Cours D'algèbre 2 (M122)

te
hti
C OURS D ’A LGÈBRE 2 MIP
(M ODULE M122, SECTION B)
Prof. Lahcen Oukhtite

k
Département de Mathématiques, FST Fès
March 16, 2020

Ou
L.
te
Table des matières
hti
1 Matrice d’une application linéaire et changement de bases 4
1.1 Matrice de passage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Changement de base pour un vecteur . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Matrice d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Définition et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . 7

k1.3.2 Formule de changement de bases . . . . . . . . . . . . . . . . . . . . 13
2 Déterminants d’une matrice carrée et systèmes de Cramer 16

Ou
2.1 Calcul du déterminant d’une matrice carrée d’ordre 2 . . . . . . . . . . . . 16
2.2 Calcul de l’inverse d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . 19
2.3 Déterminant d’un système de vecteurs . . . . . . . . . . . . . . . . . . . . . 21
2.4 Système de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3 Réduction des endomorphismes 29

L.
3.1 Vecteurs propres et valeurs propres . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Sous-espace propre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3 Le polynôme caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4 Endomorphismes et matrices diagonalisables . . . . . . . . . . . . . . . . . 34
2
TABLE DES MATIÈRES 3
3.5 Endomorphismes et matrices trigonalisables . . . . . . . . . . . . . . . . . 36
3.6 Polynôme minimal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4 Formes bilinéaires et formes quadratiques 45
te
4.1 Formes bilinéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.2 Matrice d’une forme bilinéaire et changement de bases . . . . . . . . . . . 46
4.3 Formes bilinéaires symétriques et formes quadratiques . . . . . . . . . . . 48
hti
4.4 Méthode de Gauss pour diagonaliser une forme quadratique . . . . . . . . 52
4.5 Espaces euclidiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.5.1 Définition et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.5.2 Procédé d’orthonormalisation de Gram-Schmidt . . . . . . . . . . . 60

k
Ou
L.
C HAPITRE 1
te
M ATRICE D ’ UNE APPLICATION LINÉAIRE
ET CHANGEMENT DE BASES
hti
1.1 Matrice de passage
Soient V un K-espace vectoriel de dimension n et B = {e 1 , ..., e n } une base de V. Si

k
B0 = {e 10 , ..., e n0 } dénote une autre base de V, alors chaque e 0j s’écrit dans la base B d’une
manière unique comme e 0j =

Pn
p k j e k avec p k j ∈ K.
k=1
Définition 1.1 La matrice de passage de la base B à la base B0 est PBB0 = (p i j ).

Ou
n
p k0 j e k0 , alors PB0 B = (p i0 j ).
P
De même, si ∀1 ≤ j ≤ n on a e j =
k=1
Proposition 1.1 Soient B et B0 deux bases d’un K-espace vectoriel V. Alors PBB0 est in-
−1 0 −1
versible et PBB0 est la matrice de passage de B à B (PBB0 = PB0 B ).
Preuve
Posons P = PBB0 et P 0 = PB0 B , il suffit alors de montrer PP 0 = In = P 0 P. On a

L.
n n n n n
p r0 s e r0 = p r0 s ( p kr p r0 s )e k
X X X X X
es = p kr e k ) = (
r =1 r =1 k=1 k=1 r =1
| {z }
αk
avec αk = 1 si k = s et αk = 0 si k 6= s. Comme αk = (PP 0 )ks , il s’en suit que

½
1 si k = s
(PP 0 )ks =
0 si k 6= s
4
1.2. CHANGEMENT DE BASE POUR UN VECTEUR 5
ce qui implique que PP 0 = In . Un raisonnement analogue montre que P 0 P = In .
Exemple
Soit B = {e 1 , e 2 } la base canonique du R-e.v R2 . Posons e 10 = (−1, 1) et e 20 = (3, 1), alors
te
B0 = {e 10 , e 20 } est une base de R2 . Déterminer la matrice de passage de B à B0 et son in-
verse.
Pour déterminer PBB0 nous devons exprimer les vecteurs e 10 et e 20 dans la base B, on
hti
obtient alors
e 10
½
= −e 1 + e 2
e 20 = 3e 1 + e 2
ce qui implique que

µ ¶
−1 3
PBB0 = .
1 1
Pour la matrice de passage PB0 B , compte tenu du fait que
= − 14 e 10 + 41 e 20
k ½
e1
e2 = 43 e 10 + 14 e 20
il s’en suit alors que

− 41 3
Ou
µ ¶
PB0 B = 4 .
1 1
4 4
D’autre part on a bien
− 14 3
µ ¶µ ¶ µ ¶
4
−1 3 1 0
PB0 B PBB0 = 1 1 = = I2 .
4 4
1 1 0 1
1.2 Changement de base pour un vecteur
n
Soit x ∈ V; alors x peut s’écrire dans les deux bases B et B0 de V comme suit : x =
L.
P
i =1
x 10
   
x1
n  .   .  n
x 0j e 0j . Notons X B =  .  et X B0 =  .  , du fait que e 0j =
P P
x i e i et x = p k j e k , il
j =1 . . k=1
n n
xn n X
x0
n n
en résulte que
x 0j ( ( p k j x 0j )e k .
X X X
x= pk j ek ) =
j =1 k=1 k=1 j =1
6CHAPITRE 1. MATRICE D’UNE APPLICATION LINÉAIRE ET CHANGEMENT DE BASES
D’après l’unicité de l’écriture de  x0 

dans la base B, on déduit que
x1
n  .. 
p k j x = (p k1 , ..., p kn )  .  . Conséquence de quoi X B = PBB0 X B0 . Or P −10 = PB0 B
0
P
xk = j BB
j =1
x n0
alors X B0 = PB0 B X B . En conclusion,
te
X B = PBB0 X B0 et X B0 = PB0 B X B .
hti
Exemple
Soit B = {e 1 , e 2 } la base canonique du R-e.v R2 . Posons e 10 = (1, 2) et e 20 = (−1, 1), alors
B0 = {e 10 , e 20 } est une base de R2 . Exprimer le vecteur (2, 7) dans B et B0 ?
1 1
µ ¶ Ã !
1 −1 3 3
PBB0 = et PB0 B = −2 1
.
2 1
3 3
Soit x ∈ R2 , en exprimant x dans B et B0 on obtient x = x 1 e 1 +x 2 e 2 = x 10 e 10 +x 20 e 20 . Posons
XB =
k
µ
x1
x2
¶
et X B0 =
µ 0 ¶
x1
x 20
; la relation X B = PBB0 X B0 se traduit par
Ou
x 10 x 10 − x 20 x 1 = x 10 − x 20
µ ¶µ ¶ µ ¶ ½
1 −1
XB = = . Par conséquent
2 1 x 20 2x 10 + x 20 x 2 = 2x 10 + x 20
1 1 1 1
Ã !Ã ! Ã !
3 3 x1 3 x1 + 3 x2
Inversement, X B0 = PB0 B X B = −2 1
= −2 1
de sorte que
3 3
x2 3 x1 + 3 x2
x 10 = 13 x 1 + 31 x 2
(
−2 1
x 20 = 3 x1 + 3 x2
Si on pose x = (2, 7), alors x = 2e 1 + 7e 2 dans la base B. Dans la base B0 on a x =
( 31 × 2 + 13 × 7)e 10 + ( −2 1 0 0 0
3 × 2 + 3 × 7)e 2 = 3e 1 + e 2 .
L.
Exercice 1
½µ
¶ µ ¶ µ ¶ µ ¶¾
1 0 1 0 0 1 0 −1
1) Montrer que B = , , , est une base de M2 (R).
0 1 0 −1 1 0 1 0
2) Déterminer PBB0 où B0 désigne la base canonique de M2 (R).
µ ¶
3 0
3) Quelles sont les coordonnées de dans la base B.
7 0
1.3. MATRICE D’UNE APPLICATION LINÉAIRE 7
1.3 Matrice d’une application linéaire
1.3.1 Définition et propriétés
te
Dans tout ce chapitre K désigne un corps commutatif (K est R, Q ou C).
Soient V et V 0 deux K-e.v de bases respectives B = (e 1 , ..., e n ) et B0 = (e 10 , ..., e m

0
). Si f
est une application linéaire de V dans V 0 , alors f est entièrement déterminée par les
images f (e i ) des e i , pour 1 ≤ i ≤ n. Comme f (e i ) ∈ V 0 , alors on peut écrire

f (e 1 ) = α11 e 10 + α21 e 20 + ... + αm1 e m
0
hti



f (e 2 ) = α12 e 10 + α22 e 20 + ... + αm2 e m
0


.
 .
.


f (e n ) = α1n e 10 + α2n e 20 + ... + αmn e m 0

où αi j est la ieme composante de f (e j ) dans B0 . On forme la matrice suivante

α11 α12 . . . α1n
 
 α
 21 α22 . . . α2n 

 . . . 
 
.
 . . . 

k 
 . .
αm1 αm2 . . . αmn
. 

Ou
α11 α12 . . . α1n
 

 α21 α22 . . . α2n 

. . .
0
 
Définition 1.2 La matrice M BB ( f ) =   est appelée la ma-
 
 . . . 
 
 . . . 
αm1 αm2 . . . αmn
trice de f relativement aux bases B et B0 .
n m
y i e i0 , alors
P P
Si x = x i e i ∈ V et y = f (x) =
i =1 i =1
n n m m Xn
αki e k0 ) = ( αki x i )e k0 .
X X X X
f (x) = x i f (e i ) = xi (
L.
i =1 i =1 k=1 k=1 i =1
x y x1
     
1 1
n . . B0
.
αki x i = (αk1 , ..., αkn ) . Par conséquent . = MB ( f ) .  . Si on
P
D’où y k =     
i =1 . . .
x n y n x n
y1 x1
   
. .
note YB0 =  .  et X B =  .  , on obtient alors
. .
yn xn
0
YB0 = MBB ( f )X B
Exemple:
1) Soit f l’application linéaire définie de R2 dans R3 par : f (x, y) = (x, 2x − y, −5x − 3y).
te
Déterminer la matrice de f par rapport aux bases canoniques B et B0 de R2 et R3 re-
spectivement?
Nous avons B = {(1, 0), (0, 1)} et B0 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}. Comme
hti
(
f (1, 0) =(1, 2, −5) = 1.(1, 0, 0) + 2.(0, 1, 0) + (−5).(0, 0, 1)
f (0, 1) =(0, −1, −3) = 0.(1, 0, 0) + (−1).(0, 1, 0) + (−3).(0, 0, 1)
il en résulte alors que

 
1 0
0
MBB ( f ) =  2 −1  .
−5 −3
De plus on a
k 0
1

0
MBB ( f )X B =  2 −1 
−5 −3

µ
x
y
¶

x

=  2x − y  .
−5x − 3y
Puisque
Ou
 t
³ ´t x
0
MBB ( f )X B =  2x − y  = (x, 2x − y, −5x − 3y)
−5x − 3y
³ 0
´t
f (x, y) = MBB ( f )X B .
2) Considérons l’application linéaire

L.
T : M2 (R) −→ M2 (R)
µ ¶ µ ¶
a b a c
7−→
c d b d
Déterminer la matrice de T par rapport à la base canonique B de M2 (R)?

½µ ¶ µ ¶ µ ¶ µ ¶¾
1 0 0 1 0 0 0 0
On sait que B = , , , ; alors compte tenu du fait que
0 0 0 0 1 0 0 1
 µµ ¶¶ µ ¶ µµ ¶¶ µ ¶
1 0 1 0 0 1 0 0
T = , T


 =



 0 0 0 0 0 0 1 0

te


 µµ ¶¶ µ ¶ µµ ¶¶ µ ¶

 0 0 0 1 0 0 0 0
 T = , T =


1 0 0 0 0 1 0 1
il s’en suit alors que  

1 0 0 0
0 0 1 0
 
MB (T) =  .
 
hti
 0 1 0 0 
0 0 0 1
D’autre part, du fait que
    
1 0 0 0 a a
0 0 1 0 b c
    
=
    
0 1 0 0 c b
  
    
0 0 0 1 d d
alors on peut retrouver l’expression de T comme suit:

k T
µµ
a c
¶¶
=a
µ
1 0
¶
+c
µ
0 1
¶ µ
b
0 0
¶
+d
µ
0 0
¶ µ
=
a c
¶
.
b d 0 0 0 0 1 0 0 1 b d
Ou
Exemple
B = {(1, 1), (1, −1)} est une base de R2 etB0 = {(1,

 1, 0), (0, 1, 1), (0, 0, 1)} est une base de R .
3
0 1
B0
Soit f : R → R définie par : MB ( f ) = 1 −1 . Calculer f (1, 2)?
2 3 
1 0
3
Ã !
2
Calculons X B pour x = (1, 2). On a (1, 2) = x 1 (1, 1) + x 2 (1, −1) =⇒ X B = −1
2
Dans B0 on a f (1, 2) = y 1 (1, 1, 0) + y 2 (0, 1, 1) + y 3 (0, 0, 1).  −1 
y1
 
0 1 Ã3! 2
0 2
Si YB0 =  y 2  , alors YB0 = MBB ( f )X B ⇐⇒ YB0 = 1 −1 −1 = 2 
   
1 0 2 3
y3 2
L.
3 −1 3 7
Par conséquent, f (1, 2) = −1
2 (1, 1, 0) + 2(0, 1, 1) + 2 (0, 0, 1) = ( 2 , 2 , 2 ).
Cas d’un endomorphisme
n
P n
P
Soit B = {e 1 , ..., e n } une base d’un K-e.v V et soit f ∈ End K (V). Si x = x i e i et f (x) =
i =1 i =1
x1 y1
   
te
. .
y i e i et si on pose X B =  .  , YB = .  alors

. .
xn yn
YB = MB ( f )X B
Exemple
hti
Soient V = R2 et B = {(1, 1), (0, 1)} une base de V sur R. Considérons f ∈ End R (V) défini
µ ¶
2 0
par : MB ( f ) = . Déterminer f (−1, 2)?
0 1
µ ¶
−1
(−1, 2) = x 1 (1, 1) + x 2 (0, 1) =⇒ x 1 = −1 et x 2 = 3 =⇒ X B = .
3
µ ¶µ ¶ µ ¶
2 0 −1 −2
Comme YB = = , il en résulte alors que
k 0 1 3 3
f (−1, 2) = −2 × (1, 1) + 3 × (0, 1) = (−2, 1).
Théorème 1.1 Soient V et V 0 deux K-espaces vectoriels de bases respectives

Ou
B = {e 1 , ..., e n } et B0 = {e 10 , ..., e m
0
}. Alors l’application
0
MBB : L (V, V 0 ) −→ M(m,n) (K)
0
f 7−→ MBB ( f )
est un isomorphisme d’espaces vectoriels et par conséquent dimK L (V, V 0 ) = mn.
Preuve
0
i) Montrons d’abord que MBB est une application linéaire.
L.
0 0 0 0 0
MBB ( f + g ) = MBB ( f ) + MBB (g )? si MBB ( f ) = (αi j ) et MBB (g ) = (βi j ), alors
m m
αi j e i0 et g (e j ) = βi j e i0
X X
f (e j ) =
i =1 i =1
Par suite m m m
αi j e i0 + βi j e i0 = (αi j + βi j )e i0 .
X X X
( f + g )(e j ) =
i =1 i =1 i =1
0 0 0
Par conséquent MBB ( f + g ) = (αi j + βi j ) = (αi j ) + (βi j ) = MBB ( f ) + MBB (g ).
0 0 0
MBB (λ f ) = λMBB ( f ), pour tout λ ∈ K? Si MBB ( f ) = (αi j ), alors
m m
(λ f )(e j ) = λ f (e j ) = λ αi j e i0 = (λαi j )e i0 .
X X
i =1 i =1
te
0 0
Il s’en suit alors que MBB (λ f ) = (λαi j ) = λ(αi j ) = λMBB ( f ).
0
En conclusion, MBB est une application linéaire.
0 0
ii) Soient f , g ∈ L (V, V 0 ) telles que MBB ( f ) = MBB (g ), montrons que f = g .
0 0 n n
On a MBB ( f ) = MBB (g ), donc f (e i ) = g (e i ), ∀1 ≤ i ≤ n. Soit x = αi e i ∈ E; on a f (x) =
P P
i =1 i =1
hti
n 0
αi f (e i ) = αi g (e i ) = g (x) donc f = g et MBB est injective.
P
i =1
0 0
MBB est surjective car toute matrice A = (αi j )1≤i ≤m est l’image par MBB de l’application
1≤ j ≤n
m
f : V −→ V 0 définie par : f (e j ) = αi j e i0 . Par conséquent, les K-espaces vectoriels
P
i =1
L (V, V 0 ) et M(m,n) (K) sont isomorphes et ont donc la même dimension.
Si V 0 = K, alors V ? = L (V, K) est appelé l’espace dual de V et on a dimK V ? = n. De

k
plus une application linéaire f ∈ V ? est appelée une forme linéaire.
Ou
Remarque. Soit M = (a i j ) ∈ M(m,n) (K). Si B = (e 1 , ..., e n ) et B0 = (e 10 , ..., e m
0
) désignent
les bases canoniques respectives de K n et K m , alors ΨM : K n → K m définie par ΨM (e i ) =

Pm 0
a e 0 est une application linéaire et on a MBB (ΨM ) = M.
k=1 ki k
Exercice 2
 
2 −1
Pour M = 1 2  ∈ M(3,2) (R), trouver l’application linéaire f M : R2 → R3 telle que
5 3
0
MBB ( f M ) = M, où B (resp. B0 ) est la base canonique de R2 (resp. R3 )?
Réponse. f M (x, y) = (2x − y, x + 2y, 5x + 3y).

L.
Théorème 1.2 Soient f ∈ L (V, V 0 ) et g ∈ L (V 0 , V 00 ) où V, V 0 , V 00 étant des K-e.v de di-
mensions respectives n, m et p. Si B, B0 et B00 des bases choisies respectivement de V, V 0 et

00 00 0
de V", alors : MBB (g ◦ f ) = MBB0 (g )MBB ( f ).
Preuve
00
Soient B = {e 1 , ..., e n }, B0 = {e 10 , ..., e m
0
} et B = {e 100 , ..., e p00 }. Si MBB (g ◦ f ) = (γi j ) alors (g ◦
p 0 00
γh j e h00 . Posons MBB ( f ) = (a i j ) et MBB0 (g ) = (b i j ), puisque
P
f )(e j ) =
h=1
te
m m m p p X m
a k j e k0 ) = a k j g (e k0 ) = b hk e h00 ) = b hk a k j )e h00 ,
X X X X X
(g ◦ f )(e j ) = g ( ak j ( (
k=1 k=1 k=1 h=1 h=1 k=1
il s’en suit alors que  

a1 j
m  .  B00 B00 B0
γh j =
X
hti
b hk a k j = (b h1 , ..., b hm ) 
 .  , par suite MB (g ◦ f ) = MB0 (g )MB ( f ).

k=1 .
am j
Exemples:
Désignons par B2 , B3 et B4 les bases canoniques de R2 , R3 et R4 respectivement. Con-
sidérons les applications linéaires f : R2 −→ R3 et g : R3 −→ R4 définies par :

(
f (x, y) =(x − y, x, x + y)
k g (x, y, z)
B
=(0, x + z, x + y + z, z)
B
1) Déterminer les matrices MB32 ( f ) et MB43 (g ).
B
2) Calculer la matrice MB42 (g ◦ f ).
Ou
1) Par définition nous avons
 
  0 0 0
1 −1
1 0 1
 
B B
MB32 ( f ) =  1 0  , MB43 (g ) =  .
 
1 1 1
1 1
 
0 0 1
2) D’après le théorème précédent on a

 
0 0
L.
2 0
 
B B B
MB42 (g ◦ f ) = MB43 (g ).MB32 ( f ) =  .
 
 3 0 
1 1
On peut vérifie que
(g ◦ f )(x, y) = (0, 2x, 3x, x + y).

1.3.2 Formule de changement de bases
Théorème 1.3 Soient V, V 0 deux K-espaces vectoriels et f ∈ L K (V, V 0 ). Soient B1 , B01 deux
B0 B
bases de V et B2 , B02 deux bases de V 0 . Alors MB20 ( f ) = PB−1B0 MB21 ( f )PB1 B0 .
1 2 2 1
te
Dans le cas où f ∈ End K (V) , en appliquant le théorème précédent avec V = V 0 ,
B = B1 = B2 et B0 = B01 = B02 , on obtient le résultat suivant.
Corollaire 1.1 Soient f ∈ End K (V) et B, B0 deux bases de V. Alors MB0 ( f ) = PBB
−1
0 MB ( f )PBB0 .
hti
Exemple.
Soient f : R2 −→ R3 l’application linéaire définie par: f (x, y) = (x, x − y, x + y).

B
1) Déterminer MB32 ( f ) où B2 et B3 sont les bases canoniques respectives de R2 et R3 .
B0
2) Déterminer la matrice MB30 ( f ) où B02 = {(1, −1), (2, 1)} et B03 = {(1, 1, 1), (0, 1, 0), (0, 0, −1)}.
2
1) La matrice de f par rapport aux bases B2 et B3 est :

k B

1 0

MB32 ( f ) =  1 −1  .
1 1
Ou
2) Les matrices de f sont liées par la relation
B0 B
MB30 ( f ) = PB−1B0 MB32 ( f )PB2 B0 .
2 3 3 2
les matrices de passages sont

 
µ ¶ 1 0 0
1 2
PB2 B0 = , PB3 B0 =  1 1 0  .
2 −1 1 3
1 0 −1
Pour calculer la matrice PB−1B0 = PB0 B3 on doit exprimer les vecteurs de la base B3 comme
3 3 3
combinaison linéaire des vecteurs de la base B03 . Pour cela, si on pose

L.
e 1 = (1, 0, 0), e 2 = (0, 1, 0), e 3 = (0, 0, 1), v 1 = (1, 1, 1), v 2 = (0, 1, 0), v 3 = (0, 0, −1)
alors on a 

 v1 = e1 + e2 + e3

v2 = e2


v3 = −e 3

de sorte que 

 e1 = v1 − v2 + v3

e2 = v2


e3 = −v 3

ce qui implique que
te
 
1 0 0
PB0 B3 =  −1 1 0  .
3
1 0 −1
Par conséquent
    
1 0 0 1 0 µ ¶ 1 2
B03 1 2
hti
M ( f ) =  −1 1 0   1 −1 
B02
=  1 −1  .
−1 1
1 0 −1 1 1 1 −1
Exercice 1
Considérons B = {P, Q, R} où P, Q et R sont les polynômes de R2 [X] définies par :
P = (X − 2)(X − 5), Q = (X − 5)(X − 7), R = (X − 2)(X − 7)
1) Montrer que B est une famille libre. En déduire que B est une base de R2 [X].
k
2) Déterminer la matrice de passage PBB0 , où B0 désigne la base canonique de R2 [X].
3) Déterminer les coordonnées du polynôme X − 2 dans la base B.

Ou
Exercice 2
Soient B = {e 1 , e 2 } la base canonique de R2 et f l’endomorphisme de R2 tel que MB ( f ) =

µ ¶
−2 1
. Posons u 1 = (1, 2) et u 2 = (1, 3).
−6 3
1) Montrer que B0 = {u 1 , u 2 } est une base de R2 et calculer MB0 ( f ).
2) Déterminer PBB0 et PB0 B . Quel est le lien entre MB ( f ) et MB0 ( f )?
Exercice 3
Soient dans R3 les vecteurs : u = (0, 1, 1), v = (2, 0, −1) et w = (2, 1, 1).
L.
1) Montrer que B = {u, v, w} est une base de R3 .
2) Déterminer les coordonnées du vecteur t = (4, 5, 1) dans B.
3) Soit f ∈ End R (R3 ) défini par f (u) = w, f (v) = 7u + 4v − 3w et f (w) = t .
i) Déterminer la matrice, MB ( f ), de f dans B.

ii) Montrer que B0 = {e 1 , e 2 , e 3 } est une base de R3 où e 1 = −u + w, e 2 = 2u + v − w et
e 3 = −u − v + w.
iii) Déterminer les coordonnées dans B de f (e 1 ), f (e 2 ), f (e 3 ).
iv) Calculer la matrice de passage PB0 B . En déduire MB0 ( f ).
te
Exercice 4
Soient B = (1, X, X 2 ) la base canonique de R2 [X] et f : R2 [X] −→ R2 [X] l’application
définie par : f (a + bX + cX 2 ) = (−2a + b + c) + (a − 2b + c)X + (a + b − 2c)X 2 .
hti
1) Montrer que f est une application linéaire et déterminer MB ( f ). f est-elle injective?
2) Montrer que la famille B0 = {1 − X, X 2 , 1 + X + X 2 } est une base de R2 [X].
3) Déterminer les matrices de passages PBB0 et PB0 B .
4) Déterminer de deux manières différentes la matrice de f relativement à la base B0 .
Exercice 5
Soient B0 = {1, X, X 2 } la base canonique de R2 [X] et f : R2 [X] −→ R2 [X] l’application

k
définie par : f (P) = 2XP − X 2 P 0 pour tout P ∈ R2 [X].
1) Montrer que f est une application linéaire et calculer MB0 ( f ).

Ou
2) Exprimer f (a + bX + cX 2 ) en fonction de a, b et c. f est-elle injective? surjective?
3) Montrer que B = {2, 2 − X, (2 − X)2 } est une base de R2 [X].
4) Déterminer PBB0 et PB0 B . Donner la matrice de f relativement à la base B.
Exercice 6
Soient B = {1, X, X 2 } la base canonique de R2 [X] et f : R2 [X] −→ R2 [X] l’application
définie par : f (P) = P − (X − 3)P 0 .
1) Montrer que f est linéaire. Expliciter f (a + bX + cX 2 ) en fonction de a, b et c.

L.
2) Déterminer A = MB ( f ). Montrer que B0 = {1, X − 3, (X − 3)2 } est une base de R2 [X].
3) Déterminer, de deux manières différentes, la matrice A0 de f dans la base B0
4) Calculer les matrices de passages P = PBB0 et Q = PB0 B .
5) En utilisant la formule de changement de base, exprimer P = 1 + X + X 2 dans B0 .

C HAPITRE 2
te
D ÉTERMINANTS D ’ UNE MATRICE CARRÉE
ET SYSTÈMES DE C RAMER
hti
2.1 Calcul du déterminant d’une matrice carrée d’ordre 2
À toute matrice carrée M correspond une valeur appelée le déterminant de M, que l’on
dénote par d et (M) ou encore |M|.
Nous éviterons la définition formelle du déterminant qui se base sur des notions des
k
permutations, mais allons plutôt nous concentrer à l’algorithm qui permet le calcul
direct du déterminant de manière récurrente.

Ou
a) Calcul du déterminant d’une matrice carrée d’ordre 2
µ ¶
a b
Considérons la matrice carrée d’ordre 2 : A = ∈ M2 (K) où K est un corps (R,
c d
Q ou C). Le déterminant de la matrice A est définie par la relation
¯ ¯
¯a b ¯
d et (A) = ¯
¯ ¯ = ad − bc.
c d¯
Exemples
µ ¶
2 5
1) Si A = ∈ M2 (Q), alors d et (A) = 2 × 3 − 7 × 5 = −29.
7 3
p ¶
p p p p
µ
3 3
L.
2) Pour A = p ∈ M2 (R), on a d et (A) = 3 × 2 − 4 × 3 = 3 2 − 4 3.

4 2
µ ¶
i 0
3) Considérons A = ∈ M2 (C). On a d et (A) = 2 × i − 0 × 9 = 2i .
9 2
µ ¶
1 0
4) Le déterminant de la matrice identité I2 = est det(I2 ) = 1.
0 1
16
2.1. CALCUL DU DÉTERMINANT D’UNE MATRICE CARRÉE D’ORDRE 2 17
b) Calcul du déterminant d’une matrice carrée d’ordre n
La définition suivante donne un algorithme qui ramène le calcul du dérminant d’une
matrice carrée d’ordre n au calcul des déterminants d’odre n − 1. En appliquant une
te
deuxième fois cet algorithme, le calcul d’un déterminant d’ordre n − 1 se réduit au cal-
cul des déterminant d’ordre n − 2. On itère le procédé, le calcul se ramène finalement
au calcul des déterminants d’ordre 2.
Définition 2.1 Soit A ∈ Mn (K) avec A = (a i j )1≤i , j ≤n . Le déterminant de A, noté d et (A),
hti
developpé suivant la ligne i est :
¯ ¯
¯ a 11 a 12 . . . a 1n ¯¯ ¯ ¯
¯ ¯ a 12 . . . a 1n ¯¯
¯ . . . . . . ¯¯ ¯
¯ ¯ . . . . . ¯¯
¯ . . . . . . ¯ ¯ ¯
¯ ¯ . . . . . ¯¯
¯a a . . . a i −1,n ¯¯ ¯
¯ i −1,1 i −1,2
a . . . a i −1,n ¯
¯ ¯
¯ ai 1 ai 2 . . . a i n ¯ = (−1)i +1 a i 1 ¯ i −1,2 ¯+
¯ ¯ ¯
¯a i +1,2 . . . a i +1,n ¯
¯a i +1,1 a i +1,2 . . . a i +1,n ¯
¯ ¯
¯ ¯
¯ ¯ ¯ . . . . . ¯¯
¯ . . . . . . ¯¯ ¯
¯ ¯ . . . . . ¯¯
¯ . . . . . . ¯¯
k ¯
¯ a
n1
¯
a n2 . . . a nn ¯
¯
¯
¯ a
n2
¯
. . . a nn ¯
¯
¯ a 11 . . . a 1n ¯¯ ¯ a 11 . . . a 1,n−1 ¯¯
¯ ¯
¯ . . . . . ¯ ¯ ¯ . . . . . ¯
Ou
¯ ¯ ¯
¯ . . . . . ¯ ¯ ¯ . . . . . ¯
¯ ¯ ¯
a . . . a i −1,n ¯ ¯a i −1,1 . . . a i −1,n−1 ¯
¯ ¯ ¯ ¯
i −1,1
(−1)i +2 a i 2 ¯ ¯ + ... + (−1)i +n a i n ¯
¯
¯a i +1,1 . . . a i +1,n ¯ ¯a i +1,1 . . . a i +1,n−1 ¯
¯
¯ ¯ ¯ ¯
¯ . . . . . ¯¯ ¯ . . . . . ¯
¯ ¯ ¯
¯ . . . . . ¯ ¯ ¯ . . . . . ¯
¯ ¯ ¯
¯ a . . . a nn ¯ ¯ a . . . a n,n−1 ¯
n1 n1
Notons Ai j la sous-matrice de A obtenue en supprimant la ième -ligne et la jème -
colonne de A. Posons ∆i j = d et (Ai j ) : appelé le mineur d’ordre i j de A.
Définition 2.2 Soit A = (a i j ) ∈ Mn (K).

n
(−1)i + j a i j ∆i j .
P
1) Le déterminant de A developpé suivant la ligne i est det(A) =
L.
j =1
n
(−1)i + j a j i ∆i j .
P
2) Le déterminant de A developpé suivant la collone j est det(A) =
i =1
Remarque. d et (A) ne dépend ni de la ligne ni de la collone suivant laquelle il est de-
veloppé.
18CHAPITRE 2. DÉTERMINANTS D’UNE MATRICE CARRÉE ET SYSTÈMES DE CRAMER
Exemples
 
a1 a2 a3
1) Soit A = b 1 b 2 b 3  ∈ M3 (K). Le déterminant de A developpé suivant la ligne 1 est
c1 c2 c3
¯ ¯ ¯ ¯ ¯ ¯
¯b 2 b 3 ¯ ¯b 1 b 3 ¯ ¯b 1 b 2 ¯
te
d et (A) = a 1 ¯
¯ ¯ − a2 ¯
¯ ¯ + a3 ¯
¯ ¯
c2 c3 ¯ c1 c3 ¯ c1 c2 ¯
³ ´ ³ ´ ³ ´
= a1 b2 c3 − c2 b3 − a2 b1 c3 − c1 b3 + a3 b1 c2 − c1 b2
= a1 b2 c3 − a1 c2 b3 − a2 b1 c3 + a2 c1 b3 + a3 b1 c2 − a3 c1 b2
 
1 2 3
2) Si A = 0 −1 2 ∈ M3 (K), alors d et (A) developpé suivant la ligne 2 est :
hti
2 0 1
¯ ¯ ¯ ¯ ¯ ¯
2+1
¯2 3 ¯ 2+2
¯1 3 ¯ 2+3
¯1 2 ¯
d et (A) = (−1) ×0×¯
¯ ¯ + (−1) × (−1) × ¯
¯ ¯ + (−1) ×2×¯
¯ ¯
0 1¯ 2 1¯ 2 0¯
= 0 + 5 − 2 × (−4) = 13.
 
1 0 0
3) Le déterminant de la matrice identité I3 = 0 1 0 est det(I3 ) = 1.
0 0 1
k
Proposition 2.1 Soit A ∈ Mn (K). Alors
1) d et (A) = d et (t A).
Ou
2) d et (AB) = d et (A)d et (B), ∀ B ∈ Mn (K).
3) d et (αA) = αn d et (A), ∀ α ∈ K.
4) Si une ligne ou une colonne de A est nulle, alors d et (A) = 0.
5) d et (A) ne change pas si on ajoute à une de ses lignes (resp. à une de ses colonnes) une
combinaison linéaire des autres lignes (resp. colonnes).
Si on remplace une ligne Li par L0i = α1 L1 +...+αi −1 Li −1 +Li +αi +1 Li +1 ...+αn Ln , alors
d et (L1 , ..., Li , ..., Ln ) = d et (L1 , ..., L0i , ..., Ln ). Si on remplace une colonne Ci par Ci0 =
α1 C1 +...+αi −1 Ci −1 +Ci +αi +1 Ci +1 ...+αn Cn , alors d et (C1 , ..., Ci , ..., Cn ) = d et (C1 , ..., Ci0 , ..., Cn ).
L.
Exercice 1
Soit A ∈ Mn (K). Montrer que
1) Si A est inversible alors d et (A−1 ) = d et1(A) .

2.2. CALCUL DE L’INVERSE D’UNE MATRICE CARRÉE 19
2) Si Li = L j avec i 6= j alors d et (A) = 0.
3) Si Ci = C j avec i 6= j alors d et (A) = 0.
4) Si A = PBP −1 (on dit que A et B sont semblables) alors d et (A) = d et (B).
5) Si une ligne (resp. une colonne) de A est une combinaison linéaire des autres lignes
te
(resp. colonnes) alors d et (A) = 0.
Proposition 2.2 Soit A ∈ Mn (K).
1) d et (A) est multiplié par −1 si on permute deux lignes ou deux colonnes de A.
hti
2) Si A = (a i j ) est triangulaire inférieure ou supérieure alors d et (A) = a 11 a 22 ...a nn .
3) d et (L1 , ..., αLi , ..., Ln ) = αd et (L1 , ..., Li , ..., Ln ).
4) d et (C1 , ..., αC j , ..., Cn ) = αd et (C1 , ..., C j , ..., Cn ).
2.2 Calcul de l’inverse d’une matrice carrée
Soit A ∈ Mn (K). Rappelons que Ai j désigne la sous-matrice de A obtenue en suppri-

k
mant la ligne i et la colonne j de A. Pour 1 ≤ i ≤ n et 1 ≤ j ≤ n on note :
- ∆i j = d et (Ai j ) : appelé le mineur d’ordre i j de A.
- c i j = (−1)i + j ∆i j : appelé cofacteur de a i j .

Ou
- CA = (c i j ) : appelée comatrice de A.
Proposition 2.3 A ∈ Mn (K) est inversible si et seulement si d et (A) 6= 0. De plus l’inverse
de A est donné par la formule

1 t
A−1 = CA .
d et (A)
Exemples
µ ¶
a b
1) Soit A = une matrice carrée d’ordre 2. Comme det(A) = ad − bc alors A est
c d
inversible si et seulement si ad − bc 6= 0. Déterminons la matrice inverse A−1 .
L.
∆11 = d , ∆12 = c, ∆21 = b, ∆22 = a
Par suite
µ ¶
d −c
CA =
−b a
Compte tenu du fait que d et (A) = ad − bc, il en résulte que

µ ¶
−1 1 t 1 d −b
A = CA =
ad − bc ad − bc −c a
En outre, il est facile de vérifier que
te
µ ¶µ ¶ µ ¶
1 d −b a b 1 0
= = I2 .
ad − bc −c a c d 0 1
 
1 0 0
2) Montrer que A =  1 1 0  est inversible et calculer A−1 ?
0 1 1
d et (A) développé suivant la ligne 1 entraîne que d et (A) = 1 6= 0, donc A est inversible.
hti
Déterminons d’abord CA .
¯ ¯ ¯ ¯ ¯ ¯
¯ 1 0 ¯ ¯ 1 0 ¯ ¯ 1 1 ¯
∆11 = ¯¯ ¯ = 1, ∆12 = ¯
¯ 0 1 ¯ = 1, ∆13 = ¯ 0 1 ¯ = 1
¯ ¯ ¯
1 1 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 0 0 ¯ ¯ 1 0 ¯ ¯ 1 0 ¯
∆21 = ¯¯ ¯ = 0, ∆22 = ¯ ¯ ¯ = 1, ∆23 = ¯
¯ ¯=1
1 1 ¯ 0 1 ¯ 0 1 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 0 0 ¯ ¯ 1 0 ¯ ¯ 1 0 ¯
∆31 = ¯¯ ¯ = 0, ∆32 = ¯
¯ 1 0 ¯ = 0, ∆33 = ¯ 0 1 ¯ = 1.
¯ ¯ ¯
1 0 ¯
   
1 −1 1 1 0 0
k
D’où CA =  0 1 −1  et t CA =  −1 1 0  .
0 0 1 1 −1 1
Compte tenu du fait que d et (A) = 1, il en résulte que A−1 = t CA . D’où
 
1 0 0
Ou
A−1 =  −1 1 0  .
1 −1 1
Théorème 2.1 Soient f un endomorphisme d’un K-espace vectoriel E de dimension
finie n et B une base de E. Alors

f est injective ⇐⇒ f est bijective ⇐⇒ f est surjective ⇐⇒ r ang (MB ( f )) = n ⇐⇒ d et (MB ( f )) 6= 0
⇐⇒ MB ( f ) est inversible.
Proposition 2.4 Soient A et B deux matrices de Mn (K).
1) Si A est inversible alors t A est inversible et (t A)−1 = t (A−1 ).

L.
2) Si une ligne ou une colonne de A est nulle alors A n’est pas inversible.
3) Si A et B sont inversibles alors AB est inversible et (AB)−1 = B−1 A−1 .
4) In est inversible dans Mn (K) et I−1

n = In .
2.3. DÉTERMINANT D’UN SYSTÈME DE VECTEURS 21
Exercice 2
Montrer que les matrices suivantes sont inversibles et calculer leurs inverses :
   
3 −1 1 1 −1 −1
te
M =  1 1 −1  , N =  1 1 1 
1 −1 −1 −1 1 −1
2.3 Déterminant d’un système de vecteurs
hti
Soient E un K-espace vectoriel de base B = {e 1 , ..., e n } et S = {v 1 , ..., v n } un système de
n
αki e k où αki ∈ K.
P
vecteurs de E. Pour tout 1 ≤ i ≤ n on a : v i =
k=1
Définition 2.3 Le déterminant de S relative à la base B est le déterminant de la matrice
ayant pour colonnes les composantes des vecteurs v i dans B.

v1 . . . vn
α11 . α1n
¯ ¯
¯ . . ¯ e1
¯ ¯
¯ α21 . . . α2n ¯ e
¯ 2
k ¯
¯
d et B (v 1 , ..., v n ) = ¯
¯
¯
¯
.
.
.
.
.
.
.
.
.
.
¯ .
¯
¯ .
¯
¯
¯ . . . . . ¯ .
αn1 . αnn
¯ ¯
¯ . . ¯ en
Ou
Exemples
1) Pour B = {e 1 , e 2 } et S = {x 1 , x 2 } avec x 1 = a 11 e 1 + a 21 e 2 , x 2 = a 12 e 1 + a 22 e 2 , on a
¯ ¯
¯ a 11 a 12 ¯
d et B {x 1 , x 2 } = ¯¯ ¯ = a 11 a 22 − a 21 a 12 .
a 21 a 22 ¯
2) Soient B = {e 1 , e 2 } la base canonique de R2 et C = {(1, −1), (−1, 2)} une autre base de
R2 . Calculer d et B (x 1 , x 2 ) et d et C (x 1 , x 2 ) où x 1 = (2, 3), x 2 = (5, 1)?

¯ ¯
¯ 2 5 ¯
Dans B, x 1 = 2e 1 + 3e 2 et x 2 = 5e 1 + e 2 , par suite d et B {x 1 , x 2 } = ¯¯ ¯ = −13.
3 1 ¯
Dans C : x 1 = 7(1, −1)+5(−1, 2) et x 2 = 11(1, −1)+6(−1, 2), par conséquent d et C {x 1 , x 2 } =
¯ ¯
¯ 7 11 ¯
¯ 5 6 ¯ = −13. D’où d et C {x 1 , x 2 } = d et B {x 1 , x 2 }.
¯ ¯
L.
Proposition 2.5 Soient E un K-e.v de dimension n et B une base de E.
Si S = {x 1 , ..., x n } est un système de vecteurs de E, alors :
1) d et B (S) = 0 ⇐⇒ S est lié.
2) Si B0 est une autre base de E, alors d et B0 (S) = d et B0 (B) × d et B (S).

Conséquences.
1) {x 1 , ..., x n } est libre ⇐⇒ d et B {x 1 , ..., x n } 6= 0 pour une base quelconque B.
2) d et B0 (B) × d et B (B0 ) = 1.
te
Exemple
B = {e 1 , e 2 } la base canonique de R2 et C = {(1, −1), (−1, 2)} une base de R2 . Si x 1 = (2, 3)
et x 2 = (5, 1) alors d et B {x 1 , x 2 } = −13. Or d et C {x 1 , x 2 } = d et C (B) × d et B {x 1 , x 2 }, alors
d et C {x 1 , x 2 } = −13 × d et C (B). Comme
hti
½
e 1 = (1, 0) = 2 × (1, −1) + 1 × (−1, 2)
e 2 = (0, 1) = 1 × (1, −1) + 1 × (−1, 2)
¯ ¯
¯ 2 1 ¯
donc d et C (B) = ¯¯ ¯ = 2 − 1 = 1. D’où d et C {x 1 , x 2 } = d et B {x 1 , x 2 } = −13.
1 1 ¯
2.4 Système de Cramer

k
Une équation linéaire à p inconnues x 1 , ..., x p est une équation définie par une relation
de la forme :
a 1 x 1 + ... + a p x p = b (1)
Ou
où a 1 , ..., a p et b sont dans K (K = R ou C), a i est le coefficient de l’inconnue x i (1 ≤ i ≤
p), b est le second membre de l’équation. Résoudre une telle équation c’est déterminer
l’ensemble de tous les (α1 , ..., αp ) ∈ K p qui vérifient l’équation (1).
Définition 2.4 On appelle système linéaire de n équations à p inconnues à coefficients
dans un corps K un ensemble d’équations de la forme :


a 11 x 1 + a 12 x 2 + ... + a 1p x p = b 1 (1)
 ...



(S) a x + a i 2 x 2 + ... + a i p x p = b i (i )
 .. i 1 1

 .
a n1 x 1 + a n2 x 2 + ... + a np x p = b n (n)

L.
où a i j , b i ∈ K. Si b 1 = b 2 = ... = b n = 0, le système (S) est dit homogène.
Le système (S) peut être représenter par l’écriture matricielle

     
x1 b1 a 11 a 12 ... a 1p
 ..   ..   .. .. .. 
MS X = Y où X =  .  , Y =  .  et MS =  . . . 
xp bn a n1 a n2 ... a np
2.4. SYSTÈME DE CRAMER 23
MS est dite la matrice associée à (S) et r g (MS ) s’appelle le rang du système (S).
Définition 2.5 La matrice MS est dite de rang r si et seulement si :
1) Il existe un déterminant ∆ d’ordre r extrait de MS non nul.
te
2) S’il existe des déterminants d’ordre r + 1 extraits de MS , ils sont tous nuls.
• Si n = p et det(MS ) 6= 0 (r = n) alors S est dit un système de Cramer et admet une
unique solution.
hti
• On suppose que r g (MS ) = r < n et soit
¯ ¯
¯ a 11 . . . a 1r ¯
¯ ¯
¯ a . . . a 2r ¯
¯ 21 ¯
¯ . . . . .
¯ ¯
∆=¯ ¯ un déterminant non nul d’ordre r extrait de MS .
¯
¯ . . . . . ¯
¯ ¯
¯ . . . . . ¯
¯ ¯
k ¯ ar 1 . . . ar r ¯
¦ Les inconnues x 1 , ..., x r sont appelées les inconnues principales.
¦ Les équations (1), ..., (r ) sont appelées les équations principales.
¦ Les inconnues x r +1 , ..., x p sont appelées les inconnues non principales.

Ou
¦ Les équations (r + 1), ..., (n) sont appelées les équations non principales.
A chaque équation non principale (k)r +1≤k≤n on associe un déterminant ∆k d’ordre
r + 1 obtenu en ajoutant à ∆ :
i) une (r +1)eme ligne composée des coefficients des inconnues principales dans l’équation
non principale considérée.
ii) une (r + 1)eme colonne constituée des termes constants correspondants.

¯ ¯
¯ a 11 a 12 . . . a 1r b1 ¯
¯ ¯
¯ . . . . . . . ¯
¯ ¯
. . . . . . .
¯ ¯
L.
∆k = ¯
¯ ¯
¯ . . . . . . .
¯
¯
¯ ¯
¯ ar 1 ar 2 . . . ar r br ¯
¯ ¯
¯ a k1 a k2 . . . a kr bk ¯
est appelé déterminant caractéristique associé à l’équation non principale (k).
On obtient ainsi n − r déterminants caractéristiques.

Théorème 2.2 Soit (S) un système à n équations et p inconnues de rang r . Alors 3 cas
sont possibles :
1) n = r = p, dans ce cas (S) est de Cramer et admet une solution unique :

¯ ¯ ¯ ¯
¯ b 1 a 12 . . . a 1n ¯ ¯ a 11 . . . a 1n−1 b1 ¯
te
¯ ¯ ¯ ¯
¯ . . . . . . ¯ ¯ . . . . . . ¯
¯ ¯ ¯ ¯
¯ . . . . . . ¯ ¯ . . . . . .
¯ ¯ ¯ ¯
¯
¯ . . . . . . ¯ ¯ . . . . . .
¯ ¯ ¯ ¯
¯
¯ ¯ ¯ ¯
¯ b n a n2 . . . a nn ¯ ¯ a n1 . . . a nn−1 bn ¯
x1 = , . . . , xn =
d et (MS ) d et (MS )
2) r < n et l’un au moins des déterminants caractéristiques est non nul, dans ce cas (S)
hti
n’admet pas de solution.
3) r < n et tous les déterminants caractéristiques sont nuls, dans ce cas (S) est équivalent
au système de r équations principales. On donne des valeurs arbitraires aux (p − r )
inconnues non principales et on résoud en suite un système de Cramer par rapport aux
inconnues principales dans les équations principales.
Remarque. Si (S) est un système de Cramer homogène, alors (S) admet la solution
k
unique évidente x 1 = x 2 = ... = x n = 0.
Ou
Exemples
1) Résoudre le système 
 x + 3y = 5
(S) x + 4y = 7
2x + 8y = 1

 
1 3 ¯
¯ 1 3 ¯
¯
On a n = 3 et MS = 1 4 . Comme ¯
  ¯ ¯ 6= 0, alors r = r g (MS ) = 2.
1 4 ¯
2 8
¯ ¯
¯ 1 3 5 ¯
Donc on a n − r = 3 − 2 = 1 déterminant caractéristique : ∆1 = ¯¯ 1 4 7
¯ ¯
¯ 6= 0, par suite
¯
¯ 2 8 1 ¯
(S) n’a pas de solution, d’où S = ;.
L.
2) Résoudre dans R le système

x + y + 2z

 = −2

x + 2y + 3z =a

(S)
 3x + 5y + 8z
 =2

5x + 9y + 14z =b
La matrice associée au système est donnée par

 
1 1 2
 1 2 3
 
MS =  .

 3 5 8 
5 9 14
te
Les 4 déterminants carrés d’ordre 3 qu’on peut extraire de MS sont tous nuls :
¯ ¯ ¯ ¯ ¯ ¯ ¯ ¯
¯ 1 1 2 ¯ ¯ 1 1 2 ¯ ¯ 1 1 2 ¯ ¯ 1 2 3 ¯
∆1 = ¯¯ 1 2 3 ¯¯ = 0, ∆2 = ¯¯ 1 2 3 ¯¯ = 0, ∆3 = ¯¯ 3 5 8 ¯¯ = 0, ∆4 = ¯¯ 3 5 8
¯ ¯ ¯ ¯ ¯ ¯ ¯ ¯
¯=0
¯
¯ 3 5 8 ¯ ¯ 5 9 14 ¯ ¯ 5 9 14 ¯ ¯ 5 9 14 ¯
il s’en suit alors que r g (MS ) ≤ 2.
hti
¯ ¯
¯ 1 1 ¯
Comme ¯¯ ¯ 6= 0, alors r = r g (MS ) = 2. Donc on a n − r = 4 − 2 = 2 déterminants
1 2 ¯
¯ ¯ ¯ ¯
¯ 1 1 −2 ¯ ¯ 1 1 −2 ¯
caractéristiques : ∆1 = ¯¯ 1 2 a ¯¯ et ∆2 = ¯¯ 1 2 a ¯¯ .
¯ ¯ ¯ ¯
¯ 3 5 2 ¯ ¯ 5 9 b ¯
Comme ∆1 = −2a + 4 et ∆2 = −4a + b + 2, il en résulte alors que
∆1 = 0 et ∆2 = 0 ⇐⇒ a = 2 et b = 6.
1er cas : Si (a, b) 6= (2, 6) alors ∆1 6= 0 ou ∆2 6= 0 et (S) n’a pas de solution.

k
2eme cas : Si (a, b) = (2, 6), alors (S) admet une solution unique et on résoud le système
Ou
de Cramer
½
x+y = −2z − 2
x + 2y = −3z + 2
où z est un paramètre réel, ce qui signifie qu’on va déterminet x et y en fonction de z.
Par conséquent,
n o
S = (−z − 6, −z + 4, z) / z ∈ R
Exercice 1 ¯ ¯
¯ ¯ ¯ 1 2 0 3 ¯¯
¯ 3 5 −5 ¯ ¯
L.
−1 3 1 2 ¯
¯ ¯ ¯ ¯
1) Calculer les déterminants suivants : D1 = ¯ 2 −5 4 ¯ , D2 = ¯ ¯.
¯ ¯ ¯
¯ 1 2 2 −4 −1 −1 ¯
1 ¯
¯
¯ ¯
¯ 3 −3 0 4 ¯
 
  1 0 1 1
2 1 4
2 1 −3 2
 
2) Calculer le rang des matrices A = 1 0 3  et B =  .
−1 −1 1 1
1 2 −1
1 2 2 1
Ces matrices sont-elles inversibles?
Exercice 2
¯ ¯ ¯ ¯
¯ a b c ¯¯ ¯ a +b b +c a +c ¯
1) Calculer ¯¯ a 2 b 2 2 ¯
c ¯ . En déduire ¯ a + b b + c a 2 + c 2
¯ ¯ 2 2 2 2
¯
¯.
te
¯
¯
¯ a3 b3 c3 ¯ ¯ a3 + b3 b3 + c 3 a3 + c 3 ¯
2) Soient m ∈ R et Dm la matrice définie par
¯ ¯
¯
¯ m 0 1 2m ¯¯
1 m 0 0 ¯
¯ ¯
Dm = ¯
¯
0 2m + 2 m 1 ¯
¯
¯
¯ ¯
m 0 0 m ¯
hti
¯
Calculer det(Dm ) en fonction de m. En déduire le rang de Dm .
3) Montrer que
¯ ¯
¯
¯ a b b . . . b ¯¯
¯ b a b . . . b ¯¯ n−1
³ ´
= (a − b) a + (n − 1)b
¯
.. .. .. .
. . . . . . .. ¯¯
¯ ¯
¯
¯
k ¯ b b b ... a ¯
Exercice 3
Montrer, sans les calculer, que les déterminants suivants sont nuls :
¯ ¯ ¯ ¯
¯ 1 a b +c ¯ 2 −1 −1 ¯
Ou
¯
¯ ¯ ¯ ¯
¯ 1 b a +c ¯, ¯ −1 2 −1 ¯ .
¯ ¯ ¯ ¯
¯ 1 c a +b ¯ ¯ −1 −1 2 ¯
Exercice 4
Calculer les déterminants suivants

¯ ¯
¯ ¯ ¯ ¯ ¯ a −a −a −a ¯¯
¯ 2 2 −1 ¯ ¯ 2 5 1 ¯ ¯
b b −b −b ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 1 1 −3 ¯ , ¯ −3 −4 2 ¯, ¯
c c c −c ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 3 −1 2 ¯ ¯ −1 1 3 ¯ ¯
¯ ¯
¯ d d d d ¯
L.
Exercice 5
µ ¶
a b
Soit A = , une matrice de M2 (R). On définit la trace de la matrice A comme étant
c d
le nombre t r (A) = a + d .
1) Calculer la matrice A2 − t r (A)A + d et (A)I2 .

2) On suppose que la matrice A est inversible. Montrer que la matrice A−1 est combi-
naison linéaire de I2 et A.
Exercice 6
te
a2
 
1 −a
Soit a ∈ C. On considère la matrice A = a −a 2 a .
a 1 −a 3
1) Déterminer pour quelles valeurs de a la matrice A est inversible. 2) Dans le cas où A
 
0
est inversible, résoudre dans R l’équation AX = 0 .
3 
0
hti
Exercice 7
Montrer que les matrices suivantes sont inversibles et calculer leurs inverses
 
      1 0 1 2
1 −1 1 1 1 0 i −1 2i
0 2 1 −1
 
1 −2 −1 ,  1 1 −1 ,   2 0 2 , 
1 −1 0 1 

2 0 1 −2 −3 2 −1 0 1
k 1 1 2 1
Exercice 8
 
1 0 1
La matrice A = 0 1 1 est-elle inversible? Si oui, calculer A−1 en utilisant la coma-
1 1 0
Ou
trice de A.
Exercice 9
 
5 2 4 −1
Soient a, b deux paramètres réels et Ma,b la matrice Ma,b =  3 −4 0 1  .
a b 2 −1
1) Donner les valeurs minimales et maximales possibles pour le rang de Ma,b .
2) Déterminer l’ensemble des valeurs de a et b pour lesquelles rg(Ma,b ) = 2.
Exercice 10
L.
   
2 0 0 1 0 1
Montrer que les matrices A, B et C sont inversibles où A = −1 2 0 , B = 1 0 1
1 2 3 2 2 2
 
2 1 1
et C = 1 1 1 . Calculer le determinant de leur inverse.
1 1 2
Exercice 11
1) Résoudre de trois manières différentes le système suivant (par la méthode du pivot
de Gauss, en inversant la matrice des coefficients, par la formule de Cramer) :

½
2x + y = 1
te
3x + 7y = 2
2) Le système ci-dessous de second membre quelconque est-il de Cramer ? Si oui,
exprimer la solution de ce système:


 −x + 2y - 8z = a
3x + y + 3z = b
hti
2x + 7z = c

Exercice 12
Soit le système
a2z

 x + ay + = 1
x + by + az = a
bx + a2 y + a 2 bz = a2b

de trois équations à trois inconnues réelles x, y et z où a et b sont des paramètres réels.

k
1) A quelle condition portant sur a et b, ce système est-il de Cramer ?
2) Étudier et discuter les solutions de ce système lorsqu’il n’est pas de Cramer.

Ou
Exercice 13

 x + y - z = 2a
Soit le système (S) 2x - y + z = −b
−5x + y + 2z = 7c

où a, b et c sont des nombres réels fixés.
1) Déterminer la matrice MS est donner l’écriture matricielle de (S).
2) Montrer que (S) est de Cramer. Donner la solution de (S) et en déduire MS −1 .
Exercice 14
On considère le système suivant dépendant du paramètre réel m :

L.

 3mx + 2y - 2z = 1
−mx + m y + z = m
mx + y + mz = 1

1) Pour quelles valeurs de m le système admet-il une unique solution?
2) Déterminer cette solution pour les valeurs de m trouvées à la question précédente.

C HAPITRE 3
te
R ÉDUCTION DES ENDOMORPHISMES
3.1 Vecteurs propres et valeurs propres
hti
Soit f un endomorphisme d’un K-espace vectoriel E de dimension finie.
Définition 3.1 Un vecteur x ∈ E est dit un vecteur propre de f si :
1) x 6= 0E
2) Il existe λ ∈ K tel que f (x) = λx.

k
Le scalaire λ est appelé valeur propre associée à x. On dit aussi que x est un vecteur
propre associé à λ.
Ou
Définition 3.2 On appelle spectre de f , noté Sp(f ), l’ensemble de toutes les valeurs pro-
n o
pres de f : Sp(f )= λ ∈ K| λ est valeur propre de f .
Exemples :
¦ 1 est la seule valeure propre de IdE et tous les vecteurs non nuls de E sont des vecteurs
propres associés à 1.
¦ Soit f ∈ End R (R2 ) défini par f (x, y) = (x +2y, −x +4y). Puisque f (2, 1) = (4, 2) = 2(2, 1),
L.
alors (2, 1) est un vecteur propre de f ayant 2 pour valeur propre.
Remarques :
1) Si x est un vecteur propre donné, alors x admet une unique valeur propre.
2) Il existe une infinité de vecteurs propres associés à une valeur propre λ. En effet, si
29
30 CHAPITRE 3. RÉDUCTION DES ENDOMORPHISMES
f (x) = λx avec 0 6= x ∈ E alors pour tout β ∈ K ∗ on a f (βx) = β f (x) = βλx = λ(βx) et on a
bien 0 6= βx ∈ E.
Définition 3.3 On appelle valeur propre d’une matrice A ∈ Mn (K), un scalaire λ ∈ K
te
pour lequel il existe 0 6= X ∈ M(n,1) (K) tel que AX = λX.
On dit aussi que X est un vecteur propre de A associé à λ.
Exemple :
   
1 3 0 0
2 est une valeur propre de  0 1 0  associée au vecteur X =  0  .
hti
0 0 2 1
Proposition 3.1 Soient f ∈ End K (E) et λ ∈ K. Alors
λ est une valeur propre de f si et seulement si f − λId E n’est pas injective.
Preuve
λ est une valeur propre de f ⇐⇒ ∃ 0 6= x ∈ E tel que f (x) = λx
⇐⇒ ∃ 0 6= x ∈ E tel que ( f − λId E )(x) = 0

k ⇐⇒ f − λId E est non injective.
Ou
3.2 Sous-espace propre
Soit f un endomorphisme d’un K-espace vectoriel E de dimension finie.
n o
Définition 3.4 Si λ ∈ Sp( f ) alors Eλ = x ∈ E| f (x) = λx est un sous-espace vectoriel de
E, appelé le sous-espace propre de E associé à λ.
Remarque. Il est important de noter que Eλ = ker ( f − λId E ).

L.
Exemple
Soit f : R3 −→ R3 défini par f (x, y, z) = (y + z, −x + y − z, x + y + 3z). On a vu que 0 et 2
sont des valeurs propres de f . En outre

n o n o
E0 = (x, y, z) ∈ R3 | f (x, y, z) = 0(x, y, z) = (0, 0, 0) = Vect (2, 1, −1) .
n o n o
E2 = (x, y, z) ∈ R3 | f (x, y, z) = 2(x, y, z) = Vect (0, 1, −1) .
3.2. SOUS-ESPACE PROPRE 31
Définition 3.5 Soit A ∈ Mn (K). Si λ ∈ K est une valeur propre de A alors
Eλ = {X ∈ M(n,1) (K)/AX = λX} est un sous-espace vectoriel de M(n,1) (K) appelé le sous-
espace propre de M(n,1) (K) associé à la valeur propre λ.
te
Exemple
 
1 3 0
Pour A =  0 1 0  on a 1 et 2 sont des valeurs propres de A.
0 0 2
 
n o 1
E1 = X ∈ M(3,1) (R)/AX = X = Vec t  0  .
0
hti
 
n o 0
E2 = X ∈ M(3,1) (R)/AX = 2X = Vec t  0  .
1
Remarques
1) dimK (Eλ ) ≥ 1, car Eλ contient un vecteur non nul par définition.
2) En général, un endomorphisme f (resp. une matrice A ∈ Mn (K)) peut ne pas avoir
de valeur propre dans K, et donc pas de vecteur propre dans E. Pour être convaincu, il
k
suffit de prendre A =
µ
1 −1
3 −1
¶
.
Proposition 3.2 Soit f un endomorphisme de E. Si λ1 , ..., λr sont des valeurs propres

Ou
distinctes de f et x 1 , x 2 , ..., x r sont des vecteurs propres associés respectivement aux λi ,
alors {x 1 , x 2 , ..., x r } est un système libre.
Preuve
Procédons par récurrence sur r.
Pour r = 1, on a x 1 est un vecteur propre donc x 1 6= 0 par suite {x 1 } est libre.
On suppose que le résultat est vrai pour r −1 vecteurs propres de f . Soient β1 , β2 , ..., βr ∈
K tels que
L.
β1 x 1 + β2 x 2 + ... + βr x r = 0 (1)
il s’agit de montrer que βi = 0 pour tout 1 ≤ i ≤ r.
En appliquant f à l’équation (1) et compte tenu du fait que f (x i ) = λi x i et f (0) = 0 on
obtient
β1 λ1 x 1 + β2 λ2 x 2 + ... + βr λr x r = 0 (2)
En multipliant les deux membres de l’équation (1) par λr on en déduit que
β1 λr x 1 + β2 λr x 2 + ... + βr λr x r = 0 (3)
(2)-(3) implique que
te
β1 (λ1 − λr )x 1 + β2 (λ2 − λr )x 2 + ... + βr −1 (λr −1 − λr )x r −1 = 0 (4)
En appliquant l’hypothèse de récurrence, l’équation (4) assure que
βi (λi − λr ) = 0 pour tout 1 ≤ i ≤ r − 1.
hti
Puisque λi 6= λr pour tout 1 ≤ i ≤ r − 1, il en découle que βi = 0 pour tout 1 ≤ i ≤ r − 1.
Par conséquent, l’équation (1) se réduit à βr x r = 0. Comme x r 6= 0, alors βr = 0. En
conclusion, {x 1 , x 2 , ..., x r } est un système libre.
Théorème 3.1 Soit Si λ1 , ..., λr sont r valeurs propres distinctes de f alors :
1) Chaque Eλi est stable par f , autrement dit : ∀x ∈ Eλi on a f (x) ∈ Eλi .
2) La somme Eλ1 + ... + Eλr est directe, c’est-à-dire : Eλ1 + ... + Eλr = Eλ1 ⊕ ... ⊕ Eλr .
k
Preuve
En exercice.
Ou
3.3 Le polynôme caractéristique
Soient A ∈ Mn (K) et P une matrice inversible de Mn (K). Alors
det(A − XIn ) = det(PAP −1 − XIn ) ∈ K[X].
Conséquence Soient E un K-espace vectoriel de dimension n et f ∈ End K (E). Si B1 et

L.
B2 sont deux bases de E, alors det(MB1 ( f ) − XIn ) =det(MB2 ( f ) − XIn ).
Définition 3.6 Soit A ∈ Mn (K) (resp. f ∈ End K (E)). Le polynôme caractéristique de A
(resp. de f ), est le polynôme CA (X) = d et (A − XIn ) (resp. C f (X) = CMB ( f ) (X)) où MB ( f ) est
la matrice de f dans une base quelconque B de E.

3.3. LE POLYNÔME CARACTÉRISTIQUE 33
Exemples ¯ ¯
 
0 1 1 ¯ −X 1 1 ¯
¯ = −X(2 − X)2 .
¯ ¯
1) Si A = −1 1 −1 alors CA (X) = ¯ −1 1 − X −1
  ¯
¯
1 1 3 ¯ 1 1 3−X ¯
te
2) Si A = (a i j ) est diagonale ou triangulaire alors
CA (X) = (a 11 − X)(a 22 − X)...(a nn − X).
3) Soit f ∈ EndR (R3 ) défini par f (x, y, z) = (y + z, −x + y − z, x + y + 3z).

 
0 1 1
Si B désigne la base canonique de R3 , alors MB ( f ) =  −1 1 −1 . Par suite C f (X) =
1 1 3
hti
¯ ¯
¯ −X 1 1 ¯¯
CMB ( f ) (X) = ¯ −1 1 − X −1 ¯¯ = −X(2 − X)2 .
¯
¯
¯ 1 1 3−X ¯
Proposition 3.3 Soit A ∈ Mn (K) (resp. f ∈ End K (E)). Alors λ ∈ K est une valeur propre
de A (resp. de f ) si et seulement si λ est une racine du polynôme CA (X) (resp. C f (X)).
Preuve
Soit B une base quelconque de E. On a

k
λ ∈ Sp( f ) ⇐⇒ ( f − λId E ) n’est pas injective ⇐⇒ det(MB ( f − λId E )) = 0 ⇐⇒ det(MB ( f ) −
λIn ) = 0 ⇐⇒ CA (λ) = 0.
Ou
Théorème 3.2 Soient f ∈ End K (E) et λ une valeur propre de f de multiplicité m. Alors
1 ≤ d i m K Eλ ≤ m.
Preuve
λ est une valeur propre donc Eλ 6= {0} d’où d i m K Eλ ≥ 1. On pose dimK Eλ = r et soit
{e 1 , ..., e r } une base de Eλ qu’on complète en une base B = {e 1 , ..., e r , e r +1 , ..., e n } de E où
dimK E = n. On pose M = MB ( f ), alors
λ λ−X
   
0 0
 ..   .. 
 . B   . B 
L.
   
M=
 0 λ  et M − XIn =  0
  λ−X 

   
   
0 C  0 C − XIn−r
   
  
par conséquent C f (X) = d et (M − XIn ) = (λ − X)r d et (C − XIn−r ). Or λ est une racine de
C f (X) d’ordre m, alors r ≤ m. D’où dimK Eλ ≤ m.

3.4 Endomorphismes et matrices diagonalisables
Définition 3.7 Soit f un endomorphisme d’un K-espace vectoriel E de dimension finie
n. On dit que f est diagonalisable s’il existe une base B de E telle que MB ( f ) est diagonale
te
(donc une base B formée de vecteurs propres de f ).
Définition 3.8 Une matrice A ∈ Mn (K) est diagonalisable s’il existe une matrice P ∈
Mn (K) inversible telle que P −1 AP soit une matrice diagonale.
hti
Remarque. A ∈ Mn (K) est diagonalisable si et seulement si l’endomorphisme de K n
dont A est la matrice associée par rapport à la base canonique soit un endomorphisme
diagonalisable.
Définition 3.9 Un polynôme P(X) ∈ K[X] est dit scindé sur K s’il se décompose en produit
de polynômes de premier degré de K[X], c’est-à-dire toutes les racines de P(X) sont dans
K.
k
Proposition 3.4 Soient E un K-e.v de dimension finie et f ∈ End K (E). Les assertions
Ou
suivantes sont équivalentes :
1) f est diagonalisable.
2) C f (X) est scindé sur K et pour tout λ ∈ Sp( f ), de multiplicité m, dimEλ = m.
3) E est somme directe des sous-espaces propres de f .
Preuve
1) =⇒ 2) Soit B une base de vecteurs propres de f . Alors MB ( f ) est une matrice diago-
nale, dont les coefficients de la diagonale sont les valeurs propres de f . Notons λ1 , ..., λp
ces valeurs propres. Pour 1 ≤ i ≤ p, notons m i le nombre de fois que λi apparaît dans
L.
la diagonale de MB ( f ). Alors
p
C f (X) = (−1)n (X − λi )mi .
Y
i =1
Il existe m i vecteurs de la base B vérifiant f (x) = λi x, c’est-à-dire, m i vecteurs linéaire-
ment indépendants dans Eλi . Par suite, m i ≤ dimEλi et comme dimEλi ≤ m i , d’après
3.4. ENDOMORPHISMES ET MATRICES DIAGONALISABLES 35
le Théorème 2, on en déduit alors que dimEλi = m i .
2) =⇒ 3) Supposons que
p
C f (X) = (−1)n (X − λi )mi avec λi 6= λ j pour i 6= j.
Y
i =1
D’après le Théorème 1.1 , les sous-espaces propres sont en somme directe. Soit F le
te
p
sous-espace de E défini par F = ⊕i =1 Eλi . On a
p
X p
X
dimF = dimEλi = m i = degC f (X) = dimE
i =1 i =1
Par suite E = F.
3) =⇒ 1) Pour tout 1 ≤ i ≤ p désignons par Bi une base de Eλi . Puisque E est somme
hti
directe des Eλi , alors B = B1 ∪ B2 ∪ ... ∪ Bp est une base de E. Comme B est une base de
vecteurs propres, il en résulte alors que f est diagonalisable.
Corollaire 3.1 Soit f ∈ End K (E) (resp. A ∈ Mn (K)). Si C f (X) (resp. CA (X)) est scindé sur
K et a toutes ses racines simples alors f (resp. A) est diagonalisable. En effet, dans ce cas
dimK Eλ = 1 pour toute valeur propre λ de f (resp. A).

k
Exemple
 
−1 1 1
Soit f ∈ End R (R3 ) telle que MB ( f ) =  1 −1 1  où B désigne la base canonique
Ou
1 1 −1
de R . f est-t-il diagonalisable?
3
¯ ¯
¯ −1 − X 1 1 ¯
¯ = (1 − X)(2 + X)2 .
¯ ¯
C f (X) = CA (X) = ¯
¯ 1 −1 − X 1 ¯
¯ 1 1 −1 − X ¯
1 est une racine simple de C f (X) donc dimR E1 = 1. Or −2 est une racine double de
C f (X), il en résulte alors que f est diagonalisable si et seulement si dimR E−2 = 2.
X = (x, y, z) ∈ E−2 ⇐⇒ f (X) = −2X ⇐⇒ x + y + z = 0. Par conséquent {(1, 0, −1), (0, 1, −1)}
est une base de E−2 et f est alors diagonalisable.
Cherchons une base C de R3 telle que MC ( f ) est diagonalisable?

L.
X = (x, y, z) est un vecteur propre associé à la valeur propre 1 ssi x = y = z. Donc
X = x(1, 1, 1) et {(1, 1, 1)} est une base de E1 .
Si on pose C = {(1, 1, 1), (1, 0, −1), (0, 1, −1)}, alors C est une famille libre et puisque
 
1 0 0
card(C)=3 =dimR R3 donc C est une base de R3 . En outre MC ( f ) =  0 −2 0  .
0 0 −2
Exercice 2
 
−4 0 2
Montrer que la matrice A =  0 1 0  n’est pas diagonalisable.
5 1 3
te
3.5 Endomorphismes et matrices trigonalisables
Définition 3.10 Soient E un K-espace vectoriel de dimension finie et f ∈ End K (E). On
dira que f est trigonalisable s’il existe une base B de E telle que MB ( f ) soit triangulaire
hti
supérieure.
Définition 3.11 A ∈ Mn (K) est trigonalisable s’il existe une matrice inversible P ∈ Mn (K)
telle que P −1 AP soit triangulaire supérieure.
Remarque. Soient f ∈ End K (E) et A = MB ( f ) pour une base quelconque B de E. Alors

k
f est trigonalisable si et seulement si A est trigonalisable.
Théorème 3.3 Soit f ∈ End K (E) (resp. A ∈ Mn (K)). Alors f (resp. A) est trigonalisable si
Ou
et seulement si C f (X) (resp. CA (X)) est scindé sur K.
Preuve
=⇒ On suppose que f est trigonalisable, alors il existe une base B de E telle que
 
a 11 a 12 ... a 1n
 .. .. 
 0 a 22 . . 
MB ( f ) = 
 .. .. ..
.

 . . . a n−1n 
0 ... 0 a nn
Qn
Par suite, C f (X) = i =1 (a i i − X).
L.
⇐= On procède par récurrence sur la dimension n de E. Sur un espace de dimension
1, c’est évident. On suppose le résultat vrai pour tout espace vectoriel de dimension
n − 1.
Soit f un endomorphisme d’un espace E de dimension n, dont le polynôme carac-
téristique C f (X) est scindé sur K. Le polynôme admet donc au moins une racine λ1 ∈ K
3.5. ENDOMORPHISMES ET MATRICES TRIGONALISABLES 37
et il existe au moins un vecteur propre e 1 associé. On complète e 1 en une base B =
(e 1 , ..., e n ) de E. On a
λ1 a 12
 
. . . a 1n

 0 a 22 . . . a 2n 

. . . . . .
 
MB ( f ) = 
 
te
. . . . . .

 
 
 . . . . . . 
0 a n2 . . . a nn
On pose  
a 22 . . . a 2n

 . . . . . 

A= . . . . .  ∈ Mn−1 (K).
 
hti
. . . . .
 
 
a n2 . . . a nn
On a C f (X) = (λ1 −X)d et (A−XIn−1 ) = (λ1 −X)CA (X) et C f (X) est scindé. Par suite, CA (X)
est scindé sur K et par hypothèse de récurrence, A est trigonalisable. Il existe donc
une matrice inversible P ∈ Mn−1 (K) telle que T = P −1 AP soit triangulaire supérieure.
Considérons la matrice suivante de Mn (K) :

 
1 0 ... 0
k 0

P =


0
..
. P




0
Ou
On vérifie que son inverse est
 
1 0 ... 0
0−1
 0 
P = .
 
.. −1
 . P 
0
En multipliant par blocs, on a :
λ1 x 1 λ1 x 1 . . . x n−1
   
... x n−1
0−1 0
 0   0 
P MB ( f )P =  =
   
.. ..
P −1 AP

 .   . T 
L.
0 0
Par suite, f est trigonalisable.
Exemple
 
−3 −3 2
Soit A =  1 1 −2  . Comme CA (X) = −(X + 2)3 , alors −2 est une racine d’ordre 3
2 4 −4
de CA (X). Soit f : R3 7−→ R3 telle que MB ( f ) = A, c’est-à-dire
f (x, y, z) = (−3x − 3y + 2z, x + y − 2z, 2x + 4y − 2z).
X = (x, y, z) ∈ E−2 ⇐⇒ y = −x et z = y. Donc X = (−y, y, y) = y(−1, 1, 1). Si on pose
te
v 1 = (−1, 1, 1), alors {v 1 } est une base de E−2 . Puisque dimR E−2 = 1, il en résulte alors
que A n’est pas diagonalisable. Or CA (X) est scindé sur R, on en déduit que A est trigo-
 
−2 a b
nalisable. Cherchons une base C de R3 telle que MC ( f ) =  0 −2 c ? On prend
0 0 −2
C = {v 1 , v 2 , v 3 }. Comme f (v 2 ) = av 1 − 2v 2 alors ( f + 2Id R3 )(v 2 ) = v 1 et ( f + 2Id R3 )(v 3 ) =
hti
bv 1 + c v 2 de sorte que v 2 ∈ Im( f + 2Id R3 ). Un simple calcul montre que Im( f + 2Id R3 ) =
Vect {(1, −1, 0), (0, 0, 1)} et on peut donc prendre v 2 = (1, −1, 0). Or f (v 2 ) = −2v 1 − 2v 2 ,
donc a = −2.
α + 3β − 2γ
½
= b-c
On pose v 3 = (α, β, γ), alors f (v 3 ) = bv 1 + c v 2 − 2v 3 =⇒ =⇒ α +
2α + 4β − 2γ = b
β = c. Si on prend β = 0, c = 1, alors α = 1 et b = 2−2γ. Pour γ = 1 on obtient b = 0. D’où
v 3 = (1, 0, 1) et f (v 3 ) = v 2 − 2v 3 . Comme det(v 1 , v 2 , v 3 ) 6= 0, alors C = {v 1 , v 2 , v 3 } est une

   
−2 −2 0 −1 1 1
k
base de R3 telle que MC ( f ) =  0 −2 1  . De plus si P = PBC =  1 −1 0 ,
0 0 −2 1 0 1
alors MC ( f ) = P −1 AP.
Ou
3.6 Polynôme minimal
Soit f un endomorphisme d’un K-espace vectoriel E de dimension n. On défini les

½ 0
f = IdE , f 2 = f ◦ f
puissances de f par :
f m+1 = f m ◦ f .
A chaque polynôme P(X) = a 0 + a 1 X + ... + a m X m ∈ K[X], on peut associer le polynôme
d’endomorphisme P( f ) = a 0 Id E + a 1 f + ... + a m f m . De plus, si dans une base B de E on
a MB ( f ) = A, alors MB (P( f )) = a 0 In + a 1 A + a 2 A2 + ... + a m Am .

L.
Définition 3.12 On appelle polynôme annulateur de f tout polynôme Q(X) ∈ K[X] tel
que Q( f ) = 0 (où 0 est l’endomorphisme nul de E).
Notations
Si f est un endomorphisme de E et A ∈ Mn (K), alors

3.6. POLYNÔME MINIMAL 39
n o
¦ Ann( f ) = Q(X) ∈ K[X] / Q( f ) = 0
n o
¦ Ann(A) = Q(X) ∈ K[X]/Q(A) = 0n 0n est la matrice nulle.
Remarque
te
Ann( f ) n’est pas vide. En effet, si dimK E = n alors dimK EndK (E) = n 2 . Donc les n 2 + 1
2
endomorphismes IdE , f , f 2 , ..., f n sont nécessairement liés. Dès lors, il existe n 2 + 1
2
scalaires a 0 , a 1 , ..., a n 2 non tous nuls tels que a 0 IdE + a 1 f + a 2 f 2 + ... + a n 2 f n = 0 en-
2
domorphisme nul de E. On pose Q(X) = a 0 + a 1 X + a 2 X 2 + ... + a n 2 X n ∈ K[X]. On a
hti
do Q(X) ≤ n 2 et Q( f ) = 0. Par conséquent, Q(X) ∈ Ann( f ).
Théorème 3.4 Soit f ∈ End K (E) (resp. A ∈ Mn (K)). Alors il existe un unique polynôme
unitaire m f (X) (resp. m A (X)) ∈ K[X] de degré minimal appartenant à Ann( f ) (resp.
Ann(A)) tel que tout polynôme annulateur de f (resp. de A) est multiple de m f (X) (resp.
m A (X)). Autrement dit, si P(X) ∈ K[X] est tel que P( f ) = 0 (resp. P(A) = 0) alors ∃D(X) ∈
K[X] tel que P(X) = D(X)m f (X) (resp. P(X) = D(X)m A (X)).
k
m f (X) (resp. m A (X)) est appelé le polynôme minimal de f (resp. de A).
Théorème 3.5 (Théorème de Cayley-Hamilton) Soit f ∈ End K (E) (resp. A ∈ Mn (K)).

Ou
Alors C f ( f ) = 0 (resp. CA (A) = 0). Autrement dit, m f (X) divise C f (X) et m A (X) divise
CA (X).
Corollaire 3.2 Soient E un K-e.v de dimension finie et f ∈ End K (E). Alors m f (X) et C f (X)
ont les mêmes racines dans K.
Preuve
Comme m f (X) divie C f (X), alors toute racine de m f (X) est racine de C f (X). Récipro-
quement, soit λ une racine de C f (X). Alors λ est une valeur propre de f , donc il existe
L.
0 6= x ∈ E tel que f (x) = λx. On suppose que le polynôme minimal de f s’écrit m f (X) =
X n +a n−1 X n−1 +...+a 1 X+a 0 , puisque m f ( f ) = 0 alors 0 = f n +a n−1 f n−1 +...+a 1 f +a 0 Id E .
Par suite
0 = m f ( f )(x) = f n (x) + a n−1 f n−1 (x) + ... + a 1 f (x) + a 0 x.

Comme f (x) = λx, alors f i (x) = λi x pour tout 1 ≤ i ≤ n, de sorte que
0 = λn x + a n−1 λn−1 x + ... + a 1 λx + a 0 x = (λn + a n−1 λn−1 + ... + a 1 λ + a 0 )x.
Or 0 6= x, il s’en suit alors que λn + a n−1 λn−1 + ... + a 1 λ + a 0 = 0.
te
D’où m f (λ) = 0 ce qui entraîne que λ est une racine de m f (X).
Théorème 3.6 Soit f ∈ End K (E). Si C f (X) = (−1)s (X − α1 )n1 ...(X − αr )nr alors m f (X) =
(X − α1 )m1 ...(X − αr )mr avec 1 ≤ m i ≤ n i pour 1 ≤ i ≤ r.
hti
Exemples
 
4 1 −1
1) Soit f ∈ End R (R3 ) de matrice A =  −6 −1 2  dans la base canonique de R3 .
2 1 1
2 2
Comme C f (X) = (2 − X)(X − 1) = −(X − 2)(X − 1) , il en résulte que
m f (X) = (X − 2)(X − 1) ou m f (X) = (X − 2)(X − 1)2 .
Or (A − 2I3 )(A − I3 ) 6= 0, alors m f (X) = (X − 2)(X − 1)2 = X 3 − 4X 2 + 5X − 2.

 
−1 1 1
k
2) Soit A =  1 −1 1  . On a CA (X) = (1 − X)(2 + X)2 = −(X − 1)(X + 2)2 . Donc
1 1 −1
m A (X) = (X − 1)(X + 2) ou m A (X) = (X − 1)(X + 2)2 . Comme
Ou
    
−2 1 1 1 1 1 0 0 0
(A − I3 )(A + 2I3 ) =  1 −2 1   1 1 1  =  0 0 0  ,
1 1 −2 1 1 1 0 0 0
il en résulte que m A (X) = (X − 1)(X + 2).
Théorème 3.7 Soit f ∈ End K (E) (resp. A ∈ Mn (K)). Alors f (resp. A) est diagonalisable
si et seulement si les racines de m f (X) (resp. de m A (X)) sont simples et appartiennent
toutes à K.
L.
Applications
 
−1 1 1
1) Soit A =  1 −1 1  . Puisque m A (X) = (X−1)(X+2) à toutes ses racines simples
1 1 −1
dans R alors A est diagonalisable. D’ailleurs c’est déjà vu.
te
 
−3 −3 2
2) Soit A =  1 1 −2  . Comme CA (X) = −(X + 2)3 , nécessairement A n’est pas
2 4 −4
diagonalisable. Sinon, d’après le Théorème précédent m A (X) = X +2 et alors A+2I3 = 0
de sorte que A = −2I3 ce qui est impossible. (On a déjà vu que A n’est pas diagonalis-
hti
able).
3) Calculde l’inverse d’une

 matrice inversible.
4 1 −1
Soit A =  −6 −1 2  . Comme detA = 2 donc A−1 existe.
2 1 1
Or CA (X) = (2−X)(1−X)2 = −X 3 +4X 2 −5X+2, le Théorème de Cayley-Hamilton entraîne
que CA (A) = 0 et alors −A3 + 4A2 − 5A + 2I3 = 0. Par suite 2I3 = A3 − 4A2 + 5A de sorte que
1 2
2
k
(A − 4A + 5I3 )A = I3 . Par conséquent

8 2 −3

A−1 = 12 (A2 − 4A + 5I3 ). Or A2 =  −14 −3 6  , alors

4 2 1
Ou
 
−3 −2 1
1
A−1 =  10 6 −2 
2
−4 −2 2
4) Calcul de An .  
4 1 −1
On se propose de calculer An (n ≥ 3) pour la matrice A =  −6 −1 2  .
2 1 1
n n 2
La division euclidiènne de X par CA (X) =⇒ X = CA (X)Q(X) + (aX + bX + c). Comme 1
0
est une racine double de CA (X), alors CA (1) = 0 = CA (1). D’où
½
1 = a +b +c
n = 2a + b
L.
Puisque CA (2) = 0 alors 2n = 4a + 2b + c et un simple calcul conduit à

 n
 a = 2 −n −1
b = −2n+1 + 3n + 2
c = 2n − 2n

Le Théorème de Cayley-Hamilton entraîne que pour n ≥ 3 on a
An = (2n − n − 1)A2 + (−2n+1 + 3n + 2)A + (2n − 2n)I3 (?)

On vérifie aisément que la formule (?) est encore vraie pour n = 0, 1, 2. D’où
An = (2n − n − 1)A2 + (−2n+1 + 3n + 2)A + (2n − 2n)I3 ∀n ∈ N
En conclusion
te
2n + 2n −2n + 1
 
n
An =  −2n+1 − 4n + 2 −2n + 1 2n+1 − 2  ∀n ∈ N.
2n n 1
Exercice 1
hti
 
−1 −2 4
Soient B une base de R3 et f l’endomorphisme de R3 tel que MB ( f ) = −2 1 2 .
−3 −2 6
1) Déterminer le polynôme caractéristique de f .
2) Déterminer les valeurs propres de f et les sous-espaces propres correspondants.
3) Montrer que f est diagonalisable.
4) Déterminer une base B0 dans laquelle la matrice de f est diagonale.
5) Ecrire la matrice de passage P de la base B à B0 . Calculer (MB ( f ))n pour tout n > 1.
k
Exercice 2
Soit f l’endomorphisme de R3 dont la matrice ralivement à la base canonique de R3

Ou
 
1 0 0
est A = 1 1 1 .
1 0 2
1) Déterminer le polynôme caractéristique de f .
2) Déterminer les valeurs propres de f et les sous-espaces propres correspondants.
3) Montrer que f est diagonalisable. En déduire le polynôme minimal de f .
4) Déterminer une base C dans laquelle la matrice de f est diagonale.
Exercice 3
L.
 
9 0 0
Soit A = −5 4 0 .
−8 0 1
1) Déterminer le polynôme caractéristique de A. Quelles sont les valeurs propres de A?
2) A est-elle diagonalisable ? Déterminer les sous-espaces propres de A.
3) Déterminer une base de R3 formée de vecteurs propres de A.

4) Calculer An pour tout entier naturel n.
Exercice 4
Soit f l’endomorphisme de R3 dont la matrice relativement à la base canonique de R3
te
 
−1 1 −1
est A = −1 1 1  .
−2 2 0
1) Quelles sont les valeurs propres de f ?
2) Existe-t-il une base de R3 relativement à laquelle la matrice de f est diagonale ? Si
oui, donner une telle base.
hti
Exercice 5
Soit E = R2 [X]. On pose pour tout P ∈ E, f (P) = (2X + 1)P − (X 2 − 1)P 0 .
1) Vérifier que f est un endomorphisme de E.
2) Ecrire la matrice MB ( f ) où B = (1, X, X 2 ). Trouver les valeurs propres de f .

k
3) Déterminer les sous-espaces propres associés aux valeurs propres.

Ou
Exercice 6
Montrer que les matrices suivantes sont diagonalisables et les diagonaliser (pour a ∈
R): 
2 0 1
 
0 1 0
 
−1 a a 2
 
0 −1 1

A =  1 1 1  , B = 1 0 1 , C =  0 0 −a  , D = −a − 1 a a + 1 .
−2 2 −1 0 1 0 0 0 1 −a a a +1
Exercice 7
Soit E un R-espace vectoriel de dimension finie et soit f un endomorphisme de E. On

L.
rappelle les définitions suivantes :
- f est un projecteur de E si et seulement si f ◦ f = f .
- f est une symétrie de E si et seulement si f ◦ f = Id E .
1) Montrer que tout projecteur de E est diagonalisale.
2) Montrer que toute symétrie de E est diagonalisale.

Exercice 8
Trigonaliser les matrices suivantes dans M3 (R) :

     
5 −17 25 −2 2 1 2 0 1
te
A = 2 −9 16 , B = −1 1 −1 , C =  1 1 0 .
1 −5 9 −1 2 −2 −1 1 3
Exercice 9
Calculer le polynôme minimal pour les matrices suivantes :
hti
     
−1 0 0 0 0 −1 8 −1 −5
A =  2 −1 4  , B =  1 −1 −1  , C =  −2 3 1 .
1 0 3 0 1 2 4 −1 −1
Exercice 10
 
m 1 1
On considère la matrice suivante A =  1 m 1  o ù m est un paramètre réel.
1 1 m
1) Déterminer les valeurs de m pour lesquelles A est inversible.
k
2) Déterminer le polynôme caractéristique de A. En déduire que A est diagonalisable,
et donner son polynôme minimal.
3) Quelle est la matrice inverse de A lorsqu’elle existe ?

Ou
4) Montrer que pour tout n ∈ N∗ , on a An = αn A+βn I3 . Calculer αn et βn en fonction de
n et donner l’expression de An en fonction de n.
Exercice 11
Dans R4 muni de sa base canonique, soit f l’endomorphisme ayant pour matrice :

 
4 −1 −1 −2
 2 1 −1 −2 
 
Mf =  .
 0 1 3 0 
−2 1 1 4
L.
1) Calculer les valeurs propres de f .
2) Calculer le polynôme minimal CM f .
3) Soit n ≥ 3. En effectuant la division euclidienne de X n par CM f calculer f n en fonc-
tion de n, f 0 = Id , f et f 2 .
C HAPITRE 4
te
F ORMES BILINÉAIRES ET FORMES
QUADRATIQUES
hti
4.1 Formes bilinéaires
Soient E et F deux espaces vectoriels sur un corps K.
Définition 4.1 Une forme bilinéaire de E ×F est une application b : E ×F −→ K vérifiant
les propriétés suivantes :
1) b(x + x 0 , y) = b(x, y) + b(x 0 , y).

k
2) b(x, y + y 0 ) = b(x, y) + b(x, y 0 ).
3) b(αx, y) = αb(x, y) = b(x, αy).

Ou
∀ x, x 0 ∈ E, y, y 0 ∈ F et ∀ α ∈ K.
Bi l (E, F) désigne l’ensemble des formes bilinéaires sur E × F et Bi l (E, E) = Bi l (E).
Remarque. b : E × F −→ K est une forme bilinéaire ssi ∀x ∈ E et ∀y ∈ F
b(x, .) : F −→ K et b(., y) : E −→ K
z 7−→ b(x, z) u 7−→ b(u, y)
sont des applications linéaires.

L.
Exemples
1) b : R2 × R2 −→ R définie par b((x 1 , x 2 ), (y 1 , y 2 ) = x 1 y 1 + x 2 y 2 est une forme bilinéaire.
2) Soient f et g deux formes linéaires sur E. L’application Φ définie sur E×E par Φ(x, y) =
f (x)g (y) est une forme bilinéaire sur E.
45
46 CHAPITRE 4. FORMES BILINÉAIRES ET FORMES QUADRATIQUES
Soient f , g ∈ Bi l (E, F) et α ∈ K ∗ . Les applications f + g et α f définies de E × F −→ K
par
( f + g )(x, y) = f (x, y) + g (x, y), (α f )(x, y) = α f (x, y)
te
sont des formes bilinéaires. Plus précisement, on montre que (Bi l (E, F), +, .) est un K-
e.v.
© ª
Théorème 4.1 Soient E et F deux K-e.v de bases respectives BE = e 1 , ..., e m et
hti
© ª
BF = u 1 , ..., u n . Alors l’application
Φ : Bi l (E, F) −→ Mmn (K)

³ ´
b 7−→ Φ(b) = b(e i , u j )
i,j
est un isomorphisme d’espaces vectoriels. En particulier, dim Bi l (E, F) = mn.
Preuve
k
Soient x =
Pm
i =1 x i e i ∈ E et y =
Pn
j =1 y j u j ∈ F, on a b(x, y) =
P
i,j x i y j b(e i , u j ).
Φ est une application linéaire injective. Il reste donc à montrer que Φ est surjective.
Ou
Soit A = (a i j ) ∈ Mmn (K), considérons l’application b A : E × F −→ K défine par :
m
X n
X X
bA( xi e i , yjuj) = xi y j ai j .
i =1 j =1 i,j
Alors b A est bien une forme bilinéaire sur E × F telle que Φ(b A ) = A; ce qui assure que Φ
est surjective et par suite un isomorphisme d’espaces vectoriels.
Corollaire 4.1 Si E est un K-espace vectoriel de dimensions n alors dimBi l (E) = n 2 .
(Bi l (E) est isomorphe à Mn (K)).

L.
4.2 Matrice d’une forme bilinéaire et changement de bases
© ª © ª
Soient E, F deux K-espaces vectoriels de bases respectives BE = e 1 , ..., e m et BF = u 1 , ..., u n
et soit b ∈ Bi l (E, F).

4.2. MATRICE D’UNE FORME BILINÉAIRE ET CHANGEMENT DE BASES 47
Pm Pn P
Pour tout x = i =1 x i e i ∈ E, y = j =1 y j u j on a b(x, y) = i,j x i y j b(e i , u j ).
Posons
     
x1 y1 n
z1
 .  ..  X .. 
X =  ..  , Y =  , z = y j b(e i , u j ), Z =  .  et A = (b(e i , u j ))i , j .
 
.  i
j =1
xm yn zn
te
On a Z = AY. En outre,
m n m
x i z i = t XAY
X X X
b(x, y) = xi ( y j b(e i , u j )) =
i =1 j =1 i =1
On en déduit alors que b(x, y) = t XAY.
hti
Définition 4.2 La matrice (b(e i , u j ))i , j est appelée matrice de b relativement aux bases
BE et BF . On la note (b(e i , u j ))i , j = M(b, BE , BF ).
Si b ∈ Bi l (E), alors la matrice de b par rapport à une base B est M(b, B, B) = M(b, B).
Exemple
Soit b ∈ Bi l (R3 ) définie par b((x 1 , x 2 , x 3 ), (y 1 , y 2 , y 3 )) = x 1 y 1 + 2x 1 y 2 − 3x 1 y 3 − x 3 y 2 .

 
1 2 −3
k
La matrice de b relative à la base canonique B de R3 est M(b, B) =  0 0
0 −1 0
0 .
Proposition 4.1 Soient E et F deux K-espaces vectoriels de dimensions finies, B1 et B01

Ou
deux bases de E et B2 et B02 deux bases de F. Si b ∈ Bi l (E, F), alors
M(b, B01 , B02 ) = t PM(b, B1 , B2 )Q
où P est la matrice de passage de B1 à B01 et Q est la matrice de passage de B2 à B02 .
Preuve
Soient x ∈ E et y ∈ F. On pose
x 10 y 10
       
x1 y1
 .  ..  ..  .. 
X B1 =  ..  , X B0 =  .  , YB2 =  .  , YB02 = 
  
1 . 
0
xm xm yn y n0
L.
x i (resp. x i0 ) les coordonnées de x dans la base B1 (resp. B01 ).
y i (resp. y i0 ) les coordonnées de y dans la base B2 (resp. B02 ).
Alors X B1 = PX B0 et YB2 = QYB0 . D’autre part on a

1 2
b(x, y) = t X B1 AYB2 = t X B0 A0 YB0 où A = M(b, B1 , B2 ) et A0 = M(b, B01 , B02 )

1 2
On a alors
t
(PX B0 )AQYB0 = t X B0 A0 YB0
1 2 1 2
Par suite
t
X B0 ( t PAQ)YB0 = t X B0 A0 YB0
te
1 2 1 2
de sorte que
t
PAQ = A0 .
Autrement dit, M(b, B01 , B02 ) = t PM(b, B1 , B2 )Q.
hti
Corollaire 4.2 Soit b une forme bilinéaire sur un K-e.v. E de dimension finie. Si B et B0
sont deux bases de E, alors M(b, B0 ) = t PAP où P = PBB0 .
Définition 4.3 Soient E un K-espace vectoriel de dimension finie et b ∈ Bi l K (E). On ap-
pelle rang de b, noté r g (b), le rang de M(b, B) où B est une base quelconque de E.
4.3 Formes bilinéaires symétriques et formes quadratiques

k
Définition 4.4 Une forme bilnéaire b sur un K-espace vectoriel E est dite symétrique si
b(x, y) = b(y, x) pour tout x, y ∈ E.

Ou
L’ensemble des formes bilnéaires symétriques sur E, noté S 2 (E), est un espace vectoriel.
Exemples
1) Soient E un K-e.v et B = {e 1 , ..., e n } une base de E, alors b( ni=1 x i e i , nj=1 y j e j ) =

P P
P
i =1 x i y i est une forme bilinéaire symétrique.
2) Si E = C (I, R), alors b( f , g ) = f (x)g (x)d x est une forme bilinéaire symétrique sur
R
I
E.
Proposition 4.2 Soient E un K-e.v de dimension n et B une base de E. L’application

L.
Φ : S 2 (E) −→ Mns (K)
b 7−→ M(b, B)
est un isomorphisme d’espaces vectoriels, où Mns (K) désigne l’ensemble des matrices car-
rées symétriques d’ordre n à coefficients dans K.

4.3. FORMES BILINÉAIRES SYMÉTRIQUES ET FORMES QUADRATIQUES 49
Preuve
Soit B = {e 1 , ..., e n } une base de E. Si b ∈ S 2 (E) alors b(e i , e j ) = b(e j , e i ) pour tout 1 ≤
i , j ≤ n et M(b, B) = (b(e i , e j ))i , j . Donc M(b, B) est une matrice symétrique, ainsi Φ est
te
bien définie.
Φ est clairement linéaire injective. De plus, si M = (a i j ) ∈ Mns (K) alors a i j = a j i de plus
n
X n
X X X n
X n
X
b( xi e i , yjej) = ai j xi y j = a i j y j x i = b( yjej, xi e i )
i =1 j =1 ij ij j =1 i =1
hti
de sorte que b ∈ S 2 (E).
Corollaire 4.3 Soit E un K-e.v de dimension n. dimS 2 (E) = n(n+1)

2 .
Preuve
Puisque d i m Mns (K) = n(n+1)

2 , la proposition précédente assure que dimS 2 (E) = n(n+1)
2 .
Définition 4.5 Si b ∈ S 2 (E) alors Ker g (b) = {x ∈ E|b(x, .) = 0} = {x ∈ E|b(x, y) = 0 ∀y ∈ E}

k
est un sous-espaces vectoriel de E appelé noyau de b.
La forme bilinéaire b est dite non dégénérée si Ker g (b) = {0E }. Elle est dégénérée dans le
Ou
cas contraire.
Remarque b est non dégénérée si et seulement si r g (b) = d i m E.
Définition 4.6 Une forme quadratique q sur E est une application q : E −→ K vérifiant
les deux conditions suivantes :
1) ∀x ∈ E, ∀α ∈ K, q(αx) = α2 q(x)
2) L’application (x, y) 7−→ 12 (q(x + y) − q(x) − q(y)) est une forme bilinéaire symétrique
sur E.
L.
Q(E) désigne l’ensemble des formes quadratiques sur E.
Exemples.
1) q(x 1 , x 2 , x 3 ) = x 12 + 2x 1 x 2 − 3x 1 x 3 est une forme quadratique sur R3 .
2) q(x 1 , x 2 , x 3 ) = x 12 + 2x 1 x 2 − 3x 3 n’est pas une forme quadratique sur R3 .

Proposition 4.3 (Q(E), +, .) est un K-espace vectoriel.
Si b : E × E −→ K est une forme bilinéaire, alors q b : E −→ K définie par q b (x) = b(x, x)
est une forme quadratique sur E.
te
Réciproquement, si q est une forme quadratique sur E alors b q : E×E −→ K définie par:
b q (x, y) = 21 (q(x + y) − q(x) − q(y)) est une forme bilinéaire symétrique.
Proposition 4.4
L’application S 2 (E) −→ Q(E) est un isomorphisme d’espaces vectoriels
hti
b 7−→ q b
d’application réciproque Q(E) −→ S 2 (E)
q 7−→ b q
Définition 4.7 Soit q une forme quadratique. L’unique forme bilinéaire symétrique b
telle que b(x, x) = q(x) pour tout x ∈ E s’appelle la forme polaire associée à q.
k
Soient q ∈ Q(E) et b sa forme polaire de q. Si B = {e 1 , ..., e n } est une base de E, alors
Ou
M(b, B) est appelée matrice de q par rapport à B et est notée M(q, B).
Si M(q, B) = (a i j )i , j et x = x 1 e 1 + ... + x n e n alors

 
x1
 . 
q(x) = t XM(q, B)X où X =  ..  .
xn
Par conséquent
n
a i i x i2 + 2
X X
q(x) = ai j xi y j
i =1 1≤i < j ≤n
On pose r g (q) := r g (b) où b désigne la forme polaire de q.

L.
Exemples
1) La matrice de q(x 1 , x 2 , x 3 ) = x 12 + 2x 1 x 2 − 3x 1 x 3 dans la base canonique B de R3 est
1 1 −3
 
2
M(q, B) =  1 0 0  .
−3
2
0 0
4.3. FORMES BILINÉAIRES SYMÉTRIQUES ET FORMES QUADRATIQUES 51
2) La matrice de q((x, y)) = x 2 + 2y 2 + 5x y dans la base canonique B de R2 est
1 52
µ ¶
M(q, B) = 5 .
2
2
La forme polaire de q est b((x 1 , x 2 ), (y 1 , y 2 )) = x 1 y 1 + 2x 2 y 2 + 52 x 1 y 2 + 52 x 2 y 1 .
te
Remarque Si B et B0 sont deux bases de E et P = PBB0 , alors M(q, B0 ) = t PM(q, B)P.
Définition 4.8 Soient q ∈ Q(E), b sa forme polaire et A un sous-ensemble de E. L’orthogonal
de A (par rapport à q), noté A⊥ , est
hti
A⊥ = {x ∈ E| b(x, y) = 0 ∀y ∈ A}.
A⊥ est un sous-espace vectoriel de E.
Exemple
Soit b la forme bilinéaire définie sur R2 par b((x 1 , x 2 ), (y 1 , y 2 )) = x 1 y 1 + x 2 y 2 . Si on pose
A = {(x, −x)|x ∈ R} = vec t {(1, −1)}, alors

k A⊥ = {(x, y) ∈ R2 | b((x, y), u) = 0 ∀u ∈ A} = {(x, y) ∈ R2 | b((x, y), (1, −1)) = 0}.
Comme b((x, y), (1, −1)) = x − y, il en résulte que (x, y) ∈ A⊥ si et seulement si x = y. Par
Ou
conséquent
A⊥ = {(x, x)| x ∈ R} = vec t {(1, 1)}.
Définition 4.9 Soient q ∈ Q(E) et b sa forme polaire. Alors
N(q) = {x ∈ E|b(x, y) = 0 ∀y ∈ E} = E⊥ est appelé le noyau de q.
La forme quadratique q est dite non dégénérée si N(q) = {0E }.
Proposition 4.5 Soient q une forme quadratique de E de dimension n et B une base de

L.
E. Les assertions suivantes sont équivalentes :
1) q est non dégénérée.
2) N(q) = {0}.
3) M(q, B) est inversible.
4) r g (q) = n.
4.4 Méthode de Gauss pour diagonaliser une forme quadra-

tique
La méthode de Gauss est une méthode algorithmique. On verra plus loin qu’elle per-
te
met de trouver explicitement une base de E orthogonale pour q et de déterminer la
signature de q.
Définition 4.10 Soient E un K-espace vectoriel de dimension finie de base
B = (e 1 , ..., e n ) et q une forme quadratique de forme polaire b.
hti
B est dite orthogonale pour q si b(e i , e j ) = 0 pour tout i 6= j.
B est dite orthonormale pour q si b(e i , e j ) = δi j (b(e i , e i ) = 1 et b(e i , e j ) = 0 ∀i 6= j.)
Proposition 4.6 Tout espace quadratique de dimension finie admet une base
orthogonale.
Preuve
k
Soit q une forme quadratique sur E de forme polaire b. La démonstration se fait par
récurrence sur n = d i mE. Si n = 1, toute base de E est orthogonale pour q.

Ou
Supposons que tout espace quadratique de dimension n admet une base orthogonale.
Soit E de dimension n + 1, deux cas sont possibles:
i) q est nulle, dans ce cas toute base de E est orthogonale.

© ª
ii) q 6= 0, soit e 1 , e 2 , ..., e n+1 une base de E telle que q(e 1 ) 6= 0. On pose

 u1 = e 1
u k = e k + λk e 1 pour 2 ≤ k ≤ n + 1

b(e ,u )
On cherche λk tel que u 1 soit orthogonal à u k . Il vient λk = − q(e 1 k
1)
. Il est facile de voir
© ª
L.
que u 1 , u 2 , ..., u n+1 est libre et donc une base de E.

© ª
On pose F = Vec t u 2 , ..., u n+1 , on a E = vec t (e 1 ) ⊕ F. Par hypothèse de récurrence
© ª
il existe une base v 2 , ..., v n+1 orthogonale de F pour q. Il est facile de vérifier que
© ª
u 1 , v 2 , ..., v n+1 est une base orthogonale de E.
4.4. MÉTHODE DE GAUSS POUR DIAGONALISER UNE FORME QUADRATIQUE 53
Remarque. Soient B = {e 1 , ..., e n } une base de E orthogonale pour q et λi = q(e i ) pour
1 ≤ i ≤ n. Alors
λ1
 
O
M(q, B) = 
 .. 
. 
O λn
te
Par suite, pour x = x 1 e 1 + ... + x n e n , y = y 1 e 1 + ... + y n e n ∈ E on a
n n
λi x i2 , b(x, y) = λi x i y i en outre r g (q) = c ar d 1 ≤ i ≤ n| λi 6= 0 .
X X © ª
q(x) =
i =1 i =1
Théorème 4.2 Soit E un C-espace vectoriel de dimension n muni d’une forme quadra-
hti
tique q de rang r. Il existe une base B = {e 1 , ..., e n } de E telle que
1 O
 
..
.
 
 
 
1
q(x 1 e 1 + ... + x n e n ) = x 12 + ... + x r2
 
et M(q, B) =  

 0 

 .. 
 . 
O 0
Preuve
k
D’après la proposition précédente, l’espace vectoriel E admet une base C = (u 1 , ..., u n )
orthogonale pour q. Autrement dit, b(u i , u j ) = 0 si i 6= j où b est la forme polaire de q.

Ou
Comme r = c ar d {1 ≤ i ≤ n| q(u i ) 6= 0}, on peut supposer que
 q(u i ) = λi 6= 0 pour 1 ≤ i ≤ r

q(u i ) = 0 pour r + 1 ≤ i ≤ n

Pour tout 1 ≤ i ≤ r, soit βi ∈ C tel que λi = β2i . Considérons
ui

 e i = βi 6= 0 pour 1 ≤ i ≤ r


 e = u pour r + 1 ≤ i ≤ n
i i
L.
Il s’en suit alors que B = {e 1 , ..., e n } est une base de E telle que
q(e 1 ) = ... = q(e r ) = 1, q(e i ) = 0 ∀ r + 1 ≤ i ≤ n et b(e i , e j ) = 0 ∀i 6= j.
En outre, M(q, B) = Di ag (Ir , 0) et q(x 1 e 1 + ... + x n e n ) = x 12 + ... + x r2 .

Corollaire 4.4 Soit E un C-espace vectoriel de dimension finie muni d’une forme quadra-
tique non dégénérée q. Alors E admet une base orthonormale pour q.
Preuve
te
Soient b la forme polaire associée à q et n = d i mE. On a
q est non dégénérée ⇐⇒ b est non dégénérée ⇐⇒ r g (b) = n. Alors r g (q) = n et le
théorème 4.2 assure l’existence d’une base B = {e 1 , ..., e n } de E telle que M(q, B) = In .
Par conséquent, q(e i ) = b(e i , e i ) = 1 pour tout 1 ≤ i ≤ n et b(e i , e j ) = 0 pour tout i 6= j.
Ce qui prouve que B est une base de E orthonormale pour q.
hti
Théorème 4.3 [Loi d’inertie de Silvister] Soit E un R-espace vectoriel de dimension n
muni d’une forme quadratique q de rang r. Alors, il existe une base B = (e 1 , ..., e n ) de E
telle que
q(x 1 e 1 + ... + x n e n ) = x 12 + ... + x p2 − x p+1

2
− ... − x r2
et  
1 O
k 




..
.
1





−1
 
 

M(q, B) = Di ag (Ip , −Ir −p , 0) =  .. 
.
Ou

 
−1
 
 
 
 0 
..
 
.
 
 O 
0
où p est un entier inférieur ou égal à r et ne dépend que de q.
Le couple (p, r − p) est appelé la signature de la forme quadratique q et on écrit
sign(q) = (p, r − p).
Preuve
L.
Soit C = {u 1 , ..., u n } une base de E orthogonale pour q. On suppose que


 q(u i ) = λi > 0 pour 1 ≤ i ≤ p




q(u i ) = λi < 0 pour p + 1 ≤ i ≤ r





 q(u ) = 0 pour r + 1 ≤ i ≤ n
i
On pose
u
ei = pi

pour 1 ≤ i ≤ p
λi




te



u
ei = p i pour p + 1 ≤ i ≤ r

 −λi




e i = u i pour r + 1 ≤ i ≤ n

B = {e 1 , ..., e n } est une base de E satisfaisant
hti


 q(e i ) = 1 pour 1 ≤ i ≤ p





 q(e i ) = −1 pour p + 1 ≤ i ≤ r


q(e i ) = 0 pour r + 1 ≤ i ≤ n









b(e i , e j ) = 0 pour ∀ i 6= j

où b est la forme polaire de q.

k
Supposons qu’il existe une autre base alors, il existe une base B0 = {e 10 , ..., e n0 } de E telle
que
q(x 1 e 10 + ... + x n e n0 ) = x 12 + ... + x p2 0 − x p2 0 +1 − ... − x r2

Ou
et Soit F le sous-espace vectoriel F = vec t {e 1 , ..., e p } et G0 le sous-espace vectoriel G =
vect {e p0 0 +1 , ..., e n0 }.
Pour tout x ∈ F on a q(x) ≥ 0 et pour tout x ∈ G on a q(x) ≤ 0. Il s’en suit alors que
q(x) = 0 pour tout x ∈ G ∩ F. Or si x ∈ F on a q(x) = x 12 + ... + x p2 , donc q(x) = 0 implique
x i = 0 pour tout 1 ≤ i ≤ p et par suite x = 0. Il en résulte ainsi que F ∩ G = {0} de sorte
que
d i m(F + G) = p + n − p 0 ≤ n(= d i mE).

L.
Conséquence de quoi, p ≤ p 0 . De même on montre que p 0 ≤ p, ce qui prouve que
p = p 0.
Le but du Théorème suivant est d’écrire une forme quadratique comme une somme
de carrées.
Théorème 4.4 Soient E un R-espace vectoriel de dimension n et q une forme quadra-
tique non nulle sur E. Il existe l 1 , ..., l s des formes linéaires indépendantes de E et α1 , ..., αs
te
des réels non nuls tels que s
αi l i2
X
q=
en outre on a i =1
r g (q) = s et Ker (q) = {x ∈ Rn / l 1 (x) = l 2 (x) = ... = l s (x) = 0}.
hti
Application à la détermination d’une base orthogonale
A) Soient E = R3 et q(x, y, z) = x 2 + x y + xz.
Le principe est de regrouper les termes contenant x et faire apparaître un début de
carré. Comme q(x, y, z) = x 2 + x(y + z), il s’en suit alors que

³1 1 ´ ³ 1 1 ´2 ³ 1 1 ´2
q(x, y, z) = x 2 + 2x y+ z = x+ y+ z − y+ z .
k 2 2 2 2 2 2
Par suite, la signature de la forme quadratique q est si g n(q) = (1, 1) et r g (q) = 2, ce qui
affirme que q est dégénérée.

Ou
Soit
1 1 1 1
l 1 (x, y, z) = x + y + z, l 2 (x, y, z) = y + z.
2 2 2 2
On choisit la forme linéaire l 3 telle que la famille {l 1 , l 2 , l 3 } soit une base de l’espace
dual E∗ de E. Soit
l 3 (x, y, z) = z.
Posons
 0 1 1
 x = x + 2y + 2z
L.
0 1 1
y = y + 2z
 0 2
z =z
Soit P ∈ M3 (R) telle que

x0
   
x
P  y0  =  y 
z0 z
Les vecteurs de composantes les colonnes de P forment une base orthogonale pa rap-
port à q. Compte tenu du fait que
 0 0
 x =x −y
y = 2y 0 − z 0
te
z = z0

on peut écrire
    0 
x 1 −1 0 x
 y  =  0 2 −1   y 0  .
z 0 0 1 z0
hti
Par suite, une base orthogonale par rapport à q est {v 1 , v 2 , v 3 } où
v 1 = (1, 0, 0), v 2 = (−1, 2, 0), v 3 = (0, −1, 1).
B) Soient E = R3 et q(x, y, z) = 2x 2 − y 2 − 4x y − 8y z.
³ 4 ´2 16
q(x, y, z) = 2(x − y)2 − 3 y + z + z 2 .
3 3
k
D’après le théorème 6 (Loi d’inertie de Silvister) on a la signature de q est si g n(q) =
(2, 1) et le rang de q est r g (q) = 3, ce qui prouve que q est non dégénérée.
Posons
Ou
4
l 1 (x, y, z) = x − y, l 2 (x, y, z) = y + z, l 3 (x, y, z) = z.
3
et
 0
 x =x−y
y 0 = y + 34 z
 0
z =z
{l 1 , l 2 , l 3 } est une base de l’espace dual E∗ de E.
Comme
1 1 − 43
    0 
x x
 y  =  0 1 −4  y0 ,
L.
3
z 0 0 1 z0
on en déduit qu’une base orthogonale par rapport à q est {v 1 , v 2 , v 3 } où
³ 4 4 ´
v 1 = (1, 0, 0), v 2 = (1, 1, 0), v 3 = − , − , 1 .
3 3
Définition 4.11 Soit E un R-espace vectoriel muni d’une forme quadratique q.
1) q est dite positive (resp. négative) si q(x) ≥ 0 (resp. q(x) ≤ 0) pour tout x ∈ E.
2) q est dite définie positive (resp. définie négative) si q(x) > 0 (resp. q(x) <) pour tout
x ∈ E − {0}.
te
Dans le cas où E est de dimension finie, q est définie positive entraîne que
i) q(x) = 0 ⇐⇒ x = 0.
ii) q est non dégénérée.
(En effet, b(x, y) = 0 ∀y ∈ E =⇒ b(x, x) = q(x) = 0 =⇒ x = 0)
hti
Remarque.
Soit E un R-espace vectoriel de dimension finie n et q une forme quadratique sur E de
signature (p, r − p). Alors
1) q est définie positive ⇐⇒ p = n et r = n. (si g n(q) = (n, 0)).
2) q est définie négative ⇐⇒ n = r et p = 0 (si g n(q) = (0, n)).
3) q est positive ⇐⇒ p = r (si g n(q) = (r, 0)).

k
4) q est négative ⇐⇒ p = 0 (si g n(q) = (0, r )).
Ou
Application.
Considérons la frome quadratique q : R3 −→ R par
q(x, y, z) = x 2 + y 2 + z 2 − 2x y − 2y z − 2xz.
Est ce que q est définie positive? négative?
L’écriture de q comme une somme de carrés entraîne que
q(x, y, z) = (x − y − z)2 − (y + z)2 + (y − z)2 .

L.
Par suite, le rang de q est r = 3 = d i mR3 , donc q est non dégénérée et si g n(q) = (2, 1).
Il s’en suit alors que q n’est ni définie positive ni définie négative.

4.5. ESPACES EUCLIDIENS 59
4.5 Espaces euclidiens
4.5.1 Définition et propriétés
te
Définition 4.12 Un espace euclidien est un R-espace vectoriel de dimension finie muni
d’une forme quadratique q définie positive. La forme polaire b de q est appelée produit
scalaire associé à q.
hti
Exemple
Soient E un R-espace vectoriel de dimension n et B = {e 1 , ..., e n } une base de E. On pose
q(x 1 e 1 + ... + x n e n ) = x 12 + ... + x n2 , alors q est une forme quadratique définie positive. Le
produit scalaire associé à q est défini par
b(x 1 e 1 + ... + x n e n , y 1 e 1 + ... + y n e n ) = x 1 y 1 + ... + x n y n .
D’où (E, q) est un espace euclidien.

k
Théorème 4.5 Soit (E, q) un espace euclidien. L’application
L : E −→ E∗
Ou
x 7−→ L(x) = b(x, .)
est un isomorphisme d’espaces vectoriels (b désigne le produit scalaire sur E).
Preuve
Pour tout x ∈ E, L(x) est l’application y 7−→ b(x, y), donc L(x) ∈ E∗ . La linéairité de L
découle du fait que b est une forme bilinéaire. En outre L est injective, en effet
L(x) = 0 =⇒ b(x, y) = 0 ∀y ∈ E,
L.
en particulier q(x) = b(x, x) = 0 et la non dégénéréscence de q entraîne que x = 0.
Finalement, L est injective et d i m E = d i m E∗ assure que L est bijective c’est-à-dire
que L est un isomorphisme.

Théorème 4.6 Soit (E, q) un espace euclidien. L’application N : E −→ R+ définie par

p
N(x) = q(x) est une norme sur E, c’est-à-dire :
1) N(x) = 0 ⇐⇒ x = 0 ∀x ∈ E.
2) N(λx) = |λ|N(x) ∀x ∈ E, ∀λ ∈ R.
te
3) N(x + y) ≤ N(x) + N(y) ∀x, y ∈ E.
Théorème 4.7 Soient (E, q) un espace euclidien et F un sous-espace vectoriel de E. Alors
E = F ⊕ F⊥ .
hti
Preuve
La forme quadratique q étant définie positive, il en découle que q est non dégénérée.
Par suite d i m F + d i m F⊥ = d i m E. Soit x ∈ F ∩ F⊥ , alors b(x, y) = 0 pour tout y ∈ F.
En particulier q(x) = b(x, x) = 0 de sorte que x = 0. Ainsi F ∩ F⊥ = {0}. Par conséquent
F + F⊥ = F ⊕ F⊥ . Comme F ⊕ F⊥ est un sous-espace vectoriel de E et
d i m(F ⊕ F⊥ ) = d i m F + d i m F⊥ = d i m E
k
il en résulte alors que E = F ⊕ F⊥ .
Proposition 4.7 Soit (E, q) un espace euclidien. Toute famille orthonormale {e 1 , ..., e m }
Ou
de vecteurs de E est libre.
Preuve
Soient b le produit scalaire de E et α1 , ..., αm ∈ R tels que
α1 e 1 + ... + αm e m = 0
Pour tout 1 ≤ j ≤ m on a
m m m
αi e i ) = αi b(e j , e i ) = αi δi j = α j .
X X X
0 = b(e j ,
i =1 i =1 i =1
Ce qui prouve que {e 1 , ..., e m } est une famille libre.
L.
4.5.2 Procédé d’orthonormalisation de Gram-Schmidt
Etant donné un espace euclidien (E, q). Le procédé d’orthonormalisation de Gram-
Schmidt permet de construire une base orthonormale de E à partir d’une base quel-
conque de E.
Théorème 4.8 Tout espace euclidien (E, q) admet une base orthonormale.
Preuve
Soient B = {e 1 , ..., e n } une base quelconque de E, b le produit scalaire associé à q et k.k

p
la norme de E (kxk = q(x) pour tout x ∈ E).
te
On cherche une base orthogonale {u 1 , ..., u n } sous la forme
u1 = e 1


u 2 = e 2 + α21 u 1




..



.

hti

 u i = e i + αi ,1 u 1 + ... + αi ,i −1 u i −1

 ..
.




u n = e n + αn,1 u 1 + ... + αn,n−1 u n−1

En exprimant le fait que u 2 est orthogonal à u 1 , on obtient
b(e 2 , e 1 ) b(e 2 , e 1 )
α21 = − 2
=−
ku 1 k ke 1 k2
Suppons que l’on ait déterminé u 1 , ..., u i −1 deux à deux orthogonaux. Compte tenu du
k
fait que u i est orthogonal à u 1 , ..., u i −1 on obtient
b(e i , u k ) + αi k ku k k2 = 0 ∀1 ≤ k ≤ i − 1
Ou
de sorte que
b(e i , u k )
αi k = − .
ku k k2
Par conséquent

 u1 = e 1
 u 2 = e 2 − b(e 2 ,u21 ) u 1



ku 1 k
(∗) ..


 .
u n = e n − b(e n ,u 1 )
u 1 − ... − b(e n ,u n−1 )

u n−1

ku k2 1 ku n−1 k2
L.
Comme e 1 , ..., e n est une famille génératrice, l’expression (∗) assure que u 1 , ..., u n est
une famille génératrice de E. On en déduit alors que {u 1 , ..., u n } est une base de E or-
thogonale relativement au produit scalaire b. Par conséquent,
u1 un
½ ¾
, ...,
ku 1 k ku n k
est une base orthonormale de l’espace euclidien (E, q).
Exemple
Considérons R3 muni du produit scalaire ordinaire < . > définit par
te
< (x 1 , x 2 , x 3 ), (y 1 , y 2 , y 3 ) >= x 1 y 1 + x 2 y 2 + x 3 y 3 .
Trouver une base orthonormale du sous-espace vectoriel E de R3 engendré par les
vecteurs e 1 = (1, 0, −1) et e 2 = (0, 1, −1).
On considére la famille {u 1 , u 2 } définie par
hti
u1 = e 1
½
u 2 = e 2 − <eku2 ,uk12> u 1
1
Comme
p p
< e 2 , u 1 >=< e 2 , e 1 >= 1 et ku 1 k = < e 1 , e 1 > = 2,

−1 −1
k
Puisque
u2 = (
2
, 1,
2
).
r
p 3
ku 1 k = 2, ku 2 k =
2
Ou
on en déduit alors que (µ p
¶ Ã !)
1 −1 −1 2 −1
p , 0, p , p , p , p
2 2 6 3 6
est une base orthonormale de E.
Exercice 1.
Parmi les expressions ci-dessous, déterminer celles qui définissent une forme bilinéaire
sur l’espace E indiqué :
1) b 1 (x, y) = 2x 1 y 1 − 4x 2 y 2 + 3x 1 y 2 (E = R2 ).
L.
2) b 2 (x, y) = x 1 y 1 + x 2 y 2 + x 3 y 3 (E = R3 ).
3) b 3 (x, y) = 5 (E = R2 ).
R1
4) b 4 (P, Q) = 0 P(t )Q(t )d t (E = Rn [X]).
Exercice 2.
Écrire l’expression de la forme bilinéaire associée à chacune de matrices suivantes:

 
  2 4 0 1
1 0 0
4 1 0 1
 
 0 1 1 ,  .

te
0 0 0 1

1 1 1
 
1 1 1 1
Exercice 3.
Soit f 1 et f 2 deux formes linéaires sur un K-e.v. E. Montrer que l’application définie sur
E par Q(x) = f 1 (x) f 2 (x) est une forme quadratique sur E.
hti
Exercice 4.
Soit Q l’application de M2 (R) −→ R telle que Q(M) = d et (M).
1) Montrer que Q est une forme quadratique et déterminer sa forme polaire.
2) Écrire la matrice de Q relativement à la base canonique de M2 (R).
3) Décomposer q en somme de carrés linéairement indépendants.

k
Exercice 5.
Soit q l’application de R2 [X] −→ R, définie par Q(P) = 2P(1)P 0 (1).

Ou
1) Montrer que q est une forme quadratique. Quelle est sa forme polaire?
2) Déterminer la matrice de q dans la base {1, X, X 2 }.
3) Déterminer le noyau de q. La forme q est-elle dégénérée?
Exercice 6
Dans chacun des cas suivants, montrer que d i m H+d i m H⊥ = d i m E mais E 6= H⊕H⊥ .
1) E = R2 , b((x 1 , x 2 ), (y 1 , y 2 ) = x 1 y 1 − x 2 y 2 et H = {(x 1 , x 2 ) ∈ E|x 1 = x 2 }.
2) E = R3 , b((x 1 , x 2 , x 3 ), (y 1 , y 2 , y 3 ) = x 1 y 1 − x 2 y 2 + x 3 y 3 et
L.
H = {(x 1 , x 2 , x 3 ) ∈ E| x 1 = x 2 et x 3 = 0}.
Exercice 7.
Déterminer l’ensemble des vecteurs isotropes pour la forme quadratique Q définie sur
R2 par Q(x, y) = x 2 − y 2 .
Exercice 8.  
1 1 1
Soit b la forme bilinéaire symétrique sur R3 de matrice  1 2 3  .
te
1 3 5
1) Quel est le noyau de b, le rang de b?
2) Trouvez une base de l’orthogonal pour b de F = vec t {(1, 0, 0), (1, 0, 1)}, de G = vec t {(0, 1, 0), (1, 0, 1)}.
Exercice 9.
hti
Soit q la forme quadratique sur R3 définie dans la base canonique B par
q(x, y, z) = x 2 + y 2 + z 2 − 4(x y + xz + z y).
1) Écrire la matrice M de q dans la base B et donner la forme polaire de q.
2) Décomposer q en somme de carrés linéairement indépendants.
3) Déterminer le rang et la signature de q.
4) Trouver une base de R3 orthogonale pour q et écrire la matrice de q dans cette base.
k
5) Existe-t-il dans le plan x = y un vecteur de R3 orthogonal à lui-même pour la forme
quadratique q ?
6) Montrer que 3 est une valeur propre de la matrice M de la forme quadratique q et

Ou
déterminer tous les sous-espaces propres de cette matrice.
7) Diagonaliser la matrice M.
Exercice 10.
Soit q la forme quadratique sur R3 définie dans la base canonique B0 par
q(x, y, z) = x 2 + 7y 2 + 3z 2 + 4x y + 10y z + 2xz.
1) Décomposer q en carrés de formes linéaires indépendantes. En déduire le rang et la
signature de q.
L.
2) Diagonaliser q dans une base q-orthogonale B en exhibant la matrice de passage
PB0 B .
3) Soit F le sous-espace de R3 engendré par le vecteur v = (1, 1, 1). Déterminer l’orthogonal
F⊥ du sous-espace F selon q.

Cours D'algèbre 2 (M122)

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours D'algèbre 2 (M122)

Transféré par

Droits d'auteur :

Formats disponibles

te

Prof. Lahcen Oukhtite

March 16, 2020

1.1 Matrice de passage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.2 Changement de base pour un vecteur . . . . . . . . . . . . . . . . . . . . . . 5

1.3 Matrice d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . 7

1.3.1 Définition et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2 Déterminants d’une matrice carrée et systèmes de Cramer 16

2.2 Calcul de l’inverse d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . 19

2.3 Déterminant d’un système de vecteurs . . . . . . . . . . . . . . . . . . . . . 21

2.4 Système de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3 Réduction des endomorphismes 29

3.1 Vecteurs propres et valeurs propres . . . . . . . . . . . . . . . . . . . . . . . 29

3.2 Sous-espace propre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.3 Le polynôme caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.4 Endomorphismes et matrices diagonalisables . . . . . . . . . . . . . . . . . 34

3.5 Endomorphismes et matrices trigonalisables . . . . . . . . . . . . . . . . . 36

3.6 Polynôme minimal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4 Formes bilinéaires et formes quadratiques 45

4.2 Matrice d’une forme bilinéaire et changement de bases . . . . . . . . . . . 46

4.3 Formes bilinéaires symétriques et formes quadratiques . . . . . . . . . . . 48

4.5 Espaces euclidiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.5.1 Définition et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.5.2 Procédé d’orthonormalisation de Gram-Schmidt . . . . . . . . . . . 60

Soient V un K-espace vectoriel de dimension n et B = {e 1 , ..., e n } une base de V. Si

manière unique comme e 0j =

Définition 1.1 La matrice de passage de la base B à la base B0 est PBB0 = (p i j ).

Posons P = PBB0 et P 0 = PB0 B , il suffit alors de montrer PP 0 = In = P 0 P. On a

avec αk = 1 si k = s et αk = 0 si k 6= s. Comme αk = (PP 0 )ks , il s’en suit que

ce qui implique que PP 0 = In . Un raisonnement analogue montre que P 0 P = In .

Soit B = {e 1 , e 2 } la base canonique du R-e.v R2 . Posons e 10 = (−1, 1) et e 20 = (3, 1), alors

ce qui implique que

Pour la matrice de passage PB0 B , compte tenu du fait que

il s’en suit alors que

D’autre part on a bien

1.2 Changement de base pour un vecteur

D’après l’unicité de l’écriture de  x0 

Soit B = {e 1 , e 2 } la base canonique du R-e.v R2 . Posons e 10 = (1, 2) et e 20 = (−1, 1), alors

B0 = {e 10 , e 20 } est une base de R2 . Exprimer le vecteur (2, 7) dans B et B0 ?

Soit x ∈ R2 , en exprimant x dans B et B0 on obtient x = x 1 e 1 +x 2 e 2 = x 10 e 10 +x 20 e 20 . Posons

1.3 Matrice d’une application linéaire

1.3.1 Définition et propriétés

Soient V et V 0 deux K-e.v de bases respectives B = (e 1 , ..., e n ) et B0 = (e 10 , ..., e m

images f (e i ) des e i , pour 1 ≤ i ≤ n. Comme f (e i ) ∈ V 0 , alors on peut écrire

où αi j est la ieme composante de f (e j ) dans B0 . On forme la matrice suivante

il en résulte alors que

2) Considérons l’application linéaire

Déterminer la matrice de T par rapport à la base canonique B de M2 (R)?

il s’en suit alors que  

alors on peut retrouver l’expression de T comme suit:

B = {(1, 1), (1, −1)} est une base de R2 etB0 = {(1,

Cas d’un endomorphisme

f (−1, 2) = −2 × (1, 1) + 3 × (0, 1) = (−2, 1).

Théorème 1.1 Soient V et V 0 deux K-espaces vectoriels de bases respectives

est un isomorphisme d’espaces vectoriels et par conséquent dimK L (V, V 0 ) = mn.

L (V, V 0 ) et M(m,n) (K) sont isomorphes et ont donc la même dimension.

Si V 0 = K, alors V ? = L (V, K) est appelé l’espace dual de V et on a dimK V ? = n. De

les bases canoniques respectives de K n et K m , alors ΨM : K n → K m définie par ΨM (e i ) =

Réponse. f M (x, y) = (2x − y, x + 2y, 5x + 3y).

Théorème 1.2 Soient f ∈ L (V, V 0 ) et g ∈ L (V 0 , V 00 ) où V, V 0 , V 00 étant des K-e.v de di-

mensions respectives n, m et p. Si B, B0 et B00 des bases choisies respectivement de V, V 0 et

il s’en suit alors que  

Désignons par B2 , B3 et B4 les bases canoniques de R2 , R3 et R4 respectivement. Con-