Académique Documents
Professionnel Documents
Culture Documents
hti
C OURS D ’A LGÈBRE 2 MIP
(M ODULE M122, SECTION B)
hti
1 Matrice d’une application linéaire et changement de bases 4
2
TABLE DES MATIÈRES 3
te
4.1 Formes bilinéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
hti
4.4 Méthode de Gauss pour diagonaliser une forme quadratique . . . . . . . . 52
te
M ATRICE D ’ UNE APPLICATION LINÉAIRE
ET CHANGEMENT DE BASES
hti
1.1 Matrice de passage
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
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
4
1.2. CHANGEMENT DE BASE POUR UN VECTEUR 5
Exemple
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
= − 14 e 10 + 41 e 20
k ½
e1
e2 = 43 e 10 + 14 e 20
− 14 3
µ ¶µ ¶ µ ¶
4
−1 3 1 0
PB0 B PBB0 = 1 1 = = I2 .
4 4
1 1 0 1
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
te
X B = PBB0 X B0 et X B0 = PB0 B X B .
hti
Exemple
1 1
µ ¶ Ã !
1 −1 3 3
PBB0 = et PB0 B = −2 1
.
2 1
3 3
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
à !à ! à !
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
te
Dans tout ce chapitre K désigne un corps commutatif (K est R, Q ou C).
est une application linéaire de V dans V 0 , alors f est entièrement déterminée par les
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
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
8CHAPITRE 1. MATRICE D’UNE APPLICATION LINÉAIRE ET CHANGEMENT DE BASES
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)
= 2x − y .
−5x − 3y
Puisque
Ou
t
³ ´t x
0
MBB ( f )X B = 2x − y = (x, 2x − y, −5x − 3y)
−5x − 3y
il s’en suit alors que
³ 0
´t
f (x, y) = MBB ( f )X B .
T : M2 (R) −→ M2 (R)
µ ¶ µ ¶
a b a c
7−→
c d b d
te
µµ ¶¶ µ ¶ µµ ¶¶ µ ¶
0 0 0 1 0 0 0 0
T = , T =
1 0 0 0 0 1 0 1
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
0 1
B0
Soit f : R → R définie par : MB ( f ) = 1 −1 . Calculer f (1, 2)?
2 3
1 0
3
à !
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 ).
10CHAPITRE 1. MATRICE D’UNE APPLICATION LINÉAIRE ET CHANGEMENT DE BASES
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
0
MBB : L (V, V 0 ) −→ M(m,n) (K)
0
f 7−→ MBB ( f )
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
1.3. MATRICE D’UNE APPLICATION LINÉAIRE 11
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
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 )?
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
hti
b hk a k j = (b h1 , ..., b hm )
. , par suite MB (g ◦ f ) = MB0 (g )MB ( f ).
k=1 .
am j
Exemples:
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 0
B B B
MB42 (g ◦ f ) = MB43 (g ).MB32 ( f ) = .
3 0
1 1
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 ,
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.
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
Pour calculer la matrice PB−1B0 = PB0 B3 on doit exprimer les vecteurs de la base B3 comme
3 3 3
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
14CHAPITRE 1. MATRICE D’UNE APPLICATION LINÉAIRE ET CHANGEMENT DE BASES
de sorte que
e1 = v1 − v2 + v3
e2 = v2
e3 = −v 3
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
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].
Exercice 3
Soient dans R3 les vecteurs : u = (0, 1, 1), v = (2, 0, −1) et w = (2, 1, 1).
L.
e 3 = −u − v + w.
te
Exercice 4
hti
1) Montrer que f est une application linéaire et déterminer MB ( f ). f est-elle injective?
Exercice 5
Exercice 6
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
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
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.
16
2.1. CALCUL DU DÉTERMINANT D’UNE MATRICE CARRÉE D’ORDRE 2 17
te
deuxième fois cet algorithme, le calcul d’un déterminant d’ordre n − 1 se réduit au cal-
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
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
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) ×0ׯ
¯ ¯ + (−1) × (−1) × ¯
¯ ¯ + (−1) ×2ׯ
¯ ¯
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.
5) d et (A) ne change pas si on ajoute à une de ses lignes (resp. à une de ses colonnes) une
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
5) Si une ligne (resp. une colonne) de A est une combinaison linéaire des autres lignes
te
(resp. colonnes) alors d et (A) = 0.
hti
2) Si A = (a i j ) est triangulaire inférieure ou supérieure alors d et (A) = a 11 a 22 ...a nn .
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.
Par suite
µ ¶
d −c
CA =
−b a
20CHAPITRE 2. DÉTERMINANTS D’UNE MATRICE CARRÉE ET SYSTÈMES DE CRAMER
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
2) Si une ligne ou une colonne de A est nulle alors A n’est pas inversible.
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
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
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
Conséquences.
2) d et B0 (B) × d et B (B0 ) = 1.
te
Exemple
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 ¯
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
MS est dite la matrice associée à (S) et r g (MS ) s’appelle le rang du système (S).
te
2) S’il existe des déterminants d’ordre r + 1 extraits de MS , ils sont tous nuls.
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 ¯
r + 1 obtenu en ajoutant à ∆ :
i) une (r +1)eme ligne composée des coefficients des inconnues principales dans l’équation
∆k = ¯
¯ ¯
¯ . . . . . . .
¯
¯
¯ ¯
¯ ar 1 ar 2 . . . ar r br ¯
¯ ¯
¯ a k1 a k2 . . . a kr bk ¯
Théorème 2.2 Soit (S) un système à n équations et p inconnues de rang r . Alors 3 cas
sont possibles :
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
inconnues non principales et on résoud en suite un système de Cramer par rapport aux
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.
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 ¯
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.
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
26CHAPITRE 2. DÉTERMINANTS D’UNE MATRICE CARRÉE ET SYSTÈMES DE CRAMER
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
¯
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
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 .
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 .
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
28CHAPITRE 2. DÉTERMINANTS D’UNE MATRICE CARRÉE ET SYSTÈMES DE CRAMER
Exercice 11
te
3x + 7y = 2
hti
2x + 7z = c
Exercice 12
Soit le système
a2z
x + ay + = 1
x + by + az = a
bx + a2 y + a 2 bz = a2b
Exercice 14
3mx + 2y - 2z = 1
−mx + m y + z = m
mx + y + mz = 1
te
R ÉDUCTION DES ENDOMORPHISMES
hti
Soit f un endomorphisme d’un K-espace vectoriel E de dimension finie.
1) x 6= 0E
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.
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
bien 0 6= βx ∈ E.
te
pour lequel il existe 0 6= X ∈ M(n,1) (K) tel que AX = λX.
Exemple :
1 3 0 0
2 est une valeur propre de 0 1 0 associée au vecteur X = 0 .
hti
0 0 2 1
Preuve
n o
Définition 3.4 Si λ ∈ Sp( f ) alors Eλ = x ∈ E| f (x) = λx est un sous-espace vectoriel de
Exemple
Eλ = {X ∈ M(n,1) (K)/AX = λX} est un sous-espace vectoriel de M(n,1) (K) appelé le sous-
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
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
¶
.
Preuve
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)
obtient
β1 λ1 x 1 + β2 λ2 x 2 + ... + βr λr x r = 0 (2)
32 CHAPITRE 3. RÉDUCTION DES ENDOMORPHISMES
β1 λr x 1 + β2 λr x 2 + ... + βr λr x r = 0 (3)
te
β1 (λ1 − λr )x 1 + β2 (λ2 − λr )x 2 + ... + βr −1 (λr −1 − λr )x r −1 = 0 (4)
hti
Puisque λi 6= λr pour tout 1 ≤ i ≤ r − 1, il en découle que βi = 0 pour tout 1 ≤ i ≤ r − 1.
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
(resp. de f ), est le polynôme CA (X) = d et (A − XIn ) (resp. C f (X) = CMB ( f ) (X)) où MB ( f ) est
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
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
Preuve
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
λ λ−X
0 0
.. ..
. B . B
L.
M=
0 λ et M − XIn = 0
λ−X
0 C 0 C − XIn−r
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 ∈
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.
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
ment indépendants dans Eλi . Par suite, m i ≤ dimEλi et comme dimEλi ≤ m i , d’après
3.4. ENDOMORPHISMES ET MATRICES DIAGONALISABLES 35
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
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
X = (x, y, z) ∈ E−2 ⇐⇒ f (X) = −2X ⇐⇒ x + y + z = 0. Par conséquent {(1, 0, −1), (0, 1, −1)}
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
36 CHAPITRE 3. RÉDUCTION DES ENDOMORPHISMES
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
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)
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.
1, c’est évident. On suppose le résultat vrai pour tout espace vectoriel de dimension
n − 1.
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
(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.
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
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
38 CHAPITRE 3. RÉDUCTION DES ENDOMORPHISMES
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
Définition 3.12 On appelle polynôme annulateur de f tout polynôme Q(X) ∈ K[X] tel
Notations
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).
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)
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) =
Par suite
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) =
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
Théorème 3.7 Soit f ∈ End K (E) (resp. A ∈ Mn (K)). Alors f (resp. A) est diagonalisable
toutes à K.
L.
3.6. POLYNÔME MINIMAL 41
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).
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
On vérifie aisément que la formule (?) est encore vraie pour n = 0, 1, 2. D’où
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 .
5) Ecrire la matrice de passage P de la base B à B0 . Calculer (MB ( f ))n pour tout n > 1.
k
Exercice 2
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?
Exercice 4
te
−1 1 −1
est A = −1 1 1 .
−2 2 0
1) Quelles sont les valeurs propres de f ?
hti
3) Calculer An pour tout entier naturel n.
Exercice 5
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
Exercice 8
te
A = 2 −9 16 , B = −1 1 −1 , C = 1 1 0 .
1 −5 9 −1 2 −2 −1 1 3
Exercice 9
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,
Exercice 11
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.
b(x, .) : F −→ K et b(., y) : E −→ K
Exemples
2) Soient f et g deux formes linéaires sur E. L’application Φ définie sur E×E par Φ(x, y) =
45
46 CHAPITRE 4. FORMES BILINÉAIRES ET FORMES QUADRATIQUES
par
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
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
© ª © ª
Soient E, F deux K-espaces vectoriels de bases respectives BE = e 1 , ..., e m et BF = u 1 , ..., u n
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
hti
Définition 4.2 La matrice (b(e i , u j ))i , j est appelée matrice de b relativement aux bases
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
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.
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 .
hti
Corollaire 4.2 Soit b une forme bilinéaire sur un K-e.v. E de dimension finie. Si B et B0
pelle rang de b, noté r g (b), le rang de M(b, B) où B est une base quelconque de E.
Exemples
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.
b 7−→ M(b, B)
est un isomorphisme d’espaces vectoriels, où Mns (K) désigne l’ensemble des matrices car-
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.
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).
Preuve
La forme bilinéaire b est dite non dégénérée si Ker g (b) = {0E }. Elle est dégénérée dans le
Ou
cas contraire.
Définition 4.6 Une forme quadratique q sur E est une application q : E −→ K vérifiant
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.
Exemples.
te
Réciproquement, si q est une forme quadratique sur E alors b q : E×E −→ K définie par:
Proposition 4.4
hti
b 7−→ q b
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).
Exemples
1 1 −3
2
M(q, B) = 1 0 0 .
−3
2
0 0
4.3. FORMES BILINÉAIRES SYMÉTRIQUES ET FORMES QUADRATIQUES 51
1 52
µ ¶
M(q, B) = 5 .
2
2
te
Remarque Si B et B0 sont deux bases de E et P = PBB0 , alors M(q, B0 ) = t PM(q, B)P.
hti
A⊥ = {x ∈ E| b(x, y) = 0 ∀y ∈ A}.
Exemple
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)}.
2) N(q) = {0}.
4) r g (q) = n.
52 CHAPITRE 4. FORMES BILINÉAIRES ET FORMES QUADRATIQUES
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.
hti
B est dite orthogonale pour q si b(e i , e j ) = 0 pour tout 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
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.
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 )
q(u i ) = λi 6= 0 pour 1 ≤ i ≤ r
q(u i ) = 0 pour r + 1 ≤ i ≤ n
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
Corollaire 4.4 Soit E un C-espace vectoriel de dimension finie muni d’une forme quadra-
Preuve
te
Soient b la forme polaire associée à q et n = d i mE. On a
théorème 4.2 assure l’existence d’une base B = {e 1 , ..., e n } de E telle que M(q, B) = In .
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
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.
Preuve
L.
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
4.4. MÉTHODE DE GAUSS POUR DIAGONALISER UNE FORME QUADRATIQUE 55
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
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
que
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
que
p = p 0.
56 CHAPITRE 4. FORMES BILINÉAIRES ET FORMES QUADRATIQUES
Le but du Théorème suivant est d’écrire une forme quadratique comme une somme
de carrées.
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
hti
Application à la détermination d’une base orthogonale
Par suite, la signature de la forme quadratique q est si g n(q) = (1, 1) et r g (q) = 2, ce qui
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
Les vecteurs de composantes les colonnes de P forment une base orthogonale pa rap-
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
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
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
58 CHAPITRE 4. FORMES BILINÉAIRES ET FORMES QUADRATIQUES
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.
hti
Remarque.
q(x, y, z) = x 2 + y 2 + z 2 − 2x y − 2y z − 2xz.
Par suite, le rang de q est r = 3 = d i mR3 , donc q est non dégénérée et si g n(q) = (2, 1).
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
q(x 1 e 1 + ... + x n e n ) = x 12 + ... + x n2 , alors q est une forme quadratique définie positive. Le
L : E −→ E∗
Ou
x 7−→ L(x) = b(x, .)
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.
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.
E = F ⊕ F⊥ .
hti
Preuve
La forme quadratique q étant définie positive, il en découle que q est non dégénérée.
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
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.
Schmidt permet de construire une base orthonormale de E à partir d’une base quel-
conque de E.
4.5. ESPACES EUCLIDIENS 61
Théorème 4.8 Tout espace euclidien (E, q) admet une base orthonormale.
Preuve
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
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-
u1 un
½ ¾
, ...,
ku 1 k ku n k
62 CHAPITRE 4. FORMES BILINÉAIRES ET FORMES QUADRATIQUES
Exemple
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 .
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,
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
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]).
4.5. ESPACES EUCLIDIENS 63
Exercice 2.
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
hti
Exercice 4.
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⊥ .
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
64 CHAPITRE 4. FORMES BILINÉAIRES ET FORMES QUADRATIQUES
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
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 ?
7) Diagonaliser la matrice M.
Exercice 10.
signature de q.
L.
PB0 B .
F⊥ du sous-espace F selon q.