Les Mathmatiques pour lAgrgation

C. Antonini J.-F. Quint P. Borgnat J. Brard E. Lebeau E. Souche A. Chateau O. Teytaud 24 avril 2002

Table des matires

1 Algbre linaire 1.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Applications linaires . . . . . . . . . . . . . . . . . . . . . . 1.3 Somme de sous-espaces vectoriels . . . . . . . . . . . . . . . 1.3.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . 1.3.2 Espaces supplmentaires . . . . . . . . . . . . . . . . 1.4 Espace vectoriel quotient . . . . . . . . . . . . . . . . . . . . 1.4.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . 1.4.2 Application aux applications linaires . . . . . . . . . 1.5 Translations - espaces afnes . . . . . . . . . . . . . . . . . . 1.6 Familles libres. Familles gnratrices. Bases . . . . . . . . . . 1.6.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . 1.6.2 Applications aux applications linaires . . . . . . . . 1.6.3 Applications aux sous-espaces vectoriels . . . . . . . 1.7 Dualit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.7.1 Dnitions et premires proprits. Le dual et le bidual 1.7.2 Orthogonalit . . . . . . . . . . . . . . . . . . . . . . 1.8 Transposition . . . . . . . . . . . . . . . . . . . . . . . . . . 1.9 K-algbres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.9.1 Dnitions et gnralits . . . . . . . . . . . . . . . . 1.10 Rsultats dalgbre linaire . . . . . . . . . . . . . . . . . . . 1.11 Exercices dalgbre linaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 6 7 7 8 11 11 11 12 13 13 14 14 15 15 15 16 16 16 17 17 18 19 22 23 23 24 25 26 27 27 29 34 40 42

Algbre multilinaire 2.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Algbre multilinaire et topologie . . . . . . . . . . . . . . . . . . . 2.3 Dterminants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1 Dterminant dune famille de vecteurs . . . . . . . . . . . . . 2.3.2 Dterminant dun endomorphisme . . . . . . . . . . . . . . . 2.3.3 Dterminant dune matrice . . . . . . . . . . . . . . . . . . . 2.3.4 Pratique du calcul dun dterminant ; dveloppement suivant une ligne ou une colonne . . . . . . . . . . . . . . . . . . . . 2.4 Algbre bilinaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.1 Formes bilinaires . . . . . . . . . . . . . . . . . . . . . . . 2.4.2 Formes quadratiques . . . . . . . . . . . . . . . . . . . . . . 2.4.3 Formes quadratiques relles . . . . . . . . . . . . . . . . . . 2.4.4 Formes quadratiques complexes . . . . . . . . . . . . . . . . 2.5 Zoologie des dterminants . . . . . . . . . . . . . . . . . . . . . . . 1

www.L es-M athematiques.net

2.6 3

2.5.1 Dterminant dordre 2 . . . . . . . . . . . 2.5.2 Dterminant dordre 3 . . . . . . . . . . . 2.5.3 Dterminant de Vandermonde . . . . . . . 2.5.4 Dterminant dune matrice de permutation 2.5.5 Dterminant circulant droit . . . . . . . . . 2.5.6 Dterminant de Mi,j = inf {i, j} . . . . . Zoologie de lalgbre bilinaire . . . . . . . . . . . 2.6.1 Procd dorthogonalisation de Gauss . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

42 42 43 44 44 45 46 46 47 47 49 51 54 55 57 60 61 61 62 66 70 70 70 71 73 74 74 78 78 79 79 81 81 83 83 85 86 86 86 87 88 89 91 95 95 95 96 96

Espaces prhilbertiens et espaces de Hilbert 3.1 Espaces prhilbertiens rels . . . . . . . . . . . . . . . . . . 3.2 Espaces prhilbertiens complexes . . . . . . . . . . . . . . 3.3 Espaces prhilbertiens . . . . . . . . . . . . . . . . . . . . 3.4 Espaces de Hilbert . . . . . . . . . . . . . . . . . . . . . . 3.4.1 Projection dans un espace de Hilbert . . . . . . . . . 3.4.2 Bases hilbertiennes . . . . . . . . . . . . . . . . . . 3.4.3 Quelques utilisations des espaces de Hilbert . . . . . 3.5 Espaces euclidiens . . . . . . . . . . . . . . . . . . . . . . 3.5.1 Les bases . . . . . . . . . . . . . . . . . . . . . . . 3.5.2 Endomorphisme adjoint . . . . . . . . . . . . . . . 3.5.3 Orientation dun espace euclidien . . . . . . . . . . 3.5.4 Formes quadratiques sur un espace euclidien . . . . 3.6 Espaces hermitiens . . . . . . . . . . . . . . . . . . . . . . 3.6.1 Dnition et premires proprits . . . . . . . . . . 3.6.2 Adjoint dun endomorphisme dun espace hermitien 3.6.3 Formes quadratiques sur un espace hermitien E . . .

Algbre linaire en dimension nie 4.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Dualit en dimension nie . . . . . . . . . . . . . . . . . . . . 4.2.1 Dualit simple . . . . . . . . . . . . . . . . . . . . . . 4.2.2 Bidual . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.3 Orthogonalit . . . . . . . . . . . . . . . . . . . . . . . 4.3 Calcul matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.1 Bases sur les matrices . . . . . . . . . . . . . . . . . . 4.3.2 Espace vectoriel Mn,p (K) . . . . . . . . . . . . . . . . 4.3.3 Transposition de matrices . . . . . . . . . . . . . . . . 4.3.4 Le cas des matrices carres : la K-algbre Mn,p (K) . . 4.3.5 Changement de bases . . . . . . . . . . . . . . . . . . . 4.3.6 Groupe linaire et groupe spcial linaire . . . . . . . . 4.3.7 Groupe orthogonal rel et groupe spcial orthogonal rel 4.3.8 Rang dune matrice . . . . . . . . . . . . . . . . . . . . 4.3.9 Matrices quivalentes, matrices semblables . . . . . . . 4.3.10 Cofacteurs . . . . . . . . . . . . . . . . . . . . . . . . 4.4 Oprations sur les lignes et les colonnes . . . . . . . . . . . . . 4.5 Matrices par blocs . . . . . . . . . . . . . . . . . . . . . . . . . 4.5.1 Produit par blocs . . . . . . . . . . . . . . . . . . . . . 4.5.2 Inverse par blocs . . . . . . . . . . . . . . . . . . . . . 4.5.3 Dterminant par blocs . . . . . . . . . . . . . . . . . . 4.6 Exercices sur les matrices . . . . . . . . . . . . . . . . . . . . . 2

www.L es-M athematiques.net

Zoologie sur les matrices et leurs dterminants . . . . . . . . . . . . . 96 Zoologie de la dualit en dimension nie . . . . . . . . . . . . . . . . 97 4.8.1 Polynmes de Lagrange . . . . . . . . . . . . . . . . . . . . 97 4.8.2 Dnition dun sous-espace vectoriel par une famille dquations 98 4.9 Approximation de fonctions holomorphes par des fractions rationnelles 98 4.10 Endomorphismes semi-simples . . . . . . . . . . . . . . . . . . . . . 102 5 Rduction des endomorphismes 5.1 Le cas gnral . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2 Le cas de la dimension nie . . . . . . . . . . . . . . . . . . . . 5.3 Applications de la rduction dun endomorphisme . . . . . . . . 5.3.1 Application au calcul dun polynme dendomorphisme 5.3.2 Application aux suites rcurrentes linaires . . . . . . . 5.3.3 Calcul dexponentielle de matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 106 107 114 114 115 116

4.7 4.8

Chapitre 1

Algbre linaire
1.1 Gnralits
Dnition 1 (Espace vectoriel) (E, +, .) est un K-espace vectoriel si (E, +) est un groupe ablien . est une application de K E dans E (, , x, y) ( + )x = .x + .x .(x + y) = .x + .y (.).x = .(.x) 1.x = x Les lments de E sont appels vecteurs, les lments de K sont appels oprateurs ou scalaires. Le neutre pour + est not 0. . est appel produit externe. Des exemples classiques sont : les vecteurs dans le plan ou lespace usuel, le corps K lui-mme avec pour produit externe le produit usuel, les polynmes sur K, ventuellement plusieurs indtermines ou de degr born ; comme on le verra un peu plus loin avec les espaces produits, Kn muni des lois que lon verra est un K-espace vectoriel ; lensemble RN des suites relles (resp. complexes) aussi. Les proprits suivantes sont importantes : 0.x = 0 .0 = 0 .x = 0 = 0 x = 0 ().x = .(x) = (.x) .(x y) = .x .y ( )x = .x .x

Dnition 2 (Diffrentes notions dans un espace vectoriel) On appelle segment dextrmits x et y dans un R-espace vectoriel lensemble des t.x + (1 t).y pour t [0, 1]. (la dnition stend au cas dun C-espace vectoriel en utilisant t rel dans [0, 1]). Une partie A dun K-espace vectoriel (avec K = R ou K = C) est dite convexe si tout segment dextrmits dans A est inclus dans A. Etant donne A une partie convexe dun K-espace vectoriel une application f de A dans R est dite convexe si tant donns x et y dans A et t dans [0, 1] on a f (t.x + (1 t).y) t.f (x).(1 t).f (y). f est alors dite concave. Proprits : Lintersection de deux convexes est un convexe. Une boule ouverte est convexe. Une boule ferme est convexe. Un segment est convexe. Une application f est convexe si lensemble des (x, f (x)) est convexe dans le produit A R. Une application convexe sur un intervalle ]a, b[ est continue x ex , x xn sont convexes. x ln(x) est concave. La notion de partie convexe est ncssaire pour dnir les fonctions convexes, dont on verra une foultitude dapplications en partie??. Cela servira aussi par exemple pour les rsultats ?? (thorme de Cauchy), et surtout pour les thorme de HahnBanach(??) (aux multiples applications !). Une utilisation amusante de la convexit stricte sera donne avec le rsultat ??. Proposition 3 (Connexit dans un R-espace vectoriel norm ) Une partie ouverte dun R-espace vectoriel norm est connexe si et seulement si elle est connexe par arcs si et seulement si entre tout x et tout y de cette partie il existe une ligne brise. Dmonstration : Il est clair que lexistence dune ligne brise implique lexistence dun chemin (donc la connexit par arcs) qui implique son tour la connexit. Il suft donc de montrer que la connexit implique lexistence dune ligne brise. On se donne U une telle partie, connexe, suppose non vide (sinon le problme est trivial) On se donne x0 dans U On note V lensemble des x que lon peut joindre x0 par une ligne brise. V est non vide (il contient x0 ) V est ouvert (si x est dans V , alors B(x, ) U pour assez petit, et donc B(x, ) V - car dans toute boule est convexe). V est ferm ; en effet soit x dans U adhrent V , alors il existe une boule ouverte centre sur x intersectant V , donc x est dans V - car toute boule est convexe. V , ferm, ouvert, non vide dun connexe U , est gal U .

La gure 1.1 illustre cette dmonstration.

U x0 x y
F IG . 1.1 Illustration de la proposition 3. x est suppos dans V , y dans ladhrence de V. Proposition 4 (Distance dans un connexe ouvert dun R-espace vectoriel norm ) Soit U un ouvert connexe dun R-espace vectoriel norm . Si on note d(x, y) linf des longueurs des lignes brises joignant x y, alors d est une distance et dnit la mme topologie que la norme. Dmonstration : pas difcile du tout !

Dnition 5 (Espace vectoriel produit) Le produit de n espaces vectoriels, muni de laddition terme terme et avec pour multiplication .(x1 , ..., xn ) = (.x1 , ..., .xn ) est un espace vectoriel. On lappelle espace vectoriel produit.

Thorme 6 Lensemble des fonctions de A dans E, not E A , avec E Kespace vectoriel, est un K-espace vectoriel. La somme de deux fonctions est la fonction qui un lment associe la somme des deux images, et le produit dun scalaire par une fonction est la fonction qui un vecteur associe le produit du scalaire par limage de ce vecteur.

Dmonstration : La preuve est pas bien difcile...

Dnition 7 (Sous-espaces vectoriels) Une partie dun espace vectoriel est un sous-espace vectoriel de cet espace lorsquelle est non vide, stable par addition et stable par multiplication par un scalaire. On note quon peut se contenter de vrier que la partie est non vide et que si et sont des scalaires et si x et y lui appartiennent, alors .x + .y appartient aussi lensemble.

Proposition 8 Un sous-espace vectoriel est un espace vectoriel, et un espace vectoriel inclus dans un espace vectoriel (et muni des lois induites bien sr) est un sous-espace vectoriel. Les polynmes de degr plus petit que n sont un sous-espace de lensemble des polynmes. Lespace des fonctions bornes sont un sous-espace vectoriel de lespace des fonctions de A dans R. Lensemble des suites bornes de K est un sous-espace de lespace des suites de K. Lensemble des suites presque nulles de K est aussi un sousespace vectoriel de lespace des suites de K.

Proposition 9 Une intersection quelconque de sous-espaces vectoriels est un espace vectoriel. Cela permet dintroduire la dnition suivante :

Dnition 10 (Sous-espace vectoriel engendr) On appelle sous-espace vectoriel engendr par une partie A lintersection de tous les sous-espaces vectoriels contenant A. On la note V ect (A).

1.2

Applications linaires
Dnition 11 (Application linaire) Une application f dun K-espace vectoriel vers un autre est une application linaire si : f (x + y) = f (x) + f (y) f (.x) = .f (x) Une application linaire est aussi appele morphisme despaces vectoriels, ou morphisme algbrique. Cest en particulier un morphisme de groupes. Une application linaire bijective est appele isomorphisme, une application linaire de E dans E est appele endomorphisme. Un endomorphisme qui est aussi un isomorphisme est appel automorphisme. Linverse dun isomorphisme est un isomorphisme, appel isomorphisme rciproque. On note L(E, F ) lensemble des morphismes de E dans F ; cest un sousespace vectoriel de F E . On note L(E) lensemble des endomorphismes de E. On note Isom(E, F ) lensemble des isomorphismes de E dans F . On note Aut(E) lensemble des automorphismes de E ; il est not GL(E) une fois quon la muni de la composition. GL(E) est un groupe, appel groupe linaire. La notation E F signie quil existe un isomorphisme de E dans F . Limage rciproque dun sous-espace vectoriel par une application linaire est un sous-espace vectoriel. On note Ker f et on appelle noyau de f limage rciproque de {0}, cest un sous-espace vectoriel. Une application linaire est injective si et seulement si son noyau est {0}. On notera que le noyau dune application linaire est le noyau du morphisme de groupes correspondant. On note Id la fonction identit de E ; cest une application linaire et un isomorphisme. On note Invf l ensembles des invariants de f ; Invf = Kerf Id. On note Oppf lensemble des vecteurs changs en leur oppos ; Oppf = Kerf + Id. On appelle homothtie de rapport dun espace vectoriel E lapplication x .x.

Quelques proprits : On peut se contenter pour vrier la linarit dune application dassurer que f (.x+ .y) = .f (x) + .f (y) Limage de 0 par une application linaire est 0. Lidentit est un automorphisme. Limage dun sous-espace vectoriel par une application linaire est un sous-espace vectoriel. On note Im f limage de f , cest un sous-espace vectoriel. La compose de deux applications linaires est une application linaire. Lapplication qui f associe g f (resp. f g) est un morphisme despaces vectoriels. Ker f Ker g f Img f = Img g f = 0 si et seulement si Im f Ker g Lapplication qui un polynme associe son polynme driv est un endomorphisme.

Dnition 12 On appelle n-ime itre de f la fonction f n . f est dit nilpotent si il existe n tel que f n = 0. Le plus petit n convenable est appel indice de nilpotence de f . On convient que lindice de nilpotence dune fonction non nilpotente est +. Proprits : Si f est un endomorphisme nilpotent, alors f Id et f + Id sont des automorphismes. Dnition 13 (Dnitions dans le cas dun espace vectoriel produit) On appelle k-ime projection canonique dun espace vectoriel produit E1 ... En lapplication qui x dans le produit associe sa composante dans Ek . On appelle k-ime injection canonique dun espace vectoriel produit E1 ... En lapplication qui x dans Ek associe (0, ..., 0, x, 0, ...0).

On notera que si fi est linaire de Ei dans Fi , alors (x1 , ..., xn ) (f1 (x1 ), ..., fn (xn )) est une application linaire ; son noyau est le produit des noyaux.

1.3
1.3.1

Somme de sous-espaces vectoriels

Gnralits

Dnition 14 (Somme de sous-espaces vectoriels) On se donne F1 , ..., Fn des sous-espaces vectoriels de lespace vectoriel E. Lapplication qui (x1 , ..., xn ) associe (x1 + x2 + ... + xn ) est une application linaire sur lespace produit F1 ... Fn . Limage de est appele somme des sous-espaces vectoriels F1 , ..., Fn , et est note F1 + ... + Fn ou i[1,n] Fi . Proprits : La somme des Fi contient tous les Fi . Lespace vectoriel engendr par lunion des Fi est leur somme. Dnition 15 (Somme directe de sous-espaces vectoriels) On dit que la somme de F1 , ..., Fn est une somme directe lorsque la fonction est injective. Au lieu de noter Fi on peut alors noter Fi Proprits : Cela revient dire que tout vecteur de lespace vectoriel somme scrit comme somme dun lment de F1 , dun lment de F2 , ... , dun lment de Fn , cette dcomposition tant unique. La somme est directe si et seulement si pour tout j Fj i=j Fi = {0}. On peut encore simplier ce critre ; la somme est directe si et seulement si pour tout

j Fj

i=1..j1

Fi = {0}.

1.3.2

Espaces supplmentaires

Gnralits Dnition 16 Deux sous-espaces vectoriels dun espace E sont dits supplmentaires lorsque leur somme est directe et gale E. Proprits : Deux espaces sont supplmentaires si et seulement si leur intersection est {0} et si leur somme est E. Deux espaces sont supplmentaires si lapplication (voir la dnition dune somme de sous-espaces vectoriels) est bijective. Deux sous-espaces vectoriels qui sont supplmentaires dun mme sous-espace vectoriel sont isomorphes - preuve en considrant la projection sur le supplmentaire en question par rapport lun des deux sous-espaces ; un espace supplmentaire du noyau est isomorphe limage, do le rsultat - les dnitions ncessaires arrivent plus bas). Exemples : Dans Kn , lespace vectoriel engendr par un vecteur (a1 , ..., an ) est supplmentaire de lespace vectoriel des (x1 , ..., xn ) tels que a1 .x1 + ... + an .xn = 0.

Applications aux applications linaires. Projections, symtries. Thorme 17 Deux applications linaires ayant les mmes restrictions deux espaces vectoriels supplmentaires sont gales. Etant donnes deux applications linaires dnies respectivement de F1 dans G et de F2 dans G, avec F1 et F2 deux supplmentaires de E, il existe une et une seule application linaire dont les restrictions F1 et F2 soient ces applications.

Proposition 18 Etant donn un sous-espace vectoriel H, f une application linaire, alors Ker f|H = Ker f H

Thorme 19 (Thorme noyau-image) Im f est isomorphe tout supplmentaire de Ker f .

Dmonstration : Il suft de considrer la restriction de f un supplmentaire de Ker f , et de montrer linjectivit et la surjectivit.

10

Dnition 20 (Projection) On a vu que dans le cas o F et G taient des espaces supplmentaires de E, pour tout x il existait un unique (f, g) F G tel que x = f + g. On appelle projection sur F paralllement G lapplication qui x associe f .

Dnition 21 On dit quun endomorphisme f est idempotent lorsque f f = f . Un endomorphisme idempotent est aussi appel projecteur. Proprits : Etant donn p projecteur, on a : E = Ker p Im p Invp = Im p On note quune projection est un projecteur.

Proposition 22 Un projecteur p est en fait la projection sur Im p paralllement Ker p. Dmonstration : Il suft de considrer les proprits ci-dessus, elles-mmes facilement dmontrables. Proposition 23 Id f est un projecteur si et seulement si f est un projecteur. Dmonstration : Il suft de dvelopper (Id f )2 . Dnition 24 (Projecteurs associs) Deux projecteurs sont dits projecteurs associs lorsque leur somme est lidentit.

Proposition 25 Si f et g sont deux projecteurs associs, alors Im f = Ker g et Im g = Ker f .

Dnition 26 (Symtrie) A et B tant supplmentaires, on appelle symtrie par rapport A paralllement B lendomorphisme s tel que s|A = Id et s|B = Id. On a vu plus haut quun endomorphisme pouvait tre dni par ses restrictions sur deux espaces supplmentaires.

11

Dnition 27 (Involution) Un endomorphisme f est une involution lorsque f f = Id.

Dnition 28 Une symtrie s et un projecteur p sont dits associs lorsque s = 2.p Id. Cest le cas lorsque s et p se font par rapport au mme espace et paralllement au mme espace. Proprits : Une symtrie est une involution Etant donne s symtrie, E = Inv s Opp s s est la symtrie par rapport Inv s et paralllement Opp s. Toute symtrie est associe un projecteur, et tout projecteur est associe une symtrie.

Dilatations, transvections Dnition 29 Soit H un hyperplan dun espace vectoriel E, et D une droite supplmentaire de H. On appelle dilatation dhyperplan H, de direction D et de rapport lapplication linaire dont la restriction H est lidentit et dont la restriction D est lhomothtie de rapport . Soit H un hyperplan dun espace vectoriel E, et h une forme linaire de noyau H. On appelle transvection dhyperplan H une application de E dans E de la forme x x + h(x).u pour un certain u dans H. Ne pas se mprendre sur la notion de transvection dhyperplan H ; il existe plusieurs transvections diffrentes dhyperplan H. Rappelons que la proposition ?? signale que GL(E) est engendr par les transvections et les dilatations, et que SL(E) est engendr par les transvections.

12

1.4
1.4.1

Espace vectoriel quotient

Gnralits

Dnition 30 Soit F un sous-espace vectoriel de E. Alors la relation dnie par xRy x y F est une relation dquivalence compatible avec laddition et le produit externe. Lensemble quotient est un espace vectoriel pour les lois induites ; il est appel espace vectoriel quotient et est not E/F . Proprits : La surjection canonique qui x associe x est linaire. Son noyau est F . Si F et G sont supplmentaires, alors G est isomorphe E/F .

1.4.2

Application aux applications linaires

Thorme 31 Etant donn une application linaire f de E dans F , alors f scrit de manire unique f = i b s, avec s la surjection canonique de E dans E/Ker f , i linjection canonique de Im f dans F , et g un isomorphisme de E/Ker f dans Imf .

Dmonstration : Facile !

13

1.5

Translations - espaces afnes

Pour plus dinformations on pourra consulter la partie??. Dnition 32 (Translations) On appelle translation de vecteur a lapplication dun espace afne X dans lui-mme qui x associe x + a. On note T (E) lensemble des translations de E. On appelle sous-espace afne de E limage dun sous-espace vectoriel de E par une translation de E. On appelle direction dun sous-espace afne lensemble des x y pour x et y dans lespace afne. On dit quun sous-espace afne A est parallle un sous-espace afne B si et seulement si A est vide ou la direction de A est incluse dans la direction de B. On dit que deux sous-espaces afnes sont parallles sils sont non vides et ont mme direction. On dit que deux sous-espaces afnes sont strictement parallles sils sont non vides et ont mme direction et sont distincts. Proprits : (T (E), ) est un groupe commutatif. (T (E), ) (E, +). Un sous-espace afne de E contient 0 si et seulement si cest un sous-espace vectoriel (en le munissant des lois induites). Si un espace afne A est de la forme a + F , alors il est aussi de la forme x + F pour tout x de A. Le sous-espace afne A est gal a + F , avec a quelconque dans A, et F la direction de A. Etant donns A et B deux espaces afnes, a A et b B, de direction respectives F et G, alors A B = b a F + G Etant donns deux espaces afnes dintersection non vide, lintersection est un espace afne de direction lintersection de leurs directions. Si A est parallle B alors A B = ou A B.

14

1.6
1.6.1

Familles libres. Familles gnratrices. Bases

Gnralits

Dnition 33 Un lment x de lespace vectoriel E est dit combinaison linaire dune famille (xi )iI dlments de E si il existe un entier n, un n-uplet (1 , ..., n ) dlments de K, et un n-uplet (i1 , ..., in ) dlments de I tels que x = 1jn j xij . Un lment x est dit combinaison linaire dun sous-ensemble A de E si x est combinaison linaire dune famille dlments de A. Une famille dlments dun sous-espace vectoriel F est dite famille gnratrice de F si lespace vectoriel engendr par cette famille est F . Une famille dlments de E est dite famille libre si une combinaison linaire de cette famille est nulle si et seulement si chaque i est nul. Une famille est dite famille lie quand elle nest pas libre.

Proprits : Limage dune famille gnratrice de F par une application linaire f est une famille gnratrice de f (F ). Lensemble des combinaisons linaires de A est lespace vectoriel engendr par A. Toute famille contenant le vecteur nul est lie. Les lments dune famille libre sont deux deux distincts. Une famille est lie si et seulement si un de ses lments est combinaison linaire des autres. Une famille est lie si et seulement si un de ses lments appartient lespace vectoriel engendr par les autres. Toute sous-famille dune famille libre est libre. Toute sur-famille dune famille lie est lie. Thorme 34 Limage dune famille lie par une application linaire est une famille lie. Limage dune famille libre par une application injective est une famille libre.

Le thorme suivant, facile dmontrer, est fondamental pour la suite.

Thorme 35 Etant donne une famille libre et un lment appartenant lespace vectoriel engendr par cette famille, alors cet lment scrit de manire unique comme combinaison linaire dlments de la famille.

15

Dnition 36 (Base) Une base dun espace vectoriel E est une famille libre et gnratrice.

Proposition 37 Une famille est une base si et seulement si cest une famille libre maximale (au sens de linclusion). Dmonstration : Si elle est pas maximale, on peut ajouter un lment tout en la laissant libre ; on en dduit que ce nest pas une famille gnratrice. Si elle nest pas gnratrice, alors on peut ajouter un lment nappartenant pas lespace engendr ; cette nouvelle famille est aussi libre, donc la prcdente ntait pas maximale.

Proposition 38 Une famille est une base si et seulement si cest une famille gnratrice minimale. Dmonstration : Mme principe que la preuve ci-dessus.

Dnition 39 Etant donne une base (ei ) dun espace vectoriel F et un lment x de F , il existe une unique famille (i ) de support ni telle que x = i ei . Les i sont appels coordonnes du vecteur x.

1.6.2

Applications aux applications linaires

Thorme 40 Etant donne (fi )iI une base de F et (gi )iI une famille de G, il existe une unique application linaire f de F dans G telle que f (fi ) = gi pour tout i I. La famille (gi ) est libre si et seulement si f est injective. La famille (gi ) est gnratrice si et seulement si f est surjective. La famille (gi ) est une base de G si et seulement si f est bijective.

1.6.3

Applications aux sous-espaces vectoriels

Proposition 41 Lensemble L(E) des endomorphismes de E muni de laddition, de la composition, et de la multiplication par un scalaire, est une algbre.

Attention, cette algbre nest pas commutative (en gnral).

16

1.7
1.7.1

Dualit
Dnitions et premires proprits. Le dual et le bidual

Dnition 42 On appelle forme linaire sur un K-espace vectoriel E une application linaire de E dans K. On appelle dual dun K-espace vectoriel E lensemble E des formes linaires sur cet espace vectoriel. On appelle hyperplan tout sous-espace vectoriel admettant une droite pour supplmentaire. On appelle bidual dun K-espace vectoriel le dual de son dual. On le note E . On appelle application linaire canonique de E dans E lapplication qui x associe x : u u(x) (on vriera facilement que cest une application linaire).

Proprits : Une forme linaire non nulle est surjective. Un sous-espace vectoriel est un hyperplan si et seulement si tout droite vectorielle passant par un vecteur appartenant son complmentaire est un supplmentaire de cette droite. Un sous-espace vectoriel est un hyperplan si et seulement si cest le noyau dune forme linaire non nulle. Deux formes linaires non nulles sont lies (dans le dual) si et seulement si elles ont mme noyau. Etant donnes u et v des formes linaires sur E, il existe K tel que u = v si et seulement si Ker u Ker v.

1.7.2

Orthogonalit

Dnition 43 Etant donn x dans E et u dans E , on dit que x et u sont orthogonaux si et seulement si u(x) = 0 Etant donne une partie non vide A de E, on appelle orthogonal de A dans E et on note A lensemble des u orthogonaux tous les lments de A. Etant donne une partie non vide A de E on appelle orthogonal de A dans E et on note Ao lensemble des x orthogonaux tous les lments de A.

Proprits : Jutilise le terme orthogonal sans plus de prcision lorsque la proprit vaut la fois dans le cas de lorthogonal dune partie de E dans le dual et dans le cas de lorthogonal dune partie du dual E dans E. Il ny a pas ici de bidualit ; lorthogonal dune partie du dual E est considrer dans E. Lorthogonal dune partie est lorthogonal de lespace engendr par cette partie.

17

 Lorthogonal dune partie est un sous-espace vectoriel. Toute partie est incluse dans lorthogonal de son orthogonale. A B alors lorthogonal de B est inclus dans lorthogonal de A. Lintersection des orthogonaux est lorthogonal de lunion. Attention, ne pas confondre lorthogonal de lorthogonal de A A et lortho gonal de lorthogonal de A A .
o

1.8 Transposition
Dnition 44 Etant donne f une application linaire de E dans F on appelle transpose de f lapplication de F dans E qui v associe v f . Cest une application linaire, et on la note t f . Proprits : Lapplication qui f associe t f est une application linaire. t (g f ) =t f t g t IdE = IdE Si f est un isomorphisme, t f est un isomorphisme, et t (f 1 ) = (t f )1 Ker t f = (Im f ) f est surjective si et seulement si t f est injective.

1.9
1.9.1

K-algbres
Dnitions et gnralits

Dnition 45 (K-algbre) (A, +, , .) est une K-algbre si (A, +, .) est un K-espace vectoriel (A, +, ) est un anneau (.a) b = a (.b) = .(a b) La K-algbre est en outre commutative lorsque est commutative. Lensembles des suites valeurs dans K est un K-algbre commutative. Lespace vectoriel des applications de A dans K est une K algbre commutative. Dnition 46 (Morphisme de K-algbres) Un morphisme dalgbre est une application qui est la fois un morphisme danneaux sur les anneaux sous-jacents et un morphisme despaces vectoriels sur les espaces vectoriels sous-jacents.

18

1.10

Rsultats dalgbre linaire

Lunion de deux sous-espaces vectoriels est un sous-espace vectoriel si et seulement si lun des deux est inclus dans lautre. Etant donns deux projecteurs, la somme est un projecteur si et seulement si les composs de ces projecteurs (dans les deux sens, la composition ntant pas commutative) sont nulles. Dans ce cas le noyau de la somme est lintersection des noyaux, et limage de la somme est la somme directe des images. Etant donns F et G des espaces vectoriels et f et g des vecteurs alors f + F g + G si et seulement si F G f g G. Dnition 47 On appelle homothtie vectorielle de rapport k lapplication qui x associe k.x ; un endomorphisme f est une homothtie vectorielle si et seulement si pour tout x la famille (x, f (x)) est lie. Dmonstration : On procde par tapes : tout dabord montrer que pour tout x il existe kx K tel que f (x) = kx .x. ensuite montrer que kx est constant sur toute droite vectorielle. dvelopper f (x + y) avec (x, y) une famille libre. On en dduit kx = ky . La famille des fonctions fa de R dans R qui x associe 1 si x > a et 0 si x a est libre. Dmonstration : On suppose quune telle fonction est combinaison linaire dun nombre ni dautres fonctions, et on constate que la fonction doit tre continue l o justement elle ne lest pas...

1.11

Exercices dalgbre linaire

Quelques rsultats pour shabituer aux manipulations sur les polynmes dendomorphismes et aux sommes despaces : f 2 5.f + 6.Id = 0 E = Ker(f 2.Id) Ker(f 3.Id) (f est un endomorphisme) Pour shabituer aux manipulations sur les noyaux et les images : (f est un endomorphisme) Ker f = Ker f 2 Im f Ker f = {0} Im f = Im f 2 Im f + Ker f = {0} n Ker f n est croissante n Im f n est dcroissante n/Ker f = Ker f n+1 k > n Ker fk = Ker fn n/Im f n = Im f n+1 k > n Im fk = Im fn
n

19

Chapitre 2

Algbre multilinaire
Pour la suite il est utile de connatre quelques bases sur n ; que lon trouvera la partie??. Les premires sections, de type fondements thoriques pour la suite, sont un juste rapidement bauches.

20

2.1

Gnralits
Dnition 48 (Application multilinaire) Soient E1 , ... , En et F des K-espace vectoriel , alors f : i[1,n] Ei F est n-linaire si pour tout (xi ) dans Ei et tout j lapplication x f (x1 , ..., xj1 , x, xj+1 , ..., xn ) est linaire. Si E1 = E2 = ...En ont dit que f est une application n-linaire sur E. Si F est le corps K, alors f est dite forme n-linaire. On note Ln (E, F ) lensemble des applications n-linaires de E dans F . On note Ln (E) lensemble des formes n-linaires sur E, cest dire Ln (E, K). Etant donn f Ln (E, F ) et n on note f lapplication n-linaire (x1 , ..., xn ) f (x(1) , x(2) , ..., x(n) ). Une application n-linaire est dite symtrique si pour tout f = f . Une application n-linaire est dite antisymtrique si pour tout f = (s).f . Une application n-linaire est dite alterne si i = j et xi = xj implique f (x1 , ..., xn ) = 0. On note Sn (E, F ) lensemble des applications n-linaires symtriques de E dans F et An (E, F ) lensemble des applications n-linaires alternes de E dans F . On note Sn (E) lensemble des formes n-linaires symtriques sur E et An (E) lensemble des formes n-linaires alternes sur E. Une application p-linaire nest pas une application linaire.

Proposition 49 ] Lp (E, F ) est un K-espace vectoriel , sous-espace vectoriel p de F E . f est symtrique si et seulement si pour toute transposition f = f . f est antisymtrique si et seulement si pour toute transposition f = f . Dmonstration : Premier point vident, les deux points suivants demandent juste de se rappeler que les transpositions engendrent n . On pourrait en fait utiliser dautres familles gnratrices.

Proposition 50 Une application n-linaire alterne est antisymtrique ; si K nest pas de caractristique 2, la rciproque est vraie aussi. Dmonstration : Supposons f n-linaire, et xi = xj , avec i = j. 0 = f (x1 , ..., xi + xj , ..., xj + xi , ..., xn ) (car f est alterne) 0 = f (x1 , ..., xi , ..., xi , ..., xn ) +f (x1 , ..., xi , ..., xj , ..., xn )

21

+f (x1 , ..., xj , ..., xj , ..., xn ) +f (x1 , ..., xj , ..., xi , ..., xn ) (car f est n-linaire) or f (x1 , ..., xi , ..., xi , ..., xn ) = f (x1 , ..., xj , ..., xj , ..., xn ) = 0 puisque f est alterne donc f (x1 , ..., xi , ..., xj , ..., xn ) = f (x1 , ..., xj , ..., xi , ..., xn ). Par la proposition 49, le rsultat altern antisymtrique est donc prouv. La rciproque est vidente, en utilisant la mme caractrisation de lantisymtrie par la proposition 49. On suppose dsormais que K est un corps de caractristique = 2.

Thorme 51 Soit une forme n-linaire antisymtrique sur E K-espace vectoriel de dimension n, e1 , ..., en une base de E, e , ..., e sa base duale et n 1 x1 , ..., xn une famille de n lments de E. Alors : (x1 , ..., xn ) = (
n

(s).n e (vi )).(e1 , ..., en ) i=1 (i)

et (x1 , ..., xn ) = (
n

(s).n e (v(i) )).(e1 , ..., en ) i=1 i

Dmonstration : On procde en quatre tapes : On remplace xj par i e (xj ).ei dans (x1 , ..., xn ). i On dveloppe en utilisant la linarit suivant chaque composante, on obtient donc e1 (x1 ).e2 (x2 ).....en (xn ).(ei1 , ..., ein ) i i i
(i1 ,...,in )[1,n]n

On supprime tous les termes tels que le cardinal de {i1 , ..., in } soit diffrent de n, ce qui permet dintroduire les permutations. Il ne reste plus qu remplacer (ei1 , ..., ein ) par ().(e1 , ..., en ). La deuxime formule sobtient simplement en remplaant par 1 .

22

Dnition 52 (Symtris et antisymtris dune forme n-linaire) Soit f une forme n-linaire sur un K-espace vectoriel E. Alors lapplication S(f ) gale (x1 , ..., xn ) n f (x1 , ..., xn ) est appele symtrise de f ; elle est symtrique. Alors lapplication A(f ) gale (x1 , ..., xn ) n ().f (x1 , ..., xn ) est appele antisymtrise de f ; elle est alterne. Lapplication f S(f ) est appele oprateur de symtrisation. Lapplication f A(f ) est appele oprateur dantisymtrisation.

Dnition 53 (Produit tensoriel, produit symtrique, produit extrieur) Soient f1 , ..., fn des formes linaires sur le K-espace vectoriel E. On appelle produit tensoriel de (f1 , ..., fn ) lapplication qui (x1 , ..., xn ) associe f1 (x1 ) f2 (x2 )... fn (xn ). On le note f1 f2 ... fn . Laplication symtrise du produit tensoriel est appele produit symtrique de (f1 , ..., fn ) ; on la note f1 .f2 . . . . .fn . Lapplication antisymtrise du produit tensoriel est appele produit extrieur de (f1 , ..., fn ) ; on le note f1 f2 ... fn . Une application n-linaire exprimable comme produit tensoriel est dite dcomposable dans Ln (E). Une application n-linaire exprimable comme produit symtrique est dite dcomposable dans Sn (E). Une application n-linaire exprimable comme produit extrieur est dite dcomposable dans An (E).

Proposition 54 Le produit symtrique de n formes linaires est symtrique. Le produit extrieur de n formes linaires est antisymtriques. Lapplication qui n formes linaires associe leur produit tensoriel est nlinaire de E n dans Ln (E). Lapplication qui n formes linaires associe leur produit symtrique est n-linaire symtrique. Lapplication qui n formes linaires associe leur produit extrieur est nlinaire alterne. Quelques thormes donns sans dmonstration : Thorme 55 Soit E un K-espace vectoriel de dimension nie n, (e1 , ..., en ) une base de E, (e , ..., e ) sa base duale. On note F lensemble des applican 1 tions de [1, p] dans [1, n]. Pour tout f dans F on note ef = e (1) e (2) f f e (p) . Alors la famille des ef pour f F est une base de Lp (E). f

23

Dnition 56 La base donne par le thorme prcdent est appele base associe (e1 , ..., en ).

Corollaire 57 La dimension de Lp (E) est (dim E)n .

Thorme 58 Soit E un K-espace vectoriel de dimension nie n, (e1 , ..., en ) une base de E, (e , ..., e ) sa base duale. n 1 K est suppos de caractristique nulle. On note A lensemble des applications f de [1, n] dans [0, p] telles que f (1) f (2) f (n) n .e2 . . . . .en . i=1 f (i) = p. Alors on note ef = e1 Alors la famille des ef pour f A forme une base de Sp (E).

p Corollaire 59 La dimension de Sp (E) est gale Cdim E+p1 .

Thorme 60 Soit E un K-espace vectoriel de dimension nie n, (e1 , ..., en ) une base de E, (e , ..., e ) sa base duale. n 1 K est suppos de caractristique nulle. On note A lensemble des applications f strictement croissantes de [1, p] dans [1, n]. Alors on note ef = ef (1) .ef (2) . . . . .ef (n) . Alors la famille des ef pour f A forme une base de Sp (E).

Corollaire 61 Si E est un K-espace vectoriel de dimension nie n et si K est p de caractristique nulle, alors dim Ap (E) = Cn .

2.2

Algbre multilinaire et topologie

Dnition 62 Etant donns E1 , ... , En et F des espaces vectoriels norms , on note L(E1 , ..., En ; F ) lespace des applications n-linaires continues de E1 ... En dans F . On le norme par f supi xi 1 f (xi ) ; on obtient ainsi un espace vectoriel norm .

24

Thorme 63 (Quelques thormes (pas durs !) sans preuve) Soient E1 , ... , En et F des espaces vectoriels norms , et soit f application n-linaire de E1 , ..., En dans F . Alors : - f est continue si et seulement si f est continue en 0 - f est borne sur le produit des boules units des Ei Si F est un espace de Banach, alors L(E1 , ..., En ; F ) est un espace de Banach. Etant donne f application n-linaire continue de E1 ... En dans F la diffrentielle de f en (x1 , x2 , ..., xn ) est (h1 , ..., hn ) f (h1 , x2 , ..., xn ) + f (x1 , h2 , x3 , ..., xn ) + ... + f (x1 , x2 , ..., xn1 , hn ). L(E1 , E2 ; F ) L(E1 ; L(E2 ; F )).

2.3
2.3.1

Dterminants
Dterminant dune famille de vecteurs

On suppose E K-espace vectoriel de dimension nie n.

Dnition 64 On appelle dterminant dune famille (x1 , ..., xn ) dlments de E dans une base (e1 , ..., en ) de E la somme : ()n e (xi ) i=1 (i)
n

On le note det(e1 ,...,en ) (x1 , ..., xn ).

Proposition 65 Si f est n-linaire sur E, alors et antisymtrique.

().f est n-linaire

Dmonstration : La somme est trivialement n-linaire, et lantisymtrie se montre facilement (on rappelle juste que la signature du produit de deux permutations est le produit des signatures de ces deux permutations). On suppose pour la suite que K nest pas de caractristique 2.

25

Thorme 66 Etant donne une base B de E, il existe une et une seule forme n-linaire alterne gale 1 sur B ; cest detB (.). Les formes n-linaires alternes sur E sont gales multiplication par un scalaire prs.

Dmonstration : Il est clair que detB (B) = 1 La proposition prcdente nous assure que detB (.) est n-linaire alterne. Le thorme 51 nous assure le deuxime point. En conclusion, on a les proprits lmentaires suivantes du dterminant dans une base B : Proposition 67 Le dterminant est n-linaire altern. On ne change pas le dterminant des xi en ajoutant un des xi une combinaison linaire des autres xj . Le dterminant de (x1 , ..., xn ) est gal () fois le dterminant de (x(1) , ..., x(n) ). detB = detB (B ).detB detB (B ).detB (B) = 1 La famille des xi est une base si et seulement si detB (x1 , ..., xn ) = 0

Dmonstration : (simplement du dernier point, les autres se montrant facilement lun aprs lautre) Si cest une base, alors on applique la formule juste au dessus pour conclure que le dterminant est non nul. Si le dterminant est non nul, alors supposons la famille lie, on peut ajouter un vecteur une combinaison linaire des autres et on a ainsi une famille dont un vecteur est nul, et donc le dterminant devrait tre nul.

2.3.2

Dterminant dun endomorphisme

E est toujours un K-espace vectoriel de dimension nie n sur un corps K de caractristique diffrente de deux. Dnition 68 On appelle dterminant de lendomorphisme f le dterminant de f (B) dans la base B ; on le note det f . On appelle groupe spcial linaire de E lensemble des endomorphismes de E de dterminant 1 ; on le note SL(E).

Dmonstration : Il convient pour que la dnition ait un sens de dmontrer que ce dterminant ne dpend pas de la base B. On suppose donc donnes deux bases B et B , et on montre que detB (f (B)) = detB (f (B )). 26

 La fonction qui un n-uple x E n associe detB (f (x)) est n-linaire alterne, donc cest .detB . En spcialisant en B cette galit, on obtient detB (f (x)) = detB (f (B)).detB (x) Or par les proprits du dterminant on a detB (x) = detB (B ).detB (x) detB (f (x)) = detB (B ).detB (f (x)) Des deux points prcdents on dduit detB (B ).detB (f (x)) = detB (f (B)).detB (B ).detB (x) cest--dire detB (f (x)) = detB (f (B)).detB (x), et donc detB (f (B )) = detB (f (B)) en spcialisant en B . Proposition 69 det f g = det f.det g f est un automorphisme si et seulement si det f = 0 1 Si det f = 0, alors f est un automorphisme et det f 1 = det f det est un morphisme de groupe entre GL(E) et K \ {0}. SL(E), puisquil est le noyau du dterminant, est un sous-groupe de GL(E)

2.3.3

Dterminant dune matrice

On travaille encore dans un corps K de caractristique diffrente de 2.

Dnition 70 On appelle dterminant dune matrice carre M le dterminant de lendomorphisme canonique associ M dans Kn . On le note det M ou |M |. On appelle groupe spcial linaire dordre n et on note SLn (K) l ensemble des matrices de dterminant gal 1.

Proposition 71 Le dterminant dune matrice est aussi le dterminant de ses vecteurs-colonnes ou de ses vecteurs-lignes dans la base canonique de Kn . Les proprits suivantes se dduisent facilement des proprits quivalentes chez les endomorphismes ou les familles de vecteurs : Une matrice est inversible si et seulement si son dterminant est non nul. Le dterminant du produit est le produit des dterminants. SLn (K) est un sous-groupe de GLn (K), noyau du dterminant en tant que morphisme de groupe de GLn (K) vers K \ {0}.

27

 Deux matrices semblables ont mme dterminant. Proposition 72 Le dterminant dune matrice triangulaire est gal au produit des lments diagonaux. Dmonstration : Il suft de voir que seule la permutation identit est telle que pour tout i M(i),i soit non nul.

2.3.4

Pratique du calcul dun dterminant ; dveloppement suivant une ligne ou une colonne

Le point de vue adopt ici est celui du calcul du dterminant dune matrice de type (n, n) sur un corps K ; bien sr il faut bien voir quil en va de mme du calcul du dterminant dun endomorphisme ou dune famille de vecteurs dans une base. Pour la suite il est ncessaire davoir lu le dbut de la partie 4.3.10.

Proposition 73 (Dveloppement suivant une colonne) j [1, n]det M =

i[1,n]

i,j .Mi,j

Dmonstration : Il suft de se rappeler que le dterminant est n-linaire.

Proposition 74 (Dveloppement suivant une ligne) i [1, n]det M =

j[1,n]

i,j .Mi,j

Dmonstration : Il suft de se rappeler que det M = det t M .

Proposition 75 det M = det com(M ) = (detM )n1

Dmonstration : Si M est inversible et pas M , alors M .M = (det M ).I = 0 = 0, do contradiction. et donc M = 0, et donc M Si M et M ne sont pas inversibles ni lune ni lautre, alors les dterminants sont gaux 0, et lgalit annonce est vrie. Si M est inversible, alors M .M = (det M ).I det (M .M ) = det((det M ).I) 28

 det (M ).det M = (det M )n det M = (det M )n1 Do le rsultat annonc.

2.4

Algbre bilinaire

On travaillera avec un corps K sympathique, comme R ou C.

2.4.1

Formes bilinaires

Le cas gnral Dnition 76 On appelle forme bilinaire sur E une forme multilinaire de L2 (E). Etant donne une forme bilinaire on note t lapplication (x, y) (y, x).

Il est immdiat que est symtrique si =t , et que est antisymtrique si = . Proposition 77 Lapplication qui associe t est un automorphisme involutif de L2 (E). L2 (E) est somme directe des deux sous-espace vectoriel de L2 (E) respectivement constitus des formes bilinaires symtriques et des formes bilinaires t t antisymtriques. On a en fait = a + s avec s = + , a = , a antisy2 2 mtrique, et s symtrique.

29

Le cas de la dimension nie - expression matricielle On travaille maintenant avec E K-espace vectoriel de dimension nie n. On se donne une base (e1 , ...en ) une base de E. Dnition 78 Etant donn une forme bilinaire sur E, on appelle matrice de dans la base B la matrice M dnie par Mi,j = (ei , ej ) On la note M atB (). Rciproquement, on appelle forme bilinaire sur E associe la matrice M et la base B lapplication dnie par (x, y) =t X.M.Y avec X le vecteur dni par Xi = e (x) et Y le vecteur dni par Yi = e (y). i i La forme bilinaire canoniquement associe une matrice M de type (n, n) est la forme bilinaire associe cette matrice dans Kn pour la base canonique.

Proposition 79 Avec M la matrice de dans la base B, avec X le vecteur dni par Xi = e (x) et Y le vecteur dni par Yi = e (y), on a i i (x, y) =t X.M.Y

Dmonstration : Il ny a qu lcrire. Corollaire 80 La matrice de t est la transpose de la matrice de .

Proposition 81 Etant donne B une base de E, lapplication qui une matrice associe la forme bilinaire associe sur E pour B est un isomorphisme.

Corollaire 82 dim L2 (E) = n2

Proposition 83 Etant donne B et B deux bases de E, alors M atB () =t PB,B .M atB ().PB,B

Dmonstration : Evident. 30

Au vu de ce rsultat, on comprend lintrt dintroduire la dnition suivante :

Dnition 84 Deux matrices P et Q sont dites congruentes si il existe M inversible telle que P =t M QM .

Proposition 85 La congruence est une relation dquivalence Deux matrices sont congruentes si et seulement si elles reprsentent la mme forme bilinaire dans deux bases diffrentes Deux matrices congruentes ont mme rang

Deux matrices congruentes nont pas ncssairement mme dterminant.

2.4.2

Formes quadratiques

Le cas gnral Dnition 86 On appelle forme quadratique associe la forme bilinaire lapplication x (x, x). Une application de E 2 dans K est une forme quadratique sur E si et seulement si cest la forme quadratique associe une certaine forme bilinaire.

Proposition 87 Soit q une forme quadratique, alors q(x + y) + q(x y) = 2(q(x) + q(y)) (voir gure 2.1) Dmonstration : Il suft de dvelopper la formule en considrant laquelle est associ q.

Proposition 88 Lapplication qui une forme bilinaire associe la forme quadratique qui lui est associe est une application linaire de L2 (E) dans lensemble des fonctions de E dans K. Son noyau est lensemble des applications bilinaires antisymtriques, et elle induit un isomorphisme de lensemble des applications bilinaires symtriques sur E sur lensemble des formes quadratiques. Dmonstration : Le fait que cette application soit linaire est vident. Montrons que si sa forme quadratique associe est nulle, alors est antisymtrique. Pour tout x et tout y (x + y, x + y) = (x, x) + (y, y) + (x, y) + (y, x) ; donc si pour tout z (z, z) = 0, alors (x, y) + (y, x) = 0. Do le rsultat.

31

x+y x-y x
F IG . 2.1 Formule du paralllogramme. La somme des carrs des diagonales est gale la somme des carrs des cts.

Dnition 89 Etant donne q une forme quadratique q sur E, lunique forme bilinaire symtrique telle que pour tout x q(x) = (x, x)i est appele forme polaire de q.

Proposition 90 Les formules suivantes permettent de dterminer la forme polaire associe une forme quadratique q : (x, y) = 1 (q(x + y) q(x) q(y)) 2 (x, y) = 1 (q(x + y) q(x y)) 4

Dnition 91 (Orthogonalit) Etant donnes q une forme quadratique et sa forme polaire : x et y appartenant E sont orthogonaux si et seulement si (x, y) = 0 deux parties X et Y de E sont dites orthogonales si et seulement si tout x dans X et tout y dans Y sont orthogonaux. On appelle orthogonal dune partie X de E et on note X lensemble des lments orthogonaux tous les lments de X. On appelle noyau de q lorthogonal de E ( ne pas confondre avec le cne isotrope de q) ; on le note N (q). On appelle cne isotrope de q et on note C(q) lensemble des x tels que q(x) = 0 ( ne pas confondre avec le noyau de q). Un lment du cne isotrope est appel vecteur isotrope. Un sous-espace vectoriel de E est dit isotrope si la restriction de q ce sous-espace vectoriel est dgnre. Un sous-espace vectoriel de E est dit totalement isotrope si la restriction de q ce sous-espace vectoriel est nulle. Une forme quadratique est dite dgnre si son noyau nest pas rduit {0}. Une forme quadratique est dite dnie si son cne isotrope est rduit {0}. Une forme quadratique q sur un R-espace vectoriel E est dite positive (resp. ngative) lorsque pour tout x on a q(x, x) 0 (resp. q(x, x) 0).

32 Proposition 92 Un sous-espace vectoriel est isotrope si et seulement si il a une intersection non rduite {0} avec son orthogonal. Un sous-espace vectoriel est totalement isotrope si et seulement si il est inclus dans son orthogonal. Lorthogonal dune partie de E est lorthogonal du sous-espace vectoriel engendr par cette partie. Avec X et Y des parties de E, X V ect(Y ) Y X

espace vectoriel (il contient le sous-espace vectoriel noyau de q). La restriction dune forme quadratique non-dgnre un sous-espace vectoriel nest pas ncssairement non-dgnre. Proposition 94 Le cne isotrope est un cne, cest dire que x isotrope .x isotrope pour tout dans K.

Dnition 95 (Familles orthogonales et orthonormales) Une famille (xi ) de vecteurs de E est dite orthogonale si i = j implique (xi , xj ) = 0. Une famille (xi ) de vecteurs de E un C-espace vectoriel est dite rduite si elle est orthogonale et si (xi , xi ) = 1,rg(q) (i). Une famille (xi ) de vecteurs de E un R-espace vectoriel est dite rduite si elle est orthogonale et si (xi , xi ) = 1,p (i) p+1,rg(q) (i) pour un certain p dans [0, rg(q)]. Une famille (xi ) de vecteurs de E est dite orthonormale si (xi , xj ) = i,j . Une matrice relle ou complexe de type (n, n) est dite orthogonale si la famille de ses vecteurs colonnes forme une famille orthonormale de Kn .

Proposition 96 Une famille orthogonale sans vecteur isotrope est libre. En particulier si q est dnie une famille orthogonale de vecteurs non nuls est libre. Une famille orthonormale est libre. Dmonstration : ( i .xi , xi ) = i .(xi , xi ), etc...

Le cas de la dimension nie - expression matricielle On suppose que B = (e1 , ..., en ) est une base de E.

Dnition 97 On appelle matrice dune forme quadratique dans une base B la matrice de sa forme polaire dans la base B. On note M atB (q) la matrice de la forme quadratique q dans la base B. On appelle rang de q la rang de sa matrice dans une base quelconque (le rang est indpendant de la base). On appelle discriminant dune forme quadratique q dans une base B le dterminant de la matrice de q dans la base B.

Le discriminant dpend de la base. Le troisime point appelle une preuve, que voici ci-dessous :

33

Proposition 98 M atB (q) =t PB,B .M atB (q).PB,B Dmonstration : Il suft daller voir la dmonstration quivalente pour les formes bilinaires, en 2.4.1. Deux matrices congruentes ayant mme rang, la dnition ci-dessus est donc cohrente. Proposition 99 Etant donns x dans E et X le vecteur dni par Xi = e (x) i , on a q(x) =t X.M atB (q).X. Dmonstration : Il suft de considrer la forme polaire de q et de consulter la partie 2.4.1. Proposition 100 Un polynme de degr 2 en x1 , ..., xn est une forme quadratique sur Kn . Pour obtenir sa forme polaire, on remplace chaque xi .xi par xi .yi , et chaque 1 xi .xj par 2 (xi .yj +xj .yi ) ; le polynme en (xi ) et (yi ) est une forme bilinaire symtrique sur Kn , et est la forme polaire du polynme.

Proposition 101 Le noyau dune forme quadratique en dimension nie est le noyau de lendomorphisme ayant mme matrice (dans la mme base). La dimension de E est la somme du rang de q et de la dimension du noyau de q. Dmonstration : Evident, il ny a qu lcrire. Proposition 102 Une base est orthogonale si et seulement si la matrice de q dans cette base est diagonale. Une base est orthonormale si et seulement si la matrice de q dans cette base est lidentit.

Dmonstration : Evident ! Le thorme suivant est trs important : Thorme 103 Pour toute forme quadratique sur E de dimension nie, il existe une base de E orthogonale pour q.

34

Dmonstration : On montre ce rsultat par rcurrence : Le cas n = 1 est trivial. Si q est nulle, le rsultat est clair ; sinon on choisit e1 non isotrope, et on note H lorthogonal de e1 . Tout vecteur x scrit x = K.e1 (e1 , x) (e1 , x) .e1 + e x .e1 1 q(e1 ) q(e1 )

donc E = K.e1 H. Il suft alors dappliquer lhypothse de rcurrence sur H. Corollaire 104 Pour tout forme quadratique q sur E K-espace vectoriel de dimension n, il existe p [1, n] et 1 , ..., p dans K \ {0} et f1 ,...,fp dans E tel que les fi forment une famille libre p q(x) = i=1 i .fi (x)2 En outre, p est unique et est gal au rang de q.

Dmonstration : Il sagit simplement de la traduction du thorme prcdent. On en dduit les deux corollaires suivants, lun dans le cas K = C, lautre dans le cas K = R :

Corollaire 105 (Cas K = C) Pour tout forme quadratique q sur E K-espace vectoriel de dimension n, il existe p [1, n] et f1 ,...,fp dans E tel que les fi forment une famille libre p q(x) = i=1 fi (x)2 En outre, p est unique et est gal au rang de q.

Dmonstration : Il suft de voir dans le corollaire prcdent que lon peut multi1 plier fi par une racine carre de i . Corollaire 106 (Cas K = R) Pour tout forme quadratique q sur E K-espace vectoriel de dimension n, il existe r [1, n] et p dans [1, r] et f1 ,...,fp dans E tel que les fi forment une famille libre p r q(x) = i=1 fi (x)2 i=p+1 fi (x)2 En outre, r est unique et est gal au rang de q, et p est unique.

Dmonstration : Il suft de voir que lon peut multiplier fi par une racine carre 1 de |i | ; il ne reste alors plus qu montrer lunicit de p. Pour cela, on considre s le p maximal possible, et u le p minimal possible ; on note t = q u. Alors q est dnie positive sur un espace de dimension s q est dnie ngative sur un espace de dimension t 35

On dduit facilement que : ces deux espaces sont en somme directe, donc s + t r ps rpt Donc si p < s, p+rp < r, et si rp < t, p+rp < r, donc ncssairement, p = s. Encore un corollaire dans le cadre dune forme quadratique dnie positive : Corollaire 107 (Cas K = R et q dnie positive) Pour tout forme quadratique q sur E K-espace vectoriel de dimension n, il existe f1 ,...,fn dans E tel que les fi forment une famille libre n q(x) = i=1 fi (x)2 On en dduit aussi lexistence dune base orthonormale.

2.4.3

Formes quadratiques relles

Pour toute la dure de cette section, on se place dans le cadre de E un R-espace vectoriel . Le cas gnral Dnition 108 Une forme quadratique q sur un R-espace vectoriel E est dite On rappelle la dnition suivante : positive (resp. ngative) lorsque pour tout x on a q(x, x) 0 (resp. q(x, x) 0).

Thorme 109 (Ingalit de Schwartz) Soit q une forme quadratique positive sur un R-espace vectoriel E, et soit sa forme polaire. Alors pour tout x et tout y dans E (x, y)2 q(x).q(y) Soit q une forme quadratique dnie positive sur un R-espace vectoriel E, et soit sa forme polaire. Alors pour tout x et tout y dans E (x, y)2 q(x).q(y) et (x, y)2 = q(x).q(y) = (x, y) est une famille lie.

Dmonstration : Il suft de considrer le discriminant du polynme en t q(x.t+ y) (ce polynme est toujours positif puisque la forme quadratique est positive). Lgalit implique que q(y (x,y) .x) = 0. q(x)

36

On remarque que lingalit de Schwartz implique quune forme bilinaire symtrique positive est continue.

Corollaire 110 (Noyau et cne isotrope dune forme quadratique positive) Si q est positive alors N (q) = C(q). Si q est positive alors q est dnie si et seulement si elle est non-dgnre.

Proposition 111 Une forme quadratique q sur un R-espace vectoriel qui est dnie est ncssairement soit positive soit ngative. Dmonstration : On suppose quil existe x et y avec q(x) > 0 et q(y) < 0. Alors lapplication qui t dans [0, 1] associe q(t.x + (1 t).y) est continue (il suft de dvelopper pour le voir), donc par le thorme des valeurs intermdiaires ?? elle sannule en un certain t0 . Ncssairement t.x + (1 t)y = 0 (puisque q est dnie), donc x et y sont linairement dpendants (t = 0 et t = 1). Donc q(x) et q(y) sont de mme signe, do contradiction. Une autre formulation des ingalits de Schwartz est donne dans le corollaire cidessous :

Corollaire 112 (Ingalits de Minkowski) Soit q une forme quadratique positive sur un R-espace vectoriel E. Alors pour tout x et tout y dans E q(x + y) q(x) + q(y)

Soit q une forme quadratique dnie positive sur un R-espace vectoriel E, alors pour tout x et tout y dans E q(x + y) = q(x) + q(y) = (x, y) est une famille positivement lie.

Dmonstration : Par lingalit de Schwartz (x, y)2 q(x).q(y) et donc q(x + y) q(x) q(y) 2

q(x).q(y)

q(x + y) q(x) + q(y) + 2. q(x).q(y) Mme principe. q(x + y) q(x) + q(y)

37

Proposition 113 Une forme quadratique q est positive si et seulement si q est ngative Une forme quadratique sur un R-espace vectoriel est convexe si et seulement si elle est positive Une forme quadratique sur un R-espace vectoriel est concave si et seulement si elle est ngative

Le cas de la dimension nie - expression matricielle On suppose maintenant que lon travaille sur E un R-espace vectoriel de dimension nie n. q est une forme quadratique. Proposition 114 (Proprit fondamentale des formes quadratiques dnies positives) Si E est une forme quadratique dnie positive sur un R-espace vectoriel E de dimension nie, alors il existe une base de E orthonormale pour q. Dmonstration : Il suft de considrer le corollaire 107.

Proposition 115 (Quelques proprits sur lorthogonalit sur un R-espace vectoriel de dimension nie) Pour F sous-espace vectoriel de E, on a dim F + dim F n Soit F sous-espace vectoriel de E, avec q|F dnie, alors E = F F .

Dmonstration : Soit (fi )i[1,f ] une base de F , complte en (fi )iE une base de E. Soit p lapplication de E dans E dnie par p(x) = i[1,f ] (x, fi ).fi . Cette application est linaire ; on peut donc crire dim E = rg(p) + dim Ker p Or rg(p) dim F et dim Ker p = dim F donc dim E dim F + dim Ker p F F = car q est dnie sur F . Lingalit prcdente donne dim F +dim F n, do le rsultat.

38

Dnition 116 (Signature dune forme quadratique sur un R-espace vectoriel de dimension nie) On appelle signature dune forme quadratique q le couple (s, t) avec s la dimension maximale dun sous-espace vectoriel de E sur lequel q est dnie positive et t la dimension maximale dun sous-espace vectoriel de E sur lequel q est dnie ngative. Le thorme suivant, trs important, permet de cerner lintrt de la notion.

Thorme 117 (Thorme dinertie de Sylvester) Pour toute base qorthogonale ei , lensemble des i tels que q(ei ) > 0 a mme cardinal, lensemble des i tels que q(ei ) = 0 a mme cardinal, lensemble des i tels que q(ei ) > 0 a mme cardinal. Le sous-espace vectoriel engendr par lensemble des i tels que q(ei ) > 0 est un sous-espace vectoriel F de dimension maximale tel que q|F soit dnie positive. Le sous-espace vectoriel engendr par lensemble des i tels que q(ei ) < 0 est un sous-espace vectoriel F de dimension maximale tel que q|F soit dnie ngative. Lensemble des i tels que q(ei ) = 0 est gal la dimension de E moins le rang de q.

Dmonstration : Il suft de consulter la preuve du corollaire 106. Corollaire 118 Toute matrice symtrique est congruente une matrice diagonale dont les termes diagonaux sont (1, ..., 1, 1, ... 1, 0, ...0). Deux formes quadratiques ont la mme signature si et seulement si on passe de lun lautre en composant par un automorphisme.

Proposition 119 Une matrice M de type (n, n) est antisymtrique si et seulement si pour tout vecteur X de Kn on a t X.M.X = 0. Dmonstration : La forme polaire de la forme quadratique associe M est (X, Y ) t 1 X.( 2 (M +t M )).Y . Elle est nulle si et seulement si M est antisymtrique (voir proposition 88).

Le cas dun espace euclidien Pour plus dinformations sur les espaces euclidiens on consultera la partie 3.5. Un espace euclidien tant rel et de dimension nie, ce qui vient dtre dit est encore valable. 39

On va noter Q(E) lespace des formes quadratiques. Les notations usuelles seront utilises : (e1 , ..., en ) est une base de E q Q(E) M la matrice (symtrique) associe q pour la base des ei la forme polaire de q (symtrique, de matrice M dans la base des ei ) X dsigne le vecteur colonne des coordonnes de x dans la base des ei Y dsigne le vecteur colonne des coordonnes de y dans la base des ei Formulaire q(x1 .e1 , x2 .e2 , ..., xn .en ) =
(i,j)[1,n]2

Mi,j xi .xj Mi,j xi .yj

(i,j)[1,n]2

((x1 .e1 , x2 .e2 , ..., xn .en ), (y1 .e1 , y2 .e2 , ..., yn .en )) = Mi,j = (ei , ej ) q(ei ) = Mi,i q(x) =t X.M.X (x, y) =t X.M.X et avec (f1 , ..., fn ) une autre base, M at(fi ) () = M at(fi ) (q) =t P(ei ),(fi ) .M.P(ei ),(fi ) Rsultats divers

Thorme 120 Lapplication F de L(E) dans lensemble des applications de E dans R dnie par F (f ) = (y < f (y)|y > induit un isomorphisme de S(E) (ensemble des endomorphismes symtriques de E) sur Q(E) (ensemble des formes quadratiques sur E).

Dmonstration : F (f ) appartient Q(E) pour tout f dans L(E) se voit en considrant la forme bilinaire = (x, y) 1 (< f (x)|y > + < x|f (y) >). 2 < f (x)|x >= 0 pour tout x f antisymtrique (si vous nen tes pas convaincu, revoyez la partie 3.5.2). Avec n la dimension de E, on sait alors que limage de F est de dimension 1 n2 2 n.(n 1) = 1 n.(n + 1) = dim Q(E), donc F a bien pour image Q(E) ; S(E) 2 tant un supplmentaire du noyau de F , F induit bien un isomorphisme de S(E) sur Q(E). Corollaire 121 Toute forme quadratique q scrit x < f (x)|x > pour un certain endomorphisme symtrique f (on peut dailleurs aussi crire x < x|f (x) >, puisque f est symtrique). Dans la mme base, q, et f ont mme matrice.

40

Dnition 122 f (dni comme prcdemment) est appel endomorphisme symtrique associ la forme quadratique q. Ceci nous permet de donner quelques rsultats, consquences immdiates de rsultats connus sur les endomorphismes symtriques : Thorme 123 Soit q une forme quadratique sur E euclidien ; alors il existe une base orthonormale de E dans laquelle la matrice de lendomorphisme associe q est diagonale ; cest dire que cette base est orthogonale pour q aussi. Si on a deux formes quadratiques sur un R-espace vectoriel E de dimension nie dont lune (au moins) est dnie, alors il existe une base orthogonale pour les deux formes quadratiques (il suft de considrer lespace euclidien engendr par la forme dnie (ou sa ngation si elle est ngative) pour conclure). Une forme quadratique sur E euclidien est positive si et seulement si toutes les valeurs propres de lendomorphisme symtrique associ sont positives Une forme quadratique sur E euclidien est dnie si et seulement si toutes les valeurs propres de lendomorphisme symtrique associ sont non nulles et de mme signe Une forme quadratique sur E euclidien est ngative si et seulement si toutes les valeurs propres de lendomorphisme symtrique associ sont ngatives

41

2.4.4

Formes quadratiques complexes

Le cas gnral Le cadre le plus gnral est simplement celui dun C-espace vectoriel . Dnition 124 On appelle forme quadratique hermitienne sur un C-espace vectoriel E une application q de E dans C telle quil existe une forme sesquilinaire hermitienne telle que pour tout x on ait q(x) = (x, x). Cette forme sesquilinaire hermitienne est unique ( vrier plus bas) ; on lappelle forme polaire de q.

Proposition 125 Soit q une forme quadratique hermitienne. Alors : xq(x) R en effet (x, x) = (x, x) car est hermitienne (x, y) E 2 (x, y) = 1 ( ij .q(x + ij .y)) 4 j=1
4

cela se montre simplement en dveloppant chacun des 4 termes de droite Lensemble des formes quadratiques hermitiennes sur E not QH(E) est un R-espace vectoriel . Ce nest pas un C-espace vectoriel , comme on sen convainc facilement en considrant une forme quadratique hermitienne non nulle multiplie par i... On note au passage que le deuxime rsultat de cette proposition donne lunicit recquise dans la dnition de la forme polaire ci-dessus. Le cas de la dimension nie - expression matricielle Dnition 126 Etant donne (e1 , ..., en ) une base de E espace hermitien et q une forme quadratique hermitienne sur E de forme polaire , on dnit la matrice M associe q ou matrice associe par Mi,j = (ei , ej ). On note M = M at(ei ) () ou M = M at(ei ) (q).

42

Proposition 127 La matrice M associe une forme quadratique hermitienne est hermitienne cest--dire que M =t M . Avec X le vecteur colonne des coordonnes de x dans une base donne, Y le vecteur colonne des coordonnes de y dans la mme base, M la matrice associe q ou dans la mme base, on a (x, y) =t X.M.Y
n

q(x) =t X.M.X =
i=1

Mi,i .|Xi |2 + 2.Re(

i<j

Mi,j X i .Xj )

Si (ei )i[1,n] et (fi )i[1,n] sont deux bases de E, alors M at(ei ) (q) =t P(ei ),(fi ) .M at(fi ) (q).P(ei ),(fi ) .

Formes quadratiques sur un espace hermitien Dnition 128 On note QH(E) le R-espace vectoriel des formes quadratiques hermitienne sur E espace hermitien. On note H(E) le R-espace vectoriel des endomorphismes hermitiens de E, espace hermitien. Etant donn f H(E), la forme quadratique x < f (x)|x > est appele forme quadratique hermitienne associe lendomorphisme hermitien f ; rciproquement f est appele endomorphisme hermitien associe cette forme quadratique (voir unicit ci-dessous).

Thorme 129 Lapplication F de H(E) dans QH(E) dni par F (f ) = (x < f (x)|x >) est un isomorphisme.

Dmonstration : Le fait que pour tout f dans H(E) F (f ) soit une forme quadratique est clair (considrer la forme sesquilinaire (x, y) < f (x)|y >). Le fait que f est un morphisme est facile prouver. La surjectivit : Il suft, tant donn une forme quadratique, de considrer sa matrice dans une base orthonormale quelconque, et lendomorphisme associ la mme matrice dans la mme base ; limage de cet endomorphisme par f . Linjectivit : Supposons F (f ) = 0. Lapplication (x, y) < f (x)|y > est la forme polaire de F (f ) (elle est bien sesquilinaire et hermitienne) ; donc cette forme sesquilinaire est nulle par unicit de la forme polaire. Donc < f (x)|y > est nul pour tout x et tout y, do le

43

rsultat en spcialisant par y = f (x). Thorme 130 Pour toute forme quadratique hermitienne il existe une base orthonormale (pour le produit scalaire hermitien ) qui est orthogonale pour cette forme quadratique.

Dmonstration : Il suft de considrer la proposition 189 appliqu lendomorphisme associ une forme quadratique. Quelques liens entre une forme quadratique q et lendomorphisme hermitien associ f : q est dnie si et seulement si toutes les valeurs propres de f sont de mme signe et non nulles q est positive si et seulement si toutes les valeurs propres de f sont positives q est ngative si et seulement si toutes les valeurs propres de f sont ngatives

2.5
2.5.1

Zoologie des dterminants

Dterminant dordre 2
= a.d b.c a b c d

2.5.2

Dterminant dordre 3
M1,1 M2,1 M3,1 M1,2 M2,2 M3,2 M1,3 M2,3 M3,3

= M1,1 .M2,2 .M3,3 + M1,2 .M2,3 .M3,1 + M2,1 .M3,2 .M2,3 M3,1 .M2,2 .M1,3 M2,1 .M1,2 .M3,3 M3,2 .M2,3 .M1,1 Une faon usuelle de retenir ce rsultat pas trs lgant vu comme a est le schma 2.2. On suit les ches marques dun + pour retrouver les produits compter positivement, et les ches marques dun pour retruver les produits compter ngativement.

44

+ + - + M M M M M M M M M
1,1 2,1 3,1 1,2 2,2 1,3 2,3 3,2 3,3
F IG . 2.2 La rgle de Sarrus

2.5.3

Dterminant de Vandermonde

Dnition 131 On appelle dterminant de Vandermonde associ un nuple (x1 , ..., xn ) le dterminant x0 1 x0 2 x0 3 x0 4 . . . x0 n x1 1 x1 2 x1 3 x1 4 . . . x1 n x2 1 x2 2 x2 3 x2 4 . . . x2 n x3 1 x3 2 x3 3 x3 4 . . . x3 n ... ... ... ... . . . ... xn 1 xn 2 xn 3 xn 4 . . . xn n

Proposition 132 (Dterminant de Vandermonde) Le dterminant de Vandermonde associ (x1 , ..., xn ) est i<j xj xi

Dmonstration : On note Wn le dterminant x0 1 x0 2 x0 3 x0 4 . . . x0 n x1 1 x1 2 x1 3 x1 4 . . . x1 n x2 1 x2 2 x2 3 x2 4 . . . x2 n x3 1 x3 2 x3 3 x3 4 . . . x3 n ... ... ... ... . . . ... xn 1 xn 2 xn 3 xn 4 . . . xn n

45

On note Pn le polynme i[1,n1] (X xi ). On a

n1

P =X

n1

+
k=1

pk .X k1

On ajoute alors la dernire colonne la somme des pk .ck pour k [1, n 1] avec ck la colonne k. Sur la dernire colonne, on a maintenant seulement des 0, sauf pour la dernire ligne o lon a P (xn ). Par rcurrence, on en dduit le rsultat annonc.

2.5.4

Dterminant dune matrice de permutation

Dnition 133 (Matrice dune permutation) On appelle matrice de la permutation n la matrice M de type (n, n) dnie par Mi,j = i,(j) .

Proposition 134 Le dterminant de la matrice de la permutation est gal la signature de la permutation (). Dmonstration : Il suft de revenir la dnition du dterminant dune famille de vecteurs dans une base, et de voir quil ny a quune permutation qui nannule pas le produit correspondant dans la formule.

2.5.5

Dterminant circulant droit

Dnition 135 On appelle matrice circulante associ au n-uple (x1 , ..., xn ) la matrice M dnie par Mi,j = xji (modulo n) , cest dire x1 x2 x1 xn .. . x3 x3 x2 x1 .. . x4 ... .. . .. . .. . ... xn

xn xn1 . . . x2

xn1 xn2 . . . x1

On trouvera la dnition dune matrice circulante droite en 4.7.

46

Proposition 136 Cn = i=1..n P (yi ) avec P (X) = 2.i. e n .

n1 i=0

xi .X i1 et yi =

n1 0 Dmonstration : On note Yi le vecteur (yi , ..., yi ). On constate que M.Yi = P (yi ).Yi . On note Y la matrice dont les vecteurs colonnes sont Y0 , ..., Yn1 . On a alors M.Y = M.diag(P (y0 ), ..., P (yn1 )). Donc comme le dterminant de M est non nul (voir 2.5.3), le dterminant de Y est i=1..n P (yi ).

Quand mme, il fallait y penser, multiplier par la transpose de la matrice de Vandermonde associe aux racines n-imes de lunit... On dnit de mme les matrices circulantes gauche, dont on calcule le dterminant en utilisant une permutation bien choisie sur les lignes...

2.5.6

Dterminant de Mi,j = inf {i, j}

1 1 1 . . . 1 1 2 2 . . . 1 2 3 . . . ... ... ... 1 2 3 . . . n

Le dterminant est le suivant :

... 2 3 ...

Puisquon peut volont sans changer le dterminant ajouter une colonne une combinaison linaire des autres colonnes, on peut en particulier soustraire une colonne la colonne prcdente ; on obtient alors le dterminant plus facile : 1 1 1 . . . 0 1 1 . . . 0 0 1 . . . ... 0 0 0 .. . ... ... ... ... .. . ... 0 0 0 . . . 1

1 ... Ce dterminant est donc gal 1.

47

2.6
2.6.1

Zoologie de lalgbre bilinaire

Procd dorthogonalisation de Gauss

Thorme 137 (Orthogonalisation de Gauss) Soit E un K-espace vectoriel de dimension nie n, et q une forme quadratique sur E. Alors, avec r le rang de q, il existe r formes linaires indpendantes sur E, f1 ,...,fr tels que q = r 2 i=1 fi . Dmonstration : Il sagit simplement doprations sur les lignes et les colonnes ; voir la mthode de Gauss, 245.

48

Chapitre 3

Espaces prhilbertiens et espaces de Hilbert

3.1 Espaces prhilbertiens rels

Il est recommand de lire au pralable la partie 2.4 et la partie ??.

Dnition 138 Etant donn E un R-espace vectoriel , on appelle produit scalaire euclidien sur E une application < .|. > de E 2 dans R telle que : < .|. > est bilinaire < x|y >=< y|x > pour tout x et tout y x = 0 < x|x >> 0 (i.e. la forme quadratique associe est une forme bilinaire dnie positive) On appelle espace prhilbertien rel un R-espace vectoriel muni dun produit scalaire euclidien. Un sous-espace vectoriel F dun espace prhilbertien rel E muni dun produit scalaire euclidien, muni de la restriction du produit scalaire euclidien F , est appele sous-espace prhilbertien de E (cest un espace prhilbertien). Etant donn un produit scalaire euclidien < .|. >, on dnit une norme euclidienne ; il sagit de lapplication x x = < x|x >. On verra plus loin quil sagit dune norme (facile au vu des rsultats de la partie 2.4).

On na aucun moment impos que la dimension soit nie. Un produit scalaire euclidien sur un R-espace vectoriel est donc une forme bilinaire symtrique associe une forme quadratique dnie positive. Exemples :

49

 Le produit scalaire euclidien canonique sur Rn est dni par (x|y) =

i[1,n]

xi .yi .

Le produit scalaire euclidien canonique sur le sous-ensemble de RN des suites sommables (i.e. des (un )nN telles que nN |un | converge) est dni par < (un )nN |(vn )nN >=
nN

un .vn .

Il est important de rappeler le thorme 109 et le corollaire 112. Ils stipulent que : < x|y >2 < x|x > . < y|y > (ingalit de Schwartz) | < x|y > | x . y (ingalit de Schwartz, en passant la racine) x + y x + y (ingalit de Minkowski = ingalit triangulaire) Le produit scalaire est continu (consquence de Schwartz) La notation < x|y > peut tre remplace par (x|y), < x, y >, (x, y), ou mme x.y.

50

3.2

Espaces prhilbertiens complexes

Dnition 139 Une application dun C-espace vectoriel E dans un C-espace vectoriel F est dite semi-linaire si (x, y) E 2 f (x + y) = f (x) + f (y) (x, ) E C f (.x) = f (x) Une application semi-linaire est un semi-isomorphisme si et seulement si elle est semi-linaire et bijective. Une forme semi-linaire est une application semi-linaire dun C-espace vectoriel dans C. Etant donns E et F des C-espace vectoriel une application de E F est dite forme sesquilinaire sur E F si x lapplication y (x, y) est une forme linaire sur F y lapplication x (x, y) est une forme semi-linaire sur E Une forme sesquilinaire sur E E est dite hermitienne lorsque en outre (x, y) E 2 (x, y) = (y, x). Une forme sesquilinaire hermitienne sur E 2 est dite produit scalaire hermitien sur E si x E \ {0} (x, x) R+ . On note gnralement alors < x|y >= (x, y) Etant donn un produit scalaire hermitien < .|. >, on dnit une norme hermitienne ; il sagit de lapplication x x = < x|x >. On verra plus loin quil sagit dune norme. On appelle espace prhilbertien complexe un C-espace vectoriel muni dun produit scalaire hermitien. Un sous-espace vectoriel F dun espace prhilbertien complexe E muni dun produit scalaire hermitien, muni de la restriction du produit scalaire hermitien F , est appele sous-espace prhilbertien de E (cest un espace prhilbertien). On na aucun moment impos que la dimension soit nie. La notation < x|y > peut tre remplace par (x|y), < x, y >, (x, y), ou mme

x.y. Remarquons que le fait que pour une forme sesquilinaire hermitienne on ait x (x, x) R dcoule du fait que est hermitienne ; il suft de vrier que (x, x) > 0. Une forme linaire nest pas ncssairement une forme semi-linaire Une forme semi-linaire nest pas ncssairement une forme linaire Une forme sesquilinaire est donc semi-linaire par rapport la premire variable et linaire par rapport la seconde. Exemples : Sur Cn le produit scalaire hermitien canonique est dni par < x|y >= i=1..n xi .yi . Les ingalits de Schwartz et de Minkowski montres dans la partie2.4 sont valables ici aussi ; mais la dmonstration, base sur la bilinarit et utilisant les formes quadratiques, nest plus valable. 51

Lemme 140 (Egalit utile) x+y

2

= x

+ y

+ 2.Re(< x|y >)

avec Re(u) la partie relle de u. Dmonstration : Evidente, en utilisant < x|y >= < y|x >.

Thorme 141 (Ingalit de Cauchy-Schwartz) Dans un espace prhilbertien complexe (x, y) E 2 | < x|y > | x . y Il y a galit si et seulement si la famille est lie.

Dmonstration : Soit largument de < x|y >, alors pour tout t rel, au vu du lemme 140 : t.ei .x + y
2

= t2 . x

+ y

+ 2.t.| < y|x > |

2 2

On en dduit donc que le discriminant de t t2 . x + y + 2.t.| < y|x > | est ngatif ou nul, ce qui donne lingalit annonce. Le cas dgalit est le cas o le discriminant est nul.

Corollaire 142 (Ingalit de Minkowski) Dans un espace prhilbertien complexe (x, y) E 2 x + y x + y Il y a galit si y = .x ou x = .y avec > 0. Dmonstration : Par le lemme 140, on a x+y
2

= x
2

+ y
2

+ 2.Re(< x|y >)

x (par Cauchy-Schwartz ci-dessus)

+ y

+ 2.| < x|y > |

= ( x + y )2 Do le rsultat. Le cas dgalit se montre facilement...

52

Proposition 143 Dans le cas euclidien, retrouver le produit scalaire partir de la norme tait facile ; dans le cas hermitien cest un peu plus compliqu : < x|y >= 1 ( x+y 4
3 2

xy

i x + i.y

+ i. x i.y )

1 = ( e2.i..n/4 x + e2.i..n/4 .y ) 4 n=0

La dernire ligne est un bon moyen mnmotechnique, mais il faut bien penser que lon a un signe moins dans le coefcient de lexponentiel en dehors de . et un signe plus lintrieur.

3.3

Espaces prhilbertiens

On se place ici dans le cadre de E espace prhilbertien, rel ou complexe. On ne suppose absolument pas E de dimension nie. Dnition 144 x et y appartenant E sont dits orthogonaux si < x|y >=< y|x >= 0. Deux parties X et Y de E sont dites orthogonales si x et y sont orthogonaux pour tout (x, y) dans X Y . On appelle orthogonal dune partie X et on note X lensemble des y tels que < x|y >= 0 pour tout x dans X. Une famille (xi )iI est dite orthogonale si i = j < xi |xj >= 0. Une famille (xi )iI est dite orthonormale si < xi |xj >= i,j . Remarques : < x|y >= 0 < y|x >= 0 toute partie est orthogonale son orthogonal Etant donn F un sous-espace vectoriel de E, la somme de F et de F est toujours directe, mais non ncssairement gale E Pour toute partie X, X est un sous-espace vectoriel ferm de E (car cest une intersection de ferms, par dnition) Ne pas confondre "tre orthogonal " et "tre lorthogonal de".

53

Proposition 145 Toute famille orthogonale de vecteurs non nuls est libre. Dmonstration : Supposons donne une combinaison linaire nulle i i xi , et considrons le produit scalaire avec xi0 . On en dduit immdiatement que i0 est nul. Do le rsultat.

Proposition 146 (Orthogonalit et espaces supplmentaires) Si F et G sont supplmentaires, alors F et G sont orthogonaux si et seulement si G est lorthogonal de F . Si F et F sont supplmentaires, alors F = F . Dmonstration : En exercice ! On va maintenant considrer quelques rsultats de gomtrie :

Thorme 147 (Thorme de Pythagore) Si les xi sont une famille nie 2 2 orthogonale alors = i x . i xi

Dmonstration : Evident par rcurrence. On note que dans le cas dun espace prhilbertien rel, x quivaut x et y orthogonaux. Pas valable dans le cas complexe !
2

+ y

= x+y

54

Proposition 148 (Quelques rsultats de gomtrie) Formule du triangle : yz

2

= yx

+ z x 2.Re(< z x|y x >)

Formule de la mdiane : yz
2

1 + 4 x (y + z) 2

= 2. x y

+ 2. x z

Formule du triangle pour un espace prhilbertien rel : yz

2

= yx

+ z x 2 < z x|y x >

Formule du paralllogramme, pour un espace prhilbertien rel : x+y

2

+ xy

= 2( x

+ y )

Dmonstration : Facile, facile ; il suft de dvelopper. Illustration en gure 3.1.

Thorme 149 Dans un espace prhilbertien E de dimension nie, tout sous-espace vectoriel F est supplmentaire son orthogonal, ie E = F F . On a alors dim E = dim F + dim F . Tout espace prhilbertien de dimension nie admet une base orthonormale. Dans un espace prhilbertien de dimension nie, toute famille orthonormale peut tre complte en une base orthonormale. Si F est un sous-espace vectoriel de E, avec E espace prhilbertien, et F est de dimension nie, alors on a E = F F .

Dmonstration : Pour le premier , on considre lapplication f qui x dans E associe (< u1 |x >, < u2 |x >, < u3 |x >, ..., < up |x >). Le noyau est F , le rang est la dimension de F . Donc dim F dim E dim F , donc E = F F (rappelons quil est toujours vrai que F F = {0}). On a donc bien dim F + dim F = dim E. Pour le second , on raisonne par rcurrence. Pour E prhilbertien de dimension 1, le rsultat est vident. Il suft ensuite de considrer un vecteur quelconque en de E de norme 1, et une base (e1 , ..., en1 ) de (K.u) . (e1 , ..., en ) convient. Le troisime est immdiat ; il suft de considrer F engendr par la famille orthonormale (e1 , ..., ep ) considre, et une base (ep+1 , ..., en ) de F , runie en (e1 , ..., en ), base orthonormale de E. Le quatrime est un peu plus long : - on considre une base (e1 , ..., ep ) orthonormale de F . - on considre lapplication f qui x associe i=1p < ei |x > ei . - x E x = f (x) + (x f (x))
F F

Do le rsultat. 55

z x+y 1 y x x-y -2 -2 x mdiane 4

-1 Paralllogramme
3.4 Espaces de Hilbert

F IG . 3.1 Illustrations de la formule de la mdiane, du paralllogramme. Les coefcients attribus servent de moyen mnmotechnique ; en sommant les carrs des longueurs indiques, pondres par leur coefcient, on obtient zro.

Dnition 150 On appelle espace de Hilbert un espace prhilbertien complet.

56

3.4.1

Projection dans un espace de Hilbert

Dnition 151 Soit H un espace de Hilbert, et E une partie convexe ferme non vide de H. Alors tant donn x appartenant H on appelle projet de x sur E un lment y de E tel que x y soit minimal, cest--dire y = argminzE z x . Un isomorphisme despaces de Hilbert est un isomorphisme entre les espaces vectoriels sous-jacents qui prserve la norme et le produit scalaire.

Thorme 152 Le projet de x sur E existe et est unique, et y dans E est le projet de x sur E si et seulement si pour tout e dans E Re(< e y|x y > ) 0.

Il est clair que dans le cas dun espace de Hilbert rel, on pourrait simplement formuler < e y|x y >< 0. Dmonstration : Existence dun projet de x sur E. On se donne une suite yn telle que x yn tende vers la distance d entre x et E. Par la formule de la mdiane applique aux points yn , ym et x, on a alors ym y n
2

= 2.( x yn

1 2 + x ym ) 4. x (yn + ym ) 2

par convexit de E on a alors 1 (yn + ym ) E et donc 2 1 x (yn + ym ) 2 et donc y m yn

2 2

d2

Donc la suite yn est de Cauchy, donc par compltude de H elle converge. Sa limite y est dans E parce que E est ferm. Supposons que y est dans E et que pour tout e dans E Re(< y e|y x >) 0. Alors pour tout e dans E on a xe
2

= xy

+ ey

2.Re(< e y|x y >)

On obtient dun coup dun seul que y est la borne inf, et que y est unique (car sil y a galit, e y = 0). Supposons maintenant que y soit un projet de x sur E, et montrons que Re(< e y|x y >) 0 pour tout e dans E. On a : 2 2 2 x e = x y + e y 2.Re(< e y|x y >) et donc Re(< e y|x y >) = 1 ( xe 2 57
2

xy

+ ey )

par dnition de y, on a x e

xy

0, et donc 1 2 ( ey ) 2

Re(< e y|x y >)

valable pour tout e. On se donne maintenant z dans E, et on considre e = t.z + (1 t).y. Lingalit prcdente scrit alors Re(< t.z t.y|x y >) et donc Re(< z y|x y >) En faisant tendre t vers 0, on en dduit Re(< z y|x y >) 0 La preuve est ainsi complte. 1 2 ( t.z t.y ) 2 t zy 2

Corollaire 153 Dans tout ensemble non vide ferm convexe il existe un unique lment de norme minimale.

Proposition 154 Le projet de x sur un sous-espace vectoriel ferm E (qui est videmment convexe) est le point y tel que y x est orthogonal e x pour tout e dans E. Soit (xi )i[1,n] une famille orthonormale ; alors lespace vectoriel engendr par les xi est ferm (car il y en a un nombre ni, voir le corollaire ??), convexe. La projection sur ce sous-espace vectoriel de H est lapplication qui x associe i[1,n] < xi |x > .xi . On a alors x = i | < xi |x > |2 + x y avec y = .xi . 2 x i < xi |x >2 (ingalit de Bessel).
2 2 i[1,n]

< xi |x >

Dmonstration : Exercice facile, utilisant les rsultats que lon vient de voir dans le thorme prcdent...

Dnition 155 Soit E un sous-espace vectoriel ferm de H. On appelle projection orthogonale sur E lapplication qui x dans H associe son projet sur E ; il sagit dun projecteur, et la symtrie associe ce projecteur est appele symtrie orthogonale par rapport E (voir1.3.2).

La projection orthogonale sur E est en fait la projection sur E suivant E .

58

3.4.2

Bases hilbertiennes

Dnition 156 (Base hilbertienne) On appelle base hilbertienne dun espace de Hilbert H une famille (xi )iI telle que : la famille des xi est orthonormale pour tout x dans H x = iI < xi |x > xi

La seconde condition est une somme ventuellement innie, en fait il sagit dune famille sommable, i.e. pour tout il existe J ni inclus dans I, tel que pour tout K ni compris entre J et I la somme sur K des < xi |x > .xi est une distance < de x. Thorme 157 Une famille orthonormale (xi )iI est une base hilbertienne si et seulement si le sous-espace vectoriel engendr par les xi est dense dans H. (Relation de Parseval) Une famille orthonormale (xi )iI est une base hil2 bertienne si et seulement si iI | < xi |x > |2 = x .

La relation du deuxime est appele relation de Parseval. Dmonstration : Supposons le sous-espace vectoriel E engendr par les xi dense dans H. Alors il existe y dans E tel que x y , et y = i xi . On en dduit que la famille est une base hilbertienne. Si la relation de Parseval est vrie, alors le sous-espace vectoriel engendr est dense dans H, comme on le voit en considrant une sous-famille de I sufsamment vaste. Si on suppose que la famille est une base hilbertienne, alors la relation de Parseval est vrie, au vu des rsultats de la proposition 154. Attention ! Une base hilbertienne nest pas ncssairement une base au sens des espaces vectoriels !

Thorme 158 Une famille orthonormale (xi )iI est une base hilbertienne si et seulement si pour tout x et tout y on a < x|y >= i < xi |x > . < xi |y >. Une famille orthonormale (xi )iI est une base hilbertienne si et seulement si elle est maximale pour linclusion.

Dmonstration : Pas trs dur, dans le mme style que le thorme prcdent, jai pas la patience de dtailler... La proposition suivante permet de se ramener une forme plus "visuelle" des espaces de Hilbert.

59

Thorme 159 (Riesz-Fischer - Isomorphisme sur un l2 ) Soit H un espace de Hilbert, et (xi )iI une base hilbertienne de H. Alors lapplication x (< xi |x >)iI est un isomorphisme de H sur l2 (I).

Dmonstration : Lapplication = x (< xi |x >)iI est bien valeurs dans l2 (I), vu la relation de Parseval (thorme 157). est linaire, conserve la norme. conservant la norme, est injective. conservant la norme, conserve les distances, et donc son image est un sous-espace vectoriel complet, donc ferm de l2 (I). (xi ) est la fonction caractristique du singleton i ; or les combinaisons linaires de ces fonctions sont denses dans l2 (I), donc (H) est dense. (H) est dense et ferm, donc il est gal l2 (I). Le produit scalaire est continu, donc le fait quil soit conserv sur les xi suft montrer quil est conserv partout. Un rsultat utrieur donnera toute sa puissance ce rsultat, en montrant que tout espace de Hilbert possde une base hilbertienne. Il ne sagit pas dun isomorphisme ramenant tous les espaces de Hilbert possdant une base un seul, car I peut avoir des cardinaux diffrents.

Lemme 160 Soit H un espace de Hilbert . Soit E un sous-espace vectoriel ferm de H. Si E nest pas gal H, alors il existe x dans H de norme 1 orthogonal E. Dmonstration : Il suft de considrer x y, pour x E c et y projet de x sur E.

Thorme 161 Tout espace de Hilbert possde une base hilbertienne .

Ncssite lusage de laxiome du choix ! Dmonstration : On considre lensemble des familles orthonormales, munies de linclusion. Il sagit bien dun ensemble inductif (si lon considre une chane de familles orthonormales, leur runion est bien un majorant), et donc par le lemme de Zorn (voir le lemme ??) il admet un lment maximal. On considre ladhrence du sousespace vectoriel engendr par cette famille, et si lon nobtient par H lui-mme, on applique le lemme 160, et on contredit la maximalit de notre famille orthonormale.

60

Corollaire 162 (Corollaire des deux thormes prcdents) Tout espace de Hilbert est isomorphe l2 (I) pour un certain I. Rappelons que L(E, F ) dsigne lensemble des applications linaires continues de E dans F , avec E et F des espaces vectoriels , et que pour E un K-espace vectoriel on note E le dual topologique de E, cest dire L(E, K). Thorme 163 Soit H un espace de Hilbert rel (resp. complexe). Alors lapplication : H H , x (x) = (y < x|y >) est une bijection linaire (resp. semi-linaire).

Dmonstration : La linarit (resp. semi-linarit) est claire. Linjectivit nest pas bien difcile ; il suft de voir que si (x) = (y), alors pour tout z < x|z >=< y|z >, et on conclut en considrant une base hilbertienne, ou bien en considrant < x y|x y >=< x|x y > < y|x y >= 0... La surjectivit est plus intressante. Soit f une forme linaire continue sur H, autre que la forme linaire nulle. Son noyau est un sous-espace vectoriel ferm E de H. On considre F lorthogonal de E ; E et F sont en somme directe, car E est de codimension 1 en tant que noyau dune forme linaire, et F est de dimension au moins 1 (voir (y) lemme 160), et bien sr E F . On considre alors y dans F , non nul, et x = fy 2 .y. On vrie que (x) = f sur F , sur E, et donc sur H tout entier.

Proposition 164 (Procd dorthonormalisation de Schmidt) Etant donne une famille (xi )i[0,N [ avec N N {+} libre de H (H espace de Hilbert ), il existe une famille (yi )i[0,N [ orthonormale telle que le sous-espace vectoriel engendr par (yi )i[1,k] soit gal au sous-espace vectoriel engendr par (xi )i[1,k] pour tout k < N . Dmonstration : Il suft de procder comme suit : y0 = x0 / x0 et pour n > 0 zn = xn
i=0..n1

< yi |xn > .yi

et y n = zn / zn Et a marche tout seul.

61

Exemple Maple Ci-dessous une implmentation dans le cadre des polynmes orthogonaux (voir partie ??). > scalaire := (f, g) > int(f g, t = 0..1); > norme := f > sqrt(scalaire(f, f )); > N := 3; x := array(0..N ); f or i f rom 0 by 1 to N do x[i] := ti ; od; y := array(0..N ); z := array(0..N ); > y[0] := x[0]/norme(x[0]); f or i f rom 1 by 1 to N do z[i] := x[i]; f or j f rom 0 by 1 to (i 1) do z[i] := z[i] scalaire(x[i], y[j]) y[j]; od; y[i] := simplif y(z[i]/norme(z[i])); od; > A := linalg[matrix](N + 1, N + 1); f or i f rom 0 by 1 to N do f or j f rom 0 by 1 to N do A[i + 1, j + 1] := simplif y(scalaire(y[i], y[j])); od; od; evalm(A); 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 (une partie des rponses de Maple est supprime par conomie de place)

Proposition 165 Si N < + alors la matrice de passage de la base des yi la base des xi est triangulaire de dterminant i=1..n < xi |yi >. Dmonstration : Il suft de voir que P(yi ),(xi ) =< xi |yj >.

3.4.3

Quelques utilisations des espaces de Hilbert

On pourra aller voir par exemple le thorme ?? (une version de thorme de point xe). La partie ??, au niveau des sries de Fourier, donne une application trs classique des espaces de Hilbert et des bases hilbertiennes.

62

3.5
3.5.1

Espaces euclidiens
Les bases

Dnition 166 (Espace euclidien) On appelle espace euclidien un espace prhilbertien rel de dimension nie non nulle. Un endomorphisme dun espace euclidien est dit orthogonal si limage dune certaine base orthonormale est une base orthonormale. On appelle similitude dun espace euclidien un endomorphisme gal la compose dune homothtie (i.e. une application du type E E, x .x) et dun automorphisme orthogonal. On appelle rapport dune similitude le rapport dune homothtie de la dcomposition de cette similitude en une homothtie et un automorphisme (le rapport est unique).

Un espace euclidien est donc en particulier est espace prhilbertien et un espace de Hilbert ; on pourra donc consulter la partie 3 et plus spcialement la partie 3.4 pour avoir les bases. Proposition 167 Limage de toute base orthonormale par un endomorphisme orthogonal est une base orthonormale. Un endomorphisme est orthogonal si et seulement si sa matrice dans une base orthonormale est une matrice orthogonale. Un espace euclidien est un espace de Hilbert. Rn muni du produit scalaire euclidien canonique (i.e. < x|y >= i[1,n] xi .yi ) est un espace euclidien. Un espace euclidien est isomorphe Rn muni du produit scalaire euclidien canonique pour un certain n.

Dmonstration : Un espace euclidien est de dimension nie, en dimension nie toutes les normes sont quivalentes, donc lespace est isomorphe au sens des espaces vectoriels norms Rn muni dune norme usuelle et est donc complet. Donc cest un espace de Hilbert. Donc il admet une base orthonormale. Le tour est jou. Soit E un espace euclidien, n sa dimension. Les rsultats suivants sont trop faciles pour valoir une dmonstration (notez toutefois quils napparaissent faciles quau vu des parties prcdentes) : Lapplication x (y < x|y >) est un isomorphisme de E sur E . Toute forme linaire sur E scrit < x|. > pour un certain x de E. Il existe une base orthonormale de E, qui est dailleurs une base hilbertienne aussi.

63

Dnition 168 Il y a plusieurs notions dangles dnir : On dnit langle entre deux vecteurs non nuls x et y comme tant le rel de [0, ] tel que cos() = <x|y> . x . y On dnit langle entre deux droites par langle entre un vecteur dune base de lune et un vecteur dune base de lautre. On dnit langle entre deux hyperplans comme langle entre les droites qui leurs sont orthogonales. On dnit langle entre une droite et un hyperplan comme langle entre la droite et la droite orthogonale lhyperplan. On dit que deux sous-espaces vectoriels de E sont perpendiculaires sils sont orthogonaux.

Proposition 169 Un endomorphisme est une similitude si et seulement si les deux conditions suivantes sont vries : il est bijectif il conserve lcart angulaire

Dmonstration : Il est trs facile de vrier quune similitude vrie bien les deux proprits annonces. Rciproquement, supposons les deux proprits vries par un endomorphisme f . Alors : Considrons lapplication g : x f (x) , pour x non nul. x Conservant lcart angulaire, lapplication f conserve aussi lorthogonalit. Etant donns x et y distincts, z = y <x|y> x est orthogonal x. x 2 f (z) est donc orthogonal f (x). En dveloppant < f (x)|f (z) > puis en factorisant par < x|y > f (x) , on x obtient que g(x) = g(y). g est donc constante, gale . 1 f conserve donc la norme, et donc est orthogonal daprs la proposition 172. Par dnition, f est donc une similitude.

La preuve ci-dessus montre quen fait sufsant quun endomorphisme bijectif conserve lorthogonalit pour quon puisse conclure quil sagit dune similitude.

3.5.2 Endomorphisme adjoint

Thorme 170 Pour tout endomorphisme f dun espace euclidien E, il existe un et un seul endomorphisme f tel que pour tout x et tout y de E, < f (x)|y >=< x|f (y) >.

64

Dmonstration : Existence et unicit de f : pour tout y, lapplication x < f (x)|y > est une forme linaire ; donc par lisomorphisme dcrit plus haut entre E et son dual il existe un unique f (y) tel que pour tout x < f (x)|y >=< x|f (y) >. Linarit de f : soit < f (x)|1 .y1 + 2 .y2 >= 1 . < f (x)|y1 > +2 . < f (x)|y2 > = 1 . < x|f (y1 ) > +2 . < x|f (y2 ) > =< x|1 .f (y1 ) > + < x|2 .f (y2 ) > =< x|1 .f (y1 ) + 2 .f (y2 ) > pour tout x et donc f (1 .y1 + 2 .y2 ) = 1 .f (y1 ) + 2 .f (y2 ) ce qui conclut la preuve. Dnition 171 f est appel endomorphisme adjoint de f . f est dit orthogonal si f .f = f.f = Id. f est dit symtrique si f = f . On note S(E) lensemble des endomorphismes symtriques de E. f est dit antisymtrique si f = f . On note A(E) lensemble des endomorphismes antisymtriques de E. On appelle groupe orthogonal de E et on note O(E) lensemble des endomorphismes orthogonaux de E ; cest un sous-groupe de GL(E), ensemble des automorphismes de E. On appelle groupe spcial orthogonal de E et on note SO(E) lensemble des endomorphismes orthogonaux de E de dterminant 1 ; cest un sousgroupe de O(E).

Quelques proprits faciles de E euclidien : Un endomorphisme est orthogonal si et seulement si son adjoint lest. Lapplication f f est un endomorphisme de L(E) ; cest un endomorphisme involutif, cest dire que f est gal f . Ker f = (Im f ) Im f = (Ker f ) Ker f = (Im f ) Im f = (Ker f ) (g f ) = f g M atB (f ) =t M atB (f ) f est diagonalisable f est diagonalisable. si f est inversible, alors f aussi et (f )1 = (f 1 ) . F sous-espace vectoriel de E est stable par f si et seulement si F est stable par f . Un endomorphisme et son adjoint ont mme polynme caractristique.

65

A peine plus dur : Proposition 172 Un endomorphisme est orthogonal si et seulement si il conserve le produit scalaire. Un endomorphisme est orthogonal si et seulement si il conserve la norme.

Dmonstration : Il est vite vu que les conditions en question sont quivalentes entre elles, car la norme sexprime en fonction du produit scalaire, et le produit scalaire en fonction de la norme ; le calcul est facile. On va donc se contenter de montrer les deux implications suivantes : Si f est orthogonal, alors f conserve la norme : vident car x
2

=< f (x)|f (x) >=< x|f 1 (f (x)) >=< x|x >= x

Si f conserve le produit scalaire, alors f est orthogonal : - f est injectif puisquil conserve la norme - on est en dimension nie, donc f est inversible - < f (x)|y >=< f (x)|f (f 1 (y)) >=< x|f 1 (y) > et donc f 1 = f . On peut aussi noter le rsultat amusant suivant : Proposition 173 Une application de E dans E avec E euclidien conservant le produit scalaire est linaire. Une application de E dans E avec E euclidien conservant la norme est linaire.

Dmonstration : Il suft de dvelopper f (.x + .y) .f (x) .f (y) et de calculer un peu. Un peu de calcul sur les formules liant produit scalaire et norme suft... Corollaire 174 f est orthogonal si et seulement si limage dune base orthonormale est une base orthonormale. Limage dune base orthonormale par un endomorphisme orthogonal est une base orthonormale.

Corollaire 175 Une application de E dans E avec E euclidien est une isomtrie si et seulement si cest la compose dune translation et dun endomorphisme orthogonal. Dmonstration : Il est vident que la compose dune translation et dun endomorphisme orthogonal est une isomtrie. Rciproquement, on procde comme suit : On se donne f une isomtrie de E dans E 66

 On considre g = (x x f (0) f On montre que g conserve la norme On conclut par la proposition 173. Quelques proprits faciles des endomorphismes orthogonaux, utilisant les rsulProposition 176 Soit f O(E) : Le spectre de f est inclus dans {1, 1} Le dterminant de f est 1 ou 1 F est stable par f F est stable par F Un endomorphisme orthotats ci-dessus ; gonal a toutes ses valeurs propres gales 1 ou 1 Un endomorphisme orthogonal diagonalisable est une symtrie orthogonale (voir1.3.2 E = Im (f I) Ker (f I)

Quelques rsultats sur les endomorphismes symtriques et antisymtriques (E un espace euclidien) : Proposition 177 Un endomorphisme est symtrique (resp. antisymtrique) si et seulement si sa matrice dans une base orthonormale est symtrique (resp. antisymtrique) Lensemble L(E) des endomorphismes de E est somme directe de lensemble S(E) des endomorphismes symtriques et de lensemble A(E) des endomorphismes antisymtriques ; L(E) = S(E) A(E). dim L(E) = n2 avec n = dim E dim S(E) = 1 n.(n + 1) avec n = dim E 2 1 dim A(E) = 2 n.(n 1) avec n = dim E si f est un endomorphisme antisymtrique de E, alors f f est un endomorphisme symtrique Un endomorphisme f de E est antisymtrique si et seulement si x < f (x)|x >= 0 La seule valeur propre possible dun endomorphisme antisymtrique est 0 Limage et le noyau de f symtrique ou antisymtrique sont supplmentaires orthogonaux Le rang dun endormophisme antisymtrique est pair (en effet sa restriction son image est une bijection et est antisymtrique, donc il na pas de valeur propre puisque 0 nest pas de valeur propre, donc le polynme caractristique na pas de racine, donc limage est de dimension paire) Les sous-espaces propres dun endomorphisme symtrique sont supplmentaires et orthogonaux. Le polynme caractristique dun endomorphisme symtrique est scind sur R (cest dire que la somme des multiplicits de ses racines sur R est gal son degr). Un endomorphisme symtrique est diagonalisable dans une base orthonormale

67

Dmonstration : La seule chose qui justie que lon fasse une preuve est lavantdernier point, qui entrane le dernier. On se donne f un endomorphisme symtrique, et M sa matrice dans une base orthonormale. Soit une racine dans C du polynme caractristique de M . On peut trouver un vecteur colonne C ( coefcients complexes non nuls) tel que M.C = .C t X.M.X = .t X.X t en conjuguant et en transposant on obtient t X.( M ).X = X.X cest dire t t X.M.X = X.X on a donc .t X.X = .t X.X t X.X est non nul donc R et cest ni.

3.5.3

Orientation dun espace euclidien

On pourra consulter au pralable la partie2.

Dnition 178 On appelle espace euclidien orient un couple (E, C) o E est un espace euclidien et C une classe dquivalence sur lensemble des bases de E pour la relation dquivalence R dnie par BRB det PB,B > 0 Lorientation de F sous-espace vectoriel de dimension n p de (E, C) espace euclidien orient de dimension n suivant (e1 , ..., ep ) une base dun supplmentaire de F est lespace euclidien orient (F, {(ep+1 , ..., en )/(e1 , ..., en ) C}) (il sagit dun espace euclidien orient) On appelle base directe de lespace euclidien orient (E, C) une base appartenant C. On appelle base indirecte de lespace euclidien orient (E, C) une base nappartenant pas C.

Il ny a que deux orientations possibles dun mme espace euclidien. Lespace euclidien orient usuel correspondant Rn est donn par la base (directe par dnition) ((1, 0, ..., 0), (0, 1, 0, ..., 0), (0, 0, 1, 0, ..., 0), ..., (0, 0, ..., 0, 1, 0), (0, ..., 0, 1)). Proprits faciles : (E est un espace euclidien donn, de dimension n) Si est une permutation paire (resp. impaire) et si e1 , ..., en est une base de E espace euclidien, alors (ei )i[1,n] et (e(i) )i[1,n] sont dans la mme classe dquivalence (resp. ne sont pas dans la mme classe dquivalence) (voir 2.5.4 pour en tre compltement convaincu).

68

Intuitivement, le produit mixte de (x1 , ..., xn ) est le volume algbrique (li lorientation) de {O + t1 .x1 + t2 .x2 + ... + tn .xn /(t1 , ..., tn ) [0, 1]n } (indpendamment de O).

Si (ei )i[1,n] et (fi )i[1,n] sont deux bases de E avec fi = f (ei ) (f est donc un automorphisme), alors les bases (ei )i[1,n] et (fi )i[1,n] sont dans la mme classe dquivalence si et seulement si det f > 0 (en effet f est alors lendomorphisme de la matrice de passage de la base des ei la base des fi . si B et B sont dans la mme classe alors detB (.) = detB (.).

Ceci permet dintroduire de nouvelles dnitions :

Dnition 179 On appelle produit mixte dun espace euclidien (E, C) de dimension n lapplication detB pour une base B C quelconque ; on le note (x1 , ..., xn ) [x1 , ..., xn ] = detB (x1 , ..., xn ). Si E est un espace euclidien de dimension 3, alors tant donns a et b dans E, lapplication qui x dans E associe [a, b, x] est linaire, donc elle est gale x < c|x > pour un certain c E (voir le thorme 163) ; on note a b llment c de E, et on lappelle produit vectoriel de a et b.

Le produit vectoriel nest pas commutatif !

69
                                                                                                                                                                                              

Proposition 180 Proprits du produit mixte et du produit vectoriel (celles du produit mixte sont valables en toute dimension ; le produit vectoriel nest dni quen dimension 3) (dans les deux cas rien nest possible en dehors dun espace euclidien orient) : a b V ect(a, b) a b = b a a b = 0 a et b sont lis (a, b) a b est bilinaire (a, b) libre (a, b, a b) est une base directe Le produit mixte dune base est non nul Le produit mixte dune base directe est strictement positif Le produit mixte dune base indirecte est strictement ngatif Une famille est une base orthonormale directe si et seulement si son produit mixte est 1 Une famille est une base orthonormale indirecte si et seulement si son produit mixte est 1 [f (x1 ), ..., f (xn )] = (det f )[x1 , ..., xn ] Dans R3 , le produit vectoriel de (x, y, z) par (x , y , z ) est gal (y.z z.y , z.x x.z , x.y y.x ) moyen mnmotechnique : ce sont les la matrice suivante : x y z cofacteurs de la troisime colonne dans x ? y ? z ?

(a b) c =< a|c > .b < b|c > .a a (b c) =< a|c > .b < a|b > .c Si E est euclidien orient de dimension 3, alors lapplication de E dans L(E) dnie par (x) = (y x y) est valeurs dans lensemble des endomorphismes antisymtriques de E ; en restreignant lespace darrive lensemble des endomorphismes antisymtriques de E cest un isomorphisme de E. 0 z y 0 x dans la mme La matrice de (u) avec u = (x, y, z) est z y x 0 base.

Toutes ces proprits sobtiennent facilement en considrant simplement la dnition du produit mixte ou du produit vectoriel.

70

Proposition 181 (Identit de Lagrange) ab

2

= a . b < a|b >2

Dmonstration : On suppose a et b libres, sinon le rsultat est clair par CauchySchwartz (voir la partie 3.1). [a, b, ab]2 = mais on a aussi [a, b, a b]2 =< a b|a b >2 = a b Do le rsultat dsir. < a|a > < a|b > 0 < a|b > 0 < b|b > 0 0 < a b|a b > = ab .( a . b < a|b >2 )
2 2 2

Corollaire 182 a b = a b sin() avec lcart angulaire entre a et b. Maintenant quelques proprits un peu plus difciles.

Proposition 183 [x1 , ..., xn ]2 = det(< xi |xj >(i,j)[1,n]2 )

Dmonstration : On pose M la matrice Mi,j = e (xj ) avec (ei )i[1,n] une base i orthonormale. [x1 , ..., xn ] = det M = det t M [x1 , ..., xn ] = det t M.M Mi,j =< ei |xj >
n

(t M.M )i,j =
k=1

< ek |xi > . < ek |xj >

do le rsultat.

71

Proposition 184 |[x1 , ..., xn ]| n xi i=1 |[x1 , ..., xn ]| = n xi i=1 (i/xi = 0 (xi )i[1,n] est orthogonale)

Dmonstration : Si le systme est li, le rsultat est clair (on rappelle que le dterminant dune famille lie est nul). Sinon, on peut construire par la mthode dorthonormalisation de Schmidt une base (e1 , .., en ) avec (i, j) [1, n]2 < xj |ei > > 0. La matrice de passage P(ei )i[1,n] ,(xi )i[1,n] est triangulaire (voir 164) ; son dterminant est le produit des < xi |yi >, donc par lingalit de Schwartz est infrieur ou gal en valeur absolue au produit des xi , avec galit si et seulement si pour tout i xi et yi sont lis, donc si la famille est orthonormale.

3.5.4

Formes quadratiques sur un espace euclidien

Pour plus dinformations on pourra consulter la partie 2.4.3.

3.6

Espaces hermitiens

Pour introduction on pourra consulter la partie 3.2, sur les espaces prhilbertiens complexes.

3.6.1

Dnition et premires proprits

Dnition 185 On appelle espace hermitien un espace prhilbertien complexe de dimension nie, non rduit {0}. On rappelle quelques proprits, issues plus ou moins directement de la dnition des espaces prhilbertiens complexes (voir la partie 3.2 pour des rappels) : Un espace hermitien est un espace de Hilbert ; toutes les proprits des espaces de Hilbert sont donc valables ici (voir la partie 3.4) < .|. > est sesquilinaire (i.e. semi-linaire par rapport la premire variable et linaire par rapport la deuxime variable) si x est non nul alors < x|x > est un rel > 0 (< .|. > est positive car pour tout x < x|x > est positif et dnie car x non nul < x|x > non nul) < .|. > est hermitienne, cest--dire < x|y >= < y|x > toute famille orthonormale peut tre prolonge en une base orthonormale Pour tout sous-espace F dun espace hermitien E, on a E = F F et F = F Etant donne une base orthonormale (ei )i[1,n] de E hermitien, tout vecteur x de E vrie x= < ei |x > ei
i=1..n

72

 Etant donne une base (xi )i[1,n] dun espace hermitien, il existe une base orthonormale (yi )i[1,n] telle que pour tout j yj est combinaison linaire des xi pour 1 i j (voir 164) Etant donn E un espace hermitien lapplication qui x associe lapplication y < x|y > est un semi-isomorphisme de E sur E . En corollaire de la proprit ci-dessus, tant donn E un espace hermitien de dimension n, pour toute famille (x1 , ..., xn ) de Cn et toute base (e1 , ..., en ) de E, il existe un unique x dans E tel que < x|ei >= xi (on aurait pu, au lieu de < x|ei >= xi , demander < ei |x >= xi , comme on sen rend facilement compte en considrant le fait que < .|. > est hermitienne). Etant donne (ei )i[1,n] une base orthonormale de E avec E hermitien, la famille des (x < ei |x > est la base duale de la base des (ei )i[1,n] (il sagit de limage de la famille des ei par le semi-isomorphisme ci-dessus). La dernire proprit ncssite que la famille soit orthonormale ! n Cn muni de lapplication (x, y) i=1 xi yi est un espace hermitien. De mme que les espaces euclidiens sont isomorphes Rn muni du produit scalaire euclidien usuel, on retiendra que les espaces hermitiens sont isomorphes Cn muni du produit scalaire hermitien usuel (ce qui fait que beaucoup de proprits intuitives se retrouvent vraies).

3.6.2

Adjoint dun endomorphisme dun espace hermitien

Thorme 186 Pour tout endomorphisme f de lespace hermitien E il existe un et un seul endomorphisme f de E tel que pour tout (x, y) E 2 on ait < f (x)|y >=< x|f (y) >.

Dmonstration : Existence n Lapplication f x i=1 < f (ei )|x > .ei . Unicit < ei |f (x) >=< f (ei )|x >, donc f (x) est entirement dtermin par ses coordonnes. Proposition 187 Lapplication F qui f associe f est un semiendomorphisme de L(E). F est involutif, cest dire que F F = I.

73

Dmonstration : Facile ! Dnition 188 f sappelle ladjoint de f . f endomorphisme dun espace hermitien E est dit unitaire lorsque f f = f f = I. f endomorphisme dun espace hermitien E est dit hermitien lorsque f = f . Une matrice carre M coefcients dans C est dite unitaire si elle vrie t M .M = I. Une matrice carre M coefcients dans C est dite hermitienne si elle vrie t M = M . On remarque donc quun endomorphisme unitaire est un endomorphisme inversible f tel que pour tout x et tout y de E < f (x)|y >=< x|f 1 (y) >. Par ailleurs un endomorphisme f dun espace hermitien est hermitien lorsque pour tout x et tout y de E on a < f (x)|y >=< x|f (y) >. Sans surprise suite au cas euclidien, un endomorphisme f dun espace hermitien est unitaire si et seulement si il conserve le produit scalaire, i.e. < f (x)|f (y) >=< x|y > Ou mme simplement la norme, i.e. f (x) = f (x) De mme que dans le cas des euclidiens, on note que ladjoint de linverse (quand il existe) est linverse de ladjoint (qui dans ce cas existe ncessairement), que lorthogonal de limage est le noyau de ladjoint, et que limage de ladjoint est lorthogonal du noyau ; que (f g) = g f . De mme quun endomorphisme dun espace euclidien est orthogonal si et seulement si limage dune base orthonormale est orthonormale, un endomorphisme dun espace hermitien est unitaire si et seulement si limage dune base orthonormale est une base orthonormale. Alors que dans le cas euclidien et dans une base orthonormale la matrice de ladjoint est la transpose de la matrice, dans le cas hermitien et dans une base orthonormale la matrice de ladjoint est la conjugue de la matrice transpose. Cest--dire M at(ei )i[1,n] (f ) = t M at(ei )i[1,n] (f ) Consquence logique de ce qui prcde, un endomorphisme est unitaire si et seulement si sa matrice dans une base orthonormale est unitaire. Et un endomorphisme est hermitien si et seulement si sa matrice dans une base orthonormale est hermitienne. Les valeurs propres dune matrice hermitienne (ou dun endomorphisme hermitien) sont toutes relles. Le polynme caractristique de f est le conjugu du polynme caractristique de f On pourra consulter la partie?? pour plus dinformations sur la structure de lensemble des endomorphismes unitaires.

74

Le spectre dune matrice unitaire est inclus dans le cercle unit ; son dterminant appartient donc aussi ce cercle unit. Proposition 189 (Sur les endomorphismes hermitiens) Limage et le noyau dun endomorphisme hermitien sont orthogonaux. Les sous-espaces propres dun endomorphisme hermitien sont en somme directe orthogonale. Si f est un endomorphisme hermitien et si F est un sous-espace stable par f alors F est stable par f qui induit sur cet espace un endomorphisme hermitien. Si f est un endomorphisme hermitien, alors f est diagonalisable dans une certaine base orthonormale. Dmonstration : Mme principe que dans le cas euclidien. De mme, si M est une matrice complexe hermitienne, alors il existe P unitaire telle que t P .M.P soit diagonale.

3.6.3

Formes quadratiques sur un espace hermitien E

Voir la partie2.4.4.

75

Chapitre 4

Algbre linaire en dimension nie

4.1 Gnralits
Dnition 190 Un espace vectoriel est dit de dimension nie lorsquil admet une base de cardinal nie. Dans le cas contraire il est dit de dimension innie. Dans un espace ni le cardinal dune base est appel dimension de lespace (il faudra voir plus loin que toutes les bases ont alors mme cardinal). Un sous-espace vectoriel dun espace vectoriel E est dit de codimension nie si la dimension de lespace quotient est nie. On appelle alors codimension de cet espace la dimension de lespace quotient. Sinon il est dit de codimension innie. Dans la suite E dsigne un K-espace vectoriel de dimension nie.

Thorme 191 (Thorme de la base incomplte) Si I est une famille libre et K une famille gnratrice nie, avec I K, alors il existe J avec I J K tel que J soit une base.

Dmonstration : On considre J libre maximal au sens du cardinal vriant I J K. Si toute famille plus grande incluse dans K est lie, alors tout lment de K est combinaison linaire dlments de J ; tout lment de E scrit comme combinaison dlments de K, qui eux-mmes scrivent comme combinaisons linaires dlments de J. Donc la famille J est gnratrice.

Lemme 192 (Lemme de Steinitz) Si E est non rduit {0}, E admettant une famille gnratrice I de cardinal n, toute famille de n + 1 vecteurs (ou plus) est lie.

76

Dmonstration : Le cas n = 1 est trivial. On procde alors par rcurrence. Supposons la proprit vraie pour n < N et soit n = N ; supposons E admettant une famille gnratrice b1 , ..., bn de cardinal n. Notons F le sous-espace vectoriel de E engendr par b1 , ..., bn1 . Donnons-nous une famille e1 , ..., en+1 de E. Soit, pour i [1, n + 1], fi F et i K tel que ei = fi + i bn . Si tous les i sont nuls, alors lhypothse de rcurrence applique F permet de conclure. 1 Supposons alors 1 = 0 ; dans ce cas, b1 = 1 (e1 f1 ). On peut alors exprimer ei fi en fonction de e1 f1 pour tout i, puis zi = i ei 1 e1 comme combinaison linaire des yi , donc comme lments de F pour tout i > 1. Lhypothse de rcurrence permet alors de conclure que les zi pour i > 1 sont lis. On crit alors i zi = 0, avec les i non tous nuls ; en dveloppant zi = i ei 1 e1 , on obtient une combinaison linaire nulle coefcients non tous nuls des ei . Do le rsultat.

Thorme 193 Dans un espace de dimension nie, toutes les bases ont le mme cardinal.

Dmonstration : Consquence immdiate du lemme 192.

Thorme 194 Deux espaces vectoriels de dimension nie sur le mme corps sont isomorphes si et seulement si ils ont mme dimension.

Dmonstration : Sils sont isomorphes, limage dune base de lun par un isomorphisme est base de lautre, donc ils ont mme dimension. Sils ont mme dimension, alors avec (e1 , ..., en ) une base de lun, et (f1 , ..., fn ) une base de lautre, lapplication i ei i fi pour (1 , ..., n ) Kn est un isomorphisme, comme on le vrie facilement (la fonction est bien dnie car (e1 , ..., en ) est une base, linarit vidente, injectivit immdiate car (f1 , ..., fn ) est libre, surjectivit immdiate car (f1 , ..., fn ) est gnratrice).

Thorme 195 F , sous-espace vectoriel de E, est gal E si et seulement si dim E = dim F .

Dmonstration : Il est clair que si F et E sont gaux, alors ils ont mme dimension. Rciproquement, sils ont mme dimension, alors une base de F est une famille libre de mme cardinal quune base de E, donc cest une base de E (voir le lemme de Steinitz ci-dessus).

77

Thorme 196 Tout sous-espace vectoriel de E (E est suppos non nul) admet un supplmentaire, et si E = F G, alors dim E = dim F + dim G, et une base de E sobtient en runissant une base de F et une base de G.

Dmonstration : Consquence du thorme de la base incomplte. Maintenant quelques thormes faciles, sans dmonstration, mais fort pratiques nanmoins :

Thorme 197 Etant donns F et G des sous-espaces vectoriels de E, on a dim (F + G) + dim (F G) = dim F + dim G.

Thorme 198 F et G sont supplmentaires dans E si et seulement si leur intersection est nulle et si la somme de leurs dimensions soit la dimension de E.

Thorme 199 F et G sont supplmentaires dans E si et seulement si leur intersection est nulle et si leur somme est gale E.

Thorme 200 F et G sont supplmentaires dans E si et seulement si leur somme est gale E et si la somme de leurs dimensions est gale la dimension de E.

Thorme 201 Etant donns F sous-espace vectoriel de E, la dimension de E/F est gale la dimension de E moins la dimension de F .

Thorme 202 Si les Ei sont de dimension nie, alors dim i=1..n Ei = i dim Ei .

78

Thorme 203 Si E et F sont de dimension nie, alors L(E, F ) est de dimension nie et dim L(E, F ) = dim E.dim F .

Dmonstration : On considre une base de E et une base de F , notes respectivement (ei ) et (fi ) ; alors les i,j dnies par i,j (ei ) = fj et i,j (el ) = 0 pour l = i forment une base de L(E, F ). Dnition 204 On appelle rang dune famille nie de vecteurs la dimension de lespace vectoriel que cette famille engendre. On appelle rang dune application linaire la dimension de son image lorsque celle-ci est nie. Cest en fait le rang de limage dune base lorsque lespace de dpart est de dimension nie

Thorme 205 (Thorme du rang) Si f L(E, F ) et E et F de dimension nie, alors Im f et Ker f sont de dimension nie, et dim E = dim Im f + dim Ker f .

Dmonstration : On considre un supplmentaire du noyau, et on montre quil est isomorphe limage de f (voir thorme 19).

Corollaire 206 Soit f une application dun espace vectoriel E vers un espace vectoriel F , avec E et F de dimension nie et de mme dimension, alors f est un isomorphisme si et seulement si lune des proprits suivantes est vrie : f a un noyau rduit un singleton f est injective f est surjective f est bijective Le rang de f est gal la dimension de E

Proposition 207 (Quelques proprits du rang) Le rang dune famille nie de vecteurs est invariant par permutations Multiplier un vecteur dune famille par un scalaire non nul ne change pas le rang de la famille On ne change pas le rang dune famille de vecteurs en additionnant un vecteur une combinaison linaire des autres vecteurs Le rang dune famille de vecteurs est le mme si lon suppirme un vecteur nul

79

4.2
4.2.1

Dualit en dimension nie

Dualit simple

E est un espace vectoriel norm de dimension nie n.

Dnition 208 Etant donne une base (ei )i[1,n] de E, on appelle formes coordonnes associes les n formes linaires ej dnies par e (ei ) = i,j . j On note que x = e (x).ej . j

Thorme 209 dim E = dim E. La famille des e est une base de E ; on lappelle la base duale de la base j (ei ). Tout f appartenant E scrit f = i f (ei ).e i Pour toute base (fi ) de E , il existe une base de E dont la base duale est la base des (fi ).

Dmonstration : La dimension de E est gale la dimension de E, car dim L(E, K) = dim E.dim K ; il suft donc de montrer que la famille est libre. On se donne une combinaison linaire nulle des e ; en considrant limage de la combinaison linaire nulle j de ei on voit que le coefcient de e est nulle pour tout i. i On se donne une application qui x associe (f1 (x), ..., fn (x)). On montre sans trop n de difcults que est un isomorphisme de E dans K . Donc il existe une base (ei ) telle que (ei ) = (d1,i , ..., i,i , ...n,i ) ; cette base convient.

Thorme 210 Soit E et F des K-espace vectoriel de dimensions nies (non ncssairement gales). Alors lapplication transposition qui f L(E, F ) associe t f L(F , E ) est un isomorphisme. En outre le rang de t f est gal au rang de f et Ker t f = (Im f )

Dmonstration : Facile !

80

4.2.2

Bidual

E est un espace vectoriel norm de dimension nie n. Thorme 211 (Bidual) Lapplication de E dans E qui x associe la fonction qui dans E associe (x) est un isomorphisme ; on lappelle isomorphisme canonique de E dans E . On peut donc identier E et E .

Dmonstration : Les dimensions de E et E tant gales (on est toujours dans le cadre de la dimension nie) il suft de voir que cette fonction est un isomorphisme. Supposons x dimage nulle ; alors quel que soit f , f (x) = 0. Si x est non nul, alors on peut lappeler e1 et le complter en une base ei ; alors on constate que e (x) = 0 pour i tout i, ce qui est contradictoire.

4.2.3

Orthogonalit

E est un espace vectoriel norm de dimension nie n.

Thorme 212 Quel que soit F sous-espace vectoriel de E, on a : dim E = dim F + dim F o F = F

Dmonstration : Si F = {0} alors le rsultat est clair. Sinon, on considre une base (fi )i[1,f ] de F , et on la complte en une base (fi )i[1,n] de E. On considre la base duale (fi ) ; il est clair alors que les (fi )i>f forment une famille libre gnratrice de F , do la premire assertion. o On constate bien que F est inclus dans F ; la dimension permet de conclure.

Thorme 213 Quel que soit F sous-espace vectoriel de E , on a : dim E = dim F + dim F o F o = F

Dmonstration : La mthode est la mme que prcdemment ; il faut juste se souvenir que toute base du dual est la base duale dune certaine base. Thorme 214 Avec lisomorphisme canonique de E dans E , pour tout o F sous-espace vectoriel de E, on a F = (F ) = (F ).

81

Dmonstration : Il ny a qu lcrire et a marche tout seul...

82

4.3
4.3.1

Calcul matriciel
Bases sur les matrices

Dnition 215 (Dnitions de base sur les matrices) On appelle matrice de type (n, p) sur un corps K toute application de [1, n] [1, p] (intervalles de N) dans K. On la reprsente gnralement comme suit : m1,1 m1,2 . . . m1,p m2,1 m2,2 . . . m2,p . . . .. . . . . . . . mn,1 mn,2 . . . mn,p On note Mn,p (K) lensemble des matrices de type (n, p) sur le corps K. On appelle matrice ligne une matrice de type (1, p), et bf matrice colonne une matrice de type (n, 1). On appelle matrice extraite dune matrice de type (n, p) la restriction de cette matrice I J, avec I [1, n] et J [1, p]. On appelle i-ime vecteur-ligne de la matrice M de type (n, p) la restriction de cette matrice {i} [1, p]. On peut identier un vecteur-ligne un lment de Kp . On appelle j-ime vecteur-colonne de la matrice M de type (n, p) la restriction de cette matrice [1, n] {j}. On peut identier un vecteur-colonne un lment de Kn . On appelle matrice associe un morphisme f de lespace vectoriel E de dimension p dans lespace vectoriel F de dimension n et aux bases B = (ei ) et B = (fi ) de E et F respectivement la matrice M de type (n, p) telle que Mi,j = fi (ej ). On la note M atB,B (f ). Inversement, on appelle application linaire canoniquement associe la matrice M le morphisme de Kp dans Kn dont la matrice associe est M .

n p Proposition 216 Une matrice de type n, p admet Cn .Cp matrices extraites de type (n , p ).

Proposition 217 E et F tant de dimension respectives p et n sur le corps K, on a L(E, F ) Mn,p (K) via lisomorphisme f M atB,B (f ). Avec E = Kp et F = Kn , et B et B les bases canoniques, on a alors un isomorphisme canonique entre L(Kp , Kn ) et Mn,p (K).

83

Dmonstration : Evident !

Proposition 218 (Matrice canonique dune application linaire en dimension nie) Soit f une application linaire entre E, espace vectoriel de dimension p, et F , espace vectoriel de dimension n ; soit r le rang de f . Alors il existe une base B et E et une base B de F telles que M atB,B (f ) = M avec Mi,j = 1 si i = j r Mi,j = 0 sinon On appelle cette matrice matrice canonique de f . Dmonstration : Considrer une base B1 dun supplmentaire du noyau de f ; considrer B1 = f (B1 ) ; considrer B2 une base du noyau de f , et complter B1 en une base B . Il reste considrer B = B1 B2 . Remarque 219 La matrice dune forme linaire est une matrice-ligne.

Dnition 220 (produit matriciel) On appelle matrice produit des matrices A et B de types respectifs (n, q) et (q, p) la matrice C de type (n, p) telle que Ci,j =
k[1,q]

Ai,k .Bk,j

On note C = A B ou C = A.B.

Proposition 221 Le produit matriciel dni ci-dessus est associatif et bilinaire. Avec A = M atB,B (f ) et B = M atB ,B (g), B A = M atB,B (g f ) Avec x E, X le vecteur des coordonnes de x dans la base B, alors les coordonnes de y = f (x) dans la base B sont celles de Y , avec Y = M X, et M = M atB,B (f ). Dmonstration : Facile (et non moins important).

84

4.3.2

Espace vectoriel Mn,p (K)

E et F K-espace vectoriel de dimensions respectives p et n.

Dnition 222 On appelle matrices lmentaires de type (n, p) les matrices Ei,j avec Ei,j (a, b) = a,i .b,j ; cest dire les matrices de type (n, p) ne comportant quun 1 et des 0 partout ailleurs.

Proposition 223 Mn,p (K) est un K-espace vectoriel pour laddition terme terme et pour la multiplication terme terme par un scalaire. Lapplication de L(E, F ) dans Mn,p (K) qui une application f associe M atB,B (f ) est un isomorphisme. Les matrices lmentaires forment une base de cet espace vectoriel , qui est donc de dimension n.p.

4.3.3

Transposition de matrices

Dnition 224 (Transpose dune matrice) Etant donne une matrice M on appelle matrice transpose de M la matrice N avec Ni,j = Mj,i . Si M est de type (n, p), alors N est de type (p, n). On note N =t M .

Proposition 225 Lapplication M t M est un isomorphisme entre Mn,p (K) et Mp,n (K) en tant que K-espaces vectoriels . t (A B) =t B t A M atB ,B (t f ) =t M atB,B (f )

85

86

4.3.4

Le cas des matrices carres : la K-algbre Mn,p (K)

Dnition 226 On appelle matrice carre une matrice de type (n, n) pour un certain n. On note Mn (K) = Mn,n (K). On appelle matrice dun endormophisme f associe une base B la matrice M atB,B (f ) ; on la note aussi M atB (f ). On appelle diagonale dune matrice carre M de type (n, n) le vecteur (M1,1 , ..., Mi,i , ..., Mn,n ). On appelle trace dune matrice carre M la somme i[1,n] Mi,i . On la note tr(M ). Lapplication M tr(M ) est une application linaire. On appelle matrice unit dordre n la matrice M avec Mi,j = i,j . Cest la matrice de lendomorphisme identit. On appelle matrice scalaire une matrice gale .I avec un scalaire et I une matrice unit. On appelle matrice diagonale associe un n-uple m la matrice M de type (n, n) dnie par Mi,i = mi et Mi,j = 0 si i = j. On note M = diag(m). Une matrice est dite symtrique si elle est gale sa transpose. Une matrice M est dite antisymtrique si elle est gale loppose de sa transpose, cest dire si t M = M . Une matrice carre est dite triangulaire suprieure si j < i Mi,j = 0 s On note Tn lensemble des matrices carres triangulaires suprieures dordre n. Une matrice carre est dite triangulaire infrieure si j > i Mi,j = 0 i On note Tn lensemble des matrices carres triangulaires infrieures dordre n.

Proposition 227 Mn (K) est une K-algbre, isomorphe la K-algbre des endomorphismes de Kn (ou de E, pour tout E espace vectoriel de dimension n). Si M est inversible, alors sa transpose aussi et (t M )1 =t (M 1 ). tr(AB) = tr(BA) (que A et B soient carres ou non, pourvu que le produit soit carr) Une matrice est scalaire si et seulement si cest la matrice associe un endomorphisme de la forme x .x. Lensemble des matrices diagonales de Mn (K) est une sous-algbre commutative de Mn (K). Lensemble des matrices symtriques de Mn (K) et lensemble des matrices antisymtriques de Mn (K) sont des sous-espaces vectoriels de Mn (K) ; si K nest pas de caractristique 2, ils sont supplmentaires ; ils sont alors de dimensions respectives n.(n+1) et n.(n1) , engendrs respectivement par les 2 2 Ei,j + Ej,i pour i j et par les Ei,j Ej,i pour i < j. Toute matrice carre M scrit A + S, avec A antisymtrique et S antisymtriques, avec A = 1 M t M et S = 1 M +t M 2 2 Le produit de deux matrices symtriques est symtrique si et seulement si les deux matrices commutent. Lensemble des matrices triangulaires suprieures est une sous-algbre de Mn (K), de dimension n.(n + 1)/2. Lensemble des matrices triangulaires infrieures est une sous-algbre de Mn (K), de dimension n.(n + 1)/2. 87 Lensemble des matrices triangulaires infrieures est isomorphe lensemble des matrices triangulaires suprieures Les lments inversibles de lensemble des matrices triangulaires suprieures (resp. infrieures) sont les matrices triangulaires dont tous les coefcients diagonaux sont non nuls ; ils forment un sous-groupe multiplicatif de Mn (K). Etant donne une matrice A de Mn (K), on appelle commutant de A le sous-ensemble de Mn (K) des matrices commutant avec A.
0

Dmonstration : Seul le dernier point pose difcult. Il ncssitera le thorme de Cayley-Hamilton, qui montre que An V ect(A0 , ..., An1 ). La suite est claire.

4.3.5

Changement de bases

Soit E espace vectoriel de dimension n, et (ei ) et (fj ) des bases de E. Dnition 228 On appelle matrice de passage de la base (ei ) la base (fj ) la matrice P de type (n, n) dnie par Pi,j = e (fj ) ; on la note P(ei ),(fj ) . Il i sagit en fait de la matrice M at(fj ),(ei ) (I).

Proposition 229 Le produit de la matrice de passage de B B par la matrice de passage de B B est la matrice de passage de B B . 1 PB,B = PB ,B Etant donn X le vecteur des coordonnes de x dans une base B, les coordonnes de x dans la base B sont donnes par X avec X = PB ,B X. M atB ,C (f ) = PC ,C .M atB,C (f ).PB,B Dans le cas dun endomorphisme M atB (f ) = PB ,B .M atB (f ).PB,B

La matrice de passage de B B donne les coordonnes dans B en fonction des coordonnes dans B et pas le contraire... La terminologie vaut ce quelle vaut ! On peut le retenir en considrant que la matrice de passage de la base B la base B est la matrice dans B de lendomorphisme dont limage de B est B .

4.3.6

Groupe linaire et groupe spcial linaire

Voir ??.

4.3.7

Groupe orthogonal rel et groupe spcial orthogonal rel

Voir ??.

88

4.3.8

Rang dune matrice

Dnition 230 (Matrice associe une famille nie de vecteurs) Etant donne une famille de vecteurs (x1 , ..., xp ) dun espace vectoriel de dimension nie n et une base (v1 , ..., vn ) de E, on appelle matrice associe la famille des xi et la base des vi la matrice M dnie par Mi,j = vi (xj ). On appelle rang dune matrice M le rang de la famille de ses vecteurs colonnes. On le note rg(M ). Une matrice N extraite de M , avec N carre inversible dordre le rang de M , est appele matrice principale de M .

Proposition 231 Le rang dune matrice associe un systme de vecteurs et une base est indpendant de cette base. rg(M atB,B (f )) = rg(f ) rg(t M ) = rg(M ) min(n, p), avec M de type (n, p). rg(M ) = n M surjective rg(M ) = p M injective rg(M.M ) min(rg(M ), rg(M ))

Dmonstration : Refaire cette preuve facile rveillera les neurones consacrs lalgbre linaire chez ceux pour qui tout cela est un peu oubli...

Proposition 232 Le rang dune matrice M non nulle est gal n maximal tel quil existe une matrice extraite inversible de type (n, n) de M . Dmonstration : Il est clair que le rang de M est suprieur au rang de toute matrice extraite inversible (considrer une combinaison linaire nulle des vecteurs correspondants de M ). Etant donn r le rang de M il existe une famille libre de r vecteurs parmi la famille des vecteurs colonnes de M . On peut alors considrer la transpose de cette matrice ; son rang est le mme, et donc on peut se restreindre au mme nombre de colonnes.

89

4.3.9

Matrices quivalentes, matrices semblables

Matrices quivalentes Dnition 233 (Matrices quivalentes) Deux matrices A et B de mme type (n, p) sont dites quivalentes si il existe P et Q des matrices inversibles de types respectifs (p, p) et (n, n) telles que B = Q.A.P

Quelques proprits immdiates : Proposition 234 Il sagit dune relation dquivalence. Deux matrices de mme type sont quivalentes si et seulement si elles reprsentent un mme morphisme dans des bases diffrentes. Deux matrices de mme type sont quivalentes si et seulement si elles ont le mme rang.

Dans la deuxime proprit, il faut bien voir quil faut changer ventuellement la fois la base de dpart et la base darrive.

Matrices semblables Dnition 235 (Matrices semblables) Deux matrices carres A et B de mme type sont dites semblables sil existe une matrice P telle que A = P.B.P 1

Proposition 236 Il sagit dune relation dquivalence Deux matrices sont semblables si elles reprsentent un mme endomorphisme dans deux bases diffrentes Deux matrices semblables ont mme rang Deux matrices semblables ont mme trace

Dmonstration : Facile pour les trois premiers points ; pour le quatrime il suft de se rappeller que la trace de AB est gale la trace de BA. Cette fois-ci, contrairement au cas des matrices quivalentes, deux matrices de mme rang ne sont pas ncssairement semblables.

90

La deuxime caractrisation fait appel un endomorphisme et pas une application linaire quelconque ; la base de dpart est la mme que celle darrive.

4.3.10

Cofacteurs

Dnition 237 (Mineur et cofacteur) Le dterminant de la matrice M laquelle on te la j-ime colonne et la i-ime ligne est appel mineur (i, j) de M . On le note gnralement i,j . Le dterminant de la matrice M laquelle on te la j-ime colonne pour la remplacer par le i-ime vecteur de la base est appel cofacteur (i, j) de M . On le note gnralement i,j (M ). On la note gnralement com(M ). La matrice ainsi dnie est appele comatrice de M . La matrice t est appele matrice complmentaire de M . On la note gnra lement M .

Pour y voir plus clair, le mineur (i, j) de M est : M1,1 M2,1 M3,1 M4,1 . . . Mi1,1 Mi,1 Mi1,1 . . . Mn,1 M1,2 M2,2 M3,2 M4,2 . . . Mi1,2 Mi,2 Mi1,2 . . . Mn,2 M1,3 M2,3 M3,3 M4,3 . . . Mi1,3 Mi,3 Mi1,3 . . . Mn,3 ... ... ... ... . . . ... ... ... . . . ... M1,j1 M2,j1 M3,j1 M4,j1 . . . Mi1,j1 Mi,j1 Mi1,j1 . . . Mn,j1 M1,j+1 M2,j+1 M3,j+1 M4,j+1 . . . Mi1,j+1 Mi,j+1 Mi1,j+1 . . . Mn,j+1 ... ... ... ... . . . ... ... ... . . . ... M1,n M2,n M3,n M4,n . . . Mi1,n Mi,n Mi1,n . . . Mn,n

et le cofacteur (i, j) de M est : M1,1 M2,1 M3,1 M4,1 . . . Mi1,1 Mi,1 Mi1,1 . . . Mn,1 M1,2 M2,2 M3,2 M4,2 . . . Mi1,2 Mi,2 Mi1,2 . . . Mn,2 M1,3 M2,3 M3,3 M4,3 . . . Mi1,3 Mi,3 Mi1,3 . . . Mn,3 ... ... ... ... . . . ... ... ... . . . ... M1,j1 M2,j1 M3,j1 M4,j1 . . . Mi1,j1 Mi,j1 Mi1,j1 . . . Mn,j1 0 0 0 0 . . . M1,j+1 M2,j+1 M3,j+1 M4,j+1 . . . ... ... ... ... . . . ... ... ... . . . ... M1,n M2,n M3,n M4,n . . . Mi1,n Mi,n Mi1,n . . . Mn,n

0 Mi1,j+1 1 Mi,j+1 0 Mi1,j+1 . . . . . . 0 Mn,j+1

91

qui est dailleurs gal M1,1 M2,1 M3,1 M4,1 . . . Mi1,1 0 Mi1,1 . . . Mn,1 M1,2 M2,2 M3,2 M4,2 . . . Mi1,2 0 Mi1,2 . . . Mn,2 M1,3 M2,3 M3,3 M4,3 . . . Mi1,3 0 Mi1,3 . . . Mn,3 ... ... ... ... . . . ... ... ... . . . ... M1,j1 M2,j1 M3,j1 M4,j1 . . . Mi1,j1 0 Mi1,j1 . . . Mn,j1 0 0 0 0 . . . M1,j+1 M2,j+1 M3,j+1 M4,j+1 . . . ... ... ... ... . . . ... ... ... . . . ... M1,n M2,n M3,n M4,n . . . Mi1,n 0 Mi1,n . . . Mn,n

0 Mi1,j+1 1 0 0 Mi1,j+1 . . . . . . 0 Mn,j+1

Proposition 238 i,j = (1)i+j .i,j

Proposition 239 La comatrice de la transpose de M est la transpose de la comatrice de M .

Il est ncssaire pour la suite davoir lu la partie 2.3. Thorme 240 Si M dsigne la matrice complmentaire M .M = det M.Id et M.M = det M.Id en particulier, si M est inversible, M 1 =
1 det M M .

Dmonstration : Considrons le terme (i, j) de la matrice M .M . Il sagit de k,i .Mk,j . k=1..n Considrons le terme (i, j) de la matrice det M.Id. Il sagit de i,j .det M . On cherche donc montrer que i,j .det M =
k=1..n

k,i .Mk,j .

On distingue deux cas : i=j On considre alors la matrice M , sur laquelle on remplace la colonne i par la colonne j (on ne les permute pas, on supprime la colonne i, et on copie la colonne j la place). Le dterminant de la matrice obtenue est nul, puisquon a deux fois la mme colonne.

92

On dveloppe par rapport la colonne i. On obtient Mk,j .k,i = 0

k=1..n

et donc le rsultat dans ce cas est bien montr. i=j Dans ce cas on considre le dveloppement de M par rapport la i-ime colonne et on obtient k,i .Mk,j k,i .Mk,i = det M =
k=1..n k=1..n

do le rsultat souhait. Le second rsultat se dduit du premier en considrant la transpose de chacun des deux produits.

4.4

Oprations sur les lignes et les colonnes

On trouvera des manipulations proches de celles dcrites ici dans la partie sur les dterminants2.3. La proposition ?? illustre aussi des oprations sur les lignes et les colonnes. FLEMMARD -> determinants -> resol syst. lineaires Dnition 241 On appelle systme dquations linaires une quation de la forme M X = Y , o M (matrice) et Y (vecteur) sont donns et o X est linconnue. Les oprations sur les lignes et les colonnes dune matrice ou dun systme linaire sont par dnition : laddition dune ligne (resp. colonne) i une ligne (resp. colonne) j = i la multiplication dune ligne (resp. colonne) i par un scalaire = 0 la permutation de deux lignes (resp. colonnes) i et j = i Ces oprations seront notes respectivement : Li Li + Lj (resp. Ci Ci + Cj ) Li Li (resp. Ci Ci ) Li Lj (resp. Ci Cj ) On pourra ventuellement ajouter une ligne (resp. une colonne) une autre ligne (resp. colonne) multiplie par un scalaire ; cela se notera Li Li + Lj (resp. Ci Ci + Cj ). Exemples : Sur un systme : Avant :

1 2 3 x1 1 0 1 1 x2 = 2 1 3 1 x3 3

Aprs L1 L1 + 2 L2 : 1 4 1 x1 5 0 1 1 x2 = 2 1 3 1 x3 3 93

 Sur une matrice Avant :

1 4 7 2 5 8

2 3 5 6 8 9 1 4 7 3 6 9

Aprs C1 C2

Proposition 242 Les oprations sur les lignes correspondent des multiplications droite par des matrices inversibles ; les oprations sur les colonnes correspondent des multiplications gauche par des matrices inversibles. Linverse dune opration sur les lignes (resp. les colonnes) est une opration sur les lignes (resp. les colonnes). Dmonstration : Proposition 243 Le dterminant dune matrice nest pas modi en ajoutant une ligne une combinaison linaire des autres lignes. Multiplier une ligne par multiplie le dterminant par . Permuter des lignes multiplie le dterminant par 1. Les mmes rsultats sont valables pour les colonnes. Dmonstration : Cela dcoule immdiatement des proprits du dterminant, et du fait que le dterminant dune matrice est gal au dterminant de sa transpose. Ceux qui ont besoin de rappels peuvent consulter la partie 2.3. Thorme 244 (Formules de Cramer) Considrons le systme dquations linaire M X = Y , avec M de type (n, n) : M1,1 M1,2 . . . M1,n M2,1 M2,2 . . . M2,n M = . . . . . . . . . . . . Mn,1 Mn,2 ... Mn,n Y = (y1 , ..., yp ) On suppose en outre que M est inversible. Alors X est solution, avec M1,1 M2,1 . . . xi = Mn,1 M1,2 M2,2 . . . Mn,2 ... ... . . . ... M1,i1 M2,i1 . . . Y1 Y2 . . . M1,i+1 M2,i+1 . . . Mn,i+1 ... ... . . . ... M1,n M2,n . . . Mn,n

Mn,i1 Yn det M

94

Dmonstration : La solution X est clairement unique, car par inversibilit de M X = M 1 Y . On a alors Y = k Xk Ck avec Ck la k-ime colonne de M . (i) Donc, quel que soit i, on a alors det Mk (i) = Xk det Mk avec M1,1 M2,1 . . . Mn,1 et M1,1 M2,1 . . . Mn,1
(i)

Mk (i) =

M1,2 M2,2 . . . Mn,2

... ... . . . ...

M1,i1 M2,i1 . . . Mn,i1

Y1 Y2 . . . Yn

M1,i+1 M2,i+1 . . . Mn,i+1

... ... . . . ...

M1,n M2,n . . . Mn,n

Mk

(i)

M1,2 M2,2 . . . Mn,2

... ... . . . ...

M1,i1 M2,i1 . . . Mn,i1

M1,k M2,k . . . Mn,k

M1,i+1 M2,i+1 . . . Mn,i+1

... ... . . . ...

M1,n M2,n . . . Mn,n

On en dduit donc, en supprimant de la somme Mi , ce qui est prcisment le rsultat dsir.

Xk Ck les termes nuls, Xi det M =

Thorme 245 (Mthode du pivt de Gauss) La mthode de Gauss consiste : 1) permuter les lignes pour avoir un coefcient non nul en haut gauche de la matrice ; ce coefcient est appel pivt 2) soustraire la premire ligne multiplie par un coefcient adquat chacune des autres lignes de manire avoir des zros sur toute la premire colonne en dehors du premier coefcient 3) Procder de mme sur la matrice extraite, simplement dpourvue de sa premire ligne et sa premire colonne. Le point 1) pourra toujours tre ralis si on trouve toujours un coefcient non nul changer ; pour peu que la matrice soit inversible, cette condition sera toujours vrie. Si elle ne lest pas, on peut travailler sur la matrice extraite par suppression de la premire colonne. En ritrant cette mthode, on arrive obtenir une matrice triangulaire suprieure. En fait la matrice obtenue est de la forme illustre sur la gure 4.1, du moins aprs permutation des colonnes.

La matrice ainsi obtenue est donc beaucoup plus maniable : le calcul du dterminant (si la matrice est carr) se rsume la multiplication des lments diagonaux, la rsolution de systmes linaires est plus aise (il convient de noter pour cela que les oprations sur les colonnes sont de simples permutations sur les inconnues), le calcul du rang est immdiat (nombre dlments avant le dernier lment non nul de la dernire colonne). An de minimiser les pertes de prcision dun calcul numrique, il est prfrable de choisir un pivt grand en valeur absolue. 95

Elements nuls ou non nuls

Elements nuls

"Ligne" brise dlments non nuls.

F IG . 4.1 Matrice obtenue aprs pivt de Gauss. La "ligne brise" voque comporte soit des sauts droite, soit des sauts en diagonale en bas droite. Le premier lment de la ligne brise se trouve quelque part sur la premire ligne (ventuellement en haut gauche). La mthode du pivt total consiste chercher le pivt non pas seulement sur la colonne en cours, mais dventuellement permuter les colonnes pour avoir un pivt plus grand. Par opposition au pivt total, la mthode ci-dessus est dite pivt partiel. Thorme 246 (Dcomposition A = LU ) Etant donne une matrice A suppose inversible, on dnit ak = |(Ai,j )i,jk |, dterminant de la matrice obtenue en se restreignant aux k premires lignes et k premires colonnes. On appelle dcomposition A = LU un produit du type A = LU avec L matrice triangulaire infrieure ne comportant que des 1 sur la diagonale, U matrice triangulaire suprieure, Alors il existe une dcomposition A = LU si et seulement si les ak sont non nuls pour tout k dans [1, n].

Dmonstration : Il suft dutiliser la mthode de Gauss, en considrant les matrices correspondant aux oprations sur les lignes et les colonnes. Cest--dire que lon n obtient un produit i=1 Mni A = U , avec Mi la matrice correspondant lopration sur les lignes et les colonnes effectu la i-ime tape. Mais linverse dune opration sur les lignes ou les colonnes est une opration sur les lignes ou les colonnes (facile n trouver) ; donc on peut aussi crire A = i=1 Ni U , avec Ni linverse de Mi . Le produit des Ni est bien de la forme dsire, triangulaire suprieure diagonale unit, comme on sen convaincra en considrant la stabilit de lensemble des matrices triangulaires suprieures diagonale unit par multiplication par les matrices des oprations sur les

96

lignes et les colonnes. Proposition 247 Si A est inversible, il existe une matrice de permutation P telle que P A = LU . Dmonstration : Si ak est nul, il existe ncssairement une permutation de lignes qui arrange a, sinon A ne pourrait pas tre de rang plein - il suft donc de multiplier les diffrentes permutations de lignes ncssaires pour obtenir une matrice vriant les conditions demandes. Thorme 248 (Dcomposition de Cholesky) On appelle dcomposition de Cholesky ou dcomposition A =t RR, un produit de la forme A =t RR, avec R triangulaire infrieure inversible. A admet une dcomposition de Cholesky si et seulement si A est symtrique dnie positive.

Dmonstration : On pourra consulter [7] pour cette preuve.

4.5

Matrices par blocs

Les mthodes expliques ci-dessous dans le cas de quatre blocs, se gnralisent naturellement au cas dun nombre quelconque de blocs.

4.5.1

Produit par blocs

largeur(A) = largeur(C) = hauteur(A ) = hauteur(B ) largeur(B) = largeur(D) = hauteur(C ) = hauteur(D )

Etant donnes les matrices A, B, C, D, A , B , C et D , avec

on considre les matrices M et M dnies comme suit : A C A C B D B D

M= M = Alors M.M =

A.A + B.C C.A + D.C

A.B + B.D C.B + D.D

4.5.2

Inverse par blocs

A C , avec A et B inversibles, alors M est inversible et M 1 = 0 B A1 .C.B 1 . B 1

Si M = A1 0

97

4.5.3

Dterminant par blocs

A C 0 B , alors det M = det det A.det B.

Si M =

4.6 Exercices sur les matrices

Exercice 249 Une forme linaire f sur Mn (K) telle que f (XY ) = f (Y X) est proportionnelle lapplication M tr(M ). Dmonstration : Il suft de considrer X et Y des matrices lmentaires. Exercice 250 Une matrice de Mn (K) commute avec toutes les matrices de Mn (K) si et seulement si elle est scalaire. Dmonstration : Simplement vrier quune telle matrice commute avec les matrices lmentaires.

4.7

Zoologie sur les matrices et leurs dterminants

Dnition 251 (Matrice circulante) On appelle matrice circulante associ au n-uple (x1 , ..., xn ) la matrice M dnie par Mi,j = xji (modulo n) , cest dire x1 x2 x3 . . . xn .. xn . xn1 x1 x2 M = xn1 xn x1 . . . xn2 . . .. .. .. . . . . . . . x2 x3 x4 . . . x1

Proposition 252 Lensemble des matrices gendr par la matrice suivante : 0 1 0 0 0 1 0 0 0 M = 0 0 0 0 0 0 1 0 0

circulantes de type (n, n) est en... .. . .. . .. . .. . ... 0 0 . . .

0 1 0

98

Dmonstration : Il suft de voir que la matrice circulante associe (x1 , ..., xn ) est la matrice x1 .M 0 + x2 .M 1 + ... + xn .M n1 et le rsultat est acquis.

4.8
4.8.1

Zoologie de la dualit en dimension nie

Polynmes de Lagrange

On considre lespace E = Rn [X] des polynmes une indtermine et de degr au plus n. Soit a0 , ... , an des rels deux deux distincts. On dnit n + 1 formes linaires sur E par fi (P ) = P (ai ). Proposition 253 Les polynmes de Lagrange fi forment une base de E. Dmonstration : Puisque la dimension de E est gale la dimension de E , il suft de voir que la famille est de rang n + 1, ce qui est vri si et seulement si lespace vectoriel dual est de dimension 0. Supposons quun certain polynme P appartienne cet orthogonal, alors il sannule en a0 , ... ,an ; donc il est nul, puisquil est de degr au plus n.

Proposition 254 Les polynmes de lagrange (fi ) sont la base duale des Pi , avec X aj Pi (x) = j=i ai aj

Dmonstration : Facile, il suft de vrier que Pi (aj ) = i,j . Corollaire 255 (Interpolation de Lagrange) On en dduit notamment que tout polynme de degr n scrit comme combinaison linaire des Pi , les coefcients tant donns par les fi . Cest--dire que tout P de degr n scrit
n

P =
i=1

fi (P )Pi

99

Un exemple dutilisation Maple : Exemple Maple > interp([0, 1, 2, 3], [exp(0), exp(1), exp(2), exp(3)], x);
1 3 3 1 3 2 1 3 1 2 3 3 2 1 5 1 3 11 2 2 3 2 2 e x e x + e x e x + 2e x e x + ex ex + 3ex x + x x+1 6 2 3 2 2 2 2 6 6

Il est intressant de tracer ensuite la courbe exponentielle et les graphes des interpolations diffrents ordres superposes.

4.8.2

Dnition dun sous-espace vectoriel par une famille dquations

Proposition 256 Soit F un sous-espace vectoriel de E de dimension p, E espace vectoriel de dimension nie n. Alors il existe n p formes linaires linairement indpendantes fi telles que F = {x/i fi (x) = 0} cest dire que F sexprime comme intersection de np hyperplans. Il est en outre impossible de dnir F comme intersection de moins de n p hyperplans. Dmonstration : Pour voir quune telle famille existe, il suft de considrer une base de F et sa base duale. Pour vrier quon ne peut faire moins, il suft de considrer que pour tout G sous-espace vectoriel de E et tout H hyperplan de E on a dim (G H) dim G 1 (par la formule dimG + dimH = dim(G + H) + dim(G H))

4.9

Approximation de fonctions holomorphes par des fractions rationnelles

Lemme 257 Soit K un compact de C, inclus dans un ouvert . Alors il existe 1 , 2 , ..., n des segments orients dans \ K tels que pour toute fonction holomorphe f sur et pour tout k dans K
n

f (z) =
l=1

1 2i

f (t) dt tz

Dmonstration : Lemme 258 (Intuitif pour les topologistes dans lme !) Il existe > 0 tel que la distance entre un point k de K un point du complmentaire de soit toujours > . Dmonstration :

100

 En effet sinon on pourrait construire une suite de points (kn )nN de K distance 1/n de X \ K. On pourrait alors extraire une suite convergente (par le thorme ??, puisque C est muni dune topologie mtrique !), et le point limite serait une distance 0 du ferm complmentaire de , et serait donc dans K sans tre dans ; ce qui est contradictoire. On construit alors une grille recouvrant le compact K, avec un maillage infrieur /2, comme indiqu sur la gure 4.2.

F IG . 4.2 Un maillage. On considre alors les contours 1 , ... , p , orients positivement, des carrs C1 , ..., Cp/4 intersectant K. On conserve alors seulement les segments des contours qui ne sont parcourus quune fois ; les autres tant parcourus deux fois, une fois dans chaque sens. On note ces segments orients 1 , ... , n . On se donne alors f holomorphe sur , et z lintrieur de lun des carrs du maillage, z K. La fonction g qui t appartenant la runion des l associe f (t)f (z) tz est continue. On calcule alors n 1 g(t) dt 2i l t z
l=1

Cette somme est gale

p

l=1

1 2i

g(t) dt tz

Par le lemme ??, tendu au cas dun carr, on en dduit que la somme est nulle. Donc n 1 f (t) dt 2i l t z
l=1 n

=
l=1

1 2i

f (z) dt tz

101

= f (z)
l=1

1 2i

1 dt tz

= f (z) Il ne reste qu prolonger par continuit pour avoir le rsultat souhait. Thorme 259 (Runge, version faible, lemme pour la version forte) Soit K un compact de C, inclus dans un ouvert . Soit Z une partie de C contenant au moins un point dans chaque composante connexe de C {} \ K. Alors lensemble des fractions rationnelles dont les ples sont inclus dans Z est dense dans lensemble des fonctions holomorphes sur , pour la topologie de la convergence uniforme sur K.

Dmonstration : Soit F R lensemble des fractions rationnelles dont les zros sont inclus dans Z. Daprs le corollaire ??, il suft de montrer que toute forme linaire continue nulle sur toutes les fractions rationnelles de F R est nulle sur toute application holomorphe sur . Daprs le thorme de reprsentation de Riesz, il nous suft donc de montrer qutant donne une mesure de Borel complexe sur K telle que lintgrale pour sur K de tout lment de F R soit nulle, lintgrale sur K pour de f holomorphe est nulle. Soit donc une telle mesure complexe , et f holomorphe sur . Dnissons, pour t C {} \ K, d(k) kt

h(t) =
K

(4.1)

h est holomorphe, au vu de la proposition ??. Soit z dans Z et nappartenant pas K ; notons Vz la composante connexe de C{}\K contenant z. On va montrer que h est nulle sur cette composante connexe ; pour cela, par le thorme ??, il sera sufsant de montrer que h est nulle sur un voisinage de z. - Supposons tout dabord z = . Lobjectif est donc de montrer que pour t assez grand en module, h(t) = 0. Ecrivons, pour k dans K et t quelconque, kt 1 1 = = k 1 k/t
l=0

kn tn+1

La convergence tant uniforme en k pour t sufsamment grand, on peut alors intervertir lintgrale et la somme dans lquation 4.1 et on obtient bien h(t) = 0. - Supposons maintenant que z = Ecrivons, pour k dans K et t quelconque, 1 1 1 1 = = tz kt (k z) (t z) k z 1 kz 102

=
l=0

(t z)l ) (k z)l+1

La convergence tant uniforme en k pour t sufsamment proche de z, on peut alors intervertir lintgrale et la somme dans lquation 4.1 et on obtient bien h(t) = 0. On applique alors le lemme 257, pour pouvoir exprimer f comme une intgrale sur un contour hors de K : f d =
K K

1 2i

f (t) dt d(k) tk

Et par Fubini ??, = 1 2i f (t)

l l K

1 d(k) dt tk

1 2i

f (t)h(t)dt
l l

=0 Do le rsultat tant attendu ! On peut facilement passer la topologie de la convergence uniforme sur tout compact. En outre, le cas o K est simplement connexe (i.e. son complmentaire a une seule composante connexe) donne lieu un corollaire important. Corollaire 260 (Corollaire important) Si f est une fonction holomorphe dnie sur un ouvert , si Z est un ensemble contenant au moins un point dans chaque composante connexe de C \ , alors f est dans ladhrence de lensemble des fractions rationelles ples dans Z pour la topologie de la convergence uniforme sur tout compact. Si f est une fonction holomorphe dnie sur un ouvert simplement connexe , alors il existe une suite de polynmes convergeant uniformment vers f sur tout compact. Dmonstration : On dnit les Kn comme dans le lemme ??, et on dnit Fn comme tant une fraction rationnelle tel que |f (z) Fn (z)| 1/n pour z dans Kn . Dans le deuxime cas, on peut simplement imposer Z = {}, et on obtient bien une suite de polynmes.

103

4.10

Endomorphismes semi-simples

Dnition 261 Un endomorphisme f est dit semi-simple si tout sous-espace vectoriel stable par f a un supplmentaire stable par f .

Thorme 262 On se place en dimension nie. On suppose u semi-simple ; on note u le polynme caractristique de u. u = p Pini avec les Pi irrductibles et premiers 2 2. i=1 ni 1. On va montrer quen fait ni = 1. En outre on montrera que rciproquement si tous les ni sont gaux 1, alors u est semi-simple.

Dmonstration : E = p Ei avec Ei = KerPi (u)ni i=1 On va montrer que pour tout i ni = 1. Par labsurde n1 2. KerP1 (u) admet un supplmentaire u-stable. Donc KerP1 (u) F = E avec F u-stable. F = p (Ei F ) i=1 donc E = KerP1 (u) (E1 F ) p Ei F i=2 E= E1 p Ei i=2

Les inclusions sont en fait des galits puisque la dimension est nie. On considre F = E1 F . E1 = KerP1 (u) F ; si F = {0} alors P1 .p Pini serait dans i=2 lidal annulateur. Impossible car n1 2, donc F = {0}.
n On a donc : P1 1 (u|F ) = 0 n Soit x E1 \ KerP1 1 1 (u) x = x1 + x2 avec x1 KerP1 (u) et x2 F . n n n P1 1 1 (u)(x) = P1 1 1 (u)(x1 ) +P1 1 1 (u)(x2 )

0 car n1 2 n n Donc P1 1 1 (u)(x2 ) = 0 donc P1 1 1 (u|F ) = 0. n donc (car P1 est irrductible) u|F = P1 1 . Donc P1 (u|F ) est nilpotent, donc pas injectif, or KerP1 (u) F = {0} do une contradiction. Rciproquement : On suppose u = p Pi i=1

104

Alors E = p Ei avec Ei = Ker Pi (u) i=1 F stable F = p (F Ei ) i=1 il suft de trouver un supplmentaire stable dans Ei de F Ei . Or u|Ei = Pi donc on est ramen au cas ou u est irrductible. Soit alors F non rduit 0 et diffrent de E, stable par u. Soit x E \ F . {Q K[X]|Q(u)(x) = 0} est un idal non nul engendr par P unitaire diffrent de 1. P divise u donc P = u parce que u est irrductible. Soit m le degr de u . (x, u(x), ..., um1 (x)) est une base de G = V ectiN ui (x). x F donc F G = G, donc dim F G < m. Si F G = {0} alors u|F G |u donc u|F G = u . Or degu|F G (par C.H.) dimF G < m = deg, do contradiction, donc F G = {0}. On a donc F G avec G stable, G = {0}. Si F + G = E on recommence ; en un nombre ni dtapes on conclut. En rsum : Pour montrer quun endomorphisme semi-simple admet pour polynme simple un produit de polynmes irrductibles : On considre le polynme minimal, avec ses facteurs Pi et leurs exposants ni . On suppose n1 2. On considre un supplmentaire F de Ker P1 (u) u-stable. On considre Ei = Ker Pini (u), et on note que F est la somme directe des intersections de F avec les Ei . On considre F = E1 F ; on montre que F nest pas rduit 0. n On considre x dans E1 \ Ker P1 1 1 (u) n On dcompose x sur Ker P1 (u) et F ; on en dduit que P1 1 1 (u|F ) = 0 n1 On sait alors que u|F = P1 P1 (u|F ) est injectif, mais pourtant nilpotent, do contradiction. Pour montrer lexistence dun supplmentaire stable pour tout sous-espace stable partir dun endomorphisme ayant un produit de polynmes irrductibles distincts pour polynme minimal : On se ramne un polynme minimal irrductible en considrant les restrictions aux Ei . On considre un espace stable F , et un lment x or de cet espace. On considre le polynme qui engendre lensemble des polynmes Q tels que Q(u)(x) = 0 ; ce polynome divise le polynome minimal de et lui est donc gal puisque ce dernier est irrductible. On considre alors G lespace engendr par les images successives de x par des puissances de u ; cet espace est engendr par les m premiers lments avec m le degr de . On en dduit que F G est de dim < m. On considre alors le polynme caractristique de u restreint F G ; si ce dernier espace est non nul, alors ce polynme est gal u , or son degr est plus petit que m

105

par application de Cayley-Hamilton, donc la somme de F et G est directe. Il ne reste qu rcurer pour avoir un supplmentaire de F .

106

Chapitre 5

Rduction des endomorphismes

Il est ncssaire avant dtudier cette partie davoir pris connaissance de la partie 1et de la partie 4. La rduction dun endomorphisme va constituer dans le cas gnral en la recherche des lments propres de cet endomorphisme (dnition venir) et dans le cas de la dimension nie en la recherche dune base dans laquelle cet endomorphisme est reprsent par une matrice de forme agrable (voir plus loin). Dans toute cette partie, K dsigne R ou C.

107

5.1

Le cas gnral
Dnition 263 Soit E un K-espace vectoriel et f un endomorphisme de E ; cest--dire f L(E). On se donne P un polynme appartenant K[X] ; P = i pi .X i . Alors : On dit que F , sous-espace vectoriel de E, est stable par f si et seulement si f (F ) F Si il existe n tel que Ker fn = Ker fn+1 , alors le n minimal vriant cette proprit est appel indice de f . On note P (f ) lendomorphisme qui x associe i pi .f i (x). On note K[f ] lensemble des Q(f ) pour Q K[X] ; cest une algbre commutative (sous-algbre de lalgbre des endomorphismes L(E)) On appelle idal annulateur de f lensemble des Q K[X] tels que Q(f ) = 0 (cest un idal, les matheux sont pas encore assez vicieux pour nous faire cette mauvaise blague). On le note I(f ). K[X] tant principal, si I(f ) est non rduit {0}, il est engendr par un polynme unitaire que lon appellera polynme minimal de f et que lon notera Pf . On appelle valeur propre de f un scalaire tel que f .I ne soit pas injectif ; dans ce cas Ef () = Ker f .I est appel sous-espace propre associ la valeur propre . On appelle spectre de f lensemble des valeurs propres de f . On le note Sp(f ). On appelle vecteur propre de f associ la valeur propre un lment non nul du sous-espace propre associ la valeur propre . On appelle valeur propre de M avec M une matrice carre de type (n, n) une valeur propre dendomorphisme de Kn canoniquement associ M . On appelle sous-espace propre de M associ avec M une matrice carre de type (n, n) lespace propre de lendomorphisme de Kn canoniquement associ M pour valeur propre de M . On appelle spectre de M avec M une matrice carre de type (n, n) lensemble des valeurs propres de M . En dimension innie un endomorphisme na pas ncssairement un indice

108

Proposition 264 Avec P et Q deux polynmes, P Q(u) = P (u) Q(u) = Q(u) P (u) Si deux endomorphismes commutent, alors le noyau et limage de lun sont stables par lautre. La suite Fn dnie par Fn = Ker f n est croissante Si f a un indice ni n, alors pour tout i suprieur n, on a Fi+1 = Fi Soit P et Q deux polynmes, alors Ker P (f ) Ker Q(f ) = Ker ((P Q)(f )) Soit P et Q deux polynmes premiers entre eux (i.e. de pgcd 1), alors Ker (P Q)(f ) = Ker P (f ) Ker Q(f ). Soit P1 , ..., Pp des polynmes premiers deux deux tels que Pi (f ) = 0, alors E = Ker Pi (f ). Les trois derniers ont valeur de thormes ; on les regroupe souvent sous lappelation lemme des noyaux. Cela sert un peu partout, dans les rsultats de rduction ; citons par exemple la partie sur les suites rcurrentes linaires, 5.3.2, ou le thorme de diagonalisation 272. Dmonstration : Les quatre premiers sont vidents. Le 5me se montre grce la proprit de Bezout. Pour le 6me , la somme est directe en vertu du prcdent ; et les deux inclusions sobtiennent par Bezout et par le premier . Le dernier est facile dduire du 6me. Proposition 265 (Pratique de la rduction (sans hypothse de dimension nie)) une somme nie de sous-espaces propres distincts est directe une famille de vecteurs propres associs des valeurs propres distinctes est libre si f et g sont deux endomorphismes qui commutent, alors les sous-espaces propres de f sont stables par g (, P ) Sp(f ) K[X] P () Sp(P (f )) Si P (f ) = 0, alors Sp(f ) P () = 0 1 Si f GL(E), alors Sp(u1 ) = { / Sp(u)}

5.2

Le cas de la dimension nie

Dans le cas de la dimension nie, la rduction dun endomorphisme va consister en la recherche dune base dans laquelle lendomorphisme est diagonale, ou, dfaut, triangulaire. On a vu ci-dessus que pour dcomposer un endomorphisme il fallait trouver ses sous-espaces propres et ses valeurs propres. Cela est trs li au polynmes annulateurs de lendomorphisme ; mais dans le cas gnral, il y a assez peu de choses dire. Nous allons voir que la dimension nie est beaucoup plus pratique.

109

Voyons tout dabord une liste de proprits lmentaires trs utiles pour la suite : Proposition 266 En dimension nie, tout endomorphisme a un indice, infrieur ou gal la dimension. En dimension nie, lindice est aussi le plus petit n tel que Im f n = Im f n+1 En dimension nie, avec n lindice de f , E = Ker f n Im f n En dimension nie, tout endomorphisme admet un idal annulateur non rduit 0, et donc admet un polynme minimal. Si F est un sous-espace vectoriel de E, si (e1 , ..., ep , ep+1 , ..., en ) est une base de E avec (e1 , ..., ep ) une base de F , alors F est stable par f si et seulement si la matrice de f dans la base (e1 , ..., en ) est de la forme suivante A B 0 D avec A une matrice de type (p, p), B une matrice de type (p, n p), D une matrice de type (n p, n p). Si F1 , F2 , ... et Fp sont des sous-espaces vectoriels de E tels que E = Fi , alors les Fi sont stables par f si et seulement si la matrice de f dans une base constitue dune base de F1 , suivie dune base de F2 , ..., suivie dune base de Fp , est de la forme M1 0 0 . . . 0 0 0 0 M2 0 . . . 0 0 0 0 0 .. . .. . ... ... .. . .. .. . 0 0 0 0 Mp2 0 0 0 0 0 0 0 Mp1 0 0 0 0 0 0 0 Mp

0 0 0

. 0 0

avec Mi de type (dim Fi , dim Fi ). On va maintenant introduire quelques dnitions intressantes dans le cadre de la dimension nie. Dnition 267 (Dnitions dans le cadre de la rduction en dimension nie) On appelle polynme caractristique dune matrice carre M le polynme det(X.I M ). Le polynme caractristique de la matrice dun endomorphisme en dimension nie (le polynme caractristique nest dni que dans ce cadre l) est indpendant de la base choisie ; on lappelle polynme caractristique de cet endomorphisme. On note M le polynme caractristique de la matrice M et f le polynme caractristique de lendomorphisme f . Voyons maintenant quelques proprits fondamentales de ces notions, toujours dans le cadre de la rduction en dimension nie ; la preuve, trs simple, nest pas don110

ne. Proposition 268 Le polynme caractristique dune matrice M est un polynme (preuve en considrant la dnition premire du dterminant). Le polynme caractristique dune matrice M de type (n, n) est de degr n, de coefcient dominant 1 (preuve l aussi en considrant la dnition du dterminant, et en cherchant lunique permutation qui donne le terme de degr n dans le polynme caractristique). Le second coefcient est tr M . Le polynme caractristique dune matrice M est le polynme caractristique de toute matrice N semblable M . Lensemble des valeurs propres dun endomorphisme en dimension nie est gal lensemble des 0 de son polynme caractristique. Le polynme caractristique de M est gal au polynme caractristique de t M. E K-espace vectoriel de dimension nie, F sous-espace vectoriel de E, f endomorphisme de E, F stable par f , alors f|F |f Dans un C-espace vectoriel de dimension nie 1, tout endomorphisme admet au moins une valeur propre. Le polynme caractristique dune matrice M de type (2, 2) est X X 2 tr M.X + det M Le polynme caractristique dune matrice M de type (3, 3) est X X 3 tr M.X 2 tr com(M ).X det M Le polynme caractristique dune matrice M triangulaire de type (n, n) est n (X Mi,i ) i=1

Dnition 269 On appelle ordre dune valeur propre dun endomorphisme en dimension nie le degr de multiplicit de cette valeur propre comme racine du polynme caractristique. On appelle sous-espace caractristique associ la valeur propre de lendomorphisme f dun K-espace vectoriel E de dimension nie le sous-espace vectoriel Ker (f .I)m avec m lordre de multiplicit de comme racine du polynme caractristique de f . Un endomorphisme en dimension nie est dit diagonalisable si il existe une base dans laquelle cet endomorphisme se reprsente par une matrice diagonale. Une matrice en dimension nie est dite diagonalisable si elle est semblable une matrice diagonale, cest--dire si elle reprsente un endomorphisme diagonalisable. Un endomorphisme en dimension nie est dit trigonalisable si il existe une base dans laquelle cet endomorphisme se reprsente par une matrice triangulaire. Une matrice en dimension nie est dite trigonalisable si elle est semblable une matrice triangulaire, cest--dire si elle reprsente un endomorphisme trigonalisable. Toute matrice triangulaire suprieure est semblable une certaine matrice tri-

111

angulaire infrieure et toute matrice triangulaire infrieure est semblable une certaine matrice triangulaire suprieure, comme on sen convaincra simplement en changeant lordre des lments dune base ; ainsi lorsquun endomorphisme est trigonalisable, on pourra en considrer indiffremment une reprsentation triangulaire suprieure ou infrieure. Notons que tout sous-espace caractristique de f , endomorphisme en dimension nie, est stable par f . Passons maintenant quelques "gros" rsultats de rduction en dimension nie.

Thorme 270 Un endomorphisme f de E K-espace vectoriel de dimension nie est diagonalisable si et seulement si lune des conditions suivantes est vrie : E est somme directe des sous-espaces propres il existe une base de E forme de vecteurs propres de f f est scind dans K[X] et la dimension de tout sous-espace propre est gale lordre de multiplicit de la valeur propre associe.

Dmonstration : Les deux premiers sont vident. Le troisime est plus intressant : - la condition est sufsante, car la somme des sous-espaces propres est toujours directe, et la somme des dimensions des sous-espaces propres est bien la dimension de lespace, donc lespace est bien somme directe des sous-espaces propres. - la condition est ncssaire ; on le voit de manire vidente en considrant une matrice diagonale pour laquelle la matrice de f est diagonale.

Corollaire 271 Si f est scind racines simples, alors f est diagonalisable.

Dmonstration : Si chaque valeur propre est dordre 1, forcment lespace propre associ est de dimension 1 ; donc ce corollaire dcoule immdiatement du thorme prcdent. On va voir un renforcement de ce corollaire ci-dessous.

Thorme 272 Un endomorphisme f de E K-espace vectoriel de dimension nie est diagonalisable si et seulement si il existe P polynme scind racines simples tel que P (f ) = 0.

Dmonstration : Si il existe un tel P , alors E est la somme directe des Ker f .I pour dans lensemble des racines de P (voir le lemme des noyaux, proposition 264). Donc f est diagonalisable, clairement. Si f est diagonalisable, alors le polynme caractristique est scind et la dimension de chaque espace propre est lordre de multiplicit de la valeur propre associe comme racine de ce polynme (daprs le thorme prcdent).

112

On peut alors crire F = (X xi )ri avec les xi distincts deux deux ; considrons P = (X xi ). P est scind racines simples. Il reste voir que P (f ) = 0. E est la somme directe des Ker f xi .I. Soit x appartenant Ker f xi0 .I ; on a f (x) = xi0 .x. P (f )(x) = i=i0 (y f (y)xi .y)(y f (y)xi0 .y)ri0 1 (f (x) xi .x) = 0. Donc P (f ) est nul sur des sous-espace vectoriel dont la somme est E ; donc P (f ) est nul. Finalement, voici la mthodologie de la diagonalisation : On se donne f , endomorphisme dun K-espace vectoriel de dimension nie n. On dtermine le polynme caractristique de f Si F nest pas scind, alors on ne peut pas diagonaliser Si F est scind, pour chaque valeur propre , on cherche si Ef () = Ker (f .I) est de dimension lordre de Si oui, on obtient une base dans laquelle lendomorphisme est diagonal en runissant des bases des sous-espaces propres Dans le cas contraire, lendomorphisme nest pas diagonalisable ; on essaie alors de trigonaliser (voir plus loin). On peut ajouter quelques remarques permettant de simplier la dtermination de la diagonalisabilit dune matrice : une matrice M est diagonalisable si pour tout K M + .I est diagonalisable ; si P 1 .(M + .I).P = D, alors P 1 .M.P = D + .I La restriction dun endomorphisme diagonalisable un sous-espace stable est diagonalisable (en effet la diagonalisabilit dun endomorphisme quivaut lexistence dun polynme scind racines simples annulant cet endomorphisme) Maintenant le thorme fondamental de la trigonalisation : Thorme 273 Un endomorphisme en dimension nie est trigonalisable si et seulement si son polynme caractristique est scind.

Dmonstration : Il est vident que si lendomorphisme est trigonalisable, alors son polynme caractristique est scind. La rciproque est donc le problme intressant. Soit f un endomorphisme dun K-espace vectoriel E de dimension nie. On procde par rcurrence sur la dimension de lespace. En dimension 1 le rsultat est clair ; on suppose maintenant le rsultat vrai jusquen dimension n1, et on suppose E de dimension n. Le polynme caractristique de f tant scind, il possde une racine, disons . Soit e1 un vecteur propre associ , et compltons de manire avoir (e1 , ..., en ) une base de E. La matrice de f dans cette base est une matrice (n, n) de la forme ... 0 M1,1 ... M1,n1 0 M2,1 ... M2,n1 . . . . . . 0 . . . 0 Mn1,1 . . . Mn1,n1 La matrice M a un polynme caractristique scind, comme on sen convaincra facilement en considrant la dnition du dterminant.

113

Par la proprit de rcurrence, M est donc trigonalisable ; P M P 1 = T , avec T matrice triangulaire suprieure. Alors on considre le produit suivant :
1 0 0 0 0 0 P1,1 P2,1 . . . Pn1,1 ... ... ... . . . ... 0 P1,n1 P2,n1 . . . Pn1,n1 0 0 0 0 M1,1 M2,1 . . . Mn1,1 ... ... ... . . . ... M1,n1 M2,n1 . . . Mn1,n1 1 0 0 0 0 0 1 P1,1 1 P2,1 . . . 1 P n1,1 ... ... ... . . . ... 0 1 1,n1 1 P 2,n1 . . . 1 P n1,n1 P

1 0 0 = 0 0

T1,1 T2,1 . . . Tn1,1

... ... ... . . . ...

T1,n1 T2,n1 . . . Tn1,n1

(les reprsentant des scalaires quelconques) Le rsultat est ainsi tabli. Corollaire 274 Toute matrice coefcients complexes est trigonalisable dans Mn (K). Dmonstration : Rappelons juste le thorme de DAlembert-Gauss : un polynme coefcients complexes est scind sur C. Ce dernier thorme va permettre de dmontrer un thorme important, le thorme de Cayley-Hamilton : Thorme 275 (Cayley-Hamilton) Soit f un endomorphisme dun K-espace vectoriel de dimension nie. Alors f (f ) = 0.

Dmonstration : On montre tout dabord le rsultat pour K = C. Ensuite, puisque le polynme caractristique dune matrice coefcients rels est le mme que lon la considre comme matrice relle ou complexe, et puisquun endomorphisme est nul si et seulement si sa matrice associe est nulle, le rsultat sera aussi valable pour K = R. f est un polynme scind, puisque lon travaille dans C ; donc on peut trigonaliser f . On se donnne (e1 , ..., en ) une base dans laquelle f est reprsent par une matrice triangulaire suprieure. On note f = n (X xi ), avec xi le i-ime terme sur la diagonale de la i=1 matrice de f dans la base (e1 , ..., en ). On note Pi = n (X xi ). j=1 On considre la proprit P (i) dnie par P (i) j [1, i]Pi (ej ) = 0 ; on montre facilement par rcurrence quelle est vraie pour tout i compris entre 1 et n. Proposition 276 Si le polynme caractristique est scind, la dimension dun sous-espace caractristique est gale lordre de multiplicit de la valeur propre associe. Dmonstration :

114

Pendant lensemble de la preuve, on note Ip la matrice identit p lignes et p colonnes. Notons f un endomorphisme dun espace vectoriel E de dimension n, de polynme caractristique scind. Soit F sous-espace caractristique associ la valeur propre de multiplicit m. Dans une certaine base, f est reprsent par une matrice triangulaire suprieure (thorme 273). Soit M cette matrice : M= .Idm + N 0 P Q

o N est triangulaire suprieure diagonale nulle, P quelconque, Q triangulaire suprieure (nadmettant pas pour valeur propre). Une vrication immdiate rvle alors que (f Idn )m est reprsent par la matrice suivante (N est nilpotente dindice de nilpotence < m) : 0 0 P (Q .Idnm )m

On en dduit donc que le rang de (f Idn )m est n m (rappelons que nest pas valeur propre de Q). On a donc bien dim F = n (n m) = m. On peut alors passer au thorme suivant, fournissant une jolie reprsentation dun endomorphisme trigonalisable : Thorme 277 Soit f un endomorphisme dun K-espace vectoriel E de dimension nie n. Alors E est la somme directe des sous-espaces caractristiques associs f , et dans une certaine base f a pour matrice M1 0 0 ... 0 0 M2 0 . . . 0 . .. . 0 . 0 . 0 . . . .. . . . . . . . 0 0 ... 0 0 Ml avec Mi une matrice triangulaire suprieure de type (m, m) comportant seulement des i sur la diagonale et avec m lordre de i .

Le corollaire qui suit, et la partie 5.3.3 de calcul de lexponentielle dun endomorphisme donnent des applications ce rsultat. Dmonstration : Il suft de considrer les espaces caractristiques ; leur somme est directe et gal E (par le thorme de Cayley-Hamilton), ils sont stables par f , on peut donc considrer les restrictions aux diffrents sous-espaces caractristiques.

115

Do le rsultat. Corollaire 278 Si f est un endomorphisme de polynme caractristique scind dun K-espace vectoriel E de dimension nie n, alors f scrit de manire unique comme somme dun endomorphisme diagonalisable et dun endomorphisme nilpotent, qui commutent . Dmonstration : Lexistence de cette criture est facile ; il suft de considrer la matrice M donne par le thorme prcdent, et dcrire M = D + N , avec D une matrice diagonale, et N une matrice triangulaire suprieure diagonale nulle. Lunicit sera ici admise. Voyons maintenant la mthodologie de la trigonalisation ; elle fait suite celle de la diagonalisation, dans le cas o la diagonalisation est impossible. En fait on ne va pas simplement chercher trigonaliser ; on va essayer si possible dobtenir une dcomposition comme celle propose dans le thorme 277. On se donne un endomorphisme f dun K-espace vectoriel E de dimension n. On cherche si le polynme caractristique est scind. Sil ne lest pas, f nest pas trigonalisable On dtermine les sous-espaces caractristiques On dtermine une base de chacun de ces sous-espaces, dans laquelle la restriction de lendomorphisme est reprsente par une matrice triangulaire suprieure ; cela se fait par rcurrence, comme on peut le voir dans la dmonstration du thorme 273. On prend la runion de ces bases, et on a une reprsentation comme souhaite.

5.3
5.3.1

Applications de la rduction dun endomorphisme

Application au calcul dun polynme dendomorphisme

On se donne M la matrice de lendomorphisme f dun espace vectoriel de dimension nie n. Son polynme caractristique est appel P . Par le thorme de Cayley-Hamilton Alors supposons que lon cherche Q(f ), avec Q un polynme de K[X]. On dtermine alors la division euclidienne Q = P.A + B. Q(f ) = P (f ).A(f ) + B(f ) = B(f ) car P (f ) = 0 Il suft donc ensuite davoir pralablement calcul les M k pour k [0, n 1]. Par diagonalisation On suppose ici que M est diagonalisable. Si M = L.D.L1 , alors Q(M ) = L.Q(D).L1 ; si D est choisie diagonale, Q(D) est donc vite calcule. Cette mthode est efcace seulement si il sagit de calculer de nombreuses fois des polynmes dun mme endomorphisme ; lorsque lon change d endomorphisme chaque fois, la diagonalisation est trop laborieuse.

116

5.3.2

Application aux suites rcurrentes linaires

Dnition 279 On considre une suite dlments dun corps K de caractristique nulle dnie par rcurrence par un = a0 unp + a1 unp+1 + a2 unp+2 + ... + ap1 un1 (ui tant donn pour i < n). On peut en fait noter Xn = (un+p1 , un+p , ..., un ) ; alors Xn+1 = M Xn , avec 0 0 M= 0 . . . 0 a0 1 0 ... ... ... a1 0 1 0 ... ... ... ... 0 1 .. . ... ... ... ... 0 .. . 0 ap2 0 0 . . . . . . 1 ap1

On suppose a0 non nul, cas auquel on peut toujours se ramener. Une telle suite est dit suite rcurrente linaire. Le polynme caractristique de M est P = X p a0 a1 X a2 X 2 ... ap1 X p1 . Par dnition, ce polynme est dit polynme caractristique de la relation de rcurrence linaire. Lespace vectoriel E des suites vriant la relation de rcurrence donne est le noyau de P (f ), avec f lapplication qui une suite (un ) associe (un+1 ) (ceci dcoule immdiatement de la dnition de P !). On va faire lhypothse que P est scind, ce qui dans le cas de suites relles ou complexes est une hypothse qui nenlve rien la gnralit, puisquon peut toujours supposer la suite complexe. On peut alors appliquer DAlembert-Gauss pour conclure que P est scind . Par le lemme des noyaux (proposition 264), on constate que E est gal la somme directe des Ker (f i I)i avec les i les racines de P avec pour ordres de multiplicit les i . On va donc chercher exprimer les solutions comme combinaisons linaires dlments des Ker (f i I) . Il convient donc de dterminer une base de Ker (f I) . i Pour cela on considre loprateur D de K[X] dans K[X] qui Q associe Q (X + 1) Q. On identie N N.1K , de manire vidente. On considre alors Q appartenant K[X], de degr < ; on dnit ensuite un = uQ = n Q(n). Limage de la suite un n par f I est n n+1 D(Q) ; son image par (f I)2 est n n+2 D2 (Q), et ainsi de suite jusqu son image par (f I) qui est n n+ D (Q). Or on constate immdiatement que deg D(Q) = deg Q 1 si Q est de degr 1, et D(Q) = 0 sinon, et donc vu la limite sur le degr de Q, (f I) (un ) = 0. Donc on obtient des lments de E en considrant des suites de la forme n n nq , pour 0 q i . Il reste voir si lon obtient bien une base de E. Si la famille i est libre, alors son cardinal fait que lon a bien une base de E. Il suft donc de montrer que cette famille est libre. Il suft donc de montrer que lapplication Q uQ est linaire et injective. La linarit est vidente. Supposons maintenant que uQ = 0. Alors Q(n) = 0 pour tout n (en effet i est non nul, car nous avons impos a0 non nul ; donc Q est nul. Do le rsultat dsir. Etant donns les premiers termes ui pour i < n, on peut reconstituer alors la suite en crivant priori la suite sous la forme Qi (n)n avec i 117

Qi de degr < i ; les coefcients se dduisent par une rsolution de systme linaire.

5.3.3

Calcul dexponentielle de matrice

On suppose donne une matrice M , de polynme caractristique scind (hypothse peu restrictive dans la mesure o lon considre ventuellement la clotre algbrique). On cherche calculer lexponentielle de M . M peut tre trigonalise, dans une base constitue dune runion de bases despaces caractristiques ; avec P la matrice de passage correspondante, N = P M P 1 est donn par la proposition 277 ; une matrice diagonale par blocs, chaque bloc tant somme dune homothtie et dun nilpotent. On a alors exp(M ) = P exp(N )P 1 . Le calcul de exp(N ) peut se faire par blocs. Il suft donc dtre capable de calculer exp( I + Q), avec Q nilpotent. Pour cela il suft de constater que exp( I+Q) = e exp(Q) car I et Q commutent, et que 1 k 1 1 exp(Q) = Q = I + Q + Q2 + ... + Qp k! 2 p si Qp+1 = 0 ; on est ainsi ramen une somme nie.

118

Bibliographie
[1] P. BARBE , M. L EDOUX , Probabilit, B ELIN , 1998. [2] H. B RZIS , Analyse fonctionnelle, M ASSON , 1983. [3] H. C ARTAN , Calcul diffrentiel, FLEMMARD. [4] A. C HAMBERT-L OIR , S. F ERMIGIER , V. M AILLOT , Exercices de mathmatiques pour lagrgation, Analyse 1, M ASSON , 1997. [5] A. C HAMBERT-L OIR , S. F ERMIGIER , Exercices de mathmatiques pour lagrgation, Analyse 2, M ASSON , 1995. [6] A. C HAMBERT-L OIR , S. F ERMIGIER , Exercices de mathmatiques pour lagrgation, Analyse 3, M ASSON , 1996. [7] P.G. C IARLET, Introduction lanalyse numrique matricielle et loptimisation, D UNOD , 1998. [8] F. C OMBES Algbre et gomtrie, B RAL , 1998. < [9] J.-P. D EMAILLY, Analyse numrique et quations diffrentielles, P RESSES U NIVERSITAIRES DE G RENOBLE , 1996. [10] W. G IORGI , Thmes mathmatiques pour lagrgation, M ASSON , 1998. [11] A. G RAMAIN , Intgration, H ERMANN 1988, PARIS . [12] J.-L. K RIVINE , Introduction to axiomatic set theory, D. R EIDEL P UBLISHING C OMPANY, D ORDRECHT-H OLLAND . [13] S. L ANG , Real analysis, A DDISON -W ESLEY P UBLISHING COMPANY, 1969. [14] D. P ERRIN , Cours dalgbre, E LLIPSES 1996. [15] A. P OMMELLET , Cours danalyse, E LLIPSES 1994. [16] W. RUDIN , Analyse relle et complexe, M ASSON 1992. [17] R. S MULLYAN , Thorie de la rcursion pour la mtamathmatique, FLEMMARD. [18] Y.G. S INAI Probability theory - An introduction course, S PRINGER T EXTBOOK , 1992. [19] P. TAUVEL , Mathmatiques gnrales pour lagrgation, M ASSON , 1997. [20] J. VAUTHIER , J.J. P RAT , Cours danalyse mathmatiques de lintgration, M ASSON , 1994. [21] D. W ILLIAMS , Probability with martingales, C AMBRIDGE U NIVERSITY P RESS , 1991. [22] C. Z UILY, H. Q UEFFLEC , Elments danalyse pour lintgration, M ASSON , 1995.

119