UNIVERSITÉ

FACULTÉ DES
DÉPARTEMENT DE MATHÉMATIQUES

COURS :

Algèbre 2

Pr

RESUMÉ
 ii
Mots clés :

Algèbre 2
iii

Algèbre 2
Table des matières

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1 Application multilinéaire
Déterminants 3
1.1 Application multilinéaire-Déterminant . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Groupe de permutation . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Application multilinéaires symétriques et antisymétriques . . . . . . 6
1.1.3 Applications multilinéaires alternées . . . . . . . . . . . . . . . . . . 6
1.1.4 Matrice d'une forme bilinéaire . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Déterminants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1 Déterminant d'une famille de vecteurs . . . . . . . . . . . . . . . . . 9
1.2.2 Changement de base . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.3 Caractérisation des bases par le déterminant . . . . . . . . . . . . . . 12
1.2.4 Déterminant d'un endomorphisme . . . . . . . . . . . . . . . . . . . 12
1.2.5 Déterminant d'un automorphisme . . . . . . . . . . . . . . . . . . . . 15
1.2.6 Calcul des déterminants . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.7 Déterminant d'une matrice triangulaire . . . . . . . . . . . . . . . . 16
1.2.8 Applications des déterminants . . . . . . . . . . . . . . . . . . . . . . 20
1.2.9 Rang d'une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2 Réduction des endomorphismes 27

2.1 Sous espaces stables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.1 Cas de dimension nie . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Eléments propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.1 Valeurs propres et vecteurs propres . . . . . . . . . . . . . . . . . . . 30
2.2.2 Sous espaces propres . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.3 Propriétés des sous espaces propres . . . . . . . . . . . . . . . . . . 31
2.2.4 Eléments propres en dimension nie . . . . . . . . . . . . . . . . . . 32
2.2.5 Polynôme caractéristique d'une matrice carrée . . . . . . . . . . . . 33
2.2.6 Polynômes caractéristiques et valeurs propres . . . . . . . . . . . . . 34
2.2.7 Polynôme caractéristique d'un endomorphisme . . . . . . . . . . . . 36
2.2.8 Multiplicité d'une valeur propre . . . . . . . . . . . . . . . . . . . . . 36
2.2.9 Multiplicité et sous espace propre . . . . . . . . . . . . . . . . . . . 37

iv
1 TABLE DES MATIÈRES

2.3 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.1 Diagonalisation et sous espaces propres . . . . . . . . . . . . . . . . 39
2.3.2 Diagonalisation eective d'une matrice . . . . . . . . . . . . . . . . . 42
2.3.3 Application de la diagonalisation . . . . . . . . . . . . . . . . . . . . 43
2.4 Trigonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3 Espace vectoriel euclidien 50
3.1 Produit scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.1.1 Notions métriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2 Espaces vectoriels euclidiens . . . . . . . . . . . . . . . . . . . . . . . . . . 59

Algèbre 2
TABLE DES MATIÈRES 2

Introduction :

Algèbre 2
Chapitre 1
Application multilinéaire-Déterminants

1.1 Application multilinéaire

Soit K un corps commutatif (R ou C par exemple).

Soient (Ei )i∈{1,...,n} et F des K-espaces vectoriels.

Dénition 1.1.1 n n
Une application f : Ei −→ F est n-linéaire si pour tout (xi )i≤n ∈ Ei , l'application
Y Y

i=1 i=1
n
Y
fj : Ei −→ F
i=1
i6=j

x 7−→ f (x1 , ..., xj−1 , x, xj+1 , ..., xn )

est linéaire.

• Si E = E1 = E2 = · · · = En . On dit que que f est une application n-linéaire sur E .

• Si F = K, alors f est appelée une forme n-linéaire.
• Si n = 2, on parle d'application bilinéaire.
Exemples 1.1.2
1) Soient ]a, b[ un intervalle non vide de R et E l'espace vectoriel des fonctions réelles
d'une variable réelle, intégrables sur ]a, b[, g un élément de E . L'application
ϕ : En −→ K
Z b
(f1 , ..., fn ) 7−→ g(x)f1 (x) · · · fn (x)dx
a

est n-linéaire sur E . En eet :

∀λ ∈ R, ∀(f1 , ..., fn ) ∈ E n , ∀i ∈ {1, ..., n}, ∀g ∈ E ,

ϕ(f1 , ..., λfi + g, ..., fn ) = λϕ(f1 , ..., fn ) + ϕ(f1 , ..., fi−1 , g, fi+1 ..., fn ).

3
CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS 4

2) Soient E = F = K et n ∈ N∗ .
L'application
ϕ : K × · · · × K −→ K
(x1 , ..., xn ) 7−→ ϕ(x1 , ..., xn ) = x1 x2 · · · xn
est une forme n-linéaire sur K, en eet ∀i ∈ {1, ..., n}, l'application partielle
ϕi : K −→ K
x 7−→ ϕ(x1 , ..., xi−1 , x, xi+1 , ..., xn )
avec (x1 , ..., xi−1 , xi+1 , ..., xn ) xé dans Kn−1 , est linéaire puisque
ϕ(x) = ax avec a = x1 · · · xi−1 xi+1 · · · xn .
3) Si E = R2 , le produit scalaire (~u, ~v) 7−→ ~u · ~v est une forme bilinéaire.
Remarques 1.1.3
1) Si n = 1, une application 1-linéaire de E dans F est tout simplement une application
linéaire de E dans F.
2) Pour n ≥ 2, une application n-linéaire n'est pas nécessairement linéaire.

1.1.1 Groupe de permutation

Dénition 1.1.4
On appelle permutation de l'ensemble d'entiers {1, ..., n} un arrangement de ceux-ci sans
omissions ou répétitions : Autrement dit, une permutation est une bijection de {1, ..., n}
dans lui même.
 
1 2 ··· n
Une permutation quelconque σ de {1, ..., n} sera notée σ = (j1 , ..., jn ) ou
j1 j2 · · · jn
et signie que j1 = σ(1), j2 = σ(2), ..., jn = σ(n).
L'ensemble de toutes les permutations de n éléments sera noté Sn .
Exemples 1.1.5
1) L'ensemble {1, 2} admet deux permutations :
σ1 = (1, 2) et σ2 = (2, 1).

2) L'ensemble {1, 2, 3} admet 6 permutations à savoir :

(1 2 3), (1 3 2), (2 1 3), (2 3 1), (3 1 2), (3 2 1).

3) En général, l'ensemble {1, ..., n} admet n! = 1 · 2 · · · n permutations, en eet : Pour

le premier nombre on a n possibilités, pour le deuxième on a (n − 1) possibilités, et
ainsi de suite donc le nombre de permutations est n(n − 1)(n − 2) · · · 2 · 1 = n!.
Dénition 1.1.6
On dit qu'une application n-linéaire de E dans F est symétrique si :
∀σ ∈ Sn , ∀(x1 , ..., xn ) ∈ E n , ϕ(xσ(1) , ..., xσ(n) ) = ϕ(x1 , ..., xn ).
On note Sn (E, F ) l'ensemble de ces applications.

Algèbre 2
5 CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS

Dénition 1.1.7
Dans une permutation, on a une inversion si un nombre plus grand précède un nombre
plus petit.
De manière plus précise, le nombre d'inversions d'une permutation (j1 , ..., jn ) est la somme
du :
− nombre de successeurs de j1 plus petits que j1 , plus
− nombre de successeurs de j2 plus petits que j2 , plus
..
.
− nombre de successeurs de jn−1 plus petits que jn−1 .

Exemples 1.1.8
1) La permutation (4 2 5 3 1) contient 7 inversions. En eet : Il y a 3 successeurs plus
petits que 4, 1 successeur de 2 plus petit que 2, 2 successeurs de 5 plus petits que 5,
1 successeur de 3 plus petit que 3 et pas de successeur de 1 plus petit que 1, donc la
somme est 7.
2) La permutation (1 5 3 2 6 7 4) contient : 0 + 3 + 1 + 0 + 1 + 1 + 0 = 6 inversions.

Dénition 1.1.9
Une permutation ayant un nombre pair d'inversions est appelée permutation paire, sinon
elle est dite impaire.
si σ est pair
(
1
La signature de la permutation σ est : sign(σ) = ε(σ) = .
−1 si σ est impair

Exemples 1.1.10
1) Si σ = (4 2 5 3 1), alors ε(σ) = (−1)7 = −1.
2) Si σ = (1 5 3 2 6 7 4), alors ε(σ) = (−1)6 = 1.
3) On a S3 = { (1 2 3), (1 3 2), (2 3 1), (2 1 3), (3 1 2), (3 2 1) }.
ε(1 2 3) = 1, ε(1 3 2) = −1, ε(2 3 1) = 1, ε(2 1 3) = −1,
ε(3 1 2) = 1, ε(3 2 1) = −1.

Proposition 1.1.11
Sn est un groupe pour la loi de composition des applications.
Soit X = {x1 , ..., xn } un ensemble de cardinal n, l'ensemble des bijections de X dans lui
même est aussi un groupe pour la loi de composition des applications appelé groupe des
permutations de X et qui est isomorphe
à Sn .

Remarque 1.1.12
Si n ≥ 3, Sn n'est commutatif, en eet, on a ;

(1, 3)(2, 3) = (1 3 2) et (2, 3)(1, 3) = (1 2 3).

Algèbre 2
CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS 6

1.1.2 Application multilinéaires symétriques et antisymétriques

Dénition 1.1.13
1) Soit f une application n-linéaire de E dans F , f est dite symétrique si :
∀σ ∈ Sn , ∀(x1 , ..., xn ) ∈ E n , ϕ(xσ(1) , ..., xσ(n) ) = ϕ(x1 , ..., xn ).

On note Sn (E, F ) l'ensemble de ces applications.

2) f est dite antisymétrique si :
∀σ ∈ Sn , ∀(x1 , ..., xn ) ∈ E n , ϕ(xσ(1) , ..., xσ(n) ) = ε(σ) ϕ(x1 , ..., xn ).

On note An (E, F ) l'ensemble de ces applications.

Exemples 1.1.14
1) Si E = F = K et n ∈ N∗ et ϕ(x1 , ..., xn ) = x1 · · · xn , alors d'après la commutativité
de la multiplication de K, l'application ϕ est symétrique.
2) Dans R2 , le produit scalaire est une forme bilinéaire symétrique.
3) Le produit vectoriel dans le plan est une forme bilinéaire antisymétrique, en eet, on
a: S2 = {Id, τ } avec τ = (2, 1).
• Si σ = Id, ~u ∧ ~v = ε(σ) ~u ∧ ~v .
• Si σ = τ, ~v ∧ ~u = −~u ∧ ~v = ε(σ) ~u ∧ ~v .

Dénition 1.1.15
Une transposition est une permutation qui consiste à échanger deux éléments entre eux et
laisser les autres inchangés.
Proposition 1.1.16
Soit ϕ une application n-linéaire de E dans F .
ϕ est symétrique ( respectivement antisymétrique ) si et seulement si :
∀(x1 , ..., xn ) ∈ E n , ∀τ transposition de {1, ..., n}

ϕ(xτ (1) , ..., xτ (n) ) = ϕ(x1 , ..., xn ).

( respectivement ϕ(xτ (1) , ..., xτ (n) ) = −ϕ(x1 , ..., xn ) ).

1.1.3 Applications multilinéaires alternées

Dénition 1.1.17
Une application n-linéaire ϕ de E dans F est alternée si ϕ s'annule sur toute famille
contenant deux fois le même vecteur. Autrement dit :
∀(x1 , ..., xn ) ∈ E n , ∃i 6= j ∈ {1, ..., n}2 / xi = xj =⇒ ϕ(x1 , ..., xn ) = 0F .

L'ensemble de ces applications est noté Λn (E, F ).

Si F = K, on le note Λ∗n (E) = Λn (E, K).

Algèbre 2
7 CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS

Exemple 1.1.18
Le produit vectoriel est une application bilinéaire alternée, en eet, on a :

~u ∧ ~u = ~0.

Proposition 1.1.19
Soit ϕ une application n-linéaire alternée de E dans F. Si (x1 , ..., xn ) est une famille liée,
alors ϕ(x1 , ..., xn ) = 0.
Preuve.
Supposons que (x1 , ..., xn ) est liée, alors
X
∃i ∈ {1, ..., n} / xi = λ j xj .
j6=i

Donc,
X
ϕ(x1 , ..., xn ) = ϕ(x1 , ..., xi−1 , λj xj , xi+1 , ..., xn )
j6=i
X
= λj ϕ(x1 , ..., xi−1 , xj , xi+1 , ..., xn ).
j6=i

Or, la famille (x1 , ..., xi−1 , xj , xi+1 , ..., xn ) contient deux fois xj et comme ϕ est alternée,
alors ϕ(x1 , ..., xi−1 , xj , xi+1 , ...xn ) = 0F , ∀j 6= i.
Par conséquent, ϕ(x1 , ..., xn ) = 0F .

Théorème 1.1.20
Soit ϕ une application n-linéaire de E dans F. Les deux assertions suivantes sont équiva-
lentes :
1) ϕ est antisymétrique.
2) ϕ est alternée.
Proposition 1.1.21
Soient ϕ une forme n-linéaire alternée sur E, (xi )i≤n ∈ E n et (λj )j6=i ∈ Kn−1 , on a :
j≤n

X
ϕ(x1 , ..., xi + λj xj , xi+1 , ..., xn ) = ϕ(x1 , ..., xn ).
j6=i

Preuve.
On a :
X X
ϕ(x1 , ..., xi + λj xj , xi+1 , ..., xn ) = ϕ(x1 , ..., xn ) + ϕ(x1 , ..., λj xj , xi+1 , ..., xn )
j6=i j6=i
 X 
= ϕ(x1 , ..., xn ) car (x1 , ..., λj xj , xi+1 , ..., xn ) est liée .
j6=i

Algèbre 2
CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS 8

1.1.4 Matrice d'une forme bilinéaire

Soient K un corps, E un K -espace vectoriel de dimension nie n,
B = (e1 , ..., en ) une base de E et f une forme bilinéaire sur E.

Dénition 1.1.22
La matrice MB (f ) dans la base B est la matrice n × n (i.e MB (f ) ∈ Mn (K)) qui a pour
coecients
 f numéro
(ei , ej ) ( i   de la ligne et j numéro de la colonne ).
x1 y1
 ..   .. 
Si X =  .  et Y =  .  sont deux éléments de E , alors
xn yn

f (X, Y ) = t X MB (f ) Y
 
y1
= (x1 , ..., xn ) MB (f )  ... 
 

yn

Inversement,
  si M  n (K) alors f : (X, Y ) 7−→ X M Y avec
∈ M t

x1 y1
 ..   .. 
X =  .  et Y =  .  sont des vecteurs de E exprimés dans la base B de E , est une
xn yn
forme bilinéaire de E et M = MB (f ).
Proposition 1.1.23
f est symétrique si et seulement si MB (f ) est symétrique.

Exemple 1.1.24 3 1
!
Soit E = R2 , M = est la matrice dans la base canonique de la forme bilinéaire
1 −2
symétrique :
f : R2 × R2 −→ R
! !!
x1 y1
, 7−→ 3x1 y1 − 2x2 y2 + x1 y2 + x2 y1 .
x2 y2
! !
3 1 y1
En eet, on a : (x1 , x2 ) = 3x1 y1 − 2x2 y2 + x1 y2 + x2 y1 .
1 −2 y2

Soient B 0 une autre base de E et P la matrice de changement de B à B 0 ( notée aussi

0 0
PBB ). ( PBB = MB (B 0 ) = MB 0 ,B (IdE ) ).

Dénition 1.1.25
La matrice de changement de la base B à la base B 0 = (e01 , ..., e0n ) appelée aussi matrice
de passage de B à B 0 est la matrice inversible P dont la j ième colonne est formée des
coordonnées de e0j dans la base B .

Algèbre 2
9 CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS

Proposition 1.1.26
Soit x un élément de E , X ( resp. X 0 ) le vecteur colonne de ses cordonnées dans B ( resp.
B 0 ). Alors X = P X 0 . Soit u un endomorphisme de E , M ( resp. M 0 ) sa matrice dans la
base B ( resp. B 0 ). Alors M 0 = P −1 M P.
n
− Si 1 ≤ j ≤ n, alors PBB = (aij )ni,j=1 ∈ Mn (K) et
0
X
e0j = aij ei ,
i=1
B0
(PB )−1 = PBB0 .

Proposition 1.1.27 (Changement de base pour les formes bilinéaires )

La matrice de la forme bilinéaire dans la nouvelle base B 0 est :
MB 0 (f ) = t P MB (f ) P.

où t P est la matrice transposée de P.

Preuve.
Soient X et Y ( resp. X 0 et Y 0 ) les vecteurs coordonnées dans B ( resp. dans B 0 ), on a :

t
X 0 MB 0 (f ) Y 0 = f (x, y)
= t X MB (f ) Y
= t (P X 0 ) MB (f ) (P Y 0 )
= t X 0 (t P MB (f ) P ) Y 0 .

D'où, MB 0 (f ) =t P MB (f ) P.

1.2 Déterminants

1.2.1 Déterminant d'une famille de vecteurs

Dénition 1.2.1
Soit B = (e1 , ..., en ) une base de E , F = (X1 , ..., Xn ) une famille de vecteurs de E .
A = (aij )i,j = MB (X1 , ..., Xn ) ∈ Mn (K).
On appelle déterminant de la famille F dans la base B le scalaire
X n
Y
detB (F ) = detB (X1 , ..., Xn ) = ε(σ) aσ(i) i .
σ∈Sn i=1

Proposition 1.2.2
Si B = (e1 , ..., en ) est une base de E , alors detB (B) = 1.
Preuve.
si i = j
( !
1
On a : MB (B) = In = (δij )i,j . δij = ,
0 si i 6= j

Algèbre 2
CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS 10

n
donc,
X Y
detB (e1 , ..., en ) = ε(σ) aσ(i) i ,
σ∈Sn i=1

n
si σ = Id
(
1
or,
Y
aσ(i) i =
i=1
0 sinon (σ 6= Id)
donc, detB (e1 , ..., en ) = ε(Id) × 1 = 1.
Théorème 1.2.3
Soit B = (e1 , ..., en ) une base de E.
L'application detB : E n −→ K est une forme n-linéaire alternée non nulle.
De plus, l'ensemble Λ∗n (E) des formes n-linéaires alternées sur E est une droite vectorielle
( Λ∗n (E) = vect{detB } ).
Corollaire 1.2.4

Soit
detB : En −→ K
(X1 , ..., Xn ) 7−→ detB (X1 , ..., Xn )
1) detB est une forme n-linéaire.
2) detB (X1 , ..., Xn ) = 0 ⇐⇒ (X1 , ..., Xn ) est liée, donc detB est alternée.
3) detB est antisymétrique.
4) L'ensemble des formes n-linéaires Λ∗n (E) est la droite vectorielle engendrée par detB .
Autrement dit, Λ∗n (E) est l'espace vectoriel de dimension 1 engendré par detB , donc
∀ϕ ∈ Λ∗n (E), ∃!λ ∈ K / ϕ = λ.detB .

Preuve du théorème.
On a detB (B) = 1, donc detB est non nulle.
Montrons que detB : E n −→ K est n-linéaire.
Soit j ∈ {1, ..., n}, montrons que detB est linéaire en la j ième variable.
Soient ( α, β) ∈ K2 , (Xi )i6=j ∈ E n−1 , et (Xj , Yj ) ∈ E 2 tels que :
       
x11 x1n x1j y1j
X1 =  ...  , · · · , Xn =  ...  , Xj =  ...  , Yj =  ...  .
       

xn1 xnn xnj ynj

On a :
X
detB (X1 , ..., αXj + βYj , ..., Xn ) = ε(σ) xσ(1)1 · · · (αxσ(j)j + βyσ(j)j ) · · · xσ(n)n
σ∈Sn
X X
=α ε(σ)xσ(1)1 ...xσ(j)j ...xσ(n)n + β ε(σ)xσ(1)1 ...yσ(j)j ...xσ(n)n
σ∈Sn σ∈Sn

= α detB (X1 , ..., Xj , ..., Xn ) + β detB (X1 , ..., Yj , ..., Xn )

= α detB (X1 , ..., Xj , ..., Xn ) + β detB (X1 , ..., Yj , ..., Xn ).

Algèbre 2
11 CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS

Donc detB est une forme n-linéaire.

Montrons que detB est alternée. Soit (X1 , ..., Xn ) ∈ E n tel que ∃i 6= j,
Xi = Xj .
Soit τ la transposition (i, j), on a :
X
detB (X1 , ..., Xn ) = ε(σ) xσ(1)1 · · · xσ(n)n
σ∈Sn
X X
= ε(σ) xσ(1)1 · · · xσ(n)n + ε(σ) xσ(1)1 · · · xσ(n)n .
σ∈An σ∈Sn \An

Or,
ϕ : Sn \ An −→ An
σ 7−→ σ ◦ τ
est une bijection, et donc,
X X
ε(σ)xσ(1)1 · · · xσ(n)n = ε(σ ◦ τ )xσ◦τ (1)1 · · · xσ◦τ (n)n .
σ∈Sn \An σ∈An

Or Xi = Xj , donc xσ◦τ (k)k = xσ(k)k ∀k ∈/ {i, j}, et xσ◦τ (j)j = xσ(j)j et xσ◦τ (j)j = xσ(i)j .
De plus, ε(σ ◦ τ ) = ε(σ).ε(τ ) = −ε(σ). D'où,
X X
ε(σ)xσ(1)1 · · · xσ(n)n = − ε(σ)xσ(1)1 · · · xσ(n)n .
σ∈Sn \An σ∈An

Par conséquent, detB (X1 , ..., Xn ) = 0 et detB est alternée.

 
ai1
Soient ϕ ∈ Λ∗n (E) et (X1 , ..., Xn ) ∈ E n avec Xi = 
 .. 
 .  , ∀i ≤ n.


ai1
On a :
n
 X n
X 
ϕ(X1 , ..., Xn ) = ϕ ai1 ,1 ei1 , ..., ain ,n ein
i1 =1 in =1
n
X n
X
= ... ai1 ,1 · · · ain ,n ϕ(ei1 , ..., ein ).
i1 =1 in =1

Puisque ϕ est alternée, donc ϕ(ei1 , ..., ein ) = 0 si eij = eij0 avec ij 6= ij 0 , donc ϕ(ei1 , ..., ein ) 6=
0 ⇐⇒ {i1 , ..., in } = {1, ..., n}, donc il ne reste que les ϕ(ei1 , ..., ein ) qui correspondent aux
permutations σ : j 7−→ ij .
Donc ϕ(X1 , ..., Xn ) =
X
aσ(1),1 · · · aσ(n),n ϕ(eσ(1) , ..., eσ(n) ).
σ∈Sn
Or ϕ est alternée, donc antisymétrique, d'où :
X
ϕ(X1 , ..., Xn ) = ε(σ) aσ(1),1 · · · aσ(n),n ϕ(e1 , ..., en ).
σ∈Sn

Algèbre 2
CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS 12

Par conséquent, ϕ(X1 , ..., Xn ) = ϕ(e1 , ..., en ) detB (X1 , ..., Xn ).

D'où ϕ = λ detB , avec λ = ϕ(e1 , ..., en ).
Inversement, ∀λ ∈ K, λ detB ∈ Λ∗n (E).
Conclusion : Λ∗n (E) = vect({detB }).

1.2.2 Changement de base

Théorème 1.2.5
Soient B = (e1 , ..., en ) et B 0 = (e01 , ..., e0n ) deux bases de E, alors

∀(X1 , ..., Xn ) ∈ E n , detB 0 (X1 , ..., Xn ) = detB 0 B · detB (X1 , ..., Xn ).

Preuve.
On a detB 0 ∈ Λ∗n (E) = vect({detB }), donc ∃λ ∈ K / detB 0 = λ detB .
c'est à dire ∀(X1 , ..., Xn ) ∈ E n , detB 0 (X1 , ..., Xn ) = λ detB (X1 , ..., Xn ).
En particulier pour (X1 , ..., Xn ) = (e1 , ..., en ), on a :

detB 0 (e1 , ..., en ) = λ detB (e1 , ..., en ) = λ detB (B) = λ ( car detB (B) = 1 ).

Corollaire 1.2.6
Si B et B 0 sont deux bases de E , alors detB (B 0 ) · detB 0 (B) = 1.
Preuve.
On a : detB 0 (e01 , ..., e0n ) = detB 0 (B) · detB (B 0 ). Or detB 0 (e01 , ..., e0n ) = detB 0 (B 0 ) = 1, d'où
le résultat.

1.2.3 Caractérisation des bases par le déterminant

Théorème 1.2.7
Soit B 0 = (e01 , ..., e0n ) une famille de n vecteurs de E . Les assertions suivantes sont équiva-
lentes :
1) B 0 est une base de E .
2) detB (B 0 ) 6= 0.

1.2.4 Déterminant d'un endomorphisme

Théorème 1.2.8
Soient f un endomorphisme de E et B = (e1 , ..., en ) une base de E , alors
∀ϕ ∈ Λ∗n (E), ∀(X1 , ..., Xn ) ∈ E n ,

ϕ(f (X1 ), ..., f (Xn )) = detB (f (e1 ), ..., f (en )) ϕ(X1 , ..., Xn ).

Algèbre 2
13 CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS

Preuve.
Soit ϕ ∈ Λ∗n (E), donc ∃α ∈ K tel que ϕ = α detB , alors
∀(X1 , ..., Xn ) ∈ E n , ϕ(X1 , ..., Xn ) = α detB (X1 , ..., Xn ). (1.1)

Soit
ψ : En −→ K
(X1 , ..., Xn ) 7−→ ψ(X1 , ..., Xn ) = ϕ(f (X1 ), ..., f (Xn )).
ψ ∈ Λ∗n (E) =< {detB } >, donc ∃β ∈ K tel que ψ = β detB , i.e :

∀(X1 , ..., Xn ) ∈ E n , ψ(X1 , ..., Xn ) = β detB (X1 , ..., Xn ). (1.2)

D'après (1.1), on a aussi :
ψ(X1 , ..., Xn ) = ϕ(f (X1 ), ..., f (Xn )) = α detB (f (X1 ), ..., f (Xn )). (1.3)
En particulier, pour (X1 , ..., Xn ) = (e1 , ..., en ) dans (1.2) (1.3), on obtient :
ϕ(f (e1 ), ..., f (en )) = β detB (e1 , ..., en ) = β

et
ϕ(f (e1 ), ..., f (en )) = α detB (f (e1 ), ..., f (en )).
On en déduit que β = α detB (f (e1 ), ..., f (en )).
D'où,
∀(X1 , ..., Xn ) ∈ E n , ϕ(f (X1 ), ..., f (Xn )) = detB (f (e1 ), ..., f (en )) α detB (X1 , ..., Xn )
= detB (f (e1 ), ..., f (en )) ϕ(X1 , ..., Xn ).

Corollaire 1.2.9
Soit f un endomorphisme de E. La quantité detB (f (e1 ), ..., f (en )) ne dépend pas de la
base B .
Preuve.
Soit B 0 une autre base de E .
En appliquant le résultat du théorème précédent à ϕ = detB 0 et
(X1 , ..., Xn ) = (e01 , ..., e0n ), on obtient :

detB 0 (f (e01 ), ..., f (e0n )) = detB (f (e1 ), ..., f (en )) detB 0 (B 0 )

= detB (f (e1 ), ..., f (en ))
= det(f ).

Dénition 1.2.10
On appelle déterminant de l'endomorphisme f le scalaire :
detB (f ) = detB (f (e1 ), ..., f (en )),

où B = (e1 , ..., en ) est une base quelconque de E .

Algèbre 2
CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS 14

Propriétés :
Proposition 1.2.11
det(IdE ) = 1.
Preuve.
Soit B = (e1 , ..., en ) est une base de E . On a :
det(IdE ) = detB (IdE (e1 ), ..., IdE (en ))
= detB (e1 , ..., en )
= detB (B)
= 1.

Proposition 1.2.12
∀λ ∈ K, ∀f ∈ L(E),
det(λf ) = λn det(f ).
Preuve.
On a det(λf ) = detB (λf (e1 ), ..., λf (en )). Or detB est n-linéaire, d'où le résultat.
Remarque 1.2.13
L'application det : L(E) −→ K n'est pas linéaire en général :
det(αf + βg) 6= α det(f ) + β det(g).
Théorème 1.2.14
∀f, g ∈ L(E),
det(f ◦ g) = det(f ) det(g).
Preuve.
Soit B = (e1 , ..., en ) une base de E . Soit
ϕ : En −→ K
(X1 , ..., Xn ) 7−→ detB ( g(X1 ), ..., g(Xn ) ).
ϕ ∈ Λ∗n (E), donc ∀(X1 , ..., Xn ) ∈ E n , on a :
ϕ(f (X1 ), ..., λf (Xn )) = det(f ) ϕ(X1 , ..., Xn ).
En particulier, pour (X1 , ..., Xn ) = (e1 , ..., en ), on aura :
detB ( g(f (e1 )), ..., g(f (en )) ) = det(g) detB (f (e1 ), ..., (f (en ))
= det(g) det(f ).
D'où,
det(f ◦ g) = det(f ) det(g).
Corollaire 1.2.15
∀f ∈ L(E), ∀n ∈ N ,
det(f n ) = det(f ◦ · · · ◦ f ) = (det(f ))n .

Algèbre 2
 15 CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS

1.2.5 Déterminant d'un automorphisme

Théorème 1.2.16
Soit f une application linéaire sur E , les assertions suivantes sont équivalentes :
1) f est un automorphisme.
2) det(f ) 6= 0.
si c'est le cas, on a : det(f −1 ) = 1
det(f ) .

Preuve.
1) ⇒ 2) Soit f ∈ GL(E), donc f −1 existe et f ◦ f −1 = f −1 ◦ f = IdE ,
d'où, det(f ◦ f −1 ) = det(IdE ) = 1,
donc, det(f ) det(f −1 ) = 1 ,
d'où, det(f −1 ) = 1
det(f ) .
2) ⇒ 1) Supposons que det(f ) 6= 0. Soit B = (e1 , ..., en ) une base de E. Comme det(f ) 6= 0,
alors detB (f (e1 ), ..., f (en )) 6= 0, donc la famille (f (e1 ), ..., f (en )) est une base de E.
Par conséquent f transforme une base en une base de E, donc f ∈ GL(E).
Corollaire 1.2.17
L'application det : GL(E) −→ K∗ est un morphisme de groupes.

Dénition 1.2.18
Le noyau de det : GL(E) −→ K∗ est appelé groupe spécial linéaire de E et noté
SL(E) = {f ∈ GL(E) / det(f ) = 1 }.

Remarque 1.2.19
Soient B = (e1 , ..., en ) une base de E et (X1 , ..., Xn ) une famille de vecteurs de E. Si
A = M atB (X1 , ..., Xn ), alors det(A) = detB (X1 , ..., Xn ).
De même, si A = M atB (f ), alors det(A) = det(f ) et toutes les propriétés des déterminants
des endomorphismes sont vraies pour les déterminants des matrices, en particulier :
1) det(In ) = 1.
2) det(αA + βB) 6= α det(A) + β det(B).
3) det(A B) = det(A) det(B).
4) det(An ) = (det(A))n .
5) A est inversible ⇐⇒ det(A) 6= 0 et det(A−1 ) = det(A)
1
.
6) L'application det : GLn (K) −→ K est un morphisme de groupes dont le noyau
∗

SLn (K) = {A ∈ Mn (K) / det(A) = 1 } est le groupe spécial linéaire d'ordre n.

1.2.6 Calcul des déterminants

!
a11 a12
? Pour n = 2, S2 = {Id, τ = (2, 1) }, si A = , alors det(A) = a11 a22 −
a21 a22
a21 a12 .

Algèbre 2
CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS 16

? De même pour n = 3, S3 = {Id, (2, 3), (1, 3), (1, 2), (1, 2, 3), (1, 3, 2) }, si
 
a1 b1 c1
A =  a2 b2 c2  ,
 

a3 b3 c3
alors
det(A) = (a1 b2 c3 + a2 b3 c1 + a3 b1 c2 ) − (a3 b2 c1 + a2 b3 c1 + a1 b3 c2 ).

Règle de Sarrus : La règle de Sarrus consiste à écrire les trois colonnes de la matrice
et de répéter les deux premières colonnes à droite de la matrice.
On fait les produits des coecients de chaque diagonales et d'en faire la somme si la
diagonale est descendante ou la diérence si la diagonale est ascendante :

1.2.7 Déterminant d'une matrice triangulaire

Proposition 1.2.20 n
Si A = (aij )1≤i,j≤n est triangulaire, alors det(A) =
Y
aii .
i=1

Preuve.
Supposons que A est triangulaire supérieure, donc aij = 0 ∀i > j ,
n
par suite det(A) =
X Y
ε(σ) aσ(i) i .
σ∈Sn i=1
n
Soit σ ∈ Sn , s'il existe i ∈ {1, ..., n} tel que σ(i) > i , alors aσ(i) i = 0, donc il ne reste
Y

i=1
que les σ vériant σ(i) ≤ i ∀i ∈ {1, ..., n}.
n
D'où σ = Id et det(A) =
Y
aii .
i=1

• Si A est triangulaire inférieure alors t A est triangulaire supérieure et

n
Y
det(A) = det(t A) = aii .
i=1

Proposition 1.2.21
Soit A = (C1 , ..., Cn ) ∈ Mn (K).

Algèbre 2
17 CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS

1) Si ∃i ∈ {1, ..., n} / Ci = 0 , alors det(A) = 0.

2) Si (C1 , ..., Cn ) est une famille liée, alors det(A) = 0.
3) Si on permute les colonnes, alors det(Cσ(1) , ..., Cσ(n) ) = ε(σ) det(A).
4) det(C1 , ..., α Ci , ..., Cn ) = α det(A).
5) Si Ci = Ci0 + Ci00 , alors det(C1 , ..., Ci−1 , Ci0 + Ci00 , Ci+1 , ..., Cn ) = det(A).
6)
X
det(C1 , ..., Ci−1 , αi Ci , Ci+1 , ..., Cn ) = αi det(A).
i
7) Tout ce qui est vrai pour les colonnes est aussi vrai pour les lignes.
Corollaire 1.2.22
Par opérations élémentaires successives, on peut triangulariser une matrice et donc calculer
son déterminant ( Méthode de pivot de Gauss ).
Corollaire 1.2.23 
B C
 
B 0

Si A est triangulaire par bloc i.e A = ou A = où
0 D C D
B, C et D sont des matrices, alors det(A) = det(B). det(D) .
∀B ∈ Mm (K), ∀C ∈ Mm,n−m (K), ∀D ∈ Mn−m (K), 0 ∈ Mn−m,m (K).

Preuve.
En utilisant le produit par bloc, on a :
    
B C I 0 B C
= .
0 D 0 D 0 I
 
I 0
Donc, il sut de montrer que det = det(D) et
0 D
 
B C
det = det(B), pour cela on reprend la méthode de démonstration utilisée pour
0 I
les matrices triangulaires.
 
I 0
Pour , on développe successivement par rapport aux premières lignes pour sim-
0 D
plier les calculs, il reste donc det(D).
 
B C
Pour , on fait un développement analogue suivant les dernières lignes.
0 I

Méthode du pivot de Gauss

Cette méthode consiste à remplacer la matrice par une matrice triangulaire en utilisant
seulement des permutations de lignes ou colonnes, des ajouts à une ligne d'un multiple
d'une autre ligne de manière à faire apparaitre le maximum de zéro.
Le principe est le suivant :

• On choisit aij 6= 0 en général a11 , on l'appel le pivot.

Algèbre 2
CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS 18

• Si aij 6= a11 , on permute les lignes 1 et i et les colonnes 1 et j , on obtient donc une
matrice A0 telle que det(A0 ) = (−1)i+j det(A).
• On élimine tous les termes situés sous le pivot en ajoutant à la ligne k la ligne 1
multipliée par − aak1
11
.
• On refait la même chose pour les sous-matrices privée de la première ligne et la
première colonne.
• On obtient donc une matrice triangulaire T dont le déterminant est simple à calculer
et telle que det(A) = (±1) det(T ).

Exemples 1.2.24
1) Voir Exercice 9 ( application ) de la série 1.
2) Calculer
 
 5 2 1
 
D =  10 4 3 .
 
 
 15 8 1

On a :

 
 1 1 1
 
D = 5 × 2  2 2 3 ( on f actorise C1 et C2 respectivement par 5 et 2 )
 
 
 3 4 1
 
1 1 1 
 
= 10  0 0 1  ( L2 ← L2 − 2L1 et L3 ← L3 − 3L1 )
 
 
 0 1 −3
 
1 1 1 
 
= −10  0 1 −3 ( L2 ←→ L3 )
 
 
0 0 1 
= −10.

3)
 
 1 1 1 ··· 1   
 1 1 1 · · · 1
 1 2 2 ··· 2  
0 1 1 · · · 1
 
  
 1 2 3 ··· 3   
0 0 1 · · · 1 ( L2 ← L2 − L1 , · · · , Ln ← Ln − Ln−1 )
.. .. .. ..  = 

. . . .   .. .. .. . . .. 

. .


. . .
1 2 3 ··· n − 1 
  
 
   0 0 0 · · · 1
 1 2 3 ··· n 
= 1.

Algèbre 2
19 CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS

Développement du déterminant selon une rangé

Lemme 1.2.25
 
 a11 ··· a1n 0  
 . a11 · · · a1n 
... .. ..  

 .. . .  =  .. . . . 
 

  . . ..  .
···

 an1 ann 0  
   an1 · · · ann 
a
n+1,1 · · · an+1,n 1 

Preuve. Voir T.D.

Remarque 1.2.26
Cette formule réduit le calcul d'un déterminant de rang (n + 1) à celui de (n + 1) détermi-
nants d'ordre n, en eet :
 
 a11 · · · a 1,n+1

 . .
 
D= . . . . . .
 1+2 1+(n+1)

.  = a11 ∆11 + (−1) ∆12 + · · · + (−1) ∆1,n+1 ,
 
 an+1,1 · · · an+1,n+1 

avec ∆ij le déterminant de la même matrice mais privée de la ième ligne et la j ème colonne.
Ce calcul peut se faire suivant une ligne ou une colonne quelconque qu'on choisi soigneu-
sement pour simplier les calculs.

Dénition 1.2.27
1) Cette opération est appelée développement de det(A) selon la ième ligne et la j ème
colonne ( la ligne ou la colonne selon laquelle on développe ).
2) Le coecient ∆ij est appelé mineur d'indice (i, j) de A.
3) Le coecient (−1)i+j ∆ij est le cofacteur d'indice (i, j) de A et noté cofij (A)
n
X n
X
det(A) = aij cofij (A) = aij cofij (A).
i=1 j=1

Exercice. Calculer le déterminant

2 −1
 
 1 1
 
 −1 2 1 3 
∆= .

 0 1 0 −1
 
 2 1 1 1

Algèbre 2
CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS 20

Pour simplier les calculs, on choisit le développement par rapport à la 3ème ligne, ce qui
donne :
   
 1 −1 1  1 2 −1
   
∆ = (−1)  −1 1 3 − (−1)  −1 2 1 
   
   
 2 1 1  2 1 1
   
 0 0 4  0 4 0
   
L1 +L2 →L1
= − −1 1 3 + −1 2 1
   
0 0 0
   
L1 ←L1 +L2    
 2 1 1  2 1 1
   
 −1 1  −1 1
= −4  −4   = 12 + 12
   
 2 1  2 1
= 24.

1.2.8 Applications des déterminants

Système linéaire
On appelle système linéaire d'équations linéaires à n inconnues ou système linéaire à coef-
cients dans le corps K, un ensemble de n équations de la forme :



 a11 x1 + a12 x2 + · · · + a1n xn = b1


 a21 x1 + a22 x1 + · · · + a2n xn = b2

(Σ) : ..



 .

a x + a x + ··· + a x = b

p1 1 p2 2 pn n p

dans lesquels les coecients aij et les bi sont des éléments donnés de K et x1 , ..., xn les
inconnues, le système (Σ) s'écrit :
n
X
aij xj = bi i ∈ {1, ..., p}.
j=1

Une solution du système est une suite de n éléments (x1 , ..., xn ) de K vériant les égalités
de (Σ).
? Résoudre le système c'est trouver l'ensemble de toutes les solutions de (Σ).
Le système (Σ) s'écrit sous la forme vectorielle :
x 1 A1 + · · · + x n An = B
   
a1i b1
 ..   .. 
avec Ai =  .  ∈ K , ∀i ∈ {1, ..., n} et B =  .  ∈ Kp .
p

api bp

Algèbre 2
21 CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS

Soit A la matrice dont les colonnes sont A1 , ..., An i.e

 
a11 · · · a1n
 . ... .. 
A = (A1 , ..., An ) =  .
 . . 
 ∈ Mn (K)
an1 · · · ann

et  
x1
X =  ...  ∈ Kn ' Mn,1 (K).
 

xn
Le système (Σ) s'écrit A X = B,
    
a11 · · · a1n x1 b1
 . . . . ..  . .
(Σ) ⇐⇒  .
 . .   ..  =  ..  .
  

an1 · · · ann xn bn

Dénition 1.2.28
Le système (Σ) est de Cramer si et seulement si det(A) 6= 0.
Théorème 1.2.29
Si (Σ) est de Cramer, alors (Σ) admet une et une seule solution
(x1 , ..., xn ) = (xk )1≤k≤n

avec xk = det(A
det(A) , où Ak est la matrice carrée d'ordre n obtenue en remplaçant dans A la
k)

k ème colonne de A par la colonne(B,

aij si j 6= k
i.e Ak = ((aij )k )i,j avec (aij )k =
bi si j = k .

Exemple 1.2.30
Soit le système 
 a11 x1 + a12 x2 + a13 x3 = b1


(Σ) : a21 x1 + a22 x1 + a23 x3 = b2


a31 x1 + a32 x2 + a33 x3 = b3


avec,  
a11 a12 a13
   
x1 b1
A =  a21 a22 a23  , X =  x2  et B =  b2  .
 

a31 a32 a33 x3 b3

Le système Σ admet une et une seule solution si et seulement si det(A) 6= 0.

et      
b1 a12 a13 a11 b1 a13 a11 a12 b1
A1 =  b2 a22 a23  , A2 =  a21 b2 a23  , A3 =  a21 a22 b2  .
     

b3 a32 a33 a31 b3 a33 a31 a32 b3

Algèbre 2
CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS 22

det(A1 ) det(A2 ) det(A3 )

x1 = , x2 = et x3 = .
det(A) det(A) det(A)
c'est à dire que :    
x1 det(A1 )
1 
X =  x2  = det(A2 ) .
det(A)
x3 det(A3 )

Remarque 1.2.31 ( Exercice. Etudier le cas où det(A) = 0 )

   
det(A1 ) 0
1) Si det(A) = 0 et det(A2 ) 6= 0 , alors le système (Σ) n'a aucune solution.
  
det(A3 ) 0
2) Si det(A) = det(A1 ) = det(A2 ) = det(A3 ) = 0, on peut avoir une innité de solutions
comme on peut n'avoir aucune solution.
Dénition 1.2.32
On appelle comatrice de A la matrice des cofacteurs de A et on la note
Com(A) = (Aij )1≤i,j≤n ∈ Mn (K)

avec Aij = (−1)i+j ∆ij .

Exemples 1.2.33

! !
1 2 4 −3
1) Si A = alors Com(A) =
3 4 −2 1
2)    
1 2 3 1
 2 3
L3 ←L3 +L1 
B= 0 1 2  , det(B) = 0 1 2 = 6.
  
 
−1 −4 −1 , 0 −2 2
   
7 −2 1 7 −10 1
t
Com(B) =  −10 2 2 , Com(B) =  −2 2 −2 .
   

1 −2 1 1 2 1
D'où  
7 −10 1
1
B −1 =  −2 2 −2 .

6
1 2 1

Théorème 1.2.34
∀A ∈ Mn (K),
t
(Com(A)) A = A t (Com(A)) = det(A) In .

Algèbre 2
23 CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS

Preuve.
Soit A = (aij )i,j , Com(A) = (Aij )i,j donc t Com(A) = (A0ij )i,j = (Aji )i,j , ( avec A0ij =
Aji ).
Notons t (Com(A)) A = (bij )i,j .
n n
On a :
X X
bij = A0ik akj = Aki akj .
k=1 k=1

• Si i = j, alors en développant det(A) selon la j ème colonne, on aura :

n
X
det(A) = Akj akj = bjj .
k=1

• Si i 6= j, en développant det(A1 , ..., Ai−1 , Aj , Ai+1 , ..., An ) par rapport à la ième co-
lonne, on obtient :
n
X
det(A1 , ..., Ai−1 , Aj , Ai+1 , ..., An ) = Aki akj = bij .
k=1

Or det est alternée et (A1 , ..., Ai−1 , Aj , Ai+1 , ..., An ) contient deux colonnes iden-
tiques, donc
det(A1 , ..., Ai−1 , Aj , Ai+1 , ..., An ) = 0 = bij .

D'où
si i 6= j
(
0
bij = δij det(A) =
det(A) si i = j .

Par suite t Com(A) A = det(A) In .

De même, on obtient A t Com(A) = det(A) In .

Corollaire 1.2.35
Si det(A) 6= 0, alors A−1 = 1 t
det(A) Com(A).

Exemple 1.2.36
Exemple 2 précédent.
Exercice 1 :
 
a b c
Soit A = 
 d e f  ∈ M3 (K).


g h i
1) Donner une condition nécessaire et susante pour que A est inversible.
2) Calculer la comatrice Com(A) de A. En déduire A−1 .

Exercice 2 :

Algèbre 2
CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS 24

Soient (a1 , a2 , a3 ) ∈ K3 , b ∈ K et (Σ) le système A X = b avec

 
1 1 1 x1
   
1
A =  a1 a2 a3  , X = x2 et B = b .
   
a21 a22 a23 x3 b2

Résoudre le système (Σ).

1.2.9 Rang d'une matrice

Soit K un corps commutatif.

Dénition 1.2.37
Soit A ∈ Mn,p (K). On appelle matrice extraite de A toute matrice obtenue en retirant un
certain nombre de lignes ou de colonnes de A.
Exemple 1.2.38
     
1 3 4 5 1 2
B1 = , B2 = et B3 = sont des matrices extraites de A =
7 9 7 8 7 8
 
1 2 3
 4 5 6
7 8 9

Dénition 1.2.39
On appelle déterminant extrait de A ∈ Mn,p (K) d'ordre r, tout déterminant d'une matrice
carrée d'ordre r extraite de A.
Exemple 1.2.40
Les mineurs de A ∈ Mn (K) sont des déterminants extraits d'ordre n − 1.
Rappel.
Dénition 1.2.41
1) Le rang d'une famille de vecteurs d'un espace vectoriel E est la dimension du sous
espace vectoriel qu'elle engendre.
(u1 , ..., un ) ∈ E n , rg(u1 , ..., un ) = dim < u1 , ..., un > .

2) Le rang d'une application linéaire f : E −→ F est la dimension de son image

rg(f ) = dim(Im f ).
Donc si (e1 , ..., en ) est une base de E , alors l'image de f est le sous espace vectoriel
de F engendré par (f (e1 ), ..., f (en )).
Donc le rang de f est le rang de la famille (f (e1 ), ..., f (en )).
Ce rang ne dépend pas de la base choisie. C'est le rang de la famille des vecteurs
colonnes de la matrice de f , quelles que soient les bases par rapport auxquelles on
écrit cette matrice.

Algèbre 2
25 CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS

Dénition 1.2.42
Soit A ∈ Mn,p (K) une matrice. Le rang de A est la dimension du sous espace vectoriel de
Kn engendré par ses vecteurs colonnes.

Théorème 1.2.43
Soit A ∈ Mn,p (K). On a :
rg(A) = rg( t A ).

Théorème 1.2.44
Toute matrice extraite de A ∈ Mn,p (K) est de rang inférieur ou égal à celui de A.
Preuve.
Soient A ∈ Mn,p (K) et C1 , ..., Cp ses colonnes, on a rg(A) = rg(C1 , ..., Cp ).
• Si on retire la colonne j de A, alors < C1 , ..., C
cj , ..., Cp > ⊆ < C1 , ..., Cp > D'où,

rg( C1 , ..., C
cj , ..., Cp ) = dim < C1 , ..., C
cj , ..., Cp >≤ dim < C1 , ..., Cp >= rg(A).

soient L1 , ..., Ln les lignes de A, comme rg(A) = rg( t A ) et L1 , ..., Ln sont les colonnes de
t A, alors on peut conclure.

Théorème 1.2.45
Le rang d'une matrice non nulle A ∈ Mn,p (K) est l'ordre maximal des déterminants non
nuls extraits de A.
Preuve.
Si A admet un déterminant extrait non nul d'ordre r, alors A contient r colonnes ( ou r
lignes ) indépendantes, donc rg(A) ≥ r.
Inversement, supposons que rg(A) = r, donc A contient r colonnes indépendantes C1 , ..., Cr .
Soit B = (C1 , ..., Cr ), on a rg(B) = r. r est maximal, sinon rg(A) > r.

Exemples 1.2.46
1) Déterminant de Vandermonde Vn (a1 , ..., an ). On a :
Y
Dn (a1 , ..., an ) = (aj − ai ).
i<j

• Si ∀i 6= j, ai 6= aj , alors Dn (a1 , ..., an ) 6= 0, donc rg(Vn ) = n.

• Si ∃i0 6= j0 / ai0 = aj0 , alors rg(Vn ) < n, on élimine la colonne i0 ou la colonne
j0 et la nème ligne. Si ∀i, j ∈ {1, ..., n − 1}, ai 6= aj , alors rg(Vn ) = n − 1. Sinon,
on refait la même chose pour
 ..., n − 1 } tels que ai1 = aj1 et ainsi de suite, on obtient :
i1 , j1 ∈ { 1,
rg(Vn ) =  { aj / ai 6= aj ∀i 6= j }  : le cardinal des éléments aj distincts deux
à deux.

Algèbre 2
CHAPITRE 1. APPLICATION MULTILINÉAIRE-DÉTERMINANTS 26

2) Soit
   
1 0 2 3 L1
 2 0 4 6 L   
 2
A=  . Soit A =   Li les lignes de A, 1 ≤ i ≤ 4.
 
 0 2 2 0  L3 
1 2 4 3 L4

On a : L2 = 2L1 ,doncrg(A) < 4 i.e rg(A) ≤ 3.

L1
D'où rg(A) = rg  L3  . De plus, on a : L4 = L1 + L3 .
 

L4
!
L1
Donc rg(A) = rg . Comme la famille { L1 , L3 } est linéairement indépendante,
L3
!
L1
alors rg = 2. Par conséquent rg(A) = 2.
L3

Corollaire 1.2.47
Soit A ∈ Mn (K),
A est inversible ⇐⇒ det(A) 6= 0 ⇐⇒ rg(A) = n.

Algèbre 2
Chapitre 2
Réduction des endomorphismes

Introduction

La réduction d'endomorphisme a pour objectif d'exprimer des matrices et des endomor-

phismes sous une forme plus simple ; par exemple pour faciliter les calculs. Cela consiste
essentiellement à trouver une décomposition de l'espace vectoriel en une somme directe de
sous espaces stables sur lesquels l'endomorphisme induit est plus simple.

2.1 Sous espaces stables

Dans tout ce qui suit, K désigne un corps et E un K-espace vectoriel.

Dénition 2.1.1
Un sous espace vectoriel F de E est stable par un endomorphisme f de E si :
f (F ) ⊆ F, i.e. ∀x ∈ F f (x) ∈ F,

c'est à dire que la restriction de f à F notée f|F est un endomorphisme de F appelé

endomorphisme induit par f sur F.
Exemples 2.1.2
1) {0E } et E sont stables par f, ∀f ∈ End(E) = L(E, E).
2) Tout sous espace vectoriel F de E est stable par λ IdE , ∀λ ∈ K.

Proposition 2.1.3
Si F et G sont deux sous espaces vectoriels de E stables par f ∈ End(E), alors F + G et
F ∩ G sont aussi.

Preuve.
f (F + G) = f (F ) + f (G) ⊆ F + G.
f (F ∩ G) ⊆ f (F ) ∩ f (G) ⊆ F ∩ G.

27
CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES 28

Théorème 2.1.4
Soient (f, g) ∈ (End(E))2 . Si f et g commutent, alors Im(f ) et Ker(f ) sont stables par
g.
Preuve.
Soit y ∈ Im(f ), on a :
g(y) = g(f (x)), avec y = f (x)
= f (g(x)) ∈ Im(f ).
Donc Im(f ) est stable par g.
Soit x ∈ Ker(f ), on a :
f (g(x)) = g(f (x)) = g(0) = 0.
D'où g(x) ∈ Ker(f ), par suite Ker(f ) est stable par g.
Théorème 2.1.5
Soient f et g deux endomorphismes de E. Si F est stable par f et g , alors pour tout α ∈ K,
F est stable par αf , f + g et f ◦ g.
De plus,
(αf )F = αfF , (f + g)F = fF + gF et (f ◦ g)F = fF ◦ gF .
Preuve. Exercice.
Corollaire 2.1.6
Si F est stable par f ∈ End(E), alors F est stable par tout polynôme en f
n n
si P (X) = ai f i , et ∀P ∈ K[X], P (f )F = P (fF ).
X X
ai X i , P (f ) =

i=0 i=0

Proposition 2.1.7
Si F est stable par f ∈ End(E), alors
Ker(fF ) = Ker(f ) ∩ F et Im(fF ) ⊆ Im(f ) ∩ F.
Preuve.
1) Soit x ∈ Ker(fF ), on a x ∈ F et f (x) = 0, donc x ∈ Ker(f ) ∩ F, donc Ker(fF ) ⊆
Ker(f ) ∩ F.
Soit x ∈ Ker(f ) ∩ F, on a fF (x) = f (x) = 0, donc x ∈ Ker(fF ). D'où Ker(f ) ∩ F ⊆
Ker(fF ).
2) On a Im(fF ) ⊆ Im(f ), car fF est la restriction de f à F, de plus Im(fF ) ⊆ F car F
est stable par f. D'où Im(fF ) ⊆ Im(f ) ∩ F.
Remarques 2.1.8
1) f est injectif ⇒ fF est injectif.
2) f est surjectif ; fF est surjectif, en eet :
Soient E = K[X], F = Kn [X], avec n ∈ N∗ et
f : K[X] −→ K[X]
P (X) 7−→ P 0 (X)
f est surjectif mais fF ne l'est pas.

Algèbre 2
 29 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES

2.1.1 Cas de dimension nie

Dans tout ce qui suit, E désigne un K-espace vectoriel de dimension nie.

Théorème 2.1.9
Soit F un sous espace vectoriel de dimension p de base BF complétée en une base BE de
E . Soit f ∈ End(E). Les deux assertions suivantes sont équivalentes :
i) F est stable par f .
!
A B
ii) La matrice de f dans BE est de la forme avec A ∈ Mp (K), où A est la
O C
matrice de fF dans BF .
Preuve.
Soient BE = (e1 , ..., ep , ep+1 , ..., en ) et BF = (e1 , ..., ep ).
i) ⇒ ii) Soit A = (aij )1≤i,j≤p = MBF (fF ). On a donc
p
X
f (ej ) = aij ei ∀j ∈ {1, ..., p}.
i=1

donc  
a11 · · · a1p
 . ... .. 
MBF (fF ) =  .
 . . 
.
ap1 · · · app
D'où,  
a11 · · · a1p
.. ... ..
. . B
 
 
 
 ap1 · · · app 
MBE (f ) = 



 
0 C
 
 

avec A ∈ Mp (K), B ∈ Mp,n−p (K), C ∈ Mn−p (K) et 0 ∈ Mn−p,p (K).

ii) ⇒ i) Supposons maintenant que :
!
A B
MB (f ) = ∈ Mn (K), avec A ∈ Mp (K).
0 C

On a : p
X
∀j ∈ {1, ..., p}, f (ej ) = aij ei ∈ vect{e1 , ..., ep } = F ,
i=1
donc ∀j ∈ {1, ..., p}, f (ej ) ∈ F. Par linéarité de f ,
p
X  Xp
∀x ∈ F, f (x) = f xi e i = xi f (ei ) ∈ F.
i=1 i=1

Algèbre 2
CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES 30

Corollaire 2.1.10
Soient E = E1 ⊕ · · · ⊕ Em une décomposition de E en somme directe, Bi une base de
Ei , ∀i ∈ {1, ..., m} et B la base de E obtenue comme réunion des Bi . Si f ∈ End(E), alors
les deux propriétés suivantes sont équivalentes :
i) ∀i ∈ {1, ..., m}, Ei est stable par f.
 
A1 0
ii) La matrice de f dans B est de la forme 
 ... 

0 Am
avec Ai ∈ Mdim Ei (K) et Ai = MBi (fEi ).
Remarque 2.1.11 n
La réduction d'un endomorphisme f de E consiste à écrire E = Fi , avec Fi stable par
M

i=1
f et fFi simple.
En dimension nie, la réduction d'un endomorphisme correspond à l'obtention d'une re-
présentation matricielle simple ( la plus diagonale possible ).

2.2 Eléments propres

Soient E un K-espace vectoriel non réduit à {0E } et f un endomorphisme de E.

2.2.1 Valeurs propres et vecteurs propres

Proposition 2.2.1
Soient x ∈ E \ {0E } et D = vect(x) la droite vectorielle de E engendrée
par x. Les deux propriétés suivantes sont équivalentes :
1) D est stable par f.
2) ∃α ∈ K tel que f (x) = α x.
Dénition 2.2.2
Soit x ∈ E , x est dit vecteur propre de f si
x 6= 0E et ∃α ∈ K / f (x) = α x.

Remarques 2.2.3
1) Un vecteur propre est toujours non nul.
2) La valeur α ∈ K telle que f (x) = α x est unique.
Dénition 2.2.4
α ∈ K est une valeur propre de f s'il existe x ∈ E \ {0E } tel que f (x) = α x.
On dit que x est le vecteur propre associé à la valeur propre α ;
α est la valeur propre associée au vecteur propre x.

Dénition 2.2.5
L'ensemble des valeurs propres de f est appelé spectre de f , on le note Sp(f ) ou Sp f.

Algèbre 2
31 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES

Exemple 2.2.6

0 ∈ Sp(f ) ⇐⇒ ∃x ∈ E \ {0E } / f (x) = 0 x = 0

⇐⇒ Ker(f ) 6= {0E }
⇐⇒ f non injectif.

2.2.2 Sous espaces propres

Dénition 2.2.7
Soient α ∈ K et f ∈ End(E). On note Eα (f ) = Ker(f − α IdE ) le sous espace vectoriel
formé des vecteurs x ∈ E solutions de l'équation f (x) = α x.
Exemples 2.2.8
1) E0 (f ) = Ker(f ).
2) E1 (f ) = { x ∈ E / f (x) = x } est le sous espace des vecteurs invariants par f .
Théorème 2.2.9
Soient f ∈ End(E) et α ∈ K. Les assertions suivantes sont équivalentes :
i) α est une valeur propre de f.
ii) Eα (f ) 6= {0E }.
iii) L'endomorphisme f − α IdE n'est pas injectif.
Dénition 2.2.10
Soit α une valeur propre de f, α ∈ Sp(f ), Eα (f ) est appelé sous espace propre associé à
la valeur propre α.
Remarques 2.2.11
1) α ∈/ Sp(f ) =⇒ Eα (f ) = {0E }.
2) α ∈ Sp(f ) =⇒ Eα (f ) = {0E } ∪ { vecteur propre associé à la valeur propre α }.

2.2.3 Propriétés des sous espaces propres

Théorème 2.2.12
Les sous espaces propres de f sont stables par f et ∀α ∈ Sp(f ),
fEα (f ) = α IdE .
Preuve.
f et f −α IdE commutent, donc Eα (f ) est stable par f, ∀α ∈ Sp(f ). De plus ∀x ∈ Eα (f ),
on a : f (x) = α x, donc fEα (f ) = α IdEα (f ) .
Remarque 2.2.13
Si f et g commutent, alors les sous espaces propres de f sont stables par g et vice-versa.
En eet :
Eα (f ) = Ker(f − α IdE ), comme g commute avec f − α IdE ( polynôme en f ) .

Soit x ∈ Eα (f ), montrons que g(x) ∈ Eα (f ).

On a : f (g(x)) = f ◦ g(x) = g ◦ f (x) = g(α x) = α g(x), donc g(x) ∈ Eα (f ).

Algèbre 2
CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES 32

Théorème 2.2.14
Les sous espaces propres de f ∈ L(E) sont en somme directe.
Preuve.
Soient α1 , ..., αm des valeurs propres deux à deux distincts de f. Les polynômes (X − αi )
sont deux à deux premiers entre eux, donc
m
Y m
M
Ker ( f − αi IdE ) = Ker ( f − αi IdE ) ,
i=1 i=1

donc les sous espaces propres de f sont en somme directe.

Corollaire 2.2.15
Une famille de vecteurs propres associés à des valeurs propres deux à deux distincts est
libre.
Preuve.
Soient (xi )1≤i≤m des vecteurs propres associés aux valeurs propres deux à deux distincts
(αi )1≤i≤m . Supposons que β1 x1 + · · · + βm xm = 0, on a ∀i ∈ {1, ..., m} βi xi ∈ Eαi (f ),
or les Eαi (f ) sont en somme directe, donc ∀i ∈ {1, ..., m} βi xi = 0. Comme xi 6= 0E ∀i,
donc βi = 0, ∀i ∈ {1, ..., m}.

Détermination pratique :
La détermination des valeurs propres de f consiste à chercher les scalaires α ∈ K tels que
l'équation f (x) = α x possède d'autres solutions que la solution triviale.
Exemple 2.2.16
Soit E = C ∞ (R, R) et
d : E −→ E
.
f 7−→ f 0

Soit α ∈ R, d(f ) = α f ⇐⇒ f 0 = α f
f0
⇐⇒ =α
f
⇐⇒ f (x) = β eα x ∀x, avec β ∈ R.

D'où Eα (d) = vect(eα ), avec

eα : R −→ R
x 7−→ eα x

2.2.4 Eléments propres en dimension nie

Dans ce qui suit, E désigne un K-espace vectoriel de dimension nie n ∈ N∗ et f ∈
L(E) = End(E).

Algèbre 2
33 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES

Eléments propres d'une matrice

Dénition 2.2.17
Soient A ∈ Mn (K) et α ∈ K, α est dite valeur propre de A s'il existe X ∈ Mn,1 (K) tel
que : X 6= 0 et AX = αX.
On dit que la colonne X est un vecteur propre associé à la valeur propre α.
On appelle spectre, l'ensemble Sp(A) formé des valeurs propres de A.
Remarque 2.2.18
En identiant Kn à Mn,1 (K), on peut voir les valeurs propres de A comme étant les x ∈
Kn \ {0}, tels que Ax = αx.

Dénition 2.2.19
Pour α ∈ K, on note Eα (A) = Ker(A−α In ) l'espace des solutions de l'équation AX = αX.
Si α est valeur propre de A, Eα (E) est appelé sous espace propre de A associé à la valeur
propre α.
Théorème 2.2.20
Soient E un K-espace vectoriel de dimension n ∈ N∗ et B une base de E.
Si A = MB (f ), alors Sp(A) = Sp(f ) et les sous espaces propres associés à une même valeur
propre se correspondent via représentation matricielle dans la base B.
Preuve.
∀x ∈ E, si X = M atB (x), on a :

f (x) = αx ⇐⇒ AX = αX et x 6= 0E ⇐⇒ X 6= 0Mn,1 (K) .

Dénition 2.2.21
Soient A et B deux éléments de Mn (K).
Les matrices A et B sont dites semblables s'il existe une matrice inversible P telle que
A = P BP −1 . 00 être semblables 00 est une relation d'équivalence.

Corollaire 2.2.22
Deux matrices semblables ont le même spectre.
Preuve.
A et B sont semblables si et seulement si elles représentent le même endomorphisme.

2.2.5 Polynôme caractéristique d'une matrice carrée

Théorème 2.2.23
Soit A ∈ Mn (K). χA = det(A − XIn ) est un polynôme de degré n de la forme :

χA (X) = (−1)n ( X n − tr(A)X n−1 + · · · + (−1)n det(A) ).

∀α ∈ K, on note χA (α) = det(A − αIn ).

Algèbre 2
CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES 34

Dénition 2.2.24
χA = det(A − XIn ) est appelé polynôme caractéristique de la matrice
A ∈ Mn (K).

Exemples 2.2.25
1) Si A = In , χA = (1 − X)n .
 
α1 0 n
2) Si A = 
 ... ,

χA (X) =
Y
(αi − X).
0 αn i=1

2.2.6 Polynômes caractéristiques et valeurs propres

Théorème 2.2.26
Soit A ∈ Mn (K). α ∈ K est valeur propre de A si et seulement si α est racine du polynôme
caractéristique χA de A.
Preuve.
Soit α ∈ K,

α ∈ Sp(A) ⇐⇒ Ker(A − αIn ) 6= {0}

⇐⇒ A − αIn non inversible
⇐⇒ det(A − αIn ) = 0
⇐⇒ χA (α) = 0.

Corollaire 2.2.27
∀A ∈ Mn (C), A possède au moins une valeur propre complexe.

Corollaire 2.2.28
∀A ∈ Mn (K),
Sp( t A) = Sp(A).

Preuve.
χ t A = det(t A − αIn ) = det( t (A − αIn )) = det(A − αIn ) = χA .

Exemples 2.2.29
1) Soit  
α1 B
A=
 ... ,


0 αn
on a : Sp(A) = {α1 , ..., αn }.
!
B C
2) Si A = , alors Sp(A) = Sp(B) ∪ Sp(D).
0 D

Algèbre 2
35 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES

Exemple 2.2.30
Soit  
0−1 2
M =  3 −2 0  ∈ M3 (R) ( voir Exercice 3 série 6 )
 

−2 2 1
Déterminer les valeurs propres de M.
Les valeurs propres de M sont exactement les racines du polynôme caractéristique de M.
 
 −X 2 −1 

χM (X) =  3 −2 − X 0 
 
 
 −2 2 1 − X
   
 3 −2 − X   −X 2 
= −1   + (1 − X) 
  
 −2 −2 − X 

2   3
h i
= −6 + 2(2 + X) + (1 − X) (−X)(−2 − X) − 6

= −6 + 4 + 2X + (1 − X)(2X + X 2 − 6)
= −X 3 − X 2 + 10X − 8
= (X − 1)(X − 2)(−X − 4).

Donc M admet trois valeurs propres distinctes qui sont 1, 2 et − 4.

Espace propre associé à la valeur propre 1.
    
0 −1 2 x x
M X = X ⇐⇒  3 −2 0   y  =  y 
    

−2 2 1 z z

 2y − z = x

⇐⇒ 3x − 2y = y

−2x + 2y + z = z


2y − z = x

⇐⇒ 3x − 3y = 0

−2x + 2y = 0


x = y

⇐⇒

z=x


⇐⇒ x = y = z.

Donc, le sous espace propre de M associé à 1 est :

E1 (M ) = { (x, x, x) / x ∈ R } = vect{ (1, 1, 1) }.

Algèbre 2
CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES 36

Exercice.
Déterminer les sous espaces propres de M associés respectivement à 2 et −4.

E2 (M ) = vect{ (4, 3, −2) }, E3 (M ) = vect{ (2, −3, 2) }.

2.2.7 Polynôme caractéristique d'un endomorphisme

Dénition 2.2.31
Le polynôme caractéristique de f ∈ L(E) est le polynôme caractéristique commun aux
matrices représentant l'endomorphisme f, on le note χf .

2.2.8 Multiplicité d'une valeur propre

Soient P ∈ K[X] et α une racine de P. On appelle ordre de multiplicité de α en tant que
racine de P, le plus grand entier naturel n tel que (X − α)n divise P.
n
P est dit scindé dans K[X] si P peut s'écrire sous la forme P = c (X − αi ) où αi est
Y

i=1
racine de P dans K comptée avec multiplicité, donc
m
(X − αi )mi avec αi 6= αj ∀i 6= j et mi est la multiplicité de αi .
Y
P =c
i=1

Exemples 2.2.32
1) X 2 + 1 = (X − i)(X + i) est scindé dans C[X] mais pas dans R[X].
 
α1 ∗ n
2) Soit A = 
 ... ,

χA (X) =
Y
(X − αi ).
0 αn i=1

Si par exemple, α1 = · · · = αp avec p ≤ n et ∀i > p, αi 6= α1 , alors χA (X) =

n
(X − αi ) et p est l'ordre de multiplicité
Y
(X − α1 )p
i=p+1
de α1 .
Théorème 2.2.33
∀f ∈ L(E),
X
mα (f ) ≤ dim E,
α∈Sp(f )

avec égalité si et seulement si le polynôme χf est scindé dans K[X], il en est de même pour
A ∈ Mn (K).

Preuve.
mα (f ) est le degré de (X − α) où chaque (X − α) est répété mα fois, donc
X Y

α∈Sp(f ) α∈Sp(f )
inférieur au degré de χA (X).

Algèbre 2
37 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES

Corollaire 2.2.34
Si K = C, alors f ∈ L(E) possède exactement n valeurs propres comptées avec multiplici-
tés.
Preuve.
Dans C[X], tout polynôme non constant est scindé.

2.2.9 Multiplicité et sous espace propre

Proposition 2.2.35
Soit F un sous espace vectoriel de E. Si F est stable par f , alors χf|F /χf .
Preuve.
Dans une base BF adaptée!à F ( i.e. base de F complétée en une base de E ), la matrice de
A B
f est de la forme où A est la matrice de f|F dans BF , on a donc χf = χA . χC =
0 C
χfF . χC .

Théorème 2.2.36
∀α ∈ Sp(f ), on a :
1 ≤ dim Eα (f ) ≤ mα (f ).

Preuve.
Soit α ∈ Sp(f ), on a : Eα (f ) = Ker(f − αIdE ) 6= {0}, donc dim Eα (f ) ≥ 1.
De plus, Eα (f ) est stable par f , donc χf|Eα (f ) /χf , or χf|Eα (f ) = (α − X)dim Eα (f ) ,
Donc α est racine de f d'ordre au moins dim Eα (f ), d'où l'inégalité

1 ≤ dim Eα (f ) ≤ mα .

Corollaire 2.2.37
Si α est valeur propre simple de f, alors dim Eα (f ) = 1.

2.3 Diagonalisation

Dans tout ce qui suit, E désigne un K-espace vectoriel de dimension n ∈ N∗ et f ∈ L(E).

Dénition 2.3.1
f est diagonalisable s'il existe une base de E dans laquelle la matrice de f est diagonale.
Cette base est appelée base de diagonalisation de f.
Exemples 2.3.2
1) IdE est diagonalisable et toute base de E est une base de diagonalisation de IdE .

Algèbre 2
 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES 38

2) Si F et G sont deux sous espaces supplémentaires de E, la projection sur F parallè-

!
Ir 0
lement à G, est diagonalisable en eet, si E = F ⊕ G, alors MB (f ) =
0 0n−r
où B est une base de E adaptée à la décomposition E = F ⊕ G, r la dimension de
F , n − r = dim G, On−r est la matrice nulle d'ordre n − r.

Théorème 2.3.3
Les deux assertions suivantes sont équivalentes :
1) f est diagonalisable.
2) Il existe une base de E formée de vecteurs propres de f.
Preuve.
1) ⇒ 2) Supposons que f est  diagonalisable et B = (e1 , ..., en ) une base de diagonalisation de
α1 0
f , donc MB (f ) = 
 ...  , donc


0 αn
f (ei ) = αi ei , ∀i ∈ {1, ..., n}, et par suite B est une base de E formée de vecteurs
propres de f.
Inversement, si B est une base de E formée de vecteurs propres, alors MB (f ) =
2) ⇒ 1) 
α1 0

 . . .  où αi est la valeur propre associée au vecteur propre ei .


0 αn

Exemple 2.3.4
Si f est diagonalisable et si Sp(f ) = {α}, alors f = α IdE .
Proposition 2.3.5
Si f est diagonalisable, alors :
1) f possède n valeurs propres comptées avec multiplicités.
2) Les matrices diagonales représentant f sont celles dont les coecients diagonaux sont
les valeurs propres de f comptées avec multiplicités.
Preuve.
Soit D = diag(α1 , ..., αn ) la matrice diagonale représentant f dans une base B = (e1 , ..., en ),
n
donc χf (X) = χD (X) = (αi − X) et par suite, les αi sont les n valeurs propres de f
Y

i=1
comptées avec multiplicités et la matrice de f est dont les coecients diagonaux sont les
éléments diagonaux de D.
Inversement, soient α1 , ..., αn les n valeurs propres de f comptées avec multiplicités. Soit
D = diag(ασ(1) , ..., ασ(n) ) une matrice représentative de f dans une base B.

Lemme 2.3.6
Si f admet m valeurs propres distinctes α1 , ..., αm (m ≤ n) dont les vecteurs propres
respectifs sont e1 , ..., em , alors e1 , ..., em sont linéairement indépendants.

Algèbre 2
39 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES

Preuve.
Faisons une démonstration par récurrence sur m.
Pour m = 1, la propriété est vraie car e1 6= 0.
Supposons que cette propriété est vraie pour m − 1 et soit
β1 e1 + · · · + βm em = 0 (1)

avec βi ∈ K.
En appliquant f, on a :
α1 β1 e1 + · · · + αm−1 βm−1 em−1 + αm βm em = 0 (2)

(2) − αm (1) =⇒ (α1 − αm )β1 e1 + · · · + (αm−1 − αm )βm−1 em−1 = 0.

Par hypothèse de récurrence, e1 , ..., em−1 sont libres, donc
(αi − αm )βi = 0, ∀i ∈ {1, ..., m − 1}.

Comme αi − αm 6= 0 ∀i ∈ {1, ..., m − 1}, car les αi sont diérents, donc

βi = 0, ∀i ∈ {1, ..., m − 1}.

En remplaçant dans (1), on obtient βm em = 0, or em 6= 0, donc βm = 0.

Par conséquent, e1 , ..., em sont linéairement indépendants.
Théorème 2.3.7
Si f ∈ L(E) possède n = dim E valeurs propres distinctes, alors f est diagonalisable et ses
sous espaces propres sont des droites vectorielles.
Preuve.
Soient α1 , ..., αn les n valeurs propres deux à deux distinctes de f, et e1 , ..., en des vecteurs
propres respectivement associés.
D'après le lemme précédent, B = (e1 , ..., en ) est une famille libre, donc une base de
E ( card B = n = dim E ).
De plus, MB (f ) = diag(α1 , ..., αn ) = D, donc f est diagonalisable, donc
n
Y
χf (X) = χD (X) = (αi − X).
i=1

Puisque les αi sont deux à deux distincts, il en est de même pour les ei et donc les sous
espaces propres associés sont tous de dimension 1.

2.3.1 Diagonalisation et sous espaces propres

Théorème 2.3.8
Soit f ∈ L(E). Les assertions suivantes sont équivalentes :
1) f est diagonalisable.

Algèbre 2
 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES 40

2) E est somme directe des sous espaces propres de f i.e. E =

M
Eα (f ).
α∈Sp(f )

3)
X
dim Eα (f ) = dim E.
α∈Sp(f )

Preuve.
Rappelons que les sous espaces propres de f sont en somme directe.
1) ⇒ 2) Supposons que f est diagonalisable,
M dont B = (e1 , ..., en ) une base de diagonalisation,
∀i ∈ {1, ..., n}, ei ∈ Eα (f ),
α∈Sp(f )
donc E ⊆ Eα (f ), et par suite E =
M M
Eα (f ).
α∈Sp(f ) α∈Sp(f )
2) ⇒ 3)  M 
M X
E= Eα (f ) =⇒ dim E = dim Eα (f ) = dim Eα (f )
α∈Sp(f ) α∈Sp(f ) α∈Sp(f )

3) ⇒ 1) Si Bα est une base de Eα ∀α ∈ Sp(f ), alors B = Bα est une

[

α∈Sp(f )
famille libre de n = dim E vecteurs propres , donc B est une base de vecteurs propres
et par suite f est diagonalisable.
Dénition 2.3.9
Une matrice A ∈ Mn (K) est dite diagonalisable lorsqu'elle est semblable à une matrice
diagonale i.e. ∃P ∈ GLn (K) et D ∈ Dn (K) vériant
P −1 AP = D.
Proposition 2.3.10
Si A = MB (f ), alors f est diagonalisable ⇐⇒ A est diagonalisable.
D'où le théorème :
Théorème 2.3.11
Soit A ∈ Mn (K), les assertions suivantes sont équivalentes :
1) A est diagonalisable.
2)
M
Mn,1 (K) = Eα (A).
α∈Sp(A)

3)
X
n= dim Eα (A).
α∈Sp(A)
4) χA est scindé dans K[X] et ∀α ∈ Sp(A), dim Eα (A) = mα (A).

De plus, les matrices diagonales semblables à A sont celles dont les coecients diagonaux
sont les valeurs propres de A comptées avec multiplicités.
Théorème 2.3.12
Si A ∈ Mn (K) admet n valeurs propres distinctes, alors A est diagonalisable. De plus ses
sous espaces propres sont des droites vectorielles.

Algèbre 2
41 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES

Exemple 2.3.13
Toute matrice triangulaire dont les coecients diagonaux sont distincts deux à deux est
diagonalisable.

Critères : Soit f ∈ L(E).

- f possède n valeurs propres distinctes =⇒ A diagonalisable.
- dim Eα (A) = n =⇒ A diagonalisable.
X

α∈Sp(f )

- χA non scindé =⇒ A non diagonalisable.

- ∃α ∈ Sp(A) / dim Eα (A) < mα (A) =⇒ A non diagonalisable.

Exemples 2.3.14
( Voir Exercice 4 Série 6 ).
!
1 −1
Ex 1) A = ∈ M2 (K).
1 1
 
1 − X −1 
χA (X) =   = (1 − X)2 + 1 = 2 − 2X + X 2 = X 2 − 2X + 2.

 1 1 − X
∆ = 4 − 8 = −4 < 0, donc χA (X) n'a pas de racine dans R[X], donc non scindé dans
R[X].
Dans C[X], on a χA (X) = (X − (1 − i))(X − (1 + i)), donc χA (X) admet
! deux valeurs
1+i 0
propres, A est donc diagonalisable et A est semblable à .
0 1−i
!
x
Cherchons E1+i (A). Soit X = ∈ R2 ,
y

X ∈ E1+i (A) ⇐⇒ AX = (1 + i)X

! ! ! (
1 −1 x x x − y = (1 + i)x
⇐⇒ = (1 + i) ⇐⇒
1 1 y y x + y = (1 + i)y
(
y = −ix
⇐⇒ ⇐⇒ y = −ix
x = iy
⇐⇒ (x, y) = x(1, −i) ⇐⇒ (x, y) ∈ vect((1, −i)).

Donc E1+i (A) = vect((1, −i)).

De même E1−i (A) = vect((1, i)). ! !
1+i 0 1 1
Donc A = P DP −1 , avec D = , P =
0 1−i −i i
!
i −1
et P −1 = 1
2
1 1

Algèbre 2
CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES 42
 
1 1 −1
Ex 2) Soient A = 
 1 1 1  et f ∈ L(E) l'endomorphisme associé dans B = (e1 , e2 , e3 ).


1 1 1
Le polynôme caractéristique de A est : χA (X) = X(X−1)(X−2) et Sp(f ) = 3 = dim E,
 

donc f est diagonalisable.

E0 (f ) = vect(e1 − e2 ), E1 (f ) = vect(−e1 + e2 + e3 ) et E3 (f ) = vect(e2 + e3 ).
Soit u1 = e1 − e2 , u2 = −e1 + e2 + e3 et u3 = e2 + e3 , alors B 0 = (u1 , u2 , u3 ) est une base
de E ( famille de vecteurs propres associés à des valeurs propres distinctes et donc base
adaptée à la décomposition de E en somme  directe de sous espaces propres ).
0 0 0
La matrice de f dans B 0 est D =  0 1 0

.
0 0 2
Si P est la matrice de passage de B à B 0 , on a A = P DP −1 , avec

   
1 −1 0 0 −1 1
P =  −1 1 1 et P −1 =  −1 −1 1 .
   

0 1 1 1 1 0

Bilan.
Si A est diagonalisable, alors on a A = P DP −1 avec P matrice dont les colonnes forment
une base de vecteurs propres de A et D matrice diagonale dont les coecient diagonaux
sont les valeurs propres respectives des colonnes formants P .

2.3.2 Diagonalisation eective d'une matrice

Soit A ∈ Mn (K) une

M matrice diagonalisable.
On a Mn,1 (K) = Eα (A), on peut donc former une base (C1 , ..., Cn ) de Mn,1 (K) à
α∈Sp(A)
partir des vecteurs propres de A. Pour i ∈ {1, ..., n}, soit αi la valeur propre associée au
vecteur propre Ci : ACi = αi Ci ( mαi ≥ 1 on a bien mαi = dim Eαi et on fait correspondre
αi à chaque élément d'une base de Eαi (A) ).
Soit P la matrice dont les colonnes sont C1 , ..., Cn , i.e P = (C1 , C2 , ..., Cn ). On a bien
rg(P ) = rg(C1 , ..., Cn ) = n, donc P est inversible.

Algèbre 2
43 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES

De plus, on a :
P −1 AP = P −1 (AC1 | ... | ACn )
= P −1 (α1 C1 | ... | αn Cn )
= α1 P −1 C1 | ... | αn P −1 Cn

     
α1  0   0 !
 0    α     .. 
=  .    .   ...   . 
    2    
car P −1 P = In = (P −1 C1 | ... | P −1 Cn )
 ..    ..     0 
0 0 αn
 
α1 0
=
 . ..  = D.


0 αn

D'où, P −1 AP = D et donc A = P −1 DP avec D diagonale dont les coecients diagonaux

sont les valeurs propres associées respectivement à C1 , ..., Cn .

2.3.3 Application de la diagonalisation

a) Calcul de la puissance d'une matrice :
Soit A ∈ Mn (K) une matrice diagonalisable, donc il existe une matrice diagonale D et une
matrice inversible P telles que A = P DP −1 , donc
∀m ∈ N, Am = P Dm P −1 .
Exemple 2.3.15
voir T.D.

b) Résolution d'équation matricielle : T.D.

2.4 Trigonalisation

Dénition 2.4.1
f est dite trigonalisable ou triangularisable s'il existe une base de E dans laquelle la matrice
de f est triangulaire supérieure.
Une telle base est dite base de trigonalisation de f .
Exemple 2.4.2
Tout endomorphisme diagonalisable est à fortiori trigonalisable.
Dénition 2.4.3
Une matrice A ∈ Mn (K) est dite trigonalisable lorsqu'elle est semblable à une matrice
triangulaire supérieure, i.e. ∃ T triangulaire supérieure tel que
A = P T P −1 .

Algèbre 2
 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES 44

Exemple 2.4.4
Si A = MB (f ), alors A est trigonalisable ⇐⇒ f est trigonalisable.
Théorème 2.4.5 (de caractérisation)
Pour tout f ∈ L(E), les assertions suivantes sont équivalentes :
1) f est trigonalisable.
2) χf est scindé dans K[X].
De plus, les matrices triangulaires supérieures représentant f ont pour coecients diago-
naux les valeurs propres de f comptées avec multiplicité.
( Il en est de même pour A ∈ Mn (K) ).
Preuve.  
α1 ∗
1) ⇒ 2) Si f est trigonalisable, alors il existe une matrice triangulaire supérieure T = 
 ... 

0 αn
et une base de B telle que MB (f ) = T.
n
Donc χf (X) = χT (X) = (αi − X) et par suite χf est scindé dans K[X] et les va-
Y

i=1
leurs propres de f sont ( les valeurs propres de T ) les αi comptées avec multiplicité.
2) ⇒ 1) Par récurrence sur n ∈ N∗ .
Pour n = 1, c'est vrai car une matrice de taille 1 est considérée triangulaire supé-
rieure.
Supposons que la propriété ( implication 2 ⇒ 1 ) est vraie à l'ordre n et soit f un
endomorphisme d'un K-espace vectoriel de dimension n + 1 tel que χf est scindé,
donc ce polynôme admet une racine α qui est alors valeur propre de f. Soit e un
vecteur propre associé. Soient D = vect(e) et H le sous espace supplémentaire de D
dans E i.e. D ⊕ H = E.
Soit BH = (e1 , ..., en ) une base de H. La matrice de f dans la base B = (e, e1 , ..., en )
est de la forme :
α ∗···∗
 

M = MB (f ) =  0..  avec N ∈ Mn (K).

 
. N
0
Soit g l'endomorphisme de H représenté par N dans la base B.
On a : ∀i ∈ {1, ..., n} f (ei ) − g(ei ) ∈ vect(e) et par suite,
∀x ∈ H, f (x) − g(x) ∈ vect(e). Or
χf (X) = χM (X) = (α − X) χN (X) = (α − X) χg (X).
De plus χf est scindé, donc χg l'est aussi, donc par hypothèse de récurrence g est
trigonalisable, il existe donc une base BH
0 = (u , ..., u ) de H dans laquelle la matrice
1 n
de g est de la forme :
 
α1 ∗
M(u1 ,...,un ) (g) = MBH (g) = 
 ... ,


0 αn

Algèbre 2
45 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES

donc la matrice de f dans la base BE = (e, u1 , ..., un ) est de la forme :

 
α ∗ ··· ∗
 0 α1 · · · ∗ 
MBE (f ) =  . .
 .. . . . . . ...  ,
 

0 · · · 0 αn

Puisque, ∀i ∈ {1, ..., n} f (ui ) − g(ui ) ∈ vect(e). D'où l'équivalence.

Corollaire 2.4.6
Tout endomorphisme de C est trigonalisable.

Corollaire 2.4.7
Si χf est scindé dans K[X], alors tr(f ) et det(f ) sont la somme et le produit des valeurs
propres comptées avec multiplicité.
Exemple 2.4.8
Si rg(A) = 1, alors dim Ker(f ) = n − 1, donc

0 est valeur propre de multiplicité (n − 1) de

0 ∗
A. χA est alors scindé et A est semblable à 
 ...  avec α ∈ K. Par suite tr(A) = α


0 α
et α est valeur propre de A et
χA (X) = (−1)n X n−1 (X − α).

Exemple 2.4.9
 
1 −1 0
Soient A = 
 1 0 −1 et f l'endomorphisme de R3 associé à A.


−1 0 2
1) Factoriser le polynôme caractéristique de A.
2) Déterminer les sous espaces propres de A.
 
1 1 0
3) Démontrer qu'il existe une base de R3 telle que T = MB (f ) =  0 1 1 et trouver
 

0 0 1
une matrice P inversible telle que M = P T P −1 .
( voir Exercice 10 de la série 5 ).

Exemple 2.4.10
Trigonaliser l'endomorphisme
 
de K3 déterminé dans la base canonique (e1 , e2 , e3 ) par la
−3 −3 2
matrice M =  1 1 −2

.
2 4 −4
Le problème est équivalent à la détermination des matrices P ∈ GL3 (K) et T ∈ M3 (K)

Algèbre 2
CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES 46

triangulaire supérieure telles que : M = P T P −1 .

On a :
 
 −X + 3 3 −2 

χM (X) =  −1 −X + 1 2 
 
 
 −2 −4 −X + 4
 
 −X + 3 3 −2 

=  −X + 2 −X + 2 0  L2 ← L2 + L1
 
 
 −2 −4 −X + 4
 
 −X + 3 X −2 

=  −X + 2 0 0  C2 ← C2 − C1
 
 
 −2 −2 −X + 4
 
X −2 
= (−1)(−X + 2) 

 −2 −X + 4

h i
= (X − 2) X(−X + 4) − 4

= (X − 2)(−X 2 + 4X − 4)
= −(X − 2)3 .

Donc la seule
  valeur propre de M est 2.
x
Soit X =  y  ∈ K3 ,
z

X ∈ E2 (M ) ⇐⇒ M X = 2X

−3x − 3y + 2z = 2x (1)

⇐⇒ x + y − 2z = 2y (2)

2x + 4y − 4z = 2z (3)


−2x − 2y = 0
 (1) + (2)
⇐⇒ x + y − 2z = 2y

x + 2y − 2z = z

(
y = −x
⇐⇒ ⇐⇒ (x, y, z) = x(1, −1, 1).
z = −y

Par conséquent, E2 (M ) = vect (1, −1, 1) et dim E2 (M ) = 1 < m2 = 3,

donc M n'est pas diagonalisable, mais M est trigonalisable.

Pratique de Trigonalisation :
Soit M ∈ Mn (K) ayant p valeurs propres deux à deux distinctes ( donc p ≤ n ).

Algèbre 2
 47 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES

• Si p = n, alors M est diagonalisable, donc à fortiori trigonalisable.

p
• Si p ≤ n − 1, donc dim Eαi ≤ n − 1, les αi sont les valeurs propres de M.
X

i=1

p
1ème cas ( Cas simple ) : Si
X
dim Eαi = n − 1.
i=1
p
On prend une base de Eαi et on la complète en une base B de Rn ( le vecteur
M

i=1
ajouté doit être placé à la n ). Dans cette base la matrice M est triangulaire.

Exemple 2.4.11
 
9 1 6
Soit M = 
 −7 1 −6 .


−10 1 −7
Le polynôme caractéristique de M est :

χM (X) = det(M − XI3 ) = −(2 − X)2 (1 + X).

Tout calcul fait, E2 (M ) = vect(1, −1, −1) et E−1 (M ) = vect(−2, 2, 3).

Soit u1 = (1, −1, −1) et u2 = (−2, 2, 3). On complète (u1 , u2 ) par u3 = (1, 0, 0) en
une base de R3.

9
On a M u3 =  −7 .
 

10
 
1 −2 1
La matrice de passage est P = 
 −1 2 0 et la matrice triangulaire est T =


−1 3 0
 
2 0 a
P −1 M P =  0 −1 b  .
 

0 0 c
( Sans faire de calcul c = 2 car χT (X) = χM (X) = −(2 − X)2 (1 + X) ).
Pour déterminer la dernière colonne, il faut exprimer M u3 dans la base B 0 = (u1 , u2 , u3 ) ( nouvelle

Algèbre 2
 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES 48

base ).
       
9 1 1 −2
M u3 =  −7 = a  −1 + b  2  + c  0
       

10 1 3 0


 a − 2b + c = 9

⇐⇒ −a + 2b = −7


−a + 3b = −10



 a=1

⇐⇒ b = −3


c = 2.


D'où,  
2 0 1
T =  0 −1 −3 .
 

0 0 2

2ème cas ( Cas général ) :

Exemple 2.4.12
 
−2 −1 2
M =  −15 −6 11 .
 

−14 −6 11
Le polynôme caractéristique de M est : χM (X) = (1 − X)3 et
E1 (M ) = vect(1, 1, 2) = vect(e1 ).
 
1 a b
La matrice triangulaire est de la forme T = 
 0 1 c ,


0 0 1
 
x
soit e2 =  y , on a :
 

z
   
−2x − y + 2z a+x
M e2 =  −15x − 6y + 11z  = ae1 + e2 =  a + y 
   

−14x − 6y + 11z 2a + z
 
−3x − y + 2z = a

 x = x


⇐⇒ −15x − 7y + 11z = a ⇐⇒ y = x + 3a .

 

−14x − 6y + 10z = 2a z = 2x + 2a
 

Algèbre 2
49 CHAPITRE 2. RÉDUCTION DES ENDOMORPHISMES

On prend a = 1, x = 0, y = 3 et z = 2, donc e2 = (0, 3, 2).



−3x − y + 2z = b + x

M e3 = be1 + ce2 + e3 ⇐⇒ −15x − 6y + 11z = b + 3c + y .


−14x − 6y + 11z = 2b + 2c + z


On prend b = 0, c = −1, e3 = (0, 2, 1), donc on a : M = P T P −1

   
1 1 0 1 0 0
avec T = 
 0 1 −1 et P =  1 3 2 .
  

0 0 1 2 2 1

Algèbre 2
Chapitre 3
Espace vectoriel euclidien

3.1 Produit scalaire

Dénition 3.1.1
On appelle produit scalaire sur E toute forme bilinéaire f symétrique dénie positive, c'est
à dire que ϕ : E × E −→ R telle que :
1) ϕ est bilinéaire.
2) ϕ est symétrique i.e. ∀(x, y) ∈ E 2 , ϕ(x, y) = ϕ(y, x).
3) ϕ est positive i.e. ∀x ∈ E, ϕ(x, x) ≥ 0.
4) ϕ est dénie i.e. ∀x ∈ E, ϕ(x, x) = 0 ⇒ x = 0E .
Remarque 3.1.2
Puisque ϕ est symétrique, donc pour montrer que ϕ est bilinéaire il sut de montrer que
ϕ est linéaire par rapport à une variable.

Exemples 3.1.3
1) Soit E = Rn . Pour X = (x1 , ..., xn ) et Y = (y1 , ..., yn ) dans Rn .
n
On pose ϕ(X, Y ) = x1 y1 + · · · + xn yn =
X
x i yi .
i=1
ϕ est un produit scalaire ( exercice ) appelé produit scalaire canonique de Rn .
2) Si E = C, c'est un espace vectoriel de dimension 2.
∀(z, z 0 ) ∈ C2 , on pose ϕ(z, z 0 ) = Re(z̄z 0 ). ϕ est un produit scalaire.
Si z = x + iy et z 0 = x0 + iy 0 , alors ϕ(z, z 0 ) = xx0 + yy 0 .
Ce produit scalaire est appelé produit scalaire canonique sur C.
Remarques 3.1.4
1) Le produit scalaire de x et y est souvent noté (x|y), ou x · y ou < x, y > .
Dans tout ce qui suit, (.|.) désigne un produit scalaire sur E.
2) D'après la bilinéarité, on a (0|y) = 0 ∀y ∈ E, en particulier (0|0) = 0 et d'après la
positivité, on a : (x|x) = 0 ⇒ x = 0. D'où l'équivalence (x|x) = 0 ⇔ x = 0.

50
51 CHAPITRE 3. ESPACE VECTORIEL EUCLIDIEN

3.1.1 Notions métriques

Inégalité de Cauchy-Schwartz

Théorème 3.1.5
∀(x, y) ∈ E 2 ,
(x|y)2 ≤ (x|x) (y|y).
De plus, on a l'égalité si x et y sont colinéaires ( i.e. forment une famille liée ).
Preuve.
Si x = 0E , on a l'égalité (0|y)2 = 0 = (0|0) (y|y) ∀y ∈ E.
Si x 6= 0E , soit α ∈ R, on a : (αx + y | αx + y) ≥ 0.
Par bilinéarité et symétrie, on a aussi :
(αx + y | αx + y) = α2 (x|x) + 2α(x|y) + (y|y).

Posons a = (x|x), b = 2(x|y) et c = (y|y), on a : a 6= 0 car x 6= 0.

Le trinôme aα2 + bα + c est de signe constant (≥ 0), donc son discriminant ∆ = b2 − 4ac
est négatif ( i.e. ≤ 0). D'où :
4(x|y)2 − 4(x|x) (y|y) ≤ 0.

Par suite,
(x|y)2 − (x|x) (y|y) ≤ 0,
et donc,
(x|y)2 ≤ (x|x) (y|y).
Si on a l'égalité, alors le discriminant est nul et par suite le polynôme s'annule, donc
∃x ∈ R / (αx + y | αx + y) = 0 , et donc αx + y = 0, et par suite la famille (x, y) est liée.
Inversement, supposons que la famille (x, y) est liée, comme x 6= 0, alors ∃α ∈ R tel que
y = αx.
Par bilinéarité, on a :
(x|y)2 = (x|αx)2
= (x|αx) (x|αx)
= (x|x) (αx|αx)
= (x|x) (y|y).

Corollaire 3.1.6
∀ (x1 , ..., xn ), (y1 , ..., yn ) ∈ (Rn )2 , on a :

n
X 2 n
X n
 X 
xi yi ≤ x2i yi2 .
i=1 i=1 i=1

Preuve.
Inégalité de Cauchy-Schwartz pour le produit scalaire canonique de Rn .

Algèbre 2
CHAPITRE 3. ESPACE VECTORIEL EUCLIDIEN 52

Norme euclidienne

Dénition 3.1.7
On appelle norme euclidienne ( ou longueur ) d'un vecteur x ∈ E ,
le réel kxk = (x|x).
p

Exemples 3.1.8
1) Pour E = Rn muni du produit scalaire canonique,
q
∀X = (x1 , ..., xn ) ∈ Rn , kXk = x21 + · · · + x2n .
√
En particulier pour n = 1, kxk = x2 = |x|.
2) Si E = C muni du produit scalaire canonique, ∀z ∈ C, kzk = |z|.
Proposition 3.1.9
∀x, y ∈ E, ∀α ∈ R, on a :
1) kxk ≥ 0.
2) kxk = 0 ⇐⇒ x = 0.
3) kαxk = |α| kxk.
4) |(x|y)| ≤ kxk kyk.
5) |(x|y)| = kxk kyk ⇐⇒ x et y sont colinéaires.

Preuve.

1) kxk = (x|x) ≥ 0.
p

2) kxk = 0 ⇐⇒ (x|x) = 0 ⇐⇒ (x|x) = 0 ⇐⇒ x = 0.

p

3) kαxk = (αx|αx) = α2 (x|x) = |α| (x|x) = |α| kxk.

p p p

4) D'après l'inégalité de Schwartz, on a :

(x|y)2 ≤ kxk2 kyk2 ⇐⇒ |(x|y)| ≤ kxk kyk.

Inégalité triangulaire

Théorème 3.1.10
∀x, y ∈ E,
kx + yk ≤ kxk + kyk

et
kx + yk = kxk + kyk ⇐⇒ x et y sont colinéaires et (x|y) ≥ 0.

( on dit x et y sont colinéaires ou ont la même direction et même sens ).

Algèbre 2
53 CHAPITRE 3. ESPACE VECTORIEL EUCLIDIEN

Preuve.
Soient x, y ∈ E, on a :

kx + yk2 = (x + y | x + y) = (x|x) + 2(x|y) + (y|y)

= kxk2 + 2(x|y) + kyk2 .

Donc d'après l'inégalité de Cauchy Schwartz, on a :

kx + yk2 ≤ kxk2 + 2kxk kyk + kyk2 = (kxk + kyk)2 .


car kx + yk2 = (x + y | x + y) = (x|x) + 2(x|y) + (y|y)
= kxk2 + 2(x|y) + kyk2

≤ kxk2 + 2kxk kyk + kyk2 d0 après la proposition précédente .

D'où l'inégalité triangulaire kx + yk ≤ kxk + kyk.

Si on a égalité :

kx + yk = kxk + kyk ⇐⇒ kx + yk2 = (kxk + kyk)2

⇐⇒ kxk2 + 2(x|y) + kyk2 = kxk2 + 2kxk kyk + kyk2
⇐⇒ (x|y) = kxk kyk
⇐⇒ (x|y) ≥ 0 et (x|y) = kxk kyk
⇐⇒ x et y ont même direction et même sens ( d0 après la proposition ).

Corollaire 3.1.11 (Inégalité triangulaire renversée)

∀x, y ∈ E,
 
kxk − kyk ≤ kx − yk ≤ kxk + kyk.
 

Preuve.
Soit (x, y) ∈ E 2 , on a : kxk = kx − y + yk ≤ kx − yk + kyk.
D'où, kxk − kyk ≤ kx − yk.
De façons symétrique, on a aussi : kyk − kxk ≤ ky − xk = kx − yk.
Proposition 3.1.12 (Identités remarquables)
∀(x, y) ∈ E 2 , on a :
1) kx + yk2 = kxk2 + 2(x|y) + kyk2 .
2) kx − yk2 = kxk2 − 2(x|y) + kyk2 .
3) (x + y | x − y) = kxk2 − kyk2 .

Algèbre 2
CHAPITRE 3. ESPACE VECTORIEL EUCLIDIEN 54

Preuve.
kx + yk2 = (x + y | x + y)
= (x|x) + (x|y) + (y|x) + (y|y) ( bilinéarité )
= kxk2 + 2(x|y) + kyk2 ( symétrie ).

En changeant y par −y , on a de même :

kx − yk2 = kxk2 + 2(x| − y) + k − yk2 = kxk2 − 2(x|y) + kyk2 .

Par symétrie, on a :
(x + y | x − y) = (x|x) − (x|y) + (y|x) − (y|y)
= kxk2 − kyk2 ( par symétrie ).

Corollaire 3.1.13 (Identité de parallélogramme)

∀x, y ∈ E,
kx + yk2 + kx − yk2 = 2 kxk2 + kyk2 .

Preuve.
Somme des deux égalités précédentes.
Remarque 3.1.14
L'identité du parallélogramme signie que, dans un parallélogramme, la somme des carrés
des longueurs des diagonales est égale à la somme des carrés des longueurs des cotés.
Proposition 3.1.15 (Identité de polarisation)
∀x, y ∈ E,
kx + yk2 − kx − yk2 = 4 (x|y).

Remarque 3.1.16
Par l'identité de polarisation, on peut calculer un produit scalaire à partir de la norme
euclidienne associée.

Distance euclidienne

Dénition 3.1.17
On appelle distance euclidienne séparant deux vecteurs x et y de E, le réel positif :
d(x, y) = ky − xk.

Exemple 3.1.18
Dans E = Rn muni du produit scalaire canonique, on a :
v
u n
uX
x = (x1 , ..., xn ) et y = (y1 , ..., yn ) dans Rn , d(x, y) = t (yi − xi )2 .
i=1

Algèbre 2
55 CHAPITRE 3. ESPACE VECTORIEL EUCLIDIEN

Proposition 3.1.19
∀(x, y, z) ∈ E 3 , on a :
1) d(x, y) = 0 ⇐⇒ x = y séparation.
2) d(x, y) = d(y, x) symétrie.
3) d(x, z) ≤ d(x, y) + d(y, z) inégalité triangulaire.
4) d(x + z, y + z) = d(x, y) invariance par translation.
Preuve. élémentaire.

Vecteurs orthogonaux

Dénition 3.1.20
x et y sont dits orthogonaux si (x|y) = 0.

Exemple 3.1.21
Soit x ∈ E, on a : x est orthogonal à y ∀y ∈ E ⇐⇒ x = 0.

Dénition 3.1.22
F = (e1 , ..., en ) est une famille de vecteurs orthogonaux de E si

(ei |ej ) = 0 ∀i 6= j.

Exemple 3.1.23
Dans Rn muni du produit scalaire canonique, la base canonique est une famille orthogonale.

Théorème 3.1.24 (Pythagore)

Si F = (e1 , ..., en ) est une famille orthogonale, alors :

ke1 + · · · + en k2 = ke1 k2 + · · · + ken k2 .

Preuve.
Par récurrence sur n ∈ N∗ .
Pour n = 1, trivial.
Supposons que cette propriété est vraie pour n ≥ 1 et montrons qu'elle est vraie pour n+1.
Soient (e1 , ..., en+1 ) une famille orthogonale.
On sait que ka + bk2 = kak2 + 2(a|b) + kbk2 , avec a = e1 + · · · + en et b = en+1 , on a :

ke1 + · · · + en+1 k2 = ke1 + · · · + en k2 + 2(e1 + · · · + en |en+1 ) + ken+1 k2

 
= ke1 + · · · + en k2 + ken+1 k2 car e1 + · · · + en et en+1 sont orthogonaux

= ke1 k2 + · · · + ken k2 + ken+1 k2 par hypothèse de récurrence.

Corollaire 3.1.25
Toute famille orthogonale ne contenant pas le vecteur nul est libre.

Algèbre 2
CHAPITRE 3. ESPACE VECTORIEL EUCLIDIEN 56

Preuve.
Soit {e1 , ..., en } une famille orthogonale telle que ∀i, ei 6= 0. Supposons que :
n
X
α1 e1 + · · · + αn en = αi ei = 0.
i=1

La famille {α1 e1 , ..., α en } est aussi orthogonale, donc d'après Pythagore,

Xn 2 Xn
on a :
αi e i =

kαi ei k2 ,
i=1 i=1
Xn 2 n
or αi ei = 0, donc
X
kαi ei k2 = 0.


i=1 i=1

Par conséquent, ∀i , kαi ei k2 = 0 , et par suite ∀i , αi ei = 0, or les ei sont non nuls, donc
∀i , αi = 0.
Conclusion : {e1 , ..., en } est libre.

Famille orthonormée
Dénition 3.1.26
x ∈ E est dit unitaire ( ou normé ) si kxk = 1.

Exemple 3.1.27
La base canonique de Rn est constituée de vecteurs normés.
Dénition 3.1.28
La famille F = (e1 , ..., en ) est orthonormée si ei est unitaire ∀i et les ei sont deux à deux
orthogonaux i.e. (ei |ej ) = δij .
Exemple 3.1.29
La base canonique de Rn est orthonormée.
Dénition 3.1.30
Normer un vecteur x ∈ E \ {0E } revient à considérer le vecteur unitaire
x
u= .
kxk
Proposition 3.1.31
Toute famille orthonormée est libre.
Preuve. Une telle famille est orthogonale et ne contient pas 0.

Procédé d'orthogonalisation de Gram Schmidt

Théorème 3.1.32
Soit F = (e1 , ..., en ) une famille libre de vecteurs de E. On peut construire une famille
orthonormée (u1 , ..., un ) de vecteurs de E vériant :
vect(e1 , ..., ek ) = vect(u1 , ..., uk ), ∀k ∈ {1, ..., n}.

Algèbre 2
57 CHAPITRE 3. ESPACE VECTORIEL EUCLIDIEN

Remarque 3.1.33
En pratique, soit (e1 , ..., en ) une famille libre.
? Posons u1 = e1 .
? Supposons que u1 , ..., up sont trouvés et cherchons up+1 de la forme :

up+1 = β ep+1 + α1 e1 + · · · + αp ep

et telle que (up+1 |uk ) = 0 ∀k ∈ {1, ..., p}.

D'où la valeur de αk , en eet :
(uk |up+1 ) = αk + β(uk |ep+1 ) = 0 ⇒ αk = −β(uk |ep+1 ).

D'où : p
 X 
up+1 = β ep+1 − (uk |ep+1 )uk = βω.
i=1

Puisque kup+1 k = 1 alors |β| kωk = 1 ⇒ |β| = kωk 1

.
Puis, on normalise la famille (u1 , ..., un ) en prenant :
uk
ui = , ∀k ∈ {1, ..., n}.
kuk k

Exemple 3.1.34
Dans R2 muni du produit scalaire canonique.
Soient e1 = (0, 1, 1), e2 = (1, 0, 1) et e3 = (1, 1, 0).
 
 0 1 1    
   1 1  1 1
On a : det(e1 , e2 , e3 ) =  1 0 1 = − 
  
+
 
 = 1 + 1 = 2 6= 0, donc la famille

   1 0  0 1
 1 1 0
(e1 , e2 , e3 ) est libre.
Formons sur orthonormalisée selon le procédé de Schmidt :
? u1 = e1 = (0, 1, 1).
? Soit u2 = e2 + α u1 .


On a : (u2 |u1 ) = 0 =⇒ (α u1 + e2 |e1 = 0
    !
0 1  0
=⇒ α 1 + 0   1 = 0
   
1 1 1

    !    
0 1  0 1 0
=⇒ α + 0  1 = 0 =⇒ α · 1 = 0
        
α 1 1 α+1 1


1
=⇒ α + α + 1 = 0 =⇒ 2α + 1 = 0 =⇒ α = − .
2
 
1
Et par suite u2 = (1, 0, 1) − 2 (0, 1, 1) =  −1/2
t 1t 
.
−1/2

Algèbre 2
CHAPITRE 3. ESPACE VECTORIEL EUCLIDIEN 58

Soit u3 = α1 u1 + α2 u2 + e3 .
1 1
(u3 |u1 ) = 0 ⇒ α1 = − et (u3 |u2 ) = 0 ⇒ α2 = − .
2 3
D'où, u3 = t (2/3 , 2/3 , −2/3).
En normalisant,
u1 1 1 1 u2 2 1 1 1 1 1
u1 = = √ u1 = (0, √ , √ ), u2 = = ( √ , − √ , √ ), u3 = ( √ , √ , − √ ).
ku1 k 2 2 2 ku2 k 6 6 6 3 3 3

Orthogonale d'une partie

Dénition 3.1.35
On appelle orthogonale d'une partie A de E , l'ensemble A⊥ constitué des vecteurs ortho-
gonaux à tout vecteur de A i.e :
A⊥ = { x ∈ E / ∀a ∈ A, (a|x) = 0 }.

Proposition 3.1.36
Soit A une partie de E , A⊥ est un sous espace vectoriel de E.
Preuve. Exercice simple.
Proposition 3.1.37
Soient A et B deux parties de E.
1) A ⊂ A⊥⊥ .
2) A ⊆ B ⇒ B ⊥ ⊆ A⊥ .
3)

⊥
A⊥ = vect(A) .

Preuve.
1) et 2) simple.
3) On a : A ⊆ vect(A), donc

⊥
vect(A) ⊆ A⊥ .
Inversement, on a :
A ⊆ A⊥⊥
donc,
vect(A) ⊆ A⊥⊥ =⇒ A⊥⊥⊥ ⊆ (vect(A))⊥ car A⊥⊥ est un s.e.v de E ,

et puis on a :
A ⊆ A⊥⊥ =⇒ A⊥⊥⊥ ⊆ A⊥ .
De plus :
A⊥ ⊆ (A⊥ )⊥⊥ ( d0 après 1)) = A⊥⊥⊥ ,
donc A⊥ = A⊥⊥⊥ , c'est à dire A⊥ ⊆ A⊥⊥⊥ = vect(A) ⊥ .

D'où A⊥ = vect(A) ⊥ .

Algèbre 2
59 CHAPITRE 3. ESPACE VECTORIEL EUCLIDIEN

Sous espaces vectoriels orthogonaux

Dénition 3.1.38
Deux sous espaces vectoriels F et G de E sont orthogonaux, si :
(x|y) = 0, ∀x ∈ F, ∀y ∈ G.

Exemple 3.1.39
Si F est un sous espace vectoriel de E, alors F et F ⊥ sont deux sous espaces vectoriels
orthogonaux.
Proposition 3.1.40
Si F et G deux sous espaces vectoriels orthogonaux, alors F ∩ G = {0E }.
Proposition 3.1.41
Soient F et G deux sous espaces vectoriels de E . Les assertions suivantes sont équivalentes :
1) F et G sont orthogonaux.
2) F ⊆ G⊥ .
3) G ⊆ F ⊥.

Preuve. Exercice.

3.2 Espaces vectoriels euclidiens

Dénition 3.2.1
On appelle espace vectoriel euclidien tout R-espace vectoriel de dimension nie muni d'un
produit scalaire.
Exemples 3.2.2
1) Rn muni du produit scalaire canonique est un espace vectoriel euclidien, on dit que
Rn est muni de sa structure vectorielle euclidienne canonique.
2) Tout sous espace vectoriel d'un espace vectoriel euclidien est un espace vectoriel
euclidien.
Dénition 3.2.3
On appelle base orthonormée de E toute base qui constitue une famille orthonormé.
Exemple 3.2.4
La base canonique de Rn .
Théorème 3.2.5
Tout espace vectoriel euclidien peut être muni d'une base orthonormée.
Preuve.
Soit B = (e1 , ..., en ) une base de E, B est libre, donc on peut l'orthonormaliser par le
procédé de Schmidt.

Algèbre 2
CHAPITRE 3. ESPACE VECTORIEL EUCLIDIEN 60

Composantes dans une base orthonormée

Soit E un espace vectoriel euclidien muni d'une base orthonormée
B = (e1 , ..., en ).

Théorème 3.2.6 n
Pour tout x ∈ E , on a : x = (ek |x) ek .
X

k=1
Donc les composantes de x dans B sont : (e1 |x), ..., (en |x).
Preuve.
n
B une base, donc ∃(αk )k∈{1,...,n} / x = αk ek , comme le produit scalaire est bilinéaire,
X

k=1
alors : n n
X X
(ek |x) = αi (ek |ei ) = αi δki = αk .
i=1 i=1

Exemple 3.2.7
Si f est un endomorphisme de E et A = (aij )1≤i,j≤n ∈ Mn (R) est la matrice de f dans
B i.e. A = MB (f ), alors : aij = (ei | f (ej ) ) ∀i, j.
En eet, aij est la ième composante dans la base B de l'image du j ème vecteur de base
i.e. f (ej ).

Théorème 3.2.8
Si X = t (x1 , ..., xn ) et Y = t (y1 , ..., yn ) dans la base B , alors :
v
n
X
u n
uX 2
(X|Y ) = xi yi et kXk = t xi .
i=1 i=1

i.e : (X|Y ) = t XY et kXk2 = t XX.

Corollaire 3.2.9
L'application
ϕ : E −→ Rn
X 7−→ ϕ(X) = (x1 , ..., xn )
est un homomorphisme de R-espaces vectoriels tel que : (X|Y )E = (ϕ(X) | ϕ(Y ))Rn .
Par conséquent, E muni d'une base orthonormée est semblable à Rn muni du produit
scalaire canonique.

Supplémentaire orthogonal

Théorème 3.2.10
Si F est un sous espace vectoriel d'un espace vectoriel euclidien E , alors F et F ⊥ sont
supplémentaires dans E.

Algèbre 2
61 CHAPITRE 3. ESPACE VECTORIEL EUCLIDIEN

Dénition 3.2.11
F ⊥ est appelé espace supplémentaire orthogonal de F.

Corollaire 3.2.12 (Théorème de la base orthonormée incomplète)

Toute famille orthonormée de vecteurs de E peut être complétée en une base orthonormée
de E.
Preuve.
Si (e1 , ..., em ) est une famille orthonormée de E. Posons F = vect(e1 , ..., em ) et considérons
la basse orthonormée (em+1 , ..., en ) de F ⊥ supplémentaire orthogonal de F. Donc (e1 , ..., en )
est une base orthonormée de E.
Corollaire 3.2.13

dim F ⊥ = dim E − dim F et F ⊥⊥ = F.

Preuve.

E = F ⊕ F ⊥ ⇒ dim F ⊥ + dim F = dim E.

On a dim F ⊥⊥ = dim F, or F ⊆ F ⊥⊥ , donc F = F ⊥⊥ .

Algèbre 2