UNIVERSIT PARIS OUEST NANTERRE LA DFENSE

U.F.R. SEGMI Anne universitaire 2013 2014

Master dconomie Cours de M. Desgraupes
MATHS/STATS
Document 2 : Solution des exercices dalgbre linaire
Table des matires
1 Espaces Vectoriels 1
2 Applications linaires 4
3 Reprsentation matricielle 9
4 Diagonalisation 15
5 Dcompositions matricielles 23
1 Espaces Vectoriels
Corrig ex. 1 : Espaces dnis par paramtres
On considre les deux ensembles suivants :
E
1
= {(a, 2b, b a) | a, b R}
E
2
= {(c, c +d, d) | c, d R}
1-1) Montrons que E
1
est stable par addition et par multiplication par un scalaire.
Si x = (a, 2b, b a) et x

= (a

, 2b

, b

) alors on a
x +x

= (a, 2b, b a) + (a

, 2b

, b

)
= (a +a

, 2b + 2b

, b a +b

)
= (a +a

, 2(b +b

), (b +b

) (a +a

))
= (A, 2B, B A)
avec A = a + a

et B = b + b

. Le vecteur x + x

est bien de la forme voulue et

appartient donc E
1
. Pour la multiplication par un scalaire, calculons x :
x = (a, 2b, b a)
= (a, 2b, (b a))
= (a, 2b, b a)
= (A, 2B, B A)
avec A = a et B = b.
1
On procde de manire analogue pour lensemble E
2
. Ce sont donc des sous-
espaces vectoriels de R
3
.
1-2) Soit

x = (x
1
, x
2
, x
3
) E
1
. On va trouver lquation vrie par x
1
, x
2
et x
3
en liminant les paramtres a et b entre les quations :
_
_
_
x
1
= a
x
2
= 2b
x
3
= b a
On a
x
3
= b a = 1/2x
2
x
1
do
2x
1
x
2
+ 2x
3
= 0
Il sagit dun plan passant par lorigine.
Dans le cas de E
2
, on obtient de faon analogue :
x
1
x
2
+x
3
= 0
1-3) Lintersection E
1
E
2
est une droite vriant les deux quations prc-
dentes :
_
2x
1
x
2
+ 2x
3
= 0
x
1
x
2
+x
3
= 0
qui conduisent x
1
= x
3
et x
2
= 0. Cest la droite passant par lorigine et de vecteur
directeur (1, 0, 1).
Corrig ex. 2 : Espaces dnis par quations linaires
Dans R
3
, on considre les sous-ensembles suivants :
P = {(x
1
, x
2
, x
3
) | x
1
2x
2
+x
3
= 0}
D = {(x
1
, x
2
, x
3
) | x
1
+x
2
+x
3
= 0 et x
2
x
3
= 0}
2-1) Pour montrer que P et D sont des sous-espaces vectoriels de R
3
, il suft de
monter quils sont stables par addition et par multiplication par un scalaire.
Si x = (x
1
, x
2
, x
3
) et x

= (x

1
, x

2
, x

3
) sont des vecteurs de P, ils vrient
respectivement les quations
_
x
1
2x
2
+x
3
= 0
x

1
2x

2
+x

3
= 0
En additionnant les deux lignes, on voit que leur somme vrie elle aussi lquation
et donc x + x

P. De mme, on montre que le vecteur x vrie lquation en la

multipliant par .
On procde de manire analogue pour D.
2-2) P est un plan car il est dni par une seule quation dans R
3
. Il est donc
de dimension 2 et il suft de trouver deux vecteurs indpendants vriant son quation
pour former une base. Par exemple, les deux vecteurs suivants : (2, 1, 0) et (0, 1, 2).
On peut aussi raisonner au moyen dapplications linaires. P est lensemble des
vecteurs qui annulent la fonction f de R
3
dans R dnie par
f(x
1
, x
2
, x
3
) = x
1
2x
2
+x
3
2
On a donc P = Kerf. Lespace image est R qui est de dimension 1, donc par le
thorme des dimensions on obtient :
dim Ker f = dim E dim Im f = 3 1 = 2
ce qui conrme que le noyau est un plan.
Lespace D est de dimension 1 car il est dni par lannulation de deux quations
linaires indpendantes, do :
dim D = 3 2 = 1
Un vecteur directeur de cette droite est un vecteur qui vrie les deux quations d-
nissant D :
_
x
1
+x
2
+x
3
= 0
x
2
x
3
= 0
On en dduit x
2
= x
3
et x
1
= 2x
3
. Un vecteur directeur possible est donc (2, 1, 1).
Corrig ex. 3 : Rang dune famille de vecteurs
Le rang de la famille des trois vecteurs
a = (1, m, m) b = (m, 1, m) c = (m, m, 1)
est aussi le rang de la matrice
M =
_
_
1 m m
m 1 m
m m 1
_
_
Son dterminant vaut
det M = 2m
3
3m
2
+ 1 = (m1)
2
(2m+ 1)
Si m est diffrent de 1 et de -1/2, le dterminant nest pas nul et la matrice est donc de
rang maximal 3.
Si m = 1/2, la matrice sera de rang 2. On note que, dans ce cas, la somme des
trois lignes de la matrice est nulle mais que les deux premires sont indpendantes, ce
qui est une autre faon de voir que le rang est 2.
Enn, si m = 1, les trois lignes de la matrice sont identiques, ce qui signie quelle
est de rang 1.
Corrig ex. 4 : Sous-espace dpendant dun paramtre
F
m
est le sous-espace vectoriel de R
3
dni par
F
m
= {(x
1
, x
2
, x
3
) | x
2
2x
3
= 0 et mx
2
+ 3x
3
= 0}
Les deux quations sont indpendantes si et seulement si les deux lignes de la
matrice
M =
_
1 2
m 3
_
3
sont indpendantes, ce qui a lieu lorsque le dterminant est non nul. On calcule :
det M = 3 + 2m.
Si m = 3/2, les deux quations sont indpendantes et ne peuvent tre vries
simultanment que si x
2
= x
3
= 0. Lespace F
m
est alors lensemble des vecteurs de
la forme (x
1
, 0, 0), cest--dire laxe des x
1
qui a pour vecteur directeur (1, 0, 0).
Si m = 3/2, lensemble F
m
est le plan dquation x
2
2x
3
= 0. Il est donc de
dimension 2. Pour constituer une base, il suft de prendre deux vecteurs indpendants
vriant cette quation. Par exemple, les vecteurs (1, 0, 0) et (0, 2, 1).
Corrig ex. 5 : Base dun sous-espace
Dans R
4
, si on a les galits x
1
= x
2
= x
3
= x
4
, tout vecteur scrit

x = (x
1
, x
2
, x
3
, x
4
)
= (x
1
, x
1
, x
1
, x
1
)
= x
1
(1, 1, 1, 1)
Le sous-espace est donc lensemble des multiples du vecteur (1, 1, 1, 1). Il est donc de
dimension 1 : cest la droite passant par lorigine et de vecteur directeur (1, 1, 1, 1).
2 Applications linaires
Corrig ex. 6 : Dimensions des espaces de dpart et darrive
Si f est une application linaire de R
3
dans R
2
, lespace de dpart est de dimension
strictement plus grande que lespace darrive. On en dduit que :
1. f ne peut pas tre injective car, si ctait le cas, lespace de dpart serait inject
dans lespace darrive. Ce dernier devrait donc tre de dimension au moins 3.
2. f pourrait tre surjective.
3. f ne peut pas tre bijective. Pour cela, il faudrait dj que les deux espaces aient
la mme dimension.
Si f est une application linaire de R
2
dans R
3
, lespace de dpart est de dimension
strictement plus petite que lespace darrive. On en dduit que
1. f pourrait tre injective.
2. f ne peut pas tre surjective car lespace image sera au mieux de dimension 2 et
ne pourra donc jamais remplir lespace darrive.
3. f ne peut pas tre bijective. Pour cela, il faudrait dj que les deux espaces aient
la mme dimension.
Enn, si f est une application linaire de R
2
dans R
2
, elle peut tout fait tre
injective, surjective ou bijective. Les espaces de dpart et darrive ayant mme dimen-
sion, on peut mme dire que si elle est injective elle sera automatiquement surjective,
et vice-versa.
4
Corrig ex. 7 : Noyau et image en fonction dun paramtre
u est lendomorphisme de R
3
dni par
u
_
_
x
1
x
2
x
3
_
_
=
_
_
x
1
+x
2
+x
3
x
1
+x
2
+x
3
x
1
+x
2
_
_
Pour dterminer son noyau, on pose les quations suivantes :
_
_
_
x
1
+x
2
+x
3
= 0
x
1
+x
2
+x
3
= 0
x
1
+x
2
= 0
Par soustraction des deux dernires quations, on obtient x
3
= 0.
Supposons que = 0. On en dduit que x
3
= 0, ce qui conduit
_
x
1
+x
2
= 0
x
1
+x
2
= 0
Si = 1, ces deux quations sont indpendantes et donnent x
1
= 0 et x
2
= 0. On
trouve alors que le noyau ne contient que le vecteur nul

0 . Si au contraire = 1, il
reste lquation x
1
+x
2
= 0 (et toujours x
3
= 0). Le noyau est alors la droite passant
par lorigine et de vecteur directeur (1, 1, 0).
Il reste examiner le cas o = 0. Le systme initial se ramne alors simplement
:
x
1
+x
2
+x
3
= 0
x
1
= 0
Le noyau est cette fois la droite de vecteur directeur (0, 1, 1).
Dterminons maintenant limage dans les trois cas prcdents. Si = 0 et = 1,
le noyau est rduit

0 et lapplication est donc injective. Il en rsulte quelle est
aussi surjective puisque lespace de dpart et lespace darrive ont mme dimension.
Lespace image est donc lespace darrive R
3
tout entier. Le rang est 3.
Si = 1, limage de lapplication est dnie par
_
_
_
X = x
1
+x
2
+x
3
Y = x
1
+x
2
+x
3
Z = x
1
+x
2
o X, Y et Z sont les coordonnes dans lespace darrive. On voit ici que X = Y ,
autrement dit que X Y = 0. Cest lquation dun plan dans R
3
. Une base possible
est forme des vecteurs (0, 0, 1) et (1, 1, 0). Le rang est 2.
Si = 0, limage de lapplication est dnie par
_
_
_
X = x
1
+x
2
+x
3
Y = x
1
Z = x
1
On voit que Y = Z, autrement dit que Y Z = 0. Cest lquation dun plan dans R
3
.
Une base possible est forme des vecteurs (0, 1, 1) et (1, 0, 0). Le rang est 2.
5
Corrig ex. 8 : Matrice de permutation
Soit u lapplication de R
3
dans R
3
dnie par
u
_
_
x
1
x
2
x
3
_
_
=
_
_
x
3
x
1
x
2
_
_
8-1) u est linaire car elle est dnie par des combinaisons linaires des variables
x
1
, x
2
et x
3
.
8-2) La matrice associe u dans la base canonique est
M =
_
_
0 1 0
0 0 1
1 0 0
_
_
Cest une matrice de permutation. Lapplication u opre une permutation circulaire des
variables x
1
, x
2
et x
3
.
8-3) On calcule
M
2
=
_
_
0 0 1
1 0 0
0 1 0
_
_
M
3
=
_
_
1 0 0
0 1 0
0 0 1
_
_
On voit donc que M
3
= I, ce qui peut scrire MM
2
= M
2
M = I et montre que
M
2
est linverse de M. On a donc M
1
= M
2
.
8-4) Calculons les puissances successives de la matrice M.
Puisque M
3
= I, on a M
4
= M, M
5
= M
2
, M
6
= I, etc.
De mme, puisque M
1
= M
2
, on calcule M
2
= M
4
= M, et ensuite M
3
=
I, M
4
= M
2
, M
5
= M, M
6
= I, etc.
Corrig ex. 9 : Base dun noyau
On considre lapplication u de R
4
dans R
2
dnie par
u :
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_

_
x
1
+ 2x
2
+ 3x
3
+x
4
x
1
+x
2
+ 3x
3
+x
4
_
Il sagit de dterminer une base du noyau de cette application. Puisque les deux
expressions sont indpendantes, lespace image sera de dimension 2. On en dduit
que le noyau est de dimension 4 2 = 2. Il suft donc de trouver deux vecteurs
indpendants vriant les quations donnes. Si on soustrait les deux quations, on
trouve :
2x
1
+x
2
= 0
On peut prendre, par exemple, les vecteurs (1, 2, 0, 0) et (0, 0, 1, 3).
6
Corrig ex. 10 : Application dnie sur les vecteurs dune base
f est lapplication linaire de R
2
dans R
3
dnie par
f(1, 1) = (4, 2, 0) et f(1, 1) = (2, 0, 6).
10-1) Pour trouver les images par f des vecteurs de la base canonique de R
2
, il
suft dexprimer ces vecteurs en fonction des vecteurs (1, 1) et (1, 1) dont on nous
donne les images par f. On trouve facilement que e
1
= (1, 0) = 1/2((1, 1) +(1, 1)).
Do, par linarit,
f(e
1
) = f(1, 0) = 1/2
_
f(1, 1) +f(1, 1)
_
= 1/2
_
(4, 2, 0) + (2, 0, 6)
_
= (3, 1, 3)
De mme, e
2
= (0, 1) = 1/2((1, 1) (1, 1)) do :
f(e
2
) = f(0, 1) = 1/2
_
f(1, 1) f(1, 1)
_
= 1/2
_
(4, 2, 0) (2, 0, 6)
_
= (1, 1, 3)
10-2) Limage par f dun vecteur quelconque de R
2
scrit
f(x
1
, x
2
) = f(x
1
e
1
+x
2
e
2
)
= x
1
f(e
1
) +x
2
f(e
2
)
= x
1
(3, 1, 3) +x
2
(1, 1, 3)
= (3x
1
+x
2
, x
1
+x
2
, 3x
1
3x
2
)
10-3) Le noyau de f est dni par les quations
_
_
_
3x
1
+x
2
= 0
x
1
+x
2
= 0
3x
1
3x
2
= 0
qui donnent x
1
= x
2
= 0. Le noyau est donc rduit au vecteur

0 et lapplication f est
injective. Par le thorme des dimensions, on en dduit que limage est de dimension
2 0 = 2 Lapplication nest donc pas surjective (puisque 2 < 3). Par limination
entre les quations suivantes
_
_
_
y
1
= 3x
1
+x
2
y
2
= x
1
+x
2
y
3
= 3x
1
3x
2
on obtient la relation :
3y
1
6y
2
y
3
= 0
Cest lquation de limage. Il sagit dun plan dans lespace darrive R
3
.
Le rang de f est la dimension de lespace image, cest--dire 2.
7
10-4) La droite de R
2
dquation x
1
+ x
2
a pour vecteur directeur (1, 1). Son
image est donc la droite de vecteur directeur f(1, 1) = (2, 0, 6). Cest un sous-
espace vectoriel de dimension 1 de R
3
.
10-5) Dans lquation du plan y
1
+y
2
+y
3
= 0, on remplace y
1
, y
2
, y
3
par leurs
valeurs en fonction de x
1
, x
2
, x
3
. On obtient donc
(3x
1
+x
2
) + (x
1
+x
2
) + (3x
1
3x
2
) = 0
et par consquent
7x
1
x
2
= 0
Cest lquation dune droite passant par lorigine dans R
2
. Cest donc un sous-espace
vectoriel de dimension 1 de R
2
.
Corrig ex. 11 : Noyau et image sans calculs
f(x
1
, x
2
, x
3
, x
4
) =
_
2x
1
x
2
+x
3
x
1
+ 2x
2
x
4
_
11-1) Lapplication f est linaire car les deux expressions qui dnissent le vec-
teur image sont homognes de degr 1 (linaires).
11-2) Lapplication f nest pas injective car la dimension de lespace dpart est
strictement suprieure la dimension de lespace darrive.
11-3) Pour dterminer le noyau de f, on doit rsoudre les quations
2x
1
x
2
+x
3
= 0
x
1
+ 2x
2
x
4
= 0
On peut facilement exprimer toutes les variables en fonction de x
1
et x
2
comme ceci :
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
=
_
_
_
_
x
1
x
2
2x
1
+x
2
x
1
+ 2x
2
_
_
_
_
= x
1
_
_
_
_
1
0
2
1
_
_
_
_
+x
2
_
_
_
_
0
1
1
2
_
_
_
_
Les deux vecteurs V
1
=
_
_
_
_
1
0
2
1
_
_
_
_
et V
2
=
_
_
_
_
0
1
1
2
_
_
_
_
sont indpendants et constituent
une base du noyau. Celui-ci est donc un sous-espace de dimension deux (un plan) dans
R
4
.
11-4) On vrie facilement que f(V ) = 0 et donc que le vecteur V appartient
au noyau de f. Pour trouver les coordonnes de V dans la base (V
1
, V
2
) trouve la
question prcdente, il faut dterminer
1
et
2
tels que :
V =
1
V
1
+
2
V
2
On trouve
1
= 2 et
2
= 1, donc V = 2V
1
+V
2
.
11-5) Le thorme des dimensions stipule que, pour toute application linaire
f : E F, on a
DimKer(f) + DimIm(f) = DimE
o E est lespace de dpart. Puisque la dimension du noyau est 2 et que la dimension
de lespace de dpart est 4, on en dduit que la dimension de limage est 2. Limage est
donc lespace darrive tout entier.
8
3 Reprsentation matricielle
Corrig ex. 12 : Images de la base canonique
On considre lendomorphisme u de R
3
dni par les relations :
_
_
_
u(

e
1
) =

e
1
+

e
2
+

e
3
u(

e
2
) =

e
1
+

e
2
u(

e
3
) = 2u(

e
1
) u(

e
2
)
La dernire relation conduit, par substitution,
u(

e
3
) =

e
1
+

e
2
+ 2

e
3
Les images des vecteurs de base ont respectivement pour coordonnes (1, 1, 1), (1, 1, 0)
et (1, 1, 2). La matrice de lapplication dans la base canonique est donc
M =
_
_
1 1 1
1 1 1
1 0 2
_
_
On voit immdiatement que les deux premires lignes de cette matrice sont identiques
tandis que la troisime est indpendante. La matrice est donc de rang 2.
Le noyau est dni par les quations
_
x
1
+x
2
+x
3
= 0
x
1
+ 0x
2
+ 2x
3
= 0
On en tire x
1
= 2x
3
puis x
2
= x
3
. Cest la droite passant par lorigine et de vecteur
directeur (2, 1, 1). Le noyau est de dimension 1.
Limage est lensemble des vecteurs vriant
_
_
_
y
1
= x
1
+x
2
+x
3
y
2
= x
1
+x
2
+x
3
y
3
= x
1
+ 2x
3
ce qui conduit y
1
= y
2
et y
3
quelconque. Limage est donc un plan et a pour dimen-
sion 2.
Le thorme des dimensions se vrie puisque la somme de la dimension du noyau
et de celle de limage est gale celle de lespace lui-mme : 1 + 2 = 3.
Enn lendomorphisme u nest ni injectif (noyau non rduit 0), ni surjectif (image
diffrente de lespace darrive).
Corrig ex. 13 : Composition dapplications
On considre les fonctions f : (x, y) (3x +y, y) et g : (x, y) (y, 2x) de
R
2
dans R
2
.
13-1) On calcule
f g(x, y) = f
_
g(x, y)
_
= f(y, 2x) = (3y + 2x, 2x)
9
De mme on trouve
g f(x, y) = g
_
f(x, y)
_
= g(3x +y, y) = (y, 6x + 2y)
Ces deux applications sont bien linaires puisquelles sont dnies par des combi-
naisons linaires des variables.
13-2) Les matrices reprsentant les applications f, g, f g et g f dans la base
canonique sont respectivement :
M
f
=
_
3 1
0 1
_
M
g
=
_
0 1
2 0
_
M
fg
=
_
2 3
2 0
_
M
gf
=
_
0 1
6 2
_
On vrie facilement les relations M
fg
= M
f
M
g
et M
gf
= M
g
M
f
.
Corrig ex. 14 : Matrice dans des bases donnes
On considre lapplication u : R
4
R
3
dnie par les relations suivantes dans
les bases canoniques B
4
= {

e
1
,

e
2
,

e
3
,

e
4
} et B
3
= {

f
1
,

f
2
,

f
3
} :
_

_
u(

e
1
) =

f
1


f
2
u(

e
2
) =

f
2
+ 2

f
3
u(

e
3
) =

f
1
+

f
2
+

f
3
u(

e
4
) = 2

f
1
+

f
2
+ 3

f
3
14-1) La matrice associe u dans ces bases est faite en colonnes des images
des vecteurs de la base de dpart, exprimes dans la base darrive. On obtient donc
partir des relations prcdentes :
M =
_
_
1 0 1 2
1 1 1 1
0 2 1 3
_
_
Cest une matrice 3 4.
14-2) On montre facilement que les lignes de cette matrice sont indpendantes
(le bloc des trois premires colonnes, par exemple, est de dterminant non nul). Le rang
de u (qui est aussi le rang de la matrice) est donc 3.
14-3) Les coordonnes de limage dun vecteur

x = (x
1
, x
2
, x
3
, x
4
) sob-
tiennent en multipliant la matrice M par le vecteur x (en colonne) :
u(x) = Mx =
_
_
1 0 1 2
1 1 1 1
0 2 1 3
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
=
_
_
x
1
+x
3
+ 2x
4
x
1
+x
2
+x
3
+x
4
2x
2
+x
3
+ 3x
4
_
_
Corrig ex. 15 : Changement de base
La matrice
M =
_
_
0 0 0
1 1 0
1 1 2
_
_
10
reprsente un endomorphisme u de R
3
dans une base B = {

e
1
,

e
2
,

e
3
}.
15-1) Les vecteurs

e

1
,

e

2
et

e

3
sont dnis dans la base canonique au moyen des
relations suivantes :
_

_

e

1
=

e
1
+

e
2
+

e
3

e

2
=

e
2
+

e
3

e

3
=

e
3
Ils ont donc respectivement pour coordonnes (1, 1, 1), (0, 1, 1) et (0, 0, 1) dans la base
canonique.
Leurs images (toujours dans la base canonique) sont obtenues en les multipliant
gauche par la matrice M. On trouve
f(e

1
) = Me

1
=
_
_
0
0
0
_
_
f(e

2
) = Me

2
=
_
_
0
1
1
_
_
f(e

3
) = Me

3
=
_
_
0
0
2
_
_
On constate donc les relations suivantes f(e

1
) = 0, f(e

2
) = e

2
et f(e

3
) = 2e

3
.
La matrice M

associe u dans la base B

est faite en colonnes des images des

vecteurs de B

exprimes elles aussi dans la base B

. On a donc :
M

=
_
_
0 0 0
0 1 0
0 0 2
_
_
15-2) La matrice M

tant diagonale, on obtient :

(M

)
n
=
_
_
0 0 0
0 1 0
0 0 2
n
_
_
On en dduit M
n
en faisant le changement de base en sens inverse. La matrice de
passage P de la base B la base B

est
P =
_
_
1 0 0
1 1 0
1 1 1
_
_
La relation de changement de base est M

= P
1
MP. Par consquent M =
PM

P
1
et donc M
n
= P(M

)
n
P
1
. On calcule
P
1
=
_
_
1 0 0
1 1 0
0 1 1
_
_
11
et on trouve, tous calculs faits, que
M
n
=
_
_
0 0 0
1 1 0
1 1 2
n
2
n
_
_
Corrig ex. 16 : Indpendance dans limage
On considre lapplication linaire h de R
3
dans R
3
dnie par
f : (a, b, c) (a +b, b +c, a c).
16-1) Calculons les images des vecteurs de base :
f(e
1
) = f(1, 0, 0) = (1, 0, 1)
f(e
2
) = f(0, 1, 0) = (1, 1, 0)
f(e
3
) = f(0, 0, 1) = (0, 1, 1)
16-2) Cherchons une relation de dpendance entre les vecteurs f(e
1
), f(e
2
),
f(e
3
). Cela revient chercher trois coefcients a
1
, a
2
, a
3
non tous nuls tels que :
a
1
f(e
1
) +a
2
f(e
2
) +a
3
f(e
3
) = 0
On a donc :
a
1
(1, 0, 1) +a
2
(1, 1, 0) +a
3
(0, 1, 1)
Do les quations :
_
_
_
a
1
+a
2
= 0
a
2
+a
3
= 0
a
1
a
3
= 0
qui donnent a
1
= a
2
= a
3
et donc, par exemple, a
1
= 1, a
2
= 1 et a
3
= 1. La
combinaison recherche est nalement :
f(e
2
) = f(e
1
) +f(e
3
)
16-3) Les vecteurs f(e
1
), f(e
2
), f(e
3
) sont lis mais ils sont deux deux ind-
pendants : lapplication f est donc de rang 2.
16-4) Par le thorme des dimensions, on en dduit que le noyau de f est de
dimension 3 2 = 1. En posant que f(x) = 0, on obtient les mmes expressions que
prcdemment :
_
_
_
a +b = 0
b +c = 0
a c = 0
Les lments du noyau sont donc de la forme (a, a, a). Ce sont tous les multiples
de (1, 1, 1). Le noyau est ainsi la droite passant par lorigine et de vecteur directeur
(1, 1, 1).
12
16-5) Si f est une application linaire de R
p
dans R
q
et que les vecteurs f(e
1
),. . . ,
f(e
p
) forment un systme linairement indpendant dans limage f(R
p
), on a
dim Im f = p
Par consquent
dim Ker f = p p = 0
ce qui montre que f est injective.
La rciproque est vraie : si f est injective, les vecteurs f(e
1
),. . . , f(e
p
) sont linai-
rement indpendants. Ils constituent une base de f(R
p
).
Remarque : f(R
p
) nest pas forcment R
q
tout entier (il faudrait en plus que p = q).
Corrig ex. 17 : Systmes dgnrs
Dans le systme dquations linaires :
_
_
_
x
1
+ 3x
2
x
3
= 0
mx
2
+ 3x
3
= 0
x
2
+x
3
= 0
le dterminant est gal (m 3). Si m = 3, le systme a une solution unique qui est
(0, 0, 0). On aura donc des solutions autres que (0, 0, 0) seulement si m = 3.
Cela signie que le noyau de lapplication linaire associe
u :
_
_
x
1
x
2
x
3
_
_

_
_
x
1
+ 3x
2
x
3
mx
2
+ 3x
3
x
2
+x
3
_
_
nest pas rduit llment

0 et, par consquent, que lapplication nest pas injective.
Corrig ex. 18 : Matrices par blocs
M =
_
A B
0 C
_
o A et C sont des blocs carrs.
18-1) Cherchons linverse M
1
sous la forme dune matrice par blocs M
1
=
_
E F
G H
_
. Il faut que M M
1
= I et M
1
M = I. En dveloppant ces deux galits,
on obtient les quations suivantes :
_

_
AE +BG = I EA = I
AF +BH = 0 EB +FC = 0
CG = 0 GA = 0
CH = I HC = I
Les deux dernires relations imposent que C soit inversible. Dans ce cas, la relation
CG = 0 impose que G = 0.
Les deux premires relations imposent alors que AE = EA = I, cest--dire que
A soit inversible.
13
18-2) Sous la condition que A et C sont inversibles, on peut alors rsoudre les
quations prcdentes pour obtenir linverse de M.
On trouve facilement :
_

_
E = A
1
F = A
1
BC
1
G = 0
H = C
1
et donc nalement
M
1
=
_
A
1
A
1
BC
1
0 C
1
_
.
On vrie a posteriori que M M
1
= M
1
M = I.
Corrig ex. 19 : Bloc identit
On a M =
_
A 0
I B
_
et on souhaite trouver un inverse de la mme forme, cest--
dire M
1
=
_
C 0
I D
_
.
Il faut que M M
1
= I et M
1
M = I. En dveloppant la premire galit, on
obtient les quations suivantes :
_

_
AC = I
C +B = 0
BD = I
La deuxime galit donne de mme :
_

_
CA = I
A+D = 0
DB = I
Puisque les blocs sont tous carrs par hypothse, les produits obtenus ne sont pos-
sibles que si ils ont tous la mme taille. Cest une premire condition.
Les relations AC = CA = I signient que A doit tre inversible et alors on a
C = A
1
. De la mme manire, B doit tre inversible et on a D = B
1
.
La condition A+D = 0 enn impose que A = B
1
.
14
4 Diagonalisation
Corrig ex. 20 : Valeurs et vecteurs propres
Modle de rsolution
Prenons, titre dexemple, la matrice
_
_
2 0 1
1 4 1
1 2 0
_
_
.
On commence par calculer son polynme caractristique :
P() = det
_
_
2 0 1
1 4 1
1 2
_
_
=
3
+ 6
2
11 + 6
= ( 1)( 2)( 3)
Il y a donc trois valeurs propres :
1
= 1,
2
= 2 et
3
= 3.
Les vecteurs propres associs X sont solution de lquation (A I)X = 0 pour
chacune des valeurs propres respectivement.
Valeur propre
1
: on pose le systme (AI)X = 0, ce qui donne
_
_
_
x
1
+ 0x
2
+x
3
= 0
x
1
+ 3x
2
x
3
= 0
x
1
+ 2x
2
x
3
= 0
En faisant la diffrence entre la deuxime et la troisime quation, on obtient x
2
= 0,
ce qui donne ensuite x
3
= x
1
. On peut donc choisir comme vecteur propre V
1
=
_
_
1
0
1
_
_
(ou nimporte quel multiple de ce vecteur).
Valeur propre
2
: le systme (A2I)X = 0 scrit
_
_
_
0x
1
+ 0x
2
+x
3
= 0
x
1
+ 2x
2
x
3
= 0
x
1
+ 2x
2
2x
3
= 0
La premire quation donne x
3
= 0, ce qui conduit ensuite x
1
= 2x
2
. On peut donc
choisir comme vecteur propre V
2
=
_
_
2
1
0
_
_
.
Valeur propre
3
: le systme (A3I)X = 0 scrit
_
_
_
x
1
+ 0x
2
+x
3
= 0
x
1
+x
2
x
3
= 0
x
1
+ 2x
2
3x
3
= 0
15
La premire quation donne x
1
= x
3
. En reportant dans la deuxime, on obtient alors
x
2
= 2x
3
. On peut donc choisir comme vecteur propre V
3
=
_
_
1
2
1
_
_
.
Finalement, la matrice de passage est la matrice forme en colonne des vecteurs
propres :
P =
_
_
1 2 1
0 1 2
1 0 1
_
_
et la matrice diagonalise comporte les valeurs propres sur la diagonale :
D =
_
_
1 0 0
0 2 0
0 0 3
_
_
La relation entre A, P et D est :
D = P
1
AP
Solution de tous les exemples
Pour tous les exemples de cet exercice, on donne le polynme caractristique et les
valeurs propres. Lorsque la matrice est diagonalisable, on indique aussi la matrice de
passage et la matrice diagonale, sinon on indique seulement les vecteurs propres.
Matrice
_
2 1
1 2
_
Polynme caractristique : P() =
2
4 + 3 = ( 1) ( 3).
Valeurs propres :
1
= 1,
2
= 3.
Matrice de passage : P =
_
1 1
1 1
_
.
Matrice diagonale : D =
_
1 0
0 3
_
.
Matrice
_
6/5 8/5
8/5 6/5
_
Polynme caractristique : P() =
2
4 = ( 2) ( + 2).
Valeurs propres :
1
= 2,
2
= 2.
Matrice de passage : P =
_
1 2
2 1
_
.
Matrice diagonale : D =
_
2 0
0 2
_
.
Matrice
_
1 1
1 1
_
Polynme caractristique : P() =
2
2 + 2.
Valeurs propres :
1
= 1 i,
2
= 1 +i.
Matrice de passage : P =
_
1 1
i i
_
.
Matrice diagonale : D =
_
1 i 0
0 1 +i
_
.
16
Matrice
_
2 1
1 2
_
Polynme caractristique : P() =
2
4 + 5.
Valeurs propres :
1
= 2 i,
2
= 2 +i.
Matrice de passage : P =
_
1 1
i i
_
.
Matrice diagonale : D =
_
2 i 0
0 2 +i
_
.
Matrice
_
_
2 0 1
1 4 1
1 2 0
_
_
Polynme caractristique : P() =
3
+6
2
11 +6 = ( 1) ( 2) ( 3).
Valeurs propres :
1
= 1,
2
= 2,
3
= 3.
Matrice de passage : P =
_
_
1 2 1
0 1 2
1 0 1
_
_
.
Matrice diagonale : D =
_
_
1 0 0
0 2 0
0 0 3
_
_
.
Matrice
_
_
1 2 0
2 4 3
2/3 3 2
_
_
Polynme caractristique : P() =
3

2
+ 5 3 = ( 1)
2
( + 3).
Valeurs propres :
1
= 3 simple,
2
= 1 double.
La valeur propre simple
1
= 3 a pour vecteur propre V
1
=
_
_
1
2
4/3
_
_
.
La valeur propre double
2
= 1 ne possde quun seul vecteur propre V
2
=
_
_
1
0
2/3
_
_
.
La matrice nest donc pas diagonalisable.
Matrice
_
_
4 6 3
2 3 2
1 2 0
_
_
Polynme caractristique : P() =
3
+
2
+ 1 = ( 1)
2
( + 1).
Valeurs propres :
1
= 1 double,
2
= 1 simple.
Matrice de passage : P =
_
_
1 0 3
0 1 2
1 2 1
_
_
.
Matrice diagonale : D =
_
_
1 0 0
0 1 0
0 0 1
_
_
.
17
Matrice
_
_
3 0 0
8 7 1
4 1 5
_
_
Polynme caractristique : P() =
3
+15
2
72 +108 = ( 6)
2
( 3).
Valeurs propres :
1
= 3 simple,
2
= 6 double.
La valeur propre simple
1
= 3 a pour vecteur propre V
1
=
_
_
3
4
8
_
_
.
La valeur propre double
2
= 6 ne possde quun vecteur propre V
2
=
_
_
0
1
1
_
_
.
La matrice nest donc pas diagonalisable.
Matrice
_
_
3 0 2
7 2 11
3 0 4
_
_
Polynme caractristique : P() =
3
+
2
+ 8 12 = ( 2)
2
( + 3).
Valeurs propres :
1
= 3 simple,
2
= 2 double.
La valeur propre simple
1
= 3 a pour vecteur propre V
1
=
_
_
5
26
15
_
_
.
La valeur propre double
2
= 2 ne possde quun vecteur propre V
2
=
_
_
0
1
0
_
_
.
La matrice nest donc pas diagonalisable.
Matrice
_
_
4/3 2/3 2/3
1 1 0
1/3 1/3 2/3
_
_
Polynme caractristique : P() =
3
3
2
2 = ( + 1) ( + 2).
Valeurs propres :
1
= 0,
2
= 1,
3
= 2.
Matrice de passage : P =
_
_
1 0 1
1 1 1
1 1 0
_
_
.
Matrice diagonale : D =
_
_
0 0 0
0 1 0
0 0 2
_
_
.
Matrice
1
2
_
_
_
_
5 3 3 3
1 3 1 1
1 1 5 1
1 1 1 7
_
_
_
_
Polynme caractristique : P() =
4
10
3
+35
2
50 +24 = ( 1) ( 2) ( 3) ( 4).
Valeurs propres :
1
= 1,
2
= 2,
3
= 3,
4
= 4.
Matrice de passage : P =
_
_
_
_
1 0 0 1
1 1 0 0
0 1 1 0
0 0 1 1
_
_
_
_
.
18
Matrice diagonale : D =
_
_
_
_
1 0 0 0
0 2 0 0
0 0 3 0
0 0 0 4
_
_
_
_
.
Matrice
_
_
_
_
1 1 1 1
0 0 0 0
1 1 1 1
0 0 0 2
_
_
_
_
Polynme caractristique : P() =
4
4
3
+ 4
2
=
2
( 2)
2
.
Valeurs propres :
1
= 0 double,
2
= 2 double.
Matrice de passage : P =
_
_
_
_
1 0 0 1
1 1 0 0
0 1 1 0
0 0 1 1
_
_
_
_
.
Matrice diagonale : D =
_
_
_
_
0 0 0 0
0 0 0 0
0 0 2 0
0 0 0 2
_
_
_
_
.
Corrig ex. 21 : Matrice paramtrique
On considre la matrice A =
_
m2 m
1 m2
_
o m est un paramtre rel.
21-1) Pour que Aait une valeur propre nulle, il faut et il suft que son dterminant
soit nul (puisque le dterminant est le produit des valeurs propres). On calcule :
det(A) = (m2)
2
m = m
2
5m+ 4 = (m1)(m4).
Cela se produit donc lorsque m = 1 ou m = 4.
On dtermine la seconde valeur propre en utilisant la trace de la matrice. On a :
Tr(A) = 2m4 =
1
+
2
= 0 +
2
.
Par consquent,
2
= 2m4 =
_
2 si m = 1
4 si m = 4
21-2) Le vecteur propre V correspondant la valeur propre 0 doit vrier lqua-
tion AV = 0V = 0.
Dans le cas o m = 1, lquation AV = 0 a pour solution le vecteur V
1
=
_
1
1
_
.
Dans le cas o m = 4, lquation AV = 0 a pour solution le vecteur V
2
=
_
2
1
_
.
19
Corrig ex. 22 : Trace et dterminant
M =
_
_
1 1 2
1 2 1
2 1 1
_
_
22-1) Si on additionne les colonnes de la matrice M, on trouve le vecteur
_
_
2
2
2
_
_
.
Or additionner les colonnes, revient multiplier la matrice droite par le vecteur
_
_
1
1
1
_
_
.
On a donc la relation :
M
_
_
1
1
1
_
_
=
_
_
2
2
2
_
_
= 2
_
_
1
1
1
_
_
.
Cela signie que le vecteur
_
_
1
1
1
_
_
est un vecteur propre de valeur propre
1
= 2.
22-2) On note
1
,
2
et
3
les valeurs propres de M.
La trace de la matrice est :
Tr(A) = 1 + 2 1 = 2 =
1
+
2
+
3
= 2 +
2
+
3
.
On en dduit que

2
+
3
= 0.
22-3) Le dterminant de la matrice est :
det(A) = 14 =
1

3
= 2
2

3
.
On en dduit que

3
= 7.
22-4) Des deux questions prcdentes, on dduit que
2
=

7 et
3
=

7.
Corrig ex. 23 : Matrices symtriques
les matrices symtriques possdent les proprits suivantes :
toute matrice symtrique est diagonalisable ;
les valeurs propres sont toujours relles (autrement dit, jamais complexes) et les
vecteurs propres de mme ;
des vecteurs propres correspondant des valeurs propres distinctes sont ortho-
gonaux entre eux ;
on peut choisir les vecteurs propres de manire former une base orthonorme
(cest--dire constitue de vecteurs unitaires orthogonaux entre eux).
20
Pour tous les exemples de cet exercice, on donne le polynme caractristique, les
valeurs propres, la matrice de passage P et la matrice diagonale D. La matrice de
passage est forme en colonnes de vecteurs orthonorms : cela en fait une matrice dite
orthogonale qui vrie la proprit P
1
=
t
P.
Matrice
_
0 2
2 0
_
Polynme caractristique : P() =
2
4 = ( 2) ( + 2).
Valeurs propres :
1
= 2,
2
= 2.
Matrice de passage : P =
_
_
_
1

2
1

2
1

2
_
_
_.
Matrice diagonale : D =
_
2 0
0 2
_
.
Matrice
_
3 2
2 3
_
Polynme caractristique : P() =
2
6 + 5 = ( 1) ( 5).
Valeurs propres :
1
= 1,
2
= 5.
Matrice de passage : P =
_
_
_
1

2
1

2
1

2
_
_
_.
Matrice diagonale : D =
_
1 0
0 5
_
.
Matrice
_
3 6
6 12
_
Polynme caractristique : P() =
2
15.
Valeurs propres :
1
= 0,
2
= 15.
Matrice de passage : P =
_
_
_
2

5
1

5
1

5
_
_
_.
Matrice diagonale : D =
_
0 0
0 15
_
.
Matrice
_
_
1 2 2
2 1/2 1/2
2 1/2 1/2
_
_
Polynme caractristique : P() =
3
+ 9 = ( 3) ( + 3).
Valeurs propres :
1
= 3,
2
= 3,
3
= 0.
Matrice de passage : P =
_
_
_
_
_
_
_
2

6
1

3
0

6
1

3
1

6
1

2
_
_
_
_
_
_
_
.
21
Matrice diagonale : D =
_
_
3 0 0
0 3 0
0 0 0
_
_
.
Matrice
_
_
8 1 2
1 8 2
2 2 5
_
_
Polynme caractristique : P() =
3
+21
2
135 +243 = ( 9)
2
( 3).
Valeurs propres :
1
= 3 simple,
2
= 9 double.
Matrice de passage : P =
_
_
_
_
_
_
_
1

6
2

5
1

30
1

6
0
5

30

6
1

30
_
_
_
_
_
_
_
.
Matrice diagonale : D =
_
_
3 0 0
0 9 0
0 0 9
_
_
.
Matrice
_
_
0 1 1
1 0 1
1 1 0
_
_
Polynme caractristique : P() =
3
+ 3 + 2 = ( 2) ( + 1)
2
.
Valeurs propres :
1
= 2 simple,
2
= 1 double.
Matrice de passage : P =
_
_
_
_
_
_
_
1

3
1

2
1

6
1

3
0
2

6
1

2
1

6
_
_
_
_
_
_
_
.
Matrice diagonale : D =
_
_
2 0 0
0 1 0
0 0 1
_
_
.
Matrice
1
3
_
_
7 2 2
2 1 4
2 4 1
_
_
Polynme caractristique : P() =
3
+3
2
+3 = ( 1) ( + 1) ( 3).
Valeurs propres :
1
= 1,
2
= 1,
3
= 3.
Matrice de passage : P =
_
_
_
_
_
_
_
1

3
0
2

3
1

6
1

3
1

2
1

6
_
_
_
_
_
_
_
.
Matrice diagonale : D =
_
_
1 0 0
0 1 0
0 0 3
_
_
.
22
5 Dcompositions matricielles
Corrig ex. 24 : Dcomposition en valeurs singulires
Dnitions et proprits
On considre une matrice A de taille mn (donc pas ncessairement carre) et on
note r son rang. On a donc r min(m, n).
Il est facile de vrier que la matrice
t
AA est carre de taille n n et symtrique
de rang r. Puisquelle est symtrique, elle est diagonalisable et ses valeurs propres sont
relles. On montre que ses valeurs propres sont mme positives ou nulles.
Traditionnellement, les valeurs propres non nulles de
t
AAsont notes
2
1
,
2
2
, . . . ,
2
r
et sont ranges dans lordre dcroissant, comme ceci :

2
1

2
2

2
r
> 0.
Les nombres
1
,
2
, . . . ,
r
sont appels les valeurs singulires de la matrice A.
Autrement dit, les valeurs singulires de A sont les racines carres des valeurs propres
non nulles de
t
AA. Il y a r valeurs singulires (compte-tenu de lordre de multiplicit)
et, puisque
t
AA est de taille n, la valeur propre 0 est de multiplicit n r.
On montre quil est possible de trouver des matrices orthogonales U et V telles que
la matrice A scrive sous la forme du produit
A = V
t
U (1)
o est une matrice de la mme taille que la matrice Aayant les valeurs singulires sur
sa diagonale et des 0 partout ailleurs. La matrice est dite parfois pseudo-diagonale.
Elle a la forme suivante :
=
_
_
_
_
_
_
_
_
_
_

1
0 0 0
0
.
.
.
0 0
0 0
r
0
0 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0
_
_
_
_
_
_
_
_
_
_
Le produit matriciel de la relation (1) implique que la matrice V est carre de taille m,
la matrice U est carre de taille n. La matrice est de taille mn comme A. Puisque
U et V sont orthogonales, on peut inversement exprimer en fonction de A par la
relation suivante :
=
t
V AU (2)
La relation (1) sappelle dcomposition en valeurs singulires de la matrice A.
Cette dcomposition est toujours possible mais nest pas unique. Il est cependant facile
de dterminer des matrices orthogonales U et V . Il se trouve en effet quon peut prendre
pour la matrice U la matrice des vecteurs propres singuliers, cest--dire la matrice
23
de passage dans la diagonalisation de la matrice symtrique
t
AA. Si on appelle U
1
,
U
2
,. . .,U
n
ces vecteurs propres, on dnit alors r vecteurs V
1
, V
2
,. . .,V
r
en posant
V
i
=
1

i
AU
i
pour 1 i r.
Si r < m, on complte ensuite les V
i
obtenus an de former une base orthonorme.
Les V
i
constituent les colonnes de la matrice V .
Modle de rsolution
titre dexemple, prenons la matrice A =
_
3 1 1
1 3 1
_
.
On commence par calculer la matrice M =
t
AA :
M =
t
AA = =
_
_
10 0 2
0 10 4
2 4 2
_
_
Le polynme caractristique de M est :
P() =
3
+ 22
2
120 = ( 12) ( 10)
Les valeurs propres sont donc
1
= 12,
2
= 10 et
3
= 0. Les valeurs singulires
sont les racines carres des valeurs propres non nulles, donc
1
=

12 et
2
=

10.
La matrice sera la matrice pseudo-diagonale de mme taille que A :
=
_
12 0 0
0

10 0
_
La diagonalisation de la matrice M =
t
AA conduit aux vecteurs propres suivants
(qui forment une base orthonorme) :
U
1
=
_
_
_
_
_
_
_
_
1

6
2

6
1

6
_
_
_
_
_
_
_
_
U
2
=
_
_
_
_
_
_
2

5
0
_
_
_
_
_
_
U
3
=
_
_
_
_
_
_
_
_
1

30
2

30

30
_
_
_
_
_
_
_
_
On obtient donc la matrice orthogonale U :
U =
_
_
_
_
_
_
_
_
1

6
2

5
1

30
2

5
2

30
1

6
0
5

30
_
_
_
_
_
_
_
_
Il ne reste plus qu calculer les vecteurs V
1
et V
2
par la formule V
i
=
1

i
AU
i
. On
trouve :
V
1
=
1

1
AU
1
=
1

12
_
3 1 1
1 3 1
_
_
_
_
_
_
_
_
_
1

6
2

6
1

6
_
_
_
_
_
_
_
_
=
_
_
_
_

2
2

2
2
_
_
_
_
24
puis
V
2
=
1

2
AU
2
=
1

10
_
3 1 1
1 3 1
_
_
_
_
_
_
_
2

5
0
_
_
_
_
_
_
=
_
_
_
_

2
2

2
2
_
_
_
_
Les vecteurs V
1
et V
2
constituent les colonnes de la matrice V :
V =
_
_
_
_

2
2

2
2

2
2

2
2
_
_
_
_
On peut vrier a posteriori que le produit V
t
U redonne bien la matrice A de
dpart :
V
t
U =
_
_
_
_

2
2

2
2

2
2

2
2
_
_
_
_
_
12 0 0
0

10 0
_
_
_
_
_
_
_
_
_
1

6
2

6
1

6
2

5
0
1

30
2

30

30
_
_
_
_
_
_
_
_
=
_
6

5 0

5 0
_
_
_
_
_
_
_
_
_
1

6
2

6
1

6
2

5
0
1

30
2

30

30
_
_
_
_
_
_
_
_
=
_
3 1 1
1 3 1
_
.
Solution de tous les exemples
Matrice
_
3 1 1
1 3 1
_
V =
_
_
_
_

2
2

2
2

2
2

2
2
_
_
_
_
=
_
_

12 0 0
0

10 0
_
_
U =
_
_
_
_
_
_
_
_
1

6
2

5
1

30
2

5
2

30
1

6
0
5

30
_
_
_
_
_
_
_
_
25
Matrice
_
_
1 1
1 0
1 1
_
_
V =
_
_
_
_
_
_
_
_

2
1

6
1

3
0
2

3
1

2
1

6
_
_
_
_
_
_
_
_
=
_
_
_
_
_

3 0
0

2
0 0
_
_
_
_
_
U =
_
1 0
0 1
_
Matrice
_
_
_
_
1 1 0
1 1 0
1 0 1
1 0 1
_
_
_
_
V =
_
_
_
_
_
_
_
_
_
_
_
_
_

1
2

1
2

2
2
0

1
2

1
2

2
2
0

1
2
1
2
0

2
2

1
2
1
2
0

2
2
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_

6 0 0
0

2 0
0 0 0
0 0 0
_
_
_
_
_
_
_
_
U =
_
_
_
_
_
_
_
_
1

3
0
2

3
1

2
1

2
1

6
_
_
_
_
_
_
_
_
Matrice
_
_
_
_
_
_
_
3/2
_
3/2
_
3/2 1
_
3/2 1
_
3/2 + 1
_
3/2 + 1
_
_
_
_
_
_
V =
_
_
_
_
_
_
_
_
1

3
0
2

6
1

2
1

6
1

3
1

2
1

6
_
_
_
_
_
_
_
_
=
_
_
3 0
0 2
0 0
_
_
U =
_
_
_
_
1

2
1

2
1

2
_
_
_
_
26
Corrig ex. 25 : Dcomposition LU
Modle de rsolution
Prenons, titre dexemple, la matrice A =
_
_
2 4 1
6 14 6
4 10 3
_
_
.
On doit trouver une matrice triangulaire infrieure L et une matrice triangulaire
suprieure U dont le produit est gal la matrice donne.
La condition ncessaire et sufsante pour que cette dcomposition soit possible
est que les mineurs principaux nord-ouest (situs en haut gauche de la matrice)
soient non nuls. Si de plus le dterminant de la matrice elle-mme est non nul alors la
dcomposition est unique.
On vrie ici que :
det(2) = 2 = 0
det
_
2 4
6 14
_
= 4 = 0
det
_
_
2 4 1
6 14 6
4 10 3
_
_
= 8 = 0
On applique une mthode du pivot qui construira la matrice U et on remplit au fur
et mesure les lments de la matrice L.
Au dpart la matrice L est gale
_
_
1 0 0
. 1 0
. . 1
_
_
.
Premire tape
On prend la premire ligne comme ligne pivot et on cherche faire apparatre des 0
dans la premire colonne sous le terme pivot (ici 2). On fait pour cela des combinaisons
linaires avec la ligne pivot L
1
.
On remplace la deuxime ligne L
2
par L
2
3L
1
. On obtient la matrice :
_
_
2 4 1
0 2 3
4 10 3
_
_
Le coefcient
a
21
a
11
= 3 (qui a servi faire la combinaison) devient le terme dindice
(2, 1) de la matrice L.
De mme, on remplace la troisime ligne L
3
par L
3
+ 2L
1
. On obtient maintenant
la matrice :
A

=
_
_
2 4 1
0 2 3
0 2 1
_
_
Le coefcient
a
31
a
11
= 2 (qui a servi faire la combinaison) devient le terme dindice
(3, 1) de la matrice L.
27
ce stade, la matrice L est gale
_
_
1 0 0
3 1 0
2 . 1
_
_
.
Deuxime tape
La premire ligne et la premire colonne ont t traites. On recommence mainte-
nant la mme procdure sur le sous-bloc suivant :
_
_
_
2 4 1
0
0
2 3
2 1
_
_
_
Dans ce sous-bloc
_
2 3
2 1
_
, la premire ligne va servir de ligne pivot et il faut
faire apparatre un 0 dans la premire colonne sous le terme pivot 2.
Pour cela, on remplace la troisime ligne L
3
de la matrice A

par L
3
+ L
2
et on
obtient maintenant la matrice :
A

=
_
_
2 4 1
0 2 3
0 0 2
_
_
Le coefcient
a

32
a

22
= 1 (qui a servi faire la combinaison) devient le terme dindice
(3, 2) de la matrice L.
ce stade, la matrice L est gale
_
_
1 0 0
3 1 0
2 1 1
_
_
.
La procdure est complte. La matrice A

obtenue est triangulaire suprieure : cest

la matrice U recherche.
On peut vrier effectivement que :
_
_
1 0 0
3 1 0
2 1 1
_
_
_
_
2 4 1
0 2 3
0 0 2
_
_
=
_
_
2 4 1
6 14 6
4 10 3
_
_
.
Solution de tous les exemples
25-1) Tous les exemples de cette question peuvent tre factoriss. On donne ci-
dessous les deux matrices triangulaires L et U dont le produit L U est gal la
matrice initiale.
Matrice
_
2 3
2 1
_
L =
_
1 0
1 1
_
U =
_
2 3
0 4
_
28
Matrice
_
3 2
6 5
_
L =
_
1 0
2 1
_
U =
_
3 2
0 1
_
Matrice
_
b c
a b a c +b
_
L =
_
1 0
a 1
_
U =
_
b c
0 b
_
Matrice
_
_
3 4 1
6 7 4
3 6 2
_
_
L =
_
_
1 0 0
2 1 0
1 2 1
_
_
U =
_
_
3 4 1
0 1 2
0 0 1
_
_
Matrice
_
_
2 4 1
6 14 6
4 10 3
_
_
L =
_
_
1 0 0
3 1 0
2 1 1
_
_
U =
_
_
2 4 1
0 2 3
0 0 2
_
_
Matrice
_
_
2 5 1
8 24 1
2 7 19
_
_
L =
_
_
1 0 0
4 1 0
1 3 1
_
_
U =
_
_
2 5 1
0 4 5
0 0 3
_
_
Matrice
_
_
_
_
4 2 3 1
4 4 5 4
8 10 11 15
4 4 3 15
_
_
_
_
L =
_
_
_
_
1 0 0 0
1 1 0 0
2 3 1 0
1 1 2 1
_
_
_
_
U =
_
_
_
_
4 2 3 1
0 2 2 3
0 0 1 4
0 0 0 3
_
_
_
_
29
Matrice
_
_
_
_
_
_
3 0 4 1 1
15 1 22 5 8
9 2 15 6 11
12 2 12 7 4
3 5 12 4 21
_
_
_
_
_
_
L =
_
_
_
_
_
_
1 0 0 0 0
5 1 0 0 0
3 2 1 0 0
4 2 0 1 0
1 5 2 1 1
_
_
_
_
_
_
U =
_
_
_
_
_
_
3 0 4 1 1
0 1 2 0 3
0 0 1 3 2
0 0 0 3 2
0 0 0 0 1
_
_
_
_
_
_
25-2) La matrice A =
_
_
1 2 3
2 4 5
1 3 2
_
_
ne vrie pas le critre indiqu prc-
demment concernant les mineurs principaux nord-ouest. En effet, le dterminant du
mineur de taille 2 est nul : det
_
1 2
2 4
_
= 0.
Cette matrice nadmet donc pas de dcomposition LU.
On transpose les lignes et les colonnes dindices 2 et 3. On obtient alors la matrice
suivante :
A

=
_
_
1 3 2
1 2 3
2 5 4
_
_
La matrice A

vrie le critre. En appliquant lalgorithme, on obtient :

L =
_
_
1 0 0
1 1 0
2 1 1
_
_
U =
_
_
1 3 2
0 1 5
0 0 5
_
_
La matrice qui effectue la permutation des lignes et colonnes dindices 2 et 3 est :
P =
_
_
1 0 0
0 0 1
0 1 0
_
_
On a donc la relation A = P L U.
Corrig ex. 26 : Dcomposition de Cholesky
Toutes les matrices de cet exercice sont des matrices symtriques dnies positives.
On peut le vrier en calculant leurs mineurs principaux nord-ouest qui sont tous
strictement positifs.
Par exemple, dans le cas de la matrice A =
_
_
1 2 1
2 8 2
1 2 14
_
_
, on vrie que
30
det(1) = 1 > 0
det
_
1 2
2 8
_
= 4 > 0
det
_
_
1 2 1
2 8 2
1 2 14
_
_
= 36 > 0
On peut donc rechercher une dcomposition de Cholesky, cest--dire une matrice
triangulaire infrieure L telle que la matrice A scrive sous la forme A = L
t
L.
Modle de rsolution
Prenons, titre dexemple, la matrice A A =
_
_
1 2 1
2 8 2
1 2 14
_
_
prcdente.
Si on crit la matrice A donne et la matrice L recherche sous forme de matrices
par blocs, elles ont la forme suivante :
A =
_

11
B
a
21
A
22
_
L =
_

11
0
l
21
L
22
_
o
11
et
11
sont des nombres, a
21
et l
21
sont des vecteurs colonnes et A
22
et L
22
sont des sous-blocs carrs.
On effectue le produit L
t
L et on lidentie avec A. On obtient les relations sui-
vantes :
_

11
=
2
11
a
21
=
11
l
21
A
22
= l
21
t
l
21
+L
22
t
L
22
On en dduit que
_

11
=

11
l
21
= a
21
/
11
A
22
l
21
t
l
21
= L
22
t
L
22
Les deux premires galits permettent de calculer la premire colonne de L et la troi-
sime signie quil suft de calculer la quantit A
22
l
21
t
l
21
(qui est un bloc de taille
2) et de lui appliquer nouveau la mme procdure.
On a donc ici :
_

11
=

1 = 1
l
21
= a
21
/1 =
_
2
1
_
et dautre part :
A
22
l
21
t
l
21
=
_
8 2
2 14
_

_
2
1
_
_
2 1
_
=
_
8 2
2 14
_

_
4 2
2 1
_
=
_
4 4
4 13
_
31
On a pour linstant trouv la premire colonne de la matrice L. On arrive la
matrice suivante :
_
_
_
1 0 0
2
1
4 4
4 13
_
_
_
On recommence la procdure avec la sous-matrice de taille 2 encadre :
_
4 4
4 13
_
.
Cette fois on obtient :
_

11
=

4 = 2
l
21
= a
21
/2 = 4/2 = 2
A
22
l
21
t
l
21
= 13 2 2 = 9.
On arrive la matrice suivante :
_
_
1 0 0
2 2 0
1 2 9
_
_
On termine en appliquant nouveau la procdure au sous-bloc de taille 1 encadr :

11
=

9 = 3.
Finalement la matrice recherche est
L =
_
_
1 0 0
2 2 0
1 2 3
_
_
On peut vrier facilement que
L
t
L =
_
_
1 0 0
2 2 0
1 2 3
_
_
_
_
1 2 1
0 2 2
0 0 3
_
_
=
_
_
1 2 1
2 8 2
1 2 14
_
_
= A
Solution de tous les exemples
Pour tous les exemples de lexercice, on indique ci-dessous la matrice triangulaire
infrieure L telle que le produit L
t
L soit gal la matrice donne.
Matrice
_
1 1
1 2
_
L =
_
1 0
1 1
_
Matrice
_
1 1
1 5
_
L =
_
1 0
1 2
_
32
Matrice
_
4 6
6 10
_
L =
_
2 0
3 1
_
Matrice
_
1 a
a a
2
+ 1
_
L =
_
1 0
a 1
_
Matrice
_
a
2
a
2
a
2
2 a
2
_
L =
_
a 0
a a
_
Matrice
_
_
1 2 1
2 8 2
1 2 14
_
_
L =
_
_
1 0 0
2 2 0
1 2 3
_
_
Matrice
_
_
1 2 1
2 5 0
1 0 6
_
_
L =
_
_
1 0 0
2 1 0
1 2 1
_
_
Matrice
_
_
16 4 4
4 5 3
4 3 11
_
_
L =
_
_
4 0 0
1 2 0
1 1 3
_
_
Matrice
_
_
_
_
1 1 1 1
1 2 4 2
1 4 11 7
1 2 7 20
_
_
_
_
L =
_
_
_
_
1 0 0 0
1 1 0 0
1 3 1 0
1 1 3 3
_
_
_
_
33