PSI Complément d’ algèbre linéaire

Plan 2.2 Hyperplans . . . . . . . . . . . . . . . . . 10

2.3 Équation d’un hyperplan . . . . . . . . . 12
1 Produit et Somme d’ espaces vectoriels 1
1.1 Produit d’un nombre fini d’espaces vecto- 3 Matrices par blocs et sous-espaces stables
riels . . . . . . . . . . . . . . . . . . . . . 1 12
1.2 Somme d’une famille finie de sous- 3.1 Matrices définies par blocs . . . . . . . . 12
espaces vectoriels . . . . . . . . . . . . . 2 3.2 Sous espaces stables . . . . . . . . . . . 13
1.2.1 Définition . . . . . . . . . . . . . . 2
4 Matrices semblables, Trace d’une ma-
1.2.2 Somme directe - sous espaces
trices et d’un endomorphismes 15
supplémentaires . . . . . . . . . . 3
4.1 Matrice semblables . . . . . . . . . . . . 15
1.2.3 Cas de la dimension finie . . . . 5
4.2 Trace d’une matrice . . . . . . . . . . . . 17
1.2.4 Applications linéaires et décom- 4.3 Trace d’un endomorphisme . . . . . . . 18
position en somme directe . . . . 8
5 Polynômes d’ une matrice ,d’un endomor-
2 Rappels sur les formes linéaires et les Hy- phisme 18
perplans 10
2.1 Formes Linéaires . . . . . . . . . . . . . 10 6 Interpolation de Lagrange 19

∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗

Dans tout ce chapitre K désigne R ou C.

1 Produit et Somme d’ espaces vectoriels

1.1 Produit d’un nombre fini d’espaces vectoriels
Soient E 1 , . . . , E n des espace vectoriels sur K . On pose
n
Y
E= E i = {( x1 , ..., xn ) / ∀ i ∈ [[1, n]] x i ∈ E i } .
i =1

pour u = ( x1 , . . . , xn ) ∈ E , v = ( y1 , . . . , yn ) ∈ E et λ ∈ K on définit u + v et λv par :

u + v = ( x1 + y1 , . . . , xn + yn )
λv = (λ y1 , . . . , λ yn )

n
E i est un espace vectoriels sur K
Y
Théorème 1.1. E =
i =1
Si de plus chaque E i est de dimension finie alors E est aussi de dimension finie et on :a
n
X
dim E = dim E i
i =1

Remarque 1.1. Si ( e 1 , . . . , e n ) est une base de E et ( f 1 , . . . , f p ) est une base de F alors ,

¡ ¢
( e 1 , 0), . . . , ( e n , 0), (0, f 1 ), . . . , (0, f p )

est une base E × F

n
E i est noté E n . Si E est de
Y
Remarque 1.2. Lorsque E 1 = ... = E n = E alors l’espace vectoriel
i =1
dimension finie alors dim E n = n dim E

[Link] page:1/ 21
PSI Complément d’ algèbre linéaire

1.2 Somme d’une famille finie de sous-espaces vectoriels

1.2.1 Définition

Définition 1.1. Soient E 1 , E 2 , . . . , E n des sous-espaces vectoriels d’un K -espace vectoriel E .

On appelle somme des sous-espaces vectoriels E 1 , E 2 , . . . , E n le sous espace vectoriel de de E
© ¯ ª
E 1 + E 2 + · · · + E n = x1 + x2 + · · · + xn ¯ ( x1 , x2 , . . . , xn ) ∈ E 1 × E 2 × · · · × E n
n
X
On le note également E i.
k=1

Proposition 1.1. Soient E 1 , E 2 , . . . , E n des sous-espaces vectoriels d’un K -espace vectoriel E .

Alors
n
X
• E i est un sous-espace vectoriel de E.
k=1
Xn n
[
• E i est le plus petit sous espace vectoriel de E qui contient E i.
k=1 i =1

Preuven:
X
• E i est l’image de l’application linéaire
k=1

ϕ : E1 × E2 × · · · × E n −→ E
( x1 , x2 , . . . , x n ) 7−→ x1 + x2 + · · · + x n
n
X
Ce qui montre que E i est bien un sous-espace vectoriel de E .
k=1
n
X
• En prenant x j = 0 pour tout j 6= i on constate que E i contient chacun des E i . Ainsi
i =1
n
X
∀ j ∈ [[1, n]] Ej ⊂ Ei
i =1

• Si un sous espace vectoriel F contient tous les E i , il contient tous les vecteurs de la forme x1 + x2 + · · · + xn où
n
X n
X
x i ∈ E i , donc F contient E i . Ainsi E i est le plus petit sous espace vectoriel de E qui contient tous les
i =1 i =1
Ei.

Proposition 1.2 (associativité et commutativité). Soient E1, E2, . . . , E n des

sous-espaces vectoriels d’un K -espaces vectoriel E . On a pour 1 ≤ p < n :
n
X p
X n
X
Ei = Ei + Ei (associativité)
i =1 i =1 i = p+1

et
n
X n
X p
X
Ei = Ei + Ei (Commutativité)
i =1 i = p+1 i =1

[Link] page:2/ 21
PSI Complément d’ algèbre linéaire

Exemples 1.1. 1. R3 = Vect( (1, 0, 0) ) + Vect( (0, 1, 0) ) + Vect( (0, 0, 1) )

En effet ∀ ( x, y, z) ∈ R3 , ( x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1)
| {z } | {z } | {z }
∈Vect( (1,0,0) ) ∈Vect( (0,1,0) ) ∈Vect( (0,0,1) )
2
2. R = Vect( (1, 0) ) + Vect( (0, 1) ) + Vect( (1, 1) )
En effet ∀ ( x, y) ∈ R2 , ( x, y) = x(1, 0) + y(0, 1) + 0(1, 1)
| {z } | {z } | {z }
∈Vect( (1,0) ) ∈Vect( (0,1) ) ∈Vect( (1,1) )
Remarquons qu’on a aussi la décomposition ( x, y) = − y(1, 0) − x(0, 1) + ( x + y)(1, 1)
| {z } | {z } | {z }
∈Vect( (1,0) ) ∈Vect( (0,1) ) ∈Vect( (1,1) )

3. Dans E = R , le plan P1 d’équation ( x = 0) et le plan P2 d’équation ( y = 0) vérifient R3 = P1 + P2 .

3

En effet ∀ ( x, y, z) ∈ R3 , (0, y, z) + ( x, 0, 0) = ( x, y, z).

| {z } | {z }
∈P1 ∈P2
4. M n (K) = Tn+ + D n + Tn−

1.2.2 Somme directe - sous espaces supplémentaires

Définition 1.2. On dit que les sous-espaces E 1 , E 2 , . . . , E n sont en somme directe, (ou encore que
Xp
la somme E i est directe) si pour tout ( x1 , x2 , . . . , xn ) ∈ E 1 × E 2 × · · · × E n
i =1

x1 + x2 + . . . + xn = 0 =⇒ x1 = x2 = . . . = xn = 0

la somme est alors notée

n
X n
M
E i = E1 ⊕ E2 ⊕ · · · ⊕ E n = Ei
i =1 i =1

p
X X
Propriétés 1.1. Si la somme E i est directe alors E i est directe pour tout J ⊂ [[1, n]] et
i =1 i∈ J
J 6= ;

n
X
Proposition 1.3. La somme E i est directe si et seulement si l’application
i =1

n
X
ϕ : E 1 × E 2 × · · · × E n −→ Ei
i =1
( x1 , x2 , . . . , xn ) 7−→ x1 + x2 + · · · + xn

est un isomorphisme.

p
X
Preuve : Remarquons d’abord que que par définition de la somme E i , l’application ϕ est une application
i =1
linéaire surjective donc :

[Link] page:3/ 21
PSI Complément d’ algèbre linéaire

ϕ isomorphisme ⇔ ϕ injective
⇔ ker ϕ = {0}
⇔ ∀ ( x1 , x2 , . . . , x n ) ∈ E 1 × E 2 × · · · × E n , x1 + x2 + . . . + xn = 0 =⇒ x1 = x2 = . . . = xn = 0
Xp
⇔ E i est directe
i =1

n
X n
X
Proposition 1.4. La somme E i est directe si et seulement si tout vecteur x de E i se dé-
i =1 i =1
n
X
compose de manière unique sous la forme x = x i avec ( x1 , x2 , ..., xn ) ∈ E 1 × E 2 × . . . × E n . En
i =1
d’autre termes :

p
X
∀x ∈ E i , ∃ ! ( x1 , x2 , . . . , xn ) ∈ E 1 × E 2 × · · · × E n , x = x1 + x2 + . . . + xn
i =1

Preuve : Conséquence directe de l’isomorphisme ϕ dans la proposition précédente.

Exemple 1.1. la somme Vect( (1, 0) ) + Vect( (0, 1) ) + Vect( (1, 1) ) n’est pas directe puisqu’on a pas
unicité de la décomposition
∀ ( x, y) ∈ R2 , ( x, y) = x(1, 0) + y(0, 1) + 0(1, 1) = − y(1, 0) − x(0, 1) + ( x + y)(1, 1)
| {z } | {z } | {z } | {z } | {z } | {z }
∈Vect( (1,0) ) ∈Vect( (0,1) ) ∈Vect( (1,1) ) ∈Vect( (1,0) ) ∈Vect( (0,1) ) ∈Vect( (1,1) )

n
X
Proposition 1.5. la somme E i est directe si et seulement si
i =1

n
X
∀ i ∈ [[1, n]] ; E i ∩ E j = {0}
j =1; j 6= i

Preuve : n n
X M
• Supposons que la somme E i est directe. Soit x ∈ E i ∩ E j donc x ∈ E i et x = x1 + ...x i−1 + x i+1 + ... + xn
i =1 j =1; j 6= i
avec x i ∈ E i , en faisant passer x de l’autre cotée de l’égalité on obtient x1 + ...x i−1 + (− x) + x i+1 + ... + xn = 0
|{z}
∈E i
n
X
Or la somme E i est directe donc x et tous les x i sont nuls.
i =1
n
X n
X
• Réciproquement, Supposons que ∀ i ∈ [[1, n]] ; Ei ∩ E j = {0} et montrons que la somme E i est directe :
j =1; j 6= i i =1
n
Y Xn Xn
Soit ( x1 , ..., xn ) ∈ E i tel que x1 + ... + xn = 0 donc pour i ∈ [[1, n]] on a xi = − xj ∈ Ej
i =1 j =1; j 6= i j =1; j 6= i
|{z}
∈E i
n
X
d’où xi ∈ E i ∩ E j = {0} par suite x i = 0 et la somme est directe.
j =1; j 6= i
n
X
Remarque 1.3. Si la somme E i est directe alors pour tout j 6= i E i ∩ E j = {0}. La réci-
i =1
proque est fausse pour n ≥ 3 et vraie pour n = 2
Exemple 1.2. Considérons l’exemple R2 = Vect( (1, 0) ) + Vect( (0, 1) ) + Vect( (1, 1) ). La somme
n’est pas directe mais
Vect( (1, 0) ) ∩ Vect( (0, 1) ) = Vect( (1, 0) ) ∩ Vect( (1, 1) ) = Vect( (0, 1) ) ∩ Vect( (1, 1) ) = {0}

[Link] page:4/ 21
PSI Complément d’ algèbre linéaire

1.2.3 Cas de la dimension finie

n
X
Proposition 1.6. Si les sous-espaces vectoriels E 1 , ..., E n sont de dimensions finies alors Ei
i =1
est de dimension finie et on a à !
n
X n
X
dim Ei ≤ dim E i
i =1 i =1

avec égalité si et seulement si la somme est directe ; c’est à dire :

à !
n
X n
X Xn
dim Ei = dim E i ⇔ la somme E i est directe
i =1 i =1 i =1

n
X
Preuve : Considérons l’application linéaire surjective ϕ : E 1 × E 2 × · · · × E n −→ Ei
i =1
( x1 , x2 , . . . , x n ) 7−→ x1 + x2 + · · · + x n
• La formule du rang appliquée à ϕ donne
à ! à ! à !
n
X n
Y n
Y n
X
dim E i = dim E i − dim ker ϕ ≤ dim Ei = dim E i
i =1 i =1 i =1 i =1

• Si laà somme! est directe alors, daprès la proposition 1.3, ϕ est bijective. D’où dim(E 1 × E 2 × · · · × E n ) =
Xn n
X
dim E i . Mais dim(E 1 × E 2 × · · · × E n ) = dim E i , d’où le résultat.
i =1 i =1
X n
• Réciproquement l’application ϕ , par définition de E i , est surjective.
i =1
à ! à !
n
X n
X n
X
Si dim Ei = dim E i , alors dim(E 1 × E 2 × · · · × E n ) = dim E i , par suite ϕ est un isomorphisme et
i =1 i =1 i =1
donc la somme est directe.

à !
n
X n
X
Remarque 1.4. 1. Si la somme n’est pas directe, dim Ei < dim E i .
i =1 i =1
2. On rappelle à ce propos la formule de Grassmann

dim(F + G ) = dim F + dim G − dim F ∩ G

Proposition 1.7. Soient E de dimension finie et E 1 , E 2 , . . . , E n des sous-espaces vectoriels de E .

n n
 
X X
dim E = dim E i dim E = dim E i

 

n 
 

i =1 i =1
M
( i) E= Ei ⇐⇒ ( ii ) n
X ⇐⇒ ( iii ) n
X
i =1 E i est directe  E= Ei

 


 
i =1 i =1

[Link] page:5/ 21
PSI Complément d’ algèbre linéaire

Preuve : Ã !
n
M n
X X n n
X
( i ) ⇒ ( ii ) Si E = E i alors la somme E i est directe et dim E = dim Ei = dim E i .
i =1 Ã i=1 ! i =1 i =1
Xn n
X Xn
( ii ) ⇒ ( iii ) Supposons ( ii ), donc dim Ei = dim E i = dim E et comme E i est un sous-espace vectoriel de
i =1 i =1 i =1
n
X
E , on en déduit E = Ei.
i =1 Ã !
n
X n
X n
X
( iii ) ⇒ ( i ) Supposons ( iii ), donc dim Ei = dim E i ce qui assure que la somme E i est directe et puisqu’
i =1 i =1 i =1
n
X M n
on a E = E i on conclut que E = Ei
i =1 i =1

Pour deux espaces, le théorème devient

Corollaire 1.1.½ Soient E de dimension finie et½ F,G deux sous-espaces vectoriels de E .
F ∩ G = {0} F +G = E
E = F ⊕ G ⇐⇒ ⇐⇒ .
dim E = dim F + dim G dim E = dim F + dim G

Exemples 1.2. 1. K4 [ X ] = Vect(1 + X , X 3 ) ⊕ Vect(1 + X 2 ) ⊕ Vect( X 4 − X , 1).

En effet, la relation

λ1 (1 + X ) + λ2 X 3 + λ3 (1 + X 2 ) + λ4 ( X 4 − X ) + λ5 = 0

entraîne λ1 = λ2 = λ3 = λ4 = λ5 = 0 (en regardant les termes dominants.) La somme est

donc directe.
De plus dim K4 [ X ] = dim Vect(1 + X , X 3 ) + dim Vect(1 + X 2 ) + dim Vect( X 4 − X , 1)
2. Dans l’exemple de la page 3, on avait R3 = P1 + P2 mais la somme n’est pas directe car
dim P1 + dim P2 = 4 > dim R3 .
3. F = Vect{(1, 0, 0)} et G = Vect{(0, −1, 1), (0, 1, 1)}.
On a F ∩ G = {0} et dim F + dim G = 3. D’où F ⊕ G = R3 .
4. Dans C[ X ], soit (P i ) i∈[[0,n]] une famille de polynômes tels que ∀ i ∈ [[0, n]] , deg P i = i .

n
Cn [ X ] =
M
Vect P i
i =0

En effet : La somme est directe car pour tout (λ1 , . . . λn ) ∈ Cn+1 la relation λ0 P0 + · · · +
λn P n = 0 donne λn = λn−1 = . . . = λ0 = 0 puisque la famille (P i ) i∈[[0,n]] est échelonnée donc
n
libre. De plus dim Cn [ X ] =
X
dim Vect(P i ).
i =0
5. Le sous-espace vectoriel des matrices symétriques et celui des matrices antisymétriques
sont supplémentaires dans Mn (K).
En effet S n (K ) ∩ An (K ) = {0} (puisque si A ∈ S n (K ) ∩ An (K ), A = t A = − A d’où A = 0).
n( n − 1) n( n + 1)
De plus, dim An (K ) + dim S n (K ) = + = n2 = dim Mn (K)
2 2

[Link] page:6/ 21
PSI Complément d’ algèbre linéaire

Théorème 1.2 (base adaptée a une somme directe). Soit E un espace vectoriel de dimension finie
n
M
tel que E = E i.
i =1
n
Si pour tout i de [[1, n]], β i désigne une base de E i , et β = β i alors β est une base de E . On
[
i =1
n
M
l’appelle base adaptée a la décomposition E = E i.
i =1

Preuve :
Comme la somme est directe on a les β i sont deux à deux disjoints et donc
q
X q
X
dim E = dim E i = Card β i = Card β
i =1 i =1

Il suffit alors de montrer que β est génératrice. Or, pour x ∈ E , il existe ( x1 , x2 , . . . , xn ) ∈ E 1 × E 2 × · · · × E n tel que
x = x1 + x2 + · · · +, xn . De plus ∀ i ∈ [[1, n]] , x i ∈ E i = Vect(β i ) ⊂ Vect(β), d’où par sommation x ∈ Vect(β).

Exemple 1.3. Pour a ∈ K\{0}, la base (1, X − a, . . . , ( X − a)n ) de K n [ X ] est adaptée à la décomposi-
n n
k
Vect X k
M ¡ ¢ M ¡ ¢
tion K n [ X ] = Vect ( X − a) . Elle ne l’est pas pour la décomposition K n [ X ] =
k=0 i =0

Réciproquement

Théorème 1.3. Soit E un espace vectoriel de dimension finie et de base B .

Si (B1 , ..., B q ) est une partition de B et E i = Vect(B i ) pour i = 1, ..., q alors
q
M
E= Ei
i =1

B est donc une base adaptée à cette dernière décomposition.

q X
ni q
Posons B i = ( e(1i) , ..., e(ni)i ). Tout vecteur x ∈ E s’écrit sous la forme x = x(ki) e(ki) donc x ∈
X X
Preuve : E i par
i =1 k=1 i =1
| {z }
∈E i
q
X
conséquence E = Ei.
i =1
D’autre part
q
X q
X
dim E = Card B = Card B i = dim E i
i =1 i =1
Donc
q
M
E= Ei
i =1

n
M
Exemple 1.4. β = ( e 1 , e 2 , . . . , e n ) est une base de E si et seulement si E = Vect( e i ).
i =1
n ³ ´
Par exemple, Kn [ X ] = Vect X i et R3 = Vect( (1, 0, 0) ) ⊕ Vect( (0, 1, 0) ) ⊕ Vect( (0, 0, 1) ).
M
i =0

[Link] page:7/ 21
PSI Complément d’ algèbre linéaire

1.2.4 Applications linéaires et décomposition en somme directe

n
M
Théorème 1.4. On suppose E = E i et on considère pour i ∈ [[1, q]] l’application u i ∈ L(E i , F )
i =1

∃ ! u ∈ L(E, F ) tel que ∀ i ∈ [[1, n]] , u |E i = u i .

u est définie sur E par
n
Y
∀( x1 , x2 , · · · , xn ) ∈ E i, u( x1 + x2 + · · · + xn ) = u 1 ( x1 ) + u 2 ( x2 ) + · · · + u n ( xn ).
i =1

Remarque 1.5. Autrement dit, ce théorème pourrait se résumer à l’assertion :

Pour définir une application linéaire sur E il suffit de la définir sur chaque E i
Preuve : Procédons par analyse et synthèse
Analyse : Supposons qu’un tel u existe.
X n
Soit x ∈ E , on a alors x = x i où ( x1 , x2 , . . . , x q ) ∈ E 1 × E 2 × · · · × E q
i =1Ã !
Xn X n n
X
On a par linéarité u( x) = u xi = u( x i ) = u i ( x i ).
i =1 i =1 i =1
q
X
u, s’il existe, est alors déterminé de façon unique sous la forme u( x) = u i ( x i ).
i =1
n
X q
X
Synthèse : Tout élément x de E s’écrit de façon unique x = x i . En posant u( x) = u i ( x i ), on définit alors
i =1 i =1
une application de E dans F qui vérifie :
— u |E = u i pour tout i de [[1, n]]
i
n
X n
X
— u est linéaire : soient deux vecteurs x = x i et y = yi où ( x1 , x2 , . . . , x q ), ( y1 , y2 , . . . , yq ) ∈ E 1 × E 2 × · · · × E n
i =1 i =1
et deux scalaires α et β. On a :
 
à !
n
X n
X X n
u(α x + β y) = u α xi + β yi = u  α x i + β yi 
 
i =1 i =1 i =1 | {z }
∈E i
n
X
= u i (α x i + β yi ) par définition de u
i =1
Xn n
X
= α u i (xi ) + β u i ( yi ). ( u i est linéaire )
i =1 i =1

= α u( x) + β u( y).

Remarque 1.6. Si β = ( e 1 , e 2 , . . . , e n ) est une base de E et en posant E i = Vect( e i ), on retrouve

qu’une application linéaire est entièrement déterminée par l’image d’une base.

[Link] page:8/ 21
PSI Complément d’ algèbre linéaire

n
M
Définition 1.3. On suppose E = E i , pour i ∈ [[1, n]] on définit l’application linéaire
i =1

Pi : E −→ E
Xn
x= xk 7−→ x i
k=1

n
M
La famille (P1 , . . . , P n ) s’appelle la famille des projecteurs associée à la décomposition E = Ei
i =1

n
M
Propriétés 1.2. Soit (P1 , . . . , P n ) la famille des projecteurs associée à la décomposition E = E i.
i =1
Alors pour tout i ∈ [[1, n]] on a
1. P i est un projecteur de E
n
M
2. I mP i = E i et ker P i = Ek
k=1, k6= i
n
M
3. P i est la projection sur E i parallèlement à Ek.
k=1, k6= i
n
X
4. Pk = I dE
k=1
n
X
5. Si u ∈ (E, F ) alors u= u ◦ Pk
k=1

Théorème 1.5. Si u ∈ (E, F ) et G est un supplémentaire de ker u dans E alors u induit un

isomorphisme de G sur Im u.
½
G −→ Im u
Preuve : Notons v :
x 7−→ u ( x)
• v est linéaire.
• v est injective, en effet :
Si x ∈ ker v alors x ∈ G et u( x) = 0, donc x ∈ G ∩ ker u.
Or G est ker u sont supplémentaire donc G ∩ ker u = {0} par suite x = 0 et v injective.
• v est surjective, en effet :
soit y ∈ Im u alors il existe x ∈ E tel que y = u( x). Or E = ker u ⊕ G donc il exit (a, b) ∈ ker u × G tel que x = a + b.
Par suite y = u(a) + u( b) = u( b) = v( b). Ainsi
|{z}
=0

∀ y ∈ Im( u), ∃ b ∈ G ; y = v( b )

ce qui assure que v est surjective.

• On conclut alors v est un isomorphisme de G dans Im u.

Corollaire 1.2 (Formule du rang). Si u ∈ L (E, F ) avec E de dimension finie alors u est de rang
fini et
rg u + dim ker u = dim E

[Link] page:9/ 21
PSI Complément d’ algèbre linéaire

Preuve : Soit G un supplémentaire de ker u dans E , le théorème précédent assure que G est isomorphe à
I mu et puisque G est de dimension finie (Car c’est un sous espace d’un espace de dimension finie) on a I mu est de
dimension finie et
dim Im u = dim G
D’autre part on a E = G ⊕ ker u donc

dim E = dim G + dim ker u

= dim Im u + dim ker u
= rg u + dim ker u

2 Rappels sur les formes linéaires et les Hyperplans

2.1 Formes Linéaires

Définition 2.1. Soit E un K -espace vectoriel .

1. Une formes linéaire sur E est une application linéaire de E dans K
2. On appelle espace dual de E l’espace vectoriel E ∗ = L (E, K ). C’est l’ensemble des formes
linéaires sur E .

Remarque 2.1. On rappelle qu’en dimension finie dim E = dim E ∗

Proposition 2.1. Une forme linéaire non nulle sur E est toujours surjective

Preuve : Soi f une forme linéaire non nulle sur E , puisque Im f est un sous espace vectoriel de K on a

1 ≤ dim Im f ≤ 1

donc dim Im f = 1 = dim K par suite Im f = K et f surjective.

2.2 Hyperplans
E un K -espace vectoriel
• On appelle droite de E tout sous espace de dimension 1
• On appelle Plan de E tout sous espace de dimension 2

Définition 2.2. On appelle hyperplan de E , tout sous-espace vectoriel qui est supplémentaire
d’une droite vectorielle. En d’autre termes Il existe un vecteur non nul u de E tel que

E = H ⊕ Vect( u)

[Link] page:10/ 21
PSI Complément d’ algèbre linéaire

Proposition 2.2. Si dim E = n et H sous-espace vectoriel de E alors

H hyperplan de E ⇔ dim H = n − 1

Preuve :
=⇒: Si H est supplémentaire d’une droite D alors dim H = dim E − dim D = n − 1.
⇐=: Soit ( e 1 , . . . e n−1 ) une base de H . D’après le théorème de la base incomplète, il existe un vecteur e n tel que
( e 1 , . . . e n ) soit une base de E . D = Vect( e n ) est une droite vectorielle supplémentaire de H .

Exemples 2.1. 1. En dimension 3, les hyperplans sont les plans vectoriels, ce qui justifie la
nomination en dimension quelconque.
2. En dimension 2, les hyperplans sont les droites vectorielles.

Propriétés 2.1. Soit H est un hyperplan de E . Alors

1.
∀ u ∈ E \ H, H ⊕ K.u = E

2. Si F est un sous espace vectoriel contenant H alors ou bien H = F ou bien F = E

Remarque 2.2. La première propriété nous donne le droit de choisir la droite D supplémentaire
à H sous la forme D = Vect( u) avec u ∈ E \ H
La deuxième montre que les hyperplans sont les sous espaces maximaux parmi les sous espaces
strictes de E.

Proposition 2.3. Soit H un sous-espace vectoriel de E . Les propositions sont équivalentes :

1. H est un hyperplan de E .
2. il existe une forme linéaire ϕ non nulle tel que H = ker ϕ

Preuve :
1 =⇒ 2 : Supposons que H est un hyperplan de E, il existe un vecteur non nul u de E tel que E = H ⊕ Vect( u).
Soit l’application
f : E = H ⊕ Vect( u) → K
x = h + λu 7−→ λ
Alors f est une forme linéaire sur E , non nulle (puisque f ( u) = 1) telle que ker( f ) = H
2 =⇒ 1 : Supposons qu’il existe une forme linéaire ϕ non nulle tel que H = ker ϕ. Soit u ∈ E \{0} tel que ϕ( u) = 1
. Montrons que E = ker ϕ ⊕ K.u

x = λ u /λ ∈ K x = λ u /λ ∈ K
½ ½
• x ∈ ker ϕ ∩ K.u ⇔ ⇔ ⇔ x=0
ϕ( x) = 0 λ=0
donc ker ϕ ∩ K.u = {0}

• Pour x ∈ E posons x1 = x − ϕ( x) u et x2 = ϕ( x) u Alors x = x1 + x2 et x2 ∈ K.u et x1 ∈ ker ϕ car ϕ( x1 ) =

ϕ( x) − ϕ( x)ϕ( u) = 0
Donc E = ker ϕ + K.u

Exemples 2.2. 1. L’ensemble H des polynômes s’annulant en a ∈ K est un hyperplan de

K [ X ], en effet, c’est le noyau de la forme linéaire non nulle ϕ : P 7→ P (a).
2. Si (a 1 , a 2 , . . . , a n ) 6= 0 alors ( x1 , x2 , . . . , xn ) ∈ K n | a 1 x1 + a 2 x2 +· · ·+ a n xn = 0 est un hyperplan
© ª

de K n comme noyau de la forme linéaire non nulle ( x1 , x2 , . . . , xn ) 7→ a 1 x1 + a 2 x2 + · · · + a n xn

.

[Link] page:11/ 21
PSI Complément d’ algèbre linéaire

2.3 Équation d’un hyperplan

Théorème 2.1. Équation d’un hyperplan

Si E est de dimension finie n et β = ( e 1 , ..., e n ) une base de E , alors
H est un hyperplan de E si et seulement si il existe (a 1 , a 2 , . . . , a n ) ∈ Kn \{0} tel que pour tout
n
X
x= xi e i
i =1
n
X
x ∈ H ⇐⇒ a i xi = 0
i =1
n
X
a i x i = 0 s’appelle équation de l’hyperplan H relativement à β.
i =1

Preuve : En dimension finie, la matrice d’une forme linéaire ϕ relativement à β pour E et (1) pour K est
(a 1 a 2 . . . a n ). On a alors en notant H = ker ϕ.

x1
 
n
 .  X
x ∈ H ⇐⇒ f ( x) = 0 ⇐⇒ (a 1 a 2 . . . a n ).  ..  = 0 ⇐⇒ a i xi = 0
i =1
xn

n
X
Remarque 2.3. Si H est un hyperplan déquation a i x i = 0 alors H est le noyau de la forme
i =1
lineaire
f: E → K
n
X n
X
x= x i e i 7−→ a i xi
i =1 i =1

3 Matrices par blocs et sous-espaces stables

3.1 Matrices définies par blocs
µ ¶
A B
Toute matrice M ∈ M np (K) peut s’écrire comme matrices de blocs sous la forme M =
C D
où A ∈ M q,l (K ), B ∈ M q,p−l (K ), C ∈ Mn− q,l (K ) et D ∈ Mn− q,n−l (K ).

Si B = 0 ou C = 0 on dit que A est triangulaire par blocs.

Si B = 0 et C = 0 on dit que A est diagonale par blocs.

Proposition 3.1. Sous réserve que les opérations soient bien définies, on a
¶ µ 0
A B0 A + A 0 B + B0
µ ¶ µ ¶
A B
+ 0 =
C D C D0 C + C0 D + D0
¶ µ 0
A B0 A A 0 + BC 0 AB0 + BD 0
µ ¶ µ ¶
A B
× 0 =
C D C D0 C A 0 + DC 0 CB0 + DD 0

[Link] page:12/ 21
PSI Complément d’ algèbre linéaire

Corollaire 3.1. Le produit lorsqu’il existe de matrices triangulaires supérieures (respectivement

inférieures) par blocs est encore triangulaire supérieure (respectivement inférieure) par blocs.

Théorème 3.1. (Determinant d’une matrice triangulaire par blocs)

Soit A ∈ Mn (K), B ∈ M p (K ) et C ∈ Mn,p (K ) on a
µ ¶ µ ¶
A C A 0n,p
det = det = det A × det B
0 p,n B C B

µ ¶
A 0
Preuve : Soit M =
C B
Posons µ ¶ µ ¶ µ ¶
A 0 Ip 0 Ip 0
A0 = , C0 = et B0 =
0 Iq C Iq 0 B

On vérifie par calcul directe que M = A 0 C 0 B0

D’où det M = det A × det C × det B0 .
0 0

Or C est triangulaire donc son déterminant vaut 1 (produit des éléments diagonaux). De plus, en développant A 0
0

par rapport à sa dernière colonne, il vient µ ¶

A 0
det A 0 = det .
0 I q−1

En réitérant, on obtient det A 0 = det A . De même, on a det B0 = det B, d’où le résultat.

¶ µ
A C
Attention 3.1. En générale det 6 det A det D − det B det C
=
B D

¯ ¯
¯1 1 5 6 3¯¯
¯ ¯ ¯
¯2 3 4 −2 0¯¯ ¯¯ ¯ ¯ 1 0 0¯
¯ 1 1¯ ¯
¯ ¯ ¯ ¯
Exemple 3.1. ¯0 0 1 0 0¯ = ¯¯ × 8 3 0¯=6
¯
¯ 2 3¯ ¯¯ ¯
¯0 0 8 3 0¯ −9 2 2¯
¯
¯ ¯
¯0 0 −9 2 2¯

3.2 Sous espaces stables

Définition 3.1. Soit f ∈ L(E ) et F un sous-espace vectoriel de E .

On dit que F est stable par f si f (F ) ⊂ F .

Exemples 3.1. 1. E et {0} sont stables pour tout endomorphisme de E .

2. Une homothétie stabilise tous les sous-espaces vectoriels de E . La réciproque est d’ailleurs
vraie (et constitue un exercice classique.)
3. ker f et Im f sont stables par f .

Exercice 1. Soit f : R[ X ] → R[ X ]; f (P ) = X P 0 + ( X 2 + 1)P 00 . Montrer que Rn [ X ] est stable par f

[Link] page:13/ 21
PSI Complément d’ algèbre linéaire

Exercice 2. 1. Montrer que l’intersection de sous espaces stables est un sous espace stable
2. Montrer que la somme de sous espaces stables est un sous espace stable

Proposition 3.2. Soient f , g deux endomorphismes qui commutent . Alors ker( f ) et Im( f ) sont
stable par g.

Définition 3.2. Si F est stable par f alors f F définie par

fF : F → F
x 7 → f ( x)

est un endomorphisme de F appelé endomorphisme induit par f sur F .

Attention 3.2. la restriction d’un endomorphisme à un sous-espace vectoriel F n’induit pas

forcément un endomorphisme de F . Il faut absolument que f (F ) ⊂ F .

Définition 3.3 (base adaptée a un sous espace vectoriel). Soit E de dimension finie et F un
sous-espace vectoriel de E . On dit qu’une base de E est adaptée à F si ses premiers éléments
forment une base de F

Exemple 3.2. Dans E = R3 , on considère F l’hyperplan d’équation x + y + z = 0. Une base de E

adaptée à F est
base de E
z¡ }| {¢
(1, −1, 0), (−1, 0, 1), (1, 0, 0)
| {z }
base de F

Proposition 3.3. On suppose E de dimension finie. Soit F un sous-espace vectoriel stricte de E

et soit β une base adaptée à F .
F est stable par f si et seulement si Matβ f est triangulaire supérieure par blocs du type Matβ f =
µ ¶
A B
où p = dim F .
0n− p,p C

Preuve : Soit β = ( e 1 , e 2 , . . . e n ) une base adaptée à F avec ( e 1 , e 2 , . . . e p ) base de F .

F est stable par F si et seulement si ∀ i ∈ [[1, p]] , f ( e i ) ∈ F = Vect( e 1 , e 2 , . . . e p ), ce qui équivaut à dire que sa
matrice est µ ¶
A B
Matβ f =
0n− p,p C

Remarque 3.1. — A représente alors la matrice de f |F dans ( e 1 , . . . , e p ).

— Comme A et C sont des matrices carrées, il vient alors det Mat B ( f ) = det A det C .
— Si F et G sont stables par f et E = F ⊕ G , on a dans une base adaptée,
µ ¶
A O
Matβ f =
O B

[Link] page:14/ 21
PSI Complément d’ algèbre linéaire

4 Matrices semblables, Trace d’une matrices et d’un endo-

morphismes
4.1 Matrice semblables

Définition 4.1. Soient A, B ∈ Mn (K). On dit que A est semblable à B s’il existe P ∈ Gl n (K ) tel que

B = P −1 AP

Proposition 4.1. Soit E un espace vectoriel de dimension finie n

• Si u est un endomorphisme E et si B et B 0 sont deux bases de E , les matrices MatB ( u) et
MatB0 ( u) sont semblables.
• Réciproquement, si A et A 0 sont deux matrices semblables, il existe un endomorphisme u de
E et deux bases B et B 0 de E telles que

A = MatB ( u) et A 0 = MatB0 ( u)

Ainsi :

Deux matrices sont semblables si et seulement si elles représentent un même

endomorphisme dans des bases différentes.

Preuve :
• Notons P la matrice de passage de la base B à la base B 0 .D’après la formule de changement de bases pour un
endomorphisme , on a :
MatB0 ( u) = P −1 MatB ( u)P
• Réciproquement, si A et A 0 sont deux matrices semblables,il existe une matrice inversible P ∈ GL n (K) telle
que A 0 = P −1 AP.
Soit B = ( e 1 , ..., e n ) une base de E. L’isomorphisme

L(E ) −→ M n (K)
f 7−→ MatB ( f )

assure l’existence d’un endomorphisme f de E tel que Mat f = A et l’existence d’un automorphisme φ de E tel que
B
Mat φ = P. (φ est bijective car sa matrice P est inversible).
B
Posons
B0 = φ(B) = (φ( e 1 ), ..., φ( e n )) = ( e01 , ..., e0n )
| {z } | {z }
e01 e0n

Alors, B0 est une base de E (car φ est bijective donc transforme une base en une base )
Dans la suite on va montrer que Mat f = A 0 . Pour cela posons Mat f = (λ i j ) donc
B0 B0

n
f ( e0j ) = λ i j e0i
X
∀ j ∈ [[1, n]] ,
i =1

En composant avec φ−1 et en remarquant que φ( e i ) = e0i on a

n
φ−1 ◦ f ◦ φ( e j ) =
X
∀ j ∈ [[1, n]] , λi j e i
i =1

[Link] page:15/ 21
PSI Complément d’ algèbre linéaire

ce qui assure que

Mat φ−1 ◦ f ◦ φ = (λ i j ) = Mat f
B B0

Or
Mat φ−1 ◦ f ◦ φ = Mat φ−1 Mat f Mat φ = P −1 AP = A 0
B B B B
0
donc Mat f = A .
B0

¶ µµ ¶
2 −1 1 0
Exercice 3. Montrer que A = et B = sont semblables.
1 0 1 1

Solution : Soit f canoniquement associé à A dans R2 .

Analyse : On cherche donc une base ( e 1 , e 2 ) de R2 telle que Matβ f = B. Par définition de Matβ f , ils doivent
vérifier :
f (e1) = e1 + e2 et f (e2) = e2
En posant e 1 = (a, b) et e 2 = ( c, d ), on aboutit à deux systèmes
½ ½
a−b−c =0 c−d =0
et
a−b−d =0 c=c

Ce qui équivaut à ½
a−b−c =0
c=d
ou encore (a, b, c, d ) = ( b + d, b, d, d ) = b(1, 1, 0, 0) + d (1, 0, 1, 1)
Synthèse : En considérant par exemple, b = 0 et d = 1, on obtient que e 1 = (1, 0) et e 2 = (1, 1) est bien une base
(donc conviennent puisque les calculs précédents sont des équivalences).

Remarque 4.1. La relation ∼ définie sur M n (K) par

« A ∼ B ⇐⇒ A est semblable à B »

est une relation d’équivalence, c’est à dire

1. La relation est réflexive : ∀ A ∈ Mn (K), A ∼ A, (considérer P = I n ).
2
2. La relation est symétrique : ∀ ( A, B) ∈ Mn (K), A ∼ B ⇐⇒ B ∼ A
−1 −1
¡ −1 ¢−1 ¡ −1 ¢
puisque B = P AP ⇐⇒ A = PBP = P A P
3
3. La relation est transitive : ∀ ( A, B, C ) ∈ Mn (K), A ∼ B et B ∼ C =⇒ A ∼ C
puisque B = P −1 AP et C = Q −1 BQ =⇒ C = Q −1 P −1 APQ = (PQ )−1 A (PQ )
On appelle alors classe de similitude d’une matrice A l’ensemble des matrices semblables
A c’est à dire
M ∈ Mn (K), | ∃ P ∈ GL n (K ), M = P −1 AP
© ª

[Link] page:16/ 21
PSI Complément d’ algèbre linéaire

4.2 Trace d’une matrice

Définition 4.2. Soit A = a i, j 1≤ i, j≤n ∈ Mn (K).

¡ ¢

On appelle trace de la matrice A la somme de ses éléments diagonaux c’est à dire

n
X
tr( A ) = a k,k .
k=1

Notation 4.1. On note T r l’application

Tr : M n (K) −→ K
A 7−→ tr( A )

a b c
 

Exemple 4.1. tr d e
 f = a+e+i
g h i
n X
X p p
X Xn
Rappel : a i, j = a i, j
i =1 j =1 j =1 i =1
« la somme de la somme des lignes est égale à la somme de la somme des colonnes »

Proposition 4.2. 1. ∀ A ∈ Mnp (K), tr( t A ) = tr( A ).

2. ∀ A ∈ Mn (K), ∀ B ∈ Mn (K), ∀λ ∈ K tr( A + λB) = tr( A ) + λ tr(B).
3. ∀ A ∈ Mn (K), ∀ B ∈ Mn (K), tr( AB) = tr(BA ).
4. ∀ A ∈ Mn (K), ∀ P ∈ GL n (K ), tr(P −1 AP ) = tr( A ). (Deux matrices semblables ont la même
trace)

Preuve :
¡ ¢ ¡ ¢
A = a i, j i, j , B = b i, j i, j
1. A et t A ont la même diagonale donc ont la même trace.
2. Soit λ, µ ∈ K ,
n
X n
X n
X
tr(λ A + µB) = (λa k,k + µ b k,k ) = λ a k,k + µ b k,k = λ tr( A ) + µ tr(B)
k=1 k=1 k=1

¡ ¢ n
X ¡ ¢ n
X
3. Notons AB = c i, j 1≤ i≤n avec c i, j = a i,k b k, j et BA = d i, j 1≤ i≤n avec d i, j = b i,k a k, j
1≤ j ≤ n k=1 1≤ j ≤ n k=1
n
X
tr( AB) = c ii
i =1
X n X n
= a ik b ki
i =1 k=1
X n X n
= a ki b ik ( i ←→ k)
k=1 i =1
Xn X n
= b ik a ki (permutation de sommes )
i =1 k=1
X n
= d ii
i =1
= tr(BA )

[Link] page:17/ 21
PSI Complément d’ algèbre linéaire

4. Soit P ∈ Gl n (K ) et A ∈ Mn (K). On a en utilisant la relation précédente

tr(P −1 AP ) = tr P −1 ( AP ) = tr ( AP )P −1 = tr A (PP −1 ) = tr( AI n ) = tr A
¡ ¢ ¡ ¢ ¡ ¢

Corollaire 4.1. L’application T r : A 7→ tr( A ) est une forme linéaire sur M n (K)

Remarque 4.2. T r est surjective et son noyau est l’ hyperplan de M n (K) donné par
{ A ∈ M n (K) / tr( A ) = 0}

Corollaire 4.2. Soit f ∈ L(E ) et soit A = Matβ f et B = Matβ0 f . On a tr B = tr A

β0
Preuve : B = P −1 AP avec P = Pβ

4.3 Trace d’un endomorphisme

Définition 4.3. Soit f ∈ L(E ).le nombre tr(Mat f ) ne dépend pas de la base B choisie sur E On
B
l’appelle trace de f et on le note tr( f ).
Ainsi La trace d’un endomorphisme et la trace de sa matrice relativement à une
base quelconque de E .

Proposition 4.3. Soit f un projecteur de rang r alors

tr( f ) = r

Preuve : puisque f un projecteur de rang r alors E = ker f ⊕ Im f et dim Im f = r . Soit ( e 1 , . . . , e r ) une base de
Im f et ( e r+1 , . . . , e n ) une base de ker f alors la famille B = ( e 1 , . . . , e n ) est une base de E dans laquelle
µ ¶
Ir 0
Mat f =
B 0 0
Par suite tr f = Mat f = tr I r = r.
B

5 Polynômes d’ une matrice ,d’un endomorphisme

E un K−espace vectoriel

m
Définition 5.1. Soient A ∈ M n (K) une matrice carrée d’ordre n , f ∈ L(E ) une endomorphisme de E et P = ak X k
X
k=0
un polynôme.

• On définit P ( A ) et P ( f ) par :
m
ak Ak
X
P ( A) =
k=0
m
ak f k
X
P( f ) =
k=0

• On dit que P est un polynôme annulateur de A (Resp de f ) si P ( A ) = 0 (Resp : P ( f ) = 0 )

[Link] page:18/ 21
PSI Complément d’ algèbre linéaire

Proposition 5.1. Soient A ∈ M N (K) et f ∈ L(E ). Alors pour tous P,Q ∈ K[ X ] et λ ∈ K ona

(P + λQ )( A ) = P ( A ) + λQ ( A ); (P + λQ )( f ) = P ( f ) + λQ ( f )

(PQ )( A ) = P ( A )Q ( A ) (PQ )( f ) = P ( f )Q ( f )

Remarque 5.1. Sous les conditions de la proposition précédente

— P(f) et Q(f) commutent : P ( f ) ◦ Q ( f ) = Q ( f ) ◦ P ( f ) donc en particulier le noyau et l’image de P ( f ) sont stables
par f .
— P(A) et Q(A) commutent : P ( A )Q ( A ) = Q ( A )P ( A ).
 
2 −2 1
Exercice 4. On pose A =  2 −3 2
−1 2 0
1. Montrer que P = ( X − 1)( X + 3) est un polynôme annulateur de A
2. Montrer que A est inversibles et déterminer A −1 en fonction de A
3. Déterminer A n pour n ∈ N

Solution : 1. On vérifie que ( A − I 3 )( A + 3 I 3 ) = 0 (∗)

1 1
2. De (∗) ona A 2 + 2 A − 3 I 3 = 0 donc ( A + 2 I 3 ) A = I 3 donc A inversible et A −1 = ( A + 2 I 3 )
3 3
3. En effectuant la division euclidienne de X n sur le polynôme annulateur P on a

X n = QP + ax + b

en remplaçant par les racines 1 et -3 de P on obtient

½
a+b =1
−3a + b = (−3)n

1 − (−3)n 3 + (−3)n
qui donne a = et b = 1 − b = et en remplaçant par A on obtient A n = aA + bI 3
4 4

6 Interpolation de Lagrange

Définition 6.1. Soit a 0 , ..., a n , n + 1 point 2à 2 distincts de K, On appelle famille des polynômes interpolateurs de
Lagrange associée à (a 0 , ..., a n ), la famille (L 0 , ..., L n ) définie par
n
Y X − ak
Li =
k=0,k6= i a i − a k

Proposition 6.1. 1. deg(L i ) = n

½
1 si i = j
2. ∀ i, j ∈ [[0, n]] ; L i (a j ) = = δi j
0 si i =
6 j
3. (L 0 , ..., L n ) est une base de Kn [ X ].
n
4. Pour tout P ∈ Kn [ X ], on a
X
P= P (a k )L k .
k=0
n
X
En particulier pour P = 1 on a L k = 1.
k=0

n
Exercice 5. Soit Π =
Y
(X − ak)
k=0
n
Π0 (a i ) =
Y
1. Montrer que (a i − a k )
k=0 k6= i

[Link] page:19/ 21
PSI Complément d’ algèbre linéaire

Π
2. En déduire que Li =
( X − a i )Π0 (a i )

Théorème 6.1. (Interpolation de Lagrange)

Soit a 0 , ..., a n , n + 1 point 2à 2 distincts de K, et ( y0 , ..., yn ) ∈ Kn+1 . Alors il existe un unique polynôme P dans Kn [ X ]
tel que
∀ i ∈ [[0, n]] ; P (a i ) = yi
P s’appelle le polynôme d’interpolation des familles (a 0 , ..., a n ) et ( y0 , ..., yn ) il est donné par
n
X
P= yk L k
k=0

où (L 0 , ..., L n ) est la famille des polynômes interpolateurs de Lagrange associée à (a 0 , ..., a n ).

Preuve :
n
yk L k vérifie P ∈ Kn [ X ] et
X
• Existence : Le polynôme P =
k=0

n
X n
X
∀ i = 0, ..., n; P (a i ) = yk L k (a i ) = yk δki = yi
k=0 k=0

• Unicité : Supposons qu’ il existe un autre polynôme Q ∈ Kn [ X ] tel que

∀ i = 0, ..., n; Q (a i ) = yi

alors P − Q est un polynôme de degré inférieur ou égale à n et admet n + 1 racines donc il est nul par suite P = Q.

Proposition 6.2. (Déterminant de Van der Monde) Soit (a 0 , a 1 , . . . , a n ) des scalaires. Le déterminant de Van der
Monde associé à (a 0 , a 1 , . . . , a n ) est le déterminant d’ordre n + 1 suivant :
¯ ¯
¯1 1 . . . 1 ¯¯
¯
¯a
¯ 0 a1 . . . a n ¯
¯
¯ 2 2 2¯
V (a 0 , a 1 , . . . , a n ) = ¯¯ a 0 a 1 . . . a n ¯¯ =
Y
(a j − a i )
¯ .. .. .. ¯ 0≤ i< j≤n
¯ . . . ¯¯
¯ n
0
¯a
1 an . . . an ¯n

Remarques 6.1. 1. Si on cherche directement le polynôme P ∈ Kn [ X ] qui vérifie P (a i ) = yi pour tout i ∈ [[0, n]]
sous la forme
P = α0 + α1 X + ... + αn X n
on se retrouve avec le système
α0 + α1 a i + ... + αn a ni = yi i = 0, ..., n
d’inconnue (α0 , ..., αn ) et dont le déterminant est V (a 0 , ..., a n ) 6= 0, puisque les a i sont deux à deux distincts,
ce qui assure l’existence et l’unicité de P.
2. On considère
Φ: Kn [ X ] → Kn+1
Q 7 → (Q (a 0 ), ...,Q (a n ))
alors Φ est une application linéaire, sa matrice relativement aux bases canoniques de Kn [ X ] et Kn est
 
1 1 ... 1
a
 0 a1 . . . a n 

 2 2 2
 a0 a1 . . . a n 
 . .. .. 
 . 
 . . . 
a 0n a 1n . . . a nn

sont déterminant est V (a 0 , ..., a n ) 6= 0, ce qui montre que Φ est un isomorphisme donc pour tout élément
( y0 , ..., yn ) de Kn il existe un unique P dans Kn [ X ] tel que Φ(P ) = ( y0 , ..., yn ).

[Link] page:20/ 21
PSI Complément d’ algèbre linéaire

Exercice 6. Pour tout λ ∈ C , on note f λ la fonction définie sur R par :

∀ x ∈ R; f λ ( x) = e λ x .

Montrer que si λ1 , λ2 , λ3 etλ4 sont des complexes deux à deux distincts alors la famille ( f λ1 ; f λ2 ; f λ3 ; f λ4 ) est libre.

Solution : Soient λ1 , ..., λ4 des complexes deux à deux distincts. On considère α1 , ..., α4 ∈ C tels que

∀x ∈ R α1 f λ1 ( x) + α2 f λ2 ( x) + α3 f λ3 ( x) + α4 f λ4 ( x) = 0 (∗)
En dérivant (∗) trois fois et en remplaçant, à chaque fois x par 0 on obtient le système suivant d’inconnues
(α1 , ..., α4 )
α1 + α2 + α3 + α4 = 0


 λ α +λ α +λ α +λ α

1 1 2 2 3 3 4 4 = 0
(S )
 λ21 α1 + λ22 α2 + λ23 α3 + λ24 α4 = 0

 3
λ1 α1 + λ32 α2 + λ33 α3 + λ34 α4 = 0
son déterminant est le déterminant de Vandermonde associé à la famille (λ1 , ..., λ4 ) :

1 1 1 1
¯ ¯
¯ ¯
λ1 λ2 λ3 λ4
¯ ¯
V (λ1 , ..., λ4 ) = ¯¯ ¯ = (λ3 − λ2 )(λ3 − λ1 )(λ2 − λ1 ) 6= 0
¯ ¯
¯ λ21 λ22 λ23 λ24 ¯
¯
¯ λ31 λ32 λ33 λ34 ¯

donc le système (S ) admet une unique solution à savoir (0, 0, 0, 0) donc (α1 , ..., α4 ) = (0, 0, 0, 0) ce qui montre que la
famille ( f λ1 , ..., f λ4 ) est libre

[Link] page:21/ 21