Bruno Vallette
Laboratoire J.A.Dieudonn, Universit de Nice Sophia-Antipolis, Parc Valrose, 06108 Nice Cedex
02, France.
E-mail : brunov@unice.fr
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 ...
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
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
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.
CHAPITRE 1
ALGBRE LMENTAIRE
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
Notation
aA
Se lit
a
|{z}
|{z}
Reprsentation
A
|{z}
A
a
a
/A
a
|{z}
/
|{z}
A
|{z}
AB
A
|{z}
|{z}
B
|{z}
A 6 B
A
|{z}
6
|{z}
B
|{z}
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 }
}.
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
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
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
15
lensemble des
b|
{zB}
|
|{z}
|{z}
a
A}
| {z
, f (a) = b} .
|{z} | {z }
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
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
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 :
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
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.)
20
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 ?
+
B
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
longueur du ct oppos
||BC||
=
.
||AB||
longueur de lhypotnuse
||BC||
longueur du ct oppos
=
.
||AC||
longueur du ct adjacent
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
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
Exercice
6 (Relations cosinus-sinus).
et que sin = cos
+ et que sin = cos
.
+ .
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, +
4
1=
,
2
3
,
2
2 1
1
0
,
=
, 0=
.
2 2
2
2
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 .
cos
-1
25
sin
-1
et
sin0 = cos .
26
,
,
,
,
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
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 .
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.
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
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.
z2 := 3 + 4i et z3 := 1 + i.
29
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 .
x iy
x2 + y 2
| {z }
=1 .
inverse de x+iy
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
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
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
(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
2
2
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
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
34
z 12 = ( 2)12 cos 12
+ i sin 12
= 26 cos(3) + i sin(3)
4
4
= 64 cos() + i sin() = 64 .
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 .
Instant culture
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 .
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 )
35
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
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
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
36
=
|{z}
ex+x ei(y+y )
=
|{z}
=
|{z}
ex+iy ex +iy = ez ez .
par dfinition
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 .
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.
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)
2X 3 2X 2 + 5X + 3 ,
2X 3 4X 2 5X + 7 .
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
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
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.
1.4. POLYNMES
39
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.
40
b
.
a
:= b2 4ac .
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).
= (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.
42
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 .
43
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
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.
47
Correction.
15
= 3 .
5
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.
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.
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.
Si y > 0 est strictement positif, la droite horizontale dordonne y intersecte le graphe de
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).
.
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
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
3. Montrer que cos = cos( ) et que sin = sin( ).
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 ( )) .
4. Montrer que cos = cos( + ) et que sin = sin( + ).
52
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 =
et = :
sin
+ = sin cos + cos sin = cos .
2
2
2
et = :
et = :
cos
+ = cos cos sin sin = sin .
2
2
2
et = :
53
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
2 3
21
2
cos
= cos
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
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
z2 := 3 + 4i et z3 := 1 + i.
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
z1 z3
(2 3i) (1 + i) = (2 1) + (3 1)i = 1 4i ,
z1 .z2
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
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
55
= 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
=
=
=
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 + 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
Exercice 13 (Exponentielle complexe).
Mettre sous forme algbrique les nombres complexes suivants
4e
2i
3
6e3i ,
3i
4
6i
4
et 3e
5i
3
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
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
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 ,
(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 ...
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
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
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
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 .
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
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
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
et
1 + 2i .
(On noublie pas de vrifier ce rsultat en calculant, par exemple, le carr de 1 2i.)
63
x2 y 2 = 5 ,
2xy = 12 .
et
2 + 3i .
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
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)
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 .
Do, = 1 et =
+k
2
3 .
ei 3 , ei , ei
(4)
5
3
1
2
et =
i
1
= 4 ei 2 .
16
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).
Au final, le polynme se factorise sous la forme
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
Au final, le polynme se factorise sous la forme
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.
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
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,
=
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}
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
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 .
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
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
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
axiome 7
72
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 .
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.
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
x1,1
0
.
..
triangulaires suprieures
x1,2 x1,n
..
x2,2
.
,
x
R
i,j
..
..
..
.
.
0 xn,n
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 .
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 !
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.
77
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.
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 .
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.
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
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.
et ~v3 := (2, 3, 4, 3)
w
~ 2 := (1, 1, 1, 1),
w
~ 1 := (3, 4, 5, 6) .
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
1 = = n = 0 .
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.
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.
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
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)
(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
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
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),
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.
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
1
1
1
1 0
1
0 1 1
1 2
1
0
1
2
0
0 .
0
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 .
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}
Exemple. Dans lespace E , un plan U et une droite V non incluse dans U sont toujours en
somme directe.
90
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 .
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
W
w
~ = ~u + ~v
U
~u
et
projU
V :
W
w
~ = ~u + ~v
V
~v .
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.
Il est quivalent de dfinir la notion dhyperplan en disant quil sagit des sous-espaces vectoriels
93
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
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.
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-
Exercice
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.
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 .
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 .
et ~v3 := (2, 3, 4, 3)
w
~ 2 := (1, 1, 1, 1),
w
~ 3 := (3, 4, 5, 6) .
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
21 + 2
31 + 22
32
w
~ 2 . Ceci donne le systme dquations
=
1
= 1
=
1
= 1 .
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)
(1 + 23 , 21 + 2 + 33 , 31 + 22 + 43 , 32 33 ) .
1
+
21 +
2 +
31 + 22 +
32
=
=
=
=
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
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 .
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 +
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
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 .
0 + 1 + 2 + 3 =
1 + 2 + 3 =
2 + 3 =
3 =
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 ).
On considre les vecteurs suivants de R6 :
~v1 := (1, 2, 3, 4, 0, 1),
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
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.
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 }
et
{w
~ 1, w
~ 2}
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} .
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) =
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
3a + b c
a + 2b + c
a + b 2c
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 =
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=
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
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
a1,1 x1 + + a1,m xm
x1
..
..
. =
.
an,1 x1 + + an,m xm
xm
et A(X) = (AX) .
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 .
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
..
0
.
.. , . . . ,
0
.
1
0
de la base canonique de Rm , cest--dire :
A = f
..
, . . . , f . .
0
0
1
1
0
..
.
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 )
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.
117
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
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.
118
Exemples.
Soient U et V deux droites vectorielles distinctes du plan P. On considre la projection
projVU sur U paralllement V .
119
Rn
7
AX ,
a1,m
a1,1
..
..
~c1 := . , . . . , ~cm := .
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
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 .
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.
~e3 := (0, 0, 1) .
f~3 := (2, 1, 1) .
~e2 7 f~2 ,
~e3 7 f~3 .
121
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
=
=
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
Si lapplication f est
Si lapplication f est
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
=
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.
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
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 ,
...
125
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
0
0
. =I .
..
. ..
1
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 ).
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 ?
C
z + iz .
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.
MatA,B (f 1 ) = (MatB,A (f ))
Exercice 51 (Dcalage bis).
On reprend les notations de lexercice 44. Dans lespace vectoriel R3 [X] des polynmes de degr
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].
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
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
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
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 ) .
Application
linaire)
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
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.
131
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~3 := (0, 0, 1) .
f~3 := (2, 1, 1) .
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
a1,1
..
..
A= .
.
an,1
a1,n
..
.
an,n
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
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
1. Montrer que lapplication f est linaire.
133
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
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,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
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
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 ?
3. Montrer que la famille
{(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
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
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
et X =
x
y
.
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
= 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 .
3.6. DIAGONALISATION
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
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
141
3.6. DIAGONALISATION
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
det f =8
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.
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 .
3 1 1
2
0 .
A = MatB,B (f ) := 0
1 1
3
3
3.7. TRIGONALISATION
143
7
A := 6
4
3
2
2
4
5 .
1
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
2
1
1
1
.
1
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.
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
,
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
Mthode
(avec la diagonalisation).
matrice de passage P et pour forme diagonale
1
P AP = := .
.
.
0
..
2
.
.
.. ..
.
. 0
0 n
0
..
.
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
147
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
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 !).
1
2
2
1
.
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.
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)
=
=
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
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 .
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
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).
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 ).
154
Correction.
1. Lapplication f peut scrire sous
x
y
X=
z
t
1
2
3
4
6
.
et A = 2
1
1
3
3 2 7
1
2
MatB4 ,B3 (f ) =
1
3
2
3
4
6
=A .
1
3
2 7
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
x + 2y + 3z =
2x + 4y + 6z =
x + y + 3z =
3x 2y 7z =
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)}) .
155
C
z + iz .
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).
On reprend les notations de lexercice 44. Dans lespace vectoriel R3 [X] des polynmes de degr
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.
4. Montrer que la famille
{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
1
2
1
0
1
3
3
1
7
0
C=
3 .
2
Les coordonnes de limage
cest--dire
1
0
0
0
1
2
1
0
7
1
0
3
3 3
2
1
6
0
= .
3
2
x
0
y 0
MatB,B (dec)
=
z 0
t
0
157
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
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
x
7 17 3
1
0
P 1 y = 0
z
2
5
1
x
7x 17y 3z
.
y =
y
z
2x + 5y + z
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).
Soit f : R4 R3 lapplication linaire dfinie par
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 .
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 .
On considre les vecteurs
~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
1 1
1 0
0 1
1 0
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
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~3 := (0, 0, 1) .
f~3 := (2, 1, 1) .
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
f~2
f~3
~e1
~e2
~e3
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 )
~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
Exercice 55 (Trace).
On considre lapplication f : R3 [X] R3 [X] dfinie par
f (a + bX + cX 2 + dX 3 ) := d +
1. Montrer que lapplication f est linaire.
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) .
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).
On considre la matrice
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 ?
3. Montrer que la famille
{(1, 4, 6), (2, 0, 7), (3, 5, 8)}
3
164
= 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
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
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 .
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
=
=
(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
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
x+yz = x
x+y
= y
z
= z,
0
Le vecteur de coordonnes ~v1 = 1 convient.
1
x + y z = 2x
x+y
= 2y
z
= 2z ,
1
Le vecteur de coordonnes ~v2 = 1 convient.
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
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
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
1. Quel est le rang de f ?
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. Calculer le polynme caractristique f (X) de f .
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 .
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
=
=
(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
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
0
1
1
169
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
7
A := 6
4
3
2
2
0
0 .
4
4
5 .
1
7X
6
4
3
2 X
2
4
1X
3
5
= 2(1 X) 2 X
1 X
0
2
4
5
1 X
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
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
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
6x + 3y 4z = 0
z = 0
6x 3y + 5z = 0
2x = y .
4x + 2y 2z = 0
On considre donc le vecteur propre
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
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
(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
On considre donc le vecteur propre
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
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
1
Mat, F (F)f = 0
0
5
1
0
1
2 .
1
Exercice 63 (Puissance de matrice diagonalisable).
On considre la matrice
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)
On considre la matrice suivante
A :=
1
2
2
1
.
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
On considre donc le vecteur propre
1
1
~u :=
1
1
.
1
1
1
1
175
1
2
1
1
1
1
.
1 (3)k
1 + (3)k
1
k
ak = 4 1 (3)
1
3 + (3)k .
4
Le thorme 84 de CayleyHamilton permet de conclure que
b
k
Ak
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
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
m1,1
..
M = .
mn,1
..
.
m1,n
..
.
mn,n
179
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
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.
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 ,
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 .
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
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
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.
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
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
t ~
[ f1 ]A
(~e1 , ~e1 )
..
..
.
.
t ~
(~en , ~e1 )
[ fn ]A
[ f~n ]A
..
.
(~e1 , ~en )
~
..
[ f1 ]A
.
(~en , ~en )
[ f~n ]A .
182
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
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
4 5 9
rg MatC () = rg 5 9 17 = 3 .
9 17 33
Donc cette forme bilinaire est non-dgnre.
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
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.
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
R
P (0)Q(0) + P (1)Q(1) + 2P (2)Q(2)
R
7 P (0)Q(0) + P (1)Q(1) + 2P (2)Q(2) .
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
pour tout
k = 1, . . . , n .
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.
Exercice 65 (Formes bilinaires de Rn suite). On considre nouveau les quatre formes
bilinaires donnes dans lexercice 65.
6. Pour celles qui sont symtriques, dterminer si elles sont dfinies positives.
187
R
: C ([0, 1]) C ([0, 1]) Z
1
(f, g)
7
(1 + t)f (t)g(t)dt .
0
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 .
Illustration
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.
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 .
pour i 6= j .
R
: C ([0, 1]) C ([0, 1]) Z
1
(f, g)
7
(1 + t)f (t)g(t)dt .
0
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 =
=
~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.
h , i : R[X] R[X] R
Z 1
(P, Q)
7 hP, Qi :=
P (x)Q(x)dx .
4.3. ORTHOGONALIT
6. Est-elle orthonorme ?
191
h, i: C C R
Z
f (t)g(t)dt .
(f, g) 7 hf, gi :=
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 .
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
pour tout X, Y Rn .
cos
R := sin
0
sin
cos
0
0
0 .
1
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)
=0
On en conclut que ~x + ~y A .
Soit ~a A A . Ce vecteur vrifie
*
~a , |{z}
~a
|{z}
A
=0.
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
P
P :
(x, y, z) 7 (x, y, 0) .
196
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 .
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
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
22 = 2 .
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 .
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 .
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
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
1 0
0 2
t
PMP =
. .
..
..
0
201
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 .
XM Y = t (tXM Y ) = t Y tM X = t Y M X = t Y X = tXY .
Remarque
. On retiendra donc que, dans le cas des matrices symtriques, les sousespaces propres sont orthogonaux entre eux
E E
pour 6= .
2X
2
2
= (X 5)(X 2) 4 = (X 1)(X 6) .
5X
202
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
203
0
.
6
1
0
Exercice 77 (Matrice symtrique).
On considre la matrice
4
M := 3
3
3
4
3
3
3 .
4
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
B pour le produit scalaire h , i vrifiant cette proprit.
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
~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
bilinaires symtriques.
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,
1 1
MatC () := 1 0
2
1
2
1 .
1
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
16i6n
16i<j6n
1
2
1
2
1
2
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
208
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
bilinaires symtriques.
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
B pour le produit scalaire h , i vrifiant cette proprit.
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
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
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)
210
Mthode
i,j xi xj
16i<j6n
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)
(x y)2 + 2yz .
=
=
+ 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
1
2
(y + z)2 (y z)2
Exercice
82 (Formes linaires indpendantes).
Dans R3 , on considre la forme quadratique
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) .
212
1 : R R
(x, y)
2 :
R
.xy ,
R2 R2
(x1 , x2 ), (y1 , y2 )
R
7
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
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
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
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
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
Comme le rang est maximal, la forme bilinaire 2 est non-dgnre.
MatC (2 ) =
2 0 1
1 0 0
MatC (3 ) = 0 1 1 1 1 0
2 1 1
1 1 2
Comme le rang est maximal, la forme bilinaire 3 est non-dgnre.
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
2
M = MatC (3 ) = 0
1
1
1
2
0
1
1
2
2 (M ) =
0
0
= 2 > 0,
1
2
3 (M ) = 0
1
0
1
1
1
1 = 1 > 0 .
2
R
: C ([0, 1]) C ([0, 1]) Z
1
(f, g)
7
(1 + t)f (t)g(t)dt .
0
Z
=
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
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.
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
R
: C ([0, 1]) C ([0, 1]) Z
1
(f, g)
7
(1 + t)f (t)g(t)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
=
h , i : R[X] R[X] R
Z
1
(P, Q)
hP, Qi :=
P (x)Q(x)dx .
1
218
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
hP, P i =
1
P (x)2 dx > 0 .
| {z }
>0
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
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.
h, i: C C R
Z
(f, g) 7 hf, gi :=
f (t)g(t)dt .
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
Z
hsin(nt), sin(mt)i
=
=
1
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 =
,
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)
7 hA, Bi := tr(tAB) .
Trouver une base orthonorme de M2 (R), h , i .
221
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 .
0
,
0
0
0
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 .
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
cos
R := sin
0
sin
cos
0
0
0 .
1
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
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.
hf, gi :=
f (t)g(t)dt .
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
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
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.
*
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
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
..
MatF ,B (id) = .
0
~u1
..
..
~u2
~un
..
.
f~1
f~2
..
.
f~n
4
M := 3
3
3
4
3
3
3 .
4
4
(x1 , x2 , x3 ), (y1 , y2 , y3 ) = (x1 , x2 , x3 ) 3
3
3
4
3
3
y1
3 y2
4
y3
3
M I = 3
3
3
3
3
3
3
3
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 .
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 .
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
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 .
Exercice 78 (Changement de base).
On considre lapplication bilinaire : R3 R3 R
C de R3 est
1 1
MatC () := 1 0
2
1
2
1 .
1
1
(1, 1, 5), (1, 2, 1) = (1, 1, 5) 1
2
1
0
1
2
1
1 2 = 6 .
1
1
229
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) .
Exercice 79 (Changement de base).
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 ?
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 ,
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
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
1
M = MatC (q) = 2
1
2 1
1 1
1 3.
1
1
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
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
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)
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.
x
= 0 1 1 y .
3
z
0 0 1
|
{z
}
MatF ,C (id)
234
1 2 13
3
0
3
0
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
x2 + 6xy + 4xz
|
{z
}
=(x+3y+2z)2 (3y+2z)2
(x + 3y + 2z)2 + 4( yz + yt + 2zt )
|
{z
}
=(y+2t)(z+t)2t2
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).
Dans R3 , on considre la forme quadratique
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 21 x 21 z)2 12 x2 + xz 12 z 2
ANNEXE A
ANNALES
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 .
Exercice 1 (Nombre complexe).
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.
:=
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 .
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
!
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
z1 = 6 4 ei 24
et z2 = 6 4 ei
31
24
1 3
3 4
1 10
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
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.
On considre une famille A = {a~1 , . . . , a~n } dun espace vectoriel V .
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 .
Exercice 1 (Nombre complexe).
On considre le nombre complexe
6i 2
.
:=
2i 2
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 .
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
= 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
242
ANNEXE A. ANNALES
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.
On considre une famille A = {a~1 , . . . , a~n } dun espace vectoriel V .
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 .
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
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) .
Comme 1 < 3 < 4, alors 1 < 3 < 2. On a donc la reprsentation graphique suivante.
244
ANNEXE A. ANNALES
3i .
| 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
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 .
Exercice 2 (Espace vectoriel).
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 .
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, +[} .
247
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 .
1. Montrer que lapplication f est linaire.
Soient , R and soient P, Q R2 [X]. On a alors
f (P + Q)
=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
(X 1) = 1 + X,
(X 1)2 = 1 2X + X 2 ;
do
1
P = 0
0
1
2 .
1
1
1
0
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
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 .
f (X 1) = 3(X 1),
2
P 1 M P = 0
0
0
0 .
4
1
1
0
1
2
1
249
On retrouve
1
P 1 M P = 0
0
ce
1
1
0
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
(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.
1
E2 = Vect 1 .
0
250
ANNEXE A. ANNALES
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).
Soit f : R3 R3 lapplication linaire dfinie par
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
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
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
1
2 .
1
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
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
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
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
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 .
Exercice 1 (Somme directe).
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
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
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
257
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,
2
0
MatB,B (f 2id) =
0
0
et f (X 3 ) = 4X 3 3X 2 .
0
2
2
0
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
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 ).
(P, Q)
7 hP, Qi :=
xP (x)Q(x)dx .
0
Z
=
xP1 (x)Q(x)dx +
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
1
3
xdx =
0
1
,
2
2 .
= 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 }).
1
M := 4
4
4
7
4
2
2 .
1
4 4
M 3I = 4 4
4 4
2
2
2
262
ANNEXE A. ANNALES
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
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
263
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
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.
4 4 8
M = MatB () = 6 0 0
6 0 0
265
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
4 8
1 1
1
0 0 0
1 2
0 0
0
0
1
R
q(P ) := (P, P ) = 2P (0)P (2) 6P (1)P (0) = 2P (0)(P (2) 3P (1)) .
: 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) .
Exercice 2 (Diagonalisation des matrices).
On considre la matrice M M3 (R) suivante
1
M := 1
1
1
2
0
1
0 .
2
2
M 3I = 1
1
1
1
1
0 .
0 1
266
ANNEXE A. ANNALES
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.
3. Calculer le polynme caractristique M de la matrice M .
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
1
2X
0
1
1
0
= (3 X) 1
2X
1
1
2X
0
1
0
.
2X
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
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
forme bilinaire, 183
forme quadratique, 207
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 bilinaire, 177
forme linaire, 209
forme polaire, 34, 206
forme quadratique, 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
forme bilinaire, 183
forme quadratique, 207
norme, 188
noyau, 118
oprations lmentaires, 85
oppos, 69, 96
plan vectoriel, 73
polynme, 37
degr, 37
polynme caractristique, 140
positive
forme bilinaire, 184
forme quadratique, 207
produit scalaire, 187
canonique de Rn , 178
projection, 92
orthogonale, 195
racine, 39
multiplicit, 39
rang, 122
forme bilinaire, 182
forme quadratique, 207
scalaire, 69
signature
forme bilinaire symtrique, 204
forme quadratique, 207
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
forme bilinaire, 183
tangente, 21
trace
endomorphisme, 132
matrice, 132
transpose, 135
type fini, 78
valeur propre, 138
vecteur, 69
vecteur nul, 69
270
ANNEXE A. ANNALES