec´edent sectionN
II.2.2 Noyau, image et rang d’une application lin´ eaire
Exemples: Exemple A.2.6 Exemple A.2.7 Exemple A.2.8
SoientE etF deux espaces vectoriels surK etg∈L(E, F).
Lenoyaudeg, not´e Kerg, est d´efini par :
Kerg={v∈E / g(v) = 0F}=g−1({0F})⊂E
Kerg est l’ensemble des ant´ec´edents pargdu vecteur nul deF. L’imagedeg, not´ee Img, est d´efinie par :
Img={w∈F /∃v∈E , w=f(v)}={f(v)/ v ∈E} ⊂F
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent sectionN
Noyau, image et rang d’une application lin´eaire Th´eor`eme II.2.1 Kerg est un sous espace vectoriel de E, Im g un sous espace vectoriel deF.
De plus on a :
g est surjective ⇐⇒ Img = F g est injective ⇐⇒ Kerg = {0E}
D´emonstration
Si Img est un sous espace vectoriel de dimension finie de F, on appelle rang deg, le r´eel not´e rgg, ´egal `a la dimension de Im g.
On a :
rgg = dim Img
Th´eor`eme II.2.2 (Th´eor`eme du rang) (admis)
SoientE et F deux espaces vectoriels surK, avec E de dimension finie, etg∈L(E, F). On a : dim E = dim Kerg + dim Img
Corollaire II.2.3 SoientE etF deux espaces vectoriels sur K, de mˆeme dimensionn, et g∈L(E, F). Les assertions suivantes sont ´equivalentes :
~ w w w w w
1) g est bijective 2) g est injective 3) g est surjective 4) rg g =n
D´emonstration
Sommaire
Jsection pr´ec´edente chapitreN
II.3 Matrices d’applications lin´eaires
II.3.1 D´efinitions. . . 28 II.3.2 Propri´et´es . . . 31 II.3.3 Matrice de changement de bases . . . 33 II.3.4 Rang d’une matrice . . . 36
Sommaire Concepts Notions
Exemples Exercices Documents sectionN suivantI
II.3.1 D´ efinitions
Exemples: Exemple A.2.9 Exemple A.2.10
Exercices: Exercice B.2.8
SoientE etF deuxK−espaces vectoriels de dimension finie etg∈L(E, F).
L’applicationgest caract´eris´ee par la connaissance des images des vecteurs d’une base deE.
En effet, soitE = (e1, e2,· · ·, ep) une base de E. Pour tout x∈E il existe (x1, x2,· · ·, xp)∈Kp tel que
x=
p
X
j=1
xjej
En utilisant le fait queg est lin´eaire on obtient
g(x) =g
p
X
j=1
xjej
=
p
X
j=1
xjg(ej) (II.3.1)
Ainsi, si nous connaissonsg(ej) pour toutj∈ {1,2,· · ·, p}, l’application lin´eaireg est d´etermin´ee de mani`ere unique.
Sommaire sectionN suivantI
D´efinitions Soit F = (f1, f2,· · ·, fn) une base de F. Pour tout j ∈ {1,2,· · ·, p}, g(ej) ∈ F et il existe
(a1j, a2j,· · ·, anj)∈Kn tel que
g(ej) =
n
X
i=1
aijfi
Notons X la matrice colonne form´ee des coordonn´ees de x dans la base E, Y celle form´ee des coordonn´ees deg(x) dans la baseF et pour toutj∈ {1,2,· · ·, p},Yjcelle form´ee des coordonn´ees de g(ej) dans la baseF. Nous avons donc
X=
x1 x2
... xk
... xp
, Y =
y1 y2 ... yk
... yn
et Yj =
a1j
a2j
... akj
... anj
NotonsAla matrice dont les colonnes sont les matricesYj. Nous avons
A=
a11 a12 . . . a1j . . . a1p a21 a22 . . . a2j . . . a2p
... ... ... ...
ai1 ai2 . . . aij . . . aip
Sommaire Concepts Notions
Exemples Exercices Documents sectionN suivantI
D´efinitions Si nous ´ecrivons de fa¸con matricelle la relation (II.3.1) nous obtenons :
Y =
p
X
j=1
xjYj = x1
a11 a21 ... ak1
... an1
+x2
a12 a22 ... ak2
... an2
+· · ·+xp
a1p a2p ... akp
... anp
=
a11x1 + a12x2 + · · · + a1pxp
a21x1 + a22x2 + · · · + a2pxp
... ... ... ...
ak1x1 + ak2x2 + · · · + akpxp
... ... ... ...
an1x1 + an2x2 + · · · + anpxp
=AX
A s’appelle la matrice de l’application lin´eaire g relativement aux bases E et F. Elle est donc d´efinie de la mani`ere suivante :
g(e1) g(e2) . . . g(ej) . . . g(ep)
a11 a12 . . . a1j . . . a1p
a21 a22 . . . a2j . . . a2p
... ... ... ...
ai1 ai2 . . . aij . . . aip
... ... ... ...
an1 an2 . . . anj . . . anp
f1 f2 ... fi
... fn
= Mat (g,E,F)∈ Mnp(K))
Sommaire Jpr´ec´edent sectionN suivantI
II.3.2 Propri´ et´ es
Exemples: Exemple A.2.11
Dans ce paragrapheE,F, etGd´esignent des espaces vectoriels surK de dimension finie respec- tivement ´egale `an,met p.
E= (e1, e2, ..., en) (respectivementF = (f1, f2, ..., fm),G= (g1, g2, ..., gp)) d´esigne une base deE (respectivementF,G).
On v´erifie facilement les trois affirmations suivantes :
1. Soientf un ´el´ement de L(E, F) etλun ´el´ement deK alors Mat (λf,E,F) = λMat (f,E,F) 2. Soientf etg deux applications lin´eaires deL(E, F), on a
Mat (f+g,E,F) = Mat (f,E,F) + Mat (g,E,F)
3. Sifetgd´esignent deux applications lin´eaires appartenant respectivement `aL(E, F) et `aL(F, G)
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent sectionN suivantI
Propri´et´es Donc la matrice de l’application lin´eairef est inversible et
Mat (f−1,F,E) = M−1(f,E,F)
R´eciproquement, si une matrice est inversible, l’application lin´eaire canoniquement associ´ee est bijective.
Sommaire Jpr´ec´edent sectionN suivantI
II.3.3 Matrice de changement de bases
Exemples: Exemple A.2.12
Exercices: Exercice B.2.9
Nous avons d´ej`a remarqu´e qu’un mˆeme espace vectoriel pouvait avoir plusieurs bases.
Soient E = (e1, e2, ..., en) et E0 = (e01, e02, ..., e0n) deux bases du mˆeme espace vectoriel E. Soit x un vecteur de E. Notons (x1, x2,· · ·, xn) ses coordonn´ees dans la base E et (x01, x02,· · ·, x0n) ses coordonn´ees dans la baseE0.
SoientX etX0 les matrices colonnes associ´ees aux coordonn´ees dexdans les basesE et E0. La question est de savoir quel lien existe entre les matricesX etX0.
Pour toutj∈ {1,2,· · ·, n}, il existe (p1j, p2j,· · ·, pnj)∈Kn tel que e0j =
n
X
i=1
pijei
Soit I l’application lin´eaire d´efinie de E, muni de la base E0, vers E, muni de la base E et qui pour chaque vecteur xde coordonn´ees (x0, x0,· · ·, x0) dans la base E0 associe ses coordonn´ees
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent sectionN suivantI
Matrice de changement de bases SoitP la matrice de cette application lin´eaire alors
P =
p11 p12 . . . p1j . . . p1n
p21 p22 . . . p2j . . . p2n
... ... ... ...
pj1 pj2 . . . pjj . . . pjn
... ... ... ...
pn1 pn2 . . . pnj . . . pnn
etX =P X0.
P s’appelle lamatrice de passageentre les bases E et E0, on la notePEE0. C’est la matrice de l’applicationI relativement aux basesE0 etE :
PEE0 = Mat (I,E0,E).
Il est clair que l’applicationI est bijective et que son application r´eciproque est d´efinie par : I−1: (E,E) −→ (E,E0)
(x1, x2,· · ·, xn) 7−→ (x01, x02,· · ·, x0n) ej 7−→ (p01j, p02j,· · ·, p0nj) o`u pour toutj∈ {1,2,· · ·, n},
ej =
n
X
i=1
p0ije0i .
Ainsi la matricePEE0 est inversible et
PEE−10 =PE0E
Sommaire Jpr´ec´edent sectionN suivantI
Matrice de changement de bases Voyons comment est transform´ee la matrice d’une application lin´eaire lorsqu’on change de bases.
SoientE = (e1, e2, ..., en),E0= (e01, e02, ..., e0n) deux bases du mˆeme espace vectorielE et F= (f1, f2, ..., fp),F0 = (f10, f20, ..., fp0) deux bases du mˆeme espace vectorielF. Soient enfin
g∈L(E, F), A= Mat (g,E,F) et A0 = Mat (g,E0,F0). Quel lien existe-t-il entre les matrices Aet A0?
Soitx un vecteur de E. Notons X la matrice colonne des coordonn´ees de xdans la base E, X0 celle des coordonn´ees dexdans la baseE0 et de mˆeme, notonsY la matrice colonne des coordonn´ees dey=g(x) dans la baseF etY0celle des coordonn´ees dey dans la baseF0. Soient enfin les matrices de passageP=PEE0 et Q=PF F0.
Nous avons les relations suivantes
X=P X0, Y =QY0, Y =AX et Y0=A0X0 et
Y =AX⇐⇒QY0 =AP X0⇐⇒Y0=Q−1AP X0 doncA0 =Q−1AP et
Mat (g,E0,F0) =PF F−10APEE0 (II.3.2)
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent sectionN
II.3.4 Rang d’une matrice
Exemples: Exemple A.2.13
Exercices: Exercice B.2.10
SoitAune matrice deMmn(K) dont les colonnes sont identifi´ees `anvecteursV1, V2, ..., VndeKm.
V1 V2 . . . Vj . . . Vn
A=
a11 a12 . . . a1j . . . a1n
a21 a22 . . . a2j . . . a2n
... ... ... ...
ai1 ai2 . . . aij . . . ain
... ... ... ...
am1 am2 . . . amj . . . amn
Par d´efinition lerang de la matrice Aest ´egal `a la dimension de Vect (V1, V2, ..., Vn) soit `a la dimension de l’espace engendr´e par les colonnes deA.
On note
rgA = dim Vect (V1, V2, ..., Vn) Remarque :
rgA ≤ min(m, n) En effet, notonsE = Vect (V1, V2, ..., Vn), alors rgA= dimE.
Sommaire Jpr´ec´edent sectionN
Rang d’une matrice E est un sous-espace vectoriel deKm engendr´e par nvecteurs donc sa dimension est plus petite
que celle deKmqui vautmet que le nombre de vecteurs g´en´erateurs, qui ici vaut n.
Soit E (respectivement F) un espace vectoriel de dimensionn (respectivement m) dont E (res- pectivementF) est une base. Soitg∈L(E, F) telle que Mat (g,E,F) =A.
Alors on a :
rg A = rgg
En effet, les vecteurs colonnes de A sont les vecteurs {g(e1), g(e2),· · ·, g(en)} qui forment une famille g´en´eratrice de Img.
On a de plus le r´esultat suivant :
∀A∈ Mmn(K), rgA = rg tA
Ce qui permet de d´efinir le rang d’une matrice comme la dimension de l’espace engendr´e par les lignes deA.
Sommaire Concepts Notions
Exemples Exercices Documents
Jpr´ec´edent suivantI
Chapitre III
D´eterminants
III.1 Formenlin´eaire altern´ee . . . 39 III.2 D´eterminant d’une matrice carr´ee . . . 41 III.3 Propri´et´es et calcul pratique . . . 44 III.4 Autres propri´et´es . . . 46
Sommaire chapitreN suivantI
III.1 Forme n lin´ eaire altern´ ee
SoitE un espace vectoriel sur le corpsK dontE= (e1, e2,· · ·, en) est une base. On consid`ere une applicationϕ
E×E× · · · ×E −→ K (V1, V2,· · ·, Vn) 7−→ ϕ(V1, V2,· · ·, Vn) telle que
1. ϕest lin´eaire par rapport `a chaque variable :
Pour touti∈ {1,2,· · ·, n}, toutWi∈E et toutλ∈K alors
ϕ(V1, V2,· · ·, Vi−1, Vi+λWi, Vi+1,· · ·, Vn) =
ϕ(V1, V2,· · ·, Vi−1, Vi, Vi+1,· · ·, Vn) + λ ϕ(V1, V2,· · ·, Vi−1, Wi, Vi+1,· · ·, Vn) 2. Si il existei6=j tel queVi=Vj alors
ϕ(V1, V2,· · ·, Vi,· · ·, Vj,· · ·, Vn) = 0 3.
ϕ(V1, V2,· · ·, Vj,· · ·, Vi,· · ·, Vn) =−ϕ(V1, V2,· · ·, Vi,· · ·, Vj,· · ·, Vn)
Sommaire Concepts Notions
Exemples Exercices Documents chapitreN suivantI
Formen lin´eaire altern´ee On peut aussi d´emontrer le r´esultat suivant :
∀(V1, V2,· · ·, Vn)∈En [(V1, V2,· · ·, Vn) libre ⇐⇒ detE(V1, V2, ..., Vn)6= 0]
Sommaire Jpr´ec´edent chapitreN suivantI
III.2 D´ eterminant d’une matrice carr´ ee
Exemples: Exemple A.3.1
Exercices: Exercice B.3.1
Soit la matrice carr´ee d’ordren
A=
a11 a12 ... ... ... a1n−1 a1n
a21 a22 ... ... ... a2n−1 a2n
... ... ... ... ... ... ... an1 ... ... ... ... ann−1 ann
On appelleC1, C2,· · ·, Cn(respectivementL1, L2,· · ·, Ln) les colonnes (respectivement les lignes) de la matriceA.
Le d´eterminant deA not´e detA est le d´eterminant des vecteursC1, C2,· · ·, Cn par rapport `a la baseE. On a
a11 a12 ... ... ... a1n−1 a1n
a21 a22 ... ... ... a2n−1 a2n
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent chapitreN suivantI
D´eterminant d’une matrice carr´ee donc le d´eterminant deA est aussi le d´eterminant des vecteurs L1, L2,· · ·, Ln par rapport `a la base
E. On a
detA= detE(L1, L2,· · ·, Ln)
Dans le but d’expliciter det A par une relation de r´ecurrence o`u A est une matrice d’ordre n on d´efinit pour tous i, j dans {1,2,· · ·, n} les matricesAij d’ordren−1 obtenues `a partir de Aen supprimant la ligneiet la colonnej.
Exemple : Soit
A=
1 −1 3
2 0 4
5 4 −2
alors,
A11=
0 4 4 −2
, A12=
2 4 5 −2
, A13= 2 0
5 4
Ceci ´etant d´efini, on a le r´esultat suivant.
Th´eor`eme III.1 (D´eveloppement d’un d´eterminant) (admis) Avec les notations pr´ec´e- dentes, nous avons
detA=
n
X
i=1
(−1)i+jaijdet Aij
on dit que l’on a d´evelopp´e le d´eterminant deApar rapport `a la colonnej, ou aussi
detA=
n
X
j=1
(−1)i+jaijdet Aij
on dit que l’on a d´evelopp´e le d´eterminant deApar rapport `a la ligne i.
Sommaire Jpr´ec´edent chapitreN suivantI
D´eterminant d’une matrice carr´ee Ce th´eor`eme se d´emontre par r´ecurrence surn.
Il est clair que siA= (a) alors detA=a.
Nous savons que
det a b
c d
=ad−bc
et si nous d´eveloppons ce d´eterminant par rapport `a la 2`eme ligne alors det
a b c d
= (−1)2+1cdet (b) + (−1)2+2ddet (a) =−bc+ad
Remarque : On s’aper¸coit tr`es vite que cette m´ethode est lourde, surtout si la taille de la ma- trice augmente. Par contre cette formule est tr`es paratique quand une ligne ou une colonne contient beaucoup de z´eros.
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent chapitreN suivantI
III.3 Propri´ et´ es et calcul pratique
Exemples: Exemple A.3.3
Exercices: Exercice B.3.2
Par rapport `a la remarque du paragraphe pr´ec´edent, on souhaite essayer de faire apparaˆıtre le maximum de z´eros dans une ligne ou dans une colonne d’une matriceA, sans changer le d´eterminant, pour ensuite d´evelopper le d´eterminant par rapport `a cette ligne ou colonne.
SoitAune matrice carr´ee d’ordrendont on noteC1, C2,· · ·, Cn (respectivementL1, L2,· · ·, Ln) les colonnes (respectivement les lignes). Nous avons les propri´et´es suivantes :
1. Ajouter `a une colonneCi un combinaison lin´eaire des autres colonnes ne change pas le d´eter- minant deA. En effet :
detE(C1,· · ·, Ci+
n
X
j=1 j6=i
λjCj,· · ·Cn) = detE(C1,· · ·, Ci,· · ·, Cn) +
n
X
j=1 j6=i
λj detE(C1,· · ·, Cj,· · ·, Cn)
= detE(C1, C2,· · ·, Cn) = detA car d`es que deux colonnes sont ´egales, le d´eterminant est nul.
2. De mˆeme ajouter `a une ligne Li un combinaison lin´eaire des autres lignes ne change pas le d´eterminant deA. En effet :
detE(L1,· · ·, Li+
n
X
j=1 j6=i
λjLj,· · ·Ln) = detE(L1,· · ·, Li,· · ·, Ln) +
n
X
j=1 j6=i
λj detE(L1,· · ·, Lj,· · ·, Ln)
= detE(L1, L2,· · ·, Ln) = det A
Sommaire Jpr´ec´edent chapitreN suivantI
Propri´et´es et calcul pratique car d`es que deux lignes sont ´egales, le d´eterminant est nul.
3.
detE(λ1C1, λ2C2,· · ·, λnCn) =λ1λ2· · ·λndetE(C1, C2,· · ·, Cn)
donc multiplier une matrice carr´ee d’ordre n par une constante λ revient `a multiplier son d´eterminant parλn :
detλA=λn detA.
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent chapitreN
III.4 Autres propri´ et´ es
Exemples: Exemple A.3.4
Exercices: Exercice B.3.3
SoitAune matrice deMn(K).
1. det (AB) = detAdetB
2. Aest inversible si et seulement si detA 6= 0
En effet , nous savons que sif ∈End(E) et E de dimension finienalors f bijective⇐⇒f injective⇐⇒f surjective⇐⇒rgf =n
En transposant ceci `a la matrice A, interpr´et´ee comme la matrice d’un endomorphisme on obtient en particulier
rg A=n⇐⇒A inversible et
rg A=n⇐⇒ Les vecteurs colonnes sont libres ⇐⇒ detE(C1, C2, ..., Cn)6= 0 De plus, puisqueAA−1=In nous avons la formule
1 = det In= det (AA−1) = det AdetA−1 et
detA−1 = 1 detA
Sommaire Jpr´ec´edent chapitreN
Autres propri´et´es 3. SiAetA0sont deux matrices repr´esentant le mˆeme endomorphismef alors il existe une matrice
P telle queA0=P−1AP. On a
detA0= det (P−1AP) = det (P−1A) detP = detP−1detAdetP= detA
Ainsi le d´eterminant d’une application lin´eaire ne d´epend pas de la base dans laquelle on ´ecrit sa matrice et on a
detf = detA o`u A est la matrice de f dans n’importe quelle base de E
4. On appelle comatrice de A ou bien matrice des cofacteurs deA, la matrice deMn(K) not´ee Com Ad´efinie par :
Com A = ((−1)i+jdetAij)1≤i,j≤n
Alors siA est inversible,
A−1 = 1
detA
tCom(A)
Sommaire Concepts Notions
Exemples Exercices Documents
Jpr´ec´edent suivantI
Chapitre IV
Syst`emes d’´equations lin´eaires
IV.1 Position du probl`eme . . . 49 IV.2 Pivot de Gauss . . . 51 IV.3 Syst`emes de Cramer . . . 52
Sommaire chapitreN suivantI
IV.1 Position du probl` eme
Soit `a r´esoudre le syst`eme d’´equations lin´eaires dem´equations et ninconnues suivant :
(S)
a11x1 + a12x2 + ... + a1nxn = b1
a21x1 + a22x2 + ... + a2nxn = b2
a31x1 + a32x2 + ... + a3nxn = b3
... ... ... ... ...
ai1x1 + ai2x2 + ... + ainxn = bi
... ... ... ... ...
am−11x1 + am−12x2 + ... + am−1nxn = bm−1 am1x1 + am2x2 + ... + amnxn = bm
Lesaij ainsi que les bi sont des donn´ees, ´el´ements deK.
Lesxi sont lesninconnues ´el´ements deK .
1. Ecriture matricielle: On peut ´ecrire ce syst`eme de la fa¸con suivante : AX=B
o`u
x1 b1
Sommaire Concepts Notions
Exemples Exercices Documents chapitreN suivantI
Position du probl`eme et
A =
a11 a12 ... a1n
a21 a22 ... a2n
... ... ... ...
ai1 ai2 ... ain
... ... ... ...
am−11 am−12 ... am−1n am1 am2 ... amn
2. Ecriture vectorielle: Si on noteA1, A2,· · ·, An les colonnes de la matriceAalors le syst`eme s’´ecrit
x1A1+x2A2+· · ·xnAn=B
3. Ecriture fonctionnelle: Si la matrice Arepr´esente l’ application lin´eairef deL(E, F) et si X et B sont les matrices colonnes repr´esentant les vecteursxet balors le syst`eme s´ecrit aussi
f(x) =b
R´esoudre ce syst`eme, c’est trouver tous les n-uplets (x1, x2,· · ·, xn) qui satisfont auxm´equations.
C’est d´efinir l’ensemble des ant´ec´edents deb parf.
Si b = 0F, l’´equation f(x) = 0F est appel´ee ´equation homog`ene, elle repr´esente le syst`eme homog`ene. R´esoudre ce syst`eme revient `a d´etermnier le noyau Kerf. On a toujours 0E ∈ Kerf donc 0E est toujours solution du syst`eme homog`ene, c’est la solution triviale.
Soitx0 une solution particuli`ere de (S) alors on af(x0) =bet le syst`eme `a r´esoudre devient f(x) =f(x0) soit f(x−x0) = 0F et x−x0∈Kerf
Les solutions de (S) sont de la formez+x0o`uz∈Kerf etx0est une solution particuli`ere.
Sommaire Jpr´ec´edent chapitreN suivantI
IV.2 Pivot de Gauss
Exemples: Exemple A.4.1 Exemple A.4.2 Exemple A.4.3
Exercices: Exercice B.4.1
Nous nous contenterons de pr´esenter cette m´ethode sur trois exemples. Cette m´ethode consiste
`
a transformer le syst`eme en un syst`eme triangulaire (c’est-`a-dire tel que la matrice du syst`eme soit triangulaire) et que l’on r´esout facilement en partant du bas.
Cette transformation se fait en rempla¸cant une ligne par cette ligne plus une constante fois une ligne fix´ee `a l’avance de sorte de faire apparaˆıtre un z´ero.
Les exemplesA.4.1,A.4.2et A.4.3pr´esentent les trois cas de figure possibles.
Cette m´ethode est assez pratique.
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent chapitreN
IV.3 Syst` emes de Cramer
Exemples: Exemple A.4.4
On se place dans le cas particulier o`u m = n. Nous allons pr´esenter un proc´ed´e de r´esolution utilisant le calcul des d´eterminants. Le r´esultat est le suivant :
Th´eor`eme IV.2 Le syst`eme (S) a une unique solution si et seulement si le d´eterminant de A n’est pas nul.
Dans ce cas le syst`eme(S)est qualifi´e de Cramer.
Si on note A1, A2,· · ·, An les n colonnes de A alors l’unique solution de (S) est donn´ee par les
´
egalit´es suivantes :
∀i∈ {1,2, ..., n} xi=detE(A1, A2, ..., Ai−1, B, Ai+1, ..., An) detA
(on a rempla¸c´e la colonnei par le vecteurB.)
D´emonstration
Sommaire
Jpr´ec´edent suivantI
Chapitre V
R´eduction des endomorphismes
V.1 Valeurs propres, vecteurs propres . . . 54 V.2 Espace propre . . . 55 V.3 Polynˆome caract´erisitique . . . 57 V.4 Diagonalisation des endomorphismes . . . 59 V.5 Applications . . . 61
Sommaire Concepts Notions
Exemples Exercices Documents chapitreN suivantI
V.1 Valeurs propres, vecteurs propres
Exemples: Exemple A.5.1
Exercices: Exercice B.5.1
Dans tout ce chapitre, E d´esigne un K−espace vectoriel de dimension n et f est un endomor- phisme deE.
Le but de ce chapitre est de trouver une baseE deE telle que Mat (f,E), la matrice def relati- vement `a la base E, soit la plus “simple” possible, l’id´eal ´etant lorsque Mat (f,E) est diagonale.
On appellevaleur propredef un scalaireλdeK tel qu’il existe un vecteurv deE non nul tel quef(v) = λv.
Le vecteurv est appel´evecteur propredef associ´e `a la valeur propreλ.
Sommaire Jpr´ec´edent chapitreN suivantI
V.2 Espace propre
Exemples: Exemple A.5.2
Exercices: Exercice B.5.2
Soitλun scalaire, on note :Eλ = {v∈E, f(v) =λv}. On a : Eλ = {v∈E, f(v)−λv = 0E}
= {v∈E, (f−λ IdE)(v) = 0E}
= Ker(f−λIdE)
Par cons´equent, Eλest un s.e.v. deE puisqu’il est le noyau d’une application lin´eaire.
Siλn’est pas valeur propre def alors seul le vecteur nul v´erifief(v) =λvet Eλ={0E}.
Si au contraire λ est une valeur propre de f, alorsEλ 6= {0E} et Eλ est appel´esous espace propredeE relatif `a la valeur propreλdef et dans ce cas, dimEλ≥1.
On constate que siλest une valeur propre def, alorsEλ est stable parf ce qui signifie que pour
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent chapitreN suivantI
Espace propre une baseEλ deEλest
λ 0 0 · · · 0
0 λ 0 0
... . .. . .. . .. ...
0 0 λ 0
0 0 . . . 0 λ
∈MdimEλ(K)
Sommaire Jpr´ec´edent chapitreN suivantI
V.3 Polynˆ ome caract´ erisitique
Exemples: Exemple A.5.3
Exercices: Exercice B.5.3
SoitA= (aij)i∈{1,2,···,n},j∈{1,2,···,n}∈ Mn(K).
Th´eor`eme V.3 (admis) On d´efinit la fonction PA(x)par PA(x) =det(A−xIn).
Cette fonction est une fonction polynˆome de degr´en, qui s’ecrit
PA(x) = (−1)nxn+ (−1)n−1 Tr(A)xn−1+· · ·+ det(A) o`u Tr(A) =
n
X
i=1
aii.
Cette fonction polynˆome s’appelle lepolynˆome caract´eristiquedeA.
Si A et A0 sont les matrices d’un mˆeme endomorphisme f relativement `a deux bases diff´erentes alorsPA(x) =PA0(x).
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent chapitreN suivantI
Polynˆome caract´erisitique puisque det (P−1) = 1
detP.
Ainsi on peut d´efinir le polymˆome caract´eristique def, par Pf(x) =det(f −xidE) =det(A−xIn) pour toute matriceArepr´esentantf dans une base de E.
Th´eor`eme V.4 Les valeurs propres def sont les racines dePf.
D´emonstration
On appellemultiplicit´ed’une valeur propreλ, l’ordre de multiplicit´e deλen tant que racine de Pf. On la notemλ.
Propri´et´e V.5 Soitf un endomorphisme de E et Asa matrice repr´esentative dans une base de E.
– Si dimE=n, alors f a au plusnvaleurs propres.
– SiPf est scind´e, (ce qui sera toujours le cas siK=C) alors : – f anvaleurs propres distinctes ou non.
– La somme des valeurs propres est ´egale `a Tr(A).
– Le produit des valeurs propres de f est ´egal `a detA=det f.
D´emonstration
Sommaire Jpr´ec´edent chapitreN suivantI
V.4 Diagonalisation des endomorphismes
Exemples: Exemple A.5.4
Exercices: Exercice B.5.4
Si λest une valeur propre de multiplicit´emλ de l’endomorphismef et siEλ est l’espace propre associ´e, alors on v´erifie que
1≤dimEλ≤mλ
Remarque : Simλ= 1 alors dimEλ= 1 =mλ.
Un endomorphismef est diagonalisable, s’il existe une baseV deE dans laquelle la matrice def est diagonale c’est-`a-dire,
Mat (f,V) =
λ1 0 · · · 0
0 λ2 0
... . .. . .. ... 0 0 . . . λn
(on noteraE la base canonique deE)
Premi`eres cons´equences : Si f est diagonalisable alors
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent chapitreN suivantI
Diagonalisation des endomor- phismes 4. le polynˆome caract´eristique s’´ecrit :
Pf(x) = (λ1−x)(λ2−x)· · ·(λn−x) il est donc scind´e dansK.
Au vu de la matrice il est clair que
f est diagonalisable si et seulement si il existe une base de vecteurs propres.
On peut ´egalement montrer que la r´eunion des bases des espaces propres forme toujours une fa- mille libre.
Nous avons de plus l’´equivalence suivante :
Th´eor`eme V.6 (Admis) f est diagonalisable si et seulement si n Pf est scind´ee dans K
Pour toute valeur propre λ,dim Eλ=mλ. Cas particulier important :
Corollaire V.7 Si le polynˆome caract´eristique de f an=dim E racines distinctes, alorsf est diagonalisable.
D´emonstration
Sommaire Jpr´ec´edent chapitreN
V.5 Applications
Exemples: Exemple A.5.5 Exemple A.5.6 Exemple A.5.7
1) Calcul deAm.
SiAest diagonalisable, il existeP∈GLn(K) etD= Diag(λ1, λ2,· · ·, λn) tels queD=P−1AP etA=P DP−1.
On a alorsAm=P DmP−1 avecDm= Diag(λm1, λm2,· · ·, λmn) . (cf l’exempleA.5.5)
2) Applications aux syst`emes lin´eaires d’´equations diff´erentielles du premier ordre `a coefficients constants.
Nous nous contenterons de pr´esenter un exemple.
Sommaire Concepts Notions
Exemples Exercices Documents Jpr´ec´edent chapitreN
Applications o`u x, yetz sont des fonctions de la variablet etx0, y0 etz0 sont leurs d´eriv´ees.
Ce syst`eme s’´ecrit matriciellement
X0(t) =AX(t) o`u
A =
2 0 4
3 4 12
1 2 5
et X(t) =
x(t) y(t) z(t)
on reconnaˆıt la matriceA de l’exempleA.5.4. Ainsi en multipliant `a gauche les deux membres de l’´egalit´eX0(t) =AX(t) par la matriceP−1 et en posant
Y(t) =
x1(t) y1(t) z1(t)
= P−1X(t)
on obtientY0(t) = DY(t) o`uD est diagonale, et le syst`eme est tr`es simple `a r´esoudre.
On r´esout enY(t) et on revient `aX(t) grˆace `a la relationX(t) = P Y(t).
(voir les calculs dans l’exempleA.5.6).
3) Applications `a des suites r´ecurrentes.
Nous nous contenterons encore de pr´esenter un exemple.
Soit les suites r´ecurrentes (un),(vn),(wn) d´efinies par :
Sommaire Jpr´ec´edent
Applications
u0
v0
w0
∈K3et ∀n≥0
un+1 = 2un + 4wn
vn+1 = 3un − 4vn + 12wn
wn+1 = un − 2vn + 5wn
Le probl`eme est d’exprimerun,vn et wn en fonction de n,u0,v0et w0. Pour cela en notantXn le vecteur
un vn wn
on a avec les notations pr´ec´edentes :
∀n≥0 Xn+1 = AXn
Et par r´ecurrence imm´ediate, on a pour toutn∈N, Xn=AnX0. (voir le r´esultat dans l’exempleA.5.7)