Vous êtes sur la page 1sur 58

2me Anne

Alain HUARD
Email : alain.huard@insa-toulouse.fr

Analyse - Algbre

D. Sanchez, G. Quinio, A. Rouchon, V. Roussier-Michon, S. Scott

2016-2017
3.2.4 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Sries de fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3.1 Convergence simple et convergence absolue . . . . . . . . . . . . . . . . . 26
3.3.2 Convergence uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.3 Convergence normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4 Test dauto-valuation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4.1 Suites de fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4.2 Sries de fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

4 Sries Entires 33
4.1 Convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1.1 Rayon de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1.2 Calcul pratique du rayon de convergence . . . . . . . . . . . . . . . . . . 35
4.1.3 Proprits du rayon de convergence . . . . . . . . . . . . . . . . . . . . . 36
4.2 Proprits des sries entires de la variable relle . . P
. . . . . . . . . . . . . . . . 37
4.2.1 Continuit de f la somme de la srie entire an z n , n 2 N de rayon de
CV R . . . . . . . . . . . . . . . . . . . . . P . . . . . . . . . . . . . . . . 37
4.2.2 Drivabilit de f la somme de la srie entire an z n , n 2 N de rayon de
CV R . . . . . . . . . . . . . . . . . . . . . . P . . . . . . . . . . . . . . . 38
4.2.3 Intgrabilit de f la somme de la srie entire an z n , n 2 N de rayon
de CV R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.4 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3 Dveloppement dune fonction en srie entire . . . . . . . . . . . . . . . . . . . 40
4.3.1 Condition ncessaire et unicit du dveloppement . . . . . . . . . . . . . 41
4.3.2 Dveloppement des fonctions usuelles . . . . . . . . . . . . . . . . . . . . 42
4.3.3 Lien entre quation direntielle et dveloppement en srie entire . . . . 44
4.4 Test dauto-valuation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

5 Sries de Fourier 48
5.1 Les espaces L2p (0, 2) et L2p (0, 2) . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.1.1 Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.1.2 Convergence en moyenne quadratique . . . . . . . . . . . . . . . . . . . . 49
5.2 Dfinition dune srie de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2.1 Convergence dune srie de Fourier . . . . . . . . . . . . . . . . . . . . . 53
5.3 Fonctions de priode quelconque . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.4 Test dauto-valuation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

II Algbre 58
6 Rappels dalgbre linaire 59
6.1 Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2 Applications linaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.3 Matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
6.3.1 Matrice et produit matriciel . . . . . . . . . . . . . . . . . . . . . . . . . 64
6.3.2 Matrice dapplication linaire . . . . . . . . . . . . . . . . . . . . . . . . 64

2
6.4 Dterminant, lments propres . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.4.1 Dterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.4.2 Elments propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.5 Test dauto-valuation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

7 Rduction des endomorphismes 72


7.1 Polynmes, polynmes dendomorphismes . . . . . . . . . . . . . . . . . . . . . 72
7.1.1 Polynmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
7.1.2 Polynmes dendomorphismes, polynmes annulateurs . . . . . . . . . . . 74
7.2 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
7.2.1 Caractrisation des endomorphismes diagonalisables . . . . . . . . . . . . 75
7.2.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
7.3 Trigonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.4 Rduction par blocs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
7.4.1 Thorme de Cayley-Hamilton . . . . . . . . . . . . . . . . . . . . . . . . 78
7.4.2 Lemme des noyaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
7.4.3 Rduction par blocs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
7.5 Test dauto-valuation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

8 Espaces euclidiens 84
8.1 Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
8.1.1 Produit scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
8.1.2 Norme euclidienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
8.2 Orthogonalit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
8.2.1 Systmes orthonorms . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
8.2.2 Procd dorthogonalisation de Schmidt . . . . . . . . . . . . . . . . . . 86
8.2.3 Produit scalaire et norme dans une base orthonorme . . . . . . . . . . . 87
8.2.4 Orthogonal dun sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . 87
8.3 Isomtries de E . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
8.3.1 Groupe orthogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
8.3.2 Matrices orthogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
8.3.3 Matrices orthogonales de M2 (R) . . . . . . . . . . . . . . . . . . . . . . . 89
8.4 Test dauto-valuation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

9 Matrices symtriques relles 92


9.1 Endomorphisme symtrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
9.1.1 Valeurs propres, vecteurs propres de u symtrique . . . . . . . . . . . . . 92
9.1.2 Diagonalisation dune matrice symtrique . . . . . . . . . . . . . . . . . . 93
9.2 Test dauto-valuation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

10 Formes bilinaires symtriques relles, formes quadratiques 94


10.1 Formes bilinaires symtriques relles . . . . . . . . . . . . . . . . . . . . . . . . 94
10.1.1 Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
10.1.2 Forme positive, forme dfinie . . . . . . . . . . . . . . . . . . . . . . . . . 95
10.2 Forme bilinaire symtrique en dimension finie . . . . . . . . . . . . . . . . . . . 96
10.2.1 Expression dune forme bilinaire symtrique en dimension finie . . . . . 96

3
10.2.2 Forme bilinaire symtrique dans un espace vectoriel euclidien . . . . . . 97
10.3 Rduction dune forme quadratique dans un espace euclidien . . . . . . . . . . . 97
10.3.1 Rduction dune forme quadratique en somme de carrs . . . . . . . . . . 97
10.3.2 Rduction de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
10.4 Application : tude des coniques et des quadriques . . . . . . . . . . . . . . . . . 99
10.4.1 Classification des coniques . . . . . . . . . . . . . . . . . . . . . . . . . . 99
10.4.1.1 1er cas : 1 = 2 6= 0 . . . . . . . . . . . . . . . . . . . . . . . . 100
10.4.1.2 2nd cas : 1 6= 2 et 1 2 6= 0 . . . . . . . . . . . . . . . . . . . 100
10.4.1.3 3me cas : 1 = 0 et 2 6= 0 . . . . . . . . . . . . . . . . . . . . . 101
10.4.2 Classification des quadriques . . . . . . . . . . . . . . . . . . . . . . . . . 101
10.4.2.1 1er cas : 1 2 3 6= 0 . . . . . . . . . . . . . . . . . . . . . . . . 101
10.4.2.2 2nd cas : 1 2 6= 0, 3 = 0 . . . . . . . . . . . . . . . . . . . . . 102
10.4.2.3 3me cas : 1 6= 0, 2 = 3 = 0 . . . . . . . . . . . . . . . . . . . 103
10.5 Test dauto-valuation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

11 Formes sesqui-linaires, formes hermitiennes, espaces complexes 105


11.1 Formes sesqui-linaires, formes hermitiennes . . . . . . . . . . . . . . . . . . . . 105
11.1.1 Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
11.1.2 Reprsentation matricielle . . . . . . . . . . . . . . . . . . . . . . . . . . 106
11.1.3 Orthogonalit, forme positive, forme dfinie . . . . . . . . . . . . . . . . 106
11.2 Espaces hermitiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
11.2.1 Norme et orthogonalit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
11.2.2 Groupe unitaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
11.2.3 Traduction matricielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
11.2.4 Endomorphismes auto-adjoints . . . . . . . . . . . . . . . . . . . . . . . 107
11.3 Rduction dune forme hermitienne . . . . . . . . . . . . . . . . . . . . . . . . . 108
11.4 Correspondance entre le cas rel et le cas complexe . . . . . . . . . . . . . . . . 108
11.5 Test dauto-valuation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

4
Deuxime partie

Algbre

58
Chapitre 6

Rappels dalgbre linaire

Ce chapitre comprend des notions dj vues en premire anne ou lors des remises niveau.
Il vous appartient donc de les revoir seul(e) et de travailler les notions que vous ne maitrisez
pas encore. Nhsitez pas vous rapprocher de vos enseignants si vous avez des dicults ou
des questions.
Dans tout ce chapitre, on note K un corps commutatif qui dsigne le corps des rels R ou
le corps des complexes C.

6.1 Espace vectoriel


Dfinition 6.1 (Espace vectoriel) Soit E un ensemble muni dune loi de composition in-
terne note + et dune loi de composition externe note . dfinie par

+ : E E ! E (loi interne) . : K E ! E (loi externe)


0 0 et
(v, v ) 7! v + v ( , v) 7! .v

Lespace (E, +, .) est un espace vectoriel sur K si les proprits suivantes sont vrifies :
1. (E, +) est un groupe commutatif (+ est une loi de composition interne, commutative,
associative, admettant un lment neutre et un symtrique pour tout lment de E)
2. La loi externe . est telle que pour tout couple (v, v 0 ) 2 E 2 et tout couple ( , ) 2 K 2 ,
(a) .(v + v 0 ) = .v + .v 0
(b) ( + ).v = .v + .v
(c) ( ).v = .(.v) (o reprsente le produit de deux lments de K)
(d) 1K .v = v
Les lments de E sont appels les vecteurs et ceux de K les scalaires.

Exemple 6.2 1. Rn est un espace vectoriel sur R.


2. Cn est un espace vectoriel sur R ou sur C.
3. Lensemble K[x] des polynmes ccients dans K (voir dfinition 7.1) est un espace
vectoriel sur K pour laddition usuelle des polynmes et la multiplication usuelle dun
polynme par un scalaire.

59
4. Lensemble Mnp (K) des matrices de taille np ccients dans K est un espace vectoriel
sur K pour les oprations usuelles des matrices (voir paragraphe 6.3).
5. Lensemble F(I, R) des applications dun intervalle I de R dans R est un espace vectoriel
sur R pour les oprations usuelles des applications.

Thorme 6.3 (Sous-espace vectoriel) Soit (E, +, .) un espace vectoriel et F E un sous-


ensemble de E. (F, +, .) est un sous-espace vectoriel de E (cest--dire quil a une structure
despace vectoriel avec les lois de E) si et seulement F est non vide et est stable par combinaisons
linaires, cest--dire si et seulement si

F 6= ; et 8 2 K , 8(v, v 0 ) 2 F 2 , .v + v 0 2 F

On utilise trs souvent cette caractrisation pour montrer quun ensemble a une structure
despace vectoriel en montrant que cest le sous-espace vectoriel dun espace vectoriel connu.

Exemple 6.4 1. {0E } est un sous-espace vectoriel de E.


2. La droite vectorielle {(x, y) 2 R2 | 2x + 3y = 0} est un sous-espace vectoriel de R2 .
3. Lensemble Kn [x] des polynmes de degr au plus n est un sous-espace vectoriel de K[x].
4. Lensemble GLn (K) des matrices inversibles nest pas un sous-espace vectoriel des ma-
trices carres Mn (K) car il nest pas stable par addition.
5. Lensemble C 0 (I, R) des fonctions continues de I dans R est un sous-espace vectoriel de
F(I, R).

Dfinition 6.5 Soit A une partie non vide de E. On appelle sous-espace vectoriel engendr
par A et on note Vect (A) le plus petit sous-espace vectoriel de E contenant A. Cest lensemble
des combinaisons linaires dlments de A.
p
X
Vect (A) = {v 2 E | 9( 1 , . . . p) 2 K et (a1 , . . . ap ) 2 A tels que v =
p p
i .ai }
i=1

Exemple 6.6 1. Lespace vectoriel engendr par un vecteur non nul v 2 Rn est la droite
vectorielle engendre par ce vecteur :

Vect (v) = { .v | 2 R}

2. Les solutions de lquation direntielle y 00 3y 0 + 2y = 0 est le sous-espace vectoriel


engendr par les fonctions f (x) = ex et g(x) = e2x .

Thorme 6.7 Soit F et G deux sous-espaces vectoriels de E. Lintersection des deux sous-
espaces vectoriels F \ G est un sous-espace vectoriel de E. Lunion F [ G na en gnral pas
une structure de sous-espace vectoriel. Par contre, lespace vectoriel F + G dfinit par

F + G = {v 2 E | 9(f, g) 2 F G , v = f + g}

est un sous-espace vectoriel de E. Cest le plus petit sous-espace vectoriel de E contenant F [G,
autrement dit
F + G = Vect (F [ G)

60
Dfinition 6.8 Soit F et G deux sous-espaces vectoriels de E. On dit que F et G sont
supplmentaires dans E si et seulement si

8 v 2 E, 9 ! (f, g) 2 F G tel que v = f + g.

Dfinition 6.9 Soient F et G deux sous espaces vectoriels de E. On dit que F et G sont
en somme directe, not F G, si et seulement si F \ G = {0E }.

Thorme 6.10 Soit F et G deux sous espaces vectoriels de E. Alors on a

F et G sont supplmentaires dans E , F


G=E
F \ G = {0E }
,
F +G=E

Exemple 6.11 1. Lensemble des matrices symtriques et lensemble des matrices anti-
symtriques sont supplmentaires dans Mn (R).
2. Lensemble des fonctions paires et lensemble des fonctions impaires sont en somme directe
dans F(R, R).
3. Le plan {(x, y, z) 2 R3 | x + y + z = 0} et la droite Vect (1, 1, 1) sont supplmentaires dans
R3 .

Thorme 6.12 (Base et dimension) Soit F un sous-espace vectoriel de E et A = {a1 , . . . , ap }


une famille dlments de E. On dit que
A est une famille gnratrice de F si et seulement si F = Vect (A).
A est une famille libre de E si et seulement si
p
!
X
8( 1 , . . . , p) 2 Kp , i .ai = 0 ) 8i 2 {1, . . . p} , i =0
i=1

cest--dire si et seulement si les vecteurs de A sont linairement indpendants.


A est une base de F si et seulement cest une famille libre et gnratrice de F . Dans ce
cas, on a :
8f 2 F, 9!(f1 , , fp ) 2 K p , f = f1 a1 + + fp ap .
Les fi sont appeles les coordonnes du vecteur f dans la base (a1 , , ap ).
Un espace vectoriel F est dit de dimension finie sil est engendr par une famille de
cardinal fini.
Toutes les bases de F ont le mme nombre de vecteurs, cest la dimension de F note
dim F .
On appelle rang de A la dimension du sous-espace vectoriel engendr par A :

rg(A) = dim Vect (A)

Exemple 6.13 1. Soit n 2 N et ei = (0, . . . , 1, . . . , 0) (le 1 tant la ime place). Alors


(e1 , . . . , en ) est appel base canonique de Rn . On a donc dim Rn = n.

61
2. La mme base marche pour Cn comme espace vectoriel sur C. Par contre, il faut lui
ajouter les vecteurs (ie1 , . . . , ien ) pour obtenir une base de Cn en tant quespace vectoriel
sur R. Donc dimC Cn = n et dimR Cn = 2n.
3. Lespace Kn [x] des polynmes de degr au plus n est de dimension n + 1 et admet pour
base la famille {1, x, . . . , xn }. Lespace K[x] des polynmes est de dimension infinie.
4. Lespace Mnp (K) des matrices de taille n p est de dimension np et admet pour base la
famille des matrices nayant quun seul 1 et que des zros notes Eij .

Thorme 6.14 (Thorme de la base incomplte) Soit E un espace vectoriel de dimen-


sion finie et A une famille libre de E. Alors il existe une base B de E qui complte A.

Corollaire 6.15 Soit E un espace vectoriel de dimension n 2 N .


(a) Si A est une famille libre de E alors CardA n.
(b) Si A est une famille libre de E telle que CardA = n alors A est une base de E.
(c) Si A est une famille gnratrice de E alors CardA n.
(d) Si A est une famille gnratrice de E telle que CardA = n alors A est une base de E.

Thorme 6.16 (Formules sur les dimensions) Soit E, F, G des espaces vectoriels de di-
mension finie.
Si F est un sous-espace vectoriel de E alors dim F dim E.
Si F est un sous-espace vectoriel de E tel que dim E = dim F alors E = F .
dim(F G) = dim F + dim G.
dim(F + G) = dim F + dim G dim(F \ G).
E = F G , F \ G = {0E } ET dim F + dim G = dim E

Exemple 6.17 1. Les vecteurs (1, 1, 0), (0, 0, 1) et (1, 1, 2) forment une base de R3 .
2. C 0 (R) est de dimension infinie. (Raisonner par labsurde en exhibant une famille libre de
cardinal suprieur la dimension).
3. Quel est le rang de la famille de vecteurs ((1, 1, 0), (0, 0, 0), (2, 2, 0), (1, 0, 1), (2, 3, 1)) ?
4. Soit dans R[x] les polynmes P0 (x) = 1 et P1 (x) = x. On considre F = Vect (P0 , P1 ) et
G = {P 2 R[x] | 0 est au moins racine double de P }. Alors G est un espace vectoriel qui
est supplmentaire de F dans R[x].

6.2 Applications linaires


Soient E et F deux espaces vectoriels sur K.

Dfinition 6.18 (Application linaire) u est une application linaire de E vers F si et seule-
ment si
8(v, v 0 ) 2 E 2 , 8 2 K , u( .v + v 0 ) = .u(v) + v 0
Lensemble des applications linaires de E vers F est not L(E, F ).
Dans le cas o E = F , une application linaire est un endormorphisme de E.

62
Dans le cas o u est bijective, une application linaire est un isomorphisme de E vers F .
Dans le cas o E = F , une application bijective linaire est un automorphisme de E.
Dans le cas o F = K, une application linaire est une forme linaire de E.

Exemple 6.19 1. Lapplication qui tout polynme associe son polynme drive est un
endomorphisme de K[x].
2. Lapplication qui une fonction continue sur R associe la valeur de son intgrale entre 0
et 1 est une forme linaire de C 0 (R).
3. Lapplication qui un vecteur de Rn associe sa k-ime coordonne est une forme linaire
de Rn dans R appele k ime projection coordonne.
4. Lapplication Trace est une forme linaire sur lensemble des matrices carres de taille n.

Dfinition 6.20 (Noyau, Image, Rang) Soit u 2 L(E, F ). On dfinit le noyau Keru et
limage Im u de u comme suit :

Ker u = {x 2 E | u(x) = 0F } = u 1 ({0F })

Cest limage rciproque de {0F } par u, cest un sous-espace vectoriel de E.

Im u = {u(x) | x 2 E} = u(E)

Cest limage de E par u, cest un sous-espace vectoriel de F et sa dimension est appele


rang de u et note rg(u).

Exemple 6.21 Donner dans chacun des exemples 6.19 le noyau, limage et le rang de lappli-
cation linaire.

Thorme 6.22 Soit u 2 L(E, F ).


1. u est surjective , Im u = F .
2. u est injective , Ker u = {0E }.
3. Si dim E = dim F = n est finie, alors on a quivalence entre les assertions
i) u bijective
ii) u surjective
iii) u injective
iv) rg u = n

Exemple 6.23 Dans chacun des exemples 6.19, lapplication linaire est-elle injective, surjec-
tive, bijective ?

Thorme 6.24 (Thorme du rang) Soit E et F deux espaces vectoriels sur K tels que E
soit de dimension finie. Soit u 2 L(E, F ), alors on a

dim E = dim Ker u + rg u

63
6.3 Matrice
6.3.1 Matrice et produit matriciel
Dfinition 6.25 (Matrice) Une matrice M 2 Mnp (K) est un tableau avec n lignes et p co-
lonnes dlments Mij de K. Mnp (K) est un espace vectoriel sur K de dimension np dont une
base est compose des matrices Eij ayant un 1 sur la i-me ligne et la j-me colonne et des
zros ailleurs, lindice de ligne i variant de 1 n et lindice de colonne j de 1 p.
Si n = p, M est une matrice carre. On note Mn (K) lensemble des matrices carres.
Si n = p et i < j ) Mij = 0, M est une matrice triangulaire suprieure.
Si n = p et i > j ) Mij = 0, M est une matrice triangulaire infrieure.
Si n = p et i 6= j ) Mij = 0, M est une matrice diagonale.On la note diag(M11 , . . . , Mnn ).
Si M 2 Mnp (K), on appelle transpose de M , note M T , la matrice de Mpn (K) de ccients
(Mji )j2{1,...,p},i2{1,...,n} .

Proposition 6.26 (Produit de matrices) Si A 2 Mnp (K) et B 2 Mpq (K) alors le produit
matriciel M = AB 2 Mnq (K) est dfini par
p
X
8i 2 {1, . . . n} , 8j 2 {1, . . . , q} , Mij = Aik Bkj
k=1

Dfinition 6.27 (Matrice par blocs) Soit n1 , n2 , p1 , p2 quatre entiers naturels non nuls.
Soit A 2 Mn1 ,p1 , B 2 Mn1 ,p2 , C 2 Mn2 ,p1 et D 2 Mn2 ,p2 quatre matrices. M 2 M(n1 +n2 ),(p1 +p2 ) (K)
est une matrice dfinie par blocs
8
>
> Aij si 1 i n1 , 1 j p1
<
A B Bi(j p1 ) si 1 i n1 , p1 + 1 j p1 + p2
M= , Mij =
C D >
> C si n1 + 1 i n1 + n2 , 1 j p1
: (i n1 )j
D(i n1 )(j p1 ) si n1 + 1 i n1 + n2 , p1 + 1 j p1 + p2

Proposition 6.28 (Produit matriciel par blocs) Le produit matriciel par bloc se calcule
comme un produit matriciel standard avec les mmes exigences sur les dimensions :
0
A B A B0 AA0 + BC 0 AB 0 + BD0
=
C D C 0 D0 CA0 + DC 0 CB 0 + DD0

Attention toutefois lordre des produits puisque le produit matriciel est non commutatif AA0 6=
A0 A mme si ces deux produits sont bien dfinis.

6.3.2 Matrice dapplication linaire


Soient E et F deux espaces vectoriels de dimension finie tels que dimE = n et dimF = p.
On note E = (e1 , . . . , en ) une base de E et F = (f1 , . . . , fp ) une base de F . Soit u 2 L(E, F ).

Dfinition 6.29 (Matrice dapplication linaire) On appelle matrice de u dans les bases
E et F la matrice
A = (Aij ) = Mat (u, E, F) 2 Mpn (K)

64
o les scalaires Aij sont dtermins de manire unique par
p
X
8j = 1, . . . , n , u(ej ) = Aij fi
i=1

cest--dire que le j-ime vecteur colonne de la matrice A reprsente le vecteur u(ej ) dcompos
dans la base F = (f1 , . . . , fp ).

Remarque 6.30 La somme de deux matrices est la matrice de la somme de deux applications
linaires.
Le produit de deux matrices est la matrice de la composition de deux applications linaires.
Linverse dune matrice est la matrice de lapplication rciproque dune application linaire.

Exemple 6.31 1. Soit 2 L(R2 , R3 ) telle que 8(x, y) 2 R2 , (x, y) = (x y, 3y, x + y).
Ecrire la matrice de par rapport aux bases canoniques de R2 et de R3 .
2. Ecrire dans la base canonique de Rn [x] la matrice de lendomorphisme qui un polynme
associe son polynme driv. On pourra commencer par n = 2 ou n = 3 avant de passer
au cas gnral.
3. Ecrire la matrice de la rotation dangle (et de centre (0, 0) sinon ce nest pas une
application linaire) dans la base canonique de R2 . (voir aussi le paragraphe 8.3.3).

Proposition 6.32 Soit A = Mat (u, E, F). Soit x 2 E. Il y a quivalence entre les critures

y = u(x) , Y = AX

o X = (x1 , . . . , xn )T est le vecteur des coordonnes de x dans la base E de E et Y =


(y1 , . . . , yn )T est le vecteur des coordonnes de y dans la base F de F .

Exemple 6.33 Utiliser la matrice de lapplication dans lexemple 6.31 pour calculer (5, 3)
et retrouver (x, y).

Dfinition 6.34 (Matrice de passage) Soit E 0 = (e01 , . . . , e0n ) une deuxime base de E. On
appelle matrice de passage de E vers E 0 la matrice

P = PEE 0 = Mat (IdE , E 0 , E) 2 Mn (K)

Ses vecteurs colonnes sont les vecteurs de E 0 dcomposs sur ceux de E. Autrement dit
n
X
PEE 0 = (Pij ) , e0j = Pij ei
i=1

Cette matrice est inversible et


PEE10 = PE 0 E

65
Exemple 6.35 Donner la matrice de passage de la base E vers E 0 de R3 o E est la base
canonique de R3 et E 0 est donne par

e01 = (1, 1, 0) e02 = (0, 0, 1) e03 = (1, 1, 2)

Donner son inverse.

Exemple 6.36 Donner la matrice de passage de la base B vers B 0 de R3 [x] o B est la base
canonique de R3 [x] et B 0 est donne par

b01 (x) = 1 b02 (x) = (x + 1) b03 (x) = (x + 1)2 b04 (x) = (x + 1)3

Donner son inverse.

Proposition 6.37 (Changement de base) Soient E et F deux espaces vectoriels de di-


mension finie tels que dim E = n et dim F = p. On note E = (e1 , . . . , en ) une base de
E et F = (f1 , . . . , fp ) une base de F . Soit E 0 = (e01 , . . . , e0n ) une deuxime base de E et
F 0 = (f10 , . . . , fn0 ) une deuxime base de F . On note P = PEE 0 et Q = QF F 0 les deux ma-
trices de passages associes. Soit u 2 L(E, F ).
Pour les vecteurs : Si X et X 0 sont les coordonnes du mme vecteur x 2 E dans les
bases E et E 0 respectivement alors
X = P X0
Pour les matrices : Si A = Mat (u, E, F) et A0 = Mat (u, E 0 , F 0 ) alors

A0 = Q 1 AP

Exemple 6.38 1. Donner la matrice de dfinie dans lexemple 6.31 de la base canonique
de R2 vers la base E 0 de R3 dfinie lexemple 6.35.
2. Donner la matrice de lendomorphisme de R3 [x] qui un polynme associe son polynme
driv dans la base B 0 de R3 [x] dfinie lexemple 6.36.

Dfinition 6.39 (Matrices quivalentes, matrices semblables) On dit que deux matrices
(A, B) 2 Mpn (K)2 sont quivalentes sil existe deux matrices inversibles (P, Q) 2 GLn (K)
GLp (K) telles que B = Q 1 AP , cest--dire quelles reprsentent la mme application linaire
dans deux bases direntes.
On dit que deux matrices carres (A, B) 2 Mn (K)2 sont semblables sil existe une ma-
trice inversible P 2 GLn (K) telle que B = P 1 AP , cest--dire quelles reprsentent le mme
endomorphisme dans deux bases direntes.
Ces deux relations binaires dfinissent des relations dquivalence sur lensemble des ma-
trices.

Remarque 6.40 Deux matrices semblables ont mme trace, mme rang, mme dterminant,
mme polynme caractristique, mme spectre.

66
6.4 Dterminant, lments propres
6.4.1 Dterminant
Dfinition 6.41 (Dterminant) Soit A une matrice carre de taille n. Le dterminant de A
(ou de ses n vecteurs colonnes) est donne par
X
det(A) = "( )A (1)1 . . . A (n)n
2Sn

o Sn est lensemble des permutations de {1, . . . , n} et "( ) la signature de la permutation .


En particulier, si n = 2,
a b
det = ad bc
c d
et si n = 3, 0 1
a b c
@
det d e f A = aek + bf g + dhc gec hf a dbk
g h k

On vitera autant que possible ces formules en dimension n 3 pour prfrer des simplifi-
cations successives grce aux formules suivantes :

Proposition 6.42 Lapplication dterminant est une n-forme linaire alterne par rapport aux
vecteurs colonnes. Cest--dire
Echanger deux colonnes de A change le signe du dterminant de A.
Multiplier une colonne de A par un scalaire 2 K multiplie le dterminant de A par ce
mme .
Ajouter une colonne une combinaison linaire des autres colonnes ne change pas le
dterminant de A.
8 2 K, det( A) = n det(A).

Comme det(A) = det(AT ), tout ce qui vient dtre nonc sur les vecteurs colonnes peut tre
traduit lidentique sur les vecteurs lignes.

Exemple 6.43 Calculer les dterminants des matrices suivantes :


0 1
0 1 1 2 3 4
1 0 4 B1 1 1 1C
@2 2 5 A et B @0 1 2 3A
C
3 3 6
4 3 2 1

Proposition 6.44 (Dveloppement suivant une colonne ou une ligne) Le dveloppement


par rapport la jme colonne scrit
n
X
det A = ( 1)i+j ij Aij
i=1

67
et par rapport la ime ligne
n
X
det A = ( 1)i+j ij Aij
j=1

o ij est le dterminant de la matrice A laquelle on a enlev la ime ligne et la j-ime


colonne.

Exemple 6.45 Calculer les dterminants des matrices suivantes :


0 1 0 1
1 2 2 4 1
@1 1 A et @ 0 1 2 A
2 2 1 2 0

Thorme 6.46 Soient A et B deux matrices carres de taille n.

det(AB) = (det A) (det B)

Une matrice A est inversible si et seulement si detA 6= 0. Alors


1
det(A 1 ) =
det(A)

6.4.2 Elments propres


Soit E un espace vectoriel de dimension n, u 2 L(E) un endomorphisme de E et A sa
matrice dans une base E de E.

Dfinition 6.47 (Valeur propre) Un scalaire de K est appel valeur propre de u sil existe
un vecteur x non nul de E tel que u(x) = x.

Dfinition 6.48 (Spectre) Soit 1 , 2 , p les p valeurs propres distinctes de u alors on


appelle spectre de u (not Spec (u)) lensemble des valeurs propres de u.

Spec (u) = { 1 , 2, p} o 8i 6= j, i 6= j.

Dfinition 6.49 (Sous-espace propre, Vecteur propre) Soit une valeur propre de u.
On appelle sous-espace propre associ le sous-espace vectoriel

E = Ker(u idE ) = {x 2 E | u(x) = x}

et vecteur propre associ , tout vecteur non nul de E .


On appelle valeur propre (respectivement vecteur propre) de A les valeurs propres (respective-
ment vecteurs propres) de u. On note aussi E = Ker(A I) o I est la matrice identit et
A la matrice de u.

Proposition 6.50 Un sous-espace propre E de u est stable par u, cest--dire

u(E ) E

68
La dmonstration de cette proprit est trs formatrice. A faire !

2 1
Exemple 6.51 Soit u 2 L(E), B une base de E et A = la matrice de u dans la
1 0
base B. Dterminer les valeurs propres et les vecteurs propres de u.

Thorme 6.52 (Polynme caractristique) La fonction

Pu (x) = det(u xidE ) = det(A xI) = PA (x)

est un polynme de degr n qui scrit :

Pu (x) = PA (x) = ( 1)n xn + ( 1)n 1 T r(A)xn 1


+ + det(A).

Ce polynme sappelle le polynme caractristique de u (ou de A).

Exemple 6.53 Calculer le polynme caractristique de lendomorphisme de Rn [x] qui un


polynme associe son polynme driv. On pourra commencer par les cas n = 2 et n = 3 avant
de passer au cas gnral.

Thorme 6.54 Les valeurs propres de u sont les racines dans K de son polynme caract-
ristique, cest--dire
est valeur propre de u , Pu ( ) = 0 et 2 K,
est valeur propre de A , PA ( ) = 0 et 2 K.

Dfinition 6.55 (Multiplicit dune valeur propre) Soit 2 Spec(u). La multiplicit de


la valeur propre est celle de en tant que racine de Pu . On la note m . Ainsi, il existe un
polynme Q tel que

8x 2 K , Pu (x) = (x )m Q(x) avec Q( ) 6= 0 .

Si m = 1, on parle de valeur propre simple. Si m = 2, on parle de valeur propre double.

Exemple 6.56 Dterminer le polynme caractristique des matrices suivantes


0 1
1 1 1
2 1 @
A= et B = 1 1 1A
1 0
1 1 1

En dduire leur spectre et la multiplicit de chacune de leurs valeurs propres.

69
6.5 Test dauto-valuation
Soit E un espace vectoriel rel de dimension finie n 2 N , F un sous-espace vectoriel de E
et u une application linaire de E dans E.

Question 1. Quelles sont les dfinitions des assertions suivantes ?


a. u est un endomorphisme de E.
b. F est un sous-espace stable par u.
c. G est un supplmentaire de F dans E.
d. La matrice A est la matrice de u dans la base (e1 , . . . , en ).
e. Les matrices A et A0 sont semblables.
f. 2 R est valeur propre de u de multiplicit m .
g. F est un sous-espace propre pour u associ la valeur propre .
h. PA est le polynme caractristique de A.

Question 2. Si A et A0 reprsentent la mme application linaire dans deux bases direntes,


quel lien existe-t-il entre A et A0 ?

Question 3. Quel lien y a-t-il entre le spectre dune matrice et son polynme caractristique ?

Question 4. Quel est le terme de plus haut (respectivement de plus bas) degr du polynme
caractristique dun endomorphisme de E ?

Question 5. Enoncer le thorme du rang.

Question 6. Dmontrer quun sous-espace propre de u est stable par u.

Question 7. Dterminer les valeurs du rel pour que la matrice A ne soit pas inversible :
0 1
2 1 1
A=@ 1 1A
1 1

Question 8. Soit a 2 R et f lendomorphisme de R3 dfini par

8(x, y, z) 2 R3 , f (x, y, z) = (ax, x + 2z, x y + 3z)

On note E la base canonique de R3 .


i. Ecrire A la matrice de f dans la base E.
ii. Dterminer le noyau de f .
iii. A quelle condition sur a lapplication f est-elle bijective ?

70
iv. On suppose maintenant que a = 1. Soit v1 = (0, 2, 1), v2 = (0, 1, 1) et v3 = (1, 0, 0) des
vecteurs de R3 . Montrer que V = (v1 , v2 , v3 ) est une base de R3 . Ecrire A0 la matrice de f
dans cette nouvelle base en prcisant la matrice de passage, son inverse et la formule de
changement de base.

71
Chapitre 7

Rduction des endomorphismes

Soit K un corps commutatif qui dsigne dans tout ce chapitre lensemble R des nombres
rels ou lensemble C des nombres complexes. Soit E un espace vectoriel de dimension finie.

7.1 Polynmes, polynmes dendomorphismes


7.1.1 Polynmes
Soit K un corps commutatif qui dsigne dans tout ce chapitre lensemble R des nombres
rels ou lensemble C des nombres complexes.
Dfinition 7.1 On dfinit K[x] lensemble des polynmes ccients dans K par
( n )
X
K[x] = ak x | n 2 N , (a0 , . . . , an ) 2 K
k n+1

k=0
Pn
Si P (x) = k=0 ak xk avec an 6= 0, lentier n est appel le degr du polynme et not deg(P ) =
n. Par convention, le degr du polynme nul est 1.
Exemple 7.2 P (x) = x4 est un polynme de degr 4 appel "monme normalis de degr 4".
Dfinition 7.3 Soit P 2 K[x] et a 2 K. On dit que a est une racine de P si et seulement
si P (a) = 0. Cest une racine de multiplicit r 2 N si et seulement si il existe un polynme
Q 2 K[x] tel que
Q(a) 6= 0 et P (x) = (x a)r Q(x)
Exemple 7.4 Le polynme P (x) = x2 + 1 admet deux racines simples (de multiplicit 1) qui
sont i et i.
Dfinition 7.5 Soit P 2 K[x] un polynme de degr n. On dit que P est scind sil admet n
racines dans K, comptes avec leur multiplicit, cest--dire sil existe une constante c 2 K et
n racines distinctes ou confondues (x1 , . . . , xn ) 2 K n telles que
n
Y
P (x) = c(x x1 ) . . . (x xn ) = c (x xi )
i=1

72
Exemple 7.6 P1 (x) = x2 5x + 6 = (x 2)(x 3) est scind dans R. Il admet 2 et 3 comme
racines simples.
P2 (x) = x3 4x2 + 5x 2 = (x 1)2 (x 2) est scind dans R. Il admet 1 comme racine double
et 2 comme racine simple.
P3 (x) = x2 + 1 nest pas scind dans R , il est scind dans C.

Thorme 7.7 (Thorme de DAlembert-Gauss) Tout polynme de C[x] est scind dans
C. Autrement dit, si P 2 C[x], alors il existe (c, x1 , . . . xn ) 2 Cn+1 tels que
n
Y
P (x) = c (x xk )
k=1

Dfinition 7.8 Soient P1 , , Pr des polynmes de C[x]. On note Si lensemble des racines de
Pi dans C.
r
On dit que les (Pi )i=1...r sont premiers entre eux dans leur ensemble si et seulement \ Si = ;.
i=1
Cela signifie que lensemble des polynmes Pi nont aucune racine commune.
On dit que les (Pi )i=1...r sont deux deux premiers entre eux si et seulement si 8i 6= j, on a
Si \ Sj = ;. Cela signifie que deux deux les polynmes Pi nont pas de racine commune.

Exemple 7.9 Les polynmes P1 et P2 de lexemple 7.6 ne sont pas premiers entre eux tandis
que les polynmes P1 et P3 le sont.

Proposition 7.10 Soient P1 , , Pr des polynmes de C[x]. Si les Pi sont deux deux premiers
entre eux alors les Pi sont premiers entre eux dans leur ensemble. La rciproque est fausse !

Exemple 7.11 P1 (x) = (x 1)2 , P2 (x) = (x 1)(x + 2), P3 (x) = (x + 2)(x 3) et P4 (x) =
(x 2)2 . Les polynmes (P1 , P2 , P3 , P4 ) sont-ils premiers entre eux dans leur ensemble ? premiers
deux deux ? Mme question pour les polynmes (P1 , P3 , P4 ).

Thorme 7.12 (Thorme de Bezout) Les polynmes P1 , . . . , Pr de K[x] sont premiers


entre eux dans leur ensemble si et seulement sil existe des polynmes U1 , . . . , Ur de K[x] tels
que P1 U1 + ... + Pr Ur = 1.

Exemple 7.13 Dterminer les polynmes U et V tels que (x2 + 1)U + (x 1)V = 1. On pourra
saider de la division euclidienne rappele ci-dessous. Dune manire gnrale, ces polynmes
se calculent grce lalgorithme dEuclide.

Thorme 7.14 (Division euclidienne dans les polynmes) Soient A et B deux poly-
nmes ccients dans K tels que B 6= 0. Alors il existe un unique couple de polynmes
(P, Q) 2 K[x]2 tel que
A = BQ + R avec deg(R) < deg(B)
Le polynme Q est appel le quotient et R le reste.

Exemple 7.15 La division euclidienne de A(x) = 3x5 + 4x2 + 1 par B(x) = x2 2x + 3 scrit
A = BQ + R o Q(x) = 3x3 + 6x2 + 3x 8 et R(x) = 25x + 25.

73
7.1.2 Polynmes dendomorphismes, polynmes annulateurs
Pd
Dans ce paragraphe, on notera P (x) = k=1 ak x un polynme de K[x], u 2 L(E) un
k

endomorphisme de E, espace vectoriel de dimension n 2 N et A 2 Mn (K) une matrice carre


de taille n.
Dfinition 7.16 Pour k entier naturel, on note uk lendomorphisme obtenu en composant k
fois u avec lui-mme :
uk = u u . . . u
Par convention, u0 = idE . On peut alors dfinir P (u) un polynme dendomorphisme par
d
X
P (u) = ak uk = ad ud + . . . + a1 u + a0 idE
k=0

Cest un endomorphisme de E. De la mme manire, on peut dfinir P (A) un polynme de


matrice comme
d
X
P (A) = ak Ak = ad Ad + . . . + a1 A + a0 Id
k=0
Si A est la matrice de u dans une base E de E, alors P (A) est la matrice de P (u) dans la mme
base.
Exemple 7.17 Si P (x) = 3x2 + 2x + 4 2 R[x] alors P (u) = 3u u + 2u + 4IdE est une
application linaire de E dans E et P (A) = 3A2 + 2A + 4Id est une matrice carre de taille n.
Proposition 7.18 Soient u 2 L(E), A 2 Mn (K). Alors pour tout couple de polynmes
(P, Q) 2 K[x]2 , on a
P (u) Q(u) = Q(u) P (u) = (P Q)(u) et P (A)Q(A) = Q(A)P (A) = (P Q)(A)
Il est important de comprendre ce que cette proprit a de spectaculaire dans la mesure o
la composition des endomorphismes comme le produit de matrices ne sont pas des oprations
commutatives.
Dfinition 7.19 Le polynme P est appel polynme annulateur de lendomorphisme u si et
seulement si P (u) = OL(E) est lapplication nulle. De mme, le polynme P est appel polynme
annulateur de A si et seulement si P (A) = 0Mn (K) est la matrice nulle.
Remarque 7.20 Si deux matrices sont semblables alors elles ont mmes polynmes annula-
teurs.
Proposition 7.21 Soit P 2 K[x] un polynme annulateur de u 2 L(E). Soit 2 K. Si est
valeur propre de u alors est une racine de P . La rciproque est fausse !
Autrement dit, cette proposition arme que les valeurs propres dun endomorphisme (res-
pectivement dune matrice) sont chercher parmi les racines dun polynme annulateur de cet
endomorphisme (respectivement de cette matrice).

2 1
Exemple 7.22 Soit P (x) = x3 x2 x + 1 et A = . Montrer que P est un polynme
1 0
annulateur de A et comparer les racines de P avec les valeurs propres de A.

74
7.2 Diagonalisation
7.2.1 Caractrisation des endomorphismes diagonalisables
Dfinition 7.23 Un endomorphisme u de E est diagonalisable dans K sil existe une base
de E dans laquelle la matrice de u est une matrice diagonale de K, cest--dire quil existe
E = (e1 , . . . , en ) une base de E telle que

Mat (u, E) = diag( 1 , . . . , n ).

Les i 2 K ainsi obtenus sont les valeurs propres de u.


Une matrice A 2 Mn (K) est diagonalisable dans K si elle est semblable dans Mn (K) une
matrice diagonale de Mn (K), cest--dire quil existe une matrice P 2 GLn (K) inversible dans
Mn (K) et des scalaires ( 1 , . . . , n ) 2 K n distincts ou non tels que
1
diag( 1 , . . . , n) =P AP.

Thorme 7.24 Soit u 2 L(E) un endomorphisme de E. u est diagonalisable dans K si et


seulement sil existe une base de E forme de vecteurs propres de u.

Thorme 7.25 Soit u 2 L(E) un endomorphisme de E. u est diagonalisable dans K si et


seulement si E est somme directe des sous-espaces propres de u, cest--dire si et seulement si
M M
E=E 1 ... E p

o 1, . . . , p sont les valeurs propres deux deux distinctes de u.

Thorme 7.26 Si est une valeur propre de u de multiplicit m alors 1 dim E m .

Thorme 7.27 Soit u 2 L(E) un endomorphisme de E. u est diagonalisable dans K si et


seulement si son polynmes caractristique Pu est scind dans K ET si pour toute valeur propre
de u, sa multiplicit m est gale la dimension du sous-espace caractristique E ,autrement
dit
Pu est scind dans K
u est diagonalisable dans K ,
8 2 Spec(u) , dim E = m

Corollaire 7.28 Soit u 2 L(E) un endomorphisme de E. Si Pu possde n racines simples dans


K alors u est diagonalisable dans K (avec n = dim E).

Exemple 7.29 Dterminer si les matrices suivantes sont diagonalisables



2 1 7 12 0 1
Dans R : A1 =
2
A2 = A3 =
1 0 4 7 1 0
0 1 0 1 0 1
1 1 1 1 1 1 4 0 2
@
Dans R : B1 = 1 1 1
3 A B2 = @ 1 1 1 A B3 = @ 0 1 0 A
1 1 1 1 1 1 5 1 3

75
7.2.2 Applications
1. Calcul de la puissance dune matrice
Si A est une matrice diagonalisable alors A = P 1
diag( 1 , . . . , n )P et

8m 2 N , Am = P 1
diag( m
1 ,...,
m
n )P

Exemple 7.30 Calculer B2m pour m 2 N.


2. Etude des suites rcurrentes linaires
Si les suites (un )n2N , (vn )n2N et (wn )n2N sont telles que (u0 , v0 , w0 ) 2 R3 et pour tout
n 2 N, 8
< un+1 = un + v n + w n
(S) vn+1 = un vn + wn
:
wn+1 = un + vn wn
alors ce systme peut scrire sous forme matricielle :
0 1
un
(S) , Xn+1 = B2 Xn avec Xn = @ vn A , n2N
wn
et se rsout alors par rcurrence :

Xn = B2n X0 , n2N

3. Rsolution dun systme linaire direntiel du premier ordre


Soit rsoudre le systme direntiel suivant : (x(0), y(0), z(0)) = (x0 , y0 , z0 ) 2 R3 et
8 0
< x (t) = x(t) + y(t) + z(t)
0
(S) y (t) = x(t) y(t) + z(t)
: 0
z (t) = x(t) + y(t) z(t)
o x, y, et z sont des fonctions drivables de la variable t 2 R. On peut crire ce systme
sous forme matricielle
0 1
x(t)
(S) , X 0 (t) = B2 X(t) avec X(t) = @ y(t) A , t 2 R
z(t)

Comme B2 est diagonalisable dans R, il existe P 2 GL3 (R) telle que B2 = P 1


DP o
D = diag(1, 2, 2). En posant X1 (t) = P X(t), on a
8 0
< x1 (t) = x1 (t)
(S) , X10 (t) = DX1 (t) , y 0 (t) = y1 (t)
: 10
z1 (t) = z1 (t)
Ce dernier systme tant facilement rsolvable car les trois quations sont indpendantes
les unes des autres, on obtient le vecteur X1 (t) en fonction de trois constantes dintgra-
tion. En calculant X(t) = P 1 X1 (t), on obtient le vecteur X(t) et on trouve les constantes
en crivant la condition initiale X(0) = (x0 , y0 , z0 )T .

76
7.3 Trigonalisation
Dfinition 7.31 Une matrice est trigonalisable dans Mn (K) si elle est semblable dans Mn (K)
une matrice triangulaire de Mn (K). Un endomorphisme u de E est trigonalisable dans K sil
existe une base de E dans laquelle la matrice de u est une matrice triangulaire de Mn (K).

Thorme 7.32 Une matrice A 2 Mn (K) (ou un endomorphisme u 2 L(E)) est trigonalisable
dans K si et seulement si son polynme caractristique est scind dans K.

Dmonstration
Dmontrons limplication directe : Supposons que A est trigonalisable dans K. Alors il existe
P inversible dans Mn (K) et T triangulaire de Mn (K) telle que
1
P AP = T

Comme deux matrices semblables ont mme polynme caractristique, on obtient lgalit sui-
vante : n
Y
PA (x) = PT (x) = (tii x)
i=1

o les tii dsignent les lments diagonaux de la matrice T . Par suite, son polynme caract-
ristique est scind dans K. On remarque de plus que les valeurs propres de A sont les lments
diagonaux de T .
Dmontrons maintenant la rciproque : Supposons que A est une matrice dont le polynme
caractristique est scind dans K. On raisonne par rcurrence sur n, la taille de A.
Initialisation : si n = 1 alors A = (a) est triangulaire suprieure dans K.
Hypothse de Rcurrence au rang n 2 N : Si A 2 Mn (K) et PA est scind dans K alors A est
trigonalisable dans K.
Au rang n+1 : Supposons que lhypothse de rcurrence est vraie au rang n 2 N et montrons
quelle est encore vraie au rang n + 1. Soit B 2 Mn+1 (K) (on note w lendomorphisme canoni-
quement associ B) avec PB scind dans K. Alors il existe 1 2 K et il existe v1 2 E \ {0E }
tels que w(v1 ) = 1 v1 . Daprs le thorme de la base incomplte, il existe {v2 , v3 , , vn+1 }
tels que V = (v1 , v2 , , vn+1 ) soit une base de E. Soit B 0 la matrice de w dans la base V, on a

0 1 L1
B =
0n,1 B10

avec L1 2 M1n (K), B10 2 Mn (K) et 0n,1 la matrice nulle de Mn1 (K).
Puisque deux matrices semblables ont mme polynmes caractristiques, on obtient lgalit
suivante :
PB (x) = PB 0 (x) = ( 1 x)PB10 (x)
et comme PB est scind dans K, alors PB10 est scind dans K. Par lhypothse de rcurrence
au rang n 2 N , la matrice B10 est trigonalisable. Par consquent, il existe P1 inversible et T1
triangulaire suprieure telles que T1 = P1 1 B10 P1 .
On dfinit les matrices suivantes

1 O1,n 1 L
P = et T =
0n,1 P1 0n,1 T1

77
o L 2 M1n (K) et 01,n est la matrice nulle de
M1n (K).
1 O1,n
Il est clair que P est inversible avec P 1 = et que si on choisit L telle que
0n,1 P1 1
L = L1 P1 alors B 0 = P T P 1 .
La matrice B 0 est donc trigonalisable dans K et par transitivit, B aussi. On a donc montr
lhrdit de notre hypothse de rcurrence.
Conclusion : Lhypothse de rcurrence tant vraie au rang n = 1 et hrditaire, elle est vraie
pour tout n 1.

Corollaire 7.33 Toute matrice A 2 Mn (R) est semblable dans C une matrice triangulaire
de Mn (C).

Corollaire 7.34 Soit A 2 Mn (C). On note 1 , ..., n ses valeurs propres (distinctes ou non) .
Alors T rA = 1 + ... + n et det A = 1 ... n .

Exemple 7.35 Soit A la matrice donne par


0 1
3 2 2
A= @ 1 0 1 A
1 1 0

Est-elle diagonalisable ? Trigonalisable ?

7.4 Rduction par blocs


7.4.1 Thorme de Cayley-Hamilton
Thorme 7.36 (Thorme de Cayley-Hamilton) Soit A 2 Mn (K) et PA le polynme
caractristique de A. Alors le polynme caractristique de A est un polynme annulateur de A :
PA (A) = 0Mn (K) .
De mme, soit u 2 L(E) et Pu le polynme caractristique de u. Alors le polynme caractris-
tique de u est un polynme annulateur de u : Pu (u) = 0L(E) .

Dmonstration
Cas o K = C. Soit u 2 L(E) et Pu son polynme caractristique. Par le thorme de DAlembert-
Gauss 7.7, Pu est scind dans C et on en dduit par le thorme 7.32 que u est trigonalisable
dans C. Donc il existe une base de E note V = (v1 , v2 , , vn ) dans laquelle la matrice de u
est triangulaire suprieure :
0 1
1 m1,2 m1,n
B ... .. C
B 0 . C
M = Mat (u, V) = B . ..
2
.. C
@ .. . . mn 1,n A
0 0 n

78
On a alors
i 1
X
u(v1 ) = 1 v1 et 8 i 2 {2, , n} u(vi ) = i vi + mk,i vk . (7.1)
k=1

On a aussi Pu (x) = ( 1 x)( 2 x) ( n x).


On obtient donc Pu (u) = ( 1 idE u) ( 2 idE u) ( n idE u).
On note pour tout i 2 {1, , n}, gi = ( 1 idE u) ( 2 idE u) ( i idE u). On a donc gn =
Pu (u) et il faut montrer que gn = 0L(E) . Une application linaire tant entirement dtermine
par limage dune base, cela quivaut montrer que pour tout k 2 {1, , n}, gn (vk ) = 0E .
Nous allons montrer par rcurrence sur lentier i que pour tout k 2 {1, , i}, gi (vk ) = 0E .
Initialisation i = 1 : g1 (v1 ) = ( 1 idE u)(v1 ) = 1 v1 u(v1 ) = 0E daprs la relation (7.1).
Hypothse de rcurrence au rang p : On suppose que pour p 1, et pour tout k 2 {1, , p},
gp (vk ) = 0E .
Au rang p + 1 : On suppose que lhypothse de rcurrence est vraie au rang p et on va montrer
quelle reste vraie au rang p+1. On a gp+1 = gp ( p+1 idE u) = ( p+1 idE u) gp car comme il
sagit de polynmes du mme endomorphisme u, ils commutent. Ainsi, dune part , nous avons
par hypothse de rcurrence au rang p que pour tout k 2 {1, , p},

gp+1 (vk ) = [( p+1 idE u) gp ](vk ) = [( p+1 idE u)](gp (vk )) = [( p+1 idE u)](0E ) = 0E ,

et dautre part, en utilisant la relation (7.1) et la linarit de u on obtient

gp+1 (vp+1 ) = [gp ( p+1 idE u)](vp+1 ) = gp [( p+1 idE u)(vp+1 )]


= gp [ p+1 vp+1 u(vp+1 )]
p
!
X
= gp mk,p+1 vk
k=1
p
X
= mk,p+1 gp (vk ) = 0E
k=1

ce qui montre que la proprit est bien vraie au rang p + 1 et quelle est donc hrditaire.
Conclusion : On a donc montr que la proprit de rcurrence est hrditaire et initialise au
rang i = 1. Elle est donc vraie pour tout i 1 et en particulier si i = n. Ce qui signifie que
pour tout k 2 {1, , n} gn (vk ) = Pu (u)(vk ) = 0E cest dire que Pu (u) = 0L(E) .
Cas o K = R : on trigonalise dans C et on obtient le rsultat.

Dfinition 7.37 Soit A 2 Mn (K). On dit que A est nilpotente sil existe un entier r non nul
tel que Ar = 0Mn (K) .

Corollaire 7.38 Soit A 2 Mn (K). A est nilpotente si et seulement si PA (x) = ( 1)n xn .

Exemple 7.39 Appliquer le thorme de Cayley-Hamilton la matrice A de lexemple 7.22.


En dduire une matrice nilpotente et calculer son polynme caractristique.

79
7.4.2 Lemme des noyaux
Lemme 7.40 Soit u 2 L(E) et Q(x) = Q1 (x)...Qp (x) un polynme dcompos en produit de
polynmes premiers deux deux. Alors
M M
Ker Q(u) = Ker Q1 (u) ... Ker Qp (u),

et Ker Qi (u) est stable par u .


L L
Dmonstration Vrifions par rcurrence sur p que Ker Q(u) = Ker Q1 (u) ... Ker Qp (u).
Initialisation pour p = 1 : Dans ce cas, Q(x) = Q1 (x) et on a clairement Ker Q(u) = Ker Q1 (u).
Initialisation pour p = 2 : Dans ce cas, Q(x) = Q1 (x)Q2 (x) avec Q1 et Q2 premiers entre
eux. Daprs le thorme de Bezout 7.12, il existe deux polynmes (U, V ) 2 (K[x])2 tels que
Q1 (x)U (x)+Q2 (x)V (x) = 1 donc en crivant cette galit entre polynmes de lendomorphisme
u, on a Q1 (u) U (u) + Q2 (u) V (u) = IdE . Ainsi

8y 2 E, (Q1 (u) U (u))(y) + (Q2 (u) V (u))(y) = y. (7.2)

Montrons que cette galit conduit lgalit suivante entre ensembles :

Ker Q(u) = Ker Q1 (u) + Ker Q2 (u) (7.3)

Nous la dmontrerons par double inclusion.


Soit donc y 2 Ker Q(u). Daprs lgalit (7.2), y scrit y = y1 +y2 avec y1 = Q1 (u) U (u)(y) =
U (u) Q1 (u)(y) et y2 = Q2 (u) V (u)(y) = V (u) Q2 (u)(y). Comme Q(u)(y) = Q1 (u) Q2 (u)(y) =
0, on a par commutativit des polynmes de lendomorphisme, Q2 (u)(y1 ) = Q1 (u)(y2 ) = 0E .
Ainsi, y1 2 Ker Q2 (u) et y2 2 Ker Q1 (u). Donc y = y1 + y2 2 Ker Q2 (u) + Ker Q1 (u). Ceci
tant vrai pour tout y 2 Ker Q(u), on a bien montr la premire inclusion

Ker Q(u) Ker Q1 (u) + Ker Q2 (u).

La deuxime inclusion se montre plus facilement. En eet, comme Qi divise Q, on peut montrer
que Ker Qi (u) Ker Q(u) pour i = 1, 2. Ces ensembles tant des sous-espaces vectoriels de
E, on a bien Ker Q1 (u) + Ker Q2 (u) Ker Q(u). Do lgalit (7.3) recherche.

Il reste montrer que lintersection des deux noyaux est rduite au vecteur nul. On procde
galement par double inclusion. Soit y 2 Ker Q1 (u) \ Ker Q2 (u). Lgalit (7.2) permet dcrire

y = (Q1 (u) U (u))(y) + (Q2 (u) V (u))(y)


= (U (u) Q1 (u))(y) + (V (u) Q2 (u))(y)
= U (u)(Q1 (u)(y)) + V (u)(Q2 (u)(y))
= 0E car y 2 Ker Q1 (u) \ Ker Q2 (u).

Par consquent, (lautre inclusion tant vidente)

Ker Q1 (u) \ Ker Q2 (u) = {0E }. (7.4)

80
L
Les galits (7.3) et (7.4) assurent donc que Ker Q(u) = Ker Q1 (u) Ker Q2 (u).
Hypothse de Rcurrence au rang p 1 o p 2 : On suppose que si Q(x) = Q1 (x)...Qp 1 (x)
avec Q1 , ...Qp 1 deux deux premiers entre eux alors
M M
Ker Q(u) = Ker Q1 (u) ... Ker Qp 1 (u)

Au rang p o p 2 : On suppose que lhypothse de rcurrence est vraie au rang p 1 et on


veut montrer quelle est encore vraie au rang p. Soit Q(x) = Q1 (x)...Qp (x) avec Q1 , ...Qp 1 , Qp
deux deux premiers entre eux. Soit Q = Q1 ...Qp 1 alors Q = Q Qp et comme Q1 , ...Qp 1 , Qp
sont deux deux premiers entre eux, on a Q et Qp premiers entre eux.
Le cas p = 2 dmontr prcdemment assure que
M
Ker Q(u) = Ker Q (u) Ker Qp (u).

Soit F = Ker Q (u).LOn L


applique lHypothse de Rcurrence au rang p 1 lespace vectoriel
F : F = Ker Q1 (u) ... Ker Qp 1 (u) o 8i 2 {1, 2, , p 1}

Ker Qi (u) = {y 2 F tels que Qi (u)(y) = 0E }.

Rappelons que Ker Qi (u) = {y 2 E tels que Qi (u)(y) = 0E }. Il est donc clair que Ker Qi (u)
Ker Qi (u). Rciproquement, si y 2 Ker Qi (u),

Q (u)(y) = (Q1 (u) Q2 (u) Qi 1 (u) Qi+1 (u) Qp 1 (u) Qi (u))(y) = 0E

donc y 2 F et y 2 Ker Qi (u).


L Par
L double inclusion, on a donc montr que Ker Qi (u) =
Ker Qi (u) et F = Ker Q1 (u) ... Ker Qp 1 (u) donc
M M
Ker Q(u) = Ker Q1 (u) ... Ker Qp (u).

7.4.3 Rduction par blocs


Dfinition 7.41 Si est une valeur propre de u de multiplicit , on appelle sous-espace
caractristique associ , le sous-espace vectoriel N = Ker(u id) = Ker(A I) .

Remarque 7.42 Le sous-espace propre associ est inclus dans le sous-espace caractris-
tique associ : E N .

Thorme 7.43 Soit A 2 Mn (K) et u lendomorphisme associ. On suppose que le polynme


caractristique PA est scind dans K tel que PA (x) = ( 1)n (x 1
1 ) ...(x p)
p
avec 8i 6=
p
X
j, i 6= j et i = n. Alors
i=1
L L
1. E = Ker(u 1 id)
1
... Ker(u p id)
p
et 8i 2 {1, 2, , p}, Ker(A i I)
i
est
stable par A.

81
2. On note pour tout i 2 {1, 2, ..., p}, Bi une base de N i , ui , la restriction de u N i et Mi
la matrice de ui dans la base Bi . Alors B = {B1 , ..., Bp } est une base de E telle que :
0 1
M1 0 . . . 0
B 0 M2 . . . 0 C
M = Mat (u, B) = B @ ... ... ... ... A
C

0 0 . . . Mp
3. Pour tout i 2 {1, 2, , p}, dim N i = i et la matrice Mi est une matrice carre dordre
i ayant une seule valeur propre i , de multiplicit i .
0 1
1 1 2 2
B0 0 1 1C
Exemple 7.44 Soit A = B @1
C. Utiliser le lemme des noyaux pour trouver une
1 1 0 A
1 1 1 0
matrice diagonale par blocs semblable A avec chaque bloc triangulaire suprieur.

Remarque 7.45 Application au calcul de la puissance dune matrice.


Soit A, P et A0 dans Mn (K) avec P inversible telle que
0 1 0 m 1
M1 0 . . . 0 M1 0 ... 0
B C B m
... 0 C
A0 = P 1 AP = B
0 M2 . . . 0 C
. On a alors (A 0 m
) = B 0 M2 C
@ ... ... ... ... A @ ... ... ... ... A
0 0 . . . Mp 0 0 . . . Mpm

Dautre part pour tout i 2 {1, 2, , p} nous avons : PMi (x) = ( i x)i et en appliquant le
thorme de Cayley-Hamilton, on obtient

PMi (Mi ) = ( i Ii Mi )i = 0.
i
On dfinit alors la matrice Ti = Mi i Ii , nilpotente puisque Ti = 0. Par suite, en appli-
quant la formule du binme de Newton et en tenant compte qu partir dun certain rang, les
puissances des matrices Ti sont nulles, on obtient :
m
X i
X
m k k m k k
Mim = (Ti + m
i I i ) =
k
Cm i Ti = k
Cm i Ti .
k=0 k=0

Exemple 7.46 Calculer Am o A est la matrice de lexemple 7.44.

82
7.5 Test dauto-valuation
Soit E un espace vectoriel rel de dimension finie n 2 N , F un sous-espace vectoriel de E
et u une application linaire de E dans E.
Question 1. Quelles sont les dfinitions des assertions suivantes ?
a. u est diagonalisable.
b. u est trigonalisable.
c. u est un polynme dendomorphisme.
d. P est un polynme annulateur de u.
e. A est une matrice nilpotente.
f. F est un sous-espace caractristique de u.
g. Le polynme P est scind sur R.

Question 2. Donner la formule du binme de Newton sur les rels. A quelle condition sapplique-
t-il aux matrices ?

Question 3. Donner une condition ncessaire et susante sur u pour tre diagonalisable/trigonalisab

Question 4. Dans quel espace peut-on toujours trigonaliser une matrice ? Existe-t-il un tel
espace pour la diagonaliser ?

Question 5. Dmontrer que les polynmes dun mme endomorphisme commutent entre eux.

Question 6. Quel lien existe-t-il entre spectre de A et polynme annulateur de A ?

Question 7. Enoncer le thorme de Cayley-Hamilton et le lemme des noyaux. Quelles sont


les hypothses de ces thormes ?

Question 8. Dmontrer que tout sous-espace caractristique de u est stable par u.

Question 9. La matrice suivante est-elle diagonalisable ?


0 1
1 2 3
A=@ 2 1 0 A.
3 0 1

Question 10. Eectuer la rduction par bloc de la matrice


0 1
1 0 3
A=@ 2 1 0 A.
0 0 1
En dduire An .

83
Chapitre 8

Espaces euclidiens

Soit E un espace vectoriel rel.

8.1 Dfinitions
8.1.1 Produit scalaire
Dfinition 8.1 On appelle produit scalaire une application de E E dans R, note < ., . >,
qui vrifie 8(x, x0 , y) 2 E 3 , 8 2 R

< x, y > 2 R
< x, y > = < y, x >
< x + x0 , y > = < x, y > + < x0 , y >
< x, y > = < x, y >
< x, x > 0
< x, x >= 0 () x = 0E

On dit que le produit scalaire est une forme bilinaire symtrique dont la forme quadratique est
dfinie positive (voir chapitre 10).

Exemple 8.2 Lapplication dfinie pour tout (x, y, z) 2 R3 et tout (x0 , y 0 , z 0 ) 2 R3 par

< (x, y, z), (x0 , y 0 , z 0 ) >= xx0 + yy 0 + zz

est un produit scalaire sur R3 .


Lapplication dfinie pour tout (x, y) 2 R2 et tout (x0 , y 0 ) 2 R2 par

< (x, y), (x0 , y 0 ) >= xx0 2xy 0 2x0 y + 5yy 0

est un produit scalaire sur R2 .

Dfinition 8.3 Un espace euclidien est un espace vectoriel rel de dimension finie, muni dun
produit scalaire.

84
Remarque 8.4 Si E est muni dun produit scalaire mais nest pas de dimension finie, on
lappelle espace prhilbertien rel.
Remarque 8.5 Soit F sous-espace vectoriel de E muni du produit scalaire <, >. On dfinit
sur F un produit scalaire <, >F par :
8(x, y) 2 F 2 , < x, y >F =< x, y >
Exemple 8.6
1. Rn muni du produit scalaire dfini pour tout x = (x1 , , xn ) et tout y = (y1 , , yn ) par
n
X
< x, y >= xi yi est un espace euclidien.
i=1
2. Soit E = Rn [x] = {P 2 R[x], degP n}. Lapplication dfinie pour tout (P, Q) 2 E 2 par
Z b
< P, Q >= P (x)Q(x)dx est un produit scalaire sur E.
a
3. Lensemble des fonctions relles continues sur [a,b], est un espace prhilbertien rel avec
Z b
le produit scalaire < f, g >= f (x)g(x) dx.
a

8.1.2 Norme euclidienne


Thorme 8.7 (Ingalit de Cauchy-Schwarz) Soit (E, < ., . >) un espace prhilbertien
rel. Alors,
8(x, y) 2 E 2 , < x, y >2 < x, x > < y, y > .
On considre lapplication N de E vers R qui tout vecteur x associe
p
N (x) = ||x|| = < x, x >.
Alors N est une norme sur E et lingalit de Cauchy-Schwarz scrit aussi
| < x, y > | kxk kyk.
Exemple 8.8 Donner les normes associes aux produits scalaires de lexemple 8.6.

8.2 Orthogonalit
Soit (E, < ., . >) un espace euclidien.
Dfinition 8.9 Deux vecteurs x et y de E sont orthogonaux si < x, y >= 0.
Thorme 8.10 ~0 = 0E est le seul vecteur orthogonal tous les autres vecteurs de E.
Thorme 8.11 (Thorme de Pythagore)
8(x, y) 2 E 2 , < x, y >= 0 () ||x + y||2 = ||x||2 + ||y||2 .
Dfinition 8.12 Soit F et G deux sous-espaces vectoriels de E. On dit que F et G sont or-
thogonaux si 8 (x, y) 2 F G , < x, y >= 0.
Consquence : F et G orthogonaux () 9BF = (f1 , fp ) base de F et 9BG = (g1 , , gq )
base de G, 8(i, j) 2 {1, , p} {1, , q}, < fi , gj >= 0.

85
8.2.1 Systmes orthonorms
Dfinition 8.13 Un systme de vecteurs extraits de E est dit orthogonal si les vecteurs sont
deux deux orthogonaux. Un systme est orthonorm si il est orthogonal et si la norme de
chaque vecteur est gale 1 (on dit que les vecteurs sont norms ou unitaires).
Thorme 8.14 Tout systme orthogonal qui ne contient pas ~0 = 0E est libre.
Dfinition 8.15 On appelle matrice dun produit scalaire < , > dfini dans un espace eucli-
dien E de base (e1 , . . . , en ) la matrice de ccients (< ei , ej >)(i,j)2{1,...,n}2 .
Proposition 8.16
1. Si (ei )i=1...n est un systme orthonorm de E (espace vectoriel de dimension n), alors
(ei )i=1...n est une base de E dans laquelle la matrice du produit scalaire est In .
2. Si (ei )i=1...n est un systme orthogonal de E (espace vectoriel de dimension n) ne contenant
pas ~0 = 0E , alors (ei )i=1...n est une base de E dans laquelle la matrice du produit scalaire
est diagonale.

8.2.2 Procd dorthogonalisation de Schmidt


Thorme 8.17 Soit E un espace euclidien de dimension n. Alors, E admet au moins une
base orthonorme.
Dmonstration Soit (ui )i=1...n une base quelconque de E. On dfnit la famille V = (vi )i=1...n
en posant 8
>
> v 1 = u1
< 1
v 2 = u2 2 v1
>
> ...
: 1 2 n 1
v n = un n v1 n v2 ... n vn 1
j
o pour tout k 2 {2, 3, , n} et tout entier j tel que 1 j < k, les k sont des rels que lon
dtermine de sorte que la famille V soit orthogonale :
j < uk , vj >
8k 2 {2, 3, , n}, 8j tel que 1 j < k, hvj , vk i = 0 =) k =
||vj ||2
On vrifie ensuite que V ne contient pas le vecteur nul donc cest une base orthogonale de E.
On construit ensuite une base orthonorme (wi )i=1...n en posant pour tout i 2 {1, 2, , n}
vj
wj = .
||vj ||

Remarque 8.18 Avec le procd dorthogonalisation de Schmidt et avec les notations prc-
dentes, nous avons pour tout p dans {1, 2, , n}, V ect(u1 , u2 , , up ) = V ect(v1 , v2 , , vp ).
Exemple 8.19 On considre dans R4 muni de sa structure euclidienne canonique, le sous-
espace vectoriel F = Vect (u1 , u2 , u3 ) o u1 = e1 +e2 +e3 +e4 , u2 = e1 +e3 et u3 = e1 +e2 +2e3 avec
(e1 , e2 , e3 , e4 ) la base canonique de R4 . Donner, par le procd dorthogonalisation de Schmidt,
une base orthonorme de F .

86
8.2.3 Produit scalaire et norme dans une base orthonorme
n
X n
X
Soit (ei )i=1...n une base orthonorme de E. Soit x et y dans E tels que x = xi ei et y = yi e i .
i=1 i=1
Alors
n
X
1. x = < x, ei > ei .
i=1
n
X
2. < x, y >= xi yi .
i=1
s n
X
3. ||x|| = x2i .
i=1

n
X n
X
Remarque 8.20 Si (e0i )i=1...n est une base orthogonale avec x = x0i e0i et y = yi0 e0i alors
i=1 i=1
Xn
< x, e0i > 0
1. x = 0 2
ei .
i=1
||e i ||
n
X Xn
< x, e0i >< y, e0i >
2. < x, y >= x0i yi0 ||e0i ||2
= .
i=1 i=1
||e0i ||2
s n s n
X X (< x, e0 >)2
3. ||x|| = (x0i )2 ||e0i ||2 = 0 2
i
.
i=1 i=1
||e i ||

8.2.4 Orthogonal dun sous-espace vectoriel


Thorme 8.21 (Dfinition de lorthogonal)
Soit F un sous-espace vectoriel de E. Lensemble des vecteurs orthogonaux tous les vecteurs
de F est un sous-espace vectoriel de E. On le note F ? , on lappelle lorthogonal de F .

Thorme 8.22 Soit F un sous-espace vectoriel de E de base (e1 , e2 , , ep ).

y 2 F ? () 8i 2 {1, 2, , p} , < y, ei >= 0.

Exemple 8.23 Donner E ? , {OE }? ainsi que (Vect (e1 ))? o e1 est le premier vecteur de la
base canonique de R3 muni de sa structure euclidienne canonique.

Thorme 8.24 Si F est un sous-espace vectoriel de E alors :


L ? ?
1. F F = E et F ? = F .
2. 8x 2 E, 9!(y, z) 2 F F ? , x = y + z.
Lapplication PF : E ! E telle que PF (x) = y est un endomorphisme, on lappelle la
projection orthogonale de E sur F .
3. 8x 2 E, x PF (x) 2 F ?

87
4. Si SF reprsente la symtrie orthogonale par rapport F , alors
8x 2 E, SF (x) = PF (x) PF ? (x).
5. De plus, si (vi )1ip est une base orthogonale de F alors
p
X < x, vi >
8x 2 E, PF (x) = vi
i=1
||vi ||2

Exemple 8.25 Soit F le sous-espace vectoriel de R4 de lexemple 8.19. Donner F ? . Calculer


PF (e1 ), e1 PF (e1 ), PF ? (e1 ) et SF (e1 ). crire dans la base canonique de R4 , la matrice de
PF ? . En dduire celle de PF puis celle de SF .

8.3 Isomtries de E
8.3.1 Groupe orthogonal
Soit (E, < ., . >) un espace euclidien.

Dfinition 8.26
Un endomorphisme u dun espace euclidien est dit orthogonal sil conserve la norme euclidienne
cest--dire si
8 x 2 E, ||u(x)|| = ||x||.
On lappelle galement isomtrie de E.

Proposition 8.27 Soit u 2 L(E).


1. u est une isomtrie si et seulement si u conserve le produit scalaire.
2. Si u est une isomtrie alors u est un automorphisme.
3. Une isomtrie ne peut admettre pour valeur propre relle que +1 ou 1.
4. Soit S, la matrice dune isomtrie de E dans une base orthonorme de E. Alors, S T S = I
o I est la matrice identit.
5. Si u est une isomtrie alors det u = 1.
6. Si F est stable par une isomtrie u, alors u|F est une isomtrie de (F, < . >F ) et F ? est
stable par u.

Exemple 8.28 Soit u et v deux endomorphismes de R2 dfinis pour tout (x, y) 2 R2 par
p p ! p p !
3 y x 3 3 y x 3
u(x, y) = x , + y et v(x, y) = x+ , y .
2 2 2 2 2 2 2 2

Montrer que u et v sont des isomtries de R2 . Ecrire A (respectivement B) la matrice de u


(respectivement de v) dans la base canonique de R2 . Donner les valeurs propres relles de u et
de v. Calculer AT A, B T B, det A et det B.

88
Thorme 8.29
Lensemble O(E) des isomtries de E est un groupe pour la composition des endomorphismes,
appel groupe orthogonal de E.

Thorme 8.30
Lensemble des isomtries de dterminant +1 est un sous-groupe de O(E) appel groupe spcial
orthogonal de E, not SO(E).

8.3.2 Matrices orthogonales


Dfinition 8.31 Une matrice carre de Mn (R) est dite orthogonale si S T S = I. On a alors

S orthogonale () S T S = I () SS T = I () S T = S 1

On note S 2 On (R).

Proposition 8.32 Soit S une matrice orthogonale.


1. Pour toute base orthonorme B de E, S est la matrice dun endomorphisme orthogonal
dans la base B.
2. Si S = (sij )1i,jn alors

8i, s21i + ... + s2ni = 1
S orthogonale ()
8i 6= j, s1i s1j + ... + sni snj = 0
() les vecteurs colonnes de S forment une base orthonorme de Rn .
() les vecteurs lignes de S forment une base orthonorme de Rn .

3. S orthogonale =) (detS)2 = 1
4. On (R), lensemble des matrices orthogonales dordre n, constitue un groupe pour la mul-
tiplication. SOn (R), lensemble des matrices orthogonales dordre n de dterminant +1,
est un sous-groupe de On (R).
5. Les valeurs propres relles de S ne peuvent tre que +1 ou 1.

Thorme 8.33 Soit E un espace euclidien. Soit B et B 0 deux bases de E. On note P , la


matrice de passage de B B 0 . Alors :
1. B et B 0 orthonormes =) P orthogonale.
2. B orthonorme et P orthogonale =) B 0 orthonorme.

8.3.3 Matrices orthogonales de M2 (R)


Thorme 8.34 A 2 O2 (R) si et seulement si il existe 2 R tel que

cos sin cos sin
A= ou A =
sin cos sin cos

Exemple 8.35 Dterminer pour les matrices A et B de lexemple 8.28 le rel correspondant.

89
Thorme 8.36 (Matrices orthogonales
dedterminant 1) Soit A 2 SO2 (R) alors il
cos sin
existe 2 R tel que A = R =
sin cos
1. A est la matrice de la rotation de centre O et dangle .
2. = 1 est valeur propre de R ssi R = I2
3. = 1 est valeur propre de R ssi R = I2
4. 8(, 0 ) 2 R2 , R R0 = R+0 = R0 R

Thorme 8.37 (Matrices orthogonales de dterminant


-1) Soit A 2 O2 (R) \ SO2 (R)
cos sin
alors il existe 2 R tel que A = S = .
sin cos
1 0
S est semblable la matrice et S est la matrice dune symtrie orthogonale par
0 1
rapport la droite D = V ect(cos 2 , sin 2 ). On dit aussi que S est la matrice de la rflexion de
droite D.

Proposition 8.38
1. La compose de deux rflexions est une rotation : S S0 = R 0 .

2. Toute rotation peut se dcomposer en produit de deux rflexions : R = S+u Su .

90
8.4 Test dauto-valuation
Question 1. Donner la dfinition dun produit scalaire.

Question 2. Donner lingalit de Cauchy-Schwarz. Dmontrer la.

Question 3. Soit (E, <, >) un espace vectoriel rel muni dun produit scalaire. Dmontrer que
p
lapplication N : E ! R+ dfinie par N (x) = < x, x > est une norme sur E.

Question 4. noncer et dmontrer le thorme de Pythagore.

Question 5. Montrer que tout systme orthogonal est libre.

Question 6. Soit R4 muni du produit scalaire usuel et (e1 , e2 , e3 , e4 ) la base canonique de R4 .


Appliquer le procd dorthogonalisation de Schmidt la base de R4 (e1 + e2 , e2 , e2 + e3 , e4 ).

Question 7. Quest ce que lorthogonal dun sous-espace vectoriel F de E ?

Question 8. Quest-ce quune isomtrie de E ?

Question 9. Que vrifie la matrice dune isomtrie dans une base orthonorme ?

Question 10. Quelles sont les proprits des matrices orthogonales ?

Question 11. Quelles sont les isomtries de R2 ?


p p ! p p !
2 2 2 2
Question 12. Quelle est la nature de p2
2
p2
2
, de p2
2
2p
2
?
2 2 2 2

91
Chapitre 9

Matrices symtriques relles

Soit E un espace euclidien de dimension n et (ei )i=1..n une base orthonorme de E. On note
< ., . > le produit scalaire dans E et k.k la norme associe.

9.1 Endomorphisme symtrique


Dfinition 9.1 Un endomorphisme u de E est dit symtrique sil vrifie :
8x 2 E, 8y 2 E, < u(x), y >=< x, u(y) >
On note S(E) = {u 2 L(E) symtrique}.
Exemple 9.2 Soit u lapplication linaire dfinie pour tout (x, y, z) de R3 par
u(x, y, z) = (2x + y, x + y + z, y + 2z).
Vrifier que u est symtrique. Donner A, sa matrice dans la base canonique de R3 .
Thorme 9.3 Soit u 2 L(E) et A sa matrice dans une base orthonorme. Alors u est sym-
trique si et seulement si A est symtrique (cest--dire AT = A).

9.1.1 Valeurs propres, vecteurs propres de u symtrique


Thorme 9.4 Soit u 2 S(E). Deux vecteurs propres de u associs deux valeurs propres
distinctes de u sont orthogonaux.
Thorme 9.5 Soit u 2 S(E). Les valeurs propres de u sont toutes relles. Le polynme
caractristique de u est donc scind dans R.
Exemple 9.6 Dterminer les valeurs propres et les vecteurs propres0de lendomorphisme
1
14 2 4
1
symtrique de lexemple 9.2. Mme question pour la matrice B = @ 2 17 2 A.
9
4 2 14

Thorme 9.7 Soit u 2 S(E). Si F est stable par u , alors F ? est stable par u et u|F est un
endomorphisme symtrique de (F, < . >F ).

92
9.1.2 Diagonalisation dune matrice symtrique

Thorme 9.8 Soit u 2 S(E). Il existe au moins une base de E forme de vecteurs propres
de u. Donc u est diagonalisable dans R.

Corollaire 9.9 Soit u 2 S(E). Il existe au moins une base orthonorme de E forme de
vecteurs propres de u.

Thorme 9.10 Etant donne une matrice symtrique A relle, il existe au moins une matrice
orthogonale S relle telle que S 1 AS = S T AS = A0 soit diagonale et relle.

Exemple 9.11 Dterminer une matrice diagonale B 0 et une matrice orthogonale S telles que
S 1 BS = S T BS = B 0 o B est la matrice de lexemple 9.6.

Remarque : Il est important de noter que les matrices symtriques valeurs complexes ne sont

1 i
pas toutes diagonalisables. Considrer par exemple la matrice C = .
i 1

9.2 Test dauto-valuation


Question 1. Donner la dfinition dune matrice symtrique relle.

Question 2. Donner la dfinition dun endomorphisme symtrique.

Question 3. Soit u 2 S(E). Que peut-on dire des valeurs propres et du polynme caractris-
tique de u ?

Question 4. Une matrice symtrique relle est-elle toujours diagonalisable ?

Question 5. Une matrice symtrique complexe est-elle toujours diagonalisable ?

Question 6. Diagonaliser la matrice suivante dans une base orthonorme de vecteurs propres

1 1
A= .
1 1

Question 7. Diagonaliser la matrice suivante dans une base orthonorme de vecteurs propres
0 1
1 1 1
B=@ 1 1 1 A.
1 1 1

93
Chapitre 10

Formes bilinaires symtriques relles,


formes quadratiques

Soit E un espace vectoriel rel.

10.1 Formes bilinaires symtriques relles


10.1.1 Dfinitions
Dfinition 10.1 Soit f une application de E E valeurs dans R. Une telle application
sappelle une forme. On dit que f est une forme bilinaire si elle est linaire par rapport
chacune de ses variables :
8 2 R, 8(x, y, x0 ) 2 E 3 , f (x + x0 , y) = f (x, y) + f (x0 , y) .
8 2 R, 8(x, y, y 0 ) 2 E 3 , f (x, y + y 0 ) = f (x, y) + f (x, y 0 ).

Dfinition 10.2 Une forme bilinaire f est symtrique si 8(x, y) 2 E 2 , f (x, y) = f (y, x).

En pratique, pour dmontrer quune forme est bilinaire symtrique, on montre quelle est
symtrique et linaire par rapport sa premire variable. La bilinarit sen dduit alors par
symtrie.
Exemple 10.3 Pour tout (x, y, z) 2 R3 , tout (x0 , y 0 , z 0 ) 2 R3 , tout (u, v) 2 R2
et tout (u0 , v 0 ) 2 R2 on considre :

f0 ((x, y, z), (x0 , y 0 , z 0 )) = xy + yy 0 zz 0 + 2zy 0 + 2yz 0 + x0 y 0


f1 ((x, y, z), (x0 , y 0 , z 0 )) = xx0 + yy 0 + zz 0
f2 ((u, v), (u0 , v 0 )) = uu0 + 2uv 0 + 2u0 v 5vv 0
u u0
f3 ((u, v), (u0 , v 0 )) =
v v0

Parmi les applications prcdentes, lesquelles sont des formes bilinaires symtriques ?

Remarque 10.4 Un produit scalaire sur un espace E est un exemple de forme bilinaire sy-
mtrique.

94
Dfinition 10.5 Soit q, une application de E dans R et s dfinie pour tout (x, y) dans E 2 par
1
s(x, y) = [q(x + y) q(x y)].
4
On dit que q est une forme quadratique sur E si
1. 8x 2 E, 8 2 R, q( x) = 2
q(x)
2. s est une forme bilinaire symtrique.
On appelle alors s la forme polaire de q.

Exemple 10.6 Montrer que lapplication q dfinie sur R par q(x) = x2 est une forme quadra-
tique et donner s la forme polaire associe.

Exemple 10.7 Montrer que lapplication q3 dfinie pour tout (x, y) 2 R2 par
q3 (x, y) = x2 4xy + 5y 2 est une forme quadratique. Donner f3 la forme polaire de q3 .

Proposition 10.8 Si f est une forme bilinaire symtrique, lapplication q de E dans R dfinie
pour tout x de E par q(x) = f (x, x) est une forme quadratique sur E.

Remarque 10.9 Une forme bilinaire symtrique f sur E et sa forme quadratique associe q
sont lies par les relations suivantes :
1 1
8(x, y) 2 E 2 , f (x, y) = [q(x + y) q(x y)] = [q(x + y) q(x) q(y)].
4 2
Exemple 10.10 Donner les formes quadratiques associes aux formes bilinaires symtriques
f1 et f2 de lexemple 10.3.

10.1.2 Forme positive, forme dfinie


Soit f une forme bilinaire symtrique et q la forme quadratique associe.

Dfinition 10.11 On dit que la forme quadratique q est positive si 8x 2 E, q(x) 0.


On dit que q est dfinie si elle vrifie : q(x) = 0 =) x = 0E .

Exemple 10.12 Les formes quadratiques associes aux formes bilinaires symtriques f1 , f2
et f3 des exemples 10.3 et 10.7 sont-elles dfinies ? positives ? dfinies positives ?

Exemple 10.13 La forme quadratique associe au produit scalaire, dfinie pour tout x de E,
par q(x) =< x, x >= kxk2 , est dfinie positive.

95
10.2 Forme bilinaire symtrique en dimension finie
10.2.1 Expression dune forme bilinaire symtrique en dimension fi-
nie
Soit E est un espace vectoriel de dimension finie n, B = (ei )i=1...n une base de E et f une
forme bilinaire symtrique sur E.
Xn n
X
Si x = xi ei et y = yi ei alors
i=1 i=1
X
f (x, y) = xi yj f (ei , ej )
1i,jn

Dfinition 10.14 (Reprsentation matricielle dune forme bilinaire symtrique) On


note pour tous 1 i, j n, !ij = f (ei , ej ) et = (!ij )1i,jn 2 Mn (R). Puisque pour tous
1 i, j n, f (ei , ej ) = f (ej , ei ), est une matrice symtrique. On a alors

8(x, y) 2 E 2 , f (x, y) = X T Y = Y T X.

On appelle la matrice de la forme bilinaire symtrique f dans la base B et on crit =


M at(f, B).

Exemple 10.15 Donner, dans la base canonique de R3 (respectivement de R2 ), la matrice de


la forme bilinaire symtrique f1 (respectivement f2 ) de lexemple 10.3.

Dfinition 10.16 (Reprsentation matricielle dune forme quadratique) Soit q une forme
quadratique associe une forme bilinaire symtrique f . Soit la matrice de f dans une base
B de E. Alors

8x 2 E q(x) = X T X
On dit que est la matrice de la forme quadratique q dans la base B et on note =
M at(q, B).

Proposition 10.17 (Changement de base) Soit B 0 = (e0i )i=1...n une autre base de E et P
la matrice de passage de B B 0 . La matrice reprsentant f dans la base B 0 est 0 dfinie par

0 = P T P.

Exemple 10.18 Ecrire la matrice de la forme bilinaire symtrique f2 de lexemple 10.3 dans
la base (v1 , v2 ) o v1 = e1 + e2 et v2 = 5e1 + e2 avec (e1 , e2 ) la base canonique de R2 .

96
10.2.2 Forme bilinaire symtrique dans un espace vectoriel euclidien
Soit (E, < ., . >) un espace euclidien, f une forme bilinaire symtrique sur E et q la forme
quadratique associe .

Thorme 10.19 Il existe un unique endomorphisme symtrique u 2 S(E) tel que

8(x, y) 2 E 2 f (x, y) =< u(x), y >=< x, u(y) >

Ainsi, 8x 2 E q(x) =< u(x), x >

Remarque 10.20
Si B est une b.o.n. de E, = M at(f, B) et U = M at(u, B) alors = U .

Exemple 10.21 Soit la forme bilinaire symtrique dfinie pour tout X = (x, y, z) 2 R3 et
tout X 0 = (x0 , y 0 , z 0 ) 2 R3 par f4 (X, X 0 ) = xy 0 + x0 y + 2xz 0 + 2x0 z. Dterminer u4 2 S(R3 ) telle
que f4 (X, X 0 ) =< u4 (X), X 0 >.
Mme question pour la forme bilinaire symtrique dfinie pour tout X = (x, y) 2 R2 et tout
X 0 = (x0 , y 0 ) 2 R2 par f5 (X, X 0 ) = 2xx0 xy 0 x0 y + 2yy 0 .
On note q4 et q5 les formes quadratiques associes respectivement f4 et f5 .

Dfinition 10.22 q (ou f ) non dgnre () det u 6= 0 () det 6= 0 () est inversible.

Exemple 10.23 Les formes bilinaires symtriques f4 et f5 de lexemple 10.21 sont-elles d-


gnres ?

Thorme 10.24 q dfinie =) f non dgnre.

10.3 Rduction dune forme quadratique dans un espace


euclidien
10.3.1 Rduction dune forme quadratique en somme de carrs
Thorme 10.25 Soit f une forme bilinaire symtrique sur E dfinie par u 2 S(E) et q sa
forme quadratique associe.
1. Il existe une base V = (v1 , , vn ) de E dans laquelle q scrit comme somme de carrs :
n n
!
X X
9!(1 , , n ) 2 Rn tel que (8 x 2 E) x = xi vi =) q(x) = i x2i . (10.1)
i=1 i=1

2. Soit r le nombre de i non nul dans lexpression (10.1) et p le nombre de i > 0 alors r
et p sont indpendants de la base choisie.

Dfinition 10.26 On appelle signature de q le doublet (p, r p) o r est le rang de q et p est


le nombre de termes positifs dans la dcomposition en carrs (donc r-p est le nombre de termes
ngatifs).

97
Proposition 10.27 Soit E un espace de dimension n et q une forme quadratique sur E. On a
1. q positive () sign(q) = (p, 0).
2. q ngative () sign(q) = (0, r).
3. q dfinie positive () sign(q) = (n, 0).
4. q dfinie ngative () sign(q) = (0, n).
5. q non dgnre () sign(q) = (p, n p).
6. q non dgnre et q positive =) q dfinie.
7. q non dgnre et q ngative =) q dfinie.

Exemple 10.28 Donner la signature des formes quadratiques q4 et q5 de lexemple 10.21.


Retrouver leurs proprits.

10.3.2 Rduction de Gauss


La rduction de Gauss est un algorithme permettant de calculer simplement la signature
dune forme quadratique sans utiliser la rduction dendormorphisme. Il repose essentiellement
sur deux calculs :
1. la mise sous forme canonique dun trinme du second degr P (x) = ax2 + bx + c :
2
b 4ac b2
P (x) = a x + + .
2a 4a

2. le lien entre une forme quadratique et la forme bilinaire symtrique associe (voir Re-
marque 10.9) :

c b ad bc
axy + bx + cy + d = a x + y+ +
" a a
2
a
2 #
a b+c c b ad bc
= x+y+ x y+ +
4 a a a

Algorithme :
Soit q une forme quadratique sur Rn :
n
X X
q(x) = q(x1 , . . . , xn ) = aii x2i + 2 aij xi xj
i=1 1i<jn

1. Si il existe i0 2 {1, . . . , n} tel que le polynme en la variable xi0 est de degr 2, alors on
met le polynme en xi0 sous forme canonique :
!2
X ai j
q(x) = ai0 i0 xi0 + 0
+ q 0 (x1 , . . . , xi0 1 , xi0 +1 , xn )
j6=i
2ai0 i0
0

Et on ritre le procd pour la forme quadratique q 0 sur Rn 1 .

98
2. Si pour tout i 2 {1, . . . , n} le degr de q en xi est infrieur ou gal 1, alors on applique
le second point au cas dun produit de deux variables xi1 xi2 :

q(x) = ai1 i2 xi1 xi2 + l1 (x)xi1 + l2 (x)xi2 + q 0 (x)

o x 2 Rn 2 est la variable x dont on a enlev les variables xi1 et xi2 , l1 et l2 sont des
formes linaires sur Rn 2 et q 0 est une forme quadratique sur Rn 2 . On obtient :
" 2 2 #
ai 1 i 2 l1 (x) + l2 (x) l2 (x) l1 (x)
q(x) = xi1 + xi2 + xi1 xi 2 +
4 ai 1 i 2 ai 1 i 2
0
ai i q (x) l1 (x)l2 (x)
+ 12 .
ai 1 i 2

ai1 i2 q 0 (x) l1 (x)l2 (x)


On ritre ensuite le procd la forme quadratique q(x) = ainsi
ai 1 i 2
obtenue.
Exemple 10.29

q(x, y, z) = x2 + y 2 + z 2 2xy 2xz 2yz


= (x y z)2 4yz
= (x y z)2 + (y z)2 (y + z)2

La signature de la forme quadratique est donc (2, 1).

10.4 Application : tude des coniques et des quadriques


10.4.1 Classification des coniques
Dfinition 10.30 on appelle conique, lensemble ( ) des points du plan ane dont les coor-
donnes dans un repre orthonorm (O, e1 , e2 ), vrifient lquation de la forme :

ax2 + 2bxy + cy 2 + dx + ey + f = 0 (1)


Il peut arriver que lensemble ( ) soit vide ; alors les seuls couples vrifiant (1) sont des nombres
complexes. Dans ce cas, nous dirons que (1) reprsente une conique imaginaire.

a b
Soit f (x, y) = ax +2bxy+cy , la forme quadratique, et =
2 2
la matrice symtrique
b c
associe. Alors
x
f (x, y) = (x, y) .
y
admet deux valeurs propres relles 1 et 2 . Soit v1 (respectivement v2 ) un vecteur propre
unitaire associ la valeur propre 1 (respectivement 2 ). Les vecteurs v1 et v2 sont appels
vecteurs principaux de la conique : chacun deux dfinit une direction principale.

99
Faisons un changement de base orthonorme et rapportons le plan au repre (O, V1 , V2 ).
Dans ce nouveau repre, la forme quadratique scrit :

1 0
f (x, y) = 1 x + 2 y et =
02 02 0
0 2

et lquation (1) devient :


02 02
1x + 2y + d 0 x0 + e 0 y 0 + f 0 = 0 (2)

10.4.1.1 1er cas : 1 = 2 6= 0


(soit b=0 et c=a)
(2) scrit
0 d0 2 e0 2
1 ([x + ] + [y 0 + ] ) + h0 = 0.
2 1 2 1
0 e0
En eectuant une translation dfinie par X = x0 + 2d 1 et Y = y 0 + 2 1
, lquation peut scrire
dans un repre (O, V1 , V2 ) :
X 2 + Y 2 + k = 0.
est un cercle rel si k 0 et imaginaire si k > 0.

10.4.1.2 2nd cas : 1 6= 2 et 1 2 6= 0


(2) scrit :
0 d0 2 0 e0 2
1 [x + ] + 2 [y + ] + h0 = 0.
2 1 2 2
0 0
En eectuant une translation dfinie par : X = x0 + 2d 1 et Y = y 0 + 2e 2 , lquation peut scrire
dans un repre (O, V1 , V2 ) :
2 2
1X + 2Y K = 0.
1 2 > 0, 1K >0
X2 2
a2
+ Yb2 1=0
Ellipse admettant deux axes de symtrie.

1 2 < 0, 1 K6= 0
X2 Y2
a2 b2
1= 0
Hyperbole admettant deux axes de symtrie.

1 2 < 0, K = 0
X2 Y2
a2 b2
=0
La courbe est dgnre en deux droites scantes.

1 2 > 0, K < 0
Ellipse imaginaire.
1 2 > 0, K = 0
Un point.

100
10.4.1.3 3me cas : 1 = 0 et 2 6= 0
(2) scrit :
0 e0 2 e02
2 (y + ) + d 0 x0 + f 0 = 0.
2 2 4 22
0
Aprs la translation X = x0 , Y = y 0 + 2e 2 ,on obtient :
Y 2 2pX + K = 0 si d0 6= 0 Parabole (un axe de symtrie)

Y2 K = 0 si d0 = 0 Couple de droites parallles rel ou imaginaire.

10.4.2 Classification des quadriques


Dfinition 10.31 on appelle quadrique, lensemble () des points de lespace ane dont les
coordonnes dans un repre orthonorm (O, e1 , e2 , e3 ), vrifient lquation de la forme :

ax2 + a0 y 2 + az 2 + 2byz + 2b0 xz + 2bxy + 2cx + 2c0 y + 2cz + d = 0 (3)

Soit f (x, y, z) la forme quadratique :

f (x, y, z) = ax2 + a0 y 2 + az 2 + 2byz + 2b0 xz + 2bxy


0 1
a b b0
et Omega = @ b a0 b A la matrice symtrique associe.
b0 b a
a trois valeurs propres relles 1 , 2 , 3 . Un vecteur propre unitaire de est dit vecteur
principal de . Il dfinit une direction principale de . Si est vide, nous dirons que (3)
reprsente une quadrique imaginaire.
Nous faisons un changement de repre orthonorm (O, V1 ,V2 ,V3 ) o V1 ,V2 ,V3 sont des vecteurs
propres unitaires de .
Dans ce nouveau repre :
f (x, y, z) = 1 x02 + 2 y 02 + 3 z 02 .
et (3) devient :
02 02 02
1x + 2y + 3z + 2x0 + 2 y 0 + 2 z 0 + = 0 (4)

10.4.2.1 1er cas : 1 2 3 6= 0


Par la translation X = x0 +
1
, Y = y0 + 2
, Z = z0 + 3
, (4) devient :

2 2 2
1X + 2Y + 3Z K=0

1, 2, 3 et K de mme signe

est un ellipsode. En particulier si 2,


cest un ellipsode de rvolution engendr par la
1 =
X2 Y 2
rotation autour de laxe OZ de lellipse dquation : 2 + 2 1 = 0.
a b
101
1, 2, 3 de mme signe ,K de signe contraire

est un ellipsode imaginaire

1, 2, 3 de mme signe ,K =0

est un cne imaginaire

1 , 2 , 3 ne sont pas de mme signe


Deux cas :
X2 Y 2 Z2
+ 2 1=0
a2 b c2
est un hyperbolode une nappe.

X2 Y 2 Z2
+ 2 +1=0
a2 b c2
est un hyperbolode deux nappes.

1, 2, 3 ne sont pas de mme signe et K=0

X2 Y 2 Z2
+ 2 =0
a2 b c2
est un cne.

10.4.2.2 2nd cas : 1 2 6= 0, 3 =0


Par la translation X = x0 +
1
, Y = y0 + 2
, Z = z 0 , (4) devient :
2 2
1X + 2Y +2 z K = 0.

Si = 0,
2 2
1X + 2Y K=0
est un cylindre.

K
Si 6= 0, on pose Z = z
2
2 2
1X + 2Y 2 Z = 0.

est un parabolode (si 1 = 2, parabolode de rvolution autour de OZ).

102
10.4.2.3 3me cas : 1 6= 0, 2 = 3 =0
par la translation X = x0 +
1
, Y = y 0 ,Z = z 0 (4) devient :

Soit X 2 2pY 2qZ = 0


est un cylindre parabolique.

Soit X 2 = K
est un couple de plans parallles rels ou imaginaires.

10.5 Test dauto-valuation


Question 1. Donner la dfinition dune forme bilinaire, dune forme symtrique, dune forme
quadratique.

Question 2. Soit q : R3 ! R telle que q(x, y, z) = 2x2 + 4yz z 2 . Donner la matrice de la


forme quadratique q dans la base canonique de R3 .

Question 3. Donner la reprsentation matricielle dune forme bilinaire symtrique, dune


forme quadratique dans une base B de E.

Question 4. Donner la formule matricielle de changement de base pour une forme bilinaire
symtrique.

Question 5. Donner la dfinition dune forme quadratique dfinie, puis dfinie positive.

Question 6. Soit q une forme quadratique. Donner la dfinition de la signature de q.

Question 7. Soit f une forme bilinaire symtrique. Que signifie : "f est non dgnre " ?

Question 8. Soit q une forme quadratique. Que signifie : "q est non dfinie" ?

Question 9. On considre la forme quadratique dfinie pour u = (x, y, z) 2 R3 par


q(u) = x2 + 2y 2 2z 2 . Quelle est la signature de q ? q est-elle dgnre ? positive ? dfinie
positive ?

Question 10. On considre la forme quadratique q dfinie pour u = (x, y, z) 2 R3 par


q(u) = x2 + y 2 . Quelle est la signature de q ? q est-elle dgnre ? positive ? dfinie positive ?

Question 11. On considre la forme quadratique q dfinie pour u = (x, y, z) 2 R3 par


q(u) = 2xy 2yz 2xz.
1. Ecrire M la matrice de q.
2. Donner une base orthonorme (pour le produit scalaire habituel) de R3 forme de vecteurs
propres de M .

103
3. Ecrire q dans cette nouvelle base.
4. Donner la signature de q.
5. q est-elle dgnre ? positive ? dfinie positive ?
6. Retrouver les rsultats prcdents en utilisant la mthode de Gauss.

104
Chapitre 11

Formes sesqui-linaires, formes


hermitiennes, espaces complexes

Soit E un espace vectoriel sur le corps des complexes.

11.1 Formes sesqui-linaires, formes hermitiennes


11.1.1 Dfinitions
Dfinition 11.1 Soit f une application de E E dans C telle que pour tous (v, v 0 , v 00 ) 2 E 3
et tout 2 C :
1. f (v + v 0 , v 00 ) = f (v, v 00 ) + f (v 0 , v 00 )
2. f ( v, v 0 ) = f (v, v 0 )
3. f (v, v 0 + v 00 ) = f (v, v 0 ) + f (v, v 00 )
4. f (v, v 0 ) = f (v, v 0 )
5. f (v 0 , v) = f (v, v 0 ).
On dit alors que f est une forme sesqui-linaire sur E.

Remarque 11.2 On peut galement dfinir une forme sesqui-linaire en remplaant 2. par
f ( v, v 0 ) = f (v, v 0 ) et 4. par f (v, v 0 ) = f (v, v 0 )

Dfinition 11.3 Soit f une forme sesqui-linaire sur E, lapplication q dfinie de E dans R
qui x dans E, associe le rel q(x) = f (x, x) est appele forme hermitienne associe f .

Dfinition 11.4 q : E ! R est une forme hermitienne si :


1. 8x 2 E, 8 2 C, q( x) = | |2 q(x)
2. f : E E ! C telle que f (x, y) = 14 [q(x + y) q(x y) iq(x + iy) + iq(x iy)]
est une forme sesqui-linaire.

105
11.1.2 Reprsentation matricielle
Dfinition 11.5 Soit E de dimension finie n. Soit B = (ei )i=1...n une base de E et f une
forme sesqui-linaire sur E. On note pour 1 i, j n, !ij = f (ei , ej ) et = (!ij )1i,jn 2
Mn (C).

On a donc pour tous 1 i, j n, !ji = f (ej , ei ) = f (ei , ej ) = !ij .


T
La matrice vrifie = , on dit que cest une matrice hermitienne. De plus on a :
X
8(x, y) 2 E 2 , f (x, y) = xi yj f (ei , ej ) = X T Y
1i,jn

Proposition 11.6 (Changement de base) Soit B 0 = (e0i )i=1...n et P matrice de passage de


B B 0 . La matrice reprsentant f dans la base B 0 est 0 dfinie par 0 = P T P .

11.1.3 Orthogonalit, forme positive, forme dfinie


Soit f une forme sesqui-linaire sur E.

Dfinition 11.7 f est positive si pour tout x 2 E, q(x) 0.


f (ou q) est dfinie si q(x) = 0 =) x = 0E .

Dfinition 11.8 Supposons E de dimension finie.


f (ou q) non dgnre () det 6= 0

Thorme 11.9 Si f est positive alors


p p
1. Ingalit de Schwarz : 8(x, y) 2 E 2 , |f (x, y)| q(x) q(y)
2. f dfinie () f non dgnre.

11.2 Espaces hermitiens


Dfinition 11.10 Tout espace vectoriel complexe, sur lequel est dfini une forme sesqui-linaire
positive et dfinie (ou non dgnre) est un espace pr-hilbertien complexe. Si E est de dimen-
sion finie, cest un espace hermitien. De plus, f est appel produit scalaire complexe et not
<, >.

11.2.1 Norme et orthogonalit


p
Thorme 11.11 Soit E pr-hilbertien complexe. Lapplication x ! q(x) est une norme
sur E. On note alors ||x|| la norme de x.
Par consquent, si E est hermitien, il existe une base orthonorme.

Thorme 11.12 (Thorme de Pythagore)


Si < x, y >= 0 alors ||x + y||2 = ||x||2 + ||y||2 . La rciproque est fausse.

106
n
X n
X
Proposition 11.13 Soit (ei )1in une base orthonorme de E et si x = xi ei et y = yi e i ,
i=1 i=1
alors
1. =Mat (f, (ei )i=1...n ) = In
Xn
2. < x, y >= x i yi
i=1
s n
X
3. ||x|| = |xi |2 .
i=1
n
X
4. x = < x, ei > ei .
i=1

11.2.2 Groupe unitaire


Soit E un espace hermitien et u 2 L(E).
Dfinition 11.14 u est unitaire si pour tout x dans E, ||u(x)|| = ||x||. On a alors aussi
8(x, y) 2 E, < u(x), u(y) >=< x, y >.

Thorme 11.15 Soit u endomorphisme unitaire.


1. Les valeurs propres de u sont de module gal 1.
2. Les sous-espaces propres associs deux valeurs propres distinctes sont orthogonaux.

11.2.3 Traduction matricielle


Proposition 11.16 Soit (ei )1in une base orthonorme de E, u un endomorphisme unitaire
et U sa matrice dans la base (ei )1in .
T
On a alors U U = In et la matrice U est unitaire.
T
U est alors inversible, U 1 = U avec |det U | = 1.

Si (ei )1in et (e0i )1in sont deux bases orthonormes de E, alors la matrice de passage est
unitaire.

11.2.4 Endomorphismes auto-adjoints


Soit E hermitien et u 2 L(E).

Dfinition 11.17 u est auto-adjoint si 8(x, y) 2 E 2 , < u(x), y >=< x, u(y) >

Soit (ei )1in une base orthonorme de E, u un endomorphisme auto-adjoint et U sa matrice


T
dans la base (ei )1in alors U = U et la matrice U est hermitienne.
Proposition 11.18 Soit u un endomorphisme auto-adjoint
1. Les valeurs propres de u sont toutes relles.

107
2. Les sous-espaces propres associs deux valeurs propres distinctes sont orthogonaux.
3. Il existe une base orthonorme forme de vecteurs propres de u.

1 i
Exemple 11.19 1. La matrice H = est une matrice hermitienne.
i 1
Ses valeurs propres sont les rels 0 et 2, les espaces propres associs sont E0 = Vect (i, 1)
et E2 = Vect (i, 1) et ils sont orthogonaux puisque

< (i, 1), (i, 1) >= ii + 1( 1) = 0.


p p !
2 2
La famille (i, 1); (i, 1) est une base orthonorme de C2 .
2 2
p
2 i i
2. La matrice P = est unitaire. On a det P = i donc |det P | = 1.
2 1 1
p p p p p p p p
6 2 6+ 2 6+ 2 2 6
Les valeurs propres sont 1 = +i et 2 = +i
p 4 p 4 4 4
6 + 2 + 4 3 + 2 + 6 4 3
avec | 1 |2 = | 2 |2 = = 1.
16
On peut vrifier que les espaces propres sont orthogonaux.

11.3 Rduction dune forme hermitienne


Thorme 11.20 Soit q une forme hermitienne sur E. Il existe une base V = (v1 , , vn ) de
E dans laquelle q scrit comme somme de modules au carr :
n n
!
X X
9!(1 , , n ) 2 Rn tel que (8 x 2 E) x = xi vi =) q(x) = i |xi |2 . (11.1)
i=1 i=1

Exemple 11.21 Soit (e1 , e2 ) une base orthonorme de C2 et q la forme hermitienne p dfinie
2
pour tout x = x1 e1 + x2 e2 par q(x) = |x1 |2 ix1 x2 + ix1 x2 + |x2 |2 . Si on pose v1 = (i, 1) et
p 2
2
v2 = (i, 1), alors (v1 , v2 ) une base orthonorme de C2 telle que pour tout x = X1 v1 + X2 v2
2
on a q(x) = 2|X1 |2 .

11.4 Correspondance entre le cas rel et le cas complexe


Soit E un espace vectoriel de dimension finie sur le corps K = R ou C.
Soit B = (e1 , e2 , , en ) et B 0 = (e01 , e02 , , e0n ) deux bases de E. On note P la matrice de
passage entre les bases B et B 0 .
On considre lapplication f : E E ! K. On note = Mat (f, B), 0 = Mat (f, B 0 ).
Soit x, x0 , y et y 0 des vecteurs de E et un lment de K. On note X (respectivement Y ) la
matrice des coordonnes du vecteur x (respectivement y) dans la base B.

108
Forme bilinaire symtrique Forme sesqui-linaire

K=R K=C

f (x + x0 , y) = f (x, y) + f (x0 , y) f (x + x0 , y) = f (x, y) + f (x0 , y)


f (x, y + y 0 ) = f (x, y) + f (x, y 0 ) f (x, y + y 0 ) = f (x, y) + f (x, y 0 )
f (y, x) = f (x, y) f (y, x) = f (x, y)

f (x, y) = X T Y f (x, y) = X T Y
T
T = , cest une matrice symtrique = , cest une matrice hermitienne

Changement de base : Changement de base :


0 = P T P 0 = P T P

f non dgnre , det 6= 0 f non dgnre , det 6= 0

Forme quadratique Forme hermitienne

K=R K=C

q(x) = f (x, x) 2 R q(x) = f (x, x) 2 R

f (x, y) = 14 [q(x + y) q(x y)] f (x, y) = 14 [q(x + y) q(x y) iq(x + iy) + iq(x iy)]
= 12 [q(x + y) q(x) q(y)]

f est dfinie , (q(x) = 0 ) x = 0E ) f est dfinie , (q(x) = 0 ) x = 0E )

Il existe une base dans laquelle Il existe une base dans laquelle
q(x) = x21 + + x2p x2p+1 x2r q(x) = |x1 |2 + + |xp |2 |xp+1 |2 |xr |2

Soit < ., . > un produit scalaire (rel ou complexe selon que K = R ou C) qui confre E
une structure despace euclidien dans le cas rel ou despace hermitien dans le cas complexe.
On suppose maintenant que B = (e1 , e2 , , en ) est une base orthonorme de E. Soit u 2 L(E)
et A = Mat (u, B).

109
Endomorphismes symtriques Endomorphismes auto-adjoints

K=R K=C

u est symtrique si u est auto-adjoint si

< u(x), y >=< x, u(y) > < u(x), y >=< x, u(y) >

T
AT = A A =A

u est diagonalisable dans une base u est diagonalisable dans une base
orthonorme de vecteurs propres orthonorme de vecteurs propres

Groupe orthogonal Groupe unitaire

K=R K=C

u est orthogonal si u est unitaire si

< u(x), u(y) >=< x, y > < u(x), u(y) >=< x, y >
ou ou
||u(x)|| = ||x|| ||u(x)|| = ||x||

T
AT A = I A A=I

det u = 1 | det u | = 1

Les valeurs propres relles de u sont 1 Les valeurs propres de u sont de module 1

110
11.5 Test dauto-valuation
Question 1. Donner la dfinition dune forme sesqui-linaire, dune forme hermitienne.

Question 2. Soit q : C3 ! R telle que q(x, y, z) = 2xx + yz + yz + ixy ixy. Donner la


matrice de la forme hermitienne q dans la base canonique de C3 .

Question 3. Donner la reprsentation matricielle dune forme sesqui-linaire, dune forme


hermitienne dans une base B de E.

Question 4. Donner la formule matricielle de changement de base pour une forme sesqui-
linaire.

Question 5. Donner la dfinition dune forme hermitienne dfinie, puis dfinie positive.

111