Algebre Coursweb

Anne Universitaire 2008-2009
UFR Sciences Sociales - Dpartement MASS

Licence MAS S - Deuxime anne
Algbre Linaire
Laurent Rouvire
Universit Rennes 2
Place du Recteur H. le Moal
CS 24307 - 35043 Rennes
Tel : 02 99 14 18 21
Mel : laurent.rouviere@univ-rennes2.fr
Table des matires
1 Espaces vectoriels et bases 5
1.1 Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Bases et dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Applications linaires 9
2.1 Dnitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Matrices et applications linaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.1 Matrice de la somme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.2 Matrice de la compose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Exemples dans R
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.1 Matrice dune projection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.2 Matrice dune symtrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.3 Matrice dune rotation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Changement de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.1 Pour un vecteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.2 Pour une matrice (ou une application linaire) . . . . . . . . . . . . . . . . . 19
3 Rduction dendomorphisme 25
3.1 Valeurs propres et espaces propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.1 Condition susante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.2 Condition ncessaire et susante . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Triangularisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4 Distance, norme, produit scalaire 33
4.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2 Produit scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.1 Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.2 Ecriture matricielle du produit scalaire . . . . . . . . . . . . . . . . . . . . . 36
4.2.3 Comment reconnatre un produit scalaire ? . . . . . . . . . . . . . . . . . . . 37
4.2.4 Produit scalaire et changement de base . . . . . . . . . . . . . . . . . . . . . 39
4.3 Norme et angle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.4 Orthogonalit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4.1 Dnitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4.2 Construction de bases orthogonales : procd dorthogonalisation de Gram-
Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.5 Projection orthogonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
MASS-Algbre Laurent Rouvire
4 Table des matires
5 Transformations orthogonales et matrices symtriques 49
5.1 Transformations orthogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.1.1 Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.1.2 Comment reconnatre une matrice orthogonale ? . . . . . . . . . . . . . . . . 50
5.2 Diagonalisation de matrices symtriques . . . . . . . . . . . . . . . . . . . . . . . . 51
5.3 Retour au produit scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
A Rcapitulatif sur les changements de base 55
A.1 Vecteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
A.2 Application linaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
A.3 Produit scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
B Annales 57
Juin 2005 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Juin 2006 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Juin 2007 (plus corrig) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Mai 2008 (plus corrig) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Laurent Rouvire MASS-Algbre
Chapitre 1
Espaces vectoriels et bases
1.1 Espace vectoriel
Dnition 1.1
Etant donn un corps K (gnralement R ou C), un K espace vectoriel est un triplet (E, +, .)
form :
dun ensemble E dont tous les lments sont appels vecteurs ;
dune loi daddition qui est une application
+ : E E E
(u, v) (u + v)
dune loi de multiplication par un scalaire
. : K E E
(, u) u
tel que
1. (E, +) est un groupe ablien (associativit, commutativit, existence dun lment neutre et
dun oppos) ;
2. (, ) K
2
et (u, v) E
2
on a :
_
_
()u = (u)
( + )u = u + u
(u + v) = u + v
1u = u
Exemple 1.1
Lespace R
n
, pour n 0 ;
Lespace des suites de nombres rels ;
Lespace R[X] des polynmes coecients rels ;
Lespace Fonct(I, R) des fonctions dun intervalle I de R dans R.
Pour vrier que ces exemples conviennent, il faut vrier les 8 axiomes, ce qui nest pas forcment
dicile mais un peu long. Pour montrer quun espace est un espace vectoriel, on prfre souvent
montrer que cest un sous-espace vectoriel.
6 Espaces vectoriels et bases
Dnition 1.2
Soit (E, +, .) un espace vectoriel. Un espace vectoriel (F, +
, .
) est appel sous-espace vectoriel de

(E, +, .) si :
1. F E ;
2. la loi daddition
+
: F F F
(u, v) (u + v)
est la restriction de la loi +.
3. la loi de multiplication par un scalaire :
.
: K F F
(, u) u
est la restriction de la loi ..
Proposition 1.1
Soit E un espace vectoriel. Un sous-ensemble F de E dnit un sous-espace vectoriel de E sil
est non-vide et sil est stable par les restrictions F de laddition et de la multiplication par un
scalaire de E, autrement dit si :
(u, v) F
2
, (, ) R
2
, u + v F.
Pour simplier, partir de maintenant E dsignera un espace vectoriel.
Dnition 1.3
Etant donn des vecteurs u
1
, . . . , u
p
de E, on appelle combinaison linaire coecients rels
de u
1
, . . . , u
p
tout vecteur de la forme
1
u
1
+ . . . +
p
u
p
=
p
i=1
i
u
i
.
Lespace des combinaisons linaires coecients rels de u
1
, . . . , u
p
sera not Vect(u
1
, . . . , u
p
)
et appel espace engendr par u
1
, . . . , u
p
.
Plus gnralement, si A est une partie non vide, nie ou innie de E, Vect(A) est lensemble
des combinaisons linaires dlments de A et est appel espace engendr par A.
Remarque
1. Lespace engendr par un vecteur u est appel droite vectorielle engendr par u et Vect(u) =
u, R.
2. Vect(A) est un sous-espace vectoriel de E. Cest le plus petit sous-espace vectoriel de E
contenant A.
Preuve
Soit F un sous-espace vectoriel de E contenant A, alors F contient toutes les combinaisons linaires
dlments de A, donc contient Vect(A). Vect(A) est donc le plus petit sous-espace vectoriel de E
contenant A.
1.2 Bases et dimension 7
1.2 Bases et dimension
Rappelons que la base canonique de R
n
est dnie par
e
1
=
_
_
_
_
_
_
_
_
_
1
0
0
.
.
.
.
.
.
0
_
_
_
_
_
_
_
_
_
, e
2
=
_
_
_
_
_
_
_
_
_
0
1
0
.
.
.
.
.
.
0
_
_
_
_
_
_
_
_
_
, . . . . . . , e
n
=
_
_
_
_
_
_
_
_
_
0
0
0
.
.
.
.
.
.
1
_
_
_
_
_
_
_
_
_
.
Tout vecteur de R
n
sexprime de faon unique comme combinaison linaire de cette base. Cette
proprit a un double avantage : dune part, on peut exprimer nimporte quel vecteur en fonction
de ces n vecteurs particuliers. Dautre part, on peut comparer du premier coup doeil deux vecteurs
u et v de R
n
: comme chacun deux scrit de faon unique comme combinaison linaire de la base
canonique : u =
n
i=1
u
i
e
i
, v =
n
i=1
v
i
e
i
, on a
u = v u
i
= v
i
i.
Cest pour permettre de calculer dans les espaces vectoriels que nous allons dnir en toute gn-
ralit la notion de base.
Dnition 1.4
1. Une famille (u
1
, . . . , u
p
) de vecteurs de E telle que Vect(u
1
, . . . , u
p
) = E est appele fa-
mille gnratrice de E. Dit autrement, (u
1
, . . . , u
p
) est une famille gnratrice de E si
tout vecteur v de E scrit comme une combinaison linaire des vecteurs de cette famille
(v E, (
1
, . . . ,
p
) R
p
: v =
p
i=1
i
u
i
.)
2. On dit que E est un espace de dimension nie sil existe une famille gnratrice nie dl-
ments de E.
On peut alors vrier que si E est de dimension nie et non rduit 0 alors il existe u
1
, . . . , u
p
dans E tels que Vect(u
1
, . . . , u
p
) = E.
Dnition 1.5
On dit quune famille (u
1
, . . . , u
p
) de vecteurs de E est une famille libre de E si tout vecteur de
Vect(u
1
, . . . , u
p
) sexprime de manire unique comme combinaison linaire de u
1
, . . . , u
p
. On dit que
la famille est lie dans le cas contraire.
Si la famille (u
1
, . . . , u
p
) est libre, on dit aussi que les vecteurs u
1
, . . . , u
p
sont linairement ind-
pendants. Si elle est lie, on dit que les vecteurs sont linairement dpendants.
Proposition 1.2
1. La famille (u
1
, . . . , u
p
) est libre si et seulement si
((
1
, . . . ,
p
) R
p
:
1
u
1
+ . . . +
p
u
p
= 0)
1
= . . . =
p
= 0.
2. La famille (u
1
, . . . , u
p
) est lie si et seulement si
(
1
, . . . ,
p
) ,= (0, . . . , 0) :
p
i=1
i
u
i
= 0.
8 Espaces vectoriels et bases
3. Si la famille (u
1
, . . . , u
p
) est lie, alors au moins lun de ses lments est combinaison linaire
des autres (det(u
1
, . . . , u
p
) = 0).
Nous sommes maintenant en mesure de dnir la notion de base dans un espace vectoriel.
Dnition 1.6
On dit quune famille B = (u
1
, . . . , u
p
) est une base dun espace vectoriel E si cest une famille
libre et gnratrice de E. Cest--dire, si tout vecteur de E scrit de manire unique comme
combinaison linaire des vecteurs de la base B, i.e.,
v E, !(
1
, . . .
p
) K
p
tq v =
1
u
1
+ . . . +
p
u
p
.
Thorme 1.1
Soit E un espace vectoriel de dimension nie. Toute famille libre C = (u
1
, . . . , u
p
) de vecteurs de
E peut tre complte en une base B = (u
1
, . . . , u
p
, u
p+1
, . . . , u
n
) de E.
Thorme 1.2 (et dnition)
Dans un espace vectoriel de dimension nie, toutes les bases ont le mme nombre dlments. Ce
nombre est appel dimension de lespace vectoriel E et est not dim(E).
Corollaire 1.1
Dans un espace vectoriel de dimension n :
1. Toute famille libre (u
1
, . . . , u
n
) de n vecteurs de E est une base.
2. Toute famille gnratrice (u
1
, . . . , u
n
) de n vecteurs de E est une base.
Corollaire 1.2 (Cas de R
n
)
Une famille (u
1
, . . . , u
n
) de vecteurs de R
n
est une base de R
n
si et seulement si det(u
1
, . . . , u
n
) ,= 0.
Proposition 1.3 (Dimension dun sous-espace)
1. Un sous-espace F dun espace vectoriel E de dimension nie est de dimension nie.
2. On a alors dim(F) dim(E).
3. Si dim(F) = dim(E), on a F = E.
On peut construire une innit de bases dun mme espace vectoriel E. Suivant le problme
auquel nous sommes confronts, certaines bases se prteront mieux sa rsolution. Il est donc
non seulement important de savoir grer les changements de bases mais aussi de trouver des bases
pertinentes suivant le problme considr.
Chapitre 2
Applications linaires
2.1 Dnitions
Dnition 2.1
Soient E et F deux espaces vectoriels sur R. On appelle application linaire de E dans F la donne
dune application f : E F telle que :
(u, v) E
2
: f(u + v) = f(u) + f(v),
u E, R : f(u) = f(u).
Remarque
1. f(0) = 0 : f(u) = f(u + 0) = f(u) + f(0).
2. f(
1
u
1
+ . . . +
p
u
p
) =
1
f(u
1
) + . . . +
p
f(u
p
).
Proposition 2.1
La compose de deux applications linaires est une application linaire.
Preuve
Soit f : E F et g : F G deux applications linaires, u et v deux vecteurs de E et un rel.
(g f)(u + v) = g(f(u + v)) = g(f(u) + f(v)) = g(f(u)) + g(f(v)) = (g f)(u) + (g f)(v).
(g f)(u) = g(f(u)) = g(f(u)) = g(f(u)) = (g f)(u).
Dnition 2.2
Soit f : E F et g : E F deux applications linaires. On dnit la somme f + g : E F en
posant :
(f + g)(u) = f(u) + g(u).
On dnit aussi le produit f dune application linaire par un scalaire en posant :
(f)(u) = f(u).
Proposition 2.2
1. La somme de deux applications linaires est linaire.
2. Le produit dune application linaire par un scalaire est une application linaire.
10 Applications linaires
Preuve
(f + g)(u + v) = f(u + v) + g(u + v) = f(u) + f(v) + g(u) + g(v) = (f + g)(u) + (f + g)(v).
(f + g)(u) = f(u) + g(u) = f(u) + g(u) = (f + g)(u).
Corollaire 2.1 (et dnition)
Soient E et F deux espaces vectoriels. Lensemble L(E, F) des applications linaires de E dans F
a une structure despace vectoriel pour les oprations de somme et produit par un scalaire dnies
ci-dessus.
Exemple 2.1
1. Pour tout vecteur t, on dnit la translation f
t
de vecteur t par
f
t
:E E
u u + t
La translation nest pas une application linaire :
f
t
(u + v) = u + v + t ,= (u + t) + (v + t) = f
t
(u) + f
t
(v).
2. Pour tout rel a, on dnit lhomothtie de rapport a par
h
a
:E E
u au
Lhomothtie est une application linaire.
3. La projection p : R
2
R
2
paralllement une droite vectorielle F sur une droite vectorielle
G est une application linaire.
4. La symtrie s dans R
2
par rapport une droite vectorielle G paralllement une droite
vectorielle F est une application linaire.
5. Espaces de fonctions : Considrons lespace E = C
(R, R) :
Lapplication D : E E dnie par D(f) = f
qui drive les fonctions est linaire.

Soit a et b deux rels. Lapplication
:E R
f
_
b
a
f(t) dt
est linaire.
Dnition 2.3
Soient E et F deux espaces vectoriels et f : E F une application linaire. On appelle noyau de
f et on note ker(f) lensemble des vecteurs de E dont limage est le vecteur nul de F, autrement
dit :
ker(f) = u E : f(u) = 0.
Proposition 2.3
Le noyau dune application linaire f : E F est un sous-espace vectoriel de E.
2.1 Dnitions 11
Preuve
Soit u et v dans ker(f) et (, ) R
2
. On a
f(u + v) = f(u) +f(v) = 0 + 0 = 0.
On rappelle quune application f est injective si
x ,= x
=f(x) ,= f(x
).
Dans les dmonstrations, il est souvent plus simple de montrer la contrapose :
f(x) = f(x
) =x = x
.
Grce au noyau, on dispose maintenant dun critre beaucoup plus simple pour montrer quune
application est injective.
Proposition 2.4 (Critre dinjectivit)
Soit f : E F une application linaire. On a :
f injective ker(f) = 0.
Preuve
Supposons f injective. On sait que f(0) = 0 (car f est une application linaire) donc 0 ker(f).
Soit u ,= 0, f tant injective f(u) ,= f(0) = 0, aucun autre lment de E ne peut avoir pour image
0, donc ker(f) = 0.
Rciproquement, soit u et v deux vecteurs de E ayant la mme image (f(u) = f(v)), on a alors :
f(u v) = 0 (u v) ker(f) u = v.
Dnition 2.4
Soit E et F deux espaces vectoriels et f une application linaire. On appelle image de f et on
note Im(f) lensemble des vecteurs de F image dau moins un vecteur de E, autrement dit :
Im(f) = v F : u E tel que f(u) = v.
On dnit alors le rang de lapplication linaire f comme tant gal la dimension de Im(f).
Thorme 2.1 (Thorme du rang)
Soit E un espace vectoriel de dimension nie, F un espace vectoriel et f : E F une application
linaire. Alors ker(f) et Im(f) sont des espaces vectoriels de dimension nie et :
dim(Im(f)) + dim(ker(f)) = dim(E).
Nous avons introduit les bases an de pouvoir faire des calculs dans les espaces vectoriels de
dimension nie. Maintenant que nous avons dni les applications linaires et prsent quelques-
unes de leurs proprits, nous allons introduire les matrices pour pouvoir faire des calculs sur les
applications linaires.
2.2 Matrices et applications linaires
Soit E un espace vectoriel de dimension nie p 1, F un espace vectoriel de dimension nie n 1
et f : E F une application linaire. On considre B
E
une base de E et B
F
une base de F :
_
_
_
B
E
= (e
1
, . . . , e
p
)
B
F
= (
1
, . . . ,
n
)
Question : Que nous faut-il connatre pour dterminer f de manire "parfaite" ?
Connatre f revient connatre limage de tout vecteur w de E par f. Soit w quelconque x dans
E, w scrit w = a
1
e
1
+ . . . + a
p
e
p
dans B
E
. f(w) est un vecteur de F, cherchons ses coordonnes
dans B
F
. Comme f est une application linaire, on a
f(w) = a
1
f(e
1
) + . . . + a
p
f(e
p
).
f(e
1
) F, f(e
1
) peut donc se dcomposer dans la base B
F
:
f(e
1
) = b
11
1
+ . . . + b
n1
n
.
.
.
.
.
.
.
.
.
.
.
.
f(e
p
) = b
1p
1
+ . . . + b
np
n
.
Il vient donc
f(w) =a
1
f(e
1
) + . . . + a
p
f(e
p
)
=(a
1
b
11
+ a
2
b
12
+ . . . + a
p
b
1p
)
1
+ . . . + (a
1
b
n1
+ a
2
b
n2
+ . . . + a
p
b
np
)
n
.
Les coordonnes de f(w) dans B
F
peuvent se rcrire comme un produit matriciel
_
_
_
_
_
b
11
. . . . . . b
1p
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
b
n1
. . . . . . b
np
_
_
_
_
_
_
_
_
_
_
a
1
.
.
.
.
.
.
a
p
_
_
_
_
_
.
Pour identier une application linaire f en connaissant la base de dpart et la base darrive, il
sut de connatre
M
B
E
,B
F
(f) =
_
_
_
_
_
b
11
. . . . . . b
1p
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
b
n1
. . . . . . b
np
_
_
_
_
_
1
.
.
.
.
.
.
n
f(e
1
) f(e
p
)
Cette matrice est appele matrice de lapplication linaire f par rapport aux bases B
E
et
B
F
.
2.2 Matrices et applications linaires 13
Conclusion
Pour connatre une application linaire f : E F, il faut se donner une base (e
1
, . . . , e
p
) de
lespace de dpart, une base
1
, . . . ,
n
de lespace darriv, f est alors entirement dtermine
par la matrice M
B
E
,B
F
(f).
Rciproquement, toute matrice de dimension dim(F) dim(E) dnit une application linaire
de E dans F.
Suivant les bases que lon considre, une application linaire peut avoir plusieurs reprsentations
matricielles. Cest pourquoi il faut toujours prciser les bases dans lesquelles les calculs sont
mens.
Exemple 2.2
Si B
E
= (e
1
, e
2
, e
3
) est la base canonique de R
3
et B
F
= (
1
,
2
) celle de R
2
.
1. La matrice de lapplication id : R
3
R
3
par rapport la base canonique est :
M
B
E
,B
E
=
_
_
1 0 0
0 1 0
0 0 1
_
_
.
2. Lapplication linaire f : R
3
R
2
dnie par :
f(e
1
) = 3
1
4
2
, f(e
2
) = 2
1
+ 3
2
, f(e
3
) =
1
+
2
a pour matrice :
/
B
E
,B
F
(f) =
_
3 2 1
4 3 1
_
.
Si maintenant B
E
= (e
2
, e
1
, e
3
) et B
F
= (
2
,
1
), alors
/
B
E
,B
F
(f) =
_
3 4 1
2 3 1
_
.
2.2.1 Matrice de la somme
Proposition 2.5 (Somme de matrices)
Soit E et F deux espaces vectoriels. On considre B
E
et B
F
deux bases de E et F. Soit f
1
et f
2
deux applications linaires de E dans F. Alors
1. La matrice de f
1
+ f
2
par rapport aux bases B
E
et B
F
est :
/
B
E
,B
F
(f
1
+ f
2
) = /
B
E
,B
F
(f
1
) +/
B
E
,B
F
(f
2
).
2. La matrice de f par rapport aux bases B
E
et B
F
est :
/
B
E
,B
F
(f) = /
B
E
,B
F
(f).
2.2.2 Matrice de la compose
Exemple 2.3
Soit (e
1
, e
2
, e
3
) et (
1
,
2
) les bases canoniques de R
3
et R
2
. On considre deux applications linaires
f et g dont les matrices par rapport aux bases canoniques sont
M
g
=
_
_
2 1
3 4
1 3
_
_
, M
f
=
_
1 2 5
4 3 1
_
.
1. Donner les espaces de dpart et darrive de f et g.
2. Soit h lapplication compose h = g f. Quels sont les espaces de dpart et darrive de h?
3. Montrer que la reprsentation matricielle de h dans la base canonique est M
g
M
f
.
1. f : R
3
R
2
, g : R
2
R
3
.
2. h : R
3
R
3
.
3. Il sut de calculer h(e
i
), i = 1, 2, 3.
h(e
1
) =g(f(e
1
)) = g(
1
+ 4
2
) = g(
1
) + 4g(
2
) = 2e
1
+ 3e
2
+ e
3
+ 4(e
1
+ 4e
2
+ 3e
3
)
=6e
1
+ 19e
2
+ 13e
3
h(e
2
) = 7e
1
+ 18e
2
+ 11e
3
, h(e
3
) = 11e
1
+ 19e
2
+ 8e
3
.
On en dduit
M
h
=
_
_
6 7 11
19 18 19
13 11 8
_
_
.
Il sut de vrier que M
h
= M
g
M
f
.
Cas gnral On considre trois espaces vectoriels de dimensions nies :
E de dimension m avec une base B
E
= (e
1
, . . . , e
m
),
F de dimension n avec une base B
F
= (
1
, . . . ,
n
),
G de dimension p avec une base B
G
= (
1
, . . . ,
p
)
Soit f : E F et g : F G deux applications linaires.
Proposition 2.6 (Matrice de la compose)
La matrice de lapplication linaire h = g f par rapport aux bases B
E
et B
G
est donne par :
M
B
E
,B
G
(h) = M
B
F
,B
G
(g)M
B
E
,B
F
(f).
E F
G
f, M
f
g, M
g
h = g f
M
h
= M
g
M
f
Corollaire 2.2
Soit f une application linaire inversible de E dans E. On note f
1
son application inverse, i.e.,
f
1
: E E et f f
1
= f
1
f = id
E
, alors
M
B
E
,B
E
(f
1
) = M
1
B
E
,B
E
(f).
2.3 Exemples dans R
2
15
2.3 Exemples dans R
2
2.3.1 Matrice dune projection
Soit p : R
2
R
2
la projection sur une droite vectorielle G paralllement une droite vectorielle
F (voir Figure 2.1). On note :
B = (v
1
, v
2
) une base de R
2
avec v
1
G et v
2
F ;
u un vecteur de R
2
de coordonnes (x, y) dans B;
q(u) limage de u par la projection sur F paralllement G.
On a alors :
1. p(u) G et u p(u) = q(u) est dans F.
2. p + q = id
3. La matrice de p par rapport B est
M
B,B
(p) =
_
1 0
0 0
_
F
G
u
p(u)
q(u)
v
1
v
2
Fig. 2.1 Projection sur G paralllement F.
On remarque que M
B,B
(p) = M
B,B
(p)M
B,B
(p).
Dnition 2.5
Soit E un espace vectoriel. On appelle projecteur de E toute application linaire p : E E telle
que p = p p. On dit que p est la projection sur Im(p) paralllement ker(p).
2.3.2 Matrice dune symtrie
On peut dnir la symtrie s dans R
2
par rapport une droite vectorielle G paralllement une
droite vectorielle F par (voir Figure 2.2) :
s : R
2
R
2
u p(u) q(u)
o
p(u) est la projection sur G paralllement F ;
q(u) est la projection sur F paralllement G.
Proposition 2.7
Soit B = (v
1
, v
2
) une base de R
2
avec v
1
G et v
2
F. La symtrie par rapport G et paralllement
par F est :
s : (R
2
, B) (R
2
, B)
(x, y) (x, y).
On a de plus
M
B,B
(s) =
_
1 0
0 1
_
.
F
G
u
s(u)
p(u)
q(u)
q(u)
v
1
v
2
Fig. 2.2 Symtrie par rapport G paralllement F.
Preuve
Soit u un vecteur de R
2
, notons (x, y) ses coordonnes dans B. On a :
s(u) = p(u) q(u) = p(xv
1
+ yv
2
) q(xv
1
+ yv
2
)
= xp(v
1
) +yp(v
2
) xq(v
1
) yq(v
2
) = xp(v
1
) yq(v
2
) = xv
1
yv
2
.
Pour dterminer M
B,B
(s), il sut de calculer s(v
1
) et s(v
2
) :
s(v
1
) = p(v
1
) q(v
1
) = v
1
, s(v
2
) = p(v
2
) q(v
2
) = v
2
.
2.4 Changement de base 17
2.3.3 Matrice dune rotation
Soit [0, 2], (e
1
, e
2
) la base canonique de R
2
. La matrice de la rotation dangle dans la base
canonique est (voir Figure 2.3) :
M(r
) =
_
cos sin
sin cos
_
.
e
1
e
2
r
(e
1
)
r
(e
2
)
cos
cos
sin
sin
Fig. 2.3 Rotation dangle .
2.4 Changement de base
2.4.1 Pour un vecteur
Exemple 2.4 (simple)
On se place dans R
2
muni de sa base canonique B = (e
1
, e
2
), et on note B
= (f
1
, f
2
) une autre
base de R
2
telle que f
1
= 3e
1
+e
2
et f
2
= 5e
1
+ 2e
2
. Soit u un vecteur de coordonnes (x, y) dans
B, cherchons les coordonnes de u dans B
. On a :
_
f
1
= 3e
1
+ e
2
f
2
= 5e
1
+ 2e
2
_
e
1
= 2f
1
f
2
e
2
= 5f
1
+ 3f
2
.
Il vient
u = xe
1
+ ye
2
= x(2f
1
f
2
) +y(5f
1
+ 3f
2
) = (2x 5y)f
1
+ (x + 3y)f
2
ou encore on obtient les coordonnes de u dans B
par
_
2 5
1 3
__
x
y
_
.
On remarquera que la matrice
_
2 5
1 3
_
est la matrice de lapplication identit par rapport aux bases B et B
M
B,B
(id).
Cas gnral Soit u un vecteur de E dtermin dans la base B = (e
1
, . . . , e
n
) par ses coordonnes
(connues)
u = a
1
e
1
+ . . . + a
n
e
n
.
Etant donn une nouvelle base B
= (f
1
, . . . , f
n
), nous souhaitons trouver les nouvelles coordonnes
de u dans B
, dit autrement, nous cherchons b

1
, . . . , b
n
tels que
u = b
1
f
1
+ . . . + b
n
f
n
.
Pour exprimer u dans B
, il sut dexprimer chaque lment de la base B dans B
. B
tant une
base de E, on a :
_
_
e
1
= p
11
f
1
+ . . . + p
n1
f
n
.
.
.
.
.
.
e
n
= p
1n
f
1
+ . . . + p
nn
f
n
,
do
_
_
b
1
= p
11
a
1
+ . . . + p
1n
a
n
.
.
.
.
.
.
b
n
= p
n1
a
1
+ . . . + p
nn
a
n
.
On utilise gnralement une criture matricielle. Soit
M
B,B
(id) =
_
_
_
_
_
p
11
. . . . . . p
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
p
n1
. . . . . . p
nn
_
_
_
_
_
f
1
.
.
.
.
.
.
f
n
, u
B
=
_
_
_
_
_
a
1
.
.
.
.
.
.
a
n
_
_
_
_
_
, u
B
=
_
_
_
_
_
b
1
.
.
.
.
.
.
b
n
_
_
_
_
_
,
e
1
e
n
alors u
B
= M
B,B
(id)u
B
.
Proposition 2.8
Soit E un espace vectoriel de dimension nie muni de deux bases B
1
et B
2
. Etant donn u un
vecteur de E, on note u
B
1
(resp u
B
2
) le vecteur des coordonnes de u dans B
1
(resp B
2
). On a
alors :
u
B
1
= M
B
2
,B
1
(id)u
B
2
, u
B
2
= M
B
1
,B
2
(id)u
B
1
.
La matrice M
B
1
,B
2
(id) a pour colonnes les vecteurs de la base B
1
exprims dans la base B
2
.
Proposition 2.9
Les matrices M
B
1
,B
2
(id) et M
B
2
,B
1
(id) sont inverses lune de lautre, i.e.,
M
B
1
,B
2
(id)M
B
2
,B
1
(id) = id.
Exemple 2.5 (important)
Soit B
1
= (b
1
, b
2
, b
3
), B
2
= (f
1
, f
2
, f
3
) avec
_
_
_
b
1
= e
1
+ e
2
b
2
= e
1
2e
2
+ e
3
b
3
= 2e
2
+ e
3
_
_
_
f
1
= 3e
1
+ 2e
2
+ 2e
3
f
2
= 3e
2
e
3
f
3
= 2e
1
3e
2
.
Dterminer les matrices M
B
1
,B
2
(id) et M
B
2
,B
1
(id).
On a
M
B
1
,can
(id) =
_
_
1 1 0
1 2 2
0 1 1
_
_
, M
B
2
,can
(id) =
_
_
3 0 2
2 3 3
2 1 0
_
_
.
Grce au diagramme 2.4,
(R
3
, can)
(R
3
, B
1
)
(R
3
, B
2
)
id
M
can,B
2
(id)
id, M
can,B1
(id)
id, M
B1,B
2
(id)
Fig. 2.4 Changement de bases
on obtient
M
can,B
2
(id) = M
B
1
,B
2
(id)M
can,B
1
(id) M
B
1
,B
2
(id) = M
can,B
2
(id)M
B
1
,can
(id).
On a donc
M
B
1
,B
2
(id) =
_
_
3 0 2
2 3 3
2 1 0
_
_
1
_
_
1 1 0
1 2 2
0 1 1
_
_
=
_
_
5 7 2
10 15 5
7 11 3
_
_
et
M
B
2
,B
1
(id) = M
B
1
,B
2
(id)
1
=
_
_
2 0.2 1
1 0.2 1
1 1.2 1
_
_
.
2.4.2 Pour une matrice (ou une application linaire)
Un exemple Dans R
2
muni de la base canonique (e
1
, e
2
), posons u = (3, 1) et v = (5, 2). Les
vecteurs u et v forment une base B de R
2
. Considrons alors lapplication linaire de R
2
dans
lui-mme dnie par :
f(u) = 2u, f(v) = v.
Par rapport la base B, f a pour matrice une matrice diagonale :
M
B,B
(f) =
_
2 0
0 1
_
.
Dterminons maintenant la matrice de f par rapport la base canonique. Il est facile de voir que :
e
1
= 2u v et e
2
= 3v 5u. On en dduit :
_
f(e
1
) = 2f(u) f(v) = 4u + v = 17e
1
+ 6e
2
f(e
2
) = 3f(v) 5f(u) = 3v 10u = 45e
1
16e
2
.
La matrice de f par rapport la base canonique est donc :
M
can,can
(f) =
_
17 45
6 16
_
.
Il est vident que la base B est mieux adapte aux calculs sur lapplication f. Montrons le sur
deux exemples :
1. La matrice de f
5
dans la base B est facile calculer :
M
B,B
(f
5
) =
_
2
5
0
0 (1)
5
_
.
2. La matrice de f
1
dans la base B est :
M
B,B
(f
1
) =
_
0.5 0
0 1
_
.
Cas gnral On considre deux espaces vectoriels de dimension nie E et F, deux bases B et B
de E, deux bases ( et (
de F et une application linaire f : E F. Le diagramme commutatif

2.5
(E, B)
(E, B
)
(F, ()
(F, (
)
id
F
, M
C
,C
(id
F
)
1
id
E
, M
B
,B
(id
E
)
f, M
B,C
(f)
f, M
B
,C
(f)
Fig. 2.5 Changement de bases pour les applications linaires : cas gnral.
donne la formule de changement de base pour lapplication f :
M
B
,C
(f) = M
C
,C
(id
F
)
1
M
B,C
(f)M
B
,B
(id
E
).
Cas particulier : deux bases. Il arrive souvent que lon considre des applications linaires de
E dans E. Dans ce cas, on connat la reprsentation matricielle de f par rapport une base B et
on souhaite obtenir la reprsentation de f par rapport une nouvelle base B
. Dans ce cas l, le
diagramme commutatif 2.6 :
(E, B) (E, B)
(E, B
)
(E, B
)
id
E
, M
B
,B
(id
E
)
1
id
E
, M
B
,B
(id
E
)
f, M
B,B
(f)
f, M
B
,B
(f)
Fig. 2.6 Cas particulier : F = E.
donne
M
B
,B
(f) = M
B
,B
(id
E
)
1
M
B,B
(f)M
B
,B
(id
E
).
Corollaire 2.3 (Cas de R
n
)
Soit f une application linaire de R
n
dans R
n
. Soit B et B
deux bases de R
n
.
det
_
M
B,B
(f)
_
= det
B
,B
(f) = det(f) (le dterminant de la matrice associe f ne dpend pas
de la base choisie). Ce dterminant est appel dterminant de lapplication linaire f.
f est inversible si et seulement si det(f) ,= 0 (dans ce cas, f est bijective).
Application Les changements de base pour les applications linaires peuvent tre utiliss pour
calculer les puissances ou les inverses de matrice :
M
B,B
(f) = M
B
,B
(id
E
)M
B
,B
(f)M
B
,B
(id
E
)
1
=M
B,B
(f)
n
= M
B
,B
(id
E
)M
B
,B
(f)
n
M
B
,B
(id
E
)
1
.
Cette formule reste encore valable pour tout n Z quand f est inversible :
M
B,B
(f)
1
= M
B
,B
(id
E
)M
B
,B
(f)
1
M
B
,B
(id
E
)
1
.
Exemple 2.6
Appliquons les rsultats prcdents pour retrouver le changement de base de lexemple du dbut
de cette partie. On connat M
B,B
(f) et on cherche M
can,can
(f). On dduit du diagramme 2.7
(R
2
, B) (R
2
, B)
(R
2
, can)
(R
2
, can)
id, M
can,B
(id)
1
id, M
can,B
(id)
f, M
B,B
(f)
f, M
can,can
(f)
Fig. 2.7 Un exemple dans R
2
.
M
can,can
(f) = M
can,B
(id)
1
M
B,B
(f)M
can,B
(id).
On a
M
B,can
(id) =
_
3 5
1 2
_
=M
can,B
(id) =
_
3 5
1 2
_
1
=
_
2 5
1 3
_
.
Do
M
can,can
(f) =
_
3 5
1 2
__
2 0
0 1
__
2 5
1 3
_
=
_
17 45
6 16
_
.
Vocabulaire Soit E un espace vectoriel muni de deux bases B et B
. Les matrices M
B,B
(id
E
) et
M
B
,B
(id
E
) sont appeles matrices de passage. Les lettres P et Q sont souvent utilises pour noter
ces matrices.
ATTENTION : tant donn un vecteur u dans E, la matrice M
B,B
(id) permet de calculer les
coordonnes de u dans B
sachant ses coordonnes dans B :

u
B
= M
B,B
(id)u
B
.
Lusage est cependant dappeler cette matrice M
B,B
(id) matrice de passage de la base B
B.
Rappel : La matrice M
B,B
(id) a pour colonnes les vecteurs de la base B exprims dans la base B
et la matrice M
B
,B
(id) a pour colonnes les vecteurs de la base B
exprims dans la base B :

M
B,B
(id) =
_
_
_
_
_
. . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . . . . . . .
_
_
_
_
_
e
1
.
.
.
.
.
.
e
n
, M
B
,B
(id) =
_
_
_
_
_
. . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . . . . . . .
_
_
_
_
_
e
1
.
.
.
.
.
.
e
n
e
1
e
n
e
1
e
n
Dnition 2.6
2 matrices A
1
et A
2
sont semblables sil existe une matrice carr P inversible telle que A
1
=
P
1
A
2
P.
De manire quivalente, A
1
et A
2
sont semblables sil existe une application linaire f : E E
et des bases B
1
et B
2
de E telles que :
A
1
= M
B
1
,B
1
(f), A
2
= M
B
2
,B
2
(f).
La recherche dune base bien adapte au problme quon tudie est un thme important de lalgbre
linaire. Si les calculs sont eectus dans une base mal adapte au problme, ils peuvent rapidement
devenir complexes. Il est donc ncessaire de dvelopper des algorithmes permettant de se placer
dans des bases o les calculs sont simples.
Chapitre 3
Rduction dendomorphisme
Nous avons vu dans le chapitre prcdent que pour certaines applications linaires, il est possible de
trouver des bases dans lesquelles les reprsentations matricielles de ces applications soient simples.
Par exemple, pour u = (3, 1) et v = (5, 2), lapplication linaire de R
2
dans R
2
dnie par :
f(u) = 2u, f(v) = v
a pour reprsentation matricielle dans la base canonique :
M
can,can
(f) =
_
17 45
6 16
_
,
alors que dans la base B = (u, v), f est reprsente par une matrice diagonale :
M
B,B
(f) =
_
2 0
0 1
_
.
Problme : Comment trouver des bases dans lesquelles les reprsentations matricielle des endo-
morphismes (applications linaires de E dans E) sont diagonales ?
3.1 Valeurs propres et espaces propres
Soit E un espace vectoriel de dimension nie et f un endormorphisme de E. On cherche une base B
de E telle que la matrice M
B,B
(f) soit diagonale. Si B = (v
1
, . . . , v
n
), cela signie que f(v
i
) =
i
v
i
ou encore (f I)(v
i
) = 0, v
i
est donc un vecteur non nul de ker(f I) et f I nest pas
injective.
Exemple 3.1
Soit
A =
_
3 2
1 0
_
, u =
_
1
1
_
, v =
_
2
1
_
.
On a Au = (5, 1)
,= u et Av = (4, 2) = 2v. Existe-t-il dautres vecteurs w tels que Aw soit

colinaire w?
Dnition 3.1
1. Un vecteur propre dune matrice A est un vecteur non nul tel que : Av = v pour un
scalaire ;
26 Rduction dendomorphisme
2. Un scalaire est appel valeur propre dune matrice A lorsquil existe un vecteur v non
nul tel que Av = v.
Proposition 3.1
Soit f un endomorphisme de E, A (resp. A
) la reprsentation matricielle de f dans une base B

(resp. B
). Alors A et A
possdent les mmes valeurs propres et les mmes vecteurs propres. Ces
valeurs propres (resp. vecteurs propres) sont appeles valeurs propres (resp. vecteurs propres) de
lapplication linaire f.
Preuve
Soit v un vecteur propre de la matrice A associ la valeur propre . On note v
B
(resp. v
B
)
le vecteur des coordonnes de V dans B (resp B
). Soit P la matrice de passage de B B
:
P = M
B
,B
(f). Il sut de montrer A
v
B
= v
B
.
id, P
id, P
1
f, A
f, A
(E, B) (E, B)
(E, B
)
(E, B
)
Fig. 3.1 Matrice de passage.
On a A
= P
1
AP voir Figure 3.1 et aussi v
B
= P
1
v
B
. Donc
A
v
B
= P
1
APP
1
v
B
= P
1
Av
B
= P
1
v
B
= v
B
.
Il est facile de savoir si un vecteur v est vecteur propre dune matrice (il sut de faire le calcul).
Il est en revanche plus compliqu de savoir si un scalaire est une valeur propre. La proposition
suivante nous donne un moyen de pallier cette dicult.
Proposition 3.2
Un scalaire est une valeur propre de A si et seulement si lquation vectorielle (A I)u = 0
admet un vecteur non nul comme solution.
Thorme 3.1
Un scalaire est une valeur propre de A si et seulement si det(A I) = 0. Le polynme en ,
det(AI) est appel polynme caractristique de A (ou de lapplication linaire f associe A).
Ce thorme nous permet de dterminer les valeur propres dun endomorphisme f, il sut pour
cela de connatre sa reprsentation matricielle A par rapport une base quelconque. Les valeurs
propres de f sont alors les solutions de lquation det(A I) = 0.
3.2 Diagonalisation 27
Exemple 3.2
Soit f un endomorphisme de R
2
dont la reprsentation matricielle dans la base canonique est
A =
_
2 3
3 6
_
.
Pour trouver les valeurs propres de A on rsout :
2 3
3 6
= 0
2
+ 4 21 = 0 = 3 ou = 7.
Dnition 3.2 (sous-espace propre associ )
Si un scalaire est une valeur propre de A, le noyau ker(AI) est appel sous-espace propre
de A associ la valeur propre . Dit autrement, le sous-espace propre associ la valeur propre
est form par les vecteurs v de E tels que f(v) = v (f tant lapplication linaire associe la
matrice A).
Exemple 3.3
Dterminons les sous-espaces propres associs aux deux valeurs propres de lexemple prcdent.
Le sous-espace propre E
1
associ la valeur propre
1
= 3 est par dnition le sous espace
ker(f 3I) :
E
1
= ker(f 3I) = u = (x, y)
: Au = 3u .
On rsout le systme suivant pour dcrire dterminer E
1
:
_
2x + 3y = 3x
3x 6y = 3y

_
x + 3y = 0
3x 9y = 0
x = 3y.
Par suite
E
1
=
_
u = (x, y)
R
2
: x = 3y
_
=
_
y
_
3
1
_
: y R
_
= Vect(3e
1
+ e
2
).
Par un raisonnement analogue, on trouve :
E
2
= Vect(3e
1
+ e
2
).
On peut vrier que dans la base B = (3e
1
+ e
2
, 3e
1
+ e
2
), f a pour reprsentation matricielle
M
B,B
(f) =
_
3 0
0 7
_
.
3.2 Diagonalisation
3.2.1 Condition susante
Proposition 3.3
Soit A une matrice carre dordre n. Si le polynme caractristique de A admet n racines distinctes
2 2 alors A est diagonalisable.
Preuve
Soit
1
, . . . ,
n
les n racines distinctes du polynme caractristiques et v
1
, . . . , v
n
les n vecteurs
propres associs ces valeurs propres. Il sut de montrer que B = (v
1
, . . . , v
n
) est une base de
E. Montrons par rcurrence sur k que (v
1
, . . . , v
k
) est une famille libre de E. Cest clairement vrai
pour k = 1. Supposons que ce soit vrai pour un entier k, 1 k < n et montrons que (v
1
, . . . , v
k+1
)
est une famille libre de E. Soit
1
, . . . ,
k+1
tels que :
1
v
1
+ . . . +
k+1
v
k+1
= 0, (3.1)
on a, en prenant limage par f :
1
v
1
+ . . . +
k+1
k+1
v
k+1
= 0. (3.2)
La combinaison (3.2)
k+1
(3.1) scrit :
1
(
1
k+1
)v
1
+ . . . +
k
(
k

k+1
)v
k
= 0.
Par hypothse de rcurrence, chacun des coecients de cette combinaison linaire est nul et comme
les
k
sont deux deux distincts, cela implique
1
= . . .
k
= 0, ce qui report dans (3.1), donne
k+1
= 0. Par consquent B est une famille libre de n lments de E, cest donc une base de E.
En pratique. Pour diagonaliser f : E E dont le polynme caractristique de la matrice
carre A = M
B,B
(f) admet n racines distinctes, il faut :
1. Calculer le polynme caractristique en det(A I) ;
2. Trouver les n racines de ce polynme
1
, . . . ,
n
;
3. Dterminer un vecteur v
i
qui engendre lespace propre E
i
;
4. Lensemble des vecteurs v
i
forment une base B
= (v
1
, . . . , v
n
) de E et la matrice de f dans
cette base est
D = M
B
,B
(f) =
_
_
_
_
_
1
0 . . . 0
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
0 . . . 0
n
_
_
_
_
_
.
Question : si les n valeurs propres du polynme caractristique ne sont pas distinctes, peut-on
diagonaliser A?
3.2.2 Condition ncessaire et susante
Dnition 3.3
Soit
1
une racine dun polynme P(). Lordre de multiplicit de la racine
1
est gal au plus
grand entier r tel quil existe un polynme Q() tel que P() = (
1
)
r
Q().
Exemple 3.4
1. P(x) = x
2
+ 2x + 1 = (x + 1)
2
, -1 est racine dordre 2.
2. P(x) = x
3
+ x
2
2x + 12 = (x 2)
2
(x + 3), 2 est racine dordre 2, -3 est racine dordre 1.
Thorme 3.2
Soit A une matrice n n admettant p valeurs propres distinctes.
3.2 Diagonalisation 29
1. Pour 1 k p, la dimension de lespace propre associ
k
est infrieure ou gale lordre
de multiplicit de la valeur propre
k
.
2. La matrice A est diagonalisable si et seulement si la somme des dimensions des sous-espaces
propres est gale n.
Corollaire 3.1
Une matrice A est diagonalisable si et seulement si la dimension des espaces propres associs
chaque valeur propre
k
est gal lordre de multiplicit de
k
.
Exemple 3.5
Considrons lapplication linaire f : R
3
R
3
dnie dans la base canonique de R
3
par la matrice :
A =
_
_
0 1 1
1 2 1
1 1 0
_
_
Le polynme caractristique de A est :
1 1
1 2 1
1 1
= ( 1)
2
.
Lespace propre E
0
associ la valeur propre 0 est dni par v : A(v) = 0, il faut donc rsoudre
le systme :
_
_
_
y z = 0
x + 2y z = 0
x + y = 0
_
_
_
x = y
y = y
z = y
Donc
E
0
=
_
_
_
y
_
_
1
1
1
_
_
: y R
_
_
_
= Vect(e
1
+ e
2
+ e
3
).
Lespace propre E
1
associ la valeur propre 1 est dni par v : A(v) = v, il faut donc rsoudre
le systme :
_
_
_
y z = x
x + 2y z = y
x + y = z
x + y z = 0.
Lespace propre E
1
est de dimension 2, la matrice A est donc diagonalisable. Il reste trouver une
base de E
1
, par exemple v
2
= (1, 3, 2) et v
3
= (1, 2, 1) (on peut en choisir dautres). La matrice de
f par rapport la base B = (v
1
, v
2
, v
3
) est donc :
D = M
B,B
(f) =
_
_
0 0 0
0 1 0
0 0 1
_
_
.
On peut vrier que A = PDP
1
, D = P
1
AP o P est la matrice de passage de la base canonique
la base B :
P = M
B,can
(id) =
_
_
1 1 1
1 3 2
1 2 1
_
_
Exemple 3.6
Considrons maintenant lapplication linaire f : R
3
R
3
dnie dans la base canonique de R
3
par la matrice :
A =
_
_
1 2 3
2 5 7
1 3 4
_
_
Le polynme caractristique de A est encore (1)
2
. Lespace propre associ la valeur propre
1 est dni par les quations :
_
_
_
x + 2y 3z = x
2x + 5y 7z = y
x + 3y 4z = z
_
2y 3z = 0
2x + 4y 7z = 0

_
_
_
x =
1
3
y
y = y
z =
2
3
y
Par consquent E
1
= Vect(e1 + 3e
2
+ 2e
3
) est de dimension 1. La dimension de E
1
nest pas gale
lordre de multiplicit de la valeur propre 1 donc A nest pas diagonalisable.
3.3 Triangularisation
Question : Que faire quand on ne peut diagonaliser un endomorphisme f ?
Une rduction qui parat intressante est la rduction dune matrice la forme triangulaire. On a
le rsultat suivant.
Proposition 3.4
Soit E un K-espace vectoriel de dimension nie et f : E F un endomorphisme de E. Si toutes
les racines du polynme caractristique sont dans K, alors f est triangularisable.
Corollaire 3.2
Si K = C, tout endomorphisme de E est triangularisable
En pratique pour triangulariser un endomorphisme on procde de la manire suivante :
1. On calcule le polynme caractristique de f ;
2. On cherche les racines de ce polynme, i.e., les valeurs propres de f. Si toutes les racines
sont dans K on peut triangulariser.
3. On recherche les espaces propres associs chaque valeur propre.
4. On complte les vecteurs propres en une base de E.
5. On dtermine la matrice de f par rapport cette base.
6. On recommence la mthode sur la matrice dordre infrieur.
Exemple 3.7
Triangulariser la matrice
A = M
can,can
(f) =
_
_
2 1 0
0 1 1
0 2 4
_
_
.
Les valeurs propres sont
1
= 3 dordre 1 et
2
= 2 dordre 2. Les espaces propres sont
E
1
= Vect
_
_
1
1
2
_
_
, E
2
= Vect
_
_
1
0
0
_
_
.
3.3 Triangularisation 31
E
2
est de dimension 1 donc A nest pas diagonalisable. Nanmoins comme toutes les valeurs
propres sont dans R, elle est triangularisable dans R. On pose u
1
= e
1
+ e
2
2e
3
, u
2
= e
1
et on
complte la famille (u
1
, u
2
) en une base de R
3
en prenant u
3
= e
3
. Soit P la matrice de passage de
la base canonique B = (u
1
, u
2
, u
3
) :
P = M
B,can
(id) =
_
_
1 1 0
1 0 0
2 0 1
_
_
.
La matrice D = M
B,B
(f) est triangulaire. Pour la calculer, il sut de dterminer les coordonnes
de f(u
3
) = f(e
3
) = e
2
+ 4e
3
dans B, cest dire
P
1
_
_
0
2
4
_
_
=
_
_
1
1
2
_
_
.
On a donc trouver une base B par rapport laquelle la matrice D associe lapplication linaire
f est triangulaire,
D = M
B,B
(f) =
_
_
3 0 1
0 2 1
0 0 2
_
_
= P
1
AP.
Chapitre 4
Distance, norme, produit scalaire
4.1 Rappels
Considrons lespace R
2
muni de la base canonique. Soit x et y deux vecteurs de R
2
de coordonnes
(x
1
, x
2
)
et (y
1
, y
2
)
. La norme euclidienne de x et y est :

[[x[[ =
_
x
2
1
+ x
2
2
, [[y[[ =
_
y
2
1
+ y
2
2
et la distance euclidienne entre les vecteurs x et y vaut :
d(x, y) =
_
(x
1
y
1
)
2
+ (x
2
y
2
)
2
(4.1)
daprs Pythagore (voir Figure 4.1).
x
y
(y x)
x
1
y
1
x
2
y
2
Fig. 4.1 Norme dans R
2
.
Remarque
La distance euclidienne (4.1) est dnie partir des coordonnes du vecteur (y x) dans la base
euclidienne.
34 Distance, norme, produit scalaire
Dnition 4.1 (Distance)
Soit x, y et z trois vecteurs dun espace vectoriel E. Une distance est une application d : E R
qui vrie :
d(x, y) = d(y, x) (symtrie) ;
d(x, y) = 0 x = y ;
d(x, y) d(x, z) + d(z, y) (ingalit triangulaire).
Plaons nous maintenant dans R
2
muni dune base B
= (e
1
, e
2
) dnie par e
1
=
1
e
1
, e
2
est de
longueur
2
et langle entre e
1
et e
2
vaut (voir Figure 4.2).
e
1
e
2
e
1
e
Fig. 4.2 Distance euclidienne et changement de base.

La matrice de passage de can B est :
P = M
B,can
(id) =
_
1

2
cos
0
2
sin
_
Si on note (x
1
, x
2
) et (y
1
, y
2
) les coordonnes de deux vecteurs x et y dans B, alors les coordonnes
de x y dans la base canonique sont :
_
1

2
cos
0
2
sin
__
x
1
y
1
x
2
y
2
_
=
_
(x
1
y
1
)
1
+ (x
2
y
2
)
2
cos
(x
2
y
2
)
2
sin
_
.
La distance euclidienne entre x et y est donc :
d(x, y) =
_
(x
1
y
1
)
2
2
1
+ (x
2
y
2
)
2
2
2
+ 2(x
1
y
1
)(x
2
y
2
)
1
2
cos . (4.2)
Remarque
Pour calculer une distance euclidienne dans R
2
muni dune base B, il sut de connatre la
longueur des lments de la base ainsi que langle entre ces lments. On applique ensuite la
formule (4.2).
La distance euclidienne entre x et y se rcrit matriciellement comme suit :
d
2
(x, y) =
_
x
1
y
1
x
2
y
2
_
_

2
1

1
2
cos
2
cos
2
2
__
x
1
y
1
x
2
y
2
_
.
4.2 Produit scalaire 35
4.2 Produit scalaire
4.2.1 Dnition
Etant donn deux vecteurs x et y de R
2
de coordonnes (x
1
, y
1
) et (x
2
, y
2
) dans la base canonique
le produit scalaire est dni par
< x, y >= x
1
y
1
+ x
2
y
2
.
Remarque
Le produit scalaire < x, y > dpend du choix de la base ;
x et y sont orthogonaux si et seulement si leur produit scalaire est nul. Le produit scalaire vrie
les proprits suivantes :
1. < x, y >=< y, x > (symtrique) ;
2. < x + x
, y >=< x, y > + < x
, y > et < x, y >= < x, y >. On a donc par symtrie :

< x, y + y
>=< x, y > + < x, y
> et < x, y >= < x, y >.

Nous allons maintenant gnraliser la notion de produit scalaire des espaces vectoriels.
Dnition 4.2
Soit E un R-espace vectoriel. On appelle produit scalaire sur E une forme bilinaire symtrique
dnie positive : E E R :
1. bilinaire : u, u
, v, v
E et R :
(u + u
, v) = (u, v) + (u
, v) ;
(u, v + v
) = (u, v) + (u, v
) ;
(u, v) = (u, v) = (u, v).
2. symtrie : u, v E, (u, v) = (v, u).
3. dnie : u E : (u, u) = 0 u = 0.
4. positive : u E : (u, u) 0.
Un R-espace vectoriel muni dun produit scalaire est dit espace euclidien sil est de dimension nie,
espace prhilbertien sinon.
Exemple 4.1
1. Lexemple de base est celui de R
n
muni de sa base canonique. On dnit un produit scalaire
en posant, pour x = (x
1
, . . . , x
n
), y = (y
1
, . . . , y
n
) :
< x, y >=
n
i=1
x
i
y
i
.
2. Soit I = [a, b] un intervalle ferm born de R et E = Cont(I, R) lespace des fonctions
continues de I dans R. On dnit un produit scalaire sur E en posant :
< f, g >=
_
b
a
f(t)g(t)dt.
On notera que lespace vectoriel E est ici de dimension innie.
Application 1 : projection orthogonale dun vecteur sur un axe. Soit u et v deux vecteurs
non nuls de E. La projection orthogonale de v sur u est de la forme u (voir Figure 4.3), il faut
trouver .
v
u
v
= u
Fig. 4.3 Projection orthogonale sur un axe.

On a par construction < u, v u >= 0. Il vient
< u, v > < u, u >= 0 =
< u, v >
< u, u >
=
< u, v >
[[u[[
2
.
Application 2 : cosinus dun angle. Soit u et v deux vecteurs non nuls de E. Considrons la
projection orthogonale v
= u de v sur u. Langle non orient que forment u et v est un angle

compris entre 0 et , son cosinus est
||u||
||v||
, soit :
cos =
< u, v >
[[u[[ [[v[[
.
Dnition 4.3
Soit E un espace vectoriel de dimension n et : E E R une forme bilinaire symtrique
dnie positive. Alors
(u, v) est le produit scalaire entre u et v ;
[[u[[ =
_
(u, u) est la norme euclidienne du vecteur u;
d(u, v) = [[u v[[ est la distance euclidienne entre u et v ;
(u, v) = 0 u est -orthogonal v u
v.
Remarque
Toutes les normes ne sont pas euclidiennes : d(x, y) = max[x
i
y
i
[, i = 1, . . . , n, d(x, y) =
n
i=1
[x
i
y
i
[.
4.2.2 Ecriture matricielle du produit scalaire
Considrons deux vecteurs u et v de E ainsi que B = (e
1
, . . . , e
n
) une base de E : u =
n
i=1
u
i
e
i
,
v =
n
i=1
v
i
e
i
. Le produit scalaire entre u et v sexprime en fonction des produits scalaire (e
i
, e
j
)
des vecteurs de base grce la bilinarit :
(u, v) =
_
n
i=1
u
i
e
i
,
n
i=1
v
i
e
i
_
=
n
i=1
n
j=1
u
i
v
j
(e
i
, e
j
)
Ceci peut se r-crire sous forme matricielle :
(u, v) =
_
u
1
. . . u
n
_
_
_
_
(e
1
, e
1
) . . . (e
1
, e
n
)
.
.
.
.
.
.
(e
n
, e
1
) . . . (e
n
, e
n
)
_
_
_
_
_
_
v
1
.
.
.
v
n
_
_
_
= U
MV.
La matrice M ci-dessus est appele matrice du produit scalaire dans la base B. Cest une ma-
trice carre symtrique. Pour calculer le produit scalaire entre deux vecteurs, il sut de connatre
M.
Exemple 4.2
Dans R
n
muni de la base canonique le produit scalaire < u, v >=
n
i=1
u
i
v
i
a pour reprsentation
I
n
.
On remarque que le produit scalaire (u, v) scrit :
(u, v) =
n
i=1
u
i
v
i
(e
i
, e
i
) +
1i<jn
(u
i
v
j
+ u
j
v
i
)(e
i
, e
j
), (par symtrie)
et donc
(u, u) =
n
i=1
u
2
i
(e
i
, e
i
) + 2
1i<jn
u
i
u
j
(e
i
, e
j
) =
n
i=1
u
2
i
a
ii
+ 2
1i<jn
u
i
u
j
a
ij
,
avec a
ij
= (e
i
, e
j
).
Dnition 4.4
Soit : E E R une forme bilinaire symtrique. Lapplication q : E R dnie par
q(u) = (u, u) est appele forme quadratique associe .
4.2.3 Comment reconnatre un produit scalaire ?
Nous allons exposer une mthode pour reconnatre si une application : E E R est un
produit scalaire. On commence par vrier que est une forme bilinaire symtrique (ce qui est
en gnral facile). La dicult est de savoir si est dnie positive. Pour se faire, on tudie la
forme quadratique associe :
q : E R
u
n
i=1
u
2
i
a
ii
+ 2
1i<jn
u
i
u
j
a
ij
Exemple 4.3
Prenons dabord quelques exemples de forme dnies sur R
3
. Si u a pour coordonnes (x, y, z)
dans la base canonique, on a (u, u) = ax
2
+ by
2
+ cz
2
+ 2dxy + 2exz + 2fyz avec a, b, c, d, e, f
rels.
1. Si q(u) = x
2
+ 3y
2
+ 5z
2
, il est clair que est dnie positive.
2. Si q(u) = x
2
3y
2
+ 5z
2
, la forme nest pas dnie positive : pour u = (0, 1, 0) on a
(u, u) < 0.
3. Si q(u) = x
2
+ 3y
2
, nest pas dnie positive : pour u = (0, 0, 1), on a (u, u) = 0.
4. Si q(u) = 3xy+xz, la forme nest pas dnie positive : pour u = (1, 1, 0), on a (u, u) < 0.
Dans des cas plus complexes (par exemple lorsque la dimension de E est leve), on utilise la
mthode de Gauss pour tudier si une forme bilinaire symtrique est dnie positive.
Mthode de Gauss.
Etape 1 : On examine tous les a
ii
et on vrie quils sont tous strictement positifs
Etape 2 : On transforme q(u) en considrant dabord tous les termes o u
1
apparat. Pour ces
termes, on met a
11
en facteur et on obtient
q(u) = a
11
(f
1
(u))
2
+
1
(u, u)
avec
f
1
(u) = u
1
+
n
i=1
a
1i
a
11
u
i
.
1
(u, u) est une forme quadratique o u
1
napparat pas. On applique la mme mthode avec
les termes en u
2
. On itre jusqu ce quil ne reste aucun terme.
Etape 3 : On obtient nalement une dcomposition
q(u) =
1
(f
1
(u))
2
+
2
(f
2
(u))
2
+ . . . +
p
(f
p
(u))
2
,
avec f
1
(u) = u
1
+. . ., f
2
(u) = u
2
+. . ., etc... (On crit q(u) comme une combinaison linaire
de p fonctions f
p
(u)
2
.)
Etape 4 : Conclusion :
1. Si p = n et si, pour 1 i n, on a
i
> 0, alors est dnie positive car q(u) = 0
quivaut un systme triangulaire de n quations :
_
_
f
1
(u) = 0
.
.
.
f
n
(u) = 0
qui admet u = 0 comme seule solution.
2. Si p < n le systme prcdent est de rang infrieur n et admet des solutions non
nulles, donc nest pas un produit scalaire.
3. Si p = n et sil existe i tel que
i
< 0, il existe un vecteur u solution des quations
f
j
(u) = 0, j ,= i et tel que f
i
(u) ,= 0. On a (u, u) < 0 et nest donc pas un produit
scalaire.
Exemple 4.4
La forme (u, u) = 2x
2
+ y
2
+ 2z
2
4xy 2yz + 4xz est-elle dnie positive ?
On utilise la mthode de Gauss :
(u, u) = 2x
2
+ y
2
+ 2z
2
4xy 2yz + 4xz
= 2(x
2
2xy + 2xz) + y
2
+ 2z
2
2yz
= 2(x y + z)
2
2y
2
2z
2
+ y
2
+ 2z
2
2yz
= 2(x y + z)
2
y
2
+ 2yz
= 2(x y + z)
2
(y + z)
2
+ z
2
.
Un des
i
est ngatif donc nest pas dnie positive (il sut de prendre u = (1, 1, 0), (u, u) =
1).
4.2.4 Produit scalaire et changement de base
On considre E un espace vectoriel de dimension n, B
1
= (e
1
, . . . , e
n
) et B
2
= (f
1
, . . . , f
n
) deux
bases de E. Soit u et v deux vecteurs de E. On note
u
i
et v
i
les coordonnes de u et v dans B
i
(i = 1, 2) ;

1
et
2
les matrices dun produit scalaire dans les bases B
1
et B
2
.
M
B
1
,B
2
(id) la matrice de passage de B
2
B
1
;
M
B
2
,B
1
(id) la matrice de passage de B
1
B
2
.
La question est ici de savoir comment passer de
1
et
2
(et rciproquement).
On rappelle que u
1
= M
B
2
,B
1
(id)u
2
et u
2
= M
B
1
,B
2
(id)u
1
. On a
(u, v) = u
1
v
1
= (M
B
2
,B
1
(id)u
2
)
1
(M
B
2
,B
1
(id)v
2
) = u
2
M
B
2
,B
1
(id)
1
M
B
2
,B
1
(id)v
2
= u
2
v
2
,
do
2
= M
B
2
,B
1
(id)
1
M
B
2
,B
1
(id).
Attention : il ne faut pas confondre matrice associe un produit scalaire et matrice associe
une application linaire !
Exemple 4.5
Soit A une matrice symtrique dnie par :
A =
_
9 13
13 19
_
.
et B la base de R
2
forme par les vecteurs
_
f
1
= 3e
1
2e
2
f
2
= e
1
+ e
2
.
On note
P = M
B,can
(id) =
_
3 1
2 1
_
, P
1
=
_
1 1
2 3
_
.
1. Soit f lapplication linaire ayant pour reprsentation matricielle A par rapport la base
canonique. On a
M
B,B
(f) = P
1
AP =
_
2 10
5 26
_
.
2. A est une matrice symtrique (dnie positive). Soit le produit scalaire associ la matrice
A par rapport la base canonique. On note

A la matrice de par rapport B, on a
A = P
AP =
_
1 0
0 2
_
.
et f nont clairement pas la mme reprsentation par rapport la base B.
4.3 Norme et angle
Nous allons gnraliser ici les notions de norme et dangle aux espaces euclidiens.
Dnition 4.5 (norme dun vecteur)
Dans un espace vectoriel muni dun produit scalaire, on appelle norme de u le scalaire [[u[[ =<
u, u >
1/2
.
Exemple 4.6
Dans R
n
, si u = (u
1
, . . . , u
n
), on a :
[[u[[ =
_
n
i=i
u
2
i
_
1/2
.
Dans E = Cont(I, R) la norme de f : I R est :
[[f[[ =
__
I
f(t)
2
dt
_
1/2
.
Proposition 4.1 (Ingalit de Cauchy-Schwartz)
1. Pour tous u et v de E on a :
< u, v >
2
[[u[[
2
[[v[[
2
ou encore [ < u, v > [ [[u[[ [[v[[.
2. Cas dgalit : pour tous u et v de E, < u, v >
2
= [[u[[
2
[[v[[
2
si et seulement si u et v sont
colinaires.
Preuve
Lingalit et le cas dgalit sont vidents pour u = 0. Supposons u ,= 0.
1. Pour tout rel on a :
0 [[v + u[[
2
=< v + u, v + u >= [[v[[
2
+ 2 < v, u > +
2
[[u[[
2
.
Le trinme en est positif ou nul pour toutes les valeurs de , il a donc au plus une seule
racine relle. Son discriminant est par consquent ngatif ou nul (ce qui donne lingalit).
2. Notons v
la projection orthogonale de v sur u. Il sut de montrer que v
= v. On a vu que
v
=
< v, u >
< u, u >
u, donc :
[[v v
[[
2
=< v
< v, u >
< u, u >
u, v
< v, u >
< u, u >
u >= [[v[[
2
< v, u >
2
[[u[[
2
= 0.
Par consquent v v
= 0 et v est colinaire u.
4.3 Norme et angle 41
Proposition 4.2 (Proprits de la norme)
Soit u et v deux vecteurs dun espace vectoriel E et un rel.
1. [[u[[ 0 ;
2. [[u[[ = 0 u = 0 ;
3. [[u[[ = [[ [[u[[ ;
4. Ingalit triangulaire :
[[u + v[[ [[u[[ +[[v[[;
5. Cas dgalit de lingalit triangulaire : si [[u + v[[ = [[u[[ + [[v[[, il existe > 0 tel que
u = v ou v = u;
6. Relation entre norme et produit scalaire :
2 < u, v >= [[u + v[[
2
[[u[[
2
[[v[[
2
. (4.3)
Preuve
Le seul point dlicat est lingalit triangulaire qui se dmontre partir de lingalit de Cauchy-
Schwartz :
[[u + v[[
2
=[[u[[
2
+ 2 < u, v > +[[v[[
2
< u, u > +2[ < u, v > [+ < v, v >
[[u[[
2
+ 2[[u[[ [[v[[ +[[v[[
2
= ([[u[[ +[[v[[)
2
.
Lgalit a lieu si on est dans le cas dgalit de Cauchy-Schwartz et si < u, v >= [ < u, v > [, do
le rsultat.
On dduit de (4.3) le thorme de Pythagore.
Thorme 4.1
Dans un espace muni dun produit scalaire, deux vecteurs u et v sont orthogonaux si et seulement
si :
[[u + v[[
2
= [[u[[
2
+[[v[[
2
.
Dnition 4.6 (angle de deux vecteurs)
Dans un espace muni dun produit scalaire, on dnit langle (non orient) de deux vecteurs u et
v non nuls comme le rel de [0, ] tel que :
cos =
< u, v >
[[u[[ [[v[[
ce qui est possible car ce rapport est dans [1, 1] daprs Cauchy-Schwartz.
Quand les deux vecteurs sont orthogonaux, leur produit scalaire (et donc leur cosinus) est nul :
leur angle est donc /2. La rciproque est immdiate.
4.4 Orthogonalit
4.4.1 Dnitions
Dnition 4.7
Deux vecteurs u et v dun espace euclidien E sont orthogonaux si et seulement si < u, v >= 0.
Dnition 4.8 (Famille orthogonale)
Dans un espace vectoriel E muni dun produit scalaire, une famille (e
1
, . . . , e
k
) est dite orthogonale
si < e
i
, e
j
>= 0 pour tous i, j avec 1 i, j k et i ,= j.
Proposition 4.3
Dans un espace vectoriel muni dun produit scalaire, une famille orthogonale (e
1
, . . . , e
k
) sans
vecteur nul est une famille libre.
Preuve
Supposons quon ait
1
e
1
+ . . . +
k
e
k
= 0. Pour tout i tel que 1 i k on a :
<
1
e
1
+ . . . +
k
e
k
, e
i
>=
i
[[e
i
[[
2
= 0 =
i
= 0.
Dnition 4.9 (bases orthogonales et orthonormes)
Dans un espace euclidien E de dimension n, une base B = (e
1
, . . . , e
n
) est dite :
orthogonale si < e
i
, e
j
>= 0 pour tous i, j avec 1 i, j n et i ,= j ;
orthonorme si elle est orthogonale et si [[e
i
[[ = 1 pour tout i = 1, . . . , n.
Si B = (e
1
, . . . , e
n
) est une base orthogonale, la base
_
e
1
[[e
1
[[
, . . . ,
e
n
[[e
n
[[
_
est orthonorme.
Calculs dans une base orthonorme Soit E un espace euclidien de dimension n, B =
(e
1
, . . . , e
n
) une base orthonorme de E, u =
n
i=1
u
i
e
i
et v =
n
i=1
v
i
e
i
deux vecteurs de E
et U et V les matrices colonnes associes. Alors
u
i
=< u, e
i
> pour tout i = 1, . . . , n;
[[u[[ = (
n
i=1
u
2
i
)
1/2
;
< u, v >=
n
i=1
u
i
v
i
;
La matrice du produit scalaire est I
n
et < u, v >= U
V = V
U.
Les calculs de norme, de produit scalaire seectuent de manire trs simple dans des base ortho-
normes.
4.4.2 Construction de bases orthogonales : procd dorthogonalisation
de Gram-Schmidt
Soit E un espace vectoriel euclidien de dimension n et B = (e
1
, . . . , e
n
) une base. Le procd
dorthogonalisation permet de construire partir de B une base orthogonale ( = (
1
, . . . ,
n
) telle
que
Vect(e
1
, . . . , e
i
) = Vect(
1
, . . . ,
i
) pour i = 1, . . . , n.
Une telle base ( se construit par rcurrence.
1. On pose dabord
1
= e
1
.
4.4 Orthogonalit 43
2. On construit
2
dans Vect(e
1
, e
2
) sous la forme e
2
+
1
en dterminant pour que
2
soit
orthogonal
1
. On doit avoir <
2
,
1
>= 0, ce qui donne (voir Figure 4.4) :
< e
2
+
1
,
1
>= 0 = =
< e
2
,
1
>
[[
1
[[
2
.
1
= e
1
e
2
2
= e
2
+ e
1
Fig. 4.4 Orthogonalisation de e
2
.
3. Supposons la famille construite jusquau rang i. On cherche
i+1
sous la forme
i+1
= e
i+1
+
i
k=1
k
. Pour 1 k i, la condition dorthogonalit de
i+1
et de
k
donne
<
i+1
,
k
>=< e
i+1
+
i
j=1
j
,
k
>=< e
i+1
,
k
> +
k
<
k
,
k
>= 0,
do
k
=
< e
i+1
,
k
>
[[
k
[[
2
.
On dtermine alors
i+1
.
4. Rcapitulatif :
_
1
= e
1
2
= e
2
< e
2
,
1
>
[[
1
[[
2

1
3
= e
3
< e
3
,
1
>
[[
1
[[
2

1
< e
3
,
2
>
[[
2
[[
2

2
.
.
.
.
.
.
n
= e
n
< e
n
,
1
>
[[
1
[[
2

1
< e
n
,
2
>
[[
2
[[
2

2
. . .
< e
n
,
n1
>
[[
n1
[[
2

n1
Pour obtenir une base orthonorme, il sut de diviser chaque
i
par sa norme.
Exemple 4.7
Soit B = (e
1
, e
2
, e
3
) la base de R
3
dnie par
e
1
=
_
_
1
3
2
_
_
, e
2
=
_
_
1
0
1
_
_
, e
3
=
_
_
1
2
0
_
_
.
Orthogonaliser B laide du procd de Gram-Schmidt.
On pose
1
= e
1
. Calculons
2
= e
2
< e
2
,
1
>
[[
1
[[
2

1
:
< e
2
,
1
>=< e
2
, e
1
>= 3, [[
1
[[
2
=<
1
,
1
>= 14.
Donc
2
= e
2
3
14
1
=
_
_
1
0
1
_
_
3
14
_
_
1
3
2
_
_
=
1
14
_
_
11
9
8
_
_
.
On vrie <
1
,
2
>= 11 27 + 16 = 0.
Calculons
3
= e
3
< e
3
,
1
>
[[
1
[[
2

1
< e
3
,
2
>
[[
2
[[
2

2
:
_
_
< e
3
,
1
>= 7, [[
1
[[
2
= 14
< e
3
,
2
>=
7
14
, [[
2
[[
2
=
19
14
.
Do
3
=
_
_
1
2
0
_
_
7
14
_
_
1
3
2
_
_
+
7
19
1
14
_
_
11
9
8
_
_
=
1
38
_
_
_
_
38
76
0
_
_
_
_
19
57
38
_
_
+
_
_
11
9
8
_
_
_
_
=
1
38
_
_
30
10
30
_
_
.
On peut vrier que
<
3
,
1
>= 0 et <
3
,
2
>= 0.
La base (
1
,
2
,
3
) est orthogonale. On obtient une base orthonorme en divisant par la norme des
vecteurs :

1
=

1
[[
1
[[
=
1
14
_
_
1
3
2
_
_
,
2
=
_
14
19
1
14
_
_
11
9
8
_
_
=
_
1
266
_
_
11
9
8
_
_
,
3
=
_
1
1900
_
_
30
10
30
_
_
.
Dnition 4.10 (Sous-espaces orthogonaux)
Un vecteur u dun espace euclidien E est orthogonal un sous-espace F de E si et seulement si
il est orthogonal tout vecteur de F. Lensemble de tous les vecteurs orthogonaux F est appel
complment orthogonal de F (ou orthogonal de F) et est not F
:
F
= u E : u ww F.
Il est facile de vrier que F
est un sous espace vectoriel de E.

4.5 Projection orthogonale 45
Proposition 4.4
Soit E un espace vectoriel euclidien et F un sous-espace vectoriel de E. On a :
1. E = F F
(tout lment u de E scrit u = v + w avec v F et w F
et cette
dcomposition est unique) ;
2. dim(F) + dim(F
) = dim(E) ;
3. Si G est un sous espace vectoriel et si G F alors F
;
4. (F
= F.
Preuve
1. Soit (e
1
, . . . , e
k
) une base de F, on la complte pour obtenir une base (e
1
, . . . , e
k
, . . . , e
n
) de
E. On applique le procd de Gram-Schmidt pour obtenir une nouvelle base de E (
1
, . . . ,
n
)
telle que (
1
, . . . ,
k
) soit une base orthogonale de F.
Il sut de montrer que F
= Vect(
k+1
, . . . ,
n
). Soit u Vect(
k+1
, . . . ,
n
), u scrit
k+1
k+1
+. . . +
n
n
. Soit w un vecteur de F, w =
1
1
+. . . +
k
k
, comme (
1
, . . . ,
n
est
une base orthogonale, < u, w >= 0 et donc u F
.
Soit maintenant u =
n
i=1
u
i
i
F
, clairement < u,
i
>= 0 pour 1 i k, donc
u =
n
i=k+1
u
i
i
, par consquent F
Vect(
k+1
, . . . ,
n
). On dduit F
= Vect(
k+1
, . . . ,
n
)
et donc E = F F
.
2. cest une consquence directe du point prcdent.
3. Soit u T
, u est orthogonal tous les vecteurs de F et donc tous les vecteurs de G

puisque G F, donc u G
.
4. On a
dim(F) + dim(F
) = dim(E) = dim(F
) + dim
_
(F
_
,
donc dim
_
(F
_
= dim(F). Soit u F, u est par dnition orthogonal F
donc u
_
(F
_
, do le rsultat.
4.5 Projection orthogonale
Dnition 4.11
Soit E un espace vectoriel euclidien et F un sous-espace vectoriel de E.
On appelle projection orthogonale sur F la projection
F
: E E sur F paralllement F
.
Pour tout vecteur u de E,
F
(u) est appel projet orthogonal de u sur F.
Pour tout vecteur u de E,
F
(u) F et u
F
(u) F
(voir Figure 4.5).

F
u
u
F
(u)
F
F
(u)
F
(u)
Fig. 4.5 Projection orthogonale sur F.
On remarquera que id
F
est la projection sur F
paralllement F. Le thorme de Pythagore

nous donne
[[u[[
2
= [[
F
(u)[[
2
+[[u
F
(u)[[
2
,
par consquent [[
F
(u)[[
2
[[u[[
2
. Lgalit a lieu si et seulement si [[u
F
(u)[[
2
= 0 donc si
F
(u) = u donc si u F.
Proposition 4.5
Pour tous u et v de E, on a <
F
(u), v >=< u,
F
(v) >.
Preuve
Dcomposons u et v dans la somme directe E = F F
: u = u
1
+u
2
, v = v
1
+v
2
avec u
1
, v
1
F
et u
2
, v
2
F
. On a par construction
F
(u) = u
1
et
F
(v) = v
1
. Donc
<
F
(u), v >===< u, v
1
>=< u,
F
(v) > .
Proposition 4.6 (Projection sur une droite)
Soit F la droite vectorielle engendre par un vecteur u non nul. Alors
F
(v) =
< v, u >
< u, u >
u.
Preuve
F
(v) est de la forme u. En remarquant que < v
F
(v), u >= 0, on obtient le rsultat.
Matrice de la projection sur un sous-espace. Soient E un espace euclidien de dimension nie
n et F un sous-espace vectoriel de E de dimension k. Choisissons une base orthogonale (e
1
, . . . , e
k
)
de F et compltons-la en une base orthogonale B = (e
1
, . . . , e
n
) de E. On a par construction
F
(e
i
) = e
i
si 1 i k et
F
(e
i
) = 0 si k + 1 i n.
On dduit que
M
B,B
(F) =
_
I
k
0
0 0
_
.
4.5 Projection orthogonale 47
Distance un sous-espace. Soit E un espace euclidien de dimension nie n et F un sous-espace
vectoriel de E de dimension k. On dnit la distance dun vecteur u de E F par :
d(u, F) = [[u
F
(u)[[.
Proposition 4.7
Pour tout v de F, on a [[u v[[ d(u, F), lgalit ayant lieu que si v =
F
(u).
Preuve
On a u v = u
F
(u) +
F
(u) v. Comme u
F
(u) F
on a (u
F
(u)) (
F
(u) v). En
appliquant Pythagore, on obtient :
[[u v[[
2
= [[u
F
(u)[[
2
+[[
F
(u) v[[
2
.
Gomtriquement, cette proposition signie que quand on sloigne dans F du pied de la perpendi-
culaire abaisse de u sur F, on augmente la distance. On peut considrer cette proposition comme
un rsultat dapproximation : llment de F le plus proche de u est le projet orthogonal de u sur
F.
Exemple 4.8 (Application la mthode des moindres carrs)
Dans de nombreuses situations, nous sommes amener rechercher des relations de la forme y =
ax + b entre deux variables x et y. On dispose de couples de valeurs (x
1
, y
1
), . . . , (x
n
, y
n
) qui
conduisent gnralement un systme dquations ax
i
+ b = y
i
, 1 i n incompatibles. On
recherche donc a et b qui satisfassent au mieux ces quations. Une premire ide consisterait
minimiser la somme des carts
n
i=1
[y
i
(ax
i
+ b)[,
ce qui en pratique ne conduit pas des calculs faciles. On prfre souvent minimiser la somme des
carrs des carts :
n
i=1
(y
i
(ax
i
+ b))
2
.
Posons u = (x
1
, . . . , x
n
)
, v = (y
1
, . . . , y
n
)
; w = (1, . . . , 1)
, nous cherchons un vecteur de R

n
de la
forme au+bw qui soit le plus proche de v au sens de la norme euclidienne. Nous cherchons donc
minimiser la distance entre v et F = Vect(u, w), le minimum est atteint lorsque au +bw =
F
(v).
Chapitre 5
Transformations orthogonales et matrices
symtriques
5.1 Transformations orthogonales
5.1.1 Dnition
Nous nous intressons dans cette partie aux applications qui conservent le produit scalaire.
Proposition 5.1
Soient E et E
deux espaces euclidiens. Soit f : E E
une application linaire. Les conditions

suivantes sont quivalentes :
1. f conserve les produits scalaires, cest dire que pour tous u et v de E, on a < f(u), f(v) >=<
u, v >;
2. f conserve les normes, cest dire que pour tout u de E on a |f(u)| = |u| .
Une application linaire qui vrie une de ces deux conditions est appele application (ou transfor-
mation) orthogonale.
Preuve
Si la premire condition est vrie, on a :
|f(u)|
2
=< f(u), f(u) >=< u, u >= |u|
2
.
Si la seconde condition est vrie, alors
2 < f(u), f(v) >= |f(u) + f(v)|
2
|f(u)|
2
|f(v)|
2
= |u + v|
2
|u|
2
|v|
2
= 2 < u, v > .
Proposition 5.2 (Matrices des transformations orthogonales)
Soit E une espace vectoriel, B = (e
1
, . . . , e
n
) une base orthonorme de E et f : E E une
application linaire. On pose A = M
B,B
(f).
1. Si f est une transformation orthogonale, la matrice A :
est inversible ;
vrie A
A = AA
= I, autrement dit A
1
= A
;
est telle que det(A) = 1 ou 1.
2. Si A vrie A
A = AA
= I, autrement dit si A
1
= A
, alors f est une transformation

orthogonale.
50 Transformations orthogonales et matrices symtriques
Une matrice A qui vrie une de ces deux conditions est appele matrice orthogonale.
Preuve
1. Soit f une transformation orthogonale, alors
ker f = u E : f(u) = 0 = u E : |f(u)| = 0 = u E : |u| = 0 = 0
donc f est injective et donc bijective. A est donc inversible. Soit u et v deux vecteurs de E
de coordonnes U et V dans B. Comme < f(u), f(v) >=< u, v > on a
(AU)
AV = U
AV = U
V,
do A
A = I et par consquent (det(A))

2
= 1.
2. De mme, pour deux vecteurs u et v dans E on a :
< f(u), f(v) >= (AU)
AV = U
AV = U
V =< u, v > .
5.1.2 Comment reconnatre une matrice orthogonale ?
Proposition 5.3
Soit E un espace euclidien, B = (e
1
, . . . , e
n
) une base orthonorme de E, f : E E une application
linaire et A = M
B,B
(f) la matrice de f par rapport B. Alors :
1. f est une transformation orthogonale si et seulement si (f(e
1
), . . . , f(e
n
)) est une base or-
thonorme de E.
2. A est une matrice orthogonale si et seulement si :
le produit scalaire entre les vecteurs colonnes de A est nul ;
les vecteurs colonnes de A sont de normes 1.
Preuve
Il est vident que 1 et 2 sont quivalents. Montrons 1.
Soit f une transformation orthogonale. Alors i = 1, . . . , n, |f(e
i
)| = |e
i
| = 1 et i ,= j
< f(e
i
), f(e
j
) >=< e
i
, e
j
>= 0.
Soit u =
n
i=1
u
i
e
i
et v =
n
i=1
v
i
e
i
deux vecteurs de E. On a
< f(u), f(v) > =
_
f
_
n
i=1
u
i
e
i
_
, f
_
n
i=1
v
i
e
i
__
=
1i,jn
u
i
v
j
< f(e
i
), f(e
j
) >
=
1i,jn
u
i
v
j
=< u, v > .
Corollaire 5.1
1
, . . . , e
n
) et B
= (e
1
, . . . , e
n
) deux bases orthonormes de E.
La matrice de passage P = M
B
,B
(id) est une matrice orthogonale.
Dnition 5.1
Une matrice A est dite orthogonalement diagonalisable sil existe une matrice orthogonale P et
une matrice diagonale D telle que A = PDP
= PDP
1
.
5.2 Diagonalisation de matrices symtriques 51
Si la matrice A est orthogonalement diagonalisable, on na pas inverser la matrice de passage
pour calculer A
n
par exemple.
Attention : Dans ce chapitre, nous parlons de diagonaliser une matrice associe une application
linaire. Il ne faut pas confondre avec la diagonalisation dune matrice de produit scalaire
Exemple 5.1
Soit f une application linaire de R
3
dans R
3
telle que
A = M
can,can
(f) =
_
_
6 2 1
2 6 1
1 1 5
_
_
.
Les valeurs propres de A sont
1
= 8,
2
= 6 et
3
= 3. A est donc diagonalisable. Les espaces
propres sont :
E
1
= Vect
_
_
1
1
0
_
_
, E
2
= Vect
_
_
1
1
2
_
_
E
3
= Vect
_
_
1
1
1
_
_
.
Les vecteurs propres sont bien orthogonaux. Si on veut que la matrice de passage soit orthogonale,
il faut quils soient de norme 1, do
P = M
B,can
(id) =
_
_
_
2

1
6
1
3
1
2

1
6
1
3
0
2
6
1
3
_
_
_
.
On a maintenant P
1
= P et A = PDP
avec
D =
_
_
8 0 0
0 6 0
0 0 3
_
_
.
5.2 Diagonalisation de matrices symtriques
Dnition 5.2
Une matrice A est symtrique si et seulement si A
= A.
Thorme 5.1
1
, . . . , e
n
) une base orthonorme de E et f une application
linaire telle que la matrice A = M
B,B
(f) soit symtrique. Alors
1. Les valeurs propres de A sont relles ;
2. La dimension des sous-espaces propres associe chaque valeur propre est gale la multi-
plicit de la valeur propre associe (A est donc diagonalisable).
3. Les sous-espaces propres sont orthogonaux deux deux ;
4. A est orthogonalement diagonalisable.
52 Transformations orthogonales et matrices symtriques
Exemple 5.2 (Valeur propre multiple)
Soit
A = M
can,can
(f) =
_
_
3 2 4
2 6 2
4 2 3
_
_
.
1
= 2 est valeur propre simple et
2
= 7 est valeur propre double. Les sous-espaces propres
sont :
E
1
= Vect
_
_
2
1
2
_
_
= Vect(f
1
), E
2
= Vect
_
_
_
_
1
0
1
_
_
,
_
_
1
2
0
_
_
_
_
= Vect(f
2
, f
3
).
Les vecteurs propres prsents ainsi ne sont pas orthogonaux, on utilise Gram-Schmidt :
f
3
= f
3
< f
3
, f
2
>
|f
2
|
2
f
2
=
_
1/2 2 1/2
_
.
La base B =
_
f
1
f
1
}
,
f
2
f
2
,

f
3
f
3
_
est orthonorme, donc
P = M
B,can
(id) =
_
_
_
2
3
1
2
6
1
3
0
2
2
3
2
3
1
2
6
_
_
_
.
5.3 Retour au produit scalaire
Soit E un espace euclidien et une forme bilinaire symtrique. Soit B une base de E et A la
matrice associe par rapport la base B. On a vu au chapitre prcdent quil fallait utiliser
la mthode de Gauss pour vrier si est un produit scalaire. Le thorme suivant fournit une
nouvelle mthode pour vrier ce fait.
Thorme 5.2
La forme bilinaire est dnie positive si et seulement si les valeurs propres de A sont toutes
strictement positives.
Preuve
A est une matrice symtrique, elle est donc orthogonalement diagonalisable. Il existe donc D une
matrice diagonale et une matrice P = M
B
,B
(id) orthogonale telles que D = P
AP. D est la matrice

de par rapport B
. Soit u un vecteur de E, on note U = (u

1
, . . . , u
n
)
ses coordonnes dans B
.
Soit q la forme quadratique associe , on a alors :
q(u) = U
DU =
1
u
2
1
+ . . . +
n
u
2
n
,
o
1
, . . . ,
n
sont les valeurs propres de A. est donc dnie positive si et seulement si toutes les
valeurs propres sont strictement positives.
Exemple 5.3
A laide de la mthode de Gauss puis du thorme prcdent, vrier si la forme bilinaire sym-
trique
(u, v) = 3u
1
v
1
+ 2u
2
v
2
+ u
3
v
3
+ 2u
1
v
2
+ 2u
2
v
1
+ 2u
2
v
2
+ 2u
3
v
2
5.3 Retour au produit scalaire 53
est dnie positive.
Mthode de Gauss :
q(u) = 3x
2
+ 2y
2
+ z
2
+ 4xy + 4yz = 3
_
x +
2
3
y
_
2
+
2
3
(y + 3z)
2
5z
2
.
nest donc pas un produit scalaire.
Valeurs propres : La matrice de par rapport la base canonique est :
A =
_
_
3 2 0
2 2 2
0 2 1
_
_
,
ses valeurs propres sont 5, 2 et -1. On retrouve bien que nest pas un produit scalaire.
Annexe A
Rcapitulatif sur les changements de base
Nous rcapitulons dans cette partie les dirents changements de base tudis travers des
exemples simples dans R
2
. On munit R
2
de deux bases
B
1
= (e
1
, e
2
) est la base canonique ;
B
2
= (f
1
, f
2
) est la base forme des vecteurs
_
f
1
= e
1
+ 3e
2
f
2
= 2e
1
+ e
2
.
On note P la matrice de passage de la base B
1
B
2
:
P = M
B
2
,B
1
(id) =
_
1 2
3 1
_
,
la matrice de passage de B
2
B
1
est
P
1
=
1
5
_
1 2
3 1
_
.
A.1 Vecteur
Soit u un vecteur de R
2
. u est un objet x. On lidentie par ses coordonnes qui dpendent de la
base dans laquelle on travaille. Supposons par exemple que le vecteur u a pour coordonnes (1, 2)
dans la base canonique. Ses coordonnes dans B

2
sont :
M
B
1
,B
2
(id) = P
1
u
B
1
=
_
0.6
0.2
_
.
A.2 Application linaire
Soit f : R
2
R
2
une application linaire. f est un objet x et f(u) est un vecteur x de R
2
,
bien entendu les coordonnes de f(u) dpendent de la base dans laquelle on se place. On suppose
que f a la reprsentation matricielle suivante dans la base canonique
A = M
B
1
,B
1
(f) =
_
3 5
1 4
_
.
On a deux moyens de dterminer les coordonnes de v = f(u) dans B
2
:
56 Rcapitulatif sur les changements de base
1. On calcule les coordonnes dans f(u) dans B
1
puis on dduit les coordonnes de f(u) dans
B
2
:
v
B
1
= Au
B
1
=
_
13
9
_
, v
B
2
= P
1
v
B
1
=
_
1
6
_
.
2. On calcule la matrice de f par rapport B
2
:
M
B
2
,B
2
(f) = P
1
AP =
1
5
_
8 1
41 27
_
, v
B
2
= M
B
2
,B
2
(f)u
B
2
=
_
1
6
_
.
A.3 Produit scalaire
Soit v de coordonnes (4, 1) dans B
1
, le produit scalaire < u, v > est x. On peut le calculer de
deux manires :
1. Dans B
1
:
< u, v >= 4 1 + 2 1 = 6.
2. Dans B
2
, on calcule dabord la matrice du produit scalaire par rapport B
2
:
= P
IP =
_
10 5
5 5
_
,
v
B
2
=
_
0.4
2.2
_
, < u, v >= u
B
2
v
B
2
=
_
0.6 0.2
_
_
10 5
5 5
__
0.4
2.2
_
= 6.
Annexe B
Annales
Cette partie comporte les sujets dexamens des dernires annes acompagns de quelques corrigs.
1
re
Session : Juin 2005
- Anne dtude : Licence 2 MASS
- Code apoge de lpreuve : MA 421 F
- Type dEnseignement : UEF
- Enseignement (intitul exact) : Algbre
- Dure de lpreuve : 2 heures
- Etudiants : - Assidus Dispenss - Rennes St Brieuc
- Rdacteur du sujet : Eric Matzner-Lber
- Documents autoriss : aucun
Exercice B.1
Nous considrons la matrice suivante :
A =
_
_
0 1 1
1 0 1
1 1 0
_
_
1. Dterminez les valeurs propres et les sous-espaces propres associs.
2. Les sous-espace propres sont-ils orthogonaux ? Ce rsultat est-il surprenant ?
3. A est-elle diagonalisable ? Si la rponse est positive donnez sa forme diagonale et la matrice
de passage correspondante.
4. A est-elle inversible ? Si la rponse est positive donnez son inverse.
5. A est-elle orthogonalement diagonalisable ? Si la rponse est positive, donnez sa forme dia-
gonale et la matrice de passage correspondante. Quelle est la dirence entre la matrice de
passage trouve la question 3 et celle que vous venez de trouver ?
6. Donnez le lien entre la trace de A et la somme de ses valeurs propres et dmontrez-le.
7. Question similaire de la prcdente mais avec le dterminant de A et ? ? ? de ses valeurs
propres, trouvez ? ? ? et dmontrez ce rsultat.
Exercice B.2
Considrons les suites dnies par les quations de rcurrence suivantes :
_
u
n+1
= 2u
n
+ 3v
n
v
n+1
= 4u
n
+ v
n
1. Calculez u
1
et v
1
lorsque u
0
= 1 et v
0
= 2.
2. Calculez ensuite u
30
et v
30
.
Laurent Rouvire 58 MASS-Algbre
Exercice B.3
Considrons E = R
3
, les formes suivantes dnissent-elles un produit scalaire ?
1
(u, v) = u
1
v
1
+ 3u
2
v
2
+ u
3
v
3
2
(u, v) = u
1
v
1
+ 3u
2
v
2
u
3
v
3
3
(u, v) = 3u
1
v
1
+ 14u
2
v
2
+ 8u
3
v
3
+ 6u
1
v
2
3u
1
v
3
4u
2
v
3
+ 6u
2
v
1
3u
3
v
1
4u
3
v
2
(u, v) = u
1
v
1
+ 6u
2
v
2
+ au
3
v
3
2u
1
v
2
2u
2
v
1
3u
1
v
3
3u
1
v
3
.
Si la rponse est positive, donnez la matrice associe, si la rponse est ngative, donnez un vecteur
ne satisfaisant pas la condition voulue.
Exercice B.4
Soit E un espace vectoriel de dimension n dont une base est (e
1
, , e
n
). Soit F un sous-espace
de E de dimension p engendr par les vecteurs (f
1
, , f
p
). Le produit scalaire entre 2 lments x
et y de E est dnie par
(x, y) = x
My,
o M est une matrice symtrique dnie positive.
1. En redmontrant la mthode directe (dessin, explications claires ...), donnez la forme de la
matrice de la projection orthogonale (ou M-orthogonale) sur F.
2. Retrouvez ce rsultat avec la mthode classique (base orthogonale, matrice de passage...) en
indiquant trs clairement ce que vous faites.
Nous sommes dans R
4
muni de la base canonique et du produit scalaire usuel. Soient les vecteurs
u
1
= (1, 1, 1, 1) et u
2
= (1, 1, 1, 1).
3. Donnez la matrice M.
4. Trouvez u
3
et u
4
tels que les vecteurs (u
1
, u
2
, u
3
, u
4
) forment une base orthogonale de R
4
.
5. Trouvez la matrice de la projection orthogonale sur lespace engendr par u
1
et u
2
.
6. Que vaut la trace de cette matrice ?
3
et u
4
.
Exercice B.5
Considrons lespace vectoriel T
3
des polynmes coecients rels de degr infrieur ou gal 3.
Soient t
0
, t
1
, t
2
, t
3
, 4 nombres rels distincts xs. Pour P et Q deux lments quelconques de T
3
,
posons
< P, Q > = P(t
0
)Q(t
0
) + + P(t
3
)Q(t
3
).
1. Montrez que nous avons ainsi dni un produit scalaire sur T
3
.
2. Soit t
0
= 1, t
1
= 0, t
2
= 1 et t
3
= 2, donnez la matrice M associe au produit scalaire.
3. Considrons T
2
comme sous-espace de T
3
, de base 1, X, X
2
. Dterminez la meilleure ap-
proximation de P(X) = 5
1
2
X
3
par des polynmes de T
2
. Faites un dessin.
4. Mme question pour Q(X) = 3X + 2X
2
.
MASS-Algbre 59 Laurent Rouvire
1
re
Session : Juin 2006
- Code apoge de lpreuve : MA 421 F
- Rdacteur du sujet : Eric Matzner-Lber
- Documents autoriss : aucun
Question de cours : Soit E un espace vectoriel de dimension n dont une base est (e
1
, , e
n
).
Soit F un sous-espace de E de dimension p engendr par les vecteurs (f
1
, , f
p
). Le produit
scalaire entre 2 lments x et y de E est dni par :
(x, y) = x
My,
o M est une matrice symtrique dnie positive.
En redmontrant la mthode directe (dessin, explications claires ...), donnez la forme de la matrice
de la projection orthogonale (cest--dire M-orthogonale) sur F.
Exercice B.1
On considre deux endomorphismes f et g de R
3
dnis dans la base canonique par :
_
_
_
f( e
1
) = e
2
e
3
f( e
2
) = e
1
+ 2 e
2
+ e
3
f( e
3
) = e
1
e
2
_
_
_
g( e
1
) = e
1
+ 2 e
2
+ e
3
g( e
2
) = 2 e
1
+ 5 e
2
+ 3 e
3
g( e
3
) = 3 e
1
7 e
2
4 e
3
.
1. Donnez la matrice de f dans la base canonique, note A
f
.
2. Dterminez les valeurs propres de A
f
(il y a une valeur propre double).
3. Dterminez les vecteurs propres de A
f
.
4. Cette matrice est-elle diagonalisable ?
5. Donnez la matrice A
f
dans la base des vecteurs propres (rangs par ordre croissant des valeurs
propres) en indiquant clairement le produit matriciel quil faut eectuer (on ne demande pas
linverse de la matrice de passage).
6. Donnez la matrice de g dans la base canonique note A
g
.
7. Dterminez les valeurs propres de A
g
(il y a une valeur propre double).
8. Dterminez les vecteurs propres de A
g
.
9. Cette matrice est-elle diagonalisable ?
10. Complter votre famille libre de vecteurs propres et donnez la matrice A
g
dans la base
complte en indiquant clairement le produit matriciel quil faut eectuer (on ne demande
pas linverse de la matrice de passage). Vous venez de voir une manire dobtenir une matrice
triangulaire.
Exercice B.2
Un petit scarabe se dplace sur un triangle, dont les sommets sont numrots 1, 2, 3. A linstant
n, sil est au sommet i, il va vers le sommet j avec la probabilit p
ij
, o il se retrouve linstant
(n + 1). Si i = j, il reste sur place. La matrice de transition P = [p
ij
]
1i,j3
est donne par :
P =
_
_
1/2 1/2 0
1/2 1/2 0
0 1/2 1/2
_
_
.
On admet que la probabilit dtre linstant n au sommet j sachant que le scarabe est initiale-
ment (cest--dire linstant 0) au sommet i est donne par le terme (i, j) de la matrice P
n
.
1. Dterminer lim
n+
P
n
.
2. Interprter le rsultat.
Exercice B.3
Nous sommes dans R
4
u
1
= (1, 1, 1, 1)
et u
2
= (1, 1, 1, 1)
.
1. Trouvez u
3
et u
4
tels que les vecteurs (u
1
, u
2
, u
3
, u
4
) forment une base orthogonale de R
4
.
1
et u
2
, note
12
.
1
, note
1
.
2
, note
2
.
5. Voyez-vous un lien entre (
1
,
2
) et
12
?
6. Pourquoi ?
Exercice B.4
Considrons lespace vectoriel T
3
des polynmes coecients rels de degr infrieur ou gal 3.
Pour P et Q deux lments quelconques de T
3
, considrons le produit scalaire dni par
< P, Q > =
_
1
1
P(t)Q(t) dt.
1. Donnez la matrice M associe ce produit scalaire.
2. Donnez une base orthogonale de T
3
. Vous venez alors de trouver les polynmes de Legendre
(1752-1833).
3. Soit T
1
lespace vectoriel des polynmes coecients rels de degr infrieur ou gal 1.
Soit Q llment de T
1
qui minimise |P Q|
2
o P(X) = 5
1
2
X
3
. Trouvez le polynme Q.
4. Donnez la matrice de la projection orthogonale sur T
1
.
5. Projetez le polynme P(X) = 5
1
2
X
3
dans T
1
et retrouvez le polynme Q.
6. (bonus) Quelle est la meilleure approximation de la fonction cos(x) ? Ce rsultat vous
semble-t-il raliste ?
UFR Sciences Sociales - Dpartement AES
1
re
Session : Juin 2007
- Code apoge de lpreuve : MA421F
- Rdacteur du sujet : Laurent Rouvire
- Documents autoriss : aucun.
Exercice B.1
Vrai ou Faux ?+0.5 pour une bonne rponse, -0.5 pour une mauvaise rponse. Ne pas justier les
rponses.
1. Si deux vecteurs sont orthogonaux, ils sont linairement indpendants.
2. Si un vecteur u concide avec sa projection orthogonale sur un sous-espace vectoriel F, alors
u est dans F.
3. Deux vecteurs propres disctincts dune mme application linaire sont linairement indpen-
dants.
4. Toute matrice symtrique est diagonalisable.
Exercice B.2
Soit f lendomorphisme de R
3
dni par
_
_
_
f(e
1
) = 3e
1
+ 2e
2
+ 2e
3
f(e
2
) = e
1
2e
3
f(e
3
) = e
1
+ e
2
+ 3e
3
o (e
1
, e
2
, e
3
3
note can. Soit u le vecteur de R
3
de coordonnes
(1, 1, 2) dans la base canonique et B la base de R
3
u
1
= e
1
+ e
2
, u
2
= e
2
+ e
3
, u
3
= e
1
+ e
2
+ e
3
.
1. Donner M
can,can
(f) la matrice de f dans la base canonique.
2. (a) Vrier que B est une base de R
3
.
(b) Quelles sont les coordonnes de u dans B?
(c) Quelles sont les coordonnes de f(u) dans B?
3. (a) Montrer que u
1
, u
2
et u
3
sont des vecteurs propres de f. Donner les valeurs propres
associs.
(b) Dduire de la question prcdente M
B,B
(f) la matrice de f par rapport B.
Exercice B.3
On considre la suite (u
n
)
n0
dnie par u
0
= 0, u
1
= 1 et la relation de rcurrence :
n 0 u
n+2
= u
n+1
+ 2u
n
.
On veut trouver une formule donnant le terme gnral u
n
en fonction de n. Pour cela, on construit
une suite de vecteurs (V
n
)
n0
dnie par :
n 0 V
n
=
_
u
n
u
n+1
_
.
1. Dterminer V
0
, V
1
, V
2
.
2. Grce la relation de rcurrence sur (u
n
)
n0
, trouver une matrice A de taille 2 2 telle que
pour tout n 0 : V
n+1
= AV
n
.
3. En dduire V
n
en fonction de V
0
, A et n.
4. Diagonaliser A. En dduire V
n
, puis u
n
en fonction de n.
Exercice B.4
On se place dans R
3
u
1
= (1, 1, 1) et u
2
= (1, 1, 1)
1. Donner les coordonnes de la projection orthogonale de u
2
sur Vect(u
1
).
2. On note la projection orthogonale sur F = Vect(u
1
, u
2
).
(a) Complter la famille (u
1
, u
2
) en une base de R
3
.
(b) A laide du procd de Gram-Schmidt, construire une base B = (v
1
, v
2
, v
3
) orthogonale
telle que Vect(u
1
, u
2
) = Vect(v
1
, v
2
).
(c) Quelle est la matrice de par rapport la base B?
(d) Calculer la matrice de par rapport la base canonique.
3. Soit v le vecteur de coordonnes (1, 2, 4) dans la base canonique. Donner les coordonnes
(dans la base canonique) du vecteur de F qui minimise la distance entre v et F.
Exercice B.5
Soit B = (e
1
, e
2
2
et f une transformation orthogonale de R
2
. On note A
la matrice de f par rapport la base canonique :
A = M
B,B
(f) =
_
a b
c d
_
.
1. Montrer que les rels a, b, c et d vrient les relations
_
_
_
a
2
+ c
2
= 1
b
2
+ d
2
= 1
ab + cd = 0.
Les deux premires relations ci dessus montrent quil existe deux rels et
tels que
_
a = cos c = sin
b = cos
d = sin
.
2. En utilisant la troisime relation, montrer que
= +

2
ou
=

2
.
3. Dans le cas o
= +

2
, caractriser gomtriquement lapplication f.
4. On suppose dans cette question
=

2
avec 0 < < .
(a) Ecrire la matrice A en fonction de uniquement.
(b) Quelles sont les valeurs propres de f.
(c) En dduire que f est une symtrie orthogonale (on ne demande pas de prciser par
rapport quel axe). On rappelle que dans R
2
la symtrie orthogonale par rapport
une droite vectorielle Vect(u) est lapplication linaire s telle que s(u) = 0 et s(v) = v
pour tout vecteur v orthogonal u.
(d) Donner un vecteur qui engendre laxe de la symtrie lorsque =

2
.
(e) Donner un vecteur qui engendre laxe de la symtrie dans le cas gnral (on donnera
les coordonnes de ce vecteur en fonction de dans la base canonique).
Correction
Exercice B.1
V-V-F-V
Exercice B.2
1. La matrice de f par rapport la base canonique est :
A = M
can,can
(f) =
_
_
3 1 1
2 0 1
2 2 3
_
_
.
2. (a) Soit P la mtrice de passage de la base canonique B :
P =
_
_
1 0 1
1 1 1
0 1 1
_
_
.
det P = 1 ,= 0 dont B est une base de R
3
.
(b) Les coordonnes de u dans B sont :
P
1
_
_
1
1
2
_
_
=
_
_
0 1 1
1 1 0
1 1 1
_
_
_
_
1
1
2
_
_
=
_
_
1
1
2
_
_
.
(c) Les coordonnes de f(u) dans can sont :
A
_
_
1
1
2
_
_
=
_
_
6
4
10
_
_
.
Les coordonnes de f(u) dans B sont :
P
1
_
_
6
4
10
_
_
=
_
_
6
2
12
_
_
.
3. (a) Il sut de calculer f(u
1
), f(u
2
) et f(u
3
) :
f(u
1
) = 2e
1
+ 2e
2
= 2u
1
, f(u
2
) = e
2
+ e
3
= u
2
, f(u
3
) = 3e
1
+ 3e
2
+ 3e
3
= 3u
3
.
u
1
, u
2
et u
3
sont trois vecteurs propres associs aux trois valeurs propres 2, 1, 3.
(b) On dduit
M
B,B
(f) =
_
_
2 0 0
0 1 0
0 0 3
_
_
.
Exercice B.3
n
)
n0
dnie par u
0
= 0, u
1
n 0 u
n+2
= u
n+1
+ u
n
.
On veut trouver une formule donnant le terme gnral u
n
en fonction de n. Pour cela, on construit
une suite de vecteurs (V
n
)
n0
dnie par :
n 0 V
n
=
_
u
n
u
n+1
_
.
1. Grce la relation de rcurrence u
n+2
= u
n+1
+ 2u
n
, on trouve : u
2
= 1, u
3
= 3, donc
V
0
= [0, 1]
, V
1
= [1, 1]
, V
2
= [1, 3]
.
2. On a la relation de rcurrence dordre 1 : V
n+1
= AV
n
, avec
A =
_
0 1
2 1
_
.
3. On en dduit que :
n 0 V
n
= A
n
V
0
.
4. Les valeurs propres de A sont
1
= 2 et
2
= 1. Les espaces propres sont dnis par :
E
1
= Vect
_
1
2
_
, E
2
= Vect
_
1
1
_
.
On pose
D =
_
2 0
0 1
_
, P =
_
1 1
2 1
_
, P
1
=
1
3
_
1 1
2 1
_
on a
V
n
= A
n
V
0
= PD
n
P
1
V
0
=
1
3
_
2 (2)
n
1 (2)
n
2 (2)
n+1
1 (2)
n+1
__
0
1
_
=
1
3
_
1 (2)
n
1 (2)
n
+ 1
_
.
On a donc
u
n
= 1 (2)
n
.
Exercice B.4
1. La projection orthogonale de u
2
sur Vect(u
1
) est


u
1
=
1
3
(1, 1, 1)
.
2. (a) On complte la famille (u
1
, u
2
) par e
3
= (0, 0, 1)
.
(b) On trouve B par Gram-Schmidt :
v
1
= u
1
, v
2
= u
2

< v
1
, v
1
>
v
1
= (1, 1, 1)
1
3
(1, 1, 1)
=
1
3
(2, 4, 2),
v
3
= u
3

< v
1
, v
1
>
v
1

< v
2
, v
2
>
v
2
= (0, 1, 1)
1
3
(1, 1, 1)
1
4
1
3
(2, 4, 2) =
1
2
(1, 0, 1).
On pose :
v
1
= (1, 1, 1)
, v
2
= (1, 2, 1)
, v
3
= (1, 0, 1).
(c) La matrice de par rapport B est
M
B,B
() =
_
_
1 0 0
0 1 0
0 0 0
_
_
.
(d) Soit
P = M
B,
c
an
(id) =
_
_
1 1 1
1 2 0
1 1 1
_
_
,
on a alors
M
can,can
() = PM
B,B
()P
1
=
_
_
1/2 0 1/2
0 1 0
1/2 0 1/2
_
_
.
3. Le vecteur de F qui minimise d(v; F) est la projection orthogonale de v sur F ((v)). Il sut
donc de calculer
_
_
1/2 0 1/2
0 1 0
1/2 0 1/2
_
_
_
_
1
2
4
_
_
=
1
2
_
_
5
4
5
_
_
.
Exercice B.5
1. A est une matrice orthogonale, donc A
A = Id, d
2. La troisime relation donne :
cos cos
+ sin sin
= 0 cos(
) = 0,
cest dire

=

2
ou
2
.
3. Si
= +
pi
2
, alors
A =
_
cos sin
sin cos
_
,
f est alors la rotation dangle .
4. (a) Dans ce cas, on a
A =
_
cos sin
sin cos
_
.
(b) Les valeurs propres sont 1 et -1.
(c) Soit
1
(resp.
2
) le vecteur propre associ la valeur propre 1 (resp. -1). On a alors
f(
1
) =
1
, f(
2
) =
2
et
1

1
. f est donc la symtrie orthogonale par rapport la
droite vectorielle Vect(
1
).
(d) Si =

2
, alors
1
= (1, 1). f est alors la symtrie orthogonale par rapport la droite
dquation y = x.
(e) Si on note (e
1
, e
2
2
, il faut trouver la symtrie orthogonale qui
transforme e
1
en f(e
1
) = (cos , sin ), ce qui donne
1
= (cos

2
, sin

2
).
1
re
Session : Mai 2008
- Code apoge de lpreuve : MA421F
- Rdacteur du sujet : Laurent Rouvire
- Documents autoriss : aucun.
Le barme est donn titre indicatif
Exercice B.1 (Questions de cours, 5 points)
1. Soit f une application linaire.
(a) Rappeler la dnition dune fonction injective.
(b) Montrer que f est injective si et seulement si kerf = 0.
2. Soient u et v deux vecteurs non nuls dun espace euclidien E. Montrer que le projet ortho-
gonal de v sur u est :
< u, v >
|u|
2
u.
3. Vrai ou Faux ? +0.5 pour une bonne rponse, -0.5 pour une mauvaise rponse. Ne pas justier
les rponses.
(a) Si deux vecteurs sont orthogonaux, ils sont linairement indpendants.
(b) Une projection est une application linaire inversible.
(c) Lapplication f(u) = 2u est une transformation orthogonale.
(d) Les espaces propres dune application linaire f sont orthogonaux deux deux.
Exercice B.2 (4 points)
Soit f lendomorphisme de R
3
dni par
_
_
_
f(e
1
) = e
1
+ 2e
2
+ e
3
f(e
2
) =
1
2
e
3
f(e
3
) = 2e
2
,
o (e
1
, e
2
, e
3
3
note can. Soit u le vecteur de R
3
de coordonnes
(1, 2, 1) dans la base canonique et B = (u
1
, u
2
, u
3
) la base de R
3
u
1
= e
1
+ 2e
2
, u
2
= e
1
+ e
3
, u
3
= 2e
2
+ e
3
.
1. Donner M
can,can
(f) la matrice de f dans la base canonique.
2. (a) Vrier que B est une base de R
3
.
(b) Quelles sont les coordonnes de u dans B?
(c) Quelles sont les coordonnes de f(u) dans B?
3. (a) Montrer que u
1
, u
2
et u
3
sont des vecteurs propres de f. Donner les valeurs propres
associes.
(b) Dduire de la question prcdente M
B,B
(f) la matrice de f par rapport B.
(c) En dduire la nature gomtrique de lapplication f.
On considre la matrice A dnie par
A =
_
0 1
2 1
_
1. Dterminer les valeurs propres et espaces propres de A.
2. Diagonaliser A
n
)
n0
dnie par u
0
= 0, u
1
n 2 u
n+2
= u
n+1
+ 2u
n
.
3. Exprimer u
n
en fonction de n.
On se place dans R
3
u
1
= (1, 1, 1) et u
2
= (1, 1, 1). On note s la symtrie orthogonale par rapport au plan F =
Vect(u
1
, u
2
).
1. Complter la famille (u
1
, u
2
) en une base de R
3
.
2. A laide du procd de Gram-Schmidt, construire une base B = (v
1
, v
2
, v
3
) orthogonale de
R
3
telle que Vect(u
1
, u
2
) = Vect(v
1
, v
2
).
3. Quelle est la matrice de s par rapport la base B (note M
B,B
(s)) ?
4. Calculer la matrice de s par rapport la base canonique (note M
can,can
(s)).
5. Soit v le vecteur de coordonnes (1, 5, 2) dans la base canonique. Donner les coordonnes
(dans la base canonique) du vecteur s(v)
Soit B = (e
1
, e
2
2
et f une application linaire de R
2
dans R
2
. On note A
la matrice de f par rapport la base canonique :
A = M
B,B
(f) =
_
0 a
2
b
2
0
_
,
o (a, b) R
2
, a ,= 0, b ,= 0.
1. Pour quelle(s) valeur(s) de (a, b) lapplication f est-elle une transformation orthogonale ?
2. Calculer les valeurs propres de A et montrer que A est diagonalisable.
3. Donner les espaces propres de A.
4. On suppose dans cette question que a = b = 1. Caractriser gomtriquement f.
Correction
Exercice B.1
1. (a) f est injective si
x ,= x
=f(x) ,= f(x
),
ou encore
f(x) = f(x
) =x = x
.
(b) Supposons f injective. On sait que f(0) = 0 (car f est une application linaire) donc
0 ker(f). Soit u ,= 0, f tant injective f(u) ,= f(0) = 0, aucun autre lment de E ne
peut avoir pour image 0, donc ker(f) = 0.
Rciproquement, soit u et v deux vecteurs de E ayant la mme image (f(u) = f(v)),
on a alors :
f(u v) = 0 (u v) ker(f) u = v.
2. Soit u et v deux vecteurs non nuls de E. La projection orthogonale de v sur u est de la forme
u, il faut trouver . On a par construction < u, v u >= 0. Il vient
< u, v > < u, u >= 0 =
< u, v >
< u, u >
=
< u, v >
[[u[[
2
.
3. V-F-F-F
Exercice B.2
1. La matrice de f par rapport la base canonique est :
A = M
can,can
(f) =
_
_
1 0 0
2 0 2
1 0.5 0
_
_
.
2. (a) Soit P la mtrice de passage de la base canonique B :
P = M
B,can
(id)
_
_
1 1 0
2 0 2
0 1 1
_
_
.
det P = 4 ,= 0 donc B est une base de R
3
.
(b) Les coordonnes de u dans B sont :
P
1
_
_
1
2
1
_
_
=
1
4
_
_
2 1 2
2 1 2
2 1 2
_
_
_
_
1
2
1
_
_
=
1
2
_
_
1
3
1
_
_
.
(c) Les coordonnes de f(u) dans can sont :
A
_
_
1
2
1
_
_
=
_
_
1
0
2
_
_
.
Les coordonnes de f(u) dans B sont :
P
1
_
_
1
0
2
_
_
=
1
2
_
_
1
3
1
_
_
.
3. (a) Il sut de calculer f(u
1
), f(u
2
) et f(u
3
) :
f(u
1
) = u
1
, f(u
2
) = u
2
, f(u
3
) = u
3
.
u
1
, u
2
et u
3
sont trois vecteurs propres associs aux trois valeurs propres 1, 1, 1.
(b) On dduit
M
B,B
(f) =
_
_
1 0 0
0 1 0
0 0 1
_
_
.
(c) On dduit que f est la symtrie par rapport au plan F = Vect(u
1
, u
2
) parralllement
la droite vectorielle Vect(u
3
).
Exercice B.3
1. Les valeurs propres sont :
1
= 2 et
2
= 1. On trouve les espaces propres : E
1
=
Vect(e
1
+ 2e
2
) et E
2
= Vect(e
1
e
2
).
2. On a donc A = PDP
1
avec
P =
_
1 1
2 1
_
et P
1
=
1
3
_
1 1
2 1
_
.
3. On construit une suite de vecteurs (V
n
)
n0
dnie par :
n 0 V
n
=
_
u
n
u
n+1
_
.
Grce la relation de rcurrence u
n+2
= u
n+1
+ 2u
n
, on obtient V
n+1
= AV
n
et on dduit
V
n
= A
n
V
0
. On calcule A
n
:
A
n
= PD
n
P
1
=
1
3
_
2
n
+ 2(1)
n
2
n
+ (1)
n+1
2
n+1
+ 2(1)
n+1
2
n+1
+ (1)
n+2
_
.
On obtient alors
u
n
= 2
n+1
+ 2(1)
n+1
.
Exercice B.4
1. On complte la famille (u
1
, u
2
) par un vecteur de R
3
linairement indpendant de u
1
et u
2
,
prenons par exemple e
3
= (0, 0, 1)
.
2. On trouve B par Gram-Schmidt :
v
1
= u
1
, v
2
= u
2

< v
1
, v
1
>
v
1
= (1, 1, 1)
1
3
(1, 1, 1)
=
1
3
(4, 2, 2)
(2, 1, 1)
,
v
3
= u
3

< v
1
, v
1
>
v
1

< v
2
, v
2
>
v
2
= (0, 0, 1)
1
3
(1, 1, 1)
1
6
(2, 1, 1)
=
1
2
(0, 1, 1).
On pose :
v
1
= (1, 1, 1)
, v
2
= (2, 1, 1)
, v
3
= (0, 1, 1).
3. La matrice de s par rapport B est
M
B,B
(s) =
_
_
1 0 0
0 1 0
0 0 1
_
_
.
4. Soit
P = M
B,can
(id) =
_
_
1 2 0
1 1 1
1 1 1
_
_
et P
1
=
1
6
_
_
2 2 2
2 1 1
0 3 3
_
_
.
On a alors
M
can,can
(s) = PM
B,B
(s)P
1
=
_
_
1 0 0
0 0 1
0 1 0
_
_
.
5. Il sut donc de calculer
_
_
1 0 0
0 0 1
0 1 0
_
_
_
_
1
5
2
_
_
=
_
_
1
2
5
_
_
.
Exercice B.5
1. f est une matrice orthogonale si et seulement si [a[ = [b[ = 1.
2. Les valeurs propres de A sont
1
= ab et
2
= ab. Comme a et b sont dirents de 0, les
deux valeurs propres sont distinctes et A est donc diagonalisable.
3. On trouve comme espace propre :
E
1
= Vect(1, b/a), E
2
= Vect(1, b/a).
4. f est la symtrie orthogonale par rapport E
1
, cest--dire par rapport la droite dquation
y = x.

Algebre Coursweb

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Algebre Coursweb

Transféré par

Droits d'auteur :

Formats disponibles

Anne Universitaire 2008-2009

UFR Sciences Sociales - Dpartement MASS

) est appel sous-espace vectoriel de

qui drive les fonctions est linaire.

, dit autrement, nous cherchons b

, il sut dexprimer chaque lment de la base B dans B

de F et une application linaire f : E F. Le diagramme commutatif

sachant ses coordonnes dans B :

exprims dans la base B :

,= u et Av = (4, 2) = 2v. Existe-t-il dautres vecteurs w tels que Aw soit

) la reprsentation matricielle de f dans une base B

). Soit P la matrice de passage de B B

. La norme euclidienne de x et y est :

Fig. 4.2 Distance euclidienne et changement de base.

, y >=< x, y > + < x

, y > et < x, y >= < x, y >. On a donc par symtrie :

>=< x, y > + < x, y

> et < x, y >= < x, y >.

Fig. 4.3 Projection orthogonale sur un axe.

= u de v sur u. Langle non orient que forment u et v est un angle

la projection orthogonale de v sur u. Il sut de montrer que v

est un sous espace vectoriel de E.

(tout lment u de E scrit u = v + w avec v F et w F

, u est orthogonal tous les vecteurs de F et donc tous les vecteurs de G

(voir Figure 4.5).

paralllement F. Le thorme de Pythagore

, nous cherchons un vecteur de R

deux espaces euclidiens. Soit f : E E

une application linaire. Les conditions

, alors f est une transformation

A = I et par consquent (det(A))

AP. D est la matrice

. Soit u un vecteur de E, on note U = (u

ses coordonnes dans B

dans la base canonique. Ses coordonnes dans B

Vous aimerez peut-être aussi