Algèbre multilinéaire

Christophe Antonini1 , Olivier Teytaud2 , Pierre Borgnat3, Annie Chateau4 , and

Edouard Lebeau5
1
Enseignant en CPGE, Institut Stanislas, Cannes
2
Chargé de rechercher INRIA, Université d’Orsay, Orsay
3
Chargé de recherche CNRS, ENS Lyon, Lyon
4
Maitre de conférence, Université Montpellier-2, Montpellier
5
Enseignant en CPGE, Lycée Henri Poincaré, Nancy

7 février 2023

Applications multilinéaires, produits scalaires et déterminants.

1 Algèbre multilinéaire
Pour lire ce chapitre il est utile de connaître quelques bases sur σn (groupe des permutations
d’un ensemble à n éléments), que l’on trouvera à la partie ??.
Le chapitre est organisé comme suit : généralités (1.1), lien avec la topologie (1.2), déterminant
(1.3), algèbre bilinéaire (1.4), zoologie des déterminants (1.5), zoologie du bilinéaire (1.6).
Les premières sections, de type fondements théoriques pour la suite, sont rapides. On présentera
l’important cas particulier du bilinéaire en détails ; il est fondamental pour passer ensuite au produit
scalaire. Le cas proprement multilinéaire servira notamment pour les dérivées n-ièmes (section ??)
ou les déterminants.

1.1 Généralités

Définition 0.1 Application multilinéaire

Soient E1 , ..., En et F des K-espaces vectoriels, alors f : Πi∈[[1,n]] Ei → F est n-linéaire si pour
tout (xi ) dans ΠEi et tout j l’application

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

1
est linéaire. Leur ensemble est noté L(E1 , ..., En ; F ).
Si E1 = E2 = ... = En = E on dit que f est une application n-linéaire sur E.
Si F est le corps K, alors f est dite forme n-linéaire.
On note Ln (E, F ) l’ensemble des applications n-linéaires de E dans F .
On note Ln (E) l’ensemble des formes n-linéaires sur E, c’est-à-dire Ln (E, K).
Étant donné f ∈ Ln (E, F ) et σ ∈ σn on note fσ l’application n-linéaire (x1 , ..., xn ) 7→
f (xσ(1) , xσ(2) , ..., xσ(n) ).
Une application n-linéaire est dite symétrique si pour tout σ fσ = f .
Une application n-linéaire est dite antisymétrique si pour tout σ fσ = ǫ(σ).f , avec ǫ() la
signature (cf section ??).
Une application n-linéaire est dite alternée si i 6= j et xi = xj implique f (x1 , ..., xn ) = 0.
On note Sn (E, F ) l’ensemble des applications n-linéaires symétriques de E dans F et An (E, F )
l’ensemble des applications n-linéaires alternées de E dans F .
On note Sn (E) l’ensemble des formes n-linéaires symétriques sur E et An (E) l’ensemble des
formes n-linéaires alternées sur E.

Attention 0.1 Une application n-linéaire n’est pas en général une application linéaire.

Application 0.2 Le déterminant est une application importante du multilinéaire. Les produits
scalaires euclidiens ou hermitiens sont des cas de bilinéaire très important. Les équations diffé-
rentielles utiliseront le caractère n-linéaire alterné du déterminant avec le wronskien (proposition
??).

Proposition 0.1
Notons quelques propriétés immédiates des applications multilinéaires :
n
•Ln (E, F ) est un K-espace vectoriel, sous-espace vectoriel de F E .
•f est symétrique si et seulement si pour toute transposition τ , fτ = f .
•f est antisymétrique si et seulement si pour toute transposition τ , fτ = −f .

Démonstration Premier point évident, les deux points suivants demandent juste de se rappeler que
les transpositions engendrent σn . On pourrait en fait utiliser d’autres familles génératrices.

Proposition 0.2
Une application n-linéaire alternée est antisymétrique ; si K n’est pas de caractéristique 2, la
réciproque est vraie aussi.

Démonstration Supposons f n-linéaire, et xi = xj , avec i 6= j.

0 = f (x1 , ..., xi + xj , ..., xj + xi , ..., xn ) (car f est alternée)

0= f (x1 , ..., xi , ..., xi , ..., xn )

+ f (x1 , ..., xi , ..., xj , ..., xn )
+ f (x1 , ..., xj , ..., xj , ..., xn )+ f (x1 , ..., xj , ..., xi , ..., xn )
(car f est n-linéaire).

or f (x1 , ..., xi , ..., xi , ..., xn ) = f (x1 , ..., xj , ..., xj , ..., xn ) = 0

 puisque f est alternée, donc f (x1 , ..., xi , ..., xj , ..., xn ) = −f (x1 , ..., xj , ..., xi , ..., xn ).
Par la proposition 0.1, le résultat alterné → antisymétrique est donc prouvé. La réciproque est
évidente, en utilisant la même caractérisation de l’antisymétrie par la proposition 0.1.
On suppose désormais que K est un corps de caractéristique 6= 2.

Théorème 0.3
Soit φ une forme n-linéaire antisymétrique sur E K-espace vectoriel de dimension n, e1 , ..., en
une base de E, e∗1 , ..., e∗n sa base duale et x1 , ..., xn une famille de n éléments de E.
Alors : !
X
n ∗
φ(x1 , ..., xn ) = ǫ(s).Πi=1 eσ(i) (vi ) .φ(e1 , ..., en )
σ∈σn

et !
X
φ(x1 , ..., xn ) = ǫ(s).Πni=1 e∗i (vσ(i) ) .φ(e1 , ..., en )
σ∈σn

Les notions de dimension finie et de base duale sont définies dans le chapitre ?? et dans la partie
??.
Démonstration On procède
P en quatre étapes pour la formule 0.3 :
•On remplace xj par i e∗i (xj ).ei dans φ(x1 , ..., xn ).
•On développe en utilisant la linéarité suivant chaque composante, on obtient donc
X
e∗i1 (x1 ).e∗i2 (x2 ).....e∗in (xn ).φ(ei1 , ..., ein )
(i1 ,...,in )∈[[1,n]]n

•On supprime tous les termes tels que le cardinal de {i1 , ..., in } soit différent de n, ce qui permet
d’introduire les permutations.
•Il ne reste plus qu’à remplacer φ(ei1 , ..., ein ) par ǫ(σ).φ(e1 , ..., en ).
La deuxième formule s’obtient simplement en remplaçant σ par σ −1 (avec l’égalité ǫ(σ) = ǫ(σ −1 )).

Définition 0.2 Symétrisé et antisymétrisé d’une forme n-linéaire

Soit f une forme n-linéaire sur un K-espace vectorielP E.
1
Alors l’application S(f ) égale à (x1 , ..., xn ) 7→ n! σ∈σn fσ (x1 , ..., xn ) est appelée symétrisée
de f ; elle est symétrique.
1 P
Alors l’application A(f ) égale à (x1 , ..., xn ) 7→ n! σ∈σn ǫ(σ).fσ (x1 , ..., xn ) est appelée anti-
symétrisée de f ; elle est alternée.
L’application f 7→ S(f ) est appelée opérateur de symétrisation.
L’application f 7→ A(f ) est appelée opérateur d’antisymétrisation.

Définition 0.3 Produit tensoriel, produit symétrique, produit extérieur

Soient f1 , ..., fn des formes linéaires sur le K-espace vectoriel E.
On appelle produit tensoriel de (f1 , ..., fn ) l’application qui à (x1 , ..., xn ) associe f1 (x1 ) ×
f2 (x2 )... × fn (xn ). On le note f1 ⊗ f2 ⊗ ... ⊗ fn .
L’aplication symétrisée du produit tensoriel est appelée produit symétrique de (f1 , ..., fn ) ;
on la note f1 .f2 . . . . .fn .
 L’application antisymétrisée du produit tensoriel est appelée produit extérieur de
(f1 , ..., fn ) ; on le note f1 ∧ f2 ∧ ... ∧ fn .
Une application n-linéaire exprimable comme produit tensoriel est dite décomposable dans
Ln (E).
Une application n-linéaire exprimable comme produit symétrique est dite décomposable dans
Sn (E).
Une application n-linéaire exprimable comme produit extérieur est dite décomposable dans
An (E).

Proposition 0.4
•Le produit symétrique de n formes linéaires est symétrique.
•Le produit extérieur de n formes linéaires est antisymétrique.
•L’application qui à n formes linéaires associe leur produit tensoriel est n-linéaire de E ∗ n dans
Ln (E).
•L’application qui à n formes linéaires associe leur produit symétrique est n-linéaire symé-
trique.
•L’application qui à n formes linéaires associe leur produit extérieur est n-linéaire alternée.

Quelques théorèmes donnés sans démonstration :

Théorème 0.5
Soit E un K-espace vectoriel de dimension finie n, (e1 , ..., en ) une base de E, (e∗1 , ..., e∗n ) sa base
duale. On note F l’ensemble des applications de [[1, p]] dans [[1, n]]. Pour tout f dans F on note
ef = e∗f (1) ⊗ e∗f (2) ⊗ · · · ⊗ e∗f (p) . Alors la famille des ef pour f ∈ F est une base de Lp (E).

Définition 0.4 base associée à (e1 , ..., en )

La base donnée par le théorème précédent est appelée base associée à (e1 , ..., en ).
 Dénombrer l’ensemble des applications de [[1, p]] dans [[1, n]] conduit au corollaire suivant :

Corollaire 0.6
La dimension de Lp (E) est np .

Théorème 0.7
Soit E un K-espace vectoriel de dimension finie n, (e1 , ..., en ) une base de E, (e∗1 , ..., e∗n ) sa base
duale. K est supposé de caractéristique nulle. Pn
On note A l’ensemble des applications f de [[1, n]] dans [[0, p]] telles que i=1 f (i) = p. Alors
f (1) f (2) f (n)
on note ef = e1 .e2 . . . . .en .
Alors la famille des ef pour f ∈ A forme une base de Sp (E) (ensemble des formes p-linéaires
symétriques sur E).

Dénombrer l’ensemble des applications de [[1, n]] dans [[0, p]] sommant à p conduit au corollaire
suivant :

Corollaire 0.8
Si E est un K-espace vectoriel de dimension finie n et si K est de caractéristique nulle, alors la
p
dimension de Sp (E) est égale à Cn+p−1 .

Théorème 0.9
Soit E un K-espace vectoriel de dimension finie n, (e1 , ..., en ) une base de E, (e∗1 , ..., e∗n ) sa base
duale. K est supposé de caractéristique nulle.
On note A l’ensemble des applications f strictement croissantes de [[1, p]] dans [[1, n]]. Alors
on note ef = ef (1) .ef (2) . . . . .ef (n) .
Alors la famille des ef pour f ∈ A forme une base de Ap (E).

Dénombrer les applications strictement croissantes de [[1, p]] dans [[1, n]] fournit alors le résultat
suivant :

Corollaire 0.10
Si E est un K-espace vectoriel de dimension finie n et si K est de caractéristique nulle, alors
dim Ap (E) = Cnp .

On verra que dans le cas bilinéaire, i.e. p = 2, Ap (E) et Sp (E) sont des sous-espaces vectoriels
de l’espace vectoriel Lp (E) et que ces sous-espaces vectoriels sont en somme directe. La dimension
de A2 (E) ⊕ S2 (E) est alors dim(A2 (E)) + dim(S2 (E)) = Cn2 + Cn+1 2
= n(n − 1)/2 + (n + 1)n/2 =
2
n = dim(L2 (E)).Ainsi, L2 (E) = A2 (E) ⊕ S2 (E).

1.2 Algèbre multilinéaire et topologie

Définition 0.5 L(E1 , ..., En ; F )
Étant donnés E1 , ..., En et F des espaces vectoriels normés, on note L(E1 , ..., En ; F ) l’espace des
applications n-linéaires continues de E1 ×...×En dans F . On le norme par f 7→ sup∀ikxi k≤1 kf (xi )k ;
on obtient ainsi un espace vectoriel normé .

Théorème 0.11 Quelques théorèmes (peu difficiles) sans preuve

•Soient E1 , ..., En et F des espaces vectoriels normés, et soit f une application n-linéaire de
E1 , ..., En dans F . Alors :
– f est continue si et seulement si f est continue en 0
– f est continue si et seulement si f est bornée sur le produit des boules unités des Ei
•Si F est un espace de Banach, alors L(E1 , ..., En ; F ) est un espace de Banach.
•Étant donnée f application n-linéaire continue de E1 ×...×En dans F , alors f est C ∞ sur E1 ×
...× En et, notamment, la différentielle de f en (x1 , x2 , ..., xn ) est (h1 , ..., hn ) 7→ f (h1 , x2 , ..., xn )+
f (x1 , h2 , x3 , ..., xn ) + ... + f (x1 , x2 , ..., xn−1 , hn ).
•L(E1 , E2 ; F ) ≃ L(E1 ; L(E2 ; F )).

1.3 Déterminants
Le déterminant est une jolie application de l’algèbre multilinéaire à l’étude de familles de vec-
teurs, de matrices, d’endomorphismes. On en verra des applications à l’étude des polynômes via le
résultant de deux polynômes.

1.3.1 Déterminant d’une famille de vecteurs

On suppose E K-espace vectoriel de dimension finie n.

Définition 0.6 déterminant

On appelle déterminant d’une famille (x1 , ..., xn ) d’éléments de E dans une base (e1 , ..., en ) de
E la somme : X
ǫ(σ)Πni=1 e∗σ(i) (xi )
σ∈σn

On le note det(e1 ,...,en) (x1 , ..., xn ).

Application 0.3 On verra une application amusante et inattendue du discriminant pour l’étude
de polynômes avec le théorème ??.

Proposition 0.12
Si f est n-linéaire sur E, alors σ∈σn ǫ(σ).fσ est n-linéaire et antisymétrique.
P

Démonstration La somme est trivialement n-linéaire, et l’antisymétrie se montre facilement (on

rappelle juste que la signature du produit de deux permutations est le produit des signatures de ces
deux permutations, i.e. que ǫ : σn → ({−1, 1}, ×) est un morphisme de groupes).
 On suppose pour la suite que K n’est pas de caractéristique 2.

Théorème 0.13
•Étant donnée une base B de E, il existe une et une seule forme n-linéaire alternée égale à 1 sur
B ; c’est detB (.).
•Les formes n-linéaires alternées sur E sont égales à detB (.) à multiplication par un scalaire
près.

Démonstration •Il est clair que detB (B) = 1.

•La proposition précédente nous assure que detB (.) est n-linéaire alternée.
•Le théorème 0.3 nous assure le deuxième point.
En conclusion, on a les propriétés élémentaires suivantes du déterminant dans une base B :
•Le déterminant est n-linéaire alterné.
•On ne change pas le déterminant des xi en ajoutant à un des xi une combinaison linéaire des
autres xj .
•Le déterminant de (x1 , ..., xn ) est égal à ǫ(σ) fois le déterminant de (xσ(1) , ..., xσ(n) ).
•detB (.) = detB (B ′ ).detB ′ (.).
•detB (B ′ ).detB ′ (B) = 1.
•La famille des xi est une base si et seulement si detB (x1 , ..., xn ) 6= 0.
Démonstration (simplement du dernier point, les autres se montrant facilement l’un après l’autre
dans cet ordre)
Si c’est une base, alors on applique la formule juste au dessus pour conclure que le déterminant est
non nul.
Si le déterminant est non nul, alors supposons la famille liée, on peut ajouter à un vecteur une
combinaison linéaire des autres (sans changer la valeur du déterminant) et on a ainsi une famille dont
un vecteur est nul, et donc le déterminant devrait être nul.

1.3.2 Déterminant d’un endomorphisme

E est toujours un K-espace vectoriel de dimension finie n sur un corps K de caractéristique
différente de deux.

Définition 0.7 déterminant de l’endomorphisme f

On appelle déterminant de l’endomorphisme f le déterminant de f (B) dans la base B ; on
le note det f .
On appelle groupe spécial linéaire de E l’ensemble des endomorphismes de E de détermi-
nant 1 ; on le note SL(E).

Démonstration Il convient pour que la définition ait un sens de démontrer que ce déterminant ne
dépend pas de la base B. On suppose donc données deux bases B et B ′ , et on montre que detB (f (B)) =
detB′ (f (B ′ )).
•La fonction qui à un n-uplet x ∈ E n associe detB (f (x)) est n-linéaire alternée, donc c’est λ.detB .
•En spécialisant en B cette égalité, on obtient detB (f (B)) = λ, soit

detB (f (x)) = detB (f (B)).detB (x)

•Or par les propriétés du déterminant on a

detB (x) = detB (B ′ ).detB′ (x)

 detB (f (x)) = detB (B ′ ).detB′ (f (x))
•Des deux points précédents on déduit

detB (B ′ ).detB′ (f (x)) = detB (f (B)).detB (B ′ ).detB′ (x)

c’est-à-dire detB′ (f (x)) = detB (f (B)).detB′ (x), et donc detB′ (f (B ′ )) = detB (f (B)) en spécialisant en
B′.

Proposition 0.14

•f est un automorphisme si et seulement si det f 6= 0.

•Si det f 6= 0, alors f est un automorphisme et det f −1 = det1 f .
•det est un morphisme de groupes entre GL(E) et K \ {0}.
•SL(E), puisqu’il est le noyau du déterminant, est un sous-groupe distingué de GL(E).

1.3.3 Déterminant d’une matrice

On travaille encore dans un corps K de caractéristique différente de 2.

Définition 0.8 déterminant

On appelle déterminant d’une matrice carrée M le déterminant de l’endomorphisme canonique
associé à M dans Kn . On le note det M ou |M |.
On appelle groupe spécial linéaire d’ordre n et on note SLn (K) l’ensemble des matrices
de déterminant égal à 1.

Proposition 0.15
Le déterminant d’une matrice est aussi le déterminant de ses vecteurs-colonnes ou de ses vecteurs-
lignes dans la base canonique de Kn .

Les propriétés suivantes se déduisent facilement des propriétés équivalentes chez les endomor-
phismes ou les familles de vecteurs :
•Une matrice est inversible si et seulement si son déterminant est non nul.
•Le déterminant du produit est le produit des déterminants.
•SLn(K) est un sous-groupe de GLn (K), noyau du déterminant en tant que morphisme de
groupes de GLn (K) vers K \ {0}.
•Deux matrices semblables ont même déterminant.

Proposition 0.16
Le déterminant d’une matrice triangulaire est égal au produit des éléments diagonaux.

Démonstration Il suffit de voir que seule la permutation identité est telle que pour tout i, Mσ(i),i
soit non nul.
1.3.4 Pratique du calcul d’un déterminant ; développement suivant une ligne ou une
colonne
Le point de vue adopté ici est celui du calcul du déterminant d’une matrice de type (n, n)
sur un corps K ; bien sûr il faut bien voir qu’il en va de même du calcul du déterminant d’un
endomorphisme ou d’une famille de vecteurs dans une base.
Pour la suite il est nécessaire d’avoir lu la section sur les cofacteurs (??).

Proposition 0.17 Développement suivant une colonne

X
∀j ∈ [[1, n]], det M = γi,j .Mi,j
i∈[[1,n]]

Démonstration Il suffit de se rappeler que le déterminant est n-linéaire.

Proposition 0.18 Développement suivant une ligne

X
∀i ∈ [[1, n]], det M = γi,j .Mi,j
j∈[[1,n]]

Démonstration Il suffit de se rappeler que det M = det t M .

Proposition 0.19

det M̃ = det com(M ) = (detM )n−1

Démonstration On sépare en plusieurs cas :

•Si M̃ est inversible et pas M , alors M̃ .M = (det M ).I = 0 et donc M = 0, et donc M̃ = 0, d’où
contradiction.
•Si M̃ et M ne sont inversibles ni l’une ni l’autre, alors les déterminants sont égaux à 0, et l’égalité
annoncée est vérifiée.
•Si M est inversible, alors
M̃ .M = (det M ).I
det (M̃ .M ) = det((det M ).I)
det (M̃ ).det M = (det M )n
det M̃ = (det M )n−1 ,
d’où le résultat annoncé.

1.4 Algèbre bilinéaire

On travaillera avec un corps K égal à R ou C.
1.4.1 Formes bilinéaires
Les formes multilinéaires sont importantes en particulier pour leur lien avec les déterminants.
Le cas spécial du bilinéaire est encore plus fondamental car relié aux produits scalaires.

Définition 0.9 forme bilinéaire sur E

On appelle forme bilinéaire sur E une forme multilinéaire de L2 (E).
Étant donnée φ une forme bilinéaire on note t φ l’application (x, y) → φ(y, x).

 Le cas général Il est immédiat que φ est symétrique si φ =t φ, et que φ est antisymétrique si
t
φ = −φ.

Proposition 0.20
•L’application qui à φ associe t φ est un automorphisme involutif de L2 (E).
•L2 (E) est somme directe des deux sous-espaces vectoriels de L2 (E) respectivement constitués
des formes bilinéaires symétriques et des formes bilinéaires antisymétriques. On a en fait φ = s+ a
t
φ−t φ
avec s = φ+φ
2 , a= 2 , s symétrique et a antisymétrique.

 Le cas de la dimension finie – expression matricielle On travaille maintenant avec E un

K-espace vectoriel de dimension finie n. On se donne une base (e1 , ...en ) de E.

Définition 0.10 matrice de φ dans la base B

Étant donnée une forme bilinéaire φ sur E, on appelle matrice de φ dans la base B la matrice
M définie par
Mi,j = φ(ei , ej )
On la note M atB (φ).
Réciproquement, on appelle forme bilinéaire sur E associée à la matrice M et à la
base B l’application φ définie par
φ(x, y) =t X.M.Y
avec X le vecteur défini par Xi = e∗i (x) et Y le vecteur défini par Yi = e∗i (y).
La forme bilinéaire canoniquement associée à une matrice M de type (n, n) est la forme
bilinéaire associée à cette matrice dans Kn , muni de sa base canonique.

La proposition suivante est aisée à démontrer.

Proposition 0.21
Avec M la matrice de φ dans la base B, avec X le vecteur défini par Xi = e∗i (x) et Y le vecteur
défini par Yi = e∗i (y), on a
φ(x, y) =t X.M.Y

Son corollaire est bien commode et mérite d’être mentionné ; il justifie l’utilisation de la termi-
nologie de la transposition à la fois pour les matrices et pour les formes bilinéaires :
Corollaire 0.22
La matrice de t φ est la transposée de la matrice de φ.

Proposition 0.23
Étant donnée B une base de E, l’application qui à une matrice associe la forme bilinéaire associée
sur E pour B est un isomorphisme.

Corollaire 0.24
dim L2 (E) = n2

Proposition 0.25
Étant donnée B et B ′ deux bases de E, alors

M atB ′ (φ) =t PB,B ′ .M atB (φ).PB,B ′

Démonstration Conséquence de la proposition 0.21.

Au vu de ce résultat, on comprend l’intérêt d’introduire la définition suivante :

Définition 0.11 forme quadratique associée à la forme bilinéaire φ

Deux matrices P et Q sont dites congruentes si il existe M inversible telle que P =t M QM .

L’intérêt de la notion apparaît avec la proposition ci-dessous :

Proposition 0.26
•La congruence est une relation d’équivalence
•Deux matrices sont congruentes si et seulement si elles représentent la même forme bilinéaire
dans deux bases différentes
•Deux matrices congruentes ont même rang

Attention 0.4 Deux matrices congruentes n’ont pas nécessairement même déterminant.

1.4.2 Formes quadratiques

Définition 0.12
On appelle forme quadratique associée à la forme bilinéaire φ l’application x 7→ φ(x, x).
Une application de E 2 dans K est une forme quadratique sur E si et seulement si c’est la
forme quadratique associée à une certaine forme bilinéaire.
Proposition 0.27
Soit q une forme quadratique, alors

q(x + y) + q(x − y) = 2(q(x) + q(y))

(voir figure ??)

 Le cas général
Démonstration Il suffit de développer la formule en considérant une forme bilinéaire φ à laquelle q
est associée.

Proposition 0.28
L’application qui à une forme bilinéaire associe la forme quadratique qui lui est associée est une
application linéaire de L2 (E) dans l’ensemble des fonctions de E dans K. Son noyau est l’ensemble
des applications bilinéaires antisymétriques, et elle induit un isomorphisme de l’ensemble des
applications bilinéaires symétriques sur E sur l’ensemble des formes quadratiques.

Démonstration Le fait que cette application soit linéaire est évident. La surjectivité est évidente.
Montrons donc seulement que si sa forme quadratique associée est nulle, alors φ est antisymétrique. Pour
tout x et tout y φ(x + y, x + y) = φ(x, x) + φ(y, y) + φ(x, y) + φ(y, x) ; donc si pour tout z φ(z, z) = 0,
alors φ(x, y) + φ(y, x) = 0. D’où le résultat.

Définition 0.13 forme polaire de q

Étant donnée une forme quadratique q sur E, l’unique forme bilinéaire symétrique φ telle que
pour tout x, q(x) = φ(x, x) est appelée forme polaire de q.

Proposition 0.29
Les formules suivantes permettent de déterminer la forme polaire φ associée à une forme quadra-
tique q :
•φ(x, y) = 12 (q(x + y) − q(x) − q(y))
•φ(x, y) = 14 (q(x + y) − q(x − y))
Définition 0.14 Orthogonalité
Étant données q une forme quadratique et φ sa forme polaire :
•x et y appartenant à E sont orthogonaux si et seulement si φ(x, y) = 0
•deux parties X et Y de E sont dites orthogonales si et seulement si tout x dans X et tout
y dans Y sont orthogonaux.
•On appelle orthogonal d’une partie X de E et on note X ⊥ l’ensemble des éléments ortho-
gonaux à tous les éléments de X.
•On appelle noyau de q l’orthogonal de E (à ne pas confondre avec le cône isotrope de q) ;
on le note N (q).
•On appelle cône isotrope de q et on note C(q) l’ensemble des x tels que q(x) = 0 (à ne pas
confondre avec le noyau de q). Un élément du cône isotrope est appelé vecteur isotrope.
•Une forme quadratique est dite dégénérée si son noyau n’est pas réduit à {0}.
•Une forme quadratique est dite définie si son cône isotrope est réduit à {0}.
•Un sous-espace vectoriel de E est dit isotrope si la restriction de q à ce sous-espace
vectoriel est dégénérée.
•Un sous-espace vectoriel de E est dit totalement isotrope si la restriction de q à ce
sous-espace vectoriel est nulle.
•Une forme quadratique q sur un R-espace vectoriel E est dite positive (resp. négative)
lorsque pour tout x on a q(x, x) ≥ 0 (resp. q(x, x) ≤ 0).

Attention 0.5 Il convient de bien noter que l’orthogonalité est une notion relative à φ.

Proposition 0.30
•Si X ⊂ E, alors X ⊥ est un sous-espace vectoriel de E.
•Si X et Y ⊂ E, alors (X ∪ Y )⊥ = X ⊥ ∩ Y ⊥ .
•Un sous-espace vectoriel est isotrope si et seulement si il a une intersection non réduite à
{0} avec son orthogonal.
•Un sous-espace vectoriel est totalement isotrope si et seulement si il est inclus dans son
orthogonal.
•L’orthogonal d’une partie de E est l’orthogonal du sous-espace vectoriel engendré par cette
partie.
•Avec X et Y des parties de E, X ⊂ V ect(Y ) → Y ⊥ ⊂ X ⊥

Proposition 0.31
•Le noyau d’une forme quadratique est un sous-espace vectoriel
• La restriction d’une forme quadratique définie à un est définie.
 Attention 0.6 Le cône isotrope d’une forme quadratique n’est pas nécessairement un sous-
espace vectoriel (mais il contient le sous-espace vectoriel noyau de q).
Attention 0.7 La restriction d’une forme quadratique non-dégénérée à un sous-espace vec-
toriel n’est pas nécessairement non-dégénérée.

Proposition 0.32
Le cône isotrope est un cône, c’est-à-dire que x isotrope ⇒ λ.x isotrope pour tout λ dans K.

Définition 0.15 Familles orthogonales et orthonormales

Une famille (xi ) de vecteurs de E est dite orthogonale si i 6= j implique
φ(xi , xj ) = 0.
Une famille (xi ) de vecteurs de E un C-espace vectoriel est dite réduite si elle est orthogonale
et si φ(xi , xi ) = χ[[1,rg(q)]] (i).
Une famille (xi ) de vecteurs de E un R-espace vectoriel est dite réduite si elle est orthogonale
et si φ(xi , xi ) = χ[[1,p]](i) − χ[[p+1,rg(q)]] (i) pour un certain p dans [[0, rg(q)]].
Une famille (xi ) de vecteurs de E est dite orthonormale si φ(xi , xj ) = δi,j .
Une matrice réelle ou complexe de type (n, n) est dite orthogonale si la famille de ses vecteurs
colonnes forme une famille orthonormale de Kn .

Deux propriétés immédiates :

Proposition 0.33
•Une famille orthogonale sans vecteur isotrope est libre. En particulier si q est définie une famille
orthogonale de vecteurs non nuls est libre.
•Une famille orthonormale est libre.

 Le cas de la dimension finie - expression matricielle On suppose que B = (e1 , ..., en ) est
une base de E.

Définition 0.16 matrice d’une forme quadratique dans une base B

On appelle matrice d’une forme quadratique dans une base B la matrice de sa forme
polaire dans la base B.
On note M atB (q) la matrice de la forme quadratique q dans la base B.
On appelle rang de q la rang de sa matrice dans une base quelconque (le rang est indépendant
de la base).
On appelle discriminant d’une forme quadratique q dans une base B le déterminant de la
matrice de q dans la base B.

Attention 0.8 Le discriminant dépend de la base.

Le troisième point appelle une preuve, que voici ci-dessous :

Proposition 0.34
M atB ′ (q) =t PB,B ′ .M atB (q).PB,B ′

Démonstration Il suffit d’aller voir la démonstration équivalente pour les formes bilinéaires, au §1.4.1,
page 10.
Deux matrices congruentes ayant même rang, la définition ci-dessus est donc cohérente.

Proposition 0.35
Étant donnés x dans E et X le vecteur défini par Xi = e∗i (x), on a q(x) =t X.M atB (q).X.

Démonstration Il suffit de considérer la forme polaire de q et de consulter le §1.4.1, page 10.

Proposition 0.36
Un polynôme homogène de degré 2 en x1 , ..., xn est une forme quadratique sur Kn .
Pour obtenir sa forme polaire, on remplace chaque xi .xi par xi .yi , et chaque xi .xj (i 6= j)
par 21 (xi .yj + xj .yi ) ; le polynôme que l’on obtient, en (xi )i∈[[1,n]] et (yi )i∈[[1,n]] , est une forme
bilinéaire symétrique sur Kn , et est la forme polaire du polynôme.

Proposition 0.37
Le noyau d’une forme quadratique en dimension finie est le noyau de l’endomorphisme ayant
même matrice (dans la même base).
La dimension de E est la somme du rang de q et de la dimension du noyau de q.

Démonstration Découle des propriétés de l’endormorphisme associé.

Proposition 0.38
•Une base est orthogonale si et seulement si la matrice de q dans cette base est diagonale.
•Une base est orthonormale si et seulement si la matrice de q dans cette base est l’identité.

Démonstration Découle directement de la définition 0.16.

Le théorème suivant est très important :

Théorème 0.39
Pour toute forme quadratique sur E de dimension finie, il existe une base de E orthogonale pour
q.

Démonstration On montre ce résultat par récurrence :

•Le cas n = 1 est trivial.
•Si q est nulle, le résultat est clair ; sinon on choisit e1 non isotrope, et on note H l’orthogonal de
e1 . Tout vecteur x s’écrit  
φ(e1 , x) φ(e1 , x)
x= .e1 + x − .e1
q(e1 ) q(e1 )
| {z } | {z }
∈K.e1 ∈e⊥
1

donc E = K.e1 ⊕ H. Il suffit alors d’appliquer l’hypothèse de récurrence sur H.

Corollaire 0.40
Pour tout forme quadratique q sur un K-espace vectoriel E de dimension n, il existe p ∈ [[1, n]]
et λ1 , ..., λp dans K \ {0} et f1 ,...,fp dans E ∗ tel que
•les fi forment une famille libre
•q(x) = pi=1 λi .fi (x)2
P
En outre, p est unique et est égal au rang de q.

Démonstration Il s’agit simplement de la traduction du théorème précédent.

On en déduit les deux corollaires suivants, l’un dans le cas K = C, l’autre dans le cas K = R :

Corollaire 0.41 Cas K = C

Pour tout forme quadratique q sur un C-espace vectoriel E de dimension n, il existe p ∈ [[1, n]] et
f1 ,...,fp dans E ∗ tel que
•les fi forment une famille libre
•q(x) = pi=1 fi (x)2
P
En outre, p est unique et est égal au rang de q.

Démonstration Il suffit de voir dans le corollaire précédent que l’on peut multiplier fi par une racine
carrée de λ1i .

Corollaire 0.42 Cas K = R

Pour tout forme quadratique q sur un R-espace vectoriel E de dimension n, il existe r ∈ [[1, n]]
et p dans [[1, r]] et f1 ,...,fp dans E ∗ tel que
•les fi forment
Pp une famille
Pr libre
•q(x) = i=1 fi (x)2 − i=p+1 fi (x)2
En outre, r est unique et est égal au rang de q, et p est unique.
Le couple (p, r − p) correspond à la signature de q, voir la définition 0.17 plus loin.

Démonstration Il suffit de voir que l’on peut multiplier fi par une racine carrée de |λ1i | ; il ne reste
alors plus qu’à montrer l’unicité de p. Pour cela, on considère s la valeur maximale possible pour p, et
u la valeur minimal de p possible ; on note t = r − u. Supposons p < s pour arriver à une contradiction.
Alors
— q est définie positive sur un espace de dimension s
— q est définie négative sur un espace de dimension t
On déduit facilement que :
— ces deux espaces sont en somme directe, donc s + t ≤ r
— p<s
— r−p ≤ t
et sommer ces trois lignes conduit au contradictoire s + t + r < s + t + r.
Encore un corollaire dans le cadre d’une forme quadratique définie positive :
Corollaire 0.43 Cas K = R et q définie positive
Pour tout forme quadratique q définie positive sur un R-espace vectoriel E de dimension n, il
existe f1 ,...,fn dans E ∗ tels que
•les fi forment
Pn une famille libre
•q(x) = i=1 fi (x)2
On en déduit aussi l’existence d’une base orthonormale.

1.4.3 Formes quadratiques réelles

Pour toute la durée de cette section, on se place dans le cadre de E un R-espace vectoriel .

 Le cas général On rappelle la définition suivante : une forme quadratique q sur un R-espace
vectoriel E est dite positive (resp. négative) lorsque pour tout x on a q(x, x) ≥ 0 (resp.
q(x, x) ≤ 0).

Théorème 0.44 Inégalité de Schwarz

•Soit q une forme quadratique positive sur un R-espace vectoriel E, et soit φ sa forme polaire.
Alors pour tout x et tout y dans E

φ(x, y)2 ≤ q(x).q(y)

•Soit q une forme quadratique définie positive sur un R-espace vectoriel E, et soit φ sa forme
polaire. Alors pour tout x et tout y dans E

φ(x, y)2 ≤ q(x).q(y)

et
φ(x, y)2 = q(x).q(y) =⇒ (x, y) est une famille liée.

Démonstration du polynôme t 7→ q(x.t + y) (ce polynôme est toujours positif puisque la forme
quadratique est positive).
•L’égalité implique que q(y − φ(x,y)
q(x)
.x) = 0.
On remarque que l’inégalité de Schwarz implique qu’une forme bilinéaire
p φ symétrique positive
est continue pour la topologie qu’elle engendre avec la norme kxk = φ(x, x).

Corollaire 0.45 Noyau et cône isotrope d’une forme quadratique positive

•Si q est positive alors N (q) = C(q).
•Si q est positive alors q est définie si et seulement si elle est non-dégénérée.

Proposition 0.46
Une forme quadratique q sur un R-espace vectoriel qui est définie est nécessairement soit positive
soit négative.
 Démonstration On suppose qu’il existe x et y avec q(x) > 0 et q(y) < 0. Alors l’application qui à t
dans [0, 1] associe q(t.x + (1 − t).y) est continue (il suffit de développer pour le voir : c’est un polynôme
du second degré en t), donc par le théorème des valeurs intermédiaires ?? elle s’annule en un certain
t0 . Nécessairement t.x + (1 − t)y = 0 (puisque q est définie), donc x et y sont linéairement dépendants
(t 6= 0 et t 6= 1). Donc q(x) et q(y) sont de même signe, d’où contradiction.
Une autre formulation des inégalités de Schwarz est donnée dans le corollaire ci-dessous :

Corollaire 0.47 Inégalités de Minkowski

•Soit q une forme quadratique positive sur un R-espace vectoriel E. Alors pour tout x et tout
y dans E p p p
q(x + y) ≤ q(x) + q(y)
•Soit q une forme quadratique définie positive sur un R-espace vectoriel E, alors pour tout
x et tout y dans E
p p p
q(x + y) = q(x) + q(y) =⇒ (x, y) est une famille positivement liée.

Démonstration •Par l’inégalité de Schwarz

φ(x, y)2 ≤ q(x).q(y)

et donc
q(x + y) − q(x) − q(y) p
≤ q(x).q(y)
2
p
q(x + y) ≤ q(x) + q(y) + 2. q(x).q(y)
p p p
q(x + y) ≤ q(x) + q(y)
•Même principe.

Proposition 0.48
•Une forme quadratique q est positive si et seulement si −q est négative
•Une forme quadratique sur un R-espace vectoriel est convexe si et seulement si elle est
positive
•Une forme quadratique sur un R-espace vectoriel est concave si et seulement si elle est
négative

 Le cas de la dimension finie - expression matricielle On suppose maintenant que l’on

travaille sur E un R-espace vectoriel de dimension finie n. q est une forme quadratique.

Proposition 0.49 Formes quadratiques définies positives

Si E est une forme quadratique définie positive sur un R-espace vectoriel E de dimension finie,
alors il existe une base de E orthonormale pour q.

Démonstration Découle du corollaire 0.43.

Proposition 0.50 Quelques propriétés sur l’orthogonalité
Avec E un R-espace vectoriel de dimension finie :
•Pour F sous-espace vectoriel de E, on a dim F + dim F ⊥ ≥ n
•Soit F sous-espace vectoriel de E, avec q|F définie, alors E = F ⊕ F ⊥ .

Démonstration (fi )i∈[[1,e]] (e ≥ f ) une base de E. P

Soit p l’application de E dans E définie par p(x) = i∈[[1,f ]] φ(x, fi ).fi . Cette application est
linéaire ; on peut donc écrire
dim E = rg(p) + dim Ker p.
Or rg(p) ≤ dim F
et dim Ker p = dim F ⊥
donc dim E ≤ dim F + dim Ker p
⊥
•F ∩ F = {0} car q est définie sur F . L’inégalité précédente donne dim F + dim F ⊥ ≥ n, d’où le
résultat.

Définition 0.17 Signature d’une forme quadratique

Soit E un R-espace vectoriel de dimension finie. On appelle signature d’une forme quadra-
tique q le couple (s, t) avec s la dimension maximale d’un sous-espace vectoriel de E sur lequel
q est définie positive et t la dimension maximale d’un sous-espace vectoriel de E sur lequel q est
définie négative.

Le théorème suivant, très important, permet de cerner l’intérêt de la notion.

Théorème 0.51 Théorème d’inertie de Sylvester

Pour toute base q-orthogonale ei , l’ensemble des i tels que q(ei ) < 0 a même cardinal, l’ensemble
des i tels que q(ei ) = 0 a même cardinal, l’ensemble des i tels que q(ei ) > 0 a même cardinal.
Le sous-espace vectoriel engendré par l’ensemble des i tels que q(ei ) > 0 est un sous-espace
vectoriel F de dimension maximale tel que q|F soit définie positive.
Le sous-espace vectoriel engendré par l’ensemble des i tels que q(ei ) < 0 est un sous-espace
vectoriel F de dimension maximale tel que q|F soit définie négative.
Le cardinal de l’ensemble des i tels que q(ei ) = 0 est égal à la dimension de E moins le rang
de q.

Démonstration Corollaire du corollaire 0.42.

Corollaire 0.52
•Toute matrice symétrique est congruente à une matrice diagonale dont les termes diagonaux sont
(1, ..., 1, −1, ... − 1, 0, ...0).
•Deux formes quadratiques ont la même signature si et seulement si on passe de l’un à l’autre
en composant par un automorphisme.
 Proposition 0.53
Une matrice M de type (n, n) est antisymétrique si et seulement si pour tout vecteur X de Kn
on a t X.M.X = 0.

Démonstration La forme polaire de la forme quadratique associée à M est (X, Y ) 7→t X.( 21 (M +t
M )).Y . Elle est nulle si et seulement si M est antisymétrique (voir proposition 0.28).
Quelques formules en vrac enfin avec q une forme bilinéaire dans E espace vectoriel de dimension
finie, φ sa forme polaire, P e1 , . . . , enPune base de E, et Mi,j = φ(ei , ej ) et avec X = (x1 , . . . , xn ) et
Y = (y1 , . . . , yn ), x = xi ei , y = yi ei ,
X
q(x1 .e1 , x2 .e2 , ..., xn .en ) = Mi,j xi xj
(i,j)∈[[1,n]]2

X
φ ((x1 .e1 , x2 .e2 , ..., xn .en ), (y1 .e1 , y2 .e2 , ..., yn .en )) = Mi,j xi .yj
(i,j)∈[[1,n]]2

q(ei ) = Mi,i
et avec (f1 , ..., fn ) une autre base,

M at(fi ) (φ) = M at(fi ) (q) =t P(ei ),(fi ) .M.P(ei ),(fi )

q(x) =t X.M.X
φ(x, y) =t X.M.Y

 Le cas d’un espace euclidien E Pour plus d’informations sur les espaces euclidiens on
consultera la partie ??. Un espace euclidien étant réel de dimension finie, ce qui vient d’être dit
(pour les espaces réels de dimension finie) est donc encore valable dorénavant (pour les espaces
euclidiens). On va s’intéresser aux interactions entre forme quadratique et produit scalaire, et à la
reformulation de formes quadratiques en termes de produit scalaire.
On va noter Q(E) l’espace des formes quadratiques. Les notations usuelles seront utilisées :
•(e1 , ..., en ) est une base de E
•q ∈ Q(E)
•M la matrice (symétrique) associée à q pour la base des ei
•φ la forme polaire de q (symétrique, de matrice M dans la base des ei )
•X désigne le vecteur colonne des coordonnées de x dans la base des ei
•Y désigne le vecteur colonne des coordonnées de y dans la base des ei

Théorème 0.54
L’application F de L(E) dans l’ensemble des applications de E dans R définie par F (f ) : y 7→<
f (y)|y > induit un isomorphisme de S(E) (ensemble des endomorphismes symétriques de E) sur
Q(E) (ensemble des formes quadratiques sur E).
 Démonstration •F (f ) appartient à Q(E) pour tout f dans L(E) se voit en considérant la forme
bilinéaire φ = (x, y) 7→ 21 (< f (x)|y > + < x|f (y) >).
•< f (x)|x >= 0 pour tout x ⇐⇒ f antisymétrique (si vous n’en êtes pas convaincu, revoyez la
partie ??).
•Avec n la dimension de E, on sait alors que l’image de F est de dimension n2 − 21 n.(n − 1) =
1
2
n.(n + 1) = dim Q(E), donc F a bien pour image Q(E) ; S(E) étant un supplémentaire du noyau de
F , F induit bien un isomorphisme de S(E) sur Q(E).

Corollaire 0.55
•Toute forme quadratique q s’écrit x 7→< f (x)|x > pour un certain endomorphisme symétrique
f (on peut d’ailleurs aussi écrire x 7→< x|f (x) >, puisque f est symétrique).
•Dans une même base orthonormée, q, φ et f ont même matrice.

Définition 0.18 endomorphisme symétrique associé à la forme quadratique q

f défini comme en corollaire 0.55 est appelé endomorphisme symétrique associé à la forme
quadratique q.

Ceci nous permet de donner quelques résultats, conséquences immédiates de résultats connus
sur les endomorphismes symétriques :

Théorème 0.56
•Soit q une forme quadratique sur E euclidien ; alors il existe une base orthonormale de E dans
laquelle la matrice de l’endomorphisme associée à q est diagonale ; c’est-à-dire que cette base est
orthogonale pour q aussi.
•Si on a deux formes quadratiques sur un R-espace vectoriel E de dimension finie dont l’une
(au moins) est définie, alors il existe une base orthogonale pour les deux formes quadratiques (il
suffit de considérer l’espace euclidien engendré par la forme définie (ou son opposée si elle est
négative) pour conclure).
•Une forme quadratique sur E euclidien est positive (resp. négative) si et seulement si toutes
les valeurs propres de l’endomorphisme symétrique associé sont positives (resp. négatives).
•Une forme quadratique sur E euclidien est définie si et seulement si toutes les valeurs propres
de l’endomorphisme symétrique associé sont non nulles et de même signe.

1.4.4 Formes quadratiques complexes

 Le cas général Le cadre le plus général est simplement celui d’un C-espace vectoriel .

Définition 0.19 forme quadratique hermitienne

On appelle forme quadratique hermitienne sur un C-espace vectoriel E une application q de
E dans C telle qu’il existe une forme sesquilinéaire hermitienne φ telle que pour tout x on ait
q(x) = φ(x, x). Cette forme sesquilinéaire hermitienne est unique (à vérifier plus bas) ; on l’appelle
forme polaire de q.
Proposition 0.57
Soit q une forme quadratique hermitienne. Alors :

∀x ∈ E, q(x) ∈ R

en effet φ(x, x) = φ(x, x) car φ est hermitienne.

On a en outre la formule de polarisation :
4
2 1 X k  1 X 
∀(x, y) ∈ E , φ(x, y) = i .q(x + ik .y) = ω.q(x + ω.y)
4 4 4
k=1 ω =1

cela se montre simplement en développant chacun des 4 termes de droite

L’ensemble des formes quadratiques hermitiennes sur E noté QH(E) est un R-espace vectoriel
.
Attention 0.9 Ce n’est pas un C-espace vectoriel , comme on s’en convainc facilement en
considérant une forme quadratique hermitienne non nulle multipliée par i.

On note au passage que le deuxième résultat de cette proposition donne l’unicité recquise dans
la définition de la forme polaire ci-dessus.

Définition 0.20 matrice M associée à q

Étant donnée (e1 , ..., en ) une base de E espace hermitien et q une forme quadratique hermitienne
sur E de forme polaire φ, on définit la matrice M associée à q ou matrice associée à φ par
Mi,j = φ(ei , ej ). On note M = M at(ei ) (φ) ou M = M at(ei ) (q).

Proposition 0.58
La matrice M associée à une forme quadratique hermitienne est hermitienne c’est-à-dire que
M =t M .
Avec X le vecteur colonne des coordonnées de x dans une base donnée B = (e1 , ..., en ), Y le
vecteur colonne des coordonnées de y dans la même base (i.e. Xi = ei ∗ (x) et Yi = ei ∗ (y)), M la
matrice associée à q ou φ dans cette base, on a

φ(x, y) =t X.M.Y
n
X X
q(x) =t X.M.X = Mi,i .|Xi |2 + [Link]( Mi,j X i .Xj )
i=1 i<j

Si (ei )i∈[[1,n]] et (fi )i∈[[1,n]] sont deux bases de E, alors

M at(ei ) (q) =t P(ei ),(fi ) .M at(fi ) (q).P(ei ),(fi ) .

 Le cas de la dimension finie – expression matricielle

Définition 0.21 QH(E)
On note QH(E) le R-espace vectoriel des formes quadratiques hermitienne sur E espace hermi-
tien.
On note H(E) le R-espace vectoriel des endomorphismes hermitiens de E, espace hermitien.
Étant donné f ∈ H(E), la forme quadratique x 7→< f (x)|x > est appelée forme quadra-
tique hermitienne associée à l’endomorphisme hermitien f ; réciproquement f est appelée
endomorphisme hermitien associée à cette forme quadratique (voir unicité ci-dessous).

Théorème 0.59
L’application F de H(E) dans QH(E) défini par F (f ) = (x 7→< f (x)|x >) est un isomorphisme.

 Formes quadratiques sur un espace hermitien

Démonstration Examinons tout ce qu’il y a à prouver :
•Le fait que pour tout f dans H(E), F (f ) est une forme quadratique est clair (considérer la forme
sesquilinéaire (x, y) 7→< f (x)|y >).
•Le fait que f est un morphisme est facile à prouver.
•La surjectivité : il suffit, étant donnée une forme quadratique, de considérer sa matrice dans une
base orthonormale quelconque, et l’endomorphisme associé à la même matrice dans la même base ;
l’image de cet endomorphisme par f .
•L’injectivité : supposons F (f ) = 0. L’application (x, y) 7→< f (x)|y > est la forme polaire de F (f )
(elle est bien sesquilinéaire et hermitienne) ; donc cette forme sesquilinéaire est nulle par unicité de
la forme polaire. Donc < f (x)|y > est nul pour tout x et tout y, d’où le résultat en spécialisant par
y = f (x).

Théorème 0.60
Pour toute forme quadratique hermitienne il existe une base orthonormale (pour le produit
scalaire hermitien) qui est orthogonale pour cette forme quadratique.

Démonstration Il suffit de considérer la proposition ?? appliqué à l’endomorphisme associé à une

forme quadratique.
Quelques liens entre une forme quadratique q et l’endomorphisme hermitien associé f :
•q est définie si et seulement si toutes les valeurs propres de f sont de même signe et non nulles
•q est positive si et seulement si toutes les valeurs propres de f sont positives
•q est négative si et seulement si toutes les valeurs propres de f sont négatives

1.5 Zoologie des déterminants

1.5.1 Déterminant d’ordre 2
a b
En dimension 2 on a la formule analytique suivante : = a.d − b.c
c d
1.5.2 Déterminant d’ordre 3
En dimension 3 on a la formule analytique suivante :
M1,1 M1,2 M1,3
M2,1 M2,2 M2,3 M3,1
M3,2 M3,3
= M1,1 .M2,2 .M3,3 + M1,2 .M2,3 .M3,1 + M2,1 .M3,2 .M1,3
−M3,1 .M2,2 .M1,3 − M2,1 .M1,2 .M3,3 − M3,2 .M2,3 .M1,1
Une façon usuelle de retenir ce résultat peu élégant vu comme ça est le schéma ??.

On suit les flèches marquées d’un + pour retrouver les produits à compter positivement, et
les flèches marquées d’un − pour retrouver les produits à compter négativement. On peut aussi
compléter la figure en recopiant les deux premières lignes sous la troisième.

1.5.3 Déterminant de Vandermonde

Définition 0.22 déterminant de Vandermonde associé à un n-uple (x1 , ..., xn )

On appelle déterminant de Vandermonde associé à un n-uple (x1 , ..., xn ) le déterminant
x01 x11 x21 x31 ... x1n−1 1 x11 x21 x31 ... x1n−1
x02 x12 x22 x32 ... x2n−1 1 x12 x22 x32 ... x2n−1
x03 x13 x23 x33 ... x3n−1 1 x13 x23 x33 ... x3n−1
x04 x14 x24 x34 ... x4n−1 = 1 x14 x24 x34 ... x4n−1
.. .. .. .. .. .. .. .. .. .. .. ..
. . . . . . . . . . . .
x0n x1n x2n x3n . . . xnn−1 1 x1n x2n x3n . . . xnn−1
Proposition 0.61 Déterminant de Vandermonde
Le déterminant de Vandermonde associé à (x1 , ..., xn ) est égal à

Πi<j (xj − xi ).

Démonstration On note Wn le déterminant

x01 x11 x21 x31 ... xn−1
1
x02 x12 x22 x32 ... xn−1
2
x03 x13 x23 x33 ... xn−1
3
x04 x14 x24 x34 ... xn−1
4
.. .. .. .. .. ..
. . . . . .
x0n x1n x2n x3n ... xn−1
n

On note Pn le polynôme Πi∈[[1,n−1]] (X − xi ). Considérons les (pk )k∈[[1,n−1]] tels que

n−1
X
Pn = X n−1 + pk .X k−1
k=1

On ajoute alors à la dernière colonne la somme des pk .ck pour k ∈ [[1, n − 1]] avec ck la colonne k. Sur
la dernière colonne, on a maintenant seulement des 0, sauf pour la dernière ligne où l’on a Pn (xn ). En
développant alors par rapport à la dernière colonne, on a
Wn = Pn (xn ).Wn−1 .

Par récurrence, on en déduit le résultat annoncé.

Application 0.10 Le déterminant de Vandermonde sera utile pour les matrices circulantes. On
peut aussi en déduire un résultat concernant les polynômes d’interpolation de Lagrange :
Si on fixe (x0 , ..., xn ) ∈ Kn+1 , on définit
ϕ : Kn [X] → Kn+1 , P
7→ (P (x0 ), ..., P (xn )).
On munit Kn [X] de la base B = (1, X, ..., X n ) et Kn+1 de sa base canonique B ′ .
Alors la matrice de ϕ dans les bases B, B ′ est la matrice de Vandermonde associée aux xi .
Ainsi, si les xi sont deux à deux différents, le déterminant de la matrice est non nul (d’après ce
qui précède), et ainsi ϕ est un isomorphisme.
Ceci signifie que

∀(y0 , y1 , ..., yn ) ∈ Kn+1 , ∃!P ∈ Kn [X] : P (x0 ) = y0 , P (x1 ) = y1 , ..., P (xn ) = yn :

C’est le polynôme d’interpolation de Lagrange associé aux points (xi , yi )... que l’on retrouvera dans
le §??, page ??.

1.5.4 Déterminant d’une matrice de permutation

Définition 0.23 Matrice d’une permutation
On appelle matrice de la permutation σ ∈ σn la matrice M de type (n, n) définie par Mi,j =
δi,σ(j) .

Proposition 0.62
Le déterminant de la matrice de la permutation σ est égal à la signature ǫ(σ) de la permutation
σ.

Démonstration Il suffit de revenir à la définition du déterminant d’une famille de vecteurs dans

une base, et de voir qu’il n’y a qu’une permutation qui n’annule pas le produit correspondant dans la
formule.

1.5.5 Déterminant circulant

Définition 0.24 matrice circulante associée au n-uple (x1 , ..., xn )

On appelle matrice circulante associée au n-uple (x1 , ..., xn ) la matrice M définie par Mi,j =
xj−i (modulo n) , c’est-à-dire

x1 x2 x3 ... xn
 
..
. xn−1
 
 xn x1 x2 
..
 
. xn−2
 
 xn−1 xn x1 
 . ..
 
 .. .. .. .. 
. . . . 
x2 x3 x4 ... x1

On trouvera d’autres informations sur les matrices circulantes en ??.

Application 0.11 Les matrices circulantes servent à des endroits inattendus, comme pour borner
la discrépance de coloriages de [[1, n]], cf le théorème de Roth (théorème 1.11 dans [1]).

Proposition
Q 0.63
det(M ) = ni=1 P (yi ) avec P (X) = i=0
Pn−1 2iπ
xi .X i−1 et yi = e n .

Démonstration L’astuce va être de multiplier M par la transposée de la matrice de Vandermonde

associée aux racines n-ièmes de l’unité.
On note Yi le vecteur (yi0 , ..., yin−1 ).
On constate que [Link] = P (yi ).Yi .
On note Y la matrice dont les vecteurs colonnes sont Y0 , ..., Yn−1 .
On a alors M.Y = diag(P (y0 ), ..., P (yn−1 )).Y . Q
Donc comme le déterminant de Y est non nul (voir 1.5.3), le déterminant de M est n
i=1 P (yi ).
On définit de même les matrices circulantes gauche, dont on calcule le déterminant en utilisant
une permutation bien choisie sur les lignes... ou plus simplement en la transposant (elle devient une
matrice circulante droite) !
1.5.6 Déterminant de Mi,j = inf{i, j}
Le déterminant est le suivant :
1 1 1 ... 1
1 2 2 ... 2
1 2 3 ... 3
.. .. .. ..
. . . ... .
1 2 3 ... n
Puisqu’on peut à volonté sans changer le déterminant ajouter à une colonne une combinaison
linéaire des autres colonnes, on peut en particulier soustraire à une colonne la colonne précédente
(en allant bien entendu de droite à gauche) ; on obtient alors le déterminant plus facile :

1 0 0 0 ... 0
1 1 0 0 ... 0
1 1 1 0 ... 0
.. .. .. .. . . ..
. . . . . .1
... ... ... ... 1

Ce déterminant est donc égal à 1.

1.6 Zoologie de l’algèbre bilinéaire

présente différents éléments ici ; il est fondamental pour une bonne zoologie bilinéaire d’aussi
se documenter sur les produits scalaires euclidiens ou hermitiens. Notons bien que les produits
scalaires euclidiens n’existent pas que dans les espaces euclidiens, de même que les produits scalaires
hermitiens n’existent pas que dans les espaces hermitiens (dans les deux cas, on peut avoir un produit
scalaire sans que la dimension soit finie, alors que les espaces euclidiens ou hermitiens sont de
dimension finie). L’existence d’un produit scalaire euclidien (resp. hermitien) implique simplement
que l’espace est préhilbertien réel (resp. complexe). Ajouter la contrainte de complétude conduit
l’espace à être de Hilbert ; enfin, ajouter la contrainte de dimension finie conduit à un espace
euclidien (dans le cas réel) ou hermitien (dans le cas complexe).

1.6.1 Procédé d’orthogonalisation de Gauss

À l’aide de l’algèbre linéaire en dimension finie, on peut obtenir de belles choses sur les formes
quadratiques. Ainsi :

Théorème 0.64 Orthogonalisation de Gauss

Soit E un K-espace vectoriel de dimension finie n, et q une forme quadratique sur E. Alors,
avec r le rang de q, il existe r formes linéaires indépendantes sur E, f1 ,...,fr tels que
r
X
q= ǫi fi2 avec ǫi ∈ {−1, 1}.
i=1
 Démonstration Il s’agit simplement d’opérations sur les lignes et les colonnes ; voir la méthode de
Gauss, théorème ??.

Références
[1] B. Chazelle, The Discrepancy Method, Cambridge University Press, 2000.