Algèbre linéaire et matricielle - Liste d'exercices
1. Espaces vectoriels, endomorphismes, théorème du rang
1.1 Déterminer lesquels des ensembles $E_1, ..., E_4$ sont des sous-espaces vectoriels de $\mathbb{R}^3$. Calculer leurs dimensions.
- a) $E_1 = \{(x,y,z) \in \mathbb{R}^3 | x + y - z = x + y + z = 0 \}$.
- b) $E_2 = \{(x,y,z) \in \mathbb{R}^3 | x^2 - y^2 = 0 \}$.
- c) $E_3 = \{(x,y,z) \in \mathbb{R}^3 | e^x e^y = 0 \}$.
- d) $E_4 = \{(x,y,z) \in \mathbb{R}^3 | z(x^2 + y^2) = 0 \}$.
1.2 Soit $(e_i)_{i \in \{1,...,n\}}$ une famille libre. Que peut-on dire de la famille $(e_1 + e_2, e_2 + e_3,...,e_{n-1} + e_n, e_n+e_1)$ ?
1.3 Soit $E = \mathbb{R}_+ = \{ x \in \mathbb{R} | x > 0\}$, muni de la somme interne $\oplus$ définie par $a \oplus b = ab$, pour tout $a, b \in E$ et la loi de multiplication par un scalaire $\otimes$ définie par $\lambda \otimes a = a^\lambda$, pour tout $\lambda \in \mathbb{R}$ et tout $a \in E$. Montrez que $E$ muni de ces deux loi est un e.v. sur $\mathbb{R}$.
1.4 Donnez un exemple d'endomorphisme surjectif mais pas injectif. Donnez un exemple d'endomorphisme injectif mais pas surjectif. (Essayez d'abord sans le théorème du rang).
1.5
Un endomorphisme $u$ d'un e.v. $E$ sur $K$ est nilpotent s'il existe $k \geq 1$ tel que $u^k = 0$. Le plus petit entier $k$ vérifiant cette propriété est appelé indice de nilpotence. (La puissance $u^k$ est la composée de $u$, $k$ fois: $u^2(x) = u(u(x))$. L'égalité $u^k = 0$ est l'égalité de l'application $u^k$ et le l'application $0$, c.-à-d. que $u^k(x) = 0$ pour tout $x \in E$).
Soit $u$ un endomorphisme nilpotent d'un e.v. $E$ sur $\mathbb{R}$ de dimension finie $n$. Soit $k$ l'indice de nilpotence de $u$.
- a) Soit $x \in E$ tel que $u^{k-1}(x) \neq 0$. Montrer que la famille $(x, u(x), u^2(x), ..., u^{k-1}(x))$ est libre. En déduire que $k \leq n$.
- b) Soit $F_j = \ker u^j$. Montrez que $F_0 \subset F_1 \subset F_2 ...$ S'arrête-t-on à un moment (est-ce qu'il existe $m$ tel que $F_j = F_m$ pour tout $j>m$) ?
- c) Supposons que $k=n$. Montrez que la famille $(x, u(x), u^2(x), ..., u^{k-1}(x))$ est une base de $E$.
- d) Soit $v$ un endomorphisme de $E$ tel que $uv = vu$. Montrer que $uv$ est nilpotent. Que peut-on dire de son indice de nilpotence ?
- e) On pose
\begin{align}
\exp(u) = \sum_{i=0}^{\infty} \frac{u^i}{i!}.
\end{align}
Est-ce que cette expression est bien définie ?
1.6 Soit $E$ un e.v. sur $K$ et $(E_i)_{i \in I}$ une famille de s.e.v de $E$. On note
$$
\sum_{i \in I} E_i
$$
le sous-ensemble des éléments $x \in E$ qui possèdent la propriétés suivante: il existe une famille $(x_i)_{i \in I}$ de $E$ avec $x_i \in E_i$ pour tout $i \in I$ et $x_i = 0$ pour tout $i \in I$ sauf pour un nombre fini de valeurs $i$, et $x = \sum{i \in I} x_i$. C'est l'ensemble des éléments $x \in E$ qui s'expriment comme une somme finie d'éléments de $E_i$. Cet ensemble est appelé somme des sous-espaces vectoriels $E_i$. On dit que la somme est directe si tout $x \in \sum E_i$ admet une décomposition unique sous la forme $x = \sum{i \in I} x_i$ avec $x_i \in E_i$ et $x_i = 0$ sauf pour un nombre fini de valeurs $i$. On note la somme directe des $E_i$ par
$$
\bigoplus_{i \in I} E_i.
$$
Soit $E_1$ et $E_2$ deux s.e.v. de $E$. Si $E = E_1 + E_2$ et que $E_1 \bigcap E_2 = \{0\}$, alors on dit que $E_2$ est un sous-espace supplémentaire de $E_1$ dans $E$.
- a) On considère les vecteurs $v_1 = (1,0,0,1)$, $v_2 = (0,0,1,0)$, $v_3 = (0,1,0,0)$, $v_4 = (0,0,0,1)$ et $v_5 = (0,1,0,1)$ dans $\mathbb{R}^4$. $\mathrm{Vect}\{v_1,v_2\}$ et $\mathrm{Vect}\{v_3\}$ sont-ils supplémentaires dans $\mathbb{R}^4$? Même question pour $\mathrm{Vect}\{v_1,v_3,v_4\}$ et $\mathrm{Vect}\{v_2,v_5\}$. ($\mathrm{Vect}\{x_1,...,x_n\}$ est le s.e.v. engendré par les combinaisons linéaires de $x_1,...,x_n$. C'est donc la somme des s.e.v. $E_i =
\{\lambda x_i\}$).
- b) Soit $E$ un e.v. sur $K$ et $E_1$ et $E_2$ deux s.e.v. supplémentaires de $E$. Montrer que $E = E_1 \oplus E_2$, c.-à-d. que la somme est directe.
1.7 Soit $\mathbb{R}_n[X]$ l'ensemble des polynômes de degré $\leq n$ sur $\mathbb{R}$.
- Montrer que $\mathbb{R}_n[X]$ est un espace vectoriel sur $\mathbb{R}$.
- On note $D$ l'opérateur de dérivation (si $p$ est un polynôme en $X$, $p(X)$, alors $Dp = dp/dX$). Montrez que $D$ est un endomorphisme nilpotent. Quel est son indice de nilpotence ?
- Soit $x = X^n/n! \in \mathbb{R}_n[X]$. Montrez que $D^{n}x \neq 0$. En déduire que la famille $(x, Dx, D^2x, ..., D^{n}x)$ est une base (voir exercice 6).
- Quelle est la matrice de $D$ dans la base canonique ?
- Soit l’équation différentielle suivante : $Dy-y = x$, où $x,y \in E$. Trouvez une solution particulière à cette équation (trouvez un polynôme $y$ pour un $x$ donné). (Considérez l’application $D-I$, montrez qu’elle est inversible et calculer son inverse : $y = (D-I)^{-1} x$.) Trouvez une solution particulière de l’équation différentielle $y''-2y= 4x^3+3x^2-1$.
2. Matrices et vecteurs, décomposition en valeurs propres
2.1
Soit $B$ une matrice $4 \times 4$ à laquelle on applique les transformations suivantes :
- on double la colonne 1,
- on divise la ligne 3 par deux
- on additionne la colonne 3 à la colonne 1
- on soustrait la ligne 2 des autres lignes
- on échanges les colonnes 1 et 4
- on remplace la colonne 4 par la colonne 3
- on supprime la colonne 1, de sorte que le nombre de colonne est réduit de 1
Ecrivez le résultat comme le produit de 8 matrices. Ecrivez ensuite le résultat comme un produit ABC de 3 matrices.
2.2 Montrez que si $A$ est unitaire et triangulaire, alors elle est diagonale
2.3
Une matrice $[a_{ij}]$ est triangulaire si $a_{ij} = 0$ pour tout $i > j$ (triangulaire supérieure) ou bien si $a_{ij} = 0$ pour tout $i < j$ (triangulaire inférieure).
Montrez que si une matrice A est triangulaire et unitaire, alors elle est diagonale
2.4
Une matrice $A$ est hermitienne si $A = A^*$.
Montrez que toutes les valeurs propres d’une matrice hermitienne sont réelles.
Montrez que si $x$ et $y$ sont des vecteurs propres associés à des valeurs propres distinctes, alors $x$ et $y$ sont orthogonaux.
2.5
Montrez que la multiplicité géométrique de $\lambda$ correspond aussi à la dimension du $\ker (A-\lambda I)$.
2.6 Si $u$ et $v$ sont deux vecteurs de taille $n$, la matrice $A = I + uv^*$ est une matrice de perturbation de rang un de l'identité.
Montrez que si $A$ est inversible, alors sont inverse a la forme $A^{-1} = I + \alpha*uv^*$ pour un scalaire $\alpha$.
Donnez l'expression de $\alpha$. Pour quelles valeurs de $u$ et $v$ la matrice $A$ est-elle singulière? Si $A$ est singulière, que vaut $\ker A$?
2.7 Soit $S$ une matrice telles que $S^* = - S$.
- a) Montrez que les valeurs propres de $S$ sont imaginaires pures
- b) Montrez que $I-S$ est inversible
- c) Montrez que la matrice $Q = (I-S)^{-1}(I+S)$, connue sous le nom de transformée de Cayley, est unitaire.
3. Décomposition en valeurs singulières
3.1 On considère la matrice
$$
A = \left[ \begin{array}{cc}
-2 & 11 \\
-10 & 5
\end{array} \right].
$$
- a) Déterminez à la main une décomposition en valeurs singulières $A = U\Sigma {}^tV$ réelle. Trouvez les
matrices $U$ et $V$ qui minimisent le nombre de signe négatifs dans les coefficients.
- b)
Listez les valeurs singulières, les vecteurs singuliers à gauche et les vecteurs singuliers à droite.
Dessinez correctement la boule unité dans $\mathbb{R}^2$ et sont image sous $A$, avec les vecteurs
singuliers et en notant leurs coordonnées.
c)
- Trouvez $A^{-1}$ en se servant de la décomposition en valeurs singulières.
- d)
Trouvez les valeurs propres de $A$.
- d)
Vérifiez que $\mathrm{det}\, A = \lambda_1 \lambda_2$ et que $|\mathrm{det}\, A| = \sigma_1 \sigma_2$.
- e)
Quelle est l'aire de l'ellipsoïde image de la boule unité sous $A$?
3.2 Calculez les décompositions en valeurs singulières des matrices suivantes:
- a)
$$
\left[ \begin{array}{cc}
-3 & 0 \\
0 & -2
\end{array} \right].
$$
- b)
$$
\left[ \begin{array}{cc}
2 & 0 \\
0 & 3
\end{array} \right].
$$
- c)
$$
\left[ \begin{array}{cc}
0 & 2 \\
0 & 0 \\
0 & 0
\end{array} \right].
$$
- d)
$$
\left[ \begin{array}{cc}
1 & 1 \\
0 & 0
\end{array} \right].
$$
- e)
$$
\left[ \begin{array}{cc}
1 & 1 \\
1 & 1
\end{array} \right].
$$
4. Régression linéaire
4.1
Ecrivez en Python une routine pour faire une régression linéaire sur deux vecteurs $x, y \in \mathbb{R}^m$. Dans une régression linéaire, on cherche $a, b \in \mathbb{R}$ tels que $y \sim ax + b$ dans le sens des moindres carrés, c.-à-d. qu'on cherche un vecteur $c = {}^t(a, b)$ tels que la norme $|| y - (ax+b)||$ est minimisée. Pour ce faire, écrire le problème comme un problème d'ajustement polynomial (de degré 1) sous la forme $Ac=y$ et trouver $c$ qui minimise le vecteur de résidus $r = y - Ac$ à l'aide de la décomposition en valeurs singulières et de l'algorithme présenté. Générez des vecteurs $x$ et $y$ et testez votre routine.
4.2 Soit $x,y \in \mathbb{R}^m$. On considère le problème de moindres carrés $y \sim c_1 + c_2 x + c_3*x^2 + c_4*sin(2\pi x)$$.
- a) Posez le problème sous la forme $Ac = y$ (Décrivez la matrice $A$.
- b) Ecrivez les équations normales
- c) Ecrivez un pseudo-code pour résoudre effectuer la régression linéaire à l'aide d'une factorisation QR.
Pour ce faire, exprimez $A$ sous la forme $A = QR$, et vérifier que $A^*A = R^*R$.
Exprimez ensuite les équations normales sous la forme $R^* R c = A^* y$.
Montrez comment on peut résoudre ce systèmes en deux étapes.
(La décomposition de la matrice symétrique définie positive $M = A^*A$ en un produit d'une matrice triangulaire inférieure et de sa tranposée R^* R$ est une décomposition de Choleski. La matrice $R^*$ est d'une certaine façon la racine carrée de $M$.)
5 Matrice unitaires, projecteurs, factorisation QR
5.1
Vérifiez que la matrice $U U^*$ est un projecteur orthogonal sur im $A$.
5.2 Que peut-on dire des valeurs propres d'une matrice unitaire?
5.3 Deux matrices $A$ et $B$ sont unitairement équivalentes si il existe une matrice
unitaire $Q$ telle que $A = QBQ^*$. Deux matrices sont équivalentes unitairement si et seulement si elles
ont les même valeurs singulières, vrai ou faux?
Calcul des valeurs propres
A venir.