Vous êtes sur la page 1sur 37

LICENCE 3 MATHEMATIQUES

Expédition dans la semaine n° Etape Code UE N° d’envoi de l’UE


48 L3 SMI5U10T 2

Nom de l’UE : ALGEBRE 3

- Contenu de l'envoi :
Chapitre sur les formes linéaires et bilinéaire
Principales notions abordées:
Dualité, formes bilinéaires, formes quadratiques, orthogonalité, loi d'inertie de Sylvester, algorithme de réduction de
Gauss, Isotropie

Exercices du second envoi

Premier devoir à la maison, à rendre le 2 février 2020 dernier délai par mail à xavier.roulleau@univ-amu.fr
Merci de mettre votre fichier au format : NomPrenomDM1.pdf

Corrigé des exercices de l'envoi précédent

- Guide du travail à effectuer


Etudier le cours
Exercices à faire à l'aide des exemples du cours
Etudier la correction des exercices de l'envoi précédent

− Coordonnées de l'enseignant responsable de l'envoi :


Adresse électronique :
xavier.roulleau@univ-amu.fr

Aix Marseille Université - Centre de Télé-Enseignement Sciences


Case 35. 3, place Victor Hugo. 13331 Marseille Cedex 03.

http://www.ctes.univ-provence.fr

P o u r r a p p r o c h e r l a c o n n a i s s a n c e
Aix Marseille Université - Centre de Télé-Enseignement Sciences
Case 35. 3, place Victor Hugo. 13331 Marseille Cedex 03.

http://www.ctes.univ-provence.fr

P o u r r a p p r o c h e r l a c o n n a i s s a n c e
ALGÈBRE 3, COURS DE TÉLÉ-ENSEIGNEMENT,
CHAP. 2

XAVIER ROULLEAU - UNIV. D’AIX-MARSEILLE - L3 - 2019/2020

1. Dualité
1.1. Formes linéaires. Soit K un corps et soit E un K-espace vecto-
riel. Le corps K est aussi un espace vectoriel sur lui même, cela a donc
un sens de parler d’applications linéaires entre E et K :
Définition 1. Une fonction ` : E ! K est dite forme linéaire (sur E)
si c’est une application linéaire, c’est-à-dire qu’elle vérifie les axiomes
8x, y 2 E, `(x + y) = `(x) + `(y) (additivité)
8x 2 E, 8 2 K, `( x) = `(x) (homogenéité)
L’ensemble des formes linéaires de E est noté E ⇤ .
Un fait important est que E ⇤ possède une structure naturelle d’es-
pace vectoriel, c’est parfois surprenant pour certains d’entre-vous. Cette
structure d’espace vectoriel est donnée par les lois d’addition et de mul-
tiplication externe suivantes :
a) Si `1 et `2 sont deux formes linéaires (c’est à dire deux éléments de
E ⇤ ), on définit la fonction `1 + `2 : E ! K par :
8x 2 E, (`1 + `2 )(x) := `1 (x) + `2 (x)
(ici le symbole := signifie « égal par définition »).
b) si 2 K est un scalaire et ` 2 E ⇤ , on définit la fonction ` : E ! K
par :
8x 2 E, ( `)(x) := `(x)
On vérifie que les fonctions `1 + `2 et ` ainsi définies sont bien des
formes linéaires, c’est-à-dire satisfont aux axiomes de la définition (ad-
ditivité et homogénéité) et donc `1 + `2 2 E ⇤ et ` 2 E ⇤ . On a donc
ainsi un espace vectoriel sur K 1
Définition 2. L’ensemble E ⇤ est appelé l’espace dual (ou parfois plus
simplement « le dual ») de E.

1. Plus généralement en prenant modèle sur la démonstration ci-dessus, on peut


montrer que si E est un ensemble quelconque et V un espace vectoriel sur K,
alors l’ensemble des fonctions de E à valeurs dans V est naturellement muni d’une
structure de K-espace vectoriel).
1
2 XAVIER ROULLEAU - UNIV. D’AIX-MARSEILLE - L3 - 2019/2020

Exemple 1. Une forme linéaire sur K n est une fonction K n ! K


de la forme (x1 , ..., xn ) ! a1 x1 + · · · + an xn (avec ai 2 K) ; elle est
déterminée par sa matrice (a1 , a2 , ..., an ) (matrice ligne).
Exemple 2. L’application qui a une matrice carrée A 2 Mn (K)
associe sa trace (somme des coefficients diagonaux) est une forme li-
néaire.
Exemple 3. L’ensemble R est un espace vectoriel de dimension 1 sur
lui-même ; les applications linéaires f :! R sont de la forme f (x) = ax.
Les applications de la forme f (x) = ax + b avec b ne sont pas linéaires
si b 6= 0 (on parle d’application affine).
Exemple 4. Notons F l’espace vectoriel des fonctions continues sur
un intervalle fermé [a, b] de R et à valeurs dans R. L’application qui
Rb
à toute fonction f de F , associe l’intégrale a f (t)dt est une forme
linéaire sur F . En effet pour ces fonctions continues sur un intervalle
borné
Rb fermé, l’intégrale
Rb de la somme est la somme des intégrales et
a
f (t)dt = a
f (t)dt.
Exemple 5. Soit f : R2 ! R, f (x, y) = xy ; f n’est pas linéaire :
on n’a ni l’homogénéité (en effet f ( x, y) = 2 xy 6= f (x, y)), ni
l’additivité (par exemple f (2, 0) + f (0, 2) 6= f (2, 2)).
Exemple 6. Soit f : R2 ! R, f (x, y) = x2 y si y non nul et 0 sinon ;
f n’est pas linéaire : l’homogénéité est vérifiée mais pas l’additivité.
Si x est un vecteur de E et ` une forme linéaire sur E, on utilise
parfois la notation h`, xi (« le crochet de dualité ») pour désigner`(x),
c’est-à-dire h`, xi := `(x). Les propriétés du crochet de dualité sont
h`, x + yi = h`, xi + h`, yi
h`, xi = h`, xi
h` + m, xi = h`, xi + hm, xi
h `, xi = h`, xi .
Soit V un K-espace vectoriel de dimension n 2 N, n > 0. Soit B =
(e1 , . . . , en ) une base de V . Tout élément x de V s’écrit de manière
unique
x = x1 e 1 + · · · + xn e n
avec x1 , . . . , xn des éléments de K, uniquement déterminés par v. Pour i
entier 1  i  n, on définit l’application e⇤i : V ! K comme la fonction
qui à x = x1 e1 + · · · + xn en associe e⇤i (x) = xi 2 K. Vous connaissez en
fait cette application sous le nom de « i-ème coordonnée » de x dans
la base B. Si x = x1 e1 + · · · + xn en et y = y1 e1 + · · · + yn en sont deux
vecteurs de V et 2 K, on a
x + y = (x1 + y1 )e1 + · · · + (xn + yn )en ,
ALGÈBRE 3, COURS DE TÉLÉ-ENSEIGNEMENT, CHAP. 2 3

et donc e⇤i (x + y) = xi + yi = e⇤i (x) + e⇤i (y). La fonction e⇤i est donc
une forme linéaire.
Lemme 3. Les applications linéaires (e⇤1 , . . . , e⇤n ) forment une base de
l’espace dual V ⇤ . L’espace V ⇤ est en particulier de la même dimension
que V .
Démonstration. Soit ` 2 V ⇤ une forme linéaire. Si x = x1 e1 + · · · + xn en
est un vecteur de V , comme ` est linéaire, on a
`(x) = x1 `(e1 ) + · · · + xn `(en )
et donc ` est déterminée par les valeurs `(e1 ) 2 K, . . . , `(en ) 2 K qu’elle
prend sur la base B. Définissons une fonction L : V ! K par
L = `(e1 )e⇤1 + · · · + `(en )e⇤n ,
On a pour tout x = (x1 , . . . , xn ) 2 V :
L(x) = `(e1 )e⇤1 (x) + · · · + `(en )e⇤n (x) = `(e1 )x1 + · · · + `(en )xn = `(x).
On voit ainsi que la forme linéaire ` est égale à L : la forme ` s’écrit
comme combinaison linéaire de e⇤1 , . . . , e⇤n . Ainsi la famille e⇤1 , . . . , e⇤n est
génératrice de V ⇤ . Supposons que pour des scalaires i 2 K, la forme
⇤ ⇤
` := 1 e1 + ··· + n en

soit la forme nulle. Alors 0 = `(ei ) = i pour tout 1  i  n, et donc


les n vecteurs e⇤i de l’espace dual sont linéairement indépendants. La
famille (e⇤1 , . . . , e⇤n ) est libre et génératrice : c’est une base. ⇤

2. Formes quadratiques
2.1. Applications multilinéaires. Soient V1 , ..., Vk , W des K-espaces
vectoriels de dimension finie.
Définition 4. Une application f : V1 ⇥···⇥Vk ! W est dite k-linéaire
si elle est linéaire par rapport à chaque argument, c’est à dire si pour
tous i 2 {1, ..., k}, vj 2 Vj (avec j 2 {1, . . . , k} \ {i} ), vi0 , vi00 2 Vi et
↵0 , ↵00 2 K on a
f (v1 , ..., ↵0 vi0 +↵00 vi00 , ..., vk ) = ↵0 f (v1 , ..., vi0 , ..., vk )+↵00 f (v1 , ..., vi00 , ..., vk ).
Dans ce cours on va étudier en détail le cas k = 2, dans lequel la
définition ci-dessus devient :
Définition 5. Une application f : V1 ⇥ V2 ! W est dite bilinéaire si
pour tous v1 , v10 , v100 2 V1 , v2 , v20 , v200 2 V2 , ↵0 , ↵00 2 K on a les égalités

f (↵0 v10 + ↵00 v100 , v2 ) = ↵0 f (v10 , v2 ) + ↵00 f (v100 , v2 )
.
f (v1 , ↵0 v20 + ↵00 v200 ) = ↵0 f (v1 , v20 ) + ↵00 f (v1 , v200 )
4 XAVIER ROULLEAU - UNIV. D’AIX-MARSEILLE - L3 - 2019/2020

On va utiliser la notation

L(V1 , . . . , Vk ; W ) := {f : V1 ⇥ · · · ⇥ Vk ! W | f est k linéaire}.

Cet ensemble a une structure naturelle de K-espace vectoriel. Pour k =


1 et les deux K-espaces vectoriels V1 = V , W de dimensions finies n, m
on obtient l’espace L(V, W ) des applications linéaires f : V ! W . Nous
savons qu’en choisissants des bases dans les deux espaces, cet espace
s’identifie à l’espace des matrices Mm,n (K). Supposons maintenant que
V1 = · · · = Vk = V . Dans ce cas on va utiliser la notation simplifiée
Lk (V, W ) au lieu de L(V, ..., V, W ) où V est répété k fois.

Définition 6. Une application k-linéaire f 2 Lk (V, W ) est dite


1. symétrique, si elle est invariante par rapport à la permutation de deux
arguments, c’est à dire si pour tous les indices i, j tels que 1  i < j  k
et vecteurs vs 2 V (1  s  k) on a

f (v1 , ..., vi , ..., vj , ..., vk ) = f (v1 , ..., vj , ..., vi , ..., vk )

(où vi est placé sur la i-ème place à gauche et sur la j-ième place à
droite, et similairement pour vj ) .
2. alternée (on dit aussi anti-symétrique), si elle est anti-invariante
(c’est-à-dire si elle change de signe) par rapport à la permutation de
deux arguments, c’est à dire si pour tous les indices i, j tels que 1 
i < j  k et vecteurs vs 2 V (1  s  k) on a

f (v1 , ..., vi , ..., vj , ..., vk ) = f (v1 , ..., vj , ..., vi , ..., vk )

(où vi est placé sur la i-ième place à gauche et sur la j-ième place à
droite, et similairement pour vj ).

On va désigner par Lsym k (V, W ), respectivement Lalt k (V, W ), les es-


paces des applications k-linéaires symétriques (respectivement alter-
nées) définies sur V ⇥ · · · ⇥ V (k fois) à valeurs dans W .
Notons que pour toute permutation 2 Sk de l’ensemble {1, . . . , k},
le scalaire f (v (1) , . . . , v k ) est égal à f (v1 , ..., vk ) si f est symétrique
et à sign( )f (v1 , ..., vk ) si f est alternée (où sign( ) est la signature
de la permutation ). Pour k = 2, les deux conditions deviennent très
simples :
Une application bilinéaire f 2 L2 (V, W ) est
1. symétrique si pour tous v1 , v2 2 V on a f (v2 , v1 ) = f (v1 , v2 ),
2. alternée (anti-symétrique) si pour tous v1 , v2 2 V on a f (v2 , v1 ) =
f (v1 , v2 ).
ALGÈBRE 3, COURS DE TÉLÉ-ENSEIGNEMENT, CHAP. 2 5

Exemple 7. 1. Le produit scalaire standard h·, ·i sur Rn est une ap-


plication bilinéaire symétrique
i=n
X
h·, ·i : Rn ⇥ Rn ! R : hu, vi = ui vi .
i=1

2. Le produit vectoriel ^ est l’application R ⇥ R3 ! R3 définie par


3

u2 v 2 u1 v 1 u1 v 1
u ^ v := e e2 + e
u3 v 3 1 u3 v 3 u2 v 2 3
où (e1 , e2 , e3 ) désigne la base canonique de R3 . Cette application est bi-
linéaire alternée (anti-symétrique). Exercice : vérifier cette affirmation.
3. L’application déterminant det : Mn (K) ! K peut être regardée
comme une application K n ⇥ · · · ⇥ K n ! K, (n fois K n ) parce qu’une
matrice carrée d’ordre n est déterminée par ses colonnes, donc par
la donnée de n vecteurs de K n . En utilisant cette interprétation, det
devient une application n-linéaire anti-symétrique. Exercice : vérifier
cette affirmation en utilisant les propriétés du déterminant.
Notons que Lsym
k k (V, W ) sont des sous-espaces vectoriels
(V, W ), Lalt
de l’espace vectoriel Lk (V, W ). Pour k = 2 ces sous-espaces donnent
une décomposition en somme directe :
Proposition 8. Les sous-espaces Lsym
2 2 (V, W ) donnent une
(V, W ), Lalt
décomposition en somme directe de L2 (V, W ).
Démonstration. (i) On montre que Lsym 2 2 (V, W ) sont en somme
(V, W ), Lalt
directe :
En effet, si f 2 L2 (V, W ) est à la fois symétrique et anti-symétrique,
alors on a pour tous vecteurs u, v 2 V , f (u, v) = f (v, u) = f (u, v),
donc 2f (u, v) = 0, c’est à dire (puisque dans le corps K, 2 6= 0)
f (u, v) = 0 et donc f est la fonction nulle.
(ii) Montrons que Lsym2 2 (V, W ) = L2 (V, W ) :
(V, W ) + Lalt
En effet, soit f 2 L2 (V, W ). Nous définissons fs : V ⇥ V ! W ,
fa : V ⇥ V ! W par
1
fs (u, v) := (f (u, v) + f (v, u)),
2
et
1
fa (u, v) := (f (u, v) f (v, u)).
2
Il est facile de voir que fs 2 Lsym 2 (V, W ) et fa 2 Lalt
2 (V, W ). D’autre
part on remarque que f = fs + fa . Donc tout élément f de L2 (V, W )
s’écrit comme la somme d’un élément de Lsym 2 (V, W ) et d’un élément
sym
de L2 (V, W ), c’est à dire L2 (V, W ) + L2 (V, W ) = L2 (V, W ).
alt alt

6 XAVIER ROULLEAU - UNIV. D’AIX-MARSEILLE - L3 - 2019/2020

Dans la suite on va se concentrer sur le cas W = K, donc on va


étudier l’espace L2 (V, K) des applications bilinéaires ' : V ⇥ V ! K.
Une telle application s’appelle forme bilinéaire sur V ⇥ V . Parfois on
dit brièvement forme bilinéaire sur V (au lieu de "sur V ⇥ V "), mais
on sous-entend toujours une application bilinéaire définie sur V ⇥ V à
valeurs dans K.
Définition 9. Soit ' : V ⇥ V ! K une forme bilinéaire, et B =
(f1 , ..., fn ) une base de V . Les scalaires
'ij := '(fi , fj )
sont appelés les coefficients de ' dans la base B. La matrice de la
forme bilinéaire ' dans la base (f1 , ..., fn ) est la matrice formée avec
ces coefficients, c’est-à-dire la matrice = ('ij )1in . Pour mettre en
évidence la base utilisée on va utiliser la notation MB (') pour cette
matrice.
Si on connait la matrice de la forme ' dans la une base B, on peut
reconstituer la forme. En effet, soient
n
X n
X
u= ui f i , v = vj f j
i=1 j=1

deux vecteurs de V , décomposés par rapport à la base B. En utilisant


la propriété de bilinéarité on obtient
(2.1)
Xn n
X n X
X n n X
X n
'(u, v) = '( ui f i , vj f j ) = ui vj '(fi , fj ) = 'ij ui vj .
i=1 j=1 i=1 j=1 i=1 j=1

On voit ainsi que les scalaires 'ij apparaissent comme coefficients dans
l’expression de '(u, v) obtenue en décomposant les vecteurs u, v dans
P Pj=n
la base choisie. En regardant la somme i=n i=1 j=1 'ij ui vj comme une
matrice avec une ligne et une colonne, on peut l’écrire sous la forme
0 1
X n v1
'ij ui vj = (u1 , . . . , un ) @ ... A =T u v,
i,j=1 vn
où u, v 2 K n sont les vecteurs de K n formés des coordonnées de u et v
respectivement et où T u désigne le vecteur transposé de u.
Réciproquement, on voit que pour toute matrice = ('ij )1i,jn de
Mn (K), la formule (2.1) définit une forme bilinéaire sur V ⇥ V .
Si on passe d’une base B à une nouvelle base B 0 = BP , où P =
(pst )1s,tn 2 Mn (K) est la matrice de passage de B à B 0 , alors les
ALGÈBRE 3, COURS DE TÉLÉ-ENSEIGNEMENT, CHAP. 2 7

coefficients d’une forme bilinéaire ' dans la nouvelle base seront donnés
par
n
X n
X n
X n
X
'’ij = '(fi ’, fj ’) = '( psi fs , ptj ft ) = psi 'st ptj = t
pis 'st ptj
s=1 t=1 s,t=1 s,t=1

et donc la matrice 0
associée à ' dans la nouvelle base sera 0
=t P P .
Ainsi :
Remarque 10. Soit B = (f1 , ..., fn ) une base de V . Alors l’applica-
tion ' ! MB (') est un isomorphisme d’espace vectoriels L2 (V, K) !
Mn (K). Si on passe de B à une nouvelle base B 0 = BP , on a MB0 (') =t
P MB (')P .
Dans les exemples concrets on a d’habitude V = K n et une forme
bilinéaire ' sur K n ⇥ K n est donnée par une formule du type
Xn
'(x, y) = 'ij xi yj
i,j=1

qui est l’écriture de ' dans la base canonique (e1 , ..., en ).


Exemple 11. Exemple : 1. Le produitPscalaire canonique ' : Rn ⇥
Rn ! R sur Rn est donné par '(x, y) = ni=1 xi yi , donc les coefficients
de cette forme bilinéaire sont 'ij = ij (1  i, j  n) (où ij est le
symbole de Kronecker qui vaut 1 si i = j et 0 sinon). Ainsi la matrice
de ' dans la base canonique coïncide avec la matrice unité In .
2. Considérons la forme bilinéaire ' : R3 ⇥ R3 ! R définie par
'(x, y) = 2x1 y1 +5x1 y2 6x1 y3 +4x2 y1 +5x2 y2 7x2 y3 3x3 y1 +3x3 y2 x3 y3 .
La matrice des coefficients de cette forme dans la base canonique (e1 , e2 , e3 )
est 0 1
2 5 6
=@ 4 5 7 A
3 3 1
Pour calculer la matrice de ' dans la base
B = (f1 , f2 , f3 ) := (e1 + e2 , e1 e 2 , e3 )
on peut procéder de deux manières :
(i) soit on utilise la définition de la matrice des coefficients, par exemple
11 = '(f1 , f1 ) = '(e1 + e2 , e1 + e2 ) = '(e1 , e1 ) + '(e1 , e2 ) + '(e2 , e1 ) + '(e2 , e2 )
= '11 + '12 + '21 + '22 = 16.
(ii) soit on détermine la matrice de passage P de la base canonique à
la base B et on utilise la formule =T P P .
8 XAVIER ROULLEAU - UNIV. D’AIX-MARSEILLE - L3 - 2019/2020

Remarque 12. Soit B une base de V . Une forme bilinéaire ' : V ⇥ V !


K est symétrique (respectivement anti-symétrique) si et seulement si sa
matrice MB (') est symétrique (respectivement anti-symétrique), c’est-
à-dire si T MB (') = MB (') (respectivement si T MB (') = MB (')).
Définition 13. Définition Soit ' : V ⇥ V ! K une forme bilinéaire
symétrique. Le noyau de ' est le sous-espace vectoriel de V défini par
N (') = {v 2 V | 8u 2 V on a '(u, v) = 0}.
Le rang de ' est défini par
rang(') := dim(V ) dim(N (')).
Attention à ne pas faire la confusion entre noyau d’une forme bili-
néaire symétrique et noyau d’une application linéaire.

Méthode pour déterminer explicitement le noyau et le rang d’une forme


bilinéaire symétrique : Soit B := (f1 , ..., fn ) une base de V . En utilisant
cette base on obtient une application linéaire '˜B : V ! K n définie par :
0 1
'(f1 , u)
'˜B (u) = @ .. A.
.
'(fn , u)
On remarque que N (') = ker('˜B ). La matrice associée à cette appli-
cation '˜B dans la base B est précisément la matrice = MB (') de '
dans la base B. Ceci montre que
Remarque 14. Le noyau N (') d’une forme bilinéaire symétrique ' est
donné, dans une base fixée B = (f1 , ..., fn ) de V , par le système linéaire
homogène associé à la matrice = MB (') de ' dans la base B. En
plus, le rang rang(') coïncide avec rang( ) = rang('˜B ) (ici « rang »
est le rang de l’application linéaire ).
Donc, comme pour les applications linéaires, le calcul du noyau d’une
forme bilinéaire symétrique se réduit à la résolution d’un système li-
néaire homogène.
Soit ' : V ⇥ V une forme bilinéaire symétrique.
Définition 15. On dit que deux vecteurs u, v 2 V sont '-orthogonaux
(orthogonaux par rapport à '), et on écrit u ?' v si '(u, v) = 0.
Parfois on utilise aussi la notation hu, vi' au lieu de '(u, v), mais
il ne faut pas croire qu’il s’agit d’un produit scalaire. Le sous-espace
'-orthogonal d’un vecteur v 2 V est défini par
v'? := {u 2 V | '(u, v) = 0}.
ALGÈBRE 3, COURS DE TÉLÉ-ENSEIGNEMENT, CHAP. 2 9

De plus le sous-espace '-orthogonal d’un sous-espace vectoriel W ⇢ V


est défini par
W ?' := {u 2 V | 8w 2 W '(u, w) = 0}.
Si W = V ect(w1 , ..., wk ), c’est-à-dire si (w1 , ..., wk ) est un système de
générateurs du sous-espace W , on obtient
?
W ?' := {u 2 V | 8i 2 {1, ..., k} '(u, wi ) = 0} = \ki=1 wi ' ,
? ?
où le symbole \ki=1 wi ' signifie l’intersection de tous les ensembles wi ' .
Si nous fixons une base B = (f1 , ..., fn ) de W , le sous-espace v ?'
s’identifie à l’espace des solutions de l’équation linéaire
(2.2) t
v u=0
et le sous-espace orthogonal W ?'
s’identifie à l’espace des solutions du
système linéaire homogène
t
wi u = 0, 1  i  k.
Notons finalement qu’on a
N (') = V ?'
et donc le noyau de ' coïncide avec le sous-espace '-orthogonal a tout
l’espace vectoriel V .
Définition 16. Une forme bilinéaire symétrique ' : V ⇥ V ! R s’ap-
pelle
1. positive si pour tout v 2 V on a '(v, v) 0,
2. négative si pour tout v 2 V on a '(v, v)  0,
3. définie si pour tout v 2 V la relation '(v, v) = 0 implique v = 0V .
4. définie positive si elle est positive et définie, c’est à dire si pour tout
v 2 V \ {0} on a '(v, v) > 0,
5. définie négative si elle est négative et définie, c’est à dire si pour tout
v 2 V \ {0} on a '(v, v) < 0.
La notion de forme bilinéaire symétrique définie positive est très
importante ; cela s’appelle un produit scalaire. Pour décider si une forme
bilinéaire symétrique est définie positive, nous avons un critère très
simple.
Proposition 17. Soit ' 2 Lsym 2 (V, R) une forme bilinéaire symétrique
sur V ⇥V , soit B = (f1 , ..., fn ) une base de V et := MB (') la matrice
de ' dans cette base. Alors ' est définie positive si et seulement si les
n déterminants
k = det(('ij )1i,jk )
sont tous strictement positifs.
10 XAVIER ROULLEAU - UNIV. D’AIX-MARSEILLE - L3 - 2019/2020

Les déterminants k = det(('ij)1i,jk ) s’appellent les mineurs prin-


cipaux dominants de la matrice . Donc une forme ' 2 Lsym 2 (V, R) est
définie positive si et seulement si les n mineurs principaux dominants
de la matrice de ' sont strictement positifs.
Exemple 18. La matrice de la forme bilinéaire symétrique ' : R3 ⇥
R3 ! R définie par
'(x, y) = 2x1 y1 +x1 y2 +x2 y1 3x1 y3 +5x2 y2 7x2 y3 3x3 y1 7x3 y2 x3 y3
dans la base canonique (e1 , e2 , e3 ) est
0 1
2 1 3
=@ 1 5 7 A
3 7 1
et les déterminants k qui nous intéressent sont : 1 = det(2) > 0,
✓ ◆
2 1
2 = det = 9 > 0,
1 5
3 = det = 110 donc ' n’est pas définie positive, parce que 3 < 0.
2.2. Formes quadratiques. Définition Soit V un K-espace vectoriel
de dimension finie. Une forme quadratique sur V est une application
q : V ! K telle qu’il existe une forme bilinéaire ' : V ⇥ V ! K pour
laquelle on a q(v) = '(v, v) pour tout v 2 V .
Dans ce cas on dit que q : V ! K est la forme quadratique associée
à la forme bilinéaire ' : V ⇥ V ! K, et on va la désigner par q' .
Remarquer donc qu’une forme quadratique est une application d’une
seule variable vectorielle, tandis qu’une forme bilinéaire est une fonction
de deux variables vectorielles.
Le sous-espace {(v, v) | v 2 V } ⇢ V ⇥ V s’appelle la diagonale du
produit cartésien V ⇥ V . On peut donc dire qu’une forme quadratique
est donnée par la restriction à la diagonale d’une forme bilinéaire.
Si dans une base B = (f1 , ..., fn ) de V la forme bilinéaire ' est donnée
par
Xn n
X n
X
'( ui f i , vj f j ) = 'ij ui vj
i=1 j=1 i,j
alors la forme quadratique q' associée sera donnée par
Xn n
X n
X X
(2.3) q' ( ui f i ) = 'ij ui uj = 'ii u2i + ('ij + 'ji )ui uj ,
i=1 i,j i=1 1i<jn

donc par un polynôme homogène du second degré en (u1 , . . . , un ). Ré-


ciproquement, en présence d’une base B = (f1 , ..., fn ) de V , toute ap-
plication q : V ! K qui est donnée par une fonction polynomiale
ALGÈBRE 3, COURS DE TÉLÉ-ENSEIGNEMENT, CHAP. 2 11

homogène du second degré des coordonnées (u1 , ..., un ) associée à cette


base, est une forme quadratique. La forme générale de l’écriture en
coordonnées d’une forme quadratique est donc
n
X n
X n
X X
q( ui f i ) = aij ui uj = aii u2i + aij ui uj .
i=1 1ijn i=1 1i<jn

Exemple 19. Considérons de nouveau la forme bilinéaire symétrique


' : R3 ⇥ R3 ! R
donnée par
'(x, y) = 2x1 y1 +5x1 y2 6x1 y3 +4x2 y1 +5x2 y2 7x2 y3 3x3 y1 +3x3 y2 x3 y3 .
La forme quadratique associée sera
q' (x) = 2x21 + 5x1 x2 −6x1 x3 + 4x2 x1 + 5x22 −7x2 x3 −3x3 x1 + 3x3 x2 −x23
= 2x21 + 9x1 x2 −9x1 x3 + 5x22 −4x2 x3 −x23 .
Remarquer que q' est bien donné par un polynôme homogène du 2me
degré en (x1 , ...xn ).
Soit Q(V ) l’espace des formes quadratiques sur V , muni de sa struc-
ture naturelle de K-espace vectoriel. Nous avons donc défini une appli-
cation linéaire surjective (donc un épimorphisme)
Q : L2 (V, K) ! Q(V )
donnée par Q(') := q' . Cette application n’est pas injective.
Exercice 20. En utilisant la formule (2.3) montrer que Ker (Q) =
Lalt
2 (V, K).
sym
Par contre, la restriction Q|Lsym
2 (V,K) = L2 (V, K) ! Q(V ) est à la
fois injective et surjective, donc est un isomorphisme d’espaces vecto-
riels. Plus précisément :
Proposition 21. Pour toute forme quadratique q : V ! K sur V il
existe une unique forme bilinéaire symétrique ' : V ⇥ V ! K dont la
forme quadratique associée est q (i.e. telle que q = q' ). Cette forme
bilinéaire est donnée par la formule
1
'(u, v) = (q(u + v) q(u) q(v)),
2
et s’appelle la forme polaire de q. Elle sera désignée par 'q .
L’isomorphisme réciproque P : Q(V ) ! Lsym 2 (V, K) de l’isomor-
sym
phisme Q|Lsym
2 (V,K) := L 2 (V, K) ! Q(V ) est donné donc par la for-
mule q ! 'q qui associe à une forme quadratique q 2 Q(V ) sa forme
12 XAVIER ROULLEAU - UNIV. D’AIX-MARSEILLE - L3 - 2019/2020

polaire 'q 2 Lsym


2 (V, K). Pour le calcul de la polaire d’une forme qua-
dratique nous avons deux méthodes :
1. En appliquant la formule donnée par la proposition ci-dessus : '(u, v) =
1
2
(q(u + v) q(u) q(v)),
2. Par la méthode du dédoublement : Si q : V ! K est donnée dans
une base B = (f1 , ..., fn ) par
n
X X n
X X
q( ui f i ) = aij ui uj = aii u2i + aij ui uj
i=1 ij i=1 i<j

alors on remplace formellement chaque carré u2i par ui vi et chaque


produit ui uj (avec i 6=P j) par 12P(ui vj + uj vi ). L’expression obtenue sera
celle de 'q (u, v) = 'q ( ui fi , vj fj ). On obtient donc
Xn
1X
'q (u, v) = aii ui vi + aij (ui vj + uj vi ).
i=1
2 i<j

Exemple 22. Considérons la forme quadratique q : R3 ! R donnée


par
q(x) = 2x21 + 9x1 x2 9x1 x3 + 5x22 4x2 x3 x23 .
En appliquant la première méthode on obtient :
'q (x, y) = 2(q(x + y)−q(x)−q(y))
= 12 [2(x1 + y12 + 9(x1 + y1 )(x2 + y2 ) 9(x1 + y1 )(x3 + y3 ) + 5(x2 + y2 )2
4(x2 + y2 )(x3 + y3 ) (x3 + y3 )2 (2x21 + 9x1 x2 9x1 x3 + 5x22 4x2 x3 x23 )
(2y12 + 9y1 y2 9y1 y3 + 5y22 4y2 y3 y32 )]
En réduisant cette expression et en remarquant que tous les carrés se
détruisent on obtient

9 9
= 2x1 y1 + (x1 y2 +x2 y1 ) (x1 y3 +x3 y1 )+5x2 y2 2(x2 y3 +x3 y2 ) x3 y3
2 2
qui coïncide avec l’expression obtenue plus rapidement par la méthode
du dédoublement.
Soit V un espace vectoriel, ' une forme bilinéaire symétrique sur V
et F un sous-espace vectoriel de V .
Définition 23. Le sous-espace F est dit non isotrope pour si le vecteur
nul est le seul vecteur de orthogonal à F , c’est-à-dire si F \F ? = {0V }.
Le sous-espace F est isotrope pour s’il existe un vecteur non nul de qui
est orthogonal à F , c’est-à-dire si F \ F ? 6= {0V }.
Le sous-espace F est totalement isotrope pour si tous les vecteurs de
F sont orthogonaux à F , c’est-à-dire si F ⇢ F ? .
De plus
ALGÈBRE 3, COURS DE TÉLÉ-ENSEIGNEMENT, CHAP. 2 13

Définition 24. Le cône isotrope d’une forme quadratique q : V ! K


est défini par
C(q) := {v 2 V |q(v) = 0}.
On va voir dans différents exemples que C(q) peut se réduire au sous-
ensemble {0V } formé par l’origine de V , à une réunion de deux droites,
à une réunion de deux plans, etc. On utilise la notion de "cône" pour
mettre en évidence la propriété générale suivante de C(q) : si v 6= 0V
est un point de C(q) alors toute la droite Kv est contenue en C(q)
(c’est à dire on a Kv ⇢ C(q)). Donc soit C(q) se réduit à {0V } , soit il
est une réunion de droites vectorielles.
Exemple 1. (cas n = 2) Soit q : R2 ! R, q(x) = ax21 + bx1 x2 + cx22
une forme quadratique sur R2 . Supposons c 6= 0. Puisque c 6= 0 on
constate que le seul point x 2 C(q) avec x1 = 0 est l’origine 0R2 . On
va donc déterminer les points x = (x1 , x2 ) 2 C(q) avec x1 6= 0. En
divisant l’équation q(x) = 0 par x21 6= 0 on obtient
✓ ◆2
x2 x2
a+b +c = 0.
x1 x1
En posant p := xx21 (la pente de la droite vectorielle Rx) on obtient
a + bp + cp2 = 0, qui est une équation du 2me degré pour p, dont le
discriminant est = b2 4ac. Il y a différentes alternatives :
a) < 0. Dans ce cas l’équation a + bp + cp2 = 0 obtenue pour la pente
p := xx21 n’admet pas de solution réelles et C(q) = {0R2 } .
b) < 0. Dans ce cas notre équation a une seule solution, disons
p0 , et le cône isotrope C(q) se réduit à la droite vectorielle d’équation
x2 = p0 x1 (soit, en utilisant la notation traditionnelle pour les coor-
données dans le plan, y = p0 x).
c) > 0. Dans ce cas notre équation a deux solutions distinctes p1 , p2
et le le cône isotrope C(q) se réduit à la réunion des deux droites vec-
torielles C(q) = d1 [ d2 , où di ⇢ R2 est la droite vectorielle d’équation
x2 = pi x1 , i = 1, 2.
Exemple 2. (cas n = 3) Soit q : R3 ! R la forme quadratique sur R3
définie par
q(x) = x21 + x22 x23 .
Pour décrire le cône isotrope C(q) de cette forme quadratique, on étudie
l’intersection de ce cône avec :
1. le plan "du tableau", à savoir le plan d’équation x1 = 0 (donc le plan
de coordonnées x2 Ox3 ).
2. les plans horizontaux, donc les plans d’équation x3 = c, où c est
un paramètre (l’altitude du plan par rapport au plan de coordonnées
x1 Ox2 ).
14 XAVIER ROULLEAU - UNIV. D’AIX-MARSEILLE - L3 - 2019/2020

Dans notre cas, l’intersection C(q) \ (x2 Ox3 ) est donnée par l’équation
x22 x23 = 0, soit (x2 + x3 )(x2 x3 ) = 0, donc cette intersection coïncide
avec la réunion d1 \ d2 des deux droites
d 1 : x3 = x2 , d2 : x3 = x2 .
L’intersection de C(q) avec le plan x3 = c (le plan horizontal d’altitude
x3 = c) est la courbe d’équation
x21 + x22 c3
située dans de plan. La projection de cette courbe sur le plan x1 Ox2 est
le cercle d’équation x21 + x22 = c2 , c’est-à-dire le cercle de centre 0R2 et
de rayon |c| (attention, c peut être négatif !). On obtient donc un vrai
cône avec deux nappes, dont le sommet est l’origine 0R3 , dont l’axe de
symétrie est la droite Ox3 , et dont la base est un cercle.
Remarquer que le cône isotrope de la forme quadratique q(x) =
x21 + x22 + x23 , q : R3 ! R se réduit au singleton {0R3 }, le cône isotrope
de la forme quadratique q(x) = x21 + x22 , q : R3 ! R se réduit à la droite
vectorielle Ox3 = Re3 , et le cône isotrope de la forme quadratique
q(x) = x21 , q : R3 ! R se réduit au plan d’équation x1 = 0.
Le théorème important suivant concerne la classification des formes
quadratiques. On appelle singleton un ensemble qui a un seul élément.
Il ne faut pas faire la confusion entre un singleton {a} (qui est un
ensemble) et son unique élément a ; par exemple {0V } est un singleton,
pas un point.
Théorème 25. (loi d’inertie de Sylvester, cas réel) Soit V un espace
vectoriel réel de dimension
P finie n et q : V ! R une forme quadratique
sur V (on a q = 1ijn aij ti tj dans une certaine base ; les ti , 1 
i  n forment une base de l’espace dual). Alors
1. Il existe une base B = (f1 , ..., fn ) de V par rapport à laquelle q s’écrit
sous la forme :
n
X s
X t
X
(2.4) q( xi f i ) = x2i x2i .
i=1 i=1 i=s+1

2. Une telle base n’est pas unique, mais la paire (s, t) d’entiers positifs
définie dans la formule ci-dessus dépend seulement de q, donc est in-
dépendante de la base B.
3. Les formes linéaires x1 , . . . , xn forment une base de l’espace dual de
V.
Ainsi le théorème de Sylvester affirme qu’il existe une base B de V
dans laquelle q est réduite à une somme (et différence) de carrés.
ALGÈBRE 3, COURS DE TÉLÉ-ENSEIGNEMENT, CHAP. 2 15

La paire (s, t) 2 N ⇥ N s’appelle la signature de q, le nombre t de


termes à coefficient négatif s’appelle l’indice de q, et la somme r := s+t
s’appelle la rang de q.
Remarque 26. Le point 3 du théorème est en fait une remarque : par
nature (x1 , . . . , xn ) est la base duale de la base (f1 , . . . , fn ). Mais vous
devez vous en rappeler dans vos exercices : si vous trouvez une expres-
sion de q comme somme de carrés de formes linéaires `i en les tj , ces
formes linéaires `i doivent être linéairement indépendantes. Il est aisé
de faire des erreurs et d’écrire une forme quadratique somme de plus de
n = dim V carrés de ormes linéaires : en cas les formes linéaires ne sont
pas linéairement indépendantes et vous n’avez pas réussi à calculer la
réduction de la forme quadratique (voir infra).
Le rang r = s + t d’une forme quadratique q : V ! R coïncide avec
la rang rang('q ) de la forme polaire 'q : V ⇥ V ! R, donc avec la rang
de la matrice de 'q dans une base arbitraire de V . Réduire une forme
quadratique q : V ! R signifie trouver sa forme réduite, en particulier
spécifier sa signature et son rang. On demande parfois aussi de spécifier
une base B dans laquelle q s’écrit sous forme réduite. Notons que pour
réduire une forme quadratique il suffit de la réduire au sens de Gauss
(la diagonaliser) c’est à dire l’écrire (dans une base B convenable) sous
la forme
X r
X
(2.5) q( xi f i ) = aii x2i , aii 6= 0.
i=1

En effet, en effectuant le changement de variables


⇢ p
|aii | xi pour i  r
yi = ,
xi pour i>r
changement de variables qui correspond au changement de base
⇢ p
|aii | fi pour i  r
gi = ,
fi pour i>r
on arrive facilement à une expression de la forme (2.4) dans la nouvelle
base (g1 , ..., gn ).
Ecrire une forme quadratique q sous la forme (2.5) s’appelle effectuer
une réduction de Gauss (ou diagonalisation) de q. En utilisant une telle
réduction, la signature de q s’obtient facilement en comptant le nombre
des coefficients aii positifs et négatifs.
L’algorithme da Gauss fournit une méthode pour réduire une forme
quadratique q à la forme diagonale (2.5). Nous expliquons cette mé-
thode en détail :
16 XAVIER ROULLEAU - UNIV. D’AIX-MARSEILLE - L3 - 2019/2020

Supposons que q soit donnée dans une base (f1 , ..., fn ) par

X n
X X
q( xi f i ) = aii x2i + aij xi xj .
i=1 1i<jn

L’algorithme de réduction de Gauss consiste en l’application successive


des deux opérations fondamentales :
Opération fondamentale I. (S’applique dès que dans l’expression
de q il existe un indice i tel que aii 6= 0, donc dès qu’il existe un carré
à coefficient aii non-nul). Supposons pour simplicité que a11 6= 0. Dans
l’expression de q nous écrivons d’abord la somme de tous les termes
contenant la variable x1 , et on factorise cette somme par le facteur
commun a11 . On obtient :
(2.6) !
X X n Xn X
a 1i
q( xi fi ) = a11 x21 + 2x1 xi + ajj x2j + ajk xj xk .
i=2
2a 11 j=2 2j<kn

Pn a1i
Définissons la forme linéaire ` = `(x2 , . . . , xn ) = i=2 2a11 xi qui in-
tervient dans l’équation ci dessus. En utilisant l’identité x2 + 2xy =
(x + y)2 y 2 pour x = x1 et y = ` l’équation (2.6) s’écrit alors :

X n
X X
2 2
q( xi fi ) = a11 (x1 + `(x2 , . . . , xn )) a11 `(x2 , . . . , xn ) + ajj x2j + ajk xj xk ,
j=2 2j<kn

ou encore
X
q( xi fi ) = a11 (x1 + x1 `(x2 , . . . , xn ))2 + Q(x2 , . . . , xn ),

où on a posé
n
X X
2
Q= a11 `(x2 , . . . , xn ) + ajj x2j + ajk xj xk .
j=2 2j<kn

On remarque (et c’est là tout l’intérêt de ce que nous venons de faire)


que Q est une forme quadratique en n 1 variables et qui ne dépend
pas de x1 . Posons

y1 = x1 + `(x2 , . . . , xn )
.
yj = xj , 2  j  n
ALGÈBRE 3, COURS DE TÉLÉ-ENSEIGNEMENT, CHAP. 2 17

Cela donne un nouveau système de coordonnées de V , correspondant


à une nouvelle base (g1 , . . . , gn ) de V . En termes de matrices on a
0 1 0 a1n 1
0 1
y1 1 2a a12 a12
· · · x1
11 2a11 2a11
B y2 C B 0 1 0 ··· 0 CB x2 C
B C B CB .. C
B y3 C = B 0 0 1 ··· CBB . C,
C
B . C B . .. .. .. C
.. A B C
@ .. A @ .. . . . . @ ... A
yn 0 0 0 ··· 1 xn
si P est la matrice carrée de taille n ci-dessus, la base (gi ) est obtenue
par la formule de passage
1
(g1 , . . . , gn ) = (f1 , . . . , fn )P .
Dans cette base la forme quadratique q aura l’écriture
X
q( yi gi ) = a11 y12 + Q(y2 , . . . , yn ),
où X X
Q(y2 , . . ., yn ) = bjj yj2 + bjk yj yk
j 2 2j<kn

et le problème se réduit à la diagonalisation de la forme quadratique


de n 1 variables définie par Q. On continue, en appliquant à cette
forme l’une des opérations I, II.
Opération fondamentale II. (Ne s’applique que si dans l’expres-
sion de q tous les coefficients aii sont nuls, donc seulement s’il n’existe
aucun carré à coefficient non-nul.) Dans ce cas, si q 6= 0, il existe dans
l’expression de q un terme de la forme
aij xi xj
où i < j et aij 6= 0. Supposons pour simplicité que i = 1, j = 2.
Dans l’expression de q on écrit tous les termes contenant x1 et x2 et on
utilises les identités algébriques suivantes
x1 x2 + Ax1 + Bx2 = (x1 + B)(x2 + A) AB
(2.7)
U V = 14 ((U + V )2 (U V )2 )
(à vérifier et mémoriser). On a :
P P P P
q( xi fi )⇣= a12 x1 x2 + x1 k 3 a1k xk + x2 k 3 a⌘2k xk + 3k<ln akl xk xl
P P P
= a12 x1 x2 + x1 k 3 aa1k12
x k + x 2 k 3
a2k
a12
x k + 3k<ln akl xk xl .

Posons P a1k
L1 = L1 (x3 , . . . , xn ) = k 3 a12 xk
P a2k ,
L2 = L2 (x3 , . . . , xn ) = k 3 a12 xk
18 XAVIER ROULLEAU - UNIV. D’AIX-MARSEILLE - L3 - 2019/2020

en utilisant la première identité de (2.7) pour A = L1 , B = L2 on voit


que
P
q = a12 (x1 + L2 )(x2 + L1 ) + a12 L1 L2 + 3k<ln akl xk xl .

En utilisant la seconde identité on obtient


⇥ 2 ⇤
q = a412 (x1 ⇥+ x2 + L1 + LP
2) (x1 x2 ⇤L1 + L2 )2
+ a12 L1 L2 + 3k<ln akl xk xl .
Le polynôme homogène de degré deux
X
Q(x3 , . . . , xn ) = a12 L1 (x3 , . . . , xn )L2 (x3 , . . . , xn ) + akl xk xl
3k<ln

est une forme quadratique en x3 , . . . , xn . Définissons


8
< y 1 = x 1 + x 2 + L1 + L2
y 2 = x 1 x 2 L1 + L 2 ,
:
yj = xj 3  j  n
on a
0 1 0 10 1
y1 1 0 a13a+a 12
23 a14 +a24
a12
· · · a1na+a
12
2n x1
B y2 C B 0 1 a23a12a13 a24a12a14 · · · a2na12a1n CB x2 C
B C B B
CB
CB .. C
C
B y3 C = B 0 0 1 0 ··· 0 CB . C,
B . C B . . .. .. .. .. CB C
@ .. A @ .. .. A@ .. A
. . . . .
yn 0 0 0 0 ··· 1 xn
cela définit un nouveau système de coordonnées qui correspond à une
nouvelle base (g1 , . . . , gn ) de V . Si P est la matrice carrée de taille n
ci-dessus, la base (gi ) est obtenue par la formule de passage
1
(g1 , . . . , gn ) = (f1 , . . . , fn )P .
Dans cette base l’application q aura la forme
Xn
a12 2 a12 2
q( yi g i ) = y1 y2 + Q(y3 , . . . , yn ).
i=1
4 4
et le problème se réduit ainsi à la diagonalisation de la forme quadra-
tique de n 2 variables définie par Q. On continue en appliquant à
cette forme l’une des opérations I, II.
Attention : l’opération II doit être appliquée seulement si dans l’ex-
pression de la forme quadratique considérée il n’existe aucun carré à
coefficient non-nul. Autrement dit : l’opération I est prioritaire, donc
on est obligé de l’appliquer si c’est possible de l’appliquer. Si on ne suit
pas cette règle, on obtient des résultats faux en général : par exemple on
ALGÈBRE 3, COURS DE TÉLÉ-ENSEIGNEMENT, CHAP. 2 19

obtient des formes linéaires qui auraient un rang supérieur au nombre


de variables, ce qui est absurde.
Le premier exemple commence avec une opération de type II :
Exemple 27. Réduire la forme quadratique q : R3 ! R définie par
q(x) = 2x1 x2 2x2 x3 2x1 x3
et spécifier sa signature et son rang.
Notons que la formule donnée exprime q dans la base canonique (e1 , e2 , e3 )
de R3 , qui est notre base de départ. Puisque l’expression de q ne contient
aucun carré à coefficient non-nul, on est obligé d’appliquer l’opération
II :

q(x) = 2(x1 −x3 )(x2 −x3 )−2x23 = 12 ((x1 −x3 + x2 −x3 )2 −(x1 −x3 −x2 + x3 )2 ) 2x23
= 12 ((x1 + x2 −2x3 )2 −(x1 −x2 )2 ) −2x23 .
Nous introduisons un nouveau système de coordonnées dans R3
8
< y1 = x1 + x2 2x3
y2 = x1 x2 ,
: y3 = x3

système qui correspond à une nouvelle base (g1 , g2 , g3 ) de R3 . (Exercice :


déterminer cette base.) On obtient
X 1 1 2
q( yi gi ) = y12 y 2y32 .
2 2 2
Donc rang(q) = 3 et sign(q) = (1, 2). Notre forme quadratique n’est
ni positive, ni négative.
Le second exemple commence avec une opération de type I :
Exemple 28. Soit q : R4 ! R donnée par
q(x, y, z, t) = x2 + 3y 2 + 5z 2 + 5t2 2xy 4xz + 4xt.
On groupe tous les termes qui contiennent x et on applique l’opération
I:
q(x, y, z, t) = x2 + 2x(−y + 2z + 2t) + 3y 2 + 5z 2 + 5t2
= (x−y + 2z + 4t)2 −(−y + 2z + 2t)2 + 3y 2 + 5z 2 + 5t2
= (x−y + 2z + 4t)2 + 2y 2 + z 2 + t2 + 4yz + 4yt−8zt.
On pose
u=x y + 2z + 4t, v = y, w = z, s = t.
20 XAVIER ROULLEAU - UNIV. D’AIX-MARSEILLE - L3 - 2019/2020

Dans la base (f1 , f2 , f3 , f4 ) qui correspond à ce nouveau système de


coordonnées on a
q(uf1 + vf2 + wf3 + sf4 ) = u2 + 2v 2 + w2 + s2 + 4vw + 4vs−8ws
= u2 + 2(v 2 + 2v(w + s)) + w2 + s2 −8ws
= u2 + 2(v + w + s)2 −2(w + s)2 + w2 + s2 −8ws
= u2 + 2(v + w + s)2 −w2 −s2 −12ws.
En posant
↵ = u, = v + w + s, = w, = s
on obtient dans la base correspondante (g1 , g2 , g3 , g4 ) :
q(↵g1 + g2 + g3 + g4) = ↵2 + 2 2
( + 6 )2 + 35 2 .
Avec une dernière transformation de coordonnées (laquelle ?) on arrive
à
q(ah1 + bh2 + ch3 + dh4 ) = a2 + 2b2 c2 + 35d2 ,
donc rang(q) = 4 et sign(q) = (3, 1).
Définition 29. Soit ' 2 Lsym 2 (V, R) une forme bilinéaire symétrique.
Une famille de vecteurs (v1 , ..., vk ) est dite '-orthogonale si '(vi , vj ) = 0
pour toute paire (i, j) telle que i 6= j.
Remarquons qu’une base B = (f1 , ..., fn ) de V est '-orthogonale si
et seulement si la matrice MB (') est diagonale.
Corollaire 30. Soit ' 2 Lsym
2 (V, R) une forme bilinéaire symétrique.
Alors V admet une base '-orthogonale.
Démonstration. En effet, soit B = (f1 , ..., fn ) une base qui réduit la
forme quadratique q' au sens de Gauss. Dans cette base on aura
n
X
q' ( xi fi ) = aii x2i ,
i=1

(expressions dans laquelle exactement r = rang(') coefficients aii sont


non-nuls). Puisque ' est la polaire de q' on a
n
X n
X n
X
'( xi f i , yj f j ) = aii xi yj ,
i=1 j=1 i=1

ce qui montre que MB (') est bien diagonale, donc B est '-orthogonale.

D’une manière similaire on peut introduire la notion de base '-
orthonormale. Une base B = (f1 , ..., fn ) est dite '-orthonormale si
'(fi , fj ) = ij pour 1  i, j  n, i.e. si MB (') = In . Le théorème
d’inertie de Sylvester montre que :
ALGÈBRE 3, COURS DE TÉLÉ-ENSEIGNEMENT, CHAP. 2 21

Corollaire 31. Soit V un R-espace vectoriel de dimension n, et ' 2


Lsym
2 (V, R). L’espace V admet une base '-orthonormale si et seulement
si la signature de ' est (n, 0).
Remarquons que la signature de ' est (n, 0) si est seulement si ' est
définie positive (pourquoi ?).
Le version complexe de la loi d’inertie de Sylvester est très simple. At-
tention, il est important à cet égard qu’il n’y ait pas de confusion entre
ce théorème de classification pour les formes quadratiques complexes,
et le théorème d’inertie de Sylvester pour les formes hermitiennes (nous
verrons ce théorème dans le prochain chapitre).
Théorème 32. Théorème (la classification des formes bilinéaires qua-
dratiques complexes) Soit V un espace vectoriel complexe de dimension
finie n, et q : V ! C une forme quadratique sur V . Alors il existe
une base B = (f1 , ..., fn ) de V par rapport à laquelle q s’écrit sous la
forme :
n
X r
X
q( z i fi ) = zi2 ,
i=1 i=1
où r est le rang de la forme polaire de q.

PPour trouver P une base dans laquelle q est donnée par la formule
q( i=1 zi fi ) = ri=1 zi2 , on peut utiliser la même méthode que dans
n

le cas réel : dans une première étape on utilise l’algorithme de Gauss


pour arriver à une base dans laquelle q s’écrit sous la forme (2.5) avec
aii 2 C, puis on choisit une racine carrée ↵i 2 C de aii pour i  i  r,
et on pose :

↵i zi si i  r
wi =
zi si i > r
ce qui correspond au changement de base :
⇢ 1
f si i  r
↵i i
gi = .
fi si i > r
22 XAVIER ROULLEAU - UNIV. D’AIX-MARSEILLE - L3 - 2019/2020

3. Exercices de cet envoi


Exercice 1. Soit E un R-espace vectoriel muni d’une base B = (e1 , e2 , e3 )
et soient '1 et '2 deux formes bilinéaires sur E dont les matrices dans
la base B sont
0 1 0 1
1
1 1 0 0 1 2
M1 = @ 1 3 2 A , M2 = @ 1 2 1 A
2 .
1 1
0 2 1 2 2
0
(1) Donner les matrices de '1 et '2 dans la base C = (v1 , v2 , v3 ) de
E où
1 1 1 1
v1 = e 1 , v 2 = e 1 + e 2 + e 3 , v 3 = e1 e2 + e3 .
2 2 2 2
(2) Déterminer les rangs de '1 et '2 .
Exercice 2. Soit la forme quadratique sur R3 , q(x, y, z) = x2 + y 2
z 2 4xy + 6xz + 2yz.
(1) Déterminer sa matrice dans la base canonique (e1 , e2 , e3 ) de R3 .
(2) Montrer que q est non dégénérée.
(3) Déterminer la matrice de q dans la base (f1 , f2 , f3 ) où f1 =
(1, 2, 1), f2 = (2, 3, 1), f3 = (1, 1, 1).
(4) Soit F = V ect(f3 ). Quelle est la dimension de F ? ?
(5) Déterminer une base de F ? .
Exercice 3. Soit E un espace vectoriel, W1 , W2 deux sous-espaces vec-
toriels de E et q une forme quadratique.
(1) Montrer que W1? \ W2? = (W1 + W2 )? .
(2) W1? + W2? ⇢ (W1 \ W2 )? .
Exercice 4. Soit E un espace vectoriel, W 6= {0} un sous-espace vec-
toriel de E et f une forme bilinéaire symétrique.
(1) Montrer que si W est isotrope alors W ? est isotrope.
(2) Que peut-on dire de la réciproque ? (On pourra considérer E =
R3 , q(x) = x21 x22 et W = V ect(e1 ).)
Exercice 5. Soit f la forme bilinéaire symétrique de R3 définie pour
tout x = (x1 , x2 , x3 ), y = (y1 , y2 , y3 ) de R3 par f (x, y) = x1 y1 + x2 y2
x3 y3 .
(1) Montrer que le sous-espace F de R3 d’équation x1 + x2 + x3 = 0
est non isotrope pour f .
(2) Montrer que le sous-espace G de R3 d’équation x1 + x3 = 0 est
isotrope pour f .
ALGÈBRE 3, COURS DE TÉLÉ-ENSEIGNEMENT, CHAP. 2 23

(3) Montrer que le sous-espace H de R3 engendré par u = (1, 0, 1)


est totalement isotrope pour f .
Exercice 6. (**) Soit q l’application de E = R2 [X] dans R définie par
A ! q(A) = A(0).A(1)
(1) Montrer que q est une forme quadratique et donner sa forme po-
laire.
(2) Donner la matrice de q dans la base B = (1, X, X 2 ).
(3) Appliquer la méthode de Gauss à q. Quel est le noyau de q ?
(4) Caractériser les plans totalement isotropes.
(5) Pour A = 1 + X + X 2 , déterminer A? et A?? .
Exercice 7. Appliquer la méthode de Gauss à la forme quadratique
sur R4 suivante : q(x, y, z, t) = x(y + z + t) + y(z + t) + zt.
Exercice 8. Déterminer la signature de q(x1 , x2 , x3 ) = x21 + x22 + x23 +
2x1 x2 + 2x1 x3 .
Exercice 9. Pour chacune des formes quadratiques suivantes sur R3 ,
donner sa forme polaire, sa signature et une base orthogonale.
(1) Q1 (x) = x21 x22 2x23 + 2x1 x2 .
(2) Q2 (x) = 4x21 x22 + 4x1 x3 2x23 + 2x2 x3 .
24 XAVIER ROULLEAU - UNIV. D’AIX-MARSEILLE - L3 - 2019/2020

4. Premier Devoir Maison


4 exercices ; à rendre le 2 février 2020 au plus tard
Fichier pdf de la forme NomPrénomDM1.pdf à envoyer à
xavier.roulleau@univ-amu.fr
J’accuserai réception de votre envoi.

Exercice 1.
Soit g l’endomorphisme de R4 dont la matrice dans la base canonique
est 0 1
0 0 0 3
B 1 0 0 10 C
A=B @ 0 1 0
C
12 A
0 0 1 6
1 Vérifier que 1 et 3 sont les seules valeurs propres de g. Calculer
les sous-espaces propres associés. En déduire que g n’est pas diagona-
lisable.
2 Trouver x 2 R tel que le vecteur v3 = (x, 1, 0, 0) soit un vecteur de
ker(g Id)3 \ ker(g Id)2 .
3. Soient v2 = (g Id)(v3), v1 = (g Id)2 (v3 ) et soit v4 le vecteur
de ker(g 3Id) dont la dernière coordonnée vaut 1.
Vérifier que (v1 , v2 , v3 , v4 ) est une base et donner la matrice de g dans
cette base.

Exercice 2.
1. Calculer le polynôme minimal des matrices suivantes et préciser
si elles sont diagonalisables ou non :
0 1 0 1
2 1 1 1 a 1
A = @ 10 20 23 A , B = @ 0 2 b A
10 18 21 0 0 c
où a, b, c 2 R (discuter selon les valeurs de a, b et c).
2. Trianguler A.
3. Calculer eA

Suite au verso
ALGÈBRE 3, COURS DE TÉLÉ-ENSEIGNEMENT, CHAP. 2 25

Exercice 3.
Soit E un K-espace vectoriel de dimension finie et soit f un endo-
morphisme de E.
1. Soit P un polynôme annulateur de f . On suppose que P = QR, où
Q et R sont premiers entre eux. Montrer que Im (R(f )) = Ker (Q(f )).
2. Montrer que si D est le plus grand diviseur commun de deux
polynômes P, Q, alors Ker (D(f )) = Ker (P (f )) \ Ker (Q(f )).
3. Montrer que si D est le plus petit commun multiple de deux po-
lynômes P, Q, alors Ker (D(f )) = Ker (P (f )) + Ker (Q(f )).

Exercice 4.
Soit q la forme quadratique sur R3 définie par
q(x, y, z) = x2 + 2y 2 + xz + yz.
1. Donner la forme polaire de q et la matrice A de q dans la base
canonique de R3 .
2. Déterminer la signature de q en appliquant la méthode de Gauss.
3. Déterminer une base orthogonale B pour q.
4. Vérifier en calculant la matrice de q dans la base B à partir de A
(formule de changement de base) que cette base est bien orthogonale.
5. Donner une base de l’orthogonal pour q du plan engendré par les
deux premiers vecteurs de la base canonique.
Université d’Aix-Marseille Année 2019–2020
Licence 3, Semestre 5, Télé-enseignement

Exercices corrigés de l’envoi 1 d’Algèbre 3

Espaces supplémentaires, révisions

Exercice 1 1. Rappeler la définition de sous-espace vectoriel d’un espace vectoriel E.


2. Rappeler la définition de famille génératrice d’un espace vectoriel E, puis de famille libre.
3. Rappeler les définitions de base et dimension d’un espace vectoriel E.
4. Rappeler la définition d’application linéaire entre deux espaces vectoriels E et F .
5. Donner la définition de noyau et image d’une application linéaire f : E ! F .
6. Commenter l’affirmation suivante :
“il existe une application linéaire surjective f : M5 (R) ! R25 [X]”
7. Commenter l’affirmation suivante :
“pour tout A, B 2 Mn (R) on a det(A + B) = det A + det B ”
Corrigé : il s’agit de révisions

Exercice 2 1. Soit H = {A 2 M2 (R) : a11 + a12 a21 + a22 = 0}, montrer que H est un
sous-espace vectoriel de M2 (R).
Corrigé : Montrer que si A, A0 sont deux éléments de H et 2 R, alors A + A0 est
encore dans H
2. Trouver la dimension de H, ainsi qu’une base.
Corrigé : Les matrices
✓ ◆ ✓ ◆ ✓ ◆
1 0 0 1 0 0
E1 = , E2 = , E3 =
1 0 1 0 1 1

sont éléments de H. Soit A = (aij ) 2 H, alors a11 + a12 + a22 = a21 et

A = a11 E1 + a12 E2 + a22 E3 ,

donc tout élément de H est combinaison linéaire des Ei . On vérifie de plus que les Ei sont
linéairement indépendants. Ils forment donc une base de H et H est de dimension 3.
3. Montrer que l’application définie par

T : M2 (R) ! R
A 7! a11 + a22

est linéaire. Trouver la dimension et une base du noyau Ker(T ).


Corrigé : La linéarité est immédiate. Le noyau de T est

ker T = {A = (aij ) | a11 + a22 = 0}.

Considérons ✓ ◆ ✓ ◆ ✓ ◆
1 0 0 0 0 1
F1 = , F2 = , F3 = .
0 1 1 0 0 0

1
Les Fi sont éléments de ker T et si A = (aij ) est une matrice on a :

A = a11 F1 + a21 F2 + a12 F3

et on donc
ker T = vect(F1 , F2 , F3 )
Les trois vecteurs Fi étant linéairement indépendants, c’est une base de ker T , qui est
donc de dimension 3.
4. Montrer que Ker(T ) \ H est un sous-espace vectoriel de M2 (R). Trouver sa dimension,
ainsi qu’une base.
Corrigé : L’ensemble I = Ker(T ) \ H est intersection de deux sous-espaces vectoriel,
c’est donc un sous-espace vectoriel. Une matrice A = (aij ) est dans I si et seulement si
a11 + a12 a21 + a22 = 0 et a11 + a22 = 0. C’est équivalent à a11 + a22 = 0 et a12 a21 = 0.
Les matrices ✓ ◆ ✓ ◆
1 0 0 1
G1 = , G2 = ,
0 1 1 0
sont des éléments de l’espace I qui sont linéairement indépendants. Si A = (aij ) est dans
I, on a
A = a11 G1 + a12 G2
donc G1 , G2 forme une base de I, qui est de dimension 2.
5. Donner la dimension de Ker(T )+H. Les deux sous-espaces Ker(T ) et H sont ils supplémentaires
dans M2 (R) ? Justifier la réponse.
Corrigé : Les espaces ne peuvent être supplémentaires car par la question précédente
leur intersection est di↵érente de l’espace {0}. L’espace vectoriel Ker(T ) + H est engendré
par les bases E1 , E2 , E3 et F1 , F2 , F3 de ker T et H. En utilisant ces générateurs on obtient
sans peine que les vecteurs de la base canonique
✓ ◆ ✓ ◆ ✓ ◆ ✓ ◆
1 0 0 1 0 0 0 0
v1 = , v2 = , v3 = , v4 = .
0 0 0 0 1 0 0 1

de M2 (R) sont dans Ker(T ) + H et donc Ker(T ) + H = M2 (R)

Exercice 3 (Révisions : non corrigé). Si B = (e1 , . . . , en ), B 0 = (f1 , . . . , fn ) sont deux bases


d’un espace vectoriel de dimension finie E et si f : E ! E est une application linéaire, on note
MB,B0 (f ) la matrice de f dans les bases B, B 0 : ses vecteurs colonnes sont les vecteurs f (ei ) dans
la base B 0 .
Soit B = {e1 , e2 , e3 } la base canonique de R3 . Soit B 0 = {a, b, c} la famille de vecteurs de R3
définie par
a = e1 + e2 + e3 b = e1 + e2 + 3 e 3 c = e1 + 2 e2 + 5 e3 .
1. Montrer que B 0 est une base de R3 .
On considère f : R3 ! R3 l’application linéaire définie par

f (a + b) = f (b) f (b) = e1 e2 3 e3 f (c) = e1 + 2 e2 + 5 e3

2. Donner les matrices

MB,B (f ), MB0 ,B0 (f ), MB,B0 (f ) et MB0 ,B (f ).

2
3. Trouver dimensions et bases de Im(f ) et Ker(f ). Dire si f est un automorphisme de R3 ,
en justifiant la réponse.
4. Trouver tous les vecteurs x 2 R3 tel que

f (x) = b + c.

Exercice 4 (Révisions : non corrigé). Soient B = (e1 , e2 , e3 ), la base canonique de C3 , et soit


f l’endomorphisme dont la matrice dans la base canonique est
0 1
0 1 0
A = @ 0 0 1 A.
1 3 3

Soient f1 = (1, 1, 1), f2 = ( 1, 0, 1), f3 = (1, 0, 0). Montrer que (f1 , f2 , f3 ) forme une base B 0 et
déterminez la matrice de f dans cette base.

Exercice 5 Soit A = (aij )i,j=1,...,n 2 Mn (R) une matrice n ⇥ n . On appelle trace de A la


somme des coefficients diagonaux de M et on la note tr A. Plus précisement on définit
n
X
tr A := aii .
i=1

Dans tout l’exercice, on suppose que A est une matrice triangulaire supérieure.
1. Calculer les coefficients diagonaux de A2 en fonction des coefficients de A.
Corrigé : Soient A = (ai,j ), B = (bi,j ) deux matrices triangulaires supérieures. Alors
ai,j = 0 et bi,j = 0 pour i > j. Par définition du produit AB, le coefficients en position
P
(i, j) du produit est k=n k=1 aik bkj . Quand i = j, le seul terme non nécessairement nul de
cette somme est aii bii . Quand A = B, cela implique que le coefficient en position (i, i) de
A2 est a2ii .
2. Supposons maintenant que A2 = A. Montrer que si tr A = n, alors A est inversible. En
déduire que si tr A = n, alors A = Idn .
Corrigé : Comme A2 = A et A est triangulaire, on a a2ii = aii pour i = 1, . . . , n et donc
aii 2 {0, 1}. La trace de A est alors égale au nombre de coefficients diagonaux égaux à 1.
Si la trace vaut n, cela signifie que tous les coefficients diagonaux valent 1. Le déterminant
vaut alors 1 et A est inversible.
3. Posons B := Idn A 2 Mn (R). Montrer que l’on a B 2 = B si et seulement si A2 = A.
Corrigé : Supposons que A2 = A. Alors B 2 = (In A)2 = A2 2A + In , et comme
A2 = A, on obtient B 2 = A 2A + In = In A = B. On a donc montré B 2 = B. La
démonstration de réciproque se fait de la même manière.
4. Montrer que si A2 = A et tr A = 0, alors A = 0.
Corrigé : On a vu à la question 2 que les coefficients diagonaux sont 0 ou 1 et donc la
trace est le nombre de coéfficients diagonaux égaux à 1. Si tr(A) = 0, tous sont égaux à
0.

3
Diagonalisation et trigonalisation

Exercice 6 Pour quelles valeurs des paramètres réels a, b, c, d, e, f les matrices suivantes sont-
elles diagonalisables ?
0 1 0 1
1 a b c 1 a b c
B 0 2 d C
e C B 0 1 d e C
A=B@ 0 0 ,B=B C.
2 f A @ 0 0 2 f A
0 0 0 2 0 0 0 2

Sous ces conditions, trouver alors une base qui diagonalise A.


Corrigé : Le polynôme caractéristique de A est PA = (X 1)(X 2)3 . On a vu en cours que
A est diagonalisable si et seulement si son polnôme minimal est scindé à racines simples. Dans
notre cas, c’est équivalent à demander que le polynôme minimal de A soit (X 1)(X 2). Or
0 1
0 0 ad ae + bf
B 0 0 d e + df C
(A I4 )(A 2I4 ) = B @ 0 0 0
C,
A
f
0 0 0 0

et donc A est diagonalisable si et seulement si (A I4 )(A 2I4 ) = 0, c’est-à-dire si et seulement


si d = e = f = 0.
Soit e1 , . . . , e4 la base canonique. Le vecteur v1 = e1 est vecteur propre. On cherche ensuite v2
de la forme v2 = e2 + ue1 qui soit vecteur propre pour la valeur propre 2, et on trouve u = a.
Ainsi v2 = e2 + ae1 et de manière similaire v3 = e3 + be1 , v3 = e3 + ce1 forment une base de
vecteurs propres pour la valeur propre 2. La base v1 , . . . , v4 diagonalise A.
On procède de manière similaire pour la matrice B. En particuler on obtient qu’elle est diago-
nalisable si et seulement si a = f = 0.
0 1
1 1 1
Exercice 7 Soit A = @ 1 1 1 A .
1 1 1
1. Déterminer les valeurs propres et les sous-espaces propres de A. A est-elle diagonalisable ?
2. Déterminer les sous-espaces de R3 stables (c’est-à-dire A-invariants) par l’endomorphisme
associé à A dans la base canonique.
Corrigé :
1. Le polynôme caractéristique est (X 1)2 (X 2) ; les vecteurs propres sont v1 = (0, 0, 1), v2 =
(1, 1, 0) pour la valeur propre 1 et v3 = (0, 1, 1) pour la valeur propre 2. Les vecteurs
v1 , v2 , v3 forment une base de vecteurs propres de R3 et donc A est diagonalisable.
2. On a R3 = E1 E2 . On va procéder suivant la dimension des sous-espaces invariants V .
Si V est invariant de dimension 0 ou 3, il s’agit des espaces {0} et R3 .
Si V est de dimension 1, soit v 2 V un générateur de V : V = Rv. Comme V est invariant,
Av 2 V donc il existe 2 R tel que Av = v, et v est un vecteur propre de A. On a donc
montré que si V est de dimension 1, V est un sous espace de E1 ou E2 . Réciproquement,
tout sous-espace de dimension 1 de E1 ou E2 est engendré par un vecteur propre et donc
est stable par A.
Soit maintenant V un sous espace stable de dimension 2. Notons A0 la restriction de A à
V : si v est un vecteur propre de A0 , c’est aussi un vecteur propre de A et donc les valeurs
propres possibles de A0 sont 1 et 2. De plus il y a l’alternative suivante : - soit 1 est de

4
multiplicité algébrique 2, en ce cas V = E1 , et donc V est l’espace propre E1
- soit 1 est de multiplicité 1 et alors 2 est de multiplicité 1. En ce dernier cas on décompose
V = V1 V2 et on obtient donc que V est somme directe de deux sous-espaces propres de
dimension 1 de A dont l’un est E2 et l’autre est engendré par un vecteur de E1 .

Exercice 8 1. Soit A 2 Mn (K) et B = A + aIn , a 2 K. Montrer que A est diagonalisable


si et seulement si B est diagonalisable.
Corrigé : Supposons que A soit diagonalisable : il existe donc un polynôme scindé à
racines simples T tel que T (A) = 0. Le polynôme R := T (X a) est lui aussi scindé à
racines simple et vérifie R(B) = T (B aIn ) = T (A + aIn aIn ) = T (A) = 0, et donc B
est diagonalisable. La réciproque est induite par cette démonstration, en échangant A et
B et en remplaçant a par a.
0 1
1 1 1 1
B 1 1 1 1 C
2. Soit C = B C
@ 1 1 1 1 A. Montrer que C est diagonalisable et trouver P 2 GL4 (R) telle
1 1 1 1
1
que P CP soit diagonale.
Corrigé : Il faut calculer le polynôme caractéristique, en déduire le polynôme minimal
et voir que ce polynôme est scindé à racines simples.
0 1
16 1 1 1
B 1 16 1 1 C
3. Soit D = B C
@ 1 1 16 1 A. Montrer que D est diagonalisable et trouver Q 2 GL4 (R)
1 1 1 16
telle que Q 1 DQ soit diagonale.
Corrigé : Par la première question la même matrice Q = P diagonalise les deux matrices
C et D.

Exercice 9 Soit 0 1
2 1 2
A=@ 15 6 11 A .
14 6 11
La matrice A est-elle trigonalisable sur R ? Si oui, trouver P 2 GL3 (R) telle que P 1 AP soit
triangulaire supérieure.
Corrigé : Le polynôme caractéristique est PA = (X 1)3 . L’espace propre associé à l’unique
valeur propre 1 est de dimension 1 et engendré par le vecteur v1 = (1, 1, 2). La matrice n’est
donc pas diagonalisable. Pour trigonaliser on commence par chercher un vecteur v2 = (x, y, z)
tel que Av2 = v2 + av1 . En prenant a = 1, on touve comme solutions les vecteurs de la forme
(x, x + 3, 2x + 2). Choisissons x = 0, c’est-à-dire v2 = (0, 3, 2). En résolvant de même l’équation
Av3 = v3 + bv1 + cv2 , on choisit v3 = (1, 0, 0) et b = 3, c = 4. Soit P la matrice de passage
de la base canonique à la base v1 , v2 , v3 , on a :
0 1
1 1 3
P 1 AP = @ 0 1 4 A
0 0 1

qui est bien triangulaire supérieure.

5
Polynômes minimaux, polynômes d’endomorphismes
0 1
0 1 0
Exercice 10 Soit A = @ 1 0 1 A
1 1 1
1. Calculer le polynôme caractéristique de A, PA (X).
Corrigé : On trouve PA = x(x + 1)(x 2), de racines simples 0, 1, 2
2. Calculer le reste de la division euclidienne de X n (n 2 N⇤ ) par PA (X).
Corrigé : Le reste R de la division par un polynôme de degre 3 est un polynôme de degré
2 : R = ax2 + bx + c. Soit Q le quotient ; on a

X n = QPA + R

En substituant les racines 0, 1, 2 de PA on trouve successivement 0 = c, ( 1)n = a b+c


et 2n = 4a + 2b + c. La résolution de ce système donne
1 1
a = (2n 1
+ ( 1)n ), b = (2n 1
2( 1)n )
3 3
et c = 0. Ainsi :
1 1
R = (2n 1 + ( 1)n )X 2 + (2n 1 2( 1)n )X.
3 3
n
3. Calculer A par deux méthodes di↵érentes.
Corrigé : 1. En utilisant le Théorème de Caley-Hamilton qui dit que PA (A) = 0, on a
1 1
An = Q(A)PA (A) + R(A) = R(A) = (2n 1
+ ( 1)n )A2 + (2n 1
2( 1)n )A,
3 3
et donc il suffit de calculer cette expression très simple (ne faisant intervenir que A2 et
A) pour obtenir An .
2. Diagonalisation : Il existe P telle que D = P 1 AP = D avec D diagonale dont les
coefficients diagonaux sont 0, 1, 2. Alors Dn est la matrice diagonale dont les coefficients
diagonaux sont 0, ( 1)n , 2n et on obtient An par la formule An = P Dn P 1 .

Exercice 11 Soit A 2 M6 (C) telle que PA (X) = (X 1)4 (X 2)2 , mA (X) = (X 1)2 (X 2).
Que peut-on dire des dimensions des espaces propres ?
Corrigé : Cet exercices nécessite plus de connaissances que nous n’avons traité en cours. Du fait
des multiplicités 4 et 2 des valeurs propres 1 et 2 dans le polynôme caractéristique, les espaces
propres sont de dimension au plus 4 et 2 respectivement. La matrice n’est pas diagonalisable car
son polynôme minimal n’est pas à racines simples. Comme la multiplicité de la racine 2 dans
le polynôme minimal est 1 l’espace propre associé est de dimension 2. Le thórème de Jordan
permet d’affirmer qu’il existe une matrice de passage P telle que B = P 1 AP soit
0 1 0 1
1 1 0 0 0 0 1 1 0 0 0 0
B 0 1 0 0 0 0 C B 0 1 0 0 0 0 C
B C B C
B 0 0 1 0 0 0 C B 0 0 1 1 0 0 C
B=B C B
B 0 0 0 1 0 0 C ou B = B 0 0 0 1 0 0 C
C
B C B C
@ 0 0 0 0 2 0 A @ 0 0 0 0 2 0 A
0 0 0 0 0 2 0 0 0 0 0 2
L’espace propre associé à la valeur propre 1 est respectivement de dimension 3 et 2.

6
Exercice 12 Soit f un endomorphisme d’un R-espace vectoriel de dimension finie n. On note
F = Im(f ), et on suppose que f vérifie

f3 + f2 + f = 0

1. a) Montrer que F est un sous espace vectoriel f -invariant.


Corrigé : Soit x un vecteur dans l’image de f , alors f (x) est l’image de x par f , donc f (x) est
dans Im(f ). On a donc f (F ) ⇢ F (c’est en fait une proprété vérifiée pour tout endomorphisme).

b) Montrer que Ker(f ) \ Im(f ) = {0}


Corrigé : Soit x un élément de Ker(f ) \ Im(f ). Alors il existe un vecteur y tel que f (y) = x
et de plus f (x) = 0, c’est à dire f 2 (y) = 0. Comme f 2 (y) = 0, on a aussi f 3 (y) = f (f 2 (y)) = 0.
De plus on sait que par hypothèse sur f on a f 3 + f 2 + f = 0. Cela implique que

f 3 (y) + f 2 (y) + f (y) = 0

et donc f (y) = 0, c’est-à-dire x = 0. On a donc montré que Ker(f ) \ Im(f ) = {0}.

c) En déduire que la restriction g de f à F est un automorphisme de F .


Corrigé : Le noyau de la restriction d’une application linéaire f à un sous espace F est F \ker f .
Donc par la question b) ce noyau est nul pour notre fonction f restreinte à F = Im(f ). Par
la question a) la restriction de f à F est un endomorphisme de F . On a un endomorphisme
injectif : c’est donc une bijection.

d) Trouver un polynôme annulateur non trivial de g. Quel peut être de degré du polynôme
minimal de g ?
Corrigé : Commele polynôme P = T 3 + T 2 + T annule f , il annule sa restriction g. On a
donc là un polynôme annulateur. Le polynôme minimal Pm divise tout polynôme annulateur,
donc le degré de Pm est inférieur ou égal à 3.Les valeurs propres sont exactement les racines du
polynôme minimal.
On peut être plus précis : comme g est inversible, 0 n’est pas valeur propre de g, donc T 0
ne peut être facteur du polynôme minimal. Le polynôme P s’écrit : P = T (T 2 + T + 1), donc
le polynôme minimal de g divise T 2 + T + 1. Comme ce polynôme est irréductible sur R, on a
soit g = 1 soit g = T 2 + T + 1. Dans le premier cas cela entraine que F = {0}, et donc f est
l’endomorphisme nul.

2. a) Montrer que si 2 Spec(f ), alors = 0.


Corrigé : Les valeur propres sont les racines du polynôme minimal mf . Ce plonôme minimal
divise tout polynôme annulateur, donc en particulier P = T 3 + T 2 + T . Comme la seule racine
de P est 0, 0 est la seule valeur proprepossible. Donc soit le spectre est vide soit Spec(f ) = {0}.

b) En déduire que le rang de f est pair (raisonner par l’absurde et étudier les racines réelles du
polynôme caractéristique de g).
Corrigé : Le noyau et l’image F de f sont en somme directe par le théorème du rang et la
question 1). Si f n’est pas l’endomorphisme nul, on a vu que le polynôme minimal de g est
T 2 + T + 1. Rappelons que g est la restriction de f à son image F . Si le rang r de f est impair,
c’est à dire si la dimension de F est impaire, alors le polynôme caractéristique Pg de g est
de degré impair. Mais un polynôme réel de degré impair a toujours une racine réelle . C’est
impossible car alors T diviserait g, mais g n’a pas de racines dans R. On voit donc que r
est pair, et que le polynôme Pg est une puissance de T 2 + T + 1.

7
Exercice 13 Soit E un espace vectoriel, f un endomorphisme de E et soit a 2 E. Définissons

Fa = V ect( f k (a) | k 2 N ).

1. Montrer que si dim E = n, alors Fa = V ect( f k (a) | k 2 {0, 1, . . . , n 1} ).


Corrigé : Soit m > n un entier : montrons que f m est dans V ect( f k (a) | k 2 {0, 1, . . . , n 1} ).
Soit P = P (T ) le polynôme caractéristique de f . Ce polynôme est de degré n et annule f :
P (f ) = 0 par le théorème de Cayley Hamlton. Soit R = r0 + r1 T + · · · + rn 1 T n 1 le reste de
la division de T m par P (il est de degré n 1) et Q le quotient. Alors

f m = Q(f )P (f ) + R(f ) = R(f )

et donc f m (a) = R(f )(a) = r0 a + r1 f (a) + · · · + rn 1 f n 1 (a) s’exprime comme combinaison


linéaire de a, f (a), . . . , f n (a) : ce qu’il fallait montrer.
Ainsi Fa est contenu dans son sous-espace vectoriel V ect( f k (a) | k 2 {0, 1, . . . , n 1} ), il lui
est donc égal.
0 1
1 1 1
2. Soit f l’endomorphisme de R3 associé à la matrice A = @ 2 2 2 A . Montrer qu’il
1 1 1
n’existe pas a 2 R tel que Fa = R .
3 3

Corrigé : Une base du noyau de f est (1, 0, 1) et (0, 1, 1), une base de l’image Im(f ) est
(1, 2, 1). Si a est n’importe quel vecteur et m > 0 un entier alors f m (a) est dans Im(f ) qui
est de dimension 1, donc Fa est engendré par a et f (a), et est donc de dimension au plus 2.

3. Soit f un endomorphisme diagonalisable de R3 . A quelle condition sur f existe t’il un vecteur


a tel que Fa = R3 ?
Corrigé : Soit B = (e1 , . . . , e3 ) une base qui diagonalise f et soit D = Diag( 1 , . . . , 3 ) la
matrice de f . Soit a = (a1 , . . . , a3 ) un vecteur de E (écrit dans la base B). On a

f k (a) = ( k1 a1 , . . . , k
3 a3 ).

Les vecteurs f k (a), 0 6 k 6 2 sontPlinéairement dépendants si et seulement si il existe des réels


v0 , . . . , v2 non tous nuls tels que nk=01 vk f k (a) = 0. En écrivant la matrice de des 3 vecteurs
f k (a), 0 6 k 6 2 (en colonnes) :
0 1
a1 1 a1 21 a1
A = @ a2 2 a2 22 a2 A ,
a3 3 a3 23 a3
c’est équivalent à demander que A ne soit pas inversible. On remarque que si il y a deux valeurs
propres égales, par exemple 1 = 2 , alors la matrice A ci-dessus a deux mêmes lignes, et ne peut
être inversible pour n’importe quel choix de vecteur a. Et réciproquement, supposons que les
valeurs propres soient toutes distinctes et prenons le vecteur a = (1, 1, 1). Alors le déterminant
de A est
( 1 2 )( 1 3 )( 2 3 ) 6= 0

et donc il existe un vecteur a = (1, 1, 1) tel que Fa = R3 .

Exercice 14 Soit E un K-espace vectoriel, f et g des endomorphismes de E tels que f g = g f


et soit P 2 K[X] un polynôme.
1. Montrer que P (g) et f commutent.

8
P
Corrigé : En écrivant P = ak X k on voit que il faut et il suffit de montrer le résultat pour
n
les polynômes de la forme X , cela se fait alors par une récurence immédiate sur le degré n.

2. Montrer que le noyau et l’image de l’endomorphisme P (g) sont f -invariants.


Corrigé : Soit x in ker P (g), montrons que f (x) 2 ker P (g). Comme f et P (g) commutent on
a
P (g)(f (x)) = P (g) f (x) = f P (g)(x) = f (0) = 0
et donc f (x) 2 ker P (g).
Soit x in ImP (g), montrons que f (x) 2 ImP (g). Soit y un vecteur tel que x = P (g)(y). Alors
f (x) = f (P (g)(x)) = P (g)(f (y))
donc f (x) est dans l’image de P (g).

Exercice 15 Soient E un K-espace vectoriel de dimension finie, f un endomorphisme de E et


F un sous-espace vectoriel de E stable par f. On désigne par g l’endomorphisme de F induit
par f sur F .
1. Montrer que Spec(g) ✓ Spec(f ).
Corrigé : Soit v 2 F un vecteur propre non-nul de g de valeur propre . Comme g(v) = f (v),
on a f (v) = v et donc v est un vecteur propre de f de valeur propre . On a donc montré que
Spec(g) ✓ Spec(f ).
2. Montrer que si P (f ) = 0 alors P (g) = 0. En déduire que le polynôme minimal de g divise
celui de f .
Corrigé : Soit P tel que P (f ) = 0. La restriction de P (f ) à F est P (g) et donc P (g) = 0.
Le polynôme minimal de f est un polynôme annulateur de f et donc de g. Le polynôme minimal
de g divise tout polynôme annulateur de g, il fivise donc le polynôme minimal de f .
0 1
11 5 5
Exercice 16 1. Calculer eA pour A = @ 5 3 3 A.
5 3 3
0 1
0 0 1
2. Soit B = @ 1 1 1 A. On a donné la trigonalisation de cette matrice en cours. A
0 1 2
l’aide de cette trigonalisation calculer eB .
Corrigé : On a vu que la matrice :
0 1
1 1 1
P0 = @ 1 1 0 A
1 0 0
vérifie : 0 1
1 1 0
0 1
P AP = 0 @ 0 1 1 A.
0 0 1
0 1
0 1 0
Ecrivons P 0 1 AP 0 = I3 + N où N = @ 0 0 1 A est une matrice nilpotente d’indice
0 0 0
3. Alors 0 1
1 1 1/2
0 1 AP 1
eP = e 1 (I3 + N + N 2 ) = e 1 @ 0 1 1 A
2
0 0 1

9
et donc 0 1
51 1 1
0 1 AP e @
eA = P 0 eP P0 1
= 3 1 1 A.
2
1 1 0

Exercice 17 1. Soit A nilpotente d’indice r, calculer eA .


P1 k
Corrigé : Comme Ar = 0, la somme k!
A n’a qu’un nombre fini de termes, qui sont

1 1
eA = In + A + A2 + · · · + Ar 1 .
2 (r 1)!

2. Soit A = .In + N avec N nilpotente. Calculer eA .


Corrigé : La matrice In est une matrice scalaire, elle commute avec toutes autres
matrices, donc d’après le cours

eA = e In N
e = e In eN = e eN

et par la question 1, on sait comment calculer eN .

Exercice 18 Résoudre dans M3 (R) l’équation matricielle

X2 3X + 2 = 0.

Calculer, pour chaque solution, le polynôme caractéristique et le polynôme minimal ; comparez-


les avec le polynôme X 2 3X + 2.
Corrigé : On cherche les matrices M de taille 3 qui satisfont à l’equation M 2 3M + 2I3 = 0.
En particulier leur polynôme minimal divise

T2 3T + 2 = (T 1)(T 2)

Ce polynôme minimal est donc T 1, T 2 ou T 2 3T + 2 = (T 1)(T 2). Dans le premier


cas on a M I3 = 0 et donc M = I3 , dans le second cas M = 2I3 . Dans le dernier cas il y a deux
possibilités : soit 1 est valeur propre de multiplicité 2 et 2 est de multiplicité 1, soit l’inverse.
Dans les deux cas la matrice M est diagonalisable et suivant les cas il existe une matrice de
passage P 2 GL3 (R) telle que
0 1 0 1
1 0 0 1 0 0
M = P @ 0 1 0 A P 1 ou bien M = P @ 0 2 0 A P 1
0 0 2 0 0 2

L’ensemble des solutions M de cette équation est donc la réunion des singletons {I3 }, {2I3 } et
des ensembles 0 1
1 0 0
{P @ 0 1 0 A P 1 , | P 2 GL3 (R)}
0 0 2
et 0 1
1 0 0
{P @ 0 2 0 A P 1
, | P 2 GL3 (R)}.
0 0 2

10

Vous aimerez peut-être aussi