République du Sénégal

Un peuple - Un but - Une foi

Ministère de l’Enseignement Supérieur,

de la Recherche et de l’Innovation

UNIVERSITÉ IBA DER THIAM

Unité de Formation et de Recherche
Sciences Et Technologie

Département Mathématiques
Professeur Ibrahima Mbaye

Prof Mbaye 1 Draft

 Résumé

++++++++++++
Table des matières

1 Réduction des endomorphismes et des matrices carrées 3

1.1 Éléments propres . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Sous espaces propres . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Polynôme caractéristique . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Applications de la diagonalisation . . . . . . . . . . . . . . . . . . 10
1.5.1 Calcul des puissances d’une matrices carrée . . . . . . . . 10
1.5.2 Suites récurrentes linéaires simultanées du premier ordre à
coefficients constants . . . . . . . . . . . . . . . . . . . . . 11
1.5.3 Suites récurrentes linéaires à coefficients constants . . . . . 12
1.5.4 Systèmes d’équations différentielles linéaires à coefficients
constants . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Trigonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7 Polynômes d’endomorphismes . . . . . . . . . . . . . . . . . . . . 16
1.8 Série d’exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2 Algèbre bilinéaire, formes quadratiques 26

2.1 Forme bilinéaires symétriques, Formes quadratiques . . . . . . . . 26
2.2 Interprétation matricielle . . . . . . . . . . . . . . . . . . . . . . 28
2.3 Changement de base . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4 Orthogonalité pour une fbs . . . . . . . . . . . . . . . . . . . . . 32
2.5 Décomposition de Gauss d’une forme quadratique . . . . . . . . . 32
2.6 Orthogonalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.7 Endomorphisme remarquables d’un eve . . . . . . . . . . . . . . 41

1
TABLE DES MATIÈRES

2.7.1 Endomorphisme symétriques . . . . . . . . . . . . . . . . 41

2.7.2 Endomorphismes orthogonaux . . . . . . . . . . . . . . . 42
2.8 Réduction des matrices symétriques réelles . . . . . . . . . . . . . 43

Prof Mbaye 2 Draft

Chapitre 1

Réduction des endomorphismes

et des matrices carrées

1.1 Éléments propres

Soient E un K − ev (K = R ou C) de dimension n ∈ N∗ , f ∈ L(E) un endomor-
phisme de E, B = {e1 , . . . , en } une base de E, λ ∈ K un scalaire.

Définition 1.1.1. 1. On dit que λ ∈ K est une valeur propre de f ( ou une

valeur propre pourf ) si et seulement si s’il existe 0 6= x ∈ E tel que f (x) =
λx.
2. On dit que 0 6= x ∈ E est un vecteur propre de f (ou un vecteur propre pour
f ) si et seulement si s’il existe λ ∈ K tel que f (x) = λx.

Remarque 1.1.2. 1. On dit que λ ∈ K et 0 6= x ∈ E sont des vecteurs propres

et des valeurs propres associés si et seulement si f (x) = λx.
2. λ ∈ K et 0 6= x ∈ E sont appelés les éléments propres de f si et seulement
si f (x) = λx.
3. Le spectre de f noté SpK (f ) est l’ensemble des valeurs propres de f .
4. un vecteur propre n’est jamais nul.

Définition 1.1.3. 1. On dit que λ ∈ K est une valeur propre de A ∈ Mn (K)

( ou une valeur propre pour A ∈ Mn (K)) si et seulement si s’il existe
0 6= X ∈ Mn,1 (K) tel que AX = λX.

3
CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

2. On dit que 0 6= X ∈ Mn,1 (K) est un vecteur propre de A ∈ Mn (K) (ou

un vecteur propre pour A ∈ Mn (K)) si et seulement si s’il existe λ ∈ K tel
que AX = λX..

Remarque 1.1.4. 1. On dit que λ ∈ K et 0 6= X ∈ Mn,1 (K) sont des vec-

teurs propres et des valeurs propres associés si et seulement si AX = λX.
2. λ ∈ K et 0 6= X ∈ Mn,1 (K) sont appelés les éléments propres de f si et
seulement si AX = λX.
3. Le spectre de A noté SpK (A) est l’ensemble des valeurs propres de A.
4. un vecteur propre n’est jamais nul.
5. SpK (f ) = SpK (A) avec A = MB (f )

Proposition 1.1.5. Soient f ∈ L(E), A ∈ Mn (K) et e = IdE . On a les

équivalences suivantes :
1. λ ∈ SpK (f ) ⇔ ker(f − λe) 6= {0} ⇔ f − λe non injectif ⇔ det(f − λe) = 0.
2. λ ∈ SpK (A) ⇔ ker(A − λIn ) 6= {0} ⇔ A − λIn non inversible ⇔ det(A −
λIn ) = 0.

Preuve.
1. Soit λ ∈ SpK (f ) on a alors il existe 0 6= x ∈ E tel que f (x) = λx d’où
(f − λe)(x) = 0 donc x ∈ ker(f − λe) 6= {0}. Supposons ker(f − λe) 6= {0}
donc d’après le résultat de la L1 (Algèbre 1) f − λe non injectif. Supposons
f − λe non injectif, donc det(f − λe) = 0. Supposons det(f − λe) = 0 alors
f − λe non injectif. Ainsi, soient x1 et x2 deux élément de E tel que x1 6= x2
on a alors comme f − λe non injectif (f − λe)(x1 ) = (f − λe)(x2 ) d’où
f (x1 − x2 ) = λ(x1 − x2 ) comme x1 − x2 6= 0 donc λ ∈ SpK (f ).
2. Soit λ ∈ SpK (A) on a alors il existe 0 6= X ∈ Mn,1 (K) tel que AX =
λX d’où (A − λIn )(X) = 0 donc X ∈ ker(A − λIn ) 6= {0}. Supposons
ker(A − λIn ) 6= {0} donc d’après le résultat de la L1 (Algèbre 1) A − λIn
non inversible. Supposons A − λIn non inversible, donc det(A − λIn ) 6= 0.
Supposons det(A−λIn ) 6= 0 alors A−λIn non inversible, donc il existe X 6= 0
tel que (A − λIn )X = 0 d’où AX = λX comme X 6= 0 donc λ ∈ SpK (A).

Prof Mbaye 4 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

1.2 Sous espaces propres

Définition 1.2.1. 1. Soit λ ∈ K une valeur propre de f ( ou une valeur propre
pourf ). On appelle sous espace propre de f associé à la valeur propre λ ∈ K,
le sous espace vectoriel de E souvent noté SEP (f, λ) = {x ∈ E, f (x) =
λx}.
2. Soit λ ∈ K une valeur propre de A ∈ Mn (K) ( ou une valeur propre
pour A ∈ Mn (K)). On appelle sous espace propre de A associé à la valeur
propre λ ∈ K, le sous espace vectoriel de E souvent noté SEP (A, λ) =
{X ∈ Mn,1 (K), AX = λX}.

Proposition 1.2.2. Soient f ∈ L(E) et SpK (f ) formé de N valeurs propres de

f notées λi avec i = 1, . . . , N deux à deux distinctes. Alors les SEP (f, λi ) sont
en somme directe.

Preuve. Nous allons faire une récurrence sur N . Pour N = 2, soient x1 ∈

SEP (f, λ1 ), x2 ∈ SEP (f, λ2 ) tel que x1 + x2 = 0 (1) on a alors f (x1 + x2 ) = 0
ce qui implique la  relation suivante λ1 x1 + λ2 x2 = 0 (2). La relation (1) et (2)
 x1 + x 2 = 0
donne le système  qui implique après résolution en tenant
λ 1 x1 + λ 2 x2 = 0
compte de λ1 6= λ2 que x1 = x2 = 0.
Nous supposons que la relation est vraie au rang N et montrons qu’elle est
vraie au rang N + 1 c-a-d soient N
P +1
i=1 xi = 0 avec la même technique que
 PN +1 x = 0 = 0(1)
i
précédemment on a le système :  PNi=1 +1
. En multipliant(1)
i=1 λi xi = 0 = 0(2)
par λN +1 et en faisant la différence avec (2), on obtient la relation suivante :
PN
i=1 (λn+1 − λi )xi = 0 = 0 et en utilisant la relation de récurrence on obtient
x1 = x2 = . . . = xλn = 0 d’où en utilisant (2) on a xN +1 = 0. En résumé on a
PN +1
i=1 xi = 0 = 0 implique x1 = x2 = . . . = xλN = xN +1 = 0 donc les N sous
espaces propres de valeurs propres deux à deux distinctes forment une somme
directe c-a-d ⊕Ni=1 SEP (f, λi ).

Remarque 1.2.3. Cette somme directe n’est pas nécessairement égale à E.

Prof Mbaye 5 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

1.3 Polynôme caractéristique

Définition 1.3.1. 1. Soit f ∈ L(E). L’application souvent notée Pf : K → K
définie par Pf (λ) = det(f − λe) est un polynôme en λ appelé polynôme
caractéristique de f .
2. Soit A ∈ Mn (K). L’application souvent notée PA : K → K définie par
PA (λ) = det(A − λIn ) est un polynôme en λ appelé polynôme caractéristique
de A.

Remarque 1.3.2. Le polynôme caractéristique de f (de A) est aussi noté χf

(χA ).
 
0 2 −1
 
 −1 3 −1  ∈
Exemple : Calculer le polynôme caractéristique de A =  

0 1 0
M3 (R)

Proposition 1.3.3. Deux matrices carrées semblables ont même polynôme ca-
ractéristique c-a-d A ∼ B ⇒ χA = χB .

Preuve. Supposons A ∼ B alors il existe P ∈ GLn (K) tel que B = P −1 AP . On

a alors χB (λ) = det(B − λIn ) = det(P −1 AP − λIn ) = det(P −1 AP − λP −1 P ) ce
qui implique χB (λ) = det(P −1 )det(A − λIn )det(P ) = det(A − λIn ) = χA (λ).
 
0 0 
Remarque 1.3.4. La réciproque n’est pas vraie par exemple A = 
0 0
 
0 1 
et B =  ont même polynôme caractéristique mais elles ne sont pas
0 0
équivalentes.

Proposition 1.3.5. 1. Soit f ∈ L(E). On a SpK (f ) = χ−1

f ({0}).

2. Soit A ∈ Mn (K). On a SpK (A) = χ−1

A ({0}).

Preuve.
1. Soit λ ∈ SpK (f ) ⇔ det(f − λe) = 0 ⇔ χf (λ) = 0 ⇔ λ ∈ χ−1
f ({0}).

2. Soit λ ∈ SpK (A) ⇔ det(A − λIn ) = 0 ⇔ χA (λ) = 0 ⇔ λ ∈ χ−1

A ({0}).

Prof Mbaye 6 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

Corollaire 1.3.6. Le spectre d’un endomorphisme de E de dimension n est une

partie finie de K ayant au plus n éléments.

Preuve. Les éléments du spectre sont les racines du polynôme caractéristique χf

qui est un polynôme de degré n donc SpK (f ) admet au plus n éléments.
 
7 −6 −2
 
Exemple : Calculer les valeurs propres de A =   2 0 −1  ∈ M3 (R)


2 −3 2

Définition 1.3.7. Soient f ∈ L(E) et λ0 une valeur propre de f . On appelle

ordre de multiplicité de λ0 l’ordre de multiplicité de λ0 en tant que racine (zéro)
du polynôme caractéristique de f (χf ).

Remarque 1.3.8. 1. Soient E un C-ev et f ∈ L(E). Alors f admet au moins

une valeur propre et un vecteur propre puis que d’après le théorème de
d’Alembert le polynôme caractéristique χf admet au moins une racine dans
C.
2. Toute matrice A ∈ Mn (C) avec n ≥ 1 admet au moins une valeur propre
et un vecteur propre.

Proposition 1.3.9. Soient f ∈ L(E), λ0 ∈ SpK (f ), ω0 l’ordre de multiplicité de

λ0 et d0 = dim(SEP (f, λ0 ). On a alors 1 ≤ d0 ≤ ω0 .

Preuve.
1. Puisque SEP (f, λ0 ) = ker(f − λ0 e) 6= {0} car la valeur propre λ0 admet
un vecteur propre x0 ∈ SEP (f, λ0 ) donc d0 ≥ 1.
2. Comme d0 est la dimension de SEP (f, λ0 ) donc SEP (f, λ0 ) admet au moins
une base BSEP (f,λ0 ) = {e0 , e2 , . . . , ed0 } et d’après le théorème de la base in-
complète il existe ed0 +1 , . . . , en vecteurs de E tel que BE = {e1 , . . . ; en } soit
une base de E.  
λ0 Id0 C 
la matrice de f relativement à la base BE notée M atBE (f ) = 
0 B
avec C ∈ Md0 ,n−d0 (K) et B ∈ Mn−d0 (K). On a détermine χf (λ) = χM atBE (f )(λ) =
 
(λ0 − λ)Id0 C  = det((λ0 − λ)Id ) × det(B − λIn−d ) =
det  0 0
0 B − λIn−d0
(λ0 −λ)d0 ×det(B −λIn−d0 ) = (λ0 −λ)d0 ×χB (λ). On en déduit que (λ0 −λ)d0
divise χf (λ) donc d0 ≤ ω0 .

Prof Mbaye 7 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

Corollaire 1.3.10. Soient f ∈ L(E) et λ0 une valeur simple de f . On a alors

d0 = dim(SEP (f, λ0 )) = 1

En effet on a 1 ≤ d0 ≤ ω0 comme λ0 une valeur simple de f alors ω0 = 1 donc

d0 = 1.

1.4 Diagonalisation
Définition 1.4.1. 1. Soit f ∈ L(E) . On dit que f est diagonalisable si et
seulement si s’il existe une base B de E telle que M atB (f ) soit diagonale.
2. Soit A ∈ Mn (K). On dit que A est diagonalisable si et seulement si s’il
existe une matrice diagonale D ∈ Dn (K) telle que A soit semblable à D.

Remarque 1.4.2. 1. A est diagonalisable si et seulement si : il existe une

matrice inversible P ∈ GLn (K) , il existe une matrice D ∈ Dn (K) telle que
A = P DP −1 .
2. Au lieu de diagonalisation, on dit aussi réduction à la forme diagonale.
3. Si A est diagonalisable alors diagonaliser A revient à trouver P ∈ GLn (K),D ∈
Dn (K) et P −1 telle que A = P DP −1 .

Proposition 1.4.3. Soit f ∈ L(E). Les propriétés suivantes sont deux à deux
équivalentes :
1. f est diagonalisable
2. il existe une base de E formée de vecteurs propres pour f
3. la somme des SEP pour f est égale à E
4. la somme des dimensions des SEP pour f est égale à la dimension de E
(dim(E)).

Preuve. Montrons que 1) implique 2). On suppose que f diagonalisable. D’après

la définition il existe une base B = {e1 , . . . , en } de E telle que la matrice de f
relative à la base B soit diagonale.
 Ainsi il existe (λ1 , . . . , λn ) ∈ Kn telle que
λ ... 0
 1
 .. . . . 
M atB (f ) =  . . .. . On a f (ei ) = λi ei pour tout i ∈ {1, . . . , n} et

 
0 . . . λn

Prof Mbaye 8 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

ei 6= 0 donc les éléments de la base B sont des vecteurs propres pour f .

P
Montrons que 2) implique 3). On va montrer que E = λ∈SpK (f ) SEP (f, λ). On a
une inclusion triviale λ∈SpK (f ) SEP (f, λ) ⊂ E car λ∈SpK (f ) SEP (f, λ) est une
P P

somme de sous espace vectoriel de E.Montrons maintenant la deuxième inclusion

E ⊂ λ∈SpK (f ) SEP (f, λ) . En effet on a λ∈SpK (f ) SEP (f, λ) ⊃ ni=1 SEP (f, λi ) ⊃
P P P
Pn
i=1 Kei = E (avec ei les éléments des la base B formée de valeurs propres de f).
On conclut que E ⊂ λ∈SpK (f ) SEP (f, λ). Finalement E = λ∈SpK (f ) SEP (f, λ).
P P
P
Montrons que 3) implique 4). On a E = λ∈SpK (f ) SEP (f, λ) d’où dim(E) =
P P
dim( λ∈SpK (f ) SEP (f, λ)) comme la somme λ∈SpK (f ) SEP (f, λ) est directe on
P
a alors dim(E) = λ∈SpK (f ) dim(SEP (f, λ)). Enfin on va montrer que 4) implique
P
1). Supposons dim(E) = λ∈SpK (f ) dim(SEP (f, λ)). On note k = card(SpK (f )
et λ1 , . . . , λk les k valeurs propres de f . On note aussi Bi les bases de chaque
SEP (f, λi ) et B = ki=1 . Comme les SEP (f, λi ) sont en somme directe et
S

que les Bi sont des familles libres, alors B est libre. D’autre part card(B) =
Pk Pk
i=1 card(Bi ) = i=1 dim(SEP (f, λi )) = dim(E). Donc B est une base de E et
la matrice de f dans B notée M atB (f )  est diagonale car les éléments de B sont
λI ... 0
 1 d1
. .. .. 
des vecteurs propres de f : M atB (f ) =  .. . .  avec
 
 
0 . . . λk Idk
di = card(Bi ), avec 1 ≤ i ≤ k.

Théorème 1.4.4. 1. Soit f ∈ L(E), f est diagonalisable si et seulement si :

le polynôme caractéristique de f ( χf ) est scindé sur K et pour chaque valeur
propre λ de f , la dimension du SEP (f, λ) est égale à l’ordre de multiplicité
de λ.
2. Soit A ∈ Mn (K), A est diagonalisable si et seulement si : le polynôme
caractéristique de A (χA ) est scindé sur K et pour chaque valeur propre λ
de A, la dimension du SEP (A, λ) est égale à l’ordre de multiplicité de λ.

Preuve. Notons pour chaque valeur propre λ de f , dλ = dim(SEP (f, λ)) et wλ

l’ordre de multiplicité de la valeur propre λ dans χf .
Supposons que f diagonalisable. On a alors χf (λ) = χM atB (f )(λ) = ni=1 (λi − λ)
Q

d’où χf est scindé. Montrons maintenant que dλ = ωλ pour chaque valeur propre
λ. En effet d’après la proposition précédente f est diagonalisable implique n =
λ∈SpK (f ) dλ or dλ ≤ ωλ , on alors n = λ∈SpK (f ) dλ ≤
P P P
λ∈SpK (f ) ωλ . Comme
χf est scindé on a alors λ∈SpK (f ) ωλ = npar conséquent n = λ∈SpK (f ) dλ ≤
P P

Prof Mbaye 9 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

ωλ = n. Ce qui implique le résultat dλ = ω( λ) pour tout λ ∈ K.

P
λ∈SpK (f )
Réciproquement, On suppose que χf scindé et pour tout λ valeur propre de f ,
P P
dλ = ωλ . Comme χf est scindé on a alors n = λ∈SpK (f ) ωλ = λ∈SpK (f ) dλ , donc
d’après la proposition précédente f est diagonalisable.
Corollaire 1.4.5. 1. Soit f ∈ L(E). Si f admet n valeurs propres deux à deux
distinctes avec n = dim(E) alors f est diagonalisable.
2. Soit A ∈ Mn (K). Si A admet n valeurs propres deux à deux distinctes alors
f est diagonalisable.

Preuve. Supposons que f admet n valeurs propres distinctes deux à deux alors
χf (λ) = ni=1 (λ − λi ) est scindé et dim(SEP (f, λi )) = 1 pour chaque valeur
Q

propre simple λi . donc f est diagonalisable.

 
0 −8 −6
 
Exemple : Diagonaliser A =   −1 −8  ∈ M3 (R)
7 
1 −14 11

1.5 Applications de la diagonalisation

1.5.1 Calcul des puissances d’une matrices carrée

Soit A ∈ Mn (K). Supposons A diagonalisable, il existe alors une matrice dia-
gonale D et une matrice inversible P telles que D = P −1 AP , c’est-à-dire A =
P DP −1 . Donc :
An = (P DP −1 )(P DP −1 ) · · · (P DP −1 ) = P Dn P −1
   
λ ... 0 λn1 . . . 0
 1
 .. . . ..  .. . . .. 

n n
Or si D =  . . . , D = . . .  et donc A se calcule facile-
  
 
   
0 . . . λk 0 . . . λnk
ment par la formule  
λn . . . 0
 1
 . .. 
An = P  .. . . .
 −1
 . P 
0 . . . λnk
 
1 −1 
Exemple : Soit A =  .
2 4
 
2 0 
On a PA (λ) = λ2 − 5λ + 6 = (λ − 2)(λ − 3). Ainsi D =  .
0 3

Prof Mbaye 10 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

Pour
 les vecteurs
  on trouve: v1 = (1; −1) et v2 = (1; −2). Ainsi : P =
propres
1 1  2 1 
 et P −1 =  . En effectuant les calculs on obtient :
−1 −2 −1 −1
 
2n+1 − 3n 2n+1 − 2 · 3n 
An = 
−2n + 3n −2n + 2 · 3n

1.5.2 Suites récurrentes linéaires simultanées du premier

ordre à coefficients constants
Illustrons cela sur un exemple. Il s’agit de déterminer deux suites (un )n∈N et
(vn )n∈N telles que :
 
 un+1 = un − vn u0 = 2
(1)  et telles que 
vn+1 = 2un + 4vn v0 = 1
 
un 
On pose Xn =  . Le système (1) s’écrit :
vn
 
1 −1 
Xn+1 = AXn avec A = 
2 4

d’où par récurrence :

 
2
Xn+1 = AXn avec X0 =  
1

On est ainsi ramener au calcul de An . Dans notre cas, compte tenu du résultat
ci-dessous :     
n+1 n n+1 n

u n =
2 − 3 2 − 2 · 3 
2 
vn −2n + 3n −2n + 2 · 3n 1
 
2n+2 − 2 · 3n + 2n+1 − 2 · 3n 
=
−2n+1 + 2 · 3n − −2n + 2 · 3n
c’est-à-dire 
 un = 3 · 2n+1 − 4 · 3n
 vn = −3 · 2n + 4 · 3n

Prof Mbaye 11 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

Exercice
Soit la matrice définie par
 
3 1 1
 
A =  −1 1 1 

.
1 1 1
1. Diagonaliser A.
2. Calculer An .
3. Soient les suites (un ), (vn ), (wn ) définies par u0 = v0 = w0 = 1 et les
relations de récurrences :



 un = 3un−1 + vn−1 − wn−1

vn = −un−1 + vn−1 + wn−1


wn = un−1 + vn−1 + wn−1
Calculer (un ), (vn ), (wn ) en fonction de n.

1.5.3 Suites récurrentes linéaires à coefficients constants

Illustrons cela sur deux exemples. Il s’agit de déterminer une suite (un )n∈N telle
que un+2 = αun + βun+1 avec u0 et u1 données où un+3 = αun + βun+1 + γun+2
avec u0 , u1 et u2 données.

1.5.4 Systèmes d’équations différentielles linéaires à coef-

ficients constants
Soit à résoudre le système suivant

dx1
= a11 x1 + a12 x2 + · · · + a1n xn



dt




······

 dx n
= an1 x1 + an2 x2 + · · · + ann xn



dt
Avec X0 un vecteur fixé dans Rn , aij ∈ R et xi : R → R dérivable.
Sous la forme matricielle le système s’écrit :
 
x
dX  1 
 .. 
(1) = AX, où A = (aij )1≤i,j≤n et X =  . 
dt  
xn

Prof Mbaye 12 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

Supposons A diagonalisable. Il existe alors D matrice diagonale et P matrice

inversible telles que : A = P DP −1 . Si on considère A comme la matrice d’un
endomorphisme f dans la base canonique, D est la matrice de f dans la base
de vecteurs propres {vi }. De même X est la matrice d’un vecteur dans la base
dX
canonique lié à un vecteur X 0 = par la relation
dt
X 0 = AX

comme A = P DP −1 , on obtient cette relation : X 0 = P DP −1 X et P −1 X 0 =

DP −1 X On pose un changement de variable Y = P −1 X et Y 0 = P −1 X (car P
est à coefficient constants). Donc

Y 0 = DY

ce système s’intègre facilement car D diagonale nous ramène à des équations

différentielles linéaires du premier ordre à coefficients constants. Avec la relation
Y = P −1 X on obtient X = P Y . Finalement, le système (1) est donc équivalent
au système
X = PY
avec Y qui est déterminé à partir de la résolution de

Y 0 = DY

et P la matrice formée par les vecteurs propres de A.

Remarque 1.5.1. Ainsi on peut résoudre le système df racdXdt = AX de la

manière suivante :
1. On diagonalise A c-a-d on trouve les matrices P , D et P −1 telles que A =
P AP −1 .
2. On intègre le système Y 0 = DY .
3. On revient à X par X = P Y .

Exemple Soit le système

dx1

= x1 − x2



dt
dx2
= 2x1 + 4x2



dt

Prof Mbaye 13 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

   
2 0  1 1 
On a D =  et P =  .
0 3 −1 −2
dY
Le système = DY s’écrit :
dt
dy1

= 2y1



dt
 dy2

 = 3y2
dt

 y1 = λ1 e2t
Ce qui donne immédiatement et donc, en revenant à X par X =
 y2 = λ2 e3t
PY ;     
x
 1 =
1 1   λ1 e2t 
x2 −1 −2 λ2 e3t
C’est-à-dire 
 x1 = λ1 e2t + λ2 e3t
 x2 = −λ1 e2t − 2λ2 e3t
   
7 −5 −4 x(t)
   
Exercice Soit A=  4 −2 −4 . On pose X(t) =  y(t) 
  
.
5 −5 −2 z(t)
dX
1. Résoudre le système différentielle homogène (t) = AX(t).
dt

2. Préciser la solution vérifiant


dX
(t) = AX(t)


dt
 X(0) = (1, 2, 3)


1.6 Trigonalisation
Définition 1.6.1. 1. Soit f ∈ L(E) . On dit que f est trigonalisable si et
seulement si s’il existe une base B de E telle que M atB (f ) soit triangulaire.
2. Soit A ∈ Mn (K). On dit que A est trigonalisable si et seulement si s’il
existe une matrice triangulaire T ∈ Mn (K) telle que A soit semblable à T .

Remarque 1.6.2. 1. Si A ∈ Mn (K) esr trigonalisable, on appelle trigona-

lisation de A la donnée de P ∈ GLn (K),T ∈ Tn,s (K) et P −1 telle que
A = P T P −1 .

Prof Mbaye 14 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

2.
3. Au lieu de trigonalisation , on dit aussi réduction à la forme triangulaire.

Théorème 1.6.3. 1) Soit A ∈ Mn (K), alors les deux propriétés sont équiva-
lentes :
1.a) A est trigonalisable
1.b) χA est scindé sur K
2) Soit f ∈ L(E), alors les deux propriétés sont équivalentes :
2.a) f est trigonalisable
2.b) χf est scindé sur K

Preuve. Montrons d’abord que 1.a) implique 1.b). On suppose que A trigonali-
sable, alors il existe une matrice triangulaire supérieur T
inTn,s (K) semblable à A. Comme A ∼ T on a alors χA (λ) = χT (λ) = ni=1 (tii −λ)
Q

( avec tii , i ∈ {1, . . . , n} les éléments de la diagonale de T ) donc χA est scindé

sur K.
Réciproquement montrons que 1.b) implique 1.a), on suppose que χA est scindé
et montrons que A est trigonalisable. Faisons une récurrence sur n. Pour n = 1
la propriété est triviale.
Supposons que la propriété est vraie au rang n et soit A ∈ Mn+1 (K) telle que
χA soit scindé sur K. Alors, A admet au moins une valeur propre notée λ1 et un
vecteur propre associé noté vλ1 ∈ Mn+1,1  (K) et donc il existe L ∈ M1,n (K) et
λ1 L 
A2 ∈ Mn (K) telle que A ∼  .
0 A2
 
λ1 − λ L  = (λ1 − λ)det(A2 − λIn ) =
On obtient χA (λ) = det 
0 A2 − λIn
(λ1 − λ)χA2 (λ). Comme χA est scindé sur K alors χA2 est aussi scindé sur K.
Comme A2 est une matrice d’ordre n dont χA2 est scindé sur K on a d’après
l’hypothèse de récurrence l’existence d’une matrice Qinversible
 et d’une matrice
1 0 
T triangulaire telles que A2 = QT Q−1 . Notons R =  ∈ Mn+1 (K) qui
0 Q
 
1 0 
est une matrice inversible et son inverse R−1 = ∈ Mn+1 (K).
0 Q−1
 
λ1 X 
Montrons qu’il existe X ∈ M1,n (K) telle qu’en notant T1 =  ∈
0 T

Prof Mbaye 15 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

   
λ1 L  λ1 XQ−1 
Mn+1 (K) on ait  = RT1 R−1 =  . Il suffit donc de
0 A2 0 A2
   
λ1 L  λ1 X 
choisir X = LQ, on obtient alors  ∼ T1 ==  ∼ A. Par
0 A2 0 T
conséquent A est trigonalisable.

Corollaire 1.6.4. 1. Toute matrice carrée A ∈ Mn (C) est trigonalisable.

2. Soit E un C-ev de dimension finie n ≥ 1. Tout endomorphisme de E est
trigonalisable.
 
5 −17 25
 
Exemple : Trigonaliser A =  2 −9 16  ∈ M3 (R)


1 −5 9
   
−2 2 −1 5 −4 −3
   
 −1 1 −1  ∈ M3 (R), A =  2 −1 −1  ∈
Exemple : Trigonaliser A =    

−1 2 −2 1 −1 0
 
0 2 −1
 
M3 (R), A =  −1 3 −1 

 ∈ M3 (R).
0 1 0

1.7 Polynômes d’endomorphismes

Définition 1.7.1. Soit P = a0 + a1 X + . . . + aN X N ∈ K[X]
1. Soit f ∈ L(E). On note P (f ) = a0 e + a1 f + . . . + aN f N et P (f ) est appelé
un polynôme d’endomorphisme.
2. Soit A ∈ Mn (K). On note P (A) = a0 In + a1 A + . . . + aN AN et P (A) est
appelé un polynôme d’endomorphisme.

Exemple : Soit P = 3 + 2X + 4X 2 et A ∈ Mn (R) on a alors P (A) = 3In + 2A +

4A2 .

Proposition 1.7.2. Soit f ∈ L(E). L’application P : K[X] → L(E) définie

par P 7→ P (f ) est un morphisme d’algèbre unitaire de K[X] dans L(E) c-a-d
∀α ∈ K, ∀P, Q ∈ K[X] on a :
1. (αP + Q)(f ) = αP (f ) + Q(f )
2. (P Q)(f ) = P (f ) ◦ Q(f )

Prof Mbaye 16 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

3. 1(f)=e
N N
ak X k et Q = bk X k deux polynômes.
X X
Preuve. Soient P =
k=0 k=0
N N
!
k
(αak +bk )f k = αP (f )+
X X
pour 1) on a (αP +Q)(f ) = (αak + bk )X (f ) =
k=0 k=0
Q(f ). Et pour le 2)En notant de plus ak = bk = 0 si k > N, on a : 
(P Q)(f ) =
2N k k
2N X N N
! ! !
k k i
aj f j . Et pour
X X X X X
ai bk−i X (f ) = ai bk−i f = ai f ◦ 
k=0 i=0 k=0 i=0 i=0 j=0
le 3) en posant P = 1 = X 0 on a alors P (f ) = 1(f ) = f 0 = e.

Proposition 1.7.3. Si f, g ∈ L(E) commutent, alors tout polynôme en f com-

mute avec tout polynôme en g.

Preuve. Soient f et g deux endomorphisme de E tels que g ◦ f = f ◦ g. Montrons

par récurrence que pour tout n ∈ N, g n ◦ f = f ◦ g n . En effet pour n = 0
on obtient e ◦ f = f = f ◦ e = f et pour n = 1 on a g n ◦ f = f ◦ g n par
hypothèse. Supposons que la propriété est vraie au rang n c-a-d g n ◦ f = f ◦ g n
pour tout n ∈ N et montrons que g n+1 ◦ f = f ◦ g n+1 pour tout n ∈ N . En effet,
g n+1 ◦ f = g ◦ (g n ◦ f ) = g ◦ (f ◦ g n ) = (g ◦ f ) ◦ g n = (f ◦ g) ◦ g n = f ◦ g n+1 . Soit
Q ∈ K[X], on a par linéarité Q(g) ◦ f = f ◦ Q(f ). En appliquant sur le résultat
précédent (P (f ), g) au lieu de (f, g) on obtient alors pour tout P, Q ∈ K[X],
Q(g) ◦ P (f ) = P (f ) ◦ Q(g).

Définition 1.7.4. 1. Soient f ∈ L(E) et P ∈ K[X]. On dit que P annule f

ou P est un polynôme annulateur de f si et seulement si : P (f ) = 0.
2. Soient A ∈ Mn (K) et P ∈ K[X]. On dit que P annule A ou P est un
polynôme annulateur de A si et seulement si : P (A) = 0.

Théorème 1.7.5. 1. Pour tout f ∈ L(E), on a χf (f ) = 0

2. Pour tout A ∈ Mn (K), on a χA (A) = 0

Preuve. Par définition χf (λ) = det(f − λe), on a alors χf (f ) = det(f − f ) =

det(0) = 0. De même χA (λ) = det(A−λIn ) ce qui implique χA (A) = det(A−A) =
det(0) = 0.

Prof Mbaye 17 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

1.8 Série d’exercices

Exercice 1 :

1. Montrer que si x est un vecteur propre des applications linéaires f et g,

alors c’est un vecteur propre de g ◦ f . Pour quelles valeurs propres ?
2. Est-il vrai que si λ est une valeur propre de f et µ une valeur propre de g,
alors λµ est une valeur propre de g ◦ f ?

Exercice 2 :

1. Montrer que si f est nilpotent, sa seule valeur propre est 0 ?

2. Montrer que si f 2 = kf , ses seules valeurs propres possibles sont 0 et k.
3. Soit P un polynôme montrer que si P (f ) = 0 et si λ est une valeur propre,
alors P (λ) = 0.
Exercice 3 :

1. Soit f et g deux applications linéaires telles que f ◦ g = g ◦ f , et si x est un

vecteur propre pour f . Montrer que g(x) est aussi un vecteur propre de f .
2. En déduire que les sous-espaces propres de f sont stables par g.
Exercice 4 :

1. Trouver

les valeurs

propres et les vecteurs

propres

des matrices

:
1 1 1 0 1 1 1 2 3
     
A1 = 
 0 1 1  ; A2 =  1 0
 
 ; A3 =  3
1   1 2 

0 0 2 1 1 0 2 3 1
2. Montrer que SEP (A1 , 1) ⊕ SEP (A1 , 2).
3. Les matrices A1 , A2 et A3 sont-elles diagonalisables ?
Exercice 5 :

1. Dans R2 [X], quelles sont les valeurs propres et les vecteurs propres de P →
2P + P 0 .

Prof Mbaye 18 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

2. Est-il diagonalisable ?
Exercice 6 :
Montrer que si deux matrices ont le même polynôme caractéristique et que toutes
les racines de celui-ci sont simples, alors elles sont semblables.
Exercice 7 :
Etudier
 les suites suivantes
 :
 u
n+1 = vn
 u
n+1 = un + vn
(1) ; (2) ;
 vn+1 = un  vn+1 = vn
 
 un+1 = 21 un + 3vn  1
un+1 = 61 un + 12 vn
(3) ; (4)
 vn+1 = 23 vn  vn+1 = 1 un + 1 vn
6 4
Exercice 1 :

1. Montrer que les matrices de M3 (R) suivantes sont diagonalisables et les dia-
gonaliser :     
0 1 0 11 −5 5 0 −1 1
     
1)A1 =  1 0 1  ; 2)A2 =  −5 3 −3  ; 3)A3 =  −a − 1 a a + 1
     

0 1 0 5 −3 3 −a a a+1
 
−1 a a2
 
4)A4 =  0
 0 −a  
0 0 1
2. Calculer An1 et An2 avec n ∈ N∗ .

Exercice 2 :
   
0 1 1 0 1 0
   
1. Les matrices A1 =  1 0 0  et A2 =  1
  
 de M3 (R) sont-elles
0 1 
2 1 0 1 2 0
semblables ?
   
1 2 3 1 3 2
   
2. Les matrices A1 = 
 3 1 2  et A2 =  2
 
 de M3 (R) sont-elles
1 3 
2 3 1 3 2 1
semblables ?
Exercice 3 :
Soit a ∈ R, f un endomorphisme de R4 [X] défini par : ∀P ∈ R4 [X],

f (P ) = (X − a)(P 0 − P 0 (a)) − 2(P − P (a)).

Prof Mbaye 19 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

1. Déterminer les valeurs propres, les vecteurs propres, le noyau et l’image de

f.
2. f est-il diagonalisable ?
Exercice 4 :

1. Trouver tous les sev de R3 stables


par l’endomorphisme

f dont la matrice
1 0 2
 
dans la base canonique est A =  2 1 0 

;
0 2 1
2. Trouver tous les sev de R3 stables

par l’endomorphisme

f dont la matrice
6 −6 5
 
 −4
dans la base canonique est A =  −1 10 ;
7 −6 4
Exercice 5 :
Résoudre
 les systèmes différentiels
 suivants :
 x0 = 5x − 3y  x0 = 5x − 3y + 6 exp(3t) + 1
1)  0 2)  0
y = 6x − 6y y = 6x − 6y + 4 exp(3t) + 3
Exercice 6 :
On pose E = C(R, R). On note L : E → E un endomorphisme défini par L(f ) =
f 00 . Déterminer les valeurs propres de L et les espaces propres associés.
Exercice 7 :
Trigonaliser les matrices suivantes dans M3 (R) :
     
5 −4 −3 7 −6 −2 0 2 −1
     
1)A =   2 −1 −1  ; 2)A =  2 0 −1  ; 3)A3 =  −1 3 −1 
    

1 −1 0 2 −3 2 0 1 0
Exercice 1
Soient A et B deux matrices de Mn (R) telles que AB = BA. On suppose que
A admet n valeurs propres distinctes. Soit x un vecteur propre de A de valeur
propre λ.
1. Montrer que ABx =λBx ;
2. en déduire que les vecteurs x et Bx sont colinéaires ;
3. puis que tout vecteur propre de A est un vecteur propre de B.
Exercice 2
1. Soient A, B deux matrices inversibles de Mn (K). Montrer que AB et BA ont
le même polynôme caractéristique.

Prof Mbaye 20 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

2. Soit A ∈ GLn (K). Exprimer le polynôme caractéristique de A−1 en fonction

de celui de A.
Exercice 3
Soit g l’endomorphisme défini par : g : R2 → R2 par : g(x, y) = (2x + y, 2y).
1) Déterminer les valeurs propres de g.
2) Déterminer les SEP associés.
3) g est-il diagonalisable ?
Exercice 4 Soit
 
0 −8 6
 
−1 −8
A=  ∈ M3 (R)
7
1 −14 11
Montrons que A est inversible et calculer pour tout k ∈ Z, Ak .
Exercice 5 :
 
2 0 1−a
 
Soit a un réel, on considère la matrice suivante : A =  −1 1 a − 1

a − 1 0 2a
1. Factoriser le polynôme caractéristique de A.
2. Déterminer en fonction de a la dimension du SEP(A,a+1).
3. Pour quelles valeurs de a la matrice A est-elle diagonalisable ?
Exercice 6
   
7 −5 −4 x(t)
   
Soit A = 4 −2 −4. On pose X(t) = y(t)
  

5 −5 −2 z(t)
1. Diagonaliser A.
2. Résoudre le système différentiel homogène dXdt
(t) = AX(t)
3. Préciser la solution vérifiant

 dX (t)

= AX(t)
dt
X(0)

= (1, 2, 3)

Exercice 7 :
Soient (un ), (vn ) et (wn ) les suites réelles définies par :

Prof Mbaye 21 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES


1
u = (2un + vn + wn )


 n+1
4






 1
 vn+1 = (un

+ vn + wn )
3

 1


 wn+1 = (un + vn + 2wn )



 4

 u = 0, v = 22, w = 22.

0 0 0
Calculer (un ), (vn ) et (wn ) et étudier la convergence de ces trois suites.
 
2 0 1
 
Exercice 8 Soit A =   1 1 0 ∈ M3 (R). Trigonaliser A


−1 1 3
Exercice 9 Soit a un réel strictement positif.
 
−1 a −a
 
On considère la matrice suivante : A =   1 −1 0 


1 0 −1
1. Calculer le polynôme caractéristique de A et en déduire que A n’est pas dia-
gonalisable.
2. Déterminer trois matrices colonnes V1 ; V2 ; V3 de M3,1 (R) vérifiant :




 AV1 = −V1

 AV2 = V1 − V2


AV = V1 + V2 − V3

3
 
−1 1 1
 
3. Montrer que A est semblable à B =   0 −1 1 


0 0 −1
4. Calculer An pour n ∈ N.
Exercice 10 Soit E un C-espace vectoriel de dimension finie, et soient f, g ∈
L(E). On fixe β une base de E et on désigne par A (resp. B) la matrice de f
(resp. g) dans cette base.
1. Supposons f et g inversibles.
(a) Démontrer que AB et BA ont le même polynôme caractéristique.
(b) Soit λ une valeur propre de f ◦ g, et soitEλ (resp. Fλ ) l’espace propre de f ◦ g
(resp. de g ◦ f ) associé à λ. Démontrer les inclusions

g(Eλ ) ⊂ Fλ et f (Fλ ) ⊂ Eλ :

(c) Que peut-on en déduire sur les dimensions des espaces Eλ et Fλ ?

(d) Montrer que si f ◦ g est diagonalisable, alors g ◦ f est diagonalisable.

Prof Mbaye 22 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

2. Supposons maintenant f et g quelconques.

(a) Montrer que si f ◦ g a une valeur propre nulle, il en est de même de g ◦ f .
(b) Soit α ∈ C − 0 f ◦ g tel que AB − αI est inversible. On note C son inverse.
Vérifier que
(BA − αI)(BCA − I) = αI :
Que peut-on en déduire pour det(BA − αI) ?
(c) Déduire de ce qui précède que f ◦ g et g ◦ f ont les mêmes valeurs propres.
(d) Donner un exemple simple de matrices A et B tel que AB est diagonalisable,
et BA n’est pas diagonalisable.
Exercice 11 :
 
1 −1 −1
 
−1 1 −1
Soit A =  

−1 −1 1
1. Diagonaliser A.
2. Diagonaliser A dans une base orthonormée. En déduire An
Exercice 12 :
Mettre

sous forme

triangulaire

les matrices

suivantes :
4 2 −2 0 2 2
1
   
A= 1 5 −1 et B = 2  1 3 −1
  

1 3 1 −1 3 3
 Déterminer le polynôme minimal de A et B.
Exercice 13
Résoudre sous la forme de Jordan
 les matrices
 suivantes :
  4 0 0 0
−1 1 0  
   0 0 1 0 
A= 1 1 2  et B =  

  0 1 2 2
1 −1 0  
0 1 −1 1
Exercice 14 :
 
−1 2 1
 
On considère la matrice suivante : A = −2 −1 −1


−4 4 3
1. Diagonaliser A.
2. Déterminer An , pour tout n ∈ N.

Prof Mbaye 23 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

 
X(t)
dX
 
3. Calculer la solution du système différentiel dt (t) = AX(t) où X(t) = 
 Y (t) 

Z(t)
 
1
 
telle que X(0) =  0 


−1
 
1
 
4. Soit (Un )n∈N la suite définie par :U0 =  0  et pour tout n ∈ N, Un+1 = AUn .


−1
Donner l’expression de Un en fonction de n.
Exercice 15
Soient A et B sont deux matrices carrées de M3 (C) telles que : A = B 2 .
1. Montrer que si B est diagonalisable
 
alors A est diagonalisable.
0 0 1
 
En utilisant la matrice A =  0 0 0 ; justifier que la réciproque est fausse.


0 0 0
 
11 −5 −5
2
 
2. Soit les matrices B de M3 (C) telles que A = B avec A =  −5 3 3
−5 3 3
(a) Vérifier que A est diagonalisable.
(b) Déterminer P ∈ GL3 (C) et D diagonale telles que : A = P DP −1 . En déduire
An pour n ∈ N.
(c) Si C = P −1 BP , établir que C 2 = D puis que C et D commutent.
En déduire les matrices C qui conviennent puis les solutions du problème.
Exercice 16
Soient (un ), (vn ) et (wn ) trois suites réelles définies sous forme récurrente par
u0 = 1, v0 = 1, w0 = −1 et, pour tout n ∈ N, par le système suivant : :




 un+1 = 2un + 3vn − 3wn

(S) vn+1 = −un + wn



w = −un + vn

n+1

1. Écrire le système (S) sous la forme matricielle.

Xn+1 = AXn
2. Calculer les valeurs propres de A. En déduire que A est diagonalisable. Proposer
une base C de vecteurs propres de A.

Prof Mbaye 24 Draft

CHAPITRE 1. RÉDUCTION DES ENDOMORPHISMES ET DES MATRICES
CARRÉES

3. Soit P la matrice de passage de la base canonique de R3 à C. Calculer P et

P −1 , puis expliciter la matrice B définie par B = P −1 AP
4. Calculer An pour tout n ∈ N.
5. En déduire les expression (un ), (vn ) et (wn ) en fonction de n.
Exercice 17 Les questions sont indépendantes
1. Soit A une matrice de Mn (K) dont le polynôme caractéristique est

PA (λ) = det(A − Iλ) = −(λ − α)n−1 (λ − β)

α, β étant deux scalaire distincts. Dans quel cas A est diagonalisable ?

2. Soient A, B deux matrices inversibles de Mn (K). Montrer que AB et BA ont
le même polynôme caractéristique.
3. Soit A ∈ GLn (K). Exprimer le polynôme caractéristique de A−1 en fonction
de celui de A

Prof Mbaye 25 Draft

Chapitre 2

Algèbre bilinéaire, formes

quadratiques

2.1 Forme bilinéaires symétriques, Formes qua-

dratiques
Définition 1
On appelle forme bilinéaire sur E × E toute application
ϕ : E × E → K telle que :
a) ∀α ∈ K, ∀(x, x0 , y) ∈ E3 , ϕ(αx + x0 , y) = αϕ(x, y) + ϕ(x0 , y).
b) ∀β ∈ K, ∀(x, y, y 0 ) ∈ E3 , ϕ(x, βy + y 0 ) = βϕ(x, y) + ϕ(x, y 0 ).
Définition 2
Une application ϕ : E×E → K est dite symétrique si et seulement si : ∀(x, y) ∈ E2 ,

ϕ(x, y) = ϕ(y, x)

Exemple 1
L’application

ϕ : E × E −→ K
x 7−→ xy
est bilinéaire symétrique
En effet

26
CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

Soient α ∈ R et (x, x0 , y) ∈ E 3 ϕ(αx + x0 , y)= (αx + x0 )y = αxy + x0 y

=αϕ(x, y) + ϕ(x0 , y)
Soient β ∈ R et (x, y 0 , y) ∈ E 3 ϕ(x, βy + y 0 )= x(βy + y 0 ) = βxy + xy 0
=αϕ(x, y) + ϕ(x, y 0 )
Donc l’application ϕ est bilinéaire
∀(x, y) ∈ E× E :
ϕ(x, y)=xy=yx=ϕ(y, x) ainsi l’application ϕ est également symétrique
d’où ϕ : x 7−→ xy est bilinéaire symétrique

Proposition 1
Pour qu’une application ϕ : E ×E −→ K soit une forme bilinéaire symétrique
ϕ soit symetrique




(fbs), il faut et il suffit que l’on ait et
 

soit linéaire par rapport à la deuxiéme place
ϕ


Définition 3 Soit ϕ une forme bilinéaire symétrique sur E × E.

On appelle forme quadratique (fq) associé à ϕ l’application notée φ de E dans K
définie par ∀x ∈ E φ(x)=ϕ(x, x)
Exemple 2

ϕ : R2 × R2 → R
(x, y) → ψ(x, y) = x1 y2 + x2 y1
une fbs et la forme quadratique associé est

R2 → R

X → φ(X) = 2x1 x2
Proposition 2
Soient ϕ une fbs sur E × E et φ la fq associée à ϕ on a :
1. ∀ (x, y) ∈ E 2 , φ(x + y)=φ(x) + 2ϕ(x, y) + φ(y)
2. ∀ (x, y) ∈ E 2 , ϕ(x, y)= 41 (φ(x + y) − φ(x − y))
3. ∀ (α, β) ∈ K2 , ∀(x, y) ∈ E 2 , φ(αx + βy)=α2 φ(x) + 2αβϕ(x, y) + β 2 φ(y)
4. ∀ (x, y) ∈ E 2 φ(x + y) + φ(x − y)=2 (φ(x) + φ(y))
5. ∀ n ∈ N∗ , ∀ α1 , . . . , αn ∈ K, ∀ x1 , . . . xn ∈ E
n n n
αi2 φ(xi ) + 2 βj2 φ(xj )
X X X X
φ( αi xi )= αi βj ϕ(xi , xj ) +
i=1 i=1 1≤i≤j≤n j=1

Prof Mbaye 27 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

Preuve
1. Pour tout x, y de E on a :
1
ϕ(x, y) = [φ(x + y) − φ(x) − φ(y)]
2
En effet φ(x+y) = ϕ(x+y, x+y) = ϕ(x, x+y)+ϕ(y, x+y) = ϕ(x, x)+ϕ(x, y)+
ϕ(y, x) + ϕ(y, y) = ϕ(x, x) + ϕ(x, y) + ϕ(x, y) + ϕ(y, y)
φ(x + y) = ϕ(x, x) + 2ϕ(x, y) + ϕ(y, y) = φ(x) + 2ϕ(x, y) + φ(y)

D’où
1
ϕ(x, y) = [φ(x + y) − φ(x) − φ(y)]
2
Remarque 1
• ϕ(x, y) est appelée forme polaire de φ :
A tout forme quadratique on peut toujours lui associée une forme bilinéaire sy-
métrique appelée forme polaire.
• Soit φ une forme quadratique sur un espace vectoriel E et ϕ sa forme polaire,
alors on a :
1
ϕ(x, y) = (φ(x + y) − φ(x − y))
4
Définition 4
Soit φ : E −→ K une application. On dit que φ est une fq ssi il existe une forme
bilinéaire symétrique ϕ : E × E −→ K telle que φ soit la fq associé à ϕ

2.2 Interprétation matricielle

Soient E et F deux espaces vectoriels de dimensions finis respectives n et p munies
des bases canoniques (ei )1≤i≤n et (ej )1≤j≤p et ϕ une forme bilinéaire de E × F à
valeur dans K. On appelle matrice de la forme bilinéaire ϕ par rapport au base,
la matrice

A = [aij ]1≤i≤n,1≤j≤p ∈ Mn,p (K) avec aij = ϕ(ei ; ej )

Remarque si E=F alors A = [aij ]1≤i,j≤n ∈ Mn (K) avec aij =ϕ(ei ; ej ) qui est une
matrice carrée d’ordre n, symétrique et A=M atβ (ϕ) =ϕ(ei ; ej ).
Exemple 3

Prof Mbaye 28 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

ϕ : R2 × R2 −→ R (X; Y ) 7−→ ϕ(X; Y )=αx1 y1 + β(x1 y2 + x2 y1 ) + γx2 y2

Calculons M atβ (ϕ) avec β = (e1 = (1, 0); e2 = (0, 1)) on a :
   
ϕ(e1 , e1 ) ϕ(e1 , e2 ) α β
M atβ (ϕ) =  donc M atβ (ϕ) = 
ϕ(e2 , e1 ) ϕ(e2 , e2 ) β γ
Théorème 1
soit (ei )1≤i≤n et (ej )1≤j≤p respective de E et F et A = [aij ]1≤i≤n,1≤j≤p la matrice
de ϕ par rapport aux bases (ei ) et (ej )
n
X p
X
X= ei xi ∈ E et Y = ej yj ∈ F
i=1 j=1

on a alors
1. ϕ(x; y)=t XAY
2. ϕ est symétrique ⇐⇒ A est symétrique
Preuve E=F
1. Montrons que ϕ(x; y)=t XAY
   
x y
 1  1
 ..   .. 
X =  . ;Y =  . 
   
xn yn

n
X p
X p
n X
X
ϕ(X, Y ) = ϕ( ei xi ; ej yj ) = xi yj ϕ(ei ; ej )
i=1 j=1 i=1 j=1
n
X p
X
= xi ( yj aij )
i=1 j=1

d’autre Part on T X=(x1 , . . . , xn )

P 
n
j=1 a1j yj n p

.. 
xi ( aij )yj =t XAY = ϕ(X, Y )
X X
AY =  . ⇒
 
P 
n i=1 j=1
j=1 anj yj

2. Montrons que si ϕ est symétrique alors A est symétrique

si ϕ est symétrique ∀(i, j) ∈ [1, n] × [1, p]
⇒ aji = ϕ(ej ; ei ) = ϕ(ei ; ej ) = aij . Donc T A = A

Prof Mbaye 29 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

⇐ Supposons que A est symétrique on a :

ϕ(y, x) =t Y AX
Or la matrice t Y AX est une matrice à un seul coefficient, donc égale à sa trans-
posée.
t
ϕ(y, x) =t Y AX =t (t Y AX) =t X t A (t Y ) =t XAY = ϕ(x, y)

Dons ϕ est symétrique.

Exemple 4
On considère ϕ la forme linéaire définie sur R3 par :

ϕ(x, y) = x1 y1 + x2 y2 + 3x3 y3 + 6x1 y3 + 2x1 y2 − 3x2 y3 + 3x3 y1 + x3 y2

Déterminer la matrice de ϕ dans la base canonique de R3

SOLUTION

ϕ(x, y) = x1 y1 + x2 y2 + 3x3 y3 + 6x1 y3 + 2x1 y2 − 3x2 y3 + 3x3 y1 + x3 y2

ϕ(x, y) = x1 (y1 + 2y2 + 6y3 ) + x2 (y2 − 3y3 ) + x3 (3y3 + 3y1 + y2 )
    
y1 + 2y2 + 6y3 1 2 6 y1
    
= (x1 , x2 , x3 ) 
 y2 − 3y3   = (x1 , x2 , x3 ) 0 1 −3 y2 
  

3y1 + y2 + 3y3 3 1 3 y3
 
1 2 6
 
On déduit la matrice A = 0 1 −3


3 1 3

2.3 Changement de base

Soit ϕ une forme bilinéaire définit sur un espace vectoriel E et β =(ei )1≤i≤n , A
la matrice de ϕ par rapport à la base.
Soit β 0 =(e0i )1≤i≤n une nouvelle base. A’ la matrice de ϕ dans la base β 0
P la matrice de passage entre β et β 0
   
x x0
n n  1  1
 ..   . 
e0i x0i , X 0 =  .. 
X X
X= e i xi ) = X =  .  ; et
   
i=1 i=1
xn x0n

Prof Mbaye 30 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

   
y y0
n n  1  1
 .   . 
e0j x0j Y =  ..  et Y 0 =  .. 
X X
Y = e j xj =
   
j=1 j=1
yn yn0
ϕ(x; y) =t XAY etϕ(x0 ; y 0 ) =t X 0 AY 0
Posons X=PX’ et Y=PY’

ϕ(x; y) =t XAY =t (P X 0 )A(P Y 0 ) =t X 0 P AP Y 0 =t X 0 A0 Y 0

alors A0 =t P AP
Théorème 2
0
Soit A la matrice de ϕ dans la base β de E et si A est la matrice de ϕ dans la
0 0
nouvelle base β de E , alors A =t P AP . Avec P la matrice de passage entre A
0
et A .
3. 4 Forme quadratiques positives, définies-positive
Définition 5
Soient E un espace vectoriel, φ une forme quadratique sur E
1. On dit que φ est positive si et seulement si :
∀ x ∈ E, φ(x) ≥ 0
2.
 On dit que φ est définie positive si et seulement si :
∀ x

∈ E; φ(x) ≥ 0
∀

∈ E; φ(x) = 0 =⇒ x = 0
Définition 6
Soit S ∈ Sn (R) et ϕ la fbs sur R2 dont la matrice dans la base de canonique est
S, φ la fq associée à ϕ
1. On dit que S est symétrique positive si et seulement si φ est positive
2. On dit que S est symétrique définie positive si et seulement si φ est definie
positive
Notation
Sn+ l’ensemble des matrices symétriques positives de Sn (R)
Sn++ l’ensemble des matrices symétriques définies positives Sn (R)
Proposition 3 Soit S ∈ Sn (R) on a
* S ∈ Sn+ ⇐⇒ ∀ X ∈ Mn,1 (R),t XSX ≥ 0
t XSX ≥ 0

* S ∈ Sn++ ⇐⇒ ∀ ∈ Mn,1 (R) 
t XSX = 0 =⇒ x = 0
⇐⇒ (∀ ∈ Mn,1 (R − {0}) ,t XSX > 0)

Prof Mbaye 31 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

Proposition 4
Si la forme quadratique φ est définie, alors elle est positive
Proposition 5
Si la forme quadratique φ est positive alors il ya égalité entre le noyau et l’en-
semble des vecteurs singuliers appelés vecteurs isotopes

2.4 Orthogonalité pour une fbs

Définition 7
1. Soit (x, y) ∈ R2 , on dit x est orthogoanal à y pour ϕ ⇐⇒ ϕ(x, y)=0
2. Soient x ∈ E , A ∈ P (E). On dit que x est orthogonal de A par ϕ ⇔ ∀ a ∈
A, ϕ(x, a)=0
3. Pour toute partie A de E on définit l’orthogonal de A pour ϕ noté

A⊥ = {x ∈ E, ∀ a ∈ A, ϕ(x, a) = 0}

Définition 8
On appelle moyau de ϕ et on note ker(ϕ) le sous espace vectoriel E⊥ de E définie
par :
ker(ϕ) = E⊥ = {x ∈ E, ∀ y ∈ E, ϕ(x, y) = 0}
Définition 9
1. Une fbs sur E × E est dite dégénérée si et seulement si ker(ϕ) 6= {0}
2. Une fbs sur E × E est dite non dégénérée si et seulement si ker(ϕ) = {0}

2.5 Décomposition de Gauss d’une forme qua-

dratique
Nous allons d’écrire un algorithme, appelé méthode de Gauss, permettant d’ob-
tenir une décomposition de la fb en combinaison linéaire de carrées de formes
bilinéaire indépendante.
Soient E un K-ev de dimension finie n ≥ 1 ϕ s une fbs sue E × E φ la fb associée
à ϕ β = (e1 , e2 , e3 , ....., en ) une base de E, A = M atβ (ϕ) .

Prof Mbaye 32 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

On a ∀x ∈ E, en notant x = (x1 , x1 , ....., xn ) les composante de x dans β :

X
φ(x) = aij xi xj
i≤i,j≤n

Etude des cas

Cas n=1 on a : φ(x) = a11 x21 on pose L1 = x1

⇒ φ(x) = a11 L21

Cas n=2 on suppose φ(x) = a11 x21 + 2a12 x1 x2 + a22 x22
a) a11 6= 0, on peut écrire :

a12 2 a2
φ(x) = a11 (x1 + x2 ) + (a22 − 12 )x22
a11 a11
a12
on pose L1 (x1 , x2 ) = x1 + a11 x2 et L2 (x1 , x2 ) = x2 et on a :

a212
φ(x) = a11 L21 + (a22 − )L2
a11
De plus (L1 , L1 ) est une famille libre.
b) a11 = 0 et a22 6= 0 , on change les rôles de x1 et x2 et on procède comme a)
c) a11 = a22 = 0 on peut alors écrire : :
a12 a12
φ(x) = 2a12 x1 x2 = (x1 + x2 )2 − (x1 − x2 )2
2 2
On pose L1 (x1 , x2 ) = x1 + x2 et L2 (x1 , x2 ) = x1 − x2 , (L1 , L1 ) est une famille
libre.
Exercice Appliquer la méthode de Gauss à la fq
φ(x1 , x2 , x3 ) = x21 + 2x22 + 8x23 − 2x1 x2 + 4x1 x3
Cas n ≥ 3
a) Supposons qu’il existe i ∈ {1, 2, ..., n} tel que aii 6= 0. On peut, en permutant
x1 , x2 ...xn se ramener au cas a11 6= 0 on ordonne les termes formant φ(x) suivant
les puissances de x1 , on obtient :

φ(x) = a11 x21 + 2x1 P (x2 , ..., xn ) + Q(x2 , ..., xn )

où P est une forme linéaire sur Rn−1 et Q une forme quadratique sur Rn−1 .
Une mise sous forme canonique nous donne :
1 1 2
φ(x) = 2x1 x2 = a11(x1 + P )2 + (Q − P )
a11 a11

Prof Mbaye 33 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

d’où φ(y) = φ(y) − a111 P 2 (y) qui est une forme quadratique.
b) Supposons que ∀i ∈ {1, 2, ..., n} aii = 0. On suppose a12 6= 0 on obtient :

φ(x) = a12 x1 x2 + x1 A(x3 , ..., xn ) + x2 B(x3 , ..., xn ) + Q(x3 , ..., x4 )

A,B des formes linéaires sur Rn−2 et Q une fq sur Rn−2 . On pose
1 1 1
φ(x) = a12 (x1 + B(y))(x2 + A(x)) + (Q(y) − A(y)B(y))
a12 a12 a12
Notons :
1
L1 (x) = x1 + x2 + (A(y) + B(y))
a12
1
L2 (x) = x1 − x2 + (A(y) − B(y))
a12
et
1
ψ(y) = Q(y) − A(y)B(y) une fq
a12
. On pose
ψ = Σni=3 αi L2i (y)
on a alors
a12 2 a12 2
ψ(x) = L1 (x) − L (x) + ψ(y)
4 4 2
Définition 9
On appelle signature d’une forme quadratique φ définie sur sur un R- espace
vectoriel, le couple S = (p, q) des entiers naturels qui rappelle que dans toute
décomposition en carrées de φ qu’il y’a p coefficients positives et q coefficients
négatives. Pour la forme quadratique

φ(x) = (x1 )2 + (x2 )2 − 4(x3 )2

S = (2, 1)
Théorème 3 (Théorème de Sylvestrer ) Si (p, q) est la signature de la
forme quadratique φ, alors pour toute base orthogonale β = (Vi )1≤i≤n sur E , k
(respectivement j) est le nombre des scalaires φ(Vi ) strictement positifs ( respec-
tivement négatifs) La somme p + q est égale au rang de la forme quadratique φ
rg(φ) = p + q
Remarques :
1. Si sgn(φ) = (p, q) alors rg(φ) = p + q
2. Si φ est positive ⇔ sgn(φ)=(p,0)

Prof Mbaye 34 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

3. Si Si φ est définie positive ⇔ sgn(φ)=(n,0)

Exemple 6 Soit ψ la forme quadratique sur R4 définie pour tout x = (x1 , x2 , x3 , x4 )
par : ψ(x1 , x2 , x3 , x4 ) = 9x21 + 5x22 + 8x2 x3 − 4x2 x3 + 5x23 + 4x3 x4 + 8x24
1) Donner une décomposition « en carrés » de ψ ; en déduire son rang et sa si-
gnature. La forme ψ est-elle dégénérée ?
2) Déterminer les vecteurs isotropes de ψ .
3) Déterminer le noyau de ψ.
Exemple 7Appliquer la méthode de Gauss à la fq :
1)φ = x21 + 2x1 x2 + x22
2)φ = 2x1 x2
3)φ = x21 + 2x22 + 8x23 − 2x1 x2 + 4x1 x3
4) φ = −2x1 x2 + 4x1 x3
Déterminer Ker(φ) et rg(φ) dans chaque cas.
Définition 10 (en dimension finie n)
On appelle rang de ϕ l’entier noté rg(ϕ), définie par :

rg(ϕ) = dim(E) − dim(Ker(ϕ))

Proposition 5 Pour toute forme bilinéaire symétrique sur E × E et toute base

β de E, on a :
rg(ϕ) = rg(Matβ (ϕ)
Preuve
-Soient x ∈ E, X = M atβ (x). On a, en notant A = M atβ (ϕ) ∈ SN (K.

X ∈ Ker(ϕ) ⇔ (∀ Y ∈ E, ϕ(X, Y ) = 0)
⇔ ∀ Y ∈ Mn,1 (K), t XAY = 0
⇔t XA = 0
⇔t AX = 0
⇔ AX = 0
Ce qui montre que Ker(ϕ) = Ker(A)
-D’après la définition du rang et le théorème du rang.

rg(ϕ) = n − dim(Ker(ϕ))
rg(ϕ) = n − dim(Ker(A)) = rg(A)

Prof Mbaye 35 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

3. 7 Produit scalaire
Définition 11
On appelle produit scalaire sur E, toute forme bilinéaire symétrique ϕ sur E ×
Etelle qu’en notant φ la forme quadratique à ϕ on ait :
a)∀ x ∈ E, φ(x) ≥ 0
a)∀ x ∈ E, φ(x) = 0 ⇒ x = 0
Notation ϕ(x, y) =< x, y >= (x | y) = x · y
Définition 12
On appelle espace euclidien tout couple (E, ϕ) où E est un est un R − ev de
dimension finie et ϕ un produit scalaire sur E.
Théorème 4(Inégalité de Cauchy Schwartz)
Soient (E, ϕ) un espace vectoriel euclidien, φ la forme quadratique (fq) associée
à ϕ. On a :

∀ (x, y) ∈ E 2 , ϕ(x, y)2 ≤ φ(x)φ(y)

Preuve
Soit λ ∈ R on a :
φ(λx + y) = ϕ(λx + y, λx + y), ∀(x, y) ∈ E 2 ,
φ(λx + y) = λ2 φ(x) + 2λϕ(x, y) + φ(x) ≥ 0 le polynôme en λ est elle que ∆ ≤ 0

⇒ ϕ2 (x, y) − φ(x)φ(y) ≤ 0
⇒ ϕ2 (x, y) ≤ φ(x)φ(y)
Théorème 5(Inégalité de Minkowski)
Soient (E, ϕ) un espace vectoriel euclidien, φ la forme quadratique (fq) associée
à ϕ. On a :

1 1 1
∀ (x, y) ∈ E 2 , (ϕ(x + y)) 2 ≤ φ(x) 2 + φ(y) 2
Preuve
Soit (x, y) ∈ E 2 , on a :
Cauchy Schwartz donne :

1 1
|ϕ(x, y)| ≤ (φ(x)) 2 + (φ(y)) 2
donc
1 1
ϕ(x + y) ≤ φ(x) + 2(φ(x)) 2 + (φ(y)) 2 + φ(y)

Prof Mbaye 36 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

1 1
≤ ((φ(x)) 2 + (φ(y)) 2 )2
⇒
1 1 1
ϕ(x + y) 2 ≤ (φ(x)) 2 + (φ(y)) 2
Proposition-Définition 13
Soient (E, ϕ) un espace vectoriel euclidien, φ la forme quadratique (fq) associée
à ϕ. L’application notée
k.k : E → R
1
x → kxk = (φ(x)) 2
est une norme sur E appelée norme euclidienne associée a ϕ.
Une norme est une application définie de E dans R qui vérifie les propriétés sui-
vantes : ∀ x ∈ E, ∀ y ∈ E, ∀ λ ∈ R
a)kxk ≥ 0, (kxk = 0 ⇔ x = 0)
b)kλxk = |λ|kxk
c)kx + yk ≤ kxk + kyk.

2.6 Orthogonalité
Soit ϕ une forme bilinéaire symétrique sur E et φ sa forme quadratique associée.
Définition 14
Deux vecteurs de E sont orthogonaux pour ϕ si ϕ(x, y) = 0.
Exemple 8
On pose E = R

x = (x1 , x2 , x3 ) et y = (y1 , y2 , y3 )

Le produit scalaire classique dans R est défini par :

< x, y >= x1 y1 + x2 y2 + x3 y3

On rappelle que pour ce produit scalaire deux vecteurs x et y sont orthogonaux

si < x, y >= 0
Les vecteurs de la base canonique de R sont deux à deux orthogonaux.

Prof Mbaye 37 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

On considère la forme bilinéaire symétrique ϕ définie sur R dont la matrice as-

sociée par rapport à la base canonique est définie par :
 
2 1 −2
 
A= 1 1 3 


−2 3 1

On rappelle que la matrice de la forme bilinéaire est définie par A = ϕ(ei , ej )

Calculer ϕ(e1 , e2 ), ϕ(e1 , e3 ) et ϕ(e2 , e3 ). Que peut-on en conclure ?
Définition 15
Soit (x1 , x2 , ...xn ) une famille des vecteurs de E et ϕ une forme bilinéaire symé-
trique définie sur E. On dit que cette famille est orthogonale pour ϕ si ϕ(xi , xj ) =
0, ∀i 6= j
Définition 16 Soit (E, < ·, · >)un eve.
1) Soit (x, y) ∈ E 2 . On dit que x est orthogonal à y et on note x ⊥ y si et
seulement si < x, y >= 0
2) Soient x ∈ E, A ⊂ E. On dit que x est orthogonal à A et on note x ⊥ A si et
seulement si ∀ a ∈ A, < x, a >= 0
3. ∀ A ⊂ E, on définit l-orthogonal de A noté A⊥ :

A⊥ = {x ∈ E, ∀ a ∈ A, < x, a >= 0}

4) Une famille (xi )i∈I d’élément de E est dite orthogonale si et seulement si :

(xi )i∈I est orthogonale et kxi k = 1 ∀ i ∈ I
5) Soient A et B deux parties d’un espace vectoriel muni d’une forme bilinéaire
symétrique ϕ. On dit que A et B sont orthogonaux si ϕ(x, y) = 0, ∀ x ∈ A ∀ y ∈
B. On le note par A ⊥ B.
Proposition 6 Soit (E, < ·, · >) un eve, on a les propriétés suivantes
1) ∀A ⊂ P (E), A⊥ est un sev de E.
2) ∀(A, B) ∈ (P (E))2 , A ⊂ B ⇒ B ⊥ ⊂ A⊥
3) ∀A ∈ P (E), A⊥ = (V ect(A))⊥
4) ∀A ∈ P (E), A⊥⊥ = V ect(A)
5) E ⊥ = {0} et {0}⊥ = E
6) ∀A ∈ P (E), A A⊥ ⊂ {0}
T

7) ∀A, B des sev de E, (A + B)⊥ = A⊥ B ⊥ , (A B)⊥ = A⊥ + B ⊥

T T

Preuve exercice
3. 8.1 Bases orthogonales

Prof Mbaye 38 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

Soit E un espace vectoriel de dimension fini n dont la forme bilinéaire symétrique

associée est ϕ.
Définition 17
Une base β = (U1 , U1 , ..., Un ) est orthogonale par ϕ si ϕ((Ui , Uj ) = 0 ∀i 6= j
Exemple 9
On considère les formes bilinéaires ϕ et χ définies sur R3 par :
ϕ(x1 , x2 , x3 ) = −2x1 y1 + x2 y2 + 3x3 y3 et
χ(x1 , x2 , x3 ) = x2 y2 − 2x1 y3 + 2x1 y2 + 3x3 y1 + x3 y2
Vérifier si la base canonique de R3 est orthogonale par ϕ ou par χ.
Les vecteurs de la base canonique de R3 sont :e1 = (1, 0, 0) ; e2 = (0, 1, 0) et
e3 = (0, 0, 1)
ϕ(e1 , e2 ) = 0; ϕ(e1 , e3 ) = 0; ϕ(e2 , e3 ) = 0;
On a : ϕ(ei , ej ) = 0 ∀i 6= j alors la base canonique est orthogonale par ϕ .
Proposition 7
Soit E une espace vectoriel de dimension fini n muni d’une base β = (U1 , U1 , ..., Un )
et d’une forme bilinéaire symétrique sur E. β est une base orthogonale pour ϕ si
et seulement si la matrice de ϕ dans la base β est diagonale.
Proposition 8
Soit E un espace vectoriel de dimension fini n et ϕ une forme bilinéaire symé-
trique non dégénérée. Alors pour tout sous espace vectoriel F de E, on a :

dimF + dimF ⊥ = dimE

Proposition 9
Soient E un espace vectoriel de dimension finie muni d’une forme quadratique
0 0 0 0
φ, β = (U1 , U1 , ..., Un ) une base de E et β = (U1 , U2 , ..., Un ) la base duale. Les
conditions suivantes sont équivalentes :
( i ) β est une base φ-orthogonale ;
( ii) M atβ (φ) est diagonale ;
( iii ) φ est combinaison linéaire des carrées des formes linéaires.
Exemple 10 (Recherche de base orthogonaux)
Soit E un espace vectoriel de dimension fini et φ une forme quadratique sur E.
On cherche à décomposer en somme des carrées de la forme

φ(x) = Σni=1 aii x2i + Σni=1 aij xi yj

Prof Mbaye 39 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

Les aii x2i sont les termes carrés et aij xi yj sont les termes rectangles
Soit φ(x) = x21 + 2x2 + 5x23 + 2x1 x2 − 4x2 x3 (1)
On a φ(x) = (x1 + x2 )2 + (x2 − 2x3 )2 + x23
φ(x) = (L1 (x))2 + (L2 (x))2 + (L3 (x))2 (2)
0 0
La base β = (L1 , L2 , L3 ) est une base du dual E = R3
(1) Est l’expression de φ dans la base canonique β
0
(2) Est l’expression de φ dans la base orthogonale β
0
Soit P la matrice de passage de β à β
0
X = PX
Avec    
x1 L1
  0  
X =  x2 
  X = L2 


x3 L3
 
L1


 = x1 + x2  x1


 = L1 − L2 − 2L3
 
L2 = x1 − 2x2 ⇒ x2 = L2 − 2L3

 

 
L = x3 x = L3
 
3 3

      
x1 L1 − L2 − 2L3 1 −1 −2 L1
       0
X = x2  =  L2 − 2L3  = 0 1 −2 L2 
      
 = PX
x3 L3 0 0 1 L3
0 0 0
U1 = (1, 0, 0), U2 = (−1, 1, 0) et U3 = (−2, −2, 1)
0 0 0 0
β = (U1 , U2 , U3 )
Remarque
si φ contient des termes rectangles uniquement.
On choisit un terme rectangle aij xi yj
∂φ ∂φ
On détermine les dérivées partielles li = ∂x i
et lj = ∂xj
∂φ ∂φ
On écrit φ(x) = a1ij ∂xi
· ∂xj
+ terme correctif
Exemple 11
φ(x) = 5x1 x2 + 6x1 x3 + 3x2 x3

∂φ ∂φ
l1 = = 5x2 + 6x3 et l2 = = 5x1 + 3x3
∂x1 ∂x2
1
φ(x) = (5x2 + 6x3 )(5x1 + 3x3 ) + terme correctif
5

Prof Mbaye 40 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

On développe l1 · l2 = 5x1 x2 + 6x1 x3 + 3x2 x3 + 185 3

x2 .
On déduit le terme correctif 18 x2
5 3
Ainsi : φ(x) = 15 (5x2 + 6x3 )(5x1 + 3x3 ) + 18
5 3
x2 = 15 l1 · l2 − 18
5 3
x2
On veut exprimer le produit l1 · l2 en fonction des carrées.

(l1 + l2 )2 = l12 + 2l1 l2 + l22 (1)

(l1 − l2 )2 = l12 − 2l1 l2 + l22 (2)
On obtient en faisant (1) - (2) :

4l1 · l2 = (l1 + l2 )2 − (l1 − l2 )2

1
l1 · l2 = [(l1 + l2 )2 − (l1 − l2 )2 ]
4
1 18
φ(x) = [(l1 + l2 )2 − (l1 − l2 )2 ] + x23
4 5
On remplace l1 et l2 par leurs valeurs respectives.

2.7 Endomorphisme remarquables d’un eve

2.7.1 Endomorphisme symétriques

Définition
Soit f ∈ L(E). On dit que f est symétrique si et seulement si :

∀(x, y) ∈ R2 , < f (x), y >=< x, f (y) >

Notons S(E) l’ensemble des endomorphismes symétriques de E.

Proposition : Soient (E, < ·, · >) un eve, β une base de E, f ∈ L(E). A =
M atβ (f ) on a :
f ∈ S(E) ⇔ A ∈ Sn (R)
Preuve
On a
∀ X, Y ∈ E < f (X), Y >=< X, f (Y ) >
⇔ ∀ X, Y ∈ Mn,1 (R), t (AX)Y =t XAY
⇔ ∀ X ∈ Mn,1 (R), ∀ Y ∈ Mn,1 (R), t ((A −t A)X)Y = 0

Prof Mbaye 41 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

⇔ ∀ X ∈ Mn,1 (R), (A −t A)X = 0

⇔ A −t A = 0
⇔ A =t A
⇔ A =t A
⇔ A ∈ Sn (R)

2.7.2 Endomorphismes orthogonaux

Définition
Un morphisme f ∈ L(E) est dit orthogonal si et seulement si f conserve le
produit scalaire c’est à dire :

∀ X, Y ∈ E 2 < f (x), y >=< x, y >

On note O(E) l’ensemble des endomorphismes orthogonaux de E.

Proposition : Soit f ∈ L(E). Les deux propositions suivantes sont équivalentes :
i)f ∈ O(E)
ii)∀ x ∈ E, kf (x)k = kxk
Preuve
i) f ∈ O(E) ⇒ ∀ (x, y) ∈ E 2 < f (x), f (y) >=< x, y >
i) ⇒ ii) si x = y d’où < f (x), f (x) >=< x, y >

kf (x)k = kxk

ii) ⇒ i)
∀ (x, y) ∈ E 2 , ∈ 2 < f (x), f (y) >= kf (x) + f (y)k2 − kf (x)k2 − kf (y)k2

2 < f (x), f (y) >= kf (x + y)k2 − kf (x)k2 − kf (y)k2

2 < f (x), f (y) >= kx + yk2 − kxk2 − kyk2
2 < f (x), f (y) >= 2 < x, y >
d’où < f (x), f (y) >=< x, y >

Prof Mbaye 42 Draft

CHAPITRE 2. ALGÈBRE BILINÉAIRE, FORMES QUADRATIQUES

2.8 Réduction des matrices symétriques réelles

Théorème fondamental
Proposition 1
Soient (E, < ·, · >) un eve, f un endomorphismes symétriques de E. ALORS
LES SEP pour f sont orthogonaux entre eu, c’est-à-dire :
Pour toute valeur propre λ, µ de f telle que λ 6= µ et pour tout vecteur propre
x associé à λ, et y associé à µ < x, y >= 0
Preuve
Soientλ, µ ∈ SpK tels que λ 6= µ, x ∈ SEP (f, λ)ety ∈ SEP (f, µ).
On a donc x 6= 0 et y 6= 0, f (x) = λx et f (y) = µy
D’où < λx, y >=< f (x), y >=< x, f (y) >=< x, µy >

⇒< λx, y > − < x, µy >= 0

⇒ (λ − µ) < x, y >= 0
Comme λ 6= µ ⇒< x, y >= 0
Proposition 1
Soit f un endomorphismes symétriques de E. Pour tout sev F de E stable par
f , F ⊥ est stable par f .
Preuve
SoitF un sev de E stable par f , x ∈ F ⊥ .
On a ∀y ∈ F < f (x), y >=< x, f (y) >= 0 (car x ∈ F ⊥ etf (y) ∈ F ) d’où
f (x) ∈ F ⊥ .
Théorème (fondamental)
1. Soit (E, < ·, · >) un eve, f un endomorphismes symétriques de E, il existe une
base orthonormale de E dans la quelle la matrice de f est diagonale.
2. ∀ S ∈ Sn (R) ∃ (Ω, D) ∈ On (R) × Dn (R)
Remarque 2. est la traduction matricielle de 1.

Prof Mbaye 43 Draft