Al 0

Cours elementaire d'algebre lineaire sous forme
d'exercices - Deuxieme edition

R. Rolland
Table des matieres

1 Espace vectoriel
2 Sous espaces vectoriels
1.1 La structure d'espace vectoriel . . . . . . . . . . . . . . . . . . 5

1.2 Premiers exemples d'espaces vectoriels . . . . . . . . . . . . . 6
2.1 La sous structure de sous espace vectoriel . . . . . . . . . . . . 9
2.2 Exemples de sous espaces vectoriels . . . . . . . . . . . . . . . 10
3 Homomorphismes d'espaces vectoriels
13
4 Combinaisons lineaires
17
5 Bases - Dimension
21
6 Somme directe de sous espaces
25
7 Projections
29
3.1 Application lin eaire - Noyau - Image . . . . . . . . . . . . . . 13

3.2 Premieres propri et es des applications lin eaires . . . . . . . . . 14
3.3 Structure de l'ensemble des applications lin eaires . . . . . . . 16
4.1 Partie engendr ee par une famille de vecteurs . . . . . . . . . . 17
4.2 Exemples de familles de vecteurs . . . . . . . . . . . . . . . . 19
5.1 Bases d'un espace vectoriel . . . . . . . . . . . . . . . . . . . . 21

5.2 Exemples de bases . . . . . . . . . . . . . . . . . . . . . . . . 23
6.1 D ecomposition d'espaces vectoriels . . . . . . . . . . . . . . . 25

6.2 Exemples de d ecompositions . . . . . . . . . . . . . . . . . . . 27
6.3 Somme de plusieurs sous espaces . . . . . . . . . . . . . . . . 28
7.1 Projection et somme directe . . . . . . . . . . . . . . . . . . . 29
8 Formes lineaires
31
9 Matrices et applications lineaires
37
10 Operations elementaires sur les matrices
41
11 Determinants
45
12 Applications lineaires en dimension nie
51
13 Systemes lineaires
55
14 Valeurs propres, vecteurs propres
63
8.1 Formes lin eaires - Espace dual . . . . . . . . . . . . . . . . . . 31

8.2 Exemples de formes lin eaires - Applications . . . . . . . . . . . 33
8.3 Compl ements sur la dualit e . . . . . . . . . . . . . . . . . . . 36
9.1 Applications lin eaires entre espaces vectoriels munis de bases . 37
9.2 Exemples de matrices d'applications lin eaires . . . . . . . . . . 39
10.1 Op erations sur les matrices . . . . . . . . . . . . . . . . . . . . 41

10.2 Structures des espaces de matrices . . . . . . . . . . . . . . . . 42
11.1 Formes multilin eaires altern ees - D eterminants . . . . . . . . . 45
11.2 Calcul de d eterminants . . . . . . . . . . . . . . . . . . . . . . 48
12.1 Bases et applications lin eaires . . . . . . . . . . . . . . . . . . 51

12.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
13.1 Problemes lin eaires en dimension nie . . . . . . . . . . . . . . 55

13.2 R esolution explicite de systemes lin eaires . . . . . . . . . . . . 61
14.1 Une premiere etude des valeurs propres et vecteurs propres . .
14.2 D ecomposition spectrale des op erateurs . . . . . . . . . . . . .
14.2.1 L'algebre engendr ee par un op erateur. . . . . . . . . .
14.2.2 Les op erateurs (T ; I )k . . . . . . . . . . . . . . . . .
14.2.3 Spectre, index et polynôme minimal. . . . . . . . . . .
14.2.4 D ecomposition de l'espace en sous espaces spectraux. .
14.2.5 Polynôme caract eristique . . . . . . . . . . . . . . . . .
14.2.6 Appendice: Une autre approche des projecteurs spectraux . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
64
64
65
66
67
71
71
72
15 Interventions de l'algebre lineaire
75
15.1 Fonctions sur un groupe ab elien ni,th eorie du signal ni . . . 75

15.1.1 L'espace F . . . . . . . . . . . . . . . . . . . . . . . . 75
15.1.2 Les caracteres de G . . . . . . . . . . . . . . . . . . . . 76
15.1.3 Produit scalaire hermitien sur F . . . . . . . . . . . . . 76
15.1.4 Transformation de Fourier . . . . . . . . . . . . . . . . 76
15.1.5 Matrices associ ees aux objets pr ec edents . . . . . . . . 77
15.1.6 Fonctions de F et polynômes formels . . . . . . . . . . 77
15.1.7 Convolution et ltres stationnaires . . . . . . . . . . . 77
15.2 Analyse num erique: Interpolation . . . . . . . . . . . . . . . . 78
15.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . 78
15.2.2 Interpolation de Lagrange . . . . . . . . . . . . . . . . 79
15.2.3 Le probleme g en eral de l'interpolation . . . . . . . . . 92
15.2.4 Quelques exemples importants . . . . . . . . . . . . . . 92
15.3 Analyse num erique: calcul des int egrales . . . . . . . . . . . . 99
15.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . 99
15.3.2 Mise en uvre de m ethodes interpolatoires . . . . . . . 100
15.3.3 Pr esentation g en erale des quadratures el ementaires Ordre d'une m ethode . . . . . . . . . . . . . . . . . . . 112
15.3.4 Acc el eration de convergence - Formule de Richardson
- M ethode de Romberg . . . . . . . . . . . . . . . . . . 113
Espaces vectoriels
Chapitre 1
Espace vectoriel
Introduction
En geometrie plane, il est d'usage d'introduire la notion de vecteur. L'ensemble de ces
vecteurs du plan est muni de deux operations de base: l'addition des vecteurs, et la multiplication d'un vecteur par un nombre reel. Bien d'autres ensembles sont munis de deux
operations possedant des proprietes analogues a celles-ci (des ensembles de fonctions, de
polynômes, etc..). C'est cette structure commune, appelee structure d'espace vectoriel, que
nous allons etudier. Compte tenu de l'origine concrete que nous avons indiquee, il ne faudra
pas s'etonner du langage geometrique employe. De plus il est conseille de s'appuyer dans
une certaine mesure sur cette analogie pour nourrir son intuition concernant les structures
introduites.
1.1 La structure d'espace vectoriel
De nition 1.1.1 Un espace vectoriel E sur un corps commutatif K (ap-
pele corps des scalaires) est un ensemble non vide muni d'une operation interne (addition qu'on notera +) telle que
EV-1) E est un groupe abelien pour l'addition.
et d'une operation externe, application de K E dans E , qui a un couple
( x) associe l'element :x (qu'on notera aussi quand aucune confusion n'en
resulte x) telle que
EV-2) (x + y ) = x + y.
Chapitre 1
EV-3) (x) = ( )x.
EV-4) ( + )x = x + x.
EV-5) 1x = x.
Ex-1 Montrer que pour tout x 2 E et tout 2 K , 0x = 0 et 0 = 0
(attention par abus de notation il est d'usage de noter 0 le vecteur nul et

aussi le z ero du corps de base ce sont bien sûr des objets di erents. Le
lecteur prendra garde dans un premier temps a s'assurer qu'il est capable de
bien distinguer ces deux objets dans les diverses formules ecrites).
Attention l'intuition g eom etrique a aussi ses limites, notamment quand le
corps de base est de caract eristique non nulle.
Ex-2 Montrer que si K est un corps de caract eristique 2, pour tout x 2 E ,
x + x = 0. Que se passe-t-il pour un corps de caract eristique p?
1.2 Premiers exemples d'espaces vectoriels

On laisse le soin au lecteur de pr eciser les op erations et de v erier les propri et es requises dans les exemples suivants.
Ex-3 (Geometrie) L'ensemble des vecteurs de la g eom etrie plane ainsi que
l'ensemble des vecteurs de la g eom etrie dans l'espace sont des espaces vectoriels sur R.
Ex-4 (Nombres complexes) C est un espace vectoriel sur R. C est un
espace vectoriel sur C .
Ex-5 (Nombres reels) R est un espace vectoriel sur Q.
Ex-6 (Fonctions) L'ensemble des fonctions d enies sur un intervalle I de
R a valeurs dans R est un espace vectoriel sur R.
Ex-7 L'ensemble des fonctions polynomiales de R dans R est un espace
vectoriel sur R. L'ensemble des fonctions polynomiales de degr e n de R
dans R est un espace vectoriel sur R.
Ex-8 Tout corps commutatif K est un espace vectoriel sur lui même.
Ex-9 K n est un espace vectoriel sur K .
Ex-10 (Polynômes) Les polynômes a r variables et a coecients dans un
corps K forment un espace vectoriel sur K .
Espaces vectoriels
Ex-11 Les polynômes a r variables, a coecients dans un corps K et de

degr e total n, forment un espace vectoriel sur K .
Ex-12 Les polynômes a r variables, a coecients dans un corps K et dont
les degr es partiels par rapport a certaines des variables sont born es, est un
espace vectoriel sur K .
Ex-13 Si K est un sous corps d'un corps commutatif K1, alors K1 est un
espace vectoriel sur K .
Ex-14 Soit A un ensemble non vide, et F (A E ) l'ensemble des fonctions de
A dans un espace vectoriel E sur le corps K . Alors F (A E ) est un espace
vectoriel sur K .
Ex-15 (Espace produit) Si E et F sont deux espaces vectoriels sur K , le
produit E F est un espace vectoriel sur K .
Ex-16 (Suites) Montrer que les suites d' el ements de K forment un espace
vectoriel sur K .
Ex-17 Que dire des suites r eelles? Des suites r eelles qui convergent vers 0?
Des suites r eelles qui divergent vers +1? Des suites r eelles croissantes? Des
suites r eelles convergentes?
Ex-18 (Algebre de Boole) Soit A un ensemble non vide et P (A) l'ensemble
des parties de A. On d enit sur P (A) la somme de deux parties comme etant
leur di erence sym etrique (U + V = U V = (U ; V ) (V ; U )). De plus
on d enit le produit d'un el ement de P (A) par un el ement du corps a deux
el ements f0 1g par 0:U = et 1:U = U . Montrer que dans ces conditions
P (A) est un espace vectoriel sur le corps a deux el ements.
Remarque: Si de plus on tient compte de l'op eration multiplication d enie
comme etant l'intersection de deux parties, on a une structure d'algebre de
Boole .
10
Chapitre 1
Sous espaces
11
Chapitre 2
Sous espaces vectoriels
Introduction
Comme toujours, lorsqu'on de
nit une structure, on introduit la notion de sous structure.
Ainsi nous etudions maintenant la notion de sous espace vectoriel. Beaucoup d'ensembles
interessants sont des sous espaces vectoriels d'espaces plus gros. Dans ce cas pour montrer
que ce sont des espaces vectoriels il n'est pas necessaire de veri
er toutes les proprietes de
l'addition et de la multiplication externe. La stabilite par rapport a ces operations sut.
2.1 La sous structure de sous espace vectoriel

De nition 2.1.1 Soit E un espace vectoriel sur un corps K . Un sous ensemble F de E est un sous espace vectoriel de E si c'est un espace vectoriel
pour les deux operations induites par E sur F .
Ex-1 Montrer qu'un sous ensemble non vide F d'un espace vectoriel E sur
un corps commutatif K est un sous espace vectoriel de E si et seulement si
8x y 2 F x + y 2 F
8 2 K 8x 2 F x 2 F:
(on dit alors que F est stable par rapport a ces op erations).
Ceci donne un moyen commode de montrer que des ensembles sont munis
d'une structure d'espace vectoriel.
12
Chapitre 2
Ex-2 Montrer que l'intersection d'une famille non vide de sous espaces
vectoriels d'un espace E est un sous espace de E .

Ex-3 Peut on dire que la r eunion d'une famille de sous espaces vectoriels
de E est un sous espace vectoriel de E ?
De nition 2.1.2 Soit A un sous ensemble de l'espace vectoriel E . Conside-
rons la famille de tous les sous espaces de E qui contiennent A. Cette famille
est non vide puisque E en fait partie. L'intersection des sous espaces de cette
famille est appelee le sous espace engendre par A. On note A] ce sous
espace.
Ex-4 Le sous espace engendr e par A est le plus petit sous espace de E (au
sens de l'inclusion des ensembles) contenant A.
2.2 Exemples de sous espaces vectoriels
Ex-5 Montrer que l'ensemble C (R) des fonctions continues sur R a valeurs
dans R est un sous espace vectoriel de l'espace de toutes les fonctions d enies
sur R a valeurs dans R.
Ex-6 Montrer que l'ensemble des fonctions d erivables sur R a valeurs dans
R est un sous espace vectoriel de l'espace de toutes les fonctions d enies sur
R a valeurs dans R. Que peut-on en dire par rapport a C (R)?
Ex-7 Montrer que l'ensemble Fa(A E ) des fonctions d enies sur un ensemble non vide A, a valeurs dans un espace vectoriel E , et qui s'annulent
en un point x e a 2 A, est un sous espace de l'espace F (A E ) des fonctions
de A dans E .
Ex-8 Montrer que l'ensemble des fonctions P (R) de R dans R, qui sont
paires est un sous espace vectoriel de l'espace F (R R) de toutes les fonctions
de R dans R. Est-ce aussi vrai pour les fonctions impaires?
Ex-9 Soit a b] un intervalle x e de R. Une fonction f de a b] dans R est
dite en escalier s'il existe un partage a = x0 < x1 < < xn = b de a b] tel
que f soit constante sur chaque intervalle ]xixi+1. Montrer que l'ensemble
des fonctions en escalier est un sous espace vectoriel de l'espace F (a b] R)
de toutes les fonctions de a b] dans R.
Sous espaces
13
Ex-10 Montrer que les suites de nombres complexes qui convergent vers 0
forment un sous espace vectoriel de l'espace de toutes les suites de nombres

complexes.
Ex-11 Soit F l'espace des fonctions continues sur un intervalle a b], anes
(i.e. de la forme ax+b) par morceaux (i.e. il existe un partage a = x0 < x1 <
< xn = b de a b] tel que f soit ane sur chaque intervalle xixi+1]).
Montrer que F est un sous espace de F (a b] R).
14
Chapitre 2
Homomorphismes
15
Chapitre 3
Homomorphismes d'espaces
vectoriels
Introduction
Nous etudions maintenant les applications d'un espace vectoriel dans un autre (sur un
même corps) qui conservent la structure. Ces applications, dites applications lineaires,
sont centrales dans la theorie. Nous reviendrons dans la plupart des chapitres qui suivent
a leur etude approfondie.
3.1 Application lineaire - Noyau - Image
De nition 3.1.1 E et F etant deux espace vectoriels sur le même corps K ,
un homomorphisme de E dans F (ou encore une application lineaire
de E dans F ) est une application f de E dans F telle que
Hom-1) f (x + y ) = f (x) + f (y).
Hom-2) f ( x) = f (x).
Dans le cas ou F = E on dit que f est un endomorphisme de E , ou encore
un operateur de E .
Ex-1 Montrer que si f est une application lin eaire f (0) = 0.
Ex-2 Montrer que l'ensemble des el ements de E dont l'image est 0 est un
sous espace vectoriel de E .
16
Chapitre 3
Ex-2 Montrer que si f est injective alors 0 est le seul el ement de E dont
l'image soit 0.
Ex-3 R eciproquement, montrer que si 0 est le seul el ement de E dont l'image
soit 0 alors f est injective.
Ex-4 Montrer que l'image de f (c'est-a-dire f (E )), est un sous espace vectoriel de F . On note Im(f ) cette image.
De nition 3.1.2 Si f est un homomorphisme de E dans F le noyau de f ,

note Ker(f ), est le sous espace vectoriel de E constitue des elements de E
qui ont pour image 0.
Le noyau de f , (Ker(f )), et l'image de f , (Im(f )), sont deux objets tres

importants pour l' etude d'un homomorphisme f . Compte tenu de l'exercice
2, on peut enoncer le r esultat
Theoreme 3.1.1 Un homomorphisme f est injectif si et seulement si son

noyau est f0g. Dans ce cas f est un isomorphisme de E sur son image notee
Im(f ) ou encore f (E ).
3.2 Premieres proprietes des applications lineaires

Dans la suite K d esigne un corps commutatif.
Ex-5 Citer des applications lin eaires et des applications non lin eaires.
Ex-6 Montrer que dans l'espace vectoriel des vecteurs de la g eom etrie dans
l'espace, la projection sur un plan parallelement a une droite et la projection
sur une droite parallelement a un plan sont des applications lin eaires dont
on determinera le noyau et l'image.
Soient 0 < n m deux entiers. Soit f l'application de K m dans K n qui a
(x1 xm) fait correspondre (x1 xn). Montrer que f est un homomorphisme (application lin eaire) dont on d eterminera le noyau et l'image.
Ex-7 Soit C 1(R) l'espace vectoriel des fonctions d erivables sur R et ayant
une d eriv ee continue (fonctions de classe C 1) et C (R) l'espace des fonctions
continues sur R. Montrer que la d erivation D est un homomorphisme de
C 1(R) dans C (R). Quels sont son noyau et son image?
Homomorphismes
17
Ex-8 Soit K X ] l'espace vectoriel des polynômes a une variable a coe-
cients dans K . Soit T l'application de K X ] dans lui même qui a un polynôme P (X ) fait correspondre le polynôme P (X + 1). Montrer que T est un
endomorphisme. Quels sont le noyau de T et son image?
Ex-9 Soit Kn X ] l'espace vectoriel des polynômes a une variable a coecients dans K et de deg e n. Soit D l'application de Kn X ] dans lui même
qui a un polynôme associe son polynôme d eriv e. Montrer que D est un endomorphisme. Quels sont son noyau et son image?
Ex-10 Soit K X ] l'espace vectoriel des polynômes a une variable a coecients dans K . Soit F (K ) l'espace des fonctions de K dans lui même. Montrer
que l'application qui a un polynôme P (X ) fait correspondre la fonction polynômiale x 7! P (x) est un homomorphisme. On suppose le corps K inni,
quel est le noyau de ?
Supposons maintenant que K soit le corps a deux el ements, quel est le noyau
de ?
Ex-11 Soit K X ] l'espace vectoriel des polynômes a une variable a coecients dans K et soit D(X ) un polynôme non nul. On considere l'application
de K X ] dans lui même qui a tout polynôme P (X ) associe le reste de la
division euclidienne de P (X ) par D(X ). Montrer que cette application est
un endomorphisme. Quels sont son noyau et son image?
Ex-12 Soit KnX ] l'espace vectoriel des polynômes a une variable a coefcients dans K et de deg e n. On xe un point a 2 K et on considere
l'application de Kn X ] dans K qui a tout polynôme P (X ) associe sa valeur
P (a). Montrer que cette application est un homomorphisme. Quels sont son
noyau et son image?
Ex-13 Soit C (R) l'espace des fonctions continues sur R a valeurs dans R.
Fixons deux points a et b dans R. Soit I l'application de C (R) dans R d enie
par
Zb
I (f ) = f (t)dt:
a
Montrer que cette application est un homomorphisme. Quelle est son image?
Ex-14 Fixons a dans R. Soit f l'application de R dans R2 qui a x associe
(x ax). Montrer que f est une application lin eaire. Quels sont son noyau et
son image?
18
Chapitre 3
Ex-15 Fixons a b c d dans R. Soit f l'application de R2 dans R2 qui a tout
(x y) associe (ax + by cx + dy). Montrer que f est un endomorphisme. Quels
sont son noyau et son image?
Le cas ou f est une application lin eaire de E dans le corps de base K est
particulier. On dit que f est une forme lineaire. Ce cas, par son importance,
motive une etude sp ecique ult erieure.
3.3 Structure de l'ensemble des applications

lineaires
Ex-16 Soient E et F deux espaces vectoriels sur le même corps K . Notons

L(E F ) l'ensemble des homomorphismes de E dans F . Si f et g sont des
el ements de L(E F ) et si est un el ement de K , on d enit f + g, f comme
on le fait habituellement pour les fonctions, c'est-a-dire par
(f + g)(x) = f (x) + g(x)

( f )(x) = f (x):
Montrer que muni de ces op erations, L(E F ) est un espace vectoriel sur K .
Ex-17 Soit E F G trois espaces vectoriels sur le même corps K . Si f est
une application lin eaire de E dans F et g une application lin eaire de F dans
G, montrer que g f est une application lin eaire de E dans G.
Ex-18 On considere maintenant l'espace L(E ) des endomorphismes (des
op erateurs) de E . En plus de l'addition et de la multiplication par un scalaire d enies dans un exercice pr ec edent, on considere aussi l'op eration de
composition des applications f g. Montrer que ces op erations conferent a
L(E ) une structure d'algebre (non commutative).
Montrer que si f et g el ements de L(E ) v erient f g = I (I est l'application
identit e), alors f et g ont des inverses.
Combinaisons lineaires
19
Chapitre 4
Introduction
Comme dans le cas du plan geometrique ou de l'espace, il est important de savoir dans
quelles conditions on peut decomposer un vecteur sur d'autres vecteurs et dans quels cas
cette decomposition est unique. Ces questions conduisent aux notions de familles libres,
de familles generatrices et en
n a la notion de base. En examinant les exemples donnes,
le lecteur pourra faire un inventaire (non exhaustif) des methodes utilisees pour montrer
que des familles sont libres, que des familles sont generatrices, que des familles sont des
bases.
4.1 Partie engendree par une famille de vecteurs

On rappelle qu'une famille non vide d' el ements d'un ensemble A est une
application d'un ensemble non vide I (appel e ensemble des indices) dans
A. La famille est alors not ee (xi)i2I ou xi = (i) (2 A).
De nition 4.1.1 Soit E un espace vectoriel sur un corps K . Soit S = (xi)i2I
une famille non vide de E . On appelle combinaison lineaire d'elements
de S toute somme de la forme
X
i2I
i xi
ou seuls un nombre ni de coecients
sont non nuls.
20
Chapitre 4
Ex-1 Montrer que l'ensemble des combinaisons lin eaires d' el ements de S
est un sous espace vectoriel de E , et que ce sous espace est le sous espace
engendr e par S . On notera S ] ce sous espace.
De nition 4.1.2 La famille S d'elements de E est dite generatrice si
S ] = E . (Autrement dit tout element de E s'exprime comme combinaison

lineaire des elements de S ).
De nition 4.1.3 La famille S d'elements de E est dite libre si tout element
de S ] s'ecrit de maniere unique comme combinaison lineaire des elements
de S (Les elements de S sont alors dits lineairement independants). Si
la famille S n'est pas libre, on dit qu'elle est liee (les elements de S sont
alors lineairement dependants).
Remarque: attention, on travaille ici sur des familles, et non simplement
sur des parties. Par exemple (x1 x1 x2) est une famille de trois el ements si
x1 6= x2, la partie qui lui est associ ee est fx1 x2g.
Ex-2 Montrer que S est une famille libre si et seulement si on a l'implication
suivante
X
i xi = 0 =) 8i 2 I i = 0:
i2I
Ex-3 Montrer que la famille S est li ee, si et seulement s'il existe un vecteur
de S qui est combinaison lin eaire des autres vecteurs de S .

Montrer que si la famille S contient 0, alors elle est li ee.
La r eciproque est elle vraie?
Montrer que si la famille S contient deux vecteurs identiques, alors elle est
li ee.
Ex-4 Soit E un espace vectoriel non r eduit a f0g. Montrer l' equivalence
entre les trois propri et es suivantes
1) S est une famille libre maximale au sens de l'inclusion dans l'ensemble
des parties libres de E .
2) S est une famille generatrice minimale au sens de l'inclusion dans
l'ensemble des parties g en eratrices de E .
3) S est une famille a la fois libre et generatrice.
Que se passe-t-il dans le cas particulier tres simple d'un espace vectoriel
r eduit a f0g?
De nition 4.1.4 Une famille libre et generatrice de E est appelee une base
de E .
21
4.2 Exemples de familles de vecteurs
Ex-5 Donner des exemples de la g eom etrie plane et de la g eom etrie dans
l'espace de familles libres et non g en eratrices, de familles g en eratrices et non

libres, de familles libres et g en eratrices.
Ex-6 Soit A un ensemble non vide, E un espace vectoriel. On note F (A E )
l'espace des fonctions de A dans E . Soit S la partie de F (A E ) constitu ee des
fonctions constantes et des fonctions qui s'annulent en un point x e x0 2 A.
D eterminer S ].
Ex-7 Soit a b] un intervalle de R. Notons F (a b] R) l'espace des fonctions
de a b] dans R. On consid ere le sous ensemble S de F (a b] R) d eni par
S = fx 7! x ; u + jx ; uj u 2 a b]g:
D eterminer S ].
D eterminer S f1g].
Ex-8 Soit ( i)i1 une suite de nombres r eels dont les termes sont tous
distincts. Montrer que la famille de fonctions
(e ix)i1
est libre.
22
Chapitre 4
Bases - Dimension
23
Chapitre 5
Bases - Dimension
Introduction
La notion de base est centrale pour l'etude des espaces vectoriels de dimension
nie. Tout
espace vectoriel admet une base, mais en dimension in
nie, dans la plupart des cas il est
impossible d'en construire une explicitement. Comme nous le verrons dans la suite, on est
souvent amene a considerer plusieurs bases sur un même espace, et regarder alors quels
sont les liens entre les composantes des vecteurs dans les diverses decompositions.
5.1 Bases d'un espace vectoriel
De nition 5.1.1 Une base d'un espace vectoriel E est une famille (ei)i2I
d'elements de E qui est a la fois libre et generatrice.
De nition 5.1.2 Un espace E est dit de dimension nie s'il possede une
famille generatrice nie.
Ex-1 Montrer que tout espace vectoriel de dimension nie non r eduit a
f0g admet une base ayant un nombre ni d' el ements. (En fait tout espace
vectoriel non r eduit a f0g admet une base, mais la d emonstration quand on
n'est pas en dimension nie n'est pas du niveau de ce cours).

Le r esultat qui suit (theoreme de l'echange), est fondamental dans l' etude
des bases des espaces vectoriels.
24
Chapitre 5
Ex-2 Soit E un espace vectoriel, F une famille libre de E et G une famille

g en eratrice de E . Montrer que si F ] =
6 E alors il existe x 2 G tel que F fxg
soit une famille libre, et que dans ces conditions F ] ( F fxg].
Ex-3 (Theoreme de la base incomplete). Soit E un espace vectoriel
de dimension nie, F une famille libre de E et G une famille g en eratrice
de E . Montrer qu'on peut compl eter la famille F en une base de E en lui
adjoignant des vecteurs de G.
Ex-4 Montrer que dans un espace vectoriel de dimension nie, toutes les
bases ont le même nombre d' el ements.
De nition 5.1.3 Si E est un espace de dimension nie nous appellerons

dimension de E et noterons dim(E ) le nombre d'elements d'une base de
E (toutes les bases ont le même nombre d'elements) si E =
6 f0g, et 0 si
E = f0g.
Remarque: en dimension nie n, on indexe en g en eral les el ements d'une
base par f1 2 ng (ou par f0 1 n ; 1g).
Ex-5 Soit E un espace vectoriel de dimension nie n. Montrer que (ei)1in
est une base de E si et seulement si e1 =
6 0 et pour tout 2 i n ei 2=
e1 ei;1].
De nition 5.1.4 Soit E un espace vectoriel, (si)i2I une famille de vecteurs
de E telle que le sous espace S = si]i2I engendre par les vecteurs si soit de
dimension nie. On appelle rang de la famille (si )i2I , la dimension de S .
Remarques:
1) Sur les methodes utilisees en dimension nie. En dimension nie,
si on conna^t la dimension n de l'espace, pour montrer qu'une famille de n

el ements est une base, il sut de montrer qu'elle est soit libre, soit g en eratrice. Remarquons qu'un espace de dimension n sur un corps ni a q el ements
a qn el ements cette remarque permet de trouver la dimension n de l'espace
si on conna^t son cardinal.
2) Suites et fonctions. Une fonction f d'un ensemble ni a n el ements
dans un corps K , outre sa repr esentation fonctionnelle, peut être d enie aussi
par ses valeurs, c'est-a-dire par un n-uple (a1 an). Ce n-uple peut être
aussi consid er e comme la suite des coecients d'un polynôme a1 + a2X +
Bases - Dimension
25
+ anX n;1. Ces trois repr esentations d'un même objet peuvent être utiles.
De plus se donner une base d'un espace de dimension n, revient a repr esenter
tout el ement de cet espace par ses composantes, c'est-a-dire par un n-uple,
ce qui donne aux trois repr esentations pr ec edentes une grande importance.
3) Droites et hyperplans. Dans un espace vectoriel E de dimension n,
un sous espace vectoriel de dimension 1 est appel e droite vectorielle (ou
plus brievement droite), un sous espace vectoriel de dimension n ; 1 est
appel e hyperplan vectoriel (ou plus brievement hyperplan).
5.2 Exemples de bases
Ex-6 Montrer que dans K n , la famille (ei)1in ou

ei = (0 0 1 0 0)
(le 1 etant la ie composante) est une base.
Ex-7 Montrer que la famille (1 X X 2 ) est une base de K X ] et que la
famille (1 X X 2 X n ) est une base de l'espace Kn X ] des polynômes de
degr e n.
Ex-8 Soit F (A K ) l'espace des fonctions d enies sur un ensemble ni A a
valeurs dans le corps K . Pour tout a 2 A, notons ea la fonction d enie par
ea(a) = 1 et ea(x) = 0 si x 6= a. Montrer que la famille (ea)a2A est une base.
Quelles sont les composantes d'une fonction f sur cette base?
Ex-9 Dans l'espace Kn X ] des polynômes de degr e n on considere pour
tout 0 i n un polynôme Pi (X ) de degr e exactement i. Montrer que la
famille (Pi (X ))1in est une base de Kn X ].
Ex-10 Soit E un espace vectoriel de dimension n et (ei)1in une base de
E . Pour tout 1 j n on pose
fj =
1ij
aij ei
avec ajj 6= 0. Montrer que la famille (fj )1jn est une base de E .
Ex-11 Soit E un espace vectoriel de dimension n sur le corps ni F q a q
el ements. Quel est le nombre d' el ements de E ? Quel est le nombre de familles
libres de E ayant k el ements? Quel est le nombre de bases de E ? Combien y
26
Chapitre 5
a-t-il de sous espaces de dimension k dans E ? Quel est le nombre de directions

de droites dans E ?
Ex-12 Soit Bn = F (f0 1gn f0 1g) l'espace (sur le corps a deux el ements)
des fonctions bool eennes de n variables bool eennes. Quel est le nombre d' el ements de Bn ? En d eduire la dimension de Bn. Pour tout a = (a1 an) 2
f0 1gn on d enit la fonction
ea(x1 xn) =
1in
(1 + xi + ai):
Montrer que la famille (ea)a2f01gn est une base de Bn (Comparer avec l'exercice 8).
Quelles sont les composantes d'une fonction f sur cette base?
Montrer que toutes les fonctions de Bn sont des fonctions polynomiales en n
variables de degr e total au plus n et de degr e partiel par rapport a chaque
variable au plus 1.
Trouver une base de Bn constitu ee de fonctions monomiales.
Traiter en d etail l'exemple n = 3.
Ex-13 Soient E et F deux espaces vectoriels de dimension nie. Construire
une base de l'espace L(E F ) des applications lin eaires de E dans F . Quel
est la dimension de cet espace?
Somme directe
27
Chapitre 6
Somme directe de sous espaces
Introduction
La notion de somme de sous espaces, permet une decomposition plus grossiere des vecteurs
que la notion de base. On obtient par exemple des decompositions du type: toute fonction
reelle est de maniere unique somme d'une fonction paire et d'une fonction impaire.
6.1 Decomposition d'espaces vectoriels
De nition 6.1.1 Soient E1 et E2 deux sous espaces vectoriels d'un espace
E . La somme de ces deux sous espaces, notee E1 + E2, est l'ensemble des
x1 + x2 ou x1 2 E1 et x2 2 E2.
Ex-1 Montrer que la somme E1 + E2 est un sous espace vectoriel de E .
Ex-2 Soit F = E1 + E2. Montrer que pour que tout el ement de F s' ecrive
de maniere unique sous la forme x1 + x2 avec x1 2 E1 et x2 2 E2, il faut et
il sut que E1 \ E2 = f0g.
De nition 6.1.2 Si E1 et E2 verient E1 \ E2 = f0g, on dit que la somme
E1 + E2 est une somme directe et on la note E1 E2.
Ex-3 Soient E1 et E2 deux sous espaces de dimension nie d'un espace E
tels que E1 \ E2 = f0g. Soit (u1 up) une base de E1 et (v1 vq) une
base de E2. Montrer que (u1 up v1 vq) est une base de E1 E2.
28
Chapitre 6
On en conclut que dim(E1 E2) = dim(E1) + dim(E2).

Ex-4 Soit E un espace vectoriel et (ei)i2I une base de E . Consid erons une
partition I = J K de I . Montrer que si on pose E1 = ei]i2J et E2 = ei]i2K ,
alors E = E1 E2.
Ex-5 Soit E un espace de dimension nie et E1 un sous espace de E . Montrer
qu'il existe un sous espace E2 de E tel que E = E1 E2. Ce sous espace E2
est-il unique?
Ex-6 Si E1 et E2 sont deux sous espaces de dimension nie de E , montrer
que dim(E1 + E2) = dim(E1) + dim(E2) ; dim(E1 \ E2).
De nition 6.1.3 Soit E un espace de dimension nie et E1 un sous espace
de E . Un sous espace E2 de E tel que E = E1 E2 est appele un supplementaire de E1 dans E .
Ex-7 Montrer que tous les suppl ementaires de E1 ont la même dimension.
De nition 6.1.4 En dimension nie, la dimension d'un supplementaire de
E1 est appelee la codimension de E1. et notee codim(E1).
Ex-8 Soit E un espace de dimension nie dont on xe une base (e1 en).
Soit C un sous espace vectoriel de dimension k de E . Montrer qu'il existe
une sous famille de n ; k vecteurs (ei1 ein;k ) de la base (e1 en) telle
que
E = C ei1 ein;k ]:
Pour tout j 2 f1 ng n fi1 in;k g on d ecompose ej en la somme d'un
vecteur cj 2 C et d'un vecteur fj 2 ei1 ein;k ]
ej = cj + fj :
Montrer que la famille (cj ) ainsi obtenue est une base de C .
Comment sont les composantes des vecteurs ej ou j 2 f1 ngnfi1 in;k g
dans la base (gi )1in ou gi = ei si i 2 fi1 in;k g et gi = ci sinon?
De nition 6.1.5 Soit E un espace vectoriel, decompose en somme directe
de deux de ses sous espaces E1 et E2
E = E1 E2:
La projection p sur E1 parallelement a E2 est l'application qui a tout x de E
fait correspondre sa composante x1 sur E1 dans la decomposition x = x1 + x2
ou x1 2 E1 et x2 2 E2.
Somme directe
29
Ex-9 Montrer que la projection p ainsi d enie est une application lin eaire
v eriant p2 = p. Quel est le noyau de p? Quelle est l'image de p?

Ex-10 Soit E un espace vectoriel de dimension nie et f un endomorphisme
de E tel que f 2 = f . Montrer que f est une projection.
6.2 Exemples de decompositions

Ex-11 Donner des exemples et des contre exemples dans le plan et dans
l'espace (faire des dessins).

Ex-12 Montrer que C = R i].
Ex-13 Soient E et F deux espaces vectoriels sur le même corps. On considere
les deux sous espaces E1 et F1 de E F d enis par E1 = E f0g et
F1 = f0g F . Montrer que E F = E1 F1.
Ex-14 Soit F (R R) l'espace de toutes les fonctions de R dans R. On note
P le sous espace constitu e des fonctions paires et I le sous espace constitu e
des fonctions impaires.
Montrer que F (R R) = P I .
Ex-15 Soit F (R R) l'espace de toutes les fonctions de R dans R. On note
Fa le sous espace des fonctions nulles au point a, et C le sous espace des
fonctions constantes.
Montrer que F (R R) = Fa C .
Ex-16 Soit K X ] l'espace des polynômes a une variable et a coecients
dans le corps K . Fixons N (X ) 2 K X ] et notons n (suppos e 1) le degr e
de N (X ). Soit E le sous espace de K X ] constitu e des multiples A(X )N (X )
de N (X ). Montrer que
K X ] = Kn;1 X ] E
ou Kn;1 X ] est le sous espace constitu e des polynômes de degr e n ; 1.
Ex-17 Soit E un espace vectoriel de dimension n, H un hyperplan vectoriel
de E , D une droite vectorielle qui n'est pas contenue dans H . Montrer que
E = H D.
30
Chapitre 6
6.3 Somme de plusieurs sous espaces

Nous etendons maintenant la notion de somme directe a un nombre ni
quelconque de sous espaces.
Ex-18 Montrer que la somme de deux sous espaces vectoriels est associative.
Ceci nous permet donc d'envisager de g en eraliser la notion de somme a un
nombre ni de sous espaces.
De nition 6.3.1 Soit (Ei)1is une famille nie de s sous espaces vectoriels
d'un espace vectoriel E . La somme de ces s sous espaces notee E1 + + Es
est l'ensemble des x1 + + xs ou xi 2 Ei.
Ex-19 Montrer que la somme E1 + + Es est un sous espace vectoriel de
E.
Ex-20 Montrer que pour que tout el ement de E1 + Es s' ecrive de maniere
unique sous la forme x1 + + xs ou xi 2 Ei , il faut et il sut que pour
chaque 1 i s on ait
Ei \ (E1 + + Ei;1 + Ei+1 + cdots + Es ) = f0g:
De nition 6.3.2 Si la famille (Ei)1is verie pour chaque 1 i s
Ei \ (E1 + + Ei;1 + Ei+1 + + Es ) = f0g
on dit que la somme E 1 + + Es est directe. On la note
M
Ei:
1is
Ex-21 Soit
E1 ( E2 ( ( En
une suite de sous espaces vectoriels de dimension nie d'un espace vectoriel
E. Montrer qu'il existe une suite (Fi)1in de sous espaces vectoriels de E
telle que pour tout 1 j n
M
Ej =
Fi:
1ij
Ex-22 G en eraliser les notions de somme et de somme directe a une innit e

de sous espaces.
Projections
31
Chapitre 7
Projections
Introduction
La notion de projection est une notion tres importante liee a la decomposition en somme
directe. On peut intuitivement se faire une idee de ce que represente une projection en se
placant en geometrie a 3 dimensions sur R et en pensant par exemple a la projection sur
un plan parallelement a une droite.
7.1 Projection et somme directe
De nition 7.1.1 Soit E un espace vectoriel, decompose en somme directe

de deux de ses sous espaces E1 et E2
E = E 1 E2 :
La projection p sur E1 parallelement a E2 est l'application de E dans E
qui a tout x de E fait correspondre sa composante x1 sur E1 dans la decomposition x = x1 + x2 ou x1 2 E1 et x2 2 E2 .
Ex-1 Montrer que la projection p ainsi d enie est une application lin eaire
v eriant p2 = p. Quel est le noyau de p? Quelle est l'image de p.
Ex-2 Soit E un espace vectoriel de dimension nie et f un endomorphisme
de E tel que f 2 = f . Montrer que f est une projection.
32
Chapitre 7
Ex-3 Soit E un espace vectoriel de dimension nie, E1 E2 deux sous es-
paces de E . Soit F2 un suppl ementaire de E2 dans E et F1 un suppl ementaire

de E1 dans E2. Montrer que la somme F1 + F2 est directe.
Soit p2 la projection de E sur E2 parallelement a F2 et p1 la projection de
E2 sur E1 parallelement a F1. Montrer que p = p1 p2 est la projection de E
sur E1 parallelement a F1 F2.
Ex-4 Montrer que si deux projections p1 et p2 commutent alors p1 p2 est
une projection.
Montrer que
Im(p1 p2) = Im(p1) \ Im(p2)
et que
Ker(p1 p2) = Ker(p1) + Ker(p2):
Construire des exemples de projections qui commutent.
Formes lineaires
33
Chapitre 8
Formes lineaires
Introduction
Les formes lineaires sont des applications lineaires particulieres: l'espace d'arrivee est de
dimension 1, c'est le corps de base K. Ceci motive une etude speci
que. En eet, il est
clair par exemple que l'etude d'une fonction de Rn dans Rm se ramene a l'etude de m
fonctions de Rn dans R (quand on veut etudier un signal ou il y a n entrees et m sorties,
on peut etudier chaque sortie en fonction des n entrees) en particulier on peut considerer
que l'etude d'une application lineaire de Rn dans Rm peut passer par l'etude de m formes
lineaires sur Rn. Cette facon de voir, même si elle ne constitue pas le seul angle d'attaque,
motive une etude particuliere du cas des formes lineaires. De plus, du fait que m = 1, les
resultats s'expriment souvent de maniere plus agreable et plus instructive.
8.1 Formes lineaires - Espace dual
De nition 8.1.1 Soit E un espace vectoriel sur un corps K . Une forme
lineaire sur E est une application lineaire de E dans K .
Ex-1 Montrer que si f est une forme lin eaire non nulle alors Im(f ) = K
(en particulier la dimension de l'image de f est 1).
De nition 8.1.2 Le dual de E , que nous noterons E , est l'ensemble des
formes lineaires sur E .
34
Chapitre 8
Ex-2 Montrer que E , muni de l'addition des formes lin eaires et de la
multiplication par un scalaire, est un espace vectoriel sur K .

Ex-3 Soit f une forme lin eaire non nulle sur un espace vectoriel E de
dimension nie n. Montrer que le noyau de f est un hyperplan de E .
Ex-4 R eciproquement, montrer que tout hyperplan de E est le noyau d'une
forme lin eaire.
Ex-5 Soit E un espace vectoriel de dimension nie n muni d'une base
(ei)1in de E . On considere dans E la famille (ej )1jn d enie par ej (ei) =
ij (on rappelle que la notation de Kronecker ij d esigne 1 si i = j et 0 sinon).
Que peut on dire de la dimension de E . Montrer que la famille (ej )1jn est
une base de E . La dimension de E est donc n.
De nition 8.1.3 La base (ej )1jn de E est appelee la base duale de la
base (ei )1jn .
De nition 8.1.4 Le bidual E de E est le dual de E .

Ex-6 On suppose que E est un espace vectoriel de dimension nie. Soit q
l'application de E dans E d enie par
q(x)(f ) = f (x)
(ou x 2 E et f 2 E ).
Montrer que q est un isomorphisme de E sur E . (Attention, ici le fait que
E soit de dimension nie est primordial. En dimension innie, q(E ) n'est pas
egal a E ).
Ex-7 Montrer que si (fj )1jn est une base de E , il existe une unique base
(ei)1in dont (fj )1jn est la base duale. Ainsi on peut parler de couples de
bases duales.
Ex-8 Soit E un espace vectoriel de dimension n. Supposons qu'il existe une
famille (ei)1in de E et une famille (fj )1jn de E telles que fj (ei) = ij .
Montrer qu'alors (ei)1in est une base de E et que donc (fj )1jn est sa
base duale.
Formes lineaires
35
8.2 Exemples de formes lineaires - Applications

Ex-9 Montrer que pour tout 1 i n, l'application pi de Rn dans R qui
a tout x = (x1 xn) associe xi est une forme lin eaire sur E . Montrer que
la famille (pi )1in est une base de Rn . De quelle base la base (pi )1in est
elle la base duale?
Ex-10 Soit RX ] l'espace des polynômes a coecients r eels.
a) Montrer que si a 2 R, l'application a qui a tout polynôme P fait
correspondre sa valeur P (a) au point a est une forme lin eaire sur RX ].
b) Montrer que l'application I qui a tout polynôme P fait correspondre
son int egrale sur le segment ;1 1] est une forme lin eaire sur RX ].
c) Montrer que l'application qui a tout polynôme P fait correspondre la
valeur de sa d eriv ee au point a est une forme lin eaire sur RX ].
Ex-11 (formule des trois niveaux)

a) Notons R2X ] l'espace des polynômes de degr e 2 sur R. Rappeler la
dimension de R2X ].
Notons a la forme lin eaire qui a tout polynôme P de degr e 2 fait correspondre sa valeur P (a) au point a. Soit un r eel distinct de ;1 et de 1. On
considere les 3 formes lin eaires 1 ;1 . Montrer qu'il existe 3 polynômes
P1 P;1 P qu'on calculera, v eriant i(Pj ) = ij (0 si i 6= j , 1 sinon) pour
tout i et tout j dans f1 ;1 g.
En conclure que (1 ;1 ) est une base de R2X ] et que (P1 P;1 P ) est
une base de R2X ].
Notons I la forme lin eaire sur R2X ] d enie par
I (P ) =
Z1
;1
P (t)dt:
Montrer qu'il existe 3 constantes telles que
I = 1 + ;1 +
et donc que pour tout polynôme P de degr e 2 on a
Z1
;1
P (t)dt = P (1) + P (;1) + P ( ):
36
Chapitre 8
b) On se place maintenant dans l'espace R3X ] des polynômes de degr e 3

sur R et comme dans le a) on considere les 3 formes lin eaires 1 ;1 ou
a est la forme lin eaire qui a tout polynôme P de degr e 3 fait correspondre
sa valeur P (a) au point a. On note J la forme sur R3X ] d enie par
J (P ) =
Z1
;1
P (t)dt:
Montrer que si on pose P4(X ) = (X ;1)(X +1)(X ; ), la famille (P1 P;1 P P4)
est une base de R3X ].
Calculer a(P4) pour a 2 f1 ;1 g.
Montrer qu'il existe une valeur et une seule 0 de telle que J (P4) = 0. On
calculera explicitement cette valeur.
Montrer que pour = 0, J est dans le sous espace engendr e par 1 ;1 0 .
En conclure qu'il existe des constantes 0 0 0 qu'on calculera explicitement, telles que pour tout polynôme P de degr e 3 on ait
Z1
;1
P (t)dt = 0P (1) + 0 P (;1) + 0P (0):
Ex-12 On se place dans l'espace R3X ] des polynômes de degr e 3 sur R.

On considere les 4 formes lin eaires ij ou i et j sont dans f0 1g, d enies par
ij (P ) = Di P (;1j ):
ou D est l'op erateur de d erivation.
Montrer qu'il existe 4 polynômes Pij qu'on determinera tels que
ij (Pkl ) = ik jl:

Ainsi les (Pij ) et les (ij ) forment un couple de bases duales.
Ex-13 On se place dans l'espace R1X ] des polynômes de degr e 1 sur R.
Soient
et tels que ;1
< 1. On note et les formes lin eaires
sur R1X ] ou comme dans les exercices pr ec edents, u(P ) = P (u). Montrer
qu'il existe deux polynômes P(X ) et P (X ), qu'on calculera explicitement
tels que u(Pv ) = uv (u v 2 f
g ).
En conclure que si
et sont x es, il existe des constantes et telles que
I = +
Formes lineaires
37
ou I d esigne la forme lin eaire sur R1X ] d enie par
I (P ) =
Z1
;1
P (t)dt
ce qui veut dire que pour tout P 2 R1X ]

I (P ) = P (
) + P ( ):
S'inspirer des exercices pr ec edents pour montrer qu'il existe un choix et un
seul des points
et pour lequel cette derniere formule est vraie pour tout
polynôme de degr e 3. D eterminer ces points
et ainsi que les constantes
et qui d ecoulent de ce choix.
Ex-14 (polynômes de Lagrange) Sur R on considere des points
x0 < x1 < < xn:
On note u la forme lin eaire sur l'espace Rn X ] des polynômes de degr e n
d enie par u(P ) = P (u). Consid erons les polynômes
:::(X ; xk;1)(X ; xk+1):::(X ; xn) :
Lk (X ) = ((xX ;; xx0)):::
(xk ; xk;1)(xk ; xk+1):::(xk ; xn)
k
0
Montrer que pour i j 2 f0 ng
xi (Lj ) = ij :
En conclure que les polynômes Lk (X ) forment une base de RnX ], ayant
(xj )j pour base duale.
Soit P (X ) 2 Rn X ]. Alors P (X ) se d ecompose dans la base des Lk (X ) sous
la forme
n
X
P (X ) = ak Lk (X ):
k=0
Calculer les coecients ak de cette d ecomposition.

En conclure qu'il existe un polynôme de degr e n et un seul qui prend aux
n + 1 points xi des valeurs x ees yi.
Quel est ce polynôme? (On l'appelle polynôme d'interpolation de Lagrange v eriant les conditions donn ees).
Ex-15 Soit E un espace de dimension n sur le corps ni F q a q el ements.
Quel est le nombre d'hyperplans vectoriels distincts? Quel est le nombre
d'hyperplans vectoriels distincts contenant un sous espace x e de dimension
k < n?
38
Chapitre 8
8.3 Complements sur la dualite
Ex-16 Soient E et F deux espaces vecoriels de dimension nie et T une
application lin eaire de E dans F . On d enit l'application T du dual F de

F dans le dual E de E par
T (f )(x) = f (T (x)):

Montrer que T est une application lin eaire de F dans E . (C'est la transposee de f ).
Ex-17 Soient E et F deux espaces vectoriels de dimension nie et T une
application lin eaire de E dans F , q l'application de E dans E d enie par
q(x)(f ) = f (x), q1 l'application de F dans F d enie de la même facon.
Montrer que T (q(x)) = q1(T (x)).
Ex-18 Soit F un espace vectoriel de dimension nie n et (f1 fn ) une
base de F . Soit C un sous espace de dimension k de F . Notons l'application
de F F dans le corps de base d enie par
(x y) =
n
X
i=1
xiyi
ou x = ni=1 xifi et y = in=1 yifi. Notons T l'application de F dans F qui

a tout y 2 F associe T (y) = y de telle sorte que y (x) = (x y).
a) Montrer que T est un isomorphisme de F sur F . En particulier pour
tout g 2 F il existe un unique y 2 F tel que pour tout x 2 F , g(x) = (x y).
b) D enissons maintenant
C ? = fy 2 F y(x) = 0 8x 2 C g:
Montrer que C C ??.
Montrer que si C1 C2 alors C2? C1?.
Montrer que C ? = C ??? .
Montrer enn que C = C ?? .
Matrices
39
Chapitre 9
Matrices et applications
lineaires
Introduction
Nous nous placons dans cette partie dans des espaces vectoriels de dimension
nie. Nous
allons voir qu'une application lineaire peut être lorsque des bases sont choisies dans l'espace
de depart et celui d'arrivee representee par un tableau de coecients qu'on appelle une
matrice. En consequence on peut operer sur ces tableaux de nombres en pensant aux operations correspondantes sur les applications lineaires et reciproquement. Nous exposerons
cette notion en nous referant en permanence a cette double interpretation.
9.1 Applications lineaires entre espaces vectoriels munis de bases

Soient E et F deux espaces vectoriels de dimensions nies respectives m et n
sur un même corps K . Soient (e1 e2 em) une base de E et (f1 f2 fn )
une base de F . Soit enn f une application lin eaire de E dans F . Tout el ement
x de E s' ecrit de maniere unique sous la forme
x=
et donc
m
X
j =1
xj ej
40
Chapitre 9
f (x) =
m
X
j =1
xj f (ej ):
Par cons equent l'application f est connue des que les images f (ej ) sont
connues. R eciproquement si on xe les f (ej ) la formule pr ec edente d enit
bien une application lin eaire. Se donner une application lin eaire est donc
equivalent a se donner les images des vecteurs de la base choisie. Il est commode de stocker dans un tableau rectangulaire appel e matrice les composantes des vecteurs f (ej ) dans la base (f1 f2 fm). Plus pr ecis ement on
met a la colonne j et a la ligne i la composante aij du vecteur f (ej ) sur
le vecteur de base fi. Ainsi la colonne j du tableau contient bien le vecteur
(sous forme de composantes) f (ej ).
De nition 9.1.1 La matrice

A = (aij )
ou encore
1in
1j m
0 a a a 1
11
12
1m
B
a21 a22 a2m C
A=B
@ : : : C
A
an1 an2 anm

est la matrice de l'application lineaire f dans les bases donnees. Cette matrice
a n ligne et m colonnes on dira que sa taille est (n m).
Remarquons bien que si on utilise d'autres bases pour les espaces E et F on
change aussi la matrice de l'application lin eaire f .
Soit E un espace vectoriel de dimension nie, l'identit e de E dans E , lorsque
on choisit la même base dans E espace de d epart et dans E espace d'arriv ee
a pour matrice
01
1
0
1
B
C
B
C
...
I=B
C
@
A
1
0
1
appel ee matrice unite.
Matrices
41
9.2 Exemples de matrices d'applications lineaires

Ex-1 Soit E le plan vectoriel muni d'une base orthonorm ee. On consid ere
dans E la rotation vectorielle d'angle (E est ici a la fois espace d'arriv ee et

espace de d epart avec la même base). Quelle est sa matrice?
3
Ex-2 On muni
R
de la base habituelle e1 = (1 0 0) e2 = (0 1 0) e3 =
2
(0 0 1) et R de la base f1 = (1 0) f2 = (0 1). Soit l'application lin eaire
de R3 dans R2 d enie par (x1 x2 x3) = (ax1 bx2) (ou a et b sont des
constantes r eelles). Quelle est la matrice de ?
Ex-3 Soit Kn X ] l'espace des polynômesx2dex3degr e xn n a coecients dans
K . On munit cet espace de la base (1 x 2! 3! n! ). Soit D l'op erateur
de d erivation de Kn X ] dans lui-même. Quelle est la matrice de D?
Ex-4 Reprenons les hypotheses et les notations de l'exercice pr ec edent. Soit
Th l'op erateur de translation sur Kn X ] d eni par Th(P )(X ) = P (X + h).
Exprimer Th en fonction de h et de D (penser a la formule de Taylor pour
les polynômes).
Quelle est la matrice de Th?
Ex-5 On considere le plan de la g eom etrie euclidienne, muni d'un repere
orthonorm e (O e1 e2). Soit t l'application lin eaire de ce plan dans lui même
de matrice (pour la base x ee)
1 ;h
T= h 1
(ou h > 0).
;! par t du vecteur ;OM
;! de coordon ees (x y)?
Quelle est l'image ;
ON
Donner une construction g eom etrique de cette image.
;;;!
Soit
M
0 = (1 0). On construit successivement les points Mn tels que OMn =
;;;!
t(;
OM
n;1 ). Montrer que les points Mn sont sur une spirale logarithmique.
Ex-6 Soit E l'espace vectoriel sur le corps f0 1g des applications anes
de f0 1g3 dans f0 1g c'est-a-dire les applications de la forme (x1 x2 x3) !
u0 + u1x1 + u2x2 + u3x3 dont on prend pour base les 4 applications
(x1 x2 x3) ! 1
(x1 x2 x3) ! x1
42
Chapitre 9
(x1 x2 x3) ! x2

(x1 x2 x3) ! x3:
Soit F l'espace vectoriel des fonctions de f0 1g3 dans f0 1g muni de la base
(ei)0i7 ou ei(x1 x2 x3) = 1 si i = x1 + 2x2 + 4x3 (autrement dit si i a
x1 x2 x3 pour d eveloppement binaire) et ei(x1 x2 x3) = 0 sinon.
Soit I l'application qui a f 2 E fait correspondre f 2 F . Quelle est la matrice
de I dans les bases consid er ees?
Ex-7 Soit K3 X ] l'espace des polynômes de degr e 3 a coecients dans
le corps K et x0 x1 x2 x3 des points distincts de K . Soit T l'application de
K3 X ] dans K 4 d enie par
T (P ) = (P (x0) P (x1) P (x2) P (x3)):
Quelle est la matrice de T lorsque K3 X ] est muni de la base des monômes
et K 4 de sa base habituelle (1 0 0 0) (0 1 0 0) (0 0 1 0) (0 0 0 1)? (les
matrices de cette forme ou leurs transpos ees sont dites matrices de Vandermonde).
Quelle est la matrice de T lorsque K3X ] est muni de la base des polynômes
de Lagrange (L0 L1 L2 L3) (cf. Formes lin eaires, Ex-14)?
Ex-8 Soit K3 X ] l'espace des polynômes de degr e 3 a coecients dans
le corps K et x1 x2 des points distincts de K . Soit T l'application de K3X ]
dans K 4 d enie par
T (P ) = (P (x1) P 0(x1) P (x2) P 0(x2)):
Quelle est la matrice de T lorsque K3 X ] est muni de la base des monômes
et K 4 de sa base naturelle (1 0 0 0) (0 1 0 0) (0 0 1 0) (0 0 0 1)?
Ex-9 Soit u4= (u0 u41 u2 u3) un point x e dans R4. On considere l'application Tu de R dans R d enie par
Tu(f0 f1 f2 f3) = (g0 g1 g2 g3)
avec
X
gi =
fk ul:
k+l=i (mod
4)
Quelle est la matrice de Tu lorsque R est muni de sa base naturelle?

Remarque: Ici on peut consid erer les el ements de R4 comme des fonctions
(d enies par leurs valeurs) de Z=4Z dans R. Alors si f = (f0 f1 f2 f3) est
une telle fonction, la fonction g = Tu(f ) est la convol ee f u. (Les matrices
de cette forme sont dites matrices circulantes).
4
Operations sur les matrices
43
Chapitre 10
Operations elementaires sur les
matrices
Introduction
Il existe de nombreuses operations interessantes sur les tableaux matriciels. Nous presentons ici les operations simples qui decoulent des operations de base sur les applications
lineaires: l'addition, la multiplication par un scalaire, la composition, la transposition.
10.1 Operations sur les matrices

Soient E F G trois espaces vectoriels sur le même corps K , munis des bases
respectives e = (ei)1im , f = (fj )1jn , g = (gk )1kp .
Ex-1 Montrer que si a et b sont des applications lin eaires de E dans F de
matrices respectives (aij )ij et (bij )ij , alors a + b a pour matrice (aij + bij )ij .
De nition 10.1.1 La somme de deux matrices A = (aij )ij et B = (bij )ij
de même taille est la matrice C = (cij )ij de même taille ou cij = aij + bij .
On note C = A + B .
Ex-2 Montrer que si a est une application lin eaire de E dans F de matrice
(aij )ij et si 2 K , alors a a pour matrice ( aij )ij .
De nition 10.1.2 Le produit d'une matrice A = (aij )ij par un scalaire
est la matrice C = (cij )ij de même taille ou cij = aij . On note C = A.
44
Chapitre 10
D enissons le produit d'un vecteur ligne par un vecteur colonne

0 b1 1
(a1 an) @ ... A
bn
P
comme etant le scalaire ni=1 aibi.
Ex-3 Soit b 2 L(E F ) une application lin eaire de E dans F de matrice
B = (bij ) ayant donc n lignes et m colonnes, et a 2 L(F G) une application
lin eaire de F dans G de matrice A = (aij ) ayant donc p lignes et n colonnes.
La compos ee a b est une application lin eaire c de E dans G et sa matrice
sera not ee C = (cij ). Cette matrice a p lignes et m colonnes.
Montrer que le coecient cij est obtenu en faisant le produit de la ligne i de
la matrice A par la colonne j de la matrice B .
De nition 10.1.3 Le produit de deux matrices A = (aij )ij de taille (p n)
et B =P(bij )ij de taille (n m) est la matrice C = (cij )ij de taille (p m) ou
cij = nk=1 aik bkj . On note C = AB .
Ex-4 Soit a 2 L(E F ) dont la matrice est A = (aij )ij de taille (n m).
Consid erons l'application transpos ee a de F dans E d enie par a()(x) =
(a(x)). Montrer que la matrice (aij )ij de a quand F est muni de la base
duale de la base f et E muni de la base duale de la base e est de taille (m n)
et v erie aij = aji.
De nition 10.1.4 La transposee de la matrice A = (aij ) de taille (n m),
est la matrice At = (aji) de taille (m n).
Ex-5 Montrer que (AB )t = B tAt.
10.2 Structures des espaces de matrices

Compte tenu de l'interpr etation des matrices en termes d'applications lin eaires, les structures de bases seront les mêmes.
Notons Mmn(K ) l'ensemble des matrices ayant m lignes et n colonnes a
coecients dans K . Avec l'addition des matrices et la multiplication par un
scalaire, Mmn(K ) est muni d'une structure d'espace vectoriel sur K .
Ex-6 Construire une base de Mmn(K ). Quelle est sa dimension?
Operations sur les matrices
45
Lorsque m = n on a l'espace Mn (K ) des matrices carr ees d'ordre n. La

multiplication des matrice est alors une op eration interne de cet ensemble et
lui confere une structure d'anneau (non commutatif). L'unit e de l'anneau est
la matrice unit e.
Ex-7 Donner des exemples de matrices carr ees de même taille A et B telles
que AB 6= BA.
Ex-8 Montrer que si A et B sont des matrices inversibles dans Mn (K ) alors
(AB );1 = B ;1A;1.
46
Chapitre 10
Determinants
47
Chapitre 11
Determinants
Introduction
A une famille de n vecteurs dans un espace de dimension n, ou encore a une matrice carree
de taille (n n) (qui peut être consideree aussi comme la famille formee par ses n vecteurs
colonnes), on associe un element du corps de base appele le determinant du systeme, qu'on
peut concevoir de maniere intuitive comme le "volume algebrique" du "parallelepipede"
(en dimension n) construit sur les vecteurs de la famille. Ainsi ce determinant sera 0 si et
seulement si la famille de vecteurs est liee.
11.1 Formes multilineaires alternees - Determinants

Soit E un espace vectoriel sur le corps K , de dimension nie n, dans lequel
on xe une base e = (ei)1in .
De nition 11.1.1 Une forme n-multilineaire alternee f est une application de E n dans K qui est lineaire par rapport a chacune des n variables,
et qui verie en outre pour tout couple 1 i < j n et tout (x1 xn )
f (x1 xi xj xn) = ;f (x1 xj xi xn ):
Ainsi lorsque f est n-multilin eaire altern ee, en utilisant la d ecomposition de
toute permutation en produit de transpositions, on peut ecrire pour toute
permutation de f1 ng
f (x(1) x(n)) = (;1)()f (x1 xn)
48
Chapitre 11
ou () est la signature de la permutation .

Ex-1 Montrer que l'ensemble des formes n-multilin eaires altern ees est un
sous espace vectoriel de l'ensemble des fonctions de E n dans K . Nous noterons
An (E ) cet espace vectoriel.
Ex-2 Soit (x1 xn) une famille de n vecteurs de E , dont les composantes
dans la base e x ee sont donn ees par
xi =
Soit 2 An (E ).
Montrer que
(x1 xn) =
X
2Sn
n
X
j =1
(;1)()x
xij ej :
1(1)
xn(n) (e1 en)
ou Sn est le groupe des permutations de f1 ng.

Soit 2 K . Montrer que l'application de E n dans K d enie par
(x1 xn) =
2Sn
(;1)()x1(1) xn(n)
est une forme n-multilin eaire altern ee.

En conclure que dim(An(E )) = 1, et que toute forme multilin eaire altern ee
est d enie par sa valeur prise sur (e1 en).
De nition 11.1.2 On appelle determinant dans la base e = (e1 en),
la forme n-multilineaire alternee qui vaut 1 sur (e1 en ).
Ainsi
X
det(x1 xn) = (;1)()x1(1) xn(n) :
2Sn
Le determinant d'une matrice carree est le determinant de la famille de ses

vecteurs colonnes.
Ex-3 Utiliser la formule pr ec edente pour calculer dans le cas n = 2
a
11
det a
21
a12
a22
Determinants
49
Ex-4
Ex-5
Ex-6
Ex-7
Montrer que det(A) = det(At).

Montrer que det( A) = n det(A).
Donner un exemple dans lequel det(A + B ) 6= det(A) + det(B ).
Montrer que si la famille (x1 xn) est li ee, alors det(x1 xn) = 0.
En conclure que si A est une matrice carr ee, et si B est obtenue a partir de
A en ajoutant a une colonne (resp. a une ligne) une combinaison lin eaire des
autres colonnes (resp. des autres lignes) alors det(A) = det(B ).
Ex-8 Soit A = (aij )ij une matrice carr ee d'ordre n. Si 1 i j n, notons
Aij la matrice carr ee d'ordre n ; 1 obtenue en supprimant de la matrice A
la ligne i et la colonne j .
Montrer que
det(A) =
puis
det(A) =
n
X
i=1
(;1)i+j aij det(Aij )
n
X
j =1
(;1)i+j aij det(Aij ):
La premiere formule donne le d eveloppement du d eterminant suivant la colonne j , la deuxieme formule donne son d eveloppement suivant la ligne i.
Ex-9 Soit A une matrice diagonale dont les coecients diagonaux seront
not es i. Quel est le d eterminant de A? En particulier quel est le d eterminant
de la matrice unit e?
Ex-10 Montrer que det(AB ) = det(A)det(B ).
En conclure que si A est inversible det(A) 6= 0 et que det(A;1) = 1=det(A).
Ex-11 Montrer que det(A) 6= 0 est equivalent a A inversible.
Ex-12 Soit E un espace vectoriel de dimension n muni d'une base e. Soit
(fj )1jm une famille nie de vecteurs de E . On appelle A la matrice de
taille (n m) dont les vecteurs colonnes sont les vecteurs fj d ecompos es dans
la base e. Montrer que le rang du systeme de vecteurs (fj )1jm est r si et
seulement s'il existe une matrice carr ee B extraite de A de taille (r r) de
d eterminant non nul, et toute matrice carr ee de taille (r + 1 r + 1) extraite
de A est de d eterminant nul.
50
Chapitre 11
11.2 Calcul de determinants

Les problemes de calcul de d eterminants se classent dans deux cat egories
distinctes. D'une part le calcul de type formel pour les d eterminants qui ont
une forme particuliere, d'autre part le calcul num erique de d eterminants sans
forme alg ebrique particuliere. Le cas du calcul formel de d eterminants n'est
pas un cas d' ecole. De nombreux problemes concrets conduisent en eet a
s'int eresser a des d eterminants ayant une forme particuliere, et pour lesquels
on arrive a obtenir une formule close.
Le calcul num erique de d eterminants "quelconques" se fait des que l'ordre
d epasse trois ou quatre par des m ethodes num eriques adapt ees (par exemple
pivot de Gauss).
Ex-13 Calculer le d eterminant

1

. . .
0

1

cos
(

)

;
sin
(

)

1

.
..
Dn =

1

sin()

cos()

1

.
. .
0

1
1 0 ;1 ;1
0 ;1 ;1 1
a b c d :
;1 ;1 1 0

x
y x + y
y x + y x :
x + y x
y
Ex-16 calculer le d eterminant d'ordre n tridiagonal en fonction des para-
metres a,b,c
Determinants
51
a b 0 0 : : : 0 0
c a b 0 : : : 0 0
0 c a b : : : 0 0

:
Dn =
: :

:

a b

c a
On pourra etablir une relation de r ecurrence liant Dn a Dn;1 et Dn ; 2.

Ex-17 (D eterminants de Vandermonde) On considere le d eterminant
1 z0 z2 : : : zn
0
0

.
.
.
.

:
.
.
.
.
V (z0 z1 zn) = . . .
1 zn zn2 : : : z.nn
On remarquera que ce d eterminant est un polynôme en les n + 1 variables
z0 zn. Quel est le degr e de ce polynôme?
Montrer que ce polynôme a pour tout i < j le monôme (zj ; zi) en facteur.
Calculer ce d eterminant.
1 1 1 1
1
1
2
n;1

Dn = 1
21
22
2n;1
...
...
... ...
1
n1 ;1
n2 ;1
nn;;11
ou
k = e 2ikn :
Ex-19 Calculer le d eterminant circulant d'ordre n

a a a
a 0 a1 an;1
n:;1 :0 n:;2
a a a
1
2
0
(on pourra multiplier a droite ce d eterminant par le d eterminant de l'exercice
pr ec edent).
52
Chapitre 11
Ex-20 Calculer le d eterminant d'ordre 2n + 1

1 cos(x0) sin(x0) cos(nx0) sin(nx0)
1 cos(x1) sin(x1) cos(nx1) sin(nx1)

...
...
...
... :
...
1 cos(x2n) sin(x2n) cos(nx2n ) sin(nx2n)
Ex-21 On veut calculer le d eterminant Dn d'ordre n dont le coecient

6 0).
d'indice (i j ) est ai+1 bj (on supposera que ai + bj =
Montrer dans un premier temps que Dn est de la forme

Qn (ai ; aj )(bi ; bj )
Dn = cn i>jQn (a + b )
j
ij =1 i
ou cn est une constante.
Montrer que
1

1
a +b
...
lim
a
D
=
n
n
1
an !1
an;1+b
1
a +. b
..
lim
lim
a
D
=
n
n
bn !1 an !1
an;1+b
1
1
puis que
a1 +bn
...
En conclure que

an;1+bn
1

1
a1 +bn;1

an;1 +bn;1
...
anDn = 1
lim
lim
b !1 an !1 D
n
puis que pour tout n, cn =1.
n;1

0
...
:
0
1
Applications lineaires
53
Chapitre 12
Applications lineaires en
dimension nie
Introduction
Nous reprenons ici l'etude des applications lineaires d'un espace de dimension
nie dans
un autre espace de dimension
nie. Nous regarderons alors ce qu'apporte la notion de base
a cette etude.
12.1 Bases et applications lineaires

Soit E et F deux espaces vectoriels sur le même corps K , de dimensions respectives m et n. Soit e = (e1 em) et f = (f1 fn) des bases respectives
de E et de F . est une application lin eaire de E dans F .
Ex-1 Montrer que Im() = (e1) (em)].
De nition 12.1.1 On appelle rang d'une application lineaire, la dimension
de son image.
Ex-2 Soit G un sous espace vectoriel de E . Montrer qu'il existe une appli-
cation lin eaire de E dans F telle que Ker() = G.

Ex-3 Soit G un sous espace vectoriel de E . Dans E on d enit la relation
xRy si et seulement si x ; y 2 G.
Montrer que R est une relation d' equivalence.
54
Chapitre 12
Montrer que sur l'ensemble quotient on d enit une structure d'espace vectoriel en posant
cl(x) + cl(y) = cl(x + y)

cl(x) = cl( x)
ou cl(x) d esigne la classe d' equivalence de x.
De nition 12.1.2 L'espace vectoriel denit precedemment est appele espace quotient de E par G, on le note E=G.
Ex-4 Soit D un suppl ementaire de G dans E .
E = G D:
Si x et y sont deux el ements de E alors x et y s' ecrivent de maniere unique

sous la forme x = gx + dx et y = gy + dy avec gx gy 2 G, dx dy 2 D.
Montrer que si x ; y 2 G alors dx = dy .
On peut alors d enir l'application p de E=G dans D par
p(cl(x)) = dx:
Montrer que p est une application lin eaire.
Montrer que p est bijective.
Quelle est la dimension de E=G?
On remarque qu'il est en un certain sens equivalent de travailler avec un
suppl ementaire de G ou avec E=G.
Ex-5 (factorisation des applications lineaires) Montrer qu'il existe une
application injective " unique de E=Ker() dans F , telle que = " s ou
s est la surjection naturelle de E sur E=Ker().
Si de plus est surjective alors " est bijective.
Ex-6 Soit D un suppl ementaire de Ker() dans E . Montrer que la restriction
"1 de a D est surjective. Comparer "1 a l'application " de l'exercice
pr ec edent.
De nition 12.1.3 Soit e0 = (e01 e0m) une autre base de E . La matrice P
de l'application identite de E muni de la base e0 sur E muni de la base e est

la matrice de passage de la base e a la base e0. Ainsi les colonnes de P
sont les coordonnees des vecteurs de la nouvelle base e0 dans l'ancienne base
e.
Applications lineaires
55
Ex-7 Montrer que P est inversible.

Ex-8 Soit e0 = (e01 e0m) une autre base de E et f 0 = (f10 fn0 ) une
autre base de F . Notons P la matrice de passage de la base e a la base e0 et

Q la matrice de passage de la base f a la base f 0. Si A est la matrice de
pour les bases e et f , montrer que la matrice A0 de pour les bases e0 et f 0
v erie
A0 = Q;1AP:
Ainsi, dans le cas ou F = E et ou f = e, f 0 = e0 on obtient pour l'endomorphisme
A0 = P ;1AP:
Ex-9 Etudier le cas ou F = E , f = e (base duale de E ) et f 0 = e0.
Si P est la matrice de passage de e a e0, quelle est la matrice de passage de
e a e0?
Montrer que
A0 = P tAP:
Ex-10 Soit E un espace vectoriel de dimension nie n, e = (e1 em) une
base x ee dans E , f une application lin eaire de E dans E (endomorphisme ou
op erateur) de matrice A dans les bases donn ees. Montrer que A est inversible
(f inversible) si et seulement si det(A) 6= 0.
Ex-11 Expression de l'inverse d'une matrice.
Soit A = (aij )ij une matrice carr ee d'ordre n. Si 1 i j n, notons Aij la
matrice carr ee d'ordre n ; 1 obtenue en supprimant de la matrice A la ligne
i et la colonne j .
On appelle cofacteur de aij le nombre (;1)i+j det(Aij ).
Montrer que

A;1 = det1(A) Cij ij
ou Cij est le cofacteur de aji.
12.2 Exemples
Ex-12 Soit Rn X ] l'espace des polynômes de degr e n. Soit m < n et

x0 xm des r eels distincts. Soit F le sous espace des multiples du polynôme
N (X ) = (X ;x0) (X ;xm). Quelle est la dimension du quotient RnX ]=F ?
56
Chapitre 12
D eterminer un isomorphisme de ce quotient sur RmX ].

Ex-13 Dans le plan de la g eom etrie euclidienne on considere une base orthonorm ee (e1 e2). Soit R la rotation vectorielle d'angle . On considere la
base (f1 f2) ou f1 = R (e1) et f2 = R (e2). Quelle est la matrice de passage
de la base (e1 e2) a la base (f1 f2)? On considere l'application lin eaire de
matrice
cos( ) ; sin( )
S = 1sin(1) 1cos( )1
1
dans la base (e1 e2). Quelle est la matrice de cette application lin eaire dans
la base (f1 f2)?
Systemes lineaires
57
Chapitre 13
Systemes lineaires
Introduction
La resolution d'un systeme lineaire de m equations a n inconnues (pouvant prendre leurs
valeurs dans un corps donne) s'interprête en terme d'algebre lineaire comme la recherche
d'un vecteur dans un espace de dimension n dont l'image par une application lineaire
donnee est un vecteur donne dans un espace de dimension m. Nous verrons a ce propos
plusieurs problemes distincts: existence d'une solution, unicite, determination de la ou des
solutions, algorithmes eectifs de calcul.
13.1 Problemes lineaires en dimension nie

Un systeme lin eaire de m equations a n inconnues est un systeme du type
8 a11x1 + + a1nxn
>
< a21x1 + + a2nxn
.
>
: a x + .. + a x
= b1
= b2
... ...
m1 1
mn n = bm
ou les inconnues xi sont a chercher dans un corps K , les coecients aij du
systeme sont dans K , et les donn ees bi des seconds membres sont aussi dans
K.
Pour un tel systeme les problemes pos es sont les suivants:
a) Le systeme possede-t-il au moins une solution?
b) S'il existe une solution est elle unique?
58
Chapitre 13
c) S'il existe des solutions peut on les ecrire suivant une formule en
fonction des coecients et des seconds membres?
d) Comment calculer numeriquement une solution lorsqu' on se donne
des valeurs num eriques explicites pour les coecients et les seconds membres?
En particulier ce calcul peut il être r ealis e pratiquement a partir de formules
closes?
La premiere chose que nous allons faire est d'interpr eter de diverses manieres
en termes d'algebre lin eaire le probleme pos e. Nous verrons que ces diverses
facons de voir sont toutes int eressantes par les divers eclairages qu'elles
apportent au probleme.
La premiere pr esentation est celle sous forme de systeme que nous avons
donn ee. Partant de la, consid erons l'application lin eaire L de K n dans K m
qui
= (x1 x2 xn) fait correspondre y = (y1 y2 ym) ou yi =
Pn a atoutx x. Notons
b = (b1 b2 bm) le vecteur de K m constitu e par les
j =1 ij j
seconds membres du systeme. Dans ces conditions on cherche les solutions de
L(x) = b, c'est-a-dire les vecteurs x de K n dont l'image par L est un vecteur
donn e b de K m. Sous cette forme il est clair que la r esolution du systeme
lin eaire passe par l' etude de l'application lin eaire L. D'ailleurs, si on munit
K n et K m de leurs bases naturelles, on peut ecrire le systeme sous forme
matricielle
Ax = b
ou encore
0 a11 a12 a1n 1 0 x1 1 0 b1 1
B
B
B
a21 a22 a2n C
x2 C
b2 C
B
C
B
C
B
C
=
.
.
.
.
@ .. ..
.. A @ .. A @ ... A :
xn
bm
am1 am2 amn
Ainsi que nous l'avons d eja remarqu e dans le chapitre sur les formes lin eaires,
on peut consid erer que l' etude d'une application lin eaire de K n dans K m peut
se faire par l' etude de m formes lin eaires sur K n. Plus pr ecis ement, notons
Li (1 i m) la forme lin eaire sur K n d enie par
L# i(x) =
n
X
j =1
aij xi:
Dans cette optique la recherche des solutions du systeme se ramene a la
recherche des solutions communes aux m equations
Li (x) = bi:
Systemes lineaires
59
Comme les solutions de chaque equation d enissent un hyperplan ane

(cas Li 6= 0), ou l'espace tout entier (cas Li = 0 bi = 0), ou encore
l'ensemble vide (cas Li = 0 bi 6= 0), on voit bien la signi cation geometrique de l'ensemble des solutions: c'est une intersection d'objets du type
pr ec edent.
Remarquons encore que si on appelle A1 A2 An les vecteurs colonnes
(donc el ements de K m) de la matrice A, le probleme pos e se ramene aussi
a trouver les coecients xi d'une combinaison lin eaire de ces vecteurs qui
vaille b:
n
X
xiAi = b:
i=1
Enn compte tenu de l'interpr etation du probleme en terme d'algebre lin eaire
on peut penser a l'exprimer de maniere qui semble plus g en erale:
Soient E et F deux espaces vectoriels de dimensions nies respectives n et
m sur un corps K , et L une application lin eaire de E dans F . Etant donn e
b 2 F existe-t-il x 2 E tel que L(x) = b?
En fait en xant une base dans E et une base dans F , on se ramene a
un systeme du type d eni pr ec edemment, si bien que cette facon de poser le probleme n'est pas r eellement plus g en erale. Cependant elle est int eressante car elle permet de s'aranchir de l'aspect analytique qu'imposent
des bases x ees pour une expression plus intrinseque. A titre d'exemple citons le probleme d'interpolation suivant: consid erons u0 um;1 des points
distincts de R. Soit L l'application lin eaire de Rn;1X ] (espace des polynômes sur R de degr e n ; 1) dans Rm qui a tout P 2 Rn;1X ] fait
correspondre (P (u0) P (um;1)). Etant donn e b = (b0 bm;1) un el ement de Rm, trouver P tel que L(P ) = b (ou encore tel que pour tout
0 i m ; 1 P (ui) = bi).
Remarquons encore que le probleme sous sa forme intrinseque peut se pr esenter a l'aide de formes lin eaires sous la forme suivante: soit E un espace
vectoriel de dimension n sur K soient L1 Lm des formes lin eaires sur E
et b1 bm des el ements de K trouver les vecteurs x de E tels que pour tout
1 i m on ait Li(x) = bi. A titre d'exemple le probleme d'interpolation
cit e au dessus s'exprime facilement sous cette forme.
En conclusion disons que nous utiliserons pour chaque probleme lin eaire a
r esoudre l'une ou l'autre de ces formes, en choisissant bien entendu la plus
60
Chapitre 13
commode compte tenu du contexte.

Ex-1 On reprend les notations de l'introduction et on suppose m = n.
Montrer que les conditions suivantes sont equivalentes:
1) le probleme lin eaire L(x) = b a une solution et une seule pour tout
b 2 K m
2) L est bijective
3) Ker(L) = f0g
4) det(A) 6= 0
5) il existe b 2 K m tel que le probleme L(x) = b ait une solution et une
seule.
Donner des exemples et des contre-exemples.
De nition 13.1.1 Lorsque, dans le cas ou m = n, les conditions equivalentes precedentes sont realisees, on dit que le systeme lineaire considere est
un systeme de Cramer. Remarquons que le fait d'être un systeme de Cramer ne depend pas du second membre du systeme.
Ex-2 Montrer que si m 6= n il n'est pas possible que le systeme ait une
solution et une seule ( c'est-a-dire que soit il n'a pas de solution, soit il a
plusieurs solutions). Donner des exemples de chaque cas.
Dans le cas g en eral l'analyse du probleme n'est pas tres dicile a faire en
regardant le noyau et l'image de l'application lin eaire L.
Ex-3 Si le systeme a une solution x = (x1 xn) l'ensemble de toutes les
solutions est x + Ker(L).
Le systeme a une solution si b 2 Im(L). En particulier le systeme homogene
associ e (L(x) = 0) a toujours une solution ( 0 est toujours solution).
Si le rang de L est m (dimension de l'espace d'arriv ee F ) le systeme a
toujours une solution, sinon il existe des cas ou il n'en a pas.
Si le noyau de L est r eduit au vecteur nul il y a au plus une solution.
Les divers cas pr ec edents peuvent eventuellement être d etect es par des valeurs
de d eterminants.
Ex-4 Nous cherchons a r esoudre L(x) = b ou L est une application lin eaire de
l'espace vectoriel E de dimension n dans l'espace vectoriel F de dimension m
(espaces dans lesquels on suppose que des bases ont et e x ees). Nous notons
A = (aij ) 1in la matrice de L dans les bases x ees. Soit r le rang de L
1j m
Systemes lineaires
61
(dimension de l'image). On sait alors qu'il existe un sous d eterminant d'ordre

r non nul extrait de la matrice A (on supposera pour xer les id ees que c'est
celui obtenu pour 1 i r, 1 j r) et que tout sous d eterminant d'ordre
r + 1 extrait de A est nul. Montrer que le systeme admet une solution si et
seulement si pour tout 1 s m ; r
a11 a1r b1
a21 a2r b2
..
...
... 6= 0:
.

a

a
b
r1
rr
r
ar+s1 ar+sr br+s
Ex-5 Dans le cas d'un systeme de cramer dont la matrice (carr ee) est
A = (aij ) 1in dont les seconds membres sont b1 bn l'unique solution
1j n
(x1 xk xn) s' ecrit
a11 a1k;1 b1 a1k+1 a1n

..
.
.
.
.
.
.
.
.
.
.
.
.
.

a

a
b
a

a
nn
nka1;11 n ank1n+1
xk = n1
..
...
.

an1 ann
Les formules pr ec edentes, dites formule de Cramer ne sont pas employ ees
pour la r esolution explicite num erique des systemes (sauf eventuellement en
petite dimension). Parmi les m ethodes explicites de r esolution, la m ethode
du pivot de Gauss (ou encore m ethode par elimination) est tres simple.
Divers algorithmes plus ou moins elabor es r ealisent cette elimination. Nous
proposons ici l'algorithme suivant dit algorithme de Crout.
Ex-6 Soit A une matrice carr ee d'ordre n dont le d eterminant est non nul
A = (aij )1ijn
On cherche deux matrices carr ees d'ordre n
L = (
ij )1ijn avec
ij = 0 si j > i
U = (ij )1ijn avec ij = 0 si j < i
62
Chapitre 13
telles que A = LU .
Combien y a-t-il de coecients a d eterminer?
Combien y a-t-il d' equations qui permettent de les d eterminer?
Ceci explique qu'on puisse en outre imposer
ii = 1 1 i n:
Puisqu'on sait que les coecients ii valent 1 , on ne les stocke pas. On
va donc pouvoir mettre les deux matrices L et U dans le même tableau T
carr e d'ordre n (L matrice triangulaire inf erieure et U matrice triangulaire
sup erieure).
Pour chaque couple (i j ) v eriant 1 i j n on dispose donc de la relation
inf (ij )
k=1
ik kj = aij
etape 1
1) Calculer les
i1 en fonction des ai1.
2) Permutation des lignes an que parmi tous les
i1 ainsi calcul es, celui de
plus grande valeur absolue se trouve en position (1 1). Par abus de notation
nous appellerons toujours ces nombres
i1. Montrer qu'apres permutation
11 6= 0.
3) Calculer les 1j pour j > 1 en fonction des a1j et de
11.
On peut it erer ce calcul: supposons calcul ees les p ; 1 premieres lignes et les
p ; 1 premieres colonnes.
etape p
1) Calcul de la pe colonne (a partir du rang p) c'est a dire des el ements

ip
pour i p. Montrer que
ip se calcule en fonction de aip et d' el ements d eja
calcul es.
2) Permutation des lignes pour mettre le
ip (ou i p) de plus grande
valeur absolue en position (p p). On montrera alors que le
pp ainsi trouv e
est non nul.
3) Calcul de la pe ligne a partir du rang p + 1, c'est a dire des el ements pj
pour j > p. Montrer que pj s'exprime en fonction de apj et d' el ements d eja
calcul es.
Remarque
Systemes lineaires
63
Lorsqu'on utilise cette transformation de la matrice A sous la forme LU

pour r esoudre le systeme AX = B on est amen e a tenir compte des diverses
permutations faites sur les lignes en faisant des permutations analogues sur
les composantes de B. on a alors ensuite a r esoudre LUX = B , soit encore
LY = B puis UX = Y .
Ex-7 Montrer que le systeme L(x) = b admet une solution si et seulement
si pour toute solution u de L(u) = 0 on a u(b) = 0.
13.2 Resolution explicite de systemes lineaires

Ex-8 R esoudre
8 2x ;x ;x
< 1 2
3
3
x
1 +4x2 ;2x3
: 3x1 ;2x2 +4x3
= 4
= 11
= 11
Ex-9 Quand le systeme suivant possede-t-il une solution unique?
8 ax +bx +cx +dx = 0
>
< bx11 ;ax22 +dx33 ;cx44 = 0
cx1 ;dx2 ;ax3 +bx4 = 0
>
: dx
;bx3 ;ax4 = 0
1 +cx2
Ex-10 R esoudre le systeme
8 x ;2x +x +x = 1
< 1
2
3
4
x
;
2
x
+
x
;
x
: x11 ;2x22 +x33 +5x44 == ;51
Ex-11 R esoudre le systeme
8 x +x ;3x = ;1
>
< 2x11 +x22 ;2x33 = 1
+x2 +x3 = 3
>
: xx11 +2
x2 ;3x3 = 1
Ex-12 Soit a r esoudre un systeme de Cramer du type
8 a11x1 + + a1nxn = b1
<
.
. .
: a x + .. + a x =.. b..
n1 1
nn n
n
64
Chapitre 13
Notons pour 1 k n
0 sk1 1
Sk = @ ... A
skn
la solution du systeme
8 a11x1 + + a1nxn

>
>
...
>
>
>
< ak;11x1 + + ak;1nxn
ak1x1 + + aknxn
>
ak+11x1 + + ak+1nxn
>
>
.
>
>
: an1x1 + .. + annxn
=
...
=
=
=
...
=
0
...
0
1
0
...
0
Montrer que la solution cherch ee est
b1S1 + + bn Sn:

On pourra montrer que (S1 Sn) est une base de K n . Quelle est sa base
duale?
Valeurs propres, vecteurs propres
65
Chapitre 14
Valeurs propres, vecteurs
propres
Introduction
Nous etudions ici les notions tres importantes de vecteurs propres et valeurs propres.
Nous traiterons d'abord le cas simple de la diagonalisation des applications lineaires. Nous
reprendrons ensuite l'etude de la decomposition spectrale de maniere plus complete, en se
placant toutefois dans le cas ou le corps de base est algebriquement clos.
14.1 Une premiere etude des valeurs propres

et vecteurs propres
De nition 14.1.1 Soit E un espace vectoriel de dimension nie n sur C .

Soit T un operateur de E . Un vecteur propre de T est un vecteur non
nul e tel que T (e) = e ou 2 C . Un tel nombre est appele une valeur
propre de T .
Ex-1 Montrer que pour que soit valeur propre de T il faut et il sut que
det(T ; I ) = 0. En conclure qu'il existe au moins une valeur propre et au
plus n valeurs propres.
De nition 14.1.2 Le polynôme en det(T ; I ) est appele polynôme

caracteristique de T .
66
Chapitre 14
Ex-2 Soit V l'ensemble des vecteurs propres associ es a la valeur propre .

Montrer que S = V f0g est un sous espace vectoriel de E . Cet espace est
appel e sous espace propre associ e a .
Ex-3 Montrer que si r vecteurs de E sont des vecteurs propres associ es
a r valeurs propres distinctes de T , alors ces r vecteurs sont lin eairement

ind ependants.
Ex-4 Montrer que si le polynôme caract eristique de T n'admet pas de
racines multiples alors il existe une base de E form ee de vecteurs propres
de T (attention le corps de base est C ou un corps alg ebriquement clos).
Ex-5 Supposons qu'il existe une base de E form ee de vecteurs propres de T
(par exemple comme nous l'avons vu si toutes les valeurs propres de T sont
distinctes). Quelle est la matrice de T dans cette base?
On a ainsi dans l'exercice pr ec edent diagonalise la matrice de T (c'esta-dire trouv e une base de E dans laquelle la matrice de l'op erateur T est
diagonale). Plusieurs problemes se posent alors. Que se passe-t-il dans le
cas ou le polynôme caract eristique a des racines multiples? Peut on toujours
r eduire la matrice de T en choisissant une bonne base? Nous allons pour
r epondre a ces questions d evelopper le paragraphe suivant. Il restera a voir
ce qu'il se passe quand le corps n'est pas alg ebriquement clos, et que le
polynôme caract eristique n'a pas autant de racines qu'il le faudrait. Nous
ne d evelopperons pas cette question. Disons simplement que dans ce cas, on
peut "grossir" le corps de base en se placant dans sa clôture alg ebrique. Ceci
demande de d enir la "complexication" d'un espace vectoriel, ce que nous
ne ferons pas ici.
14.2 Decomposition spectrale des operateurs
Soit X un espace vectoriel de dimension nie n sur le corps C des nombres

complexes. Soit T un endomorphisme de X et A(T ) la sous algebre de l'algebre L(X ) des endomorphismes de X engendr ee par l'op erateur T .
14.2.1 L'algebre engendree par un operateur.
Il est facile de voir que l'algebre A(T ) est constitu ee par les op erateurs P (T )
ou les el ements P sont les polynômes de l'espace CX ]. On remarquera que
A(T ) est une algebre commutative.
67
Soit " l'application de CX ] dans A(T ) qui a un polynôme P fait correspondre l'op erateur P (T ). Cette application " est visiblement surjective. Elle
ne peut pas être injective car A(T ) est de dimension nie alors que CX ]
est de dimension innie. Le noyau Ker(") de " n'est donc pas r eduit a f0g.
Ce noyau est un id eal de CX ]. On en d eduit que Ker(") est engendr e par
un polynôme M normalis e de degr e minimal unique (en eet CX ] est un
anneau principal). Remarquons que ce polynôme n'est pas nul (le noyau n'est
pas f0g) et n'est pas 1. Donc le degr e de M est sup erieur ou egal a 1. On
peut donc enoncer le th eoreme suivant:
Theoreme 14.2.1 Il existe un polynôme normalise et un seul M tel que
tout polynôme P veriant P (T ) = 0 soit un multiple de M . Ce polynôme de

degre minimal parmi ceux qui sont annules par T est de degre superieur ou
egal a 1.
De nition 14.2.1 Le polynôme M du theoreme precedent est appele polynôme minimal de l'operateur T .
Puisque le corps de base est alg ebriquement clos il est clair que le polynôme
minimal se d ecompose en produit de facteurs de la forme (X ; )k . Ceci nous
incite a etudier les op erateurs de la forme (T ; I )k .
14.2.2 Les operateurs
T ; I )k .
Pour tout k 0 et tout 2 C d enissons
(
N k = Ker(T ; I )k
Il est clair que la suite de sous espaces (N k )k0 est croissante (pour l'inclusion). Comme X est de dimension nie, cette suite ne peut être strictement
croissante, il existe donc un plus petit entier ( ) appel e index de tel que
N ( ) = N ( )+1
Theoreme 14.2.2 Si ( ) est l'index du nombre complexe alors pour tout
entier p 0
N ( ) = N ( )+p
68
Chapitre 14
Demonstration Montrons par r ecurrence que pour tout p 0 N ( )+p =

N ( )+p+1. On sait que le r esultat est vrai pour p=0. Supposons le vrai pour
un entier p 0 et montrons alors qu'il est vrai pour p + 1. Si x 2 N ( )+p+2
alors (T ; I )(x) 2 N ( )+p+1 et par hypothese de r ecurrence (T ; I )(x) 2
N ( )+p. Donc x 2 N ( )+p+1 et par suite N ( )+p+1 = N ( )+p+2.
Notons n la dimension du sous espace N ( ). Compte tenu de la croissance
stricte de la suite (N k )k pour 0 k ( ), on a l'in egalit e ( ) n n.
14.2.3 Spectre, index et polynôme minimal.
De nition 14.2.2 Le spectre de l'operateur T , note (T ), est l'ensemble des
nombres complexes tels que T ; I ne soit pas inversible.
Remarque:
{ Nous sommes ici en dimension nie, donc il est equivalent dans ce cas
de dire que le spectre est constitu e des tels que T ; I ne soit pas
injectif, c'est a dire tels que N 1 6= f0g.
{ Si n'est pas dans le spectre de T alors l'index ( ) est nul. Par contre
s'il est dans le spectre, son index est sup erieur ou egal a 1.
De nition 14.2.3 Lorsque est une valeur propre (i.e. ( ) 1), le sous
espace N 1 est appele sous espace propre de T et ses elements non nuls sont
les vecteurs propres de T .
Le sous espace N ( ) est appele sous espace spectral associe a .
Theoreme 14.2.3 Le spectre de T est un ensemble ni et le polynôme mi-
nimal M de T s'exprime sous la forme
M (X ) =
(X ; ) ( )
2(T )
Demonstration Soit R un polynôme non nul tel que R(T ) = 0. Supposons

que R ait une racine qui ne soit pas dans le spectre. Alors R(X ) = (X ;
)R1 (X ). Ainsi R(T ) = R1(T )(T ; I ). Et comme T ; I est inversible
et R(T ) = 0 on en conclut que R1(T ) = 0. Si R a une racine qui est
dans le spectre, et qui a une multiplicit e ( ) + p avec p 1 alors R(T ) =
69
(T ; I ) ( )+pR2(T ). Donc R(T ) = 0 implique que pour tout x R2(T )(x)

appartient au noyau de (T ; I ) ( )+p c'est a dire au noyau de (T ; I ) ( ).
On a donc aussi en posant R3(T ) = (T ; I ) ( )R2(T ) l' egalit e R3(T ) = 0.
La conclusion de cette premiere partie est qu'il existe un polynôme annul e
par T , donc multiple de M , qui a pour racines des el ements du spectre avec
une multiplicit e ( ). Soit donc maintenant P un tel polynôme annul e par
T et soit un el ement du spectre de T . Alors il existe un vecteur y non
nul tel que T (y) = y. Si bien que P (T )(y) = P ( )y, et comme P(T)=0,
on obtient P ( ) = 0. (On vient de montrer en passant que le spectre est un
ensemble ni). Supposons maintenant que la multiplicit e
de cette racine
soit strictement inf erieure a ( ). Alors il existe x1 6= 0 tel que (T ;
I )+1(x1) = 0 et y1 = (T ; I )(x1) 6= 0. P (X ) peut s' ecrire sous la forme
P (X ) = (X ; ) Q(X ) avec Q( ) 6= 0. Comme T (y1) = y1 on peut ecrire
P (T )(x1) = Q(T )(y1) = Q( )y1 6= 0 ce qui contredit le fait que P (T ) = 0.
14.2.4 Decomposition de l'espace en sous espaces spectraux.
Theoreme 14.2.4 Chaque sous espace N ( ) est stable par l'operateur T .

Demonstration T (T ; I ) ( ) = (T ; I ) ( )T donc si x 2 Ker(T ; I ) ( )
alors T (x) 2 Ker(T ; I ) ( ).
Lemme 14.2.1 Si =6 alors N ( ) T N
(
) = f0g.
Demonstration En eet soit x un el ement suppos e non nul de l'intersection
6 0. Donc
et
< ( ) le plus grand entier tel que z = (T ; I )(x) =
T (z) = z. Si bien que (T ; I ) (
)(z) = ( ; ) (
) z =
6 0. D'autre part
(T ; I ) (
)(z) = (T ; I ) (
)(T ; I )(x) soit (T ; I ) (
)(z) = (T ;
I )(T ; I ) (
)(x) = 0. D'ou la contradiction.
Les projecteurs associes au polynôme minimal.
Introduisons les polynômes Q (X ) = (XM;(X))() . Les polynômes (Q ) 2(T )

sont premiers dans leur ensemble, d'apres le th eoreme de Bezout il existe
donc des polynômes A tels que
2 ( T )
A Q =1
70
Chapitre 14
Posons pour tout du spectre
S (X ) = A (X )Q (X ):
Les polynômes S v erient les propri et es suivantes:
Theoreme 14.2.5
1. La somme des S vaut 1.
2. Le produit S S
lorsque
M.
6= , est un multiple du polynôme minimal
3. Le produit de S par (X ; ) ( ) est un multiple du polynôme minimal

M.
4. S ( ) = 1 et pour tout autre element 6= du spectre S () = 0.
Demonstration Les propri et es 1) 2) et 3) proviennent imm ediatement des
d enitions des polynômes S . La propri et e 4) provient de 1) et de la d enition

de S .
Notons alors pour tout du spectre I = S (T ). Les op erateurs I v erient:
Theoreme 14.2.6
1.
2(T ) I
= I.
2. Si 6= alors I I
= 0.
3. I I = I
4. (T ; I ) ( )I = 0.
5. TI = I T
Demonstration 1) 2) et 4) sont des cons equences imm ediates du th eoreme

pr ec edent sur les polynômes S . la propri et e 3) est une cons equence claire de
1) et 2). La propri et e 5) provient du fait que I est un polynôme en T .
Remarque: Les op erateurs I sont des projecteurs.
71
Decomposition de l'espace.
Notons X = I (X ).
Theoreme 14.2.7 L'operateur T laisse stable X .
Demonstration Ceci provient de TI = I T .
Theoreme 14.2.8 On a pour tous les elements et distincts, dans le
spectre les relations suivantes:
I (X
) = f0g
et pour tout x 2 X
I (x) = x
Demonstration Ceci est une cons equence imm ediate du fait que les op erateurs I sont des projecteurs qui v erient I I
= 0.
Theoreme 14.2.9 L'espace se decompose sous la forme

M
X=
X
2(T )
DeP
monstration Du fait que P 2(T ) I = I il est clair que X = P 2(T ) X .
Si P 2(T ) x = 0 avec x 2 X . Pour tout dans le spectre on peut ecrire
I
(
2(T ) x
) = x
. D'ou x
= 0 et ceci pour tout .
Theoreme 14.2.10
X = N ( )
Demonstration Puisque (T ; I ) ( )I = 0 on conclut que X N ( ). Soit

)
alors x 2 N ( P
. D'apres le r esultat pr ec edent x s' ecrit de maniere unique sous
la forme x =
2(T ) x
ou x
est dans X
(et par suite aussi dans N
(
)).
Donc
0 = (T ; I ) ( )(x) =
(T ; I ) ( )(x
):
2(T )
Mais les (T ; I ) ( )(x

) sont eux même dans X
a cause de la stabilit e par
T de ces sous espaces. Donc en vertu de l'unicit e de la d ecomposition de 0
72
Chapitre 14
on en conclut que pour tout dans le spectre (T ; I ) ( )(x

) = 0. Mais si
6= comme x
est dans N
(
) il ne peut être aussi dans N ( ) que s'il est
nul (lemme 5.1). Par suite x = x et donc x 2 X .
De nition 14.2.4 Les projecteurs I sont appeles les projecteurs spectraux
de T .
Remarque:
{ D esormais pour etudier l'op

erateur T on pourra l' etudier sur chacun des
( )
sous espaces spectraux N . Nous verrons par la suite des exemples
de cette strat egie.
{ La somme des dimensions n des sous espaces N ( ) est n. La somme
des index est donc n.
De nition 14.2.5 Un operateur est dit diagonal si X est la somme directe
de ses sous espaces propres.
Remarque: Ceci se produit si et seulement si les index des valeurs propres
sont tous egaux a 1. Ce qui veut encore dire que dimKer(T ; I ) = n pour
toute valeur propre . Il est ais e de voir qu'un op erateur T est diagonal si et
seulement s'il peut se mettre sous forme diagonale dans une base bien choisie.
Theoreme 14.2.11 Tout operateur T s'ecrit de maniere unique sous la
forme T = D + N ou D est un operateur diagonal et ou N est un operateur
nilpotent qui commute avec D.
P
D
e
monstration
D
e
nissons
l'op
e
rateur
D
par
D
(
x
)
=
u x=
2(T ) x o
P x . Soit alors N = T ;D. Il est clair que la d ecomposition
T = D +N
2(T )
est bien du type indiqu e. Pour l'unicit e supposons qu'on ait pu d ecomposer
T sous la forme indiqu ee. D eLtant
diagonal on peut trouver des sous espaces
k
E1 E2 Ek tels que X = i=1 Ei et que la restriction Di de D a Ei soit
i I . Si x 2 Ei alors T (x) = i x + N (x) ou encore N (x) = (T ; i I )(x)
N commutant avec D il laisse stable les sous espaces propres Ei de D, donc
d esormais tout se passe dans Ei, en particulier N r (x) = (T ; iI )r(x). Comme
N est nilpotent il existe i tel que (T ; i I ) i (x) = 0. En prenant x 6= 0 on
conclut que Ker(T ; i I ) i 6= f0g, donc que i 2 (T ). Par suite il existe
2 (T ) tel que Ei N ( ) (et deux Ei distincts sont dans des N ( )
distincts). Par suite les Ei sont les N ( ) et on retombe sur la d ecomposition
deja trouv ee.
73
14.2.5 Polynôme caracteristique
De nition 14.2.6 On appelle polynôme caracteristique de T le polynôme

(X ) = det(T ; XI ).
Compte tenu de l'interpr etation du determinant, les racines de sont les
valeurs pour lesquelles T ; XI n'est pas injectif, donc sont
les valeurs propres
( )
de T . Il sut de d ecomposer T sur les sous espaces N pour voir que
(X ) =
( ; X )n
2(T )
En particulier comme ( ) n est un multiple de M donc
Theoreme 14.2.12 (Cayley Hamilton) Le polynôme caracteristique est an-
nule par T .
14.2.6 Appendice: Une autre approche des projecteurs

spectraux
Fonctions analytiques d' operateurs
La construction que nous avons donn ee des projecteurs spectraux utilise le

th eoreme de Bezout sur les polynômes. On va se placer ici dans une classe
de fonctions plus large an d'obtenir une partition de l'unit e plus directe. La
classe que nous allons utiliser est celle des fonctions analytiques. Le premier
pas est donc de d enir l'image d'un op erateur par une fonction analytique et
d' etudier quelques propri et es des op erateurs ainsi obtenus. La d enition en
vue utilise l'interpolation de Lagrange Sylvester.
Notons H(T ) la classe des fonctions d'une variable complexe a valeurs complexes qui sont analytiques dans un ouvert contenant le spectre de T (cet
ouvert pouvant varier suivant la fonction consid er ee dans la classe).
Si f 2 H(T ) on sait qu' il existe un polynôme P tel que pour tout 2 (T ),
et tout m ( ) ; 1
f (m)( ) = P (m)( ):
On d enit l'op erateur f (T ) par
f (T ) = P (T ):
74
Chapitre 14
Il est clair que la d enition est ind ependante du polynôme d' interpolation
P (cf. th eoreme 4.1).
Les r esultats suivants d ecoulent imm ediatement des propri et es des polynômes.
Theoreme 14.2.13 Si f et g sont dans H(T ) et si

et sont deux nombres
complexes, alors
1.
f + g 2 H(T ) et (
f + g )(T ) =
f (T ) + g (T ).
2. fg 2 H(T ) et fg (T ) = f (T )g (T ).
3. si f (z) = mk=0
k z k alors f (T ) = mk=0
k T k.
4. f (T ) = 0 si et seulement si f (m)( ) = 0 pour tout
0 m ( ) ; 1
2 (T ) et tout
Il d ecoule de 2) que les op rateurs f (T ) et g(T ) commutent.
Les projecteurs spectraux

D enissons pour tout 2 (T ) un disque ouvert D de centre de telle sorte
que ces disques soient deux a deux disjoints. Pour tout 2 (T ) on d enit
alors sur l'ouvert r eunion des disques ainsi construits la fonction f qui vaut
1 sur D et 0 ailleurs. Il est clair que ces fonctions sont analytiques. On note
alors E l'op erateur f (T ).
Theoreme 14.2.14 Pour tout 2 (T ) on a

E =I
c'est-a-dire que les E sont les projecteurs spectraux.
14.3 Exemples
Ex-1 Trouver le polynôme caract eristique, les valeurs propres, les vecteurs
propres et diagonaliser (si possible) les matrices suivantes
00 1 11
A=@ 1 0 1 A
1 1 0
75
0 7 4 0 0 1
B ;12 ;7 0 0 C
B =B
@ 20 11 ;6 ;12 C
A
;12 ;6 6
2 1
11
C= 1 2
Ex-2 Trouver le polynôme caract eristique, les valeurs propres, les sous espaces propres des matrices suivantes. Sont elles diagonalisables? Quels sont
les polynômes minimaux des endomorphismes correspondants?
01 1 1 1 1
B 1 1 ;1 ;1 C
A=B
@ 1 ;1 1 ;1 C
A
1 ;1 ;1 1
0 5
B = @ ;1
6 ;3
0 1 A
1 2 ;1
Ex-3 On appelle bloc de Jordan toute matrice de la forme
0 1
1
0
1
B
C
B
C
...
B
C
@
1A
0
ou eventuellement une matrice ( ) de taille 1.
Montrer que tout op erateur lin eaire d'un espace vectoriel complexe E de
dimension nie admet une matrice constitu ee de blocs diagonaux de Jordan
et de 0 ailleurs.
Quelle forme simple peut on avoir si E est un espace vectoriel sur R?
Ex-4 Mettre sous forme de Jordan la matrice B de l'exercice 2.
Ex-5 Soit T un op erateur lin eaire d'un espace vectoriel complexe E de
dimension nie. Soit une valeur propre de T et supposons que le sous
espace propre (ker(T ; I )) associ e a soit de dimension 1. Montrer que
l'index ( ) est egal a la dimension n du sous espace spectral N ( ).
76
Chapitre 14
Interventions
77
Chapitre 15
Interventions de l'algebre
lineaire
Introduction
Nous donnons dans ce chapitre, quelques exemples d'utilisation de l'algebre lineaire dans
divers domaines. Nous avons choisi comme illustration la theorie des signaux discrets
nis
et une partie de l'analyse numerique elementaire.
15.1 Fonctions sur un groupe abelien ni,theorie

du signal ni
On xe un entier n 2. Notons G le groupe Z=nZet F l'espace des fonctions
d enies sur G a valeurs dans le corps des nombres complexes C .
15.1.1 L'espace F
A tout el ement a de G on associe la fonction ea d enie par
1 si x = a
ea(x) =
0 si x 6= a:
1) Montrer que la famille (ea)0an;1 est une base de F . Ainsi F est un
espace vectoriel sur C , de dimension n.
2) Soit f 2 F . Quelles sont les composantes de f sur la base (ea)0an;1 .
3) D ecrire la base duale de la base (ea)0an;1.
78
Chapitre 15
15.1.2 Les caracteres de G
A tout el ement u de G on associe la fonction u d enie par
u(v) = e 2i nuv :
1) Montrer que les fonctions u v erient
u(x + y) = u(x)u(y)
(15.1)
u(0) = 1:
(15.2)
2) Montrer qu'on obtient ainsi toutes les fonctions complexes d enies sur
G v eriant (1) et (2).
15.1.3 Produit scalaire hermitien sur F
1) Montrer qu'on d enit sur F un produit scalaire hermitien en posant

< f g >=
u2G
f (u)g(u):
2) Montrer que la base (ea)0an;1 est orthonorm ee.

3) Calculer pour tout u et tout v dand G le produit scalaire < u v >.
En conclure que la famille (u)0un;1 est une base de F , et que cette base
est orthogonale.
4) Calculer en fonction des valeurs prises par f , les composantes de f dans
la base (u)0un;1 .
15.1.4 Transformation de Fourier
Pour toute fonction f 2 F , on d enit la fonction fb 2 F , par
fb(v) =
1) Montrer que
En conclure que
u2G
f (u)e; 2i nuv :
X
f (u) = n1 fb(v)e 2i nuv :
v2G
Interventions
fb.
79
fb(u) = nf (;u):
2) Comparer < f g > et < fb bg >. Comparer la norme de f avec celle de
3) Notons F l'op erateur de F qui a f associe fb. Quelle est la norme de
l'op erateur F .
4) Calculer fb lorsque f = eu et lorsque f = u .
15.1.5 Matrices associees aux objets precedents
1) Quelle est la matrice de F si F est muni de la base (ea)0an;1 ?

2) Quelle est la matrice de F si F est muni de la base (u)0un;1 ?
3) Calculer Det(F).
4) Calculer la matrice de passage P ainsi que son inverse, de la base
(ea)0an;1 a la base (u)0un;1 .
15.1.6 Fonctions de F et polynômes formels
A tout fonction f 2 F on associe le polynôme Pf 2 C X ] de degr e n ; 1

d eni par
Montrer que
Pf (X ) = f (0) + f (1)X + + f (n ; 1)X n;1 :

fb(v) = Pf (e; 2in v )
et que
f (u) = n1 Pfb(e 2in u ):

En conclure un algorithme pour trouver le polynôme P d'interpolation de
Lagrange,
de degr e n ; 1, qui prend des valeurs donn ees aux n points
2i u
n
e .
15.1.7 Convolution et ltres stationnaires

On d enit la convol ee f1 f2 de deux fonctions de F par
80
Chapitre 15
f1 f2(x) =
1) Montrer que
X
y 2G
f1(x + y)f2(;y):
f1 f2(x) = f2 f1(x) =
.
X
u+v=x
f1(u)f2(v)
2) Calculer f\
1 f2 et fd
1 f2 .
3) Etudier Pf f en fonction de Pf et Pf .
4) Pour tout t 2 G soit Tt l'op erateur de translation qui a la fonction f
1
fait correspondre la fonction Tt(f ) telle que Tt(f )(x) = f (x + t). Soit H un
op erateur qui commute avec Tt pour tout t. Montrer que les u forment une
base de vecteurs propres de H . Quelles sont les valeurs propres associ ees?.
Montrer qu'il existe une fonction h 2 F telle que pour tout f 2 F , on ait
H (f ) = h f .
15.2 Analyse numerique: Interpolation

15.2.1 Introduction
L'interpolation est un sujet tres vaste li e aux questions d'approximation

des fonctions. Tres grossierement il s'agit de trouver dans une classe x ee de
fonctions (par exemple les fonctions polynômiales) un el ement r ealisant un
certain nombre de contraintes. Souvent ces contraintes sont li ees a la donn ee
d'une fonction f qu'on cherche a approcher par un proc ed e d'interpolation
(par exemple la fonction cherch ee doit prendre la même valeur que f en
des points donn es). On se trouve alors confront e a plusieurs problemes de
natures di erentes. Tout d'abord un probleme alg ebrique, celui de trouver
le ou les el ements de la classe choisie qui r ealise les contraintes. Ensuite un
probleme d'approximation qui consiste lorsqu'on est parti d'une fonction f a
mesurer la qualit e de l'approximation th eorique obtenue. Enn un probleme
algorithmique, celui de d eterminer un algorithme performant qui permette de
calculer facilement et de maniere aussi exacte que possible la ou les solutions.
Dans un premier temps nous partirons d'un exemple important: l'interpolation de Lagrange.
Interventions
81
15.2.2 Interpolation de Lagrange
Soient x0 x1 ::: xn des nombres complexes distincts et y0 y1 ::: yn des nombres
complexes. Il s'agit de trouver un polynôme P (X ) v eriant P (xk ) = yk pour
toutes les valeurs de k comprises entre 0 et n.
L'aspect algebrique
Existence de solutions Notons C X ] l'espace des polynômes a coecients complexes et C nX ] le sous espace des polynômes a coecients complexes de degr e inf erieur ou egal a n. Consid erons alors l'application lin eaire T de C X ] dans C n+1 qui a un polynôme P (X ) fait correspondre
(P (x0) P (x1) ::: P (xn)). On voit que le noyau Ker(T ) de l'application T

est l'espace constitu e des multiples du polynôme N (X ) = (X ; x0)(X ;
x1):::(X ; xn) et qu'on peut ecrire
C X ] = C n X ]
Ker(T ):
Ceci nous montre que la restriction de T a C nX ] est une bijection de C nX ]
sur C n+1 .
Le r esultat obtenu est donc le suivant
Theoreme 15.2.1 Pour tout element (y0 y1 ::: yn) de C n+1 il existe un polynôme P (X ) de degre n et un seul (polynôme d'interpolation de Lagrange)
tel que P (xk ) = yk (0 k n). Tout polynôme Q(X ) (de degre quelconque)
veriant aussi Q(xk ) = yk (0 k n) s'ecrit sous la forme
Q(X ) = P (X ) + K (X )N (X ):
Ecriture sous la forme naturelle (base des monômes) Si on cherche a

trouver explicitement le polynôme de Lagrange ecrit sous la forme habituelle
P (X ) = a0 + a1X + ::: + anX n on est amen e a r esoudre le systeme de n + 1
equations en les n + 1 inconnues a0 ::: an
8 a + a x + ::: + a xn = y
>
< a00 + a11x01 + ::: + annx0n1 = y01

>
:
n
a0 + a1xn + ::: + anxn = yn
82
Chapitre 15
Ce systeme est un systeme de Vandermonde dont on sait bien sûr qu'il admet une solution unique. Nous fournirons ult erieurement un algorithme pour
r esoudre ce systeme plus rapidement que ne le ferait une m ethode classique
comme la m ethode du pivot par exemple.
Ecriture sous forme de Lagrange Ainsi le calcul des coecients ai du
polynôme cherch e se ramene a la r esolution d'un systeme de Vandermonde.

Sans être tres compliqu e ceci n'est cependant pas imm ediat. Or il peut se
faire qu'on n'ait pas absolument besoin des coecients ai et qu'on puisse se
satisfaire d'exprimer le polynôme d'interpolation dans une base mieux adapt ee que la classique base des monômes. Dans cet ordre d'id ee, introduisons
les n + 1 polynômes Lk (X ) (ou 0 k n) qui v erient
L (x )
= 1
= 0 (j 6= k)
D'apres l' etude qui pr ecede le polynôme Lk (X ) existe et est unique. On v erie
ais ement que Lk (X ) s' ecrit explicitement sous la forme
:::(X ; xk;1)(X ; xk+1):::(X ; xn) :
Lk (X ) = ((xX ;; xx0)):::
(xk ; xk;1)(xk ; xk+1):::(xk ; xn)
k
0
Ces polynômes forment une base de C n X ] et le polynôme d'interpolation
s'exprime dans cette base
k k
Lk (xj )
P (X ) =
n
X
k=0
yk Lk (X ):
Il est int eressant de remarquer que le polynôme Lk (X ) s' ecrit aussi

Lk (X ) = (X ;Nx(X)N) 0(x )
k
k
ou N (X ) = (X ; x0)(X ; x1):::(X ; xn).
Ecriture sous la forme de Newton L'inconv enient des polynômes Lk (X )
est que chacun d'eux fait intervenir tous les points d'interpolation et donc si
on rajoute un nouveau point tout calcul fait a partir des polynômes Lk (X )
doit être entierement refait.
Prenons alors les polynômes Nk (X ) = (X ; x0)(X ; x1):::(X ; xk;1) ou
0 k n (avec N0 = 1). Ces polynômes forment aussi une base de C nX ] et
Interventions
83
le polynôme d'interpolation se d ecompose sur cette base sous la forme de
Newton
P (X ) =
n
X
k=0
bk Nk (X ):
Le probleme est alors de calculer les coecients bk . Pour ce faire d enissons
les di erences divis ees successives des valeurs yi par rapport aux points xi
y0] = y0
y0 y1 ::: yk] = y1 ::: ykx] ;;yx0 ::: yk;1]
k
0
Theoreme 15.2.2 Les coecients de la decomposition du polynôme d' interpolation de Lagrange de degre n dans la base de Newton sont donnes par
bk = y0 y1 ::: yk]

ou
0 k n:
Preuve. La formule a d emontrer est clairement vraie si on a n = 0. Supposons la formule vraie pour les polynômes de degr e n ; 1 interpolant en n
points. Soit alors Pn;1 (X ) le polynôme d'interpolation de Lagrange associ e

aux points x0 x1 ::: xn;1 et aux valeurs y0 y1 ::: yn;1 Qn;1 (X ) le polynôme
d'interpolation de Lagrange associ e aux points x1 x2 ::: xn et aux valeurs
y1 y2 ::: yn et
n
X
P (X ) = bk Nk (X )
k=0
le polynôme d'interpolation de Lagrange associ e aux points x0 x1 ::: xn et

aux valeurs y0 y1 ::: yn. Il est facile de voir que
Pn;1 (X ) =
n;1
X
k=0
bk Nk (X )
si bien qu'il reste simplement en vertu de l'hypothese de r ecurrence a etablir

la formule pour le coecient bn.
84
Chapitre 15
Pour cela d enissons
(X ; xn)Pn;1 (X ) :
P~n (X ) = (X ; x0)Qn;1(Xx ) ;
;x
n
On v erie que
P~n (xi) = yi
pour 0 i n. Donc
P~n (X ) = P (X ):
En egalant les coecients du terme de degr e n dans l'expression des polynômes Pn et P~n on obtient la relation cherch ee.
En comparant l'expression de Newton du polynôme Pk d'interpolation en
k +1 points avec celle de Lagrange on trouve en regardant les coecients des
termes de degr e k
k
X
y0 y1 ::: yk] = N 0 yj(x ) :
j
j =0
k+1
Il est clair dans cette repr esentation que le rajout d'un nouveau point ne
fait que rajouter un nouveau terme au polynôme, les autres termes restant
identiques.
L'aspect approximation
Le theoreme de division des fonctions dierentiables Soit f une
fonction r eelle d enie sur R de classe C p+1, ou p est un entier naturel. On
suppose que f s'annule en un point a de R. Posons
g(x) =
Z1
0
f 0(a + (x ; a)u)du
alors g(x) est l'unique fonction continue telle que
f (x) = (x ; a)g(x):
De plus d'apres le th eoreme de d erivation sous le signe int egrale on voit que
la fonction g(x) est de classe C p et que pour tout 0 q p
(q)
g (x) =
Z1
0
uq f (q+1)(a + (x ; a)u)du
Interventions
85
et par suite
jg(q)(x)j q +1 1 supt2ax]jf (q+1)(t)j:

Majoration de l'erreur Soit f une fonction de classe C n+1, P le polynôme
d'interpolation de Lagrange qui prend les mêmes valeurs que f aux point
x0 x1 ::: xn et I un intervalle compact contenant x x0 x1 ::: xn. Appliquons
alors le th eoreme pr ec edent a f (x) ; P (x). On obtient
avec
f (x) ; P (x) = (x ; x0)g0(x)
jg0(n)(x)j n +1 1 supt2I jf (n+1)(t)j
(ne pas oublier que P (n+1)(x) = 0)

puis
avec
g0(x) = (x ; x1)g1(x)
jg1(n;1)(x)j n1 supt2I jg0(n)(t)j
et ainsi de suite. Si bien que
jf (x) ; P (x)j (n +1 1)! j(x ; x0)(x ; x1):::(x ; xn )jsupt2I jf (n+1)(t)j

L'aspect algorithmique
Le calcul des dierences divisees L'algorithme des di erences divis ees
est tres simple. Il utilise l' ecriture du polynôme d'interpolation sous la forme

de Newton. Les coecients sont alors calcul es par la formule de r ecurrence
etablie pr ec edemment
y0] = y0
y0 y1 ::: yk] = y1 ::: ykx] ;;yx0 ::: yk;1] :
k
0
86
Chapitre 15
si bien que le calcul se fait conform ement a la gure 15.1.

Le nombre d'op erations a eectuer est en O(n2 ).
y0]
H
HH
HH
j
H
y0 y1] H
HH
H
y1]
HH
H
HH
j
H
y0 y1 y2]

*
y1 y2] H
H
HH
HH
j
H
HH
H
HH
j
y0 y1 y2 y3]
HH
HH
j
H
y2]
H
j
H
y1 y2 y3]

*
y2 y3]
y3]
Fig.
15.1 { Le calcul des dierences divisees
Resolution d'un systeme de Vandermonde Nous avons vu que le cal-
cul eectif des coecients du polynôme d'interpolation de Lagrange dans la

base naturelle des monômes passe par la r esolution d'un systeme de Vandermonde. Voici un algorithme qui permet de r esoudre un tel systeme. Cet
algorithme est bas e en fait sur l'algorithme de H'orner pour l' evaluation de
polynômes. Il est plus rapide que les algorithmes directs de r esolution des systemes lin eaires g en eraux comme la m ethode du pivot de Gauss ou la m ethode
de Householder qui sont en O(n3) alors que nous obtenons ici un algorithme
en O(n2 ).
Interventions
87
Soit N un entier 2. Etant donn e x = (x1 x2 ::: xN ) un N-uplet de r eels

deux a deux distincts on note B la matrice
0 1 1 1 1
B
x1 x2 xN C
B
C
B
x21 x22 x2N C
B =B
C
B
C
.
.
.
.
.
.
@ .
.
. A
xN1 ;1 xN2 ;1 xNN ;1
On cherche a r esoudre le systeme
BW = Q
ou Q est la matrice colonne constitu ee des seconds membres q1 q2 qN du
systeme et ou W est la matrice colonne constitu ee des inconnues w1 w2 wN
du systeme.
Pour tout entier j v eriant 1 j N on pose
Pj (x) =
N
Y
x ; xn
n=1
n6=j
xj ; xn
Pj est donc un polynôme en x de degr e N ; 1 qui peut s' ecrire

Pj (x) =
N
X
k=1
Ajk xk;1
En eectuant le produit de la matrice A = (Ajk )jk par la matrice B on

constate que
AB = (Pj (xk ))jk
ce qui prouve que A est l'inverse de B .
On peut alors ecrire que W=AQ. On obtient ainsi les formules
wj =
N
X
k=1
Ajk qk :
Nous allons dans la suite mettre en place une m ethode de r esolution qui
calcule les coecients des polynômes Pj , donc qui calcule l'inverse de la
88
Chapitre 15
matrice B .Pour calculer les coecients de Pj on sera amen e a calculer les

coecients de
N
Y
Nj (x) = (x ; xn)
n=1
n6=j
et aussi le d enominateur intervenant dans la formule qui d enit Pj , c'est a

dire le nombre Nj (xj ).
Posons
P (x) = (x ; x1)(x ; x2):::(x ; xN )
P (x) est donc un polynôme de degr e N qui s' ecrit sous la forme:
P (x) = xN + cN xN ;1 + ::: + c2x + c1

Montrons tout d'abord comment si on conna^t les coecients cj on peut
calculer les coecients du polynôme
Nj (x) =
N
Y
n=1
n6=j
(x ; xn)
Pour cela posons
Nj (x) = bN xN ;1 + ::: + b2x + b1

On v erie imm ediatement sur l'expression de Nj (x) que le coecient du
terme de plus haut degr e est 1. En remarquant que P (x) = Nj (x)(x ; xj) on
etablit la formule
bk;1 = ck + xj bk :
Si bien que
b =1
N
bk;1 = ck + xj bk
Connaissant les coecients de Nj il est alors facile de calculer le d enominateur
Nj (xj ) intervenant dans la d enition de Pj .
En eet posons tN = bN = 1 et d enissons pour tout k N
tk;1 = xj tk + bk;1
On constate alors que t1 = Nj (xj ), le calcul propos e pour Nj (xj ) n' etant rien
d' autre que l'algorithme de Horner.
Interventions
89
Il reste maintenant a calculer les coecients cj de P .

Pour tout entier k v eriant 1 k N on d enit
Qk (x) = (x ; x1)(x ; x2):::(x ; xk )

et on ecrit Qk sous la forme
Qk (x) = xk +
kk xk;1 +
kk;1 xk;2 + ::: +
k1
Il est facile de voir sur l'expression de Q1(x) = x ; x1 que
11 = ;x1.
De la formule
Qk(x) = Qk;1(x)(x ; xk ):
d ecoulent pour k = 2 3 ::: N les formules
kk =
k;1k;1 ; xk
kj =
k;1j;1 ; xk
k;1j j = k ; 1 ::: 2
ce qui acheve l'algorithme.
On peut voir que le nombre d'op erations a faire dans cet algorithme est en
O(N 2), la partie la plus coûteuse etant le calcul des coecients ck .
Un cas particulier: les points d'interpolation sont les racines ne de

l'unite
Interpolation de Lagrange et transformee de Fourier discrete On
trouvera dans 5] des pr ecisions sur la transformation de Fourier discrete.
Rappelons que si a = (a0 a1 ::: an;1) est une suite nie de n nombres complexes on d enit la transform ee de Fourier ba de la suite a comme etant la
suite ba = (ba0 ba1 ::: ban;1) ou
n;1
X
1
bav = n aue; 2i nuv :
u=0
La transformation inverse se calcule facilement (cf. 5]) par
au =
n;1
X
v=0
bav e i nuv :
2
90
On remarque que
Chapitre 15
bau = 1 an;u :
n
A un coecient pres le même algorithme permettra de calculer la transform ee

de Fourier et son inverse.
Notons

n
;
1
Pba (X ) = ba0 + ba1X + ::: + ban;1X
On voit alors que
au = Pba(e 2in u ):
Cette derniere remarque met en evidence un aspect tres important de la
transform ee de Fourier discrete: l'aspect interpolation . En eet il est facile
de trouver grâce a ce que nous avons vu le polynô2me
d'interpolation de
i u
Lagrange qui prend les valeurs au aux points xu = e n C'est le polynôme
Pba (X ) dont les coecients sont donn es par la transform ee de Fourier discrete
de la suite a = (a0 a1 ::: an;1) des valeurs prises aux points d'interpolation
.
Le calcul explicite: transformee de Fourier rapide Il existe divers
facons proches les une des autres de calculer une transform ee de Fourier
discrete. Toutes ces variantes sont des algorithmes de transform ee de Fourier
rapides (FFT). Nous nous placerons ici dans le cas ou le nombre d' el ements
de la suite a transformer est n = 2m. Pour tout r > 0 et tout 0 k 2r ; 1
posons
W2kr = e; 22ikr :
Remarquons que
r 2
W2kr = (W2kr+1 )2 = (W2kr+2
+1 )
r
W2kr+1 = ;W2kr+2
+1
par exemple
(W83)2 = (W87)2 = W43
W83 = ;W87:
On rappelle que si
a = (a0 a1 ::: a2m;1)
et si

Pa(X ) = 21m a0 + a1X + ::: + a2m;1X 2m ;1
Interventions
91
alors
bau = Pa (W2um ):
Pour tout polynôme

P (X ) = p0 + p1X + ::: + p2r ;1X 2r ;1
notons
P0 (X ) = p0 + p2X + ::: + p2r ;2X 2r;1;1
et
P1 (X ) = p1 + p3X + ::: + p2r ;1X 2r;1;1
alors
P (X ) = P0(X 2) + XP1 (X 2)
ce qui donne si 0 k 2r;1 ; 1
P (W2kr ) = P0 (W2kr;1 ) + W2kr P1(W2kr;1 )
et
P (W2kr+2r;1 ) = P0(W2kr;1 ) ; W2kr P1(W2kr;1 ):
Ces dernieres formules vont nous donner un algorithme pour calculer les
valeurs de la transform ee de Fourier.
Remarquons tout d'abord que si on a tabul e les valeurs de W2km alors on
dispose aussi des valeurs de W2kr pour tout r m.
W80
W40
W20
W81
W82
W41
W83
W84
;W80
W42
;W40
W21
;W20
W85
;W81
W86
;W82
W43
;W41
W87
;W83
Pratique du calcul. Le coecient n1 n'interviendra qu'a la n. Pour cela

au lieu de calculerm avec le polynôme Pa nous calculerons avec P = nPa =
a0 + ::: + a2m;1X 2 ;1.
L'exemple m = 3 est susamment instructif pour d ecrire l'algorithme. Remarquons que
P000(X ) = a0 P001(X ) = a4 P010(X ) = a2 P011(X ) = a6
92
a0
a4

A

A
A
A

W 0 A ;W20
2 A

AU
?
?
a2
a6
A

A

A
A
A

W 0 A ;W20
2 A

U
A
?
?
a1
a5

A

A
A
A

W 0 A ;W20
2 A

U
A
?
?
Chapitre 15
a3
a7
A
A
A
A
A

W 0 A ;W20
2 A

U
A
?
?
@
@
;
;
@
@
;
;
@
@;
;
@
@;
;
@
;@
;
@
;@
;
@ ;
@ ;
@ ;
@ ;
@
;
@
;
@
;
@
;
; @
; @
; @
; @
@;W41 ;W40@
;W41
@;W41 ;W40@
;W40
;W40
;
;@
@
;
;@
@
?;

?

;
R ?
@
R ?
@
?;

?;

R ?
@
R
@
c
c
c
c
c
c
c
HH
HH
HH
HH
HH
HH
HH
HH
HH
HH
HH
HH
HH
HH
HH
;W80HH ;W81
;W82
HH
HH
HH
HH
W80 HHHW81 HHHW82 HHHW83 HHH
HH
HH
HH
HH
HH
HH
HH
HH
H
H
H
HH
?
?
?
?
?
?
?
j c
H
j c
H
j c
H
j
c
c
c
c
ab0
ab1
ab2
Fig.
ab3
ab4
ab5
ab6
;W41
?
;W83
ab7
15.2 { La FFT sur 8 points
P100(X ) = a1 P101(X ) = a5 P110(X ) = a3 P111(X ) = a7:

On commence donc a faire une permutation des el ements
a0 a1 a2 a3 a4 a5 a6 a7

pour les mettre dans l'ordre
a0 a4 a2 a6 a5 a3 a7:

Ceci se fait facilement en remarquant qu'a chaque indice suppos e ecrit en
binaire on fait correspondre l'indice obtenu en ecrivant les bits dans l'ordre
inverse. Ainsi l'indice 4 = 100 est transform e en 1 = 001. la suite du calcul
Interventions
93
de la transform ee de Fourier se fait en trois etapes indiqu ees par la gure

15.2 et a la n on divise les coecient obtenus par 8.
Appelons M81, M82, M83 les matrices
0
B
B
B
B
B
1
M8 = B
B
B
B
B
@
0
B
B
B
B
B
2
M8 = B
B
B
B
B
@
0
B
B
B
B
B
3
M8 = B
B
B
B
B
@
1 1
1 ;1
0 0
0 0
0 0
0 0
0 0
0 0
1
0
1
0
0
0
0
0
0 0
0 0
1 1
1 ;1
0 0
0 0
0 0
0 0
0 1 0
1 0 1
0 ;1 0
1 0 ;1
0 0 0
0 0 0
0 0 0
0 0 0
0 0
0 0
0 0
0 0
1 1
1 ;1
0 0
0 0
0
0
0
0
1
0
1
0
0 0
0 0
0 0
0 0
0 0
0 0
1 1
1 ;1
0 0 0
0 0 0
0 0 0
0 0 0
0 1 0
1 0 1
0 ;1 0
1 0 ;1
1 0 0 0 1 0
0 1 0 0 0 1
0 0 1 0 0 0
0 0 0 1 0 0
1 0 0 0 ;1 0
0 1 0 0 0 ;1
0 0 1 0 0 0
0 0 0 1 0 0
S1, S2, S3 les matrices diagonales d enies par
0
0
1
0
0
0
;1
0
0
0
0
1
0
0
0
;1
S1 = Diag(1 W20 1 W20 1 W20 1 W20)

S2 = Diag(1 1 W40 W41 1 1 W40 W41)
S3 = Diag(1 1 1 1 W80 W81 W82 W83)
1
C
C
C
C
C
C
C
C
C
C
A
1
C
C
C
C
C
C
C
C
C
C
A
1
CC
C
C
C
C
C
C
C
C
A
94
Chapitre 15
et enn ( la matrice de la permutation "reverse bit" .

Dans ces conditions la matrice F8 de la transformation de Fourier sur 8 points
s' ecrit
F8 = 18 M83S3M82S2M81S1(:
Ceci se g en eralise facilement pour n = 2m . Le nombre d'op erations a eectuer
pour calculer cette transformation est de l'ordre de nlog(n).
15.2.3 Le probleme general de l'interpolation
Interpr etons de maniere un peu plus alg ebrique le probleme d'interpolation
de Lagrange. En particulier notons gi la forme lin eaire sur C nX ] qui a tout
polynôme Q(X ) fait correspondre Q(xi). On cherche alors un el ement P (X )
de C n X ] qui r ealise gi(P ) = yi pour tout i. Remarquons que les gi forment
une base du dual de C n X ] et que cette base est la base duale de la base
constitu ee par les Li .
Nous poserons le probleme g en eral de l'interpolation en ces termes:
Soit E un espace vectoriel de dimension n, E le dual de E , (gi)i une base
de E et (yi)i des nombres. Trouver un el ement P de E tel que gi(P ) = yi
pour tout 1 i n.
Il est clair que si (ei)i est la base de E dont (gi)i est la base duale, alors
P=
n
X
i=1
yiei:
Nous allons voir par la suite quelques exemples qui entrent dans ce cadre
g en eral.
15.2.4 Quelques exemples importants

Interpolation d'Hermite
Soient x0 < x1 et y0 y1 y00 y10 des nombres r eels. On cherche un polynôme P
de degr e 3 tel que
8 P (x ) = y
>
< P (x01) = y01
0
0
>
: PP 0((xx01)) == yy010
Interventions
95
Notons E l'espace vectoriel de dimension 4 des polynômes de degr e 3.

D enissons les 4 formes lin eaires sur E
8 (P ) = P (x )
>
< 00xx01 (P ) = P (x01)
0
>
: 11xx01 ((PP )) == PP 0((xx01))
La question pos ee est donc de r esoudre le probleme lin eaire suivant: trouver
P tel que
8 (P ) = y
>
< 00xx01 (P ) = y01
0
:> 11xx01 ((PP )) == yy010
Pour cela cherchons si on peut trouver 4 polynômes H0x0 H0x1 H1x0 H1x1
tels que
1 si i = k et j = l
ixj (Hkxl ) = 0 sinon
:
Si on arrive a trouver ces polynômes cela prouvera a la fois que ces polynômes
forment une base de E , que les formes lin eaires introduites forment une base
de E , qui est la base duale de la base polynômiale trouv ee.
Un simple calcul nous permet de trouver eectivement ces polynômes (ce
sont en fait des solutions dans des cas particuliers bien choisis du probleme
pos e)
2
H0x0 (x) = (x ; x1)(x(3;x0x;)x3 1 ; 2x)
0
H0x1 (x) = (x ; x0)(x(3;x1x;)x3 0 ; 2x)

2
H1x0 (x) = (x ;(xx1);(xx );2 x0)

2
) (x ; x1) :
H1x1 (x) = (x ;(xx0;
x )2
2
Il ressort de toutes ces consid erations que le probleme a une solution unique
(polynôme d'interpolation de Hermite) donn ee par
96
Chapitre 15
P (x) = y0H0x0 (x) + y1H0x1 (x) + y00 H1x0 (x) + y10 H1x1 (x):
Si nous sommes partis d'une fonction f de classe C 4 sur un intervalle compact
I contenant les points x0 x1, et si nous appelons P le polynôme d'interpolation de Hermite associ e aux points x0 x1 et aux valeurs f (x0) f (x1) f 0(x0) f 0(x1),
alors comme dans l'exemple de l'interpolation de Lagrange, l'application
r ep et ee du th eoreme de division des fonctions di erentiables nous donne
l'approximation
jf (x) ; P (x)j 4!1 (x ; x0)2(x ; x1)2 sup jf (4)(t)j:
t2I
Interpolation par les splines cubiques

Soit un partage d'un segment a b],
a = x1 < x2 < < xn = b

et Y = (y1 y2 yn) une suite de n nombres r eels.
De nition 15.2.1 Une fonction f denie sur a b] est une fonction spline
cubique relativement au partage et a Y si les conditions suivantes sont

satisfaites:
1) f est de classe C 2 a b]
2) f concide avec un polynôme de degre 3 sur chaque intervalle xj xj +1 ]
3) f (xj ) = yj pour j = 1 2 n.
Nous noterons SY l'ensemble de ces fonctions splines.
Nous nous proposons de d eterminer des fonctions splines cubiques.

Soit donc f 2 SY et posons Mj = f 00(xj ). Sur l'intervalle xj xj+1] la
d eriv ee seconde de f est de degr e 1 et on a sur cet intervalle
f 00(x) = Mj xxj+1 ;;xx + Mj+1 x x ;;xjx :
j +1
j
j +1
j
En int egrant deux fois,
x)3 + Mj+1 (x ; xj )3 + Q(x)

f (x) = M6j ((xxj+1 ;
; x ) 6 (x ; x )
j +1
j +1
Interventions
97
ou Q(x) est un polynôme de degr e 1 que l'on peut pr esenter sous la forme
Q(x) =
(xj+1 ; x) + (x ; xj ):
Evaluons
et en utilisant f (xj ) = yj et f (xj+1 ) = yj+1. On trouve
1

(
x
j +1 ; xj )2
= yj ; Mj
6
(xj+1 ; xj )

1
(
x
j +1 ; xj )2
= yj+1 ; Mj+1
6
(xj+1 ; xj )
si bien que si on pose
hj+1 = xj+1 ; xj
on obtient pour x 2 xj xj+1],
3
3
f (x) = M6 j (xj+1h ; x) + M6j+1 (x h; xj ) +
j +1
j +1

h2j+1 (x ; xj )
h2j+1 (xj+1 ; x)
yj ; Mj 6
hj+1 + yj+1 ; Mj+1 6
hj+1 :
Nous allons exploiter maintenant les conditions sur la d eriv ee premiere. Pour
2 j n ; 1 on a
; yj
f 0(x+j ) = ;Mj hj3+1 ; Mj+1 hj6+1 + yj+1
hj+1
f 0(x;j ) = Mj;1 h6j + Mj h3j + yj ;h yj;1
j
si bien que
hj M + hj + hj+1 M + hj+1 M = yj+1 ; yj ; yj ; yj;1 :
j
6 j ;1
3
6 j+1
hj+1
hj
On dispose donc de n ; 2 equations lin eaires pour d eterminer les n inconnues
M1 M2 Mn . Il convient donc si on espere avoir une solution unique de
donner deux conditions suppl ementaires. Pour la suite du calcul nous imposerons donc les valeurs de la d eriv ee de f en x1 et en xn, c'est-a-dire
f 0(x1) = y10
98
Chapitre 15
On a alors
f 0(xn) = yn0 :
2M1 + M2 = h6 y2 h; y1 ; y10
2
2
et
Si on pose

Mn;1 + 2Mn = h6 yn0 ; yn ;h yn;1 :

n
n
8 1 = 1
>
< n = 0
hj
>
j = hj +hj
: j = 1 ; j 21 jj nn ; 1
8

>
y
;
y
6
0
b1 = h h ; y1
>
>

<
y
;
y
6
n
0
n
;
bn = hn yn ; hn
>

>
>
y
;yj
y
;yj;
j
j
6
2 j n;1
: bj = hj +hj hj ; hj
+1
+1
et
+1
+1
+1
alors le systeme a r esoudre est

22
32 M 3 2 b 3
0 0
1 0
66 2 2 2 0 0 77 66 M12 77 66 b12 77
66 0 3 2 3
... 77 66 ... 77 66 ... 77
66
... 77 66 ... 77 = 66 ... 77 :
66 0 0 4 2 . . .
77 66 77 66 77
.
.
.
.
66 .. ..
77 66 ... 77 66 ... 77
.. ..
n;2 0
64 ... ...
76 . 7 6 . 7
n;1 2
n;1 5 4 .. 5 4 .. 5
n 2
Mn
bn
0 0 0
Ce systeme est tridiagonal, a diagonale strictement dominante il possede une
solution et une seule. On peut employer pour un tel systeme une simplication de la m ethode du pivot, qui dans ce cas particulier s'ex ecute en temps
lin eaire.
Les fonctions splines cubiques minimisent approximativement l' energie de
)exion d'une tige. En eet si la fonction g(x) repr esente l' equation d'une tige
parfaitement elastique son energie de )exion est
Interventions
99
Zb
a
00 2
g (t) dt
0 25=2
1 + g (t)
et donc si la d eriv ee de g(x) est petite on peut approcher cette energie de
)exion par
Z b
2
g00(t) dt:
Nous allons voir que les fonctions splines cubiques minimisent cette derniere
expression. Sur C 2a b] on d enit un semi-produit scalaire par
< f g >=
qui donne la semi-norme
jf j =
Zb
Z b
a
f 00(t)g00(t)dt
1=2
f 00(t) 2dt
Soit N le sous espace de C 2a b] constitu e des fonctions nulles aux points
xj et telles que f 0(a) = f 0(b) = 0.
Lemme 15.2.1 Les espaces N et SY sont orthogonaux et d'intersection
reduite a f0g.
Lemme 15.2.2 Toute fonction f 2 C 2a b] s'ecrit d'une facon unique sous
la forme f = s + h ou s 2 SY et h 2 N .
Theoreme 15.2.3 Parmi toutes les fonctions f 2 C 2a b] qui verient f (xj ) =
yj et les conditions f 0(a) = y10 et f 0(b) = yn0 la fonction qui minimise l'ener-
gie de exion est la spline cubique (l'element de SY ) qui verie en outre
f 0(a) = y10 et f 0(b) = yn0 .
On pourrait aussi montrer le r esultat suivant
Theoreme 15.2.4 Parmi toutes les fonctions f 2 C 2a b] qui verient f (xj ) =
yj la fonction qui minimise l'energie de exion est la spline cubique (l'element
de SY ) qui verie en outre f 00(a) = f 00 (b) = 0.
100
Chapitre 15
Interpolation par des polynômes trigonometriques

Etant donn es 2n + 1 nombres r eels distincts
; x1 < x2 < < x2n+1 <

et 2n + 1 nombres complexes y1 y2n+1 on cherche un polynôme trigono-
m etrique
P (x) =
n
X
p=0
apcos(px) + bpsin(px)
tel que P (xi) = yi.

On pourrait etudier directement ce probleme, mais ici nous allons plutôt le
relier au probleme de l'interpolation de Lagrange que nous avons d eja etudi e.
Pour cela posons pour tout ;n k n

1
ck = 2 ajkj ; iSigne(k)bjkj
alors
n
X
P (x) =
ck eikx
k=;n
et aussi
einxP (x) =
En posant X = eix on obtient
einxP (x) =
2n
X
k=0
2n
X
k=0
ck;n eikx:
ck;n X k
ce qui ramene notre probleme a un probleme d'interpolation de Lagrange.
Remarquons que des que les ck sont connus, on calcule facilement les ap et
les bp grâce aux formules
ap = cp + c;p
bp = i(cp ; c;p):
Interventions
101
15.3 Analyse numerique: calcul des integrales

15.3.1 Introduction
Nous voulons calculer num eriquement les int egrales d enies
Zb
a
f (x)dx
ou f est une fonction susamment r eguliere pour assurer l'existence des
d eriv ees et des bornes sup erieures dont nous aurons besoin.
Les m ethodes que nous d ecrivons dans un premier temps s'appuient sur
la d emarche suivante:
{ On d ecoupe l'intervalle d'int egration en N morceaux de même longueur
a = x0 < x1 < < xN = b

ou xi+1 ; xi = b;Na .
{ Sur chaque morceau on calcule la valeur approch ee de l'int egrale
Z xi
+1
xi
f (x)dx
en remplacant sur l'intervalle xi xi+1] la fonction f par une fonction

polynômiale qui interpole f .
Les diverses m ethodes qui entrent dans ce cadre dierent par le degr e des
polynômes d'interpolation utilis es et par le choix des points des segments
xi xi+1] en lesquels on interpole f . En particulier pour ce dernier point, nous
verrons comment choisir au mieux les points d'interpolation. Il faut eviter de
confondre les points xi du partage en N morceaux du segment initial, avec
les points des partages des intervalles xi xi+1], que nous serons amen es a
introduire pour appliquer sur ces intervalles des m ethodes interpolatoires.
Comme nous le verrons ces m ethodes peuvent être eventuellement compl et ees par une m ethode d'acc el eration de convergence. Enn nous donnerons
un abord purement analytique d'une classe de formules de calcul approch ee
d'int egrales.
102
Chapitre 15
15.3.2 Mise en uvre de methodes interpolatoires

Dans toute cette subsection pour la clart e des calculs et des m ethodes, nous
travaillerons sur l'intervalle ;1 1] au lieu de xi xi+1], puis donnerons les
formules qu'on obtient de la même facon sur les intervalles xi xi+1], et enn nous sommerons ces diverses formules pour obtenir l'approximation de
l'int egrale sur a b]. Dans chaque cas nous noterons e l'erreur de la m ethode
employ ee sur ;1 1], ei l'erreur de la m ethode employ ee sur xi xi+1] et enn
E l'erreur globale introduite sur le segment a b].
Signalons enn que nous supposerons la fonction f a integrer sur le
segment a b] continument derivable autant de fois qu'il le faut pour
pouvoir appliquer les th eoremes permettant l' etablissement des majorations
des erreurs. En particulier on aura a appliquer souvant les th eoremes de
majoration de la di erence d'une fonction et d'un de ses polynômes interpolateurs.
Nous noterons

m(p)(f ) = sup f (p)(t)
t2;11]
m(ip)(f ) = sup
t2xixi+1 ]
f (p)(t)

M (p)(f ) = sup f (p)(t) :

t2ab]
Methode des rectangles

La m ethode que nous pr esentons m erite a peine le nom de m ethode num erique, car elle ne donne pas un calcul ecace et n'est pas employ ee a cet
usage. Cependant elle est importante pour la clart e de l'expos e, car elle initialise en quelque sorte un processus qui va nous conduire a des m ethodes
plus ecaces. Grâce a elle nous pourrons pr esenter et illustrer un certain
nombre de problemes de fond.
La m ethode des rectangles, inspir ee de la d enition même de l'int egrale de
Riemann consiste a supposer la fonction constante sur tout l'intervalle ;1 1],
la valeur de la constante etant celle prise en un point d etermin e par la fonction. Nous prendrons ici la valeur de la fonction au point ;1 (m ethode des
Interventions
103
rectangles a gauche). Remarquons qu'il s'agit bien d'une m ethode d'interpolation de Lagrange en un point par un polynôme de degr e z ero. Ainsi
Z1
;1
f (t)dt =
En ecrivant
on obtient
ou encore
Z1
;1
f (;1)dt + e = 2f (;1) + e:
f (u) = f (;1) +
Zu
;1
f 0(t)dt
Z 1

Z1
(1)
f (u)du ; 2f (;1) m (f ) (u + 1)du
;1
;1
jej 2m(1)(f ):
Un calcul analogue sur l'intervalle xi xi+1] donne
Z xi
+1
xi
avec
f (t)dt = (xi+1 ; xi)f (xi) + ei
jeij (xi+1 2; xi) m(1)

i (f ):
2
Enn sur l'intervalle a b] nous obtenons la formule globale
Zb
avec
; a) f (x ) + + f (x )] + E
f (u)du = (b N
0
N ;1
Methode du milieu
2
(
b
;
a
)
jE j N M (1)(f ):
La m etode des rectangles utilise la valeur de la fonction f en un point d etermin e de l'intervalle. Il faudrait voir si un bon choix de ce point ne conduirait
pas a une optimisation de la "qualit e de la m ethode". Encore faudrait il donner un sens a cette expression, ce que nous ferons par la suite. En attendant
104
Chapitre 15
exposons la m ethode du milieu qui consiste a utiliser comme valeur approch ee

de la fonction sur l'intervalle ;1 1], sa valeur au point milieu (c'est-a-dire
en 0). Ainsi
Z1
Z1
f (t)dt = f (0)dt + e = 2f (0) + e
;1
;1
En ecrivant
f (u) = f (0) +
Z1
on obtient
;1
f (u)du = 2f (0) +
Zu
0
f 0(t)dt
Z 1 Z u
;1
f 0(t)dt
du:
Or la m ethode d'int egration par partie appliqu ee aux fonctions 1 et f 0(t)

en d erivant f 0(t) et en int egrant 1 (on choisit t ; u comme primitive de la
fonction 1) nous donne
Zu
0
Donc
Z 1 Z u
;1
On en conclut que
f 0(t)dt = uf 0(0)
f 0(t)dt
du = ;
Zu
0
(t ; u)f (2)(t)dt:
Z 1 Z u
;1
(t ; u)f (t)dt du:

(2)

Z 1
jej = f (u)du ; 2f (0) 1=3m(2)(f ):
;1
Un calcul analogue sur l'intervalle xi xi+1] donne

Z xi+1
f (t)dt = (xi+1 ; xi)f ( xi +2xi+1 ) + ei
xi
avec
3
jeij (xi+124; xi) m(2)
i (f ):
Sur l'intervalle a b] on obtient par sommation
Zb
a
a) f (x0 ) + + f (x0 )] + E

f (t)dt = (b ;
0
N ;1
N
Interventions
105
ou
x0i = xi +2xi+1
et ou
jE j (b24;Na2) M (2)(f ):
3
Remarques concernant les deux methodes precedentes

Ces deux m ethodes sont toutes les deux bas ees sur une interpolation de degr e
0 (c'est a dire par une constante). Cependant la deuxieme a et e en quelque
sorte optimis ee en choisissant un bon point d'interpolation. Pourquoi dire que
cette deuxieme m ethode est meilleure que la premiere? Ceci pour au moins
deux raisons: d'une part l'erreur E est en 1=N dans la premiere m ethode et
en 1=N 2 dans la deuxieme, d'autre part la premiere m ethode donne un calcul
exact pour la classe des polynômes constants alors que la deuxieme donne
un calcul exact pour une classe plus vaste, celle des polynômes de degr e 1
(ce qui ne veut pas dire qu'au hasard des choix, on ne puisse pas tomber
sur des fonctions particulieres autres, ou l'une ou l'autre des formules donne
une valeur exacte). Nous serons amen es plus tard a pr eciser ces criteres de
comparaison.
Methode des trapezes

Passons maintenant a une interpolation de Lagrange de degr e 1 (c'est-a-dire
par une fonction ane) aux bornes de l'intervalle. Ainsi sur l'intervalle ;1 1]
on approchera f (u) par
(u + 1)f (1) + (u ; 1)f (;1) :
2
Alors on aura
Z1
;1
f (u)du = f (1) + f (;1) + e:
Le calcul de l'erreur e s'eectue en introduisant l'erreur dûe a l'interpolation

de Lagrange, erreur calcul ee dans le chapitre portant sur l'interpolation:

f (u) ; (u + 1)f (1) + (u ; 1)f (;1) 1 j(u ; 1)(u + 1)jm(2)(f ):
2
2
106
Chapitre 15
En int egrant cette in egalit e sur ;1 1] on obtient la majoration suivante de

l'erreur
jej 32 m(2)(f ):
Des calculs analogues sur l'intervalle xi xi+1] nous donnent
Z xi
xi
avec
+1
f (u)du = xi+12; xi f (xi) + f (xi+1 )] + ei
jeij (xi+112; xi) m(2)

i (f ):
3
Enn sur l'intervalle a b] on peut ecrire
Zb
avec
f (u)du = b ;2 a f (x0) +2 f (xN ) + f (x1) + + f (xN ;1) + E
jE j (b12;Na2) M (2)(f ):
3
Methode des tangentes

Cette m ethode consiste a approcher la fonction par sa tangente au point milieu de l'intervalle. C'est donc une interpolation d'Hermite par un polynôme
de degr e 1. Des consid erations g eom etriques tres simples montrent que cette
m ethode se ramene exactement a la m ethode du milieu. Ainsi on dispose
d'une piste pour expliquer que la m ethode du milieu soit meilleure que celle
des rectangles: en bien choisissant le point d'interpolation de degr e 0, tout
se passe comme si on disposait d'une interpolation de degr e 1.
Methode de Gauss
Comme dans le cas de l'interpolation de Lagrange de degr e 0, nous allons essayer dans le cas de l'interpolation de Lagrange de degr e 1, de choisir au mieux
les deux points d'interpolation de maniere a am eliorer la m ethode. Ainsi pour
la m ethode des trapezes les point d'interpolation etaient aux bornes de l'intervalle, pour la m ethode de Gauss les points d'interpolation seront des points
bien choisis de l'intervalle.
Interventions
107
On se place dans l'espace R1X ] des polynômes de degr e 1 sur R. Soient
et tels que ;1
< 1. On note et les formes lin eaires sur
R1X ] d enies par u (P ) = P (u). Si on note
P(X ) = X
;;
et
P (X ) = X ;;
alors u(Pv ) = uv (0 si u 6= v, 1 si u = v). On en conclut que ( ) est

une base du dual de R1X ]. Donc la forme lin eaire I su R1X ] d enie par
I (P ) =
se d ecompose sous la forme
Z1
;1
f (u)du
I = + :
Cette formule appliqu ee aux polynômes P et P donne les valeurs explicites
des constantes et , ce qui permet d' ecrire
I = 2;
+
2;
:
Ceci veut dire que pour tout polynôme P 2 R1X ] on a
Z1
P (u)du = 2;
P (
) +
2;
P ( ):
;1
Pour une fonction f on va donc avec cette m ethode ecrire
Z1
f (u)du = 2;
f (
) +
2;
f ( ) + e
;1
et l'erreur e est nulle pour les polynômes de degr e 1. Peut-on choisir
les points
et pour que la formule reste exacte (e = 0) pour un degr e
sup erieur? La r eponse est donn ee par:
Proposition 15.3.1 Il existe un couple et un seul de points
et tels que
pour tout polynôme P de degre 3 on ait
Z1
P (u)du = 2;
P (
) +
2;
P ( )
;1
108
Chapitre 15
ces points sont
;1 = p1 :
= p
3
3
De plus, quels que soient les points
et il existe un polynôme de degre 4
qui ne verie pas la formule precedente.
Preuve : le calcul se fait a partir de la formule exacte pour les polynômes

de degr e 1 en imposant que cette formule reste exacte pour le polynôme
X 2 et le polynôme X 3 (ce qui est n ecessaire et susant pour que la formule
reste exacte pour les polynômes de degr e 3). Un calcul simple nous donne
les points
et attendus ainsi que les coecients explicites de la formule.
Proposition 15.3.2 Pour tout polynôme de degre 3 on a
Z1
P (u)du = P (; p1 ) + P ( p1 ):
3
3
;1
La methode de Gauss consiste donc a utiliser cette formule pour approcher
l'int egrale:
Z1
f (u)du = f (; p1 ) + f ( p1 ) + e:
3
3
;1
La majoration de l'erreur e se fait maintenant en utilisant un polynôme
de degr e 3 qui interpole f . Plus pr ecis ement on considere le polynôme
d'Hermite H de degr e 3 tel que
H (; p1 ) = f (; p1 ) H ( p1 ) = f ( p1 )
3
3
3
3
H 0(; p1 ) = f 0(; p1 ) H 0( p1 ) = f 0( p1 ):
3
3
3
3
Dans ces conditions
Z1
H (u)du = f (; p1 ) + f ( p1 )
3
3
;1
donc
Z 1
Z 1
Z1

jej = f (u)du ; H (u)du jf (u) ; H (u)jdu:
;1
;1
;1
Interventions
109
On sait alors (cf. chapitre sur l'interpolation) que sur ;1 1]
2

1
1
2

jf (u) ; H (u)j 24 u ; 3 m(4)(f )
d'ou on tire par int egration
jej m135(f ) :
(4)
Sur chaque intervalle xi xi+1] on obtient de maniere analogue

x + x x ; x x + x x ; x
Z xi+1
x
i+1 ; xi
f i+12 i + i+1p i + f i+12 i ; i+1p i +ei
f (t)dt = 2
2 3
2 3
xi
avec
xi+1 ; xi 5 m(4)(f )
i
jeij
2
135 :
Par sommation on obtient sur a b]
Zb
a
f (u)du =
avec
X Z xi
N ;1
i=0 xi
+1
f (u)du + E
5 M (4)(f )
(
b
;
a
)
jE j N 4 4320 :
Remarque: En fait bien qu'au d epart on ait travaill e sur une interpolation
de Lagrange de degr e 1, tout se passe ensuite de la même facon que pour
une interpolation d'Hermite de degr e 3. C'est ce qui fait la performance de
la m ethode.
Methode de Simpson
Nous partons maintenant de l'interpolation de Lagrange de degr e 2 (par une

fonction parabolique) aux bornes de l'intervalle et en un point tel que
;1 < < 1. Nous employons une d emarche analogue a celle du paragraphe
pr ec edent. Notons ;1 1 les formes lin eaires sur l'espace R2X ] des polynômes de degr e 2 d enies par
u(P ) = P (u):
110
Chapitre 15
Les polynômes
P;1 (X ) = (X ;2(11)(+X ); )
; 1)(X + 1)
P (X ) = ((X ;
1)( + 1)
P1(X ) = (X +2(11)(;X ); )
v erient u(Pv ) = uv . On en d eduit que (;1 1) est une base du dual de
R2X ] et donc que la forme lin eaire I d enie par
I (P ) =
Z1
;1
P (t)dt
se d ecompose sur cette base

I = ;1 ;1 + + 1 1:
Ceci veut dire que pour tout polynôme P de degr e 2 on a
Z1
;1
P (t)dt =
;1) + P ( ) + 1 P (1):
;1 P (
Par un bon choix du point on va voir que cette formule persiste pour les
polynômes de degr e 3. On laisse au lecteur d' etablir la proposition suivante
Proposition 15.3.3 Il existe un point et un seul tel que pour tout polynôme de degre 3 on ait
Z1
;1
P (t)dt =
;1) + P ( ) + 1 P (1):
;1 P (
Cette valeur de est 0. De plus il existe un polynôme de degre 4 pour lequel

cette formule n'a pas lieu.
Ce point = 0 etant choisi on obtient la formule dite des 3 niveaux.
Proposition 15.3.4 Pour tout polynôme de degre 3
Z1
;1
P (t)dt = 13 P (;1) + P (1) + 4P (0)]:
Interventions
111
La methode de Simpson consiste donc a utiliser cette formule pour approcher l'int egrale:
Z1
;1
f (u)du = 13 f (;1) + f (1) + 4f (0)] + e:
Soit H le polynôme de degr e 3 tel que
H (;1) = f (;1) H (0) = f (0) H (1) = f (1) H 0(0) = f 0(0):

On a alors
Z 1
Z 1
Z1
jej = f (u)du ; H (u)du jf (u) ; H (u)j du:
;1
;1
;1
On sait (cf. chapitre sur l'interpolation) que sur ;1 1]

jf (u) ; H (u)j 4!1 u2j(u ; 1)(u + 1)jm(4)(f )
ce qui donne par int egration
(4)(f )
m
jej 90 :
Sur les intervalles xi xi+1] on obtient
Z xi
+1
avec
xi
f (u)du = xi+16; xi f (xi) + f (xi+1) + 4f xi +2xi+1
jeij

xi+1 ; xi 5 m(4)(f )
i
2
90 :
Sur l'intervalle a b] tout entier on peut ecrire
Zb
a
"
f (u)du = b6;Na f (x0) + f (xN ) + 2
avec
+ ei
N ;1
i=1
X xi + xi+1 #
f (xi) + 4 f
+E
5
(4)
jE j (b N; 4a) M2880(f ) :
N ;1
i=0
112
Chapitre 15
L'erreur est la aussi comme pour la m ethode de Gauss en 1=N 4 , mais avec des
coecients un peu moins bons. Cependant la formule nepfait pas intervenir
comme dans celle de Gauss des nombres "compliqu es" ( 3) ce qui explique
qu'elle ait et e plus pris ee avant l'apparition des ordinateurs.
Peut on la aussi optimiser mieux la m ethode en choisissant de maniere astucieuse les trois points d'interpolation? Ceci est en partie l'objet de l' etude
plus g en erale du paragraphe suivant.
Methodes interpolatoires et polynômes orthogonaux

Soient P0 P1 Pn les n + 1 premiers polynômes de Legendre. Rappelons
que les polynômes de Legendre forment l'unique suite de polynômes telle que
a) deg
(Pi) = i
R
1
b) ;1 Pi (u)Pj (u)du = 0 (i 6= j )
c) Pi (1) = 1.
Appelons a1 an les racines de Pn elles sont distinctes et appartiennent
a l'intervalle ;1 1]. Les formes lin eaires (ai an ) d enies par ai (P ) =
P (ai) forment une base du dual de l'espace Rn;1X ] des polynômes de degr e
n ; 1 (espace de dimension n). On en conclut que la forme lin eaire I d enie
sur Rn;1X ] par
Z1
I (P ) = P (u)du
;1
se d ecompose sur cette base sous la forme
I=
a1 a1 + + an an
ce qui veut dire que pour tout polynôme P de degr e n ; 1 on a
Z1
;1
P (u)du =
a1 P (a1 ) + + an P (an ):
Le choix des racines du polynôme de Legendre Pn pour les points ai est un

tres bon choix dans le mesure ou
Proposition 15.3.5 Pour tout polynôme de degre 2n ; 1 on a
Z1
;1
P (u)du =
a1 P (a1 ) + + an P (an ):
Interventions
113
Preuve : Il sut de montrer que la formule est vraie pour les polynômes
d'une base de l'espace R2n;1X ] des polynômes de degr e 2n ; 1. La famille
(P0 Pn;1 P0Pn Pn;1 Pn ) est une base de R2n;1X ] (tous les degr es
sont repr esent es une fois et une seule). Il est clair que P0 Pn;1 v erient
la formule puisque ces polynômes sont de degr e n ; 1. Quand aux Pi Pn
(0 i n;1) il estR clair en utilisant l'orthogonalit e de la suite des polynômes
1
de Legendre que ;1 Pi(u)Pn (u)du = 0 et que sachant que les ai sont les
racines de Pn , i(Pj Pn ) = Pj (ai)Pn (ai) = 0. Ils v erient donc eux ausi la
formule.
Toute autre famille de points est moins bonne que la famille (ai).
Proposition 15.3.6 Soient
1
n des points distincts de l'intervalle
;1 1] dont l'un au moins n'est pas racine du polynôme de Legendre de degre
n. Alors il existe un polynôme Q de degre 2n ; 1 tel que
Z1
;1
Q(u)du 6=
1 Q(
1) + + n Q(
n ):
Preuve : Posons Qn (X ) = (X ;
1) (X ;
n ).Par hypothese, Qn n'est
pas proportionnel au polynôme de Legendre Pn , il n'est donc pas orthogonal

au sous espace des polynômes
R de degr e n ; 1. Il existe un polynôme R
de ce sous espace tel que ;11 R(u)Qn(u)du 6= 0. Il sut alors de prendre
Q = RQn.
Cette propri et e optimale des racines des polynômes de Legendre peut être
utilis ee pour avoir une meilleure majoration de l'erreur quand on remplace
l'int egrale a calculer par l'int egrale du polynôme d'interpolation de Lagrange
de degr e n;1 en n points de l'intervalle. C'est ainsi quepnous avons
p proc ed e
pour la m ethode de Gauss, avec n = 2. Les point ;1= 32 et 1= 3 sont les
racines du polynôme de Legendre de degr e 2 (P2(X ) = 3X2;1 ).
Dans le cas de l'interpolation de degr e 2 (avec les notations pr ec edentes
n = 3), nous pouvons obtenir mieux que par la m ethode de Simpson et par la
m ethode de Gauss. La m ethode de Simpson en eet est une m ethode utilisant
l'interpolation de degr e 2, partiellement optimis ee par le choix du point milieu
de l'intervalle, mais qui n'est pas completement optimis ee puisque les deux
autres points d'interpolation sont les bords de l'intervalle et non pas des
racines du polynôme de Legendre de degr e 3. Le polynôme de Legendre de
degr e 3 est
2
P3(X ) = 5X 2; 3X
114
Chapitre 15
ce qui donne pour racines
p
p
3
a1 = ; p a2 = 0 a3 = p3 :
5
5
Un calcul simple donne alors pour tout polynôme P de degr e 5
" p!
p !#
Z1
P (u)du = 91 5P ; p3 + 8P (0) + 5P p3 :
5
5
;1
Ainsi pour toute fonction f de classe C 5 on a
p !#
" p!
Z1
1
3
f (u)du = 9 5P ; p + 8P (0) + 5P p3 + e
5
5
;1
ou jej se majore en utilisant l'in egalit e
jf (u) ; P (u)j 6!1 u2(u2 ; 3=5)2 m(6)(f )
ce qui par int egration fournit
1 m(6)(f ):
jej 15750
Sur chaque intervalle xi xi+1] on a une erreur
xi+1 ; xi 7 m(6)(f )
i
ei
2
15750
et sur a b] une erreur
7
M (6)(f ) :
jE j (b ;N 6a) 15750
128
15.3.3 Presentation generale des quadratures elementaires - Ordre d'une methode
Toutes les m ethodes vues jusqu'a pr esent entrent dans le cadre g en eral suivant (methodes de quadrature elementaires). On a sur l'intervalle xi xi+1]
une formule du type
Z xi
xi
+1
f (u)du = (xi+1 ; xi)
li
X
j =0
!ij f (ij ) + ei
Interventions
ou
115
ij 2 xi xi+1] et
li
X
j =0
!ij = 1:
On essaie d'adapter les parametres pour que la m ethode soit la meilleure
possible.
De nition 15.3.1 On dit qu'une methode de quadrature est d'ordre N si

la formule approchee est exacte pour les polynômes de degre N et inexacte
pour au moins un polynôme de degre N + 1.
Remarquons que puisque lji=0 !ij = 1, une m ethode de quadrature el ementaire est toujours au moins d'ordre 0.
Le lecteur est invit e a pr eciser les parametres qui correspondent aux diverses
m ethodes d ecrites pr ec edemment.
15.3.4 Acceleration de convergence - Formule de Richardson - Methode de Romberg
La m ethode que nous allons d ecrire maintenant part d'une m ethode d'acc el eration de convergence sur les suites.
Formule de Richardson
Soit u une suite de nombres r eels convergeant vers un nombre r eel a. On

suppose que
un ; a = kn + O(k0n )
ou k et k0 sont des r eels tels que 0 < jk0j < jkj < 1 et ou est un r eel non
nul.
Alors
un+1 ; a = kn+1 + O(k0n )
kun ; ka = kn+1 + O(k0n )
et par suite
un+1 ; kun ; a = O(k0n):
1;k
116
Chapitre 15
On construit de cette maniere une suite

vn = un+11 ;;kkun
qui converge vers a plus vite que la suite initiale u.
Plus g en eralement on peut supposer que
un ; a = 1k1n + 2k2n + + p kpn + O(kpn+1 )

ou
0 < jkp+1j < jkpj < < jk1j < 1

et ou 1 n sont des r eels non nuls. Pour toute suite w, notons Rk w la
suite d enie par
Rk wn = wn+11 ;;kkwn :
Alors
Rk1 un = un+11 ;;kk1un :
1
Puisque
un+1 ; a = 1k1n+1 + 2k2n+1 + + pkpn+1 + O(kpn+1)

et que
k1un ; k1a = 1k1n+1 + 2k1k2n + + pk1kpn + O(kpn+1 )

on obtient
un+1 ; k1un ; (a ; k1a) = ( 02k2n + + 0pkpn )(1 ; k1) + O(kpn+1 )
ou
0 = (k2 ; k1 ) 0 = (kp ; k1 ) :
2
p
2
p
1 ; k1
1 ; k1
On en d eduit que
Rk1 un ; a = 02k2n + + 0p kpn) + O(kpn+1 ):
Par cons equent on peut it erer le proc ed e et on obtient alors
Rkp Rkp;1 Rk1 un ; a = O(kpn+1 ):
Interventions
117
Remarque1: Reprenons la formule de Richardson a l'ordre 1. Il se peut

que k ne soit pas connu. On pose alors
vn = un+11 ;;n un
n
ou
n = uun+1; ;u un :
Dans ces conditions
n;1
n ; k = O ((k0=k)n )
donc
vn ; a = O(k0n):
Remarque 2: On peut donner une version continue de la formule de Richardson.
Soit f (y) telle que limy!0 f (y) =
0. On suppose que
f (y) =
0 +
1y + +
pyp + O(yp+1):
Soit alors 0 < r < 1 et y0 > 0.
Formons la suite
Am0 = f (rm y0)
et remarquons que
lim A =
0
m!1 m0
Am0 =
0 +
1y0rm + +
py0p(rp )m + O (rp+1)m :
Donc en posant k1 = r kp = rp on se ramene a la formule de Richardson
pr ec edente. Plus pr ecis ement, pour 0 n p ; 1 on d enit
rn+1 Am;1n :
Amn+1 = Amn ;
1 ; rn+1
Dans ces conditions
Amp ;
0 = O (rp+1)m :
118
Chapitre 15
Methode de Romberg
Nous allons montrer comment marche cette m ethode .

D ecoupons l'intervalle a b] par un partage equidistant en N = 2n morceaux
et posons h = (b ; a)=2n. Appelons
I2n = 1=2hf (a) + f (b) + 2
2n ;1
i=1
f (xi)]
la valeur approch ee de l'int egrale donn ee par la m ethode des trapezes.
La formule d'Euler-Maclaurin nous donne
Zb
a
f (u)du ; I2n =
(1=4)n + O ((1=8)n ) :
On peut donc appliquer la m ethode de Richardson a l'ordre 1 avec k = 1=4 et

k0 = 1=8. On pourra remarquer que dans ce cas on obtient la formule donn ee
par la m ethode de Simpson sur 2n;1 intervalles. Il faut appliquer la m ethode
de Richardson a un ordre 3 pour trouver une formule qui n'est pas donn ee
par les consid erations des paragraphes pr ec edents.
119
Bibliographie
1] J.P. Demailly Analyse numerique et equations dierentielles
Presses Universitaires de Grenoble 1991
2] I. Glazman, Y. Liubitch Analyse Lineaire dans les Espaces de
Dimensions Finies Mir-Moscou 1972
3] M.W. Hirsh, S. Smale Dierential Equations, Dynamical Systems, and Linear Algebra Academic Press 1974
4] J.L. Ovaert, J.L. Verley Algebre Vol.1 Cedic Nathan (Coll. Epistemon) 1981
5] R. Rolland Groupes nis commutatifs et transformations de
Fourier discretes Cours de L'ES2I 1992 (disponible par ftp sur
iml.univ-mrs.fr)
Index
acc el eration, 117
algebre de Boole, 9
algorithme de Crout, 63
application lin eaire, 15, 18, 55
directe (somme), 27, 30

droite, 25
dual, 33
duale (base), 34
echange, 23
elimination, 63
endomorphisme, 15
engendr e, 12
espace engendr e, 12
espace quotient, 56
espace vectoriel, 7
factorisation des applications, 56
famille g en eratrice, 20, 23
famille li ee, 20
famille libre, 20, 23
ltre stationnaire, 81
forme lin eaire, 18, 33
forme multilin eaire, 49
formule des trois niveaux, 35
Fourier (transform ee de), 91
g en erateur, 20, 23
Gauss (m ethode de), 108
Gauss (pivot de), 63
Hermite (interpolation d'), 96
homomorphisme, 15, 18
hyperplan, 25, 34
image, 16
base, 20, 23, 55

base duale, 34
base incomplete, 24
bidual, 34
bloc de Jordan, 77
Boole (algebre), 9
caract eristique (polynôme), 67, 75
caractere, 80
Cayley Hamilton (th eoreme de), 75
circulante (matrice), 43
codimension, 28
cofacteur, 57
combinaison lin eaire, 19
convolution, 81
Cramer (systeme de), 62
Crout (algorithme de), 63
d ecomposition spectrale, 68
d ependant, 20
d eterminant, 50
d eterminant de Vandermonde, 53
diagonal, 74
di erences divis ees, 85, 87
dimension, 24
dimension nie, 23
120
121
incomplete (base), 24
ind ependant, 20
index, 69
interpolation, 82
interpolation d'Hermite, 96
interpolation de Lagrange, 83, 91
inverse (matrice), 57
Jordan (bloc de), 77
Lagrange (interpolation de), 83, 91
Lagrange (polynôme de), 84
Legendre (polynômes de), 114
li ee, 20
libre, 20, 23
lin eaire (application), 15, 18
lin eaire (combinaison), 19
lin eaire (forme), 18, 33
lin eaire (systeme), 59
lin eairement d ependant, 20
lin eairement ind ependant, 20
m ethode de Gauss, 108
m ethode de Richardson, 117
m ethode de Romberg, 117
m ethode de Simpson, 111
m ethode des rectangles, 104
m ethode des tangentes, 108
m ethode des trapezes, 107
m ethode du milieu, 105
matrice, 40, 45
matrice circulante, 43
matrice de passage, 56
matrice inverse, 57
matrice transpos ee, 46
milieu (m ethode du), 105
minimal (polynôme), 69
multilin eaire (forme), 49
Newton (polynômes de), 84

noyau, 16
op erateur, 15
ordre d'une m ethode, 116
orthogonaux (polynômes), 114
passage (matrice de), 56
pivot de Gauss, 63
polynôme caract eristique, 67, 75
polynôme minimal, 69
polynômes de Lagrange, 37, 84
polynômes de Legendre, 114
polynômes de Newton, 84
polynômes orthogonaux, 114
produit de matrices, 45
projecteurs spectraux, 74, 76
projection, 28, 31
propre (sous espace), 68, 70
propre (valeur), 67, 70
propre (vecteur), 67
quotient (espace), 56
rang, 24, 55
rectangles (m ethode des), 104
Richardson (m ethode de), 117
Romberg (m ethode de), 117
signal, 79
Simpson (m ethode de), 111
somme, 27, 30
somme de matrices, 45
somme directe, 27, 30
sous espace engendr e, 12
sous espace propre, 68, 70
sous espace spectral, 70
sous espace vectoriel, 11
spectral (projecteur), 74, 76
122
spectral (sous espace), 70
spectre, 70
splines, 98
stationnaire (ltre), 81
suppl ementaire, 28, 56
systeme de Cramer, 62
systeme de Vandermonde, 84, 88
systeme lin eaire, 59
tangentes (m ethode des), 108
th eoreme de division, 86
transform ee de Fourier, 91
transpos e, 38, 46
trapezes (m ethode des), 107
valeur propre, 67, 70
Vandermonde (d eterminant de), 53
Vandermonde (systeme de), 84, 88
vecteur propre, 67
vectoriel (espace), 7
vectoriel (sous espace), 11

Al 0

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Al 0

Diunggah oleh

Hak Cipta:

Format Tersedia

Cours elementaire d'algebre lineaire sous forme

d'exercices - Deuxieme edition

Table des matieres

2 Sous espaces vectoriels

1.1 La structure d'espace vectoriel . . . . . . . . . . . . . . . . . . 5

3 Homomorphismes d'espaces vectoriels

6 Somme directe de sous espaces

3.1 Application lin eaire - Noyau - Image . . . . . . . . . . . . . . 13

5.1 Bases d'un espace vectoriel . . . . . . . . . . . . . . . . . . . . 21

6.1 D ecomposition d'espaces vectoriels . . . . . . . . . . . . . . . 25

7.1 Projection et somme directe . . . . . . . . . . . . . . . . . . . 29

9 Matrices et applications lineaires

10 Operations elementaires sur les matrices

12 Applications lineaires en dimension nie

14 Valeurs propres, vecteurs propres

8.1 Formes lin eaires - Espace dual . . . . . . . . . . . . . . . . . . 31

10.1 Op erations sur les matrices . . . . . . . . . . . . . . . . . . . . 41

12.1 Bases et applications lin eaires . . . . . . . . . . . . . . . . . . 51

13.1 Probl emes lin eaires en dimension nie . . . . . . . . . . . . . . 55

15 Interventions de l'algebre lineaire

15.1 Fonctions sur un groupe ab elien ni,th eorie du signal ni . . . 75

1.1 La structure d'espace vectoriel

De nition 1.1.1 Un espace vectoriel E sur un corps commutatif K (ap-

Ex-1 Montrer que pour tout x 2 E et tout 2 K , 0x = 0 et 0 = 0

(attention par abus de notation il est d'usage de noter 0 le vecteur nul et

1.2 Premiers exemples d'espaces vectoriels

Ex-11 Les polyn^omes a r variables, a coecients dans un corps K et de

2.1 La sous structure de sous espace vectoriel

vectoriels d'un espace E est un sous espace de E .

De nition 2.1.2 Soit A un sous ensemble de l'espace vectoriel E . Conside-

2.2 Exemples de sous espaces vectoriels

forment un sous espace vectoriel de l'espace de toutes les suites de nombres

3.1 Application lineaire - Noyau - Image

De nition 3.1.2 Si f est un homomorphisme de E dans F le noyau de f ,

Le noyau de f , (Ker(f )), et l'image de f , (Im(f )), sont deux objets tr es

Theoreme 3.1.1 Un homomorphisme f est injectif si et seulement si son

3.2 Premieres proprietes des applications lineaires

Ex-8 Soit K X ] l'espace vectoriel des polyn^omes a une variable a coe-

Ex-15 Fixons a b c d dans R. Soit f l'application de R2 dans R2 qui a tout

3.3 Structure de l'ensemble des applications

Ex-16 Soient E et F deux espaces vectoriels sur le m^eme corps K . Notons

(f + g)(x) = f (x) + g(x)

4.1 Partie engendree par une famille de vecteurs

ou seuls un nombre ni de coecients

sont non nuls.

De nition 4.1.2 La famille S d'elements de E est dite generatrice si

S ] = E . (Autrement dit tout element de E s'exprime comme combinaison

de S qui est combinaison lin eaire des autres vecteurs de S .

4.2 Exemples de familles de vecteurs

l'espace de familles libres et non g en eratrices, de familles g en eratrices et non

S = fx 7! x ; u + jx ; uj u 2 a b]g:

5.1 Bases d'un espace vectoriel

n'est pas en dimension nie n'est pas du niveau de ce cours).

Ex-2 Soit E un espace vectoriel, F une famille libre de E et G une famille

De nition 5.1.3 Si E est un espace de dimension nie nous appellerons

si on conna^t la dimension n de l'espace, pour montrer qu'une famille de n

5.2 Exemples de bases

Ex-6 Montrer que dans K n , la famille (ei)1in o u

a-t-il de sous espaces de dimension k dans E ? Quel est le nombre de directions

ea(x1  xn) =

6.1 Decomposition d'espaces vectoriels

On en conclut que dim(E1  E2) = dim(E1) + dim(E2).

v eriant p2 = p. Quel est le noyau de p? Quelle est l'image de p?

9 Matrices et applications lineaires

10 Operations elementaires sur les matrices

12 Applications lineaires en dimension nie

13.1 Problemes lin eaires en dimension nie . . . . . . . . . . . . . . 55

15 Interventions de l'algebre lineaire

15.1 Fonctions sur un groupe ab elien ni,th eorie du signal ni . . . 75

De nition 1.1.1 Un espace vectoriel E sur un corps commutatif K (ap-

Ex-11 Les polyn^omes a r variables, a coecients dans un corps K et de

De nition 2.1.2 Soit A un sous ensemble de l'espace vectoriel E . Conside-

3.1 Application lineaire - Noyau - Image

De nition 3.1.2 Si f est un homomorphisme de E dans F le noyau de f ,

Le noyau de f , (Ker(f )), et l'image de f , (Im(f )), sont deux objets tres

Theoreme 3.1.1 Un homomorphisme f est injectif si et seulement si son

3.2 Premieres proprietes des applications lineaires

Ex-8 Soit K X ] l'espace vectoriel des polyn^omes a une variable a coe-

4.1 Partie engendree par une famille de vecteurs

ou seuls un nombre ni de coecients

De nition 4.1.2 La famille S d'elements de E est dite generatrice si

S ] = E . (Autrement dit tout element de E s'exprime comme combinaison

S = fx 7! x ; u + jx ; uj u 2 a b]g:

n'est pas en dimension nie n'est pas du niveau de ce cours).

De nition 5.1.3 Si E est un espace de dimension nie nous appellerons

si on conna^t la dimension n de l'espace, pour montrer qu'une famille de n

Ex-6 Montrer que dans K n , la famille (ei)1in ou

ea(x1 xn) =

6.1 Decomposition d'espaces vectoriels

On en conclut que dim(E1 E2) = dim(E1) + dim(E2).

v eriant p2 = p. Quel est le noyau de p? Quelle est l'image de p?

6.2 Exemples de decompositions

Ex-22 G en eraliser les notions de somme et de somme directe a une innit e

De nition 7.1.1 Soit E un espace vectoriel, decompose en somme directe

Ex-3 Soit E un espace vectoriel de dimension nie, E1 E2 deux sous es-

8.1 Formes lineaires - Espace dual

De nition 8.1.4 Le bidual E de E est le dual de E .

8.2 Exemples de formes lineaires - Applications

P (t)dt = P (1) + P (;1) + P ( ):

b) On se place maintenant dans l'espace R3X ] des polyn^omes de degr e 3

P (t)dt = 0P (1) + 0 P (;1) + 0P (0):

Ex-12 On se place dans l'espace R3X ] des polyn^omes de degr e 3 sur R.

ij (Pkl ) = ik jl:

ou I d esigne la forme lin eaire sur R1X ] d enie par

ce qui veut dire que pour tout P 2 R1X ]

Calculer les coecients ak de cette d ecomposition.

8.3 Complements sur la dualite

Ex-16 Soient E et F deux espaces vecoriels de dimension nie et T une

application lin eaire de E dans F . On d enit l'application T du dual F de

ou x = ni=1 xifi et y = in=1 yifi. Notons T l'application de F dans F qui

9.1 Applications lineaires entre espaces vectoriels munis de bases

De nition 9.1.1 La matrice

an1 an2 anm

9.2 Exemples de matrices d'applications lineaires

10.1 Operations sur les matrices

D enissons le produit d'un vecteur ligne par un vecteur colonne

11.1 Formes multilineaires alternees - Determinants

ou () est la signature de la permutation .

xn(n) (e1 en)

ou Sn est le groupe des permutations de f1 ng.

(x1 xn) =

(;1)()x1(1) xn(n)

11.2 Calcul de determinants

Ex-21 On veut calculer le d eterminant Dn d'ordre n dont le coecient

12.1 Bases et applications lineaires

De nition 12.1.1 On appelle rang d'une application lineaire, la dimension

cation lin eaire de E dans F telle que Ker() = G.

Si x et y sont deux el ements de E alors x et y s' ecrivent de maniere unique