Algèbre Linéaire Pour Tous PDF

Bruno Vallette
LALGBRE LINAIRE POUR TOUS
Bruno Vallette
Laboratoire J.A.Dieudonn, Universit de Nice Sophia-Antipolis, Parc Valrose, 06108 Nice Cedex
02, France.
E-mail : brunov@unice.fr
Version du 23 dcembre 2013
LALGBRE LINAIRE POUR TOUS

Bruno Vallette
Rsum. Notes du cours dAlgbre linaire pour les conomistes donn en deuxime anne de
Licence MASS luniversit de Nice Sophia-Antipolis entre 2011 et 2014.

PRFACE
Prface
Lalgbre linaire est un langage universel qui sert dcrire de nombreux phnomnes en mcanique, lectronique, et conomie, par exemple. Il nest donc pas tonnant de retrouver cette
matire enseigne au dbut de nombreux cursus universitaires car elle est ncessaire pour pouvoir
exprimer des concepts plus avances les annes suivantes. Ainsi il est crucial pour un-e tudiant-e
den matriser son vocabulaire et sa grammaire au plus tt. Pourtant, mme si elle est un domaine
des mathmatiques, il nest pas ncessaire dtre un-e mathmaticien-ne averti-e pour lapprendre,
fort heureusement.
Ce cours entend essayer dapprendre cette belle langue quest lalgbre linaire tout-e tudiante sans aucun prrequis (ou presque) en mathmatique. En particulier, il nest pas ncessaire de
connaitre le langage formelle des dmonstrations. En consquence, ce livre nest pas proprement
parler un livre de mathmatiques ; les livres des mathmaticiens sont crits de manire diffrente.
Ce livre est plus un livre accessible sur les mathmatiques et surtout il entend sadresser un trs
large public dtudiants pas forcment mathmaticiens !
Par exemple, il ny a, dans le corps du texte, presque aucune dmonstration, pour ne pas effrayer le lecteur et ralentir la matrise des diffrents objets en jeu. Ce cours a la forme suivante :
les nouvelles notions sont dabord dfinies, elles sont toujours motives par des exemples, souvent
gomtriques car on peut facilement forger son intuition sur des dessins, mme lmentaires. Leurs
proprits sont ensuite nonces sous forme de thormes (on ne se refait pas compltement). Les
dmonstrations techniques ne sont pas prsentes dans le corps du texte (mais elles figurent dans un
appendice la fin du livre, pour une tude plus avance ou pour des tudiant-e-s mathmaticienne-s). Par contre, on sefforce de convaincre le lecteur de ces proprits, nouveau sur des exemples.
De nombreux exercices de tous niveaux maillent le texte. Ils y sont situs lendroit o le
lecteur ou la lectrice a les armes ncessaires pour en venir bout. La lecture de ce cours peut et
doit donc se faire en continu suivant le schma Dfinition-Proprits-Exercices. Le lecteur ou la
lectrice est trs fortement invit-e chercher les exercices au moment o il apparaissent dans le
texte. Ils permettent dassimiler la notion tudie. Rappelons que lon napprend des mathmatiques quen faisant des exercices, cest--dire en triturant les objets mathmatiques dans notre
cerveau pour bien en digrer les contours. Au bout dun certain temps, non rduit zro, on peut
consulter la solution qui se trouve la fin du chapitre. Elle peut servir daide, si on narrive pas
faire lexercice, ou de vrification, si on pense avoir trouv ce dernier. Les solutions sont toutes
rdiges entirement. Cela vous permettra, tudiant-e-s, dapprendre comment on doit rdiger une
copie dexamen.
Puisque lon parle de choses qui fchent, les examens, jai mis dans un second appendice toutes
les annales des deux dernires annes, entirement rdiges ! Encore une fois, le but avou est de
vous permettre de vous prparer au mieux cette preuve. Lauteur de ce cours, peut maintenant
rver navoir que des 20/20 en fin de semestre. A vous de jouer !
Enfin, petit partage dexprience : toute personne qui dcouvre lalgbre linaire est un peu
dsaronne au dbut par le ct abstrait et donc nouveau de ce langage. Accrochez-vous ! Car,
au fur et mesure que vous progresserez dans ce cours, les notions prcdemment vues vous
paraitront de plus en plus naturelle, un peu comme la mthode Assimil. A la fin, si vous avez bien
travaill, lalgbre linaire deviendra comme une langue trangre : vous la parlerez couramment
sans vous souvenir comment vous lavez apprise. (Et ce nest pas le cas de toutes les domaines des
mathmatiques.) Du point de vue des tudes, cela prsente un gros avantage, vous naurez presque
pas besoin de rviser avant lexamen final ! (A linverse, si vous navez pas travaill de manire
continue, il sera presque impossible de tout assimiler la veille.) A bon entendeur ...
TABLE DES MATIRES
Prface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
9
1. Algbre lmentaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1. Applications ensemblistes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Fonctions trigonomtriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Nombres complexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Polynmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5. Corrections des exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
11
20
26
36
43
2. Espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1. Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Combinaisons linaires et gnrateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4. Dpendance linaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5. Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.6. Le cas Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.7. Somme directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.8. Corrections des exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
67
72
77
80
82
84
88
95
3. Applications linaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

3.1. Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
3.2. Noyau et image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
3.3. Rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
3.4. Matrice associe une application linaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.5. Trace et dterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
3.6. Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
3.7. Trigonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
3.8. Puissances de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
3.9. Corrections des exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
4. Espaces euclidiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
4.1. Formes bilinaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
4.2. Produits scalaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
4.3. Orthogonalit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
4.4. Rduction des matrices symtriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
4.5. Formes quadratiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
4.6. Corrections des exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
A. Annales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
A.1. Contrle continu 1 (octobre 2011) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
TABLE DES MATIRES

A.4. Contrle continu 2 (novembre 2011) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
A.7. Examen final (dcembre 2011) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
A.8. Examen final (dcembre 2012) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
Liste des Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
INTRODUCTION
Introduction
Le modle conomique de Leontief (prix Nobel dconomie en 1973). Essayons
de modliser mathmatiquement lconomie dun pays, par exemple, la France. On mesure des
quantits qui nous intressent : le nombre douvriers, la production de bl, de charbon, dacier
et de bois, par exemple. Nous avons l 5 paramtres quil est facile dcrire en colonne dans un
tableau :

x
ouvriers
y
bl
charbon = z .
acier u
t
bois
Dune anne lautre, ces quantits varient.
x
y
u
t
2010
x0
y0
z0
u0
t0
2011
Ce que lon veut comprendre cest la fonction de transition qui permet de calculer les nouvelles
quantits en fonction des anciennes. Si on suppose que cette fonction de transition reste constante
au cours du temps, cest--dire quelle ne change pas dune anne sur lautre, on peut alors litrer
et faire de la prospective. Par exemple, en litrant 10 fois, on obtiendrait les donnes conomiques
de la France dans 10 ans.
2010 2011 2012 2013
Il se peut, par exemple, que le nombre douvriers volue de la manire suivante
x0 = 1, 2x + 0, 3xy 3xu2 ,
o le premier terme 1, 2x reprsente laugmentation propre de la population douvriers par reproduction en fonction du nombre initial (+20%), le deuxime terme traduit la variation de la
population en fonction de la nourriture disponible et le dernire terme vient de la pollution engendre par lacier. Au final, nous avons l 5 fonctions, une pour chaque variable, quil faut tudier
toutes ensemble ! Or, cela peut savrer trs difficile, mme pour un-e mathmaticien-ne chevronne.
Faisons alors lhypothse que le phnomne que nous tudions est linaire, comme cest parfois
le cas dans la nature (1) . Cela signifie que si on double (respectivement triple ou, plus gnralement,
multiplie par un nombre quelconque) les valeurs initiales, alors les valeurs finales seront elles-aussi
doubles (respectivement triples ou, plus gnralement, multiplier par un nombre quelconque).
Dans ce cas la fonction de transition est une application linaire. Et cest tout le but de ce cours
dexpliquer ce que cela signifie.
Essayons dapprhender un peu ce que cela implique. Dabord, il ne peut y avoir que des termes
de la forme 1, 2x + 2y 3u dans les formules donnant les x0 , y 0 , . . .. En effet, les termes comme
0, 3xy ou 3xu2 ne sont pas linaires : 0, 3(2x)(2y) = 4(0, 3xy) 6= 2(0, 2xy). On peut donc
1. Mais pas toujours. Lexemple le plus clbre des problme mathmatique non-linaire est celui des quations
dEuler et de NavierStokes qui rgissent les fluides en mouvement. Problme combien important pour ses multiples
applications concrtes. Aujourdhui encore, personne ne sait les rsoudre ! On arrive juste dcrire des solutions
approches. Dailleurs, un prix dun million de dollars a t cr par linstitut Clay pour qui arriverait les rsoudre.
Alors, motiv-e ?
10
TABLE DES MATIRES
ranger les coefficients dfinissant la fonction de transition dans un tableau comprenant 5 lignes et
5 colonnes :
1, 2 2 0 3 0
..
..
.
.
Cest ce que lon appelle une matrice. On peut facilement multiplier les matrices avec des colonnes
de nombres. Si on multiplie la matrice associe la fonction de transition par la colonne des valeurs
initiales, on trouve les valeurs de lanne suivante.
0 1, 2 2 0 3 0
x
x
..
..
y0
y
.
.
z =
z
u
u
t
t0
Simple non ? On peut aussi multiplier les matrices entre elles. Et si on multiplie la matrice de
transition M avec elle-mme, on obtient la loi de transition pour une priode de deux ans. Et ainsi
de suite, la puissance 10me de M ,
M 10 = M M ,
|
{z
}
10 fois
donne la loi de transition sur 10 ans. Un autre but de ce cours sera de fournir des mthodes
algbriques pour calculer les puissances de matrices, notamment en les rduisant.
Dimension. Le notion de dimension est une des plus profondes et des plus anciennes des
mathmatiques. La dimension dun objet mathmatique est le nombre de paramtres quil faut se
donner afin de le dcrire fidlement.
Par exemple, il faut et il suffit de 2 coordonnes pour dcrire la position dun point dans le plan
(labscisse et lordonne) ou sur la terre (la longitude et la latitude). Nous disons donc que le plan
et la terre sont des objets de dimension 2. De mme, pour dcrire un point de lespace ambiant,
il nous faut 3 nombres : labscisse et lordonne, on y ajoute la hauteur. Lespace est donc de
dimension 3. Nous connaissons bien ces objets ; cest dans le plan, sur la terre ou dans lespace que
nous faisons de la gomtrie depuis plus de vingt sicles. On sait bien se les reprsenter et travailler
dedans. Par exemple, la gomtrie euclidienne nous fournit un moyen de mesurer les distances ;
on peut ainsi savoir si deux points sont loin lun de lautre.
Le modle conomique sus-mentionn est lui de dimension 5. Il pose le problme de faire la gomtrie euclidienne en dimension suprieure 3. La difficult conceptuelle, que nous avons ici, tient
au fait que nous sommes incapables de nous reprsenter de tels espaces de dimension suprieure.
Et pourtant, ils existent, la preuve. Si nous pouvions dfinir une notion de distance entre les points
de tels espaces, nous pourrions par exemple comparer les conomies de la France et de lAllemagne.
En effet, la distance entre les deux points 5 coordonnes qui dcrivent respectivement ltat des
lconomies de la France et de lAllemagne en 2012 nous renseignerait sur la proximit ou non de
nos deux pays. Le dernier chapitre de ce cours dveloppera donc la notion despace euclidien en
toute dimension (finie).
Conventions. Les exercices nots avec le symbole
sont donc faire dans un second temps.
sont plus avancs que les autres ; ils
CHAPITRE 1
ALGBRE LMENTAIRE
1.1. Applications ensemblistes

Cette section a aussi pour but de rappeler les notions algbriques lmentaires couramment
utilises en mathmatique.
1.1.1. Le langage ensembliste.
Dfinition (Ensemble). Un ensemble est une collection dobjets, appels lments.
Exemples. Lensemble des tudiants en L2-MASS Nice pendant lanne universitaire 20132014, lensemble des pices dun porte-monnaie, lensemble des villes de France, lensemble des
nombres entiers naturels {0, 1, 2, 3, . . .}. (Notez que les trois premiers exemples sont des ensembles
avec un nombre fini dlments. Alors que le dernier comporte une infinit dlments.)
En mathmatique, on crit un ensemble par des accolades {0, 1, 2, 3, . . .} avec dedans chaque
lment spar par une virgule. (Lordre dans lequel les lments apparaissent ne compte pas.)
Graphiquement, on reprsente souvent un ensemble par un patate avec un point ou une croix
pour ses lments.
Lucie
Chlo
Franois
Thomas
Notations. On utilise les notations suivantes, qui se lisent en franais comme indiqu.
12
CHAPITRE 1. ALGBRE LMENTAIRE
Notation
aA
Se lit
a
|{z}
|{z}
Reprsentation
A
|{z}
llment a appartient lensemble A
A
a
a
/A
a
|{z}
/
|{z}
A
|{z}
llment a nappartient pas lensemble A
AB
A
|{z}
|{z}
B
|{z}
lensemble A est inclus dans lensemble A

B
A 6 B
A
|{z}
6
|{z}
B
|{z}
lensemble A nest pas inclus dans lensemble A
Exemples.
La ville de Lyon est une ville franaise scrit en mathmatique :
Lyon {villes de France} .
Le nombre 9 nest pas pair scrit en mathmatique :
9
/ {nombres pairs} .
Lensemble des footballeurs fait partie de lensemble des sportifs scrit en mathmatique :
{footballeurs} {sportifs} .
Lensemble des nombres entiers relatifs {. . . , 3, 2, 1, 0, 1, 2, 3, . . .} nest pas inclus dans
lensemble des nombres rels positifs scrit en mathmatique :
{. . . , 3, 2, 1, 0, 1, 2, 3, . . .} 6 {x R | x 0} .
Ces derniers symboles se lisent
{
|{z}
x
R}
| {z
|
|{z}
x0
| {z }
}.
lensemble des nombres rels x tels que x soit positif
Efficace, non ?
Il existe un ensemble tonnant qui est obtenu en ne mettant rien dedans ! (Imaginez une boite
ou un tiroir vide.)
Dfinition (Ensemble vide). Lensemble vide est lensemble sans aucun lment. On le note
{ } ou .
Exemple. Lensemble des footballeurs ayant quelque chose dintelligent dire.
13
1.1. APPLICATIONS ENSEMBLISTES
Oprations. partir de deux ensembles (ou plus), on peut en crer un nouveau grce aux
oprations suivantes. Ici, les ensembles B et C sont des sous-ensembles dun ensemble A : B
A, C A. (1)
Terminologie
Notation
Reprsentation
A
Intersection
B C := {a A | a B et a C}
A B
B
B C := {a A | a B ou a C}
Union
C
B
B C (ou B\C) := {b B | b
/ C}
Diffrence
B-C
A
Complmentaire
B := A B = {a A | a
/ B}

Attention
. Le ou mathmatique dfinissant lunion de deux ensembles nest pas le ou
du restaurant. En effet, au restaurant, on peut avoir du fromage ou du dessert, cest--dire soit du
fromage, soit du dessert mais jamais les deux. En mathmatique, nous sommes bien plus gnreux :
a peut soit appartenir lensemble B, soit lensemble C, soit au deux en mme temps.
Remarque
. Le complmentaire dun ensemble dpend de lensemble qui le contient.
Exercice 1 (Oprations ensemblistes I).

On considre les ensembles suivants
A : lensemble des entiers relatifs pairs {. . . , 4, 2, 0, 2, 4, . . .},
B : lensemble des entiers relatifs impairs {. . . , 5, 3, 1, 1, 3, 5, . . .},
C : lensemble des entiers naturels de 1 10,
D : lensemble des nombres rels positifs.
Dcrire les ensembles C A, C B, C B, A D, B D, A B et A B.
(Ne pas hsiter utiliser une reprsentation graphique, comme laxe des rels, par exemple).
1. Le symbole := nest pas le signe gal habituel ; il signifie gal par dfinition. On lutilise donc lorsque lon
dfinit un objet nouveau. (Il traduit une dissymtrie : le membre de gauche est le nouvel objet que lon cherche
dfinir, alors que le membre de droite est quelque chose qui existe dj.)
14
Exercice
2 (Oprations ensemblistes II).
Soient A, B, C trois sous-ensembles dun lensemble E. Dmontrer les qualits prsentes cidessous :
1. (A B)c = Ac B c ,
2. (A B)c = Ac B c ,
3. A (B C) = (A B) (A C).

1.1.2. Les applications ensemblistes.
Dfinition (Application). Une application f : A B est un procd qui associe tout
lment a de A un unique lment f (a) de B. Lensemble A est appel lensemble source et
lensemble B est appel lensemble but.
Exemple. Considrons lapplication suivante : chaque tudiant-e du L2-MASS, on associe
son ge. Lensemble de dpart (source) est lensemble des tudiant-e-s du L2-MASS et lensemble
darrive (but) est lensemble des nombres entiers positifs {0, 1, 2, 3, 4, . . .}.
ge : {tudiant-e-s de L2-MASS}
Lucie
Chlo
Thomas
Franois
7
7
7
7
{0, 1, 2, 3, 4, . . .}
18
20
18
21
17
18
19
20
21
22
tout tudiant-e a, on associe ge(a) := lge de a ; par exemple ge(Lucie) = 18.

Attention
. Les notations sont trs prcises. La flche indique de quel ensemble on
part et dans quel ensemble on arrive. Alors que la flche 7 avec une barre gauche se rfre aux
lments ; elle reprsente limage dun lment.
Dfinition (Image). Llement f (a) de lensemble but est appel limage de a. Lensemble
image dune application f : A B est le sous-ensemble du but form de tous les lments
atteints par lapplication f , cest--dire les lments de B qui sont limage dau moins un lment
de A :
Imf := {b B | a A, f (a) = b} .
15
La dernire ligne de symboles mathmatiques se lit en franais de la manire suivante :

{
|{z}
lensemble des
b|
{zB}
|
|{z}
|{z}
a
A}
| {z
, f (a) = b} .
|{z} | {z }
lments b de B tels que il existe au moins un lement a de A vrifiant
f (a)=b
Exemple. Limage de Lucie par lapplication ge est le nombre 18. Limage de lapplication
ge est lensemble
Im(ge) = {18, 20, 21} .
Dfinition (Antcdent). Rciproquement, llment a de la source est un antcdent de
llment f (a).

Attention
. Il faut faire trs attention la dissymtrie des dfinitions relatives aux applications. Un lement de la source a une unique image. (Une seule flche part de chaque lment
de gauche). Par contre, tout lment du but peut avoir un nombre quelconque dantcdents. (Il
peut y avoir un nombre quelconque de flches qui aboutissent sur un mme lment droite.)
Dans lexemple donn ci-dessus, 18 a 2 antcdents : Lucie et Thomas.
Pour mesurer cela, on considre les ensembles suivants.
Dfinition (Ensemble des antcdents). On considre lensemble de tous les antcdents
dun lment b B donn :
f 1 ({b}) := {a A | f (a) = b} .
Il est donc form de tous les lments a de la source A qui sont envoys sur b.
Exemple. Dans lexemple prcdent, lensemble des antcdents de 18 est lensemble form
de Lucie et Thomas :
ge1 ({18}) := {Lucie, Thomas} .
Conseil
. Pour ne pas faire derreur en mathmatique, il suffit souvent de bien connaitre
la nature des objets avec lesquels on travaille. Ici, par exemple, limage dune application est un
sous-ensemble du but, Imf B, alors que chaque ensemble dantcdents est une sous-ensemble
de la source, f 1 ({b}) A.
Le cardinal de f 1 ({b}), cest--dire le nombre dantcdents de b, est un nombre intressant.
Il donne des informations sur lapplication f . Les trois grands cas suivants nous intresserons tout
particulirement.
Dfinition (Injectivit, surjectivit, bijectivit).
Si pour tout b B, le nombre de ses antcdents est infrieur 1, cest--dire
|f 1 ({b})| = 0 ou 1 ,
alors on dit que la fonction f est injective.
f
16
Si pour tout b B, le nombre de ses antcdents est suprieur 1, cest--dire

|f 1 ({b})| = 1 ou 2 ou 3 . . .
alors on dit que la fonction f est surjective.

f
Si pour tout b B, le nombre de ses antcdents est gal 1, cest--dire

|f 1 ({b})| = 1 ,
alors on dit que la fonction f est bijective.
f

Attention
. Voici une erreur que lon voit trs (trop) souvent, donc faites trs attention.
La notion dinjectivit nest pas le contraire de la notion de surjectivit et vice-versa : le contraire
de tout lment de lensemble but admet au plus 1 antcdent est il existe au moins un lment de lensemble but qui admet au moins 2 antcdents. Dis autrement, pour faire capoter
une proprit base sur tous les lments vrifient quelque chose", il suffit den trouver un qui ne
convienne pas. Donc, ncrivez jamais "comme la fonction est injective, alors elle ne peut pas tre surjective ! Ceci
est trs faux. (Entre nous, dans ce cas, il ny aurait pas de fonction bijective.)
Les deux proprits dinjectivit et de surjectivit sont indpendantes. Donc tout peut arriver ;
tous les cas de figures existent. Lapplication ge dfinie prcdemment nest ni injective, car
|ge1 ({18})| = 2 > 1, ni surjective, car |ge1 ({23})| = 0 < 1. Lexemple dapplication injective
ci-dessus nest pas surjective et lexemple dapplication surjective ci-dessus nest pas injective.
Enfin, lexemple dapplication bijective est bien sur injective et surjective.
Remarques
.
Lorsquune application est injective, il ny a pas de perte dinformation. En effet, lensemble
source se plonge dans lensemble but. Les lments de limage de f correspondent un--un
aux lments de la source.
Une application est surjective lorsque tous les lments du but sont atteints. Cela correspond
au cas o Imf = B.
Sil existe une application bijective entre deux ensembles, alors ces derniers sont les mmes.
En effet, chaque lment de la source correspond un et un seul lment du but.
Proposition 1. Soit f : A B une application entre deux ensembles finis.
Si f est injective, alors |A| 6 |B|.
17
Si f est surjective, alors |A| > |B|.

Si f est bijective, alors |A| = |B|.
Dmonstration. La dmonstration de cette proposition est simple et aide en comprendre le
sens.
Si une application f est injective, alors les lments de lensemble source A sont tous envoys
sur des lments diffrents du but B. Il y a donc autant dlments dans lensemble A que
dans lensemble image de f , qui lui a moins dlments que lensemble B. Ceci donne au final
|A| = |Im(f )| 6 |B| .
Si une application f est surjective, en effectuant la somme pour chaque lment de lensemble
B du nombre de ses antcdents, on trouve le cardinal de A. Et comme chaque fois, le nombre
en question est suprieur 1, on trouve que |A| > |B|.
Lorsquune application est bijective, on a, des deux points prcdents, que |A| 6 |B| et
|A| > |B| donc |A| = |B|.
Logique
. Nous avons limplication logique f injective |A| 6 |B|. On peut se
demander si la rciproque |A| 6 |B| f injective est vraie. Non, elle ne lest pas ! Par exemple
lapplication {1, 2, 3} {a, b, c, d} qui envoie 1, 2, et 3 sur a donne un contre-exemple. Par contre,
ce qui est toujours vraie, cest sa contrapose :
|A| < |B| f non injective .
Tout ceci se passe comme la pluie et les nuages : on sait que sil pleut, il y a des nuages. Mais
la rciproque est fausse : sil y a des nuages, il y a des chances pour quil pleuve, mais cela narrive
pas toujours. Par contre, la contrapose est toujours vraie, savoir : si le ciel est bleu (pas de
nuage), alors il ne pleut pas. Facile, la logique.
Dfinition (Application identit). tout ensemble A, on peut associer lapplication identit qui envoie tout lment a sur lui-mme. On la note

idA : A A
a 7 a = idA (a) .
Lorsque lon a deux applications f : A B et g : B C dont le but B de la premire
correspond la source de la seconde, on peut les composer. Pour tout lment a de A, on peut
commencer par considrer son image f (a) par f , puis on peut considrer limage g(f (a)) de f (a)
par g. Ceci dfinit une nouvelle application.
Dfinition (Composition). La compose de deux applications f : A B et g : B C
est lapplication

gf : A C
a 7 a = g(f (a)) .
Notez linversion des symboles : la compose de f avec g se note g f , cest--dire en crivant
de droite gauche, comme en arabe. (2)
2. Remarquez que si on avait crit limage dun lment par une application de la manire suivante (a)f , alors
la compose de deux applications se noterait alors f g car dans ce cas ((a)f )g = (a)(f g) !
18
Exemple. Considrons lapplication f qui au numro dtudiant associe ltudiant-e correspondante en L2-MASS :
f : {numros dtudiant} {tudiant-e-s de L2-MASS}
L2-MASS-1
7 Lucie
L2-MASS-2
7 Chlo
L2-MASS-3
7 Thomas
L2-MASS-4
7 Franois .
Sa compose avec la fonction ge donne
ge f : {numro dtudiants}
L2-MASS-1
L2-MASS-2
L2-MASS-3
L2-MASS-4
7
7
7
7
{0, 1, 2, 3, 4, . . .}
18
20
18
21
Si on compose une application f : A B avec lidentit gauche idB f = f ou droite

f idA = f , cela ne change rien (3) : on trouve encore lapplication f . On dit que lidentit est une
unit pour la composition.
Lorsque f : A B est une application bijective, il y a une et une seule flche qui part de
chaque lment de A (dfinition dune application) et il y a une et une seule flche qui arrive sur
chaque lment de B (bijectivit). On a donc une parfaite symtrie entre ce qui se passe gauche
et droite. On peut donc inverser le sens des flches ! Cela dfinit bien une application de B vers
A.
Dfinition (Application rciproque). Pour toute application bijective f : A B, on dfinit lapplication rciproque par
1
f : B A
b 7 f 1 (b) := lunique antcdent de b par lapplication f .
Exemple. Lapplication f susmentionne, qui au numro dtudiant associe ltudiant-e correspondant-e est clairement bijective. Elle admet donc une rciproque qui est lapplication dans
lautre sens associant un-e tudiant-e son numro :
1
f : {tudiant-e-s de L2-MASS} {numros dtudiant}
Lucie
7 L2-MASS-1
Chlo
7 L2-MASS-2
Thomas
7 L2-MASS-3
Franois
7 L2-MASS-4 .

Attention
. Prenez bien garde que lapplication rciproque nest bien dfinie que lorsque
lapplication f de dpart est bijective. Dans le cas contraire, il est impossible dinverser le sens des
flches. Par exemple, si un lment de B nest atteint par aucune flche, comment faire pour lui
associer canoniquement un lment gauche ? Nous navons alors aucun moyen de le faire, que
de faire des choix ...
Esprit critique
. Avez-vous bien remarqu que nous avons utilis deux notations
certes proches mais diffrentes f 1 ({b}) et f 1 (b) ? La premire reprsente un ensemble, celui des
antcdents de b, et la seconde reprsente limage de b par la fonction rciproque. Elles dcrivent
donc des objets de nature diffrente, ce qui devrait vous permettre de ne pas vous tromper. Le
langage mathmatique requiert de la prcision.
3. Notez que lon utilise lidentit de lensemble A dans un cas et lidentit de lensemble B dans lautre.
19
Proposition 2. Pour toute application bijective f : A B, les deux composes avec son
application rciproque f 1 : B A sont gales lidentit :
f f 1 = idB ,
et
f 1 f = idA .

Attention
. La notation avec lexposant 1 ne doit pas vous laisser croire que lon parle
ici de lapplication inverse qui a un nombre non nul x lui associe son inverse x1 qui est aussi not
1
x1 ... Dit autrement, lapplication rciproque f 1 nest pas lapplication dfinie par f (b)
. Un
1
bon moyen pour sen souvenir est que lapplication f (b) na aucun sens ! En effet, si on prend un
lment de b de B, il est impossible de regarder son image par f , car f est dfinie de A dans B.
Remarque
. Vous avez surement entendu parler de la notion de fonction. Quelle est
la diffrence avec la notion dapplication traite ici ? Cest simple ; pour un-e mathmaticien-ne,
une fonction f : A B est une application qui nest pas ncessairement dfinie sur tout lensemble
A. Cest--dire quil se peut que certains lments de A naient pas dimage bien dfinie. Cest,
par exemple, le cas de la fonction inverse x 7 x1 qui nest pas dfinie en 0.
Dans ce cas, la premire chose faire lorsque lon tudie une fonction, cest de dterminer son
domaine de dfinition. (Vous avez de la chance, dans ce cours, toutes les fonctions seront bien
dfinies partout. Nous aurons donc toujours faire des applications mme si nous utiliserons
parfois la terminologie de fonction.)
Exercice 3 (Application ensembliste).

Nous allons modliser par une application les chanes de tlvision que jai regardes pendant
la semaine dernire. Chaque soir, jai regard un film ou une mission propos par une de ces
chanes. Appelons les chanes 1, 2, 3, 4, 5 et 6. Lundi, mercredi et jeudi, jai regard la premire
chane. Mardi et vendredi, jai regard la deuxime chane. Samedi, jai suivi le programme de la
cinquime chane et dimanche celui de la sixime.
Posons f la fonction de lensemble {lundi, mardi, . . . , dimanche} {1, 2, . . . , 6} qui associe
un jour la chane regarde.
1. Reprsenter cette application (avec des ensembles et des flches).
2. Quelle est limage Imf de f ? quoi correspond cet ensemble en termes de chane de tlvision ?
3. Dcrire les ensembles dantcdents f 1 ({1}), f 1 ({2}) et f 1 ({4}) de 1, 2 et 4. quoi
correspondent ces ensembles dans la ralit ?
4. Cette fonction est-elle surjective et quest-ce-que cela signifie-t-il ici ? Est-il possible, en
faisant un autre choix de chanes chaque jour, davoir une fonction surjective ?
5. Cette fonction est-elle injective et quest-ce-que cela signifie-t-il ici ? Est-il possible, en faisant
un autre choix de chanes chaque jour, davoir une fonction injective ?
6. Cette fonction est-elle bijective ? Est-il possible, en faisant un autre choix de chanes chaque
jour, davoir une fonction bijective ?
Exercice 4 (Fonction bijective).
On considre la fonction f : R R dfinie par x 7 f (x) := 5x + 17.
1. Reprsenter graphiquement cette fonction.
2. Fixons un y R. On considre lquation f (x) = 5x + 17 = y o x est linconnue. Posons
f 1 ({y}) := {x R | 5x + 17 = y} lensemble des solutions de cette quation. Dterminer
f 1 ({2}) puis f 1 ({y}).
3. Montrer que f est bijective en utilisant deux mthodes diffrentes (celle que vous avez apprise
les annes passes et en appliquant directement la dfinition du cours).
20
4. Dterminer la fonction rciproque f 1 . Vrifier par le calcul que f 1 f = idR et que

f f 1 = idR .
Exercice
5 (Valeur absolue).
On rappelle que la fonction valeur absolue | | est dfinie de la manire suivante :

pour x > 0, on pose |x| := x,
pour x 6 0, on pose |x| := x.
1. Reprsenter graphiquement la fonction valeur absolue

RR
x 7 |x| .
2. Pour tout y R, dterminer le nombre dantcdents de y par la fonction valeur absolue.
Distinguer 3 cas, les reprsenter sur le graphe de la question prcdente. Cette fonction
est-elle injective ? Est-elle surjective ? Est-elle bijective ?
3. On restreint lensemble darrive R+ et on considre la fonction f dfinie par

f : R R+
x 7 |x| .
Pour tout y R+ , dterminer le nombre dantcdents de y par la fonction f . (Distinguer
plusieurs cas.) La fonction f est-elle injective ? Est-elle surjective ? Est-elle bijective ?
4. On restreint lensemble de dpart R+ et on considre la fonction g dfinie par

g : R + R+
x 7 |x| .
Pour tout y R+ , combien y-a-t-il dantcdents de y par la fonction g. La fonction g estelle injective ? Est-elle surjective ? Est-elle bijective ? quelle fonction usuelle est gale la
fonction g ?
1.2. Fonctions trigonomtriques

1.2.1. Cosinus, sinus et tangente. Dans cette section, on dfinit les trois fonctions trigonomtriques cosinus, sinus et tangente et on en donne leurs principales proprits.
Dfinition (Angle orient). Un angle orient est dfini par deux demi-droites D1 (droite
initiale) et D2 (droite finale) partant dun mme point.
+
B
1.2. FONCTIONS TRIGONOMTRIQUES
21
On choisit le sens inverse de parcourt des aiguilles dune montre comme orientation positive du
plan.
Considrons un point C de la demi-droite D1 et traons la perpendiculaire D1 passant par
C. Elle coupe la demi-droite D2 en un point B. On obtient ainsi un triangle rectangle.
Dfinition (Cosinus, sinus, tangente).
Le cosinus de langle est dfini par
cos :=
||AC||
longueur du ct adjacent
.
=
||AB||
longueur de lhypotnuse
Le sinus de langle est dfini par

sin :=
longueur du ct oppos
||BC||
=
.
||AB||
longueur de lhypotnuse
La tangente de langle est dfini par

tan :=
||BC||
longueur du ct oppos
=
.
||AC||
longueur du ct adjacent
On remarque immdiatement la relation :
tan =
sin
.
cos
Esprit critique
. Est-ce que le cosinus, le sinus et la tangente sont bien dfinis ? Il y
a en effet un problme potentiel : nous avons choisi un point C quelconque. Or, si on considre un
autre point C 0 de la demi-droite D1 , la longueur ||AC 0 ||, par exemple, est diffrente de la longueur
||AC|| ...
Dans ce cas, partir du nouveau point C 0 , effectuons les mmes constructions que prcdement
avec C. On considre donc la perpendiculaire 0 la demi-droite D1 passant par C 0 . Cette dernire
coupe la demi-droite D2 en B 0 . On peut alors utiliser le thorme attribu Thals pour conclure
que les rapports suivants sont gaux :
||AC||
||AC 0 ||
=
,
||AB||
||AB 0 ||
||BC||
||B 0 C 0 ||
=
,
||AB||
||AB 0 ||
et
||BC||
||B 0 C 0 ||
=
.
||AC||
||AC 0 ||
Les fonctions cosinus, sinus et tangente sont donc bien dfinies. On peut les calculer en utilisant
nimporte quel point C de D1 . (Ouf !)
1.2.2. La cercle trigonomtrique. Pour tout angle aigu , on choisit le point C tel que le
segment AB soit de longueur 1. Le point B se trouve alors sur le cercle de centre A et de rayon
1. De plus, on place le point A au centre du repre canonique du plan avec la demi-droite D1 sur
laxe des abscisses.
22
y
x
Dans ce cas, les coordonnes du point B sont

(x, y) = (cos , sin ) .
En effet, on a
cos =
x
||BC||
y
||AC||
= = x, et sin =
= =y .
||AB||
1
||AB||
1
De plus, on a
tan =
y
.
x
On peut maintenant dfinir les fonctions trigonomtriques pour tout angle par les coordonnes
du point B sur le cercle unit, dit aussi cercle trigonomtrique. (4)
Units. Il existe (au moins) deux units pour mesurer les angles, les degrs et les radiants. La
correspondance entre les deux peut se lire sur le tableau suivant.
Angle
Nul
Droit
Plat
Degrs
0
90
180
Radiants
0
En mathmatiques, on prfre utiliser les radiants pour la bonne raison que dans cette unit la
mesure de langle est gale la longueur de larc correspondant sur le cercle unit. Par exemple,
4. En effet, remarquez que la construction donne en 1.2.1 ne produit un point B que si langle est aigu.
23
la mesure de langle plat vaut 3, 14 . . . qui est la longueur du demi-cercle trigonomtrique.

Exercice
6 (Relations cosinus-sinus).
1. Montrer que cos = sin

et que sin = cos

+ et que sin = cos

.

+ .
3. Montrer que cos = cos( ) et que sin = sin( ).

4. Montrer que cos = cos( + ) et que sin = sin( + ).

Les valeurs suivantes des fonctions trigonomtriques aux angles remarquables sont connatre.
Fonction trigonomtrique\ Angle
Cosinus
Sinus
0
0
Tangente
3
2
1
2
3
3
2
2
2
2
1
2
3
2
1
non dfini, +
Pour sen souvenir, on peut utiliser le moyen mnemotechnique suivant :
4
1=
,
2
3
,
2
2 1
1
0
,
=
, 0=
.
2 2
2
2
On peut aussi tracer le cercle trigonomtrique.
24
2
0
Remarque. Tout comme la donne dune seule des deux coordonnes dun point du plan nest
pas suffisante pour dterminer ce dernier, la seule donne du cosinus dun angle ou du sinus ne
permet pas de dterminer la valeur de langle lui mme. Par exemple, les deux angles 2 et 3
2 ont
le mme cosinus 0. Donc si on sait que le cosinus dun angle vaut 0, il est impossible de dire si
vaut 2 ou 3
2 .
Par contre les deux donnes du cosinus et du sinus dun angle permettent de dterminer langle.
Par exemple, le seul angle ayant pour cosinus 0 et pour sinus 1 est langle = 2 .
1.2.3. Proprits. Voici le graphe de la fonction cosinus.
cos
-1
Proposition 3. La fonction cosinus est paire :

cos() = cos , pour tout angle .
25
Le graphe de la fonction sinus est le suivant.
sin
-1
Proposition 4. La fonction sinus est impaire :

sin() = sin , pour tout angle .
Les fonctions drives respectives sont
cos0 = sin
et
sin0 = cos .
Enfin, voici le graphe de la fonction tangente.
Proposition 5. La fonction tangente est impaire :

tan() = tan , pour tout angle .
Proposition 6. Les trois fonctions trigonomtriques sont 2-priodiques :
cos = cos( + 2),
sin = sin( + 2), et tan = tan( + 2),
pour tout angle .
En appliquant le thorme attribu Pythagore au triangle rectangle ABC, on obtient la

relation
cos2 + sin2 = 1 .
26
Thorme 7 (Formules de de Moivre).

cos( + ) = cos cos sin sin
cos( ) = cos cos + sin sin
sin( + ) = sin cos + cos sin
sin( ) = sin cos cos sin
cos 2 = cos2 sin2 ,
sin 2 = 2 sin cos .
,
,
,
,

Exercice 6 bis (Relations cosinus-sinus).
Faire lexercice 6 en utilisant les formules de de Moivre.
Exercice 7 (Valeurs des fonctions trigonomtriques II).
Calculer les valeurs des fonctions trigonomtriques cos, sin et tan pour les angles suivants :
=
2 5
;
;
.
3
6 12
1.3. Nombres complexes

Dans cette section, on introduit une nouvelle famille de nombres appels nombres complexes
et qui gnralisent les nombres rels. Leur introduction est motive par la recherche des racines
des polynmes coefficients rels, comme nous le verrons la section suivante.
1.3.1. Ensembles de nombres connus.
Ensembles
Oprations
licites
N
+
Z
+
Q
R
+
+
>0
C
+
> 0
60
Dfinition (Entiers naturels). Le premier ensemble de nombres est lensemble des entiers
naturels
N := {0, 1, 2, 3, 4, . . .}
qui nous sert compter les objets de la vie courante. On peut les sommer + et les multiplier .
Que se passe-t-il si on a 5 euros sur son compte en banque lon veut en retirer 7 ? ? ? Ceci
quivaut faire algbriquement
5 7 = x 5 = 7 + x
Or, on sait quil faut retirer 2 7 pour arrive 5. Nous sommes alors amens considrer des
nombres entiers mais ngatifs, x = 2 dans cet exemple.
Dfinition (Entiers relatifs). Lensemble des entiers relatifs
Z := {. . . , 4, 3, 2, 1, 0, 1, 2, 3, 4, . . .}
est lensemble des entiers positifs et des entiers ngatifs. On peut toujours les sommer + et les
multiplier . Mais on peut aussi les soustraire .
1.3. NOMBRES COMPLEXES
27
De la mme manire, comment faire pour diviser 5 par 2 ? ? ? Ceci quivaut considrer les
quations algbriques
5 2 = x 5 = 2 x
Or, on sait quil y a 2, 5 fois 2 dans 5. Pour pouvoir effectuer la division, il nous faut ajouter les
nombres rationnels, x = 2, 5 = 52 dans cet exemple.
Dfinition (Nombres rationnels). Lensemble des nombres rationnels
na
o
Q :=
, a Z, b Z {0}
b
est lensemble des fractions de nombres entiers. On peut toujours les sommer +, les multiplier
et les soustraire . Mais on peut aussi les diviser .
Grce la multiplication, tous les nombres rationnels ont un carr x2 = x x. On peut se
poser la question dans lautre sens : soit un nombre, 2 par exemple, existe-t-il un
nombre x dont
le carr vaut 2, i.e. x2 = 2 ? Une solution (5) est fournie par la racine carr x = 2. Mme si 2 est
entier, sa racine nest mme pas un nombre rationnel, voir la dmonstration ci-dessus. Pourtant
cest un nombre parfaitement dfini, par exemple comme la mesure de lhypotnuse dun triangle
rectangle isocle de ct 1 !
Dfinition (Nombres rels). Lensemble des nombres rels est lensemble des nombres que
lon connait", des quantits mesurables". Mme un lecteur non-mathmaticien professionnel aura
reconnu l une dfinition bancale. En ralit, les mathmaticiens dfinissent les nombre rels comme
lensemble des limites de suites convergentes de nombres rationnels, que lon note
R := {limites de suites convergentes de suites de nombres rationnels} .
On peut toujours les sommer +, les multiplier , les
soustraire , les diviser . De plus, tous les
nombres rels positifs admettent une racine carre > 0.
Les nombres rels qui ne sont pas rationnels sont appels les nombres irrationnels et nots
R Q.
Thorme 8. La racine carre de 2 est un nombre irrationnel, 2 R Q.

Remarque. Une fois nest pas coutume, nous allons en donner la dmonstration, pour la bonne
raison quelle utilise et illustre un mode raisonnement frquent en mathmatique : le raisonnement
par labsurde. Nhsitez surtout pas lutiliser dans les exercices.
Dmonstration. Il y a exactement
deux possibilits : soit 2 est rationnel, soit 2 est irrationnel. Supposons, par labsurde, que 2 soit rationnel. (Comme nous allonstrouver une contradiction
ce choix plus loin, cela montrera que ceci est impossible et donc que 2 est irrationnel.)
a
Dans ce cas, 2 scrit sous la forme 2 = avec a Z et b Z {0}. Si a et b sont tous les
b
deux pairs, alors on les divise par le plus grande puissance de 2 pour que lun des deux restes au
a
moins deviennent impair. Ceci montre que lon peut supposer que lon peut crire 2 = tel que
b
a et b ne soient pas tous
les deux pairs.
En levant lgalit 2b = a au carr, on trouve 2b2 = a2 . Ceci impose que 2 divise a2 et donc
a. crivons a = 2 avec Z. Dans lgalit prcdent, cela donne 2b2 = (2)2 = 42 . En
simplifiant par 2, on obtient b2 = 22 . Donc, 2 divise b2 et aussi b. Nous venons donc de montrer
que a et b sont pairs, ce qui est contradictoire avec lhypothse de dpart.
La racine carre de 2 est donc un nombre irrationnel.
5. Il y a en fait deux solutions :
2 et 2.
28
Instant culture
. Ce rsultat a beaucoup tonne et merveill les grecs : ils avaient
l un nombre dun type nouveau, inconnu auparavant car ils ne connaissaient que les nombres
rationnels.
1.3.2. Dfinition des nombres complexes. Grce aux nombres rels, nous avons russi
dfinir les racines carres de nombres positifs. Quen est-il des nombres ngatifs, par exemple que
00
vaut la racine carre de 1 : 1 ? Dit autrement, quelles sont les solutions de lquation x2 =
1 ? Aucun nombre rel ne convient. Alors on cre un nombre que lon note i, pour imaginaire,
dont le carr vaut 1 :
i2 = 1 .
Dfinition (Nombres complexes). Les nombres complexes sont les nombres de la forme
z = x + iy avec x et y rels. Lensemble des nombres complexes est not
C := {z = x + iy | x, y R} .
Pour un nombre complexe z = x + iy, on note Re z := x la partie relle de z et Im z := la partie
imaginaire de z.
Lensemble des nombres complexes z = x + i 0 de partie imaginaire nulle sidentifie avec
lensemble des nombres rels R = {z = x (+ i 0) | x R}. Les nombres complexes z = 0 + iy
de partie relle nulle sont appels nombres imaginaires pures ; leurs ensemble est not iR := {z =
0 + iy | y R}.
Rgles de calcul. On dfinit la somme, le produit et la diffrence de deux nombres complexes en utilisant les mmes rgles de calcul que pour les nombres rels et la rgle i2 = 1. Ceci
donne par exemple :
(2 + 3i) + (4 + 5i)
2 + 3i + 4 + 5i = 2 + 4 + 3i + 5i = 6 + (3 + 5)i = 6 + 8i ,
(2 + 3i) (4 + 5i)
2 4 + 2 5i + 3i 4 + 3i 5i
8 + 10i + 12i + 15 (i2 ) = 8 + 22i 15 = 7 + 22i .
Les rgles plus avances sont toujours vraies. Par exemple, la formule du binme de Newton est
encore valide :
(1 + 2i)3
13 + 3 12 2i + 3 1 (2i)2 + (2i)3
1 + 6i 12 8i = 11 2i .
Les nombres complexes formant un ensemble plus vaste que les nombres rels, on a plus de
libert pour inventer des oprations nouvelles. Par exemple, on peut samuser changer le signe
de la partie imaginaire dun nombre complexe.
Dfinition (Conjugaison). Le complexe conjugu z dun nombre complexe z = x + iy est
dfini par
z := x iy .
Par exemple, on a 2 3i = 2 + 3i.
Exercice 8 (Oprations lmentaires).

Soient les nombres complexes
z1 := 2 3i,
z2 := 3 + 4i et z3 := 1 + i.
29
Calculer les nombres complexes suivants

z1 + z2 ,
z1 z3 ,
z1 .z2 ,
z1
,
z3
z1 .z3 ,
z1 .
z1 ,
z13
et z1 .
z3 .
Proposition 9. Pour tout nombre complexe z, les galits suivantes sont vrifies.
z
=
z + z =
z z =
zR
z iR
z ,
2Re z ,
2iIm z ,
z = z ,
z =
z .
Ici, la dmonstration est utile pour comprendre le sens de ces relations.

Dmonstration. Soit z = x + iy, on a
z = x + iy = x iy = x (iy) = x + iy ,
z + z = x + iy + x iy = 2x = 2Re z ,
z z = x + iy (x iy) = 2iy = 2iIm z ,
z R y = 0 x + iy = x iy ,
z iR x = 0 x + iy = x + iy .
Regardons maintenant comment on peut effectuer la division de deux nombres complexes.

On sait que diviser des nombres est quivalent multiplier le premier par linverse du second
z0
0
1
. On va donc chercher calculer linverse dun nombre complexe z = x + iy lorsque
z = z z
ce dernier nest pas nul.
La multiplication de z par son conjugu z donne
z z = (x + iy)(x iy) = x2 + y 2 R+ ,
qui est un nombre rel positif. Or, le nombre complexe z nest pas nul quivaut dire que ses
deux coordonnes x et y ne sont pas toutes les deux nulles, cest--dire x2 + y 2 6= 0. En divisant
lgalit prcdente par x2 + y 2 , on obtient
(x + iy)
x iy
x2 + y 2
| {z }
=1 .
inverse de x+iy
On a donc trouv linverse de z :

z 1 =
x
y
i 2
.
x2 + y 2
x + y2
Dfinition (Module). Le module dun nombre complexe z est dfini par le nombre rel positif
|z| := z z .
Avec la notion de module, on peut crire la formule dans linverse de z de manire plus compacte
z 1 =
z
|z|2
30
En pratique
. Pour calculer le quotient de deux nombres complexes, la seule ide
retenir est : on multiple le numrateur et le dnominateur par le conjugu du dnominateur.
Cela donne, par exemple,
(1 + 2i)(2 + 3i)
4 + 7i
4
7
1 + 2i
=
=
= +i
.
2 3i
(2 3i)(2 + 3i)
13
13
13
Ceci permet de transformer le nombre complexe au dnominateur en un nombre rel !

Exercice 9 (Calcul algbrique).
Calculer, sous la forme x + iy, les nombre complexes suivants
(1 + 2i)2 ,
(1 + i)3 ,
1
,
1 + 3i
1+i
,
2+i
i33 ,
(2 + i)2
,
(2 i)2
(1 + i)3
et i11 .
Exercice
10 (Conjugaison).
Simplifier lexpression
1 + cos x i sin x
.
1 + cos x + i sin x

1.3.3. Reprsentation gomtrique. Tout nombre complexe z = x + iy est dfini par
deux nombres rels, tout comme les points du plan sont dfinis par leurs deux coordonnes dans
un repre. On considre le plan P munis de son repre canonique. On dfinit lapplication qui a
tout nombre complexe associe le point du plan de mmes coordonnes :

C P
z = x + iy 7 M (z) := point du plan de coordonnes (x, y).
Cette application est une bijection (6) . Cela signifie que lon peut identifier lensemble des
nombres complexes et lensemble des points du plan.
Dfinition (Image et affixe). Le point M (z) associ un nombre complexe z est appel limage
de z. Rciproquement, le nombre complexe z correspondant au point M (z) du plan est appel
laffixe de M .
6. Do lutilit davoir dfini cette notion prcdemment. On vous laisse cette proprit dmontrer en guise
de bon exercice.
31
Grce cette correspondance bijective, on peut interprter gomtriquement les proprits

algbriques des nombres complexes. (Et parfois, cest plus simple !). Par exemple, la somme de
deux nombres complexes correspond la somme des deux vecteurs quils dfinissent :
z + z 0 OM (z) + OM (z 0 ) .
De la mme manire, le point correspondant au conjugu dun nombre complexe est le symtrique
de limage du nombre complexe par rapport laxe des abscisses :
z symtrieaxe des abscisses (M (z)) .

Exercice 11 (Plan complexe).
Interprter graphiquement dans le plan complexe les relations de la proposition 9
1. z = z,
2. z + z = 2Rez,
3. z z = 2iImz,
4. z R z = z,
5. z iR z =
z.

Par contre, il est difficile de reprsenter gomtriquement la multiplication des nombres complexes. Pour cela, on va les crire dune autre manire.
32
1.3.4. Forme trigonomtrique. Revenons la reprsentation gomtrique des nombres

complexes. La longueur ||OM (z)|| est gale au module |z|. Notons cette quantit
:= ||OM (z)|| = |z| .
Le nombre complexe z est alors de module 1 et son image se trouve donc sur le cercle trigonomtrique. Il scrit donc cos + i sin , o est la mesure de langle form. Nous avons ainsi montr
que tout nombre scrit sous la forme
z=
x + iy
| {z }
forme algbrique
= (cos + i sin )
|
{z
}
forme trigonomtrique
Dfinition (Argument). La mesure de langle est appele largument du nombre complexe

z et note
Arg(z) := .
On rappelle quune mesure dangle est un nombre rel, mais que seule sa valeur modulo 2, cest-dire modulo la somme avec un multiple de 2 prs, est importante. Ce qui implique que lon
peut choisir la mesure de langle dans lintervalle [0, 2[ ou dans lintervalle ] , ], par exemple.
Un nombre complexe z est caractris, soit par deux nombres rels (x, y), soit par un nombre
rel positif et un nombre compris entre et , par exemple.
z
(x, y)
| {z }
coordonnes cartsiennes
(, )
| {z }
coordonnes trigonomtriques
Les formules permettant de passer des coordonnes cartsiennes aux coordonnes trigonomtriques, et vice-versa, sont donnes dans la proposition suivante.
Proposition 10. Pour tout nombre complexe, les formules suivantes sont vrifies
p
=
x2 + y 2
x = cos
y
x
et
.
, sin = p
cos = p
y = sin
2
2
2
x +y
x + y2
Remarque
. Vous remarquerez que nous navons pas donn de formule donnant la
mesure de langle . Et pour cause, il nen existe pas. Alors comment trouver ? La remarque de
33
la section prcdente disant que seule la valeur du cosinus ou celle du sinus dun angle ne permet
pas de dterminer , mais les deux valeurs ensemble oui, prend tout son sens. En effet, les formules
ci-dessus donnent le cosinus et le sinus de . Avec ces deux valeurs, on peut retrouver .
Exemple. Mettons z = 1 + i sous forme trigonomtrique. On commence par calculer son
module
|z| = 1 + 1 = 2 .
On factorise ensuite z par son module pour faire apparatre cos et sin :

2
1
2
1
.
+i
z = 2 + i
= 2
2
2
2
2
|{z}
|{z}
=cos
=sin
Du tableau des valeurs des fonctions trigonomtriques

donn la section 1.2.2, on sait que seul
2
2
langle de mesure = 4 vrifie cos 4 = 2 et sin 4 = 2 . Au final, la forme trigonomtrique de z

est

z = 1 + i = 2 cos + i sin
.
4
4
La forme trigonomtrique se prte bien la multiplication des nombres complexes et ce grce
aux formules de de Moivre donne au thorme 7. En effet, le produit des deux nombres complexes
z = (cos + i sin ) et z 0 = 0 (cos 0 + i sin 0 ) vaut
zz 0
(cos + i sin )0 (cos 0 + i sin 0 )

0 (cos cos 0 sin sin 0 ) + i(cos sin 0 + sin cos 0 )

0 cos( + 0 ) + i sin( + 0 ) .
=
|{z}
formules de de Moivre
Avec les coordonnes trigonomtriques, la multiplication de deux nombres complexes revient juste
multiplier les modules et sommer les arguments. Facile, non ?
Graphiquement, cela donne
De la mme manire, on peut calculer les puissances dun nombre complexe.

Thorme 11 (de de Moivre). La puissance nme dun nombre complexe z = (cos +
i sin ) vaut

z n = n cos(n) + i sin(n) ,
pour tout entier n N.
34
Exemple. Mettons la puissance 12 le nombre complexe z = 1 + i. On utilise bien sur la

forme trigonomtrique prcdemment calcule ainsi que le thorme de de Moivre :

z 12 = ( 2)12 cos 12
+ i sin 12
= 26 cos(3) + i sin(3)
4
4

= 64 cos() + i sin() = 64 .
Exercice 12 (Formule de de Moivre).

En utilisant le thorme de de Moivre et celle du binme de Newton, exprimer cos(4) et sin(4)
en fonction de cos et sin .
1.3.5. Exponentielle complexe. Lexponentielle est une fonction relle R R qui vrifie
la relation fondamentale
ea+b = ea eb ,
cest--dire quelle transforme les sommes en produits (7) . Dans cette section, on va chercher
ltendre aux nombres complexes C C tout en vrifiant la mme proprit.
Pour cela, on commence par dfinir lexponentielle complexe pour les imaginaires purs : pour
tout nombre R, on pose
ei := cos + i sin .
Remarque. Il sagit du nombre complexe correspondant au point du cercle trigonomtrique

dangle .
Instant culture
. Notez que pour = , on a la formule

ei = 1
qui a llgance de runir trois des nombres les plus clbres en mathmatiques : la constante
dEuler e, le nombre imaginaire canonique i et le nombre .
Exercice 13 (Exponentielle complexe).

Mettre sous forme algbrique les nombres complexes suivants
4e
2i
3
6e3i ,
3i
4
6i
4
et 3e
5i
3
La proprit fondamentale de lexponentielle est bien vrifie par les imaginaire purs :
0
ei+i = ei(+ )
cos( + 0 ) + i sin( + 0 )
(cos + i sin )(cos 0 + i sin 0 ) = ei ei
Avec cette dfinition, la forme trigonomtrique devient la forme suivante.

Dfinition (Forme polaire). La forme polaire dun nombre complexe est dfinie par
z = ei .
De la mme manire que la forme trigomtrique, la forme polaire se prte bien la multiplication
des nombres complexes :
0
0
zz 0 = ei 0 ei = 0 ei(+ ) .
7. Cest un peu la pierre philosophale des matheux.
35
Exercice 14 (Forme polaire).

Mettre sous forme polaire ei , cest--dire dterminer le module et largument, chacun des
nombres complexes suivants
3 + 3i
1 i,
3 + 3i,
, 1 + i, 9 et 2 i 2 .
1i
Exercice 15 (Puissance de nombre complexe).
Calculer la partie relle et la partie imaginaire des nombres complexes suivants
(1 i)5 , ( 3 + 3i)7 , (1 + i)14 , ( 2 i 2)13 .

On pourra utiliser lexercice prcdent.
Exercice 16 (Formule trigonomtrique).
On pose
6i 2
et z2 := 1 i .
z1 :=
2
1. crire les nombres z1 et z2 sous forme polaire.
z1
sous forme polaire.
2. crire le quotient Z :=
z2
3. En conclure les valeurs de cos

et de sin .
12
12
Exercice
17 (Racine de lunit).
1. Pour n entier compris entre 2 et 6, dterminer tous les nombres complexes z qui vrifient
lquation
zn = 1 .
On exprimera chacun deux sous forme polaire et sous forme algbrique.
2. Reprsenter graphiquement limage dans le plan complexe de chacune de ces solutions.

Dfinition (Exponentielle complexe). Pour tout nombre complexe z = x + iy, on dfinit
son image par lexponentielle complexe C C par (8)
ez = ex+iy := ex eiy = ex (cos y + i sin y) .
Avec cette dfinition, lexponentielle complexe vrifie la mme relation fondamentale que lexponentielle relle.
Proposition 12. Pour toute paire (z, z 0 ) de nombres complexes, la relation suivante est vrifie
0
ez+z = ez ez
8. Remarquez que lon dfinit lexponentielle complexe par un cas particulier de la relation que lon souhaite la
voir vrifier : ex+iy := ex eiy . Malin, non ?
36
Dmonstration. La dmonstration aide ici comprendre le bien-fond de la dfinition. En

crivant z = x + iy et z 0 = x0 + iy 0 , on a
ez+z
ex+iy+x +iy = ex+x +i(y+y )
=
|{z}
ex+x ei(y+y )
=
|{z}
ex ex eiy eiy = ex eiy ex eiy
=
|{z}
ex+iy ex +iy = ez ez .
par dfinition
0
par la relation pour les rels et les imaginaire purs

0
par dfinition
Thorme 13 (Formules dEuler). Pour tout nombre rel , les relations suivantes sont
vrifies
cos
sin
ei + ei
2
ei ei
2i
Application. Les formules dEuler permettent de linariser les puissances cosn et sinn des
fonctions trigonomtriques. Par exemple, grce la formule du binme de Newton, on a
i
4

e + ei
1 4i
4
cos =
=
e + 4e2i + 6 + 4e2i + e4i
2
16

4e2i + 4e2i
1 e4i + e4i
+
+3
=
8
2
2

1
=
cos(4) + 2 cos(2) + 3 .
8
La grande utilit de cette mthode est de permettre
R le calcul dintgrales de puissances de fonctions
trigonomtriques. En effet, si on veut calculer 0 cos4 d, il faudrait pouvoir trouver une primitive
cos4 : bon courage. Par contre, les primitives de cos(4), de cos(2) et 3 sont faciles calculer.
Exercice 18 (Linarisation).
Linariser les expressions trigonomtriques suivantes, cest--dire les exprimer en fonction de
cos(n) et sin(n),
sin3 ,
sin cos3
et
cos5 .
Exercice 19 (Racine carre).

Calculer, sous forme polaire ou sous forme algbrique, les racines carrs des nombres complexes
suivants
z1 := i, z2 := 9, z3 := 9, z4 := 34i, z5 := 1+i 3, z6 := 3+2i et z7 := 512i .

1.4. Polynmes
Dans cette section, on donne les principales proprits des polynmes, notamment celle qui
concernent leurs racines.
1.4. POLYNMES
37
1.4.1. Dfinition.
Dfinition (Polynme). Un polynmes coefficients rels est une expression de la forme
P = an X n + an1 X n1 + + a2 X 2 + a1 X + a0 ,
o tous les ai sont des nombres rels. Llment X est appel variable formelle. Lensemble des
polynmes est not R[X]. Un lment simple de la forme ai X i est appel un monme.
Exemple. Le polynme 7X 3 2X + 1 est coefficients rels. On peut aussi considrer

des polynmes dont les coefficients appartiennent dautres ensembles de nombres. Par exemple,
32 + 2X + 9 est un polynmes coefficients entiers.
Remarque. Chaque polynme P induit une fonction dite polynmiale

R R
x 7 P (x) = an xn + + a1 x + a0
dfinie en valuant le polynme aux valeurs reels x. Cest probablement sous cette forme que vous
avez rencontr les polynmes pour la premire fois. (9)
Dfinition (Degr). Pour tout polynme P = an X n + + a1 X + a0 , le plus grand entier n
tel que an soit diffrent de 0 est appel le degr du polynme P . On le note deg P = n.
Exemple. Le degr du polynme P = 7X 3
2X + 1 est deg P = 3.
Proposition 14. Pour toute paire de polynmes P, Q R[X], le degr vrifie la relation suivante
deg (P Q) = deg P + deg Q .
Tout comme les nombres, on peut sommer, soustraite et multiplier les polynmes. Laddition
et la soustraction se font terme terme, cest--dire monme par monme :
(2X 3 3X 2 + 5) + (X 2 + 5X 2)
(2X 3 3X 2 + 5) (X 2 + 5X 2)
(2 + 0)X 3 + (3 + 1)X 2 + (0 + 5)X + (5 2)
2X 3 2X 2 + 5X + 3 ,
(2 0)X 3 + (3 1)X 2 + (0 5)X + (5 + 2)
2X 3 4X 2 5X + 7 .
La multiplication est donne par la rgle de distributivit de la somme et du produit :

(2X 3 3X 2 + 5)(X 2 + 5X 2)
2X 3 X 2 + 2X 3 5X 2X 3 2
3X 2 X 2 3X 2 5X + 3X 2 2
+5 X 2 + 5 5X 5 2
2X 5 + (10 3)X 4 + (4 15)X 3 + (6 + 5)X 2 + 25X 10
2X 5 + X 4 19X 3 + 11X 2 + 25X 10 .
Existe-t-il une opration inverse la multiplication, cest--dire une division, comme pour les
nombres ? La section suivante rpond cette question.
9. Remarquez quun polynme P = an X n + + a1 X + a0 est une expression formelle ; elle nest pas gale
un "nombre". Alors que la fonction polynmiale P (x) associe consiste justement faire un calcul et fournit un
nombre pour toute valeur de x.
38
1.4.2. Division euclidienne. On rappelle la division euclidienne classique des nombres entiers : pour toute paire de nombres entiers a, b Z tel que b 6= 0 soit non nul, il existe une paire
de nombres entiers q, r Z tels que
a = bq + r ,
o la valeur absolue de r vrifie |r| < |b|. Par exemple,
2 + |{z}
1 .
7 = |{z}
3 |{z}
|{z}
a
Dans 7, il y a 2 fois 3 plus 1.

Mutatis mutandis (10) , on peut faire exactement la mme chose avec les polynmes ! Ici, il suffit
de considrer le degr des polynmes la place de la valeur absolue.
Thorme 15. Pour toute paire de polynmes A, B R[X] tel que B 6= 0 soit non nul, il
existe une paire de polynmes Q, R R[X] tels que
A = BQ + R ,
o le degr de R vrifie deg R < deg B.
Exemple. La division euclidienne de A := 3X 3 + 2X 7 par B := X 1 donne
3X 3 + 2X 7 = (X 1) (3X 2 + 3X + 5) + (2) .
|
{z
} | {z } |
{z
} | {z }
A
En pratique
. La question que vous devez tre en train de vous poser est : "mais
comment fait-on en pratique pour effectuer la division euclidienne de deux polynmes " ? Voyons
cela sur lexemple propos.
A=
3X3
3X 3
0
+3X 2
+3X 2
3X 2
0
+2X
+2X
+3X
5X
5X
0
X1
3X2 + 3X + 5
=B
=Q
7
+5
2
=R
On pose la division euclidienne comme pour les nombres en plaant le polynme diviser A en
haut gauche et le polynme B, par lequel au divise, en haut droite. On commence par chercher
le terme de plus haut degr de Q ; il est gal au monme par lequel il faut multiplier le monme
de plus haut degr de B pour obtenir le monme de plus haut degr de A. Ici il vaut 3X 2 . On
multiplie ensuite B = X 1 par ce monme, ce qui donne 3X 3 3X 2 , et on crit son oppos
3X 3 +3X 2 de lautre ct de la barre verticale, soit gauche, sous A. Aprs, on calcule la somme
de A avec ce polynme, ce qui donne ici 3X 2 + 2X 7.
On itre ce processus avec ce dernier polynme 3X 2 + 2X 7 la place de A. On sarrte
lorsque le degr du polynme obtenu gauche est strictement infrieur au degr de B, ici lorsque
lon arrive la constante 2. (De toute faon, on ne peut pas aller plus loin.)
Au final, le polynme obtenu droite et sous la barre est le quotient Q = 3X 2 + 3X + 5. Et le
polynme obtenu en bas gauche est le reste R = 2.
10. Une fois effectus les changements ncessaires en latin.
1.4. POLYNMES
39
Exercice 20 (Division euclidienne).

Calculer la division euclidienne du polynme 4X 5 + X 3 2 par le polynme X 2 + X + 1.

Dfinition (B divise A). On dit quun polynme B divise un polynme A sil existe un
polynme Q tel que
A = BQ .
Il est quivalent de dire que le reste de la division euclidienne du polynme A par B est nulle.
1.4.3. Racines de polynmes.
Dfinition (Racine). Une racine dun polynme P est un nombre a tel que
P (a) = 0 .
Remarque. On peut sintresser aux racines entires, rationnelles, relles ou complexes, i.e.
a Z, Q, R, C.
Proposition 16. Un nombre a est racine dun polynme P si et seulement sil existe un
polynme Q tel que P = (X a)Q.
Dmonstration. On donne la dmonstration car elle peut aider comprendre et retenir ce
rsultat.
() Si le polynme se factorise sous la forme P = (X a)Q, sa valeur en a vaut P (a) =
0 Q(a) = 0. Donc a est racine de P .
() Dans lautre sens, effectuons la division euclidienne de P par X a. Cela donne P =
(X a)Q + R, o R est un polynme de degr strictement infrieur celui de X a, cest-dire 1. Il est donc de degr 0, ce qui quivaut dire que le polynme R est une constante
R = r. Comme a est racine de P , on obtient en valuant en a : P (a) = 0 Q(a) + r = 0. Ce
qui implique que r = P (a) = 0 et conclut la dmonstration.
Le nombre a est racine du polynme P si est seulement si le polynme X a divise P . Dans

ce cas, le degr du polynme Q vrifie deg Q = deg P 1.
Exemple. Considrons le polynme P := X 3 X 2 + X 1. Cherchons rapidement une racine simple : on teste de tte si 2, 1, 0, 1, 2 sont racines, par exemple. Ici comme la somme des
coefficients de P est nulle, on sait que 1 est racine. Donc le polynme X 1 divise P et la division
euclidienne donne effectivement P = X 3 X 2 + X 1 = (X 1)(X 2 + 1).
Il arrive parfois que certaines racines soient plus "racines" que dautres. En effet, dans le polynme (X 3)2 (X 5) = (X 3)(X 3)(X 5), le nombre 5 est une fois racine et le nombre 3
est "deux fois" racine.
Dfinition (Multiplicit des racines). Une racine a dun polynme P est de multiplicit k
si P scrit son la forme P = (X a)k Q mais pas sous la forme (X a)k+1 R.
Dans lexemple prcdent, 5 est racine simple et 3 est racine double.
Thorme 17. Tout polynme de degr n a au plus n racines comptes avec multiplicit.
40
Exemples. Les deux exemples prcdents illustrent ce rsultat.

Le polynme rel X 3 X 2 + X 1 = (X 1)(X 2 + 1) de degr 3 admet une seule racine
relle simple, soit ici 1 3. (Le polynme X 2 + 1 na aucune racine relle, et pour cause, il
est toujours strictement positif.)
Le polynme rel (X 3)2 (X 5) admet une racine simple et une racine double, soit ici
1 + 2 3.
Lorsque le polyme est de grand degr ( 3), nous navons pas dautre choix que de chercher
les racines la main, puis de factoriser le polynme et ainsi de suite. (Le problme des racines
des polynmes de degr suprieur 5 est un problme difficile en mathmatique.) Mais pour les
polynmes de bas degr, nous avons les formules suivantes.
Degr 1. Lunique racine du polynme P = aX + b de degr 1 est
b
.
a
Degr 2. Soit P = aX 2 + bX + c un polynme rel de degr 2. On considre son discrimiant

:= b2 4ac .
Il y a alors 3 cas de figure.

Soit < 0 et alors le polynme P nadmet aucune racine relle.
b
Soit = 0 et alors le polynme P admet une racine double
, cest--dire que le
2a
2

b
.
polynme P scrit P = a X +
2a
Soit > 0 et alors le polynme P admet deux racines relles distinctes, qui sont
b +
b
et
.
2a
2a

b
Le polynme P vaut donc P = a X b+
X
. (Remarquez que si = 0,
2a
2a
on retrouve la formule prcdente.)
1.4.4. Racines complexes. Le premier cas de figure prcdant < 0 montre quil existe des
polynmes rels nayant aucune racine relle. Cest par exemple le cas de X 2 + 1. Le thorme 17
nous donne un maximum pour le nombre des racines dun polynme qui nest pas toujours atteint
lorsque lon considre les racines dans les nombres rels.
Or, il se trouve que nous avons introduit, avec les nombres complexes, un plus grand ensemble
de nombres que les nombres rels, R C. Il y a donc l plus de chance de trouver des racines de
polynmes rels. Dailleurs, si on crit la relation fondamentale i2 = 1, dfinissant les nombres
complexes, sous la forme i2 +1 = 0, on remarquera que lon a l une racine complexe i du polynme
X 2 + 1. Lautre racine tant i : X 2 + 1 = (X i)(X + i).
Considrons nouveau les formules b

donnant les racines des polynmes rels de degr 2.
2a
Elles ne sappliquent pas si < 0 car il faut en prendre la racine carre. Or, grce aux nombres
complexes, on sait maintenant rsoudre ce problme : on peut trouver des nombres complexes dont
le carr est ngatif. Ici, cela donne
p
= (1)() = 1 = i .
1.4. POLYNMES
41
Proposition 18. Tout polynme rel P = aX 2 + bX + c de degr 2 et de discriminant strictement ngatif < 0 admet deux racines complexes conjugues, donnes par
b + i
2a
et
b i
.
2a
Remarque
. Lorsque P = aX 2 + bX + c est un polynme coefficients
complexes,
.
Comme le
i.e. a, b, c C, ses racines sont toujours toujours donnes par la formule b
2a
discriminant est un nombre complexe, le symbole signifie que lon considre les deux nombres
complexes dont le carr vaut . Ils se calculent en considrant la forme polaire de , cf. exercice 19.
Le fait davoir trouv, dans ce cas prcis, deux racines complexes conjugues nest pas un hasard.
Cest un phnomne vrai pour tout polynme rel.
Proposition 19. Soit P R[X] un polynme coefficients rels. Si un nombre complexe
z C est racine de P , alors son conjugu z est encore racine de P .
Dmonstration. Encore une fois, la dmonstration permet de comprendre ce qui se passe. Donnons un nom aux coefficients de P : P = an X n + + a1 X + a0 , avec ai R. Dire que z est racine
signifie P (z) = an z n + + a1 z + a0 = 0. On considre le conjugu de toute cette expression :
P (z) = an z n + + a1 z + a0 = an zn + + a1 z + a0 = P (
z) = 0 ,
car le conjugu dune somme est la somme des conjugus et que le conjugu dun produit est le
produit des conjugus. Ceci montre que le conjugu z est racine de P .
Astuce
. Ce rsultat va vous faire conomiser la moiti de vos calculs. En effet, si vous
parvenez trouver une racine complexe (et non relle) dun polynme rel, alors, automatiquement
et sans calcul, vous en avez une autre : sa conjugu.
Nous venons de voir que pour avoir toutes les racines dun polynme rel de degr 2, il fallait
considrer lensemble plus gros des nombres complexes. Passons maintenant aux polynmes rels
de degr 3, puis 4, etc. Avons-nous besoin de crer un ensemble de nombres encore plus grand
que les complexes pour en trouver toutes les racines ? Et bien non ! Quelque part, nous avons de
la chance. Les nombres complexes fournissent toutes les racines des polynmes rels et mme des
polynmes complexes.
Thorme 20 (de dAlembertGauss ; thorme fondamental de lalgbre (12) )
Tout polynme rel ou complexe de degr n admet n racines comptes avec multiplicit.
Cela signifie que tout polynme rel ou complexe se factorise compltement sous la forme
P = an X n + + a1 X + a0 = an (X x1 )(X x2 ) (X xn ) ,
o les x1 , x2 , . . . , xn C sont les racines complexes de P . Dans ce cas, on dit que P est scind sur
C.
12. Le niveau de difficult de la dmonstration dpasse largement le niveau de ce cours.
42
Exemple. Dans le cas du polynme P = X 3 X 2 + X 1 = (X 1)(X 2 + 1) de degr 3, on

a 3 racines : 1, i et i. Il se factorise compltement sous la forme P = (X 1)(X i)(X + i).
Exercice 21 (quation polynmiale).

Rsoudre dans C les quations polynmiales suivantes. On crira les solutions sous forme algbrique ou sous forme polaire.
(1)
3z 2 + 3z + 2 = 0,
(2)
z 2 4iz 2 = 0,
(3)
z 3 = 1,
(4)
z4 =
z
(5)
i
16 ,
= 32 + 32i .
Exercice 22 (Factorisation).
Factoriser compltement les polynmes suivants dans R et dans C, cest--dire trouver toutes
les racines relles et complexes.
1. X 3 5X 2 + 7X 3 ,
2. X 3 11X 2 + 39X 45 ,
3. X 3 3X 2 + 9X + 13 .
1.5. CORRECTIONS DES EXERCICES
1.5. Corrections des exercices
43
Exercice 1 (Oprations ensemblistes I). On considre les ensembles suivants

A : lensemble des entiers relatifs pairs {. . . , 4, 2, 0, 2, 4, . . .},
B : lensemble des entiers relatifs impairs {. . . , 5, 3, 1, 1, 3, 5, . . .},
C : lensemble des entiers naturels de 1 10,
D : lensemble des nombres rels positifs.
Dcrire les ensembles C A, C B, C B, A D, B D, A B et A B.
(Ne pas hsiter utiliser une reprsentation graphique, comme laxe des rels, par exemple).
Correction.
Lensemble C A est lunion des ensembles C et A. Il contient les nombres qui appartiennent
C et ceux qui appartiennent A. Lunion C A est donc forme des nombres entiers relatifs
pairs et de tous les nombres entre 1 et 10 :
C A = {. . . , 4, 2, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 14, . . .} .
De la mme manire, lunion C B est forme des nombres entiers relatifs impairs et de tous les
nombres entre 1 et 10 :
C B = {. . . , 3, 1, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 13, . . .} .
La diffrence C B contient les lments de C auxquels on retire ceux de B, cest--dire les
nombres pairs entre 1 et 10 :
C B = {2, 4, 6, 8, 10} .
Lintersection A D contient les lments communs A et D, cest--dire les nombres positifs
pairs :
A D = {0, 2, 4, 6, . . .} .
lunion B D est forme des nombres entiers relatifs impairs et de tous les nombres rels positifs :
Lunion A B est forme de tous les nombres entiers relatifs :

A B = Z{. . . , 3, 2, 1, 0, 1, 2, 3, . . .} .
Comme aucun nombre ne peut tre la fois pair et impair, lintersection A B est vide :
AB = .
Exercice
2 (Oprations ensemblistes II).
Soient A, B, C trois sous-ensembles dun lensemble E. Dmontrer les qualits prsentes cidessous :
1. (A B)c = Ac B c ,
44
Correction. Commenons par crire (sans rflchir) les dfinitions de ces deux ensembles :
(A B)c = {x E | x
/ A B} et Ac B c = {x E | x
/ A ou x
/ B} .
Branchons maintenant le cerveau et essayons de comprendre ce que veut dire x
/ A B. En
franais, cela signifie que x nappartient pas lintersection de A et de B, cest--dire quil nest
pas vrai que x est dans A et dans B en mme temps. Dans ce cas, x nest pas dans A ou x
nest pas dans B (il peut bien sur ntre ni dans A ni dans B). Mathmatiquement, cela scrit
x
/ A ou x
/ B. On a donc bien montr que
(A B)c = Ac B c .
2. (A B)c = Ac B c ,
Correction. On peut utiliser les deux mthodes suivantes.
On peut procder comme prcdemment : on commence par crire les dfinitions de ces
deux ensembles
(A B)c = {x E | x
/ A B} et Ac B c = {x E | x
/ A et x
/ B} .
On traduit ensuite en franais x
/ A B, qui signifie que x nappartient pas lunion de
A et de B. Donc, llment x nest ni dans A, ni dans B, soit x
/ A et x
/ B en langage
mathmatique. On a ainsi montr que
(A B)c = Ac B c .
On peut aussi utiliser la question prcdente de manire ruse : on lapplique aux ensembles
Ac au lieu de A et B c au lieu de B. (En effet, la relation dmontre prcdemment est
vraie pour toute paire densemble ; on choisit ceux que lon veut !) Ceci donne
(Ac B c )c = (Ac )c (B c )c .
Enfin, on utilise la relation (Ac )c = A, cest--dire que le complmentaire du complmentaire est lensemble lui mme. (Le negatif du ngatif dune photographie est la photographie
elle-mme.) On obtient dj
(Ac B c )c = A B .
En considrant le complmentaire de part et dautre de cette galit, on obtient
((Ac B c )c )c = Ac B c = (A B)c .
(lgant non ?
3. A (B C) = (A B) (A C).
Correction. Commenons par crire les dfinitions de ces deux ensembles :
A(BC) = {x E | x A et x BC} et (AB)(AC) = {x E | x AB ou x AC} .
Lassertion x A et x B C" signifie que x est dans A et que x est dans B ou C. Donc
llment x est en mme temps dans A et B ou x est en mme temps dans A et C, ce qui se
traduit par x A B ou x A C". On a bien montr que
A (B C) = (A B) (A C) .
45
Exercice 3 (Application ensembliste).

Nous allons modliser par une application les chanes de tlvision que jai regardes pendant
la semaine dernire. Chaque soir, jai regard un film ou une mission propos par une de ces
chanes. Appelons les chanes 1, 2, 3, 4, 5 et 6. Lundi, mercredi et jeudi, jai regard la premire
chane. Mardi et vendredi, jai regard la deuxime chane. Samedi, jai suivi le programme de la
cinquime chane et dimanche celui de la sixime.
Posons f la fonction de lensemble {lundi, mardi, . . . , dimanche} {1, 2, . . . , 6} qui associe
un jour la chane regarde.
1. Reprsenter cette application (avec des ensembles et des flches).
Correction.
Lundi
/1
@D
Mardi
/2
D
Mercredi
Jeudi
Vendredi
95
Samedi
96
Dimanche
2. Quelle est limage Imf de f ? quoi correspond cet ensemble en termes de chane de tlvision ?
Correction. Limage de lapplication f est le sous-ensemble du but form des lments
qui sont atteints par f . Cela donne ici
Imf = {1, 2, 5, 6} .
Dans le contexte de lexercice, lensemble Imf correspond lensemble des chanes regardes
pendant la semaine.
3. Dcrire les ensembles dantcdents f 1 ({1}), f 1 ({2}) et f 1 ({4}) de 1, 2 et 4. quoi
correspondent ces ensembles dans la ralit ?
Correction. Par dfinition, lensemble des antcdents f 1 ({1}) de 1 par lapplication f
est lensemble des lments de la source qui sont envoys sur 1. La reprsentation de f montre
que
f 1 ({1}) = {Lundi, Mercredi, Jeudi} .
46
Dans le contexte de lexercice, cet ensemble correspond aux jours de la semaine pendant lesquels
jai regard la premire chane de tlvision.
De la mme manire, on a
f 1 ({2}) = {Mardi, Vendredi} et f 1 ({4}) = .
Ces ensembles correspondent respectivement aux jours de la semaine pendant lesquels jai rgard
les chanes 2 et 4.
4. Cette fonction est-elle surjective et quest-ce-que cela signifie-t-il ici ? Est-il possible, en
faisant un autre choix de chanes chaque jour, davoir une fonction surjective ?
Correction. Une fonction est surjective lorsque tous les lments du but ont au moins un
antcdent, cest--dire quils sont atteints au moins une fois. Ce nest pas le cas ici, car llment
4 nest jamais atteint, par exemple. La fonction f nest donc pas surjective.
Dans le contexte de lexercice, une fonction f est surjective lorsque toutes les chanes de tlvision sont regardes au moins un soir de la semaine. Ce nest donc pas le cas ici ; je nai jamais
regard la quatrime chaine, par exemple.
Il est possible de changer la programmation pour regarder toutes les chanes au moins une fois,
cest--dire pour que la fonction f soit surjective. On peut, par exemple, regarder la chane 1 le
lundi, la chane 2 le mardi, la chane 3 le mercredi, la chane 4 le jeudi, la chane 5 le vendredi,
la chane 6 le samedi, et nouveau la chane 6 le dimanche.
5. Cette fonction est-elle injective et quest-ce-que cela signifie-t-il ici ? Est-il possible, en faisant
un autre choix de chanes chaque jour, davoir une fonction injective ?
Correction. Une fonction est injective lorsque tous les lments du but ont au plus un
antcdent, cest--dire quils sont, soit jamais atteints, soit atteints une et une seule fois. Ce nest
pas le cas ici, car llment 1 est atteint 3 fois, par exemple. La fonction f nest donc pas injective.
Dans le contexte de lexercice, la fonction f est injective lorsque toutes les chanes de tlvision
sont regardes au maximum un soir de la semaine. Ce nest donc pas le cas ici ; jai regard trois
fois la premire chane, par exemple.
Si on essaie de changer la programmation pour obtenir une fonction injective, on se rend compte
que lon a un problme. En effet, si du lundi au samedi nous choisissons une chane diffrente
chaque fois, il ne reste plus de chane nouvelle regarder le dimanche ... Mathmatiquement, on
peut appliquer la proposition 1 comme le cardinal de lensemble de dpart est strictement suprieur au cardinal de lensemble darrive 7 > 6, alors il est impossible de trouver une fonction f
injective entre les deux.
6. Cette fonction est-elle bijective ? Est-il possible, en faisant un autre choix de chanes chaque
jour, davoir une fonction bijective ?
Correction. Une fonction est bijective si elle est surjective et injective. Les questions prcdentes montrent que ce nest pas le cas ici. La fonction f nest donc pas bijective.
Comme nous avons montr quil est impossible davoir une programmation qui corresponde
une application injective, il est impossible de trouver une programme qui corresponde une
application bijective.
Exercice 4 (Fonction bijective).

On considre la fonction f : R R dfinie par x 7 f (x) := 5x + 17.
1. Reprsenter graphiquement cette fonction.
47
Correction.
2. Fixons un y R. On considre lquation f (x) = 5x + 17 = y o x est linconnue. Posons

f 1 ({y}) = {x R | 5x + 17 = y} lensemble des solutions de cette quation. Dterminer
f 1 ({2}) puis f 1 ({y}).
Correction. Rsolvons lquation 5x + 17 = 2 dont x est linconnue :
5x + 17 = 2 5x = 2 17 = 15 x =
15
= 3 .
5
Cette quation admet donc une unique solution

f 1 ({2}) = {3} .
(Ne pas oublier de vrifier ce rsultat ; on fait le calcul 5 (3) + 17 = 15 + 17 = 2. Ouf !)
Si on part dun nombre quelconque y, pour rsoudre lquation 5x + 17 = y, on procde
exactement de mme :
y 17
5x + 17 = y 5x = y 17 = 15 x =
.
5
(Il ne faut donc pas avoir peur et bien faire la diffrence entre le x" inconnue que lon cherche
et le y connu que lon sest donn.) Cette quation admet donc une unique solution

y 17
f 1 ({y}) =
.
5
3. Montrer que f est bijective en utilisant deux mthodes diffrentes (celle que vous avez apprise
les annes passes et en appliquant directement la dfinition du cours).
Correction.
Par dfinition, une application f est bijective si tout lment du but admet un unique antcdent. Ici, pour tout nombre y du but, lensemble de ses antcdents f 1 ({y}) est lensemble
des solutions de lquation en 5x + 17 = y. Or, nous avons vu la question prcdente que
cette quation admet toujours une unique solution. Lapplication f est donc bijective.
Comme nous avons affaire une fonction numrique, nous pouvons utiliser le calcul diffrentiel vu les annes prcdentes : la fonction f est continue, de drive f 0 (x) = 5 strictement
positive. Il sagit donc dune application strictement croissante. Comme sa limite en
est et que sa limite en + est +, elle dcrit une bijection de R vers R.
4. Dterminer la fonction rciproque f 1 . Vrifier par le calcul que f 1 f = idR et que
f f 1 = idR .
48
Correction. Comme la fonction f est bijective, elle admet une rciproque, qui est dfinie
par lunique antcdent par f de chacun des lments y R :
(
f 1 : R
y
R
y 17
7
.
5
Vrifions cette dfinition en calculant les images des deux composes. Pour tout x R, on a
(f 1 f )(x) = f 1 (f (x)) = f 1 (5x + 17) =
(5x + 17) 17
5x
=
= x .
5
5
Et pour tout y R, on a
(f f
)(y) = f (f

(y)) = f
y 17
5

=5
y 17
+ 17 = (y 17) + 17 = y .
5
Exercice
5 (Valeur absolue).
On rappelle que la fonction valeur absolue | | est dfinie de la manire suivante :

pour x > 0, on pose |x| := x,
pour x 6 0, on pose |x| := x.
1. Reprsenter graphiquement la fonction valeur absolue

RR
x 7 |x| .
Correction.
2. Pour tout y R, dterminer le nombre dantcdents de y par la fonction valeur absolue.

Distinguer 3 cas, les reprsenter sur le graphe de la question prcdente. Cette fonction
Correction. Si on se fixe un nombre rel y et que lon cherche les solutions en x de
lquation |x| = y, cest--dire les nombres x dont la valeur absolue vaut y, il y a 3 cas possibles
car la valeur absolue est une fonction qui ne prend que des valeurs positives.
Si y > 0 est strictement positif (par exemple y = 2), il y a deux nombres rels x = y et
x = y dont la valeur absolue vaut y (dans lexemple x = 2 ou x = 2).
Si y = 0 est nul, il ny a quun seul nombre rel x = 0 dont la valeur absolue vaut 0.
Si y < 0 est strictement ngatif (par exemple y = 2), il ny a pas de nombre rel x dont
la valeur absolue vaut y.
49
Graphiquement, on reprsente le nombre y sur laxe des ordonnes. (Cest laxe sur lequel on
peut lire les valeurs prises par la fonction f .) On trace ensuite la droite horizontale passant par
y. Les points dintersection de cette droite avec le graphe de la fonction f correspondent aux
diffrentes fois o la fonction f prend la valeur y.
Si y > 0 est strictement positif, la droite horizontale dordonne y intersecte le graphe de

la fonction valeur absolue en deux points distincts.
Si y = 0 est nul, la droite horizontale dordonne y intersecte le graphe de la fonction valeur
absolue en un seul point.
Si y < 0 est strictement ngatif, la droite horizontale dordonne y nintersecte pas le graphe
de la fonction valeur absolue.
Une fonction est injective lorsque tous les lments du but ont au plus un antcdent, cest--dire
quils sont, soit jamais atteints, soit atteints une et une seule fois. Ce nest pas le cas ici, car la
valeur 2 est atteinte 2 fois, par exemple. La fonction valeur absolue nest donc pas injective.
Une fonction est surjective lorsque tous les lments du but ont au moins un antcdent, cest-dire quils sont atteints au moins une fois. Ce nest pas le cas ici, car la valeur 2 nest jamais
atteinte, par exemple. La fonction valeur absolue nest donc pas surjective.
Une fonction est bijective si elle est surjective et injective. Les rponses prcdentes montrent
que ce nest pas le cas ici. La fonction valeur absolue nest donc pas bijective.
3. On restreint lensemble darrive R+ et on considre la fonction f dfinie par

f : R R+
x 7 |x| .
Pour tout y R+ , dterminer le nombre dantcdents de y par la fonction f . (Distinguer
plusieurs cas.) La fonction f est-elle injective ? Est-elle surjective ? Est-elle bijective ?
Correction. Faisons la mme ltude que prcdemment mais pour la fonction f .
la fonction f en deux points distincts.
Si y = 0 est nul, la droite horizontale dordonne y intersecte le graphe de la fonction f en
un seul point.
Notez que le cas y < 0 strictement ngatif nexiste plus ici car le but est form des nombres
positifs !
50
Dans ce cas, tous les lments du but ont 2 ou 1 antcdents. La fonction f est donc surjective,
mais pas injective ni bijective. (Remarquez quen restreignant lensemble darrive, on a supprim
le cas qui empchait la fonction dtre surjective.)
4. On restreint lensemble de dpart R+ et on considre la fonction g dfinie par

g : R+ R+
x 7 |x| .
Pour tout y R+ , combien y-a-t-il dantcdents de y par la fonction g. La fonction g estelle injective ? Est-elle surjective ? Est-elle bijective ? quelle fonction usuelle est gale la
fonction g ?
Correction. Faisons la mme ltude que prcdemment mais pour la fonction g.
la fonction g en un seul point.
Si y = 0 est nul, la droite horizontale dordonne y intersecte le graphe de la fonction g en
un seul point.
Notez quen restreignant lensemble de dpart, on a supprim des antcdents : en effet, tout
nombre y > 0 strictement positif nadmet maintenant quun seul antcdent.
Dans ce cas, tous les lments du but ont un unique antcdent. La fonction g est donc
surjective et injective, cest--dire bijective.
Ceci nest pas trs tonnant car la fonction g nest autre que la fonction identit de lensemble
R+ .
Exercice
6 (Relations cosinus-sinus).
et que sin = cos

.
Correction. Comme souvent, pour se souvenir ou dmontrer les proprits des fonctions
trigonomtriques, il suffit de tracer le cercle trigonomtrique :
Le point du cercle correspondant langle a pour coordonnes (cos , sin ). Son symtrique
par rapport la premire bissectrice est le point du cercle correspondant langle 2 et ses
coordonnes sont (sin , cos ). On a donc montr que

(sin , cos ) = cos
, sin
.
2
2

2. Montrer que cos = sin 2 + et que sin = cos 2 + .
51
Correction. On raisonne de la mme manire.
Le point du cercle correspondant langle a pour coordonnes (cos , sin ). Son image par la
rotation dangle 2 est le point du cercle correspondant langle 2 + et ses coordonnes sont
(sin , cos ). On a donc montr que

(sin , cos ) = cos
+ , sin
+
.
2
2
Correction. On raisonne toujours de la mme manire.
Le point du cercle correspondant langle a pour coordonnes (cos , sin ). Son image par
la symtrie daxe des ordonnes est le point du cercle correspondant langle et ses
coordonnes sont ( cos , sin ). On a donc montr que
(cos , sin ) = ( cos ( ) , sin ( )) .
52
Correction. On raisonne encore et toujours de la mme manire.
Le point du cercle correspondant langle a pour coordonnes (cos , sin ). Son image par la
symtrie de centre O est le point du cercle correspondant langle + et ses coordonnes sont
( cos , sin ). On a donc montr que
(cos , sin ) = ( cos ( + ) , sin ( + )) .

Exercice 6 bis (Relations cosinus-sinus).
Faire lexercice 6 en utilisant les formules de de Moivre.

1. Montrer que cos = sin 2 et que sin = cos 2 .
Correction. On applique la quatrime formule de de Moivre =

= sin cos cos sin = cos .

sin
2
2
2
et = :
Pour la seconde galit, on applique la deuxime formule de de Moivre =

= cos cos + sin sin = sin .

cos
2
2
2

2. Montrer que cos = sin 2 + et que sin = cos 2 + .
Correction. On applique la troisime formule de de Moivre =

sin
+ = sin cos + cos sin = cos .
2
2
2
et = :
et = :
Pour la seconde galit, on applique la premire formule de de Moivre =

cos
+ = cos cos sin sin = sin .
2
2
2
et = :

Correction. On applique la deuxime formule de de Moivre = et = :
cos ( ) = cos cos + sin sin = cos .
Pour la seconde galit, on applique la quatrime formule de de Moivre = < et = :
sin ( ) = sin cos cos sin = sin .
53
Correction. On applique la premire formule de de Moivre = et = :

cos ( + ) = cos cos sin sin = cos .
Pour la seconde galit, on applique la troisime formule de de Moivre = et = :
sin ( + ) = sin cos + cos sin = sin .

Exercice 7 (Valeurs des fonctions trigonomtriques II).
Calculer les valeurs des fonctions trigonomtriques cos, sin et tan pour les angles suivants :
2 5
;
;
.
3
6 12
Correction. On utilise les relations dmontres lexercice prcdent.
On a

2

1
= cos = ,
cos
= cos
3
3
3
2

2

3
sin
= sin
= sin =
,
3
3
3
2
=
sin 2
2
3
tan
=
=
3
cos 2
3
On a
3
2
1
2
= 3 .

5

3
cos
= cos
,
= cos =
6
6
6
2

1
5

= sin
,
= sin =
6
6
6
2
1
sin 5
5
3
6
2 =
tan
=
=
.
3
6
3
cos 5
6
sin
En appliquant les formules de de Moivre (Thorme 7), on a

2 3
21
2
cos
= cos
= cos cos + sin sin =

+
=
( 3 + 1) ,
12
4
6
4
6
4
6
2 2
2 2
4
sin

2 3 1 2
2
= sin cos sin cos =
= sin
=
( 3 1) ,
12
4
6
4
6
6
4
2 2
2 2
4
sin 12
31
tan
=
.
=
12
cos 12
3+1
On peut aussi appliquer les formules de de Moivre en utilisant

3
2
2
cos 2
= cos
sin
= cos =
12
12
12
6
2
et

1
sin 2
= 2 cos
sin
= sin = .
12
12
12
6
2
Dans tous les cas, faites un dessin du cercle trigonomtrique pour vrifier (empiriquement) ces rsultats.
54
Exercice 8 (Oprations lmentaires).

Soient les nombres complexes
z1 := 2 3i,
z2 := 3 + 4i et z3 := 1 + i.
Calculer les nombres complexes suivants

z1 + z2 ,
z1 z3 ,
z1 .z2 ,
z1
,
z3
z1 .z3 ,
z1 .
z1 ,
z13
et z1 .
z3 .
Correction. Les rgles de calcul usuelles, appliques au nombres complexes donnent respectivement.
z1 + z2
(2 3i) + (3 + 4i) = (2 + 3) + (3 + 4)i = 5 + i ,
z1 z3
(2 3i) (1 + i) = (2 1) + (3 1)i = 1 4i ,
z1 .z2
(2 3i)(3 + 4i) = 2 3 + (3i) 4i 3i 3 + 2 4i
6 + 12 9i + 8i = 18 i
z1 z3
(2 3i)(1 + i) = 2 + 3 3i + 2i = 5 i ,
z1
z3
1 5
(2 3i)(1 i)
1 5i
2 3i
=
=
= i .
1+i
(1 + i)(1 i)
2
2 2
On en profite pour rappeler la mthode pour diviser des nombres complexes : on multiple le numrateur
et le dnominateur par le conjugu du dnominateur.
z1 z1
(2 3i)(2 + 3i) = 22 + 32 = 13 ,
z13
(2 3i)3 = 23 3 22 3i + 3 2 (3i)2 (3i)3 = 8 36i 54 + 27i = 46 9i ,
z1 z3
(2 3i)(1 i) = 2 3 3i 2i = 1 5i .

Exercice 9 (Calcul algbrique).
Calculer, sous la forme x + iy, les nombre complexes suivants
(1 + 2i)2 ,
(1 + i)3 ,
1
,
1 + 3i
1+i
,
2+i
i33 ,
(2 + i)2
,
(2 i)2
(1 + i)3
et i11 .
Correction. On a
(1 + 2i)2
1 + 4i 4 = 3 + 4i ,
1 + 3i 3 i = 2 + 2i ,
1
1 + 3i
1 3i
1
3
=
i ,
10
10 10
1+i
2+i
(1 + i)(2 i)
3+i
3 1
=
=
+ i ,
5
5
5 5
(1 + i)
i33
= i32+1 = i32 i = i48 i = (i4 )8 i = 18 i = i .
55
On a ici utilis le fait important que i4 = 1 qui dcoule de i2 = 1.

2
2
(2 + i)2
2+i
(2 + i)2
1
=
=
=
(2 + i)4
2
(2 i)
2i
5
25

1 4
2 + 4 23 i + 6 22 i2 + 4 2i3 + i4 =
=
25
1
=
(7 + 24i) ,
25

3
3
1
1i
1
(1 + i)3 =
=
= (1 3i + 3i2 i3 ) =
1+i
2
8
i11
= i12 i = (i4 )3 i = i .
1
(16 24 + 1 + 32i 8i)
25
1
1
(2 2i) = (1 i) ,
8
4
Exercice
10 (Conjugaison).
Simplifier lexpression
1 + cos x i sin x
.
1 + cos x + i sin x
Correction. Comme dhabitude, on multiplie le numrateur et le dnominateur par le conjugu
du dnominateur, ce qui donne
1 + cos x i sin x
1 + cos x + i sin x
=
=
=
(1 + cos x i sin x)2

(1 + cos x)2 2(1 + cos x)i sin x sin2 x
=
2
(1 + cos x)2 + sin x
1 + 2 cos x + cos2 x + sin2 x
1 + 2 cos x + cos2 x sin2 x 2(1 + cos x)i sin x
2 + 2 cos x
2 cos x(1 + cos x) 2(1 + cos x)i sin x
= cos x i sin x .
2(1 + cos x)
Exercice
11 (Plan complexe).
Interprter graphiquement dans le plan complexe les relations de la proposition 9
1. z = z,
2.
3.
4.
5.
z + z = 2Rez,
z z = 2iImz,
z R z = z,
z iR z =
z.
Correction.
1. Gomtriquement, le conjugu dun nombre complexe est reprsent par le symtrique par rapport
laxe des abscisses de son image. Comme la symtrie est involutive, si on considre deux fois
le symtrique, on retombe sur le point de dpart.
56
2. Limage de la somme dun nombre complexe et de son conjugu est le point sur laxe des abscisses
dont labscisse est gale deux fois la partie relle du nombre complexe de dpart.
3. Limage de la diffrence entre un nombre complexe et son conjugu est reprsente par le point
sur laxe des ordonnes dont lordonne est gale deux fois la partie imaginaire du nombre
complexe de dpart.
4. Un nombre complexe a une partie imaginaire nulle si et seulement si son image est sur laxe des
abscisses.
5. Un nombre complexe a une partie relle nulle si et seulement si son image est sur laxe des
ordonnes.
57

Exercice 12 (Formule de de Moivre).
En utilisant la formule de de Moivre et celle du binme de Newton, exprimer cos(4) et sin(4)
en fonction de cos et sin .
Correction. La formule de de Moivre du thorme 11 donne
4
(cos + i sin ) = cos(4) + i sin(4) .

On calcule ensuite le membre de gauche grce la formule du binme de Newton :
4
(cos + i sin )
cos4 + 4i cos3 sin 6 cos2 sin2 4i cos sin3 + sin4
cos4 6 cos2 sin2 + sin4 + 4i cos sin (cos2 sin2 ) .
Or, la relation cos2 + sin2 = 1 leve au carr donne

(cos2 + sin2 )2 = cos4 + 2 cos2 sin2 + sin4 = 1
On obtient finalement
4
(cos + i sin ) = 1 8 cos2 sin2 + 4i cos sin (cos2 sin2 ) = cos(4) + i sin(4) ,
ce qui donne par identification des parties relle et imaginaire :
cos(4) = 1 8 cos2 sin2
et
sin(4) = 4 cos sin (cos2 sin2 ) .

Exercice 13 (Exponentielle complexe).
Mettre sous forme algbrique les nombres complexes suivants
4e
2i
3
6e3i ,
3i
4
6i
4
et 3e
5i
3
Correction. Il suffit dappliquer la dfinition de lexponentielle dun nombre imaginaire pur

ei = cos + i sin et le tableau des valeurs des fonctions trigonomtriques donn en 1.2.2. Ceci donne
!

2i
2
2
1
3
= 4 cos
4e 3
+ i sin
=4 +i
= 2 + 2i 3 ,
3
3
2
2
6e3i
e
3i
4
6i
4
3e
5i
3
6ei = 6(cos + i sin ) = 6 ,

3
3
2
2
= cos
+ i sin
=
i
,
4
4
2
2

3
3
= cos
+ i sin
= i ,
2
2
!

1

3
3
3 3
= 3 cos + i sin
=3
+i
=
+i
.
3
3
2
2
2
2
58
Exercice 14 (Forme polaire).

Mettre sous forme polaire ei , cest--dire dterminer le module et largument, chacun des
nombres complexes suivants
1 i,
3 + 3i
,
1i
3 + 3i,
1 + i,
9 et
2i 2 .
Correction. La mthode est toujours la mme : on calcule dabord le module, puis on le met
en facteur, et enfin on identifie largument grce aux valeurs des fonctions trigonomtriques. Ce qui
donne :
i
2
2
2
i
= 2e 4 ,
2
2
|{z}
|{z}
=cos( 4 )
=sin( 4 )
| 3 + 3i| = 3 + 9 = 12 = 4 3 = 2 3 et
1
i
3
3
3 + 3i = 2 3
.
2 +i 2 = 2 3e
|{z}
|{z}
|1 i| =
2 et 1 i =
=cos
=sin
Avec ces deux formes polaires, on peut facilement calculer le quotient de ces deux nombres complexes :
7i
3 + 3i
2 3e 3
= i = 6ei( 3 + 4 ) = 6e 12 .
1i
2e 4
|1 + i| =
2 et 1 + i =
2
i
2
4
2
,
2 +i 2 = 2e
|{z}
|{z}
=cos
=sin
9 = 9( 1 +i |{z}
0 ) = 9ei ,
|{z}
=cos
=sin
2 i 2| = 2 et
3i
2
2
2 i 2 = 2
i
= 2e 4 ,
2
| {z2 }
|{z}
=cos( 3
=sin
)
( 3
4
4 )

Exercice 15 (Puissance de nombre complexe).
Calculer la partie relle et la partie imaginaire des nombres complexes suivants
(1 i)5 ,
( 3 + 3i)7 ,
On pourra utiliser lexercice prcdent.
(1 + i)14 ,
( 2 i 2)13 .
59
Correction. On pourrait bien sur utiliser la formule du binme de Newton, mais cela serait trs
bourrin. Prfrons lutilisation rapide et puissante de la forme polaire :
!
5

5i
3i
2
2
5
i
2e 4
= 4 2e 4 = 4 2e 4 = 4 2
(1 i) =
+i
= 4 + 4i ,
2
2
i 7
i
i
7i
( 3 + 3i)7 =
2 3e 3
= 27 ( 3)7 e 3 = 128 27 3e 3 = 3456 3e 3
!
3
1
= 3456 3
+i
= 1728 3 + 5184i ,
2
2
(1 + i)14
( 2 i 2)13
=
=

=
2e
2e
i
4
3i
4
14
13
= 27 e
14i
4
1 i
1
e 2 =
i
128
128
= 213 e
133i
4
= 8192e
i
4
= 8192
!
2
2
+i
2
2
4096 2 + 4096 2i .
Efficace, non ?
Si vous ntes pas convaincu, essayez de traiter le dernier exemple avec la formule
du binme de Newton pour voir ...
Exercice 16 (Formule trigonomtrique).

On pose
6i 2
z1 :=
et z2 := 1 i .
2
1. crire les nombres z1 et z2 sous forme polaire.
z1
sous forme polaire.
2. crire le quotient Z :=
z2
3. En conclure les valeurs de cos

et de sin .
12
12
Correction.
1. Le module de z1 vaut |z1 | = 21 6 + 2 = 2. Puis z1 est gal
i
3
1
z1 = 2
i
= 2e 6 .
2
2
|{z}
|{z}
=cos(
=sin
( 6)
6)
i
On a dj calcul la forme polaire de z2 = 1 i = 2e 4 lexercice 14.
z1
2. Le quotient Z :=
se calcule facilement sous la forme polaire :
z2
i
i
i
2e 6
Z = i = ei( 6 + 4 ) = ei 12 .
4
2e
3. Passons maintenant la forme algbrique. Du dernier rsultat, on tire que
Z = ei 12 = cos
+ i sin
.
12
12
z1
Effectuons le calcul du quotient Z :=
directement avec les formes algbriques :
z2

6i 2
( 6 i 2)(1 + i)
1
Z=
=
=
6 + 2 + i( 6 2) .
2(1 i)
4
4
60
Par identification des parties relle et imaginaire, on trouve finalement
2
cos
=
( 3 + 1)
12
4
Exercice
17 (Racine de lunit).
et
2
sin
=
( 3 1) .
12
4
1. Pour n entier compris entre 2 et 6, dterminer tous les nombres complexes z qui vrifient
lquation
zn = 1 .
On exprimera chacun deux sous forme polaire et sous forme algbrique.
2. Reprsenter graphiquement limage dans le plan complexe de chacune de ces solutions.
Correction.
1. On cherche les solutions sous forme polaire z = ei . Lquation z n = 1 scrit alors
z n = n eni = 1 n = 1 et n = k 2, k Z .
Comme est un nombre rel positif, il est ncessairement gal 1, = 1. La seconde condition
2
quivaut dire que est un multiple de 2
n , i.e. = k n . Il y a donc n solutions diffrentes :
2
2 2 2
, 2 , 3 , . . . , (n 1)
.
n
n
n
n
= 0,
En effet, pour toute autre de valeur de k, comme lexponentielle est 2-priodique, on retombe
sur une de ces valeurs.
Au final, les solutions sont
2
1, ei n , e2i n , e3i n , . . . , e(n1)i n
Pour n = 2 :
1, ei = 1 .
Pour n = 3 :
1, ei
2
3
3 i 4
3
1
1
.
= +i
, e 3 = i
2
2
2
2
Pour n = 4 :
1, ei 2 = i, ei = 1, ei
3
2
= i .
Pour n = 5 :
2
2
4
i 5
1, ei 5 = cos 2
= cos 4
5 + i sin 5 , 8e
5 + i sin 5 ,
6
6
8
8
i 6
i
e 5 = cos 5 + i sin 5 , e 5 = cos 5 + i sin 5 .
Pour n = 6 :
1, ei 3 = 12 + 23 i, ei 3 =
21 + 23 i,
4
5
3
1
ei = 1, ei 3 = 2 2 i, ei 3 = 12
3
2 i
2. Pour chaque n, les racines de lunit forment les sommets du polygone rgulier n cts.
61

Exercice 18 (Linarisation).
Linariser les expressions trigonomtriques suivantes, cest--dire les exprimer en fonction de
cos(n) et sin(n),
sin3 ,
sin cos3
et
cos5 .
Correction. La linarisation des puissances de fonctions trigonomtriques est une application

double des formules dEuler donnes au thorme 13. On a ainsi
i
3

e ei
1 3i
sin3 =
=
e 3ei + 3ei e3i
2i
8i
1 e3i e3i
ei ei
= 1 (sin(3) 3 sin )
=
3
4 |
2i
2i }
4
{z
}
| {z
=sin
=sin(3)
sin cos
1
(3 sin sin(3)) ,
4
1 2i
1 e4i e4i
e2i e2i
(e e2i )(e2i + 2 + e2i ) =

+2
16i
8 |
2i
2i
{z
}
|
{z
}
ei + ei
2
3
ei ei
2i
1 i
(e ei )(ei + ei )(ei + ei )2
16i
=sin(4)

1
sin(4) + 2 sin(2) ,
8
=sin(2)
62
cos

=
ei + ei
2
5
=

1 5i
e + 5e3i + 10ei + 10ei + 5e3i + e5i
32
5i
5i
1
e3i + e3i
ei + ei
e + e
+5
+10
16 |
2
2
2
{z
}
|
{z
}
| {z
}
=cos(5)
=cos
=cos(3)

1
cos(5) + 5 cos(3) + 10 cos .
16
Exercice 19 (Racine carre).

Calculer, sous forme polaire ou sous forme algbrique, les racines carrs des nombres complexes
suivants
z1 := i, z2 := 9, z3 := 9, z4 := 34i, z5 := 1+i 3, z6 := 3+2i et z7 := 512i .

Correction. On utilise la mme mthode qu lexercice 17 savoir que lon considre le nombre
complexe sous sa forme polaire : z = ei . On cherche les solutions y 2 = z encore sous forme polaire
y = reio . Ce qui quivaut
r2 = et 2o = + k 2, k Z .
Les solutions sont donc
r=
o=
, o= + .
2
2
ei 4
et
ei
et
3 ,
3i
et
3i ,
et
Ce qui donne
pour z1 = i = ei 2 :
5
4
pour z2 = 9 :
pour z3 = 9 = 9ei :
2
pour z5 = 1 + i 3 = 2ei 3 :
2ei 3
et
2ei
4
3
Dans les trois autres cas, on narrive pas reconnatre

des valeurs connues des fonctions trigonom
triques. Par exemple, |z4 | = 5 et z4 = 5 53 54 i , mais nous navons encore jamais rencontr langle
qui vrifie cos = 35 et sin = 45 ...
Nous navons pas dautre choix que de travailler avec les formes algbriques. On cherche donc les
solutions sous la forme w = x + iy. Son carr vaut w2 = (x2 y 2 ) + 2ixy. En identifiant, par exemple,
avec z4 = 3 4i, on trouve le systme dquations
2
x y 2 = 3 ,
2xy = 4 .
On voit facilement de tte que x = 1 et y = 2 sont solutions. Lautre solution est donc x = 1 et
y = 2.
Au final, les deux seuls nombres complexes dont le carr vaut z4 = 3 4i sont
1 2i
et
1 + 2i .
(On noublie pas de vrifier ce rsultat en calculant, par exemple, le carr de 1 2i.)
Dans le cas de z7 = 5 12i, on trouve

63
x2 y 2 = 5 ,
2xy = 12 .
On voit rapidement de tte que les deux solutions sont

2 3i
et
2 + 3i .
Dans le cas de z6 = 3 + 2i, on trouve

x2 y 2 = 3 ,
2xy = 2 .
Comme on ne trouve pas rapidement de solutions, on travaille un cran plus loin. Le produit xy tant
diffrent de 0, cela implique que x et y sont diffrents de 0. On peut alors considrer y = x1 . Donc la
2
premire quation devient x2 x1 = 3, cest--dire
x4 3x2 1 = 0 .
En posant, X := x2 , cela donne lquation du second degr X 2 3X 1 = 0. En calculant sont
discriminant = 13, on trouve une seule solution positive
3 + 13
2
.
X=x =
2
Finalement, les deux seuls nombres complexes dont le carr vaut z6 = 3 + 2i sont
s
s
s
s
3 + 13
2
3 + 13
2
+i
i
et
.
2
2
3 + 13
3 + 13

Exercice 20 (Division euclidienne).
Calculer la division euclidienne du polynme 4X 5 + X 3 2 par le polynme X 2 + X + 1.
Correction. On procde comme expliqu en 1.4.
4X5
4X 5
0
4X
4X 4
4X 4
0
+X3
4X 3
3X 3
+4X 3
X3
X 3
0
X2 + X + 1
4X 4X2 + X + 3
3
2
+4X 2
+4X 2
X 2
3X 2
3X 2
0
2
X
X
3X
4X
2
3
5
On obtient donc au final

4X 5 + X 3 2 = X 2 + X + 1 4X 3 4X 2 + X + 3 4X 5 .
On vrifie le rsultat en dveloppant le membre de droite.
Exercice 21 (quation polynmiale).

Rsoudre dans C les quations polynmiales suivantes. On crira les solutions sous forme algbrique ou sous forme polaire.
(1)
3z 2 + 3z + 2 = 0,
(2)
z 2 4iz 2 = 0,
(3)
z 3 = 1,
(4)
z4 =
i
16 ,
64
z
(5)
= 32 + 32i .
Correction.
(1)
On calcule le discriminant = 15. Les deux racines complexes conjugus du polynme 3z 2 +

3z + 2 = 0 sont donc
3 + i 15
3 i 15
et
.
2
2
(2)
Pour traiter ce polynme, on va commencer par regarder les solutions imaginaires pures : z =
iy, y R. Ceci donne le polynme y 2 + 4y 2 = 0. On sest donc ramen un polynme rel.
Joli coup,non ?
. Le discriminant de y 2 4y + 2 = 0 est = 8. Ses racines sont donc
y = 2 2.
Au final, les deux racines complexes du polynme z 2 4iz 2 = 0 sont
(2 +
(3)
2)i
(2
et
2)i .
On cherche les solutions sous forme polaire z = ei . Cela donne

z 3 = 3 e3i = 1 = ei .
Do, = 1 et =
+k
2
3 .
Les trois solutions sont donc
ei 3 , ei , ei
(4)
5
3
On cherche les solutions sous forme polaire z = ei . Cela donne

z 4 = 4 e4i =
Do, =
1
2
et =
i
1
= 4 ei 2 .
16
2
+ k 2 . Les quatre solutions sont donc

1 i 1 i 5 1 i 9 1 i 13
e 8, e 8 , e 8 , e 8
2
2
2
2
Pour simplifier lquation, cherchons les solutions sous la forme z = 2w, cela donne z
(5)
= 25 w5 =
32(1 + i) = 2 (1 + i), cest--dire w = (1 + i). Comme 1 + i = 2e , en posant w = ei ,
1
5
on a = 2 10 et = 20
+ k 2
5 . Les cinq racines de z = 32 + 32i sont donc
5
11
11
i
4
11
2 10 ei 20 , 2 10 ei 20 , 2 10 ei
17
20
11
, 2 10 ei
25
20
11
, 2 10 ei
33
20

Exercice 22 (Factorisation).
Factoriser compltement les polynmes suivants dans R et dans C, cest--dire trouver toutes
les racines relles et complexes.
1. X 3 5X 2 + 7X 3,
2. X 3 11X 2 + 39X 45,
3. X 3 3X 2 + 9X + 13 .
65
Correction.
1. Face un polynme de degr 3, il ny a pas le choix : on cherche une racine la main. Comme
la somme des coefficients est nulle, alors 1 est racine. En effectuant la division euclidienne de
X 3 5X 2 + 7X 3 par X 1, on trouve
X 3 5X 2 + 7X 3 = (X 1)(X 2 4X + 3) .
(On peut aussi trouver le polynme X 2 4X + 3 la main, voir le cas suivant.)
On cherche ensuite les racines de X 2 4X + 3. Par le mme argument, on voit rapidement
que 1 est racine. En considrant le coefficient dominant et la constante de X 2 4X + 3, on voit
quil se factorise de la forme (X 1)(X 3). (On a que X 2 4X + 3 = (X 1)(aX + b) =
aX 2 + (b a)X b. Do en identifiant a = 1 et b = 3.)
Au final, le polynme se factorise sous la forme
X 3 5X 2 + 7X 3 = (X 1)2 (X 3) .
2. On commence par chercher une racine vidente. En faisant les calculs pour des petites valeurs
0, 1, -1, 2, -2, etc., on voit que 3 est racine. Le polynme se factorise donc sous la forme
X 3 11X 2 + 39X 45 = (X 3)(aX 2 + bX + c). Si on dveloppe le membre de droite, on
obtient, en identifiant les coefficients : a = 1, 3a + b = 3 + b = 11 et 3c = 45. Ce qui
donne a = 1, b = 8 et c = 15 et
X 3 11X 2 + 39X 45 = (X 3)(X 2 8X + 15) .
De la mme manire, on voit rapidement (13) que 3 est racine de X 2 8X + 15. Do X 2
8X + 15 = (X 3)(X 5).
X 3 11X 2 + 39X 45 = (X 3)3 (X 5) .
3. Par un calcul mental, on voit que 1 est racine. Le polynme se factorise donc
X 3 3X 2 + 9X + 13 = (X + 1)(X 2 4X + 13) .
Comme on ne trouve pas rapidement de racines X 2 4X + 13, on en calcule le discimimant :
= b2 4ac = 36 .
Le discriminant tant strictement ngatif, le polynme nadmet pas de racine relle. On ne peut
donc pas factoriser plus le polynme X 3 3X 2 + 9X + 13 avec des polynmes rels.
On passe maintenant aux racines et coefficients complexes. La proposition 18 montre que le
polynme X 2 4X + 13 admet deux racines complexes conjugues qui sont donnes par
b + i
4 + i 36
b i
=
= 2 + 3i et
= 2 3i .
2a
2
2a
X 3 3X 2 + 9X + 13 = (X + 1)(X 2 3i)(X 2 + 3i) .
13. Avant de se prcipiter comme des brutes sur le calcul du discriminant, il est bon de tester de tte si les petits
nombres entiers sont racines.
CHAPITRE 2
ESPACES VECTORIELS
2.1. Dfinition
Comment les mathmaticiens en sont-ils venus faire ce que lon appelle de lalgbre ? Cest
trs simple : ils sont fainants ou russ, selon les opinions. Lorsquun mathmaticien rencontre
plusieurs objets mathmatiques qui se comportent de la mme manire : il sarrte 2 minutes
de travailler pour prendre du recul. Au lieu de se coltiner les dmonstrations des proprits de
tous ces objets un par un. Il crit une thorie gnrale qui les englobe tous. Du coup, une seule
dmonstration sapplique tous les exemples la fois. Forcment, il faut faire des raisonnements
un peu plus abstraits, cest le prix payer. Mais le gain est assur.
Jouons maintenant au mathmaticien et considrons les exemples suivants.
Paradigme 1. Lexemple fondamental de dpart est lensemble P des vecteurs du plan.
Que peut-on faire avec les vecteurs du plan ? (1) La rponse est simple.
On peut sommer les paires de vecteurs : ~u + ~v , pour obtenir un nouveau vecteur.
1. Un mathmaticien poserait cette question de la manire suivante : "quelle structure algbrique possde lensemble des vecteurs du plan ?".
68
CHAPITRE 2. ESPACES VECTORIELS
On peut multiplier un vecteur par un nombre : (2).~u , pour obtenir un nouveau vecteur (2) .
Convention
. Un vecteur est caractris par une direction, un sens et une longueur.
On peut donc le reprsenter de plusieurs manires, en choisissant diffrents points de dpart. Pour
simplifier, dans ce cours, on choisira de reprsenter un vecteur en partant de lorigine O. De cette
manire, on peut identifier les vecteurs avec les points du plan. En effet, un point M du plan,
on associe le vecteur OM . Et rciproquement, tout vecteur ~u, il existe un unique point M du
plan tel que ~u = OM .
=
vecteurs du plan points du plan
~u = OM
Ceci nous aidera, par exemple, reprsenter les sous-ensembles de vecteurs en ne reportant que
les points M . (On ne verrait rien sur les figures si on devait reprsenter tous les vecteurs.)
Paradigme 2. Considrons maintenant les deux coordonnes (x, y) qui reprsentent un vecteur ~u ou le point M . On rappelle que lensemble des paires de nombres rels est note (3)
R2 = R R := {(x, y) | x, y R}
Au niveau des coordonnes, la somme de deux vecteurs ~u = (x, y) et ~v = (x0 , y 0 ) est donne par la
somme des coordonnes une une
~u + ~v = (x + x0 , y + y 0 ) .
De la mme manire, la multiplication par un nombre est donne par la multiplication de chacune
des coordonnes :
.~u = (x, y) .
Pourquoi se limiter deux coordonnes ? Il ny a aucune raison. Si on considre les suites de n
nombres, que lon appelle des n-uplets,
Rn := {(x1 , x2 , . . . , xn ) | x1 , x2 , . . . , xn R}
on peut dfinir de la mme manire une somme coordonne par coordonne

(x1 , x2 , . . . , xn ) + (x01 , x02 , . . . ,0 xn ) = (x1 + x01 , x2 + x02 , . . . , xn + x0n ) .
2. Il existe aussi un produit scalaire qui produit un nombre partir de deux vecteurs. Mais cette structure
supplmentaire sera le sujet du chapitre 4.
3. De manire gnral, lensemble des paires dlments venant de deux ensembles A et B est le produit catsien
A B := {(a, b) | a A, b B}.
69
2.1. DFINITION
On peut aussi dfinir une multiplication par un nombre en multipliant toutes les coordonnes par
ce nombre :
.(x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn ) .
Au final, il se trouve que les rgles de calcul et les proprits algbriques des vecteurs du plan
(P, +, .) et des n-uplets (Rn , +, .) sont exactement les mmes.
Or, il ne sagit pas l des deux seuls exemples densembles munis dune somme et dune multiplication par les nombres rels. On peut citer les vecteurs de lespace (E, +, .), les nombres complexes
(C, +, .), les polynmes (R[X], +, .), les matrices de taille n m (Mn,m , +, .), etc. On sarrte donc
de les tudier un par un et on essaie de les inclure dans une dfinition gnrale qui est la suivante.
Dfinition (Espace vectoriel). Un espace vectoriel V = (V, +, .) est form dun ensemble
V et de deux applications, appeles lois,
V V
(~u, ~v )
V
7
~u + ~v
et
RV
(, ~u)
V
7
.~u
qui vrifient
lassociativit de la loi + :
(~u + ~v ) + w
~ = ~u + (~v + w)
~ ,
la commutativit de la loi + :
~u + ~v = ~v + ~u ,
lexistence dun neutre pour la loi + :
~0 V tel que ~u + ~0 = ~0 + ~u = ~u ,
lexistence dopposes pour la loi + :
~u V, ~t V tel que ~u + ~t = ~t + ~u = ~0 ,
On voit facilement que ce vecteur ~t est unique. Cest loppos du vecteur ~u et il est not ~u.
lassociativit pour la loi . :
.(.~u) = ( ).~u ,
laction identit de lunit pour la loi . :
1.~u = ~u ,
la distributivit de la somme des vecteurs :
.(~u + ~v ) = .~u + .~v ,
la distributivit de la somme des scalaires :
( + ).~u = .~u + .~u ,
pour tout ~u, ~v , w
~ V et pour tout , R.
Les lments de V sont appels des vecteurs, les lments de R sont appels des scalaires. Le
vecteur ~0 est appel le vecteur nul.
70
Remarques.
Un espace vectoriel consiste en 3 donnes qui vrifient 8 axiomes. Les quatre premiers axiomes
ne portent que sur la somme des vecteurs, les deux suivant ne portent que sur la multiplication
par les scalaires et les deux dernires portent sur la compatibilit entre les deux lois. (4)
On peut considrer des espaces vectoriels pour lesquels les scalaires sont dautres nombres
que les nombres rels (rationnels, complexes, etc.). Ce ne sera pas le cas dans ce cours ; tous
les espaces vectoriels rencontrs ici seront rels.
Lexistence du vecteur nul montre que lensemble V ne peut pas tre vide.
Notation. Remarquez la notation que nous avons choisie. On utilise une police calligraphie
V pour reprsenter les trois donnes (V, +, .) et une police romane pour le sous-espace sous-jacent
V . En effet, on pourrait, sur un mme ensemble sous-jacent V considrer une autre somme et une
autre multiplication par les scalaires ; lespace vectoriel ainsi form devrait donc tre dnot par
une autre lettre que V .
Exemples. Rcapitulons les premiers exemples despaces vectoriels. On laisse le soin au lecteur
de vrifier les 8 axiomes chaque fois.
Lensemble des vecteurs du plan P := (P, +, .) ou de lespace E := (E, +, .) muni de la
somme des vecteurs et de la multiplication par les scalaires forment un espace vectoriel.
Lensemble des n-uplets de nombres rels (Rn , +, .) muni de la somme et de la multiplication
par les scalaires susmentionns forment un espace vectoriel.
Lensemble rduit un lment not {~0} muni de la somme dfinie par ~0 + ~0 := ~0 et de la
multiplication dfinie par .~0 := ~0 est un espace vectoriel. (Assez trivial comme exemple,
non ?
Lensemble des nombres complexes (C, +, .) muni de la somme et de la multiplication par les
rels .(x + iy) = x + i(y) forme un espace vectoriel.
Lensemble des polynmes (R[X], +, .) muni de la somme et de la multiplication par les rels
forment un espace vectoriel.
Lensemble des matrices Mn,m muni de la somme coordonne par

y1,1 y1,m
x1,1 + y1,1
x1,1 x1,m
..
.
.
.
..
.
.
..
.. =
..
.. + ..
.
.
xn,1 xn,m
yn,1 yn,m
xn,1 + yn,1
coordonne
..
.
x1,m + y1,m
..
.
xn,m + yn,m
et de la multiplication des toutes les coordonnes par un rel
x1,1 x1,m
x1,1 x1,m
.. =
..
..
..
..
. ...
.
.
.
.
.
xn,1 xn,m
xn,1 xn,m
forment un espace vectoriel not Mn,m := (Mn,m , +, .) . Remarquez quil ny a l rien de bien
nouveau. En effet, pour m = 1, on retombe sur lexemple prcdent de Rn .
Exercice 23 (Q versus R).

On considre laddition et la multiplication usuelles sur Q et R.
1. Est-ce que Q est un espace vectoriel sur R ?
2. Est-ce que R est un espace vectoriel sur Q ?
4. Pour simplifier les notations, on omettra souvent dans la suite le point . pour la multiplication des scalaires.
71
2.1. DFINITION
Exercice
24 (Applications vers un espace vectoriel).
Soit A un ensemble et soit (E, +, .) un espace vectoriel sur R.
Montrer que lensemble E A des applications de A vers E, muni des oprations suivantes

f +g : AE
.f : A E
et
x 7 f (x) + g(x)
x 7 .f (x)
forme un espace vectoriel.
Grce la dfinition, tout espace vectoriel a les mmes proprits gnrales que les vecteurs du
plan. (Il est donc bon de garder cette exemple type toujours en tte.) Par exemple, les proprits
suivantes sont toujours vrifies.
Proposition 21. Pour tout scalaire R et pour tout vecteur ~u V , on a
.~0 = ~0 ,
0.~u = ~0 ,
~
.~u = 0 = 0 ou ~u = ~0 ,
().~u = .(~u) = (.~u) .
Dmonstration. La dmonstration permet de montrer la pertinence des axiomes choisis. Il
ny avait en effet nul besoin dinclure ces proprits dans la dfinition car elles en dcoulent
naturellement.
Commenons par montrer que .~0 = ~0. On considre
.(~0 + ~0) |{z}
= .~0 et .(~0 + ~0) |{z}
= .~0 + .~0 .
axiome 3
axiome 7
En ajoutant (.~0) lgalit obtenue .~0 = .~0 + .~0, on recupre

.~0 + ((.~0)) |{z}
= ~0 =
axiome 4
(.~0 + .~0) + ((.~0)) |{z}

= .~0 + (.~0 + ((.~0))) |{z}
= .~0 + ~0 |{z}
= .~0 ,
axiome 1
axiome 4
axiome 3
do le rsultat.
On montre maintenant que 0.~u = ~0 :
(0 + 1).~u = 1.~u |{z}
= ~u et (0 + 1).~u |{z}
= 0.~u + 1.~u |{z}
= 0.~u + ~u .
axiome 6
axiome 8
axiome 6
En ajoutant ~u lgalit obtenue ~u = 0.~u + ~u, on recupre

~u + (~u) |{z}
= ~0 = (0.~u + ~u) + (~u) |{z}
= 0.~u + (~u + (~u)) |{z}
= 0.~u + ~0 |{z}
= 0.~u ,
axiome 4
axiome 1
axiome 4
axiome 3
do le rsultat.
Si .~u = ~0 et que ne soit pas nul, alors il est inversible dans R, et on peut considrer
1
1
1
1
.(.~u) = .~0 = 0 et
.(.~u) |{z}
= ( ).~u = 1.~u |{z}
= ~u .
axiome 4
axiome 6
Do on tire que ~u = ~0.

Dmontrons enfin la dernire assertion. On considre pour cela
( ).~u |{z}
= .~u + ().~u et ( ).~u = 0.~u = ~0 ,
axiome 8
qui donne, par unicit de loppos : (.~u) = ().~u. On utilise ensuite

.(~u + (~u)) |{z}
= .~0 = ~0 et .(~u + (~u)) |{z}
= .~u + .(~u) ,
axiome 4
axiome 7
72
qui donne, par unicit de loppos, (.~u) = .(~u).
En pratique
. On fera les calculs dans nimporte quel espace vectoriel comme on a
lhabitude de faire nos calculs pour les vecteurs du plan ou pour Rn .
2.2. Sous-espaces vectoriels

On se pose maintenant la question de savoir quand un sous-ensemble dun espace vectoriel
possde toute la structure dun espace vectoriel.
Dfinition (Sous-espace vectoriel). Un sous-ensemble U V dun espace vectoriel (V, +, .)
est un sous-espace vectoriel si les restrictions des lois + et . le munissent dune structure despace
vectoriel.
Exemples et contre-exemples.
Dans ce contre-exemple, le sous-ensemble U nest stable ni par multiplication par les scalaires,
ni par somme des vecteurs.
Dans ce contre-exemple, le sous-ensemble U est stable par sommes des vecteurs mais nest
pas stable par multiplication par les scalaires.
Dans cet exemple, le sous-ensemble U est stable par multiplication par les scalaires et par
somme des vecteurs.
2.2. SOUS-ESPACES VECTORIELS
73
Pour quun sous-ensemble U soit un sous-espace vectoriel, il faut et il suffit que la somme de
ses vecteurs et la multiplication par les scalaires de ses vecteurs soient encore dans U .
Thorme 22. Un sous-ensemble U V dun espace vectoriel (V, +, .) est un sous-espace
vectoriel si et seulement si les trois conditions suivantes sont vrifies
~0 U ,
~u, ~v U, ~u + ~v U ,
R, ~u U, .~u U .
Ces deux dernires conditions sont quivalentes
, R, ~u, ~v U,
.~u + .~v U .
Exemples.
Toutes les droites du plan P passant par lorigine sont des sous-espaces vectoriels. On parle
alors de droites vectorielles.
Toutes les droites de lespace E passant par lorigine ainsi que tous les plans passant par
lorigine (plans vectoriels) sont des sous-espaces vectoriels.
74
Lensemble des nombres imaginaires purs iR forment un sous-espace vectoriel de lespace

vectoriel des nombres complexes C.
Pour tout nombre entier d N, lensemble des polynmes de degr infrieur ou gal d, not
Rd [X] := {ad X d + + a0 | a0 , . . . , ad R},
est un sous-espace vectoriel de lespace vectoriel R[X] des polynmes.
Lensemble des matrices carres
x1,1
0
.
..
triangulaires suprieures
x1,2 x1,n
..
x2,2
.
,
x
R
i,j
..
..
..
.
.
0 xn,n
forment un sous-espace vectoriel de lespace vectoriel des matrices carres.

Notation. Comme la somme et la multiplication par les scalaires dun sous-espace vectoriel
U V sont celles de lespace vectoriel V = (V, +, .), nous confondrons souvent les notations U et
U.
Exercice 25 (P).
1. quelle condition une droite du plan P est-elle un sous-espace vectoriel ?
2. Lunion de deux droites distinctes passant par 0 forme-t-elle un sous-espace vectoriel de P ?
3. Quels sont tous les sous-espaces vectoriels de P ?
Exercice 26 (E ).
1. Quels sont tous les sous-espaces vectoriels de lespace E ?
2. Soient F et G deux sous-espaces vectoriels de E . Donner une condition ncessaire et suffisante
pour que lunion F G de F et G soit un sous-espace vectoriel de E .
2.2. SOUS-ESPACES VECTORIELS
75
Mthode
. Vous ne vous en tes peut-tre pas rendu compte mais ce dernier thorme
va vous simplifier la vie. Si on vous demande, lors dune premire question dun exercice notamment, de dmontrer que quelque chose est un espace-vectoriel, au lieu de vrifier la dfinition et
ses 8 axiomes, appliquez plutt la mthode suivante. Dabord, vous montrez que votre ensemble
considrer est le sous-ensemble dun espace vectoriel. Puis, vous utilisez le thorme 22 pour
montrer que cest un sous-espace vectoriel (2 ou 3 proprites vrifier, facile). Finalement vous
concluez, quen soit, cest un espace vectoriel !
Exercice 27 (Sous-espaces vectoriels dapplications).

1. Montrer que lensemble C (R) des applications continues de R vers R est un sous-espace
vectoriel de lespace RR des applications de R vers R, cf. exercice 24.
2. Montrer, de deux manires diffrentes, que lensemble
{f : R R | f (1) = 0}
des applications de R vers R qui sannulent en 1 est un espace vectoriel pour les oprations
usuelles.
3. Lensemble des fonctions relles, cest--dire de R vers R, paires est-il un espace vectoriel
pour les oprations usuelles ?
Intressons-nous maintenant au comportement des sous-espaces vectoriels vis--vis des oprations ensemblistes intersection et union. Pour lintersection, tout se passe bien.
Proposition 23. Lintersection U V de deux sous-espaces vectoriels U , V dun espace vectoriel (W, +, .) est encore un sous-espace vectoriel.
Dmonstration. La dmonstration est trs simple. Cest une application directe du thorme 22.
Par exemple, si on prend deux vecteurs ~u et ~v de U V . Alors leur somme est dans U car cest
un sous-espace vectoriel. De mme pour V . Donc ~u + ~v U V .
76
Pour lunion, la situation est plus dlicate. En gnral, la bte union ensembliste de deux sousespaces vectoriels nest pas un sous-espace vectoriel, comme lexemple ci-dessous le montre.
Si on considre deux sous-espaces vectoriels, leur union est bien stable pour la multiplication par
les scalaires, mais pas pour la somme des vecteurs.
Mais si lunion nest pas un sous-espace vectoriel, il existe peut-tre un plus petit sous-espace
vectoriel qui la contient. Pour pallier le dfaut de la somme, on considre lensemble suivant
U + V := {~u + ~v | ~u U, ~v V }
form de toutes les sommes de vecteurs de U et de V . Le thorme suivant montre que cette
construction rpond notre question.
Thorme 24. Pour toute paire U , V de sous-espaces vectoriels dun espace vectoriel (W, +, .),
les proprits suivantes sont vrifis.
Lensemble U + V est un sous-espace vectoriel de (W, +, .).
U V U +V.
Tout sous-espace vectoriel Z de W contenant lunion U V contient aussi U + V
U V U +V Z .
Dfinition (Somme de sous-espaces vectoriels). Le sous-espace vectoriel U + V est appel la somme des sous-espaces vectoriels U et V . Cest le plus petit sous-espace vectoriel contenant
lunion U V .
Exemple. La somme de deux droites distinctes de lespace forme un plan vectoriel.
2.3. COMBINAISONS LINAIRES ET GNRATEURS
77
2.3. Combinaisons linaires et gnrateurs

Poursuivons la question prcdente mais avec un sous-ensemble quelconque A dun espace
vectoriel V . Si A nest pas un sous-espace vectoriel de V , existe-t-il un plus petit sous-espace
vectoriel de V qui le contient ?
Dire que A nest pas un sous-espace vectoriel signifie quil nest pas stable pour la somme des vecteurs ou pour la multiplication par les scalaires. Pour combler ces lacunes, on considre maintenant
toutes les sommes de multiplications de vecteurs de A.
Dfinition (Combinaison linaire). Les vecteurs de la forme

1~a1 + + n~an ,
avec 1 , . . . , n R et ~a1 , . . . , ~an A sont appels des combinaisons linaires de vecteurs de A.
Lensemble de toutes les combinaisons linaires de vecteurs de A est note
Vect(A) := {1~a1 + + n~an | 1 , . . . , n R, ~a1 , . . . , ~an A}
Thorme 25. Pour tout sous-ensemble A dun espace vectoriel V = (V, +, .), les proprits
suivantes sont vrifies.
Lensemble Vect(A) est un sous-espace vectoriel de V .
A Vect(A).
Tout sous-espace vectoriel Z de V contenant A contient aussi Vect(A)
A Vect(A) Z .
Dfinition (Espace vectoriel engendr). Le sous-espace vectoriel Vect(A) est appel le

(sous-)espace vectoriel engendr par A. Cest le plus petit sous-espace vectoriel contenant A.
Exemple. Lespace vectoriel engendr par une paire de vecteurs non colinaires A = {~u, ~v }
de lespace E est le plan vectoriel qui les contient.
78
Dfinition (Famille gnratrice). Lorsque le sous-espace vectoriel engendr par A vaut lespace vectoriel V tout entier, on dit que la famille de vecteurs A engendre V ou que cest une famille
gnratrice.
Dit autrement, cela signifie que tout vecteur ~u de V peut scrire sous la forme dau moins une
combinaison linaire de vecteurs de A :
~u = 1~a1 + + n~an .
Interprtation
. On peut voir A comme un alphabet grce auquel on peut crire
nimporte quel vecteur de V . Pour cela, il faut avoir un nombre suffisant de lettres (vecteurs ici).
Exemples.
Toute paire de vecteurs non colinaires du plan P en forme une famille gnratrice.
La famille de vecteurs {(1, 0, . . . , 0), (0, 1, 0 . . . , 0), . . . , (0, . . . , 0, 1)} engendre lespace vectoriel
Rn . En effet, tout n-uplets (x1 , . . . , xn ) Rn scrit comme combinaison linaire
(x1 , . . . , xn ) = x1 (1, 0, . . . , 0) + x2 (0, 1, 0 . . . , 0) + + xn (0, . . . , 0, 1) .
Lespace vectoriel des nombres complexes C est engendr par {1, i} car ils scrivent tous
comme un combinaison linaire z = x.1 + y.i .
La famille de polynmes {1, X, . . . , X d } engendre lespace vectoriel Rd [X] des polynmes de
degr infrieur ou gal d. En effet, tout polynme P scrit comme une combinaison linaire
P = ad X d + + a0 .1 .
La famille infinie de polynmes {1, X, . . . , X n , . . .} engendre lespace vectoriel des polynmes
R[X].
La famille de matrices {eij , 1 6 i 6 n, 1 6 j 6 m} formes uniquement de 0 avec un
seul coefficient 1 plac la ie ligne et la j e colonne est une famille gnratrice de lespace
vectoriel (Mn,m , +, .) des matrices de taille n m.
Dfinition (Type fini). Si un espace vectoriel est engendr par une famille finie de vecteurs,
on dit quil est de type fini.
2.3. COMBINAISONS LINAIRES ET GNRATEURS
79
Tous les espaces vectoriels rencontrs dans ce cours seront de type fini. La seule exception sera
lespace vectoriel des polynmes sans restriction de degr qui nadmet pas de famille gnratrice
forme dun nombre fini dlments.
Exercice 28 (Systme linaire I).

Soit S lensemble des solutions du systme x y + z = 0 :
S := {(x, y, z) R3 | x y + z = 0} .
1. Montrer que lensemble S est un sous-espace vectoriel de R3 .
2. En donner plusieurs familles gnratrices.
Exercice
29 (Systme linaire II).
Soit S lensemble des solutions du systme
x + 2y = 0,
2y + z = 0
S := {(x, y, z) R3 | x + 2y = 0 et 2y + z = 0} .
1. Montrer, de deux manires diffrentes, que lensemble S est un sous-espace vectoriel de R3 .
2. En donner une famille gnratrice.
Exercice 30 (Combinaisons linaires).

On considre les vecteurs suivants de R4
~v1 := (1, 2, 3, 0),
ainsi que les familles
F1 := {~v1 },
~v2 := (0, 1, 2, 3),

F2 := {~v1 , ~v2 },
et ~v3 := (2, 3, 4, 3)
et F3 := {~v1 , ~v2 , ~v3 } .
On considre les vecteurs suivants

w
~ 1 := (1, 1, 1, 1),
w
~ 2 := (1, 1, 1, 1),
w
~ 1 := (3, 4, 5, 6) .
1. Est-ce que le vecteur w

~ 1 (respectivement w
~ 2 et w
~ 3 ) est une combinaison linaire des vecteurs
de F1 , F2 ou F3 ?
2. Dterminer les sous-espaces vectoriels Vect(F1 ), Vect(F2 ) et Vect(F3 ).
3. Dterminer toutes les manires dcrire les vecteurs (0, 0, 0, 0) et (1, 3, 5, 3) comme combinaisons linaires des vecteurs de F3 .
Exercice 31 (Drivs de polynmes).

On note R3 [X] lensemble des polynmes coefficients rels de degr infrieur ou gal 3. Soit
V := {P R3 [X] | (X + 1)P 0 (2 X 2 )P 00 = 0} .
1. Montrer que lensemble V est un sous-espace vectoriel de R3 [X].
Exercice
32 (Familles gnratices de polynmes).
Soit Rd [X] lespace vectoriel des polynmes coefficients rels de degr infrieur ou gal d.
Donner plusieurs familles gnratrices de Rd [X].
80
2.4. Dpendance linaire

On peut maintenant se poser la question de lunicit de lcriture sous forme de combinaison
linaire
~u = 1~a1 + + n~an ,
cest--dire de lunicit des coefficients 1 , 2 , . . . , n . Pour cela, on va commencer avec le cas o
~u est le vecteur nul.
Dfinition (Famille libre). Une famille A de vecteurs dun espace vectoriel (V, +, .) est dite
libre si
1~a1 + + n~an = ~0
1 = = n = 0 .
On dit aussi que les vecteurs de A sont linairement indpendants.

Cela signifie quil ny quune seule manire dcrire le vecteur nul comme combinaison linaire
de vecteurs de A, cest--dire avec la combinaison linaire triviale o tous les coefficients sont nuls.
Exemple. On considre la famille {~u, ~v } forme des deux vecteurs du plan P de coordonnes
~u = (1, 0) et ~v = (1, 1).
Montrons quils sont linairement indpendants. Supposons quil existe deux nombres rels ,
tels que ~u + ~v = ~0. En coordonnes, cela signifie que (1, 0) + (1, 1) = (0, 0). Si on dveloppe,
on trouve
(1, 0) + (1, 1) = ( + , ) = (0, 0) .
On en conclut donc que ncessairement = = 0 et donc que les vecteurs ~u et ~v sont linairement
indpendants.
. Deux vecteurs sont linairement indpendants si et seulement sils

Rgle gnrale
ne sont pas colinaires, cest--dire si aucun des deux ne scrit un scalaire fois lautre, ~u = ~v par
exemple.
Dfinition (Famille lie). A linverse, une famille A de vecteurs dun espace vectoriel (V, +, .)
est dite lie si elle nest pas libre. Cela signifie que le vecteur nul peut dcrire avec au moins une
combinaison linaire non triviale de vecteurs de A :
1~a1 + + n~an = ~0, avec au moins un i 6= 0 .
On dit aussi que les vecteurs de A sont linairement dpendants.
Exemple. On considre maintenant la famille {~u, ~v , w}
~ forme des trois vecteurs du plan P
de coordonnes ~u = (1, 0), ~v = (1, 1) et w
~ = (0, 2).
2.4. DPENDANCE LINAIRE
81
Pour voir que cette famille est lie, il suffit dexhiber une combinaison linaire non triviale du
vecteur nul. La relation 2~u + w
~ = 2~u reliant ces trois vecteurs peut se rcrire
2~u + 2~v + w
~ = ~0 ,
et le tour est jou.

Attention
. Pour dmontrer quune famille de vecteurs est libre, il ne suffit pas de montrer
que ses vecteurs ne sont pas colinaires deux--deux ! Cest une erreur trs frquente chez les
tudiants. Lexemple prcdent devrait russir par vous convaincre : aucun des trois vecteurs nest
colinaire un autre et pourtant, au final, la famille nest pas libre.
Remarque
. Toute famille contenant le vecteur nul est lie ! En effet, il suffit de considrer la combinaison linaire non triviale du vecteur nul suivante : 1.~0 = ~0 pour faire capoter
laffaire.
La proposition suivante est fantastique. Elle dit quil suffit que le vecteur nul scrive de manire
unique comme combinaison linaire de vecteurs dune famille A pour que cette proprit soit vraie
pour tous les vecteurs engendr par A.
Proposition 26. Une famille A de vecteurs dun espace vectoriel est libre si et seulement si
tout vecteur de lespace Vect(A) engendr par A scrit de manire unique comme combinaison
linaire de vecteurs de A.
Exemple. Tout vecteur du plan scrit de manire unique comme combinaison linaire ~u +~v
de ~u = (1, 0) et ~v = (1, 1).
Cest bien sur le sens (=) de la proposition que nous utiliserons le plus souvent.
Dfinition (Coordonnes). Soit A une famille libre de vecteurs dun espace vectoriel. Comme
tout vecteur ~u Vect(A) scrit de manire unique
~u = 1~a1 + + n~an ,
les coefficients (1 , . . . , n ), qui sont uniques, sont appels les coordonnes de ~u dans la famille A.
Exercice 33 (Polynmes I).

On considre la famille suivante de polymes :
F := {1, 1 + X, 1 + X + X 2 , 1 + X + X 2 + X 3 } .
1. Montrer que F est une base de R3 [X], lespace vectoriel des polynmes de degr infrieur ou
gal 3, en dmontrant que tout polynme P = a0 + a1 X + a2 X 2 + a3 X 3 scrit de manire
unique comme combinaison linaire dlments de F.
2. Donner les coordonnes de P dans cette famille libre.
82
2.5. Bases
Rcapitulons, une famille A est gnratrice si tout vecteur ~u V peut scrire
~u = 1~a1 + + n~an
et une famille est libre si cette criture est unique. Cest ces deux cas la fois qui nous intressent.
Dfinition (Base). Une famille de vecteurs dun espace vectoriel est une base si elle est libre
et gnratrice.
Proposition 27. Une famille A de vecteurs dun espace vectoriel (V, +, .) est une base si et
seulement si tout vecteur ~u V scrit de manire unique comme combinaison linaire dlments
de A :
~u = 1~a1 + + n~an .
Interprtation
. Une base est un bon alphabet dans lequel on peut crire de manire
unique tout vecteur dun espace vectoriel.
Exemples.
Toute paire de vecteurs non colinaires {~u, ~v } du plan P en forme une base.
La famille de vecteurs {(1, 0, . . . , 0), (0, 1, 0 . . . , 0), . . . , (0, . . . , 0, 1)} est une base de lespace
vectoriel Rn . Elle est tellement naturelle quon lappelle la base canonique.
Lespace vectoriel des nombres complexes C admet la famille {1, i} pour base.
La famille de polynmes {1, X, . . . , X d } est une base de lespace vectoriel Rd [X] des polynmes de degr infrieur ou gal d.
La famille de matrices {eij , 1 6 i 6 n, 1 6 j 6 m} formes uniquement de 0 avec un seul
coefficient 1 plac la ie ligne et la j e colonne est une base de lespace vectoriel Mn,m des
matrices de taille n m.
Exercice 34 (Bases).
Reprendre les exercices 28, 29 et 31 et rpondre la question supplmentaire suivante :
(3) Donner une base de ce sous-espace vectoriel.
La notion de base est si merveilleuse que lon peut se demander sil en existe toujours. Le
thorme suivant rpond cette question par laffirmatif.
Thorme 28. Tout espace vectoriel (V, +, .) non trivial, i.e. V 6= {~0}, admet au moins une
base.
Encore plus formidable, toutes les bases ont le mme nombre dlments !
Thorme 29. Toutes les bases dun espace vectoriel de type fini ont le mme nombre de
vecteurs.
Ce nombre est tellement magnifique, quon lui donne un nom.
Dfinition (Dimension). La dimension dun espace vectoriel V est le nombre dlments de
chacune de ses bases. On la note dim V ou dimR V lorsque veut insister sur le fait que V est un
espace vectoriel rel. (5)
5. Par convention, on dit que lespace vectoriel trivial ({~0}, +, .) est de dimension 0.
2.5. BASES
83
Exemples.
La dimension du plan est dim P = 2 .
La dimension de Rn est dim Rn = n .
La dimension de lespace vectoriel rel des nombres complexes est dimR C = 2 . (6)
La dimension de lespace vectoriel Rd [X] des polynmes de degr infrieur ou gal d est
dim Rd [X] = d + 1 .
Lespace vectoriel dim Mn,m des matrices de taille n m est de dimension Mn,m = n m .
Interprtation
. La dimension dun espace vectoriel est donc le nombre de coordonnes quil faut donner pour dcrire un lment (vecteur). Cest le nombre de directions diffrentes,
ou degrs de libert, dun espace . Ce chiffre nous donne la taille dun espace. Comme ici les
espaces vectoriels sont tous de cardinal infini, on ne peut pas les comparer avec le nombre de leurs
lments. Par contre, on peut comparer leur dimension.
La notion de base contient deux notions antinomiques : la famille doit tre gnratrice (il faut
suffisamment de vecteurs) et libre (il nen faut pas trop). Les deux thormes suivants montrent
que lon peut modifier une famille vrifiant une proprit pour avoir les deux.
Thorme 30 (de la base incomplte). Toute famille libre A dun espace vectoriel peut
stendre en une base B : A B.
Exemple. Dans lespace R3 , on considre la famille {~u = (2, 0, 0), ~v = (1, 1, 1)}. Cette famille
est bien libre car les deux vecteurs ~u et ~v ne sont pas colinaires.
Tout vecteur w
~ nappartenant pas un plan Vect({~u, ~v }) engendr par ~u et ~v suffit complter
{~u, ~v } en une base {~u, ~v , w}
~ de R3 .
Thorme 31 (de la base extraite). De toute famille gnratrice A dun espace vectoriel,
on peut extraire en une base B : B A.
6. Pour les plus avances dentre vous : comprenez pourquoi la dimension de lespace vectoriel complexe C est
dimC C = 1, cest--dire lorsque la multiplication par les scalaires se fait avec des nombres complexes et non plus
des rels.
84
Exemple. On considre nouveau la famille gnratrice {~u, ~v , w}

~ forme des trois vecteurs
du plan P de coordonnes ~u = (1, 0), ~v = (1, 1) et w
~ = (0, 2). Toute sous-famille obtenue en
supprimant un de ces trois vecteurs forme une base de P.
Proposition 32. Soit V un espace vectoriel de type fini.
Tout famille gnratrice A de V a au moins dim V lments, |A| > dim V .
Tout famille libre A de V a au plus dim V lments, |A| 6 dim V .
Tout sous-espace vectoriel W V vrifie
dim W 6 dim V ,
avec galit dim W = dim V si et seulement si W = V .
Soit V un espace vectoriel de dimension n et soit B = {~b1 , . . . , ~bn } une base de V . Cette dernire
donne permet de dfinir une application coordonnes en base B :
coordB :
V
~u = 1~b1 + + n~bn
Rn
7 (1 , . . . , n ) ,
qui associe, tout vecteur ~u de V ses coordonnes dans la base B. Il se trouve que cette application
est une bijection ; on peut donc identifier les deux ensembles V et Rn . Mais cest encore mieux
que cela : lapplication coordonnes envoie un somme de vecteurs sur une somme de n-uplets
coordB (~u + ~v ) = coordB (~u) + coordB (~v )
(7)
et une multiplication par un scalaire sur une multiplication par un scalaire

coordB (.~u) = .coordB (~u)
(8)
Lapplication coordonnes respectent donc les deux structures despace vectoriel. Ainsi, pour
tudier les proprits de lespace vectoriel V , il suffit dtudier celle de Rn . Au final, comme tous
les espaces vectoriels admettent une base, on pourra toujours se ramener ltude de Rn ! Pas
mal, non ?
2.6. Le cas Rn
Mais si on peut toujours se ramener Rn par choix dune base, comment travaille-t-on dans
R ? Comment dterminer si une famille de vecteurs y est libre, gnratrice ou forme une base ?
n
Soit A = {~a1 = (a1,1 , a2,1 , . . . , an,1 ), . . . , ~am = (a1,m , a2,m , . . . , an,m )} une famille de vecteurs
de Rn . On les crit dabord sous forme de colonnes, ce qui ne change rien au fond du problme,
~a1 :=
a1,1
a2,1
..
.
an,1
, . . . , t~am :=
a1,m
a2,m
..
.
an,m
7. En effet, ~
u + ~v = 1~b1 + + n~bn + 1~b1 + + n~bn = (1 + 1 )~b1 + (n + n )~bn .
8. En effet, .~
u = .(1~b1 + + n~bn ) = (1 )~b1 + + (n )~bn .
2.6. LE CAS Rn
Puis, on les range dans une matrice
a1,1 a1,2
a2,1 a2,2
MA := .
..
..
.
an,1
an,2
..
.
a1,m
a2,m
..
.
an,m
85
t
~a1
=
~a2
~am .
Exemple.
A = {(1, 2, 1, 3), (2, 4, 1, 2), (3, 6, 3, 7)}
1
2
3
2
4
6
.
MA =
1
1
3
3 2 7
On sautorise maintenant les oprations lmentaires suivantes sur les colonnes.
Intervertir deux colonnes : Ci Cj .
Multiplier une colonne par un scalaire non nul : Ci Ci .
Ajouter une colonne fois une autre : Ci Ci + Cj .
Dfinition (Matrices quivalentes par colonne). On dit que deux matrices sont quivalentes par colonne si on peut passer de lune lautre grce aux oprations lmentaires sur les
colonnes. Deux matrices quivalentes par colonne sont notes M N .
En effectuant les oprations sur les colonnes de MA , on reste fidlement dans le sous-espace
vectoriel engendr par la famille A, comme le montre la proposition suivante.
Proposition 33. Soit N MA une matrice quivalente par colonne MA . Les vecteurs
colonnes de N forment une famille B de vecteurs, i.e. N = MB , qui appartiennent au sous-espace
vectoriel engendr par A :
B Vect(A) .
De plus, la famille B et la famille A engendrent le mme sous-espace vectoriel
Vect(B) = Vect(A) .
Dmonstration. Si vous navez pas tout compris, la dmonstration peut vous aider voir ce
qui se passe. Les vecteurs B de la matrice N sont obtenus par combinaisons linaires des vecteurs
de A. Ils appartiennent donc au sous espace-vectoriel Vect(A) engendr par A. Ceci implique
notamment que Vect(B) Vect(A).
On peut montrer que les oprations lmentaires sur les colonnes fonctionnent dans ces deux
sens, cest--dire que lon peut aussi obtenir MA partir de N = MB . Do A Vect(B), puis
Vect(A) Vect(B). Au final, cela donne Vect(A) = Vect(B).
Exemple.
1
2
MA =
1
3
2
3
4
6
1
3
2 7
C2
C3

1
0
0
1
0 0
2
2
0
0
0 0
1
3
6 1
3 0
3 8 16
3 8 0
C2 2C1
C3 C3 2C2
C3 3C1
=N .
Donc les vecteurs B = {(1, 2, 1, 3), (0, 0, 3, 8)} font partie de Vect(A) et ils lengendrent.
86
Grce aux oprations lmentaires sur les colonnes, on peut mettre la matrice MA sous forme
chelonne, cest--dire sous forme suivante
0
0
0 0 0
.
..
..
..
..
..
.
.
.
.
..
..
..
.
.
1
.
.
MA
..
..
..
.
. 0 .
..
..
.
1 0 0
.
..
..
.
.
..
..
..
..
..
.
.
.
.
.

0 0
Les premires colonnes sont formes de haut en bas dabord de 0 puis dun 1. (9) De gauche
droite, les 1 apparaissent strictement de plus en plus bas.
Tout ceci, nest rien dautre que le clbre pivot de Gauss que vous apprenez depuis que vous
tes tout petits. Ce que lon a gagn ici, cest de pouvoir linterprter conceptuellement en terme
despace vectoriel.
Proposition 34. Les vecteurs colonnes non nuls de la matrice chelonne obtenue partir
de MA forment une base du sous-espace vectoriel Vect(A) engendr par A. Donc, le nombre de
colonnes non nulles de la matrice chelonne est gal la dimension de Vect(A).
Dmonstration.
Exemple. Dans lexemple de la famille A = {(1, 2, 1, 3), (2, 4, 1, 2), (3, 6, 3, 7)} , le calcul
prcdent montre que la famille B = {(1, 2, 1, 3), (0, 0, 3, 8)} forme une base de Vect(A). On
dduit aussi de cette proposition que dim Vect(A) = 2.
Tout ceci dmontre que la famille initiale A nest pas libre. En effet, par la proposition 32, on
sait que si la famille A tait libre, elle engendrerait un sous-espace vectoriel de dimension 3. La
famille A nest pas non plus une famille gnratrice de tout lespace R4 car elle na que 3 lments.
En effet, on savait, toujours grce la proposition 32 quune famille gnratrice de lespace R4 de
dimension 4 doit avoir au moins 4 lments.
Cette mthode nous a donc permis de dmontrer toutes les proprits auxquelles on sintressent
pour la famille A. Puissant, non ?
Remarque. On peut aussi travailler par ligne : remplir la matrice en mettant les vecteurs en
ligne et effectuer des oprations lmentaires par lignes. Tous les rsultats restent vrais, condition
de changer chaque fois le mot colonne par le mot ligne.

Attention
. Ne mlangez pas les lignes et les colonnes. On pourrait par exemple considrer
la matrice dont les colonnes sont les vecteurs de dpart et faire des oprations lmentaires par
ligne. Le seul rsultat qui reste vrai alors est celui qui dit que la dimension du sous-espace vectoriel
engendr est gal au nombre de lignes non nulles. Mais en mlangeant les lignes et les colonnes,
on perd compltement linterprtation finale des colonnes de la matrice quivalente en terme de
vecteurs du sous-espace engendr !
9. Au lieu de 1, on peut se contenter de nombres non nuls.
2.6. LE CAS Rn
87

Exercice 35 (R6 ).
On considre les vecteurs suivants de R6 :
~v1 := (1, 2, 3, 4, 0, 1),
~v2 := (1, 3, 4, 6, 5, 4) et ~v3 := (3, 8, 11, 16, 10, 9) .
1. Ces vecteurs sont-ils libres ?

2. Quelle est la dimension de Vect({~v1 , ~v2 , ~v3 }), le sous-espace vectoriel de R6 engendr par ~v1 ,
~v2 et ~v3 ?
3. Donner trois bases diffrentes de Vect({~v1 , ~v2 , ~v3 }).
4. Donner une combinaison linaire non triviale vrifie par ~v1 , ~v2 et ~v3 .
Exercice
36 (R4 ).
On considre la famille suivante de vecteurs de R4 :
A := {(1, 2, 3, 1), (2, 1, 3, 1), (1, 1, 2, 3), (1, 1, 3, 2), (3, 2, 5, 4)} .
1. Cette famille est-elle libre ?
2. Quelle est la dimension de Vect(A), le sous-espace vectoriel de R4 engendr par A ?
3. Donner deux bases diffrentes de Vect(A).
4. Donner une combinaison linaire non triviale dlments de A.
Exercice 37 (Sous-espaces vectoriels de R4 ).

On appelle U le sous-espace vectoriel de R4 engendr par les vecteurs suivants :
~u1 := (1, 2, 1, 3),
~u2 := (2, 4, 1, 2) et ~u3 := (3, 6, 3, 7) .
On appelle W le sous-espace vectoriel de R4 engendr par les vecteurs suivants :

w
~ 1 := (1, 2, 4, 11) et w
~ 2 := (2, 4, 5, 14) .
1. Quelle est la dimension de W ?
2. Montrer que U = W .
3. En donner deux bases diffrentes.
Application
. Revenons ce que nous disions au dbut de cette section sur un
exemple ; savoir, utilisons ce que nous venons dapprendre sur Rn pour rpondre la question
suivante.
Quelle est la dimension du sous-espace vectoriel
Vect({X 2 + X + 1, X 2 1, X + 2})
de lespace vectoriel R2 [X] des polynmes de degr infrieur ou gal 2 ?
Pour cela on commence par considrer la base B := { X 2 , X, 1} de lespace vectoriel R2 [X].
Grce cette base, on traduit la question prcdente en un problme de R3 . Dans cette base, les
trois polynmes de la famille {X 2 + X + 1, X 2 1, X + 2} ont pour coordonnes les trois vecteurs
suivants de R3 :
A := {(1, 1, 1), (1, 0, 1), (0, 1, 2)} .
La matrice de vecteurs colonnes associe est
1
1 0
1
0 1 .
1 1 2
88
Elle est quivalente par colonne la matrice chelonne suivante
1
1
1

1 0
1
0 1 1
1 2
1
0
1
2
0
0 .
0
Finalement, daprs la proposition 34, on dduit que la dimension du sous-espace vectoriel de

polynmes de dpart vaut
dim Vect({X 2 + X + 1, X 2 1, X + 2}) = 2 .
Mais, on a plus : la proposition 34 nous dit aussi que les deux polynmes
{X 2 + X + 1, X + 2 }
en forment une base.

Exercice 38 (Polynmes II).
On considre la famille suivante de polynmes
F := {1 + X + X 2 + X 3 , 1 X X 3 , 1 X 2 X 3 , 3 X 3 }
1. Cette famille est-elle gnratrice dans lespace-vectoriel R3 [X] des polynmes de degr infrieur ou gal 3 ?
2. Cette famille est-elle libre dans R3 [X] ?
3. Cette famille est-elle libre dans R[X] ?
4. Donner deux bases du sous-espace Vect(F) engendr par la famille F.
5. Complter ces bases de Vect(F) en des bases de R3 [X].

2.7. Somme directe
Nous avons vu au dbut de ce chapitre la notion de somme de deux sous-espaces vectoriels et
plus rcemment la notion de dimension. On peut donc se poser la question de la dimension dune
somme de deux sous-espaces vectoriels.
Proposition 35. Soient U et V deux sous-espaces vectoriels dun espace vectoriel W . La dimension de leur somme vaut
dim(U + V ) = dim U + dim V dim(U V ) .
Exemple. On considre les deux plans suivants U et V de lespace R3 , dont la somme engendre
tout lespace U + V = R3 .
2.7. SOMME DIRECTE
89
Leur intersection U V est une droite, elle est donc de dimension 1. La formule de la proposition
est ici bien vrifie car les dimensions respectives donnent
3=2+21 .
Comme pour les combinaisons linaires et les familles libres, on peut se demander sous quelle
condition lcriture ~u + ~v des lments de U + V est unique. La dmarche et la conclusion sont les
mmes : il suffit de demander que le vecteur nul ~0 scrive de manire unique. Or cette condition
est quivalente U V = {~0} (10) .
Dfinition (Somme directe). Deux sous-espaces vectoriels U et V sont en somme directe si
leur intersection est rduite au vecteur nul
U V = {~0}
Dans ce cas, la somme de U avec V se note

U V .
Exemple. Dans lespace E , un plan U et une droite V non incluse dans U sont toujours en
somme directe.
10. Si U V = {~0}, alors ~

u + ~v = ~0 avec ~
u U et ~v V implique ~
u = ~v U V donc ~
u = ~v = ~0. Si lcriture
~
u + ~v = ~0 est unique, savoir ~0 + ~0 = ~0, alors tout lment w
~ U V vrifie w
~ + (w)
~ = ~0 avec w
~ U et w
~ V
donc w
~ = ~0.
90
Proposition 36. Deux sous-espaces vectoriels U et V sont en somme directe si et seulement

si tout vecteur de leur somme U + V scrit de manire unique ~u + ~v , avec ~u U et ~v V .
Exemple. Dans lexemple prcdent, tout vecteur de lespace E = U + V scrit de manire
unique comme somme dun vecteur du plan U et dun vecteur de la droite V .
Exercice 39 (Somme directe).

Montrer que les deux sous-espaces vectoriels de R3
U := {(x, y, z) R3 | x + y + z = 0} et V := Vect({(2, 0, 0)})
sont en somme directe.
Poursuivons le parallle avec les familles de vecteurs. Lquivalent ici de la notion de famille
gnratrice est une somme qui vaut tout lespace U + V = W . Dans ce cas, tout vecteur de W
peut scrire comme une somme dun vecteur de U et dun vecteur de V . Lquivalent de la notion
de base est alors une somme directe qui engendre tout lespace U V = W .
Proposition 37. Soit deux sous-espaces vectoriels U et V dun espace vectoriel W = (W, +, .).
Ils sont en somme directe et leur somme engendre tout lespace W :
U V =W
si et seulement si tout vecteur w
~ de W scrit de manire unique
w
~ = ~u + ~v ,
avec ~u U et ~v V .
Dans ce cas, les dimensions vrifient la relation
dim W = dim U + dim V
Exercice
40 (Fonctions paires et impaires).
Dans lespace vectoriel F des applications de R vers R, on considre les deux sous-espaces
vectoriels forms respectivement des fonctions paires f (x) = f (x) et impaires f (x) = f (x) :
P := {f : R R | f paire} et I := {f : R R | f impaire} .
Montrer que P I = F .
2.7. SOMME DIRECTE
91

Dfinition (Supplmentaire). Dans le cas de deux sous-espaces vectoriels U et V en somme
directe et dont la somme engendre tout lespace vectoriel (W, +, .), on dit que U est un supplmentaire de V (respectivement que V est un supplmentaire de U ) dans W .
Exemple. Soit U une droite vectorielle du plan P. Les supplmentaires de U sont les droites
V diffrentes de U .
Interprtation
. Chercher un supplmentaire dun sous-espace vectoriel U correspond trouver les directions qui manquent U pour engendrer tout lespace. Par exemple, si
on a une base de U , cela revient la complter en une base de tout lespace ; les vecteurs ainsi
ajouts engendrent alors un supplmentaire.

Attention
. Un sous-espace vectoriel admet plusieurs supplmentaires et non un seul. Ne
confondez pas les notions de complmentaire et de supplmentaire dun sous-espace vectoriel
U . Le complmentaire est unique et est dfini comme tout ce qui nest pas dans U . Ce nest jamais
un sous-espace vectoriel.
Proposition 38. Tout sous-espace vectoriel admet au moins un supplmentaire.
Dmonstration. Ce rsultat est une consquence directe du throme 30 de la base incomplte.
Proposition 39. Tous les supplmentaires dun sous-espace vectoriel sont de mme dimension.
Dmonstration. La dimension de tout supplmentaire V de U dans W est dim V = dim W
dim U .
Exercice 41 (Supplmentaire).
On se place dans le plan R2 . On considre la droite vectorielle dquation
D := {(x, y) R2 | 2x + y = 0} .
1. Trouver un supplmentaire de D dans R2 .
2. Est-il unique ? Sinon, combien y en a-t-il ?
92
Lorsquun espace vectoriel se dcompose en somme directe de deux sous-espaces U V = W ,

tout vecteur de w
~ W scrit de manire unique w
~ = ~u + ~v , avec ~u U et ~v V . Ceci dfinit
deux applications
projVU :
W
w
~ = ~u + ~v
U
~u
et
projU
V :
W
w
~ = ~u + ~v
V
~v .
Dfinition (Projections). Les deux applications projVU et projU

V sont appeles respectivement la projection sur U paralllement V et la projection sur V paralllement U .

Exercice 42 (Projections).
Dans lespace R3 , on considre la droite D dquations
D := {(x, y, z) R3 | 3x + y z = 0; x + 2y + z = 0}
et le plan P dquation
P := {(x, y, z) R3 | x + y 2z = 0} .
1. Montrer quils sont supplmentaires lun de lautre dans R3 .
D
2. Donner lexpression des projections projP
D sur D paralllement P et projP sur P paralllement D.
Dfinition (Hyperplan). Soit W un espace vectoriel de dimension n. Un hyperplan est un

sous-espace vectoriel de dimension n 1.
Exemple. Les hyperplans de lespace E de dimension 3 sont les plans. Et les hyperplans du
plan P de dimension 2 sont les droites.
Il est quivalent de dfinir la notion dhyperplan en disant quil sagit des sous-espaces vectoriels
dont les supplmentaires sont de dimension 1.
2.7. SOMME DIRECTE
93
Plus gnralement, on peut dfinir la somme de plusieurs sous-espaces vectoriels U1 , . . . , Uk par

la mme formule
U1 + + Uk := {~u1 + + ~uk | ~u1 U1 , . . . , ~uk Uk } .
Dfinition. Les sous-espaces vectoriels U1 , . . . , Uk sont en somme directe si lcriture du vecteur nul sous la forme ~u1 + + ~uk = ~0 est unique, i.e. ~u1 = . . . = ~uk = 0.
On note alors la somme de U1 , . . . , Uk par
U1 Uk .
Proposition 40. Les sous-espaces vectoriels U1 , . . . , Uk sont en somme directe si et seulement
si tout vecteur de U1 + + Uk scrit de manire unique sous la forme ~u1 + + ~uk .
Exemple. Les droites du repre canonique de R3 sont en somme directe.
Contre-exemple. On considre U1 le plan horizontal de lespace E et deux droites distinctes

non horizontales U2 et U3 .
Dans ce cas, pour tout vecteur non nuls ~u2 de U2 , on considre le vecteur ~u3 de U3 de cote oppose.
La somme ~u2 + ~u3 est un vecteur non nul ~u1 du plan U1 . Au final, on a ~u1 ~u2 ~u3 = ~0 sans
quaucun des vecteurs ~u1 , ~u2 et ~u3 ne soit nul. Les sous-espaces vectoriels U1 , U2 et U3 ne sont
donc pas en somme directe.
94

Attention
. Il nest pas suffisant de vrifier que les sous-espaces U1 , . . . , Uk sont deux-deux en somme directe, i.e. Ui Uj = {~0}, pour pouvoir en conclure quils sont globalement en
somme directe. Le contre-exemple ceci dessus doit vous en convaincre.
Thorme 41. Soient U1 , . . . , Uk des sous-espaces vectoriels dun espace vectoriel et soient
B1 , . . . , Bk des bases de U1 , . . . , Uk respectivement.
Les sous-espaces U1 , . . . , Uk sont en somme directe si et seulement si lunion B1 . . . Bk
forme une base de U1 + + Uk .
Sils sont en somme directe, alors les dimensions vrifient la relation
dim (U1 Uk ) = dim U1 + + dim Uk .
Nous nous servirons de la notion de somme directe de plusieurs sous-espaces vectoriels pour
dcomposer un espace vectoriel tout entier sous la forme
W = U1 Uk
et ainsi en tudier les proprits petits bouts par petits bouts.
95
Exercice 23 (Q versus R).

On considre laddition et la multiplication usuelles sur Q et R.
1. Est-ce que Q est un espace vectoriel sur R ?
2. Est-ce que R est un espace vectoriel sur Q ?
Correction.
1. Lorsque lon multiplie un nombre rationnel q Q (vecteur) par un nombre rel r R (scalaire),
on obtient priori un nombrerel et en gnral pas un
nombre rationnel. Cest le cas, par
exemple, pour q = 1 et r = 2 dont le produit vaut 2 qui est un nombre irrationnel par
le thorme 8. Donc lensemble Q ne saurait tre un espace vectoriel sur R car la multiplication
usuelle ne dfinit pas une application de R Q vers Q, mais une application de R Q vers R.
2. Oui, R est un espace vectoriel sur Q. La somme des vecteurs est la somme des nombres rels.
La multiplication des nombres rels r R (vecteur) par les nombres rationnels q Q (scalaire)
produit bien un nombre rel : Q R R. Enfin, les 8 axiomes dfinissant un espace vectoriel
sont vrifis ; ils viennent des proprits algbriques gnrales de la somme et du produit des
nombres rels (associativit, distributivit, etc.).
Exercice
24 (Applications vers un espace vectoriel).
Soit A un ensemble et soit (E, +, .) un espace vectoriel sur R.
Montrer que lensemble E A des applications de A vers E, muni des oprations suivantes

f +g : AE
.f : A E
et
x 7 f (x) + g(x)
x 7 .f (x)
forme un espace vectoriel.
Correction. Pour cet exercice, il na pas dautre choix que de vrifier les 8 axiomes qui dfinissent la notion despace vectoriel. chaque fois, on se sert de laxiome vrifi par la somme + et la
multiplication . de lespace vectoriel E.
lassociativit de la loi + : Au niveau des applications, on a
(f + g) + h = f + (g + h) ,
car pour tout x A, lassociativit de la somme dans E donne
((f + g) + h)(x) = (f (x) + g(x)) + h(x) = f (x) + (g(x) + h(x)) = (f + (g + h))(x) .
la commutativit de la loi + : Au niveau des applications, on a
f +g =g+f ,
car pour tout x A, la commutativit de la somme dans E donne
(f + g)(x) = f (x) + g(x) = g(x) + f (x) = (g + f )(x) .
lexistence dun neutre pour la loi + : Pour neutre, on considre lapplication constante de valeur
le vecteur nul de E :

0 : AE
x 7 ~0 .
Au niveau des applications, on a
f +0=0+f =f ,
car pour tout x A, la somme de E vrifie
(f + 0)(x) = f (x) + 0(x) = f (x) + ~0 = f (x) = ~0 + f (x) = (0 + f )(x) .
96
lexistence dopposes pour la loi + : On dfinit loppos dune application f par lapplication

f : A E
x 7 f (x) .
Elle vrifie bien
f + (f ) = (f ) + f = 0 ,
car pour tout x A, on a
(f + (f ))(x) = f (x) f (x) = ~0 = f (x) + f (x) = ((f ) + f )(x) .
lassociativit pour la loi . : Au niveau des applications, on a
.(.f ) = ( ).f ,
car pour tout x A, lassociativit de la loi . de E donne
(.(.f ))(x) = .(.f (x)) = ( ).f (x) = (( ).f )(x) .
laction identit de lunit pour la loi . : Au niveau des applications, on a
1.f = f ,
car pour tout x A, laction de lunit pour la loi . de E donne
(1.f )(x) = 1.f (x) = f (x) .
la distributivit de la somme des vecteurs : Au niveau des applications, on a
.(f + g) = .f + .g ,
car pour tout x A, la distributivit de la somme + dans E donne
(.(f + g))(x) = .(f (x) + g(x)) = .f (x) + .g(x) = (.f + .g)(x) .
la distributivit de la somme des scalaires : Au niveau des applications, on a
( + ).f = .f + .f ,
car pour tout x A, la distributivit de la somme des scalaires dans E donne
(( + ).f )(x) = ( + ).f (x) = .f (x) + .f (x) = (.f + .f )(x) .
Exercice 25 (P).
1. quelle condition une droite du plan P est-elle un sous-espace vectoriel ?
2. Lunion de deux droites distinctes passant par 0 forme-t-elle un sous-espace vectoriel de P ?
3. Quels sont tous les sous-espaces vectoriels de P ?
Correction.
1. Comme tout sous-espace vectoriel doit contenir le vecteur nul ~0, pour quune droite forme un
sous-espace vectoriel, il faut quelle passe par lorigine. On utilise le thorme 22 pour montrer
que cette condition est suffisante, savoir : toutes les droites passant par lorigine forment un
sous-espace vectoriel du plan.
Soit une droite passant par lorigine, i.e. ~0 . La somme de deux vecteurs ~u et ~v de la droite
appartient encore , en effet les deux vecteurs ~u et ~v sont colinaires. La multiplication
dun vecteur ~u de la droite par un scalaire fournit encore un vecteur ~u de .
97
On conclut, par le thorme 22, que la droite est un sous-espace vectoriel du plan.
2. Lunion de deux droites vectorielles distinctes et 0 du plan ne forment pas un sous-espace
vectoriel du plan. En effet, la somme de toute paire de vecteurs non nul ~u et ~v 0 donne
un vecteur ~u + ~v qui nappartient pas lunion 0 .
Le seul cas o lunion de deux droites vectorielles et 0 du plan forme un sous-espace vectoriel
est lorsque les deux droites sont identiques = 0 .
3. Le premier sous-espace vectoriel du plan est celui form uniquement du vecteur nul {} .
Si maintenant le sous-espace V contient un vecteur ~u non nul, alors il contient ncessairement
toute la droite engendre par ce vecteur car .~u V , pour tout rel . La seconde famille de
sous-espaces vectoriels du plan est donc forme des droites vectorielles .
Considrons maintenant un sous-espace vectoriel V du plan contenant une droite vectorielle
et au moins un vecteur ~v nappartenant pas . Alors, toute la droite 0 engendre par
~v doit appartenir au sous-espace V . Et comme tout vecteur du plan peut scrire comme la
somme de dun vecteur de et dun vecteur de 0 , on obtient que le sous-espace V est gal
au plan tout entier .

Exercice 26 (E ).
1. Quels sont tous les sous-espaces vectoriels de lespace E ?
2. Soient F et G deux sous-espaces vectoriels de E . Donner une condition ncessaire et suffisante
pour que lunion F G de F et G soit un sous-espace vectoriel de E .
98
Correction.
1. Si on reprend ltude effectue la question 3 de lexercice prcdent, on voit dj que le sousespace vectoriel trivial {} , les droites vectorielles et les plans vectoriels , cest--dire passant
par lorigine, sont des sous-espaces vectoriels de lespace E .
Soit maintenant un sous-espace vectoriel V de lespace qui contient un plan vectoriel P et au
moins un vecteur ~u qui nest pas dans P . Comme V est un sous-espace vectoriel, il contient toute
la droite engendre par ~u. Et comme tout vecteur de lespace peut scrire comme somme
dun vecteur du plan P et dun vecteur de la droite , on conclut que le sous-espace V est gal
lespace tout entier .
2. Les mmes arguments que ceux qui nous ont permis de rpondre la question 2 de lexercice prcdent sappliquent ici. Lunion de deux sous-espaces vectoriels F et G de lespace ne forment pas
un sous-espace ds linstant que lun nest pas inclus dans lautre. En effet, la somme de toute
paire de vecteurs ~u F G et ~v G F donne un vecteur ~u + ~v qui nappartient pas lunion
F G.
Le seul cas o lunion de deux sous-espaces vectoriels F et G de lespace forme un sous-espace

vectoriel est lorsque lun est inclus dans lautre F G ou G F .
Exercice 27 (Sous-espaces vectoriels dapplications).

1. Montrer que lensemble C (R) des applications continues de R vers R est un sous-espace
vectoriel de lespace RR des applications de R vers R, cf. exercice 24.
2. Montrer, de deux manires diffrentes, que lensemble
{f : R R | f (1) = 0}
des applications de R vers R qui sannulent en 1 est un espace vectoriel pour les oprations
usuelles.
3. Lensemble des fonctions relles, cest--dire de R vers R, paires est-il un espace vectoriel
pour les oprations usuelles ?
Correction.
1. On applique le thorme 22 en utilisant le fait que lensemble des applications de R vers R forme
un espace vectoriel, par lexercice 24.
Lapplication 0 constante de valeur nulle est bien continue, donc 0 C (R). Soient f et g deux
applications continues, leur somme f +g dfinit encore une application continue, i.e. f +g C (R).
Soient un nombre rel et f une application continue, lapplication f est encore une application
continue, i.e. f C (R).
En conclusion lensemble des applications continues forme un sous-espace vectoriel de lespace
vectoriel des applications de R vers R .
99
2. La premire mthode consiste vrifier un par un les 8 axiomes de la dfinition dun espace vectoriel. Nous ne le refaisons pas ici : il suffit de faire un copier-coller de la correction de lexercice 24.
A noter que lapplication constante de valeur nulle appartient bien lensemble considr. De
mme, loppos de toute fonction sannulant en 0, sannule encore en 0. Il ny a donc pas de
problme.
La seconde mthode consiste dabord appliquer le thorme 22 comme la question prcdente.
Notons V lensemble des applications sannulant en 1.
Lapplication 0 constante de valeur nulle sannule bien en 1, donc 0 V . Soient f et g deux
applications de V , leur somme f + g sannule encore en 1, i.e. f + g V . Soient un nombre
rel et f une application sannulant en 1, lapplication f vrifie (f )(1) = 0 = 0, donc
f V .
En conclusion, lensemble V des applications sannulant en 1 forme un sous-espace vectoriel de
lespace vectoriel des applications de R vers R. Il forme donc, en soi, un espace vectoriel .
3. On utilise toujours la mme mthode : on applique le thorme 22 pour montrer quil sagit l
dun sous-espace vectoriel de lespace vectoriel des applications de R vers R. Et donc, en soit, il
vrifie la dfinition dun espace vectoriel.
Lapplication 0 constante de valeur nulle est bien paire. Soient f et g deux applications paires
et soient et deux nombres rels. La combinaison linaire f + g est encore une application
paire :
(f + g)(x) = f (x) + g(x) = f (x) + g(x) = (f + g)(x) .

Exercice 28 (Systme linaire I).
Soit S lensemble des solutions du systme x y + z = 0 :
S := {(x, y, z) R3 | x y + z = 0} .
1. Montrer que lensemble S est un sous-espace vectoriel de R3 .
2. En donner plusieurs familles gnratrices.
Correction.
1. On applique le thorme 22. Les coordonnes du vecteur nul (0, 0, 0) vrifient bien lquation
x y + z = 0, il appartient donc S. Soient (x, y, z) et (x0 , y 0 , z 0 ) deux lments de S, cest-dire

xy+z =0
x0 y 0 + z 0 = 0 .
En sommant ces deux galits, on trouve (x + x0 ) (y + y 0 ) + (z + z 0 ) = 0, ce qui signifie que
(x + x0 , y + y 0 , z + z 0 ) = (x, y, z) + (x0 , y 0 , z 0 ) S .
De la mme manire, pour tout R et tout (x, y, z) S, en multipliant lquation xy+z = 0
par , on trouve (x) (y) + (z) = 0, ce qui signifie que
(x, y, z) = .(x, y, z) S .
On en conclut que S est un sous-espace vectoriel de R3 .
2. Raisonnons de deux manires diffrentes. Dabord, lquation x y + z = 0 est lquation dun
plan dans lespace R3 et on sait quil faut (au moins) deux vecteurs non colinaires dun plan
pour lengendrer. On voit rapidement que ~u = (1, 1, 0) et ~v = (0, 1, 1) sont deux tels vecteurs.
Donc, la famille {(1, 1, 0); (0, 1, 1)} est une famille gnratrice de S .
100
Si vous ntes pas convaincu par ces arguments, montrons, la main, quil sagit l dune famille
gnratrice. Soit w
~ = (x, y, z) un lment de S ; cela signifie que ses coordonnes vrifient
x y + z = 0, que lon peut rcrire y = x + z. Le vecteur w
~ est donc gal
w
~ = (x, x + z, z) = (x, x, 0) + (0, z, z) = x(1, 1, 0) + z(0, 1, 1) .
Ainsi, tout lment de S peut scrire comme combinaison linaire de la famille {(1, 1, 0); (0, 1, 1)}.
Pour obtenir une autre famille gnratrice, on peut filouter et dire, par exemple que la famille
{(1, 1, 0); (0, 1, 1); (1, 2, 1)} est gnratrice. Il a suffit dajouter la famille gnratrice prc-
dente nimporte quel vecteur de S !

Plus srieusement, si on veut obtenir une autre famille gnratrice, on peut rcrire lquation
x y + z = 0 dune autre manire, par exemple x = y z. Dans ce cas, tout vecteur de S scrit
(x, y, z) = (y z, y, z) = (y, y, 0) + (z, 0, z) = y(1, 1, 0) + z(1, 0, 1) .
Ceci dmontre que la famille {(1, 1, 0); (1, 0, 1)} engendre le sous-espace S .
Exercice
29 (Systme linaire II).
Soit S lensemble des solutions du systme
x + 2y = 0 ,
2y + z = 0
S := {(x, y, z) R3 | x + 2y = 0 et 2y + z = 0} .
1. Montrer, de deux manires diffrentes, que lensemble S est un sous-espace vectoriel de R3 .
Correction.
1. La premire mthode consiste utilise le dsormais fameux thorme 22. Les coordonnes du vecteur nul (0, 0, 0) vrifient bien les deux quations x+2y = 0 et 2y+z = 0, il appartient donc S.
Soient (x, y, z) et (x0 , y 0 , z 0 ) deux lments de S, cest--dire

x + 2y = 0
et 2y + z = 0
x0 + 2y 0 = 0 et 2y 0 + z 0 = 0 ,
et soient et deux nombres rels.
En multipliant les deux galits du haut par et les deux du bas par , on trouve

x + 2y = 0
et 2y + z = 0
x0 + 2y 0 = 0 et 2y 0 + z 0 = 0 ,
En les sommant deux--deux, on trouve

(x + x0 ) + 2(y + y 0 ) = 0 ,
2(y + y 0 ) + (z + z 0 ) = 0 ,
ce qui signifie que
(x + x0 , y + y 0 , z + z 0 ) = (x, y, z) + (x0 , y 0 , z 0 ) S .
On en conclut que S est un sous-espace vectoriel de R3 .
Lautre mthode, bien plus lgante

3
, revient considrer les deux sous-ensembles
P := {(x, y, z) R | x + 2y = 0} et Q := {(x, y, z) R3 | 2y + z = 0} .
101
Il sagit l de deux plans vectoriels, ce sont donc deux sous-espaces vectoriels de R3 . (On peut
aussi le dmontrer comme dans lexercice prcdent.) En remarquant que S est lintersection de
P et de Q, S = P Q, et comme lintersection de deux sous-espaces vectoriels est encore un
sous-espace vectoriel (Proposition 23), on en conclut que S est un sous-espace vectoriel de R3 .
2. Comme expliqu lexercice prcdent, on peut raisonner de deux manires diffrentes. On peut
dabord dire que S est lintersection de deux plans vectoriels et donc quil sagit dune droite
vectorielle. Or, pour engendrer une droite, il suffit dun vecteur non nul. Ici, on voit, par exemple,
que les coordonnes du vecteur (1, 21 , 1) vrifient les deux quations et donc quil est dans S.
Au final, la famille {(1, 12 , 1)} est gnratrice de S .
On peut aussi rcrire les quations qui dfinissent S, par exemple de la manire suivante

x + 2y = 0
x = 2y
2y + z = 0
z = 2y .
Les lments de S sont donc tous de la forme
(2y, y, 2y) = y(2, 1, 2) .
Ceci montre que la famille {(2, 1, 2)} engendre le sous-espace S .
Exercice 30 (Combinaisons linaires).

On considre les vecteurs suivants de R4
~v1 := (1, 2, 3, 0),
ainsi que les familles
F1 := {~v1 },
~v2 := (0, 1, 2, 3),

F2 := {~v1 , ~v2 },
et ~v3 := (2, 3, 4, 3)
et F3 := {~v1 , ~v2 , ~v3 } .
On considre les vecteurs suivants

w
~ 1 := (1, 1, 1, 1),
w
~ 2 := (1, 1, 1, 1),
w
~ 3 := (3, 4, 5, 6) .
1. Est-ce que le vecteur w

~ 1 (respectivement w
~ 2 et w
~ 3 ) est une combinaison linaire des vecteurs
de F1 , F2 ou F3 ?
2. Dterminer les sous-espaces vectoriels Vect(F1 ), Vect(F2 ) et Vect(F3 ).
3. Dterminer toutes les manires dcrire les vecteurs (0, 0, 0, 0) et (1, 3, 5, 3) comme combinaisons linaires des vecteurs de F3 .
Correction.
1. On peut voir par un calcul mental rapide quaucun des vecteurs w
~ 1, w
~ 2 et w
~ 3 , nest colinaire
au vecteur ~v1 . Ils ne sont donc pas combinaison linaire de vecteurs de F1 .
Dire que le vecteur w
~ 1 est combinaison linaire des vecteurs de la famille F2 signifie quil existe
deux nombres rels 1 et 2 tels que w
~ 1 = 1~v1 + 2~v2 . Au niveau des coordonnes cela donne
(1, 1, 1, 1) = 1 (1, 2, 3, 0) + 2 (0, 1, 2, 3) = (1 , 21 + 2 , 31 + 22 , 32 ) .
On a donc ramen ltude du systme dquations suivantes
1
= 1
21 +
2 = 1
31 + 22 = 1
32 = 1 .
Ce systme nadmet pas de solution car les valeurs 1 = 1 et 2 = 31 ne satisfont pas la deuxime
quation. On en conclut que le vecteur w
~ 1 ne scrit pas comme combinaison linaire des vecteurs
de F2 .
102
On procde de la mme manire pour le vecteur
21 + 2
31 + 22
32
w
~ 2 . Ceci donne le systme dquations
=
1
= 1
=
1
= 1 .
Ce systme nadmet pas de solution car les valeurs 1 = 1 et 2 = 31 ne satisfont pas la

deuxime quation. On en conclut que le vecteur w
~ 2 ne scrit pas comme combinaison linaire
des vecteurs de F2 .
On procde toujours de la mme manire pour le vecteur w
~ 3 . Ceci donne le systme dquations
1
= 3
21 + 2 = 4
31 + 22 = 5
32 =
6.
Ce systme admet une unique solution qui est 1 = 3 et 2 = 2. On en conclut que
le vecteur w
~ 3 scrit comme combinaison linaire des vecteurs de F2 :
w
~ 3 = 3~v1 + 2~v2
(11)
On doit maintenant se poser la question si le vecteur w

~ 1 est combinaison linaire des vecteurs de
la famille F3 . On pourrait bien sur se lancer dans le calcul en utilisant la dfinition et la mthode
prcdente (4 quations 3 inconnues ...). Mais ne soyons pas trop bourrin trop vite. En fait, le
vecteur ~v3 napporte rien de nouveau : en effet, on voit rapidement que
~v3 = 2~v1 ~v2 .
Dit autrement, le vecteur ~v3 fait partie de lespace vectoriel engendr ~v1 et ~v2 . Il est donc parfaitement quivalent de se demander si le vecteur w
~ 1 est combinaison linaire des vecteurs de la famille
F2 ou de la famille F3 ! Les conclusions cette question sont donc les mmes que celles de la question prcdente : les vecteur w
~ 1 et w
~ 2 ne scrivent pas comme combinaison linaire des vecteurs
de F3 et le vecteur w
~ 3 scrit comme combinaison linaire des vecteurs de F3 .
2. Le sous-espace vectoriel engendr par la famille F1 est form des vecteurs de la forme
Vect(F1 ) = {1 (1, 2, 3, 0) = (1 , 21 , 31 , 0) | 1 R} .
Le sous-espace vectoriel engendr par la famille F2 est form des vecteurs de la forme
Vect(F2 ) = {1 (1, 2, 3, 0) + 2 (0, 1, 2, 3) = (1 , 21 + 2 , 31 + 22 , 32 ) | 1 , 2 R} .
Le sous-espace vectoriel engendr par la famille F3 est form des vecteurs de la forme
Vect(F3 ) = {(1 + 23 , 21 + 2 + 33 , 31 + 22 + 43 , 32 33 ) | 1 , 2 , 3 R} .
3. On utilise les mmes systmes dquations qu la question 1. On cherche les nombres rels 1 ,
2 et 3 tels que (1, 3, 5, 3) = 1~v1 + 2~v2 + 3~v3 . Au niveau des coordonnes cela donne
(1, 3, 5, 3)
1 (1, 2, 3, 0) + 2 (0, 1, 2, 3) + 3 (2, 3, 4, 3)
(1 + 23 , 21 + 2 + 33 , 31 + 22 + 43 , 32 33 ) .
On a donc ramen ltude
1
+
21 +
2 +
31 + 22 +
32
du systme dquations suivantes

23
33
43
33
=
=
=
=
1

3
1
5
3.
+ 23
3
= 1
= 1.
11. Rsultat que lon vrifie la fin en effectuant le calcul direct de 3(1, 2, 3, 0) + 2(0, 1, 2, 3) = (3, 4, 5, 6).
103
On aboutit donc au systme

1 = 1 23
2 = 1 + 3 .
En posant 3 = , on obtient toutes les manires dcrire le vecteur (1, 3, 5, 3) comme combinaisons linaires des vecteurs de F3 :
(1, 3, 5, 3) = (1 2)~v1 + (1 + )~v2 + ~v3 , avec R .
Pour le vecteur nul, on obtient le mme type de rsultat :
(0, 0, 0, 0) = 2~v1 + ~v2 + ~v3 , avec R .
Exercice 31 (Drivs de polynmes).

On note R3 [X] lensemble des polynmes coefficients rels de degr infrieur ou gal 3. Soit
V := {P R3 [X] | (X + 1)P 0 (2 X 2 )P 00 = 0} .
1. Montrer que lensemble V est un sous-espace vectoriel de R3 [X].
Correction.
1. On applique le thorme 22 de la manire suivante.
Le polynme nul P = 0, appartient V : (X + 1) 0 (2 X 2 )0 = 0.
Lensemble V est stable pour la somme : soient P, Q V , montrons que P + Q V . Comme
P, Q V , on a
(X + 1)P 0 (2 X 2 )P 00 = 0 et (X + 1)Q0 (2 X 2 )Q00 = 0 .
Do, en sommant et en utilisant le fait que la drive dun somme est la somme des drives,
(X + 1)(P + Q)0 (2 X 2 )(P + Q)00 =
(X + 1)(P 0 + Q0 ) (2 X 2 )(P 00 + Q00 ) =
(X + 1)P 0 (2 X 2 )P 0 + (X + 1)Q0 (2 X 2 )Q00 = 0 .
Ce qui donne finalement P + Q V .
Lensemble V est stable pour la multiplication par les scalaires : soient P V et R, montrons
que P V . Comme P V , on a (X + 1)P 0 (2 X 2 )P 00 = 0. Do, en multipliant par ,
(X + 1)(P )0 (2 X 2 )(P )00 =
(X + 1)P 0 (2 X 2 )P 00 =
((X + 1)P 0 (2 X 2 )P 00 ) = 0 .
Ce qui donne finalement P V .
On en conclut que V est un sous-espace vectoriel de R3 [X].
2. Soit P = a0 + a1 X + a2 X 2 + a3 X 3 un polynme de R3 [X]. Ce polynme appartient V si et
seulement si
(X + 1)P 0 (2 X 2 )P 00 =
(X + 1)(a1 + 2a2 X + 3a3 X 2 ) (2 X 2 )(2a2 + 6a3 X) =
a1 4a2 + (a1 + 2a2 12a3 )X + (4a2 + 3a3 )X 2 + 9a3 X 3 = 0 .
Par identification, ceci est quivalent au systme linaire suivant
a1 4a2
=0
a1 + 2a2 12a3 = 0
4a2 + 3a3 = 0
9a3 = 0
104
qui admet pour unique solution a1 = a2 = a3 = 0. Le sous-espace vectoriel V est donc gal au
sous-espace vectoriel form des polynmes constants :
V = {a0 R3 [X] | a0 R} .
Par exemple, {1} en est une famille gnratrice.
Exercice
32 (Familles gnratices de polynmes).
Soit Rd [X] lespace vectoriel des polynmes coefficients rels de degr infrieur ou gal d.
Donner plusieurs familles gnratrices de Rd [X].
Correction. On a dj vu que la famille des monmes
{1, X, X 2 , . . . , X d }
forme une famille gnratrice de lespace vectoriel des polynmes de degr infrieur ou gal d. En
effet, chaque polynme scrit, par dfinition, comme combinaison linaire de monmes.
Comme toute famille obtenue partir dune famille gnratrice par ajout des vecteurs est encore
gnratrice, on peut donc dire que la famille
{1, X, X 2 , . . . , X d , 3X 2 7X 5 , 2 +
(en supposant que d 5) est une famille gnratrice.

Plus srieusement, on prtend que la famille
3X X 4 }

1, (X + 1), (X + 1)2 , . . . , (X + 1)d
est une autre famille gnratrice de lespace vectoriel des polynmes de degr infrieur ou gal d.
Pour cela, il suffit de montrer quelle engendre tous les vecteurs de la famille gnratrice prcdente
{1, X, X 2 , . . . , X d }. En effet, on a
1
= 1,
= (X + 1) 1 ,
X2
= (X + 1)2 2(X + 1) + 1 ,
X3
= (X + 1)3 3(X + 1)2 + 5(X + 1) 3 ,

.
Exercice 33 (Polynmes I).

On considre la famille suivante de polymes :
F := {1, 1 + X, 1 + X + X 2 , 1 + X + X 2 + X 3 } .
1. Montrer que F est une base de R3 [X], lespace vectoriel des polynmes de degr infrieur ou
gal 3, en dmontrant que tout polynme P = a0 + a1 X + a2 X 2 + a3 X 3 scrit de manire
unique comme combinaison linaire dlments de F.
2. Donner les coordonnes de P dans cette famille libre.
105
Correction.
1. Soit P = a0 +a1 X +a2 X 2 +a3 X 3 un polynme de R3 [X], cest--dire que les coefficients ai sont
donns une fois pour toute. On chercher sil est possible de trouver des scalaires 0 , 1 , 2 , 3
(ce sont les inconnues) qui vrifient
P
= a0 + a1 X + a2 X 2 + a3 X 3
= 0 1 + 1 (1 + X) + 2 (1 + X + X 2 ) + 3 (1 + X + X 2 + X 3 )
=
(0 + 1 + 2 + 3 ) + (1 + 2 + 3 )X + (2 + 3 )X 2 + 3 X 3 .
Ce qui en identifiant les coefficients
0 + 1 + 2 + 3 =
1 + 2 + 3 =
2 + 3 =
3 =
donne le systme suivant
0
a0
1
a1
a2
a3
2
3
=
=
=
=
a0 a1
a1 a2
a2 a3
a3 .
Ce systme dquations na donc quune seule solution. Ce qui signifie quil existe une unique
manire dcrire tout polynme de degr infrieur ou gal 3 comme combinaison linaire de
vecteurs de F. La famille F est donc une base de R3 [X] .
2. Les coordonnes du polynme P dans la base F est le n-uplet form des solutions du systme,
savoir
(a0 a1 , a1 a2 , a2 a3 , a3 ) .
Dit autrement,
P = (a0 a1 ) 1 + (a1 a2 ) (1 + X) + (a2 a3 ) (1 + X + X 2 ) + a3 (1 + X + X 2 + X 3 ) .
Exercice 34 (Bases).
Reprendre les exercices 28, 29 et 31 et rpondre la question supplmentaire suivante :
(3) Donner une base de ce sous-espace vectoriel.
Correction.
(3) Exercice 28. On a dj vu que la famille {(1, 1, 0); (0, 1, 1)} est une famille gnratrice de S.
Comme ses deux vecteurs ne sont pas colinaires, ils sont libres. On a donc l une base de S.
Avec lautre manire de raisonner, on a vu que tout vecteur (x, y, z) de S dcrivait de manire
unique sous la forme
(x, y, z) = (x, x + z, z) = (x, x, 0) + (0, z, z) = x(1, 1, 0) + z(0, 1, 1) .
Ce qui donne une seconde dmonstration du fait que la famille {(1, 1, 0); (0, 1, 1)} est une base
de S.
Exercice 29. De la mme manire, on a vu que le vecteur (1, 21 , 1) engendrait le sous-espace
vectoriel S. Comme il est non nul, il forme une base de S.
Exercice 31. Comme prcdemment, le polynmes constant 1 engendre le sous-espace vectoriel
V . Comme il est non nul, il forme une base de V .
Exercice 35 (R6 ).
~v1 := (1, 2, 3, 4, 0, 1),
~v2 := (1, 3, 4, 6, 5, 4) et ~v3 := (3, 8, 11, 16, 10, 9) .

2. Quelle est la dimension de Vect({~v1 , ~v2 , ~v3 }), le sous-espace vectoriel de R6 engendr par ~v1 ,
~v2 et ~v3 ?
3. Donner trois bases diffrentes de Vect({~v1 , ~v2 , ~v3 }).
4. Donner une combinaison linaire non triviale vrifie par ~v1 , ~v2 et ~v3 .
106
Correction.
1. On peut utiliser la mthode vue dans le cours qui consiste considrer la matrice dont les colonnes
sont formes des vecteurs ~v1 , ~v2 , ~v3 puis lchelonner :
1
0 0
1
0
1
1
1
3
2
1 0
1
2
3
8
2
2
3 4 11 3 1 3 3 1 0
.
4
2 0
2
4
6
16
4
4
0
5 0
5
0 0
5
10 0
1
3 0
1
3
1
1
4
9
C3 C3 2C2
C3 C3 C1
C2 C2 C1
On remarque que lon nobtient que deux colonnes non nulles dans la matrice chelonne. Ceci
signifie que le sous-espace vectoriel engendr par les vecteurs ~v1 , ~v2 , ~v3 est de dimension 2, par la
proposition 34. Or, on a vu la proposition 32 que le nombre de vecteurs dune famille libre est
infrieur la dimension de lespace dans lequel ils vivent. Ici, on a 3 vecteurs dans un sous-espace
de dimension 2, ils ne sauraient tre libres.
2. Nous avons tabli la question prcdente que
dim Vect({~v1 , ~v2 , ~v3 }) = 2 .
3. On peut commencer par appliquer la proposition 34 qui dit que les vecteurs colonnes non nuls
de la matrice chelonne forme une base du sous-espace engendr. On a donc que la famille
{(1, 2, 3, 4, 0, 1), (0, 1, 1, 2, 5, 3)}
forme une base de Vect({~v1 , ~v2 , ~v3 }).
Comme le sous-espace vectoriel engendr par ~v1 , ~v2 , ~v3 est de dimension 2, il sagit dun plan
vectoriel. Toute base est donc forme dune paire de vecteurs non colinaires. On a donc que
{(1, 2, 3, 4, 0, 1), (1, 3, 4, 6, 5, 4)}
forme une base de Vect({~v1 , ~v2 , ~v3 }) et que
{(1, 2, 3, 4, 0, 1), (3, 8, 11, 16, 10, 9)}
forme une base de Vect({~v1 , ~v2 , ~v3 }).
4. Les oprations lmentaires sur les colonnes nous ont montr que la troisime colonne moins
deux fois la deuxime moins la premire donnait la colonne nulle. Ce qui se traduit en terme de
vecteurs par :
~v3 2~v2 ~v1 = ~0 .
Exercice
36 (R4 ).
On considre la famille suivante de vecteurs de R4 :
A := {(1, 2, 3, 1), (2, 1, 3, 1), (1, 1, 2, 3), (1, 1, 3, 2), (3, 2, 5, 4)} .
1. Cette famille est-elle libre ?
2. Quelle est la dimension de Vect(A), le sous-espace vectoriel de R4 engendr par A ?
3. Donner deux bases diffrentes de Vect(A).
4. Donner une combinaison linaire non triviale dlments de A.
107
Correction.
1. La famille de vecteurs A nest pas libre car elle contient strictement plus de vecteurs que la dimension de lespace vectoriel dans lequel elle est. (On a appliqu la proposition 32.)
2. On utilise toujours la mme mthode qui consiste considrer
sont formes des vecteurs de A puis lchelonner :

1 0 0
1 2 1 1 3
2 1 1 1 2 1 1 0

MA =
3 3 2 3 5 2 1 1
3 5 1
1 1 3 2 4
la matrice MA dont les colonnes

0
0
0
1
0
0
.
0
0
Comme on obtient une matrice chelonne forme de 4 vecteurs colonnes non nuls, on en dduit,
par la proposition 34, que la dimension du sous-espace vectoriel engendr par la famille A est 4,
dim Vect(A) = 4 .
3. Encore une fois, on utilise la proposition 34 qui affirme que les vecteurs colonnes de la matrice
chelonne forment une base de Vect(A), cest--dire ici
{(1, 1, 2, 3), (0, 1, 1, 5), (0, 0, 1, 1), (0, 0, 0, 1)}
est une base de Vect(A).
Les vecteurs
{(1, 2, 3, 1), (0, 1, 1, 5), (0, 0, 1, 1), (0, 0, 0, 1)}
appartiennent Vect(A) et leur matrice associe est chelonne. Ils forment donc une autre base
de Vect(A).
4. Les oprations lmentaires par colonnes ont montr que
~v5 = ~v2 + ~v3 ,
relation que lon peut aussi vrifier la main.
Exercice 37 (Sous-espaces vectoriels de R ).

On appelle U le sous-espace vectoriel de R4 engendr par les vecteurs suivants :
~u1 := (1, 2, 1, 3),
~u2 := (2, 4, 1, 2) et ~u3 := (3, 6, 3, 7) .
On appelle W le sous-espace vectoriel de R4 engendr par les vecteurs suivants :

w
~ 1 := (1, 2, 4, 11) et w
~ 2 := (2, 4, 5, 14) .
1. Quelle est la dimension de W ?
2. Montrer que U = W .
3. En donner deux bases diffrentes.
Correction.
1. Comme les deux vecteurs w
~ 1 et w
~ 2 ne sont pas colinaires. Ils sont libres ; ils engendrent donc
un sous-espace vectoriel de dimension 2,
dim W = 2 .
2. On commence par remarquer que les vecteurs w
~ 1 et w
~ 2 appartiennent U grce aux relations
suivantes
w
~ 1 = 3~u1 ~u2
et w
~ 2 = 4~u1 ~u2 .
(On peut aussi utiliser la base {~v1 := (1, 2, 1, 3), ~v2 := (0, 0, 3, 8)} de U trouve dans le cours
et remarquer que
w
~ 1 = ~v1 ~v2 et w
~ 2 = 2~v1 ~v2 .)
108
On en dduit que W U . Or, dans le cours, nous avons vu que dim U = 2. Comme les deux
sous-espaces vectoriels U et W sont de mme dimension, on en conclut quils sont gaux
U =W .
3. Comme il sagit dun sous-espace vectoriel de dimension 2, toute paire de vecteurs non colinaires
en forme une base. Par exemple, les familles
{~u1 , ~u2 } ,
{~v1 , ~v2 }
forment des bases de U = W .
et
{w
~ 1, w
~ 2}
Exercice 38 (Polynmes II).

On considre la famille suivante de polynmes
F := {1 + X + X 2 + X 3 , 1 X X 3 , 1 X 2 X 3 , 3 X 3 }
1. Cette famille est-elle gnratrice dans lespace-vectoriel R3 [X] des polynmes de degr infrieur ou gal 3 ?
2. Cette famille est-elle libre dans R3 [X] ?
3. Cette famille est-elle libre dans R[X] ?
4. Donner deux bases du sous-espace Vect(F) engendr par la famille F.
5. Complter ces bases de Vect(F) en des bases de R3 [X].
Correction.
1. On utilise la base canonique {X 3 , X 2 , X, 1} de R3 [X] dans laquelle on crit les lments de F
pour se ramener un problme dans R4 . Ceci donne la famille
{(1, 1, 1, 1), (1, 0, 1, 1), (1, 1, 0, 1), (1, 0, 0, 3), }
4
de R . La matrice de vecteurs colonnes correspondante est donc
1 1 1 1
1
0 1
0
.
1 1
0
0
1
1
1
3
Elle admet pour matrice chelonne quivalente par colonne la matrice suivante

1 0 0 0
1 1 1 1
1
0 1
0
1 1 0 0 .
1 1
0
0
1 0 1 0
1
1
1
3
1 2 2 0
Par la proposition 34, on en dduit que la famille F engendre un sous-espace vectoriel de dimension 3 et non 4 = dim R3 [X]. Cette famille nest donc pas gnratrice.
2. La famille F contient 4 vecteurs et engendre un sous-espace vectoriel de dimension 3. La proposition 32 montre quelle ne peut pas tre une famille libre.
3. Le fait de considrer la famille F dans R3 [X] ou dans lespace plus gros R[X] de tous les
polynmes ne change rien au fait quelle nest pas libre. Daprs la question prcdente, il existe
dans R3 [X] une combinaison linaire non triviale entre les vecteurs de F. Cette combinaison
linaire non triviale est toujours vrifie dans R[X]. Donc la famille F nest pas libre dans R[X].
4. Daprs la proposition 34, on sait que les vecteurs colonnes de la matrice chelonne, interprts,
dans R3 [X] forment une base de Vect(F). On a donc que la famille
{X 3 + X 2 + X + 1, X 2 + 2, X + 2}
forme une base de Vect(F).
109
Les oprations lmentaires sur les colonnes montrent que lon a obtenu ces trois vecteurs uniquement partir des trois premiers vecteurs de la matrice, le quatrime scrivant comme combinaison
linaire des trois premiers. On en dduit donc que les trois premiers vecteurs, interprts dans
R3 [X], i.e.
{1 + X + X 2 + X 3 , 1 X X 3 , 1 X 2 X 3 } ,
forme une base de Vect(F).
5. La forme de la matrice chelonne montre quil suffit dajouter un polynme constant non nul
aux deux familles prcdentes pour obtenir deux bases de R3 [X] :
{X 3 + X 2 + X + 1, X 2 + 2, X + 2, 1}
et
{1 + X + X 2 + X 3 , 1 X X 3 , 1 X 2 X 3 , 1} .

Montrer que les deux sous-espaces vectoriels de R3
U := {(x, y, z) R3 | x + y + z = 0} et V := Vect({(2, 0, 0)})
sont en somme directe.
Correction. Il suffit de montrer que lintersection entre U et V se rduit au vecteur nul. Les
lments de V sont les vecteurs colinaires (2, 0, 0), cest--dire les vecteurs de la forme (2, 0, 0)
avec R. Ils vrifient lquation x + y + z = 0 de U si et seulement si 2 + 0 + 0 = 0, ce qui impose
= 0.
Donc, U V = {~0}, i.e. U et V sont en somme directe .
Exercice
40 (Fonctions paires et impaires).
Dans lespace vectoriel F des applications de R vers R, on considre les deux sous-espaces
vectoriels forms respectivement des fonctions paires f (x) = f (x) et impaires f (x) = f (x) :
P := {f : R R | f paire} et I := {f : R R | f impaire} .
Montrer que P I = F .
Correction. On commence par montrer que les deux sous-espaces vectoriels P et I sont en
somme directe. Soit f une fonction la fois paire f (x) = f (x) et impaire f (x) = f (x). Elle
vrifie f (x) = f (x) = f (x), donc 2f (x) = 0 puis f (x) = 0, pour tout x R. On en conclut que
P I = {fonction partout nulle} .
On montre ensuite que la somme de P avec I engendre tout lespace des fonctions de R vers R.
Pour cela, on remarque que toute fonction f scrit sous la forme
f (x) =
f (x) + f (x) f (x) f (x)

+
,
2
2
|
{z
} |
{z
}
p(x)
i(x)
o p est une fonction paire p(x) = p(x) et o i est une fonction impaire i(x) = i(x).
Rus non ?
Au final, on a montr
P I =F .
110
Exercice 41 (Supplmentaire).
On se place dans le plan R2 . On considre la droite vectorielle dquation
D := {(x, y) R2 | 2x + y = 0} .
1. Trouver un supplmentaire de D dans R2 .
2. Est-il unique ? Sinon, combien y en a-t-il ?
Correction.
1. La droite des abscisses est un supplmentaire de D : son intersection avec D est rduite au vecteur nul ~0 et sa somme avec D engendre tout le plan R2 . Dit autrement, tout vecteur du plan
scrit de manire unique comme un vecteur de D et dun vecteur horizontal.
2. En fait, toute droite vectorielle du plan, diffrente de D, en est un supplmentaire par les mmes
arguments.
Exercice 42 (Projections).
Dans lespace R3 , on considre la droite D dquations
D := {(x, y, z) R3 | 3x + y z = 0; x + 2y + z = 0}
et le plan P dquation
P := {(x, y, z) R3 | x + y 2z = 0} .
1. Montrer quils sont supplmentaires lun de lautre dans R3 .
D
2. Donner lexpression des projections projP
D sur D paralllement P et projP sur P paralllement D.
Correction.
1. Soit (x, y, z) un vecteur appartenant D et P . Alors il vrifie le systme dquations suivant
3x + y z = 0
x + 2y + z = 0
x + y 2z = 0 .
En faisant la diffrence entre la deuxime et la troisime quation, on trouve y = 3z. Ceci
donne

3x 4z = 0
x 5z = 0 ,
puis x = 5z et 11z = 0. Do, seule la solution (0, 0, 0) vrifie ce systme, cest--dire
D P = {~0} .
On sait que la droite D est de dimension 1 et que le plan P est de dimension 2. Comme D
et P sont en somme directe, la proposition 37 affirme que
dim(D P ) = dim D + dim P = 1 + 2 = 3 .
Donc, D P = R3 et D et P sont supplmentaires lun de lautre.
2. La question prcdente dmontre que tout vecteur de w
~ R3 scrit de manire unique comme
la somme w
~ = ~u + ~v dun vecteur ~u de D et dun vecteur ~v de P . crivons explicitement une
telle dcomposition : soit w
~ = (x, y, z) et cherchons ~u = (a, b, c) et ~v = (, , ) tels que
x=a+
y =b+
z =c+ .
Lquation de P , vrifie par ~v , est + 2 = 0 et elle donne
a + b 2c = x + y 2z .
111
Avec les deux quations de D vrifies par
3a + b c
a + 2b + c
a + b 2c
~u, on obtient le systme suivant

= 0
= 0
= x + y 2z .
En sommant les deux premires et en sommant deux fois la deuxime avec la dernire, on obtient
4a + 3b = 0
3a + 5b = x + y 2z
a + b 2c = x + y 2z .
On multiplie la premire par 3 et la deuxime
12a + 9b =
12a + 20b =
a + b 2c =
par 4 pour arriver

0
4(x + y 2z)
x + y 2z .
La diffrence entre la deuxime et la premire permet de trouver b

b=
4
(x + y 2z) ,
11
puis a
a=
3
(x + y 2z) ,
11
et enfin c
5
(x + y 2z) .
11
Les coordonnes (, , ) du vecteur ~v sont donc

3
6
4
7
8
5
5
1
14
x + y z, x + y + z, x + y + z .
(, , ) =
11
11
11
11
11
11 11
11
11
c=
Au final, la projection projP

~ sur le vecteur ~u,
D sur D paralllement P envoie le vecteur w
soit
R3 D

3
4
5
(x, y, z) 7 11
(x + y 2z), 11
(x + y 2z), 11
(x + y 2z)
et la projection projD
~ sur le vecteur ~v , soit
P sur P paralllement D envoie le vecteur w
R3
(x, y, z) 7
P
14
11 x
3
11 y
6
4
11 z, 11 x
7
11 y
8
5
11 z, 11 x
5
11 y
1
11 z
CHAPITRE 3
APPLICATIONS LINAIRES
De manire gnrale en mathmatiques, cest ltude des applications entre objets qui nous intressent le plus, par exemple, parce quelles nous donne des informations sur les objets eux-mmes.
Nous avons vu au premier chapitre la notion dapplication entre deux ensembles et le deuxime
chapitre a mis au jour la notion despace vectoriel. Dans ce chapitre nous tudierons la bonne
notion dapplication entre espaces vectoriel : les applications linaires.
3.1. Dfinition
Comme un espace vectoriel est la donne dun ensemble et de deux lois, on tudie les applications
ensemblistes entre deux espaces vectoriels qui respectent la somme des vecteurs et la multiplication
par les scalaires. Plus prcisment, cela correspond la dfinition suivante.
Dfinition (Application linaire). Soient (U, +U , .U ) et (V, +V , .V ) deux espaces vectoriels.
Une application f : U V est dite linaire si

f ~u1 +U ~u2 = f ~u1 +V f ~u2 ,
f ( .U ~u) = .V f (~u) ,
pour tout ~u1 , ~u2 , ~u U et R. On les appelle aussi des morphismes, voire des homomorphismes.
Remarque. Ces deux conditions sont quivalentes au seul fait que lapplication f prserve les
combinaisons linaires de deux vecteurs

f 1 . ~u1 + 2 . ~u2 = 1 . f ~u1 + 2 . f ~u2 (1) .
Ceci est encore quivalent au fait que f prserve nimporte quelle combinaison linaire

f 1 . ~u1 + + n . ~un = 1 . f ~u1 + + n . f ~un .
Il est facile de voir que toute application linaire envoie le vecteur nul de U sur le vecteur nul
de V :

f ~0U = ~0V .
1. Lorsque le contexte est vident, on note simplement les lois de U et de V par + et par . pour simplifier
les notations.
114
CHAPITRE 3. APPLICATIONS LINAIRES
Exemples.
Les applications de la forme

R R
x 7 ax
avec a R sont linaires. En effet, a(x + y) = (ax) + (ay). Ce sont dailleurs les seules
applications linaires de R dans R.
Toute matrice A Mn,m donne naissance une application

f A : Rm Rn
X
7 AX ,
o la multiplication AX de la
a1,1 a1,m
..
..
..
.
.
.
an,1 an,m
matrice A par le vecteur colonne X est

a1,1 x1 + + a1,m xm
x1
..
..
. =
.
an,1 x1 + + an,m xm
xm
qui est linaire car la multiplication des matrices lest :

A(X + Y ) = AX + AY
et A(X) = (AX) .
Toute application linaire Rm dans Rn est de cette forme, voir ci-dessous !

Nous avions dj vu une application linaire au chapitre prcdent : lapplication coordonnes dans une base B = {~b1 , . . . , ~bn }

coordB :
V
Rn
~u = 1~b1 + + n~bn 7 (1 , . . . , n ) .
Dans lautre sens, lapplication combinaison linaire

clB :
Rn
V
(1 , . . . , n ) 7 1~b1 + + n~bn .
est aussi linaire. Notez que ces deux applications sont bijectives et inverses lune de lautre.
Pour toute dcomposition dun espace vectoriel en somme directe de deux sous-espaces vectoriels W = U V , les deux projections projVU et projU
V sur U paralllement V et sur V
paralllement U sont des applications linaires.
Pour tout espace vectoriel V , lapplication identit

idV : V V
~v 7 ~v .
est manifestement linaire.

Contre-exemple.
Lapplication
R R
x 7 x + 2
nest pas linaire, par exemple, parce que limage de 0 nest pas 0.
Lapplication

R R
x 7 x2
nest pas linaire. Certes limage de 0 est bien 0 mais elle ne respecte ni la somme
(x + y)2 = x2 + 2xy + y 2 6= x2 + y 2 ,
3.1. DFINITION
115
ni la multiplication par les scalaires

(x)2 = 2 x2 6= x2 .
La proposition suivante va nous rendre ltude des applications linaires beaucoup plus facile
que celle des applications quelconques. Elle affirme quune application linaire est compltement
caractrise pour limage des vecteurs dune base, cest--dire une toute petite donne.
Proposition 42. Soit B = {~u1 , . . . , ~um } une base de U et soit F = {~v1 , . . . , ~vm } une famille
de V , il existe une unique application linaire f : U V qui envoie la famille B sur la famille
F :
f (~ui ) = ~vi , pour tout 1 6 i 6 m .
Dmonstration. La dmonstration permet de comprendre ce qui se passe. On cherche dcrire
limage f (~x) de tout lment ~x U par la fonction f . Comme B est une base, on peut dcomposer
~x de manire unique comme combinaison linaire dessus : ~x = 1 ~u1 + + m ~um . Ensuite, on
utilise le fait que lapplication f est linaire, cest--dire
f (~x) = f (1 ~u1 + + m ~um ) = 1 f (~u1 ) + + m f (~um ) = 1~v1 + + m~vm ,
et le tour est jou : lapplication f existe et est unique.
En utilisant cette proprit, on peut montrer que toutes les applications linaires entre puissances de R sont de forme matricielle.
Thorme 43. Toute application linaire f : Rm Rn est de la forme

f = fA : Rm Rn
X
7 AX ,
o la matrice A Mn,m est compose en colonnes des images par f des vecteurs

0
1
..
0
.

.. , . . . ,
0
.
1
0
de la base canonique de Rm , cest--dire :

A = f

..
, . . . , f . .
0
0
1
1
0
..
.
Dmonstration. La dmonstration est similaire la prcdente. Si on appelle

1
0
..
.
~e1 = . , . . . , ~em =
..
0
0
1
x1
la base canonique de Rm , alors tout vecteur X = ... scrit X = x1~e1 + + xm~em dans
xm
cette base. Donc son image par lapplication linaire f est
f (X) = f (x1~e1 + + xm~em ) = x1 f (~e1 ) + + xm (~em ) .
116
a1,i
Si on note les vecteurs images f (~ei ) = ... , alors limage de tout vecteur X vaut
an,i
f (X)
=
=
x1 f (~e1 ) + + xm f (~em )
a1,1 x1 + + a1,m xm
a1,m
a1,1
..
x1 ... + + xm ... =
= AX .
.
an,1 x1 + + an,m xm
an,m
an,1
On note lensemble des applications linaires entre les deux espaces vectoriels U et V par
Hom(U , V ) := {f : U V | f linaire}
Attention
(2)

. La prochaine proposition va vous faire bien rflchir ; prenez de laspirine.
Proposition 44. Lensemble (Hom(U , V ), +, .) des applications linaires entre deux espaces
vectoriels fixs, muni de la somme et de la multiplication des scalaires des fonctions, est un espace
vectoriel.
Dmonstration. Il suffit de montrer que cest un sous-espace vectoriel de lespace vectoriel de
toutes les applications partant de lensemble U et arrivant dans lespace vectoriel V . En fait, la
somme de deux applications linaires est encore une application linaire
(f + g)(1 ~u1 + 2 ~u2 )
f (1 ~u1 + 2 ~u2 ) + g(1 ~u1 + 2 ~u2 )
= 1 f (~u1 ) + 2 f (~u2 ) + 1 g(~u1 ) + 2 g(~u2 )

= 1 (f + g)(~u1 ) + 2 (f + g)(~u2 ) .
Et la multiplication dune application linaire par un scalaire donne encore une application linaire.
Remarque
. Notez la mise en abyme (3) : on part de deux espaces vectoriels, on considre les applications entre eux et cela forme un nouvel espace vectoriel ! Prenez le temps de digrer
cela. Dis plus simplement, cette proposition affirme que toute combinaison linaire dapplications
linaires est encore une application linaire.
Poursuivons ltude des oprations possibles sur les applications linaires avec la composition.
Soit W un troisime espace vectoriel. On peut composer toute paire dapplications linaires de U
vers V et de V vers W respectivement :
U
/V
/W .
5
gf
Proposition 45. La compose g f de deux applications linaire f et g est encore une application linaire.
2. Dans la littrature, on trouve aussi L(U , V ).
3. Se dit lorsque dans une oeuvre est fait rfrence loeuvre elle-mme. Par exemple, lorsque dans un film on
parle de ce film comme dans La folle histoire de lespace de Mel Brooks, ou comme dans certains tableaux de
Magritte.
3.2. NOYAU ET IMAGE
117
Exemple. Si les espaces vectoriels en question sont des puissances de R, i.e. U = Rm , V = Rn

et W = Rp , alors on sait que les applications linaires sont ncessairement matricielles par le
thorme 43.
fA
Rm
/ Rn
/ 5 Rp
fB
fB fA =fAB
/ AX
/ ABX .
La compose de la multiplication par une matrice A puis par une matrice B est bien une application
linaire puisquelle est gale la multiplication par la matrice produit AB.
Nous venons de considrer trois oprations qui prservent les applications linaire : la somme,
la multiplication par un scalaire et la composition. Entre elles, elle vrifie la proprit suivante.
Proposition 46. La composition des applications dfinit une application
Hom(U , V ) Hom(V , W )
(f, g)
7
Hom(U , W )
gf
qui est bilinaire, cest--dire quelle est linaire gauche et droite :

(1 f1 + 2 f2 ) g =
f (1 g1 + 2 g2 ) =
1 (f1 g) + 2 (f2 g) ,
1 (f g1 ) + 2 (f g2 ) .
Interprtation
. Si on rsume, on a que lensemble des applications linaires entre
espaces vectoriels est encore un espace vectoriel et que la composition des applications linaires
dfinit une application bilinaire. Que de mises en abyme ! On pourrait continuer ce triturage
intellectuel, mais on va arrter les frais ici. Tout ceci vous montre la richesse de la notion despace
vectoriel.
3.2. Noyau et image

On va maintenant tudier comment se comporte les applications linaires vis--vis des sousespaces vectoriels.
Proposition 47. Soit f : U V une application linaire.
Pour tout sous-espace vectoriel U 0 de U , son image par f
f (U 0 ) = {f (~u) V | ~u U 0 }
est un sous-espace vectoriel de V .
Pour tout sous-espace vectoriel V 0 de V , son image rciproque par f
f 1 (V 0 ) = {~u U | f (~u) V 0 }
est un sous-espace vectoriel de U .
Exemples. Dans lespace E , considrons la projection projD
P sur le plan horizontal P paralllement la droite verticale D.
118
Soit U 0 un plan vertical. Sa projection par projD

P sur le plan horizontal est une droite vectorielle, cest--dire bien un sous-espace vectoriel du plan horizontal.
Soit V 0 une droite vectorielle du plan horizontal. Son image rciproque par la projection
projD
P est le plan vertical quelle dfinit. Il sagit bien dun sous-espace vectoriel de lespace
E.
On va sintresser plus particulirement au deux cas extrmes suivants U 0 = U et V 0 = {~0}.
Dfinition (Image et noyau).
Limage dune application linaire f : U V est le sous-espace vectoriel du but dfini par
Imf := f (U )
Le noyau dune application linaire f : U V est le sous-espace vectoriel de la source dfini

par

Kerf := f 1 {~0} .
Exemples.
Soient U et V deux droites vectorielles distinctes du plan P. On considre la projection
projVU sur U paralllement V .
119
3.2. NOYAU ET IMAGE
Dans ce cas, limage de la projection est la droite U et le noyau de la projection est la

droite V .
Soit une application linaire entre des puissances de R
fA : Rm
X
Rn
7
AX ,
o A est une matrice de Mn,m . On appelle ~c1 , . . . , ~cm les

colonnes de la matrice A :
a1,m
a1,1
..
..
~c1 := . , . . . , ~cm := .
m vecteurs de Rn donnes par les
n
R .
An,m
an,1
Limage de lapplication fA est le sous-espace vectoriel de Rn engendr par les ~c1 , . . . , ~cm :
Im fA = Vect(~c1 , . . . , ~cm ) .
En effet, les lments de limage
x1
fA (X) = fA ... = x1
xm
de fA sont les lments de
a1,1
a1,m
.. + + x ..
m
.
.
an,1
la forme
= x1~c1 + + xm~cm .
an,m
Le noyau de lapplication fA est le sous-espace vectoriel de Rm form par les vecteurs dont
les coordonnes sont solutions du systme de n quations linaires m inconnues :
a1,1 x1 + + a1,m xm = 0 ,
..
.
an,1 x1 + + an,m xm = 0 .
En effet, par dfinition, on a Ker fA = {X Rm | AX = 0}.
Interprtation
. On commence ici voir lintrt de la thorie des espaces vectoriels :
on vient dinterprter les braves solutions de systmes dquations linaires comme un sous-espace
vectoriel particulier, le noyau dune application linaire matricielle. On peut donc sattendre ce
que la suite du cours nous donne de nouveaux outils pour rsoudre ce genre de question ...
Thorme 48. Soit f : U V une application linaire.
Lapplication f est surjective si et seulement si Imf = V . On dit alors que cest un pimorphisme et on note f : U V .
Lapplication f est injective si et seulement si Kerf = {~0}. On dit alors que cest un monomorphisme et on note f : U V .
Lapplication f est bijective si et seulement si Imf = V et Kerf = {~0}. On dit alors que cest
=
un isomorphisme et on note f : U
V.
Exemples.
Dans tout espace vectoriel dcompos sous la forme W = U V , la projection
projVU : W U
sur U est un pimorphisme mais pas un monomorphisme car V 6= {~0}.
Les deux applications coordonnes et combinaison linaire dans une base sont des isomorphismes, inverses lun de lautre :
coordA = clA 1
et
clA = coordA 1 .
120
En pratique
. Notez la puissance pratique de ce rsultat. Lorsque lon veut montrer
quune application est injective, nous avons vu quil fallait compter le nombre dantcdents pour
chaque lment du but. Dans le cas o lapplication est linaire, il suffit juste de vrifier que le
seul antcdent du vecteur nul (du but) est le vecteur nul (de la source) ! conome, non ?
Proposition 49. Lorsquune application linaire f : U V est bijective, alors son application rciproque f 1 : V U est linaire.
Exemple. Nous verrons plus loin que si une application linaire matricielle fA : Rm Rn est
bijective, alors cela force les dimensions tre gales : n = m. La fonction rciproque est encore
matricielle, par le thorme 43, cest--dire (fA )1 = fB , o BA = AB = I. La matrice B est
linverse de la matrice A, cest--dire B = A1 . Au final, ceci se rsume en
(fA )1 = fA1 .

Exercice 43 (Drivation).
Dans lespace vectoriel R[X] des polynmes, on considre lapplication drivation suivante

der : R[X] R[X]
P = a0 + a1 X + + an X n 7 P 0 = a1 + 2a2 X + + nan X n1 .
1. Lapplication der est-elle linaire ?
2. Dcrire son image Im der. Cette application est-elle un pimorphisme ?
3. Dcrire son noyau Ker der. Cette application est-elle un monomorphisme ?
4. Lapplication der est-elle un isomorphisme ?
Exercice 44 (Dcalage).
Dans lespace vectoriel R[X] des polynmes, on considre lapplication dcalage suivante

dec : R[X] R[X]
P (X) 7 P (X + 1) .
1. Lapplication dec est-elle linaire ?
2. Dcrire son image Im dec. Cette application est-elle un pimorphisme ?
3. Dcrire son noyau Ker dec. Cette application est-elle un monomorphisme ?
4. Lapplication dec est-elle un isomorphisme ?
5. Si oui, dcrire son application linaire rciproque.
Exercice 45 (Application linaire matricielle).

Dans lespace vectoriel R3 , on note E := {e~1 , e~2 , e~3 } la base canonique
~e1 := (1, 0, 0),
~e2 := (0, 1, 0),
~e3 := (0, 0, 1) .
On considre la famille F := {f~1 , f~2 , f~3 } dfinie par

f~1 := (1, 0, 1),
f~2 := (0, 1, 2),
f~3 := (2, 1, 1) .
Il existe une unique application linaire f : R3 R3 qui envoie

~e1 7 f~1 ,
~e2 7 f~2 ,
~e3 7 f~3 .
3.2. NOYAU ET IMAGE
121
1. Montrer que cette application linaire est de la forme

f : R3 R3
X 7 AX ,
2.
3.
4.
5.
6.
7.
o A M3 (R) est une matrice 3 3 que lon explicitera.

Dcrire limage Imf de f et en donner une base.
Lapplication f est-elle un pimorphisme ?
Dcrire le noyau Kerf de f .
Lapplication f est-elle un monomorphisme ?
Lapplication f est-elle un isomorphisme ?
Si oui, dcrire lapplication rciproque.
Proposition 50. Soit f : U V une application linaire.

Lapplication f est un pimorphisme si et seulement si, pour toute toute famille gnratrice
A = {~a1 , . . . , ~an } de U , son image f (A) = {f (~a1 ), . . . , f (~an )} par f est une famille gnratrice de V .
Lapplication f est un monomorphisme si et seulement si, pour toute toute famille libre
A = {~a1 , . . . , ~an } de U , son image f (A) = {f (~a1 ), . . . , f (~an )} par f est une famille libre de
V.
Lapplication f est un isomorphisme si et seulement si, pour toute toute base A = {~a1 , . . . , ~an }
de U , son image f (A) = {f (~a1 ), . . . , f (~an )} par f est une base de V .
En pratique
. On se servira, bien sur, plus souvent de limplication directe (de la
gauche vers la droite) qui se lit respectivement : un pimorphisme prserve les familles gnratrices,
un monomorphisme prserve les familles libres et un isomorphisme prserve les bases.
Exemples.
Dans lespace E , reprenons lexemple de la projection projD
P sur le plan horizontal P paralllement la droite verticale D. La projection sur le plan horizontal dune famille gnratrice
de E donne une famille gnratrice du plan P .
Mais, la projection dune base de E donne une famille de trois vecteurs du plan qui nest
jamais libre. La projection est bien un pimorphisme mais pas un monomorphisme.
Considrons linclusion du plan P dans lespace E , par exemple comme tant le plan horizontal.
122
Toute famille libre du plan P reste une famille libre lorsquelle est vue dans lespace E .
Par contre, une famille gnratrice du plan P nengendre pas plus que le plan horizontal de
lespace E ; elle perd donc la proprit dtre gnratrice par linclusion. Au final, linclusion
est un monomorphisme mais pas un pimorphisme.
Corollaire 51. Si deux espaces vectoriels sont isomorphes, alors ils ont la mme dimension.
Dmonstration. Cest une consquence directe de la dernire assertion de la proposition 50 :
un isomorphisme envoie une base sur une base. Donc les bases de la source et du but ont le mme
nombre dlments.
Remarque. La rciproque est aussi vraie : deux espaces vectoriels de mme dimension (finie)
sont isomorphes.
3.3. Rang
On va maintenant tudier le comportement des applications linaires vis--vis des dimensions.
Dfinition (Rang). Le rang dune application linaire f est la dimension de son image
rg f := dim Imf .
Exemple. Considrons le cas des applications linaires fA : Rm Rn entre puissances de R.
Nous avons vu prcdemment que limage de fA tait le sous-espace vectoriel de Rn engendr par
les vecteurs colonnes de la matrice A, Im fA = Vect(~c1 , . . . , ~cm ). Le rang de lapplication fA est
donc la dimension de ce sous-espace. Il est gal au nombre de colonnes non nulles dans la matrice
chelonne ; cest donc le rang de la matrice A.
Proposition 52. Pour toute application linaire f : U V , on a rg f 6 dim V avec galit
si et seulement si f est un pimorphisme.
Le thorme fondamental suivant relie le rang dune application linaire la dimension de sa
source.
Thorme 53 (du rang). Toute application linaire f : U V depuis un espace vectoriel
U de dimension finie vrifie
dim U = dim Kerf + rg f .
Dmonstration. La dmonstration est simple et permet dillustrer comment on utilise la notion
de supplmentaire pour dcomposer un espace vectoriel.
Le noyau de f est un sous-espace vectoriel de la source U . Il admet donc (au moins) un supplmentaire : U = Ker f S. On considre la restriction
fe : S Im f
de f la source S et au but limage de f . Comme Ker f et S sont en somme directe, Ker f S =
{~0}, alors le noyau de fe est rduit au vecteur nul et fe est injective. Il est facile de voir que limage
123
3.3. RANG
de fe est gale limage de f . Donc, lapplication fe est un isomorphisme. Le corollaire 51 implique

que les dimensions de S et de Im f sont gales, cest--dire
rg f = dim U dim Kerf .
Exemple. Dans lespace E de dimension 3, reprenons lexemple de la projection = projD

P :
E P sur un plan P paralllement une droite D. Dans ce cas, Ker = D et Im = P et le
thorme du rang donne
dim E
3
=
=
dim Ker
1
+
+
rg
2.

Exercice 46 (Sous-espace vectoriel).
On considre le sous-ensemble de R4 dfini par
F := {(x, y, z, t) R4 | 2x y = 0, x y + t + z = 0} .
1. Montrer que F est un sous-espace vectoriel de R4 en lcrivant comme le noyau dune application linaire bien choisie.
2. Calculer la dimension du sous-espace vectoriel F .
La proposition suivante est similaire la proposition 1 du chapitre 1 qui compare les cardinaux
des ensembles source et but. Ici, comme les diffrents cardinaux sont infinis, cette notion ne nous
aide pas beaucoup. A la place, on utilise celle, plus pertinente, de dimension.
Proposition 54. Soit
dimensions finies.
Si lapplication f est
f : U V une application linaire entre deux espaces vectoriels de

un pimorphisme U V , alors dim U > dim V .
un monomorphisme U V , alors dim U 6 dim V .
un isomorphisme U V , alors dim U = dim V .
Dmonstration. Cest un corollaire direct du thorme du rang quon laisse au lecteur comme
(bon) exercice.

Attention
. La rciproque est en gnrale fausse. Cest une erreur malheureusement trop
frquente contre laquelle vous devez vous travailler. Si on vous donne une application fixe f :
U V , ce nest pas parce que la dimension de la source est suprieure celle du but que
cette application prcise f est un pimorphisme ! Lapplication nulle de R2 dans R en est un bon
exemple.
Les contraposes (4) des assertions de la proposition prcdente donnent le corollaire suivant.
Corollaire 55. Soient U et V deux
Si dim U < dim V , alors il nexiste
Si dim U > dim V , alors il nexiste
Si dim U 6= dim V , alors il nexiste
espaces vectoriels de dimensions finies.

aucun pimorphisme U V entre U et V .
aucun monomorphisme U V entre U et V .
=
aucun isomorphisme U
V entre U et V .
Dans le cas de deux espaces vectoriels de mme dimension finie, le thorme suivant montre
que toutes les situations ne peuvent pas arriver.
4. On rappelle que la contrapose dune implication logique A B est non B non A. Par exemple, la
contrapose de sil a russit son partiel, alors cest quil a travaill est sil ne travaille pas, alors il naura pas son
partiel.
124
Thorme 56. Soit f : U V une application linaire entre deux espaces vectoriels de mme
dimension finie. Les propositions suivantes sont quivalentes.
f pimorphisme f monomorphisme f isomorphisme .
Interprtation
. En gnral, quatre cas sont possibles : injectif-surjectif, non injectifsurjectif, injectif-non surjectif et non injectif-non surjectif. Or, dans le cas o les dimensions sont
les mmes et finies, alors seuls les deux cas injectif-surjectif et non injectif-non surjectif peuvent
arriver.
En pratique, si vous connaissez les dimensions de la source et du but et quelles sont gales, vous
pouvez conclure linjectivit (ou non) partir de la surjectivit (ou non) ! Cest trs puissant. Mais
attention ! Vous vous souviendrez bien que cela ne fonctionne pas si les dimensions sont diffrentes.
Considrons maintenant le cas U = V .
Dfinition (Endomorphisme et automorphisme). Une application linaire f : U U
entre le mme espace vectoriel est appele un endomorphisme. Sil est inversible, on parle dautomorphisme.
Exemple. Pour conclure, revenons lexemple des endomorphismes fA : X 7 AX de Rn .
Ils correspondent aux matrices carres Mn,n de taille n. Le thorme 56 se traduit de la manire
suivante en terme de matrices
A de rang maximal n
le systme dquations linaires AX = 0 nadmet que

la solution triviale X = 0
A est inversible .
3.4. Matrice associe une application linaire

On connait toutes les applications linaires entre puissances de R ; elles sont donnes par multiplication matricielle. Dautre part, la calcul matriciel simple nous permet dtudier toutes les
proprits de ces applications linaires (rang, noyau, surjectivit, injectivit, etc.). Pour toute
application linaire f : U V , il serait donc trs intressant de pouvoir se ramener ce cas.
Pour cela, il suffit de choisir une base A = {~u1 , . . . , ~um } de U et une base B = {~v1 , . . . , ~vn }
de V . On peut alors identifier lespace U Rm et lespace V Rn grce aux isomorphismes
coordonnes et combinaison linaire".
f
UO
clA
coordA

Rm
fM
/V
O
clB
coordB

/ Rn
La compose coordB f clA est une application linaire de Rm vers Rn ; elle est donc de la forme
matricielle fA : X 7 AX, avec A Mn,m .
Dfinition (Matrice associe une application linaire). La matrice de lapplication linaire f : U V dans les bases A et B est la matrice dont les colonnes sont composes des
coordonnes dans la base B des images des vecteurs de la base A.

MatB,A (f ) := [f (~u1 )]B , . . . , [f (~um )]B .
Si on note ces coordonnes par
f (~u1 ) = a1,1~v1 + + an,1~vn ,
...
, f (~um ) = am,1~v1 + + an,m~vn
3.4. MATRICE ASSOCIE UNE APPLICATION LINAIRE
125
alors la matrice reprsentant lapplication linaire f dans les bases A et B est
a1,1 a1,m
.. .
..
MatB,A (f ) = ...
.
.
an,1 an,m
En pratique
. Pour ne pas faire derreur et bien vous souvenir de la dfinition, nhsitez pas crire en bas des colonnes les vecteurs reprsents et droite de la matrice la base B
de V . Cela donne
a1,2
a1,m
~v1
a1,1
a2,1
a2,2
a2,m
~v2
..
.
..
.
..
..
.
..
.
an,1
an,2
an,m
~vn
f (~u1 )
f (~u2 )
f (~um )
Exemples.
La matrice de lapplication identit id : U U
... identit !
1 0
0 1
MatA,A (id) = . .
.. ..
0
projD
P
dans nimporte quelle base A est la matrice
0
0
. =I .
..
. ..
1
Dans R , on considre la projection

: R P sur le plan horizontal P paralllement
la droite verticale D. Les images des vecteurs de la base canonique B = {~e1 , ~e2 , ~e3 } sont
projD
e1 ) = ~e1 , projD
e2 ) = ~e2 et projD
e3 ) = ~0 .
P (~
P (~
P (~
Donc la matrice de cette projection dans la base canonique B de R3 et la base canonique
{~e1 , ~e2 } de P est
1
0
0
~e1
0
f (~e1 )
f (~e2 )
f (~e3 )
~e2
Cette matrice MatB,A (f ) que nous venons de dfinir rpond positivement la question de
dpart.
Proposition 57. La compose coordB f clA est lapplication linaire matricielle fA : Rm
Rn dfinie par la matrice A = MatB,A (f ) reprsentant lapplication f dans les bases A et B.
On peut maintenant lire toutes les proprits de lapplication linaire f sur la matrice MatB,A (f ).
Exercice 47 (Drivation bis).

On reprend les notations de lexercice 43. Dans lespace vectoriel R3 [X] des polynmes de degr
infrieur ou gal 3, on considre lapplication linaire drivation suivante

der : R3 [X] R3 [X]
P
7 P 0 .
1. crire la matrice MatB,B (der) de lapplication linaire der dans la base B := {1, X, X 2 , X 3 }.
126
2. En utilisant la matrice MatB,B (der) rpondre aux questions suivantes. Lapplication linaire
der est-elle un pimorphisme ? Lapplication linaire der est-elle un monomorphisme ? Lapplication linaire der est-elle un automorphisme ?
3. Quelle est la dimension de limage de der ?
4. Quelle est la dimension du noyau de der ?
Exercice 48 (Matrice associe une application linaire).

On considre lapplication suivante

f : R3
R4
(x, y, z) 7 (x + 2y + 3z, 2x + 4y + 6z, x + y + 3z, 3x 2y 7z) .
1. Montrer que lapplication f est linaire.
2. Lapplication linaire f est-elle surjective ?
3. crire la matrice MatB4 ,B3 (f ) de lapplication linaire f dans les bases canoniques de R3 et
R4 .
4. Dcrire limage de lapplication f en utilisant la matrice MatB4 ,B3 (f ).
5. En dduire la dimension du noyau de f .
6. Dcrire le noyau de lapplication f en utilisant la matrice MatB4 ,B3 (f ).
Exercice 49 (Nombre complexe).


f : C
z 7
C
z + iz .
1. Montrer que lapplication f est R-linaire.

2. crire la matrice MatB,B (f ) de lapplication linaire f dans la base canonique B := {1, i} de
C.
3. Lapplication f est-elle un isomorphisme ?
On peut maintenant se demander quelle est la matrice qui reprsente la compose de deux
applications linaires.
f
UO
clA
clB
coordA

Rm
/V
O
fA
clC
coordB

/ Rn
/W
O
fB
coordC

4 / Rp
fA fB =fAB
Ce diagramme commutatif montre que la rponse est donne par le produit des deux matrices de
g et de f .
Proposition 58. Soient f : U V et g : V W deux applications linaires et soient A
une base de U , B une base de V et C une base de W .
La matrice reprsentant la compose g f : U W dans les bases A et C est le produit des
deux matrices qui reprsentent g et f respectivement :
MatC,A (g f ) = MatC,B (g)MatB,A (f ) .
127
Notation
. Puisque vous tes attentif-ve, vous avez dj remarqu que dans la notation MatB,A (f ) de la matrice reprsentant une application linaire, nous avons crit la base de
dpart droite et la base darrive gauche ... Cette convention sexplique par la composition
des applications qui se lit de la droite vers la gauche. Du coup, la formule prcdente donnant
la matrice de la compose de deux applications linaires peut se retenir grce une formule de
Chasles : en lisant de la droite vers la gauche, on part de la base A pour aller dans la base B par
lapplication f , puis on va de la base B la base C par lapplication g.
Exercice 50 (Composes).
Soient f et g des endomorphismes de R2 dont les matrices associes dans des bases donnes
sont

1 1
3 2
A :=
et B :=
.
2 1
5 3
Calculer les matrices reprsentant les composes f g et g f dans les mmes bases.
Nous avons vu quune application linaire matricielle fA : Rn Rn est un isomorphisme si et

seulement si la matrice A est inversible. Dans ce cas, lapplication rciproque est donne par
linverse de la matrice : (fA )1 = fA1 . Ceci donne la matrice qui reprsente la rciproque dune
application linaire, avec la proposition 58.
Proposition 59. Soit f : U V un isomorphisme et soient A une base de U et B une base
de V .
La matrice reprsentant la rciproque f 1 : V U de f dans les bases B et A est linverse de
la matrice qui reprsente f :
1
MatA,B (f 1 ) = (MatB,A (f ))

Exercice 51 (Dcalage bis).
infrieur ou gal 3, on considre lapplication linaire dcalage suivante

dec : R3 [X] R3 [X]
P (X) 7 P (X + 1) .
1. crire la matrice MatB,B (dec) de lapplication linaire dec dans la base B := {1, X, X 2 , X 3 }.
2. En utilisant la matrice MatB,B (dec), calculer limage par dec du polynme P = 2X 3 3X 2 +7.
3. Reprendre les questions de lexercice 44 avec cette reprsentation matricielle de lapplication
dec.
4. Montrer que la famille
{1, 1 + X, 1 + 2X + X 2 , 1 + 3X + 3X 2 + X 3 }
forme une base de R3 [X].
Considrons lexemple de lapplication identit id : U U mais crivons l en prenant deux

bases diffrentes B et B 0 de U .
Dfinition (Matrice de passage). On appelle matrice de passage de la base B 0 dans la base
B la matrice de lapplication identit dans les bases B et B 0 :
MatB,B0 (id) .
128
Par dfinition, la matrice de passage est compose, en colonne, des coordonnes des vecteurs de
la base B 0 dans la base B.
En pratique
. On va surtout utiliser la matrice de passage de la manire suivante. On
connait souvent une base B de lespace que lon tudie, par exemple une base canonique (5) et on
voudrait tudier les proprits dune nouvelle base B 0 . La seule manire de dfinir cette nouvelle
base est de la dfinir en coordonnes dans la premire base. Cette donne est donc quivalente la
matrice de passage. Notez que cette interprtation permet de ne pas se tromper dans lordre des
bases. En effet, il est trs naturel dcrire la nouvelle base dans lancienne alors que le problme
inverser est beaucoup plus difficile.
Application
(Changement de bases dans un mme espace vectoriel)
Lorsque lon a deux bases B (ancienne) et B 0 (nouvelle) dun mme espace vectoriel U , on
est amen chercher les coordonnes dun vecteur dans la nouvelle base partir de celles dans
lancienne. La matrice de passage apporte une solution lgante et pratique cette question.
Soit ~u = 1 ~u1 + + n ~un un vecteur de U crit dans la base B = {~u1 , . . . , ~un }. Pour trouver
les coordonnes de ~u = 01 ~u01 + + 0n ~u0n dans lautre base B 0 , il suffit de regarder son image par
lapplication identit dans la base B la source et la base B 0 au but. Or on sait que la matrice de
cette application est justement
1
MatB0 ,B (id) = (MatB,B0 (id))
Proposition 60. Les coordonnes 01 , . . . , 0n du vecteur ~u dans la base B 0 sont donnes par le
produit de la matrice colonne compose des coordonnes de ~u dans la base B avec linverse de la
matrice de passage
0
1
1
..
1 .
. = (MatB,B0 (id)) .. .
0n
Exemple. Reprenons lexercice 33 avec cette mthode.

On travaille dans lespace vectoriel

R3 [X] muni de sa base canonique B = 1, X, X 2 , X 3 . On considre la nouvelle base donne par
B 0 = 1, 1 + X, 1 + X + X 2 , 1 + X + X 2 + X 3 . La matrice de passage de la base B 0 dans la base
B est donc
1 1 1 1
0 1 1 1
MatB,B0 (id) =
0 0 1 1 .
0 0 0 1
Son inverse est gale
(MatB,B0 (id))
1
0
=
0
0
1
0
0
1 1
0
.
0
1 1
0
0
1
5. cet adjectif signifie trs naturel voire intrinsque. Attention, tous les espaces vectoriels nadmettent de telle
base.
129
Un polynme P = a0 + a1 X + a2 X 2 + a3 X 3 a donc pour coordonnes dans la nouvelle base B 0
a0 a1
a0
1 1
0
0

0
1 1
0
a1 = a1 a2 .
a2 a3
a2
0
1 1
a3
a3
0
0
0
1
Au final le polynme P scrit de la manire suivante dans la base B 0 :
P = (a0 a1 ) + (a1 a2 )(1 + X) + (a2 a3 )(1 + X + X 2 ) + a3 (1 + X + X 2 + X 3 ) .
Exercice 52 (Changement de base).

On considre la base suivante de R3
B := {(1, 0, 2), (2, 1, 1), (3, 0, 7)} .
1. crire les coordonnes dun lment (x, y, z) de R3 dans la base B.
On considre les sous-espaces vectoriels
U := V ect({(1, 0, 2)}) et V := V ect({(2, 1, 1), (3, 0, 7)}) .
2. Dcrire la projection projVU sur U paralllement V .
Application
linaire)
(Changement de base dans la matrice associe une application

Attention
. La matrice reprsentant une application linaire dpend trs fortement des
bases choisies. Si on change de bases, les coefficients de la matrice changent aussi.
Soit f : U V une application linaire et soient A et B des bases de U et de V respectivement.
Ces donnes induisent la matrice associe MatB,A (f ). On se donne maintenant deux nouvelles bases
A0 et B 0 de U et de V respectivement. Quelle est la nouvelle matrice MatB0 ,A0 (f ) reprsentant
lapplication linaire f en fonction de lancienne MatB,A (f ) ?
La compose des trois applications suivantes
U
A0
idU
/U
A
/V
B
idV
/V
B0
nest rien dautre que la fonction f mais dans les nouvelles bases. Donc la rponse est donne en
passant aux diffrentes matrices associes.
Proposition 61. La matrice reprsentant lapplication linaire f : U V dans les nouvelles
bases A0 et B 0 est donne par
MatB0 ,A0 (f ) = (MatB,B0 (id))1 MatA,A (f ) MatA,A0 (id) .
Dmonstration. Cest un corollaire direct des propositions 58 et 59.
Conseil
. Il ne faut pas avoir peur de toutes ces notations. Prenez le temps de bien
comprendre ce que lon fait. Et puis, comme nous lavons dj dit, les notations que nous avons
choisies ds le dbut fournissent un moyen pratique pour sen souvenir. Comme la composition des
fonctions, si on lit de la droite vers la gauche, la formule
MatB0 ,A0 (f ) = MatB0 ,B (id) MatB,A (f ) MatA,A0 (id) :
130
on passe de la base A0 vers la base A sans changer les lments (identit), puis on effectue lapplication f de A vers B et enfin on passe de la base B vers la base B 0 sans changer les lments.
Enfin, on change les places de B et B 0 dans la matrice de gauche au prix dinverser la matrice.
Corollaire 62. Dans le cas dun endormorphisme f : U U , si on note P := MatB,B0 (id)
la matrice de passage entre deux bases et A := MatB,B (f ) la matrice de f dans la base B, alors la
matrice de f dans la base B 0 est
MatB0 ,B0 (f ) = P 1 AP .
Exemple. On considre lapplication linaire

f : R3
R3
(x, y, z) 7 (2y z, 3x 2y, 2x + 2y + z) .
Sa matrice dans la base canonique Bcan = {~e1 = (1, 0, 0), ~e2 = (0, 1, 0), ~e3 = (0, 0, 1)} est
0
2 1
0 .
A := 3 2
2
2
1
Considrons maintenant la base
B := {~u1 = (1, 1, 1), ~u2 = (4, 3, 2), ~u3 = (2, 3, 2)} .
La matrice de passage P = MatBcan ,B (id) de la base B dans la base Bcan est donc
1
4
2
3 3 .
P = 1
1 2
2
Son inverse est
P 1
0
1
5
=
30
5
12 18
0 5 .
6 1
Au final la matrice reprsentant lendomorphisme f dans la base B est donne par le produit
0 12 18
0
2 1
0 12 18
1
5
0 5 3 2
0 5
0 5
MatB,B (f ) = P 1 AP =
30
5 6 1
2
2
1
5 6 1
1 0
0
0 .
= 0 2
0 0 4
Remarque
. Chouette rsultat, non ? En choisissant une bonne base, on a pu simplifier
drastiquement la matrice reprsentant lapplication linaire. Sous cette forme, ltude de f est
encore plus simple. La question que vous devez maintenant vous poser est : mais comment at-il fait pour trouver une si jolie base ? On vous donnera le secret de ce tour de magie dans la
section 3.6, promis.
Exercice 53 (Application linaire et changement de bases).

Soit f : R4 R3 lapplication linaire dfinie par
1
f (x, y, z, t) = (y + t x, 2x + t, x z) .
2
131
1. crire la matrice A := MatB3 ,B4 (f ) de lapplication f dans les bases canoniques de R4 et R3 .

On considre les vecteurs
~a1 := (1, 1, 0, 1), ~a2 := (1, 0, 1, 0), ~a3 := (0, 1, 1, 1), ~a4 := (1, 2, 0, 0) .
2. Montrer que A := {~a1 , ~a2 , ~a3 , ~a4 } est une base de R4 .
~b1 := (2, 0, 0), ~b2 := (0, 1, 1), ~b3 := (1, 1, 0) .
3. Montrer que B := {~b1 , ~b2 , ~b3 } est une base de R3 .
4. crire la matrice B := MatB,A (f ) de lapplication f dans ces deux bases, partir de sa
dfinition.
5. Donner les matrices de passage P et Q des bases A et B dans les bases canoniques respectivement de R4 et R3 .
6. Retrouver la matrice B directement grce aux matrices A, P et Q.
Exercice
54 (Application linaire matricielle).
cice 45. Dans lespace vectoriel R3 , on note
E := {e~1 , e~2 , e~3 } la base canonique o
e~1 := (1, 0, 0),
e~2 := (0, 1, 0),
On reprend les notations de lexer-
e~3 := (0, 0, 1) .

f~1 := (1, 0, 1),
f~2 := (0, 1, 2),
f~3 := (2, 1, 1) .
1. Montrer que F est une base de R3 .

Soit : R3 R3 lapplication linaire reprsente dans la base F par la matrice
1 1 2
B := MatF ,F () := 0 1 1 .
2 1 1
2. Donner une base de limage Im et du noyau Ker de .
3. Donner les coordonnes des vecteurs e~1 , e~2 et e~3 dans la base F.
4. En dduire les coordonns de (e~1 ), (e~2 ) et (e~3 ) dans la base F.
5. Donner enfin les vecteurs (e~1 ), (e~2 ) et (e~3 ) dans la base canonique E.
On considre la matrice reprsentant lapplication linaire dans la base canonique E :
A := MatE,E () .
6. Dcrire la matrice A.
On dnote les matrices de passage par
P := MatE,F (id) et P 1 = MatF ,E (id) .
7. Retrouver la matrice A par un calcul laide des matrices B, P et P 1 .
8. Donner la matrice reprsentant lapplication avec pour base la source E et pour base au
but F :
C := MatF ,E (f ) .
132
3.5. Trace et dterminant

On rappelle que la trace dune matrice carre
a1,1
..
..
A= .
.
an,1
a1,n
..
.
an,n
est la somme de ses coefficients diagonaux

trA := a1,1 + a2,2 + + an,n .
Exemple.
0
tr 3
2
2 1
2
0 = 0 2 + 1 = 1
2
1
Proposition 63. Pour toute paire A, B de matrice carre de mme taille, la trace vrifie
tr(AB) = tr(BA) .
Dfinition (Trace dun endomorphisme). La trace dun endomorphisme f : U U est
dfinie par la trace de la matrice associe dans une base B de U :
trf := tr MatB,B (f ) .
Le premier rflexe que vous devez avoir, en tant quapprenti-e mathmaticien-ne est : cette
notion est-elle bien dfinie ? En effet, si on prend une autre base, ne va-t-on pas trouver un autre
rsultat ?
Proposition 64. La trace dun endomorphisme ne dpend pas de la base avec laquelle on la
calcule.
Dmonstration. La dmonstration est courte et utilise les rsultats prcdents. Soit B 0 une
autre base de U et soit P := MatB,B0 (id) la matrice de passage de la base B 0 dans la base B.
Le corollaire 62 donne la matrice reprsentant lendomorphisme f dans la base B 0 . Au final, en
utilisant la proposition 63, cela donne
tr MatB0 ,B0 (f ) = tr(P 1 MatB,B (f )P ) = tr(P P 1 MatB,B (f )) = tr MatB,B (f ) .
Exemple. Reprenons lexemple de lapplication linaire dcalage des polynmes

dec : R3 [X] R3 [X]
P (X) 7 P (X + 1) .
Sa matrice dans la base canonique B = {1, X, X 2 , X 3 }
1 1
0 1
MatB,B (dec) =
0 0
0 0
est
1
2
1
0
1
3
.
3
1
On peut donc calculer sa trace avec cette matrice : tr dec = 4.
Exercice 55 (Trace).
On considre lapplication f : R3 [X] R3 [X] dfinie par
a+b+c 2
f (a + bX + cX 2 + dX 3 ) := d +
X + (d b)X 3 .
2
133
3.5. TRACE ET DTERMINANT
2. Calculer sa trace.

Commenons par rappeler la dfinition par rcurrence du dterminant dune matrice carre.
Dfinition (Dterminant dune matrice). Le dterminant dune matrice de taille 11 est
det(a) = |a| = a .
La dterminant dune matrice de taille n n se ramne aux calculs de dterminants de matrices
de taille (n 1) (n 1) par le dveloppement par rapport la premire colonne

a1,1 a1,2 a1,n
a1,1 a1,2 a1,n

a

a

2,1 a2,2 a2,n

2,1 a2,2 a2,n

.

..
.. = a1,1
..
..
..
..
..
det A = .

.
.
.
.
.
.
.

.

an,1 an,2 an,n
an,1 an,2 an,n

a2,1

a1,1 a1,2 a1,n

a2,1 a2,2 a2,n
..
..
..
..
.
.
.
.
an,1 an,2 an,n

a2,2 a2,n
.
..
..
.
.
.
a1,1 .

an,2 an,n

n+1
an,1
+ + (1)

a1,2

a

3,2

a2,1 ..

.

an,2
a1,1 a1,2 a1,n

a2,1 a2,2 a2,n
..
..
..
..
.
.
.
.
an,1 an,2 an,n

a1,n

a1,2 a1,n

a3,n
..
..
..

.
.. + + (1)n+1 an,1
.
.
..

.
.

an1,2 an1,n

an,n
Remarque
. Cette dfinition est lmentaire mais le calcul peut savrer trs long. Si
votre petit frre vous embte un jour, donnez lui cette dfinition, quil peut facilement comprendre,
et demandez lui de calculer un dterminant de taille 10 10. Il faudra quil se ramne 10
dterminants de taille 9 9 puis 10 9 dterminants de taille 8 8, etc. Au final, cela fait 10!
calculs. Votre petit frre devrait vous laisser tranquille aprs un coup pareil !
Les propositions suivantes vont vous donner des mthodes de calcul plus labores.
Proposition 65. Les formules suivantes calculent les dterminants de petites tailles.
22 :
a
c
b
= ad bc .
d
3 3 : Mthode de Sarrus
a
d
g
b
e
h
c
f = aei + bf g + cdh af h bdi ceg .
i
134
Interprtation
. La mthode de Sarrus revient considrer les 6 diagonales de la
matrice 3 3. Pour chacune dentre elles, on multiplie les lments qui sont dessus. Si la direction
de la diagonale est en bas droite, alors on affecte le rsultat du signe +

+ + +

a b c

d e f

g h i

et si la direction de la diagonale est en bas

Exemple.
0
3
2
gauche, alors on affecte le rsultat du signe

a b c

d e f .

g h i

2 1
2
0 = 6 6 + 4 = 8
2
1

Attention
. Nessayez pas de gnraliser navement la mthode de Sarrus pour les dterminants de dimensions suprieures. Le simple fait de ne considrer que les grandes diagonales ne
donne pas le bon rsultat ! (Il y a en fait beaucoup plus de termes dans le calcul des dterminants
de taille suprieure.)
Proposition 66. Le dterminant dune matrice triangulaire suprieure ou infrieure est donn
par le produit des lments diagonaux

a1,n
a1,1 a1,2

0 a
a2,n
2,2

..
..

.
0
0
.

= a1,1 a2,2 . . . an,n .
.

.
.
.

..
..
.

0
0 0 an,n
Proposition 67 (Oprations sur les colonnes).
Intervertir deux colonnes change le signe du dterminant

C C
C C

=
.
i
j
j
i

Ajouter une colonne une combinaison linaire des autres colonnes ne change pas le dterminant

C C + C + + C

=
i
i
1 1
i1 i1 + i+1 Ci+1 + + n Cn

3.5. TRACE ET DTERMINANT
135
Multiplier une colonne par un nombre donne une matrice dont le dterminant est gal
fois le dterminant de dpart

a1,i
a

1,i

..

C ...

= . = Ci .

=
i

a

a
n,i
n,i

Proposition 68. Le dterminant dune matrice est gal au dterminant de sa transpose (6)
det A = det tA .
Rgle gnrale
. Comme la transpose dune matrice change les lignes en colonnes
et les colonnes en lignes, tous les rsultats que nous venons de voir pour calculer le dterminant
dune matrice sont encore valables si on travaille avec les lignes la place des colonnes.
Pour dfinir le dterminant dun endomorphisme, nous utilisons exactement la mme mthode
que pour la trace. Or, nous avons que pour cela, nous avions besoin dun rsultat du type suivant.
Proposition 69. Pour toute paire A, B de matrice carre de mme taille, le dterminant vrifie
det(AB) = det(BA) .
Dfinition (Dterminant dun endomorphisme). Le dterminant dun endomorphisme
f : U U est dfini par le dterminant de la matrice associe dans une base B de U :
det f := det MatB,B (f ) .
Encore une fois, nous sommes sortis couverts : cette notion est bien dfinie, le rsultat ne dpend
pas de la base choisie.
Proposition 70. Le dterminant dun endomorphisme ne dpend pas de la base avec laquelle
on le calcule.
Dmonstration. La dmonstration est exactement la mme que celle de la proposition 64.
Exemple. Le dterminant de lapplication dcalage des polynmes

dec : R3 [X] R3 [X]
P (X) 7 P (X + 1)
vaut
1
0
0
0
1
1
0
0
1
2
1
0
1
3
=1.
3
1
Cette object combinatoire quest, pour linstant, le dterminant, permet aussi de rpondre
des questions sur les espaces vectoriels.
Proposition 71. Une famille {~c1 , . . . , ~cn } de vecteurs de Rn forme une base si et seulement
si le dterminant de la matrice associe nest pas nul
det(~c1 | |~cn ) 6= 0 .
6. On rappelle que la transpose dune matrice est la matrice obtenue par symtrie par rapport la diagonale.
136
Dmonstration. On peut bien comprendre ce rsultat avec sa dmonstration. Sil existe une
combinaison linaire non triviale de ~0 avec des vecteurs de {~c1 , . . . , ~cn }, alors la proposition 67
assure que le dterminant est nul. Donc, si le dterminant nest pas nul, la famille est libre et
comme elle a autant dlments que la dimension de Rn , cest une base.
Dans lautre sens, si la famille forme une base, alors on peut chelonner la matrice par colonne
pour obtenir une matrice triangulaire infrieure dont aucun des coefficients diagonaux nest nul.
On conclut que le dterminant nest pas nul avec les propositions 66 et 67.
Comme application, on obtient la proprit suivante.
Corollaire 72. Une matrice A est inversible (respectivement un endomorphisme f : U U
est un automorphisme) si et seulement si le dterminant de A (respectivement le dterminant
det f 6= 0 de f ) nest pas nul, det A 6= 0.

Exercice 56 (Rang).
On considre la matrice
1
A := 4
6
2
0
7
3
5 .
8
1. Calculer le dterminant de A.
2. Quel est le rang de la matrice A ?
{(1, 4, 6), (2, 0, 7), (3, 5, 8)}
forme une base de R3 .
La notion de dterminant permet aussi de donner une formule gnrale qui fournit les solutions
des systmes dquations linaires.
Proposition 73 (Mthode de Cramer). Soit
a1,1 x1 + + a1,n xn
..
.
an,1 x1 + + an,n xn
b1
..
.
bn
un systme dquations linaires qui scrit matriciellement AX = B, avec
a1,1 a1,n
b1
x1
.. , B = .. , et X = ..
..
A = ...
.
.
.
.
an,1 an,n
bn
xn
o A est une matrice inversible. Ce systme admet une unique solution donne par
xi =

1
det A1 | |Ai1 |B|Ai+1 | |An
det A
o ce dterminant est celui de la matrice obtenue partir de la matrice A en remplaant la i-me

colonne par B.
Remarque
. Sans utiliser le dterminant, cette solution est obtenue par la formule
X = A1 B. Mais cela implique de calculer linverse dune matrice ; cest vous qui voyez.
137
3.6. DIAGONALISATION
Exemple. On cherche rsoudre le systme dquations linaires

2x 7y = 3
x + 4y = 5 .
Il est quivalent lquation AX = B, avec

2 7
3
A=
, B=
,
1 4
5

et X =
x
y

.
Comme le dterminant de A vaut

2
1
7
= 8 7 = 1 6= 0 ,
4
la matrice A est inversible. Le systme admet donc une unique solution qui vaut
1
3 7
x =
= 12 + 35 = 47 ,
det A 5 4
y
1
2
det A 1
3
= 10 + 3 = 13 .
5
Exercice 57 (Mthode de Cramer).

On considre le systme dquations linaires suivant
= 1
2x + y z
3x + 2y + z = 4
x + 3y + z
= 2.
1. Dcrire lensemble des solutions avec la mthode de Cramer.
2. Retrouver ce rsultat par un calcul matriciel utilisant linversion dune matrice.
3.6. Diagonalisation
Revenons un instant sur lexemple de lapplication linaire

f : R3
R3
(x, y, z) 7 (2y z, 3x 2y, 2x + 2y + z) .
donne la section 3.4. Elle peut aussi scrire

f : R3 R 3
X 7 AX ,
avec
x
0
2 1
X = y et A = 3 2 0 .
z
2 2
1
Nous avions vu que dans la matrice de cet endomorphisme dans la base
B := {~u1 = (1, 1, 1), ~u2 = (4, 3, 2), ~u3 = (2, 3, 2)}
est
1 0
0
0 .
MatB,B (f ) = 0 2
0 0 4
La forme diagonale, cest--dire particulirement simple, de cette dernire permet de rpondre
trs facilement toutes les questions se posant sur lendomorphisme f . Par exemple, on voit
immdiatement quil est inversible, que son dterminant vaut 8 et que si on note par (x0 , y 0 , z 0 )
les coordonnes dans cette nouvelle base B, lapplication f scrit
f : (x0 , y 0 , z 0 ) 7 (x0 , 2y 0 , 4z 0 ) .
138
Maintenant la grande question qui reste en suspens est : est-ce que tous les endomorphismes
admettent de telles bases ? ou encore comment fait-on en pratique pour en trouver une ?. Dans
cette section, on vous dit tout !
Dfinition (Endomorphisme/matrice diagonalisable).
Un endomorphisme f : U U est diagonalisable sil existe une base B de U telle que la
matrice de f dans cette base soit une matrice diagonale, cest--dire
1 0 0
0 2 0
..
0 0 ... ...
.
.
MatB,B (f ) =
.. . .
..
. n1 0
.
0 0
0
n
Une matrice carre A est diagonalisable sil existe une matrice inversible P telle que la
conjugaison de A par P est une matrice diagonale, cest--dire
1 0 0
0 2 0
..
..
..
.
.
0 0
.
.
P 1 AP =
.. . .
..
. n1 0
.
0 0
0
n
Remarque
. Remarquez que ces deux dfinitions sont les quivalentes. En effet,
partir dune matrice A, on peut considrer lendomorphisme fA de Rn dfini par X 7 AX. Dire
quil est diagonalisable signifie quil existe une nouvelle base telle que la matrice de fA dans cette
base soit diagonale. Mais si on note par P la matrice de passage (inversible) de cette nouvelle base
dans la base canonique, la formule de changement de base donne que cette matrice diagonale nest
autre que P 1 AP .
Essayons de raisonner par analyse-synthse, cest--dire commenons par bien tudier le cas des
endomorphismes diagonalisables et den tirer, aprs coup, une mthode pour dtecter ceux qui le
sont et comment les diagonaliser.
Considrons donc un endomorphisme f : U U diagonalisable. Quelle proprit doivent
vrifier les vecteurs B = {~u1 , . . . , ~un } dune base pour que la matrice de f soit diagonale ? Simple :
ils doivent tous vrifier lquation f (~ui ) = i ~ui
Dfinition (vecteur/valeur propre). Soient un vecteur non nul ~u 6= ~0 et un nombre R
qui vrifie lquation
f (~u) = ~u .
Alors le vecteur ~u est un vecteur propre de valeur propre .

Attention
. Daccord, on vient de lcrire dans la dfinition ... mais cest la faute que lon
voit le plus souvent chez les tudiant-e-s, donc il est bon de le dire encore : un vecteur propre
nest jamais nul ! Une bonne raison pour avoir choisi cette convention est que si on autorisait le
vecteur nul tre vecteur propre, alors tout nombre rel serait valeur propre car f (~0) = ~0, pour
tout .
139
Exemple. Dans lexemple prcdent, le vecteur ~u3 = (2, 3, 2) est un vecteur propre de f de
valeur propre 4 : f (~u3 ) = 4~u3 .
Proposition 74. Un endomorphisme est diagonalisable si et seulement sil existe une base de
vecteurs propres.
Pour pouvoir diagonaliser un endomorphisme, il faut donc quil y ait suffisamment de vecteurs
propres. Notre mission va donc tre maintenant de les traquer.
Un vecteur propre nadmet quune seule valeur propre. A linverse, toute valeur propre correspond une infinit de vecteurs propres, au moins tous les multiples de ~u car
f (a~u) = af (~u) = a(.~u) = (a~u),
pour tout a R .
a sent le sous-espace vectoriel ; considrons les tous les vecteurs propres, dans leur ensemble,
valeur propre fixe.
Dfinition (Sous-espace propre). Lunion de lensemble des vecteurs propres de valeur
propre avec le vecteur nul
E := {~u U | f (~u) = ~u}
est appel le sous-espace propre associ .
Exemple. Dans lexemple prcdent, dterminons le sous-espace propre associ la valeur
propre 4. Il est form de tous les vecteurs X = (x, y, z) R3 vrifiant lquation
f (X) = AX = (4)X ,
cest--dire le systme dquations linaires
2y z
3x 2y
2x + 2y + z
Ce dernier se rsout de la manire suivante
= 0
4x + 2y z
3x + 2y
= 0
2x + 2y + 5z = 0
= 4x
= 4y
= 4z .
3x = 2y = 3z .
Le sous-espace propre associ la valeur propre 4 est donc la droite engendre par le vecteur
~u3 = (2, 3, 2) :
E4 = Vect({(2, 3, 2)}) .
Proposition 75.
Tout sous-espace propre E est un sous-espace vectoriel de U .
Un nombre R est valeur propre si et seulement si la dimension du sous-espace propre
associ est suprieure 1 :
dim E > 1 .
Dmonstration.
Ce premier point est trs intressant car il permet de donner une autre caractrisation quivalente de la notion de sous-espace propre. Remarquons les quivalence suivantes :
f (~u) = ~u f (~u) ~u = ~0 (f id)(~u) = ~0 .
Le sous-espace propre E est donc gal au noyau de lendomorphisme f id
E = Ker(f id) .
Cest donc un sous-espace vectoriel par la proposition 47.
Cela dcoule automatiquement du fait quun vecteur propre est non nul.
140
Remarque
. Remarquez que le sous-espace propre E0 nest autre que le noyau de f

E0 = {~u U | f (~u) = ~0} = Kerf .
Aprs avoir considr les ensembles de vecteurs propres, on va maintenant tudier lensemble
des valeurs propres.
Dfinition (Spectre). Le spectre dun endomorphisme est lensemble de ses valeurs propres ;
on le note
Specf = {1 , . . . , k } .
Exemple. Dans lexemple que nous suivons, on sait pour linstant que le spectre de lendomorphisme f contient
{1, 2, 4} Specf .
Diagonaliser une matrice signifie trouver une base de vecteurs propres. Lide la plus naive
consiste prendre une base de chaque sous-espace propre non-trivial et former leur union. La
proposition suivante montre que cest une bonne ide : on obtient bien ainsi une famille libre.
Proposition 76.
Soit Specf = {1 , . . . , k } le spectre de f et soient {Bi }i=1,...,k des bases des sous-espaces
propres Ei . Alors lunion B1 Bk de ces bases forme une famille libre.
Lendomorphisme f est diagonalisable si et seulement si B1 Bk forme une base de U ,
cest--dire que son cardinal est gal la dimension de U :
|B1 Bk | = dim U .
En termes de sous-espaces propres, cette proposition est quivalente la suivante.
Proposition 77.
Les sous-espaces propres non-triviaux sont en somme directe E1 Ek .
Lendomorphisme f est diagonalisable si et seulement si les sous-espaces propres engendrent
tout lespace vectoriel U :
E1 Ek = U .
Exemple. Dans notre exemple, il y trois sous-espaces propres non-triviaux E1 , E2 et E4 qui
sont tous de dimension 1. Lendomorphisme est diagonalisable car lespace total R3 est dcomposable en somme directe de ces trois droites :
E1 E2 E4 = R3 .
Conclusion
. Un endomorphisme (une matrice) est diagonalisable sil y a assez de
vecteurs propres pour engendrer tout lespace. Plus prcisment, cela arrive lorsque la dimension
totale des sous-espaces propres est gale celle lespace U .
On a presque toutes les cartes en main : il suffit de dterminer la taille des sous-espaces propres,
que lon sait dterminer en rsolvant des systmes dquations linaires. Ce quil nous manque, cest
un outil pratique pour calculer les valeurs propres, cest--dire le spectre. Le rsultat prcdent
montre dj quil y a au plus n = dim U valeurs propres car aucune des bases Bi nest vide. Donc
le spectre est un ensemble fini. Toute la magie de la diagonalisation est dans le rsultat suivant :
les valeurs propres ne sont rien dautres que les racines dun polynme bien choisi.
Dfinition (Polynme caractristique). Le polynme caractristique dun endomorphisme
f (respectivement dune matrice A) est le dterminant de f Xid (respectivement de A XI) :
f (X) := det(f Xid)
et
A (X) := det(A XI)
141
Exemple. Dans lexemple que nous suivons, le polynme caractristique vaut

f (X) = det(f Xid) = det(A XI) =
X
3
2
2
2 X
2
1
0
.
1X
On peut le calculer en faisant la somme de toutes les colonnes, ce qui en change pas le dterminant.
f (X)
1X
1X
1X
2
2 X
2
1
(1 X) 0
0
1
1
0
= (1 X) 1
1X
1
2
4 X
0
2
2 X
2
1
0
1X
1
1
= (X 1)(X 2)(X + 4) .
2X
Proposition 78. Le polynme caractristique a la forme dveloppe suivante

f (X) = (1)n X n + (1)n1 trf X n1 + + det f .
Exemple. Dans notre exemple, on trouve
f (X) = X 3 + (1) X 2 + 11X + (8)
| {z }
| {z }
trf =1
det f =8
Proposition 79. Un nombre R est valeur propre dun endomorphisme f si et seulement

si est racine du polynme caractristique f (X).
Specf = {racines de f (X)} .
Dmonstration. La dmonstration est particulirement simple, alors ne nous privons pas. Un
nombre R est racine du polynme caractristique si et seulement le dterminant det(f id) =
0 est nul. Ceci est quivalent au fait que lendomorphisme f id nest pas injectif par le corolaire 72
et le thorme 56. Au final, ceci quivaut au fait que est valeur propre par la proposition 75.
Exemple. Dans notre exemple, comme le polynme caractristique vaut
f (X) = (X 1)(X 2)(X + 4) ,
ce rsultat montre que le spectre est gal lensemble suivant
Specf = {1, 2, 4} .
Thorme 80 (Critre de diagonalisabilit). Un endomorphisme f (respectivement une
matrice A) est diagonalisable si et seulement si son polynme caractristique est scind
f (X) = (X 1 )1 (X k )k
et si les dimensions de chaque sous-espace propre est gal la multiplicit algbrique de la valeur
propre comme racine du polynme caractristique
dim Ei = i .
Dans ce cas, la matrice diagonale obtenue est la matrice diagonale avec 1 fois 1 , ..., k fois k
sur la diagonale.
En pratique
. Si on veut savoir si un endomorphisme ou une matrice est diagonalisable, on commence par calculer son polynme caractristique. Sil nest pas scind, on sarrte : on
ne pourra jamais diagonaliser. Sil est scind, on considre les racines ; elles fournissent les valeurs
propres pour lesquelles on pourra trouver des vecteurs propres. Mieux, la multiplicit algbrique
des racines donne un majorant pour la dimension des sous-espaces propres associs
1 6 dim Ei 6 i .
142
Lendomorphisme ou la matrice est alors diagonalisable si et seulement si la dimension des sousespaces propres est maximale, cest--dire gale la multiplicit algbrique de la valeur propre
comme racine du polynme caractristique.
Exemple. Considrons la matrice

A=
1
0
1
1

.
Son polynme caractristique vaut A (X) = (X 1)2 . Il nexiste donc quun seul sous-espace
propre E1 non rduit au vecteur nul. On sait dj que sa dimension 1 ou 2. Pour la dterminer,
on va appliquer le thorme du rang la matrice A I (cest--dire lendomorphisme fA id).
Le rang de A I vaut

0 1
rg
=1
0 0
donc la dimension de E1 vaut
dim E1 = dim Ker(A I) = dim R2 rg (A I) = 2 1 = 1 .
On en conclut que la matrice A nest pas diagonalisable.
Corollaire 81. Un endomorphisme f (respectivement une matrice A) dont le polynme caractristique est scind racines simples
f (X) = (X 1 ) (X n )
est diagonalisable.
Exemple. Lexemple que nous tudions depuis le dbut de cette section entre dans ce cas
particulier o le polynme caractristique est scind racines simples. Et nous avons vu que
lendomorphisme est bien diagonalisable.
Exercice 58 (Diagonalisation valeurs propres simples).

Soit f : R3 R3 lapplication linaire dont la matrice dans la base canonique B est la suivante
1 1 1
A = MatB,B (f ) := 1 1 0 .
0 0 1
1. Quel est le rang de f ?
2. En dduire, sans calcul, que 0 est valeur propre de f .
3. Calculer le polynme caractristique f (X) de f .
4. En dduire, sans plus de calcul, mais en justifiant, que f est diagonalisable.
5. Montrer, sans diagonaliser compltement A, que tr(Ak ) = 1 + 2k , pour tout k N\{0}.
6. Diagonaliser lendomorphisme f .
Exercice 59 (Diagonalisation valeurs propres avec multiplicit)

On note B := {e~1 , e~2 , e~3 } la base canonique de R3 . On considre lapplication linaire f : R3
R , X 7 AX, dont la matrice reprsentative dans la base B est la suivante
3 1 1
2
0 .
A = MatB,B (f ) := 0
1 1
3
3

2. En dduire que F := {f (e~1 ), f (e~2 ), f (e~3 )} est une base de R3 et que 0 nest pas valeur propre
de f .
3.7. TRIGONALISATION
143

4. Quelle sont les dimensions des sous-espaces propres E2 et E4 associs aux valeurs propres 2
et 4 ? Trouver une base de R3 constitue de vecteurs propres de f .
5. Trouver une matrice inversible P GL3 (R) et une matrice diagonale telles que A =
P 1 P .
Exercice 60 (Non diagonalisable).

On considre la matrice suivante
7
A := 6
4
3
2
2
4
5 .
1
1. Calculer le polynme caractristique A (X) de la matrice A.

et 2 ?
3. La matrice A est-elle diagonalisable ?
3.7. Trigonalisation
Nous venons de voir un critre qui caractrise les endomorphismes et les matrices diagonalisables. Ceci montre quil nest pas toujours possible de rduire un endomorphisme sous forme
diagonale. Nous allons maintenant essayer de rduire les endomorphismes sous une forme plus
gnrale, et donc moins restrictive, celle des matrices triangulaires suprieures.
Dfinition (Endomorphisme/matrice trigonalisable).
Un endomorphisme f : U U est trigonalisable sil existe une base B de U telle que la
matrice de f dans cette base soit une matrice triangulaire suprieure, cest--dire
0 2
..
0 0 ... ...
.
.
MatB,B (f ) =
.
.. . .
..
. n1
.
0 0
0
n
Une matrice carre A est trigonalisable sil existe une matrice inversible P telle que la conjugaison de A par P est une matrice triangulaire suprieure, cest--dire
0 2
..
..
..
.
.
0 0
.
.
P 1 AP =
.. . .
..
. n1
.
0 0
0
n
Remarques.
Comme les matrices diagonales sont des exemples de matrices triangulaires suprieures, un
endomorphisme ou une matrice diagonalisable est trigonalisable.
On peut faire la mme remarque quaprs la dfinition de la diagonalisabilit : une matrice A
est trigonalisable si et seulement si lendomorphisme fA : X AX associ est trigonalisable.
144
Exemple. Considrons lendomorphisme suivant

f : R2
R2
(x, y) 7 (2x y, x) .
Dans la base B := {(1, 1), (1, 2)}, on a f (1, 1) = (1, 1) et f (1, 2) = (0, 1) = (1, 1) + (1, 2), donc la
matrice reprsentant lendomorphisme f dans cette base est triangulaire suprieure :

1 1
MatB,B (f ) =
.
0 1
Notons A la matrice reprsentant lendomorphisme f dans la base canonique C de R2

2 1
A := MatC,C (f ) =
1 0
et notons P la matrice inversible de passage de la base B dans la base canonique C

1 1
P := MatC,B (id) =
.
1 2
On peut alors calculer son inverse
P 1 =
2
1
1
1

.
Le produit P 1 AP donne bien une matrice triangulaire suprieure

2 1
2 1
1 1
1
1
P AP =
=
1 1
1 0
1 2
0
1
1

.
Il existe un critre de trigonalisabilit, qui est form de la premire condition du critre de

diagonalisabilit (thorme 80).
Thorme 82 (Critre de trigonalisabilit). Un endomorphisme f (respectivement une
matrice A) est trigonalisable si et seulement si son polynme caractristique est scind
f (X) = (X 1 )1 (X k )k .
Dans ce cas, la matrice triangulaire obtenue est une matrice avec 1 fois 1 , ..., k fois k sur la
diagonale.
Exercice 61 (Non diagonalisable, mais trigonalisable).

On reprend lnonc de lexercice 60.
4. La matrice A est-elle trigonalisable ?
5. Donner une matrice inversible P telle que P 1 AP soit une matrice triangulaire suprieure.
Exercice 62 (Trigonalisation).
On considre lapplication linaire f : R3 R3 dont la matrice reprsentative dans la base
canonique B est la suivante
2 2 3
A = MatB,B (f ) := 5 1 5 .
3 4 0
1. Lendomorphisme f est-il trigonalisable ?
2. Quelle est la dimension du sous-espace propre E1 associ la valeur propre 1 ?
3. Lendomorphisme f est-il diagonalisable ?
4. Donner une base dans laquelle lendomorphisme f est reprsent par une matrice triangulaire
suprieure.
3.7. TRIGONALISATION
145
Remarque
. Depuis le dbut du chapitre 2, nous travaillons avec des espaces vectoriels
dont les scalaires sont des nombres rels R. Or, il ny rien de particulier aux nombres rels dans
la dfinition des espaces vectoriels. Nous pouvons trs bien considrer des espaces vectoriels dont
les scalaires sont des nombres rationnels Q ou des nombres complexes C. (7)
Par exemple, les matrices coefficients complexes forment un espace vectoriel sur C. En effet,
on peut sommer des matrices coefficients complexes et les multiplier par des nombres complexes !
Le grand intrt de considrer les matrices coefficients complexes plutt que rels rside dans le
thorme suivant.
Corollaire 83. Sur le corps des nombres complexes, tout endomorphisme (respectivement toute
matrice) est trigonalisable.
Dmonstration. Ce corollaire est une consquence du Thorme 20 de dAlembertGauss (8)
Exemple. Considrons la matrice

A :=
1
2
1
1

,
dont le polynme caractristique vaut

A (X) =
1X
2
1
= X2 + 1 .
1 X
Il nest manifestement pas scind sur R car il na aucune racine relle. Donc par le critre de diagonalisabilit (thorme 80) et par le critre de trigonalisabilit (thorme 82), cette matrice nest ni
diagonalisable ni trigonalisable, si on nutilise que les nombres rels. Cela signifique quil nexiste
aucune matrice inversible P coefficients rels telle que la conjugue P 1 AP soit triangulaire
suprieure.
Par contre, si on considre la matrice A comme une matrice coefficients complexes et que
lon cherche sil existe une matrice P inversible coefficients complexes dont la conjugaison par P
fournisse une matrice triangulaire suprieure, ce problme est toujours rsoluble par le corollaire 83.
Ici, le polynme caractristique se factorise sous la forme suivante :
A (X) = X 2 + 1 = (X i)(X + i) ;
il est donc scind racines simples. Le corollaire 81 nous assure que la matrice A est diagonalisable
dans les nombres complexes. En effet, les vecteurs

1
1i
et
1i
2
sont deux vecteurs propres de valeur propre i et -i respectivement. La matrice de passage vaut
donc

1
2
i1
1
1i
.
P =
et P 1 =
i1
1
1i
2
2(i + 1)
Au final, on peut diagonaliser la matrice A dans les nombres complexes

i 0
P 1 AP =
,
0 i
chose que nous ne pouvons faire si on se restreint aux nombres rels !
7. Relisez au besoin le chapitre 2 pour vous en convaincre.
8. Cest dailleurs une des raisons pour lavoir introduit au chapitre 1.
146
3.8. Puissances de matrices

Comme lavons expliqu dans lintroduction de ce cours, les endomorphismes et les matrices
sont utiliss en conomie pour dcrire comme les fonctions de transition dune anne sur lautre.
Si on veut faire de la prospective, cest--dire essayer de prdire ltat dune conomie dans 10 ans,
par exemple, il suffit ditrer 10 fois lendomorphisme qui la dcrit. Cela revient donc mettre une
matrice la puissance 10 ; inutile de vous convaincre que si la matrice est de grande taille, cela va
prendre du temps ... beaucoup de temps.
Dans cette section, on va fournir deux mthodes pour calculer plus rapidement et simplement
les puissances de matrices.
Mthode
(avec la diagonalisation).
matrice de passage P et pour forme diagonale
1
P AP = := .
.
.
Soit A une matrice diagonalisable avec pour
0
..
2
.
.
.. ..
.
. 0
0 n
0
..
.
En multipliant cette galit gauche par P et droite par P 1 , on obtient

A = P P 1 .
Do, pour tout entier k N,
Ak
1
1
1
1
(P P 1 )k = (P P 1 )(P P 1 ) (P P 1 ) = P P
| {z P} |P {z P} |P {z P} P
|
{z
}
=I
k fois
= P k P 1
= P
k1
0
..
.
0
0
..
.
=I
=I
.
1
P
.
.. ..
. 0
.
k
0 n
k2
..
Llgance de cette mthode vient du fait que nous avons ramen un calcul de puissances dune matrice quelconque un calcul de puissances dune matrice diagonale, qui est une chose extrmement
simple.
Exemple. Reprenons lexemple prcdent de la matrice

1 1
A=
.
2 1
On peut passer dans le monde des nombres complexes et utiliser la diagonalisation car on sait que
toutes les puissances Ak de la matrice A sont des matrices relles. Donc, mme si on fait un calcul
passant par les nombres complexes, le rsultat final donnera une matrice relle. On obtient ici

k

1
1
1i
i
0
2
i1
k
.
A =
1i
2
i1
1
0 (i)k
2(i + 1)
Il y a au final quatre cas de figure en fonction des puissances de i, qui est de priode 4.
k 0 [4] : Si k = 4l est un multiple de 4, alors i4l = (i)4l = 1. On est donc ramen au
calcul

1 0
4l
1
A = P IP = I =
.
0 1
3.8. PUISSANCES DE MATRICES
147
k 1 [4] : Si k = 4l + 1 est congru 1 modulo 4, alors i4l+1 = i et (i)4l+1 = i. On est

donc ramen au calcul

i 0
1 1
A4l+1 = P
P 1 =
.
0 i
2 1
k 2 [4] : Si k = 4l + 2 est congru 2 modulo 4, alors i4l+2 = i2 = 1 et (i)4l+2 = (i)2 =
1. On est donc ramen au calcul

1 0
A4l+2 = P ()IP 1 = I =
.
0 1
k 3 [4] : Si k = 4l+3 est congru 3 modulo 4, alors i4l+3 = i3 = i et (i)4l+3 = (i)3 = i.
On est donc ramen au calcul

i 0
1 1
A4l+3 = P
P 1 =
.
0 i
2 1
Exercice 63 (Puissance de matrice diagonalisable).

3 1 1
2
0 .
A= 0
1 1
3
de lexercice 59.
Calculer les puissances Ak , pour k N.
Si cette mthode vous semble encore trop calculatoire, rassurez-vous, nous allons en voir une
nouvelle qui repose sur le thorme suivant. Avant de pouvoir lnoncer, rappelons que si on se
donne un polynme P (X) = an X n + a1 X + a0 et une matrice carre A, alors on peut calculer
le polynme P en A. En effet, si on recopie btement la formule de P avec X = A, cela donne
P (A) = an An + + a1 A + a0 , o les premiers termes ont un sens bien dfini : on sait mettre
une matrice une certaine puissance, la multiplier par un nombre et sommer les matrices. Le
dernier terme, lui, nest pas compatible avec les premiers : on ne sait pas ajouter un nombre une
matrice. La formule correcte est plutt
P (A) = an An + + a1 A + a0 I
car le terme constant de P est a0 = a0 X 0 = a0 1 ; il devient donc a0 A0 = a0 I.
Thorme 84 (de CayleyHamilton). Pour toute matrice carre A (respectivement tout
endomorphisme), lvaluation de son polynme caractristique en A, donne la matrice nulle

A (A) = 0 .
Remarque
. Quel rsultat magnifique ! Et puis quelle ide : dfinir un polynme
partir dune matrice par un dterminant exotique, puis le calculer en la matrice, cest--dire
en remplaant tous les X par des A. Et au final, par magie, pouf, tout disparait. Sont fous ces
matheux.
Mthode
(avec le thorme de CayleyHamilton). En quoi est-ce que le thorme de CaylerHamilton peut-il nous aider pour calculer les puissances de matrices ? Toute lastuce revient considrer la division euclidienne de X k par le polynme caractristique :
X k = A (X)Qk (X) + Rk (X) ,
148
o on sait que le degr du polynme Rk est strictement infrieur celui du polynme caractristique
A , qui lui est gal la dimension de la matrice. Au final, il suffit dvaluer la formule prcdente
en la matrice A, pour avoir
Ak = A (A) Qk (A) + Rk (A) = Rk (A) ,
| {z }
=0
justement par le thorme 84 de CayleyHamilton.

Exemple. Regardons comment cela fonctionne sur lexemple prcdent o le polynme caractristique est gal A (X) = X 2 + 1. Comme ce dernier est de degr 2, on sait que la division
euclidienne de X k par X 2 + 1 est de la forme
X k = (X 2 + 1)Qk (X) + ak X + bk .
Encore une fois, on ne va pas calculer brutalement cette division euclidienne, mais utiliser notre
cerveau et une astuce (9) : on value lgalit prcdente en i et en i qui sont les racines du
polynme caractristique. Ceci donne
k
k

ak = i (i)
k
i
=
ak i + bk
2i k .
puis
k
(i)k = ak i + bk
bk = i + (i)
2
Au final, on trouve

ik (i)k
ik + (i)k
1 1
1 0
Ak =
+
,
2 1
0 1
2i
2
que lon peut dvelopper pour retrouver les mmes rsultats que la mthode prcdente (ouf !).
Exercice 64 (Puissance de matrice avec le thorme de CayleyHamilton)


A :=
1
2
2
1

.
1. Calculer les puissances Ak , pour k N, en diagonalisant la matrice A.

2. Retrouver ce rsultat en utilisant le thorme de CayleyHamilton et la division euclidienne
des polynmes.
9. Cest la marque de fabrique des mathmaticien-ne-s.
149
Exercice 43 (Drivation).
Dans lespace vectoriel R[X] des polynmes, on considre lapplication drivation suivante

der : R[X] R[X]
P = a0 + a1 X + + an X n 7 P 0 = a1 + 2a2 X + + nan X n1 .
1. Lapplication der est-elle linaire ?
2. Dcrire son image Im der. Cette application est-elle un pimorphisme ?
3. Dcrire son noyau Ker der. Cette application est-elle un monomorphisme ?
4. Lapplication der est-elle un isomorphisme ?
Correction.
1. On sait que la drivation est une opration linaire : pour toute paire P, Q de polynmes et pour
toute paire , de nombres rels, elle vrifie (P +Q)0 = P 0 +Q0 . Lapplication der est donc
linaire :
der(P + Q) = der(P ) + der(Q) .
2. Tout polynme peut scrire comme le driv dun autre : soit Q = b0 + b1 X + + bn X n , on
considre
b1
bn
P := b0 X + X 2 + +
X n+1 .
2
n+1
On a alors que Q = P 0 = der(P ). Limage de der est donc
Im der = R[X]
et cette application est un pimorphisme.
3. On cherche les polynmes dont la drive est nulle : soit P = a0 + a1 X + + an X n tel que
P 0 = a1 + 2a2 X + + nan X n1 = 0 .
Par identification, ceci impose a1 = a2 = = an = 0. Le polynme P est donc une constante,
do
Ker der = {polynmes constants P = a0 } .
Comme le noyau de cette application nest pas rduit au vecteur nul, elle nest pas injective. Dit
autrement, lapplication der nest pas un monomorphisme.
4. Comme lapplication de drivation nest pas un monomorphisme, ce nest pas non plus un isomorphisme.
Exercice 44 (Dcalage).
Dans lespace vectoriel R[X] des polynmes, on considre lapplication dcalage suivante

dec : R[X] R[X]
P (X) 7 P (X + 1) .
1. Lapplication dec est-elle linaire ?
2. Dcrire son image Im dec. Cette application est-elle un pimorphisme ?
3. Dcrire son noyau Ker dec. Cette application est-elle un monomorphisme ?
4. Lapplication dec est-elle un isomorphisme ?
5. Si oui, dcrire son application linaire rciproque.
150
Correction.
1. Lopration de dcalage prserve les combinaisons linaires : pour toute paire P, Q de polynmes
et pour toute paire , de nombres rels, on a
dec(P + Q) = (P + Q)(X + 1) = P (X + 1) + Q(X + 1) = dec(P ) + dec(Q) .
Lapplication dec est donc linaire.
2. Pour polynme peut scrire comme limage par dec dun autre : soit Q(X) = b0 + b1 X + +
bn X n , on considre le polynme
P (X) := Q(X 1) .
On a alors que Q(X) = P (X + 1) = dec(P ). Limage de lopration de dcalage est donc
lespace des polynmes tout entier
Im dec = R[X] .
Lapplication dec est donc un pimorphisme.
3. On cherche les polynmes P (X) = a0 + a1 X + + an X n dont limage par lopration de
dcalage est nulle, i.e. P (X + 1) = 0. Ceci signifie que le polynme Q(X) = P (X + 1) = 0 est
nul. Ainsi, P (X) = Q(X 1) = 0 et
Ker dec = {0}
Comme le noyau de cette application est rduit au polynme nul, elle est injective. Lapplication
dec est un monomorphisme.
4. Lapplication de dcalage est la fois un pimorphisme et un monomorphisme, cest donc un
isomorphisme.
5. On sait par la proposition 49 que lapplication rciproque de dec est encore linaire. Il est facile
de voir que cette application rciproque est donne par le dcalage inverse :
dec1
: R[X] R[X]
P (X) 7 P (X 1) .
Il sagit bien dune application linaire, par les mmes arguments qu la question 1.
Exercice 45 (Application linaire matricielle).

Dans lespace vectoriel R3 , on note E := {e~1 , e~2 , e~3 } la base canonique
~e1 := (1, 0, 0), ~e2 := (0, 1, 0), ~e3 := (0, 0, 1) .
f~1 := (1, 0, 1), f~2 := (0, 1, 2), f~3 := (2, 1, 1) .
Il existe une unique application linaire f : R3 R3 qui envoie
~e1 7 f~1 , ~e2 7 f~2 , ~e3
7 f~3 .
1. Montrer que cette application linaire est de la forme

f : R3 R3
X 7 AX ,
2.
3.
4.
5.
6.
7.
o A M3 (R) est une matrice 3 3 que lon explicitera.

Dcrire limage Imf de f et en donner une base.
Lapplication f est-elle un pimorphisme ?
Dcrire le noyau Kerf de f .
Lapplication f est-elle un monomorphisme ?
Lapplication f est-elle un isomorphisme ?
Si oui, dcrire lapplication rciproque.
151
Correction.
1. Soit (x, y, z) R3 . Ce vecteur scrit x~e1 +y~e2 +z~e3 sur la base canonique E. Comme lapplication
f est linaire, limage de ce vecteur par f est gale
f (x, y, z)
=
=
f (x~e1 + y~e2 + z~e3 ) = xf (~e1 ) + yf (~e2 ) + zf (~e3 ) = xf~1 + y f~2 + z f~3
1
0
2
x + 2z
.
y+z
x 0 + y 1 + z 1 =
1
2
1
x + 2y + z
On voit donc que lapplication linaire f est de la forme fA avec pour matrice
1
A= 0
1
0
1
2
2
1 .
1
2. Limage de f est le sous-espace vectoriel form de tous les vecteurs images f (x, y, z) = xf~1 +
y f~2 + z f~3 . Il sagit donc du sous-espace vectoriel Vect(f~1 , f~2 , f~3 ) de R3 engendr par les vecteurs
f~1 , f~2 et f~3 . En chelonnant la matrice A par colonne, on trouve la matrice triangulaire suivante
1 0 0
0 1 0
1 2 1
qui possde trois colonnes non nulles. Donc la famille F est une base de R3 . Au final, on obtient
que
Im f = R3
avec, par exemple, pour base la famille F.
3. Comme limage de f est tout lespace vectoriel R3 , cette application est un pimorphisme.
4. Par dfinition, le noyau de f est form de tous les antcdents du vecteur nul, cest--dire
Ker f = {(x, y, z) R3 | f (x, y, z) = (0, 0, 0)}. Il est donc form des solutions du systme
suivant
x + 2z
= 0
y+z
= 0
x + 2y + z = 0 .
En ajoutant la premire ligne la troisime puis en lui soustrayant deux fois la deuxime, on
obtient z = 0, puis x = y = 0. On a ainsi montr que
Ker f = {(0, 0, 0)} .
5. Comme le noyau de f est rduit au vecteur nul, cette application est un monomorphisme.
6. Comme lapplication f est la fois un pimorphisme et un monomorphisme, cest donc un
isomorphisme.
7. Lapplication rciproque f 1 = (fA )1 est lapplication linaire matricielle fA1 donne par la
matrice inverse A1 . On calcule donc linverse de la matrice A avec la mthode utilisant des
oprations lmentaires par lignes :
1 0 2 1 0 0
1 0 2 1 0 0
1 0 2 1
0 0
0 1 1 0 1 0 0 1 1 0 1 0 0 1 1 0
1 0
1 2 1 0 0 1
0 2 3 1 0 1
0 0 1 1 2 1
1 0 0 1
4 2
3 1 .
0 1 0 1
0 0 1
1 2
1
152
Linverse de la matrice A est donc la matrice
1
4 2
3 1 .
A1 = 1
1 2
1
Et lapplication rciproque de f est
f 1
: R3
x
X= y
z
R3
x + 4y 2z
7
A1 X = x + 3y z .
x 2y + z

Exercice 46 (Sous-espace vectoriel).
On considre le sous-ensemble de R4 dfini par
F := {(x, y, z, t) R4 | 2x y = 0, x y + t + z = 0} .
1. Montrer que F est un sous-espace vectoriel de R4 en lcrivant comme le noyau dune application linaire bien choisie.
2. Calculer la dimension du sous-espace vectoriel F .
Correction.
1. On considre lapplication

f :
R4
(x, y, z, t) 7
R2
(2x y, x y + t + z)
Comme, cette application scrit matriciellement sous la forme f (X) = AX, avec
x

y
2 1 0 0
et A =
,
X=
z
1 1 1 1
t
il sagit donc une application linaire. Son noyau est donc un sous-espace vectoriel de R4 . Il est
form des vecteurs (x, y, z, t) vrifiant les deux quations 2x y = 0 et x y + t + z = 0. Ceci
montre que F est un sous-espace vectoriel de R4 .
2. La matrice A est clairement de rang 2 (rang maximal). En appliquant le thorme du rang
lapplication linaire f , on trouve
dim F = dim Kerf = dim R4 rg f = 4 2 = 2 .
Exercice 47 (Drivation bis).

infrieur ou gal 3, on considre lapplication linaire drivation suivante

der : R3 [X] R3 [X]
P
7 P 0 .
1. crire la matrice MatB,B (der) de lapplication linaire der dans la base B := {1, X, X 2 , X 3 }.
2. En utilisant la matrice MatB,B (der) rpondre aux questions suivantes. Lapplication linaire
der est-elle un pimorphisme ? Lapplication linaire der est-elle un monomorphisme ? Lapplication linaire der est-elle un automorphisme ?
3. Quelle est la dimension de limage de der ?
4. Quelle est la dimension du noyau de der ?
153
Correction.
1. On commence par calculer les images des vecteurs de la base B par lapplication der :
der(1) = 0, der(X) = 1, der(X 2 ) = 2X et der(X 3 ) = 3X 2 .
Par dfinition, la matrice MatB,B (der) est forme en colonne des coordonnes des images des
vecteurs de B dans la base B, ce qui donne ici
0
0
1
0
0
2
0
0
1
X
X2
X3
der(1) der(X) der(X 2 ) der(X 3 )

soit
0
0
MatB,B (der) =
0
0
1
0
0
0
0
2
0
0
0
0
3
0
2. Comme le rang de la matrice MatB,B (der) est gal 3, le rang de lapplication linaire der est
gal 3. Ce dernier est strictement infrieur la dimension de lespace but dim R3 [X] = 4, donc
lapplication der nest pas un pimorphisme.
Nous sommes en prsence dun endormorphisme en dimension finie, le thorme 56 montre
alors que lapplication der nest pas non plus un monomorphisme.
Ce nest donc pas un automorphisme.
3. La dimension de limage de lapplication linaire der est gale au rang de la matrice MatB,B (der),
do
rg der = 3 .
4. Le thorme du rang appliqu lapplication linaire der donne
dim R4 [X] = dim Ker der + rg der ,
do
dim Ker der = 4 3 = 1 .

Exercice 48 (Matrice associe une application linaire).

f : R3
R4
(x, y, z) 7 (x + 2y + 3z, 2x + 4y + 6z, x + y + 3z, 3x 2y 7z) .
2. Lapplication linaire f est-elle surjective ?
3. crire la matrice MatB4 ,B3 (f ) de lapplication linaire f dans les bases canoniques de R3 et
R4 .
4. Dcrire limage de lapplication f en utilisant la matrice MatB4 ,B3 (f ).
5. En dduire la dimension du noyau de f .
6. Dcrire le noyau de lapplication f en utilisant la matrice MatB4 ,B3 (f ).
154
Correction.
1. Lapplication f peut scrire sous
x
y
X=
z
t
la forme matricielle f (X) = AX avec
1
2
3
4
6
.
et A = 2
1
1
3
3 2 7
Cest donc une application linaire.

2. Lapplication linaire f part dun espace de dimension 3 pour arriver dans un espace de dimension
4. La dimension maximale de son image est donc de 3 ; il est impossible que son image soit lespace
but R4 tout entier (voir aussi le corollaire 55). Lapplication f nest pas surjective.
3. Par dfinition, la matrice MatB4 ,B3 (f ) est forme en colonne des coordonnes dans B4 des images
des vecteurs de B3 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}. Cela donne
f (1, 0, 0) = (1, 2, 1, 3), f (0, 1, 0) = (2, 4, 1, 2), f (0, 0, 1) = (3, 6, 3, 7)
et donc
1
2
MatB4 ,B3 (f ) =
1
3
2
3
4
6
=A .
1
3
2 7
On retrouve bien la matrice de la question 1.

4. Limage de lapplication linaire f est lespace vectoriel engendr par les
On chelonne en colonne la matrice A pour trouver

1
0
1
0
0
1
2
3
2
2
2
0
0
0
4
6
1
3
3
6 1
1
3 1
3 8
3 8 16
3 2 7
vecteurs colonnes de A.
0
0
.
0
0
Limage de lapplication linaire f est donc de dimension 2 et admet pour base

Im f = Vect ({(1, 2, 1, 3), (0, 0, 3, 8)}) .
5. Le thorme du rang appliqu lapplication linaire f donne
dim R3 = dim Kerf + rg f .
On en conclut
dim Kerf = 3 2 = 1 .
6. Le noyau de f est form de lensemble des solutions
x + 2y + 3z =
2x + 4y + 6z =
x + y + 3z =
3x 2y 7z =
du systme dquations linaires AX = 0 :

0
0
0
0.
On voit rapidement que (1, 2, 1) est une solution non nulle. Comme on sait que le noyau de f
est un sous-espace vectoriel de dimension 1, alors on a que le noyau est la droite engendre par le
vecteur (1, 2, 1)
Kerf = Vect({(1, 2, 1)}) .


f : C
z 7
155
C
z + iz .
1. Montrer que lapplication f est R-linaire.

2. crire la matrice MatB,B (f ) de lapplication linaire f dans la base canonique B := {1, i} de
C.
3. Lapplication f est-elle un isomorphisme ?
Correction.
1. Montrons que f prserve les combinaisons linaires relles. Soient deux nombres rels , R
et soient deux nombres complexes z, w C. On a
f (z + w) = z + w + i(z + w) =
z + w
+ iz + iw = f (z) + f (w) .
2. Calculons dabord les images des vecteurs de la base B = {1, i} par lapplication linaire f :
f (1) = 1 + i et f (i) = 1 i .
Par dfinition, la matrice MatB,B (f ) est forme en colonne des coordonnes des images des
vecteurs de B dans la base B, soit

1 1
MatB,B (f ) =
.
1 1
3. Comme la matrice MatB,B (f ) reprsentant lapplication linaire f dans la base B est de rang 1,
alors le rang de f est gal 1. Donc lapplication linaire f nest pas surjective, elle nest donc
pas bijective. Ce nest pas un isomorphisme.
Exercice 50 (Composes).
Soient f et g des endomorphismes de R2 dont les matrices associes dans des bases donnes
sont

1 1
3 2
A :=
et B :=
.
2 1
5 3
Calculer les matrices reprsentant les composes f g et g f dans les mmes bases.
Correction. Par la proposition 58, on sait que la matrice reprsentant la compose de deux
applications est le produit des matrices reprsentant chacune delles. La matrice associe la compose
f g est donc donne par le produit

1 1
3 2
2 1
AB =
=
.
2 1
5 3
11
7
Et la matrice associe la compose g f est donne par le produit

3 2
1 1
7 1
BA =
=
.
5 3
2 1
11 2

Exercice 51 (Dcalage bis).
infrieur ou gal 3, on considre lapplication linaire dcalage suivante

dec : R3 [X] R3 [X]
P (X) 7 P (X + 1) .
1. crire la matrice MatB,B (dec) de lapplication linaire dec dans la base B := {1, X, X 2 , X 3 }.
156
2. En utilisant la matrice MatB,B (dec), calculer limage par dec du polynme P = 2X 3 3X 2 +7.
3. Reprendre les questions de lexercice 44 avec cette reprsentation matricielle de lapplication
dec.
{1, 1 + X, 1 + 2X + X 2 , 1 + 3X + 3X 2 + X 3 }
forme une base de R3 [X].
Correction.
1. On commence par calculer les images des vecteurs de la base B par lapplication dec :
dec(1) = 1, dec(X) = 1 + X, dec(X 2 ) = 1 + 2X + X 2 et dec(X 3 ) = 1 + 3X + 3X 2 + X 3 .
La matrice MatB,B (dec) est forme en colonne
dans la base B, ce qui donne ici
1
0
MatB,B (dec) =
0
0
des coordonnes des images des vecteurs de B

1
1
0
0
1
2
1
0
1
3
3
1
2. Les coordonnes du polynme P = 2X 3 3X 2 + 7 dans la base B sont
7
0
C=
3 .
2
Les coordonnes de limage
cest--dire
1
0
0
0
dec(P ) dans la base B sont donnes par le produit MatB,B (dec)C,

1
1
0
0
1
2
1
0
7
1
0
3
3 3
2
1
6
0
= .
3
2
Limage de P par dec est donc

dec(P ) = 6 + 3X 2 + 2X 3 .
3. Limage de lapplication linaire est lespace vectoriel engendr par les vecteurs dont les coordonnes dans la base B sont les colonnes de la matrice MatB,B (dec). Comme la matrice MatB,B (dec)
est de rang maximal 4, alors limage de lapplication de dcalage est tout lespace vectoriel R3 [X],
i.e.
Im dec = R3 [X] .
Lapplication dec est un pimorphisme.
Il est facile de voir que seul le vecteur nul est solution

x
0
y 0
MatB,B (dec)
=
z 0
t
0
du systme dquations linaires
Donc, le noyau de lapplication dec est rduit au vecteur nul

Ker dec = {~0} .
Lapplication dec est un monomorphisme.
157
On en conclut que lapplication dec est un automorphisme. La matrice associe sa rciproque

dans la base B est linverse de la matrice MatB,B (dec) que lon calcule par des oprations
lmentaires en ligne

1 0 0 0 1 1
1 1 1 1 1 0 0 0
1 1
0 1 2 3 0 1 0 0 0 1 0 0 0
1 2
3

.
0 0 1 3 0 0 1 0 0 0 1 0 0
0
1 3
0
0
1
0 0 0 1 0 0 0 1
0 0 0 1 0
Do
(MatB,B (dec))1
0
= MatB,B (dec1 ) =
0
0
1
1 1
1 2
3
.
0
1 3
0
0
1
On peut remarquer quil sagit bien de la matrice de lapplication P (X) 7 P (X 1) dans la

base B.
4. La famille {1, 1 + X, 1 + 2X + X 2 , 1 + 3X + 3X 2 + X 3 } est limage de la base B par
lisomorphisme dec. Cest donc une base, par la proposition 50.

On considre la base suivante de R3
B := {(1, 0, 2), (2, 1, 1), (3, 0, 7)} .
1. crire les coordonnes dun lment (x, y, z) de R3 dans la base B.
On considre les sous-espaces vectoriels
U := Vect({(1, 0, 2)}) et V := Vect({(2, 1, 1), (3, 0, 7)}) .
2. Dcrire la projection projVU sur U paralllement V .
Correction.
1. On commence par crire la matrice associe lapplication identit partant de la base canonique
C et arrivant dans la base B. Elle est compose des coordonnes des vecteurs de B dans la base
C:
1 2 3
P := MatC,B (id) = 0 1 0 .
2 1 7
On calcule linverse de cette matrice en faisant les oprations suivantes sur les lignes
1 2 3 1 0 0
1 2 3 1 0 0
0 1 0 0 1 0
0 1 0 0 1 0
L3 L3 2L1
2 1 7 0 0 1
0 5 1 2 0 1
1 2 3 1 0 0
0 1 0 0 1 0
L3 L3 +5L2
0 0 1 2 5 1
1 0 0 7 17 3
0 1 0 0
1
0 .
L1 L1 2L2 3L3
5
1
0 0 1 2
Linverse P 1 de la matrice P sinterprte comme la matrice de lapplication identit de la base
canonique C vers la base B, i.e. P 1 = MatB,C (id).
Au final, pour obtenir les coordonnes dans la nouvelle base B dun vecteur dfini par (x, y, z)
dans la base canonique C, il suffit de regarder son image par lapplication identit (qui ne change
158
pas le vecteur) mais reprsente de la base C vers

par le produit suivant
x
7 17 3
1
0
P 1 y = 0
z
2
5
1
la base B ; matriciellement, elles sont donnes

x
7x 17y 3z
.
y =
y
z
2x + 5y + z
Les coordonnes dun vecteur (x, y, z) dans la base B sont donc

(7x 17y 3z, y, 2x + 5y + z) .
2. Nous venons de voir que tout vecteur (x, y, z) scrit de manire unique
(x, y, z) = (7x 17y 3z).(1, 0, 2) + y.(2, 1, 1) + (2x + 5y + z).(3, 0, 7)
|
{z
} |
{z
}
U
La projection projVU sur la droite U paralllement au plan V associe au vecteur (x, y, z) sa

composante sur U , cest--dire (7x 17y 3z).(1, 0, 2). Pour rsumer, la projection projVU est
lapplication linaire
R3
U
(x, y, z) 7 (7x 17y 3z).(1, 0, 2) = (7x 17y 3z, 0, 14x 34y 6z)

Exercice 53 (Application linaire et changement de bases).
1
f (x, y, z, t) = (y + t x, 2x + t, x z) .
2
1. crire la matrice A := MatB3 ,B4 (f ) de lapplication f dans les bases canoniques de R4 et R3 .
~a1 := (1, 1, 0, 1), ~a2 := (1, 0, 1, 0), ~a3 := (0, 1, 1, 1), ~a4 := (1, 2, 0, 0) .
2. Montrer que A := {~a1 , ~a2 , ~a3 , ~a4 } est une base de R4 .
~b1 := (2, 0, 0), ~b2 := (0, 1, 1), ~b3 := (1, 1, 0) .
3. Montrer que B := {~b1 , ~b2 , ~b3 } est une base de R3 .
4. crire la matrice B := MatB,A (f ) de lapplication f dans ces deux bases, partir de sa
dfinition.
5. Donner les matrices de passage P et Q des bases A et B dans les bases canoniques respectivement de R4 et R3 .
6. Retrouver la matrice B directement grce aux matrices A, P et Q.
Correction.
1. On calcule les images des vecteurs de la base canonique et on les range en colonne pour former
la matrice A. Cela donne
1 1
0 1
0 1 .
A= 2 0
1
0 1 0
2
159
2. On forme la matrice compose en

lchelonne (ici en colonne) :
1 1
1 0
0 1
1 0
colonne par les coefficients des vecteurs de la famille A et on

0
1
1
1
0
0
1
0
1
0
0
1
1
1
0
0
1
0
0
0
.
0
1
Comme la matrice chelonne est de rang maximal (4 colonnes non nulles), la famille A est une
base de R4 .
3. On procde la mme manire :
2
0
0
0
1
1

1
1
1 1
0
0
0
1
1
0
0 .
1
Comme la matrice chelonne est de rang maximal (3 colonnes non nulles), la famille B est une
base de R3 .
4. Par dfinition, la matrice B = MatB,A (f ) est compose en colonne des coordonnes dans la base
B des images des vecteurs de la famille A par lapplication f . On commence donc par calculer
les images des vecteurs de A :

1
1
1
, f (~a2 ) = 1, 2,
, f (~a3 ) = (2, 1, 1), f (~a4 ) = 1, 2,
.
f (~a1 ) = 1, 3,
2
2
2
On les crit ensuite dans la base B. Par exemple, on cherche rsoudre f (~a1 ) = ~b1 + ~b2 + ~b3 .
Ce qui est quivalent au systme dquations linaires
2 + = 1
= 12 (1 )
+ = 3
= 3
= 12
= 21 ,

dont lunique solution est (, , ) = 43 , 12 , 52 . On a donc
3
1
5
f (~a1 ) = ~b1 + ~b2 ~b3 .
4
2
2
En procdant de la mme manire, on trouve
7
1
5
f (~a2 ) = ~b1 ~b2 + ~b3 ,
4
2
2
f (~a3 ) = ~b2 + 2~b3 ,
1
1
3
f (~a4 ) = ~b1 + ~b2 + ~b3 .
4
2
2
Ce qui donne au final
3
7
1
4
4
4
1
1
1
.
B=
1
2
2
2
5
5
3
2
2
2
2
5. Par dfinition, les matrices de passage sont formes des coefficients des vecteurs
bases dans la base canonique. Ici, cela donne
1 1 0 1
2 0
1 0 1 2
et Q = MatB3 ,B (idR3 ) = 0 1
P = MatB4 ,A (idR4 ) =
0 1 1 0
0 1
1 0 1 0
des nouvelles
1
1 .
0
160
6. Par la proposition 61, on sait que la matrice reprsentant f dans les bases A et B est gale au
produit des matrices suivantes
B = MatB,A (f ) = (MatB3 ,B (id))1 MatB3 ,B4 (f ) MatB4 ,A (id) = Q1 AP .
Or, linverse de la matrice Q est gale
1
2
Q1 = 0
0
12
0
1
1
2
1 .
1
Et le produit Q1 AP redonne bien la matrice B de la question 4 :
1 1 0 1
1
1 1
0 1
12
2
2
1 0 1 2 1
2 0
0 1
0
1
0 1 1 0 = 2
1
0
1 1
0 1 0
2
1 0 1 0
5
2
7
4
1
2
5
2
1
4
1
.
2
3
2
Exercice
54 (Application linaire matricielle).
On reprend les notations de lexercice 45. Dans lespace vectoriel R3 , on note
E := {e~1 , e~2 , e~3 } la base canonique o
e~1 := (1, 0, 0),
e~2 := (0, 1, 0),
e~3 := (0, 0, 1) .

f~1 := (1, 0, 1),
f~2 := (0, 1, 2),
f~3 := (2, 1, 1) .
1. Montrer que F est une base de R3 .

Soit : R3 R3 lapplication linaire reprsente dans la base F par la matrice
1 1 2
B := MatF ,F () := 0 1 1 .
2 1 1
2. Donner une base de limage Im et du noyau Ker de .
3. Donner les coordonnes des vecteurs e~1 , e~2 et e~3 dans la base F.
4. En dduire les coordonns de (e~1 ), (e~2 ) et (e~3 ) dans la base F.
5. Donner enfin les vecteurs (e~1 ), (e~2 ) et (e~3 ) dans la base canonique E.
On considre la matrice reprsentant lapplication linaire dans la base canonique E :
A := MatE,E () .
6. Dcrire la matrice A.
On dnote les matrices de passage par
P := MatE,F (id) et P 1 = MatF ,E (id) .
7. Retrouver la matrice A par un calcul laide des matrices B, P et P 1 .
8. Donner la matrice reprsentant lapplication avec pour base la source E et pour base au
but F :
C := MatF ,E (f ) .
161
Correction.
1. On chelonne (en colonne) la matrice compose en colonne par les coefficients des vecteurs de
la famille F :
1 0 2
1 0 0
0 1 1 0 1 0 .
1 2 1
1 2 1
Comme la matrice chelonne est de rang maximal (3 colonnes non nulles), la famille F est une
base de R3 .
2. On chelonne en colonne la matrice
1
1
0
1
2 1
B:

2
1
1 0
1
2
0 0
1 0 .
3 0
Comme limage de est le sous-espace vectoriel engendr par les vecteurs dont les coordonnes
dans la base F sont les colonnes de B, on dduit de la matrice chelonne que limage de est
de dimension 2 et quil admet pour base
{f~1 + 2f~3 , f~2 3f~3 } .
Do
Im = Vect ({(5, 2, 1), (6, 4, 5)}) .
Par le thorme du rang, on sait que la dimension du noyau de est 1 ; une base est donc
donne par un de ses vecteurs non nuls. Les coordonnes dans F des vecteurs du noyau vrifient
le systme dquations linaires suivant

x + y + 2z = 0
x+z = 0
y+z
= 0
y+z = 0 .
2x y + z
= 0
Le vecteur (1, 1, 1) en est une solution non nulle. Do
Ker = Vect ({(1, 1, 1)}) .
3. Les coordonnes des vecteurs e~1 , e~2 et e~3 dans la base F forment les colonnes de la matrice
MatF ,E (id), qui est linverse de la matrice MatE,F (id). Or cette dernire est la matrice de passage
de la base F dans la base canonique ; elle est donc forme en colonne des coefficients des vecteurs
de F :
1 0 2
P = MatE,F (id) = 0 1 1
1 2 1
En faisant des oprations lmentaires par ligne, on obtient
1
f~1
MatF ,E (id) = (MatE,F (id))1 = P 1 = 1
f~2
f~3
~e1
~e2
~e3

~e1 = f~1 f~2 + f~3 ,
~e2 = 4f~1 + 3f~2 2f~3 ,
~e1 = 2f~1 f~2 + f~3 . .
162
4. Les images des vecteurs de E par lapplication linaire dans la base F sont donnes par le
produit matriciel BP 1 qui vaut
BP 1 =
f~1
f~2
f~3
(~e1 )
(~e2 )
(~e3 )
5. Il suffit maintenant dutiliser la dfinition des vecteurs de F dans la base canonique :

(~e1 ) =
(~e2 ) =
(~e3 ) =
~0
= (0, 0, 0),
3(1, 0, 1) + (0, 1, 2) + 3(2, 1, 1) = (9, 4, 2),
(1, 0, 1) 2(2, 1, 1)
= (5, 2, 1).
6. Par dfinition, la matrice A = MatE,E (f ) est compose en colonne des coordonnes dans la base
E des images des vecteurs de la base E par lapplication . La question prcdente nous donne
cette matrice :
0 9 5
A = 0 4 2 .
0 2 1
7. Par le corollaire 62, on sait que la matrice A reprsentant lendomorphisme dans la base E est
gale au produit des matrices suivantes
A = MatE,E () = MatE,F (id) MatF ,F () MatF ,E (id) = P BP 1 .
Le calcul effective
1 0
0 1
1 2
redonne bien la
2
1 1
1 0 1
1
2 1
matrice B :
2
1
1 1
1
1

4 2
0
3 1 = 0
2
1
0
9
4
2
5
2 .
1
8. La matrice C = MatF ,E () reprsentant dans la base E et la base F est gale au produit des
matrices suivantes
C = MatF ,E () = MatF ,F () MatF ,E (id) = BP 1 .
Le calcul donne
1
0
2
1
1
1
2
1
1 1
1
1

4 2
0
3 1 = 0
2
1
0
3
1
3
1
0 .
2
On retrouve bien le rsultat de la question 5.
Exercice 55 (Trace).
On considre lapplication f : R3 [X] R3 [X] dfinie par
f (a + bX + cX 2 + dX 3 ) := d +
2. Calculer sa trace.
a+b+c 2
X + (d b)X 3 .
2
163
Correction.
1. Soient , R deux nombres rels et soient P = a + bX + cX 2 + dX 3 et Q = a0 + b0 X +
c0 X 2 + d0 X 3 deux polynmes. On a

f (P + Q) = f (a + a0 ) + (b + b0 )X + (c + c0 )X 2 + (d + d0 )X 3
=
=
=
(a + a0 ) + (b + b0 ) + (c + c0 ) 2
X +
2
0
0
3
((d + d ) (b + b ))X

a+b+c 2
a0 + b0 + c0 2
3
0
0
0
3
X + (d b)X + d +
X + (d b )X
d+
2
2
(d + d0 ) +
f (P ) + f (Q) .
Donc lapplication f est linaire.

2. Pour calculer la trace de f , il suffit de la reprsenter matriciellement grce une base. La matrice
associe f dans la base canonique B = {1, X, X 2 , X 3 } de R3 [X] est
A=
1
2
1
2
1
2
X2
X3
f (1)
f (X)
f (X 2 )
f (X 3 )
Au final, on a
tr f = tr A =

Exercice 56 (Rang).
1
M := 4
6
2
0
7
3
.
2
3
5 .
8
1. Calculer le dterminant de M .
2. Quel est le rang de la matrice M ?
{(1, 4, 6), (2, 0, 7), (3, 5, 8)}
3
forme une base de R .

Correction.
1. La mthode de Sarrus donne ici
det M = 60 + 84 64 35 = 45 .
2. Par la proposition 71, comme le dterminant de M est non nul, cette matrice est de rang maximal,
cest--dire
rg M = 3 .
3. La famille {(1, 4, 6), (2, 0, 7), (3, 5, 8)} est limage de la base canonique de R3 par lautomorphisme fM . Cest donc une base par la proposition 50.
164
Exercice 57 (Mthode de Cramer).

On considre le systme dquations linaires suivant
= 1
2x + y z
3x + 2y + z = 4
x + 3y + z
= 2.
1. Dcrire lensemble des solutions avec la mthode de Cramer.
2. Retrouver ce rsultat par un calcul matriciel utilisant linversion dune matrice.
Correction.
1. On considre les matrices
2
A := 3
1
1
2
3
1
1
1
1
et B := 4 .
2
x
Avec ces notations, les solutions du systme dquations linaires sont les vecteurs X = y
z
de R3 qui vrifient AX = B.
Le dterminant de la matrice A vaut
2 1 1
3 2
1 = 4 + 1 9 6 + 2 3 = 11
1 3
1
par la mthode de Sarrus.
Comme ce dterminant nest pas nul, le systme admet une seule solution qui est donne par
la mthode de Carmer de la manire suivante.
x=
1
1
4
det A
2
1
2
3
1
11
1 =
= 1,
11
1
y=
2
1
3
det A
1
1
4
2
1
1 = 0,
1
z=
2
1
3
det A
1
1
2
3
1
11
4 =
= 1.
11
2
La seule solution de ce systme est donc

(1, 0, 1) .
2. Une autre manire de trouver ce rsultat consiste inverser la matrice (inversible) A :
1
4 3
1
2 3
5
A1 =
11
7
5 1
Dans ce cas, lunique solution est donne par X = A1 B, cest--dire
x
1
1
y =
2
11
z
7

4 3
1
1
3
5 4 = 0 .
5 1
2
1
165
Exercice 58 (Diagonalisation valeurs propres simples).

Soit f : R3 R3 lapplication linaire dont la matrice dans la base canonique B est la suivante
1 1 1
A = MatB,B (f ) := 1 1 0 .
0 0 1
2. En dduire, sans calcul, que 0 est valeur propre de f .
4. En dduire, sans plus de calcul, mais en justifiant, que f est diagonalisable.
5. Montrer, sans diagonaliser compltement A, que tr(Ak ) = 1 + 2k , pour tout k N\{0}.
6. Diagonaliser lendomorphisme f .
Correction.
1. Le rang de f est le rang de la matrice A. On le calcule en chelonnant la matrice, par exemple
par colonnes de la manire suivante.
1
1
0
1
1
0
1
0
1
C2 C2 C1
C3 C3 +C1
1
1
0
0
0
0
1
0
1 C2 C3 1
0
1
0
1
1
0
0
0
Comme la matrice chelonne possde deux colonnes non nulles, son rang est gal 2, do
rg f = 2 .
2. Comme le rang de f nest pas maximal, lapplication linaire f nest pas surjective. Nous sommes
en prsence dun endomorphisme en dimension finie, cette application nest donc pas injective,
par le thorme 56. Donc il existe au moins un vecteur non nul ~u 6= ~0 dans son noyau, cest--dire
un vecteur propre : f (~u) = ~0 = 0.~u. La valeur 0 est donc valeur propre.
3. Par dfinition, le polynme caractristique est gal
f (X) = det(A XI) =
1X
1
0
1
1X
0
1
0
.
1X
En le dveloppant par rapport la dernire ligne, on trouve

f (X)
=
=
(1 X)
1X
1
1
= (1 X)((1 X)2 1) = (1 X)(X 2 2X)
1X
(1 X)X(X 2) .
4. Comme le polynme caractristique est scind racines simples, on a, par le corollaire 81, que
lendomorphisme f est diagonalisable.
5. Comme le polynme caractristique est scind racines simples, on sait que tous les sous-espaces
propres non triviaux, ici E0 , E1 et E2 , sont de dimension 1. Ce qui signifie quil existe une base
de vecteurs propres de R3 de la forme B 0 = {~v0 , ~v1 , ~v2 } avec ~v0 E0 , ~v1 E1 et ~v2 E2 . Mme
sans connatre les coordonnes exactes de ces trois vecteurs, on sait que la matrice reprsentant
lendomorphisme f dans cette base sera
0 0 0
:= MatB0 ,B0 (f ) = 0 1 0 .
0 0 2
166
Si on appelle P := MatB,B0 (id) la matrice de passage de la base B 0 dans la base B, alors

= P 1 AP , o de manire quivalente A = P P 1 . Donc
0 0 0
Ak = P k P 1 = P 0 1 0 P 1 .
0 0 2k
On conclut que
tr(Ak ) = tr(P k P 1 ) = tr(k ) = 1 + 2k .
6. Diagonaliser lendomorphisme f signifie trouver une base de vecteurs propres de R3 .
= 0 : On cherche un vecteur propre de valeur propre 0, cest--dire une vecteur de R3
qui vrifie f (~v0 ) = ~0. Avec la dfinition de f , cela revient chercher une solution non
nulle au systme suivant
x+yz = 0
x+y
= 0
z
= 0,
1
Le vecteur de coordonnes ~v0 = 1 convient.
0
= 1 : On cherche un vecteur propre de valeur propre 1, cest--dire une vecteur de R3

qui vrifie f (~v1 ) = ~v1 . Avec la dfinition de f , cela revient chercher une solution non
x+yz = x
x+y
= y
z
= z,
0
1
= 2. : On cherche un vecteur propre de valeur propre 2, cest--dire une vecteur de R3

qui vrifie f (~v2 ) = 2~v2 . Avec la dfinition de f , cela revient chercher une solution non
x + y z = 2x
x+y
= 2y
z
= 2z ,
1
0
La matrice de passage P = MatB,B0 (id) de la base B 0 dans la base B. Elle est forme en
colonne des coordonnes des vecteurs de la base B 0 dans la base B, soit
1
P = 1
0
0 1
1 1 .
1 0
167
On calcule
1
1
0
linverse de la matrice P par les oprations
0 1 1 0 0
1
L2 L3
0
1 1 0 1 0
L3 L3 +L1
1 0 0 0 1
0
L3 12 (L3 L2 ) 0
0
0
L1 L1 L3 )
0
par ligne suivantes
0 1 1 0 0
1 0 0 0 1
1 2 1 1 0
0
1
0
1
0
1
0 0
1 0
0 1
1
0
0
0
1
2
1
2
1
2
12
0
1
2
1
2
0
1
12
1
2
1 .
12
Ce qui donne
1
2
12
0
1
2
1
2
P 1 = 0
1
2
1 .
12
Le calcul final de
P 1 AP = MatB0 ,B (id) MatB,B (f ) MatB,B0 (id)
vaut bien = MatB0 ,B0 (f ) :
1
1
1
12
2
2
0
0
1 1
1
1
0
12
2
2
1
1
0
1
1
0 1
1
0

0 1
0
1 1 = 0
1 0
0
0
1
0
0
0 .
2

Exercice 59 (Diagonalisation valeurs propres avec multiplicit)
On note B := {e~1 , e~2 , e~3 } la base canonique de R3 . On considre lapplication linaire f : R3
R3 , X 7 M X, dont la matrice reprsentative dans la base B est la suivante
3 1 1
2
0 .
A = MatB,B (f ) := 0
1 1
3
2. En dduire que F := {f (e~1 ), f (e~2 ), f (e~3 )} est une base de R3 et que 0 nest pas valeur propre
de f .
et 4 ? Trouver une base de R3 constitue de vecteurs propres de f .
5. Trouver une matrice inversible P GL3 (R) et une matrice diagonale telles que A =
P 1 P .
Correction.
1. On chelonne la matrice A par colonnes de la manire suivante.
3 1 1
3 0 0
C2 3C2 +C1
0
0 6 0
2
0
C3 3C3 +C1
1 1
3
1 2 8
Comme la matrice chelonne possde trois colonnes non nulles, son rang est gal 3
rg A = 3 .
168
2. Comme le rang de A est maximal, et comme f est un endomorphisme dun espace de dimension
finie, alors le thorme 56 montre que f est un automorphisme. Et on sait, par la proposition 50
quun isomorphisme envoie une base sur une base. Donc F = {f (e~1 ), f (e~2 ), f (e~3 )} est une base
de R3 .
Comme f est un automorphisme, son noyau est rduit au vecteur nul
Kerf = E0 = {~0} .
Il ny a donc aucun vecteur propre associ 0. La valeur 0 nest pas une valeur propre de f .
3. La polynme caractristique de f est gal
f (X) = det(A XI) =
3X
0
1
1
2X
1
1
0
.
3X
En le dveloppant par rapport la deuxime ligne, on trouve

f (X)
=
=
(2 X)
3X
1
1
= (2 X)((3 X)2 1) = (2 X)(X 2 6X + 8)
3X
(X 2)2 (X 4) .
4. On sait que la dimension des sous-espaces propres non-triviaux est majore par la multiplicit de
leur valeur propre comme racine du polynme caractristique. Ici, cela donne que la dimension du
sous-espace propre E4 est gale 1 et que la dimension du sous-espace propre E2 est comprise
entre 1 et 2. Pour pouvoir tre plus prcis, on faut rsoudre les deux systmes dquations linaires
qui les dfinissent.
= 2 : On cherche les vecteurs
qui vrifient f (~u) = 2~u :
3x y z
2y
x + y + 3z
propres de valeur propre 2, cest--dire les vecteurs de R3

=
=
=
2x
2y
2z
x=y+z .
Le sous-espace propre E2 est donc le plan dquation x = y+z. Il est donc de dimension 2.
Et une base en est donne par les deux vecteurs
1
1
~v1 := 1 , ~v2 := 0 .
1
0
= 4 : On cherche un vecteur propre de valeur propre 4, cest--dire un vecteur de R3 qui
vrifient f (~v3 ) = 4~v3 :
3x y z = 4x
x y z = 0
2y
= 4y
y
= 0
x + y + 3z = 4z
x + y z = 0 ,
Le vecteur de coordonnes
1
~v3 := 0 ,
1
est un vecteur propre de valeur propre 4.
Au final, la famille
1
1
1
B 0 = ~v1 = 1 , ~v2 = 0 , ~v3 = 0
0
1
1
169
forme une base de vecteurs propres de R3 .

5. Soit P := MatB,B0 (id) la matrice de passage de la base B 0 dans la base B. Elle est forme en
colonne des coordonnes des vecteurs de la base B 0 dans la base B, soit
1 1 1
P = 1 0 0 .
0 1 1
Dans ce cas, la matrice = P 1 AP nest autre
propres :
2 0
= 0 2
0 0
Exercice 60 (Non diagonalisable).

7
A := 6
4
3
2
2
que la matrice diagonale compose des valeurs
0
0 .
4
4
5 .
1
1. Calculer le polynme caractristique A (X) de la matrice A.

et 2 ?
3. La matrice A est-elle diagonalisable ?
Correction.
1. La polynme caractristique de A est gal
A (X) = det(A XI) =
7X
6
4
3
2 X
2
4
1X
3
5
= 2(1 X) 2 X
1 X
0
2
4
5
1 X
en soustrayant deux fois la deuxime colonne de la premire. On peut factoriser (1 X) de la

premire colonne par la proposition 67 :
1X
3
2(1 X) 2 X
0
2
4
1
5
= (1 X) 2
1 X
0
3
2 X
2
4
1
5
= 0
1 X
0
3
4X
2
4
3
.
1 X
En dveloppant par rapport la premire colonne, on obtient au final

4X
3
A (X) = (1 X)
= (1 X) (4 X)(1 X) + 6 = (X 1)2 (X 2) .
2
1 X
2. Comme 2 est racine simple du polynme caractristique, on sait que la dimension du sous-espace
propre E2 est gale 1
dim E2 = 1 .
Comme 1 est racine double du polynme caractristique, on sait que la dimension du sous-espace
propre E1 est gale 1 ou 2. Pour dterminer la valeur exacte, on applique le thorme du rang
A I. En chelonnant la matrice A I, on trouve
7
3 4
1 0 0
6 2 5 2 3 0 .
4
2 1
0 2 0
Le rang de A I est donc gal 2 et la dimension de E1 = Ker(A I) est gale
dim E1 = dim Ker(A I) = dim R3 rg (A I) = 3 2 = 1 .
170
3. Au final, la dimension totale des sous-espaces propres est gale

dim E1 + dim E2 = 1 + 1 = 2 < 3 = dim R3 .
Il est donc impossible de trouver une base de vecteurs propres. (Au mieux, nous pouvons trouver
une famille libre de vecteurs propres deux lments.) La matrice A nest pas diagonalisable.
Exercice 61 (Non diagonalisable, mais trigonalisable).

On reprend lnonc de lexercice 60.
4. La matrice A est-elle trigonalisable ?
5. Donner une matrice inversible P telle que P 1 AP soit une matrice triangulaire suprieure.
Correction.
4. Nous avons vu que le polynme caractristique A (X) = (X 1)2 (X 2) est scind. On en
conclut, par le critre de trigonalisabilit (thorme 82) que la matrice A est trigonalisable.
5. Pour former une base de trigonalisation, nous allons commencer par chercher un maximum de
vecteurs propres. On sait que lon peut en trouver deux linairement indpendants. Il nous suffira
ensuite de complter cette base avec un dernier vecteur.
= 2 : On cherche un vecteur propre de valeur propre 2, cest--dire un vecteur X =
t
(x, y, z) de R3 qui vrifie AX = 2X, cest--dire (A 2I)X = 0 :
5x + 3y 4z = 0
6x 4y + 5z = 0
2x = 2y = z .
4x + 2y 3z = 0
On considre donc le vecteur propre
1
~u := 1 .
2
= 1 : On cherche un vecteur propre de valeur propre 1, cest--dire un vecteur X =

t
(x, y, z) de R3 qui vrifie AX = X, cest--dire (A I)X = 0 :

6x + 3y 4z = 0
z = 0
6x 3y + 5z = 0
2x = y .
4x + 2y 2z = 0
1
~v := 2 .
0
Soit w
~ un vecteur de R3 qui complte {~u, ~v } en une base. Soit P la matrice de passage de
cette base dans la base canonique. Quelque soit le vecteur w,
~ on sait que la conjugu de la
matrice A par P est de la forme
2 0
P 1 AP = 0 1 ,
0 0
car ~u et ~v sont des vecteurs propres. Mieux, comme la trace est invariante par conjugaison, on
obtient
tr P 1 AP = 3 + = tr A = 4 ,
do = 1.
171
La seule contrainte pour le vecteur w

~ est quil soit linairement indpendant de ~u et ~v . On
considre ici le vecteur

0
w
~ := 0 .
1
La matrice de passage ici vaut donc
1
P = 1
2
1
2
0
0
0 .
1
Son dterminant vaut 3, elle est donc inversible et les trois vecteurs ~u, ~v , w
~ forment bien une
base de R3 . On sait dj que
4
1
1
0
~ = 1 + 2 + 0 ,
Aw
~ = 5 = ~u + ~v + w
1
2
0
1
ce qui se rsout rapidement pour donner : = 1 et = 3.
Au final, la matrice P permet de trigonaliser la matrice A sous la forme
2 0 1
P 1 AP = 0 1 3 .
0 0 1

Exercice 62 (Trigonalisation).
On considre lapplication linaire f : R3 R3 dont la matrice reprsentative dans la base
canonique B est la suivante
2 2 3
A = MatB,B (f ) := 5 1 5 .
3 4 0
1. Lendomorphisme f est-il trigonalisable ?
2. Quelle est la dimension du sous-espace propre E1 associ la valeur propre 1 ?
3. Lendomorphisme f est-il diagonalisable ?
4. Donner une base dans laquelle lendomorphisme f est reprsent par une matrice triangulaire
suprieure.
Correction.
1. On commence par calculer le polynme caractristique
f (X) = det(A XI) =
2X
5
3
2
1X
4
3
2X
5 =
5
X
3
2
1X
4
1X
1X ,
1X
en sommant toutes les colonnes la dernire. On factorise le dterminant par (1 X) grce

la proposition 67 :
f (X)
(1 X)
2X
5
3
(1 X)
3+X
5 + X
(X 1)3 .
2
1X
4
1
2X
1 = (1 X) 3 + X
1
5 + X
2
1 X
2
1
0
0

1 X
= (1 X) 2(3 + X) + (X 5)(1 + X)
2
172
Comme le polynme caractristique est scind, le critre de trigonalisabilit (thorme 82) affirme
que lendomorphisme f est trigonalisable.
2. Comme on peut chelonner la matrice A I, par colonne, sous la forme
2 2 3
1 0 0
5 1 5 0 1 0 ,
3 4 0
2 1 0
on sait que son rang est 2. En appliquant le thorme du rang lendomorphisme f id, on
obtient la dimension du sous-espace E1 associ la valeur propre 1
dim E1 = dim Ker(f id) = dim R3 rg (f id) = 3 2 = 1 .
3. Ici, la somme des dimensions des sous-espaces propres est gale 1, ce qui est strictement infrieur
la dimension de lespace R3 . Il est donc impossible de trouver une base de vecteurs propres ;
tout au plus, nous pourrons un vecteur propre linairement indpendant. Lendomorphisme f
nest donc pas diagonalisable.
4. On suit la mme mthode que pour lexercice prcdent : on va commencer par trouver un
maximum de vecteurs propres, un seul ici.
On cherche un vecteur propre de valeur propre 1, cest--dire un vecteur ~u = (x, y, z) de R3
qui vrifie f (~u) = ~u, cest--dire
x + 2y 3z = 0
5x
5z = 0
x = y = z .
3x + 4y z = 0
1
~u := 1 .
1
Raisonnons maintenant par analyse-synthse pour trouver les deux vecteurs de base suivants.
Supposons que lon ait deux vecteurs ~v et w
~ tels que la famille F := {~u, ~v , w}
~ forme une base de
trigonalisation de f . Par le thorme 82, la matrice reprsentant lendomorphisme f dans cette
base est donc de la forme
1
B = MatF ,F (f ) := 0 1 .
0 0 1
On sait donc que limage du vecteur ~v est de la forme f (~v ) = ~v + ~u, cest--dire
f (~v ) ~v = (f id)(~v ) = ~u .
Comme ~u est vecteur propre de valeur propre 1, cest--dire ~u est un lment du noyau de f id,
on en conclut que
(f id)2 (~v ) = (f id)(~u) = ~0 .
On arrte ici la phase danalyse ; on a assez dinformation pour procder la synthse et conclure.
Cherchons un vecteur ~v dans le noyau de (f id)2 . Pour cela, on utilise la matrice (A I)2
qui reprsente lendomorphisme (f id)2 dans la base canonique. Cette dernire vaut
2 1 1
(A I)2 = 10 2 1 1
2 1 1
173
et donc le noyau de (f id)2 est le plan dquation 2x y z = 0. On voit facilement que le

vecteur

1
~v = 2
0
en fait partie et quil est linairement indpendant de ~u, car non colinaire. Un calcul rapide
montre que

6
f (~v ) = 7 = 5~u + ~v ,
5
do = 5.
Enfin, tout vecteur w
~ compltant {~u, ~v } en une base de R3 convient. Ici, on considre

0
w
~ := 0 .
1
On sait dj que f (w)
~ = ~u + ~v + w
~ ; le calcul donne
3
~ ,
f (w)
~ = 5 = ~u 2~v + w
0
soit = 1 et = 2.
Au final, la matrice reprsentant lendomorphisme f

1
1
F = 1 , 2 ,
0
1
dans la base
0
0
est triangulaire suprieure
1
Mat, F (F)f = 0
0
5
1
0
1
2 .
1

Exercice 63 (Puissance de matrice diagonalisable).
3 1 1
2
0 .
A= 0
1 1
3
de lexercice 59.
Calculer les puissances Ak , pour k N.
Correction. On reprend les notations de lexercice 59. On calcule linverse de la matrice de
passage P par des oprations lmentaires par ligne, ce qui donne
0 1
0
1
1
P = 1 1 1
.
2
1 1 1
174
On a donc
1
1
P = 1
2
0
1
0
1
2k + 4 k
2k 4k
2k 4k
k+1
0
2k 4k
2k
1
0
0
1
0
4
1
1
1
2k + 4k
0
2k
0
2k + 4k

Exercice 64 (Puissance de matrice avec le thorme de CayleyHamilton)

A :=
1
2
2
1

.
1. Calculer les puissances Ak , pour k N, en diagonalisant la matrice A.

2. Retrouver ce rsultat en utilisant le thorme de CayleyHamilton et la division euclidienne
des polynmes.
Correction.
1. Le polynme caractristique de la matrice A vaut
A (X) = det(AXI) =
1 X
2
2
= (X +1)2 4 = X 2 +2X 3 = (X 1)(X + 3) .
1 X
Comme ce dernier est scind racines simples, la matrice A est diagonalisable, par le corollaire 81.
= 1. On cherche un vecteur propre de valeur propre 1, cest--dire un vecteur X = t (x, y)
de R2 vrifiant (A I)X = 0 :

2x + 2y = 0
x = y .
2x 2y = 0

1
1
~u :=
= 3. On cherche un vecteur propre de valeur propre 3, cest--dire un vecteur X =

t
(x, y) de R2 vrifiant (A + 3I)X = 0 :

2x + 2y = 0
x = y .
2x + 2y = 0

~v :=
1
1

.
Ceci donne la matrice de passage

P =
1
1
1
1
175
qui admet pour inverse

P 1 =
1
2
1
1
1
1

.
Les puissances de A se calculent donc de la manire suivante

1
1
1
0
1 1
1 1
1 + (3)k
Ak =
=
k
1 1
1 1
0 (3)
1 (3)k
2
2
1 (3)k
1 + (3)k
2. La division euclidienne du polynme X k par le polynme caractristique A (X) = (X 1)(X +3)

donne
X k = (X 1)(X + 3)Qk (X) + Rk (X) ,
o le reste est un polynme de degr 1 : Rk (X) = ak X + bk . En valuant lgalit prcdente
en X = 1, on trouve
1 = ak + bk
et en lvaluant en X = 3, on trouve
(3)k = 3ak + bk .
La rsolution de ce systme linaire de deux quations deux inconnues donne

1
k
ak = 4 1 (3)

1
3 + (3)k .
4
Le thorme 84 de CayleyHamilton permet de conclure que
b
k
Ak
= A (A) Qk (A) + Rk (A) = ak A + bk I

| {z }
=0

1 2
1
1
1
k
k
=
1 (3)
+ 3 + (3)
2 1
0
4
4

1
1 + (3)k 1 (3)k
.
=
1 (3)k 1 + (3)k
2
0
1
CHAPITRE 4
ESPACES EUCLIDIENS
Dans les chapitres prcdents, nous avons conceptualis les proprits bien connues des vecteurs du plan ou de lespace : somme et multiplication par un scalaire. Cela nous a men la
notion gnral despace vectoriel, dont nous avons pu constater quelle englobait de nombreux
types dexemples : puissances quelconques de R, polynmes, matrices, fonctions, etc.
Poursuivons cette dmarche un cran plus loin. Dans le plan et dans lespace, nous disposons
doutils mtriques pour tudier les vecteurs : individuellement, il existe la notion de norme qui
permet dvaluer leur taille, et collectivement, il existe la notion de produit scalaire qui permet de
mesurer dans quelle configuration se trouvent deux vecteurs, orthogonaux par exemple.
Le but de ce chapitre est donc de dfinir une notion gnrale de produit scalaire pour tout
espace vectoriel. On appelle espace euclidien la donne dun espace vectoriel de dimension finie
muni dun produit scalaire. Une telle donne nous permettra, par exemple, dvaluer la taille de
polynmes et de matrices (norme) et dtudier leur degr dindpendance (orthogonalit).
Dans ce chapitre, on ne travaillera quavec des espaces vectoriels dfinis sur les nombres rels
et de dimension finie.
4.1. Formes bilinaires
On introduit les formes bilinaires en suivant exactement le mme plan quau chapitre prcdant
pour la notion dapplication linaire : dfinition, exemples, contre-exemple, caractrisation grce
une base, le cas de Rn , reprsentation matricielle.
Dfinition (Forme bilinaire). Une forme bilinaire dun espace vectoriel E est une application

: E E
R
(~x, ~y ) 7 (~x, ~y ) ,
linaire en chacune de ses entres, cest--dire
(1 ~x1 + 2 ~x2 , ~y ) = 1 (~x1 , ~y ) + 2 (~x2 , ~y ) ,
(~x, 1 ~y1 + 2 ~y2 ) = 1 (~x, ~y1 ) + 2 (~x, ~y2 ) ,
178
CHAPITRE 4. ESPACES EUCLIDIENS
pour tout 1 , 2 , 1 , 2 R et pour tout ~x, ~x1 , ~x2 , ~y , ~y1 , ~y2 E .

Remarques.
Avec des mots, ces deux dernires conditions signifient que si on fixe une entre, par exemple
la seconde avec un vecteur quelconque ~y , alors lapplication ainsi obtenue

(, ~y ) : E
R
~x 7 (~x, ~y )
est linaire, au sens du chapitre prcdent.
Une forme est une application dont lensemble darrive est lensemble des nombres rels.
Exemples.
Lapplication

RR
(x, y)
R
7 3xy
est une forme bilinaire. En effet, les deux applications x 7 (3y)x et y 7 (3x)y sont bien
linaires.
Dans le plan P, le produit scalaire classique

P P R
(~x, ~y )
7 ~x.~y
est une forme bilinaire. (1)
Aprs identification sur la base canonique, le produit scalaire du plan P donne la forme
bilinaire suivante de R2 :

R2 R2
R

(x1 , x2 ), (y1 , y2 ) 7 x1 y1 + x2 y2 .
Plus gnralement, le produit scalaire canonique de Rn , dfini par

h , i : R n Rn
R
(X, Y ) 7 hX, Y i = tXY = x1 y1 + + xn yn
pour toute paire de vecteurs
x1

X = ...
y1

et Y = ...
xn
yn
est une forme bilinaire.

De manire gnrale, on peut insrer nimporte quelle matrice carre M Mn dans la dfinition prcdente ; cela donne encore une forme bilinaire

h , iM : Rn Rn
R
(X, Y ) 7 hX, Y iM = tXM Y
de Rn . Avec les valeurs de la matrice
m1,1
..
M = .
mn,1
..
.
m1,n
..
.
mn,n
1. Heureusement, cest de lui dont on sest inspir pour cette dfinition.
179
4.1. FORMES BILINAIRES
cela donne explicitement
hX, Y iM = tXM Y = x1
m1,1
.
xn ..
mn,1
..
.

m1,n
y1
.. .. =
. .
mn,n
yn
xi mi,j yj .
16i,j6n
Tout comme pour les applications linaires, nous verrons ci-dessous que toutes les formes
bilinaires de Rn sont de ce type !
On peut considrer des formes bilinaires sur dautres espaces vectoriels que les puissances
de R. Par exemple, lapplication suivante
R
R[X] R[X] Z
1
(P, Q)
P (x)Q(x)dx
0
dfinit une forme bilinaire sur lespace vectoriel des polynmes.

Contre-exemple.
Lapplication

RR
R
(x, y) 7 3xy 2
est bien une forme linaire gauche mais pas droite. En effet, si on fixe la variable y,
lapplication induite x 7 (3y 2 )x est bien linaire, mais si on fixe la variable x, lapplication
induite y 7 (3x)y 2 nest pas linaire.
Exercice 65 (Formes bilinaires de Rn ). On considre les applications suivantes

1 : R R
(x, y)
2 :
R
.xy ,
R2 R2

(x1 , x2 ), (y1 , y2 )
R
7 .x1 y1 + 2.x1 y2 x2 y1 + 3.x2 y2 ,
1. Montrer quil sagit de formes bilinaires.
Proposition 85. Toute forme bilinaire : E E R est caractrise par lensemble des
images
{(~ei , ~ej )}16i,j6n
des paires de vecteurs dune base B = {~e1 , . . . , ~en }.
Dmonstration. Voyons comment on peut retrouver la forme bilinaire dans son entier
partir des valeurs (~ei , ~ej ) prises sur la base B = {~e1 , . . . , ~en }. Soient ~x et ~y deux vecteurs de E .
Ils scrivent comme combinaisons linaires sur la base B :
~x = x1~e1 + + xn~en
et ~y = y1~e1 + + yn~en .
La bilinaire de , dabord gauche, puis droite, permet de calculer (~x, ~y ) de la manire

suivante
(~x, ~y )
(x1~e1 + + xn~en , y1~e1 + + yn~en )
= x1 (~e1 , y1~e1 + + yn~en ) + + xn (~en , y1~e1 + + yn~en )

X
=
xi yj (~ei , ~ej ) .
16i,j6n
180
Comme les valeurs prises par une forme bilinaire sur une base permettent de la dcrire fidlement, rangeons les dans une matrice.
Dfinition (Matrice associe une forme bilinaire). Soit : E E R une forme
bilinaire et soit B = {~e1 , . . . , ~en } une base de E . La matrice associe la forme bilinaire dans
la base B est la matrice

MatB () := (~ei , ~ej ) 16i,j6n
dont lentre la ie ligne et je colonne est le nombre (~ei , ~ej ).

Attention
. Attention ne pas confondre avec la matrice reprsentant une application
linaire. Pour se souvenir de cette dfinition, on peut saider en reprsentant les lments de la
base B gauche et en haut de la matrice
~e1
~e2
..
.
~en
~e1
(~e1 , ~e1 )
(~e2 , ~e1 )
..
(~en , ~e1 )
..
.
~en
(~e1 , ~en )
(~e2 , ~en )
..
.
(~en , ~e2 )
(~en , ~en )
~e2
(~e1 , ~e2 )
(~e2 , ~e2 )
..
.
On voit bien que cest compltement diffrent de la matrice associe une application linaire.
Par exemple, ici, il ny a pas interprter limage de vecteurs par une application dans une base
pour obtenir des coefficients ; les calculs des (~ei , ~ej ) donnent directement des nombres.
Exemple. Considrons la forme bilinaire suivante sur lespace vectoriel des polynmes de
degr infrieur au gal 2

: R2 [X] R2 [X]
R
(P, Q)
7 P (0)Q(0) + P (1)Q(1) + 2P (2)Q(2) .
Lvaluation de cette forme bilinaire sur toutes les paires de vecteurs de la base canonique C =
{1, X, X 2 } donne
1
1
X
X2
X2
(1, 1) = 4
(X, 1) = 5
(X 2 , 1) = 9
(1, X) = 5
(X, X) = 9
(X 2 , X) = 17
(1, X 2 ) = 9
(X, X ) = 17
2
2
(X , X ) = 33
2
Donc la matrice qui reprsente dans la base canonique est
4 5 9
MatC () = 5 9 17 .
9 17 33
Thorme 86.
Toute les formes bilinaires de Rn sont du type

h , i M : Rn Rn
R
(X, Y ) 7 hX, Y iM = tXM Y ,
o M Mn est une matrice carre.
Aprs choix dune base B = {~e1 , . . . , ~en } de E , toute forme bilinaire : E E R scrit

: E E
R
(~x, ~y ) 7 (~x, ~y ) = tXM Y
avec
X = [ ~x ]B ,
Y = [ ~y ]B
et
M = MatB () .
181
Dmonstration.
Soit : Rn Rn R. En reprenant la dmonstration de la proposition 85 en considrant la
base canonique B = {~e1 , . . . , ~en } de Rn , on obtient
X
(X, Y ) =
xi (~ei , ~ej ) yj = tXM Y = hX, Y iM ,
16i,j6n
avec M = MatB ().

La dmonstration de cette assertion se fait de la mme manire que la prcdente :
X
(~x, ~y ) =
xi (~ei , ~ej ) yj = t [ ~x ]B MatB () [ ~y ]B .
16i,j6n
Remarque
. Comme pour les applications linaires : on connait la forme gnrale des
formes bilinaires de Rn et, par choix dune base, on peut toujours ramener ltude dune forme
bilinaire dun espace vectoriel une de ce type.
Exercice 65 (Formes bilinaires de R suite). On considre nouveau les deux formes

bilinaires 1 et 2 donnes dans lexercice 65, auxquels on ajoute les deux formes bilinaires
suivantes

3 :
R3 R3

(x1 , x2 , x3 ), (y1 , y2 , y3 )
4 :
R 4 R4

(x1 , x2 , x3 , x4 ), (y1 , y2 , y3 , y4 )
R
7
2x1 y1 + x2 y2 + x1 y3 + x3 y1 + x2 y3 + x3 y2 + 2x3 y3 ,
R
7
x1 y3 + 2.x1 y1 x2 y1 2.x3 y3 + 7x1 y4 .
2. Pour chacune dentre elles, donner la matrice associe dans la base canonique.
Comme pour les applications linaires, on voit que la matrice reprsentant une forme bilinaire
dpend intrinsquement de la base choisie. La formule suivante dcrit leffet dun changement de
base au niveau de cette matrice.
Proposition 87 (Formule de changement de base des formes bilinaires)
Soit : E E R une forme bilinaire et soient A et B deux bases de E . Si on note par
P = MatA,B (id) la matrice de passage de la base B dans la base A, alors la matrice reprsentant
la forme bilinaire dans la base B est donne par
MatB () = tP MatA ()P .
Dmonstration. Notons par A = {~e1 , . . . , ~en } et B = {f~1 , . . . , f~n } les lments respectifs des
deux bases. Rappelons que la matrice de passage
P = MatA,B (id) = [ f~1 ]A

est forme en colonne des coordonnes
de matrices tP MatA () P vaut
t ~
[ f1 ]A
(~e1 , ~e1 )
..
..
.
.
t ~
(~en , ~e1 )
[ fn ]A
[ f~n ]A
des vecteurs de la famille B sur la base A. Donc le produit
..
.
(~e1 , ~en )
~
..
[ f1 ]A
.
(~en , ~en )
[ f~n ]A .
182
On voit alors que le coefficient de la ie ligne et de la je colonne est donn par

t
[ f~i ]A MatA () [ f~j ]A = (f~i , f~j ),
qui est prcisment le coefficient de la ie ligne et de la je colonne de la matrice MatB () reprsentant

la forme bilinaire dans la base B.
Remarque
. Encore une fois, remarquez lanalogie mais aussi la diffrence avec le cas
des applications linaires o la formule de changement de base est P 1 M P . Le cas des formes
bilinaires est plus simple car nous navons pas inverser de matrice.
Exemple. Reprenons lexemple prcdent

: R2 [X] R2 [X]
R
(P, Q)
7 P (0)Q(0) + P (1)Q(1) + 2P (2)Q(2) .
de forme bilinaire sur lespace vectoriel des polynmes de degr infrieur ou gal 2 et considrons
maintenant la base B := {X, X 2, X(X 2)} de polynmes chelonns en degr. Si on crit la
matrice reprsentant la forme bilinaire dans cette nouvelle base, on trouve, en utilisant la
dfinition
9 1 1
1 .
MatB () = 1 5
1 1
1
Ici la matrice de passage est
P = MatC,B (id) = 1
0
La formule de changement
0
t
P MatC ()P = 2
0
2
1
0
0
2 .
1
de base redonne bien la matrice prcdente

4 5 9
0 2 0
9
1 0
1 0 5 9 17 1 1 2 = 1
9 17 33
0 0
1
1
2 1
1
5
1
1
1 .
1

Exercice 65 (Formes bilinaires de Rn suite). On considre nouveau les quatre formes
bilinaires donnes dans lexercice 65.
3. Pour chacune dentre elles, donner la matrice reprsentative dans les bases respectives suivantes
{(2)}, {(1, 1), (1, 2)}, {(1, 1, 1), (1, 0, 1), (1, 1, 0)}, {(1, 0, 1, 0), (0, 1, 0, 1), (1, 1, 1, 0) (0, 1, 1, 1)} .

Dfinition (Rang dune forme bilinaire). Le rang dune forme bilinaire : E E R
est le rang de la matrice associe dans une base B de E :
rg := rg MatB () .
Tout comme pour la dfinition de la trace et du dterminant dun endomorphisme, cette notion
est bien dfinie car elle est indpendante de la base.
Proposition 88. Le rang dune forme bilinaire ne dpend pas de la base avec laquelle on le
calcule.
183
Dmonstration. La dmonstration est du mme type que pour la trace et le dterminant : on

utilise la formule de changement de base donne la proposition 87 prcdente. Soient A et B
deux bases de lespace vectoriel E . Comme la matrice de passage P = MatB,A (id) est inversible
et comme le rang dune matrice est invariant par multiplication par une matrice inversible, on
obtient

rg MatB () = rg tP MatA () P = rg MatA () .
Dfinition (Forme bilinaire (non-)dgnre). Une forme bilinaire : E E R est
dite
dgnre si son rang nest pas maximal, cest--dire rg < dim E ,
non-dgnre si son rang est maximal, cest--dire rg = dim E .
Exemple. Sur lexemple que nous suivons

: R2 [X] R2 [X]
R
(P, Q)
7 P (0)Q(0) + 2P (2)Q(2) ,
le rang de la matrice associe dans la base canonique C := {1, X, X 2 } vaut
4 5 9
rg MatC () = rg 5 9 17 = 3 .
9 17 33
Donc cette forme bilinaire est non-dgnre.

4. Dterminer si elles sont dgnres ou non.
Dfinition (Forme bilinaire symtrique). Une forme bilinaire : E E R est symtrique lorsquelle vrifie
(~x, ~y ) = (~y , ~x) ,
pour tout ~x, ~y E .
Exemple. La forme bilinaire

: R2 [X] R2 [X]
R
(P, Q)
7 P (0)Q(0) + 2P (2)Q(2) .
est symtrique, on a bien
(Q, P ) = Q(0)P (0) + 2Q(2)P (2) = P (0)Q(0) + 2P (2)Q(2)P = (P, Q) .
Dfinition (Matrice symtrique). Une matrice carre M Mn est symtrique lorsquelle
est gale sa transpose :
t
M =M .
Cela signifie quelle est invariante par la symtrie par rapport la diagonale.
Exemple. La matrice suivante
4
5
9
5
9
17
9
17
33
est symtrique.
Proposition 89. Soit : E E R une forme bilinaire. Les propositions suivantes sont
quivalentes.
184
1. Le forme bilinaire est symtrique.

2. Il existe une base B de E telle que la matrice MatB () qui reprsente la forme bilinaire
est symtrique.
3. Pour toute base B de E , la matrice MatB () qui reprsente la forme bilinaire est symtrique.
Dmonstration.
(3 2) : Trivial.
(2 1) : Notons la matrice par M = MatB () et les vecteurs de Rn par X = [ ~x ]B et par
Y = [ ~y ]B . Le calcul suivant
(~x, ~y ) = tXM Y = tX tM Y = t (t Y M X) = (~y , ~x) .
montre que la forme bilinaire est symtrique.
(1 3) : Soit B = {~e1 , . . . , ~en } une base quelconque de E . Comme la forme bilinaire est
symtrique, on sait, en particulier, que
(~ei , ~ej ) = (~ej , ~ei ) .
Comme la matrice MatB () qui reprsente la forme bilinaire dans la base B est forme
des (~ei , ~ej ), on en dduit que cette dernire est une matrice symtrique.
En pratique
. Nous utiliserons, bien sur le sens, (2 1), qui nous permettra de
montrer facilement quune forme bilinaire est symtrique.
Exemple. La forme bilinaire

: R2 [X] R2 [X]
(P, Q)
7
R
P (0)Q(0) + P (1)Q(1) + 2P (2)Q(2)
que nous tudions depuis le dbut du chapitre est symtrique et les deux matrices
9 1 1
4 5
9
1
MatC () = 5 9 17 et MatB () = 1 5
1 1
1
9 17 33
qui la reprsentent, respectivement dans les bases B et C, sont bien symtriques.

5. Dterminer si elles sont symtriques.
Une des proprits du produit scalaire du plan P dont nous nous servons souvent est sa
positivit lorsquon lvalue sur deux fois le mme vecteur : ~u.~u = x2 + y 2 > 0, si on note par (x, y)
les coordonnes du vecteur ~u. On gnralise cette proprit de la manire suivante.
Dfinition (Forme bilinaire positive). Une forme bilinaire : E E R est positive
lorsquelle vrifie
(~x, ~x) > 0 ,
pour tout ~x E .
Exemples.
185
Le produit scalaire canonique hX, Y i = tXY de lespace vectoriel Rn est positif :

x1
..
t
2
2
hX, Xi = XX = x1 + + xn > 0, pour X = . .
xn
Le forme bilinaire

: R2 [X] R2 [X]
(P, Q)
7
R
P (0)Q(0) + P (1)Q(1) + 2P (2)Q(2)
est positive, car

(P, P ) = P (0)2 + P (1)2 + 2P (2)2 > 0 .
Une autre proprit du produit scalaire du plan P qui savre cruciale est que le produit scalaire
dun vecteur avec lui-mme est nul si et seulement si ce vecteur est nul : ~u.~u = x2 +y 2 = 0 ~u = ~0.
On gnralise cette proprit de la manire suivante.
Dfinition (Forme bilinaire dfinie). Une forme bilinaire : E E R est dfinie
lorsquelle vrifie
(~x, ~x) = 0 ~x = ~0 .
Exemples.
Le produit scalaire canonique hX, Y i = tXY de lespace vectoriel Rn est dfini :

x1
0
.. ..
t
2
2
hX, Xi = XX = x1 + + xn = 0 X = . = . .
xn
Le forme bilinaire

: R2 [X] R2 [X]
(P, Q)
R
7 P (0)Q(0) + P (1)Q(1) + 2P (2)Q(2) .
que nous suivons est dfinie car lquation

(P, P ) = P (0)2 + P (1)2 + 2P (2)2 = 0 .
implique que 0, 1 et 2 sont racines de P . Cela fait trois racines pour un polynme de degr
infrieur ou gal 2. La seule possibilit est que le polynme P soit le polynme nul P = 0.
Proposition 90. Une forme bilinaire symtrique positive est dfinie si et seulement si elle
est non-dgnre.
Dmonstration. OUI ....

Attention
. Comme toujours, il faut sortir couvert et bien vrifier les hypothses de la
proposition avant de lappliquer, comme le montre lexemple suivant. La forme bilinaire

:
R2 R2
R

(x1 , x2 ), (y1 , y2 ) 7 x1 y2 + x2 y1 .
est bien symtrique mais elle nest pas positive, car

(1, 1), (1, 1) = 2 < 0 .
Dans ce cas, on na pas quivalence entre dfinie et non-dgnre : la forme bilinaire est
non-dgnre car le rang de sa matrice dans la base canonique

0 1
1 0
est maximal mais elle nest pas dfinie car

(1, 0), (1, 0) = 0 .
186
Dfinition (Mineurs principaux dominants). Soit M Mn une matrice carre. Les mineurs principaux dominants de la matrice M sont les dterminants des n sous-matrices carres
obtenues en supprimant les n k dernires lignes et colonnes
m
m
m
1,1
1,k
.
..
..
..
.
.
m
k,1 mk,k
.
.
.
mn,1
1,n
..
.
..
.
mn,n
On les note

m1,1

k (M ) := ...

mk,1
..
.

m1,k
.. .
.
mk,k
Proposition 91 (Critre de Sylvester). Une forme bilinaire symtrique : E E R

est dfinie et positive si et seulement si tous les mineurs extraits dominants de la matrice associe
dans une base B sont strictement positif
k (MatB ()) > 0,
pour tout
k = 1, . . . , n .
Exemple. Testons ce critre sur la forme bilinaire symtrique

: R2 [X] R2 [X]
R
(P, Q)
7 P (0)Q(0) + P (1)Q(1) + 2P (2)Q(2) ,
que nous tudions depuis le dbut. Comme sa matrice dans la base B := {X, X 2, X(X 2)} est
9 1 1
1 ,
M = MatB () = 1 5
1 1
1
les mineurs extraits dominants sont
1 (M ) = |9| = 9 > 0,

9
2 (M ) =
1

1
= 44 > 0,
5
et 3 (M ) = det M = 32 > 0 .
Ceci fournit une seconde dmonstration, par le critre de Sylvester, du fait que la forme bilinaire
est dfinie positive.
. Le critre de Sylvester vous fournit un moyen pratique particulirement

Remarque
simple pour dmontrer quune forme bilinaire symtrique est dfinie positive. Encore une fois,
attention bien vrifier lhypothse (symtrie) avant de vous lancer.

6. Pour celles qui sont symtriques, dterminer si elles sont dfinies positives.
4.2. PRODUITS SCALAIRES
187
4.2. Produits scalaires

Dfinition (Produit scalaire). Un produit scalaire dun espace vectoriel E est une forme
bilinaire h , i : E E R symtrique, dfinie et positive.
Exemples.
Le produit scalaire canonique
hX, Y i = tXY = x1 y1 + + xn yn
de lespace vectoriel Rn est bien une forme bilinaire symtrique dfinie et positive. (2)
La forme bilinaire

: R2 [X] R2 [X]
R
(P, Q)
7 P (0)Q(0) + P (1)Q(1) + 2P (2)Q(2) ,
est symtrique, dfinie et positive ; elle dfinit donc un produit scalaire sur lespace vectoriel
R2 [X] des polynmes de degr infrieur ou gal 2.
Exercice 66 (Produit scalaire sur C ([0, 1])).

On travaille dans lespace vectoriel C ([0, 1]) form des applications continues f : [0, 1] R de
lintervalle [0, 1] vers R. On considre lapplication
R
: C ([0, 1]) C ([0, 1]) Z
1
(f, g)
7
(1 + t)f (t)g(t)dt .
0
1. Montrer quil sagit dune forme bilinaire.

2. Montrer quil sagit dun produit scalaire sur C ([0, 1]).
Dfinition (Espace euclidien). Un espace euclidien (E , h , i) consiste en la donne dun espace vectoriel E rel de dimension finie et dun produit scalaire h , i.
Exemples.
Lespace vectoriel Rn muni du produit scalaire canonique hX, Y i = tXY est un espace euclidien. (3)
Lespace vectoriel R2 [X] des polynmes de degr infrieur ou gal 2 muni du produit scalaire
(P, Q) = P (0)Q(0) + P (1)Q(1) + 2P (2)Q(2) est un espace euclidien.
Subtilit
. Notez bien que lon peut avoir deux structures diffrentes despace euclidien sur un mme espace vectoriel sous-jacent. Par exemple sur R2 , on peut considrer le produit
scalaire canonique ; mais on peut aussi considrer le produit scalaire dfini par (x1 , x2 ), (y1 , y2 )
:= 2x1 y1 x1 y2 x2 y1 + x2 y2 .
Proposition 92. Un sous-espace vectoriel dun espace euclidien est un espace euclidien.
Dmonstration. Soit (E , h , i) un espace euclidien et soit F E un sous-espace vectoriel de E .
Comme E est de dimension finie, F lest aussi. Et il suffit de considrer la restriction

F F
R
(~x, ~y ) 7 h~x, ~y i
du produit scalaire de E pour obtenir un produit scalaire de F .
2. Cest heureux car cest de lui que lon sest inspir pour tablir la dfinition gnrale de produit scalaire.
3. Cest lexemple type des espaces euclidiens.
188
Nous avons maintenant tout mis en place pour pouvoir gnraliser ltude gomtrique des
vecteurs du plan tous les vecteurs dun espace euclidien. Commenons dabord par mesurer la
taille des vecteurs avec la notion de norme.
Dfinition (Norme). La norme dun espace euclidien (E , h , i) est lapplication
(
E
R
p
~x 7 k~x k:= h~x, ~xi .
Exemples.
Dans lespace euclidien (Rn , h , i), la norme des vecteurs vaut
q
t
k X k= XX = x21 + + x2n .
Dans lespace euclidien R2 [X] des polynmes de degr infrieur ou gal 2 muni du produit
scalaire (P, Q) = P (0)Q(0) + P (1)Q(1) + 2P (2)Q(2), la norme des polynmes vaut
p
p
k P k= (P, P ) = P (0)2 + P (1)2 + 2P (2)2 .
Exercice 67 (Produit scalaire sur les matrice).

On travaille dans lespace vectoriel M2 (R) form des matrices de taille 2 2 coefficients rels.
On considre lapplication

h , i : M2 (R) M2 (R)
R
(A, B)
7 hA, Bi := tr(tAB) .
2. Montrer quil sagit dun produit scalaire sur M2 (R).
3. Dcrire la norme associe au produit scalaire h , i.
On recense dans la proposition suivante les proprits fondamentales de la norme.

Proposition 93. Soit (E , h , i) un espace euclidien.
Homognit : Pour tout R et pour tout ~x E , ~x = ||. k~x k .
Ingalit de CauchySchwarz : Pour tout ~x, ~y E , | h~x, ~y i | 6k~x k . k ~y k .
Ingalit triangulaire : Pour tout ~x, ~y E , k~x + ~y k6k~x k + k ~y k .
Illustration
Homognit : Lhomognit de la norme exprime le fait gomtrique que si on multiplie

un vecteur par un scalaire, alors on tend sa longueur dans les mmes proportions.
4.3. ORTHOGONALIT
189
Ingalit de CauchySchwarz : Cette ingalit gnralise tout espace euclidien la proprit connue et vrifie par le produit scalaire des vecteurs du plan.
| ~x.~y | =k~x k . k ~y k .| cos | 6k~x k . k ~y k .

Ingalit triangulaire : Lingalit triangulaire traduit le fait que le chemin le plus court
entre deux points est la ligne droite.
4.3. Orthogonalit
Soit (E , h , i) un espace euclidien. Maintenant que nous avons notre disposition un produit
scalaire sur lespace vectoriel E , nous pouvons tudier les proprits gnrales dorthogonalit.
Dfinition (Vecteurs orthogonaux). Deux vecteurs ~x et ~y sont orthogonaux si leur produit
scalaire est nul
h~x, ~y i = 0 .
On note cette proprit ~x ~y .
Dfinition (Famille orthogonale). Une famille F = {~u1 , . . . , ~uk } est orthogonale si tous ses
vecteurs sont orthogonaux deux--deux, cest--dire
h~ui , ~uj i = 0,
pour i 6= j .
Exemple. Dans lespace euclidien (Rn , h , i), la base canonique

C = {~e1 = (1, 0, . . . , 0), . . . , ~en = (0, . . . , 0, 1)}
forme une famille orthogonale. En effet, tous ses vecteurs sont orthogonaux deux--deux
h~ei , ~ej i = 0,
pour i 6= j .
Exercice 68 (Produit scalaire sur C ([0, 1]) bis).

Comme lexercice 66, on considre lespace euclidien C ([0, 1]), form des applications continues
f : [0, 1] R de lintervalle [0, 1] vers R, muni du produit scalaire
R
: C ([0, 1]) C ([0, 1]) Z
1
(f, g)
7
(1 + t)f (t)g(t)dt .
0
1. Les deux fonctions f (t) := t + 2 et g(t) := t 2t 3 sont-elles orthogonales ?

2. La fonction f est-elle de norme 1 ?
190
Proposition 94. Toute famille orthogonale de vecteurs non nuls est libre.
Dmonstration. La dmonstration est courte et elle permet de comprendre comment on peut se
servir du produit scalaire pour traiter des questions que nous tudions depuis plusieurs chapitres.
Notons par F = {~u1 , . . . , ~uk } la famille orthogonale. Soit
1 ~u1 + + k ~uk = ~0
une combinaison linaire du vecteur nul. Montrons quil ne peut sagir que de la combinaison
triviale. Pour tout 1 6 i 6 k, on fait le produit scalaire des deux membres de cette quation avec
le vecteur ~ui , cela donne par linarit
+
+
*
*
h1 ~u1 + + k ~uk , ~ui i =
=
~u1 , ~ui + + i h~ui , ~ui i + k

| {z }
=0
D
E
~0, ~ui = 0
1
~uk , ~ui
| {z }
= i h~ui , ~ui i
=0
Comme le vecteur ~ui nest pas nul, le produit scalaire h~ui , ~ui i 6= 0 nest pas nul, ce qui force i
sannuler. Au final, la seule possibilit est
1 = = k = 0 .
Dfinition (Famille orthonorme). Une famille F = {~u1 , . . . , ~uk } est orthonorme si tous
ses vecteurs sont orthogonaux deux--deux et de norme 1, cest--dire
h~ui , ~uj i = 0,
pour i 6= j,
et
k~ui k= 1,
pour 1 6 i 6 k .
Dfinition (Base orthonorme). Une famille est une base orthonorme sil sagit dune famille orthonorme formant une base.
Exemple. Dans lespace euclidien (Rn , h , i), la base canonique
C = {~e1 = (1, 0, . . . , 0), . . . , ~en = (0, . . . , 0, 1)}
forme une base orthonorme.
Exercice 69 (Polynmes orthogonaux).

On travaille dans lespace vectoriel R[X] des polynmes coefficients rels. On considre lapplication
h , i : R[X] R[X] R
Z 1
(P, Q)
7 hP, Qi :=
P (x)Q(x)dx .
1. Montrer que lapplication h , i est un produit scalaire sur R[X].

2. Le sous-espace R3 [X] form des polynmes de degr infrieur ou gal 3 muni de la restriction
de h , i est-il un espace euclidien ?
3. La base
B := {1, X, X 2 , X 3 }
de R3 [X] est-elle orthogonale ?
4. Dterminer tous les vecteurs orthogonaux X 2 .
On considre la famille de polynmes

1
1
2
3
L := 1, X, (3X 1), (5X 3X) .
2
2
Ces polynmes sont les premiers dune famille infinie appels les polynmes de Legendre.

5. Montrer que L est une base orthogonale de R3 [X], h , i .
4.3. ORTHOGONALIT
6. Est-elle orthonorme ?
191
Exercice 70 (Fonctions trigonomtriques).

On travaille dans lespace vectoriel C form des applications continues f : [, ] R de
lintervalle [, ] vers R. On le munit du produit scalaire
h, i: C C R
Z
f (t)g(t)dt .
(f, g) 7 hf, gi :=

F := {1, cos t, cos(2t), cos(3t), . . . , sin t, sin(2t), sin(3t), . . . } .
est orthogonale.
2. Comment peut-on modifier F pour obtenir une famille orthonorme ?
Exercice 71 (Base orthonorme de matrices).

Avec les notations de lexercice 67, on travaille dans lespace euclidien M2 (R), form des matrices
de taille 2 2, muni du produit scalaire

h , i : M2 (R) M2 (R) R
(A, B)

Trouver une base orthonorme de M2 (R), h , i .
Exercice 72 (Base orthonorme de polynmes).

On travaille dans lespace vectoriel R2 [X] des polynmes de degr infrieur ou gal 2. On
considre lapplication

: R2 [X] R2 [X] R
(P, Q)
7 P (0)Q(0) + P (1)Q(1) + P (2)Q(2) .
1. Montrer que lapplication est un produit scalaire sur R2 [X].
2. Dterminer la matrice M := MatC () de lapplication billinaire dans la base canonique
C := {1, X, X 2 }.
3. Trouver une base orthonorme pour le produit scalaire .
Proposition 95. Une famille B = {X1 , . . . , Xn } forme une base orthonorme de lespace euclidien (Rn , h , i) si et seulement si sa matrice de passage dans la base canonique
P = X1
Xn
vrifie
t
P P = In .
Dmonstration. Comme la matrice P est forme en colonne des vecteurs de la famille B, le

coefficient de la ie ligne et je colonne de la matrice produit
t
X1
.
t
..
PP =
X1 Xn .
t
Xn
192
est gal tXi Xj = hXi , Xj i. Donc le produit tP P est gal la matrice identit In si et seulement
si
p
hXi , Xj i = 0, pour i 6= j, et k Xi k= hXi , Xi i = 1, pour 1 6 i 6 n ,
cest--dire si et seulement si la famille B forme une base orthonorme.
Exemple. Considrons la famille suivante de vecteurs de lespace euclidien (R3 , h , i)

0
0
1
2
2
1 ,
1 .
B := 0 ,
2
2
1
1
0
Sa matrice de passage dans la base canonique et sa transpose sont
1 0
0
1
0
0
2
2
et tP = 0 22 22 .
P = 0
2
2
2
2
2
2
2
2
2
2
Leur produit donne tP P = I3 , donc la famille B est une base orthonorme de (R3 , h , i).
Remarque
. La proposition 95 fournit juste une manire plus compacte de faire tous
les calculs hXi , Xj i = 0, pour i 6= j, et k Xi k= 1, pour 1 6 i 6 n, en une seule fois grce au
produit matriciel, mais il ny a aucun astuce ou ide nouvelle dans cette proposition.
Dfinition (Matrice orthogonale). Une matrice carre M Mn (R) est orthogonale si elle
vrifie
t
P P = In ,
cest--dire si son inverse est donne par sa transpose
P 1 = tP .
Lensemble des matrices orthogonales est not On (R).
Exemple. La matrice prcdente
2
2
22
P = 0
0
2
2
2
2
est orthogonale.
Ltymologie du mot isomtrie signifie de mme mesure ; on dfinit donc la notion disomtrie
de la manire suivante.
Dfinition (Isomtrie). Une isomtrie dun espace euclidien (E , h , i) est un endomorphisme
f : E E qui prserve la norme :
k f (~x) k=k~x k,
pour tout
~x E .
Proposition 96. Un endomorphisme f : E E dun espace euclidien (E , h , i) est une isomtrie si et seulement sil prserve le produit scalaire
hf (~x), f (~y )i = h~x, ~y i ,
pour tout
~x, ~y E .
Dmonstration. Si un endomorphisme prserve le produit scalaire, il prserve la norme puisquelle est dfinie par le produit scalaire. Lautre sens est moins trivial. Comme lendomorphisme
f prserve la norme, il prserve le carr de la norme, cest--dire hf (~z ), f (~z )i = h~z, ~z i, pour tout
~z E . Si on applique cette proprit au vecteur ~x + ~y , on obtient
hf (~x + ~y ), f (~x + ~y )i = h~x + ~y , ~x + ~y i ,
193
4.3. ORTHOGONALIT
dont le membre de gauche vaut

hf (~x ), f (~x )i + 2 hf (~x ), f (~y )i + hf (~y ), f (~y )i
et le membre de droite vaut
h~x, ~x i + 2 h~x, ~y i + h~y , ~y i .
En utilisant nouveau cette proprit pour les vecteurs ~x et ~y , on aboutit sur
hf (~x ), f (~y )i = h~x, ~y i .
Proposition 97. Dans lespace euclidien (Rn , h , i), lendomorphisme

fM : Rn Rn
X 7 M X
associ une matrice carr M Mn (R) est une isomtrie si et seulement si la matrice M est
orthogonale.
Dmonstration. On va bien sur utiliser la proposition prcdente qui caractrise les isomtries
laide du produit scalaire. Ainsi lendomorphisme fM est une isomtrie si et seulement sil prserve
le produit scalaire :
hM X, M Y i = t(M X)M Y = tX(tM M )Y = hX, Y i = tXY,
pour tout X, Y Rn .
On a donc tX(tM M I)Y = 0 pour tout X, Y Rn , ce qui est quivalent tM M I = 0.

Pour voir cela, il suffit dappliquer cette quation aux vecteurs de la base canonique. En effet,
t
~ei (tM M I)~ej est gal au coefficient de la ie ligne et je colonne de la matrice tM M I.
Exercice 73 (Matrice orthogonale).

Pour tout R, on considre la matrice
cos
R := sin
0
sin
cos
0
0
0 .
1
1. Montrer que, pour tout R, la matrice R est orthogonale : R O3 (R).

2. Que pouvez-vous en conclure des vecteurs colonnes de R ?
3. Dcrire gomtriquement lapplication linaire

: R3 R3
X 7 R X .
4. Redmontrer ainsi que est une isomtrie de R3 .
Dfinition (Orthogonal dun ensemble). Pour tout sous-ensemble A E dun espace euclidien (E , h, i), on dfinit son ensemble orthogonal par lensemble de tous les vecteurs orthogonaux
tous les vecteurs de A :
A := {~x E | h ~x, ~a i = 0, ~a A} .
Si ~x A , on dit que le vecteur ~x est orthogonal lensemble A ; on note cette proprit
~x A .
Deux sous-ensembles A, B E sont orthogonaux A B si tous les vecteurs de A sont orthogonaux
tous les vecteurs de B : B A , cest--dire
D
E
~a, ~b = 0, ~a A, ~b B .
194
Exemple. Dans lespace euclidien (R3 , h, i), on considre un vecteur N = (a, b, c) et lensemble
compos de ce seul vecteur. Son orthogonal est form de tous les vecteurs X = (x, y, z) de R3
vrifiant
hX, N i = ax + by + cz = 0
Lorthogonal de cet ensemble est donc le plan vectoriel dquation de vecteur normal N = (a, b, c) :
{(a, b, c)} = {(x, y, z) R3 | ax + by + cz = 0} . (4)
Proposition 98. Soit A E un sous-ensemble dun espace vectoriel euclidien (E , h , i).

Lorthogonal A de A est un sous-espace vectoriel de E .
Lintersection de A avec son orthogonal A est rduite au vecteur nul
A A = {~0} .
Dmonstration.
Soient ~x, ~y A et soient , R. Pour tout lment ~a A, on a
h~x + ~y , ~ai = h~x, ~ai + h~y , ~ai = 0 .
| {z }
| {z }
=0
=0
On en conclut que ~x + ~y A .
Soit ~a A A . Ce vecteur vrifie
*
~a , |{z}
~a
|{z}
A
=0.
Le vecteur ~a est donc nul.

Proposition 99. Soit A E un sous-espace vectoriel dun espace vectoriel euclidien (E , h , i).
Un vecteur ~x A est orthogonal A si et seulement sil est orthogonal une famille gnratrice de A.
La dimension du sous-espace orthogonal A est donne par
dim A = dim E dim A .
Le sous-espace orthogonal de lorthogonal est le sous-espace de dpart
(A ) = A .
Le sous-espace orthogonal A en est un supplmentaire
A A = E .
Dmonstration.
4. Remarquez que nous venons de montrer que pour un plan de lespace dquation ax + by + cz = 0, le vecteur
de coordonnes (a, b, c) lui est orthogonal et que ce plan est form de tous les vecteurs orthogonaux ce vecteur.
195
4.3. ORTHOGONALIT
Soit F = {~u1 , . . . , ~uk } une famille gnratrice du sous-espace vectoriel A. Le sens () est
trivial. Dans lautre sens, considrons un vecteur ~x orthogonal la famille F. Comme tout
vecteur ~a de A scrit comme combinaison linaire de vecteurs de F, ~a = 1 ~u1 + + k ~uk ,
on a
h~x, ~ai = h~x, 1 ~u1 + + k ~uk i = 1 h~x, ~u1 i + + k h~x, ~uk i = 0 .
| {z }
| {z }
=0
=0
Et donc ~x A .
Admis (pour linstant).
On montre dabord que A (A ) et on conclut avec les dimensions
dim(A ) = dim E (dim E dim A) = dim A .
Soit ~a A. Tout ~x A vrifie
+
*
~x , |{z}
~a
|{z}
A
=0.
Donc a (A ) .
Nous avons vu la proposition prcdente que les sous-espaces vectoriels A et A sont en
somme directe. Comme la somme de leur dimension est gale la dimension de lespace
vectoriel E , on a A A = E .
La proposition prcdente montre, un fois de plus, que la donne dun produit scalaire dans un
espace vectoriel permet de rsoudre des questions que nous nous posons depuis deux chapitres.
Ici, le produit scalaire fournit un supplmentaire canonique pour tout sous-espace. Ceci permet de
dfinir une projection canonique sur tout sous-espace.
Dfinition (Projection orthogonale). Soit F E un sous-espace vectoriel dun espace
euclidien (E , h , i). La projection orthogonale sur F est la projection sur F paralllement son
orthogonal F ; on la note simplement par
F
proj
F := projF
Exemple. Dans lespace euclidien (R3 , h , i), on considre le plan horizontal

P := {(x, y, 0) R3 | x, y R}
engendr par les deux axes Ox et Oy. Son sous-espace orthogonal est la droite vertical
P = {(0, 0, z) R3 |z R} = Oz .
La projection orthogonale sur le plan P est donc la projection sur P paralllement la droite
verticale :

proj
R3
P
P :
(x, y, z) 7 (x, y, 0) .
196
Proposition 100. Soit F E un sous-espace vectoriel dun espace euclidien (E , h , i) et soit

B = {~u1 , . . . , ~uk } une base orthonorme de F . Le projet orthogonal sur F est donn par la formule
proj
x) = h~x, ~u1 i ~u1 + + h~x, ~uk i ~uk .
F (~
Exemple. Reprenons lexemple prcdent de la projection orthogonale

proj
R3
P
P :
(x, y, z) 7 (x, y, 0) .
sur le plan horizontal P dans lespace euclidien (R3 , h, i). Ce dernier admet pour base orthonorme
les deux premiers vecteurs de la base canonique {~u1 = (1, 0, 0), ~u2 = (0, 1, 0)}. Avec ces deux
vecteurs, la formule donne par la proposition prcdente est bien la formule de la projection
orthogonale sur le plan P :

proj
P (x, y, z) = h(x, y, z), (1, 0, 0)i (1, 0, 0) + h(x, y, z), (0, 1, 0)i (0, 1, 0) = (x, y, 0) .

Exercice 74 (Projection orthogonale).
On reprend les notations de lexercice 70. On travaille dans lespace vectoriel C form des
applications continues f : [, ] R de lintervalle [, ] vers R. On le munit du produit
4.3. ORTHOGONALIT
scalaire
Z
197
hf, gi :=
f (t)g(t)dt .
Calculer la projection orthogonale de la fonction f (t) := t2 sur le sous-espace vectoriel engendr

par {1, cos t, sin t}.

Proposition 101. Soit F E un sous-espace vectoriel dun espace euclidien (E , h , i).
Pour tout vecteur ~x E , le vecteur ~x proj
x) est orthogonal F ,
F (~
~x proj
x) F .
F (~
Le projet orthogonal dun vecteur ~x sur F est lunique vecteur de F qui minimise la distance
de ~x F :
n
o
k~x proj
x) k= dist(~x, F ) = Inf k~x f~ k | f~ F (5) .
F (~
Application
. Dans la suite de votre cursus universitaire, vous serez surement amens
utiliser cette dernire proprit pour rsoudre des problmes doptimisation.
Nous venons de donner une formule pour toute projection orthogonale laide dune base
orthonorme. Il serait sain de montrer que de telles bases existent ...
Proposition 102 (Algorithme dorthonormalisation de GramSchmidt)
Soit F E un sous-espace vectoriel dun espace euclidien (E , h , i). Toute base de F induit une
base orthonorme de F .
Dmonstration. Tout le sel de cette proposition rside dans la mthode pour construire cette
base orthonorme.
Soit F = {f~1 , . . . , fk } une base du sous-espace F . On va construite la base orthonorme B =
{~u1 , . . . , ~uk } par rcurrence de la manire algorithmique suivante.
5. Cette notation Inf veut dire borne infrieure" et signifie que lon considre le plus petit lment de lensemble.
198
1 : Comme le vecteur f~1 est un vecteur dune base, il nest pas nul f~1 =
6 ~0. Sa norme nest
donc pas nulle k f~1 k6= 0. On peut considrer le vecteur normalis
~u1 :=
1 ~
f1 .
~
k f1 k
2 : Comme le vecteur f~2 nest priori pas orthogonal ~u1 , on va le retordre pour crer un
vecteur orthogonal ~u1 . Pour cela, on considre la droite engendre par le vecteur ~u1 , ou de
manire quivalente f~1 :
F1 := Vect({~u1 }) = Vect({f~1 }) .
Le projet orthogonal de f~2 sur F1 est donn par
D
E
~
~ u1 ~u1 .
proj
F1 (f2 ) = f2 , ~
~
Enfin, le vecteur f~2 proj
u1 . Il suffit de le normaliser
F1 (f2 ) fournit un vecteur orthogonal ~
pour obtenir une famille orthonorme {~u1 , ~u2 }
~u2 :=
D
E
1
D
E
f~2 f~2 , ~u1 ~u1 .
k f~2 f~2 , ~u1 ~u1 k
3 : A partir de maintenant, on procde toujours de la mme manire que prcdemment.

Dtaillons juste le cas suivant. A nouveau, le vecteur f~3 nest en gnral pas orthogonal ~u1
ni ~u2 , on va lui-aussi le retordre pour crer un vecteur orthogonal {~u1 , ~u2 }. Pour cela, on
considre le plan engendr par les vecteurs ~u1 et ~u2 , ou de manire quivalente par f~1 et f~2 :
F2 := Vect({~u1 , ~u2 }) = Vect({f~1 , f~2 }) .
Le projet orthogonal de f~3 sur F2 est donn par
D
E
D
E
~
~ u1 ~u1 + f~3 , ~u2 ~u2 .
proj
F2 (f3 ) = f3 , ~
4.3. ORTHOGONALIT
199
~
Enfin, le vecteur f~3 proj
u1 et ~u2 . Il suffit de le
F2 (f3 ) fournit un vecteur orthogonal ~
normaliser pour obtenir une famille orthonorme {~u1 , ~u2 , ~u3 }
D
E
D
E
1
D
E
D
E
~u3 :=
f~3 f~3 , ~u1 ~u1 + f~3 , ~u2 ~u2 .
k f~3 f~3 , ~u1 ~u1 + f~3 , ~u2 ~u2 k
Exemple. Dans lespace euclidien (R3 , h , i), on va orthonormaliser la base chelonne

n
o
F = f~1 = (2, 0, 0), f~2 = (3, 5, 0), f~3 = (1, 7, 2)
avec lalgorithme de GramSchmidt.
1 : La norme du vecteur f~1 vaut
k f~1 k=
22 = 2 .
On normalise f~1 pour trouver ~u1

~u1 :=
1
(2, 0, 0) = (1, 0, 0) .
2
2 : La droite F1 engendre par ~u1 est laxe Ox. La projection orthogonale de f~2 dessus donne
~
proj
F1 (f2 ) = h(3, 5, 0), (1, 0, 0)i (1, 0, 0) = (3, 0, 0) .
Le vecteur f~2 moins son projet sur F1 donne le vecteur orthogonal F1 suivant :
~
f~2 proj
F1 (f2 ) = (3, 5, 0) (3, 0, 0) = (0, 5, 0) .
Sa norme vaut
~
k f~2 proj
F1 (f2 ) k=
52 = 5 .
Il suffit de le normaliser pour obtenir le deuxime vecteur de la base orthonorme

~u2 :=
1
(0, 5, 0) = (0, 1, 0) .
5
3 : Le plan F2 engendr par ~u1 et ~u2 est le plan horizontal. Le projet orthogonal de f~3 dessus
est
~
proj
F2 (f3 ) = h(1, 7, 2), (1, 0, 0)i (1, 0, 0) + h(1, 7, 2), (0, 1, 0)i (0, 1, 0) = (1, 7, 0) .
200
La diffrence entre le vecteur f~3 et son projet sur F2 donne le vecteur orthogonal F2
suivant :
~
f~3 proj
F2 (f3 ) = (1, 7, 2) (1, 7, 0) = (0, 0, 2) ,
de norme
~
k f~3 proj
F2 (f3 ) k=
p
(2)2 = 2 .
On le normalise pour obtenir le troisime et dernier vecteur de la base orthonorme

~u3 :=
1
(0, 0, 2) = (0, 0, 1) .
2
Au final, la base orthonorme obtenue partir de la base chelonne F de dpart est la base
canonique de R3 .
Remarque
. Il est facile de voir que cette proprit est vraie en gnrale : si on part
dune base chelonne de Rn , le processus dorthonormalisation de Gram-Schmidt donne la base
canonique.

Exercice 75 (Algorithme dorthonormalisation de GramSchmidt)
On travaille dans lespace euclidien (R3 , h , i) muni de son produit scalaire canonique. On considre la famille F := {f~1 , f~2 , f~3 } forme des 3 vecteurs suivants

1
0
1
f~1 := 2 , f~2 := 1 , f~3 := 3 .
1
2
2
Appliquer lalgorithme dorthonormalisation de GramSchmidt ces 3 vecteurs pour trouver
une base orthonorme de R3 .
Exercice
76 (Algorithme dorthonormalisation de GramSchmidt bis)
Soit F := {f~1 , f~2 , . . . , f~n } une base dun espace euclidien (E , h , i). (On pourra travailler dans
E = Rn muni de son produit scalaire canonique, par exemple). Soit B := {u~1 , u~2 , . . . , u~n } la base
obtenue aprs application de lalgorithme dorthonormalisation de GramSchmidt.
Quelle proprit particulire possde la matrice de changement de bases MatF ,B (id) ?

4.4. Rduction des matrices symtriques
Les produits scalaires des espaces euclidiens donnent naturellement naissance des matrices symtriques. On peut donc se demander comment de telles matrices peuvent se rduire, par exemple
se diagonaliser. Cela permettrait davoir des expressions plus simples des produits scalaires dans
des bases adaptes.
Nous sommes l dans un cas trs particulier et agrable : toute matrice symtrique est diagonalisable dans une base orthonorme.
Thorme 103 (Diagonalisation des matrices symtriques). Tout matrice symtrique
M Sn (R) est diagonalisable dans une base orthornorme de vecteurs propres de lespace euclidien
4.4. RDUCTION DES MATRICES SYMTRIQUES
(Rn , h , i). De manire quivalente, cela signifie quil

telle que le produit tP M P est une matrice diagonale
1 0
0 2
t
PMP =
. .
..
..
0
201
existe une matrice orthogonale P On (R)

...
..
.
..
.
0
0
..
.
.
0
n
Dmonstration. Admettons le fait que, dans le cas des matrices symtriques, la somme des
dimensions des sous-espaces propres soit toujours maximal, gal n. On montre que les sousespaces propres associs des valeurs propres distinctes sont orthogonaux : E E pour 6= .
Soit X E un vecteur propre de valeur propre , cest--dire M X = X, et soit Y E un
vecteur propre de valeur propre , cest--dire M Y = Y . Calculons de deux manires diffrentes
t
XM Y . Comme Y est vecteur propre de valeur propre , on a
t
XM Y = tXY .
Comme M est symtrique et comme X est vecteur propre de valeur propre , on a

t
XM Y = t (tXM Y ) = t Y tM X = t Y M X = t Y X = tXY .

tXY = tXY
et comme 6= , cela implique que hX, Y i = tXY = 0.
Remarque
. On retiendra donc que, dans le cas des matrices symtriques, les sousespaces propres sont orthogonaux entre eux
E E
pour 6= .
Exemple. On considre la matrice symtrique suivante

2 2
M=
2 5
Son polynme caractristique vaut
M (X) = det(M XI) =
2X
2
2
= (X 5)(X 2) 4 = (X 1)(X 6) .
5X
On a ici deux valeurs propres 1 et 6.

= 1 : On dcrit
le sous-espace
propre E1 associ la valeur propre 1, cest--dire lensemble

x
2
des vecteur X =
de R vrifiant (M I)X = 0, cest--dire
y

x 2y = 0
x = 2y .
2x + 4y = 0
Le sous-espace propre E1 est donc la droite engendre par le vecteur

2
E1 = Vect
.
1
= 6 : On dcrit
le sous-espace
propre E6 associ la valeur propre 6, cest--dire lensemble

x
des vecteur X =
de R2 vrifiant (M 6I)X = 0, cest--dire
y

4x 2y = 0
y = 2x .
2x y = 0
202
Le sous-espace propre E6 est donc la droite engendre par le vecteur

1
E6 = Vect
.
2
La matrice symtrique M est bien diagonalisable : E1 E6 = R2 . De plus, on peut voir que les
deux sous-espaces propres E1 et E6 sont orthogonaux, E1 E6 , car leurs deux vecteurs de base
sont orthogonaux

2
1
,
=0.
1
2
Il suffit de normaliser ces deux derniers pour obtenir la base orthonorme de vecteurs propres
suivante

1
5 2
, 55
.
5
1
2
La matrice de passage de cette base dans la base canonique est bien orthogonale tP P = I et le
produit de matrices tP M P donne la matrice diagonale forme des valeurs propres

1
2 2
2 1
1 0
5
5 2
.
=
.
5
5
1 2
2 5
1 2
0 6
Grce la formule de changement de base des formes bilinaires (proposition 87), la simple
traduction de ce rsultat de diagonalisation donne la proposition suivante au niveau des formes
bilinaires symtriques.
Proposition 104.
Pour tout forme bilinaire symtrique : E E R, il existe une base B de E telle que la
matrice reprsentant dans cette base est diagonale
1 0 . . . 0
.
0 2 . . . ..
.
MatB () = .
.. . . . . . . 0
0
0 n
Si de plus, lespace vectoriel E est un espace euclidien (E , h , i), il existe une base orthonorme
B pour le produit scalaire h , i vrifiant cette proprit.
Dmonstration. La dmonstration permet de comprendre comment on applique le thorme
prcdent de diagonalisation des matrices symtriques.
On commence par considrer une base quelconque A de lespace vectoriel E . La matrice
MatA () reprsentant la forme bilinaire symtrique dans cette base est symtrique. Par le
thorme 103, il existe une matrice orthogonale P On (R) telle que le produit tP MatA () P
est une matrice diagonale. Au final, la famille B de vecteurs de E dont la matrice de passage
dans la base A est MatA,B (id) = P est une base rpondant positivement lnonc de la
proposition car
MatB () = tP MatA () P .
Si maintenant lespace vectoriel E est munit dun produit scalaire h , i, alors on peut partir
dune base A qui est orthonorme pour h , i. Comme la matrice de passage P = MatA,B (id)
est orthogonale, alors la base B est orthonorme pour le produit scalaire h , i.
Exemple. On considre la forme bilinaire symtriques suivante

:
R2 R2
R

(x1 , x2 ), (y1 , y2 ) 7 2x1 y1 2x1 y2 2x2 y1 + 5x2 y2 .
Comme sa matrice dans la base canonique C de R2 est la matrice symtrique prcdente

2 2
MatC () =
,
2 5
4.4. RDUCTION DES MATRICES SYMTRIQUES
203
sa matrice dans la base orthonorme

1
5 2
, 55
5
1
2
est la matrice diagonale

MatB () =

0
.
6
1
0

Exercice 77 (Matrice symtrique).
4
M := 3
3
3
4
3
3
3 .
4
On appelle lapplication bilinaire dont M est la matrice dans la base canonique de R3 .

1. Que vaut (x1 , x2 , x3 ), (y1 , y2 , y3 ) ?
2. Montrer, sans calcul et en appliquant le thorme du rang, que 1 est valeur propre de M .
3. Quelle est lautre valeur propre ?
4. Dmontrer, par 2 mthodes diffrentes, que la matrice M est diagonalisable.
5. Dcrire les deux sous-espaces propres E1 et E10 .
6. Trouver une base orthonorme de E1 .
7. Montrer que tout vecteur propre X E1 de valeur propre 1 est orthogonal tout vecteur
propre Y E10 de valeur propre 10.
8. En conclure quil existe une base orthonorme de vecteurs propres de M . Donner en une.
9. Donner lexpression de la forme bilinaire dans cette nouvelle base.
Corollaire 105.
Pour tout forme bilinaire symtrique : E E R, il existe une base B de E telle que la
matrice reprsentant dans cette base est une matrice diagonale du type suivant
..
..
MatB () =
.
.
.
..
0
Si de plus, lespace vectoriel E est un espace euclidien (E , h , i), il existe une base orthogonale
Dmonstration.
On reprend et on affine la dmonstration de la proposition 104 prcdente. Nous avions trouv
une base B = {~u1 , . . . , ~un } de lespace vectoriel E telle que
(~ui , ~uj ) = 0,
pour i 6= j,
et (~ui , ~ui ) = i ,
pour 1 6 i 6 n .
204
On intervertit lordre des vecteurs de la base B pour considrer dabord les vecteurs propres
de valeur propre strictement positive, puis les vecteurs propres de valeur propre strictement
ngative et, enfin, les vecteurs propres de valeur propre nulle. On divise les premiers par
1
i
~ui
et les suivants par

1
~uj .
La famille de vecteurs ainsi obtenue forme bien une base dont la matrice associe la forme
bilinaire symtrique est de la forme voulue.
Dans le cas o lespace vectoriel E est muni dun produit scalaire, nous avions obtenu une
base B orthonorme. Multiplier ses vecteurs par un scalaire ne fait que changer la norme.
Donc le procd prcdent fournit ici une base orthogonale dans laquelle la matrice a la forme
voulue.
Exemple. Dans lexemple de la forme bilinaire symtrique de R2

(x1 , x2 ), (y1 , y2 ) = 2x1 y1 2x1 y2 2x2 y1 + 5x2 y2 ,
la base orthogonale

1
5 2
, 3030
5
1
2
donne pour matrice reprsentant

MatB () =
1
0

0
.
1
Dfinition (Signature dune matrice symtrique). Soit M Sn (R) une matrice symtrique. On note par p le nombre de ses valeurs propres strictement positives comptes avec multiplicit et on note par q le nombre de ses valeurs propres strictement ngatives comptes avec
multiplicit. La signature de la matrice symtrique M est la paire (p, q) ; on la note
sgn M := (p, q) .
Exemple. La signature de la matrice

M=
2
2
2
5
est
sgn M = (2, 0) .
Dfinition (Signature dune forme bilinaire symtrique). Soit une forme bilinaire
symtrique dun espace euclidien (E , h , i). Sa signature est la signature de sa matrice dans une
base B ; on la note
sgn := sgn MatB () = (p, q) .
Comme toujours, on sassure que cette notion est bien dfinie.
Proposition 106. La signature dune forme bilinaire symtriques est indpendante de la base
choisie.
Remarque
. On peut donc calculer la signature grce au corollaire 105 prcdent : il
suffit de compter le nombre de 1 et de 1 apparaissant sur la matrice diagonale.
La signature est un outil trs pratique permet de reconnaitre les proprits usuelles des formes
4.5. FORMES QUADRATIQUES
205
Proposition 107. Pour toute forme bilinaire symtrique , chacune des lignes du tableau
suivant est une quivalence entre une proprit satisfaite par et une forme de sa signature
sgn
positive
(k, 0)
ngative
(0, k)
dfinie
(n, 0) ou (0, n)
non-dgnre
(n k, k)
pour 0 6 k 6 n.
La thorme suivant donne un moyen trs pratique et trs souvent applicable pour calculer la
signature des matrices symtriques et donc des formes bilinaires symtriques.
Thorme 108 (de Sylvester). Soit M Sn (R) une matrice symtrique. Si tous ses mineurs principaux dominants sont non nuls,
k (M ) 6= 0,
16k6n,
alors on compte le nombre de changements de signes dans la suite

1, 1 (M ), 2 (M ), . . . , n (M )
que lon note t. Dans ce cas, la signature de la matrice est donne par
sgn M = (n t, t) .

Attention
. Prenez garde bien vrifier que lhypothse de ce thorme est vrifie avant
de lappliquer : aucun mineur principal dominant ne doit tre nul. Normalement, cela ne devrait
pas poser de problme. En effet, comment dterminer sil y a un changement de signe lorsque lon
tombe sur 0 ... Ce dernier est-il positif ? ngatif ? Il est les deux !

On considre lapplication bilinaire : R3 R3 R
C de R3 est
1 1
MatC () := 1 0
2
1
dont la matrice dans la base canonique
2
1 .
1
1. Calculer ((1, 1, 5), (1, 2, 1)).

2. Calculer la signature de de deux manires diffrentes.
3. Vrifier que la famille F := {(1, 1, 1), (1, 1, 1), (0, 1, 1)} est une base de R3 .
4. Calculer la matrice MatF () de dans la base F.
5. Calculer la signature de dune autre manire.
4.5. Formes quadratiques

On termine ce cours en beaut par une des notions mathmatiques les plus prsentes hors du
champ stricto sensu des mathmatiques : les formes quadratiques. Cette notion joue notamment
un rle crucial en mcanique et en statistique. Pour donner une ide, le paradigme des formes
quadratiques est form des polynmes homognes de degr 2 en plusieurs variables, comme
q(x, y, z) = x2 + 6y 2 3z 2 + 2xy xz + 7xz
par exemple.
206
Dfinition (Forme quadratique). Une forme quadratique dun espace vectoriel E est une
application q : E R telle quil existe une forme bilinaire : E E R vrifiant
q(~x) = (~x, ~x),
pour ~x E .
Exemple. Lapplication

q :
R2
R
(x, y) 7 2x2 + 5y 2 4xy
est une forme quadratique de R2 . En effet, la forme bilinaire

:
R2 R2
R

(x1 , x2 ), (y1 , y2 ) 7 2x1 y1 2x1 y2 2x2 y1 + 5x2 y2
considre prcdemment la ralise, dans le sens o

(x, y), (x, y) = 2x2 4xy + 5y 2 = q(x, y) .
On peut remarquer que dautres formes bilinaires ralisent la forme quadratique q, par exemple

(x1 , x2 ), (y1 , y2 ) = 2x1 y1 x1 y2 3x2 y1 + 5x2 y2 .
Tout comme pour les applications linaires ou les formes bilinaires de Rn , on connait toutes
les formes quadratiques de Rn . Elles correspondent aux polynmes homognes de degr 2 en n
variables.
Proposition 109. Toutes les formes quadratiques de Rn sont du type
X
X
X
q(X) = tXM X =
i,j xi xj =
i,i x2i +
i,j xi xj .
16i6j6n
16i6n
16i<j6n
Dmonstration. Cest un corollaire direct du premier point du thorme 86.

Exemple. Lexemple prcdent q(x, y) = 2x2 + 5y 2 4xy de forme quadratique de R2 est bien
de ce type.
Par dfinition, il existe toujours une forme bilinaire qui ralise une forme quadratique. Mais,
dans lexemple que nous considrons, nous avons vu quil en existait plusieurs, en fait une infinit.
La proposition suivante montre quil y a moyen de faire un choix canonique de forme bilinaire
qui ralise une forme quadratique et ce en imposant quelle soit symtrique.
Proposition 110. Pour toute forme quadratique q : E R, il existe une unique forme bilinaire symtrique : E E R qui la ralise :
q(~x) = (~x, ~x) .
On lappelle la forme polaire associe la forme quadratique q.
Dmonstration. La dmonstration est lgante et courte, alors ne nous privons pas. Soit q :
E R une forme quadratique.
Existence : Comme q est une forme quadratique, il existe une forme bilinaire : E E R
qui la ralise : q(~x) = (~x, ~x). Symtrisons cette dernire en considrant
(~x, ~y ) :=
1
2
((~x, ~y ) + (~y , ~x)) .
La forme est bilinaire symtrique et elle ralise le forme quadratique q

(~x, ~x) =
1
2
((~x, ~x) + (~x, ~x)) =
1
2
(q(~x) + q(~x)) = q(~x) .
207
Unicit : La formule que nous venons de donner pour dpend de la forme bilinaire . Donc,
rien ne dit pour linstant que si on prenait une autre forme bilinaire qui ralise la forme
quadratique q, on trouverait encore par symtrisation. Pour cela, il suffit de voir que
peut tre dfinie par la formule
(~x, ~y ) =
1
2
(q(~x + ~x) q(~x) q(~y ))
qui, elle, ne dpend que de q. Ceci montre que est unique.

Exemple. La forme polaire associe la forme quadratique prcdente q(x, y) = 2x2 +5y 2 4xy
est la forme bilinaire symtrique

:= :
R2 R2
R

(x1 , x2 ), (y1 , y2 ) 7 2x1 y1 2x1 y2 2x2 y1 + 5x2 y2
que nous considrons depuis maintenant deux sections.
On gnralise automatiquement tous les dfinitions affrentes aux formes bilinaires symtriques
aux formes quadratiques.
Dfinition (Matrice associe une forme quadratique). Soit q : E R une forme quadratique et soit B une base de lespace vectoriel E . La matrice associe la forme quadratique q
dans la base B est la matrice associe la forme polaire dans la base B :
MatB (q) := MatB () .
Exemple. La matrice associe la forme quadratique prcdente q(x, y) = 2x2 + 5y 2 4xy
de R2 dans la base canonique C est

2 2
MatC (q) = MatC () =
.
2 5
Dfinition (Rang et signature dune forme quadratique).
Le rang dune forme quadratique q est le rang de sa forme polaire :
rg q := rg .
La signature dune forme quadratique q est la signature de sa forme polaire :
sgn q := sgn .
Une forme quadratique q est dgnre (respectivement non-dgnre, positive, dfinie) si sa
forme polaire est dgnre (respectivement non-dgnre, positive, dfinie).
Exemple. Le rang et la signature de la forme quadratique q(x, y) = 2x2 + 5y 2 4xy de R2
sont
rg q = 2 et sgn q = (2, 0) .
Cette forme quadratique est non-dgnre, positive et dfinie.
Par la dfinition mme de la matrice associe une forme quadratique, elle vrifie la mme
formule de changement de base que pour les formes bilinaires.
Proposition 111 (Formule de changement de base des formes quadratiques)
Soit q : E R une forme quadratique et soient A et B deux bases de E . Si on note par
P = MatA,B (id) la matrice de passage de la base B dans la base A, alors la matrice reprsentant
la forme quadratique q dans la base B est donne par
MatB (q) = tP MatA (q)P .
Dmonstration. Cest un corollaire direct de la proposition 87.
208

On considre lapplication q : R3 R dfinie par
q(x, y, z) := x2 + 6y 2 + 56z 2 4xy + 14xz 36yz .
1. Montrer quil sagit dune forme quadratique.
2. Donner la forme polaire de q.
3. Dcrire la matrice MatC (q) de q dans la base canonique C := {e~1 , e~2 , e~3 } de R3 .
4. Donner la signature de q.
5. Dcrire la matrice MatB (q) de q dans la base
B := {e~1 , 2e~1 + e~2 , 3e~1 + 2e~2 + e~3 } .
6. Retrouver la signature de q.
7. Existe-il des vecteurs X R3 non nuls tels que q(X) = 0 ?
Comme la formule de changement de base des matrices associes aux formes quadratiques est la
mme que celle des formes bilinaires, on peut rduire les formes quadratiques comme les formes
Proposition 112.
Pour toute forme quadratique q : E R, il existe une base B = {~u1 , . . . , ~un } de E telle que
la forme quadratique scrit
q(~x) = q (x1 ~u1 + + xn ~un ) = 1 x1 2 + + n xn 2 .
Si de plus, lespace vectoriel E est un espace euclidien (E , h , i), il existe une base orthonorme
Dmonstration. Cest un corollaire direct de la proposition 104 applique la forme polaire

de la forme quadratique q.
Remarque
. On retiendra que toute forme quadratique peut dcrire uniquement avec
des termes carrs, quitte changer de base.
Exemple. Pour la forme quadratique q(x, y) = 2x2 + 5y 2 4xy, que nous considrons depuis
le dbut de cette section, on utilise la base de diagonalisation

2
1
~u1 := 55
, ~u2 := 55
1
2
de la matrice symtrique

2
2

2
.
5
Elle scrit alors

q(~u1 + ~u2 ) = 2 + 6 2 .
Exercice 80 (Rduction).
On considre la forme quadratique suivante de R3
q(x, y, z) := x2 + y 2 + 3z 2 + 4xy + 2xz + 2yz .
1. Rduire la forme quadratique q en utilisant la diagonalisation des matrices.
209
Dfinition (Forme linaire). On appelle forme linaire toute une application linaire l :
E R depuis un espace vectoriel E vers R.
On rappelle que la proposition 44 implique que lensemble des formes linaires Hom(E , R) forme
un espace vectoriel. On peut donc parler de formes linaires libres, par exemple.
Thorme 113 (Loi dinertie de Sylvester). Soit q : E R une forme quadratique de
signature sgn q = (p, q).
Il existe p + q formes linaires {li : E R}16i6p+q linairement indpendantes telles que
q(~x) = l1 (~x)2 + + lp (~x)2 lp+1 (~x)2 lp+q (~x)2 .
Si la forme quadratique q scrit sous la forme
q(~x) = l1 (~x)2 + + lr (~x)2 lr+1 (~x)2 lr+s (~x)2 ,
o les {li : E R}16i6r+s sont des formes linaires linairement indpendantes, alors (r, s)
est gal la signature (p, q) de la forme quadratique q.
Dmonstration. Le premier point est une consquence directe du corollaire 105.
Exemple. Pour la forme quadratique
q(x, y) = 2x2 + 5y 2 4xy
que nous tudions, on considre la base orthogonale
n
O := ~v1 := ~u1 , ~v2 :=
6
u2
6 ~
crite dans cette base, la forme quadratique q est somme de deux carrs :
!
6
~u2 = a2 + b2 .
q(~x) = q(a~v1 + b~v2 ) = q a~u1 + b
6
Il ne reste plus qu exprimer les coordonnes (a, b) dans la nouvelle base O en fonction des
coordonnes (x, y) dans la base canonique C. Pour cela, on inverse la matrice de passage
!
2 6 1
30
,
P := MatC,O (id) = 30
6 2
ce qui donne
P
:= MatO,C (id) =
5
5
!
1
.
2 6
Les coordonnes (a, b) dun vecteur de R2 dans la base O sont donc

!

2
1
2x + y
a
x
5
= 5
= 55
.
b
y
6(x 2y)
6 2 6
Tout ceci montre que la forme quadratique q scrit

2
2
30
q(x, y) = 55 (2x + y) +
,
5 (x 2y)
|
{z
}
|
{z
}
l1 (x,y)
l2 (x,y)
l1 (x, y) :=
5
5 (2x
+ y) et l2 (x, y) :=
30
5 (x
2y)
sont deux formes linaires linairement indpendantes, car non proportionnelles.

Le second point du thorme prcdent ouvre la porte une nouvelle mthode pour rduire les
formes quadratiques et ainsi calculer leur signature.
210
Mthode
(Mthode de Gauss). Soit

X
q(x1 , . . . , xn ) =
i,i x2i +
16i6n
i,j xi xj
16i<j6n
une forme quadratique de Rn .

Premire tape. On commence par traiter les termes carrs. Si tous les i,i ne sont pas nuls,
on considre le plus petit i pour lequel i,i 6= 0. Pour plus de simplicit, on prendra ici i = 1. La
forme quadratique scrit
q(x1 , . . . , xn )
= ax1 2 + x1 B(x2 , . . . , xn ) + C(x2 , . . . , xn )

=

2
B(x2 , . . . , xn )
B(x2 , . . . , xn )2
a x1 +
+ C(x2 , . . . , xn ) .
2a
4a
On garde le premier terme carr et on itre la mthode sur les deux derniers termes qui ne ont
composs que des variables x2 , . . . , xn . Sil existe encore un terme carr, alors applique nouveau
cette premire tape. Sinon, on passe la suivante.
Exemple. On considre la forme quadratique
q(x, y, z) = x2 + y 2 2xy + 2yz .
de R3 . On gre le premier terme carr x2 avec la mthode dcrite dans cette premire tape :
q(x, y, z)
= x2 + y 2 2xy + 2yz = x2 2xy +y 2 + 2yz

| {z }
=(xy)2 y 2
(x y)2 + 2yz .
Comme il ne reste plus de terme carr, on arrte dappliquer la premire tape.

Seconde tape. Lorsquil nexiste plus de termes carres, on considre les plus petits i, j pour
lequels i,j 6= 0. Pour plus de simplicit, on prendra ici i = 1 et j = 2. La forme quadratique
scrit
q(x1 , . . . , xn )
=
=
ax1 x2 + x1 B(x3 , . . . , xn ) + x2 C(x3 , . . . , xn ) + D(x3 , . . . , xn )

C(x3 , . . . , xn )
B(x3 , . . . , xn )
a x1 +
x2 +
a
a
B(x3 , . . . , xn )C(x3 , . . . , xn )
+ D(x3 , . . . , xn ) .
a
On fait apparaitre deux termes carrs partir du premier terme en utilisant la formule gnrale

= 41 ( + )2 ( )2
Ceci donne

2
B(x3 , . . . , xn ) + C(x3 , . . . , xn )
x1 + x2 +
a

2
B(x3 , . . . , xn ) C(x3 , . . . , xn )
a
.
4 x1 x2 +
a
B(x3 , . . . , xn )C(x3 , . . . , xn )
+ D(x3 , . . . , xn )
a
a
4
q(x1 , . . . , xn )
On itre la mthode avec les deux derniers termes qui ne prsentent que les variables x3 , . . . , xn .
211
Exemple. Pour la forme quadratique

q(x, y, z) = x2 + y 2 2xy + 2yz = (x y)2 + 2yz ,
on crit le dernier terme
2yz =
Ceci donne la dcomposition finale
1
2
(y + z)2 (y z)2
q(x, y, z) = x2 + y 2 2xy + 2yz = (x y)2 + 21 (y + z)2 21 (y z)2 .
Exercice 80 (Rduction suite). On considre nouveau la forme quadratique de R3 dfinie

par
q(x, y, z) := x2 + y 2 + 3z 2 + 4xy + 2xz + 2yz .
2. Rduire la forme quadratique q en utilisant la mthode de Gauss.
3. Trouver la base dans laquelle q a la forme donne par cette mthode.
Exercice 81 (Mthode de Gauss).

Dans R4 , on considre la forme quadratique
q(x, y, z, t) := x2 + 9y 2 + 4z 2 + 6xy + 4xz + 16yz + 4yt + 8zt .
2. Donner la matrice de q dans la base canonique de R4 .
3. Appliquer la mthode de Gauss q.
4. Quelle est la signature de q ?
5. Peut-on retrouver ce rsultat en utilisant le thorme de Sylvester ?
Exercice
82 (Formes linaires indpendantes).
q(x, y, z) := (x y)2 + (y z)2 (z x)2 .
1. Cette forme est-elle celle obtenue par la mthode de Gauss ?
2. Dans le cas contraire, rduire la forme quadratique q avec la mthode de Gauss.
Ouverture
. Nous avons vu la fin du chapitre prcdent que lon pouvait considrer
des espaces vectoriels sur les nombres complexes la place des nombres rels. On pourrait crire
tout ce chapitre sur les espaces euclidiens en considrant des espaces vectoriels complexes. Dans
ce cas, on parle despaces hermitiens. Ce chapitre scrit alors presque exactement comme nous
venons de le faire seulement quelques diffrences prs (6) .
6. quon vous laisse tudier ...
212
Exercice 65 (Formes bilinaires de Rn ).

On considre les applications suivantes

1 : R R
(x, y)
2 :
R
.xy ,
R2 R2

(x1 , x2 ), (y1 , y2 )
R
7
.x1 y1 + 2.x1 y2 x2 y1 + 3.x2 y2 ,
1. Montrer quil sagit de formes bilinaires.

En sus des formes bilinaires prcdentes, on considre les formes bilinaires suivantes

3 :
R3 R3

(x1 , x2 , x3 ), (y1 , y2 , y3 )
4 :
R 4 R4

(x1 , x2 , x3 , x4 ), (y1 , y2 , y3 , y4 )
R
7
2x1 y1 + x2 y2 + x1 y3 + x3 y1 + x2 y3 + x3 y2 + 2x3 y3 ,
R
7
x1 y3 + 2.x1 y1 x2 y1 2.x3 y3 + 7x1 y4 .
2. Pour chacune dentre elles, donner la matrice associe dans la base canonique.
3. Pour chacune dentre elles, donner la matrice reprsentative dans les bases respectives suivantes
{(2)}, {(1, 1), (1, 2)}, {(1, 1, 1), (1, 0, 1), (1, 1, 0)}, {(1, 0, 1, 0), (0, 1, 0, 1), (1, 1, 1, 0) (0, 1, 1, 1)} .
4. Dterminer si elles sont dgnres ou non.
5. Dterminer si elles sont symtriques.
6. Pour celles qui sont symtriques, dterminer si elles sont dfinies positives.
Correction.
1. Pour la forme 1 , la linarit gauche se montre par le calcul suivant
(1 x1 + 2 x2 , y) = .(1 x1 + 2 x2 )y = 1 (.x1 y) + 2 (.x2 y) = 1 (x1 , y) + 2 (x2 , y) ,
pour tout 1 , 2 , x1 , x2 , y R, et la linarit droite se montre par le calcul suivant
(x, 1 y1 + 2 y2 ) = .x(1 y1 + 2 y2 ) = 1 (.xy1 ) + 2 (.xy2 ) = 1 (x, y1 ) + 2 (x, y2 ) ,
pour tout 1 , 2 , x, y1 , y2 R.
Pour la forme 2 , la linarit gauche se montre par le calcul suivant

(x1 , x2 ) + 0 (x01 , x02 ), (y1 , y2 ) = (x1 + 0 x01 , x2 + 0 x02 ), (y1 , y2 )
= .(x1 + 0 x01 )y1 + 2.(x1 + 0 x01 )y2 (x2 + 0 x02 )y1 + 3.(x2 + 0 x02 )y2
= .x1 y1 + 2.x1 y2 x2 y1 + 3.x2 y2 ) + 0 .x01 y1 + 2.x01 y2 x02 y1 + 3.x02 y2 )

= (x1 , x2 ), (y1 , y2 ) + 0 (x01 , x02 ), (y1 , y2 ) ,
pour tout , 0 R et tout (x1 , x2 ), (x01 , x02 ), (y1 , y2 ) R2 , et la linarit droite se montre par
le calcul

(x1 , x2 ), (y1 , y2 ) + 0 (y10 , y20 ) = (x1 , x2 ), (y1 + 0 y10 , y2 + 0 y20 )
= .x1 (y1 + 0 y10 ) + 2.x1 (y2 + 0 y20 ) x2 (y1 + 0 y10 ) + 3.x2 (y2 + 0 y20 )
= (.x1 y1 + 2.x1 y2 x2 y1 + 3.x2 y2 ) + 0 (.x1 y10 + 2.x1 y20 x2 y10 + 3.x2 y20 )

= (x1 , x2 ), (y1 , y2 ) + 0 (x1 , x2 ), (y10 , y20 ) ,
pour tout , 0 R et tout (x1 , x2 ), (y1 , y2 ), (y10 , y20 ) R2 .
213
Pas trs passionnant pour le cerveau, mais il faut savoir faire.
2. La base canonique
de R est C = {(1)} et la valeur de la forme bilinaire 1 en ((1), (1)) vaut

1 (1), (1) = .1.1 = . Donc la matrice associe la forme bilinaire 1 dans la base C est

MatC (1 ) = .
La base canonique de R2 est C = {(1, 0), (0, 1)} et les valeurs prises par la forme bilinaire
2 sur toutes les paires de vecteurs de cette base sont

2 1, 0), (1, 0) = , 2 1, 0), (0, 1) = 2, 2 0, 1), (1, 0) = 1, 2 0, 1), (0, 1) = 3 .
Donc la matrice associe la forme bilinaire 2 dans la base C est

2
MatC (2 ) =
.
1 3
La base canonique de R3 est C = {~e1 = (1, 0, 0), ~e2 = (0, 1, 0), ~e3 = (0, 0, 1)}. Comme la
matrice associe la forme bilinaire 3 dans la base C est la matrice forme des valeurs prises
par la forme bilinaire 3 sur toutes les paires de vecteurs de cette base, elle vaut
~e1
~e1 2
MatC (3 ) = ~e2 0
~e3 1
~e2
0
1
1
~e3
1
1 .
2
Comme la matrice associe la forme bilinaire 4 dans la base C de R4 est la matrice forme
des valeurs prises par la forme bilinaire 4 en toutes les paires de vecteurs de cette base, elle
vaut
2 0 1 7
1 0 0 0
MatC (4 ) =
0 0 2 0 .
0 0 0 0
3. Dans chacun des cas, on va utiliser la formule de changement de base de la proposition 87.
La matrice de passage de la nouvelle base B = {(2)} dans la base canonique C de R est

P = 2 .
Donc la matrice associe la forme bilinaire 1 dans la base B sobtient par le calcul suivant

MatB (1 ) = tP MatC (1 ) P = 2 2 = 4 .
La matrice de passage de la nouvelle base B = {(1, 1), (1, 2)} dans la base canonique C de
R2 est

1 1
P =
.
1 2
Donc la matrice associe la forme bilinaire 2 dans la base B sobtient par le calcul suivant

1 1
2
1 1
4 +9
MatB (2 ) = tP MatC (2 ) P =
=
.
1 2
1 3
1 2
+ 6 + 14
La matrice de passage de la nouvelle base B = {(1, 1, 1), (1, 0, 1), (1, 1, 0)} dans la base
canonique C de R3 est
1 1 1
P = 1 0 1 .
1 1 0
214
Donc la matrice associe la forme bilinaire 3 dans la base B
1 1 1
2 0 1
1 1
MatB (3 ) = tP MatC (3 ) P = 1 0 1 0 1 1 1 0
1 1 0
1 1 2
1 1
sobtient par
9
1
1 = 7
5
0
le calcul suivant
7 5
6 4 .
4 3
La matrice de passage de la nouvelle base B = {(1, 0, 1, 0), (0, 1, 0, 1), (1, 1, 1, 0) (0, 1, 1, 1)}
dans la base canonique C de R4 est
1 0 1 0
0 1 1 1
P =
1 0 1 1 .
0 1 0 1
Donc la matrice associe la forme bilinaire 4
1 0 1
0 1 0
t
MatB (4 ) = P MatC (4 ) P =
1 1 1
0 1 1
1 7 1
6
1 0 1 0
.
=
0 7 0
6
3 0 3 2
dans la base B sobtient par
1
2 0 1 7
0
1 0 0 0 0
1
0 0 0 2 0 1
0
0 0 0 0
1
le calcul suivant
0 1 0
1 1 1
0 1 1
1 0 1
4. On calcule le rang des matrices prcdentes en les chelonnant. Ceci donne respectivement les
rsultats suivants.

rg (1 ) = rg = 1
Comme le rang est maximal, la forme bilinaire 1 est non-dgnre.

0
2
1 3
1 3 + 2

MatC (2 ) =
2 0 1
1 0 0
MatC (3 ) = 0 1 1 1 1 0
2 1 1
1 1 2
2 0 1 7
1 0
0 0
1 0 0 0 0 1 0 0

MatC (4 ) =
0 0 2 0 0 0 2 0
0 0 0 0
0 0
0 0
Comme le rang nest pas maximal, la forme bilinaire 4 est dgnre.
5. En considrant les matrices associes aux quatre formes bilinaires, on voit que seules les matrices de 1 et 3 sont symtriques. Donc les formes bilinaires 1 et 3 sont symtriques et
les formes bilinaires 2 et 4 ne le sont pas.
6. Comme nous avons dj calcul les matrices reprsentant les formes bilinaires symtriques 1
et 3 , on peut leur appliquer le critre de Sylvester (Proposition 91) pour dterminer si elles sont
dfinies et positives.

Pour la matrice MatC (1 ) = 2 de 1 , il ny a quun seul mineur dominant extrait :

1 2 = 2 = 2 > 0 .
Donc, la forme bilinaire 1 est dfinie et positive.
215
Les mineurs extraits dominants de la matrice
2
M = MatC (3 ) = 0
1
1
1
2
0
1
1
reprsentant la forme bilinaire 3 sont

1 (M ) = 2 = 2 > 0,

2
2 (M ) =
0

0
= 2 > 0,
1

2

3 (M ) = 0
1
0
1
1

1
1 = 1 > 0 .
2
Donc, la forme bilinaire 3 est dfinie et positive.
Exercice 66 (Produit scalaire sur C ([0, 1])).

On travaille dans lespace vectoriel C ([0, 1]) form des applications continues f : [0, 1] R de
lintervalle [0, 1] vers R. On considre lapplication
R
: C ([0, 1]) C ([0, 1]) Z
1
(f, g)
7
(1 + t)f (t)g(t)dt .
0

2. Montrer quil sagit dun produit scalaire sur C ([0, 1]).
Correction.
1. On commence par montrer la linarit gauche. Soient 1 , 2 R et f1 , f2 , g C ([0, 1]). La
linarit de lintgrale donne
Z 1

(1 f1 + 2 f2 , g) =
(1 + t) 1 f1 (t) + 2 f2 (t) g(t)dt
0
Z
=
(1 (1 + t)f1 (t)g(t) + 2 (1 + t)f2 (t)g(t)) dt

0
Z
= 1
Z
(1 + t)f1 (t)g(t)dt + 2
(1 + t)f2 (t)g(t)dt
0
1 (f1 , g) + 2 (f2 , g)
On remarque que la forme est symtrique (f, g) = (g, f ), donc la linarit gauche implique
la linarit droite.
2. Un produit scalaire est une forme bilinaire symtrique, dfinie et positive. Vrifions ces trois
proprits.
symtrique : Nous lavons dj vu la question prcdente : (f, g) = (g, f ) pour tout
f, g C ([0, 1]).
positive : Pour toute fonction f C ([0, 1]), on a
1
Z
(f, f ) =
0
(1 + t)f (t)2 dt > 0 .

|
{z
}
>0
dfinie : Soit f C ([0, 1]) une fonction telle que

Z 1
(f, f ) =
(1 + t)f (t)2 dt = 0 .
0
216
Comme lintgrande (7) est une fonction positive, son intgrale est nulle si et seulement si
elle est nulle. Donc la fonction (1+t)f (t)2 est nulle sur [0, 1], ce qui implique que f (t) = 0
pour t ]0, 1]. Par continuit de la fonction f , on en conclut que f (t) = 0 pour t [0, 1].
Au final, nous avons bien montr que la forme bilinaire est un produit scalaire.
Exercice 67 (Produit scalaire sur les matrices).

On travaille dans lespace vectoriel M2 (R) form des matrices de taille 2 2. On considre
lapplication

h , i : M2 (R) M2 (R)
R
(A, B)
2. Montrer quil sagit dun produit scalaire sur M2 (R).
3. Dcrire la norme associe au produit scalaire h , i.
Correction.
1. On commence par montrer la linarit gauche. Soient 1 , 2 R et A1 , A2 , B M2 (R). La
linarit de la transpose et de la trace impliquent

h1 A1 + 2 A2 , Bi = tr t(1 A1 + 2 A2 )B = tr (1 tA1 + 2 tA2 )B = tr 1 tA1 B + 2 tA2 B
=
1 tr(tA1 B) + 2 tr(tA2 B) = 1 hA1 , Bi + 2 hA2 , Bi .
La linarit droite se montre de la mme manire. Soient 1 , 2 R et A, B1 , B2 M2 (R).

La linarit de la trace implique

hA, 1 B1 + 2 B2 i = tr tA(1 B1 + 2 B2 ) = tr 1 tAB1 + 2 tAB2
= 1 tr(tAB1 ) + 2 tr(tAB2 ) = 1 hA, B1 i + 2 hA, B2 i .
Donc, la forme h , i est une forme bilinaire.
2. Il sagit de montrer que la forme bilinaire h , i est symtrique, dfinie et positive.
symtrique : Rappelons que la trace est invariante par transposition, cest--dire tr tM =
tr M et que la transpose dun produit de matrices est gale au produit, dans le sens
inverse, des transposes des matrices, cest--dire t(M N ) = tN tM . De ces deux proprits,
on dduit la symtrie de la forme bilinaire h , i de la manire suivante

hB, Ai = tr(tBA) = tr t(tBA) = tr(tA t(tB)) = tr(tAB) = hA, Bi .
positive : Soit A M2 (R) une matrice carre de taille 2 2 ; elle scrit

a b
A=
.
c d
On en dduit

a2 + c2 ab + cd
hA, Ai = tr( AA) = tr
= a2 + b2 + c2 + d2 > 0 .
ab + cd b2 + d2
t
dfinie : Le calcul prcdent montre que si une matrice A est telle que hA, Ai = 0, cela
signifie que a2 + b2 + c2 + d2 = 0. Donc tous ses coefficients sont nuls et A = 0.
Au final, cela montre que la forme bilinaire h , i est un produit scalaire.
7. Cest la fonction que lon intgre.
217
3. La norme associe au produit scalaire h , i est dfinie par la formule

p
p
k A k= hA, Ai = a2 + b2 + c2 + d2 ,

a b
si on note les coefficients de la matrice A par A =
.
c d
Exercice 68 (Produit scalaire sur C ([0, 1]) bis).

Comme lexercice 66, on considre lespace euclidien C ([0, 1]), form des applications continues
f : [0, 1] R de lintervalle [0, 1] vers R, muni du produit scalaire
R
: C ([0, 1]) C ([0, 1]) Z
1
(f, g)
7
(1 + t)f (t)g(t)dt .
0
1. Les deux fonctions f (t) := t + 2 et g(t) := t 2t 3 sont-elles orthogonales ?

2. La fonction f est-elle de norme 1 ?
Correction.
1. On calcule le produit scalaire de f avec g :
Z 1
Z 1
2
(f, g) =
(1 + t)(t + 2)(t 2y 3)dt =
(t4 + t3 7t2 13t 6)dt
0

=
0
5
t
t
t
t
+ 7 13 6t
5
4
3
2
1
=
0
1 1 7 13
863
+
6=
6= 0
5 4 3
2
60
Comme ce dernier nest pas nul, les deux fonctions f et g ne sont pas orthogonales.
2. On calcule le carr de la norme de f :
1
4
Z 1
Z 1
t3
t
2
2
3
2
+ 5 + 3t + 2t
(f, f ) =
(1 + t)(t + 2) dt =
(t + 5t + 6t + 2)dt =
4
3
0
0
0
1 5
83
+ +3+2=
6= 1 .
4 3
12
r
83
La norme de la fonction f vaut k f k=
6= 1 .
12
=
Exercice 69 (Polynmes orthogonaux).

On travaille dans lespace vectoriel R[X] des polynmes coefficients rels. On considre lapplication
h , i : R[X] R[X] R
Z
1
(P, Q)
hP, Qi :=
P (x)Q(x)dx .
1
1. Montrer que lapplication h , i est un produit scalaire sur R[X].

2. Le sous-espace R3 [X] form des polynmes de degr infrieur ou gal 3 muni de la restriction
de h , i est-il un espace euclidien ?
3. La base
B := {1, X, X 2 , X 3 }
de R3 [X] est-elle orthogonale ?
4. Dterminer tous les vecteurs orthogonaux X 2 .
218
On considre la famille de polynmes

1
1
L := 1, X, (3X 2 1), (5X 3 3X) .
2
2
Ces polynmes sont les premiers dune famille infinie appels les polynmes de Legendre.

5. Montrer que L est une base orthogonale de R3 [X], h , i .
6. Est-elle orthonorme ?
Correction.
1. Un produit scalaire est une forme bilinaire symtrique, dfinie et positive.
symtrique : On commence par montrer la symtrie
Z 1
Z 1
hQ, P i =
Q(x)P (x)dx =
P (x)Q(x)dx = hP, Qi .
1
bilinaire : On va montrer la linarit gauche ; comme la forme bilinaire h , i est symtrique, cela entrainera automatiquement la linarit droite. Par linarit de lintgrale,
on a
Z 1
h1 P1 + 2 P2 , Qi =
(1 P1 (x) + 2 P2 (X))Q(x)dx
1
= 1
1
P1 (x)Q(x)dx + 2
P2 (x)Q(x)dx
1
1 hP1 , Qi + 2 hP2 , Qi
pour tout 1 , 2 R et pour tout P1 , P2 , Q R[X].

positive : Pour tout polynme P R[X], on a
Z
hP, P i =
1
P (x)2 dx > 0 .
| {z }
>0
dfinie : Soit P R[X] un polynme vrifiant

Z 1
hP, P i =
P (x)2 dx = 0 .
1
2
Comme lintgrante P (x) > 0 est positive, cela implique quen tout x [1, 1], le
polynme sannule P (x) = 0. Or le seul polynme ayant une infinit de racines est le
polynme nul, donc P = 0.
En conclusion, on a montr que la forme bilinaire h , i est un produit scalaire.
2. La restriction du produit scalaire h , i de lespace vectoriel des polynmes celui des polynmes
de degr infrieur ou gal 3 vrifie encore les axiomes dun produit scalaire. Et comme lespace
vectoriel des polynmes de degr infrieur ou gal 3 est de dimension finie, gale 4, la paire
(R3 [X], h , i) forme un espace euclidien.
3. Calculons le produit scalaire du polynme constant 1 avec le polynme X 2 :
3 1
Z 1

x
2
2
2
1, X =
x dx =
= 6= 0 .
3
3
1
1
Ces deux vecteurs ne sont pas orthogonaux et donc la base B nest pas orthogonale.
219
4. Soit P = a+bX +cX 2 +dX 3 un polynme de R3 [X]. Par dfinition, il est orthogonal au vecteur
X 2 si et seulement si
Z 1
Z 1

2

2
3
2
ax2 + bx3 + cx4 + dx5 dx
a + bx + cx + dx x dx =
0 = P, X =
1
3
1
x
x4
x5
x6
2
2
=
a +b +c +d
= a+ c .
3
4
5
6 1
3
5
Lensemble des polynmes orthogonaux au polynme X 2 est le sous-espace vectoriel form des
polynmes du type

P = a + bX + cX 2 + dX 3 R3 [X] | 23 a + 52 c = 0 .
5. Comme la famille L est forme de quatre polynmes echelons en degr, elle forme une base de
R3 [X]. Il sagit ensuite de montrer que les vecteurs de cette base sont orthogonaux deux--deux.
Cela revient faire 6 calculs de produits scalaires. Avant de se lancer, comme des bourrins, dans
ces calculs, on remarque que les fonctions polynomiales induites par le premier et le troisime
polynmes de cette base sont paires et que les fonctions polynomiales induites par le deuxime
et le quatrime polynmes de cette base sont impaires. Comme le produit dune fonction paire
et dune fonction impaire est une fonction impaire, quatre de ces produits scalaires sont nuls
puisque lon intgre entre 1 et 1. Il ne reste plus que les deux calculs suivants.
Z 1
1

3
1
1
1
2
1, 2 3X 2 1
=
2 (3x 1)dx = 2 x x 1 = 0
1
X,
1
2
5X 3X
=
1
1
3
2 x(5x
3x)dx =
1
2
(5x4 3x2 )dx
1
1 5
x x3 1 = 0
2
Ceci dmontre que la famille de polynmes L est une base orthogonale de lespace euclidien
(R3 [X], h , i).
6. La norme du polynme constant 1 vaut
p
k 1 k= h1, 1i =
sZ
dx =
2 6= 1 .
Comme il nest pas de norme 1, la famille de polynmes L nest pas une famille orthonorme.
Exercice 70 (Fonctions trigonomtriques).

On travaille dans lespace vectoriel C form des applications continues f : [, ] R de
lintervalle [, ] vers R. On le munit du produit scalaire
h, i: C C R
Z
(f, g) 7 hf, gi :=
f (t)g(t)dt .

F := {1, cos t, cos(2t), cos(3t), . . . , sin t, sin(2t), sin(3t), . . . } .
est orthogonale.
2. Comment peut-on modifier F pour obtenir une famille orthonorme ?
Correction.
1. Montrons que les vecteurs de la famille F sont orthogonaux deux--deux. Pour cela, on calcule
les intgrales suivantes.
220
1
cos(nt)dt =
h1, cos(nt)i =
sin(nt)
n
Z
sin(nt) dt = 0
h1, sin(nt)i =
| {z }

= 0
impaire
Z
hcos(nt), sin(mt)i =
cos(nt) sin(mt) dt = 0
|
{z
}
impaire
Les deux derniers requirent un peu plus de travail : on utilise les formules dEuler du thorme 13 pour linariser les produits suivants, pour tout n 6= m N .
cos(nt) cos(mt)
=
=
sin(nt) sin(mt)
=
=

eint + eint eimt + eimt
= 14 ei(n+m)t + ei(n+m)nt + ei(nm)t + ei(nm)t
2
2
1
(cos((n
+
m)t)
+
cos((n m)t)) ,
2

eint eint eimt eimt
= 41 ei(n+m)t + ei(n+m)nt ei(nm)t ei(nm)t
2i
2i
1
(cos((n
m)t)
cos((n + m)t)) .
2
On en dduit
Z
hcos(nt), cos(mt)i
1
2
1
2
1
2
(cos((n + m)t) + cos((n m)t)) dt

Z
cos((n + m)t)dt + 12
cos((n m)t)dt = 0 ,
Z
hsin(nt), sin(mt)i
=
=
1
2
(cos((n m)t) cos((n + m)t)) dt

Z
cos((n m)t)dt 12
cos((n + m)t)dt = 0 ,
Au final, cela montre que la famille de fonctions F est orthogonale.

2. Pour obtenir une famille orthonorme, il suffit de normaliser les lments de la famille F. Leurs
normes respectives valent
Z
k 1 k2 =
dt = 2
Z
Z
1
k cos(nt) k2 =
(cos(nt))2 dt =
2 (cos(2nt) + 1)dt =
Z
Z
1
k sin(nt) k2 =
(sin(nt))2 dt =
2 (1 cos(2nt))dt =
Donc, la famille orthogonale obtenue partir de la famille orthogonale F est

)
,
cos t,
cos(2t),
cos(3t), . . . ,
sin t,
sin(2t),
sin(3t), . . .
.
2

Exercice 71 (Base orthonorme de matrices). Avec les notations de lexercice 67, on
travaille dans lespace euclidien M2 (R), form des matrices de taille 2 2, muni du produit scalaire

h , i : M2 (R) M2 (R) R
(A, B)

Trouver une base orthonorme de M2 (R), h , i .
221
Correction. Si on note les coefficients des matrices de taille 2 2 par

a1 a2
b b
A=
et B = 1 2 ,
a3 a4
b3 b4
alors leur produit scalaire vaut

a1
hA, Bi = tr tAB = tr
a2
=
a3
a4

b1
b3
b2
b4

a1 b1 + a3 b3

0
1
= tr
a2 b2 + a4 b4

a1 b1 + a2 b2 + a3 b3 + a4 b4 .
On en dduit immdiatement que la base canonique

1 0
0 1
0
,
,
0 0
0 0
1

0
,
0
0
0
est une base orthonorme de lespace euclidien (M2 (R), h , i).
Exercice 72 (Base orthonorme de polynmes).

On travaille dans lespace vectoriel R2 [X] des polynmes de degr infrieur ou gal 2. On
considre lapplication

: R2 [X] R2 [X] R
(P, Q)
7 P (0)Q(0) + P (1)Q(1) + P (2)Q(2) .
1. Montrer que lapplication est un produit scalaire sur R2 [X].
2. Dterminer la matrice M := MatC () de lapplication billinaire dans la base canonique
C := {1, X, X 2 }.
3. Trouver une base orthonorme pour le produit scalaire .
Correction.
1. Un produit scalaire est une forme bilinaire symtrique, dfinie et positive.
symtrique : La symtrie est donne par
(Q, P ) = Q(0)P (0) + Q(1)P (1) + Q(2)P (2) = P (0)Q(0) + P (1)Q(1) + P (2)Q(2) = (P, Q) .
bilinaire : On va montrer la linarit gauche, la linarit droite en dcoulera par
symtrie. La forme vrifie

(1 P1 + 2 P2 , Q) = 1 P1 (0) + 2 P2 (0) Q(0) + 1 P1 (1) + 2 P2 (1) Q(1)

+ 1 P1 (2) + 2 P2 (2) Q(2)
=
1 P1 (0)Q(0) + 1 P1 (1)Q(1) + 1 P1 (2)Q(2)

+2 P2 (0)Q(0) + 2 P2 (1)Q(1) + 2 P2 (2)Q(2)
= 1 (P1 , Q) + 2 (P2 , Q)
pour tout 1 , 2 R et pour tout P1 , P2 , Q R2 [X].

positive : Pour tout polynme P R2 [X], on a
(P, P ) = P (0)2 + P (1)2 + P (2)2 > 0 .
dfinie : Soit P R2 [X] un polynme vrifiant
(P, P ) = P (0)2 + P (1)2 + P (2)2 = 0 .
Cela implique que P (0) = P (1) = P (2) = 0. Donc P est un polynme de degr infrieur
ou gal 2 avec 3 racines. La seule possibilit est que le polynme P est le polynme nul
P = 0.
En conclusion, la forme bilinaire est un produit scalaire.
222
2. La matrice reprsentant le produit scalaire dans la base canonique est forme des valeurs prises
sur les lments de cette base, savoir
3
MatC () = 3
5
3
5
9
5
9 .
17
3. Comme ce sont les valeurs prises par les polynmes en 0, 1 et 2 qui jouent un rle dans le produit
scalaire , nous allons considrer les polynmes suivants, forms de produits de X, X 1 et
X 2 :
{X(X 1), X(X 2), (X 1)(X 2)} .
On vrifie facilement que ces trois polynmes sont orthogonaux deux--deux :

X(X 1), X(X 2) = 0 ,

X(X 1), (X 1)(X 2) = 0 ,

X(X 2), (X 1)(X 2) = 0 .
Fallait y penser. La classe non ?
Daprs la proposition 94, on sait que cette famille est libre, cest donc une base orthogonale
de R2 [X]. Il suffit de normaliser ses vecteurs pour obtenir une base orthonorme. Les normes
respectives sont
q

k X(X 1) k= X(X 1), X(X 1) = 4 = 2 ,
q

k X(X 2) k= X(X 2), X(X 2) = 1 = 1 ,
q

k (X 1)(X 2) k= (X 1)(X 2), (X 1)(X 2) = 4 = 2 .
Au final, la famille
1
2 X(X
1), X(X 2), 21 (X 1)(X 2)
est une base orthonorme de R2 [X] pour le produit scalaire .

Exercice 73 (Matrice orthogonale).
Pour tout R, on considre la matrice
cos
R := sin
0
sin
cos
0
0
0 .
1
1. Montrer que, pour tout R, la matrice R est orthogonale : R O3 (R).

2. Que pouvez-vous en conclure des vecteurs colonnes de R ?
3. Dcrire gomtriquement lapplication linaire

: R3 R3
X 7 R X .
4. Redmontrer ainsi que est une isomtrie de R3 .
223
Correction.
1. On effectue le calcul
R R
cos
sin 0
cos sin 0
cos 0
= sin cos 0 sin
0
0
1
0
0
1
2
2
cos + sin
cos sin cos sin
= sin cos + cos sin
sin2 + cos2
0
0
1 0 0
= 0 1 0 = I ,
0 0 1
0
0
1
ce qui dmontre que la matrice R est orthogonale.

2. La proposition 95 stipule quune matrice est orthogonale si et seulement si ses colonnes forment
une base orthonorme de lespace euclidien (R3 , h , i).
3. Les vecteurs colonnes de la matrice R sont les images de la base canonique de R3 par lendomorphisme . En reprsentant ces trois images, on remarque quils correspondent limage de
la base canonique par la rotation daxe vertical Oz et dangle : le vecteur (0, 0, 1) est invariant
par et les images des deux vecteurs (1, 0, 0) et (0, 1, 0) sont donns par le graphique suivant.
Comme un endomorphisme est caractris par les images des vecteurs dune base, ceci dmontre
que lendomorphisme est la rotation daxe verticale Oz et dangle .
4. Nous avons dj vu la proposition 97 quun endomorphisme de R3 provenant dune matrice
orthogonale est une isomtrie. Lendomorphisme vrifie bien lnonc de cette proposition car
une rotation prserve la norme ; cest donc une isomtrie.
Exercice 74 (Projection orthogonale).

On reprend les notations de lexercice 70. On travaille dans lespace vectoriel C form des
applications continues f : [, ] R de lintervalle [, ] vers R. On le munit du produit
scalaire
Z
hf, gi :=
f (t)g(t)dt .
Calculer la projection orthogonale de la fonction f (t) := t2 sur le sous-espace vectoriel engendr

par {1, cos t, sin t}.
224
Correction. Nous allons appliquer la formule de la projection orthogonale donne la proposition 100. Pour cela, il nous faut dabord trouver une base orthonorme du sous-espace vectoriel
F := Vect ({1, cos t, sin t}). Nous avons dj vu lexercice 70 que cette famille de trois vecteurs est
orthogonale et que lon peut les normaliser pour obtenir la base orthonorme suivante
o
n
2
, cos t, sin t .
B := 2
La projection orthogonale de la fonction t2 sur F est alors donne par
* +

2
2
2
2
2
2
projF t
=
t ,
+ t ,
cos t
cos t + t ,
sin t
sin t
2
2

Z
Z
Z
1
1
1
2
2
2
t dt +
t cos t dt cos t +
t sin t dt sin t
=
2
La premire intgrale se calcule rapidement

3
Z
t
2
t dt =
= 23 3 .
3
Les deux derniers se calculent par deux intgrations par partie, chaque fois.
Z
Z
2
2
2t |{z}
sin t dt
t |{z}
sin t
t cos
|{z}
|{z}
|{z}
|{z}t dt =
u(t) v 0 (t)
u(t) v(t)
u0 (t) v(t)
Z
=
2t |{z}
sin t dt = |{z}
2t ( cos t)
|{z}
|
{z
}
w(t)
z 0 (t)
w(t)
z(t)
2 ( cos t) dt
|{z}
| {z }
w0 (t)
z(t)
= 4 ,
R
car la dernire intgrale cos t dt = 0 est nulle, voir exercice 70.
De la mme manire, on a
Z
Z
2
2
2t ( cos t) dt
t
sin
t
dt
=
t
(
cos
t)
|{z}
|{z} |{z}
|{z} | {z }
| {z }
u(t) v 0 (t)
u(t)
Z
=
u0 (t)
v(t)
2t sin t
2t cos
|{z}t dt = |{z}
|{z}
|{z}
w(t)
v(t)
z 0 (t)
w(t) z(t)
2 |{z}
sin t dt
|{z}
w0 (t) z(t)
0,
R
nouveau parce que la dernire intgrale sin t dt = 0 est nulle, voir exercice 70.
Au final, la projection orthogonale de la fonction t2 sur le sous-espace vectoriel F est
1 2
2
proj
= 3 4 cos t .
F t
Exercice 75 (Algorithme dorthonormalisation de GramSchmidt)

On travaille dans lespace euclidien (R3 , h , i) muni de son produit scalaire canonique. On considre la famille F := {f~1 , f~2 , f~3 } forme des 3 vecteurs suivants

1
0
1
f~1 := 2 , f~2 := 1 , f~3 := 3 .
2
2
1
Appliquer lalgorithme dorthonormalisation de GramSchmidt ces 3 vecteurs pour trouver
une base orthonorme de R3 .
225
Correction.
1 : La norme du vecteur f~1 vaut
k f~1 k=
1+4+4=
9=3.
On normalise f~1 pour trouver ~u1

1
1
2
~u1 :=
.
3
2
2 : On considre la droite F1 engendre par le vecteur ~u1 . La projection orthogonale de f~2 dessus
donne
+

*
0
1
1
1
1
1
2
~2 ) = 1 , 2
.
2
2
proj
(
f
=
F1
3
3
3
2
2
2
2
Le vecteur f~2 moins son projet sur F1 donne le vecteur orthogonal F1 suivant :

1
2
0
1
2
~2 ) = 1 + 2 = 1 .
f~2 proj
(
f
F1
3
3
2
2
2
Sa norme vaut
1
~
k f~2 proj
9=1.
F1 (f2 ) k=
3
Pas besoin de le normaliser ; on obtient le deuxime vecteur de la base orthonorme

2
1
1
~u2 =
.
3
2
3 : On considre le plan F2 engendr par les vecteurs ~u1 et ~u2 . Le projet orthogonal de f~3 dessus
est
+ *
+
*1
1
1
1
1
2
2
1
1
1
1
~3 ) = 3 , 2
3
1
2
1
1
,
.
+
=
proj
(
f
F2
3
3
3
3
1
0
2
2
2
2
1
La diffrence entre le vecteur f~3 et son projet sur F2 donne le vecteur orthogonal F2 suivant :

1
1
2
~
3 1 = 2 ,
f~3 proj
F2 (f3 ) =
1
0
1
de norme
~
k f~3 proj
4+4+1=3 .
F2 (f3 ) k=
On le normalise pour obtenir le troisime et dernier vecteur de la base orthonorme

2
1
2
~u3 :=
.
3
1
Exercice
76 (Algorithme dorthonormalisation de GramSchmidt bis)
Soit F := {f~1 , f~2 , . . . , f~n } une base dun espace euclidien (E , h , i). (On pourra travailler dans
E = Rn muni de son produit scalaire canonique, par exemple). Soit B := {u~1 , u~2 , . . . , u~n } la base
obtenue aprs application de lalgorithme dorthonormalisation de GramSchmidt.
Quelle proprit particulire possde la matrice de changement de bases MatF ,B (id) ?
226
Correction. Si on tudie lalgorithme dorthonormalisation de GramSchmidt, on remarque que

le premier vecteur ~u1 est obtenu uniquement partir du premier vecteur f~1 , que le second vecteur ~u2
est obtenu partir des deux premiers vecteurs f~1 , f~2 , que le troisime vecteur ~u3 est obtenu partir
des trois premiers vecteurs f~1 , f~2 , f~3 , etc.
La matrice de changement de bases MatF ,B (id) a donc la forme suivante
..
MatF ,B (id) = .
0
~u1
..
..
~u2
~un
..
.
f~1
f~2
..
.
f~n
cest--dire la matrice de changement de bases MatF ,B (id) est triangulaire suprieure.
Exercice 77 (Matrice symtrique).

4
M := 3
3
3
4
3
3
3 .
4
On appelle lapplication bilinaire dont M est la matrice dans la base canonique de R3 .

1. Que vaut (x1 , x2 , x3 ), (y1 , y2 , y3 ) ?
2. Montrer, sans calcul et en appliquant le thorme du rang, que 1 est valeur propre de M .
3. Quelle est lautre valeur propre ?
4. Dmontrer, par 2 mthodes diffrentes, que la matrice M est diagonalisable.
5. Dcrire les deux sous-espaces propres E1 et E10 .
6. Trouver une base orthonorme de E1 .
7. Montrer que tout vecteur propre X E1 de valeur propre 1 est orthogonal tout vecteur
propre Y E10 de valeur propre 10.
8. En conclure quil existe une base orthonorme de vecteurs propres de M . Donner en une.
9. Donner lexpression de la forme bilinaire dans cette nouvelle base.
Correction.
1. La forme bilinaire vaut
4

(x1 , x2 , x3 ), (y1 , y2 , y3 ) = (x1 , x2 , x3 ) 3
3
3
4
3

3
y1
3 y2
4
y3
= 4x1 y1 + 4x2 y2 + 4x3 y3 + 3x1 y2 + 3x2 y1 + 3x1 y3 + 3x3 y1 + 3x2 y3 + 3x3 y2 .

2. On considre la matrice
3
M I = 3
3
3
3
3
3
3
3
qui est de rang 1. Par le thorme du rang, on en conclut que

dim E1 = dim Ker(fM id) = dim R3 rg (M I) = 3 1 = 2 .
Donc 1 est valeur propre de la matrice M .
227
3. Quitte trigonaliser la matrice M dans les nombres complexes, on sait que la somme des valeurs
propres est gale la trace de la matrice M . La question prcdente a montr que 1 est valeur
propre de multiplicit 2. Comme la trace de M vaut 12, on en conclut que lautre valeur propre est
12 2 1 = 10 .
4. On peut dj remarquer que la matrice M est symtrique, elle est donc diagonalisable par le
thorme 103.
On peut montrer ce rsultat laide des questions prcdentes. En effet, nous savons que
dim E1 = 2 et que 10 est valeur propre, cela implique que dim E10 = 1 et que R3 = E1 E10 .
Il existe donc une base de vecteurs propres de la matrice M et la matrice M est diagonalisable.
5. La matrice M a deux valeurs propres.
= 1 : On dcrit le sous-espace propre E1 associ la valeur propre 1, cest--dire lensemble des vecteur

x
X = y
z
de R3 vrifiant (M I)X = 0,
3x + 3y + 3z
3x + 3y + 3z
3x + 3y + 3z
cest--dire
=
=
=
0
0
0
x+y+z =0 .
Le sous-espace propre E1 est donc le plan dquation

E1 = y R3 | x + y + z = 0
.
z
= 10 : On dcrit le sous-espace propre E10 associ la valeur propre 10, cest--dire
lensemble des vecteurs

x
X = y
z
de R3 vrifiant (M 10I)X = 0,
6x + 3y + 3z
3x 6y + 3z
3x + 3y 6z
cest--dire
=
=
=
0
0
0
x=y=z .
Le sous-espace propre E10 est donc la droite dquations
E10 = X = y R3 | x = y = z
.
z
6. On voit facilement que (1, 1, 2) et (1, 1, 0) sont deux vecteurs de E1 et quils sont orthogonaux
h(1, 1, 2), (1, 1, 0)i = 1 1 = 0 .
Ils sont donc libres, par la proposition 94. Il ne reste plus qu les normaliser pour obtenir la base
orthonorme suivante :
n
o
6
2
(1,
1,
2),
(1,
1,
0)
.
6
2
7. Par bilinarit du produit scalaire, il suffit de montrer cette proprit pour les lments dune
base de E1 et dune base de E10 . En considrant les vecteurs (1, 1, 2), (1, 1, 0) de base de
E1 et le vecteur (1, 1, 1) pour base de E10 , on trouve
h(1, 1, 2), (1, 1, 1)i = 1 + 1 2 = 0 et
h(1, 1, 0), (1, 1, 1)i = 1 + 1 2 = 0 .
228
Donc tout vecteur de E1 est orthogonal tout vecteur de E10 ; dit autrement, E1 est orthogonal E10
E1 E10 .
8. Cette proprit dcoule du thorme 103 de diagonalisation des matrices symtriques. On peut
le dmontrer directement ici, grce aux questions prcdentes. Nous avons dj trouv une base
orthonorme de E1 et on sait que E1 est orthogonal E10 . Il suffit donc de donner une base
orthonorme de E10 pour pouvoir conclure. Pour cela, on normalise le vecteur (1, 1, 1) pour
trouver
3
3 (1, 1, 1) .
Au final, cela fournit la base orthonorme suivante de vecteurs propres de la matrice M
n
o
2
3
B := 66 (1, 1, 2),
(1,
1,
0),
(1,
1,
1)
.
2
3
9. Soit P la matrice de passage de cette nouvelle base dans la base canonique. Cette base tant
orthonorme, la matrice P est orthogonale, cest--dire P 1 = tP . La diagonalisation de la
matrice M dmontre que
1 0 0
t
P M P = 0 1 0 .
0 0 10
Par la formule de changement de base des formes bilinaires (proposition 87), la matrice de
dans la base B est
1 0 0
MatB () = 0 1 0 .
0 0 10
Si on note par {~u1 , ~u2 , ~u3 } les vecteurs de la base B, alors la forme bilinaire sexprime dans
cette base de la manire suivante
(~u1 + ~u2 + ~u3 , ~u1 + ~u2 + ~u3 ) = 2 + 2 + 10 2 .

On considre lapplication bilinaire : R3 R3 R
C de R3 est
1 1
MatC () := 1 0
2
1
dont la matrice dans la base canonique
2
1 .
1
1. Calculer ((1, 1, 5), (1, 2, 1)).

2. Calculer la signature de de deux manires diffrentes.
3. Vrifier que la famille F := {(1, 1, 1), (1, 1, 1), (0, 1, 1)} est une base de R3 .
4. Calculer la matrice MatF () de dans la base F.
5. Calculer la signature de dune autre manire.
Correction.
1. La forme bilinaire est donne par la formule
(X, Y ) = tX MatC () Y .
Avec les deux vecteurs de lnonc, on trouve
1

(1, 1, 5), (1, 2, 1) = (1, 1, 5) 1
2
1
0
1
2
1
1 2 = 6 .
1
1
229
2. On peut commencer par en revenir la dfinition : la signature de la forme bilinaire compte

le nombre de valeurs propres strictement positives et le nombre de vecteurs propres strictement
ngatives de la matrice
1 1 2
M = MatC () = 1 0 1 .
2
1 1
On calcule donc son polynme caractristique

1 X 1
2 1 X

X
1 = 1
M (X) = 1
2
1
1 X 3 X
1
X
0

0
1 2X
3X
en ajoutant la dernire colonne deux fois la deuxime et en ajoutant ensuite la premire ligne
la dernire. En dveloppant par rapport la dernire ligne, on trouve

1
0 1 X 1

= (3 X)(X 2 + X 2)
+
M (X) = (3 X)
X
X 1 2X 1
= (X 3)(X 1)(X + 2).
La matrice M admet donc 2 valeurs propres strictement positives (1 et 3) et une valeur propre
strictement ngative (2). La signature de la forme bilinaire est donc
sgn = (2, 1) .
On peut aussi utiliser le thorme 108 de Sylvester. Le calcul des mineurs principaux dominants
donne ici
1 (M ) = 1, 2 (M ) = 1, 3 (M ) = 6 .
Il y a donc 1 changement de signe dans la suite 1, 1, 1, 6 et on retrouve bien la signature
sgn = (2, 1) .
3. On chelonne la matrice P := MatC,F (id) forme en colonne des vecteurs de la famille F :
1 1 0
1 0 0
1 1 1 1 1 0 .
1 1
1
1 1 1
Comme la matrice chelonne est de rang 3, on conclut que la famille F est une base de R3 .
4. La matrice associe la forme bilinaire dans la base F est donne par la formule de changement
de base de la proposition 87 :
1
1 1
1 1 2
1 1 0
6 2
4
MatF () = tP MatF ()P = 1 1 1 1 0 1 1 1 1 = 2 2 2
0 1 1
2
1 1
1 1
1
4 2 1
5. La proposition 106 nous dit que lon peut calculer la signature de la forme bilinaire grce la
matrice associe dans la base que lon veut. Ici, nous allons utiliser la seconde matrice
6 2
4
N := MatF () = 2 2 2 ,
4 2 1
dont le polynme caractrise vaut

6 X
2
4 6 X

2X
2 = 2
N (X) = 2
4
2
1 X 4
2
2X
2

6 X
0

2X 6 = (X 3) 2
4
3X
2
2X
2

0
2
1
230
en soustrayant deux fois la deuxime colonne la dernire, puis en factorisant la dernire colonne
par (X 3). On ajoute 2 fois la dernire ligne la deuxime et on dveloppe par rapport la
dernire colonne pour trouver

6 X
2
0

2 X 0
N (X) = (X 3) 10
4
2
1

= (X 3) (6 X)(X + 2) + 20 = (X 3)(X 2 + 4X + 32)
= (X 3)(X + 4)(X 8) .
La matrice N admet donc 2 valeurs propres strictement positives (3 et 8) et une valeur propre
strictement ngative (4). On retrouve bien la signature de la forme bilinaire , savoir
sgn = (2, 1) .
Encore une fois, on peut aussi utiliser le thorme 108 de Sylvester pour calculer la signature
de la forme bilinaire , mais en utilisant la matrice N cette fois. Les mineurs principaux extraits
sont ici
1 (N ) = 6, 2 (N ) = 8, 3 (N ) = 96 .
Il y a donc 1 changement de signe dans la suite 1, 1, 1, 6 et on retrouve bien la signature
sgn = (2, 1) .

On considre lapplication q : R3 R dfinie par
q(x, y, z) := x2 + 6y 2 + 56z 2 4xy + 14xz 36yz .
1. Montrer quil sagit dune forme quadratique.
3. Dcrire la matrice MatC (q) de q dans la base canonique C := {e~1 , e~2 , e~3 } de R3 .
4. Donner la signature de q.
5. Dcrire la matrice MatB (q) de q dans la base
B := {e~1 , 2e~1 + e~2 , 3e~1 + 2e~2 + e~3 } .
6. Retrouver la signature de q.
7. Existe-il des vecteurs X R3 non nuls tels que q(X) = 0 ?
Correction.
1. La forme bilinaire : R3 R3 R3 dfinie par

(x, y, z), (x0 , y 0 , z 0 ) := xx0 + 6yy 0 + 56zz 0 2xy 0 2yx0 + 7xz 0 + 7zx0 18yz 0 18y 0 z
ralise lapplication q dans le sens o

q(x, y, z) = (x, y, z), (x, y, z) .
Donc lapplication q est une forme quadratique.
2. La forme bilinaire donne la question prcdente et qui ralise la forme quadratique a le bon
gout dtre symtrique

(x, y, z), (x0 , y 0 , z 0 ) = (x0 , y 0 , z 0 ), (x, y, z) .
Cest donc la forme polaire de la forme quadratique q.
231
3. Par dfinition, la matrice MatC (q) de la forme quadratique q dans la base canonique est la matrice
de la forme polaire dans la base canonique :
1
2
7
6
18 .
MatC (q) = MatC () = 2
7 18 56
4. On calcule les mineurs extraits dominants de la matrice prcdente

1

2
7

1 2
= 2 > 0, 3 = 2
6
18 = 2 < 0 .
1 = |1| = 1 > 0, 2 =

2 6
7 18 56
Ainsi, le nombre de changements de signes dans la suite 1, 1, 2, 2 est gal 1. Par le thorme 108 de Sylvester, la signature de la forme quadratique q est
sgn q = (2, 1) .
5. On va appliquer la formule de changement de base des matrices reprsentant les formes quadratiques (proposition 111). La matrice de passage de la base B dans la base C est
1 2 3
P := MatC,B (id) = 0 1 2 .
0 0 1
La matrice reprsentant la forme quadratique q est
1 0 0
1
2
6
MatB (q) = tP MatC (q) P = 2 1 0 2
3 2 1
7 18
7
1
18 0
56
0
2
1
0
3
1
2 = 0
1
0
0 0
2 0
0 1
6. Comme le calcul de la signature est indpendant de la base dans laquelle on crit la matrice,
on peut la calculer ici avec la matrice de la question prcdente. Cette dernire a deux valeurs
propres strictement positives 1 et 2 et une valeur propre strictement ngative 1. On retrouve
bien la signature de la forme quadratique q
sgnq = (2, 1) .
7. Si on denote par
~u1 := ~e1 ,
~u2 := 2e~1 + e~2 ,
~u3 := 3e~1 + 2e~2 + e~3
les vecteurs de la base B, alors la forme quadratique devient dans cette base
1 0 0
0
2
0
= 2 + 2 2 2 .
q (~u1 + ~u2 + ~u3 ) =
0 0 1
Grce cette forme particulirement simple, on peut voir que
q(~u1 + ~u3 ) = q(2, 2, 1) = 0 .
Do lintrt de changer de base pour rduire les formules dfinissant les formes
quadratiques. Essayez de rsoudre cette mme question avec la dfinition de q ...
Exercice 80 (Rduction).
On considre la forme quadratique suivante de R3
q(x, y, z) := x2 + y 2 + 3z 2 + 4xy + 2xz + 2yz .
1. Rduire la forme quadratique q en utilisant la diagonalisation des matrices.
232
2. Rduire la forme quadratique q en utilisant la mthode de Gauss.

3. Trouver la base dans laquelle q a la forme donne par cette mthode.
Correction.
1. La matrice associe la forme quadratique q dans
1
M = MatC (q) = 2
1
la base canonique C de R3 est
2 1
1 1
1 3.
Son polynme caractristique vaut, en soustrayant la premire colonne la deuxime,

1 X
1
2
1 1 X X + 1

1 X
1
1X
1 = 2
M (X) = 2

1
1
0
3 X
1
3X

1 X 1
1 X 1
1
1

2
1
1 = (X + 1) 3 X 0
= (X + 1) 2

1
1
0 3 X
0 3X
et en additionnant la premire ligne la deuxime. En dveloppant par rapport la deuxime
colonne, on trouve

3 X

2
= (X + 1) (3 X)2 2 = (X + 1) X 2 6X + 7 .
M (X) = (X + 1)

1
3X
Le discriminant du dernier polynme de degr 2 est = 8 et ses racines sont 3 + 2 et 3 2.

Le polynme caractristique est donc

M (X) = (X + 1) X 3 2 X 3 + 2 .
= 1 : La mthode habituelle permet de montrer que le vecteur

1
1
0
est vecteur propre de valeur propre 1.
= 3 + 2 : La mthode habituelle permet de montrer que le vecteur

1
1
est vecteur propre de valeur propre 3 + 2.
= 3 2 : La mthode habituelle permet de montrer que le vecteur
1
1
est vecteur propre de valeur propre 3 2.

Ces vecteurs sont orthogonaux car ils appartiennent des sous-espaces propres distincts (et
que ces derniers sont orthogonaux). Il suffit de les normaliser pour obtenir la base orthonorme
suivante
1
1
1
2
1
1
1 .
1 , ~u2 := 1 , ~u3 :=
B := ~u1 :=
2
2
2
0
2
2
233
Comme cette base est orthonorme, sa matrice de passage dans la base canonique
1
2
1
2
2
2
2
2
P = MatC,B (id) =
2
0
1
2
1
2
2
2
est orthogonale, cest--dire P 1 = tP . Ceci implique que la matrice de la forme quadratique q

dans la base B est la matrice diagonale
1
0
0
0 .
MatB (q) = 0 3 + 2
0
0
3 2
La forme quadratique q scrit donc de la manire suivante dans la base B
q (~u1 + ~u2 + ~u3 ) = 2 + (3 + 2) 2 + (3 2) 2 .

Enfin, les coordonnes (, , ) dun vecteur (x, y, z) crit dans la base canonique sont obtenues
par multiplication par linverse de la matrice de passage P , cest--dire par tP ici :
2

2
22
0
2
2 (x y)
x

2 y = 1
1
= 1
2 x + y + 2z .
2
2
2

z
1
2
1
1
x
+
y
2z
2
2
2
2
Au final, on trouve la rduction suivante pour la forme quadratique q :
2 3 2
2
1
3+ 2
2
q(x, y, z) = (x y) +
x + y + 2z +
x + y 2z
.
2
4
4
2. La rduction de la forme quadratique q par la mthode de Gauss donne
q(x, y, z)
x2 + y 2 + 3z 2 + 4xy + 2xz + 2yz = x2 + 4xy + 2xz +y 2 + 3z 2 + 2yz

|
{z
}
=(x+2y+z)2 (2y+z)2
(x + 2y + z) (4y + 4yz + z ) + y 2 + 3z 2 + 2yz
(x + 2y + z)2 3y 2 + 2z 2 2yz = (x + 2y + z)2 3
2
(x + 2y + z)2 3 y + 13 z

+ 2z 2
y 2 + 32 yz
| {z }
2 1 2
1
y+ 3 z
9z
+ 73 z 2 .
3. Travaillons par analyse-synthse : supposons connus les vecteurs F := {~u1 , ~u2 , ~u3 } de base dans
laquelle la forme quadratique scrit
q(x, y, z) = q (~u1 + ~u2 + ~u3 ) = 2 3 2 + 73 2 ,
o
= x + 2y + z
= y + 31 z
= z.
Matriciellement, ce systme scrit

1 2 1
x
= 0 1 1 y .
3
z
0 0 1
|
{z
}
MatF ,C (id)
234
En inversant la matrice MatF ,C (id) qui apparait ici, on trouve la matrice
1 2 13
MatF ,C (id)1 = MatC,F (id) = 0 1 13

0 0
1
dont les colonnes sont prcisment les trois vecteurs {~u1 , ~u2 , ~u3 } de la base F.
On en conclut que la forme quadratique q se rduit sous la forme de Gauss
2
q(x, y, z) = (x + 2y + z)2 3 y + 13 z + 37 z 2
dans la base

1
2
1
0 , 1 , 1 1
.
3
0
3
0
Exercice 81 (Mthode de Gauss).

q(x, y, z, t) := x2 + 9y 2 + 4z 2 + 6xy + 4xz + 16yz + 4yt + 8zt .
1.
2.
3.
4.
5.
Donner la forme polaire de q.

Donner la matrice de q dans la base canonique de R4 .
Appliquer la mthode de Gauss q.
Quelle est la signature de q ?
Peut-on retrouver ce rsultat en utilisant le thorme de Sylvester ?
Correction.
1. Considrons la forme bilinaire : R4 R3 R3 donne par

(x, y, z, t), (x0 , y 0 , z 0 , t0 ) := xx0 + 9yy 0 + 4zz 0 + 3xy 0 + 3x0 y + 2xz 0 + 2x0 z
+8yz 0 + 8y 0 z + 2yt0 + 2y 0 t + 4zt0 + 4z 0 t .
Comme elle est symtrique et quelle ralise la forme quadratique

q(x, y, z, t) = (x, y, z, t), (x, y, z, t) ,
on peut conclure que est la forme polaire de la forme quadratique q.
2. Par dfinition, la matrice de la forme quadratique q est la matrice de sa forme polaire, cest--dire
ici
1 3 2 0
3 9 8 2
MatC (q) = MatC () =

2 8 4 4 .
0 2 4 0
3. La mthode de Gauss applique la forme quadratique q donne
q(x, y, z, t)
= x2 + 9y 2 + 4z 2 + 6xy + 4xz + 16yz + 4yt + 8zt

=
x2 + 6xy + 4xz
|
{z
}
+9y 2 + 4z 2 + 16yz + 4yt + 8zt
=(x+3y+2z)2 (3y+2z)2
(x + 3y + 2z)2 (9y 2 + 12yz + 4z 2 ) + 9y 2 + 4z 2 + 16yz + 4yt + 8zt
(x + 3y + 2z)2 + 4yz + 4yt + 8zt
(x + 3y + 2z)2 + 4( yz + yt + 2zt )
|
{z
}
=(y+2t)(z+t)2t2
(x + 3y + 2z)2 + (y + z + 3t)2 (y z + t)2 8t2 .
235
4. La forme trouve la question prcdente permet de dterminer la signature de la forme quadratique q. Elle compte le nombre de termes coefficients positifs et ngatifs :
sgn q = (2, 2) .
5. Si on veut utiliser le thorme 108 de Sylvester, il nous faut dabord calculer les mineurs dominants
extraits. Mais comme le deuxime sannule

1 3
=0,
2 =
3 9
nous ne pouvons pas appliquer le thorme de Sylvester.
Exercice
82 (Formes linaires indpendantes).
q(x, y, z) := (x y)2 + (y z)2 (z x)2 .
1. Cette forme est-elle celle obtenue par la mthode de Gauss ?
2. Dans le cas contraire, rduire la forme quadratique q avec la mthode de Gauss.
Correction.
1. Les trois formes linaires l1 , l2 , l3 : R3 R qui apparaissent ici
l1 (x, y, z) = x y,
l2 (x, y, z) = y z,
l3 (x, y, z) = z x,
ne sont pas linairement indpendante. En effet, elles satisfont la combinaison linaire non-triviale
suivante
l1 + l2 + l3 = 0 .
Cette forme ne saurait tre donne par la mthode Gauss qui rduit les formes quadratiques car
celle-ci implique des formes linaires libres.
2. On commence par dvelopper la forme quadratique q :
q(x, y, z) = 2y 2 2xy + 2xz 2yz .
Maintenant, nous pouvons appliquer la mthode de Gauss qui consiste toujours commencer
par les termes carres

q(x, y, z) = 2y 2 2xy 2yz + 2xz = 2
y 2 xy yz
+ 2xz
|
{z
}
=(y 21 x 12 z)2 14 (x+z)2
2(y 12 x 21 z)2 12 (x2 + 2xz + z 2 ) + 2xz
2(y 21 x 21 z)2 12 x2 + xz 12 z 2
2(y 12 x 21 z)2 12 (x z)2 .
ANNEXE A
ANNALES
A.1. Contrle continu 1 (octobre 2011)
Questions de cours.
On considre une famille A = {a~1 , . . . , a~n } dun espace vectoriel V .
1. Donner la dfinition de V ect(A), le sous-espace vectoriel de V engendr par A.
Le sous-espace vectoriel V ect(A) de V engendr par une famille de vecteurs A est lensemble
des combinaisons linaires dlments de A :
V ect(A) := {1 a~1 + + n a~n V | 1 , . . . , n R} .
2. Donner sa principale proprit.
Cest un sous-espace vectoriel de V , qui est le plus petit sous-espace vectoriel contenant la
famille de vecteurs A : pour tout sous-espace vectoriel Z de V , si Z contient A, alors Z contient
V ect(A)
A Z = V ect(A) Z .

On considre le nombre complexe
3 + 3i
.
1i
1. Calculer sous forme algbrique = x + iy, cest--dire dterminer la partie rele x et la
partie imaginaire y.
:=
En multipliant par le conjugu du dnominateur, on obtient
3 + 3i
( 3 + 3i)(1 + i)
( 3 3) + i( 3 + 3)
=
=
.
1i
2
2
2. Mettre sous forme polaire ei , cest--dire dterminer le module et largument .
On commence par mettre le numrateur 3 + 3i sous forme polaire :

!

3
3
1
3

+ i =2 3
3 + 3i = 2 3
+
i = 2 3 cos + i sin
= 2 3ei 3 .
2
2
3
3
2 3 2 3
238
ANNEXE A. ANNALES
Puis, on met le dnominateur sous forme polaire :
!

2
2
+ i sin
= 2ei 4 .
1i= 2
i = 2 cos
2
2
4
4
On peut ensuite diviser les deux :

i 7
i( + )
2 3ei 3
4 =
6e 3
6e 12
=
=
i 4
2e
3. Combien de solutions complexes z C, lquation z 2 = admet-elle ? noncer le thorme
que vous utilisez.
Par le thorme fondamental de lalgbre, on sait que cette quation polynmiale de degr 2
admet deux solutions complexes, comptes avec multiplicit.
4. Dterminer toutes les solutions z C, sous la forme de votre choix, de lquation z 2 = .
On cherche les solutions sous la forme polaire z = reit :
7
z 2 = r2 e2it = 6ei 12 ,
Ce qui donne
1
r = 64
et 2t =
7
+ 2k, avec k Z .
12
Cette dernire condition quivaut

7
+ k, avec k Z .
24
Il suffit alors de considrer les valeurs k = 0 et k = 1 pour trouver les deux solutions z1 et z2 de
lquation :
t=
z1 = 6 4 ei 24
et z2 = 6 4 ei
31
24
Exercice 2 (Espace vectoriel).

v1 := (1, 3, 5),
v2 := (3, 4, 2) et v3 := (1, 10, 8) .

On voit que ces vecteurs vrifient lgalit v3 = v2 2v1 , ce qui quivaut la combinaison linaire
non-triviale suivante
2v1 v2 + v3 = 0 .
Ces vecteurs ne sont donc pas libres ; ils sont lis.
2. Quelle est la dimension de V ect({v1 , v2 , v3 }), le sous-espace vectoriel de R3 engendr par v1 ,
v2 et v3 ?
chelonne quivalente :
1 3
3 4
1 10
compose des vecteurs lignes v1 , v2 et v3 et on cherche une matrice

5
1
2 0
8
0

3 5
1
13 13 0
13 13
0
3
1
0
5
1 .
0
1
L2
L2 L2 3L1
L2 13
L3 L3 L2
L3 L3 L1
Comme la matrice chelonne a deux lignes non-nulles, le sous-espace vectoriel V ect({v1 , v2 , v3 })
de R3 engendr par v1 , v2 et v3 est de dimension 2.
dim V ect({v1 , v2 , v3 }) = 2
A.1. CONTRLE CONTINU 1 (OCTOBRE 2011)
239
3. Montrer que
W := {(x, y, z) R3 | 2x y + z = 0} .
est un sous-espace vectoriel de R3 .
On applique la proposition du cours de la manire suivante.
Lensemble W nest pas vide : par exemple, le vecteur nul (0, 0, 0), appartient W .
Lensemble W est stable par combinaison linaire : soient (x, y, z), (x0 , y 0 , z 0 ) W et soient
, R, montrons que (x, y, z) + (x0 , y 0 , z 0 ) = (x + x0 , y + y 0 , z + z 0 ) W . Comme
(x, y, z), (x0 , y 0 , z 0 ) W , on a
2x y + z = 0 et 2x0 y 0 + z 0 = 0 .
Do
2(x + x0 ) (y + y 0 ) + (z + z 0 ) =
(2x y + z) + (2x0 y 0 + z 0 ) = 0 .
Lensemble W est donc un sous-espace vectoriel de R3 .
4. Montrer que W = V ect({v1 , v2 , v3 }).
On voit que les vecteurs v1 , v2 et v3 sont dans W . Donc le sous-espace vectoriel V ect({v1 , v2 , v3 }),
engendr par ces vecteurs, est inclus dans W . Or, ces deux sous-espaces vectoriels ont la mme
dimension. Ils sont donc gaux.
W = V ect({v1 , v2 , v3 })
5. Donner deux bases diffrentes de W .
La mthode utilise la question (2) montre que les deux vecteurs
{(1, 3, 5), (0, 1, 1)} ,
composant la matrice chelonne, forment une base de W .
Les deux vecteurs
{v1 , v2 }
ne sont pas colinaires. Ils sont donc libres. Comme le sous-espace vectoriel W est de dimension
2, ils forment donc une base de ce dernier.
6. Donner un supplmentaire de W dans R3 .
On considre le sous-espace vectoriel S := V ect({e1 }) engendr par le vecteur e1 := (1, 0, 0).
Les lments de S sont les vecteurs de la forme (x, 0, 0), avec x R. Lintersection de S et de
W est donc compose des vecteurs de la forme (x, 0, 0) qui satisfont 2x 0 + 0 = 0, cest--dire
x = 0. On a ainsi S W = {(0, 0, 0)}. Ce qui montre que la somme de S avec W est directe :
S W . Ce sous-espace vectoriel est de dimension
dim S W = dim S + dim W = 1 + 2 = 3 .
On en conclut que S W = R3 et que S est un supplmentaire de W dans R3 .
240
ANNEXE A. ANNALES
Questions de cours.
1. Donner la dfinition de la famille A est libre.
La famille de vecteurs A est libre si toute combinaison linaire du vecteur nul ~0 laide des
vecteurs de A est triviale, cest--dire
1~a1 + + n~an = ~0
1 = = n = 0 .
2. noncer le thorme de la base incomplte.

Le thorme de la base incomplte affirme que :
toute famille libre A dun espace vectoriel peut stendre en une base B, A B .

6i 2
.
:=
2i 2
1. Calculer sous forme algbrique = x + iy, cest--dire dterminer la partie rele x et la

partie imaginaire y.
En multipliant le numrateur et le dnominateur par le conjugu du dnominateur, on obtient
6i 2
( 6 i 2)( 2 + i 2)
3+1
31
=
=
+i
.
4
2
2
2i 2
2. Mettre sous forme polaire ei , cest--dire dterminer le module et largument .
On commence par mettre le numrateur 6 i 2 sous forme polaire :

!

3
1
6i 2 =2 2
i
= 2 2 cos
+ i sin
= 2 2ei 6 .
2
2
6
6
Puis, on met le dnominateur sous forme polaire :
!

2
2
2i 2 =2
i
= 2 cos
+ i sin
= 2ei 4 .
2
2
4
4
On peut ensuite diviser les deux :
2 2ei 6
=
= 2ei( 6 + 4 ) = 2ei 12 .
2ei 4
3. En conclure les valeurs de cos 12

et de sin 12
.
On sait que la forme polaire correspond la forme trigonomtrique suivante

= 2ei 12 = 2 cos
+ i sin
.
12
12
En identifiant avec la forme algbrique du nombre calcule la question 1, on trouve
2
cos
=
( 3 + 1) et sin
=
( 3 1) .
12
4
12
4
241
4. Calculer 12 .
Ce calcul se fait facilement avec la forme polaire de :

1 12
12 12
12
1
12 =
2ei 12
2
ei 12 = 2 2
ei = 2 2 12 (1) = 26 = 64 .
=
5. Combien lquation z 2 = admet-elle de solutions complexes ? Quel thorme du cours vous
permet de rpondre cette question ?
Daprs le thorme de dAlembertGauss, on sait que le polynme complexe X 2 admet deux
racines complexes comptes avec multiplicit. Il y a ici deux racines distinctes car le discriminant
= 4 nest pas nul.
6. Donner les solutions complexes de lquation z 2 = .
i
2
On cherche
lesi solutions sous la forme polaire z = e . Dans ce cas, lquation z = scrit
2 2i
e = 2e 12 . En identifiant les modules et les arguments, on trouve
1
2 = 2 2 et 2 =
+ k 2, k Z .
12
Les solutions sont donc
1
= 24
et
=
1
z = 2 4 ei 24
25
, =
+ =
, i.e.
24
24
24
et
z = 2 4 ei
25
24

On considre le sous-ensemble
V := {(x, y, z) R3 | 2x + 3y z = 0}
de lespace vectoriel R3 .
1. Montrer que V est un sous-espace vectoriel de R3 .
On applique le thorme du cours qui dit quun sous-ensemble dun espace vectoriel est un sousespace vectoriel sil contient le vecteur nul et sil est stable pour la somme et pour la multiplication
par les scalaires.
Les coordonnes du vecteur nul (0, 0, 0) vrifient bien lquation 2x+3yz = 0, il appartient donc V .
Soient (x, y, z) et (x0 , y 0 , z 0 ) deux lments de V , cest--dire

2x + 3y z = 0
2x0 + 3y 0 z 0 = 0 .
En sommant ces deux galits, on trouve 2(x + x0 ) + 3(y + y 0 ) (z + z 0 ) = 0, ce qui signifie
que
(x + x0 , y + y 0 , z + z 0 ) = (x, y, z) + (x0 , y 0 , z 0 ) V .
De la mme manire, pour tout R et tout (x, y, z) V , en multipliant lquation
2x + 3y z = 0 par , on trouve 2(x) + 3(y) (z) = 0, ce qui signifie que
(x, y, z) = .(x, y, z) V .
On en conclut que V est un sous-espace vectoriel de R3 .
2. Donner une base de V .
Soit ~u = (x, y, z) un vecteur de V . En rcrivant lquation 2x + 3y z = 0 sous la forme
z = 2x + 3y, on voit que ~u scrit de manire unique sous la forme
~u = (x, y, 2x + 3z) = x(1, 0, 2) + y(0, 1, 3) .
242
ANNEXE A. ANNALES
On en dduit donc que

{(1, 0, 2), (0, 1, 3)}
forme une base de V .
3. Quelle est la dimension de V ?
Comme la base trouve la question prcdente possde 2 lments, la dimension du sous-espace
vectoriel V est
dim V = 2 .
On considre les vecteurs suivants de V :
~v1 := (1, 0, 2),
~v2 := (3, 3, 3) et ~v3 := (0, 2, 6) .
4. Sans faire aucun calcul, dites si ces vecteurs sont libres ? Justifier bien votre rponse.
Nous avons vu dans le cours quune famille libre de vecteurs possde toujours moins dlments
que la dimension du sous-espace dans le lequel les vecteurs vivent. Comme la dimension de V
est 2 et que lon a l 3 vecteurs, ils ne peuvent donc pas tre libres.
5. Est-ce que la famille de vecteurs {~v1 , ~v2 , ~v3 } est gnratrice de V ? Justifier bien votre rponse.
Les deux premiers vecteurs ne sont pas colinaires. Ils engendrent donc un sous-espace vectoriel
de dimension 2. Et comme le sous-espace vectoriel V est de dimension 2, la famille {~v1 , ~v2 , ~v3 }
engendre tout V .
6. Extraire de la famille {~v1 , ~v2 , ~v3 } une base de V .
Les deux premiers vecteurs ~v1 et ~v2 ne sont pas colinaires, ils forment donc une famille libre. Et
comme le sous-espace vectoriel V est de dimension 2, ils en forment une base.
243
Questions de cours.
1. Donner la dfinition de la famille A est une famille gnratrice de lespace vectoriel V .
La famille de vecteurs A engendre lespace vectoriel V si tout vecteur ~v de V scrit comme
combinaison linaire de vecteurs de A, cest--dire
~v V, 1 , . . . , n R,
~v = 1~a1 + + n~an .
2. noncer le thorme de la base extraite.

Le thorme de la base extraite affirme que :
de toute famille gnratrice A dun espace vectoriel, on peut extraire une base B, B A .

Exercice 1 (Polynme).
On considre le polynme
P := X 3 + 4X 2 24 .
1. Pouvez-vous dire combien de racines complexes admet le polynme P , sans faire de calcul ?
Daprs le thorme de dAlembert-Gauss, dit aussi thorme fondamental de lalgbre, comme
le polynme P est de degr 3, on sait quil admet exactement 3 racines complexes comptes avec
multiplicit.
2. Trouver toutes les racines du polynme P .
Un calcul rapide montre que 2 est racine du polynme P . La division euclidienne du polynme
P par le polynme X 2 donne
P = (X 2) (X 2 + 6X + 12) .
|
{z
}
Q
Pour trouver les racines du polynme Q, on en calcule le discriminant = 12. Comme ce

dernier est ngatif,
on en conclut que le polynme Q admet les deux racines complexes conjugues
suivantes 3 3i. Au final, le polynme P admet trois racines distinctes :
n
o
2, 3 + 3i, 3 3i
3. Factoriser compltement le polynme P , cest--dire le mettre sous forme scinde.
La rponse de la question prcdente donne
P = (X 2)(X + 3
3i)(X + 3 +
3i) .
4. Reprsenter graphiquement ses racines comme des points du plan.
Comme 1 < 3 < 4, alors 1 < 3 < 2. On a donc la reprsentation graphique suivante.
244
ANNEXE A. ANNALES

z := 3 +
3i .
5. Calculer le nombre complexe z sous forme algbrique de deux manires diffrentes.

On va dabord faire ce calcul en utilisant la forme polaire. On commence par calculer le module
du nombre complexe z :
| 3 + 3i| = 9 + 3 = 12 = 2 3 .
Ce dernier scrit donc
3 +

5i
3
1
3i = 2 3
+
i = 2 3e 6 .
2
| {z2 } |{z}
cos
5
6
sin
5
6
Le calcul de z 4 est alors facile ; on trouve

!

4
4
5i
10i
4i
1
3
4
z = (2 3) e 6
i = 72 72 3i .
= 16 9 e 3 = 144 e 3 = 144
2
2
Lautre mthode consiste dvelopper en utilisant la formule du binme de Newton :
4
z 4 = 3 + 3i
= (3)4 + 4 (3)3 ( 3i) + 6 (3)2 ( 3i)2 + 4 (3)( 3i)3 + ( 3i)4
= 81 108 3i 162 + 36 3i + 9
= 72 72 3i .

On considre lespace vectoriel W form des applications de R vers R :
W := {f : R R} .
1. Est-ce que le sous-ensemble U de W form des applications suivantes

U := f : R R | 2f (x)2 + 1 = 0, x R
est un sous-espace vectoriel de W ? (Si oui, dmontrez le, sinon justifier votre rponse.)
Lensemble U nest pas un sous-espace vectoriel de W car il ne contient pas la fonction nulle

o: R R
x 7 0 ,
245
qui est le vecteur nul ~0 de lespace vectoriel W . En effet, pour tout x R, on a 2o(x)2 + 1 =
1 6= 0.
2. Est-ce que le sous-ensemble V de W form des applications suivantes

V := f : R R | f (2x2 + 1) = 0, x R
est un sous-espace vectoriel de W ? (Si oui, dmontrez le, sinon justifier votre rponse.)
Nous allons montrer que lensemble V est un sous-espace vectoriel de W en utilisant le thorme
du cours. Pour cela, il suffit de montrer que V contient vecteur nul ~0 de W et quil est stable
par combinaison linaire.
La fonction o constante gale 0 vrifie bien o(2x2 + 1) = 0 pour tout x R ; elle est donc
bien dans V .
Soient f et g deux fonctions de V , cest--dire f (2x2 + 1) = g(2x2 + 1) = 0, pour tout x R.
Soient et deux nombres rels. On a
(f + g)(2x2 + 1) = f (2x2 + 1) + g(2x2 + 1) = 0 .
Donc la fonction f + g est dans V .
3. Lapplication

g : R+
x
R
7
2x2 + 1 .

La reprsentation graphique de la fonction g montre que tout y [1, +[ admet un seul
antcdent et que tout y [, 1[ nadmet aucun antcdent.
g(x)=2x+1
un antcdent
aucun antcdent
Comme le nombre dantcdents est toujours infrieur au gal 1, la fonction g est injective.
Par exemple, le nombre 0 nest jamais atteint par la fonction g, ce qui quivaut dire que 0
na aucun antcdent. La fonction g nest donc pas surjective, car le nombre dantcdents nest
pas toujours suprieur ou gal 1.
Une application est bijective si elle est injective et surjective. Comme la fonction g nest pas
surjective, elle nest pas bijective.
4. Peut-on modifier lensemble darrive pour obtenir une fonction bijective ?
246
ANNEXE A. ANNALES
Si on considre la mme fonction, mais en restreignant lensemble darrive son image, cest-dire lintervalle [1, +[ ici,

R+ [1, +[
x
7 2x2 + 1 .
on obtient une fonction bijective. (Rduire lensemble darrive dune application ne change pas
la proprit dtre injective.)
5. Dcrire plus prcisment lensemble de fonctions V .
Comme la fonction
R R
x 7 2x2 + 1
est paire, elle admet la mme image que la fonction g qui est [1, +[, par la question prcdente.
On voit donc que lensemble V est lensemble des applications de R vers R qui sannulent sur
lintervalle [1, +[, cest--dire
V = {f : R R | f (x) = 0, x [1, +[} .
A.4. CONTRLE CONTINU 2 (NOVEMBRE 2011)
247
A.4. Contrle continu 2 (novembre 2011)
Questions de cours.
Soit f : V V un endomorphisme dun espace vectoriel V .
1. Donner la dfinition de vecteur propre associ la valeur propre .
Un vecteur propre de valeur propre est un vecteur ~x non nul vrifiant lquation f (~x) = ~x.
Soit g : E F une application linaire entre deux espaces vectoriels E et F de dimension
finie.
(2) noncer le thorme du rang appliqu lapplication linaire g.
Le thorme du rang rside dans lgalit suivante
dim ker(g) + rang(g) = dim E .

Exercice 1 (Application linaire).
Dans lespace vectoriel R2 [X] des polynmes de degr infrieur ou gal 2, on considre lapplication suivante

f : R2 [X] R2 [X]
P
7 (X 1)P 0 + 2P .
Soient , R and soient P, Q R2 [X]. On a alors
f (P + Q)
(X 1)(P + Q)0 + 2(P + Q)
(X 1)(P 0 + Q0 ) + .2P + .2Q
= (X 1)P 0 + .2P + (X 1)Q0 + .2Q

{z
} |
{z
}
|
=f (P )
=f (Q)
= f (P ) + f (Q) ,
ce qui montre que lapplication f est linaire.
2. crire la matrice M := M atB,B (f ) de lapplication linaire f dans la base B := {1, X, X 2 }.
Limage des vecteurs de la base B par lendomorphisme f est
f (1) = 2,
f (X) = 1 + 3X,
f (X 2 ) = 2X + 4X 2 .
La matrice M = M atB,B (f ) est forme des coordonnes des images des vecteurs de la base B
dans la base B, soit
2 1 0
M = 0 3 2 .
0 0
4
3. Calculer la trace tr f et le dterminant det f de lendomorphisme f .
Comme la trace et dterminant sont indpendants de la base choisie, on peut les calculer sur la
matrice M . La trace est la somme des lments sur la diagonale :
tr f = 9 .
Comme la matrice M est triangulaire suprieure, son dterminant est gal au produit des lments
sur la diagonale :
det f = 24 .
248
ANNEXE A. ANNALES
4. crire la matrice de passage P := M atB,B0 (id) de la famille de vecteurs

B 0 := {1, (X 1), (X 1)2 }
dans la base B.
La matrice de passage P = M atB,B0 (id) est forme des coordonnes des vecteurs de la base B 0
dans la base B, soit
1 = 1,
(X 1) = 1 + X,
(X 1)2 = 1 2X + X 2 ;
do
1
P = 0
0
1
2 .
1
1
1
0
5. Calculer linverse P 1 de la matrice P .

On effectue le calcul de linverse de la matrice P
1 1 1 1 0 0
1 1
0 1 2 0 1 0 L2 L2 +2L3 0 1
L1 L1 L3
0 0
1 0 0 1
0 0
de la manire suivante
0 1 0 1
1 0 0
0 0 1 2 L1 L1 +L2 0 1 0
1 0 0 1
0 0 1
1
0
0
P 1
1
= 0
0
1
2 .
1
1
1
0
6. En dduire les coordonnes du polynme Q := 3 2X + 7X 2 dans la base B 0 .
3
Les coordonnes du polynme Q = 3 2X + 7X 2 dans la base B sont [Q]B = 2 . Les
7
coordonnes du polynme Q dans la base B 0 sont obtenues en effectuant le produit suivant
8
3
1 1 1
[Q]B0 = P 1 [Q]B = 0 1 2 2 = 12 .
7
7
0 0 1
Donc
Q = 3 2X + 7X 2 = 8 + 12(X 1) + 7(X 1)2 .
7. Que reprsente la matrice P 1 M P ?

La matrice obtenue en effectuant le produit
P 1 M P = M atB0 ,B (id)M atB,B (f )M atB,B0 (id) = M atB0 ,B0 (f )
reprsente lendormorphisme f dans la base B 0 .
8. Dterminer la matrice P 1 M P de deux manires diffrentes.
Limage des vecteurs de la base B 0 par lendomorphisme f est
f (1) = 2,
f (X 1) = 3(X 1),
La matrice P 1 M P = M atB0 ,B0 (f ) est forme

base B 0 dans la base B 0 , soit
2
P 1 M P = 0
0
f ((X 1)2 ) = 4(X 1)2 .

des coordonnes des images des vecteurs de la
0
3
0
0
0 .
4
1
1
0
1
2
1
249
On retrouve
1
P 1 M P = 0
0
ce
1
1
0
rsultat en faisant directement le calcul :

1
2 1 0
1 1 1
1
2 0 3 2 0 1 2 = 0
1
0 0
4
0 0
1
0
2 0 0
= 0 3 0 .
0 0 4
1
1
0
1
2
2 0
1
0
3
3
0
4
8
4

Exercice 2 (Diagonalisabilit).
On considre la matrice M M3 (R) suivante
1 1 0
M := 2 0 2 .
0 0 2
1. Calculer le polynme caractristique M de la matrice M .
Le polynme caractristique de la matrice M est gal :
M (X) =
1 X
2
0
1
X
0
0
2
.
2 X
En dveloppant par rapport la dernire ligne, on trouve

M (X)
(X + 2)
1 X
2
1
= (X + 2)(X(X + 1) 2)
X
= (X + 2)(X 2 + X 2) = (X + 2)2 (X 1) .
2. Dterminer le spectre de M , cest--dire lensemble des valeurs propres de M .
Le spectre de M est gal lensemble des racines du polynme caractristique :
Spec M = {1, 2 } .
3. Est-ce que la matrice M est trigonalisable ? (noncer prcisement le thorme que vous
utilisez.)
Comme le polynme caractristique M de la matrice M est scind, la matrice M est trigonalisable.
4. Dterminer le sous-espace propre E2 associ la valeur propre 2.
Le sous-espace propre E2 associ la valeur propre 2 est dfini par
E2 = {X R3 | M X = 2X
}.
x
Si on pose X = y , lquation M X = 2X devient
z

x + y = 2x
x+y =
2x 2z = 2y
z
=
2z
= 2z
0
0.
Donc, le sous-espace propre E2 associ la valeur propre 2 est gal
1
E2 = Vect 1 .
0
250
ANNEXE A. ANNALES
5. La matrice M est-elle diagonalisable ? (noncer prcisement le thorme que vous utilisez.)

Une matrice est diagonalisable si et seulement si son polynme caractristique est scind et si
les dimensions des sous-espaces propres (non rduits au vecteur nul) sont gales la multiplicit
algbrique des valeurs propres dans le polynmes caractristique. Ici la dimension de E2 est
1 < 2 ; donc la matrice M nest pas diagonalisable.
251
Questions de cours.
Soit f : U V une application linaire entre deux espaces vectoriels U et V de dimension
finie.
1. Donner la dfinition du noyau de f .
Le noyau dune application linaire est lensemble des antcdents du vecteur nul de lespace
but :
n
o
Ker f = ~u U | f (~u) = ~0 .
2. noncer le thorme du rang appliqu lapplication linaire f .
Le thorme du rang, appliqu lapplication linaire f , affirme que la dimension de lespace
source est gale la somme du rang de f et de la dimension de son noyau :
dim U = dim Kerf + rg f .

Exercice 1 (Application linaire).
f (x, y, z) = (17x + 3y + 9z, 54x + 7y + 27z, 12x + 3y + 7z) .
1. crire la matrice M := M atE,E (f ) de lapplication linaire f dans la base canonique
E := {e~1 := (1, 0, 0), e~2 := (0, 1, 0), e~3 := (0, 0, 1)} .
Par dfinition, la matrice M est forme en colonne des images des vecteurs de la base E par
lapplication f . Comme
f (1, 0, 0) = (17, 54, 12), f (0, 1, 0) = (3, 7, 3), et f (0, 0, 1) = (9, 27, 7) ,
alors la matrice M est
17
M = 54
12
3
7
3
9
27 .
7
2. Calculer la trace tr f et le dterminant det f de lendomorphisme f .

Comme la trace et le dterminant sont indpendants de la base choisie, on peut les calculer sur
la matrice M . La trace est la somme des lments sur la diagonale :
tr f = 3 .
On calcule le dterminant en faisant les oprations sur les colonnnes suivantes.
17
54
12
3
7
3
9
27
7
=
C1 7C1 +4C2
=
C2 7C2 +3C3
5 3 9
26 7 27
0
3 7
5
2 26
0
3
16
0
=
C3 7C3 3C2
5 3 0
5
26 7 6 = 2 26
0
3 2
0
0
5
3 = (2)
26
1
Le dterminant de lapplication f est donc gal

det f = 4 .
3 0
7 3
3 1
3
= (2)(80 + 78) = 4 .
16
252
ANNEXE A. ANNALES
3. Lapplication f est-elle injective (oui ou non) ? surjective (oui ou non) ? bijective (oui ou
non) ? Justifiez bien votre rponse.
Lapplication f est un endomorphisme dun espace vectoriel de dimension finie. Un thorme du
cours affirme quil ny a alors que deux possibilits : injectif-surjectif-bijectif ou non injectif-non
surjectif-non bijectif. Or, ici le dterminant de f nest pas nul, cest donc la premire possibilit
qui est vrifie.
En conclusion, lapplication linaire f est injective, surjective et bijective.
On considre la base suivante de R3 :
n
o
B := b~1 := (1, 0, 2), b~2 := (0, 3, 1), b~3 := (1, 2, 1) .
4. Calculer les images des vecteurs ~b1 , ~b2 et ~b3 par lapplication f et en dduire la matrice
N := M atB,B (f ) de lapplication linaire f dans la base B.
Par un calcul direct, on trouve
f (1, 0, 2) = (1, 0, 2), f (0, 3, 1) = (0, 6, 2) = (2).(0, 3, 1), f (1, 2, 1) = (2, 13, 1) .
De ce calcul, on tire donc f (~b1 ) = ~b1 et f (~b2 ) = (2)~b2 . crivons le vecteur (2, 13, 1) sur la
base B ; pour cela, on rsout le systme suivant
x+z
=
2
3y + 2z = 13
2x + y + z =
1,
qui donne les coordonnes (x, y, z) = (0, 3, 2). On a donc f (~b3 ) = 3~b2 2~b3 .
Au final, la matrice N = M atB,B (f ) est forme des coordonnes des images des vecteurs de la
base B dans la base B, soit
1 0
0
M = 0 2 3 .
0 0 2
5. crire la matrice de passage P := M atE,B (id) de la base B vers la base E.
La matrice de passage P = M atE,B (id) est
dans la base E, soit
1
P = 0
2
forme des coordonnes des vecteurs de la base B

0
3
1
1
2 .
1

On calcule linverse de la matrice P par les
1 0 1 1 0 0
1
0 3 2 0 1 0 L3 L3 2L1 0
2 1 1 0 0 1
0
0
L3 L3 +3L2
0
L2 L2 +L3
0
L1 L1 L3
0
oprations par ligne suivantes
0
1
1 0 0
0 1 0 L3 L2
3 2
1 1 2 0 1
0 1
1 0 0
1 1 2 0 1 L3 L3
0 1 6 1 3
0 0 5 1
3
1 0 4 1 2
0 1 6 1 3
1
0
0
0
1
3
1 0
0 1
0 0
1
1
2
1
2
0
1
1
1 2
1
6
0 0
0 1
1 0
0
0
0
1
1 3
253
P 1
5
= 4
6
1
1
1
3
2 .
3
7. Que reprsente la matrice P 1 M P ?

Ce produit de matrices correspond au produit
P 1 M P = M atB,E (id)M atE,E (f )M atE,B (id) = M atB,B (f )
qui reprsente lendormorphisme f dans la base B.
8. Vrifier votre rponse de la question prcdente par un calcul.
On effectue le calcul de la question prcdente, ce qui donne
5 1
3
17 3 9
1
1 0 1
P 1 M P = 4 1 2 54 7 27 0 3 2 = 0
6 1 3
12 3 7
0
2 1 1
0
2
0
0
3 .
2
On a bien retrouv la matrice N = M atB,B (f ) de la question (4).
Exercice 2 (Diagonalisabilit).
Dans lespace vectoriel R1 [X] des polynmes de degr infrieur ou gal 1, on considre lapplication linaire suivante

f : R1 [X]
R1 [X]
P = aX + b 7 (5a + b)X + b 4a .
1. Quelle proprit le polynme P := X +2 vrifie-t-il par rapport lapplication f ? (Calculer
son image par f .)
On a f (X + 2) = 3X + 6 = 3(X + 2), cest--dire
f (P ) = 3P .
Comme P 6= 0, le polynme P est donc un vecteur propre de f de valeur propre 3.
2. crire la matrice M := M atB,B (f ) de lapplication linaire f dans la base B := {X, 1}.
Comme f (X) = 5X 4 et f (1) = X +1, alors la matrice M , forme en colonne des coordonnes
des vecteurs de la base B dans elle-mme, est

5 1
M=
.
4 1
3. Calculer le polynme caractristique f de lendomorphisme f .
Le polynme caractristique est indpendant de la base dans laquelle on le calcule. Ici, on utilise
la matrice M :
5X
1
f (X) =
= (5 X)(1 X) + 4 = X 2 6X + 9 = (X 3)2 .
4
1X
4. Dterminer le spectre de f , cest--dire lensemble des valeurs propres de f .
Par thorme du cours, on sait que le spectre est lensemble des racines du polynme.
caractristique. Ici, le spectre est donc
Spec f = {3} .
254
ANNEXE A. ANNALES
5. Quelle est la dimension du sous-espace propre E3 associ la valeur propre 3.

On sait que le sous-espace propre E3 associ la valeur propre 3 est le noyau de lapplication
linaire f 3id :
E3 = Ker(f 3id) .
On peut donc calculer sa dimension en utilisant le thorme du rang :
dim R1 [X] = dim Ker(f 3id) + rg (f 3id) .
Le rang de f 3id est gal au rang de la matrice

2
1
M 3I =
4 2
qui est 1 (la premire colonne est le double de la seconde). On conclut que
dim E3 = 2 1 = 1 .
6. Conclure de la question prcdente que lendomorphisme f est diagonalisable ou pas.
les dimensions des sous-espaces propres (non rduits au vecteur nul) sont gales la multiplicit algbrique des valeurs propres dans le polynmes caractristique. Ici la dimension de E3 est
1 < 2 ; donc lendomorphisme f nest pas diagonalisable.
255
Questions de cours.
1. Soit f : U U un endomorphisme. Donner la dfinition du sous-espace propre E associ
la valeur propre .
Le sous-espace propre E associ la valeur propre est lunion du vecteur nul avec les vecteurs
propres de valeur propre :
E = {~u U | f (~u) = ~u} .
2. Soit f : U V une application linaire entre deux espaces vectoriels U et V de mme
dimension finie. Quel lien existe-t-il entre les proprits dinjectivit, de surjectivit et de
bijectivit de lapplication f ?
Dans ce cas, toutes ces notions sont quivalentes. En fait, une application linaire f entre deux
espaces vectoriels de mme dimension finie vrifie
f monomorphisme f pimorphisme f isomorphisme .

On considre les deux sous-espaces vectoriels suivants de R3 :
U := {(x, y, z) R3 | 3x + y + 3z = 0} et
V := {(x, y, z) R3 | x y z = 0 et 2x y 3z = 0} .
1. Donner la formule qui calcule la dimension dim(U + V ) de la somme de U avec V .
La formule qui donne la dimension de la somme de deux sous-espaces vectoriels est
dim(U + V ) = dim U + dim V dim(U V ) .
2. Ces deux sous-espaces vectoriels sont-ils en somme directe ?
Pour rpondre cette question, calculons leur intersection ; pour cela, on rsout le systme
suivant
3x + y + 3z = 0
xyz =0
2x y 3z = 0 .
En sommant la premire et la dernire de ces quations, on trouve 5x = 0, do x = 0. On est
donc ramen au systme

y+z =0
y + 3z = 0 .
En faisant la diffrence de ces deux quations, on trouve 2z = 0, donc z = 0, puis y = 0.
Au final, on a montr que leur intersection est rduite au vecteur nul
U V = {~0} ,
ce qui implique que les sous-espaces vectoriels U et V sont en somme directe U V .
3. Quelles sont les dimensions de U et de V ?
Le sous-espace U est un plan et le sous-espace V est lintersection de deux plans non confondus,
les deux quations dfinissant V tant indpendantes. Le sous-espace V est donc une droite. On
en conclut que
dim U = 2 et dim V = 1 .
256
ANNEXE A. ANNALES
4. Est-ce que tout vecteur w

~ de R3 peut scrire comme somme w
~ = ~u + ~v dun vecteur ~u de U
et dun vecteur ~v de V ? Si oui, cette criture est-elle unique ?
Comme la somme de U et de V est directe, sa dimension est
dim(U V ) = dim U + dim V = 2 + 1 = 3 .
La somme directe U V = R3 est donc gale tout lespace R3 , ce qui signifie que tout vecteur
~ = ~u + ~v dun vecteur de U et dun
w
~ de R3 peut scrire de manire unique comme somme w
vecteur de V .
Soient BU := {(1, 3, 0), (1, 0, 1)} une base de U et BV := {(2, 1, 1)} une base de V . On
considre la base B := BU BV de R3 obtenue partir de celles de U et de V .
5. Donner la matrice de passage P de la base B dans la base canonique.
La matrice de passage P est forme en colonnes des vecteurs de la base B :
1 1 2
P = MatBcan ,B (id) = 3 0 1 .
0
1 1
6. Inverser cette matrice P .
On crit la matrice
suivantes.
1 1 2
3 0 1
0
1 1
identit droite de la matrice P et on effectue les oprations en lignes

1
0
0
0
1
0
0
0
1
L2 L2 +3L1 +3L3
L2 L3
1
L3 10
L3
L2 L2 L3
L1 L1 +L2 2L3
1 1 2 1 0 0
0 1
1 0 0 1
0 0 10 3 1 3
1 1 2 1
0
0
0 1 0 3 1 7
10
10
10
1
3
3
0 0 1 10
10
10
3
1
1
1 0 0 10
10
10
0 1 0 3 1 7
10
10
10
1
3
3
0 0 1 10
10
10
Au final, on trouve
P 1
1
1
3
=
10
3
3 1
1 7 .
1 3
7. Soit (x, y, z) les coordonnes dun vecteur de R3 dans la base canonique. Comment interprter
les coefficients de la matrice colonne obtenue par le calcul suivant :
x
P 1 y ?
z
Les coefficients de la matrice colonne obtenue par le calcul
P 1 y =
z
reprsentent les coordonnes du vecteur (x, y, z) de R3 dans la nouvelle base B, cest--dire

(x, y, z) = (1, 3, 0) + (1, 0, 1) + (2, 1, 1) .
|
{z
} | {z }
U
257
8. Donner la formule de la projection projU

V sur V paralllement U dans la base canonique.
En effectuant le calcul prcdent, on trouve
x
1 3 1
x 3y + z
x
1
1
3 1 7 y =
3x y + 7z .
P 1 y =
10
10
z
3
1 3
3x + y + 3z
z
La dernire composante donne la projection sur la droite V paralllement au plan U :
3
projU
V : R
(x, y, z) 7
U
1
10 (3x + y + 3z)(2, 1, 1) =
3
1
( 35 x + 51 y + 35 z, 10
x + 10
y
3
3
10 z, 10 x
1
10 y
3
10 z)

Exercice 2 (Sous-espace propre).
Dans lespace vectoriel R3 [X] des polynmes de degr infrieur ou gal 3, on considre lapplication linaire suivante

f : R3 [X] R3 [X]
P
7 (2X 1)P 0 .
1. Lapplication f est-elle injective ?
Il suffit de voir que limage du polynme constant 1 est nulle
f (1) = (2X 1) 0 = 0 .
On en dduit que le noyau ker f de f nest pas rduit au polynme nul et donc que lapplication
f nest pas injective.
2. crire la matrice MatB,B (f 2id) de lapplication linaire

f 2id : R3 [X] R3 [X]
P
7 (2X 1)P 0 2P .
dans la base canonique B = {1, X, X 2 , X 3 } de R3 [X].
Les images respectives des vecteurs de base sont
f (1) = 2,
f (X) = 1,
f (X 2 ) = 2X 2 2X,
La matrice de f 2id dans la base canonique est

de cette base crites dans cette base :
2
0
MatB,B (f 2id) =
0
0
et f (X 3 ) = 4X 3 3X 2 .
forme en colonnes des coefficients des images

1
0
0
0
0
2
2
0
3. Calculer le rang de cette matrice.

En chelonnant la matrice P par colonnes, on trouve
2 0
0 0
0 2 0 0
0
2 3 0
0
0
4 0
Donc le rang de cette matrice est 3.
0
0
.
3
4
258
ANNEXE A. ANNALES
4. En dduire la dimension du sous-espace propre E2 de f associ la valeur propre 2.

On rappelle que le sous-espace propre E2 est gal au noyau ker(f 2id) de lapplication f 2id
E2 = {P R3 [X] | f (P ) = 2P } = {P R3 [X] | f (P ) 2P = (f 2id)(P ) = 0} .
On peut donc appliquer le thorme du rang lendomorphisme f 2id :
dim R3 [X] = dim ker(f 2id) + rg(f 2id),
ce qui donne
dim E2 = dim ker(f 2id) = 4 3 = 1 .
A.7. EXAMEN FINAL (DCEMBRE 2011)
A.7. Examen final (dcembre 2011)
259
Questions de cours.
1. Donner la dfinition de forme quadratique.
Une forme quadratique est une application q : E R telle quil existe une forme bilinaire
: E E R vrifiant
q(~x) = (~x, ~x) .
2. Donner un exemple de forme quadratique.
Lapplication q : R2 R dfinie par q(x, y) := x2 + y 2 est une forme quadratique. (Elle
provient, par exemple de la forme bilinaire ((x, y)(x0 , y 0 )) := xx0 + yy 0 ).
Exercice 1 (Espace euclidien).

On travaille dans lespace vectoriel R3 [X] des polynmes coefficients rels et de degrs infrieurs ou gaux 3. On considre lapplication
h-, -i : R3 [X] R3 [X] R

Z 1
(P, Q)
7 hP, Qi :=
xP (x)Q(x)dx .
0
1. Quelle est la dimension de lespace vectoriel R3 [X] ? (Justifier votre rponse.)

Lespace vectoriel R3 [X] est de dimension 4. En effet, la dimension dun espace vectoriel est
dfinie par le nombre (constant) des lments formant une base. Or, par exemple, la famille
{ 1, X, X 2 , X 3 }, 4 lments, en forme une base.
R1
2. Montrer quun polynme P vrifie hP, P i = 0 xP (x)2 dx = 0 si et seulement si P est le
polynme nul P = 0.
R1
Si P = 0 est le polynme nul, alors hP, P i = 0 xP (x)2 dx = 0. Dans lautre sens, soit P un
R1
polynme qui vrifie 0 xP (x)2 dx = 0. Comme la fonction xP (x)2 0 est positive ou nulle
entre 0 et 1, on a que P (x) = 0 pour tout x [0, 1]. Ceci implique que le polynme P a une
infinit de racines, cas possible uniquement si P est le polynme nul.
3. Montrer que lapplication h-, -i est un produit scalaire sur R3 [X].
Il nous faut vrifier les quatres points suivants.
Symtrique. On voit immdiatement que
Z 1
Z
hP, Qi =
xP (x)Q(x)dx =
0
xQ(x)P (x)dx = hQ, P i .
Bilinaire. Montrons la linarit gauche :

Z 1
Z 1
hP1 + P2 , Qi =
x(P1 (x) + P2 (x))Q(x)dx =
(xP1 (x)Q(x) + xP2 (x)Q(x))dx
0
Z
=
xP1 (x)Q(x)dx +
0
xP2 (x)Q(x)dx = hP1 , Qi + hP2 , Qi .

0
La linarit droite est une consquence directe de la linarit gauche et de la symtrie.

R1
Dfinie. Il sagit de montrer quun polynme P vrifie hP, P i = 0 xP (x)2 dx = 0 si et
seulement si P est le polynme nul P = 0. Ceci a t montr la question prcdente.
Positive. Pour tout polynme P R3 [X], on a
Z 1
hP, P i =
xP (x)2 dx 0 .
0 | {z }
0
260
ANNEXE A. ANNALES
4. crire la matrice M := M atB (h-, -i) de la forme bilinaire h-, -i dans la base canonique
B := {1, X, X 2 , X 3 }
de R3 [X].
Le coefficient de la i-me ligne et de la j-me colonne de la matrice M := M atB (h-, -i) est gal
Z 1
1
i1
j1
hX , X
i=
xi+j1 dx =
.
i
+
j
0
Au final, on trouve la matrice suivante
1 1 1 1
M :=
2
1
3
1
4
1
5
3
1
4
1
5
1
6
4
1
5
1
6
1
7
5
1
6
1
7
1
8
5. La base canonique B := {1, X, X 2 , X 3 } de R3 [X] est-elle orthonorme pour le produit

scalaire h-, -i ?
La base B nest ni orthogonale, par exemple h1, Xi =
1
2 6= 1.
1
3
6= 0, ni norme, par exemple h1, 1i =
On considre le sous-espace vectoriel F engendr par les polynmes suivants

F := V ect({1, X}) .
6. Donner une base orthonorme de F pour le produit scalaire h-, -i.
On applique lalgorithme dorthonormalisation de Gram-Schmidt. Posons
P1 := 1 et P2 := X .
Comme la norme de P1 est gale
||P1 ||2 =
xdx =
0
1
,
2
on considre le polynme de norme 1 :

Q1 :=
2 .
Soit F1 := V ect({P1 }) = V ect({Q1 }). On calcule

1
1
proj
hP2 , P1 iP1 = 2
F1 (P2 ) =
||P1 ||2
3
2
On a donc que P2 proj
F1 (P2 ) = X 3 est orthogonal F1 . Sa norme vaut
2

Z 1
Z 1
2 2
2
1
4 2 4
3
||X || =
x x
dx =
x x + x dx = 2 .
3
3
3
9
6
0
0
Le second polynme de cette base orthonorme est donc

Q2 := 6X 4 .
2
2
7. Calculer la projection orthogonale proj
F (X ) de X sur F .
Avec la base orthonorme {Q1 , Q2 } trouve la question prcdente, le calcul de la projection

orthogonale de X 2 sur F seffectue de la manire suivante
2
proj
F (X )
= hX 2 , Q1 iQ1 + hX 2 , Q2 iQ2
Z 1
Z 1
= 2
x3 dx +
x3 (6x 4)dx (6X 4)
0
6
1 1
3
+ (6X 4) = X
.
2 5
5
10
261
8. Donner une base orthogonale du sous-espace vectoriel V ect({1, X, X 2 }) engendr par les
polynmes 1, X et X 2 .
Daprs la question prcdente, le polynme
3
6
2
2
X 2 proj
F (X ) = X X +
5
10
est orthogonal F . Donc la famille

3
6
2, 6X 4, X 2 X +
5
10
est une base orthogonale de V ect({1, X, X 2 }).
Exercice 2 (Diagonalisation des matrices).

1
M := 4
4
4
7
4
2
2 .
1

Le polynme caractristique de la matrice M est gal : M (X) = (X 1)(X 3)2 .
2. Dterminer le spectre de M , cest--dire lensemble des valeurs propres.
Lensemble des racines du polynme caractristique correspond lensemble des valeurs propres.
Le spectre de M est donc Spec(M ) = {1, 3} .
3. Est-ce que la matrice M est trigonalisable ? noncer prcisement le thorme que vous utilisez.
Comme le polynme caractristique M de la matrice M est scind, alors la matrice M est
trigonalisable.
4. Dterminer le rang de la matrice M 3I.
Le rang de la matrice
4 4
M 3I = 4 4
4 4
2
2
2
est rg(M 3I) = 1 .

5. En conclure le dimension du sous-espace propre E3 associ la valeur propre 3. Prciser le
thorme que vous appliquez.
Le sous-espace propre E3 associ la valeur propre 3 est gal au noyau de M 3I : E3 = ker(M 3I) .
Par le thorme du rang, on sait que la dimension du noyau de M 3I vaut
dim ker(M 3I) = 3 rg(M 3I) = 3 1 = 2 .
6. La matrice M est-elle diagonalisable ? Justifiez votre rponse.
les dimensions des sous-espaces propres (non rduits au vecteur nul) sont gales la multiplicit
algbrique des valeurs propres dans le polynmes caractristique. Ici la dimension de E1 est 1 et la
question prcdente montre que la dimension de E3 est 2. Donc la matrice M est diagonalisable.
262
ANNEXE A. ANNALES
7. Dterminer le sous-espace propre E1 associ la valeur propre 1.

Le sous-espace
propre E1 associ la valeur propre 1 est la droite engendre par le vecteur

1
u~1 = 1 , soit
1
E1 = Vect({u~1 }) .
8. On pose
1
u~1 := 1 ,
1
1
u~2 := 1 ,
0
0
u~3 := 1
2
Montrer que B 0 := {u~1 , u~2 , u~3 } est une base de vecteurs propres de R3 et dterminer leurs
valeurs propres.
Un calcul immdiat montre que
M u~1 = u~1 ,
M u~2 = 3u~2 ,
M u~3 = 3u~3 .
Comme ces trois vecteurs ne sont pas nuls, ce sont des vecteurs propres de M , de valeurs propres
respectives 1, 3 et 3.
Comme les deux derniers vecteurs u~2 et u~3 ne sont pas colinaires, ils sont linairement indpendants. Daprs la question prcdente, le vecteur u~1 est un vecteur propre de valeur propre 1 et
les vecteurs u~2 et u~3 sont des vecteurs propres de valeur propre 3. Finalement, comme lunion de
familles libres de vecteurs propres associe des valeurs propres distrinctes est encore une famille
libre, la famille B 0 est libre. Le fait que B 0 possde 3 vecteurs implique quil sagit dune base de
R3 . (On peut aussi chelonner la matrice P ).
9. crire la matrice de passage P := M atB,B0 (idR3 ) de la base B 0 dans la base canonique B de
R3 .
La matrice de passage P vaut
1
P = 1
1
1
1
0
0
1 .
2

La matrice inverse de P vaut
P 1
2
= 1
1
2
2
1
1
1 .
0
11. Calculer le produit des matrices P 1 M P . Aprs avoir fait le calcul, justifier pourquoi votre
rsultat est juste.
Le calcul donne
2
P 1 M P = 1
1
2 1
1 4
2 1 4 7
1
0
4 4
2
1
2 1
1
1
1
1
0

0
1
1 = 0
2
0
0
3
0
0
0 .
3
Ce rsultat est cohrent avec linterprtation suivante. Le produit de matrices P 1 M P reprsente

lendomorphisme R3 R3 , X 7 M X, dans la base B 0 . Comme la base B 0 est une base de
263
vecteurs propres de valeurs propres respectives 1, 3 et 3, le produit P 1 M P est gal la matrice

diagonale
1 0 0
P 1 M P = 0 3 0 .
0 0 3
12. Calculer les puissances M k de la matrice M , pour k 1.
1 0 0
Posons := 0 3 0 . La question prcdente montre que P 1 M P = , do M =
0 0 3
P P 1 . Ceci implique que la matrice M k est gale
2 3k 2 + 2.3k 1 3k
M k = P k P 1 = 2 2.3k 2 + 3.3k 1 3k .
2 2.3k 2 + 2.3k
1
264
ANNEXE A. ANNALES
A.8. Examen final (dcembre 2012)
Questions de cours.
1. Un produit scalaire est une forme bilinaire : E E R qui vrifie trois proprits.
Donner ces trois proprits (noms et dfinitions).
Un produit scalaire est une forme bilinaire : E E R
symtrique : (~x, ~y ) = (~y , ~x), ~x, ~y E,
dfinie : (~x, ~x) = 0 ~x = ~0,
positive : (~x, ~x) > 0, ~x E.
2. noncer le thorme de diagonalisation des matrices symtriques.
Tout matrice symtrique admet une base orthonorme de vecteurs propres.
Exercice 1 (Forme bilinaire).

On travaille dans lespace vectoriel R2 [X] des polynmes coefficients rels et de degrs infrieurs ou gaux 2. On considre lapplication

: R2 [X] R2 [X] R
(P, Q)
7 (P, Q) := 2P (0)Q(2) 6P (1)Q(0) .
1. Quelle est la dimension de lespace vectoriel R2 [X] ? (Justifier votre rponse.)
Comme la famille 3 lments {1, X, X 2 } forme une base de R2 [X], ce dernier est de dimension 3.
2. Lapplication est-elle bilinaire ? (Dans les deux cas, le dmontrer.)
Le calcul suivant montre que lapplication est linaire gauche
(1 P1 + 2 P2 , Q)
2(1 P1 (0) + 2 P2 (0))Q(2) 6(1 P1 (1) + 2 P2 (1))Q(0)

= 1 2P1 (0)Q(2) 6P1 (1)Q(0) + 2 2P2 (0)Q(2) 6P2 (1)Q(0)
=
= 1 (P1 , Q) + 2 (P2 , Q).

Un calcul similaire montre la linarit droite. La forme est donc bilinaire.
3. Lapplication est-elle symtrique ? (Dans les deux cas, le dmontrer.)
Lapplication nest pas symtrique car, en gnral, on a
(P, Q) = 2P (0)Q(2) 6P (1)Q(0) 6= (Q, P ) = 2Q(0)P (2) 6Q(1)P (0) .
Par exemple, si on considre P = 1 et Q = X, on a alors
(1, X) = 4 6= 6 = (X, 1) .
4. crire la matrice M := MatB () de la forme bilinaire dans la base canonique
B := {1, X, X 2 }
de R2 [X].
La matrice MatB () est forme des valeurs prises par la
vecteurs de {1, X, X 2 } ; la ime ligne et jme colonne, on
4 4 8
M = MatB () = 6 0 0
6 0 0
forme bilinaire sur les paires de

place le coefficient (X i1 , X j1 ) :
5. Quel est le rang de la forme bilinaire ?

Par dfinition, le rang de la forme bilinaire est le rang de la matrice M qui vaut 2.
265

B 0 := {1, X 1, (X 1)2 }
est une base et donner la matrice de passage P := MatB,B0 (id).
La matrice de passage P est forme des coefficients des vecteurs de la famille B 0 dans la base
B:
1 1
1
1 2 .
P = 0
0
0
1
Comme cette matrice est de rang maximal (3), alors la famille B 0 est un base de R2 [X].
7. Donner la matrice N := MatB0 () de la forme bilinaire dans la base B 0 .
Daprs un thorme du cours, on sait que la matrice
1
0 0
4
1 0 6
N = t P M P = 1
1 2 1
6
4
8 4
= 2 2 2
2
2
2
N = MatB0 () est donne par
4 8
1 1
1
0 0 0
1 2
0 0
0
0
1
8. Dcrire la forme quadratique q associe la forme bilinaire .

Par dfinition, la forme quadratique q associe une forme bilinaire est
q : R2 [X]
P
7
R
q(P ) := (P, P ) = 2P (0)P (2) 6P (1)P (0) = 2P (0)(P (2) 3P (1)) .
On considre la forme bilinaire symtrique

: R2 [X] R2 [X] R
(P, Q)
7 (P, Q) := P (0)Q(2) + P (2)Q(0) 3P (0)Q(1) 3P (1)Q(0) .
9. Montrer que la forme bilinaire est la forme polaire de la forme quadratique q.

La forme quadratique associe est gale q :
(P, P ) = P (0)P (2) + P (2)P (0) 3P (0)P (1) 3P (1)P (0) = 2P (0)(P (2) 3P (1)) = q(P ) .
On sait quil ny a quune seule forme bilinaire symtrique qui donne une forme quadratique
donne. Dans le cas de la forme quadratique q, il sagit de la forme bilinaire ; cest donc bien la
forme polaire associe q.

Exercice 2 (Diagonalisation des matrices).
1
M := 1
1
1
2
0
1
0 .
2
1. Calculer le rang de la matrice M 3I.

La matrice M 3I est
2
M 3I = 1
1
1
1
1
0 .
0 1
266
ANNEXE A. ANNALES
En ajoutant la premire colonne, les deux autres colonnes, on trouve la matrice
0
1
1
0 1
0 ,
0
0 1
qui est de rang 2. Comme les oprations par colonnes ne changent pas le rang dune matrice,
la matrice M 3I est de rang 2.
2. Est-ce que 3 est une valeur propre de M ? Si oui, quelle est la dimension du sous-espace
propre E3 .
Le thorme du rang appliqu la matrice M 3I donne
3 = dim Ker(M 3I) + rg(M 3I) ,
ce qui permet de conclure que la dimension du noyau de M 3I vaut 1. Il existe donc des
vecteurs X non nuls, tels que M X = 3X, cest--dire des vecteurs propres de valeur propre 3.
Le sous-espace propre E3 = Ker(M 3I) est de dimension 1.
Par dfinition, le polynme caractristique M de la matrice M est le dterminant de la matrice
M XI. Il est gal
1X
1
1
M (X) =
1
2X
0
1
0
.
2X
En ajoutant la premire colonne, les deux autres colonnes, on trouve

3X
M (X) = 3 X
3X
1
2X
0
1
1
0
= (3 X) 1
2X
1
1
2X
0
1
0
.
2X
Enfin, en dveloppant par rapport la dernire colonne, on obtient

M (X) = (3 X)((2 X) + (2 X)(1 X)) = (3 X)X(X 2)
4. Dterminer le spectre de M , cest--dire lensemble de ses valeurs propres.
Le spectre de M est gal lensemble des racines du polynme caractristiques soit
Spec M = {0, 2, 3}
5. Peut-on conclure que la matrice M est diagonalisable en utilisant seulement la forme du

polynme caractristique ?
Oui, comme le polynme caractristique est scind racines simples, alors cela implique que la
matrice M est diagonalisable. (Dans ce cas, les trois sous-espaces propres non-triviaux E0 , E2
et E3 sont de dimension 1 et ils engendrent tout lespace R3 .)
On considre la base F suivante
0
f~1 := 1 ,
1
1
f~2 := 2 ,
0
3
f~3 := 2
2
6. partir de cette base, construire une base orthonorme U de R3 (muni de son produit
scalaire canonique). Donner le nom de lalgorithme que vous utiliser.
On applique lalgorithme de GramSchmidt la base F pour obtenir une base orthonorme de
R3 . La norme du premier vecteur est ||f~1 || = 2. On pose donc
0
2
1 .
~u1 :=
2
1
267
Soit F1 = Vect({~u1 }) la droite engendre par ~u1 . La projection orthogonale de f~2 sur F1 est
0
~
~ u1 i~u1 = 1 .
proj
F1 (f2 ) = hf2 , ~
1
Le vecteur
1
~
1
f~2 proj
F1 (f2 ) =
1
est orthogonal ~u1 . Sa norme vaut 3 ; on le normalise pour obtenir le deuxime vecteur

1
3
1
~u2 :=
.
3
1
Soit F2 = Vect({~u1 , ~u2 }) le plan engendr par ~u1 et ~u2 . La projection orthogonale de f~3 sur F2
est
0
1
1
~
~ u1 i~u1 + hf~3 , ~u2 i~u2 = 2. 1 + 1. 1 = 3 .
proj
F2 (f3 ) = hf3 , ~
1
1
1
Le vecteur
2
~
1
f~3 proj
F2 (f3 ) =
1
est orthogonal ~u1 et ~u2 . Sa norme vaut 6 ; on le normalise pour obtenir le troisime vecteur
2
6
1 .
~u3 :=
6
1
Au final, la famille U := {~u1 , ~u2 , ~u3 } forme une base orthonorme de R3 .

7. La base orthonorme U est-elle une base de diagonalisation de M , cest--dire une base de
vecteurs propres de M ?
Un calcul direct montre que
M~u1 = 2~u1
M~u2 = 3~u2
M~u3 = 0 = 0~u3 .
La base U est donc bien une base de vecteurs propres de la matrice M .
268
ANNEXE A. ANNALES
Index
n-uplets, 68
pimorphisme, 119
affixe, 30
algorithme
GramSchmidt, 197
angle orient, 20
antcdent, 15
application, 14
identit, 17
linaire, 113
rciproque, 18
argument, 32
automorphisme, 124
base, 82
base canonique, 82
base orthonorme, 190
bijectivit, 15
but, 14
CayleyHamilton
thorme, 147
cercle trigonomtrique, 21
combinaison linaire, 77
composition, 17
conjugaison, 28
contrapose, 17
coordonnes, 81
cosinus, 21
dfinie
forme bilinaire, 185
forme quadratique, 207
dgnre
dterminant
endomorphisme, 135
matrice, 133
dimension, 82
division euclidienne, 38
droite vectorielle, 73
endomorphisme, 124
diagonalisable, 138
trigonalisable, 143
ensemble, 11
des antcdents, 15
vide, 12
entiers
naturels, 26
relatifs, 26
espace euclidien, 187
espace hermitien, 211
espace vectoriel, 69
engendr, 77
exponentielle complexe, 35
famille gnratrice, 78
famille lie, 80
famille libre, 80
famille orthogonale, 189
famille orthonorme, 190
forme chelonne, 86
forme linaire, 209
forme polaire, 34, 206
forme trigonomtrique, 32
homomorphisme, 113
hyperplan, 92
image, 14, 118
injectivit, 15
isomorphisme, 119
linairement dpendants, 80
linairement indpendants, 80
loi, 69
mthode de Cramer, 136
mthode de Gauss, 210
matrice
associe une application linaire, 124
associe une forme bilinaire, 180
associe une forme quadratique, 207
de passage, 127
diagonalisable, 138
orthogonale, 192
symtrique, 183
trigonalisable, 143
matrices quivalentes par colonne, 85
mineurs principaux dominants, 186
module, 29
monomorphisme, 119
morphisme, 113
nombres
complexes, 28
irrantionnels, 27
rels, 27
rationnels, 27
269
INDEX
non-dgnre
norme, 188
noyau, 118
oprations lmentaires, 85
oppos, 69, 96
plan vectoriel, 73
polynme, 37
degr, 37
polynme caractristique, 140
positive
produit scalaire, 187
canonique de Rn , 178
projection, 92
orthogonale, 195
racine, 39
multiplicit, 39
rang, 122
scalaire, 69
signature
forme bilinaire symtrique, 204
matrice symtrique, 204
sinus, 21
somme, 76
somme despaces vectoriels, 76
somme directe, 89
source, 14
sous-espace propre, 139
sous-espace vectoriel, 72
spectre, 140
supplmentaire, 91
surjectivit, 15
symtrique
tangente, 21
trace
endomorphisme, 132
matrice, 132
transpose, 135
type fini, 78
valeur propre, 138
vecteur, 69
vecteur nul, 69
vecteur propre, 138

vecteurs orthogonaux, 189
270
Liste des Notations

A , 193
E , 139
C, 28
Im, 14, 118
Ker, 118
MatB (), 180
MatB (q), 207
MatB,A (f ), 124
N, 26
k~x k, 188
Q, 27
R, 27
R[X], 37
Rn , 68
Rd [X], 74
Specf , 140
Vect(A), 77
Z, 26
z, 28
A (X), 140
f (X), 140
cos, 21
k (M ), 186
det A, 133
det f , 135
dim V , 82
h , iM , 178
Arg, 32
, 89
proj
F , 195
projVU , 92
h , i, 178
rg , 182
On (R), 192
E , 70
Mn,m , 70
P, 70
sgn, 204
sin, 21
tan, 21
clB , 114
coordB , 84
trA, 132
trf , 132
|z|, 29
~x ~y , 189
i, 28
ANNEXE A. ANNALES

Algèbre Linéaire Pour Tous PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Algèbre Linéaire Pour Tous PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Bruno Vallette

LALGBRE LINAIRE POUR TOUS

Version du 23 dcembre 2013

LALGBRE LINAIRE POUR TOUS

TABLE DES MATIRES

3. Applications linaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

TABLE DES MATIRES

A.2. Contrle continu 1 (octobre 2012) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240

TABLE DES MATIRES

 sont plus avancs que les autres ; ils

1.1. Applications ensemblistes

1.1.1. Le langage ensembliste.

Dfinition (Ensemble). Un ensemble est une collection dobjets, appels lments.

CHAPITRE 1. ALGBRE LMENTAIRE

llment a appartient lensemble A

llment a nappartient pas lensemble A

lensemble A est inclus dans lensemble A

lensemble A nest pas inclus dans lensemble A

lensemble des nombres rels x tels que x soit positif

1.1. APPLICATIONS ENSEMBLISTES

. Le complmentaire dun ensemble dpend de lensemble qui le contient.

Exercice 1 (Oprations ensemblistes I).

CHAPITRE 1. ALGBRE LMENTAIRE

tout tudiant-e a, on associe ge(a) := lge de a ; par exemple ge(Lucie) = 18.

1.1. APPLICATIONS ENSEMBLISTES

La dernire ligne de symboles mathmatiques se lit en franais de la manire suivante :

lments b de B tels que il existe au moins un lement a de A vrifiant

CHAPITRE 1. ALGBRE LMENTAIRE

 Si pour tout b B, le nombre de ses antcdents est suprieur 1, cest--dire

alors on dit que la fonction f est surjective.

 Si pour tout b B, le nombre de ses antcdents est gal 1, cest--dire

1.1. APPLICATIONS ENSEMBLISTES

 Si f est surjective, alors |A| > |B|.

CHAPITRE 1. ALGBRE LMENTAIRE

f : {numros dtudiant} {tudiant-e-s de L2-MASS}

Si on compose une application f : A B avec lidentit gauche idB f = f ou droite

1.1. APPLICATIONS ENSEMBLISTES

Exercice 3 (Application ensembliste).

CHAPITRE 1. ALGBRE LMENTAIRE

4. Dterminer la fonction rciproque f 1 . Vrifier par le calcul que f 1 f = idR et que

1.2. Fonctions trigonomtriques

1.2. FONCTIONS TRIGONOMTRIQUES

 Le sinus de langle est dfini par

 La tangente de langle est dfini par

On remarque immdiatement la relation :

CHAPITRE 1. ALGBRE LMENTAIRE

Dans ce cas, les coordonnes du point B sont

1.2. FONCTIONS TRIGONOMTRIQUES

la mesure de langle plat vaut 3, 14 . . . qui est la longueur du demi-cercle trigonomtrique.

1. Montrer que cos = sin

2. Montrer que cos = sin

3. Montrer que cos = cos( ) et que sin = sin( ).

Pour sen souvenir, on peut utiliser le moyen mnemotechnique suivant :

On peut aussi tracer le cercle trigonomtrique.

CHAPITRE 1. ALGBRE LMENTAIRE

1.2.3. Proprits. Voici le graphe de la fonction cosinus.

Proposition 3. La fonction cosinus est paire :

1.2. FONCTIONS TRIGONOMTRIQUES

Le graphe de la fonction sinus est le suivant.

Proposition 4. La fonction sinus est impaire :

Enfin, voici le graphe de la fonction tangente.

Proposition 5. La fonction tangente est impaire :

sin = sin( + 2), et tan = tan( + 2),

sont plus avancs que les autres ; ils

Si pour tout b B, le nombre de ses antcdents est suprieur 1, cest--dire

Si pour tout b B, le nombre de ses antcdents est gal 1, cest--dire

Si f est surjective, alors |A| > |B|.

Le sinus de langle est dfini par

La tangente de langle est dfini par