Cours d’algèbre de SEG2

i
Table des matières

Table des matières ii

1 Les déterminants 1
1.1 Déterminant d’ordre 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Déterminant d’ordre supérieur (n ≥ 3) . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Propriétés du déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Application du déterminant au calcul de l’inverse d’une matrice . . . . . . . . . 3
1.4.1 Calcul pratique de l’inversible d’une matrice . . . . . . . . . . . . . . . . 3
1.5 Méthode de Sarrus :Calcul des déterminants d’ordre 3 . . . . . . . . . . . . . . . 4
1.6 Application du déterminant dans la résolution des systèmes linéaires . . . . . . . 5

2 Systèmes linéaires 7
2.1 Principe de la méthode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Quelques exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3 Réduction des endomorphismes 10

3.1 Exemple introductif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2 Eléments propres d’un endomorphisme . . . . . . . . . . . . . . . . . . . . . . . 12
3.2.1 Polynôme caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.2 Réduction des endomorphismes diagonalisables . . . . . . . . . . . . . . . 14
3.2.3 Trigonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

4 Formes quadratiques 23
4.1 Généralités sur les formes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2 Formes bilinéaires symétriques et formes quadratiques . . . . . . . . . . . . . . . 24
4.2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.2.2 Orthogonalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.3 Réduction des formes quadratiques (méthode de Gauss) . . . . . . . . . . . . . . 25

ii
Chapitre 1

Les déterminants

1.1 Déterminant d’ordre 2

 
a b
Soit M =   une matrice carrée sur R. On appelle déterminant de M le nombre réel
c d
a b
noté dt(M ) ou |M | défini par = ad − bc.
c d

1 3
Exemple : = (1 × 4) − (2 × 3) = −2.
2 4

1.2 Déterminant d’ordre supérieur (n ≥ 3)

Soit M = (aij ), 1 ≤ i, j ≤ n une matrice carrée d’ordre n sur R. On appelle déterminant de
M le nombre réel obtenu par la formule récursive suivante :

a11 a12 · · · a1n

a21 a22 · · · a2n
det(M ) = .. ..
. .
an1 an2 · · · ann
Pn i+j
det(M ) = i=1 (−1) aij ∆ij
où ∆ij est le déterminant de la matrice Mij d’ordre n − 1 obtenue de M en supprimant la
ieme ligne et la j eme colonne.
On dit dans ce cas que l’on développe le déterminant suivant la j eme colonne.
Exemple : n = 3.
a11 a12 a13
Développons a21 a22 a3 par rapport à la première colonne.
a31 a32 a33

1
 a11 a12 a13
a22 a23 a12 a13 a12 a13
∆ = a21 a22 a3 = (−1)1+1 a11 + (−1)2+1 a21 + (−1)3+1 a31 .
a31 a33 a32 a33 a22 a23
a31 a32 a33

∆ = (a11 a22 a33 − a11 a32 a23 ) − (a21 a12 a33 − a21 a32 a23 ) + (a31 a12 a23 − a31 a22 a13 ).
∆ = a11 a22 a33 + (a31 a12 a23 − a11 a32 a23 ) − (a21 a12 a33 − a21 a32 a23 ) − a31 a22 a13 ).

3 1 1
Exemple : Calculer ∆ = 2 −1 1 .
−1 1 −2
−1 1 1 1 1 1
∆=3 −2 −
1 −2 1 −2 −1 1
∆ = 7.

1.3 Propriétés du déterminant

Soit  
a11 a12 · · · a1n
 
 21 a22 · · ·
a a2n 
A= .

 .. .. 
 . 

an1 an2 · · · ann
une matrice carrée d’ordre n sur R ou C. Posons det(A) = det(C1 , C2 , C3 · · · , Cn ) où les Cj
sont colonne de A.
Propriété 1 : Le déterminant det(A) est linéaire par rapport à chaque colonne.
Propriété 2 : Si deux colonnes sont liées, alors dét(A)=0. En particulier :
∗ Si deux colonnes sont identiques, alors dét(A)=0.
∗ Si une colonne est nulles, alors dét(A)=0.
Propriété 3 : Le dét(A) ne change pas si l’on ajoute à une colonne une combinaison linéaire
des autres.
En particulier, on ne change pas le déterminant de A en ajoutant à une colonne j de A un
multiple d’une autre colonne de A.
Propriété 4 : dét(t A)= dét(A). Ainsi, toutes les propriétés que nous avons énoncées sur le
déterminant concernant les colonnes sont aussi valables pour les lignes.
Propriété 5 : dét(λA)= λn dét(A).
Propriété 6 : dét(AB)= dét(A) × dét(B).
Propriété 7 : Le déterminant d’une matrice triangulaire est égal au produit de ses coeffi-
cients diagonaux.

2
1.4 Application du déterminant au calcul de l’inverse d’une
matrice
Théorème 1 : Soit A une matrice carrée d’ordre n sur R ou C.
Alors, A est inversible ssi dét(A)6= 0.
De plus, dét(A−1 )= (dét(A))−1

1.4.1 Calcul pratique de l’inversible d’une matrice

• La méthode
 des cofacteurs 
a11 a12 · · · a1n
 
 21 a22 · · · a2n 
a 
Soit A =  . ..  une matrice carrée inversible d’ordre n.
 .. . 
 
an1 an2 · · · ann
On appelle cofacteur du coefficient aij de la matrice A le nombre cij défini par :
cij = (−1)i+j ∆ij où ∆ij est le déterminant Aij obtenue de A en supprimant la iieme ligne et
la j ieme colonne. La matrice Aij est appelée mineur (i, j) de A.
On appelle comatrice de A, la matrice des cofacteurs de A : CA ou A∗ ou com(A).
Com(A)=(cij ) où cij = (−1)i+j ∆ij .
−1 1 t
L’inverse de A est donnée par la formule A = Com(A).
det(A)
A t
AA−1 = Com(A) or AA−1 = In .
det(A)

=⇒ (det(A))In = A ×t Com(A).

Exemple

Montrer que les matrices suivantes inversibles

 et déterminer
 leur inverse
 : 
    3 1 1 3 2 6
1 3 4 5    
A= ; B =  ; C =  2 −1 1   et D = 1 1

.
2
2 4 −1 2

−1 1 −2 2 2 5

Résolution
 
−2 4
• dét(A)= 4 − 6 = −2 6= 0. Donc A est inversible. Calculons Com(A)=  .
−3 1
 
1 1 4 −3
A−1 = ×t Com(A) =  .
det(A) 2 −2 1

3
 3 1 1 3 1 1
• dét(C)= 2 −1 1 = −1 −2 0 où L2 ←− L2 − L1 et L3 ←− L1 + L2 + L3 .
−1 1 −2 4 1 0
−1 −2
dét(A)= (−1)1+3 ∆13 = = −1 + 8 = 7 6= 0. Donc A est inversible. Calculons
4 1
 
−1 1 2 1 2 −1
+ − + 
1 −2 −1 −2 −11 
 

 
 
 1 1 3 1 3 1 
−
Com(A)=  + − 
1 −2 −1 −2 −1 1 


 
 
 1 1 3 1 3 1 
+ − + 
−1 1 2 1 2 −1
   
1 3 1 1 3 2
  1 
Com(A)=  3 −5 −4. Ainsi A−1 =  3 −5 −1 .
  7 
2 −1 −5 1 −4 −5

1.5 Méthode de Sarrus :Calcul des déterminants d’ordre 3

 
a11 a12 a13
 
Soit A = 
a21 a22  une matrice carrée d’ordre 3.
a3 
a31 a32 a33
Pour calculer dét(A) on répète la 1ere ligne et la 2me à la suite de la 3e ligne, puis on fait la
somme des produits diagonaux Nord-Sud moins la somme des produits diagonaux Sud-Nord.
Plus précisément :
a11 a12 a13
dét(A)= a21 a22 a3
a31 a32 a33

a11 a12 a13

a21 a22 a23 .

dét(A)= [(a11 a22 a33 ) + (a23 a32 a13 ) + (a31 a12 a23 ] − [(a13 a22 a31 ) + (a23 a32 a11 ) + (a33 a12 a21 )].
3 1 1
Exemple : 2 −1 1 = (6 + 2 − 1) − (1 + 3 − 4) = 7
−1 1 −2

3 1 1
2 −1 1.

4
1.6 Application du déterminant dans la résolution des sys-
tèmes linéaires
Rappel : Tout système linéaire (S) admet une écriture matricielle.
(S) : AX = B où A est une matrice, B une matrice colonne et X une matrice colonne
inconnue.
Exemple :      
 2x − y = 3 2 −1 x 3
⇐⇒    =  .
 5x + 3y = 4 5 3 y 4
La matrice A est appelée matrice du système.
Soit (S) : AX = B un système linéaire
 d’ordre n.    
a11 a12 · · · a1n b1 x1
     
 21 a22 · · · a2n 
a  b  x 
 2  2
Posons A =  . . = (c ,
1 2c , · · · , cn ), B = . = (b) et X =  . .
 .. ..  ..   .. 
  

     
an1 an2 · · · ann bn xn
Si dét(A)6= 0, alors le système (S) nous donne
AX = B =⇒ A−1 AX = A−1 B =⇒ X = A−1 B.
Le système est alors dit de Gramer et possède une unique solution (x1 , x2 , · · · , xn ) donnée
par :
det(b, c2 , · · · , cn ) ∆x1
x1 = =
det(c1 , c2 , · · · , cn ) ∆
det(c1 , b, c3 , · · · , cn ) ∆x2
x2 = =
det(c1 , c2 , · · · , cn ) ∆
..
.
det(c1 , c2 , · · · , cn−1 , b) ∆xn
x1 = = .
det(c1 , c2 , · · · , cn ) ∆

Exemple : Résoudre par le déterminant le système suivant.

     


 3x + y + z = 4 3 1 1 x 4
    
(S) 2x − y + z = 7 ⇐⇒   2 −1 1  y  =  7  .
   


−x + y − 2z = −9 −1 1 −2 z −9


dét(S)= ∆ = 7 6= 0. Donc (S) est de Cramer. Ainsi, (S) admet une solution :
4 1 1 4 1 1
∆x 1 1
x= = 7 −1 1 = 3 −2 0 où L2 ←− L2 − L1 et L3 ←− L3 − 2L2 .
∆ 7 7
−9 1 −2 5 −1 0
1 3 −2
x= = 1.
7 5 −1

5
 3 4 1 3 4 1
∆y 1 1
y= = 2 7 1 = −1 3 0
∆ 7 7
−1 9 −2 3 5 0
1 −1 3 −14
y= = = 2.
7 3 5 7

3 1 4 3 0 5
∆z 1 1
z= = 2 −1 7 = 3 0 11
∆ 7 7
1 1 −9 1 0 −2
1 5 11 21
z= = = 3.
7 1 −2 7

SR3 = {(1, −2, 3)}.

6
Chapitre 2

Systèmes linéaires

2.1 Principe de la méthode de Gauss

On transforme un système (S) en un autre (S 0 ) équivalent au (S) si l’on détermine l’une
des opération élémentaires suivantes :
∗ Echanger deux équations : Ei ←− Ej .
∗ Multiplier une équation par un nombre λ : Ei ←− λEi . C’est la règle de simplification.
∗ Ajouter à une équation, un multiple d’une autre équation : Ei ←− λEi + λEj . Cette
opération permet de réduire le nombre d’inconnus.
A l’aide de ces trois opérations élémentaires, on transforme (S) en un système équivalent
(ST0 ) qui soit triangulaire ou trapézoïdale.

2.2 Quelques exemples

Exemple 1 : 
 x+y+z =0


(S) x + 2y + z = 0


2x + 3y + 2z = 0


Un système de cette forme est appelé système homogène : AX = 0

Un tel système a soit une solution unique soit une infinité de solution. Dans tous les
cas le vecteur nul est solution du système et l’ensemble solution est un sous espace vectoriel.

Resolution

 
 x+y+z =0  x+y+z =0
   
   x+z =0  x = −z
(S) x + 2y + z = 0 =⇒ y = 0 ←− L2 − L1 =⇒ =⇒

 
  y=0  y=0
2x + 3y + 2z = 0 y = 0 ←− L2 − L1
 

7
 SR3 = {(x, 0, −x)/x ∈ R}.

Exemple 2:
  


 x+y+z+t=4 

 x+y+z+t=4 

 x+y+z+t=4
  
x−y+z−t=1  −2y − 2t = −3

  
 2x + 2z + 2t = 9
(S) ⇐⇒ ⇐⇒


 x+y−z+t=2 

 −2z = −2 

 2y + 2t = 3

 
 

 3x + y + z + t = 3  −2x − 2z − 2t = −9  2z = 2
 


 x+y+z+t=4 

 x+y+z+t=4

 

 2x + 2z + 2t = 9  2x + 2z + 2t = 9
⇐⇒ ⇐⇒


 −2z = −6 

 z=3

 

 z=1  z=1

. Le système est incompatible, donc S = ∅.

Exemle 3
  
 3x + y + z = 4  −x + y − 2z = −9  x − y + 2z = 9
 
 


2x − y + z = 7 =⇒ 2x − y + z = 7 =⇒ 4x − 5z = −23

 
 

−x + y − 2z = −9 3x + y − 2z = −4 y − 3z = −11
  

  
 x − y + 2z = 9  x − y + 2z = 9  z=3

 
 

=⇒ y − 3z = −11 =⇒ y − 3z = −11 =⇒ y = −11 + 9 = 2

 
 

4x − 5z = −23 z=3 9−2−2×3=1
  

SR3 = {(1, −2, 3)}.

Exemle 4
 
 5x − y + 2z − t = 7  x − 3y − 6z + 5t = −1

 

2x + y + 4z − 2t = 4 ou 1 =⇒ 5x − y + 2z + t = 7

 

x − 3y − 6z + 5t = −1 2x + y + 4z − 2t = 1
 

 
 x − 3y − 6z + 5t = −1  x − 3y − 6z + 5t = −1

 

=⇒ 14x + 32z + 24t = 12 =⇒ 7y + 16z − 12t = 6

 

7y + 16z − 12t = 6 ou 3 7y + 16z − 12t = 3
 
 
 x − 3y − 6z + 5t = −1  x − 3y − 6z + 5t = −1
Si 4 =⇒
 7y + 16z − 12t = 6  y = 1 (6 − 16z − 12t)
7
1


 x − 3 × (6 − 16z − 12t) + 6z − 5t = −1

 7
1

=⇒ y = (6 − 16z − 12t)
 7
 x = 11 − 6 z + 1 t



7 7 7
8
 11 6 1 1
SR4 = {( − z + t, (6 − 16z − 12t), z, t)/z, t ∈ R}.
7 7 7 7


 x − 3y − 6z + 5t = −1


Si 1 7y + 16z − 12t = 6


7y + 16z − 12t = 3


Ce système est incompatible. Donc

SR4 = ∅.

9
Chapitre 3

Réduction des endomorphismes

3.1 Exemple introductif

Soit f: R3 −→ R 3
un endomorphisme dont la matrice de la base canonique est :
1 2 −3
 
M =  1 4 −5  On considère les vecteurs u = (1, 1, 1), v = (1, 3, 2) et w = (1, 2, 1). 1)

0 2 −2
Montrer que (u, v, w) est une base de R3 .
2) Ecrire la matrice P de passage de la base canonique de R3 à cette nouvelle base.
Calculer l’inverse de P .
3) Déterminer la matrice N = P −1 M P .
4) Exprimer f (u), f (v) et f (w) dans la base B = {u, v, w}.
5) Ecrire la matrice de f dans B.

Résolution

1) B = {u, v, w} est une base ssi det({u, v, w}) 6= 0

1 −1 3
y= = (3 + 2 + 2) − (4 + 3 + 1) = 7 − 8 = −1. On déduit alors que (u, v, w) est
7 3 5
une base B0 = {e1 , e2 , e3 }.
u = e1 + e2 + e3
v = e1 + 3e2 + 2e3
w = e1 +2e2 + e3
.
1 1 1
 
2) P =  1 3 2  est la matrice de passage de la base canonique à la base B = {u, v, w}.
 
1 2 1
Inversions P (par la méthode de Gauss).

10
     
1 1 1:1 0 0 1 1 1:1 0 0 1 1 1:1 0 0
     
1 3 2 : 0 1 0 =⇒ 0 2 1 : −1 1 0  =⇒ 0 1 0 : −1 0 1

   
1 2 1:0 0 1 0 1 0 : −1 0 1 0 2 1 : −1 1 0
     
1 1 1:1 0 0 1 1 0 : 0 −1 2 1 0 0:1 −1 1
     
=⇒ 0 1 0 : −1 0 1  =⇒ 0 1
  0 : −1 0 1 =⇒ 0
 1 0 : −1 0 1
0 0 1 : 1 1 −1 0 0 1:1 1 −2 0 0 1:1 1 −2
 
1 −1 1
 
Donc P −1 = 
−1 0 1
1 1 −2
La méthode de Gauss permet également l’inversion de matrice (M/I) −→ (I/M −1 ).
3) Déterminons N = P −1 M P
   
1 −1 1 1 2 −3 1 1 1
   
N =
−1 0  1 4 −5 1 3 2
1   

1 1 −2 0 2 −2 1 2 1
  
0 0 0 1 1 1
  
N =
 −1 0 1  1 3 2
 
2 2 −4 1 2 1
 
0 0 0
 
N =
 0 1 0

0 0 2

Donc N est une matrice diagonale.

4) Exprimer f (u), f (v) et f (w) dans la base B.

    
1 2 −3 1 0
    
1 4 −5 1 = 0.
f (u) = M u =     

0 2 −2 1 0
    
1 2 −3 1 1
    
1 4 −5 3 = 3 = v.
f (v) = M v =     

0 2 −2 2 2
    
1 2 −3 1 2
    
f (w) = M w = 
1 4 −5 2 = 4 = 2w.
   

0 2 −2 1 2

11
  
1 2 −3
 
5) La matrice de f dans B est :A =   1 4 −5 

0 2 −2
Dans la base B, la matrice de f est diagonale. On constate de plus que la matrice de f dans
B est égale à N . Ce qui nous permet de retrouver la formule de changement de base.

3.2 Eléments propres d’un endomorphisme

Soit E un K espace vectoriel de dimension n et B = (e1 , e2 , · · · , en ) une base de E.
Soit f : E −→ E un endomorphisme de E et M sa matrice dans la base B.
Définition : On appelle vecteur propre de f ou de M tout vecteur non nul u de E tel
qu’il existe un scalaire λ ∈ K vérifiant

f (u) = λu.

On appelle valeur propre de l’endomorphisme f ou de la matrice M , tout scalaire λ ∈ K

tel qu’il existe un vecteur non nul u vérifiant

f (u) = λu.

Dans ce cas on dit que u est un vecteur propre de f associé à la valeur propre λ.
L’ensemble des valeurs propres de f est appelée spectre de f . On le note Sp(f ).
L’ensemble Eλ = {u ∈ E/f (u) = λu} s’appelle sous espace propre associé à la valeur propre
λ.  
3 1 1
 
Exemple : Soit la matrice réelle suivante. M = 
 1 3 1

1 1 3
Vérifions que 5 est une valeur propre de M .
Pour ce faire nousallons résoudre le système M u = 5u où u = (x, y, z).
 3x + y + z = 5x  −2x + y + z = 0

 

M u = 5u ⇐⇒ x + 3y + z = 5y ⇐⇒ x − 2y + z = 0

 

x + y + 3z = 5z x + y − 2z = 0
 
 
 x − 2y + z = 0  x − 2y + z = 0
  
   x − 2y + z = 0
⇐⇒ −2x + y + z = 0 ⇐⇒ −3y + 3z = 0 ⇐⇒

 
  z=y
x + y − 2z = 0 3y − 3z = 0
 

⇐⇒ x = y = z.

12
      
x x 1
     
u=
y  = x = x 1.
    

z x 1
   
1 1
   
On peut prendre alors u = (1, 1, 1) et on a M = 1 = 5 1. Comme u 6= 0, alors 5 est
  

1 1
une valeur propre de M et u est un vecteur associé.
Montrons que v = (−1, 1, 0) est un vecteur propre de M
      
3 1 1 −1 −2 −2
      
Mw = 
1 3 1  1  =  2  = 2  2  = 2v.
     

1 1 3 0 0 0

M v = 2v =⇒ v est un vecteur propre. 2 est la valeur propre associée.

Propriétés : Les propriétés suivantes sont équivalentes
• λ est une valeur propre.
• f − λidE n’est pas injective.
• Ker(f − λidE ) 6= {0}.
• f − λidE n’est pas bijective.
• M − λidE n’est pas inversible.
• det(M − λidE ) = 0.
Remarque : 0 est une valeur propre de f ou de M si Ker(f ) 6= {0} ou det(M ) = 0.
Proposition 1. Soit λ une valeur propre. Le sous espace propre Eλ est un sous espace
vectoriel de E.
2. Soit λ et µ deux valeurs propres distinctes. Alors, Eλ ∩ Eµ = {0}.
3. Soit λ1 , λ2 , · · · , λp des valeurs propres 2 à 2 distinctes de f et u1 , u2 , · · · , up des vecteurs
propres associés. Alors, la famille (u1 , u2 , · · · , up ) est libre. Plus généralement, la réunion de
famille libre issue de sous-espace propre de valeurs propres 2 à 2 distinctes est une famille libre.
Exemple : La famille (u, v) est libre car elle est associée aux valeurs distinctes 5 et 2.
En effet, αu + βv = 0 =⇒ α = β = 0.
Remarque : La somme de sous-espaces propres est directe.

3.2.1 Polynôme caractéristique

Soit f un endomorphisme d’un K e.v E de dim = n et M sa matrice dans une base donnée
de E.
On appelle polynôme caractéristique de l’endomorphisme f ou de M , le déterminant de

13
f − XidE ou de M − XIn . On note Pf ou PM .

Pf (X) = det(M − XIn ).

Exemple
 : Considérons
 f l’endomorphisme de R3 dont la matrice dans la base canonique est :
3 1 1
 
M =1 3 1
1 1 3
3−X 1 1 5−X 1 1
Pf (X) = det(M − XIn ) = 1 3−X 1 = 5−X 3−X 1 = (5 −
1 1 3−X 5−X 1 3−X
1 1 1 1 1 1
X) 1 3 − X 1 = (5 − X) 0 2 − X 1 . Donc
1 1 3−X 0 0 2−X

Pf (X) = (5 − X)(2 − X)2

.
Proposition
1. Deux matrices carrées sont dites semblables lorsqu’elles ont le même polynôme caracté-
ristique. Ainsi, A et B sont semblables =⇒ ∃P , une matrice telle que B = P −1 AP .
2. Les valeurs propres λi de f sont les racines de son polynôme caractéristique.
3. Si K = C alors f ou M admet n valeurs propres distinctes ou non.
4. Si Si K = R alors f ou M admet au plus m valeurs propres.
Définition Soit λ une valeur propre de Sp(f ). On appelle Multiplicité de λ, l’ordre de
multiplicité de λ dans Pf .
Exemple : Pf (X) = (5 − X)(2 − X)2 . Déterminons les valeurs propres de f .
Pf (X) = 0 ⇐⇒ (5 − X)(2 − X)2 = 0 ⇐⇒ X = 5 ou X = 2.
5 et 2 sont les valeurs propres de f .

Sp(f ) = {5, 2}.

la multiplicité de la valeur propre 2 est 2.

3.2.2 Réduction des endomorphismes diagonalisables

Définition : L’endomorphisme f est diagonalisable si il existe une base de E dans laquelle
la matrice de f est diagonale.
La matrice M est diagonalisable si il existe une matrice inversible P telle que P −1 M P soit
diagonale.

14
 Propriétés Si f admet n valeurs propres (dim E = n) 2 à 2 distinctes alors f est diagona-
lisable. De plus,
dim(Eλi ) = dim(f − λIdE ) = 1.
 
2 0 4
 
Exemple : A = 
 3 −4 12 

1 −2 5
2−X 0 4
• Le polynôme caractéristique de A. PA (X) = 3 −4 − X 12
1 −2 5−X

PA (X) = [(2 − X)(−4 − X)(5 − X) − 24] − [4(−4 − X) − 24(2 − X)].

PA (X) = (2 − X)(−20 − X − X 2 ) − 24 − (64 + 20X).
PA (X) = −X 3 + 3X 2 − 2X.
• Le spectre de A.
PA (X) = 0 ⇐⇒ X(−X 2 + 3X − 2) = 0 ⇐⇒ X = 0 ou −X 2 + 3X − 2 = 0

Sp(A) = {0, 1, 2}.

Comme A possède 3 valeurs propres distinctes 2 à 2 et comme A est d’ordre 3 alors A est
diagonalisable.
• Recherche des sous-espaces propres.
?E0
u1 = (x, y, z) ∈ E0 ⇐⇒ Au =
 0
 2x + 4z = 0  x = −2z
  
   x = −2z
3x − 4y + 12z = 0 ⇐⇒ 3x − 4y + 12z = 0 =⇒
   y = 3 z/ z ∈ R
2
 
x − 2y + 5z = 0 x − 2y + 5z = 0
 
3
u1 = (−2z, z, z) = z(−4, 3, 2).
2
   
−4 −4
   
E0 = V ect{  3 }. Donc E0 est engendré par le vecteur  3 .
  

2 2
?E1

2 = (x, y, z) ∈ E1 ⇐⇒ Au =
u u  


 2x + 4z = x 

 x + 4z = 0 

 x = −4z  x = −4z


3x − 4y + 12z = y ⇐⇒ 3x − 4y + 12z = 0 =⇒ −2y = 0 =⇒ y=0

 
 
 

x − 2y + 5z = z x − 2y + 4z = 0 z∈R z∈R
   
u2 = (−4z, 0, z) = z(−4, 0, 1).

15
  
−4
 
 0 }.
E1 = V ect{ 

1
?E2
u3 = (x, y, z) ∈ E2 ⇐⇒ Au =
 2u 


 2x + 4z = 2x 

 z = 0 
 z=0  z=0


3x − 4y + 12z = 2y ⇐⇒ 3x − 6y + 12z = 0 =⇒ =⇒ x = 2y

 
  3x − 6y = 0 

x − 2y + 5z = 2z x − 2y + 3z = 0 y∈R
  
u3 = (2y, y,0) = y(2, 1, 0).
 
2

 

E2 = V ect  1 .
 

 
0
 
Nous savons que si Sp(f ) = {λ1 , · · · , λp } et si Bλi est une base de Eλi pour i = 0, · · · , p
alors la réunion ∪pi=1 Bλi est une famille libre de E.
Donc (u1 , u2 , u3 ) est libre et comme dim E = 3 alors (u1 , u2 , u3 ) est une base.
Ainsi, nous avons obtenu ici une base de E formée de vecteurs propres de f. 
0 0 0
 
Donc, f est diagonalisable et dans cette base la matrice de f est : D = 
0 1 0

0 0 2

Proposition : L’endomorphisme f est diagonalisable ssi le polynôme caractéristique de

p
X
n α1 α2 αp
f , Pf peut s’écrire Pf (X) = (−1) (X − λ1 ) (X − λ2 ) · · · (X − λp ) avec = n et dim
i=0
Eλi = αi , i = 1, 2, · · · , p.
Remarque : En général si λ est une valeur propre d’ordre α alors.

1 ≤ dimEλ ≤ α.

Exercice 

−5 3 5
 
1) On considère A = 
 −5 −7 5 

−5 −5 3

A est-elle diagonalisable ? Si 
oui, la diagonaliser.

2 3 −2
 
2) Même question avec B =   −1 4 −1

−1 5 −1

Résolution
 
3 5 −5
 
A= −5 −7 5 

−5 −5 3

16
 ∗ Le polynôme caractéristique
3−X 5 −5
PA (X) = −5 −7 − X 5
−5 −5 3−X

PA (X) = −X 3 − X 2 + 8X + 12.
PA (X) = 0 =⇒ -2 est une racine de PA (X) =⇒ −2 ∈ Sp(A). D’où
PA (X) = (X + 2)(aX 2 + bX + c). Par une division euclidienne, on obtient PA (X) = (X +
2)(−X 2 + X + 6).
PA (X) = 0 ⇐⇒ X = −2 ou X = 3. Ainsi, PA (X) = (X + 2)(X − 3)(X + 2).
Alors Sp(A) = {−2, 3}.
∗ Recherche des sous espaces propres.
?E−2
u = (x, y, z) ∈ E−2 ⇐⇒ Au = −2u
 


 3x + 5y − 5z = −2x  5x + 5y − 5z = 0


−5x − 7y + 5z = −2y ⇐⇒ −5x − 7y + 5z = 0

 

−5x − 5y + 3z = −2z −5x − 5y + 5z = 0
 
u = (y − z, y, z) = y(1, 1, 0) + z(−1, 0, 1).
    
1 −1

 

E−2 = V ect 1  0  .
   

 

0 1
 
?E3
u = (x, y, z) ∈ E3 ⇐⇒ Au = 3u
 


 3x + 5y − 5z = 3x  y=z



 y=z
−5x − 7y + 5z = 3y ⇐⇒ 5x − 10y + 5z = 0 ⇐⇒

 
  x = −y
−5x − 5y + 3z = 3z −5x − 5y = 0
 
u = (−z, z, z) = z(−1, 1, 1).
  
−1

 

E3 = V ect  1 .


 
1
 
Comme 3 est de multiplicité 1 on a dim E3 = 1. Donc A est diagonalisable.
? Diagonalisons A.
Soit B = {u1 , u2 , u3 } une base de diagonalisation. La matrice de f dans cette base est

17
  
−2 0 0
 
M =
0 −2 0

0 0 3
 
1 −1 −1
 
La matrice de passage est P = 
 1 0 1 

0 1 1
 
2 3 −2
 
Pour B =  −1 4 −1 

−1 5 3 − 1
2 3 −2
1) Vérifions si B est diagonalisable. PB (X) = −1 4 −1
−1 5 3 − 1

PB (X) = −X 3 + 5X 2 − 8X + 4.

Déterminons le spectre de B. PB (1) = 0, après division euclidienne, on a

PB (X) = (X − 1)(X − 2)2 .

Sp(B) = {1, 2}

.
? Recherche des sous-espaces propres :
?E2
u = (x, y, z) ∈ E2 ⇐⇒ Au =
 2u

 2x + 3y − 2z = 2x  3y − 2z = 0  y = 2z

 
 
−x + 4y − z = 2y ⇐⇒ −x + 2y − z == 0 ⇐⇒ 3
1

 
  x = z/z ∈ R

−x + 5y − z = 2z −x + 5y − 3z = 0 3
 
1 2
u = z( , , 1).
3 3
 
1

 

E2 = V ect 2.


 
3
 

dim E2 = 1 6= 2 donc, B n’est pas diagonalisable.

Note : Diagonaliser un endomorphisme ou une matrice peut avoir un intérêt dans le calcul
des puissances successives des matrices (An ). Certaines suites récurrentes ou certains systèmes
de suites récurrentes linéaires.
En effet, A est une matrice semblable à D, une matrice diagonale. ∃P ∈ GL/D = P −1 AP .

18
  k  
λ1 0 λk1 0
. .. 
..  =  ... .. 

Ak = P Ak P −1 avec Dk = 
 .   . 
k
0 λn 0 λn

Théorème (de Cayley-Hamilton

Soit f un endomorphisme de E et M sa matrice dans une base donnée, alors son polynôme
caractéristique est annulateur de M c’est-à-dire PM (f ) = 0 ou encore PM (M ) = 0.
 
2 0 4
 
Exemple : A =  3 −4 12
1 −2 5
2−X 0 4
• Le polynôme caractéristique de A. PA (X) = 3 −4 − X 12
1 −2 5−X

PA (X) = −X(2 − X)(1 − X).

PA (A) = −A(2I − A)(I − A).
     
2 0 4 0 0 4 1 0 4 0 0 0
     
PA (A) = 
3 −4 12  3 −6 12 3 5 12 = 0 0 0
    
1 −2 5 1 −2 3 1 −2 4 0 0 0

Théorème
Soit Sp(f ) = {λ1 , · · · , λp }, le spectre de f ou de M . Alors f ou M est diagonalisable ssi le
polynôme

uf = (X − λ1 )(X − λ2 ) · · · (X − λp )

est annulateur de f ou de M :

(M − λ1 I)(M − λ2 I) · · · (M − λp I) = 0.

Exemple : 1) Pour la matrice A de l’exemple précédent, on a Sp(A) = {0, 1, 2}. Alors,

A(A − 2I)(A − I) = 0. Donc, A est diagonalisable.
 
2 3 −2
 
2) Considérons B = 
−1 4 −1 
−1 5 −1
On a Sp(B) = {1, 2}. Alors,
    
3 −2
1 0 3 −2 0 0 0
    
(B − I)(B − 2I) = 
 −1 3 −1 −1 2 −1 6= 0 0 0
   
−1 5 −2 −1 5 −3 0 0 0

19
Donc B n’est pas diagonalisable.

3.2.3 Trigonalisation
Soit f ∈End(E) dont la matrice
 M est triangulaire supérieure dans la base B = (e1 , e2 , · · · , en )
a11 a12 · · · a1n
 
22 · · ·
0 a a2n 
avec M =  .
 
 .. .
..


 
0 0 · · · ann

On a n
Y
Pf (X) = |M − XI| = (aii − X).
i=1

Définition
• Un endomorphisme f est trigonalisable si il existe une Base B dans laquelle la matrice de
f est triangulaire supérieure. Posons la base B = (e1 , e2 , · · · , en ).
f (e1 ) = a11 e1
f (e2 ) = a12 e1 + a22 e2
f (e3 ) = a13 e1 + a23 e2 + a33 e3
..
.
f (en ) = a1n e1 + a2n e2 + a3n e3 + · · · + ann en .
• La matrice M est trigonalisable si il existe une matrice P inversible telle que P −1 M P soit
triangulaire supérieure.
Théorème
Soit f un endomorphisme de E. Alors, f est trigonalisable ssi le polynôme caractéristique
de f ou de M est scindé.
Yn
n
Pf (X) = (−1) (X − λi ) avec α1 + α2 + · · · + αp = n.
i=1
 
−4 0 −2
 
Exemple : Soit A =   0 1 0 .

5 1 3
A est-elle trigonalisable
 ? Si ouinous allons la trigonaliser.
−4 0 −2
 
Résolution A =   0 1 0 

5 1 3
? Pf (X)
−4 − X 0 −2
−4 − X −2
PA (X) = 0 1−X 0 = (1 − X)
5 3−X
5 1 3−X

20
 −1 −2
PA (X) = (1 − X)(2 + X) = (1 − X)2 (2 + X).
1 3−X
Sp(A) = {−2, 1}.
PA est scindé donc A est trigonalisable.
• Recherchons une matrice de passage P telle que P −1 AP triangulaire de la forme.
 
1 a b
 
T =
 0 1 c 

0 0 −2
Soit u1 = (x, y,z) ∈ E tel que f (u1 ) = u1 .
 4x − 2y = x
  
  −5x = 2z  −5y = 2z
Au1 = u1 =⇒ y=y ⇐⇒ ⇐⇒

  y+z =z  y=0
5x + y + 3z = z

2
u1 = ( z, 0, z), si on prend z = 5, on a.
5
 
−2
 
u1 = 
 0 .


 u2 = (x, y, z) ∈ E tel que f (u2 ) = au1 + u2 .

Soit
 4x − 2y = −2a + x  x = −2 + 2 a  x = −2 z + 2 a
  

y =a×0+y ⇐⇒ 5 5 ⇐⇒ 5 5

  −2z + 2a + y + 3z = 5a + z  y = 3a
5x + y + 3z = 5a + z

−2 2
u2 = ( z + a, 3a, z), pour z = 1 et a = 1 on a.
5 5
 
0
 
u2 = 
3.


 u3 = (x, y, z) ∈ E tel que f (u3 ) = bu1 + cu2 − 2u3 .

Soit
 −4x + 2y = −2b − 2x
 
  x=b−z
y = 3c − 2y ⇐⇒

  y=c
5x + y + 3z = 5b + c − 2y

u3 = (b − z, c, z), si on prend z = b = 1 et c = 2 on a.
 
0
 
u3 = 
2.


21
    
−2 0 0 1 1 1
   
D’où P = 
 0 3 2  et M = 0 1 2 
  
5 1 3 0 0 −2

22
Chapitre 4

Formes quadratiques

4.1 Généralités sur les formes linéaires

Définition : On appelle forme bilinéaire sur un K espace vectoriel E de dimension finie
toute application f : E × E −→ K avec K = R ou C qui est linéaire par rapport à chaque
variable c’est-à-dire ∀x, y, z ∈ E et ∀λ ∈ K on a :
• f (x + y, z) = f (x, z) + f (y, z)
• f (x, y + z) = f (x, y) + f (x, z)
• f (λx, y) = λf (x, y)
• f (x, λy) = λf (x, y).
Exemple : E = R2 et f [(x, y), (x0 , y 0 )] = xx0 yy 0 . Montrer que f est bilinéaire.
• f [(x, y) + (a, b), (x0 , y 0 )]) = f [(x + a, y + b), (x0 , y 0 )].
= (x + a)x0 + (y + b)y 0
= xx0 + ax0 + yy 0 + by 0
= f [(x, y), (x0 , y 0 )] + f [(a, b), (x0 , y 0 )].

Proposition

Soit E un espace de dimension n, muni d’une base B = {e1 , e2 · · · , en }. Soit f une forme
n
X n
X
bilinéaire sur E. Considérons deux facteurs : x = xi e i , y = yj ej
i=1 j=1
n
X n
X
f (x, y) = f ( xi e i , yj ej )
i=1 j=1
n X
X n
f (x, y) = xi yj f (ei , ej )
i=1 j=1
n X
X n
f (x, y) = xi yj aij avec f (ei , ej ) = aij ∈ R.
i=1 j=1
Ainsi, on pose M = (aij ) et on l’appelle la matrice de f .

23
 Notation  
x1
 
x 
 2
Si les vecteurs x et y sont respectivement désignés par les matrices colonnes X =  .  et
 .. 
 
xn
 
y1
 
y 
 2
Y =  .  dans la base B, on a : f (x, y) = t X.M.Y .
 .. 
 
yn
Formule de changement de base
Soit B1 = (e1 , e2 , · · · , en ) et B2 = (u1 , u2 , · · · , un ) deux bases de E et f une forme bilinéaire
t
sur E. Si M et N sont les matrices de f respectivement dans B1 et B2 , alors on a N = X.M.Y .
où P est la matrice de passage de B1 à B2 .

4.2 Formes bilinéaires symétriques et formes quadratiques

4.2.1 Généralités
Définition :
• On appelle forme bilinéaire symétrique (f.b.s) sur E, toute forme bilinéaire sur E vérifiant
pour f : E × E −→ K.
∀(x, y) ∈ E × E : f (x, y) = f (y, x).
• On appelle forme quadratique sur E, toute application q : E −→ K telle qu’il existe une
forme bilinéaire symétrique f sur E vérifiant
∀x ∈ E, q(x) = f (x, x).
L’ensemble des formes quadratiques sur E forme un espace vectoriel.
Théorème
A toute forme quadratique q sur E, on fait correspondre une et une seule f.b.s sur f (et
inversement) donnée par une des identités suivantes appelée formule de polarisation.
1
• f (x, y) = [q(x + y) − q(x) − q(y)]
2
1
• f (x, y) = [q(x) + q(y) − q(x − y)]
2
1
• f (x, y) = [q(x + y) − q(x − y)]
2
Ecriture matricielle
La matrice d’une f.b.s dans une base donnée est une matrice symétrique c’est-à-dire t M =
M.

24
 Remarque : Si f est une f.b.s sur E et x, y ∈ E ; M est une matrice de f dans une base
de E. On a f (x, y) =t XM Y =t Y M X.
La matrice d’une forme quadratique dans une base donnée est la matrice de la forme bili-
néaire symétrique associée : q(x) =t XM X.

n
X
Ecriture de q(x) dans une base B Soit x = xi ei où (e1 , e2 , · · · , en ) est une base de
i=1
E ; soit q une forme quadratique sur E. On a :
Xn X
q(x) = aij x2i + 2 aij xi xj
i=1 1≤i<j≤n
Ainsi, on appelle forme quadratique sur E, toute polynome homogène de deg(2).

4.2.2 Orthogonalité
On dit que deux vecteurs x et y sont orthogonaux pour une f.b.s si f (x, y) = 0.
On note x ⊥ y.
L’orthogonal d’une partie de A de E pour est A = {x ∈ E/f (x, a) = 0, ∀a ∈ A}
Définition : Le noyau d’une forme quadratique est l’ensemble
N = {x ∈ E/f (x, y) = 0, ∀y ∈ E} = E ⊥ .
Définition : Cône isotrope
• Un vecteur x est dit isotrope pour une forme quadratique si q(x) = 0.
• L’ensemble des vecteurs isotropes est appelé cône isotrope.
Définition : dim E fini
On dit qu’une forme quadratique q est non dégénérée si le rang de sa matrice est à n = dimE
ou encore noyau N = {0}.
Définition
1. Une forme quadratique (f.q) est dite positive si ∀x ∈ E, q(x) ≥ 0.
2. Une f.q est dite négative si ∀x ∈ E, q(x) ≤ 0.
3. Une f.q est dite définie positive si ∀x ∈ E, q(x) ≥ 0, q(x) > 0 si x 6= 0.
4. Une f.q est dite définie négative si ∀x ∈ E, q(x) ≤ 0 , q(x) = 0 si x = 0.
5. Une f.q est dite indéfinies si il existe x1 et x2 de E tel que q(x1 ) ≤ 0 et q(x2 ) > 0.

4.3 Réduction des formes quadratiques (méthode de Gauss)

Présentationn
X X
Soit q(x) = aij + 2 aij xi xj
i=1 1≤i<j≤n
Une f.q sur E. On observe l’expression de q s’il y a des carrés x2 , y 2 ou non.

25
 • Il y a des carrés x2 , y 2 , z 2 , · · · . On prend par exemple x2 et on regroupe les termes
contenants x puis on utilise la forme canonique.
Exemple : q(x, y, z) = x2 − 2y 2 + xy + 2yz + 2xz + z 2
q(x, y, z) = x2 + xy + 2xz − 2y 2 + 2yz + z 2
q(x, y, z) = x2 + x(y + 2z) − 2y 2 + 2yz + z 2
1 y − 2z 2
q(x, y, z) = [x + y + z]2 − ( ) − 2y 2 + 2yz + z 2
2 2
1 1
q(x, y, z) = [x + y + z]2 − (y 2 + 4yz + 4z 2 ) − 2y 2 + 2yz + z 2
2 4
1 9
q(x, y, z) = [x + y + z] − y 2 + yz.
2
2 4
9
On réitère le procédé avec q(x, y, z) = − y 2 + yz. En définitive
4
1 2 3 1 2 1 2
q(x, y, z) = [x + y + z] − ( y − z) + z .
2 2 3 9
• Non, il n’y a pas de carré mais uniquement des rectangles xy, yz et xz. On factorise de
façon à éliminer les termes rectangles contenant les facteurs x, y puis on utilise l’égalité

1
ab = [(a + b)2 − (a − b)2 ]
4
.
On obtient une nouvelle forme quadratique qui ne dépend ni de x ni de y.
1
Exemple : 1. Si q(x, y) = x.y alors q(x, y) = [(x + y)2 − (x − y)2 ].
4
1 1
2. Si q(x, y, z) = xy + xz = x(y + z) alors q(x, y, z) = (x + y + z)2 − (x − y − z)2 .
4 4
1
3. Si q(x, y, z) = xy + xz + yz = x(y + z) + yz alors q(x, y, z) = (x + y + z) − (x − y − z) + yz.
4
On réitère le processus avec yz.
Proposition et définition Une fois la décomposition de la forme quadratique en somme
de carré de forme linéaire, linéairement indépendant terminée, on obtient :
p
X
q(x1 , x2 , · · · , xn ) = λi [li (x1 , x2 , · · · , xn )]2 avec λi ∈ R∗ , li des formes linéaires sur Rn .
i=1
Si p = n et si λi > 0, ∀i = 1, · · · , n alors q est définie positive.
Si p < n et si λi > 0, ∀i = 1, · · · , n alors q est positive.
Si p = n et si λi < 0, ∀i = 1, · · · , n alors q est définie négative.
Si p < n et si λi < 0, ∀i = 1, · · · , n alors q est négative.
S’il existe λi0 > 0 et λi0 < 0, q est non dégénérée.
Si p = n, alors q est non dégénérée.
On appelle signature de q le couple (r, s) où r est le nombre de signe (+) dans la somme
des carrés de Gauss et s est le nombre de carrés de signe (−). On note p = r + s.
Définition : On appelle produit scalaire, toute forme quadratique q sur E définie positive.
dimE = n ; Sig(r) = (n, 0). Dans le cas où (E, q) est un espace euclidien alors ∀x ∈ E, q(x) ≥ 0
et q(x) = 0 =⇒ x = 0.

26
 Proposition Soit q un produit scalaire sur E. Alors, on a :

p p
|f (x, y)| ≤ q(x) q(y)

Inégalité de Cauchy-Schwartz où f est la forme polaire de q.

Preuve : Soit λ ∈ R, ∀x, y ∈ E. On a q(x + λy) ≥ 0 développer et considérer le trinôme en
λ : aλ2 + bλ + c.

27