ALGEBRE et GEOMETRIE

Partie I
ALGEBRE LINEAIRE

Mohamed HOUIMDI

Version octobre 2008

 2

2 Mohamed HOUIMDI
Table des matières

1 Compléments sur les espaces vectoriels 7

1.1 Définitions et propriètés élémentaires . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Espace vactoriel sur un corps commutatif quelconque . . . . . . . . . . 7
1.1.2 Conséquences de la définition . . . . . . . . . . . . . . . . . . . . . . 7
1.1.3 Exemples fondamentaux . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.4 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.5 Opérations sur les sous-espaces vectoriels . . . . . . . . . . . . . . . . 10
1.1.6 Sous-espaces supplémentaires . . . . . . . . . . . . . . . . . . . . . . 13
1.1.7 Espace vectoriel quotient . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2 Partie génératrice-Partie libre-Base . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.1 Combinaisons linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.2 Partie libre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2.3 Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3 Espaces vectoriels de dimension finie . . . . . . . . . . . . . . . . . . . . . . 19
1.3.1 Définition et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.2 Theorème de la dimension finie . . . . . . . . . . . . . . . . . . . . . 20
1.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2 Applications linéaires-Matrices 29
2.1 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.1 Définition et propriètés élémentaires . . . . . . . . . . . . . . . . . . . 29
2.1.2 Image et Noyau d’une application linéaire . . . . . . . . . . . . . . . . 31
2.2 Calcul matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.1 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.2 Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3 Applications linéaires et matrices . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.1 Matrice d’une application linéaire . . . . . . . . . . . . . . . . . . . . 37
2.3.2 Matrice de passage - Changement de base . . . . . . . . . . . . . . . . 38
2.3.3 Rang - Matrices équivalentes . . . . . . . . . . . . . . . . . . . . . . . 40
2.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3
TABLE DES MATIÈRES 4

3 Formes linéaires-Dualité 57
3.1 Définition et Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2 Base duale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.3 prolongement des formes linéaires . . . . . . . . . . . . . . . . . . . . . . . . 61
3.4 Orthogonalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.5 Bidual - Base préduale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.6 Transposée d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . 64
3.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

4 Formes multilinéaires - Déterminants 73

4.1 Formes multilinéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.1.1 Définition et propriètés élémentaires . . . . . . . . . . . . . . . . . . . 73
4.1.2 Formes multilinéaires alternées . . . . . . . . . . . . . . . . . . . . . 75
4.2 Déterminants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.2.1 Déterminant d’un système de vecteurs . . . . . . . . . . . . . . . . . . 79
4.2.2 Déterminant d’un endomorphisme . . . . . . . . . . . . . . . . . . . . 80
4.2.3 Déterminant d’une matrice carrée . . . . . . . . . . . . . . . . . . . . 81
4.2.4 Développement d’un déterminant . . . . . . . . . . . . . . . . . . . . 83
4.2.5 Inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

5 Réduction des endomorphismes 93

5.1 Polynômes et endomorphismes . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.1.1 Polynôme minimal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.1.2 Polynôme caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.1.3 Théorème de Caylet-Hammilton . . . . . . . . . . . . . . . . . . . . . 96
5.1.4 Théorème de décomposition . . . . . . . . . . . . . . . . . . . . . . . 98
5.2 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.2.1 Valeurs propres-Vecteurs propres . . . . . . . . . . . . . . . . . . . . 100
5.2.2 Endomorphismes diagonalisables . . . . . . . . . . . . . . . . . . . . 103
5.3 Trigonalisation - Jordanisation . . . . . . . . . . . . . . . . . . . . . . . . . . 109
5.3.1 Définition et Critère de trigonalisation . . . . . . . . . . . . . . . . . . 109
5.3.2 Endomorphismes nilpotents . . . . . . . . . . . . . . . . . . . . . . . 111
5.3.3 Réduite de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.3.4 Méthode pratique de jordanisation d’une matrice d’ordre 3 . . . . . . . 122
5.3.5 Méthode pratique de jordanisation d’une matrice d’ordre 4 . . . . . . . 122
5.4 Application aux systèmes différenciels . . . . . . . . . . . . . . . . . . . . . . 124
5.4.1 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.4.2 Norme d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.4.3 Exponentiel d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . 126
5.4.4 Calcul pratique de l’exponentiel d’une matrice . . . . . . . . . . . . . 127
5.4.5 Systèmes différentiels . . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.4.6 Résolution pratique d’un système différentiel . . . . . . . . . . . . . . 128
5.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

4 Mohamed HOUIMDI
TABLE DES MATIÈRES 5

A Lemme de Zorn - Axiome du choix 149

A.1 Elément maximum et élément minimum . . . . . . . . . . . . . . . . . . . . . 149
A.2 Borne supérieure et borne inférieure . . . . . . . . . . . . . . . . . . . . . . . 151
A.3 Elément maximal et élément minimal . . . . . . . . . . . . . . . . . . . . . . 152
A.4 Le Lemme de Zorn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
A.5 Exercices d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154

A Maple et Algèbre linéaire 157

A.1 Matrices Carrées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
A.1.1 Déclaration d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . 157
A.1.2 Matrice définie par la commande band . . . . . . . . . . . . . . . . . . 158
A.1.3 Matrice définie en blocs diagonaux . . . . . . . . . . . . . . . . . . . 158
A.1.4 Matrice sous forme de bloc de Jordan . . . . . . . . . . . . . . . . . . 159
A.1.5 Matrice de Vandermonde . . . . . . . . . . . . . . . . . . . . . . . . . 159
A.1.6 Les caractéristiques d’une matrice carrée . . . . . . . . . . . . . . . . 159
A.2 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
A.3 Systèmes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
A.4 Vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
A.4.1 Déclaration d’un vecteur . . . . . . . . . . . . . . . . . . . . . . . . . 161
A.4.2 Base d’un sous-espace engendré par une famille de vecteurs . . . . . . 161

5 Mohamed HOUIMDI
TABLE DES MATIÈRES 6

6 Mohamed HOUIMDI
Chapitre 1
Compléments sur les espaces vectoriels

1.1 Définitions et propriètés élémentaires

1.1.1 Espace vactoriel sur un corps commutatif quelconque
Définition 1.1.1
Soient (E, +) un groupe commutatif et (K, +, ×) un corps commutatif. On dit que E est un
K-espace vectoriel (ou un espace vectoriel sur K) s’il existe une application :
K × E −→ E
(λ, x) 7−→ λ.x

appelée loi externe sur E et vérifiant les axiomes suivants :

i) ∀x ∈ E, 1K x = x
ii) ∀λ ∈ K, ∀x ∈ E, ∀y ∈ E, λ.(x + y) = λ.x + λ.y
iii) ∀α ∈ K, ∀β ∈ K, ∀x ∈ E, (α + β).x = α.x + β.x
iv) ∀α ∈ K, ∀β ∈ K, ∀x ∈ E, (α × β).x = α.(β.x)

Remarque 1.1.1
Si E est un K-espace vectoriel, les éléments de E s’appellent des vecteurs et se notent x , y , z . . .
et les éléments de K s’appellent des scalaires et se notent α , β , γ , λ , . . .

1.1.2 Conséquences de la définition

– ∀x ∈ E, 0K .x = 0E :
On a (0K + 0K ).x = 0K .x + 0K .x et (0K + 0K ).x = 0K .x
Donc 0K .x = 0E (car (E, +) est un groupe)
– ∀λ ∈ K, λ.0E = 0E :
On a λ.(0E + 0E ) = λ.0E + λ.0E et λ.(0E + 0E ) = λ.0E
Donc pour la même raison , on a le résultat
– ∀x ∈ E, ∀λ ∈ K, λ.x = 0E ⇐⇒ x = 0E ou λ = 0K :
(⇐=) déjà vu
(=⇒) Supposons que λ.x = 0E et x 6= 0E et montrons que λ = 0K

7
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 8

λ.x = 0E =⇒ λ−1 .(λ.x) = λ−1 .0E

Or on a λ−1 .(λ.x) = (λ−1 × λ).x = 1K .x = x et λ−1 .0K = 0E
d’où le résultat

1.1.3 Exemples fondamentaux

1. Soient (L, +, ×) un corps commutatif et K un sous-corps de L, alors L peut-être considéré
comme un K-espace vectoriel pour la loi externe :
K × L −→ L
(λ, x) 7−→ λ.x = λ × x

Par exemple :
– L = C et K = R
– L = C et K = Q
– L = R et K = Q
En particulier, tout corps commutatif K peut-être considéré comme un K-espace vectoriel
sur lui-même
2. Soit K un corps commutatif, alors pour tout entier n ≥ 1 , K n est un K-espace vectoriel
pour la loi externe :
K × K n −→ K n
(λ, x) 7−→ λ.x
Où x = (x1 , x2 , . . . , xn ) et λ.x = (λx1 , λx2 , . . . , λxn )
3. Soient K un corps commutatif, on désigne par K N l’ensemble de toutes les suites d’élé-
ments de K. Alors K N est un K-espace vectoriel pour la loi externe :

K × K N −→ K N
(λ, x) 7−→ λ.x

Où x = (xn )n∈N et λ.x = (λxn )n∈N

4. Soient K un corps commutatif, A un ensemble quelconque et K A l’ensemble de toutes les
applications f : A −→ K. Alors K A est un K-espace vectoriel pour la loi externe :

K × K A −→ K A
(λ, f ) 7−→ λ. f

où λ. f est l’application de A vers K défini par :

∀x ∈ A, (λ. f )(x) = λ. f (x)

Rappelons aussi que si f et g sont deux éléments de RA , alors f + g est définie par :

∀x ∈ E, ( f + g)(x) = f (x) + g(x)

8 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 9

5. Soient K un corps commutatif et K[X] l’anneau des polynômes à coefficients dans K.

Alors K[X] est un K-espace vectoriel pour la loi externe :
K × K[X] −→ K[X]
(λ, P) 7−→ λ.P
n n
où P = ∑ ai X i et λ.P = ∑ (λai )X i
i=0 i=0
6. Soient E1 , E2 , . . . , En des espaces vectoriels sur le même corps K, alors le produit cartésien
E1 × E2 × · · · × En est un K-espace vectoriel pour la loi externe :
K × (E1 × E2 × · · · × En ) −→ E1 × E2 × · · · × En
(λ, (x1 , x2 , . . . , xn )) 7−→ (λ.x1 , λ.x2 , . . . , λ.xn )
E1 ×E2 ×· · ·×En s’appelle le K-espace vectoriel produit des K-espaces vectoriels E1 , E2 , . . . , En
7. Soient E un K-espace vectoriel, A un ensemble quelconque non vide et E A l’ensemble de
toutes les applications f : A −→ E. On définit sur E A une addition et une loi externe par :
i) ∀ f ∈ E A , ∀g ∈ E A , l’application f + g est définie par
∀a ∈ A, ( f + g)(a) = f (a) + g(a)
ii) ∀ f ∈ E A , ∀λ ∈ K, l’application λ. f est définie par :
∀a ∈ E A , (λ. f )(a) = λ. f (a)
Alors (E, +, .) est un K-espace vectoriel.

1.1.4 Sous-espace vectoriel

Définition 1.1.2
Soient E un K-espace vectoriel et F une partie de E. On dit que F est un sous-espace vectoriel
de E, si :
– (F, +) est un sous-groupe de (E, +)
– ∀λ ∈ K, ∀x ∈ F, λ.x ∈ F

Proposition 1.1.1
Soient E un K-espace vectoriel et F une partie de E. Alors F est un sous-espace vectoriel de E,
si et seulement si
i) F 6= ∅
ii) ∀x ∈ F, ∀y ∈ F, x + y ∈ F
iii) ∀λ ∈ K, ∀x ∈ F, λ.x ∈ F
Preuve 1.1.1
La démonstration est laissée à titre d’exercice

Remarque 1.1.2
Soit K un corps commutatif. Pour montrer qu’un ensemble F est K-espace vectoriel, il suffit,
dans la plupart des cas, de montrer que F est un sous-espace vectoriel d’un K-espace vectoriel
connu.

9 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 10

Exemple 1.1.1
1. Pour tout K-espace vectoriel E, les parties {0E } et E sont des sous-espaces vectoriels de
E
2. Soient K un corps commutatif et K[X] le K-espace vectoriel des polynômes à coëfficients
dans K. Alors pour tout entier n ≥ 1,

En = {P ∈ K[X] : deg(P) ≤ n}

est un sous-espace vectoriel de K[X]. En effet, on a :

i) En 6= 0,
/ car le polynôme nul est dans En .
ii) On sait que ∀P ∈ K[X] et ∀Q ∈ K[X],

deg(P + Q) ≤ sup(deg(P), deg(Q))

donc si deg(P) ≤ n et deg(Q) ≤ n, alors deg(P + Q) ≤ n, et par suite P + Q ∈ En .

iii) On sait que ∀λ ∈ K et ∀P ∈ K[X],

deg(λ.P) ≤ deg(P)

donc si λ ∈ K et P ∈ En , alors λ.P ∈ En .

3. L’enseble F des suites réelles qui tendent vers zéro à l’infini est un R-espace vectoriel.

F = {(un )n≥0 ∈ RN : lim un = 0}

n→∞

Il suffit de vérifier que F est un sous-espace vectoriel du R-espace vectoriel RN .

4. Soit I un intervalle de R. Alors C (I, R) l’ensemble des fonctions continues sur I est un R-
espace vectoriel. Il suffit de vérifier que C (I, R) est un sous-espace vectoriel du R-espace
vectoriel RI .

1.1.5 Opérations sur les sous-espaces vectoriels

Intersection
Proposition 1.1.2
Soit E un K-espace vectoriel, alors l’intersection d’une famille quelconque de sous-espaces vec-
toriels de E est un sous-espace vectoriel de E

Preuve 1.1.2
La démonstration est laissée à titre d’exercice

Remarque 1.1.3
En particulier, l’intersection d’un nombre fini de sous-espaces vectoriels de E est un sous-espace
vectoriel de E

10 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 11

Reunion
La reunion de deux sous-espaces vectoriels de E n’est pas toujours un sous-espace vectoriel de
E. Cependant on a la proposition suivante :
Proposition 1.1.3
Soient E un K-espace vectoriel, F et G deux sous-espaces vectoriels de E, alors F ∪ G est un
sous-espace vectoriel de E, si et seulement si :

F ⊆ G ou G ⊆ F

Preuve 1.1.3
(=⇒) Supposons que F ∪ G est un sous-espace vectoriel de E et montrons que F ⊆ G ou G ⊆ F.
Pour cela supposons par absurde que F * G et G * F
F * G, donc il existe x ∈ E, tel que x ∈ F et x ∈
/G
G * F, donc il existe y ∈ E, tel que y ∈ G et y ∈
/F
Or F ∪ G est un sous-espace vectoriel de E, donc x + y ∈ F ∪ G
=⇒ x + y ∈ F ou x + y ∈ G
Si x + y ∈ F, puisque x ∈ F et F est un sous-espace vectoriel de E, alors (x + y) − x ∈ F, et par
suite y ∈ F. Contradiction
Si x + y ∈ G, alors de la même manière on voit que x ∈ G. Ce qui est encore contradictoire avec
le fait que x ∈
/G
D’où le résultat
(⇐=) Trivial

Somme
Soient E un K-espace vectoriel, F1 , F2 , . . . , Fn une famille finie de sous-espaces vectoriels de E
et F1 × F2 × · · · × Fn le produit cartésien de F1 , F2 , . . . , Fn .
On définit l’ensemble F1 + F2 + · · · + Fn par :
z ∈ F1 + F2 + · · · + Fn si seulement si , il existe (x1 , x2 , . . . , xn ) ∈ F1 × F2 × · · · × Fn tel que z =
x1 + x2 + · · · + xn
L’ensemble F1 + F2 + · · · + Fn ainsi défini est une partie de E qui forme un sous-espace vectoriel
appelé sous-espace vectoriel somme de F1 , F2 , . . . , Fn

Somme directe
Définition 1.1.3
Soient E un K-espace vectoriel, F1 , F2 , . . . , Fn , des sous-espaces vectoriels de E. On dit que la
somme F1 + F2 + · · · + Fn est directe si pour tout z ∈ F1 + F2 + · · · + Fn , il existe un unique
(x1 , x2 , . . . , xn ) ∈ F1 × F2 × · · · × Fn tel que z = x1 + x2 + · · · + xn

Notations 1.1.1
Dans le cas où la somme de F1 , F2 , . . . , Fn est directe on la note
n
M
F1 ⊕ F2 ⊕ · · · ⊕ Fn ou encore Fi
i=1

11 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 12

Lemme 1.1.1
La somme de F1 , F2 , . . . , Fn est directe, si et seulement si,

∀(x1 , x2 , . . . , xn ) ∈ F1 × F2 × · · · × Fn , x1 + x2 + · · · + xn = 0 =⇒ x1 = x2 = · · · = xn = 0

Preuve 1.1.4
(=⇒) Supposons que x1 + x2 + · · · + xn = 0
Donc 0 = x1 + x2 + · · · + xn et 0 = 0 + 0 + . . . + 0
Or la somme est directe, donc d’après l’unicité on a :

x1 = x2 = · · · = xn = 0
(⇐=) Montrons que F1 + F2 + · · · + Fn est une somme directe. Pour cela , soit z ∈ F1 + F2 +
· · · + Fn tel que :
z = x1 + x2 + · · · + xn et z = y1 + y2 + · · · + yn
A-t-on x1 = y1 , x2 = y2 , . . . , xn = yn ?
On a (x1 − y1 , x2 − y2 , . . . , xn − yn ) ∈ F1 × F2 × . . . × Fn et on a aussi
(x1 − y1 ) + (x2 − y2 ) + · · · + (xn − yn ) = 0
Donc (x1 − y1 ) = (x2 − y2 ) = · · · = (xn − yn ) = 0
D’où le résultat

Théorème 1.1.1
Soient E un K-espace vectoriel et F1 , F2 , . . . , Fn des sous-espaces vectoriels de E. alors la somme
F1 + F2 + · · · + Fn est directe, si et seulement si,

∀i, 1 ≤ i ≤ n − 1, Fi ∩ (Fi+1 + · · · + Fn ) = {0}

Preuve 1.1.5
(=⇒) Supposons que F1 + F2 + · · · + Fn est directe
Soit xi ∈ Fi ∩ (Fi+1 + · · · + Fn )
=⇒ xi = xi+1 + · · · + xn , où xi+1 ∈ Fi+1 , . . . , xn ∈ Fn
Donc xi − xi+1 − · · · − xn = 0
Donc d’après le lemme précédent, on a xi = xi+1 = · · · = xn = 0
D’où le résultat.
(⇐=) Supposons que ∀i, 1 ≤ i ≤ n, Fi ∩ (Fi+1 + · · · + Fn ) = {0}
Soient (x1 , x2 , . . . , xn ) ∈ F1 × F2 × · · · × Fn tel que x1 + x2 + · · · + xn = 0
D’après le lemme précédent , il suffit de montrer que x1 = x2 = · · · = xn = 0
Pour cela on procède par récurrence sur i , 1 ≤ i ≤ n
Pour i=1 on a x1 + x2 + · · · + xn = 0
=⇒ x1 ∈ F1 ∩ (F2 + · · · + Fn )
=⇒ x1 = 0
Supposons que i > 1 et x1 = · · · = xi−1 = 0 et montrons que xi = 0
x1 = · · · = xi−1 = 0 =⇒ xi + xi+1 + · · · + xn = 0
Donc xi ∈ Fi ∩ (Fi+1 + · · · + Fn ) et par suite xi = 0
D’où le résultat

12 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 13

Remarque 1.1.4
D’après le théorème précédent, la somme de deux sous-espaces vectoriels F et G de E est
directe, si et seulement si
F ∩ G = {0}

1.1.6 Sous-espaces supplémentaires

Définition 1.1.4
Soient E un K-espace vectoriel , F et G deux sous-espaces vectoriels de E . On dit que F et G
sont supplémentaires dans E si :
i) F + G est une somme directe
ii) E = F ⊕ G

Remarques 1.1.1
1. F et G sont supplémentaires dans E , si et seulement si :

E = F + G

et

∀x ∈ F , ∀y ∈ G , x + y = 0 =⇒ x = y = 0


2. F et G sont supplémentaires dans E , si et seulement si :


E = F + G

et

F ∩ G = {0}


Exemple 1.1.2
Soit E = RR le R-espace vectoriel de toutes les applications de R vers R F = { f ∈ E :
f est paire}
G = { f ∈ E : f est impaire}
Alors F et G sont deux sous-espaces vectoriels de E qui sont supplémentaires dans E.
En effet, le fait que F et G sont deux sous-espaces vectoriels est un exercice facile
Si f ∈ F ∩ G alors f est à fois une fonction paire et impaire, donc f est nulle et par suite
F ∩ G = {0}
Pour montrer que E = F + G il suffit de remarquer que pour tout f ∈ E, les fonctions g et h
définies sur R par :

f (x) + f (−x)
∀x ∈ R , g(x) =
2
f (x) − f (−x)
∀x ∈ R , h(x) =
2
sont respectivement paire et impaire et que f = g + h
Autrement dit, toute fonction réelle est la somme, d’une manière unique, d’une fonction paire
et d’une fonction impaire.

13 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 14

Théorème 1.1.2
Soit E un K-espace vectoriel quelconque, alors tout sous-espace vectoriel de E admet au moins
un supplémentaire dans E

Preuve 1.1.6
Soit F un sous-espace vectoriel de E. Montrons qu’il existe au moins un sous-espace vectoriel
G de E tel que E = F ⊕ G.
Pour cela nous allons appliquer le fameux lemme de Zorn (Voir Annexe) à l’ensemble défini
par :

M = {M : Msous-espace vectoriel de E et M ∩ F = {0}}

ordonné par inclusion.
– M 6= ∅, car {0} ∈ M
– Soit A une partie totalement ordonnée de M et soit H = M. Puisque A est totalement
S
M∈A
ordonnée par inclusion , alors H est un sous-espace vectoriel de E et on a :

∀M ∈ A , M ∩ F = {0}

Donc H ∩ F = {0} et par suite H ∈ M et H est un majorant de A dans M , donc M est

inductif et d’après le lemme de Zorn M admet un élément maximal noté G.
Montrons que E = F ⊕ G. On sait que F ∩ G = {0} car G ∈ M , donc il reste à montrer
que E = F + G.
Pour cela, supposons par absurde que F + G 6= E donc il existe x ∈ E tel que x ∈
/ F +G
Posons L = M +Vect(x) donc G ( L, car x ∈ L et x ∈/G
x∈/ F + G donc L ∩ F = {0} et par suite L ∈ M ce qui est absurde, car G est maximal et
G ( L.

1.1.7 Espace vectoriel quotient

Proposition 1.1.4
Soient E un K-espace vectoriel, F un sous-espace vectoriel de E et E/F le groupe quotient de E
par F. Alors E/F est un K-espace vectoriel pour la loi externe :

K × E/F −→ E/F
(λ, x) 7−→ λ.x = λ.x

appelé espace vectoriel quotient de E par F.

Preuve 1.1.7
Exercice

14 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 15

1.2 Partie génératrice-Partie libre-Base

1.2.1 Combinaisons linéaires
Définition 1.2.1
Soient E un K-espace vectoriel et A une partie non vide de E. On dit qu’un élément x de E est
une combinaison linéaire d’éléments de A, s’il existe x1 , x2 , . . . , xn éléments de A et il existe
α1 , α2 , . . . , αn éléments de K tels que :

n
x = α1 .x1 + α2 .x2 + · · · + αn .xn = ∑ αi .xi
i=1

Proposition 1.2.1
Soient E un K-espace vectoriel et A une partie non vide de E . Alors l’ensemble de toutes les
combinaisons linéaires d’éléments de A est un sous-espace vectotiel de E, appelé sous-espace
vectoriel engendré par A et se note Vect(A).

Preuve 1.2.1
Soient x ∈ Vect(A) et y ∈ Vect(A) , alors par définition on a :
n m
x = ∑ αi xi et y = ∑ βiyi
i=1 j=1

∀i, 1 ≤ i ≤ n, αi ∈ K et xi ∈ A et ∀ j, 1 ≤ j ≤ m, β j ∈ K et y j ∈ A, donc on aura

n+m
x+y = ∑ γk zk
k=1
( (
αk si k ∈ {1, 2, . . . , n}, xk si k ∈ {1, 2, . . . , n},
où γk = et zk =
βk−n si k ∈ {n + 1, . . . , n + m} yk−n si k ∈ {n + 1, . . . , n + m}
Donc x + y ∈ Vect(A). Et de même on montre que λ.x ∈ Vect(A) lorsque λ ∈ K et x ∈ Vect(A)
Remarques 1.2.1
1. On vérifie facilement que Vect(A) est le plus petit sous-espace vectoriel de E contenant
A, c’est à dire, si F est un autre sous-espace vectoriel de E qui contient A, alors F contient
aussi Vect(A)
2. Si A = ∅ alors {0E } est le plus petit sous-espace vectoriel contenant ∅. Donc on peut
écrire Vect(∅) = {0E } et c’est pour cela qu’on convient d’écrire :

0E = ∑ αi.xi
i∈∅

Définition 1.2.2
Soient E un K-espace vectoriel, une partie A de E est dite génératrice si
E = Vect(A)

15 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 16

Exemple 1.2.1
1. A = ∅ est une partie génératrice de l’espace vectoriel nul {0E }, car on a vu que {0E } =
Vect(∅)
2. E est une partie génératrice de E
3. A = {e1 , e2 , . . . , en } est une partie génératrice du K-espace vectoriel K n , où :

e1 = (1K , 0, . . . , 0) , e2 = (0, 1K , 0, . . . , 0) , . . . , en = (0, . . . , 0, 1K )

4. A = {1, X, X 2 , . . . , X n , . . .} est une partie génératrice du K-espace

vectoriel K[X] des polynômes à coefficients dans K

1.2.2 Partie libre

Définition 1.2.3
Soient E un K-espace vectoriel et L une partie de E
– Si L est finie, L = {x1 , x2 , . . . , xn }, on dit que L est libre si

∀α1 , α2 , . . . , αn ∈ K , α1 .x1 + α2 .x2 + · · · + αn .xn = 0 =⇒ α1 = α2 = · · · = αn = 0

– Si L est infinie, on dit que L est libre, si toute partie finie de L est libre
– Une partie de E qui n’est pas libre est dite liée

Exemple 1.2.2
1. L = ∅ est, par convention, une partie libre du K-espace vectoriel nul E = {0E }
2. L = {x} où x ∈ E avec x 6= 0, est une partie libre de E
3. L = {e1 , e2 , . . . , en }, où e1 = (1K , 0, . . . , 0), e2 = (0, 1K , 0, . . . , 0),
. . . , en = (0, . . . , 0, 1K ), est une partie libre du K-espace vectoriel K n
4. L = {x(m) : m ∈ N}, où ∀m ∈ N , x(m) = (xm,n )n∈N
(
1 Si n = m
où ∀m, ∀n, xm,n =
0 Si n 6= m

est une partie libre du K-espace vectoriel K N de toutes les suites de K

5. L = {1, X, X 2 , . . . , X n , . . .} est une partie libre de K[X]
6. L = { fy : y ∈ K ∗ } est une partie libre du K-espace vectoriel K I de toutes les applications
de I vers K, 
y si x = y
où ∀y ∈ K , ∀x ∈ K , fy (x) =
0 si x 6= y

1.2.3 Base
Définition 1.2.4
Soit E un K-espace vectoriel, on dit qu’une partie B de E forme une base de E si B est à la fois
libre et génératrice

16 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 17

Remarques 1.2.2
– En fait, une base de E est une famille (xi )i∈I d’éléments de E tels que :
i) ∀i ∈ I, ∀ j ∈ I, i 6= j =⇒ xi 6= x j
ii) B = {xi : i ∈ I} est une partie de E qui est à la fois libre et génératrice
– Donc si B est une partie de E qui forme une base de E, alors "le nombre" de bases qu’on
peut former à partir de B est égal au "nombre" de permutations qu’on peut faire sur les
éléments de B
Exemple 1.2.3
1. Par convention B = ∅ est une base de l’espace vectoriel nul E = {0}
2. B = {e1 , e2 , . . . , en } , où e1 = (1K , 0, . . . , 0), e2 = (0, 1K , 0, . . . , 0), . . . , en = (0, . . . , 0, 1K ) ,
forme une base du K-espace vectoriel K n , donc ∀σ ∈ Sn , (eσ(1) , eσ(2) , . . . , eσ(n) ) est une
base de K n
3. B = {1, X, X 2 , . . . , X n , . . .} forme une base de K[X]. Si donc on pose pour tout n, en = X n ,
alors (en )n∈N est une base de E et pour toute permutation σ : N → N, (eσ(n) )n∈N est aussi
une base de E
Lemme 1.2.1
Soient E un K-space vectoriel, L une partie libre de E et x ∈ E avec x ∈
/ L. Alors

x∈
/ Vect(L) ⇐⇒ L ∪ {x} est libre

Preuve 1.2.2
Par contraposée, il suffit de montrer que

x ∈ Vect(L) ⇐⇒ L ∪ {x} est liée

(=⇒) Trivial
(⇐=) Supposons que L ∪ {x} est liée, donc, par définition, il existe x1 , x2 , . . . , xn éléments de
L ∪ {x} et il existe α1 , α2 , . . . , αn éléments de K non tous nuls, tels que
n
∑ αixi = 0
i=1

Puisque L est libre, alors il existe un i0 , 1 ≤ i0 ≤ n, tel que xi0 = x et pour la même raison,
puisque (α1 , α2 , . . . , αn ) 6= (0, 0, . . . , 0), on aura αi0 6= 0. Donc
n
x= ∑ αixi
i=1
i6=i0

Par suite x ∈ Vect(L)

Théorème 1.2.1 (Caractérisation d’une base)

Soient E un K-espace vectoriel et B une partie de E. Alors les propositions suivantes sont équi-
valentes :
i) B forme une base de E
ii) B est une partie génératrice minimale de E
iii) B est une partie libre maximale de E.

17 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 18

Preuve 1.2.3
i) =⇒ ii) Supposons que B forme une base de E et soit A l’ensemble de toutes les parties
génératrice de E.
On doit montrer que B est un élément minimal de (A , ⊆)
Soit A un élément de A tel que A ⊆ B, a-t-on A = B ? Supposons par absurde que A 6= B, donc
il existe x tel que x ∈ A et x ∈ / B. Or A est une partie génératrice de E et x ∈ E donc il existe
x1 , x2 , . . . , xn ∈ A et il existe α1 , α2 , . . . , αn ∈ K tels que :
n
x = ∑ αi .xi
i=1

=⇒ {x, x1 , x2 , . . . , xn } est lié et {x, x1 , x2 , . . . , xn } ⊆ B, ce qui est absurde car B est libre. D’où le
résultat.
ii) =⇒ iii) Supposons que B est une partie génératrice minimale de E et soit L l’ensemble de
toutes les parties libres de E. On doit montrer que B est un élément maximal de (L , ⊆). Pour
cela, montrons d’abord que B est libre.
Supposons par absurde que B n’est pas libre, donc il existe x1 , x2 , . . . , xn ∈ B et il existe α1 , α2 , . . . , αn ∈
K tels que
n
∑ αi.xi = 0 et (α1 , α2 , . . . , αn ) 6= (0, 0, . . . , 0)
i=1

(α1 , α2 , . . . , αn ) 6= (0, 0, · · · , 0) =⇒ ∃i0 : αi0 6= 0

1 n
=⇒ xi0 = − ∑ αi.xi
αi0 i=1
i6=i0

=⇒ A = B \ {xi0 } est une partie génératrice de E

Ce qui contredit le fait que B est génératrice minimale. Donc B est libre
Montrons maintenant que B est libre maximale. Pour cela soit L ∈ L tel que B ⊆ L, a-t-on
B = L?
Supposons par absurde que B 6= L, donc il existe x tel que x ∈ L et x ∈ / B. Or E = Vect(B) donc
il existe x1 , x2 , . . . , xm ∈ B et il existe α1 , α2 , . . . , αm ∈ K tel que
m
x = ∑ αi .xi
i=1

=⇒ {x, x1 , x2 , . . . , xm } est lié

=⇒ L est liée , car {x, x1 , x2 , . . . , xm } ⊆ L. Ce qui est absurde , donc B = L et par suite B est libre
maximale.
iii) =⇒ i) Supposons que B est libre maximale et montrons que B forme une base de E. Pour
cela il suffit de montrer que E = Vect(B)
Supposons par absurde que E 6= Vect(B) et soit x ∈ E tel que x ∈ / Vect(B)

[x ∈
/ Vect(B) et B libre] =⇒ B ∪ {x} libre
Or B B ∪ {x}, ce qui est absurde, car B est libre maximale.

18 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 19

Remarque 1.2.1
Le théorème précédent nous permet, en utilisant le lemme de Zorn (Voir Annexe), de montrer
que tout espace vectoriel sur un corps commutatif quelconque admet au moins une base.
Théorème 1.2.2
Tout espace vectoriel admet au moins une base
Preuve 1.2.4
Soit E un K-espace vectoriel quelconque
Si E = {0}, alors B = ∅ est une base de E
Si E 6= {0}, considèrons l’ensemble L de toutes les parties libres de E. D’après le théorème
précédent il suffit de montrer que (L , ⊆) admet un élément maximal.
– L 6= ∅, car si x ∈ E avec x 6= 0, alors L = {x} est libre
– (L , ⊆) est innductif (à vérifier)
Donc d’après le lemme de Zorn, L admet au moins un élément maximal.
Exemple 1.2.4
1. B = ∅ est une base de E = {0}
2. B = (e1 , e2 , . . . , en ) où e1 = (1K , 0, . . . , 0), e2 = (0, 1K , 0, . . . , 0), . . . ,
en = (0, . . . , 0, 1K ) , est une base du K-espace vectoriel K n
3. B = (1, X, X 2 , . . . , X n , . . .) est une base du K-espace vectoriel K[X]
4. D’après le theorème précédent, R considèré comme espace vectoriel sur Q admet au
moins une base. Cependant personne n’a jamais pu construire une telle base ! ! !

1.3 Espaces vectoriels de dimension finie

1.3.1 Définition et exemples
Définition 1.3.1
Soit E un K-espace vectoriel. On dit que E est de dimension finie sur K si E possède au moins
une partie génératrice finie. Dans le cas contraire on dit que E est de dimension infinie sur K
Exemple 1.3.1
1. Soit K un corps commutatif, alors pour tout entier n ≥ 1, K n est de dimention finie sur K,
car {e1 , e2 , . . . , en } est une partie génératrice finie de K n , où :
e1 = (1, 0, . . . , 0), e2 = (0, 1, 0 . . . , 0), . . . , en = (0, . . . , 0, 1)
2. Pour tout corps commutatif K et pour tout entier n ≥ 1, le sous-espace vectoriel de K[X]
défini par :
En = {P ∈ K[X] : deg(P) ≤ n}
a pour partie génératrice {1, X, X 2 , . . . , X n } donc il est de dimension finie
3. Si E est un K-espace vectoriel de dimension finie, alors tout sous-espace vectoriel de E
est aussi de dimension finie (Pour la justification Corollaire 1.3.2)
4. Si E est de dimension finie sur K et si F est un sous-espace vectoriel quelconque de E,
alors E/F, l’espace vectoriel quotient, est aussi de dimension fini sur K. Car si {x1 , x2 , . . . , xm }
est une partie génératrice de E alors il est facile de voir que {x1 , x2 , . . . , xm }

19 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 20

1.3.2 Theorème de la dimension finie

Lemme 1.3.1
Soient E un K-espace vectoriel, A et B deux parties de E et n un entier ≥ 0 tels que
i) Cardinal(A) = n et Cardinal(B) = n + 1
ii) Tout élément de B est combinaison linéaire d’éléments de A,
(c’est à dire B ⊆ Vect(A)). Alors B est liée

Preuve 1.3.1
On va procèder par récurrence sur n ≥ 0
Pour n = 0, on a A = ∅ et B = {y}, or par hypothèse on a y ∈ Vect(∅) donc y = 0 et par suite
B = {0} est liée
Pour n = 1, on a A = {x1 } et B = {y1 , y2 } et par hypothèse on a
y1 ∈ Vect(A) et y2 ∈ Vect(A)
=⇒ y1 = α.x1 et y2 = β.x1
=⇒ β.y1 − α.y2 = 0
Avec (α, β) 6= (0, 0) car sinon on aura y1 = y2 = 0 , ce qui est impossible, car Cardinal(B) = 2.
=⇒ B = {y1 , y2 } est liée
Supposons n ≥ 1 et le lemme vrai pour tout entier m < n
Posons A = {x1 , x2 , . . . , xn } et B = {y1 , y2 , . . . , yn , yn+1 }. On sait, par hypothèse, que pour tout
i, i = 1, 2, . . . , n, n + 1, on a
n
yi = ∑ αi, j .x j
j=1

Si ∀i, i = 1, 2, . . . , n, αi,n = 0 alors

{y1 , y2 , . . . , yn } ⊆ Vect({x1 , x2 , . . . , xn−1 }

Donc d’après l’hypothèse de récurrence, {y1 , y2 , . . . , yn } est liée et par suite B est liée.
Si maintenant, il existe un i0 tel que αi0 6= 0 alors quitte à reordonner les éléments de B, on peut
supposer que αn+1,n 6= 0
n
αn+1,n 6= 0 =⇒ yn+1 = ∑ αn+1, j .x j
j=1
n−1
1
=⇒ xn = (yn+1 − ∑ αn+1, j .x j )
αn+1,n j=1
n−1 n−1
αi,n
=⇒ ∀i, i = 1, 2, . . . , n, yi = ∑ αi, j .x j + (yn+1 − ∑ αn+1, j .x j )
j=1 αn+1,n j=1
n−1 αn+1, j
αi,n
=⇒ yi − .yn+1 = ∑ (αi, j − ).x j
αn+1,n j=1 αn+1,n

i,n α
Pour chaque i, i = 1, 2, . . . , n, posons zi = yi − αn+1,n yn+1
Donc tout élément de {z1 , z2 , . . . , zn } est combinaison linéaire d’éléments de {x1 , x2 , . . . , xn−1 }

20 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 21

et par suite, d’après l’hypothèse de récurrence, {z1 , z2 , . . . , zn } est liée, donc il existe
γ1 , γ2 , . . . , γn ∈ K tels que
n
∑ γi.zi = 0 et (γ1 , γ2 , . . . , γn ) 6= (0, 0, . . . , 0)
i=1

n n
αi,n
∑ γi.zi = 0 =⇒ ∑ γi.(yi − αn+1,n .yn+1) = 0
i=1 i=1

n
1
∀i, i = 1, 2, . . . , n, posons λi = γi et λn+1 = − αn+1,n ∑ γiαi,n
i=1

n+1
(γ1 , γ2 , . . . , γn ) 6= (0, 0, . . . , 0) =⇒ (λ1 , λ2 , . . . , λn , λn+1 ) 6= (0, 0 . . . , 0) (avec ∑ λi.yi = 0)
i=1
=⇒ B = {y1 , y2 , . . . , yn , yn+1 } est liée

D’où le résultat.
Corollaire 1.3.1
Soient E un K-espace vectoriel de dimension finie et A une partie génératrice finie de E. Alors
pour toute partie libre L de E on a :

Cardinal(L) ≤ Cardinal(A)

Preuve 1.3.2
Posons A = {x1 , x2 , . . . , xn } et supposons, par absurde, que L est une partie libre de E telle que
Cardinal(L) > n. Soient y1 , y2 , . . . , yn , yn+1 , n + 1 éléments deux à deux dintints de L , puisque
E = Vect(A) alors
{y1 , y2 , . . . , yn , yn+1 } ⊆ Vect(A)
donc d’après le lemme précèdent, {y1 , y2 , . . . , yn , yn+1 } est liée et par suite L est liée, ce qui est
absurde.
Corollaire 1.3.2
Soit E un K-espace vectoriel. Alors E est de dimension infinie, si et seulement si, E admet au
moins une partie libre infini.

Preuve 1.3.3
(=⇒) Supposons que E est de dimension infinie. Soit x1 ∈ E avec x1 6= 0. E est de dimension
infinie, donc Vect(x1 ) 6= E, soit x2 ∈ E tel que x2 ∈
/ Vect(x1 ), alors {x1 , x2 } est libre. Puisque
E est de dimension infinie, il existe x3 ∈ E tel que x3 ∈/ Vect(x1 , x2 ), donc {x1 , x2 , x3 } est libre.
Ainsi, par récurrence, on construit une suite (xn )n≥1 telle que pour tout n ≥ 1, {x1 , x2 , . . . , xn }
soit libre. Donc {xn : n ≥ 1} est une partie libre infinie de E.
(⇐=) Supposons que E possède une partie libre infinie L et supposons, par absurde, que E est
de dimension finie. Soit A une partie génératrice finie de E. D’après le corollaire précédent, on
aura Cardinal(L) ≤ Cardinal(A), ce qui est absurde.

21 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 22

Exemple 1.3.2
1. Pour tout corps commutatif K, K[X] est de dimension infinie, car
L = {1, X, X 2 , . . . , X n , . . .} est une partie libre infinie de K[X]
2. RN le R-espace vectoriel de toutes les suites réelles est de dimension infinie :
Pour chaque n ∈ N, soit e(n) la suite réelle définie par :

(n) 1 si m = n
∀n ∈ N , ∀m ∈ N , em =
0 si m 6= n
Alors L = {e(1) , e(2) , . . . , e(n) , . . .} est une partie libre infinie de RN
3. Si E admet un sous-espace vectoriel de dimension infinie alors E est de dimension infinie
4. RN est un sous-espace vectoriel de RR , l’espace vectoriel de toutes les applications de R
vers R, donc RR est de dimension infinie.
5. Un élément α ∈ R est dit algèbrique, s’il existe un polynôme non nul P ∈ Q[X], tel que
P(α) = 0. Si α n’est pas algèbrique, on dit que α est transcendant.
Il est facile de montrer, en utilisant le fait que Q est dénombrable, que l’enseble des élé-
ments algèbriques est dénombrable et puisque R n’est pas dénombrable, alors l’ensemble
des nombres transcendants est non vide et possède le même cardinal que R. Soit α ∈ R
un nombre transcendant, alors par définition,
L = {1, α, α2 , . . . , αn , . . .}
est une partie libre infinie de R considéré comme espace vectoriel sur Q. Donc R est un
Q-espace vectoriel de dimension infinie.
Exercice 1.3.1 (de recherche)
Montrer que π et e sont des nombres transcendants.
Théorème 1.3.1 (de la dimension finie)
Soit E un K-espace vectoriel de dimension finie, alors :
i) Toute base de E est de cardinal fini
ii) Toutes les bases de E ont le même cardinal.
Ce cardinal s’appelle la dimension de E sur K et se note dimK (E)
Preuve 1.3.4
i) Soient A une partie génératrice finie de E et B une base quelconque de E. B est libre donc
d’après les corollaires précèdents on a Cardinal(B) ≤ Cardinal(A), A est finie donc B est finie
ii) Soient B1 et B2 deux bases de E, donc d’après i) B1 et B2 sont finies .
B1 est libre et B2 est une partie génératrice finie de E donc d’après ce qui précède Cardinal(B1 ) ≤
Cardinal(B2 ). Et de la même manière on montre que Cardinal(B2 ) ≤ Cardinal(B1 )
D’où le résultat
Corollaire 1.3.3
Soit E un K-espace vectoriel de dimension finie = n. Alors :
i) Toute partie libre de E est de cardinal ≤ n
ii) Toute partie génératrice de E est de cardinal ≥ n
iii) Toute base de E est de cardinal = n
iv) Toute partie libre de cardinal = n est une base de E
v) Toute partie génératrice de cardinal = n est une base de E

22 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 23

Preuve 1.3.5
Exercice

Remarque 1.3.1
1. Le corrollaire précédent est très utile en pratique, pour montrer qu’une partie libre ou
génératrice d’un espace vectoriel E de dimension finie, forme une base de E. Nous allons
rappeler ce corollaire sous une autre forme :
Soit A une partie d’un K-espace vectoriel de dimension finie = n. Alors,

A libre =⇒ Cardinal(A) ≤ n

A génératrice =⇒ Cardinal(A) ≥ n

A libre et Cardinal(A) = n =⇒ A base de E

A génératrice et Cardinal(A) = n =⇒ A base de E

2. La dimension d’un K-espace vectoriel dépend du corps de base K, par exemple :

dimC (C) = 1 , dimR (C) = 2 et dimQ (C) = ∞

Proposition 1.3.1
Soit E un K-espace vectoriel de dimension finie :
i) Si F et G sont deux sous-espaces tel que E = F ⊕ G alors

dimK (E) = dimK (F) + dimK (G)

ii) Si F et G sont des sous-espaces vectoriels de E alors

dimK (F + G) = dimK (F) + dimK (G) − dimK (F ∩ G)

iii) Si F est un sous-espace vectoriel quelconque de E alors :

dimK (E/F) = dimK (E) − dimK (F)

iv) Si F et G sont deux sous-espaces vectoriels de E alors :


 F ∩ G = {0}
E = F ⊕ G ⇐⇒ et
dimK (F) + dimK (G) = dimK (E)


Preuve 1.3.6
i) Soient B1 une base de F et B2 une base de G, alors il est facile de vérifier que B = B1 ∪ B2
est une base de E et que B1 ∩ B2 = ∅ car une base ne contient jamais le vecteur nul, donc
Cardinal(B) = Cardinal(B1 ) +Cardinal(B2 )
ii) Soit H un supplémentaire de F ∩ G dans G, alors on a G = (F ∩ G) ⊕ H, et par suite

23 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 24

dimK (G) = dimK (F ∩ G) + dimK (H)

Or on vérifie facilement que F + G = F ⊕ H donc :
dimK (F + G) = dimK (F + G) = dimK (F) + dimK (H)
= dimK (F) + (dimK (G) − dimK (F ∩ G))
D’o‘u le résultat.
iii) Soit G un supplémentaire de F dans E et soit B = {x1 , x2 , . . . , xm } une base de G. Pour tout
x ∈ E, on a x = y + z avec y ∈ F, z ∈ G et z = α1 .x1 + α2 .x2 + · · · + αm .xm
m
=⇒ x = ∑ αi .xi
i=1

=⇒ {x1 , x2 , . . . , xm } est une partie génératrice de E/F

Soient α1 , α2 , . . . , αm ∈ K tel que :
m
∑ αi.xi = 0
i=1

m m
∑ αi.xi = 0 =⇒ ∑ αi.xi = 0
i=1 i=1
m
=⇒ ∑ αi.xi ∈ F
i=1
m
=⇒ ∑ αi.xi = 0 car F ∩ G = {0}
i=1
=⇒ α1 = α2 = · · · = αm = 0 car {x1 , x2 , . . . , xm } est libre
Donc B = {x1 , x2 , . . . , xm } est une base de E/F et par suite on a :
dimK (E/F) = Cardinal(B) = Cardinal(B) = dimK (G)
avec dimK (G) = dimK (E) − dimK (F)
D’où le résultat
iv) Exercice
Remarque 1.3.2
Soient E un K-espace vectoriel de dimension finie, F1 , F2 , . . . , Fn des sous-espaces vectoriels de
E. Alors
dimK (F1 + F2 + · · · + Fn ) ≤ dimK (F1 ) + dimK (F2 ) + · · · + dimK (Fn )

Corollaire 1.3.4
Soient E un K-espace vectoriel de dimension finie, F1 , F2 , . . . , Fn des sous-espaces vectoriels de
E. Alors on vérifie facilement par récurrence sur n que
(
E = F1 + F2 + · · · + Fn
E = F1 ⊕ F2 ⊕ · · · ⊕ Fn ⇐⇒
dimK (E) = dimK (F1 ) + dimK (F2 ) + · · · + dimK (Fn )

24 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 25

Preuve 1.3.7
(=⇒) Trivial
(⇐=) On sait que la somme F1 + F2 + · · · + Fn est directe, si et seulement si,

∀i, 1 ≤ i < n, Fi ∩ (Fi+1 + · · · + Fn ) = {0}

Supposons, par absurde, qu’il existe un i, 1 ≤ i < n, tel que

Fi ∩ (Fi+1 + · · · + Fn ) 6= {0}

Or dimK (Fi +Fi+1 +· · ·+Fn ) = dim(Fi )+dimK (Fi+1 +· · ·+Fn )−dimK (Fi ∩(Fi+1 +· · ·+Fn ) 6= {0})
Donc dimK (Fi + Fi+1 + · · · + Fn ) < dim(Fi ) + dimK (Fi+1 + · · · + Fn )
D’autre part, on a

dimK (F1 + F2 + · · · + Fn ) = dimK (F1 + F2 + · · · + Fi−1 + Fi+1 + · · · + Fn )

≤ dimK (F1 + F2 + · · · + Fi−1 ) + dimK (Fi + Fi−1 + Fi+1 + · · · + Fn )
< dimK (F1 + F2 + · · · + Fi−1 ) + dimK (Fi ) + dimK (Fi−1 + Fi+1 + · · · + Fn )
< dimK (F1 ) + dimK (F2 ) + · · · + dimK (Fn )

Ce qui est absurde.

1.4 Exercices
Exercice 1.4.1
On muni R∗+ de la loi interne notée ⊕ et définie par :

∀x ∈ R∗+ , ∀y ∈ R∗+ , x ⊕ y = xy

et d’une loi externe définie par :

∀λ ∈ R, ∀x ∈ R∗+ , λ · x = xλ

Montrer que (R∗+ , ⊕, ·) est un R-espace vectoriel

Exercice 1.4.2
Soient (E, +) un groupe commutatif et p un nombre premier
Trouver une condition necessaire et suffisante pour que E soit un Z/pZ-espace vectoriel
Exercice 1.4.3
Parmi les ensembles suivants lequel est un R-espace vectoriel ?
i) { f ∈ RR : f est croissante}
ii) { f ∈ RR : f (0) = 1}
iii) { f ∈ RR : f (1) = 0}
iv) { f ∈ RR : f continue et f (1) = 0 ou f (5) = 0}
v) { f ∈ RR : ∃(A, ϕ) ∈ R2 : ∀x ∈ R, f (x) = A cos(x + ϕ)}
Exercice 1.4.4
Soit E un K-espace vectoriel, où K est un corps commutatif quelconque

25 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 26

a) Montrer que si F1 et F2 sont deux sous-espaces vectoriels de E , alors F1 ∪ F2 est un

sous-espace vectoriel de E, si et seulement si , F1 ⊆ F2 ou F2 ⊆ F1
b) Soient n un entier ≥ 2 , F1 , F2 , . . . , Fn , des sous-espaces vectoriels de E. On suppose que
K est de caractéristique ≥ n. Montere que
F1 ∪ F2 ∪ · · · ∪ Fn est un sous-espace vectoriel de E, si et seulement si, il existe un i0 , 1 ≤
i0 ≤ n tel que ∀ j , j = 1, 2, . . . , n , Fj ⊆ Fi0

Exercice 1.4.5
Dans chacune des cas suivants, montrer que E est un espace vectoriel et déterminer une base de
E.
a) E = {P ∈ R3 [X] : P(X 2 ) = X 2 P(X)}
b) E = {P ∈ R3 [X] : P(−1) = P(0)}
c) E = {P ∈ R2 [X] : P( 21 ) = 2P(1)}
d) E = {(x, y, z,t) ∈ R4 : x + y + z + t = 0 et x + 2y − z − t = 0}
n
e) E = {(x1 , x2 , . . . , xn ) ∈ Rn : ∑ xi = 0}
i=1
f) Soit n ∈ N∗ et soit E est l’ensemble des fonctions f : [0, 1] −→ R telles que pour chaque
k ∈ {0, 1, . . . , n − 1}, f est constante sur ] nk , k+1
n [.

Exercice 1.4.6
Soient E un K-espace vectoriel de dimension finie, H1 et H2 deux hyperplans de E. Déterminer
la dimension de H1 ∩ H2 .
Exercice 1.4.7
Soient E un K-espace vectoriel F, G et H trois sous-espaces vectoriels de E tels que H ⊆ F ∪ G.
Montrer que H ⊆ F ou H ⊆ G
Exercice 1.4.8
On note F l’ensemble des (x, y, z) ∈ K3 , (où K = R ou C), tels que :

x2 + 2y2 + 2z2 + 2xy + 2xz = 0

Est-ce que F est un sous-espace vectoriel de K3 ?

Exercice 1.4.9
Soient F, G et H trois sous-espaces vectoriels d’un K-espace vectoriel E. Montrer que :

G ⊆ F =⇒ [F ∩ (G + H) = G + (F ∩ H)]

Exercice 1.4.10
Soit E le R-espace vectoriel de toutes les applications continues de R vers R
a) Pour a ∈ R on note fa , l’élément de E défini par :

∀x ∈ R , fa (x) = |x − a|

Montrer que ( fa )a∈R est une famille libre de E

26 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 27

b) Pour k ∈ N∗ on note gk l’élément de E défini par :

∀x ∈ R , gk (x) = (sin(x))k

Montrer que (gk )k∈N∗ est une famille libre de E

c) Montrer que { fa : a ∈ R} est une partie libre du R-espace vectoriel RR où pour chaque
a, fa est défine par :
∀x ∈ R, fa (x) = eax

Exercice 1.4.11
Soient E un K-espace vectoriel de dimension finie, F et G deux sous-espaces vectoriels de E de
même dimension. Montrer que F et G possède au moins un supplémentaire commun dans E
Exercice 1.4.12
Soient E un K-espace vectoriel de dimension finie, H1 et H2 deux hyperplans distincts de E.
Déterminer la dimension de H1 ∩ H2 .
Exercice 1.4.13
Soient E un K-espace vectoriel, (Fn )n≥0 une suite décroissante de sous-espaces vectoriels de E
et G un sous-espace vectoriel de E
a) On suppose G de dimension finie. Montrer que :
\ \
( Fn ) + G = (Fn + G)
n≥0 n≥0

b) Montrer, par un contre-exemple, que la proprièté précédente ne subsiste plus dans le cas
où G est de dimension infinie
Exercice 1.4.14
Soient E un K-espace vectoriel de dimension finie = n, F1 , F2 , . . . , Fk des sous-espaces vectoriels
de E. Montrer que
k k
\
∑ dim(Fj ) > n(k − 1) =⇒ Fj 6= {0}
j=1 j=1

Exercice 1.4.15
Soient K un corps commutatif, P un polynôme non nul de K[X] et (P) l’ideal engendré par P.
Montrer que K[X]/(P) est un K-espace vectoriel de dimension finie et déterminer sa dimension

Exercice 1.4.16
Soit K un corps commutatif, pour chaque a ∈ K, soit
Ea = {P ∈ K[X] : P(a) = 0}. Montrer que

∀a ∈ K, ∀b ∈ K, a 6= b =⇒ K[X] = Ea + Eb

La somme est-elle directe ?

Exercice 1.4.17
Soit K un corps commutatif et soit (Pn )n∈N une suite de polynômes de K[X] telles que pour tout
n ∈ N, deg(Pn ) = n

27 Mohamed HOUIMDI
CHAPITRE 1. COMPLÉMENTS SUR LES ESPACES VECTORIELS 28

1. Montrer que (Pn )n∈N est une base de K[X]

2. En déduire que tout endomorphisme de K[X] qui conserve le degré est un automorphisme

Exercice 1.4.18
Soient E un K-espace vectoriel de dimension finie, F et G deux sous-espaces vectoriels de E
avec dimK (F) = dimK (G). Montrer que F et G possède un supplémentaire commun dans E.

Exercice 1.4.19
Soit E le C-espace vectoriel des fonction dérivables de R dans C. Pour f ∈ E et a ∈ R, on définit
la fonction fa par
∀x ∈ R, fa (x) = f (x + a)
Puis on pose Ff = Vect({ fa : a ∈ R}) et on note V l’ensemble des fonction f ∈ E telles que Ff
soit de dimension finie.
1. Montrer que V est un sous-espace vectoriel de E.
2. Pour f ∈ V et λ ∈ C on définit la fonction g( f ,λ) par

∀x ∈ R, g( f ,λ) (x) = eλx f (x)

Montrer que g( f ,λ) ∈ V .

3. Montrer que V contient tous les polynômes.
4. On pose W = Vect({g(P,λ) : λ ∈ C et P ∈ R[X]}).
Montrer que W ⊆ V .
5. Soit G un sous-espace vectoriel de dimension finie de E. Soit (gn )n≥1 une suite de fonc-
tions de G qui converge simplement sur R vers une fonction g. Montrer que g ∈ G.
6. Montrer que
∀ f , f ∈ V =⇒ f 0 ∈ Ff
(On pourra considérer la suite de fonctions hn = n( f 1 − f )).
n
7. Monter que tout élément de V est solution d’une équation différentielle linéaire à coëffi-
cients constants. En déduire que V = W .

28 Mohamed HOUIMDI
Chapitre 2
Applications linéaires-Matrices

2.1 Applications linéaires

2.1.1 Définition et propriètés élémentaires
Définition 2.1.1
Soient E et F deux espaces vectoriel sur le même corps K et u : E → F une application
1. On dit que u est linéaire (ou K-linéaire) si :
– ∀x , y ∈ E , u(x + y) = u(x) + u(y)
– ∀α ∈ K , ∀x ∈ E , u(α.x) = α.u(x)
2. Si une application linéaire u est bijective, on dit que u est un isomorphisme d’espaces
vectoriels et que E et F sont isomorphes
3. Si u : E → E est linéaire on dit que u est un endomorphisme de E et si de plus u est
bijective, on dit que u est un automorphisme de E
4. Si u : E → K est linéaire on dit que u est une forme linéaire sur E

Notations 2.1.1
– LK (E, F) désigne l’ensemble de toutes les applications linéaires de E vers F
– LK (E) désigne l’ensemble de tous les endomorphismes de E
– GLK (E) désigne l’ensemble de tous les automorphismes de E

Exemple 2.1.1
1. Soient E un K-espace vectoriel et F un sous-espace vectoriel de E alors :

s : E −→ E/F
x 7−→ s(x) = x

est linéaire
2. Soit E un K-espace vectoriel de dimension finie = n et (e1 , e2 , . . . , en ) une base de E, alors
l’application :
u : K n −→ E
(α1 , α2 , . . . , αn ) 7−→ ∑ni=1 αi .ei

29
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 30

est un isomorphisme d’espace vectoriel.

Donc tous les K-espaces vectoriels de même dimension sur le même corps K sont iso-
morphes.
Définition 2.1.2
Soient (A , +, ×) un anneau quelconque et K un corps commutatif. On dit que A est une K-
algèbre (ou une algèbre sur K), s’il existe une loi externe :

K × A −→ A
(λ, x) 7−→ λ.x

telle que,
i) (A , +, .) soit un K-espace vectoriel.
ii) ∀λ ∈ K, ∀x ∈ A , ∀y ∈ A , λ.(x × y) = (λ.x) × y = x × (λ.y).
Proposition 2.1.1
Soient E et F deux K-espaces vectoriels. Pour u et v deux éléments de LK (E, F) et pour α ∈ K
on définit les applications u + v et α.u par :

∀x ∈ E , (u + v)(x) = u(x) + v(x) et (α.u)(x) = α.u(x)

Pour u et v deux endomorphismes de E, on rappelle que u ◦ v est définie par

∀x ∈ E, (u ◦ v)(x) = u(v(x))

Alors
i) (LK (E, F), +, .) est un K-espace vectoriel
ii) (LK (E), +, ◦) est un anneau unitaire, non intègre et non commutatif,
(si dimK (E) > 1).
iii) (LK (E), +, ◦, .) est une K-algèbre.
iv) (GLK (E), ◦) est un groupe, c’est le groupe des éléments inversibles de l’anneau
(LK (E), +, ◦).
Preuve 2.1.1
Exercice
Théorème 2.1.1
Soient E et F deux K-espaces vectoriels de dimension finie sur K. Alors LK (E, F) est de dimen-
sion finie sur K et on a :

dimK (LK (E, F)) = dimK (E) × dimK (F)

Preuve 2.1.2
0 0 0
Soient (e1 , e2 , . . . , em ) une base de E , (e1 , e2 , . . . , en ) une base de F et
B = {ui, j : 1 ≤ i ≤ n , 1 ≤ j ≤ m} la partie de LK (E, F) définie par :

0 si k 6= j
ui, j (ek ) = 0
ui, j (e j ) = ei

30 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 31

Alors B forme une base de LK (E, F) avec Cardinal(B) = m × n

2.1.2 Image et Noyau d’une application linéaire

Proposition 2.1.2
Soient E et F deux K-espaces vectoriels et u : E → F une application linéaire Alors :
i) L’image d’un sous-espace vectoriel de E est un sous-espace vectoriel de F, donc en parti-
culier Im(u) = u(E) est un sous-espace vectoriel de F, appelé image de u
ii) L’image réciproque d’un sous-espace vectoriel de F est un sous-espace vectoriel de E,
donc en particulier Ker(u) = u−1 ({0F }) est un sous-espace vectoriel de E, appelé noyau
de u
Preuve 2.1.3
Exercice

Théorème 2.1.2
Soient E et F deux K-espaces vectoriels et u : E → F une application linéaire, alors
i) u est injective, si et seulement si, Ker(u) = {0E }.
ii) u est surjective, si et seulement si, Im(u) = E.
iii) E/Ker(u) est isomorphe à Im(u).

Preuve 2.1.4
Soit u : E/Ker(u) −→ Im(u) la relation définie par :

∀x ∈ E, u(x) = u(x)

– u définit bien une application, car si x = y alors x − y = 0 mod (Ker(u)), donc

x − y ∈ Ker(u) et par suite u(x − y) = 0, donc u(x) = u(y)
– Il est facile de vérifier que u est linéaire
– Si x ∈ Ker(u) alors u(x) = 0 et par conséquent u(x) = 0 donc
x ∈ Ker(u) et ainsi x = 0

=⇒ Ker(u) = {0}
=⇒ u est injective

– Il est trivial que u est surjective

Remarque 2.1.1
Soient s : E/Ker(u) −→ E la surjection canonique et j : Im(u) −→ F l’injection canonique,
alors on vérifie facilement que :
u = jou ◦ s
C’est ce qu’on appelle la décomposition canonique de u :
u
E −−−→ F
 x
sy
 j

u
E/Ker(u) −−−→ Im(u)

31 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 32

Corollaire 2.1.1 (Théorème du rang)

Soient E un K-espace vectoriel de dimension finie et F un K-espace vectoriel quelconque.
Alors :
i) Im(u) est de dimension finie
ii) dimK (E) = dimK (Ker(u)) + dimK (Im(u))

Preuve 2.1.5
i) Si A = {x1 , x2 , . . . , xm } est une partie génératrice finie de E alors u(A) = {u(x1 ), u(x2 ), . . . , u(xm )}
est une partie génératrice finie de Im(u).
ii) E/Ker(u) est isomorphe à Im(u) donc dimK (E/Ker(u)) = dimK (Im(u)).
Or dimK (E/Ker(u)) = dimK (E) − dimK (Ker(u)), d’où le résultat.

Corollaire 2.1.2
Soient E et F deux K-espaces vectoriels de dimension finie avec
dimK (E) = dimK (F) et u une application linéaire de E vers F, alors les propositions suivantes
sont equivalentes :
i) u est injectif
ii) u est surjective
iii) u est bijective

Preuve 2.1.6
i) =⇒ ii) Si u est injectif alors Ker(u) = {0}, donc d’après le corollaire précèdent dimK (E) =
dimK (Im(u)) donc dimK (Im(u)) = dimK (F) et par suite
Im(u) = F car Im(u) est un sous-espace vectoriel de F

ii) =⇒ iii) Si u est surjectif alors Im(u) = F donc dimK (Im(u)) = dimK (F) = dimK (E) et
d’après le corollaire précèdent, dimK (Ker(u)) = 0 et par suite Ker(u) = {0}

iii) =⇒ i) Trivial
Remarque 2.1.2
Soient E un K-espace vectoriel de dimension finie et u un endomorphisme de E, alors on a
toujours :
dimK (E) = dimK (Ker(u)) + dimK (Im(u))
Par contre on a pas toujours :
E = Ker(u) ⊕ Im(u)
Néanmoins, on a la proposition suivante :

Proposition 2.1.3
Soient E un K-espace vectoriel de dimension finie et u un endomorphisme de E, alors les pro-
positions suivantes sont equivalentes :
i) E = Ker(u) ⊕ Im(u)
ii) Im(u) = Im(u2 )
iii) Ker(u) = Ker(u2 )
iv) Ker(u) ∩ Im(u) = {0}

32 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 33

Preuve 2.1.7
i) =⇒ ii) Pour tout endomorphisme u on a toujours Im(u2 ) ⊆ Im(u), donc il suffit de montrer
que Im(u) ⊆ Im(u2 )
Pour cela soit y ∈ Im(u) donc y = u(x) où x ∈ E, or E = Ker(u) + Im(u) donc x = x1 + u(x2 )
avec x1 ∈ Ker(u)
=⇒ y = u(x) = u2 (x2 )
=⇒ y ∈ Im(u2 )

ii) =⇒ iii) On a toujours , pour tout endomorphisme u, Ker(u) ⊆ Kre(u2 ), et on a aussi

dimK (E) = dimK (Ker(u)) + dimK (Im(u)) = dimK (Ker(u2 )) + dimK (Im(u2 ))

Or dimK (Im(u)) = dimK (Im(u2 )) donc dimK (Ker(u2 )) = dimK (Ker(u)) et par suite on a Ker(u2 ) =
Ker(u), car Ker(u) ⊆ Ker(u2 )

iii) =⇒ iv) Soit y ∈ Ker(u) ∩ Im(u) alors u(y) = 0 et y = u(x) donc u2 (x) = 0 et par suite
x ∈ Ker(u2 ) donc x ∈ Ker(u). D’où y = u(x) = 0

iv) =⇒ i) Trivial car on sait que :


 Ker(u) ∩ Im(u) = {0}
E = Ker(u) ⊕ Im(u) ⇐⇒
dimK (E) = dimK (Ker(u)) + dimK (Im(u))


2.2 Calcul matriciel

2.2.1 Opérations sur les matrices
Définition 2.2.1
Soit K un corps commutatif, une matrice A à coefficients dans K est une suite double finie
(ai j )1≤i≤m , 1≤ j≤n d’éléments de K.
On pose A = (ai j )1≤i≤m , 1≤ j≤n .

Remarque 2.2.1
1. Une matrice A = (ai j )1≤i≤m , 1≤ j≤n est représentée par un tableau de la manière suivante :
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
A =  ..
 
.. .. 
 . . . 
am1 am2 . . . amn

Ce tableau est constitué de m lignes et n colonnes.

Pour chaque i, 1 ≤ i ≤ m et pour chaque j, 1 ≤ j ≤ n, i indique la iieme ligne et j la
jieme colonne. Donc A est une matrice à m lignes et n colonnes. On dit que A est une
(m, n)-matrice.

33 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 34

2. Pour tout corps commutatif K et pour tout entier n ≥ 1, les éléments de K n peuvent être
considérés comme des (n, 1)-matrices ou des (1, n)-matrices, ainsi si X ∈ K n , alors, sui-
vant les besoins, X peut s’écrire sous l’une des formes suivantes :
 
x1
x2 

X =  ..  ou X = x1 , x2 , . . . , xn
 
.
xn

3. Si m = n, on dit que A est une matrice carrée d’ordre n.

Notations 2.2.1
1. On désigne par Mm,n (K) l’ensemble de toutes les (m, n)-matrices à coefficients dans K.
On munit Mm,n (K) d’une addition et d’une loi externe de la manière suivante :

Si A = (ai j )1≤i≤m , 1≤ j≤n et B = (bi j )1≤i≤m , 1≤ j≤n

alors,
A + B = (ci j )1≤i≤m , 1≤ j≤n , où ∀i, ∀ j, ci j = ai j + bi j
Si λ ∈ K, alors λ.A = (ci j )1≤i≤m , 1≤ j≤n , où ∀i, ∀ j, ci j = λai j
2. Pour A ∈ Mm,n (K) et B ∈ Mn,p (K), on définit le produit de A par B, qu’on note A × B ou
AB, par
n
AB = (ci j )1≤i≤n, 1≤ j≤p , où ∀i, ∀ j, ci j = ∑ aik bk j
k=1
Donc on aura
A ∈ Mm,n (K) et B ∈ Mn,p (K) =⇒ AB ∈ Mm,p (K)
3. On désigne par Mn (K) l’ensemble de toutes les matrices carrées d’ordre n à coefficients
dans K. Donc si A ∈ Mn (K) et B ∈ Mn (K) alors AB ∈ Mn (K).
La multiplication des matrices définit donc une loi interne sur Mn (K)

Proposition 2.2.1
Soit K un corps commutatif quelconque et n un entier ≥ 2. Alors,
i) (Mm,n (K), +, ·) est un K-espace vectoriel.
ii) (Mn (K), +, ×) est une K-algèbre unitaire, non commutatif et non intègre.

Preuve 2.2.1
i) Il est facile de vérifier que (Mm,n (K), +, ·) est un K-espace vectoriel, l’élément neutre de
l’addition est la matrice nulle dont tous les coefficients sont nuls.
ii) Il suffit de vérifier que la multiplication est associative. Soient A, B et C trois éléments
de (Mn (K), posons :

A(BC) = (αi j )1≤i, j≤n et (AB)C = (βi j )1≤i, j≤n

34 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 35

Alors on a :
n n
αi j = ∑ ( ∑ aik bkl )cl j )
l=1 k=1
n n
= ∑ ∑ aik bkl cl j
k=1 l=1

n n
βi j = ∑ aik ( ∑ bkl cl j )
k=1 l=1
n n
= ∑ ∑ aik bkl cl j
k=1 l=1

Donc on voit que ∀i, ∀ j, αi j = βi j

L’élément neutre de la multiplication est la matrice identité :
 
1 0 0 ... 0
0 1 0 . . . 0
. . . . . . .. 
 
I= 0 0 .


. .
 .. .. . . . . . . 0


0 0 ... 0 1

Proposition 2.2.2
Pour chaque i, 1 ≤ i ≤ m et pour chaque j, 1 ≤ j ≤ n, on considère la matrice Ei j de Mm,n (K)
dont tous les coefficients sont nuls, sauf celui de la iieme ligne et la jieme colonne qui est égal à
1. Alors {Ei j : 1 ≤ i ≤ m j, 1 ≤ j ≤ n} forme une base de Mm,n (K), appelée base canonique de
Mm,n (K).

Preuve 2.2.2
Exercice

Définition 2.2.2
Les matrices Ei j , 1 ≤ i ≤ m, 1 ≤ j ≤ n, sont appelées les matrices élémentaires de Mm,n (K).

Remarque 2.2.2
Soit Mn (K) l’algèbre des matrices carrées à coëfficients dans un corps commutatif K. Alors on
vérifie facilement qu’on a
(
0 si j 6= k
∀ i, j, k, l ∈ {1, 2, . . . , n}, Ei j Ekl =
Eil si j = k

35 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 36

2.2.2 Trace d’une matrice carrée

Définition 2.2.3
Soient K un corps commutatif et Mn (K) l’algèbre des matrices carrées à coëfficients dans K. Soit
A = (ai j )1≤i, j≤n une matrice de Mn (K), on définit la trace de A, qu’on note Tr(A) par

n
Tr(A) = ∑ aii
i=1

Proposition 2.2.3
Soient K un corps commutatif et Mn (K) l’algèbre des matrices carrées à coëfficients dans K.
Alors
i) ∀A ∈ Mn (K), ∀B ∈ Mn (K), Tr(A + B) = Tr(A) + Tr(B)
ii) ∀λ ∈ K, ∀A ∈ Mn (K), Tr(λA) = λTr(A)
iii) ∀A ∈ Mn (K), ∀B ∈ Mn (K), Tr(AB) = Tr(BA).

Preuve 2.2.3
i) Exercice
ii) Exercice
ii) Posons A = (ai j )1≤i, j≤n , B = (bi j )1≤i, j≤n , AB = (ci j )1≤i, j≤n et
BA = (di j )1≤i, j≤n , alors on a
n n n
Tr(AB) = ∑ cii = ∑ ( ∑ ai j b ji)
i=1 i=1 j=1
n n n n
= ∑ ( ∑ ai j b ji) = ∑ ( ∑ b jiai j )
j=1 i=1 j=1 i=1
n
= ∑ djj = Tr(BA)
j=1

Définition 2.2.4
Soient K un corps commutatif et Mn (K) l’algèbre des matrices carrées à coëfficients dans K.
Deux matrices A et B de Mn (K) sont dites semblables, s’il existe une P ∈ Mn (K) inversible telle
que B = P−1 AP.

Corollaire 2.2.1
Soient K un corps commutatif et Mn (K) l’algèbre des matrices carrées à coëfficients dans K.
Alors deux matrices semblables de Mn (K) ont même trace.

Preuve 2.2.4
Soient A et B deux matrices semblables, donc B = P−1 AP, où P est une matrice inversible de
Mn (K). Donc on aura

Tr(B) = Tr(P−1 (AP)) = Tr((AP)P−1 ) = Tr(A(PP−1 )) = Tr(A)

36 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 37

2.3 Applications linéaires et matrices

2.3.1 Matrice d’une application linéaire
Soit A = (ai j )1≤i≤m , 1≤ j≤n une (m, n)-matrice, alors A peut être considérée comme une applica-
tion linéaire, qu’on note encore A, de K n vers K m de la manière suivante :
Pour chaque X ∈ K n , l’image de X, qu’on note AX, est définie par :
    n 
a11 a12 . . . a1n x1 ∑ j=1 a1 j x j
 a21 a22 . . . a2n  x2   ∑n a2 j x j 
    j=1
Y = AX =  .. ..   ..  = 
 
.. . . .. 
 . . . .  .   . 
am1 am2 . . . amn xn n
∑ j=1 am j x j

Autrement dit,  
y1
 y2  n
Si Y =  ..  alors ∀i, 1 ≤ i ≤ m, yi = ∑ ai j x j
 
. j=1
ym
Soient maintenant E et F deux K-espaces vectoriels de dimension finie et u : E −→ F une
application linéaire. Soient β = (e1 , e2 , . . . , em ) une base de E et β0 = (e01 , e02 , . . . , e0n ) une base de
F. Pour chaque j, 1 ≤ j ≤ m, on a u(e j ) ∈ F, donc on aura :
n
∀ j, 1 ≤ j ≤ m, u(e j ) = ∑ ai j e0i
i=1

Définition 2.3.1
La matrice A = (ai j )1≤i≤n , 1≤ j≤m s’appelle la matrice de u par rapport aux bases β et β0 et se note
A = Mat(u, β, β0 )

Remarque 2.3.1
1. Si dimK (E) = m et dimK (F) = n et si β et β0 sont respectivement des bases de E et F,
alors la matrice d’une application linéaire de E vers F est une (n, m)-matrice.
2. E un K-espace vectoriel de dimension finie = n. Si u : E −→ E est un endomorphisme et
si β est une base de E alors la matrice de u par rapport à β est une matrice carrée d’ordre
n:  
a11 a12 . . . a1n
a21 a22 . . . ann 
Mat(u, β) =  ..
 
.. . . .. 
 . . . . 
an1 an2 . . . ann

37 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 38

2.3.2 Matrice de passage - Changement de base

Définition 2.3.2
Soient E un K espace vectoriel de dimension finie = n, (e1 , e2 , . . . , en ) et (e01 , e02 , . . . , e0n ) deux
bases de E telles que
n
∀ j, 1 ≤ j ≤ n, e0j = ∑ pi, j ei
i=1
Alors la matrice P = (pi, j )1≤i, j≤n s’appelle la matrice de passage de la base (e1 , e2 , . . . , en ) à la
base (e01 , e02 , . . . , e0n ).

Remarque 2.3.2
1. Par définition, la matrice de passage P de la base (e1 , e2 , . . . , en ) à la base (e01 , e02 , . . . , e0n )
est la matrice de l’endomorphisme p de E défini par

∀ j, 1 ≤ j ≤ n, p(e j ) = e0j

L’endomorphisme p transforme une base en une base, donc p est un automorphisme et

par suite, la matrice P est inversible.
2. Si P est la matrice de passage de la base (e1 , e2 , . . . , en ) à la base (e01 , e02 , . . . , e0n ), alors P−1
est la matrice de passage de la base (e01 , e02 , . . . , e0n ) à la base (e1 , e2 , . . . , en ).
3. Soit x ∈ E tel que
n n
x = ∑ xi ei et x = ∑ x0j e0j
i=1 j=1

x10
   
x1
x2  x0 
0  2
Posons X =  ..  et X =  .. 
 
. .
xn xn0
Nous avons
n
x = ∑ x0j e0j
j=1
n n
= ∑ x0j ( ∑ pi, j ei)
j=1 i=1
n n
= ∑ ( ∑ pi, j x0j )ei
i=1 j=1

Donc on voit que

n
∀i, 1 ≤ i ≤ n, xi = ∑ pi, j x0j
j=1

Par suite on a
X = PX 0

38 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 39

Théorème 2.3.1 (de changement de base)

Soient E et F deux K-espaces vectoriels de dimension finie, n et m respectivement. u : E −→ F
une application linéaire de E vers F.
β = (e1 , e2 , . . . , en ) et γ = (v1 , v2 , . . . , vn ) deux bases de E.
β0 = (e01 , e02 , . . . , e0m ) et γ0 = (v01 , v02 , . . . , v0m ) deux bases de F.
P la matrice de passage de β à γ et Q la matrice de passage de β0 à γ0 .
A = Mai(u, β, β0 ) et B = Mat(u, γ, γ0 ). Alors on a

B = Q−1 AP

Preuve 2.3.1
β et γ sont deux bases de E, donc tout x ∈ E, sécrit
n n
x = ∑ xi ei et x = ∑ yi vi
i=1 i=1

β0 et γ0 sont deux bases de F, donc pour tout x ∈ E, u(x) s’écrit

n n
u(x) = ∑ xi0 e0i et u(x) = ∑ y0i v0i
i=1 i=1

Posons
x10 y01
       
x1 y1
x2  x0  y2  y0 
 2  2
X =  ..  , X 0 =  ..  , Y =  ..  et Y 0 =  .. 
   
. . . .
xn xn 0 yn y0n
Alors on sait que
X = PY, X 0 = QY 0 , X 0 = AX et Y 0 = BY
On en déduit que, d’une pat, ona ∀Y ∈ Mn,1 (K), BY = (Q−1 AP)Y . Or ceci n’est possible que si
B = Q−1 AP.

Corollaire 2.3.1
Soient E un K-espace vectoriel de dimension finie n et u un endomorphisme de E.
β = (e1 , e2 , . . . , en ) et β0 = (e01 , e02 , . . . , e0n ) deux bases de E.
A = Mat(u, β), B = Mat(u, β0 ) et P la matrice de passage de β à β0 . Alors on a

B = P−1 AP

Preuve 2.3.2
Exercice

39 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 40

2.3.3 Rang - Matrices équivalentes

Rappelons que toute matrice A = (ai j )1≤i≤m,1≤ j≤n peut-être interprétée comme une application
linéaire de Mn,1 (K) vers Mm,1 (K), notée encore A et définie par :

∀X ∈ Mn,1 (K), A(X) = AX

.
Définition 2.3.3
i) Soient E, F deux K-espaces vectoriels de dimension finie et u : E −→ F une application
linéaire de E vers F. On définit le rang de u, qu’on note rg(u), par

rg(u) = dimK (Im(u))

ii) Soit A une matrice de Mm,n (K), alors par définition, le rang de A est égal au rang de
l’application linéaire définie par A :

rg(A) = dimK (Im(A))

Remarque 2.3.3
1. E et F deux espaces vectoriels de dimension finie, n et m respectivement. u : E −→ F une
application linéaire et (e1 , e2 , . . . , en ) une base de E. Alors

Im(u) = Vect({u(e1 ), u(e2 ), . . . , u(en )})

Donc rg(u) = dimK (Vect({u(e1 ), u(e2 ), . . . , u(en )}).

2. Soit A = (ai j )1≤i≤m, 1≤ j≤n une matrice de Mm,n (K). Pour chaque j, 1 ≤ j ≤ n, soit v j
l’élément de Mm,1 (K) défini par :
 
a1 j
 a2 j 
v j =  .. 
 
 . 
am j

Alors v1 , v2 , . . . , vn s’appelles les vecteurs colonnes de la matrice A.

Soit (e1 , e2 , . . . , en ) la base canonique de Mn,1 (K), alors on aura

∀ j ∈ {1, 2, . . . , n}, Ae j = v j

Donc, on en déduit que le rang d’une matrice est égal à la dimension du sous-espace
vectoriel de Mm,1 (K) engendré par les vecteurs colonnes de A.
3. E et F deux espaces vectoriels de dimension finie, n et m respectivement.
u : E −→ F une application linéaire .
β = (e1 , e2 , . . . , en ) une base de E, β0 = (e01 , e02 , . . . , e0m ) une base de F et A = Mat(u, β, β0 ).
Alors
rg(u) = rg(A)

40 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 41

En effet, soit ϕ : Mm,1 (K) ←→ F l’isomorphisme canonique, défini par :

 
y1
 y2  n
∀Y ∈ Mm,1 (K), Y =  ..  =⇒ ϕ(Y ) = ∑ yi e0i
 
. i=1
ym

Alors il est facile de vérifier que ϕ(Im(A)) = Im(u), donc dimK (Im(A)) = dimK (Im(u)).

Définition 2.3.4
Soit K un corps commutatif, deux matrices A et B de Mm,n (K) sont dites équivalentes, s’il existe
deux matrices inversibles P ∈ Mn (K) et Q ∈ Mm (K) tel que

B = QAP

Remarque 2.3.4
Deux matrices équivalentes ont même rang.
Soient A et B deux matrices équivalenyes de Mm,n (K), alors il existe P ∈ GLn (K) et il existe
Q ∈ GLm (K), telles que B = QAP. Posons E = Mn,1 (K) et F = Mm,1 (K) et soit u : E −→ F
l’application linéaire de matrice A par rapport aux bases canoniques β et β0 de E et F respecti-
vement. Soient, d’autre part, γ la base de E dont P est la matrice de passage de β à γ et γ0 la base
de F dont Q est la matrice de passage de β0 à γ0 , alors d’après le théorème de changement de
base, B = Mat(u, γ, γ0 ). Or, d’après la remarque précédente, on a rg(u) = rg(A) et rg(u) = rg(B),
d’où le résultat.
Dans la suite, nous allons montré que la réciproque est aussi vraie.

Lemme 2.3.1
Soit K un corps commutatif, A une matrice non nul de Mm,n (K) et r un entier ≥ 1. Alors A est de
rang r, si et seulement si, A est équivalente à la matrice en blocs I(n, r), définie par
 
Ir 0
I(n, r) =
0 0

où Ir est la matrice identité d’ordre r.

Preuve 2.3.3
(=⇒) Supposons que A est de rang r.
Soient β = (e1 , e2 , . . . , en ) et β0 = (e01 , e02 , . . . , e0m ) les bases canoniques de E = Mn,1 (K) et de
F = Mm,1 (K) respectivement. Soit u : E −→ F l’application linéaire de matrice A par rapport
aux bases β et β0 . rg(A) = r, donc dimK (Im(u)) = r, soit (v01 , v02 , . . . , v0r ) une base de Im(u) et
soient v0r+1 , . . . , v0m des vecteurs de F tels que γ0 = (v01 , v02 , . . . , v0r , v0r+1 , . . . , v0m ) soit une base de F.
Pour chaque i, 1 ≤ i ≤ r, soit vi ∈ E tel que v0i = u(vi ), alors il est facile de voir que (v1 , v2 , . . . , vr )
est libre et que Vect({v1 , v2 , . . . , vr }) ∩ ker(u) = {0}. Puisque r + dimK (ker(u)) = n = dimK (E)
alors
E = Vect({v1 , v2 , . . . , vr }) ⊕ ker(u)

41 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 42

Soit (vr+1 , . . . , vn ) une base de ker(u), alors γ = (v1 , v2 , . . . , vr , vr+1 , . . . , vn ) est une base de E et
on voit facilement que Mat(u, γ, γ0 ) = I(n, r). Soient P et R les matrices de passage de β à β0 et
de γ à γ0 respectivement, alors on sait, d’après le théorème de changement de bases que

I(n, r) = R−1 AP = QAP, où Q = R−1

Donc A et I(n, r) sont équivalentes.

(⇐=) D’après la remarque précédente.

Théorème 2.3.2
Soient K un corps commutatif, A et B deux matrices de Mm,n (K). Alors A et B sont équivalentes,
si et seulement si, rg(A) = rg(B).

Preuve 2.3.4
(=⇒) Si A et B sont équivalentes, alors, d’après la remarque précédente, rg(A) = rg(B).
(⇐=) Si maintenant rg(A) = rg(B) = r, alors, d’après le lemme précédent, A et B sont équiva-
lentes à la matrice I(n, r), puisque la relation d’équivalence entre matrices est transitive, alors A
et B sont équivalentes.

2.4 Exercices
Exercice 2.4.1
On considère le corps C comme un R-espace vectoriel.
a) Trouver une base de C.
b) Montrer que pour tout endomorphisme f de C , il existe (a, b) ∈ C2 tel que

∀z ∈ C, f (z) = az + bz

c) Trouver une condition necessaire et suffisante sur a et b pour que f soit un isomorphisme
de C.
Exercice 2.4.2
Soit E = M2 (R) muni de sa base canonique (e1 , e2 , e3 , e4 ). Rappelons que
       
1 0 0 1 0 0 0 0
e1 = , e2 = , e3 = , e4 =
0 0 0 0 1 0 0 1

Soit f l’application de E définie par

f : E −→ E
   
a b a − d −b − c
7 →
−
c d b+c d −a

a) Montrer que f est un endomorphisme de E et déterminer sa matrice par rapport à base

canonique de E.
b) Donner une base de Ker( f ), Im( f ) et Ker( f ) ∩ Im( f ).

42 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 43

Exercice 2.4.3
Soient E un K-espace vectoriel de dimension finie, F un K-espace vectoriel quelconque et
u : E −→ F une application linéaire.
a) Montrer que si H est un sous-espace de E, alors

dim(u(H)) = dim(H) − dim(H ∩ Ker(u))

b) Montrer que si G est un sous-espace vectoriel de F, alors

dim(u−1 (G)) = dim(G ∩ Im(u) + dim(Ker(u))

c) Soit v une autre application linéaire de E vers F. Montrer que

dim(Ker(u + v)) ≤ dim(Ker(u) ∩ Ker(v)) + dim(Im(u) ∩ Im(v))

Exercice 2.4.4
Soient E un K-espace vectoriel et u un endomorphisme de E
a) On suppose que E est de dimension finie sur K. Montrer que les propositions suivantes
sont equivalentes :
i) E = Ker(u) ⊕ Im(u)
ii) Ker(u) = Ker(u2 )
iii) Im(u) = Im(u2 )
b) Si E est de dimension infinie sur K, trouver une condition necessaire et suffisante pour
que E = Ker(u) ⊕ Im(u)
Exercice 2.4.5
Soient E un K-espace vectoriel, u et v deux endomorphismes de E. Montrer que
a) dim(Ker(u + v)) ≤ dim(Ker(u) ∩ Ker(v)) + dim(Im(u) ∩ Im(v))
b) dim(Ker(v ◦ u)) ≤ dim(Ker(u)) + dim(Ker(v))
c) u(Ker(v ◦ u)) = Ker(v) ∩ Im(u)
Exercice 2.4.6
Soient E un K-espace vectoriel de dimension finie, u et v deux endomorphismes de E tels que
u ◦ v = 0 et u + v ∈ GL(E).
Montrer que rg(u) + rg(v) = dim(E).
Exercice 2.4.7
Soit E un K-espace vectoriel de dimension finie et u un endomorphisme de E tel que u3 = 0.
a) Montrer que rg(u) + rg(u2 ) ≤ dim(E).
b) Montrer que 2.rg(u2 ) ≤ rg(u).
Exercice 2.4.8
Soient E, F et G trois K-espaces vectoriels de dimension finie
a) Pour f ∈ L(E, F) et g ∈ L(F, G), montrer que :

rg( f ) + rg(g) − dimK (F) ≤ rg(go f ) ≤ inf(rg( f ), rg(g))

b) Pour f et g deux éléments de L(E, F), montrer que :

|rg( f ) − rg(g)| ≤ rg( f + g) ≤ rg( f ) + rg(g)

43 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 44

Exercice 2.4.9
Soient E et F deux K-espaces vectoriels avec Ede dimension finie. u et v deux applications
linéaires de E vers F. Montrer que les deux propositions suivantes sont équivalentes :
i) rg(u + v) = rg(u) + rg(v).
ii) Im(u) ∩ Im(v) = {0} et E = ker(u) + ker(v).

Exercice 2.4.10
Soient E un K-espace vectoriel de dimension finie = n, u et v deux endomorphismes de E. On
suppose que u + v inversible et uov = 0
Montrer que rg( f ) + rg(g) = n

Exercice 2.4.11
Soient E un K-espace vectoriel de dimension finie, F et G deux sous-espaces vectoriels de E.
1. A quelle condition existe-t-il un endomorphisme u de E tel que
Im(u) = F et Ker(u) = G ?
2. On pose E = {u ∈ L(E) : Im(u) = F et Ker(u) = G}. Montrer que E muni de la loi ◦ est
un groupe, si et seulement si, E = F ⊕ G.
Exercice 2.4.12
Soient E un K-espace vectoriel de dimension finie = n, u et v deux endomorphismes de E tels
que :
E = Im(u) + Im(v) = Ker(u) + Ker(v)
Montrer que :
a) Les sommes Im(u) + Im(v) et Ker(u) + Ker(v) sont directes
b) E = Im(u + v) et rg(u + v) = rg(u) + rg(v) = n

Exercice 2.4.13
Soient K un coprs commutatif et A ∈ Mn (K) avec rg(A) = 1.
1. Montrer qu’il existe X ∈ Mn,1 (K) et Y ∈ Mn,1 (K), tels que A = X tY .
2. Montrer que Tr(A) = tXY .
3. Pour chaque entier naturel p, exprimer une relation entre A p , A et Tr(A).
4. Pour α ∈ K, calculer (I + A)(I + αA) et en déduire une condition necessaire et suffisante
sur Tr(A) pour que I + A soit inversible.

Exercice 2.4.14
Soient n ∈ N et a0 , a1 , . . . , an des réels deux à deux distincts. On considère l’application :

ϕ : Rn [X] −→ Rn+1
P 7−→ (P(a0 ), P(a1 ), . . . , P(an ))

1. Montrer que ϕ est un isomorphisme d’espaces vectoriels.

2. Soit (e0 , e1 . . . , en ) la base canonique de Rn+1 . Pour chaque i, 0 ≤ i ≤ n, expliciter l’ex-
pression de Li = ϕ−1 (ei ) et justifier que (L0 , L1 , . . . , Ln ) est une base de Rn [X].

44 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 45

3. En déduire que pour chaque (α0 , α1 , . . . , αn ) ∈ Rn+1 , il existe un unique polynôme P de

degré inérieur ou égal à n tel que
∀i, 0 ≤ i ≤ n, P(ai ) = αi
Expliciter le polynôme P dans la base (L0 , L1 , . . . , Ln )
√
4. Déterminer l’unique polynôme P tel que P(−1) = 1, P(1) = −5 et P(2) = 2.
5. Soit F = { f ∈ RR : f (a0 ) = f (a1 ) = . . . = f (an ) = 0}. Montrer que F est un sous-espace
vectoriel de RR et déterminer un supplémentaire de F dans RR .
Exercice 2.4.15
Soient E un K-espace vectoriel de dimension finie et un endomorphisme de E de rang 1.
1. Montrer que si u2 6= 0 alors il existe une base β de E et il existe α 6= 0 tels que
 
α 0 0 ... 0
0 0 0 . . . 0
. ... 
 
Mat(u, β) =  0 0 . . 0

. . . ..
 .. .. . .

. 0
0 0 ... 0 0
2. Montrer que si u2 = 0, alors il existe une base de β de E telle que
 
0 0 0 ... 0
1 0 0 . . . 0
... ... 
 
Mat(u, β) = 0 0 0

. . .
 .. .. . . . . . 0


0 0 ... 0 0
3. Montrer que u2 = tr(u)u.
4. Montrer que si ϕ : L(E) −→ K est une application telle que pour tout endomorphisme u
de rang 1 on a u2 = ϕ(u)u, alors ϕ = tr.
Exercice 2.4.16
Soient K un corps commutatif, Mn (K) l’algèbre des matrices carrées à coëfficients dans K et A
une matrice non nulle de Mn (K). On définit l’application u : M par
u : Mn (K) −→ Mn (K)
M 7−→ u(M) = M + Tr(M)A
a) Déterminer, en fonction de A, le noyau et l’image de u.
b) Soit B ∈ Mn (K), résoudre l’équation M + Tr(M)A = B.
Exercice 2.4.17
Soient E un K-espace vectoriel de dimension finie = n, où K est un corps de caractéristique
nulle, et G un sous-groupe fini de GL(E) de cardinal r. Pour u ∈ L(E), on pose :
1
ũ = ∑ v ◦ u ◦ v−1
r v∈G
Montrer que :

45 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 46

a) ∀v ∈ G , ũ ◦ v = v ◦ ũ
b) ∀v ∈ G , u = ũ ⇐⇒ v ◦ u = u ◦ v
c) Tout sous-espace G-stable de E possède un supplémentaire G-stable
d)
\ 1
dimK ( Ker(v − IdE )) = ∑ tr(v)
v∈G
r v∈G

Exercice 2.4.18
Soient n un entier ≥ 1 et p un nombre premier. Montrer que :

∀A ∈ Mn (Z) , tr(A p ) ≡ tr(A) mod(p)

Exercice 2.4.19
Soient Mn (K) le K-espace vectoriel des matrices carrées à coëfficients dans K, A ∈ Mn (K) et u
l’endomorphisme de Mn (K) défini par

∀M ∈ Mn (K), u(M) = AM + MA

Montrer que Tr(u) = 2nTr(A).

Exercice 2.4.20
Soient E un K-espace vectoriel de dimension finie = n et u un endomorphisme nilpotent d’indice
p
a) montrer que p ≤ n
b) Montrer que si Ker(ui ) 6= E, alors Ker(ui ) 6= Ker(ui+1 )
c) Montrer que les conditions suivantes sont equivalentes :
i) p = n
ii) ∀k ∈ {0, 1, 2, . . . , n} , dimK (Ker(uk ) = k
iii) Il existe k ∈ {0, 1, 2, . . . , n − 1} tel que dimK (Ker(uk ) = k
d) On suppose p = n et soit F un sous-espace vectotiel de E stable par u. Montrer qu’il
existe k ∈ {0, 1, 2, . . . , n} tel que F = Ker(uk )

Exercice 2.4.21
Soient E un K-espace vectoriel de dimension finie = n et u un endomorphisme nilpotent d’indice
p
a) Montrer que p ≤ n
b) Montrer que si Ker(ui ) 6= E, alors Ker(ui ) 6= Ker(ui+1 )
c) Montrer que les conditions suivantes sont equivalentes :
i) p = n
ii) ∀k ∈ {0, 1, 2, . . . , n} , dimK (Ker(uk ) = k
iii) Il existe k ∈ {0, 1, 2, . . . , n − 1} tel que dimK (Ker(uk ) = k
d) On suppose p = n et soit F un sous-espace vectotiel de E stable par u. Montrer qu’il
existe k ∈ {0, 1, 2, . . . , n} tel que F = Ker(uk )

Exercice 2.4.22
Soient E un K-espace vectoriel de dimension finie et u un endomorphisme de E.
a) Montrer que les propositions suivantes sont equivalentes :

46 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 47

i) u est nilpotent
ii) ∀m ∈ N , tr(um ) = 0
b) Soient u et v deux endomorphismes de E vérifiant u ◦ v − v ◦ u = v. Montrer que v est
nilpotent
Exercice 2.4.23
Soient E un K-espace vectoriel de dimension finie = n, avec n ≥ 2, et u1 , u2 , . . . , un des endo-
morphismes nilpotents de E deux à deux commutant. Montrer que u1 ◦ u2 ◦ · · · ◦ un = 0
Exercice 2.4.24
Soit K un corps de caractéristique nulle . Pour A, B ∈ Mn (K), on pose [A, B] = AB − BA et on
suppose que [A, [A, B]] = 0
a) Montrer que [A, B] est nilpotente
b) On suppose de de plus que A est nilpotente. Montrer que AB est nilpotente
Exercice 2.4.25
Soient E un K-espace vectoriel de dimension finie, u et v deux endomorphismes nilpotents de
E d’indice 2 tels que :
Ker(u) ∩ Ker(v) = {0}
a) Montrer que dimK (Ker(u)) = dimK (Ker(v))
b) Montrer que u + v, u − v, u ◦ v + v ◦ u et u ◦ v − v ◦ u sont inversibles
c) Montrer que E = Ker(u) ⊕ Ker(v)
d) Montrer que u et v sont semblables
Exercice 2.4.26
Soit E un K-espace vectoriel quelconque.
1. Soient F un sous-espace vectoriel de E et G un supplémentaire de F dans E. On appelle
projection sur F parallèlement à G, qu’on note pF , l’endomorphisme de E défini par :
pF : E = F ⊕ G −→ E
x = x1 + x2 7−→ x1

a) Vérifier que p2F = pF .

b) Vérifier que Im(pF ) = F et ker(pF ) = G.
c) Vérifier que si pG est la projection sur G parallèlement à F, alors

∀x ∈ E, x = pF (x) + pG (x)
2. On dit qu’un endomorphisme de E est un projecteur de E, si u2 = u. On suppose que u
est un projecteur de E. Montrer que
a) IdE − u est un projecteur de E.
b) Im(u) = {x ∈ E : u(x) = x}.
c) E = Ker(u) ⊕ Im(u).
d) u est la projection sur Im(u) parallèlement à ker(u).
e) rg(u) = Tr(u).
3. Soient F un sous-espace vectoriel de E et p un projecteur de E. Montrer que :
a) p−1 (F) = ker(p) ⊕ (F ∩ Im(p))

47 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 48

b) F est stable par p, si et seulement si, F = F ∩ ker(p) ⊕ F ∩ Im(p).

4. Soient u et v deux projecteurs de E tels que u ◦ v = v ◦ u. Montrer que
a) u ◦ v et u + v − u ◦ v sont des projecteurs de E.
b) Im(u ◦ v) = Im(u) ∩ Im(v)
c) Im(u + v − u ◦ v) = Im(u) + Im(v)
5. Soient u et v deux projecteurs quelconques de E (On ne suppose plus que u ◦ v = v ◦ u).
a) Trouver une condition necessaire et suffisante pour que u + v soit un projecteur de E.
b) Dans le cas où u + v est un projecteur de E, montrer que
i) Im(u) ∩ Im(v) = {0}
ii) Ker(u + v) = Ker(u) ∩ Ker(v)
iii) Im(u + v) = Im(u) ⊕ Im(v)
6. On suppose K de caractéristique nulle, (Par exemple K = R ou K = C). Soient u1 , u2 , . . . , un
des projecteurs de E. Montrer que u1 +u2 +· · ·+un est un projecteur de E, si et seulement
si,
∀(i, j) ∈ {1, 2, . . . , n}2 , i 6= j =⇒ ui ◦ u j = 0

Exercice 2.4.27
Soit N un entier naturel et soit F = { f ∈ C ∞ (R) : f (0) = f 0 (0) = . . . f (N) (0) = 0}.
a) Montrer que F est un sous-espace vectoriel de C ∞ (R).
b) Trouver un supplémentaire G de F dans C ∞ (R) et déterminer la projection de C ∞ (R) sur
G parallèlement à F.
Exercice 2.4.28
Soient E un R-espace vectoriel et u un endomorphisme de E.
1. On suppose qu’il existe un projecteur p de E tel que p ◦ u − u ◦ p = u.
a) montrer que u ◦ p = 0.
b) En déduire que u ◦ u = 0.
2. Réciproquement, on suppose que u ◦ u = 0.
a) Montrer que Im(u) ⊂ Ker(u).
b) Soit F un sous-espace vectoriel de E tel que Im(u) ⊂ F ⊂ Ker(u) et soit G un sup-
plémentaire de F dans E. Soit q la projection de E sur F parallèlement à G. Calculer
q ◦ u − u ◦ q.
3. Donner une condition necessaire et suffisante pour qu’il existe un projecteur p de E tel
que
p◦u−u◦ p = u
Cette condition etant supposée remplie, y-a-t-il toujours unicité du projecteur p ?
4. On prend E = R2 et u l’endomorphisme de E défini par :

∀(x, y) ∈ E, u(x, y) = (−2x + 4y, −x + 2y)

a) Vérifier que u ◦ u = 0.
b) Déterminer un projecteur p de E tel que p ◦ u − u ◦ p = u.
Exercice 2.4.29
Soient E un K-espace vectoriel de dimension finie et u un endomorphisme de E. Montrer que

48 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 49

i) Il existe un projecteur p et un automorphisme f tel que u = p ◦ f .

ii) Il existe un projecteur q et un automorphisme g tel que u = g ◦ q.
Exercice 2.4.30
Soient E un K-espace vectoriel de dimension finie, p et q deux projecteurs de E tels que p +
q − IdE soit inversible. Montrer que rg(u) = rg(v).

Exercice 2.4.31
Soient E un R-espace vectoriel de dimension finie, P l’ensemble de tous les projecteurs de E et
γ un chemin de P . Montrer qu’il existe e1 , e2 , . . . , em des fonctions continues de R vers E telles
que ∀t, (e1 (t), e2 (t), . . . , em (t)) soit une base de Im(γ(t)).

Exercice 2.4.32
Soient E un K-espace vectoriel et f un endomorphisme non nul de E.
On pose E f = {u ◦ f : u ∈ LK (E)}.
a) Montrer que E f est un sous-espace vectoriel de LK (E).
b) Soit g un endomorphisme de E. Montrer que

g ∈ E f ⇐⇒ ker( f ) ⊆ ker(g)

c) Montrer qu’il existe un projecteur non nul, appartenant à E f .

Exercice 2.4.33
Soit u un endomorphisme de E tel que u2 = −IdE . Pour chaque x ∈ E, on pose Ex = Vect({x, u(x)}).
1. Calculer dim(Ex ).
2. Soit F un sous-espace stable par u. Montrer que
i) Ex ∩ F 6= {0} =⇒ Ex ⊂ F
ii) Si x ∈
/ F alors la somme Ex + F est directe.
3. Montrer qu’il existe x1 , x2 , . . . , xm dans E tels que

E = Ex1 ⊕ Ex2 ⊕ · · · ⊕ Exm

Exercice 2.4.34
Soient A une matrice de Mn (K) et k un entier ≥ 1 tel que Ak = I. On pose B = I + A + · · · + Ak−1
et soient u et v les endomorphismes de Kn de matrices respectivement A et B dans la base
canonique de Kn .
1. Montrer que
i) Ker(u − Id) = Im(v).
ii) Im(u − Id) = Ker(v).
iii) Kn = Ker(v) ⊕ Im(v).
2. En déduire que tr(B) = k.rg(B).

Exercice 2.4.35
Soient E, F deux K-espaces vectoriels de dimension finie et f , g deux éléments de L(E, F)
1. Montrer que les conditions suivantes sont equivalentes :
i) Im(g) ⊆ Im( f )

49 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 50

ii) Il existe h ∈ L(E) tel que g = f ◦ h

2. Montrer l’equivalence des conditions suivantes :
i) Ker(g) ⊆ Ker( f )
ii) Il existe h ∈ L(F) tel que f = h ◦ g
3. Montrer que les propositions suivantes sont equivaletes :
i) rang(g) ≤ rang( f )
ii) Il existe h ∈ L(E) et k ∈ L(F) tels que k ◦ g = f ◦ h
iii) il existe u ∈ L(E) et v ∈ L(F) tels que g ◦ u = v ◦ f

Exercice 2.4.36
Soient n un entier ≥ 2, E = Mn (C) et G = GLn (C)
1. Pour A ∈ E, montrer l’equivalence des conditions suivantes :
i) A est non inversible
ii) Il existe P ∈ G tel que pour tout λ ∈ C, P − λ.A ∈ G
2. Soient A ∈ E, r ≤ n et (C) la condition suivante :
(C) : Il existe P ∈ G tel que pour exactement r valeurs de λ, P − λ.A est non inversible.
Montrer que :
a) Si rang(A) = r alors (C) est vérifiée
b) Si (C) est vérifiée alors rang(A) ≥ r
3. Soit f ∈ L(E) tel que f (G) ⊆ G. Montrer que :
a) ∀A ∈ E , f (A) ∈ G =⇒ A ∈ G
b) ∀A ∈ E , rang( f (A)) ≥ rang(A)
c) Montrer que f conserve le rang et que f est un automorphisme de E
Exercice 2.4.37
Soit E le C-espace vectoriel des polynômes P de C[X,Y ] tels que
degX (P) ≤ 2 et degY (P) ≤ 2
1. Quel est la dimension de E ?
2. Soit u l’application défini sur E par :

∂2 P
∀P ∈ E , u(P) =
∂X∂Y
Montrer que u est un endomorphisme de E et déterminer la dimension de Ker(u) puis
celle de Im(u)

Exercice 2.4.38
Soient E, F, G trois K-espaces vectoriels, f ∈ L(E, F) et g ∈ L(F, G). On suppose que F/Im( f )
et G/Im(g) sont de dimension finie. Montrer que G/Im(g ◦ f ) est de dimension finie

Exercice 2.4.39
Soient E un K-espace vectoriel de dimension finie, u un endomorphisme de E F et G les parties
de E définies par : [ \
F= Ker(u p ) , G = Im(u p )
p≥0 p≥0

50 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 51

a) Montrer que F et G sont des sous-espaces vectoriels de E, stables par u

b) Montrer que E = F ⊕ G, que u|F est nilpotent et que u|G est inversible
c) Soient M et N deux sous-espaces vectoriels de E, stables par u tels que u|M soit nilpotent
et u|N soit inversible.
Montrer que M = F et N = G
Exercice 2.4.40
Soient E, F deux K-espaces vectoriels non nuls, f ∈ L(E, F) et

H = {g ∈ L(F, E) : f ◦ g ◦ f = 0}
a) Montrer que si H = {0} alors f est bijective
b) On suppose que dimK (E) = n, dimK (F) = p et rang( f ) = r. Déterminer la dimension
de H sur K.
Exercice 2.4.41
Soient K un corps de caractéristique nulle et Mn (K) le K-espace vectoriel des matrices carrées
d’ordre n à coëfficients dans K. On dit qu’une partie G de Mn (K) est un S-groupe, si G muni
de la multiplication matricielle est un groupe (Attention : G n’est pas necessairement un sous-
groupe de GLn (K)). Dans ce cas on appelle l’élément neutre de G , qu’on note J, la S-unité de
G et l’inverse d’un élément A de G , qu’on note à le S-inverse de A.
1. Pour tout λ ∈ K ∗ , A(λ) est l’élément de Mn (K) dont tous les coëfficients sont égaux à λ.
Montrer que G = {A(λ) : λ ∈ K ∗ } est un S-groupe dont on déterminera la S-unité et le
S-inverse d’un élément
2. Soit G un S-groupe quelconque de Mn (K)
a) Montrer que tous les éléments de G ont même image et même noyau
b) En déduire que si G ∩ GLn (K) est non vide alors G est un sous-groupe, au sens ordi-
naire, de GLn (K)
c) Montrer que pour tout A ∈ G , on a :
Ker(A) ⊕ Im(A) = K n
3. Réciproquement, soient F et G deux sous-espaces supplémentaires de K n et soit G la
partie de Mn (K) formée des matrices A ∈ Mn (K) telles que F et G soient stables par A,
A|F est inversible et A|G = 0
Montrer que G est un S-groupe
Exercice 2.4.42
Soit f : Mn (K) → K une application non constante vérifiant :
∀A ∈ Mn (K) , ∀B ∈ Mn (K) , f (A.B) = f (A) f (B)
a) Montrer que f (0) = 0 et f(I)=1
b) Montrer que
∀A ∈ Mn (K) , f (A) 6= 0 ⇐⇒ A ∈ GLn (K)
Problème 2.4.1
Soit E un K-espace vectoriel quelconque. Pour tout endomorphisme u de E on pose ∀k , Nk =
Ker(uk )

51 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 52

a) Vérifier que ∀k ≥ 1 , Nk ⊆ Nk+1 et u(Nk+1 ) ⊆ Nk

b) Soit F un sous-espace vectoriel de E, de dimension finie. Montrer que :
i) ∀k ≥ 1, Nk ∩ F et uk (F) sont de dimension finie
ii) dimK (F) = dimK (uk (F)) + dimK (Nk ∩ F)
c) Dans cette partie on suppose que u n’est pas injectif et que N1 est de dimension finie .
On pose ∀k ≥ 1, nk = dimK (Nk )
i) Montrer que ∀k ≥ 1, Nk est de dimension finie
ii) Montrer que ∀k ≥ 1, nk ≤ kn1
iii) On suppose que ∀k ≥ 1, Nk 6= Nk+1 et qu’il existe k0 tel que nk0 = k0 . Montrer que
∀k ≥ 1, nk = k
iv) On suppose que E est de dimension finie = n et que u est nilpotent non nul. Montrer
que :
[indice(u) = n] ⇐⇒ [∃k0 : nk0 = k0 ]

Problème 2.4.2
Dans toute la suite E désigne un R-espace vectoriel de dimension finie et u un endomorphisme
de E tel que u2 = −IdE
1. a) Montrer que E est necessairement de dimension paire
b) i) Montrer que s’il existe e1 , e2 , . . . , er ∈ E tels que
(e1 , e2 , . . . , er , u(e1 ), u(e2 ), . . . , u(er−1 )) soit libre, alors
(e1 , e2 , . . . , er , u(e1 ), u(e2 ), . . . , u(er )) est aussi libre
ii) En déduire qu’il existe un entier p tel que (e1 , e2 , . . . , e p , u(e1 ), u(e2 ), . . . , u(e p )) soit
une base de E
c) Montrer que si la dimension de E est paire, alors il existe au moins un endomorphisme
u de E tel que u2 = −IdE
2. On suppose dans la suite que la dimension de E est paire
a) Montrer qu’il existe un sous-espace vectoriel F de E tel que :

E = F ⊕ u(F)

b) Soit K = {P(u) : P ∈ R[X]}. Montrer que K est un corps commutatif et que pour tout
v ∈ K, il existe a, b ∈ R tels que v = a.IdE + b.u
c) On munit E de la loi externe suivante :

K×E → E
(v,x)7→v.x=v(x)

Montrer que E muni de cette loi externe est un K-espace vectoriel que l’on note Ê
d) Montrer que dimR (E) = 2dimK (Ê)

Problème 2.4.3
Soient E un K-espace vectoriel de dimension finie = n et u un endomorphisme non injectif de
E. Pour tout entier k ≥ 0, on pose Nk = Ker(uk ) et Ik = Im(uk )
1. Vérifier que pour tout k ≥ 0, Nk ⊆ Nk+1 et Ik ⊆ Ik+1
2. Montrer que :
a) ∀k ≥ 0 , Nk = Nk+1 =⇒ Nk+1 = Nk+2

52 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 53

b) Il existe un entier naturel p ≥ 1 tel que :

i) ∀k ≥ 0 , k < p =⇒ Nk 6= Nk+1
ii) ∀k ≥ p , Nk = Nk+1
c) Montrer que :
i) p ≤ n , (Où n = dimK (E))
ii) ∀k < p , Ik 6= Ik+1
iii) ∀k ≥ p , Ik = Ik+1
3. Montrer que :
a) E = N p ⊕ I p
b) L’application u p : I p → I p qui à x fait correspondre u p (x) = u(x) est un automorphisme
de I p

Problème 2.4.4
Soit E un K-espace vectoriel de dimension finie, où K est un corps de caractéristique différente
de 2. Dans ce problème on se propose de montrer que tout endomorphisme f de E vérifie la
proprièté (P) suivante :
(P) : f est la différence de deux automorphismes de E
1. Montrer que que si f est un automorphisme de E , alors 2K . f est un automorphisme de
E. En déduire que tout automorphisme de E possède la proprièté (P)
2. On suppose que f est un endomorphisme de E non nul et non injectif et que E = Ker( f )⊕
Im( f )
a) Soit f˜ : Im( f ) → Im( f ) l’application qui à x fait correspondre f (x) . Montrer que f˜
est un automorphisme de Im( f ) . En déduire qu’il existe deux automorphismes f1 et f2
de Im( f ) tels que f˜ = f1 − f2
b) Montrer que l’on peut prolonger f1 et f2 en deux automorphismes de E , g1 et g2
respectivement, tels que les restrictions de g1 et g2 à Ker( f ) coincident
c) En déduire que f possède la proprièté (P)
3. Soit maintenant f un endomorphisme de E, non nul et non inversible. Soit F un supplé-
mentaire de Im( f ) dans E
a) Justifier que F 6= {0}
b) Montrer qu’il existe un isomorphisme h1 de F sur Ker( f )
c) Montrer que l’on peut prolonger h1 en un automorphisme h de E
d) Montrer que Ker( f oh) = F et Im( f oh) = Im( f )
e) En déduire que l’endomorphisme f oh vérifie la proprièté (P)
f) Déduire de ce qui précède que f possède la proprièté (P)
Problème 2.4.5
Soient E un K-espace vectoriel quelconque
1. On suppose que E de dimension finie. Soient u un endomorphisme non nul de E, D une
droite vectoriel de E et H un hyperplan de E. Montrer qu’il existe deux endomorphismes
de E, v et w tels que :

D = Im(v ◦ u ◦ w) et H = Ker(v ◦ u ◦ w)

2. a) Montrer que les conditions suivates sont equivalentes :

53 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 54

i) E est de dimension finie

ii) Les seuls idéaux bilatères de L(E) sont {0} et L(E)
b) On suppose que K = R ou que K = C, et que E est de dimension finie. Soit p une
semi-norme non nul de L(E) tel que :

∀u ∈ L(E) , ∀v ∈ L(E) , p(u ◦ v) ≤ p(u)p(v)

Montrer que p est une norme sur E

Problème 2.4.6  
2 a 1−a
I) Pour tout (a, b) ∈ [0, 1] , on pose Ma,b =
b 1−b
1. Etudier l’inversibilité de Ma,b et calculer son inverse lorsqu’elle existe.
2. La matrice Ma,b est-elle diagonalisable ?
II) On désigbe par Sn l’enseble des matrices A = (ai j ) de Mn (R) telles que
n
∀i, 1 ≤ i ≤ n, ∑ ai j = 1
j=1

Un élément de Sn s’appelle une matrice stochastique. On désigne aussi par Sn+ les élé-
ments de Sn dont tous les coefficients sont positifs ou nuls et par Jn la matrice de Mn (R)
dont tous les coefficients valent 1.
1. a) Montrer que
∀A ∈ Mn (R), A ∈ Sn ⇐⇒ AJn = Jn
b) Montrer que Sn est stable pour la multiplication des matrices.
c) Montere que si A ∈ Sn est inversible, alors A−1 ∈ Sn .
d) Montrer que Sn+ est stable pour la multiplication des matrices.
e) Si A ∈ Sn+ est inversible, a-t-on A−1 ∈ Sn+ ?
2. Soient β = (e1 , e2 , . . . , en ) la base canonique de Rn , σ une permutation de Sn et fσ
l’endomorphisme de Rn défini par :

∀i, 1 ≤ i ≤ n, fσ (ei ) = eσ(i)

a) Déterminer la matrice Mσ de fσ dans la base β et vérifier que Mσ ∈ Sn+ .

b) Justifier que Mσ est inversible et déterminer Mσ−1 en fonction de σ. Vérifier que
Mσ−1 ∈ Sn+
3. Soit A une matrice inversible de Sn+ telle que A−1 ∈ Sn+ . On pose A−1 = (bi j ).
a) Montrer que

∀(i, j, k) ∈ {1, 2, . . . , n}3 , i 6= j =⇒ bik ak j = 0

b) En déduire que chaque colonne de A contient un unique élément non nul.

c) En déduire qu’il existe σ ∈ Sn tel que A = Mσ .

54 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 55

Problème 2.4.7
Une matrice A = (ai j ) de Mn (K) est dite magique, si la somme des coefficients d’une ligne ou
d’une colonne quelconque de A est la même, c’est à dire, il esiste une constante, notée s(A),
telle que
n n
∀i, 1 ≤ i ≤ n, ∑ aik = s(A) et ∀ j, 1 ≤ j ≤ n, ∑ ak j = s(A)
k=1 k=1
On note M l’ensemble de toutes les matrices mgiques de Mn (K) et on désigne par U la matrice
de Mn (K) définie par
 
1 ... ... 1
... 
1 1 1

U = . .
 .. . . . . ... 
. 

1 ... ... 1
1. Montrer que M est une sous-algèbre de Mn (K) et que l’application :
s : M −→ K
A 7−→ s(A)
est un homomorphisme d’algèbres.
2. Montrer que si A est magique inversible, alors A−1 est aussi magique.
3. Montrer que M est la somme directe du sous-espace vectoriel des matrices symétriques
magiques et du sous-espace vectoriel des matrices antisymétriques magiques.
4. Pour chaque A ∈ Mn (K) on note fM l’endomorphisme de Kn de matrice A dans la base
canonique de Kn . On pose
G = Vect((1, 1, . . . , 1)) et H = {(x1 , x2 , . . . , xn ) ∈ Kn : x1 + x2 + · · · + xn = 0}
a) Montrer que A ∈ M ⇐⇒ G et H sont stables par fM
b) En déduire la dimension de M .
Problème 2.4.8
Soient K un corps commutatif et M2 (K) l’algèbre des matrices carrées d’ordre 2 à coëfficients
dans K.
1. Pour tout T ∈ M2 (K), Montrer que les P.S.S.E :
i) T 2 = T
ii) Il existe P ∈ GL2 (K) tel que T = PJP−1
 
1 0
où J = )
0 0
iii) tr(T ) = 1 et det(T ) = 0
2. On suppose que K est un corps fini de cardinal q
a) Soit β l’ensemble de toutes les bases du K-espace vectoriel K 2 et soit (e1 , e2 ) la base
canonique de K 2 . Montrer que l’application :
Φ : GL2 (K) −→ β
T 7−→ (Te1 , Te2 )
est bijective

55 Mohamed HOUIMDI
CHAPITRE 2. APPLICATIONS LINÉAIRES-MATRICES 56

b) Sur K 2 \ {(0, 0)} on définit la relation R par :

∀x ∈ K 2 \ {(0, 0)} , ∀y ∈ K 2 \ {(0, 0)} , xR y ⇐⇒ ∃α ∈ K : y = αx

i) Vérifier que R est une relation d’equivalence

ii) Pour tout x ∈ K 2 \ {(0, 0)}, déterminer le cardinal de la classe de x modulo la rela-
tion R .
iii) Quel est le nombre des classes d’equivalence modulo la relation R ?
c) Montrer que (x, y) est une base de K 2 , si et seulement si, il existe deux classes d’equi-
valence distinctes C1 et C2 telles que x ∈ C1 et y ∈ C2
d) Déduire, de ce qui précède, le cardinal de GL2 (K)
3. On pose H = {P ∈ GL2 (K) : PJP−1 = J}
 
1 0
(o ù J= )
0 0

a) Montrer que H est un sous-groupe de GL2 (K)

b) Montrer que P ∈ H, si et seulement si, P est une matrice diagonale
c) Quel est le cardinal de H ?
d) En déduire le cardinal de l’ensemble :

I (M2 (K)) = {T ∈ M2 (K) : T 2 = T }

56 Mohamed HOUIMDI
Chapitre 3
Formes linéaires-Dualité

3.1 Définition et Exemples

Rappelons que si E est un K-espace vectoriel, alors une forme linéaire sur E est une appli-
cation linéaire ϕ : E −→ K

Définition 3.1.1
Soit E un K-espace vectoriel. On appelle espace vectoriel dual de E, qu’on note E ∗ , l’espace
vectoriel de toutes les formes linéaires sur E

E ∗ = LK (E, K)

Notations 3.1.1
Pour toute forme linéaire φ ∈ E ∗ et pour tout x ∈ E on pose :

< x, φ >= φ(x)

Remarque 3.1.1
Si E est de dimension finie sur K alors E ∗ est aussi de dimension finie et on a
dimK (E) = dimK (E ∗ ), donc dans ce cas E et E ∗ sont isomorphes. Cependant, si E n’est pas de
dimension finie alors E peut ne pas être isomorphe à E ∗ , (Voir exemple ci-dessous)
Exemple 3.1.1
1. Soient K un corps commutatif et (e1 , e2 , · · · , en ) la base canonique de K n . Alors pour tout
y ∈ K n , l’application φy définie par :
n n n
n
∀x ∈ K , < x, φy >= ∑ xi yi où x = ∑ xi ei et y = ∑ yi ei
i=1 i=1 i=1

est une forme linéaire sur K n

Réciproquement , pour toute forme linéaire φ ∈ (K n )∗ il existe un unique y ∈ K n tel que :
n
∀x ∈ K n , < x, φ >= ∑ xi yi
i=1

57
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 58

En effet, soient ϕ une forme linéaire sur K n , (e1 , e2 , . . . , en ) la base canonique de K n et y

l’élément de K n définie par
y = (ϕ(e1 ), ϕ(e2 ), . . . , ϕ(en ))
Alors on vérifie facilement que y est l’unique élément de K n vérifiant :
n
∀X ∈ K n , X = (x1 , x2 , . . . , xn ) =⇒ ϕ(x) = ∑ xi yi
i=1

2. Soit K un corps commutatif et soit x = (xn )n∈N un élément de K N alors l’application φ

définie sur K[X] par :
n n
i
∀P ∈ K[X] , P = ∑ ai X =⇒ φ(P) = ∑ ai xi
i=0 i=0
est une forme linéaire sur K[X]
Réciproquement, si φ est une forme linéaire sur K[X] alors il existe un unique x = (xn )n∈N
élément de K N tel que :
n n
i
∀P ∈ K[X] , P = ∑ ai X =⇒< P, φ >= ∑ xi ai
i=0 i=0

En effet, soit Φ : KN → (K[X])∗ , x 7→ φx définie par :

n n
∀P ∈ K[X], P = ∑ ai X i =⇒< P, φx >= ∑ xi ai
i=0 i=0
Alors Φ est un isomorphisme d’espaces vectoriels. Donc pour tout corps commutatif K,
(K[X])∗ est isomorphe à K N
Remarque 3.1.2
Le Q-espace vectoriel Q[X] n’est pas isomorphe à son dual QN
En effet, pour chaque entier n ≥ 0 posons En = {P ∈ Q[X] : deg(P) ≤ n}, alors En est un Q-
espace vectoriel de dimension finie = n + 1, {1, X, X 2 , · · · , X n } est une base de En , donc En est
isomorphe à Qn+1 . Or Q est dénombrable donc pout tout entier n ≥ 1 , Qn est dénombrable et
par suite ∀n ∈ N, En est dénombrable.
∞
On a Q[X] = ∪ En est une réunion dénombrable d’ensembles dénombrables, donc Q[X] est
n=0
dénombrable
Or on sait que QN n’est pas dénombrable, donc Q[X] ne peut pas être isomorphe à son dual.

3.2 Base duale

Proposition 3.2.1
Soient E un K-espace vectoriel de dimension finie = n et (e1 , e2 , · · · , en ) une base de E. Pour
chaque i , i = 1, 2, · · · , n on définit e∗i ∈ E ∗ par :

∗ 1 si j = i
∀ j , j = 1, 2, · · · , n , ei (e j ) = δi j =
0 si j 6= i

Alors (e∗1 , e∗2 , · · · , e∗n ) est une base de E ∗ appelée base duale de (e1 , e2 , · · · , en )

58 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 59

Preuve 3.2.1
Exercice

Proposition 3.2.2
Soient E un K-espace vectoriel de dimension finie = n, (e1 , e2 , · · · , en ) une base de E et
(e∗1 , e∗2 , · · · , e∗n ) sa base duale, alors on a :
i)
n
∀x ∈ E , x = ∑ < x, e∗i > ei
i=1

ii)
n
∀φ ∈ E ∗ , φ = ∑ < ei , φ > e∗i
i=1

Preuve 3.2.2 n
i) Soit x ∈ E, alors x = ∑ xk ek , donc pour tout i , i = 1, 1, · · · , n :
k=1

n
< x, e∗i >= ∑ xk < ek , e∗i >
k=1

Or pour k 6= i , < ek , e∗i >= 0 et < ei , e∗i >= 1

Donc ∀i , i = 1, 2, · · · , n , < x, e∗i >= xi . D’où le résultat
n
ii) Soit φ ∈ E ∗ alors φ = ∑ αk e∗k donc pour chaque i , i = 1, 2, · · · , n :
k=1

n
< ei , φ >= ∑ αk < ei, e∗k >
k=1

Donc pour la même raison on a ∀i ∈ {1, 2, · · · , n} , αi =< ei , φ >

Remarque 3.2.1
Soient E un K-espace vectoriel de dimension finie = n, (e1 , e2 , . . . , en ) une base de E et (e∗1 , e∗2 , . . . , e∗n )
sa base duale.
Pour chaque i , 1 ≤ i ≤ n et chaque j , 1 ≤ j ≤ n , on désigne par ei ⊗ e∗j , l’endomorphisme de
E défini par :
∀x ∈ E , (ei ⊗ e∗j )(x) =< x, e∗j > ei
Alors la famille (ei ⊗ e∗j )1≤i, j≤n forme une base de L(E)
Pour chaque i et chaque j, on a

Mat(ei ⊗ e∗j , (e1 , e2 , . . . , en )) = Ei j

où les Ei j sont les matrices élémentaires de Mn (K).

59 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 60

Exemple 3.2.1
1. E = K n et (e1 , e2 , · · · , en ) la base canonique de K n alors (e∗1 , e∗2 , · · · , e∗n ), sa base duale, est
définie par :

∀i , i = 1, 2, · · · , n , ∀x ∈ K n , x = (x1 , x2 , · · · , xn ) =⇒< x, e∗i >= xi

Donc pour tout i , i = 1, 2, · · · , n, e∗i est la iieme projection de K n sur K

2. K un corps commutatif et E = {P ∈ K[X] : deg(P) ≤ n} muni de la base canonique
(1, X, X 2 , · · · , X n ). Alors la base duale (e∗1 , e∗2 , · · · , e∗n ) de (1, X, X 2 , · · · , X n ) est définie par :
n
∀i, i = 1, 2, · · · , n, ∀P ∈ E, < P, e∗i >= ai où P = ∑ ak X k
k=0

Pour chaque a ∈ K, soit φa la forme linéaire définie par :

∀P ∈ K[X], < P, φa >= P(a)

Alors φa a pour composantes sur la base duale de (1, X, X 2 , · · · , X n ) :

n n
φa = ∑ < X i , φa > e∗i = ∑ ai e∗i
i=1 i=1

3. E = Rn et (e1 , e2 , · · · , en ) sa base canonique.

Dans ce cas , pour chaque i, i = 1, 2, · · · , n, on pose e∗i = dxi donc, d’après le 1er exemple,
∀i, dxi est la iieme projection de Rn sur R
Soit Ω un ouvert de Rn et f : Ω −→ R une fonction différentiable au point x0 ∈ Ω, alors
on sait que f 0 (x0 ) est une forme linéaire sur Rn et par suite pour chaque i, < ei , f 0 (x0 ) >
est la iieme composante de f 0 (x0 ) sur la base duale (dx1 , dx2 , · · · , dxn ) :
n
f 0 (x0 ) = ∑ < ei , f 0 (x0 ) > dxi
i=1

Dans votre cours de calcul différentiel, vous avez vu que :

n
∂f
f 0 (x0 ) = ∑ (x0 )dxi
i=1 ∂xi

∂f 0
Donc on en déduit que ∀i, i = 1, 2, · · · , n , ∂xi (x0 ) =< ei , f (x0 ) >

Proposition 3.2.3
Soiet E un K-espace vectoriel de dimension finie, (e1 , e2 , · · · , en ) une base de E et (e∗1 , e∗2 , · · · , e∗n )
sa base duale . Soit u un endomorphisme de E et
A = (ai, j )1≤i, j≤n la matrice de u dans la base (e1 , e2 , · · · , en ), alors :

∀i, ∀ j, 1 ≤ i, j ≤ n, ai, j =< u(e j ), e∗i >

60 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 61

Preuve 3.2.3
Pour tout j, j = 1, 2, · · · , n , on a :
n
u(e j ) = ∑ ak, j ek
k=1
n
=⇒< u(e j ), e∗i >= ∑ ak, j < ek , e∗i >
k=1
Or < ek , e∗i >= 0 pour k 6= i et < ei , e∗i >= 1 d’où :
∀i, ∀ j, 1 ≤ i, j ≤ n, ai, j =< u(e j ), e∗i >

3.3 prolongement des formes linéaires

Théorème 3.3.1
Soient E un K-espace vectoriel quelconque et F un sous-espace vectoriel de E
Alors toute forme linéaire sur F se prolonge en une forme linéaire sur E.
Preuve 3.3.1
Soit ψ une forme linéaire sur F et soit G un supplémentaire de F dans E. E = F ⊕ G donc tout
x ∈ E s’ecrit d’une manière unique x = x1 + x2 avec x1 ∈ F et x2 ∈ G
Pour x ∈ E, x = x1 + x2 , posons φ(x) = ψ(x1 ), alors φ ∈ E ∗ et φ restreinte à F est égale à ψ
Corollaire 3.3.1
Soit E un K-espace vectoriel. Alors pour tout x ∈ E, x 6= 0 il existe φ ∈ E ∗ , telle que < x, φ >= 1
Preuve 3.3.2
Posons F = Vect(x) = {α.x : α ∈ K} et considèrons l’application :
ψ : F −→ K
y 7−→ ψ(y) = α
Où α est l’unique élément de K tel que y = α.x
Donc ψ ∈ F ∗ et < x, ψ >= 1
D’après le théorème précèdent ψ se prolonge en une forme linéaire φ sur E
=⇒< x, φ >=< x, ψ >= 1

3.4 Orthogonalité
Définition 3.4.1
Soit E un K-espace vectoriel
i) Pour toute partie A de E, l’orthogonal de A dans E ∗ , qu’on note A⊥ , est la partie de E ∗
définie par :
A⊥ = {φ ∈ E ∗ : ∀x ∈ A, < x, φ >= 0}
ii) Pour toute partie B de E ∗ , l’orthogonal de B dans E, qu’on note ⊥B , est la partie de E
définie par :
⊥B = {x ∈ E : ∀φ ∈ B, < x, φ >= 0}

61 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 62

Proposition 3.4.1
i) Pour toute partie A de E, A⊥ est un sous-espace vectoriel de E ∗
ii) Pour toute partie A de E, A⊥ = (Vect(A))⊥
(=⇒ ∅⊥ = {0E ∗ }⊥ = E)
iii) Pour toute partie B de E ∗ , ⊥B est un sous-espace vectoriel de E
iv) Pour toute partie B de E ∗ , ⊥B = ⊥(Vect(B)
(=⇒ ⊥∅ = ⊥{0E } = E ∗ )
v) E ⊥ = {0E ∗ } et ⊥E ∗ = {0E }

Preuve 3.4.1
i) Pour chaque x ∈ A soit x̃ la forme linéaire définie sur E ∗ par :

∀φ ∈ E ∗ , < φ, x̃ >=< x, φ >

Donc A⊥ = ∩ Ker(x̃)
x∈A
A⊥ est une intersection de sous-espaces vectoriels de E ∗ , donc A⊥ est un sous-espace vectoriel
de E ∗

ii) Remarquons d’abord que si A ⊆ B alors B⊥ ⊆ A⊥ . On a A ⊆ Vect(A) donc (Vect(A)⊥ ⊆ A⊥ ,

l’autre inclusion est aussi facile à voir

iii) Il suffit de remarquer que ⊥B = ∩ Ker(φ)

φ∈B

iv) Exercice

v)
φ ∈ E ⊥ ⇐⇒ ∀x ∈ E , < x, φ >= 0
Donc φ ∈ E ⊥ si et seulement si, φ = 0E ∗
Si maintenant x ∈ ⊥E ∗ alors pour tout φ ∈ E ∗ , < x, φ >= 0 donc x = 0E , car si x 6= 0, d’après
le théorm̀e de prolongement, il existe φ ∈ E ∗ tel que < x, φ >6= 0

Théorème 3.4.1
Soient E un K-espace vectoriel et F un sous-espace vectoriel de E Alors :
– F ∗ est isomorphe à E ∗ /F ⊥
– (E/F)∗ est isomorphe à F ⊥

Preuve 3.4.2
i) Soit l : E ∗ −→ F ∗ l’application qui à φ ∈ E ∗ fait correspondre la restriction de φ à F. Alors
il est clair que l est linéaire et que, d’après le théorème de prolongement des formes linéaires, l
est surjective et on a :

φ ∈ Ker(l) ⇐⇒ φ|F = 0F ∗
⇐⇒ ∀x ∈ F, < x, φ >= 0
⇐⇒ φ ∈ F ⊥

62 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 63

D’où Ker(l) = F ⊥ et par suite on a le résultat.

ii) Soit s : E −→ E/F la surjection canonique et soit j : (E/F)∗ −→ E ∗ l’application qui à
φ ∈ (E/F)∗ fait correspondre φ ◦ s
Alors il est clair que j est linéaire et que j est injective
Soit ψ ∈ Im( j), donc il existe φ ∈ (E/F)∗ tel que

∀x ∈ E, < x, ψ >=< s(x), φ >

Donc en particulier pour tout x ∈ F, < x, ψ >= 0

=⇒ Im( j) ⊆ F ⊥
Soit maintenant ψ ∈ F ⊥ et soit φ définie par :

∀x ∈ E, < s(x), φ >=< x, ψ >

Si s(x) = s(y) alors x − y ∈ F donc < x − y, ψ >= 0 et par suite φ définit bien une application et
on a φ ∈ (E/F)∗ avec l(φ) = ψ
D’où lerésultat
Corollaire 3.4.1
Soit E un K-espace vectoriel de dimension finie. Alors pour tout sous-espace vectoriel F de E,
on a :
dimK (E) = dimK (F) + dimK (F ⊥ )

Preuve 3.4.3
On sait que (E/F)∗ est isomorphe à F ⊥ , donc dimK ((E/F)∗ ) = dimK (F ⊥ ) avec dimK ((E/F)∗ ) =
dimK (E/F) = dimK (E) − dimK (F). D’où le résultat

3.5 Bidual - Base préduale

Définition 3.5.1
Soit E un K-espace vectoriel, on appelle bidual de E, qu’on note E ∗∗ , l’espace vectoriel dual de
E∗
E ∗∗ = (E ∗ )∗ = LK (E ∗ , K)

Remarque 3.5.1
Considèrons l’application
j : E −→ E ∗∗
x 7−→ j(x) = xe
où xe : E ∗ −→ K est définie par :

∀φ ∈ E ∗ , < xe, φ >=< x, φ >

Alors j est liéaire injective, donc E s’identifie canoniquement à un sous-espace vectoriel de E ∗∗

En particulier, si E est de dimension finie, alors j est un isomorphisme et dans ce cas E s’iden-
tifie canoniquement à E ∗∗
Donc E ∗∗∗ s’identifie à E ∗ , E ∗∗∗∗ s’identifie à E, etc. . .

63 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 64

Proposition 3.5.1
Soient E un K-espace vectoriel de dimension finie = n.
i) Pour toute base (ϕ1 , ϕ2 , . . . , ϕn ) de E ∗ , il existe une base (v1 , v2 , . . . , vn ) de E, appelée base
préduale de (ϕ1 , ϕ2 , . . . , ϕn ), telle que

∀ j, 1 ≤ j ≤ n, v∗j = ϕ j

ii) Soient (e1 , e2 , . . . , en ) une base de E, (ϕ1 , ϕ2 , . . . , ϕn ) une base de E ∗ et (v1 , v2 , . . . , vn ) sa

base duale dans E. Soient P la matrice de passage de (e1 , e2 , . . . , en ) à (v1 , v2 , . . . , vn )et Q
celle de (e∗1 , e∗2 , . . . , e∗n ) à (ϕ1 , ϕ2 , . . . , ϕn ). Alors

Q = (< ei , ϕ j >)1≤i, j≤n et P = (t Q)−1

Preuve 3.5.1
i) Soit (ϕ1 , ϕ2 , . . . , ϕn ) une base de E ∗ et soit (ϕ∗1 , ϕ∗2 , . . . , ϕ∗n ) sa base duale dans (E ∗ )∗ =
E ∗∗ . Puisque E est de dimension finie, alors l’application

j : E −→ E ∗∗
x 7−→ x̂
est bijective. Donc l’image réciproque (v1 , v2 , . . . , vn ) de (ϕ∗1 , ϕ∗2 , . . . , ϕ∗n ) par j est une
base de E et on a ∀ j, 1 ≤ j ≤ n, vˆj = ϕ∗j . Par suite pour tout i, 1 ≤ i ≤ n et pour tout j,
1 ≤ j ≤ n, on aura
< vi , ϕ j >=< ϕ j , v̂i >=< ϕ j , ϕi >= δi j
D’où ∀ j, 1 ≤ j ≤ n, ϕ j = v∗j .
ii) Psons Q−1 = (αi j )1≤i, j≤n et P = (pi j )1≤i, j≤n . Alors
n n
∀ j, 1 ≤ j ≤ n, e∗j = ∑ αk j ϕk et v j = ∑ pk j ek
k=1 k=1

Donc pour tout i et pour tout j on aura

n n
< vi , e∗j >= ∑ αk j < vi, ϕk > et < vi , e∗j >= ∑ pki < ek , e∗j >
k=1 k=1

Puisque pour tout k, ϕk = v∗k , alors p ji = αi j .

3.6 Transposée d’une application linéaire

Définition 3.6.1
Soient E, F deux K-espaces vectoriels et u : E → F une application linéaire. On appelle appli-
cation transposée de u, qu’on note t u l’élément de LK (F ∗ , E ∗ ) défini par :

∀φ ∈ F ∗ , tu(φ) = φ ◦ u

64 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 65

Remarque 3.6.1
D’après la définition de t u on a :

∀φ ∈ F ∗ , ∀x ∈ E, < x,tu(φ) >=< u(x), φ >

Proposition 3.6.1
Soient E, F deux K-espaces vectoriels et u : E −→ F une application linéaire. Si v : F ∗ −→ E ∗
est une application linéaire vérifiant :

∀φ ∈ F ∗ , ∀x ∈ E, < x, v(φ) >=< u(x), φ >

Alors v =t u, (c.à.d : t u est l’unique élément de LK (F ∗ , E ∗ ) vérifiant la relation ci-dessus)

Preuve 3.6.1
Exercice

Proposition 3.6.2
i) a)
∀u ∈ LK (E, F), ∀v ∈ LK (E, F), t (u + v) = tu + tv
b)
∀λ ∈ K, ∀u ∈ LK (E, F), t (λ.u) = λ.t u
ii)
∀u ∈ LK (E, F), ∀v ∈ Lk (F, G), t (v ◦ u) = tu ◦ tv

Preuve 3.6.2
Exercice

Théorème 3.6.1
Soient E et F deux K-espaces vectoriels, u une application linéaire de E vers F, alors :
i) Ker(t u) = (Im(u))⊥
ii) Im(t u) = (Ker(u))⊥

Preuve 3.6.3
i)
φ ∈ Ker(t u) ⇐⇒ t u(φ) = 0E ∗
⇐⇒ ∀x ∈ E , < x, t u(φ) >=< u(x), φ >= 0
⇐⇒ φ ∈ (Im(u))⊥
D’où Ker(t u) = (Im(u))⊥

ii) Soit ψ ∈ Im(t u) donc il existe φ ∈ F ∗ tel que :

∀x ∈ E , < u(x), φ >=< x, ψ >

Donc en particulier, pour x ∈ Ker(u) on a < x, ψ >= 0

Donc Im(t u) ⊆ (Ker(u))⊥

65 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 66

Soit maintenant ψ ∈ (Ker(u))⊥ . Montrons qu’il existe φ ∈ F ∗ tel que ψ = t u(φ)

Pour cela, soit G un supplémentaire de Im(u) dans F et soit φ : F → K la relation qui à y ∈
F , y = u(x) + z avec z ∈ G fait correspondre
< y, φ >=< x, ψ >.
Alors φ définit bien une application, car si u(x) = u(x0 ) alors x − x0 ∈ Ker(u) et par suite <
x − x0 , ψ >= 0, et ψ est linéaire et on a :

∀x ∈ E , < u(x), φ >=< x, ψ >

Donc ψ = t u(φ)

Théorème 3.6.2
Soient E un K-espace vectoriel de dimension finie, u un endomorphisme de E,
β = (e1 , e2 , · · · , en ) une base de E et A = (ai, j )1≤i, j≤n = Mat(u, β), alors

Mat(tu, β∗ ) = tA

où β∗ est la base duale de β.

Preuve 3.6.4
Rappelons que ai, j =< u(e j ), e∗i >
Soit B = (bi, j )1≤i, j≤n la matrice de tu dans la base (e∗1 , e∗2 , · · · , e∗n ) alors on a :
n
∀ j, j = 1, 2, . . . , n, tu (e∗j ) = ∑ bk, j e∗k
k=1

Donc pour tout i, 1 ≤ i ≤ n on a :

n
< ei , t u(e∗j ) >= ∑ bk, j < ei, e∗k >= bi, j
k=1

Donc bi, j =< ei , t u(e∗j ) >=< u(ei ), e∗j >= a j,i

D’où le résultat .

3.7 Exercices
Exercice 3.7.1
Soient E = R3 [X] l’espace vectoriel des polynômes réels de degré ≤ 3, β = (e0 , e1 , e2 , e3 ) la
base canonique de E et F la partie de E définie par :

P ∈ F ⇐⇒ P(1) = 0 et P00 (0) = 0

Rappelons que e0 = 1, e1 = X, e2 = X 2 et e3 = X 3 .
1. Vérifier que F est un sous-espace vectoriel de E et déterminer une base de F.
2. a) Quelle est la dimension de F ⊥ ?

66 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 67

b) Montrer que
ϕ ∈ F ⊥ ⇐⇒ ϕ(e0 ) = ϕ(e1 ) = ϕ(e3 )
.
c) Soient ϕ0 , ϕ1 , ϕ2 , et ϕ3 les formes linéaires définies par :

ϕ0 = e∗2



ϕ1 = e∗0 + e∗1 + e∗3




 ϕ2 = e∗1 − e∗2
ϕ3 = e∗2 − e∗3


Vérifier que (ϕ0 , ϕ1 , ϕ2 , ϕ3 ) est une base de E et déterminer sa base préduale (v0 , v1 , v2 , v3 ).

Exercice 3.7.2
Soient n un entier ≥ 1 et Rn [X] l’ensemble des polynômes à coëfficients réels de degré ≤ n et
soit l’application
ϕ : Rn [X] −→ R
P 7−→ ϕ(P) = 01 P(t)dt
R

a) Montrer que Rn [X] est un R-espace vectoriel. Quelle est sa dimension ?

b) Montrer que ϕ est une forme linéaire sur Rn [X].
c) Pour chaque i ∈ {0, 1, . . . , n}, soit l’application

ϕi : Rn [X] −→ R
P 7−→ P( ni )

Montrer que ∀i ∈ {0, 1, . . . , n}, ϕi est une forme linéaire sur Rn [X] et que (ϕ0 , ϕ1 , . . . , ϕn )
est une base de (Rn [X])∗ .
d) En déduire qu’il existe des scalaires a0 , a1 , . . . , an tel que
Z 1 n
i
∀P ∈ Rn [X], P(t)dt = ∑ ai P( )
0 i=0 n

Exercice 3.7.3
Soit E l’espace vectoriel des polynômes de degré ≤ 3 à coëfficients réels. On considère les
formes linéaires ϕ1 , ϕ2 , ϕ3 , ϕ4 définies sur E par :

∀P ∈ E, ϕ1 (P) = P(0), ϕ2 (P) = P(1), ϕ3 (P) = P0 (0), ϕ4 (P) = P0 (1)

où P0 désigne le polynôme dérivé de P.

a) Montrer que B∗ = (ϕ1 , ϕ2 , ϕ3 , ϕ4 ) est une base de E ∗ .
b) Déterminer la base B de E telle que B ∗ soit la base duale de B .
c) Soit ϕ la forme linéaire sur E définie par :
Z 1
∀P ∈ E, ϕ(P) = P(t)dt
0

Déterminer les composantes de ϕ dans la base B∗ .

67 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 68

Exercice 3.7.4
Soit E = Kn [X], dans chacune des cas suivants, montrer que β est une base de E et d‘’eterminer
sa base duale
i) β = (ϕ0 , ϕ1 , . . . , ϕn ), où chaque ϕi , 0 ≤ i ≤ n, est définie par :

∀P ∈ E, ϕi (P) = P(xi )

où x0 , x1 , . . . , xn sont des éléments de K deux à deux distincts.

ii) β = (ϕ0 , ϕ1 , . . . , ϕn ), où chaque ϕi , 0 ≤ i ≤ n, est définie par :

∀P ∈ E, ϕi (P) = P(i) (0)

iii) β = (ϕ0 , ϕ1 , . . . , ϕn ), où chaque ϕi , 0 ≤ i ≤ n, est définie par :

∀P ∈ E, ϕi (P) = P(i) (xi )

où x0 , x1 , . . . , xn sont des éléments de K deux à deux distincts.

Exercice 3.7.5
Soient E = Kn [X] et ϕ une forme linéaire sur E.
1. On suppose qu’il existe a ∈ K tel que

∀P ∈ Kn−1 [X], ϕ((X − a)P) = 0

Montrer qu’il existe λ ∈ K tel que ∀P ∈ E, ϕ(P) = λP(a).

2. On suppose qu’il existe a ∈ K tel que

∀P ∈ Kn−2 [X], ϕ((X − a)2 P) = 0

Montrer qu’il existe (λ, µ) ∈ K2 tel que

∀P ∈ E, ϕ(P) = λP(a) + µP0 (a)

Exercice 3.7.6
1. Montrer que si F est un sous-espace vectoriel de E de dimension finie et si l’espace
quotient E/F est de dimension finie, alors E est de dimension finie.
2. Soient ϕ1 , ϕ2 , . . . , ϕn des formes linéaires sur E. Montrer que si E est de dimension infinie
alors ∩ni=1 Ker(ϕi ) 6= {0} et que ∩ni=1 Ker(ϕi ) est de codimension finie.

Exercice 3.7.7
Soit E un K-espace vectoriel quelconque et p un entier ≥ 1. On suppose qu’il existe p formes
linéaires ϕ1 , ϕ2 , . . . , ϕ p , telles que

∀x ∈ E, ϕ1 (x) = ϕ2 (x) = · · · = ϕ p (x) = 0 =⇒ x = 0

Montrer que E est de dimension finie ≤ p.

68 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 69

Exercice 3.7.8
Soient f1 , f2 , . . . , fn des fonctions de R vers R, telle que ( f1 , f2 , . . . , fn ) soit libre dans RR .
Montrer qu’il existe des nombres réels x1 , x2 , . . . , xn , telle que


det ( fi (x j ))1≤i, j≤n 6= 0

Exercice 3.7.9
Soient K un corps commutatif et E = Kn [X]. Soient Q ∈ E et pour chaque i, 1 ≤ i ≤ n, Qi =
Q(X + i).
1. Montrer que (Q, Q0 , Q00 , . . . , Q(n) ) est une base de E.
2. Montrer que si ϕ est une forme linéaire sur E, alors il existe (α0 , α1 , . . . , αn ) ∈ K n+1 , tel
que
∀P ∈ E, ϕ(P) = α0 P(0) + α1 P0 (0) + α2 P00 (0) + · · · + αn P(n) (0)
3. Soit ϕ ∈ E ∗ , telle que ϕ(Q0 ) = ϕ(Q1 ) = . . . = ϕ(Qn ) = 0. Montrer que ϕ est nulle.
4. En déduire que (Q0 , Q1 , . . . , Qn ) est une base de E.

Exercice 3.7.10
Soient K un corps commutatif, A = (ai, j )1≤i, j≤n un élément de Mn (K). Rappelons que la trace
de A est df́inie par :
n
tr(A) = ∑ ai,i
i=1
a) Montrer que pour tout A, B ∈ Mn (K), tr(A.B) = tr(B.A) et en déduire que deux matrices
semblables ont même trace
b) Montrer que si pour tout A ∈ Mn (K) , tr(A.B) = 0 alors B = 0
c) Montrer que l’application Φ : Mn (K) → (Mn (K))∗ qui à A fait correspondre φA qui est
défini par :
∀B ∈ Mn (K) , < B, φA >= tr(A.B)
est un isomorphisme d’espaces vectoriels
d) Soit A ∈ Mn (K) tel que pour tout B ∈ Mn (K), A.B = B.A. Montrer qu’il existe λ ∈ K tel
que A = λ.I
e) Soit φ une forme linéaire sur Mn (K) tel que :

∀A ∈ Mn (K) , ∀B ∈ Mn (K) , φ(A.B) = φ(B.A)

Montrer qu’il existe λ ∈ K tel que :

∀A ∈ Mn (K) , φ(A) = λ.tr(A)

Exercice 3.7.11
Soient E un K-espace vectoriel de dimension finie et u un endomorphisme de E tel que u3 −
2u2 + u = 0. Montrer que tr(u) ∈ N

Exercice 3.7.12
Soient E = {P ∈ C[X] : deg(P) ≤ 2}, (e1 , e2 , e3 ) la base canonique de E. Rappelons que
e1 = 1, e2 = X et e3 = X 2

69 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 70

a) Déterminer la base (e∗1 , e∗2 , e∗3 ) de E ∗ duale de la base (e1 , e2 , e3 )

b) Soient a, b, c trois éléments de C deux à deux distincts. On pose
P1 = (X − b)(X − c), P2 = (X − c)(X − a) et P3 = (X − a)(X − b). Montrer que (P1 , P2 , P3 )
est une base de E et trouver les coordonnées d’un polynôme P dans cette base
c) Déterminer la base (P1∗ , P2∗ , P3∗ ) duale de la base (P1 , P2 , P3 )
d) Soit u l’endomorphisme de E défini par :
0
∀P ∈ E , u(P) = XP + P

Déterminer t u
Exercice 3.7.13
Soient B1 et B2 deux bases d’un K-espace vectoriel E et soit P la matrice de passage de B1 à
B2 . Déterminer la matrice de passage Q de B1∗ à B2∗ .
Exercice 3.7.14
Soient En l’espace vectoriel des polynômes de de degré ≤ n à coëfficients réels, a0 , a1 , . . . , an
des réels deux à deux distincts et f0 , f1 , . . . , fn les formes linéaires sur En définies par :

∀ j, 1 ≤ j ≤ n, ∀P ∈ En , f j (P) = P(a j )

a) Montrer que B ∗ = ( f0 , f1 , . . . , fn ) est une base de En∗ .

b) En déduire que la matrice (akj )0≤ j,k≤n est inversible.
c) Déterminer la base B de En telle que B ∗ soit la base duale de B .
d) (Interpolation de Lagrange). Etant donnés des réels b0 , b1 , . . . , bn , déterminer un poly-
nôme P tel que
∀ j, 0 ≤ j ≤ n, P(a j ) = b j

Exercice 3.7.15
Soient a et b deux nombres réels quelconques et ϕ1 , ϕ2 , ϕ3 les formes linéaires définies sur R3
par 
ϕ1 (x, y, z) = x + ay + bz

ϕ2 (x, y, z) = ax + a2 y + z

ϕ3 (x, y, z) = bx + y + a2 z


a) Trouver une condition necessaire et suffisante sur a et b pour que (ϕ1 , ϕ2 , ϕ3 ) soit une
base de (R3 )∗ .
b) Dans le cas où a = 1 et b = 2 déterminer, dans R3 , la base préduale de (ϕ1 , ϕ2 , ϕ3 ).

Exercice 3.7.16
Soient K un corps commutatif, ϕ1 , ϕ2 , . . . , ϕn les formes linéaires sur K n définies par :

∀i, 1 = 1, 2, . . . n − 1, ϕi (x) = xi + xi+1 , ϕn (x) = x1 + xn

a) Pour quelles valeurs de n, (ϕ1 , ϕ2 , . . . , ϕn ) forme une base de (K n )∗ ?

b) Dans le cas où (ϕ1 , ϕ2 , . . . , ϕn ) forme une base, déterminer dans K n sa base duale.

70 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 71

Exercice 3.7.17
Soient E un K-espace vectoriel et φ, φ1 , φ2 , . . . , φm des formes linéaires sur E. (m ≥ 2). Montrer
que les propositions suivantes sont equivalentes :
m
Ker(φi ) ⊆ Ker(φ)
T
i)
i=1
m
ii) Il existe α1 , α2 , . . . , αm ∈ K tel que φ = ∑ αi φi
i=1

Exercice 3.7.18
a) Soit K un corps commutatif. Montrer que (K[X])∗ est isomorphe à KN , le K-espace
vectoriel de toutes les suites de K
b) Montrer que QN n’est pas dénombrable
c) En déduire que Q[X] n’est pas isomorphe à (Q)∗

71 Mohamed HOUIMDI
CHAPITRE 3. FORMES LINÉAIRES-DUALITÉ 72

72 Mohamed HOUIMDI
Chapitre 4
Formes multilinéaires - Déterminants

4.1 Formes multilinéaires

4.1.1 Définition et propriètés élémentaires
Définition 4.1.1
Soit E un K-espace vectoriel et p un entier ≥ 1, une forme p-linéaire sur E est une application :

f : E p −→ K
(x1 , x2 , . . . , x p ) 7−→ f (x1 , x2 , . . . , x p )

telle que pour chaque i, 1 ≤ i ≤ p, l’application :

fi : E −→ K
x 7−→ (x1 , x2 , . . . , xi−1 , x, xi+1 , . . . , x p )

est une forme linéaire sur E.

Remarque 4.1.1
1. Soit f une forme p-linéaire sur E, s’il existe i, 1 ≤ i ≤ p, tel que xi = 0
alors f (x1 , x2 , . . . , xn ) = 0
2. Une forme 1-linéaire sur E est tout simplement une forme linéaire sur E.
3. Une 2-forme sur E s’appelle une forme bilinéaire sur E.
4. Une 3-forme sur E s’appelle une forme trilinéaire sur E.
5. On note L p (E) l’ensemble de toutes les formes p-linéaires sur E, alors L p (E) est un
K-espace vectoriel, c’est un sous-espace vectoriel de l’espace vectoriel de toutes les ap-
plications de E p vers K.
Notations 4.1.1
Pour chaque entier n ≥ 1, on pose Nn = {1, 2, . . . , n}. On note F (N p , Nn ) l’ensemble de toutes
les applications de N p vers Nn . On rappelle que toute application de N p vers Nn est déterminée
p
par un unique p-uplet de Nn , autrement dit, l’application :
F (N p , Nn ) −→ Nnp
ϕ 7−→ (ϕ(1), ϕ(2), . . . , ϕ(p))

73
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 74

est une bijection.

Rappelons aussi qu’une bijection de Nn vers Nn s’appelle une permutation de Nn , que l’en-
semble de toutes les permutations de Nn se note Sn et que Sn munit de la loi de composition des
applications est un groupe.

Règles de calcul
1. Si f est une forme bilinéaire sur E, alors
i)
∀x1 , x2 , y1 , y2 ∈ E, ∀α1 , α2 , β1 , β2 ∈ K, f (α1 x1 + α2 x2 , β1 y1 + β2 y2 )
= α1 β1 f (x1 , y1 ) + α1 β2 f (x1 , y2 ) + α2 β1 f (x2 , y1 ) + α2 β2 f (x2 , y2 )
ii)

∀x1 , x2 , . . . , xn ∈ E, ∀y1 , y2 , . . . , yn ∈ E, ∀α1 , α2 , . . . , αn ∈ K, ∀β1 , β2 . . . , βn ∈ K,

n n
f ( ∑ αi xi , ∑ β j y j ) = ∑ αi β j f (xi , y j )
i=1 j=1 (i, j)∈N2n
2. Soient E un K-espace vectoriel de dimension finie = n, (e1 , e2 , . . . , en ) une base de E et f
une forme p-linéaire de E. Soit (x1 , x2 , . . . , x p ) ∈ E p , alors
n
∀ j, 1 ≤ j ≤ p, x j = ∑ ai j ei
i=1

Donc on aura
n n n
f (x1 , x2 , . . . , x p ) = f ( ∑ ai1 1 ei1 , ∑ ai22ei2 , . . . , ∑ ai p pei p )
i1 =1 i2 =1 i p =1

= ∑ ai1 1 ai2 2 · · · ai p p f (ei1 , ei2 , . . . , ei p )

p
(i1 ,i2 ,...,i p )∈Nn

p
Pour chaque (i1 , i2 , . . . , i p ) ∈ Nn , soit ϕ ∈ F (N p , Nn ) définie par :

ϕ(1) = i1 , ϕ(2) = i2 , . . . , ϕ(p) = i p

alors on aura

f (x1 , x2 , . . . , x p ) = ∑ aϕ(1),1 aϕ(2),2 · · · aϕ(p),p f (eϕ(1) , eϕ(2) , . . . , eϕ(p) )

ϕ∈F (N p ,Nn )

74 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 75

4.1.2 Formes multilinéaires alternées

Définition 4.1.2
Soient E un K-espace vectoriel et f une forme p-linéaire sur E,
i) On dit que f est symétrique, si

∀σ ∈ S p , ∀(x1 , x2 , . . . , x p ) ∈ E p , f (xσ(1) , xσ(2) , . . . , xσ(p) ) = f (x1 , x2 , . . . , x p )

ii) On dit que f est antisymétrique, si

∀σ ∈ S p , ∀(x1 , x2 , . . . , x p ) ∈ E p , f (xσ(1) , xσ(2) , . . . , xσ(p) ) = ε(σ) f (x1 , x2 , . . . , x p )

iii) On dit que f est alternée, si

∀(x1 , x2 , . . . , x p ) ∈ E p , ∀i, ∀ j, 1 ≤ i, j ≤ p, [i 6= j et xi = x j ] =⇒ f (x1 , x2 , . . . , x p ) = 0

Remarque 4.1.2
Soit f une forme bilinéaire sur E, alors
i) f est symétrique, si et seulement si

∀(x, y) ∈ E 2 , f (y, x) = f (x, y)

ii) f est antisymétrique, si et seulement si

∀(x, y) ∈ E 2 , f (y, x) = − f (x, y)

iii) f est alternée, si et seulement si

∀x ∈ E, f (x, x) = 0

Théorème 4.1.1
Soient E un K-espace vectoriel, où K est un corps de caractéristique 6= 2, et f une p-forme sur
E, alors f est antisymétrique, si et seulement si, f est alternée.

Preuve 4.1.1
(=⇒) Supposons que f est antisymétrique et soit (x1 , x2 , . . . , x p ) ∈ E p , tel qu’il existe i et j avec
i 6= j et xi = x j . Montrons que f (x1 , x2 , . . . , x p ) = 0, pour cela, supposons par exeple que i < j,
et soit τ la transposition de S p qui échange i et j, rappelons que τ est définie par :

τ(i) = j, τ( j) = i, et τ(k) = k, ∀k ∈ N \ {i, j}

Puisque f est antisymétrique, alors on a :

f (xτ(1) , xτ(2) , . . . , xτ(i) , . . . , xτ( j) , . . . , xτ(p) ) = ε(τ) f (x1 , x2 , . . . , xi , . . . , x j , . . . , x p )

= − f (x1 , x2 , . . . , xi , . . . , x j , . . . , x p )
( Car ε(τ) = −1)

75 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 76

D’autre part, on a

f (xτ(1) , xτ(2) , . . . , xτ(i) , . . . , xτ( j) , . . . , xτ(p) ) = f (x1 , x2 , . . . , x j , . . . , xi , . . . , x p )

= f (x1 , x2 , . . . , xi , . . . , x j , . . . , x p )
( Car xi = x j )

Donc on aura
2K . f (x1 , x2 , . . . , xi , . . . , x j , . . . , x p ) = 0
Puisque K est de caractéristique 6= 2, alors
f (x1 , x2 , . . . , xi , . . . , x j , . . . , x p ) = 0 et par suite f est alternée.
(⇐=) Supposons que f est alternée et montrons que f est antisymétrique. Pour cela et puisque
S p est engendré par les transpositions, il suffit de montrer que si τ est une transposition de S p ,
alors
f (xτ(1) , xτ(2) , . . . , xτ(p) ) = ε(τ) f (x1 , x2 , . . . , x p ) = − f (x1 , x2 , . . . , x p )
Posons τ = (i, j) avec i < j, puisque f est alternée, alors on a

f (x1 , x2 , . . . , xi + x j , . . . , xi + x j , . . . , x p ) = 0

D’autre part, puisque f est p-linéaire et f alternée, on a

f (x1 , x2 , . . . , xi + x j , . . . , xi + x j , . . . , x p ) =

f (x1 , x2 , . . . , xi , . . . , x j , . . . , x p ) + f (x1 , x2 , . . . , x j , . . . , xi , . . . , x p )
D’où f (x1 , x2 , . . . , x j , . . . , xi , . . . , x p ) = − f (x1 , x2 , . . . , xi , . . . , x j , . . . , x p )

Remarque 4.1.3
1. D’après la démonstration précédente, si K est de caractéristique 2, alors toute forme al-
ternée sur E est antisymétrique, cependant, dans ce cas, la réciproque n’est pas toujours
vraie. Par exemple, soit K = Z/2Z, E = K n et f la forme bilinéaire définie par :
n
Si x = (x1 , x2 , . . . , xn ), et y = (y1 , y2 , . . . , yn ), alors f (x, y) = ∑ xi yi
i=1

alors f est à la fois symétrique et antisymétrique, mais non alternée.

2. On note A p (E) l’ensemble de toutes les formes p-linéaires alternées sur E. Alors A p (E)
est un K-espace vectoriel, c’est un sous-espace vectoriel de L p (E).

Théorème 4.1.2
Soit E un K-espace vectoriel de dimension finie = n, alors on a
i) Pour tout p > n, A p (E) = {0}.
ii) A n (E) est de dimension 1.

76 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 77

Preuve 4.1.2
i) Soit (e1 , e2 , . . . , en ) une base de E et f une p-forme alternée sur E avec p > n. On doit
montrer que f est nulle. Pour cela, rappelons que si (x1 , x2 , . . . , x p ) ∈ E p tel que
n
∀ j, 1 ≤ j ≤ p, x j = ∑ ai j ei
i=1

alors d’après ce qui précéde (Voir exemple 4.1.1), on a :

f (x1 , x2 , . . . , x p ) = ∑ aϕ(1),1 aϕ(2),2 . . . aϕ(p),p f (eϕ(1) , eϕ(2) , . . . , eϕ(p) )

ϕ∈F (N p ,Nn )

Puisque p > n alors ∀ϕ ∈ F (N p , Nn ), ϕ est non injective, donc pour tout ϕ ∈ F (N p , Nn ), ϕ,

il existe i ∈ N p et il existe j ∈ N p avec i 6= j tel que ϕ(i) = ϕ( j) et puisque f est alter-
née, alors f (eϕ(1) , eϕ(2) , . . . , eϕ(p) ) = 0 et ceci ∀ϕ ∈ F (N p , Nn ), donc f est identiquement
nulle.
ii) Si maintenant p = n, alors, d’après ce qui pécéde, pour chaque ϕ ∈ / Sn , on a

f (eϕ(1) , eϕ(2) , . . . , eϕ(n) ) = 0

Donc pour tout (x1 , x2 , . . . , xn ) ∈ E n , on a

f (x1 , x2 , . . . , xn ) = ∑ aσ(1),1aσ(2),2 . . . aσ(n),n f (eσ(1), eσ(2), . . . eσ(n))

σ∈Sn
= ∑ ε(σ)aσ(1),1aσ(2),2 . . . aσ(n),n f (e1, e2, . . . en)
σ∈Sn

(Car f est alternée, donc f est antisymétrique.)

Posons ∆(x1 , x2 , . . . , xn ) = ∑ ε(σ)aσ(1),1aσ(2),2 . . . aσ(n),n et α = f (e1 , e2 , . . . en )

σ∈Sn

Alors ∆ ∈ A n (E) et f = α∆, donc A n (E) = Vect(∆) avec ∆ 6= 0,

car ∆(e1 , e2 , . . . , en ) = 1, donc dimK (A n (E)) = 1
Il est clair que ∆ est p-linéaire. Vérifions que ∆ est alternée, pour cela,
soit (x1 , x2 , . . . , xn ) ∈ E p tel que, il existe i et il existe j, 1 ≤ i < j ≤ p et xi = x j , on doit
donc montrer que f (x1 , x2 , . . . , xn ) = 0. Soit τ = (i, j) la transposition qui echange i et j,
alors on a :

∆(x1 , . . . , xi , . . . , x j , . . . , xn ) = ∑ ε(σ)aσ(1),1 . . . aσ(i),i . . . aσ( j), j . . . aσ(n),n

σ∈Sn

Soit An le sous -groure de Sn constitué des permutations paires. Rappelons que

An = {σ ∈ Sn : ε(σ) = 1} et que pour toute transposition τ ∈ Sn ,
τ(Sn \ An ) = {τσ : σ ∈ Sn \ An } = An . On a alors :

∑ ε(σ)aσ(1),1 . . . aσ(i),i . . . aσ( j), j . . . aσ(n),n

σ∈Sn

= ∑ ε(σ)aσ(1),1 . . . aσ(i),i . . . aσ( j), j . . . aσ(n),n

σ∈An

77 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 78

+ ∑ ε(σ)aσ(1),1 . . . aσ(i),i . . . aσ( j), j . . . aσ(n),n

σ∈Sn \An

= ∑ ε(σ)aσ(1),1 . . . aσ(i),i . . . aσ( j), j . . . aσ(n),n

σ∈An

+ ∑ ε(σ)aσ(τ(1)),1 . . . aσ(τ( j)),i . . . aσ(τ(i)), j . . . aσ(τ(n)),n

σ∈Sn \An

= ∑ ε(σ)aσ(1),1 . . . aσ(i),i . . . aσ( j), j . . . aσ(n),n

σ∈An

+ ∑ ε(σ)aστ(1),1 . . . aστ( j),i . . . aστ(i), j . . . aστ(n),n

σ∈Sn \An

Dans le deuxième membre de cette somme faisons le changement d’indice ϕ = τσ, donc
on aura, ε(σ) = −ε(ϕ) et lorsque σ décrit Sn \ An , ϕ décrit An , et par suite on a :

∑ ε(σ)aστ(1),1 . . . aστ( j),i . . . aστ(i), j . . . aστ(n),n

σ∈Sn \An

=− ∑ ε(σ)aϕ(1),1 . . . aϕ( j),i . . . aϕ(i), j . . . aϕ(n),n

ϕ∈An

Or xi = x j , donc pour tout k, 1 ≤ k ≤ n, ak,i = ak, j et par conséquent on aura aϕ( j),i = aϕ( j), j
et aϕ(i), j = aϕ(i),i , donc
∆(x1 , . . . , xi , . . . , x j , . . . , xn ) =
∑ ε(σ)aσ(1),1 . . . aσ(i),i . . . aσ( j), j . . . aσ(n),n − ∑ ε(ϕ)aϕ(1),1 . . . aϕ(i),i . . . aϕ( j), j . . . aϕ(n),n = 0
σ∈An ϕ∈An

D’où le résultat.
Exemple 4.1.1
1. Si dimK (E) = 2, si f est une forme bilinéaire alternée sur E et si (e1 , e2 ) est une base de
E, alors pour x = x1 e1 + x2 e2 et y = y1 e1 + y2 e2 , on a
 
x1 y1 
f (x, y) = f (x1 e1 + x2 e2 , y1 e1 + y2 e2 ) = (x1 y2 − x2 y1 ) f (e1 , e2 ) =   f (e1 , e2 )
x2 y2 

Donc  
x1 y1 
∆(x, y) =  
x2 y2 
2. Si dimK (E) = 3, si f est une forme trilinéaire alternée sur E et si (e1 , e2 , e3 ) est une base
de E, alors pour x = x1 e1 + x2 e2 + x3 e3 , y = y1 e1 + y2 e2 + y3 e3 et z = z1 e1 + z2 e2 + z3 e3 ,
on a

f (x, y, z) = f (x1 e1 + x2 e2 + x3 e3 , y1 e1 + y2 e2 + y3 e3 , z1 e1 + z2 e2 + z3 e3 )
= (x1 y2 z3 − x1 y3 z2 − x2 y1 z3 + x3 y1 z1 + x2 y3 z1 − x3 y2 z1 ) f (e1 , e2 , e3 )
 
x1 y1 z1 
 
= x2 y2 z3  f (e1 , e2 , e3 )
x3 y3 z3 

78 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 79

4.2 Déterminants
4.2.1 Déterminant d’un système de vecteurs
Définition 4.2.1
Soient E un K-espace vectoriel de dimension finie = n, B = (e1 , e2 , . . . , en ) une base de E et
(x1 , x2 , . . . , xn ) ∈ E n tel que :
n
∀ j, 1 ≤ j ≤ n, x j = ∑ ai, j ei
i=1
On définit le déterminant de (x1 , x2 , . . . , xn ) par rapport à la base (e1 , e2 , . . . , en ), par :

detB (x1 , x2 , . . . , xn ) = ∆(x1 , x2 , . . . , xn ) = ∑ ε(σ)aσ(1),1aσ(2),2 . . . aσ(n),n

σ∈Sn

Remarque 4.2.1
Soient E un K-espace vectoriel de dimension finie = n, B = (e1 , e2 , . . . , en ) une base de E et
(x1 , x2 , . . . , xn ) ∈ E n , alors d’après ce qui précéde, l’application :
detB : E n −→ K
(x1 , x2 , . . . , xn ) 7−→ detB (x1 , x2 , . . . , xn )
est une forme n-linéaire alternée sur E telle que pour toute forme n-linéaire alternée f sur E, on
a
f (x1 , x2 , . . . , xn ) = detB (x1 , x2 , . . . , xn ) f (e1 , e2 , . . . , en )
En particulier, si B0 = (e01 , e02 , . . . , e0n ) est une autre base de E, alors f = detB0 est une forme
n-linéaire sur E, donc on aura
∀(x1 , x2 , . . . , xn ) ∈ E n , detB0 (x1 , x2 , . . . , xn ) = detB (x1 , x2 , . . . , xn )detB0 (B)
Donc nous obtenons le résultat suivant :
Théorème 4.2.1
E un K-espace vectoriel de dimension finie = n,
B = (e1 , e2 , . . . , en ) et B0 = (e01 , e02 , . . . , e0n ) deux bases de E. Alors,

detB (B0 )detB0 (B) = 1

Preuve 4.2.1
D’après la remarque précédente, on a
1 = detB0 (B0 ) = detB (B0 )detB0 (B)
Théorème 4.2.2
Soient E un espace vectoriel de dimension finie = n et (x1 , x2 , . . . , xn ) ∈ E n . Alors (x1 , x2 , . . . , xn )
est une base de E, si et seulement si, il existe une base B = (e1 , e2 , . . . , en ) tel que
detB (x1 , x2 , . . . , xn ) 6= 0
Preuve 4.2.2 (Exercice)

79 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 80

4.2.2 Déterminant d’un endomorphisme

Proposition 4.2.1
Soient E un K-espace vectoriel de dimension finie = n, B = (e1 , e2 , . . . , en ), et u un endomorpisme
de E. Alors la quantité :
detB (u(e1 ), u(e2 ), . . . , u(en ))
ne dépend pas de la base B.

Preuve 4.2.3
Soit B0 = (e01 , e02 , . . . , e0n ) une autre base de E. On doit démontrer que

detB0 (u(e01 ), u(e02 ), . . . , u(e0n )) = detB (u(e1 ), u(e2 ), . . . , u(en ))

Pour cela, considérons l’application f définie par :

∀(x1 , x2 , . . . , xn ) ∈ E n , f (x1 , x2 , . . . , xn ) = detB (u(x1 ), u(x2 ), . . . , u(xn ))

Alors il est clair que f est une forme n-linéaire alternée sur E, donc d’après ce qui précéde, on
aura :
∀(x1 , x2 , . . . , xn ) ∈ E n , detB (u(x1 ), u(x2 ), . . . , u(xn ))
= detB (x1 , x2 , . . . , xn )detB (u(e1 ), u(e2 ), . . . , , u(en ))
En paticulier, on a :

detB (u(e01 ), u(e02 ), . . . , u(e0n )) = detB (B0 )detB (u(e1 ), u(e2 ), . . . , u(en )) (1)

D’autre part, l’application g définie par

∀(x1 , x2 , . . . , xn ) ∈ E n , g(x1 , x2 , . . . , xn ) = detB0 (x1 , x2 , . . . , xn )

est une forme n-linéaire sur E, donc on aura aussi,

∀(x1 , x2 , . . . , xn ) ∈ E n , detB0 (x1 , x2 , . . . , xn ) = detB0 (B)detB (x1 , x2 , . . . , xn )

Donc en paticulier, pour (x1 , x2 , . . . , xn ) = (u(e01 ), u(e02 ), . . . , u(e0n )), on a

detB0 (u(e01 ), u(e02 ), . . . , u(e0n )) = detB0 (B)detB (u(e01 ), u(e02 ), . . . , u(e0n )) (2)

D’après (1) et (2), on déduit que

detB0 (u(e01 ), u(e02 ), . . . , u(e0n )) = detB0 (B)detB (B0 )detB (u(e1 ), u(e2 ), . . . , u(en ))

Puisque detB0 (B)detB (B0 ) = 1, alors on a le résultat.

Définition 4.2.2
Soient E un K-espace vectoriel de dimension finie = n, B = (e1 , e2 , . . . , en ) une base de E et u un
endomorpisme de E. On définit le déterminant de u par :

det(u) = detB (u(e1 ), u(e2 ), . . . , u(en ))

80 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 81

Remarque 4.2.2
1. D’après la proposition précédente, la définition a un sens, car det(u) ne dépend pas de la
base choisie.
2. Supposons que
n
∀ j, 1 ≤ j ≤ n, u(e j ) = ∑ ai, j ei
i=1
Alors on a
det(u) = ∑ ε(σ)aσ(1),1aσ(2),2 . . . aσ(n),n
σ∈Sn

Théorème 4.2.3
Soit E un K-espace vectoriel de dimension finie. Alors
i) det(IdE ) = 1
ii) ∀u ∈ LK (E), ∀v ∈ LK (E), det(v ◦ u) = det(v) det(u)
iii) Un endomorphisme u est inversible, si et seulement si, det(u) 6= 0.

Preuve 4.2.4
Fixons une base B = (e1 , e2 , . . . , en ) de E. Alors
i)
det(IdE ) = detB (e1 , e2 , . . . , en ) = 1
ii) On sait que pour tout (x1 , x2 , . . . , xn ) ∈ E n , on a

detB (v(x1 ), v(x2 ), . . . , v(xn )) = detB (x1 , x2 , . . . , xn )detB (v(e1 ), v(e2 ), . . . , v(en ))

Donc en particulier, pour (x1 , x2 , . . . , xn ) = (u(e1 ), u(e2 ), . . . , u(en )), on aura

detB (v(u(e1 )), v(u(e2 )), . . . , v(u(en )))

= detB (u(e1 ), u(e2 ), . . . , u(en ))detB (v(e1 ), v(e2 ), . . . , v(en ))

D’où le résultat.
iii)

det(u) 6= 0 ⇐⇒ detB (u(e1 ), u(e2 ), . . . , u(en )) 6= 0

⇐⇒ (u(e1 ), u(e2 ), . . . , u(en )) est une base de E
⇐⇒ u est inversible

4.2.3 Déterminant d’une matrice carrée

Définition 4.2.3
Soient K un corps commutatif et A = (ai, j )1≤i, j≤n une matrice carrée d’ordre n à coëfficiens dans
K. Alors le déterminant de A est défini par :

det(A) = ∑ ε(σ)aσ(1),1aσ(2),2 . . . aσ(n),n

σ∈Sn

81 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 82

Remarque 4.2.3
1. Soit A = (ai, j )1≤i, j≤n une matrice carrée d’ordre n à coëfficients dans K, B = (e1 , e2 , . . . , en )
la base canonique de K n . Pour chaque j, 1 ≤ j ≤ n, posons
n
v j = ∑ ai, j ei
i=1

Alors v1 , v2 , . . . , vn s’appellent les vecteurs colonnes de la matrice A et on a

det(A) = detB (v1 , v2 , . . . , vn )

2. Soient E un K-espace vectoriel, B = (e1 , e2 , . . . , en ) une base de E, u un endomorphisme

de E et A = (ai, j )1≤i, j≤n la matrice de u dans la base B. Alors

det(u) = det(A)

En effet, on a :
∀ j, 1 ≤ j ≤ n, u(e j ) = ∑ ai, j ei
i=1

3. En pratique, le déterminant d’une matrice A = (ai, j )1≤i, j≤n , se note

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

4. Puisque det(A) = detB (v1 , v2 , . . . , vn ), où v1 , v2 , . . . , vn sont les vecteurs colonnes de la

matrice A et puisque detB est une forme n-linéaire alternée, alors
i) Si l’on effectue une permutation σ sur les colonnes de A, det(A) se change en ε(σ) det(A).
ii) Si les vecteurs colonnes de A forment un système lié, alors det(A) = 0.
iii) ∀λ ∈ K, det(λA) = λn det(A)
iv) Le déterminant ne change pas de valeur, si l’on ajoute à une colonne de A une com-
binaison linéaire quelconque des autres colonnes de A.

Théorème 4.2.4
Soient K un corps commutatif, A et B deux matrices carrée d’ordre n à coëfficients dans A et In
la matrice identité. Alors
i) det(In ) = 1
ii) det(AB) = det(A) det(B)
iii) A est inversible, si et seulement si, det(A) 6= 0

Preuve 4.2.5
i) Trivial
ii) Soient u et v les endomorphismes de K n de matrices respectivement A et B dans la base
canonique de K n , donc u ◦ v est de matrice AB dans la base canonique de K n . Par suite on
a:
det(AB) = det(u ◦ v) = det(u) det(v) = det(A) det(B)

82 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 83

iii) Exercice

Proposition 4.2.2
Soient A une matrice carrée, alors det(tA) = det(A), où tA désigne la matrice transposée de A.

Preuve 4.2.6
Posons A = (ai, j )1≤i, j≤n et tA = (bi, j )1≤i, j≤n alors ∀i, ∀ j, bi, j = a j,i , donc

det(tA) = ∑ ε(σ)bσ(1),1bσ(2),2 . . . bσ(n),n = ∑ ε(σ)a1,σ(1)a2,σ(2) . . . an,σ(n)

σ∈Sn σ∈Sn

Remarquons que pour tout σ ∈ Sn , on a

a1,σ(1) a2,σ(2) . . . an,σ(n) = aσ−1 (1),1 aσ−1 (2),2 . . . aσ−1 (n),n

Puis posons ϕ = σ−1 et remarquons que ε(ϕ) = ε(σ−1 ) = ε(σ), donc on aura :

det(tA) = ∑ ε(ϕ)aϕ(1),1aϕ(2),2 . . . aϕ(n),n = det(A)

ϕ∈Sn

4.2.4 Développement d’un déterminant

Définition 4.2.4
Soit A = (ai, j )1≤i, j≤n une matrice carrée d’ordre n. On appelle mineur relativement au terme
ai, j , le déterminant de la matrice d’ordre n − 1 obtenue en supprimant dans A la iieme ligne et la
jieme colonne.

Notations 4.2.1
On note ∆i, j le mineur relativement au terme ai, j

Théorème 4.2.5 (Développement d’un déterminant suivant une colonne)

Soit A = (ai, j )1≤i, j≤n une matrice carrée d’ordre n. Alors
n
∀ j, 1 ≤ j ≤ n, det(A) = ∑ (−1)i+ j ai, j ∆i, j
i=1

Preuve 4.2.7
Pour la démonstration de ce théorème, on a besoin du lemme suivant

Lemme 4.2.1
Soit M une matrice carrée d’ordre n. On suppose que
 
A C
M=
O B

où A et B sont deux matrices carrées d’ordre respectivement p et q avec p + q = n, alors

det(M) = det(A) det(B)

83 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 84

Preuve 4.2.8 (du lemme)

Posons M = (αi, j )1≤i, j≤n , A = (ai, j )1≤i, j≤p et B = (bi, j )1≤i, j≤q , alors
 
a1,1 . . . a1,p α1,p+1 . . . α1,n
 .. ... .. .. ... .. 
 . . . . 
a p,1 . . . a p,p α p,p+1 . . . α p,n 
 
M=
 0 ... 0 b1,1 . . . b1,q 

 . ... .. .. ... .. 
 .. . . . 
0 ... 0 bq,1 . . . bq,q
Donc on voit que 
ai, j
 1 ≤ i ≤ p et 1 ≤ j ≤ p
αi, j = bi−p, j−p p + 1 ≤ i ≤ n et p + 1 ≤ j ≤ n

0 p + 1 ≤ i ≤ n et 1 ≤ j ≤ p


D’autre part, on sait que

det(M) = ∑ ε(σ)ασ(1),1ασ(2),2 . . . ασ(n),n
σ∈Sn
Considérons l’ensemble
A = {σ ∈ Sn : σ({1, 2, . . . , p}) = {1, 2, . . . , p}}
Alors pour σ ∈/ A , il existe i ∈ {1, 2, . . . , p} tel que σ(i) ∈ {p + 1, p + 2, . . . , n}, donc ασ(i),i = 0
et par suite ασ(1),1 ασ(2),2 . . . ασ(n),n = 0, cette remarque entraîne que
det(M) = ∑ ε(σ)ασ(1),1 . . . ασ(p),pασ(p+1),p+1 . . . ασ(n),n
σ∈A
Pour σ ∈ A , soient σ1 ∈ S p et σ2 ∈ Sq définie par
(
σ1 (i) = σ(i) 1≤i≤ p
σ2 (i) = σ(i + p) − p 1≤i≤q
Alors on aura (
ασ(i),i = aσ1 (i),i 1≤i≤ p
ασ(p+i),p+i = ασ2 (i)+p,i+p = bσ2 (i),i 1≤i≤q
Donc on aura
det(M) = ∑ ε(σ)aσ1 (1),1 . . . aσ1 (p),p bσ2 (1),1 . . . bσ2 (q),q
(σ1 ,σ2 )∈S p ×Sq

D’autre part, on a
∏1≤i< j≤n (σ(i) − σ( j))
ε(σ) =
∏1≤i< j≤n (i − j)
∏1≤i< j≤p (σ(i) − σ( j)) ∏1≤i< j≤q (σ(i + p) − σ( j + p))
= ×
∏1≤i< j≤p (i − j) ∏1≤i< j≤q (i − j)
∏1≤i< j≤p (σ1 (i) − σ1 ( j)) ∏1≤i< j≤q (σ2 (i) − σ2 ( j))
= ×
∏1≤i< j≤p (i − j) ∏1≤i< j≤q (i − j)
= ε(σ1 )ε(σ2 )

84 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 85

D’où

det(M) = ∑ ε(σ1 )ε(σ2 )aσ1 (1),1 . . . aσ1 (p),p bσ2 (1),1 . . . bσ2 (q),q
(σ1 ,σ2 )∈S p ×Sq

= ∑ ε(σ1 )aσ1 (1),1 . . . aσ1 (p),p × ∑ ε(σ2 )bσ2 (1),1 . . . bσ2 (q),q
σ1 ∈S p σ2 ∈Sq
= det(A) det(B)

Preuve 4.2.9 (du théorème)

Soient A = (ai, j )1≤i, j≤n une matrice carrée d’ordre n, B = (e1 , e2 , . . . , en ) la base canonique de
K n et v1 , v2 , . . . , vn les vecteurs colonnes de A, donc on a :
n
∀ j, v j = ∑ ai, j ei
i=1

Fixons j avec 1 ≤ j ≤ n, alors on a :

det(A) = detB (v1 , . . . , v j−1 , v j , v j+1 , . . . , vn )

n
= detB (v1 , . . . , v j−1 , ∑ ai, j ei , v j+1 , . . . , vn )
i=1
n
= ∑ ai, j detB(v1, . . . , v j−1, ei, v j+1, . . . , vn)
i=1
n
= ∑ (−1) j−1ai, j detB(ei, v1, . . . , v j−1, v j+1, . . . , vn)
i=1
 
0 a1,1 ... a1, j−1 a1, j+1 ... a1,n 
 
0 a2,1
. ... a2, j−1 a2, j+1 ... a2,n 
. .. .. .. .. .. .. 
. . . . . . .


Avec detB (ei , v1 , . . . , v j−1 , v j+1 , . . . , vn ) = 1 a . . . ai, j−1 ai, j+1 . . . ai,n 
 
i,1
0 ai+1,1 . . . ai+1, j−1 ai+1, j+1 . . . ai+1,n 
 
. .. .. .. .. .. .. 
 .. . . . . . . 

0 a
n,1 . . . an, j−1 an, j+1 . . . an,n 
Dans la matrice ci-dessus, faisons permuter la iieme ligne avec la (i − 1)ieme ligne puis avec la
(i − 2)ieme ligne et ainsi de suite jusqu’à la 1iere ligne, alors on obtient,
 
1 ai,1 . . . ai, j−1 ai, j+1 . . . ai,n 
 
0 a1,1 . . . a1, j−1 a1, j+1 . . . a1,n 
. .. .. .. .. .. 
. ...
. . . . . . 
detB (ei , v1 , . . . , v j−1 , v j+1 , . . . , vn ) = (−1)i−1 0 ai−1,1 . . . ai−1, j−1 ai−1, j+1 . . . ai−1,n 
 
0 ai+1,1 . . . ai+1, j−1 ai+1, j+1 . . . ai+1,n 
 
. .. .. .. .. ... .. 
 .. . . . . . 

0 a ... a
n,1 a
n, j−1 ... a 
n, j+1 n,n

85 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 86

Soit Ai, j la matrice d’ordre n − 1 obtenue en supprimant
la iieme ligne et la jieme colonne de la
matrice A et C = ai,1 . . . ai, j−1 ai, j+1 . . . ai,n , alors d’après le lemme précédent, on a
 
i−1 1 C 
= (−1)i−1 det(Ai, j ) = (−1)i−1 ∆i, j

detB (ei , v1 , . . . , v j−1 , v j+1 , . . . , vn ) = (−1) 
0 Ai, j 

D’où
n n
det(A) = ∑ (−1)i+ j−2 ai, j ∆i, j = ∑ (−1)i+ j ai, j ∆i, j
i=1 i=1

Remarque 4.2.4
Puisque det(tA) = det(A), alors on peut développer une matrice A par rapport à une ligne quel-
conque, c’est à dire
n
∀i, det(A) = ∑ (−1)i+ j ai, j ∆i, j
j=1

Définition 4.2.5
i) Le terme (−1)i+ j ∆i, j s’appelle le cofacteur de ai, j
ii) La matrice dont les coëfficients sont les cofacteurs des ai, j s’appelle la comatrice de la
matrice A et se note co(A).

co(A) = ((−1)i+ j ∆i, j )≤i, j≤n

4.2.5 Inverse d’une matrice

Définition 4.2.6
Soient A = (ai, j )1≤i, j≤n une matrice carrée d’ordre n et co(A) la comatrice de A. Alors la matrice
transposée de co(A) s’appelle la matrice adjointe de A et se note A. e

e = t(co(A))
A

Théorème 4.2.6
Pour toute matrice carrée A d’ordre n on a

e = AA
AA e = det(A)In

où In est la matrice identité d’ordre n.

Preuve 4.2.10
Posons A = (ai, j )1≤i, j≤n , AA
e = (ci, j )1≤i, j≤n , alors on a

n
∀i, ∀ j, 1 ≤ i, j ≤ n, ci, j = ∑ ai,k (−1)k+ j ∆ j,k
k=1

Donc pour i = j, on aura

n
ci,i = ∑ ai,k (−1)k+i∆i,k = det(A)
k=1

86 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 87

D’autre part, pour i 6= j, la quantité

n
∑ ai,k (−1)k+ j ∆ j,k
k=1

est l’expression d’un déterminant dont la iieme et la jieme ligne sont identiques, donc pour i 6= j,
ci, j = 0. D’où le résultat.

Remarque 4.2.5
Pour toute matrice inversible A, on a

1 e
A−1 = A
det(A)

Exemple 4.2.1
1.  
a c
A=
b d
Alors  
d −b
co(A) =
−c a
Et par suite  
e= d −c
A
−b a
2.  
a d g
A = b e h
c f i
Donc        
e h b h b e 

 f −    
  i    c i  c f  
 d g a g a d 
−  f
co(A) =  −
  
  i  c i    c f 

 d g a g a d  

e −    
h b h b e 
Et par suite        
e h d g d g

 f −   
  i     f i   e h 
e = − b h a g
  a g
A  c − 
  i  c i    b h 

 b e  a d  a d  

c −   
f c f  b e 

87 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 88

4.3 Exercices
Exercice 4.3.1
Calculer le déterminant des matrices suivantes :
   
a b c d a+b+c b b b
 b
 a d c 
,

 c a+b+c b b 
,
 c d a b   c c a+b+c b 
d c b a c c c a+b+c
 
1 a a ... a 
a 0 ... 0 b

..
a 1 a . a   0 a ... b 0 
  
 
 .. . . . . ...   .. .
a  ,  . 0 .. ... 0


 . . .  
...
 
   0 b ... a 0 
 a a 1 a 
a a ... a 1 b 0 ... 0 a
 
0 0 ... 0 α1
 0 ... 0 α2 0 

.. .. .. ..

..  , A = (a ) 1
i, j 1≤i, j≤n , où ai, j =


 . . . . . 
 ai + b j
 0 αn−1 0 ... 0 
αn 0 0 ... 0

Exercice 4.3.2
Soit An la matrice définie par
 
a + b ab 0 ... 0

 1 a + b ab ... 0

An = 
 0 1 a+b ab ...


 .. ... ... 
 . 0 ... 
0 0 ... 1 a+b

a) Vérifier que

∀n ≥ 3, det(An ) = (a + b) det(An−1 ) − (ab) det(An−2 )

b) Montrer que
an+1 − bn+1
det(An ) =
a−b
Exercice 4.3.3
Montrer que
 
cos(a) cos(b) cos(c)
 sin(a) sin(b) sin(c)  = sin(a−c)+sin(b−a)+sin(c−b) = 4 sin( a − c ) sin( b − a ) sin( c − b )
 

 1
 2 2 2
1 1 

88 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 89

Exercice 4.3.4
a) Calculer le déterminant de la matrice suivante
 
1 + x2 −x 0 ... 0
 −x 1 + x2 −x ... 0 
 
A= 0
 −x 1 + x2 −x ... 

 .. ... ... ... 
 . 0 
0 0 ... −x 1 + x2

b) Calculer le déterminant de la matrice suivante

 
1 1 1 ... 1
 1 2 2 ... 2 
 
A =  1 2 3 ... 3 
 
 .. .. .. .. .. 
 . . . . . 
1 2 3 ... n

Exercice 4.3.5
Soit A la matrice défini par :
 
a 0 0 ... b

 b a 0 ... 0 

A=
 0 b a 0 ... 

 .. .. .. 
 0 0 . . . 
0 ... 0 b a
Calculer le déterminant de A et dans le cas où A est inversible , déterminer son inverse
Exercice 4.3.6
 
a
 x ... x
y 0 ... 0
Soit ∆n =  ..

.. . . 
. . . 0

y 0 ... 0
a) Montrer que
∀n ≥ 3, ∆n = a∆n−1 − xyan−2
b) En déduire une expression de ∆n en fonction de n, a, x et y.
Exercice 4.3.7
 
m 0 1 2m
1 m 0 0
Soit A = 
 0 2m + 2

m 1
m 0 0 m
a) Calculer det(A)

89 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 90

b) Déterminer, suivant les valeurs de m, le rang de la matrice A.

Exercice 4.3.8
Soient A et N deux matrices de Mn (K) telles que N soit nilpotente et
AN = NA. Montrer que det(A + N) = det(A).

Exercice 4.3.9
Soient A et B deux matrices semblables de Mn (C) et soit P ∈ Mn (C) une matrice inversibletelle
que B = P−1 AP.
1. Montrer qu’il existe deux matrices U et V de Mn (R) telles que
P = U + iV .
2. Montrer que pour tout t ∈ R, (U + tV )B = A(U + tV ).
3. Montrer qu’il existe t ∈ R tel que det(U + tV ) 6= 0.
4. En déduire que A et B sont deux matrices semblables de Mn (R).

Exercice 4.3.10
Soient A et B deux matrices de Mn (K) et M la matrice en bloc définie par
 
A B
M=
B A

Montrer que det(M) = det(A + B) det(A − B).

Exercice 4.3.11
Soient A, B,C, D des matrices de Mn (K) avec A inversible et AC = CA. Soit M la matrice en
bloc définie par  
A B
M=
C D
Montrer que det(M) = det(AD −CB)

Exercice 4.3.12
Soient A = (ai j ) une matrices quelconque de Mn (K). Montrer que
n n
| det(A)| ≤ ∏ ∑ |ai j |
i=1 j=1

Quand y a-t-il égalité ?

Exercice 4.3.13
Soit A = (ai j ) une matrices quelconque de Mn (K). On suppose qu’il existe a 6= 0 tel que
n
∀σ ∈ Sn , ∏ aiσ(i) = a
i=1

Montrer que rg(A) = 1.

90 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 91

Exercice 4.3.14
Soient p un nombre premier et a0 , a1 , . . . , a p−1 des éléments de Z. Pour m ∈ Z, on note m la
classe de m modulo p. Soit A la matrice de Mn (Z/pZ) définie par

A = (ai− j )1≤i, j≤n

Montrer que det(A) = a0 + a1 + · · · + a p−1 .

Exercice 4.3.15
Soit q une forme quadratique non nulle sur M2 (C), telle que

∀A ∈ M2 (C), ∀B ∈ M2 (C), q(AB) = q(A)q(B)

On désigne par f la forme bilinéaire symétrique associée à q, I la matrice identité d’ordre 2 et

par (e1 , e2 , e3 , e4 ) la base canonique de M2 (C), on rappelle que :
         
1 0 1 0 0 1 0 0 0 0
I= , e1 = , e2 = , e3 = , e4 =
0 1 0 0 0 0 1 0 0 1

a) Montrer que q(I) = 1.

b) Montrer que si A et B sont semblables, alors q(A) = q(B).
c) Montrer que si A est inversible, alors q(A) 6= 0.
d) Montrer que si A est non inversible, alors q(A) = 0.
e) On suppose que A est une matrice diagonale :
 
λ1 0
A=
0 λ2

Montrer que q(A) = λ1 λ2 .

f) Quelle est la matrice de q dans la base (e1 , e2 , e3 , e4 ) ?
g) En déduire que ∀A ∈ M2 (C), q(A) = det(A).

91 Mohamed HOUIMDI
CHAPITRE 4. FORMES MULTILINÉAIRES - DÉTERMINANTS 92

92 Mohamed HOUIMDI
Chapitre 5
Réduction des endomorphismes

5.1 Polynômes et endomorphismes

5.1.1 Polynôme minimal
Notations 5.1.1
Soit E un K-espace vectoriel, pour tout endomorphisme u de E, et pour tout entier i ≥ 0 on
définit ui par récurrence de la manière suivante :
u0 = IdE et ∀i , i ≥ 1 , ui = u ◦ ui−1
C’est à dire :
∀i , i ≥ 1 , ui = u| ◦ u ◦{z· · · ◦ u}
i f ois

Pour P ∈ K[X] avec P = ∑ni=0 ai X i , on pose P(u) = ∑ni=0 ai ui

Proposition 5.1.1
i) P = 1 =⇒ P(u) = IdE
ii)
∀P ∈ K[X] , ∀Q ∈ K[X] , ∀u ∈ LK (E) , (PQ)(u) = P(u) ◦ Q(u) = Q(u) ◦ P(u)
iii)
∀P ∈ K[X] , ∀Q ∈ K[X] , ∀u ∈ LK (E) , (P + Q)(u) = P(u) + Q(u)
Preuve 5.1.1
Exercice

Théorème 5.1.1
Soit E un K-espace vectoriel de dimension finie. Alors pour tout endomorphisme u de E, il
existe un unique polynôme unitaire et non constant, P ∈ K[X] tel que :

i)P(u) = 0
ii)∀Q ∈ K[X] , Q(u) = 0 =⇒ P divise Q

P s’appelle le polynôme minimal de u et se note Mu

93
CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 94

Preuve 5.1.2
Si u = 0 alors il est facile de voir que Mu = X. Donc, dans la suite, on suppose que u 6= 0.
Méthode 1 Soit n = dimK (E) , alors on sait que dimK (LK (E)) = n2 , par suite, le système
2
(IdE , u, u2 , . . . , un ), qui contient n2 + 1 vecteurs est lié, donc il existe
2
(a0 , a1 , . . . , an2 ) ∈ K n +1 avec (a0 , a1 , . . . , an2 ) 6= (0, 0, . . . , 0) tel que :
n2
∑ ai ui = 0
i=1
n2
donc si P = ∑ ai X i alors P(u) = 0 et deg(P) ≥ 1 (Car u 6= 0)
i=1
Soit A = {deg(Q) : Q ∈ K[X], deg(Q) ≥ 1 et Q(u) = 0}, alors A est une partie non vide
de N, car deg(P) ∈ A . Donc A admet un plus petit élément noté p.
p ∈ A , donc il existe Q ∈ K[X], tel que deg(Q) = p. Soit P un polynôme quelconque, tel
que P(u) = 0. Effectuant la division euclidienne de P par Q, on aura :
P = AQ + B avec deg(B) < deg(Q)
P(u) = Q(u) = 0, donc B(u) = 0, par suite, si B 6= 0 alors deg(B) ≥ deg(Q), ce qui est
absurde, donc B = 0 et par conséquent, Q divise P.
Méthode 2 On considère l’application :
φu : K[X] −→ LK (E)
P 7−→ φu (P) = P(u)
Alors φu est un homomorphisme d’algèbres, c’est à dire, φu est un homomorphisme d’es-
paces vectoriels et φu est un homomorphisme d’anneaux :
i) φu (P + Q) = φu (P) + φu (Q)
ii) φu (λ.P) = λ.φu (P)
iii) φu (PQ) = φu (P) ◦ φu (Q)
LK (E) est de dimension finie, car E est de dimension finie, et K[X] est de dimension
infinie, donc φu qui est un homomorphisme d’espaces vectoriels ne peut pas être injective,
car sinon K[X] serait isomorphe à un sous-espace vectoriel de LK (E) et par suite K[X]
serait de dimension finie, ce qui est absurde. Donc ker(φu ) 6= {0}
Or φu est un homomorphisme d’anneaux, donc ker(φu ) est un ideal de K[X] et on sait que
K[X] est un anneau principal, donc il existe un unique polynôme unitaire P ∈ K[X] tel que
ker(φu ) = (P) où (P) est l’ideal engendré par P
– ker(φu ) 6= {0} =⇒ P 6= 0
– φu (1) = IdE donc φu 6= 0 et par suite ker(φu ) 6= K[X] ce qui prouve que P n’est pas
constant
– Si Q ∈ K[X] est tel que Q(u) = 0 alors Q ∈ ker(φu ) et par suite Q ∈ (P), donc P divise Q
D’où le résultat.
Remarques 5.1.1
1. Le polynôme minimal Mu est caractérisé par :

Mu (u) = 0
Si Q est un autre polynôme vérifiant Q(u) = 0 alors Mu divise Q

94 Mohamed HOUIMDI
CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 95

2. ∀u ∈ LK (E) , deg(Mu ) ≥ 1
Exemple 5.1.1
1. u = 0 =⇒ Mu = X
2. u = IdE =⇒ Mu = X − 1
3. On dit qu’un endomorphisme u est un projecteur, si u 6= 0, u 6= IdE et u2 = u.
Soient u un projecteur et P = X 2 − X, alors P(u) = 0 et par suite Mu divise P. Puisque
deg(Mu ) ≥ 1 alors Mu = X, Mu = X − 1 ou Mu = X 2 − X.
u 6= 0 =⇒ Mu 6= X et u 6= IdE =⇒ Mu 6= X − 1
D’où Mu = X 2 − X

5.1.2 Polynôme caractéristique

Définition 5.1.1
Soient K un corps commutatif et A une matrice carrée d’ordre n à coefficients dans K. Alors
XI − A est une matrice carrée d’ordre n à coefficients dans K[X] et par suite det(XI − A) est un
élément de K[X]. Ce déterminant s’appelle le polynôme caractéristique de A et se note χA :

χA = det(XI − A)

Proposition 5.1.2
Soit A une matrice carrée d’ordre n.
Alors χA est un polynôme unitaire de degré n.
Preuve 5.1.3
Posons A = (ai, j )1≤i, j≤n donc XI − A = (bi, j )1≤i, j≤n , où :

bi, j = −ai, j si i 6= j
∀i , ∀ j , 1 ≤ i, j ≤ n ,
bi,i = X − ai,i
D’autre part on sait que :
det(XI − A) = ∑ ε(σ)b1σ(1)b2σ(2) · · · bnσ(n)
σ∈Sn

(Où Sn est le groupe symétrique de degré n)

Pour σ = e, élément neutre de Sn , on a ε(σ) = 1 et ∀i , 1 ≤ i ≤ n ,
biσ(i) = bii = X − aii
n
=⇒ χA = det(XI − A) = Π (X − aii ) + ∑ ε(σ)b1σ(1) · · · bnσ(n)
i=1 σ∈Sn
σ6=e

Pour σ 6= e on a ou bien b1σ(1) · · · bnσ(n) = 0 ou bien deg(b1σ(1) · · · bnσ(n) ) < n

=⇒ deg( ∑ ε(σ)b1σ(1) · · · bnσ(n)) < n

σ∈Sn
σ6=e

n
Or Π (X − aii ) est un polynôme unitaire de degré n, donc χA est unitaire de degré n
i=1

95 Mohamed HOUIMDI
CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 96

Lemme 5.1.1
Deux matrices semblables ont même polynôme caractéristique

Preuve 5.1.4
Soient A et B deux matrices semblables, donc il existe une matrice inversible P, telle que B =
P−1 AP. Donc XI − B = XP−1 P − P−1 AP = P−1 (XI − A)P
Donc XI − A et XI − B sont deux matrices semblables à coefficients dans K[X] et par suite,
det(XI − A) = det(XI − B)

Définition 5.1.2
Soient E un K-espace vectoriel de dimension finie, u un endomorphisme de E et A la matrice de
u dans une base quelconque de E. Alors le polynôme caractéristique de A s’appelle le polynôme
caractéristique de u et se note χu
χu = det(XI − A)

Remarques 5.1.2
1. La définition précèdente a un sens, car si A et B sont deux matrices de u dans deux bases
différentes de E, alors A et B sont semblables, donc χA = χB
2. Si dimK (E) = n alors pour tout u ∈ LK (E), deg(χu ) = n
3. Le polynôme minimal d’un endomorphisme est loin d’être son polynôme caractéristique
Exemple 5.1.2
Soit E un K-espace vectoriel de dimension finie= n et soit u un endomorphisme de E :
1. u = 0 =⇒ Mu = X et χu = X n
2. u = IdE =⇒ Mu = X − 1 et χu = (X − 1)n
3. Si u est un projecteur de E (c.à.d : u2 = u , u 6= 0 et u 6= IdE ). Soit p = dimK (ker(u))
alors :
Mu = X 2 − X = X(X − 1) et χu = X p (X − 1)n−p
4. On dit que u ∈ LK (E) est une symétrie vectorielle, si u2 = IdE . On supose que u 6= ±IdE ,
alos on a
Mu = (X − 1)(X + 1) et χu = (X − 1) p (X + 1)n−p
où p = dimK (ker(u − IdE )).

5.1.3 Théorème de Caylet-Hammilton

Théorème 5.1.2
Soit E un K-espace vectoriel de dimension finie. Alors pour tout endomorphisme u de E, le
polynôme minimal Mu divise le polynôme caractéristique χu .

Preuve 5.1.5
Pour la démonstration de ce théorème, nous avons besoin des lemmes suivants :

96 Mohamed HOUIMDI
CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 97

Lemme 5.1.2
Soient E un K-espace vectoriel de dimension finie, u un endomorphisme de E, F un sous-espace
vectoriel de E stable par u et v la restriction de u à F. Alors χv divise χu

Preuve 5.1.6
Soient p = dimK (F), G un supplémentaire de F dans E, (e1 , e2 , . . . , e p ) une base de F et
(e01 , e02 , . . . , e0n−p ) une base de G. Alors (e1 , e2 , . . . , e p , e01 , e02 , . . . , e0n−p ) est une base de E.
Posons A = Mat(u; (e1 , e2 , . . . , e p , e01 , e02 , . . . , e0n−p )) et B = Mat(v; (e1 , e2 , . . . , e p ))
Alors χu = det(XI − A) et χv = det(XI − B). Or on a :
 
B C
A=
0 D

Donc on aura
 
XI − B −C 
det(XI − A) =   = det(XI − B) det(XI − D)
0 XI − D

Par suite,
χu = χv det(XI − D)
D’où le résultat
Lemme 5.1.3
Soient E un K-espace vectoriel de dimension finie et u un endomorphisme de E. Alors pour tout
x 6= 0, il existe un unique polynôme unitaire non constant Mx de K[X], tel que
i) Mx (u)(x) = 0.
ii) ∀P ∈ K[X], P(u)(x) = 0 =⇒ Mx divise P

Preuve 5.1.7
On considère la partie J de K[X] définie par

P ∈ J ⇐⇒ p(u)(x) = 0

Alors il est facile de vérifier que J est un idéal de K[X] et que Mu ∈ J. Puisque K[X] est principal
et puisque J est un idéal non nul, alors il existe un unique polynôme unitaire Q de K[X], tel que
J = (Q), où (Q) est l’idéal engendré par Q. x 6= 0, donc Q est non constant. Il suffit alors de
prendre Mx = Q.

Lemme 5.1.4
Soient E un K-espace vectoriel de dimension finie et u un endomorphisme de E. Pour chaque
x 6= 0, on suppose que Mx = a0 + a1 X + · · · + a p−1 X p−1 + X p puis on pose

Fx = Vect({x, u(x), . . . , u p−1 (x)})

Alors on aura :
i) dim(Fx ) = deg(Mx ) = p.
ii) Fx est stable par u.
iii) Si v est la réstriction de u à Fx , alors χv = Mx .

97 Mohamed HOUIMDI
CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 98

Preuve 5.1.8
i) Il suffit de montrer que le système (x, u(x), . . . , u p−1 (x)) est libre. Pour cela, on sup-
pose, par absurde, que ce système est lié ; donc il existe (α0 , α1 , . . . , α p−1 ) ∈ K p avec.
(α0 , α1 , . . . , α p−1 ) 6= (0, 0, . . . , 0), tel que
p−1
∑ αiui(x) = 0
i=0

Posons P = α0 + α1 X + · · · + α p−1 X p−1 , alors on voit que P(u)(x) = 0 avec P 6= 0, donc

Mx divise P. Ce qui est absurde, car deg(P) < deg(Mx ). Par suite (x, u(x), . . . , u p−1 (x))
est libre.
ii) Pour la stabilité de Fx , il suffit de montrer que

∀i ∈ {0, 1, , . . . , p − 1}, u(ui (x)) ∈ Fx

Si i ∈ {0, 1, , . . . , p − 2}, u(ui (x)) = ui+1 (x) avec i + 1 ≤ p − 1, donc u(ui (x)) ∈ Fx .
Si i = p − 1, puisque Mx (u)(x) = 0, alors a0 x + a1 u(x) + · · · + a p−1 u p−1 (x) + u p (x) = 0,
donc u(u p−1 (x)) = −(a0 x + a1 u(x) + · · · + a p−1 u p−1 (x)) et par suite u(u p−1 (x)) ∈ Fx .
iii On a vu que (x, u(x), . . . , u p−1 (x)) est une base de Fx , soit v la restriction de u à Fx et soit
A = Mat(v, (x, u(x), . . . , u p−1 (x)), alors on aura :

0 0 . . . 0 −a0
 
 1 0 . . . 0 −a1 
. . . . . . .. .. 

A=0 . . 
 
. . . . . . 1 0 −a p−2 
 

0 . . . 0 1 −a p−1

On montre, par récurrence sur l’entier p ≥ 1, que χu = det(XI − A) = Mx .

Remarque 5.1.1
Pour tout x ∈ E, avec x 6= 0, Fx = {P(u)(x) : P ∈ K[X]}.

Preuve 5.1.9 (Preuve du théorème)

Pour montrer que χu (u) = 0, il suffit de montrer que

∀x ∈ E, x 6= 0 =⇒ χu (u)(x) = 0

Pour x ∈ E, avec x 6= 0, soit v la restriction de u à Fx , alors on a vu que χv = Mx , donc

χv (u)(x) = 0. Or χv divise χu , par suite, χu (u)(x) = 0.

5.1.4 Théorème de décomposition

Lemme 5.1.5
Soient E un K-espace vectoriel quelconque, u et v deux endomorphismes qui commutent, alors
ker(u) et Im(u) sont stables par v.

98 Mohamed HOUIMDI
CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 99

Preuve 5.1.10
Pour x ∈ ker(u) on a u(v(x)) = v(u(x)) = v(0) = 0 donc v(x) ∈ ker(u) et par suite ker(u) est
stable par v

ii) Pour y ∈ Im(u) on a y = u(x) , x ∈ E et v(y) = v(u(x)) = u(v(x)) donc v(y) ∈ Im(u) et
par suite Im(u) est stable par v

Théorème 5.1.3
Soient E un K-espace vectoriel de dimension finie, u un endomorphisme de E, P et Q deux
polynômes de K[X] qui sont premiers entre eux, tels que (PQ)(u) = 0. Alors :
i) ker(P(u)) et ker(Q(u)) sont stables par u
ii) E = ker(P(u)) ⊕ ker(Q(u))

Preuve 5.1.11
i) P(u) ◦ u = u ◦ P(u) et u ◦ Q(u) = Q(u) ◦ u donc d’après le lemme précèdent on a le résultat

ii) 
E = ker(P(u)) + ker(Q(u))
E = ker(P(u)) ⊕ ker(Q(u)) ⇐⇒
ker(P(u)) ∩ ker(Q(u)) = {0}
P et Q sont premiers entre eux, donc d’après le théorème de Bezout, il existe A , B ∈ K[X] tel
que AP + BQ = 1

AP + BQ = 1 =⇒ (AP + BQ)(u) = 1(u)

=⇒ A(u) ◦ P(u) + B(u) ◦ Q(u) = IdE
=⇒ ∀x ∈ E, x = A(u)(P(u)(x)) + B(u)(Q(u)(x))
=⇒ ∀x ∈ E, x = P(u)(A(u)(x)) + Q(u)(B(u)(x)), (Car deux polynômes en u commutent)

Posons x1 = Q(u)(B(u)(x)) et x2 = P(u)(A(u)(x)), alors on voit facilement que x1 ∈ ker(P(u)),

x2 ∈ ker(Q(u)) et x = x1 + x2 , donc E = ker(P(u)) + ker(Q(u))
Si maintenant x ∈ ker(P(u)) ∩ ker(Q(u)), puisque x = A(u)(P(u)(x)) + B(u)(Q(u)(x)) alors
x = 0 et par suite ker(P(u)) ∩ ker(Q(u)) = {0}.

Corollaire 5.1.1
Soient E un K-espace vectoriel, u un endomorphisme de E et P1 , P2 , . . . , Pm des polynômes de
K[X] qui sont deux à deux premiers entre eux, tels que (P1 P2 · · · Pm )(u) = 0. Alors :
i) Pour tout i , i = 1, 2, . . . , m, ker(Pi (u)) est stable par u
n
L
ii) E = ker(Pi (u))
i=1

Preuve 5.1.12
On procède par récurrence sur m ≥ 2

Exemple 5.1.3
Soient E un K-espace vectoriel de dimension finie, où K est un corps algèbriquement clos, u
un endomorphisme de E et Mu le polynôme minimal de u. Puisque K est algèbriquement clos,

99 Mohamed HOUIMDI
CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 100

alors Mu = (X − λ1 )m1 (X − λ2 )m2 · · · (X − λr )mr

Pour chaque i , i = 1, 2, . . . r, posons Pi = (X − λi )mi
Donc P1 , P2 , . . . , Pr sont des polynômes deux à deux premiers entre eux et on a

(P1 P2 · · · Pr )(u) = Mu (u) = 0

Donc d’après le théorème de décomposition :

n
M
E= ker(Pi (u))
i=1

Pi = (X − λi )mi =⇒ Pi (u) = (u − λi )mi

n
ker[(u − λi )mi ]
L
D’où E =
i=1

5.2 Diagonalisation
5.2.1 Valeurs propres-Vecteurs propres
Définition 5.2.1
Soient E un K-espace vectoriel quelconque et u un endomorphisme de E. On dit que λ ∈ K est
une valeur propre de u, s’il existe x ∈ E avec x 6= 0, tel que :

u(x) = λ.x

Dans ce cas x s’appelle un vecteur propre associé à la valeur propre λ

Remarque 5.2.1
Si λ est une valeur propre de u, alors il existe x 6= 0 tel que (u−λ)(x) = 0, donc ker(u−λ) 6= {0}
et par suite u − λ n’est pas injectif
Donc λ est valeur propre de u, si et seulement si, λ − u n’est pas injectif

Proposition 5.2.1
Soient E un K-espace vectoriel de dimension finie et u un endomorphisme de E, alors les pro-
positions suivantes sont équivalentes :
i) λ ∈ K est une valeur propre de u
ii) ker(λ − u) 6= {0}
iii) λ − u n’est pas injectif
iv) λ − u n’est pas inversible
v) det(λ − u) = 0

Preuve 5.2.1
D’après la remarque précèdente on a i) =⇒ ii)
ii) =⇒ iii) et iii) =⇒ iv) sont triviaux
Nous savons qu’un endomorphisme sur un espace vectoriel de dimension finie est inversible, si
et seulement si, son déterminant est non nul, donc

100 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 101

iv) =⇒ v) est vraie

v) =⇒ i) det(λ − u) = 0 donc λ − u n’est pas inversible et puisque E est de dimension finie,
alors λ − u n’est pas injectif donc d’après la remarque précèdente λ est valeur propre de u

Définition 5.2.2
Soient E un K-espace vectoriel, u un endomorphisme de E et λ une valeur propre de u. On
appelle sous-espace propre associé à la valeur propre λ, le sous-espace de E défini par :

Eλ = ker(λ − u)

Remarques 5.2.1
1. x est un vecteur propre associé à la valeur propre λ, si et seulement si, x ∈ Eλ et x 6= 0.
2. Pour toute valeur propre λ de u, le sous-espace propre Eλ est stable par u.
3. Si λ1 et λ2 sont deux valeurs propres distinctes de u, alors

Eλ1 ∩ Eλ2 = {0}

Théorème 5.2.1
Soient E un K-espace vectoriel de dimension finie, u un endomorphisme de E et λ un élément
de K. Alors les propositions suivantes sont équivalentes :
i) λ est une valeur propre de u
ii) λ est une racine du polynôme minimal Mu
iii) λ est racine du polynôme caractéristique χu

Preuve 5.2.2
i) =⇒ ii) Supposons que λ est une valeur propre de u, donc il existe x 6= 0 tel que u(x) = λ.x
Posons Mu = X m + am−1 X m−1 + · · · + a1 X + a0
Donc Mu (u) = um + am−1 um−1 + · · · + a1 u + a0 IdE
Donc Mu (u)(x) = um (x) + am−1 um−1 (x) + · · · + a1 u(x) + a0 x
Or u(x) = λ.x donc pour tout entier i ≥ 1, ui (x) = λi .x
D’où Mu (u)(x) = Mu (λ).x avec Mu (u) = 0 et x 6= 0, donc Mu (λ) = 0
ii) =⇒ iii) D’après Cayley-Hammilton, Mu divise χu , donc toute racine de Mu est racine de χu .
iii) =⇒ i) Supposons que χu (λ) = 0. Donc det(λ − u) = 0 et par conséquent λ − u n’est pas
inversible et comme E est de dimension finie, alors λ − u n’est pas injectif. D’où le résultat
Remarque 5.2.2
Soit E un K-espace vectoriel de dimension finie, alors pour tout endomorphisme u de E, le
polynôme minimal Mu et le polynôme caractéristique χu ont les mêmes racines dans K

∀λ ∈ K, Mu (λ) = 0 ⇐⇒ χu (λ) = 0

Définition 5.2.3
Un corps commutatif K est dit algèbriquement clos, si tout polynôme non constant de K[X],
possède au moins une racine dans K.

101 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 102

Remarque 5.2.3
1. K est algèbriquement clos, si et seulement si, les seuls polynômes irréductibles de K[X],
sont les polynômes de degré 1.
2. Si K est algèbriquement clos, alors tout polynôme unitaire non constant de K[X], se dé-
compose en un produit de polynômes de degré 1, donc P s’écrit sous la forme :
P = (X − λ1 )m1 (X − λ2 )m2 · · · (X − λr )mr
où λ1 , λ2 , . . . , λr sont, donc, les racines deux à deux distinctes de P dans K.
Théorème 5.2.2 (de d’Alembert)
Le corps C des nombres complexes est algèbriquement clos.
Preuve 5.2.3
Voir la partie exercices
Corollaire 5.2.1
Soit E un K-espace vectoriel de dimension finie, où K est un corps algèbriquement clos. Alors
tout endomorphisme de E possède au moins une valeur propre.
Preuve 5.2.4
Si K est algèbriquement clos alors par définition tout polynôme non constant à coefficients dans
K possède au moins une racine, donc si u est un endomorphisme de E, alors Mu possède au
moins une racine λ ∈ K, donc λ est une valeur propre de u.
Remarques 5.2.2
Lorsque E n’est pas de dimension finie ou lorsque K n’est pas algèbriquement clos, le corollaire
précèdent peut ne pas être vérifié :
1. E = R2 est un R-espace vectoriel de dimension finie = 2 et R n’est pas algèbriquement
clos.
Soient (e1 , e2 ) une base de E et u l’endomorphisme de E défini par :

u(e1 ) = −e2
u(e2 ) = e1
 
0 1
=⇒ Mat(u; (e1 , e2 )) =
−1 0
X −1
=⇒ χu = = X2 + 1
1 X
χu n’a aucune racine dans R donc u n’a aucune valeur propre. Cependant si on considère
le même endomorphisme u sur le C-espace vectoriel C2 alors χu possède deux racines
i et − i donc u possède deux valeurs propres.
2. E = C[X] est un C-espace vectoriel de dimension infinie et C est un corps algèbriquement
clos
Soit u l’endomorphisme défini sur E par :
∀n ≥ 0 , u(X n ) = X n+1
Alors u n’a aucune valeur propre

102 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 103

5.2.2 Endomorphismes diagonalisables

Lemme 5.2.1
Soient E un K-espace vectoriel de dimension finie = n, u un endomorphisme de E et λ ∈ K une
valeur propre de u. On suppose que λ est une racine de χu de multiplicité m ≥ 1, (c’est à dire,
χu = (X − λ)m .Q avec Q(λ) 6= 0). Alors :

dimK (Eλ ) ≤ m

Preuve 5.2.5
Soient p = dimK (Eλ ) et v la restriction de u à Eλ . Puisque Eλ est stable par u, alors χv divise χu
On a pour tout x ∈ Eλ , v(x) = u(x) = λ.x donc v = λ.IdEλ et par suite χv = (X − λ) p
Donc (X − λ) p divise (X − λ)m .Q
Q(λ) 6= 0 donc Q et (X − λ) p sont premiers entre eux, donc d’après le théorème de Gauss
(X − λ) p divise (X − λ)m et par suite p ≤ m

Définition 5.2.4
Soient E un K-espace vectoriel et u un endomorphisme de E. On dit que u est diagonalisable s’il
existe une base de E formée uniquement de vecteurs propres de u.

Remarque 5.2.4
On suppose que E est de dimension finie = n et u un endomorphisme de E qui est diagonali-
sable. Soit (e1 , e2 , . . . , en ) une base de E formée de vecteurs propres de u. Donc la matrice A de
u dans cette base s’écrit :  
λ1 0 . . . 0
. . 
 0 λ2 . . .. 

A= .
 .. 0 . . . 0 


0 . . . 0 λn
où λ1 , λ2 , . . . , λn sont les valeurs propres de u non necessairement distinctes ; chaque valeur
propre apparaît sur la diagonale de la matrice A autant de fois que sa multiplicité.

Lemme 5.2.2
soient E un K-espace vectoriel de dimension finie = n , u un endomorphisme de E et
λ1 , λ2 , . . . , λm des valeurs propres deux à deux distinctes de u. Alors la somme

Eλ1 + Eλ2 + · · · + Eλm

est directe.

Preuve 5.2.6
On sait que la somme Eλ1 + Eλ2 + · · · + Eλm est une somme directe , si et seulement si :
n
∀(x1 , x2 , . . . , xm ) ∈ ∏ Eλi , x1 + x2 + · · · + xm = 0 =⇒ x1 = x2 = · · · = xm = 0
i=1

103 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 104

x1 + x2 + · · · + xm = 0 =⇒ u(x1 + x2 + · · · + xm ) = 0
=⇒ λ1 .x1 + λ2 .x2 + · · · + λm .xm = 0
=⇒ u(λ1 .x1 + λ2 .x2 + · · · + λm .xm ) = 0
=⇒ λ21 .x1 + λ22 .x2 + · · · + λ2m .xm = 0

Donc par récurrence on voit que pour tout entier i ≥ 1 , on a :

λi1 .x1 + λi2 .x2 + · · · + λim .xm = 0

Considèrons le système S suivant de n équations à n inconnues :



 x1 + x2 + · · · + xm = 0

λ1 .x1 + λ2 .x2 + · · · + λm .xm = 0



S = λ21 .x1 + λ22 .x2 + · · · + λ2m .x = 0

 ..


 .

 m−1
λ1 .x1 + λm−1 2 .x2 + · · · + λm−1
m .x = 0

Ce système a pour déterminant :

1 1 ··· 1
λ1 λ2 ··· λm
∆= λ21 λ22 ··· λ2m
.. .. .. ..
. . . .
λm−1
1 λm−1
2 · · · λm−1
m

Donc ∆ est un déterminant de Vandermonde et par suite on a :

∆= Π (λ j − λi )
1≤i< j≤m

Les λi sont deux à deux distinctes donc ∆ 6= 0 et par suite le système S est un système de Cramer
qui admet pour unique solution x1 = x2 = · · · = xm = 0. D’où le résultat

Définition 5.2.5
Soit K un corps commutatif, on dit qu’un polyôme P de K[X] a toutes ses racines dans K si P
s’écrit sous la forme :
P = a(X − λ1 )m1 (X − λ2 )m2 · · · (X − λr )mr
où a est une constante et λ1 , λ2 , . . . , λr sont les racines de P deux à deux distinctes de multiplicités
respectives m1 , m2 , . . . , mr

Remarque 5.2.5
Si K est un corps algèbriquement clos, alors tout polynôme P à coefficients dans K, a toutes ses
racines dans K.

104 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 105

Théorème 5.2.3
Soient E un K-espace vectoriel de dimension finie = n et u un endomorphisme de E. On suppose
que χu a toutes ses racines dans K et soient λ1 , λ2 , . . . , λr les racines deux à deux distinctes de χu
de multiplicités respectives m1 , m2 , . . . , mr , c’est à dire :
r
χu = (X − λ1 )m1 (X − λ2 )m2 · · · (X − λr )mr avec ∑ mi = n
k=1

Alors les propositions suivantes sont équivalentes :

i) u est diagonalisable
ii) Mu = (X − λ1 )(X − λ2 ) · · · (X − λr )
r
L
iii) E = Eλi
i=1
iv) ∀i , i = 1, 2, . . . , r , dimK (Eλi ) = mi

Preuve 5.2.7
i) =⇒ ii) Supposons que u est diagonalisable et montrons que Mu = (X − λ1 )(X − λ2 ) · · · (X −
λr ). λ1 , λ2 , . . . , λr sont des valeurs propres de u donc se sont des racines de Mu et puisque les
λi , i = 1, 2, . . . , r, sont deux à deux distinctes alors (X − λ1 )(X − λ2 ) · · · (X − λr ) divise Mu
Pour conclure montrons que Mu divise (X − λ1 )(X − λ2 ) · · · (X − λr ). Pour cela posons
Q = (X − λ1 )(X − λ2 ) · · · (X − λr ) et montrons que Q(u) = 0.
Soit (e1 , e2 , . . . , en ) une base de E formée de vecteurs propres de u. Donc pour tout i,
i = 1, 2, . . . , n, il existe j , 1 ≤ j ≤ r tel que u(ei ) = λ j .ei .
Or Q = [ Π (X − λk )](X − λ j ), donc on en déduit que Q(u)(ei ) = 0, car (u − λ j )(ei ) = 0. Ceci
k6= j
est vrai pour tout i , 1 ≤ i ≤ n, donc Q(u) = 0

ii) =⇒ iii) Supposons que Q = (X − λ1 )(X − λ2 ) · · · (X − λr ) et pour chaque i , i = 1, 2, . . . , r,

posons Pi = X − λi alors P1 , P2 , . . . , Pr sont deux à deux premiers entre eux et on a

(P1 P2 . . . Pr )(u) = Mu (u) = 0

donc d’après le théorème de décomposition on a :

r
M
E= ker(Pi (u))
i=1

Avec ker(Pi (u)) = ker(u − λi ) = Eλi . D’où le résultat

r
L
iii) =⇒ iv) Supposons que E = Eλi
i=1
r r
Donc n = dimK (E) = ∑ dimK (Eλi ). Or on a aussi ∑ mi = n et pour tout i, dimK (Eλi ) ≤ mi donc
i=1 i=1
on en déduit que pour tout i , i = 1, 2, . . . , r, dimK (Eλi ) = mi

iv) =⇒ i) Supposons que ∀i , i = 1, 2, . . . , r, dimK (Eλi ) = mi . Pour chaque i , i = 1, 2, . . . , r,

soit (ei1 , ei2 , . . . , eimi ) une base de Eλi . Puisque la somme Eλ1 + Eλ2 + · · · + Eλr est directe et

105 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 106
r
puisque ∑ mi = n alors
i=1

(e11 , e12 , . . . , e1m1 , . . . . . . , er1 , er2 , . . . , ermr )

est une base de E formée de vecteurs propres de u et dans laquelle la matrice A de u s’écrit ;
 
λ1 0 . . . . . . 0
. . . . 
 0 . . . . . . .. 

 . .
. . λ1 . . . ... 

A=  .. 
 . . . .
 .. .. .. .. 0 


0 . . . . . . 0 λr
Où chaque λi apparait sur la diagonale autant de fois que sa multiplicité.
Corollaire 5.2.2
Soient E un K-espace vectoriel de dimension finie = n et u un endomorphosme de E. On suppose
que u admet n valeurs propres deux à deux distinctes. Alors u est diagonalisable
Preuve 5.2.8
Soient λ1 , λ2 , . . . , λn les valeurs propres deux à deux distinctes de u , donc elles sont toutes des
racines de χu avec deg(χu ) = dimK (E) = n donc on a :
χu = (X − λ1 )(X − λ2 ) · · · (X − λn )
Et par suite pour tout i, i = 1, 2, . . . , n , λi est de multiplicié mi = 1. Donc pour tout i,
i = 1, 2, . . . , n, on a 1 ≤ dimK (Eλi ) ≤ 1
=⇒ ∀i, i = 1, 2, . . . , n, dimK (Eλi ) = mi = 1
D’après le théorème précèdent u est diagonalisable
Exemple 5.2.1
1. E un K-espace vectoriel de dimension finie et u un projecteur de E alors u est diagonali-
sable. En effet u est un projecteur donc u2 = u ,
u 6= 0 et u 6= IdE donc Mu = X(X − 1) n’a que des racines simples, donc u est diagonali-
sable
2. E un C-espace vectoriel de dimension finie et u un endomorphisme de E vérifiant
um = IdE , où m est un entier ≥ 1. Alors u est diagonalisable
En effet soit P = X m − 1 alors P(u) = 0 donc Mu divise P. Or P n’a que des racines
simples , car si α est une racine double alors on aura P(α) = P0 (α) = 0 avec P0 = mX m−1
donc α = 0 ce qui est absurde car 0 n’est pas une racine de P, donc Mu n’a aussi que des
racines simples et par suite u est diagonalisable
3. E = R3 et (e1 , e2 , e3 ) sa base canonique. Soit u l’endomorphisme de R3 dont la matrice
dans la base canonique est définie par :
 
m 1 1
A= 1 m 1  m∈R
1 1 m

106 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 107

On a alors :
X − m −1 −1
χu = −1 X − m −1
−1 −1 X − m
1 −1 0
2
= (X − m + 1) 0 1 −1
−1 −1 X − m
1 0 0
2
= (X − m + 1) 0 1 −1 (colonne2 + colonne1)
−1 −2 X − m
=⇒ χu = (X − m + 1)2 (X − m − 2)

Donc λ1 = m − 1 est une valeur propre de multiplicité = 2 et λ2 = m + 2 est une valeur

propre de multiplicité = 1
(x, y, z) ∈ Eλ1 si et seulement si x + y + z = 0

=⇒ Eλ1 = {(x, y, z) ∈ R3 : x + y + z = 0)}

=⇒ (x, y, z) = (x, y, −x − y) = x(1, 0, −1) + y(0, 1, −1)

Posons e01 = e1 − e3 et e02 = e2 − e3 alors (e01 , e02 ) est libre et
Eλ1 = Vect(e01 , e02 ) donc (e01 , e02 ) forme une base de Eλ1 et par suite
dim(Eλ1 ) = 2
(x, y, z) ∈ Eλ2 si et seulement si :

 −2x + y + z = 0
x − 2y + z = 0
x + y − 2z = 0


Ce système admet pour solution {(x, y, z) ∈ R3 : x = y = z} d’où :

(x, y, z) ∈ Eλ2 ⇐⇒ (x, y, z) = (x, x, x) = x(1, 1, 1)

Donc si on pose e03 = e1 + e2 + e3 alorsEλ2 = Vect(e03 )

(e01 , e02 , e03 ) est donc une base de E formée de vecteurs propres de u et dans laquelle la
matrice de u s’écrit :  
m−1 0 0
B :=  0 m−1 0 
0 0 m+2
On sait que la matrice de passage P est egale à la matrice de l’endomorphisme p tel que
p(e1 ) = e01 , p(e2 ) = e02 , p(e3 ) = e03 donc :
 
1 0 1
P= 0 1 1 
−1 −1 1

Et on a B = P−1 AP et A = PBP−1

107 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 108

4. Soit A la matrice de M4 (R) définie par

 
1 a b c
0 1 d e 
A= 
0 0 −1 f 
0 0 0 −1
A quelle condition A est-elle diagonalisable ?
Il est facile de voir que χA = (X + 1)2 (X − 1)2 , donc A est diagonalisable, si et seulement
si, le polynôme minimal MA de A n’a que des racines simples. MA et χA ont les mêmes
racines, donc A est diagonalisable, si et seulement si, MA = (X + 1)(X − 1). Ainsi on est
amené à dire que A est diagonalisable, si et seulement si, (A + I)(A − I) = 0.
 
0 2a ad ae + b f
0 0 0 df 
(A + I)(A − I) =  
0 0 0 −2 f 
0 0 0 0
Donc A est diagonalisable, si et seulement si,
2a = 0, ad = 0, ae + b f = 0, d f = 0 et − 2 f = 0
Donc on voit que A est diagonalisable, si et seulement si, a = 0 et f = 0.
5. E = R4 muni de sa base canonique (e1 , e2 , e3 , e4 ) et soit u l’endomorphisme de R4 défini
par : 

 u(e1 ) = 2e1 + e3 − e4
u(e2 ) = e1 + 2e2 − e4


 u(e3 ) = e3
u(e4 ) = e3 + e4

Alors la matrice de u dans la base canonique s’écrit :
 
2 1 0 0
 0 2 0 0 
A=  1

0 1 1 
−1 −1 0 1

X − 2 −1 0 0
0 X −2 0 0
χu =
−1 0 X − 1 −1
1 1 0 X −1
X − 2 −1 0 0
0 X −2 0 0
= (X − 1)
−1 0 1 −1
1 1 0 X −1
X − 2 −1 0 0
0 X −2 0 0
= (X − 2)2 (colonne4 + colonne3)
−1 0 1 0
1 1 0 1
=⇒ χu = (X − 1)2 (X − 2)2

108 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 109

Donc u est diagonalisable si et seulement si (u − IdE )(u − 2IdE ) = 0 .

Or on a (u − IdE )(u − 2IdE )(e1 ) = −e3 6= 0 donc u n’est pas diagonalisable.

5.3 Trigonalisation - Jordanisation

5.3.1 Définition et Critère de trigonalisation
Définition 5.3.1
Soient E un K-espace vectoriel de dimension finie = n et u un endomorphisme de E. On dit
que u est trigonalisable, s’il existe une base de E dans laquelle la matrice A de u s’écrit sous une
forme triangulaire :
a11 a12 · · · a1n
 
. . 
 0 a22 . . .. 

A= . . . . . . . .. 
 .. . 
0 · · · 0 ann

Théorème 5.3.1
Soient E un K-espace vectoriel de dimension finie = n et u un endomorphisme de E. Alors u est
trigonalisable, si et seulement si, le polynôme caractéristique de u, χu , a toutes ses racines dans
K.
Preuve 5.3.1
(=⇒) Supposons que u est trigonalisable, donc il existe une base de E dans laquelle la matrice
A de u s’écrit :
a11 a12 · · · a1n
 
. . 
 0 a22 . . .. 

A= . . . . . . . ..  ∀i, j , ai j ∈ K
 .. . 
0 · · · 0 ann
X − a11 −a12 ··· −a1n
... ..
0 X − a22 .
=⇒ χu = det(XI − A) = .. ... .. ..
. . .
0 ··· 0 X − ann
=⇒ χu = (X − a11 )(X − a22 ) · · · (X − ann )
Donc χu a toutes ses racines dans K.
(⇐=) Supposons que χu a toutes ses racines dans K et montrons par récurrence sur n = dimK (E)
que u est trigonalisable
Pour n = 1 il n’y a rien à démontrer.
Supposons que n > 1 et que la proprièté est vraie pour tout K-espace vectoriel de dimension
m<n
Soit E un K-espace vectoriel de dimension n et soit λ une- racine de χu . Soit tu l’endomorphisme
transposé de u, alors on sait que χtu = χu , donc λ est racine de χtu et par suite λ est une valeur
propre de tu . Soit φ ∈ E ∗ un vecteur propre associé à λ

109 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 110

Posons F = ker(φ) , donc dimK (F) = n − 1

Soit x ∈ F alors on a < u(x), φ >=< x,tu (φ) >=< x, λ.φ >
=⇒< u(x), φ >= λ < x, φ >= 0 donc u(x) ∈ F et par suite F est stable par u
Soit v la restriction de u à F, donc v est un endomorphisme de F et comme χv divise χu et χu a
toutes ses racines dans K alors aussi χv a toutes ses racines dans K .
Donc d’après l’hypothèse de récurrence, il existe une base (e1 , e2 , . . . , en−1 ) de F dans laquelle
la matrice de v est triangulaire. Soit x ∈ E tel que x ∈ / F et soit en = x, alors la matrice de u par
rapport à la base (e1 , e2 , . . . , en−1 , en ) est triangulaire.

Remarques 5.3.1
1. Tout endomorphisme diagonalisable est trigonalisable
2. Si K est un corps algèbriquement clos et si E est un K-espace vectoriel de dimension finie
alors tout endomorphisme de E est trigonalisable
3. Si u est un endomorphisme trigonalisable et si A est une matrice triangulaire qui repré-
sente u dans une base de E, alors les éléments diagonaux de A sont les valeurs propres de
u, c’est à dire :
λ1 a12 · · · a1n
 
.. .. 
 0 λ
 . . 
A= . . 2 .
 .. . . . . an−1n 


0 ··· 0 λn
Où λ1 , λ2 , . . . , λn sont les valeurs propres non necessairement deux à deux distinctes de u.
Donc le déterminant et la trace de u sont exprimés uniquement en fonction des valeurs
propres de u :

n n
det(u) = Π λi et trace(u) = ∑ λi
i=1 i=1

Proposition 5.3.1
Soient E un K-espace vectoriel de dimension finie = n et u un endomorphisme quelconque de
E. On suppose que :
χu = X n + an−1 X n−1 + · · · + a1 X + a0
Alors det(u) = (−1)n a0 et trace(u) = −an−1 .
En particulier, si dimK (E) = 2 alors pour tout endomorphisme u de E on a :

χu = X 2 − trace(u)X + det(u)

Preuve 5.3.2
Si χu a toutes ses racines dans K, alors on aura :

χu = (X − λ1 )(X − λ2 ) · · · (X − λn ) = X n + an−1 X n−1 + · · · + a1 X + a0

n n
=⇒ ∑ λi = −an−1 et Π λi = (−1)n a0
i=1 i=1

110 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 111

Donc dans ce cas on a le résultat.

Si maintenant χu n’a pas toutes ses racines dans K, alors d’après votre cours d’algèbre général,
il existe un corps L contenant K comme sous-corps et dans lequel χu a toutes ses racines.
Soit A la matrice de u dans une base de E et Soit v l’endomorphisme du
L-espace vectoriel Ln de matrice A dans la base canonique de Ln . Alors :

χv = det(XI − A) = χu = X n + an−1 X n−1 + · · · + a1 X + a0

Or χv a toutes ses racines dans L donc d’après le premier cas on a

trace(v) = −an−1 et det(v) = (−1)n a0
D’où le résultat, car trace(u) = trace(A) = trace(v) et det(u) = det(A) = det(v)

5.3.2 Endomorphismes nilpotents

Définition 5.3.2
Soient E un K-espace vectoriel et u un endomorphisme de E. On dit que u est nilpotent, s’il
existe un entier m ≥ 1 tel que um = 0

Proposition 5.3.2
Soit u un endomorphisme nilpotent, alors il existe un entier q ≥ 1 tel que uq = 0 et uq−1 6= 0
q s’appelle l’indice de nilpotence de u.

Preuve 5.3.3
Soit A = {m ∈ N : m ≥ 1 et um = 0}, alors par définition A est une partie non vide de N, donc
A admet un plus petit élément noté q et on a q ∈ A et q − 1 ∈
/ A.

Théorème 5.3.2
Soient E un K-espace vectoriel de dimension finie = n . Alors les propositions suivantes sont
equivalentes :
i) u est nilpotent
ii) Mu = X q , où q est l’indice de nilpotence de u
iii) χu = X n , où n = dimK (E)

Preuve 5.3.4
i) =⇒ ii) Supposons que u est nilpotent d’indice q, alors uq = 0 donc Mu divise X q et par suite
Mu = X r avec r ≤ q. Puisque uq−1 6= 0 alors r = q

ii) =⇒ iii) Supposons que Mu = X q , puisque Mu et χu ont les mêmes racines, donc 0 est l’unique
racine de χu et puisque χu est unitaire de degré = n alors χu = X n

iii) =⇒ i) C’est une conséquence du théorème de Cayley-Hammilton.

Remarque 5.3.1
Soient E un K-espace vectoriel de dimension finie = n et u un endomorphisme nilpotent, non
nul, d’indice q. Alors, d’après le théorème précédent, on a toujours :

2≤q≤n où n = dimK (E)

111 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 112

Notations 5.3.1
Dans la suite E désigne un K-espace vectoriel de dimension finie = n et u un endomorphosme
nilpotent non nul d’indice q.
Pour chaque i , i = 0, 1, 2, . . . , q on pose Ei = ker(ui )
=⇒ E0 = {0} et Eq = E

Lemme 5.3.1
i) {0} = E0 ( E1 ( · · · ( Eq = E
ii) ∀i , i = 0, 1, 2, . . . , q − 1 , u(Ei+1 ) ⊆ Ei

Preuve 5.3.5
i) Pour tout endomorphisme u, on a toujours :

∀i ∈ N , ker(ui ) ⊆ ker(ui+1 )
Donc on doit montrer que ∀i , i = 0, 1, 2, . . . , q − 1 , Ei+1 6= Ei
Pour cela , supposons par absurde qu’il existe i tel que Ei+1 = Ei et montrons que uq−1 = 0
Pour tout x ∈ E on a uq (x) = 0
=⇒ ui+1 (uq−i−1 (x)) = 0
=⇒ uq−i−1 (x) ∈ Ei+1
=⇒ ui (uq−i−1 (x)) = 0
=⇒ uq−1 (x) = 0 et ceci ∀x ∈ E
Ce qui est absurde.
ii)Trivial
Lemme 5.3.2
Soit F un sous-espace vectoriel de E. On suppose qu’il existe i , 1 ≤ i ≤ q tel que F ∩ Ei = {0},
alors on a :
i) u(F) ∩ Ei−1 = {0}
ii) u|F : F → u(F) est un isomorphisme

Preuve 5.3.6
i) Soit x ∈ F tel que u(x) ∈ Ei−1 , a-t-on x = 0 ?
u(x) ∈ Ei−1 =⇒ ui−1 (u(x)) = 0
Donc ui (x) = 0 et par suite x ∈ Ei
Or F ∩ Ei = {0} donc x = 0

ii)Il suffit de montrer que ker(u|F ) = {0}.

On a ker(u|F ) = F ∩ ker(u) avec F ∩ ker(u) ⊆ F ∩ Ei , d’où le résultat.

Lemme 5.3.3
Il existe des sous-espaces vectoriels F1 , F2 , . . . , Fq de E tels que :
i) ∀i , i = 1, 2, . . . , q , Ei = Ei−1 ⊕ Fi
ii) ∀i , i = 1, 2, . . . , q , u(Fi ) ⊆ Fi−1
iii) ∀i , i = 1, 2, . . . , q , u|Fi : Fi → Fi−1 est injective
q
L
iv) E = Fi
i=1

112 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 113

Preuve 5.3.7
On sait que Eq−1 ( Eq donc on peut choisir un supplémentaire de Eq−1 dans Eq qu’on note Fq

=⇒ E = Eq = Eq−1 ⊕ Fq

On a donc Eq−1 ∩ Fq = {0}, par suite, d’après le lemme prècèdent , Eq−2 ∩ u(Fq ) = {0}. Or
u(Fq ) ⊆ u(Eq ) ⊆ Eq−1 , donc on peut choisir un supplémentaire de Eq−2 dans Eq−1 qui contient
u(Fq ), ce supplémentaire sera noté Fq−1

=⇒ Eq−1 = Eq−2 ⊕ Fq−1 avec u(Fq ) ⊆ Fq−1

Puis de la même manière on voit que

Eq−3 ∩ u(Fq−1 ) = {0} et u(Fq−1 ) ⊆ u(Eq−1 ) ⊆ Eq−2

donc on peut choisir un supplémentaire de Eq−2 dans Eq−1 qui contient u(Fq ), ce supplémentaire
sera noté Fq−1
=⇒ Eq−2 = Eq−3 ⊕ Fq−2 avec u(Fq−1 ) ⊆ Fq−2
Ainsi par récurrence on aura :

E = Eq = Eq−1 ⊕ Fq
Eq−1 = Eq−2 ⊕ Fq−1 avec u(Fq ) ⊆ Fq−1
Eq−2 = Eq−3 ⊕ Fq−2 avec u(Fq−1 ) ⊆ Fq−2
..
.
E2 = E1 ⊕ F2 avec u(F3 ) ⊆ F2
E1 = E0 ⊕ F1 avec u(F2 ) ⊆ F1

=⇒ E = F1 ⊕ F2 ⊕ · · · ⊕ Fq
D’où le résultat.
Définition 5.3.3
On appelle matrice nilpotente de Jordan toute martice carrée qui s’écrit sous la forme :
 
N1 0 0 ... 0
 0
 N2 0 ... 0 
N= 0
 ... 
 0 0 
 
0 0 ... 0 Nr

Où pour chaque i , i = 1, 2, . . . , r , on a :
 
0 1 0 ... 0
 0 0 1 ... 0 
. . ...
 
Ni =  0 . . . . 0 
 
 . .
 .. . . . . . ... 
1 
0 0 ... 0 0

113 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 114

Théorème 5.3.3
Soient E un K-espace vectoriel de dimension finie = n et u un endomorphisme non nul de E ,
nilpotent d’indice q. Alors il existe une base de E, appelée base de Jordan de u, dans laquelle
la matrice de u est une matrice nilpotente de Jordan.

Preuve 5.3.8
Soient F1 , F2 , . . . , Fq les sous-espaces du lemme précèdent, alors on a :
i) ∀i , 1 ≤ i ≤ q , Ei = Ei−1 ⊕ Fi
ii) ∀i , 1 ≤ i ≤ q , u(Fi ) ⊆ Fi−1
iii) ∀i , 1 ≤ i ≤ q , u|Fi : Fi → Fi−1 est in jective
q
L
iv) E = Fi
i=1
Soit (xq,1 , xq,2 , . . . , xq,mq ) une base de Fq . Puisque u|Fq : Fq → Fq−1 est in jective alors (u(xq,1 ), u(xq,2 ), . . . , u(xq,m
est une partie libre de Fq−1 et par suite on peut la compléter en une base de Fq−1
Soit (xq−1,1 , xq−1,2 , . . . , xq−1,mq−1 ) cette base , où pour chaque i , i = 1, 2, . . . , mq xq−1,i = u(xq,i )
Ainsi par récurrence sur j , 2 ≤ j ≤ q , à partir d’une base (x j,1 , x j,2 , . . . , x j,m j ) de Fj on obtient
une base (x j−1,1 , x j−1,2 , . . . , x j−1,m j−1 ) de Fj−1 tel que :

∀i , 1 ≤ i ≤ m j , x j−1,i = u(x j,i )

q
L
Or E = Fj , donc la réunion de toutes ces bases forme une base de E
j=1
Ecrivant les élèments de cette base dans un tableau de la manière suivante :
Fq xq,1 xq,2 . . . xq,mq
Fq−1 xq−1,1 xq−1,2 . . . xq−1,mq . . . xq−1,mq−1

F1 x1,1 x1,2 ... x1,mq ... x1,mq−1 . . . x1,m1

G1 G2 ... Gmq ... Gmq−1 . . . Gm1

Dans ce tableau, pour chaque i , 1 ≤ i ≤ m1 , Gi est le sous-espace de E engendré par les vec-
teurs de la iieme colonne qui forment un système libre, donc ce système constitue une base de Gi
Ecrivons les éléments de cette base en commançant du bas vers le haut donc on aura (ei,1 , ei,2 , . . . , ei,ri ),
où : 
u(ei,1 ) = 0
u(ei, j ) = ei, j−1 , ∀ j , 2 ≤ j ≤ ri
Soit ui la restriction de u à Gi , donc ui est un endomorphisme de Gi et la matrice de ui dans la
base ci-dessus s’écrit :
0 1 0 ··· 0
 
 ..
 . 0 1 ··· 0 

 . .
Ai =  .. . . . . . . . . 0 

 
 0 0 ··· 0 1 
0 0 ··· 0 0

114 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 115
m1
L
Or on a E = Gi , donc la matrice A de u dans la base
i=1
(e1,1 , e1,2 , . . . , e1,r1 , . . . , . . . , em1 ,1 , em1 ,2 , . . . , em1 , rm1 ) s’écrit
sous la forme :
 
A1 0 ... 0
 0 A2 ... 0 
 
A=
 ... ... ... ... 

 
0 ... 0 Am1

D’où le résultat
Remarques 5.3.2
Soient E un K-espace vectoriel de dimension finie = n et u un endomorphisme de E nilpotent
et non nul, d’ndice q
1. on a toujours 2 ≤ q ≤ n
2. Soient F1 , F2 , . . . , Fq les sous-espaces associés à u alors on a toujours :
i) F1 = ker(u)
ii) dimK (F1 ) ≥ dimK (F2 ) ≥ · · · ≥ dimK (Fq )
3. Si q = n = dimK (E), alors un = 0 et un−1 6= 0. Soit x ∈ E tel que un−1 (x) 6= 0, alors
(un−1 (x), un−2 (x), . . . , u(x), x) est une base de Jordan de u, dans laquelle la matrice A de
u s’écrit :  
0 1 0 ... 0
 0 0 1 ... 0 
 
A =  ... . . . . . . . . . ... 
 
 
 0 0 ... 0 1 
0 0 ... 0 0
4. Si q = n − 1 où n = dimK (E), alors d’après ce qui précède on aura :

dimK (F1 ) = 2
dimK (F2 ) = · · · = dimK (Fq ) = 1

Soit x ∈ E tel que un−2 (x) 6= 0 et soit y ∈ ker(u) tel que (un−2 (x), y) forme une base
de ker(u), (ker(u) = F1 ), alors (un−2 (x), . . . , u(x), x, y) est une base de Jordan de u dans
laquelle la matrice de A de u s’écrit :
 
0 1 0 ... 0 0
 0 0 1 0 ... 0 
 
 .. . . . . . . . . .. 
A= .
 . . . . . 

 0 0 0 ... 1 0 
 
 0 0 0 ... 0 0 
0 0 0 ... 0 0

5. Si q = n − 2 où n = dimK (E), alors d’après ce qui précède, deux cas sont possibles :

115 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 116

– 1er Cas dimK (ker(u)) = 2, où ker(u) = F1 . Alors on aura :


dimK (F2 ) = 2
dimK (F3 ) = · · · = dimK (Fq ) = 1

Soit x ∈ E tel que un−3 (x) 6= 0 et soit y ∈ E tel que :

 2
u (y) = 0 et u(y) 6= 0
(un−4 (x), y) forme un système libre

Alors (un−3 (x), . . . , u(x), x, y, u(y)) est une base de Jordan de u dans laquelle la matrice
A de u s’ècrit :  
0 1 0 ··· 0
 0 0 1 ··· 0 
 
 .. . . . . . . .. 
 . . . . . 
 
A =  0 0 ··· 0 1
 

 0 0 ··· 0 0 
 
 
 0 1 
0 0

– dimK (ker(u)) = 3, alors necessairement, on a :

dimK (F2 ) = . . . = dimK (Fn−2 ) = 1

Soit x ∈ E tel que un−3 (x) 6= 0 et soient y et z deux éléments de ker(u) tels que
(un−3 (x), y, z) forme une base de ker(u).
Alors (un−3 (x), · · · , u(x), x, y, z) est une base de Jordan de u dans laquelle la matrice A
de u s’écrit :  
0 1 0 ··· 0
 0 0 1 ··· 0 
 
 .. . . . . . . .. 
 . . . . . 
 
A=  0 0 ··· 0 1


 0 0 ··· 0 0 
 
 
 0 0 
0 0

Exemple 5.3.1
Soient E un K-espace vectoriel de dimension finie et u un endomorphisme nilpotent non nul
d’indice q
1. dimK (E) = 2 alors on a q = 2 = dimK (E). Soit x ∈ E tel que u(x) 6= 0, alors (u(x), x) est
une base de Jordan de u et on a :
 
0 1
A=
0 0

116 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 117

2. dimK (E) = 3, alors on a q = 2 ou q = 3

Si q = 3 = dimK (E), soit x ∈ E tel que u2 (x) 6= 0, donc d’après ce qui précède (u2 (x), u(x), x)
est une base de Jordan de u et on a :
 
0 1 0
A= 0 0 1 
0 0 0
Si q = 2 = dimK (E) − 1, soit x ∈ E tel que u(x) 6= 0 et soit y ∈ ker(u) tel que (u(x), y)
forme une base de ker(u). Alors (u(x), x, y) est une base de Jordan de u et on a :
 
0 1 0
A= 0 0 0 
0 0 0

3. dimK (E) = 4, alors on a q ∈ {2, 3, 4}

Si q = 4 = dimK (E), on choisit x ∈ E tel que u3 (x) 6= 0, alors d’après ce qui précède,
(u3 (x), u2 (x), u(x), x) est une base de Jordan de u et on a :
 
0 1 0 0
 0 0 1 0 
A=  0 0 0 1 


0 0 0 0

Si q = 3 = dimK (E) − 1, on choisit x ∈ E tel que u2 (x) 6= 0 et on choisit y ∈ ker(u) tel

que (u2 (x), y) forme une base de ker(u). Alors d’après ce qui précède, (u2 (x), u(x), x, y)
est une base de Jordan de u et on a :
 
0 1 0 0
 0 0 1 0 
A=  0 0 0 0 


0 0 0 0
Si q = 2 = dimK (E) − 2, alors d’après la remarque précèdente, deux cas sont possibles :
– dimK (ker(u)) = 2, dans ce cas on choisit x ∈ E et y ∈ E tels que u(x) 6= 0, u(y) 6= 0 et
(x, y) libre. Alors (u(x), x, u(y), y) est une base de Jordan de u et on a :
 
0 1 0 0
 0 0 0 0 
A=  0 0 0 1 


0 0 0 0
– dimK (ker(u)) = 3, dans ce cas on choisit x ∈ E tel que u(x) 6= 0 et on choisit y , z ∈
ker(u) tels que (u(x), y, z) forme une base de ker(u). Alors (u(x), x, y, z) est une base de
Jordan de u et on a :  
0 1 0 0
 0 0 0 0 
A=  0 0 0 0 


0 0 0 0

117 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 118

5.3.3 Réduite de Jordan

Soient E un K-espace vectoriel de dimension finie = n et u un endomorphisme quelconque
de E. On suppose que χu , le polynôme caractéristique de u, a toutes ses racines dans K et soient
λ1 , λ2 , . . . , λr les racines deux à deux distincts de χu , de multiplicités respectives m1 , m2 , . . . , mr
alors on a :
χu = (X − λ1 )m1 (X − λ2 )m2 · · · (X − λr )mr
Pour chaque j , j = 1, 2, . . . , r, posons N j = ker[(u − λ j )m j ]
Définition 5.3.4
∀ j , j = 1, 2, . . . , r , N j s’appelle le sous-espace caractéristique associé à la valeur propre λ j .

Lemme 5.3.4
i) ∀ j , j = 1, 2, . . . , r , N j est stable par u
r
L
ii) E = Nj
j=1
iii) ∀ j , j = 1, 2, . . . , r , dimK (N j ) = m j

Preuve 5.3.9
i) Trivial
ii) D’après le théorème de Cayley-Hammilton, χu (u) = 0, donc d’après le théorème de
décomposition on a le résultat.
iii) Soit v j la restriction de u à N j , alors v j est un endomorphisme de N j , car N j est stable
par u, et on a (v j − λ j )m j = 0 .
Posons n j = dimK (N j ), alors χv j = (X − λ j )m j Or on sait que χv j divise χu et par suite on
aura n j ≤ m j . D’autre part , on a :

m1 + m2 + · · · + mr = n1 + n2 + · · · + nr = n

D’où ∀ j , n j = m j

Remarque 5.3.2
1. ∀ j , j = 1, 2, . . . , r, Eλ j ⊆ Nλ j
2. ∀ j , j = 1, 2, . . . , r, (v j − λ j )m j = 0 , donc v j − λ j est un endomorphisme nilpotent de N j
3. ∀ j , j = 1, 2, . . . , r, soit q j l’indice de nilpotence de v j − λ j , alors on a :

Mu = (X − λ1 )q1 (X − λ2 )q2 · · · (X − λr )qr (Exercice)

4. u est diagonalisable, si et seulement si, ∀ j , j = 1, 2, . . . , r, Eλ j = Nλ j

Théorème 5.3.4
Soit E un K-espace vectoriel de dimension finie, où K est un corps algèbriquement clos. Alors
pour tout endomorphisme u de E, il existe deux endomorphismes de E, v et w, tels que :
i) v est diagonalisable
ii) w est nilpotent
iii) vow = wov
iv) u = v + w

118 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 119

Preuve 5.3.10
K est algèbriquement clos, donc χu a toutes ses racines dans K. Soient λ1 , λ2 , . . . , λr les racines
deux à deux distinctes de χu et soitent N1 , N2 , . . . , Nr les sous-espaces caractéristiques associés
r
Ni , donc pour x ∈ E, x = x1 + x2 + · · · + xr on pose :
L
On sait que E =
i=1

v(x) = λ1 .x1 + λ2 .x2 + · · · + λr .xr
w(x) = u1 (x1 ) − x1 + u2 (x2 ) − x2 + · · · + ur (xr ) − xr

Où pour tout i , i = 1, 2, . . . , r, ui est la restriction de u à Ni

i) Par contruction, v est diagonalisable
ii) D’après la remarque précédente, pour tout i , i = 1, 2, . . . , r , ui − λi est un endomorphisme
nilpotent de Ni . Soit qi l’indice de nilpotence de ui − λi et soit q = sup qi , alors wq = 0 donc w
1≤i≤r
est nilpotent
iii) et iv) facile à vérifier

Corollaire 5.3.1
Soit K un corps algèbriquement clos. alors pour toute matrice carrée A d’ordre n à coëfficients
dans K, il existe deux matrices carrées D et N d’ordre n à coëfficients dans K tels que :
i) D est diagonalisable
ii) N est nilpotente
iii) D.N = N.D
iv) A = D + N

Preuve 5.3.11
Exercice

119 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 120

Théorème 5.3.5
Soient E un K-espace vectoriel de dimension finie = n et u un endomorphisme de E. On suppose
que χu a toutes ses racines dans K et que
χu = (X − λ1 )m1 (X − λ2 )m2 · · · (X − λr )mr , où λ1 , λ2 , . . . , λr sont les racines deux à deux distinctes
de χu . Alors il existe une base de E, appelée base de Jordan de u, dans laquelle la matrice J de u
s’écrit :  
J1

 J2 

 ... 
J=  


 . . .


Jr
Où ∀i , i = 1, 2, . . . r , on a :
 
Ji,1
Ji,2
 
 
Ji =  ..

.
 
 
Ji,ri

Et où ∀ j , j = 1, 2, . . . , ri , on a :
 
λi 1 0 · · · 0

 0 λi 1 · · · 0 

.. . . . . . . .
Ji, j =  . ..
 
. . . 
 
 0 0 · · · λi 1 
0 0 · · · 0 λi

C’est à dire, la matrice J est de la forme :

 
λ1 ε1 0 · · · 0
 0
 λ2 ε2 · · · 0 

J =  ... ... ... ... ..
 
 . 

 0 0 · · · 0 εn−1 
0 0 ··· 0 λn

Où ∀i , i = 1, 2, . . . , n − 1 , εi ∈ {0, 1}
Et où ∀ j , 1 ≤ j ≤ r , λ j apparait m j fois sur la diagonale de la matrice J.

Preuve 5.3.12
Pour chaque i , i = 1, 2, . . . , r, soit vi la restriction de u au sous-espace caractéristique Ni associé
à la valeur propre λi , alors vi − λi est un endomorphisme nilpotent de Ni , donc il existe une base

120 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 121

(ei,1 , ei,2 , . . . , ei,ni ) de Ni dans laquelle la matrice de vi − λi s’écrit :

 
Ai,1
Ai,2
 
 
Ai = 

...


 
Ai,ri
Où pour tout j , j = 1, 2, . . . , ri , Ai, j est de la forme :
 
0 1 0 ··· 0
 0 0 1
 ··· 0  
Ai, j =  ... . . . . . . . . . .. 

 . 

 0 0 ··· 0 1 
0 0 ··· 0 0
Or vi = (vi − λi ) + λi .IdE , donc la matrice de vi dans cette même base s’écrit :
 
Ji,1
Ji,2
 
 
Ji = Ai + λi .I = 

..

.

 
Ji,ri
Où pour tout j , j = 1, 2, . . . , ri , Ji, j s’écrit sous la forme :
 
λi 1 0 · · · 0
 0 λi 1 · · · 0 
 
Ji, j =  ... . . . . . . . . . ..
 
 . 

 0 0 · · · λi 1 
0 0 ··· 0 λi
r
L
Puisque E = Ni , donc la matrice de u dans la base
i=1
(e1,1 , e1,2 , . . . , e1,n1 , . . . , er,1 , er,2 , . . . , er,nr ) s’écrit sous la forme :
 
J1
 J2 
J=
 
 ... 

Jr
D’où le résultat.
Corollaire 5.3.2
Pour toute matrice carrée A à coëfficients dans C, il existe une matrice de Jordan J et il existe
une matrice inversible P tels que :
A = P−1 JP
Preuve 5.3.13
Il suffit d’appliquer le théorème précèdent à l’endomorphise u de Cn de matrice A dans la base
canonique de Cn

121 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 122

5.3.4 Méthode pratique de jordanisation d’une matrice d’ordre 3

Soit A une matrice quelconque de M3 (K). On désigne par (e1 , e2 , e3 ) la base canonique de K3
et on suppose que le polynôme caractéristique de A, χA a toutes ses racines dans K qui sont tous
de dimension 1.
1er Cas χA = (X − λ1 )(X − λ2 )(X − λ3 ) avec λ1 6= λ2 6= λ3 .
Dans ce cas, les trois valeurs propres de A sont deux à deux distinctes, donc A est dia-
gonalisable. Pour diagonaliser A on doit chercher les sous-espaces propres Eλ1 , Eλ2 et
Eλ3 .
2ieme Cas χA = (X − λ1 )2 (X − λ2 ), avec λ1 6= λ2 .
Dans ce cas, on commence par chercher Eλ1 et Eλ2 .
– Si dim(Eλ1 ) = 2 alors est A diagonalisable.
Donc si (v1 , v2 ) est une base de Eλ1 et v3 est un vecteur non nul de Eλ2 , alors (v1 , v2 , v3 )
est une base formée de vecteurs propres de A.
– Si dim(Eλ1 ) = 1, alors A n’est pas diagonalisable. Pour jordaniser A, on cheche un
vecteur v tel que (A − λ1 )2 (v) = 0 et (A − λ1 )(v) 6= 0, puis on prend v1 = (A − λ1 )(v),
v2 = v et v3 un vecteur non nul de Eλ2 . Alors (v1 , v2 , v3 ) est une base de Jordan de A et
on a A(v1 ) = λ1 v1 , A(v2 ) = v1 + λ1 v2 et A(v3 ) = λ2 v3 .
3ieme Cas χA = (X − λ)3 .
Dans ce cas A est diagonalisable, si et seulement si, A = λI. Donc on suppose que A 6= λI.
– Si (A − λI)2 6= 0, alors on peut choisir v ∈ {e1 , e2 , e3 } tel que
(A − λI)2 (v) 6= 0, puis on pose

v1 = (A − λI)2 (v), v2 = (A − λI)(v) et v3 = v

Donc (v1 , v2 , v3 ) est une base de Jordan pour A et on a

A(v1 ) = λv1 , A(v2 ) = v1 + λv2 et A(v3 ) = v2 + λv3

– Si (A − λI)2 = 0, alors dans ce cas dim(Eλ ) = 2, (Pourquoi ?).

Pour jordaniser, on prend v ∈ {e1 , e2 , e3 } tel que (A − λI)(v) 6= 0 et on cherche y ∈ Eλ
tel que (y, (A − λI)(v)) soit une base de Eλ , puis on pose

v1 = (A − λI)(v), v2 = v et v3 = y

Alors (v1 , v2 , v3 ) est une base de Jordan et on a

A(v1 ) = λv1 , A(v2 ) = v1 + λv2 et A(v3 ) = λv3

5.3.5 Méthode pratique de jordanisation d’une matrice d’ordre 4

Soit A une matrice quelconque de M4 (K). On désigne par (e1 , e2 , e3 , e4 ) la base canonique
de K4 et on suppose que le polynôme caractéristique de A, χA a toutes ses racines dans K.
1er Cas χA = (X − λ1 )(X − λ2 )(X − λ3 )(X − λ4 ) avec λ1 6= λ2 6= λ3 6= λ4 .
Dans ce cas, les valeurs propres de A sont deux à deux distinctes, donc A est diagonali-
sable. Pour diagonaliser A on doit chercher les sous-espaces propres Eλ1 , Eλ2 , Eλ3 et Eλ4
qui sont tous de dimension 1.

122 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 123

2er Cas χA = (X − λ1 )2 (X − λ2 )(X − λ3 ) avec λ1 6= λ2 6= λ3 .

– Si dim(Eλ1 ) = 2 alors A est diagonalisable.
Donc si (v1 , v2 ) est une base de Eλ1 , v3 est un vecteur non nul de Eλ2 et v4 est un vecteur
non nul de Eλ3 alors (v1 , v2 , v3 , v4 ) est une base formée de vecteurs propres de A.
– Si dim(Eλ1 ) = 1, alors A n’est pas diagonalisable. Pour jordaniser A, on cheche un
vecteur v tel que
(A − λ1 )2 (v) = 0 et (A − λ1 )(v) 6= 0
puis on prend v1 = (A − λ1 )(v), v2 = v, v3 un vecteur non nul de Eλ2 et v4 un vecteur
non nul de Eλ3 . Alors (v1 , v2 , v3 , v4 ) est une base de Jordan de A et on a
A(v1 ) = λ1 v1 , A(v2 ) = v1 + λ1 v2 , A(v3 ) = λ2 v3 et A(v4 ) = λ3 v4 .
3er Cas χA = (X − λ1 )2 (X − λ2 )2 avec λ1 6= λ2 .
– Si dim(Eλ1 ) = 2 et dim(Eλ2 ) = 2 alors A est diagonalisable.
Donc si (v1 , v2 ) est une base de Eλ1 et (v3 , v4 ) une base de Eλ2 , alors (v1 , v2 , v3 , v4 ) est
une base formée de vecteurs propres de A.
– Si dim(Eλ1 ) = 1 et dim(Eλ2 ) = 2 alors A n’est pas diagonalisable. Pour jordaniser
A, on cheche un vecteur v tel que (A − λ1 )2 (v) = 0 et (A − λ1 )(v) 6= 0 et on pose
v1 = (A − λ1 )(v) et v2 = v. Puis on cherche une base (v3 , v4 ) de Eλ2 , ainsi (v1 , v2 , v3 , v4 )
est une base de Jordan de A et on a
A(v1 ) = λ1 v1 , A(v2 ) = v1 + λ1 v2 , A(v3 ) = λ2 v3 et A(v4 ) = λ2 v4 .
4er Cas χA = (X − λ1 )3 (X − λ2 ) avec λ1 6= λ2 .
– Si dim(Eλ1 ) = 3, alors A est diagonalisable.
Donc si (v1 , v2 , v3 ) est une base de Eλ1 et v4 est un vecteur non nul de Eλ2 alors
(v1 , v2 , v3 , v4 ) est une base formée de vecteurs propres de A.
– Si dim(Eλ1 ) = 2, alors A n’est pas diagonalisable. Pour jordaniser A, on cherche un
vecteur v tel que
(A − λ1 )3 (v) = 0 et (A − λ1 )(v) 6= 0
On pose v1 = (A − λ1 )(v) et v2 = v, alors v1 ∈ Eλ1 (Pourquoi ?). Puis on choisit v3 ∈ Eλ1
tel que (v1 , v3 ) soit une base de Eλ1 et v4 un vecteur non nul de Eλ2 . Alors (v1 , v2 , v3 , v4 )
est une base de Jordan de A et on a

A(v1 ) = λ1 v1 , A(v2 ) = v1 + λ1 v2 , A(v3 ) = λ1 v3 , et A(v4 ) = λ2 v4

– Si dim(Eλ1 ) = 1, alors A n’est pas diagonalisable. Pour jordaniser A, on cherche un

vecteur v tel que
(A − λ1 )3 (v) = 0 et (A − λ1 )2 (v) 6= 0
Puis on pose v1 = (A − λ1 )2 (v), v2 = (A − λ1 )(v), v3 = v et v4 un vecteur non nul de
Eλ2 . Alors (v1 , v2 , v3 , v4 ) est une base de Jordan de A et on a

A(v1 ) = λ1 v1 , A(v2 ) = v1 + λ1 v2 , A(v3 ) = v2 + λ1 v3 , et A(v4 ) = λ2 v4

5er Cas χA = (X − λ)4 .

Dans ce cas A est diagonalisable, si et seulement si, A = λI. Donc on suppose que A 6= λI.

123 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 124

– Si (A − λ)3 6= 0, alors on peut choisir v ∈ {e1 , e2 , e3 , e4 } tel que

(A − λI)3 (v) 6= 0, puis on pose

v1 = (A − λI)3 (v), v2 = (A − λI)2 (v), v3 = (A − λI)(v) et v4 = v

Donc (v1 , v2 , v3 , v4 ) est une base de Jordan et on a

A(v1 ) = λv1 , A(v2 ) = v1 + λv2 , A(v3 ) = v2 + λv3 et A(v4 ) = v3 + λv4

– Si (A − λ)3 = 0 et (A − λ)2 6= 0, alors dim(Eλ ) = 2 (Pourquoi ?).

Pour jordaniser A, on choisit v ∈ {e1 , e2 , e3 , e4 } tel que
(A − λ)2 (v) 6= 0 et on choisit y ∈ Eλ tel que ((A − λ)2 (v), y) soit une base de Eλ . Puis
on pose
v1 = (A − λ)2 (v), v2 = (A − λ)(v), v3 = v et v4 = y
Alors (v1 , v2 , v3 , v4 ) est une base de Jordan de A et on a

A(v1 ) = λv1 , A(v2 ) = v1 + λv2 , A(v3 ) = v2 + λv3 , et A(v4 ) = λv4

– Si (A − λ)2 = 0, alors on aura dim(Eλ ) = 2 ou dim(Eλ ) = 3 (Pourquoi ?)

Si dim(Eλ ) = 2, on choisit x ∈ {e1 , e2 , e3 , e4 } et y ∈ {e1 , e2 , e3 , e4 } tels (A − λ)(x) 6= 0
et (A − λ)(y) 6= 0, puis on pose

v1 = (A − λ)(x), v2 = x, v3 = (A − λ)(y) et v4 = y

Alors (v1 , v2 , v3 , v4 ) est une base de Jordan et on a

A(v1 ) = λv1 , A(v2 ) = v1 + λv2 , A(v3 ) = λv3 et A(v4 ) = v3 + λv4

Si dim(Eλ ) = 3, on choisit x ∈ {e1 , e2 , e3 , e4 } tel que (A − λ)(x) 6= 0 et on choisit y, z ∈

Eλ tels que ((A − λ)(x), y, z) soit une base de Eλ . Puis on pose

v1 = (A − λ)(x), v2 = x, v3 = y, et v4 = z

Alors (v1 , v2 , v3 , v4 ) est une base de Jordan de A et on a

A(v1 ) = λv1 , A(v2 ) = v1 + λv2 , A(v3 ) = λv3 et A(v4 ) = λv4

5.4 Application aux systèmes différenciels

5.4.1 Notations
i) Mn (C) désigne le C-espace vectoriel des matrices carrées d’ordre n à coëfficients dans le
corps des nombres complexes C
ii) Rappelons que si A est un élément de Mn (C), alors A définit un unique endomorphisme
du C-espace vectoriel Cn , qu’on note encore A

124 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 125
   
x1 y1
 x2   y2 
iii) Pour X ∈ Cn , X =   , Y = A.X =   désigne l’image de X par A. Et on
   
.. ..
 .   . 
xn yn
sait que si A = (ai, j )1≤i, j≤n alors :
n
∀i , i = 1, 2, . . . , n , yi = ∑ ai, j x j
j=1

iv) Pour X ∈ Cn , kXk dśigne l’une des normes usuelles de Cn :

kXk = ∑ni=1 |xi |

1
kXk = (∑ni=1 (|xi |)2 ) 2
kXk = sup |xi |
1≤i≤n

5.4.2 Norme d’une matrice

Pour toute matrice A de Mn (C) on pose :

kA.Xk
N(A) = sup({ , kXk = 1})
kXk

Proposition 5.4.1
i) L’application N : Mn (C) → R+ définit une norme sur C
ii) ∀A ∈ Mn (C) , ∀B ∈ Mn (C) , N(A.B) = N(A)N(B)
iii) N(I) = 1, (où I est la matrice identité)

Preuve 5.4.1
Exercice

Remarque 5.4.1
1. (Mn (C), N) est un espace normé
2. Rappelons qu’une suite (An )n≥0 d’éléments de (Mn (C), N) est dite de Cauchy si :

∀ε > 0 , ∃p ∈ N : ∀n , ∀m , n, m ≥ p =⇒ N(An − Am ) < ε

Et qu’un espace normé E est dit complet, si toute suite de Cauchy d’éléments de E
converge vers un élément de E
3. Rappelons aussi que tout espace normé de dimension finie est complet et que toutes les
normes sur un tel espace sont equivalente (Voir Cours d’Analyse de MPII)
4. Mn (C) est de dimension finie = n2 , donc (Mn (C), N) est un espace normé complet

125 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 126

5.4.3 Exponentiel d’une matrice

Rappelons que si x ∈ R, exp(x) est défini comme étant la fonction inverse de log(x), puis
gràce à la formule de Taylor on montre que :
∞
xn
∀x ∈ R , exp(x) = ∑
n=0 n!

Si maintenant z ∈ C, par analogie et en utilisant les séries entières , on définit l’exponentiel de

z par :
∞ n
z
exp(z) = ∑
n=0 n!
Dans la suite nous allons utiliser la même analogie pour définir l’exponentiel d’une matrice A
Lemme 5.4.1
Pour toute matrice A de Mn (C), la suite (u p ) p≥0 définie par :
p
An
∀p , u p = ∑
n=0 n!

possède une limite dans Mn (C), qu’on note :

∞
An
lim u p = ∑
n=0 n!
p→∞

Preuve 5.4.2
Il suffit de vérifier que (u p ) p≥0 est une suite de Cauchy

Définition 5.4.1
Pour toute matrice A de Mn (C), on définit l’exponentiel de A par la formule :
∞
An
exp(A) = lim u p = ∑
n=0 n!
p→∞

Lemme 5.4.2
Si A et B sont deux matrices de Mn (C) qui commutent, alors :

exp(A + B) = exp(A). exp(B)

Preuve 5.4.3

∞
Ap ∞
Bq
exp(A). exp(B) = ( ∑ ).( ∑ )
p=0 p! q=0 q!
C’est le produit de Cauchy de deux séries :
∞ ∞ ∞ ∞ n
( ∑ u p ).( ∑ vq ) = ∑( ∑ u p vq ) = ∑ ( ∑ u pvn−p)
p=0 q=0 n=0 p+q=n n=0 p=0

126 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 127

Puisque A.B = B.A alors on aura :

n
∞
A p B(n−p)
exp(A). exp(B) = ∑(∑
n=0 p=0 p! (n − p)!

Or on sait que :
n
A p B(n−p)
∑
p=0 p! (n − p)!

1 n n!
= (∑ A p B(n−p) )
n! p=0 (n − p)!p!
1
= (A + B)n car A et B commutent
n!
∞
(A + B)n
=⇒ exp(A). exp(B) = ∑ n! = exp(A + B)
n=0
D’où le résultat.

5.4.4 Calcul pratique de l’exponentiel d’une matrice

1. Si D est une matrice diagonale :
 
λ1 0 · · · 0
 0 λ2 · · · 0 
D=
 
.. . . . . .
. ..

 . . 
0 · · · 0 λn

Alors , en appliquant la définition, on voit facilement que :

 
exp(λ1 ) 0 ··· 0
 0 exp(λ 2 ) · · · 0 
exp(D) = 
 
.. . . .. .. 
 . . . . 
0 ··· 0 exp(λn )

2. Si N est une matrice nilpotente d’indice q, alors en appliquant la définition on aura :

q−1
Nj
exp(N) = ∑
j=0 j!

3. Si J est une matrice de Jordan, alors J = D + N, où D est une martice diagonale et N une
matrice nilpotente qui commute avec D, donc on aura

exp(J) = exp(D + N) = exp(D). exp(N)

127 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 128

4. Si maintenant A est une matrice quelconque à coëfficients dans C, alors on sait qu’il existe
une matrice de Jordan J et il existe une matrice inversible P tels que A = P−1 JP, donc il
est facile de vérifier que :
exp(A) = P−1 exp(J)P

Remarque 5.4.2
Soit A une matrice complexe. Supposons que Cn = E1 ⊕ E2 ⊕ · · · ⊕ Er , où pour chaque i , i =
1, 2, . . . , r, Ei est stable par A. Alors
r
n
∀X ∈ C , exp(A).X = ∑ exp(Ai ).Xi
i=1

Avec X = ∑ri=1 Xi , ∀i , Xi ∈ Ei et Ai est la restriction de A à Ei .

5.4.5 Systèmes différentiels

Définition 5.4.2
Un système différentiel est un système d’equations différenteilles qui s’écrivent sous la forme :
dx1
= a1,1 . dx dx2 dxn

dt + a1,2 . dt + · · · + a1,n . dt
1


 dt



dx2
= a2,1 . dx dx2 dxn
dt + a2,2 . dt + · · · + a2,n . dt

 1
dt


 ..
.




= an,1 . dx dx2
 dxn dxn
dt + an,2 . dt + · · · + an,n . dt
1
dt

Où pour chaque i , i = 1, 2, . . . , n , xi : R → C est une fonction inconnue de classe C1

Et où A = (ai, j )1≤i, j≤n est une matrice à coëfficients constants dans C

Remarque 5.4.3
Posons X(t) = (x1 (t), x2 (t), . . . , xn (t)), alors X(t) est une fonction inconnue de R vers Cn et le
système précédent est equivalent à l’equation différentielle suivante :

dX(t)
= AX(t)
dt
Par analogie au cas de dimension 1, ce système admet pour solution :

X(t) = exp(tA).X0 avec X0 ∈ Cn

5.4.6 Résolution pratique d’un système différentiel

Méthode utilisant les sous-espaces caractéristiques
Soient A une matrice complexe, λ1 , λ2 , . . . , λr les valeurs propres deux à deux distinctes de A
, N1 , N2 , . . . , Nr les sous-espaces caractéristiques associés , MA = (X − λ1 )q1 (X − λ2 )q2 · · · (X −
λr )qr le polynôme minimal de A et pour chaque i , i = 1, 2, . . . , r , Ai la restriction de A à Ni

128 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 129

Considèrons le système dX(t) dt = AX(t) et posons

X(t) = X1 (t) + X2 (t) + · · · + Xr (t) alors on aura :
 dX(t) dX (t) dX (t)
 dt = dt1 + dt2 + · · · + Xrdt(t)

AX(t) = A1 X1 (t) + A2 .X2 (t) + · · · + Ar Xr (t)



Donc d’après l’unicité de la décomposition on aura :

dXi (t)
∀i , i = 1, 2, . . . , r , = Ai .Xi (t)
dt
=⇒ Xi (t) = exp(tAi ).Xi,0 avec Xi,0 ∈ Ni
On sait que Ai − λi est nilpotent d’indice qi , donc :
exp(tAi ) = exp(λit). exp(t(Ai − λi ))
qi −1 k
k (Ai − λi )
=⇒ exp(tAi ) = exp(λit) ∑t
k=1 k!
Pour chaque k , i = 1, 2, . . . , qi − 1 , posons Yk = k!1 (Ai − λi )k alors ∀k , Yk ∈ Ni donc Pi (t) =
qi −1 k
∑k=1 t Yk est un polynôme en t à coëfficients dans Ni
Conclusion
Les solutions du système différentiel :
dX(t)
= AX(t)
dt
s’écrivent sous la forme :
r
X(t) = ∑ exp(λit)Pi (t)
i=1

Où pour tout i , i = 1, 2, . . . , r , Pi (t) est un polynôme en t de degré ≤ qi − 1 et à coëfficients

dans Ni
Les coëfficients de chaque polynôme Pi (t) sont déterminés par la relation :
d(exp(λit)Pi (t))
= A.(exp(λit)Pi (t))
dt

Méthode utilisant une base de Jordan

Soit A une matrice de Mn (C), on considère le système différentiel
dX(t)
= AX(t) (S)
dt
Pour résoudre (S), on commence par la recherche d’une base de Jordan de A. Soit J la réduite
de Jordan de A par rapport à cette base, on considère le nouveau système
dY (t)
= JY (t) (S0 )
dt

129 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 130

qui s’écrit sous la forme

dy1 (t)


 = λ1 y1 (t) + ε1 y2 (t)



 dt



dy2 (t)


= λ2 y2 (t) + ε2 y3 (t)




 dt
...


..


 .


 dyn−1 (t)

 = λn−1 yn−1 (t) + εn−1 yn (t)
dt







 dyn = λ y (t)



n n
dt
où pour tout i, 1 ≤ i ≤ n − 1, εi ∈ {0, 1} et λ1 , λ2 , . . . , λn sont les valeurs propres de A, non
necessairement deux à deux distinctes.
Ce système est facile à résoudre, en commençant par la dernière équation. Soit Y (t) la solution
générale de ce système, alors la solution du système (S) est donnée par

X(t) = PY (t)

5.5 Exercices
Exercice 5.5.1
Trouver les valeurs propres et les vecteurs propres des matrices suivantes :
     
1 3 0 0 −4 1 0 1 1 2 3 4
 4 2 0 0   −2 −1 0 1   0 1 0 7 
     
 1 −1 5 3   −12 6 3 1   0 0 2 7 
2 0 4 −2 −2 1 0 −1 0 0 0 2
Exercice 5.5.2
 
  A A A A
2 1  A 0 0 A 
A= et B= 
1 2  A 0 0 A 
A A A A
Déterminer les valeurs propres et les vecteurs propres de B
Exercice 5.5.3
Soient u, v, w les suites définies par
3un + 2
∀n ≥ 0, un+1 = , vn+1 = 3vn + 2wn et wn+1 = vn + 2wn
un + 2
On suppose que u0 ≥ 0, v0 = u0 et w0 = 1.

130 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 131

vn
1. Montrer que ∀n ≥ 0, un = wn .
2. a) Trouver une matrice A, tel que
   
vn+1 v
∀n ≥ 0, =A n
wn+1 wn

b) Trouver une matrice inversible P et une matrice diagonale D, telle que A = PDP−1 .
c) Calculer An et en déduire vn , wn et lim un .
n→∞

Exercice 5.5.4
Soit u l’endomorphisme de R4 défini par sa matrice A dans la base canonique (e1 , e2 , e3 , e4 ) :
 
1 1 1 1
0 0 1 0
A= 0 1 0 0


1 1 1 1

a) Trouver le polynôme caractéristique et les valeurs propres de u.

b) Montrer que u est diagonalisable.
c) Trouver une base de E, (v1 , v2 , v3 , v4 ), formée de vecteurs propres de u. Trouver la ma-
trice de passage de (e1 , e2 , e3 , e4 ) à la base (v1 , v2 , v3 , v4 ).
d) Soit D la matrice de u dans la base (v1 , v2 , v3 , v4 ). Quelle est la relation entre A et D ?

Exercice 5.5.5
Soit u un endomorphisme d’un K-espace vectoriel E de dimension finie, tel que :

u4 = u2 + u

a) Montrer que
E = Ker(u) ⊕ Ker(u3 − u − IdE )
b) Montrer que Im(u) ⊆ Ker(u3 − u − IdE )
c) En déduire que Im(u) = Ker(u3 − u − IdE )

Exercice 5.5.6
 
−1 1 1 3a
2 0 −2 −2
A=
−2
 une matrice de M4 (R)
1 2 3a 
0 0 1 0
1. Montrer que 1 est valeur propre de A. Quelle est la dimension de l’espace propre associé
à la valeur propre 1 ?
2. Pour quelles valeurs de a, A est diagonalisable ?
3. Soit H le sous-espace de R4 d’équation 2x − y − 3z − t = 0
– Montrer que A(H) = H.
– Soit B la restriction de la matrice A à H. B est-elle diagonalisable ?

131 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 132

Exercice 5.5.7
Soient A et B deux matrices non nulles de Mn (R).
1. Montrer que rgR (A) = rgC (A).
2. Montrer que A et B sont R-semblables, si et seulement si, A et B sont C-semblables.
(On pourra étudier det(P1 + xP2 ) avec P1 + iP2 matrice inversible).
3. Dans la suite, on suppose que A3 + 2A2 + 2A = 0. A est-elle diagonalisable dans R ?
dans C ?
4. Montrer que A est de rang pair.
Exercice 5.5.8
Soient E = M2 (R) le R-espace vectoriel des matrices carrées d’ordre 2 à coifficients dans R et
(J1 , J2 , J3 , J4 ) la base canonique de E.
       
1 0 0 1 0 0 0 0
Rappelons que J1 = , J2 = , J3 = et J4 =
0 0 0 0 1 0 0 1
On considère l’endomorphisme u de E défini par :
 u : E−→ E  
a b d −b
M= 7−→ u(M) =
c d −c a
a) Calculer u2 .
b) Montrer que u est diagonalisable.
c) Ecrire la matrice A de u dans la base (J1 , J2 , J3 , J4 ).
d) Déterminer le polynôme caractéristique de u.
e) Trouver une base formée de vecteurs propres de u.
Exercice 5.5.9
Soient E un C-espace vectoriel de dimension finie = n et u un endomorphisme de E dont la
matrice dans une base de E s’écrit :
 
1 0 ... 0 0
 0 0 ... 0 1 
...
 
A= 0 0 1 0
 

 . . .. . . ..
 .. ..

. . . 
0 1 0 ... 0
a) Vérifier que u2 = IdE et en déduire que u est diagonalisable
b) Déterminer la dimension de ker(u − IdE )
(Discuter suivant les cas où n est pair et n impair)
c) Quel est le polynôme caractéristique de u ?
d) Trouver une base de E formée de vecteurs propres de u
Exercice 5.5.10
Soit B la matrice de M2n (C) définie par :
 
A 4A
B=
A A

132 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 133

Où A est une matrice quelconque de Mn (C)

Exprimer χB en fonction de χA
Exercice 5.5.11
Soient u et v deux endomorphismes d’un K-espace vectoriel E de dimension finie = n. On
suppose que u et v admettent chacun n valeurs propres deux à deux distinctes. Montrer que les
P.S.S.E :
i) u ◦ v = v ◦ u
ii) u et v ont mêmes vecteurs propres
Exercice 5.5.12
Soient G un groupe fini, E un C-espace vectoriel de dimension finie et f : G −→ GLK (E) un
homomorphisme de groupes
Pour tout a ∈ G, on pose Φ(a) = trace( f (a))
i) f (a) est-il diagonalisable ?
ii) Montrer que ∀a ∈ G , Φ(a−1 ) = Φ(a)
Exercice 5.5.13
Soient E un C-espace vectoriel de dimension finie, u et v deux endomorphismes permutables
de E
a) Montrer que tout sous-espace propre de u est stable par v
b) Démontrer, par récurrence sur n = dimK (E), que u et v possède un vecteur propre com-
mun
Exercice 5.5.14
Soient E un C-espace vectoriel de dimension finie, u et v deux endomorphismes de E. Montrer
que :
a) u ◦ v et v ◦ u ont mêmes valeurs propres
b) Si IdE − u ◦ v est inversible, alors IdE − v ◦ u est aussi inversible
c) Si u est inversible, alors u ◦ v et v ◦ u ont même polynôme caractéristique
d) Montrer qu’en général u ◦ v et v ◦ u ont même polynôme caractéristique
e) u ◦ v et v ◦ u ont-ils le même polynôme minimal ?
Exercice 5.5.15
Soit M ∈ Mn (R) une matrice de rang 1.
1. Montrer que si λ est une valeur propre de M, alors λ = 0 ou λ = Tr(M).
2. Si E est un sous-espace propre de M, déterminer la dimension de E.
3. Montrer que M est diagonalisable, si et seulement si, Tr(M) 6= 0
4. Soient A et B deux matrices de Mn (R) et f l’endomorphisme de Mn (R) d’efini par

∀M ∈ Mn (R), f (M) = Tr(AM)B

Montrer que f est de rang 1 et que f est diagonalisable, si et seulement si, Tr(AB) 6= 0.
Exercice 5.5.16
Soient A une matrice de Mn (K) et P ∈ K[X].
1. Montrer que si λ ∈ K est une valeur propre de A alors P(λ) est valeur propre de P(A).

133 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 134

2. Montrer que si A est diagonalisable, alors P(A) est diagonalisable.

3. On considère les matrices de Mn+1 (K) définie par :
 
0 1 0 ... 0
 
a0 a1 a2 . . . an
0 0 1 . . . 0
   an
 a0 a1 . . . an−1 
 .. .. . . . . ..  
A = . . . . .  et M =  an−1 an a0 . . . an−2 


0 0 0 . . . 1
  ... ... ... ... ... 
1 0 0 ... 0 a1 a2 a3 . . . a0

a) Motrer que A est diagonalisable.

b) Montrer que M = a0 I + a1 A + a2 A2 + · · · + an An et que M est diagonalisable.
c) Quelles sont les valeurs propres de M ?
Exercice 5.5.17
Soit V un vecteur non nul de Mn,1 (R), de coposantes v1 , v2 , . . . , vn . On pose A = V t V .
1. Pour tout couple (i, j) ∈ {1, 2, . . . , n}2 , exprimer ai j en fonction de v1 , v2 , . . . , vn . Que vaut
la trace de A ?
2. Exprimer les vecteurs colonnes de A en fonction de v1 , v2 , . . . , vn et V .
3. En déduire le rang de A.
4. Montrer que ker(A) = {X ∈ Mn,1 (R) : t V X = 0}. Quel est la dimension de ker(u) ?
5. Calculer le produit AV et en déduire que t VV est une valeur propre de A. Trouver le
sous-espace propre associé et donner sa dimension.
6. En déduire que A est diagonalisable.
Exercice 5.5.18
Soient E un K-espace vectoriel de dimension finie ≥ 2, H un hyperplan de E et u un endomor-
phisme de E qui laisse invariant tous les vecteurs de H.
a) Montrer qu’il existe α ∈ K tel que :

∀x ∈ E , u(x) − α.x ∈ H

b) Caractériser u lorsque α = 0
c) Discuter, suivant les valeurs de α, la possibilité de diagonaliser u
Exercice 5.5.19
Soient E un K-espace vectoriel de dimension finie, où K est un corps algèbriquement clos, et A
un ensemble d’endomorphismes de E deux à deux commutants
a) Soient u ∈ A et λ ∈ K une valeur propre de u. Montrer que Eλ , le sous-espace propre
associé à λ, est stable par A, (c.à.d : ∀u ∈ A, Eλ est stable par u)
b) Montrer que les éléments de A ont un vecteur propre commun
c) Montrer que A est trigonalisable, c’est à dire, il existe une base de E dans laquelle la
matrice de tout élément de A est une matrice triangulaire
d) On suppose de plus que chaque u ∈ A est diagonalisable. Montrer que A est diagonali-
sable

134 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 135

Exercice 5.5.20
Soient E un K-espace vectoriel de dimension finie, où K est un corps de caractéristique nulle, u
et v deux endomorphismes de E tels que :
u ◦ v − v ◦ u = IdE
a) Montrer que pour tout entier n ≥ 1 , u ◦ vn − vn ◦ u = nvn−1
0
b) Montrer que pour tout P ∈ K[X], u ◦ P(v) − P(v) ◦ u = P (v)
c) En déduire, par un choix convenable de P ∈ K[X] qu’il n’existe pas de couple d’endo-
morphismes (u, v) tel que u ◦ v − v ◦ u = IdE
Exercice 5.5.21
Soient E un C-espace vectoriel de dimension finie et u un endomorphisme de E. Montrer que u
est diagonalisable, si et seulement si :
∀λ ∈ C , ker(u − λ) = ker((u − λ)2 )
Exercice 5.5.22
Soient E un C-espace vectoriel de dimension finie = n et u un endomorphisme de E.
a) On suppose que u2 est diagonalisable. Montrer que u est diagonalisable, si et seulement
si ker(u) = ker(u2 )
b) A quelle condition, la matrice A suivante est diagonalisable ?
 
0 0 ... 0 αn
 0 0 . . . αn−1 0 
 
 .. .
. .
. .
. .
.
A= .

 . . . . 

 0 α2 0 ... 0 
α1 0 . . . 0 0
Exercice 5.5.23
Soient E un R-espace vectoriel de dimension finie et u un endomorphisme de E. Dans chacun
des cas suivants, etudier la diagonalisation de u
a) u2 − u − 2 = 0
b) (u2 − u + 3)(u − 2)2 = 0 avec u2 − u + 3 6= 0 et (u − 2)2 6= 0
c) Ici on suppose que le corps de base est C et que um = 1 où m est un
entier ≥ 1
Exercice 5.5.24
Soient E un K-espace vectoriel de dimension finie et u un endomorphisme de E. montrer que
les P.S.S.E :
i) u est diagonalisable
ii) Tout sous-espace vectoriel de E possède un supplémentaire stable par u
Exercice 5.5.25
Soit u l’endomorphisme de R3 défini par sa matrice A dans la base canonique de R3 :
 
1 0 1
A =  −1 2 1  , où m est un réel quelconque
2−m m−2 m

135 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 136

a) Calculer le polynôme caractéristique de u.

b) Déterminer les valeurs de m pour lesquelles u est diagonalisable.
c) On suppose que m = 2. Trouver une matrice inversible P et une matrice diagonale D tel
que :
A = PDP−1
d) Pour tout entier n ≥ 0, calculer An
e) On suppose m = 1. Trouver une base de Jordan de u.
Exercice 5.5.26
Soient E un C-espace vectoriel de dimension finie = n, u et v deux endomorphismes de E tels
que u = vm , où m est un entier ≥ 1. Montrer que les conditions suivantes sont equivalentes :
i) u est diagonalisable
ii) v est diagonalisable
Exercice 5.5.27
Soient K un corps commutatif et G un sous-groupe fini de GLn (K) d’ordre p. Soit M la somme
de tous les éléments de G.
a) Calculer M 2 .
b) Montrer que n divise la trace de M.
c) Que dire de M si sa trace est nulle ?
Exercice 5.5.28
Soient A une matrice quelconque de Mn (C) et B la matrice de M2n (C) définie par :
 
0 A
B=
In 0

Où pour tout entier n ≥ 1, In est la matrice identité d’ordre n

Montrer que les P.S.S.E :
i) A est diagonalisable et inversible
ii) B est diagonalisable
Exercice 5.5.29
Soient E un K-espace vectoriel de dimension finie et u un endomorphisme de E de polynôme
minuimal :
Mu = a0 + a1 X + · · · + am−1 X m−1 + am X m
On dit que u est irréductible, si les seuls sous-espaces vectoriels stables par u sont {0} et E. On
se propose de démontrer que u est irréductible, si et seulement si, le polynôme caractéristique
de u, χu est irréductible sur K
a) On suppose que u est irréductible
i) Montrer que u est inversible
ii) Montrer que le polynôme minimal Mu est irréductible
iii) Soit x ∈ E avec x 6= 0. Montrer que (x, u(x), . . . , um−1 (x)) est un système générateur
de E
iii) En déduire que χu = Mu
b) On suppose que χu est irréductible

136 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 137

i) Montrer que Mu = χu
ii) Montrer que u est irréductible
Exercice 5.5.30
Soit u l’endomorphisme de R4 défini par sa matrice A dans la base canonique (e1 , e2 , e3 , e4 ) :
 
0 −1 1 3
0 3 0 −1
A= 
−1 −1 2 2 
0 1 0 1

a) Trouver le polynôme caractéristique de u.

b) Trouver les sous-espaces propres de u.
c) Calculer (u − IdE )2 (e1 ) et (u − 2IdE )2 (e1 − e2 )
d) Trouver une base de Jordan (v1 , v2 , v3 , v4 ) de u.
d) Ecrire la matrice de u dans la base (v1 , v2 , v3 , v4 ).

Problème 5.5.1
Soient E un K-espace vectoriel de dimension finie = n ≥ 1 et u un endomorphisme de E. Pour
x ∈ E, on pose :
Ix = {P ∈ K[X] : P(u)(x) = 0}
1. a) Montrer que Ix est un idéal de K[X]
b) En déduire qu’il existe un polynôme unitaire Qx unique tel que
Ix = (Qx ) , (où (Qx ) est l’idéal engendré par Qx )
2. Soit Mu le polynôme minimal de u. Montrer que :

Mu = ppcm(Qx : x ∈ E)

3. Montrer que si (e1 , e2 , . . . , en ) est une base de E, alors on a :

Mu = ppcm(Qe1 , Qe2 , . . . , Qen )

4. Montrer que si Qx et Qy sont premiers entre eux, alors Qx+y = Qx .Qy

5. Montrer qu’il existe x ∈ E tel que Mu = Qx
6. On dit que E est u-monogène s’il existe x ∈ E tel que :

E = {P(u)(x) : P ∈ K[X]}

Montrer que les conditions suivantes sont equivalentes :

i) E est u-monogène
ii) Mu = χu , (où χu est le polynôme caradtéristique de u)
7. On suppose que E est u-monogène. soient F un sous-espace vectoriel de E, stable par u,
et v la restriction de u à F. Montrer que F est v-monogène

137 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 138

Problème 5.5.2
Soient E un C-espace vectoriel de dimension finie = n ≥ 3, (e1 , e2 , . . . , en ) une base de E et u
l’endomorphisme de E défini par :

u(ei ) = ien , 1 ≤ i ≤ n − 1
u(en ) = ∑ni=1 iei

1. Quelle est la matrice de u dans la base (e1 , e2 , . . . , en ) ?

2. Montrer que u est diagonalisable
3. Vérifier que (en , u(en )) est une base de Im(u) et que Im(u) est stable par u
4. Quelle est la dimension de ker(u) ?
5. Soit v la restriction de u à Im(u)
a) Trouver la matrice de v dans la base (en , u(en ))
b) Trouver le polynôme caractéristique de v
6. Soit P le polynôme caractéristique de u. Montrer que :

P = X n−2 (X 2 + aX + b)

Où a, b ∈ R avec b 6= 0
7. a) Déterminer a et b
b) Quel est le polynôme minimal de u ?

Problème 5.5.3
Soient E un R-espace vectoriel de dimension finie = n et u un endomorphisme de E de poly-
nôme minimal :
Mu = a0 + a1 X + · · · + am−1 X m−1 + am X m
1. a) Montrer que u est inversible, si et seulement si, a0 6= 0
b) Dans le cas où u est inversible, montrer qu’il existe un polynôme P ∈ R[X] tel que
u−1 = P(u)
2. On suppose que n ≥ 2 et que la matrice A de u dans une base
(e1 , e2 , . . . , en ) de E s’écrit sous la forme
 
0 1 1 ... 1
 1 0 1 ... 1 
 
A =  ... . . . . . . . . . ... 
 
 
 1 1 ... 0 1 
1 1 ... 1 0

Posons x0 = e1 + e2 + · · · + en
a) Exprimer u(x0 ) et (u + IdE )(ei ) pour i = 1, 2, . . . , n, en fonction de x0 , et en déduire
que u est diagonalisable
b) Trouver le polynôme minimal et le polynôme caractéristique de u
c) Montrer que u est inversible et déterminer la matrice de u−1 dans la base (e1 , e2 , . . . , en )
d) Trouver une base de E formée de vecteurs propres de u

138 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 139

Problème 5.5.4
Soit B la matrice en blocs, à coëfficients dans un corps K de caractéristique nulle, définie par :
 
A 0
B= 
A A

Où A est une matrice carrée d’ordre n à coëfficients dans K.

On convient de noter I2n , (resp. In ) la matrice identité d’ordre 2n, (resp. n). On a alors :
 
In 0
I2n =  
0 In

1. a) Exprimer χB le polynôme caractéristique de B en fonction de χA , le polynôme carac-

téristique de A
b) Déduire que les polynômes minimaux MA et MB de A et B respectivement, ont les
mêmes racines
2. a) Montrer que pour tout entier m ≥ 1, on a

Am
 
0
Bm =  
mAm Am

b) Montrer que pour tout polynôme P de K[X], on a :

 
P(A) 0
P(B) =  
Q(A) P(A)

où Q est un polynôme de K[X] à déterminer, (Exprimer les coëfficients de Q en fonction

de ceux de P)
c) En déduire que MA divise MB et MA divise Q
3. Déduire de ce qui précède que B est diagonalisable, si et seulement si, A = 0
Problème 5.5.5
Soient E un R-espace vectoriel de dimension finie n ≥ 1 et u un endomorphisme non nul de E.
On dit que u est semi-simple si tout Sous-espace de E stable par u admet un supplémentaire
dans E qui est aussi stable par u. Un polynôme P ∈ R[X] est dit simple s’il s’écrit sous la forme
P = Q1 .Q2 . · · · .Qm , où les Qi sont des polynômes irréductibles sur R et deux à deux distinctes.
Une matrice A de Mn (R) est dite semi-diagonale s’il s’écrit sous la forme :
 
D 0 0 ... 0
 0 A1 0
 . ... 0 
. . ... .. 
A =  .. . . . . . 
 
 0 0 . . . Ar−1 0 
 

0 0 ... 0 Ar

139 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 140

Où D est une matrice diagonale et pour tout i , i = 1, 2, . . . , r, Ai est une matrice carrée d’ordre
2 de la forme :  
ai −bi
Ai =
bi ai
Où ai ∈ R et bi ∈ R \ {0}
1. Soit u un endomorphisme quelconque de E
a) Montrer l’existence d’un polynôme irréductible Q ∈ R[X] tel que ker(Q(u)) 6= {0}
b) En déduire qu’il existe un sous-espace de E de dimension 1 ou 2 stable par u
2. Dans cette partie on se propose de démontrer léquivalence des trois propriétés suivantes :
i) u est semi-simple
ii) Il existe une base de E dans laquelle la matrice de u est semi-diagonale
iii) Il existe un polynôme simple P tel que P(u) = 0
A) On suppose que la proprièté i) est vérifiée
a) Montrer que la proprièté ii) est vérifiée dans le cas n = 2
b) Dans le cas général, montrer que, pour tout sous-espace F de E stable par u, la
restriction de u à F est un endomorphisme semi-simple de F
c) Montrer, dans le cas général, la proprièté ii)
B) Montrer que ii) implique iii)
C) On suppose que la proprièté iii) est vérifiée
a) Soit F un sous-espace de E stable par u, avec F 6= E, montrer qu’il existe x ∈ E avec
x∈ / F et il existe un polynôme irréductible Q ∈ R[X] tels que Q(u)(x) = 0
b) Montrer que la proprièté i) est vérifiée
3. Soit A la matrice de Mn (R) définie par :
 
1 −1 1
A= 1 0 0 
0 1 0

Trouver une matrice inversible T et une matrice semi-diagonale B telles que :

A = T −1 .B.T
Problème 5.5.6
Soient E un K-espace vectoriel de dimension 4 et u un endomorphisme de E . (K=R ou C)
1. On suppose que u4 = 0 et u3 6= 0. Montrer qu’il existe une base de E dans laquelle la
matrice A de u s’écrit :  
0 1 0 0
 0 0 1 0 
A=  0 0 0

1 
0 0 0 0

2. On suppose que u3 = 0 et u2 6= 0
a) Montrer que dim(Ker(u2 )) = 3
b) Montrer que dim(Ker(u)) = 2

140 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 141

c) Montrer qu’il existe une base de E dans laquelle la matrice A de u s’écrit sous la
forme :  
0 1 0 0
 0 0 1 0 
A=  0 0 0 0 


0 0 0 0
3. On suppose que u2 = 0 et u 6= 0
a) Montrer que Im(u) ⊆ Ker(u)
b) On suppose que Im(u) = Ker(u)
i) Montrer que dim(Ker(u)) = 2
ii) Montrer qu’il existe une base de E dans laquelle la matrice A de u s’écrit sous la
forme :  
0 1 0 0
 0 0 0 0 
A=  0 0 0 1 


0 0 0 0
c) On suppose que Im(u) 6= Ker(u)
i) Montrer que dim(Ker(u)) = 3
ii) Montrer qu’il existe une base de E dans laquelle la matrice A de u s’écrit sous la
forme :  
0 1 0 0
 0 0 0 0 
A=  0 0 0 0 


0 0 0 0

Problème 5.5.7
Soient E un K-espace vectoriel de dimension finie = n, (e1 , e2 , . . . , en ) une base de E et (e∗1 , e∗2 , . . . , e∗n )
sa base duale.
Pour x élément de E et φ élément de E ∗ , x ⊗ φ est l’endomorphisme de E défini par :

∀z ∈ E , (x × φ)(z) =< z, φ > x

1. Soient u un endomorphisme de E et E1 , E2 , . . . , Er des sous-espaces

vectoriels stables par u , tels que E = E1 ⊕ E2 ⊕ . . . ⊕ Er . Pour chaque j , 1 ≤ j ≤ r, soit
χ j le polynôme caractéristique de la restriction de u à E j . Montrer que χu = χ1 .χ2 . · · · χr
2. Montrer que :
a) ∀x ∈ E , ∀y ∈ E , ∀φ ∈ E ∗ , (x + y) ⊗ φ = x ⊗ φ + y ⊗ φ
b) ∀x ∈ E , ∀φ ∈ E ∗ , ∀ψ ∈ E ∗ , x ⊗ (φ + ψ) = x ⊗ φ + x ⊗ ψ
c) ∀x ∈ E , ∀φ ∈ E ∗ , (x ⊗ φ) = 0 ⇐⇒ (x = 0 ou φ = 0)
d) Déterminer Ker(x ⊗ φ) et Im(x ⊗ φ) ainsi que leurs dimensions
3. Soit u un endomorphisme quelconque de E
a) Montrer que :
∀x ∈ E , ∀φ ∈ E ∗ , u ◦ (x ⊗ φ) = u(x) ⊗ φ
b) Calculer (x ⊗ φ) ◦ u

141 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 142

4. a) Pour tout entier m ≥ 1, calculer (x ⊗ φ)m

b) Quel est le polynôme minimal de x ⊗ φ
c) (x ⊗ φ) est-il diagonalisable ?
d) Déterminer sans calcul, le polynôme caractéristique de (x ⊗ φ)
5. Soit Φ : E n → L(E) l’application définie par :
n
∀(x1 , x2 , . . . , xn ) ∈ E n , Φ(x1 , x2 , . . . , xn ) = ∑ xk ⊗ e∗k
k=1

Montrer que Φ est un isomorphisme d’espaces vectoriels

6. Soient F un sous-espace vectoriel de E de dimension = p et G la partie de L(E) définie
par : ( )
n
G= ∑ xk ⊗ e∗k : (x1 , x2 , . . . , xn ) ∈ F
k=1
a) Montrer que G est un sous-espace vectoriel de E
b) Quelle est la dimension de G ?
c) Montrer que :
∀u ∈ L(E) , u ∈ G ⇐⇒ Im(u) ⊆ F
7. Pour chaque k , 1 ≤ k ≤ n, soit Ak = {x ⊗ e∗k : x ∈ E}
a) Vérifier que Ak est un sous-espace vectoriel de L(E)
b) Trouver une base de Ak
c) Vérifier que L(E) = A1 ⊕ A2 ⊕ · · · ⊕ An
8. Soient f un endomorphisme de E et L celui de L(E) df́ini par :
∀u ∈ L(E) , L(u) = f ◦ u
a) Montrer que :
∀P ∈ K[X] , ∀u ∈ L(E) , P(L)(u) = P( f ) ◦ u
b) En déduire que L et f ont même polynôme minimal
c) Pour chaque k , 1 ≤ k ≤ n , trouver , en fonction de χ f , le polynôme caractéristique de
la restriction de L à Ak
d) En déduire que χL = (χ f )n
9. Soit λ une racine de χ f , Eλ le sous-espace propre de f associé à λ et Gλ celui de L associé
à λ.
a) Montrer que :
∀u ∈ L(E) , u ∈ Gλ ⇐⇒ Im(u) ⊆ Eλ
b) Quelle est la dimension de Gλ , en fonction de celle de Eλ
Exercice 5.5.31
Soient E un R-espace vectoriel de dimension 4, (e1 , e2 , e3 , e4 ) une base de E et uα l’endomor-
phisme de E défini par : 
 uα (e1 ) = e1 + αe2 + αe4

uα (e2 ) = −αe1 + e2 − αe3


 uα (e3 ) = −αe2 + e3 − αe4
uα (e4 ) = αe1 − αe3 + e4


142 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 143

a) Montrer que pour tout α ∈ R, (uα − IdE )2 = 0

b) Quel est le polynôme minimal de uα ?
c) Quel est le polynôme caractéristique de uα ?
d) Trouver, pour chaque α ∈ R, une base de Jordan de uα
Exercice 5.5.32
Soit u l’endomorphisme de C4 défini sur la base canonique (e1 , e2 , e3 , e4 ) par :


 u(e1 ) = e2
u(e2 ) = e1


 u(e1 ) = e1 − e2 + ae3 + (1 − a)e4
u(e1 ) = −e1 + e2 + (1 − a)e3 + ae4


Où a est un paramètre complexe quelconque

a) Matrice et valeurs propres de u
b) Pour quelles valeurs de a, u est diagonalisable ?
c) Dans le cas où u est diagonalisable, trouver une base formée de vecteurs propres de u
d) Dans le cas où u n’est pas diagonalisable, trouver une base de Jordan de u
Exercice 5.5.33
Soit u l’endomorphisme défini sur la base canonique de R4 par :


 u(e1 ) = e1 + e2 + e3
u(e2 ) = −e1 − e3 − e4


 u(e3 ) = 2e1 + e2 + e3 + e4
u(e4 ) = −2e1 − e2


a) Trouver la matrice, le polynôme caractéristique et le polynôme minimal de u

b) Trouver les sous-espaces propres et les sous-espaces caractéristiques de u
c) Trouver une base de Jordan de u
Exercice 5.5.34
En utilisant la réduite de Jordan, montrer que toute matrice de Mn (C) est semblable à sa trans-
posée
Exercice 5.5.35
Soient E un K-espace vectoriel de dimension finie = n et u un endomorphisme de E. On suppose
que le polynôme caractéristique χu de u a toutes sese racines dans K, c’est à dire :

χu = (X − λ1 )m1 (X − λ2 )m2 · · · (X − λr )mr

Soient N1 , N2 , . . . , Nr , les sous-espaces caractéristiques associés, respectivement, à λ1 , λ2 , . . . , λr ,

et pour chaque j , j = 1, 2, . . . , r , soit u j la restriction de u à N j . Rappelons que ∀ j , j =
1, 2, . . . , r, u j − λ j .IdN j est un endomorphisme nilpotent de N j . Soit q j l’indice de nilpotence de
u j − λ j .IdN j . Montrer que le polynôme minimal Mu de u s’écrit sous la forme :

Mu = (X − λ1 )q1 (X − λ2 )q2 · · · (X − λr )qr

143 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 144

Problème 5.5.8 (Théorème de d’Alembert)

Dans ce devoir on se propose de montrer, en utisant uniquement les techniques d’Algèbre li-
néaire, le théorème de d’Alembert appelé aussi théorème fondamentale de l’Algèbge (Le théo-
rème fondamental de l’Analyse est celui des accroissements finis) :

Définition 5.5.1
Un corps commutatif K est dit algèbriquement clos, si tout polynôme non constant de K[X]
possède au moins une racine dans K.

Théorème 5.5.1 (de d’Alembert)

Le corps C des nombres complexes est algèbriquement clos.

Notations 5.5.1
Dans toute la suite, K désigne le corps R des nombres réels ou C celui des nombres complexes et
Mn (K) l’algèbre des matrices carrées à coefficients dans K. Pour chaque (k, l) ∈ {1, 2, . . . , n}2 ,
on désigne par Ekl = (ai j )1≤i, j≤n la matrice de Mn (K) définie par :
(
1 si i = k et j = l
∀(i, j) ∈ {1, 2, . . . , n}2 , ai j =
0 si i 6= k ou j 6= l

Ekl est donc la matrice dont tous les coefficients sont nuls sauf celui de la kieme ligne et la l ieme
colonne qui est égal à 1.
Rappelons que {Ekl : (k, l) ∈ {1, 2, . . . , n}2 } forme une base de Mn (K), c’est la base canonique
de Mn (K) : Si A = (ai j ), A s’écrit d’une manière unique sous la forme :
n n
A= ∑ ∑ ai j Ei j = ∑ ai j Ei j
i=1 j=1 1≤i, j≤n

Rappelons aussi que les matrices Ekl vérifient les règles de calcul suivantes :
(
Eil si j = k
∀(i, j) ∈ {1, 2, . . . , n}2 , ∀(k, l) ∈ {1, 2, . . . , n}2 , Ei j Ekl =
0 6 k
si j =

Donc en particulier, on a
i) ∀i ∈ {1, 2, . . . , n}, Eii2 = Eii , donc pour tout i, Eii est une matrice de projection.
ii) ∀(i, j) ∈ {1, 2, . . . , n}2 , i 6= j =⇒ Ei2j = 0, donc pour i 6= j, Ei j est nilpotente d’indice de
nilpotence = 2.

Résultats préliminaires
1. a) Montrer que tout polynôme de R[X] de degré impair possède au moins une racine
réelle. (On pourra utiliser le théorème des valeurs intemidiaires).
b) En déduire que tout endomorphisme d’un R-espace vectoriel E de dimension impaire,
admet au moins une valeur propre.
c) Application : Existe-t-il une matrice A ∈ M3 (R), telle que A2 + A + I = 0 ?

144 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 145

2. Soit E un K-espace vectoriel de dimension n ≥ 1, et soient u et v deux endomorphismes

de E qui commutent.
a) Montrer que pour tout λ ∈ K, ker(u − λ) et Im(u − λ) sont stables par u et v.
b) Montrer que si K = R et n impair avec n 6= 1, alos E possède au moins un sous-espace,
non trivial, de dimension impaire stable par u et v.
3. Montrer par récurrece sur la dimension de E que deux endomorphismes commutables
d’un R-espace vectoriel de dimension impaire, possèdent au moins un vecteur propre
commun.

Endomorphismes d’un C-espace vectoriel de dimension im-

paire
Pour chaque matrice M = (mi j )1≤i, j≤n de Mn (C), la matrice M est définie par
M = (mi j )1≤i, j≤n . On définit la partie F de Mn (C), par :

F = {M ∈ Mn (C) : t M = M}
On suppose de plus que n est impair.
1. Vérifier que F est un espace vectoriel réel.
2. Vérifier que la famille constituée des éléments E11 , E22 , . . . , Enn , Ekl + Elk , i(Ekl − Elk )
avec (k, l) ∈ {1, 2, . . . , n} et k < l, est une base de F . Quelle est alors la dimension de F ?
Quelle est sa parité ?
3. Soit A une matrice de Mn (C) ; on considère les deux applcations u et v définies sur F
par :
1 1
∀M ∈ F , u(M) = (AM + Mt A) et v(M) = (AM − Mt A)
2 2i
a) Montrer que u et v sont des endomorphismes de E.
b) Vérifier que u et v commutent puis justifier qu’ils possèdent au moins un vecteur
propre commun.
c) Soit M0 ∈ F un vecteur propre commun aux endomorphismes u et v ; on suppose que
u(M0 ) = λM0 et v(M0 ) = µM0 avec (λ, µ) ∈ R2 .
Exprimer la matrice AM0 en fontion de M0 et montrer soigneusement que λ + iµ est
une valeur propre de la matrice A.
4. a) Justifier que tout endomorphisme d’un espace vectoriel complexe de dimension im-
paire possède au moins une valeur propre.
b) Montrer par récurrence sur la dimension que deux endomorphismes commutables
d’un C-espace vectoriel de dimension impaire, possèdent au moins un vecteur propre
commun.

Etude du cas général

Rappelons que tout entier n ∈ N, s’écrit d’une manière unique sous la forme n = p2k , où p ∈ N
et m un entier impair.

145 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 146

On considère la proprièté Pk suivante :

Pour tout entier naturel p et pour tout C-espace vectoriel E de dimension p2k :
i) Tout endomorphisme de E, possède au moins une valeur propre.
ii) Deux endomorphismes commutables de E possèdent au moins un vecteur propre com-
mun.
On se propose de démontrer la proprièté Pk par récurrence sur l’entier k. Pour cela, on remarque
que la proprièté P0 vient d’être établie dans la section précédente.
H.R : Supposons donc que k ∈ N∗ et que Pl est vraie pour tout entier naturel l < k. Supposons
aussi que p ∈ N et que E est un C-espace vectoriel de dimension p2k .

Etude de l’assertion i) de la proprièté Pk

Soient f un endomorphisme de E et A sa matrice par rapport à une base quelconque de E. On
considère la partie G de Mn (C) définie par :
G = {M ∈ Mn (C) : t M = −M}
1. Vérifier que G est un sous-espace vectoriel et préciser sa dimension.
2. On considère les deux applications u et v définies sur G par :
∀M ∈ G , u(M) = AM + MtA et v(M) = AMtA
a) Vérifier que u et v sont des endomorphismes de G et que u et v commutent.
b) Justifier soigneusemennt que les endomorphismes u et v possèdent un vecteur propre
commun.
c) Soit N0 ∈ G un vecteur propre commun aux endomorphismes u et v. On suppose que
u(N0 ) = λN0 et v(N0 ) = µN0 avec (λ, µ) ∈ C2 .
i) Vérifier que (A2 − λA + µI)N0 = 0
Dans la suite, On note W un vecteur colonne non nul de la matrice N0 et on désigne
par α et β les racines complexes du polynôme du second degré X 2 − λX + µ
ii) Vérifier que (A − αI)(A − βI)W = 0.
iii) Justifier que α et β sont valeurs propres de A et conclure.

Etude de l’assertion ii) de la proprièté Pk

Soient f et g deux endomorphismes commutables de E, on cherche à montrer que f et g ont au
moins un vecteur propre commun.
1. f est une homothétie de E, justifier que f et g possèdent au moins un vecteur propre
commun.
2. On suppose que f n’est pas une homothétie et soit λ ∈ C une valeur propre de f . On note
F1 = ker( f − λIdE ) et F2 = Im( f − λIdE ). Rappelons que F1 et F2 sont stables par f et g.
a) Si la dimension de l’un des sous-espaces F1 ou F2 s’écrit sous la forme q2l avec l < k
et q impair, comment peut-on conclure ?
b) Sinon, justifier que l’un de ces deux sous-espaces est de dimension q2k avec q impair
et l’aure de dimension r2k avec r pair. Montrer que q < p et que f et g possèdent au
moins un vecteur propre commun.

146 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 147

Retour au théorème fondamental de l’Algèbre

Soit P = a0 + a1 X + · · · + an−1 X n−1 + X n un polynôme unitaire de degré n à coefficients com-
plexes. Soit f l’endomorphisme de Cn de matrice A par rapport à la base canonique de Cn :
0 0 . . . 0 −a0
 
 1 0 . . . 0 −a1 
. . . . . . .. .. 

A= 0 . . 
 
. . . . . . 1 0 −an−2 
 

0 . . . 0 1 −an−1
1. Calculer le polynôme caractéristique de f .
2. En déduire que le polynôme P possède au moins une racine complexe.
3. Déduire de ce qui précède le théorème de d’Alembert.
Exercice 5.5.36
a) Soit A une matrice de Mn (C) telle que ||A|| < 1. Montrer que I − A est une matrice
inversible
b) En déduire que GLn (C) est un ouvert de Mn (C)
c) Montrer que l’application de GLn (C) → GLn (C), qui à A fait
correspondre A−1 , est continue
Soient A et B deux matrices diagonalisables réelles telles que
exp(A) = exp(B)
Montrer que A = B.
Exercice 5.5.37
Montrer que pour toute matrice A ∈ Mn (C), on a :
det(exp(A)) = exp(tr(A))
Exercice 5.5.38
Soit A ∈ Mn (C). Montrer que les deux propriètés suivates sont équivalentes :
i) A est nilpotente
ii) Il existe une suite (Bn )n≥0 de matrices semblables à A telles que :
lim ||Bn || = 0
Exercice 5.5.39
Soient a un nombre complexe non nul et J la matrice de Jordan :
 
0 1 0 ... 0
 0 0 1 ... 0 
 
 .. . . . . . . .. 
J= . . . . . 
 
 0 0 ... 0 1 
0 0 ... 0 0
dX(t)
Résoudre dt = AX(t) , où A = I + aJ + a2 J 2 + · · · + an−1 J n−1

147 Mohamed HOUIMDI

CHAPITRE 5. RÉDUCTION DES ENDOMORPHISMES 148

Exercice 5.5.40
Rn est muni de sa norme euclidienne. On considère le système différentiel :

dX(t)
(S) : = AX(t) où A ∈ Mn (R)
dt
Montrer que les propositions suivantes sont équivalentes :
i) Pour toute solution X(t) de (S), la fonction t 7→ ||X(t)|| est constante
ii) La matrice A est antisymétrique

148 Mohamed HOUIMDI

Annexe A
Lemme de Zorn - Axiome du choix

A.1 Elément maximum et élément minimum

Définition A.1.1
Soient (E, ≤) un ensemble ordonné et a un élément de E.
i) On dit que a est un élément maximum (ou un plus grand élément) de E, si :

∀x , x ∈ E =⇒ x ≤ a

ii) On dit que a est un élément minimum (ou un plus petit élément) de E, si :

∀x , x ∈ E =⇒ a ≤ x

Remarque A.1.1
1. a est un élément maximum de E, si et seulement si,

{x ∈ E : x ≤ a} = E

2. a est un élément minimum de E, si et seulement si,

{x ∈ E : a ≤ x} = E

3. Si a est un élément maximum ou minimum de E, alors a est unique.

En effet, supposons que b est un autre élément maximum de E, alors on aura

a ≤ b et b ≤ a

Donc d’après l’antisymétrie d’une relation d’ordre on a b = a.

Exemple A.1.1
1. Soient X un ensemble non vide et E = P (X) l’ensemble de toutes les parties de X ordonné
par inclusion :
∀A ∈ P (X) , ∀B ∈ P (X) , A ≤ B ⇐⇒ A ⊆ B
Alors 0/ est l’unique élément minimum de E et X est l’unique élément maximum de E

149
ANNEXE A. LEMME DE ZORN - AXIOME DU CHOIX 150

2. Si on prend maintenant E = P (X) \ {0,/ X} alors E n’admet ni élément maximum, ni

élément minimum.
3. On pose E = N \ {0, 1} ordonné par la division :
∀x ∈ E , ∀y ∈ E , x ≤ y ⇐⇒ xy
Alors E n’admet ni élément maximum, ni élément minimum.
Théorème A.1.1
Toute partie non vide de N admet un plus petit élément.
Preuve A.1.1
La démonstration de ce théorème repose sur l’axiome suivant :
Soit A une partie de N telle que :
i) 0 ∈ A
ii) ∀n ∈ N , n ∈ A =⇒ n + 1 ∈ A
Alors A = N.
Soit B une partie non vide de N et soit A l’ensemble de tous les minirants de B dans N :
x ∈ A ⇐⇒ ∀b ∈ B , x ≤ b
Puisque B 6= 0,
/ alors on peut choisir b ∈ B, donc b + 1 ∈
/ A, car b + 1 ne peut pas être un minirant
de B, et par suite A 6= N
Puisque 0 ∈ A et A 6= N, alors A ne vérifie pas :
∀n ∈ N , n ∈ A =⇒ n + 1 ∈ A
Donc il existe n0 ∈ N tel que n0 ∈ A et n0 + 1 ∈/ A. Ainsi n0 + 1 n’est pas un minirant de B et par
suite il existe b ∈ B tel que b < n0 + 1. Donc on aura n0 ≤ b < n0 + 1, c’est à dire 0 ≤ b − n0 < 1,
donc n0 = b et par conséquent n0 est un minirant de B qui appartient à B, donc n0 est un élément
minimum de B
Corollaire A.1.1
Soit a un élément quelconque de N et soit b un élément non nul de N. Alors il existe un couple
unique (q, r) ∈ N × N, tel que :

a = qb + r et 0 ≤ r < b

C’est la division euclidienne de a par b. q s’appelle le quotient et r le reste de la division.

Preuve A.1.2
i) Existence de (q, r)
Si a < b, on prend q = 0 et r = a, donc le couple (q, r) vérifie les conditions du corollaire.
Dans la suite on peut donc supposer que b ≥ a et on considère l’ensemble B défini par :
B = {p ∈ N∗ : a < (p + 1)b}
On a a < a + 1 et 1 ≤ b donc a < (a + 1)b et par suite a ∈ B, donc B 6= 0.
/ B est une partie
non vide de N, donc B admet un plus petit élément qu’on note q. On a q − 1 < q et q est
le plus petit élément de B, donc q − 1 ∈
/ B et par suite on aura qb ≤ a < (q + 1)b, donc
0 ≤ a − qb < b
Posons r = a − qb alors on aura a = qb + r et 0 ≤ r < b
ii) Unicité de (q, r) (Exercice)

150 Mohamed HOUIMDI

ANNEXE A. LEMME DE ZORN - AXIOME DU CHOIX 151

A.2 Borne supérieure et borne inférieure

Définition A.2.1
Soient (E, ≤) un ensemble ordonné et A une partie de E.
i) On dit que x ∈ E est un majorant de A si :

∀a ∈ A , a ≤ x

ii) On dit que x ∈ E est un minirant de A si :

∀a ∈ A , x ≤ a

On note M(A) l’ensemble des majorants de A et m(A) l’ensemble des minirants de A.

Définition A.2.2
Soient (E, ≤) un ensemble ordonné et A une partie de E.
i) Le plus petit élément de M(A), s’il existe, s’appelle la borne supérieure de A et se note
sup(A)
ii) Le plus grand élément de m(A), s’il existe, s’appelle la borne inférieure de A et se note
inf(A)

Remarque A.2.1
Soient (E, ≤) un ensemble ordonné et A une partie de E
1. Un élément maximum appartient toujours à A, tandis qu’une borne supérieure peut ne pas
appartenir à A
2. Un élément minimum appartient toujours à A, tandis qu’une borne inférieure peut ne pas
appartenir à A
3. Une borne supérieure ou une borne inférieure, s’il existe, est toujours unique. (Exercice)
4. Si A possède un élément maximum (resp. minimum), alors cet élément coincide avec sa
borne supérieure (resp. inférieure)
Exemple A.2.1
On prend E = R
a) A = [0, 1] alors 0 est un élément minimum de A donc aussi c’est la borne inférieure de A.
1 est un élément maximum de A donc aussi c’est une borne supérieure de A.
b) A =]0, 1[ dans ce cas A n’admet ni élément maximum ni élément minimum. Par contre 0
est la borne supérieure de A et 1 est la borne inférieure de A.
c) A =] − ∞, 0] ∪ [1, +∞[ alors A n’admet ni élément maximum, ni élément minimum, ni
borne supérieure, ni borne inférieure.

Définition A.2.3
Un treillis est un ensemble ordonné (E, ≤) tel que pour tout a ∈ E et tout b ∈ E, A = {a, b}
possède une borne supérieure et une borne inférieure, notées respectivement sup(a, b) et inf(a, b)

151 Mohamed HOUIMDI

ANNEXE A. LEMME DE ZORN - AXIOME DU CHOIX 152

Exemple A.2.2
1. Soient X un ensemble quelconque et E = P (X) ordonné par inclusion. Alors (E, ⊆) est
un treillis. En effet pour A ∈ E et B ∈ E on a
sup(A, B) = A ∪ B et inf(A, B) = A ∩ B.
2. Soit E = N \ {0, 1} ordonné par la division :

∀n ∈ E, ∀m ∈ E, n ≤ m ⇐⇒ n divise m

Alors (E, ≤) est un treillis. En effet pour n ∈ E et m ∈ E, on a

inf(n, m) = n ∧ m et sup(n, m) = n ∨ m
Où n ∧ m = pgcd(n, m) et n ∨ m = ppcm(n, m)

Théorème A.2.1
Soient (E, ≤) un ensemble ordonné et A une partie de E.
i) x ∈ E est la borne supérieure de A, si et seulement si :

(∀a ∈ A, a ≤ x) et (∀y ∈ E, y < x =⇒ ∃a ∈ A : y < a ≤ x)

ii) x ∈ E est la borne inférieure de A, si et seulement si :

(∀a ∈ A, x ≤ a) et (∀y ∈ E, x < y =⇒ ∃a ∈ A : x ≤ a < y)

Preuve A.2.1
i) ( =⇒ ) Supposons que x est une borne supérieure de A, donc par définition on a ∀a ∈
A, a ≤ x. Soit y ∈ E tel que y < x, supposons par absurde que ∀a ∈ E, a ≤ y, donc
y ∈ M(A) et par suite x ≤ y, car x est, par définition, le plus petit élément de M(A), ce qui
est absurde car par hypothèse y < x.
( ⇐= ) Il suffit de montrer que x est le plus petit élément de M(A), pour cela on suppose
par absurde qu’il existe y ∈ M(A) tel que y < x, donc par hypothèse il existe a ∈ A tel que
y < a ≤ x. Or y ∈ M(A) donc a ≤ y, ce qui est absurde.
ii) Se démontre de la même manière que i).

A.3 Elément maximal et élément minimal

Définition A.3.1
Soit (E, ≤) un ensemble ordonné.
i) On dit que a ∈ E est un élément maximal de E si :

∀x ∈ E , a ≤ x =⇒ x = a

ii) On dit que a ∈ E est un élément minimal de A si :

∀x ∈ E , x ≤ a =⇒ x = a

Remarque A.3.1
Soit (E, ≤) un ensemble ordonné.

152 Mohamed HOUIMDI

ANNEXE A. LEMME DE ZORN - AXIOME DU CHOIX 153

1. a ∈ E est un un élément maximal de E, si et seulement si :

{x ∈ E : a ≤ x} = {a}

C’est à dire qu’il n’existe pas d’élément de E qui est supérieur ou égal à a autre que a.
2. a ∈ E est un un élément minimal de E, si et seulement si :

{x ∈ E : x ≤ a} = {a}

C’est à dire qu’il n’existe pas d’élément de E qui est inférieur ou égal à a autre que a.
3. Un élément maximal (resp. minimal), s’il existe, n’est pas toujours unique
4. Si E possède un plus grand élément a, alors a est un élément maximal de E et c’est
l’unique élément maximal de E.
5. Si (E, ≤) est totalement ordonné et si E possède un élément maximal a, alors a est unique.
Exemple A.3.1
1. E = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} muni de la relation d’ordre :

x ≤ y ⇐⇒ x divise y

Alors 2, 3, 5, 7, 11 sont tous des éléments minimaux de E

2. X = {a, b, c, d} et E = P (X) \ {0,
/ X}, donc on a :

E = {{a}, {b}, {c}, {d}, {a, b}, {a, c}, {a, d}, {b, c}, {b, d}, {c, d}, {a, b, c}, {a, b, d}, {a, c, d}, {b, c, d}}

Alors {a}, {b}, {c}, {d} sont des éléments minimaux de E et {a, b, c}, {a, b, d}, {a, c, d}, {b, c, d}
sont des éléments maximaux de E.
3. Soient X un ensemble quelconque non vide et E = P (X) \ {0,
/ X} ordonné par inclusion.
Alors ∀x ∈ X, {x} est minimal et X \ {x} est maximal
4. E = N \ {0, 1} muni de la relation d’ordre :

x ≤ y ⇐⇒ x divise y

Alors tout nombre premier est un élément minimal.

A.4 Le Lemme de Zorn

Définition A.4.1
Soit (E, ≤) un ensemble ordonné. (
A 6= 0/
i) On dit qu’une partie A de E est une chaîne si,
(A, ≤) est totalement ordonné
ii) On dit que (E, ≤) est inductif, si toute chaîne de E admet au moins un majorant dans E

Lemme A.4.1 (de Zorn)

Tout ensemble inductif admet au moins un élément maximal.

153 Mohamed HOUIMDI

ANNEXE A. LEMME DE ZORN - AXIOME DU CHOIX 154

Preuve A.4.1 (à admettre)

En fait, on montre que le lemme de Zorn est équivalent à l’axiome suivant, dit axiome du
choix :
Soit X un ensemble non vide, alors il existe une application

f : P (X) \ {0}
/ → X telle que : ∀A ∈ P (X) \ 0,
/ f (A) ∈ A

f s’appelle une fonction de choix sur X

Intuitivement, l’axiome du choix signifie qu’à chaque fois qu’on a un ensemble A non vide, on
peut toujours choisir un élément x qui appartient à cette ensemble.
Exemple A.4.1
1. Soit f : P (N) \ {0}
/ → N l’application définie par :
∀A ∈ P (N) \ {0},
/ f (A) est le plus petit élément de A. Alors f est une fonction de choix
sur N.
2. Si maintenant on considère le corps des nombres réels R, alors d’après l’axiome du choix,
il existe au moins une fonction de choix sur R :

f : P (R) \ {0}
/ →R

Cependant, personne n’a jamais pu construire une telle application

A.5 Exercices d’application

Exercices A.5.1
1. Soient E et F deux ensembles quelconques et g : E → F une application surjective. Mon-
trer qu’il existe une application injective telle que
g ◦ f = IdF
2. Soient E et F deux ensembles quelconques. Montrer qu’il existe une application injective
ou bien de E vers F ou bien de F vers E.
Preuve A.5.1 (solutions des exercices)
1. Considèrons l’application G : F → P (E) qui à y ∈ F fait correspondre g−1 ({y}), l’image
réciproque par g du singleton {y}. D’autre part, soit ϕ : P (E) → E une fonction de choix
sur E, cette fonction ϕ existe d’après l’axiome du choix, donc on a :
G ϕ g
F −→ P (E) −→ E −→ F

Posons f = g ◦ ϕ ◦ G, donc pour y ∈ F on a f (y) = g(ϕ(G(y))) = g(ϕ(g−1 ({y}))), or

d’après l’axiome du choix, on a ϕ(g−1 ({y}) ∈ g−1 ({y}), donc par définition de l’image
réciproque d’une partie on a
g(ϕ(g−1 ({y}))) = y, donc ∀y ∈ F, f (y) = y et par suite g ◦ f = IdF .
2. Considèrons l’ensemble E défini par :

E = {(X, f ) : X ⊆ E et f : E → F injective}

154 Mohamed HOUIMDI

ANNEXE A. LEMME DE ZORN - AXIOME DU CHOIX 155

On définit sur E une relation d’ordre par :

(
X ⊆Y
(X, f ) ≤ (Y, g) ⇐⇒
g |X = f .

(g |X est la restriction de g à X). Nous laissons le soin au lecteur de vérifier que ≤ définit
bien une relation d’ordre sur E
Montrons que (E , ≤) est inductif, pour cela soit A une chaîne de E . On doit montrer
donc que A possède un majorant dans E . Pour simplifier nous allons d’abord écrire A
sous forme d’une famille :
A = {(Xi , fi ) : i ∈ I}
Posons maintenant X = ∪ Xi et f : X → F définie par :
i∈I

∀x ∈ X, f (x) = fi (x) si x ∈ Xi

Alors f est bien définie, car A est totalement ordonné, et f est injective, car pour tout
i ∈ I, fi est injective. Donc (X, f ) ∈ E et par construction, (X, f ) est un majorant de
A dans E . (E , ≤) est inductif, donc d’après le lemme de Zorn, E admet au moins un
élément maximal qu’on note (M, ϕ). Pour conclure nous allons montrer que M = E ou
f (M) = F. Fn effet, supposons par absurde le contraire, c’est à dire M 6= E et f (M) 6= F,
donc il existe x ∈ E tel que x ∈
/ M et il existe y ∈ F tel que y ∈
/ f (M). Posons W = M ∪ {x}
et soit g : Y → F l’application définie par :
(
f (w) si w ∈ M,
∀w ∈ W, g(w) =
y si w = x

Alors il est facile de vérifier que g est injective, donc (W, g) ∈ E avec (M, f ) ≤ (W, g) et
(M, f ) 6= (W, g), ce qui contredit le fait que (M, f ) est un élément maximal de E . Donc
on a bien M = E ou f (M) = F.
i) Si M = E alors f : E → F est une injection, d’où le résultat.
ii) Si f (M) = F, puisque f : M → F est injective et f (M) = F, alors f est bijective. Soit
h : F → E définie par :
∀y ∈ F, h(y) = f −1 (y)
Alors h est une injection de F vers E, d’où le résultat.

155 Mohamed HOUIMDI

ANNEXE A. LEMME DE ZORN - AXIOME DU CHOIX 156

156 Mohamed HOUIMDI

Annexe A
Maple et Algèbre linéaire

Le logiciel Maple est un outil très puissant de calcul numérique et formel. Il fournit un très
grand nombre de commandes qui permettent d’une part d’effectuer des calculs avec des pré-
cisions quelconques, et d’autre part de manipuler, d’une manière formelle, des expressions
mathématiques : développement, factorisation, simplification, dérivation, intégration, limites,
résolution d’équations algèbriques et différentielles, etc... Sans oublier l’aspet graphique : tra-
cage de courbes et de surfaces
Dans cette section nous allons présenter les principales commandes concernant l’Algèbre li-
néaire.

A.1 Matrices Carrées

A.1.1 Déclaration d’une matrice carrée
MAPLE offre plusieures possibilités pour déclarer une matrice carrée A d’ordre n :

Cas général
Dans le cas général,pour déclarer une matrice carrée A d’ordre n, on applique l’une des com-
mandes suivantes :
– > A := matrix(n, n, [L1 , L2 , . . . , Ln ]);
– > A := matrix([[L1 ], [L2 ], . . . , [Ln ]]);
– > A := array(1..n, 1..n, [[L1 ], [L2 ], . . . , [Ln ]]);
– > A := array([[L1 ], [L2 ], . . . , [Ln ]]);
où L1 , L2 , . . . , Ln sont les lignes de la matrice A
Remarque
La commande matrix est un cas particulier de la commande array qui a une utilisation plus
étendue et plus générale (Voir le Help de Maple pour plus d’informations sur le sujet)

157
ANNEXE A. MAPLE ET ALGÈBRE LINÉAIRE 158

Matrice définie par une fonction de deux variables

Soit f une fonction de deux variables quelconque,alors la commande suivante :
> A := matrix(n, n, f );
produit la matrice A = (ai, j )1≤i, j≤n où ai, j = f (i, j)

A.1.2 Matrice définie par la commande band

> A := band([b1 , b2 , . . . , bk , a, c1 , c2 , . . . , ck ] , n);
Produit la matrice :
 
a c1 c2 . . . ck−1 ck 0 ... 0
 bk
 a c1 c2 . . . ck−1 0 . . . 0 

 bk−1 bk a c1 c2 . . . ck−1 ... 0 
 ..
 
... ... ... ... ... ... ...
 . 0 


A=
 ... 
 b1 b2 . . . bk a c1 c2 ... 

 0
 b1 b2 . . . bk a c1 . . . ck−1 

 . . . .
. . . .

 .
 . . . bk−1 bk a c1 . . .  
 0 . . . 0 b1 b2 ... bk a c1 
0 0 ... 0 b1 b2 ... bk a

où k est un entier ≤ n − 1
exemples
exemple1 >A:=band([1],n); retourne la matrice identitï¿ 21 d’ordre n
exemple2 >A:=band([b,a,c],5);
 
a c 0 0 0
 b
 a c 0 0 

A=  0 b a c 0 

 0 0 b a c 
0 0 0 b a

A.1.3 Matrice définie en blocs diagonaux

> A := diag(A1 , A2 , . . . , An );
Retourne la matrice :
 
A1 0 0 ... 0

 0 A2 0 ...0 

 .. .. ... 
A=
 . . ... 0 
 .. .. .. ... 
 . . . 0 
0 0 ... ... An
où les Ai i = 1, 2, . . . , n sont des matrices carrées quelconques

158 Mohamed HOUIMDI

ANNEXE A. MAPLE ET ALGÈBRE LINÉAIRE 159

A.1.4 Matrice sous forme de bloc de Jordan

> A := JordanBlock(λ, n);
Produit la matrice de Jordan d’ordre n suivante :
 
λ 1 0 ... 0
 0 λ 1 ... 0 
 . 
A =  0 0 λ 1 ..
 

 . .
 .. . . . . . . . . 1


0 0 ... 0 λ

A.1.5 Matrice de Vandermonde

> A := vandermonde([x1 , x2 , . . . , xn ]);
Retourne la matrice de Vandermonde d’ordre n :

1 x1 x12 . . . x1n−1
 
 1 x x2 . . . xn−1 
2
A =  . . .2 . 2
 
.
 . . .. . . .. 
. . 
2
1 xn xn . . . xn n−1

Exemple
A := vandermonde([a, b, c, d]); produit la matrice suivante :

1 a a2 a3
 
 1 b b2 b3 
A=  1 c c2 c3 


1 d d2 d3

A.1.6 Les caractéristiques d’une matrice carrée

a Déterminant , Trace et Inverse :
> det(A);
Retourne le déterminant de A
> trace(A);
Retourne la trace de A
> inverse(A);
Retourne la matrice inverse de A
b Polynômes caractéristique et minimal :
> charpoly(A, x);
Retourne le polynôme caractéristique de A
> minpoly(A, x);
Retourne le polynôme minimal de A

159 Mohamed HOUIMDI

ANNEXE A. MAPLE ET ALGÈBRE LINÉAIRE 160

c Vecteurs propres et Valeurs propres :

> eigenvals(A);
Retourne les valeurs propres de A
> eigenvects(A);
Retourne une base pour chaque sous-espace propre
d Le rang, le noyau et la matrice transposée :
> rank(A);
Retourne le rang de A, c’est à dire la dimension de l’image de A
> kernel(A);
Retourne une base du noyau de A
> transpose(A);
Retourne la matrice transposée de A
e Jordanisation et exponentiel :
> jordan(A);
Retourne une réduite de Jordan de A
> jordan(A,0 P0 );
Retourne une rd́uite de jordan de A ainsi que la matrice de passage de la
premiere base à la base de Jordan
> exponential(A);
Retourne l’exponentiel de A

A.2 Opérations sur les matrices

– Addition
> evalm(A + B); ou > matadd(A, B);
Retourne la somme des matrices A et B
– Multiplication
> evalm(A& ∗ B); ou multiply(A, B);
Retourne la matrice produit de A et B

A.3 Systèmes linéaires

– > linsolve(A, b);
Où A = (ai, j )1≤i, j≤n est une matrice carrée d’ordre n et b = [b1 , b2 , . . . , bn ) est un vecteur
quelconque, retourne un vecteur x = [x1 , x2 , . . . , xn ] tel que A.x = b
– > linsolve(A, B);
Où A et B sont deux matrices carrée d’ordre n, retourne une matrice carrée X d’ordre n
tel que A.X = B

160 Mohamed HOUIMDI

ANNEXE A. MAPLE ET ALGÈBRE LINÉAIRE 161

A.4 Vecteurs
A.4.1 Déclaration d’un vecteur
– v := vector([v1 , v2 , . . . , vn ]);
Retourne le vecteur v = [v1 , v2 , . . . , vn ]
– Soit f une fonction quelconque d’une variable quelconque, alors :
> v := vector(n, f );
Retourne le vecteur v = [ f (1), f (2), . . . , f (n)]

A.4.2 Base d’un sous-espace engendré par une famille de vecteurs

Soit v1 = [v11 , v12 , . . . , v1n ], v2 = [v21 , v22 , . . . , v2n ], . . . , vm = [vm1 , vm2 , . . . , vmn ] une famille de
vecteurs de Cn , alors la commande :
> basis({v1 , v2 , . . . , vm }); ou > basis([v1 , v2 , . . . , vm ]);
Retourne une base du sous-espace vectoriel, Vect({v1 , v2 , . . . , vm }), engendré par l’ensemble de
vecteurs {v1 , v2 , . . . , vm }

Intersection de deux sous-espaces vectoriels

Soient F = Vect({v1 , v2 , . . . , vm }) et G = Vect({u1 , u2 , . . . , u p }) deux sous-espaces vectoriels
engendrés respectivement par les familles de vecteurs {v1 , v2 , . . . , vm } et {u1 , u2 , . . . , u p }, alors
la commande :
> intbasis({v1 , v2 , . . . , vm }, {u1 , u2 , . . . , u p });
Retourne une base du sous-espace vectoriel F ∩ G

Opérations sur les vecteurs

– Norme d’un vecteur
> norm(v);
Retourne la norme sup du vecteur v = [v1 , v2 , . . . , vn ]
Pour obtenir les autres normes , on doit ajouter un argument :
> norm(v, p);
Où p est un nombre réel ≥ 1 , par exemple :
p = 1 donne ∑ni=1 | vi |
1
p = 2 donne (∑ni=1 | vi |2 ) 2
– Poduit scalaire et angle de deux vecteurs
Soit u = [x1 , x2 , . . . , xn ] et v = [y1 , y2 , . . . , yn ] deux vecteurs de Cn alors la commande :
> dot prod(u, v);
Retourne le produit scalaire des vecteurs u et v
Tandis que la commande :
> angle(u, v);
Retourne l’angle déterminé par u et v
– Produit vectoriel
Soient u = [u1 , u2 , u3 ] et v = [v1 , v2 , v3 ] deux vecteurs de R3 alors la commande :

161 Mohamed HOUIMDI

ANNEXE A. MAPLE ET ALGÈBRE LINÉAIRE 162

> crossprod(u, v);

Retourne le produit vectoriel de u et v

162 Mohamed HOUIMDI