Professional Documents
Culture Documents
Math 202
2014/2015
Un ingnieur vient couter son meilleur ami, un mathmaticien, donner une confrence sur les proprits gomtriques des espaces de dimension 23. A plusieurs reprises, lorateur justifie lune des ses assertions en mentionnant que on voit bien
que... ou alors quil est visuellement vident que... A la fin de lexpos, lingnieur demande son ami comment il russit visualiser un espace de dimension 23.
Cest facile lui rpond ce dernier je visualise en dimension n et ensuite je prends
n = 23.
4
4
4
8
12
13
13
15
17
17
23
23
23
24
25
26
26
28
29
29
31
33
36
37
38
41
41
43
45
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
19
21
3 Dterminants
45
3.1 Formes linaires, multilinaires . . . . . . . . . . . . . . . . . . . . . . 45
3.1.1 Formes linaires . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.2 Formes bilinaires . . . . . . . . . . . . . . . . . . . . . . . . . 47
2
3.2
3.3
3.4
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
47
50
50
51
53
54
57
.
.
.
.
.
.
.
.
.
.
.
58
58
58
59
60
62
63
63
66
67
67
68
.
.
.
.
.
.
.
.
.
.
.
69
69
69
69
69
69
70
70
70
70
71
71
1.1
1.1.1
Espaces vectoriels
Motivation et premiers exemples
Lalgbre linaire est ltude abstraite des espaces vectoriels et des applications linaires entre espaces vectoriels. A ce titre, il sagit dune gnralisation et dune
formalisation de certains aspects de la gomtrie classique. De manire informelle,
un espace vectoriel est un ensemble non-vide dlments, que lon appelle donc des
vecteurs, qui vrifie les proprits suivantes.
1. On peut additionner deux vecteurs de E. Plus prcisment, si u et v sont deux
vecteurs de lespace vectoriel E, alors u + v est un vecteur de lespace vectoriel
E.
2. On peut multiplier un vecteur de E par un scalaire. Plus prcisment, si u est
un vecteur de E et est un lment dun corps K, alors u est un vecteur de
E.
Bien entendu, beaucoup de termes restent imprcis dans la dfinition ci-dessus,
commencer par scalaire. Afin de fixer les ides, nous encourageons le lecteur supposer dornavant que la lettre K dsigne lensemble Q des nombres rationnels, lensemble R des nombres rels ou lensemble C des nombres complexes. Les lecteurs
dhumeur audacieuse pourront explorer le texte dans le cas plus gnral o K est
un corps quelconque, cest--dire un anneau commutatif non nul dont tous les lments non-nuls admettent un inverse multiplicatifs (ce qui est bien le cas de Q, R et
C). Avant de donner une dfinition prcise, explorons quelques exemples despaces
vectoriels.
Exemples despaces vectoriels
1. Lensemble Q est un Q-espace vectoriel. En effet, laddition de deux nombres
rationnels u et v est bien un nombre rationnel w = u + v et la multiplication
dun nombre rationnel u par un nombre rationnel (que lon voit ici comme
un scalaire) est bien un nombre rationnel v = u. De mme, R est un R-espace
vectoriel et C est un C-espace vectoriel. En revanche,Q nest pas un R-espace
vectoriel car si u Q est un vecteur non-nul, alors 2u nest pas un nombre
rationnel bien que 2 R soit un scalaire. De mme R nest pas un C-espace
vectoriel car si u R est un vecteur non-nul, alors i u nest pas un nombre
rel bien que i C soit un scalaire (ici i dsigne une solution de lquation
X 2 + 1 = 0). Notons enfin que R est un Q-espace vectoriel et que C est un
Q-espace vectoriel et un R-espace vectoriel.
2. Le plan rel
R2 = {(x, y)|x R, y R}
est un R-espace vectoriel. Un vecteur de R2 est un vecteur au sens gomtrique
usuel du terme. En particulier, un vecteur u R2 a deux coordonnes et
4
a
peut scrire u =
. Notons que le plan R2 est aussi un Q-espace vectoriel,
b
mais un Q-espace vectoriel extrmementcompliqu,
et que
cest un C-espace
a
a b
vectoriel condition de poser ( + i)
=
. Le plan R2 muni
b
b + a
de sa structure de R-espace vectoriel est un bon modle de la gomtrie plane
usuelle.
3. Lespace tridimensionnel rel
R3 = {(x, y, z)|x R, y R, z R}
est un R-espace vectoriel. Un vecteur de R2 est un vecteur de lespace au
sens gomtrique usuel du terme. En particulier, un vecteur u R3 a trois
coordonnes et peut scrire
a
u = b .
c
Tout comme R2 , lespace R3 est aussi un Q-espace vectoriel, mais ce nest pas
un C-espace vectoriel. Lespace R3 muni de sa structure de R-espace vectoriel
est un bon modle de la gomtrie usuelle de notre espace physique.
4. Lensemble
y R3 |x + y + z = 0 R3
(
X
)
an X n |n, an R, an = 0 pour presque tout n
n=0
gn (x)
n=0
dn f
=0
dxn
18. Lensemble
M2 (R) =
a b
4
|(a, b, c, d) R
c d
a1,1
Mn (K) =
an,1
an,n
| 1 i, j n, ai,j K
20. Plus gnralement, si K est un corps et n, m sont des entiers strictement positifs, lensemble
1,1
1,m
ai,j
Mn,m (K) =
| 1 i n, 1 j m, ai,j K
an,1 an,m
des matrices de taille n m coefficients dans K est un K-espace vectoriel.
21. Plus gnralement, si E est un K-espace vectoriel, lensemble End(E) des applications linaires de E dans E est un K-espace vectoriel.
22. Plus gnralement encore, si E et F sont des K-espaces vectoriels, lensemble
Hom(E, F ) des applications linaires de E valeurs dans F est un K-espace
vectoriel.
23. Soit K un corps (par exemple K = Q, R ou C). Lensemble {0} est un K-espace
vectoriel que lon appelle lespace vectoriel nul.
Exemple densemble qui ne sont pas des espaces vectoriels
1. Lensemble vide nest pas un espace vectoriel. En effet, un espace vide
contient toujours au moins un lment, savoir 0E .
2. Lensemble
x
2 2
2
C=
R |x + y = 1 R2
y
1
1
nest pas un espace vectoriel. En effet, u =
et v =
appartiennent
0
0
0
C mais u + v =
nappartient pas C.
0
7
3. Lensemble
X = y R3 |x 0, y 0, z 0
y Q |x + y + z = 0 R3
P =
nest
alors
pas un R-espace vectoriel. En effet, si u P est un vecteur non-nul,
2u
/ P donc P nest pas stable par multiplication par le scalaire 2.
5. Lensemble des polynmes ne sannulant pas en zro. En effet, cet ensemble
nest pas stable par addition.
6. Lensemble
x
x
2
2
D=
R |x = y
R |x = y R2
y
y
1
1
nest pas un R-espace vectoriel. En effet, u =
et v =
appartiennent
1
1
0
D mais u + v =
nappartient pas D.
2
1.1.2
Dfinitions formelles
Soit K un corps.
Espaces vectoriels
Dfinition 1.1. Un ensemble E est un K-espace vectoriel si et seulement sil vrifie
les proprits suivantes.
1. Il existe une loi de composition interne
+ : E E E
(u, v) 7 u + v
faisant de E un groupe commutatif (ceci signifie que + est associative, commutative, admet un lment neutre 0E et que tout lment u E admet un
inverse v = u E tel que u + v = 0E ).
2. Il existe une opration de multiplication par un scalaire
: K E E
(, u) 7 u
8
i ui
iI0
i=1
i=1
si pour tout u
iI
On prendra garde quil ne suffit pas que lintersection Ei Ej des espaces vectoriels
deux deux soit rduite 0 pour que des espaces vectoriels soient en somme directe.
La condition correcte est la suivante.
X
j, Ej
Ei = {0}
i6=j
On peut formuler cette condition en disant que la seule combinaison linaire nulle
n
X
i ui , ui Ei
i=1
1.1.3
Exemples
Exemples despaces vectoriels de dimension finie et infinie Lespace vectoriel {0} est de dimension 0. En effet, il est engendr par la famille vide.
Le Q-espace vectoriel Q, le R-espace vectoriel R, le C-espace vectoriel C, plus
gnralement le K-espace vectoriel K, plus gnralement le K-espace vectoriel K n
pour n 1 sont de dimension finie. Le K-espace vectoriel K n est de dimension n et
une de ses bases est la famille (ei )1in telle que toutes les coordonnes de ej sont
nulles sauf la j-ime qui est gale 1.
Le Q-espace vectoriel R, le Q-espace vectoriel C, plus gnralement les Q-espaces
vectoriels Rn et Cn pour n 1 ne sont pas des espaces vectoriels de dimension finie.
Le R-espace vectoriel C est de dimension finie gale 2 et une de ses bases et la
famille (1, i). Rciproquement, le C-espace vectoriel R2 est de dimension finie gale
1 et une de ses bases est la famille (1). Plus gnralement, tout C-espace vectoriel
E de dimension finie n et dont une base est (bj )jJ est un R-espace vectoriel de
dimension finie 2n et dont une base est (bj , ibj )jJ (ici i dsigne une solution de
X 2 + 1 = 0 et non pas un indice).
Le K-espace vectoriel Kn [X] des polynmes coefficients dans K de degr au plus
n est un K-espace vectoriel de dimension finie n + 1 (attention au dcalage) dont une
base est (1, X, X 2 , , X n ). Le K-espace vectoriel K[X] des polynmes coefficients
dans K nest pas de dimension finie (en effet, il contient des sous-espaces vectoriels
de dimension n pour tout n N, par exemple les Kn [X]).
Le R-espace vectoriel C (I, R) des fonctions C dun intervalle ouvert non-vide
I R vers R est de dimension infinie. Il en est donc de mme pour le R-espace
vectoriel C n (I, R) des fonctions C n pour tout n N (car une fonction C est C n
pour tout n N). Une famille libre infinie de C (I, R) est donne par la famille des
(enx )nN et plus gnralement par la famille des (ei x )iI pour tout I qui nest pas
de cardinal fini et toute famille (i )iI de rels tous distincts.
Lensemble
y R3 |x + y + z = 0 R3
z
1
1
est un R-espace vectoriel de dimension finie gale 2 dont une base est 1 , 0 .
0
1
Lensemble
y R3 |x + y + z = 0, 3x + 2y + z = 0 R3
z
1
2.
est un R-espace vectoriel de dimension finie gale 1 dont une base est
1
12
Lensemble
y R3 |x + y + z = 0, 3x + 2y + z = 0, x + y = 0 R3
z
est un R-espace vectoriel de dimension finie gale 0. Lensemble
y R3 |x + y + z = 0, 3x + 2y + z = 0, 2x + y = 0 R3
1
est un R-espace vectoriel de dimension finie gale 1 dont une base est 2.
1
Pour n 1, lensemble Mn (K) des matrices de taille n n coefficients dans K
est un K-espace vectoriel de dimension finie gale n2 dont une base est la famille
(eij )1i,jn forme des matrices eij dont toutes les coordonnes sont nulles sauf celle
la ligne i et la colonne j qui est gale 1. Plus gnralement, pour n, m deux entiers
strictement positifs, lensemble Mn,m (K) des matrices de taille n m coefficients
dans K est un K-espace vectoriel de dimension finie gale nm dont une base est
la famille (eij )1in,1jm forme des matrices eij dont toutes les coordonnes sont
nulles sauf celle la ligne i et la colonne j qui est gale 1. Plus gnralement,
lensemble Hom(E, F ) des applications linaires dun K-espace vectoriel E vers un
K-espace vectoriel F est un espace vectoriel de dimension finie si et seulement si E
et F sont de dimension finie. Dans ce cas, dim Hom(E, F ) = dim E dim F .
1.2
1.2.1
Applications linaires
Dfinition et premires proprits
i ui
iI
X
iI
13
i f (ui )
et f (v) est donc une combinaison linaire des f (ui ) indexe par les mmes scalaires
i .
De mme quun espace vectoriel est de manire informelle un ensemble dans lequel
on peut faire des combinaisons linaires, une application linaire est de manire
informelle une application qui prserve les combinaisons linaires. Il rsulte de la
compatibilit de f avec les combinaisons linaires que f est uniquement dtermine
par la donne de limage par f dune famille gnratrice de E et donc en particulier
dune base de E.
Lensemble des applications linaires de E vers F est not Hom(E, F ) et lensemble des applications linaires de E vers lui-mme est not End(E). Soit E, F et
G des K-espaces vectoriels. La compose dune application linaire de E vers F et
dune application linaire de F vers G est une application linaire de E vers G. En
particulier, la composition est une loi de composition interne
: End(E) End(E) End(E)
(f, g)
7 f g
de End(E). Cette loi de composition interne est associative et admet un lment
neutre, savoir lidentit Id, mais nest pas commutative sauf si E est de dimension
finie gale 1. Pour n N, on note f n la compose de f avec elle-mme n fois (ceci
implique en particulier que f 0 = Id pour tout f End(E)).
Noyau, image, rang Lensemble {u E|f (u) = 0} des vecteurs de E dimage
gal 0 est un sous-espace vectoriel de E que lon appelle le noyau de f et que
lon note ker f . Lensemble {v|u E, f (u) = v} des vecteurs de F qui sont image
dun vecteur de E est un sous-espace vectoriel de F que lon appelle limage de f
et que lon note im f . Lorsque la dimension de im f est finie, on lappelle le rang
de f . Lorsque E est de dimension finie, ker f et im f sont de dimension finie et
dim ker f + dim im f = dim E.
Isomorphisme Pour vrifier quune application linaire est injective, il suffit de
montrer que son noyau est rduit 0. Une application linaire bijective sappelle
un isomorphisme despaces vectoriels. Deux K-espaces vectoriels E et F sont dits
isomorphes, ce que lon note E ' F , sil existe un isomorphisme despaces vectoriels
entre eux. La proprit dtre isomorphe est une relation dquivalence sur lensemble
des espaces vectoriels. Deux espaces vectoriels de dimension finie sont isomorphes si
et seulement sils ont la mme dimension. Le quotient de lensemble des espaces
vectoriels de dimension finie par la relation dquivalence tre isomorphe est donc
lensemble N.
Soit E, F deux K-espaces vectoriels de dimension finite et soit f Hom(E, F ).
Il rsulte du thorme de rang que deux quelconques des trois proprits suivantes
impliquent les autres.
1. Lapplication f est injective.
2. Lapplication f est surjective.
14
Matrices
m
X
m(f )ij bi
i=1
p
X
m(g)ij bi
i=1
Mn,p (K)
!
m
X
7
aik bkj
k=1
15
1in,1jp
Ceci dfinit une matrice P = (pij ) Mn (K) qui est la matrice dans la base (bi ) de
lapplication linaire p qui envoie bi sur ci pour tout i. Lapplication linaire p est
inversible dinverse p1 gale lapplication linaire qui envoie ci sur bi pour tout i.
De
1
p (cj ) =
n
X
pij p1 (bi )
i=1
n X
n
X
pij ki bk =
i=1 k=1
n
n
X
X
k=1
= bj ,
16
i=1
!
ki pij
bk
on dduit que la matrice (ki ) de p1 relative la base (bi ) est la matrice P 1 . Donc
f (cj ) =
=
n
X
pij f (bi ) =
i=1
n
X
n
X
pij
aki
i=1
k=1
n
X
i=1
n
X
pij
n
X
aki bk
k=1
sk cs =
s=1
n
n X
n
X
X
s=1
!
sk aki pij
cs .
i=1 k=1
n P
n
P
sk aki pij ,
i=1k=1
1.3
1.3.1
a x + a x + + a x = u
2,1 1
2,2 2
2,m m
2
(1.3.1)
(1.3.2)
en une quation quivalente est de multiplier gauche les deux membres de lquation
par une matrice inversible commune P pour obtenir lquation
P AX = P U.
(1.3.3)
Les quations (1.3.2) et (1.3.3) sont quivalentes car on passe de lune lautre
simplement en multipliant par P ou P 1 gauche. La matrice P tant inversible,
elle est carre et puisquon peut la multiplier gauche avec A et U , cest une matrice
de Mm (K).
Vue sous cette angle, lopration lmentaire de rsolution dun systme dquations linaires se dcompose en trois sous-oprations :
1. changer deux lignes Li et Lj .
18
1 si k = l et k 6= i, j
akl = 1 si k = i et l = j ou k = j et l = i
0 sinon.
2. Multiplier gauche par la matrice inversible Mi, = (pkl )1k,lm dfinie par
1 si k = l et k 6= i
pkl = si k = l et k = i
0 sinon.
3. Multiplier gauche par la matrice inversible Sij = (pkl )1k,lm dfinie par
1 si k = l
pkl = 1 si k = j et l = i
0 sinon.
Si on applique successivement ces oprations, on obtient donc une quation matricielle quivalente
BX = V
o B = (bij ) est sous-forme chelonne rduite, ce qui signifie que tous ses coefficients
sont nuls sauf ventuellement les bii pour 1 i d min(m, n).
1.3.2
4y + 2z = 2
5x + 3y + 2z = 0
x+y+z =3
qui correspond lquation matricielle
0 4 2
x
2
5 3 2 y = 0
1 1 1
z
3
19
Multiplions gauche par E13 puis par M1,1/5 S1,2 M1,5 pour obtenir
1 1 1
x
3
1 1
1
x
3
5 3 2 y = 0 , 0 2 3 y = 15 .
0 4 2
z
2
0 4
2
z
2
Multiplions
1
0
0
gauche par M2,1/4 S2,3 M2,2 puis par M3,1/4 S2,1 M2,1 pour obtenir
x
9/2
1 1
x
3
1 0 1/2
1 3/2 y = 15/2 , 0 1 3/2 y = 15/2 .
0 4
z
32
0 0
1
z
8
Finalement, multiplions gauche par M3,2 S3,1 M3,1/2 puis par M3,2/3 S3,2 M3,3/2 pour
obtenir
1 0 0
x
1/2
1 1 0
x
1/2
0 1 3/2 y = 15/2 , 0 1 0 y = 9/2
0 0 1
z
8
0 0 1
z
8
et finalement le fait que le systme
4y + 2z = 2
5x + 3y + 2z = 0
x+y+z =3
admet comme unique solution
x
1/2
y = 9/2 .
z
8
Exemple avec un paramtre Considrons le systme suivant
(
xy+z =1
x + y + z = 0
qui correspond lquation matricielle
x
1 1 1
1
y =
.
1 1 1
0
z
Multiplions gauche par M3,1/2 S1,2 puis par M2,1 S2,1 M2,1 pour obtenir
x
x
1 1 1
1
1 1 0
1/2
y =
y =
,
0 0 1
1/2
0 0 1
1/2
z
z
et le fait que lensemble des solutions relles du systme
(
xy+z =1
x + y + z = 0
est lensemble
1/2 + y
y |y R
1/2
20
Exemple dtermination du noyau et de limage Soit f End(R2 ) lapplication dont la matrice dans la base canonique de R2 est la matrice
6 9
M=
.
10 15
x
2
Un vecteur u R est dans le noyau de f si et seulement si M U = 0 pour U =
y
le vecteur de M2,1 (R) dont les coordonnes sont les coordonnes de u dans la base
canonique de R2 . En multipliant lquation M U = 0 par M1,1/10 S1,2 M1,5/3 , on
obtient lquation matricielle
1 3/2
x
= 0.
0 0
y
Les vecteurs du noyau de f sont donc les vecteurs vrifiant x = 3y/2 pour y R.
Cet espace vectoriel est de dimension 1. Daprs le thorme du rang, limage de
lapplication f est donc de dimension 1 et f nest donc pas surjective. Un vecteur
v de coordonnes (v1 , v2 ) dans la base canonique de R2 est dans limage de
fsi et
v
seulement si lquation matricielle M U = V admet une solution pour V = 1 . En
v2
multipliant nouveau par M1,1/10 S1,2 M1,5/3 , on obtient lquation matricielle
1 3/2
x
v1 /6
=
.
0 0
y
v2 5v1 /3
Cette quation matricielle admet des solutions si et seulement si v2 5v1 /3 = 0 et
donc limage de f est le sous-espace vectoriel {(v1 , 5v1 /3) R2 |v1 R} qui est bien
de dimension 1.
1.3.3
Un problme mystrieux
(1.3.6)
et rciproquement une solution communes des systmes (1.3.5) et (1.3.6) est une
solution du systme (1.3.4). Dterminer lensemble des solutions du systme (1.3.4)
est donc quivalent dterminer lensemble des solutions communes aux systmes
(1.3.5) et (1.3.6). Il se prsente alors la disjonction de cas suivante.
1. Soit ad bc = 0. Il se prsente alors la disjonction de cas suivante.
(a) Soit lun des termes av uc et ud bv est non-nul. Le systme (1.3.4)
nadmet alors aucune solution.
(b) Soit les deux termes av uc et ud bv sont nuls. Il se prsente alors la
disjonction de cas suivante.
i. Soit tous les coefficients a, b, c, d sont nuls. Le systme (1.3.4) admet
alors lensemble K 2 ou lensemble selon que u et v sont nuls ou
non.
ii. Soit lun des coefficients a, b, c, d est non-nul et lon peut sans perte
de gnralit supposer que cest a. Le systme (1.3.4) admet alors
lensemble
u by
, y |y K
a
comme ensemble de solutions.
2. Soit ad bc 6= 0. Le systme (1.3.4) admet alors lunique solution
ud bv av uc
,
ad bc ad bc
comme ensemble de solutions.
Il y plusieurs observations faire sur cette rsolution. Tout dabord, elle est beaucoup
plus difficile mener en toute gnralit quon pourrait le croire : non seulement le
nombre de disjonction de cas traiter est considrable mais de plus il nest pas si ais
de maintenir la symtrie du problme, cest--dire de ne pas supposer sans raison que
lun des coefficients joue un rle particulier (par exemple en choisissant un pivot).
On tremble lide de gnraliser cette rsolution un systme de trois quations
trois inconnues, sans parler du cas gnral de n quations n inconnues.
Lorsque K = R, les disjonctions de cas intervenant et les diffrents ensembles de
solutions auquel elles mnent admettent une interprtation gomtrique. En effet, si
lun au moins des coefficients (, ) est non-nul, lquation x+y = est lquation
dune droite du plan R2 . Les disjonctions de cas ci-dessus ont donc linterprtation
gomtrique suivante : ou bien les deux quations du systme (1.3.4) sont effectivement des quations de droites, auquel cas le systme admet une unique solution, une
infinit de solution ou aucune solution selon que ces deux droites sont non-parallles,
parallles et confondues ou parallles et non confondues, ou bien lune au moins des
deux quations est dgnre et dans ce cas on est ramen tudier le cas dune
unique droite, ou de deux quations dgnres. Bien que cette interprtation soit
commode pour se souvenir des diffrentes possibilits et pour avoir une intuition de
la dimension de lespace vectoriel des solutions, nouveau, on tremble lide de la
22
K4
K
(, , , ) 7
alors non seulement le systme (1.3.4) admet une solution unique si 2 (a, b, c, d) 6= 0
mais cette solution est donne par
2 (u, b, v, d) 2 (a, u, c, v)
,
.
2 (a, b, c, d) 2 (a, b, c, d)
Le rve serait de dfinir une telle fonction n pour les systmes de n quations n
inconnues : il suffirait ensuite dappliquer la fonction n pour savoir si un systme
admet une solution unique ou non et pour dterminer sa solution unique le cas
chant. Comme souvent en mathmatiques, ce rve est appel devenir ralit mais
comme trop souvent dans la vie, les rves raliss perdent parfois le parfum dutopie
qui faisaient leur charme. Mais nallons pas trop vite.
2
2.1
2.1.1
Soit E un K-espace vectoriel et f End(E) un endomorphisme de K. Un sousespace vectoriel F E de E est stable par f si f (u) appartient F pour tout
u F , donc si f restreint F est un endomorphisme de F . Un endomorphisme f
admet toujours au moins deux sous-espaces vectoriels stables : son noyau ker f et
son image im f .
Soit K. Un sous-espace vectoriel F E est un sous-espace propre pour
le scalaire si pour tout u F , f (u) = u. Un sous-espace vectoriel F E
est un sous-espace propre sil existe K tel que F soit un sous-espace propre
pour le scalaire . Un sous-espace propre est ncessairement un sous-espace stable et
rciproquement, un sous-espace stable de dimension au plus 1 est ncessairement un
sous-espace propre. Le noyau de f est un sous-espace propre pour le scalaire 0. Si G
et F sont deux sous-espace propres pour le mme scalaire , alors G + F est un
sous-espace propre pour le scalaire . Pour tout K, il existe donc un sous-espace
propre maximal pour le scalaire , savoir lespace vectoriel engendr par lunion
des tous les sous-espaces propres pour le scalaire .
23
Proposition 2.1. Soit (Es )sS une famille de sous-espaces vectoriels propres pour
les valeurs propres (s )sS . Supposons les valeurs propres (s )sS distinctes deux
deux ; cest--dire que s 6= t si s 6= t. Les sous-espaces Es sont alors en somme
directe.
De manire quivalent et explicite, soit (ui )iI une famille de vecteurs de E propres
pour f End(E) pour les valeurs propres (i )iI respectivement. On suppose que I
est lunion disjointe densembles (Js )sS tels que i 6= j si i Js et j
/ Js . Sil
existe une combinaison linaire nulle
X
i ui = 0
iI
dont tous les coefficients ne sont pas nuls, alors il existe s S et une combinaison
linaire nulle
X
i ui = 0
(2.1.1)
iJs
dont tous les coefficients ne sont pas nuls. En particulier, si tous les scalaires i sont
distincts, la famille (ui )iI est libre.
Dmonstration. Si la deuxime proprit est vraie, toute famille (us )sS avec us
Es est une famille libre. Si
X
s us
sS
24
est une combinaison linaire nulle des us Es , alors tous les s sont nuls et donc
les Es sont en somme directe. Il suffit donc de montrer la deuxime proprit.
Supposons quil existe une combinaison linaire des (ui ) qui soit nulle mais dont
tous les coefficients ne sont pas nuls. Il existe alors une combinaison linaire nulle
des ui avec I de cardinal minimal
X
XX
i ui =
i ui = 0
(2.1.2)
iI
sS iJs
et telle que les i soient tous non-nuls. Soit j I un indice et sj lindice du sousensemble Js tel que j Jsj . En appliquant f , on obtient
X
XX
i i ui =
i s ui = 0.
iI
(2.1.3)
sS iJs
i (j s )ui = 0.
(2.1.4)
sS iJs
i ui = 0
iI
triangulaire suprieure si aij = 0 lorsque i > j (cela signifie visuellement que tous les
coefficients de M en dessous de la diagonale sont nuls). Dun point de vue algbrique,
cela signifie que f (bi ) appartient Vect(bj )1ji pour tout 1 i n. En particulier,
le sous-espace Vect(bj )1ji est stable par f pour tout 1 i n.
Proposition 2.3. Si la matrice M = (aij )1i,jn dun endomorphisme f est une
matrice triangulaire suprieure, alors les valeurs propres de f sont les scalaires aii .
Dmonstration. Soit une valeur propre de f . Alors le noyau de f Id contient un
vecteur v non-nul dans son noyau. Posons g = f Id. La matrice N = (bij )1i,jn
de g dans la base B est galement triangulaire suprieure et il suffit de montrer quil
existe un i tel que bii = 0. Le vecteur v scrit
n
X
v=
i bi .
i=1
n
X
i f (bi ) = 0
i=1
on dduit que
k1
1X
k1 f (bi ).
f (bk ) =
k i=1
Daprs lhypothse que la matrice N est triangulaire suprieure, pour 1 i k 1,
chaque f (bi ) appartient Vect(b1 , , bk1 ). Donc f (bk ) appartient Vect(b1 , , bk1 )
et le coefficient bkk est nul.
Rciproquement, fixons un i et posons = aii . Il suffit de montrer que g = f Id
nest pas injective. Soit N = (bij )1i,jn la matrice de g dans la base B. Alors bii = 0.
Le sous-espace F = Vect(b1 n , bi ) est stable par f donc stable par g et il suffit
donc de montrer que g nest pas injective aprs restriction F . Les vecteurs g(bk )
pour k < i sont dans le sous-espace Vect(b1 , , bk ) ( F daprs lhypothse que
la matrice de g est triangulaire suprieure. Le vecteur g(bi ) est galement dans ce
sous-espace car bii = 0. Donc limage de F par g est strictement incluse dans F donc
g restreinte F nest pas injective.
2.2
2.2.1
Polynmes dendomorphismes
Rvision sur les polynmes
Le polynme dont tous les coefficients sont nuls sappelle le polynme nul et il est
not 0. Plus gnralement, on identifie le polynme dont tous les coefficients sont
nuls sauf le coefficient a0 llment a0 du corps K.
26
K[X] K[X]
K[X]
X
P
P
an X n ,
bn X n
7
(an + bn )X n
n=0
n=0
n=0
qui est associative, commutative et qui admet 0 comme lment neutre. Tout polynme admet un (unique) inverse pour laddition, ce qui fait donc de K[X] un groupe
commutatif. Lensemble des polynmes est muni dune loi de composition interne
:
K[X] K[X]
an X n ,
n=0
bn X n
K[X]
!
n
X
X
7
ak bnk X n
n=0
n=0
k=0
qui est associative, commutative, distributive sur laddition et qui admet le polynme
1 comme lment unit. La donne de K[X] muni des lois + et fait de lensemble des
polynmes coefficients dans K un K-espace vectoriel qui est galement un anneau
commutatif.
Sur K[X] est dfini une application
deg :
K[X]
an X n
n=0
{} N
(
si an = 0 pour tout n,
7
min{n N|an 6= 0} sinon.
Y
iI1
(X i )
(X 2 + i X + i ).
(2.2.1)
iI2
De plus, cette criture est unique lordre des i et des (i , i ) prs et d = |I1 |+2|I2 |.
Soit P C[X] un polynme non-nul coefficients complexes de degr d. Il existe
d complexes (i )1id et un complexe tels que P scrive
d
Y
P = (X i ).
(2.2.2)
i=1
27
2.2.2
Polynmes dendomorphismes
an X n K[X],
n=0
lapplication
P (f ) =
an f n
n=0
an X n =
n=0
Y
(X i ),
iI
ou plus gnralement
P =
Y
Pj
jJ
o les Pj sont des polynmes de K[X] (le cas prcdent correspondant la situation
o tous les Pj sont unitaires de degr 1) alors le polynme dendomorphismes
P (f ) =
an f n
n=0
jJ
28
(2.2.3)
Proposition 2.5. Soit E un C-espace vectoriel de dimension finie, f un endomorphisme de E et P C[X] un polynme non-nul de degr d. Il existe d complexes
(i )1id et un scalaire tels que P (f ) scrive
P (f ) =
d
Y
(f i Id).
(2.2.4)
i=1
2.3
2.3.1
Motivation La vie est belle dans les espaces vectoriels de dimension 1 : tous les
vecteurs scrivent u pour un certain u et donc pour connatre entirement une
application linaire f , il suffit de connatre f (u). Le but de la rduction des endomorphismes est de se ramener, autant que faire se peut, cette situation. En
principe, lide est simple. Soit E un K-espace vectoriel de dimension finie n et soit
f End(E) un endomorphisme de E. Lespace E admet une dcomposition
E = E1 En =
n
M
Ei
i=1
M
E
bases de E serait alors une matrice par blocs de taille 1, donc une matrice dont
tous les coefficients seraient nuls sauf ventuellement les coefficients diagonaux. On
imagine lintrt de travailler avec de telles matrices pour ce qui est de la rsolution
des systmes linaires ou pour le calcul matriciel plus gnralement.
Lutopie nest pas de ce monde, mais une partie substantielle du programme esquiss ci-dessus peut tre ralise.
Exemples Dans ce paragraphe et sauf mention contraire, K dsigne un corps gal
Q, R ou C, E est un K-espace vectoriel de dimension finie n strictement positive
et f est un endomorphisme de E.
1. Lespace E admet une dcomposition en sous-espaces stables par f de dimension 1 lorsque f est lapplication nulle, lorsque f est lidentit et plus gnralement lorsque f = Id pour K. En fait, toute dcomposition de E
en somme directe de sous-espaces vectoriels de dimension 1 convient. La matrice dun tel f relativement au choix dune base quelconque est donc toujours
diagonale (avec respectivement des 0, des 1 et des sur la diagonale).
3
1
2. Soit f dont la matrice dans la base canonique de R2 est
. Dans la
0 5
3 0
base, ((1, 0), (1, 8)) la matrice de f est
donc
0 5
1
1
2
R = Vect
Vect
0
8
est une dcomposition de R2 en sous-espaces propres de f de dimension 1. Il est
ais de vrifier qu lordre prs, cette dcomposition est la seule dcomposition
en sous-espaces propres de f de dimension 1.
3.
Soit f lapplication
linaire dont la matrice dans la base canonique de K 2 est
1 1
. Le vecteur u = (1, 1) est dans le noyau de f donc dim ker f 0.
1 1
Comme f nest pas lapplication nulle, dim im f est strictement positif. Daprs
le thorme de rang, dim im f + dim ker f = 2 donc dim ker f = 1 et ker f =
Vect u. Supposons que R2 scrive E1 E2 o E1 et E2 sont des espaces vectoriels
non-nuls stables par f . Ils sont alors tous deux de dimension 1 donc des espaces
propres pour f pour des valeurs propres 1 et 2 . Si 1 2 6= 0, alors le rang
de f est gal 2, ce qui est une contradiction. Donc lune des valeurs propres,
disons 1 , est nulle et E1 est donc gal ker f . Si u = (x, y) est un vecteur
non-nul de E2 , alors u est un vecteur propre donc il existe un scalaire tel que
f (u) = et donc le systme
(
(
x y = x
(1 )x y = 0
ou encore
x y = y
x + (1 )y = 0
admet une solution non-nulle. Ce systme admet une solution non-nulle si et
seulement si (1)(1)+1 = 2 est nul, donc si et seulement si = 0. Mais
30
Coeur et nilespace
Lobservation fondamentale qui inspire cette sous-section est le fait que si f End(E)
alors il existe non seulement deux sous-espaces stables par f (cela nous le savons
dj : le noyau et limage de f vrifient cette proprit) mais il existe mme deux
sous-espaces stables par f dont le somme directe est E. Autrement dit, il existe un
sous-espace vectoriel stable admettant un supplmentaire stable.
Dfinition 2.6. Soit E un K-espace vectoriel de dimensions finie et f End(E)
une application linaire. Le nilespace N (f ) de f est lensemble
{u E|n N, f n (u) = 0}.
Le coeur C(f ) est lensemble
{u E|n N, vn , f n (vn ) = u}.
31
33
est une criture de 0 comme somme dun lment de N (f j Id) et dun lment
de C(f j Id). Ces deux espaces tant en somme directe, j uj . La combinaison
linaire est donc nulle et les (Ei ) sont en somme directe.
Il sen suit quun endomorphisme dun espace de dimension d a au plus d espaces
propres gnraliss non nuls.
Proposition 2.13. Soit E un K-espace vectoriel de dimension finie et f End(E)
un endomorphisme. Supposons que f admette une valeur propre K et soit E
lespace propre gnralis de f pour . Il existe alors une dcomposition
E = E F
en sous-espaces vectoriels stables par f .
34
Sous lhypothse que f admet une valeur propre, on a donc russi rduire ltude
de f ltude de f restreint au sous-espace propre gnralis pour et au sous-espace
vectoriel F .
Dmonstration. Le scalaire est une valeur propre de f donc ker(f Id) 6= {0}
donc E 6= {0}. On peut alors prendre pour F le coeur de f Id.
Thorme 2.1. Soit E un C-espace vectoriel de dimension finie et f End(E) un
endomorphisme. Il existe alors une dcomposition
E=
M
E
s f s = 0
(2.3.2)
sS
une combinaison linaire nulle des (f s )sN dont tous les coefficients ne sont pas nuls
et soit
X
P =
s X s
sS
Y
(X s ).
sS
Y
(f s Id) = 0.
sS
Lendomorphisme P (f ) est nul et nest donc pas injectif. Une composition dapplications injectives tant injective, lun au moins des endomorphismes f s Id, disons
35
f Id, nest pas injectif. Lapplication f admet donc un vecteur propre pour la valeur propre et lespace propre gnralis E est donc non-nul. Daprs la proposition
2.13, lespace E admet donc une dcomposition
E = E F
avec F stable par f et de dimension strictement infrieure celle de E. Daprs
lhypothse de rcurrence, F admet une dcomposition
F =
X
E
Polynme caractristique
Dfinition 2.14. La multiplicit gomtrique dune valeur propre dun endomorphisme f dun K-espace vectoriel de dimension finie est lentier dim N (f Id).
Il rsulte du thorme 2.1 que la somme des multiplicits gomtriques des valeurs
propres dun endomorphisme dun C-espace vectoriel de dimension finie d est gale
d.
Dfinition 2.15. Soit E un C-espace vectoriel de dimension finie n strictement positive et f End(E) un endomorphisme de E. Le spectre Spec(f ) de f est lensemble
des valeurs propres de f comptes avec leur multiplicit gomtrique.
Le cardinal de Spec(f ) est donc n. Lendomorphisme f est bijectif si et seulement
si 0
/ Spec(f ).
Dfinition 2.16. Soit E un C-espace vectoriel de dimension finie n strictement
positive et f End(E) un endomorphisme de E. Le polynme caractristique f
Cn [X] de f est le polynme
f =
(X )
Spec(f )
M
E
en sous-espaces propres gnraliss. Les sous-espaces E sont stables par f , donc par
lendomorphisme f (f ). Pour montrer que f (f ) est lendomorphisme nul, il suffit
donc de montrer que f (f ) est lendomorphisme nul aprs restriction chaque E .
Soit donc une valeur propre de f de multiplicit gomtrique m et u E . Par
dfinition de la multiplicit gomtrique, (f Id)m (u) = 0 donc
!
Y
(f Id) (f Id)m (u) = 0.
0 6=
ker(f Id).
Relativement une base forme de bases des ker(f Id), la matrice de f est
diagonale avec les Spec(f ) sur la diagonale. Ceci explique le terme diagonalisable.
Proposition 2.18. Soit f un endomorphisme dun C-espace vectoriel E de dimension finie. Soit P C[X] tel que P (f ) soit lendomorphisme nul. Alors le spectre de
f est inclus dans lensemble des racines de P . Lendomorphisme f est diagonalisable
si et seulement sil existe un polynme P de la forme
d
Y
P =
(X i )
i=1
37
et u 6= 0 donc est une racine de P . Supposons que f soit diagonale. Alors E scrit
comme la somme directe des ker(f Id) donc
Y
(X )
Spec f
(f Id)
6=
Dmonstration. Soit (ui )iI des vecteurs non nuls dordre de nilpotence di avec di 6=
dj si i 6= j. Supposons quil existe une combinaison linaire nulle des ui dont tous les
coefficients ne sont pas nuls. Il en existe alors une
n
X
i ui = 0
i=1
i=1
dj 1
et
infrieur E et est stable par f . Daprs lhypothse de rcurrence, il existe donc une
base de im f de la forme (v1 , , f d1 1 (v1 ), v2 , , f d2 1 (v2 ), , vt , , f dt 1 (vt ))
avec (f di 1 (vi ))1it une based de ker f im f . Choisissons des (ui )1it tels que
f (ui ) = vi pour tout 1 i t (ce qui est possible car les vi appartiennent im f ).
Pour tout 1 i d, lordre de nilpotence de ui est alors lordre de nilpotence de
vi plus 1 donc est gal di + 1. Soit (wi )1ik une base dun supplmentaire de
im f ker f dans ker f .
Rebaptisons la famille des
(u1 , , f d1 (u1 ), , ut , , f dt (ut ), w1 , , wk )
en
(z1 , , f 1 1 (z1 ), , z` , , f ` 1 (z` ))1`m .
Ici, j = dj si zj est lun des ui et j si zj est un des wi et m = dim im f + k = r + k.
Montrons que
Z = (z1 , , f 1 1 (z1 ), , z` , , f ` 1 (z` ))1`m
forme une base de E vrifiant la proprit exige. Par construction, les lments de
la base dordre de nilpotence 1 forment une base de ker f im f sils sont de la forme
f dj 1 (vj ) et une base dun supplmentaire de ker f im f dans ker f sils sont de la
forme wj . Ensemble, ils forment donc bien une base de ker f . Il suffit donc de montrer
que la famille Z est libre et de cardinal gal la dimension de E.
Soit
j 1
m X
X
i,j f j (zi ) = 0
(2.3.3)
i=1 j=0
i=1 j=0
i=1 j=0
car les wi sont dans le noyau de f . Daprs lhypothse de rcurrence, la famille des
f j (vi ) est une base donc la combinaison linaire
j 1
r dX
X
i,j f j (vi )
i=1 j=0
a tous ses coefficients nuls. Les seuls i,j ventuellement non-nuls sont donc ceux
pour r < i m, auquel cas j = 1. La combinaison linaire nulle (2.3.3) devient
donc
k
X
i wi = 0.
i=1
Mais les wi forment une famille libre, donc la combinaison linaire (2.3.3) a tous ses
coefficients nuls. Reste dmontrer que Z est de cardinal dim E. Par construction,
il y dim im f vecteurs de la forme f i (vj ) dans Z quoi il faut ajouter les dim ker f
dim(ker f dim im f ) vecteurs wi et les vecteurs ui . Or, les vecteurs f di (ui ) forment
une base de im f ker f . Le cardinal de Z est donc dim im f + dim ker f , donc dim E
par le thorme du rang.
40
On appelle base adapte f une base comme dans la proposition 2.23. Les sousespaces engendrs par (f i (uj )) et par (wk ) sont stables par f (par construction pour
les premiers, parce que les wk sont dans le noyau de f pour le second). La matrice
de f dans une base adapte est donc diagonale par blocs. Certains des blocs sont
nuls, les autres peuvent tre rarrangs de telle sorte que la matrice de f ait tous ses
coefficients aij nuls sauf ceux avec j = i + 1 qui sont gaux 1.
2.3.7
E .
Il ny a donc que deux possibilits : ou bien f admet deux valeurs propres distinctes,
auquel cas f est diagonalisable daprs la
2.3.5 et il existe donc une base
sous-section
0
dans laquelle sa matrice est la matrice
, ou bien la multiplicit gomtrique
0
de lunique valeur propre de f est gale 2, auquel cas E est le noyau de (f Id)2
et lapplication g = f Id est donc nilpotente. Dans le second cas, il existe daprs
la proposition
2.23
la matrice
une base adapte (g(v), v) de E relativement
laquelle
0 1
1
de f est
. La matrice de f dans cette base est donc
.
0 0
0
2.3.8
en sous-espaces stables gnraliss et des choix de bases de chacun des E tels que la
matrice de f relativement ce choix de base soit diagonale par blocs de taille m m
de la forme
1 0 0
0 1
0
0 0
0
0 0
1
0 0 0
41
si i = j
aij = 1 si j = i + 1
0 sinon.
Dmonstration. Daprs le thorme 2.1, il suffit de montrer quil existe une base de
E telle que la matrice de f restreinte E soit diagonale par blocs de la forme
1 0 0
0 1
0
0 0
0
.
0 0
1
0 0 0
0
0
1
0
1 0
0 1
0 0
0 0
0 0
0 1 0 0
0 0 1
0
0 0 0
0 0
0 1
0 0 0 0
comme voulu.
En utilisant la proposition 2.22 plutt que la proposition 2.23, on obtient le thorme suivant qui est un peu moins prcis mais souvent suffisant pour les applications.
Thorme 2.4. Soit E un C-espace vectoriel de dimension finie strictement positive
et f End(E) un endomorphisme de E de spectre S. Il existe une dcomposition de
E
M
E=
E
S
en sous-espaces stables gnraliss et des choix de bases de chacun des E tels que la
matrice de f relativement ce choix de base soit diagonale par blocs de taille m m
42
de la forme
0
0 0
0
0
cest--dire tels que
(
si i = j
aij =
0 si i > j.
Dmonstration. Mme dmonstration que pour le thorme 2.3 mais en invoquant
la proposition 2.22 plutt que la proposition 2.23.
2.3.9
n
X
as X s =
s=0
(X )
n1
X
as+1 f s
s=0
43
n
X
cii =
i=1
n X
n
X
n X
n
X
aik bki
i=1 k=1
bki aik =
k=1 i=1
X
dkk = tr(BA).
k=1
(2.3.4)
cx + dy = y
cx + (d )y = 0
admet une solution non-nulle donc si et seulement si
(a )(d ) bc = 2 (a + d) + (ad bc) = 0.
Les valeurs propres de f , qui sont par dfinition les racines du polynme unitaire
f , sont donc les racines du polynme unitaire 2 (a + d) + (ad bc). Ces deux
polynmes unitaires sont donc gaux. Toutes les assertions de la proposition en rsultent.
44
2.3.10
Dans cette sous-section, on suppose que K = Q ou que K = R et que f est un endomorphisme dun K-espace vectoriel E de dimension finie strictement positive. Nous
avons vu que dans ce cas, il est tout fait possible que f nadmette pas de vecteur
propre et donc quil ne puisse tre rduit comme dans les sous-sections prcdentes.
Nanmoins, f stend par linarit dans ce cas un endomorphisme du C-espace
vectoriel F de mme dimension que E obtenu en considrant les combinaisons linaires complexes dune base de E. En tant quendomorphisme de F , f admet une
rduction de Jordan. Dans la dmonstration de cette rduction, nous avons utilis
deux ingrdients fondamentaux :
1. Le fait que F se dcompose en sous-espaces propres gnraliss.
2. Le fait quun endomorphisme nilpotent admet une base adapte.
Le second de ces deux faits est gnral et demeure donc vraie pour E. Le premier en
revanche utilise de manire cruciale le fait quun polynme coefficients complexes
admet une racine complexe, mais aucune autre proprit du corps C. Il rsulte de
cette discussion que f admet une dcomposition de Jordan sur E la condition
suffisante (et bien sr ncessaire) que toutes ses valeurs propres en tant quendomorphisme de F soit dans K.
Dterminants
3.1
3.1.1
Dfinition 3.1. Soit E un K-espace vectoriel. Une forme linaire de E est un lment de Hom(E, K), cest--dire une application linaire coefficients dans K.
La projection selon la premire coordonnes dans la base canonique de K n et plus
gnralement la projection selon une coordonne quelconque sont des formes linaires
de K n . Lapplication qui a un polynme associe son n-ime coefficient est une forme
linaire de K[X]. Lvaluation x 7 f (x) en x U fix est une forme linaire de
lespace vectoriel C n (U, R) (pour U un ouvert de R).
45
Le fait que (bi ) soit une base implique alors que bi est bien dfini (car un vecteur
u admet une unique dcomposition comme combinaison linaire des bi ) et la dfinition dune combinaison linaire montre alors que bi est une application linaire. Par
construction, bi vrifie bien bi (bj ) = ij pour tout j {1, , n}. Pour montrer que
les bi forment une base, il suffit de montrer quil forme une famille libre. Soit donc
f=
n
X
i bi = 0
i=1
bi .
ev : E E
u 7 (f 7 f (u))
de E dans E . Soit (u, v, ) E 2 K et f E . Alors ev(u + v)(f ) = f (u +
v) = f (u) + f (v) = (ev(u) + ev(v))(f ) donc ev(u + v) = ev(u) + ev(v). De mme
ev(u)(f ) = f (u) = f (u) = ev(u)(f ) donc ev(u) = ev(u). Donc ev est une
application linaire. Soit u E non nul. Alors u appartient une base donc il existe
une forme linaire u vrifiant u (u) = 1 donc ev(u)(u ) 6= 0 donc ev(u) 6= 0. Par
contraposition, ev est donc injective. Les dimensions de E et E tant gale, ev est
un isomorphisme despaces vectoriels.
Lespace vectoriel E sappelle lespace vectoriel dual de E et la base (bi ) sappelle
la base duale de (bi ). Notons que la construction de bi dpend du choix de tous
,(b )
les bj , si bien qu strictement parler on devrait plutt crire bi j . Le noyau dune
forme linaire dun espace vectoriel de dimension finie n est un espace vectoriel de
dimension n 1 daprs le thorme du rang et sappelle un hyperplan de E (par
analogie avec les plans dans R3 ).
46
3.1.2
Formes bilinaires
Dfinition 3.3. Soit E un K-espace vectoriel. Une forme bilinaire de E est une
application
(|) : E E K
qui est linaire par rapport aux deux variables ; cest--dire que pour tout (u, v) E 2 ,
les applications (u|) et (|v) sont des formes linaires.
Une forme bilinaire est symtrique lorsque (u|v) = (v|u) pour tout (u, v) K 2 .
Elle est antisymtrique lorsque (u|v) = (v|u) pour tout (u, v) K 2 . Elle est dfinie
lorsque (u|u) 6= 0 pour tout u K.
3.1.3
Formes multilinaires
Dfinition 3.4. Soit E un K-espace vectoriel. Une forme n-linaire de E est une
application
(, , ) : E n K
qui est linaire par rapport aux n variables ; cest--dire que pour tout j et pour tout
(ui )1in1 E n1 , lapplication
j : E K
uj 7 (u1 , , uj , , un1 )
est une forme linaire. Une forme multilinaire est une forme n-linaire pour un
certain n.
Une forme n-linaire est symtrique lorsque pour tout (i, j) {1, , n}2 et
toute famille (us )1sn de E,
(u1 , , ui , , uj , , un ) = (u1 , , uj , , ui , , un ).
Une forme n-linaire est antisymtrique lorsque pour tout (i, j) {1, , n}2 et
toute famille (us )1sn de E,
(u1 , , ui , , uj , , un ) = (u1 , , uj , , ui , , un ).
(3.1.1)
Une forme n-linaire est alterne lorsque (u1 , , un ) = 0 ds lors que ui = uj pour
i 6= j.
Lemme 3.5. Une forme n-linaire alterne est antisymtrique. Si K = Q, R ou C,
une forme multilinaire antisymtrique est alterne.
Dmonstration. Soit une forme multilinaire. Supposons alterne et fixons une
paire dindices (i, j). La forme bilinaire obtenue en fixant toutes les vecteurs sauf
ceux dindices i ou j est alterne, et il suffit de montrer quelle est antisymtrique.
Or
0 = (u + v, u + v) = (u, v) + (v, u)
47
des ui dont tous les coefficients ne sont pas nuls et dont on peut donc supposer sans
perte de gnralit que les coefficients j est gal 1. Donc
!
X
X
((ui )) = u1 , , i uu , , un = i (u1 , , ui , , un )
i6=j
i6=j
Pour tout i 6= j, deux des vecteurs de (u1 , , ui , , un ) sont gaux car ui est en
position j. Donc (u1 , , ui , , un ) = 0 et il en est donc de mme pour ((ui )).
Cette proposition admet une rciproque qui est nanmoins nettement plus difficile
dmontrer. Commenons par une dfinition.
Dfinition 3.7. Soit Sn une permutation, cest--dire une bijection de {1, , n}
vers lui-mme. Soit n() le nombre dchange ncessaires pour transformer le n-uplet
((1), (2), , (n)) en (1, 2, , n) si lon procde de la manire suivante : si les j
premiers lments sont dans lordre voulu, on change si ncessaire j + 1 et (j + 1).
Soit () lentier (1)n() .
Par exemple, si est la permutation telle que ((1), (2), (3)) soit gal (2, 3, 1),
alors le procd de la dfinition 3.7 transforme (2, 3, 1) en (1, 3, 2) puis en (1, 2, 3)
donc ncessite deux changes. Donc () = (1)2 = 1. Si maintenant est la
permutation (1, 3, 5, 2, 4), le procd de la dfinition 3.7 transforme (1, 3, 5, 2, 4) en
(1, 2, 5, 3, 4) puis en (1, 2, 3, 5, 4) puis en (1, 2, 3, 4, 5) donc ncessite 3 changes. Donc
() = (1)3 = 1. On peut dmontrer que () ne dpend en fait pas de la faon
de rarranger le n-uplet ((1), , (n)) mais nous naurons pas besoin de ce fait.
48
n
X
ij bi
i=1
n
X
n
n
X
X
i1 bi , ,
ij bj , ,
in bi
i=1
i=1
!
.
i=1
n
n
n
X
X
X
((ci )) = i1 1 bi1 , ,
ij j bij , ,
in n bin
i1 =1
Donc
((ci )) =
n
X
ij =1
i1 1 bi1 ,
i1 =1
n
X
i2 2 bi2 , ,
i2 =1
n i=1
n
X
ij j bij ,
ij =1
n
X
in n bi
in =1
et plus gnralement
((ci )) =
n
X
i1 =1
n
X
!
n
Y
ij j ((bij )) .
in =1
j=1
(3.1.2)
La forme n-linaire tant alterne, ((bij )) = 0 sauf si tous les ij sont distincts,
ou de manire quivalente sauf si j 7 ij est une bijection de lensemble {1, , n}
vers lui-mme. Les termes non-nuls de la somme du membre de droite de (3.1.2) sont
donc les termes de la forme
n
Y
(j)j ((b(j)j ))
j=1
o est une bijection de {1, , n}2 . Notons Sn lensemble de ces bijections. Alors
n
XY
(j)j ((b(j) )).
((ci )) =
Sn j=1
49
Maintenant, on peut rordonner les b(j) en permutant, si ncessaire, b(1) avec b1 , puis
b(2) avec b2 et ainsi de suite. Comme dans la dfinition 3.7, notons () {1, 1}
le signe tel que
((b(j) )) = ()((bj ))
par le procd de cette dfinition. On obtient finalement
!
n
X
Y
(c1 , c2 , , cn ) =
() (j)j (b1 , b2 , , bn ).
j=1
Sn
Donc (b1 , , bn ) 6= 0.
Pour montrer, la dernire assertion, il suffit de remarquer que si ((bi )) = ((bi ))
alors
((ci )) = 0 = ((ci ))
pour toute famille lie (ci ) tandis que
!
n
Y
X
() (j)j (b1 , b2 , , bn ) =
((ci )) =
Sn
j=1
et
((ci )) =
n
Y
() (j)j
Sn
j=1
n
Y
() (j)j
Sn
j=1
!
(b1 , b2 , , bn )
!
(b1 , b2 , , bn )
3.2
Dterminants
()
Sn
n
Y
a(j)j .
j=1
50
Exemples :
1. Soit M = a M1 (K) ' K. Alors det(M ) = a.
a b
2. Soit M = (mij ) =
M2 (K). Alors
c d
det(M ) = m(1)1 m(2)2 m (1)1 m (2)2
pour gal lidentit et lunique autre bijection de {1, 2} vers lui-mme,
savoir (1) = 2 et (2) = 1. Donc
det(M ) = ad bc.
3. Soit M = (ij ) la matrice de lidentit. La seule bijection de {1, , n} vers
lui-mme telle que
n
Y
(j)j 6= 0
j=1
est lidentit et dans ce cas, ce produit vaut 1 donc det(M ) = 1. Plus gnralement, le dterminant de M = (ij ) est gal n . Plus gnralement encore,
si M est une matrice diagonale avec des i sur la diagonale, alors
n
Y
det(M ) =
i .
i=1
4. Plus gnralement encore, la seule permutation qui vrifie (i) i pour tout
i {1, , n}2 ou (i) i pour tout i {1, , n}2 est lidentit donc
det(M ) =
n
Y
i
i=1
Dmonstration. Nous dmontrons toutes les assertions par rcurrence. Elles sont
toutes vraies si n = 1. Supposons maintenant que n soit strictement suprieur 1
et que toutes les assertions au sujet de n1 soient vraies pour toutes les matrices
M Mn1 (K). Supposons toutes les colonnes fixes sauf la colonne j qui est gale
au vecteur u. Alors
n (u1 , , uj , , un ) = (j A) =
n
X
(1)i+1 ij a1i n1 (j A1i ) = n (A)
i=1
n
Y
() a(i)i
Sn
i=1
si A est la matrice dune famille (bi ) dans la base canonique. Donc n = det.
Exemple : Le dterminant de la matrice
a b c
d e f
g h i
est gal aei af h bdi + bf g + cdh ceg.
Nous avons maintenant deux dfinitions potentielles du dterminant dune matrice
carre. Dune part on peut utiliser la dfinition 3.9, ou bien on peut choisir un
endomorphisme de Cn dont la matrice dans la base canonique de Cn est M et calculer
det(f ). Les calculs prcdents montrent que ces deux dfinitions coincident lorsque
M est une matrice triangulaire suprieure ou bien lorsque n = 2. Le thorme suivant
assure quil en est toujours ainsi.
52
i=1
Dfinition 3.11. La transpose t A dune matrice A = (aij ) Mn,m (K) est la matrice (t aij ) = (aji ) Mm,n (K).
Lemme 3.12. Soit (A, B) Mn (K)2 . Alors t (AB) = t B t A. En particulier, si A
t
Mn (K) est inversible alors t A est inversible et (t A)1 = (A1 ).
Dmonstration. Soit A = (aij ), B = (bij ) et AB = (cij ).
n
n
n
X
X
X
t
(cji ) =
ajk bki =
bki ajk =
bik t akj = (bji )(aji )
k=1
k=1
k=1
t
Si A est inversible, alors AA1 = Idn donc (A1 ) t A = t Idn = Idn donc t A est
inversible et (t A)1 = t (A1 ).
53
n
X
(3.2.1)
(3.2.2)
j=1
n
X
i=1
n
X
i=1
Donc
det(A) =
n
X
i=1
3.3
54
Proposition 3.16. Soit A Mn (K) une matrice. Alors A est inversible si et seulement si det(A) 6= 0. Dans ce cas, son inverse est la matrice
1 t
A = (bij )
det(A)
dfinie par
bij = (1)i+j
det(Aji )
det(A)
k=1
donc est daprs le corollaire 3.14 gal au dterminant de la matrice dont toutes
les lignes sont gales celles de A sauf la ligne j qui est remplac par la ligne
i de A (dvelopp selon la ligne i). Lorsque i 6= j, cette matrice a deux lignes
identiques et son dterminant est donc nul. Lorsque i = j, cette matrice est gale
A et son dterminant est donc gal det(A). On a donc bien bij = ij et A1 =
t
A / det(A).
Exemple : Soit M la matrice
1 2 3
5 0 1 .
2 2 2
Alors det(M ) = 8 donc M est inversible et son inverse est gal
2
2 2
1
M 1 = 12 4 16 .
8
10
2 10
Soit N la matrice
1 2 2 0
1 2
0 0
1 1 0 0 .
1
0
0 1
1
0
N 1 =
1
2
0
2
4 0
2
2 0
.
1 0 0
2 4 2
55
a x + a x + + a x = u
2,1 1
2,2 2
2,n n
2
(3.3.1)
1 X
(1)i+k det(Aki )uk .
xi =
det(A) k=1
Donc xi = det(bk` ) pour
(
ak` si ` 6= i
bk` =
uk si ` = i
1 X
(1)i+k det(Aki )uk
xi =
det(A) k=1
daprs la proposition 3.16. Daprs le corollaire 3.14, xi est donc gal au dterminant
de la matrice dont toutes les colonnes sont gales A sauf la colonne i qui est gale
U (dvelopp selon la colonne i) divis par le dterminant de A.
Exemple : Soit (S) le systme dquations linaires
x3 = u1 u3
Il est important de remarquer que le dterminant est un outil thorique intressant
pour rsoudre les systmes mais quen pratique il ne faut jamais lutiliser. En effet,
la mthode de rsolution ncessite de calculer n + 1 dterminants pour rsoudre un
systme de n quations, et ceci requiert toujours beaucoup plus de calculs que la
mthode par rduction.
56
3.4
Dfinition 3.18. Une fonction polynomiale P valeurs dans K est une fonction de
K vers K telle quil existe des scalaires (as )0sn tels que
P () =
n
X
as s
s=0
det( Id f ) =
( )
Spec(f )
4
4.1
4.1.1
Dfinition 4.1. Soit E un R-espace vectoriel. Une forme bilinaire (|) sur E est
positive si (u|u) 0 pour tout u E. Elle est dfinie si (u|u) = 0 seulement si
u = 0.
Un espace vectoriel euclidien E est un R-espace vectoriel de dimension finie n muni
dune forme (|) bilinaire symtrique, dfinie et positive. La forme bilinaire symtrique dfinie positive dun espace vectoriel euclidien est appel le produit scalaire
euclidien de cet espace. Le produit scalaire dun vecteur u E avec lui-mme est un
rel positif dont la racine carre est appele la norme de ce vecteur et est note kuk.
Par dfinition, la norme dun vecteur non-nul est un rel strictement positif.
Exemple : Lexemple fondamental despace euclidien est lespace vectoriel Rn muni
de la forme (|) dfinie par
n
X
(u|v) =
ui vi
i=1
o
u=
n
X
n
X
ui ei , v =
vi ei
i=1
i=1
n
et (ei )1in est la base canonique de R . Cet exemple est tellement important que
nous le promouvons au rang de thorme de ce cours.
Thorme 4.1. Soit n 1. Lespace Rn muni de la forme
(|) :
Rn Rn
R
n
X
((ui ), (vi )) 7
ui vi
i=1
n
X
(ui + vi )wi =
i=1
n
X
ui wi +
i=1
et
(u|v) =
n
X
n
X
vi wi = (u|w) + (v|w)
i=1
ui vi = (u|v)
i=1
n
X
ui vi =
i=1
n
X
i=1
58
vi ui = (v|u)
on dduit que (u|u) 0 et que (u|u) = 0 seulement si tous les ui sont nuls, et donc
seulement si u = 0.
Le produit scalaire de Rn du thorme 4.1 est appel le produit scalaire canonique
de Rn . Notons tout de mme que le produit scalaire canonique de Rn nest pas le
seul produit scalaire dfini sur Rn qui fasse de Rn un espace vectoriel euclidien. A
titre dexemple, on peut considrer
< , > :
Rn Rn
R
n
X
((ui ), (vi )) 7
2i ui vi
i=1
et vrifier quil sagit bien dune forme bilinaire symtrique dfinie positive. Un
exemple essentiellement diffrent est la forme bilinaire
Z 1
P (x)Q(x)dx
(P, Q) 7
0
4.1.2
Lingalit de Cauchy-Schwarz
59
(4.1.1)
Dmonstration. Soit (u, v) E 2 . Supposons tout dabord que lun des vecteurs u
ou v est nul. Alors les deux membres de lingalit (4.1.1) sont nuls donc lingalit
est vraie, est en fait une ingalit et (u, v) est bien une famille lie. Maintenant, on
suppose que lun des deux vecteurs, disons v, est non-nul. Considrons la fonction
f : R R dfinie par
f (t) = (u + tv|u + tv).
Alors
f (t) = (u|u) + 2t(v|u) + t2 (v|v)
donc f est une fonction polynomiale du second degr exactement. La forme bilinaire
(|) est dfinie positive donc f (t) 0 pour tout t R et f (t) = 0 si et seulement
si u + tv = 0. Donc 4(u|v)2 4(u|u)(v|v) 0 et 4(u|v)2 4(u|u)(v|v) = 0 si et
seulement sil existe t R tel que u + tv = 0 ; cest--dire si et seulement si (u, v) est
une famille lie. En prenant la racine carre, on obtient bien
|(u|v)| kukkvk
avec galit si et seulement si (u, v) est une famille lie.
Corollaire 4.3. Soit (u, v) E 2 . Alors
ku + vk kuk + kvk
avec galit si et seulement si (u, v) est une famille lie.
Dmonstration. Soit (u, v) E 2 . Par dfinition de la norme, linarit de (|) et par
lingalit (4.1.1) de Cauchy-Schwarz, on obtient
ku + vk2 = (u + v|u + v)
= (u|u) + (v|v) + 2(u|v)
kuk2 + kvk2 + 2kukkvk
= (kuk + kvk)2
et on conclut en prenant les racines carres des deux membres. Ces ingalits sont
des galits si et seulement si lingalit de Cauchy-Schwarz est une galit donc si
et seulement si (u, v) est une famille lie.
4.1.3
Dfinition 4.4. Une famille (bi )1im dun espace vectoriel euclidien de produit
scalaire (|) est orthogonale si (ei |ej ) = 0 si i 6= j. Elle est normale si (ei |ei ) = 1 pour
tout i. Elle est orthonormale si elle est orthogonale et normale, donc si (ei |ej ) = ij
pour tout 1 i, j m.
La base canonique est orthonormale pour le produit scalaire canonique de Rn . Soit
(bi )1in une base orthonormale de lespace vectoriel euclidien E et soit
n
X
u=
i bi E.
i=1
60
Alors
2
kuk = (u|u) =
n X
n
X
n
X
i j (bi |bj ) =
i2
i=1 j=1
(4.1.2)
i=1
X
i bi .
i=1
n
X
i (bi |bj ) = j
i=1
61
Dmonstration. Sil existe une base orthogonale comme dans la proposition, en normaliser les vecteurs produira une base orthonormale comme dans la proposition et la
proposition sera donc dmontre. Il suffit donc de montrer quil existe une base orthogonale (b1 , , bm ) de Vect(v1 , , vm ). Dmontrons le par rcurrence sur m. Soit
m = 1 et la condition dorthogonalit est vide, donc satisfaite. Supposons maintenant que lespace vectoriel engendr par une familles libre de cardinal au plus m 1
admette une base orthonormale et soit (v1 , , vm+1 ) une famille libre. Il existe une
base orthonormale (bi ) de Vect(v1 , , vm ) par lhypothse de rcurrence donc il suffit de montrer quil existe un vecteur non-nul bm+1 orthogonal aux bi tel que vm+1
appartienne Vect(bi )1im+1 . Soit
bm+1 = vm+1
m
X
i=1
. Alors vm+1 appartient Vect(b1 , , bm+1 ). La famille des vi tant libre, vm+1
nappartient pas Vect(v1 , , vm ) donc Vect(b1 , , bm ) donc bm+1 est non-nul.
Soit 1 j m un entier.
(bm+1 |bj ) = (vm+1 |bj )
m
X
i=1
par bilinarit de (|) et orthonormalit de la famille (bi )1im . Donc bm+1 est orthogonal tous les bi .
La famille orthonormale que lon obtient partir de la famille libre (vi ) par le
procd de la proposition prcdente sappelle la famille de Gram-Schmidt associe
(vi ).
4.1.4
\
uF
62
ker(u|)
i=m+1
4.2
4.2.1
Endomorphisme adjoint
Dfinition
: End(E) End(E)
f
7 f
est un isomorphisme de lespace vectoriel End(E) qui est son propre inverse. Si
(f, g) End(E)2 , alors (f g) = g f . En particulier, la compos de deux endomorphismes auto-adjoints qui commutent est un endomorphisme auto-adjoint. Si f
est auto-adjoint, tout polynme dendomorphisme en f est auto-adjoint.
Dmonstration. Soit (f, g, ) End(E)2 R et soit (u, v) E 2 . Alors
((f + g)(u)|v) = (f (u) + g(u)|v) = (f (u)|v) + (g(u)|v)
= (u|f (v)) + (u|g (v)) = (u|f (v) + g (v))
donc (f + g) = f + g . De mme
(f (u)|v) = (f (u)|v) = (u|f (v)) = (u|f (v))
donc (f ) = f . Donc est une application linaire de End(E) vers lui-mme.
Pour montrer que est un isomorphisme, il suffit donc de montrer que cest une
injection. Soit donc f dans le noyau de et u E. Alors (u|f (f (u))) = 0 donc
(f (u)|f (u)) = 0 donc f (u) = 0. Donc f est lendomorphisme nul. Enfin, soit (u, v)
E 2 . Alors (f (u)|v) = (u|f (v)) = (f (u)|v) donc f (u) f (u) est dans lorthogonal
de E, donc est nul. Donc f = f .
Soit maintenant (f, g) End(E)2 et (u, v) E 2 . Alors (f (g(u))|v) = (g(u)|f (v)) =
(u|g (f (v))) donc (f g) = g f . Si f et g sont auto-adjoints et commutent, alors
(f g) = g f = gf = f g donc f g est auto-adjoint. Un polynme dendomorphismes
en f est une combinaison linaire de puissances de f donc est auto-adjoint si f lest
par lassertion prcdente et par linarit de ladjonction.
Notons que f est orthogonal si et seulement si (f (u)|f (v)) = (u|v) pour tout
(u, b) E 2 , donc si et seulement si f prserve le produit scalaire.
Proposition 4.13. Un endomorphisme f est orthogonal si et seulement sil prserve
la norme ; cest--dire si et seulement si kf (u)k = kuk pour tout u E. En particulier, f est orthogonal si et seulement si limage dune base orthonormale par f est
une base orthonormale.
Dmonstration. Soit u E et f End(E). Si f est orthogonal, alors
kf (u)k = (f (u)|f (u)) = (u|u) = kuk
donc f prserve la norme. Rciproquement, supposons que f prserve la norme et
soit (u, v) E 2 . Alors
(u|v) =
n
X
i ei E.
i=1
Alors kuk2 =
n
P
i=1
f (u) =
n
X
i f (ei )
i=1
n
P
i2
i=1
nouveau par lquation (4.1.2). Donc kf (u)k = kuk et f est donc orthogonal daprs
la premire partie de la preuve.
4.2.2
n
X
aij bi
i=1
f (bj ) =
n
X
aij bi
i=1
4.3
4.3.1
p
m
Y
Y
(X i ) (X 2 + i X + i )
i=1
i=1
i=1
est lendomorphisme nul de E, donc nest en particulier pas injectif. Nous voulons
montrer que lun des endomorphismes f i Id nest pas injectif. Il suffit donc de
dmontrer que les endomorphismes f 2 +i f +i Id sont injectifs pour tout 1 i p.
Soit donc u E un vecteur non-nul. Alors
((f 2 + i f + i Id)(u)|u) = (f 2 (u)|u) + i (f (u)|u) + i (u|u)
= kf (u)k2 + i (f (u)|u) + i kuk2
Daprs lingalit (4.1.1) de Cauchy-Schwarz
(f (u)|u) kf (u)kkuk
donc
|i |(f (u)|u) |i |kf (u)kkuk
donc
((f 2 + i f + i Id)(u)|u) kf (u)k2 |i |kf (u)kkuk + i kuk2
2
i2
|i |
kuk + i
kuk2
= kf (u)k
2
4
Donc ((f 2 + i f + i Id)(u)|u) est la somme dun carr et du produit du rel stricte2
ment positif kuk2 et du rel strictement positif i 4i . Donc ((f 2 + i f + i Id)(u)|u)
est strictement positif et (f 2 + i f + i Id)(u) est donc non-nul.
67
Proposition 4.17. Soit u et v deux vecteurs propres dun endomorphisme autoadjoint f pour des valeurs propres distinctes. Alors (u|v) = 0. Le noyau et limage
de f sont orthogonaux
Dmonstration. En effet (f (u)|v) = (u|v) = (u|f (v)) = (u|v) donc ( )(u|v) =
0 donc (u|v) = 0. Soit maintenant u dans le noyau et v dans limage de f . Il existe
alors w E tel que v = f (w). Donc (u|v) = (u|f (w)) = (f (u)|w) = (0|w) = 0.
4.3.2
ker(f Id) admet une base orthonormale daprs la proposition 4.6. Lunion de ces
bases est une base de E orthonormale de vecteurs propres pour f .
Dmonstration. Montrons que E admet une base orthonormale de vecteurs propres
pour f par rcurrence sur la dimension de E. Soit E est de dimension 1 et nimporte
quelle base convient. Maintenant on suppose lassertion vraie pour tous les endomorphismes auto-adjoints despaces euclidiens de dimension au plus n et on suppose
que E est de dimension n + 1. Daprs la proposition 4.16, f admet un vecteur
propre v que lon peut normaliser afin quil soit de norme 1. Soit u Vect(v) . Alors
(f (u)|v) = (u|f (v)) = (u|v) = (u|v) = 0 donc Vect(v) est stable par f . Donc E
admet une dcomposition en sous-espaces stables
E = Vect(v) Vect(v).
La restriction de f Vect(v) est diagonalisable en base orthonormale par hypothse
de rcurrence, donc f est diagonalisable et la base obtenue en ajoutant v la base
de Vect(v) est bien orthonormale.
68
5.1
Projecteur
Dfinition et rduction
Projection orthogonale
5.2
5.2.1
Symtrie
Dfinition et rduction
Symtrie orthogonale
Supposons de plus que E est un R-espace vectoriel euclidien. Soit s une symtrie
de E telle que F = G (ou de manire quivalente telle que F G ). Alors s est
auto-adjoint. Soit (u, v) E 2 . Alors (s(u)|s(v)) = (u|s2 (v)) = (u|v). Donc s est
galement orthogonal. Rciproquement, si s est un endomorphisme auto-adjoint et
symtrique alors s = s et s = s1 donc s = s1 donc s2 = Id et s est une symtrie
auto-adjointe. Les symtries orthogonales, cest--dire les symtries par rapport G
paralllement G , sont donc les endomorphismes orthogonaux auto-adjoints.
5.3
Rotation
Dans cette sous-section, E est lespace euclidien R2 muni du produit scalaire canonique.
5.3.1
Dfinition et rduction
= 1
2 + 2 = 1
+ = 0.
La seule solution de ces systme est (, ) = ( sin , cos ).
5.4
5.4.1
Dfinition et rduction
Dfinition 5.7. Un endomorphisme f de E est dordre fini sil existe n > 0 tel que
f n = Id.
Proposition 5.8. Soit f un endomorphisme f dordre fini. Alors f est diagonalisable
et son spectre est inclus dans { C| n = 1}.
Dmonstration. Soit C une racine du polynme X n 1. Alors 6= 0 donc
nn1 6= 0 donc nest pas une racine du polynme nX n1 donc nest pas une
racine double du polynme X n 1. Le polynme X n 1 est donc racines simples et
annule f . Donc lendomorphisme f est diagonalisable et son spectre est inclus dans
{ C| n = 1} daprs la proposition 2.18.
5.4.2
Permutation
71